CN113544598A - 控制装置、控制方法以及控制程序 - Google Patents
控制装置、控制方法以及控制程序 Download PDFInfo
- Publication number
- CN113544598A CN113544598A CN202080019003.3A CN202080019003A CN113544598A CN 113544598 A CN113544598 A CN 113544598A CN 202080019003 A CN202080019003 A CN 202080019003A CN 113544598 A CN113544598 A CN 113544598A
- Authority
- CN
- China
- Prior art keywords
- control
- target
- value
- amount
- future
- 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
- 238000000034 method Methods 0.000 title claims description 37
- 230000004044 response Effects 0.000 claims abstract description 58
- 230000008859 change Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 abstract description 44
- 230000001052 transient effect Effects 0.000 abstract description 27
- 239000013643 reference control Substances 0.000 description 52
- 238000004088 simulation Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 18
- 238000010438 heat treatment Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 230000006641 stabilisation Effects 0.000 description 7
- 238000011105 stabilization Methods 0.000 description 7
- 230000002123 temporal effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000005477 standard model Effects 0.000 description 5
- 238000009827 uniform distribution Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000012797 qualification Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- RFHAOTPXVQNOHP-UHFFFAOYSA-N fluconazole Chemical compound C1=NC=NN1CC(C=1C(=CC(F)=CC=1)F)(O)CN1C=NC=N1 RFHAOTPXVQNOHP-UHFFFAOYSA-N 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
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
- 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
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- 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
-
- 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
- G05B13/042—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 in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/42—Servomotor, servo controller kind till VSS
- G05B2219/42058—General predictive controller GPC
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Feedback Control In General (AREA)
Abstract
多个控制部件包含控制量相对于目标值的响应速度最慢的第一控制部件、以及第一控制部件以外的第二控制部件。控制装置包括:预测部件,用于在每个控制周期,使用表示与第一控制部件对应的第一控制对象的动态特性的第一模型,来预测第一控制对象的未来控制量;以及生成部件,根据未来控制量,生成与第二控制部件对应的第二控制对象的未来目标值。第二控制部件基于未来目标值来决定对第二控制对象的操作量。由此,即使在因外界干扰等的影响导致响应发生了变化的情况下,也能够将过渡状态下多个控制对象的控制量的分布控制为所期望的分布。
Description
技术领域
本技术涉及一种控制装置、控制方法以及控制程序。
背景技术
以往,已知有一种技术:对多个控制对象进行控制,以使得在过渡状态下多个控制对象各自的控制量的分布成为所期望的分布。
例如,日本专利特开2016-12228号公报(专利文献1)中公开了一种温度控制方法:为了将半导体晶片(wafer)的温度控制为所期望的分布,而进行多个温度调整部件的温度控制。专利文献1中公开的温度控制方法实施以下的第一流程至第三流程。第一流程是如下所述的流程:将对多个温度调整部件分别设定的多个控制环中的响应速度最慢的控制环的操作量设为100%,使用根据以其他环追随于此环的方式受到控制的响应而生成的标准模型,来探索用于在最短时间到达目标温度的操作量图形。第二流程是对标准模型给予所探索出的最佳操作量图形的操作量的流程。第三流程是执行将所获得的标准模型的输出用作标准模型输出的模型追随伺服运算以运算对温度调整部件的操作量的流程。
现有技术文献
专利文献
专利文献1:日本专利特开2016-12228号公报
发明内容
发明所要解决的问题
专利文献1中,探索与目标温度相应的最佳操作量图形,计算与所探索出的最佳操作量图形对应的标准模型输出即参照轨道。并且,使用参照轨道来运算操作量。但是,专利文献1中,在确定了参照轨道后不进行轨道的修正,因此,例如在响应速度最慢的控制环中因外界干扰等的影响而响应发生了变化的情况下,在过渡状态下温度分布有可能偏离所期望的分布。
本公开是有鉴于所述问题而完成,其目的在于提供一种控制装置、控制方法以及控制程序,即使在因外界干扰等的影响导致响应发生了变化的情况下,也能够使过渡状态下多个控制对象的控制量的分布恢复为所期望的分布。
解决问题的技术手段
根据本公开的一例,控制装置包括分别控制多个控制对象的多个控制部件。多个控制部件各自在每个控制周期决定对于对应的控制对象的操作量,以使得多个控制对象中的对应的控制对象的控制量与目标值一致。多个控制部件包含控制量相对于目标值的响应速度最慢的第一控制部件、以及第一控制部件以外的第二控制部件。控制装置还包括预测部件以及生成部件。预测部件在每个控制周期,使用表示多个控制对象中与第一控制部件对应的第一控制对象的动态特性的第一模型,来预测第一控制对象的未来控制量。生成部件根据未来控制量,生成多个控制对象中与第二控制部件对应的第二控制对象的未来目标值。第二控制部件基于未来目标值来决定对第二控制对象的操作量。
根据本公开,第二控制部件以第二控制对象的控制量追随于根据第一控制的对象未来控制量而生成的未来目标值的方式来生成操作量,并将所生成的操作量输出至第二控制对象。其结果,第一控制对象以及第二控制对象受到控制,以使过渡状态下的控制量的分布成为所期望的分布。而且,未来控制量是在每个控制周期进行预测。因此,即使在有外界干扰等施加至与第一控制对象对应的控制环,而导致所述控制环的响应产生了变化的情况下,也可根据变化后的响应来预测未来控制量。由此,即使在因外界干扰等的影响导致响应发生了变化的情况下,也能够使过渡状态下多个控制对象的控制量的分布恢复为所期望的分布。
所述的公开中,第一控制部件基于阶梯状的目标值来决定对第一控制对象的操作量。
根据专利文献1的图14所示的模拟结果,关于响应速度最慢的控制环,尽管处于控制量与目标值的偏差大的状态,但仍存在操作量尚未饱和的期间。因此,考虑尚残留有可进一步缩短稳定时间的余地。但是,根据本公开,第一控制部件基于阶梯状的目标值来决定对第一控制对象的操作量,由此,即使将多个控制对象的控制量的分布控制成所期望的分布,也能够抑制控制系统整体的稳定时间变长。换言之,不会牺牲控制系统整体的稳定时间,而能够将过渡状态下的第一控制对象以及第二控制对象的控制量的分布控制为所期望的分布。
所述的公开中,第一控制部件通过使用第一模型的模型预测控制,来计算各控制周期的对第一模型的输入值,以使得从第一模型输出用于使第一控制对象的控制量与目标值一致的必要变化量,且将当前的控制周期的输入值决定为对第一控制对象的操作量。预测部件将当前的控制周期之后的控制周期的输入值输入至第一模型,由此来预测未来控制量。
根据本公开,预测部件能够利用第一控制部件的运算结果来预测未来控制量。其结果,计算负载得以降低。
所述的公开中,第一控制部件在输入值超过规定的上限值的情况下将所述输入值修正为所述上限值,在输入值低于规定的下限值的情况下将所述输入值修正为所述下限值。
根据本公开,能够使用因饱和而修正为上限值或下限值的操作量来计算模型输出,从而避免预测精度的下降。
所述的公开中,第二控制部件通过使用表示第二控制对象的动态特性的第二模型的模型预测控制,来决定对第二控制对象的操作量。
根据本公开,第二控制部件能够使用由生成部件所生成的未来目标值来生成操作量。
所述的公开中,生成部件生成未来控制量、将未来控制量加上规定偏倚(bias)所得的值、或将未来控制量乘以规定比率所得的值来作为未来目标值。
根据本公开,能够将第一控制对象以及第二控制对象的控制量的分布控制为均匀分布、具有规定偏倚的差的分布、具有规定比率的分布中的任一种。
所述的公开中,控制量例如为温度、压力、流量或载荷。根据本公开,控制装置1能够将过渡状态下的多个控制对象的温度、压力、流量或载荷的分布控制为所期望的分布。
根据本公开的一例,包括与多个控制对象分别对应的多个控制部件的控制系统的控制方法包括以下的第一步骤~第三步骤。多个控制部件各自决定对于对应的控制对象的操作量,以使得多个控制对象中的对应的控制对象的控制量与目标值一致。多个控制部件包含控制量相对于目标值的响应速度最慢的第一控制部件、以及第一控制部件以外的第二控制部件。第一步骤是如下所述的步骤,即,在每个控制周期,使用表示多个控制对象中与第一控制部件对应的第一控制对象的动态特性的第一模型,来预测第一控制对象的未来控制量。第二步骤是如下所述的步骤,即,根据未来控制量,生成多个控制对象中与第二控制部件对应的第二控制对象的未来目标值。第三步骤是如下所述的步骤,即,将未来目标值输出至第二控制部件,基于未来目标值来决定对第二控制对象的操作量。
根据本公开的一例,控制程序使计算机执行所述的控制方法。
通过这些公开,即使在因外界干扰等的影响导致响应发生了变化的情况下,也都能够使过渡状态下多个控制对象的控制量的分布恢复为所期望的分布。
发明的效果
根据本公开,即使在因外界干扰等的影响导致响应发生了变化的情况下,也能够使过渡状态下多个控制对象的控制量的分布恢复为所期望的分布。
附图说明
图1是表示适用本实施方式的控制装置的控制系统的整体结构例的示意图。
图2是表示本实施方式的控制装置的内部结构例的图。
图3是表示本实施方式的控制装置的硬件结构的一例的示意图。
图4是表示从当前的控制周期直至经过停滞时间(dead time)+预测界限(horizon)为止的期间的目标值、控制量与操作量的关系的图。
图5是说明追随控制环的未来目标值的生成方法的图。
图6是表示本实施方式的控制装置的处理流程的流程图。
图7是表示无外界干扰时的模拟结果的图。
图8是表示输入至追随控制环的目标值的时间变化的图。
图9是表示有外界干扰时的模拟结果的图。
图10是表示将对控制量预测值加上规定偏倚所得的值作为追随控制环的目标值时的模拟结果的图。
图11是表示将对控制量预测值乘以规定比率所得的值作为追随控制环的目标值时的模拟结果的图。
具体实施方式
关于本发明的实施方式,一边参照附图一边详细说明。另外,对于图中的相同或相当的部分,标注相同的符号并不再重复其说明。
§1适用例
首先,参照图1以及图2来说明适用本发明的场景的一例。图1是表示适用本实施方式的控制装置的控制系统的整体结构例的示意图。图2是表示本实施方式的控制装置的内部结构例的图。
图1所示的示例的控制系统SYS包括加热装置2、以及对加热装置2的温度分布进行控制的控制装置1。
加热装置2例如为热处理炉或半导体晶片加热处理装置。加热装置2包含与多个控制点分别对应的多个控制对象。图1所示的示例中,加热装置2包含n个(n为2以上的整数)控制对象20-1~20-n。
控制对象20-1~20-n各自具有通电部22、加热器24以及温度传感器26。通电部22对加热器24接通与从控制装置1接收的操作量相应的电流。温度传感器26测量对应的控制点的温度,并将测量出的温度作为控制对象的控制量而输出至控制装置1。
控制装置1对加热装置2中所含的n个控制对象20-1~20-n输出操作量,对n个控制对象20-1~20-n的控制量(此处为温度)进行控制。如图2所示,控制装置1包括分别控制n个控制对象20-1~20-n的n个模型预测控制模块10-1~10-n。图中,将模型预测控制称作“MPC(Model Predictive Control)”。
由模型预测控制模块10-i(i为1~n中的任一个整数)和与所述模型预测控制模块10-i对应的控制对象20-i构成一个控制环Li。因此,控制系统SYS具有n个控制环L1~Ln。在由模型预测控制模块10-i和控制对象20-i构成的控制环Li中,控制对象20-i的控制量PVi是由温度传感器26(参照图1)予以测量,并输入至模型预测控制模块10-i。模型预测控制模块10-i决定对控制对象20-i的操作量MVi,以使所输入的控制量PVi与目标值SPi一致。控制对象20-i中,基于来自模型预测控制模块10-i的操作量MVi来操作加热器24。
控制量相对于目标值的响应速度(即,从给予目标值直至控制量到达目标值为止的速度)根据控制对象的周围环境或控制对象的性能,对应于每个控制环而不同。例如,在配置在加热装置2端部的控制对象中,散热量比其他控制对象多。因此,包含配置在加热装置2端部的控制对象的控制环的响应速度相对变慢。
在响应速度对应于每个控制环而不同的情况下,在过渡状态下,n个控制对象20-1~20-n的控制量PV1~PVn的分布产生偏差。例如,即使对所有的控制环L1~Ln给予同一阶梯状的目标值,构成响应速度快的控制环的控制对象的控制量也会在比其他控制环早的时机到达目标值。另一方面,构成响应速度慢的控制环的控制对象的控制量会在比其他控制环晚的时机到达目标值。当像这样在过渡状态下n个控制对象20-1~20-n的控制量PV1~PVn的分布产生偏差时,有可能对成为加热对象的对象物(例如半导体晶片)造成不良影响。例如,由于温度不均,对象物可能产生意料外的变形。
本实施方式的控制装置1为了解决此种问题,对n个控制对象20-1~20-n进行控制,以使过渡状态下的n个控制对象20-1~20-n的控制量PV1~PVn的分布成为所期望的分布(例如均匀分布)。即,控制装置1将响应速度最慢的控制环确定为“基准控制环”,将剩余的控制环确定为“追随控制环”。并且,控制装置1控制n个控制对象20-1~20-n,以使追随控制环的控制量追随于基准控制环的控制量。
各控制环的响应速度是通过下述方式来预先评估,即,对从在加热装置2处于稳定状态时将阶梯状的同一目标值给予至模型预测控制模块10-1~10-n,直至控制对象20-1~20-n的控制量达到目标值为止的时间分别进行测量。基于评估结果,将n个控制环中的响应速度最慢的控制环预先确定作为基准控制环,将基准控制环以外的控制环预先确定作为追随控制环。图2所示的示例中,包含模型预测控制模块10-1和控制对象20-1的控制环L1被确定为基准控制环,除此以外的控制环L2~Ln被确定为追随控制环。
对构成基准控制环L1的模型预测控制模块10-1,输入预先规定的目标值SP1。为了尽可能缩短稳定时间,优选的是将阶梯状的目标值SP1输入至模型预测控制模块10-1。即,从控制开始将表示最终的目标温度的目标值SP1输入至模型预测控制模块10-1。
控制装置1还包括控制量预测模块12与目标值生成模块14,以作为用于使追随控制环L2~Ln的控制量PV2~PVn追随于基准控制环L1的控制量PV1的模块。
控制量预测模块12在每个控制周期,使用表示构成基准控制环L1的控制对象20-1的动态特性的动态特性模型,来预测控制对象20-1的未来控制量的预测值(以下称作“控制量预测值PVP”)。如后所述,控制量预测模块12利用模型预测控制模块10-1决定操作量MV1时的运算结果来计算控制量预测值PVP。
目标值生成模块14根据由控制量预测模块12所预测的控制量预测值PVP,来生成追随控制环L2~Ln的未来目标值SP2~SPn。例如,在使过渡状态下的多个控制对象的控制量的分布均匀化的情况下,目标值生成模块14将控制量预测值PVP决定为目标值SP2~SPn。
目标值生成模块14将所生成的目标值SP2~SPn分别输出至模型预测控制模块10-2~10-n。由此,模型预测控制模块10-j(j为2~n中的任一个整数)以控制对象20-j的控制量PVj追随于根据基准控制环L1的控制量预测值PVP而生成的目标值的方式来生成操作量MVj。模型预测控制模块10-j将所生成的操作量MVj输出至控制对象20-j。其结果,过渡状态下的控制对象20-1~20-n的控制量的分布被控制为所期望的分布(例如均匀分布)。
如上所述,控制量预测值PVP是在每个控制周期进行预测。因此,即使在有外界干扰等施加至基准控制环L1而导致基准控制环L1的响应产生了变化的情况下,也能根据变化后的响应来预测控制量预测值PVP。由此,即使在因外界干扰等的影响导致响应发生了变化的情况下,也能够使过渡状态下n个控制对象20-1~20-n的控制量的分布恢复为所期望的分布。
§2具体例
接下来,对本实施方式的控制装置1的具体例进行说明。
<A.控制装置的硬件结构例>
本实施方式的控制装置1例如是通过通用的计算机、可编程逻辑控制器(Programmable Logic Controller,PLC)(可编程控制器)等来实现。控制装置1也可通过处理器执行预先保存的控制程序(包含如后所述的系统程序以及用户程序),来实现如后所述的处理。
图3是表示本实施方式的控制装置1的硬件结构的一例的示意图。图3表示作为PLC的温度调整单元而构成的控制装置1的示例。如图3所示,控制装置1包含中央处理器(Central Processing Unit,CPU)或微处理器(Micro Processing Unit,MPU)等处理器102、芯片组104、主存储器106、快闪存储器108、外部网络控制器116、存储卡接口118、现场总线控制器124、外部网络控制器116以及存储卡接口118。
