(EN) A neural network for adjusting a setpoint in process control replaces a human operator. The neural network operates in three modes: training, operation, and retraining. In operation, the neural network is trained using training input data along with input data. The input data is from the sensor(s) monitoring the process. The input data is used by the neural network to develop output data. The training input data are the setpoint adjustments made by a human operator. The output data is compared with the training input data to produce error data, which is used to adjust the weights of the neural network so as to train it. After training has been completed, the neural network enters the operation mode. In this mode, the present invention uses the input data to predict output data used to adjust the setpoint supplied to the regulatory controller. Thus, the operator is effectively replaced. The present invention in the retraining mode utilizes new training input data to retrain the neural network by adjusting the weight(s).
(FR) Dans cette invention, un réseau neuronal permettant d'ajuster un point de consigne dans un système de gestion de processus industriels remplace un opérateur humain. Le réseau neuronal fonctionne suivant trois modes qui sont: formation, fonctionnement, et nouvelle formation. En fonctionnement, le réseau neuronal est formé en utilisant des données d'entrée de formation en même temps que des données d'entrée. Les données d'entrée proviennent du ou des capteurs surveillant le traitement. Les données d'entrée sont utilisées par le réseau neuronal pour produire des données de sortie. Les données d'entrée de formation sont les réglages du point de consigne effectués par un opérateur humain. Les données de sortie sont comparées aux données d'entrée de formation pour générer des données d'erreurs, qui sont utilisées pour ajuster les facteurs de pondération du réseau neuronal afin de le former. Lorsque le réseau neuronal a achevé sa formation, il passe en mode de fonctionnement. Dans ce mode, cette invention utilise les données d'entrée pour prédire les données de sortie utilisées pour ajuster le point de consigne fourni à l'unité de commande de régulation. De cette manière, l'opérateur est efficacement remplacé. Dans le mode de nouvelle formation, cette invention utilise de nouvelles données d'entrée de formation pour former une nouvelle fois le réseau neuronal en ajustant le ou les facteurs de pondération.