CN103282840B - 大型设备的控制装置及火力发电大型设备的控制装置 - Google Patents
大型设备的控制装置及火力发电大型设备的控制装置 Download PDFInfo
- Publication number
- CN103282840B CN103282840B CN201180064307.2A CN201180064307A CN103282840B CN 103282840 B CN103282840 B CN 103282840B CN 201180064307 A CN201180064307 A CN 201180064307A CN 103282840 B CN103282840 B CN 103282840B
- Authority
- CN
- China
- Prior art keywords
- main equipment
- data
- model
- control device
- signal
- 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.)
- Active
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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明的目的在于提供一种在使用大型设备的测量数据在线调整RBF网络的统计模型时也能够结束控制周期以内的最优化计算来提高了统计模型的推测精度的大型设备的控制装置及火力发电大型设备的控制装置。本发明的大型设备的控制装置具备:推测向大型设备提供控制信号时取得的测量信号的值的统计模型;保存用于统计模型的构筑中的数据的模型构筑数据库;对测量信号实施统计处理来生成模型构筑数据的数据前处理部;学习模型输入的生成方法以使模型输出达到目标值的操作方法学习部;和对保存在模型构筑数据库中的信息所包含的统计模型的半径参数进行调整的模型调整部,统计模型使用模型调整部调整的半径参数的调整结果来生成模型输出。
Description
技术领域
本发明涉及大型设备(plant)的控制装置,特别是涉及使用煤炭等化石燃料来进行发电的火力发电大型设备的控制装置。
背景技术
大型设备的控制装置对从作为控制对象的大型设备得到的大型设备的状态量的测量信号进行处理,计算出提供给控制对象的控制信号(操作信号)来对控制对象的运行进行控制。
在大型设备的所述控制装置中安装有计算操作信号的算法,以使大型设备的状态量的测量信号满足其目标值。
作为用于大型设备的控制中的控制算法,有PI(比例/积分)控制算法。在PI控制中,在大型设备的状态量的测量信号与其目标值的偏差上相乘比例增益而得到的值上相加对偏差进行了时间积分后的值,从而导出提供给控制对象的操作信号。
使用了PI控制的控制算法能够通过模块图表等记录输入输出关系,因此容易知晓输入与输出的因果关系,有更多的实际应用价值。但是,在基于大型设备的运行状态的变更或环境的变化等、事先未假设的条件下运行大型设备的情况下,有时需要变更控制逻辑等作业。
另一方面,能够应用于大型设备的运行状态或环境变化中的控制方式中,具有使用了自动修正控制算法或参数值的自适应控制或学习算法的控制方式。
作为使用学习算法来导出大型设备的控制装置的操作信号的方法,一般采用如下的方法:使用大型设备的测量数据或基于数值分析而构筑的数据,构筑对这些数据进行统计处理来推测大型设备的特性的统计模型,自律地学习对该统计模型最佳的控制逻辑。
使用上述方法得到的控制逻辑的性能依赖于统计模型的推测精度这是公知的。即,学习算法由于学习相对于统计模型获得最大的控制效果的控制逻辑,因此学习了统计模型的大型设备的特性越接近实际的大型设备特性,对实际大型设备的控制效果也越大。因此,在使用了学习算法的自适应控制技术中,课题是构筑更高精度的统计模型。
此外,该统计模型一般应用以神经网络(NN)为代表的非线性近似方法的情况比较多,学习使用大型设备测量数据来表现大型设备的特性的非线性曲面。此外,近几年,由于应用大型设备时统计模型特性的在线调整比较容易,因此作为NN的一个方法的RBF(RadialBasisFunction)网络备受瞩目,推进了其应用。
作为决定基于RBF网络的统计模型的推测精度的因子之一,有构成RBF网络的高斯基函数的半径参数。RBF网络根据在统计模型的构筑中所使用的模型构筑数据的大型设备特性空间上的分布来配置根据后述的式(1)所提供的高斯基函数,并通过使它们叠加来推测大型设备特性。
在此,在式(1)中,i是高斯基函数的下标、bi是基函数值,x是模型输入向量,ci是基函数的中心坐标向量,ri是半径参数。
为了获得高推测精度的统计模型,需要以高斯基函数适当地覆盖大型设备特性空间,这需要适当地调整决定高斯基函数的宽度的半径参数ri。
【数学式1】
鉴于上述,作为提高使用了RBF网络的统计模型的精度的技术,专利文献1记载了使用最优化算法之一的隧道算法来调整RBF网络的高斯基函数的半径参数的技术。
此外,非专利文献1记载了考虑在RBF网络学习中使用的数据的、模型特性空间上的疏密分布来最佳地调整半径参数的技术。
【在先技术文献】
【专利文献】
【专利文献1】JP特开2005-115639公报
【非专利文献】
【非专利文献1】T.Eguchi,T.Sekiai,A.Yamada,S.Shimizu,M.Fukai:“AnAdaptiveRadiusAdjustingMethodforRBFNetworksConsideringDataDensitiesandItsApplicationtoPlantControlTechnology”,inProc.ofICCAS-SICE2009,pp.4188-4194(2009)
发明内容
发明要解决的问题
在将所述专利文献1和/或非专利文献1公开的技术应用于大型设备的控制装置的情况下,由于调整半径参数以使高斯基函数能够适当地覆盖大型设备特性空间,因此能够提高统计模型的推测精度。
另一方面,在大型设备控制中,变更控制的操作条件之后,直到大型设备的运行特性稳定为止需要花费几分钟到十几分钟的时间,因此一般将该时间当作控制周期。因此,上述的统计模型的在线调整(半径参数的调整及大型设备特性曲面的学习)优选在该控制周期以内结束。
但是,在将所述专利文献1的技术应用于大型设备的控制装置中的情况下,需要通过作为学习数据的模型构筑数据和推测结果的误差评价来计算搜索最优化算法的半径参数的解的候补所对应的评价值。
该误差评价所需的计算成本随着模型构筑数据的数量而增加,因此在应用于大型设备控制中的情况下,随着测量数据的蓄积,计算时间会增加,有可能无法结束控制周期以内的最优化计算。
在因计算时间的增加而无法结束控制周期以内的最优化计算的情况下,统计模型的推测精度会降低,因此很难使大型设备在期望的状态下运行。
此外,在将所述非专利文献1的技术应用于大型设备的控制装置中的情况下,不需要如上所述的误差评价,但是每次蓄积测量数据时都要考虑模型构筑数据间的疏密来调整所有高斯基函数的半径参数。因此,即便是基于所述技术的半径参数的调整,与所述专利文献1的技术的情况相同,因测量数据的蓄积而导致计算成本增加,从而无法结束控制周期以内的最优化计算,由于统计模型的推测精度降低,有可能很难使大型设备在期望的状态下运行。
本发明的目的在于,提供一种在使用大型设备的测量数据在线调整RBF网络的统计模型时也能够结束控制周期以内的最优化计算来提高了统计模型的推测精度的大型设备的控制装置及火力发电大型设备的控制装置。
用于解决问题的手段
本发明的大型设备的控制装置,具备从大型设备获取作为该大型设备的状态量的测量信号,并使用所述测量信号来运算控制所述大型设备的操作信号的控制装置,该大型设备的控制装置的特征在于,所述控制装置具备:测量信号数据库,其获取并保存作为大型设备的状态量的测量信号;数据前处理部,其对保存在所述测量信号数据库中的大型设备的测量数据实施基于可靠区间的统计处理,从而生成模型构筑数据;模型构筑数据库,其保存由所述数据前处理部生成的所述模型构筑数据;统计模型,其使用保存在所述模型构筑数据库中的模型构筑数据模拟向所述大型设备提供控制信号时对作为该大型设备的状态量的测量信号的值进行推测的大型设备的控制特性;操作方法学习部,其使用所述统计模型学习相当于向大型设备提供的所述控制信号的模型输入的生成方法,以使相当于所述测量信号的模型输出达到目标值;学习信息数据库,其保存与所述操作方法学习部中的学习的制约条件及学习结果相关的学习数据;和控制信号生成部,其使用所述测量信号数据库的测量信号及所述学习信息数据库的学习数据,运算向大型设备发送的控制信号,并且所述大型设备的控制装置构成为:设置对保存在所述模型构筑数据库中的模型构筑数据所包含的统计模型的基半径参数进行调整的模型调整部,所述统计模型使用所述模型调整部调整的基半径参数的调整结果来生成所述模型输出,并向所述操作方法学习部输出该模型输出。
