JP2019021186A - Data processor, control system, data processing method, and program - Google Patents

Data processor, control system, data processing method, and program Download PDF

Info

Publication number
JP2019021186A
JP2019021186A JP2017140922A JP2017140922A JP2019021186A JP 2019021186 A JP2019021186 A JP 2019021186A JP 2017140922 A JP2017140922 A JP 2017140922A JP 2017140922 A JP2017140922 A JP 2017140922A JP 2019021186 A JP2019021186 A JP 2019021186A
Authority
JP
Japan
Prior art keywords
value
output
output value
input
control
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
Application number
JP2017140922A
Other languages
Japanese (ja)
Other versions
JP6985833B2 (en
Inventor
高橋　洋
Hiroshi Takahashi
洋 高橋
晴晃 丸茂
Teruaki MARUMO
晴晃 丸茂
佐々木　尚史
Hisafumi Sasaki
尚史 佐々木
義行 高橋
Yoshiyuki Takahashi
義行 高橋
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.)
Yokogawa Electric Corp
Yokogawa Solution Service Corp
Original Assignee
Yokogawa Electric Corp
Yokogawa Solution Service 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 Yokogawa Electric Corp, Yokogawa Solution Service Corp filed Critical Yokogawa Electric Corp
Priority to JP2017140922A priority Critical patent/JP6985833B2/en
Publication of JP2019021186A publication Critical patent/JP2019021186A/en
Application granted granted Critical
Publication of JP6985833B2 publication Critical patent/JP6985833B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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]

Abstract

To provide a data processor, control system, data processing method, and program, capable of relieving work relating to operation improvement of a plant.SOLUTION: An output prediction model creation part creates an output prediction model of at least one process by executing machine learning for an actually measured output value which is an input value to the process and an output value from the process. A control parameter information creation part calculates a prediction output value which is a prediction value of the output value on the basis of the output prediction model and the input value and determines a control parameter of a controller for controlling the process so that a difference between the prediction output value and a target value which is a target of the output value from the process decreases.SELECTED DRAWING: Figure 1

Description

本発明は、データ処理装置、制御システム、データ処理方法及びプログラムに関する。   The present invention relates to a data processing device, a control system, a data processing method, and a program.

従来から、プラントにおける生産制御技術の高度化を目的として、製造等のプロセスを連続的に制御する分散制御システム（ＤＣＳ：Ｄｉｓｔｒｉｂｕｔｅｄ Ｃｏｎｔｒｏｌ Ｓｙｓｔｅｍ）や、その機能を支援するためのデータ処理装置が提案されている。図３に示す例では、プラントＰＬにおいてプロセス制御システム９が構成されている。プロセス制御システム９は、プロセス８０−１、８０−２を制御するための制御装置７０−１、７０−２と、データ処理装置９０を備える。データ処理装置９０においてプロセスデータ収集部１２０は、各プロセスのプロセス値を含むプロセスデータを収集する。プロセス値には、センサ８２−１、８２−２を介して取得されるプロセスからの出力値、アクチュエータ８４−１、８４−２に供給するプロセスへの入力値が含まれる。   Conventionally, for the purpose of upgrading production control technology in plants, a distributed control system (DCS) that continuously controls processes such as manufacturing and a data processing apparatus for supporting the functions have been proposed. ing. In the example shown in FIG. 3, a process control system 9 is configured in the plant PL. The process control system 9 includes control devices 70-1 and 70-2 for controlling the processes 80-1 and 80-2, and a data processing device 90. In the data processing device 90, the process data collection unit 120 collects process data including process values of each process. The process value includes an output value from the process acquired via the sensors 82-1 and 82-2 and an input value to the process supplied to the actuators 84-1 and 84-2.

収集されたプロセスデータは、プラントの操業改善に利用することが試みられている。例えば、大規模工場に設置された制御システムから取得されたプラントデータ（プラントビッグデータ）によるプロセス間の最適化、制御・予測機能の高度化、銘柄変更支援、ＤＣＳ更新、機能追加などへの適用が期待されている。そこで、図３に示すデータ処理装置９０には、プロセスデータを解析するプロセスデータ解析部１２２、プロセスにおける制御パラメータを最適化するプロセス最適化部１３０、同定したプロセスや得られた制御パラメータに基づいて各プロセスにおけるプロセス値を演算するプロセスシミュレーション部１４０を備える。これらの機能により、操業監視や操業状態の調整などの操業改善に係るエンジニアの作業が支援される。   The collected process data is tried to be used for improving the operation of the plant. For example, optimization between processes using plant data (plant big data) acquired from a control system installed in a large-scale factory, advanced control / prediction functions, support for changing brands, DCS update, addition of functions, etc. Is expected. Therefore, the data processing apparatus 90 shown in FIG. 3 includes a process data analysis unit 122 that analyzes process data, a process optimization unit 130 that optimizes control parameters in the process, an identified process, and an obtained control parameter. A process simulation unit 140 that calculates a process value in each process is provided. These functions support the work of engineers involved in operational improvements such as operational monitoring and operational state adjustment.

Fumiaki Uozumi, Osamu Kaneko and Shigeru Yamamoto, “Fictitious Reference Iterative Tuning of Disturbance Observers for Attenuation of the Effect of Periodic Unknown Exogenous Signals”, 11th IFAC (International Federation of Automatic Control) International Workshop on Adaptation and Learning in Control and Signal Processing, July 3-5, 2013Fumiaki Uozumi, Osamu Kaneko and Shigeru Yamamoto, “Fictitious Reference Iterative Tuning of Disturbance Observers for Attenuation of the Effect of Periodic Unknown Exogenous Signals”, 11th IFAC (International Federation of Automatic Control) International Workshop on Adaptation and Learning in Control and Signal Processing, July 3-5, 2013

しかしながら、プロセスに対する操作や挙動に詳しいエンジニアであっても、操業改善の解決策を得るまでの過程では、相当の作業量（工数）を要することがある。人件費に直結する工数を要していては、費用対効果という面で現実のビジネスにつながらない原因となりうる。また、工数が増加する原因には、プラントにおいて、通例、多数のプロセスが設けられ、プロセス間で相互に干渉が生じることが挙げられる。そのため、プロセス変動に主要な影響を及ぼすデータの特定、解析作業、シミュレーション作業などプラントの操業改善に係る作業量の削減が望まれる。   However, even an engineer who is familiar with the operation and behavior of a process may require a considerable amount of work (man-hours) in the process of obtaining a solution for operation improvement. If man-hours that are directly related to labor costs are required, it may be a cause that does not lead to real business in terms of cost effectiveness. Further, the cause of the increase in the number of man-hours is that a large number of processes are usually provided in the plant, and interference occurs between the processes. Therefore, it is desired to reduce the amount of work related to plant operation improvement such as identification of data that has a major effect on process variations, analysis work, and simulation work.

本発明は上記の点に鑑みてなされたものであり、プラントの操業改善に係る作業を軽減することができるデータ処理装置、制御システム、データ処理方法及びプログラムを提供することを目的とする。   The present invention has been made in view of the above points, and an object of the present invention is to provide a data processing device, a control system, a data processing method, and a program capable of reducing work related to plant operation improvement.

（１）本発明は上記の課題を解決するためになされたものであり、本発明の一態様は、少なくとも１つのプロセスに対する入力値と前記プロセスからの出力値である実測出力値に対して機械学習を行って前記プロセスの出力予測モデルを生成する出力予測モデル生成部と、前記出力予測モデルと前記入力値に基づいて前記出力値の予測値である予測出力値を算出し、前記予測出力値と前記プロセスからの出力値の目標である目標値との差が減少するように前記プロセスを制御する制御装置の制御パラメータを定める制御パラメータ情報生成部と、を備えるデータ処理装置である。 (1) The present invention has been made to solve the above problems, and one aspect of the present invention provides a machine for an input value for at least one process and an actual output value that is an output value from the process. An output prediction model generation unit that performs learning to generate an output prediction model of the process; calculates a prediction output value that is a prediction value of the output value based on the output prediction model and the input value; and And a control parameter information generation unit that determines a control parameter of a control device that controls the process so that a difference between a target value that is a target of an output value from the process is reduced.

（２）本発明の他の態様は、上述のデータ処理装置であって、前記プロセスである第１プロセスとは別個の第２プロセスに対する入力値と前記第２プロセスからの出力値である実測出力値に基づいて前記第２プロセスの伝達関数を計算するプロセス同定部を、さらに備え、前記制御パラメータ情報生成部は、前記第２プロセスの伝達関数と前記第２プロセスに対する入力値に基づいて前記第２プロセスからの予測出力値を算出し、各プロセスにおける前記予測出力値と目標値との差が減少するように、プロセス毎の前記制御パラメータを定める。 (2) Another aspect of the present invention is the above-described data processing apparatus, in which an actual output that is an input value to a second process separate from the first process that is the process and an output value from the second process A process identification unit that calculates a transfer function of the second process based on a value; and the control parameter information generation unit includes the transfer function of the second process and an input value for the second process. The predicted output values from the two processes are calculated, and the control parameter for each process is determined so that the difference between the predicted output value and the target value in each process decreases.

（３）本発明の他の態様は、上述のデータ処理装置であって、第１プロセスおよび第２プロセスそれぞれのプロセス毎の予測出力値と目標値との偏差の大きさを示すコスト値を算出し、それらプロセス毎のコスト値に重み係数を乗じて得られる乗算値の総和として得られるコスト値を評価関数として、その評価関数が減少するように、プロセス毎の前記制御パラメータを定める。 (3) Another aspect of the present invention is the above-described data processing device, which calculates a cost value indicating a magnitude of deviation between a predicted output value and a target value for each of the first process and the second process. Then, the control parameter for each process is determined so that the evaluation function is reduced by using the cost value obtained as the sum of the multiplication values obtained by multiplying the cost value for each process by the weight coefficient.

（４）本発明の他の態様は、上述のデータ処理装置であって、プロセス毎のコスト値として二乗誤差を用いる。 (4) Another aspect of the present invention is the above-described data processing apparatus, which uses a square error as a cost value for each process.

（５）本発明の他の態様は、上述のデータ処理装置であって、前記入力値と前記出力値を含むプロセス毎のプロセスデータから、解析対象のプロセスからの前記出力値に対する寄与度が所定の寄与度よりも高い入力値もしくは他のプロセスの出力値を特定し、特定した入力値もしくは出力値を含む有効データを抽出するプロセスデータ解析部を、さらに備える。 (5) Another aspect of the present invention is the above-described data processing device, wherein a contribution degree to the output value from the process to be analyzed is predetermined from process data for each process including the input value and the output value. A process data analysis unit that identifies an input value or output value of another process that is higher than the contribution degree and extracts valid data including the identified input value or output value.

（６）本発明の他の態様は、上述のデータ処理装置であって、前記出力予測モデルは、ニューラルネットワークで表現された出力予測モデルである。 (6) Another aspect of the present invention is the above-described data processing apparatus, wherein the output prediction model is an output prediction model expressed by a neural network.

（７）本発明の他の態様は、上述のデータ処理装置と、前記プロセスを制御する制御装置と、を備える制御システムである。 (7) Another aspect of the present invention is a control system including the data processing device described above and a control device that controls the process.

（８）本発明の他の態様は、データ処理装置におけるデータ処理方法であって、少なくとも１つのプロセスに対する入力値と前記プロセスからの出力値である実測出力値に対して機械学習を行って前記プロセスの出力予測モデルを生成する出力予測モデル生成過程と、前記出力予測モデルと前記入力値に基づいて前記出力値の予測値である予測出力値を算出し、前記予測出力値と前記プロセスからの出力値の目標である目標値との差が減少するように前記プロセスを制御する制御装置の制御パラメータを定める制御パラメータ情報生成過程と、を有するデータ処理方法である。 (8) Another aspect of the present invention is a data processing method in a data processing apparatus, wherein machine learning is performed on an input value for at least one process and an actual output value that is an output value from the process, and An output prediction model generation process for generating an output prediction model of a process; a predicted output value that is a predicted value of the output value based on the output prediction model and the input value; and the predicted output value and the process And a control parameter information generating step for determining a control parameter of a control device that controls the process so that a difference between the output value and a target value is reduced.

