CN101320252A - 成套设备的控制装置 - Google Patents
成套设备的控制装置 Download PDFInfo
- Publication number
- CN101320252A CN101320252A CNA2008101103353A CN200810110335A CN101320252A CN 101320252 A CN101320252 A CN 101320252A CN A2008101103353 A CNA2008101103353 A CN A2008101103353A CN 200810110335 A CN200810110335 A CN 200810110335A CN 101320252 A CN101320252 A CN 101320252A
- Authority
- CN
- China
- Prior art keywords
- equipments
- learning
- control device
- input
- model
- 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
Images
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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供用修正后的模型使学习高速化,修正控制算法,精度良好地控制成套设备的成套设备控制装置。本发明的成套设备控制装置具备:数值解析执行部,其解析成套设备的运转特性;模型,其基于数值解析结果的信息模拟成套设备的控制特性;学习部,其用所述模型来学习成套设备的操作方法;学习信息数据库,其保存所述学习部的学习信息数据;图形生成部,其基于所述学习部的学习信息数据,生成以少于模型输入次数的输入数表示状态输入的图形数据;图形数据库,其保存有所述图形生成部生成的图形数据;学习结果判断部,其从利用多个图形而学习的学习结果中选择出控制效果好的学习结果,根据选择的结果在操作信号生成部算出对成套设备的操作信号。
Description
技术领域
本发明涉及一种成套设备的控制装置,特别涉及一种火力发电成套设备的控制装置。
背景技术
在成套设备的控制装置中,处理从控制对象即成套设备得到的运转状态量的测量信号,算出给予控制对象成套设备的操作信号,作为控制指令传递给控制装置。
在这样的成套设备的控制装置中,为使成套设备的运转状态量的测量信号满足其目标值,实际装有计算操作信号的算法(algorism)。
作为在成套设备的控制中使用的控制算法,有PI(比例、积分)控制算法。在PI控制中,将成套设备的测量信号与其目标值之间的偏差乘上比例增益得到一个值,并在该值上再加上对偏差进行时间积分而得到的值,从而导出给予控制对象的操作信号。
另外,为适应成套设备的运转状态或环境的变化,自动修正/变更控制算法,也可以利用适应控制或学习算法来控制成套设备。
作为对使用学习算法来控制成套设备的控制装置的操作信号进行导出的方法,在日本特开2000-35956号公报中记载了关于一种控制装置的技术,该控制装置采用了利用模型的强化学习法。
在采用该强化学习法的技术的方法中,控制装置具有预测控制对象的特性的模型和学习使模型的输出达到其目标值的模型输入的生成方法的学习部。
并且,通过将在学习部学习的模型输入输入到模型中,可以得到模型输出接近其目标值的效果。
在这种学习型适应控制中,联机修正/变更控制算法,该控制算法使用测量了成套设备运转状态的测量信号修正模型,通过用修正后的模型再次执行学习来高精度地控制成套设备。
因此,所述学习必须在相对于成套设备从控制装置输出的操作信号变更的周期(控制周期)以内修正模型,用修正后的模型再次执行学习,结束该学习来修正/变更控制算法。
该控制周期可以看作从成套设备操作后、直到稳定为止的时间,一般长度为几分钟到几十分钟。
例如,在以火力发电成套设备为代表的复杂的成套设备的控制中,因为模型输入次数从数十个到数百个,学习的模型输入的组合数(探索空间)增大,所以学习时间变长,结果是为精度良好地进行成套设备的控制而通过联机进行必要的控制算法的修正/变更变得困难。
因此,为在控制周期以内结束学习,必须对应模型输入次数的增加来修正模型,提高用该修正后的模型再次进行学习的速度。
在日本特开平7-160661号公报中,公开了一种如下的技术:在神经网络的学习中根据成套设备测量值信息的组合将教示数据分类成多个图形,然后基于控制结果提取学习的图形,通过只学习被提取的图形的教示数据来提高学习速度
专利文献1:日本特开2000-35956号公报
专利文献2:日本特开平7-160661号公报
通过采用在日本特开2000-35956号公报中记载的利用了模型的强化学习法的技术,可以自动学习能够达成控制目标的操作信号的生成方法。
但是,在根据测量了成套设备的运转状态的测量信号修正模型,通过用修正后的模型再次进行学习而修正控制算法的情况下,若复杂的成套设备中模型输入次数增大,则在控制成套设备的控制周期以内进行所述学习变得困难。
另外,若使用日本特开平7-160661号公报中记载的技术,则通过利用图形化分割教示数据,可以缩小搜索空间而提高学习的速度。即,即使在模型输入次数增加、搜索空间(教示数据数)增加的情况下,通过适当地执行图形化也可以在控制周期以内进行学习。
但是,在被分类的教示数据有偏差的情况下,由于学习的图形教示数据数变少,无法获得所希望的学习结果,得不到所希望的学习结果。
另外,因为分类的图形的种类根据控制装置的设计者的知识来决定,所以有在图形生成时人工的负担变得很大的问题。
发明内容
本发明的目的在于提供一种成套设备的控制装置,其根据测量了成套设备运转状态的测量信号修正模型,用该修正后的模型高速执行再次学习的学习,修正成套设备的控制算法,从而精度良好地控制成套设备。
本发明的成套设备的控制装置,其具备操作信号生成部,该操作信号生成部利用测量了成套设备的运转状态的测量信号计算出相对于控制对象成套设备成为控制指令的操作信号,其特征在于,所述控制装置具备:测量信号数据库,其保存有测量的成套设备的测量信号;操作信号数据库,其保存有对成套设备的操作信号;数值解析执行部,其解析成套设备的运转特性;数值解析数据库,其保存有来自所述数值解析执行部的数值解析结果;模型,其根据来自所述数值解析数据库的数值解析结果的信息,模拟给予成套设备操作信号时的成套设备的控制特性;学习部,其利用所述模型学习成套设备的操作方法;学习信息数据库,其保存有所述学习部的学习信息数据;控制逻辑数据库,其保存有用于从所述操作信号生成部输出的操作信号的信息;图形生成部,其根据所述学习部的学习信息数据,生成以少于模型输入次数的输入数表现状态输入的图形数据;图形数据库,其保存有由所述图形生成部生成的图形数据;以及学习结果判断部,其从利用多个图形学习的学习结果中选择控制效果好的学习结果,根据在该学习结果判断部选择的学习结果,从所述操作信号生成部算出所述操作信号。
发明效果
根据本发明,可以实现根据测量了成套设备的运转状态的测量信号修正模型,用该修正后的模型高速执行再次学习的学习而来修正成套设备的控制算法,从而精度良好地控制成套设备的成套设备的控制装置。
附图说明
图1是表示本发明的一个实施例的成套设备的控制装置的整体构成的控制框图;
图2是表示在图1所示的本发明的一个实施例的成套设备的控制装置中的学习部的控制框图;
图3是说明在图1所示的本发明的一个实施例的成套设备的控制装置中的图形化的动作的说明图;
图4是表示图1所示的本发明的一个实施例的成套设备的控制装置的动作的流程图;
图5是表示在图4所示的表示本发明的一个实施例的成套设备的控制装置的动作的流程图中预备学习的动作的流程图;
图6是表示在图4所示的表示本发明的一个实施例的成套设备的控制装置的动作的流程图中图形生成的动作的流程图;
图7是表示图1所示的本发明的一个实施例的成套设备的控制装置中的保存在学习信息数据库中的信息的一状态的说明图;
图8是表示图1所示的本发明的一个实施例的成套设备的控制装置中的保存在图形数据库中的信息的一状态的说明图;
图9是详细说明图4所示的表示本发明的一个实施例的成套设备的控制装置的动作的流程图中的图形生成的一部分动作即图形探索算法的流程图;
图10是说明图9所示的表示本发明的一个实施例的成套设备的控制装置的动作的流程图中计算图形化误差的图形探索算法的说明图;
图11是表示图4所示的表示本发明的一个实施例的成套设备的控制装置的动作的流程图中再次学习的动作的流程图;
图12是详细说明图4所示的表示本发明的一个实施例的成套设备的控制装置的动作的流程图中再次学习的一部分动作的流程图;
图13是表示根据图1所示的本发明的一个实施例的附设在成套设备的控制装置上的图像显示装置所显示的初期画面的例子的一个例子;
