JP2002157003A - 多変数モデル予測制御装置、方法、及びその記憶媒体 - Google Patents
多変数モデル予測制御装置、方法、及びその記憶媒体Info
- Publication number
- JP2002157003A JP2002157003A JP2000351099A JP2000351099A JP2002157003A JP 2002157003 A JP2002157003 A JP 2002157003A JP 2000351099 A JP2000351099 A JP 2000351099A JP 2000351099 A JP2000351099 A JP 2000351099A JP 2002157003 A JP2002157003 A JP 2002157003A
- Authority
- JP
- Japan
- Prior art keywords
- amount
- control
- sensitivity
- change
- amounts
- 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
Abstract
を含む状態量を入力とし制御量を出力とする多変数モデ
ル予測制御装置、方法及びその記憶媒体を提供する。 【解決手段】 多変数モデル予測制御システム1の制御
装置3のデータ処理部4は、外部からプラント2の出力
を制御する制御量の目標値SV、その現在制御量PV、
演算器8により演算された「SV−PV」を入力され、
内部からプラント2への過去の操作量MV及び外乱DV
が入力され、それらの制御時間ステップ毎のデータaを
ニューロモデル部5に出力する。この出力値に基づき、
ニューロモデル部5は各制御量の変化の予測値cを感度
計算部6に出力する。この出力値に基づき、感度計算部
6は各操作量に対する予測値の感度dを計算して最適化
計算部7に出力する。この出力値に基づき、最適化計算
部7は制御量と操作量の最適化計算を行って得られた操
作量MVをプラント2及びデータ処理部4に出力する。
Description
の操作量、外乱及び制御量を含む状態量を入力とし制御
量を出力とする多変数モデル予測制御装置、方法及びそ
の記憶媒体に関する。
ニューラルネットワークと呼ばれる入力・出力システム
が、制御、予測、診断などの多くの分野において利用さ
れている。このニューラルネットワークは、学習能力を
持っていることが最大の特徴となっており、入力データ
と出力データの間に一見して分かる関連性が見いだしに
くい場合でも、入力データと出力データの組み合わせを
学習させれば、システムは自分で内部に規則を作り出せ
る。すなわち、非線形性のデータを取り扱いながらパタ
ーンマッチング性に優れている等の特徴を有している。
て所望の機能を獲得するようにニューラルネットワーク
内部の結合荷重を調節することによって行われる。すな
わち入力に対して正しい出力が決まっている場合に、ニ
ューラルネットワークが正しく出力したかどうかを判定
して間違いが無くなるように、結合荷重を調節するとい
うことを内部で行っている。
では、学習時に与えた学習データと同一の入力データを
与えると、学習データの時と同一のデータを出力する。
また学習データに近い入力データを与えると、学習デー
タに近い出力を行う特徴を持つ。したがって、入力され
る事例が学習時に与えられたものと同じであれば、その
出力値は十分に信頼できるが、学習に用いられた事例と
異なるものであれば、100%信頼できるわけではな
い。そのため、与えられた入力事例に対して得られた出
力値が適切なものかどうか評価する出力値の信頼性評価
が重要となるが、これについては、そのようなニューラ
ルネットワーク出力値の信頼性の評価方法として種々の
方法が提案されていて、近年、ニューラルネットワーク
の信頼性は高まっている。
ルネットワークを用いて、上述した制御、予測、診断な
どを行う種々の制御プロセスが提案されてきた。このよ
うな制御、予測、診断などの制御プロセスを適用可能な
モデルとしては、例えば化学プラント、セメントプラン
ト、ゴミ焼却プラント等の種々のプラントが挙げられ
る。
うに、従来、ニューラルネットワークを用いて事象を予
測することは一般的に行われており、また、ニューラル
ネットワークを用いた事象の制御方法も種々考えられて
きた。しかし、予測について言えば、従来、物理法則で
簡単にモデル化できないものについては予測できなかっ
たものが、ニューラルネットワークで学習することによ
り非線形性を盛り込んだモデル化が可能となり、その予
測ができるようになったものの、あくまでも、それは単
に予測することのみであった。
殆どは、1入力1出力の制御対象に対し操作量そのもの
を求めるためにニューラルネットワークを用いるもので
あり、その得られた操作量によって現時点における制御
を行うという方式や、PID制御方式において、比例ゲ
イン、積分時間、微分時間を適切にチューニングする方
式などが知られている。
ニューラルネットワークを用いて得られる複数の予測変
化量に基づいて制御量に対応する最適な複数の操作量を
決定する多変数モデル予測制御装置を提供することであ
る。
変数モデル予測制御装置は、制御対象プロセスの操作
