Bei der Regelung bzw. Steuerung von verfahrenstechnischen An- lagen, wie z. B. bei Walzwerken, ist es notwendig, Prozess- größen oder Zustände vorausschauend zu ermitteln. Weiterhin ist es notwendig, diese Prozessgrößen oder Zustände on-line, d. h. während des Produktionsablaufes, zu optimieren. Eine mo- derne Automatisierung arbeitet modellgestützt, d. h. unter Einsatz von mathematischen Modellen. Die zu automatisierende Anlage ist ein determinierter Prozess, der unter ganz be- stimmten Bedingungen ein ganz bestimmtes Ergebnis liefert.

Das mathematische Prozessmodell versucht das Verhalten des realen Prozesses mathematisch zu beschreiben. Somit sind die Prozessmodelle der automatischen Steuerung On-line-Modelle, die schritthaltend mit dem Anlagengeschehen arbeiten.

Als mathematische Prozessmodelle sind im Wesentlichen zwei unterschiedliche Ausprägungen bekannt : a) Sind die natur-bzw. ingenieurwissenschaftlichen (physi- kalischen) Gesetze, nach denen der technische Prozess ab- läuft, hinreichend genau und vollständig bekannt, so wird ein physikalisches (analytisches) Prozessmodell formu- liert. Bei physikalischen Prozessmodellen werden übli- cherweise die für den Prozess zutreffenden Erhaltungssät- ze aufgestellt und die entsprechenden Differenzialglei- chungen unter Einbeziehung gegebener Randbedingungen ge- löst. b) Fehlen die Kenntnisse der natur-bzw. ingenieurwissen- schaftlichen Gesetze des entsprechenden Prozesses, dann beschränkt sich die Prozessabbildung auf eine mathemati- sche Beschreibung der bloßen Eingangs-/Ausgangsbeziehung.

Üblicherweise kommen Verfahren der mathematischen Statis- tik oder der Theorie der Neuronalen Netze zur Anwendung.

Im Weiteren wird hier von lernfähigen, empirischen Pro- zessmodellen gesprochen.

Prozessmodelle der automatischen Steuerung sind On-line-Mo- delle, die schritthaltend mit dem Anlagengeschehen arbeiten müssen. Eine On-line-Modellierung sucht folglich immer nach einem Optimum zwischen Genauigkeit und Einfachheit. On-line- Modelle beschreiben damit den realen Prozess im Allgemeinen nur eingeschränkt genau und genügen erst im Zusammenspiel mit einer effektiven On-line-Adaption den Anforderungen einer mo- dernen Prozessmodellierung. Als On-line-Adaption werden lern- fähige empirische Prozessmodelle (z. B. Neuronale Netze) ein- gesetzt.

In der deutschen Offenlegungsschrift DE 43 38 607 Al ist ein Verfahren zur Führung eines Prozesses in einem geregelten System bekannt. Dabei erfolgt zu Beginn eines jeden Prozess- ablaufes eine Voreinstellung des Systems in Abhängigkeit von zumindest einem Prozessparameter, der mittels eines Modells des Prozesses und diesem Modell zugeführten Eingangsgrößen vorausberechnet wird. Während des Prozessablaufes werden die Eingangsgrößen und der Prozessparameter gemessen und nach dem Prozessablauf zur adaptiven Verbesserung der Vorausberechnung des Prozessparameters herangezogen. Zur Vereinfachung und Verbesserung der Vorausberechnung des Prozessparameters wird zumindest ein Teil der Eingangsgrößen einem Neuronalen Netz- werk zugeführt, dessen Netzwerkantwort einen Korrekturwert für den von dem Modell gelieferten Näherungswert für den vor- auszuberechnenden Prozessparameter bildet. Zur Adaption der Vorausberechnung an das reale Prozessgeschehen werden die Netzwerkparameter des Neuronalen Netzwerkes nach jedem Pro- zessablauf geändert. Hierbei wird von einer so genannten Pa- rallelschaltung von einem Modell und einem Neuronalen Netz- werk gesprochen. Dabei ist zu beachten, dass das Neuronale Netz nur ein Teilmodell zur Korrektur und On-line-Adaption des Modells ist.

Ein wesentlicher Nachteil der zuvor genannten Prozessmodel- lierung, d. h. eine sogenannte Parallelschaltung von einem physikalischen Modell und einem lernenden, empirischen Pro- zessmodell, liegt in der Modellierung von Handeingaben. Als Handeingaben werden manuell durchgeführte Handeingriffe gese- hen, welche bedingt durch den realen Prozess vorgenommen wer- den.

Aufgabe der Erfindung ist es, ein Verfahren bzw. eine Vor- richtung anzugeben, das bzw. die den realen Prozess einer verfahrenstechnischen Anlage optimal modelliert.

Die Aufgabe wird erfindungsgemäß durch ein Verfahren gemäß Anspruch 1 gelöst. Die Aufgabe wird weiterhin durch eine Vor- richtung nach Anspruch 9 gelöst. Vorteilhafte Weiterbildungen des Verfahrens sind in den weiteren Ansprüchen angegeben.

Gemäß der Erfindung wird die Aufgabe dadurch gelöst, dass bei dem Verfahren zur prozessgesteuerten Modellierung einer ver- fahrenstechnischen Anlage, insbesondere in der Hüttenindust- rie, mathematische Prozessmodelle verwendet werden. Die ma- thematischen Prozessmodelle bestehen mindestens aus einem physikalischen und mindestens einem lernfähigen, empirischen Prozessmodell, wobei das physikalische Prozessmodell in Form einer Reihenschaltung dem lernfähigen, empirischen Prozessmo- dell vorgeschaltet ist. Die Verknüpfung der beiden Prozessmo- delle erfolgt damit nicht außerhalb der beiden Prozessmodelle und wird auch nicht fest vorgegeben. Die Verknüpfung von Aus- gangsdaten des physikalischen (analytischen) Prozessmodells mit Eingangswerten und/oder internen Zwischenwerten des lern- fähigen, empirischen Prozessmodells (z. B. Neuronales Netz) erfolgt im lernfähigen, empirischen Prozessmodell selbst und ist Aufgabe des Netztrainings. Aufgabe des Netztrainings be- steht darin, die zweckmäßigste Art der Verknüpfung der Pro- zessmodelle zu finden und herzustellen. Das Netztraining kann in Sonderfällen dazu führen, dass das mathematische Prozess- modell als reines physikalisches Prozessmodell, ein reines lernfähiges empirisches Prozessmodell oder als Parallelschal- tung der beiden Prozessmodelle zu betreiben ist. Die Betrach- tung dieser Sonderfälle verdeutlicht die außerordentliche Flexibilität der sogenannten Reihenschaltung der beiden Pro- zessmodelle. Der Vorteil besteht darin, dass erst durch das On-line-Training des lernfähigen, empirischen Prozessmodells die Gewichtung des physikalischen Prozessmodells in Abhängig- keit von einer Modellgenauigkeit erfolgt. Indirekt lässt sich somit durch eine Analyse des trainierten, lernfähigen, empi- rischen Prozessmodells auch eine Aussage über die Güte des verwendeten physikalischen Prozessmodells treffen.

Gemäß einer vorteilhaften Ausgestaltung der Erfindung ist das lernfähige, empirische Prozessmodell ein als Neuronales Netz aufgebautes Prozessmodell.

Eine weitere vorteilhafte Ausgestaltung der Erfindung liegt darin, dass ein physikalisches Prozessmodell mindestens zwei voneinander unabhängigen, lernfähigen, empirischen Prozessmo- dellen in Reihe vorgeschaltet ist.

Bei einer weiteren vorteilhaften Ausgestaltung der Erfindung wird eine Adaption des lernfähigen, empirischen Prozessmo- dells on-line durchgeführt.

In einer besonders vorteilhaften Ausgestaltung der Erfindung werden Ausgangsdaten des lernfähigen, empirischen Prozessmo- dells zuvor von dem physikalischen Prozessmodell berechnet und anschließend als Eingangsdaten des lernfähigen, empiri- schen Prozessmodells verwendet.

Die so genannte Reihenschaltung des physikalischen Prozessmo- dells und des lernfähigen, empirischen Prozessmodells hat sich besonders vorteilhaft in der Führung von walztechnischen Prozessen, wie z. B. die Vorausberechnung, Voreinstellung und Nachberechnung von Profil und/oder Planheit in Walzgerüsten einer Walzstraße, gezeigt.

Gemäß einer weiteren vorteilhaften Ausgestaltung der Erfin- dung wird das lernfähige, empirische Prozessmodell mit Daten des physikalischen Prozessmodells vortrainiert.

Die erfindungsgemäße Vorrichtung nach Anspruch 9 umfasst ein Rechensystem zur Modellierung einer verfahrenstechnischen An- lage, insbesondere der Hüttenindustrie, mittels mathemati- scher Prozessmodelle, wobei die mathematischen Prozessmodelle aus mindestens einem physikalischen und mindestens einem lernfähigen, empirischen Prozessmodell bestehen. Dabei ist in dem Rechensystem das physikalische Prozessmodell in Form ei- ner Reihenschaltung dem lernfähigen, empirischen Prozessmo- dell vorgeschaltet.

Die Erfindung sowie weitere Vorteile und Details werden im Folgenden anhand von schematisch dargestellten Ausführungs- beispielen in der Zeichnung näher erläutert. Es zeigen : FIG 1 einen Prozessablauf einer verfahrenstechnischen Anla- ge, FIG 2 ein Prozessmodell einer verfahrenstechnischen Anlage, FIG 3 ein physikalisches Prozessmodell, FIG 4 ein lernfähiges, empirisches Prozessmodell, FIG 5 eine Kombination eines physikalischen und eines lern- fähigen, empirischen Prozessmodells nach dem Stand der Technik, FIG 6 eine erfindungsgemäße Kombination eines physikali- schen und lernfähigen, empirischen Prozessmodells, FIG 7 einen Aufbau einer Prozesssteuerung eines Walzwerkes, FIG 8 eine Übersicht eines Prozessmodells für die Profil- und/oder Planheitssteuerung eines Walzwerkes und FIG 9 einen Datenfluss in einem Prozessmodell gemäß der Er- findung.

Eine moderne Prozessautomatisierung von verfahrenstechnischen Anlagen, wie z. B. in der Hüttenindustrie, arbeitet modellge- stützt, d. h. unter Einsatz von mathematischen Prozessmodel- len. Die zu automatisierende Anlage ist ein determinierter Prozess, der unter bestimmten Bedingungen ein bestimmtes Er- gebnis liefert. In der FIG 1 ist ein derartiger realer Pro- zess 2 dargestellt, der auf einen definierten Eingangsvektor Iprozess 1 reproduzierbar mit einem Ausgangsvektor Oprozess 3 re- agiert. Das mathematische Prozessmodell versucht das Verhal- ten des realen Prozesses mathematisch zu beschreiben. In FIG 2 ist ein derartiges Prozessmodell 5 dargestellt. Das Pro- zessmodell 5 soll einen Eingangsvektor Modell 4 auf einem Aus- gangsvektor Modell 6 derart abbilden, dass sich der Ausgangs- vektor Modell 6 möglichst wenig von dem Ausgangsvektor Oprozess 3 unterscheidet. Das setzt allerdings nicht nur ein hinrei- chend gutes Prozessmodell, sondern auch einen hinreichend vollständigen und quantifizierbaren Eingangsvektor IModell 4 voraus.

Das Prozessmodell kann von unterschiedlicher Ausprägung sein.

Sind die Kenntnisse der natur-bzw. ingenieurwissenschaftli- chen Gesetze, nach denen der reale Prozess abläuft, hinrei- chend genau und vollständig bekannt, so wird ein physikali- sches Prozessmodell (auch analytisches Prozessmodell genannt) formuliert. In FIG 3 ist ein physikalisches Prozessmodell 51 dargestellt. Mittels dem Eingangsvektor Modell 4 ermittelt das physikalische Prozessmodell 51 den Ausgangsvektor Oana 61. Da- bei entspricht der Ausgangsvektor Oana 61 dem Ausgangsvektor Modell 6. Üblicherweise stellt man die für den realen Prozess zutreffenden Erhaltungssätze auf und löst die entsprechenden Differenzialgleichungen unter Einbeziehung gegebener Randbe- dingungen.

Fehlen entsprechende Prozesskenntnisse, dann wird der Prozess als unbekannt betrachtet und es erfolgt eine mathematische Beschreibung der bloßen Beziehung zwischen Eingangsgröße und Ausgangsgröße. Es kommen Verfahren der mathematischen Statis- tik oder der Theorie der Neuronalen Netze zur Anwendung. Die- se Verfahren sind als lernfähige, empirische Prozessmodelle bekannt. FIG 4 zeigt den Einsatz eines derartigen lernfähi- gen, empirischen Prozessmodells 52. Aus dem Eingangsvektor Modell 4 ermittelt das lernfähige, empirische Prozessmodell 52 den Ausgangsvektor 0nn 62. Dabei entspricht der Ausgangsvek- tor Ont 62 dem Ausgangsvektor Modell 6.

Prozessmodelle der automatischen Steuerung sind On-line-Mo- delle, die schritthaltend mit dem Anlagengeschehen arbeiten müssen. On-line-Modellierung sucht folglich immer nach einem Kompromiss zwischen Genauigkeit und Einfachheit. On-line-Mo- delle beschreiben den realen Prozess somit nur eingeschränkt genau und genügen erst im Zusammenspiel mit einer effektiven On-line-Adaption den Anforderungen einer modernen Automati- sierung. Für die On-line-Adaption werden die so genannten lernfähigen, empirischen Prozessmodelle, wie z. B. Neuronale Netze, eingesetzt. In FIG 5 ist eine Kombination von einem physikalischen Prozessmodell 51 und einem lernfähigen, empi- rischen Prozessmodell 52 dargestellt. Der Einsatz derartiger Kombinationen ist aus der Offenlegungsschrift DE 43 38 607 Al bekannt. Dabei wird von einer so genannten Parallelschaltung von den beiden Prozessmodellen gesprochen. Die Art der Ver- knüpfung der beiden Prozessmodelle ist fest vorgegeben. Das Zeichen"&"steht wahlweise für Addition oder Multiplikation.

Dabei ist zu beachten, dass das lernfähige, empirische Pro- zessmodell 52 nur ein Teilmodell zur Korrektur und On-line- Adaption des physikalischen Prozessmodells 51 ist.

FIG 6 zeigt eine Kombination eines physikalischen Prozessmo- dells und eines lernfähigen, empirischen Prozessmodells gemäß der vorliegenden Erfindung. Dabei wird eine so genannte Rei- henschaltung verwendet, bei der dass das physikalische Pro- zessmodell 51 dem lernfähigen, empirischen Prozessmodell 52 vorgeschaltet ist. Die Verknüpfung der beiden Prozessmodelle erfolgt dabei nicht wie in FIG 5 dargestellt außerhalb der beiden Prozessmodelle und wird auch nicht fest vorgegeben.

Die Verknüpfung von Ausgangsvektor oana 61 mit Eingangsvekto- ren IModell 4 und/oder mit internen Zwischenwerten, welche in der FIG 6 nicht dargestellt sind, des lernfähigen, empiri- schen Prozessmodells erfolgt im lernfähigen, empirischen Pro- zessmodell selbst und es ist Aufgabe des Netztrainings die zweckmäßigste Art der Verknüpfung zu finden und herzustellen.

Das Netztraining kann im Sonderfall auch zur Parallelschal- tung nach FIG 5 führen. Das Netztraining kann weiterhin im Grenzfall zu einem der beiden elementaren Lösungen gemäß FIG 3 und 4 führen. Ein derartiger Grenzfall ergibt sich, wenn das physikalische Prozessmodell 51 entweder völlig stimmige oder völlig unbrauchbare Ergebnisse liefert. Eine Betrachtung dieser Grenzfälle zeigt die außerordentliche Flexibilität der sogenannten Reihenschaltung. Der Vorteil der Reihenschaltung besteht darin, dass erst durch das On-line-Training des lern- fähigen, empirischen Prozessmodells 52 die Gewichtung des physikalischen Prozessmodells 51 in Abhängigkeit von der Mo- dellgenauigkeit erfolgt. Indirekt lässt sich damit durch Ana- lyse des trainierten, lernfähigen, empirischen Prozessmodells 52 auch eine Aussage über die Güte des verwendeten physikali- schen Prozessmodells 51 treffen.

Die erfindungsgemäße Reihenschaltung lässt sich in allen mo- dellgestützten Automatisierungen anwenden. In FIG 7 ist ein Anwendungsbeispiel einer Prozesssteuerung eines Walzwerkes erläutert. Der reale Prozess wird durch eine mehrgerüstige Fertigstraße einer Walzstraße 14 dargestellt. Über die Walz- strategie 11 werden Primärdaten für den Walzvorgang, wie z.

B. Sollplanheit/-profil, an die Vorausberechnung 12 vorgege- ben. Die Vorausberechnung 12 stellt eine zentrale Aufgabe der Prozesssteuerung dar. Die Vorausberechnung 12 führt eine mög- lichst genaue Ermittlung der Einstellung der Walzstraße für das jeweils nächste Walzband vor dessen Einlauf in die Walz- straße durch. Dabei stützt sich die Vorausberechnung 12 auf hinterlegte relevante Prozessmodelle. Es werden die für die Walzstraße 14 notwendigen Sollwerte 13 berechnet. Prozessmo- delle beschreiben den technischen Prozess mehr oder weniger gut, jedoch niemals vollständig und exakt. Aus diesem Grunde sorgt eine zyklische Nachberechnung 17 für eine ständige Mo- delladaption 19 an den realen technischen Prozess. Die Mo- delladaption 19 ist als On-line-Adaption zu verstehen. Somit bildet sich ein übergeordneter Regelkreis aus, der folgende Vorgänge beinhaltet : a) Vorausberechnung 12 für das nächste Walzband, d. h. Be- rechnung der Sollwerte 13, wie z. B. Walzenanstellung, Walzenbiegung, Walzenverschiebung, Walzgeschwindigkeit, b) Prozessdurchführung (Walzung) mittels der Walzstraße 14 mit gleichzeitiger Erfassung prozessrelevanter Daten, wie z. B. Gerüstdaten 15 und Banddaten 16, c) Nachberechnung 17 für das aktuell gewalzte Walzband auf der Basis der erfassten Istdaten (Gerüstdaten 15 und Banddaten 16), d) Modelladaption 19 auf der Basis der aufbereiteten Daten 18 und e) Bereitstellung der adaptierten Modellparameter 20 für die Vorausberechnung 12 des nachfolgenden Walzbandes.

Zwei wesentliche Qualitätsmerkmale beim Warmwalzen sind die Einhaltung der Bandplanheit und des technologisch vorgegebe- nen Banddickenprofils nach der Fertigstraße einer Walzstraße.

Die diesbezügliche zyklische Vorausberechnung der Voreinstel- lung der Walzgerüste für das jeweils nächste Band erfolgt durch eine Profil-und Planheitssteuerung. Das Ergebnis sind Sollwerte für die Voreinstellung der beiden Stellglieder, Walzenbiegung und Walzenverschiebung bzw. Walzenschränkung (Pair Crossing). Aufgrund des höchst komplexen Walzprozesses sind bezüglich Profil-und Planheitssteuerung keine optimalen Stellgrößen bekannt. Allerdings geben die während des Band- durchlaufes anhand der erzielten Bandqualitäten gegenüber der Voreinstellung vorgenommenen Korrekturen eine Orientierung für eine verbesserte Sollwerteinstellung. Folglich können diese für ein Netztraining als Zielwert für die verbesserten Stellgrößen dienen. Der Zielwert ist hierbei definiert als Summe aus dem Rechenwert aus der Vorausberechnung und dem Korrekturwert. Korrekturwerte sind z. B. Reglereingriffe ei- ner automatischen Planheitsregelung und/oder manuell durchge- führte Sollwertkorrekturen (Handeingriffe).

Eine praktische Realisierung einer derartigen Profil-und Planheitssteuerung wird in einer Gesamtübersicht in FIG 8 dargestellt. Die Anzahl der in der Walzstraße 14 dargestell- ten Gerüste kann beliebig sein. In der Profil-und Plan- heitssteuerung 21 wird mittels physikalischem Prozessmodell 22 eine analytische Sollwertberechnung für das nächste Walz- band bezüglich Profil, Kontur und Planheit mit gerüstspezifi- schen Ergebnissen für Biegekraft und Walzenverschiebung bzw.

Walzenschränkung (Pair Crossing) durchgeführt. Anschließend erfolgt eine Filterung dieser Sollwerte in den nachgeschalte- ten, gerüstspezifischen, lernfähigen, empirischen Prozessmo- dellen 23. Entsprechend der nachgeschalteten, gerüstspezifi- schen, lernfähigen, empirischen Prozessmodelle werden Soll- werte 24 an die Walzstraße 14 vorgegeben. Während der Walzung des aktuellen Walzbandes werden Prozessdaten erfasst. Darun- ter sind auch die durch Handeingriffe korrigierten Stellgrö- ßen zu verstehen. Anschließend erfolgt ein On-line-Training 25 der lernfähigen, empirischen Prozessmodelle 23.

FIG 9 zeigt einen beispielhaften Datenfluss eines einzelnen Walzgerüstes einer Profil-und Planheitssteuerung gemäß FIG 8.

21 Profil-und Planheitssteuerung 22 Sollwertberechnung mit physikalischem (analytischem) Prozessmodell 23 Sollwertberechnung mit lernfähigem, empirischem Prozess- modell (z. B. Neuronales Netz) 26 Stichplanberechnung 27 chemische Zusammensetzung (Analytik) 28 Ersatzgröße für Umformwiderstand (z. B. Warmfestigkeit oder Materialklasse) 29 Bandbreite 30 Banddicke 31 Summenwalzkraft 32 Zielprofil für das Fertigband 33 berechneter Stellwert für Rückbiegekraft (Ausgangsvektor des analytischen Prozessmodells) 34 berechneter Stellwert für Walzenverschiebung (Ausgangs- vektor des analytischen Prozessmodells) 35 Walzencrown bzgl. Biegelinie und Walzenabplattung 36 aktueller thermischer Crown und Verschleißcrown der Ar- beitswalzen 37 Profil des Vorbandes 38 ermittelter Stellwert für Rückbiegekraft (Ausgangsvektor des lernfähigen, empirischen Prozessmodells) 39 ermittelter Stellwert für Walzenverschiebung (Ausgangs- vektor des lernfähigen, empirischen Prozessmodells)