图14是表示根据图1所示的本发明的一个实施例在成套设备的控制装置中执行数值解析时在图像显示装置上显示的画面的一个例子;
图15是表示根据图1所示的本发明的一个实施例在成套设备的控制装置中参照数据库时在图像显示装置上显示的画面的一个例子;
图16是表示根据图1所示的本发明的一个实施例在成套设备的控制装置中在执行图形化及学习时在图像显示装置上显示的画面的一个例子;
图17是表示根据图1所示的本发明的一个实施例在成套设备的控制装置中执行操作时在图像显示装置上显示的画面的一个例子;
图18是表示根据图1所示的本发明的一个实施例在成套设备的控制装置中执行预备学习及图形生成时在图像显示装置上显示的画面的一个例子;
图19是表示根据图1所示的本发明的一个实施例在成套设备的控制装置中执行再次学习时在图像显示装置上显示的画面的一个例子;
图20是表示根据图1所示的本发明的一个实施例在成套设备的控制装置中执行图形生成时在图像显示装置上显示的画面的一个例子;
图21是表示适用了图1所示的本发明的实施例的成套设备的控制装置的控制对象的具备锅炉的火力发电成套设备的概要构成图;
图22是在图21所示的控制对象的火力发电成套设备中具备的锅炉的空气加热器部分的放大图;
图23是表示图21所示的本发明的一个实施例即具备锅炉的火力发电成套设备的控制装置中再次学习的内容的一部分的流程图;
图24是表示图21所示的本发明的一个实施例即具备锅炉的火力发电成套设备的控制装置中在执行操作时在图像显示装置上显示的画面的一个例子;
图25是表示图21所示的本发明的一个实施例即在具备锅炉的火力发电成套设备的控制装置中图形化后的分组化的例子的说明图。
图中:
100-成套设备;200-控制装置;201-外部输入接口;202-外部输出接口;210-测量信号数据库;220-数值解析执行部;230-模型;240-数据解析数据库;250-操作信号数据库;260-学习部;270-学习信息数据库;280-操作信号生成部;290-控制逻辑数据库;300-学习结果判断部;400-图形生成部;500-图形数据库;600-外部输入装置;601-键盘;602-鼠标;610-数据处理装置;611-外部输入接口;612-数据收发处理部;613-外部输出接口;620-图像显示装置。
具体实施方式
下面,参照附图对本发明的一个实施例即成套设备的控制装置进行说明。
【实施例1】
图1是表示本发明的一个实施例即成套设备的控制装置的整体构成的控制框图。
在图1中,本实施例的成套设备是构成火力发电成套设备的成套设备100,其具备用煤炭做燃料的锅炉,该具备锅炉的火力发电成套设备100由控制装置200控制。
控制控制对象的所述成套设备100的控制装置200中,作为计算装置分别设置了数值解析执行部220、模型230、学习部260、操作信号生成部280、学习结果判断部300及图形生成部400而构成。
在所述控制装置200中,作为数据库,分别设置了测量信号数据库210、数值解析数据库240、操作信号数据库250、学习信息数据库270、控制逻辑数据库290及图形数据库500而构成。
并且,在该控制装置200中,作为与外部的接口,设置了外部输入接口201及外部输出接口202。
在所述控制装置200中,通过外部输入接口201,将由火力发电成套设备即成套设备100将测量了该火力发电成套设备的各种状态量的测量信号1输入控制装置200。
另外,通过外部输出接口202,从控制装置200向控制对象的所述火力发电成套设备即成套设备100,输送例如控制锅炉的燃烧器,及空气口的空气流量的操作信号15。
在控制装置200中,测量该成套设备100的各种状态量的测量信号1通过外部输入接口201后,被作为测量信号2保存在控制装置200具备的数据库即测量信号数据库210中。
在作为控制装置200具备的计算装置的操作信号生成部280中生成的操作信号14,被输送到外部输出接口202,并被保存在控制装置200具备的数据库即操作信号数据库250中。
在操作信号生成部280中,使用被保存在控制装置200具备的数据库即控制逻辑数据库290中的控制逻辑数据13、及由控制装置200具备的计算装置即学习结果判断部300输出的学习数据12,为了使所述成套设备100的测量信号1达到运转目标值,生成相对于所述成套设备100为操作信号15的操作信号14并向外部输入接口202输出。
在所述控制逻辑数据库290中,为输出控制逻辑数据13,保存有算出控制逻辑数据13的控制电路及控制参数。
在算出该控制逻辑数据13的控制电路中,可以使用公知的PI控制。
保存在控制装置200具备的数据库即学习信息数据库270中的学习数据,在控制装置200具备的计算装置即学习部260中生成。
该学习部260与控制装置200具备的计算装置即模型230连接。
模型230是具有模拟火力发电成套设备即成套设备100的控制特性的功能的装置。即,是将作为控制指令的操作信号15给予所述成套设备100,通过所述模型230模拟计算与得到该控制结果的测量信号1同等的操作的装置。
为进行该模拟计算,从所述学习部260接受使模型230动作的模型输入7,在模型230中模拟计算基于所述成套设备100的控制的特性变化,从而得到该模拟计算结果的模型输出8。
在此,模型输出8为所述成套设备100的测量信号1的预测值。
该模型230根据保存在控制装置200具备的数据库即数值解析数据库240中的数值解析结果6而构成。
在控制装置200具备的计算装置即数值解析执行部220中,用模拟所述成套设备100的物理模型,解析成套设备100的运转特性。
在数值解析执行部220中用物理模型解析成套设备100的特性而得到的计算结果4,被保存在所述数值解析数据库240中。
在模型230中,用保存在数值解析数据库240及测量信号数据库210中的信息,运用神经网络等统计手法,计算对应于模型输入7的模型输出8。
模型230通过使用模型信息数据5从数值解析数据库240中抽出计算与模型输入7对应的模型输出8所必须的数值解析结果6,插入该结果而构成。
另外,使所述数值解析执行部220的物理模型的特性与成套设备100的特性不同,可以使用保存在测量信号数据库210中的测量信号3,以使模型230与成套设备100的控制特性一致的方式修正模型230。
在学习部260中,为使在模型230中模拟计算的模拟输出8达到由操作员预先设定的模型输出目标值,学习模型输入7的生成方法。
此时,将当前的模型输入作为向学习部260的输入,输出该模型输入变化的幅值。在此,将向学习部260的输入称作状态输入,将输出称作操作量变化幅度。
用于学习的约束条件及包含模型输出目标值的学习信息数据9被保存在学习信息数据库270中。
学习部260在成套设备运转开始前直接使用状态输入进行学习,在成套设备运转开始后,使用保存在控制装置200具备的数据库即后述的图形数据库500中的图形数据将状态输入图形化而进行学习。
另外,在所述学习部260中学习的结果即学习数据10被保存在控制装置200具备的数据库即学习信息数据库270中。
在学习数据10中,包含有模型输入变化前的状态输入、该状态输入中的操作量变化幅度以及与该操作结果可以得到的模型输出变化幅度相关的信息。并且,后面将对学习部260的功能进行详细地说明。
在控制装置200具备的计算装置即图形生成部400中,使用在学习部260中在成套设备运转开始前学习的学习数据16生成图形数据17,将该图形数据17保存在图形数据库500中。
在所述成套设备100的运转开始后,从被保存在图形数据库500中的图形数据中选出与测量信号3类似的最佳的图形数据18,在学习部260将包含于测量信号3的状态输入图形化而进行学习。
从在学习部260的学习结果得到并被保存在学习信息数据库270中的学习数据11,被输入至控制装置200具备的计算装置即学习结果判断部300中。
在所述学习结果判断部300中,在用于学习的图形数据18为多个的情况下,从各图形的学习数据11中选择出控制效果最好的学习数据,在使用的图形为一个的情况下选择该图形的学习数据。
在所述学习结果判断部300中选择的学习数据12被输入到操作信号生成部280中。
成套设备100的操作员可以通过使用如图1所示的被设置在控制装置200上的由键盘601和鼠标602构成的外部输入装置600、具有能够与控制装置200进行数据的收发的数据收发处理部612的数据处理装置610、以及图像显示装置620,从而能够访问被保存在控制装置200具备的各种数据库中的信息。
另外,成套设备100的操作员可以通过使用所述各个装置,能够输入在控制装置200具备的计算装置即所述数值解析执行部220、学习部260及图形生成部400采用的设定参数。
数据处理装置610由外部输入接口611、数据收发处理部612及外部输出接口613构成。