（９）本発明の他の態様は、データ処理装置のコンピュータに、少なくとも１つのプロセスに対する入力値と前記プロセスからの出力値である実測出力値に対して機械学習を行って前記プロセスの出力予測モデルを生成する出力予測モデル生成手順と、前記出力予測モデルと前記入力値に基づいて前記出力値の予測値である予測出力値を算出し、前記予測出力値と前記プロセスからの出力値の目標である目標値との差が減少するように前記プロセスを制御する制御装置の制御パラメータを定める制御パラメータ情報生成手順と、を実行させるためのプログラムである。 (9) According to another aspect of the present invention, the computer of the data processing apparatus performs machine learning on an input value for at least one process and an actual output value that is an output value from the process, thereby predicting the output of the process. An output prediction model generation procedure for generating a model, a predicted output value that is a predicted value of the output value based on the output prediction model and the input value, and a target of the predicted output value and the output value from the process And a control parameter information generation procedure for determining a control parameter of a control device that controls the process so that a difference from a target value is reduced.

本発明によれば、プラントの操業改善に係る作業を軽減することができる。   According to the present invention, work related to plant operation improvement can be reduced.

本実施形態に係るプロセス制御システムの一構成例を示すブロック図である。It is a block diagram showing an example of 1 composition of a process control system concerning this embodiment. 本実施形態に係る出力予測モデル、制御パラメータの計算例を示す説明図である。It is explanatory drawing which shows the example of calculation of the output prediction model which concerns on this embodiment, and a control parameter. 従来のプロセス制御システムの一構成例を示すブロック図である。It is a block diagram which shows the example of 1 structure of the conventional process control system.

以下、図面を参照し、本発明のデータ処理装置、プロセス制御システム、データ処理方法及びプログラムの実施形態について説明する。   Hereinafter, embodiments of a data processing device, a process control system, a data processing method, and a program according to the present invention will be described with reference to the drawings.

（プロセス制御システム）
まず、本実施形態に係るプロセス制御システムの一構成例について説明する。
図１は、本実施形態に係るプロセス制御システム１の一構成例を示すブロック図である。
プロセス制御システム１は、データ処理装置１０と、複数の制御装置７０（コントローラ）と、を含んで構成される。図１に示す例では、制御装置７０の個数は２個である。また、以下の説明では、複数の制御装置７０とその構成要素ならびに関連する機器を、例えば、制御装置７０−１、７０−２等と、子番号を用いて区別する。個々の制御装置７０を区別しない場合には、単に制御装置７０と呼ぶ。制御装置７０の個数は、必ずしも２個には限られず、３個以上であってもよい。
また、データ処理装置１０と制御装置７０は、ネットワークを介して相互に通信可能に接続されている。ネットワークは、インターネット、公衆通信網、構内通信網（ＬＡＮ：Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、専用線のいずれか又は組み合わせにより構成される。また、ネットワークは、無線であっても、有線であってもよい。 (Process control system)
First, a configuration example of the process control system according to the present embodiment will be described.
FIG. 1 is a block diagram illustrating a configuration example of a process control system 1 according to the present embodiment.
The process control system 1 includes a data processing device 10 and a plurality of control devices 70 (controllers). In the example shown in FIG. 1, the number of control devices 70 is two. In the following description, a plurality of control devices 70, their constituent elements, and related devices are distinguished from the control devices 70-1, 70-2, etc., using child numbers, for example. When the individual control devices 70 are not distinguished, they are simply referred to as the control devices 70. The number of control devices 70 is not necessarily limited to two, and may be three or more.
Further, the data processing device 10 and the control device 70 are connected so as to be able to communicate with each other via a network. The network includes any one or combination of the Internet, a public communication network, a local area network (LAN), and a dedicated line. The network may be wireless or wired.

プロセス制御システム１は、さらに監視装置（図示せず）を備える。監視装置は、例えば、エンジニアがプロセスの運転状態の監視や、その運転状態を制御するための各種の設定値を設定するためのＨＭＩ（Ｈｕｍａｎ Ｍａｃｈｉｎｅ Ｉｎｔｅｒｆａｃｅ）である。監視装置は、ネットワークに接続され、プラントＰＬの各プロセスの状態を示す測定値である出力値を各制御装置７０から所定時間（例えば、１分）毎に受信する。監視装置は、例えば、各時点における測定値を表示する表示部（図示せず）を備える。監視装置は、操作に応じて制御目標とするプロセスの目標値を設定する操作入力部（図示せず）を備える。監視装置は、設定した目標値を設定対象となる制御装置７０に送信する。このように、プロセス制御システム１は、複数の制御装置７０が分散配置されてなるＤＣＳとして構成される。   The process control system 1 further includes a monitoring device (not shown). The monitoring device is, for example, an HMI (Human Machine Interface) for an engineer to monitor the operation state of a process and to set various setting values for controlling the operation state. The monitoring device is connected to the network and receives an output value, which is a measurement value indicating the state of each process of the plant PL, from each control device 70 every predetermined time (for example, 1 minute). The monitoring device includes, for example, a display unit (not shown) that displays measurement values at each time point. The monitoring device includes an operation input unit (not shown) that sets a target value of a process that is a control target according to an operation. The monitoring device transmits the set target value to the control device 70 to be set. Thus, the process control system 1 is configured as a DCS in which a plurality of control devices 70 are distributed.

データ処理装置１０は、各プロセス８０の状態を示すプロセス値を示すプロセスデータを各制御装置７０から取得し、取得したプロセスデータに基づいてプロセス８０の操業改善を支援する機能を有する。プロセス値には、プロセス８０の入力値、出力値及び制御目標とする目標値が含まれる。データ処理装置１０は、少なくとも１つの解析対象のプロセス８０への入力値とそのプロセス８０からの出力値である実測出力値に対して機械学習を行い、そのプロセス８０における入出力関係を示す出力予測モデルを生成する。また、データ処理装置１０は、出力予測モデルと入力値に基づいて出力値の予測値である予測出力値を算出する。データ処理装置１０は、その予測出力値とプロセス８０に対する制御の目標値との差が減少するように制御パラメータを定める（最適化）。また、データ処理装置１０は、生成した出力予測モデルと制御パラメータを用いて、そのプロセスにおける入力値や出力値を算出する（シミュレーション）。データ処理装置１０は、定めた制御パラメータについて、そのプロセスを制御する制御装置７０に提供する。   The data processing device 10 has a function of acquiring process data indicating a process value indicating the state of each process 80 from each control device 70 and supporting operation improvement of the process 80 based on the acquired process data. The process value includes an input value and an output value of the process 80 and a target value as a control target. The data processing apparatus 10 performs machine learning on at least one input value to the analysis target process 80 and an actual measurement output value that is an output value from the process 80, and outputs prediction indicating an input / output relationship in the process 80. Generate a model. Further, the data processing apparatus 10 calculates a predicted output value that is a predicted value of the output value based on the output prediction model and the input value. The data processing apparatus 10 determines control parameters so that the difference between the predicted output value and the control target value for the process 80 decreases (optimization). Further, the data processing apparatus 10 calculates input values and output values in the process using the generated output prediction model and control parameters (simulation). The data processing device 10 provides the determined control parameter to the control device 70 that controls the process.

制御装置７０は、プロセス８０の状態を示す測定値として、プラントＰＬに備えられたセンサ８２から所定時間毎に入力される出力値と、監視装置から受信した目標値に基づいてプロセスの運転状態を時間的に連続して制御する（連続制御）。制御装置７０は、制御演算部７２を備える。制御演算部７２は、例えば、ＰＩＤ制御を実行するＰＩＤ制御器である。ＰＩＤ制御とは、比例項Ｐ、積分項Ｉ及び微分項Ｄの総和を操作量として計算し、得られた操作量を、プロセスを制御するアクチュエータ８４に出力する手法である。比例項Ｐは、その時点における目標値から出力値を差し引いて得られる偏差に所定の比例ゲインＫＰを乗じて得られる。積分項Ｉは、その時点までの偏差を積分して得られる積分値に所定の積分ゲインＫＩを乗じて得られる。微分項Ｄは、その時点における偏差を微分して得られる微分値に所定の微分ゲインＫDを乗じて得られる。これらの比例ゲインＫＰ、積分ゲインＫＩ及び微分ゲインＫDが、ＰＩＤ制御の制御パラメータに相当する。制御演算部７２は、算出した操作量をプロセス８０への入力値としてプラントＰＬに備えられたアクチュエータ８４に出力する。なお、制御装置７０は、所定時間毎にセンサ８２から入力されるプロセス８０からの出力値と、アクチュエータ８４に出力するプロセス８０への入力値とデータ処理装置１０に送信する。 The control device 70 determines the operation state of the process based on the output value input from the sensor 82 provided in the plant PL every predetermined time and the target value received from the monitoring device as a measured value indicating the state of the process 80. Control continuously in time (continuous control). The control device 70 includes a control calculation unit 72. The control calculation unit 72 is, for example, a PID controller that performs PID control. The PID control is a method of calculating the sum of the proportional term P, the integral term I, and the derivative term D as an operation amount and outputting the obtained operation amount to the actuator 84 that controls the process. Proportional term P is obtained by multiplying a predetermined proportional gain K P to the deviation obtained by subtracting the output value from the target value at that time. Integral term I is obtained by multiplying a predetermined integral gain K I to the integral value obtained by integrating the deviation of up to that point. Differential term D is obtained by multiplying a predetermined differential gain K D on the differential value obtained by differentiating the difference at that time. These proportional gain K P , integral gain K I and differential gain K D correspond to control parameters for PID control. The control calculation unit 72 outputs the calculated operation amount as an input value to the process 80 to the actuator 84 provided in the plant PL. The control device 70 transmits the output value from the process 80 input from the sensor 82 at every predetermined time, the input value to the process 80 output to the actuator 84, and the data processing device 10.

センサ８２は、プロセス８０の状態を検出する。センサ８２は、例えば、温度を検出する温度センサ、圧力を検出する圧力センサ、流量を検出する流量計、電流を検出する電流計、電圧を検出する電圧計などである。センサ８２は、検出した状態を示す出力値を制御装置７０に逐次に出力する。
アクチュエータ８４は、制御装置７０から入力される入力値に応じて動作する。その動作によりプロセス８０の状態が変化する。一般に、入力される入力値が大きいほど、アクチュエータ８４の動作量が大きくなる。アクチュエータは、例えば、ポンプ、コンプレッサ、バルブ、モータ、モータ駆動装置などである。 Sensor 82 detects the state of process 80. The sensor 82 is, for example, a temperature sensor that detects temperature, a pressure sensor that detects pressure, a flow meter that detects flow rate, an ammeter that detects current, a voltmeter that detects voltage, and the like. The sensor 82 sequentially outputs an output value indicating the detected state to the control device 70.
The actuator 84 operates according to an input value input from the control device 70. The operation changes the state of the process 80. In general, the greater the input value that is input, the greater the amount of operation of the actuator 84. The actuator is, for example, a pump, a compressor, a valve, a motor, a motor driving device, or the like.

図１に示す例では、制御装置７０−１、７０−２は、プロセス８０−１、８０−２をそれぞれ制御対象とする。プロセス８０−１、８０−２において、入力値、出力値のチャネル数は、それぞれ１チャネルである。センサ８２−１、制御装置７０−１及びアクチュエータ８４−１のセット、センサ８２−２、制御装置７０−２及びアクチュエータ８４−２のセットのそれぞれについて、各１個の制御ループが形成される。この例では、各制御ループにおける入力値のチャネル数、出力値のチャネル数は、それぞれ１チャネルである。プロセス８０−１、８０−２における制御ループの数は、１個である。一般には、制御ループ１個当たりの入力値のチャネル数、出力値のチャネル数は、制御ループ毎に独立であり２個以上となりうる。また、プロセス１個当たりの制御ループ数は、プロセス毎に独立であり２個以上となりうる。プラントに設けられたプロセス数は、３個以上となりうる。   In the example illustrated in FIG. 1, the control devices 70-1 and 70-2 control the processes 80-1 and 80-2, respectively. In the processes 80-1 and 80-2, the number of channels of the input value and the output value is one channel each. One control loop is formed for each of the set of the sensor 82-1, the control device 70-1, and the actuator 84-1, and the set of the sensor 82-2, the control device 70-2, and the actuator 84-2. In this example, the number of input value channels and the number of output value channels in each control loop are one channel each. The number of control loops in the processes 80-1 and 80-2 is one. In general, the number of input value channels and the number of output value channels per control loop are independent for each control loop and can be two or more. The number of control loops per process is independent for each process and can be two or more. The number of processes provided in the plant can be 3 or more.

