JP2011059779A - プラント制御装置とプラント制御方法 - Google Patents
プラント制御装置とプラント制御方法 Download PDFInfo
- Publication number
- JP2011059779A JP2011059779A JP2009205936A JP2009205936A JP2011059779A JP 2011059779 A JP2011059779 A JP 2011059779A JP 2009205936 A JP2009205936 A JP 2009205936A JP 2009205936 A JP2009205936 A JP 2009205936A JP 2011059779 A JP2011059779 A JP 2011059779A
- Authority
- JP
- Japan
- Prior art keywords
- data
- output
- input
- gmdh
- octane number
- 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
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
【課題】 実績ある従来のモデル式を活かし、品質管理における信頼性を維持しながら、予測精度を向上させるプラント制御装置を提供する。
【解決手段】 入出力関係を汎化した所定のモデル式を用いて、複数の入力データから出力データRを予測するモデル予測手段101と、モデル予測手段101からの出力データRを近似データR´に補正するGMDH補正手段102と、を備え、GMDH補正手段102は、入力データからGMDH手法を用いて補正値を推定する構成としてある。
【選択図】 図2
【解決手段】 入出力関係を汎化した所定のモデル式を用いて、複数の入力データから出力データRを予測するモデル予測手段101と、モデル予測手段101からの出力データRを近似データR´に補正するGMDH補正手段102と、を備え、GMDH補正手段102は、入力データからGMDH手法を用いて補正値を推定する構成としてある。
【選択図】 図2
Description
本発明は、入力変数を操作して出力変数を所定の値に維持するプラントの制御装置と制御方法に関し、特に、非線形特性を有する制御対象において、入力データから出力データを予測して、入力変数を操作するプラント制御装置とプラント制御方法に関する。
プラントでは、プラントに流入、流出するエネルギーや原料などの入力変数を制御して、圧力、温度、液レベル、流量、組成などの出力変数を所定の値に誘導し維持することによって、所望する量と質の製品を製造することが行われている。
例えば、ガソリンを製造するプラントにおいては、原油を蒸留した基材留分を脱硫、接触分解、接触改質等により精製するとともに、精製して得られた複数種類のガソリン基材を、所定の混合比率でブレンドして所望の性状を有する製品ガソリンを製造する。この場合は、製品ガソリンの有する性状が出力変数であり、所定の混合比率を入力変数として操作することで、製品ガソリンの品質を維持するようになっている。
例えば、ガソリンを製造するプラントにおいては、原油を蒸留した基材留分を脱硫、接触分解、接触改質等により精製するとともに、精製して得られた複数種類のガソリン基材を、所定の混合比率でブレンドして所望の性状を有する製品ガソリンを製造する。この場合は、製品ガソリンの有する性状が出力変数であり、所定の混合比率を入力変数として操作することで、製品ガソリンの品質を維持するようになっている。
出力変数となる性状にはオクタン価も含まれ、ガソリン基材をブレンドする製品ラインでは、各ガソリン基材のオクタン価と、それらの混合比率に基づいて製品ガソリンのオクタン価を予測し、この予測結果に応じて各基材の混合比率を調節することで、所望のオクタン価を有する製品ガソリンが製造されるようになっている。
製品ガソリンのオクタン価の予測は、経験則に基づいて構築されたモデル式によって行われる。
このモデル式には、ガソリン基材のオクタン価とその混合比率とを加重平均する加重平均モデルや、過去に蓄積した実測データに基づいて、各基材のおもみ係数を決定する線形回帰分析モデルを採用することができる。
ところが、製品ガソリンのオクタン価は、ブレンドする基材の種類、各基材のオクタン価、基材の混合比率によって複雑に変動し、加成性がなく、混合特性は非線形性を有していることが知られているため、上記のような線形性のモデル式では予測可能な入力変数の範囲が限定され、汎化精度の向上が要求されていた。
このようなオクタン価の非線形性に着目して、モデル式にニューラルネットワークを適用した発明が提案されている(例えば、特許文献1)。
このモデル式には、ガソリン基材のオクタン価とその混合比率とを加重平均する加重平均モデルや、過去に蓄積した実測データに基づいて、各基材のおもみ係数を決定する線形回帰分析モデルを採用することができる。
ところが、製品ガソリンのオクタン価は、ブレンドする基材の種類、各基材のオクタン価、基材の混合比率によって複雑に変動し、加成性がなく、混合特性は非線形性を有していることが知られているため、上記のような線形性のモデル式では予測可能な入力変数の範囲が限定され、汎化精度の向上が要求されていた。
