JPH07200005A - Learning control method - Google Patents
Learning control methodInfo
- Publication number
- JPH07200005A JPH07200005A JP5336517A JP33651793A JPH07200005A JP H07200005 A JPH07200005 A JP H07200005A JP 5336517 A JP5336517 A JP 5336517A JP 33651793 A JP33651793 A JP 33651793A JP H07200005 A JPH07200005 A JP H07200005A
- Authority
- JP
- Japan
- Prior art keywords
- control
- learning coefficient
- learning
- coefficient
- updated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Control Of Metal Rolling (AREA)
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】 層別の制御モデルを用いて制御を行う際に、
今回材と次回材が連続してプロセスラインに投入されな
い場合にもその層の次回材を精度よく制御する。
【構成】 制御モデルの係数を更新する際に、係数を各
層に共通した係数である時系列学習係数と各層毎の係数
である層別学習係数とに分離するステップと、時系列学
習係数を直前の制御で更新された時系列学習係数を用い
て更新するステプと、層別学習係数を同一層における直
前の制御で更新された層別学習係数を用いて更新するス
テップとを備える。
(57) [Summary] [Purpose] When performing control using a stratified control model,
Even if the current material and the next material are not continuously fed to the process line, the next material of the layer is accurately controlled. [Configuration] When updating the coefficient of the control model, a step of separating the coefficient into a time-series learning coefficient that is a coefficient common to each layer and a stratified learning coefficient that is a coefficient of each layer, and And a step of updating the stratified learning coefficient using the stratified learning coefficient updated in the immediately previous control in the same layer.
Description
【０００１】[0001]
【産業上の利用分野】この発明は、制御モデルを用いて
熱間圧延ラインや冷間圧延ライン等のプロセスラインを
制御する場合の制御方法であって、制御モデルを学習に
よって適切なものとしつつ制御を行う学習制御方法に関
するものである。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a control method for controlling a process line such as a hot rolling line or a cold rolling line by using a control model. The present invention relates to a learning control method for controlling.
【０００２】[0002]
【従来の技術】熱間圧延ラインや冷間圧延ライン等のプ
ロセスラインでは、プロセスラインの物理現象を制御モ
デルを用いて予測し、その予測にもとづいて目標値が得
られるような制御量を計算し、算出された制御量にした
がってプロセスラインを制御する方法がある。例えば、
熱間圧延ラインの巻取温度制御においては、水冷設備に
関する制御モデルがある。そして、ホットランにおい
て、どのような入力値でどの程度の温度降下量が得られ
るのかが予測される。入力値には、仕上圧延機速度、仕
上圧延機出側温度、気温等である。温度降下量は仕上圧
延機の出側温度と巻取温度との差に対応した値である。
その予測にしたがって、巻取温度が目標値になるように
冷却水量等が設定される。2. Description of the Related Art In a process line such as a hot rolling line or a cold rolling line, a physical phenomenon of the process line is predicted by using a control model, and a control amount for obtaining a target value is calculated based on the prediction. However, there is a method of controlling the process line according to the calculated control amount. For example,
In controlling the winding temperature of the hot rolling line, there is a control model for water cooling equipment. Then, in the hot run, it is predicted what kind of input value and how much temperature drop amount will be obtained. The input values include the finish rolling mill speed, the finish rolling mill delivery side temperature, and the air temperature. The amount of temperature drop is a value corresponding to the difference between the exit temperature of the finish rolling mill and the winding temperature.
According to the prediction, the cooling water amount and the like are set so that the winding temperature reaches the target value.
【０００３】また、１回のプロセスラインの制御が実行
されるたびに、制御モデルを学習によって修正し、修正
された学習モデルを用いて次回の制御を実行する方法が
ある。制御モデルは、今回材についての制御終了後、制
御結果の実績値を用いて修正される。なお、以下、制御
モデルによる計算値をモデル予測値という。ここで、加
工される材料、制御目標値、サイズ等の属性に応じてい
くつかの層が規定され、層毎に制御モデルが設定され、
それらの制御モデルによってプロセスラインが制御され
る。There is also a method in which the control model is modified by learning every time the control of the process line is executed once, and the next control is executed by using the modified learning model. The control model is corrected using the actual value of the control result after the control of the current material is completed. In addition, hereinafter, the calculated value by the control model is referred to as a model predicted value. Here, several layers are defined according to the material to be processed, control target value, attributes such as size, and a control model is set for each layer.
The process lines are controlled by those control models.
【０００４】図５は従来の制御モデルの学習方法の具体
例を示すフローチャートである。プロセスラインに今回
投入された今回材についての制御が終了すると、今回材
についての実績値に応じたモデル予測値ＹCAL を求め
る。熱間圧延ラインの巻取温度制御の場合には、モデル
予測値ＹCAL は、熱流束である。そして、そのモデル予
測値ＹCAL と実績値ＹACT との比である学習係数の瞬時
値Ｃを求める（ステップＳＴ５１）。実績値ＹACT は、
熱間圧延ラインの巻取温度制御の場合には、制御結果で
ある巻取温度等から一義的に定まる熱流束である。FIG. 5 is a flowchart showing a specific example of a conventional control model learning method. When the control for the current material that has been introduced into the process line this time is completed, the model predicted value YCAL corresponding to the actual value for the current material is calculated. In the case of controlling the winding temperature of the hot rolling line, the model predicted value YCAL is the heat flux. Then, the instantaneous value C of the learning coefficient, which is the ratio of the model predicted value YCAL and the actual value YACT, is obtained (step ST51). The actual value YACT is
In the case of controlling the winding temperature of the hot rolling line, the heat flux is uniquely determined from the winding temperature and the like as the control result.
【０００５】瞬時値Ｃは、１回の制御に対する補正係数
的な値である。従って、瞬時値Ｃは、前回制御までの一
連の制御に対する各瞬時値と比較すると、何等かの要因
によって瞬間的に高い値や低い値を示す可能性がある。
よって、瞬時値Ｃをそのまま次回の制御のための補正係
数とすると、次回の制御に悪影響が及ぶ可能性がある。The instantaneous value C is a correction coefficient value for one control. Therefore, the instantaneous value C may momentarily show a high value or a low value due to some factor, as compared with the respective instantaneous values for the series of controls up to the previous control.
Therefore, if the instantaneous value C is used as it is as a correction coefficient for the next control, the next control may be adversely affected.
【０００６】今回材の属する層ｉの修正前の学習係数Ｃ
Ｓo(i)は、テーブルに保存されている。その学習係数Ｃ
Ｓo(i)は、前回制御までの各瞬時値が反映されたものと
なっている。そこで、瞬時値Ｃが不正な値を取ったとし
てもその影響が次回の制御に影響しないように、今回材
についての瞬時値Ｃを学習係数ＣＳo(i)を用いて平滑化
する。すなわち、テーブルから学習係数ＣＳo(i)を読み
出し、例えば、［β・Ｃ＋（１−β・ＣＳo(i)）］の演
算によって、新たな学習係数ＣＳn(i)を算出し、テーブ
ルに格納する（ステップＳＴ５２）。βは０〜１までの
いずれかの値をとる定数である。Learning coefficient C before correction of the layer i to which the material belongs this time
So (i) is stored in the table. The learning coefficient C
So (i) is a reflection of each instantaneous value up to the previous control. Therefore, even if the instantaneous value C takes an incorrect value, the instantaneous value C for the current material is smoothed by using the learning coefficient CSo (i) so that the influence does not affect the next control. That is, the learning coefficient CSo (i) is read from the table, and a new learning coefficient CSn (i) is calculated by, for example, the calculation of [β · C + (1−β · CSo (i))] and stored in the table. (Step ST52). β is a constant that takes any value from 0 to 1.
