在原材料工业的设备情况下使用综合人工智能的制作方法
本发明基于用于原材料工业的设备的运行方法，
-其中自动化系统确定控制数据并且输出给设备的受控元件，并且由此控制和/或监控设备，
-其中传感器装置检测设备的测量数据，
-其中自动化系统至少部分地接受测量数据并且在确定控制数据的范围中考虑所接受的测量数据，
-其中人机接口将传感器装置的测量数据和/或自动化系统的数据和/或生产规划系统的规划数据输出给人员和/或从人员接受控制指令并且转发给自动化系统，
-其中自动化系统在确定控制数据的范围中考虑所转发的控制指令，
-其中人工智能至少部分地从传感器装置接受设备的测量数据以及从自动化系统接受自动化系统的控制数据和/或内部数据以及从人机接口接受输出给人员的数据，并且从人机接口或自动化系统接受控制指令，
-其中所述人工智能在使用所接受的数据和指令的情况下确定评估结果，并且将评估结果经由人机接口和/或独立输出装置提供给人员和/或提供给原材料工业的设备的生产规划系统和/或直接地或经由人机接口以控制指令的形式预先给定给自动化系统，
-其中由人工智能接受的数据至少部分地是维度数据。
在本发明意义上的维度数据是在至少一个维度上顺序地相继的类似数据。维度可以是空间维度（örtlichedimension）。在这种情况下，维度数据例如构成空间分布、例如温度分布。分布可以是一维的、二维的或三维的。位置的傅里叶变换也可以被理解为维度。可替代地，维度可以是时间维度。在这种情况下，维度数据例如构成时间变化过程（verlauf）、例如温度变化过程。时间的傅里叶变换也可以被理解为维度。一个示例是频谱。此外，（至少）空间维度与时间维度的组合也是可能的，也即例如空间分布的时间变化过程。
对温度的上述列举仅是示例性的。代替温度，也可以使用其他参量、例如压力或抽力变化过程和/或相应的分布。此外，在轧机机架的轧辊的轧辊辊身的长度或带宽上的凸度变化过程（必要时附加地作为时间变化过程）也是可能的。同样，可以考虑其他参量。
本发明此外基于计算机程序，所述计算机程序包括机器代码，所述机器代码可以由计算装置执行，其中通过所述计算装置执行机器代码引起计算装置实现人工智能，所述人工智能
-至少部分地接受在原材料工业的设备运行中由原材料工业的设备的传感器装置检测的测量数据、由对原材料工业的设备进行控制和/或监控的自动化系统确定并且在用于对原材料工业的设备进行控制的控制数据情况下输出给原材料工业的设备的受控元件的控制数据和/或内部数据以及从原材料工业的设备的人机接口输出给人员的数据，
-从人机接口接受控制指令或从自动化系统接受由人机接口转发给自动化系统的控制指令，
-在使用所接受的数据和指令的情况下确定评估结果，并将评估结果经由人机接口和/或独立输出装置提供给人员和/或提供给原材料工业的设备的生产规划系统和/或直接地或经由人机接口将控制指令预先给定给自动化系统，
-其中由人工智能接受的数据至少部分地是维度数据。
本发明此外基于计算装置，其中所述计算装置利用这种计算机程序被编程，并且为了传送信息至少与原材料工业的设备的自动化系统、传感器装置和人机接口连接。
本发明此外基于原材料工业的设备，
-其中所述设备具有自动化系统，所述自动化系统确定控制数据，并且输出给该设备的受控元件，并且由此控制和/或监控所述设备，
-其中所述设备具有传感器装置，该传感器装置检测所述设备的测量数据，
-其中自动化系统至少部分地接受测量数据并且在确定控制数据的范围中考虑所接受的测量数据，
-其中该设备具有人机接口，所述人机接口将传感器装置的测量数据和/或自动化系统的数据输出给人员和/或从人员接受控制指令，并且转发给自动化系统，
-其中自动化系统在确定控制数据的范围中考虑所转发的控制指令，
-其中设备具有这种计算装置。
不仅在现有技术中而且在本发明情况下，原材料工业的设备可以例如是炼钢工业的设备或金属制造工业的设备。这种设备的示例是用于制造铁的设备，诸如高炉或直接还原设备、例如finex类型、corex类型或midrex类型、具有或不具有埋弧炉的回转管或回转炉类型的直接还原设备。其他设备例如是下级装置，在所述下级装置中由生铁制造钢。这种设备的示例是电弧炉、转炉和其中进行浇包过程（pfannenprozesse）的设备、诸如真空处理设备。其他设备是在炼钢下游的装置，其中进行金属的固结和经固结的金属的变形。这种设备的示例是连续铸锭设备和轧机。轧机可以例如是用于轧制扁平轧制材料的轧机、诸如粗轧机、精轧机列、可逆式炉卷带材热轧机等等。此外，轧机可以是用于轧制不同横截面、例如坯料横截面的轧机。可替代地，轧机可以是用于对金属进行热轧的轧机、用于对金属进行冷轧的轧机或组合式轧机，其中金属首先被热轧，并且然后被冷轧。冷却段（必要时与轧机组合地）也可被看作炼钢的设备。也可考虑在轧机上游或下游的其他设备、例如退火炉或酸洗装置。
原材料工业的设备通常拥有过程自动化。过程自动化大多包括多个级别。级别0由传感器系统和执行器系统构成。级别1是所谓的基础自动化，其中所述基础自动化实现调节回路。级别2包含技术自动化，所述技术自动化包括过程模型并且确定用于调节回路的额定值。也已知其他级别，所述其他级别例如涉及生产规划。
虽然原材料工业的设备的运行通常是高度自动化的，但是不是完全自动化的。尤其是，对于人员而言总是存在以下可能性：在特殊情形、诸如故障情况下对设备的自动控制进行干预。以以下目标进行干预：维持安全设备运行并且尽可能避免对生产本身、设备生产率和产品质量的消极后果。由于还需要通过人员的干预，所以尚未足够地构成过程自动化相对于故障和在与常规运行相偏差的情况下的稳健性来能够保证全自动运行。
为了改善运行，已知的是，将人工智能例如以神经网的形式合并到过程自动化中。人工智能也包含关于人员的与情形相关的手动操作干预的知识。通过使用这种人工智能，可以改善原材料工业的设备的自动化控制。但是，凭这种改善还不导致全自动运行。因此，即使目前也还需要操作人员的控制干预。
最近，此外证实在原材料工业的许多设备情况下专业知识和专家知识不或仅不充分地被存储和记载，而是大部分处于人员的头脑中。因此，因为操作人员经常直观地基于其经验反应，而在任何时候都不知道他们为什么如此反应而不是做其他反应，所以文件编制尤其是证明是困难的。借助于迄今使用的人工智能也不能学习这种经常直观的知识。
技术实现要素：
本发明的任务在于提供以下可能性：不仅在正常运行状态下、而且在异常运行状态下能够使原材料工业的设备的运行自动化。在理想情况下，应当能够避免所有控制干预。但是至少应当减少控制干预的次数。
