JP2020197944A - モデル予測制御システム、情報処理装置、プログラム、及びモデル予測制御方法 - Google Patents

Abstract

【課題】プロセスのモデル予測制御に関する技術を改善する。【解決手段】モデル予測制御システムは、プロセスモデルを記憶する記憶手段１３１と、プロセスモデルを用いてプロセスのモデル予測制御を実施するプロセス制御手段１３２と、プロセスの制御出力及び制御入力の検出値を時系列データとして蓄積する蓄積手段１３３と、学習期間において蓄積された時系列データに基づいてプロセスモデルのモデルパラメータを更新する更新処理を実行可能な更新手段１３４と、更新処理を実行するか否かを決定する決定手段１３５と、を備える。更新手段１３４は、決定手段１３５により更新処理を実行しないと決定された場合を除き、更新処理を実行する。【選択図】図３

Description

本発明は、モデル予測制御システム、情報処理装置、プログラム、及びモデル予測制御方法に関する。

従来、プロセス制御の手法として、制御対象とするプロセスの数学モデル（以下、「プロセスモデル」ともいう。）を用いるモデル予測制御（ＭＰＣ；Model Predictive Control）が知られている。また、例えば機器の経年劣化等の要因によってプロセスの特性が変化するとモデル予測制御の精度が低下し得るという課題に対して、プロセスモデルを定期的に更新する手法が知られている。例えば、特許文献１には、オンラインモデル同定を用いたモデル予測制御方法であって、モデル予測制御演算実施にあたっては、用いるプロセス動的モデルを実操業データに基づいて毎回導出するモデル再同定を行う技術が開示されている。

特開２０１１−１９８３２７号公報

従来技術では、モデル再同定が周期的に実施される。しかしながら、各周期で必ずモデル再同定を実施する構成では、モデル予測制御の精度が必ずしも向上しない場合がある。したがって、プロセスのモデル予測制御に関する技術には改善の余地があった。

かかる事情に鑑みてなされた本発明の目的は、プロセスのモデル予測制御に関する技術を改善することにある。

本発明の一実施形態に係るモデル予測制御システムは、
プロセスモデルを記憶する記憶手段と、
前記プロセスモデルを用いてプロセスのモデル予測制御を実施するプロセス制御手段と、
前記プロセスの制御出力及び制御入力の検出値を時系列データとして蓄積する蓄積手段と、
学習期間において蓄積された前記時系列データに基づいて前記プロセスモデルのモデルパラメータを更新する更新処理を実行可能な更新手段と、
を備えるモデル予測制御システムであって、
前記更新処理を実行するか否かを決定する決定手段を更に備え、
前記更新手段は、前記決定手段により前記更新処理を実行しないと決定された場合を除き、前記更新処理を実行する。

本発明の一実施形態に係る情報処理装置は、
プロセスモデルを記憶する記憶手段と、
前記プロセスモデルを用いてプロセスのモデル予測制御を実施するプロセス制御手段と、
前記プロセスの制御出力及び制御入力の検出値を時系列データとして蓄積する蓄積手段と、
学習期間において蓄積された前記時系列データに基づいて前記プロセスモデルのモデルパラメータを更新する更新処理を実行可能な更新手段と、
を備える情報処理装置であって、
前記更新処理を実行するか否かを決定する決定手段を更に備え、
前記更新手段は、前記決定手段により前記更新処理を実行しないと決定された場合を除き、前記更新処理を実行する。

本発明の一実施形態に係る情報処理装置は、
プロセスモデルを記憶する記憶手段と、前記プロセスモデルを用いてプロセスのモデル予測制御を実施するプロセス制御手段と、前記プロセスの制御出力及び制御入力の検出値を時系列データとして蓄積する蓄積手段と、学習期間において蓄積された前記時系列データに基づいて前記プロセスモデルのモデルパラメータを更新する更新処理を実行可能な更新手段と、前記更新処理を実行するか否かを決定する決定手段と、を備え、前記更新手段が、前記決定手段により前記更新処理を実行しないと決定された場合を除き、前記更新処理を実行する、モデル予測制御システムを構成するために、
前記記憶手段、前記プロセス制御手段、前記蓄積手段、前記更新手段、及び前記決定手段のうち少なくとも１つを備える。