このようなオクタン価の非線形性に着目して、モデル式にニューラルネットワークを適用した発明が提案されている(例えば、特許文献1)。
しかしながら、このような製品ガソリンの性状管理を含めた品質管理では、信頼性が重視され、長年の経験に基づいて成立しているため、新規な手法の導入に対しては製品保証の観点から保守的にならざるを得ない。そのため、信頼性を獲得し、実績ある従来のモデル式を活かしつつ、オクタン価の非線形性を補完する手法が望まれていた。
本発明は、上述したような問題を解決するために提案されたものであり、従来のモデル式で算出される出力データを、非線形近似能力に優れたGMDH手法により算出される補正値で補正することで、従来のモデル式を尊重しつつ、制御対象の非線形特性を補完するプラント制御装置とプラント制御方法の提供を目的とする。
上記目的を達成するため、本発明のプラント制御装置は、入出力関係を汎化した所定のモデル式を用いて、複数の入力データから出力データを予測する予測手段と、前記予測手段からの前記出力データを補正する補正手段と、を備え、前記補正手段は、前記入力データからGMDH手法を用いて補正値を推定する構成としてある。
また、本発明のプラント制御方法は、入出力関係を汎化した所定のモデル式を用いて、複数の入力データから出力データを予測する第一のステップと、前記予測手段からの前記出力データを補正する第二のステップと、を有し、第二のステップは、前記入力データからGMDH手法を用いて補正値を推定するステップを含むプラント制御方法となっている。
本発明のプラント制御装置とプラント制御方法によれば、実績のある従来のモデル式を活かしつつ、制御対象の非線形特性を補完するので、品質管理における信頼性を維持しながら、予測精度を向上させることができる。
以下、本発明に係るプラント制御装置とプラント制御方法の好ましい実施形態について、図1〜5を参照して説明する。
本実施形態に係る制御装置10を備えるガソリン製造プラント1は、性状の異なる複数のガソリン基材1〜mを混合してガソリンを製造するプラントとして構成されている。
具体的には、ガソリン製造プラント1は、図1に示すように、原油を蒸留して、基材留分を抽出するとともに、この基材留分を脱硫、接触分解、接触改質等により精製する工程を経て得られた各ガソリン基材1〜mを貯留するタンク2と、これらの基材1〜mを混合するブレンド装置7(インラインブレンダ)と、タンク2からブレンド装置7に基材1〜mを送出するポンプ4と、混合した製品ガソリンを貯留するタンク9と、を備えている。
具体的には、ガソリン製造プラント1は、図1に示すように、原油を蒸留して、基材留分を抽出するとともに、この基材留分を脱硫、接触分解、接触改質等により精製する工程を経て得られた各ガソリン基材1〜mを貯留するタンク2と、これらの基材1〜mを混合するブレンド装置7(インラインブレンダ)と、タンク2からブレンド装置7に基材1〜mを送出するポンプ4と、混合した製品ガソリンを貯留するタンク9と、を備えている。
また、タンク2とブレンド装置7間の各流路には、タンク2から流出する各基材1〜mの性状を測定する基材性状分析計3と、ブレンド装置7に流入する各基材1〜mの流量を測定する流量計5と、各基材1〜mの流路を開閉するコントロールバルブ6とが設けられ、ブレンド装置7とタンク9間の流路には、タンク9に流入する製品ガソリンの性状を測定する製品性状分析計8が設けられている。
制御装置10は、コンピュータを備える情報処理装置であり、基材性状分析計3、ポンプ4、流量計5、コントロールバルブ6、製品性状分析計8などと接続され、基材性状分析計3、流量計5、製品性状分析計8から入力される基材性状、基材流量、製品性状に基づいて、設定した品質(目標製品性状)の製品ガソリンが得られるように、コントロールバルブ6の開度を制御して、各基材1〜mの混合比率を調整する、いわゆるDCS(Distributed Control System)として構成されている。
また、制御装置10は、図2に示すように、製品ガソリンの性状を予測する複数の予測部10a,10b・・・と、所定の制約条件に基づいて最適混合比率を探索してコントロールバルブ6を制御する最適化制御手段108と、を備えている。
予測部10aは、製品ガソリンのオクタン価、予測部10bは、製品ガソリンの比重(DEN)、図示しないその他の予測部では、例えば、リード蒸気圧(RVP)等の製品ガソリンのその他の性状を予測するようになっている。
以下、本実施形態では、オクタン価を予測する予測部10aについて詳述する。
なお、オクタン価には、MON(モータ法オクタン価)やRON(リサーチ法オクタン価)等の種々の基準があるが、RONを採用することにする。
予測部10aは、製品ガソリンのオクタン価、予測部10bは、製品ガソリンの比重(DEN)、図示しないその他の予測部では、例えば、リード蒸気圧(RVP)等の製品ガソリンのその他の性状を予測するようになっている。
以下、本実施形態では、オクタン価を予測する予測部10aについて詳述する。
なお、オクタン価には、MON(モータ法オクタン価)やRON(リサーチ法オクタン価)等の種々の基準があるが、RONを採用することにする。
予測部10aは、演算手段100と、モデル予測手段101と、GMDH補正手段102と、出力切替手段103と、位相調整手段104と、フィルター手段と、比較手段105,107と、を備えている。
演算手段100は、流量計5から入力される各基材流量に基づいて各基材の混合比率を算出する。具体的には、演算手段100は、各基材流量を合計し、この合計値に対する各基材流量の占める比率から各基材の混合比率を算出する。
演算手段100は、流量計5から入力される各基材流量に基づいて各基材の混合比率を算出する。具体的には、演算手段100は、各基材流量を合計し、この合計値に対する各基材流量の占める比率から各基材の混合比率を算出する。
モデル予測手段101は、本発明の予測手段の一例であり、演算手段100で算出された各基材の混合比率を入力データとして、所定のモデル式を用いてブレンド装置7で混合された製品ガソリンのオクタン価を予測し、予測データを出力する。このオクタン価を予測するモデル式を図3に示す。
図3に示すように、モデル式は、各基材1〜mのRONと、各基材1〜mの混合比率Xが入力されることで、製品ガソリンのRONmix(予測オクタン価R)を出力する。
モデル式としては、同図に示すように、各基材のRONと混合比率Xとの加重平均により、製品ガソリンのオクタン価RONmixを算出する加重平均モデル101aと、各基材のRONと混合比率Xとの関係を指数関数で表したインデックスモデル101bと、が設けられている。
これらのモデル式は、製品ガソリンのオクタン価を予測する近似式として従来から採用され、品質管理上の信頼を獲得している。
モデル式としては、同図に示すように、各基材のRONと混合比率Xとの加重平均により、製品ガソリンのオクタン価RONmixを算出する加重平均モデル101aと、各基材のRONと混合比率Xとの関係を指数関数で表したインデックスモデル101bと、が設けられている。
これらのモデル式は、製品ガソリンのオクタン価を予測する近似式として従来から採用され、品質管理上の信頼を獲得している。
加重平均モデル101aは、入力データと出力データとが比例関係を有している場合に適している。
一方、インデックスモデル101bは、入力データと出力データとが指数関数的な関係を有する場合に適している。このインデックスモデル101bにおける係数K1〜K3は、過去の実測データから線形回帰分析によって求めた基材毎の重み係数である。
一方、インデックスモデル101bは、入力データと出力データとが指数関数的な関係を有する場合に適している。このインデックスモデル101bにおける係数K1〜K3は、過去の実測データから線形回帰分析によって求めた基材毎の重み係数である。
予測対象となる製品ガソリンのオクタン価は、混合させる基材の種類、各基材のオクタン価、混合比率によって複雑に変動し、加成性がなく、混合特性は非線形性を有している。このような非線形特性を有するオクタン価を予測する場合において、加重平均モデル101aは、入力データと出力データとが比例関係を有する一部の入出力範囲のみ適用可能であるものの、幅広い入出力範囲を汎化する近似式としてはあまり実用的ではない。
そこで、本実施形態では、インデックスモデル101bをモデル予測手段101として適用し、このインデックスモデル101bに、予め定められた各基材1〜mのRONと、流量計5で測定された流量から演算手段100により求められる各基材1〜mの混合比率Xを入力して、製品ガソリンのRONmix(予測オクタン価R)を出力する。
そこで、本実施形態では、インデックスモデル101bをモデル予測手段101として適用し、このインデックスモデル101bに、予め定められた各基材1〜mのRONと、流量計5で測定された流量から演算手段100により求められる各基材1〜mの混合比率Xを入力して、製品ガソリンのRONmix(予測オクタン価R)を出力する。
GMDH補正手段102は、本発明の補正手段の一例であり、種子の品種改良を模した発見的モデリング手法で、入出力データの関係を予測するGMDH(Group Method Data Handling)102aを備えている。
GMDH102aは、図4に示すように、N−Adaline(以下、NAD)と称される部分多項式を階層的に組合せ、非線形モデル式を構築するもので、複数の入力データのうちどの入力データが出力データに密接に関係するかを評価できない場合に適した予測モデルとして知られており、例えば、「日本ファジィ学会誌 vol.17,No2,pp.270-274(1995)」や、「システムと制御 vol.23,No12,pp.710-717(1979)」に詳しく解説されている。
本実施形態で採用するGMDHは、パーセプトロン型のGMDHであり、予め蓄積した実測データに基づいて構築されたものである。以下に、その構築手法について、簡単に説明する。
GMDH102aは、図4に示すように、N−Adaline(以下、NAD)と称される部分多項式を階層的に組合せ、非線形モデル式を構築するもので、複数の入力データのうちどの入力データが出力データに密接に関係するかを評価できない場合に適した予測モデルとして知られており、例えば、「日本ファジィ学会誌 vol.17,No2,pp.270-274(1995)」や、「システムと制御 vol.23,No12,pp.710-717(1979)」に詳しく解説されている。
本実施形態で採用するGMDHは、パーセプトロン型のGMDHであり、予め蓄積した実測データに基づいて構築されたものである。以下に、その構築手法について、簡単に説明する。
例えば、m個の入力変数x1〜xmと、この入力変数に対する出力変数yと、からなるN組の実測データ(x1〜xm,y)×Nを、モデル構築用の実測データとして予め用意する。
そして、このN組の実測データを学習用データと評価用データとに分ける。
このときの分け方として、実測データを、データの並び順に学習用データと評価用データを交互に分けたり、乱数を用いて無作為に分けることもできる。
そして、このN組の実測データを学習用データと評価用データとに分ける。
このときの分け方として、実測データを、データの並び順に学習用データと評価用データを交互に分けたり、乱数を用いて無作為に分けることもできる。
次に、学習用データを用いて、第一階層において、m個の入力変数x1〜xmの中から2つの入力変数を無作為に取り出し、図5に示す構成からなる部分多項式NADを生成する。
具体的には、次式(数式1)に示す部分多項式
zk=w0kxp+w1kxp 2+w2kxpxq+w3kxq 2+w4kxq+w5・・・(数式1)
を生成する。
ここで、zは中間変数、p,q=1〜m、w0〜w5は係数であり、zkは、k番目の部分多項式の出力を示している。
数式1にxp,xqに対応する学習用データを代入して、そのとき出力される中間変数zkと出力変数y(実測データ)との二乗誤差和が最小となるように、w0〜w5を回帰分析により決定する。そして、第一階層における全ての部分多項式NADの係数w0〜w5を決定する。
具体的には、次式(数式1)に示す部分多項式
zk=w0kxp+w1kxp 2+w2kxpxq+w3kxq 2+w4kxq+w5・・・(数式1)
を生成する。
ここで、zは中間変数、p,q=1〜m、w0〜w5は係数であり、zkは、k番目の部分多項式の出力を示している。
数式1にxp,xqに対応する学習用データを代入して、そのとき出力される中間変数zkと出力変数y(実測データ)との二乗誤差和が最小となるように、w0〜w5を回帰分析により決定する。そして、第一階層における全ての部分多項式NADの係数w0〜w5を決定する。
次に、評価用データを用いて、生成した部分多項式NADを評価する。
具体的には、生成した部分多項式NADに評価用データを代入し、出力変数y(実測データ)と中間変数zkとの二乗誤差和を算出するとともに、この値が小さい部分多項式NADを残し、残りの部分多項式NADを捨てる取捨選択を行う。
そして、残った部分多項式NADの中間変数zkを次の第二層における入力変数とみなし、以後、部分多項式NADの生成と評価・取捨を進めながら階層を積み上げ、出力変数yとある部分多項式NADの中間変数zkとの二乗誤差和が前階層の二乗誤差和を上回ったときに進化の成長を止め、GMDHの構築を終了する。
具体的には、生成した部分多項式NADに評価用データを代入し、出力変数y(実測データ)と中間変数zkとの二乗誤差和を算出するとともに、この値が小さい部分多項式NADを残し、残りの部分多項式NADを捨てる取捨選択を行う。
そして、残った部分多項式NADの中間変数zkを次の第二層における入力変数とみなし、以後、部分多項式NADの生成と評価・取捨を進めながら階層を積み上げ、出力変数yとある部分多項式NADの中間変数zkとの二乗誤差和が前階層の二乗誤差和を上回ったときに進化の成長を止め、GMDHの構築を終了する。
GMDH102aは、このように階層的に積み上げられた部分多項式NADの組合せで構成され、第一階層にある各部分多項式NADに、未学習の入力データX1〜Xmを入力するとともに、各部分多項式NADから出力される中間データZkを、さらに、上位層にある各部分多項式NADに入力することを繰り返し、最高階層の部分多項式NADから出力されるものが、未学習の入力データに対する出力データYとなる。
本実施形態に係るGMDH102aは、以下のように構築する。
まず、オクタン価既知の基材1〜mを混合したN組(例えば、500)の混合試料を作り、各混合試料における基材の混合比率x1〜xmと、この混合試料の実測オクタン価rとを予め求めておく。
そして、混合比率x1〜xmと、この混合比率x1〜xmをインデックスモデル101bに入力して得られる予測オクタン価Rに対する混合試料の実測オクタン価rが占める比率y(=r/R)を、N組(例えば、500)の実測データ(x1〜xm,y)×Nとし、この実測データに基づいてGMDH102aの構築を試みる。
まず、オクタン価既知の基材1〜mを混合したN組(例えば、500)の混合試料を作り、各混合試料における基材の混合比率x1〜xmと、この混合試料の実測オクタン価rとを予め求めておく。
そして、混合比率x1〜xmと、この混合比率x1〜xmをインデックスモデル101bに入力して得られる予測オクタン価Rに対する混合試料の実測オクタン価rが占める比率y(=r/R)を、N組(例えば、500)の実測データ(x1〜xm,y)×Nとし、この実測データに基づいてGMDH102aの構築を試みる。
具体的には、この実測データ(500)を、学習用データ(300)と評価用データ(200)とに分け、上述の手法に基づいてGMDHを構築する。この際には、過学習とならないように、低階層域(例えば、3〜4階層)で構築する。
このようにして構築されたGMDH102aは、混合される基材同士の干渉により生じる混合特性の非線形性が加味されたものとなっている。
そして、このGMDH102aに、演算手段100により算出される、流量計6で測定された流量に基づく各基材の混合比率X1〜Xm(未学習データ)を入力することで、インデックスモデル101bから出力される予測オクタン価Rを実測データに近似させるための補正値(比率Y)が出力されることになる。
このようにして構築されたGMDH102aは、混合される基材同士の干渉により生じる混合特性の非線形性が加味されたものとなっている。
そして、このGMDH102aに、演算手段100により算出される、流量計6で測定された流量に基づく各基材の混合比率X1〜Xm(未学習データ)を入力することで、インデックスモデル101bから出力される予測オクタン価Rを実測データに近似させるための補正値(比率Y)が出力されることになる。
すなわち、GMDH補正手段102は、各基材の混合比率をインデックスモデル101bに入力して得られる予測オクタン価Rに、同じ各基材の混合比率をGMDH102aに入力して得られる補正値(比率Y)を乗じることで、予測オクタン価Rを、近似オクタン価R´に補正するようになっている。
このようにして得られる近似オクタン価R´は、制御対象の非線形特性が加味されたものとなり、信頼性を獲得し、実績のある従来のモデル式による予測を尊重しつつ、制御対象の非線形特性を補完したものとなっている。
なお、補正値Yは、インデックスモデル101bから得られる予測オクタン価Rに対する実測オクタン価rが占める比率から求めたが、これらの差分から求めることもできる。この場合には、予測オクタン価Rに、補正値(差分Y)を加算することで、近似オクタン価R´に補正することができる。
このようにして得られる近似オクタン価R´は、制御対象の非線形特性が加味されたものとなり、信頼性を獲得し、実績のある従来のモデル式による予測を尊重しつつ、制御対象の非線形特性を補完したものとなっている。
なお、補正値Yは、インデックスモデル101bから得られる予測オクタン価Rに対する実測オクタン価rが占める比率から求めたが、これらの差分から求めることもできる。この場合には、予測オクタン価Rに、補正値(差分Y)を加算することで、近似オクタン価R´に補正することができる。
出力切替手段103は、選択手段の一例であり、出力する予測データを、インデックスモデル101bから出力される予測オクタン価Rか、GMDH補正手段102から出力される近似オクタン価R´かのいずれかを選択して出力する。
出力切替手段103は、例えば、基材性状分析計3及び流量計5から入力される各基材性状と各基材流量の入力データを監視し、この入力データが所定の数値範囲であれば、インデックスモデル101bから出力される予測オクタン価Rを選択し、これ以外のときは、GMDH補正手段102から出力される近似オクタン価R´を選択する。
出力切替手段103は、例えば、基材性状分析計3及び流量計5から入力される各基材性状と各基材流量の入力データを監視し、この入力データが所定の数値範囲であれば、インデックスモデル101bから出力される予測オクタン価Rを選択し、これ以外のときは、GMDH補正手段102から出力される近似オクタン価R´を選択する。
このように出力切替手段103を設けることで、予測データを、制御対象の入出力特性に応じて、従来のモデル式からの出力データ、又はGMDH102aで補正した出力データのいずれかに選択することができる。
また、過去の実績を重視するのであれば、従来モデル式からの出力データを選択し、制御対象の非線形特性を重視するのであれば、従来モデル式を活かしつつ、GMDH102aで補正した出力データを選択することもできるので、適用可能な制御対象の範囲を拡張することができる。
また、過去の実績を重視するのであれば、従来モデル式からの出力データを選択し、制御対象の非線形特性を重視するのであれば、従来モデル式を活かしつつ、GMDH102aで補正した出力データを選択することもできるので、適用可能な制御対象の範囲を拡張することができる。
位相調整手段104と、フィルター手段106と、比較手段105,107は、出力切替手段103で選択した予測データの位相を、基材性状分析計8から入力される製品性状の位相に合わせて、予測データと製品性状との誤差を求めるとともに、予測データにその誤差を含めて最適化制御手段108に出力する。
基材性状分析計3と製品性状分析計8は、簡易な蒸留点分析計や、エンジンを用いたRON分析計からなり、サンプリングから測定値の出力までに遅れ時間が存在し(例えば、10分〜15分)、その間に製品性状が変動してしまう。
そこで、予測データの位相を製品性状の位相に合わせ、比較手段105でその誤差を求めるとともに、フィルター手段106(確率近似フィルター)で、誤差のばたつきを抑え、さらに、比較手段107において、予測データに求めた誤差を含めて最適化制御手段108に出力する。
ここで出力されるテータは、予測データと測定値との誤差をバイアスとして加えたものであるため、予測データと測定値との位相差、製品性状分析計8による測定時間の遅れが解消され、制御性能を高めることができる。
基材性状分析計3と製品性状分析計8は、簡易な蒸留点分析計や、エンジンを用いたRON分析計からなり、サンプリングから測定値の出力までに遅れ時間が存在し(例えば、10分〜15分)、その間に製品性状が変動してしまう。
そこで、予測データの位相を製品性状の位相に合わせ、比較手段105でその誤差を求めるとともに、フィルター手段106(確率近似フィルター)で、誤差のばたつきを抑え、さらに、比較手段107において、予測データに求めた誤差を含めて最適化制御手段108に出力する。
ここで出力されるテータは、予測データと測定値との誤差をバイアスとして加えたものであるため、予測データと測定値との位相差、製品性状分析計8による測定時間の遅れが解消され、制御性能を高めることができる。
最適化制御手段108は、各予測部10a、10b・・・から出力された予測データと所定の制約条件に基づいて最適化計算を行い、制約条件に合致する混合比率を探索し、コントロールバルブ6の開度を制御する。
制約条件には、目標製品性状(オクタン価RON、比重DEN、リード蒸気圧RVP)のほか、製造コストも含まれる。最適化制御手段108では、目標製品性状を満足する混合比率を探索するとともに、制約条件下において、製品価格が最も安価となる混合比率を最適化計算により繰り返し探索する。
制約条件には、目標製品性状(オクタン価RON、比重DEN、リード蒸気圧RVP)のほか、製造コストも含まれる。最適化制御手段108では、目標製品性状を満足する混合比率を探索するとともに、制約条件下において、製品価格が最も安価となる混合比率を最適化計算により繰り返し探索する。
このように構成された本実施形態のガソリン製造プラント1は、以下に示す手順で製品ガソリンを製造する。
制御装置10は、各ポンプ4を駆動させるとともに、目標製品性状となる開度に各コントロールバルブ6を開閉し、各タンク2からブレンド装置7に基材1〜mを供給する。ブレンド装置7で混合された基材1〜mは、製品ガソリンとしてタンク9に貯留される。
この際に、制御装置10は、演算手段100により流量計6から入力される各基材1〜mの流量に基づいて各基材1〜mの混合比率を算出し、この混合比率をモデル予測手段101とGMDH補正手段102に入力する。
制御装置10は、各ポンプ4を駆動させるとともに、目標製品性状となる開度に各コントロールバルブ6を開閉し、各タンク2からブレンド装置7に基材1〜mを供給する。ブレンド装置7で混合された基材1〜mは、製品ガソリンとしてタンク9に貯留される。
この際に、制御装置10は、演算手段100により流量計6から入力される各基材1〜mの流量に基づいて各基材1〜mの混合比率を算出し、この混合比率をモデル予測手段101とGMDH補正手段102に入力する。
モデル予測手段101は、入力された混合比率と予め定められた基材オクタン価RONとから予測オクタン価Rを出力する(第一ステップ)。
また、GMDH補正手段102は、この混合比率をGMDH102aに入力して補正値Yを算出し、予測オクタン価Rに補正値(比率Y)を乗じた近似オクタン価R´を出力する(第二ステップ)。
出力切替手段103は、基材性状分析計3から入力される各基材性状や、流量計5から入力される各基材流量に応じて、予測オクタン価R又は近似オクタン価R´のいずれかを予測データとして選択する。
制御装置10は、この選択した予測データと製品性状とを比較し、最も安価なコストで目標製品性状の製品ガソリンが得られるように、最適化計算を行い、各コントロールバルブ6の開度を調整する。
また、GMDH補正手段102は、この混合比率をGMDH102aに入力して補正値Yを算出し、予測オクタン価Rに補正値(比率Y)を乗じた近似オクタン価R´を出力する(第二ステップ)。
出力切替手段103は、基材性状分析計3から入力される各基材性状や、流量計5から入力される各基材流量に応じて、予測オクタン価R又は近似オクタン価R´のいずれかを予測データとして選択する。
制御装置10は、この選択した予測データと製品性状とを比較し、最も安価なコストで目標製品性状の製品ガソリンが得られるように、最適化計算を行い、各コントロールバルブ6の開度を調整する。
以上のように本実施形態に係るガソリン製造プラント1を制御する制御装置10とその制御方法によれば、実績のある従来のモデル式を活かしつつ、制御対象の非線形特性を補完するので、品質管理における信頼性を維持しながら、予測精度を向上させることができる。
以上、本発明のプラント制御装置とプラント制御方法の好ましい実施形態について説明したが、本発明に係るプラント制御装置とプラント制御方法は上述した実施形態にのみ限定されるものではなく、本発明の範囲で種々の変更実施が可能であることはいうまでもない。
例えば、本実施形態では、混合ガソリンのオクタン価を予測したが、ポリマーの特性(メルトインデックス)、接触改質装置のRON予測、接触改質装置のトータルアロマ、FCC装置のガソリンRON予測、灯油のフラッシュポイント、ナフサのRVP(リード蒸気圧)、脱硫装置の出口硫黄濃度予測などに広く適用できる。
本発明は、既存のモデル式に基づいて出力変数を予測し、入力変数を制御する制御対象に広く利用することができる。
1 ガソリン製造プラント
2 タンク(基材)
3 基材性状分析計
4 ポンプ
5 流量計
6 コントロールバルブ
7 ブレンド装置
8 製品性状分析計
9 タンク(製品)
10 制御装置
10a,10b 予測部
100 演算手段
101 モデル予測手段(予測手段)
101a 加重平均モデル
101b インデックスモデル
102 GMDH補正手段(補正手段)
102a GMDH
103 出力切替手段(選択手段)
2 タンク(基材)
3 基材性状分析計
4 ポンプ
5 流量計
6 コントロールバルブ
7 ブレンド装置
8 製品性状分析計
9 タンク(製品)
10 制御装置
10a,10b 予測部
100 演算手段
101 モデル予測手段(予測手段)
101a 加重平均モデル
101b インデックスモデル
102 GMDH補正手段(補正手段)
102a GMDH
103 出力切替手段(選択手段)
Claims (5)
- 入出力関係を汎化した所定のモデル式を用いて、複数の入力データから出力データを予測する予測手段と、
前記予測手段からの前記出力データを補正する補正手段と、を備え、
前記補正手段は、前記入力データからGMDH手法を用いて補正値を推定することを特徴とするプラント制御装置。 - 前記入力データは、オクタン価が異なる複数のガソリン基材の混合比率であり、前記出力データは、前記複数のガソリン基材を混合した混合ガソリンのオクタン価である請求項1記載のプラント制御装置。
- 前記所定のモデル式を、指数モデル式とした請求項1又は2記載のプラント制御装置。
- 前記出力データ、又は、前記補正手段で補正された前記出力データのいずれか選択して予測出力データとする選択手段を備えた請求項1〜3のいずれか一項に記載のプラント制御装置。
- 入出力関係を汎化した所定のモデル式を用いて、複数の入力データから出力データを予測する第一のステップと、
前記予測手段からの前記出力データを補正する第二のステップと、を有し、
第二のステップは、前記入力データからGMDH手法を用いて補正値を推定するステップを含むことを特徴とするプラント制御方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009205936A JP2011059779A (ja) | 2009-09-07 | 2009-09-07 | プラント制御装置とプラント制御方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009205936A JP2011059779A (ja) | 2009-09-07 | 2009-09-07 | プラント制御装置とプラント制御方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2011059779A true JP2011059779A (ja) | 2011-03-24 |
Family
ID=43947365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009205936A Pending JP2011059779A (ja) | 2009-09-07 | 2009-09-07 | プラント制御装置とプラント制御方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2011059779A (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014153949A (ja) * | 2013-02-08 | 2014-08-25 | Hiroshima Univ | Gmdhを用いた非線形pidコントローラおよびgmdh重み係数決定方法 |
CN104133369A (zh) * | 2014-06-24 | 2014-11-05 | 上海电力学院 | 一种质子交换膜燃料电池动态特性的控制方法 |
CN104656437A (zh) * | 2014-12-03 | 2015-05-27 | 郑州轻工业学院 | 基于加工参数预测激光熔覆层表面尺寸的方法 |
JP2020134315A (ja) * | 2019-02-20 | 2020-08-31 | 国立大学法人鳥取大学 | 波浪予測モデルの構築方法および波浪予測方法 |
-
2009
- 2009-09-07 JP JP2009205936A patent/JP2011059779A/ja active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014153949A (ja) * | 2013-02-08 | 2014-08-25 | Hiroshima Univ | Gmdhを用いた非線形pidコントローラおよびgmdh重み係数決定方法 |
CN104133369A (zh) * | 2014-06-24 | 2014-11-05 | 上海电力学院 | 一种质子交换膜燃料电池动态特性的控制方法 |
CN104656437A (zh) * | 2014-12-03 | 2015-05-27 | 郑州轻工业学院 | 基于加工参数预测激光熔覆层表面尺寸的方法 |
CN104656437B (zh) * | 2014-12-03 | 2017-07-14 | 郑州轻工业学院 | 基于加工参数预测激光熔覆层表面尺寸的方法 |
JP2020134315A (ja) * | 2019-02-20 | 2020-08-31 | 国立大学法人鳥取大学 | 波浪予測モデルの構築方法および波浪予測方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2050038B1 (en) | Prediction of stream composition and properties in near real time | |
CA2740845C (en) | Estimating detailed compositional information from limited analytical data | |
Pasadakis et al. | Octane number prediction for gasoline blends | |
JP5467050B2 (ja) | 製造した石油製品の組成および特性変数の証明方法 | |
EP1255967B1 (en) | Device for measuring mass flow and energy content | |
US20040232050A1 (en) | Process to prepare a hydrocarbon product having a sulphur content below 0.05 wt | |
US6159255A (en) | Method for predicting intrinsic properties of a mixture | |
JP2011059779A (ja) | プラント制御装置とプラント制御方法 | |
Fernando et al. | Use of gene expression programming for multimodel combination of rainfall-runoff models | |
JP2006503957A (ja) | 炭化水素製造施設を操作する方法およびシステム | |
Chatterjee et al. | On-line estimation of product properties for crude distillation units | |
JP2008510877A (ja) | 原料の品質予測に関する高度な解析技術を用いた精製所の原油ユニット性能のモニタリング | |
CN107464017A (zh) | 基于带时间差分贝叶斯网络的自适应软测量预测方法 | |
Zanfei et al. | An ensemble neural network model to forecast drinking water consumption | |
CN105319179B (zh) | 一种利用中红外光谱预测脱硫胺液中硫化氢含量的方法 | |
CN111142494A (zh) | 一种胺液再生装置的智能控制方法及系统 | |
Soderstrom et al. | Industrial application of a large-scale dynamic data reconciliation strategy | |
US10040041B2 (en) | Crude oil blending using total boiling point analysis | |
JP2012017428A (ja) | ガソリン製造装置とガソリン製造方法 | |
Issa | Parametric and Nonparametric Approaches of Reid Vapor Pressure Prediction for Gasoline Containing Oxygenates: A Comparative Analysis Using Partial Least Squares, Nonlinear, and LOWESS Regression Modelling Strategies with Physical Properties | |
US20220412946A1 (en) | System, method, and apparatus for predicting physical properties by indirect measurement | |
US20110313739A1 (en) | Hybrid models of multi-component vapor liquid separation equipment | |
Kongkiatpaiboon | Improving Offshore Condensate Production Optimization Processes with Prediction of Reid Vapor Pressure Using Machine Learning | |
Hinchliffe et al. | Correlating polymer resin and end‐use properties to molecular‐weight distribution | |
JP2017111144A (ja) | ガス特性を相関により決定するための方法及び測定装置 |