The invention provides a device control device, a rolling mill control device, a control method and a recording medium. The device control device controls the combination mode of the actual data identified by the control object equipment. It has control method learning device and control execution device. The control execution device has control rule execution unit, control output judgment unit and control output suppression unit. The control method learning device has control result judgment unit, learning data creation unit and control rule forgetting unit. The control rule learning unit obtains independent combination of actual data and control operation according to the state of the control object equipment. The combination of actual data and control operation is used as the combination of actual data and control operation decision of the control object equipment of the control rule execution unit to control the status of the object equipment. When the state is similar to the combination of actual data and control operation before revision, the revised learning data is used to implement control.
【技术实现步骤摘要】
设备控制装置、轧钢机控制装置及其控制方法、记录介质
本专利技术涉及利用神经网络等的人工智能技术进行的实时的反馈控制中的、设备控制装置及其控制方法、轧钢机控制装置及其控制方法、记录介质。
技术介绍
以往,在各种设备中为了通过其控制得到所希望的控制结果而实施基于各种控制理论的设备控制。作为设备的一个例子,例如在轧钢机控制中,作为控制理论,以作为控制的一个例子而控制板的波纹状态的形状控制为对象,适用了模糊控制、神经模糊控制。模糊控制适用于利用了冷却剂的形状控制,另外,神经模糊控制适用于森吉米尔式轧钢机的形状控制。其中,如专利文献1所示,求出用形状检测器检测的实际形状模式(pattern)与目标形状模式之差、与预先设定的基准形状模式的类似比例,根据该类似比例,根据这也由对于预先设定的基准形状模式的控制操作端操作量来表现的控制规则,求出针对操作端的控制输出量来进行适用了神经模糊控制的形状控制。以下,作为以往技术,利用使用了神经模糊控制的森吉米尔式轧钢机的形状控制。图5表示专利文献1的图1记载的森吉米尔式轧钢机的形状控制。森吉米尔式轧钢机的形状控制中,使用神经模糊控制。该例中,模式识别机构51中,利用由形状检测器52检测出的实际形状来进行形状的模式识别,运算出实际形状与预先设定的基准形状模式的哪个最接近。控制运算机构53中,使用由针对图6所示的预先设定的形状模式的控制操作端操作量构成的控制规则来实施控制。如果对图6进一步具体描述,则模式识别机构51中,运算出由形状检测器52检测出的实际形状(形状実績)和目标形状(εref)的差分(Δε)与1至8的形状模式(ε)的哪个最 ...
【技术保护点】
1.一种设备控制装置,针对控制对象设备,识别控制对象设备的实际数据的组合的模式,来实施控制,其特征在于,该设备控制装置具备学习控制对象设备的实际数据和控制操作的组合的控制方法学习装置、和根据所学习的上述实际数据和控制操作的组合来实施控制对象设备的控制的控制执行装置,上述控制执行装置具备:按照控制对象设备的实际数据和控制操作的决定的组合来提供控制输出的控制规则执行部;判定该控制规则执行部输出的控制输出的可否,且对上述控制方法学习装置通知该实际数据和控制操作错误的控制输出判定部;判断为上述控制对象设备的上述实际数据恶化的情况下,阻止向上述控制对象设备输出上述控制输出的控制输出抑制部,上述控制方法学习装置具备:在上述控制执行装置向控制对象设备输出控制输出的情况下,在控制效果显现到实际数据为止的延时后,判定与控制前比较的实际数据的控制结果的良否的控制结果良否判定部;使用该控制结果良否判定部中的控制结果的良否和上述控制输出得到监督数据的学习数据创建部;删除与创建的学习数据的修正前的实际数据和控制操作的组合类似的学习数据的控制规则遗忘部;将上述实际数据和上述监督数据作为学习数据学习的控制规则学习部 ...