（データ処理装置）
次に、本実施形態に係るデータ処理装置１０の機能構成について説明する。
データ処理装置１０は、プロセスデータ収集部２０と、プロセスデータ解析部２２と、プロセス最適化部３０と、プロセスシミュレーション部４０と、第２プロセスデータ解析部５２と、出力予測モデル生成部５４と、制御パラメータ情報生成部５６と、を含んで構成される。なお、データ処理装置１０は、キーボード、ポインティングデバイス等の操作入力部、ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ；液晶ディスプレイ）等の表示部、入出力インタフェース、通信インタフェース等のデータ入出力部、１個又は複数個のＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ；中央処理装置）等の演算回路、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ−ｏｎｌｙ Ｍｅｍｏｒｙ）等の記憶媒体、等を含んで構成されるコンピュータ（図示せず）として実現されてもよい。その場合には、演算回路は、起動時において予め記憶媒体に記憶された制御プログラムを読み出し、制御プログラムに記述された命令で示される処理を実行することによって上述した各部の機能を実現する。 (Data processing device)
Next, the functional configuration of the data processing apparatus 10 according to the present embodiment will be described.
The data processing apparatus 10 includes a process data collection unit 20, a process data analysis unit 22, a process optimization unit 30, a process simulation unit 40, a second process data analysis unit 52, an output prediction model generation unit 54, And a control parameter information generation unit 56. The data processing apparatus 10 includes an operation input unit such as a keyboard and a pointing device, a display unit such as an LCD (Liquid Crystal Display), a data input / output unit such as an input / output interface and a communication interface, one or more. Realized as a computer (not shown) including an arithmetic circuit such as a CPU (Central Processing Unit), a storage medium such as a RAM (Random Access Memory), a ROM (Read-only Memory), etc. May be. In that case, the arithmetic circuit reads the control program stored in advance in the storage medium at the time of activation, and executes the processing indicated by the instructions described in the control program, thereby realizing the functions of the above-described units.

プロセスデータ収集部２０は、制御装置７０−１、７０−２からネットワークを介して所定時間毎の各時刻の制御ループ毎のプロセス値を受信する。プロセス値には、入力値、出力値及び制御目標とする目標値が含まれる。ここで、入力、出力とは、それぞれプロセスへの入力、プロセスからの出力を意味する。即ち、入力値は、制御装置７０から出力されるアクチュエータ８４への操作量に相当し、出力値は、センサ８２から制御装置７０に入力される測定値に相当する。プロセスデータ収集部２０は、受信したプロセス値を時間順に累積する。従って、プロセスデータ収集部２０には、各プロセスに対応する制御ループ毎のプロセス値の時系列を示すプロセスデータが蓄積される。プラントＰＬに多数のプロセスが設置されている場合には、プロセスデータは、多量のプロセス値が含まれるプラントビッグデータとして形成される。なお、プロセスデータを収集する際、プロセスデータ収集部２０は、例えば、プロセスデータ通信の標準規格であるＯＰＣ（ＯＬＥ：Ｏｂｊｅｃｔ Ｌｉｎｋｉｎｇ ａｎｄ Ｅｍｂｅｄｄｉｎｇ ｆｏｒ Ｐｒｏｃｅｓｓ Ｃｏｎｔｒｏｌ）を用いる。データ形式がＯＰＣに規定された形式に統一されるので、データ処理装置１０は、制御装置７０や監視装置の製造業者や内部構成によらずに、それらの装置から受信したデータをＯＰＣに規定された手順で利用することができる。   The process data collection unit 20 receives the process value for each control loop at each time for each predetermined time from the control devices 70-1 and 70-2 via the network. The process value includes an input value, an output value, and a target value as a control target. Here, input and output mean input to the process and output from the process, respectively. That is, the input value corresponds to an operation amount to the actuator 84 output from the control device 70, and the output value corresponds to a measurement value input from the sensor 82 to the control device 70. The process data collection unit 20 accumulates the received process values in order of time. Therefore, the process data collection unit 20 stores process data indicating a time series of process values for each control loop corresponding to each process. When a large number of processes are installed in the plant PL, the process data is formed as plant big data including a large amount of process values. When collecting process data, the process data collection unit 20 uses, for example, OPC (OLE: Object Linking and Embedding for Process Control), which is a standard for process data communication. Since the data format is unified to the format specified by OPC, the data processing device 10 is specified by the OPC for the data received from these devices regardless of the manufacturer and internal configuration of the control device 70 and the monitoring device. Can be used in the following procedure.

なお、以下の説明では、プロセスデータ収集部２０が収集した入力値及び出力値を、それぞれ実測入力値、実測出力値と呼んで、プロセスシミュレーション部４０その他の各部で算出される入力値（予測入力値）、出力値（予測出力値）と区別することがある。入力値のチャネル数、出力値のチャネル数は、必ずしも１チャネルに限られず、複数となることがある。なお、入力値のチャネルを入力チャネル、入力値のチャネル数を入力チャネル数と呼ぶことがある。出力値のチャネルを出力チャネル、出力値のチャネル数を出力チャネル数と呼ぶことがある。   In the following description, the input value and the output value collected by the process data collection unit 20 are referred to as an actual measurement input value and an actual measurement output value, respectively, and input values calculated by the process simulation unit 40 and other units (predicted input) Value) and output value (predicted output value). The number of input value channels and the number of output value channels are not necessarily limited to one channel, and may be plural. An input value channel may be referred to as an input channel, and an input value channel number may be referred to as an input channel number. An output value channel may be called an output channel, and an output value channel number may be called an output channel number.

プロセスデータ解析部２２は、プロセスデータ収集部２０に蓄積されたプロセスデータを解析する。プロセスデータ解析部２２は、例えば、各制御ループの入力値、出力値それぞれの特性を解析し、その特性を示す指標値を算出する。プロセスデータ解析部２２は、例えば、入力値に対する出力値の変動量が所定量よりも大きい制御ループに対応するプロセスを特定してもよいし、その変動が最も早期に開始する制御ループに対応するプロセスを特定してもよい。プロセスデータ解析部２２は、非線形の解析手法を用いてもよいし、線形の解析手法を用いてもよい。線形の解析手法として、例えば、周波数解析、主成分分析等の手法が利用可能である。プロセスデータ解析部２２は、解析により得られた変動成分その他の特性を示す指標値や、その入力値、出力値の時系列を表示部（図示せず）に表示させてもよい。   The process data analysis unit 22 analyzes the process data accumulated in the process data collection unit 20. For example, the process data analysis unit 22 analyzes the characteristics of each input value and output value of each control loop, and calculates an index value indicating the characteristics. For example, the process data analysis unit 22 may specify a process corresponding to a control loop in which the variation amount of the output value with respect to the input value is larger than a predetermined amount, or corresponds to the control loop in which the variation starts earliest. A process may be specified. The process data analysis unit 22 may use a non-linear analysis method or a linear analysis method. As a linear analysis method, for example, methods such as frequency analysis and principal component analysis can be used. The process data analysis unit 22 may display an index value indicating the fluctuation component and other characteristics obtained by the analysis, and a time series of the input value and output value on a display unit (not shown).

なお、プロセスデータ解析部２２は、操作入力部（図示せず）から入力される操作信号で指示されたプロセスを、解析対象のプロセスとして特定してもよい。
プロセスデータ解析部２２は、制御ループ毎の入力値、出力値、目標値の他、算出した指標値などを表示部（図示せず）に表示させてもよい。
また、プロセスデータ解析部２２は、入力値等を表示させた制御ループのうち、さらに操作入力部（図示せす）から入力される操作信号で指示された制御ループを、制御パラメータの最適化対象のプロセスに係る制御ループとして特定してもよい。これにより、表示されたデータを目視したエンジニア等のユーザが制御パラメータの最適化の対象とする制御ループに係るプロセスを選択することができる。プロセスデータ解析部２２は、特定したプロセスをプロセス最適化部３０に通知する。 Note that the process data analysis unit 22 may specify a process instructed by an operation signal input from an operation input unit (not shown) as a process to be analyzed.
The process data analysis unit 22 may cause the display unit (not shown) to display the calculated index value in addition to the input value, output value, and target value for each control loop.
In addition, the process data analysis unit 22 further selects a control loop indicated by an operation signal input from an operation input unit (not shown) from among the control loops that display input values and the like. It may be specified as a control loop related to this process. As a result, a user such as an engineer who views the displayed data can select a process related to the control loop targeted for optimization of the control parameter. The process data analysis unit 22 notifies the process optimization unit 30 of the identified process.

プロセス最適化部３０は、主にプロセスデータ解析部２２から通知された解析対象プロセスを特定する。プロセス最適化部３０は、解析対象プロセスに係る制御パラメータを最適化する。ここで、最適化とは、目標値から出力値の偏差の大きさを大局的に小さくすることを意味し、最適化において一時的に偏差の大きさが増加することがある。第２プロセスデータ解析部５２から有効データが入力される場合には、プロセス最適化部３０は、入力された有効データを制御パラメータの最適化に用いてもよい。
プロセス最適化部３０は、周波数解析部３２、プロセス同定部３４及び制御パラメータ最適化部３６を備える。 The process optimization unit 30 mainly identifies the analysis target process notified from the process data analysis unit 22. The process optimization unit 30 optimizes control parameters related to the analysis target process. Here, the optimization means that the magnitude of the deviation of the output value from the target value is generally reduced, and the magnitude of the deviation may temporarily increase in the optimization. When valid data is input from the second process data analysis unit 52, the process optimization unit 30 may use the input valid data for optimization of control parameters.
The process optimization unit 30 includes a frequency analysis unit 32, a process identification unit 34, and a control parameter optimization unit 36.

周波数解析部３２は、解析対象プロセスに係る制御ループのプロセスデータをプロセスデータ収集部２０から読み出し、読み出したプロセスデータが示す出力値の周波数特性を解析する。周波数解析部３２は、例えば、周波数毎のパワーが処理対象の全周波数のパワーの合計値に対する比率が所定の比率以上である周波数成分を主成分として判定する。周波数解析部３２は、感度関数（後述）について周波数特性を解析し、その主成分を判定してもよい。第２プロセスデータ解析部５２から、有効データが入力される場合には、周波数解析部３２は、読み出したプロセスデータに代えて、入力された解析対象プロセスに係る有効データを解析対象としてもよい。周波数解析部３２は、主成分として判定した周波数の周波数成分を示す周波数成分情報を制御パラメータ最適化部３６に出力する。   The frequency analysis unit 32 reads out process data of the control loop related to the analysis target process from the process data collection unit 20, and analyzes the frequency characteristic of the output value indicated by the read process data. For example, the frequency analysis unit 32 determines, as a main component, a frequency component in which the ratio of the power for each frequency to the total power of all frequencies to be processed is equal to or greater than a predetermined ratio. The frequency analysis unit 32 may analyze the frequency characteristics of the sensitivity function (described later) and determine the main component. When valid data is input from the second process data analysis unit 52, the frequency analysis unit 32 may set the valid data related to the input analysis target process as an analysis target instead of the read process data. The frequency analysis unit 32 outputs frequency component information indicating the frequency component of the frequency determined as the main component to the control parameter optimization unit 36.

プロセス同定部３４は、プロセスデータ収集部２０から解析対象プロセスに係る制御ループのプロセスデータを読み出し、読み出したプロセスデータが示す制御ループの入力値及び出力値に基づいて、その制御ループの伝達関数を同定する。第２プロセスデータ解析部５２から、有効データが入力される場合には、読み出したプロセスデータに代えて入力された解析対象プロセスに係る有効データを処理対象としてもよい。
プロセス同定部３４は、例えば、入力値に伝達関数を作用して出力値の予測値である予測出力値を算出し、算出した予測出力値と出力値との差の大きさが小さくなるように、伝達関数のパラメータを算出する。伝達関数の次数は、予めプロセス同定部３４に設定しておく。差の大きさの指標として、例えば、平均二乗誤差が利用可能である。算出した伝達関数のパラメータは、処理対象プロセスに対応する制御ループにおける出力予測モデルを構成する。プロセス同定部３４は、算出した伝達関数のパラメータを出力予測モデルとして制御パラメータ最適化部３６とプロセスシミュレーション部４０に出力する。 The process identification unit 34 reads the process data of the control loop related to the analysis target process from the process data collection unit 20, and based on the input value and output value of the control loop indicated by the read process data, the process identification unit 34 calculates the transfer function of the control loop. Identify. When valid data is input from the second process data analysis unit 52, the valid data related to the analysis target process that is input instead of the read process data may be the processing target.
For example, the process identification unit 34 calculates a predicted output value that is a predicted value of the output value by applying a transfer function to the input value so that the difference between the calculated predicted output value and the output value becomes small. Calculate the parameters of the transfer function. The order of the transfer function is set in advance in the process identification unit 34. As an index of the magnitude of the difference, for example, a mean square error can be used. The calculated transfer function parameters constitute an output prediction model in the control loop corresponding to the process to be processed. The process identification unit 34 outputs the calculated transfer function parameters to the control parameter optimization unit 36 and the process simulation unit 40 as an output prediction model.

制御パラメータ最適化部３６には、周波数解析部３２から入力される周波数成分情報、伝達関数のパラメータに基づいて、解析対象プロセスに係る制御装置７０の制御パラメータを最適化する。制御パラメータ最適化部３６は、制御パラメータを最適化する際、例えば、ＦＲＩＴ（Ｆｉｃｔｉｔｉｏｕｓ Ｒｅｆｅｒｅｎｃｅ Ｉｔｅｒａｔｉｖｅ Ｔｕｎｉｎｇ）アルゴリズムを用いる。制御パラメータ最適化部３６は、入力されたパラメータで表される伝達関数から感度関数を算出する。感度関数は、出力値に対する外乱の寄与もしくは減衰の度合いを示す関数である。感度関数は、算出した伝達関数と制御装置７０の入出力特性を示す伝達関数の乗算値に１を加えた値の逆数に相当する。そして、制御パラメータ最適化部３６は、例えば、主成分が他の周波数帯域よりもゲインが大きいピーク特性を有するか否かを判定し、ピーク特性を有する場合に、ゲインが最も大きい中心周波数において、減衰率が最も大きくなるように減衰率関数を定める。制御パラメータ最適化部３６は、より高い周波数帯域よりもゲインが大きくなる特性である低域通過特性を有するか否かを判定する。低域通過特性を有する場合には、主成分が所定の周波数よりも低い低周波成分となる。その場合には、制御パラメータ最適化部３６は、直流成分において、減衰率が最も大きくなるように減衰率関数を定める。制御パラメータ最適化部３６には、減衰率関数の次数、減衰率の最大値を予め設定しておく。   The control parameter optimization unit 36 optimizes the control parameters of the control device 70 related to the analysis target process based on the frequency component information and the transfer function parameters input from the frequency analysis unit 32. When optimizing the control parameter, the control parameter optimizing unit 36 uses, for example, a FRIT (Fictional Reference Iterative Tuning) algorithm. The control parameter optimization unit 36 calculates a sensitivity function from the transfer function represented by the input parameter. The sensitivity function is a function indicating the degree of contribution or attenuation of disturbance to the output value. The sensitivity function corresponds to the reciprocal of a value obtained by adding 1 to the multiplication value of the calculated transfer function and the transfer function indicating the input / output characteristics of the control device 70. Then, for example, the control parameter optimization unit 36 determines whether or not the main component has a peak characteristic with a gain larger than that of other frequency bands. The attenuation rate function is determined so that the attenuation rate is maximized. The control parameter optimizing unit 36 determines whether or not it has a low-pass characteristic that is a characteristic that the gain becomes larger than a higher frequency band. When it has a low-pass characteristic, the main component is a low-frequency component lower than a predetermined frequency. In that case, the control parameter optimizing unit 36 determines an attenuation rate function so that the attenuation rate is maximized in the DC component. In the control parameter optimization unit 36, the order of the attenuation rate function and the maximum value of the attenuation rate are set in advance.

制御パラメータ最適化部３６は、感度関数に減衰率関数を乗じて目標感度関数を算出する。そして、制御パラメータ最適化部３６は、制御パラメータの関数となる感度関数と目標関数との差の大きさが減少するように、制御パラメータを再帰的に算出する。差の大きさを示すコスト値が、所定のコスト値の閾値よりも小さくなったとき、制御パラメータ最適化部３６は、制御パラメータの算出を停止する。制御パラメータ最適化部３６は、算出した制御パラメータをプロセスシミュレーション部４０に出力する。なお、制御パラメータの初期値は、予め設定された初期値であってもよいし、プロセスシミュレーション部４０からの再調整要求に付随して入力された制御パラメータであってもよい。制御パラメータ最適化部３６が制御パラメータを算出する手法は、特願２０１７−２４５１号明細書に詳しく記載されている。   The control parameter optimization unit 36 calculates the target sensitivity function by multiplying the sensitivity function by the attenuation rate function. Then, the control parameter optimization unit 36 recursively calculates the control parameter so that the difference between the sensitivity function that is a function of the control parameter and the target function is reduced. When the cost value indicating the magnitude of the difference becomes smaller than the predetermined cost value threshold, the control parameter optimization unit 36 stops calculating the control parameter. The control parameter optimization unit 36 outputs the calculated control parameter to the process simulation unit 40. The initial value of the control parameter may be a preset initial value, or may be a control parameter input accompanying a readjustment request from the process simulation unit 40. The method by which the control parameter optimization unit 36 calculates the control parameters is described in detail in Japanese Patent Application No. 2017-2451.

プロセスシミュレーション部４０は、プラント設備情報保持部４２と、プロセス演算部４４と、を含んで構成される。
プラント設備情報保持部４２には、プラント設備情報が記憶されている。プラント設備情報は、プラントＰＬに設置されている各プロセスの制御ループ毎の制御装置７０とフィールド機器に関する情報である。プラント設備情報には、例えば、制御ループ毎の制御装置７０、センサ８２及びアクチュエータ８４のセット、制御装置７０が制御演算に用いる制御方式、制御装置７０に設定される目標値、センサ８２から取得される入力値の種別、アクチュエータ８４から取得される出力値の種別などの情報が含まれる。 The process simulation unit 40 includes a plant facility information holding unit 42 and a process calculation unit 44.
The plant facility information holding unit 42 stores plant facility information. The plant facility information is information relating to the control device 70 and field devices for each control loop of each process installed in the plant PL. The plant equipment information is acquired from, for example, the control device 70 for each control loop, the set of the sensor 82 and the actuator 84, the control method used by the control device 70 for the control calculation, the target value set in the control device 70, and the sensor 82. Information such as the type of input value and the type of output value acquired from the actuator 84 are included.

プロセス演算部４４は、１個又は複数のプロセスについて出力予測モデルと各プロセスの制御ループ毎の制御パラメータを用いて、所定時間（例えば、１秒）毎の各プロセスへの入力値（予測入力値）とそのプロセスからの出力値（予測出力値）を算出する（シミュレーション）。プロセス演算部４４は、例えば、シミュレーション対象のプロセスを操作入力部（図示せず）から入力される操作信号で指定されるプロセスとして特定する。プロセス演算部４４は、特定したプロセスについて、プラント設備情報を参照して、そのプロセスに係る制御ループ毎の制御装置７０、入力値、出力値及び目標値の種別を特定する。プロセス演算部４４は、特定した各プロセスについて当該プロセスの出力予測モデルを用いて入力予測値から出力予測値を算出する。各プロセスの出力予測モデルは、出力予測モデル生成部５４又はプロセス同定部３４から入力される。出力予測モデル生成部５４から入力される出力予測モデルは、後述するように機械学習に基づいて生成される。また、プロセス演算部４４は、特定した各プロセスについて、制御パラメータ情報生成部５６又は制御パラメータ最適化部３６から入力された制御パラメータを用いて、制御装置７０に入力される予測出力値（測定値の予測値に相当）と目標値から当該プロセスへの入力予測値（操作量の予測値に相当）を算出する。複数の制御ループを有するプロセスに対しては、複数の制御装置７０が並列に組み合わされる。また、１つのプロセスに対して、複数の制御装置７０が並列に組み合わされてもよい。即ち、１つのプロセスからの予測出力値が複数の制御装置７０のそれぞれに入力され、それぞれの制御装置７０からの予測出力値がその１つのプロセスへの予測入力値として入力されうる。   The process calculation unit 44 uses an output prediction model and control parameters for each process control loop for one or a plurality of processes to input values (predicted input values) to each process at a predetermined time (for example, 1 second). ) And an output value (predicted output value) from the process (simulation). For example, the process calculation unit 44 specifies a process to be simulated as a process specified by an operation signal input from an operation input unit (not shown). The process calculation unit 44 refers to the plant facility information for the identified process, and identifies the type of the control device 70, the input value, the output value, and the target value for each control loop related to the process. The process calculation unit 44 calculates an output predicted value from the input predicted value for each identified process using the output prediction model of the process. The output prediction model of each process is input from the output prediction model generation unit 54 or the process identification unit 34. The output prediction model input from the output prediction model generation unit 54 is generated based on machine learning as will be described later. In addition, the process calculation unit 44 uses the control parameter input from the control parameter information generation unit 56 or the control parameter optimization unit 36 for each identified process, and the predicted output value (measured value) input to the control device 70. And an input predicted value (corresponding to the predicted value of the manipulated variable) to the process is calculated from the target value. For a process having a plurality of control loops, a plurality of control devices 70 are combined in parallel. Further, a plurality of control devices 70 may be combined in parallel for one process. That is, a predicted output value from one process can be input to each of the plurality of control devices 70, and a predicted output value from each control device 70 can be input as a predicted input value to that one process.

シミュレーション対象のプロセス数が複数個である場合には、操作入力部（図示せず）からの操作信号の指示により、その一部又は全部のプロセスが直列に組み合わせを設定可能としてもよい。即ち、１つのプロセスからの予測出力値が他のプロセスへの予測入力値として入力されうる。このようにして、プロセス演算部４４は、複数のプロセスや複数の制御装置７０を組み合わせたシミュレーションを行うことができる。また、各プロセスの出力予測モデルとして、伝達関数モデルと機械学習モデルとが組み合わされうる。   When there are a plurality of processes to be simulated, some or all of the processes may be set in series in accordance with an instruction of an operation signal from an operation input unit (not shown). That is, a predicted output value from one process can be input as a predicted input value to another process. In this way, the process calculation unit 44 can perform a simulation in which a plurality of processes and a plurality of control devices 70 are combined. Further, a transfer function model and a machine learning model can be combined as an output prediction model of each process.

プロセス演算部４４は、シミュレーションにより算出されたプロセスの制御状態を示す指標として、プロセス毎の予測出力値と目標値との偏差の大きさを示すコスト値を算出する。予測出力値のチャネル数が1チャネルである場合には、コスト値として二乗誤差を用いることができる。また、シミュレーションに係る予測出力値のチャネル数が２以上である場合には、コスト値として重み付き二乗誤差を用いることができる。重み付き二乗誤差は、チャネル毎の予測出力値と目標値との偏差の二乗値とそのチャネルに対応する重み係数を乗じて得られる乗算値のチャネル間の総和となる。重み付き二乗誤差は、その値が小さいほど制御状態が良好であり、その値が大きいほど制御状態が劣悪であることを示す。また、プロセス演算部４４は、その指標を表示部（図示せず）に出力してもよい。プロセス演算部４４は、各プロセスに対応する制御ループ毎に算出した予測入力値、予測出力値それぞれの時系列を表示部（図示せず）に出力してもよい。
なお、プロセス演算部４４は、操作入力部（図示せず）から制御パラメータの再調整要求を示す操作信号が入力されるとき、算出した制御パラメータを制御パラメータ最適化部３６又は制御パラメータ情報生成部５６を再調整要求に付随して通知してもよい。 The process calculation unit 44 calculates a cost value indicating the magnitude of deviation between the predicted output value and the target value for each process as an index indicating the control state of the process calculated by the simulation. When the number of channels of the predicted output value is one, a square error can be used as the cost value. Further, when the number of channels of the predicted output value related to the simulation is 2 or more, a weighted square error can be used as the cost value. The weighted square error is the sum between the channels of the multiplication values obtained by multiplying the square value of the deviation between the predicted output value for each channel and the target value and the weighting coefficient corresponding to that channel. The weighted square error indicates that the smaller the value, the better the control state, and the greater the value, the worse the control state. Moreover, the process calculating part 44 may output the parameter | index to a display part (not shown). The process calculation unit 44 may output a time series of each predicted input value and predicted output value calculated for each control loop corresponding to each process to a display unit (not shown).
When the operation signal indicating the control parameter readjustment request is input from the operation input unit (not shown), the process calculation unit 44 uses the calculated control parameter as the control parameter optimization unit 36 or the control parameter information generation unit. 56 may be notified along with the readjustment request.

第２プロセスデータ解析部５２は、プロセスデータ収集部２０からプロセスデータを読み出し、処理対象として注目するプロセス（注目プロセス）のそれぞれに対応する制御ループの出力チャネル毎に出力値の変動に対する各入力チャネルの入力値の寄与度を算出する。寄与度を示す指標として、例えば、相関係数の絶対値が用いられる。相関係数の絶対値は、その値が大きいほど出力値の変動に対する寄与度が高いことを示す指標である。第２プロセスデータ解析部５２は、操作入力部（図示せず）から入力される操作信号で指示されるプロセスを解析対象プロセスとして特定してもよい。第２プロセスデータ解析部５２は、出力チャネル毎に算出した寄与度が所定の寄与度よりも大きい入力値に係る入力チャネルを特定する。即ち、出力チャネル毎に寄与度が高い入力値に係る入力チャネルが特定される。以下、寄与度の高い入力値を高寄与入力値、寄与度の高い入力値に係る入力チャネルを高寄与チャネルと呼ぶことがある。   The second process data analysis unit 52 reads out the process data from the process data collection unit 20, and inputs each input channel with respect to a change in output value for each output channel of the control loop corresponding to each process (target process) of interest as a processing target. The contribution of the input value is calculated. For example, the absolute value of the correlation coefficient is used as an index indicating the degree of contribution. The absolute value of the correlation coefficient is an index indicating that the larger the value is, the higher the contribution to the fluctuation of the output value is. The second process data analysis unit 52 may specify a process indicated by an operation signal input from an operation input unit (not shown) as an analysis target process. The second process data analysis unit 52 identifies an input channel related to an input value whose contribution calculated for each output channel is larger than a predetermined contribution. That is, an input channel related to an input value having a high contribution for each output channel is specified. Hereinafter, an input value with a high contribution may be referred to as a high contribution input value, and an input channel related to an input value with a high contribution may be referred to as a high contribution channel.

第２プロセスデータ解析部５２は、注目プロセスにおける出力チャネル毎の出力値に対する、他のプロセス（以下、他プロセス）からの各出力チャネルの出力値による寄与度として相関係数を算出してもよい。第２プロセスデータ解析部５２は、算出した相関係数の絶対値が所定の相関係数の閾値よりも高い出力値をそれぞれ高寄与出力値として特定する（プロセス間相関）。第２プロセスデータ解析部５２は、その高寄与出力値に係る他プロセス、出力チャネルをそれぞれ高寄与プロセス、高寄与チャネルとして判定する。従って、プロセス間の干渉が少ない場合には、高寄与プロセスが検出されない場合もある。   The second process data analysis unit 52 may calculate a correlation coefficient as a contribution degree by an output value of each output channel from another process (hereinafter referred to as another process) to an output value for each output channel in the target process. . The second process data analysis unit 52 specifies output values whose calculated absolute values of correlation coefficients are higher than a predetermined correlation coefficient threshold value as high contribution output values (inter-process correlation). The second process data analysis unit 52 determines the other process and the output channel related to the high contribution output value as the high contribution process and the high contribution channel, respectively. Therefore, when there is little interference between processes, a high contribution process may not be detected.

第２プロセスデータ解析部５２は、いずれかの出力チャネルにおいて目標値から出力値の偏差が有意に変動する時点を変動時点として特定する。変動時点の特定対象とする出力チャネルは、注目プロセスにおける出力チャネルに限られず、高寄与プロセスからの出力チャネルも含まれてもよい。第２プロセスデータ解析部５２は、例えば、処理対象として注目する時点（注目時点）における偏差の直前の時点における偏差からの変化量が所定の変化量の閾値よりも大きいか否かを判定する。第２プロセスデータ解析部５２は、大きいと判定した注目時点を変動時点として特定し、それ以外の時点を非変動時点とする。そして、第２プロセスデータ解析部５２は、特定した変動時点までの非変動時点の継続時間が所定の継続時間よりも長い変動時点を変動開始時点として特定する。変動開始時点は、偏差の変動が少ない状況が所定の継続時間以上継続した後で、偏差の有意な変動が開始した時点となる。変動開始時点は、例えば、目標値が変更されるとき、プロセスからの出力値に外乱が付加されるとき、などに相当する。第２プロセスデータ解析部５２は、変動開始時点から所定の期間を含む期間を解析期間として特定する。この解析期間内のプロセスデータは、偏差の有意な変動に応じたプロセスの応答が観察されるため、プロセスの入出力関係を解析するうえで好都合である。解析期間の長さは、偏差の有意な変動が生じた時点から各プロセスからの出力値の変化量が所定の変化量未満に収束する時点までの時間よりも長ければよい。第２プロセスデータ解析部５２は、プロセスデータから解析対象プロセスと高寄与プロセスについて特定した解析期間内のプロセス値を示すデータを有効データとして読み出したプロセスデータから抽出する。第２プロセスデータ解析部５２は、抽出した有効データを出力予測モデル生成部５４と制御パラメータ情報生成部５６に出力する。   The second process data analysis unit 52 identifies the time point at which the deviation of the output value from the target value significantly changes in any output channel as the change time point. The output channel to be specified at the time of change is not limited to the output channel in the process of interest, and may include an output channel from a high contribution process. For example, the second process data analysis unit 52 determines whether or not the amount of change from the deviation at the time immediately before the deviation at the time point of interest as the processing target (at the time of interest) is greater than a predetermined change amount threshold value. The second process data analysis unit 52 identifies the time point of interest determined to be large as the fluctuation time point, and sets the other time points as non-fluctuation time points. Then, the second process data analysis unit 52 identifies a variation point in which the duration of the non-variation point until the identified variation point is longer than a predetermined duration as the variation start point. The fluctuation start time is a time when a significant fluctuation of the deviation starts after a situation where the fluctuation of the deviation is small continues for a predetermined duration or longer. The fluctuation start time corresponds to, for example, when the target value is changed, or when disturbance is added to the output value from the process. The second process data analysis unit 52 specifies a period including a predetermined period from the change start time as the analysis period. The process data within this analysis period is convenient for analyzing the input / output relationship of the process because the process response corresponding to a significant variation in deviation is observed. The length of the analysis period only needs to be longer than the time from when a significant variation in deviation occurs until the time when the change amount of the output value from each process converges below a predetermined change amount. The second process data analysis unit 52 extracts data indicating the process value within the analysis period specified for the analysis target process and the high contribution process from the process data from the process data read as valid data. The second process data analysis unit 52 outputs the extracted valid data to the output prediction model generation unit 54 and the control parameter information generation unit 56.

出力予測モデル生成部５４は、第２プロセスデータ解析部５２から入力された有効データから入力値セットと出力値セットを特定し、特定した入力値セットと出力値セットに対して機械学習を行う。入力値セットには、解析対象プロセスの各高寄与チャネルの入力値と解析対象プロセスに対応する高寄与プロセスの各高寄与チャネルの入力値が含まれる。他方、出力値セットには、解析対象プロセスの各出力チャネルの出力値が含まれる。ここで、出力予測モデル生成部５４は、プラント設備情報を参照して、特定した入力値セットに含まれる各チャネルの入力値の種別と、出力値セットに含まれる出力値の種別を特定する。出力予測モデル生成部５４は、機械学習により、入力値セットに対する出力値セットに写像する関数を示す出力予測モデルを生成する。出力予測モデル生成部５４は、入力値セットから出力予測モデルを作用して算出される各出力チャネルの出力値と目標出力値との偏差が小さくなるように、出力予測モデルを構成するモデルパラメータを再帰的に算出する。目標出力値として、有効データが示す出力チャネル毎の出力値（実測出力値）が用いられる。即ち、第２プロセスデータ解析部５２から入力された有効データが出力予測モデルの生成において、教師データとして用いられる。出力予測モデル生成部５４は、機械学習の手法として、例えば、深層学習を行う。深層学習とは、多層構造のニューラルネットワークを用いた機械学習である。出力予測モデル生成部５４は、各出力チャネルからの出力値と目標出力値との偏差の大きさを示すコスト値が、所定のコスト値未満になったとき、モデルが収束したと判定し学習を停止する。その後、出力予測モデル生成部５４は、学習により算出されたパラメータからなる出力予測モデルをプロセスシミュレーション部４０と制御パラメータ情報生成部５６に出力する。   The output prediction model generation unit 54 specifies an input value set and an output value set from the valid data input from the second process data analysis unit 52, and performs machine learning on the specified input value set and output value set. The input value set includes an input value of each high contribution channel of the analysis target process and an input value of each high contribution channel of the high contribution process corresponding to the analysis target process. On the other hand, the output value set includes the output value of each output channel of the analysis target process. Here, the output prediction model generation unit 54 refers to the plant facility information and identifies the type of input value of each channel included in the identified input value set and the type of output value included in the output value set. The output prediction model generation unit 54 generates an output prediction model indicating a function that maps to an output value set for an input value set by machine learning. The output prediction model generation unit 54 sets model parameters constituting the output prediction model so that the deviation between the output value of each output channel calculated by operating the output prediction model from the input value set and the target output value becomes small. Calculate recursively. As the target output value, an output value (measured output value) for each output channel indicated by the effective data is used. That is, the effective data input from the second process data analysis unit 52 is used as teacher data in generating the output prediction model. The output prediction model generation unit 54 performs, for example, deep learning as a machine learning method. Deep learning is machine learning using a multi-layered neural network. The output prediction model generation unit 54 determines that the model has converged and learns when the cost value indicating the magnitude of the deviation between the output value from each output channel and the target output value is less than a predetermined cost value. Stop. Thereafter, the output prediction model generation unit 54 outputs an output prediction model including parameters calculated by learning to the process simulation unit 40 and the control parameter information generation unit 56.

ニューラルネットワークは、入力層、中間層及び出力層を含んで構成される。入力層、出力層は、それぞれ１又は複数の入力端、出力端を有する。中間層は、複数の節点を有する。多層構造のニューラルネットワークとは、中間層の数が２層以上であるニューラルネットワークのことを指す。学習において、出力予測モデル生成部５４は、入力端、節点、出力端のそれぞれにおいて入力値と出力値の関係を与える活性化関数のパラメータをモデルパラメータとして算出する。活性化関数として、例えば、ランプ関数、ソフトサインなどのいずれかが用いられる。出力予測モデル生成部５４は、収束の判定に用いるコスト値として、例えば、入力値セットから算出される出力値と目標出力値の偏差の重み付き二乗和を用いる。
なお、第２プロセスデータ解析部５２が高寄与プロセスを検出しない場合には、高寄与プロセスの各高寄与チャネルの入力値は入力値セットに含まれない。また、入力値セットには、解析対象プロセスの全入力チャネルの入力値が含まれてもよい。 The neural network includes an input layer, an intermediate layer, and an output layer. The input layer and the output layer each have one or more input ends and output ends. The intermediate layer has a plurality of nodes. A multilayer neural network refers to a neural network having two or more intermediate layers. In learning, the output prediction model generation unit 54 calculates a parameter of an activation function that gives a relationship between an input value and an output value as a model parameter at each of an input end, a node, and an output end. As the activation function, for example, any of a ramp function and a soft sign is used. The output prediction model generation unit 54 uses, for example, a weighted square sum of the deviation between the output value calculated from the input value set and the target output value as the cost value used for the convergence determination.
If the second process data analysis unit 52 does not detect a high contribution process, the input value of each high contribution channel of the high contribution process is not included in the input value set. The input value set may include input values of all input channels of the analysis target process.

制御パラメータ情報生成部５６には、第２プロセスデータ解析部５２から有効データが入力され、出力予測モデル生成部５４から出力予測モデルが入力される。出力予測モデル生成部５４は、プラント設備情報を参照して、解析対象プロセスならびに高寄与プロセスに係る各制御ループの制御装置７０とその制御方式、目標値、入力値ならびに出力値の種別を特定する。制御パラメータ情報生成部５６は、少なくとも解析対象プロセスに係る制御装置７０の制御パラメータを最適化する。ここで、制御パラメータ情報生成部５６は、有効データが示す解析対象プロセス、高寄与プロセスのそれぞれの出力チャネル毎の実測出力値と目標値とから、当該各プロセスに係る入力チャネル毎に入力値を算出する。制御入力値を算出する際、当該各プロセスに係る制御装置７０で適用される制御方式（例えば、ＰＩＤ制御）を用いる。   The control parameter information generation unit 56 receives valid data from the second process data analysis unit 52 and receives an output prediction model from the output prediction model generation unit 54. The output prediction model generation unit 54 refers to the plant facility information, and specifies the control device 70 of each control loop related to the analysis target process and the high contribution process, its control method, target value, input value, and output value type. . The control parameter information generation unit 56 optimizes at least the control parameters of the control device 70 related to the analysis target process. Here, the control parameter information generation unit 56 calculates an input value for each input channel related to each process from the actually measured output value and the target value for each output channel of the analysis target process and the high contribution process indicated by the valid data. calculate. When calculating the control input value, a control method (for example, PID control) applied by the control device 70 related to each process is used.

制御パラメータ情報生成部５６は、算出した各入力チャネルから高寄与チャネルの入力値と、高寄与チャネルの出力値を含む入力値セットを特定し、特定した入力値セットについて、入力された出力予測モデルを用いて出力値セットを算出する。出力値セットには、解析対象プロセスの各出力チャネルの予測出力値が含まれる。出力値セットを算出する際に用いる機械学習モデルは、出力予測モデルの生成に用いる機械学習モデルと同じ種類であればよい。出力値セットを算出する際に用いる入力値セットは、出力予測モデルの生成に用いる入力値セットと同じ入力チャネルの入力値が含まれればよい。制御パラメータ情報生成部５６は、解析対象プロセスの各出力チャネルの予測出力値と目標値との偏差の大きさを示すコスト値を小さくするように解析対象プロセス、高寄与プロセスそれぞれの制御ループに係る制御装置７０の制御パラメータを算出する。従って、予測出力値が目標値に近づくことを報酬として制御パラメータが学習される。制御パラメータ情報生成部５６は、算出した制御パラメータをプロセス演算部４４に出力する。なお、制御パラメータの初期値は、予め設定された初期値であってもよいし、プロセスシミュレーション部４０からの再調整要求に付随して入力された制御パラメータであってもよい。   The control parameter information generation unit 56 specifies an input value set including the input value of the high contribution channel and the output value of the high contribution channel from the calculated input channels, and the input output prediction model is input for the specified input value set. Is used to calculate the output value set. The output value set includes the predicted output value of each output channel of the analysis target process. The machine learning model used when calculating the output value set may be the same type as the machine learning model used for generating the output prediction model. The input value set used when calculating the output value set only needs to include input values of the same input channel as the input value set used for generating the output prediction model. The control parameter information generation unit 56 relates to the control loop of each of the analysis target process and the high contribution process so as to reduce the cost value indicating the magnitude of the deviation between the predicted output value of each output channel of the analysis target process and the target value. A control parameter of the control device 70 is calculated. Therefore, the control parameter is learned with a reward that the predicted output value approaches the target value. The control parameter information generation unit 56 outputs the calculated control parameter to the process calculation unit 44. The initial value of the control parameter may be a preset initial value, or may be a control parameter input accompanying a readjustment request from the process simulation unit 40.

なお、制御パラメータ情報生成部５６は、コスト値として解析対象プロセスと当該解析対象プロセスに対応する高寄与プロセスの出力チャネル毎の予測出力値と偏差の出力チャネル間の重み付き二乗和を算出してもよい。出力チャネル毎の重み係数は、予め制御パラメータ情報生成部５６に設定しておく。これにより、解析対象プロセスと高寄与プロセスの全体について、制御パラメータが最適化される。
また、制御パラメータ最適化部３６が高寄与プロセスに係る制御装置７０の制御パラメータを並行して算出する場合、又は既に算出した場合がありうる。その場合には、制御パラメータ情報生成部５６は、高寄与プロセスに係る制御装置７０の制御パラメータを算出しなくてもよい。制御パラメータ情報生成部５６は、制御入力値の算出において、制御パラメータ最適化部３６が算出した制御パラメータを用いてもよい。 The control parameter information generation unit 56 calculates a weighted square sum between the predicted output value and the output channel of the deviation for each output channel of the analysis target process and the high contribution process corresponding to the analysis target process as the cost value. Also good. The weighting factor for each output channel is set in advance in the control parameter information generation unit 56. As a result, the control parameters are optimized for the entire analysis target process and the high contribution process.
In addition, there may be a case where the control parameter optimization unit 36 calculates the control parameters of the control device 70 related to the high contribution process in parallel, or has already calculated. In that case, the control parameter information generation unit 56 does not have to calculate the control parameter of the control device 70 related to the high contribution process. The control parameter information generation unit 56 may use the control parameter calculated by the control parameter optimization unit 36 in calculating the control input value.

制御パラメータ情報生成部５６は、解析対象プロセスに対応する高寄与プロセスをプロセス演算部４４に通知してもよい。従って、プロセス演算部４４は、シミュレーション対象のプロセスが指定されたとき、そのプロセスに対応する高寄与プロセスを特定することができる。また、プロセス演算部４４は、通知された高寄与プロセスに係る出力予測モデルを、プロセス同定部３４又は出力予測モデル生成部５４から取得する。プロセス演算部４４は、通知された高寄与プロセスに係る制御装置７０の制御パラメータを、制御パラメータ最適化部３６又は制御パラメータ情報生成部５６から取得する。
なお、制御パラメータ情報生成部５６は、パラメータ適用指示を示す操作信号が操作入力部（図示せず）から入力されるとき、算出した制御パラメータを、該当する制御装置７０に送信する。制御装置７０の制御演算部７２は、制御パラメータ情報生成部５６から受信した制御パラメータを制御演算に用いる。 The control parameter information generation unit 56 may notify the process calculation unit 44 of the high contribution process corresponding to the analysis target process. Therefore, when a process to be simulated is designated, the process calculation unit 44 can specify a high contribution process corresponding to the process. In addition, the process calculation unit 44 acquires the output prediction model related to the notified high contribution process from the process identification unit 34 or the output prediction model generation unit 54. The process calculation unit 44 acquires the control parameter of the control device 70 related to the notified high contribution process from the control parameter optimization unit 36 or the control parameter information generation unit 56.
The control parameter information generation unit 56 transmits the calculated control parameter to the corresponding control device 70 when an operation signal indicating a parameter application instruction is input from an operation input unit (not shown). The control calculation unit 72 of the control device 70 uses the control parameter received from the control parameter information generation unit 56 for the control calculation.

次に、出力予測モデル、制御パラメータの計算例について説明する。
図２は、出力予測モデル、制御パラメータの計算例を示す説明図である。
図２に示す例では、プラントＰＬに制御演算部７２−１〜７２−３をそれぞれ有する制御装置７０−１〜７０−３（図示せず）、センサ８２−１、８２−２及びアクチュエータ８４−１〜８４−３が設置されている。制御演算部７２−１〜７２−３は、それぞれＰＩＤ制御を実行するＰＩＤ制御器である。センサ８２−１、制御演算部７２−１及びアクチュエータ８４−１間、センサ８２−１、制御演算部７２−３及びアクチュエータ８４−３間、センサ８２−２、制御演算部７２−２及びアクチュエータ８４−２間でそれぞれ制御ループが形成される。センサ８２−１、制御演算部７２−１及びアクチュエータ８４−１からなる制御ループを制御ループ１と呼ぶ。センサ８２−１、制御演算部７２−３及びアクチュエータ８４−３からなる制御ループを制御ループ２と呼ぶ。センサ８２−２、制御演算部７２−２及びアクチュエータ８４−２からなる制御ループを制御ループ３と呼ぶ。制御ループ１〜３のうち、制御ループ１、２がプロセス１に対応し、制御ループ３がプロセス２に対応する。プロセス１に対応する制御ループ１、２間でセンサ８２−１が共有される。センサ８２−１は、プロセス２に対応する制御ループ３に係るセンサ８２−３とは独立である。 Next, calculation examples of an output prediction model and control parameters will be described.
FIG. 2 is an explanatory diagram illustrating a calculation example of the output prediction model and the control parameter.
In the example shown in FIG. 2, the control devices 70-1 to 70-3 (not shown), the sensors 82-1 and 82-2, and the actuator 84-having control arithmetic units 72-1 to 72-3 in the plant PL, respectively. 1-84-3 are installed. The control arithmetic units 72-1 to 72-3 are PID controllers that execute PID control. Between the sensor 82-1, the control calculation unit 72-1, and the actuator 84-1, between the sensor 82-1, the control calculation unit 72-3, and the actuator 84-3, the sensor 82-2, the control calculation unit 72-2, and the actuator 84. -2 form a control loop. A control loop including the sensor 82-1, the control calculation unit 72-1, and the actuator 84-1 is referred to as a control loop 1. A control loop including the sensor 82-1, the control calculation unit 72-3, and the actuator 84-3 is referred to as a control loop 2. A control loop including the sensor 82-2, the control calculation unit 72-2, and the actuator 84-2 is referred to as a control loop 3. Among the control loops 1 to 3, the control loops 1 and 2 correspond to the process 1, and the control loop 3 corresponds to the process 2. The sensor 82-1 is shared between the control loops 1 and 2 corresponding to the process 1. The sensor 82-1 is independent of the sensor 82-3 related to the control loop 3 corresponding to the process 2.

プラントＰＬは、例えば、化学プラントである。プロセス１は、反応器内のプロセスのように複雑なプロセスである。プロセス２は、反応器を構成するタンク内のプロセスのように比較的単純なプロセスである。そこで、この例では、プロセス１、３の出力予測モデルを機械学習モデルとし、プロセス２の出力予測モデルを伝達関数モデルとする。   The plant PL is, for example, a chemical plant. Process 1 is a complex process like the process in the reactor. Process 2 is a relatively simple process such as a process in a tank constituting the reactor. Therefore, in this example, the output prediction model of processes 1 and 3 is a machine learning model, and the output prediction model of process 2 is a transfer function model.

プロセスデータ収集部２０は、各プロセスに対応する制御ループ毎の入力値、出力値及び目標値のセットからなるプロセス値を制御装置７０−１〜７０−３（図１）から所定時間毎に取得する。この例では、各プロセスにおいて入力チャネル数、出力チャネル数は、それぞれ１チャネルである。
第２プロセスデータ解析部５２は、解析対象プロセスとしてプロセス１に対応する制御ループ１、２の出力値と、制御ループ１、２の入力値もしくは他プロセスとしてプロセス２に対応する制御ループ３の出力値との相関係数を算出する。第２プロセスデータ解析部５２は、算出した相関係数に基づいて制御ループ１、２からの出力値に対する高寄与入力値として制御ループ１、２の入力値をそれぞれ特定し、制御ループ２からの出力値に対する高寄与プロセスであるプロセス２からの高寄与出力値として制御ループ３からの出力値を特定する。第２プロセスデータ解析部５２は、制御ループ１〜３それぞれの出力値から変動時点を特定し、特定した変動時点に基づいて解析期間を定める。第２プロセスデータ解析部５２は、定めた解析期間内のプロセス１、２のプロセス値を含む有効データを抽出する。 The process data collection unit 20 obtains a process value including a set of input values, output values, and target values for each control loop corresponding to each process from the control devices 70-1 to 70-3 (FIG. 1) at predetermined time intervals. To do. In this example, each process has one input channel and one output channel.
The second process data analysis unit 52 outputs the output values of the control loops 1 and 2 corresponding to the process 1 as an analysis target process, the input values of the control loops 1 and 2 or the output of the control loop 3 corresponding to the process 2 as another process. The correlation coefficient with the value is calculated. The second process data analysis unit 52 specifies the input values of the control loops 1 and 2 as the high contribution input values for the output values from the control loops 1 and 2 based on the calculated correlation coefficient. The output value from the control loop 3 is specified as the high contribution output value from the process 2, which is a high contribution process to the output value. The 2nd process data analysis part 52 specifies a change time from each output value of control loops 1-3, and determines an analysis period based on the specified change time. The second process data analysis unit 52 extracts valid data including the process values of the processes 1 and 2 within the determined analysis period.

出力予測モデル生成部５４は、有効データに含まれる制御ループ１、２の入力値とプロセス３からの出力値からなる入力値セットに対するプロセス１に対応する制御ループ１、２の出力値からなる出力値セットについて機械学習を行う。機械学習により、入力値セットを出力値セットに写像するニューラルネットワークモデル（ＮＮモデルｎ０１）がプロセス１の出力予測モデルとして生成される。
他方、プロセス同定部３４（図１）は、制御ループ３の入力値に対する制御ループ３の出力値に写像する伝達関数ｔ０２を、プロセス２の出力予測モデルとして算出する。 The output prediction model generation unit 54 outputs the output values of the control loops 1 and 2 corresponding to the process 1 for the input value set including the input values of the control loops 1 and 2 and the output values from the process 3 included in the valid data. Perform machine learning on value sets. By machine learning, a neural network model (NN model n01) that maps an input value set to an output value set is generated as an output prediction model of process 1.
On the other hand, the process identification unit 34 (FIG. 1) calculates a transfer function t02 that maps to an output value of the control loop 3 with respect to an input value of the control loop 3 as an output prediction model of the process 2.

制御パラメータ情報生成部５６は、プロセス１に係る制御ループ１、２について予測出力値と目標値との偏差が小さくなるように制御演算部７２−１、７２−３における制御パラメータｐ０１、ｐ０２を定める。制御パラメータ情報生成部５６は、偏差の大きさを示すコスト値として平均二乗誤差を計算する。平均二乗誤差は、例えば、制御ループ１からの予測出力値Ａ１の目標値に対する偏差Ａ１’と制御ループ２からの予測出力値Ａ２の目標値に対する偏差Ａ２’の平方和である。
なお、制御パラメータ最適化部３６（図１）は、プロセス２に係る制御ループ３について予測出力値と目標値との偏差が小さくなるように制御演算部７２−２における制御パラメータｐ０３を定める。制御パラメータｐ０１〜ｐ０３には、それぞれ比例ゲインＫＰ、積分ゲインＫＩ、微分ゲインＫＤが含まれる。 The control parameter information generation unit 56 determines the control parameters p01 and p02 in the control calculation units 72-1 and 72-3 so that the deviation between the predicted output value and the target value for the control loops 1 and 2 related to the process 1 becomes small. . The control parameter information generation unit 56 calculates a mean square error as a cost value indicating the magnitude of the deviation. The mean square error is, for example, the sum of squares of the deviation A1 ′ with respect to the target value of the predicted output value A1 from the control loop 1 and the deviation A2 ′ with respect to the target value of the predicted output value A2 from the control loop 2.
The control parameter optimization unit 36 (FIG. 1) determines the control parameter p03 in the control calculation unit 72-2 so that the deviation between the predicted output value and the target value for the control loop 3 related to the process 2 is small. The control parameters p01 to p03 include a proportional gain K P , an integral gain K I , and a differential gain K D , respectively.

図２に示す例では、プロセス演算部４４は、プロセス１、２について入力値、出力値のシミュレーションを行う。
プロセス演算部４４は、制御演算部７２−１、７２−３、７２−２にそれぞれ入力される予測出力値と設定される目標値から制御パラメータｐ０１、ｐ０２、ｐ０３を用いて制御演算部７２−１、７２−３、７２−２から出力される予測入力値を算出する。
プロセス演算部４４は、制御演算部７２−１、７２−３から入力される予測入力値とプロセス２から出力される予測出力値Ａ２を含む入力値セットを特定する。プロセス演算部４４は、ＮＮセットｎ０１を用いて特定した入力値セットから予測出力値Ａ１を算出する（ＮＮモデル演算）。予測出力値Ａ１は、制御演算部７２−１、７２−２、７２−３に出力される。他方、プロセス演算部４４は、制御演算部７２−２から入力される予測入力値から伝達関数ｔ０２を用いて予測出力値Ａ２を算出する（伝達関数モデル演算）。 In the example illustrated in FIG. 2, the process calculation unit 44 performs simulation of input values and output values for the processes 1 and 2.
The process calculation unit 44 uses the control parameters p01, p02, and p03 based on the predicted output values input to the control calculation units 72-1, 72-3, and 72-2 and the set target values, so that the control calculation unit 72- 1, the prediction input value output from 72-3, 72-2 is calculated.
The process calculation unit 44 specifies an input value set including the predicted input value input from the control calculation units 72-1 and 72-3 and the predicted output value A <b> 2 output from the process 2. The process calculation unit 44 calculates the predicted output value A1 from the input value set specified using the NN set n01 (NN model calculation). The predicted output value A1 is output to the control calculation units 72-1, 72-2, and 72-3. On the other hand, the process calculation unit 44 calculates the predicted output value A2 using the transfer function t02 from the predicted input value input from the control calculation unit 72-2 (transfer function model calculation).

以上に説明したように、第２プロセスデータ解析部５２は、プロセス変動に主要な影響を及ぼす寄与度の高いデータを有効データとして抽出する。得られた有効データは、出力予測モデル生成部５４、制御パラメータ情報生成部５６に提供され、解析の効率化や精度を向上させることができる。
出力予測モデル生成部５４は、入出力関係を表現する出力予測モデルとして機械学習モデルを生成することができる。これにより、プロセス演算部４４は、伝達関数モデルなど従来の手法では同定できない複雑なプロセスの入出力をシミュレーションにより予測することができる。また、プロセス演算部４４は、従来の手法で同定された出力予測モデルと組み合わせて、複数のプロセス間の入出力をシミュレーションにより予測することができる。
制御パラメータ情報生成部５６によれば、生成された出力予測モデルによって予測される予測出力値が制御目標である目標値により近くなるように、制御パラメータの強化学習がなされる。 As described above, the second process data analysis unit 52 extracts, as valid data, data with a high contribution that has a major effect on process variation. The obtained effective data is provided to the output prediction model generation unit 54 and the control parameter information generation unit 56, and the efficiency and accuracy of analysis can be improved.
The output prediction model generation unit 54 can generate a machine learning model as an output prediction model expressing the input / output relationship. Thereby, the process calculation unit 44 can predict input / output of a complicated process such as a transfer function model that cannot be identified by a conventional method by simulation. In addition, the process calculation unit 44 can predict input / output between a plurality of processes by simulation in combination with an output prediction model identified by a conventional method.
According to the control parameter information generation unit 56, control parameter reinforcement learning is performed so that the predicted output value predicted by the generated output prediction model is closer to the target value that is the control target.

従って、上述した実施形態によれば、プロセスデータから機械学習を活用してプラントにおける複雑な入出力関係が解析される。また、プロセス変動への寄与度が高いデータが特定されるので、注目すべきデータが絞り込まれる。そのため、エンジニアリングにおける作業量を大幅に短縮することができる。
ここで、従来の手法では同定できないもしくは十分な精度が得られない複雑なプロセスに対して、その入出力関係をより高い精度で示す出力予測モデルが生成される。生成された出力予測モデルにより、より具現化可能な解析結果、例えば、所望のプロセスにおける制御状態を示す入出力やその指標が導出される。そのため、エンジニアは同定されたプロセスの状態を容易に把握することができる。
また、機械学習により生成された出力予測モデルにより導出される入出力に基づく制御パラメータの強化学習によって、さらに適切な制御パラメータが得られる。そのため、エンジニアによる制御パラメータの調整に係る作業が軽減する。 Therefore, according to the above-described embodiment, a complex input / output relationship in the plant is analyzed from the process data using machine learning. In addition, since data having a high degree of contribution to process variation is specified, data to be noted are narrowed down. Therefore, the amount of work in engineering can be greatly reduced.
Here, an output prediction model is generated that shows the input / output relationship with higher accuracy for a complex process that cannot be identified by the conventional method or for which sufficient accuracy cannot be obtained. From the generated output prediction model, an analysis result that can be realized more, for example, an input / output indicating a control state in a desired process and its index are derived. Therefore, the engineer can easily grasp the state of the identified process.
Further, more appropriate control parameters can be obtained by reinforcement learning of control parameters based on input / output derived from an output prediction model generated by machine learning. Therefore, the work related to the adjustment of the control parameter by the engineer is reduced.

以上、図面を参照してこの発明の実施形態について説明してきたが、具体的な構成は上述のものに限られることはなく、この発明の要旨を逸脱しない範囲内において様々な設計変更等をすることが可能である。
例えば、データ処理装置は、コンピュータで実現されてもよい。その場合、それぞれの制御機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、ＣＰＵ等の演算処理回路により実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、各装置に内蔵されたコンピュータシステムであって、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。また、上述したコンピュータシステムは、ネットワークを介して相互に各種のデータを送受信可能とするクラウドコンピューティングシステムの構成要素であるコンピューティングリソースとして構成されていてもよい。
また、上各装置の一部、又は全部は、ＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）等の集積回路として実現されてもよい。各装置の各機能ブロックは個別にプロセッサ化してもよいし、一部又は全部を集積してプロセッサ化してもよい。また、集積回路化の手法はＬＳＩに限らず専用回路、又は汎用プロセッサで実現してもよい。また、半導体技術の進歩によりＬＳＩに代替する集積回路化の技術が出現した場合、当該技術による集積回路を用いてもよい。 The embodiments of the present invention have been described above with reference to the drawings. However, the specific configuration is not limited to the above, and various design changes and the like are made without departing from the scope of the present invention. It is possible.
For example, the data processing device may be realized by a computer. In that case, a program for realizing each control function is recorded on a computer-readable recording medium, the program recorded on the recording medium is read into a computer system, and executed by an arithmetic processing circuit such as a CPU. It may be realized by. Here, the “computer system” is a computer system built in each device, and includes an OS and hardware such as peripheral devices. The “computer-readable recording medium” refers to a storage device such as a flexible medium, a magneto-optical disk, a portable medium such as a ROM and a CD-ROM, and a hard disk incorporated in a computer system. Furthermore, the “computer-readable recording medium” is a medium that dynamically holds a program for a short time, such as a communication line when transmitting a program via a network such as the Internet or a communication line such as a telephone line, In this case, a volatile memory inside a computer system that serves as a server or a client may be included that holds a program for a certain period of time. The program may be a program for realizing a part of the functions described above, and may be a program capable of realizing the functions described above in combination with a program already recorded in a computer system. Further, the computer system described above may be configured as a computing resource that is a component of a cloud computing system that can transmit and receive various types of data to and from each other via a network.
Further, part or all of the above devices may be realized as an integrated circuit such as an LSI (Large Scale Integration). Each functional block of each device may be individually made into a processor, or a part or all of them may be integrated into a processor. Further, the method of circuit integration is not limited to LSI, and may be realized by a dedicated circuit or a general-purpose processor. In addition, when an integrated circuit technology that replaces LSI appears due to the advancement of semiconductor technology, an integrated circuit based on the technology may be used.

１…プロセス制御システム、１０…データ処理装置、２０…プロセスデータ収集部、２２…プロセスデータ解析部、３０…プロセス最適化部、３２…周波数解析部、３４…プロセス同定部、３６…制御パラメータ最適化部、４０…プロセスシミュレーション部、４２…プラント設備情報保持部、４４…プロセス演算部、５２…第２プロセスデータ解析部、７０（７０−１、７０−２、７０−３）…制御装置、７２（７２−１、７２−２、７２−３）制御演算部、８２（８２−１、８２−２、８２−３）…センサ、８４（８４−１、８４−２、８４−３）…アクチュエータ DESCRIPTION OF SYMBOLS 1 ... Process control system, 10 ... Data processing apparatus, 20 ... Process data collection part, 22 ... Process data analysis part, 30 ... Process optimization part, 32 ... Frequency analysis part, 34 ... Process identification part, 36 ... Control parameter optimization , 40 ... process simulation unit, 42 ... plant equipment information holding unit, 44 ... process calculation unit, 52 ... second process data analysis unit, 70 (70-1, 70-2, 70-3) ... control device, 72 (72-1, 72-2, 72-3) control calculation unit, 82 (82-1, 82-2, 82-3) ... sensor, 84 (84-1, 84-2, 84-3) ... Actuator

Claims (9)

少なくとも１つのプロセスに対する入力値と前記プロセスからの出力値である実測出力値に対して機械学習を行って前記プロセスの出力予測モデルを生成する出力予測モデル生成部と、
前記出力予測モデルと前記入力値に基づいて前記出力値の予測値である予測出力値を算出し、前記予測出力値と前記プロセスからの出力値の目標である目標値との差が減少するように前記プロセスを制御する制御装置の制御パラメータを定める制御パラメータ情報生成部と、
を備えるデータ処理装置。 An output prediction model generation unit that performs machine learning on an input value for at least one process and an actual output value that is an output value from the process to generate an output prediction model of the process;
A predicted output value that is a predicted value of the output value is calculated based on the output predicted model and the input value, so that a difference between the predicted output value and a target value that is a target of the output value from the process is reduced. A control parameter information generator for determining control parameters of a control device for controlling the process;
A data processing apparatus comprising: 前記プロセスである第１プロセスとは別個の第２プロセスに対する入力値と前記第２プロセスからの出力値である実測出力値に基づいて前記第２プロセスの伝達関数を計算するプロセス同定部を、さらに備え、
前記制御パラメータ情報生成部は、前記第２プロセスの伝達関数と前記第２プロセスに対する入力値に基づいて前記第２プロセスからの予測出力値を算出し、
各プロセスにおける前記予測出力値と目標値との差が減少するように、プロセス毎の前記制御パラメータを定める
請求項１に記載のデータ処理装置。 A process identification unit that calculates a transfer function of the second process based on an input value for a second process separate from the first process that is the process and an actual output value that is an output value from the second process; Prepared,
The control parameter information generation unit calculates a predicted output value from the second process based on a transfer function of the second process and an input value to the second process;
The data processing apparatus according to claim 1, wherein the control parameter for each process is determined so that a difference between the predicted output value and the target value in each process decreases. 第１プロセスおよび第２プロセスそれぞれのプロセス毎の予測出力値と目標値との偏差の大きさを示すコスト値を算出し、それらプロセス毎のコスト値に重み係数を乗じて得られる乗算値の総和として得られるコスト値を評価関数として、その評価関数が減少するように、プロセス毎の前記制御パラメータを定める請求項１又は請求項２に記載のデータ処理装置。   The sum of multiplication values obtained by calculating a cost value indicating the magnitude of deviation between the predicted output value and the target value for each process of the first process and the second process, and multiplying the cost value for each process by a weighting factor. The data processing apparatus according to claim 1, wherein the control parameter for each process is determined so that the evaluation function decreases with the cost value obtained as the evaluation function as an evaluation function. プロセス毎のコスト値として二乗誤差を用いる請求項３に記載のデータ処理装置。   The data processing apparatus according to claim 3, wherein a square error is used as a cost value for each process. 前記入力値と前記出力値を含むプロセス毎のプロセスデータから、解析対象のプロセスからの前記出力値に対する寄与度が所定の寄与度よりも高い入力値もしくは他のプロセスの出力値を特定し、特定した入力値もしくは出力値を含む有効データを抽出するプロセスデータ解析部を、
さらに備える請求項１から請求項４のいずれかに記載のデータ処理装置。 From the process data for each process including the input value and the output value, specify and specify an input value or an output value of another process whose contribution to the output value from the process to be analyzed is higher than a predetermined contribution Process data analysis unit that extracts valid data including input values or output values
The data processing apparatus according to any one of claims 1 to 4, further comprising: 前記出力予測モデルは、ニューラルネットワークで表現された出力予測モデルである
請求項１から請求項５のいずれかに記載のデータ処理装置。 The data processing device according to any one of claims 1 to 5, wherein the output prediction model is an output prediction model expressed by a neural network. 請求項１から請求項６のいずれかに記載のデータ処理装置と、前記プロセスを制御する制御装置と、
を備える制御システム。 A data processing device according to any one of claims 1 to 6, a control device for controlling the process,
A control system comprising: データ処理装置におけるデータ処理方法であって、
少なくとも１つのプロセスに対する入力値と前記プロセスからの出力値である実測出力値に対して機械学習を行って前記プロセスの出力予測モデルを生成する出力予測モデル生成過程と、
前記出力予測モデルと前記入力値に基づいて前記出力値の予測値である予測出力値を算出し、前記予測出力値と前記プロセスからの出力値の目標である目標値との差が減少するように前記プロセスを制御する制御装置の制御パラメータを定める制御パラメータ情報生成過程と、
を有するデータ処理方法。 A data processing method in a data processing apparatus,
An output prediction model generation step of generating an output prediction model of the process by performing machine learning on an input value for at least one process and an actual output value that is an output value from the process;
A predicted output value that is a predicted value of the output value is calculated based on the output predicted model and the input value, so that a difference between the predicted output value and a target value that is a target of the output value from the process is reduced. A control parameter information generation step for determining control parameters of a control device for controlling the process;
A data processing method. データ処理装置のコンピュータに、
少なくとも１つのプロセスに対する入力値と前記プロセスからの出力値である実測出力値に対して機械学習を行って前記プロセスの出力予測モデルを生成する出力予測モデル生成手順と、
前記出力予測モデルと前記入力値に基づいて前記出力値の予測値である予測出力値を算出し、前記予測出力値と前記プロセスからの出力値の目標である目標値との差が減少するように前記プロセスを制御する制御装置の制御パラメータを定める制御パラメータ情報生成手順と、
を実行させるためのプログラム。 In the computer of the data processing device,
An output prediction model generation procedure for generating an output prediction model of the process by performing machine learning on an input value for at least one process and an actual output value that is an output value from the process;
A predicted output value that is a predicted value of the output value is calculated based on the output predicted model and the input value, so that a difference between the predicted output value and a target value that is a target of the output value from the process is reduced. Control parameter information generation procedure for determining control parameters of a control device for controlling the process;
A program for running
JP2017140922A 2017-07-20 2017-07-20 Data processing equipment, control systems, data processing methods and programs Active JP6985833B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2017140922A JP6985833B2 (en) 2017-07-20 2017-07-20 Data processing equipment, control systems, data processing methods and programs

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017140922A JP6985833B2 (en) 2017-07-20 2017-07-20 Data processing equipment, control systems, data processing methods and programs

Publications (2)

Publication Number Publication Date
JP2019021186A true JP2019021186A (en) 2019-02-07
JP6985833B2 JP6985833B2 (en) 2021-12-22

Family

ID=65353685

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017140922A Active JP6985833B2 (en) 2017-07-20 2017-07-20 Data processing equipment, control systems, data processing methods and programs

Country Status (1)

Country Link
JP (1) JP6985833B2 (en)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020183888A1 (en) * 2019-03-11 2020-09-17 株式会社日立製作所 Real-time controller, distributed control system using same, and industrial machine
KR102216713B1 (en) * 2020-07-16 2021-02-16 한전케이피에스 주식회사 Transfer function linearization to use Least Square Method and System for controller tuning based on pre-response
JP2021071913A (en) * 2019-10-31 2021-05-06 株式会社日立製作所 Control device
JP2021082367A (en) * 2021-03-05 2021-05-27 エヌ・ティ・ティ・コミュニケーションズ株式会社 Simulation device, simulation method, and simulation program
JP2022532143A (en) * 2019-05-09 2022-07-13 アスペン テクノロジー インコーポレイテッド Modeling the process industry that combines machine learning with expertise and first principles
JP2022169825A (en) * 2021-04-28 2022-11-10 横河電機株式会社 Evaluation apparatus, evaluation method, evaluation program, control apparatus, and control program
US11754998B2 (en) 2019-10-18 2023-09-12 Aspentech Corporation System and methods for automated model development from plant historical data for advanced process control
US11782401B2 (en) 2019-08-02 2023-10-10 Aspentech Corporation Apparatus and methods to build deep learning controller using non-invasive closed loop exploration

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05173602A (en) * 1991-12-21 1993-07-13 Toshiba Corp Adaptive type model predictive controller
JP2009518750A (en) * 2005-12-05 2009-05-07 フィッシャー−ローズマウント システムズ， インコーポレイテッド Multi-objective predictive process optimization with simultaneous process simulation
JP2016119067A (en) * 2014-11-26 2016-06-30 ゼネラル・エレクトリック・カンパニイ Method and system for enhancing control of power plant generating unit

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05173602A (en) * 1991-12-21 1993-07-13 Toshiba Corp Adaptive type model predictive controller
JP2009518750A (en) * 2005-12-05 2009-05-07 フィッシャー−ローズマウント システムズ， インコーポレイテッド Multi-objective predictive process optimization with simultaneous process simulation
JP2016119067A (en) * 2014-11-26 2016-06-30 ゼネラル・エレクトリック・カンパニイ Method and system for enhancing control of power plant generating unit

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113366394B (en) * 2019-03-11 2023-10-10 株式会社日立制作所 Real-time controller, and distributed control system and industrial machine using same
JP7156982B2 (en) 2019-03-11 2022-10-19 株式会社日立製作所 Real-time controllers and distributed control systems using them, industrial machines
CN113366394A (en) * 2019-03-11 2021-09-07 株式会社日立制作所 Real-time controller, distributed control system using same, and industrial machine
JP2020149100A (en) * 2019-03-11 2020-09-17 株式会社日立製作所 Real-time controller and distributed control system and industrial machinery using the same
WO2020183888A1 (en) * 2019-03-11 2020-09-17 株式会社日立製作所 Real-time controller, distributed control system using same, and industrial machine
JP2022532143A (en) * 2019-05-09 2022-07-13 アスペン テクノロジー インコーポレイテッド Modeling the process industry that combines machine learning with expertise and first principles
JP7460657B2 (en) 2019-05-09 2024-04-02 アスペンテック・コーポレーション Process industry modeling combines machine learning with expertise and first principles
US11853032B2 (en) 2019-05-09 2023-12-26 Aspentech Corporation Combining machine learning with domain knowledge and first principles for modeling in the process industries
US11782401B2 (en) 2019-08-02 2023-10-10 Aspentech Corporation Apparatus and methods to build deep learning controller using non-invasive closed loop exploration
US11754998B2 (en) 2019-10-18 2023-09-12 Aspentech Corporation System and methods for automated model development from plant historical data for advanced process control
JP7339851B2 (en) 2019-10-31 2023-09-06 株式会社日立製作所 Control device
JP2021071913A (en) * 2019-10-31 2021-05-06 株式会社日立製作所 Control device
KR102216713B1 (en) * 2020-07-16 2021-02-16 한전케이피에스 주식회사 Transfer function linearization to use Least Square Method and System for controller tuning based on pre-response
JP2021082367A (en) * 2021-03-05 2021-05-27 エヌ・ティ・ティ・コミュニケーションズ株式会社 Simulation device, simulation method, and simulation program
JP7084520B2 (en) 2021-03-05 2022-06-14 エヌ・ティ・ティ・コミュニケーションズ株式会社 Simulation equipment, simulation method and simulation program
JP2022169825A (en) * 2021-04-28 2022-11-10 横河電機株式会社 Evaluation apparatus, evaluation method, evaluation program, control apparatus, and control program

Also Published As

Publication number Publication date
JP6985833B2 (en) 2021-12-22

Similar Documents

Publication Publication Date Title
JP6985833B2 (en) Data processing equipment, control systems, data processing methods and programs
JP6928119B2 (en) Computer systems and methods for building and deploying predictive inference models online
JP2021101388A (en) Computer system and method for dynamic construction and online deployment of operation-centric first-principles process model for predictive analytics
JP5734961B2 (en) Apparatus and method for estimating model quality and adapting model in multivariable process control
JP2019527413A (en) Computer system and method for performing root cause analysis to build a predictive model of rare event occurrences in plant-wide operations
JP2019519871A (en) Control the target system using forecasting
CN103439887B (en) PI attitude conirol method and system optimal lower order system ITAE
WO2019234810A1 (en) Learning device, inference device, method, and program
CN111433689B (en) Generation of control systems for target systems
CN101799888A (en) Industrial soft measurement method based on bionic intelligent ant colony algorithm
JP6086875B2 (en) Power generation amount prediction device and power generation amount prediction method
JP4908433B2 (en) Control parameter adjustment method and control parameter adjustment program
CN114977176B (en) Power load decomposition method, device, equipment and storage medium
CN114329347B (en) Method and device for predicting metering error of electric energy meter and storage medium
JP6870330B2 (en) Data processing device and data processing method
JP5125875B2 (en) PID controller tuning apparatus, PID controller tuning program, and PID controller tuning method
WO2020003624A1 (en) Power consumption estimation device
JP2009276981A (en) Device, program, and method for tuning pid controller
JPWO2016203757A1 (en) Control apparatus, information processing apparatus using the same, control method, and computer program
Arranz et al. On the selection of control configurations for uncertain systems using gramian-based interaction measures
JPH06266409A (en) Model predictive controller
JP2021120833A (en) Model update device and method and process control system
JP4155508B2 (en) Control parameter adjustment method for control device
JP7443609B1 (en) Learning devices, learning methods and learning programs
JP7395076B2 (en) Equipment control device and equipment control method

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20170817

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200619

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210803

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210916

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: 20211116

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20211126

R150 Certificate of patent or registration of utility model

Ref document number: 6985833

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S111 Request for change of ownership or part of ownership

Free format text: JAPANESE INTERMEDIATE CODE: R313117

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350