過程控制方法和設備的製作方法
2023-04-27 02:30:01 2
專利名稱::過程控制方法和設備的製作方法
技術領域:
:本發明涉及一種過程控制方法,其中在一個調節裝置中由過程輸出量的測量值來計算對過程起作用的多個調節機構的調節量。本發明還涉及相應的一種設備。這樣一種方法及這樣一種設備也是一項老國際申請PCT/DE94/00028的主題,該老申請在本申請的優先權日之前尚未公開。在過程控制時通常設有多個調節機構,以便影響過程的確定輸出量。在這種情況下將根據控制量計算調節裝置中各調節機構的調節量,過程的輸出量應取得該控制量的值。對於這樣一種過程控制的例子是在軋制設備中的軋帶平直度,其中對軋縫的影響並由此對軋帶平直度的影響是根據在被軋制帶的寬度上分布的帶平直度的測量值和此外通過軋輥的搖擺、彎曲、軸向位移和或局部冷卻來實現的。對於過程輸出量的良好調節具有很大重要性的是提供關於調節機構性能的調節裝置的參數,也就是關於各個調節機構如何對輸出量起作用的參數。這裡,存在一個問題,即在工業設備中往往提供不出或提供不足有關調節機構的參數。通常知道的是,在軋制金屬帶時,帶的平直度通過同時操作多個改變軋縫的調節機構而被改善。由日立雜誌(HitachiReview)41(1992)1,第31至38頁此外公知了,在軋制機架中為了帶平直度的調節對於軋制機架的每個調節機構分別配置了帶平直度的典型樣品截面,由它並根據關於軋制過程的經驗知識可知道,通過操作相應的調節機構可加以改善。在軋制機架的後面,測量帶平直度的實際截面,並將這樣得到的測量值送到一個神經網絡,該網絡作為網絡響應將給出所測量的帶平直度截面是由各個樣品截面以怎樣的比例組成的。將這樣得到的比例在模糊調節器中與調節機械的調節信號相結合。該公知方法在極大程度上是基於軋制人員關於調節機構功能的經驗知識,但是這對於優化過程控制來說是比較一般及不精確的。此外,在調節中所獲得的經驗知識是與相應的設備相連繫的,而不能直接地轉用於其它設備。本發明的目的在於給出一種用於過程控制的方法和設備,它能不依賴於現有的關於過程的經驗知識而實現過程的最佳控制。本發明的目的將通過權利要求1中給出的方法及權利要求10中給出的設備來解決。根據本發明方法及設備的進一步有利設計由從屬權利要求給出。利用根據本發明的方法及相應的裝置,在過程常規控制時,根據過程運行期間測量的調節量及過程輸出量的變化將自動地學習各個調節機構的調節機構性能,並為了改善調節量的計算而將調節機構性能輸入到調節裝置。並且不斷地對正在由調節裝置控制的那個調節機構的性能進行學習。如果調節裝置僅是控制了調節機構的一部分,也只對該部分調節機構的性能進行學習。其餘的調節機構性能將在所屬調節機構投入應用時再學習。藉助這樣學習的調節機構性能,調節裝置在其對調節量進行計算時受到支持,調節裝置本身不會受到幹預。根據本發明的方法也可應用在現有的設備上,其中在那裡已有的調節裝置仍以慣常的方式工作。對於各個調節機構性能的學習是在一個神經網絡中根據在過程常規運行期間由調節裝置執行的調節量的變化及由此產生的輸出量變化來實現的。這樣在過程工作點不變的情況下,過程輸出量的變化與調節量的變化之間的函數關係在小信號區域可以被線性化,由此神經系統可僅具有一個輸入層及一個輸出層,並與此相應地有簡單的結構。在該神經網絡中對其輸入側輸入的調節量變化dui將通過相應於待學習調節機構性能的網絡參數wij並根據關係式dy~j=i=1nwijdui]]>與網絡響應相聯繫,及根據網絡響應和輸出量變化之間的偏差按照減小該偏差的原則改變網絡參數wij。在神經網絡中學習調節機構性能的學習過程可跟隨過程工作點的慢速變化。此外為一個工作點所學習的調節機構性能,尤其在工作點快速或大的變化時,進行存儲;當過程重新具有所存儲的調節機構性能已被學習過的工作點時,這些調節機構性能將作為網絡參數重新輸入到神經網絡。為了全面地考慮待學習的調節機構性能與過程的可變工作點之間的關係,最好在工作點可改變的工作區域中確定預定數目的工作支持點,其中對於每個工作支點使在神經網絡輸入側輸入的調節量變化分別用一加權係數加權,該加權係數是實際工作點和相應的工作點之間距離的量度。在神經網絡中,然後該被加權係數Oa加權了的調節量變化Oa·dui將根據關係式dy~j=a=1si=1nwaijoadui]]>與網絡響應相聯繫,式中waij是神經網絡可調節的網絡參數,及a=1soawaij=wij]]>是待學習的調節機構性能。為了使神經網絡適配,將根據網絡響應與過程輸出量變化之間的偏差按照減小該偏差的原則改變網絡參數waij。因為作為輸入量輸入到神經網絡的調節量變化可能帶有噪音,最好首先將其輸入到一個濾波器中,以使得低於預定閾值的調節量變化被神經網絡抑制。為了在學習調節機構性能時獲得更好及更快的收斂,最好對於每個改變網絡參數的學習步長分別考慮多個調節量、網絡響應及輸出量的數據組。以下將以一個軋制設備中帶平直度調節的例子對本發明進行詳細說明,附圖中圖1為根據本發明裝置的一個實施例,它具有在軋制設備中調節帶平直度的調節裝置及用於學習調節機構性能的神經網絡;圖2為對於過程的一個工作點學習調節機構性能所使用的神經網絡例;圖3為在使用多個數據組的情況下學習調節機構性能的一個例子;圖4為對於變化的工作點學習調節機構性能所使用的另一神經網絡例;圖5為用於說明在圖4的神經網絡中確定與調節機構性能學習相關的加權係數的示意圖。圖1表示本發明設備的一個例子,它用於過程控制,這裡用於在一個軋制設備中軋帶1的平直度調節。軋制設備可具有多個軋制機架,這裡描繪了其中在帶1的行進方向上的最後機架2;它設有支承軋輥3,中間軋輥4和工作軋輥5。軋輥3,4及5和公知的且因此本身未被描繪出的用於調節、搖擺、彎曲及移動軋輥以及冷卻預定軋輥區域的裝置一起構成用於影響帶平直度的各種調節機構。在軋制機架2的後面設置了平直度測量裝置6,它連續地以歸納為一矢量y並在帶寬度上分布的平直度參數y1,...,ym的形式測量實施例28按與實施例22相同的方式製備瓶子,不同之處為用聚酯[A-4]代替聚酯[A-1]。按前面所述的方式評價瓶子。結果列於表5。實施例29按與實施例22相同的方式製備瓶子,不同之處為用聚酯[A-4]代替聚酯[A-1],預製品的[A-4]層厚0.9毫米,[B-1]層厚5.1毫米。按前面所述的方式評價瓶子。結果列於表5。比較例8按與實施例22相同的方式製備瓶子,不同之處為僅用聚酯[B-1],而不用聚酯[A-1]製備預製品,[B-1]層厚6毫米。按前面所述的方式評價瓶子。結果列於表5。表5表應當指出,當加拿大專利申請書2121017的組合物和本發明的組合物用0.01%酞菁銅綠色顏料(如BASF公司出售的,商品名「Bayanil」和「Levanilgreen」)著色時,得到如上報導的相同結果。圖4表示能滿足該要求的神經網絡10的一個例子。該神經網絡具有一個輸入層次,它設有n個用於每個調節量變化dui的輸入單元15及k個用於每個工作點參數b1的另外輸入單元16。輸入單元15起濾波器的作用,它們抑制低於預定閥值X的調節量變化dui,以便從神經網絡的輸入量中濾去噪音分量。在具有輸入單元15及16的輸入層次後面設置了具有單元17及18的覆蓋層,其功能首先藉助圖5來解釋。工作點參數b1,l=1,...,k確定了一個k維空間,在圖5中為了簡化描述起見,表示出k=2的情況。在該k維空間中確定了預定數目的工作支點Pa,a=1,...,S。在圖示的例中,工作支點Pa通過每個q=5確定工作點參數bI的不同值,因此對於工作支點Pa的數目S有S=qk。對於每個工作支點Pa分別設置了一個相對每個工作點參數b1的分配函數ha1,該函數在相應工作支點Pa的位置上具有值「1」,並由該點向直接相鄰的工作支點持續下降到值「0」。如圖5所示,對於過程的每個實際工作點總是有2k個,這裡為4個與其最接近的工作支點Pa,在圖中著重地表示出這些支點。工作點P對直接相鄰的工作支點Pa的接近度將由在工作點P的位置上所屬分配函數ha1的值來定義,例如對於圖示的工作支點Pa它與一個加權係數Oa=f(ha,ha2)相聯繫。因此該加權係數Oa,0≤Oa≤1,是工作點P至工作支點Pa距離的量度。現在,圖4中所示的神經網絡的覆蓋層對於每個工作支點Pa分別具有一個單元17,它由輸入給它的並定義實際工作點P的工作點參數b1來計算加權係數Oa。對於S個工作支點Pa中的每個將在總共n·s個單元18中用加權係數Oa對濾波的調節量變化dui加權。該神經網絡還具有一個輸出層次,它設有與過程輸出量yj的數目m相對應的m個輸出單元19。對於每個輸出單元19,被加權的調節量變化Oa·dui分別被一網絡參數waij再加權,並接著累加成網絡響應dy~j=a=1si=1nwaijoadui]]>網絡參數waij對實際過程變化的適配以與上述圖2神經網絡例相同的方式來實現,但其中偏置量ej用加權係數Oa加權為Oa·ej。對於待學習的調節機構性能wij有a=1soawaij=wij]]>它將也如在圖2中的神經網絡例情況那樣以這樣的方式提供給調節裝置7,即對輸入單元15輸入作為輸入量的各具有值「1」不同位置的n個矢量模型(0,...,0,1,0,...,0),由此在輸出單元19上產生出作為網絡響應的所學習的調節機構性能wij,然後它被傳送給調節裝置7。同樣在圖4所示神經網絡的情況下關於學習調節機構的性能wij也能達到更好及更快的收斂,這時如根據圖3所解釋的,總是考慮多個調節量的數據組du(tp),多個網絡響應數據組dy~-(t1),...,dy~-(tp)]]>及多個過程輸出量變化的數據組dy(t1),...,dy(tp)。權利要求1.一種過程控制方法,其中在調節裝置(7)中由過程輸出量的測量值(yj)來計算對過程起作用的多個調節機構的調節量(ui),其特徵在於在一個神經網絡(10)中學習調節機構性能(wij),對於每個調節機構,該性能描述輸出量變化(dyj)與調節量變化(dui)的關係;及將學習的調節機構性能(wij)輸入到調節裝置(7),以改善調節量(ui)的計算。2.根據權利要求1所述的方法,其特徵在於神經網絡(10)通過與待學習的調節機構性能相對應的網絡參數(wij)並根據關係式dy~j=i=1nwijdui]]>使在輸入側輸入給它的調節量變化(dui)與網絡響應相聯繫;及根據網絡響應及輸出量變化(dyj)之間的偏差(ej)使網絡參數(wij)按照減小該偏差(ej)的原則變化。3.根據權利要求1所述的方法,其特徵在於在待學習的調節機構性能(wij)與過程工作點參數(b1)相關的情況下,在由工作點參數(b1)定義的多維空間中確定工作支點(Pa)的預設數目;對於每個工作支點(Pa)使在神經網絡(10)輸入側上輸入的每個調節量變化(dui)用加權係數(Oa)加權,該加權係數是在由工作點參數的實際值(b1)定義的工作點(P)與相應的工作支點(Pa)之間距離的量度;被加權的調節量變化(Oa·dui)根據關係式dy~j=a=1si=1nwaijoadui]]>與網絡響應相聯繫,式中waij是可調節的網絡參數,及a=1soawaij=wij]]>是待學習的調節機構性能;及根據網絡響應與輸出量變化(dyj)之間的偏差(ej)按照減小該偏差(ej)的原則改變網絡參數(waij)。4.根據權利要求3所述的方法,其特徵在於加權係數的值(Oa)隨著工作點(P)至相應工作支點(Pa)的距離增大,持續地從1下降到各直接相鄰工作支點位置上的零值。5.根據權利要求2至4中任一項所述的方法,其特徵在於根據逆傳播算法實現網絡參數(wij,waij)的改變,這時誤差函數E=0.5(dyi-dyj)2]]>的最小值通過梯度方向上的下降來求得。6.根據權利要求2至5中任一項所述的方法,其特徵在於為了將所學習的調節機構性能(wij)傳送給調節裝置(7),對神經網絡(10)輸入作為與調節量(ui)數目相應的輸入量的多個模型值,這些模型值在每個不同位置上具有值1,其餘的為值零,其中在神經網絡(10)的輸出側產生作為網絡響應的調節機構性能(wij)。7.根據上述任一項權利要求所述的方法,其特徵在於對神經網絡(10)輸入的調節量變化(dui)首先輸入一濾波器,使低於一預定閾值(X)的調節量變化(dui)被神經網絡(10)抑制。8.根據上述任一項權利要求所述的方法,其特徵在於對於每個改變網絡參數(wij,waij)的學習步距,總是考慮多個調節量的數據組(dui(tr)),多個網絡響應的數據組及多個輸出量變化的數據組(dyj(tr))。9.根據上述任一項權利要求所述的方法,其特徵在於在一軋制設備中,在過程中對軋製品(1)的平直度或縱剖面進行調節,其中輸出量(yj)由在軋製品(1)的寬度上分布的帶平直度參數,如帶壓力、或帶縱剖面參數組成,及其中調節量(ui)包括改變軋縫截面的調節幹預量,尤其是軋輥傾斜放置、軋輥彎曲、軋輥位移、和/或軋輥局部冷卻,以及在森氏軋架(Sendzimir-Gerüsten)的情況下的偏心度調節。10.根據權利要求8所述的方法,其特徵在於工作點參數(b1)包括軋製品寬度、軋制力和/或軋輥直徑。11.一種過程控制設備,它具有一個調節裝置(7),其中由過程輸出量的測量值(yj)來計算對過程起作用的多個調節機構的調節量(ui),其特徵在於設有一個用於學習作為輸出量變化(dyi)與調節量變化(dui)關係的調節機構性能(wij)的神經網絡(10);及為了將所學習的調節機構性能(wij)傳送給調節裝置(7)以改善調節量(ui)的計算,將神經網絡(10)與調節裝置(7)相連接。12.根據權利要求11所述的設備,其特徵在於神經網絡(10)具有一個輸入層、通過它對其輸入調節量變化(dui),及一個輸出層、用於輸出網絡響應,其中輸入層及輸出層通過與待學習的調節機構性能相應的網絡參數(wij)並根據關係式dy~j=i=1nwijdui]]>彼此相聯繫;及設有一個具有學習算法的裝置(12),它根據網絡響應及輸出量變化(dyj)之間的偏差(ej)使網絡參數(wij)按照減小該偏差(ej)的原則變化。13.根據權利要求11所述的設備,其特徵在於神經網絡(10)具有一個輸入層、通過它對其輸入調節量變化(dui)及過程工作點參數(b1),一個用於輸出網絡響應的輸出層及一個位於其中間的覆蓋層;該覆蓋層包括預定數目的單元(17),其中每個單元(17)分別代表一個在由工作點參數(b1)定義的多維空間中的工作支點(Pa)並由輸入給它的工作點參數(b1)來計算一個加權係數Oa,該加權係數是在由工作點參數的實際值(b1)定義的工作點(P)與該工作支點(Pa)之間距離的量度;覆蓋層還包括別的單元(18),在其中對調節量變化(dui)各用由單元(17)提供的加權係數(Oa)來加權;覆蓋層及輸出層通過網絡參數(waij)並根據關係式dy~j=a=1si=1nwaijoadui]]>彼此相聯繫,式中a=1soawaij=wij]]>為待學習的調節機構性能;及設置了一個具有學習算法的裝置(12),它根據網絡響應及輸出量變化(dyj)之間的偏差(ej)使網絡參數(waij)按照減小該偏差(ej)的原則變化。全文摘要為了過程控制,在調節裝置中由過程輸出量的測量值來計算對過程起作用的多個調節機構的調節量。為了優化通過調節裝置(7)的過程調節,在一神經網絡(10)中學習調節機構性能(W文檔編號G05B13/02GK1178015SQ95197778公開日1998年4月1日申請日期1995年3月16日優先權日1995年3月16日發明者袁浩,安德烈·伯格斯申請人:西門子公司