该任务通过具有权利要求1的特征的运行方法解决。运行方法的有利构型是从属权利要求2至11的主题。
根据本发明，开头所述类型的运行方法通过以下方式来构成，即维度数据包括经由人机接口输出给人员的图像、这种图像的时间序列、这种图像的一部分或这种部分的时间序列。图像可以是光学图像或红外图像。图像可以例如以像素阵列的形式、作为2d面或作为3d体积存在。也可能预先给定空间（örtlichen）或时间曲线。可替代地或附加地，维度数据可以包括声振荡或这种振荡的谱。
基于对在现有技术中通常由人类利用其感官直接感知的并且与此相应地也由人类有理智地评估的这种数据的评估，尤其是也可以对复杂的事实情况（sachverhalte）进行评估。
在一种优选的构型中规定，维度数据至少部分地在至少两个维度上、尤其是在至少两个空间维度上延伸，并且在温度、例如等温线或温度梯度情况下，人工智能在确定针对维度数据的评估结果的范围中，确定梯度和/或相同值的曲线。
附加地，维度数据可以包括由自动化系统根据模型计算的数据。这种数据的示例是精轧机列中的或冷却段中的金属带的所计算的温度变化过程或所计算的温度分布。必要时，附加地也可以考虑金属带的相位（phase）。也可以使用所计算的其他数据，例如，不能直接测量的、而是借助于所谓的软传感器计算的数据。
一般而言，人工智能是由计算装置实现的单元，所述单元对局外人（außenstehende）显得像人类智能。人工智能尤其是包括机器学习（machinelearning（机器学习））、对象的机械视觉和识别（computervision（计算机视觉））、语言处理和机器人技术。机器学习是以下人工智能，该人工智能根据多种情形或变化过程连同所属的评价（bewertung）（或用于确定评价的准则）可以自己学习它必须如何行为来获得尽可能高的评价。评价可以要么被预先给定给人工智能，要么由人工智能根据对于人工智能已知的评价准则独立地来确定。人工智能积累并且因此包含关于原材料工业的设备的与相应的情形适配的最佳运行的知识。对象的机械视觉和识别尤其是图像中对象的提取以及其对一般类别的分配。就此而论，对象是可以在无其他元素影响的情况下移动的二维元素。语言处理尤其包括词语的单独识别，并且在本发明的范围中通常也包括声振荡的分析。
可能的是，人工智能事先被训练。甚至可能的是，人工智能仅仅事先被训练，并且在该运行方法的范围中保持不变。然而，在人工智能与确定评估结果并行地确定评估结果的评价并且自身根据评价再训练的情况下，本发明显示其完全的长处（stärke）。因为由此逐渐越来越好地评估由人工智能接受的数据和指令。
用于学习的数据源尤其可以是自动化系统、传感器装置和人机接口。
数据（不仅用于学习而且在以后运行中）至少包括维度数据。附加地，也可以使用奇异数据、也即（与顺序地相继的值相比）单个值。
应用的人工智能可以根据需求以及按照应用情况来确定。人工智能的类型在此情况下可以有不同的性质。例如，人工智能可以被构造为人工神经网或网络（artificialneuralnetwork（人工神经网络））、支持向量机（supportvectormaschine）、决策树（decisiontree）、贝叶斯置信网络（bayesianbeliefnetwork）、所谓的k最近邻、自组织地图（self-organizingmap（自组织映射））、基于案例推理（case-basedreasoning）、基于实例学习（instance-basedlearning）或所谓的隐马尔可夫模型。这种构型的组合也是可能的。
在本发明的一种优选构型中，人工智能被构造为人工神经网、尤其是深度神经网或卷积神经网（dnn=deepneuralnetwork（深度神经网络），cnn=convolutionalneuralnetwork（卷积神经网络））。利用这种人工智能，尤其是可以良好地处理维度数据、诸如图像数据或声振荡。也可能的是，构成具有多个神经网的人工智能，其中应用不同的网络类型，例如具有仅一个或两个隐藏神经层的至少一个正则神经网和附加地类型dnn或cnn的至少一个神经网。尤其是，最后提到的神经网也适用于轨迹控制。
神经网络基于节点（=神经元）的系统，所述节点经由具有加权因子的不同线路彼此作用。神经元按层布置。神经网络具有输入层、输出层和至少一个神经元隐藏层（hiddenlayer（隐藏层））。数据经由输入层进入神经网络，经由输出层可以截取神经网络的应答和结果。知识存储在隐藏层中进行。通过改变神经元相互作用所利用的权重进行学习。这种学习经常被称为训练。
术语“深度神经网”和“卷积神经网”对于计算机技术领域的技术人员而言具有固定定义的含义。尤其是，深度神经网是其中存在至少三个神经元隐藏层的神经网络。这与正则（normalen）或扁平（flachen）神经网络形成对比，在正则或扁平神经网络情况下最多存在两个隐藏层。通常，在正则神经网络情况下甚至存在仅一个唯一的隐藏层。尤其是，深度神经网使得能够存储复杂的关联，并且从而分析复杂的任务要求。卷积神经网（cnn）是神经网的另一非常流行的特殊形式。它特别适用于处理维度数据。这种神经网由输入层、多个交替的卷积和子采样层（隐藏层）和输出层组成。网络被划分成输入、特征提取和分类区域。首先，借助于卷积层对输入数据进行卷积。在此，相邻数据点的信息被成束地转交给下一层。将输入矩阵的相对应的数据点与卷积核的系数相乘。在相应的下一层中由总和构成新数据点。由此获得多个并行卷积，所述多个并行卷积引起一般化。这导致多个彼此无关的特征图（featuremap）。随后的子采样层可以进一步压缩特征图，例如减半。每个随后的卷积层于是可以包含其他特征图。将最后的卷积层或子采样层完全与分类层的神经元连接，也即每个神经元与每个特征图连接。输出层提供分析的结果。在卷积神经网情况下，与正则神经网络相比，代替神经元之间的连接的权重，确定卷积核的系数。为此，例如可以应用本身已知的反向传播学习算法。卷积神经网是深度神经网的特例。尤其是，它充分利用以下情况：即相关关联以及从而连接经常仅存在于空间和/或时间上紧密相邻的参量之间。这种结构尤其是有利的，以便构建图像的日益抽象的局部化表示。尤其是对于维度输入数据的处理（如上所述），这种神经网是有利的。卷积神经网的描述例如在yannlecun等人的“deeplearning”(公开在自然，521卷，2015年5月28日，436至444页）的技术文章中找到。
这种神经网的优点是针对学习过程的减少的时间耗费。由此非常大的神经网络也变得能以实际上合理的时间耗费（通常仅几个小时）来训练，所述非常大的神经网络例如具有5、8或10个隐藏层（或还更多个隐藏层）并且总共具有104或105个神经元。这尤其通过并行工作的软件和硬件例如在一个或多个gpu（gpu=图形处理单元（graphicalprocessingunit））中的可用性变得可能。
良好地适用于实现本发明的另一神经网是所谓的rnn=递归神经网络（recurrentneuralnetwork）。这种神经网尤其适用于作为时间顺序存在的数据。
也可能的是，相互组合不同的体系结构，例如cnn和rnn。
一般而言，对由人工智能接受的数据进行以下阐述。可能的是，这些阐述仅适用于数据的一部分。但是，所述阐述至少适用于维度数据的一部分。
优选地，由人工智能接受的数据和/或其在维度方面的基准（bezug）是无单位的，或者由人工智能转换成这种数据。例如，在金属带的带宽方向上的尺寸（优选地从金属带的中心出发）可以被标准化为金属带的宽度。对于金属带的其他维度，类似的操作方法也是可能的。例如在涉及轧机机架的轧辊的说明情况下，相应的位置（ort）（优选地从辊身中心出发）也可以被标准化为相应轧辊的辊身长度。例如，图像内的位置可以标准化为相应图像的总尺寸。这里，参考基准（referenzbezug）优选地也是图像的中心。可以将像素值的灰度级标准化为0和1之间（或者可替代地在-0.5和+0.5之间）的值。以类似的方式，也可以标准化执行器的调整范围。其他标准化也是可能的。也可能的是，相互组合不同的参量用以确定无单位参量。示例是化学分析、温度、热传递和流的标准化。
通过该构型，以简单的方式可能的是，将在用于原材料工业的特定设备的人工智能中存储的知识转移到原材料工业的另一类似设备上。
在一种特殊构型中，例如可能的是，由人工智能接受的数据至少包括图像以及两个轧机机架中的逆流而上地放置的轧机机架的差动调整参量，其中根据所述图像可以确定金属带在多机架轧机机列的两个轧机机架之间的横向方位（lateraleposition），并且由人工智能确定的评估结果包括用于控制带行进的策略。尤其是，对横向方位的控制在现有技术中经常是困难的，并且通常仍然是手动地进行。这里可以通过本发明实现补救。
在另一构型中，例如可能的是，由人工智能接受的数据包括对原材料工业的设备的构件的磨损进行描述的维度数据并且由人工智能确定的评估结果包括原材料工业的设备的构件的剩余运行时间的预测。该构件可以例如是轧机机架的工作辊。在这种情况下，由人工智能接受的数据包括作为工作辊的轧辊行程（walzenreise）的函数的轧辊辊身轮廓以及轧机机架的道次规程数据（stichplandaten）。根据所述数据可以由人工智能来预测：何时必须更换相应的工作辊（通常连同所涉及的轧机机架的其他工作辊，也即作为一组工作辊）。例如，该预测可被用于适配和优化生产规划。
在另一构型中，例如可能的是，由人工智能接受的数据包括
-作为时间函数的输送给转炉容器的材料的至少一个质量流和/或至少一个体积流，
-作为时间函数的位于转炉容器中的喷枪的方位，
-作为时间函数的转炉容器的冷却水温度，
-作为时间函数的从转炉容器中逸出的废气的量和/或成分，
-至少一个来自转炉容器的区域的声振荡和/或其谱，
-至少一个包含转炉烟罩的区域的图像（可见光谱或红外线），
-来自位于转炉容器中的金属的物理化学模型的维度模型数据和/或与此相对应的事先确定的比较数据，和/或
-转炉炉衬状态的位置分辨表示，
以及由人工智能确定的评估结果包括关于来自转炉容器的要预期的喷溅（slopping（喷溅））的概率、时间点、规模、位于转炉容器中的金属的氧和/或碳的要预期的最终含量、位于转炉容器中的金属的在出炉时间点预告的温度、在转炉容器中进行的除磷过程的结果和/或在转炉容器内的吹炼过程期间的冶金参量的预测。
实际上，应当可能有利的是，在输送给人工智能之前在预处理装置中对输送给人工智能的维度数据进行预处理。此外，替代于或附加于预处理，应当有利的是，首先在评估装置中评估由人工智能确定的评估结果，和/或借助于优化装置在优化的意义上对评估结果进行评估，并且然后才提供给人员和/或生产规划系统和/或预先给定给自动化系统。
此外，通过具有权利要求12的特征的计算机程序解决该任务。计算机程序的有利构型是从属权利要求13的主题。
根据本发明，通过以下方式构成开头所述类型的计算机程序，即维度数据包括经由人机接口输出给人员的图像、这种图像的时间序列、这种图像的一部分或这种部分的时间序列。图像可以是光学图像或红外图像。例如，图像可以以像素阵列的形式、作为2d面或作为3d体积存在。也可以预先给定空间或时间曲线。可替代地或附加地，维度数据可以包括声振荡或这种振荡的谱。
在计算机程序的一种优选构型中，通过计算装置对机器代码的执行引起由计算装置实现的人工智能实现运行方法的上述阐明的有利构型。
此外，通过具有权利要求14的特征的计算装置解决该任务。根据本发明，开头所述类型的计算装置利用根据本发明的计算机程序编程。可替代地，计算装置可以是单独的计算器或计算机群组。计算机可以包括cpu和/或gpu。可替代地或附加地，所述计算机也可以包括特殊的专用电路，例如fpga（=现场可编程门阵列（fieldprogrammablegatearray））。（可替代地或附加地）使用一个tpu（=张量处理单元（tensorprocessingunit））或多个tpu也是可能的。
在通常情况下，计算装置将位于原材料工业的设备的区域中并且将固定地分配给设备。然而，也可设想的是，完全或部分地将计算装置布置在远程位置处，例如在原材料工业的设备的制造商处或在云中的“任何地方”。
该任务此外通过具有权利要求15的特征的原材料工业的设备解决。根据本发明，该设备具有根据本发明的计算装置。
附图说明
上面描述的本发明特性、特征和优点以及如何实现这些的方式结合实施例的以下描述变得更清楚和更明显地易于理解，所述实施例结合附图更详细地得以阐明。在此情况下以示意图：
图1示出原材料工业（grundstoffindustrie）的设备的结构构造，
图2示出人工智能以及输送给人工智能的可能输入数据，
图3示出人工智能的一种可能构型，
图4示出人工智能的另一可能构型，
图5示出将有单位参量转换为无单位参量的示例，
图6至10示出人工智能的可能具体应用，和
图11示出人工智能到整体数据处理方案中的合并。
具体实施方式
根据图1，原材料工业的（原则上任意的）设备anl具有自动化系统1、传感器装置2和人机接口3。自动化系统1在此情况下尤其可以一起包含pda系统（pda=过程数据采集（processdataacquisition））。pda系统在历史意义上存储所检测的过程数据，使得事后也还可以访问较早累积的过程数据。由此，尤其是例如在错误查找的范围中，可以确定基础的原因。此外，所有过程参量的迄今时间变化过程由此也可供使用。
传感器装置2检测设备anl的测量数据m。测量数据m可以是单独的值，诸如奇异温度或奇异速度或奇异力。可替代地，可以是维度数据，诸如温度时间变化过程或温度空间分布。也可以考虑其他参量。借助于传感器装置2检测的测量数据m至少部分地被输送给自动化系统1，所述自动化系统1接受输送给其的测量数据m。此外，借助于传感器装置2检测的测量数据m至少部分地被传送给人机接口3。人机接口3将传送给它的测量数据m输出给人员4。人员4可以例如是原材料工业的设备anl的操作人员、装配工、调试人员（inbetriebnehmer）或其他人员或属于维护人员。
可能的是，由传感器装置2检测的所有测量数据m被输送给自动化系统1以及被输送给人机接口3。然而，通常，仅由传感器装置2检测的测量数据m的一部分被输送给自动化系统1以及被输送给人机接口3。通常，由传感器装置3检测的其他测量数据m仅仅被输送给自动化系统1，而也不被输送给人机接口3。在又由传感器装置2检测的其他测量数据m情况下，可以是相反的。
人机接口3此外从自动化系统1接受数据d并将所述数据输出给人员4。此外，人机接口3从人员4接受控制指令s。人机接口3将所接受的控制指令s转发给自动化系统1。
自动化系统1根据对于其可用的信息确定控制数据s'。自动化系统1将控制数据s'输出给设备anl的受控元件5。由此，设备anl由自动化系统1控制和/或监控。在确定控制数据s'的范围中，自动化系统1考虑所接受的测量数据m以及由人机接口3转发的控制指令s。在确定控制数据s'的范围中，自动化系统1也经常考虑内部数据i，即仅存在于自动化系统1内的数据。这些内部数据i（在控制过程本身的范围中）既不由自动化系统1从外部接受，也不向外部发出。例如，可以是由自动化系统1以模型辅助的方式确定的数据。它也可以是由自动化系统1在不形成模型的情况下仅仅一起计算的数据，例如定时器或裁判器（merkern）的值。自动化系统1确定控制数据s'所根据的信息可以例如包括规划数据p，所述规划数据由生产规划系统11传送给自动化系统。
设备anl此外具有计算装置6。为了传送信息，计算装置6与自动化系统1、传感器装置2和人机接口3连接。计算装置6利用计算机程序7编程。计算机程序7包括机器代码8，所述机器代码可以由计算装置6执行。通过计算装置6对机器代码8的执行引起：计算装置6实现人工智能9。根据下述阐述，人工智能9被构造为神经网。然而，人工智能也可能被构造为支持向量机、决策树、贝叶斯置信网络、自组织图、基于案例推理、基于实例学习、所谓的隐马尔可夫模型或所谓的k最近邻。
人工智能9如下工作：
人工智能9（至少部分地）：
-从传感器装置2接受设备anl的测量数据m，
-从自动化系统1接受控制数据s'和/或内部数据i，和
-从人机接口3接受输出给人员4的数据。
人工智能9此外从人机接口3或自动化系统1接受控制指令s。
在使用所接受的数据m、s'、i和指令s情况下，人工智能9确定评估结果a。人工智能9输出评估结果a。例如，人工智能9可以经由人机接口3和/或独立输出装置10将评估结果a提供给人员4。独立输出装置10可以例如被构造为智能电话等。可替代地或附加地，人工智能9可以将评估结果a提供给生产规划系统11。例如，人工智能9的评估结果a可以是以数字方式存储的知识的再现。以数字方式存储的知识被理解为专业知识，其中操作人员长年以来建立了所述专业知识，但是所述专业知识先前未被记载，也即（迄今为止）仅处于操作人员4的头脑中。它也可以是从原材料工业的设备anl的操作和/或运行中学习并且随后存储的知识。所述知识可以根据请求被提供给人员4。所述请求本身可以以文本形式存在。但是，所述请求应该通过由人工智能9接受的其他数据m补充。可替代地，人工智能9可以将评估结果a以控制指令s''的形式预先给定给自动化系统1。可能的是，所述控制指令s''的预先给定直接进行。可替代地，控制指令s''的预先给定可以经由人机接口3进行。在最后提及的情况下尤其是可能的是，控制指令s''首先被供应给人员4，当且仅当人员4通过确认指令c释放（freischaltet）控制指令s''时才被切换成有效的或者被输送给自动化系统1。
可能的是，人工智能9仅根据人员4的具体请求输出评估结果a。可替代地，可能的是，虽然人工智能9在一般情况下不输出评估结果a，但是连续地和自动地检验：所述人工智能是否根据输送给其的数据识别或预告次优或甚至临界的设备状态。在这种情况下，在识别这种设备状态的情况下，人工智能9可以将评估结果a与警报或提示消息一起输出给人员4。评估结果a例如也可以一起包括可以如何抵消所识别的次优或甚至临界的设备状态的建议。
人工智能9因此可以（根据其设计和合并）实现“人工舵手”。“人工舵手”可以直接或间接地经由人机接口3作用于自动化系统1。人工智能9也可以作为（人类）舵手的“数字助理”起作用，所述数字助理向舵手提示次优/临界的设备状态和/或对舵手给出针对控制指令s"的建议，其中舵手仅仍必须实施或可能甚至仅仍必须确认所述控制指令。人工智能9也可以作为（人类）舵手的“数字专家”起作用，所述数字专家根据请求将其知识提供给舵手。
由人工智能9接受的数据m、i至少部分地是维度数据。这在下面结合图2根据多个示例更详细地来阐明。
如在图2中左侧完全上方所示的，维度数据可以例如包括测量值或内部值的时间变化过程。在这种情况下，相应的数据是一维的，并且维度是时间。一个示例是温度变化过程。可以测量或在计算上确定温度变化过程。可能的是，作为纯值序列将相应的时间变化过程预先给定给人工智能9。在这种情况下，时基对于人工智能9必须是已知的。此外可能的是，作为值对序列将相应的时间变化过程预先给定给人工智能9，其中对于每个值对，两个值中的一个是相应的时间点，而另一个值是相应的测量值m。甚至可能的是，作为图像将相应的时间变化过程预先给定给人工智能9，根据所述图像由人工智能9确定时间变化过程。这还将从以下的阐述中变得清楚。
如在图2中紧接之下所示的，维度数据也可以在至少两个维度上延伸。这在用于数据区的表示中纯示例性地示出，所述数据区在两个空间维度上延伸。这种数据区的一个示例是金属带位置分辨地在带宽方向和带长度方向上的表面温度。
在这种在至少两个维度上延伸的数据区的情况下，人工智能9在确定评估结果a的范围中对于这种数据尤其是可以确定相同值的曲线12（在温度场、也即等温线的情况下）或梯度13。如从图2中的图示中在人工智能9内可以看出的，也可能的是，不仅确定相同值的曲线12而且确定梯度13。
如在图2中之下所示的，维度数据可以包括声振荡（即声级等的时间变化过程）。对时间变化过程可替代地，如图2中之下所示的，维度数据可以包括这种声振荡的谱。
如在图2中右侧完全上方所示的，维度数据也可以包括测量值或内部值的空间变化过程。在这种情况下，相应的数据是一维的，但是其中维度是位置。一个示例是辊隙的轮廓变化过程。轮廓变化过程通常将在计算上来确定。
如在图2中右侧紧接之下所示的，维度数据可以例如包括由传感器装置2检测的图像（或者这种图像的一部分）。如从图像的多重表示中可以识别出的，维度数据也可以包括这种图像或图像的这种部分的时间序列。这种图像的一个示例是显示在多机架轧机机列的两个轧机机架之间的金属带的图像。尤其是，这里红外图像是有利的。但是，它也可以是可见光谱中的图像。
如在图2中右侧之下所示的，维度数据可以例如包括经由人机接口3输出给人员4的图像（或这种图像的一部分）。这里也又可能评估这种图像或图像的这种部分的序列。
此外，也可以给人工智能9输送其他数据，例如化学分析的数据。化学分析例如可以是对配料（例如输送给转炉的钢具有哪种化学成分
对其他维度数据的评估也是可能的。此外，维度数据不仅可以包括测量数据m，而且可以包括由自动化系统1根据模型计算的数据。这种数据的一个示例是在金属带内部中在厚度上的温度变化过程。
一般而言，维度数据至少包括图像（应是由传感器装置2检测的图像或经由人机接口3输出的图像）、这种图像的一部分、这种图像的时间序列或这种图像的一部分的时间序列或声振荡或声振荡的谱。尤其是，迄今为止通常输送给人类的这种维度数据的评估显着地增大本发明的潜在应用范围。可以根据需求添加其他维度数据。
可设想的是，给人工智能9仅仅输送这种维度数据。然而，通常，附加地也给人工智能9输送其他非维度数据。在这种情况下，当然也由人工智能9一起评估这些数据。然而，下面的阐述总是涉及要么仅仅涉及维度数据而要么附加于非维度数据也涉及维度数据的事实情况。
人工智能9优选地能够实施机器学习。人工智能9因此优选地是（相应地编程的）计算装置6，其中给所述计算装置仅足够地经常必须预先给定相应的事实情况和相应的事实情况的评价b，并且所述计算装置可以从多个预先给定的事实情况连同所属的评价b独立地确定可以如何获得尽可能好的评价的规则。因此，机器学习是从示例数据中学习的方法。这种操作方法在专业圈子中通常也称为“通过输入输出示例而不是通过编码编程”。这种人工智能对于本领域技术人员通常是已知的。一旦这种人工智能9学习了其专家知识，所述人工智能也就可以不断地继续学习。为此，仅需要人工智能9与确定评估结果a并行地也确定评估结果a的相应评价b。由此，人工智能9自身可以根据由其确定的评价b来再训练。然而，原则上人工智能9也可以不同地来构造。
为了实现人工智能9，给出不同的可能性。目前，根据图3和4中的图示优选的是将人工智能9构造为人工神经网。尤其是，根据图3中的图示，人工神经网可以是深度神经网，或者根据图4中的图示甚至可以是卷积神经网。
根据图3和4中的图示，神经网具有多个输入神经元e和多个输出神经元a。隐藏神经元n的至少一个层s位于输入神经元e和输出神经元a之间。神经元e、n、a以本身已知的方式相互链接（verknüpfen）。在图3和4中，在神经元e、n、a中只有几个配备有其附图标记。根据图3中的图示，深度神经网是具有隐藏神经元n的多个层s（层）的神经网。具有隐藏神经元n的层s的数目至少为3。所述数目也可以更大，例如处于5、8或10处。通常，15层s是完全足够的。因此，具有隐藏神经元n的层s的数目优选地处于这两个极限之间、即在3至15之间。然而，在个别情况下，也可以使用具有隐藏神经元n的超过15层s的神经网。卷积神经网根据图4中的图示是深度神经网，所述深度神经网具有输入层（输入）、多个交替的卷积和子采样层（隐藏层）和输出层（输出或分类）。卷积和子采样层表示狭义上的实际智能，该实际智能从经由输入层提供的信息中提取相关事实情况。输出层提供分析的结果。在将卷积神经网与相应的应用适当地适配的情况下，相对于深度神经网可以显著降低神经网的复杂性，而不降低神经网的与相应的应用有关的性能。图4中的具体图示用于根据图像识别：在图像中示出哪个数字。然而，在卷积神经网的相应构型中，图4的原理也可以应用于其他事实情况。
可能的是，人工智能9接受并且评估有单位参量。有单位参量是物理单位所分配给的参量，例如单位米、单位米/秒、牛顿、牛顿/mm2等等。然而，优选地，由人工智能9接受的数据和/或其在维度方面的基准是无单位的或者由人工智能9转换成这种数据。根据图5更详细地阐明该过程。
图5作为一维参量的示例示出空间一维参量、即轧机机架的工作辊在辊伸长度l上的轮廓变化过程。作为辊身长度l，（原则上任意地）假设，该辊身长度精确地为2.00m。在图5的上部中向后绘出在轧辊辊身上的位置，向上绘出凸度、也即与基础半径r的偏差δr。这种类型的表示不是无单位的。因为轧辊辊身本身上的位置而且凸度都具有单位米（m）。然而，以简单的方式可能的是，不仅将轧辊辊身本身上的位置而且将凸度δr换算成无单元参量。尤其是，如在图5中在下图示中示出的，为此必须仅仅使凸度δr与基础半径r相关并且使轧辊辊身上的位置与辊身长度l相关。
类似的操作方法对于几乎任意的其他参量是可能的。
下面，结合图6至10根据具体示例阐明用于实现本发明的多种可能性。然而，示例不应在本发明仅能在这些应用情况下使用的意义上来理解。
根据图6，由人工智能9接受的数据尤其包括：
-在实施多个轧制道次（walzstichen）之前扁平轧制材料的外形（profil），利用所述轧制道次相继轧制扁平轧制材料，
-对于多个轧制道次，相应的道次规程数据和实施相应轧制道次的轧机机架的工作辊的辊隙和轧辊辊身的相应轮廓，
-在实施多个轧制道次之后，扁平轧制材料的轮廓和/或平整度。
可替代地，轧制材料可以是厚板或带材。轧制道次的数目通常处于3和20之间，例如在4和7之间，尤其是在5、6或7处。通常，在多机架精轧机列中实施道次。在这种情况（通常情况）下，每个轧制道次由自身的轧机机架实施。但是，可替代地也可能的是，以可逆的方式实施轧制道次。在这种情况下，该可逆式机架（或在个别情况下一对可逆式机架）实施道次。因此，在这种情况下，由轧机机架实施多个轧制道次。
对于每个道次，给人工智能9位置分辨地在压制材料宽度上预先给定实施相应轧制道次的轧机机架的工作辊的辊隙和/或轧辊辊身的轮廓。位置分辨率（ortsauflösung）为使得在轧制材料宽度上看，在轧制材料宽度上对于至少5个点预先给定两个工作辊的辊隙或相应半径（或直径）。优选地，对于至少10个点进行预先给定。在最简单的情况下，该设定（vorgabe）是静态的。但是，该设定可以定义为时间的函数。在最后提到的情况下，尤其可能的是，经由轧制材料的路径跟踪（wegverfolgung）将相应的轮廓或相应的轧辊辊身分配给完成轧制的轧制材料的特定点。
对于每个道次，给人工智能9此外输送道次规程数据。道次规程数据尤其包括相应的额定辊隙、相应的轧制力、可能相应的反向弯曲力、可能相应的楔调节和相应的工作辊位移。此外，道次规程数据包括轧制材料的静态和动态数据。轧制材料的静态数据至少包括其化学成分，可能还包括其宽度。动态数据（在直至3个维度上位置分辨地和/或时间分辨地）包括在实施相应的轧制道次期间轧制材料的温度以及在相应的轧制道次之前和之后轧制材料的厚度和可能附加地包括在相应的轧制道次之前和之后轧制材料的宽度。
此外，给人工智能9预先给定轧制材料的初始外形（即在实施轧制道次之前）。初始外形至少在宽度上是位置分辨的。附加地，初始外形也可以在轧制材料的长度上是位置分辨的。在轧制材料的宽度上的分辨率为使得在轧制材料宽度上看，对于至少5个点预先给定轧制材料的相应厚度。优选地，对于至少10个点进行预先给定。在轧制材料的长度上看，要么不实现位置分辨率，要么至少对于轧制材料的头端、中心件和下端实现位置分辨率。尤其是在带材的情况下，此外可能的是，在轧制材料的长度上看在许多（通常多于100个）片段上执行位置分辨率。在这种情况下，各个片段可以例如通过单位长度、单位质量或工作时钟来确定。可以尤其是通过图像给人工智能9预先给定轧制材料的初始外形，所述图像经由人机接口3显示给操作员4。
此外，给人工智能9位置分辨地至少在轧制材料的宽度上、优选地也在轧制材料的长度上预先给定完成轧制的轧制材料（即在实施轧制道次之后）的平整度和/或外形。关于在长度和宽度上位置分辨率的精度，关于轧制材料的初始外形的上述陈述类似地有效。完成轧制的轧制材料的平整度和外形也可以通过相应的图像（类似于轧制材料的初始轮廓地）被预先给定给人工智能9，所述图像经由人机接口3被显示给操作员4。
由人工智能9确定的评估结果a在这种情况下例如可以包括用于对实施相应轧制道次的轧机机架的工作辊和/或中间辊进行移位用于另一扁平轧制材料的随后轧制过程的策略s1。于是，所确定的位移可被应用于下一轧制过程（可能被应用于下一类似轧制过程）。在最简单的情况下，对于每个轧制道次单独地确定位移。然而同样可能的是，跨轧制道次地确定位移。此外，在个别情况下可能足够的是，仅对于轧机机架或轧制道次的一部分确定轧辊位移。
通过该操作方法，尤其可以优化所轧制的金属带的轮廓变化过程和平整度变化过程。在某些情况下，附加地可以最大化轧辊更换间隔。尤其是在钢或铝的热轧情况下可以应用图6的操作方法。
根据图7，用于多个轧机机架的由人工智能9接受的数据包括相应的道次规程数据，其中借助于所述多个轧机机架相继地轧制扁平轧制材料。
轧制材料通常是带材。带材的轧制通常在串列式轧机机列中进行，其中带材被冷轧。轧制道次的数目一般处于3至8之间、例如在4和7之间、尤其是在5或6处。道次规程数据尤其是对于每个轧制道次包括相应的额定辊隙、相应的轧制力、可能相应的反向弯曲力、可能楔调节和可能工作辊位移。所述道次规程数据此外对于每个轧制道次包括轧制材料的静态和动态数据。轧制材料的静态数据可以包括例如其化学成分，并且可能也可以包括其宽度。动态数据尤其是包括在相应的轧制道次之前和之后轧制材料的厚度，并且可能附加地包括在相应的轧制道次之前和之后轧制材料的宽度。
对于每个道次，在轧制材料宽度上位置分辨地给人工智能9预先给定实施相应轧制道次的轧机机架的工作辊的辊隙和/或轧辊辊身的轮廓。位置分辨率为使得在轧制材料宽度上看，在轧制材料宽度上对于至少5个点预先给定两个工作辊的辊隙和/或相应半径（或直径）。优选地，对于至少10个点进行预先给定。此外，给人工智能9输送扁平轧制材料在经历轧机机架之后的外形和/或平整度。可以给人工智能9尤其是根据相应的图像预先给定辊隙的轮廓、扁平轧制材料的外形和平整度，所述图像经由人机接口3被显示给操作员4。
根据这些参量，人工智能9在进行中的运行中、也即在对轧制材料进行轧制期间确定用于轧机机架至少之一的分段式工作辊冷却的操控、轧机机架至少之一的工作辊的要调整的位移和/或轧机机架至少之一的工作辊的要调整的反向弯曲。人工智能9从而实现用于对轧机机架至少之一的轧辊进行分段式冷却的策略s2和/或用于工作辊位移的策略s3和/或用于工作辊反向弯曲的策略s4。策略s2、s3和/或s4因此是智能调节器。
通过该操作方法，尤其是可以优化经冷轧的金属带的轮廓变化过程和平整度变化过程。但是，该操作方法也可应用于带材的热轧，尤其是铝带的热轧。
根据图8，由人工智能9接受的数据尤其是也包括至少一个图像。该图像显示在多机架轧机机列的两个相继轧机机架15之间的区域。图像（可见光谱或优选红外线）不必必须包含轧机机架15。仅必须能够从图像中确定金属带14的横向方位。此外，给人工智能9输送两个轧机机架15中的逆流而上放置的轧机机架的差动调节参量。差动调节参量可以是例如差动轧制力或差动轧隙。
可能的是，该图像显示金属带14的带头，也即虽然金属带14已经从两个轧机机架15中的逆流而上放置的轧机机架中出来，而但是还尚未到达两个轧机机架15中的顺流而下放置的轧机机架。在这种情况下，由人工智能9确定的评估结果a可以包括用于在金属带14穿入时控制带行进的策略s5。尤其是，策略s5可以被确定为使得金属带14在中心地并且尽可能无速度横向分量地进入顺流而下放置的轧机机架15中。通过该操作方法尤其可以更好地避免走高物（hochgeher）。
同样可能的是，在金属带14夹在两个轧机机架15之间期间，图像显示金属带14。在这种情况下，由人工智能9确定的评估结果a可以包括用于在对金属带14的“正常”轧制时控制带行进（meandering（迂回运动））的策略s6。在这种策略的范围中，只要可能，此外给人工智能9输送差动抽力，所述差动抽力充满（herrscht）在两个轧机机架15之间的金属带14中。所述差动抽力可以例如借助于布置在两个轧机机架15之间的缠绕升降机（schlingenheber）来检测。通过该操作方法尤其是可以实现尽可能在中心的带行进。
如果金属带14夹在两个轧机机架之间，则也可以并行地对于多个这种轧机机架同时实施相应的操作方法。在这种情况下，对于其中实施该相应操作方法的每个轧机机架给人工智能9输送相应的数据（图像、差动调节参量和可能差动抽力）。在这种情况下，人工智能9尤其可以跨轧机机架地进行差动调节参量的确定。
在两种情况下（不仅对于确定策略s5而且对于确定策略s6），可以给人工智能9输送其他道次规程数据。在两种情况下，人工智能9确定逆流而上放置的轧机机架15的差动轧制力或差动调节（一般为差动调节参量）。确定的目的是实现带定心和平整度的最佳值。
根据图9，由人工智能9接受的数据尤其包括描述原材料工业的设备anl的构件的磨损的维度数据。在这种情况下，由人工智能9确定的评估结果a可以包括原材料工业的设备anl的构件的剩余运行时间的预测v1。
例如，该构件可以是轧机机架的工作辊。在这种情况下，由人工智能9接受的数据包括作为工作辊的轧辊行程的函数的轧辊辊身轮廓以及轧机机架的道次规程数据。术语“轧辊行程”对于本领域技术人员而言具有固定含义。该轧辊行程是自将轧辊装入到轧机机架中起在该轧制材料（或其他轧制材料）上总共经过的路程。如已经在上面结合图6和7阐明的，轧辊辊身轮廓在轧辊辊身的长度上是位置分辨的。轧辊辊身轮廓优选地分派到基本轮廓，补充有通过反向弯曲引起的轮廓变化以及通过温度效应和磨损引起的轮廓变化。道次规程数据同样已经得以阐明。可以由人工智能9根据输送给其的数据预测：何时必须更换相应的工作辊（或相应的轧辊组）。这种预测例如可以被用于适配和优化生产规划，尤其是在连续轧制情况下和在半连续轧制情况下。
可能的是，单独地对于每个轧机机架15执行图9的操作方法。可替代地可能的是，跨机架地执行所述操作方法。
根据图10，由人工智能9接受的数据包括以下所提及的维度数据中的至少一个：
-作为时间函数的输送给转炉容器的材料的至少一个质量流和/或至少一个体积流。该材料可以例如是气体（氧气、空气、氮气、氩气......）或是固体材料、诸如石灰、矿石或其他材料。对于固体材料，代替连续的时间变化过程分别仅说明各个时间点和分别输送的固体材料量就可能足够了。
-作为时间函数的位于转炉容器中的喷枪的方位。该方位可以包括喷枪的位置本身和/或取向。
-作为时间函数的转炉的冷却水温度。
-作为时间函数的从转炉容器逸出的废气的量和/或成分。尤其是，关于废气的量和成分可以推断出在转炉容器中进行的过程的进展。
-至少一个来自转炉容器的区域的声振荡和/或其谱。声振荡可以例如借助于常见的麦克风（声音、噪声）或作为固体声（声体振荡）来检测。
-至少一个在转炉烟罩的区域中包含的图像（可见光谱或优选红外线），经常甚至这种图像的时间序列。转炉烟罩的图像可以例如一起包含转炉的火焰图像。从火焰图像中（类似于从废气的量和成分中）可以推断出在转炉容器中进行的过程的进展。
-来自位于转炉容器中的金属的物理化学模型的纬度模型数据和/或与此相对应地事先确定的比较数据。尤其是，这些数据可以是空间上位置分辨的数据。位置分辨率尤其可以是二维或三维的。
-转炉炉衬状态的位置分辨表示。
通常，给人工智能9输送上述数据中的多个。然而，不必将所有数据输送给人工智能9。此外，也经常给人工智能9输送其他非维度数据，诸如所谓的报废率（schrottsatz）、废料类型、废料量和废料的化学分析、包括关于生铁的温度在内的可比说明、关于通过操作人员4的预期的和/或已经进行的喷溅行为的主观估计的数据或其他边界条件、诸如空气湿度、环境温度等等。具体地将哪些数据输送给人工智能9可能逐个别情况地不同。
在这种情况下，由人工智能9确定的评估结果a可以包括关于来自转炉容器的要预期的喷溅的概率、时间点和/或规模的预测v2至v4。可替代地或附加地可能的是，借助于人工智能9确定位于所述转炉容器中的金属的氧和/或碳的要预期的最终含量、位于转炉容器中的金属的在出炉时间点预告的温度、在转炉容器中进行的除磷过程的结果和/或在转炉容器内的吹炼过程期间的冶金参量。
为了确定预测v2至v4，人工智能9例如可以如下评估输送给其的数据，即所述人工智能建议或可能甚至直接实施控制和调节指令，用以例如避免转炉喷溅。控制和调节指令可以例如包括喷枪位置、氧气的体积流或质量流、固体附加料添加的时间点和量等等的适配。因此，仅在转炉的过程进程（prozessverlauf）的低温范围（直至最大约1600℃）中例如添加固体附加料、诸如石灰或白云石等，所述固体附加料用于除磷。在这种情况下，对于人工智能9可以得出以下任务：根据（尤其）维度数据、也即尤其根据来自转炉容器的区域中的声振荡和/或其谱和/或根据显示转炉烟罩的图像或图像的相应序列，确定用于添加附加料的正确量的正确时间点并且预先给定给操作人员4。该确定可以例如根据废气中的碳的所测量的或以模型辅助的方式确定的质量流的时间变化过程、（计算的或测量的）作为时间函数的温度变化过程和/或至少一个振荡谱的时间变化过程来进行。以类似的方式，人工智能9也可以确定其他参量、诸如针对喷枪位置或氧气输送的设定。以均衡的方式（abgleichend）为了提高由人工智能9确定的陈述的概率可以使用类似边界条件的用于熔体的已知时间表。
此外，人工智能9可以被用于可再生地拟定金属熔体在出炉时间点的温度和化学成分的目标参量，避免后吹率等等。尤其是，根据维度数据和其他非维度数据，可以更好地实现用于温度和在出炉时间点的碳含量的目标窗口。为此目的，例如氧气的质量流的时间变化过程、喷枪的方位的时间变化过程可以结合氧含量的测量和温度测量被利用。可以避免（由于未达到的化学成分）对熔体的再分类或（在实际化学成分与所期望的化学成分有较小偏差的情况下）返回生铁混合器或转炉中。
其他应用也容易地是可能的。这种应用的示例是原材料工业、尤其是炼钢和金属制造工业的最大不同的设备、诸如烧结设备、直接还原设备或高炉。可以考虑二次冶金的设备、诸如真空设备（rh或vd）、坩埚炉、aod转炉、vod设备、合金和均化站、连续铸锭设备或轧机（热轧机、必要时包括加热炉在内，冷轧机、过程流水线（prozesslinien））。例如，在电弧炉的情况下，可以给人工智能9输送以下维度数据中的一个或多个：
-作为时间函数的输送给电弧炉的材料的至少一个质量流和/或至少一个体积流，
-作为时间函数的电弧电极的方位，
-作为时间函数的性能分布图或变压器切换级，
-作为时间函数的由电弧炉运行引起的闪变信号和/或其谱，
-作为时间函数的变压器温度，
-作为时间函数的供电网络的状态，
-作为时间函数的电弧炉的冷却水温度，
-作为时间函数的从电弧炉逸出的废气的量和/或成分，
-来自电弧炉的区域的至少一个声振荡（在此情况下可替代地也可以是空气声或固体声）和/或其谱，
-至少一个包含电弧炉上侧的区域的图像（可见光谱或者优选地红外线，例如用于评估火焰图像，尤其是作为时间函数），
-来自位于转炉容器中的金属的物理化学模型的维度模型数据和/或与此相对应的事先确定的比较数据，和/或
-电弧炉的炉衬状态（futterzustand）的位置分辨表示。
通常，给人工智能9输送上述数据中的多个。然而，不必将所有数据输送给人工智能9。此外，也经常给人工智能9输送其他非维度数据、诸如所谓的报废率、废料类型、废料量和废料的化学分析、包括关于生铁的温度在内的可比说明、关于通过操作人员4的位于电弧炉中的炉渣的预期的和/或已经进行的发泡行为的主观估计的数据或其他边界条件、诸如空气湿度、环境温度等等。具体地将哪些数据输送给人工智能9可能逐个别情况地不同。
在电弧炉情况下，例如可能的是，人工智能9建议或可能甚至直接地实施控制和调节指令，以便例如实现最小电极燃耗、最小能量消耗、尽可能小的用电设备对电网的反作用、避免危险状态（例如水进入电弧炉）等等。控制和调节指令可以例如包括电极方位、炉变压器的切换级、运行电压或运行电流等等的适配。还可以输送燃料气体（例如天然气）和/或氧气。该确定可以例如根据（计算的或测量的）作为时间函数的温度变化过程和/或至少一个闪变谱或thd谱（thd=总谐波失真（totalharmonicdistortion））或其他（也为声学）振荡谱的时间变化过程来进行。以均衡的方式为了提高由人工智能9确定的陈述的概率可以使用类似边界条件的用于熔体的已知时间表。
也可能的是，跨设备地给人工智能9输送维度数据（以及补充地经常还有非维度数据），例如不仅高炉或电弧炉的数据而且坩埚炉的数据以及连续铸锭设备的数据以及轧机的数据。由此，通过人工智能9甚至可以跨设备地优化运行。也可能的是，附加于原材料工业的相应设备的维度数据（以及必要时还有非维度数据），给人工智能9输送原材料工业的其他设备的可比数据，并且附加地也使所述可比数据通过人工智能9评估。
人工智能9实际上经常合并到综合数据处理方案中。这在下面结合图11更详细地阐明。
总智能16可以包括单个人工智能9或者如图11中所示的那样包括多个人工智能9。因此可以如上所阐明地构造各个人工智能9。原则上，人工智能9的不同构型的任意组合都是可能的。因此，在图11中所示地将人工智能9构造为神经网仅是示例性的。根据图11的图示，人工智能9可以彼此并行排列。附加地，在总智能16内可以存在16个其他组件17，例如模型或基于规则的系统。可能的是，在输送给总智能16之前在预处理装置18中对数据（虽然这不仅适用、也许而且适用于维度数据）进行预处理。预处理例如可以是滤波或静态或动态求平均值。也可以进行输入数据的纠错、标准化和/或结构化。此外，在总智能16下游可以布置评估装置19。在这种情况下，根据借助于总智能16确定的结果进行继续的评估。因此，评估本身不必满足对人工智能提出的要求。此外，附加于或替代于评估装置19，优化装置20可以布置在总智能16下游。借助于优化装置20，例如可以将总智能16的多个类似结果彼此进行比较，并且在优化的意义上继续进行评估。通过数据流控制装置21进行对图11的总装置的控制。
总之，本发明因此涉及以下事实情况：
自动化系统1确定控制数据s'，将所述控制数据输出给设备anl的受控元件5，并且由此控制设备anl。传感器装置2检测设备anl的测量数据m，所述传感器装置将所述测量数据至少部分地输送给自动化系统1和人机接口3。人机接口3此外接受生产规划系统（11）的规划数据（p）和/或从自动化系统1接受控制数据s'和/或内部数据i。所述人机接口将数据m、s'、i输出给人员4。此外，所述人机接口从人员4接受控制指令s并且所述人机接口将所述控制指令转发给自动化系统1。自动化系统1在确定控制数据s'的范围中处理测量数据m和控制指令s。人工智能9至少部分地接受测量数据m、控制数据s'和/或内部数据i以及输出给人员4的数据。所述人工智能此外接受控制指令s。人工智能9在使用由其接受的数据m、s'、i和指令s的情况下确定评估结果a并且将所述评估结果提供给人员4/或生产规划系统11，和/或直接或经由人机接口3将评估结果a以控制指令s''的形式预先给定给自动化系统1。由人工智能9接受的数据m、s'、i至少部分是维度数据。维度数据至少包括由传感器装置2检测的图像或者经由人机接口3输出的图像、这种图像的一部分、这种图像的时间序列或这种图像的一部分的时间序列或声振荡或声振荡的谱。
本发明具有许多优点。因此尤其是提高设备运行的稳健性。生产率和产品质量在高的水平上被保证。减少人员4的在现有技术中所需的手动控制干预。在理想情况下，所述手动控制干预甚至可以完全取消。通过根据本发明的操作方法附加地也减少对人员4的精神负担。因此，存在通过人员4误操作的较小风险。本发明不仅可在新设备anl情况下实现，而且还可以在现有的设备anl情况下被加装。不再能够发生由于操作人员的世代更换而丢失关于原材料工业的设备anl的操作和运行的知识。这也适用于在现有技术中在少数有经验的操作人员4处积累、但是另外没有记载的知识。例如，经常更快地可以调试新设备anl。此外，也可以使用对设备anl知之甚少的员工。此外，员工也可以更快地被训练。在其内对改变了的运行条件作出反应的时间经常被缩短。最后，人员耗费总体上显着降低。
尽管已经在细节上通过优选实施例更详细地图解和描述了本发明，但是本发明不从而受所公开的示例限制，并且可以由本领域技术人员在不脱离本发明的保护范围的情况下从中导出其他变型。
附图标记列表
1自动化系统
2传感器装置
3人机接口
4人员
5设备的受控元件
6计算装置
7计算机程序
8机器代码
9人工智能
10独立输出装置
11生产规划系统
12相同值的曲线
13梯度
14金属带
15轧机机架
16总智能
17其他组件
18预处理装置
19评估装置
20优化装置
21数据流控制装置
a评估结果
anl设备
a输出神经元
b评价
c确认指令
d数据
e输入神经元
i内部数据
l辊身长度
m测量数据
n隐藏神经元
p规划数据
r基础半径
s，s''控制指令
s'控制数据
s层
s1至s6策略
vi至v4预测
δr凸度。
- 还没有人留言评论。精彩留言会获得点赞！