JP2020112921A - プラント制御調節装置 - Google Patents

Abstract

【課題】プラントの変動を検出するフィルタを不要とし、計算負荷を低減することができるプラント制御調節装置を提供する。【解決手段】プラント制御調節装置は、プラントの同定を行うと共にＰＩＤパラメータを調整する調整部２０と、複数の模擬ＰＩＤパラメータと複数パターンの模擬設定値の時系列データとを用いて、仮想システムによるシミュレーションを行い、模擬計測値の時系列データを各々求めて、模擬ＰＩＤパラメータをラベルとする模擬設定値及び模擬計測値の時系列データのデータセットを生成し、データセットをニューラルネットワークで学習して学習モデルを生成する学習部３０と、学習モデルを用いて、入力された計測値がどのラベルに該当するか分類することで、プラントの変動を監視する推論部４０とを有し、調整部２０は、推論部４０でプラントが変動ありと判定された場合、ＰＩＤパラメータの再調整を行う。【選択図】図３

Description

本発明は、プラント設備におけるプラント制御調節装置に関する。

本発明者等が既に提案したプラント制御調節装置では、一度収集したデータからプラントの同定モデルを作成し、その後は、運転中のプラントの出力のみからプラントの変動を検出するようにしている（特許文献１）。また、ニューラルネットワークを用いて、動的なプラントの同定を行って、制御を行う先行技術が知られている（特許文献２）。

特願２０１８−０４３４１１号 特開平３−２６５９０２号公報 特開２０１８−０７７６６３号公報

上記の特許文献１において、プラントの変動を確実に検出するためには、フィルタの設計が非常に重要かつ繊細であり、フィルタの設計にノウハウが必要な点が障害となっている。また、上記の特許文献２では、常時ニューラルネットワークに学習させる形になるため、コントローラにかかる計算負荷が非常に大きく、相応の演算能力が必要であるほか、いつまで学習するのかがはっきりしていない。

本発明は上記課題に鑑みなされたもので、プラントの変動を検出するフィルタを不要とし、計算負荷を低減することができるプラント制御調節装置を提供することを目的とする。

上記課題を解決する第１の発明に係るプラント制御調節装置は、
設定値に基づく操作量を制御装置からプラントへ送信し、前記操作量により操作された前記プラントの計測値を前記制御装置へ送信し、前記設定値と前記計測値に基づいて前記操作量を前記制御装置がフィードバック制御する制御系から、前記設定値、前記操作量及び前記計測値と共に前記操作量をフィードバック制御する際の制御パラメータを取得して、前記制御パラメータを調整するプラント制御調節装置において、
１回の試験で取得した前記設定値、前記操作量及び前記計測値の時系列データから前記プラントの同定を行うと共に前記制御パラメータを調整する調整部と、
同定した前記プラントと前記制御装置に基づく仮想システムを構成し、前記制御パラメータの可動範囲内にある複数の模擬制御パラメータと前記設定値の可動範囲内にある複数パターンの模擬設定値の時系列データとを用いて、前記仮想システムによるシミュレーションを行い、対応する模擬計測値の時系列データを各々求めて、各々の前記模擬制御パラメータをラベルとする前記模擬設定値の時系列データと対応する前記模擬計測値の時系列データのデータセットを生成し、前記データセットをニューラルネットワークで学習して、前記プラントと前記制御装置の学習モデルを生成する学習部と、
前記学習モデルを用いて、入力された前記計測値がどの前記ラベルに該当するか分類することで、前記プラントの変動を監視する推論部とを有し、
前記調整部は、前記推論部で前記プラントが変動ありと判定された場合、前記制御パラメータの再調整を行う
ことを特徴とする。

上記課題を解決する第２の発明に係るプラント制御調節装置は、
上記第１の発明に記載のプラント制御調節装置において、
前記学習部は、前記調整部で前記制御パラメータの再調整を行った場合、前記学習モデルの生成を再度行う
ことを特徴とする。

上記課題を解決する第３の発明に係るプラント制御調節装置は、
上記第１又は第２の発明に記載のプラント制御調節装置において、
前記学習部は、
正規乱数をもとに生成された複数のステップ信号を用いて、複数パターンの前記模擬設定値の時系列データを生成する設定値生成器を有する
ことを特徴とする。

上記課題を解決する第４の発明に係るプラント制御調節装置は、
上記第１又は第２の発明に記載のプラント制御調節装置において、
前記学習部は、
初期値と最終値とステップ時間の可動範囲を等分割した点の組み合わせにより生成された複数のステップ信号を用いて、複数パターンの前記模擬設定値の時系列データを生成する設定値生成器を有する
ことを特徴とする。

上記課題を解決する第５の発明に係るプラント制御調節装置は、
上記第３又は第４の発明に記載のプラント制御調節装置において、
前記学習部は、
前記ニューラルネットワークで学習する前に、前記データセットの前記模擬設定値及び前記模擬計測値の時系列データに所定の揺らぎを与える前処理を行うデータ前処理部を有する
ことを特徴とする。

上記課題を解決する第６の発明に係るプラント制御調節装置は、
上記第１又は第２の発明に記載のプラント制御調節装置において、
前記学習部は、
ステップ振幅が同じである複数種類のステップ信号を用いて、複数パターンの前記模擬設定値の時系列データを生成する設定値生成器と、
前記データセットの前記模擬設定値及び前記模擬計測値の時系列データから、上下を値とし、左右を時間とする画像データを各々生成して保存するデータセット保存部と、
前記ニューラルネットワークで学習する前に、各々の前記画像データに対して、上下の位置シフト、左右の位置シフト、上下反転及び上下方向の拡大又は縮小のうちの少なくとも１つの前処理を行うデータ前処理部とを有し、
前記ニューラルネットワークでは、当該ニューラルネットワークのライブラリである画像処理アルゴリズムを利用して、複数の前記画像データの学習を行う
ことを特徴とする。

上記課題を解決する第７の発明に係るプラント制御調節装置は、
上記第１又は第２の発明に記載のプラント制御調節装置において、
前記学習部は、
ステップ振幅が異なる複数種類のステップ信号を用いて、複数パターンの前記模擬設定値の時系列データを生成する設定値生成器と、
前記データセットの前記模擬設定値及び前記模擬計測値の時系列データから、上下を値とし、左右を時間とする画像データを各々生成して保存するデータセット保存部と、
前記ニューラルネットワークで学習する前に、各々の前記画像データに対して、上下の位置シフト、左右の位置シフト及び上下反転のうちの少なくとも１つの前処理を行うデータ前処理部とを有し、
前記ニューラルネットワークでは、当該ニューラルネットワークのライブラリである画像処理アルゴリズムを利用して、複数の前記画像データの学習を行う
ことを特徴とする。

上記課題を解決する第８の発明に係るプラント制御調節装置は、
上記第１又は第２の発明に記載のプラント制御調節装置において、
前記学習部は、
前記プラントと前記制御装置を含むシステムが、当該システムの各動作領域で各々線形化された非線形システムである場合、前記動作領域に各々対応する複数種類のステップ信号を用いて、複数パターンの前記模擬設定値の時系列データを生成する設定値生成器と、
前記データセットの前記模擬設定値及び前記模擬計測値の時系列データから、上下を値とし、左右を時間とする画像データを各々生成して保存するデータセット保存部と、
前記ニューラルネットワークで学習する前に、各々の前記画像データに対して、左右の位置シフト及び上下方向の拡大又は縮小のうちの少なくとも１つの前処理を行うデータ前処理部とを有し、
前記ニューラルネットワークでは、当該ニューラルネットワークのライブラリである画像処理アルゴリズムを利用して、複数の前記画像データの学習を行う
ことを特徴とする。

上記課題を解決する第９の発明に係るプラント制御調節装置は、
上記第３から第８のいずれか１つの発明に記載のプラント制御調節装置において、
前記設定値生成器は、前記ステップ信号に代えて、正弦波を用いる
ことを特徴とする。

上記課題を解決する第１０の発明に係るプラント制御調節装置は、
上記第３から第８のいずれか１つの発明に記載のプラント制御調節装置において、
前記設定値生成器は、前記ステップ信号に代えて又は前記ステップ信号に加えて、ランプ信号を用いる
ことを特徴とする。

上記課題を解決する第１１の発明に係るプラント制御調節装置は、
前記設定値生成器は、上記第３から第８のいずれか１つの発明に記載のプラント制御調節装置における前記ステップ信号のステップ時間を固定する、又は、上記第９の発明に記載のプラント制御調節装置における前記正弦波の位相を固定する、又は、上記第１０の発明に記載のプラント制御調節装置における前記ランプ信号のランプ時間を固定する
ことを特徴とする。

本発明によれば、プラントの変動を検出するフィルタを不要とし、計算負荷を低減することができるプラント制御調節装置を提供することができる。

本発明に係るプラント制御調節装置とプラントと制御装置を説明するブロック図である。 図１に示したプラント制御調節装置を説明するブロック図である。 図２に示した学習部の実施形態の一例（実施例１）を説明するブロック図である。 図３に示した学習モデル部を説明するブロック図である。 図２に示した推論部を説明するブロック図である。 図２に示した学習部の実施形態の他の一例（実施例２）を説明するブロック図である。 組み合わせテーブルを説明する図である。 組み合わせテーブルの一例を示す図である。 図７Ｂに示した組み合わせテーブルにおいて、揺らぎの範囲を示す図である。 図２に示した学習部の実施形態の他の一例（実施例４）を説明するブロック図である。 図９に示したデータセット保存部及びデータ前処理部を説明するブロック図である。 基準ステップ信号を示す図である。 基準ステップ信号から左右シフト±２５％の対応領域を示す図である。 基準ステップ信号から上下シフト±２５％の対応領域を示す図である。 基準ステップ信号から上下シフト±２５％＋上下反転の対応領域を示す図である。 基準ステップ信号を示す図である。 基準ステップ信号から左右シフト±２５％の対応領域を示す図である。 基準ステップ信号から上下シフト±２５％の対応領域を示す図である。 基準ステップ信号から上下シフト±２５％＋上下反転の対応領域を示す図である。 ステップ振幅５％の基準ステップ信号を示す図である。 ステップ振幅１０％の基準ステップ信号を示す図である。 ステップ振幅１５％の基準ステップ信号を示す図である。 ステップ振幅２０％の基準ステップ信号を示す図である。 ステップ振幅２５％の基準ステップ信号を示す図である。 ある動作領域での基準ステップ信号を示す図である。 図１４Ａとは異なる動作領域での基準ステップ信号を示す図である。 図１４Ａ及び図１４Ｂとは異なる動作領域での基準ステップ信号を示す図である。 正弦波信号を示す図である。 ランプ信号を示す図である。

本発明は、１回の試験で収集したデータからプラントの同定（プラントの伝達関数の同定）を行った後に、コントローラのＰＩＤパラメータ（制御パラメータ）のゲインを振ったシミュレーションを複数回行って、データセットを自動生成し、このデータセットとニューラルネットワークによって、コントローラとプラントを含めたシステムを学習させた学習モデルを生成し、生成した学習モデルの推論によって、プラントの変動を分類問題として解くプラント制御調節装置である。

以下、上述した特徴を有する本発明に係るプラント制御調節装置（以降、調節装置と略す）について、図１〜図１６を参照して、その実施形態を説明する。

［実施例１］
本実施例の調節装置について、図１〜図５を参照して説明する。

（構成・構造）
プラントＰ、制御装置Ｅ、本実施例の調節装置１０のブロック図を図１に示す。制御装置ＥのコントローラＣとプラントＰは、コントローラＣがプラントＰのフィードバック制御を行う制御系となっている。具体的には、設定値ＳＶに基づく操作量ＭＶをコントローラＣからプラントＰへ送信し、操作量ＭＶにより操作されたプラントＰの計測値ＰＶをコントローラＣへ送信し、設定値ＳＶと計測値ＰＶに基づいて操作量ＭＶをコントローラＣがフィードバック制御している。このとき、調節装置１０は、制御装置Ｅから設定値ＳＶと操作量ＭＶと計測値ＰＶの３つの時系列データを取得すると共に、操作量ＭＶをフィードバック制御する際のＰＩＤパラメータをコントローラＣから取得し、これらをもとに、プラントＰの同定と推論を行って、コントローラＣのＰＩＤパラメータの調整を行っている。

制御装置Ｅは、ＰＬＣ（プログラマブルロジックコントローラ、通称シーケンサ）を一例として用いるが、ＰＩＤ制御を行うものであれば、ループコントローラやマイコンなどでもよい。また、調節装置１０は別装置となっているが、図中の点線矢印で表されるのはデジタルデータであり、調節装置１０及び制御装置Ｅの演算は全てソフトウェアプログラムであるので、制御装置Ｅの演算性能に余力があるのであれば、制御装置Ｅと同一の機器内で同時に実行してもよい。但し、制御装置Ｅとして例に挙げたＰＬＣでは、多くのメーカー品で演算性能が不足すると考えられるため、調節装置１０には別の装置（例えば、ラップトップＰＣ）を用いる。

図１の調節装置１０の内部は大きく分けて図２のようになっている。具体的には、推論部４０からの判定結果と、得られた設定値ＳＶ、操作量ＭＶ及び計測値ＰＶと、ＰＩＤパラメータとから、プラントＰの同定ならびにＰＩＤパラメータの調整を行う調整部２０と、調整部２０で得られた同定プラントからシミュレーションを行って訓練データを生成し、これをニューラルネットワークで学習して学習モデルを生成する学習部３０Ａと、生成した学習モデルを用いて、得られた設定値ＳＶ、操作量ＭＶ及び計測値ＰＶとＰＩＤパラメータとから、コントローラＣやプラントＰの状態の推論を行う推論部４０とに分かれている。

図３は、図２の学習部３０Ａを説明するブロック図である。学習部３０Ａ内で行うシミュレーションのため、図１と類似の構成となるように、コントローラＣの位置に、調整部２０が調整したものと全く同じ構成を持った仮想コントローラＣｖを配置し、プラントＰの位置に、調整部２０によって求められた同定プラントＰｉを配置して、仮想システムＶを構成する。そして、学習部３０Ａは、仮想システムＶを用いた学習のために、ＰＩＤパラメータ生成器３１、設定値生成器３２、乱数生成器３３、データセット作成部３４、データセット保存部３５、学習モデル部５０を有している。

ＰＩＤパラメータ生成器３１は、調整部２０のＰＩＤパラメータをもとに仮想コントローラＣｖのＰＩＤパラメータ（模擬制御パラメータ）を生成し、これを仮想コントローラＣｖに入力する。設定値生成器３２は、乱数生成器３３からの正規乱数をもとに生成されたステップ信号を用いて、設定値ＳＶｖ（模擬設定値）の時系列データを生成し、これを仮想システムＶに入力する。ステップ信号では、その初期値と最終値とステップ時間の３つが、それらの可動範囲において、正規乱数をもとにそれぞれ決定されている。

データセット作成部３４は、仮想システムＶに入力された設定値ＳＶｖと仮想システムＶから出力される計測値ＰＶｖ（模擬計測値）の二つの時系列データを信号データとしてまとめ、更に、仮想コントローラＣｖに入力されたＰＩＤパラメータを基にラベルを作成の上、データセットを作成し、データセット保存部３５で保存する。

学習モデル部５０は、図４に詳細を示すように、データ前処理部５１とニューラルネットワーク（以降、ＮＮと略す）５２とを有している。データセット保存部３５で保存されたデータセットは、データ前処理部５１によって前処理が行われた後にＮＮ５２に入力され、ここで学習が行われる。ここまでが学習部３０Ａである。但し、学習モデル部５０は推論部４０と共有している。ＮＮ５２からは評価結果と学習モデルデータが出力されるが、評価結果はＮＮ５２自身の更新のために利用されるので、ここでは記載していない。学習モデルデータのみ推論部４０に送られる。

推論部４０を図５に示す。推論部４０は、学習モデル部５０と判定部４１とを有している。推論部４０は、学習部３０Ａの学習モデル部５０を共有しており、ここに学習部３０Ａから送られた学習モデルデータが入力されて、学習後モデルが再現される形になっている。計測された設定値ＳＶ、計測値ＰＶは、データ前処理部５１で前処理が行われた後にＮＮ５２に入力され、推論されて、分類結果が出力される。図４の場合の学習モデル部５０と異なり、図５の学習モデル部５０は解答なしであるため、評価ではなく、分類結果となっている。判定部４１は、出力された分類結果と実際のＰＩＤパラメータとを照らし合わせて、同じＰＩＤパラメータであるかどうかを判定する。判定結果は調整部２０と学習部３０Ａに送られる。

（作用・動作）
図２の調整部２０に関しては、特許文献３などの手法があり、ここでは、その詳細な説明を省略するが、特許文献３では、システム同定を行って伝達関数を生成し、その伝達関数を用いたステップ応答シミュレーションを行って、ユーザー指示の目標応答に最小二乗法でフィッティングさせたときのＰＩＤパラメータを調整パラメータとしている。調整部２０としては、ＰＩＤパラメータの調整の過程で、１回の試験で取得した設定値ＳＶ、操作量ＭＶ及び計測値ＰＶの時系列データから、シミュレーションに利用可能なプラントの同定（同定プラントＰｉのモデルの生成）を行うと共にＰＩＤパラメータを調整していればなんでもよい。この同定及び調整の処理は演算リソースを大きく消費するため、一度同定及び調整が完了した後は、コントローラＣやプラントＰの状態変動の情報がもたらされるまで調整部２０は停止し、再調整を行わない。ここでは、このときのＰＩＤパラメータを調整パラメータと呼ぶものとする。

学習部３０Ａは、調整部２０での調整が完了した後に、図３に示すように、現実のシステムに対応する仮想コントローラＣｖと同定プラントＰｉを有する仮想システムＶを構築し、仮想システムＶと調整パラメータを用いて、設定値ＳＶｖの時系列データをランダムな信号として生成した時系列シミュレーションを複数回行い、学習に必要な訓練データのデータセットを生成する。

このとき、ＰＩＤパラメータは調整パラメータと同一にして、まず、複数回の（複数パターンの設定値ＳＶｖの時系列データに対する）シミュレーションを行い、対応する計測値ＰＶｖの時系列データを各々求め、求めた計測値ＰＶｖの時系列データには全て同一のラベルを付ける。このラベルを仮にＡとする。次に、安定性を考慮しつつ、調整パラメータの時定数を上下に振ったＰＩＤパラメータで複数回のシミュレーションを行い、対応する計測値ＰＶｖの時系列データを各々求め、求めた計測値ＰＶｖの時系列データにはそれぞれのＰＩＤパラメータごとにラベルを振り分ける。仮にこれらをＢ、Ｃ、Ｄ、Ｅとする。このようにして、各ラベルで複数回のシミュレーションを行う。なお、この際に使用するＰＩＤパラメータ及び設定値ＳＶｖの時系列データは、それらの可動範囲内にある数値を用いている。

仮に２回の（２パターンの設定値ＳＶｖの時系列データに対する）シミュレーションを行うとすると、Ａ〜Ｅまでの５種類のラベルがつけられた計測値ＰＶｖの時系列データ群がラベルごとに２つ、計１０通りのデータができ上がる。このとき、ラベルは１−ｈｏｔ化したベクトルデータ（該当箇所が１でそれ以外が０の配列データ。上の例でＢのラベルであれば０１０００、Ｅのラベルであれば００００１といった形になる。デジタル用語。）である。データセット作成部３４は、５種類のラベル（ベクトルデータ）と２パターンの設定値ＳＶｖの時系列データとこれらの組み合わせに対応する１０通りの計測値ＰＶｖの時系列データとを一つのデータセットにまとめて、データセット保存部３５に保存する。

データセット保存部３５に保存されたデータセットは、ＮＮ５２の訓練データのサンプル数としては少なく、同定プラントＰｉのモデルを頑健に作るには物足りない場合もある。その場合には、データ前処理部５１によって、データのランダムな外挿、内挿を行う。具体的には、時系列データに対して、時間軸方向の移動、強度方向の移動、強度方向のレンジ変更、強度方向の反転、ノイズの付加による前処理を行い、当初のデータセットの設定値ＳＶｖの時系列データや計測値ＰＶｖの時系列データに所定の揺らぎ（例えば、分解能と同じ範囲を持つ揺らぎ）を与えて、サンプル数を水増しすることができる。また、データ前処理部５１では正規化も行う。そして、このようにして作成したデータセット又は水増ししたデータセットによりＮＮ５２で学習を行って、学習モデルを生成して、調整パラメータのときのデータだけを分類できるようにする。

ＮＮ５２は、分類の成功率（正答率）が一定値以上（例えば、９５％以上）で、かつ、ＮＮ５２の損失関数の低下量（例えば、十のマイナス四乗）により打ち切り条件を定め、この条件が満たされるまでは学習を繰り返し行う。学習完了後は、学習モデルデータを推論部４０に送る。この学習の処理もまた演算リソースを大きく消費するため、一度学習が完了した後は再学習の指示がくるまで学習を停止し、学習は行わない。

推論部４０は、ＮＮ５２と学習モデルデータにより学習後モデルを形成し、ここに設定値ＳＶ、操作量ＭＶ及び計測値ＰＶを定期的に入力する。学習後モデルで雑音のみから、コントローラＣやプラントＰの状態を予測、推論するのは難しいため、入力された設定値ＳＶをトリガにして、設定値ＳＶ及び計測値ＰＶの非定常データを取得し、ＮＮ５２に入力する。データ前処理部５１は、設定値ＳＶ、計測値ＰＶの正規化と簡単なフィルタなどの静的変換のみを行い、学習時のようなランダムな動作は行わない。推論部４０において、ＮＮ５２は、学習後モデルを用いて、入力された設定値ＳＶ、計測値ＰＶがどのラベルに該当するか推論し、分類結果を出力する。判定部４１は出力された分類結果がラベルＡかどうか、また、現在のＰＩＤパラメータがラベルＡに対応するかどうかを確認する。

ラベルが異なっていた場合は、別の設定値ＳＶ、計測値ＰＶでも再度チェックを行い、やはり異なる場合は、プラントＰ側に変動があったとみなして、判定結果を調整部２０へ送り、プラントＰの変動に対応できるようＰＩＤパラメータの再調整を指示する。このとき、調整部２０とコントローラＣは、システム構成によっては、警報等で上位システムに情報発信するようにしてもよい。逆に、ラベルＡと異なるＰＩＤパラメータに変更されていた場合は、学習部３０Ａへ判定結果を送り、再学習を指示して、学習モデルの生成を再度行う。これは学習に時間がかかるため、学習中にコントローラＣのＰＩＤパラメータが変更されてしまっていた可能性を想定している。ラベルが異なっていない場合は、コントローラＣ、プラントＰ共に変動がないものと判断し、何も指示を出さず、監視を続行する。

なお、同定及び調整と学習は計算負荷が高いため、調整部２０と学習部３０Ａは作業完了後に動作を停止するとしたが、特にこれらの部分のみを、高性能な計算機又はクラウドサーバなど上位のシステムに回し、学習後モデルによる監視のみを下位システムで行うように役割分担することなども考えられる。

（効果）
本実施例では、１回の試験で収集したデータからプラントＰの同定とＰＩＤパラメータの調整を行い、同定したプラントＰのモデルを利用したシミュレーションにより、ＰＩＤパラメータをラベルとした訓練データを大量に生成し、生成した訓練データをＮＮ５２で学習して、調整パラメータのときのデータを分類する学習が完了するので、プラントＰの変動を検出するためのフィルタを不要とし、学習時などの計算負荷を低減することができる。そして、学習が完了した後は、学習後モデルを利用して、ＰＩＤパラメータを監視することで、コントローラＣとプラントＰの両方の変動監視を行うことができる。

［実施例２］
本実施例の調節装置について、図６〜図８を参照して説明する。

（構成・構造）
本実施例の調節装置は、実施例１で説明した調節装置１０と略同等の構成を有するが、図６に示すように、実施例１で使用した乱数生成器３３の代わりに、組み合わせテーブル３６を用いて、学習部３０Ｂを構成している。実施例１では、設定値ＳＶｖの時系列データをランダムに決定していたが、本実施例では、組み合わせテーブル３６が、ステップ信号の初期値と最終値とステップ時間の３つの可動範囲をそれぞれ等分割した点をそれぞれ組み合わせた複数の組み合わせから構成されており、設定値生成器３２は、組み合わせテーブル３６の複数の組み合わせにより生成された複数のステップ信号を用いて、設定値ＳＶｖの時系列データを決定している。

図７Ａは、組み合わせテーブル３６の縦軸（ステップ信号の初期値及び最終値）が５段階、横軸（ステップ時間）が３段階となるように等分割した場合を説明する図であり、図７Ｂは、その１つの組み合わせの例を示す図である。なお、組み合わせテーブル３６では、直線となるような組み合わせが発生する場合は除外している。また、図７Ａ及び図７Ｂにおいて、時間軸方向の後半５０％は、応答時間として確保している時間である。

（作用・動作）
組み合わせテーブル３６を用いることで、決まったサンプル数のステップ信号を、正規乱数の偏りに左右されず、所定の範囲内に一様に生成することができる。予め決め打ちでステップ信号を配置するため、本実施例では、データ前処理部５１において、データセットのデータに対する移動などの前処理は行わない。分解能は、組み合わせテーブル３６を等分割する数で決定され、決定後は、データセットのサンプル数は変化しない。分解能を細かくした場合には、データセットのサンプル数が膨れ上がるが、より精度のよい同定プラントＰｉのモデルが生成できるようになる。

また、ＮＮ５２で学習する訓練データとＮＮ５２の評価に用いる評価データは同じデータセットから確率で分けるのが一般的であるが、この方式の場合、組み合わせテーブル３６の内容は全て訓練データに入らなければ、網目に大きな穴が生じるため、評価データは訓練データから無作為に選んで、図８に示すように分解能と同じ範囲を持つ揺らぎ（分解能が２５％刻みなら±１２．５％のノイズ、バイアス成分）を加えて生成する。なお、図８においても、時間軸方向の後半５０％は、応答時間として確保している時間である。

（効果）
実施例１では、正規乱数によってデータセットの全てが生成されているため、正規乱数の偏りによって学習内容の偏りが発生し、学習完了が遅れてしまうことがあるが、本実施例では、ステップ信号の可動範囲内に一様になるように予め計算して配置された訓練データのデータセットを生成することで、サンプル数を一定数に保ったまま正規乱数の偏りによる影響をなくすことができる。その結果、データセットのランダム性を排除して、ＮＮ５２に学習させることができ、学習時間を安定して短くすることができる。

［実施例３］
本実施例の調節装置について、図６、図８を参照して説明する。

（構成・構造）
本実施例の調節装置は、実施例２で説明した調節装置と同等の構成を有する。但し、実施例２では、データ前処理部５１において、データセットのデータに対する移動などの前処理は行わなかったが、本実施例では、データセットのデータに対して、ランダムな位置シフトやノイズの加算などの前処理を行っている。

（作用・動作）
本実施例では、組み合わせテーブル３６を基にして生成されたデータセットを、データ前処理部５１で更に分解能に応じたランダムな位置シフトやノイズの加算などを行うことにより、実施例１でのデータセットや実施例２での評価データと同様に、当初のデータセットの設定値ＳＶｖの時系列データや計測値ＰＶｖの時系列データに所定の揺らぎを与えている。図８に示すように、網目の隙間をぴっちり埋めて、取りうる値の全範囲をカバーした訓練データのデータセットとすることで、学習モデルデータの精度を向上させることができる。但し、実施例１ほどではないにせよ、乱数の影響をやや受けるようになる。

（効果）
本実施例では、実施例２の粗い網目状に配置されたデータセットに対して、更に、データ前処理部５１において、乱数により細かい揺らぎを与えて、データセットにランダム性と計画性をミックスすることで、データセットの大きさはそのままに、その訓練データのバラエティを豊かにしている。これにより、学習時間の短さと学習モデルデータの精度を両立させる訓練データを生成することになり、学習時間を短くすると共に学習モデルデータの精度を向上させることができる。

［実施例４］
本実施例の調節装置について、図９〜図１２Ｄを参照して説明する。

（構成・構造）
本実施例の調節装置は、実施例１で説明した調節装置１０と略同等の構成を有するが、図９に示すように、実施例１で使用した乱数生成器３３を使用しない代わりに、固定のステップ信号２種類を用いて設定値ＳＶｖの時系列データを生成する設定値生成器３７を用いて、学習部３０Ｃを構成している。そして、このように生成した設定値ＳＶｖの時系列データと設定値ＳＶｖの時系列データ対する仮想システムＶの応答を用いて、各ラベルのデータセットを作成するようにしている。この２種類のステップ信号は、どちらもステップ振幅が２５％で、初期値と最終値が２５％か５０％の立ち上がりと立ち下がりで対称の決まった波形とする。なお、ステップ信号は、ステップ振幅が同じであれば、種類の数を更に増やしてもよい。

また、本実施例の場合には、図１０に示すように、データセット保存部３５が、ステップ応答信号データ（設定値ＳＶｖ及び計測値ＰＶｖの時系列データ）から、上下を値とし、左右を時間とするステップ応答画像データを各々生成するプロッタ（又は、画面キャプチャ）３５１と、ステップ応答画像データを保存する画像保存部３５２と、ラベルデータを１−ｈｏｔ化したベクトルデータとする１−ｈｏｔベクトル化部３５３と、１−ｈｏｔ化したベクトルデータのラベルデータを保存するラベル保存部３５４と、ステップ応答信号データを保存する信号保存部３５５とを有している。

また、データ前処理部５１が、各ラベル２種類のステップ応答画像データ及びラベルデータを基に、ランダムに画像を加工する画像ジェネレータ５１１と、各ラベル２種類のステップ応答信号データ及びラベルデータを基に、ランダムに信号を加工する信号ジェネレータ５１２とを有している。なお、ジェネレータとは、呼び出しごとに異なる出力を返す関数の一種（プログラミング用語）のことである。

従って、本実施例では、データセットの保存時にプロッタ３５１によってステップ応答信号データのステップ応答画像データを生成して、画像保存部３５２に保存しており、画像保存部３５２に保存したステップ応答画像データをデータ前処理部５１の画像ジェネレータ５１１へ送っている。データ前処理部５１では、画像ジェネレータ５１１において、入力された各ラベル２種類のステップ応答画像データ及びラベルデータを基に、上下左右±２５％の位置シフトや上下反転、上下方向の拡大縮小を駆使して、設定値ＳＶｖの時系列データが取りうる値（可動範囲の値）を満遍なく網羅するように、ランダムに画像を加工する。

例えば、２種類の基準のステップ信号（以降、基準ステップ信号とする）の一方を、図１１Ａに示すように、初期値が２５％で最終値が５０％の立ち上がりの波形とし、他方を、図１２Ａに示すように、初期値が５０％で最終値が２５％の立ち下がりの波形とし、互いに立ち上がりと立ち下がりで対称の波形とする。

そして、図１１Ｂは、図１１Ａの基準ステップ信号を左右±２５％の位置にシフトした場合の対応領域をドットで示している。また、図１１Ｃは、図１１Ａの基準ステップ信号を上下±２５％の位置にシフトした場合の対応領域をドットで示している。また、図１１Ｄは、図１１Ａの基準ステップ信号を上下±２５％の位置にシフトし、更に上下反転した場合の対応領域をドットで示している。同様に、図１２Ｂは、図１２Ａの基準ステップ信号を左右±２５％の位置にシフトした場合の対応領域をドットで示している。また、図１２Ｃは、図１２Ａの基準ステップ信号を上下±２５％の位置にシフトした場合の対応領域をドットで示している。また、図１２Ｄは、図１２Ａの基準ステップ信号を上下±２５％の位置にシフトし、更に上下反転した場合の対応領域をドットで示している。なお、図１１Ａ〜図１２Ｄにおいて、時間軸方向の後半５０％は、応答時間として確保している時間である。

また、本実施例では、データセットの保存時に信号保存部３５５に保存したステップ応答信号データをデータ前処理部５１の信号ジェネレータ５１２へ送っている。データ前処理部５１では、信号ジェネレータ５１２において、入力された各ラベル２種類のステップ応答信号データ及びラベルデータを基に、データのランダムな外挿、内挿、具体的には、データに対して、時間軸方向の移動、強度方向の移動、強度方向のレンジ変更、強度方向の反転、ノイズの付加を行い、また、正規化も行う。

なお、図１０では、画像ジェネレータ５１１と信号ジェネレータ５１２を選択式にしているが、実際は、ＮＮ５２のモデルも切り替える必要があるため、画像ジェネレータ５１１のみが存在するように組んでもよい。但し、コントローラＣとプラントＰを含めたシステムが線形システムの場合に限るものとする。

（作用・動作）
本実施例においては、実施例１においてステップ応答信号データの集合として扱っているデータセットを、ステップ応答信号データのプロットないしトレンド画面のキャプチャなどによって画像化し、ステップ応答画像データの集合として扱うことになる。信号ジェネレータ５１２と異なり、画像ジェネレータ５１１は位置シフトや反転を容易に行うことができる。

（効果）
本実施例では、ステップ応答信号データをステップ応答画像データとして再構成することで、訓練データのサンプル数をラベル数×２種類まで抑制して、データ量及び演算量を削減することができる。また、画像ジェネレータ５１１により簡便かつランダムに加工されたステップ応答画像データから学習することで、コントローラＣとプラントＰを含めたシステムが線形システムであれば、ユーザーが意識することなく必要な動作領域を全て学習することができる。また、画像データとして扱うことで、ＮＮライブラリが持つ強力な画像処理アルゴリズムを利用することができる。

［実施例５］
本実施例の調節装置について、図６、図１３Ａ〜１３Ｆを参照して説明する。

（構成・構造）
本実施例の調節装置は、実施例４で説明した調節装置と同等の構成を有している。但し、学習部３０Ｃの設定値生成器３７において、実施例４では同じステップ振幅の２種類のステップ信号を用いていたが、本実施例では異なるステップ振幅の複数種類のステップ信号を用いている。

（作用・動作）
実施例４においては、ステップ応答画像データがグリッド線入りのキャプチャ画像であるなど、何らかの理由で、画像の上下方向の拡大縮小の実施が難しい場合がある。そこで、本実施例では、設定値生成器３７において、ステップ応答画像データの元となるステップ信号として、同じステップ振幅のものを複数種類用いるのではなく、異なるステップ振幅のものを複数種類用いて、設定値ＳＶｖの時系列データを生成している。

例えば、図１３Ａ〜図１３Ｅに示すように、ステップ振幅が５％、１０％、１５％、２０％、２５％となるものを複数種類用いるようにする。ここで、図１３Ａはステップ振幅が５％、図１３Ｂはステップ振幅が１０％、図１３Ｃはステップ振幅が１５％、図１３Ｄはステップ振幅が２０％、図１３Ｅはステップ振幅が２５％となるステップ信号を例示している。

そして、本実施例でも、データセットの保存時にプロッタ３５１によってステップ応答信号データのステップ応答画像データを生成して、画像保存部３５２に保存し、画像保存部３５２に保存したステップ応答画像データをデータ前処理部５１の画像ジェネレータ５１１へ送っている。但し、データ前処理部５１の画像ジェネレータ５１１では、入力されたステップ応答画像データ及びラベルデータを基に、上下左右の位置シフトや上下反転を行って、設定値ＳＶｖの時系列データが取りうる値を満遍なく網羅するように、ランダムに画像を加工しているが、上下方向の拡大縮小は行っていない。

このように、本実施例においては、データ前処理部５１でステップ振幅方向の拡大縮小を行わないが、設定値生成器３７で用意するステップ信号のステップ振幅を、５％、１０％、１５％、２０％、２５％とした場合には、実施例４でのステップ振幅２５％を基準にすると、データ前処理部５１でそれぞれ２０％、４０％、６０％、８０％、１００％と縮小処理した場合と類似の状態になり、むしろ、実際に小さい信号を入れた場合のデータを得ていることから、データ前処理部５１でステップ振幅方向の拡大縮小を行う場合と同等以上の効果を得ることができる。但し、この場合、データ量及び演算量は、用意するステップ信号の数の分だけ増加する。

（効果）
本実施例では、実施例４と比較して、訓練データのサンプル数が膨れ上がるため、データ量や演算量は増加するが、ステップ応答画像データとして扱った際の拡大縮小操作ができなくとも、ステップ振幅の変動を想定して、設定値生成器３７で用意することで、同一ラベルのステップ振幅が異なるパターンも網羅した訓練データを生成することができる。また、実施例４と同様に、画像データとして扱うことで、ＮＮライブラリが持つ強力な画像処理アルゴリズムを利用することができる。

［実施例６］
本実施例の調節装置について、図６、図１４Ａ〜図１４Ｃを参照して説明する。

（構成・構造）
本実施例の調節装置は、実施例４、実施例５で説明した調節装置と同等の構成を有している。但し、学習部３０Ｃの設定値生成器３７において、本実施例では、非線形システムへの対応のため、非線形システムの各動作領域に各々対応する複数種類のステップ信号を用いて、設定値ＳＶｖの時系列データを生成している。詳しく説明すると、コントローラＣとプラントＰを含むシステムが非線形システムであり、その非線形システムの各動作領域で各々線形化できる場合には、各動作領域に対応するステップ信号を、動作領域の数だけ用意し、動作領域の数の複数種類のステップ信号を用いて、設定値ＳＶｖの時系列データを生成している。

（作用・動作）
実施例４、実施例５において、コントローラＣとプラントＰのうちの少なくとも一方が非線形システムであった場合、ステップ応答画像データの上下移動や上下反転を行うと、現実に存在し得ない信号を作り出すことになりうる。そこで、本実施例では、同定プラントＰｉが非線形システムかつ複数の動作領域でそれぞれ線形化されたシステムである場合には、ステップ応答画像データの元となるステップ信号を、動作領域の数だけ複数種類用意している。例えば、図１４Ａ〜図１４Ｃに示すように、ステップ振幅が同じ基準ステップ信号を動作領域ごとに用意する。このようなステップ信号で訓練データとなるデータセットを生成することで、非線形システムへの対応を行うことができる。

そして、本実施例でも、データセットの保存時にプロッタ３５１によってステップ応答信号データのステップ応答画像データを生成して、画像保存部３５２に保存し、画像保存部３５２に保存したステップ応答画像データをデータ前処理部５１の画像ジェネレータ５１１へ送っている。但し、データ前処理部５１の画像ジェネレータ５１１では、入力されたステップ応答画像データ及びラベルデータを基に、左右の位置シフトや上下方向の拡大縮小を行って、各動作領域において、設定値ＳＶｖの時系列データが取りうる値を満遍なく網羅するように、ランダムに画像を加工しているが、上下の位置シフトや上下反転は行っていない。

（効果）
本実施例では、データセットを動作領域ごとに用意することで、複数の動作領域で線形化された非線形システムに対応することができ、非線形システムおいても、画像データから訓練データを生成することができる。また、実施例４及び実施例５と同様に、画像データとして扱うことで、ＮＮライブラリが持つ強力な画像処理アルゴリズムを利用することができる。

［実施例７］
本実施例の調節装置について、図３、図６、図９、図１５を参照して説明する。

（構成・構造）
本実施例の調節装置は、実施例１〜実施例５で説明した調節装置と同等の構成を有している。但し、学習部３０Ａ、３０Ｂの設定値生成器３２又は学習部３０Ｃの設定値生成器３７において、実施例１〜実施例５ではステップ信号を用いていたが、本実施例では図１５に示す正弦波信号を用いている。

（作用・動作）
本実施例では、実施例１〜実施例５におけるステップ信号の代わりに、ＰＩＤパラメータ調整のゲイン交差周波数付近に予め定めた周波数の正弦波信号を用いる。正弦波信号は周期信号であるので、乱数生成器３３、組み合わせテーブル３６、画像ジェネレータ５１１又は信号ジェネレータ５１２の加工の対象となるのは、正弦波信号の振幅、位相、バイアス成分の３つの組み合わせとなる。本実施例は、コントローラＣとプラントＰを含めたシステムが線形システムの場合に限る。

ステップ信号の代わりに、正弦波信号を用いる場合を具体的に説明する。実施例１で説明した調節装置では、設定値生成器３２が、正弦波信号の振幅、位相、バイアス成分の３つを、それらの可動範囲において、正規乱数をもとにそれぞれ決定することになる。また、実施例２で説明した調節装置では、組み合わせテーブル３６が、正弦波信号の振幅、位相、バイアス成分の３つの可動範囲をそれぞれ等分割した点をそれぞれ組み合わせた複数の組み合わせから構成されることになる。また、実施例３で説明した調節装置では、データ前処理部５１が、正弦波信号をもとに生成したデータセットのデータに対して、ランダムな位置シフトやノイズの加算などの前処理を行うことになる。また、実施例４で説明した調節装置では、設定値生成器３７が、同じ振幅の複数種類の正弦波信号を用いることになる。また、実施例５で説明した調節装置では、設定値生成器３７が、異なる振幅の複数種類の正弦波信号を用いることになる。

（効果）
本実施例では、ステップ信号ではなく、周期信号である正弦波信号を用いることで、単純な振動系のシステムに対しても適用することができる。

［実施例８］
本実施例の調節装置について、図３、図６、図９、図１６を参照して説明する。

（構成・構造）
本実施例の調節装置も、実施例１〜実施例６で説明した調節装置と同等の構成を有している。但し、学習部３０Ａ、３０Ｂの設定値生成器３２又は学習部３０Ｃの設定値生成器３７において、実施例１〜実施例６ではステップ信号を用いていたが、本実施例では図１６に示すランプ信号を用いている。更には、設定値生成器３２又は設定値生成器３７で用いる信号を、ステップ信号とランプ信号の両方としてもよい。

（作用・動作）
設定値ＳＶの変化は、現実には、ステップ信号よりもランプ信号となっていることが多い。そこで、本実施例では、実施例１〜実施例６におけるステップ信号の代わりに、ランプ信号を入力に用いた応答で学習を行う。手順は実施例１〜実施例６と同様である。ステップ信号を用いた応答と同様に、初期値、最終値があり、ステップ時間の代わりにランプ時間（ランプ開始時間）があり、そのほかにランプの傾きを表す変化率という要素が増えるので演算量が増加するが、より現実的な訓練データを生成できる。

ステップ信号の代わりに、ランプ信号を用いる場合を具体的に説明する。実施例１で説明した調節装置では、設定値生成器３２が、ランプ信号の初期値、最終値、ランプ時間、変化率の４つを、それらの可動範囲において、正規乱数をもとにそれぞれ決定することになる。また、実施例２で説明した調節装置では、組み合わせテーブル３６が、ランプ信号の初期値、最終値、ランプ時間、変化率の４つの可動範囲をそれぞれ等分割した点をそれぞれ組み合わせた複数の組み合わせから構成されることになる。また、実施例３で説明した調節装置では、データ前処理部５１が、ランプ信号をもとに生成したデータセットのデータに対して、ランダムな位置シフトやノイズの加算などの前処理を行うことになる。また、実施例４で説明した調節装置では、設定値生成器３７が、同じランプ幅の複数種類のランプ信号を用いることになる。また、実施例５で説明した調節装置では、設定値生成器３７が、異なるランプ幅の複数種類のランプ信号を用いることになる。また、実施例６で説明した調節装置では、設定値生成器３７が、非線形システムの動作領域の数の複数種類のランプ信号を用いることになる。

更には、ラベルデータはコントローラＣのＰＩＤパラメータで決まっているので、ランプ信号とステップ信号とを併用して学習すれば、どちらの信号でも推論可能となり、対応力が向上する。

（効果）
本実施例では、ランプ信号を用いることで、より現実的な訓練データを生成することができ、学習モデルデータの精度を向上させることができる。また、ランプ信号とステップ信号とを併用して学習する場合には、学習モデルデータの精度と共に対応力を向上させることができる。

［実施例９］
本実施例の調節装置について、図３、図６、図９を参照して説明する。

（構成・構造）
本実施例の調節装置は、実施例１〜実施例８で説明した調節装置と同等の構成を有している。但し、実施例１〜実施例８の調節装置とは異なり、推論部４０において、設定値ＳＶ及び計測値ＰＶを取り込む際に、設定値ＳＶの変化と方向をトリガとして、トリガが計測値ＰＶのデータ長に対して一定の位置にくるようにデータ化している。

そして、学習部３０Ａ、３０Ｂ又は３０Ｃのデータセット作成部３４において、設定値ＳＶｖ及び計測値ＰＶｖを取り込む際にも、設定値ＳＶｖの変化と方向をトリガとして、トリガが計測値ＰＶのデータ長に対して一定の位置にくるようにデータ化している。つまり、データセット作成部３４に入力する設定値ＳＶｖ及び計測値ＰＶｖの時系列データのステップ時間又はランプ時間又は正弦波の位相を固定している。

（作用・動作）
本実施例では、データセットの設定値ＳＶｖ及び計測値ＰＶｖの時系列データのステップ時間、ランプ時間又は正弦波の位相を固定しているので、ステップ時間やランプ時間や正弦波の位相の学習が不要となり、学習のための時間軸方向や位相の乱数、テーブル列、揺らぎが不要になり、データ量及び演算量の削減が可能となる。

（効果）
本実施例では、計測値ＰＶ及び設定値ＳＶや設定値ＳＶｖ及び計測値ＰＶｖを取り込む際のトリガタイミングを定めることで、信号、画像を問わず、それらのデータの時間軸方向の変動要素を固定化するようにしており、データ量及び演算量の削減を行うことができ、時間軸方向の学習要素を減らして学習することができる。

本発明は、プラント設備におけるプラント制御調節装置に適用可能なものであり、特に、ＰＩＤ制御を用いたプラント制御調節装置に好適なものである。

１０ プラント制御調節装置
２０ 調整部
３０Ａ、３０Ｂ、３０Ｃ 学習部
３１ ＰＩＤパラメータ生成器
３２ 設定値生成器
３３ 乱数生成器
３４ データセット作成部
３５ データセット保存部
３６ 組み合わせテーブル
３７ 設定値生成器
４０ 推論部
４１ 判定部
５０ 学習モデル部
５１ データ前処理部
５２ ニューラルネットワーク
３５１ プロッタ
３５２ 画像保存部
３５３ １−ｈｏｔベクトル化部
３５４ ラベル保存部
３５５ 信号保存部
５１１ 画像ジェネレータ
５１２ 信号ジェネレータ

Claims (11)

1. 設定値に基づく操作量を制御装置からプラントへ送信し、前記操作量により操作された前記プラントの計測値を前記制御装置へ送信し、前記設定値と前記計測値に基づいて前記操作量を前記制御装置がフィードバック制御する制御系から、前記設定値、前記操作量及び前記計測値と共に前記操作量をフィードバック制御する際の制御パラメータを取得して、前記制御パラメータを調整するプラント制御調節装置において、
   １回の試験で取得した前記設定値、前記操作量及び前記計測値の時系列データから前記プラントの同定を行うと共に前記制御パラメータを調整する調整部と、
   同定した前記プラントと前記制御装置に基づく仮想システムを構成し、前記制御パラメータの可動範囲内にある複数の模擬制御パラメータと前記設定値の可動範囲内にある複数パターンの模擬設定値の時系列データとを用いて、前記仮想システムによるシミュレーションを行い、対応する模擬計測値の時系列データを各々求めて、各々の前記模擬制御パラメータをラベルとする前記模擬設定値の時系列データと対応する前記模擬計測値の時系列データのデータセットを生成し、前記データセットをニューラルネットワークで学習して、前記プラントと前記制御装置の学習モデルを生成する学習部と、
   前記学習モデルを用いて、入力された前記計測値がどの前記ラベルに該当するか分類することで、前記プラントの変動を監視する推論部とを有し、
   前記調整部は、前記推論部で前記プラントが変動ありと判定された場合、前記制御パラメータの再調整を行う
   ことを特徴とするプラント制御調節装置。
2. 請求項１に記載のプラント制御調節装置において、
   前記学習部は、前記調整部で前記制御パラメータの再調整を行った場合、前記学習モデルの生成を再度行う
   ことを特徴とするプラント制御調節装置。
3. 請求項１又は請求項２に記載のプラント制御調節装置において、
   前記学習部は、
   正規乱数をもとに生成された複数のステップ信号を用いて、複数パターンの前記模擬設定値の時系列データを生成する設定値生成器を有する
   ことを特徴とするプラント制御調節装置。
4. 請求項１又は請求項２に記載のプラント制御調節装置において、
   前記学習部は、
   初期値と最終値とステップ時間の可動範囲を等分割した点の組み合わせにより生成された複数のステップ信号を用いて、複数パターンの前記模擬設定値の時系列データを生成する設定値生成器を有する
   ことを特徴とするプラント制御調節装置。
5. 請求項３又は請求項４に記載のプラント制御調節装置において、
   前記学習部は、
   前記ニューラルネットワークで学習する前に、前記データセットの前記模擬設定値及び前記模擬計測値の時系列データに所定の揺らぎを与える前処理を行うデータ前処理部を有する
   ことを特徴とするプラント制御調節装置。
6. 請求項１又は請求項２に記載のプラント制御調節装置において、
   前記学習部は、
   ステップ振幅が同じである複数種類のステップ信号を用いて、複数パターンの前記模擬設定値の時系列データを生成する設定値生成器と、
   前記データセットの前記模擬設定値及び前記模擬計測値の時系列データから、上下を値とし、左右を時間とする画像データを各々生成して保存するデータセット保存部と、
   前記ニューラルネットワークで学習する前に、各々の前記画像データに対して、上下の位置シフト、左右の位置シフト、上下反転及び上下方向の拡大又は縮小のうちの少なくとも１つの前処理を行うデータ前処理部とを有し、
   前記ニューラルネットワークでは、当該ニューラルネットワークのライブラリである画像処理アルゴリズムを利用して、複数の前記画像データの学習を行う
   ことを特徴とするプラント制御調節装置。
7. 請求項１又は請求項２に記載のプラント制御調節装置において、
   前記学習部は、
   ステップ振幅が異なる複数種類のステップ信号を用いて、複数パターンの前記模擬設定値の時系列データを生成する設定値生成器と、
   前記データセットの前記模擬設定値及び前記模擬計測値の時系列データから、上下を値とし、左右を時間とする画像データを各々生成して保存するデータセット保存部と、
   前記ニューラルネットワークで学習する前に、各々の前記画像データに対して、上下の位置シフト、左右の位置シフト及び上下反転のうちの少なくとも１つの前処理を行うデータ前処理部とを有し、
   前記ニューラルネットワークでは、当該ニューラルネットワークのライブラリである画像処理アルゴリズムを利用して、複数の前記画像データの学習を行う
   ことを特徴とするプラント制御調節装置。
8. 請求項１又は請求項２に記載のプラント制御調節装置において、
   前記学習部は、
   前記プラントと前記制御装置を含むシステムが、当該システムの各動作領域で各々線形化された非線形システムである場合、前記動作領域に各々対応する複数種類のステップ信号を用いて、複数パターンの前記模擬設定値の時系列データを生成する設定値生成器と、
   前記データセットの前記模擬設定値及び前記模擬計測値の時系列データから、上下を値とし、左右を時間とする画像データを各々生成して保存するデータセット保存部と、
   前記ニューラルネットワークで学習する前に、各々の前記画像データに対して、左右の位置シフト及び上下方向の拡大又は縮小のうちの少なくとも１つの前処理を行うデータ前処理部とを有し、
   前記ニューラルネットワークでは、当該ニューラルネットワークのライブラリである画像処理アルゴリズムを利用して、複数の前記画像データの学習を行う
   ことを特徴とするプラント制御調節装置。
9. 請求項３から請求項８のいずれか１つに記載のプラント制御調節装置において、
   前記設定値生成器は、前記ステップ信号に代えて、正弦波を用いる
   ことを特徴とするプラント制御調節装置。
10. 請求項３から請求項８のいずれか１つに記載のプラント制御調節装置において、
    前記設定値生成器は、前記ステップ信号に代えて又は前記ステップ信号に加えて、ランプ信号を用いる
    ことを特徴とするプラント制御調節装置。
11. 前記設定値生成器は、請求項３から請求項８のいずれか１つに記載のプラント制御調節装置における前記ステップ信号のステップ時間を固定する、又は、請求項９に記載のプラント制御調節装置における前記正弦波の位相を固定する、又は、請求項１０に記載のプラント制御調節装置における前記ランプ信号のランプ時間を固定する
    ことを特徴とするプラント制御調節装置。

Images