JP2002091505A - モデル同定装置 - Google Patents

モデル同定装置

Info

Publication number
JP2002091505A
JP2002091505A JP2000280614A JP2000280614A JP2002091505A JP 2002091505 A JP2002091505 A JP 2002091505A JP 2000280614 A JP2000280614 A JP 2000280614A JP 2000280614 A JP2000280614 A JP 2000280614A JP 2002091505 A JP2002091505 A JP 2002091505A
Authority
JP
Japan
Prior art keywords
data
model
learning
prediction model
learning data
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.)
Pending
Application number
JP2000280614A
Other languages
English (en)
Inventor
Satoshi Ueno
聡 上野
Kunio Sekiguchi
邦男 関口
Kozo Yamahashi
浩三 山橋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toshiba Corp
Original Assignee
Toshiba Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toshiba Corp filed Critical Toshiba Corp
Priority to JP2000280614A priority Critical patent/JP2002091505A/ja
Publication of JP2002091505A publication Critical patent/JP2002091505A/ja
Pending legal-status Critical Current

Links

Landscapes

  • Feedback Control In General (AREA)

Abstract

(57)【要約】 【課題】 本発明は、モデル同定装置において予め設定
された計算条件に基づいた推定プロセス量から計算され
た予測モデルのパラメータを同定することを目的とす
る。 【解決手段】 実績データを正規化し予測モデルを同定
するための学習データを作成する正規化手段２、前記予
測モデルの同定に用いる追加学習データを作成するデー
タ追加手段４と、前記学習データおよび前記追加学習デ
ータを記憶するデータ記憶手段３と、該データ記憶手段
３で記憶された前記学習データおよび前記追加学習デー
タに基づく適応学習によって前記予測モデルのパラメー
タを決定する予測モデル学習手段５と、該予測モデル学
習手段５で決定した前記予測モデルによって設定された
計算条件に基づいた推定プロセス量を計算する予測手段
６とを有することを特徴とする。