量、外乱、及び制御量を含む状態量を入力とし制御量を
出力とするニューラルネットワークモデルにより制御す
べき時点から先の各制御量の変化を予測する制御量変化
予測手段と、上記制御すべき時点の上記状態量により、
これから先に与える各上記操作量の変化量に対する各上
記制御量の変化量の感度を計算する制御量感度計算手段
と、該制御量感度計算手段による計算によって得られた
感度行列を用いて、上記変化予測手段により予測される
各上記制御量が所定の目標値に可及的に一致し且つ各上
記操作量の変化量が可及的に小さく成るように最適化計
算して各操作量を決定する最適化計算・決定手段と、を
備え、該最適化計算・決定手段によって決定された各操
作量を上記制御対象プロセスの上記操作量として外部に
出力するように構成される。
2記載のように、yk+d のkを現在までの時間ステップ
とし、dを現在から予想すべき時点までの時間ステップ
とし、ニューロモデルとして、
構成される。また、上記制御量感度計算手段は、例えば
請求項3記載のように、j番目の操作量ujk+1が現在操
作量ujkと同じ場合のi番目のニューロモデルによる制
御量予測値をyik+dとし、これに対して操作量をujk+1
=ujk+εj としたとき制御量予測値がy’ik+dに変化
したとして、時点、時点での感度rijを、
るように構成される。上記最適化計算・決定手段は、例
えば請求項4記載のように、制御量の行列Y、その感度
の行列R、操作量の行列Xによる連立一次方程式Y=R
・Xを用い、Xの解法として最小二乗最小ノルム解を用
いて上記操作量の最適化計算を行うように構成される。
予測制御方法は、制御対象プロセスの操作量、外乱、及
び制御量を含む状態量を入力とし制御量を出力とするニ
ューラルネットワークモデルにより制御しようとする時
点から先の各制御量の変化を予測し、上記制御しようと
する時点の上記状態量によって、これから先に与える各
上記操作量の変化量に対する各上記制御量の変化量の感
度を計算し、この計算によって得られた感度行列を用い
て、各上記制御量が所定の目標値に可及的に一致し且つ
各上記操作量の変化量が可及的に小さく成るように最適
化計算して、この最適化計算によって得られた各上記操
作量を上記制御対象プロセスへの上記操作量として決定
し、この決定された上記操作量を含む状態量を入力とし
て上記制御量を予測出力する。
対象プロセスの操作量、外乱、及び制御量を含む状態量
を入力とし制御量を出力とするニューラルネットワーク
モデルにより制御しようとする時点から先の各制御量の
変化を予測する機能と、上記制御しようとする時点の上
記状態量によって、これから先に与える各上記操作量の
変化量に対する各上記制御量の変化量の感度を計算する
機能と、この計算によって得られた感度行列を用いて、
各上記制御量が所定の目標値に可及的に一致し且つ各上
記操作量の変化量が可及的に小さく成るように最適化計
算する機能と、この最適化計算によって得られた各上記
操作量を上記制御対象プロセスへの上記操作量として決
定する機能と、を実行させるための多変数モデル予測制
御プログラムをコンピュータによる読取りが可能なよう
に記録している。
を参照しながら説明する。図1は、一実施の形態におけ
る多変数モデル予測制御システムの構成を示すブロック
図である。同図に示すように、この多変数モデル予測制
御システム1は、プラント2と、このプラント2の出力
を制御する多変数モデル予測制御装置(以下、単に制御
装置という)3から成る。制御装置3は、データ処理部
4、ニューロモデル部5、感度計算部6、及び最適化計
算部7で構成される。このように、制御装置3には、ニ
ューロモデルを用いたモデル予測制御機能が組み込まれ
ている。また、上記のデータ処理部4、ニューロモデル
部5、感度計算部6、及び最適化計算部7は、各部一体
に構成されたものでも良く、あるいは個々に独立した各
部の構成を連結して全体として一つの制御機構を構成す
るものであっても良い。
すれば、上記のプラント2は、例えばゴミ焼却炉と、こ
のゴミ焼却炉によるゴミ焼却熱で蒸気を発生するボイラ
ー装置とから成り、この発生する蒸気によって例えばタ
ービンを回して発電をする、あるいは温水等を他へ供給
するような、ゴミ焼却熱の有効利用を目的としたプラン
トである。勿論、化学プラント、セメントプラントなど
他の処理を行うプラントであっても良いが、以下の説明
ではゴミ焼却炉とボイラーとから成るプラントであると
する。
から、上記プラント2の出力を制御する制御量の目標値
SVと、そのプラント2の出力、すなわち現在制御量P
Vと、演算器8によって演算された「SV(制御量目標
値)−PV(現在制御量)」とが入力され、他方では内
部から、上記プラント2を制御すべく出力された過去の
操作量MVが分岐して入力され、更に、外乱DJが入力
される。尚、PV(ならびにSV)、MV、DVはそれ
ぞれ、m、n、l個あるものとする。m≧1、n≧1、
l≧1である。
例えばボイラーから出力すべき又は出力された蒸気量等
であり、操作量MVは、その蒸気量を安定して得るため
の焼却炉の安定な燃焼状態を維持するために操作される
例えば焼却炉の各所に設けられている通風調節弁によっ
て調節される空気量等であり、外乱は例えば焼却炉内の
計測可能な箇所で検出される温度等である。また、上記
の操作量は立場を変えると制御量になり、制御量は立場
を変えると操作量になるものである。
ニューロモデル部5にデータaを出力する。ニューロモ
デル部5は、データ処理部4の出力値に基づいて各制御
量の変化を予測して、その予測値cを感度計算部6に出
力する。感度計算部6は、ニューロモデル部5の出力値
cに基づいて各操作量に対する予測値の感度を計算し、
その計算によって得られた感度データdを最適化計算部
7に出力する。最適化計算部7は、感度計算部6の出力
値dに基づいて、制御量と操作量の最適化計算を行っ
て、この計算によって得られた操作量MVをプラント2
及びデータ処理部4に出力する。
テムにおける制御装置3の主要部の入出力データの詳細
を示す図である。同図に示すように、ニューロモデル部
5には、図1に示したデータ処理部4から、データa
(外乱xk 、制御量yk 、操作量uk )が入力する。こ
こでkは制御周期Δtの時間ステップを表している。
づいて、τ時間後の処理装置3の出力すなわち制御量y
k+d (d=τ/Δt)を制御量予測値c(以下、ニュー
ロ出力cともいう)として感度計算部6に出力する。こ
の制御量yk+d を予測するモデルは過去の経験データに
基づいて予めニューロモデル部5に設定されている。そ
のモデルは、次式
ベクトル量を表わし、右辺のfはニューラルネットワー
クそのものを表わし、括弧内には、上述した外乱xk 、
制御量yk 、操作量uk の各時間ステップ毎の値からな
る入力変数を表している。各変数の添字kは現在時間ス
テップを表わし、k+1は次の時間ステップを表わし、
k−1は直前の時間ステップを表している。
yk をニューロ出力とすれば、
ロモデルは予め設定しておいたものを常時用いてもよい
し、逐次オンラインデータで学習更新してもよい。ニュ
ーロモデル部5は、この数1又は数2(以下の説明では
数1を用いる)に示すニューロモデルを用い、入力変数
それぞれの現在値及び過去値を使用してニューロ出力c
としての制御量予測値を計算して、その算出されたニュ
ーロ出力cを感度計算部6に出力する。また、これと共
に、ニューロモデル部5は、操作量uk が現在値のまま
の場合の制御量予測値yk+1 (yk+d =f(uk+1 ,x
k ,yk ,uk ,・・・))を、ニューロ出力gとし
て、不図示の表示装置(制御用コンピュータの表示画
面)に出力すると共に、記録用データとして不図示の記
憶装置に格納する。
力cを用いて、各操作量に対する制御量予測値(ニュー
ロ出力c)の感度を計算する。感度は動作点によって変
わるので、操作量を或る幅だけ変え、他の入力値は固定
して、感度を求める。すなわち、j番目の操作量ujk+1
が、現在操作量ujkと同じ場合の、i番目のニューロモ
デルによる制御量予測値をyik+dとし、これに対して操
作量をujk+1=ujk+εj としたとき、制御量予測値が
y’ik+dに変化したとすれば、時点、時点での感度rij
は、次のようになる。
の数をm、操作量の数をnとし、操作量の変化量をΔu
j 、制御量予測値の変化量をΔyi とすると、前述の
[数1]に示すモデルは、上記の感度r(rij)を使っ
て、次のような線形の式で表わすことができる。
目の制御量予測値に対応したプロセス変数の設定値(目
標値)をsik+dとすると、ニューロモデルによる制御量
予測値との偏差はei =sik+d−yik+dとなる。τ時間
後にこれらを一致させるためには、Δyi =ei とすれ
ばよい。ただし、ei が不感帯内にある場合はΔyi=
0とする。
m=1のときは、上記の条件を満たすΔu1 は,Δu1
=Δy1 /r11となる。また、:n=m>1のとき
は、上記の条件を満たすΔuj は、数4の連立方程式を
解くことにより一義的に求まる。また、:n>mのと
きは、上式の条件を満たすΔuj の組み合わせは複数あ
るので、それを一義的に決めるために、評価関数Jを次
のようにおき、上式を満たし且つ評価関数を最小化する
Δuj を求める。これは次式に示すように各操作量の変
分の二乗和にする。但しWj は重みである。
の調整値α(0≦α≦1)を乗ずる。すなわち、 Δuj ’=α・Δuj とする。さらに、Δuj ’の絶対値が、操作量変化率の
経験上予め設定されている上限±vj を超える場合は、
Δuj ’をその上限値とする。すなわち、 Δuj ’>vj のとき、 Δuj ’=vj Δuj ’<−vj のとき、 Δuj ’=−vj とする。
った変化量Δu j ’を加算して得られるujk+1=ujk+
Δu j ’を、次の操作量として決定する。そして、この
決定した次の操作量ujk+1を、ニューロモデルに入力
し、改めてτ時間後の制御量予測値y”ik+dを計算して
確認する。このy”ik+1は、最適化計算部7の出力hと
して、不図示の表示装置(制御用コンピュータの表示画
面)に出力されると共に、記録用データとして不図示の
記憶装置に格納される。
jk+1が、最適化計算部7からの出力MVとしてプラント
2に出力される。図3(a),(b) は、上記の演算過程を模
式的に図式化して示す図である。同図(a) は、横軸に時
間tを示し、縦軸に制御量yを示している。図における
原点は、制御開始からkステップ目の時点である現在時
点と、このkステップ目におけるi番目の制御対象の制
御量yikすなわち太い実線で示す現在制御量PVとの交
点を示している。また、縦軸yには制御量目標値SVを
破線で示している。
間tを示し、縦軸に操作量uを示している。原点は上記
と同様に制御開始からkステップ目の時点である現在時
点と、このkステップ目におけるi番目の操作対象の操
作量ujkすなわち太い実線で示す現在操作量MVとの交
点を示している。
言すればkステップ目の現在時点から更にdステップ
目、すなわち制御開始からk+dステップ目の制御量を
予測する。先ず、同図(b) に示すように、太線で示す現
在操作量MVをそのままk+1ステップまで継続したと
すると、yik+dが予測された。これは制御量目標値SV
よりもei だけ低い。
量MVを+εj だけ変化させてみると、同図(a) に示す
ように、より制御量目標値SVに近いy’ik+dが予測さ
れた。この結果、あとどのくらい操作量を変化させれ
ば、その予測値y”ik+dが制御量目標値SVに近似する
かが判明する。すなわち現在操作量MVに付加すべき操
作量の変分+Δuj が判明する。
評価関数を最小にする演算方法につてい更に説明する。
尚、以下の説明では、大文字の英文字は全て行列式を表
わすものとする。すなわち、次の連立方程式 Y=R・X .........(1) における、Y、R、及びXは、それぞれ上述した数4を
書き換えた下記の行列式
般的に記述するために、操作量uを変数xに置き換えて
いる。また、上述してきた制御量の数mを、式の数mと
し、操作量の数nを、未知数nとしている。また、以下
の説明では、rは行列Rのランクを示し、上述してきた
感度rは行列Rで示される。上記の数7に示す行列式の
もとで、Xを解く方法を以下に説明する。
き、
乗法(最小ノルム)を用いる。第2に、行列Rのランク
r=m=nのとき、連立一次方程式(1)を解いて、 X=R-1・Y .........(2) を得る。尚、R-1は行列Rの逆行列である。ここでは、
上述したように感度の行列Rと変化させるべき制御量の
行列Y(ベクトル)がすでに分かっているので、操作量
の行列X(ベクトル)を一義的に求めることができる。
き、 J=‖Y−R・X‖2 を最小にするXを求める。解法は、最小二乗法を用い
る。尚、この式は、一つ一つのYに対する誤差、つま
り、本例のように、未知数の数nよりも式の数mが多い
場合、本質的に式(1)を満たすXは存在しないから、
誤差「Y−R・X」の二乗和を最小化するものである。
n)のとき(但し、m≧1、n≧1とし、m、nの大小
関係は任意であり、小さい方をrとする)、これは、上
記の第1、第2、及び第3の解法を含む一般的な解法と
なる。尚、上述した最適化計算部7における演算におい
て、、及びでn=m=1、n=m>1及びn>m
のときの解法を示し、n<mのときの解法を示さなかっ
たが、この一般解で示される。
をZ+ とおく。このZ+ は‖b−A・Z‖2 が最小とな
るZの中で‖Z‖2 がが最小となるZである。評価関数
を‖Z‖2 の形式にするため zi =xi ・√wi とおく。xi =zi /σi 、σi =√wi 、wi ≠0と
して
れば、 X=C・Z+ よりXが求まる。
れば、ニューラルネットワークを用いて予測される予測
制御量を求め、この求められた予測制御量の評価関数を
求め、これらの評価関数を最小とする操作量を決定し
て、その決定した操作量を目標制御量に対応する操作量
としてプラントへ出力するので、物理法則で簡単にモデ
ル化できないプラントでも、これをニュートラルネット
ワークでモデル化して、単に数値を予測するのではな
く、予測された変数から目標とする制御量に対応する最
適な操作量を決定して出力することができ、これによ
り、各種のプラントに対して常に最適な制御を行うこと
が可能となる。
ステムの構成を示すブロック図である。
モデル予測制御装置の主要部における入出力データの詳
細を示す図である。
方法を模式的に示す図である。
Claims (6)
- 【請求項1】 制御対象プロセスの操作量、外乱、及び
制御量を含む状態量を入力とし制御量を出力とするニュ
ーラルネットワークモデルにより制御すべき時点から先
の各制御量の変化を予測する制御量変化予測手段と、 前記制御すべき時点の前記状態量により、これから先に
与える各前記操作量の変化量に対する各前記制御量の変
化量の感度を計算する制御量感度計算手段と、 該制御量感度計算手段による計算によって得られた感度
行列を用いて、前記変化予測手段により予測される各前
記制御量が所定の目標値に可及的に一致し且つ各前記操
作量の変化量が可及的に小さく成るように最適化計算し
て各操作量を決定する最適化計算・決定手段と、 を備え、 該最適化計算・決定手段によって決定された各前記操作
量を前記制御対象プロセスの前記操作量として外部に出
力することを特徴とする多変数モデル予測制御装置。 - 【請求項2】 前記制御量変化予測手段は、yk+d のk
を現在までの時間ステップとし、dを現在から予想すべ
き時点までの時間ステップとし、ニューロモデルとし
て、 【数1】 又は 【数2】 を用いて各制御量の変化を予測することを特徴とする請
求項1記載の多変数モデル予測制御装置。 - 【請求項3】 前記制御量感度計算手段は、j番目の操
作量ujk+1が現在操作量ujkと同じ場合のi番目のニュ
ーロモデルによる制御量予測値をyik+dとし、これに対
して操作量をujk+1=ujk+εj としたとき制御量予測
値がy’ik+dに変化したとして、時点、時点での感度r
ijを、 【数3】 として、各制御量の変化量の感度を計算することを特徴
とする請求項1記載の多変数モデル予測制御装置。 - 【請求項4】 前記最適化計算・決定手段は、制御量の
行列Y、その感度の行列R、操作量の行列Xによる連立
一次方程式Y=R・Xを用い、Xの解法として最小二乗
最小ノルム解を用いて前記操作量の最適化計算を行うこ
とを特徴とする請求項1記載の多変数モデル予測制御装
置。 - 【請求項5】 制御対象プロセスの操作量、外乱、及び
制御量を含む状態量を入力とし制御量を出力とするニュ
ーラルネットワークモデルにより制御しようとする時点
から先の各制御量の変化を予測し、 前記制御しようとする時点の前記状態量によって、これ
から先に与える各前記操作量の変化量に対する各前記制
御量の変化量の感度を計算し、 この計算によって得られた感度行列を用いて、各前記制
御量が所定の目標値に可及的に一致し且つ各前記操作量
の変化量が可及的に小さく成るように最適化計算して、 この最適化計算によって得られた各前記操作量を前記制
御対象プロセスへの前記操作量として決定し、 この決定された前記操作量を含む状態量を入力として前
記制御量を予測することを特徴とする多変数モデル予測
制御方法。 - 【請求項6】 制御対象プロセスの操作量、外乱、及び
制御量を含む状態量を入力とし制御量を出力とするニュ
ーラルネットワークモデルにより制御しようとする時点
から先の各制御量の変化を予測する機能と、 前記制御しようとする時点の前記状態量によって、これ
から先に与える各前記操作量の変化量に対する各前記制
御量の変化量の感度を計算する機能と、 この計算によって得られた感度行列を用いて、各前記制
御量が所定の目標値に可及的に一致し且つ各前記操作量
の変化量が可及的に小さく成るように最適化計算する機
能と、 この最適化計算によって得られた各前記操作量を前記制
御対象プロセスへの前記操作量として決定する機能と、 この決定された前記操作量を含む状態量を入力として前
記制御量を予測する機能と、 を実行させるための多変数モデル予測制御プログラムを
記録したコンピュータによる読取りが可能な記憶媒体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2000351099A JP3798239B2 (ja) | 2000-11-17 | 2000-11-17 | 多変数モデル予測制御装置、方法、及びその記憶媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2000351099A JP3798239B2 (ja) | 2000-11-17 | 2000-11-17 | 多変数モデル予測制御装置、方法、及びその記憶媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2002157003A true JP2002157003A (ja) | 2002-05-31 |
JP3798239B2 JP3798239B2 (ja) | 2006-07-19 |
Family
ID=18824214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2000351099A Expired - Lifetime JP3798239B2 (ja) | 2000-11-17 | 2000-11-17 | 多変数モデル予測制御装置、方法、及びその記憶媒体 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3798239B2 (ja) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030095881A (ko) * | 2002-06-15 | 2003-12-24 | 삼성정밀화학 주식회사 | Cod 예측제어를 통한 ech 공정 폐수처리 최적화방법 |
WO2004003671A1 (en) * | 2002-06-28 | 2004-01-08 | Umetrics Ab | Method and device for monitoring and fault detection in industrial processes |
KR20040044748A (ko) * | 2002-11-22 | 2004-05-31 | 지아이 주식회사 | 최적운전 시뮬레이션 전문가 시스템에 의한하폐수처리장치의 원격제어방법 |
JP2009015514A (ja) * | 2007-07-03 | 2009-01-22 | Nippon Petroleum Refining Co Ltd | Pid制御装置 |
JP2010152767A (ja) * | 2008-12-26 | 2010-07-08 | Toshiba Corp | 予測制御方法および予測制御システム |
JP2020152529A (ja) * | 2019-03-20 | 2020-09-24 | 株式会社タダノ | クレーン |
JP2020152532A (ja) * | 2019-03-20 | 2020-09-24 | 株式会社タダノ | クレーン |
WO2020202316A1 (ja) * | 2019-03-29 | 2020-10-08 | 三菱電機株式会社 | モデル予測制御装置、モデル予測制御プログラム、モデル予測制御システムおよびモデル予測制御方法 |
JP2021064308A (ja) * | 2019-10-17 | 2021-04-22 | 株式会社Subaru | 最適制御システム |
WO2021181979A1 (ja) * | 2020-03-11 | 2021-09-16 | 株式会社日立製作所 | プラント運転最適化支援装置、プラント運転最適化制御装置並びに方法 |
WO2021220901A1 (ja) * | 2020-05-01 | 2021-11-04 | 株式会社Mhiパワーコントロールシステムズ | 制御装置 |
JP7088427B1 (ja) | 2022-01-20 | 2022-06-21 | 富士電機株式会社 | 運転支援装置、運転支援方法及びプログラム |
CN115238528A (zh) * | 2022-09-23 | 2022-10-25 | 北京科技大学 | 基于区间相似度的飞行器结构动力学参数敏感性分析方法 |
JP7396062B2 (ja) | 2020-01-15 | 2023-12-12 | 村田機械株式会社 | 制御値決定装置 |
-
2000
- 2000-11-17 JP JP2000351099A patent/JP3798239B2/ja not_active Expired - Lifetime
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030095881A (ko) * | 2002-06-15 | 2003-12-24 | 삼성정밀화학 주식회사 | Cod 예측제어를 통한 ech 공정 폐수처리 최적화방법 |
WO2004003671A1 (en) * | 2002-06-28 | 2004-01-08 | Umetrics Ab | Method and device for monitoring and fault detection in industrial processes |
US7523384B2 (en) | 2002-06-28 | 2009-04-21 | Umetrics Ab | Method and device for monitoring and fault detection in industrial processes |
KR20040044748A (ko) * | 2002-11-22 | 2004-05-31 | 지아이 주식회사 | 최적운전 시뮬레이션 전문가 시스템에 의한하폐수처리장치의 원격제어방법 |
JP2009015514A (ja) * | 2007-07-03 | 2009-01-22 | Nippon Petroleum Refining Co Ltd | Pid制御装置 |
JP2010152767A (ja) * | 2008-12-26 | 2010-07-08 | Toshiba Corp | 予測制御方法および予測制御システム |
JP2020152529A (ja) * | 2019-03-20 | 2020-09-24 | 株式会社タダノ | クレーン |
JP2020152532A (ja) * | 2019-03-20 | 2020-09-24 | 株式会社タダノ | クレーン |
JPWO2020202316A1 (ja) * | 2019-03-29 | 2021-09-13 | 三菱電機株式会社 | モデル予測制御装置、モデル予測制御プログラム、モデル予測制御システムおよびモデル予測制御方法 |
WO2020202316A1 (ja) * | 2019-03-29 | 2020-10-08 | 三菱電機株式会社 | モデル予測制御装置、モデル予測制御プログラム、モデル予測制御システムおよびモデル予測制御方法 |
JP2021064308A (ja) * | 2019-10-17 | 2021-04-22 | 株式会社Subaru | 最適制御システム |
JP7396062B2 (ja) | 2020-01-15 | 2023-12-12 | 村田機械株式会社 | 制御値決定装置 |
DE112021000080T5 (de) | 2020-03-11 | 2022-04-21 | Hitachi, Ltd. | Unterstützungseinrichtung zur anlagenbetriebsoptimierung, steuerungseinrichtung zur anlagenbetriebsoptimierung und verfahren |
CN114258513A (zh) * | 2020-03-11 | 2022-03-29 | 株式会社日立制作所 | 设备运行优化辅助装置、设备运行优化控制装置及方法 |
JP2021144391A (ja) * | 2020-03-11 | 2021-09-24 | 株式会社日立製作所 | プラント運転最適化支援装置、プラント運転最適化制御装置並びに方法 |
JP7111761B2 (ja) | 2020-03-11 | 2022-08-02 | 株式会社日立製作所 | プラント運転最適化支援装置、プラント運転最適化制御装置並びに方法 |
CN114258513B (zh) * | 2020-03-11 | 2023-12-05 | 株式会社日立制作所 | 设备运行优化辅助装置、设备运行优化控制装置及方法 |
WO2021181979A1 (ja) * | 2020-03-11 | 2021-09-16 | 株式会社日立製作所 | プラント運転最適化支援装置、プラント運転最適化制御装置並びに方法 |
WO2021220901A1 (ja) * | 2020-05-01 | 2021-11-04 | 株式会社Mhiパワーコントロールシステムズ | 制御装置 |
JP7088427B1 (ja) | 2022-01-20 | 2022-06-21 | 富士電機株式会社 | 運転支援装置、運転支援方法及びプログラム |
JP2023106043A (ja) * | 2022-01-20 | 2023-08-01 | 富士電機株式会社 | 運転支援装置、運転支援方法及びプログラム |
CN115238528A (zh) * | 2022-09-23 | 2022-10-25 | 北京科技大学 | 基于区间相似度的飞行器结构动力学参数敏感性分析方法 |
Also Published As
Publication number | Publication date |
---|---|
JP3798239B2 (ja) | 2006-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yao et al. | State of the art review on model predictive control (MPC) in Heating Ventilation and Air-conditioning (HVAC) field | |
Lee et al. | Approximate dynamic programming-based approaches for input–output data-driven control of nonlinear processes | |
Vrabie et al. | Adaptive optimal control for continuous-time linear systems based on policy iteration | |
Åkesson et al. | A neural network model predictive controller | |
Park et al. | Benchmark temperature microcontroller for process dynamics and control | |
Fu et al. | Nonlinear multivariable adaptive control using multiple models and neural networks | |
Forbes et al. | Design cost: A systematic approach to technology selection for model-based real-time optimization systems | |
Ekinci et al. | Development of Lévy flight-based reptile search algorithm with local search ability for power systems engineering design problems | |
EP0645025B1 (en) | System and method for controlling a plant | |
Ellis et al. | Integrating dynamic economic optimization and model predictive control for optimal operation of nonlinear process systems | |
Savran et al. | A fuzzy model based adaptive PID controller design for nonlinear and uncertain processes | |
US7330804B2 (en) | Computer method and apparatus for constraining a non-linear approximator of an empirical process | |
US6487459B1 (en) | Method and apparatus for modeling dynamic and steady-state processes for prediction, control and optimization | |
Wang et al. | Decentralized guaranteed cost control of interconnected systems with uncertainties: a learning-based optimal control strategy | |
Bobal et al. | Adaptive predictive control of time-delay systems | |
JP2002157003A (ja) | 多変数モデル予測制御装置、方法、及びその記憶媒体 | |
Savran | A multivariable predictive fuzzy PID control system | |
Fischer et al. | Predictive control based on local linear fuzzy models | |
US6985781B2 (en) | Residual activation neural network | |
JP7206874B2 (ja) | 制御装置、制御方法及びプログラム | |
Prasad et al. | Application of policy iteration technique based adaptive optimal control design for automatic voltage regulator of power system | |
US6363289B1 (en) | Residual activation neural network | |
JPH0883104A (ja) | プラント制御装置 | |
Di Natale et al. | Lessons learned from data-driven building control experiments: Contrasting gaussian process-based mpc, bilevel deepc, and deep reinforcement learning | |
Mayer et al. | Cooperative and hierarchical fuzzy MPC for building heating control |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20051124 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20051206 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060202 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20060418 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20060419 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 Ref document number: 3798239 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100428 Year of fee payment: 4 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110428 Year of fee payment: 5 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120428 Year of fee payment: 6 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120428 Year of fee payment: 6 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120428 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130428 Year of fee payment: 7 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130428 Year of fee payment: 7 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313117 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130428 Year of fee payment: 7 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130428 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140428 Year of fee payment: 8 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
EXPY | Cancellation because of completion of term |