本发明的火力发电大型设备的控制装置,具备从具备锅炉的火力发电大型设备中获取作为该大型设备的状态量的测量信号,使用所述测量信号运算控制所述大型设备的操作信号的控制装置,该火力发电大型设备的控制装置的特征在于,所述控制装置具备:测量信号数据库,其获取并保存作为所述大型设备的状态量的测量信号;数据前处理部,其对保存在所述测量信号数据库中的大型设备的测量数据实施基于可靠区间的统计处理,从而生成模型构筑数据;模型构筑数据库,其保存所生成的所述模型构筑数据;统计模型,其使用保存在所述模型构筑数据库中的模型构筑数据模拟向所述大型设备提供控制信号时对作为该大型设备的状态量的测量信号的值进行推测的大型设备的控制特性;操作方法学习部,其使用所述统计模型学习相当于向大型设备提供的所述控制信号的模型输入的生成方法,以使相当于所述测量信号的模型输出达到目标值;学习信息数据库,其保存与所述操作方法学习部中的学习的制约条件以及学习结果相关的学习数据;和控制信号生成部,其使用所述测量信号数据库的测量信号及所述学习信息数据库的学习数据,运算向大型设备发送的控制信号,并且所述控制装置构成为:设置对保存在所述模型构筑数据库中的模型构筑数据所包含的统计模型的基半径参数进行调整的模型调整部,所述统计模型使用所述模型调整部调整的基半径参数的调整结果来生成模型输出,并向所述操作方法学习部输出该模型输出,所述测量信号包括表示从所述火力发电大型设备的锅炉排出的排出气体所含的氮氧化物、一氧化碳、二氧化碳、氮气、氧气、灰中未燃部分及硫化氢的浓度中的至少一个浓度的状态量的信号,所述控制信号包括表示向所述火力发电大型设备的锅炉供给的空气流量、调节该空气流量的节气门的开度、向锅炉供给的燃料流量、使从锅炉排出的排出气体再次在该锅炉中循环的排出气体再循环流量中的至少一个量的信号。
(发明效果)
根据本发明,在使用大型设备的测量数据而在线调整RBF网络的统计模型的情况下,能够在控制周期以内结束最优化计算,从而能够实现提高了统计模型的推测精度的大型设备的控制装置及火力发电大型设备的控制装置。
附图说明
图1是表示本发明的第1实施例的大型设备的控制装置的结构的框图。
图2是表示实施例1的大型设备的控制装置中的一系列控制动作流程的流程图。
图3是表示实施例1的大型设备的控制装置中的前处理部的动作顺序的流程图。
图4是表示实施例1的大型设备的控制装置中的前处理部的模型输出可靠区间计算的概念的示意图。
图5是表示在实施例1的大型设备的控制装置中的模型构筑数据库中保存的数据情况的图。
图6是构成实施例1的大型设备的控制装置中的统计模型的RBF网络示意图。
图7是表示实施例1的大型设备的控制装置中的模型调整部的动作顺序的流程图。
图8是表示实施例1的大型设备的控制装置中的决定模型调整部动作时成为半径调整对象的高斯基函数的方式的概念的示意图。
图9是表示实施例1的大型设备的控制装置中的模型调整部动作时的半径调整算法的动作顺序的流程图。
图10是表示实施例1的大型设备的控制装置中的模型调整部动作时成为半径调整对象的高斯基函数的贡献度计算的概念的示意图。
图11是设定实施例1的大型设备的控制装置中的执行条件时在图像显示装置上显示的画面的一例。
图12是选择实施例1的大型设备的控制装置中的想要显示的学习结果一览时在图像显示装置上显示的画面的一例。
图13是显示实施例1的大型设备的控制装置中的学习结果的统计模型特性及指导条件时在图像显示装置上显示的画面的一例。
图14是表示实施例2的控制装置应用的火力发电大型设备的结构的示意结构图。
图15是表示实施例2的控制装置应用的火力发电大型设备的热风炉的结构的示意结构图。
具体实施方式
以下,参照附图,说明本发明的大型设备的控制装置及火力发电大型设备的控制装置的实施例。
【实施例1】
参照图1至图13,说明本发明的第1实施例的大型设备的控制装置。
图1是本发明的第1实施例的大型设备的控制装置的系统结构图。如图1所示,在本实施例的大型设备的控制装置中,作为控制对象的大型设备100是被控制装置200控制的。
控制大型设备100的控制装置200与维护工具(maintenancetool)910连接,因此大型设备100的操作员可经由与维护工具910连接的外部输入装置900和图像显示装置(例如CRT显示器)920,控制控制装置200。
控制装置200分别具备数据前处理部300、数值分析部400、统计模型500、模型调整部600、控制信号生成部700及操作方法学习部800,作为运算装置。
此外,控制装置200中设有测量信号数据库210、模型构筑数据库220、学习信息数据库230、控制逻辑数据库240及控制信号数据库250,作为数据库(DB)。
此外,控制装置200中设有外部输入接口201及外部输出接口202,作为与外部的接口。
在该控制装置200中,测量了从所述大型设备100获取的大型设备100的状态量的测量信号1经由外部输入接口201而被保存在测量信号数据库210中。
此外,由设置于控制装置200中的控制信号生成部700生成的控制信号15被保存在设置于控制装置200中的控制信号数据库250中,并且作为从外部输出接口202向所述大型设备100的操作信号16、例如控制提供给大型设备100的空气流量等的操作信号16来输出。
在设置于控制装置200中的数据前处理部300中,使用统计处理来将保存在测量信号数据210中的测量数据3、以及执行使用模拟大型设备100的动作的物理模型的数值分析部400而得到的数值分析数据5变换为模型构筑数据4。
数值分析部400具有通过数值分析运算大型设备100的运行特性的功能。此外,由数值分析部400获得的数值分析数据5是大型设备100的特性值。
该模型构筑数据4被保存在模型构筑数据库220中。此外,向设置于控制装置200中的控制信号生成部700输入测量数据3的一部分。
在设置于控制装置200中的模型调整部600中,更新从模型构筑数据库220获取的模型构筑数据7所包含的模型参数信息(调整模型),将更新后的模型构筑数据8保存在模型构筑数据库220中。
在设置于控制装置200中的操作方法学习部800中,生成学习数据12并保存在学习信息数据库230中。
设置于控制装置200中的统计模型500具有模拟成为控制对象的大型设备100的控制特性的功能。即,所述统计模型500向大型设备100提供操作信号16,模拟并运算与获得相对于其控制结果的测量信号1同等的功能。
为了进行该模拟运算,统计模型500使用从操作方法学习部800接收到的模型输入9、和保存在模型构筑数据库220中的模型构筑数据6。
该模型输入9相当于操作信号16。根据模型输入9和模型构筑数据6,在所述统计模型500中,通过构成该统计模型500的神经网络的一个方法、即RBF网络,对基于大型设备100的控制的特性变化进行模拟运算,并输出模型输出10。
通过统计模型500得到的模型输出10成为大型设备100的测量信号1的预测值。另外,模型输入9、模型输出10其数量并不限于1种,可以分别准备多种。
在此,作为所述统计模型500,如以上所述那样前提是使用RBF网络,但是作为其基函数也可以使用除了高斯函数以外其他公知的函数群(thin-plate-spline,InverseMultiquadrics等)。此时,也是决定基函数的宽度的参数成为调整对象。
在设置于控制装置200中的控制信号生成部700中,使用从学习信息数据库230输出的学习信息数据13、及保存在控制逻辑数据库250中的控制逻辑数据14,生成控制信号15以使测量信号1成为期望的值。
该控制逻辑数据库250保存计算出控制逻辑数据14的控制电路、及控制参数。计算出该控制逻辑数据14的控制电路可采用作为现有技术而公知的PI(比例/积分)控制。
操作方法学习部800使用包括学习信息数据库230所保存的学习的制约条件及学习的参数设定条件等在内的学习信息数据11,学习模型输入9的操作方法。作为学习结果的学习数据12保存在学习信息数据库230中。
这样,在控制装置200的动作中,具备在模型调整部600中调整模型构筑数据库220所保存的模型构筑数据7所包含的模型参数信息的机制,从而提供与模型构筑数据7的特性相应的适当的模型参数,因此能够提高统计模型500中的大型设备特性的推测精度。
此外,所述半径参数调整仅对相对于应用本发明的大型设备控制装置时追加的测量数据在其附近分布的所需最小限度的高斯基函数实施,因此可回避测量数据的蓄积引起的计算成本的增加,能够在控制周期以内完成统计模型调整。
另外,将在后面叙述设置于控制装置200中的数据前处理部300、统计模型500、模型调整部600、及操作方法学习部800的详细功能。
此外,从操作方法学习部800保存到学习信息数据库230中的学习数据12包括操作前后的模型输入、及与该操作的结果所获得的模型输出相关的信息。
在学习信息数据库230中,选择与当前的运行条件对应的学习数据12,并作为学习信息数据13而输入到控制信号生成部700。
