JP2006099793A - 制御モデル構築支援装置および方法 - Google Patents

Abstract

【課題】制御対象を制御モデルにより制御する場合に、高性能な制御モデルを構築する。
【解決手段】制御モデル構築支援装置１００に制御モデル構築用のデータベース１２１に格納されている複数のデータをデータ分割手段１１４により統計的に隔たりのない複数のデータ郡に分割して、分割データベース１２２のそれぞれのデータベースに格納する。そして、分割された１つのデータ郡によりモデル構築手段１１５で制御モデルを構築し、他方のデータでモデル評価手段１１６により、構築した制御モデルの評価を行う。
【選択図】図１

Description

本発明は鉄鋼，電力，一般産業等の制御システムを対象とし、制御対象からデータを収集して制御モデルを構築する場合に、高精度な制御モデルを効率的に構築する手法に関する。

制御対象からデータを収集し計算機で用いる従来技術としては、特開平6−168222号 記載のように、制御対象の制御情報を収集する手段を備え、収集したデータを独立したメモリに蓄えることで、このデータを用いて繰り返しシミュレーションを行う手法があった。

また制御対象から得たデータから制御モデルを構築する従来手法としては、特開平5−
296923 号記載のように、制御対象から得た制御量誤差とこれを解消するモデルのチューニング量の関係を何ケースか蓄え、この関係を同定したニューラルネットで制御モデルをチューニングする手法があった。

特開平６−１６８２２２号公報 特開平５−２９６９２３号公報

上記従来技術には、以下の問題点があった。

特開平6−168222 号記載の手法は、制御対象からのデータの採取と、これを計算機にどのような形態で蓄えるかについての考慮はあるが、データを用いてモデル構築を行う場合に、この作業を効率化する手法や、構築した制御モデルの精度を向上させる方法については考慮されていなかった。さらに制御モデルの入出力データの遅延関係を補償することに配慮していないため、制御モデルの入出力を異なった時刻のデータを用いて構築する必要がある場合には、人手でこれを補償しなければならない場合があった。さらに蓄えたデータを制御モデル構築に支障のない形態で圧縮することに配慮していないため、データの採取を繰り返すと計算機に蓄えられているデータ量が膨大となる問題があった。

また特開平5−296923 号記載の手法では、制御モデルの高精度化には配慮されているものの、制御対象から得たデータがどの程度一般性を有しているかを判断することを考慮していないため、例えばデータがノイズを含んでいる場合には、これが原因で構築した制御モデルの精度が低下する問題があった。さらに構築した制御モデルの妥当性を評価することに配慮していないため、制御モデルが一般性に乏しい場合には、これをそのまま実際の制御に用いることで制御性能が低下する場合があった。さらに蓄えたデータが制御モデル構築に必要な入出力領域の各部において、一般性を有した制御モデルを構築するのに十分な量，質を有していることを検証することに配慮していないため、制御モデルの特定の領域の入力に対する出力の精度が著しく低下する場合があった。

本発明の第１の目的は、構築した制御モデルの妥当性を精度良く評価することを可能にした制御モデル構築支援装置を提供することにある。

本発明の第２の目的は、制御モデルの入出力を異なった時刻のデータを用いて構築する必要がある場合には、制御対象から収集したデータに対して制御対象の動作を基に各入力の遅延補償を行い、制御モデルの構築にそのまま適用可能なデータベースを構築する制御モデル構築支援装置を提供することにある。

本発明の第３の目的は、制御モデルの動作領域の各部においてデータの蓄積が不十分な領域があった場合には、これをオペレータに報知することで制御モデルの局所的な性能の低下を回避する制御モデル構築支援装置を提供することにある。

第４の目的として、制御対象から得たデータが膨大なとき、統計的な性質の喪失を最小化した形でデータベースのサイズを適正化し、適正化したデータベースの内容を用いて制御モデルの構築を行う制御モデル構築支援装置を提供することにある。

第５の目的として、種々の制御モデル構築支援手段をオペレータが対話形式で選択，実行できる環境を提供した、使い勝手の良い制御モデル構築支援装置を提供することにある。

上記第１の目的は、制御対象から収集したデータを該制御対象を模擬する制御モデルへの入力データ及び出力データとして分離すると共に該入力データと該出力データを対応づけて複数のデータを第１のデータベースに格納するデータ収集手段と、前記第１のデータベースに格納された複数のデータを統計的に隔たりのない複数のデータ群に分離するデータ分割手段と、該分離された複数のデータ群をそれぞれ格納する複数のデータベースを有する第２のデータベースと、前記第１又は前記第２のデータベースに格納されたデータに基づいて前記制御対象を模擬する制御モデルを構築するモデル構築手段と、該モデル構築手段で構築された前記制御モデルを前記第１又は前記第２のデータベースに格納されたデータに基づいて評価するモデル評価手段を備えることにより達成することができる。

上記第２の目的は、制御対象から収集したデータを該制御対象を模擬する制御モデルへの入力データ及び出力データとして分離し、該分離した前記出力データが検出された時刻に基づいて、該出力データに対応づけるべき入力データが収集される時刻を決定すると共に、該決定された時刻に収集される入力データと該出力データとを対にして前記第１のデータベースに格納するデータ収集手段と前記第１のデータベースに対にして格納された前記入力データ及び前記出力データに基づいて前記制御対象を模擬する制御モデルを構築するモデル構築手段とを備えることにより達成することができる。

上記第３の目的は、制御対象から収集した複数のデータをデータベースに格納し、該データベースに格納された複数のデータに基づいて該制御対象を模擬する制御モデル構築支援装置において、前記制御モデルの入出力領域を複数の部分領域に分割し、該分割した部分領域に従って前記データベースに格納された複数のデータを分離すると共に該分離した結果、予め定めたデータ数より少ない領域をオペレータに報知するデータ定量化手段を備えることにより達成することができる。

上記第４の目的は、制御対象から収集した複数のデータをデータベースに格納し、該データベースに格納された複数のデータに基づいて該制御対象を模擬する制御モデル構築支援装置において、前記データベースに格納されているデータから該データを代表する少数のデータの組み合わせを決定し、該少数のデータの組み合わせを前記データベースに格納するデータ圧縮手段を備えることにより達成することができる。

上記第５の目的は、制御対象から収集したデータを該制御対象を模擬する制御モデルへの入力データ及び出力データとして分離し、該分離した前記出力データが検出された時刻に基づいて、該出力データに対応づけるべき入力データが収集される時刻を決定すると共に、該決定された時刻に収集される入力データと該出力データとを対にして前記第１のデータベースに格納するデータ収集手段と、前記第１のデータベースに格納された複数のデータを統計的に隔たりのない複数のデータ群に分離するデータ分割手段と、該分離された複数のデータ群をそれぞれ格納する複数のデータベースを有する第２のデータベースと、前記第１又は前記第２のデータベースに格納されたデータに基づいて前記制御対象を模擬する制御モデルを構築するモデル構築手段と、該モデル構築手段で構築された前記制御モデルを前記第１又は前記第２のデータベースに格納されたデータに基づいて評価するモデル評価手段と、前記制御モデルの入出力領域を複数の部分領域に分割し、該分割した部分領域に従って前記データベースに格納された複数のデータを分離すると共に該分離した結果、予め定めたデータ数より少ない領域をオペレータに報知するデータ定量化手段と、前記第１又は前記第２のデータベースに格納されているデータから該データを代表する少数のデータの組み合わせを決定し、該少数のデータの組み合わせを前記第１又は第２のデータベースに格納するデータ圧縮手段と、外部からの入力信号により該収集手段，該データ分割手段，該モデル構築手段，該モデル評価手段，該データ定量化手段，該データ圧縮手段を独立して起動及び終了の管理を行う管理手段とを備えることにより達成することができる。

本発明によれば、データ収集手段を設けたことにより、制御モデルの入出力を異なった時刻のデータを用いて構築する必要があった場合でも、この操作を人手で行う必要はない。またデータ定量化手段を設けたことにより、良好な制御モデルを構築するために、どの領域のデータを新たに制御対象から採取すればよいかを直ちに知ることができる。さらにデータ分割手段とモデル評価手段を設けたことにより、構築した制御モデルの妥当性を実際の制御に用いる前に容易に検証できる。またデータ圧縮手段を設けたことにより、データベースに格納されているデータが時間の経過とともに膨大となっても、サイズを適正な規模に保つことができる。さらにタスク起動手段を設けたことにより、オペレータは制御モデル構築のために備えられた種々の支援手段を効率的に選択して用いることができる。
また制御モデルの優劣を比較した実施例では、形の異なる回帰式の間でどちらが妥当かを明らかにする例を示したが、中間層数や中間層ニューロン数の異なる多層ニューラルネットの優劣の比較，回帰モデルとニューラルネットの優劣の比較，時系列モデルで現在からどこまで遡った入力を予測に用いるべきか等の評価も、同様の形態で実現できる。

以下、本発明の実施例を図にしたがって詳細に説明する。

図１に本発明により実現された制御モデル構築支援装置の構成を示す。まず全体の構成を説明した後、各部の詳細を説明する。制御モデル構築支援装置１００は種々のタスクが格納されている演算手段１１０，演算手段１１０に備えられている種々の演算を選択的に起動するタスク起動手段１０１，制御モデル構築用のデータや構築された制御モデル等を記憶する記憶手段１２０，外部と信号の授受を行う通信インタフェース１０２から構成される。さらに制御モデル構築支援装置１００はオペレータが入出力を行うマンマシン装置１４０を備えている。さらにネットワーク１５０を介して制御装置１３０，Ｉ／Ｏ１６０と接続され、制御装置１３０に対しては構築した制御モデルをネットワーク１５０を介して出力する。またＩ／Ｏ１６０を介して制御対象１７０の状態を観測し、必要なデータの取り込みを行う。制御装置１３０はＩ／Ｏ１６０，ネットワーク１５０を介して制御対象１７０の状態を検出し、制御モデル構築支援装置１００で構築された制御モデルを用いて制御対象１７０を制御するための信号を出力する。制御対象１７０は制御装置１３０が出力した制御信号をＩ／Ｏ１６０を介して受け取り、これにしたがって動作する。

本実施例では制御対象１７０として熱間圧延ラインの加熱炉プラントを例に説明する。加熱炉１８０は圧延に先だって鋼板を高温に加熱するプラントで、スラブと呼ばれる鋼板１９０が挿入され、バーナ１８１〜１８４で熱して１１００℃程度に昇温した後、高温のスラブ１９２として出力する。加熱炉は通常、図に示すように４つ程度の炉帯（予熱帯，第１加熱帯，第２加熱帯，均熱帯）から構成される。またセンサ１７１は炉に入る前のスラブ温度θ₀ を測定し、センサ１７２〜１７５は各炉帯の温度ｔ₁〜ｔ₄をそれぞれ測定する。さらにセンサ１７６は炉から出たときのスラブ温度θ_out を測定する。

次に制御モデル構築支援装置１００の各部の動作を詳細に説明する。タスク起動手段
１０１は、マンマシン装置１４０からオペレータが入力した情報にしたがって演算手段
１１０に格納されているタスクの起動・管理を行う。図２にタスク起動手段１０１が実行する処理を示す。通常はＳ_2-1 でオペレータがマンマシン装置１４０を介して信号を入力したかどうかを検出する処理を行う。本実施例では割り込みでこの信号を受信する例を示すが、周期的な検出処理を行ってもよい。割り込みが発生すると割り込みルーチンに入り、Ｓ_2-2 で割り込みのコマンドを解釈し、演算手段１１０の中で、オペレータの指示したタスクを起動する。本実施例において演算手段１１０は、データ収集手段１１１，データ定量化手段１１２，データ圧縮手段１１３,データ分割手段１１４,モデル構築手段１１５
，モデル評価手段１１６，モデル転送手段１１７の各タスクを備えた例を示している。同様に記憶手段１２０は、制御対象１７０から収集したデータが蓄えられるデータベース
１２１，分割されたデータが蓄えられる第２のデータベース１２２、これらを用いて構築された制御モデルが蓄えられる制御モデル格納部１２３から構成される。

図３にデータ収集手段１１１の処理アルゴリズムを示す。データ収集手段１１１はタスク起動手段１０１からの起動指令にしたがって実行を開始される。まずＳ_3-1で通信Ｉ／Ｆ１０２を介して、制御モデルの入力と出力に対応した信号を制御対象１７０に備えられたセンサの検出値として取り込む。本実施例では図１にしたがって、θ₀ ，ｔ₁〜ｔ₄，
θ_out を取り込む。以下制御モデルの入力が、θ₀ ，ｔ₁〜ｔ₄、仕様としてあらかじめ与えられているスラブ厚Ｂ、制御モデルの出力がθ_out の例を示す。制御モデルとしてはこれらの入出力関係を再現する必要がある。関係をモデル化する例を示す。Ｓ_3-2 でθ_out を検出したスラブ１９２に対して、各炉帯の在炉時間からこのスラブが加熱炉に挿入されたときの時刻、および各炉帯で加熱を受けた時刻を算出する。加熱炉１８０は４つの炉帯から構成されており、予熱帯〜均熱帯の各在炉時間は鋼板を搬送する速度と各炉長により求めることができ、これをΔＴ₁〜ΔＴ₄とする。また、θ_out が検出された時刻をＴ_out とすると、スラブが加熱炉に挿入されたときの時刻Ｔ_inは、

（数１）
Ｔ_in＝Ｔ_out−（ΔＴ₁＋ΔＴ₂＋ΔＴ₃＋ΔＴ₄） …（数１）
で算出できる。またスラブが各炉帯で加熱を受けた時刻は、予熱帯Ｔ_pre ，第１加熱帯
Ｔ_h1，第２加熱帯Ｔ_h2，均熱帯Ｔ_unifのそれぞれについて、

（数２）
Ｔ_pre＝Ｔ_out−（ΔＴ₁／２＋ΔＴ₂＋ΔＴ₃＋ΔＴ₄） …（数２）

（数３）
Ｔ_h1＝Ｔ_out−（ΔＴ₂／２＋ΔＴ₃＋ΔＴ₄） …（数３）

（数４）
Ｔ_h2＝Ｔ_out−（ΔＴ₃／２＋ΔＴ₄） …（数４）

（数５）
Ｔ_unif＝Ｔ_out−ΔＴ₄／２ …（数５）
で概算できる。Ｓ_3-3では、このようにして算出した時刻Ｔ_in，Ｔ_pre，Ｔ_h1，Ｔ_h2，
Ｔ_unifをそれぞれ収集したθ₀ ，ｔ₁〜ｔ₄に対応づけて、さらにスラブ厚Ｂを収集した
θ_out と関係づけて一組の対として制御モデル構築用データを生成する。そしてＳ_3-4 で、構築されたデータの対を第１のデータベース１２１に格納する。

図４に第１のデータベース１２１の構成例を示す。制御モデルの入力であるθ₀ ，ｔ₁〜ｔ₄，Ｂと制御モデルの出力であるθ_outの組が多数蓄えられている。

データ定量化手段１１２は、第１のデータベース１２１の内容を検索し、統計的な性質やデータの隔たりを定量化してオペレータに報知する。オペレータは報知された結果を基に、第１のデータベース１２１の内容が良好な制御モデルを構築するのに十分かどうかを判断する。

図５にデータ定量化手段１１２の構成を示す。タスク起動手段１０１により起動される。処理方法決定手段５０１，第１〜第ｎの複数の定量化手段５０２〜５０５から構成される。定量化手段５０２〜５０５は必要に応じて複数備えられるが、必要ない場合には１つであってもよい。処理方法決定手段５０１は、タスク起動手段１０１を介したユーザからの指示により、第１の定量化手段５０２〜第ｎの定量化手段５０５のどれを用いるか選択する。選択された定量化手段の演算結果はマンマシン装置１４０に表示される。

図６に定量化手段の処理の一例を示す。図６では、制御モデルの全領域を領域１〜領域ｎのｎ個の部分領域に分割し、部分領域毎に第１のデータベース１２１に蓄えられているデータの個数をカウントしてオペレータに報知する例を示す。Ｓ_6-1 で第１のデータベース１２１からデータの対を一組抽出する。Ｓ_6-2 で抽出したデータのθ_out が、１０９０℃より小さいかどうか判定する。小さい場合にはＳ_6-3 で領域１に対応したデータ数に１を加算する。１０９０℃より大きい場合には、Ｓ_6-4で同様にθ_outが１０９０℃より大きく１１００℃以下かどうかを判定する。判定結果がＹesの場合にはＳ_6-5 で領域２に対応したデータ数に１を加算する。このような操作を順次行い、第１のデータベース１２１の各データの対が各領域に何個属しているか計算する。Ｓ_6-11ですべてのデータの対について行ったことを確認した後処理を終了する。

図７にマンマシン装置１４０で報知された定量化結果の一例を示す。各領域についてカウントされたデータの個数が表示され、著しく個数の少ない領域３（他の領域との個数の差をとり、その差が予め定めたある一定以上のもの）について、制御モデル高精度化の観点から「１１００℃＜θ_out ≦１１１０℃のデータを追加して下さい。」といった表示を行いデータを追加したほうが望ましいことを指示している。オペレータはこの結果にしたがって、加熱炉１８０から出力されるスラブ１９２の目標温度Θ_outを１１００℃＜Θ_out≦１１１０℃に設定してデータの追加を行い制御モデルの高精度化を図ることができる。定量化手段５０２〜５０５が行う処理としては、この他にθ₀ ，ｔ₁〜ｔ₄，Ｂ，θ_out の各パラメータの分散を定量化し、その大きさで第１のデータベース１２１に蓄えられているデータの隔たり具合を報知する手法等、種々考えられる。

図８にデータ圧縮手段１１３の構成を示す。データ圧縮手段１１３は第１のデータベース１２１を情報の喪失を最小化した形で定められたサイズに圧縮する処理を行う。ここでは一例としてデータ圧縮手段１１３が、量子化ネットワーク ８０１と量子化アルゴリズム８０２からなる場合の実施例を示す。本実施例では、図１に示したデータベース１２１に蓄えられているデータがＭ個のとき、これらを良好に代表するｐ個のデータ（ｐ＜Ｍ）に圧縮する場合を例に説明する。量子化ネットワーク８０１はＩ₁〜Ｉ_nの入力（本実施例の場合入力はθ₀ ，ｔ₁ 〜ｔ₄ ，Ｂのため、ｎ＝６）を取り込む入力ニューロン８０５および定数を出力するしきい値ニューロン８０６からなる入力層８０３と、ｐ個の量子化ニューロン８０７からなる量子化ニューロン層８０４、さらに入力層８０３と量子化ニューロン層８０４の間で信号を伝達するシナプス８０８により構成される。入力ニューロン
８０５は入力された信号の値をそのまま出力し、量子化ニューロン８０７は入力ニューロン８０５の出力及び結合しているシナプス８０８のシナプス荷重の値Ｗ_ijの積を次式に従い出力する。

量子化アルゴリズム８０２は、入力を次々と量子化ネットワーク８０１に入力し、出力が最大であった量子化ニューロンが、対応した入力に対してさらに大きな値を出力する方向に、シナプス荷重の値を更新する。

図９に量子化アルゴリズム８０２が実行するアルゴリズムを示す。まずＳ_9-1 で、データベース１２１からデータを抽出し、量子化ネットワーク８０１に入力する。図４に示したデータを圧縮する場合には、（３０，６１０，１０２０，…，１１００），（２７，
６１２，９８０，…，１１００）のデータの組みが順次入力される。次にＳ_9-2 で、各量子化ニューロン８０７について（数６）に基づいた演算を行い、出力値Ｏ₁〜Ｏ_pを算出する。Ｓ_9-3 で、Ｏ₁〜Ｏ_pのうち値が最大のものを検出する。かりにＯ_j が最大であったとすると、量子化ニューロンｊと入力層８０３のニューロンを結ぶシナプスの荷重Ｗ_1j〜
Ｗ_n+1-j を更新する。入力ニューロン８０５に対応したシナプス荷重であるＷ_1j〜Ｗ_n-j に関しては（数７）により、またしきい値ニューロン８０６に対応したシナプス荷重
Ｗ_n+1-j に関しては（数８）により、新しい値が計算される。

（数７）
Ｗ_ij＝Ｗ_ij＋α・（Ｉ_i−Ｗ_ij） …（数７）
（ｉ＝１，…，ｎ）

ただしＷ_ij，Ｗ_n+1-j はそれぞれ更新後の入力ニューロン，しきい値ニューロンに対応したシナプス荷重の値、αは定数である。シナプス荷重の更新式は、ベクトル（Ｗ_1j，…，Ｗ_nj）とベクトル（Ｉ₁，…，Ｉ_n）の類似度を大きくする処理と対応していればよく、このような更新式は（数７）（数８）の他にもいくつか考えられる。Ｓ_9-5 で処理の終了を判定する。終了はＳ_9-1〜Ｓ_9-4を一定回数繰り返したことで判定してもよいが、データベース１２１から抽出したデータの対に対応したシナプス荷重の更新量が、すべて一定値以下となったことで判定してもよい。処理が終了していない場合にはＳ_9-1 にかえり、データの組みを次々と抽出し、同様の処理を繰り返す。以上の処理が終了すると第１のデータベース１２１に格納されていたＭ個のデータの対がｐ個の量子化ニューロンのシナプス荷重で代表できたことになる。その後Ｓ_9-6 で、ｐ個の量子化ニューロンに対応したシナ
プス荷重、

をデータベース１２１にコピーすることにより、Ｍ個のデータを、これらを代表するｐ個の少数のデータで代表することができ、内容を圧縮できる。この様な処理により第１のデータベース１２１のサイズを適性に保つことができる。本実施例でデータ圧縮手段１１３は、第１のデータベース１２１にあらかじめ蓄えられたデータを対象に量子化を行い、その結果を第１のデータベース１２１にコピーすることにより内容の更新を行ったが、時系列に得られる入力を通信Ｉ／Ｆ１０２から直接取り込んで、量子化結果を第１のデータベース１２１に出力する方法でも良い。

図１０にデータ分割手段１１４の処理を示す。データ分割手段１１４は、第１のデータベース１２１の内容を、統計的に隔たりのない複数のデータベースに分割し、これらを第２のデータベース１２２に格納する。本実施例では２つのデータベースに分割する例を示す。まずＳ_10-1で、第１のデータベース１２１に格納されているデータをθ_out の値の大きさにしたがって並び換える。次にＳ_10-2でデータを並びにしたがって抽出し、第２のデータベース１２２の分割データベース１と分割データベース２に交互に振り分ける。すなわち奇数番目のデータの対は分割データベースに、偶数番目のデータの対は分割データベース２に格納するといった形態で、データの分割を行う。分割データベース１１１０１と分割データベース２１１０２から構成される第２の分割データベース１２２の構成は、例えば図１１の形態となっている。Ｓ_10-3で第１のデータベース１２１のすべてのデータの振り分けが終わったことを確認した後、Ｓ_10-4で２つのデータベースの統計的性質に隔たりがないことを明らかにする目的で、θ₀ ，ｔ₁〜ｔ₄，Ｂ，θ_out に関して、統計量を算出し比較する。統計量としては各パラメータについて平均値，分散，中央値等を求め、２つのデータベース間でこれらの差が予め定めた範囲内であることをもって、統計的性質に隔たりがないと判断する。Ｓ_10-5で比較結果を判定し、統計的性質に隔たりがなければ良好なデータ分割が行われたと判断し、処理を終了する。隔たりがあった場合には、Ｓ_10-6で分割データベース１１１０１と分割データベース２１１０２に蓄えられているデータの対、先に求めた統計量を表示してオペレータの選択により分割データベース１と分割データベース２間でデータを交換し、Ｓ_10-4以降の処理を繰り返す。

図１２にモデル構築手段１１５の処理を示す。モデル構築手段１１５は、第１のデータベース１２１，分割データベース１１１０１，分割データベース２１１０２のいずれかを選択し、蓄えられているデータの対から、θ₀，ｔ₁〜ｔ₄，Ｂ を入力、θ_out を出力とする制御モデルを構築する。制御モデルの形態としては多層ニューラルネットの利用等種々考えられるが、本実施例では、回帰モデルを例に説明する。図１２のＳ_12-1で制御モデルの入力を決定する。入力はθ₀ ，ｔ₁〜ｔ₄，Ｂとθ_out の関係を良好に近似できることに配慮して、例えばｌｎ（θ₀），ｌｎ(ｔ₁），ｌｎ(ｔ₂），ｌｎ(ｔ₃），（ｔ₄)²，Ｂのように決定する。次にＳ_12-2でデータベースに格納されているデータを用いて制御モデルを（数１０）のように構築する。

（数１０）
θ_out＝ａ₀＋ａ₁ｌｎ(ｔ₁)＋ａ₂ｌｎ(ｔ₂)＋ａ₃ｌｎ(ｔ₃)＋ａ₄ｔ₄ ²＋ａ₅Ｂ
…（数１０）
ここでａ₀〜ａ₅は、広く知られている線形回帰分析の手法（例えば『回帰分析と主成分分析』日科技連）により一意的に決定できる。本実施例では回帰モデルの構築を例に示したが、θ₀ ，ｔ₁〜ｔ₄，Ｂを入力、θ_out を出力とする多層ニューラルネットでモデルを構築する等、制御モデル構築の手法としては、種々考えられる。

次にモデル評価手段１１６の処理を示す。モデル評価手段１１６は分割データベース
１１１０１を用いて構築した制御モデルの確からしさを分割データベース２１１０２を用いて評価したり、逆に分割データベース２１１０２を用いて構築した制御モデルの確からしさを第１のデータベース１１０１を用いて評価し、その結果をオペレータに報知する。まずＳ_13-1でモデル構築手段１１５を用いてモデルを構築する。以上の処理は図１２と同様である。この結果、例えば（数１０）のような制御モデルが構築できる。Ｓ_13-2でｉを１に設定する。Ｓ_13-3で第２のデータベース１１０２からｉ番目のデータの対を取り出し、入力の組θ₀ 〜Ｂを抽出する。Ｓ_13-4では構築した制御モデル式にこれらを入力し、出力として得られるθ_out の推定値θ_out と、取り出したデータの対のθ_out について差分ΔＥ_iを、（数１１）で計算する。

（数１１）
ΔＥ_i＝｜θ_out−θ_out｜ …（数１１）
Ｓ_13-3〜Ｓ_13-4の処理を、分割データベース２１１０２に未処理のデータの対がなくなるまで繰り返す。Ｓ_13-7で得られた差分を総計し、（数１２）にしたがってモデル誤差
Ｅ_total を算出する。

Ｓ_13-8で処理の終了を判定し、終了していない場合には再度Ｓ_13-1に処理を復帰し、制御モデルの入力を変えて、Ｓ_13-1〜Ｓ_13-7を繰り返す。この結果、種々の入力の組み合わせに対するモデル誤差Ｅ_total が算出できる。図１４にこれを表示したマンマシン装置
１４０の画面例を示す。図１４に示すように、各モデルに対応したモデル誤差Ｅ_total が表示され、オペレータは最もモデル誤差の小さい制御モデルを選択できる。尚、この場合にはＥ_total が最も小さいものをモデル評価手段１１６で求め、最もＥ_total が小さいものを制御モデルと自動的に決定するようにしてもよい。

モデル転送手段１１７は、タスク起動手段１０１を介して授受したオペレータからの指令にしたがって、選択されたモデルを通信Ｉ／Ｆ，ネットワーク１５０を介して制御装置１３０に転送する。

次に本発明の第２の実施例として、図１５に演算手段１１０の機能としてデータ正規化手段１５０１を備えた実施例を示す。データ正規化手段１５０１は図１に示した他の演算手段のタスクと並行して必要に応じて組み込まれる。制御モデルを多層ニューラルネットで構成する場合等では、入出力のデータは０〜１等に正規化して用いることが普通であり、このような場合にタスク起動手段１０１を介したオペレータからの指示により、処理が起動される。データ正規化手段１５０１は、第１のデータベース１２１に蓄えられている各変数のデータをある範囲に正規化し、結果を正規化データベース１５０２に格納する。正規化データベース１５０２は同様にモデル構築に用いられ、データ分割手段１１４による複数のデータベースへの分割等も、同様に行われる。

図１６にデータ正規化手段１５０１の処理アルゴリズムを示す。本実施例では値を０〜１の範囲に正規化する場合を示す。Ｓ_16-1で第１のデータベース１２１のある変数について、その最大値Ｄ_maxとＤ_minを算出する。次にＳ_16-2で、この変数の値を、

（数１３）
Ｄ_i＝（Ｄ_i−Ｄ_min）／（Ｄ_max−Ｄ_min） …（数１３）
により新たな値に更新する。これによりＤ_i は最小値が０、最大値が１となり、すべてのデータが０〜１の間の値となる。Ｓ_16-3で正規化していない変数があるかどうかを判定し、ある場合には正規化していない変数がなくなるまでＳ_16-1〜Ｓ_16-2処理を繰り返す。

本実施例では制御モデル構築支援装置１００と制御装置１３０を別構成とし、ネットワーク１５０を介して結合する構成としたが、一体化してもよい。また演算手段１１０のタスクは必要に応じて取捨選択してもよいし、さらに他の機能を有したタスクを定義することも容易である。制御対象１７０として本実施例では加熱炉プラントを例に説明したが、制御対象の入力と出力の関係をモデル化して制御に用いる他の用途にも、本願は広く用いることができる。またデータ圧縮手段の処理としてベクトル量子化手法を適用した例を示したが、データベースの各変数の平均や分散等の統計的な性質を監視しながら、これに影響を与えないようにデータの間引きを行う等でも同様の効果を実現できる。

本発明において実現された制御モデル構築支援装置。 タスク起動手段の処理アルゴリズム。 データ収集手段の処理アルゴリズム。 データベースの構成図。 データ定量化手段の処理構成図。 データ定量化手段の処理アルゴリズム。 マンマシン装置の表示例。 データ圧縮手段の処理構成図。 量子化アルゴリズムの処理図。 データ分割手段の処理アルゴリズム。 分割データベースの構成図。 モデル構築手段の処理アルゴリズム。 モデル評価手段の処理アルゴリズム。 マンマシン装置の表示例。 データ正規化手段を設けた制御モデル構築支援装置の構成図。 データ正規化手段の処理アルゴリズム。

符号の説明

１００…制御モデル構築支援装置、１０１…タスク起動手段、１１１…データ収集手段、１１２…データ定量化手段、１１３…データ圧縮手段、１１４…データ分割手段、115…モデル構築手段、１１６…モデル評価手段、１１７…モデル転送手段、１２１…第１のデータベース、１２２…第２のデータベース、１３０…制御装置、１４０…マンマシン装置、１７０…制御対象。

Claims (10)

1. 制御対象から収集したデータを該制御対象を模擬する制御モデルへの入力データ及び出力データとして分離すると共に該入力データと該出力データを対応づけて複数のデータを第１のデータベースに格納するデータ収集手段と、
   前記第１のデータベースに格納された複数のデータを統計的に隔たりのない複数のデータ群に分離するデータ分割手段と、
   該分離された複数のデータ群をそれぞれ格納する複数のデータベースを有する第２のデータベースと、
   前記第１又は前記第２のデータベースに格納されたデータに基づいて前記制御対象を模擬する制御モデルを構築するモデル構築手段と、
   該モデル構築手段で構築された前記制御モデルを前記第１又は前記第２のデータベースに格納されたデータに基づいて評価するモデル評価手段を備えたことを特徴とする制御モデル構築支援装置。
2. 前記モデル構築手段は前記第２のデータベースが有する該複数のデータベースのうち一のデータベースに格納された複数のデータに基づいて前記制御対象を模擬する制御モデルを構築し、
   前記モデル評価手段は該第２のデータベースが有する複数のデータベースのうち前記モデル構築手段で利用されていない他のデータベースに格納されているデータに基づいて前記制御モデルの評価を行うことを特徴とした請求項第１項のモデル構築支援装置。
3. 前記データ収集手段は前記分離した前記出力データが検出された時刻に基づいて、該出力データに対応づけるべき入力データが収集される時刻を決定すると共に、該決定された時刻に収集される入力データと該出力データとを対にして前記第１のデータベースに格納することを特徴とする請求項第１項の制御モデル構築支援装置。
4. 制御対象から収集したデータを該制御対象を模擬する制御モデルへの入力データ及び出力データとして分離し、該分離した前記出力データが検出された時刻に基づいて、該出力データに対応づけるべき入力データが収集される時刻を決定すると共に、該決定された時刻に収集される入力データと該出力データとを対にして前記第１のデータベースに格納するデータ収集手段と、
   前記第１のデータベースに対にして格納された前記入力データ及び前記出力データに基づいて前記制御対象を模擬する制御モデルを構築するモデル構築手段とを備えたことを特徴とする制御モデル構築支援装置。
5. 制御対象から収集したデータを該制御対象を模擬する制御モデルへの入力データ及び出力データとして分離すると共に該入力データと該出力データを対応づけて複数のデータを第１のデータベースに格納するデータ収集手段と、
   前記第１のデータベースに格納された複数のデータを統計的に隔たりのない複数のデータ群に分離するデータ分割手段と、
   該分離された複数のデータ群をそれぞれ格納する複数のデータベースを有する第２のデータベースと、
   前記第１又は前記第２のデータベースに格納されたデータに基づいて前記制御対象を模擬する制御モデルを構築するモデル構築手段とを備えたことを特徴とする制御モデル構築支援装置。
6. 前記データ分割手段は、前記分離された複数のデータ群のそれぞれについて平均値，分散値，中央値，標準偏差等の統計量を算出し、該算出した値の差があらかじめ設定した値以上の場合に、前記第２のデータベースが有する複数のデータベース間で該データベースに格納された一部のデータを交換することを特徴とする請求項第６項の制御モデル構築支援装置。
7. 制御対象から収集した複数のデータをデータベースに格納し、該データベースに格納された複数のデータに基づいて該制御対象を模擬する制御モデル構築支援装置において、
   前記制御モデルの入出力領域を複数の部分領域に分割し、該分割した部分領域に従って前記データベースに格納された複数のデータを分離すると共に該分離した結果、予め定めたデータ数より少ない領域をオペレータに報知するデータ定量化手段を備えたことを特徴とする制御モデル構築支援装置。
8. 制御対象から収集した複数のデータをデータベースに格納し、該データベースに格納された複数のデータに基づいて該制御対象を模擬する制御モデル構築支援装置において、
   前記データベースに格納されているデータから該データを代表する少数のデータの組み合わせを決定し、該少数のデータの組み合わせを前記データベースに格納するデータ圧縮手段を備えたことを特徴とする制御モデル構築支援装置。
9. 制御対象から収集したデータを該制御対象を模擬する制御モデルへの入力データ及び出力データとして分離し、該分離した前記出力データが検出された時刻に基づいて、該出力データに対応づけるべき入力データが収集される時刻を決定すると共に、該決定された時刻に収集される入力データと該出力データとを対にして前記第１のデータベースに格納するデータ収集手段と、
   前記第１のデータベースに格納された複数のデータを統計的に隔たりのない複数のデータ群に分離するデータ分割手段と、
   該分離された複数のデータ群をそれぞれ格納する複数のデータベースを有する第２のデータベースと、
   前記第１又は前記第２のデータベースに格納されたデータに基づいて前記制御対象を模擬する制御モデルを構築するモデル構築手段と、
   該モデル構築手段で構築された前記制御モデルを前記第１又は前記第２のデータベースに格納されたデータに基づいて評価するモデル評価手段と、
   前記制御モデルの入出力領域を複数の部分領域に分割し、該分割した部分領域に従って前記データベースに格納された複数のデータを分離すると共に該分離した結果、予め定めたデータ数より少ない領域をオペレータに報知するデータ定量化手段と、
   前記第１又は前記第２のデータベースに格納されているデータから該データを代表する少数のデータの組み合わせを決定し、該少数のデータの組み合わせを前記第１又は第２のデータベースに格納するデータ圧縮手段と、
   外部からの入力信号により該収集手段，該データ分割手段，該モデル構築手段，該モデル評価手段，該データ定量化手段，該データ圧縮手段を独立して起動及び終了の管理を行う管理手段とを備えたことを特徴とする制御モデル構築支援装置。
10. 制御対象から収集したデータを該制御対象を模擬する制御モデルへの入力データ及び出力データとして分離すると共に該入力データと該出力データを対応づけて複数のデータを第１のデータベースに格納し、
    前記第１のデータベースに格納された複数のデータを統計的に隔たりのない複数のデータ群に分離すると共に該分離された複数のデータ群を複数のデータベースを有する第２のデータベースにそれぞれ格納し、
    前記第１又は前記第２のデータベースに格納されたデータに基づいて前記制御対象を模擬する制御モデルを構築し、
    該モデル構築手段で構築された前記制御モデルを前記第１又は前記第２のデータベースに格納されたデータに基づいて評価することを特徴とする制御モデル構築支援方法。

Images