JPH06214610A

JPH06214610A - 制御方法及びその装置

Info

Publication number: JPH06214610A
Application number: JP751493A
Authority: JP
Inventors: Yasunori Katayama; 恭紀片山; Takashige Watabiki; 高重渡引; Kenichi Yoshioka; 健一吉岡; Yutaka Saito; 裕斉藤; Satoru Hattori; 哲服部; Masaaki Nakajima; 正明中島; Takashi Okada; 岡田　　隆; Yasuo Morooka; 泰男諸岡; Masakane Shigyo; 正謙執行
Original assignee: Hitachi Ltd; Hitachi Information and Control Systems Inc
Current assignee: Hitachi Ltd; Hitachi Information and Control Systems Inc
Priority date: 1993-01-20
Filing date: 1993-01-20
Publication date: 1994-08-05

Abstract

(57)【要約】【目的】非線形性の強い制御対象を良好に制御するた
めの動作点を決定するセットアップ制御の精度を向上し
良好な制御を行う。【構成】制御対象１に所望の動作をさせるように、制
御対象１を制御するアクチュエータ２に指令を与える。
このとき、制御対象１のモデル５のパラメータの各値と
モデル５の入出力状態値との関係を学習機構１１により
求め、学習結果をメモリ２０に記憶し、制御対象１の入
出力計測値に基づき、メモリ２０の学習結果を参照し
て、モデル５のパラメータ値を決定し、決定されたパラ
メータ値に基づき指令を得て、アクチュエータ２に与え
る。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は制御対象の制御方法及び
その装置に係り、特に、圧延機のような非線形制御系の
動作点を決定するセットアップ制御方法及びその装置に
関する。

【０００２】

【従来の技術】線形系を前提として開発された線形制御
理論を用いると、高精度の制御が可能になる。しかしこ
の線形制御理論を非線形性の強い制御対象、例えば被圧
延材を圧延する圧延機に適用しても、所望の制御性能を
期待することができず、その製品（圧延機の場合は鋼
材）の高品質化を図ることができない。圧延機の制御系
には、制御対象の時間的変化が無くなる定常状態におけ
る動作点を求めるセットアップ制御系があり、このセッ
トアップ制御の高精度化を図る方法が望まれている。
尚、火力発電機やプラント制御では、セットアップ制御
はセットポイント制御と呼ばれる。

【０００３】通常、セットアップ制御系において、微分
方程式を解くときの定常解を求めるのと同様に、時間変
化分を無視して、ダイナミックプログラミング，リニア
プログラミング等の最適解を求め、動作点を決定する。
動作点が決定すると、動作点の周りで制御対象を線形近
似し、動作点からのづれを零にするレギュレータ問題と
して、微分方程式の過度解を対象に最適解を求めるとい
う、線形制御理論にのっとったフォードバック制御を行
なうのである。

【０００４】尚、セットアップ制御については「板圧延
の理論と実際」日本鉄鋼協会発行、昭和５９年９月１日
発行の２８９頁より２９２頁に具体的に記述されてい
る。

【０００５】

【発明が解決しようとする課題】上述した従来技術にお
いて、セットアップ制御（セットポイント制御）のため
の動作点を決定するための制御モデルは常に変化するの
が常である。例えば圧延機の場合、未知パラメータの数
が多く、又、たとえ各パラメータの値を決定できても、
運転中に発生する熱でパラメータの１つである摩擦抵抗
の値が変わったり、ロールが膨張したりするなど、一旦
決定された各パラメータの値が変化してしまうことが多
々ある。しかし変化したパラメータ値を正確に固定する
ことが困難なため、セットアップ制御で決定した動作点
が大幅にくるうと共に、フィードバック制御のパラメー
タがくるい、良好な製品（圧延機の場合は鋼材）が得ら
れないという問題点がある。

【０００６】本発明の目的は、非線形性の強い制御対象
を良好に制御するための動作点を決定するセットアップ
制御（セットポイント制御）の精度を向上し良好な制御
を行ないうる制御対象の制御方法及びその装置を提供す
ることにある。

【０００７】

【課題を解決するための手段】上記目的は、制御対象に
所望の動作をさせるように、該制御対象を制御するアク
チュエータに指令を与えるとき、上記制御対象のモデル
のパラメータの各値と該モデルの入出力状態との関係を
学習により求めて学習結果を記憶手段に記憶し、上記制
御対象の入出力計測値に基づき、上記記憶手段の学習結
果を参照して上記モデルのパラメータ値を決定し、決定
されたパラメータ値に基づき指令を得て上記アクチュエ
ータに与えることで、達成される。

【０００８】好ましくは、上記制御対象のモデルをセッ
トアップモデルとし、上記指令をアクチュエータに与え
るときは、決定された上記パラメータ値に基づきセット
アップ制御により上記制御対象の入出力の目標を決定
し、上記指令を得て上記アクチュエータに与えると共
に、上記指令の結果上記制御対象より得られた出力状態
の上記出力の目標値からの偏差をゼロにするようフィー
ドバック制御する。

【０００９】更に好ましくは、上記学習するステップ
は、ニューラルネットワークを用いて行う。

【００１０】更に好ましくは、上記パラメータを決定す
るステップは、ニューラルネットワークを用いて行う。

【００１１】

【作用】本発明においては、従来のセットアップ制御又
はセットポイント制御の欠点が、制御モデルのパラメー
タ値の変化に対応できないことにあることに着目し、予
め制御モデルとパラメータの関係を学習して記憶し、こ
の学習結果に基づき実際の制御対象の動作状態からパラ
メータ値を推定し、この値を制御のセットアップ制御お
よびフィードバック制御のパラメータ値として用いるよ
うにしたものである。

【００１２】即ち、動作点の大きく変化する圧延機のよ
うな非干渉制御では、瞬時瞬時の制御対象のモデルのパ
ラメータを特定するのが困難であり、従来方法では、種
々の要因のため狂ってしまい正確な制御モデルを構築で
きず、制御モデルが正確であれば性能向上が図れる現代
制御理論等を適用しても、その能力を発揮できなかっ
た。しかし、本発明によれば、非線形性の強い制御対象
に適用しても正確な制御モデルが生成でき、制御性能を
向上することが可能となる。

【００１３】従って、非線形性の強い制御対象を良好に
制御するための動作点を決定するセットアップ制御（セ
ットポイント制御）の精度を向上し良好な制御を行なう
ことが可能となる。

【００１４】

【実施例】以下、本発明の一実施例を図面を参照して説
明する。本発明の好適な実施例として、非線形性の制御
対象、例えば圧延機の板厚形状制御について説明する。

【００１５】圧延機は、例えば図３に示す様に、圧延材
１００を複数対（図示例では２個のみ示す）のロール２
０１，２０２，２１１，２１２等を介して通し、各一対
のロールにおいて、一方のロール２０２，２１２の回転
速度をモータ２０３，２１３により制御すると共に、各
ロール２０２，２１２の圧延材１００に対する圧下位置
を油圧圧下装置２０４，２１４によりそれぞれ制御する
ことで、圧延機の板厚を所望の値とする。例えば制御対
象のアクチュエータである一対のロール２１１，２１２
に対応するモータ２１３、油圧圧下装置２１４に対する
制御はそれぞれに速度指令制御装置２２２、油圧制御装
置２２０から速度指令値Ｖ_i、圧下位置指令値Ｐ_iを与え
ることで行う。この圧延機の制御は以下の様にして行
う。

【００１６】ここでは、一対のロール２１１，２１２に
対する制御のみについて説明するが、他のロール対につ
いても同様に制御が行われる。

【００１７】先ず、制御対象である圧延機の制御モデル
５を用いてセットアップ制御系４は目標荷重ｐ₀，目標
速度ｖ_R0，目標板厚ｈ₀，目標張力τ_f0を出力し、これ
らはそれぞれ制御装置２内の減算器２３０，２３２，２
３４，２３６に与えられる。一方、ローラ２１７に対す
る荷重計２１７からは荷重値ｐ、ローラ２１２を駆動す
るモータ２１３からはモータ２１３の速度値ｖ_R、圧延
材の板厚を計測する板厚計２１６からは板厚値ｈ、圧延
材１００の張力を測定する張力計２１５からは張力値τ
_fがそれぞれ減算器２３０，２３２，２３４，２３６に
与えられ、上記のｐ₀，ｖ_R0，ｈ₀，τ_f0との減算が行わ
れ、偏差Δｐ，Δｖ_R，Δｈ，Δτ_fが得られる。

【００１８】一方、制御系設計システム３は、後述する
方法で制御モデル５に基づいて最適制御のフィードバッ
クパラメータ（係数）ｆ₁₁〜ｆ₂₄を求め、制御装置２に
与える。制御装置２はこれらフィードバック係数ｆ₁₄，
ｆ₁₃，ｆ₁₁，ｆ₁₂と対応する上記偏差Δｐ，Δｖ_R，Δ
ｈ，Δτ_fとを掛算器２４０，２４２，２４４，２４６
によりそれぞれ掛算して、速度指令偏差Δｖ_p＝ｆ₁₄Δ
ｐ＋ｆ₁₃Δｖ_R＋ｆ₁₁Δｈ＋ｆ₁₂Δτ_fを得、加算器２５
２に与える。

【００１９】更に、フィードバック係数ｆ₂₄，ｆ₂₃，ｆ
₂₁，ｆ₂₂と対応する上記偏差のΔｐ，Δｖ，Δｈ，Δτ
_fとを掛算器２４１，２４３，２４５，２４７によりそ
れぞれ掛算して、圧下位置指令偏差ΔＳ_p＝ｆ₂₄Δp＋ｆ
₂₃Δｖ_R＋ｆ₂₁Δｈ＋ｆ₂₂Δτ_fを得、加算器２５０に与
える。

【００２０】セットアップ制御系２１は、更に制御モデ
ルに基づいて速度設定値（目標速度指令）Ｓ_pと圧下位
置設定値（目標圧下位置指令）ｖ_pを加算器２５０，２
５２に与え、加算器２５０，２５２はそれぞれ上記指令
偏差ΔＳ_p，Δｖ_pと指令Ｓ_p，ｖ_pを加算して油圧制御装
置２２０，速度制御装置２２２に与える。

【００２１】図１（ａ）は、制御対象を制御する本発明
の一実施例に係る制御装置の構成図である。制御対象１
は、制御装置２の指令を受けて、所望の精度で動作す
る。制御装置２は、制御対象１の状態と、制御係設計シ
ステム３を決定される制御構造またはパラメータを受け
て指令偏差を決定するフィードバック制御系を有し、こ
の指令偏差と、制御対象１の非線形性から動作点を決定
するセットアップ制御系４からの動作点指令（以下、目
標値という。）とを加味し、制御対象１に指令を発生す
る。ここで、フィードバック制御系はＤＤＣ系（Ｄｉｒ
ｅｃｔＤｉｇｉｔａｌＣｏｎｔｒｏｌ）と呼ばれ、
その機能は、制御対象１の状態または制御量を受けて、
目標値からのずれを零にするレギュラータ系を構成す
る。

【００２２】セットアップ制御系４は、制御対象１のモ
デル５を利用して、動作点を決定する。この制御モデル
５は、圧延機の場合は、塑性曲線（圧延荷重式），張力
の影響，油膜厚み補償等から構成される。例えば、圧延
荷重式として“Ｂｌａｎｄ＆Ｆｏｒｄ”式を近似した
次の“Ｈｉｌｌの近似式”（数１）を用いる。

【００２３】

【数１】

【００２４】ここでｂ：圧延材板幅ｋ_i：平均変形抵抗 κ_i：第ｉスタンドの張力の影響項Ｄ_pi：摩擦補正項（次の数２）Ｈ_i：第ｉスタンドの入側板厚ｈ_i：第ｉスタンドの出側板厚Ｒ_i：第ｉスタンドのワークロール径Ｒ_i′：ロール偏平（“Ｈｉｔｃｈｃｏｃｋ”の式）。

【００２５】

【数２】

【００２６】ここで、ａ₁，ａ₂，ａ₃：定数ｕ_i：摩擦係数（次の数３）ｒ_i：第ｉスタンドの圧下率

【００２７】

【数３】

【００２８】ここで、ｕ_oi：定数（潤滑油に依存する）ｕ_ci：定数（実施値で決定）ｖ_oi：ロール速度制御モデル５を構成する物理式の定数、例えば摩擦係数
ｕ_iは、圧延機の動作温度や圧延油（潤滑油）等の影響
を受け、実際の圧延ではかなり変化してしまう。つま
り、制御対象１のモデル５の構造は数式で表すことがで
きるように比較的明らかであるが、そのパラメータがロ
ール速度変化等の動作条件の変化で変化してしまう場合
が多い。ここで、定数ａ₁，ａ₂，ａ₃，摩擦係数ｕ_i，ｋ
_i，ｕ_ci，ｕ_ci等のパラメータが決定できなければ、正
確な制御モデル５を作成することができない。

【００２９】以下に、制御モデル５のパラメータが変化
する理由を説明する。圧延機を弾性体と見做すと、

【００３０】

【数４】

【００３１】ここで、Ｈ：入側板厚 τ_b：後方張力Ｓ：ロール間隔 τ_f：前方張力ｈ：出側板厚Ｋ：圧延材の弾性係数Ｐ：荷重というゲージメータ式（図５）が得られる。図４に示す
様に、Ｓはロール直下の板厚であり、実際の板厚よりは
Ｐ／Ｋだけばね効果により縮んで板厚が薄くなってお
り、圧延材はロール直下から離れると力（荷重）が解放
され戻る。

【００３２】上記の数４を図に示すと図５となり、上記
の数１を図に示すと図６となる。図６の塑性曲線におい
て、ｘ軸との交点は荷重がゼロの状態の入側板厚とな
る。

【００３３】圧延機の動作点は、図５のゲージメータ式
の特性直線と、図６の塑性曲線の交点（図７）となる。

【００３４】次に、圧延材の板厚（入側板厚）がＨ→Ｈ
₀に変化すると、図８のように塑性曲線が点線から実線
に平行移動（この場合ｘ軸との交点がＨからＨ₀）して
しまい、目標板厚はｈからｈ₀へ、目標荷重はＰからＰ₀
へ変化する。

【００３５】この時、自動制御が働いて圧下位置をＳか
らＳ₁へ変化させたとすると、ゲージメータ式が点線か
ら実線に移動して図９に示す関係となり、目標荷重は図
８のＰ₀から図９のＰ₁となるが、目標板厚はｈ₀からｈ
に戻る。

【００３６】即ち、自動制御はΔｈ＝（ｈ−ｈ₀），Δ
Ｐ＝（Ｐ−Ｐ₀）等を検出し、ΔＳ_p＝ｆ₁Δｈ＋ｆ₂ΔＰ
なるフィードバックを行い圧下指令偏差を求め目標値Ｓ
に加えて圧下指令Ｓ_p＝Ｓ＋ΔＳ_pを発行する。ここで、
ｆ₁，ｆ₂はフィードバック係数である。

【００３７】ところが、動作条件（ｅ_x，速度ｖ_p）の変
化により塑性曲線のパラメータ値が変化し、塑性曲線が
図１０の点線から実線の様に変化してしまうと、図９と
同じ出側板厚ｈを得るためには、圧下位置をＳ₂へ移動
する必要が有る。この時の荷重はＰ₂になる。即ち、こ
の場合、板厚はΔｈ＝ｈ′−ｈ分だけフィードバック
し、荷重はΔｐ＝Ｐ′−Ｐ₀分だけフィードバックする
必要があるにも係わらず、図１０の実線の塑性曲線が正
確にわからないため、実際にはｈ₀−ｈ，Ｐ₁−Ｐ₀分し
かフィードバックされない。即ち、図９の塑性曲線から
得られるフィードバック係数では、必要とされるＳ₂の
所まで圧下位置を持っていく指令を発生できない。この
ため、動作条件の変化に伴う正しいパラメータ値を得
て、それに基づきｆ₁，ｆ₂の係数を変化させる必要が有
る。

【００３８】そこで、本実施例では、制御対象１の入力
と出力を学習制御装置６に入力し、学習制御装置６から
制御モデル５のパラメータを出力するようにする。この
場合、制御モデル５のパラメータは、制御対象１の瞬時
瞬時の動作を基に決定できるため、経年変化，温度変化
等の時々刻々変化するパラメータを同定することができ
る。

【００３９】学習制御装置６には、予めシミュレーショ
ンにより制御対象モデル５のパラメータと状態（以下、
制御対象１，モデル５への入力と制御対象１，モデル５
からの出力および制御対象１，モデル５の内部状態を総
称して“状態”という。）との関係が記憶されている。
そして、制御対象１の状態がこの学習制御装置６に入力
されると、学習制御装置６はこの記憶されたパラメータ
と状態との関係を参照し、動作時点における状態からパ
ラメータの値を推定する。制御対象１のモデル５の構造
が比較的正確であれば、その時点のパラメータの値が精
度良く求められる。

【００４０】図１（ｂ）は、学習制御機構６にパラメー
タと状態の関係を学習させ記憶させるときの構成図であ
る。制御モデル５の入力状態を入力状態変更部７で決
め、パラメータ変更部８でパラメータ値を変化させ、シ
ミュレーションを実行する。これにより、制御モデル５
のシミュレーション結果として、パラメータ値変化に応
じて変化する出力状態９が得られる。これらパラメータ
値と、制御モデル５の状態との関係を学習制御装置６に
記憶させる。学習制御装置６としては関数補間能力（汎
化能力）を持つ階層形ニューロコンピュータ等が利用で
きる。

【００４１】ここで、学習制御装置６に階層形ニューロ
コンピュータを用いる場合の制御装置全体の構成図を図
２に示す。ニューロコンピュータについては、中野馨監
修による「入門と実習ニューロンコンピュータコンピュ
ータ」技術評論社発行、平成元年９月１５日発刊に詳細
に述べられているので、ここでは、本実施例に関係する
ところのみ述べる。

【００４２】ニューロコンピュータは、ニューラルネッ
トワーク１０と学習機構１１とメモリ２０から構成さ
れ、学習機構１１は、“学習”と“想起”をコントロー
ルする。

【００４３】学習時には図１１に示す様に、パラメータ
変更部８からのあるパラメータ値（ｅ_x，摩擦棒数ｕ_i）
が制御モデル５に与えられると、制御モデル５は入力状
態変更部７からの入力状態（ｅ_x，速度指令値Ｖ_i，圧下
位置指令値Ｐ_i）に基づき出力状態（ｅ_x，荷重Ｐ，速度
Ｖ_R，板厚ｈ，張力τ_f）を求めてそれらをニューラルネ
ットワーク１０の入力層に与える。入力層には更に入力
状態が与えられ、又、出力層にはパラメータが教師信号
として与えられ、学習機構１１はこれらのデータを制御
して学習を行う。ニューラルネットワーク１０が未学習
のときは、ニューラルネットワーク１０の荷重係数（重
み）に乱数または適当な数値が与えられるため、その抵
当な値の出力１３が、学習機構１１に入力される。一
方、このときには、パラメータ変更機構８の出力である
パラメータは、教師信号として学習機構１１に入力され
る。学習機構１１は、パラメータ変更機構８の出力とニ
ューラルネットワーク１０の出力の２乗偏差を最小にな
るようにニューラルネットワーク１０の荷重係数（重
み）を修正する。制御モデル５の入力１２と出力９の組
がニューラルネットワーク１０に入力されると、その出
力１３はパラメータ変更機構８の出力と等しくなる。こ
れらをニューラルネットワークの学習という。

【００４４】従って、図１２に示す様なパラメータ値ｕ
_i1，ｕ_i2，…，ｕ_in毎の入出力状態、ニューラルネット
ワークの重み行列ωが得られる。これらデータは図１３
に示す様にメモリ２０にストアされる。

【００４５】尚、ここでは説明を簡略とするためパラメ
ータをｕ_iのみとしたが、複数のパラメータに対する学
習を行なって良く、その場合は、各パラメータの値の組
合せ毎に上記の様に入出力状態及び重み行列を得る。

【００４６】学習が終了した後の学習機構１１では、図
１４に示す様に、制御モデル５の入力として制御対象１
の入力状態（ｅ_x，Ｖ_i，Ｐ_i）が、また、制御モデル５
の出力として制御対象１の出力状態（ｅ_x，Ｐ，Ｖ_R，
ｈ，τ_i）が、学習機構１１の構成要素であるニューラ
ルネットワーク１０の入力としてその入力層に与えられ
る。すると、学習機構は入力された入力状態に対応する
重み行列ωをメモリ２０から読み出してニューラルネッ
トワーク１０に与え、この重み行列ωに基づきニューラ
ルネットワーク１０は出力を得、それを制御対象１のパ
ラメータ値（ｅ_x，ｖ_i）として制御モデル５に出力す
る。このパラメータ値に基づき制御モデル５が変更され
ると、セットアップ制御系４の目標値が変化し、この変
化した目標値（ｅ_x，ｖ_p′，ｓ_9′）が制御装置２に入
力される。

【００４７】一方、変更された制御モデル５に基づき制
御系設計システムはフィードバック係数（ｆ₁₁〜ｆ₂₄）
を求めて制御装置２に与える。制御装置２は、このフィ
ードバック係数と目標値等に基づき指令偏差を得てフィ
ードバックを行う。こうして目標値と、制御対象１の出
力のフィードバックを受けて、制御装置２は制御対象１
に指令を出す。制御対象１の入力状態である制御装置２
の指令１４と、制御対象１の出力である出力状態１４が
学習機構１１に入力される。

【００４８】以上の動作の流れを図１５，図１６を用い
て説明する。図１５は、学習制御装置６の学習の手順を
表すフローチャートである。学習時には先ず、パラメー
タ変更部８が変化させたパラメータ値を制御モデル５に
入力する（ステップ１０１）。制御モデル５は、前記の
パラメータ値を用いシミュレーションを実施し、制御モ
デル５の入出力関係を求める（ステップ１０２）。そし
て、必要個数の学習が終了したか否かを判断し（ステッ
プ１０３）、終了するまで上記のステップ１０１，１０
２を繰り返すように構成される。学習が終了した後は、
その結果を使って制御を実行する。その処理手順を示す
フローチャートが図１６である。

【００４９】図１６において、制御実行時は、制御対象
１の入力と出力である状態を学習制御装置６に入力し
（ステップ１１０）、学習制御装置は、制御対象の稼働
時のパラメータ値を求めてこれをセットアップ制御系４
と制御モデル５に出力する（ステップ１１１）。次に、
この制御モデル５を用い、制御系設計システム３が制御
装置２のフィードバックパラメータ値，フィードフォワ
ードパラメータ値を決定し（ステップ１１２）、ステッ
プ１１１からのパラメータ値を受けてセットアップ制御
系が動作点を決定して制御装置２に目標値を出力する
（ステップ１１３）。

【００５０】尚、ステップ１１２とステップ１１３の順
番は入れ替えることが可能である。また、ステップ１１
２は時々処理を実施しないなどの変形は種々考えられ
る。

【００５１】上述した処理構成にしたときの動作例を図
１７（ａ）〜（ｃ）に示す。図１７（ａ）は学習時の例
を示したもので、制御モデル５のパラメータ値を変化さ
せて、制御モデル５の入力と出力である状態を得る。図
１７（ｂ）は図１７（ａ）で求めたパラメータと状態の
関係を図示したもの、即ち、制御モデル５のパラメータ
−状態の関数を示す。ニューラルネットワーク１０には
状態を入力層に、パラメータを出力するように学習させ
る。

【００５２】図１８（ａ）〜（ｄ）は学習が終了後、実
行時における、ニューラルネットワーク１０の使い方を
示したもので、図１８（ａ）の制御対象１の状態をニュ
ーラルネットワーク１０に入力すると、その時点での制
御モデル５での学習結果であるパラメータ値が出力され
る。これを逆セットアップという。ニューラルネットワ
ーク１０の出力は制御対象１の動作時における制御モデ
ル５の最適なパラメータ値を示すことになる。そこで、
このパラメータ値を制御モデル５に入力すると、制御モ
デル５は制御対象１とほぼ同じ動作を行なう。その結
果、この制御モデル５を基にしたセットアップ系および
制御系設計システムは最適な目標値および制御系の構造
または制御系のパラメータを出力し、制御偏差を低減で
きる。

【００５３】上記実施例において、ニューラルネットワ
ークによるこのセットアップにより得られたパラメータ
値が正しくない場合はパラメータ変更部８より直接、新
たなパラメータ値を設定して制御モデル５に与えるよう
にしても良い。

【００５４】次に、現代制御理論（例えば土谷武士，江
上正芝著「現代制御工学」Ｐ１４１〜Ｐ１５２産業図書
刊１９９１年４月に記載）によるフィードバック係数
ｆ₁₁，ｆ₁₂，ｆ₁₃，ｆ₁₉，ｆ₂₁，ｆ₂₂，ｆ₂₃，ｆ₂₄の求
め方について説明する。

【００５５】圧延荷重式（塑性曲線）では、前述した数
１，数３に示す様に速度張力の項が含まれる。図１９に
示す様に、２対のロール（（ｉ−１）−ｔｈスタンドと
ｉ−ｔｈスタンド）間において、圧延材の速度と張力の
関係は次式５となる。

【００５６】

【数５】

【００５７】ここで、Ｌ：スタンド間距離Ｅ：ヤング率ｂ：圧延材の巾ｖ_ei：ｉ−ｔｈスタンド入側圧延材速度、ｖ_0i−１：（ｉ−１）−ｔｈスタンド出側圧延材速度 τは（ｉ−１）−ｔｈスタンドとｉ−ｔｈスタンドの間
の張力でｉスタンドから見るとτ_bとなる。

【００５８】このような関係を前述の（数１）等に代入
し、整理すると

【００５９】

【数６】

【００６０】

【数７】

【００６１】

【数８】

【００６２】

【数９】

【００６３】の関係式が求められる。

【００６４】ここで、負荷バランス等で動作点を求め
（セットアップ）、その動作点をτ_f0，ｈ₀，ｖ_R0，Ｐ₀
とする。

【００６５】数６〜数９をその動作点の回りでＴａｙｌ
ｏｒ展開をする。ここでは数６についてのみＴａｙｌｏ
ｒ展開し、数７〜数９については省略する。

【００６６】

【数１０】

【００６７】となり、数１０に数６を代入すると差分式
が得られる。ここで、∂ｇ₁／∂ｈ等は影響係数であ
る。

【００６８】

【数１１】

【００６９】なお、数６〜数１１で用いた記号は Δｈ：板厚偏差 Δτ_f：前方張力偏差 Δｖ_R：速度偏差 ΔＰ：荷重偏差 Δｖ_P：速度指令偏差 ΔＳ_P：圧下位置指令偏差である。

【００７０】なお、偏微分はｈ＝ｈ₀，τ_f＝τ_f0，ｖ_R
＝ｖ_R0，Ｐ＝Ｐ₀，ｖ_p＝ｖ_p0，Ｓ_P＝Ｓ_p0というセット
アップで求められる動作点の周りで行った。

【００７１】次に、

【００７２】

【数１２】

【００７３】

【数１３】

【００７４】なるベクトル表現で状態変数Ｘと指令変数
Ｕを表わし、また

【００７５】

【数１４】

【００７６】とすると数１１は

【００７７】

【数１５】

【００７８】となる同様に

【００７９】

【数１６】

【００８０】

【数１７】

【００８１】

【数１８】

【００８２】と表現できる。

【００８３】この数１５〜数１８を纏めると次の数１９
となる。

【００８４】

【数１９】

【００８５】これが求める方程式である。

【００８６】このような構成にすることで、現代制御理
論によりフィードバック係数が求められる。

【００８７】次に、本発明の他の実施例を、図２１，２
２を用いて説明する。図中、上記実施例と同一機能のも
のは同一符号を付しその説明を省略する。

【００８８】本実施例においては、制御対象の入出力状
態を基づきパラメータ値を決定する際に、入出力状態の
短期間のデータと長期間のデータとに基づきパラメータ
値を決定する。

【００８９】前述のように塑性曲線（圧延荷重式）のパ
ラメータ値が変化すると最適フィードバック係数を変更
する必要が有る。この時塑性曲線が変化する要因は多
く、圧延材が同じ成分の、同じ板厚、板巾等の仕様であ
っても、ロールを更新した直後とロールが磨耗した状態
では異なった曲線になる。但し、この場合は、徐々に特
性は変化する。すなわち、ロール交換後から各運転毎に
ニューロ演算を用い、動作時のパラメータ値に対して加
重平均や移動平均の操作を行って長期実績データＰsと
してメモリ（図２０，図２１の３０４）に記憶する。

【００９０】この場合、圧延材が同一鋼種、同一仕様で
あっても、圧延速度によっては塑性曲線が変わるため各
運転状態（例えば、加減速時、定常速度時）毎にパラメ
ータを記憶しておく。

【００９１】長期実績データは、図２２に示す様に、同
一仕様、同一鋼種の圧延材（例えば圧延材１，２，…，
ｎ）のある状態値毎に、例えば異なる速度点（例えば、
ｖ₁，ｖ₂）毎における制御対象の入出力状態のデータで
あり、これらを得て、これらをニューロ演算（逆セット
アップ）して状態値毎のパラメータ値を得る。しかし、
圧延機ではロールの粗さ（磨耗の度合）や、圧延油の濃
度などの磨耗係数は時間変化しており、これらの変化に
より上記入出力状態は経時変化するが、長期実績データ
は経時変化分が平均化されてしまい、上記変化係数等の
変化値（瞬時値）が、反映されにくい。

【００９２】一方、圧延機の出力データはノイズが多く
載っているための、逆セットアップの方にノイズ消去を
行なう必要が有る。

【００９３】長期実績データの処理では沢山の圧延材の
間のデータを使うことでノイズ消去がなされるのであ
る。

【００９４】一方、短期実績データは図２３に示す様
に、１つの圧延材の短時間の間の異なる速度ｖ₁〜ｖ_nで
の入出力データである。従って上記の様な係数の変化値
（瞬時値）を反映したデータが得られる。

【００９５】短期実績データでは同様に逆セットアップ
の前にノイズ除去を行う（図２１のブロック３０８）
が、ノイズを確実に除去しようとすると長い期間のデー
タを平均化する必要がある。しかし平均化するためのデ
ータの収集区間を長くすると、速度の状態（加減速状
態，定速状態）が異なってしまうためあまり長くでき
ず、従ってニューロ演算を用いた逆セットアップで求め
たパラメータＰ_aはノイズを含む可能性がある。

【００９６】即ち、短期実績データから得たパラメータ
値Ｐ_aは、圧延機の瞬時的動作状態を反映しているが、
ノイズの影響を受け易い。一方、長期実績データから得
たパラメータＰ_sは、ノイズの影響は受けずらいが、圧
延機の瞬時的な状態変化は反映しない。

【００９７】そこで、パラメータ演算Ｐ_a＝αＰ_a＋（１
−α）Ｐ_sという演算を実施し（図２１のブロック３２
０）、長期データと短期データを利用する。この場合、
αは０〜１の値を取り、αを１に近付けると短期データ
が反映されて長期データが無視され、α＝０にすると長
期データが反映されて短期データが無視される。αの値
が小さい時は長期データを求めるために用いたデータの
数が多くなり圧延が安定している場合に使う。αの値が
大きい場合とは、長期データが無い場合、ロールを交換
した直後で長期データとの差が大きい場合、これ迄に圧
延したことの無い鋼材を使用する場合等である。

【００９８】このような構成にした時の動作例を、図２
０を用い説明する。ｎ−１番目の圧延材を圧延した時
に、加速中、定常走行中、減速低速運転中などの種々の
速度状態に対応したデータを収集し、１〜ｎ−２本目迄
に集収したデータと合せ、ニューロ演算（逆セットアッ
プ）を実施し、長期実績データのパラメータ値Ｐsを求
め（ブロック３０２）、各動作状態各仕様毎のパラメー
タテーブル（３０４）に格納する。

【００９９】ｎ番目の圧延材の圧延に入った時点で、ニ
ューラルネットは短期実績データを用いパラメータ値Ｐ
_aを求める（ブロック３１０）。セットアップは、これ
らパラメータ値Ｐ_s，Ｐ_aを用い、上記の演算Ｐ＝αＰ_a
＋（１−α）Ｐ_sを実施し、その時点のパラメータ値Ｐ
を推定し、この値Ｐを用いて制御モデル５を変更しセッ
トアップを実施すると同時に、制御系設計ツール３はそ
の制御モデルを基に前述の最適制御のフィードバックパ
ラメータｆ₁₁，ｆ₁₂，ｆ₁₃，ｆ₁₄，ｆ₂₁，ｆ₂₂，ｆ₂₃，
ｆ₂₄を求めフィードバック制御系２へ渡す。

【０１００】フィードバック制御系２は圧延機の状態と
フィードバックパラメータから指令偏差を求め、セット
アップの目標値と前記指令偏差を加え、圧延機に指令を
発生する。その結果、フィードバック制御系は圧延機の
動作に適した指令を発生できるため、良好な応答を行う
のである。

【０１０１】本発明の実施例では、制御モデルのパラメ
ータ値を正確に決定できるので、図２４に示す様に、パ
ラメータ値が変化して塑性曲線が変わっても、図２５に
示す様に、影響係数を正確に求めることができ、従っ
て、正しいフィードバック係数を得て制御性能を向上さ
せることができる。

【０１０２】動作点の大きく変化する圧延機のような非
干渉制御では、瞬時瞬時の制御対象のモデルのパラメー
タ値を特定するのが困難であり、従来方法では、種々の
要因のためくるってしまい正確を制御モデルを構築でき
ず、制御モデルが正確であれば性能向上が図れる現代制
御理論等を適用してもその能力を発揮できなかった。し
かし、上述した実施例を採用することで、非線形性の強
い制御対象に適用しても正確な制御モデルが生成でき、
制御性能を向上することが可能となる。

【０１０３】

【発明の効果】本発明によれば、非線形性の強い制御対
象を良好に制御するための動作点を決定するセットアッ
プ制御（セットポイント制御）の精度を向上し良好な制
御を行なうことが可能となる。

【図面の簡単な説明】

【図１】本発明の制御対象の制御装置の一実施例による
制御系（ａ）と学習系（ｂ）ののブロック図である。

【図２】図１に示す実施例における制御装置全体を示す
ブロック図である。

【図３】図１に示す実施例を圧延機に適用した場合の制
御装置のブロック図である。

【図４】圧延材とロールの関係を示す図である。

【図５】ゲージメータ式の特性を示す図である。

【図６】塑性曲線を示す図である。

【図７】圧延機の動作点を示す図である。

【図８】動作条件の変化による圧延機の動作点の変化を
示す図である。

【図９】動作条件の変化による圧延機の動作点の変化を
示す図である。

【図１０】動作条件の変化による圧延機の動作点の変化
を示す図である。

【図１１】学習時における学習制御装置の動作を説明す
る構成図である。

【図１２】学習により得られたデータを示す図である。

【図１３】学習により得られたデータをストアするメモ
リを示す図である。

【図１４】学習結果を用いて実行する場合の学習制御装
置の動作を説明する構成図である。

【図１５】図１に示す実施例における学習処理手順を示
すフローチャートである。

【図１６】図１に示す実施例における制御実行時の処理
手順を示すフローチャートである。

【図１７】図１に示す実施例における学習時の手順を説
明する図である。

【図１８】図１に示す実施例におけるニューラルネット
の使い方の説明図である。

【図１９】圧延材とロール間の関係を示す図である。

【図２０】本発明の別の実施例の動作を示す図である。

【図２１】上記別の実施例の制御手順を示す図である。

【図２２】上記別の実施例における長期実績データを示
す図である。

【図２３】上記別の実施例における短期実績データを示
す図である。

【図２４】圧延機のパラメータ変動によるモデルの変動
を示す図である。

【図２５】影響係数を示す図である。

───────────────────────────────────────────────────── フロントページの続き (72)発明者吉岡健一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 (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)発明者服部哲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)発明者諸岡泰男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)発明者執行正謙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

Claims

【特許請求の範囲】

【請求項１】制御対象に所望の動作をさせるように、
該制御対象を制御するアクチュエータに指令を与える制
御方法において、上記制御対象のモデルのパラメータの
各値と該モデルの入出力状態値との関係を学習により求
め、学習結果を記憶手段に記憶し、上記制御対象の入出
力計測値に基づき、上記記憶手段の学習結果を参照して
上記モデルのパラメータ値を決定し、決定された上記パ
ラメータ値に基づき上記指令を求め上記アクチュエータ
に与えることを特徴とする制御方法。
【請求項２】請求項１において、上記学習はニューラ
ルネットを用いて行うことを特徴とする制御方法。
【請求項３】請求項１において、上記パラメータ値の
決定はニューラルネットを用いて行うことを特徴とする
制御方法。
【請求項４】請求項１において、制御対象が非線形制
御系であることを特徴とする制御方法。
【請求項５】請求項４において、制御対象が圧延機で
あることを特徴とする制御方法。
【請求項６】請求項１において、上記モデルをセット
アップモデルとし、上記決定されたパラメータ値に基づ
きセットアップ制御により上記制御対象の入出力の目標
値を決定して上記指令を得て上記アクチュエータに与え
ると共に、上記指令の結果上記制御対象より得られた出
力状態の上記出力の目標値からの偏差をゼロにするよう
にフィードバック制御することを特徴とする制御方法。
【請求項７】請求項６において、上記フィードバック
制御は、上記決定されたパラメータ値に基づきフィード
バック係数を決定することを特徴とする制御方法。
【請求項８】請求項７において、上記決定されたパラ
メータ値に基づき影響係数を求め、該影響係数に基づき
上記フィードバック係数を求めることを特徴とする制御
方法。
【請求項９】請求項１において、上記パラメータ値の
決定は、上記制御対象の長期及び短期の入出力計測値に
基づき決定することを特徴とする制御方法。
【請求項１０】制御対象に所望の動作をさせるよう
に、該制御対象を制御するアクチュエータに指令を与え
る制御装置において、上記制御対象のモデルのパラメー
タの各値と該モデルの入出力状態値との関係を学習によ
り求める手段と、上記学習の結果を記憶する記憶手段
と、上記制御対象の入出力計測値に基づき上記記憶手段
の学習結果を参照して上記モデルのパラメータ値を決定
する手段と、該決定されたパラメータ値に基づき指令を
得て上記アクチュエータに与える手段とを備えることを
特徴とする制御装置。
【請求項１１】請求項１０において、上記学習する手
段は、ニューラルネットワークを備えることを特徴とす
る制御装置。
【請求項１２】請求項１０において、上記パラメータ
を決定する手段は、ニューラルネットワークを備えるこ
とを特徴とする制御装置。
【請求項１３】請求項１０において、上記制御対象が
非線形制御系であることを特徴とする制御装置。
【請求項１４】請求項１３において、上記制御対象が
圧延機であることを特徴とする制御装置。
【請求項１５】請求項１０において、上記モデルをセ
ットアップモデルとし、上記指令をアクチュエータに与
える手段が、上記決定されたパラメータ値に基づきセッ
トアップ制御により上記制御対象の入出力の目標値を決
定して上記指令を得て上記アクチュエータに与える手段
と、上記指令の結果上記制御対象より得られた出力状態
の上記出力の目標値からの偏差をゼロにするようフィー
ドバック制御する手段とを備えることを特徴とする制御
装置。
【請求項１６】請求項１５において、上記フィードバ
ック制御する手段は、上記決定されたパラメータ値に基
づきフィードバック係数を決定するものであることを特
徴とする制御装置。
【請求項１７】請求項１６において、上記フィードバ
ック係数を決定する手段は、上記決定されたパラメータ
値に基づき影響係数を求め該影響係数に基づき上記フィ
ードバック係数を求めるものであることを特徴とする制
御装置。
【請求項１８】請求項１０において、上記パラメータ
値を決定する手段は、上記制御対象の長期及び短期の入
出力計測値に基づきパラメータ値を決定するものである
ことを特徴とする制御装置。
【請求項１９】制御対象に所望の動作をさせるよう
に、該制御対象を制御するアクチュエータに指令を与え
る制御方法において、上記制御対象のモデルのパラメー
タの各値と該モデルの入出力状態値との関係を学習によ
り求め、学習結果として記憶手段に記憶し、上記制御対
象の入出力計測値に基づき、上記記憶手段の学習結果を
参照して上記モデルのパラメータ値を決定し、決定され
た上記パラメータ値に基づき上記モデルをチューニング
し、該チューニングされたモデルに基づき指令を得て上
記アクチュエータに与えることを特徴とする制御方法。
【請求項２０】制御対象に所望の動作をさせるよう
に、該制御対象を制御するアクチュエータに指令を与え
る制御装置において、上記制御対象のモデルのパラメー
タの各値と該モデルの入出力状態値との関係を学習によ
り求める手段と、上記学習の結果を記憶する手段と、上
記制御対象の入出力計測値に基づき上記記憶手段の学習
結果を参照して上記モデルのパラメータ値を決定する手
段と、該決定されたパラメータ値に基づき上記モデルを
チューニングし該チューニングされたモデルに基づき指
令を得て上記アクチュエータに与える手段とを備えるこ
とを特徴とする制御装置。