并且,在外部输入装置600生成的数据处理装置的输入信号61,通过外部输入接口611被取入数据处理装置610。该数据处理装置610的数据收发处理部612,根据数据处理装置输入信号62的信息取得控制装置200具备的输入输出数据信息60。
另外,在数据收发处理部612中,根据数据处理装置输入信号62的信息输出输入输出数据信息60,输入输出数据信息60包含参数设定值,该参数设定值用于控制装置200具备的计算装置即所述数值解析执行部220、学习部260及图形生成部400。
在数据收发处理部610中,将由处理输入输出数据信息60的结果得到的数据处理装置输出信号63输送至外部输出接口613。因为从外部输出接口613将数据处理装置输出信号64输送至图像显示装置620而进行显示,所以可以使分别被保存在控制装置200具备的各种数据库中的信息显示在图像显示装置620上。
并且,在上述的本发明的实施例即成套设备的控制装置200中,虽然是由所述测量信号数据库210、数值解析数据库240、操作信号数据库250、学习信息数据库270、控制逻辑数据库290及图形数据库500构成控制装置200的计算装置进行配置,但也可以将所有这些或者一部分配置在控制装置200的外部。
另外,所述数值解析执行部220虽然被配置在控制装置200的内部,但是也可以将其配置在控制装置200的外部。
例如,也可以将所述数值解析执行部220及数值解析数据库240配置在控制装置200的外部,使数值解析结果6经过互联网输送到控制装置200中。
下面,结合图2对控制装置200具备的所述学习部260进行详细地说明。
如图2所示,学习部260由模型输入生成机构261、预备学习机构262、图形选择机构263、图形变换机构264及再次学习机构265构成。
在构成学习部260的模型输入生成机构261中,对模型230的当前的模型输入条件施加操作量变化幅度19,由该模型输入生成机构261生成操作后的模型输入7以及状态输入20。
另外,利用模型输入生成机构261从被保存在测量信号数据库210中的成套设备100的测量信号3中提取出状态输入20。
在构成学习部260的预备学习机构262中,使用在成套设备100的运转开始前被保存在学习信息数据库270中的学习信息数据9,以使在模型230中被模拟计算的模型输出8达到模型输出目标值的方式,学习模型输入7的生成方法。
此时,直接使用状态输入20。模型输入7是在模型输入生成机构261中,通过对当前的模型输入条件施加由预备学习机构262学习的操作量变化幅度19而生成的,将其输入模型230,并且也将其作为操作后的状态输入20输入到所述预备学习机构262中。
由该预备学习机构262的学习的结果得到的学习数据10被保存在学习信息数据库270中。
根据被保存在该学习信息数据库270中的学习信息16在图形生成部400中生成图形数据,将在该图形生成部400中生成的图形数据17保存在图形数据库500中。
在构成学习部260的图形选择机构263中,将状态输入20作为线索,从被保存在图形数据库500中的图形数据18中选择图形数据23,输入到所述图形变换机构264中。
在构成学习部260的图形变换机构264中,使用由图形选择机构263选择的图形数据23将状态输入20图形化,减少输入次数。
另外,在所述图形变换机构264,对通过图形化学习的操作量变化幅度21执行相反的操作,增加输入次数。
结合图3对该图形化进行说明,如图3所示,在所述图形变换机构264中,图形数据取如下样态,即将在图形化使用的输入的信息值设为1,将不使用的输入的信息值设为0。
因此,在状态输入20图形化时,相对于状态输入20只选择图形数据的信息值为1的输入。
另外,在相反的操作中,相对于学习后的被图形化的操作量变化幅度21,通过线性插入在图形化使用的输入期间(入力間),从而导出其它的输入的操作量变化幅度。
在图2中,在构成所述学习部260的再次学习机构265中,在成套设备100的运转开始后,使用被保存在学习信息数据库270中的学习信息数据9,学习模型输入7的生成方法,使得在根据测量信号3被修正的模型230模拟计算的模型输出8达到模型输出目标值。
此时,在图形变换机构264中对状态输入20进行图形化。被图形化了的状态输入22被输入给对应于该图形的所述再次学习机构265,在该再次学习机构265中的学习结果、图形化后的操作量变化幅度21从再次学习机构265输出。
将其在图形变换机构264中变换为再次操作量变化幅度19,输入到所述模型输入生成机构261,生成模型输入7及操作后的状态输入20。
根据以上说明的构成,在所述学习部260中,实现了基于在成套设备100的运转开始前的图形生成用的预备学习、及在成套设备100的运转开始后的状态输入的图形化的再次学习。
图4是表示利用图1至图3已说明的表示控制本发明的一个实施例的成套设备的控制装置200的动作的流程图。
在图4的流程图中,组合执行步骤1000、1010、1020、1030、1040及1050。以下,分别对各步骤进行说明。
在控制成套设备100的控制装置200的动作开始后,首先,在步骤1000中,利用控制装置200的数值解析执行部220执行数值解析,将数值解析数据4输送并保存在数值解析数据库240中。
下面,在步骤1010中,使用控制装置200的学习部260以及模型230,执行成套设备操作方法的预备学习,将学习数据10输送并保存在学习信息数据库270中。
下面,在步骤1020中,使用控制装置200的图形生成部400,使用根据被保存在学习信息数据库270中的预备学习的学习数据16,生成图形数据17,并将其发送、保存在图形数据库500中。以上的动作在成套设备100的运转开始前执行。
在成套设备100的运转开始后,在步骤1030中,将成套设备100的测量信号1通过外部输入接201输入到控制装置200中,并发送、保存在测量信号数据库210中。
在步骤1040中,相对于由取得的测量信号3提取的状态输入,使用被保存在图形数据库500中的图形数据18并进行图形化,在学习部260中执行再次学习。
在学习部260中的学习后,使用控制装置200的学习结果判断部300,从基于使用的图形的学习数据11中选择适当的学习数据12,从学习结果判断部300向操作信号生成部280输出。
在下面的步骤1050中,使用操作信号生成部280,利用学习数据12及控制逻辑数据库13生成操作信号14,作为操作信号15通过外部输入接
202从该操作信号生成部280向成套设备100输出。
通过在每次输入测量信号时重复执行以上步骤1030~1050的动作,控制成套设备100。
下面,结合流程图对图4中的步骤1010、1020及1040的动作进行详细地说明。
图5是表示步骤1010的预备学习的动作的流程图。
如图5所示,预备学习的动作的流程图对步骤2000、2010、2020、2030、2040、2050、2060、2070及2080进行组合而执行。
以下分别对各步骤进行详细地说明。
在步骤2000中,将表示步骤2010~2060的重复次数的值即初始化次数I进行初始化(设定I=1)。
下面,在步骤2010中,设定状态输入的初始值。作为状态输入的初始值,可以选择任意的模型输入值。
在步骤2020中,将表示步骤2030~2050的重复次数的值即操作次数J进行初始化(设定J=1)。
下面,在步骤2030中,使用构成控制装置200的学习部260的预备学习机构262导出模型输入的操作量变化幅度。
在步骤2040中,使用学习部260的模型输入生成机构261将操作量变化幅度加在状态输入上,从而操作模型230,更新状态输入。
在步骤2050中,将模型230的操作结果得到的模型输出作为线索,使用神经网络及以强化学习为代表的各种学习算法,学习模型230的操作方法。
步骤2060是分支,将操作次数J与预先设定的阈值进行比较,当J比阈值小时,将J加上1后,返回步骤2030,相反比阈值大时,进入作为分支的步骤2070。
在步骤2070,将初始化次数I与预先设定的阈值进行比较,当I比阈值小时,将I加上1后,返回步骤2010,相反比阈值大时,进入步骤2080。
在步骤2080中,将在学习部260中学习的结果发送、保存到学习信息数据库270中,进入结束预备学习的动作的步骤。
根据以上动作,由于在预备学习中在步骤2010中将任意的模型输入作为状态输入的初始值而开始学习,所以可以得到从任意的模型输入条件达到模型输出目标值的操作方法。
图6是表示步骤1020的图形生成的动作的流程图。
如图6所示,图形生成的动作的流程图将步骤4000、4010、4020及4030进行组合而执行。
以下结合图7、图8对各个步骤进行详细地说明。
在步骤4000中,将表示步骤4010~4020的重复次数的值即数据参照符号I初始化(设定I=1)。
下面,在步骤4010中,一边根据I参照被保存在学习信息数据库270中的基于预备学习的学习数据,一边生成图形。并且,后面对图形生成算法的动作进行详细地说明。
图7表示被保存在控制装置200的学习信息数据库270中的学习数据的样态。
如图7所示,在学习信息数据库270中保存有状态输入值、该状态输入中的操作量变化幅度的值及该操作的结果得到的模型输出变化幅度的值。
图形是基于学习数据中的操作量变化幅度而成生的。并且,在图7中,S 0001是为了区别状态输入而被分配的符号。
在图6所示的步骤4020中,生成的图形及参照的学习数据的状态输入值被输送并保存在图形数据库500中。
图8表示了被保存在控制装置200的图形数据库500中的学习数据的样态。
如图8所示,在图形数据库500中保存有图形数据及该图形生成时参照的状态输入值。
在保存生成的图形时,在与已经保存的图形数据一致的情况下,作为对应于该图形数据的状态输入而被保存。
因此,产生了相对于一个图形数据对应有多个状态输入的情况。并且,在图8中,P 0001是为了区别图形数据而分配的符号。
图6中的步骤4030是分支,将数据参照符号I和预先设定的阈值进行比较,在J比阈值小时,将J加上I后返回步骤4010,相反在比阈值小时,进入使图形生成的动作结束的步骤。
下面,参照图9的流程图及图10对步骤4010中图形生成算法的动作进行详细地说明。
在图形生成算法中,为了将图形化的输入次数抑制在必要的最小值,如图10所示,最初从图形输入次数1开始探索,直到满足结束条件为止一边增加输入次数一边重复探索来生成图形。
另外,为使图形探索的效率提高,使用对探索来说是进化论性的探索算法。即,通过将图形的数据库表现作为遗传因子(解候补),对生成的多个解候补实施交叉、突变等遗传的操作,从而探索最合适的图形。
如图9所示,步骤4010的动作的流程图对步骤4011、4012、4013、4014、4015、4016、4017、4018及4019进行组合而执行。
以下,对各个步骤进行详细地说明。
在步骤4011中,初始化设定表示用于图形化的输入次数的值即J(设定J=1)。
在步骤4012中,将表示步骤4014~4015的重复次数的值即世代数K(设定K=1)初始化。
下面,在步骤4013中,在图形数据信息值为1的输入次数设为J的约束条件下生成L个解候补。
在步骤4014中,对各解候补计算图形化误差。
如图10所示,图形化误差作为参照的学习数据的操作量变化幅度与线性插入图形化使用的输入而求得的操作量变化幅度的误差而求出。
在步骤4015中,基于计算出的图形化误差,在所述约束条件下对解候补群实施交叉、突变等遗传操作,生成新的解候补。
步骤4016是分支,在世代数K在预先设定的阈值以下时将K加上1后返回步骤4014,与其相反时进入步骤4017。
在步骤4017中,对于经过了预先设定的世代数的解候补群,选择图形化误差最小的解候补,进入步骤4018。
步骤4018是分支,当在步骤4017中选择的解候补的图形化误差在预先设定的阈值以上时,或者输入次数J在预先设定的阈值以下时,将J加上1后返回步骤4012,与其相反的情况时进入步骤4019。
在步骤4019中,将选择的解候补作为生成图形,进入将其发送、保存在图形数据库500中并结束图形生成算法的动作的步骤。
根据以上的动作,将生成的图形数据保存在数据库500中。
成套设备100的操作员可以使用数据处理装置610,使这些信息显示在图像显示装置620上。
由此,操作员可以知道当前哪个状态输入的图形化可以进行。另外,可以将设定参数即J、K的阈值通过图像显示装置620输入。
图11是表示步骤1040的再次学习的动作的流程图。
如图11所示,再次学习的动作的流程图对步骤2100、2110、2120、2130、2140、2150、2160、2170及2180进行组合而执行。
以下对各个步骤进行详细地说明。
在步骤2100中,根据测量信号,使用构成控制装置200的学习部260的模型输入生成机构261提取出被输入再次学习机构265中的状态输入。
下面在步骤2110中,使用学习部260的图形选择机构263,计算提取出的状态输入与被保存在控制装置200的图形数据库500中的图形数据的最小状态输入误差。
如图8所示,在图形数据库500中每个图形保存有多个状态输入值,最小状态输入误差作为它们与当前的状态输入值的误差的最小值而求出。
因为最小状态输入误差为当前的状态输入与通过预备学习而经历的状态输入的相似度,所以将其作为线索,可以选择对应于与当前的状态输入值相似度高的状态输入的图形。
结果是通过使用选择后的图形,可以学习能得到相对于当前的状态输入与预备学习结果等同的控制效果的操作量变化幅度。
步骤2120是分支,对于在步骤2110中计算的各图形的最小状态输入误差,判断是否存在在预先设定的阈值以下的,若存在则进入步骤2130,若不存在则进入步骤2140。
在步骤2130中,选择所有的最小状态输入误差在阈值以下的图形,进入步骤2150。
在步骤2140中,只选择最小状态输入误差在全部图形中为最小的图形,进入步骤2150。
下面,在步骤2150中,将表示步骤2160的重复次数的值即I(设定I=1)初始化。
在步骤2160中,使用对应于选择后的图形的学习部260的再次学习机构265学习模型230的模型操作方法。
步骤2170是分支,在I是选择的图形数以下时,将I加上1后返回步骤2160,使用与选择后的其它的图形对应的再次学习机构265进行学习。与其相反时进入步骤2180。
在步骤2180中,使用控制装置200的学习结果判断部300,从基于选择的图形的再次学习结果中决定合适的操作方法,向控制装置200的操作信号生成部280输出,进入结束再次学习的动作的步骤。
根据以上动作,在再次学习中,通过使用相对于当前的状态输入基于预备学习结果而选择的图形,所以可以在短时间内学习与预备学习结果等同的操作方法。
另外,可以通过图像显示装置620输入设定参数即最小状态输入误差的阈值。
下面,参照图12的流程图对步骤2160的再次学习算法的动作进行详细地说明。
如图12所示,再次学习算法的动作的流程图对步骤2200、2210、2220、2230、2240、2250、2260、2270、2280、2290及2300进行组合而执行。
下面对各个步骤进行详细地说明。
在步骤2200中,将表示步骤2210~2280的重复次数的值即初始化次数J(设定J=1)初始化。
下面,在步骤2210中,将状态输入初始化为由测量信号3提取出的输入值。
在步骤2220中,将表示步骤2230~2270的重复次数的值即操作次数K(设定K=1)初始化。
下面在步骤2230中,利用对应于使用的图形的学习部260的再次学习机构265,导出图形化了的模型输入的操作量变化幅度。
在步骤2240中,使用学习部260的图形变换机构264,线性插入图形化了的模型输入的操作量变化幅度,导出操作量变化幅度。
在步骤2250中,使用学习部260的模型输入生成机构261,在状态输入上加上操作量变化幅度,操作模型,更新状态输入。
在步骤2260中,使用学习部260的图形变换机构264,根据使用的图形数据对状态输入进行图形化。
在步骤2270中,将模型操作的结果得到的模型输出作为线索,利用神经网路及以强化学习为代表的各种学习算法,学习模型操作方法。
步骤2280是分支,对操作次数K与预先设定的阈值进行比较,当K小于阈值时,将K加上1后返回步骤2230,相反当K大于阈值时进入作为分支的步骤2290。
在步骤2290中,比较初始化次数J与预先设定的阈值,在J比阈值小时,将J加上1后返回步骤2210,相反大于阈值时进入步骤2300。
在步骤2300中,将学习的结果发送、保存至控制装置200的学习信息数据库270中,进入结束再次学习的动作的步骤。
根据以上动作,在再次学习中使用图形化后的状态输入,学习使当前的状态输入为初始值时的操作方法。
以上,对图4所示的步骤1010、1020及1040的详细的动作说明完毕。
下面,结合图13~图21对显示数据处理装置输出信号64的图像显示装置620上显示的画面进行说明,所述数据处理装置输出信号64从构成本发明的一个实施例的成套设备的控制装置200的数据处理装置610输出。
图13~图20是附设在图1所示的成套设备的控制装置200上的图像显示装置620上显示的画面的一个例子。
图13是表示初始画面的一个例子,在图13的画面在图像显示装置620显示的状态下,可以操作鼠标602使光标与按键重合,通过点击鼠标602选择(按下)按键。
当选择如图13所示的“数值解析”的按键701、“参照数据库”的按键702、“执行图形化、学习”的按键703、“执行操作”的按键704时,图像显示装置620上分别显示图14、图15、图16、图17的画面。另外,若选择“结束”的按键705则初始画面结束。
在图14中,通过选择“解析条件设定”的按键711,可以输入/设定为了在控制装置200的数值解析执行部220中执行计算而必要的各种解析条件。
另外,当选择“执行数值解析”的按键712时,可以在所述数值解析执行部220中开始计算。另外,当选择“返回”的按键713时,返回图13。
