JP2656637B2 - プロセス制御システム及び発電プラントプロセス制御システム - Google Patents

プロセス制御システム及び発電プラントプロセス制御システム

Info

Publication number
JP2656637B2
JP2656637B2 JP1302171A JP30217189A JP2656637B2 JP 2656637 B2 JP2656637 B2 JP 2656637B2 JP 1302171 A JP1302171 A JP 1302171A JP 30217189 A JP30217189 A JP 30217189A JP 2656637 B2 JP2656637 B2 JP 2656637B2
Authority
JP
Japan
Prior art keywords
function
schedule
target
amount
input
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.)
Expired - Fee Related
Application number
JP1302171A
Other languages
English (en)
Other versions
JPH03164804A (ja
Inventor
弘 松本
下田　　誠
政英 野村
忠良 斎藤
宏 横山
明 鍛治
久典 宮垣
誠逸 二川原
浩 花岡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP1302171A priority Critical patent/JP2656637B2/ja
Priority to US07/615,868 priority patent/US5305230A/en
Publication of JPH03164804A publication Critical patent/JPH03164804A/ja
Application granted granted Critical
Publication of JP2656637B2 publication Critical patent/JP2656637B2/ja
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0285—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S706/00—Data processing: artificial intelligence
    • Y10S706/902—Application using ai with detail of the ai system
    • Y10S706/903—Control
    • Y10S706/906—Process plant

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明は、プラントのプロセス制御システムに係り、
特に火力発電プラントなどの大規模プラントに好適なプ
ロセス制御システムに関する。本発明の制御システム
は、運転員が状況に応じて設定した目的関数例えば起動
所要時刻や寿命消費量などを自己学習的に最適化するこ
とができる多目的状況適応型制御システムである。
〔従来の技術〕
火力発電プラントプロセスなどの大規模複雑プロセス
においては、タービン主蒸気温度、主蒸気圧力などのプ
ロセス状態量とこの状態量を目標値に制御するための操
作パラメータの操作量との非線形性が強い。このような
ことから、従来は特開昭58−40612号公報に記載のよう
に制御システムにプロセスの全系モデルを内蔵させ、こ
れを用いて数理計画法により操作パラメータの操作量の
最適化を図つていた。即ち、非線形性をテーブル情報と
してモデル化したり、物理式で表現し、コンプレツクス
法に代表される非線形計画法を用いて操作パラメータの
操作量の最適値を求めていた。
〔発明が解決しようとする課題〕
従来のモデル内蔵形制御システムは、モデルの精度に
よつて実際のプラントの制御性能が直接影響を受けるこ
とになるので、モデルの有意性を如何に検討するかが問
題となる。
本発明の目的は、プロセス全系モデルを用いることな
く簡単な知識ベースを利用して自動的にプロセスの最適
化を図ることができるプロセス制御システムを提供する
ことにある。
本発明の他の目的は、上記目的を達成する発電プラン
トプロセス制御システムを提供することにある。
〔課題を解決するための手段〕
本発明のプロセス制御システムは、下記の〜の要
件を具備する。
制御対象となるプロセスの運転目標を設定する運転
目標設定部。
該運転目標設定部からの信号を受けて該プロセスを
運転するための制御量を出力する制御部。
該制御部からの信号に基づいて運転された該プロセ
スの前記運転目標に対応する運転特性に応じて前記制御
部の制御量を最適化する最適化部。前記最適化部は、下
記の〜の要件を有する。
前記制御部からの信号に基づいて運転された該プロ
セスの前記運転目標に対応する運転特性を定量的に評価
する評価手段。
該プロセスの運転特性と運転目標との定性的関係に
おいて予め運転方策を定めた修正ルール（知識ベー
ス）。
該評価手段によって得られた評価値に基づき、該修
正ルールの中から定性的に合致する運転方策を抽出して
前記制御部の修正量を決定する修正手段。
該修正手段で得られた修正量と前記運転目標との関
係を記憶する記憶手段。
前記制御部は、目標設定部により与えられた運転目標
を制御対象とするプロセスが達成するための運転スケジ
ュールを作成する基本運転スケジユール作成手段と、過
去の運転特性に基き運転スケジユールの修正量と運転目
標との関係を記憶させた記憶手段から信号を受けて基本
運転スケジユールに修正を加える調節手段と、を具備す
ることが望ましい。
記憶手段は、前記運転目標と前記修正量との関係を回
路内接続状態として記憶するための神経回路モデルを有
することが望ましい。
更に該神経回路モデルとしては、入力層と中間層と出
力層とを有する層状のネツトワークを具備するバツクプ
ロパゲーシヨン型の神経回路モデルを備えることが望ま
しい。
前記修正手段としては、前記評価手段によつて得られ
た評価値に基づき、前記修正ルールの中から定性的に合
致する運転方策を抽出してフアジー論理に従つて定量的
運転方策に変換する機能を有する修正手段を備えること
が望ましい。
前記修正ルールは、少なくとも条件部（if部）と結論
部（then部）の２項目を具備することが望ましい。
記憶手段からの信号に基づいて基本運転スケジユール
そのものを修正してもよいし、或いは基本運転スケジユ
ールは修正せずに該スケジユールを行するための操作パ
ラメータ或いは該操作パラメータの操作量を修正するよ
うにしてもよい。
本発明の発電プラントプロセス制御システムは、燃料
の燃焼により発生する熱により蒸気を発生させるための
ボイラと、発生した蒸気の熱エネルギーを機械エネルギ
ーに変換するための蒸気タービンと、変換された該機械
エネルギーを電気エネルギーに変換するための発電機を
具備するものにおいて、前述の〜の要件を有する。
（１）運転目標設定部 プロセスの運転目標を設定する。具体的な運転目標と
しては、例えば下記のものがある。
目標値到達時刻、起動所要時間、エネルギー損失量、
機器寿命損失、目標値達成精度、資源損失量、運転制限
値、許容寿命消費量。
（２）制御部 運転目標を受けてプロセスに対して必要な制御量を出
力する。
該制御部は、基本運転スケジユール作成機能と調節機
能を備えることが望ましい。基本運転スケジユール作成
機能では、運転目標をプロセスが達成するためのタイム
スケジユールを作成することが望ましい。基本運転スケ
ジユールとスケジユール修正量の加算スケジユールが調
節機能に与えられる。調節機能では、プロセスを制御す
るための操作パラメータ或いは操作パラメータの操作量
を修正することが望ましい。操作量は、例えばボイラへ
の投入燃料量、空気流量、給水流量、タービンの加減弁
開度である。
基本運転スケジユールは、プロセスの状態量の初期値
を考慮して作成することが望ましい。
調節機能としてフイードバツク制御方式を採用する場
合には、プロセス状態量を入力情報とすることが望まし
い。
（３）最適化部 プロセスの運転特性に応じて制御部の制御量を最適化
する。最適化部は、評価機能と修正機能と修正レール及
び記憶機能を備えることが望ましく、学習機能を付加す
ることは更に望ましい。
（４）評価機能 運転目標に対応して実際の運転特性を定量的に評価す
る。プロセス状態量の応答特性を評価し、フアジー推論
で使用する評価値とすることが望ましい。なおプロセス
状態量とは、例えば発電プラントにおけるタービン速
度、主蒸気温度、主蒸気圧力、再熱蒸気温度、再熱蒸気
圧力という。
（５）修正機能 評価手段で得られた定量的評価値に基づき、予め作成
した修正ルール（知識ベース）を参照して定性的に合致
する運転方策を抽出し、制御手段の修正量を決定する。
フアジー推論機能を備えることが望ましい。
（６）修正ルール（知識ベース） 運転目標に対応する運転特性との定性的関係において
運転方策を定めたルール。評価手段の評価値に応じたス
ケジユールの修正方法について専門家が持つ定性的知見
を計算機で処理可能に表現した断片的知識の集合体を修
正ルールとすることが望ましい。
条件部（if部）と結論部（then部）の２項目を少なく
とも有することが望ましい。
（７）記憶機能 運転目標と修正量との関係を記憶する。該関係を回路
内接続状態として記憶するための神経回路モデルを備え
ることが望ましい。神経回路モデルは、目標設定機能か
ら与えられる運転目標に対応して制御機能の修正量を出
力する。
該記憶機能としては、入力層と中間層と出力層とを具
備する層状のネツトワークを有するバツクプロパゲーシ
ヨン型の神経回路モデルを備えることが望ましい。
（８）学習機能 運転目標と修正量との関係を神経回路モデルに学習さ
せる。入力信号パターンを入力層に与えたときに出力信
号パターンが所定の信号パターンとなるように中間層の
各ユニツトへの入力部の接続強度（シナプス加重）を決
定する。
本発明によれば、プロセスモデルを陽に持たず、運転
実績データをもとに自己成長適的に運転特性を改善でき
る。
また、日々刻々変化する運転目標に対してプロセスが
常に最適な運転ができる運転方策を決定できる最適化機
能を実現することができる。
更に複数の制御目標に対して、運転員が状況に応じて
必要な目標の加重値を変更可能とし、この変更された複
数の制御目標を満足するような運転方策を決定すること
ができる。ここで、複数の制御目標とは、運転制御値、
目標値到達時間、許容寿命消費量、許容損失量などに関
するものである。
なお、上記運転方策とは、セツトポイントのタイムス
ケジユール、PID制御ゲイン、ゲイン、関数、切替器な
どに対するパラメータなどを意味する。
本発明の従来技術として、プロセスの運転領域に応じ
て、複数のモデルを準備し、これを切替ながら使うモデ
ル切替型或いは、逐次モデル同定型により線形計画法を
用いて最適化する方法がある。
これらの場合にも、モデル構築が必要であり、モデル
の有意性を如何に高めるかが問題となる。
これら従来の技術では、状況に応じた操作パラメータ
の切替により制御特性を向上させることも自動化がなさ
れていない。更に、運転実績を積むにつれて、制御シス
テムが自己成長してゆくことも無く、制御特性は人為的
介入無しでは悪化することはあつても向上することは無
い。
本発明の制御システムの一例においては、制御システ
ムにフアジイ推論と神経回路モデルを中心とした自己学
習機構を内臓させている。フアジイ推論では運転実績デ
ータを評価することにより運転特性を改善するための運
転方策を決定し、神経回路モデルはこれを逐次学習す
る。これによりプロセスモデルを持たずに運転実績デー
タをもとに運転方策の最適化を図ることができる。
また本発明制御システムの一例では、日々刻々変化す
る運転目標を前記神経回路モデルに与えることにより、
過去の学習結果を活用した最適な運転方策を得ることが
できる。これにより神経回路モデルから必要な運転方策
を瞬時に出力することが可能となる。
更に本発明では、複数の運転目標に関する重み付けを
運転員が任意に設定でき、これに対する最適化を実行す
ることができる。制御システムに設定された各種運転目
標に関する重みが神経回路モデルに入力されることによ
り、過去に学習した運転方策に基づき総合的に最適とな
る運転方策を瞬時に取り出すことができる。また、この
ときの運転特性についてもフアジイ推論にて評価した総
合的に最適となる運転方策を決定し、上記神経回路モデ
ルに学習させることができる。
〔作用〕
本発明では、プロセスの運転目標と実際の運転特性と
を評価し、予め作成しておいた修正ルールを参照してプ
ロセスの運転制御量が決定される。
この修正量と運転目標との関係は記憶手段に記憶され
る。このようにすることにより、記憶手段に運転目標が
入力されると、即座に対応する修正量が制御手段へ伝え
られ、それに基づいてプロセスが運転されることにな
る。ここで再び修正の必要が生じれば、修正ルールを参
照して再び修正量決定され、この結果が運転目標との関
係で記憶され、制御手段へ直ちに伝えられ最適化が図ら
れることになる。
本発明の好適な例では、制御システムに内蔵した定性
的な知識に基づく推論能力があるフアジイ推論と、事例
学習能力がある神経回路モデルを主要機能として、自己
学習に寄与している。
フアジイ推論においては、運転特性とこれを改善する
ための方策に関する運転員、調整員、制御技術者などの
専門家がもつ定性的な知識を予め格納した知識ベースを
用いて、プロセスの運転に伴い得られた実績データを評
価しながら、改善のための運転方策を決定していく。
一方、神経回路モデルにおいては、このときに与えら
れていた運転目標と上記フアジイ推論で決定された運転
方策との相互関係を学習していく。
この場合の学習とは、運転目標を神経回路モデルに入
力したとき、上記運転方策が出力されるように、モデル
内部の回路接続状態を決定することである。したがつ
て、運転実績データとその時の運転方策について複数組
のデータがある場合は、これらを神経回路モデルに順次
繰返して教示することにより、全ての関係を学習するこ
とができる。
このような自己学習機構を付加することにより、制御
システムは、運転実績を積むにつれ運転特性が向上して
ゆくことになる。
日々刻々変化する運転目標に対してプロセスが常に最
適な運転ができる運転方策を決定できるようにするため
の手段としての最適化機構は、次のように作用する。す
なわち、運転方策を内部の接続状態として学習済みの前
記神経回路モデルの入力部に、日々刻々変化する運転目
標を設定したとき、その出力部にはその運転目標を達成
するために最も適切な運転方策が出力される。過去の運
転事例を神経回路モデルに十分に学習させておけば、日
々刻々変化する運転目標に対してプロセスは最適な運転
が保証される。
複数の制御目標に対して、運転員が状況に応じて必要
な目標の加重値を変更可能とし、この変更された複数の
制御目標を満足するような最適化機構は、次のように作
用する。すなわち、神経回路モデルにその接続状態とし
て学習してある運転方策の中から、与えられた複数の運
転目標を総合的に最適化できる運転方算を導出入する。
運転員は、プロセスを運転するにあたり、日々刻々の状
況変化に応じて各種運転目標に対する重み付けを制御シ
ステムに設定するだけでよい。これにより、必要な、運
転特性がえられる。ここで、運転目標とは、起動所要時
間、エネルギー損失、機器寿命消費量、目標値到達時
刻、目標状態達成精度、状態変化率達成精度、資源損失
量、対運転制限値などに関するものである。設定された
複数の重み付き運転目標は神経目標モデルの入力部に与
えられると、学習結果に基づきその出力部から最適な運
転方策が出力されプロセスはそれに従つて運転される。
また、このときの運転特性についてもフアジイ推論にて
評価され、知識ベースを参照しながら運転目標に総合的
に合致した運転方策を決定し、神経回路モデルに学習さ
せる。これを繰返すことにより、多目的運転に対しても
運転特性は向上してゆく。
〔実施例〕
以下、本発明の一実施例を説明する。
第１図は、本発明のプロセス制御システムの一例を示
す。本システムは、目標設定機能10、最適化機能2000、
制御機能1000及び制御対象であるプロセス3000から成
る。
目標設定機能10はプロセスの運転目標11を設定する機
能で、運転員あるいは他の制御システムなど本制御シス
テムの外部から与えられた運転目標を制御機能1000及び
最適化機能2000に設定するためのものである。
制御機能1000は上記運転目標11を受けてプロセス3000
に対して必要な操作量42を出力するためのものである。
また、最適化機能2000はプロセス3000の運転特性（応
答特性）310に応じて制御機能1000の制御量を最適化す
るためのものである。
具体的な機能構成について以下に説明する。
制御機能1000はスケジユール機能30と調節機能40から
成り、スケジユール機能30では目標設定機能10から与え
られた運転目標11をプロセスが達成するために、時間的
目標値すなわちタイムスケジユール（これを基本スケジ
ユール31と呼ぶ）を作成する。さらに、この基本スケジ
ユール31と後述の第１のスケジユール修正量110との加
算値がセツトポイント41として調節機能40に与えられ
る。
調節機能40は、制御対象であるプロセス3000の状態量
43がこのセツトポイント41に追従できるように操作量42
を決定し、プロセス3000を操作する。
最適化機能2000は評価機能300、フアジイ推論400、知
識ベース500、学習機能200、及び神経回路モデル100か
ら成る。
神経回路モデル100は目標設定機能10から与えられる
運転目標11に対応して上記基本スケジユール31の修正量
（これを第１のスケジユール修正量と呼ぶ）を決定す
る。これにより、調節機能40に与えるセツトポイント41
の最適化を図る。
評価機能300においてはプロセス3000の応答特性310を
評価し、この評価値410をフアジィ推論400に渡す。
知識ベース500は、上記評価値410に応じた前記スケジ
ユールの修正方法について熟練した運転員や調整員など
豊富な経験を有する専門家が持つ定性的知見を計算機で
処理可能な様式に表現した断片的知識（これをスケジユ
ール修正ルールと呼ぶ）の集合体である。この知識ベー
ス500の中から上記評価値410に合致した知識430を取り
出し、スケジユール修正量（これを第２のスケジユール
修正量420と呼ぶ）を決定するための機能がフアジィ推
論400である。
学習機能200は上記運転目標11が与えられたときのプ
ロセス応答特性の評価に基づいたフアジィ推論結果であ
る第２のスケジユール修正量420と第１のスケジユール
修正量110を加算したもの（これを学習用スケジユール
修正量210と呼ぶ）を学習用入力信号115（上記運転目標
11とプロセス状態初期値44から成る）と対にして神経回
路モデル100に学習させるためのものである。この学習
時には神経回路モデル100の内部状態120は学習機能200
にて使用される。
本システムの上記各機能の動作時期は運転モードと学
習モードの２つのモードに分けられる。第１図は運転モ
ードを表し、第２図は学習モードを表している。両図に
おいて実線の矢印は各機能間で情報の授受が発生するこ
とを意味し、破線の矢印は情報の授受が発生しないこと
を意味する。
第１図に示すように運転モードにおいては、目標設定
機能10から与えられた運転目標11に対応してスケジユー
ル機能30ではプロセス状態初期値44を考慮して基本スケ
ジユール31を作成する。また、神経回路モデル100にお
いても予め学習しておいた内部接続情報を用いて上記運
転目標11およびプロセス状態初期値44に対応した第１の
スケジユール修正量110を求める。
従つて、前述のように基本スケジユール31と第１のス
ケジユール修正量110が加算されることにより調節機能4
0に対するセツトポイント41となる。
調節機能40では上記セツトポイント41に対してプロセ
ス3000の状態量43が追従できるような操作量42を決定
し、プロセス3000を操作する。このとき、調節機能40と
してフィードバツク制御方式を採用する場合はプロセス
状態量43も入力情報となる。上記操作量42に従つてプロ
セスが動作するとき最適化機能2000における評価機能30
0では、プロセス3000の状態量の応答特性310を評価し、
フアジィ推論機能400で使用する評価値401とする。この
とき、スケジユールとの対応付けに応答特性310の評価
が必要となる場合は、上記セツトポイント41も評価機能
300への入力情報となる。
学習モードにおいては第２図に示すように、前記の評
価機能300で得られたプロセス3000の応答特性310に関す
る評価値410に合致した知識をフアジィ推論機能400によ
り知識ベースの中から取り出し、第２のスケジユール修
正量420を決定する。従つて、運転モードにおいて得ら
れた第１のスケジユール修正量110と上記第２のスケジ
ユール修正量420の加算値すなわち学習用スケジユール
修正量210は、プロセスを運転目標11に対してより良好
に運転するために必要なスケジユール修正量となる。
上記運転目標11およびプロセス状態初期値44が神経回
路モデル100に入力されたとき、上記学習用スケジユー
ル修正量210と同じ値が第１のスケジユール修正量110と
して出力されるように学習機能200により神経回路モデ
ル100に学習させる。この学習方法については後で詳し
く説明するが、プロセス3000の起動停止や出力変更を繰
り返すことにより上記運転モードと学習モードが交互に
繰り返されることになり、神経回路モデル100は自己成
長的に、より適切なスケジユール修正量（この場合、第
１のスケジユール修正量110として）の出力が可能とな
る。
すなわち、本制御システムは運転実績を積むにつれ、
制御性能を自己成長的に向上させることが可能となる。
以上、本発明を適用した制御システムの基本動作につ
いて説明したが、次に火力発電プラントの起動制御に本
制御システムを適用した場合の動作について具体的に説
明する。
まずスケジユール機能について説明する。
本機能は運転目標11とそのときのプロセス状態初期値
44に基づき基本スケジユール31を作るためのものであ
る。この作成方法は従来一般的に使われている方法であ
り、例えば、エレクトリカル ワールド、1966年、２月
７日号（ELECTRICAL WORLD,February 7,1966）に掲載さ
れている論文（Thermal Stresses Influence Starting,
Loading of Bigger Boilers,Turbines）で論じられてい
る方法あるいは、アイ イー イー イー、トランザク
シヨンズ オン ピーエイ エス、1985年４月号（IEEE
Transactions on Power Apparatus and Systems,Apri
l 1985）に掲載されている論文（Steam Turbine Start
Up Method Based on Predictive Monitoring and Contr
ol of Thermal Stresses）で論じられている方法と基本
的に同じである。
以下、これについて簡単に説明する。まず、第３図に
示すプロセス3000における主蒸気18の温度と圧力から高
圧タービン3110の第１段後蒸気温度を求める。次に高圧
タービン3110の第１段後ケーシング内壁温度と上記第１
段後蒸気温度との温度差を求める。
この温度差からタービンの昇速率と速度が1200RPM、3
100RPM、及び3600RPMにおける暖気時間すなわち速度保
持時間をそれぞれ決定する。
第３図において符号3130はボイラ、符号12と13は再熱
器、符号19は再熱蒸気、17は発電機を示す。
第４図は第３図に示すＡ部の拡大図であり、高圧ター
ビン3110及び中圧タービン3120の特に蒸気導入部の軸方
向断面形状を示す。主蒸気18の温度は温度検出器38、主
蒸気圧力は圧力検出器39にて計測し、高圧タービン第１
段後ケーシング内壁温度は温度検出器51にて計測する。
タービン速度は速度検出器52により計測する。
本スケジユール機能30は、プラントの運転実績やター
ビンの熱応力解析に基づいて作成したものであるが、運
転目標やそのときのプロセス状態が与えられたとき起動
中に発生する熱応力が過大とならないように、昇速率や
暖気時間を決定するためのものである。実際の発電プラ
ントでは前記の両論文にも記載されているように、ター
ビン昇速時のみでなく負荷上昇時においても上記と同様
な方法で負荷上昇率と負荷保持時間が決定される。
このように、起動開始から起動完了まで全スケジユー
ルすなわち基本スケジユール31を作成することができ
る。決定された基本スケジユール31には後述の方法で最
適化機能2000から得られる第１のスケジユール修正量11
0が加算され、セツトポイント41が調節機能40に与えら
れる。
調節機能40は、制御対象であるプロセスの状態量43す
なわち速度と負荷の起動パターンがセツトポイント41に
追従できるように操作量42としてのボイラへの投入燃料
量、空気流量、給水流量、タービンの加減弁開度を調整
する。これの調整は一般に広く利用されているPID（比
例、積分、微分）制御などフィードバツク制御で実現さ
れるため、詳細説明は割愛する。
第４図に示すように、タービンの加減弁53の開度はガ
バナ25から操作器26に操作量が時々刻々与えられること
により決定される。
次に、プロセスの応答特性310を評価するための評価
機能300とフアジイ推論400を用いて第２のスケジユール
修正量420を決定する方法について第５図を用いて説明
する。
評価機能300では、プラント起動過程で発生したター
ビン熱応力特性を定量的に評価するために、プロセス状
態値310としてタービン速度、主蒸気温度、主蒸気圧
力、再熱蒸気温度、再熱蒸気圧力、高圧タービン第１段
後ケーシング内外壁温度初期値および中圧タービン第１
段後ケーシング内外壁温度初期値をそれぞれ検出器52,3
8,39,54,56,51,57および58,59にて検出し、これらを用
いた非定常伝熱計算により熱応力の動特性を求める。
第４図に示したようにタービンで熱応力を監視すべき
場所は、高タービン3110および中圧タービン3120とも第
１段後のラビリンスパツキング21,22のロータ表面23,24
とロータボア27,28の計４箇所である。上記ケーシング
内外壁温度初期値は実測できないロータ内部温度分布初
期値を推定するために用いるものである。
非定常伝熱計算により熱応力の動特性をもとめる方法
は、アイイー イー イー、トランザクシヨンズ オン
ピー エイ エス、1982年８月号（IEEET ransactions
on Power Apparatus and Systems,August 1982）に掲載
されている論文（Turbine Control System Based on Pr
ediction of rotor thermal stress）で詳細に示されて
いるのでここでは説明を割愛する。
評価機能300の説明用として第５図では図面の煩雑化
を避けるため熱応力特性は１つだけ示した。次に、評価
機能300とフアジイ推論400との関係を更に具体的に説明
する。フアジイ推論400において、専門家の知識すなわ
ち熱応力余裕値とスケジユールパラメータの因果関係を
フアジイ推論用知識として表現し易やくするために、起
動過程を第６図に示すように７区間に分けて考える。こ
こで、熱応力余裕値とは、ロータ表面に関しては圧縮応
力としての制限値SSl,ロータボアに関しては引張応力と
しての制限値SBlに対する余裕値である。また、mSiおよ
びmBiは区間ｉにおけるロータ表面およびロータボアの
最小応力余裕値であり、前述のように実際には高圧ター
ビンと中圧タービンのロータ表面とロータボアの４箇所
の応力を考慮するが、本図では簡単のために高圧と中圧
を区別して示していない。すなわち、mSiおよびmBiは高
圧タービンと中圧タービンのうち応力余裕値が小さい方
を代表値とする。
スケジユールパラメータとは昇温所要時間（t1）、速
度保持時間（t2,t3,t4）、負荷保持時間（t5,t6,t7）で
ある。起動時の熱応力パターンとスケジユールパラメー
タには強い相関があり、熱応力余裕値が大きいほどパラ
メータは短縮が可能である。運転員や調整員は起動時の
熱応力特性が与えられた場合、その余裕値に応じて、ど
のパラメータをどの程度修正すべきかを経験的に知つて
いる。この経験的、定性的な知識を活用して最適化のた
めのスケジユール修正量を決定する。
第５図に示した熱応力余裕値評価機能440は、評価機
能300で得られた評価値410としての各区間毎の熱応力余
裕値mSi、mBiが第７図に示す５段階に分けたメンバーシ
ツプ関数のどのクラスに属するかを決定する。ここで、
P:正,N:負,B:大,M:中,S:小,ZO:零である。
このようにして、評価された定性的熱応力評価値441
は定性的熱応力パターン450として整理される。ここで
整理された個々の特徴451は推論機能460に入力され、知
識ベース500に格納された多数のスケジユール修正ルー
ルとの照合が行なわれる。第５図の知識ベース500に示
すスケジユール修正ルールは図の煩雑化を避けるために
単純な表現で示しているが、実際には第８図に示す表現
すなわちIF部（条件部）及びTHEN部（結論部）の２項目
或はそれ以上を用いている。このスケジユール修正ルー
ルは、「熱応力パターンがどの様であれば、どのパラメ
ータをどの程度修正すれば良い」といつた断片的且つ定
性的な知識である。例えば、第８図に示すルール１
（R1）の場合は、「もし、mS1がPMかつmS2がPSならば、
Δt1はPMかつΔt2はPSとせよ」という意味である。この
場合の結論部で用いるP:正はスケジユールを短縮する方
向での度合を定義する。逆に、N:負の場合は延長する方
向での度合を示す。
修正パラメータ選択機能461は熱応力余裕値評価結果4
51と、知識ベース内のスケジユール修正ルール500を照
合させ、適合されたルール毎にパラメータ修正量に関す
る修正パラメータを選択する。こうして選択された修正
パラメータ462はスケジユール修正量計算機能463におい
てパラメータ毎に重心位置を求めて、これを修正量と決
定する。このようなスケジユール修正方法は特開昭63−
94004号公報に示されているのと同様である。このよう
にして決定された修正量（本図の例ではΔt1,Δt2,Δ
t3）が第２のスケジユール修正量420である。
従つて、第２のスケジユール修正量420は神経回路モ
デル100から出力された第１のスケジユール修正量110に
加算されることにより、より適切な修正量が学習用スケ
ジユール修正量210として決定される。この学習用スケ
ジユール修正量210と起動前に目標設定機能10から与え
られた運転目標11およびプロセス状態初期値44との関係
が次に述べる学習機能200により神経回路モデル100の中
にネツトワーク情報として記憶される。すなわち、第２
図で説明したように、次回の起動では同じ運転目標とプ
ロセス状態初期値44が与えられたとき、上記学習用スケ
ジユール修正量210と同じ値が神経回路モデル100から第
１のスケジユール修正量110として出力される。
このようにして、プロセス3000は運転実績を積む度に
運転特性を自己成長的に向上（本実施例においては起動
時間の短縮）することが可能となる。
次に、神経回路モデル100の構造及び学習機能200にお
ける学習方法について説明する。
第９図は神経回路モデル100を構成する１つのユニツ
トモデル111を示す。ここで、ユニツトへの入力信号X1,
X2,…,Xnは、値域（0,1）をとり、シナプス加重W1,W2,
…,Wnは、値域（−∞，＋∞）をとるものとする。ここ
で、ｉ番目の入力Xiからユニツトへ伝わる入力uiを、 ui＝WiXi ……（１） とすると、ユニツトへの総入力Ｕは、 となる。また、ユニツト出力ｙは、 で定義する。但し、（３）式においてU0は、バイアスで
ある。本実施例では、以上述べたユニツトモデル111
を、第10図に示すように層状に配置し、各ユニツト111
からの出力信号を次層の各ユニツト111への入力信号と
する構成としたものを神経回路モデル100とする。上記
のユニツトモデル111と神経回路モデル100の構造に関し
ては、ザ エム アイ テイー プレス、ニユーロコン
ピユーテイング フアンデーシヨンズ オブ リサー
チ、1988年、第318頁から第362頁（The MIT Press,Neur
ocomputing Foundations of Research,1988,pp318−36
2）に詳しく述べられている。また、本論文では第10図
に示すように、ある入力信号パターン112を入力層に与
えたとき、出力信号パターン113が所望する信号パター
ン、すなわち教師信号パターン114となるように、両者
の誤差に応じて中間層の各ユニツトへの入力部の接続強
度、すなわちシナプス加重を修正する学習アルゴリズム
（バツクプロパゲーシヨンと称している）が示されてい
る。
本実施例の学習機能200においても、学習アルゴリズ
ムそのものは上記論文に示されたバツクプロパゲーシヨ
ンを用いる。
第11図はバツクプロパゲーシヨンのアルゴリズムを具
体的に説明したものである。本図は、アルゴリズムを判
り易くするために、出力層のｋ番目の出力信号y3kに着
目して、これを教師信号ytkに一致させるためのシナプ
ス加重の修正手順を示したものである。以下、第11図に
示すアルゴリズムを具体的に説明する。まず、ｋ番目の
出力信号y3kと教師信号ytkとの誤差ekは、 ek＝ytk−y3k ……（４） である。ユニツトの動作レベルU3kにおける誤差の影響
度をd3kとすると、d3kは、 d3k＝ekf′3k（U3k） ……（５） で表される。但し、ｆ′（Ｕ）は次のとおり。
従つて、出力層ｋ番目のユニツトにおけるｊ番目の入
力部にあるシナプス加重W3k,2jの修正量 ΔW3k,2j（Ｎ＋１）は次式で表される。
ΔW3k,2j（Ｎ＋１）＝η・d3k・y2j ……（７） ここで、Ｎは前回を表す記号でηは学習定数と称す
る。また、y2jは中間層のｊ番目の出力信号を示す。但
し、安定な収束を実現するために、（７）式で得た修正
量をそのまま使用せず、次式で表す方法で修正し、新た
なシナプス加重 W3k,2j（Ｎ＋１）を次式のように得る。
W3k,2j（Ｎ＋１）＝ W3k,2j（Ｎ）＋ΔW3k,2j（Ｎ＋１） ＋α・ΔW3k,2j（Ｎ） ……（８） ここで、αは安定化定数と称する。以上、出力層の入
力部のシナプス加重の修正方法を示した。
次に、中間層の入力部のシナプス加重の修正方法を説
明する。第11図では中間層のｊ番目のユニツトのｉ番目
の入力部にあるシナプス加重W2j,1iに着目して、その修
正方法を示してある。この場合のユニツトの動作レベル
U2jにおける誤差の影響度d2jは、出力層の全ユニツト出
力の誤差を考慮して決定されるべきで、下記（９）式で
表される。
従つて、中間層ｊ番目のユニツトにおけるｉ番目の入
力部にあるシナプス加重の修正量 ΔW2j,1i（Ｎ＋１）は、次式で表される。
ΔW2j,1i（Ｎ＋１）＝η・d3j・y1i ……（10） ここで、Ｎは前回を示す記号で、ηは学習定数と称す
る。また、y1iは入力層のｉ番目の出力信号を示す。但
し、出力層の場合と同様、安定な収束を実現するため
に、（10）式で得られた修正量をそのまま使用せず、次
式で表す方法で修正し、新たなシナプス加重W2j,1i（Ｎ
＋１）を次式のように得る。
W2j,1i（Ｎ＋１）＝W2j,1i（Ｎ）＋ΔW2j,1i（Ｎ＋１） ＋α・ΔW2j,1i（Ｎ） ……（11） ここで、αは安定化定数と称する。
上記（４）〜（11）式の演算処理を繰り返すことによ
り誤差ekを最小化することができる。すなわち、出力層
からの出力信号パターンを教師信号パターンに一致させ
ることができ、その結果、入力信号パターンが神経回路
モデル内のシナプス加重分布（すなわち、回路内接続強
度分布）として記憶（学習）したことになる。また、別
の入力信号パターンを入力層に提示し、教師信号パター
ンもこれに対応して別のパターンを提示すれば、上記ア
ルゴリズムが動作し、新たなシナプス加重分布として記
憶したことになる。
このようなアルゴリズムを用いれば、複数の学習サン
プルを同一神経回路モデル内に記憶することが可能であ
る。学習完了後の神経回路モデルを用いれば、既学習パ
ターンと同一のパターンが入力された場合は、学習時に
用いた出力信号パターンと同一のものが出力層から出力
される。また、未学習のパターンが入力された場合で
も、既学習パターンとの類似度に応じて出力信号パター
ンも類似したものが得られる。
第12図は上記の神経回路モデルと学習方式を本実施例
に適用した場合の神経回路モデル100とその学習用入力
信号115および学習用スケジユール修正量210との関係を
示す。学習用入力信号115は前回起動時の運転目標11と
プロセス状態初期値44から成る。ここで、運転目標11と
は、目標負荷、目標起動完了時刻、ロータ表面応力制限
値およびロータボア応力制限値などである。但し、目標
起動完了時刻は実際には現時刻から起動完了までの時間
に換算されて入力される。
また、プロセス状態初期値44とは、主蒸気温度、主蒸
気圧力、再熱蒸気温度、再熱蒸気圧力、高圧および中圧
タービン第１段後ケーシング内外壁温度などである。す
なわち、入力層のユニツト数は12個であり、出力層のユ
ニツト数は７個である。また、中間層のユニツト数に関
しては厳密に規定する必要はなく、本実施例では学習特
性に応じて変更し得るよう可変構造とした。
運転モードによる運転実績を積むにつれ、学習モード
においては新しい学習用入力信号115と学習用スケジユ
ール修正量210が神経回路100の入力層と出力層に次々と
提示され、その都度、学習機能200により神経回路モデ
ル内のシナプス加重が改善されてゆく。このことが、本
システムが自己成長性を実現している基本原理である。
第13図は本発明の実施例において、制御システムがプ
ラントの起動実績を積むにつれ起動特性が改善（この場
合、起動時間が短縮）されてゆく様子を示すものであ
る。本図では、実施された４回の起動に関する特性を図
中の数字で示した。
１回目の起動で発生した熱応力は制限値に対して大き
な余裕があつたが、起動を繰返すことにより制限値を有
効に利用することができ、起動時間の短縮となつて現れ
ている。第13図では、点火時刻を基準として起動特性を
示しているが、運転目標が起動完了時刻であれば、起動
完了時刻を基準にして、その他の時刻管理を行なえば良
い。また、併入時刻あるいは通気時刻が運転目標となる
場合も同様であり、本発明を適用するにあたり、何ら新
たな概念を必要としない。
本発明の上記実施例では、最適化のためのスケジユー
ルパラメータとして昇温所要時間、速度保持時間、負荷
保持時間の計７個を用いたが、必ずしもこれらのパラメ
ータに限定する必要はなく、昇速度や負荷上昇率などス
ケジユールパラメータを構成するその他のパラメータに
も拡張し、これを最適化する方式としても何ら本発明の
基本概念を変更するものではない。
本発明の実施例では起動時間の短縮に関する最適化を
主体として説明したが、実際にプラントを運転するにあ
たり、その日の状況に応じて種々の要求が発生する場合
が多い。例えば、運転に伴うエネルギー損失や機器の寿
命消費、起動完了時刻などの目標値到達時刻の精度、目
標状態値に対する達成精度、状態変化率に対する精度、
水や薬品など資源に関する損失、運転制限値に対する余
裕値など様々な要求である。運転員は、その日の状況に
応じて上記各種要求に対する重み付けをすることによ
り、必要な運転特性が得られることを期待する。すなわ
ち、多目的最適化である。
このような場合にも、本発明はそのまま適用できる。
第14図は、本発明を多目的最適制御システムとして適用
する場合に前述の実施例における各機能のうち、内容的
に拡張される部分のみ、すなわち目標設定機能10、評価
機能410、フアジイ推論400および知識ベース500につい
て示したものである。目標設定機能10では運転員はエネ
ルギー損失、機器寿命消費、目標値到達時刻などに関す
る目標精度を図示のような方法で設定する。ここで、目
標精度とは、別途与えられている標準値に対する誤差と
定義する。第14図の目標設定の例では、「エネルギー損
失と機器寿命消費は少々大きくてもかまわないが、目標
値到達時刻は通常より早めにしたい」という運転員の願
望を示している。
一方、評価機能300では、上記目標に対応してエネル
ギー損失評価機能301、機器寿命消費評価機能302、目標
値到達時刻評価機能303といつた評価機能300を準備す
る。また、これらからの評価値410に対してスケジユー
ル修正量を求めるために、フアジイ推論400はエネルギ
ー損失評価低減用知識ベース501、機器寿命消費低減用
知識ベース502、目標値到達時刻精度向上用知識ベース5
03など多種の知識から成る知識ベース（修正ルール）50
0を用いる。
フアジイ推論400では、上記多目的な運転目標11が与
えられると、前記の各知識ベースを構成するルールの結
論部に設定されたメンバーシツプ関数の出力値すなわち
スケジユール修正量が各目標精度に応じてスケール変更
される。これにより、前記の多目的な運転目標11を達成
するために必要な第２のスケジユール修正量420を求め
ることができる。
第15図は、エネルギー損失低減用ルールの結論部メン
バーシツプ関数を例としてスケール変更の状況を示すも
のである。すなわち、エネルギー損失の目標精度がプラ
ス側に設定された場合は、メンバーシツプ関数の幅は小
さくなり、スケジユール修正量は小さく、エネルギー損
失に対して感度が鈍くなる。逆に、プラス側に設定され
た場合は、メンバーシツプ関数の幅は大きくなり、スケ
ジユール修正量は大きく、エネルギー損失に対して感度
が高くなる。なお、図示はしないが、神経回路モデル10
0の入力層に準備すべきユニツトの数は、多目的となつ
た場合は運転目標11および必要なプロセス状態初期値44
の数に合わせることは勿論のことである。出力層に関し
ても修正対象スケジユールパラメータの数に一致させる
ことは勿論である。
以上、述べた本発明の実施例は、プロセス運転特性に
応じて、スケジユール修正量を最適化するためのもので
あるが、本発明は、他にも利用できることは勿論であ
る。例えば、調節機能40において、PID調節系（入力信
号を受けて、比例，積分，微分動作をする調節系）を用
いる場合は、そのPIDゲインの最適調整に利用すること
ができる。
また、スケジユール機能30あるいは調節機能40におい
て、各種数値演算あるいは論理演算を行なう場合のゲイ
ン（Ｋ）の最適調整に利用することができる。
さらに、上記両機能30,40において、関数（ｆ）を使
用する場合は、関数（ｆ）の最適修正あるいは複数個準
備した関数（ｆ）の最適切替にも本発明は適用すること
が可能である。また、スケジユール機能30あるいは調節
機能40に手動／自動切替用あるいは操作短切替用の切替
器がある場合にも、運転特性に応じた最適切替に本発明
を適用することが可能である。さらに、調節機能そのも
のを運転目標に応じて切替る場合も本発明が適用でき
る。
また、複数台からなる機器群の中から特定の機器ある
いは特定代数の機器を運転目標に応じて最適に組合せ
て、操作もしくは運転する場合にも本発明を適用するこ
とができる。勿論、上記の機能を任意に組合せた適用も
可能である。
次に、上記の各種の調整に適用した具体的実施例につ
いて説明する。
まず、調節機能40におけるPIDゲインの最適調整に本
発明を適用した場合を第16図で説明する。なお第16図以
降では、評価機能、フアジイ推論、修正ルール（知識ベ
ース）及び学習機能を省略して示している。本図に示す
ようにPID調節系40のKp,Ki,Kdはそれぞれ比例ゲイン、
積分ゲイン、微分ゲインである。本例では、プロセス30
00の応答特性310を評価機能300で評価し、予め準備した
ゲイン修正用の知識ベース500を用いて、学習モードに
てフアジイ推論400によりスケジユール修正量を求め
て、これと運転目標を対応付けて神経回路モデル100に
学習させる。
運転モードにおいては、上記学習済みの神経回路モデ
ル100に運転目標11を入力することにより、最適なゲイ
ン修正量ΔKp,ΔKi,ΔKdを出力値として得ることができ
る。
次に、スケジユール機能30および調節機能40における
ゲイン（Ｋ）の最適調整に本発明を適用した場合を第17
図および第18図で説明する。第17図に示すように、スケ
ジユール機能30に属するゲインK11,K12,…,K1mは、プロ
セスの応答特性より学習モードにおいて、フアジイ推論
400によりゲイン修正量を求め、これと運転目標11とを
対応つけて学習させた神経回路モデル100に、運転モー
ドにおいて運転目標11を入力することにより、最適なゲ
イン修正量ΔK11,ΔK12,…，ΔK1mを出力値として得る
ことができる。また、第18図に示すように、調節機能40
に属するゲインK21,K22,…,K2nは、同様にしてプロセス
の運転特性よりフアジイ推論400によりゲイン修正量を
求め、これと運転目標11とを対応付けて学習させた神経
回路モデル100に、運転モードにおいて運転目標を入力
することにより、最適なゲイン修正量ΔK21,ΔK22,…，
ΔK2nを出力値として得ることができる。
次に、スケジユール機能30および調節機能40における
関数（ｆ）の最適修正について第19図を用いて説明す
る。いま、関数ｆ（AX1,BX2,CX3）のA,B,Cが係数として
与えられているとき、神経回路モデル100からは、ΔA,
ΔB,ΔＣを最適修正量として出力することにより、プロ
セスの応答特性を改善することができる。
次に、複数個準備した関数（ｆ）の最適切替に本発明
を適用した場合について第20図を用いて説明する。この
場合は、複数個の関数f1,f2,…,fnの入力部または出力
部にスイツチング機能S1,S2,…,Snを準備し、神経回路
モデル100から運転目標11に応じて、その操作信号W1,
W2,…,Wnを最適切替信号として出力することにより、プ
ロセスの応答特性を改善することができる。
次に、手動／自動切替用に本発明を用した場合を第21
図を用いて説明する。この場合は、手動／自動切替器10
1,102,103において、自動モードの場合は、入力信号
Xa1,Xa2,Xa3が出力Y1,Y2,Y3となるが、手動モードの場
合は、それぞれ手動設定器201,202,203から手動で設定
された信号Xm1,Xm2,Xm3が出力信号Y1,Y2,Y3となるもの
であり、運転目標11に応じて神経回路モデル100からの
最適切替信号W1,W2,W3により切替られる。
次に、操作端切替用に本発明を適用した場合について
第22図を用いて説明する。この場合は、複数の操作端13
1,132,133を操作するための操作器141,142,143のうち、
調節機能40からの操作端として最適なものを決定するた
めに、神経回路モデル100から最適切替信号T1,T2,T3を
各切替器151,152,153に対応して出力する。
次に、同一操作端に対して、調節機能そのものの切替
に本発明を適用した場合について第23図を用いて説明す
る。この場合は、複数の調節機能40a,40b,40cの動作を
各入力部に設けた切替器S1,S2,S3に対して神経回路モデ
ル100から最適な切替信号T1,T2,T3を出力することによ
り決定することができる。
次に、複数台からなる機器群の中から運転目標に合致
した特定の機器あるいは特定代数の機器を最適選択し
て、操作もしくは運転する場合について、第24図を用い
て説明する。本図は、10台の機器3001,3002,…,3010か
ら成る機器群を運転する場合を例として示した。各機器
の制御装置もしくは操作器601,602,…,610に対してスケ
ジユール機器30から操作もしくは運転指令を発生させる
が、どの機器を対象とするかを決定する必要がある。こ
の場合も運転目標11に応じて神経回路モデル100から出
力される最適機器選択信号M1,M2,…,M10がスケジユール
機能30の記憶部311に与えられる。この場合、最適機器
選択信号はバイアス信号で与えられる。
以上、本発明の各種適用例について説明したが、これ
らは目的に応じて、任意に組合わせることが可能であ
り、このことにより本発明の本質が変わることはない。
本発明の実施例によれば、次に示す（イ）〜（ル）の
効果が得られる。
（イ）運転実績を積むほど運転特性が自己成長的に向上
する。
すなわち、制御システムに内蔵されたフアジイ推論と
神経回路モデルを中心とした自己学習機構がこれに寄与
している。制御システムにこのような巧妙な能力を付加
するのに必要となるのは、運転員、調整員、制御技術者
などの専門家がもつ定性的知識のみである。そのため、
プロセスの運転開始の際に必要となる初期調整は簡素化
でき、その後の運転特性は向上する一方である。
（ロ）日々刻々変化する運転目標に対してプロセスは常
に最適運転が保証される。すなわち、過去の運転事例に
対応する最適運転方法を制御システムに内蔵された神経
回路モデルが十分に学習を積んでおれば、運転目標が与
えられたとき、常に最適な運転を実現できる。
（ハ）多目的最適化が容易となる。プロセスを運転する
にあたり運転員は日々刻々の状況に応じて、各種要求と
それらに対する重み付けを制御システムに設定する。こ
れにより、必要な運転特性が得られる。すなわち、運転
員は起動所要時間、エネルギー損失、機器寿命消費量、
目標値到達時刻、目標状態達成精度、状態変化率達成精
度、資源損失量、対運転制限値余裕などに関する要求度
合いを決定するのみでよい。従つて、計算制御システム
としての本システムは複雑大規模なプログラムを膨大な
時間をかけて作成する必要はない。
（ニ）PIDゲインの最適調整に利用できる。これによ
り、調整員による膨大な調整時間が不要となるととも
に、運転条件によるプロセス動特性の非線形性に対し、
調節機能が常に最適ゲインに追従できることである。さ
らに、プロセスの特性が経時変化する場合でも常に最適
ゲインに維持できる。従つて、プロセスからは均質で良
質の製品を生産することができ、歩留も向上する。
（ホ）スケジユール機能および調節機能における数値演
算あるいは論理演算に使用している変数間の重みを最適
化できる。これにより、運転目標に応じた最適なプロセ
ス運転特性が得られる。この結果、演算式の初期調整の
時間が大幅に削減できるばかりでなく、運転目標に応じ
て動的に最適調整される。
（ヘ）関数（ｆ）の最適調整が可能となる。プロセスの
特性が経時変化した場合の効果は前記（ニ）の効果と同
様であり、運転目標が変更された場合は先行制御信号や
バイアス信号の最適化などに効果的である。
（ト）複数個準備された関数をプロセスの運転状態や運
転目標に応じて使い分ける場合に最適自動切替が可能と
なる。したがつて、複雑な切替管理用ロジツクの作成が
不要となる。
（チ）手動／自動切替器の最適自動切替が可能となる。
そのため、異常発生時など手動による対応操作が必要と
なる場合、残留自動系による暴走を防止できること、自
動切替に伴うメツセージ出力による運転員による操作ミ
スを防止できること、手動運転後に自動運転に移行する
際、滑らかで速やかな移行が可能なことなどの効果があ
る。これにより、運転員の負荷が軽減されることも大き
な効果である。
（リ）操作端の最適自動切替が可能となる。このため、
運転目標やプロセス状態に応じて、より安定で安全な操
作端が選択されること、より応答性の良い操作端が選択
されること、より効率的な操作端が選択されたランニン
グコストを低減できること、操作器の寿命消費の均等化
あるいは計画的な管理が可能となるなどの効果がある。
また、複雑な切替管理用ロジツクの作成が不要となる。
（ヌ）調節機能の最適自動切替が可能となる。したがつ
て、複雑な切替管理用ロジツクの作成が不要となる。
（ル）複数台からなる機器群の中から運転すべき機器あ
るいは代数の自動選択が可能となる。このため、運転目
標やプロセス状況に応じて、より安定で安全な機器が選
択されること、より応答性の良い機器が選択されるこ
と、より効率的な機器端が選択されランニングコストを
低減できること、機器の寿命消費の均等化あるいは計画
的な管理が可能となることによる予備機台数を最小化で
きることなどの効果がある。また、複雑な切替管理用ロ
ジツクの作成が不要となる。
〔発明の効果〕
以上、本発明の制御システムによれば、プロセスモデ
ルを用いることなく簡単な知識ベースを用いて自動的に
プロセスの最適化をはかることができる。
【図面の簡単な説明】
第１図は、本発明の一実施例を示すもので、運転モード
すなわち実際にプロセスが運転中に動作する機能を示し
た構成図、第２図は、本発明の一実施例で学習モードす
なわちプロセスが休止もしくは停止中に動作する機能を
示した構成図、第３図は、本発明の一実施例である制御
対象プロセスとしての火力発電プラントの主要機器構成
示す構成図、第４図は、第３図に示した火力発電プラン
トのなかで、タービン熱応力管理上、重要となる高圧及
び中圧タービン入口部の軸方向断面および検出器の位置
を示す第３図のＡ部に相当する部分の断面図、第５図
は、本発明の一実施例である制御特性の評価機能とフア
ジイ推論による操作パラメータの修正方法を示す概略説
明図、第６図は、起動スケジユールとタービン熱応力の
関係を示す特性図、第７図は、タービン熱応力余裕値を
評価するためのメンバーシツプ関数を示す説明図、第８
図は、フアジイ推論によりスケジユール修正量の算出手
順を示す説明図、第９図は、本発明の一実施例である神
経回路モデルの単一ニユーロンモデルを示す概略図、第
10図は、第９図のニユーロンモデルを多層に配置した神
経回路モデルと学習の基本的考え方を説明する説明図、
第11図は、神経回路モデルの学習アルゴリズムを示す説
明図、第12図は、神経回路モデルと学習方式を火力発電
プラントの起動制御に適用した場合を示す説明図、第13
図は、本発明を適用することにより、プラントの起動特
性が改善されてゆく様子を示す特性図、第14図は、本発
明を多目的最適化制御システムとして適用した場合の目
標設定機能とフアジイ推論との関係を示す説明図、第15
図は、多目的最適化のための目標設定時のメンバーシツ
プ関数のスケール変更の状況を示す説明図、第16図は、
本発明をPIDゲインの最適調整に適用した場合を示す概
略構成図、第17図は、本発明をスケジユール機能におけ
るゲインの最適修正に適用した場合を示す概略構成図、
第18図は、本発明を調整機能におけるゲインの最適修正
に適用した場合を示す概略構成図、第19図は、本発明を
関数の最適修正に適用した場合を示す概略構成図、第20
図は、本発明を関数の最適切替に適用した場合を示す概
略構成図、第21図は、本発明を手動／自動切替器の最適
切替に適用した場合を示す概略構成図、第22図は、本発
明を操作端の最適切替に適用した場合を示す概略構成
図、第23図は、本発明を調節機能の最適選択に適用した
場合を示す概略構成図、第24図は、本発明を機器群中か
ら運転必要機器を最適選択するのに適用した場合を示す
概略構成図である。 10……目標設定機能、30……スケジユール機能、40……
調節機能、100……神経回路モデル、200……学習機能、
300……評価機能、400……フアジイ推論、500……知識
ベース、1000……制御機能、2000……最適化機能、3000
……プロセス。
フロントページの続き (72)発明者 斎藤 忠良 茨城県日立市久慈町4026番地 株式会社 日立製作所日立研究所内 (72)発明者 横山 宏 茨城県日立市久慈町4026番地 株式会社 日立製作所日立研究所内 (72)発明者 鍛治 明 茨城県日立市大みか町５丁目２番１号 株式会社日立製作所大みか工場内 (72)発明者 宮垣 久典 茨城県日立市大みか町５丁目２番１号 株式会社日立製作所大みか工場内 (72)発明者 二川原 誠逸 茨城県日立市幸町３丁目１番１号 株式 会社日立製作所日立工場内 (72)発明者 花岡 浩 茨城県日立市幸町３丁目１番１号 株式 会社日立製作所日立工場内 (56)参考文献 特開 昭63−94004（ＪＰ，Ａ)

Claims (2)

    (57)【特許請求の範囲】
  1. 【請求項１】制御対象となるプロセスの運転目標を設定
    する目標設定機能と、 該目標設定機能からの信号と該プロセスの初期値とに基
    づいて該プロセスを運転するための基本スケジュールを
    作成するスケジュール機能と、 該スケジュール機能からの信号に従って該プロセスに対
    して操作量を出力する調節機能と、 該調節機能から出力された操作量に基づいて該プロセス
    が運転されたときの運転特性を定量的に評価する評価機
    能と、 該プロセスの運転目標と運転特性との定性的関係におい
    てスケジュールの修正度合いを規定した複数のファジィ
    ルールからなる知識ベースと、 該知識ベースの中から定性的に合致するファジィルール
    を抽出してスケジュール修正量を定量的に決定するファ
    ジィ推論機能とを有するプロセス制御システムにおい
    て、 該プロセスの運転目標と初期値とを入力するユニットを
    入力層に有し、該入力層に入力された前記運転目標と初
    期値とに基づいて前記調節機能への入力信号として前記
    スケジュール機能からの信号に加算すべき第１のスケジ
    ュール修正量を出力するユニットを出力層に有する神経
    回路モデルと、 該神経回路モデルの入力層に該プロセスの運転目標と初
    期値とを入力したときに、出力層から該ファジィ推論機
    能で決定されたスケジュール修正量（第２のスケジュー
    ル修正量）と該第２のスケジュール修正量を決定するに
    当たって使用した第１のスケジュール修正量とを加算し
    た値が新たな第１のスケジュール修正量として出力され
    るように、入力信号と出力信号との対応関係を学習させ
    る学習機能 とを備えたことを特徴とする自己成長型プロセス制御シ
    ステム。
  2. 【請求項２】請求項１において、制御対象となるプロセ
    スが、燃料の燃焼により発生する熱により蒸気を発生さ
    せるボイラと、発生した蒸気の熱エネルギーを機械エネ
    ルギーに変換する蒸気タービンと、変換された該機械エ
    ネルギーを電気エネルギーに変換する発電機とを具備す
    る発電プラントの起動プロセスであることを特徴とする
    発電プラントプロセス制御システム。
JP1302171A 1989-11-22 1989-11-22 プロセス制御システム及び発電プラントプロセス制御システム Expired - Fee Related JP2656637B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP1302171A JP2656637B2 (ja) 1989-11-22 1989-11-22 プロセス制御システム及び発電プラントプロセス制御システム
US07/615,868 US5305230A (en) 1989-11-22 1990-11-20 Process control system and power plant process control system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP1302171A JP2656637B2 (ja) 1989-11-22 1989-11-22 プロセス制御システム及び発電プラントプロセス制御システム

Publications (2)

Publication Number Publication Date
JPH03164804A JPH03164804A (ja) 1991-07-16
JP2656637B2 true JP2656637B2 (ja) 1997-09-24

Family

ID=17905778

Family Applications (1)

Application Number Title Priority Date Filing Date
JP1302171A Expired - Fee Related JP2656637B2 (ja) 1989-11-22 1989-11-22 プロセス制御システム及び発電プラントプロセス制御システム

Country Status (2)

Country Link
US (1) US5305230A (ja)
JP (1) JP2656637B2 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210055712A1 (en) * 2018-05-08 2021-02-25 Chiyoda Corporation Plant operation condition setting assistance system, learning device, and operation condition setting assistance device

Families Citing this family (127)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5471381A (en) * 1990-09-20 1995-11-28 National Semiconductor Corporation Intelligent servomechanism controller
US5852817A (en) * 1991-08-14 1998-12-22 Kabushiki Kaisha Toshiba Intelligent control apparatus
JPH05260567A (ja) * 1992-03-11 1993-10-08 Hitachi Ltd 分散制御システム
JPH05313705A (ja) * 1992-05-12 1993-11-26 Hitachi Ltd プロセス制御方法および装置
US5428525A (en) * 1992-07-01 1995-06-27 Cappelaere; Patrice G. Computer system and method for signal control prioritizing and scheduling
WO1994003847A1 (de) * 1992-08-01 1994-02-17 Siemens Aktiengesellschaft Verfahren und leittechnisches system zum steuern, überwachen und regeln insbesondere von komplexen industriellen prozessen, wie z.b. in einem kernkraftwerk
AU658066B2 (en) * 1992-09-10 1995-03-30 Deere & Company Neural network based control system
US5477444A (en) * 1992-09-14 1995-12-19 Bhat; Naveen V. Control system using an adaptive neural network for target and path optimization for a multivariable, nonlinear process
JPH06236202A (ja) * 1993-02-10 1994-08-23 Hitachi Ltd プラントの運転方法及び装置
DE4416317B4 (de) * 1993-05-17 2004-10-21 Siemens Ag Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses
DE4416364B4 (de) * 1993-05-17 2004-10-28 Siemens Ag Verfahren und Regeleinrichtung zur Regelung eines Prozesses
JPH07175876A (ja) * 1993-10-12 1995-07-14 At & T Corp ニューラルネットワークを用いたプロセスのフィードバックの制御方法とその装置
DE4439225B4 (de) * 1993-12-27 2005-01-27 Ford Motor Company, Dearborn Defuzzifizierungsverfahren für Fuzzy Logic-Ausgangssignale und Reglervorrichtung hierzu
US5517424A (en) * 1994-03-31 1996-05-14 Electric Power Research Institute, Inc. Steam turbine fuzzy logic cyclic control method and apparatus therefor
JPH08194682A (ja) * 1995-01-19 1996-07-30 Ariizumi Gijiyutsushi Jimusho:Kk 演算トラッキングシステムおよびこのシステムを用いた演算方法
US5751910A (en) * 1995-05-22 1998-05-12 Eastman Kodak Company Neural network solder paste inspection system
US6539290B1 (en) * 1995-06-07 2003-03-25 Dabulamanzi Holdings, Llc Method, apparatus and design procedure for controlling multi-input, multi-output (MIMO) parameter dependent systems using feedback LTI'zation
US6092919A (en) * 1995-08-01 2000-07-25 Guided Systems Technologies, Inc. System and method for adaptive control of uncertain nonlinear processes
US5801963A (en) * 1995-11-13 1998-09-01 The University Of Kentucky Research Foundation Method of predicting optimum machining conditions
IN190406B (ja) * 1995-11-14 2003-07-26 Siemens Ag
US5746511A (en) * 1996-01-03 1998-05-05 Rosemount Inc. Temperature transmitter with on-line calibration using johnson noise
US7630861B2 (en) * 1996-03-28 2009-12-08 Rosemount Inc. Dedicated process diagnostic device
US7949495B2 (en) * 1996-03-28 2011-05-24 Rosemount, Inc. Process variable transmitter with diagnostics
US7254518B2 (en) * 1996-03-28 2007-08-07 Rosemount Inc. Pressure transmitter with diagnostics
US6539267B1 (en) 1996-03-28 2003-03-25 Rosemount Inc. Device in a process system for determining statistical parameter
US8290721B2 (en) 1996-03-28 2012-10-16 Rosemount Inc. Flow measurement diagnostics
US6654697B1 (en) 1996-03-28 2003-11-25 Rosemount Inc. Flow measurement with diagnostics
US7085610B2 (en) 1996-03-28 2006-08-01 Fisher-Rosemount Systems, Inc. Root cause diagnostics
US6907383B2 (en) 1996-03-28 2005-06-14 Rosemount Inc. Flow diagnostic system
US6017143A (en) * 1996-03-28 2000-01-25 Rosemount Inc. Device in a process system for detecting events
US5815394A (en) * 1996-04-04 1998-09-29 The Ohio State University Research Foundation Method and apparatus for efficient design automation and optimization, and structure produced thereby
US7149590B2 (en) 1996-05-06 2006-12-12 Pavilion Technologies, Inc. Kiln control and upset recovery using a model predictive control in series with forward chaining
US7610108B2 (en) * 1996-05-06 2009-10-27 Rockwell Automation Technologies, Inc. Method and apparatus for attenuating error in dynamic and steady-state processes for prediction, control, and optimization
US5933345A (en) 1996-05-06 1999-08-03 Pavilion Technologies, Inc. Method and apparatus for dynamic and steady state modeling over a desired path between two end points
US7418301B2 (en) * 1996-05-06 2008-08-26 Pavilion Technologies, Inc. Method and apparatus for approximating gains in dynamic and steady-state processes for prediction, control, and optimization
US7058617B1 (en) * 1996-05-06 2006-06-06 Pavilion Technologies, Inc. Method and apparatus for training a system model with gain constraints
US6438430B1 (en) * 1996-05-06 2002-08-20 Pavilion Technologies, Inc. Kiln thermal and combustion control
US8311673B2 (en) * 1996-05-06 2012-11-13 Rockwell Automation Technologies, Inc. Method and apparatus for minimizing error in dynamic and steady-state processes for prediction, control, and optimization
US6493596B1 (en) * 1996-05-06 2002-12-10 Pavilion Technologies, Inc. Method and apparatus for controlling a non-linear mill
US5993194A (en) * 1996-06-21 1999-11-30 Lemelson; Jerome H. Automatically optimized combustion control
US5828567A (en) * 1996-11-07 1998-10-27 Rosemount Inc. Diagnostics for resistance based transmitter
US5956663A (en) * 1996-11-07 1999-09-21 Rosemount, Inc. Signal processing technique which separates signal components in a sensor for sensor diagnostics
US6434504B1 (en) 1996-11-07 2002-08-13 Rosemount Inc. Resistance based process control device diagnostics
US6754601B1 (en) 1996-11-07 2004-06-22 Rosemount Inc. Diagnostics for resistive elements of process devices
US6601005B1 (en) 1996-11-07 2003-07-29 Rosemount Inc. Process device diagnostics using process variable sensor signal
US6449574B1 (en) 1996-11-07 2002-09-10 Micro Motion, Inc. Resistance based process control device diagnostics
US6519546B1 (en) 1996-11-07 2003-02-11 Rosemount Inc. Auto correcting temperature transmitter with resistance based sensor
US5838588A (en) * 1996-12-13 1998-11-17 Siemens Corporate Research, Inc. Graphical user interface system for steam turbine operating conditions
US5832421A (en) * 1996-12-13 1998-11-03 Siemens Corporate Research, Inc. Method for blade temperature estimation in a steam turbine
JP4643771B2 (ja) * 1996-12-31 2011-03-02 ローズマウント インコーポレイテッド フィールド装置からの制御信号の有効性を確認するための方法および装置
US6102958A (en) * 1997-04-08 2000-08-15 Drexel University Multiresolutional decision support system
BR9812913A (pt) 1997-10-13 2000-08-08 Rosemount Inc Dispositivo processador, programa em um meio legìvel por computador, estrutura de dados incorporada em um dispositivo processador de fluido e método de trasmitir dados em um laço de controle de processo fluido
DE19804026C1 (de) * 1998-02-02 1999-05-06 Siemens Ag Verfahren und Regeleinrichtung zur Regelung eines Gasturbosatzes, insbesondere von Gas- und Dampf-Kraftwerken
US6415272B1 (en) * 1998-10-22 2002-07-02 Yamaha Hatsudoki Kabushiki Kaisha System for intelligent control based on soft computing
US6615149B1 (en) 1998-12-10 2003-09-02 Rosemount Inc. Spectral diagnostics in a magnetic flow meter
US6611775B1 (en) 1998-12-10 2003-08-26 Rosemount Inc. Electrode leakage diagnostics in a magnetic flow meter
US6227842B1 (en) 1998-12-30 2001-05-08 Jerome H. Lemelson Automatically optimized combustion control
US7562135B2 (en) * 2000-05-23 2009-07-14 Fisher-Rosemount Systems, Inc. Enhanced fieldbus device alerts in a process control system
US8044793B2 (en) * 2001-03-01 2011-10-25 Fisher-Rosemount Systems, Inc. Integrated device alerts in a process control system
US6633782B1 (en) 1999-02-22 2003-10-14 Fisher-Rosemount Systems, Inc. Diagnostic expert in a process control system
US7346404B2 (en) * 2001-03-01 2008-03-18 Fisher-Rosemount Systems, Inc. Data sharing in a process plant
US7206646B2 (en) * 1999-02-22 2007-04-17 Fisher-Rosemount Systems, Inc. Method and apparatus for performing a function in a plant using process performance monitoring with process equipment monitoring and control
US6298454B1 (en) 1999-02-22 2001-10-02 Fisher-Rosemount Systems, Inc. Diagnostics in a process control system
US6356191B1 (en) 1999-06-17 2002-03-12 Rosemount Inc. Error compensation for a process fluid temperature transmitter
US7010459B2 (en) * 1999-06-25 2006-03-07 Rosemount Inc. Process device diagnostics using process variable sensor signal
WO2001003099A1 (en) 1999-07-01 2001-01-11 Rosemount, Inc. Low power two-wire self validating temperature transmitter
US6505517B1 (en) 1999-07-23 2003-01-14 Rosemount Inc. High accuracy signal processing for magnetic flowmeter
US6701274B1 (en) 1999-08-27 2004-03-02 Rosemount Inc. Prediction of error magnitude in a pressure transmitter
US6556145B1 (en) 1999-09-24 2003-04-29 Rosemount Inc. Two-wire fluid temperature transmitter with thermocouple diagnostics
US6468069B2 (en) 1999-10-25 2002-10-22 Jerome H. Lemelson Automatically optimized combustion control
US6735484B1 (en) 2000-09-20 2004-05-11 Fargo Electronics, Inc. Printer with a process diagnostics system for detecting events
JP4564715B2 (ja) * 2001-03-01 2010-10-20 フィッシャー−ローズマウント システムズ， インコーポレイテッド ワークオーダ／パーツオーダの自動的生成および追跡
US7720727B2 (en) 2001-03-01 2010-05-18 Fisher-Rosemount Systems, Inc. Economic calculations in process control system
US8073967B2 (en) 2002-04-15 2011-12-06 Fisher-Rosemount Systems, Inc. Web services-based communications for use with process control systems
US6970003B2 (en) 2001-03-05 2005-11-29 Rosemount Inc. Electronics board life prediction of microprocessor-based transmitters
US6629059B2 (en) 2001-05-14 2003-09-30 Fisher-Rosemount Systems, Inc. Hand held diagnostic and communication device with automatic bus detection
US6922593B2 (en) * 2001-08-06 2005-07-26 Gideon Weiss Control of items in a complex system by using fluid models and solving continuous linear programs
US6560965B1 (en) 2001-08-20 2003-05-13 Honeywell Power Systems Inc. System and method of cleaning a recuperator in a microturbine power system
US6772036B2 (en) 2001-08-30 2004-08-03 Fisher-Rosemount Systems, Inc. Control system using process model
US6701236B2 (en) 2001-10-19 2004-03-02 Yamaha Hatsudoki Kabushiki Kaisha Intelligent mechatronic control suspension system based on soft computing
US20030097243A1 (en) * 2001-10-23 2003-05-22 Mays Thomas Gilmore Method and system for operating a hydrocarbon production facility
US20030120437A1 (en) * 2001-12-21 2003-06-26 Yaosheng Chen Method and apparatus for on-line monitoring of solid-fuel/air flows
US6729392B2 (en) 2002-02-08 2004-05-04 Dril-Quip, Inc. Tubing hanger with ball valve in the annulus bore
US7838297B2 (en) * 2003-03-28 2010-11-23 General Electric Company Combustion optimization for fossil fuel fired boilers
WO2005013019A2 (en) * 2003-07-25 2005-02-10 Yamaha Motor Co., Ltd Soft computing optimizer of intelligent control system structures
US7018800B2 (en) * 2003-08-07 2006-03-28 Rosemount Inc. Process device with quiescent current diagnostics
US7627441B2 (en) * 2003-09-30 2009-12-01 Rosemount Inc. Process device with vibration based diagnostics
US7523667B2 (en) * 2003-12-23 2009-04-28 Rosemount Inc. Diagnostics of impulse piping in an industrial process
US7251638B2 (en) 2004-03-03 2007-07-31 Yamaha Hatsudoki Kabushiki Kaisha Intelligent robust control system for motorcycle using soft computing optimizer
TWI231481B (en) * 2004-03-11 2005-04-21 Quanta Comp Inc Electronic apparatus
US20060218108A1 (en) * 2005-03-24 2006-09-28 Sergey Panfilov System for soft computing simulation
US20060224547A1 (en) * 2005-03-24 2006-10-05 Ulyanov Sergey V Efficient simulation system of quantum algorithm gates on classical computer based on fast algorithm
US9201420B2 (en) 2005-04-08 2015-12-01 Rosemount, Inc. Method and apparatus for performing a function in a process plant using monitoring data with criticality evaluation data
US8005647B2 (en) 2005-04-08 2011-08-23 Rosemount, Inc. Method and apparatus for monitoring and performing corrective measures in a process plant using monitoring data with corrective measures data
US8112565B2 (en) * 2005-06-08 2012-02-07 Fisher-Rosemount Systems, Inc. Multi-protocol field device interface with automatic bus detection
US20060293817A1 (en) * 2005-06-23 2006-12-28 Takahide Hagiwara Intelligent electronically-controlled suspension system based on soft computing optimizer
US7272531B2 (en) * 2005-09-20 2007-09-18 Fisher-Rosemount Systems, Inc. Aggregation of asset use indices within a process plant
US20070068225A1 (en) * 2005-09-29 2007-03-29 Brown Gregory C Leak detector for process valve
JP4573783B2 (ja) 2006-03-08 2010-11-04 株式会社日立製作所 プラントの制御装置と制御方法及び火力発電プラントとその制御方法
US7496414B2 (en) * 2006-09-13 2009-02-24 Rockwell Automation Technologies, Inc. Dynamic controller utilizing a hybrid model
US8774204B2 (en) * 2006-09-25 2014-07-08 Fisher-Rosemount Systems, Inc. Handheld field maintenance bus monitor
US7953501B2 (en) 2006-09-25 2011-05-31 Fisher-Rosemount Systems, Inc. Industrial process control loop monitor
US8788070B2 (en) * 2006-09-26 2014-07-22 Rosemount Inc. Automatic field device service adviser
US7750642B2 (en) 2006-09-29 2010-07-06 Rosemount Inc. Magnetic flowmeter with verification
DE102007022705A1 (de) * 2007-05-15 2008-11-20 Siemens Ag Verfahren zum Betrieb eines Windparks mit einer Mehrzahl von Windkraftanlagen
US8898036B2 (en) 2007-08-06 2014-11-25 Rosemount Inc. Process variable transmitter with acceleration sensor
US8301676B2 (en) 2007-08-23 2012-10-30 Fisher-Rosemount Systems, Inc. Field device with capability of calculating digital filter coefficients
US7702401B2 (en) 2007-09-05 2010-04-20 Fisher-Rosemount Systems, Inc. System for preserving and displaying process control data associated with an abnormal situation
US7590511B2 (en) * 2007-09-25 2009-09-15 Rosemount Inc. Field device for digital process control loop diagnostics
US8055479B2 (en) 2007-10-10 2011-11-08 Fisher-Rosemount Systems, Inc. Simplified algorithm for abnormal situation prevention in load following applications including plugged line diagnostics in a dynamic process
JP4627553B2 (ja) * 2008-03-28 2011-02-09 株式会社日立製作所 プラントの制御装置および火力発電プラントの制御装置
US20100017009A1 (en) * 2008-06-30 2010-01-21 International Business Machines Corporation System for monitoring multi-orderable measurement data
US7921734B2 (en) * 2009-05-12 2011-04-12 Rosemount Inc. System to detect poor process ground connections
US9217565B2 (en) * 2010-08-16 2015-12-22 Emerson Process Management Power & Water Solutions, Inc. Dynamic matrix control of steam temperature with prevention of saturated steam entry into superheater
US9207670B2 (en) 2011-03-21 2015-12-08 Rosemount Inc. Degrading sensor detection implemented within a transmitter
US9927788B2 (en) 2011-05-19 2018-03-27 Fisher-Rosemount Systems, Inc. Software lockout coordination between a process control system and an asset management system
US9052240B2 (en) 2012-06-29 2015-06-09 Rosemount Inc. Industrial process temperature transmitter with sensor stress diagnostics
US9207129B2 (en) 2012-09-27 2015-12-08 Rosemount Inc. Process variable transmitter with EMF detection and correction
US9602122B2 (en) 2012-09-28 2017-03-21 Rosemount Inc. Process variable measurement noise diagnostic
US20140123664A1 (en) * 2012-11-05 2014-05-08 General Electric Company Systems and Methods for Generating a Predictable Load Upon Completion of a Start Sequence of a Turbine
JP6067450B2 (ja) * 2013-03-27 2017-01-25 三菱日立パワーシステムズ株式会社 蒸気タービン発電プラント
JP6319998B2 (ja) * 2013-11-21 2018-05-09 三菱日立パワーシステムズ株式会社 蒸気タービンプラント起動制御装置
CA2991699A1 (en) * 2015-06-29 2017-01-05 Roman Cement, Llc Modification of properties of pozzolanic materials through blending
US10387775B2 (en) * 2015-09-09 2019-08-20 Emerson Process Management Power & Water Solutions, Inc. Model-based characterization of pressure/load relationship for power plant load control
JP6325504B2 (ja) * 2015-10-28 2018-05-16 ファナック株式会社 学習制御器の自動調整を行う機能を有するサーボ制御装置
JP6536978B1 (ja) * 2018-03-15 2019-07-03 オムロン株式会社 学習装置、学習方法、及びそのプログラム
JP6703633B2 (ja) * 2019-04-24 2020-06-03 三菱日立パワーシステムズ株式会社 制御パラメータ最適化システム及びそれを備えた運転制御最適化装置

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4607325A (en) * 1981-10-21 1986-08-19 Honeywell Inc. Discontinuous optimization procedure modelling the run-idle status of plural process components
US4628462A (en) * 1984-09-11 1986-12-09 Westinghouse Electric Corp. Multiplane optimization method and apparatus for cogeneration of steam and power
DE3710990A1 (de) * 1986-04-02 1987-10-22 Hitachi Ltd Betriebssystem und verfahren zum anfahren eines waermekraftwerkes
DE3772812D1 (de) * 1986-04-11 1991-10-17 Mitsubishi Electric Corp Selbsteinstellender regler.
JPS6394004A (ja) * 1986-10-09 1988-04-25 Hitachi Ltd 発電プラント起動装置
US4805114A (en) * 1987-04-20 1989-02-14 Westinghouse Electric Corp. Economical dispatching arrangement for a boiler system having a cogenerative capability
US4858147A (en) * 1987-06-15 1989-08-15 Unisys Corporation Special purpose neurocomputer system for solving optimization problems
JPH01302402A (ja) * 1988-03-17 1989-12-06 Toshiba Corp プロセス最適化制御装置
JP2635087B2 (ja) * 1988-03-25 1997-07-30 株式会社日立製作所 プロセス制御方法
US5179624A (en) * 1988-09-07 1993-01-12 Hitachi, Ltd. Speech recognition apparatus using neural network and fuzzy logic
JP2821189B2 (ja) * 1989-09-01 1998-11-05 株式会社日立製作所 学習型意思決定支援システム
US5046019A (en) * 1989-10-13 1991-09-03 Chip Supply, Inc. Fuzzy data comparator with neural network postprocessor
US5142612A (en) * 1990-08-03 1992-08-25 E. I. Du Pont De Nemours & Co. (Inc.) Computer neural network supervisory process control system and method

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210055712A1 (en) * 2018-05-08 2021-02-25 Chiyoda Corporation Plant operation condition setting assistance system, learning device, and operation condition setting assistance device
US11914348B2 (en) * 2018-05-08 2024-02-27 Chiyoda Corporation Plant operation condition setting assistance system, learning device, and operation condition setting assistance device

Also Published As

Publication number Publication date
JPH03164804A (ja) 1991-07-16
US5305230A (en) 1994-04-19

Similar Documents

Publication Publication Date Title
JP2656637B2 (ja) プロセス制御システム及び発電プラントプロセス制御システム
CN111045326B (zh) 一种基于递归神经网络的烘丝过程水分预测控制方法及系统
CN101216715B (zh) 用神经元网络调节参数的pid控制温度仪表及其控制方法
CN110285403A (zh) 基于被控参数预估的主蒸汽温度控制方法
CN113325721A (zh) 一种工业系统无模型自适应控制方法及系统
CN113156822B (zh) 基于Mist-边缘-雾-云计算的热误差预测系统及热误差补偿系统
CN108803342B (zh) 一种单元机组负荷快速响应预测控制方法
JP3012716B2 (ja) プロセス制御方法及びその制御装置
CN110684547A (zh) 一种生物质热解炭化窑优化控制方法
Tian et al. Coke oven flue temperature control based on improved implicit generalized predictive control
Song et al. Optimization of temporal processes: a model predictive control approach
Liu et al. Modeling of hydraulic turbine systems based on a Bayesian-Gaussian neural network driven by sliding window data
Peng et al. Research and Application on Two-stage Fuzzy Neural Network Temperature Control System for Industrial Heating Furnace.
CN111459030B (zh) 一种用于锅炉闭环燃烧优化的自适应建模方法
CN116760026B (zh) 计及参数不可辨识性的机组出力精准预测方法
CN117588771A (zh) 一种轧钢加热炉智能燃烧控制系统
Jia et al. Adaptive feedback-feedforward control for a class of nonlinear chemical processes
Dinkla et al. Data-Driven LIDAR Feedforward Predictive Wind Turbine Control
Fakharian et al. A new recurrent fuzzy neural network controller design for speed and exhaust temperature of a gas turbine power plant
CN115573819A (zh) 基于多模型预测控制算法的燃气轮机t-s模型优化方法
LIAO et al. Model free adaptive control scheme based on Elman neural network prediction
JPH08303210A (ja) 火力発電プラントの自律適応最適化制御システム
CN117518823A (zh) 超临界火电机组主蒸汽温度自适应控制方法及相关装置
CN117930768A (zh) 构建工艺指标预测模型的方法、装置、设备及介质
Arafat et al. The Development of a Matlab-Based Fuzzy PID Controller and The Simulation

Legal Events

Date Code Title Description
FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20080530

Year of fee payment: 11

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20090530

Year of fee payment: 12

LAPS Cancellation because of no payment of annual fees