本発明の一実施形態に係るプログラムは、
情報処理装置を、
プロセスモデルを記憶する記憶手段と、
前記プロセスモデルを用いてプロセスのモデル予測制御を実施するプロセス制御手段と、
前記プロセスの制御出力及び制御入力の検出値を時系列データとして蓄積する蓄積手段と、
学習期間において蓄積された前記時系列データに基づいて前記プロセスモデルのモデルパラメータを更新する更新処理を実行可能な更新手段と、
として機能させるプログラムであって、
前記情報処理装置を、前記更新処理を実行するか否かを決定する決定手段として更に機能させ、
前記更新手段は、前記決定手段により前記更新処理を実行しないと決定された場合を除き、前記更新処理を実行する。

本発明の一実施形態に係るプログラムは、
通信可能に接続された複数の情報処理装置を含んで構成され、プロセスモデルを記憶する記憶手段と、前記プロセスモデルを用いてプロセスのモデル予測制御を実施するプロセス制御手段と、前記プロセスの制御出力及び制御入力の検出値を時系列データとして蓄積する蓄積手段と、学習期間において蓄積された前記時系列データに基づいて前記プロセスモデルのモデルパラメータを更新する更新処理を実行可能な更新手段と、前記更新処理を実行するか否かを決定する決定手段と、を備え、前記更新手段が、前記決定手段により前記更新処理を実行しないと決定された場合を除き、前記更新処理を実行するモデル予測制御システムにおける、前記複数の情報処理装置のうち１つの情報処理装置を、
前記記憶手段、前記プロセス制御手段、前記蓄積手段、前記更新手段、及び前記決定手段のうち少なくとも１つとして機能させる。

本発明の一実施形態に係るモデル予測制御方法は、
情報処理装置が実行するプロセスのモデル予測制御方法であって、
プロセスモデルを記憶するステップと、
前記プロセスモデルを用いてプロセスのモデル予測制御を実施するステップと、
前記プロセスの制御出力及び制御入力の検出値を時系列データとして蓄積するステップと、
学習期間において蓄積された前記時系列データに基づいて前記プロセスモデルのモデルパラメータを更新する更新処理を実行するか否かを決定するステップと、
前記更新処理を実行しないと決定された場合を除き、前記更新処理を実行するステップと、を含む。

本発明の一実施形態によれば、プロセスのモデル予測制御に関する技術が改善する。

本発明の一実施形態に係るモデル予測制御システムの概略構成を示す図である。 モデル予測制御における更新周期を説明する図である。 情報処理装置の概略構成を示すブロック図である。 情報処理装置に蓄積される時系列データを示す図である。 情報処理装置の第１動作を示すフローチャートである。 情報処理装置の第２動作を示すフローチャートである。

以下、本発明の実施形態について説明する。

（モデル予測制御システムの構成）
図１を参照して、本発明の一実施形態に係るモデル予測制御システム１について説明する。モデル予測制御システム１は、例えば水処理プラント等、任意のプラントにおけるプロセスを制御するために用いられるシステムである。モデル予測制御システム１は、情報処理装置１０と、１つ以上のプラント設備２０と、を備える。図１において、情報処理装置１０については１つを、プラント設備２０については３つをそれぞれ図示しているが、モデル予測制御システム１は任意の数の情報処理装置１０及びプラント設備２０を備えることができる。

プラント設備２０は、プラントにおけるプロセスの実施に用いられる任意の設備である。例えば水処理プラントにおける浄水プロセスの実施に用いられるプラント設備２０は、処理水（例えば、汚水）に対して空気を送風する送風機等の現場機器と、当該現場機器を制御するＰＬＣ（Programmable Logic Controller）等の制御装置と、処理水中の硝酸濃度及び／又はアンモニア濃度等のプロセスデータ、並びに処理水に対して送風する空気の送風量又は送風機の駆動電力等の操作量を検出するセンサ（検出手段）と、例えばインターネット又はＬＡＮ（Local Area Network）等のネットワークＮを介して情報処理装置１０と通信する通信装置と、を含む設備である。しかしながら、プラント設備２０の構成は当該例に限られず、例えばセンサの検出値を一時的に記憶する記憶装置等を更に含む構成も可能である。

情報処理装置１０は、例えばプラントの中央管理室に設置されるが、これに限られず任意の場所に設置可能である。情報処理装置１０は、ネットワークＮを介して、プラント内に設置されたプラント設備２０と通信可能である。