在图15中,在图像显示装置620中,可以选择显示被保存在哪个数据库中的信息。
通过选择“测量信号数据库”的按键721、“操作信号数据库”的按键722、“数值解析数据库”的按键723、“学习信息数据库”的按键724、“控制逻辑数据库”的按键725、“图形数据库”的按键726,可以分别存取控制装置200的测量信号数据库210、操作信号数据库250、数值解析数据库240、学习信息数据库270、控制逻辑数据库290、图形数据库500。
并且,可以将各数据库的信息显示在图像显示装置620上,并可以追加/变更/消去数据库的信息。另外,若选择“返回”的按键727,则返回图13。
在图16中,通过选择“预备学习”的按键731,在图像显示装置620上显示图18所示的预备学习画面。
另外,通过选择图16的“再次学习”的按键732,在图像显示装置620上显示图19所示的再次学习画面。若选择“返回”的按键733,则返回图13。
在图17中,指导显示操作前的模型输入741、模型输出742、操作后的模型输入743、模型输出744及学习后的操作量变化幅度745,成套设备100的操作员可以相对于该指导显示,选择是否执行操作。
在执行操作时,选择“是”的按键746,在不执行操作时选择“否”的按键747。
在该图17所示的显示画面中,在通过画面确认图形和操作信号的关系后可以进行成套设备的操作,所以可以提高成套设备的操作的可靠性。
即,详细说明图17所示的成套设备控制方法,在利用模拟了成套设备的模型来控制成套设备的控制装置的成套设备控制方法中,所述控制装置如图8所示,具有图形数据库,其中存储有将向所述模型输入的多个操作信号图形化了的状态输入图形,如图7所示,具有存储了向模型输入的多个操作信号和来自模型的输出的学习信息数据库,如作为操作后的模型输入743及模型输出744所示,向显示装置输出在所述学习信息数据库中存储的多个操作信号和来自模型的输出,如作为学习了的操作量变化幅度745所示,将基于向所述模型输入的多个操作信号的向成套设备的操作信号以及存储在所述数据库中的状态输入图形重叠向显示装置输出,如作为在执行操作时选择的按键746所示,基于向成套设备的操作执行的许可,通过向所述成套设备输入的操作信号控制成套设备。
在所述的图18中,通过选择“开始学习”的按键751,根据图5所示的流程图,可以使学习部260的预备学习机构262、控制装置200的模型230动作,可以执行操作方法的预备学习。
另外,通过选择“图形生成”的按键752,使图20所示的图形生成画面显示在图像显示装置620上。
若选择“返回”的按键753,则返回图16。
在图19中,作为再次学习时的设定值,可以将在图11所示的流程图中使用的最小状态输入误差阈值的设定值输入到数据输入栏761中。
向上述数据输入栏761输入设定值后,如选择“执行”的按键762,则可以根据图11所示的流程图使控制装置200的学习部260及模型230动作,可以执行再次学习。
另外,若选择“返回”按键763,则返回图16。
在图20中,作为生成图形时的设定值,可以将在图9所示的流程图中使用的图形化误差阈值的设定值输入到数据输入栏771中,将图形输入次数阈值的设定值输入到数据输入栏772中。
在分别向上述数据输入栏771、772输入设定值后,若选择“执行”按键773,则可以根据图6所示的流程图使控制装置200的图形生成部400动作,可以执行图形生成。
另外,若选择“返回”按键774,则返回图18。
以上,对在图像显示装置620显示的画面的说明完毕。
从以上说明可知,在本发明的实施例中,如图11及图12的流程图详细表示的那样,通过以少于模型输入次数的输入数来使向成套设备的控制装置的学习部输入的状态输入图形化,缩小模型的探索空间,由此可以提高学习的速度。
另外,如图5的流程图详细地表示的那样,使用在成套设备运转开始前不预先减少输入次数而学习的预备学习结果来生成图形,如图11的流程图详细地表示的那样,通过在成套设备运转开始后对当前的状态输入与包含在预备学习结果中的状态输入的相似度进行比较,选择由相似度高的状态输入生成的图形来学习操作方法,由此总可以获得所希望的学习结果。
另外,如图9的流程图详细地表示的那样,通过利用进化论性的探索算法自动地生成图形的输入次数及图形信息,可以进行非人工且避免错误图形化的图形生成。
并且,通过具备由图像显示装置参照保存在各数据库中的信息的功能,以及如图13至图20详细地表示的那样,具备经图像显示装置输入在学习部、图形生成部采用的设定参数的功能,成套设备的操作员可以直观确认进行图形化的状态及图形化后学习的效果。
下面,对图1至图20所示的本发明的一个实施例的成套设备的控制装置200适用于具备锅炉的火力发电成套设备100的情况进行说明。并且,在控制除火力发电成套设备以外的成套设备时,当然也可以使用本发明的所述的实施例的成套设备的控制装置200。
图21是表示具备锅炉的火力发电成套设备的概要构成的图。首先,对具备锅炉的火力发电成套设备中的成套设备的组合进行说明。
在图21所示的构成火力发电成套设备的锅炉101中,将作为燃料的煤炭用粉碎机110进行粉碎,形成碳粉,与搬运煤炭用的一次空气及调整燃烧用的二次空气一起通过设置在锅炉101上的燃烧器102,投入到锅炉101中,在锅炉101的火炉内部燃烧燃料煤炭。
燃料煤炭和一次空气从配管134导入燃烧器102,二次空气从配管141导入燃烧器102。
另外,将二级燃烧用的候补空气(after air)通过设置在锅炉101上的候补空气口103投入到锅炉101中。该候补空气从配管142被导向候补空气口103。
燃料煤炭在锅炉101的火炉内部燃烧后生成的高温的燃烧气体,在锅炉101的火炉沿箭头所示的路径向下游侧流动,通过配置在锅炉101上的热交换器106并进行热交换后,变为燃烧废气从锅炉101排出,流下至设置在锅炉101的外部的空气加热器104。
通过空气加热器104的燃烧废气之后通过未图示的废气处理装置,除去燃烧废气中包含的有害物质,之后从烟囱排放向大气。
在锅炉101循环的供给水从设置在涡轮机108上的未图示的冷凝器通过供水泵105导向锅炉101,在设置在锅炉101的火炉上的热交换器106中,被在锅炉101的火炉的内部流下的燃烧气体加热,变为高温高压的蒸汽。
并且,本实施例中虽然以一个热交换器106进行图示,但是也可以配置多个热交换器。
在热交换器106产生的高温高压的蒸汽,通过涡轮机调节阀107被导向蒸汽涡轮机108,利用蒸汽具有的能量驱动蒸汽涡轮机108,使连结在该蒸汽涡轮机108上的发电机109旋转而发电。
下面,对从设置在锅炉101的火炉上的燃烧器102向锅炉101的火炉内投入的一次空气及二次空气、从设置在锅炉101的火炉上的候补空气口103向锅炉101的火炉内投入的候补空气的路径进行说明。
一次空气从风扇120被导向配管130,途中分支成通过空气加热器104的内部的配管132和绕过空气加热器104的配管131,在配管132和配管131流下的一次空气再次汇合到配管133而被导入粉碎机110。
通过空气加热器104的空气被从锅炉101的火炉排出的燃烧废气加热。
利用该一次空气将在粉碎机110中生成的煤炭(煤粉)通过配管133搬送至燃烧器102。
二次空气及候补空气从风扇121被导向配管140,在通过空气加热器104的内部的配管140流下而被加热后,在配管140的下游侧分支成二次空气用配管141和候补空气用的配管142,分别被导向设置在锅炉101的火炉上的燃烧器102和候补空气口103。
本实施例即具备锅炉的火力发电成套设备100的控制装置200,为了降低锅炉的废气中NOX及CO的浓度,具有调整从燃烧器102向锅炉101投入的空气量和从候补空气口103向锅炉101投入的空气量的功能。
在火力发电成套设备100中,配置有检测该火力发电成套设备100的运转状态的各个测量器,从这些测量器取得的成套设备的测量信号作为测量信号1被发送至控制装置200。
作为检测火力发电成套设备100的运转状态的各个测量器,例如在图2中分别图示了流量测量器150、温度测量器151、压力测量器152、发电输出测量器153及测量O2浓度以及/或者CO浓度的浓度测量器154。
流量测量器150测量从供水泵105向锅炉101供给的供水的流量。另外,温度测量器151及压力测量器152分别测量蒸汽的温度及压力,其中所述蒸汽是将通过在配置在锅炉101上的热交换器106中与在该锅炉101流下的燃烧气体的热交换而产生的蒸汽供给向蒸汽涡轮机108的蒸汽。
利用由所述热交换器106产生的蒸汽驱动蒸汽涡轮机108,在蒸汽涡轮机108作用下而旋转的发电机109产生的发电量由发电输出测量器153测量。
另外,关于在锅炉101流下的燃烧气体中包含的成分(CO、NOX等)的浓度的信息,由设置在锅炉101的下游侧即设置在锅炉出口的流路上的测量O2浓度以及/或者CO浓度的浓度测量器154测量。
