WO1996028771A1 - Intelligentes rechner-leitsystem - Google Patents

Intelligentes rechner-leitsystem Download PDF

Info

Publication number
WO1996028771A1
WO1996028771A1 PCT/DE1996/000396 DE9600396W WO9628771A1 WO 1996028771 A1 WO1996028771 A1 WO 1996028771A1 DE 9600396 W DE9600396 W DE 9600396W WO 9628771 A1 WO9628771 A1 WO 9628771A1
Authority
WO
WIPO (PCT)
Prior art keywords
control system
model
knowledge
processes
optimization
Prior art date
Application number
PCT/DE1996/000396
Other languages
English (en)
French (fr)
Inventor
Hannes Schulze Horn
Jürgen ADAMY
Original Assignee
Siemens Aktiengesellschaft
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Siemens Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Priority to US08/913,127 priority Critical patent/US6085183A/en
Priority to EP96905685A priority patent/EP0813700B1/de
Priority to DE59605506T priority patent/DE59605506D1/de
Priority to AT96905685T priority patent/ATE194229T1/de
Publication of WO1996028771A1 publication Critical patent/WO1996028771A1/de

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
    • B22D11/16—Controlling or regulating processes or operations
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0285—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic

Definitions

  • the invention relates to an intelligent computer control system for facilities in which technical or biological processes take place in a targeted manner, e.g. Production facilities for goods or energy, communication facilities etc., which, based on the prior knowledge entered, the respective state of the processes running in the facilities, e.g. of continuous manufacturing processes, working processes, etc., based on the process results, is automatically recognized and given appropriate instructions to achieve the process goal in order to achieve computationally generated instructions.
  • Control system is that it works safely. According to the invention, the control system therefore advantageously has a basic functional system which supplements the computationally intelligent part and converts the instructions from the computationally gained knowledge into a safe process control or system function
  • the basic functional system is advantageously designed as a subsystem which makes the system components on their own or in summary, safely capable of working, e.g. based on the conditions for mass flow control, for
  • Input variable limit values etc. together with safety circuits, for example for the drives in the form of a highly available system, the operational safety required for the production of goods or energy etc. is achieved. Even in the event of a failure or malfunction of the intelligent Computing technology ensures a safe system function, albeit on a suboptimal basis.
  • the subsystem that guarantees a safe state of the system and the process advantageously uses operating values, process sequences, etc. that are recognized or calculated as safe, which are advantageously stored separately in tabular form. This is particularly important for systems that could get into dangerous conditions (risk of explosion, risk of self-destruction).
  • the basic function system has start-up and start-up routines that can be entered manually or automatically, and in particular that there are operating routines in which individual, otherwise computationally determined, instructions are replaced by constant specifications.
  • Constant specifications can include constant material qualities, constant throughput speeds of the material, constant amounts of coolant, etc., so that, particularly in the commissioning phase of a system, considerable parts of the model creation can initially be postponed. This is particularly advantageous if either the plant knowledge is not yet fully available, e.g.
  • the process is simulated using a process model.
  • the replica is particularly modular and describes the behavior between the process input variables as well as the manipulated variables and the process output variables, ie the quantity and quality parameters of the product produced.
  • a major advantage in addition to the possibility of process control in accordance with the adjustment of the parameters or the model above is the possibility of continuous adaptation and optimization without interfering with the process itself in the case of such a model, which describes the process and has a modular structure to simplify the creation and optimization have to. All common adaptation and optimization methods can be used to advantage. Furthermore, it is very advantageous that limit states can also be calculated on the model, which provide information about the critical behavior of the system.
  • the process model is advantageously kept as far as possible in mathematical forms of description. These enable precisely manageable predictions of the process behavior.
  • linguistically formulated partial parts are advantageously used, such as fuzzy systems, neuro-fuzzy systems, expert systems or tables. It is also possible to model parts of the process that cannot be physically described, although the processes involved are relatively easy to understand and evaluate.
  • a learnable neural network is used as the model part, whereby the ability to learn also includes the structure of the neural network, since these parts of the model, which are unknown in their internal function, only a small part Make up part of the overall model, these gaps in plant knowledge, which are filled purely functionally, are acceptable.
  • nale networks uses simple feed forward networks that are improved by back propagation.
  • genetic algorithms are particularly suitable for optimization through improved models. These are very likely to actually find the attainable optimum or another very good, suboptimal extremum.
  • the suitability of the strategy of the calculations with genetic algorithms or the like can be checked in particular by a neural network that determines the values running in the direction of a global optimum. This optimization is advantageously carried out off-line because of the large amount of computation involved.
  • the start values for an optimization process are, just like for the adaptation processes, based on im
  • Process data memory determined archived operating data this has the advantage that the process is accelerated.
  • optimization processes for example if the optimization result is unsatisfactory, it can also be advantageous to start with completely new output data. In this way it is prevented that the optimization process takes place only in a secondary area of the global optimum.
  • the optimizations are carried out in a dedicated computing unit, the optimizer.
  • ⁇ ie_a_a determined by the optimizer on the basis of the process model adjustable process variables which are determined in this way
  • the model values of the produced product that are modeled from the model correspond as closely as possible to the specified desirable values, are given as default values to the basic functional system of the process and the process is set by the latter according to the default values. This results in reliable process control in addition to which further optimization is possible at the same time.
  • the previous knowledge is continuously calculated internally in the process during production, e.g. in different operating points, the knowledge gained is improved and this self-generated process knowledge is transferred to a, in particular constantly updated, data memory. This procedure results in an advantageous expansion of previous knowledge about the system and its behavior.
  • the default values for the basic function system which in the event of a failure o.a. the intelligent part of the control system directly from the data of the process database. are generated by an interpolation process, in particular by fuzzy interpolation. This results in operation of the control system close to the optimal operating point even if the intelligent part of the control system fails or malfunctions.
  • control system may be for autonomously moving service robots or the like. seem obvious. According to wishful thinking, these human behaviors should show. For stationary industrial plants which are many times more complex and which continuously have to reliably achieve an optimal production result, such ideas have so far not been available. In particular, since for industrial plants in which complex processes run, unlike service robots or the like, intelligent behavior cannot be derived from human behavior.
  • FIG. 1 shows a schematic representation of the strip caster with measurement data acquisition and manipulated variable output
  • FIG. 2 shows the structure of the "intelligent" part of the control system with the setpoint value formation
  • FIG. 3 details of the process optimizer
  • FIG. 1 denotes the casting rolls of a two-roll casting device, the material, for example liquid steel, being entered between the casting rolls 1 from the casting ladle 4 via the tundish 5 and an immersion tube 6 and solidifying to form a band 3 which can be further deformed in a rolling mill, symbolized by the circles 2 with movement arrows.
  • the downstream rolling mill can also be simply transported by conveyor rollers, a reel or the like. be replaced if the rolling is not to take place immediately after casting.
  • the design of the overall system is carried out in a requirement-specific manner. It is also possible to design the system downstream of the casting device as a hot-cold rolling mill and is recommended at very high casting speeds, since the cold rolling section of the system can then also be sufficiently utilized.
  • the casting roll device preferably has an electrodynamic system 8, 9 and an induction heating system 10, also shown only symbolically.
  • the electrodynamic system part 8 advantageously serves to relieve the weight, the cast band 3, which is still very white and therefore at risk of being depleted, and the electrodynamic system part 9 of guiding the band 3, while the induction heating system 10 maintains a predetermined temperature profiles over the bandwidth is incumbent if, for example a direct post-forming in a rolling mill follows. This is particularly advantageous for steels prone to cracking.
  • the cast strip 3 is checked for cracks by a camera 73, it being possible advantageously to use the fact that the crack pattern in the scale is influenced by cracks in the base material.
  • the formation of a measurement variable is advantageously carried out by a neuro-fuzzy system.
  • the casting and rolling device Due to the data transmissions 1, 11 and 'T, which are symbolized by arrows, the casting and rolling device, in which the solidification shells of the steel formed on the two casting rolls 1 are not only combined, but also formed in a rolling manner, with the in ⁇ intelligent part of the control system.
  • FIG. 2 shows the structure of the intelligent part of the control system. This essentially consists of the parts of process optimizer 15, model 20, model adaptation 16 and data storage device 17. These parts of the control system work together in such a way that the best possible, situation-specific instructions via data line r are available for process control via setpoint output 13 be put. These instructions are then converted into n setpoints for basic automation. The task and the function of the individual parts are described below.
  • the model 20 forms the static process behavior
  • the model adaptation 16 has the task of improving the model so that the model behavior corresponds as well as possible to the process behavior. This can be done online, at least for model parts, by adapting or tracking these model parts on the basis of continuously acquired process data.
  • the adaptation can also be carried out off-line at specific times. This is done on the basis of a number m of process states representing the process, v, y), which are stored in the data memory 17.
  • the index k quantifies the respective process status.
  • the process optimizer that lead the task of fin ⁇ by a Optimie ⁇ approximate method and the process model manipulated variables u ⁇ to at the best possible process behavior.
  • the process optimizer works off-line at specific times, for example, which can be predetermined manually, as follows:
  • the non-influenceable manipulated variables v, for which the optimization is to take place - for example the current -, correct. kept constant and fed to the model via data line II.
  • the process optimizer is then connected to the model by means of switch 18. It gives control values K to the model.
  • the output values y t are determined via the model. These are compared with target output values y Sott l , and the error becomes
  • the error E should be minimized.
  • the process optimizer varies the manipulated variables w until the iterative loop contains the calculation of y t and E as well as the new selection of "until the error cannot be reduced further or this optimization is terminated.
  • genetic algorithms, hill climbing methods, etc. can be used as optimization methods.
  • the data store has the main task of archiving representative process states ⁇ u ⁇ v ⁇ y). In doing so, he replaces old process data again and again with new ones, in order to enable current, albeit selective, process descriptions based on these data.
  • the data memory then supplies the model adaptation, as described above. On the other hand, it also supplies start values u for the process optimizer.
  • Start values are selected, for example, in such a way that the output values ⁇ belonging to these start values correspond as closely as possible to the target values Sotl ⁇ .
  • the target values for the strip thickness, the profile shape, the surface quality of the strip, etc. are incorporated into the exemplary embodiment, the results from the model calculation with the. Setpoint specifications compared.
  • the difference can be minimized through optimization. Since the difference in technical processes cannot generally become zero, the Optimization process is meaningfully limited, that is, it is aborted in a predetermined manner.
  • FIG. 3 shows more precise details of the program structure with which the optimization is terminated and the new setpoint output is started.
  • 58 denotes an error function to be selected in each case, into which the detected errors (setpoint deviations) flow.
  • the error function fulfills the termination criteria of the optimization. If this is the case, further optimized control and regulating variables are output.
  • start values continuously arrive from the data memory into the start value specification 59, from which m search steps in 60, not from the optimizer, but from the data memory, for example with the aid of fuzzy interpolation, control and regulating parameters for a sub-optional process control be won.
  • Switching takes place after reaching the predetermined quality factor, which is adapted to the respective control system knowledge.
  • the mimming which can never be absolute, is terminated when the specified quality factor is reached.
  • FIG. 4 which shows the structure of a model adaptation by means of an optimization algorithm
  • data from the start value specification 61 arrive in a search unit 62 and are passed on from there as model parameters to the model 63.
  • the model 63 forms, together with the data memory 64, a parameter improvement loop which compares the formed and stored values in a known manner.
  • the comparison values are fed to the error function 67, de hers Passes values to the termination criteria unit 66. If the termination criteria are met, the model is no longer improved and the existing values are used. Otherwise the optimization will be continued with further search steps and the intermediate values in the data memory.
  • FIG. 5 which shows the essential partial models of the overall process model of the exemplary embodiment
  • 46 denotes the input model in which the external influences, for example the influences from the quality of the material used, are summarized.
  • the quality of the steel used results e.g. the liquidus value, the solidus value, as well as other variables which characterize the casting behavior.
  • 47 denotes the tundish model in which e.g. the steel volume of the tundish, the dip tube position or the like, the stopper position and the steel outflow temperature.
  • the input models 46 and 47 are combined in the partial model 56, which represents the status of the material supplied.
  • Such partial models can advantageously be parallel to other partial models, such as the casting area model, the rolling area model or the like. be optimized
  • the input model 48 contains the influences that influence the solidification, e.g. the casting roll cooling, the infrared heating etc.
  • the input model 49 contains the values that are necessary for the heat balance, such as the steel casting roll temperature difference, the lubricant flow as a function of the amount of lubricant, the crystal formation rate of the respective steel type and e.g. the roller surface condition.
  • the input model 50 contains e.g. the influences of a mold level, so the mold level, the
  • the input models 48, 49 and 50 are combined to form a sub-model 54, which represents the status of the casting area.
  • This model range summary is generally advantageous for product ranges because it simplifies and improves overall component optimization.
  • the sub-models are among themselves still dependent on each other, such as the input models 49 (heat balance input model) and 50 (mold level input model) to a considerable extent. Secondary dependencies are not shown for simplification.
  • the partial model 51 contains all influences on the solidification front, i.e. to the area where the metal shells solidified on the two cooling rolls meet. Essentially, these influences are the forming work performed by the casting rolls, the vibration width of the casting rolls or the emerging strip, the side gap sealing flows and the degree of effort of the overall system, e.g. em fuzzy model.
  • the partial model 52 reproduces the exit values, e.g. the quality of the strip, the outlet temperature and distribution, but also the tendency to stick and the condition of the scale formed.
  • the input model 53 and the input model 74 em which relate to the temperature profile transverse to the strip and to the surface condition of the strip, also go into the partial model 52. In the particularly advantageous case that it is a strip casting and rolling mill, go also
  • Rolling mill part models 54 in this special process model em since the product formation after the exit from the rolling stands is the decisive criterion.
  • the sub-models are combined to form the product training model 57, which summarizes the thickness profile of the strip formed, the strip thickness, a possible defect pattern, the grain structure of the strip, the surface structure, etc.
  • the surface structure and in particular the grain structure of the belt can only be determined with considerable time delay. It is therefore advantageous to work with sub-models based on neural networks for qualitative and quantitative determination of influencing variables.
  • the above illustration shows the particular advantage which results from the design of the model in module form, since in particular the parts of a complex overall process model can be processed in parallel. This is particularly advantageous for the commissioning period of a system, in which the input and partial models have to be adapted to the actual conditions, linked together, etc.
  • 68 denotes the process data archive, 69 the model parameter memory part, 70 the part with the start values for the optimizer and 71 the memory part for the safe operating points.
  • the respective model training is also stored in 68.
  • the basic automation which forms an indispensable part of the control system with its controls, controls, interlocks, etc. Guaranteeing the safe functioning of the system even in the event of a malfunction of the model part of the control system operating according to the invention must perform a multitude of functions.
  • 21 means in the exemplary embodiment the mass flow control via the individual speed controller, 22 the control of the tundish heating, 23 the mold level control, 24 the tundish outflow control and 25 the heating power of the infrared or above screen 7 for maintaining the operating temperature of the casting rolls.
  • 26 means the regulation of the addition of lubricant, for example in the form of loose casting powder or of casting powder paste applied to the casting rolls, 27 the cooling water quantity regulation, 28 if necessary the roller oscillation regulation, 29 the electrical drive regulation and 30 the roll gap position.
  • 31 means the roller speed control and 32 possibly the control of the Roller torque, 33 the setting of the cleaning system, consisting for example of a brush and a scraper for the casting rolls and 34 the regulation of the electrodynamic system to compensate for the strip weight, and 35 the regulation of the vibration width of the cast strip. 36 means that
  • the timing control 45 which coordinates the manipulated variable outputs etc., acts on the above actuators, controllers, etc.
  • the auxiliary controls and the interlocks are summarized as an example. 41 the automatic start-up, 42 the automatic switch-off, 43 and 44 interlocks, e.g. prevent liquid steel from flowing before the pair of casting rolls and the forming rolls are operational, etc.
  • the casting and rolling process consists of a number of sub-processes, the formation and influences of which are decisive for the
  • End product Can be influenced and optimized according to the invention are the properties of the end product, e.g. its thickness, its thickness profile and its surface formation, through a number of adjustable process variables, such as the casting roll gap, the casting roll profile, the level of the casting level, etc., which in turn determine the position of the union zone of the solidified metal shells deposited on the casting rolls influence.
  • an overall process model is advantageously created according to the invention, which describes the process behavior.
  • the influencing variables with which the process is influenced can be adapted and optimized step by step in accordance with the process conditions. The situation-specific instructions determined by this optimization then lead to an improvement in the process.
  • the intelligent, self-improving part of the control system is composed of three essential elements: the process model, the model adaptation and the process optimizer.
  • the process model is composed of subsystems (modules) which, depending on the process knowledge, will be of different types. With knowledge of the physical. Connections can be made to classic, physical-mathematical models. If, on the other hand, one only has experience or estimates, then fuzzy or neuro-fuzzy systems are used. If you know little or nothing about the process behavior, such as crack formation and surface formation, you use, at least initially, neural networks for process formation.
  • the model describes the relationship between the process sizes, such as i- * - * selected example of the mold level, the condition values and the quality of the cast material, the setting values of the casting rollers etc. and the quality parameters of the strip, for example the thickness, the profile and the surface formation.
  • model Since the model may substantial percentage based on uncertain knowledge, it is not exact.
  • the model must therefore be adapted, changed, etc. based on the process data obtained. This is advantageously done on the one hand by means of the known model adaptation, which is based on data from past process states. On the basis of this data, it provides the model parameters above. in such a way that the model behavior corresponds as closely as possible to that of the process.
  • the models themselves are optimized in a changing manner, e.g. through genetic algorithms, combinatorial evolution etc. Appropriate optimization strategies are known, e.g. from Ulrich Hoffmann, Hanns Hofmann “Introduction to Optimization", Verlag Chemie GmbH, 1971 Weinheim / Bergstrasse; H.P.
  • control structure according to the invention with the procedure according to the invention described above leaves the previous structure of a control system.
  • a basic automation which essentially affects the process level * : (Level I)
  • Level II control commands 1
  • intelligent ensures self-optimization based on the process result already achieved for ever better process results.
  • Individual feedback control loops can be omitted.
  • Quality control sensors are only necessary to check the process results.
  • the control system according to the invention therefore only has two essential levels, of which the intelligent level requires no visualization except for programming. For control purposes, however, the elements of the basic automation can be visualized in a known manner.

Abstract

Intelligentes Rechner-Leitsystem für Einrichtungen, in denen technische oder biologische Prozesse zielgerichtet ablaufen, z.B. Produktionsanlagen für Güter oder Energie, Kommunikationseinrichtungen etc., das aufbauend auf eingegebenem Vorwissen den jeweiligen Zustand der in den Einrichtungen ablaufenden Prozesse, z.B. von kontinuierlichen Herstellungsprozessen, Arbeitsverfahren etc. anhand der Prozeßergebnisse selbsttätig erkennend und situationsgerecht zum Erreichen des Prozeßziels rechentechnisch generierte Anweisungen gebend, ausgebildet ist.

Description

Beschreibung
Intelligentes Rechner-Leitsystem
Die Erfindung betrifft ein intelligentes Rechner-Leitsystem für Einrichtungen, in denen technische oder biologische Prozesse zielgerichtet ablaufen, z.B. Produktionsanlagen für Güter oder Energie, Kommunikationseinrichtungen etc., das aufbauend auf eingegebenem Vorwissen den jeweiligen Zustand der in den Einrichtungen ablaufenden Prozesse, z.B. von kontinuierlichen Herstellungsprozessen, Arbeitsverfahren etc. anhand der Prozeßergebnisse selbsttätig erkennend und εituationsgerecht zum Erreichen des Prozeßziels rechen¬ technisch generierte Anweisungen gebend, ausgebildet ist.
Bei industriellen Einrichtungen, wie z.B. Anlagen zur Erzeugung von Gütern, Energie oder zur Kommunikation etc. besteht seit jeher das Bedürfnis nach einem Leitsystem, das eine möglichst optimale, automatische, intelligente Führung des ablaufenden Prozesses sicher und kostengünstig ermöglicht. Dabei besteht auch das Bedürfnis nach einer evolutionären Seibstverbesserung des Leitsystems.
Es st Aufgabe der Erfindung, ein Leitsystem anzugeben, das als intelligentes System die vorstehenden Bedürfnisse m einer Form befriedigt, die eine Übernahme der angewendeten Rechentechnik auf Einrichtungen der unterschiedlichsten Art ermöglicht .
Insbesondere durch konventionelle Regel- oder Rechentechnik nicht besonders gut beherrschbare Teilprozesse sollen dabei unter Beachtung der Ruckwirkungen so optimiert werden, daß eine Prozeßführung m t Hilfe voreinstellbarer, einfacher Stellglieder oder über einfache prozesstechnische Maßnahmen kostengünstig möglich ist. Die Aufgabe wird im Grundsatz durch die im Anspruch 1 genann¬ ten Maßnahmen gelöst. Die Unteransprüche enthalten vorteil¬ hafte Ausgestaltungen der Lösung.
Im Stand der Technik sind bereits Leitsystem-Lösungen bekannt, die sogenannte intelligente Komponenten verwenden. Aus der WO 93/08515 ist z.B. eine Steuer- und Regeleinrichtung für technische Prozesse bekannt, die mit wissensbasierten Steuerregeln für ausgewählte Prozeßzustände arbeitet. Die Bildung von Steuer- oder Stellgrößen für die übrigen Prozeßzustände erfolgt in der Einrichtung mit Hilfe einer stetigen mathematischen Funktion, die wissensbasierte Steuerregeln verknüpft und so - ähnlich einer nichtlinearen Interpolation - Steuerregeln für alle Prozeßzustände schafft. Diese bekannte Einrichtung ist nicht im Hinblick auf einen besseren Prozeßerfolg zielgerichtet selbsttätig handelnd aufgebaut. Die menschliche Operatorintelligenz ist noch unverzichtbar. Eine evolutionäre Selbstentwicklung der intelligenten Komponenten ist nicht vorgesehen.
Aus dem Aufsatz "Das Expertensystem MODI - ein Beitrag zur wirtschaf lichen und sicheren Führung von Kraftwerken, ABB Technik 6/7, 1994, Seiten 38-46, ist weiterhin ein Experten¬ system bekannt, das den Zustand von Kraftwerksprozessen durch Vergleich charakteristischer Merkmale mit einem mathemati¬ schen Referenzmodell überwacht und bei Abweichungen vom Normalverhalten deren Ursachen analysiert. Die anlagenweite Sichtweise dieses Expertensystems gestattet es, Aussagen über den Prozeß als ganzes zu machen, eine selbsttätige, sich automatisch optimierende, Prozeßführung ist über das beschriebene Experten-System jedoch nicht möglich.
In dem Aufsatz "Process opti ization for maximum availability in continous casting" der Zeitschrift "Metallurgical Plant and Technology International 5/1994, Seiten 52-58, wird weiterhin ein Rechner-Leitsystem beschrieben, das mit Hilfe von Modellen das Stranggießen von Stahl automatisiert und die Produktqualität überwacht. Dies geschieht mit Hilfe von graphischen Darstellungen, also über eine Mensch-Maschme- Schnittstelle. Eine intelligente automatische Prozeßführung ist bei diesem Leitsystem ebenfalls nicht vorgesehen.
In ähnlicher Weise arbeitet auch das in der EP 0 411 962 A2 beschriebene Leitsystem, das speziell für das Bandgießen von Stahl entwickelt wurde. Auch hier sind Anlagentestläufe die Grundlage für Expertenwissen, das in Form von Grenzkurven verwendet wird. Eine fortlaufende oder schrittweise, selb¬ ständige rechentechnische Optimierung findet nicht statt.
Die vorstehend genannten, mit intelligenten Komponenten arbeitenden Systeme, erreichen die Qualltat der erfindungsgemäßen Lösung nicht. Ein Weg zur Befriedigung der einleitend genannten Bedürfnisse ist noch nicht einmal angedeutet .
Wichtig für ein allgemein akzeptiertes Prozeß- und Anlagen-
Leitsystem ist, daß es sicher arbeitet. Erfmdungsgemaß weist daher das Leitsystem vorteilhaft ein, den rechentechnisch intelligenten Teil ergänzendes, Basis-Funktionssystem auf, das die Anweisungen aus dem rechentechnisch gewonnenen Wissen in eine sichere Prozeßfuhrung bzw. Anlagenfunktion umsetzt
Das Basis-Funktionssystem ist vorteilhaft als ein die Anlage¬ komponenten e für sich oder zusammengefaßt, sicher arbeits¬ fähig machendes Subsystem ausgebildet, z.B. auf der Grundlage der Bedingungen für die Massenflußregelung, für
Eingangsgrößen-Grenzwerte etc. Zusammen mit Sicherheits¬ kreisen, etwa für die Antriebe in Form eines hochverfugbaren Systems, wird die, für Produktionsanlagen von Gütern oder Energie etc. notwendige, Betriebssicherheit erreicht. Auch bei einem Ausfall oder einer Fehlfunktion der intelligenten Rechentechnik ist so eine sichere Anlagenfunktion, wenn auch auf suboptimaler Basis, gewährleistet.
Zur Überführung in einen sicheren Zustand bei Ausfall oder Fehlfunktion einzelner, intelligenter Leitsystemteile, greift das, einen sicheren Zustand der Anlage und des Prozesses garantierende Subsystem vorteilhaft auf als sicher erkannte oder berechnete Betriebswerte, Verfahrensabläufe etc. zurück, die vorteilhaft in Tabellenform gesondert gespeichert werden. Dies ist insbesondere für Anlagen wichtig, die m gefährliche Zustände geraten könnten (Explosionsgefahr, Selbεtzerstörungsgefahr) .
Vorteilhaft ist dabei vorgesehen, daß das Basis-Funktions- System Start- und Hochlaufroutinen aufweist, die manuell oder automatisch eingegeben werden können sowie insbesondere, daß Betriebsroutinen vorhanden sind, in denen einzelne, sonst rechentechnisch ermittelte, Anweisungen durch konstante Vor¬ gaben ersetzt werden. Konstante Vorgaben können u.a. konstan- te Materialqualitaten, konstante Durchlaufgeschwindigke ten des Materials, konstante Kuhlmittelmengen etc. sein, so daß, insbesondere in der Inbetriebsetzungsphase einer Anlage, erhebliche Teile der Modellerstellung zunächst zurückgestellt werden können. Dies st insbesondere vorteilhaft, wenn entweder das Anlagenwissen noch nicht vollständig vorliegt, z.B. in Anlagenteilen, in denen Phasenumwandlungen des Materials stattfinden und für die aufgrund einer hohen Prozeßtemperatur (bei der Erstarrung von Stahl oder bei den Vorgängen im Inneren einer Hochtemperatur-Brennstoffzelle) keine Sensorik vorhanden ist, die Auskunft über das spezielle Prozeßverhalten m diesem Anlagenteil geben kann oder wenn noch keine Trainingsdaten für ein neuronales Netz gesammelt werden konnten. Hier kann b s zum Vorliegen detaillierten Prozeßwissens ganz oder teilweise mit konstanten Vorgaben oder begrenzten Vorgabeanderungen gearbeitet werden. In Ausführung des intelligenten Teils des Leitsystems ist vorgesehen, daß der Prozeß anhand eines Prozeßmodells nachgebildet wird. Die Nachbildung ist insbesondere modular aufgebaut und beschreibt das Verhalten zwischen den Prozeßeingangsgrößen sowie den Stellgrößen und den Prozeßausgangsgrößen, d.h. den Mengen- und Qualitäts- kennwerten des erzeugten Produktes. Von wesentlichem Vorteil (neben der Möglichkeit der Prozeßführung entsprechend der Anpassung der Parameter o.a. des Modells) ist bei einem derartigen, den Prozeß beschreibenden, zur Erstellungs- und Optimierungsvereinfachung modulartig aufgebauten, Modell die Möglichkeit der fortlaufenden Adaption und Optimierung ohne in den Prozeß selbst eingreifen zu müssen. Dabei können vorteilhaft alle gangen Adaptions- und Optimierungsverfahren eingesetzt werden. Weiterhin ist sehr vorteilhaft, daß am Modell auch Grenzzustande berechnet werden können, die Aufschlüsse über kritisches Verhalten der Anlage geben.
Das Prozeßmodell ist vorteilhaft soweit wie möglich m mathematischen Beschreibungsformen gehalten. Diese ermög¬ lichen genau überschaubare Vorhersagen des Prozeßverhaltens. Für die Anlagenteile, für die Prozeßwissen nur in linguistisch ausdrückbarer Form vorliegt, werden vorteilhaft linguistisch formulierte Modeilteile verwendet, etwa Fuzzy- Systeme, Neuro-Fuzzy-Systeme, Experten-Systeme oder auch Tabellenwerke. So ist auch eine Modellierung physikalisch nicht beschreibbarer Prozessteile möglich, wobei die gedachten Abläufe relativ leicht zu verstehen und wertbar sind. Für Teilprozesse, für die kein oder kaum Wissen vorliegt, ist es vorteilhaft, wenn als Modellteil ein lernfähiges neuronales Netz verwendet wird, wobei die Lernfähigkeit auch den Aufbau des neuronalen Netzes umfaßt Da diese, in ihrer inneren Funktion unbekannten, Teile des Modells nur einen kleinen Teil des Gesamtmodells ausmachen, sind diese Lucken im Anlagenwissen, die rein funktioneil ausgefüllt werden, hinnehmbar Vorteilhaft werden als neuro- nale Netze einfache feed forward-Netze verwendet, die durch Back Propagation verbessert werden.
Für eine Optimierung durch verbesserte Modelle bieten sich neben anderen Optimierungsstrategien insbesondere genetische Algorithmen an. Bei diesen ist die Wahrscheinlichkeit hoch, das erreichbare Optimum oder ein anderes sehr gutes, suboptimales Extremum, tatsächlich zu finden. Die Eignung der Strategie der Rechnungen mit genetischen Algorithmen o.a. kann dabei insbesondere durch ein neuronales Netz geprüft werden, das die in Richtung eines globalen Optimums laufenden Werte ermittelt. Diese Optimierung erfolgt wegen des darrit verbundenen großen Rechenaufwandes vorteilhaft off-l ne.
Eine off-lme Rechnung empfiehlt sich auch für d e Parameter¬ adaption des Modells mit Ausnahme der Modellteile, die Anlagenteile mit schnellen dynamischen Vorgängen beschreiben.
Die Startwerte für einen Optimierungsvorgang werden ebenso wie bei den Adaptionsvorgangen auf der Basis von im
Prozeßdatenspeicher archivierten Betriebsdaten ermittelt, dies hat den Vorteil, daß der Vorgang beschleunigt wirα Bei Optimierungsvorgängen, etwa wenn das Optimierungsergebnis unbefriedigend ist, kann es aber auch vorteilhaft sein, mit vollständig neuen Ausgangsdaten zu beginnen. So wird verhin¬ dert, daß sich der Optimierungsvorgang nur in einem Nebenge¬ biet des globalen Optimums abspielt. Dies gilt insbesondere, wenn der Aufbau des Modells unsicher ist, hier empfiehlt es sich, mit geändertem Modell und neuen Startwerten neue Optimierungen durchzuführen. Die Optimierungen werden m einer dafür bestimmten Recheneinheit, dem Optimierer durchgeführt.
In Ausgestaltung der Erfindung ist nun vorgesehen, daß αie vom Optimierer off-lme anhand des Prozeßmodells bestimmten einstellbaren Prozeßgroßen, die so ermittelt werden, αa_ die vo Modell nachgebildeten Kennwerte des erzeugten Produktes möglichst gut mit den vorgegebenen wünschenswerten überein¬ stimmen, als Vorgabewerte an das Basis-Funktionssystem des Prozesses gegeben werden und von diesem der Prozeß ent- sprechend den Vorgabewerten eingestellt wird. So ergibt sich eine sichere Prozeßfuhrung neben der gleichzeitig eine wei¬ tere Optimierung möglich ist.
In Ausgestaltung der Erfindung ist vorgesehen, daß das Vor- wissen laufend durch am Prozeß während der Produktion intern rechentechnisch, z.B. in unterschiedlichen Betriebspunkten, gewonnenes Wissen verbessert und dieses selbst generierte Prozeßwissen in einen, insbesondere ständig aktualisierten, Datenspeicher übernommen wird. Durch diese Vorgehensweise er- folgt standig ein vorteilhafter Ausbau des Vorwissens über die Anlage und ihr Verhalten.
Es ist dabei vorgesehen, daß die Vorgabewerte für das Basis- Funktionssystem, die bei einem Ausfall o.a. des intelligenten Teils des Leitsstems direkt aus den Daten der Prozeßdatenbanx. erzeugt werden, durch einen Interpolationsvorgang gewonnen werden, insbesondere durch eine Fuzzy-Interpolation. So ergibt sich ein Betrieb des Leitsystems nahe am optimalen Betriebspunkt auch bei Ausfall oder Fehlfunktion des intelligenten Teils des Leitsystems.
Es ist weiterhin vorgesehen, daß die Vorgabewerte für das Basis-Funktionssystem und das Grundwissen laufend auch durcn externe Simulationsrechnungen, Modellversuche o.a. verbesser: werden, insbesondere in Anpassung an Änderungen der ver¬ wendeten technischen Mittel in den Anlagenkomponenten oder ar. einen veränderten Anlagenaufbau. So ist eine Anpassung an der. Fortschritt der Technik jederzeit möglich, wobei der modulare Aufbau des Leitsystems sich besonders gunstig auswirk . Die externen Simulationsrechnungen, Modellversuche etc. können dabei insbesondere dabei helfen festzustellen, ob und wie sich Anlagenverbesserungen m einer entsprechenden Produktverbesserung niederschlagen können.
Die Grundidee des vorstehend geschilderten Leitsystems mag für autonom bewegliche Dienstleistungs-Roboter o.a. naheliegend erscheinen. Eine Wunschdenken entsprechend sollen diese menschliche Verhaltensweisen aufweisen. Für stationäre industrielle Anlagen, die um ein Vielfaches kom¬ plexer sind und fortlaufend ein optimales Produktionsergebnis sicher erzielen müssen, lagen derartige Ideen jedoch bisher fern. Insbesondere, da für industrielle Anlagen, in denen komplexe Prozesse ablaufen, im Gegensatz zu Dienstleistungs- robotern o. ., em intelligentes Verhalten nicht aus der menschlichen Verhaltensweise ableitbar ist.
Die Erfindung wird anhand von Zeichnungen näher erläutert, aus denen weitere, auch wesentliche, erfinderische Einzel¬ heiten ebenso wie aus den Unteransprüchen entnehmbar sind. Die Zeichnungen zeigen, stellvertretend für andere mdustri- eile Prozesse, einen Bandgießprozeß für Stahl mit seiner Leitsystemstruktur und dem für diesen Prozeß spezifische Modell sowie Einzelheiten der Basisautomatisierung.
Im einzelnen zeigen:
FIG 1 eine schematisierte Darstellung der Bandgießanlage mit Meßdatenerfassung und Stellgrößenausgabe, FIG 2 die Struktur des "intelligenten" Teils des Leitsy¬ stems mit der Sollwert-Vorgabebildung, F FIIGG 3 3 Einzelheiten des Prozeßoptimierers,
FIG 4 Einzelheiten des Adaptionsvorgangs,
FIG 5 wesentliche Bestandteile des Prozeßmodells und inre Grob-VerknüpfungsStruktur,
FIG 6 erfmdungswesentliche Teile des Datenspeichers unc F FIIGG 7 7 ein Komponenten-Schema der Basisautomatisierung. In FIG 1 bezeichnet 1 die Gießwalzen einer Zweiwalzen-Gieß- emrichtung, wobei zwischen den Gießwalzen 1 das Material, etwa flüssiger Stahl, aus der Gießpfanne 4 über den Tundish 5 und em Tauchrohr 6 eingegeben wird und zu einem Band 3 er- starrt, das in einer, durch die Kreise 2 mit Bewegungspfeilen symbolisierten, Walzanlage weiterverformt werden kann. Die nachgeschaltete Walzanlage kann auch einfach durch Förder¬ rollen, eine Haspel o. . ersetzt werden, wenn das Auswalzen nicht unmittelbar nach dem Gießen erfolgen soll. Die Ausge- staltung der Gesamtanlage wird anforderungsspezifisch vor¬ genommen. Auch eine Ausbildung der, der Gießeinrichtung nachgeschalteten, Anlage als Warm-Kalt-Walzwerk ist möglich und bei sehr hohen Gießgeschwindigkeiten empfehlenswert, da dann auch der Kalzwalzteil der Anlage ausreichend ausgelastet sein kann.
Zwischen den Gießwalzen und den nachgeschalteten Einrichtun¬ gen weist die Gießwalzeinrichtung vorzugsweise ein ebenfalls nur symbolisch dargestelltes elektrodynamisches System 8,9 und e Induktionsheizsystem 10 auf. Der elektrodynamische Systemteil 8 dient dabei vorteilhaft der Gewichtsentlastung, des gegossenen, hier noch sehr weicnen und damit emschnu- rungsgefährdeten, Bandes 3 und der elektrodynamische System¬ teil 9 der Führung des Bandes 3, wanrend dem Induktionsheiz- system 10 die Einhaltung eines vorherbestimmten Temperatur¬ profils über die Bandbreite obliegt, wenn sich z.B. eine di¬ rekte Nachverformung in einer Walzanlage anschließt. Dies ist insbesondere für rißempfmdliche Stähle vorteilhaft . Die Kontrolle des gegossenen Bandes 3 auf Risse erfolgt durch eine Kamera 73, wobei vorteilhaft ausgenutzt werden kann, daß das Rißbild im Zunder durch Risse in Grundmateπal beeinflußt wird. Die Bildung einer Meßgroße erfolgt dabei vorteilhaft durch em Neuro-Fuzzy-System.
Da die Oberflächentemperatur der Gießwalzen zur Vermeidung von Temperaturwechselbeanspruchungen im wesentlichen konstant sein soll, werden diese durch em IR-Heizsystem 7, e Induk- tionsheizsystem o.a. auch in dem, nicht mit flüssigem Stahl in Berührung stehenden Bereich, auf Arbeitstemperatur gehal¬ ten. Diese und andere Einzelkomponenten der, nur grob Schema- tisch gezeichneten, Gießwalzeinrichtung werden z.B. über Tem¬ peraturregler, Durchflußeinsteller, Drehzahlregler etc. im Rahmen der Basisautomatisierung über eine Stellgrößenausgabe 12 direkt oder geregelt eingestellt. Die Ist-Daten der Stell¬ glieder, der Regler etc. werden in der Meßdatenerfassung 11 für den Datenspeicher und den Modelleingang sowie in nicht gezeigter Weise für die Basisautomatisierung zusammengefaßt und aufbereitet. Durch die Datenübertragungen 1,11 und 'T, die durch Pfeile symbolisiert sind, ist die Gießwalzem- richtung, in der die auf den beiden Gießwalzen 1 gebildeten Erstarrungsschalen des Stahls nicht nur vereinigt, sondern auch schon walzend vormaßhaltig geformt werden, mit dem in¬ telligenten Teil des Leitsystems verbunden.
FIG 2 zeigt die Struktur des intelligenten Teils des Leit- Systems. Dieser besteht im wesentlichen aus den Teilen Pro- zeßoptimierer 15, Modell 20, Modelladaption 16 und Datenspei¬ cher 17. Diese Teile des Leitsystems wirken derart zusammer., daß über die Sollwertausgabe 13 möglichst gute, situationsgerechte Anweisungen über die Datenleitung r zur Prozeßführung zur Verfügung gestellt werden. Diese Anweisungen werden dann n Sollwerte für die Basis- automatisierung umgesetzt. Im folgenden wird die Aufgaoe unc die Funktion der einzelnen Teile beschrieben.
Das Modell 20 bildet das statische Prozeßverhalten
>,= (";.-.", vr • .v,,...)» d.h. die Abhängigkeit der n Modellausgangsgroßen \, vor αen Stellgroßen ιιt , mit denen der Prozeß beeinflußt werden Kann, und von den nichtbeeinflußbaren Prozeßgroßen ι, , wie z.B der Kühlwassertemperatur, nach. Die Modellausgangsgroßen sind da- bei, wie schon erwähnt, typische Qualitätsparameter des Pro¬ duktes . Die Modellbeschreibung y. = (". M v,,...,v„...) erfaßt das Prozeßverhalten im allgemeinen nicht exakt, wes- halb , und yt mehr oder weniger voneinander abweichen. Über¬ tragen werden die Stellgrößen ul und die nichtbeeinflußbaren Stellgrößen v, über die Datenleitungen I und II.
Die Modelladaption 16 hat die Aufgabe das Modell zu verbes- sern, damit das Modellverhalten möglichst gut dem Prozeßver¬ halten entspricht. Dies kann - zumindest für Modellteile - on-line geschehen, indem diese Modellteile auf der Basis von laufend erfaßten Prozeßdaten adaptiert oder nachgeführt wer¬ den.
Für andere Modellteile kann die Adaption auch off-line zu be¬ stimmten Zeitpunkten vorgenommen werden. Dies geschieht auf der Basis einer Anzahl m von den Prozeß repräsentierenden Prozeßzuständen , v ,y ) , die im Datenspeicher 17 abgelegt sind. Der Index k beziffert den jeweiligen Prozeßzustand. Be: dieser Art der Adaption wird der Modellfehler
Figure imgf000013_0001
"'V* v'*-■••)- (";•••••"< ; v.--)j minimiert in Abhängigkeit von den Modellparametern oder der Modellstruktur. D.h. man variiert die Modellparameter bzw. die -Struktur so, daß Emöglichst klein wird.
Der Prozeßoptimierer hat die Aufgabe, mittels eines Optimie¬ rungsverfahrens und des Prozeßmodells Stellgrößen uι zu fin¬ den, die zu einem möglichst guten Prozeßverhalten führen. Der Prozeßoptimierer arbeitet off-line zu bestimmten, beispiels¬ weise manuell vorgebbaren Zeitpunkten und zwar wie folgt:
Zuerst werden die nichtbeein lußbaren Stellgrößen v, , für die die Optimierung erfolgen soll - z.B. die aktuellen - , kor.- stant gehalten und dem Modell über die Datenleitung II zuge¬ führt. Sodann wird mittels Schalter 18 der Prozeßoptimierer mit dem Modell verbunden. Er gibt Stellwerte K, auf das Modell. Über das Modell werden die Ausgangswerte yt bestimmt Diese werden mit Sollausgangswerten ySott l verglichen, und es wird der Fehler
Figure imgf000014_0001
bestimmt.
Der Fehler E soll minimiert werden. Zu diesem Zweck variiert der Prozeßoptimierer die Stellgrößen w, solange in einer iterativen Schleife, die jeweils d e Berechnung von yt und E sowie die Neuauswahl von «, enthält, bis der Fehler nicht weiter verringert werden kann oder man diese Optimierung ab¬ bricht. Als Optimierungsverfahren können beispielsweise gene¬ tische Algorithmen, Hill-Climbmg-Methoden etc. eingesetzt werden.
Die so erhaltenen optimalen Stellgroßen *.__,,, die das Ergebnis obiger Minimierung sind, werden dann über die Sollwertvorgabe und die Datenleitung V als Sollwerte zum Basisfunktionssystem transferiert.
Der Datenspeicher hat die Hauptaufgabe repräsentative Proze߬ zustände {u^v^y) zu archivieren. Hierbei ersetzt er alte Pro¬ zeßdaten immer wieder durch neu ermittelte, um anhand dieser Daten eine aktuelle, wenn auch punktuelle, Prozeßbeschreioung zu ermöglichen. Der Datenspeicher versorgt dann einerseits, wie oben beschrieben, die Modelladaption. Andererseits lie¬ fert er auch Startwerte u, für den Prozeßoptimierer. Die
Startwerte werden hierbei z.B. so ausgewählt, daß die zu die¬ sen Startwerten gehörenden Ausgangswerte λ möglichst gut den Sollwerten Sotl ι entsprechen. Die vorzugsweise off-lme arbeitende Schleife: Modell 20 und Prozeßoptimierer 15, die sich etwa z.B. genetischer Algo¬ rithmen zur z.B. evolutionären, Modellverbesserung bedient, arbeitet vorzugsweise deswegen off-lme, weil wegen der Kom- plexität eines Anlagenleitmodells mit seinen vielen möglichen Ausgestaltungen die Rechenzeit eines evolutionären Opti¬ mierungsvorgangs vergleichsweise lang wird. Auch bei guten Optimierungsstrategien, die z.B. aufgrund einer Analyse des wahrscheinlichen Modellverhaltens ausgewählt werden, sind viele Optimierungsvorgänge bis zum Erreichen einer deutlichen Modellverbesserung durchzurechnen.
Die Erstellung einer erfmdungsgemaß zu verwendenden Modell- Struktur und eines wesentlichen Teilmodells wird z.B. in dem Aufsatz "Automation Of A Laboratory Plant For Direct Casting Of Thin Steel Strips" von S. Bernhard, M. Ennmg and H. Rabe in "Control Eng. Practice", Vol.2, No.6, page 961-967, 1994, Elsevier Science Ltd. beschrieben. Aus dieser Veröffent¬ lichung sind u.a. auch die Grundstrukturen geeigneter Basis- automatisierungssysteme und von Startroutinen zu ersehen," auf denen der Fachmann aufbauen kann.
Als Rechner für die Prozeßoptimierung und die Parameter¬ adaption sind Workstations, z.B. von der Firma Sun, geeignet Für große Leitsysteme werden vorteilhaft parallel arbeitende Rechner eingesetzt. Dies gilt insbesondere, wenn das Modell in Gruppen von Modell-Modulen aufteilbar ist, die teilab- hängig voneinander optimiert werden können
Im Vergleichspunkt 19, in den die Sollwerte, im gewählten
Ausführungsbeispiel die Sollwerte f r die Banddicke, d e Pro¬ filform, die Oberflachengute des Bandes etc. einfließen, werden laufend die Ergeonisse aus der Modellrechnung mit der. Sollwertvorgaben verglichen. Die Differenz ist durch die Optimierung zum minimieren. Da die Differenz bei technischen Prozessen im allgemeinen nicht Null werden kann, muß der Optimierungsvorgang sinnvoll begrenzt, also vorgegeben abge¬ brochen werden. Genauere Einzelheiten der Programmstruktur, mit der die Optimierung abgebrochen und jeweils die neue Sollwertausgabe gestartet wird, zeigt FIG 3. In FIG 3 bezeichnet 58 eine, jeweils auszuwählende, Fehler- funktion, in die die festgestellten Fehler (Sollwertabwei¬ chungen) einfließen. In 61 wird nun untersucht, ob die Feh¬ lerfunktion die Abbruchkriterien der Optimierung erfüllt. Falls dies der Fall ist, werden weiter optimierte Steuer- und Regelgrößen ausgegeben. Vor Erreichen des Abbruchkriteriums gelangen laufend Startwerte vom Datenspeicher in die Start¬ wertvorgabe 59, aus denen m Suchschritten in 60, nicht vom Optimierer, sondern aus dem Datenspeicher, z.B. unter Zuhil¬ fenahme einer Fuzzy-Interpolation, Steuer- und Regelparameter für eine suboptionale Prozeßführung gewonnen werden. Eine Umschaltung erfolgt nach Erreichen des vorherbestimmten Gütefaktors, der dem jeweiligen Leitsystem-Wissensstand an¬ gepaßt wird. Wie bereits vorstehend gesagt, wird die Mimmie- rung, die ja niemals absolut sein kann, bei Erreichen des vorgegebenen Gütefaktors abgebrochen.
Aus dem Modell w rd im übrigen vorteilhaft, wenn es an den Prozeß angeschlossen, d.h. Schalter 1 geschlossen ist, auch em Alarmsignal generiert, welches das Erreichen kritiscner Betriebszustände signalisiert. Derartige Prozeduren sind bereits bekannt und finden sich m gleicher Weise auch m konventionellen Leitsystemen.
In FIG 4, die die Struktur einer Modelladaption mittels eines Optimierungsalgorithmus zeigt, gelangen Daten aus der Start¬ wertvorgabe 61 in eine Suchschπttemheit 62 und werden von dort als Modellparameter an das Modell 63 weitergegeben Das Modell 63 bildet zusammen mit dem Datenspeicher 64 eine Para- meterverbesεerungsschleife, die m 65 m bekannter Weise die gebildeten und gespeicherten Werte vergleicht. Die Ver- gleichswerte werden der Fehlerfunktion 67 zugeführt, d e ihre Werte an die Abbruchkriterieneinheit 66 weitergibt. Sind die Abbruchkriterien erfüllt, wird das Modell nicht mehr weiter verbessert und mit den vorhandenen Werten gearbeitet. Sonst wird die Optimierung mit weiteren Suchschritten und den Zwischenwerten im Datenspeicher weitergeführt.
In FIG 5, die die wesentlichen Teilmodelle des Prozeßgesamt¬ modells des Ausführungsbeispiels zeigt, bezeichnet 46 das Eingangsmodell, in dem die Außeneinflüsse, etwa die Einflüsse aus der Qualität des eingesetzten Materials, zusammengefaßt sind. Aus der Stahl-Emsatzqualität ergibt sich z.B. der Liquiduswert, der Soliduswert, sowie weitere, das Gießver¬ halten kennzeichnende Großen. 47 bezeichnet das Tundishmo- dell, in das z.B. das Stahlvolumen des Tundish, die Tauch- rohrstellung o. ., die Stopfenstellung und die Stahl-Aus¬ flußtemperatur eingehen. Die Eingangsmodelle 46 und 47 werden im Teilmodell 56 zusammengefaßt, das den Status des zuge¬ führten Materials wiedergibt. Derartige Teilmodelle können vorteilhaft parallel zu anderen Teilmodellen, etwa dem Gieß- bereichsmodell, dem Walzbereichsmodell o.a. optimiert werden
Das Eingangsmodell 48 enthalt die Einflüsse, die die Erstar¬ rung beeinflussen, z.B. die Gießwalzenkuhlung, die Infrarot¬ heizung etc., Das Eingangsmodell 49 enthalt die Werte, αie für die Warmebilanz notwendig sind, so die Stahl-Gießwalzer- Temperaturdifferenz, den Schmiermittelemfluß als Funktion der Schmiermittelmenge, die Kristallbildungsgeschwindigkeit der jeweiligen Stahlsorte sowie z.B. den Walzenoberflacnen- zustand. Das Eingangsmodell 50 enthält z.B. die Einflüsse αei Gießspiegelcharakteristik, so die Gießspiegelhohe, die
Schlackenschichtdicke und den Abstrahlungskoefflzienten Die Eingangsmodelle 48,49 und 50 sind zu einem Teilmodell 54, αa≤ den Status Gießbereich wiedergibt, zusammengefaßt. Diese Modellbereichs-Zusammenfassung st allgemein für Produktlor.≤- bereiche vorteilhaft, da sie d e Gesamt-Modeiloptimierung vereinfacht und verbessert. Unter sich sind die Teilmodelle z.T. noch voneinander abhängig, so etwa in erheblichem Maß die Eingangsmodelle 49 (Eingangsmodell Wärmebilanz) und 50 (Eingangsmodell Gießspiegelcharakteristik) . Sekundarabhan- gigkeiten sind zur Vereinfachung nicht dargestellt.
Das Teilmodell 51 enthält alle Einflüsse auf die Erstarrungs¬ front, d.h. auf den Bereich, in dem die auf den beiden Kühl- walzen erstarrten Metallschalen zusammentreffen. Im wesentli¬ chen sind diese Einflüsse die Umformarbeit, die von den Gieß- walzen geleistet wird, die Vibrationsweite der Gießwalzen oder des austretenden Bandes, d e Seitenspalt-Dichtungs- emflüsse und der Anstrengungsgrad des Gesamtsystems, dies ist z.B. em Fuzzy-Modell. Das Teilmodell 52 gibt die Aus¬ trittswerte wieder, so z.B. die Qualität des Bandes, die Austrittstemperatur- und Verteilung, aber auch die Klebe- neigung und den Zustand des gebildeten Zunders. In das Teil¬ modell 52 geht auch das Eingangsmodell 53 und das Eingangsmo¬ dell 74 em, die sich auf den Temperaturverlauf quer zum Band und auf den Oberflächenzustand des Bandes beziehen. Für den besonders vorteilhaften Fall, daß es sich um em Bandgieß-Walzwerk handelt, gehen auch die
Walzwerksteilmodelle 54 mit in dieses spezielle Prozeßmodell em, da die Produktausbildung nach dem Austritt aus den Walzgerüsten das entscheidende Kriterium ist.
Die Teilmodelle sind zu dem Produkt-Ausbildungsmodell 57 zu¬ sammengefaßt, welches das Dickenprofil des gebildeten Bandes, die Banddicke, ein evtl. auftretendes Fehlerbild, die Korn¬ struktur des Bandes, die Oberflächenstruktur etc. zusammen- faßt. Die Oberflachenstruktur und insbesondere die Kornstruk¬ tur des Bandes sind nur mit erheblicher Zeitverzogerung er- mittelbar. Hier arbeitet man daher vorteilhaft mit Teilmodel- len auf der Basis von neuronalen Netzen zur qualitativen unα quantitativen Einflußgroßenermittlung. Aus der vorstehenden Darstellung ergibt sich der besondere Vorteil, der sich aus der Ausbildung des Modells in Modulform ergibt, da insbesondere so die Teile eines komplexen Gesamt¬ prozeßmodells parallel bearbeitbar werden. Dies ist besonders vorteilhaft für den Inbetriebsetzungszeitraum einer Anlage, in dem die Eingangs- und Teilmodelle den tatsächlichen Ver¬ hältnissen angepaßt, miteinander verknüpft etc. werden müs¬ sen.
FIG 6 zeigt schließlich den erfindungsgemäß wesentlichen Teil der Datenspeicherstruktur. 68 bezeichnet das Prozeßdaten¬ archiv , 69 den Modellparameterspeicherteil, 70 den Teil mit den Startwerten für den Optimierer und 71 den Speicherteil für die sicheren Betriebspunkte. In 68 wird auch die jewei- lige Modellausbildung gespeichert.
Die Basisautomatisierung, die mit ihren Regelungen, Steue¬ rungen, Verriegelungen etc., einen unverzichtbaren Teil des Leitsystems bildet, da sie u.a. das sichere Funktionieren der Anlage auch bei einer Fehlfunktion des Modellteils des erfindungsgemäß arbeitenden Leitsystems garantiert, muß eine Vielzahl von Funktionen erfüllen.
Die einzelnen Funktionen sind, nicht abschließend, durch die einzelnen "black box" in FIG 7 symbolisiert. Dabei bedeutet 21 im Ausführungsbeispiel die Massenflußregelung über die Einzel-Drehzahlregler, 22 die Regelung der Tundish-He zung, 23 die Gießspiegelregelung, 24 die Tundish-Ausflußregelung und 25 die Heizleistung des Infrarot- o.a. Schirms 7 für die Aufrechterhaltung der Betriebstemperatur der Gießwalzen. 26 bedeutet die Regelung der Schmiermittelzugabe, z.B. m Forr von losem Gießpulver oder von auf die Gießwalzen aufgetrage¬ ner Gießpulverpaste, 27 die Kühlwassermengenregelung, 28 ggf die Walzenoszillationsregelung, 29 die elektrische Antriebsregelung und 30 die Walzspaltemstellung. 31 bedeutet die Walzendrehzahlregelung und 32 ggf. die Regelung des Walzendrehmoments, 33 die Einstellung des Reinigungssystems, bestehend beispielsweise aus einer Bürste und einem Schaber für die Gießwalzen und 34 die Regelung des elektrodynamischen Systems zum Ausgleich des Bandgewichtes sowie 35 die Regelung der Vibrationsweite des gegossenen Bandes. 36 bedeutet die
Regelung der einzelnen Teile eines elektrodynamischen Systems zur Seltenspaltabdichtung und 37 die Regelung der Heizung für die Seitenwände des Raumes zwischen den Gießwalzen. 38 bedeutet die Temperatur-Profllregelung des Induktions- heizsystems 10. 39 sowie angedeutete weitere Regelemheiten beziehen sich auf Regelungen der nachgeschalteten Ver¬ formungseinheiten, z.B. Walzgerüsten, den Zug zwischen diesen Walzgerüsten etc. Auf die vorstehenden Stellglieder, Regler etc. wirkt die Zeitsteuerung 45, die die Stellgrößenausgaben etc. zeitlich koordiniert. Im Block 40 sind beispielhaft die Hilfs-Steuerungen und die Verriegelungen zusammengefaßt, so bedeuten z.B. 41 die Anfahrautomatik, 42 die Ausschalt¬ automatik, 43 und 44 Verriegelungen, die z.B. verhindern, daß Flüssigstahl fließen kann, bevor das Gieß-Walzenpaar und die Verformungswalzen arbeitsfähig sind, etc. Darüber hinaus smα weitere, in dem Prmzipbild nicht dargestellte, Systeme für die ggf. erforderliche Bandkantenabtrennung, z.B. durch Laser, für die Zunderausbildungsbeeinflussung, z.B. durch Silikatisierung, die Walzenschmierung etc. vorhanden. In der Basisautomatisierung, in die die Meßdaten I und die Soll¬ wertvorgaben V eingehen, werden die Stellgrößen VI generiert, über die die Anlage geführt wird.
Die Charakteristik des s ch selbst optimierenden und wis- sensmäßig weiterentwickelnden Leitsystems, am Beispiel des Gießwalzprozesses gezeigt, werden im folgenden naher erläu¬ tert:
Der Gießwalzprozeß besteht aus einer Anzahl von Teilprozes- sen, deren Ausbildung und Einflüsse ausschlaggebend für das
Endprodukt sind. Erfmdungsgemaß beeinflußbar und optimierbar sind dabei die Eigenschaften des Endproduktes, z.B. seiner Dicke, seinem Dickenprofil und seiner Oberflächenausbildung, durch eine Reihe einstellbarer Prozeßgrößen, wie z.B. dem Gießwalzspalt, dem Gießwalzenprofll, der Gießspiegelhöhe etc., die wiederum die Lage der Vereinigungszone der auf den Gießwalzen abgeschiedenen, erstarrten Metallschalen beein¬ flussen. Für eine Regelung und Optimierung wird vorteilhaft erfindungsgemäß ein Gesamtprozeßmodell erstellt, welches das Prozeßverhalten beschreibt. Auf der Basis dieses Prozeßmo- dells können die Einflußgrößen, mit denen man den Prozeß beeinflußt, schrittweise entsprechend den Prozeßbedingungen angepaßt und optimiert werden Die durch diese Optimierung bestimmten situationsgerechten Anweisungen führen dann zu einer Verbesserung des Prozeßgeschehens. Insgesamt ergeben sich trotz der bei der Erstellung relativ aufwendigen, (aber mit geringerem Aufwand auch bei anderen Anlagen weiter¬ verwendbaren) , Software erhebliche Kostenvorteile, da die Anlage mit wesentlich einfacheren mechanischen Komponenten, weniger Reglern etc. arbeiten kann, als die bekannten Anlagen. Auch die Sensorik wird wesentlich einfacher, da nur die Prozeßausgangsgrößen laufend genau erfaßt werden müssen
Zusammengesetzt ist der intelligente, sich selbständig ver¬ bessernde, Teil des Leitsystems aus drei wesentlichen Ele- menten: Dem Prozeßmodell, der Modelladaption und dem Proze߬ optimierer. Das Prozeßmodell setzt sich aus Teilsystemen (Modulen) zusammen, die je nach Prozeßkenntnis von unter¬ schiedlichem Typ sein werden. Bei Kenntnis der physikalischer. Zusammenhange können klassische, physikalisch-mathematische Modelle erstellt werden. Verfügt man dagegen nur über Erfah¬ rungswissen oder Schätzungen, so werden Fuzzy- oder Neuro- Fuzzy-Systeme verwandt. Falls man nur wenig oder nichts über das Prozeßverhalten weiß, wie etwa bei der Rißbildung und der Oberflächenausbildung setzt man, zumindest am Anfang, neurc- nale Netze für die Prozeßbildung ein. Insgesamt beschreibt das Modell den Zusammenhang zwischen den Prozeßgroßen, wie i-*-* gewählten Beispiel der Gießspiegelhöhe, den Zustandswerten und der Qualität des vergossenen Materials, den Einstell¬ werten der Gießwalzen etc. und den Qual tätsparametern des Bandes, z.B. der Dicke, dem Profil und der Oberflächenausbil- düng.
Da das Modell zu einem bestimmten, u.U. erheblichen, Prozent¬ satz auf unsicherem Wissen gründet, ist es nicht genau. Das Modell muß also anhand gewonnener Prozeßdaten adaptiert, ver- ändert etc. werden. Dies geschieht vorteilhaft einerseits mittels der bekannten Modelladaption, die auf Daten vergan¬ gener Prozeßzustande aufsetzt. Auf Basis dieser Daten stellt sie die Modellparameter o.a. so ein, daß das Modellverhalten möglichst gut dem des Prozesses entspricht. Außerdem werden die Modelle selbst verändernd optimiert, so z.B. durch gene¬ tische Algorithmen, eine kombinatorische Evolution etc. Ent¬ sprechende Optimierungsstrategien sind bekannt, z.B. aus Ul¬ rich Hoffmann, Hanns Hofmann "Einführung in die Optimierung", Verlag Chemie GmbH, 1971 Weinheim / Bergstraße; H.P. Schwefel "Numerische Optimierung von Computer-Modellen mittels der Evolutionsstrategie, Basel, Stuttgart : Birkhauser 1977; Eberhard Schoneburg "Genetische Algorithmen und Evolutionsstrategien, Bonn, Paris, Readmg, Mass, Addison- Wesley, 1994; Jochen Heistermann "Genetische Algorithmen Theorie und Praxis evolutionärer Optimierung, Stuttgart,
Leipzig, Teubner, 1994 (Teubner-Texte zur Informatik; Bd 9)
Durch das erfindungsgemäße Leitsystem mit dem vorstehend be¬ schriebenen erfindungsgemäßen Vorgehen wird die bisherige Aufbaustruktur eines Leitsystems verlassen. Über einer Basis- automatisierung, die im wesentlichen die Prozeßebene betriff*: (Level I), befindet sich ein nur einstufiges, intelligentes Leitsystem, dem die Produktionssollwerte vorgegeben werden und das daraus selbsttätig alle Vorgabegroßen (Stellbefehle1 generiert (Level II). In intelligenter Selbstoptimierung sorgt es aufgrund des bereits erreichten Prozeßergebnisses für immer bessere Prozeßergebnisse. Einzelne Feed-Back- Regelkreise können entfallen. Nur für die Kontrolle der Prozeßergebnisse sind qualitätskontroliierende Sensoren notwendig. Das erfindungsgemäße Leitsystem besitzt also nur noch zwei wesentliche Ebenen, von denen die intelligente Ebene außer etwa zur Programmierung keiner Visualisierung bedarf. Zur Kontrolle können aber die Elemente der Basis¬ automatisierung in bekannter Weise visualisiert werden.

Claims

Patentansprüche
1. Intelligentes Rechner-Leitsystem für Einrichtungen, in denen technische oder biologische Prozesse zielgerichtet ablaufen, z.B. Produktionsanlagen für Güter oder Energie, Kommunikationseinrichtungen etc., das aufbauend auf eingegebenem Vorwissen den jeweiligen Zustand der in den Einrichtungen ablaufenden Prozesse, z.B. von kontinuierlichen Herstellungsprozessen, Arbeitsverfahren etc. anhand der Prozeßergebnisse selbsttätig erkennend und situationsgerecht zum Erreichen des Prozeßziels rechentechnisch generierte Anweisungen gebend, ausgebildet ist.
2. Leitsystem nach Anspruch 1, dadurch gekenn z e i chnet , daß das Vorwissen m technologiebezogener Form, vorzugsweise in technologisch oder ggf. biologisch basierten Algorithmen, eingegeben wird.
3. Leitsystem nach Anspruch 1 oder 2, dadu r ch g ek enn z e i c hne t , daß das Vorwissen das situationsbedingte Verhalten und Wirker. der Komponenten der Einrichtung wahrend des Prozeßablaufs einbezieht .
4. Leitsystem nach Anspruch 1,2 oder 3, d a d u r c h g e k e n n z e i c h n e t , daß die situationsgerechten Anweisungen rechentechnisch aus einer Prozeßnachb ldung (Modell) m einem Rechner gewonnen werden, das insbesondere die Wirkung von Änderungen von Prozeßvariablen auf das Prozeßergebnis beschreibt.
5. Leitsystem nach Anspruch 1,2,3 oder 4, d a du r c h g e k e n n z e i c hn e t , daß der Prozeßnachbildung (Modell) die
Prozeßeingangsbedingungen aufgegeben und daraus situations- gerecht Anweisungen zum Erreichen des Prozeßziels generiert werden.
6. Leitsystem nach Anspruch 1,2,3,4 oder 5 dadu r ch gekenn z e i chnet , daß es die situationsgerechten Anweisungen anhand einer
Adaption des Modells erzeugend, dabei vorzugsweise selbsttätig in vorgegebenen Routinen arbeitend, ausgebildet
7. Leitsystem nach Anspruch 6, d a d u r c h g e k e n n z e i c h n e t , daß es laufend eine Optimierung, insbesondere eine schrittweise Optimierung, des Modells, vorzugsweise eines algorithmischen Prozeßmodells, durchführt.
8. Leitsystem nach Anspruch 7, d a d u r c h g e k e n n z e i c hn e t , daß die Optimierung durch ausgewählte Trial- und Error-Routi- nen am Prozeßmodell unter standiger Erfolgskontrolle erfolgt.
9. Leitsystem nach Anspruch 1,2,3,4,5,6,7 oder 8, d a d u r c h g e k e n n z e i c h n e t , daß das Vorwissen, vorzugsweise selbsttätig, laufend durcn ar Modell, z.B. bei unterschiedlichen Anforderungen an den
Prozeß, intern rechentechnisch gewonnenes Wissen verbessert und dieses selbstgenerierte Prozeßwissen als Vorwissen einen, insbesondere ständig aktualisierten, Datenspeicher übernommen wird.
10. Leitsystem für die Führung technischer Einrichtungen unα darin ablaufender Prozesse, mit insbesondere zur Abarbe_tung von Algorithmen und zur Durchführung von Adaptierungs- unα Optimierungsvorgangen geeigneten Recheneinrichtungen, vor- zugsweise nach Anspruch 1,2,3,4,5,6,7,8 oder 9, d a du r c h g e k e n n z e i c hn e t , daß der Zustand von in technischen Einrichtungen ablaufenden Prozessen und/oder einzelner Teilprozesse zur Adaptierung und ggf. Optimierung fortlaufend anhand von Prozeßmodellen simuliert wird, die insbesondere modular aufgebaut sind und die das Verhalten zwischen den Prozeßeingangsgrößen sowie variablen Größen und den Prozeßausgangsgrößen, z.B. Qualitätskennwerten, beschreiben.
11. Leitsystem nach Anspruch 10, da du rch gekenn z e i c hnet , daß die Prozeßmodelle zumindest teilweise, soweit sie auf Basis mathematisch-physikalischer, chemischer, metallurgi¬ scher, biologischer o. . Gesetzmäßigkeiten modelliert werden können, mathematische Beschreibungsfor en aufweisen.
12. Leitsystem nach Anspruch 10 oder 11, d a du r c h g e k e n n z e i c hn e t , daß die Prozeßmodelle für die Anlagenkomponenten, für die Prozeßwissen vorliegt, das linguistisch ausgedrückt werden kann, linguistisch formulierte Modellteile aufweisen, die z.B. durch Fuzzy-Systeme, Neuro-Fuzzy-Systeme, Experten¬ systeme oder Tabellenwerke realisiert sein können.
13. Leitsystem nach Anspruch 10,11 oder 12, da du r c h g e k e nn z e i c hn e t , daß die Prozeßmodelle für die Anlagenkomponenten, für die keine Modellbildung auf Basis mathematisch-physikalischer, biologischer oder metallurgischer Grundlagen oder aufgrund von linguistisch beschreibbarem Prozeßwissen möglich ist, selbstlernende oder sich selbstlernend selbststrukturierende Systeme, z.B. neuronale Netze, aufweisen.
14. Leitsystem nach Anspruch 10,11,12 oder 13, d a d u r c h g e k e n n z e i c hn e t , daß die Prozeßmodelle aufgrund von gesammelten Prozeßdaten, die in der Prczeßdatenbank archiviert werden, dem Prozeß fortlaufend angepaßt oder nachgeführt werden und daß dies mittels adaptiver Verfahren oder Lernverfahren, z.B. durch ein Backpropagation-Lernverfahren oder ein Auswahlverfahren für verschiedene Teilmodelle, etwa neuronale Netze, geschieht .
15. Leitsystem nach Anspruch 10,11,12,13 oder 14, da du r c h g e k e n n z e i c hn e t , daß die Prozeßmodelle , vorzugsweise off-line, durch eine Modelladaption derart adaptiert werden, daß die
Modellausgangsgroßen, die insbesondere Qualitätskennwerte des Prozeßergebnisses sind, möglichst gut mit vorgegebenen, z.B. den anzustrebenden Werten, übereinstimmen.
16. Leitsystem nach Anspruch 10,11,12,13,14 oder 15, d a d u r c h g e k e n n z e i c hn e t , daß die Prozeßmodelle evolutionär mit Optimierungsverfahren, z.B. mit genetischen Algorithmen, dem Verfahren von Hooke- Jeeves, einem Verfahren des Simulated Annealings o.a. optimiert werden, wobei die jeweils angewandten Optimierungs¬ verfahren situations- und problemabhängig vorgegeben oder ggf. durch Rechentechnik, aus einer Datei ausgewählt werden, z.B. in Abhängigkeit von der Anzahl der zu optimierenden Größen und/oder der Ausbildung der zu erwartenden Mini a.
17. Leitsystem nach Anspruch 10,11,12,13,14,15 oder 16, d a du r c h g e k e n n z e i c hn e t , daß die Startwerte für Optimierungen aus den in einem Prozeßdatenspeicher archivierten, suboptimalen Betriebsdaten ermittelt werden, ggf. durch Fuzzy-Interpolation.
18. Leitsystem für technische Einrichtungen, z.B. Produkti¬ onsanlagen für Güter oder Energie, Kommunikationseinrichtun¬ gen etc., insbesondere nach einem oder mehreren der vorherge- henden Ansprüche, dadu r ch ge k enn z e i chne t , daß es ein Basis-Funktionssystem für die Prozeßkomponenten aufweist, das die Anweisungen aus dem rechentechnisch, z.B. aus einem Prozeßmodell, vorzugsweise einem Prozeßgesamt¬ modell, gewonnenen Wissen sicher in eine Prozeßführung, etwa in einer Produktionsanlage oder einer Kommunikationseinrich¬ tung etc. umsetzt.
19. Leitsystem nach Anspruch 18, da du r c h g e k enn z e i c hn e t , daß die einstellbaren Prozeßparameter, die vorteilhaft so ermittelt wurden, daß die vom Modell nachgebildeten Kennwerte des erzeugten Produktes möglichst gut mit den vorgegebenen Wunschwerten übereinstimmen, als Vorgabe an das Basis-Funkti¬ onssystem des Prozesses gegeben werden und von diesem der Prozeß'entsprechend den Vorgabewerten eingestellt wird.
20. Leitsystem nach Anspruch 18 oder 19, da du r c h g e k e nn z e i c hn e t , daß das Basisfunktionssystem als ein, die zur Durchführung des Prozesses notwendigen Komponenten je für sich oder zusam¬ mengefaßt sicher arbeitsfähig machendes, Basis-Automatisie- rungssystem ausgebildet ist.
21. Leitsystem nach Anspruch 20, dadu rch g ekenn z e i chne t , daß das Basis-Automatisierungssystem als autonomes, einen sicheren Zustand des Prozesses garantierendes Subsystem (Gefahren-Zustands-Rückfallsystem) ausgebildet ist, das an¬ stelle der rechentechnisch erzeugten Anweisungen, msbeson- dere auf als sicher erkannte, im Datenspeicher abgelegte, Betriebswerte zurückgreifen kann.
22. Leitsystem nach Anspruch 18,19,20 oder 21, da du r c h g e k e n n z e i c hn e t , daß das Basis-Funktionssystem Start- und Hochlauf-Routinen aufweist, die manuell oder automatisch eingegeben werden können, sowie suboptimale Normalbetriebsroutmen, in denen einzelne, sonst rechentechnisch ermittelte, Anweisungen durch konstante Vorgaben ersetzt werden können.
23. Leitsystem nach Anspruch 18,19,20,21 oder 22, dadurch gekenn z e i chnet , daß das Basis-Funktionssystem eine Zeitsteuerung o. . enthält, mit denen die Übergabe von vorermittelten Einstellwerten (Vorgabewerten) situationsgerecht, z.B. der Mengenflußkonstanz entsprechend, erfolgt.
24. Leitsystem nach Anspruch 18,19,20,21,22 oder 23, d a du r c h g e k e n n z e i c h n e t , daß die Vorgabewerte für das Basis-Funktionssystem bei einem Ausbleiben der rechentechnisch gewonnenen Werte direkt aus den Daten der Prozeßdatenbank erzeugt werden können, wobei zur Verbesserung insbesondere zwischen den gespeicherten sicheren Betriebsdaten interpoliert wird, ggf. mit einer Fuzzy-Interpolation.
25. Leitsystem nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennz e i chne t , daß das Vorwissen auch durch externe Simulationsrechnungen, Modellversuche o.a. verbessert wird, insbesondere in Anpassung oder Optimierung der verwendeten technischen Mittel.
26. Verwendung von technischer, künstlicher Intelligenz m einem Leitsystem für die Fuhrung zielgerichteter technischer Abläufe, insbesondere nach einem oder mehreren der vorhergehenden Ansprüche, wobei das Leitsystem einen sich fortlaufend selbst verbessernden intelligenten Teil mit einem, insbesondere modulartig aufgebauten, Prozeßmodell, in dem Vorwissen und selbstgeneriertes Wissen über das Verhalten des Prozesses, z.B. in einer Produktionsanlage oder in einer Kommunikationseinrichtung enthalten ist, und einen Basis- 28 Funktionsteil aufweist, der die Ergebnisse des künstlichen Intelligenzteils zum sicheren Erreichen des Prozeßziels umsetzt und bei einem vorübergehenden Ausfall oder einer Instabilität des intelligenten Teils für einen sicheren Betrieb sorgt.
27. Technische, künstliche Intelligenz nach einem oder mehre¬ ren der vorhergehenden Ansprüche, insbesondere nach Anspruch 26, dadurch g ekenn z e i chne t , daß über einen off-line arbeitenden Optimierer, insbesondere mit Hilfe eines modulartig aufgebauten Gesamt-Prozeß-Modells, die für die Führung eines Prozesses optimalen Teilmodell-Aus¬ bildungen, Einstellkombinationen, etc. durch Selbstlern¬ routinen o. .,ermittelt werden, während der Prozeß auf suboptimaler, on-line geführter Basis läuft.
PCT/DE1996/000396 1995-03-09 1996-03-06 Intelligentes rechner-leitsystem WO1996028771A1 (de)

Priority Applications (4)

Application Number Priority Date Filing Date Title
US08/913,127 US6085183A (en) 1995-03-09 1996-03-06 Intelligent computerized control system
EP96905685A EP0813700B1 (de) 1995-03-09 1996-03-06 Intelligentes rechner-leitsystem
DE59605506T DE59605506D1 (de) 1995-03-09 1996-03-06 Intelligentes rechner-leitsystem
AT96905685T ATE194229T1 (de) 1995-03-09 1996-03-06 Intelligentes rechner-leitsystem

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE19508474.8 1995-03-09
DE19508474A DE19508474A1 (de) 1995-03-09 1995-03-09 Intelligentes Rechner-Leitsystem

Publications (1)

Publication Number Publication Date
WO1996028771A1 true WO1996028771A1 (de) 1996-09-19

Family

ID=7756199

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE1996/000396 WO1996028771A1 (de) 1995-03-09 1996-03-06 Intelligentes rechner-leitsystem

Country Status (6)

Country Link
US (1) US6085183A (de)
EP (1) EP0813700B1 (de)
CN (1) CN1244031C (de)
AT (1) ATE194229T1 (de)
DE (2) DE19508474A1 (de)
WO (1) WO1996028771A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19704314C1 (de) * 1997-02-05 1998-09-03 Siemens Ag Verfahren zur Optimierung von Prozeßparametern auf der Basis einer Gradientenschätzung auf einem Rechner

Families Citing this family (75)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2164357T3 (es) * 1996-06-21 2002-02-16 Siemens Ag Procedimiento y sistema para la puesta en servicio de instalaciones industriales, especialmente de la industria primaria.
DE29617200U1 (de) * 1996-10-02 1997-11-06 Siemens Ag Vorrichtung zur prädiktiven Diagnose der aktuellen Güte des technischen Arbeitsergebnisses einer technischen Anlage, insbesondere der aktuellen Güte der Schweißpunkte eines Punktschweißroboters
DE19641432C2 (de) * 1996-10-08 2000-01-05 Siemens Ag Verfahren und Einrichtung zur Vorausberechnung von vorab unbekannten Parametern eines industriellen Prozesses
DE19641431A1 (de) * 1996-10-08 1998-04-16 Siemens Ag Verfahren und Einrichtung zur Identifikation bzw. Vorausberechnung von Prozeßparametern eines industriellen zeitvarianten Prozesses
DE19704983B4 (de) * 1997-01-29 2006-07-06 Diehl Bgt Defence Gmbh & Co. Kg Autonomes System, insbesondere autonome Plattform
DE19706548A1 (de) * 1997-02-19 1998-08-27 Siemens Ag Verfahren zum optimalen Entwurf und zum Reentwurf eines Walzwerks
DE19715503A1 (de) 1997-04-14 1998-10-15 Siemens Ag Integriertes Rechner- und Kommunikationssystem für den Anlagenbereich
SE509443C2 (sv) * 1997-05-15 1999-01-25 Asea Brown Boveri Förfarande för övervakning av en manipulators rörelsestyrning
DE19729187C1 (de) * 1997-07-08 1999-04-29 Siemens Ag Testverfahren für einen Funktionsapproximator in einer Prozeßsteuerung
DE19738955C2 (de) * 1997-09-05 2003-01-09 Audi Ag Verfahren zur Regelung eines Umformprozesses
US6490574B1 (en) * 1997-12-17 2002-12-03 International Business Machines Corporation Method and system for managing rules and events in a multi-user intelligent agent environment
US6178360B1 (en) * 1998-02-05 2001-01-23 Micron Technology, Inc. Methods and apparatus for determining optimum exposure threshold for a given photolithographic model
US6033814A (en) * 1998-02-26 2000-03-07 Micron Technology, Inc. Method for multiple process parameter matching
WO1999050719A1 (de) 1998-03-31 1999-10-07 Siemens Aktiengesellschaft Verfahren und anordnung zur neuronalen modellierung einer papierwickelvorrichtung
DE19832762C2 (de) * 1998-07-21 2003-05-08 Fraunhofer Ges Forschung Gießwalzanlage, insbesondere Dünnbrammengießwalzanlage
DE19912221B4 (de) * 1998-08-11 2006-07-27 Siemens Ag Computersystem zur Auslegung einer Anlage der Grundstoffindustrie, insbesondere eines Walzwerks
JP2000064933A (ja) * 1998-08-19 2000-03-03 Yamaha Motor Co Ltd ２サイクル筒内噴射エンジンの始動方法
DE19841165A1 (de) * 1998-09-09 2000-03-16 Abb Research Ltd Verfahren zur Bestimmung eines Prozeßdatenvalidierungsmodells
JP2000200551A (ja) * 1998-10-26 2000-07-18 Toshiba Corp 陰極線管の製造方法およびその装置
DE19850324C2 (de) * 1998-11-02 2003-11-13 Abb Patent Gmbh Verfahren zur automatisierten Abbildung von zielsystemneutralen leittechnischen Planungsergebnissen auf zielsystemspezifische leittechnische Strukturen
DE19932945A1 (de) 1999-07-14 2001-01-25 Siemens Ag Verfahren, Anordnung und Computerprogramm zur Vorverarbeitung
US6446056B1 (en) 1999-09-10 2002-09-03 Yamaha Hatsudoki Kabushiki Kaisha Interactive artificial intelligence
US6604091B2 (en) * 1999-09-10 2003-08-05 Yamaha Hatsudoki Kabushiki Kaisha Interactive artificial intelligence
US6721780B1 (en) * 1999-11-09 2004-04-13 Fireclick, Inc. Predictive pre-download of network objects
DE19959204A1 (de) * 1999-12-08 2001-07-12 Siemens Ag Verfahren zur Ermittlung einer Beizzeit eines eine Zunderschicht aufweisenden Metallbandes
JP2001307977A (ja) * 2000-02-18 2001-11-02 Nikon Corp 荷電粒子線露光装置の設計方法、荷電粒子線露光装置、及び半導体デバイスの製造方法
WO2001092974A2 (en) * 2000-05-27 2001-12-06 Georgia Tech Research Corporation Adaptive control system having direct output feedback and related apparatuses and methods
EP1195664A1 (de) * 2000-09-27 2002-04-10 ABB PATENT GmbH Service-System mit Optimierung
RU2282521C2 (ru) * 2000-09-29 2006-08-27 Ньюкор Корпорейшн Способ изготовления стальной полосы по заказу
US6581672B2 (en) 2000-09-29 2003-06-24 Nucor Corporation Method for controlling a continuous strip steel casting process based on customer-specified requirements
US7591917B2 (en) * 2000-10-02 2009-09-22 Nucor Corporation Method of producing steel strip
DE10056493A1 (de) * 2000-11-15 2002-05-23 Bsh Bosch Siemens Hausgeraete Verfahren und Vorrichtung zum Steuern von Hausgeräten
DE10056494A1 (de) * 2000-11-15 2002-05-23 Bsh Bosch Siemens Hausgeraete Verfahren und Vorrichtung zum Steuern eines Hausgerätes
GB0109643D0 (en) * 2001-04-19 2001-06-13 Isis Innovation System and method for monitoring and control
JP2004527860A (ja) * 2001-05-25 2004-09-09 パラメトリック・オプティミゼーション・ソリューションズ・リミテッド 改善されたプロセス制御
DE10126251A1 (de) * 2001-05-29 2003-01-23 Buehler Ag Online-Prozessüberwachung und Online-Prozessmodelierung
DE10129141A1 (de) * 2001-06-16 2002-12-19 Abb Research Ltd Steuer- und Regelverfahren un Regeleinrichtung zum An- oder Abfahren einer verfahrenstechnischen Komponente eines technischen Prozesses
DE10143056A1 (de) * 2001-09-03 2003-03-20 Delphi Tech Inc Verfahren zur Vorbereitung einer Computersimulation einer Kraftfahrzeugelektrik
KR100431329B1 (ko) 2001-10-11 2004-05-12 삼성전자주식회사 반도체 웨이퍼 오버레이 보정방법
US6915172B2 (en) 2001-11-21 2005-07-05 General Electric Method, system and storage medium for enhancing process control
AT411026B (de) * 2001-11-30 2003-09-25 Voest Alpine Ind Anlagen Verfahren zum stranggiessen
US20040002843A1 (en) * 2002-05-13 2004-01-01 Consolidated Global Fun Unlimited, Llc Method and system for interacting with simulated phenomena
US7072729B2 (en) * 2002-08-21 2006-07-04 Stiles Machinery, Inc. Method for interpreting design data and associating manufacturing information with the data and software and systems for implementing the method
AT411822B (de) † 2002-09-12 2004-06-25 Voest Alpine Ind Anlagen Verfahren und vorrichtung zum starten eines giessvorganges
DE10251716B3 (de) * 2002-11-06 2004-08-26 Siemens Ag Modellierverfahren für ein Metall
DE10310357A1 (de) * 2003-03-10 2004-09-30 Siemens Ag Gießwalzanlage zur Erzeugen eines Stahlbandes
DE10339766A1 (de) * 2003-08-27 2005-04-07 Siemens Ag Verfahren und Einrichtung zur Steuerung einer Anlage zur Herstellung von Stahl
RU2270469C2 (ru) * 2004-03-11 2006-02-20 Олег Алексеевич Суханов Система управления режимами электроэнергетических систем
US7136779B2 (en) * 2004-05-28 2006-11-14 Daimlerchrysler Ag Method for simplified real-time diagnoses using adaptive modeling
SE527507C2 (sv) † 2004-07-13 2006-03-28 Abb Ab En anordning och ett förfarande för stabilisering av ett metalliskt föremål samt en användning av anordningen
US7457674B2 (en) 2004-08-27 2008-11-25 Siemens Corporate Research, Inc. System, device, and methods for updating system-monitoring models
CN101048714B (zh) * 2004-08-27 2010-05-12 西门子共同研究公司 用于更新系统监控模型的系统、设备以及方法
DE102004059776A1 (de) * 2004-09-17 2006-04-06 Deutsches Zentrum für Luft- und Raumfahrt e.V. Brennstoffzellensystem
US20060218107A1 (en) * 2005-03-24 2006-09-28 The University Of Tennessee Research Foundation Method for controlling a product production process
US20060247798A1 (en) * 2005-04-28 2006-11-02 Subbu Rajesh V Method and system for performing multi-objective predictive modeling, monitoring, and update for an asset
US7536364B2 (en) * 2005-04-28 2009-05-19 General Electric Company Method and system for performing model-based multi-objective asset optimization and decision-making
CH698238B1 (de) * 2005-07-07 2009-06-30 Main Man Inspiration Ag Vorrichtung zur kontinuierlichen Oberflächenreinigung einer drehbeweglichen Giessrolle einer Bandgiessmaschine.
US20070115916A1 (en) * 2005-11-07 2007-05-24 Samsung Electronics Co., Ltd. Method and system for optimizing a network based on a performance knowledge base
US8212655B2 (en) * 2006-03-30 2012-07-03 Rosemount Inc. System and method for identification of process components
DE102007050891A1 (de) * 2007-10-24 2009-04-30 Siemens Ag Auf der Streuung einer Istgröße eines Walzguts basierende Adaptierung eines Reglers in einem Walzwerk
DE102009031651A1 (de) * 2009-07-03 2011-01-05 Sms Siemag Aktiengesellschaft Verfahren zum Bestimmen der Lage der Sumpfspitze eines gegossenen Metallstrangs und Stranggießanlage
EP2287345A1 (de) * 2009-07-23 2011-02-23 Siemens Aktiengesellschaft Verfahren zur Steuerung und/oder Regelung eines Induktionsofens für eine Walzanlage, Steuer- und/oder Regeleinrichtung für eine Walzanlage und Walzanlage zum Herstellen von Walzgut
EP2633929A1 (de) * 2012-03-01 2013-09-04 Siemens Aktiengesellschaft Modellierung einer Gießwalzanlage
DE102013205356B4 (de) * 2013-03-26 2016-07-07 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
EP3293594A1 (de) * 2016-09-13 2018-03-14 Primetals Technologies Germany GmbH Verwendung umfassender künstlicher intelligenz bei anlagen der grundstoffindustrie
CN108067599B (zh) * 2016-11-15 2019-09-17 上海宝信软件股份有限公司 基于炼钢连铸全过程数据的板坯质量分析方法
US10681139B2 (en) 2017-02-09 2020-06-09 Nova Dynamics, Llc System for arranging and controlling interconnected intelligences
AU2018338204A1 (en) 2017-09-22 2020-04-02 Nucor Corporation Iterative learning control for periodic disturbances in twin-roll strip casting with measurement delay
EP3462338A1 (de) * 2017-09-28 2019-04-03 Siemens Aktiengesellschaft Datenverarbeitungsvorrichtung, datenanalysevorrichtung, datenverarbeitungssystem und datenverarbeitungsverfahren
CN109754137B (zh) * 2017-11-03 2022-03-29 钢铁研究总院 确定钢铁材料产品的质量和/或等级的方法及设备
CN110262350B (zh) * 2019-07-01 2022-02-18 王旭 含预置程序的积木式多单片机控制系统设计方法
WO2021086929A1 (en) * 2019-10-28 2021-05-06 Nucor Corporation Fault detection for iterative learning control of time-varying systems
WO2023055932A1 (en) * 2021-09-29 2023-04-06 Nucor Corporation Application of a learning agent to achieve autonomous operation of a twin roll casting machine
WO2024015601A1 (en) * 2022-07-15 2024-01-18 Nucor Corporation Actor-critic learning agent providing autonomous operation of a twin roll casting machine
CN117655315A (zh) * 2024-02-02 2024-03-08 山东中力高压阀门股份有限公司 一种阀门浇筑过程包内铁液温度实时监测系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4301130A1 (en) * 1992-01-20 1993-07-22 Hitachi Ltd Control system with highly nonlinear characteristic - uses learning function and derives control values from selected parameter values of set point adjustment model
WO1994029773A1 (en) * 1993-06-14 1994-12-22 Amax Coal West, Inc. A process stabilizing process controller

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3133222A1 (de) * 1981-08-21 1983-03-03 Kraftwerk Union AG, 4330 Mülheim Verfahren zur ermittlung des augenblicklichen und des zukuenftigen zustandes eines technischen prozesses mit hilfe von nichtlinearen prozessmodellen
US4512747A (en) * 1982-01-13 1985-04-23 Hitchens Max W Material conveying system simulation and monitoring apparatus
DE69032058T2 (de) * 1989-03-14 1998-07-02 Canon Kk Prozesszustandsüberwachungssystem
JP2697908B2 (ja) * 1989-08-03 1998-01-19 新日本製鐵株式会社 双ロール式連続鋳造機の制御装置
US5161110A (en) * 1990-02-27 1992-11-03 Atlantic Richfield Company Hierarchical process control system and method
US5259066A (en) * 1990-04-16 1993-11-02 Schmidt Richard Q Associative program control
US5179631A (en) * 1990-09-27 1993-01-12 Board Of Supervisors Of Louisiana State University And Agricultural And Mechanical College Neural network logic system
DE4131765A1 (de) * 1991-09-24 1993-03-25 Siemens Ag Regelparameter-verbesserungsverfahren fuer industrielle anlagen
JPH06504390A (ja) * 1991-10-16 1994-05-19 アーベーベー・パテント・ゲーエムベーハー 知識ベース型制御・調整装置
FR2692688B1 (fr) * 1992-06-19 1994-08-19 Cegelec Procédé de régulation d'un processus continu comportant une phase d'optimisation d'un modèle et une phase de régulation.
DE4323439A1 (de) * 1993-07-13 1995-01-19 Siemens Ag Anordnung zur Modellierung eines nichtlinearen Prozesses
US5644686A (en) * 1994-04-29 1997-07-01 International Business Machines Corporation Expert system and method employing hierarchical knowledge base, and interactive multimedia/hypermedia applications
DE19508476A1 (de) * 1995-03-09 1996-09-12 Siemens Ag Leitsystem für eine Anlage der Grundstoff- oder der verarbeitenden Industrie o. ä.
US5787235A (en) * 1995-05-09 1998-07-28 Gte Government Systems Corporation Fuzzy logic-based evidence fusion tool for network analysis

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4301130A1 (en) * 1992-01-20 1993-07-22 Hitachi Ltd Control system with highly nonlinear characteristic - uses learning function and derives control values from selected parameter values of set point adjustment model
WO1994029773A1 (en) * 1993-06-14 1994-12-22 Amax Coal West, Inc. A process stabilizing process controller

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A. VARSEK ET AL.: "Genetic algorithms in controller design and tuning", IEEE TRANSACTIONS ON SYSTEMS, MAN AND CYBERNETICS, vol. 23, no. 5, 1993, NEW YORK US, pages 1330 - 1339, XP000417060 *
NOWINSKI G: "LERNFAHIGE KONNEKTIONISTISCHE STRUKTUREN IN DER AUTOMATISIERUNGSTECHNIK CONNECTIONISTIC STRUCTURES WITH THE ABILITY OF LEARNING IN AUTOMATIC CONTROL", AUTOMATISIERUNGSTECHNIK - AT, vol. 42, no. 11, 1 November 1994 (1994-11-01), pages A37 - 40, XP000483092 *
W.J. LEECH: "A RULE BASED PROCESS CONTROL METHOD WITH FEEDBACK", ADVANCES IN INSTRUMENTATION, vol. 41, no. 1, 1986, RESEARCH TRIANGLE PARK US, pages 169 - 175, XP002007474 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19704314C1 (de) * 1997-02-05 1998-09-03 Siemens Ag Verfahren zur Optimierung von Prozeßparametern auf der Basis einer Gradientenschätzung auf einem Rechner

Also Published As

Publication number Publication date
DE19508474A1 (de) 1996-09-19
DE59605506D1 (de) 2000-08-03
ATE194229T1 (de) 2000-07-15
CN1244031C (zh) 2006-03-01
CN1178016A (zh) 1998-04-01
EP0813700B1 (de) 2000-06-28
EP0813700A1 (de) 1997-12-29
US6085183A (en) 2000-07-04

Similar Documents

Publication Publication Date Title
WO1996028771A1 (de) Intelligentes rechner-leitsystem
EP0813701B1 (de) Leitsystem für eine anlage der grundstoff- oder der verarbeitenden industrie o.ä.
DE4301130C2 (de) Verfahren und Vorrichtung zum Regeln eines Objektes unter Verwendung einer Lernfunktion
DE4008510C2 (de) Regeleinrichtung mit Optimal-Entscheidungseinheit
DE2735012C2 (de)
DE4129559C2 (de) Temperaturregelverfahren für eine Spritzgießmaschine
DE4338608B4 (de) Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
DE19612420C2 (de) Verfahren und Einrichtung zur Steuerung der Kühlung eines Stranges in einer Stranggießanlage
EP2603333B1 (de) Echtzeit-ermittlungsverfahren für temperatur und geometrie eines metall-warmbandes in einer fertigstrasse
WO2012159866A1 (de) Steuerverfahren für eine walzstrasse
DE4417808C2 (de) Verfahren zum Stranggießen eines Metallstranges
EP0534221A1 (de) Regelparameter-Verbesserungsverfahren für industrielle Anlagen
WO2001003867A1 (de) Verfahren und einrichtung zum herstellen eines stranges aus metall
DE19637917C2 (de) Verfahren und Einrichtung zum Entwurf oder zur Steuerung des Prozeßablaufs einer Anlage der Grundstoffindustrie
EP0756219A2 (de) Verfahren zur Überwachung von Produkteigenschaften und Verfahren zur Regelung eines Herstellungs-prozesses
DE4416317A1 (de) Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses
DE19824838A1 (de) Verfahren zum Herstellen von Kristallen
DE2344920A1 (de) Vorrichtung und verfahren zur regelung eines walzwerkes
EP3642372B1 (de) Verfahren zum betreiben eines glühofens
DE102012002774A1 (de) Verfahren und System zum automatischen optimalen Betrieb einer Strangpresse für Metalle
DE19740691A1 (de) Verfahren und Einrichtung zur Kühlung von Metallen in einem Hüttenwerk
WO1998049354A1 (de) Verfahren und einrichtung zur kühlung von metallen in einem hüttenwerk
DE19707981A1 (de) Verfahren und Einrichtung zum Beschichten eines Metallbandes
DE10118748A1 (de) Verfahren und Vorrichtung zur prozessgesteuerten Modellierung einer verfahrenstechnischen Anlage
WO2021110300A1 (de) Verfahren und computersystem zur vorhersage einer schrumpfung eines gegossenen metallproduktes

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 96192403.9

Country of ref document: CN

AK Designated states

Kind code of ref document: A1

Designated state(s): CN KR RU US

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): AT BE CH DE DK ES FI FR GB GR IE IT LU MC NL PT SE

DFPE Request for preliminary examination filed prior to expiration of 19th month from priority date (pct application filed before 20040101)
121 Ep: the epo has been informed by wipo that ep was designated in this application
WWE Wipo information: entry into national phase

Ref document number: 1996905685

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 08913127

Country of ref document: US

WWP Wipo information: published in national office

Ref document number: 1996905685

Country of ref document: EP

WWG Wipo information: grant in national office

Ref document number: 1996905685

Country of ref document: EP