Description

【発明の詳細な説明】
【０００１】
【発明の属する技術分野】本発明は各種プラントなどの
プロセス制御において、設定された計算条件に基づいて
プロセス量を推定する予測モデルのパラメータを同定す
るモデル同定装置に関する。
【０００２】
【従来の技術】従来より対象とするプロセス量を推定す
る予測モデルは、予め物理的特性から解析されたモデ
ル、或いは実機操業中に収集した入出力の実績データを
オフラインで解析した重回帰モデルの何れかであった。
このようにデータを解析して構造を決定した予測モデル
を適用する場合、オンラインで予測モデルの構造および
パラメータに修正を加えることなく、誤差パラメータを
予測モデルに乗算か或いは加算の形で付加する。誤差パ
ラメータは対象とするプロセス量の実績値と推定値の比
較によって求め、予測モデルの各計算条件で区分された
テーブルに保存される。
【０００３】一方、前記のようにオフラインでモデル構
造やパラメータを解析したモデルではなく、例えば周知
のニューラルネットワークのようにパラメータの修正の
みをおこなう予測モデルが適用されることがある。この
ようなモデルはモデル化が困難なプロセスか或いは長期
のプラント運転中に変化の大きいプロセスなどに適用さ
れる。ニューラルネットワークは周知の学習アルゴリズ
ムによりオンラインでのパラメータの修正が可能であ
る。しかしながら、従来の後者の予測モデルにおけるパ
ラメータの同定はプラント運転中に測定される一定量の
実績データに基づいてのみおこなわれていた。
【０００４】
【発明が解決しようとする課題】上述したように従来の
予測モデルの構造が実績データの回帰によって決定され
るものではなく、パラメータの同定だけで調節される予
測モデルにおいて、推定精度は予め決定しておくモデル
の構造とパラメータの同定に使用される学習データの数
量かもしくはばらつきのような情報量によって決まって
しまう。よって測定された実績データ量が不十分であっ
たり、予測モデルの対象となるプロセスの変化が少な
く、従って偏った条件での実績データしか得られなかっ
た場合、同定する予測モデルの精度が悪化するという問
題が生じていた。特にニューラルネットワークのように
構造的に高次元の非線形性を有するモデルでは、学習デ
ータの不足が局所的に大きな精度の悪化を引き起こして
いた。
【０００５】本発明は、上記に鑑みてなされたもので、
その目的としては同定する予測モデルの精度の向上に寄
与し得るモデル同定装置を提供することにある。
【０００６】
【課題を解決するための手段】上記課題を解決するため
に請求項１記載の発明は、予め設定された計算条件に基
づいた推定プロセス量から計算された予測モデルのパラ
メータを同定するモデル同定装置であって、実績データ
を正規化し前記予測モデルを同定するための学習データ
を作成する正規化手段と、前記予測モデルの同定に用い
る追加学習データを作成するデータ追加手段と、前記学
習データおよび前記追加学習データを記憶するデータ記
憶手段と、該データ記憶手段で記憶された前記学習デー
タおよび前記追加学習データに基づく適応学習によって
前記予測モデルのパラメータを決定する予測モデル学習
手段と、該予測モデル学習手段で決定した前記予測モデ
ルによって設定された計算条件に基づいた推定プロセス
量を計算する予測手段とを備えたことを要旨とする。こ
の構成により、前記実績データの回帰によって前記予測
モデルの構造とパラメータとが同定されるので前記予測
モデルの精度が向上する。
【０００７】請求項２記載の発明は、予め設定された計
算条件に基づいた推定プロセス量から計算された予測モ
デルのパラメータを同定するモデル同定装置であって、
実績データを正規化し前記予測モデルを同定するための
学習データを作成する正規化手段と、前記予測モデルの
同定に用いる追加学習データを作成するデータ追加手段
と、前記学習データおよび前記追加学習データを記憶す
るデータ記憶手段と、該データ記憶手段で記憶された前
記学習データおよび前記追加学習データに基づく適応学
習によって前記予測モデルのパラメータを決定する予測
モデル学習手段と、前記適応学習に基づいて前記データ
追加モデルのパラメータを決定するデータ追加モデル学
習手段と、前記予測モデル学習手段で決定した前記予測
モデルによって設定された計算条件に基づいた推定プロ
セス量を計算する予測手段とを備えたことを要旨とす
る。この構成により、前記予測モデルを前記適応学習し
た前記データ追加モデルに基づいて前記追加学習データ
を作成することにより前記予測モデルの精度が改善され
る。
【０００８】請求項３記載の発明は、予め設定された計
算条件に基づいた推定プロセス量から計算された予測モ
デルのパラメータを同定するモデル同定装置であって、
予め設定されたパラメータを有する近似数式モデルによ
って設定された計算条件に基づく第１の推定プロセス量
を計算する数式モデル予測手段と、実績データと前記第
１の推定プロセス量とを比較して比較データを出力する
データ比較手段と、前記比較データを正規化し前記予測
モデルを同定するための学習データを作成する正規化手
段と、前記予測モデルの同定に用いる追加学習データを
作成するデータ追加手段と、前記学習データおよび前記
追加学習データを記憶するデータ記憶手段と、該データ
記憶手段で記憶された前記学習データおよび前記追加学
習データに基づく適応学習によって前記予測モデルのパ
ラメータを決定する予測モデル学習手段と、該予測モデ
ル学習手段で決定した前記予測モデルによって設定され
た計算条件に基づいた第２の推定プロセス量を計算する
予測手段と、前記第１の推定プロセス量と前記第２の推
定プロセス量との論理演算をおこなう推定プロセス量演
算手段とを備えたことを要旨とする。この構成により、
前記近似数式モデルから得られた前記第１のプロセス量
と前記実績データに基づいて得られた前記第２のプロセ
ス量とを論理演算して算出された前記推定プロセス量は
精度の高いものとなる。
【０００９】請求項４記載の発明は、予め設定された計
算条件に基づいた推定プロセス量から計算された予測モ
デルのパラメータを同定するモデル同定装置であって、
予め設定されたパラメータを有する近似数式モデルによ
って設定された計算条件に基づく第１の推定プロセス量
を計算する数式モデル予測手段と、実績データと前記第
１の推定プロセス量とを比較して比較データを出力する
データ比較手段と、前記実績データを正規化し前記予測
モデルを同定するための学習データを作成する正規化手
段と、前記予測モデルの同定に用いる追加学習データを
作成するデータ追加手段と、前記学習データおよび前記
追加学習データを記憶するデータ記憶手段と、該データ
記憶手段で記憶された前記学習データおよび前記追加学
習データに基づく適応学習によって前記予測モデルのパ
ラメータを決定する予測モデル学習手段と、前記適応学
習に基づいて前記データ追加モデルのパラメータを決定
するデータ追加モデル学習手段と、前記予測モデル学習
手段で決定した前記予測モデルによって設定された計算
条件に基づいた第２の推定プロセス量を計算する予測手
段と、予め設定されたパラメータを有する近似数式モデ
ルによって予め設定された計算条件に基づく第２の推定
プロセス量を計算する数式モデル予測手段と、前記第１
の推定プロセス量と前記第２の推定プロセス量との論理
演算をおこなう推定プロセス量演算手段とを備えたこと
を要旨とする。この構成により、前記予測モデルを前記
適応学習したデータ追加モデルに基づいて前記予測モデ
ルの精度が改善されるので前記第２のプロセス量の精度
が高いものとなり、従って前記近似数式モデルから得ら
れた前記第１のプロセス量と前記第２のプロセス量とを
論理演算して得られる前記推定プロセス量は更に精度の
高いものとなる。
【００１０】請求項５記載の発明は、上記請求項１乃至
４の何れかに記載のモデル同定装置において、前記デー
タ追加手段を前記学習データの線形補間により決定する
追加学習データを作成することを要旨とする。この構成
により、容易に高精度な追加学習データを作成すること
をができる。
【００１１】請求項６記載の発明は、上記請求項２か又
は４の何れかに記載のモデル同定装置において、前記デ
ータ追加手段は設定された前記データ追加モデルの入出
力関係を満たすように前記追加学習データを作成するこ
とを要旨とする。この構成により、前記モデル同定装置
は最適な適応学習をおこなうことができる。
【００１２】請求項７記載の発明は、上記請求項２か又
は４の何れかに記載のモデル同定装置において、前記追
加モデル学習手段をデータ追加モデルがニューラルネッ
トワークで構成されることを要旨とする。この構成によ
り、例えばバックプロパゲーション法を用いれば、パラ
メータを繰り返し修正していくことによって前記ニュー
ラルネットワークの学習機能が向上する。
【００１３】
【発明の実施の形態】以下、本発明の実施の形態を図面
に基づいて詳細に説明する。尚、本発明の実施の形態で
は鉄鋼プラントの圧延プロセス制御システムを例に挙げ
て説明する。
【００１４】図１は上記圧延プロセス制御システムを示
すブロック図である。圧延のプロセス制御は設定装置に
より予め設定された制御装置によっておこなわれる。前
記設定装置は予測モデルで各種プロセス量を推定しつつ
圧延開始から終了までの制御装置の設定値を決定してい
く。本発明のモデル同定装置１は設定装置内に位置し、
実績データを基に予測モデルを同定し、前記設定装置内
の設定値計算装置から与えられる計算条件に基づいた推
定プロセス量を計算する。
【００１５】図２及び図３は本発明の第１の実施の形態
におけるモデル同定装置に関わり、それぞれブロック図
及び学習データテーブルの概要図である。
【００１６】先ず同定する予測モデルの計算条件および
推定プロセス量に対応する前記実績データがモデル同定
装置１に逐次読み込まれ、正規化手段２で前記各実績デ
ータを前記予測モデルに適した学習データに正規化す
る。該学習データは前記予測モデルに対する条件側学習
データと推定側学習データから構成されている。正規化
手段２で作成された前記各学習データはデータ記憶手段
３によって図３に示す学習データテーブルに逐次記憶さ
れる。該学習データテーブルは前記予測モデルを適用す
る計算条件の範囲内で複数のセルに区分され、前記各学
習データは前記計算条件の範囲で複数のセルに記憶され
る。図２の場合、前記学習データテーブルは前記予測モ
デルがＭ個の計算条件から１つの推定プロセス量を計算
するものであり、また１つのセルにｈ個までの学習デー
タが記憶される。
【００１７】次にデータ追加手段４は前記予測モデルの
同定に用いる新しい学習データである追加学習データを
作成する機能を有し、前記追加学習データも前記学習デ
ータと同様に前記予測モデルに対する条件側学習データ
と推定側学習データから構成されている。先ずデータ追
加手段４は前記学習データテーブルにアクセスして前記
学習データの記憶されていないセルを対象として前記追
加学習データを作成する。例えば前記実績データに基づ
く前記学習データが記憶されたセルの内、対象となるセ
ルを挟むようにして２つのセルを選択し、これらのセル
に記憶されている前記学習データで線形補間する値を追
加学習データとする。この際、データ追加手段４は前記
学習データが記憶されていない全てのセルに対して前記
追加学習データを作成する。データ追加手段４によって
決定した前記追加学習データはデータ記憶手段３によっ
て前記学習データテーブルの対応するセルに記憶され
る。
【００１８】次いで予測モデル学習手段５によって前記
予測モデルのパラメータが同定される。ここで図４にお
いて前記予測モデルの概要を示すと、この実施の形態に
おいてはニューラルネットワークと計算条件正規化と応
答出力逆正規化とから構成され、前記学習データテーブ
ルに記憶されている前記学習データおよび前記追加学習
データに基づいて前記ニューラルネットワークの前記適
応学習がおこなわれる。前記適応学習はこの実施の形態
においては前記ニューラルネットワークの内、例えばバ
ックプロパゲーション法かあるいはその他の手法による
パラメータを繰り返し修正していく学習法を適用する。
前記バックプロパゲーション法は前記条件側学習データ
に基づき前記ニューラルネットワークの適応出力を計算
し、前記推定側学習データと応答出力との偏差を減少す
るようにパラメータの適応修正をおこなう。この際、該
パラメータの適応修正は前記偏差の総和が設定許容値に
到達するか、あるいは前記パラメータの修正回数が設定
回数に到達するまで繰り返す。予測手段６は前記予測モ
デルで前記推定プロセス量を計算する。前記予測モデル
は前記設定値計算装置から与えられる計算条件を正規化
し、該正規化した計算条件に基づく前記ニューラルネッ
トワークの適応出力を逆正規化したものを前記推定プロ
セス量として出力し、前記設定値計算装置は前記制御装
置に設定値を出力する。
【００１９】本実施の形態におけるモデル同定装置では
以上のような構成をとることにより、前記制御装置を前
記実績データに基づいて前記圧延プロセスを制御し、し
かも前記圧延プロセスからの前記実績データを学習して
前記制御装置に設定値を出力し且つ予測モデルの適応範
囲に亘って学習データを追加することでニューラルネッ
トワークのような高次元の非線型予測モデルが局所的に
大きく外れた推定値を計算することを防止できるため、
精度の高い予測をおこなうことができる。
【００２０】図５は本発明の第２の実施の形態における
モデル同定装置に関わるブロック図である。尚、本実施
の形態では先の実施の形態と同一構成は同一符号で表
す。
【００２１】本実施の形態の特徴は第１の実施の形態の
構成にデータ追加モデルを決定するデータ追加モデル学
習手段７を加え、データ追加手段４においてはデータ追
加モデル学習手段７によって前記データ追加モデルの入
出力関係が成り立つように前記追加学習データを決定し
たことである。
【００２２】データ追加モデル学習手段７によって作成
される前記データ追加モデルはこの実施の形態において
は前記ニューラルネットワークで構成され、前記学習デ
ータテーブルに記憶されている前記学習データに対して
前記適応学習がおこなわれる。この実施の形態では前記
ニューラルネットワークは、例えばバックプロパゲーシ
ョン法かあるいはその他の手法によるパラメータを繰り
返し修正していく学習法を適用する。先ず同定する前記
予測モデルの計算条件および前記推定プロセス量に対応
する前記実績データがモデル同定装置１に逐次読み込ま
れ、正規化手段２で前記各実績データを前記予測モデル
に適した前記学習データに正規化する。前記学習データ
は前記予測モデルに対する前記条件側学習データと前記
推定側学習データから構成されている。正規化手段２で
作成された前記各学習データはデータ記憶手段３によっ
て前記学習データテーブルに逐次記憶される。前記学習
データテーブルは前記予測モデルを適用する計算条件の
範囲内で複数のセルに区分され、前記各学習データは前
記計算条件の範囲で複数のセルに記憶される。
【００２３】次にデータ追加手段４は前記予測モデルの
同定に用いる新しい学習データである前記追加学習デー
タを作成する機能を有し、前記追加学習データも前記学
習データと同様に前記予測モデルに対する前記条件側学
習データと前記推定側学習データから構成されている。
先ずデータ追加手段４は前記学習データテーブルにアク
セスし前記学習データの記憶されていないセルを対象と
して前記追加学習データを作成する。例えば前記実績デ
ータに基づく前記学習データが記憶されたセルにおいて
条件の範囲の中間値となるような代表値を求めて、この
セルの前記条件側学習データとする。これに対する前記
推定側学習データは前記条件側データが記憶されていな
い全てのセルに対して前記追加学習データを作成し、デ
ータ記憶手段３によって前記学習データテーブルの対応
するセルに記憶される。
【００２４】次いで予測モデル学習手段５によって前記
予測モデルのパラメータが同定される。予測手段６は前
記設定値計算装置から与えられる計算条件を正規化し、
該正規化した計算条件に基づく前記ニューラルネットワ
ークの適応出力を逆正規化したものを前記推定プロセス
量として出力し前記設定値計算装置は前記制御装置に設
定値を出力する。
【００２５】本実施の形態のモデル同定装置では、以上
のような構成をとることによって前記データ追加手段に
おいて前記データ追加モデル学習手段によって前記デー
タ追加モデルの入出力関係が成り立つように前記追加学
習データを決定し、且つ予測モデルの適応範囲に亘って
学習データを追加することでニューラルネットワークの
ような高次元の非線型予測モデルが局所的に大きく外れ
た推定値を計算することを防止できることにより、第１
の実施の形態のモデル同定装置よりも更に精度の高い予
測をおこなうことができる。
【００２６】図６は本発明の第３の実施の形態における
モデル同定装置に関わるブロック図である。尚、本実施
の形態では先の実施の形態と同一構成は同一符号で表
す。
【００２７】本実施の形態のモデル同定装置１の特徴は
第１の実施の形態の構成に、前記実績データと近似数式
モデルによる推定プロセス量とを比較し比較データを作
成するデータ比較手段８と、前記近似数式モデルで前記
計算条件に基づく第１の推定プロセス量を計算する数式
モデル予測手段９と、前記第１の推定プロセス量と前記
実績データに基づく第２の推定プロセス量とを演算する
推定プロセス量演算手段１０とを加えた構成である。
【００２８】データ比較手段８は前記実績データと前記
近似数式モデルによる前記第１の推定プロセス量を比較
し前記比較データを作成する。ここで論理演算の相異な
る例を示すと数式モデル予測手段９による前記第１の推
定プロセス量と予測手段６が出力する前記第２の推定プ
ロセス量である補正量とで加法的論理演算をおこなうと
き、データ比較手段８は前記実績データと前記近似数式
モデルによる前記第１の推定プロセス量との減法的論理
演算により前記比較データを作成する。また数式モデル
予測手段９による前記第１の推定プロセス量と予測手段
６による前記第２の推定プロセス量である補正量とで乗
法的論理演算をおこなうとき、データ比較手段８は前記
実績データと前記近似数式モデルによる前記第１の推定
プロセス量との除法的論理演算により前記比較データを
作成する。そして前記比較データが正規化手段２に逐次
読み込まれ、正規化手段２で各比較データを前記予測モ
デルに適した前記学習データに正規化される。前記学習
データは前記予測モデルに対する前記条件側学習データ
と前記推定側学習データから構成されている。正規化手
段２で作成された前記各学習データはデータ記憶手段３
によって前記学習データテーブルに逐次記憶される。前
記学習データテーブルは前記予測モデルを適用する計算
条件の範囲内で複数のセルに区分され、前記各学習デー
タは前記計算条件の範囲で前記複数のセルに記憶され
る。図３の場合、前記学習データテーブルは前記予測モ
デルがＭ個の計算条件から１つの前記第２の推定プロセ
ス量を計算するものであり、また１つのセルにｈ個まで
の学習データが記憶できる。
【００２９】次にデータ追加手段４は前記追加学習デー
タを作成する機能を有し前記追加学習データも前記学習
データと同様に前記予測モデルに対する前記条件側学習
データと前記推定側学習データから構成されている。先
ずデータ追加手段４は前記学習データテーブルにアクセ
スして前記学習データの記憶されていないセルを対象と
して前記追加学習データを作成する。例えば実績に基づ
く前記学習データが記憶されたセルの内、対象となるセ
ルを挟むようにして２つのセルを選択し、これらのセル
に記憶されている前記学習データで線形補間する値を前
記追加学習データとする。この際、データ追加手段４は
前記学習データが記憶されていない全てのセルに対して
前記追加学習データを作成する。データ追加手段４によ
って決定した前記追加学習データはデータ記憶手段３に
よって前記学習データテーブルの対応するセルに記憶さ
れ、予測モデル学習手段５によって前記予測モデルのパ
ラメータが同定される。予測手段６は前記予測モデルで
前記第２の推定プロセス量を計算するものであり、前記
予測モデルは前記設定値計算装置から与えられた前記計
算条件を正規化し、該正規化した前記計算条件に基づく
前記ニューラルネットワークの適応出力を逆正規化した
ものを前記第２の推定プロセス量である補正量として出
力する。数式モデル予測手段９は予め決定したパラメー
タを有する前記近似数式モデルで前記計算条件に基づく
前記第１の推定プロセス量を計算する。また推定プロセ
ス量演算手段１０は数式モデル予測手段９による前記第
１の推定プロセス量と予測手段６による前記第２の推定
プロセス量である補正量との論理演算をおこなってその
結果である推定プロセス量を前記設定値計算装置に出力
し、前記設定値計算装置は前記制御装置に前記設定値を
出力する。
【００３０】本実施の形態のモデル同定装置では、以上
のような構成をとることによって、前記実績データと近
似数式モデルによる推定プロセス量とを比較し比較デー
タを作成するデータ比較手段と、前記近似数式モデルで
前記計算条件に基づく第１の推定プロセス量を計算する
数式予測手段と、前記第１の推定プロセス量と前記実績
データに基づく第２の推定プロセス量とを演算する推定
プロセス量演算手段という構成を加え、且つ前記予測モ
デルの適応範囲に亘って学習データを追加することでニ
ューラルネットワークのような高次元の非線型予測モデ
ルが局所的に大きく外れた推定値を計算することを防止
でき、第１の実施の形態のモデル同定装置よりも更に精
度の高い予測をおこなうことができる。
【００３１】図７は本発明の第４の実施の形態における
モデル同定装置に関わるブロック図である。尚、本実施
の形態において先の実施の形態と同一構成は同一符号で
表す。
【００３２】本実施の形態の特徴は第１の実施の形態の
構成にデータ追加モデルを決定するデータ追加モデル学
習手段７を加えて前記データ追加手段４においてデータ
追加モデルの入出力関係が成り立つように前記追加学習
データを作成し、且つデータ比較手段８が前記実績デー
タと近似数式モデルによる第１の推定プロセス量とを比
較して比較データを作成するように数式モデル予測手段
９で前記第１の推定プロセス量を計算し推定プロセス量
演算手段１０で前記第１の推定プロセス量と予測手段６
から出力された第２の推定プロセス量である補正量との
論理演算をおこなうように構成したことである。
【００３３】データ追加モデル手段７によって作成され
る前記データ追加モデルは前記ニューラルネットワーク
で構成され、前記学習データテーブルに記憶されている
前記学習データに対して適応学習がおこなわれる。前記
ニューラルネットワークは、例えばバックプロパゲーシ
ョン法かあるいはその他の手法によるパラメータを繰り
返し修正していく学習法を適用する。データ比較手段８
は前記実績データと前記近似数式モデルによる前記第１
の推定プロセス量を比較し前記比較データを作成する。
ここで論理演算の相異なる例を示すと数式モデル予測手
段９による前記第１の推定プロセス量と予測手段６が出
力する前記第２の推定プロセス量である補正量とで加法
的論理演算をおこなうとき、データ比較手段８は前記実
績データと前記近似数式モデルによる前記第１の推定プ
ロセス量との減法的論理演算により前記比較データを作
成する。また数式モデル予測手段９による前記第１の推
定プロセス量と予測手段６による前記第２の推定プロセ
ス量である補正量とで乗法的論理演算をおこなうとき、
データ比較手段８は前記実績データと前記近似数式モデ
ルによる前記第１の推定プロセス量との除法的論理演算
により前記比較データを作成する。そして前記比較デー
タが正規化手段２に逐次読み込まれ、正規化手段２で各
比較データを前記予測モデルに適した前記学習データに
正規化される。前記学習データは前記予測モデルに対す
る前記条件側学習データと前記推定側学習データから構
成されている。正規化手段２で作成された前記各学習デ
ータはデータ記憶手段３によって前記学習データテーブ
ルに逐次記憶される。前記学習データテーブルは前記予
測モデルを適用する計算条件の範囲内で複数のセルに区
分され、前記各学習データは前記計算条件の範囲で前記
複数のセルに記憶される。図３の場合、前記学習データ
テーブルは前記予測モデルがＭ個の計算条件から１つの
前記第２の推定プロセス量を計算するものであり、また
１つのセルにｈ個までの学習データが記憶できる。
【００３４】次にデータ追加手段４は前記追加学習デー
タを作成する機能を有し前記追加学習データも前記学習
データと同様に前記予測モデルに対する前記条件側学習
データと前記推定側学習データから構成されている。先
ずデータ追加手段４は前記学習データテーブルにアクセ
スして前記学習データの記憶されていないセルを対象と
して前記追加学習データを作成する。例えば実績に基づ
く前記学習データが記憶されたセルの内、対象となるセ
ルを挟むようにして２つのセルを選択し、これらのセル
に記憶されている前記学習データで線形補間する値を前
記追加学習データとする。この際、データ追加手段４は
前記学習データが記憶されていない全てのセルに対して
前記追加学習データを作成する。データ追加手段４によ
って決定した前記追加学習データはデータ記憶手段３に
よって前記学習データテーブルの対応するセルに記憶さ
れ、予測モデル学習手段５によって前記予測モデルのパ
ラメータが同定される。予測手段６は前記予測モデルで
前記第２の推定プロセス量を計算するものであり、前記
予測モデルは前記設定値計算装置から与えられた前記計
算条件を正規化し、該正規化した前記計算条件に基づく
前記ニューラルネットワークの適応出力を逆正規化した
ものを前記第２の推定プロセス量である補正量として出
力する。数式モデル予測手段９は予め決定したパラメー
タを有する前記近似数式モデルで前記計算条件に基づく
前記第１の推定プロセス量を計算する。また推定プロセ
ス量演算手段１０は数式モデル予測手段９による前記第
１の推定プロセス量と予測手段６による前記第２の推定
プロセス量である補正量との論理演算をおこなってその
結果である推定プロセス量を前記設定値計算装置に出力
し、前記設定値計算装置は前記制御装置に前記設定値を
出力する。
【００３５】本実施の形態のモデル同定装置では、以上
のような構成をとることによって、データ追加モデルを
決定するデータ追加モデル学習手段を加えて前記データ
追加手段においてデータ追加モデルの入出力関係が成り
立つように前記追加学習データを作成し、且つ前記実績
データと近似数式モデルによる推定プロセス量とを比較
し比較データを作成するデータ比較手段と、前記近似数
式モデルで前記計算条件に基づく第１の推定プロセス量
を計算する数式予測手段と、前記第１の推定プロセス量
と前記実績データに基づく第２の推定プロセス量とを演
算する推定プロセス量演算手段という構成を加え、且つ
前記予測モデルの適応範囲に亘って学習データを追加す
ることでニューラルネットワークのような高次元の非線
型予測モデルが局所的に大きく外れた推定値を計算する
ことを防止でき、他の実施の形態のモデル同定装置より
も更に精度の高い予測をおこなうことができる。
【００３６】尚、本発明におけるモデル同定装置は、上
述した各実施の形態に限定されるものではなく、特許請
求の範囲に記載された内容に基づいて実施できるもので
ある。例えば前記各実施の形態におけるニューラルネッ
トワークは階層型ニューラルネットワークであって学習
機能が優れたものであればどのようなモデルであっても
良い。
【００３７】
【発明の効果】以上説明したように、本発明のモデル同
定装置によれば、予測モデルの適応範囲に亘って学習デ
ータを追加することにより局所的に大きく外れた推定値
を計算することを防止することができる。更に実績デー
タを適応学習したデータ追加モデルに基づいて追加する
学習データを作成することにより、予測モデルの全体的
な精度を改善することが可能となる。
【図面の簡単な説明】
【図１】本発明の実施の形態における圧延プロセス制御
システムを示すブロック図である。
【図２】本発明の第１の実施の形態におけるモデル同定
装置のブロック図である。
【図３】本発明の実施の形態における学習データテーブ
ルの概要図である。
【図４】本発明の実施の形態におけるニューラルネット
ワークのブロック図である。
【図５】本発明の第２の実施の形態におけるモデル同定
装置のブロック図である。
【図６】本発明の第３の実施の形態におけるモデル同定
装置のブロック図である。
【図７】本発明の第４の実施の形態におけるモデル同定
装置のブロック図である。
【符号の説明】
１ モデル同定装置 ２ 正規化手段 ３ データ記憶手段 ４ データ追加手段 ５ 予測モデル学習手段 ６ 予測手段 ７ データ追加モデル学習手段 ８ データ比較手段 ９ 数式モデル予測手段 １０ 推定プロセス量演算手段
───────────────────────────────────────────────────── フロントページの続き (72)発明者 山橋 浩三 東京都府中市東芝町１番地 株式会社東芝 府中事業所内 Ｆターム(参考） 5H004 GB03 KC28 KC35 KC43 KD42 KD62

Claims (7)

    【特許請求の範囲】
  1. 【請求項１】 予め設定された計算条件に基づいた推定
    プロセス量から計算された予測モデルのパラメータを同
    定するモデル同定装置であって、実績データを正規化し
    前記予測モデルを同定するための学習データを作成する
    正規化手段と、前記予測モデルの同定に用いる追加学習
    データを作成するデータ追加手段と、前記学習データお
    よび前記追加学習データを記憶するデータ記憶手段と、
    該データ記憶手段で記憶された前記学習データおよび前
    記追加学習データに基づく適応学習によって前記予測モ
    デルのパラメータを決定する予測モデル学習手段と、該
    予測モデル学習手段で決定した前記予測モデルによって
    設定された計算条件に基づいた推定プロセス量を計算す
    る予測手段とを備えたことを特徴とするモデル同定装
    置。
  2. 【請求項２】 予め設定された計算条件に基づいた推定
    プロセス量から計算された予測モデルのパラメータを同
    定するモデル同定装置であって、実績データを正規化し
    前記予測モデルを同定するための学習データを作成する
    正規化手段と、前記予測モデルの同定に用いる追加学習
    データを作成するデータ追加手段と、前記学習データお
    よび前記追加学習データを記憶するデータ記憶手段と、
    該データ記憶手段で記憶された前記学習データおよび前
    記追加学習データに基づく適応学習によって前記予測モ
    デルのパラメータを決定する予測モデル学習手段と、前
    記適応学習に基づいて前記データ追加モデルのパラメー
    タを決定するデータ追加モデル学習手段と、前記予測モ
    デル学習手段で決定した前記予測モデルによって設定さ
    れた計算条件に基づいた推定プロセス量を計算する予測
    手段とを備えたことを特徴とするモデル同定装置。
  3. 【請求項３】 予め設定された計算条件に基づいた推定
    プロセス量から計算された予測モデルのパラメータを同
    定するモデル同定装置であって、予め設定されたパラメ
    ータを有する近似数式モデルによって設定された計算条
    件に基づく第１の推定プロセス量を計算する数式モデル
    予測手段と、実績データと前記第１の推定プロセス量と
    を比較して比較データを出力するデータ比較手段と、前
    記比較データを正規化し前記予測モデルを同定するため
    の学習データを作成する正規化手段と、前記予測モデル
    の同定に用いる追加学習データを作成するデータ追加手
    段と、前記学習データおよび前記追加学習データを記憶
    するデータ記憶手段と、該データ記憶手段で記憶された
    前記学習データおよび前記追加学習データに基づく適応
    学習によって前記予測モデルのパラメータを決定する予
    測モデル学習手段と、該予測モデル学習手段で決定した
    前記予測モデルによって設定された計算条件に基づいた
    第２の推定プロセス量を計算する予測手段と、前記第１
    の推定プロセス量と前記第２の推定プロセス量との論理
    演算をおこなう推定プロセス量演算手段とを備えたこと
    を特徴とするモデル同定装置。
  4. 【請求項４】 予め設定された計算条件に基づいた推定
    プロセス量から計算された予測モデルのパラメータを同
    定するモデル同定装置であって、予め設定されたパラメ
    ータを有する近似数式モデルによって設定された計算条
    件に基づく第１の推定プロセス量を計算する数式モデル
    予測手段と、実績データと前記第１の推定プロセス量と
    を比較して比較データを出力するデータ比較手段と、前
    記実績データを正規化し前記予測モデルを同定するため
    の学習データを作成する正規化手段と、前記予測モデル
    の同定に用いる追加学習データを作成するデータ追加手
    段と、前記学習データおよび前記追加学習データを記憶
    するデータ記憶手段と、該データ記憶手段で記憶された
    前記学習データおよび前記追加学習データに基づく適応
    学習によって前記予測モデルのパラメータを決定する予
    測モデル学習手段と、前記適応学習に基づいて前記デー
    タ追加モデルのパラメータを決定するデータ追加モデル
    学習手段と、前記予測モデル学習手段で決定した前記予
    測モデルによって設定された計算条件に基づいた第２の
    推定プロセス量を計算する予測手段と、予め設定された
    パラメータを有する近似数式モデルによって予め設定さ
    れた計算条件に基づく第２の推定プロセス量を計算する
    数式モデル予測手段と、前記第１の推定プロセス量と前
    記第２の推定プロセス量との論理演算をおこなう推定プ
    ロセス量演算手段とを備えたことを特徴とするモデル同
    定装置。
  5. 【請求項５】 前記データ追加手段は前記学習データの
    線形補間により決定する追加学習データを作成すること
    を特徴とする請求項１乃至４の何れかに記載のモデル同
    定装置。
  6. 【請求項６】 前記データ追加手段は設定された前記デ
    ータ追加モデルの入出力関係を満たすように前記追加学
    習データを作成することを特徴とする請求項２か又は４
    の何れかに記載のモデル同定装置。
  7. 【請求項７】 前記追加モデル学習手段はデータ追加モ
    デルがニューラルネットワークで構成されることを特徴
    とする請求項２か又は４の何れかに記載のモデル同定装
    置。
JP2000280614A 2000-09-14 2000-09-14 モデル同定装置 Pending JP2002091505A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2000280614A JP2002091505A (ja) 2000-09-14 2000-09-14 モデル同定装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2000280614A JP2002091505A (ja) 2000-09-14 2000-09-14 モデル同定装置

