[发明专利]设备控制装置、轧钢机控制装置及其控制方法、记录介质

说明书

本发明提供设备控制装置、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。

技术领域

本发明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。

背景技术

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。