大型设备100的操作员使用由键盘901和鼠标902构成的外部输入装置900、控制装置200、可接收数据的维护工具910、及图像显示装置920,能够访问在控制装置200所具备的各种数据库中保存着的信息。控制装置200具有用于与维护工具910交换输入输出数据信息90的输入部或输出部。
此外,通过使用这些装置,能够输入在控制装置200的数值分析部400、统计模型500、模型调整部600、及操作方法学习部800中使用的参数设定值、学习的制约条件、及所获得的学习结果的确认中所需的设定信息。
维护工具910由外部输入接口911、数据收发处理部912及外部输出接口913构成,可经由数据收发处理部912与控制装置200收发数据。
由外部输入装置900生成的维护工具输入信号91经由外部输入接口911被维护工具910获取。在维护工具910的数据收发处理部912中,根据维护工具输入信号92的信息,从控制装置200获取输入输出数据信息90。
此外,在数据收发处理部912中,根据维护工具输入信号92的信息,输出包括控制装置200的数值分析部400、统计模型500、模型调整部600及操作方法学习部800所使用的参数设定值、学习的制约条件、及得到的学习结果的视觉辨认所需的设定信息在内的输入输出数据信息90。
在数据收发处理部912中,向外部输出接口913发送处理输入输出数据信息90后结果得到的维护工具输出信号93。从外部输出接口913发送的维护工具输出信号94被显示于图像显示装置920。
另外,在上述的控制装置200中,测量信号数据库210、模型构筑数据库220、学习信息数据库2300、控制逻辑数据库240、及控制信号数据库250配置在控制装置200的内部,但是也可以在控制装置200的外部配置它们的全部或者一部分。
此外,数值分析部400配置在控制装置200的内部,但是其也可以配置在控制装置200的外部。
例如,也可以在控制装置200的外部配置数值分析部400及模型构筑数据库220,经由因特网向控制装置200发送数值分析数据5。
图2是表示图1所示的本实施例的大型设备的控制装置中的控制顺序的流程图。
图2是表示本实施例的大型设备的控制装置200的动作的流程图,通过组合步骤1000、1100、1200、1300、1400、1500、1600、1700、1800、1900、2000及2100的各步骤来执行这些流程图。以下,说明各个步骤。
开始控制装置200的动作之后,在设定控制装置200的执行条件的步骤100中,设定执行数据前处理部300、统计模型500、模型调整部600及操作方法学习部800时所使用的各种参数条件。
接着,在取得大型设备中测量出的测量信号的步骤1100中,经过设置于控制装置200中的外部输入接口201而取得大型设备100的测量信号1,并在测量信号数据库210中保存为测量数据3。
接着,在执行数据前处理的步骤1200中,使控制装置200的数据前处理部300工作,对保存在测量信号数据库210中的测量数据3及执行数值分析部400而得到的数值分析数据5实施统计处理,变换为模型构筑数据4。另外,将在后面叙述数据前处理部300的详细的功能及动作。
接着,在步骤1300中,将通过前处理变换得到的模型构筑数据4保存在模型构筑数据库220中。
接着,在调整统计模型的步骤1400中,使控制装置200的模型调整部600工作,更新根据模型构筑数据7配置的高斯基函数的半径参数。在此,所述模型构筑数据7包括各数据在模型特性空间上的模型输入值、模型输出值、数据上配置的高斯基函数的半径参数值、及构成统计模型500的RBF网络的加权参数。另外,将在后面叙述模型调整部600的详细的功能及动作。
接着,在学习统计模型的步骤1500中,使控制装置200的统计模型500工作,学习构成统计模型500的RBF网络的加权参数。在学习方法中使用公知的方式。
接着,在学习操作方法的步骤1600中,使控制装置200的操作方法学习部800工作,学习统计模型500计算出的模型输出推测值10成为预先通过图像显示装置920设定的目标条件以下的模型输入9的操作方法。此外,操作方法学习部800可使用强化学习等公知的方式,包括该执行条件的学习信息数据11是从学习信息数据库230输入的。
接着,在步骤1700中,将所述操作方法学习部800的学习结果数据12保存在学习信息数据库230中。
接着,在生成控制信号的步骤1800中,使控制装置200的控制信号生成部700工作,使用在学习信息数据库230及控制逻辑数据库240中保存的学习结果数据13及控制逻辑14来生成控制信号15。所生成的控制信号15除了被用于大型设备100的控制中外,被保存在控制信号数据库250中。
下面的判定控制的执行的步骤1900是分支。从基于学习结果的大型设备操作的仿真结果中得到了控制结果成为期望的结果的预料结果时进入步骤2000,若不是,则进入步骤2100。
接着,在控制大型设备100的步骤2000中,经过设置于控制装置200中的外部输出接口202输出所生成的控制信号15作为控制信号16,控制大型设备。
最后,判定一系列处理动作的结束的步骤2100是分支。经过外部输入装置900输入了使本发明的控制装置200的动作结束的信号时,进入结束处理的步骤,若不是,则返回步骤1100。
通过以上的动作,在本实施例的控制装置200的动作中,基于大型设备100的操作员设定的执行条件,自律地获得并执行数据前处理、模型调整/学习、操作方法学习、控制信号生成及控制实施为止的一系列处理。
接着,使用图3的流程图、及图4、5、6的概念图,说明所述控制装置200中的数据前处理部300的详细动作。
在本实施例的控制装置200中,通过对在控制周期期间内得到的大型设备的测量数据或数值分析数据实施前处理而变换为模型输入值及模型输出值,生成模型构筑数据。
在本实施例的数据前处理部300中,考虑时间序列的大型设备测量数据有变动这一点,对在控制周期间内获得的包括变动的测量数据实施基于可靠区间的统计处理,计算出最大/平均/最小这3种模型输出值。
在此,可靠区间是指,保证使得到的测量数据分布的真实的参量(母数)(平均、方差)值落入某一区间(L,U)的概率成为1-θ以上的区间,将L称为下侧可靠界限,将U称为上侧可靠界限,将1-θ称为可靠系数。即,若基于相对于测量数据分布的可靠区间计算,则所述最大/平均/最小这3种模型输出值分别相当于上侧可靠界限、平均、下侧可靠界限。
图3是表示数据前处理部300的动作的流程图,详细表示了图2所示的流程图的步骤1200的动作。图3所示的流程图组合执行步骤1210、1220及1230。以下,说明各个步骤。
开始数据前处理部300的动作之后,最初,在步骤1210中,决定模型输入的偏置。即使大型设备100处于整定状态,由于测量数据具有变动,因此变换该测量数据而得到的模型输入条件也同样会变动。因此,计算对得到的模型输入的平均考虑了偏置、对收敛于其范围内的模型输出值考虑了分布的可靠区间。
图4是在模型输入空间上画出了关于某一模型输出的测量数据分布的示意图(纵轴:模型输出值,横轴:模型输入值)。
在图4中,x是根据测量数据得到的模型输入值的平均,Δx表示偏置(bias)。在此,偏置可被设定为任意的值,通常只要设定为数据的模型输入值的标准偏差即可。
接着,在计算模型输出可靠区间的步骤1220中,针对存在于在图4中用灰色表示的考虑了偏置的模型输入范围内的测量数据,基于预先设定的可靠系数(1-θ),计算数据的最大/平均/最小值的各统计量。
接着,在生成模型构筑数据的步骤1230中,向模型构筑数据库220保存在步骤1220中求出的、包括相对于模型输入条件的最大/平均/最小这3种模型输出值在内的模型构筑数据4。在此,使用图5及图6说明所保存的模型构筑数据库220的形态及统计模型的结构。
在图5中,模型构筑数据分别具有固有的数据ID221。此外,如图5所示,1类模型输入222具有3(最大/平均/最小)×K(模型输出数)种的模型输出223。
图6是表示了设置于本实施例的控制装置200中的构成统计模型500的RBF网络的结构的示意图,1类模型构筑数据相当于1个中间层节点。因此,针对1个中间层节点配置3×K个高斯基函数。在图5中表示了1个数据(模型输入)具有3×K个半径参数224、及RBF网络的加权参数225。
即,在1个网络上可以表现与3种数据特性(最大/平均/最小)及模型输出数K相应的大型设备特性,与在中间层节点配置单一的高斯基函数的情况下相比,能够实现更高精度的推测。
在操作方法学习部600中,组合如上述那样构成的统计模型500来执行操作方法的学习(图2的步骤1600)。具体而言,针对各模型输出,使用根据3种数据特性(最大/平均/最小)选择出的1种模型构筑数据来组合统计模型。
因此,最多能够对3的K乘方的组合学习操作方法。通过本发明中的模型调整的计算成本降低,能够基于上述多样化的统计模型的组合来实现学习。
大型设备的操作员使用后述的图像显示装置及维护工具,从通过多样化的统计模型的组合得到的学习结果中,能够任意地选择与控制需求相应的结果,执行大型设备的控制。