【技术特征摘要】
2017.08.01 JP 2017-1490111.一种设备控制装置,针对控制对象设备,识别控制对象设备的实际数据的组合的模式,来实施控制,其特征在于,该设备控制装置具备学习控制对象设备的实际数据和控制操作的组合的控制方法学习装置、和根据所学习的上述实际数据和控制操作的组合来实施控制对象设备的控制的控制执行装置,上述控制执行装置具备:按照控制对象设备的实际数据和控制操作的决定的组合来提供控制输出的控制规则执行部;判定该控制规则执行部输出的控制输出的可否,且对上述控制方法学习装置通知该实际数据和控制操作错误的控制输出判定部;判断为上述控制对象设备的上述实际数据恶化的情况下,阻止向上述控制对象设备输出上述控制输出的控制输出抑制部,上述控制方法学习装置具备:在上述控制执行装置向控制对象设备输出控制输出的情况下,在控制效果显现到实际数据为止的延时后,判定与控制前比较的实际数据的控制结果的良否的控制结果良否判定部;使用该控制结果良否判定部中的控制结果的良否和上述控制输出得到监督数据的学习数据创建部;删除与创建的学习数据的修正前的实际数据和控制操作的组合类似的学习数据的控制规则遗忘部;将上述实际数据和上述监督数据作为学习数据学习的控制规则学习部,上述控制方法学习装置通过学习,根据上述控制对象设备的状态对多个控制目标得到独立的实际数据和控制操作的组合,将得到的实际数据和控制操作的组合作为上述控制规则执行部中的控制对象设备的实际数据和控制操作的决定的组合来使用,在控制对象设备的状态与修正前的实际数据和控制操作的组合类似的情况下,使用修正后的学习数据来实施控制。2.根据权利要求1所述的设备控制装置,其特征在于,为了根据控制对象设备的实际数据的大小,替换实际数据和控制操作的组合,使用与实际数据的大小相关的信息和将实际数据标准化使得容易实施模式识别的信息,学习实际数据和控制操作的组合,进行控制。3.根据权利要求1或2所述的设备控制装置,其特征在于,上述控制规则执行部将控制对象设备的实际数据和控制操作的决定的组合作为第1神经网络保持,上述控制规则学习部将实际数据和控制操作的组合作为第2神经网络保持,将上述控制方法学习装置中的学习的结果而得到的第2神经网络作为上述控制规则执行部中的上述第1神经网络来使用。4.根据权利要求1或2所述的设备控制装置,其特征在于,上述控制执行装置具备对上述控制输出施加噪声的控制操作噪声产生部,上述制御方法学习装置将施加了噪声时的情况也包含在内地进行学习。5.根据权利要求1或2所述的设备控制装置,其特征在于,上述控制方法学习装置通过基于预先决定的多个规范的学习,得到实际数据和控制操作的多个组合,上述控制执行装置从实际数据和控制操作的多个组合中根据控制对象设备的运转状态选择一个实际数据和控制操作的多个组合并提供上述控制输出。6.根据权利要求3所述的设备控制装置,其特征在于,根据实际数据的大小,变更学习使用的实际数据和操作方法的组合的神经网络。7.根据权利要求1或2所述的设备控制装置,其特征在于,基于上述控制对象设备的状态,或者控制对象设备的操作员的经验,变更控制结果的良否判定基准,分别求出针对控制对象设备的实际数据和操作法的关系,分别储存到数据库,从而根据上述控制对象设备的状态或者控制对象设备的操作员的经验,以不同控制方法来控制。8.根据权利要求1或2所述的设备控制装置,其特征在于,在控制对象设备中实施控制前,使用制御对象设备的控制模型通过模拟创建上述实际数据和控制操作的组合,缩短控制对象设备中的上述实际数据和控...
【专利技术属性】
技术研发人员:服部哲,高田敬规,田内佑树,
申请(专利权)人:株式会社日立制作所,
类型:发明
国别省市:日本,JP
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。