并且,一般除图2所示的以外在火力发电成套设备100上还配置多个测量器,在此省略不图示。
图22是表示设置在构成火力发电成套设备100的锅炉101的下游侧的空气加热器104和配置在该空气加热器104上的配管的局部放大图。
如图22所示,在配置于空气加热器104内部的配管140的下游侧分支的二次空气用的配管141及候补空气用的配管142上,在配置在空气加热器104的内部的配管132上,以及在绕过空气加热器104的配管131上分别配置有空气减震器162、163、161、160。
并且,通过操作这些空气减震器160~163,可以改变配管131、132、141、142内空气通过的面积,分别独立地调整通过这些配管131、132、141、142的空气流量。
并且,使用由控制火力发电成套设备100的控制装置200生成的、对该火力发电成套设备100输出的操作信号15,操作供水泵105、粉碎机110、空气减震器160、空气减震器161、空气减震器162、空气减震器163等机器。
并且,在本实施例即火力发电成套设备100的控制装置200中,将调节供水泵105、粉碎机110、空气减震器160、空气减震器161、空气减震器162、空气减震器163等的火力发电成套设备的状态量的机器叫做操作端,将进行这些操作所必须的指令信号叫做操作信号。
图23是表示在图21所示的本发明的实施例即具有锅炉的火力发电成套设备100的控制装置200中火力发电成套设备的控制方法的顺序的流程图。
在图23中,在作为本实施例的具备锅炉的火力发电成套设备100的控制装置200中,对步骤2181、2182进行组合而执行火力发电成套设备100的控制。
在步骤2181中,参照由构成控制所述火力发电成套设备100的控制装置200的学习部260的所述图形选择机构263选择的各图形的学习数据,比较相对于当前的状态输入的操作后的模型输出变化幅度即CO、NOX的改善值的合计,选择改善值的合计最大的图形。
另外,在由所述图形选择机构263选择的图形数为1个的情况下,不执行上述处理而进入步骤2182。
在步骤2182中,将在图形选择机构263中选择的图形的学习数据12发送至构成控制装置200的所述操作信号生成部280,进入结束构成控制装置200的所述学习结果判断部300的动作的步骤。
根据以上的动作,在控制装置200中,可以使用再次学习的结果,CO、NOX的改善值变得最好的学习数据来生成操作信号。
图24是在本发明的实施例即具备锅炉的火力发电成套设备100的控制装置200中,表示在图像显示装置620显示的画面的一个例子的图,是对应所述图17所示的画面的例子的画面。
在图24所示的画面的例子中表示:作为向构成控制装置200的所述模型230输入的模型输入7使用的锅炉101的燃烧器102的空气量、空气口103的空气量;作为在所述模型230中模拟计算控制对象的火力发电成套设备而输出的模型输出8使用的CO、NOX浓度在操作前及操作后的引导显示;以及由基于图形变换机构264的图形化在学习部265中学习的所述燃烧器102、空气口103的操作量变化幅度,在所述模型输入7中分别设置在锅炉101的炉前及炉后的燃烧器102/空气口103的空气量的分布与锅炉构造图有关联表示。
并且,在图24中燃烧器102、空气口103在锅炉101的炉前及炉后各一段,虽然在每段设置5个空气投入口,但是它们的数量可以任意改变。
成套设备的操作员可以一边观察图24所示的本画面,一边确认图形化了的操作量变化幅度及基于学习了的操作方法的控制效果,决定操作的有无。
另外,如图25所示的概要那样,作为在本发明的实施例即具备锅炉的火力发电成套设备100的控制装置200中图形化的一个例子,可以考虑采用以下三个例子中的任何一个来进行图形化的例子:1)对每个锅炉101的燃烧器102/空气口103成组化操作端;2)在锅炉101的炉前/炉后成组化操作端;3)成组化锅炉101的全部操作端。
由以上说明可知,具备锅炉的火力发电成套设备100的操作员可以考虑控制对象即在火力发电成套设备中具备的锅炉的操作端的种类、操作端数、燃烧特性等,选择适当的图形化机构来控制火力发电成套设备。
根据本发明的实施例,可以实现如下的成套设备的控制装置:其基于测量了成套设备运转状态的测量信号修正模型,用该修正后的模型高速地执行进行再次学习的学习来修正成套设备的控制算法,从而精度良好地控制成套设备。
工业实用性
本发明适用于成套设备的控制装置、特别是火力发电成套设备的控制装置。
Claims (10)
1.一种成套设备的控制装置,其具备操作信号生成部,该操作信号生成部利用测量成套设备的运转状态得到的测量信号计算出相对于控制对象成套设备成为控制指令的操作信号,其特征在于:
所述控制装置具备:
测量信号数据库,其保存有测量的成套设备的测量信号;
操作信号数据库,其保存有对成套设备的操作信号;
数值解析执行部,其解析成套设备的运转特性;
数值解析数据库,其保存有来自所述数值解析执行部的数值解析结果;
模型,其模拟根据来自所述数值解析数据库的数值解析结果的信息给予成套设备操作信号时的成套设备的控制特性;
学习部,其利用所述模型学习成套设备的操作方法;
学习信息数据库,其保存有所述学习部的学习信息数据;
控制逻辑数据库,其保存有用于从所述操作信号生成部输出的操作信号的信息;
图形生成部,其根据所述学习部的学习信息数据,生成以少于模型输入次数的输入数表现状态输入的图形数据;
图形数据库,其保存有由所述图形生成部生成的图形数据;以及
学习结果判断部,其从利用多个图形学习的学习结果中选择控制效果好的学习结果,
根据在该学习结果判断部选择的学习结果,从所述操作信号生成部算出所述操作信号。
2.如权利要求1所述的成套设备的控制装置,其特征在于,所述学习部包括:
模型输入生成机构,其生成向模型施加的输入,同时从成套设备的测量信号中提取模型输入;
预备学习机构,其在成套设备运转开始前利用保存在学习信息数据库中的学习信息数据,为使通过模型模拟计算的模型输出达到其目标值而学习模型输入的生成方法;
图形数据库,其保存对通过基于该预备学习机构的预备学习而学习的学习信息数据利用图形生成部生成的图形;
图形选择机构,其在成套设备运转开始后从被保存在图形数据库中的图形数据中选出与测量信号类似的图形;
图形变换机构,其利用选择的图形对输入学习部的状态输入进行图形化,对学习了的图形化后的操作量变化幅度线性插入输入期间从而导出操作量变化幅度;
再次学习机构,其利用选择的图形降低模型输入的输入次数来进行学习,使得在成套设备运转开始后利用被保存在学习信息数据库中的学习信息数据使通过模型模拟计算的模型输出达到其目标值。
3.如权利要求1所述的成套设备的控制装置,其特征在于:
构成所述控制装置的图形生成部,具有以下两个功能:
其一是为了相对于在成套设备运转开始前利用预备学习机构学习的学习信息数据中包含的模型操作量变化幅度信息而生成图形数据,最初从输入次数1开始探索直到满足结束条件为止,输入次数每次增加1来进行重复探索的功能;
其二是作为所述图形数据的探索机构生成多个图形数据候补,对它们实施交叉、突变等遗传性操作来重复探索次数,由此探索图形数据的功能。
4.如权利要求2所述的成套设备的控制装置,其特征在于:
构成所述控制装置的学习部附加如下功能:在成套设备运转开始后在所述图形选择机构中对当前的状态输入和包含于预备学习结果中的状态输入的类似度进行比较,选择由类似度高的状态输入生成的图形来学习操作方法。
5.如权利要求1所述的成套设备的控制装置,其特征在于:
所述控制装置上附设有数据处理装置和图像显示装置,用于以画面显示分别被保存在测量信号数据库、操作信号数据库、控制逻辑数据库、学习信息数据库、数值解析数据库及图形数据库中的信息。
6.如权利要求5所述的成套设备的控制装置,其特征在于:
在构成所述控制装置的所述学习部及图形生成部使用的设定参数通过连接在所述数据处理装置上的输入机构输入。
7.如权利要求1所述的成套设备的控制装置,其特征在于:
所述控制对象成套设备是具备锅炉的火力发电成套设备,
输出对成套设备的所述操作信号的操作端是通过化石燃料与空气的燃烧反应生成高温气体的燃烧器、以及在通过混合从所述燃烧器供给的煤炭燃料与空气而生成的燃烧气体的流动方向后流侧向所述燃烧气体供给空气的空气口,
测量的成套设备的所述测量信号是用测量器测量锅炉内燃烧的燃烧气体的一氧化碳浓度及氮氧化物浓度而得到的一氧化碳浓度的测量信号及碳氧化物浓度,
构成所述控制装置的学习结果判断部,从基于选择的图形的学习信息数据中,选择表示操作后的所述燃烧气体的一氧化碳浓度及氮氧化物浓度的操作前后的差异的改善值的合计为最大值的数据,从而生成所述操作信号。
8.如权利要求7所述的成套设备的控制装置,其特征在于:
在构成所述控制装置的学习结果判断部被图形化的状态输入的参数,是向设置在所述锅炉上的燃烧器及从空气口分别独立投入锅炉内的空气流量。
9.如权利要求7所述的成套设备的控制装置,其特征在于:
在构成所述控制装置的学习结果判断部,图形化的状态输入的成组化采用如下手段之中的任一个手段,
这些手段有:对每个设置在锅炉上的燃烧器/空气口成组化、在锅炉的炉前/炉后成组化、以及使锅炉的整体成组化为一个。
10.一种成套设备控制方法,所述成套设备具有利用模拟成套设备得到的模型来控制成套设备的控制装置,
其特征在于:
所述控制装置具有图形数据库,其中存储有将向所述模型输入的多个操作信号图形化后的状态输入图形,所述控制装置还具有学习信息数据库,其中存储有向模型输入的多个操作信号和来自模型的输出,
向显示装置输出存储在所述学习信息数据库中的多个操作信号和来自模型的输出,将基于向所述模型输入的多个操作信号的对成套设备的操作信号以及存储在所述图形数据库中的状态输入图形重叠起来向显示装置输出,基于对成套设备的操作执行的许可,利用对所述成套设备的操作信号来控制成套设备。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007151986 | 2007-06-07 | ||
JP2007-151986 | 2007-06-07 | ||
JP2007151986A JP4427074B2 (ja) | 2007-06-07 | 2007-06-07 | プラントの制御装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101320252A true CN101320252A (zh) | 2008-12-10 |
CN101320252B CN101320252B (zh) | 2011-07-20 |
Family
ID=40096759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008101103353A Active CN101320252B (zh) | 2007-06-07 | 2008-06-04 | 成套设备的控制装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US8355996B2 (zh) |
JP (1) | JP4427074B2 (zh) |
CN (1) | CN101320252B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109254575A (zh) * | 2017-07-13 | 2019-01-22 | 横河电机株式会社 | 车间控制辅助装置、车间控制辅助方法及记录介质 |
CN110268349A (zh) * | 2017-02-10 | 2019-09-20 | 三菱日立电力系统株式会社 | 试验规划装置以及试验规划方法 |
CN110520876A (zh) * | 2017-03-29 | 2019-11-29 | 新克赛特株式会社 | 学习结果输出装置及学习结果输出程序 |
CN111684474A (zh) * | 2018-03-13 | 2020-09-18 | 欧姆龙株式会社 | 运算装置、运算方法及其程序 |
CN113050550A (zh) * | 2019-12-27 | 2021-06-29 | 株式会社日立制作所 | 工厂设备控制装置及其控制方法、轧制机控制装置及其控制方法 |
CN114341879A (zh) * | 2019-07-19 | 2022-04-12 | 杰富意钢铁株式会社 | 学习模型生成方法、学习模型生成装置、高炉的铁液温度控制方法、高炉的铁液温度控制指导方法及铁液的制造方法 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8135653B2 (en) | 2007-11-20 | 2012-03-13 | Hitachi, Ltd. | Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal |
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 |
JP5277064B2 (ja) * | 2009-04-22 | 2013-08-28 | 株式会社日立製作所 | プラントの制御装置、火力発電プラントの制御装置及び火力発電プラント |
JP5856899B2 (ja) * | 2012-04-23 | 2016-02-10 | 株式会社日立製作所 | 石炭火力プラントの制御装置 |
WO2017159614A1 (ja) * | 2016-03-14 | 2017-09-21 | オムロン株式会社 | 学習サービス提供装置 |
EP3293594A1 (de) * | 2016-09-13 | 2018-03-14 | Primetals Technologies Germany GmbH | Verwendung umfassender künstlicher intelligenz bei anlagen der grundstoffindustrie |
JP7121506B2 (ja) * | 2018-03-14 | 2022-08-18 | 株式会社日立ハイテク | 探索装置、探索方法及びプラズマ処理装置 |
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 |
JP7162560B2 (ja) * | 2019-03-28 | 2022-10-28 | 日立造船株式会社 | 情報処理装置、情報処理方法、情報処理プログラム、およびゴミ焼却プラント |
JP2023023455A (ja) * | 2021-08-05 | 2023-02-16 | 横河電機株式会社 | 学習装置、学習方法、および、学習プログラム、並びに、制御装置 |
KR20240127612A (ko) * | 2023-02-16 | 2024-08-23 | 한국전력공사 | 발전소 보일러의 연소상태 예측 장치 및 그 방법 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5249954A (en) * | 1992-07-07 | 1993-10-05 | Electric Power Research Institute, Inc. | Integrated imaging sensor/neural network controller for combustion systems |
JPH07160661A (ja) | 1993-12-02 | 1995-06-23 | Hitachi Ltd | ニューラルネットワークの教師データ自動抽出方法と、それを用いたニューラルネットワークシステム、並びに、プラント運転支援装置 |
JPH1074188A (ja) | 1996-05-23 | 1998-03-17 | Hitachi Ltd | データ学習装置およびプラント制御装置 |
JP3086206B2 (ja) | 1998-07-17 | 2000-09-11 | 科学技術振興事業団 | エージェント学習装置 |
JP4017272B2 (ja) | 1998-12-16 | 2007-12-05 | 中国電力株式会社 | プラント状態推定・予測装置及び方法 |
DE10345440A1 (de) * | 2003-09-30 | 2005-05-12 | Siemens Ag | Verfahren, Computerprogramm mit Programmcode-Mitteln und Computerprogramm-Produkt zur Analyse von Einflussgrößen auf einen Brennvorgang in einer Brennkammer unter Verwendung eines trainierbaren, statistischen Modells |
US7123971B2 (en) * | 2004-11-05 | 2006-10-17 | Pegasus Technologies, Inc. | Non-linear model with disturbance rejection |
US8644961B2 (en) * | 2005-12-12 | 2014-02-04 | Neuco Inc. | Model based control and estimation of mercury emissions |