以上,结束与本发明的控制装置200中的数据前处理部300的动作相关的说明。
接着,使用图7、9的流程图及图8、11、12的概念图来说明所述控制装置200中的模型调整部600的详细的动作。
图7是表示所述模型调整部600进行的模型调整的算法动作的流程图,相当于调整图2的流程图中的统计模型的步骤1400。
组合步骤1410、1420、1430、1440及1450来执行图7所示的流程图。
开始统计模型调整的算法之后,在计算相对于各基函数的追加数据的距离邻域(distanceneighborhood)的步骤1410中,针对在图2的步骤1300中新追加的模型构筑数据,基于与已知的高斯基函数之间的距离,计算成为距离邻域的指标。在此,将高斯基函数与追加数据之间的距离设为基函数的中心坐标与追加数据坐标之间的欧几里得距离。
在此,使用图8的概念图来说明距离邻域的计算方法。图8表示2维模型输入空间上的高斯基函数的中心坐标、以及追加数据的分布。在距离邻域的计算中,首先以追加数据的坐标为分点,分割模型输入空间。
在图8所示的概念图中,针对2种模型输入,以在追加数据的坐标上描绘的虚线为分点,将区域划分为4个部分。即,若将模型输入的次数设为J,则模型输入空间的分割数是2的J乘方。以分割后的各区域所包含的高斯基函数为组,按每个组计算距离邻域。
如图8的概念图所示,在组内将与追加数据之间的距离最小的基函数的距离邻域设为1,按距离从小到大的顺序使距离邻域每次加1(各基函数的右上角的数字表示距离邻域)。距离邻域越小,数据追加对基函数的影响就越大,半径参数调整的必要性也增大。此外,通过按每个分割后的区域计算距离邻域,从而均等地进行选择,使得成为半径调整对象的高斯基函数包围追加数据。
接着,在基于距离邻域选择高斯基函数的步骤1420中,比较在步骤1410中求出的各高斯基函数的距离邻域和预先设定的基准值,若在基准值以下,则成为半径调整对象。
图8的概念图表示基准值为3的情况,距离邻域成为3以下的高斯基函数成为了半径调整对象(在图中用灰色的点表示)。
该基准值取得越大,则成为半径调整对象的基函数的数量就越多,能够实施更细致的模型调整,但是这会增加计算成本。另一方面,该基准值取得越小,虽然会减轻计算成本,但是修正后的模型精度比较低。大型设备的操作员可根据与精度和时间相关的需求,任意设定基准值。
接着,在步骤1430中,调整在步骤1420中选择出的高斯基函数的半径参数,将在后面叙述详细的调整算法。
接着,在步骤1440中,使用调整后的高斯基函数的半径参数,更新保存在模型构筑数据库220中的信息,进入结束统计模型调整的算法的步骤。
图9是表示所述模型调整部600进行的高斯基函数的半径参数调整的详细算法动作的流程图,相当于图7的流程图中的调整半径参数的步骤1430。
组合步骤1431、1432、1433、1434、1435及1436来执行图9所示的流程图。
在本发明的所述模型调整部600中,首先,针对在模型特性空间上随机决定的模型输入条件xt(t:步骤1432~1436的反复次数),基于与选择出的高斯基函数之间的距离信息,求出对各高斯基函数的xt的覆盖的贡献度。并且,修正半径参数,使得接近基于贡献度计算出的半径参数目标值。通过反复执行规定次数的以上一系列动作,从而执行半径参数的调整。
开始半径参数调整的算法之后,在初始化半径参数调整的反复次数t(t=1)的步骤1431中,对反复次数t初始化(设定为t=1)。
接着,在随机决定模型输入条件的步骤1432中,在模型特性空间上随机地生成输入条件xt。
接着,在计算各基函数的贡献度的步骤1433中,使用模型调整部600所具备的函数式、即以下的式(2),计算各基函数的贡献度ρi。
【数学式2】
在式(2)中,dmin表示选择出的高斯基函数与xt之间的距离的最小值,di表示选择出的高斯基函数与xt之间的距离。根据式(2),越是与xt之间的距离小的基函数,贡献度ρi就越大,距离越大,贡献度ρi就指数减少。即,意味着在覆盖xt时,越是与xt靠近的基函数,覆盖的贡献度就越大。
图10是所述步骤1432及1433的2维模型输入空间上的处理的概念图,灰色点表示成为半径调整对象的高斯基函数的中心坐标,白色点表示没有成为半径调整对象的高斯基函数的中心坐标、×表示xt。选择出的高斯基函数的右上角的数值是贡献度,越靠近xt就表示越大的值。
接着,在计算各基函数的覆盖度目标值的步骤1434中,基于计算出的贡献度,使用模型调整部600所具备的函数式、即以下的式(3),计算xt中的各基函数的覆盖度目标值φik。在此,覆盖度是通过将某一模型输入条件代入式(1)后得到的高斯基函数值的合计来定义的。
【数学式3】
φik=ρi·Ck…(3)
在此,覆盖度目标值φik意味着与高斯基函数i的模型输出的k分量相关的覆盖度目标值。Ck是根据模型输出分量固有地设定的常数值,φik是根据贡献度按比例分配了Ck的值。通过适当地设定Ck,调整各基函数的半径参数,使任意的模型输入条件下的覆盖度成为期望的值,由此能够提高统计模型的推测精度。
接着,在更新各基函数的半径参数的步骤1435中,针对计算出的覆盖度目标值,根据模型调整部600所具备的函数式、即以下的式(4)及式(5),更新半径参数rik。
【数学式4】
【数学式5】
在式(4)中,r*ik是半径参数rik的更新目标值,决定为高斯基函数i的xt中的基函数值与φik一致。此外,在式(5)中,α是半径调整的步骤尺寸参数(≤1),rik被更新为接近半径更新目标值r*ik。
下一个判定t是否已达到最大反复次数的步骤1438是分支。若反复次数t成为预先设定的最大反复次数以上,则进入结束半径参数调整算法的步骤,若不是,则设t=t+1,返回步骤1432。
通过以上的一系列说明可知,在所述控制装置200的模型调整部600中,相对于对大型设备测量数据进行前处理而追加的模型构筑数据,仅调整追加数据附近的高斯基函数的半径参数,从而能够降低计算成本。
另外,组合基于数据可靠区间的3种模型构筑数据来执行学习,从而能够实现与大型设备的控制需求相应的多样化的控制。以上,结束模型调整功能600的详细动作的说明。
接着,使用图11、12及13,说明在本实施例的大型设备的控制装置中,对从可与控制装置200收发数据的维护工具910的外部输出接口913发送的维护工具输出信号94进行显示的图像显示装置920中所显示的画面。图11~图13是图像显示装置920所显示的画面的一个具体例。
图11是在本实施例的大型设备的控制装置中设定控制装置200所具备的数据前处理部300、模型调整部600及操作方法学习部800的执行条件时在图像显示装置920上显示的画面例,是表示本实施例的大型设备的控制装置的动作步骤的图2的流程图中的、设定执行条件的步骤1000的画面格式的一例。
在该图11所示的执行条件的设定画面中,可分别设定在模型调整部600中使用的统计模型的半径调整算法的参数、在数据前处理部300中使用的模型输入的偏置或可靠区间设定、操作方法学习部800所使用的学习时的模型输出的目标条件、作为学习对象的统计模型的选择。
在图11所示的画面被显示于所述图像显示装置920的状态下,操作外部输入装置900的鼠标902来使焦点移动到画面上的数值框(box),可通过使用键盘901来输入数值。此外,通过操作鼠标902来点击画面上的按钮,从而能够选择(按压)按钮。同样,通过操作鼠标902来点击画面上的确认框,从而能够输入确定。
在图11所示的画面中,首先,设定在模型调整部600中的统计模型的半径调整算法中所使用的参数(Ck,α)。具体而言,向参数项目目录3000所显示的参数所对应的数值框3001输入设定值。
接着,从图11所示的数值框3002、3003中,设定在数据前处理部300的统计处理中所使用的模型输入的偏置(Δx)及模型输出可靠区间设定值(θ)。
另外,在图11所示的目标条件的设定目录中,设定操作方法学习部800的、操作方法的学习时考虑的模型输出值的目标条件。具体而言,向模型输出目录3004所显示的各模型输出所对应的数值框3005输入目标条件的设定值。
最后,在图11所示的学习对象模型的设定目录中,针对使用由数据前处理部300生成的模型构筑数据而构筑的统计模型,选择作为操作方法的学习对象的统计模型。具体而言,针对模型输出目录3006所显示的各模型输出,分别选择“最大”、“平均”、“最小”、及“全部”的各项目的确认框3007、3008、3009、3010,从而能够选择作为操作方法学习部800的学习对象的统计模型。操作方法学习部800针对选择出的统计模型分别学习操作方法。
结束以上的执行条件选定之后,若选择按钮3011,则结束执行条件设定画面,进入图2的步骤1100的执行。
图12是在本实施例的大型设备的控制装置中,显示通过图11所示的执行条件的设定画面设定的、成为学习对象的统计模型500所对应的学习结果时,在图像显示装置920上显示的画面例。
在图12所示的画面被显示于所述图像显示装置920的状态下,操作外部输入装置900的鼠标902来点击画面上的按钮,从而能够选择(按压)按钮。
在图12所示的画面中,在学习结果一览目录上显示操作前及学习后的各统计模型500所对应的学习结果。具体而言,针对项目ID栏3100,显示操作前及使用了各学习结果的操作后的模型输入值3101、模型输出值3102的预测值、以及学习时所选择的统计模型设定3103。
该目录显示在图11的画面显示中设定的所有统计模型的组合所对应的学习结果,可通过统计模型设定3103来识别该目录。大型设备的操作员可从目录上显示的学习结果中,考虑控制需求后选择任意的学习结果。通过偏移量3104,强调显示选择出的结果。
之后,若选择按钮3105,则启动图13所示的画面。
图13表示在本实施例的大型设备的控制装置中在图12所示的学习结果一览显示画面上选择的学习结果所对应的统计模型500的模型特性、和操作前的模型输入输出条件的值3203。
图13是为了进一步确认基于学习结果的操作后的模型输入输出条件的预测值3204而在图像显示装置920上显示的画面,是图2所示的本实施例的大型设备的控制装置的控制动作流程中步骤1900的控制执行判定时所使用的画面的一例。
在图13所示的画面被显示于所述图像显示装置920的状态下,操作外部输入装置900的鼠标902来使焦点移动到画面上的数值框,可通过使用键盘901来输入数值。此外,通过操作鼠标902来点击画面上的按钮,从而能够选择(按压)按钮。同样,通过操作鼠标902来点击画面上的确认框,从而可输入确定。
在图13所示的画面上,在图表区域3201中描绘了与选择出的学习结果对应的统计模型500运算出的统计模型的特性图表。此时,为了尽量简单地在图表上显示由多输入/多输出构成的统计模型特性,显示分别以1输入/1输出的特性映射了统计模型特性的结果。
如图13的画面所示,从图表区域3201的左上角开始按顺序依次表示模型输入1-模型输出1特性、模型输入1-模型输出2特性…。在各图表中,描绘了1维模型输入空间所对应的模型输出的特性曲线3202。此外,在该图表上重叠显示图12所示的操作前的模型输入输出条件及学习后的最佳的模型输入输出条件,作为描绘点3203及描绘点3204。由此,大型设备的操作员能够在模型特性图表上确认基于学习结果的大型设备的操作是否妥当。
在图13的画面中,通过进一步选择确认框3207,从而能够在图表中显示统计模型的构筑所使用的高斯基函数作为图形3206。
由此,通过本实施例的控制装置中的半径调整算法能够确认如何调整了高斯基函数的半径参数。
另外,通过选择图13的画面的确认框3208,从而能够在图表中显示根据图11的画面显示设定的各模型输出的目标条件作为虚线3205。由此,能够判断基于学习结果的操作是否是满足目标条件的妥当的操作。
大型设备的操作员确认具有以上特征的画面显示内容之后,可以决定能够否执行操作。若判断为学习结果妥当并执行操作的情况下,选择图13的画面的按钮3209,若不是,则选择按钮3210。
以上说明了本实施例的大型设备的控制装置的图像显示装置920所显示的画面。
如以上说明,根据本实施例,在使用大型设备的测量数据而在线调整RBF网络的统计模型的情况下,能够在控制周期以内结束最优化计算,可以实现提高了统计模型的推测精度的大型设备的控制装置。
【实施例2】
接着,使用图14及图15,说明将本发明所涉及的大型设备的控制装置应用于火力发电大型设备的第2实施例、即火力发电大型设备的控制装置。
应用于本实施例的火力发电大型设备的控制装置中的大型设备的控制装置200的结构及功能与图1至图13所示的第1实施例的大型设备的控制装置中的控制装置200相同,因此在此省略控制装置200的说明。
此外,在将本发明所涉及的大型设备的控制装置用于控制火力发电大型设备以外的大型设备时,当然也能应用图1至图13所示的第1实施例的大型设备的控制装置200。
图14表示本实施例的火力发电大型设备的控制装置,是表示应用了本实施例所涉及的控制装置200的火力发电大型设备100a的结构的示意图。首先,简单说明火力发电大型设备100a的发电方式。
在图14中,在构成火力发电大型设备100a的锅炉101中,设置提供在磨粉机110中将煤炭粉碎地较细的燃料即煤粉、和用于输送煤粉的1
次空气及用于调整燃烧的2次空气的多个燃烧炉102,使通过该燃烧炉102供给的煤粉在锅炉101内部燃烧。另外,从管道134向燃烧炉102导出煤粉和1次空气,从管道141向燃烧炉102导出2次空气。
此外,锅炉101中设有向锅炉101投入2段燃烧用空气的燃尽风喷口(afterairport)103。2段燃烧用空气从管道142被引导至燃尽风喷口103。
通过在锅炉101内部燃烧煤粉而产生的高温燃烧气体沿着锅炉101的内部路径而流向下游侧,在配置于锅炉101内部的热交换器106中与给水进行热交换之后产生蒸汽,然后成为排出气体而流向设置于锅炉101的下游侧的热风炉104,在该热风炉104中进行热交换之后使提供给锅炉101的空气升温。
然后,通过了该热风炉104的排出气体被实施未图示的排出气体处理之后,从烟囱被排出到大气中。
在锅炉101的热交换器106中循环的给水经由给水泵105而被供给到热交换器106中,在热交换器106中被流过锅炉101的燃烧气体过热,成为高温高压的蒸汽。另外,在本实施例中将热交换器的数量设置成了1个,但是也可以配置多个热交换器。
在热交换器106中产生的高温高压的蒸汽经由涡轮调节器107而被引导至蒸汽涡轮机108中,通过蒸汽所具备的能量驱动蒸汽涡轮机108,从而通过发电机109发电。
上述的本实施例的火力发电大型设备100a中配置有检测表示火力发电大型设备的运行状态的状态量的各种测量器。
所述火力发电大型设备100a相当于图1的大型设备100,因此与图1所示的大型设备的控制装置200相同,从大型设备100作为测量信号1而向控制装置200的外部输入接口201发送从这些测量器中取得的火力发电大型设备的测量信号。
作为测量器,例如图14的火力发电大型设备100a那样,图示了测量从热交换器106向蒸汽涡轮机108供给的高温高压的蒸汽温度的温度测量器151、测量蒸汽压力的压力测量器152、测量由发电机9发电的电力量的发电输出测量器153。
通过蒸汽涡轮机108的凝结器(未图示)冷却蒸汽后产生的给水经由给水泵105而被供给到锅炉101的热交换器106中,该给水的流量是由流量测量器150测量的。
此外,与从锅炉101排出的燃烧气体即排出气体中所包含的成分(氮氧化物(NOx)、一氧化碳(CO)及硫化氢(H2S)等)的浓度相关的状态量的测量信号是通过设置于锅炉101的下游侧的浓度测量器154测量的。
即,在应用于火力发电大型设备100a的本实施例的火力发电大型设备的控制装置中,通过测量器150~154测量并输入到控制装置200中的火力发电大型设备100a的测量数据项目包括:通过上述各测量器测量的作为火力发电大型设备100a的状态量的提供给锅炉101的燃料流量、提供给锅炉101的空气流量、提供给锅炉101的热交换器106的给水流量、由锅炉101的热交换器106产生并提供给蒸汽涡轮机108的蒸汽温度、提供给锅炉101的热交换器106的给水的给水压力、从锅炉101排出的排出气体的气体温度、所述排出气体的气体浓度、及使从锅炉101排出的排出气体的一部分在锅炉101内再次循环的排出气体再循环流量等。
这些测量数据项目是根据由图1所示的大型设备的控制装置200的控制信号生成部700运算后输出的控制信号15来决定的测量数据项目。
另外,一般,除了图14图示的测量器以外,还有很多测量器被配置在火力发电大型设备100a中,但是在此省略其图示。
接着,使用图14所示的火力发电大型设备100a来说明向锅炉101的内部投入的空气的路径、即从燃烧炉102向锅炉101内部投入的1次空气和2次空气的路径、及从燃尽风喷口103向锅炉101内部投入的空气的路径。
在图14所示的火力发电大型设备100a的锅炉101中,1次空气从鼓风机120被导入管道130中,在途中分支到设置于锅炉101的下游侧的通过热风炉104的管道132、和不通过热风炉104而是被设为旁路的管道131中,到配置于热风炉104的下游侧的管道133中再次合流,被引导至设置于燃烧炉102的上游侧的制造煤粉的磨粉机110中。
通过热风炉104的1次空气与流过锅炉101的燃烧气体进行热交换,从而被加热。与该加热后的1次空气一起,将热风炉104设为旁路的1次空气向燃烧炉102输送在磨粉机110中粉碎的煤粉。
使用鼓风机121而从管道140投入的空气在热风炉104中同样被加热之后,分支到2次空气用的管道141和燃尽风喷口用的管道142中,分别被引导至锅炉101的燃烧炉102和燃尽风喷口103中。
在本实施例的火力发电大型设备的控制装置200中,以对从鼓风机121开始传送并从燃烧炉102和燃尽风喷口103中被投入锅炉101内部的空气流量进行控制为例,分别在2次空气用管道141和燃尽风喷口用管道142的上游侧设置成为操作端设备的节气门(airdamper)162及节气门163,通过控制装置200来调节这些节气门162及节气门163的开度,能够分别控制提供到锅炉101内部的2次空气和补燃气体的流量。
此外,以对从鼓风机120开始传送且从燃烧炉102开始与煤粉一起被投入锅炉101内部的空气流量进行控制为例,分别在与管道133合流之前部分的管道131及管道132中设置成为操作端设备的节气门160及节气门161,通过控制装置200调节这些节气门160及节气门161的开度,从而能够分别控制供给到锅炉101内部的空气的流量。
所述控制装置200还能够控制其他测量数据项目,因此也可以根据控制对象来改变操作端设备的设置部位。
图15是与图14所示的设置于火力发电大型设备100a的锅炉101的下游侧的热风炉104相关联的管道部的放大图。
如图15所示,在热风炉104中分别设有供给空气的管道130、及管道140,其中,贯通热风炉104而配置管道140,而管道130由在中途被分支的管道131和管道132构成,所述管道131被配置成将热风炉104设为旁路,贯通热风炉104而配置所述管道132。
并且,管道132贯通热风炉104之后成为与管道131合流的管道133并被引导至磨粉机110中,从该磨粉机110通过该管道133向锅炉101的燃烧炉102导入煤粉和空气。
此外,管道140贯通热风炉104之后被分支为管道141和管道142,其中,管道141向锅炉101的燃烧炉102引导空气,管道142向锅炉101的燃尽风喷口103引导空气。
此外,在与所述管道133合流之前部分的管道131及管道132中分别设置调节流通的空气量的节气门160及节气门161,在所述管道141及管道142的上游部分分别设置调节流通的空气量的节气门162及节气门163。
并且,通过操作这些节气门160~163,能够变更空气通过管道131、132、141、142的面积,因此能够单独调整通过管道131、132、141、142后向锅炉101内部供给的空气流量。
将由控制装置200的控制信号生成部700运算出的控制信号15经由外部输出接口202而输出,作为对火力发电大型设备100a的操作信号16而输出,对分别设置于锅炉101的管道131、132、141、142中的节气门160、161、162、163等的控制端设备进行操作。
另外,在本实施例中,将节气门160、161、162、163等设备称为操作端,将从该控制装置200向所述操作端命令操作这些设备时所需的由控制装置200运算出的控制信号15的输出信号称为操作信号16。
此外,作为由控制信号生成部700运算出并输出到所述操作端的操作信号16,包括通过管道131、132、141、142而向锅炉101供给的空气流量、对在向锅炉101供给空气的管道131、132、141、142中分别设置的空气的流量进行调节的节气门160~163的开度、向锅炉101的燃烧炉102供给的煤粉的燃料流量、及使从锅炉101排出的排出气体的一部分在锅炉101中再次循环的排出气体再循环流量等。
以后,在本实施例的火力发电大型设备的控制装置中,将由控制装置200控制的设置于火力发电大型设备100a中的操作端作为对向设置于锅炉101中的燃烧炉102供给的空气量进行调节的分别在管道131、132中设置的节气门160、161、及对向设置于锅炉101中的燃尽风喷口103供给的空气量进行调节的分别在管道141、142中设置的节气门162、163,说明将被控制量作为从锅炉101排出的排出气体中的CO、NOx及H2S的浓度的情况。
另外,在本实施例的火力发电大型设备的控制装置中,锅炉101的操作端的操作量(节气门160、161、162、163的开度)成为构成控制装置200的统计模型500的模型输入,从锅炉101排出的排出气体所包含的NOx、CO及H2S浓度成为统计模型500的模型输出,学习目的是模型输入输出各自的最小化。
如以上说明,若将本发明的大型设备的控制装置应用于火力发电大型设备中,则通过学习满足对环境限制或运行成本的要求的操作方法,从而能够达到从火力发电大型设备排出的NOx、CO及H2S浓度的目标值。
根据本实施例,具备使用大型设备的测量数据在线调整RBF网络的统计模型的功能,且可抑制因测量数据的蓄积引起的对计算成本的影响,通过在控制周期以内调整统计模型,从而能够实现具备提高推测精度的功能的火力发电大型设备的控制装置。
另外,本发明并不限于上述的实施例,还包括各种变形例。
例如,上述的实施例是为了便于理解本发明而说明的详细例,并不限于一定要具备说明过的所有构成。此外,也可以将某一实施例构成的一部分替换成其他实施例的构成,而且也可以在某一实施例的构成中追加其他实施例的构成。此外,对各实施例构成的一部分,可以追加、删除、替换其他构成。
此外,上述的各构成、功能、处理部、处理方法等例如可以通过在集成电路中设置其一部分或全部等来由硬件实现。此外,上述的各构成、功能等也可以使处理器解释实现各个功能的程序并执行该程序来以软件方式实现。实现各功能的程序、表格、文件、测量信息、计算信息等信息可以存储于存储器、硬盘、SSD(SolidStateDrive)等记录装置、或IC卡、SD卡、DVD等记录介质中。由此,各处理、各构成能够作为处理部、处理单元、程序模块等来实现各功能。
此外,认为说明需要控制线和信息线,所以表示了控制线和信息线,但是在产品上并不限于一定要表现出所有的控制线、信息线。实际上,也可以认为几乎所有的结构被相互连接。
如以上说明,根据本实施例,在使用大型设备的测量数据在线调整RBF网络的统计模型的情况下,可以在控制周期以内结束最优化计算,从而能够实现提高了统计模型的推测精度的火力发电大型设备的控制装置。
(产业上的可利用性)
本发明可应用于大型设备的控制装置及火力发电大型设备的控制装置中。
符号说明:
1:测量信号、16:控制信号、90:输入输出数据信息、100:大型设备、100a:火力发电大型设备、101:锅炉、102:燃烧炉、103:燃尽风喷口、130~133:管道、140~142:管道、160~163:节气门、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:模型构筑数据库、230:学习信息数据库、240:控制逻辑数据库、250:控制信号数据库、300:数据前处理部、400:数值分析部、500:统计模型、600:模型调整部、700:控制信号生成部、800:操作方法学习部、900:外部输入装置、901:键盘、902:鼠标、910:维护工具、911:外部输入接口、912:数据收发处理部、913:外部输出接口、920:图像显示装置。
Claims (16)
1.一种大型设备的控制装置,具备从大型设备获取作为该大型设备的状态量的测量信号,并使用所述测量信号来运算控制所述大型设备的操作信号的控制装置,该大型设备的控制装置的特征在于,
所述控制装置具备:
测量信号数据库,其获取并保存作为大型设备的状态量的测量信号;
数据前处理部,其对保存在所述测量信号数据库中的大型设备的测量数据实施基于可靠区间的统计处理,从而生成模型构筑数据;
模型构筑数据库,其保存由所述数据前处理部生成的所述模型构筑数据;
统计模型,其使用保存在所述模型构筑数据库中的模型构筑数据模拟向所述大型设备提供控制信号时对作为该大型设备的状态量的测量信号的值进行推测的大型设备的控制特性;
操作方法学习部,其使用所述统计模型学习相当于向大型设备提供的所述控制信号的模型输入的生成方法,以使相当于所述测量信号的模型输出达到目标值;
学习信息数据库,其保存与所述操作方法学习部中的学习的制约条件及学习结果相关的学习数据;和
控制信号生成部,其使用所述测量信号数据库的测量信号及所述学习信息数据库的学习数据,运算向大型设备发送的控制信号,并且
所述大型设备的控制装置构成为:设置对保存在所述模型构筑数据库中的模型构筑数据所包含的统计模型的基半径参数进行调整的模型调整部,所述统计模型使用所述模型调整部调整的基半径参数的调整结果来生成所述模型输出,并向所述操作方法学习部输出该模型输出,
所述模型调整部具备如下功能:在决定成为半径参数的调整对象的高斯基函数时,使用成为距离邻域的指标,在该距离邻域的计算中,针对以从大型设备取得的测量数据为基准而分组的高斯基函数,计算距离邻域,以使将在各组中与所述测量数据之间的距离变得最小的基函数的距离邻域决定为1,对其他的基函数按照与所述测量数据之间的距离由小到大的顺序分别加1。
2.根据权利要求1所述的大型设备的控制装置,其特征在于,
所述数据前处理部具备如下功能:使用保存在所述测量信号数据库中的测量信号数据,生成考虑了数据的可靠区间的被分类为最大/平均/最小这3种类型的模型构筑数据中的至少1种数据。
3.根据权利要求1所述的大型设备的控制装置,其特征在于,
在所述模型调整部中,调整所述距离邻域成为预先设定的基准值以下的高斯基函数的半径参数。
4.根据权利要求1所述的大型设备的控制装置,其特征在于,
在所述模型调整部中的半径参数的调整中,具备如下的功能:考虑某一随机决定的模型输入条件下的各高斯基函数的贡献度,在该贡献度的计算中,将与所述模型输入条件之间的距离成为最小的高斯基函数的贡献度计算为1,针对其他基函数根据与所述模型输入条件之间的距离按照指数减少的方式计算贡献度。
5.根据权利要求4所述的大型设备的控制装置,其特征在于,
在所述模型调整部中的半径参数的调整中,具备如下的功能:针对随机决定的模型输入条件,计算半径参数的目标值,使得各高斯基函数值与根据所述贡献度按比例分配了预先决定的覆盖度目标值而得到的值一致,更新半径参数以使接近该半径参数目标值。
6.根据权利要求1所述的大型设备的控制装置,其特征在于,
所述控制装置具备:输出部,其与图像显示装置连接,针对使用所述模型构筑数据而构筑的多个所述统计模型,在图像显示装置上显示所述操作方法学习部所学习的结果的一览。
7.一种大型设备的控制装置,具备从大型设备获取作为该大型设备的状态量的测量信号,并使用所述测量信号来运算控制所述大型设备的操作信号的控制装置,该大型设备的控制装置的特征在于,
所述控制装置具备:
测量信号数据库,其获取并保存作为大型设备的状态量的测量信号;
数据前处理部,其对保存在所述测量信号数据库中的大型设备的测量数据实施基于可靠区间的统计处理,从而生成模型构筑数据;
模型构筑数据库,其保存由所述数据前处理部生成的所述模型构筑数据;
统计模型,其使用保存在所述模型构筑数据库中的模型构筑数据模拟向所述大型设备提供控制信号时对作为该大型设备的状态量的测量信号的值进行推测的大型设备的控制特性;
操作方法学习部,其使用所述统计模型学习相当于向大型设备提供的所述控制信号的模型输入的生成方法,以使相当于所述测量信号的模型输出达到目标值;
学习信息数据库,其保存与所述操作方法学习部中的学习的制约条件及学习结果相关的学习数据;和
控制信号生成部,其使用所述测量信号数据库的测量信号及所述学习信息数据库的学习数据,运算向大型设备发送的控制信号,并且
所述大型设备的控制装置构成为:设置对保存在所述模型构筑数据库中的模型构筑数据所包含的统计模型的基半径参数进行调整的模型调整部,所述统计模型使用所述模型调整部调整的基半径参数的调整结果来生成所述模型输出,并向所述操作方法学习部输出该模型输出,
保存在所述模型构筑数据库中的信息包括各数据的模型输入值、相对于该模型输入值的最大/平均/最小这3种类型的模型输出值、配置在各数据上的高斯基函数的半径参数值、及构成采用该数据而构筑的所述统计模型的RBF网络的加权参数值中的至少1种信息,
构成使用保存在所述模型构筑数据库中的模型构筑数据而构筑的所述统计模型的RBF网络具有在中间层的各节点具备(模型输出的成分数)×3个高斯基函数的结构,
所述操作方法学习部具备如下的功能:针对从使用被所述模型调整部调整过的所述模型构筑数据而构筑的多个统计模型中任意选择出的统计模型,学习最佳的模型输入的生成方法。
8.一种火力发电大型设备的控制装置,具备从具备锅炉的火力发电大型设备中获取作为该大型设备的状态量的测量信号,使用所述测量信号运算控制所述大型设备的操作信号的控制装置,该火力发电大型设备的控制装置的特征在于,
所述控制装置具备:
测量信号数据库,其获取并保存作为所述大型设备的状态量的测量信号;
数据前处理部,其对保存在所述测量信号数据库中的大型设备的测量数据实施基于可靠区间的统计处理,从而生成模型构筑数据;
模型构筑数据库,其保存所生成的所述模型构筑数据;
统计模型,其使用保存在所述模型构筑数据库中的模型构筑数据模拟向所述大型设备提供控制信号时对作为该大型设备的状态量的测量信号的值进行推测的大型设备的控制特性;
操作方法学习部,其使用所述统计模型学习相当于向大型设备提供的所述控制信号的模型输入的生成方法,以使相当于所述测量信号的模型输出达到目标值;
学习信息数据库,其保存与所述操作方法学习部中的学习的制约条件以及学习结果相关的学习数据;和
控制信号生成部,其使用所述测量信号数据库的测量信号及所述学习信息数据库的学习数据,运算向大型设备发送的控制信号,并且
所述控制装置构成为:设置对保存在所述模型构筑数据库中的模型构筑数据所包含的统计模型的基半径参数进行调整的模型调整部,所述统计模型使用所述模型调整部调整的基半径参数的调整结果来生成模型输出,并向所述操作方法学习部输出该模型输出,
所述测量信号包括表示从所述火力发电大型设备的锅炉排出的排出气体所含的氮氧化物、一氧化碳、二氧化碳、氮气、氧气、灰中未燃部分及硫化氢的浓度中的至少一个浓度的状态量的信号,
所述控制信号包括表示向所述火力发电大型设备的锅炉供给的空气流量、调节该空气流量的节气门的开度、向锅炉供给的燃料流量、使从锅炉排出的排出气体再次在该锅炉中循环的排出气体再循环流量中的至少一个量的信号,
所述模型调整部具备如下功能:在决定成为半径参数的调整对象的高斯基函数时,使用成为距离邻域的指标,在该距离邻域的计算中,针对以从大型设备取得的测量数据为基准而分组的高斯基函数,计算距离邻域,以使将在各组中与所述测量数据之间的距离变得最小的基函数的距离邻域决定为1,对其他的基函数按照与所述测量数据之间的距离由小到大的顺序分别加1。
9.根据权利要求8所述的火力发电大型设备的控制装置,其特征在于,
所述数据前处理部具备如下功能:使用保存在所述测量信号数据库中的测量信号数据,生成考虑了数据的可靠区间的被分类为最大/平均/最小这3种类型的模型构筑数据中的至少1种数据。
10.根据权利要求8所述的火力发电大型设备的控制装置,其特征在于,
保存在所述模型构筑数据库中的信息包括各数据的模型输入值、相对于该模型输入值的最大/平均/最小这3种类型的模型输出值、配置在各数据上的高斯基函数的半径参数值、及构成采用该数据而构筑的所述统计模型的RBF网络的加权参数值中的至少1个信息。
11.根据权利要求8所述的火力发电大型设备的控制装置,其特征在于,
构成使用保存在所述模型构筑数据库中的模型构筑数据而构筑的所述统计模型的统计模型RBF网络具有在中间层的各节点具备(模型输出的成分数)×3个高斯基函数的结构。
12.根据权利要求8所述的火力发电大型设备的控制装置,其特征在于,
在所述模型调整部中,调整所述距离邻域成为预先设定的基准值以下的高斯基函数的半径参数。
13.根据权利要求8所述的火力发电大型设备的控制装置,其特征在于,
在所述模型调整部中的半径参数的调整中,具备如下的功能:考虑某一随机决定的模型输入条件下的各高斯基函数的贡献度,在该贡献度的计算中,将与所述模型输入条件之间的距离成为最小的高斯基函数的贡献度计算为1,针对其他基函数根据与所述模型输入条件之间的距离按照指数减少的方式计算贡献度。
14.根据权利要求13所述的火力发电大型设备的控制装置,其特征在于,
在所述模型调整部中的半径参数的调整中,具备如下的功能:针对随机决定的模型输入条件,计算半径参数的目标值,使得各高斯基函数值与根据所述贡献度按比例分配了预先决定的覆盖度目标值而得到的值一致,更新半径参数以使接近该半径参数目标值。
15.根据权利要求8所述的火力发电大型设备的控制装置,其特征在于,
所述操作方法学习部具备如下的功能:针对从使用被所述模型调整部调整过的所述模型构筑数据而构筑的多个统计模型中任意选择出的统计模型,学习最佳的模型输入的生成方法。
16.根据权利要求8所述的火力发电大型设备的控制装置,其特征在于,
所述控制装置具备:输出部,其与图像显示装置连接,针对使用所述模型构筑数据而构筑的多个所述统计模型,在图像显示装置上显示所述操作方法学习部所学习的结果的一览。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011-000301 | 2011-01-05 | ||
JP2011000301A JP5503563B2 (ja) | 2011-01-05 | 2011-01-05 | プラントの制御装置及び火力発電プラントの制御装置 |
PCT/JP2011/075445 WO2012093518A1 (ja) | 2011-01-05 | 2011-11-04 | プラントの制御装置及び火力発電プラントの制御装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103282840A CN103282840A (zh) | 2013-09-04 |
CN103282840B true CN103282840B (zh) | 2015-12-02 |
Family
ID=46457381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201180064307.2A Active CN103282840B (zh) | 2011-01-05 | 2011-11-04 | 大型设备的控制装置及火力发电大型设备的控制装置 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP5503563B2 (zh) |
CN (1) | CN103282840B (zh) |
WO (1) | WO2012093518A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3245699A4 (en) | 2015-01-16 | 2018-06-20 | 3M Innovative Properties Company | Systems and methods for selecting grid actions to improve grid outcomes |
JP6400511B2 (ja) * | 2015-03-16 | 2018-10-03 | 株式会社日立製作所 | プラント制御用のデータ処理装置およびプラント |
CN107065540A (zh) * | 2017-03-15 | 2017-08-18 | 东北电力大学 | 一种基于神经网络的自适应动态面分布控制方法 |
JP7086692B2 (ja) | 2018-04-19 | 2022-06-20 | 三菱重工業株式会社 | プラントの制御装置、プラント、プラントの制御方法及びプラントの制御プログラム |
TWI705316B (zh) * | 2018-04-27 | 2020-09-21 | 日商三菱日立電力系統股份有限公司 | 鍋爐之運轉支援裝置、鍋爐之運轉支援方法、及鍋爐之學習模型之作成方法 |
JP7391504B2 (ja) * | 2018-11-30 | 2023-12-05 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
JP7374590B2 (ja) * | 2019-02-12 | 2023-11-07 | 株式会社日立製作所 | Kpi改善支援システム及びkpi改善支援方法 |
CN115350640B (zh) * | 2022-10-20 | 2023-03-14 | 济宁九德半导体科技有限公司 | 基于半导体扩散炉用氮氧混合设备及其控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006352528A (ja) * | 2005-06-16 | 2006-12-28 | Nippon Telegr & Teleph Corp <Ntt> | ユーザ体感品質推定モデル生成装置、方法、およびプログラム |
JP4211565B2 (ja) * | 2003-10-16 | 2009-01-21 | いすゞ自動車株式会社 | シリンダ内圧検出方法 |
CN101379447A (zh) * | 2006-03-08 | 2009-03-04 | 株式会社日立制作所 | 设备的控制装置和控制方法及火力发电设备及其控制方法 |
CN101794495A (zh) * | 2010-02-05 | 2010-08-04 | 国网电力科学研究院 | 洪水预报系统中实时校正模型的优选方法 |
CN101872162A (zh) * | 2009-04-22 | 2010-10-27 | 株式会社日立制作所 | 成套设备的控制装置以及火力发电成套设备的控制装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004280450A (ja) * | 2003-03-14 | 2004-10-07 | Toshiba Corp | プラントモデルの自動モデリング装置 |
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 |
-
2011
- 2011-01-05 JP JP2011000301A patent/JP5503563B2/ja active Active
- 2011-11-04 WO PCT/JP2011/075445 patent/WO2012093518A1/ja active Application Filing
- 2011-11-04 CN CN201180064307.2A patent/CN103282840B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4211565B2 (ja) * | 2003-10-16 | 2009-01-21 | いすゞ自動車株式会社 | シリンダ内圧検出方法 |
JP2006352528A (ja) * | 2005-06-16 | 2006-12-28 | Nippon Telegr & Teleph Corp <Ntt> | ユーザ体感品質推定モデル生成装置、方法、およびプログラム |
CN101379447A (zh) * | 2006-03-08 | 2009-03-04 | 株式会社日立制作所 | 设备的控制装置和控制方法及火力发电设备及其控制方法 |
CN101872162A (zh) * | 2009-04-22 | 2010-10-27 | 株式会社日立制作所 | 成套设备的控制装置以及火力发电成套设备的控制装置 |
CN101794495A (zh) * | 2010-02-05 | 2010-08-04 | 国网电力科学研究院 | 洪水预报系统中实时校正模型的优选方法 |
Also Published As
Publication number | Publication date |
---|---|
JP5503563B2 (ja) | 2014-05-28 |
WO2012093518A1 (ja) | 2012-07-12 |
JP2012141862A (ja) | 2012-07-26 |
CN103282840A (zh) | 2013-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN102418919B (zh) | 设备的控制装置和火力发电设备的控制装置 | |
US7389151B2 (en) | Systems and methods for multi-level optimizing control systems for boilers | |
JP4573783B2 (ja) | 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 | |
CN101477332B (zh) | 工厂的控制装置及工厂的控制方法 | |
CN101320252B (zh) | 成套设备的控制装置 | |
JP5663510B2 (ja) | 石炭火力プラントの制御装置及び、石炭火力プラント | |
US8214062B2 (en) | Plant control system and thermal power generation plant control system | |
US7315846B2 (en) | Method and apparatus for optimizing a system model with gain constraints using a non-linear programming optimizer | |
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 | |
JP2007272646A (ja) | プラントの制御装置 | |
CN102914974B (zh) | 成套设备的控制装置 | |
CN101275748B (zh) | 锅炉的控制装置以及控制方法 | |
JP7374590B2 (ja) | Kpi改善支援システム及びkpi改善支援方法 | |
JP5378288B2 (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 | |
JP2009222332A (ja) | ボイラを備えたプラントの制御装置、及びボイラを備えたプラントの制御方法 | |
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 | |
JP5469226B2 (ja) | 制御装置の保守ツール | |
Szentannai | Mathematical modeling and model-based optimum control of circulating fluidized bed combustors | |
CN114137911A (zh) | 引导操作支援装置、引导操作支援方法以及储存引导操作支援程序的存储介质 |
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 |