情報処理装置１０は、制御対象とする任意のプロセスのモデル予測制御を実施する装置である。具体的には、情報処理装置１０は、制御周期毎に、制御対象とするプロセスのプロセスモデルを用いて将来の制御出力を予測するとともに、実際の制御出力を目標値に近付けるように制御入力を決定する。例えば、水処理プラントにおける浄水プロセスを制御対象とする場合、処理水中の硝酸濃度及び／又はアンモニア濃度等のプロセスデータを制御出力とし、処理水に対して送風する空気の送風量又は送風機の駆動電力等の操作量を制御入力とすることができる。しかしながら、制御対象とするプロセス、並びに当該プロセスの制御出力及び制御入力は、当該例に限られず、任意に決定可能である。

また、情報処理装置１０は、モデル予測制御の実施中、更新周期毎にプロセスモデルのモデルパラメータを更新する処理（以下、「更新処理」ともいう。）を実行可能である。具体的には、情報処理装置１０は、モデル予測制御の実施中、プロセスの制御出力及び制御入力の検出値等を、制御周期毎の時系列データとして蓄積する。情報処理装置１０は、後述する学習期間において蓄積された時系列データ（以下、「学習データ」ともいう。）に基づいてプロセスモデルのモデルパラメータを更新する更新処理を実行可能である。

本実施形態では、更新処理は後述する処理期間において実行され得る。例えば図２は、ｍ回目及びｍ＋１回目の更新周期を示す図である。各更新周期は、学習期間と、学習期間に続く処理期間と、を含む。学習期間は、モデルパラメータの更新処理に用いる学習データを蓄積するための期間である。処理期間は、モデルパラメータの更新処理を実行するか否かを決定するとともに、決定の結果に応じて更新処理を実行するための期間である。図２におけるＴは更新周期の長さを示し、Ｔａは学習期間の長さを示し、Ｔｂは処理期間の長さを示す。なお、モデル予測制御の制御周期の長さは、更新周期、学習期間、及び処理期間それぞれの長さＴ、Ｔａ、及びＴｂと比較して十分短い。例えば、ｍ回目の更新周期の学習期間において蓄積された学習データに基づいて、ｍ回目の更新周期の処理期間においてモデルパラメータが更新され得る。そして、モデルパラメータが更新された場合、ｍ＋１回目の更新周期においては更新後のモデルパラメータを用いてモデル予測制御が実施される。一方、モデルパラメータが更新されなかった場合、ｍ＋１回目の更新周期においても、ｍ回目の更新周期と同値のモデルパラメータを用いてモデル予測制御が実施される。

本実施形態において、情報処理装置１０は、更新処理を実行するか否かを更新周期毎に決定し、更新処理を実行しないと決定した場合を除き、更新処理を実行する。かかる構成によれば、モデルパラメータの更新処理を実行するか否かが自動的に決定される。このため、更新処理を実行するか否かを適切に決定することにより、例えば制御出力及び制御入力を検出するセンサに異常が発生している等、適切でない状況を避けてモデルパラメータを更新可能となるので、プロセスのモデル予測制御に関する技術が改善する。

（情報処理装置のハードウェア構成）
図３を参照して、情報処理装置１０のハードウェア構成について説明する。情報処理装置１０は、通信部１１と、記憶部１２と、制御部１３と、を備える。

通信部１１は、無線又は有線を介して外部装置と通信する１つ以上の通信インタフェースである。本実施形態において、通信部１１は、ネットワークＮを介してプラント設備２０と通信する通信インタフェースを含む。また、通信部１１は、表示装置３０及び入力装置４０のそれぞれと通信する通信インタフェースを含む。ここで表示装置３０は、例えば液晶ディスプレイ又はＯＥＬ（Organic Electro-luminescence）ディスプレイ等の任意のディスプレイである。入力装置４０は、例えばキーボード又はマウス等の、ユーザによる操作を受け付ける任意の入力インタフェースである。

記憶部１２は、１つ以上のメモリである。本実施形態において「メモリ」は、例えば半導体メモリ、磁気メモリ、又は光メモリ等であるが、これらに限られず任意のメモリとすることができる。記憶部１２に含まれる各メモリは、例えば主記憶装置、補助記憶装置、又はキャッシュメモリとして機能する。記憶部１２は、例えば情報処理装置１０に内蔵されるが、任意のインタフェースを介して情報処理装置１０に外部から接続される構成も可能である。

制御部１３は、１つ以上のプロセッサを含む。本実施形態において「プロセッサ」は、汎用のプロセッサ、特定の処理に特化した専用のプロセッサ等であるが、これらに限られず任意のプロセッサとすることができる。制御部１３は、情報処理装置１０全体の動作を制御する。情報処理装置１０の動作の詳細については後述する。

（情報処理装置のソフトウェア構成）
図３を参照して、情報処理装置１０のソフトウェア構成について説明する。情報処理装置１０の動作の制御に用いられる１つ以上のプログラムが記憶部１２に記憶される。当該１つ以上のプログラムは、制御部１３によって読み込まれると、制御部１３を記憶手段１３１、プロセス制御手段１３２、蓄積手段１３３、更新手段１３４、及び決定手段１３５として機能させる。

各手段１３１〜１３５の概要について説明する。記憶手段１３１は、制御対象とするプロセスのプロセスモデルを記憶部１２に記憶する手段である。プロセスモデルは、１つ以上のモデルパラメータを有する数学モデルである。プロセスモデルは、各モデルパラメータの初期値の情報を更に含む。プロセスモデルは、例えば実験又はシミュレーションにより予め決定可能である。

プロセス制御手段１３２は、記憶部１２に記憶されたプロセスモデルを用いてプロセスのモデル予測制御を実施する手段である。具体的には、プロセス制御手段１３２は、制御周期毎に、記憶部１２に記憶されたプロセスモデルに基づいて将来の制御出力（例えば、硝酸濃度及び／又はアンモニア濃度等のプロセスデータ）を予測し、実際の制御出力を目標値に近付けるように制御入力（例えば、送風量又は送風機の駆動電力等の操作量）を決定し、決定した制御入力の指令値をプラント設備２０に入力する。なお、制御出力の目標値は、ユーザ操作に応じて又は自動的に、任意のタイミングで変更可能である。

蓄積手段１３３は、プロセスの制御出力の目標値、制御出力の検出値、及び制御入力の検出値を、制御周期毎の時系列データとして記憶部１２に蓄積する手段である。例えば図４に示すように、時刻データ、制御出力の目標値、制御出力の検出値、及び制御入力の検出値の組み合わせが、時系列データとして記憶部１２に蓄積される。なお、制御出力及び制御入力の検出値は、プラント設備２０のセンサによって検出された数値である。また、プラント設備２０のセンサによる制御入力の検出値は、上述したプロセス制御手段１３２がプラント設備２０に入力する制御入力の指令値と必ずしも一致しなくてよい。

更新手段１３４は、学習期間において記憶部１２に蓄積された時系列データ（すなわち、学習データ）に基づいてプロセスモデルのモデルパラメータを更新する更新処理を実行する手段である。後述するように、更新手段１３４は、決定手段１３５により更新処理を実行しないと決定された場合を除き、更新処理を実行する。

決定手段１３５は、更新処理を実行するか否かを更新周期毎に決定する手段である。ここで、更新処理を実行するか否かの決定には、任意のアルゴリズムが採用可能である。当該アルゴリズムの具体例については後述する。

なお、制御部１３は、上述した各手段１３１〜１３５に加えて、一般的にプロセッサが実行可能な任意の処理を実施する手段（例えば、一般的な演算処理及び計時処理を実行する手段等）として更に機能する構成も可能である。

（情報処理装置の動作）
図５及び図６を参照して、情報処理装置１０の動作について説明する。図５は、プロセスのモデル予測制御を実施する第１動作を示すフローチャートである。

ステップＳ１００：記憶手段１３１は、制御対象とするプロセスのプロセスモデルを記憶部１２に記憶する。

ステップＳ１０１：制御部１３は、モデル予測制御の初期設定を行う。具体的には、制御部１３は、変数ｉを１に設定する。変数ｉは、モデル予測制御の開始時から起算した現在時刻が何回目の更新周期に属するかを示す変数である。モデル予測制御の開始時から起算した現在時刻をｔ、更新周期の長さをＴとすると、（ｉ−１）Ｔ≦ｔ＜ｉＴであるとき、現在時刻ｔはｉ回目の更新周期に属する。また、制御部１３は、プロセスモデルのモデルパラメータを初期値に設定する。

ステップＳ１０２：プロセス制御手段１３２は、プロセスモデルに基づいて将来の制御出力を予測し、実際の制御出力を目標値に近付けるように制御入力を決定する。プロセス制御手段１３２は、決定した制御入力の指令値を、通信部１１を介してプラント設備２０に入力する。なお、プロセス制御手段１３２は、上述したようにユーザ操作に応じて又は自動的に、制御出力の目標値を任意のタイミングで変更可能である。

ステップＳ１０３：蓄積手段１３３は、通信部１１を介してプラント設備２０からプロセスの制御出力及び制御入力の検出値を取得すると、時刻データ、制御出力の目標値、制御出力の検出値、及び制御入力の検出値の組み合わせを時系列データとして記憶部１２に蓄積する。その後、動作はステップＳ１０２に戻る。ステップＳ１０２及びＳ１０３は、制御周期毎に繰り返し実行される。

図６は、モデルパラメータの更新処理を実行する第２動作を示すフローチャートである。第２動作は、各更新期間における処理期間内に実施される。また、第２動作は、上述した第１動作におけるステップＳ１０２及びＳ１０３を繰り返す処理と並行して実施される。

ステップＳ２００：決定手段１３５は、ｉ回目の更新周期の学習期間において蓄積された学習データに基づいて、モデルパラメータの更新処理を実行するか否かを決定する。更新処理を実行するか否かを決定する具体的なアルゴリズムについては後述する。更新処理を実行しないと決定した場合（ステップＳ２００−Ｎｏ）、動作はステップＳ２０４に進む。一方、更新処理を実行しないと決定した場合を除き（ステップＳ２００−Ｙｅｓ）、動作はステップＳ２０１に進む。

ステップＳ２０１：更新手段１３４は、ｉ回目の更新周期の学習期間において蓄積された学習データに基づいて、モデルパラメータを推定する。具体的には、更新手段１３４は、学習データを用いる機械学習によりモデルパラメータの推定値を探索する。

ステップＳ２０２：制御部１３は、ｉ回目の更新周期の終了時まで待機する。ｉ回目の更新周期の終了時になると（ステップＳ２０２−Ｙｅｓ）、動作はステップＳ２０３に進む。

ステップＳ２０３：更新手段１３４は、ステップＳ２０１で探索した推定値でモデルパラメータを更新する。その後、動作はステップＳ２０５に進む。

ステップＳ２０４：制御部１３は、ｉ回目の更新周期の終了時まで待機する。ｉ回目の更新周期の終了時になると（ステップＳ２０４−Ｙｅｓ）、動作はステップＳ２０５に進む。

ステップＳ２０５：制御部１３は、変数ｉをインクリメントする。その後、本動作は終了する。

（決定手段の動作）
モデルパラメータの更新処理を実行するか否かを決定する決定手段１３５の動作について、具体的に説明する。本実施形態では、決定手段１３５が更新処理を実行しないと決定する複数のアルゴリズムが存在する。

まず、第１アルゴリズムについて説明する。決定手段１３５は、制御出力又は制御入力の検出値が第１参照値と略一致している状態が学習期間において所定の基準時間継続した場合、学習データに異常があると判定し、更新処理を実行しないと決定する。ここで、第１参照値は、学習期間内の任意の参照時刻における制御出力若しくは制御入力の検出値、又は、制御出力若しくは制御入力を検出するセンサの検出上限値若しくは検出下限値である。また、基準時間は、絶対値で定められてもよく、或いは相対値（例えば、学習期間の長さＴａのｎ％等）で定められてもよい。

なお、本実施形態において２つの値が「略一致」するとは、当該２つの値が実用上同一とみなせる程度に近いことを指す。例えば、制御出力又は制御入力の検出値と第１参照値との差の絶対値が所定の閾値未満である場合、検出値が第１参照値と略一致する、と判定可能である。当該閾値は、絶対値で定められてもよく、或いは相対値（例えば、第１参照値のｎ％等）で定められてもよい。

ここで、プラントの通常運転時とは異なる状況においては、制御出力又は制御入力の検出値（すなわち、学習データ）に異常が発生し得る。例えばプラント設備２０の校正作業中は、検出値が変化せず一定値になり得る。また、例えばセンサが故障した場合、又はプロセスにおける処理対象の量（例えば、浄水プロセスにおける処理水の流入量等）が通常運転時と比べて大きく変化した場合等は、検出値が検出上限値又は検出下限値から変化せず一定値になり得る。これに対して、第１アルゴリズムによれば、学習データに異常がある状況を避けてモデルパラメータを更新可能である。

