JP2010264499A - Method of optimizing parameter of control model - Google Patents
Method of optimizing parameter of control model Download PDFInfo
- Publication number
- JP2010264499A JP2010264499A JP2009119648A JP2009119648A JP2010264499A JP 2010264499 A JP2010264499 A JP 2010264499A JP 2009119648 A JP2009119648 A JP 2009119648A JP 2009119648 A JP2009119648 A JP 2009119648A JP 2010264499 A JP2010264499 A JP 2010264499A
- Authority
- JP
- Japan
- Prior art keywords
- model
- data
- linear regression
- parameter
- model parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Control Of Metal Rolling (AREA)
- Feedback Control In General (AREA)
Abstract
Description
本発明は制御モデルのパラメータ最適化方法に関するものである。 The present invention relates to a parameter optimization method for a control model.
製鐵所の各製鐵プロセスでは、製鐵プロセス制御用モデルを用いた操業が多く採用されている。該製鐵プロセス制御用モデルは、まず、所定の理論式に基づいてモデル式を作成し、そのモデル式のパラメータ（以下、モデルパラメータという）の値を、過去の実績操業データに基づいて決定して構築されることが一般的である。具体的には、重回帰計算法等を用いて、所定の理論式に基づくモデル式による予測値と、過去の実績操業データの値とが近似するように、モデルパラメータを決定している。 In each steelmaking process at the steelworks, many operations using a model for controlling the steelmaking process are employed. The steelmaking process control model first creates a model formula based on a predetermined theoretical formula, and determines values of parameters of the model formula (hereinafter referred to as model parameters) based on past actual operation data. It is common to be constructed. Specifically, model parameters are determined using a multiple regression calculation method or the like so that a predicted value based on a model formula based on a predetermined theoretical formula approximates a value of past actual operation data.
重回帰計算等を用いてモデルパラメータを決定して、精度の高いモデルを得る技術に関し、例えば、特許文献１には、複数パラメータの一次線形結合式で表わされるモデル式を作成した上で、該モデル式に補正項を導入して、モデルにオフセット誤差（平均的なずれ）が生じた場合に、該オフセット誤差を補償して、より正確なモデル予測を行う技術が開示されている。 With regard to a technique for obtaining a model with high accuracy by determining model parameters using multiple regression calculation or the like, for example, in Patent Document 1, after creating a model expression represented by a linear linear combination expression of a plurality of parameters, A technique is disclosed in which when a correction term is introduced into a model formula and an offset error (average deviation) occurs in the model, the offset error is compensated and more accurate model prediction is performed.
しかし、特許文献１記載の技術では、既設の製造プロセスを表現した数式モデルの個々のパラメータ補正を行うことはできず、誤差の標準偏差が大きい場合には適用できない問題があった。また、過去の実績操業データを基に重回帰計算を行う際、データに線形従属関係または近似的な線形従属関係が存在する場合があり、その場合はかえって精度が悪化してしまう問題があった。 However, the technique described in Patent Document 1 cannot perform individual parameter correction of a mathematical model representing an existing manufacturing process, and has a problem that cannot be applied when the standard deviation of the error is large. In addition, when performing multiple regression calculations based on past operation data, there may be linear dependencies or approximate linear dependencies in the data, in which case there is a problem that accuracy deteriorates. .
本発明の目的は、前記問題を解決し、個々のパラメータを各々最適に補正可能なパラメータ最適化方法であって、誤差の標準偏差が大きい場合にも適用可能な技術を提供することである。 An object of the present invention is to provide a parameter optimization method that can solve the above-described problems and optimally correct individual parameters, and can be applied even when the standard deviation of errors is large.
上記課題を解決するためになされた本発明の制御モデルのパラメータ最適化方法は、複数のモデルパラメータで規定された制御モデルに基づく製造プロセスから操業実績データを収集する工程と、該操業実績データをモデルパラメータ最適化演算装置に導き最適化モデルパラメータを演算する工程と、その演算結果に基づき制御モデルを更新する工程とからなる制御モデルのパラメータ最適化方法であって、前記モデルパラメータ最適化演算装置は、モデル誤差データ演算部と、モデルパラメータ感度係数演算部と、データ分割処理部と、線形回帰式構築部と、線形回帰式精度評価部とを備え、モデル誤差データ演算部で、前記操業実績収集データと制御モデルによる予測値との誤差を演算するモデル誤差データ演算を行い、モデルパラメータ感度係数演算部で、モデルパラメータの感度係数の演算を行い、データ分割処理部で、操業実績データを制御モデル構築用データと評価用データとに振り分け、線形回帰式構築部で、モデル誤差データとモデルパラメータ感度係数データと制御モデル構築用データとから複数の線形回帰式を構築し、線形回帰式精度評価部で、複数の線形回帰式と評価用データとから、最も適切な回帰係数を新たなモデルパラメータの修正量として選択することを特徴とするものである。 The method for optimizing the parameters of the control model of the present invention made to solve the above-described problems includes a step of collecting operation result data from a manufacturing process based on a control model defined by a plurality of model parameters, and the operation result data A method for optimizing a parameter of a control model, comprising: a step of calculating an optimization model parameter guided to a model parameter optimization calculation device; and a step of updating a control model based on the calculation result, wherein the model parameter optimization calculation device Comprises a model error data calculation unit, a model parameter sensitivity coefficient calculation unit, a data division processing unit, a linear regression formula construction unit, and a linear regression formula accuracy evaluation unit. Model error data is calculated to calculate the error between the collected data and the predicted value by the control model. The sensitivity coefficient calculation unit calculates the sensitivity coefficient of the model parameter, the data division processing unit distributes the operation result data to the control model construction data and the evaluation data, and the linear regression equation construction unit Build multiple linear regression equations from model parameter sensitivity coefficient data and control model construction data, and use the linear regression equation accuracy evaluation unit to determine the most appropriate regression coefficient from the multiple linear regression equations and evaluation data. The correction amount is selected as a model parameter correction amount.
