JP2968631B2 - Hot rolling process control method - Google Patents
Hot rolling process control methodInfo
- Publication number
- JP2968631B2 JP2968631B2 JP4015673A JP1567392A JP2968631B2 JP 2968631 B2 JP2968631 B2 JP 2968631B2 JP 4015673 A JP4015673 A JP 4015673A JP 1567392 A JP1567392 A JP 1567392A JP 2968631 B2 JP2968631 B2 JP 2968631B2
- Authority
- JP
- Japan
- Prior art keywords
- target value
- time
- control
- output
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
Landscapes
- Control Of Metal Rolling (AREA)
- Feedback Control In General (AREA)
Description
【0001】[0001]
【産業上の利用分野】本発明は、熱延プロセスにおける
材料のスタンド間張力及びル−パ角度の制御に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to control of inter-stand tension and looper angle of a material in a hot rolling process.
【0002】[0002]
【従来技術】近年、鉄鋼プロセスなどの製造プロセスに
おいては、様々な自動制御システムが装備され、品質の
高度化や省エネ化及び省力化が進められてきた。例え
ば、熱間仕上圧延機のスタンド間にル−パを配置し、ル
−パの制御によりスタンド間の鋼帯張力や板厚を制御す
るシステムが利用される例も多い。2. Description of the Related Art In recent years, various automatic control systems have been provided in a manufacturing process such as a steel process, so that quality has been advanced, energy saving and labor saving have been promoted. For example, in many cases, a looper is arranged between stands of a hot finishing mill, and a system for controlling the steel strip tension and the plate thickness between stands by controlling the looper is often used.
【0003】従来よりル−パ制御においては、PI制御
装置を用い、また張力とル−パ角度とが互いに干渉しな
いように制御されるのが一般的である。また、多変数制
御を行なってル−パを最適に制御する方法も実施されて
いる。Conventionally, the looper control generally uses a PI control device and controls the tension and the looper angle so as not to interfere with each other. Further, a method of performing optimal control of a looper by performing multivariable control has also been implemented.
【0004】[0004]
【発明が解決しようとする課題】しかしながら、プロセ
スの特性変化や材料の変化などにより、その制御性能、
即ち制御入力に対するプロセス出力の応答性が劣化して
しまうことも多い。この種の応答性は、制御ゲインを再
調整することによって改善することができるが、制御系
の応答性を常時適正な状態に維持するためには、通常、
人手による作業を必要とし、かなり大きな負担になる。
なお、モデル規範型適応制御や、セルフチューニング制
御のように、制御ゲインをオンラインで適応修正する方
法や装置も提案されているが、これらの方法を適用でき
るのは、プロセスの入出力の関係が線形関係にある場合
に限られる。However, due to a change in process characteristics or a change in material, the control performance,
That is, the response of the process output to the control input often deteriorates. This kind of responsiveness can be improved by re-adjusting the control gain, but in order to always keep the responsiveness of the control system in an appropriate state, usually,
It requires manual work and is a considerable burden.
In addition, methods and apparatuses for adaptively modifying the control gain online, such as model reference adaptive control and self-tuning control, have been proposed.However, these methods can be applied only because of the relationship between the process input and output. Only when there is a linear relationship.
【0005】本発明は、ル−パ制御における制御特性の
改善,維持,及び劣化防止を課題とする。An object of the present invention is to improve, maintain, and prevent deterioration of control characteristics in looper control.
【0006】[0006]
【課題を解決するための手段】上記課題を解決するため
に、本発明においては、圧延スタンド間にル−パが設置
された熱延プロセスにおける熱延プロセス制御方法にお
いて、ル−パの角度及び材料のスタンド間張力の少なく
とも一方をプロセス出力値として検出し、制御目標値と
それに対するプロセス出力値の時系列データを用いて、
現在時刻からn+k時刻前までのプロセス出力値とk+
1時刻前からk+m時刻前までの制御目標値を多層型神
経回路網の入力とし、該回路の出力が現在時刻からk時
刻前までの制御目標値になるように神経回路網の重み係
数を学習し、その学習された神経回路網に現在のk時刻
先から1時刻先までの希望応答値と現在時刻から現在の
n時刻前までのプロセス出力値と現在の1時刻前からm
時刻前までの制御目標値を入力して現在の最終目標値を
生成し、該最終目標値に基づいてプロセスを制御する。According to the present invention, there is provided a method for controlling a hot rolling process in a hot rolling process in which a looper is provided between rolling stands. Detecting at least one of the inter-stand tensions of the material as a process output value, and using a time series data of a control target value and a process output value corresponding thereto,
Process output value from the current time to n + k time before and k +
The control target value from one time ago to k + m time ago is input to the multilayer neural network, and the weight coefficient of the neural network is learned so that the output of the circuit becomes the control target value from the current time to k time ago. Then, in the learned neural network, desired response values from the current k time point to the current time point, process output values from the current time point to the current time point n, and m from the current time point to the current time point.
A control target value before the time is input to generate a current final target value, and the process is controlled based on the final target value.
【0007】[0007]
【作用】本発明の熱延プロセス制御方法は、制御系の応
答を希望応答にできるだけ近づけるために、希望する制
御応答から仮想的な制御目標値を発生させることを神経
回路網、即ちニュ−ラルネットワ−クを用いて行うもの
である。一般に熱延プロセス制御における制御対象とし
ては、ル−パの角度及びル−パに加わる張力があるが、
本発明ではそれらの少なくとも一方を制御する。その熱
延プロセス制御方法で用いた神経回路では、実際の熱延
プロセス制御の目標値とその応答出力を使用し、神経回
路網の学習則(例えばバックプロパゲーション)を用い
て学習が行なわれる。According to the hot rolling process control method of the present invention, in order to make the response of the control system as close to the desired response as possible, a neural network, that is, a neural network, generates a virtual control target value from the desired control response. This is performed by using a minus mark. Generally, the control object in the hot rolling process control includes the angle of the looper and the tension applied to the looper.
In the present invention, at least one of them is controlled. In the neural network used in the hot rolling process control method, learning is performed using a learning rule (for example, back propagation) of a neural network using a target value of the actual hot rolling process control and its response output.
【0008】例えば、図2に示す3階層の神経回路網に
おいて、入力層へデータxi(i=1〜n1)を入力す
ると、入力層からの中間層への神経細胞(図3参照)の
状態の変化は、次式で表わされる。For example, in the three-layer neural network shown in FIG. 2, when data xi (i = 1 to n1) is input to the input layer, the state of the nerve cells (see FIG. 3) from the input layer to the intermediate layer Is represented by the following equation.
【0009】[0009]
【数1】 (Equation 1)
【0010】ここで、Wij(2)は、入力層から中間層
への重み係数である。n2は、中間層のノ−ド数を示
す。また中間層出力は、次式で表わされる。Here, Wij (2) is a weight coefficient from the input layer to the intermediate layer. n2 indicates the number of nodes of the intermediate layer. The output of the intermediate layer is expressed by the following equation.
【0011】[0011]
【数2】 yi=fi(ui) ・・・(2) ここで、fiは発火関数であり、具体的には単調増加関
数を用いる。更に中間層からの出力層への神経細胞の状
態変化は、次式で表わされる。Yi = fi (ui) (2) Here, fi is a firing function, and more specifically, a monotonically increasing function is used. Further, the state change of the nerve cell from the intermediate layer to the output layer is expressed by the following equation.
【0012】[0012]
【数3】 (Equation 3)
【0013】ここで、Wij(3)は、中間層から出力層
への重み係数である。n3は、出力層のノ−ド数を示
す。出力層の出力は、次式で表わされる。Here, Wij (3) is a weight coefficient from the hidden layer to the output layer. n3 indicates the number of nodes of the output layer. The output of the output layer is represented by the following equation.
【0014】[0014]
【数4】 yi=fi(ui) ・・・(4) この場合、重み係数Wijの学習は、以下のようにおこ
なわれる。Yi = fi (ui) (4) In this case, learning of the weight coefficient Wij is performed as follows.
【0015】出力層から中間層への重み係数wij(3)
の学習:The weight coefficient wij (3) from the output layer to the hidden layer
Learning:
【0016】[0016]
【数5】 δj0=(dj−yj)fj’(uj) (j=1〜n3)・・・(5) ここでdjは、教師信号と言われるもので、本発明で
は、制御系の実際の出力を意味する。fj’は、fjの
微分を意味する。Δj 0 = (dj−yj) fj ′ (uj) (j = 1 to n3) (5) where dj is called a teacher signal, and in the present invention, Means the actual output. fj 'means the derivative of fj.
【0017】[0017]
【数6】 Wij(3)=η・δj0・yi+Wij(3) ・・・(6) 但し: i=1〜n2,j=1〜n3 中間層から入力層への重み係数Wij(2)の学習:[6] Wij (3) = η · δj 0 · yi + Wij (3) ··· (6) However: i = 1~n2, j = 1~n3 weighting factor from the intermediate layer to the input layer Wij (2) Learning:
【0018】[0018]
【数7】 (Equation 7)
【0019】[0019]
【数8】 Wij(2)=η・δj・xi+Wij(2) ・・・(8) 但し: i=1〜n1,j=1〜n2 本発明の熱延プロセス制御方法では、制御目標値に対す
るプロセス出力値の時系列データを用いて、現在時刻か
らn+k時刻前までのプロセス出力値とk+1時刻前か
らk+m時刻前までの制御目標値を多層型神経回路の入
力とし、該回路の出力が現在時刻からk時刻前までの制
御目標値を教師信号として与えて神経回路の重み係数を
学習する。## EQU00008 ## Wij (2) =. Eta..delta.j.xi + Wij (2) (8) where: i = 1 to n1, j = 1 to n2 In the hot rolling process control method of the present invention, the control target value Using the time-series data of the process output values, the process output values from the current time to the time n + k and the control target values from the time k + 1 to the time k + m are input to the multilayer neural circuit. The control target value from the time to the time before the time k is given as a teacher signal to learn the weight coefficient of the neural circuit.
【0020】次に学習された重み係数をもつ神経回路網
(前置補償器)に希望する応答(補償前の目標値)と過
去のプロセス出力値と過去に出力した目標値(補償後の
目標値)を入力すると、これから先に設定すべき目標値
(補償後の目標値)が出力される。その補償後の目標値
(最終目標値)を制御系に入力することにより、希望の
応答に近い実際の応答、すなわち高応答の制御性能が得
られる。Next, a desired response (target value before compensation), a past process output value, and a previously output target value (target value after compensation) to the neural network (pre-compensator) having the learned weighting coefficient. When a value is input, a target value to be set first (target value after compensation) is output. By inputting the compensated target value (final target value) to the control system, an actual response close to a desired response, that is, a high response control performance can be obtained.
【0021】すなわち、その学習された神経回路に現在
のk時刻先から1時刻先までの希望応答(補償前の目標
値)と現在時刻から現在のn時刻前までの制御系出力値
(プロセス出力値)と、現在の1時刻前からm時刻前の
制御目標値(補償前の目標値)を入力し、現在の最終目
標値を生成する。That is, the desired response (target value before compensation) from the current k time point to the next time point and the control system output value (the process output value) from the current time to the current time n points before the current neural network Value) and the current control target value (target value before compensation) from one time ago to m time ago to generate the current final target value.
【0022】図2の例では、3階層の神経回路を用いて
いるが、非線形性のない系では、2階層の神経回路、あ
るいは、非線形性のある系では、もっと高次の4,5次
の階層を持つ神経回路を用いて同様な前置補償器を構成
しても良い。In the example shown in FIG. 2, a three-layer neural circuit is used. However, in a system without nonlinearity, a two-layer neural circuit, or in a system with nonlinearity, a higher-order fourth- or fifth-order neural circuit is used. A similar pre-compensator may be configured using a neural circuit having a hierarchy of.
【0023】[0023]
【実施例】図1に一実施例の制御系の構成を示す。図1
に示す制御系は、熱間圧延プロセスの一部分を示してお
り、互いに隣接する圧延スタンド2及び3の中間位置に
設置されたル−パ4を利用して2つの制御系を構成して
いる。2つの制御系の一方は、ル−パ4に設置された角
度検出器9が検出した実ル−パ角度αと、図示しないプ
ロセス制御用コンピュ−タから入力されるル−パ角度目
標値αrとに基づいてル−パモ−タ7を駆動するル−パ
角度制御系であり、他方はル−パ4に設置された張力検
出器11が検出した材料の実張力βと、プロセス制御用
コンピュ−タから入力される張力目標値βrとに基づい
てミルモ−タ5を駆動するル−パ張力制御系である。FIG. 1 shows the configuration of a control system according to one embodiment. FIG.
1 shows a part of the hot rolling process, and two control systems are configured using a looper 4 installed at an intermediate position between the rolling stands 2 and 3 adjacent to each other. One of the two control systems includes an actual looper angle α detected by the angle detector 9 installed on the looper 4 and a looper angle target value αr input from a process control computer (not shown). The other is a looper angle control system that drives the looper motor 7 based on the above, the other is the actual tension β of the material detected by the tension detector 11 installed on the looper 4, and the computer for process control. And a looper tension control system for driving the mill motor 5 based on the tension target value βr input from the motor.
【0024】補償ユニット20及び30は、各々の制御
系のプロセスの特性に基づいて生じる応答遅れを改善す
るために設けられている。ル−パ角度目標値αrは、補
償ユニット20に入力されて、補償後ル−パ角度目標値
αr’に変換され、張力目標値βrは、補償ユニット3
0に入力されて、補償後張力目標値βr’に変換され
る。補償後ル−パ角度目標値αr’から実ル−パ角度α
が減算された値が角度制御装置(PI制御装置)10に
入力され、補償後張力目標値βr’から実張力βを減算
した値が張力制御装置(PI制御装置)12に入力され
る。ル−パ角度制御系と張力制御系との干渉をなくすた
めに、角度制御装置10の出力Uαoと張力制御装置1
2の出力Uβoはクロスコントロ−ラ14に入力され、
それぞれ制御量Uα及びUβに変換される。制御量Uα
はル−パモ−タ速度制御装置(ACR)8に入力され、
制御量Uβはミルモ−タ速度制御装置(ASR)6に入
力される。ル−パモ−タ速度制御装置8はル−パモ−タ
7を制御してル−パ4の角度を調整し、ミルモ−タ速度
制御装置6はミルモ−タ5の速度を制御して張力を調整
する。The compensation units 20 and 30 are provided to improve a response delay caused based on the characteristics of the process of each control system. The looper angle target value αr is input to the compensation unit 20 and converted into a compensated looper angle target value αr ′, and the tension target value βr is calculated by the compensation unit 3.
0, and is converted to a compensated tension target value βr ′. The actual looper angle α is calculated from the compensated looper angle target value αr ′.
Is input to the angle control device (PI control device) 10, and the value obtained by subtracting the actual tension β from the compensated tension target value βr ′ is input to the tension control device (PI control device) 12. In order to eliminate the interference between the looper angle control system and the tension control system, the output Uαo of the angle control device 10 and the tension control device 1
2 output Uβo is input to the cross controller 14,
These are converted into control amounts Uα and Uβ, respectively. Control amount Uα
Is input to the looper motor speed controller (ACR) 8,
The control amount Uβ is input to a mill motor speed controller (ASR) 6. The looper motor speed controller 8 controls the looper motor 7 to adjust the angle of the looper 4, and the mill motor speed controller 6 controls the speed of the mill motor 5 to reduce the tension. adjust.
【0025】補償ユニット20は前置補償器21,積分
器22,減算器及び加算器で構成されている。学習器2
3は、学習によって前置補償器21の特性(重み係数)
を最適な状態に調整する。積分器22は、後述する制御
上のオフセット誤差を補償するために設けられている。
同様に補償ユニット30は前置補償器31,積分器3
2,減算器及び加算器で構成されており、前置補償器3
1の重み係数は学習器33によって学習される。積分器
32は、制御上のオフセット誤差を補償するために設け
られている。The compensating unit 20 comprises a pre-compensator 21, an integrator 22, a subtractor and an adder. Learning device 2
3 is a characteristic (weight coefficient) of the pre-compensator 21 by learning.
Is adjusted to the optimal state. The integrator 22 is provided to compensate for a control offset error described later.
Similarly, the compensation unit 30 includes a pre-compensator 31, an integrator 3
2, a pre-compensator 3 comprising a subtractor and an adder
The weighting coefficient of 1 is learned by the learning device 33. The integrator 32 is provided for compensating for a control offset error.
【0026】図2は、前置補償器21及び31に使用さ
れる神経回路網の一例で、この場合3階層の神経回路を
構成している。回路の各ノードは、図3に示されるよう
にその入力の重み付け加算をおこなうとともに、単調増
加の非線形関数で出力を計算する。これらのノードは階
層的に組み合わされた神経回路網を構成する。FIG. 2 shows an example of a neural network used for the pre-compensators 21 and 31. In this case, a neural network of three layers is constructed. Each node of the circuit performs weighted addition of its input as shown in FIG. 3 and calculates an output with a monotonically increasing nonlinear function. These nodes constitute a hierarchically combined neural network.
【0027】図4は、学習器23及び33に設けられた
神経回路網の構成を示している。学習器23において
は、神経回路の入力層のy(t)〜y(t−n−k)のノ−
ドに、角度検出器9の出力に得られた実ル−パ角度αの
時系列デ−タ(現在時刻からn+k時刻前までのn+k
+1個のデ−タ)が入力され、入力層のu(t−k−1)
〜u(t−k−m)のノ−ドに、補償後ル−パ角度目標値
αr’(但し積分器の出力は含まない)の過去の時系列
デ−タ(k+1時刻前からk+m時刻前までのm個のデ
−タ)が入力され、出力層のu(t)〜u(t−k)のノ−
ドに、補償後ル−パ角度目標値αr’の時系列デ−タ
(現在時刻からk時刻前までのk+1個のデ−タ)が教
師デ−タとして与えられ、出力層のu(t)〜u(t−k)
の各ノ−ドの出力が教師デ−タに近づくように神経回路
の重み係数を修正する。修正のための学習式としては、
この例ではバックプロパゲーションのアルゴリズムが用
いられる。FIG. 4 shows the configuration of the neural network provided in the learning devices 23 and 33. In the learning device 23, the nodes of y (t) to y (tnk) in the input layer of the neural circuit are obtained.
Time series data of the actual looper angle α obtained at the output of the angle detector 9 (n + k from the current time to n + k times before).
+1 data) is input, and u (tk-1) of the input layer is input.
The time series data of the compensated looper angle target value αr ′ (excluding the output of the integrator) (k + m time before k + 1 time) is added to the nodes u to (t−k−m). The previous m data) are input, and the nodes of u (t) to u (tk) in the output layer are input.
The time series data of the compensated looper target angle value αr ′ (k + 1 data from the current time to the time before k time) is given as the teacher data to the output layer, and the output layer u (t ) To u (tk)
The weighting factor of the neural circuit is modified so that the output of each node approaches the teacher data. As a learning formula for correction,
In this example, a back propagation algorithm is used.
【0028】学習器33においては、神経回路の入力層
のy(t)〜y(t−n−k)のノ−ドに、張力検出器11
の出力に得られた実張力βの時系列デ−タ(現在時刻か
らn+k時刻前までのn+k+1個のデ−タ)が入力さ
れ、入力層のu(t−k−1)〜u(t−k−m)のノ−ド
に、補償後張力目標値βr’(但し積分器の出力は含ま
ない)の過去の時系列デ−タ(k+1時刻前からk+m
時刻前までのm個のデ−タ)が入力され、出力層のu
(t)〜u(t−k)のノ−ドに、補償後張力目標値βr’
の時系列デ−タ(現在時刻からk時刻前までのk+1個
のデ−タ)が教師デ−タとして与えられ、出力層のu
(t)〜u(t−k)の各ノ−ドの出力が教師デ−タに近づ
くように神経回路の重み係数を修正する。修正のための
学習式としては、この例ではバックプロパゲーションの
アルゴリズムが用いられる。In the learning unit 33, the tension detector 11 is connected to the nodes y (t) to y (tnk) of the input layer of the neural circuit.
, The obtained time-series data of the actual tension β (n + k + 1 data from the current time to the time before n + k) is input, and u (tk−1) to u (t) of the input layer are input. -Km), the past time series data of the compensated tension target value βr ′ (excluding the output of the integrator) (k + m from the time before k + 1)
M data up to the time before) are input, and u in the output layer
The compensated tension target value βr ′ is added to the nodes (t) to u (tk).
Of time series (k + 1 data from the current time to k time before) are given as teacher data, and u in the output layer
The weight coefficient of the neural circuit is corrected so that the output of each node of (t) to u (tk) approaches the teacher data. In this example, a back-propagation algorithm is used as a learning equation for correction.
【0029】この実施例では、学習器23及び33はと
もにk=10,n=10,m=10とし、入力層の数は
31個、中間層の数は21個、出力層の数は10個とし
て構成してある。In this embodiment, the learning devices 23 and 33 both have k = 10, n = 10, and m = 10, the number of input layers is 31, the number of intermediate layers is 21, and the number of output layers is 10 It is configured as an individual.
【0030】この例では、関数f(x)として以下の関
数を用いている。In this example, the following function is used as the function f (x).
【0031】[0031]
【数9】 f(x)=1−0.5γ2/(x−θ+γ)2 x≧θ ・・・(9)F (x) = 1−0.5γ 2 / (x−θ + γ) 2 x ≧ θ (9)
【0032】[0032]
【数10】 f(x)=0.5γ2/(x−θ−γ)2 x<θ ・・・(10 )時系列の時間刻みは、0.02秒である。学習は、1
秒間の時系列データを用いて数千回繰り返し行なってい
る。F (x) = 0.5γ 2 / (x−θ−γ) 2 x <θ (10) The time step of the time series is 0.02 seconds. Learning is 1
It is repeated several thousand times using time-series data for seconds.
【0033】前置補償器21及び31に含まれる神経回
路網の構成を図5に示す。この神経回路網の構成は、図
4に示した学習器の神経回路網と同一になっている。但
し、入力層の入力データの内容は異なっている。また、
出力層のうち実際に使用するノ−ドは1つだけである。
この神経回路網の各ノ−ドの重み係数には、学習器23
及び33の神経回路網に存在する重み係数がそのまま与
えられる。FIG. 5 shows the configuration of the neural network included in the pre-compensators 21 and 31. The configuration of this neural network is the same as the neural network of the learning device shown in FIG. However, the contents of the input data in the input layer are different. Also,
Only one node of the output layer is actually used.
The weighting coefficient of each node of this neural network is
And 33 are given as they are in the neural network.
【0034】前置補償器21においては、入力層のyd
(t+k)〜yd(t+1)のノ−ドに、現在のk時刻先か
ら1時刻先までのk個の補償前目標値αrの時系列デ−
タ(即ち希望応答)を入力し、入力層のy(t)〜y(t
−n)のノ−ドに、現在時刻から現在のn時刻前までの
n+1個の制御系出力値(即ち角度α)の時系列デ−タ
を入力し、入力層のu(t−1)〜u(t−m)のノ−ド
に、現在の1時刻前からm時刻前までのm個の過去の補
償後目標値αr’の時系列デ−タを入力する。これによ
って、出力層のu(t)のノ−ドに、補償後目標値αr’
(但し積分器の出力は含まない)が得られる。In the pre-compensator 21, yd of the input layer
The time series data of the k pre-compensation target values αr from the current k time point to the one time point are added to the nodes (t + k) to yd (t + 1).
(I.e., desired response), and y (t) to y (t) in the input layer.
−n), time series data of n + 1 control system output values (that is, angle α) from the current time to the current time n is input to the node u (t−1) of the input layer. Time series data of m past compensated target values αr ′ from one time before to m time before are input to the nodes 〜 u (tm). As a result, the post-compensation target value αr '
(However, the output of the integrator is not included) is obtained.
【0035】前置補償器31においては、入力層のyd
(t+k)〜yd(t+1)のノ−ドに、現在のk時刻先か
ら1時刻先までのk個の補償前目標値βrの時系列デ−
タ(即ち希望応答)を入力し、入力層のy(t)〜y(t
−n)のノ−ドに、現在時刻から現在のn時刻前までの
n+1個の制御系出力値(即ち角度β)の時系列デ−タ
を入力し、入力層のu(t−1)〜u(t−m)のノ−ド
に、現在の1時刻前からm時刻前までのm個の過去の補
償後目標値βr’の時系列デ−タを入力する。これによ
って、出力層のu(t)のノ−ドに、補償後目標値βr’
(但し積分器の出力は含まない)が得られる。In the pre-compensator 31, yd of the input layer
The time series data of the k pre-compensation target values βr from the current k time point to the one time point are added to the nodes (t + k) to yd (t + 1).
(I.e., desired response), and y (t) to y (t) in the input layer.
-N), time series data of (n + 1) control system output values (that is, angle β) from the current time to the current time before n are input to the node u (t−1) of the input layer. The time series data of m past compensated target values βr ′ from the current one time point to the current time point m are input to nodes u to (t−m). As a result, the compensated target value βr ′ is added to the u (t) node of the output layer.
(However, the output of the integrator is not included) is obtained.
【0036】この実施例では、各制御系について制御目
標値をステップ状に変化させる場合の時系列デ−タを学
習器22及び32で学習させるようにしているが、この
場合に学習器のネットワ−ク出力層に設定すべき教師デ
−タは非常に複雑な時系列パタ−ンになる。そこでこの
実施例では、ル−パ角度制御及び張力制御プロセスの各
逆モデル計算式(プロセス出力値を入力値に換算する計
算式)を予め作成しておき、学習を実施する際には、プ
ロセスの実出力値(α,β)と希望応答値との差分を各
逆モデル計算式によってプロセス入力値、つまり補償後
目標値(αr’,βr’)に換算し、その値から教師デ
−タを作成している。この教師デ−タに基づいて、ネッ
トワ−クの各重み係数が修正される。In this embodiment, the time series data when the control target value is changed stepwise for each control system is learned by the learning devices 22 and 32. In this case, the network of the learning device is used. The teacher data to be set in the output layer has a very complicated time-series pattern. Therefore, in this embodiment, formulas for calculating the inverse models of the looper angle control and the tension control process (calculation formulas for converting the process output value into the input value) are created in advance, and the process is performed when learning is performed. The difference between the actual output value (α, β) and the desired response value is converted into a process input value, that is, a compensated target value (αr ′, βr ′) by each inverse model calculation formula. Has been created. Based on the teacher data, each weighting factor of the network is modified.
【0037】ある程度学習を行なった後のル−パ角度制
御系の応答特性の例を図7に示し、張力制御系の応答特
性(積分器の出力を加算しない場合)の例を図8に示
す。図7を参照すると、目標値αrはステップ状に変化
しており、この目標値αrを補償しないまま制御系に印
加する場合には、ル−パ角度はなだらかに変化し、時間
をかけて目標値に近づく。しかし補償ユニット20から
出力される補償後目標値αr’は非常に複雑な時系列パ
タ−ンで変化しており、その結果、ル−パ角度αは短時
間で変更後の目標値αrのレベルに収束するように制御
されている。図8に示す張力制御系の応答特性について
も、同様に目標値βrの補償によって張力βの応答特性
が大幅に改善されているのが分かる。また図示しない
が、この実施例によれば、制御系に各種外乱が加わった
場合や、目標値が正弦波状に変化する場合であっても、
極めて短時間でプロセス出力を目標値に制御できること
が確かめられた。FIG. 7 shows an example of the response characteristic of the looper angle control system after some learning has been performed, and FIG. 8 shows an example of the response characteristic of the tension control system (when the output of the integrator is not added). . Referring to FIG. 7, the target value .alpha.r changes stepwise. If the target value .alpha.r is applied to the control system without compensation, the looper angle changes gradually, and the target value .alpha. Approaches the value. However, the post-compensation target value αr ′ output from the compensation unit 20 changes in a very complicated time-series pattern, and as a result, the looper angle α quickly changes to the level of the post-change target value αr. Is controlled so as to converge. As for the response characteristics of the tension control system shown in FIG. 8, it can be seen that the response characteristics of the tension β are greatly improved by the compensation of the target value βr. Although not shown, according to this embodiment, even when various disturbances are applied to the control system or when the target value changes in a sine wave shape,
It was confirmed that the process output could be controlled to the target value in a very short time.
【0038】図8を参照すると、前置補償器31を設け
た場合の応答特性では、張力βの収束するレベルが、入
力された目標値βrに対して少しずれを生じているのが
分かる。この種のオフセットは、本発明者の実験によれ
ば学習回数を増やしても減少しないことが確認されてい
る。そこでこの実施例においては、図1に示すように、
オフセット分を補償する回路を補償ユニット20及び3
0に設けてある。即ち、前置補償器(21,31)入力
の目標値dから前置補償器(21,31)の出力uを減
算した値を積分器(22,32)に入力し、該積分器の
出力を前置補償器(21,31)の出力uに加算した値
u’を補償後目標値(αr’,βr’)として出力して
いる。これによってオフセットの発生を防止できた。Referring to FIG. 8, it can be seen from the response characteristics in the case where the pre-compensator 31 is provided that the level at which the tension β converges slightly deviates from the input target value βr. According to experiments performed by the present inventor, it has been confirmed that this kind of offset does not decrease even when the number of times of learning is increased. Therefore, in this embodiment, as shown in FIG.
Compensation units 20 and 3
0. That is, a value obtained by subtracting the output u of the pre-compensator (21, 31) from the target value d of the input of the pre-compensator (21, 31) is input to the integrators (22, 32), and the output of the integrator is output. Is added to the output u of the pre-compensator (21, 31), and the value u ′ is output as the compensated target value (αr ′, βr ′). This prevented the occurrence of offset.
【0039】[0039]
【効果】以上説明したように、本発明によれば、ル−パ
角度制御及び張力制御の応答性が大幅に改善される。ま
た本発明では、制御系の特性を学習によって逐次修正す
ることができるので、経時変化による応答特性の劣化を
自動的に防ぐことができる。従って、制御装置の保守作
業が不要になり、また無人化にすることも可能となる。
また制御性能の改善により、製品のコストダウンや歩留
向上につながる。As described above, according to the present invention, the responsiveness of looper angle control and tension control is greatly improved. Further, in the present invention, since the characteristics of the control system can be sequentially corrected by learning, it is possible to automatically prevent the response characteristics from deteriorating due to a change with time. Therefore, the maintenance work of the control device becomes unnecessary, and the operation can be made unmanned.
In addition, improvement in control performance leads to product cost reduction and yield improvement.
【図1】 本発明を実施する熱延プロセスの一部の制御
系の構成例を示すブロック図である。FIG. 1 is a block diagram showing a configuration example of a part of a control system of a hot rolling process for implementing the present invention.
【図2】 実施例に使用した神経回路のブロックであ
る。FIG. 2 is a block diagram of a neural circuit used in the embodiment.
【図3】 図2のノードにある神経細胞を示すブロック
図である。FIG. 3 is a block diagram showing a nerve cell at a node in FIG. 2;
【図4】 図1に示す学習器の神経回路の構成を示すブ
ロック図である。FIG. 4 is a block diagram showing a configuration of a neural circuit of the learning device shown in FIG.
【図5】 図1に示す前置補償器の神経回路の構成を示
すブロック図である。FIG. 5 is a block diagram showing a configuration of a neural circuit of the pre-compensator shown in FIG. 1;
【図6】 図1の制御系の伝達関数を示すブロック図で
ある。FIG. 6 is a block diagram showing a transfer function of the control system of FIG. 1;
【図7】 ル−パ角度制御系の応答特性の例を示す波形
図である。FIG. 7 is a waveform chart showing an example of response characteristics of a looper angle control system.
【図8】 張力制御系の応答特性の例を示す波形図であ
る。FIG. 8 is a waveform chart showing an example of response characteristics of the tension control system.
1:鋼帯 2,3:圧延スタンド 4:
ル−パ 5:ミルモ−タ 6:ミルモ−タ速度制御装置 7:ル−パモ−タ 8:ル−パモ−タ速度制御装置 9:角度検出器 10:角度制御装置 1
1:張力検出器 12:張力制御装置 14:クロスコントロ−ラ 20,30:補償ユニット 2
1:前置補償器 22:積分器 23:学習器 3
1:前置補償器 32:積分器 33:学習器 α:
実ル−パ角度 αr:ル−パ角度目標値 αr’:補償後ル−
パ角度目標値 β:実張力 βr:張力目標値 βr’:補償後張力目標値1: Steel strip 2, 3: Rolling stand 4:
Looper 5: Mill motor 6: Mill motor speed controller 7: Looper motor 8: Looper motor speed controller 9: Angle detector 10: Angle controller 1
1: tension detector 12: tension controller 14: cross controller 20, 30: compensation unit 2
1: Pre-compensator 22: Integrator 23: Learning device 3
1: Pre-compensator 32: Integrator 33: Learning device α:
Actual looper angle αr: Looper angle target value αr ': Looper after compensation
Power angle target value β: Actual tension βr: Tension target value βr ': Tension target value after compensation
Claims (1)
延プロセスにおける熱延プロセス制御方法において、ル
−パの角度及び材料のスタンド間張力の少なくとも一方
をプロセス出力値として検出し、制御目標値とそれに対
するプロセス出力値の時系列データを用いて、現在時刻
からn+k時刻前までのプロセス出力値とk+1時刻前
からk+m時刻前までの制御目標値を多層型神経回路網
の入力とし、該回路の出力が現在時刻からk時刻前まで
の制御目標値になるように神経回路網の重み係数を学習
し、その学習された神経回路網に現在のk時刻先から1
時刻先までの希望応答値と現在時刻から現在のn時刻前
までのプロセス出力値と現在の1時刻前からm時刻前ま
での制御目標値を入力して現在の最終目標値を生成し、
該最終目標値に基づいてプロセスを制御することを特徴
とする、熱延プロセス制御方法。In a hot rolling process control method in a hot rolling process in which loopers are provided between rolling stands, at least one of an angle of a looper and a tension between stands of a material is detected as a process output value, and control is performed. Using the time series data of the target value and the process output value corresponding to the target value, the process output value from the current time to the time n + k and the control target value from the time k + 1 to the time k + m are input to the multilayer neural network, The weighting factor of the neural network is learned so that the output of the circuit becomes the control target value from the current time to the time k before the current time.
A desired final response value is generated by inputting a desired response value up to the current time, a process output value from the current time to the current time n, and a control target value from the current time 1 to the current time m,
A method for controlling a hot rolling process, comprising controlling a process based on the final target value.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP4015673A JP2968631B2 (en) | 1992-01-31 | 1992-01-31 | Hot rolling process control method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP4015673A JP2968631B2 (en) | 1992-01-31 | 1992-01-31 | Hot rolling process control method |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH05208207A JPH05208207A (en) | 1993-08-20 |
JP2968631B2 true JP2968631B2 (en) | 1999-10-25 |
Family
ID=11895268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP4015673A Expired - Lifetime JP2968631B2 (en) | 1992-01-31 | 1992-01-31 | Hot rolling process control method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2968631B2 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103071683A (en) * | 2012-12-24 | 2013-05-01 | 李广阔 | Comprehensive adjustment rolling technology for double-frame S-shaped four-roll cold rolling mill |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19645420C1 (en) | 1996-11-04 | 1998-02-12 | Siemens Ag | Dynamic roll gap setting of roll stand in multistand rolling section |
CN100428098C (en) * | 2006-10-19 | 2008-10-22 | 山西太钢不锈钢股份有限公司 | Coiling variable tension control technology for 300 series stainless steel |
JP5272677B2 (en) * | 2008-11-19 | 2013-08-28 | 新日鐵住金株式会社 | Rolling mill tension control method and rolling mill tension control apparatus |
DE112012004848B9 (en) * | 2011-11-22 | 2018-03-22 | Mitsubishi Electric Corporation | Motor control device |
CN104289529B (en) * | 2013-07-18 | 2016-12-28 | 上海宝钢钢材贸易有限公司 | The strip-rolling reduction ratio control method of Stand Mill four-high mill |
CN104190720B (en) * | 2014-09-11 | 2016-04-20 | 中冶南方工程技术有限公司 | A kind of self adaptation automatic thickness control method and device |
CN111408626B (en) * | 2020-03-04 | 2022-04-26 | 首钢京唐钢铁联合有限责任公司 | Tension calibration device and tension calibration method of twenty-high rolling mill |
CN113245373B (en) * | 2021-05-21 | 2023-04-04 | 安徽工业大学 | Self-adaptive control method for tension of hot-rolled strip steel loop |
-
1992
- 1992-01-31 JP JP4015673A patent/JP2968631B2/en not_active Expired - Lifetime
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103071683A (en) * | 2012-12-24 | 2013-05-01 | 李广阔 | Comprehensive adjustment rolling technology for double-frame S-shaped four-roll cold rolling mill |
CN103071683B (en) * | 2012-12-24 | 2014-11-05 | 李广阔 | Comprehensive adjustment rolling technology for double-frame S-shaped four-roll cold rolling mill |
Also Published As
Publication number | Publication date |
---|---|
JPH05208207A (en) | 1993-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1021752B1 (en) | Model-free adaptive process control | |
US7647284B2 (en) | Fixed-weight recurrent neural network controller with fixed long-term and adaptive short-term memory | |
EP0788626B1 (en) | A variable horizon predictor for controlling dead time dominant processes, multivariable interactive processes, and processes with time variant dynamics | |
CN111459051B (en) | Discrete terminal sliding mode model-free control method with disturbance observer | |
JP2968631B2 (en) | Hot rolling process control method | |
JP4364509B2 (en) | Control device for continuous rolling mill | |
JPH07210207A (en) | Adaptive controller | |
US20010034560A1 (en) | Control system | |
CN111624882A (en) | Zero and differential game processing method for supply chain system based on reverse-thrust design method | |
JP2000263110A (en) | Learning apparatus for rolling control model | |
JP2923000B2 (en) | Servo control device | |
JP3062606B2 (en) | Adaptive controller using neural network | |
CN112346342B (en) | Single-network self-adaptive evaluation design method of non-affine dynamic system | |
JPH05143108A (en) | Adaptive control method for process | |
JP3083172B2 (en) | Pre-compensator and pre-compensation method | |
Ho et al. | Multivariable internal model adaptive decoupling controller with neural network for nonlinear plants | |
JP3260538B2 (en) | Control device | |
JP2980421B2 (en) | Controller using neural network model | |
Liu et al. | Simplified adaptive backstepping control for uncertain nonlinear systems with unknown input saturation and its application | |
JPH09192716A (en) | Looper multi-variable controller | |
JPH0736505A (en) | Identifying/controlling method for controlled system | |
JPH08318302A (en) | Device for predicting abnormal behavior of looper | |
JPH01315801A (en) | Plant control device | |
JPH05208208A (en) | Method for controlling screw down | |
Mancini et al. | Neural variable structure controller for telescope pointing and tracking improvement |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 19990803 |