处理器102读出保存在快闪存储器108中的系统程序110以及用户程序112,并在主存储器106中展开而执行,由此来实现对于控制对象的任意控制。通过处理器102执行系统程序110以及用户程序112,从而执行如后所述的操作量对控制对象20-1~20-n的输出、与数据通信相关的处理等。
系统程序110包含用于提供数据的输入/输出处理或执行时机控制等控制装置1的基本功能的命令代码。用户程序112包含序列程序,所述序列程序是根据控制对象20-1~20-n而任意设计,且用于执行序列控制。
图2所示的模型预测控制模块10-1~10-n、控制量预测模块12以及目标值生成模块14是通过处理器102执行系统程序110以及用户程序112而实现。
芯片组104通过控制各组件,从而实现作为控制装置1整体的处理。
现场总线控制器124是与通过现场总线而跟控制装置1连结的各种设备交换数据的接口。作为此类设备的一例,连接有控制对象20-1、20-2、…。
现场总线控制器124能够对所连接的设备给予任意指令,并且能够获取设备所管理的任意数据(包含控制量PV)。现场总线控制器124也作为用于与n个控制对象20-1~20-n之间交换数据的接口发挥功能。
外部网络控制器116对通过各种有线/无线网络的数据交换进行控制。存储卡接口118是以可装卸存储卡120的方式构成,能够对存储卡120写入数据,并从存储卡120读出数据。
<B.模型预测控制>
模型预测控制模块10-i使用表示对应的控制对象20-i的动态特性的动态特性模型来进行模型预测控制,由此来生成对控制对象20-i的操作量MVi。
动态特性模型例如是通过执行模型预测控制之前的调谐(tuning)来预先制作。例如,对处于稳定状态的加热装置2的所有n个控制对象20-1~20-n同时输出阶梯状的相同的操作量,以测量各控制对象的控制量(温度)。通过将操作量以及控制量分别设为鉴定输入以及鉴定输出而适用系统鉴定方法,从而能够制作各控制对象的动态特性模型。
动态特性模型例如是用以下的函数P(z-1)来表示。函数P(z-1)是将停滞时间要素与p次延迟要素组合而成的离散时间传递函数。以函数P(z-1)所示的动态特性模型中,将停滞时间要素的停滞时间d以及p次延迟要素的变量a1~ap及变量b1~bq决定为特性参数。另外,关于次数p以及次数q,也可决定最佳的值。
[数1]
数1
此种特性参数的制作处理(即,系统鉴定)也可使用鉴定输入以及鉴定输出,并通过最小平方法等来执行。具体而言,以对y=P(z-1)*u的变量u给予被选择作为鉴定输入的操作量时的输出y与被选择作为鉴定输出的控制量一致的方式(即,以误差成为最小的方式),来决定特性参数各自的值。
所述特性参数(d、a1~ap、b1~bq)是针对每个控制对象来决定。以下,为了区别每个控制对象的停滞时间d,根据需要将与控制对象20-j对应的停滞时间d称作“停滞时间d_i”。
模型预测控制存在多种方式,但以下对使用计算负载低的预测函数控制(Predictive Functional Control,PFC)方式的操作量的计算方法进行说明。但是,模型预测控制模块10-1~10-n并不限于PFC方式,也可使用其他的方式来计算操作量。
模型预测控制模块10-1~10-n各自对所述[数1]的函数P(z-1)所示的动态特性模型输入直至当前的控制周期k为止所生成的操作量MVk、…、MVk-q+1,由此来运算控制周期k+d+1内的模型输出值Yk+d+1。此处,如上所述,q是由动态特性模型P所规定的次数。而且,控制周期k+d+1是从当前的控制周期k经过了由动态特性模型所规定的停滞时间d+1的未来控制周期。
如上述那样求出的模型输出值Yk+d+1是为了生成下次控制周期内的操作量MV而使用。此时,使所运算的数据偏移一控制周期量,以备下个控制周期。例如,像上述那样求出的模型输出值Yk+d+1在下次控制周期内被用作模型输出值Yk+d。换言之,在当前的控制周期k,使用在前次的控制周期内运算出的模型输出值Yk+d+1来作为模型输出值Yk+d。模型预测控制模块10-1~10-n各自通过使用在前次的控制周期内运算出的所述模型输出值Yk+d和动态特性模型的模型预测控制,来生成在当前的控制周期k输出的操作量MVk。
模型预测控制模块10-1~10-n各自使用动态特性模型来预先进行阶跃(step)响应计算与斜坡(ramp)响应计算。
所谓阶跃响应计算,是指如下所述的计算,即,求出在输出为0的初始状态下持续最大输入(阶跃输入)时的动态特性模型的输出(以下,也称作“阶跃输出Ys”)。以下的说明中,将从阶跃输入的输入开始计起的经过时间t(>停滞时间d)内的阶跃输出Ys设为Ys(t)。
所谓斜坡响应计算,是指如下所述的计算,即,求出在输出为0的初始状态下进行在每个控制周期逐次增加规定量的输入(斜坡输入)时的动态特性模型的输出(以下也称作“斜坡输出Yr”)。以下的说明中,将从斜坡输入的输入开始计起的经过时间t(>停滞时间d)内的斜坡输出Yr设为Yr(t)。
进而,模型预测控制模块10-1~10-n各自进行将模型输出值Yk+d、…、Yk+d-p+1设为初始状态的自由响应计算。所谓自由响应计算,是指如下所述的计算,即,求出在处于初始状态的动态特性模型中将当前的控制周期k以后的输入设为0时的、从控制周期k+d经过了预测界限H的控制周期k+d+H内的动态特性模型的输出Yf(k+d+H)。
模型预测控制模块10-1~10-n各自将阶跃输出以及斜坡输出的大小分别设为ks以及kr,依据以下的数式来运算从控制周期k+d经过了预测界限H的控制周期k+d+H内的动态特性模型的输出MHk+d+H。
MHk+d+H=ks*Ys(d+H)+kr*Yr(d+H)+Yf(k+d+H)
模型预测控制模块10-1~10-n各自以MHk+d+H与模型输出值Yk+d的差值ΔMH、和控制周期k+d+H内的参照轨道上的位置RHk+d+H与控制周期k+d内的控制量PVk+d的差值ΔPH一致的方式,来求出ks以及kr。参照轨道是根据控制周期k+d+H内的目标值SPk+d+H、控制周期k+d内的目标值SPk+d以及控制量PVk+d、以及预先规定的参照轨道时间常数Tr来确定。控制周期k+d内的控制量PVk+d是使用动态特性模型的输出值与停滞时间d相应的变化量(Yk+d-Yk),利用下述的计算式来求出。
PVk+d=PVk+Yk+d-Yk
为了求出两个变量ks以及kr,设定两个值H1、H2来作为预测界限H。这样,模型预测控制模块10-1~10-n各自接收目标值SPk+d、SPk+d+H1、SPk+d+H2与控制量PVk,由此,能够计算使差值ΔMH与差值ΔPH一致的ks以及kr。
图4是表示从当前的控制周期k直至经过停滞时间d+预测界限H2为止的期间的目标值、控制量与操作量的关系的图。所述差值ΔPH相当于用于使控制周期k+d内的控制量PVk+d与控制周期k+d+H内的目标值SPk+d+H一致的必要变化量。因此,差值ΔMH与差值ΔPH一致时的变量ks、kr表示用于从动态特性模型输出必要变化量的、直至控制周期k+d+H2为止的各控制周期的对动态特性模型的模型输入值MVP。换言之,将由所求出的变量ks、kr表示的模型输入值MVP作为操作量而输出至控制对象,由此,在控制周期k+d+H1与控制周期k+d+H2这两点,能够使控制量与目标值一致。
如图4所示,变量ks表示当前的控制周期k以后的各控制周期内的模型输入值MVP的阶跃高度量。变量kr表示当前的控制周期k以后的各控制周期内的操作量的阶跃倾斜量。模型预测控制模块10-1~10-n各自在每个控制周期,计算用于使差值ΔMH与差值ΔPH一致的变量ks、kr。当前的控制周期k内的斜坡输入为0。因此,模型预测控制模块10-1~10-n各自只要生成像上述那样求出的ks与阶跃输入之积(控制周期k内的模型输入值MVP)来作为当前的控制周期k的操作量MVk即可。
另外,操作量可取下限值MVL~上限值MVH的范围内的值。因此,在ks与阶跃输入之积(控制周期k内的模型输入值MVP)超过上限值MVH的情况下,模型预测控制模块10-1~10-n各自生成所述上限值MVH来作为当前的控制周期k的操作量MVk。同样,在ks与阶跃输入之积低于下限值MVL的情况下,模型预测控制模块10-1~10-n各自生成所述下限值MVL来作为当前的控制周期k的操作量MVk。
而且,对模型预测控制模块10-1~10-n设定的模型预测控制参数也可对应于模型预测控制模块10-1~10-n的每一个而不同。模型预测控制参数包含预测界限H1、H2与参照轨道时间常数Tr。如上所述,响应速度对应于每个控制环而不同。通常,对于响应速度相对较快的控制环的模型预测控制模块,设定比响应速度相对较慢的控制环的模型预测控制模块短的预测界限H1、H2以及参照轨道时间常数Tr。因此,对模型预测控制模块10-1设定的预测界限H1、H2以及参照轨道时间常数Tr分别比对模型预测控制模块10-2~10-n设定的预测界限H1、H2以及参照轨道时间常数Tr长。
以下,为了区别对模型预测控制模块10-1~10-n设定的预测界限H1、H2,根据需要来将对模型预测控制模块10-i设定的预测界限H1、H2分别称作“预测界限H1_i”、“预测界限H2_i”。
<C.控制量预测值PVP的预测方法>
接下来,说明控制量预测模块12对控制量预测值PVP的预测方法。
首先,控制量预测模块12基于由构成基准控制环L1的模型预测控制模块10-1所生成的过去的操作量MVk-1、MVk-2、…,来计算控制周期k+1~k+d的控制量预测值PVP。
例如,对动态特性模型由以下的[数2]的函数P(z-1)所示的情况的示例进行说明。
[数2]
数2
控制量预测模块12只要根据以下的数式,来预测控制周期k+1~k+d内的控制量预测值PVPk+1~PVPk+d即可。
PVPk+1=-a1PVPk+b1MVk-d
PVPk+2=-a1PVPk+1+b1MVk-d+1
…
PVPk+d=-a1PVPk+d-1+b1MVk-1
接下来,控制量预测模块12使用由模型预测控制模块10-1所计算出的、直至控制周期k+d_1+H2_1(以下称作“控制周期k+Hpv”)为止的各控制周期的对动态特性模型的模型输入值MVP,来分别计算控制周期k+d+1~k+Hpv的控制量预测值PVPk+d+1~PVPk+Hpv。
如图4所示,对动态特性模型的模型输入值MVP是由阶跃高度量(ks与阶跃输入之积)与斜坡倾斜量MVRk来规定。与当前的控制周期k对应的斜坡倾斜量MVRk是以生成当前的控制周期k的操作量MVk时跟ks一同求出的kr与斜坡输入之积来表示。
从当前的控制周期k经过了s控制周期的控制周期k+s内的模型输入值MVPk+s是用以下的数式来表示。
MVPk+s=MVk+MVRk×s
但是,在MVPk+s超过操作量的上限值MVH的情况下,MVPk+s被修正为上限值MVH。同样,在MVPk+s低于操作量的下限值MVL的情况下,MVPk+s被修正为下限值MVL。
控制量预测模块12将以此方式求出的模型输入值MVPk+s输入至表示控制对象20-1的动态特性的动态特性模型,由此来分别预测控制周期k+d+1~k+Hpv的控制量预测值PVPk+d+1~PVPk+Hpv。
在动态特性模型是用以下的[数2]的函数P(z-1)来表示的情况下,控制量预测模块12只要根据以下的数式来计算控制量预测值PVPk+d+1~PVPk+Hpv即可。
PVPk+d+1=-a1PVPk+d+b1MVk
PVPk+d+2=-a1PVPk+d+1+b1MVPk+1
…
PVPk+Hpv=-a1PVPk+Hpv-1+b1MVPk+Hpv-d-1
另外,MVk表示由模型预测控制模块10-1所生成的当前的控制周期k内的操作量。
控制量预测值PVP一般包含误差。因此,控制量预测模块12也可使用在当前的控制周期k内所测量出的控制量PVk来修正控制量预测值PVP。
具体而言,控制量预测模块12运算当前的控制周期k内的控制量PVk与过去计算的跟当前的控制周期k对应的控制量预测值PVPk的差值来作为修正量C。即,修正量C是以
C=PVk-PVPk
来表示。
控制量预测模块12只要视为在控制周期k+1~k+Hpv内也产生了与修正量C相应的误差,根据以下的数式来修正控制量预测值PVPk+1~PVPk+Hpv即可。
PVPk+1←PVPk+1+C
…
PVPk+Hpv←PVPk+Hpv+C
<D.追随控制环的未来目标值的生成方法>
接下来,说明目标值生成模块14所进行的、追随控制环L2~Ln的未来目标值SP2~SPn的生成方法。
如上所述,模型预测控制模块10-2~10-n各自使用目标值SPk+d、SPk+d+H1、SPk+d+H2来求出使差值ΔMH与差值ΔPH一致的ks,使用所述ks来生成操作量MVk。因此,目标值生成模块14从控制周期k+1~k+Hpv的控制量预测值PVPk+1~PVPk+Hpv中,生成对模型预测控制模块10-2~10-n分别输出的目标值SPk+d、SPk+d+H1、SPk+d+H2。
图5是说明追随控制环的未来目标值的生成方法的图。图5表示对追随控制环Lj的模型预测控制模块10-j输出的目标值SPj的生成方法。
如图5所示,目标值生成模块14生成从当前的控制周期k经过了由控制对象20-j的动态特性模型所规定的停滞时间d_j的控制周期k+d_j的控制量预测值PVPk+d_j来作为控制对象20-j的目标值SPk+d。
同样,目标值生成模块14生成从当前的控制周期k经过了d_j+H1_j的控制周期k+d_j+H1_j的控制量预测值PVPk+d_j+H1_j来作为控制对象20-j的目标值SPk+d+H1。进而,目标值生成模块14生成从当前的控制周期k经过了d_j+H2_j的控制周期k+d_j+H2_j的控制量预测值PVPk+d_j+H2_j来作为控制对象20-j的目标值SPk+d+H2。
如上所述,通常,响应速度最慢的基准控制环L1的预测界限H1、H2被设定为比其他追随控制环L2~Ln的预测界限H1、H2长。因此,目标值生成模块14能够从控制量预测值PVPk+1~PVPk+Hpv中,生成对模型预测控制模块10-2~10-n分别输出的目标值SPk+d、SPk+d+H1、SPk+d+H2。
控制量预测值PVPk+1~PVPk+Hpv中的、从当前的控制周期k经过了追随控制环L2~Ln中的最长的d+H2的控制周期之前的控制量预测值PVP不被用于目标值的生成。因此,控制量预测模块12也可将追随控制环L2~Ln中的最长的d+H2设为Hpv,分别预测控制周期k+1~k+Hpv的控制量预测值PVPk+1~PVPk+Hpv。
<E.处理流程>
接下来,说明本实施方式的控制装置1所进行的处理流程的概要。图6是表示本实施方式的控制装置的处理流程的流程图。图6所示的步骤也可通过控制装置1的处理器102执行控制程序(包含图3所示的系统程序110以及用户程序112)而实现。
首先,控制装置1判断是否开始控制(步骤S1)。例如,控制装置1只要确认控制对象20-1~20-n以及其他机器的状态,通过从各机器接收准备完成的通知来判断为开始控制即可。若判断为未开始控制(步骤S1中为否),则控制装置1的处理返回步骤S1。
若判断为开始控制(步骤S1中为是),则控制装置1对于基准控制环L1进行模型预测控制,生成对控制对象20-1的操作量MV1(步骤S2)。基准控制环L1中的模型预测控制是基于预先规定的目标值SP1而执行。
接下来,控制装置1对构成基准控制环L1的控制对象20-1的未来控制量预测值PVP进行预测(步骤S3)。控制量预测值PVP的预测是使用在步骤S2中生成操作量MV1时所计算的变量ks、kr来进行。
接下来,控制装置1根据控制量预测值PVP来生成追随控制环L2~Ln各自的未来目标值SP2~SPn(步骤S4)。
接下来,控制装置1对于追随控制环L2~Ln分别进行模型预测控制,分别生成对控制对象20-2~20-n的操作量MV2~MVn(步骤S5)。追随控制环L2~Ln的模型预测控制是基于在步骤S4中所生成的目标值SP2~SPn来分别执行。
接下来,控制装置1判断是否应结束控制(步骤S6)。例如,控制装置1只要在收到来自上位的控制单元的结束指示时,判断为结束控制即可。若判断为未结束控制(步骤S6中为否),则控制装置1的处理返回步骤S2。由此,在每个控制周期重复步骤S2~S5。
若判断为结束控制(步骤S6中为是),则控制装置1的处理结束。
<F.模拟结果>
(F-1.第一模拟例)
为了验证本实施方式的控制装置1的效果,进行将第一控制对象~第四控制对象的控制量由0控制为最终目标值(=100)的控制系统的模拟。假设第一控制对象~第四控制对象具有以下的[数3]所示的传递特性。
[数3]
数3
[数3]中,K表示稳定增益,T1、T2表示时间常数,L表示停滞时间。将与第一控制对象对应的第一控制环设为基准控制环,将与第二控制对象~第四控制对象分别对应的第二控制环~第四控制环设为追随控制环。即,以第一控制环的响应特性最慢,第二控制环的响应特性第二慢,第三控制环的响应特性第三慢,第四控制环的响应特性最快的方式来设定各参数的值。具体而言,以下述方式来设定K、T1、T2、L的值。另外,括号内从左起表示与第一控制对象、第二控制对象、第三控制对象、第四控制对象对应的值。
K=[3.5、4、4.5、5]
T1=[39、36、33、30]
T2=[3.5、3、2.5、2]
L=[1.6、1.4、1.2、1]
T1、T2、L的单位为秒。
第一模型预测控制模块~第四模型预测控制模块通过使用第一控制对象~第四控制对象的动态特性模型的模型预测控制,来分别生成对第一控制对象~第四控制对象的操作量。假设动态特性模型具有所述的传递特性。因此,模型误差为0。而且,将输出操作量的控制周期设为0.1s。
图7是表示无外界干扰时的模拟结果的图。图7中,在左列的(a)中表示对所有的控制环输入同一目标值SP(=100)时的模拟结果。即,对所有的控制环输入阶梯状的目标值。
在中列的(b)以及右列的(c)中,表示对基准控制环输入目标值SP1(=100),对追随控制环输入由目标值生成模块14所生成的目标值时的模拟结果。即,仅对基准控制环输入阶梯状的目标值。
另外,在图7(a)、(b)中,表示像以下那样设定作为模型预测控制参数的预测界限H1、H2以及参照轨道时间常数Tr时的模拟结果。括号内从左起表示第一控制环、第二控制环、第三控制环、第四控制环的值。
H1=[35、30、25、20]
H2=[70、60、50、40]
Tr=[1.6、1.4、1.2、1]
而且,在图7(c)中,表示像以下那样设定预测界限H1、H2以及参照轨道时间常数Tr时的模拟结果。
H1=[35、8、6、5]
H2=[70、16、12、10]
Tr=[1.6、0、0、0]
这样,在图7(c)所示的示例中,与图7(a)、(b)所示的示例相比,减小了追随控制环的预测界限H1、H2以及参照轨道时间常数Tr。
在图7的各列的第一段,表示第一控制环~第四控制环各自的控制量PV1~PV4与对第一控制环(基准控制环)输入的目标值SP1的时间变化。在图7的各列的第二段,表示所有控制环中的最大的控制量(最大PV)与最小的控制量(最小PV)的偏差的时间变化。在图7的各列的第三段,表示由第一控制环~第四控制环分别生成的操作量MV1~MV4的时间变化。在图7(b)、(c)的第四段,表示第二段的最大PV与最小PV的偏差的放大图。
如图7(a)所示,当对所有的控制环输入了阶梯状的同一目标值时,由于响应速度不同,在直至达到目标值为止的过渡状态下,控制量产生了偏差。在图7(a)所示的示例中,相对于目标值(=100),所有控制环中的最大PV与最小PV的偏差最大达到50。
与此相对,如图7(b)所示,通过将由目标值生成模块14所生成的目标值输入至追随控制环,在直至达到最终目标值为止的过渡状态下,控制量的偏差得到抑制。在图7(b)所示的示例中,相对于目标值(=100),所有控制环中的最大PV与最小PV的偏差被抑制为小于4。
基准控制环(第一控制环)的操作量MV1在从控制开始直至控制量PV1接近目标值(=100)为止的期间,被设定为作为上限值的100。即,操作量已饱和。因此,能够抑制基准控制环的稳定时间变长。作为控制系统整体的稳定时间依存于响应速度最慢的基准控制环的稳定时间。因而,作为控制系统整体的稳定时间在图7(a)所示的示例与图7(b)所示的示例中并无差异。
这样,确认了不会牺牲稳定时间,而能够使过渡状态下的多个控制对象的控制量均匀化。
在图7(c)所示的示例中,与图7(b)相比,所有控制环中的最大PV与最小PV的偏差得到进一步抑制。
图8是表示在图7(c)所示的示例中对追随控制环输入的目标值的时间变化的图。图8中表示对响应速度最快的第四控制环输入的目标值。如上所述,在进行模型预测控制时,输入从当前的控制周期k经过了停滞时间d的控制周期的目标值SPk+d、从当前的控制周期k经过了d+H1的控制周期的目标值SPk+d+H1、以及从当前的控制周期k经过了d+H2的控制周期的目标值SPk+d+H2。进而,也可一并输入当前的控制周期k的目标值SPk。如图8所示,目标值SPk、SPk+d、SPk+d+H1、SPk+d+H2随着时间的经过而朝向最终目标值(=100)连续增加。在追随控制环中,依据根据基准控制环(第一控制环)的控制量预测值PVP而生成的目标值来生成操作量,因此受到控制,以追随于基准控制环的控制量PV1。
如图8所示,在追随控制环中,目标值连续增加,因此即使加强控制也难以造成过冲。因此,在图7(c)所示的示例中,使追随控制环的预测界限H1、H2以及参照轨道时间常数Tr小于图7(b)所示的示例,由此,追随控制环的控制增强,追随控制环的控制量精度良好地追随于基准控制环的控制量。
(F-2.第二模拟例)
与第一模拟例不同,进行对基准控制环施加有外界干扰的模拟。具体而言,使外界干扰加至基准控制环的操作量。
图9是表示有外界干扰时的模拟结果的图。图9中,在左列的(a)中,表示对基准控制环(第一控制环)施加的外界干扰的时间变化。本例中,在时刻5~10秒的期间施加外界干扰。另外,将控制开始时刻设为0。图9中,在中列的(b)中,表示对所有的控制环输入同一阶梯状的目标值SP(=100)时的模拟结果。在右列的(c)中,表示对基准控制环输入阶梯状的目标值SP1(=100),对追随控制环输入由目标值生成模块14所生成的目标值时的模拟结果。
另外,在图9(c)所示的示例中,设定了与图7(c)所示的示例为相同值的预测界限H1、H2以及参照轨道时间常数Tr。
在图9(b)、(c)的第一段,表示第一控制环~第四控制环各自的控制量PV1~PV4与对基准控制环(第一控制环)输入的目标值SP1的时间变化。在图9(b)、(c)的第二段,表示所有控制环中的最大的控制量(最大PV)与最小的控制量(最小PV)的偏差的时间变化。在图9(b)、(c)的第三段,表示由第一控制环~第四控制环分别生成的操作量MV1~MV4的时间变化。
由于施加有外界干扰,在图9(b)所示的示例中,与图7(a)所示的示例相比,基准控制环(第一控制环)的响应变得稍快。进而,在图9(b)所示的示例中,基准控制环的操作量的最小值变得小于图7(a)所示的示例。
如图9(c)所示,在从比施加外界干扰的期间稍迟的时刻7秒附近直至时刻12秒附近的期间内,可看到追随控制环(第二控制环~第四控制环)的操作量MV2~MV4上升。这是因为,在基准控制环的控制量中显露出外界干扰的影响,与此相应地,控制量预测值以及追随控制环的未来目标值增加。这样,追随控制环的未来目标值对应于基准控制环的控制量而变化,因此,所有控制环中的最大PV与最小PV的偏差得到抑制。
如上所述,经确认:即使在因外界干扰等的影响导致基准控制环的响应发生了变化的情况下,也能够均匀地控制过渡状态下多个控制对象的控制量的分布。
<G.优点>
如上所述,本实施方式的控制装置1包括分别控制多个控制对象20-1~20-n的多个模型预测控制模块10-1~10-n。即,模型预测控制模块10-i是对控制对象20-i进行控制的控制部件。模型预测控制模块10-1~10-n各自在每个控制周期决定对于对应的控制对象的操作量MV,以使得所述对应的控制对象的控制量PV与目标值SP一致。
模型预测控制模块10-1~10-n包含控制量PV相对于目标值SP的响应速度最慢的模型预测控制模块10-1、以及模型预测控制模块10-1以外的模型预测控制模块10-2~10-n。
控制装置1还包括控制量预测模块12与目标值生成模块14。控制量预测模块12在每个控制周期,使用表示与模型预测控制模块10-1对应的控制对象20-1的动态特性的动态特性模型,来预测控制对象20-1的未来控制量(控制量预测值PVP)。目标值生成模块14生成控制量预测值PVP来作为与模型预测控制模块10-2~10-n分别对应的控制对象20-2~20-n的未来目标值。模型预测控制模块10-2~10-n基于所述未来目标值,来分别决定对控制对象20-2~20-n的操作量MV2~MVn。
根据所述结构,模型预测控制模块10-j(j为2~n中的任一个整数)以控制对象20-j的控制量PVj追随于控制量预测值PVP的方式来生成操作量MVj,并将所生成的操作量MVj输出至控制对象20-j。其结果,控制对象20-1~20-n受到控制,以使过渡状态下的控制量的分布成为均匀分布。
而且,控制量预测值PVP是在每个控制周期进行预测。因此,即使在有外界干扰等施加至与控制对象20-1对应的基准控制环L1,而导致基准控制环L1的响应产生了变化的情况下,也可根据变化后的响应来预测控制量预测值PVP。由此,即使在因外界干扰等的影响导致响应发生了变化的情况下,也能够使过渡状态下控制对象20-1~20-n的控制量的分布恢复为均匀分布。
控制系统SYS整体的稳定时间依存于响应速度最慢的基准控制环L1的稳定时间。基准控制环L1的模型预测控制模块10-1基于阶梯状的目标值SP1来决定对控制对象20-1的操作量MV1。由此,即使将控制对象20-1的控制量的分布控制成为均匀分布,也能够抑制控制系统SYS整体的稳定时间变长。即,不会牺牲控制系统SYS整体的稳定时间,而能够使过渡状态下的控制对象20-1~20-n的控制量均匀化。
模型预测控制模块10-1通过使用与控制对象20-1对应的动态特性模型的模型预测控制,来计算各控制周期的对动态特性模型的模型输入值MVP,以使得从所述动态特性模型输出用于使控制对象20-1的控制量PV1与目标值SP1一致的必要变化量。并且,模型预测控制模块10-1将当前的控制周期的模型输入值MVP决定为对控制对象20-1的操作量MV1。控制量预测模块12将当前的控制周期之后的控制周期的模型输入值MVP输入至动态特性模型,由此来预测控制量预测值PVP。由此,控制量预测模块12能够利用模型预测控制模块10-1的运算结果来预测控制量预测值PVP。其结果,计算负载得以降低。
模型预测控制模块10-1在模型输入值MVP超过规定的上限值MVH的情况下,将所述模型输入值MVP修正为所述上限值MVH,在模型输入值MVP低于规定的下限值MVL的情况下,将所述模型输入值MVP修正为所述下限值MVL。其结果,能够使用因饱和而修正为上限值MVH或下限值MVL的操作量MV来计算模型输出,从而避免预测精度的下降。
模型预测控制模块10-j(j为2~n中的任一个整数)通过使用表示对应的控制对象20-j的动态特性的动态特性模型的模型预测控制,来决定对控制对象20-j的操作量MVj。由此,模型预测控制模块10-j能够使用由目标值生成模块14所生成的未来目标值SPj来生成操作量MVj。
<H.变形例>
<H-1.变形例1>
所述的说明中,对将过渡状态下的多个控制对象的控制量的分布设为均匀分布的示例进行了说明。但是,也可对多个控制对象进行控制,以使过渡状态下的多个控制对象的控制量的分布成为均匀分布以外的所期望的分布。
例如,有可能存在下述要求,即,想要进行控制,以使追随控制环的控制量相对于基准控制环的控制量而具有规定偏倚的差。在应对此要求时,目标值生成模块14只要生成对控制量预测值PVP加上所述规定偏倚所得的值来作为追随控制环的未来目标值即可。
图10是表示将对控制量预测值加上规定偏倚所得的值设为追随控制环的目标值时的模拟结果的图。在第一段,表示第一控制环~第四控制环各自的控制量PV1~PV4与对基准控制环(第一控制环)输入的目标值SP1的时间变化。在第二段,表示追随控制环的各控制量PV2、PV3、PV4与基准控制环的控制量PV1的偏差的时间变化。在第三段,表示由第一控制环~第四控制环分别生成的操作量MV1~MV4的时间变化。
图10表示作为追随控制环的第二控制环~第四控制环的最终目标值相对于基准控制环(第一控制环)的最终目标值(=100)而分别具有+10、+20、+30的差的示例。因此,目标值生成模块14分别生成将控制量预测值PVP加上+10、+20、+30所得的值来作为第二控制环~第四控制环的未来目标值。由此,如图10所示,从控制开始后的早期阶段(经过约7秒后),第二控制环~第四控制环的控制量PV2~PV4相对于基准控制环的控制量PV1而分别具有+10、+20、+30的差。这样,经确认,能够对第一控制对象~第四控制对象进行控制,以成为在过渡状态下,追随控制环的控制量相对于基准控制环的控制量而具有规定偏倚的差的分布。
或者,有可能存在下述要求,即,想要进行控制,以使追随控制环的控制量相对于基准控制环的控制量而具有规定比率。在应对此要求时,目标值生成模块14只要生成对控制量预测值PVP乘以所述规定比率所得的值来作为追随控制环的未来目标值。
图11是表示将对控制量预测值乘以规定比率所得的值设为追随控制环的目标值时的模拟结果的图。在第一段,表示第一控制环~第四控制环各自的控制量PV1~PV4与对基准控制环(第一控制环)输入的目标值SP1的时间变化。在第二段,表示追随控制环的各控制量PV2、PV3、PV4与基准控制环的控制量PV1的比率的时间变化。在第三段,表示由第一控制环~第四控制环分别生成的操作量MV1~MV4的时间变化。
图11表示作为追随控制环的第二控制环~第四控制环的最终目标值相对于基准控制环(第一控制环)的最终目标值(=100)而分别具有1.1倍、1.2倍、1.3倍的比率的示例。因此,目标值生成模块14分别生成将控制量预测值PVP乘以1.1、1.2、1.3所得的值来作为第二控制环~第四控制环的未来目标值。由此,如图11所示,从控制刚刚开始之后,第二控制环~第四控制环的控制量PV2~PV4相对于基准控制环的控制量PV1而分别具有1.1、1.2、1.3的比率。这样,经确认,能够对第一控制对象~第四控制对象进行控制,以成为在过渡状态下,追随控制环的控制量相对于基准控制环的控制量而具有规定比率的分布。
<H-2.变形例2>
所述的说明中,说明了对加热装置2中所含的多个控制对象进行控制的示例。但是,控制装置1也可对其他装置或系统中所含的多个控制对象进行控制。
例如也可为:多个控制对象具有阀,控制装置1调整所述阀的开度,以对作为多个控制对象的控制量的压力、流量或载荷进行控制。
<I.附注>
如上所述,本实施方式以及变形例包含如下所述的公开。
(结构1)
一种控制装置(1),包括分别控制多个控制对象(20-1~20-n)的多个控制部件(10-1~10-n),其中
所述多个控制部件(10-1~10-n)各自在每个控制周期决定对于对应的控制对象的操作量,以使得所述多个控制对象(20-1~20-n)中的所述对应的控制对象的控制量与目标值一致,
所述多个控制部件(10-1~10-n)包含所述控制量相对于所述目标值的响应速度最慢的第一控制部件(10-1)、以及所述第一控制部件以外的第二控制部件(10-2~10-n),
所述控制装置(1)还包括:
预测部件(12),用于在每个所述控制周期,使用表示所述多个控制对象(20-1~20-n)中与所述第一控制部件(10-1)对应的第一控制对象(20-1)的动态特性的第一模型,来预测所述第一控制对象(20-1)的未来控制量;以及
生成部件(14),用于根据所述未来控制量,生成所述多个控制对象(20-1~20-n)中与所述第二控制部件(10-2~10-n)对应的第二控制对象(20-2~20-n)的未来目标值,
所述第二控制部件(10-2~10-n)基于所述未来目标值来决定对所述第二控制对象(20-2~20-n)的所述操作量。
(结构2)
根据结构1所述的控制装置(1),其中
所述第一控制部件(10-1)基于阶梯状的目标值来决定对所述第一控制对象(20-1)的所述操作量。
(结构3)
根据结构1或2所述的控制装置(1),其中
所述第一控制部件(10-1)通过使用所述第一模型的模型预测控制,来计算各控制周期的对所述第一模型的输入值,以使得从所述第一模型输出用于使所述第一控制对象(20-1)的控制量与所述目标值一致的必要变化量,
所述第一控制部件(10-1)将当前的控制周期的所述输入值决定为对所述第一控制对象(20-1)的所述操作量,
所述预测部件(12)将所述当前的控制周期之后的控制周期的所述输入值输入至所述第一模型,由此来预测所述未来控制量。
(结构4)
根据结构3所述的控制装置(1),其中
所述第一控制部件(10-1)在所述输入值超过规定的上限值的情况下将所述输入值修正为所述上限值,在输入值低于规定的下限值的情况下将所述输入值修正为所述下限值。
(结构5)
根据结构1至4中任一项所述的控制装置(1),其中
所述第二控制部件(10-2~10-n)通过使用表示所述第二控制对象(20-2~20-n)的动态特性的第二模型的模型预测控制,来决定对所述第二控制对象(20-2~20-n)的所述操作量。
(结构6)
根据结构1至5中任一项所述的控制装置(1),其中
所述生成部件(14)生成所述未来控制量、将所述未来控制量加上规定偏倚所得的值、或将所述未来控制量乘以规定比率所得的值来作为所述未来目标值。
(结构7)
根据结构1至6中任一项所述的控制装置(1),其中
所述控制量为温度、压力、流量或载荷。
(结构8)
一种控制方法,是控制系统(SYS)的控制方法,所述控制系统(SYS)包括分别控制多个控制对象(20-1~20-n)的多个控制部件(10-1~10-n),其中
所述多个控制部件(10-1~10-n)各自在每个控制周期,决定对于对应的控制对象的操作量,以使得所述多个控制对象(20-1~20-n)中的所述对应的控制对象的控制量与目标值一致,
所述多个控制部件(10-1~10-n)包含所述控制量相对于所述目标值的响应速度最慢的第一控制部件(10-1)、以及所述第一控制部件以外的第二控制部件(10-2~10-n),
所述控制方法包括下述步骤:
在每个控制周期,使用表示所述多个控制对象(20-1~20-n)中与所述第一控制部件(10-1)对应的第一控制对象(20-1)的动态特性的第一模型,来预测所述第一控制对象(20-1)的未来控制量;
根据所述未来控制量,生成所述多个控制对象(20-1~20-n)中与所述第二控制部件(10-2~10-n)对应的第二控制对象(20-2~20-n)的未来目标值;以及
将所述未来目标值输出至所述第二控制部件(10-2~10-n),基于所述未来目标值来决定对所述第二控制对象(20-2~20-n)的所述操作量。
(结构9)
一种控制程序,使计算机执行控制系统(SYS)的控制方法,所述控制系统(SYS)包括分别控制多个控制对象(20-1~20-n)的多个控制部件(10-1~10-n),其中
所述多个控制部件(10-1~10-n)各自在每个控制周期,决定对于对应的控制对象的操作量,以使得所述多个控制对象(20-1~20-n)中的所述对应的控制对象的控制量与目标值一致,
所述多个控制部件(10-1~10-n)包含所述控制量相对于所述目标值的响应速度最慢的第一控制部件(10-1)、以及所述第一控制部件以外的第二控制部件(10-2~10-n),
所述控制方法包括下述步骤:
在每个控制周期,使用表示所述多个控制对象(20-1~20-n)中与所述第一控制部件(10-1)对应的第一控制对象(20-1)的动态特性的第一模型,来预测所述第一控制对象(20-1)的未来控制量;
根据所述未来控制量,生成所述多个控制对象(20-1~20-n)中与所述第二控制部件(10-2~10-n)对应的第二控制对象(20-2~20-n)的未来目标值;以及
将所述未来目标值输出至所述第二控制部件(10-2~10-n),基于所述未来目标值来决定对所述第二控制对象(20-2~20-n)的所述操作量。
对本发明的实施方式进行了说明,但应认为,此次公开的实施方式在所有方面为例示而非限制者。本发明的范围是由权利要求所示,且意图包含与权利要求均等的含义及范围内的所有变更。
符号的说明
1:控制装置
2:加热装置
10-1~10-n:模型预测控制模块
12:控制量预测模块
14:目标值生成模块
20-1~20-n:控制对象
22:通电部
24:加热器
26:温度传感器
102:处理器
104:芯片组
106:主存储器
108:快闪存储器
110:系统程序
112:用户程序
116:外部网络控制器
118:存储卡接口
120:存储卡
124:现场总线控制器
L1:控制环(基准控制环)
L2~Ln:控制环(追随控制环)
SYS:控制系统
Claims (9)
1.一种控制装置,包括分别控制多个控制对象的多个控制部件,其特征在于,
所述多个控制部件各自在每个控制周期决定对于对应的控制对象的操作量,以使得所述多个控制对象中的所述对应的控制对象的控制量与目标值一致,
所述多个控制部件包含所述控制量相对于所述目标值的响应速度最慢的第一控制部件、以及所述第一控制部件以外的第二控制部件,
所述控制装置还包括:
预测部件,用于在每个所述控制周期,使用表示所述多个控制对象中与所述第一控制部件对应的第一控制对象的动态特性的第一模型,来预测所述第一控制对象的未来控制量;以及
生成部件,用于根据所述未来控制量,生成所述多个控制对象中与所述第二控制部件对应的第二控制对象的未来目标值,
所述第二控制部件基于所述未来目标值来决定对所述第二控制对象的所述操作量。
2.根据权利要求1所述的控制装置,其特征在于,
所述第一控制部件基于阶梯状的目标值来决定对所述第一控制对象的所述操作量。
3.根据权利要求1或2所述的控制装置,其特征在于,
所述第一控制部件通过使用所述第一模型的模型预测控制,来计算各控制周期的对所述第一模型的输入值,以使得从所述第一模型输出用于使所述第一控制对象的控制量与所述目标值一致的必要变化量,
所述第一控制部件将当前的控制周期的所述输入值决定为对所述第一控制对象的所述操作量,
所述预测部件将所述当前的控制周期之后的控制周期的所述输入值输入至所述第一模型,由此来预测所述未来控制量。
4.根据权利要求3所述的控制装置,其特征在于,
所述第一控制部件在所述输入值超过规定的上限值的情况下将所述输入值修正为所述上限值,在输入值低于规定的下限值的情况下将所述输入值修正为所述下限值。
5.根据权利要求1至4中任一项所述的控制装置,其特征在于,
所述第二控制部件通过使用表示所述第二控制对象的动态特性的第二模型的模型预测控制,来决定对所述第二控制对象的所述操作量。
6.根据权利要求1至5中任一项所述的控制装置,其特征在于,
所述生成部件生成所述未来控制量、将所述未来控制量加上规定偏倚所得的值、或将所述未来控制量乘以规定比率所得的值来作为所述未来目标值。
7.根据权利要求1至6中任一项所述的控制装置,其特征在于,
所述控制量为温度、压力、流量或载荷。
8.一种控制方法,是控制系统的控制方法,所述控制系统包括与多个控制对象分别对应的多个控制部件,其特征在于,
所述多个控制部件各自决定对于对应的控制对象的操作量,以使得所述多个控制对象中的所述对应的控制对象的控制量与目标值一致,
所述多个控制部件包含所述控制量相对于所述目标值的响应速度最慢的第一控制部件、以及所述第一控制部件以外的第二控制部件,
