用来控制系统内的过程的方法和装置，特别是研磨装置内的研磨过程与流程

本发明涉及一种用来控制系统内的过程的方法，特别是研磨装置内的研磨过程。本发明还涉及一种用来实施本发明的方法的装置。

背景技术：

在控制系统内的这种程序中，在这种程序中，优选通过测量系统内的过程变量(processvariables)来获取系统的状态变量(statevariables)。此外，创建一种过程模型(processmodel)，该模型描述了执行动作(actuatingactions)对系统的状态变量的影响，例如，通过基于计算机的神经网络。系统内的过程的控制通过实施执行动作和考虑(takingintoaccount)预定控制目标以及所创建的过程模型来进行。

此外，de102010062204a1文件公开了一种操作磨粉机(mill)的方法,磨粉机具有连续输入输出质量流量(massflows)，该方法包括如下步骤：

-使用一种基于功率平衡方程(powerbalanceequations)的过程模型，具有特征过程变量(characteristicprocessvariables)，以用来检测磨粉机的状态，其中，磨粉机质量的能量含量(energycontent)和其成分质量(contentmasses)的每项改变都相当于能量流入与能量流出之差；

-此外，使用一种基于质量流量的过程模型作为质量平衡方程(massbalanceequation)，具有特征过程变量，以用来检测磨粉机状态，其中，磨粉机含量质量的每项变化都相当于磨粉机质量流入与质量流出之差；

-测量磨粉机外面的特征过程变量；

-将所测数值加入到当时各自计算方程(accountequation)中以估算各自特征过程变量，假设其它过程变量已知或可忽略不计；以及

-通过所估算的特征过程变量来控制磨粉机。

技术实现要素：

本发明的目的是提高已知方法的准确性。

根据本发明，该目的可通过控制系统内的过程的方法来实现，特别是研磨装置内的研磨过程，包括如下步骤：

-获取系统的状态变量(st)；

-创建至少两个过程模型(pm),每个模型描述了执行动作(at)对系统的状态变量(st)的影响，其中，至少两个过程模型(pm)的结构彼此不同；以及

-通过实施执行动作(at)来控制系统内的过程，该执行动作考虑到预定控制目标和过程模型，此时，该过程模型对在系统内运行的过程的预测结果最为精确。

本发明基于这样的发现，即创建至少两个过程模型(pm)，每个模型描述了执行动作(at)对系统的状态变量(st)的影响，为此，至少两个过程模型(pm)的结构彼此不同，从而极大地提高了基于本发明方法以控制系统内的过程的准确性。过程模型(pm)是一种数学模型，其描述了在实际系统内运行的过程，为此，该过程模型(pm)描述了执行动作(at)对系统的状态变量(st)的影响。由于实际系统内运行的过程会受到诸多因素的影响，诸如执行动作(at)或扰动影响，基于数学模型的过程模型(pm)只能描述实际系统内运行的过程，对于一定范围的状态变量(st)和执行动作(at)对状态变量(st)的影响具有足够的准确性。根据本发明，通过创建至少两个过程模型(pm)，且至少两个过程模型(pm)的结构彼此不同，按照本发明，控制系统内的过程的至少一个优化过程模型(pm)可实现用于每种情况，即不同范围的状态变量(st)和执行动作(at)对状态变量(st)的影响。根据本发明，结果说明，与所提高的过程的准确性相比，创建至少第二个过程模型(pm)所需之额外工作则可忽略不计。

根据本发明的另一种方式，状态变量(st)通过研磨装置传感器或人工和/或自动试样评定来记录。优选通过传感器来获取状态变量(st)，因为这可持续进行。例如，研磨装置内的研磨过程可通过麦克风和/或自动测量起始产品(startingproduct)来监控。然而，如果状态变量(st)不能通过传感器、人工和/或自动直接记录，所采集的试样则必须进行评定以供本发明方法使用。

根据本发明方法的另一种方式，由于执行动作(at)对研磨装置状态变量(st)的影响，至少两个过程模型(pm)被持续适用。由于控制系统内的过程的本发明方法被持续使用，在获取系统的状态变量(st)时，通过本发明方法来获取此前执行动作(at-1)对系统的此前状态变量(st-1)的影响。例如，通过及时考虑到状态变量(st)与系统此前状态变量(st-1)的改变和此前点(previouspoint)执行动作(at-1)的影响，获取的这些系统状态变量的改变可用来持续适用至少两个过程模型(pm)。为此，至少两个过程模型(pm)会被持续改善。

根据本发明方法的另一种方式，通过系统试运行(至少示范性实施(exemplaryexecution)可能的执行动作(at))和/或通过专家知识(expertknowledge)，创建至少两个过程模型(pm)。随后，由于执行动作(at)对系统的状态变量(st)的影响，可以持续适用以这种方式创建的过程模型(pm)，如前详述。根据本发明的另一种实用方式，采用基于计算机的神经网络来创建至少两个过程模型(pm)，特别是，这些过程模型被持续适用(训练)。特别是，该神经网络通过已知的进化策略(evolutionarystrategies)、遗传算法、遗传编程或进化编程来训练，优选在自动选择和/或优化过程的框架内。

根据本发明方法的再一个方式，至少两个过程模型(pm)均考虑了执行动作(at+1)对研磨装置状态变量(st+1)的几个假定未来影响。为此，至少两个过程模型(pm)考虑到预测执行动作(at+1)对系统的状态变量(st+1)的假定影响。

结果，至少两个过程模型(pm)可考虑执行动作(at-1)对系统的状态变量(st-1)的过去影响，持续考虑执行动作(at)对系统的状态变量(st)的影响，以及还产生并考虑预测执行动作(at+1)对系统状态变量(st+1)的假定未来影响。

根据本发明方法的再一个方式，根据不同时间尺度(timescales)，创建和/或优化所述至少两个过程模型(pm)。这样，例如，至少两个过程模型(pm)的其中一个可被优化成适于执行动作(at)对系统状态变量(st)的短期影响，而至少两个过程模型(pm)的另一个可被优化成适于执行动作(at)对系统状态变量(st)的长期影响。在控制系统内的过程时，考虑到了至少两个过程模型(pm)的其中一个取决于时间长短(timehorizon)，并按照特定控制目标来完成相对应的执行动作(at)。

根据另一种方式，本发明方法包括如下步骤：

-使用质量函数(ut)(qualityfunctions)来创建态势评估(sb)(situationassessment)，用来根据控制目标来评估状态变量(st)；以及

-决定当时是否需要控制以便使状态变量(st)适于所述控制目标。

态势评估(sb)通过质量函数(ut)考虑了与执行动作(at)相关的费用，并将这些与当时状态变量(st)和特定控制目标进行比较。在这种态势评估(sb)的基础上，可决定当时为使状态变量(st)适于控制目标而进行控制是否必要和/或有用或是否可放弃通过执行动作(at)来确定状态变量(st)适于控制目标。

根据本发明方法的另一种方式，提前按几个时间步长(timesteps)来计算不同执行动作(at)对状态变量(st)的影响并评定整体质量(q)(overallquality)。在整体质量(q)的基础上，可决定当时是否需要控制以便使状态变量(st)适于控制目标或是否首先放弃状态变量(st)适用于控制目标。由于整体质量(q)提前考虑到几个时间步长，例如，可以滤去状态变量(st)的短期改变，因为状态变量(st)的这种短期改变只对整体质量(q)产生较小影响。为此，可避免执行动作(at)对状态变量(st)造成不必要的调整。

根据本发明的有利变化方式，通过统计方法来建立质量函数(ut)，特别是，诸如人工智能(ai方法)或按照模糊逻辑规则。

根据本发明的特别有利方式，该方法实时进行以控制系统内的过程。

根据本发明的另一个有利方式，至少两个过程模型(pm)中的至少一个(优选二者)基于计算流体动力学(cfd)方法。

根据本发明方法的另一个优选变化方法，系统的相似状态变量(st)被组合在一起，从而为每组创建至少一个过程模型(pm)。将系统的相似状态变量(st)编组的优点是减少不同过程模型(pm)的数量，从而节省资源。将系统的相似状态变量(st)组合一起的方式优选采用自学习和自寻优方式。例如，考虑成本函数(costfunctions)，这些函数将系统状态变量(st)的分组成本与创建新组的成本进行比较。

如果系统的状态变量(st)被记录，而尚未分配到组和/或不能分配到考虑了上述成本函数的已有组中时，按本发明方法的另一种实施方式，创建新组和新的过程模型(pm)。

有用的是，向每组分配唯一识别码。

根据本发明方法的另一种方式，至少两个过程模型(pm)基于进化策略、遗传算法、遗传编程或进化编程并进行训练，优选在自动选择和/或优化过程的框架内。

本发明还涉及一种用来执行本发明方法的装置，包括采用传感器控制以检测状态变量st)的研磨装置，完成执行动作(at)的执行装置和连接到研磨装置上的控制装置，优选计算装置。

下面，在图1所示的示范性实施方式的基础上，更详细地说明本发明的方法。

附图说明

图1用来控制系统内过程的本发明方法的流程，特别是研磨装置内的研磨过程。

附图中，

1为检测状态变量(st)；

2为创建过程模型(pm)；

3为控制系统内的过程。

具体实施方式

图1示出了用来控制系统内过程的本发明方法的流程，特别是研磨装置内的研磨过程。

第一步，记录1系统的状态变量(st)。例如，通过研磨装置的传感器或人工和/或自动试样评定来记录1系统的状态变量(st)。优选采用传感器来记录1状态变量(st)，因为这可以持续进行。例如，研磨装置内的研磨过程可通过麦克风和/或自动测量起始产品来监控。如果状态变量不能采用传感器直接记录1，试样可人工和/或自动采集并进行评定，评定结果可提供给本发明方法。

根据本发明方法的第二步，创建至少两个过程模型(pm)，每个模型都描述了执行动作(at)对系统的状态变量(st)的影响。根据本发明，所述至少两个过程模型(pm)的结构彼此不同。

至少两个过程模型(pm)优选因为执行动作(at)对研磨装置状态变量(st)的影响而持续被适用。为此，在记录1系统状态变量(st)时，通过本发明方法，考虑此前执行动作(at-1)对系统此前状态变量(st-1)的影响。例如，通过及时考虑系统的状态变量(st)与此前状态变量(st-1)的改变和此前点的执行动作(at-1)的影响，所记录的系统状态变量(st)的改变可用来持续适用至少两个过程模型(pm)。

例如，通过系统的试运行(至少示范性执行可能的执行动作(at))和/或通过专家知识，创建至少两个过程模型(pm)2。随后，由于执行动作(at)对系统的状态变量(st)的影响，可以持续适用至少两个过程模型(pm)，如前详述。

通过基于计算机的神经网络可创建至少两个过程模型(pm)，特别是，被持续适用(训练)。特别是，通过已知进化策略、遗传算法、遗传编程或进化编程来创建和/或训练神经网络，优选在自动选择和/或优化过程的框架内。

为了提高本发明方法的准确性，至少两个过程模型(pm)均考虑执行动作(at+1)对研磨装置状态变量(st+1)的几个假定未来影响。

为此，有利的是，至少两个过程模型(pm)考虑了执行动作(at-1)对系统的状态变量(st-1)的过去影响和执行动作对系统的状态变量(st)的当前影响，且其特征在于，预测执行动作(at+1)对系统的状态变量(st+1)的假定未来影响。

根据本发明方法的优选实施方式，根据不同时间尺度，创建和/或优化至少两个过程模型(pm)。为此，例如，至少两个过程模型(pm)的其中一个可被优化为适于执行动作(at)对系统状态变量(st)的短期影响，而至少两个过程模型(pm)的另一个可被优化为适于执行动作(at)对系统状态变量(st)的长期影响。

在本发明方法的再一个有利实施方式之后，系统的相似状态变量(st)被组合在一起，这样，便为每组创建至少一个过程模型(pm)。

将系统的相似状态变量(st)组合一起的方式优选采用自学习和自寻优方式。例如，考虑成本函数(costfunctions)，这些函数将系统状态变量(st)的分组成本与创建新组的成本进行比较。

例如，在系统状态变量(st)被获取而尚未分配到组和/或不能分配到考虑了上述成本函数的已有组中时，便创建2新组和新的过程模型(pm)。

有用的是，向每组分配唯一识别码。

在本发明方法的下一个步骤中，根据给定控制目标和过程模型(pm)，通过完成执行动作(at)来控制3系统内的过程，此时，该过程模型对在系统内运行的过程的预测结果最为精确。

优选地，该发明方法被实时执行以控制系统内的过程。根据本发明的特别实用的实施方式，至少两个过程模型(pm)基于数值流体力学(cfd＝计算流体动力学)的方法。

有用的是，至少两个过程模型(pm)也基于进化策略、遗传算法、遗传编程或进化编程或进行训练，优选在自动选择和/或优化过程的框架内。

根据再一个实施方式，本发明方法包括过程的如下步骤，这些在图1中未详细描述：

-使用质量函数(ut)来创建态势评估(sb)，用来根据控制目标来评估状态变量(st)；以及

-决定当时是否需要控制以便使状态变量(st)适于控制目标。

态势评估(sb)通过质量函数(ut)考虑了与执行动作(at)相关的费用，并将这些与当时状态变量(st)和特定控制目标进行比较。在这种态势评估(sb)的基础上，可决定当时为使状态变量(st)适于控制目标而进行控制是否必要和/或有用或是否可放弃通过执行动作(at)来确定状态变量(st)适于控制目标。

有用的是，提前按几个时间步长来计算不同执行动作(at)对状态变量(st)的影响并评定整体质量(q)。在整体质量(q)的基础上，可以决定当时是否需要控制以便使状态变量(st)适于控制目标或是否首先放弃状态变量(st)适用于控制目标。由于整体质量(q)提前分几个时间步长考虑，例如，可以滤去状态变量(st)的短期改变，因为状态变量(st)的这种短期改变只对整体质量(q)产生较小影响。

例如，质量函数(ut)通过统计方法来建立，诸如人工智能(特别是ai方法)或根据模糊逻辑规则。