[發明專利]工廠設備控制裝置及其控制方法、軋制機控制裝置及其控制方法

在審

• 申請號: 202011428094.4
• 申請日: 2020-12-07
• 公開（公告）號: CN113050550A
• 公開（公告）日: 2021-06-29
• 發明（設計）人: 黑川大輝;服部哲;高田敬規;田內佑樹
• 申請（專利權）人: 株式會社日立制作所
• 主分類號: G05B19/418
• 分類號: G05B19/418;B21B37/28;G06N3/04;G06N3/08
• 代理公司: 北京銀龍知識產權代理有限公司 11243
• 代理人: 曾賢偉;范勝杰

本發明的工廠設備控制裝置具備：控制執行裝置，其根據控制效果學習控制對象工廠設備的實績數據與控制操作的組合，提供根據由控制方法學習裝置學習過的神經網絡的輸出來控制上述控制對象工廠設備的操作端的控制輸出，就控制執行裝置而言，當存在學習控制效果高的情況而形成的神經網絡的輸出且控制效果高時，根據該輸出控制控制對象工廠設備的操作端，在只存在學習控制效果低的情況而形成的神經網絡的輸出且操作端的操作端位置有富余時，根據學習控制效果低的情況而形成的神經網絡的輸出控制控制對象工廠設備的操作端，進而在只存在學習控制效果低的情況而形成的神經網絡的輸出且操作端的操作端位置沒富余時，不控制控制對象工廠設備的操作端。

技術領域

本發明涉及使用神經網絡等人工智能技術進行的實時的反饋控制的工廠設備控制裝置及其控制方法、軋制機控制裝置及其控制方法和程序。

背景技術

以前，在各種工廠設備中，為了通過其控制得到希望的控制結果，而實施基于各種控制理論的工廠設備控制。

作為工廠設備的一個例子，例如在軋制機控制中，作為控制的一個例子，設為將對板的起伏狀態進行控制的形狀控制作為對象的控制理論，應用到模糊控制、神經模糊控制。模糊控制應用于利用冷卻液的形狀控制，另外神經模糊控制應用于森吉米爾軋機的形狀控制。其中，如專利文獻1所示，求出通過形狀檢測器檢測到的實績形狀模式與目標形狀模式的差、與預先設定的基準形狀模式的類似比例，根據該類似比例，還通過由針對預先設定的基準形狀模式的控制操作端操作量所表現的控制規則，求出針對操作端的控制輸出量，由此進行應用了神經模糊控制的形狀控制。以下，作為現有技術，設為使用利用了神經模糊控制的森吉米爾軋機的形狀控制的技術。

在圖5中，示出專利文獻1的圖1所記載的森吉米爾軋機的形狀控制。在森吉米爾軋機的形狀控制中，使用神經模糊控制。在該例子中，在模式識別機構51中，根據通過形狀檢測器52檢測出的實際形狀，進行形狀的模式識別，計算實際形狀與預先設定的基準形狀模式中的哪個最接近。在控制運算機構53中，使用圖6所示的由針對預先設定的形狀模式的控制操作端操作量構成的控制規則，實施控制。如果更具體地說明圖6，則在模式識別結構51中，對由形狀檢測器52檢測出的形狀實績和目標形狀(εref)的差分(Δε)與1～8的形狀模式(ε)中的哪個最接近進行運算，在控制運算機構53中，選擇執行1～8的控制方法的任意一個。

但是，在專利文獻1的方法中，為了驗證控制規則，有時在軋制中由操作者進行手動操作而進行控制規則的驗證等，但是有時表示出與預想相反的形狀變化。即，產生如上述那樣確定的控制規則違反現實的情況。其原因是機械特性的研究不足、軋制機的運行狀態、機械條件的變化，但如果逐一地研究預先設定的控制規則是否是最優的規則，則應該考慮的條件多，十分困難。因此，如果一度設定了控制規則，則大多是只要沒有不適合就保持原樣。

如果由于運行條件的變化等，控制規則變得違反現實，則由于控制規則被固定，因此難以產生某種程度以上的控制精度。另外，如果一旦形狀控制動作，則操作者不再進行手動操作(對于控制來說會成為干擾)，因此也難以通過操作者的手動介入而找出新的控制規則。進而，在對新規格的軋制材料進行軋制的情況下，也難以與該材料一致地設定控制規則。

如以上那樣，在現有的形狀控制中，由于使用預先設定的控制規則進行控制，因此存在難以修正控制規則的問題。

為了解決該問題，實現了專利文獻2所示的技術，即一邊進行形狀控制，一邊使控制規則隨機地變化，學習形狀變好的規則，由此(1)在軋制中，一邊實施形狀控制，一邊發現新的控制規則；(2)由于也有時不是預先能夠預想的規則為最優，而是完全無法預測的控制規則為最優，因此使控制操作端隨機地進行動作，一邊觀察對其的控制結果，一邊找出新的控制規則。

現有技術文獻

專利文獻

專利文獻1：日本專利2804161號

專利文獻2：日本專利4003733號

發明內容