請求項２記載の発明は、請求項１記載の制御モデルのパラメータ最適化方法において、モデル構築用データを用いて線形回帰式を構築する工程では、部分的最小二乗法を用いてPLS回帰モデルを作成することを特徴とするものである。 According to a second aspect of the present invention, in the parameter optimization method for the control model according to the first aspect, in the step of constructing the linear regression equation using the model construction data, the PLS regression model is obtained using the partial least square method. It is characterized by creating.
請求項３記載の発明は、請求項１または２記載の制御モデルのパラメータ最適化方法において、制御モデルが、非線形または線形の既設モデルであることを特徴とするものである。 According to a third aspect of the present invention, in the control model parameter optimization method according to the first or second aspect, the control model is a non-linear or linear existing model.
本発明に係る制御モデルのパラメータ最適化方法は、複数のモデルパラメータで規定された制御モデルに基づく製造プロセスから操業実績データを収集し、該操業実績データをモデルパラメータ最適化演算装置に導き最適化モデルパラメータを演算するものであり、該モデルパラメータ最適化演算装置を、モデル誤差データ演算部と、モデルパラメータ感度係数演算部と、データ分割処理部と、線形回帰式構築部と、線形回帰式精度評価部とから構成し、モデル誤差データ演算部で、前記操業実績収集データと制御モデルによる予測値との誤差を演算するモデル誤差データ演算を行い、モデルパラメータ感度係数演算部で、モデルパラメータの感度係数の演算を行い、データ分割処理部で、操業実績データを制御モデル構築用データと評価用データとに振り分け、線形回帰式構築部で、モデル誤差データとモデルパラメータ感度係数データと制御モデル構築用データとから複数の線形回帰式を構築し、線形回帰式精度評価部で、複数の線形回帰式と評価用データとから、最も適切な回帰係数を新たなモデルパラメータの修正量として選択するものである。本発明では当該構成により、モデル誤差演算値を、モデルパラメータの感度係数演算値とモデルパラメータの微小変化とで表現する線形回帰式を構築して、各モデルパラメータの微小変化量を定量的に算出可能とした。このように、各モデルパラメータの微小変化量を定量的に算出できる本発明によれば、個々のパラメータが各々最適に補正可能であって、誤差の標準偏差が大きい場合にも適用することができる。 The control model parameter optimization method according to the present invention collects operation result data from a manufacturing process based on a control model defined by a plurality of model parameters, and optimizes the operation result data by guiding it to a model parameter optimization arithmetic unit. A model parameter is calculated, and the model parameter optimization calculation device includes a model error data calculation unit, a model parameter sensitivity coefficient calculation unit, a data division processing unit, a linear regression formula construction unit, and a linear regression formula accuracy. The model error data calculation unit performs model error data calculation to calculate an error between the operation result collection data and the predicted value by the control model, and the model parameter sensitivity coefficient calculation unit performs model parameter sensitivity coefficient calculation. Coefficients are calculated, and the operation result data is used for control model construction data and evaluation in the data division processing section. The linear regression equation construction unit constructs multiple linear regression equations from the model error data, model parameter sensitivity coefficient data, and control model construction data, and the linear regression equation accuracy evaluation unit constructs multiple linear regression equations. The most appropriate regression coefficient is selected as a new model parameter correction amount from the regression equation and the evaluation data. In the present invention, with this configuration, a linear regression equation that expresses the model error calculation value by the sensitivity coefficient calculation value of the model parameter and the minute change of the model parameter is constructed, and the minute change amount of each model parameter is quantitatively calculated. It was possible. Thus, according to the present invention that can quantitatively calculate the minute change amount of each model parameter, each parameter can be optimally corrected and can be applied even when the standard deviation of the error is large. .
請求項２記載の発明によれば、線形回帰式を構築する工程で、部分的最小二乗法を用いてPLS回帰モデルを作成することにより、多重共線性の問題を回避し、安定した解を得ることができる。 According to the second aspect of the present invention, the PLS regression model is created using the partial least square method in the step of constructing the linear regression equation, thereby avoiding the problem of multicollinearity and obtaining a stable solution. be able to.