【０００７】次回に投入される材、すなわち次回材につ
いては、今回材についてのモデル予測値ＹCAL に対して
学習係数ＣＳn(i)を掛けた値がモデル予測値Ｙ'CALとな
る（ステップＳＴ５３）。そして、次回材に対して、こ
のモデル予測値Ｙ'CALを用いて制御が施される。熱間圧
延ラインの巻取温度制御の場合には、次回材が仕上圧延
機から供給されたときのモデル予測値Ｙ'CALである熱流
束に応じて注水パターンの制御が行われる。For the material to be input next time, that is, for the next material, the model predicted value YCAL for the current material is multiplied by the learning coefficient CSn (i) to obtain the model predicted value Y'CAL (step ST53). . Then, the next material is controlled using this model predicted value Y'CAL. In the case of controlling the winding temperature of the hot rolling line, the water injection pattern is controlled according to the heat flux which is the model predicted value Y'CAL when the material is supplied from the finishing mill next time.
【０００８】ステップＳＴ５１〜ＳＴ５３の処理は各層
別に実行される。つまり、次回材とはその層における次
回材であって、実際にプロセスラインに次に投入される
材と同じであるとは限らない。各層別にステップＳＴ５
１〜ＳＴ５３の処理が実行され続けて、学習係数ＣＳn
(i)は１に収束する。すなわち、各回の制御におけるモ
デル予測値Ｙ'CALは一定値に収束し、制御結果は制御目
標値に近づいていく。The processes of steps ST51 to ST53 are executed for each layer. That is, the next material is the next material in the layer, and is not always the same as the material actually put into the process line next. Step ST5 for each layer
The processing of 1 to ST53 continues to be executed, and the learning coefficient CSn
(i) converges to 1. That is, the model predicted value Y'CAL in each control is converged to a constant value, and the control result approaches the control target value.
【０００９】[0009]
【発明が解決しようとする課題】従来の学習制御方法は
以上のように実行されているので、以下のような問題点
があった。まず、層ｉの今回材と次回材が連続してプロ
セスラインに投入されない場合には、今回材の実績値か
ら求めた制御モデルにおける学習係数ＣＳn(i)が次回材
の制御に対して適切な値とならない可能性がある。その
場合、その層の次回材の制御精度が低下することにな
る。その原因は、今回材の投入と次回材の投入との間に
プロセスラインの構成要素の劣化、特性や環境の変化等
プロセスラインの経時的変化が発生することにある。さ
らに、今回材の制御に使用した学習係数が適切で制御結
果が制御目標値に十分達していても、無条件に学習係数
が更新されるので、次回材の制御精度が低下してしまう
ことがある。その原因は、学習係数の算出の際に用いる
実績値を収集する際に、収集タイミング誤差やセンサ誤
差等が発生し適切な実績値が得られない場合もあるから
である。Since the conventional learning control method is executed as described above, it has the following problems. First, when the current material and the next material of the layer i are not continuously input to the process line, the learning coefficient CSn (i) in the control model obtained from the actual value of the current material is appropriate for the control of the next material. It may not be a value. In that case, the control accuracy of the next material of the layer will fall. The cause is that there is a change with time in the process line such as deterioration of components of the process line and changes in characteristics and environment between the input of the current material and the input of the next material. Furthermore, even if the learning coefficient used for controlling the material this time is appropriate and the control result has reached the control target value sufficiently, the learning coefficient is unconditionally updated, so the control accuracy of the next material may decrease. is there. The reason for this is that, when collecting the actual values used in the calculation of the learning coefficient, a collection timing error, a sensor error, or the like may occur and an appropriate actual value may not be obtained.
【００１０】この発明は上記のような問題点を解消する
ためになされたもので、今回材と次回材が連続してプロ
セスラインに投入されない場合にもその層の次回材を精
度よく制御し、さらに、制御精度が十分に確保された後
は、その精度を以後の材に対して維持することができる
学習制御方法を得ることを目的とする。The present invention has been made in order to solve the above-mentioned problems, and even when the current material and the next material are not continuously fed to the process line, the next material of the layer is accurately controlled, Further, it is another object of the present invention to provide a learning control method capable of maintaining the control accuracy for the material after the control accuracy is sufficiently secured.
【００１１】[0011]
【課題を解決するための手段】請求項１記載の発明に係
る学習制御方法は、プロセスラインの物理現象をあらか
じめ分類された各層毎の制御モデルを用いて予測し、予
測結果を用いてプロセスラインの制御目標量に対応した
制御量の設定計算を行い、さらにその制御量による制御
結果の実績値に応じた制御モデルによる予測値と実績値
との誤差に応じて学習係数を更新し、その学習係数を制
御モデルによる予測値に乗じて次回の制御における予測
値を定める学習制御方法であって、学習係数を更新する
際に、制御目標と制御結果の実績値との差がしきい値を
越えていない場合には学習係数の更新をせず、学習係数
の更新を行う場合には、学習係数を各層に共通した係数
である時系列学習係数と各層毎の係数である層別学習係
数とに分離するステップと、時系列学習係数を直前の制
御で更新された時系列学習係数を用いて更新するステプ
と、層別学習係数を同一層における直前の制御で更新さ
れた層別学習係数を用いて更新するステップとを備えた
ものである。A learning control method according to a first aspect of the present invention predicts a physical phenomenon of a process line using a control model for each layer classified in advance, and uses the prediction result to predict the process line. The control amount setting calculation corresponding to the control target amount is calculated, and the learning coefficient is updated according to the error between the predicted value and the actual value by the control model according to the actual value of the control result by the controlled amount, and the learning A learning control method for multiplying a predicted value by a control model with a coefficient to determine a predicted value for the next control, and when updating the learning coefficient, the difference between the control target and the actual value of the control result exceeds a threshold value. If the learning coefficient is not updated, the learning coefficient is updated to the time-series learning coefficient which is a coefficient common to each layer and the stratified learning coefficient which is a coefficient for each layer when the learning coefficient is updated. To separate And the time-series learning coefficient is updated using the time-series learning coefficient updated in the previous control, and the stratified learning coefficient is updated using the stratified learning coefficient updated in the previous control in the same layer. And a step of updating.
【００１２】請求項２記載の発明に係る学習制御方法
は、熱間圧延ラインのホットランにおける温度降下をあ
らかじめ分類された各層毎の制御モデルを用いて予測
し、予測結果を用いて熱間圧延ラインの巻取制御におけ
る制御目標量である巻取温度に対応した制御量の設定計
算を行い、さらにその制御量による制御結果である実績
巻取温度に応じた制御モデルによる予測値と実績値との
誤差に応じて学習係数を更新し、その学習係数を制御モ
デルによる予測値に乗じて次回の制御における予測値を
定める学習制御方法であって、学習係数の更新方法とし
て請求項１記載の発明における更新方法を用いるもので
ある。The learning control method according to the second aspect of the present invention predicts the temperature drop in the hot run of the hot rolling line by using a pre-classified control model for each layer, and uses the prediction result to predict the hot rolling line. The calculation of the setting of the control amount corresponding to the winding temperature which is the control target amount in the winding control is performed, and the predicted value and the actual value by the control model corresponding to the actual winding temperature which is the control result by the control amount are calculated. A learning control method for updating a learning coefficient according to an error, and multiplying the learning coefficient by a predicted value by a control model to determine a predicted value in the next control, which is a learning coefficient updating method. The update method is used.
【００１３】請求項３記載の発明に係る学習制御方法
は、熱間圧延ラインにおけるストリップの幅広がり量を
あらかじめ分類された各層毎の制御モデルを用いて予測
し、予測結果を用いて熱間圧延ラインの粗板幅制御にお
ける制御目標量である出側板幅に対応した制御量の設定
計算を行い、さらにその制御量による制御結果である実
績出側板幅に応じた制御モデルによる予測値と実績値と
の誤差に応じて学習係数を更新し、その学習係数を制御
モデルによる予測値に乗じて次回の制御における予測値
を定める学習制御方法にであって、学習係数の更新方法
として請求項１記載の発明における更新方法を用いるも
のである。In the learning control method according to the third aspect of the present invention, the width expansion amount of the strip in the hot rolling line is predicted by using a pre-classified control model for each layer, and the hot rolling is performed using the prediction result. In the rough plate width control of the line, the control amount corresponding to the output target plate width, which is the control target amount, is calculated, and the control result based on the control amount is the actual output side plate width. 2. A learning control method for updating a learning coefficient according to an error between the learning coefficient and the learning coefficient and multiplying the predicted value by the control model to determine the predicted value in the next control, wherein the learning coefficient is updated. The updating method in the invention is used.
【００１４】請求項４記載の発明に係る学習制御方法
は、熱間圧延ラインにおける搬送スケジュールをあらか
じめ分類された各層毎の制御モデルを用いて予測し、予
測結果を用いて熱間圧延ラインのミルページング制御に
おける制御目標量である次スラブの加熱炉からの抽出タ
イミングを決定し、さらにミルラインの各ゾーンにおけ
る実績搬送時間に応じた制御モデルによる予測値と実績
搬送時間との誤差に応じて学習係数を更新し、その学習
係数を制御モデルによる予測値に乗じて次回の制御にお
ける予測値を定める学習制御方法であって、学習係数の
更新方法として請求項１記載の発明における更新方法を
用いるものである。In the learning control method according to the invention described in claim 4, the transport schedule in the hot rolling line is predicted by using a pre-classified control model for each layer and the prediction result is used to mill the hot rolling line. The timing for extracting the next slab from the heating furnace, which is the control target amount in paging control, is determined, and the learning coefficient is determined according to the error between the predicted value and the actual transfer time according to the actual transfer time in each zone of the mill line. Is updated and the learning coefficient is multiplied by the predicted value by the control model to determine the predicted value in the next control. The updating method according to claim 1 is used as the learning coefficient updating method. is there.
【００１５】[0015]
【作用】請求項１ないし請求項４記載の発明における学
習係数の更新は、今回材の制御実績値に応じたモデル予
測値と実績値との比にもとづいて実行されるが、その
際、実績値の収集誤差等に起因する学習係数の瞬時的な
変化を除外するために、制御目標値と実績値とが近接し
ている場合には実行されない。また、それらが近接して
いない場合には、学習係数は、層毎の制御モデル自体の
誤差を補正するための層別学習係数と、プロセスライン
の経時的変化に起因する各制御モデル共通の誤差を補正
するための時系列学習係数とに分離した上で更新され
る。The updating of the learning coefficient in the inventions according to claims 1 to 4 is executed based on the ratio of the model predicted value and the actual value according to the actual control value of the material this time. This is not executed when the control target value and the actual value are close to each other in order to exclude an instantaneous change in the learning coefficient due to a value collection error or the like. When they are not close to each other, the learning coefficient is the learning coefficient for each layer for correcting the error of the control model itself for each layer, and the error common to each control model due to the change over time of the process line. And the time-series learning coefficient for correcting
【００１６】[0016]
実施例１．以下、この発明の実施例を図について説明す
る。図１は、この発明の第１の実施例による学習制御方
法における制御モデルの学習方法を示すフローチャート
である。この場合、学習係数は、各層毎の係数である層
別学習係数ＣＳと、各層に共通の時系列学習係数ＣＴに
分けられる。層別学習係数ＣＳo(i)（更新後はＣＳn
(i)）は、層毎に存在し、ｉ層の制御が実行される毎に
更新される。時系列学習係数ＣＴは、いずれの層の制御
が実行されても更新される。以下、学習係数という表現
は、層別学習係数ＣＳo(i)と時系列学習係数ＣＴとの双
方を含んだものを表す。または、それらの積を意味す
る。Example 1. Embodiments of the present invention will be described below with reference to the drawings. FIG. 1 is a flowchart showing a control model learning method in a learning control method according to a first embodiment of the present invention. In this case, the learning coefficient is divided into a layer-specific learning coefficient CS that is a coefficient for each layer and a time-series learning coefficient CT that is common to each layer. Stratified learning coefficient CSo (i) (CSn after update)
(i)) exists for each layer and is updated every time the control of the i layer is executed. The time series learning coefficient CT is updated regardless of which layer is controlled. Hereinafter, the expression “learning coefficient” refers to one that includes both the stratified learning coefficient CSo (i) and the time-series learning coefficient CT. Or, the product of them.
【００１７】従来の場合と同様、プロセスラインに今回
投入された今回材についての制御が終了すると、今回材
における実績値に対応したモデル予測値ＹCAL を求め
る。そして、モデル予測値ＹCAL と実績制御値ＹACT と
の比である学習係数の瞬時値Ｃを求める（ステップＳＴ
１１）。次に、制御結果、すなわち制御後の実績値を収
集する。制御実績と制御目標値とを比較し（ステップＳ
Ｔ１２）、その差があらかじめ定められているしきい値
以内であれば、学習係数の更新を行わない。As in the case of the conventional case, when the control for the current material which has been introduced into the process line this time is completed, the model predicted value YCAL corresponding to the actual value of the current material is obtained. Then, the instantaneous value C of the learning coefficient, which is the ratio of the model predicted value YCAL and the actual control value YACT, is obtained (step ST
11). Next, the control result, that is, the actual value after the control is collected. The control result and the control target value are compared (step S
T12), if the difference is within a predetermined threshold value, the learning coefficient is not updated.
【００１８】差がしきい値を越えていれば、以下のよう
に学習係数の更新を行う。まず、学習係数の瞬時値Ｃか
ら時系列学習係数の瞬時値ＣＴを分離する。すなわち、
テーブルに保存されている層別学習係数ＣＳo(i)を読み
出して、［Ｃ／ＣＳo(i)］の演算を行う（ステップＳＴ
１３）。演算結果が時系列学習係数の瞬時値ＣＴであ
る。従来の制御における学習係数の瞬時値を平滑化した
のと同じ理由で、瞬時値時系列学習係数の瞬時値ＣＴを
平滑化する。すなわち、テーブルから更新前の時系列学
習係数ＣＴo を読み出し、［α・ＣＴ＋（１−α）・Ｃ
Ｔo ］の演算を行って、新たな時系列学習係数ＣＴn を
算出する（ステップＳＴ１４）。If the difference exceeds the threshold value, the learning coefficient is updated as follows. First, the instantaneous value CT of the time series learning coefficient is separated from the instantaneous value C of the learning coefficient. That is,
The stratified learning coefficient CSo (i) stored in the table is read out, and [C / CSo (i)] is calculated (step ST
13). The calculation result is the instantaneous value CT of the time series learning coefficient. For the same reason that the instantaneous value of the learning coefficient in the conventional control is smoothed, the instantaneous value CT of the instantaneous value time series learning coefficient is smoothed. That is, the time-series learning coefficient CTo before updating is read from the table and [α · CT + (1−α) · C
To] is calculated to calculate a new time series learning coefficient CTn (step ST14).
【００１９】次に、新たな時系列学習係数ＣＴn を用い
て層別学習係数の瞬時値ＣＳ(i) を計算する。すなわ
ち、［Ｃ／ＣＴn ］の演算を行う（ステップＳＴ１
５）。演算結果は、層別学習係数の瞬時値ＣＳ(i) を表
している。従来の制御における学習係数の瞬時値を平滑
化したのと同じ理由で、層別学習係数の瞬時値ＣＳ(i)
を平滑化する。すなわち、テーブルから更新前の層別学
習係数ＣＳo(i)を読み出して、［β・ＣＳ(i) ＋（１−
β）・ＣＳo(i)］の演算を行って、新たな層別学習係数
ＣＳn(i)を算出する（ステップＳＴ１６）。Next, the instantaneous value CS (i) of the stratified learning coefficient is calculated using the new time series learning coefficient CTn. That is, [C / CTn] is calculated (step ST1)
5). The calculation result represents the instantaneous value CS (i) of the stratified learning coefficient. For the same reason that the instantaneous value of the learning coefficient in the conventional control is smoothed, the instantaneous value CS (i) of the stratified learning coefficient is obtained.
Is smoothed. That is, the stratified learning coefficient CSo (i) before updating is read from the table, and [β · CS (i) + (1-
β) · CSo (i)] is calculated to calculate a new stratified learning coefficient CSn (i) (step ST16).
【００２０】そして、今回材と同じ層における次回材の
制御において用いられるモデル予測値Ｙ'CALを求める。
この場合には、学習係数は時系列学習係数ＣＴn と層別
学習係数ＣＳn(i)との積である（ステップＳＴ１７）。
従って、モデル予測値は、Ｙ'CAL［ＣＴn ・ＣＳn(i)・
ＹCAL ］で求められる。なお、ステップＳＴ１７が実行
されるタイミングは、他層の制御時の時系列学習係数の
修正が反映されるように、次回材の制御の直前とされ
る。Then, the model predicted value Y'CAL used in the control of the next material in the same layer as this material is obtained.
In this case, the learning coefficient is the product of the time series learning coefficient CTn and the stratified learning coefficient CSn (i) (step ST17).
Therefore, the model prediction value is Y'CAL [CTnCSn (i).
YCAL]. The timing at which step ST17 is executed is immediately before the control of the next material so that the correction of the time series learning coefficient at the time of control of the other layer is reflected.
【００２１】次回材に対して、モデル予測値Ｙ'CALと入
力値を用いて、制御結果が制御目標値になるようにプロ
セスラインの制御が実行される。For the next material, the control of the process line is executed using the model predicted value Y'CAL and the input value so that the control result becomes the control target value.
【００２２】実施例２．次に、本発明による学習方法が
適用された制御モデルによる熱間圧延ラインの巻取温度
制御について説明する。図２は、熱間圧延ラインの巻取
温度制御処理を示す機能ブロック図である。Example 2. Next, the winding temperature control of the hot rolling line by the control model to which the learning method according to the present invention is applied will be described. FIG. 2 is a functional block diagram showing a winding temperature control process of the hot rolling line.
【００２３】図において、２１は熱流束の実績値を計算
するブロック、２２は図１に示す学習を行うブロック、
２３は仕上圧延機出側温度や仕上圧延機速度等を検出す
るブロック、２４は制御モデル２０を用いて温度降下量
を予測するブロック、２５は注水パターンを計算するブ
ロック、２６は注水パターンを設定するブロックであ
る。In the figure, 21 is a block for calculating the actual value of the heat flux, 22 is a block for performing the learning shown in FIG.
Reference numeral 23 is a block for detecting the exit side temperature of the finish rolling mill, speed of the finish rolling mill, etc., 24 is a block for predicting a temperature drop amount using the control model 20, 25 is a block for calculating a water injection pattern, and 26 is a water injection pattern set. It is a block to do.
【００２４】次に動作について説明する。今回材につい
ての制御が終了すると、制御結果の実績値、すなわち、
巻取温度等から熱流束を計算する（ブロック２１）。こ
の熱流束が今回材についての実績値ＹACT に相当する。
また、熱流束は、温度降下量に相当するものである。そ
して、今回材の実績値（出側温度等）に対応したモデル
予測値ＹCAL を求める。このモデル予測値ＹCAL は、今
回材についてその実績値が出力されたならばその時点の
制御モデル２０より求められる熱流束である。その後、
図１におけるステップＳＴ１１〜ＳＴ１６の処理によっ
て、次回材の制御に用いられる学習係数ＣＴn ，ＣＳn
を求める（ブロック２２）。つまり、学習係数ＣＴn ，
ＣＳn は、ステップＳＴ１１〜ＳＴ１６の処理で、計算
値と実績値との誤差を学習した後の値である。そして、
学習係数ＣＴn ，ＣＳn から新たなモデル予測値Ｙ'CAL
が求められる。なお、モデル予測値Ｙ'CALは、この場
合、熱流束の予測値である。Next, the operation will be described. When the control for the material this time is completed, the actual value of the control result, that is,
The heat flux is calculated from the winding temperature and the like (block 21). This heat flux corresponds to the actual value YACT for this material.
The heat flux corresponds to the amount of temperature drop. Then, the model predicted value YCAL corresponding to the actual value of the material this time (such as the outlet temperature) is obtained. The model predicted value YCAL is a heat flux obtained from the control model 20 at that time if the actual value of the current material is output. afterwards,
Through the processing of steps ST11 to ST16 in FIG. 1, the learning coefficients CTn and CSn used for the next material control.
(Block 22). That is, the learning coefficient CTn,
CSn is a value after learning the error between the calculated value and the actual value in the processing of steps ST11 to ST16. And
New model prediction value Y'CAL from learning coefficients CTn and CSn
Is required. The model predicted value Y'CAL is the predicted value of the heat flux in this case.
【００２５】次回材が投入されると、新たなモデル予測
値Ｙ'CALを用いて、温度降下量を予測する（ブロック２
４）。予測結果のもとづいて水冷設備の注水パターンを
算出し（ブロック２５）、算出結果に従って水冷設備の
注水パターンを設定する（ブロック２６）。Next time the material is charged, the new model predicted value Y'CAL is used to predict the temperature drop (block 2).
4). The water injection pattern of the water cooling equipment is calculated based on the prediction result (block 25), and the water injection pattern of the water cooling equipment is set according to the calculation result (block 26).
【００２６】この場合には、ブロック２２において制御
モデルの学習係数の修正を行う際に、学習係数が、時系
列学習係数と層別学習係数とに分離した状態で、修正処
理が実行される。よって、層ｉの今回材と次回材との間
に他の層ｊ，ｋ，ｌ，ｍ，・・・の材が圧延され、例え
ば、その間に冷却設備における冷却能力が経時的に変化
した場合であっても、その変化が時系列学習係数に反映
される。従って、層ｉの次回材の投入が今回材の投入時
点からずっとあとになったとしても、精度よく温度降下
量を予測でき、その結果、精度よく注水パターンの設定
を行える。In this case, when the learning coefficient of the control model is corrected in block 22, the correction processing is executed in the state where the learning coefficient is separated into the time series learning coefficient and the stratified learning coefficient. Therefore, when the material of the other layers j, k, l, m, ... Is rolled between the current material and the next material of the layer i, for example, when the cooling capacity of the cooling equipment changes with time during that time. Even then, the change is reflected in the time series learning coefficient. Therefore, even if the next time the material of the layer i is charged is much later than the time of the current material, the temperature drop amount can be accurately predicted, and as a result, the water injection pattern can be accurately set.
【００２７】実施例３．次に、本発明による学習方法が
適用された制御モデルによる熱間圧延ラインの粗板幅制
御について説明する。図３は、熱間圧延ラインの粗板幅
制御処理を示す機能ブロック図である。Example 3. Next, the rough plate width control of the hot rolling line by the control model to which the learning method according to the present invention is applied will be described. FIG. 3 is a functional block diagram showing a rough plate width control process of the hot rolling line.
【００２８】図において、３１は図１に示す学習を行う
ブロック、３２は幅圧延機入側におけるストリップの幅
を検出するブロック、３３は水平圧延機出側における幅
広がり量を制御モデルを用いて予測するブロック、３４
は幅圧延機の修正開度計算を行うブロック、３５は幅圧
延機の修正開度設定を行うブロックである。In the figure, 31 is a block for performing the learning shown in FIG. 1, 32 is a block for detecting the width of the strip on the inlet side of the width rolling mill, and 33 is a control model for the width expansion amount on the outlet side of the horizontal rolling mill. Predicting block, 34
Is a block for calculating the correction opening of the width rolling mill, and 35 is a block for setting the correction opening of the width rolling mill.
【００２９】次に動作について説明する。粗板幅制御で
は、幅圧延機後段の水平圧延機出側におけるストリップ
の平均板幅を制御目標とし、幅圧延機の開度の設定計算
において、幅広がり量を制御モデル３０を用いて予測す
る。この制御モデル３０は、幅圧延機に関するものであ
る。Next, the operation will be described. In the rough strip width control, the average strip width of the strip on the output side of the horizontal rolling mill subsequent to the width rolling mill is set as a control target, and the width spread amount is predicted using the control model 30 in the setting calculation of the opening of the width rolling mill. . The control model 30 relates to a width rolling mill.
【００３０】今回材についての制御が終了すると、制御
結果の実績値、すなわち、出側板幅等を収集する。そし
て、その実績値に対応したモデル予測値ＹCAL を求め
る。このモデル予測値ＹCAL は、その時点の制御モデル
３０による今回材の実績値を出力するための幅広がり量
である。次に、図１におけるブロック１１〜ＳＴ１６の
処理によって、次回材の制御に用いられる学習係数ＣＴ
n ，ＣＳn を求める（ブロック３１）。つまり、学習係
数ＣＴn ，ＣＳn は、ブロック１１〜ＳＴ１６の処理
で、計算値と実績値との誤差を学習した後の値である。
そして、学習係数ＣＴn ，ＣＳn から新たなモデル予測
値Ｙ'CALが求められる。When the control of the material this time is completed, the actual value of the control result, that is, the delivery side plate width and the like are collected. Then, the model predicted value YCAL corresponding to the actual value is obtained. The model predicted value YCAL is a width expansion amount for outputting the actual value of the current material by the control model 30 at that time. Next, by the processing of blocks 11 to ST16 in FIG.
Find n and CSn (block 31). That is, the learning coefficients CTn and CSn are values after learning the error between the calculated value and the actual value in the processing of blocks 11 to ST16.
Then, a new model predicted value Y'CAL is obtained from the learning coefficients CTn and CSn.
【００３１】次回材が投入されると、新たなモデル予測
値Ｙ'CALを用いて幅広がり量を予測し（ブロック３
３）、幅圧延機の修正開度を算出し（ブロック３４）、
算出結果に従って幅圧延機の修正開度を設定する（ブロ
ック３５）。The next time the material is put in, the width expansion amount is predicted using the new model predicted value Y'CAL (block 3
3), calculate the corrected opening of the width rolling mill (block 34),
The correction opening of the width rolling mill is set according to the calculation result (block 35).
【００３２】この場合には、ブロック３１において制御
モデルの学習係数の修正を行う際に、学習係数が、時系
列学習係数と層別学習係数とに分離した状態で、修正処
理が実行される。よって、層ｉの今回ストリップと次ス
トリップとの間に他の層ｊ，ｋ，ｌ，ｍ，・・・のスト
リップが投入され、例えば、その間に幅圧延機の位置決
め精度が経時的に変化した場合であっても、その変化が
時系列学習係数に反映される。従って、層ｉの次ストリ
ップの投入が今回ストリップの投入時点からずっとあと
になったとしても、精度よく幅広がり量を予測でき、そ
の結果、精度よく幅圧延機の修正開度の設定を行える。In this case, when the learning coefficient of the control model is corrected in block 31, the correction processing is executed with the learning coefficient separated into the time series learning coefficient and the stratified learning coefficient. Therefore, the strips of the other layers j, k, l, m, ... Are put between the current strip and the next strip of the layer i, for example, during which the positioning accuracy of the width rolling mill changes with time. Even in this case, the change is reflected in the time series learning coefficient. Therefore, even if the introduction of the next strip of the layer i is long after the introduction of the strip this time, the width expansion amount can be accurately predicted, and as a result, the correction opening of the width rolling mill can be accurately set.
【００３３】実施例４．次に、本発明による学習方法が
適用された制御モデルによる熱間圧延ラインの粗板幅制
御について説明する。図４は、熱間圧延ラインのミルペ
ージング制御を示す機能ブロック図である。Example 4. Next, the rough plate width control of the hot rolling line by the control model to which the learning method according to the present invention is applied will be described. FIG. 4 is a functional block diagram showing the mill paging control of the hot rolling line.
【００３４】図において、４１は制御モデル４０を用い
て搬送スケジュールを予測する部分、４２はミルライン
制約ピッチを計算するブロック、４３は次スラブ抽出時
刻を計算する部分、４４は実績搬送スケジューラを作成
する部分、４５は搬送スケジューラを学習によって修正
する部分である。In the figure, 41 is a part for predicting the transfer schedule using the control model 40, 42 is a block for calculating the mill line constraint pitch, 43 is a part for calculating the next slab extraction time, and 44 is a actual transfer scheduler. A part 45 is a part for modifying the transfer scheduler by learning.
【００３５】次に動作について説明する。ミルページン
グでは、加熱炉からのスラブ抽出タイミングが制御目標
である。この場合、制御モデルに対応するものは、圧延
ラインにおける材の搬送を制御する搬送スケジューラで
ある。加熱炉からスラブが抽出されると次スラブについ
てミルページング制御が開始される。まず、搬送スケジ
ューラの内容から次抽出材（次スラブに対応したもの）
の搬送スケジュールを予測する（ブロック４１）。次
に、その搬送スケジュール、前回材の搬送スケジュール
およびミルライン制約から決まるミルライン制約ピッチ
を算出する（ブロック４２）。さらに、算出されたミル
ライン制約ピッチと加熱炉制約ピッチとから次スラブの
抽出時刻を算出する（ブロック４３）。Next, the operation will be described. In mill paging, the slab extraction timing from the heating furnace is the control target. In this case, what corresponds to the control model is a transfer scheduler that controls the transfer of the material on the rolling line. When the slab is extracted from the heating furnace, mill paging control is started for the next slab. First, from the contents of the transport scheduler, the next extraction material (corresponding to the next slab)
Of the transport schedules of the above (block 41). Next, a mill line constraint pitch determined from the transport schedule, the transport schedule of the previous material and the mill line constraint is calculated (block 42). Further, the extraction time of the next slab is calculated from the calculated mill line restriction pitch and heating furnace restriction pitch (block 43).
【００３６】また、ミルラインの各ゾーンにおける実績
搬送時間が計測されている。それらの実績搬送時間か
ら、実績の搬送スケジューラを作成する。モデル予測値
ＹCALは、ここでは、実績搬送スケジューラによる搬送
スケジュールすなわち実績のミルライン搬送時間に対応
する。次に、図１におけるブロック１１〜ＳＴ１７の処
理によって、次回材の制御に用いられるモデル予測値
Ｙ'CALを求める（ブロック３１）。ここでは、モデル予
測値Ｙ'CALは、次抽出材の予測搬送スケジュールであ
る。さらに次のスラブについては、新たなモデル予測値
Ｙ'CALを用いてブロック４２，４３の処理が行われ、抽
出タイミングが決定される。The actual transfer time in each zone of the mill line is measured. An actual transfer scheduler is created from those actual transfer times. The model predicted value YCAL corresponds here to the transfer schedule by the actual transfer scheduler, that is, the actual mill line transfer time. Next, the model prediction value Y'CAL used for the next control of the material is obtained by the processing of blocks 11 to ST17 in FIG. 1 (block 31). Here, the model predicted value Y'CAL is the predicted transport schedule of the next extracted material. For the next slab, the processing of blocks 42 and 43 is performed using the new model predicted value Y'CAL, and the extraction timing is determined.
【００３７】この場合には、ブロック５１において制御
モデルの学習係数の修正を行う際に、学習係数が、時系
列学習係数と層別学習係数とに分離した状態で、修正処
理が実行される。よって、層ｉの今回スラブと次スラブ
との間に他の層ｊ，ｋ，ｌ，ｍ，・・・のスラブが加熱
炉から抽出され、例えば、その間にミルライン上のトラ
ッキングセンサの精度劣化等に起因して搬送時間の計測
精度が経時的に変化した場合であっても、その変化が時
系列学習係数に反映される。従って、層ｉの次スラブの
抽出が今回スラブの抽出時点からずっとあとになったと
しても、精度よく搬送スケジュールを予測でき、その結
果、精度よくミルページング制御を行える。In this case, when the learning coefficient of the control model is corrected in block 51, the correction processing is executed with the learning coefficient separated into the time-series learning coefficient and the stratified learning coefficient. Therefore, the slabs of the other layers j, k, l, m, ... Are extracted from the heating furnace between the current slab and the next slab of the layer i, and, for example, the accuracy of the tracking sensor on the mill line deteriorates during that time. Even when the measurement accuracy of the transport time changes over time due to, the change is reflected in the time series learning coefficient. Therefore, even if the extraction of the next slab of the layer i is much later than the extraction time of the current slab, the transfer schedule can be accurately predicted, and as a result, the mill paging control can be accurately performed.
【００３８】[0038]
【発明の効果】以上のように、請求項１記載の発明によ
れば、学習制御方法が、制御モデルを修正する際に学習
係数を各層対応の層別学習係数と各層共通の時系列学習
係数とに分けて更新する構成になっているので、同一層
における今回材の加工と次回材の加工とが連続していな
い場合でも、次回材の加工における物理現象を高精度で
予測でき、その結果、高精度の制御を実行できる効果が
ある。また、制御精度が十分に確保された後は、その制
御精度を良好に保つことができる。As described above, according to the first aspect of the invention, the learning control method uses the learning coefficient when correcting the control model as the learning coefficient for each layer and the time series learning coefficient common to each layer. Since it is configured to be updated separately, the physical phenomenon in the processing of the next material can be predicted with high accuracy even if the processing of the current material and the processing of the next material in the same layer are not continuous. There is an effect that high-precision control can be executed. Further, after the control accuracy is sufficiently secured, the control accuracy can be kept good.
【００３９】請求項２記載の発明によれば、学習制御方
法が、熱間圧延ラインの巻取温度制御に用いられる制御
モデルを修正する際に学習係数を各層対応の層別学習係
数と各層共通の時系列学習係数とに分けて更新する構成
になっているので、同一層の今回材と次回材との間に他
の層の材が圧延され、その間に冷却設備における冷却能
力が経時的に変化した場合であっても、精度よくその層
についての温度降下量を予測でき、その結果、精度よく
注水パターンの設定を行える効果がある。また、制御精
度が十分に確保された後は、その制御精度を良好に保つ
ことができる。According to the invention described in claim 2, when the learning control method corrects the control model used for the coiling temperature control of the hot rolling line, the learning coefficient is common to each layer and the learning coefficient for each layer corresponding to each layer. The time series learning coefficient is updated separately, so that the material of the other layer is rolled between the current material and the next material of the same layer, during which the cooling capacity of the cooling equipment changes with time. Even if there is a change, there is an effect that the temperature drop amount for the layer can be accurately predicted, and as a result, the water injection pattern can be set accurately. Further, after the control accuracy is sufficiently secured, the control accuracy can be kept good.
【００４０】請求項３記載の発明によれば、学習制御方
法が、熱間圧延ラインのミルページング制御に用いられ
る制御モデルを修正する際に学習係数を各層対応の層別
学習係数と各層共通の時系列学習係数とに分けて更新す
る構成になっているので、同一層の今回ストリップと次
ストリップとの間に他の層のストリップが投入され、そ
の間に幅圧延機の位置決め精度が経時的に変化した場合
であっても、精度よくその層についての幅広がり量を予
測でき、その結果、精度よく幅圧延機の修正開度の設定
を行える。また、制御精度が十分に確保された後は、そ
の制御精度を良好に保つことができる。According to the invention described in claim 3, when the learning control method corrects the control model used for the mill paging control of the hot rolling line, the learning coefficient is common to each layer and the layer-specific learning coefficient corresponding to each layer. Since it is configured to update separately with the time-series learning coefficient, the strips of other layers are inserted between the current strip and the next strip of the same layer, and the positioning accuracy of the width rolling mill changes with time in the meantime. Even if there is a change, the width expansion amount of the layer can be accurately predicted, and as a result, the corrected opening degree of the width rolling mill can be accurately set. Further, after the control accuracy is sufficiently secured, the control accuracy can be kept good.
【００４１】請求項４記載の発明によれば、学習制御方
法が、熱間圧延ラインの粗板幅制御に用いられる制御モ
デルを修正する際に学習係数を各層対応の層別学習係数
と各層共通の時系列学習係数とに分けて更新する構成に
なっているので、同一層の今回スラブと次スラブとの間
に他の層のスラブが加熱炉から抽出され、その間にミル
ライン上のトラッキングセンサの精度劣化等に起因して
搬送時間の計測精度が経時的に変化した場合であって
も、精度よくその層についての搬送スケジュールを予測
でき、その結果、精度よくミルページング制御を行え
る。According to the invention described in claim 4, when the learning control method corrects the control model used for the rough strip width control of the hot rolling line, the learning coefficient is common to each layer and the learning coefficient for each layer corresponding to each layer. Since it is configured to be updated separately from the time series learning coefficient of, the slabs of other layers are extracted from the heating furnace between the current slab and the next slab of the same layer, and the tracking sensor on the mill line Even when the measurement accuracy of the transfer time changes with time due to deterioration in accuracy, the transfer schedule for the layer can be predicted accurately, and as a result, mill paging control can be performed with high accuracy.
【図１】この発明の一実施例による学習制御方法におけ
る制御モデルの学習方法を示すフローチャートである。FIG. 1 is a flowchart showing a control model learning method in a learning control method according to an embodiment of the present invention.
【図２】図１に示す学習方法が適用された熱間圧延ライ
ンの巻取温度制御処理を示す機能ブロック図である。FIG. 2 is a functional block diagram showing a winding temperature control process of a hot rolling line to which the learning method shown in FIG. 1 is applied.
【図３】図１に示す学習方法が適用された熱間圧延ライ
ンの粗板幅制御処理を示す機能ブロック図である。FIG. 3 is a functional block diagram showing a rough plate width control process of a hot rolling line to which the learning method shown in FIG. 1 is applied.
【図４】図１に示す学習方法が適用された熱間圧延ライ
ンのミルページング制御を示す機能ブロック図である。FIG. 4 is a functional block diagram showing mill paging control of a hot rolling line to which the learning method shown in FIG. 1 is applied.
【図５】従来の学習制御方法における制御モデルの学習
方法を示すフローチャートである。FIG. 5 is a flowchart showing a control model learning method in a conventional learning control method.
２０，３０，４０ 制御モデル 20, 30, 40 control model
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.6 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｂ２１Ｂ 37/22 37/76 37/00 Ｇ０５Ｂ 13/04 7531−3Ｈ 17/02 7531−3Ｈ 8315−4Ｅ Ｂ２１Ｂ 37/00 １３２ Ａ 8315−4Ｅ １３６ Ｃ ─────────────────────────────────────────────────── ─── Continuation of the front page (51) Int.Cl. 6 Identification code Internal reference number FI Technical display location B21B 37/22 37/76 37/00 G05B 13/04 7531-3H 17/02 7531-3H 8315- 4E B21B 37/00 132 A 8315-4E 136 C
Claims (4)
分類された各層毎の制御モデルを用いて予測し、予測結
果を用いて前記プロセスラインの制御目標量に対応した
制御量の設定計算を行い、さらにその制御量による制御
結果の実績値に応じた前記制御モデルによる予測値と実
績値との誤差に応じて学習係数を更新し、その学習係数
を前記制御モデルによる予測値に乗じて次回の制御にお
ける予測値を定める学習制御方法において、前記学習係
数を更新する際に、前記制御目標と制御結果の実績値と
の差がしきい値を越えていない場合には学習係数の更新
をせず、学習係数の更新を行う場合には、学習係数を各
層に共通した係数である時系列学習係数と各層毎の係数
である層別学習係数とに分離し、前記時系列学習係数を
直前の制御で更新された時系列学習係数を用いて更新
し、前記層別学習係数を同一層における直前の制御で更
新された層別学習係数を用いて更新することを特徴とす
る学習制御方法。1. A physical phenomenon of a process line is predicted using a control model for each layer classified in advance, and a control amount setting calculation corresponding to a control target amount of the process line is calculated using the prediction result. The learning coefficient is updated according to the error between the predicted value and the actual value by the control model according to the actual value of the control result by the control amount, and the learning coefficient is multiplied by the predicted value by the control model in the next control. In a learning control method for determining a prediction value, when updating the learning coefficient, if the difference between the control target and the actual value of the control result does not exceed a threshold value, the learning coefficient is not updated and learning is performed. When updating the coefficients, the learning coefficient is separated into a time-series learning coefficient that is a coefficient common to each layer and a layer-by-layer learning coefficient that is a coefficient for each layer, and the time-series learning coefficient is updated by the immediately preceding control. It The learning control method is characterized in that the time-series learning coefficient is updated, and the stratification learning coefficient is updated using the stratification learning coefficient updated in the immediately preceding control in the same layer.
度降下をあらかじめ分類された各層毎の制御モデルを用
いて予測し、予測結果を用いて前記熱間圧延ラインの巻
取制御における制御目標量である巻取温度に対応した制
御量の設定計算を行い、さらにその制御量による制御結
果である実績巻取温度に応じた前記制御モデルによる予
測値と実績値との誤差に応じて学習係数を更新し、その
学習係数を前記制御モデルによる予測値に乗じて次回の
制御における予測値を定める学習制御方法において、前
記学習係数を更新する際に、前記制御目標と制御結果の
実績値との差がしきい値を越えていない場合には学習係
数の更新をせず、学習係数の更新を行う場合には、学習
係数を各層に共通した係数である時系列学習係数と各層
毎の係数である層別学習係数とに分離し、前記時系列学
習係数を直前の制御で更新された時系列学習係数を用い
て更新し、前記層別学習係数を同一層における直前の制
御で更新された層別学習係数を用いて更新することを特
徴とする学習制御方法。2. A control target amount in winding control of the hot rolling line is predicted by predicting a temperature drop in a hot run of a hot rolling line using a control model for each layer classified in advance. Performs setting calculation of the control amount corresponding to the winding temperature, and updates the learning coefficient according to the error between the predicted value and the actual value by the control model according to the actual winding temperature which is the control result by the control amount. In the learning control method for determining the predicted value in the next control by multiplying the predicted value by the control model with the learning coefficient, when updating the learning coefficient, the difference between the control target and the actual value of the control result is calculated. When the learning coefficient is not updated when the threshold value is not exceeded, and when the learning coefficient is updated, the learning coefficient is the time-series learning coefficient that is common to each layer and the stratification that is the coefficient for each layer. A learning coefficient, and the time-series learning coefficient is updated using the time-series learning coefficient updated in the immediately preceding control, and the stratified learning coefficient is updated in the same layer by the immediately preceding control. A learning control method characterized by updating using.
広がり量をあらかじめ分類された各層毎の制御モデルを
用いて予測し、予測結果を用いて熱間圧延ラインの粗板
幅制御における制御目標量である出側板幅に対応した制
御量の設定計算を行い、さらにその制御量による制御結
果である実績出側板幅に応じた前記制御モデルによる予
測値と実績値との誤差に応じて学習係数を更新し、その
学習係数を前記制御モデルによる予測値に乗じて次回の
制御における予測値を定める学習制御方法において、前
記学習係数を更新する際に、前記制御目標と制御結果の
実績値との差がしきい値を越えていない場合には学習係
数の更新をせず、学習係数の更新を行う場合には、学習
係数を各層に共通した係数である時系列学習係数と各層
毎の係数である層別学習係数とに分離し、前記時系列学
習係数を直前の制御で更新された時系列学習係数を用い
て更新し、前記層別学習係数を同一層における直前の制
御で更新された層別学習係数を用いて更新することを特
徴とする学習制御方法。3. A strip width spread amount in a hot rolling line is predicted using a control model for each layer classified in advance, and the prediction target is used as a control target amount in rough plate width control in the hot rolling line. Performs setting calculation of the control amount corresponding to a certain output side plate width, and updates the learning coefficient according to the error between the predicted value and the actual value by the control model according to the actual output side plate width which is the control result by the control amount. Then, in the learning control method for determining the predicted value in the next control by multiplying the learning coefficient by the learning coefficient, the difference between the control target and the actual value of the control result when updating the learning coefficient. When the threshold is not exceeded, the learning coefficient is not updated. When the learning coefficient is updated, the learning coefficient is a time-series learning coefficient that is common to each layer and a layer that is a coefficient for each layer. Another A learning coefficient, and the time-series learning coefficient is updated using the time-series learning coefficient updated in the immediately preceding control, and the stratified learning coefficient is updated in the same layer by the immediately preceding control. A learning control method characterized by updating using.
ルをあらかじめ分類された各層毎の制御モデルを用いて
予測し、予測結果を用いて前記熱間圧延ラインのミルペ
ージング制御における制御目標量である次スラブの加熱
炉からの抽出タイミングを決定し、さらにミルラインの
各ゾーンにおける実績搬送時間に応じた前記制御モデル
による予測値と実績搬送時間との誤差に応じて学習係数
を更新し、その学習係数を前記制御モデルによる予測値
に乗じて次回の制御における予測値を定める学習制御方
法において、前記学習係数を更新する際に、前記制御目
標と制御結果の実績値との差がしきい値を越えていない
場合には学習係数の更新をせず、学習係数の更新を行う
場合には、学習係数を各層に共通した係数である時系列
学習係数と各層毎の係数である層別学習係数とに分離
し、前記時系列学習係数を直前の制御で更新された時系
列学習係数を用いて更新し、前記層別学習係数を同一層
における直前の制御で更新された層別学習係数を用いて
更新することを特徴とする学習制御方法。4. The next slab, which is a control target amount in the mill paging control of the hot rolling line, is predicted by using a control model for each layer, which is classified in advance, to predict a transportation schedule in the hot rolling line. The extraction timing from the heating furnace is determined, and the learning coefficient is updated according to the error between the predicted value and the actual transportation time by the control model according to the actual transportation time in each zone of the mill line, and the learning coefficient is updated as described above. In a learning control method for determining a predicted value in the next control by multiplying the predicted value by the control model, when updating the learning coefficient, the difference between the control target and the actual value of the control result does not exceed a threshold value. In this case, when the learning coefficient is not updated but the learning coefficient is updated, the learning coefficient and the time-series learning coefficient that is a coefficient common to each layer It is separated into a learning coefficient that is a coefficient by layer, the time-series learning coefficient is updated by using the time-series learning coefficient updated by the control immediately before, and the learning coefficient by layer is updated by the control immediately before in the same layer. A learning control method characterized by updating using stratified learning coefficients.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5336517A JPH07200005A (en) | 1993-12-28 | 1993-12-28 | Learning control method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5336517A JPH07200005A (en) | 1993-12-28 | 1993-12-28 | Learning control method |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH07200005A true JPH07200005A (en) | 1995-08-04 |
Family
ID=18299952
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5336517A Pending JPH07200005A (en) | 1993-12-28 | 1993-12-28 | Learning control method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH07200005A (en) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0985328A (en) * | 1995-09-19 | 1997-03-31 | Mitsubishi Electric Corp | Winding temperature control device for hot rolled steel sheet and winding temperature control method thereof |
| JPH10254504A (en) * | 1997-03-06 | 1998-09-25 | Hitachi Ltd | Autonomous control method and control system |
| JP2000084607A (en) * | 1998-09-08 | 2000-03-28 | Toshiba Corp | Rolling model learning device |
| JP2000135507A (en) * | 1998-10-31 | 2000-05-16 | Sms Schloeman Siemag Ag | Method and system to control cooling section |
| JP2002224723A (en) * | 2001-02-06 | 2002-08-13 | Nippon Steel Corp | Sheet width control method and sheet width change prediction formula learning method |
| JP2005202803A (en) * | 2004-01-16 | 2005-07-28 | Sumitomo Metal Ind Ltd | Learning control method |
| JP2009233716A (en) * | 2008-03-27 | 2009-10-15 | Kobe Steel Ltd | Method of cooling rolled stock |
| KR101237079B1 (en) * | 2011-02-24 | 2013-02-25 | 현대제철 주식회사 | System for controlling rolling process having learning function and control method thereof |
| WO2013171862A1 (en) * | 2012-05-16 | 2013-11-21 | 東芝三菱電機産業システム株式会社 | Setting calculation system learning device and learning method |
| KR101451516B1 (en) * | 2013-02-19 | 2014-10-15 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | Learning control apparatus of rolling process |
| WO2015122010A1 (en) * | 2014-02-17 | 2015-08-20 | 東芝三菱電機産業システム株式会社 | Rolling process learning control device |
| JP2016047538A (en) * | 2014-08-27 | 2016-04-07 | Ｊｆｅスチール株式会社 | Steel plate cooling method |
| WO2016151637A1 (en) * | 2015-03-26 | 2016-09-29 | 日本電気株式会社 | Learning model generation system, method, and program |
| WO2020129173A1 (en) * | 2018-12-19 | 2020-06-25 | 東芝三菱電機産業システム株式会社 | Learning control device for rolling process |
| JP2020197944A (en) * | 2019-06-03 | 2020-12-10 | メタウォーター株式会社 | Model prediction control system, information processing device, program, and model prediction control method |
| JP2021178356A (en) * | 2020-05-15 | 2021-11-18 | Ｊｆｅスチール株式会社 | Width reduction load estimating method for use in width reduction press device, width reduction load control method, and production method for width reduction load estimation model |
| WO2022239157A1 (en) * | 2021-05-12 | 2022-11-17 | 東芝三菱電機産業システム株式会社 | Learning control device for rolling process |
-
1993
- 1993-12-28 JP JP5336517A patent/JPH07200005A/en active Pending
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0985328A (en) * | 1995-09-19 | 1997-03-31 | Mitsubishi Electric Corp | Winding temperature control device for hot rolled steel sheet and winding temperature control method thereof |
| JPH10254504A (en) * | 1997-03-06 | 1998-09-25 | Hitachi Ltd | Autonomous control method and control system |
| JP2000084607A (en) * | 1998-09-08 | 2000-03-28 | Toshiba Corp | Rolling model learning device |
| JP2000135507A (en) * | 1998-10-31 | 2000-05-16 | Sms Schloeman Siemag Ag | Method and system to control cooling section |
| JP2002224723A (en) * | 2001-02-06 | 2002-08-13 | Nippon Steel Corp | Sheet width control method and sheet width change prediction formula learning method |
| JP2005202803A (en) * | 2004-01-16 | 2005-07-28 | Sumitomo Metal Ind Ltd | Learning control method |
| JP2009233716A (en) * | 2008-03-27 | 2009-10-15 | Kobe Steel Ltd | Method of cooling rolled stock |
| KR101237079B1 (en) * | 2011-02-24 | 2013-02-25 | 현대제철 주식회사 | System for controlling rolling process having learning function and control method thereof |
| JPWO2013171862A1 (en) * | 2012-05-16 | 2016-01-07 | 東芝三菱電機産業システム株式会社 | Learning apparatus and learning method for setting calculation system |
| WO2013171862A1 (en) * | 2012-05-16 | 2013-11-21 | 東芝三菱電機産業システム株式会社 | Setting calculation system learning device and learning method |
| CN104303114A (en) * | 2012-05-16 | 2015-01-21 | 东芝三菱电机产业系统株式会社 | Setting calculation system learning device and learning method |
| KR101451516B1 (en) * | 2013-02-19 | 2014-10-15 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | Learning control apparatus of rolling process |
| JPWO2015122010A1 (en) * | 2014-02-17 | 2017-03-30 | 東芝三菱電機産業システム株式会社 | Learning control device for rolling process |
| WO2015122010A1 (en) * | 2014-02-17 | 2015-08-20 | 東芝三菱電機産業システム株式会社 | Rolling process learning control device |
| US10124381B2 (en) | 2014-02-17 | 2018-11-13 | Toshiba Mitsubishi-Electric Industrial Systems Corporation | Rolling process learning control device |
| JP2016047538A (en) * | 2014-08-27 | 2016-04-07 | Ｊｆｅスチール株式会社 | Steel plate cooling method |
| WO2016151637A1 (en) * | 2015-03-26 | 2016-09-29 | 日本電気株式会社 | Learning model generation system, method, and program |
| JPWO2016151637A1 (en) * | 2015-03-26 | 2017-12-14 | 日本電気株式会社 | Learning model generation system, method and program |
| WO2020129173A1 (en) * | 2018-12-19 | 2020-06-25 | 東芝三菱電機産業システム株式会社 | Learning control device for rolling process |
| JPWO2020129173A1 (en) * | 2018-12-19 | 2021-02-15 | 東芝三菱電機産業システム株式会社 | Learning control device for rolling process |
| JP2020197944A (en) * | 2019-06-03 | 2020-12-10 | メタウォーター株式会社 | Model prediction control system, information processing device, program, and model prediction control method |
| JP2021178356A (en) * | 2020-05-15 | 2021-11-18 | Ｊｆｅスチール株式会社 | Width reduction load estimating method for use in width reduction press device, width reduction load control method, and production method for width reduction load estimation model |
| WO2022239157A1 (en) * | 2021-05-12 | 2022-11-17 | 東芝三菱電機産業システム株式会社 | Learning control device for rolling process |
| JPWO2022239157A1 (en) * | 2021-05-12 | 2022-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH07200005A (en) | Learning control method | |
| US8391998B2 (en) | Method for controlling and/or regulating an industrial process | |
| CN111814402B (en) | Heating furnace temperature control method | |
| CN113849020A (en) | A method and device for designing billet heating curve based on artificial intelligence algorithm | |
| JP2783124B2 (en) | Temperature control method for hot rolled steel | |
| CN101082814A (en) | Method for determining the time of hot rolling heating stove bar plate leavings in furnace | |
| JPH04367901A (en) | Learning control method in process lens | |
| JP7135962B2 (en) | Steel plate finishing delivery side temperature control method, steel plate finishing delivery side temperature control device, and steel plate manufacturing method | |
| JP3710572B2 (en) | Heating furnace control device | |
| CN114818253B (en) | Coiling temperature model self-learning method suitable for fast-rhythm rolling | |
| JPH1031505A (en) | Learning control method of process line | |
| JP7205517B2 (en) | Rolled material cooling control method and cooling control device | |
| CN117450627A (en) | Defrosting control method of air conditioning unit and related equipment | |
| JP2001252709A (en) | Prediction method of finishing temperature of finishing mill in hot rolling | |
| JP2809925B2 (en) | Sheet temperature control method for continuous annealing furnace | |
| JP4208509B2 (en) | Model learning device for rolling process | |
| JPH1133616A (en) | Steel strip winding temperature control device | |
| JP4696775B2 (en) | Plate width control method and apparatus | |
| JP4352470B2 (en) | Cold rolled steel strip manufacturing method | |
| JPH09192715A (en) | Automatic load balance adjustment method in multi-stage hot rolling | |
| JP3518504B2 (en) | How to set cooling conditions for steel sheets | |
| JP7767241B2 (en) | Rolling setting support system and rolling setting support method | |
| JPH04339511A (en) | Method for cooling and controlling steel plate | |
| JPH06259107A (en) | Learning control method for process line | |
| JP4736832B2 (en) | Hot finish rolling device and hot finish rolling temperature control method |