Publications (1)

Publication Number Publication Date
JP2002091505A true JP2002091505A (ja) 2002-03-29

Family

ID=18765410

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2000280614A Pending JP2002091505A (ja) 2000-09-14 2000-09-14 モデル同定装置

Country Status (1)

Country Link
JP (1) JP2002091505A (ja)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007264796A (ja) * 2006-03-27 2007-10-11 Hitachi Ltd プラント制御方法及びプラント制御装置
JP2012226732A (ja) * 2011-04-06 2012-11-15 Nippon Steel Corp 操業予測装置、操業予測方法、及びコンピュータプログラム
WO2013171862A1 (ja) * 2012-05-16 2013-11-21 東芝三菱電機産業システム株式会社 設定計算システムの学習装置及び学習方法
KR20160013115A (ko) * 2013-11-08 2016-02-03 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 생산 라인의 시뮬레이션 장치
CN106471526A (zh) * 2014-08-29 2017-03-01 谷歌公司 使用深度神经网络来处理图像
WO2019159280A1 (ja) * 2018-02-15 2019-08-22 千代田化工建設株式会社 プラント運転条件設定支援システム、学習装置、及び運転条件設定支援装置
JP2021128478A (ja) * 2020-02-12 2021-09-02 株式会社日立製作所 データ処理システムおよびデータ処理方法
KR20220102716A (ko) * 2021-01-14 2022-07-21 재단법인차세대융합기술연구원 머신러닝에 기반하여 테일러-쿠엣 흐름에서의 입도를 예측하는 방법

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007264796A (ja) * 2006-03-27 2007-10-11 Hitachi Ltd プラント制御方法及びプラント制御装置
JP4585983B2 (ja) * 2006-03-27 2010-11-24 株式会社日立製作所 プラント制御方法及びプラント制御装置
JP2012226732A (ja) * 2011-04-06 2012-11-15 Nippon Steel Corp 操業予測装置、操業予測方法、及びコンピュータプログラム
CN104303114A (zh) * 2012-05-16 2015-01-21 东芝三菱电机产业系统株式会社 设定计算系统的学习装置以及学习方法
JPWO2013171862A1 (ja) * 2012-05-16 2016-01-07 東芝三菱電機産業システム株式会社 設定計算システムの学習装置及び学習方法
KR101622068B1 (ko) 2012-05-16 2016-05-17 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 설정 계산 시스템의 학습 장치 및 학습 방법
WO2013171862A1 (ja) * 2012-05-16 2013-11-21 東芝三菱電機産業システム株式会社 設定計算システムの学習装置及び学習方法
KR20160013115A (ko) * 2013-11-08 2016-02-03 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 생산 라인의 시뮬레이션 장치
JPWO2015068257A1 (ja) * 2013-11-08 2017-03-09 東芝三菱電機産業システム株式会社 生産ラインのシミュレーション装置
KR101972635B1 (ko) 2013-11-08 2019-04-25 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 생산 라인의 시뮬레이션 장치
US11462035B2 (en) 2014-08-29 2022-10-04 Google Llc Processing images using deep neural networks
CN106471526A (zh) * 2014-08-29 2017-03-01 谷歌公司 使用深度神经网络来处理图像
CN106471526B (zh) * 2014-08-29 2019-03-08 谷歌有限责任公司 用于处理图像的方法和系统
US10650289B2 (en) 2014-08-29 2020-05-12 Google Llc Processing images using deep neural networks
US11809955B2 (en) 2014-08-29 2023-11-07 Google Llc Processing images using deep neural networks
US10977529B2 (en) 2014-08-29 2021-04-13 Google Llc Processing images using deep neural networks
WO2019159280A1 (ja) * 2018-02-15 2019-08-22 千代田化工建設株式会社 プラント運転条件設定支援システム、学習装置、及び運転条件設定支援装置
RU2767009C1 (ru) * 2018-02-15 2022-03-16 Тийода Корпорейшн Система поддержки установки условий работы завода, устройство обучения и устройство поддержки установки условий работы
US11320811B2 (en) 2018-02-15 2022-05-03 Chiyoda Corporation Plant operating condition setting support system, learning device, and operating condition setting support device
JP7144462B2 (ja) 2018-02-15 2022-09-29 千代田化工建設株式会社 プラント運転条件設定支援システム及び運転条件設定支援装置
TWI801502B (zh) * 2018-02-15 2023-05-11 日商千代田化工建設股份有限公司 廠房運轉條件設定支援系統、學習裝置以及運轉條件設定支援裝置
JPWO2019159280A1 (ja) * 2018-02-15 2021-01-28 千代田化工建設株式会社 プラント運転条件設定支援システム、学習装置、及び運転条件設定支援装置
JP2021128478A (ja) * 2020-02-12 2021-09-02 株式会社日立製作所 データ処理システムおよびデータ処理方法
KR20220102716A (ko) * 2021-01-14 2022-07-21 재단법인차세대융합기술연구원 머신러닝에 기반하여 테일러-쿠엣 흐름에서의 입도를 예측하는 방법
KR102533048B1 (ko) * 2021-01-14 2023-05-15 재단법인차세대융합기술연구원 머신러닝에 기반하여 테일러-쿠엣 흐름에서의 입도를 예측하는 방법

Similar Documents

Publication Publication Date Title
Pakes et al. Stochastic algorithms, symmetric Markov perfect equilibrium, and the ‘curse’of dimensionality
Caballero et al. Explaining investment dynamics in US manufacturing: a generalized (S, s) approach
Clark et al. Macroeconomic forecasting performance under alternative specifications of time‐varying volatility
Scarpiniti et al. Nonlinear spline adaptive filtering
Berry et al. The pure characteristics demand model
US8452423B2 (en) Methods and systems for the design and implementation of optimal multivariable model predictive controllers for fast-sampling constrained dynamic systems
JP2002091505A (ja) モデル同定装置
JPH07104715B2 (ja) パラメ−タの同定方法
Romeres et al. On-line bayesian system identification
CN109782586B (zh) 参数自整定的miso异因子紧格式无模型控制方法
CN108984851B (zh) 一种带时延估计的加权高斯模型软测量建模方法
US20020077789A1 (en) Method and apparatus for solving simultaneous linear equations
JP4586129B2 (ja) 制御器、制御方法および制御プログラム
Lakshminarayanan et al. A statistical decision-theoretical perspective on the two-stage approach to parameter estimation
Zeilinger et al. Real-time suboptimal model predictive control using a combination of explicit MPC and online optimization
CN116823468A (zh) 一种基于sac的高频量化交易控制方法、系统及存储介质
Srinivasan et al. Predicting Indian GDP with machine learning: a comparison of regression models
Lughofer et al. Online adaptation of Takagi-Sugeno fuzzy inference systems
Politis et al. Financial time series and volatility prediction using NoVaS transformations
Zhao et al. An identification approach to nonlinear state space model for industrial multivariable model predictive control
Jin et al. Expectation-maximization algorithm based identification of Hammerstein nonlinear ARMAX systems with Gaussian mixture noises
CN113627687A (zh) 一种基于arima-lstm组合模型的供水量预测方法
KR20220061542A (ko) 신뢰구간에 기반한 제조공정의 최적화 방법 및 시스템
CN111967685A (zh) 一种基于图形特征库的群决策股价趋势洞察方法
CN113177311A (zh) 一种基于灰色马尔可夫模型的压装质量预测方法