US7599750B2 (en) * | 2005-12-21 | 2009-10-06 | Pegasus Technologies, Inc. | Model based sequential optimization of a single or multiple power generating units |
US8095479B2 (en) * | 2006-02-28 | 2012-01-10 | Hitachi, Ltd. | Plant control apparatus and method having functions of determining appropriate learning constraint conditions |
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 |
US7660639B2 (en) | 2006-03-27 | 2010-02-09 | Hitachi, Ltd. | Control system for control subject having combustion unit and control system for plant having boiler |
JP4741968B2 (ja) | 2006-03-30 | 2011-08-10 | 株式会社日立製作所 | プラントの制御装置 |
JP4665815B2 (ja) | 2006-03-31 | 2011-04-06 | 株式会社日立製作所 | プラントの制御装置 |
JP4952025B2 (ja) | 2006-03-31 | 2012-06-13 | 株式会社日立製作所 | 運転制御方法,運転制御装置及び運転制御システム |
US7756591B2 (en) * | 2006-04-25 | 2010-07-13 | Pegasus Technologies, Inc. | System for optimizing oxygen in a boiler |
US20080104101A1 (en) * | 2006-10-27 | 2008-05-01 | Kirshenbaum Evan R | Producing a feature in response to a received expression |
-
2007
- 2007-06-07 JP JP2007151986A patent/JP4427074B2/ja active Active
-
2008
- 2008-06-04 US US12/132,639 patent/US8355996B2/en active Active
- 2008-06-04 CN CN2008101103353A patent/CN101320252B/zh active Active
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110268349A (zh) * | 2017-02-10 | 2019-09-20 | 三菱日立电力系统株式会社 | 试验规划装置以及试验规划方法 |
CN110520876A (zh) * | 2017-03-29 | 2019-11-29 | 新克赛特株式会社 | 学习结果输出装置及学习结果输出程序 |
CN110520876B (zh) * | 2017-03-29 | 2024-05-14 | 新克赛特株式会社 | 学习结果输出装置及学习结果输出程序 |
CN109254575A (zh) * | 2017-07-13 | 2019-01-22 | 横河电机株式会社 | 车间控制辅助装置、车间控制辅助方法及记录介质 |
CN109254575B (zh) * | 2017-07-13 | 2023-04-25 | 横河电机株式会社 | 车间控制辅助装置、车间控制辅助方法及记录介质 |
CN111684474A (zh) * | 2018-03-13 | 2020-09-18 | 欧姆龙株式会社 | 运算装置、运算方法及其程序 |
CN111684474B (zh) * | 2018-03-13 | 2024-04-16 | 欧姆龙株式会社 | 运算装置、运算方法及记录介质 |
CN114341879A (zh) * | 2019-07-19 | 2022-04-12 | 杰富意钢铁株式会社 | 学习模型生成方法、学习模型生成装置、高炉的铁液温度控制方法、高炉的铁液温度控制指导方法及铁液的制造方法 |
CN113050550A (zh) * | 2019-12-27 | 2021-06-29 | 株式会社日立制作所 | 工厂设备控制装置及其控制方法、轧制机控制装置及其控制方法 |
CN113050550B (zh) * | 2019-12-27 | 2024-04-16 | 株式会社日立制作所 | 工厂设备控制装置及其方法、轧制机控制装置及其方法 |
Also Published As
Publication number | Publication date |
---|---|
US8355996B2 (en) | 2013-01-15 |
CN101320252B (zh) | 2011-07-20 |
JP4427074B2 (ja) | 2010-03-03 |
JP2008305194A (ja) | 2008-12-18 |
US20080306890A1 (en) | 2008-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101320252B (zh) | 成套设备的控制装置 | |
CN102418919B (zh) | 设备的控制装置和火力发电设备的控制装置 | |
CN101221415B (zh) | 火力设备控制装置 | |
US20070168174A1 (en) | Energy system modeling apparatus and methods | |
Wang et al. | A review of evaluation, optimization and synthesis of energy systems: methodology and application to thermal power plants | |
CN101799661B (zh) | 锅炉设备的控制装置及锅炉设备的操作员训练用装置 | |
US20090099667A1 (en) | Plant controlling device and method, thermal power plant, and its control method | |
CN101477332B (zh) | 工厂的控制装置及工厂的控制方法 | |
CN101846332B (zh) | 具有燃烧装置的控制对象物的控制装置 | |
CN103282840B (zh) | 大型设备的控制装置及火力发电大型设备的控制装置 | |
CN101872162B (zh) | 成套设备的控制装置以及火力发电成套设备的控制装置 | |
CN110268349A (zh) | 试验规划装置以及试验规划方法 | |
US20070179917A1 (en) | Intelligent design optimization method and system | |
WO2007116592A1 (ja) | プラントの制御装置 | |
CN108073145A (zh) | 运转支援装置以及程序 | |
CN101275748A (zh) | 锅炉的控制装置以及控制方法 | |
Gu et al. | Multi-objective optimization analysis on gas-steam combined cycle system with exergy theory | |
JP4358871B2 (ja) | ボイラプラントの制御装置及び運転員訓練用装置 | |
CN102914974A (zh) | 成套设备的控制装置 | |
Bakar et al. | Flexible and operable heat exchanger networks | |
JP2010146068A (ja) | プラントの制御装置及び火力発電プラントの制御装置 | |
JP7374590B2 (ja) | Kpi改善支援システム及びkpi改善支援方法 | |
JP4333766B2 (ja) | ボイラの制御装置、及び制御方法 | |
CN101713533A (zh) | 火力发电设备的控制装置以及控制方法 | |
JP2013047970A (ja) | 保守ツール及び制御装置の保守ツール |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |