JP3266682B2 - Automatic control method and apparatus, thickness control method and apparatus - Google Patents

Description

【発明の詳細な説明】DETAILED DESCRIPTION OF THE INVENTION

【０００１】[0001]

【産業上の利用分野】本発明は、圧延機により被圧延材
を圧延するときの、被圧延材の板厚制御方法及び装置、
並びに自動制御方法及び装置に関するものである。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a method and an apparatus for controlling the thickness of a material to be rolled when rolling the material to be rolled by a rolling mill.
And an automatic control method and apparatus.

【０００２】[0002]

【従来の技術】被圧延材の圧延機による圧延において
は、圧延スケジュールに基づき、圧延ロール間隔、速度
配分、張力設定などを行うセットアップ系と、このセッ
トアップ系により決定された動作点の近傍において圧延
機の制御を行う圧延自動制御系とによって圧延制御が行
われる。このうち圧延自動制御系は、被圧延材の板幅方
向中央部の板厚を制御する自動板厚制御（ＡＧＣ）、被
圧延材に働く張力を制御する自動張力制御（ＡＴＲ）、
被圧延材の板幅を制御する自動板幅制御（ＡＷＣ）等に
分けられる。さらに上記の自動板厚制御には、圧延機出
側板厚検出値を用い、フィードバック的に圧延ロールの
圧下位置もしくは被圧延材の入出側張力を操作して圧延
機出側板厚を制御するモニタＡＧＣ、圧延機入側板厚検
出値から圧延ロール直下での入側板厚偏差を推定し、圧
下位置もしくは入出側張力をフィードフォワード的に操
作し、圧延機出側板厚を制御するＦＦＡＧＣなどがあ
る。2. Description of the Related Art In rolling of a material to be rolled by a rolling mill, a setup system for setting a roll interval, a speed distribution, a tension setting, and the like based on a rolling schedule, and a rolling system near an operating point determined by the setup system. Rolling control is performed by a rolling automatic control system that controls the mill. Among them, the automatic rolling control system includes an automatic thickness control (AGC) for controlling a thickness of a material to be rolled at a central portion in a sheet width direction, an automatic tension control (ATR) for controlling a tension applied to a material to be rolled,
Automatic sheet width control (AWC) for controlling the sheet width of the material to be rolled is classified. Further, in the above automatic thickness control, a monitor AGC which controls the roll thickness at the exit side of the rolling mill by manipulating the rolling position of the rolling roll or the tension at the entrance and exit of the material to be rolled back by using the detected value of the thickness at the exit side of the rolling mill. There is an FFAGC that estimates a thickness deviation of the entrance side immediately below the rolling roll from the detected value of the thickness of the entrance side of the rolling mill, controls the rolling position or the tension on the entrance side in a feed-forward manner, and controls the thickness of the exit side of the rolling mill.

【０００３】このＦＦＡＧＣは、圧延機入側における板
厚偏差を、その偏差が圧延機ロール直下に達したとき、
圧下位置制御装置を操作して必要なだけのロールギャッ
プを変化させるか、または張力制御装置を操作して入出
側張力を変化させ、出側板厚を一定に保つ制御である。
このため、ＦＦＡＧＣを精度よく行うには、ロール直下
での正確な板厚情報が必要となるが、ロール直下での板
厚を直接知ることは困難である。そこで一般にこの情報
は、圧延機入側に設置した入側板厚計により得られた入
側での板厚情報と、ロール回転角度情報などから得られ
る板速情報とを用いて、推定されている。ところが、圧
下位置制御装置を操作してロールギャップを制御する場
合、圧下位置制御装置には圧下位置指令に対して実際の
圧下位置の遅れ時間が存在する。このため、たとえロー
ル直下での板厚偏差情報が正確に得られても、遅れ時間
分だけロールギャップの変化が遅れるから、ＦＦＡＧＣ
の精度が悪化する問題がある。このため、従来はこの遅
れ時間をオペレータが調整し、その一定時間だけ圧下位
置指令を予めさきに出力し、実圧下位置をロール直下で
の板厚偏差に一致させるようにしていた。またこのよう
な時間変化を示すデータ（時系列データ）間の位相ずれ
を検出する方法として、特開昭５８ー２１８３１８号お
よび特開昭６１ー２５９８１４号に示された従来技術が
ある。これらは、２つの時系列データ間の相関関数の値
を、時間ずらし量をパラメータとして計算し、もっとも
相関値の大きな時間ずらし量から両波形の位相差を求め
るものである。[0003] This FFAGC calculates a sheet thickness deviation on the rolling mill entry side when the deviation reaches just below the rolling mill roll.
This is a control in which the roll gap as required is changed by operating the rolling position control device, or the tension in the in-out side is changed by operating the tension control device to keep the out-side plate thickness constant.
For this reason, accurate FFAGC requires accurate thickness information immediately below the roll, but it is difficult to directly know the thickness directly below the roll. Therefore, in general, this information is estimated using sheet thickness information on the entry side obtained by an entry side thickness gauge installed on the entry side of the rolling mill, and sheet speed information obtained from roll rotation angle information and the like. . However, when the roll gap is controlled by operating the rolling position control device, the rolling position control device has a delay time of the actual rolling position with respect to the rolling position command. For this reason, even if the thickness deviation information immediately below the roll is accurately obtained, the change in the roll gap is delayed by the delay time.
There is a problem that the accuracy of the method deteriorates. For this reason, conventionally, the operator adjusts the delay time, outputs a rolling-down position command in advance for a certain period of time, and matches the actual rolling-down position with the sheet thickness deviation immediately below the roll. As a method for detecting a phase shift between data (time-series data) indicating such a time change, there is a conventional technique disclosed in Japanese Patent Application Laid-Open No. 58-218318 and Japanese Patent Application Laid-Open No. 61-259814. In these methods, the value of a correlation function between two time series data is calculated using the amount of time shift as a parameter, and the phase difference between the two waveforms is obtained from the amount of time shift having the largest correlation value.

【０００４】[0004]

【発明が解決しようとする課題】上記の遅れ時間は、被
圧延材の硬度や、圧下位置制御装置に用いられる油の温
度、被圧延材板厚変動周波数などにより刻々と変化し、
一定値ではない。従って、オペレータによる調整を行っ
ていたのでは、種々の圧延状態に対し適応して最適の制
御が行えないという問題があった。また、相関値を求め
る方法では、多くのサンプル点を用いた相関計算を行わ
ないと特徴が十分検出できないので、被圧延材などの時
間変動をフォローしきれない問題があり、また単純に波
形の振幅のみを捉えるだけなので時系列データのパター
ン全体の認識能力も低く、精度のよい遅れ時間の検出が
できなかった。ＦＦＡＧＣを張力制御装置を操作して行
う場合についても同様の問題があった。The above-mentioned delay time changes every moment depending on the hardness of the material to be rolled, the temperature of the oil used in the rolling position control device, the frequency of the thickness variation of the material to be rolled, and the like.
Not a constant value. Therefore, if the adjustment is performed by the operator, there is a problem that optimal control cannot be performed adaptively to various rolling states. In addition, in the method of obtaining the correlation value, the feature cannot be sufficiently detected without performing the correlation calculation using many sample points, so that there is a problem that it is impossible to follow the time variation of the material to be rolled, etc. Since only the amplitude is captured, the ability to recognize the entire pattern of the time-series data is low, and accurate delay time cannot be detected. There is a similar problem when FFAGC is performed by operating a tension control device.

【０００５】本発明の目的は、種々の圧延状態において
も常に最適な圧下位置指令を出力してＦＦＡＧＣの精度
を良好に保つようにした板厚制御方法及び装置、並びに
自動制御方法及び装置を提供するにある。An object of the present invention is to provide a thickness control method and apparatus, and an automatic control method and apparatus, which always output an optimum rolling position command even in various rolling states so as to maintain good FFAGC accuracy. To be.

【０００６】[0006]

【課題を解決するための手段】本発明は、制御対象の状
態量を検出し、その検出状態量に応じて制御対象に作用
する作用手段に制御信号を与えて上記制御対象の状態量
がその目標値となるように制御する自動制御方法に於
て、ニューラルネットワークと演算手段とを設け、上記
作用手段への入力となる制御信号の時間変化を示す時系
列データを上記ニューラルネットワークへ入力すること
によって、この時系列データを示す特徴出力値が得られ
るような学習を行わせ、この学習結果を持つニューラル
ネットワークに、上記制御信号入力に対して得た作用手
段出力の時間変化を示す時系列データである、サンプル
開始点を更新させながら各サンプル開始点から複数のサ
ンプル周期にわたって得た時系列データを、入力させて
時系列データ毎に特徴出力値を得、これらの得られた複
数の特徴出力値に基づき、上記制御信号と作用手段出力
とのずれ時間を上記演算手段で求め、上記作用手段から
の作用出力のタイミングを、上記ずれ時間だけ先行させ
ることを特徴とする自動制御方法を開示する。更に本発
明は、圧延機入側の被圧延材の板厚を検出し、その検出
値に応じて被圧延材に作用する操作機に制御信号を与え
て上記板厚がその目標値となるように制御する板厚制御
方法に於て、ニューラルネットワークと演算手段を設
け、上記操作機への入力となる制御信号を上記ニューラ
ルネットワークへ入力することによって、この時系列デ
ータを示す特徴出力値が得られるような学習を行わせ、
この学習結果を持つニューラルネットワークに、上記制
御信号入力に対して得た操作機出力の時間変化を示す時
系列データである、サンプル開始点を更新させながら各
サンプル開始点から複数のサンプル周期にわたって得た
時系列データを、入力させて時系列データ毎に特徴出力
値を得、これらの得られた複数の特徴出力値に基づき、
上記制御信号と操作機出力とのずれ時間を上記演算手段
で求め、上記操作機からの操作出力のタイミングを、上
記ずれ時間だけ先行させることを特徴とする板厚制御方
法を開示する。更に本発明は、制御対象の状態量を検出
し、その検出状態量に応じて制御対象に作用する作用手
段に制御信号を与えて上記制御対象の状態量がその目標
値となるように制御する自動制御装置に於て、上記作用
手段への制御信号及び作用手段からの出力信号を入力す
ると共に、制御信号の時間変化を示す時系列データに基
づいてこの時系列データを示す特徴出力値が得られるよ
うなニューラル学習を行い、この制御信号に基づく作用
手段出力信号の時間変化を示す時系列データである、サ
ンプル開始点を更新させながら各サンプル開始点から複
数のサンプル周期にわたって得た時系列データが入力さ
れて、上記ニューラル学習後の、時系列データ毎に特徴
出力値を得るニューラルネットワークと、この学習ニュ
ーラルネットワークの複数の特徴出力値から上記制御信
号と作用手段出力とのずれ時間を求める演算手段と、上
記作用手段からの作用出力のタイミングを、上記検出し
たずれ時間だけ先行させる手段と、より成る自動制御装
置を開示する。更に本発明は、圧延機入側の被圧延材の
板厚を検出し、その検出状態量に応じて被圧延材に作用
する操作機に制御信号を与えて上記板厚がその目標値と
なるように制御する板厚制御装置に於て、上記操作機入
の制御信号及び操作機からの出力信号を入力すると共
に、制御信号の時間変化を示す時系列データに基づいて
この時系列データを示す特徴出力値が得られるようなニ
ューラル学習を行い、この制御信号に基づく操作機出力
信号の時間変化を示す時系列データである、サンプル開
始点を更新させながら各サンプル開始点から複数のサン
プル周期にわたって得た時系列データが入力されて、上
記ニューラル学習後の、時系列データ毎に特徴出力値を
得るニューラルネットワークと、このニューラルネット
ワークの複数ニューラル特徴出力値から上記制御信号と
操作機出力とのずれ時間を求める演算手段と、上記検出
したずれ時間だけ操作機出力のタイミングを先行させる
手段と、より成る板厚制御装置を開示する。According to the present invention, a state quantity of a controlled object is detected, and a control signal is given to an operation means acting on the controlled object in accordance with the detected state quantity, and the state quantity of the controlled object is detected. In an automatic control method for controlling to a target value, a neural network and an arithmetic unit are provided, and time series data indicating a time change of a control signal to be input to the operation unit is input to the neural network. Learning to obtain a characteristic output value indicating the time-series data. The neural network having the learning result is provided with time-series data indicating the time change of the output of the action means obtained in response to the control signal input. While updating the sample start point, time-series data obtained over a plurality of sample periods from each sample start point is input and specified for each time-series data. An output value is obtained, a shift time between the control signal and the action means output is obtained by the arithmetic means based on the obtained plurality of characteristic output values, and a timing of the action output from the action means is determined by the shift time. An automatic control method characterized in that the automatic control method is performed only in advance. Further, the present invention detects the thickness of the material to be rolled on the entry side of the rolling mill, and provides a control signal to an operating device acting on the material to be rolled according to the detected value so that the thickness becomes the target value. In the thickness control method, a neural network and an arithmetic means are provided, and a control signal to be input to the operating device is input to the neural network, so that a characteristic output value indicating the time-series data is obtained. Let them learn
A neural network having this learning result is obtained over a plurality of sample periods from each sample start point while updating the sample start point, which is time-series data indicating the time change of the operating device output obtained in response to the control signal input. The time series data obtained is input, a feature output value is obtained for each time series data, and based on the obtained plurality of feature output values,
A plate thickness control method is disclosed, wherein a shift time between the control signal and the output of the operating device is obtained by the arithmetic means, and the timing of the operation output from the operating device is advanced by the shift time. Further, according to the present invention, the state quantity of the controlled object is detected, and a control signal is given to the action means acting on the controlled object in accordance with the detected state quantity so as to control the state quantity of the controlled object to the target value. In the automatic control device, a control signal to the action means and an output signal from the action means are input, and a characteristic output value indicating the time series data is obtained based on the time series data indicating a time change of the control signal. Is time series data showing the time change of the output signal of the action means based on this control signal. Time series data obtained over a plurality of sample periods from each sample start point while updating the sample start point. Is input to obtain a feature output value for each time series data after the neural learning, and a plurality of features of the learning neural network. Disclosed is an automatic control apparatus including: an arithmetic unit that calculates a time lag between the control signal and the output of the operation unit from a force value; and a unit that precedes the timing of the operation output from the operation unit by the detected time lag. . Furthermore, the present invention detects the sheet thickness of the material to be rolled on the rolling mill entry side, and gives a control signal to an operating machine acting on the material to be rolled according to the detected state quantity, so that the above-mentioned sheet thickness becomes its target value. In the sheet thickness control device controlled as described above, the control signal for inputting the operation device and the output signal from the operation device are input, and the time series data is displayed based on the time series data indicating the time change of the control signal. Performs neural learning to obtain a characteristic output value, and is a time-series data indicating a time change of the operating device output signal based on this control signal, over a plurality of sample periods from each sample start point while updating the sample start point. A neural network to which the obtained time-series data is input to obtain a feature output value for each time-series data after the neural learning, and a plurality of neural feature output values of the neural network Discloses a calculating means for calculating a time shift between Luo the control signal and the operating device output, and means for leading the timing of only the operating device output delay times mentioned above detects a gauge control apparatus comprising more.

【０００７】[0007]

【作用】ニューラルネットワークを用いることにより、
作用手段や操作機の入出力間の位相ずれが作用手段や操
作機の特性や、制御対象の特性までを含め求められるの
で、作用手段や操作機への制御信号出力に必要なずれ時
間が自動検出でき、ＦＦＡＧＣ等の出力タイミングの最
適化が行える。[Function] By using a neural network,
Since the phase shift between the input and output of the operating means and the operating device can be determined including the characteristics of the operating means and the operating device and the characteristics of the control target, the shift time required for outputting the control signal to the operating means and the operating device is automatically determined. Detection can be performed, and output timing such as FFAGC can be optimized.

【０００８】[0008]

【実施例】以下、本発明の一実施例として、圧下位置制
御装置を操作してＦＦＡＧＣを行う場合について述べ
る。図１は本発明の板厚制御方法を適用した装置の一実
施例を示すもので、圧延機は圧延ロール１と、入側リー
ル２、出側リール３より成り、圧延機入側の被圧延材の
板厚偏差を検出する入側板厚計４、圧延機出側の被圧延
材の板厚偏差を検出する出側板厚計５、圧延ロールの回
転速度を検出する回転速度計６の各検出装置が設けられ
ている。またいわゆる作用手段として位置づけられる圧
下位置制御装置７は、圧延ロール１の上下のロール間隔
を制御する。モニタＡＧＣ演算部８は出側板厚計５から
の出側板厚偏差情報を用い、圧延ロール１の圧下位置を
操作して出側板厚をフィードバック的に制御し、ＦＦＡ
ＧＣ演算部９は、入側板厚計４により得られる入側板厚
偏差情報と回転速度計６から得られる圧延ロール１の回
転速度情報を用い、圧延ロール１の圧下位置を操作して
出側板厚をフィードフォワード的に制御する。さらにパ
ターン認識部１０は、モニタＡＧＣ演算部８とＦＦＡＧ
Ｃ演算部９のそれぞれの制御出力の合成である圧下位置
指令△Ｓrefと、この△Ｓrefに対する圧下位置制御装置
７の応答である実圧下位置△Ｓfbとから、両者を時系列
パターンとして認識し、特徴量を抽出し、位相ずれ時間
演算部１１は、パターン認識部１０の出力から圧下位置
指令△Ｓrefと圧下位置フィードバック△Ｓfbの位相差
を演算し、ＦＦＡＧＣ演算部９に応答遅れ時間ｔd を与
える。このパターン認識部１０と位相ずれ時間演算部１
１が本発明の特徴とする部分で、これらを合わせて自動
位相調整部１２とする。DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, as one embodiment of the present invention, a case in which FFAGC is performed by operating a rolling position control device will be described. FIG. 1 shows an embodiment of an apparatus to which the sheet thickness control method of the present invention is applied. A rolling mill comprises a rolling roll 1, an input reel 2 and an output reel 3, and the rolling mill on the input side of the rolling mill. Detection of an incoming thickness gauge 4 for detecting the thickness deviation of the material, an output thickness gauge 5 for detecting the thickness deviation of the material to be rolled on the exit side of the rolling mill, and a tachometer 6 for detecting the rotation speed of the rolling roll. A device is provided. A rolling position control device 7 positioned as a so-called action means controls the interval between the upper and lower rolls of the rolling roll 1. The monitor AGC operation unit 8 uses the output thickness deviation information from the output thickness gauge 5 to operate the rolling position of the rolling roll 1 to control the output thickness in a feedback manner.
The GC calculation unit 9 uses the entry side thickness deviation information obtained by the entry side thickness gauge 4 and the rotation speed information of the rolling roll 1 obtained from the tachometer 6, and operates the rolling position of the rolling roll 1 to control the delivery side thickness. Is controlled in a feed-forward manner. Further, the pattern recognition unit 10 includes the monitor AGC operation unit 8 and the FFAG
From the rolling position command △ Sref, which is a combination of the respective control outputs of the C operation unit 9, and the actual rolling position △ Sfb, which is the response of the rolling position control device 7 to this △ Sref, both are recognized as a time series pattern, The feature amount is extracted, and the phase shift time calculating unit 11 calculates the phase difference between the rolling-down position command △ Sref and the rolling-down position feedback か ら Sfb from the output of the pattern recognition unit 10, and gives a response delay time td to the FFAGC calculating unit 9. . The pattern recognition unit 10 and the phase shift time calculation unit 1
Reference numeral 1 denotes a feature of the present invention, and these are combined to form an automatic phase adjuster 12.

【０００９】ここで、自動位相調整部１２を持たない場
合の、従来のＦＦＡＧＣの動作とその問題点を、図１に
即して再度述べる。ＦＦＡＧＣでは、前述したように圧
延ロール１直下での入側板厚情報を、入側板厚計４によ
り得られた入側板厚情報とロール回転速度情報とから推
定し、これに入側板厚の変化に対するロールギャップの
変化を示す次式の影響係数ＣHere, the operation of the conventional FFAGC without the automatic phase adjuster 12 and its problems will be described again with reference to FIG. In the FFAGC, as described above, the entry side thickness information immediately below the rolling roll 1 is estimated from the entry side thickness information obtained by the entry side thickness gauge 4 and the roll rotation speed information. Influence coefficient C of the following equation indicating the change in roll gap

【数１】 をかけることでロールギャップ操作量を得ている。そし
てこの操作量を圧下位置制御装置７に与えるタイミング
を、圧下位置指令△Ｓrefに対する実圧下位置△Ｓfbの
遅れ時間ｔd だけ早めに出力することで、実圧下位置を
ロール直下での板厚偏差に合致させるようにしている。
ところが、圧下位置指令△Ｓrefに対する実圧下位置△
Ｓfbの遅れ時間ｔd は、圧下位置制御装置７と圧延現象
の応答時間に相当し、この応答時間は入側板厚変動の周
波数や、被圧延材の硬度により変化する。しかも入側板
厚変動には複数の周波数成分が重畳していること、また
被圧延材には硬度むらが存在することにより、遅れ時間
ｔd は一定ではなく、圧延状態の変化により刻々と変動
する。このため、従来のオペレータによる調整では十分
な精度が得られなかった。(Equation 1) To obtain the roll gap operation amount. By outputting this operation amount to the rolling-down position control device 7 earlier by the delay time td of the actual rolling-down position に 対 す る Sfb with respect to the rolling-down position command △ Sref, the actual rolling-down position is converted into a thickness deviation immediately below the roll. I try to match.
However, the reduction position command {the actual reduction position relative to Sref}
The delay time td of Sfb corresponds to the response time of the rolling position control device 7 and the rolling phenomenon, and the response time varies depending on the frequency of the fluctuation in the thickness of the incoming side plate and the hardness of the material to be rolled. Moreover, the delay time td is not constant, but varies every moment due to the change in the rolling state, because a plurality of frequency components are superimposed on the entry-side sheet thickness fluctuation, and the material to be rolled has uneven hardness. For this reason, sufficient accuracy could not be obtained by the conventional adjustment by the operator.

【００１０】そこで本実施例では、熟練したオペレータ
の調整動作を以下のように自動化することで、ＦＦＡＧ
Ｃの精度向上を図るものである。まず、図２は圧下位置
指令△Ｓrefと実圧下位置△Ｓfbの時間変化の例を示す
もので、熟練したオペレータはこのような波形パターン
の特徴点や、零クロス点などを比較することで遅れ時間
ｔd の算出を行っていた。これはオペレータが、図２上
の実圧下位置△Ｓfbが、圧下位置指令△Ｓrefに対する
圧下系の応答であることを認識する、つまり△Ｓref上
の特徴点ａやｂ等が、それぞれ△Ｓfb上の特徴点Ａ、Ｂ
に対応していることを認識することで可能となる。即ち
図３のフローチャートで示したように機械的処理形式で
表現すると、時系列データ入力部２０で認識すべき時系
列基準データｆ（ｔ）、対象データｇ（ｔ）をサンプリ
ングして次のパターン認識部２１に於て認識可能な形に
整える。ついでパターン認識部２１では、時系列データ
入力部２０によって得られたデータの時間的変化をパタ
ーンとして捉え、データの時間的変化の特徴を抽出す
る。比較部２２では、得られた特徴点を比較し、２つの
波形の一致部を見つけ、遅れ時間ｔd を算出する。Therefore, in the present embodiment, the adjustment operation of a skilled operator is automated as follows, so that the FFAG
The purpose is to improve the accuracy of C. First, FIG. 2 shows an example of a time change between the rolling-down position command △ Sref and the actual rolling-down position 、 Sfb. A skilled operator compares the characteristic points of such a waveform pattern, the zero cross point, and the like to delay. The time td was calculated. This is because the operator recognizes that the actual rolling down position △ Sfb in FIG. 2 is a response of the rolling down system to the rolling down position command △ Sref, that is, the characteristic points a and b on △ Sref Feature points A and B
It becomes possible by recognizing that it corresponds to. That is, when expressed in a mechanical processing format as shown in the flowchart of FIG. 3, the time-series reference data f (t) to be recognized by the time-series data input unit 20 and the target data g (t) are sampled to obtain the next pattern. The recognizing unit 21 prepares a recognizable form. Next, the pattern recognition unit 21 captures a temporal change of the data obtained by the time-series data input unit 20 as a pattern, and extracts a characteristic of the temporal change of the data. The comparison unit 22 compares the obtained feature points, finds a coincidence portion between the two waveforms, and calculates a delay time td.

【００１１】このような遅れ時間ｔd の算出方法を実現
するために、本実施例では図１のパターン認識部１０
（図３のパターン認識部２１に相当）にニューラルネッ
トワークを用いる。ニューラルネットワークを用いる理
由は、ニューラルネットワークがパターン認識能力に優
れており、また図２で示した波形のように、雑音や波形
変形のあるデータに対しても正しい認識を行えるからで
ある。また、パターン認識を行う方法には、ニューラル
ネットワークの他に相関関数を用いる方法があるが、相
関関数はノイズなどの影響をキャンセルするには、問題
点で述べたように信号の何周期にもわたるデータが必要
になる。また、振幅のみを比較している為、限られた長
さでのデータでは、正しい認識がされない場合がある。
ところが今の場合は、板厚変動は〜２Ｈｚ程度であるこ
とと、２sec 程度の短い時間のデータを用いて遅れ時間
ｔd を求める必要があるので、相関関数の利用は適当で
なく、サンプル点内に数カ所の特徴があればパターンの
分類が可能になるニューラルネットワークが、本発明の
目的に適している。In order to realize such a method of calculating the delay time td, in this embodiment, the pattern recognition unit 10 shown in FIG.
A neural network is used (corresponding to the pattern recognition unit 21 in FIG. 3). The reason for using a neural network is that the neural network has excellent pattern recognition ability and can correctly recognize data having noise or waveform deformation as in the waveform shown in FIG. As a method of performing pattern recognition, there is a method of using a correlation function in addition to the neural network.However, in order to cancel the influence of noise or the like, the correlation function may be applied to any number of periods of the signal as described in the problem. You need data that spans. Further, since only the amplitude is compared, correct recognition may not be performed with data having a limited length.
However, in this case, the thickness variation is about 2 Hz and the delay time td needs to be obtained using data of a short time of about 2 sec. A neural network that can classify patterns if it has several features is suitable for the purpose of the present invention.

【００１２】図４は本実施例で用いるニューラルネット
ワークの構成を示したもので、入力層４０、中間層４
１、出力層４２をもつ階層型のニューラルネットワーク
である。入力層４０及び中間層４１のユニット数は、入
力時系列データの周波数やサンプリング周期により変化
する必要があり、ここでは入力層ユニット総数をｎ、中
間層ユニット総数をｍとした。出力層のユニット数は１
で固定である。また説明の便宜上、入力層のユニットを
上から順にIu1,Iu2,・・・Iui,・・・とかく。FIG. 4 shows the configuration of a neural network used in this embodiment.
1. A hierarchical neural network having an output layer 42. The number of units in the input layer 40 and the intermediate layer 41 needs to change according to the frequency and sampling cycle of the input time-series data. Here, the total number of input layer units is n and the total number of intermediate layer units is m. The number of units in the output layer is 1
Is fixed. For convenience of description, the units of the input layer are referred to as Iu1, Iu2,... Iui,.

【００１３】図５は、図４で述べたニューラルネットワ
ークに入力する時系列データのサンプリング点について
示したものである。認識基準データｆ（ｔ）及び認識対
象データｇ（ｔ）は、それぞれ圧下位置指令△Ｓrefと
実圧下位置△Ｓfbを示す時系列データであり、学習及び
認識は、ｆ（ｔ）の任意のサンプリングスタート時点tt
およびｇ（ｔ）のサンプリングスタート時点tsから、そ
れぞれ△ｔのサンプリング周期でサンプリングしたｎ個
のデータにより行われる。FIG. 5 shows sampling points of time-series data input to the neural network shown in FIG. The recognition reference data f (t) and the recognition target data g (t) are time-series data indicating the rolling-down position command △ Sref and the actual rolling-down position △ Sfb, respectively, and learning and recognition are performed by arbitrary sampling of f (t). Start time tt
, And from the sampling start time point ts of g (t), n data are sampled at a sampling cycle of Δt.

【００１４】図６は遅れ時間ｔd の算出方法を示すフロ
ーチャートである。ステップ６０１では、圧下位置指令
△Ｓref、即ち時系列データｆ（ｔ）のサンプリング点t
tから、△ｔのサンプリング周期でサンプリングしたｎ
個のデータを、図４で示したニューラルネットワークの
入力層４０のユニットIu1,Iu2 ・・・へ、サンプリング
の早い順に入力し、この時系列パターンをニューラルネ
ットワークに学習させて１つのユニット数である出力層
４２から学習結果を示す特徴出力値を得るように、ニュ
ーラルネットワークの形成（系路選択、荷重決定）を行
う。特徴出力値とは、時系列データｆ（ｔ）を最も表現
した数値であり、学習結果でもある。このようにニュー
ラルネットワークの学習を行わせることで、出力の中の
開始点の異なる時系列データｇ（ｔ）をこのニューラル
ネットワークに入力させたときに、各ｇ（ｔ）の特徴出
力値である、図７に示す類似度Ｒ（ｔ）が出力層４２か
ら得られることになる。ステップ６０２では、ステップ
６０１の学習を終わったニューラルネットワークに、サ
ンプリング点tsから、△ｔのサンプリング周期でサンプ
リングしたｇ（ｔ）のｎ点のデータを入力し、この入力
パターンに対するニューラルネットワークの出力を計算
し、結果をＲ（ts）とする。これは圧下位置指令△Ｓre
fと入力された実圧下位置△Ｓfbの時系列データとがど
の程度類似しているかを示す類似度である。次のステッ
プ６０３では、予め定めた回数ｋの認識処理が終わった
かを調べ、まだであればステップ６０４でサンプリング
開始点をｔs＋△ｔとしてステップ６０２を繰り返し、
この結果を類似度Ｒ（ｔs＋△ｔ）とする。以下同様に
して、サンプリング開始点を△ｔづつ移してニューラル
ネットワーク処理を行い、所定の回数ｋが終わるとステ
ップ６０５へ移る。ステップ６０５では、ステップ６０
２〜６０４により得られたニューラルネットワークの出
力Ｒ（ｔs），・・・Ｒ（ｔs＋ｋ−１）を重み平均の係
数として次式により遅れ時間ｔdを算出する。この遅れ
時間ｆdの算出式を数２に示す。FIG. 6 is a flowchart showing a method for calculating the delay time td. In step 601, the rolling position command △ Sref, that is, the sampling point t of the time series data f (t)
From t, n sampled at the sampling period of Δt
Are input to the units Iu1, Iu2,... Of the input layer 40 of the neural network shown in FIG. 4 in the order of sampling, and the time series pattern is learned by the neural network to obtain one unit. A neural network is formed (system selection, load determination) so as to obtain a characteristic output value indicating a learning result from the output layer 42. The feature output value is a numerical value that best represents the time-series data f (t), and is also a learning result. By performing the learning of the neural network in this way, when the time series data g (t) having different starting points in the output is input to the neural network, it is the characteristic output value of each g (t). , The similarity R (t) shown in FIG. In step 602, the data of the n points of g (t) sampled at the sampling period of Δt from the sampling point ts is input to the neural network having completed the learning of step 601. Calculate and let the result be R (ts). This is the reduction position command △ Sre
This is a similarity indicating how similar f is to the time series data of the input actual rolling down position 下 Sfb. In the next step 603, it is determined whether or not the predetermined number k of recognition processes has been completed. If not, in step 604, the sampling start point is set to ts + Δt, and step 602 is repeated.
This result is defined as a similarity R (ts + Δt). Similarly, the neural network process is performed by shifting the sampling start point by Δt, and the process proceeds to step 605 when a predetermined number of times k is completed. In step 605, step 60
Using the outputs R (ts),..., R (ts + k−1) of the neural network obtained in steps 2 to 604 as weight average coefficients, the delay time td is calculated by the following equation. The equation for calculating the delay time fd is shown in Equation 2.

【数２】 (Equation 2)

【００１５】図７は上記の処理によって得られるニュー
ラルネットワークの出力Ｒ（ｔ）を模式的に示したもの
である。図のように、実圧下位置△Ｓfbのサンプリング
開始点ｔs を変えたものを順次、圧下位置指令△Ｓref
を学習したニューラルネットワークに入力すると、その
出力Ｒ（ｔ）はサンプリング開始点のずらし量△ｔに対
し単一頂点を持つ山状になる。ニューラルネットワーク
の出力が最も大きくなる実圧下位置△Ｓfbが圧下位置指
令△Ｓrefと最も一致すると考えられるから、遅れ時間
ｔd はこのときのずらし時間に相当し、図７の例ではｔ
2 ＝２△ｔである。但しずらし時間は△ｔ間隔で離散的
にとっているから、さらに遅れ時間を正確に求めるため
に、ここでは（数２）に示したように、ニューラルネッ
トワークの出力により重み平均をとっている。FIG. 7 schematically shows the output R (t) of the neural network obtained by the above processing. As shown in the figure, the actual rolling down position △ Sfb obtained by changing the sampling start point ts is sequentially reduced.
Is input to the learned neural network, the output R (t) becomes a mountain shape having a single vertex for the shift amount Δt of the sampling start point. Since it is considered that the actual rolling-down position △ Sfb at which the output of the neural network becomes the largest matches the rolling-down position command △ Sref, the delay time td corresponds to the shift time at this time, and in the example of FIG.
2 = 2 △ t. However, since the shift time is discretely set at intervals of Δt, in order to obtain the delay time more accurately, a weighted average is obtained by the output of the neural network as shown in (Equation 2).

【００１６】以上の方法により、図１の自動位相調整部
１２にて求められた遅れ時間ｔd は、ＦＦＡＧＣの出力
タイミング調整時間とし、ＦＦＡＧＣ演算部９へ入力さ
れる。ＦＦＡＧＣ演算部９においては、遅れ時間ｔdだ
け先行するような圧下位置制御装置７への圧下位置指令
△Ｓrefを作成し、予測圧下位置制御を行う。The delay time td obtained by the automatic phase adjuster 12 of FIG. 1 is input to the FFAGC calculator 9 as the output timing adjustment time of the FFAGC. The FFAGC calculation unit 9 creates a rolling-down position command △ Sref to the rolling-down position control device 7 that precedes by the delay time td, and performs a predicted rolling-down position control.

【００１７】本実施例によれば、ニューラルネットワー
クの処理は入力サンプリング数が少なくても入力時系列
データの特徴を抽出して比較できるので、圧延状態の変
化に対応できる時間内で遅れ時間ｔd を算出でき、この
遅れ時間だけ先行するように制御を行うことにより、予
測圧下位置制御の精度を大幅に改善できる。また、図８
に示したように、入力データにノイズや波形歪が加わっ
ている場合でも、ニューラルネットワーク出力は大きな
影響を受けないことが実験的に確かめられた。従って、
ノイズなどの存在下でも良好なＦＦＡＧＣ制御が行え
る。According to the present embodiment, the processing of the neural network can extract and compare the characteristics of the input time-series data even if the number of input samplings is small, so that the delay time td can be set within a time that can cope with a change in the rolling state. The accuracy of the predicted rolling-down position control can be greatly improved by performing the control so as to be able to calculate and advance the delay time. FIG.
It was experimentally confirmed that the neural network output was not significantly affected even when noise or waveform distortion was added to the input data as shown in FIG. Therefore,
Good FFAGC control can be performed even in the presence of noise or the like.

【００１８】なお、本実施例においては、予測圧下位置
制御の操作を圧下位置制御装置に対して行い、ロールギ
ャップを制御するものとしたが、これを張力に対して行
い、張力制御装置への指令及び張力フィードバックをニ
ューラルネットワークへの教師信号及び入力時系列デー
タとして用いても同様の効果がある。In the present embodiment, the operation of the predicted rolling position control is performed on the rolling position control device to control the roll gap. The same effect can be obtained by using the command and the tension feedback as the teacher signal and the input time-series data to the neural network.

【００１９】図９は本発明の別の実施例を示すもので、
サイジングプレスの揺動電動機の制御に用いる場合であ
る。サイジングプレスは、図９に示すように、圧延材を
金型１０１を用いてプレスし、板幅を制御する。この
際、被圧延材１０３は、圧延方向１０４に進んでいるた
め、プレス用の金形も圧延方向に駆動される。このた
め、揺動制御揺電動機１０２は、圧延速度と同一の一定
速度で制御される必要がある。ここでサイジング制御
は、プレス動作を繰り返し行うため、揺動電動機にかか
る負荷やモーメントはプレスのたびに変動する。このた
め揺動電動機の制御では、この外乱を制御し、電動機の
速度制御を行う必要がある。揺動電動機の制御として機
械系の物理現象式からトルク外乱を導き、外乱の補償量
としてフィードフォワード的に電動機の指令に加算する
フィードフォワード制御が提案されているが、このよう
な場合のフィードフォワード制御においても、先の板厚
のフィードフォワード制御と同様に、出力タイミングが
制御精度に大きく影響してくる。そのため、トルク指令
とトルクフィードバックからニューラルネットワークを
用いて電動機と機械系の遅れ時間を推定し、フィードフ
ォワード制御の制御タイミングを調整することで、制御
精度の向上を図ることが可能である。FIG. 9 shows another embodiment of the present invention.
This is a case where it is used for controlling a swing motor of a sizing press. In the sizing press, as shown in FIG. 9, a rolled material is pressed by using a mold 101 to control a sheet width. At this time, since the material to be rolled 103 advances in the rolling direction 104, the pressing die is also driven in the rolling direction. For this reason, the swing control swing motor 102 needs to be controlled at the same constant speed as the rolling speed. Here, in the sizing control, since the press operation is repeatedly performed, the load and the moment applied to the oscillating motor fluctuate every time the press is performed. Therefore, in controlling the oscillating motor, it is necessary to control this disturbance and control the speed of the motor. Feedforward control has been proposed in which a torque disturbance is derived from a physical phenomenon equation of a mechanical system as control of an oscillating motor, and is added to a motor command in a feedforward manner as a disturbance compensation amount. In the control as well, the output timing greatly affects the control accuracy, as in the feedforward control of the plate thickness. Therefore, it is possible to improve the control accuracy by estimating the delay time of the electric motor and the mechanical system from the torque command and the torque feedback by using a neural network and adjusting the control timing of the feedforward control.

【００２０】[0020]

【発明の効果】本発明によれば、熟練したオペレータに
頼ることなく、制御指令とその出力の位相差を検出で
き、最適な操作出力タイミングを決定できる。これによ
り、操作出力タイミングの自動調整が可能となり、制御
対象や操作機の状態によらず精度のよいフィードフォワ
ード制御が行える。According to the present invention, a phase difference between a control command and its output can be detected without relying on a skilled operator, and an optimum operation output timing can be determined. As a result, the operation output timing can be automatically adjusted, and accurate feedforward control can be performed regardless of the state of the control target or the operating device.

【図面の簡単な説明】[Brief description of the drawings]

【図１】本発明の板厚制御方法の一実施例を示すブロッ
ク図である。FIG. 1 is a block diagram showing an embodiment of a sheet thickness control method according to the present invention.

【図２】圧下位置指令△Ｓrefと実圧下位置△Ｓfbの時
間変化例を示す図である。FIG. 2 is a diagram showing an example of a time change of a rolling position command △ Sref and an actual rolling position △ Sfb.

【図３】人手による遅れ時間算出手順を示す図である。FIG. 3 is a diagram showing a manual delay time calculation procedure.

【図４】図１の実施例で用いるニューラルネットワーク
の構成を示す図である。FIG. 4 is a diagram showing a configuration of a neural network used in the embodiment of FIG.

【図５】時系列データのサンプリング点の説明図であ
る。FIG. 5 is an explanatory diagram of sampling points of time-series data.

【図６】ニューラルネットワークによる遅れ時間算出の
フローチャートである。FIG. 6 is a flowchart of delay time calculation by a neural network.

【図７】サンプリング点をずらしたときのニューラルネ
ットワーク出力の変化例を示す図である。FIG. 7 is a diagram showing an example of a change in neural network output when a sampling point is shifted.

【図８】ノイズや波形歪を持つデータの一例を示す図で
ある。FIG. 8 is a diagram illustrating an example of data having noise and waveform distortion.

【図９】本発明の方法をサイジングプレス揺動電動機制
御へ用いた実施例の説明図である。FIG. 9 is an explanatory diagram of an embodiment in which the method of the present invention is used for controlling a sizing press oscillating motor.

【符号の説明】[Explanation of symbols]

４ 入側板厚計 ６ 回転速度計 ７ 圧下位置制御装置 ９ ＦＦＡＧＣ演算部 １０ パターン認識部 １１ 位相ずれ時間演算部 4 Entry side thickness gauge 6 Tachometer 7 Roll-down position control device 9 FFAGC calculation unit 10 Pattern recognition unit 11 Phase shift time calculation unit

───────────────────────────────────────────────────── フロントページの続き (72)発明者 斉藤 裕 茨城県日立市大みか町五丁目２番１号 株式会社日立製作所大みか工場内 (72)発明者 中島 正明 茨城県日立市大みか町五丁目２番１号 株式会社日立製作所大みか工場内 (72)発明者 岡田 隆 茨城県日立市大みか町七丁目１番１号 株式会社日立製作所日立研究所内 (72)発明者 片山 恭紀 茨城県日立市大みか町五丁目２番１号 株式会社日立情報制御システム内 (56)参考文献 特開 平３−165914（ＪＰ，Ａ) 特開 昭64−34508（ＪＰ，Ａ) 特開 平３−269500（ＪＰ，Ａ) 特開 平４−57099（ＪＰ，Ａ) 服部 哲 他３名，ニューロ・ファジ ィ応用圧延機形状制御システム，日立評 論，日本，日立評論社，1991年 ８月25 日，第73巻 第８号，Ｐ．21−28 (58)調査した分野(Int.Cl.⁷，ＤＢ名) G05B 13/00 - 13/02 B21B 37/00 - 37/14 G06N 3/02 ──────────────────────────────────────────────────続 き Continuing on the front page (72) Inventor Hiroshi Saito 5-2-1 Omikacho, Hitachi City, Ibaraki Prefecture Inside the Omika Plant, Hitachi, Ltd. (72) Inventor Masaaki Nakajima 5-chome Omikacho, Hitachi City, Ibaraki Prefecture No. 1 Omika Plant, Hitachi, Ltd. (72) Takashi Okada 7-1-1, Omika-cho, Hitachi City, Ibaraki Prefecture Inside Hitachi Research Laboratory, Hitachi, Ltd. (72) Inventor Yukinori Katayama Five Omikamachi, Hitachi City, Ibaraki No. 2-1 Hitachi Information Control System Co., Ltd. (56) References JP-A-3-165914 (JP, A) JP-A-64-34508 (JP, A) JP-A-3-269500 (JP, A) Japanese Patent Application Laid-Open No. 4-57099 (JP, A) Satoshi Hattori and 3 others, Neuro-fuzzy applied rolling mill shape control system, Hitachi Review, Japan, Hitachi Review, 1991 August 25, Vol. 73 No. 8, P. 21-28 (58) Field surveyed (Int.Cl. ⁷ , DB name) G05B 13/00-13/02 B21B 37/00-37/14 G06N 3/02

Claims (8)

(57)【特許請求の範囲】(57) [Claims] 【請求項１】 制御対象の状態量を検出し、その検出状
態量に応じて制御対象に作用する作用手段に制御信号を
与えて上記制御対象の状態量がその目標値となるように
制御する自動制御方法に於て、ニューラルネットワーク
と演算手段とを設け、上記作用手段への入力となる制御
信号の時間変化を示す時系列データを上記ニューラルネ
ットワークへ入力することによって、この時系列データ
を示す特徴出力値が得られるような学習を行わせ、この
学習結果を持つニューラルネットワークに、上記制御信
号入力に対して得た作用手段出力の時間変化を示す時系
列データである、サンプル開始点を更新させながら各サ
ンプル開始点から複数のサンプル周期にわたって得た時
系列データを、入力させて時系列データ毎に特徴出力値
を得、これらの得られた複数の特徴出力値に基づき、上
記制御信号と作用手段出力とのずれ時間を上記演算手段
で求め、上記作用手段からの作用出力のタイミングを、
上記ずれ時間だけ先行させることを特徴とする自動制御
方法。1. A state quantity of a control target is detected, and a control signal is given to an action means acting on the control target in accordance with the detected state quantity so as to control the state quantity of the control target to have its target value. In the automatic control method, a neural network and an arithmetic means are provided, and time series data indicating a time change of a control signal to be input to the action means is input to the neural network to indicate the time series data. The learning is performed so that the characteristic output value is obtained, and the neural network having the learning result updates the sample start point, which is time-series data indicating the time change of the output of the action means obtained with respect to the control signal input. While inputting time-series data obtained over a plurality of sample periods from each sample start point to obtain a characteristic output value for each time-series data. Based on the obtained plurality of characteristic output values, the shift time between the control signal and the output of the operation means is obtained by the arithmetic means, and the timing of the operation output from the operation means is
An automatic control method characterized in that advance is made by the above-mentioned shift time. 【請求項２】 圧延機入側の被圧延材の板厚を検出し、
その検出値に応じて被圧延材に作用する操作機に制御信
号を与えて上記板厚がその目標値となるように制御する
板厚制御方法に於て、ニューラルネットワークと演算手
段を設け、上記操作機への入力となる制御信号を上記ニ
ューラルネットワークへ入力することによって、この時
系列データを示す特徴出力値が得られるような学習を行
わせ、この学習結果を持つニューラルネットワークに、
上記制御信号入力に対して得た操作機出力の時間変化を
示す時系列データである、サンプル開始点を更新させな
がら各サンプル開始点から複数のサンプル周期にわたっ
て得た時系列データを、入力させて時系列データ毎に特
徴出力値を得、これらの得られた複数の特徴出力値に基
づき、上記制御信号と操作機出力とのずれ時間を上記演
算手段で求め、上記操作機からの操作出力のタイミング
を、上記ずれ時間だけ先行させることを特徴とする板厚
制御方法。2. Detecting the thickness of the material to be rolled on the entry side of the rolling mill,
In a sheet thickness control method for giving a control signal to an operating device acting on a material to be rolled in accordance with the detected value and controlling the sheet thickness to be the target value, a neural network and a calculating means are provided, By inputting a control signal to be input to the operating device to the neural network, learning is performed so that a characteristic output value indicating this time-series data is obtained.
The time series data indicating the time change of the operating device output obtained with respect to the control signal input, the time series data obtained over a plurality of sample periods from each sample start point while updating the sample start point, A characteristic output value is obtained for each time-series data, and based on the obtained plurality of characteristic output values, a time lag between the control signal and the operating device output is obtained by the arithmetic means, and the operation output from the operating device is obtained. A sheet thickness control method, wherein the timing is advanced by the shift time. 【請求項３】 ニューラルネットワークに入力する前記
操作機出力の時間変化を示す時系列データは、サンプリ
ング操作機出力についての、開始時点が異なリ且つ各開
始時点から所定個のサンプリング時系列データのそれぞ
れであって、上記演算手段は、ニューラルネットワーク
の開始時点対応に得られる各特徴出力値の中から、制御
信号に対する特徴出力値に一致の程度の一番大きい時系
列データを選択し、該選択した時系列データの開始時点
から前記ずれ時間を求めることを特徴とする請求項２記
載の板厚制御方法。3. The time-series data indicating the time change of the output of the operating device input to the neural network is different from the starting time of the sampling operating device output and each of a predetermined number of sampling time-series data from each starting time. Wherein the calculating means selects, from among the characteristic output values obtained corresponding to the start time of the neural network, the time-series data having the greatest degree of coincidence with the characteristic output value for the control signal, and the selected The thickness control method according to claim 2, wherein the shift time is obtained from a start time of the time series data. 【請求項４】 上記演算手段は、特徴出力値の各々を重
み係数として各出力信号対応の時系列データの開始時点
の重み付き平均値を求め、該平均値から前記ずれ時間を
求めることを特徴とする請求項３記載の板厚制御方法。4. The calculation means calculates a weighted average value at the start time of the time series data corresponding to each output signal using each of the characteristic output values as a weighting factor, and calculates the shift time from the average value. The thickness control method according to claim 3, wherein 【請求項５】 前記操作機は圧延ローラの圧下量を操作
する圧下位置制御装置であることを特徴とする請求項２
ないし４の内の１つに記載の板厚制御方法。5. The rolling machine according to claim 2, wherein said operating device is a rolling position control device for controlling a rolling amount of a rolling roller.
5. The thickness control method according to any one of the first to fourth aspects. 【請求項６】 前記操作機は被圧延材の圧延方向の張力
を制御する張力制御装置であることを特徴とする請求項
２ないし４の内の１つに記載の板厚制御方法。6. The method according to claim 2, wherein the operating device is a tension control device that controls a tension in a rolling direction of the material to be rolled. 【請求項７】 制御対象の状態量を検出し、その検出状
態量に応じて制御対象に作用する作用手段に制御信号を
与えて上記制御対象の状態量がその目標値となるように
制御する自動制御装置に於て、上記作用手段への制御信
号及び作用手段からの出力信号を入力すると共に、制御
信号の時間変化を示す時系列データに基づいてこの時系
列データを示す特徴出力値が得られるようなニューラル
学習を行い、この制御信号に基づく作用手段出力信号の
時間変化を示す時系列データである、サンプル開始点を
更新させながら各サンプル開始点から複数のサンプル周
期にわたって得た時系列データが入力されて、上記ニュ
ーラル学習後の、時系列データ毎に特徴出力値を得るニ
ューラルネットワークと、この学習ニューラルネットワ
ークの複数の特徴出力値から上記制御信号と作用手段出
力とのずれ時間を求める演算手段と、上記作用手段から
の作用出力のタイミングを、上記検出したずれ時間だけ
先行させる手段と、より成る自動制御装置。7. A state quantity of a control target is detected, and a control signal is given to an action means acting on the control target in accordance with the detected state quantity, and control is performed such that the state quantity of the control target becomes its target value. In the automatic control device, a control signal to the action means and an output signal from the action means are input, and a characteristic output value indicating the time series data is obtained based on the time series data indicating a time change of the control signal. Is time series data showing the time change of the output signal of the action means based on this control signal. Time series data obtained over a plurality of sample periods from each sample start point while updating the sample start point. Is input to obtain a feature output value for each time-series data after the neural learning, and a plurality of feature outputs of the learning neural network. An automatic control device comprising: a calculating means for calculating a time lag between the control signal and the output of the action means from a force value; and means for leading the timing of the action output from the action means by the detected time delay. 【請求項８】 圧延機入側の被圧延材の板厚を検出し、
その検出状態量に応じて被圧延材に作用する操作機に制
御信号を与えて上記板厚がその目標値となるように制御
する板厚制御装置に於て、上記操作機入の制御信号及び
操作機からの出力信号を入力すると共に、制御信号の時
間変化を示す時系列データに基づいてこの時系列データ
を示す特徴出力値が得られるようなニューラル学習を行
い、この制御信号に基づく操作機出力信号の時間変化を
示す時系列データである、サンプル開始点を更新させな
がら各サンプル開始点から複数のサンプル周期にわたっ
て得た時系列データが入力されて、上記ニューラル学習
後の、時系列データ毎に特徴出力値を得るニューラルネ
ットワークと、このニューラルネットワークの複数ニュ
ーラル特徴出力値から上記制御信号と操作機出力とのず
れ時間を求める演算手段と、上記検出したずれ時間だけ
操作機出力のタイミングを先行させる手段と、より成る
板厚制御装置。8. Detecting the thickness of the material to be rolled on the rolling mill entry side,
In a sheet thickness control device for giving a control signal to an operating device acting on a material to be rolled in accordance with the detected state quantity and controlling the sheet thickness to be the target value, a control signal for inputting the operating device and An input signal from the operating device is input, and neural learning is performed to obtain a characteristic output value indicating the time-series data based on the time-series data indicating the time change of the control signal. Time-series data obtained over a plurality of sample periods from each sample start point while updating the sample start point, which is time-series data indicating a time change of the output signal, is input. A neural network for obtaining a characteristic output value, and an operation for obtaining a time lag between the control signal and the operating device output from a plurality of neural characteristic output values of the neural network. Means and a means for leading the timing of the operation machine output shifted time that the detected, more composed gauge control device.