设备控制装置、轧钢机控制装置及其控制方法、记录介质制造方法及图纸

本发明专利技术提供设备控制装置、轧钢机控制装置及其控制方法、记录介质。设备控制装置对控制对象设备识别其实际数据的组合的模式来实施控制，具备控制方法学习装置和控制执行装置，控制执行装置具备控制规则执行部、控制输出判定部和控制输出抑制部，控制方法学习装置具备控制结果良否判定部、学习数据创建部、控制规则遗忘部和控制规则学习部，控制方法学习装置通过学习，根据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用作控制规则执行部的控制对象设备的实际数据和控制操作的决定的组合，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时使用修正后的学习数据来实施控制。

Equipment control device, rolling mill control device, control method and recording medium

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)的哪个最接近，控制运算机构53中，选择1至8的控制方法的任一来执行。然而，在专利文献1的方法中，为了控制规则的验证，有在轧制过程中要求操作人员进行手动操作，进行控制规则的验证等的情况，有示出与预期相反的形状变化的情况。即，产生如上述决定的控制规则不符合现实的情况。其原因在于，机械特性的研究不足、轧钢机的操作状态、机械条件的变化，然而逐一验证预先设定的控制规则是否是最好的规则需要考虑的条件较多而困难。因此，大多情况下一旦设定控制规则，则只要没有不良就维持。由于操作条件的变化等，控制规则不符合现实，则因控制规则是固定的，所以难以得到一定程度以上的控制精度。另外，一旦形状控制开始动作，则操作人员不进行手动操作(对于控制而言成为噪声)，所以也难以通过操作人员的手动介入找出新的控制规则。并且，在对新的规格的轧制材料进行轧制的情况下也难以对应其材料地设定控制规则。如以上，在以往的形状控制中，使用预先设定的控制规则来进行控制，所以存在难以修正控制规则的问题。为了解决该问题，如专利文献2所示那样，一边进行形状控制一边使控制规则随机变化，学习形状变好的规则，由此实现：1)在轧制过程中一边实施形状控制一边找出新的控制规则。2)新的控制规则有不是能预先预料到的，而是完全没能预测的控制规则成为最佳的情况，所以随机地使控制操作端动作，观察针对此的控制结果来找出。上述以往技术，预先将代表性的形状设定为基准形状模式，基于表示与针对基准波形模式的控制操作端操作量的关系的控制规则来进行控制。控制规则的学习也与针对基准波形模式的控制操作端操作量有关，维持使用预先决定的代表性的基准形状模式。因此，存在成为只对特定的形状模式反应的形状控制的问题。基准形状模式是人预先基于与成为对象的轧钢机有关的知识、实际形状和积蓄手动介入操作的经验来决定的，难以覆盖成为对象的轧钢机以及被轧制材料中产生的全部的形状。因此，也有在产生了与基准形状模式不同的形状的情况下，不能实施基于形状控制的控制，不能抑制形状偏差而残留，或者误识别为相似的基准形状模式，进行错误的控制操作，反而使形状恶化的情况。因此在以往的形状控制中，使用预先设定的基准形状模式和与此对应的控制规则来进行控制规则的学习，实施控制，所以有控制精度的提高有限的问题。专利文献1：日本专利2804161号专利文献2：日本专利4003733号
技术实现思路
为了解决该问题，例如提供一种针对控制对象设备，识别控制对象设备的实际数据的组合的模式，来实施控制的设备控制装置。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、和根据学习的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。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；控制输出判定部在对控制对象设备输出控制输出的情况下，判断为控制对象设备的实际数据恶化的情况下，阻止向控制对象设备输出控制输出的控制输出抑制部。控制方法学习装置具备：在控制执行装置将控制输出实际输出到控制对象设备的情况下，在控制效果显现到实际数据为止的延时后，判定实际数据与该控制前比较为良还是差的控制结果的良否的控制结果良否判定部；使用控制结果良否判定部中的控制结果的良否和控制输出得到监督数据的学习数据创建部；将上述实际数据和上述监督数据作为学习数据来学习的控制规则学习部，控制方法学习装置通过学习，根据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。这里，控制规则学习部使用由多个实际数据和监督数据构成的学习数据来学习，然而作为学习数据也包含过去的学习数据来学习，所以如果残留成为控制结果不良的原因的学习数据，则产生竞争而学习不充分。另外，控制规则的学习在学习数据累积一定程度后实施，或者操作停止过程中等实施，所以有再次输出至此期间错误的控制输出的可能性。因此，存在修正控制规则来得到最佳的为止需要时间的问题。因此，在本专利技术中，目的在于，提供能够以最短时间实现自动修正控制中形状控制等中使用的形状模式和操作方法的控制规则而成为最佳的规则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以及记录介质。本专利技术提供的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。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。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；判定控制规则执行部输出的控制输出的可否，且对控制方法学习装置通知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实际数据恶化的情况下，阻止向上述控制对象设备输出控制输出的控制输出抑制部。控制方法学习装置具备：在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；使用控制结果良否判定部中的控制结果的良否和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；将实际数据和监督数据作为学习数据来学习的控制规则学习本文档来自技高网...

【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，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。...

【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