工厂设备控制系统及其控制方法、计算机可读记录介质技术方案

本发明专利技术提供工厂设备控制系统及其控制方法、计算机可读记录介质。在工厂设备控制系统中，在减少干扰工厂设备的控制的风险的状态下，有效地修正控制规则。具备：控制方法学习单元，其学习对象工厂设备的实绩数据和控制操作的组合；控制执行单元，其根据控制方法学习部学习到的实绩数据和控制操作的组合，执行对象工厂设备的控制；以及状态变化规则学习单元，其学习对象工厂设备的实绩数据、控制操作和控制对象的状态变化的组合。根据对象工厂设备的实绩数据、控制操作和控制对象的状态变化的确定的组合来预测控制对象的状态变化，由此进行控制输出的良好与否判定，将良好与否判定结果、实绩数据和监督数据作为学习数据来学习控制规则。制规则。制规则。

【技术实现步骤摘要】
工厂设备控制系统及其控制方法、计算机可读记录介质


[0001]本专利技术涉及工厂设备控制系统、工厂设备控制方法以及计算机可读记录介质。

技术介绍

[0002]以往，在各种工厂设备中，为了通过该控制得到适当的控制结果，执行基于各种控制理论的工厂设备控制。
[0003]若对工厂设备的一例进行说明，则例如在轧机控制中，作为以控制板的波动状态的形状控制为对象的控制理论，应用模糊控制、神经模糊控制。模糊控制适用于利用冷却剂的形状控制，另外，神经模糊控制适用于森吉米尔轧机的形状控制。其中，应用了神经模糊控制的形状控制如专利文献1所示，求出由形状检测器检测出的实绩形状模式(pattern)和目标形状模式的差以及与预先设定的基准形状模式的类似比例。然后，根据所求出的类似比例，根据由针对预先设定的基准形状模式的控制操作端操作量表现的控制规则，求出针对操作端的控制输出量。
[0004]以下，对使用了神经模糊控制的森吉米尔轧机的形状控制的现有技术进行说明。
[0005]在森吉米尔轧机的形状控制中，使用神经模糊控制。如图31所示，森吉米尔轧机50在模式识别部51中，根据由形状检测器52检测出的实际形状进行形状的模式识别，运算实际形状与预先设定的基准形状模式的哪个最接近。由形状检测器52检测出的实际形状的数据在形状检测预处理部54中进行模式识别用的预处理。
[0006]然后，在控制运算部53中，使用由针对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执行控制。
[0007]在此，如图32所示，模式识别部51运算由形状检测器52检测出的实绩的形状模式(ε)与目标形状(εref)的差分(Δε)最接近于模式1至模式8的形状中的哪一个。然后，控制运算部53基于运算结果，选择执行模式1至模式8的控制方法中的任一个。
[0008]现有技术文献
[0009]专利文献
[0010]专利文献1：日本专利第2804161号
[0011]专利文献2：日本特开2018
‑
180799号公报