以下に本発明の好ましい実施形態を示す。
図１には、本発明に係る制御モデルのパラメータ最適化方法に用いる制御モデルのパラメータ最適化システムの構成説明図を示している。
Preferred embodiments of the present invention are shown below.
FIG. 1 shows a configuration explanatory diagram of a control model parameter optimization system used in a control model parameter optimization method according to the present invention.
当該制御モデルのパラメータ最適化システムは、該制御モデルが制御対象とする製造プロセス１と、該製造プロセス１に対する制御指令を行うプロセスコンピュータ２と、製造プロセス１から収集される大量の操業実績データを記憶可能な解析用ワークステーション３と、解析用ワークステーション３に記憶された操業実績データを演算処理して制御モデルのパラメータ最適値を計算するユーザ端末４から構成される。 The parameter optimization system of the control model includes a manufacturing process 1 to be controlled by the control model, a process computer 2 that issues a control command for the manufacturing process 1, and a large amount of operation result data collected from the manufacturing process 1. An analysis workstation 3 that can be stored, and a user terminal 4 that calculates the operation parameter data stored in the analysis workstation 3 to calculate the optimum parameter values of the control model.
なお、製造プロセス１は、図２に示すように、レベル１〜レベル３の３層構造体系で制御されている。レベル３では、ビジネスコンピュータを用いた生産管理、操業管理、品質管理、工程管理が行われる。レベル２では、プロセス制御・自動化を司るプロセスコンピュータ２と、数ヶ月分の操業情報を保存する解析用ワークステーション３と、データをダウンロードして解析を行うためのユーザ端末４から構成されるシステムによって、プロセス制御が行われる。レベル１では、電気・計装制御を担うＰＬＣ５（Programmable Logic Controller)および ＤＣＳ６（Distributed Control System)電気計装フィールド機器（アクチュエータ、センサ等）から構成されるシステムによって、電気・計装制御が行われる。 The manufacturing process 1 is controlled by a three-layer structure system of level 1 to level 3 as shown in FIG. In level 3, production management, operation management, quality management, and process management using a business computer are performed. Level 2 includes a process computer 2 that manages process control and automation, an analysis workstation 3 that stores operation information for several months, and a user terminal 4 that downloads and analyzes data. Process control is performed. In Level 1, electricity / instrumentation control is performed by a system composed of PLC5 (Programmable Logic Controller) and DCS6 (Distributed Control System) electricity instrumentation field devices (actuators, sensors, etc.) responsible for electricity / instrumentation control. .
（製造プロセス１）
本発明で、制御モデルが制御対象とする製造プロセス１とは、プロセスコンピュータ２からの制御指令に基づきダイナミック制御を行う電気計装設備および制御対象のことをいう。
(Manufacturing process 1)
In the present invention, the manufacturing process 1 to be controlled by the control model refers to an electrical instrumentation facility that performs dynamic control based on a control command from the process computer 2 and a control target.
（プロセスコンピュータ２）
プロセスコンピュータ２は、実績収集手段２１と、製造プロセス制御手段２２と、モデルパラメータ更新手段２３とから構成される。
(Process computer 2)
The process computer 2 includes a result collection unit 21, a manufacturing process control unit 22, and a model parameter update unit 23.
実績収集手段２１は、製造プロセス１から収集した操業実績データを記憶部に記憶し、情報処理部で該データの加工処理・編集等を行う。 The result collection means 21 stores operation result data collected from the manufacturing process 1 in a storage unit, and the information processing unit performs processing / editing of the data.
製造プロセス制御手段２２は、記憶部と情報処理部とを有し、記憶部に製造プロセスの一部または全体を表現する数式モデル（数１）を記憶し、情報処理部で該数式モデルに基づき品質を予測し望ましい制御指令を算出してセットアップ制御あるいはダイナミック制御を行う。具体的には、図２に示す制御系ネットワークを介して下位コントローラ（ＰＬＣ５、ＤＣＳ６）と通信し、制御指令を送信することによって、製造プロセスの制御を行う。 The manufacturing process control means 22 has a storage unit and an information processing unit, stores a mathematical model (Equation 1) expressing a part or the whole of the manufacturing process in the storage unit, and based on the mathematical model in the information processing unit. Set-up control or dynamic control is performed by predicting quality and calculating a desired control command. Specifically, the manufacturing process is controlled by communicating with the lower level controllers (PLC5, DCS6) via the control system network shown in FIG. 2 and transmitting a control command.
モデルパラメータ更新手段２３は、ユーザ端末４での演算処理により得られたパラメータ最適値を、製造プロセス制御手段２２の記憶部に記憶された数式モデルに新たに適用して、該モデルパラメータを更新する制御を行う。 The model parameter updating unit 23 newly applies the parameter optimum value obtained by the arithmetic processing in the user terminal 4 to the mathematical model stored in the storage unit of the manufacturing process control unit 22 to update the model parameter. Take control.
（解析用ワークステーション３）
解析用ワークステーション３は、データ記憶手段３１を備えている。該データ記憶手段３１は、プロセスコンピュータよりも大容量の記憶部を有し、数ヶ月分の実績データを収集することができる。
(Analysis workstation 3)
The analysis workstation 3 includes data storage means 31. The data storage means 31 has a storage unit with a larger capacity than the process computer, and can collect performance data for several months.
（ユーザ端末４）
本発明でモデルパラメータ最適化装置として用いられるユーザ端末４は、モデルパラメータ感度係数演算部４１と、モデル誤差データ演算部４２と、データ分割処理部４３と、線形回帰式構築部４４と、線形回帰式精度評価部４５とから構成される。
(User terminal 4)
The user terminal 4 used as a model parameter optimization apparatus in the present invention includes a model parameter sensitivity coefficient calculation unit 41, a model error data calculation unit 42, a data division processing unit 43, a linear regression equation construction unit 44, a linear regression An expression accuracy evaluation unit 45 is included.
モデルパラメータ感度係数演算部４１は、線形回帰式の入力変数となるモデルパラメータの感度係数を演算する（数２）。なお、下記（数２）で、gは感度係数、xは入力変数、βはモデルパラメータを意味している。 The model parameter sensitivity coefficient calculation unit 41 calculates the sensitivity coefficient of the model parameter that is an input variable of the linear regression equation (Equation 2). In the following (Equation 2), g represents a sensitivity coefficient, x represents an input variable, and β represents a model parameter.
モデル誤差データ演算部４２は、線形回帰式の出力変数となる、品質予測誤差を演算する（数３）。 The model error data calculation unit 42 calculates a quality prediction error that becomes an output variable of the linear regression equation (Equation 3).
データ分割処理部４３は、データ（線形回帰式の入力変数及び出力変数）を、線形回帰式構築用のデータと線形回帰式の精度評価用のデータに分割する。 The data division processing unit 43 divides the data (input variables and output variables of the linear regression equation) into data for constructing the linear regression equation and data for evaluating the accuracy of the linear regression equation.
線形回帰式構築部４４は、ＰＬＳ（部分的最小二乗法）を用いて、様々な潜在変数の数に対する線形回帰式（数４）を構築する。なお、下記（数４）で、Δyは品質予測誤差、bは回帰係数、zは（数２）で求めた感度係数（g）の線形結合（zi=wi 1g1+ wi 2g2+ wi 3g3）を意味している。下記（数４）に示すように、該線形回帰式は、感度係数による線形結合で記述される。なお、下記（数４）で、ｂは潜在変数ｚに対するものである。よって、βの補正量を算出するためには、元の変数ｘに対する係数を計算する必要がある。 The linear regression formula construction unit 44 constructs a linear regression formula (Formula 4) for various numbers of latent variables using PLS (Partial Least Squares Method). In the following (Equation 4), Δy is a quality prediction error, b is a regression coefficient, z is a linear combination of sensitivity coefficients (g) obtained in (Equation 2) (z i = w i 1 g 1 + w i 2 g 2 + w i 3 g 3 ). As shown below (Equation 4), the linear regression equation is described by a linear combination of sensitivity coefficients. In the following (Equation 4), b is for the latent variable z. Therefore, in order to calculate the correction amount of β, it is necessary to calculate a coefficient for the original variable x.
線形回帰式精度評価部４５は、精度評価により最も適切な線形回帰式を選定し、その線形回帰式の係数から、モデルパラメータの適切な補正量を算出する。 The linear regression equation accuracy evaluation unit 45 selects the most appropriate linear regression equation based on the accuracy evaluation, and calculates an appropriate correction amount of the model parameter from the coefficient of the linear regression equation.
以下、本発明を更に詳述する。 The present invention is described in further detail below.
本発明で制御対象とする製鐵プロセスとしては、例えば、図３に示す圧延プロセス及びその電気計装設備が挙げられる。 Examples of the iron making process to be controlled in the present invention include the rolling process shown in FIG. 3 and its electric instrumentation equipment.
圧延プロセスでは、予めプロセスコンピュータ２の製造プロセス制御手段２２に記憶された圧延スケジュールを圧延機のモータ等に送信して、鋼板の圧延量や圧延パス数等を制御する。当該圧延スケジュールは、鋼種ごとに、最適に修正される。 In the rolling process, a rolling schedule stored in advance in the manufacturing process control means 22 of the process computer 2 is transmitted to a motor or the like of a rolling mill to control the rolling amount of the steel sheet, the number of rolling passes, and the like. The rolling schedule is optimally corrected for each steel type.
図４は、圧延スケジュールの修正フローを示している。圧延スケジュールの修正は、圧延機保護の観点から行われ、圧延トルクの計算値がミルモータの定格範囲内となるように、圧延スケジュールを修正するものである。圧延トルク関数は、下記の式（数５）で計算される。 FIG. 4 shows a correction flow of the rolling schedule. The rolling schedule is corrected from the viewpoint of protecting the rolling mill, and the rolling schedule is corrected so that the calculated value of the rolling torque falls within the rated range of the mill motor. The rolling torque function is calculated by the following equation (Equation 5).
上記の圧延トルク関数は、摩擦係数、ロール径、圧下量、鋼板厚等を用いた回帰式である。当該回帰式の係数（以下、モデルパラメータという）β１〜β４は、当該圧延機等を導入した圧延設備の立ち上げ当初の実績データに基づいて設定された値である。モデルの予測精度を向上させるためには、該モデルパラメータを適切に調整することが求められる。 The rolling torque function is a regression equation using a friction coefficient, a roll diameter, a reduction amount, a steel plate thickness, and the like. Coefficients (hereinafter referred to as model parameters) β 1 to β 4 of the regression equation are values set based on actual data at the start-up of the rolling equipment in which the rolling mill or the like is introduced. In order to improve the prediction accuracy of the model, it is required to appropriately adjust the model parameter.
該モデルパラメータを適切に調整するためには、モデルパラメータ（β１〜β４）、及び、圧延コイル毎のモデル入力変数（ＧＴＨ、Ｋｆｍ、ｌｄ、Ｂｍ、Ｚ、ｈＯＵＴ、Δｈ）・モデル出力変数・品質実績（ＧＨ）の各データを実績データとして収集する。収集された実績データは、データ記憶手段３１に記憶される。 To properly adjust the model parameters, the model parameters (β 1 ~β 4), and the model input variables for each rolling coil (G TH, K fm, ld , Bm, Z, h OUT, Δh) · Each data of model output variable and quality record ( GH ) is collected as record data. The collected result data is stored in the data storage unit 31.
該データ記憶手段３１に記憶された実績データは、ユーザ端末４にダウンロードされる。ユーザ端末４内では、モデルパラメータ(β１〜β４)の調整のための演算処理が行われる。当該演算処理工程は、圧延トルク関数（数２）の入力変数となるモデルパラメータβ１〜β４）の感度係数を演算するモデルパラメータ感度係数データ演算工程（以下、工程４−１、という）と、圧延トルク関数（数２）の出力変数となるモデル出力変数と品質実績（ＧＨ）から品質予測誤差を演算するモデル誤差データ演算工程（以下、工程４−２、という）と、操業実績データを、該データ分割処理部に導き、新たな製鐵プロセス制御モデル構築用または評価用データに振り分ける工程（以下、工程４−３、という）と、モデル誤差データとモデルパラメータ感度係数データと該新たな製鐵プロセス制御モデル構築用データを、該線形回帰式構築部に導き、複数の線形回帰式を構築する工程（以下、工程４−４、という）と、複数の線形回帰式および該新たな製鐵プロセス制御モデル評価用データを、線形回帰式精度評価部に導き、最も適切な係数を新たなモデルパラメータの修正量として選択する工程（以下、工程４−５、という）から構成される。以下、各工程について説明する。 The record data stored in the data storage unit 31 is downloaded to the user terminal 4. In the user terminal 4, arithmetic processing for adjusting the model parameters (β 1 to β 4 ) is performed. The calculation processing step includes a model parameter sensitivity coefficient data calculation step (hereinafter referred to as step 4-1) for calculating a sensitivity coefficient of model parameters β 1 to β 4 ) serving as input variables of the rolling torque function (Equation 2 ). A model error data calculation step (hereinafter referred to as step 4-2) for calculating a quality prediction error from a model output variable and a quality record ( GH ) as an output variable of the rolling torque function (Equation 2), and operation record data Are guided to the data division processing unit and allocated to new ironmaking process control model construction or evaluation data (hereinafter referred to as step 4-3), model error data, model parameter sensitivity coefficient data, and the new A process of constructing a plurality of linear regression equations (hereinafter referred to as step 4-4), and a plurality of lines A step of guiding the shape regression equation and the new ironmaking process control model evaluation data to the linear regression equation accuracy evaluation unit, and selecting the most appropriate coefficient as a new model parameter correction amount (hereinafter referred to as steps 4-5, It is composed of). Hereinafter, each step will be described.
（工程４−１：モデルパラメータ感度係数データ演算工程）
線形回帰式の入力変数となるモデルパラメータの感度係数は、下記の式（数６）で演算される。
(Step 4-1: Model parameter sensitivity coefficient data calculation step)
The sensitivity coefficient of the model parameter that is an input variable of the linear regression equation is calculated by the following equation (Equation 6).
（工程４−２：モデル誤差データ演算工程）
線形回帰式の出力変数となる品質予測誤差は、下記の式（数７）で演算される。
(Step 4-2: Model error data calculation step)
The quality prediction error that is an output variable of the linear regression equation is calculated by the following equation (Equation 7).
（工程４−３：操業実績データ分割工程）
本実施例では、約１５０００本の圧延データを収集し、７５００本目で２分割した。
(Step 4-3: Operation result data division step)
In this example, about 15000 pieces of rolling data were collected, and the 7500 pieces were divided into two.
（工程４−４：線形回帰式構築工程）
ＭＡＴＬＡＢ、ＭＩＮＩＴＡＢ、Ｒ等、様々な統計解析ツールを利用することにより、ＰＬＳによる線形回帰式の構築が可能である。例えば、Ｒを利用する場合は、『ｐｌｓｒ』という関数を実行すれば良い。本工程では、各潜在変数の数毎に線形回帰式が構築される。各潜在変数は感度係数の線形結合で記述されるため、線形回帰式も、感度係数による線形結合で記述される。
例：
P <- plsr(dy~g1+g2+g3+g4,data=training_data)
(Step 4-4: Linear regression formula building step)
By using various statistical analysis tools such as MATLAB, MINITAB, and R, it is possible to construct a linear regression equation using PLS. For example, when R is used, a function “plsr” may be executed. In this step, a linear regression equation is constructed for each number of latent variables. Since each latent variable is described by a linear combination of sensitivity coefficients, the linear regression equation is also described by a linear combination of sensitivity coefficients.
Example:
P <-plsr (dy ~ g1 + g2 + g3 + g4, data = training_data)
（工程４−５：線形回帰式精度評価工程）
工程４−５では、まず最適な潜在変数の数を選択する。潜在変数の数の選択は、横軸に潜在変数の数、縦軸に予測誤差σを取ったグラフ（図５）に基づいて行われる。予測誤差σが局所最適あるいは飽和し、かつ、潜在変数の数が最少である潜在変数を選択することが好ましい。本実施例では、予測誤差σが局所最適あるいは飽和し、かつ、潜在変数の数が最少である潜在変数として「潜在変数の数＝２」を選択した。
(Step 4-5: Linear regression equation accuracy evaluation step)
In step 4-5, first, the optimum number of latent variables is selected. Selection of the number of latent variables is performed based on a graph (FIG. 5) in which the horizontal axis represents the number of latent variables and the vertical axis represents the prediction error σ. It is preferable to select a latent variable in which the prediction error σ is locally optimal or saturated and has the smallest number of latent variables. In this embodiment, “the number of latent variables = 2” is selected as a latent variable whose prediction error σ is locally optimal or saturated and has the smallest number of latent variables.
次に、精度検証用データを用いて(1)線形回帰式による予測、(2)予測誤差算出、(3)精度評価を行う。精度評価により最も適切な線形回帰式を選定し、その線形回帰式の係数から、モデルパラメータ（β１〜β４）の適切な修正量を算出することができる。 Next, using the accuracy verification data, (1) prediction by linear regression equation, (2) calculation of prediction error, and (3) accuracy evaluation are performed. The most appropriate linear regression equation is selected by accuracy evaluation, and an appropriate correction amount of the model parameters (β 1 to β 4 ) can be calculated from the coefficient of the linear regression equation.
ユーザ端末４での演算処理により得られたパラメータ最適値は、プロセスコンピュータ２のモデルパラメータ更新手段２３に読み込まれ、製造プロセス制御手段２２の記憶部に記憶された数式モデルに新たに適用され、該モデルパラメータ（β１〜β４）が更新される。なお、本実施例では、「潜在変数の数＝２」に対応する回帰係数を修正量とする補正が行われる。このように、「潜在変数」に対応する回帰係数を修正量とする本発明によれば、モデルパラメータ（β１〜β４）の調整代を定量的に算出することができる。 The parameter optimum value obtained by the arithmetic processing at the user terminal 4 is read into the model parameter update unit 23 of the process computer 2 and newly applied to the mathematical model stored in the storage unit of the manufacturing process control unit 22. The model parameters (β 1 to β 4 ) are updated. In the present embodiment, correction is performed using a regression coefficient corresponding to “number of latent variables = 2” as a correction amount. Thus, according to the present invention in which the regression coefficient corresponding to the “latent variable” is used as the correction amount, the adjustment allowance of the model parameters (β 1 to β 4 ) can be calculated quantitatively.
図６には、モデルパラメータ調整前後のトルク散布図を示している。図６に示すように、モデルパラメータを適切に調整することにより、予測精度が大幅に改善されている。 FIG. 6 shows a torque scatter diagram before and after the model parameter adjustment. As shown in FIG. 6, the prediction accuracy is greatly improved by appropriately adjusting the model parameters.
１ 製造プロセス
２ プロセスコンピュータ
２１ 実績収集手段
２２ 製造プロセス制御手段
２３ モデルパラメータ更新手段
３ 解析用ワークステーション
３１ データ記憶手段
４ ユーザ端末
４１ モデルパラメータ感度係数演算部
４２ モデル誤差データ演算部
４３ データ分割処理部
４４ 線形回帰式構築部
４５ 線形回帰式精度評価部
５ ＰＬＣ
６ ＤＣＳ
DESCRIPTION OF SYMBOLS 1 Manufacturing process 2 Process computer 21 Result collection means 22 Manufacturing process control means 23 Model parameter update means 3 Analysis workstation 31 Data storage means 4 User terminal 41 Model parameter sensitivity coefficient calculating part 42 Model error data calculating part 43 Data division processing part 44 Linear regression equation construction unit 45 Linear regression equation accuracy evaluation unit 5 PLC
6 DCS
Claims (3)
前記モデルパラメータ最適化演算装置は、モデル誤差データ演算部と、モデルパラメータ感度係数演算部と、データ分割処理部と、線形回帰式構築部と、線形回帰式精度評価部とを備え、
モデル誤差データ演算部で、前記操業実績収集データと制御モデルによる予測値との誤差を演算するモデル誤差データ演算を行い、
モデルパラメータ感度係数演算部で、モデルパラメータの感度係数の演算を行い、
データ分割処理部で、操業実績データを制御モデル構築用データと評価用データとに振り分け、
線形回帰式構築部で、モデル誤差データとモデルパラメータ感度係数データと制御モデル構築用データとから複数の線形回帰式を構築し、
線形回帰式精度評価部で、複数の線形回帰式と評価用データとから、最も適切な回帰係数を新たなモデルパラメータの修正量として選択する
ことを特徴とする制御モデルのパラメータ最適化方法。 A step of collecting operation performance data from a manufacturing process based on a control model defined by a plurality of model parameters, a step of calculating the optimization model parameters by introducing the operation performance data to a model parameter optimization calculation device, and a result of the calculation A method for optimizing the parameters of the control model, comprising the step of updating the control model based on
The model parameter optimization calculation device includes a model error data calculation unit, a model parameter sensitivity coefficient calculation unit, a data division processing unit, a linear regression formula construction unit, and a linear regression formula accuracy evaluation unit,
The model error data calculation unit performs model error data calculation to calculate the error between the operation result collection data and the predicted value by the control model,
In the model parameter sensitivity coefficient calculator, calculate the sensitivity coefficient of the model parameter,
In the data division processing section, the operation result data is divided into control model construction data and evaluation data,
In the linear regression formula construction unit, construct multiple linear regression formulas from model error data, model parameter sensitivity coefficient data, and control model construction data,
A parameter optimization method for a control model, wherein a linear regression equation accuracy evaluation unit selects a most appropriate regression coefficient as a new model parameter correction amount from a plurality of linear regression equations and evaluation data.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2009119648A JP5288271B2 (en) | 2009-05-18 | 2009-05-18 | A method to optimize multiple model parameters defining rolling torque function in rolling process |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2009119648A JP5288271B2 (en) | 2009-05-18 | 2009-05-18 | A method to optimize multiple model parameters defining rolling torque function in rolling process |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2010264499A true JP2010264499A (en) | 2010-11-25 |
| JP5288271B2 JP5288271B2 (en) | 2013-09-11 |
Family
ID=43361960
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2009119648A Active JP5288271B2 (en) | 2009-05-18 | 2009-05-18 | A method to optimize multiple model parameters defining rolling torque function in rolling process |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5288271B2 (en) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013105313A (en) * | 2011-11-14 | 2013-05-30 | Oji Holdings Corp | Method for calculating variation due to change in manufacturing process |
| WO2013121934A1 (en) * | 2012-02-13 | 2013-08-22 | 日本電気株式会社 | System design improvement assistance device, method, and program |
| EP2887227A2 (en) | 2013-12-20 | 2015-06-24 | Fujitsu Limited | Information processing apparatus and method |
| JP2017121638A (en) * | 2016-01-05 | 2017-07-13 | Ｊｆｅスチール株式会社 | Rolling time prediction method, and heating furnace extraction time determination method |
| WO2017135314A1 (en) * | 2016-02-03 | 2017-08-10 | 日本電気株式会社 | Information processing device, information processing method, and recording medium |
| WO2021153271A1 (en) * | 2020-01-31 | 2021-08-05 | 株式会社日立製作所 | Model updating device and method, and process control system |
| CN114424129A (en) * | 2019-09-24 | 2022-04-29 | 大金工业株式会社 | Control system |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005036289A (en) * | 2003-07-16 | 2005-02-10 | Kobe Steel Ltd | Model parameter decision method and program therefor, and model prediction method and program therefor |
| JP2005211963A (en) * | 2004-01-30 | 2005-08-11 | Sumitomo Metal Ind Ltd | Method for correcting model parameter in steel production process, and method for manufacturing hot rolled steel sheet using the same |
| JP2005242818A (en) * | 2004-02-27 | 2005-09-08 | Sumitomo Metal Ind Ltd | Quality effect factor analyzing method, quality forecasting method, quality control method, quality effect factor analyzing device, quality forecasting device, quality control device, quality effect factor analyzing system, quality forecasting system, quality control system, and computer program |
| JP2007058806A (en) * | 2005-08-26 | 2007-03-08 | Sumitomo Metal Ind Ltd | Production condition calculation method, quality adjustment method, steel production method, production condition calculation device, quality adjustment system, and computer program |
| JP2007289990A (en) * | 2006-04-24 | 2007-11-08 | Kobe Steel Ltd | Method for controlling thickness in rolling equipment and rolling equipment |
-
2009
- 2009-05-18 JP JP2009119648A patent/JP5288271B2/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005036289A (en) * | 2003-07-16 | 2005-02-10 | Kobe Steel Ltd | Model parameter decision method and program therefor, and model prediction method and program therefor |
| JP2005211963A (en) * | 2004-01-30 | 2005-08-11 | Sumitomo Metal Ind Ltd | Method for correcting model parameter in steel production process, and method for manufacturing hot rolled steel sheet using the same |
| JP2005242818A (en) * | 2004-02-27 | 2005-09-08 | Sumitomo Metal Ind Ltd | Quality effect factor analyzing method, quality forecasting method, quality control method, quality effect factor analyzing device, quality forecasting device, quality control device, quality effect factor analyzing system, quality forecasting system, quality control system, and computer program |
| JP2007058806A (en) * | 2005-08-26 | 2007-03-08 | Sumitomo Metal Ind Ltd | Production condition calculation method, quality adjustment method, steel production method, production condition calculation device, quality adjustment system, and computer program |
| JP2007289990A (en) * | 2006-04-24 | 2007-11-08 | Kobe Steel Ltd | Method for controlling thickness in rolling equipment and rolling equipment |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013105313A (en) * | 2011-11-14 | 2013-05-30 | Oji Holdings Corp | Method for calculating variation due to change in manufacturing process |
| WO2013121934A1 (en) * | 2012-02-13 | 2013-08-22 | 日本電気株式会社 | System design improvement assistance device, method, and program |
| EP2887227A2 (en) | 2013-12-20 | 2015-06-24 | Fujitsu Limited | Information processing apparatus and method |
| US9798699B2 (en) | 2013-12-20 | 2017-10-24 | Fujitsu Limited | Apparatus and method for system error monitoring |
| JP2017121638A (en) * | 2016-01-05 | 2017-07-13 | Ｊｆｅスチール株式会社 | Rolling time prediction method, and heating furnace extraction time determination method |
| WO2017135314A1 (en) * | 2016-02-03 | 2017-08-10 | 日本電気株式会社 | Information processing device, information processing method, and recording medium |
| CN114424129A (en) * | 2019-09-24 | 2022-04-29 | 大金工业株式会社 | Control system |
| WO2021153271A1 (en) * | 2020-01-31 | 2021-08-05 | 株式会社日立製作所 | Model updating device and method, and process control system |
| JP2021120833A (en) * | 2020-01-31 | 2021-08-19 | 株式会社日立製作所 | Model update device and method and process control system |
| JP7288868B2 (en) | 2020-01-31 | 2023-06-08 | 株式会社日立製作所 | MODEL UPDATE DEVICE AND METHOD AND PROCESS CONTROL SYSTEM |
Also Published As
| Publication number | Publication date |
|---|---|
| JP5288271B2 (en) | 2013-09-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5288271B2 (en) | A method to optimize multiple model parameters defining rolling torque function in rolling process | |
| JP6163526B2 (en) | How to perform an online process run analysis of a batch process | |
| JP6292309B2 (en) | Rolling simulation device | |
| CN101457264B (en) | Blast furnace temperature optimization control method | |
| JP2020522800A (en) | Computer system and method for online construction and deployment of predictive inference models | |
| CN112904266B (en) | Method and device for predicting service life of electric energy meter | |
| JP4613751B2 (en) | Manufacturing condition calculation method, quality adjustment method, steel manufacturing method, manufacturing condition calculation device, quality adjustment system, and computer program | |
| JP4908433B2 (en) | Control parameter adjustment method and control parameter adjustment program | |
| JP7151547B2 (en) | Predictive control development device, predictive control development method, and predictive control development program | |
| JP2019021186A (en) | Data processor, control system, data processing method, and program | |
| EP3084696A1 (en) | Modelling tool | |
| JP6946654B2 (en) | Control device, control method, and control program | |
| JP4592667B2 (en) | Information processing method and information processing apparatus | |
| JP6160705B2 (en) | Electric power supply / demand guidance apparatus and electric power supply / demand guidance method | |
| CN117348439A (en) | Dynamic simulation test method and system for working condition of pumped storage unit | |
| CN112100867B (en) | Power grid load prediction method | |
| CN114781945A (en) | Load distribution method, equipment, terminal and storage medium for cogeneration unit | |
| KR20080055132A (en) | Multivariable predictive control system and method thereof | |
| CN107977742B (en) | Construction method of medium-long term power load prediction model | |
| JP5846303B2 (en) | Learning apparatus and learning method for setting calculation system | |
| CN103777569A (en) | Bending machine numerical control system with high bending accuracy | |
| TWI406116B (en) | Method and device for numerical control | |
| JP7125383B2 (en) | Information processing device, information processing method, and information processing program | |
| JP5790066B2 (en) | Process control operation amount presetting method | |
| WO2024086587A1 (en) | Loopwatch |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20110816 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20130212 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130215 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130412 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20130510 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130523 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 5288271 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |