[发明专利]控制装置以及控制方法

说明书

本发明涉及进行使用了神经网络等人工智能的实时的反馈控制的技术。本发明提供一种能够执行基于控制结果的适当的良好与否判定的控制的技术。对控制对象进行控制的控制装置具有：控制执行装置，其按照所提供的控制规则，对所述控制对象提供控制输出；控制方法学习装置，其使用所指定的评价函数来评价提供给所述控制对象的控制输出，利用该评价结果制作学习数据，学习该学习数据，由此构建所述控制规则，并将该控制规则提供给所述控制执行装置；以及评价函数设定部，其预先保持多个评价函数，根据针对所述控制对象的控制状态，选择所述多个评价函数中的任意一个，将所述选择出的评价函数指定给所述控制方法学习装置。

技术领域

本发明涉及进行使用了神经网络等人工智能的实时的反馈控制的技术。

背景技术

以往，在各种设备中为了通过其控制取得所希望的控制结果而实施基于各种控制理论的设备控制。

作为设备的一例例如在滚轧机控制中，作为控制的一例设为以对板的起伏状态进行控制的形状控制为对象的控制逻辑，应用了模糊控制或神经元模糊控制。模糊控制应用于利用了冷却剂的形状控制，此外，神经元模糊控制应用于森吉米尔滚轧机的形状控制。如专利文献1所示那样，求出由形状检测器检测出的实际情况形状样式与目标形状样式之差、同预先设定的基准形状样式的相似度，通过与由该相似度预先设定的基准形状样式相对应的控制操作端操作量所表现的控制规则，从而求出针对操作端的控制输出量，由此进行应用了其中的神经元模糊控制的形状控制。以下，作为现有技术，使用利用了神经元模糊控制的森吉米尔滚轧机的形状控制。

图1表示专利文献1的图1所记述的森吉米尔滚轧机的形状控制。在森吉米尔滚轧机的形状控制中，使用神经元模糊控制。在该示例中，通过样式识别机构51，由通过形状检测器52检测出的实际形状进行形状的样式识别，对实际形状最接近哪个预先设定的基准形状样式进行运算。在控制运算机构53中，使用由与图2所示的预先设定的形状样式相对应的控制操作端操作量构成的控制规则来实施控制。在对图2进行更具体的叙述时，在样式识别机构51中，对由形状检测器52检测出的形状实际情况与目标形状(εref)之差(△ε)最接近1～8的形状样式(ε)中的哪一个进行运算，在控制运算机构53中，选择1～8的控制方法的某一个来执行。

但是，在专利文献1的方法中，有时为了进行控制规则的验证，在滚轧过程中让操作员进行手动操作来进行控制规则的验证等，但是有时表示与预想相反的形状变化。也就是说，产生如上述那样决定的控制规则与实际不符的情况。这是因为机械特性的研究不足或滚轧机的作业状态或机械条件的变化，但是一个一个验证预先设定的控制规则是否是最好的规则应该考虑的条件较多且困难。因此，若一旦设定控制规则，则只要没有问题就保持不变的情况较多。

因作业条件的变化等，使得控制规则与现实不符时，由于固定了控制规则，因此提高某种程度以上的控制精度变得困难。此外，若一旦形状控制动作，则由于操作员没有进行手动操作(对于控制来说成为干扰)，因此通过操作员的手动介入来发现新的控制规则也变得困难。并且，即使在滚轧新标准的滚轧材料时配合该材料来设定控制规则也会变得困难。

如上所述，在以往的形状控制中，由于使用预先设定的控制规则来进行控制，因此存在难以修正控制规则的问题。

为了解决该问题，一边进行形状控制一边使控制规则随机变化，对形状成为良好的规则进行学习，由此实现专利文献2所示的以下内容：

1)在滚轧过程中一边实施形状控制一边发现新的控制规则；

2)新的控制规则并非可以预先预想，有时完全无法预测的控制规则才是最优的，因此，使控制操作端随机动作，一边观察与其相对应的控制结果一边进行寻找。

现有技术文献

专利文献

专利文献1：日本专利2804161号公报

专利文献2：日本专利4003733号公报