技术实现思路

[0012]专利技术所要解决的课题
[0013]专利文献1所记载的现有技术中，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。关于控制规则的学习，与针对基准波形模式的控制操作端操作量相关，直接使用预先确定的代表性的基准形状模式。
[0014]因此，存在只能反应特定的形状模式的形状控制这样的问题。
[0015]基准形状模式是由人预先根据与成为对象的轧机相关的知识、累计了实绩形状和
手动介入操作的经验决定的，但难以包罗通过成为对象的轧机和被轧制材料产生的全部的形状。因此，在产生与基准形状模式不同的形状的情况下，有时不执行基于形状控制的控制，形状偏差未被抑制而残留，或者误识别为类似的基准形状模式，进行错误的控制操作，反而使形状恶化。
[0016]因此，在以往的形状控制中，由于使用预先设定的基准形状模式和针对该基准形状模式的控制规则进行控制规则的学习，执行控制，所以存在控制精度的提高存在极限的问题。
[0017]为了解决该问题，例如提出了专利文献2所记载的技术。在专利文献2中记载有如下的处理：在控制时产生干扰，通过学习使神经网络逐渐变聪明。但是，专利文献2所记载的产生控制干扰的处理实绩上运用控制对象工厂设备，在其运用时产生控制干扰，扰乱控制对象工厂设备的实绩运用，在运用上不能称为优选。并且，除非在某种程度上运用控制对象工厂设备，否则神经网络不会变得适当，在运转初始时，无法进行适当的控制的可能性高。
[0018]本专利技术的目的在于，提供一种能够减少扰乱工厂设备的控制的风险而高效地修正控制规则的工厂设备控制系统、工厂设备控制方法以及程序。
[0019]用于解决课题的手段
[0020]为了解决上述课题，例如采用请求专利权的技术方案所记载的结构。
[0021]本申请包括多个解决上述课题的手段，若列举其中一例，则工厂设备控制系统适用于针对控制对象工厂设备识别控制对象工厂设备的实绩数据的组合的模式并执行控制的系统。
[0022]并且，工厂设备控制系统具备：控制方法学习单元，其学习控制对象工厂设备的实绩数据和控制操作的组合；控制执行单元，其根据控制方法学习单元学习到的实绩数据和控制操作的组合，执行控制对象工厂设备的控制；以及状态变化规则学习单元，其学习控制对象工厂设备的实绩数据、控制操作和控制对象的状态变化的组合。
[0023]在此，控制执行单元具备：
[0024]控制规则执行部，其按照控制对象工厂设备的实绩数据和控制操作的确定的组合来提供控制输出；
[0025]控制输出良好与否判定执行部，其按照控制对象工厂设备的实绩数据、控制操作和控制对象的状态变化的确定的组合，预测控制对象的状态变化，推定所述控制输出的良好与否判定；
[0026]新搜索操作量运算部，其根据控制输出良好与否判定执行部中的良好与否判定来运算新操作搜索用操作量；以及
[0027]控制输出抑制部，其使用控制输出良好与否判定执行部中的良好与否判定，在判断为将控制输出向所述控制对象工厂设备输出时所述控制对象工厂设备的实绩数据恶化的情况下，阻止将控制输出向所述控制对象工厂设备输出。
[0028]另外，状态变化规则学习单元具备：
[0029]状态变化规则学习部，其从控制对象工厂设备的实绩数据中提取实绩数据和控制操作、以及从控制操作的控制效果显现到实绩数据为止的时间延迟期间的控制对象的状态变化量的组合，生成学习数据，使用学习数据进行学习。
[0030]并且，控制方法学习单元具备：
[0031]学习数据生成部，其使用控制输出良好与否判定执行部中的控制输出的良好与否判定和控制输出，得到监督数据；以及控制规则学习部，其将实绩数据和监督数据作为学习数据进行学习。
[0032]专利技术效果
[0033]根据本专利技术，能够使在控制中在形状控制中使用的形状模式和操作方法的控制规则减少对工厂设备的风险，高效地进行自动修正，成为与经时性的工厂设备的环境变化对应的最佳的控制规则。因此，根据本专利技术，能够实现控制精度的提高、控制部的启动期间的缩短、针对经时性变化的应对。
[0034]另外，根据本专利技术，通过预先评价控制规则的性能，具有由于新的控制规则的应用而产生的对工厂设备的风险降低、以及由于最佳的控制规则的选择而产生的控制性能的提高这样的效果。
[0035]上述以外的课题、结构及效果通过以下的实施方式的说明而变得明确。
附图说明
[0036]图1是表示本专利技术的一个实施方式的例子的工厂设备控制系统的概要的结构图。
[0037]图2是表示本专利技术的一个实施方式的例子的控制规则执行部的具体结构例的图。
[0038]图3是表示本专利技术的一个实施例的控制输出良好与否判定执行部的例子的结构图。
[0039]图4是表示本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工厂设备控制系统，其针对控制对象工厂设备识别所述控制对象工厂设备的实绩数据的组合的模式，并执行控制，其特征在于，所述工厂设备控制系统具备：控制方法学习单元，其学习所述控制对象工厂设备的实绩数据和控制操作的组合；控制执行单元，其根据所述控制方法学习单元学习到的实绩数据和控制操作的组合，执行控制对象工厂设备的控制；以及状态变化规则学习单元，其学习所述控制对象工厂设备的实绩数据、控制操作和控制对象的状态变化的组合，所述控制执行单元具备：控制规则执行部，其根据所述控制对象工厂设备的实绩数据和控制操作的确定的组合来提供控制输出；控制输出良好与否判定执行部，其按照所述控制对象工厂设备的实绩数据、控制操作和控制对象的状态变化的确定的组合，预测控制对象的状态变化，推定所述控制输出的良好与否判定；新搜索操作量运算部，其根据所述控制输出良好与否判定执行部中的良好与否判定来运算新操作搜索用操作量；以及控制输出抑制部，其使用所述控制输出良好与否判定执行部中的良好与否判定，在判断为将控制输出向所述控制对象工厂设备输出时所述控制对象工厂设备的实绩数据恶化的情况下，阻止将控制输出向所述控制对象工厂设备输出，所述状态变化规则学习单元具备：状态变化规则学习部，其从所述控制对象工厂设备的实绩数据中提取实绩数据和控制操作、以及到所述控制操作的控制效果显现在实绩数据中为止的时间延迟期间的控制对象的状态变化量的组合，生成学习数据，使用所述学习数据进行学习，所述控制方法学习单元具备：学习数据生成部，其利用所述控制输出良好与否判定执行部中的所述控制输出的良好与否判定和所述控制输出，得到监督数据；以及控制规则学习部，其将所述实绩数据和所述监督数据作为学习数据进行学习。2.根据权利要求1所述的工厂设备控制系统，其特征在于，所述控制方法学习单元进行学习，由此根据所述控制对象工厂设备的状态对多个控制目标获得分开的实绩数据和控制操作的组合，将得到的实绩数据和控制操作的组合用作所述控制规则执行部中的所述控制对象工厂设备的实绩数据和控制操作的确定的组合。3.根据权利要求1所述的工厂设备控制系统，其特征在于，所述控制输出良好与否判定执行部将所述控制对象工厂设备的实绩数据、控制操作、控制对象的状态变化的确定的组合保持为第一神经网络，所述状态变化规则学习部将实绩数据、控制操作和控制对象的状态变化的组合保持为第二神经网络，将由所述状态变化规则学习部中的学习的结果得到的所述第二神经网络用作所述控制输出良好与否判定执行部中的所述第一神经网络。4.根据权利要求1所述的工厂设备控制系统，其特征在于，
所述状态变化规则学习单元具备：良好与否判定误差验证部，其根据过去的实绩数据的控制输出的良好与否判定、所述控制对象工厂设备的实绩数据、控制操作和控制对象的状态变化的确定的组合，预测控制对象的状态变化，通过比较控制输出的良好与否判定来运算良好与否判定的误差，使用由所述良好与否判定误差验证部生成的良好与否判定误差，变更所述控制输出良好与否判定执行部中的控制结果良好与否判定的基准。5.根据权利要求1所述的工厂设备控制系统，其特征在于，所述工厂设备控制系统还具备：控制输出判定部，其基于使用了物理模型的模拟来判定可否进行所述控制输出，所述控制输出抑制部在使用所述控制输出良好与否判定执行部中的良好与否判定和所述控制输出判定部的控制输出可否判定这两者、或者所述控制输出良好与否判定执行部中的良好与否判定，判断为将控制输出向所述控制对象工厂设备输出时所述控制对象工厂设备的实绩数据恶化的情况下，将控制输出向所述控制对象工厂设备输出。6.根据权利要求1至5中任一项所述的工厂设备控制系统，其特征在于，所述工厂设备控制系统还具备控制规则评价单元，所述控制规则评价单元具有：控制规则良好与否判定数据收集部，其将所述控制执行单元的所述良好与否判定执行部的良好与否判定数据累...

【专利技术属性】
技术研发人员：高田敬规，黑川大辉，田内佑树，服部哲，
申请(专利权)人：株式会社日立制作所，
类型：发明
国别省市：