第２アルゴリズムについて説明する。決定手段１３５は、学習期間の少なくとも一部である参照期間において、プロセスの制御出力又は制御入力の検出値の分散又は標準偏差が所定の基準値未満である場合、学習データに異常があると判定し、更新処理を実行しないと決定する。ここで、参照期間の長さは、例えば予め定められる。参照期間の長さが学習期間の長さＴａよりも短い場合、決定手段１３５は、学習期間における参照期間の開始位置をずらしながら、プロセスの制御出力又は制御入力の検出値の分散又は標準偏差が所定の基準値未満であるか否かを順次判定する。第２アルゴリズムによれば、上述した第１アルゴリズムと同様に、学習データに異常がある状況を避けてモデルパラメータを更新可能である。

第３アルゴリズムについて説明する。決定手段１３５は、プロセスの制御出力又は制御入力の検出値が後述する第２参照値と略一致している時間の学習期間における合計が、所定の基準時間以上である場合、学習データに異常があると判定し、更新処理を実行しないと決定する。ここで、第２参照値は、制御出力又は制御入力を検出するセンサの検出上限値又は検出下限値である。また、基準時間は、絶対値で定められてもよく、或いは相対値（例えば、学習期間の長さＴａのｎ％等）で定められてもよい。

ここで、プラントの通常運転時とは異なる状況においては、上述したように制御出力又は制御入力の検出値が検出上限値又は検出下限値から変化しない場合がある。しかしながら実際には、かかる状況であっても、例えば外乱等の影響により検出値が瞬間的に検出上限値又は検出下限値から離れ得る。これに対して、第３アルゴリズムによれば、検出値が瞬間的に検出上限値又は検出下限値から離れる場合であっても、学習データに異常がある状況を避けてモデルパラメータを更新可能である。

第４アルゴリズムについて説明する。決定手段１３５は、プロセスの制御出力の検出値が学習期間に亘って目標値と略一致している場合、モデル予測制御が安定して実施されていると判定し、更新処理を実行しないと決定する。第４アルゴリズムによれば、プロセスの制御出力が目標値に精度良く追従している場合にはモデルパラメータが更新されないので、モデルパラメータの推定値を探索する機械学習における過剰適合を緩和又は防止することができる。

第５アルゴリズムについて説明する。決定手段１３５は、プロセスの制御出力の目標値が学習期間内で変化した場合において、プロセスの制御出力の目標値の変化量が所定の基準値未満であり、且つ、学習期間のうち目標値の変化後の追従期間を除く期間に亘ってプロセスの制御出力の検出値が目標値と略一致している場合、モデル予測制御が安定して実施されていると判定し、更新処理を実行しないと決定する。ここで、基準値は、絶対値で定められてもよく、或いは相対値（例えば、制御出力の目標値又は検出値のｎ％等）で定められてもよい。また、追従期間は、プロセスの制御出力が変化後の目標値に追従する期間であって、任意の手法で決定可能である。例えば、目標値の変更時から起算して所定時間（例えば、４時間）が経過するまでの期間、或いは、制御出力の検出値の移動平均について数値微分を計算し、微分値が所定の基準値以上である状態が継続した期間等が、追従期間として採用可能である。第５アルゴリズムによれば、プロセスの制御出力が目標値の変化前後で精度良く追従している場合にはモデルパラメータが更新されないので、モデルパラメータの推定値を探索する機械学習における過剰適合を緩和又は防止することができる。

第６アルゴリズムについて説明する。決定手段１３５は、プロセスの制御出力の目標値が学習期間内で変化した場合において、変化後の目標値に対するプロセスの制御出力の追従性を示す評価値（例えば、追従時間、又は制御出力の検出値の移動平均の数値微分）が所定の基準範囲内である場合、モデル予測制御が安定して実施されていると判定し、更新処理を実行しないと決定する。ここで「基準範囲」とは、評価値の上限のみを規定した範囲であってもよく、或いは評価値の上限及び下限を規定した範囲であってもよい。第６アルゴリズムによれば、プロセスの制御出力が目標値の変化に素早く追従している場合にはモデルパラメータが更新されないので、モデルパラメータの推定値を探索する機械学習における過剰適合を緩和又は防止することができる。

なお、決定手段１３５は、上述の第１アルゴリズム〜第６アルゴリズムのうち少なくとも１つによって更新処理を実行しないと決定した場合を除き、更新処理を実行すると決定する。

本発明を諸図面及び実施例に基づき説明してきたが、当業者であれば本開示に基づき種々の変形及び修正を行うことが容易であることに注意されたい。したがって、これらの変形及び修正は本発明の範囲に含まれることに留意されたい。例えば、各手段、各ステップ等に含まれる機能等は論理的に矛盾しないように再配置可能であり、複数の手段及びステップ等を１つに組み合わせたり、或いは分割したりすることが可能である。

例えば、モデル予測制御システム１が複数の情報処理装置１０を備える構成も可能である。また、実施形態に係る１つの情報処理装置１０の各構成又は各手段が、互いに通信可能な複数の装置に分散配置された構成も可能である。

また、上述した実施形態において、図５及び図６を参照して情報処理装置１０の動作の例について説明した。しかしながら、上述した動作に含まれる一部のステップ、又は１つのステップに含まれる一部の動作が、論理的に矛盾しない範囲内において省略された構成も可能である。また、上述した動作に含まれる複数のステップの順番が、論理的に矛盾しない範囲内において入れ替わった構成も可能である。

また、上述した実施形態において、制御部１３によって実現される各手段をソフトウェア構成として説明したが、これらのうち少なくとも一部の手段は、ソフトウェア資源及び／又はハードウェア資源を含む概念であってもよい。例えば、記憶手段１３１及び蓄積手段１３３はメモリを含んでもよい。

また、上述した実施形態に係る情報処理装置１０として機能させるために、コンピュータ等の汎用の情報処理装置を用いることができる。当該情報処理装置は、実施形態に係る情報処理装置１０の各機能を実現する処理内容を記述したプログラムを、当該情報処理装置のメモリに格納し、当該情報処理装置のプロセッサによって当該プログラムを読み出して実行させることによって実現可能である。

１ モデル予測制御システム
１０ 情報処理装置
１１ 通信部
１２ 記憶部
１３ 制御部
１３１ 記憶手段
１３２ プロセス制御手段
１３３ 蓄積手段
１３４ 更新手段
１３５ 決定手段
２０ プラント設備
３０ 表示装置
４０ 入力装置
Ｎ ネットワーク

Claims (12)

1. プロセスモデルを記憶する記憶手段と、
   前記プロセスモデルを用いてプロセスのモデル予測制御を実施するプロセス制御手段と、
   前記プロセスの制御出力及び制御入力の検出値を時系列データとして蓄積する蓄積手段と、
   学習期間において蓄積された前記時系列データに基づいて前記プロセスモデルのモデルパラメータを更新する更新処理を実行可能な更新手段と、
   を備えるモデル予測制御システムであって、
   前記更新処理を実行するか否かを決定する決定手段を更に備え、
   前記更新手段は、前記決定手段により前記更新処理を実行しないと決定された場合を除き、前記更新処理を実行する、モデル予測制御システム。
2. 請求項１に記載のモデル予測制御システムであって、
   前記決定手段は、前記プロセスの制御出力又は制御入力の検出値が第１参照値と略一致している状態が前記学習期間において基準時間継続した場合、前記更新処理を実行しないと決定し、
   前記第１参照値は、前記学習期間内の参照時刻における前記プロセスの制御出力若しくは制御入力の検出値、又は前記プロセスの制御出力若しくは制御入力を検出するセンサの検出上限値若しくは検出下限値である、モデル予測制御システム。
3. 請求項１又は２に記載のモデル予測制御システムであって、
   前記決定手段は、前記学習期間の少なくとも一部である参照期間において、前記プロセスの制御出力又は制御入力の検出値の分散又は標準偏差が基準値未満である場合、前記更新処理を実行しないと決定する、モデル予測制御システム。
4. 請求項１から３のいずれか一項に記載のモデル予測制御システムであって、
   前記決定手段は、前記プロセスの制御出力又は制御入力の検出値が第２参照値と略一致している時間の前記学習期間における合計が基準時間以上である場合、前記更新処理を実行しないと決定し、
   前記第２参照値は、前記プロセスの制御出力又は制御入力を検出するセンサの検出上限値又は検出下限値である、モデル予測制御システム。
5. 請求項１から４のいずれか一項に記載のモデル予測制御システムであって、
   前記決定手段は、前記プロセスの制御出力の検出値が前記学習期間に亘って目標値と略一致している場合、前記更新処理を実行しないと決定する、モデル予測制御システム。
6. 請求項１から５のいずれか一項に記載のモデル予測制御システムであって、
   前記決定手段は、前記プロセスの制御出力の目標値が前記学習期間内で変化した場合において、前記プロセスの制御出力の目標値の変化量が基準値未満であり、且つ、前記学習期間のうち目標値の変化後の追従期間を除く期間に亘って前記プロセスの制御出力の検出値が目標値と略一致している場合、前記更新処理を実行しないと決定する、モデル予測制御システム。
7. 請求項１から６のいずれか一項に記載のモデル予測制御システムであって、
   前記決定手段は、前記プロセスの制御出力の目標値が前記学習期間内で変化した場合において、変化後の目標値に対する前記プロセスの制御出力の追従時間が基準時間未満である場合、前記更新処理を実行しないと決定する、モデル予測制御システム。
8. プロセスモデルを記憶する記憶手段と、
   前記プロセスモデルを用いてプロセスのモデル予測制御を実施するプロセス制御手段と、
   前記プロセスの制御出力及び制御入力の検出値を時系列データとして蓄積する蓄積手段と、
   学習期間において蓄積された前記時系列データに基づいて前記プロセスモデルのモデルパラメータを更新する更新処理を実行可能な更新手段と、
   を備える情報処理装置であって、
   前記更新処理を実行するか否かを決定する決定手段を更に備え、
   前記更新手段は、前記決定手段により前記更新処理を実行しないと決定された場合を除き、前記更新処理を実行する、情報処理装置。
9. プロセスモデルを記憶する記憶手段と、前記プロセスモデルを用いてプロセスのモデル予測制御を実施するプロセス制御手段と、前記プロセスの制御出力及び制御入力の検出値を時系列データとして蓄積する蓄積手段と、学習期間において蓄積された前記時系列データに基づいて前記プロセスモデルのモデルパラメータを更新する更新処理を実行可能な更新手段と、前記更新処理を実行するか否かを決定する決定手段と、を備え、前記更新手段が、前記決定手段により前記更新処理を実行しないと決定された場合を除き、前記更新処理を実行する、モデル予測制御システムを構成するために、
   前記記憶手段、前記プロセス制御手段、前記蓄積手段、前記更新手段、及び前記決定手段のうち少なくとも１つを備える、情報処理装置。
10. 情報処理装置を、
    プロセスモデルを記憶する記憶手段と、
    前記プロセスモデルを用いてプロセスのモデル予測制御を実施するプロセス制御手段と、
    前記プロセスの制御出力及び制御入力の検出値を時系列データとして蓄積する蓄積手段と、
    学習期間において蓄積された前記時系列データに基づいて前記プロセスモデルのモデルパラメータを更新する更新処理を実行可能な更新手段と、
    として機能させるプログラムであって、
    前記情報処理装置を、前記更新処理を実行するか否かを決定する決定手段として更に機能させ、
    前記更新手段は、前記決定手段により前記更新処理を実行しないと決定された場合を除き、前記更新処理を実行する、プログラム。
11. 通信可能に接続された複数の情報処理装置を含んで構成され、プロセスモデルを記憶する記憶手段と、前記プロセスモデルを用いてプロセスのモデル予測制御を実施するプロセス制御手段と、前記プロセスの制御出力及び制御入力の検出値を時系列データとして蓄積する蓄積手段と、学習期間において蓄積された前記時系列データに基づいて前記プロセスモデルのモデルパラメータを更新する更新処理を実行可能な更新手段と、前記更新処理を実行するか否かを決定する決定手段と、を備え、前記更新手段が、前記決定手段により前記更新処理を実行しないと決定された場合を除き、前記更新処理を実行するモデル予測制御システムにおける、前記複数の情報処理装置のうち１つの情報処理装置を、
    前記記憶手段、前記プロセス制御手段、前記蓄積手段、前記更新手段、及び前記決定手段のうち少なくとも１つとして機能させる、プログラム。
12. 情報処理装置が実行するプロセスのモデル予測制御方法であって、
    プロセスモデルを記憶するステップと、
    前記プロセスモデルを用いてプロセスのモデル予測制御を実施するステップと、
    前記プロセスの制御出力及び制御入力の検出値を時系列データとして蓄積するステップと、
    学習期間において蓄積された前記時系列データに基づいて前記プロセスモデルのモデルパラメータを更新する更新処理を実行するか否かを決定するステップと、
    前記更新処理を実行しないと決定された場合を除き、前記更新処理を実行するステップと、
    を含む、モデル予測制御方法。

Images