所述控制方法包括下述步骤:
在每个控制周期,使用表示所述多个控制对象中与所述第一控制部件对应的第一控制对象的动态特性的第一模型,来预测所述第一控制对象的未来控制量;
根据所述未来控制量,生成所述多个控制对象中与所述第二控制部件对应的第二控制对象的未来目标值;以及
将所述未来目标值输出至所述第二控制部件,基于所述未来目标值来决定对所述第二控制对象的所述操作量。
9.一种控制程序,使计算机执行控制系统的控制方法,所述控制系统包括与多个控制对象分别对应的多个控制部件,其特征在于,
所述多个控制部件各自决定对于对应的控制对象的操作量,以使得所述多个控制对象中的所述对应的控制对象的控制量与目标值一致,
所述多个控制部件包含所述控制量相对于所述目标值的响应速度最慢的第一控制部件、以及所述第一控制部件以外的第二控制部件,
所述控制方法包括下述步骤:
在每个控制周期,使用表示所述多个控制对象中与所述第一控制部件对应的第一控制对象的动态特性的第一模型,来预测所述第一控制对象的未来控制量;
根据所述未来控制量,生成所述多个控制对象中与所述第二控制部件对应的第二控制对象的未来目标值;以及
将所述未来目标值输出至所述第二控制部件,基于所述未来目标值来决定对所述第二控制对象的所述操作量。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019052777A JP7143796B2 (ja) | 2019-03-20 | 2019-03-20 | 制御装置、制御方法および制御プログラム |
JP2019-052777 | 2019-03-20 | ||
PCT/JP2020/009703 WO2020189342A1 (ja) | 2019-03-20 | 2020-03-06 | 制御装置、制御方法および制御プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113544598A true CN113544598A (zh) | 2021-10-22 |
CN113544598B CN113544598B (zh) | 2024-06-07 |
Family
ID=72520990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080019003.3A Active CN113544598B (zh) | 2019-03-20 | 2020-03-06 | 控制装置、控制方法以及记录介质 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220171350A1 (zh) |
EP (1) | EP3944032A4 (zh) |
JP (1) | JP7143796B2 (zh) |
KR (1) | KR102551390B1 (zh) |
CN (1) | CN113544598B (zh) |
WO (1) | WO2020189342A1 (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040098145A1 (en) * | 2002-11-14 | 2004-05-20 | Liu Zhenduo | Hybrid cascade model-based predictive control system |
JP2009301258A (ja) * | 2008-06-12 | 2009-12-24 | Rkc Instrument Inc | 制御装置 |
US20100087933A1 (en) * | 2008-10-07 | 2010-04-08 | Emerson Process Management Power & Water Solutions, Inc. | Two-stage model predictive control technique |
JP2010266760A (ja) * | 2009-05-15 | 2010-11-25 | Nikon Corp | 移動体装置、露光装置、及び移動体制御方法 |
US20160018796A1 (en) * | 2014-07-21 | 2016-01-21 | Honeywell International Inc. | Cascaded model predictive control (mpc) approach for plantwide control and optimization |
JP2016012228A (ja) * | 2014-06-27 | 2016-01-21 | 株式会社Kelk | 半導体ウェーハの温度制御装置、半導体ウェーハの温度制御方法 |
CN106575104A (zh) * | 2014-08-13 | 2017-04-19 | 费希尔-罗斯蒙特系统公司 | 使用无线过程信号的模型预测控制 |
CN106909074A (zh) * | 2015-11-30 | 2017-06-30 | 欧姆龙株式会社 | 控制装置 |
US20170269616A1 (en) * | 2016-03-16 | 2017-09-21 | Kelk Ltd. | Temperature controller of semiconductor wafer and temperature control method of semiconductor wafer |
US20170278731A1 (en) * | 2016-03-22 | 2017-09-28 | Kelk Ltd. | Temperature controller of semiconductor wafer and temperature control method of semiconductor wafer |
US20180053669A1 (en) * | 2016-08-17 | 2018-02-22 | Kelk Ltd. | Temperature Controller of Semiconductor Wafer and Temperature Control Method of Semiconductor Wafer |
US20180067460A1 (en) * | 2016-09-05 | 2018-03-08 | Omron Corporation | Model predictive control device, control method of model predictive control device, information processing program and recording medium |
CN107797446A (zh) * | 2016-09-05 | 2018-03-13 | 欧姆龙株式会社 | 模型预测控制装置、控制方法、信息处理程序及记录介质 |
US20180264649A1 (en) * | 2017-03-16 | 2018-09-20 | Kabushiki Kaisha Yaskawa Denki | Controller, control system, and control method |
DE102017115497A1 (de) * | 2017-07-11 | 2019-01-17 | Liebherr-Transportation Systems Gmbh & Co. Kg | Kühlsystem mit modellprädiktiver Regelung |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3798607B2 (ja) * | 2000-08-04 | 2006-07-19 | 株式会社山武 | 制御装置および制御方法 |
JP4042645B2 (ja) * | 2003-07-17 | 2008-02-06 | 理化工業株式会社 | 成形機の自動昇温制御方法 |
US10157761B2 (en) * | 2016-08-17 | 2018-12-18 | Kelk Ltd. | Temperature controller of semiconductor wafer |
-
2019
- 2019-03-20 JP JP2019052777A patent/JP7143796B2/ja active Active
-
2020
- 2020-03-06 US US17/437,847 patent/US20220171350A1/en active Pending
- 2020-03-06 WO PCT/JP2020/009703 patent/WO2020189342A1/ja unknown
- 2020-03-06 EP EP20773650.5A patent/EP3944032A4/en active Pending
- 2020-03-06 KR KR1020217029841A patent/KR102551390B1/ko active IP Right Grant
- 2020-03-06 CN CN202080019003.3A patent/CN113544598B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040098145A1 (en) * | 2002-11-14 | 2004-05-20 | Liu Zhenduo | Hybrid cascade model-based predictive control system |
JP2009301258A (ja) * | 2008-06-12 | 2009-12-24 | Rkc Instrument Inc | 制御装置 |
US20100087933A1 (en) * | 2008-10-07 | 2010-04-08 | Emerson Process Management Power & Water Solutions, Inc. | Two-stage model predictive control technique |
JP2010266760A (ja) * | 2009-05-15 | 2010-11-25 | Nikon Corp | 移動体装置、露光装置、及び移動体制御方法 |
JP2016012228A (ja) * | 2014-06-27 | 2016-01-21 | 株式会社Kelk | 半導体ウェーハの温度制御装置、半導体ウェーハの温度制御方法 |
US20160018796A1 (en) * | 2014-07-21 | 2016-01-21 | Honeywell International Inc. | Cascaded model predictive control (mpc) approach for plantwide control and optimization |
CN106575104A (zh) * | 2014-08-13 | 2017-04-19 | 费希尔-罗斯蒙特系统公司 | 使用无线过程信号的模型预测控制 |
CN106909074A (zh) * | 2015-11-30 | 2017-06-30 | 欧姆龙株式会社 | 控制装置 |
US20170269616A1 (en) * | 2016-03-16 | 2017-09-21 | Kelk Ltd. | Temperature controller of semiconductor wafer and temperature control method of semiconductor wafer |
US20170278731A1 (en) * | 2016-03-22 | 2017-09-28 | Kelk Ltd. | Temperature controller of semiconductor wafer and temperature control method of semiconductor wafer |
US20180053669A1 (en) * | 2016-08-17 | 2018-02-22 | Kelk Ltd. | Temperature Controller of Semiconductor Wafer and Temperature Control Method of Semiconductor Wafer |
US20180067460A1 (en) * | 2016-09-05 | 2018-03-08 | Omron Corporation | Model predictive control device, control method of model predictive control device, information processing program and recording medium |
CN107797446A (zh) * | 2016-09-05 | 2018-03-13 | 欧姆龙株式会社 | 模型预测控制装置、控制方法、信息处理程序及记录介质 |
US20180264649A1 (en) * | 2017-03-16 | 2018-09-20 | Kabushiki Kaisha Yaskawa Denki | Controller, control system, and control method |
DE102017115497A1 (de) * | 2017-07-11 | 2019-01-17 | Liebherr-Transportation Systems Gmbh & Co. Kg | Kühlsystem mit modellprädiktiver Regelung |
Also Published As
Publication number | Publication date |
---|---|
KR102551390B1 (ko) | 2023-07-04 |
CN113544598B (zh) | 2024-06-07 |
JP7143796B2 (ja) | 2022-09-29 |
WO2020189342A1 (ja) | 2020-09-24 |
US20220171350A1 (en) | 2022-06-02 |
EP3944032A4 (en) | 2022-11-30 |
EP3944032A1 (en) | 2022-01-26 |
KR20210129129A (ko) | 2021-10-27 |
JP2020154747A (ja) | 2020-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101420920B1 (ko) | 제어 장치 및 방법 | |
JP2005276169A (ja) | 目標値加工装置、温度調節器、制御プロセス実行システム、プロセス制御方法、目標値加工プログラムおよび記録媒体 | |
JP6985623B2 (ja) | 制御系設計装置及び制御システム | |
WO2016092872A1 (ja) | 制御装置、そのプログラム、プラント制御方法 | |
US6911628B1 (en) | Control system and control unit | |
Zhang et al. | Predictive functional control for integrator systems | |
Chidrawar et al. | Generalized predictive control and neural generalized predictive control | |
CN113544598A (zh) | 控制装置、控制方法以及控制程序 | |
JP5484859B2 (ja) | 温度制御装置および温度制御方法 | |
US10120349B2 (en) | Control device and control method | |
JP6848710B2 (ja) | プラント制御調整装置及び方法 | |
Akpan et al. | Training dynamic feedforward neural networks for online nonlinear model identification and control applications | |
Ahamed et al. | Reinforcement learning controllers for automatic generation control in power systems having reheat units with GRC and dead-band | |
Imai | Nonlinear Internal Model Controller based on Local Linear Models, and its Application | |
Kögel et al. | Towards Optimal Tuning of Robust Output Feedback MPC | |
Wysocki et al. | On choice of the sampling period and the horizons in generalized predictive control | |
JP2020021411A (ja) | 制御装置、制御方法及びプログラム | |
Sokolov | Problems of adaptive optimal control of discrete-time systems under bounded disturbance and linear performance indexes | |
Wigren et al. | Criteria and time horizon in feedforward MPC for non-linear systems with time delays | |
KR20020050015A (ko) | 급속 열처리 장치에서 최적 학습 제어 기법을 이용한웨이퍼의 온도 균일성 제어 방법 | |
Barot et al. | Predictive control of non-minimum phase systems | |
Latosinski et al. | Constraining the output of discrete‐time systems using sliding mode control with a novel sliding hyperplane | |
Dlapa | Air-heating set control via direct search method and structured singular value | |
Abu-Ayyad et al. | A Comparative Study of Different Optimization Techniques in Modelling and Predictive Controls | |
Dlapa | Temperature control in air-heating set via direct search method and structured singular value |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |