CN1178016A - 智能计算机控制系统 - Google Patents

Abstract

一种进行技术或生物处理的设备中的智能计算机控制系统,所述设备例如是生产商品或能量的设备,通信设备等。该计算机控制系统是根据已有知识设计的,根据在这些设备中发生的处理结果自动判定处理过程的当前状态,发出合适的计算机生成指令以达到处理的目的。所述处理例如有连续制造过程,工作过程等。

Description

智能计算机控制系统

本发明涉及进行技术或生物处理的设备中的智能计算机控制系统，这些设备例如是用于生产商品或能量的生产设备，通信设备等。该计算机控制系统是根据已有知识设计的，根据在这些设备中发生的处理结果自动判定处理过程的当前状态，并发出合适的计算机生成指令以达到处理的目的。其中，所述处理例如有连续制造过程，工艺过程等。

在工业设备中，例如生产物品或能量的设备，通信设备等，一直需求一种能够可靠地、低成本地进行尽可能优化、自动、智能控制的控制系统。其中还要求该控制系统进化式自我改善。

本发明的目的在于提供一种控制系统，它能作为智能系统以一种形式满足上述需求，这种形式能使应用计算技术直接用于不同种类的设备。

特别应对那些由常规的控制或计算技术不能很好地控制的分过程在考虑到反馈作用时进行优化，以便能借助于预先可调的、简单的调整装置或者通过简单的过程技术措施获得成本适宜的过程控制。

本发明的目的由权利要求1所述的措施得以实现。而从属权利要求包含该解决方案的有利的改进。

在现有技术中已知使用所谓的智能组件的控制系统的方案。例如，在WO93/08515中公开了一种用于技术过程的控制或调节装置，它使用以知识为基础的控制规则处理选择的过程状态。在该设备中对其余的过程状态的控制或调节参数的建立借助于一个连续数学函数实现，它联结以知识为基础的控制规则，并且类似一个非线性插值为所有过程状态产生控制规则。在获得更好的过程结果方面，这种已知的设备并不能自动处理。它还不能离开操作人员的智能，也没有配备自我进化的智能组件。

“专家系统MODI”一文(“发电站的经济和安全运行”，ABB技术，6/7期，1994，第38-46页)中进一步公开了一个专家系统，它通过比较特性特征与一个数学参考模型来监视发电站过程的状态，并且在偏离正常行为时分析其原因。这一专家系统的设备方面的观点方法允许作为整体对过程进行描述，然而该专家系统不能实现自动的，自优化的过程控制。

在“国际冶炼工厂和技术”杂志，1994年第5期，52-58页的文章“连续铸造中最大可用性的过程优化”中进一步叙述了一个计算机控制系统，其借助于模型使钢的连续浇铸自动化并监视产品质量。该系统借助于图像显示亦即通过一个人机接口来实现。在该控制系统中同样未配备智能自动过程控制。

在EP0411962A2中描述的控制系统也以类似方式工作，它是特别为钢带浇铸开发的。这里设备的试运行也是专家知识的基础，它以极限曲线的形式使用。在该系统中没有进行连续的、或者逐步的自动计算技术优化。

上述以智能组件工作的系统达不到本发明的解决方案的质量，也丝毫未说明如何满足文件开始时提到的需求。对于一般的能令人接受的过程及设备控制系统，重要的是其可靠工作。因此，按照本发明的控制系统具有一个补充计算技术智能部分的基本功能系统，它把由使用计算技术获得的知识产生的指令转化为一个可靠的过程控制或者设备功能。

基本功能系统被优选设计为一个能使设备组件单个或者组合可靠工作的子系统，例如根据流量调节条件，输入参数极限值等条件建立该子系统。由此可达到物品和能量生产设备所必需的运行安全和以高可用性系统为形式的驱动系统的安全范围。在智能计算技术出现系统故障或功能错误时，即使在子优化基础上也能保证可靠的设备功能。

为了在单一的智能控制系统出现故障或者功能错误时转入一个可靠的状态，能保证该设备或者过程的可靠状态的子系统调用可靠确认的或者可靠计算出的操作数值，过程曲线等，这些数值极为有利地以表的形式单独存储。这对于可能处于危险状态下的设备尤为重要(爆炸危险，自损坏危险)。

基本功能系统优选具有启动和加快子例程，这些子例程可以手动或自动输入，该系统特别具有操作子例程，其中单个的，一般以计算技术得出的指令由恒定的预定参数代替。恒定的预定参数可以是恒定的材料质量，材料的恒定流量速度，恒定冷却介质数量等等，使得特别在一个设备的投入运行阶段首先可以搁置建立模型的绝大部分工作。这在关于设备的知识尚未完全掌握，例如在材料发生相变和由于高过程温度(在钢凝固或者在一个高温燃料室的内部的过程期间)而未设有任何用于对这一设备部分特定的过程行为给出解答的传感器的设备部分，或者在对神经元网络尚未积累任何训练数据时特别有利。在该系统中，直到存在有详细的过程知识之前可以完全地或者部分地用预定参数或者有限制的修改预定参数进行工作。

在实施该控制系统部分的设计时，根据一个过程模型复制该过程。这一复制特别由模块构成，并描述过程输入参数以及调节参数和过程输出参数之间的行为，亦即所生产的产品的数量和质量的特征值之间的行为。这种说明该过程的、为简化建立和优化而以模块方式构成的模型的主要优点是(除了能根据模型中参数等的适配进行过程控制外)能不断适配和优化而不必进入该过程。这里极为有利的是可以使用所有常见的适配和优化方法。此外，非常有利的是，通过模型还可以计算给出该设备的关键性行为分析的边界状态。

该过程模型优选尽可能保持数学描述形式。它能够准确地明确地预测过程行为。对于只能用语言学表述形式描述过程知识的的设备部分，优选使用语言学表述的模型部分，如模糊系统、神经模糊系统、专家系统或者也可以使用表格。这样，也可建立物理上不可描述的过程部分的模型，其中所考虑的过程相对容易理解并且是可求值的。对于不了解或者几乎不了解的分过程，最好使用一个能够学习的神经元网络作为模型部分，这里学习能力也包括神经元网络的建立。因为该模型的这一部分(其内部功能尚不清楚)只占总模型的很小部分，所以完全由功能造成的设备知识的缺乏是可以接受的。优选使用简单的正反馈网络作为神经元网络，它通过后向传播(Back Propagation)进行改进。

为了通过改进的模型进行优化，除其它优化策略外特别使用遗传学算法。在这种算法中可确实找到可达到的最优值或者另一个非常好的子优化极值的可能性很高。使用遗传学算法等的计算策略的适用性在这里可特别通过一个神经元网络验证，它算出在一个全局优化的方向上的现行值。由于与此相连的较大的计算量，最好脱机实现这一优化。

脱机计算对于模型的参数适配也是值得推荐的，但不适于用快速动态过程描述设备部分的模型部分。

优化过程的起始值和适配过程同样是根据过程数据存储器中存储的操作数据得出的，它的优点是可以加速该过程。在优化过程中，例如当优化结果不满意时，也可以优选用完全新的起始值重新开始。这样避免了优化过程仅在全局优化的邻近区域进行。它特别适用于模型结构不肯定的场合，这时适宜使用修改的模型和新的起始值重新执行优化。该优化在一个为此规定的计算单元(优化器)中执行。

在本发明的改进设计方案中，由优化器根据过程模型脱机确定的可调节的过程参数作为预定参数值被提供给该过程的基本功能系统，并由该系统根据预定值预调该过程，其中各过程参数是这样确定的，使由模型构成的产品的特征值尽量与预定的期望值一致。这样除同时可以进行另一优化外还得到一个可靠的过程控制。

在本发明的改进设计方案中，利用在生产中在内部计算技术例如在不同的操作点获得的知识在过程中不断改进已有知识，并且该生成的过程知识存入一个特别能自动更新的数据存储器中。通过这种优选方式，可以不断扩充关于设备及其行为的已有知识。

在控制系统智能部分发生故障等情况下，直接从过程数据库中的数据产生的基本功能系统的预定参数值通过一个插值过程，特别是通过一个模糊插值获得。这样即使在控制系统的智能部分发生故障或者功能失效时该控制系统的操作也能接近最优操作点。

此外，基本功能系统的预定参数值和基本知识也不断地通过外部模拟计算、模型试验等得以改进，特别在适配所使用的技术设备组件的改变或者适配一个改变的设备结构方面。这样在任何时候都能适配技术的进步，其中控制系统的模块化结构特别有效。外部模拟计算、模型试验等在这里特别有助于确定设备的改进是否以及怎样在一个相应的产品改进中反映出来。

上述控制系统的基本构思与独立的移动式服务机器人等似乎很相似。一个相应的愿望是该系统应具有这种人的行为方式。然而对于非常复杂而且必须连续可靠地获得一个优化的生产结果的固定工业设备来说，这种想法还很不现实。因为对于过程复杂的工业设备，与服务机器人等相反，不可能从人的行为方式导出一个智能行为。

下面参考附图详细说明本发明，从中可以获悉其它同样重要的发明的详细内容，如从属权利要求所述。附图表示代表另一工业过程的一个钢带浇铸过程及其控制系统结构以及该过程特定的模型和基本自动化单元。其中，

图1表示具有测量数据采集和调节参数输出的钢带浇铸的原理图；

图2表示具有额定值预给定的控制系统的“智能”部分的结构；

图3表示过程优化器的详细结构；

图4表示适配过程的详细构成；

图5表示过程模型重要的组成部分及其粗略联结结构；

图6表示数据存储器的重要发明部分；

图7表示基本自动化单元的组件图。

图1中标号1表示一个双轧滚浇铸设备中的浇铸轧滚，其中在浇铸轧滚1之间通过浇铸盘5和一个插入管6从铸锅4注入例如液体钢，并冷凝为钢带3，钢带3能够在一个通过带有运动箭头的滚子2表示的轧制设备中继续成形。当轧制不是在浇铸后直接进行时，后接的轧制设备中也可以简单地通过输送滚，卷轴等代替。整个设备的改进根据需要进行。也可将浇铸设备后接的设备作为冷热轧机构成，这在非常高的浇铸速度下是值得推荐的，因为此时设备的冷轧部分可以充分满载。

在浇铸轧滚和后接的设备之间，该浇铸轧制设备优选具有一个同样仅用符号表示的电动系统8，9和一个感应加热系统10。其中电动系统8有利地用于减轻浇铸后尚非常软，因而有收缩危险的钢带3的重量，电动系统9引导钢带3，而感应加热系统10的任务是当例如在轧制设备后直接进行钢带成形时保持钢带宽度上的一个预定的温度曲线。这特别对于裂缝敏感的钢极为有利。通过一个摄像机73控制浇铸的钢带3的裂缝，这里可以充分利用氧化皮中的裂缝分布受基本材料中的裂缝影响这一事实。优选通过一个模糊神经系统构成一测量参数。

为避免温度变化造成的影响，浇铸轧滚的表面温度应该基本保持恒定，所以通过一个IR加热系统7，一个感应加热系统或类似系统，将该表面温度(即使在不与液体钢接触的区域)也保持在工作温度。仅示意性示出的浇铸轧制设备的这些和其它单个组件通过例如温度调节器，流量调节器，转速调节器等在基本自动化单元的范围内通过一个调整参数输出组件12直接或者受控预调。调整装置和控制器等的实际值在测量数据采集装置1中被采集和处理，以提供给数据存储器和模型输入以及以未示出的方式提供给基本自动化组件。通过由箭头符号表示的数据传输路径I，II和VI，该浇铸轧制设备与控制系统的智能部分连接，其中在该浇铸轧制设备的两个浇铸轧滚1上形成的钢凝固铸型不仅成为一体，而且已经具有预先精确的尺寸。

图2表示控制系统智能部分的结构。它基本上由过程优化器15，模型20，模型适配16和数据存储器17组成。控制系统的这些组件协同作用，使通过额定值输出组件13经由数据线V为过程控制提供尽可能好的，适合的指令。该指令然后转换用于基本自动化的额定值。下面说明各部分的任务及其功能。

模型组件20建立静态过程行为的模型

y_i＝f_i(u₁，…，u_i，…，v_l，…，v_i，…)即n个模型输出参数y_i与可以影响过程的调节参数u_i的依赖关系和与不可影响的过程参数v_i例如冷却水温度的依赖关系。如上所述，这里模型输出参数是典型的产品的质量参数。模型 ${\hat{y}}_i={\tilde{f}}_i(u_I,\…,u_i,\…,v_I,\…,v_i,\…)$ 一般不准确包含过程行为，因y_i和

彼此多少有些偏差。调节参数u_i和不可影响的调节参数v_i通过数据线I和II进行传输。

模型适配16的任务是改进模型，以便使模型的行为尽可能与过程行为一致。通过根据连续采集的过程数据适配或跟踪这些模型至少可以对模型连机实现上述要求。

对于其它的模型也可以在规定时刻脱机进行适配。这一点可以根据m个表示过程的过程状态，(u^k _i，v^k _i，y^k _i)实现，这些过程状态存储在数据存储器17中。指数k为各过程状态编号。通过这种适配方式，可以根据模型参数或模型结构减小模型误差： $\mathrm{\Σ}=\underset{k=I}{\overset{m}{\mathrm{\Σ}}}\underset{i=I}{\overset{n}{\mathrm{\Σ}}}{(y_i^k-{\stackrel{-}{y}}_i^k)}^2$ $=\underset{k=I}{\overset{m}{\mathrm{\Σ}}}\underset{i=I}{\overset{n}{\mathrm{\Σ}}}{(f_i(u_I^k,\…,u_i^k,\…,v_I^k,\…,v_i^k,\…)-{\tilde{f}}_i(u_I,\…,u_i,\…,v_I,\…v_i,\…))}^2$ 也就是说，这样改变模型参数或者模型结构，使得ε尽可能小。

过程优化器的任务是通过一种优化方法和过程模型找出能实现尽可能良好的过程行为的调节参数u_i。过程优化器在规定的，例如手工给定的时刻脱机操作，并如下实现：

首先，使不可影响的待优化的调节参数v_i(例如当前的)保持恒定并通过数据线II将其提供给模型。然后通过开关18将过程优化器与模型连接。它给出模型的调节值u_i，通过模型组件确定输出值y_i。其与额定输出值ysoll，比较，并确定误差 $E=\underset{i=I}{\overset{n}{\mathrm{\Σ}}}{(y_{\mathrm{Soll},i}-{\stackrel{-}{y}}_I)}^2$

应该使误差E最小。为此，过程优化器在每次包含计算y_i和E以及重新选出u_i的一个迭代循环中改变调节参数u_i，直到该误差不能再减小，或者这一优化被人工中断。作为优化方法，可以使用例如遗传学算法，Hill-Climbing(登山)方法等。

如此得到的作为上述最小化结果的最优调节参数u_opt，i通过额定值预给定组件和数据线V作为额定值传送给基本功能系统。

数据存储器的主要任务是存储重要的过程状态(u_i，v_i，y_i)。为此，它不断用新算出的过程数据替换旧的过程数据，以便根据这些数据描述当前(即使是逐点的)过程。然后，如上所述，数据存储器一方面用于适配模型。另一方面它还为过程优化器提供起始值u_i。这里起始值例如这样选择，使得该起始值的输出值y_i尽可能好地与额定值y_soll，i一致。

模型组件20和过程优化器15(它们例如用遗传学算法进行模型进化)优选以脱机方式运行，这是因为由于一个具有多种可能安排的设备控制模型的复杂性会导致进化的优化过程的计算时间较长。即使对于例如根据一个可能的模型行为选择的良好的优化策略，也要将许多优化过程计算到达到一个明显的优化改进为止。

按照本发明的应用模型结构的建立和一个重要的部分模型的建立例如在Elsevier科学公司出版的“控制工程实践”，1994年，第二卷，第六期，961-967页S.Bernhard，M.Enning和H.Rabe等人的文章“薄钢带直接浇铸实验室工厂的自动化”中进行了说明。从这一公开中可以获悉适合的基本自动化系统的基本结构和启动子例程的基本结构，专业人员可以在其上建立基本自动化系统和启动子例程。

工作站(例如Sun公司的工作站)适合用于过程优化和参数适配。对于大的控制系统，最好使用并行计算机。这在模型可以分为模型模块时特别合适，可以根据各部分组件的依赖关系进行优化。

额定值(在所选择的实施例中为流过钢带厚度、断面形状、钢带表面质量的额定值)汇集到比较点19，并在此连续进行模型计算的结果与预给定的额定值的比较，通过优化而使其差别最小化。因为一般技术过程的这一误差不可能为零，所以必须把优化过程限定在有意义的范围内，亦即预定使其中断。用于中断优化和每次启动新额定值的给定的程序结构的精确步骤示于图3。

图3中的58表示各次要选择的一个误差函数，确定的误差(额定值偏离)被输入到该函数。在61判定该误差函数是否满足优化过程的中断条件。如果满足，则继续输出优化的控制和调节参数。在达到中断条件之前，起始值连续地从数据存储器到达起始值预给定组件59，在查找步骤60从中借助于例如一个模糊插值不是从优化器，而是从数据存储器为一个子优化过程控制获得一个控制和调节参数。在达到一个适配当前控制系统知识状态的一个预先规定的性能因子后进行切换。如前所述，最小化过程(该过程永远不是绝对的)在达到这一预先规定的性能因子后被中断。

此外，当该模型与该过程连接时，也就是说开关1闭合时，该模型还有利地产生一个指示达到关键性的操作状态的一个告警信号。这样的过程已经公知，并以同样的方式存在于常规的控制系统中。

图4表示借助于一种优化算法实现模型适配的机理，图中数据从起始值预给定组件61到达查找步骤单元62，并从这里作为模型参数继续传送给模型63。模型63与数据存储器64一起构成一个参数改进循环，它在65以已知的方式比较已建立和存储的值。该比较值被输入给误差函数67，它把其值进一步导向中断条件单元66。如果满足中断条件，则该模型不再继续改进，而以现有值进行处理。否则将使用另外的查找步骤继续进行优化并将中间值继续输送给数据存储器。

图5表示本实施例的过程总模型的重要的分模型，图中46表示输入模型，其中集合了外部影响，例如所使用的材料的质量的影响。由使用的钢质量产生例如液相曲线值，固态曲线值，以及其它表示浇铸行为的参数。47表示浇铸盘模型，在其中输入例如该浇铸盘的钢体积，插入管位置以及填塞位置和钢流出温度。输入模型46和47汇集在分模型56中，它再现导入的材料的状态。这种分模型可以极为有利地与其它分模型例如浇铸区域模型，轧制区域模型等并行优化。

输入模型48包括影响凝固的影响参数，例如浇铸轧滚冷却，红外加热等。输入模型49包括热平衡需要的数值，如钢浇铸轧滚温度差，作为润滑剂数量函数的润滑剂的影响，各种钢号晶体形成速度以及例如轧滚表面状态。输入模型50包括例如浇铸平面特征的影响参数，如浇铸平面高度，炉渣层厚度和幅射系数。输入模型48，49和50汇集在一个重现输出浇铸区域状态的分模型54中。这种模型区域汇集一般对于生产区域是有利的，因为它简化和改进了总模型优化。分模型相互之间部分地还彼此依赖，输入模型49(热平衡输入模型)和输入模型50(浇铸平面特征模型)在很大程度上就是如此。为简单起见，未表示从属依赖关系。

分模型51包括所有对凝固工作面的影响参数，该凝固工作面是在两个冷却轧滚上凝固的金属层同时出现的区域。这些影响主要是由浇铸轧滚执行的变形功，浇铸轧滚或者轧出的钢带的振动宽度，侧缝密封影响以及总系统的紧张程度，这例如是一个模糊模型。分模型52再现轧出值，例如，钢带的质量，轧出钢的温度和分配，也包括形成的氧化皮的粘接性及其状态。输入模型53和输入模型74也汇入分模型52中，它们涉及带钢横向温度曲线和该带钢表面状态。在极为有利的场合，在涉及一个带钢浇铸轧机时，一个轧机陡度模型54也汇入这一特别的过程模型，因为在从轧机机架脱出后产品的形成是决定性的准则。

分模型汇集在产品形成模型57，它汇集了形成的带钢的厚度曲线、带钢厚度、可能的误差曲线、带钢的核心结构、表面结构等。带钢的表面结构，特别是核心结构只能以很大的延时计算出。因此，这里优选采用基于神经元网络的分模型来定性和定量计算影响参数。

从前面的叙述可以看出以模块形式建立的模型的优点，特别因为一个复杂的整体系统模型的各部分可并行操作。这对于一个设备在投入运行期间特别有利，在这一期间，输入模型和分模型必须要适配实际的情况彼此连接等等。

图6最后表示本发明数据存储器结构的重要部分。68表示过程数据库，69表示模型参数存储器部分，70表示用于优化器的起始值的部分，71表示用于可靠操作点的存储器部分。在68中还存储有各个模型的形成。

基本自动化单元必须执行大量的功能，它的调节、控制、闭锁构成控制系统的一个不可缺少的部分，因为它在本发明控制系统的模型部分出现功能故障时也能保证该设备可靠运行。

在图7中用“黑盒子”表示各功能(未端接)。其中21表示在实施例中通过单一转速调节器的流量调节，22表示浇铸盘加热控制，23表示浇铸平面调节，24表示浇铸盘轧出控制，25表示维持浇铸轧滚的操作温度的红外灯7或类似灯的加热功率。26表示润滑剂添加量的控制，例如以散装的浇铸粉或者向浇铸轧滚上涂敷浇铸粉膏的形式。27表示冷却水量控制，28表示可能的轧制振荡调节，29表示电气驱动控制，30表示轧缝调节，31表示轧滚转速调节，32表示可能的轧滚转矩的调节，33表示由例如一个刷子和一个刮刀组成的浇铸轧滚清洁系统的预调，34表示用于钢带重量平衡的电动系统的调节以及35表示浇铸后的钢带的振动宽度的调节。36表示用于侧缝密封的一个电动系统的单个部分的调节，37表示浇铸轧滚之间的小室侧壁的加热调节。38表示感应加热系统10的温度曲线调节。39以及其它调节单元表示后接的成形单元例如轧机机架，轧机机架之间的牵引等的调节。时间控制45作用于上述调整装置，控制器等，它在时间上协调控制参数输出等。在方框40中例如汇集了辅助控制和闭锁装置，例如41表示起动自动机构，42表示断开自动机构，43和44表示闭锁装置，它们例如防止液体钢在浇铸轧滚对和成形轧滚能够工作之前流动等。此外，还有在原理图上未示出的用于可能需要的钢带分离(例如通过激光)，用于影响形成氧化皮(例如通过硅酸盐化)，用于轧滚润滑等的其它系统。测量数据I和额定值预给定V汇集在基本自动化单元中，并形成调节参数IV，借助该参数对设备进行控制。

下面以浇铸轧制过程为例详细叙述自身优化并根据知识继续发展的控制系统的特征。

浇铸轧制过程包括多个分过程，它们的形成和影响对于最终产品起决定性作用，根据本发明可通过一系列可调节的过程参数例如浇铸轧制裂缝，浇铸轧制曲线，浇铸平面高度等影响和优化最终产品的特征，例如其厚度，厚度曲线以及其表面形成，它们反过来影响在浇铸轧滚上附着、凝固的金属层汇合区的位置。为实现控制和优化，本发明有利地建立了一个描述过程行为的整体过程模型。根据这一过程模型可以根据过程条件逐步适配和优化用于影响过程的影响参数。通过该优化确定的适合当前状况的指令能导致过程的改进。虽然在制造时软件费用相对昂贵(但是只要再用很小的花费，也可以用于其它设备)，但是总体费用极大地节省，因为与常规的设备相比，该设备可以用非常简单的机械组件，更少的控制器等工作。此外传感机构也十分简单，因为只需要采集现行的过程输出参数。

控制系统的自动改进的智能部分由三个重要的元件组成：这三个元件是过程模型，模型适配和过程优化器。过程模型由分系统(模块)组成，这些分系统依据的过程知识具有不同类型。在物理关系的知识下，可以建立经典的物理数学模型。如果只拥有经验和估计，则使用模糊或神经模糊系统。如果人们很少或者全然不知过程行为，就像在裂缝形成或表面形成的场合，则使用(至少在开始时)神经元网络来建立过程。该模型总体上描述过程参数之间的关系，例如在选择的例子中浇铸平面高度，浇铸材料的状态值和质量，浇铸轧滚的预调值等以及钢带的质量参数，例如厚度，曲线和表面成形。

因为该模型在一定的程度上也许以一个极大的百分率建立在不确定的知识上，所以它不准确。也就是说必须根据获得的过程数据对该模型进行适配，修改等等。这一点有利地通过已知的建立在过去的过程状态数据上的模型适配实现。根据这些数据，如此调节模型参数，使得模型行为尽可能好地适配过程行为。此外，该模型还自改变优化。例如通过遗传学算法，组合进化等。相应的优化策略已经公知，例如从Ulrich Hofmann，Hanns Hofmann所著“优化入门”一书，化学出版社有限公司，1971 Weinheim/Bergstrasse；H.P.Schwefel所著“通过进化策略对计算机模型进行数值优化”一书，Basel，Sttutgatt，Birkhaeuser 1977；Eberhard Schoeneburg所著“遗传学算法和进化策略”一书，Bonn，Paris，Reading，Mass，Addison-Wesley，1994；JochenHeistermann所著“遗传学算法：进化优化的理论和实践”一书，Stuttgart，Leipzig，Teubner，1994(Teubner-Texte Zur Informatik；Bd9)。

具有上述优点的本发明的控制系统可取代一个控制系统迄今为止的建立结构。通过一个主要涉及过程级(I级)的基本自动化单元，可获得一个只有一级的智能控制系统，其中为其预先规定生产额定值并由其自动产生所有预定参数(调节指令)(II级)。该系统在智能自优化中根据已经达到的过程结果总是得到更好的过程结果。因此可以省略单一反馈控制单路，仅需要用于控制质量的传感器，以便控制过程结果。本发明的控制系统还仅具有两个重要的级，其智能级除编程外不需任何可视性。但是为了控制的目的可以以已知的方式显示基本自动化单元的元件。

Claims (27)

1.一种进行技术或生物处理的设备中的智能计算机控制系统，所述设备例如是生产商品或能量的设备、通信设备等，根据输入的已有知识设计该计算机控制系统并根据在这些设备中发生的处理结果自动判定处理过程的当前状态，并发出合适的计算机生成指令，以达到处理的目的，所述处理例如有连续制造过程，工作过程等。

2.根据权利要求1所述的控制系统，其特征在于，所述已有知识以与技术相关的形式，优选以技术或者必要时以生物为基础的算法输入。

3.根据权利要求1或2所述的控制系统，其特征在于，所述已有知识包括过程运行期间由过程情况决定的所述设备组件的行为和作用。

4.根据权利要求1、2或者3所述的控制系统，其特征在于，从计算机的一个过程复制(模型)中以计算技术方式获取适合情况的指令，它特别说明过程变量的改变对过程结果的作用。

5.根据权利要求1、2、3或者4所述的控制系统，其特征在于，为过程复制(模型)交付过程输入条件并从中产生为达到过程目的的适合情况的指令。

6.根据权利要求1、2、3、4或者5所述的控制系统，其特征在于，根据模型适配产生适合情况的最好自动在预给定的子例程中工作的指令。

7.根据权利要求6所述的控制系统，其特征在于，连续执行所述模型(优选一个算法过程模型)的优化，特别是一个逐步的优化。

8.根据权利要求7所述的控制系统，其特征在于，通过选择出的试验和错误子例程在持续的结果控制下对所述过程模型执行优化。

9.根据权利要求1、2、3、4、5、6、7或者8所述的控制系统，其特征在于，通过从模型内部例如在对过程不同的要求下以计算技术方式获得的知识，连续地，最好自动地改进已有知识并且把这种自动生成的过程知识作为已有知识存入到一个特别是不断更新的数据存储器中。

10.一种用于控制技术设备及其中进行的过程的控制系统，其具有特别适用于处理算法和执行适配和优化过程的计算设备，最好是根据权利要求1、2、3、4、5、6、7、8或者9的控制系统，其特征在于，根据过程模型不断模拟在技术设备中运行的过程和/或单个分过程的状态以进行适配和优化，所述模型特别以模块方式构造，并且描述各过程输入参数和变化参数以及过程输出参数例如质量特征值之间的行为。

11.根据权利要求10所述的控制系统，其特征在于，只要所述过程模型能够根据数学物理的、化学的、冶金学的、生物学的以及其它规律模型化，则它们至少部分地具有数学表述形式。

12.根据权利要求10或11所述的控制系统，其特征在于，对于存在有用语言学表述的过程知识的设备组件，所述系统具有语言学形式的模型部分，其例如可以通过模糊系统、神经模糊系统、专家系统或者表格实现。

13.根据权利要求10、11或者12所述的控制系统，其特征在于，对于不能根据数学物理的、生物的或者冶金学的基础构成模型或者不能根据语言学表述的过程知识构成模型的设备组件，所述过程模型具有自学或者自学式自形成结构的系统，例如神经元网络。

14.根据权利要求10、11、12或13所述的控制系统，其特征在于，所述过程模型根据在过程数据库收集的过程数据不断适配或者跟踪该过程，它通过适配方法或者学习方法，例如通过一个用于不同分系统的后向传播学习方法或者一个选择方法，比如神经元方法来实现。

15.根据权利要求10、11、12、13或14所述的控制系统，其特征在于，优选以脱机方式，通过一个模型适配过程如此改变所述过程模型，使得模型输出参数，特别是该过程结果的质量特征值，尽可能与预先规定的，例如一个期望达到的值一致。

16.根据权利要求10、11、12、13、14或者15所述的控制系统，其特征在于，渐进地用优化算法，例如使用遗传学算法，Hooke-Jeeves算法，模拟Annealings算法以及其它算法优化所述过程模型，其中每次使用的优化方法根据情况或者问题预先给定，或者通过计算技术从一个文件中选出，例如根据要优化的参数数目和/或所期待的最小值的形成。

17.根据权利要求10、11、12、13、14、15或16所述的控制系统，其特征在于，从在一个过程数据存储器中存储的、子优化的操作数据中获取优化的起始值，例如通过模糊插值法。

18.一种用于技术设备中的控制系统，例如生产商品或能量的设备，通信设备等，特别是根据上述权利要求中的一个或者多个权利要求所述的控制系统，其特征在于，它具有一个用于各过程组件的基本功能系统，该系统把以计算技术方式，例如从一个过程模型，优选从一个过程整体模型获得的知识的指令可靠地转化为用于例如一个生产设备或者一个通信设备的过程控制指令。

19.根据权利要求18所述的控制系统，其特征在于，可调节的过程参数量最好如此算出，使得由模型仿制产品的特征值尽可能与预先给定的希望值一致，这些过程参数作为预先给定的参数传送给该过程的基本功能系统，并由此根据该预给定值预调该过程。

20.根据权利要求18或19所述的控制系统，其特征在于，所述基本功能系统为一个能够使执行该过程所需的组件单个或者共同可靠工作的基本自动化系统。

21.根据权利要求20所述的控制系统，其特征在于，所述基本自动化系统为自治的、保证过程具有一可靠状态的子系统(危险状态返回系统)，它能够取代计算技术产生的指令，特别调用能可靠确定的、存储在存储器中的操作数值。

22.根据权利要求18、19、20或21所述的控制系统，其特征在于，所述基本功能系统具有启动和加快子例程，它们能够手动或者自动输入，还具有子优化正常操作子例程，其中单个的、先前用计算技术计算出来的指令可以由恒定的预定参数代替。

23.根据权利要求18、19、20、21或22所述的控制系统，其特征在于，所述基本功能系统包括一个时间控制或类似，由此根据具体情况，例如流量的稳定性，移交预算出的预调值(预定参数)。

24.根据权利要求18、19、20、21、22或23所述的控制系统，其特征在于，在不存在计算技术算出的数值时能够直接从过程数据库的数据产生基本功能系统的预定参数值，其中为了改进，特别在存储的可靠的操作数据之间进行插值，例如利用模糊插值法。

25.根据上述权利要求中的一个或者多个权利要求所述的控制系统，其特征在于，也可以通过外部模拟计算，模型实验等方法改进已有知识，特别是在适配和优化所使用的技术方法时。

26.在一个有目的的控制技术过程的控制系统中，特别是根据上述权利要求中的一个或者多个权利要求所述的控制系统中使用技术智能、人工智能的方法，其中所述控制系统具有一个自身不断改进的智能部分，其具有一个特别是模块化建立的过程模型，在该模型中包含有已有知识和自生成的关于过程行为的知识，例如在一个生产设备或者在一个通信设备中的过程行为；该控制系统还具有一个基本功能部分，它把所述人工智能部分的结果进行转换以可靠达到过程目的并在暂时故障或者在智能部分不稳定时保证设备可靠运行。

27.根据上述权利要求中的一个或者多个权利要求，特别是根据权利要求26所述的技术、人工智能，其特征在于，通过一个脱机工作的优化器，特别是借助于一个模块化建立的整体过程模型，通过自学子例程及其它方法获得用于控制过程的优化的子模型和预调组合，而过程本身则在子优化、联机的基础上进行。

Images