JP2021105900A - プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム - Google Patents

プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム Download PDF

Info

Publication number
JP2021105900A
JP2021105900A JP2019237656A JP2019237656A JP2021105900A JP 2021105900 A JP2021105900 A JP 2021105900A JP 2019237656 A JP2019237656 A JP 2019237656A JP 2019237656 A JP2019237656 A JP 2019237656A JP 2021105900 A JP2021105900 A JP 2021105900A
Authority
JP
Japan
Prior art keywords
control
output
plant
learning
data
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
JP2019237656A
Other languages
English (en)
Other versions
JP7328142B2 (ja
Inventor
大輝 黒川
Daiki Kurokawa
大輝 黒川
服部　哲
Satoru Hattori
哲 服部
敬規 高田
Takanori Takada
敬規 高田
佑樹 田内
Yuki Tanaka
佑樹 田内
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.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
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 Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP2019237656A priority Critical patent/JP7328142B2/ja
Priority to CN202011428094.4A priority patent/CN113050550B/zh
Priority to KR1020200174275A priority patent/KR102440698B1/ko
Priority to DE102020216130.5A priority patent/DE102020216130A1/de
Publication of JP2021105900A publication Critical patent/JP2021105900A/ja
Application granted granted Critical
Publication of JP7328142B2 publication Critical patent/JP7328142B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/28—Control of flatness or profile during rolling of strip, sheets or plates
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Feedback Control In General (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

【課題】制御対象の機械寿命の増加や非効果的な制御を回避することによる制御精度の向上等の効果が期待できるプラント制御装置を提供する。【解決手段】制御効果の異なる複数のニューラルネットワークで学習したニューラルネットワークの出力に応じて前記制御対象プラントの操作端を制御する制御出力を与えるプラント制御装置であって、制御効果が高い場合ニューラルネットワークの出力が存在する場合は、その出力に応じて制御対象プラントの操作端を制御し、制御効果が低い場合ニューラルネットワークの出力のみ存在し、かつ操作端における操作端位置に余裕がある場合に制御効果が低い出力に応じて制御対象プラントの操作端を制御し、さらに制御効果が低い場合を学習して形成されたニューラルネットワークの出力のみ存在し、かつ操作端における操作端位置に余裕がない場合に制御対象プラントの操作端を制御しないことを特徴とする。【選択図】図１

Description

本発明は、ニューラルネット等の人工知能技術を用いて行う実時間のフィードバック制御における、プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラムに関する。
従来から、各種のプラントにおいてはその制御により所望の制御結果を得るために各種制御理論に基づいたプラント制御が実施されている。
プラントの一例として例えば圧延機制御においては、制御の一例として板の波打ち状態を制御する形状制御を対象とした制御理論として、ファジィ制御やニューロ・ファジィ制御が適用されてきた。ファジィ制御は、クーラントを利用した形状制御に、また、ニューロ・ファジィ制御は、センジミア圧延機の形状制御に適用されている。このうちニューロ・ファジィ制御を適用した形状制御は、特許文献１に示されるように、形状検出器で検出された実績形状パターンと目標形状パターンの差と、予め設定された基準形状パターンとの類似割合を求め、その類似割合からこれも予め設定された基準形状パターンに対する制御操作端操作量によって表現された制御ルールにより、操作端に対する制御出力量を求めることにより行われている。以下、従来技術として、ニューロ・ファジィ制御を用いたセンヂミア圧延機の形状制御を用いるものとする。
図５に、特許文献１の図１に記述されたセンヂミア圧延機の形状制御を示す。センヂミア圧延機の形状制御では、ニューロ・ファジィ制御が用いられる。この例では、パターン認識機構５１で、形状検出器５２にて検出した実形状より形状のパターン認識を行い、実形状が予め設定された基準形状パターンのどれに最も近いかを演算する。制御演算機構５３では、図６で示すような予め設定された形状パターンに対する制御操作端操作量で構成される制御ルールを用いて制御を実施する。図６についてより具体的に述べると、パターン認識機構５１では、形状検出器５２にて検出した形状実績と目標形状（εｒｅｆ）との差分（Δε）が、１から８の形状パターン（ε）のどれに最も近いかを演算し、制御演算機構５３では、１から８の制御方法のいずれかを選択し実行する。
ところが特許文献１の手法では、制御ルールの検証のために、圧延中にオペレータに手動操作を行ってもらい制御ルールの検証等行う場合が有るが、予想に反した形状変化を示す場合がある。つまり、上記の様にして決定した制御ルールが現実に則していない場合が発生する。これは、機械的特性の検討不足や圧延機の操業状態や機械条件の変化が原因であるが、予め設定した制御ルールが最も良いルールかどうかを１つ１つ検証するのは、考慮すべき条件が多く困難である。そのため、制御ルールを一度設定してしまうと、不具合が無い限りそのままとしてしまう場合が多い。
操業条件の変化等で、制御ルールが現実に則したものでなくなってくると、制御ルールが固定されているため、ある程度以上の制御精度を出すことは困難となってくる。また、一旦形状制御が動作してしまうと、オペレータは手動操作をしなくなる（制御にとって外乱となってしまう）ため、新たな制御ルールをオペレータの手動介入により見つけていくのも困難である。さらに、新しい規格の圧延材を圧延する場合も制御ルールをその材料にあわせて設定するのは困難である。
以上のように、従来の形状制御においては、予め設定された制御ルールを用いて制御するため、制御ルールを修正するのが困難であるという問題が有った。
この問題を解決するために、特許文献２に示すような、形状制御を行いながら制御ルールをランダムに変化させ、形状が良くなるルールを学習して行くことで、
１）圧延中に形状制御を実施しながら新たな制御ルールを発見していく。
２）新たな制御ルールは、予め予想できるものでは無く、全く予測できなかった制御ルールが最適となる場合も有る事から、ランダムに制御操作端を動作させ、それに対する制御結果を見ながら見つけていく。
ことを実現している。
特許２８０４１６１号 特許４００３７３３号
上記従来技術は、予め代表的な形状を基準形状パターンとして設定し、基準波形パターンに対する制御操作端操作量との関係を示す制御ルールを基に制御を行っている。制御ルールの学習についても、基準波形パターンに対する制御操作端操作量に関するものであり、予め定めている代表的な基準形状パターンはそのまま用いている。
然しながら、同様の形状パターンに対して、制御操作端操作量は多様であり、操作端操作により形状偏差が減少したという評価基準により制御方法を学習した場合、多数の制御操作端操作量を学習してしまうためその平均値的な制御出力となり、制御効果が小さくなってしまう事がある。制御効果の大きかった操作方法のみを選択して学習する事も可能であるが、その場合制御効果が小さい制御出力に関しては学習されず、これも制御効果を減少させてしまう可能性が有る。
また上記従来技術では、基準波形パターンに対する制御操作端操作量を決定しているが、決定された制御操作端操作量に応じて制御運用した時の制御操作端における機械的な寿命を考慮していない。
以上のことから本発明においては、制御対象とする例えば圧延機の機械寿命の増加や非効果的な制御を回避することによる制御精度の向上等の効果が期待できるプラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラムを提供することを目的としている。
以上のことから本発明においては、「制御対象プラントの実績データと制御操作の組合せを制御効果に応じて学習し、制御効果の異なる複数のニューラルネットワークを形成する制御方法学習装置で学習したニューラルネットワークの出力に応じて前記制御対象プラントの操作端を制御する制御出力を与える制御実行装置を備えるプラント制御装置であって、制御実行装置は、制御効果が高い場合を学習して形成されたニューラルネットワークの出力が存在し制御効果が高い場合は、その出力に応じて制御対象プラントの操作端を制御し、制御効果が低い場合を学習して形成されたニューラルネットワークの出力のみ存在し、かつ操作端における操作端位置に余裕がある場合に制御効果が低い場合を学習して形成されたニューラルネットワークの出力に応じて制御対象プラントの操作端を制御し、さらに制御効果が低い場合を学習して形成されたニューラルネットワークの出力のみ存在し、かつ操作端における操作端位置に余裕がない場合に制御対象プラントの操作端を制御しないことを特徴とするプラント制御装置。」としたものである。
また本発明においては、「制御対象プラントの実績データと制御操作の組合せを制御効果に応じて学習し、制御効果の異なる複数のニューラルネットワークを形成する学習部で学習したニューラルネットワークの出力に応じて制御対象プラントの操作端を制御する制御出力を与える制御部を備えるプラント制御方法であって、制御部は、制御効果が高い場合を学習して形成されたニューラルネットワークの出力が存在し制御効果が高い場合は、その出力に応じて制御対象プラントの操作端を制御し、制御効果が低い場合を学習して形成されたニューラルネットワークの出力のみ存在し、かつ操作端における操作端位置に余裕がある場合に制御効果が低い場合を学習して形成されたニューラルネットワークの出力に応じて制御対象プラントの操作端を制御し、さらに制御効果が低い場合を学習して形成されたニューラルネットワークの出力のみ存在し、かつ操作端における操作端位置に余裕がない場合に制御対象プラントの操作端を制御しないことを特徴とするプラント制御方法、さらにはこのプラント制御方法を適用した圧延機制御方法。」としたものである。
また本発明においては、「制御対象プラントに対して、制御対象プラントの実績データの組合せのパターンを認識して、制御を実施するプラント制御装置を計算機システムにより実現するときのプログラムであって、計算機システムは、制御対象プラントの実績データと制御操作の組合せを学習し、制御効果の異なる複数のニューラルネットワークを形成する制御方法学習プログラムと、学習した実績データと制御操作の組合せに応じて制御対象プラントの制御を実施する制御実行プログラムを備え、制御実行プログラムは、制御効果が高い場合を学習して形成されたニューラルネットワークの出力が存在し制御効果が高い場合は、その出力に応じて制御対象プラントの操作端を制御し、制御効果が低い場合を学習して形成されたニューラルネットワークの出力のみ存在し、かつ操作端における操作端位置に余裕がある場合に制御効果が低い場合を学習して形成されたニューラルネットワークの出力に応じて制御対象プラントの操作端を制御し、さらに制御効果が低い場合を学習して形成されたニューラルネットワークの出力のみ存在し、かつ操作端における操作端位置に余裕がない場合に前記制御対象プラントの操作端を制御しない。」としたものである。
本発明を用いることにより、制御中に操作端位置と制御効果を考慮して制御ルールを自動で変更することで、操作端位置が限界値に達することを未然に防ぐことによる圧延機の機械寿命の増加や非効果的な制御を回避することによる制御精度の向上等の効果が期待できる。
本発明の実施例に係るプラント制御装置の概要を示す図。 本発明の実施例に係る制御ルール実行部１０の具体的な構成事例を示す図。 本発明の実施例に係る制御ルール学習部１１の具体的な構成事例を示す図。 本発明をセンヂミア圧延機の形状制御に用いる場合のニューラルネット構成を示す図。 特許文献１の図１に記述されたセンヂミア圧延機の形状制御を示す図。 特許文献１の図１に記述されたセンヂミア圧延機の形状制御における制御ルールを示す図。 入力データ作成部２の概要を示す図。 制御出力演算部３の概要を示す図。 制御出力判定部５の概要を示す図。 形状偏差と制御方法について示す図。 制御良否判定部６の概要を示す図。 制御出力演算部３における各部データや記号の関係を整理して示す図。 学習データ作成部７における処理段階と処理内容を示す図。 学習データデータベースＤＢ２に保存されたデータ例を示す図。 ニューラルネット管理テーブルＴＢの例を示す図。 学習データデータベースＤＢ２の例を示す図。 制御出力選択部１０７の判断内容例を示す図。 形状評価結果と制御出力の関係を示す図。 制御操作端における操作端位置、余裕度との関係を示す図。
以下本発明の実施例について、図面を用いて詳細に説明するが、その前に本発明における知見、並びに本発明に至る経緯について圧延機の形状制御を例にして説明をしておく。
まず、本発明における上記課題を解決するためには、
１）基準形状パターンと、それに対する制御操作を予め別々に設定し、制御操作方法を学習していくのではなく、形状パターンと制御操作の組合せを同様の形状に対して、制御操作実施時の制御効果に応じて複数個学習し、この複数個の制御ルールから算出される複数の制御操作の中で制御操作端の状態に応じて最適な操作を選択し、これを用いて制御操作を実施する。最適な操作の選択として、制御操作端の動作範囲に余裕がある場合は、制御効果が小さくても制御操作を実施し、余裕が無い場合には制御効果が小さい制御操作は実施しない。
２）新たな制御ルールは、予め予想できるものでは無く、全く予測できなかった制御ルールが最適となる場合も有る事から、ランダムに制御操作端を動作させ、それに対する制御結果を見ながら見つけていく。
ことが必要となる。
これを実現するためには、形状制御に使用する形状パターンと制御操作の組合せを変化させて、制御結果が良くなるように制御操作を変更していく必要がある。そのためには、形状パターンと制御操作の組合せを学習可能なニューラルネットを構成し、圧延機で発生した形状パターンに対する、ニューラルネットの制御操作の出力を、制御結果の良否に応じて変更していく事が必要である。
上記を、操業中の圧延機に対して形状制御を実施しながら実施すると、誤った制御出力を出す場合もあることから、形状が悪化し、板破断等の操業異常が発生する事がある。板破断が発生すると、圧延機で使用するロールの交換に時間を要したり、圧延中の被圧延材が無駄になったりと、ダメージが大きい。そのため、可能な限り誤った制御出力を圧延機に対して出力しないようにする事が必要である。
以上のことから本発明においては、これを実現するため、ニューラルネットが出力した制御操作の良否を、例えば圧延機の簡易モデル等を用いて検証し、明らかに形状が悪化すると考えられる出力は、圧延機の制御操作端に対して出力しないようにし、形状悪化を防止する。この時、ニューラルネットに関しては、その形状パターンに対する制御操作は誤りであるとして学習を実施する。
制御操作の良否の検証方法自体が誤っている可能性が有るため、ある確率で誤っていると判断されたニューラルネットの制御操作出力についても、圧延機の制御操作端に出力することで、想定外の形状パターンと制御操作の組合せについても学習していく事が可能となる。
ニューラルネットに制御ルールを学習させるためには、形状実績とそれに対する制御方法の組合せである学習データが多数必要となる。あるニューラルネットの学習に使用する多数の学習データを学習データ群と本明細書では表記する。どのような学習データ群を用いるかにより、学習結果である制御ルールが異なってくる。前記の方法により、形状パターンに対する制御方法を変更する場合、新たな学習データを作成して既存の学習データ群に追加するという方法を用いる。学習データ群内の学習データは増大するのみであり、ニューラルネットの学習に要する時間も増大する。そのため、学習データを期間にもとづいて削除したり、ランダムに削除する事も考えられるが、それにより学習結果の制御ルールが一新されてしまう場合も発生する。そのため、現状の学習データ群内の学習データを残したまま新たな学習データを追加するのが理想である。
新たな学習データが発生した場合、学習データ群内には制御効果無と判断された形状実績とそれに対する制御方法の組合せである学習データが有るはずであり、それを残したまま新たな学習データを学習データ群に追加しても、両者が競合する結果となり、学習結果である制御ルールが意図されたもの（新たな学習データと同等な制御ルール）にならない。この問題を解決するためには、新たな学習データを追加するのと同時に、制御効果無と判断された学習データを学習データ群から削除していく必要が有る。
これにより、学習データ群に含まれる学習データ数を制限する事が可能となる。学習データが増大すると、それに応じて学習に要する時間は増大する。プラント制御装置は、予め定められたスケジュールにより学習を実施するため、学習時間はほぼ一定である事が理想で有る。上記により学習データを削除していく事で、学習データの増大を制限し、一定範囲の学習データを用いて学習する事が可能となる。
また、新たな学習データ群を用いて学習するまで、ニューラルネットがもつ制御ルールは変化しない。そのため、制御効果無と判断された制御ルールを用いて再度制御を実行する場合も有る。ニューラルネットの学習には時間を要する事から、新たな学習データ群を用いた学習結果が得られるまでに、制御効果無と判断された制御ルールを用いて制御を行わず、修正された学習データによる制御方法を行うことで制御効果を高める事ができる。
図１に、本発明の実施例に係るプラント制御装置の概要を示す。図１のプラント制御装置は、制御対象プラント１と、制御対象プラント１からの実績データＳｉを入力して図６に例示したような制御ルール（ニューラルネット）に従い定めた制御操作量出力ＳＯを制御対象プラント１に与えて制御する制御実行装置２０と、制御対象プラント１からの実績データＳｉなどを入力して学習を行い、学習した制御ルールを制御実行装置２０における制御ルールに反映させる制御方法学習装置２１と、複数のデータベースＤＢ（ＤＢ１からＤＢ３）、並びにデータベースＤＢの管理テーブルＴＢから構成されている。
このうち制御実行装置２０は、制御入力データ作成部２、制御ルール実行部１０、制御出力演算部３、制御出力抑制部４、制御出力判定部５、制御操作外乱発生部１６を主たる要素として構成されている。
制御実行装置２０においては、まず制御対象プラント１である圧延機の実績データＳｉより、制御入力データ作成部２を用いて、制御ルール実行部１０に与える制御入力データＳ１を作成する。なおここで、圧延機の実績データＳｉとは圧延機の状態量であり、圧延機の状態量の中で制御ルール実行部１０に与える状態量のことを制御入力データＳ１として区別している。従って、制御入力データＳ１もまた圧延機の実績データＳｉということができる。
制御ルール実行部１０は、制御対象の実績データＳｉ（制御ルール実行部１０の制御入力データＳ１）と制御操作端操作指令Ｓ２の関係を表現する２つのニューラルネット（制御ルール）を用いて、制御対象の実績データＳｉから２つのニューラルネットの操作端操作指令を判定し、最適な操作端操作指令を制御操作端操作指令Ｓ２として作成する。制御出力演算部３においては、制御操作端操作指令Ｓ２をもとに、制御操作端への制御操作量Ｓ３を演算する。これにより、制御対象プラント１の実績データＳｉに応じて、ニューラルネットを用いて制御操作量Ｓ３を作成する。
また制御実行装置２０内の制御出力判定部５においては、制御対象プラント１からの実績データＳｉおよび制御出力演算部３からの制御操作量Ｓ３を用いて、制御操作端への制御操作量出力可否データＳ４を決定する。制御出力抑制部４においては、制御操作量出力可否データＳ４に応じて制御操作端への制御操作量Ｓ３の出力可否を決定し、可とされた制御操作量Ｓ３を、制御対象プラント１に与える制御操作量出力ＳＯとして出力する。これにより、異常と判断される制御操作量Ｓ３は、制御対象プラント１に出力されなくなる。なお制御操作外乱発生部１６は、プラント制御装置を検証する目的のために、外乱を生成し、制御対象プラント１に与えるものである。
以上のように構成された制御実行装置２０は、その処理実行のために、さらに後述するように、制御ルールデータベースＤＢ１および出力判定データベースＤＢ３を参照する。制御ルールデータベースＤＢ１は、制御実行装置２０内の制御ルール実行部１０と、後述する制御方法学習装置２１内の制御ルール学習部１１の双方にアクセス可能に接続されている。制御ルール学習部１１における学習結果としての制御ルール（ニューラルネット）が制御ルールデータベースＤＢ１に格納されており、制御ルール実行部１０は制御ルールデータベースＤＢ１に格納された制御ルールを参照する。出力判定データベースＤＢ３は、制御実行装置２０内の制御出力判定部５にアクセス可能に接続されている。
図２は、本発明の実施例に係る制御ルール実行部１０の具体的な構成事例を示している。制御ルール実行部１０は、制御入力データ作成部２で作成した制御入力データＳ１を入力して、制御出力演算部３に制御操作端操作指令Ｓ２を与える。
制御ルール実行部１０はニューラルネット１０１、１０２を備えている。ここで、ニューラルネット１０１、１０２は、後述する制御効果に関する仕様Ａに応じて学習したニューラルネットであり、ニューラルネット１０１は、制御操作を実施した結果、形状偏差を大きく修正したという制御効果の場合に関する仕様Ａ１に応じて学習したニューラルネット、ニューラルネット１０２は、制御操作を実施した結果、形状偏差の変化は小さいが修正できたという制御効果の場合に関する仕様Ａ２に応じて学習したニューラルネットである。ニューラルネット１０１、１０２では基本的には図６に例示したような特許文献１の手法により、制御入力データ作成部２で作成した制御入力データＳ１を用いてニューラルネット操作端操作指令Ｎ１、Ｎ２を定めている。
このニューラルネット操作端操作指令Ｎ１、Ｎ２を出力有無判定部１０５に入力する。出力有無判定部１０５は、制御効果の大きい操作端操作指令Ｎ１、制御効果の小さい操作端操作指令Ｎ２がニューラルネット１０１より出力されているか判定し、出力されていない場合は出力無のフラグをＯＮにし、出力されている場合は出力無のフラグをＯＦＦにする。
出力有無判定部１０５では、制御効果が高い場合は、制御効果が高い場合を学習して形成されたニューラルネットの出力が存在する場合であり、制御効果が低い場合は、制御効果が高い場合を学習して形成されたニューラルネットの出力が存在しない場合かつ制御効果が高い場合を学習して形成されたニューラルネットの出力が存在する場合であることを判定している。
本発明の実施例に係る制御ルール実行部１０は、制御入力データ作成部２で作成した制御入力データＳ１の他に、制御対象である圧延機の状態量Ｓｉとして制御操作端の実績位置を操作端動作余裕判定部１０６に入力している。操作端動作余裕判定部１０６においては、制御操作端に制御により動作する余裕が十分にあるかを判定し、余裕がある場合は余裕有フラグをＯＮにし、余裕がない場合は余裕有フラグをＯＦＦにする。
制御出力選択部１０７においては、出力有無判定部１０５からの出力無フラグ、操作端動作余裕判定部１０６からの余裕有フラグを用いて、ニューラルネット１０１よりの操作端操作指令Ｎ１、ニューラルネット１０２よりの操作端操作指令Ｎ２のいずれを用いるか判定し、制御出力Ｓ３を制御出力演算部３に出力する。
具体的には、制御出力選択部１０７の判断内容を図１７に示すように、制御出力選択部１０７では、出力無フラグがＯＦＦ（制御効果の大きい操作端操作指令あり）の場合は操作端操作指令Ｎ１を選択し、出力無フラグがＯＮ（制御効果の大きい操作端操作指令なし）で、かつ余裕有フラグがＯＮの場合は操作端操作指令Ｎ２を選択し、それ以外の場合、つまり出力無フラグがＯＮ（制御効果の大きい操作端操作指令なし）で、かつ余裕有フラグがＯＦＦの場合は制御出力を０とする。
これにより、制御効果が高い場合を学習して形成されたニューラルネットワークの出力が存在し制御効果が高い場合は、その出力に応じて前記制御対象プラントの操作端を制御し、制御効果が低い場合を学習して形成されたニューラルネットワークの出力のみ存在し、かつ前記操作端における操作端位置に余裕がある場合に制御効果が低い場合を学習して形成されたニューラルネットワークの出力に応じて前記制御対象プラントの操作端を制御し、さらに制御効果が低い場合を学習して形成されたニューラルネットワークの出力のみ存在し、かつ前記操作端における操作端位置に余裕がない場合に前記制御対象プラントの操作端を制御しないこととする。
このことは、制御効果が小さいと考えられる場合に制御操作端における制御動作に余裕がないのであれば、動作させないことで制御操作端の寿命を確保するという考え方のものである。反面において、制御効果が大きいのであれば寿命よりも制御効果を優先して制御方式を判断したものということができる。
制御ルール実行部１０はさらにニューラルネット選択部１０３、１０４を備えており、制御ルールデータベースＤＢ１に格納された制御ルールを参照することで、ニューラルネット１０１、１０２における制御ルールとして、最適な制御ルールを選択し、実行せしめる。
このように図２の制御ルール実行部１０においては、オペレータ班や制御目的で分けられた複数のニューラルネットから、必要なニューラルネットを選択し、使用している。制御ルールデータベースＤＢ１には、制御対象プラント１からのデータとして、ニューラルネットおよび良否判定基準を選択できるような実績データ（操業班のデータ等）Ｓｉも含むのがよい。なお、ニューラルネットを実行すると制御ルールになるという関係にあることから、本明細書においてはニューラルネットと制御ルールを区別せず、同義の意味で使用している。
図１に戻り、制御方法学習装置２１においては、制御実行装置２０で使用するニューラルネット１０１、１０２の学習を実施する。制御実行装置２０が制御対象プラント１に対して、制御操作量出力ＳＯを出力した場合、実際に制御効果が実績データＳｉの変化となって現れるには時間を要する。このため、その時間だけ時間遅れさせたデータを用いて学習を実施する。図１において、Ｚ−１は、各データに対する適宜の時間遅れ機能を表している。
制御方法学習装置２１は、制御結果良否判定部６、学習データ作成部７、制御ルール学習部１１、良否判定データベースＤＢ４を主たる要素として構成されている。
このうち、制御結果良否判定部６は、制御対象プラント１からの実績データＳｉおよび実績データ前回値Ｓｉ０、並びに良否判定データベースＤＢ４に記憶された良否判定データＳ５を用いて、実績データＳｉが良くなる方向に変化したか、悪くなる方向に変化したか判定し、制御結果良否データＳ６を出力する。
制御方法学習装置２１内の学習データ作成部７においては、制御実行装置２０にて作成した制御操作端操作指令Ｓ２、制御操作量Ｓ３、制御操作量出力可否データＳ４などの入力データをそれぞれ同じ時間だけ時間遅れさせたデータと、制御結果良否判定部６よりの制御結果良否データＳ６を用いて、ニューラルネットの学習に使用する新規の教師データＳ７ａを作成し、制御ルール学習部１１に与える。なお、教師データＳ７ａは、制御ルール実行部１０が出力する制御操作端操作指令Ｓ２に対応するものであり、学習データ作成部７は、制御結果良否判定部６が与える制御結果良否データＳ６を用いて制御ルール実行部１０が出力する制御操作端操作指令Ｓ２を推定して得たデータを、新規の教師データＳ７ａとして求めたものということができる。
図３は、本発明の実施例に係る制御ルール学習部１１の具体的な構成事例を示している。制御ルール学習部１１は、入力データ作成部１１４、教師データ作成部１１５、ニューラルネット処理部１１０、ニューラルネット選択部１１３を主たる構成要素として構成されている。また制御ルール学習部１１は、外部からの入力として入力データ作成部２からの制御入力データＳ１を時間遅れさせたデータＳ８ａと、学習データ作成部７からの新規の教師データＳ７ａを得、また制御ルールデータベースＤＢ１および学習データデータベースＤＢ３に蓄積されたデータを参照する。
制御ルール学習部１１において、制御入力データＳ１は適宜の時間遅れ補償後に入力データ作成部１１４を介してニューラルネット処理部１１０に取り込まれる。
また制御ルール学習部１１において、学習データ作成部７からの新規の教師データＳ７ａは、教師データ作成部１１５において学習データデータベースＤＢ２に記憶されている過去の教師データＳ７ｂも含めた合計の教師データＳ７ｃとして、ニューラルネット処理部１１０に与えられる。これらの教師データＳ７ａ、Ｓ７ｂは、適宜、学習データデータベースＤＢ２に記憶されて、利用される。
同様に、制御入力データ作成部２からの入力データＳ８ａは、入力データ作成部１１４において学習データデータベースＤＢ２に記憶されている過去の入力データＳ８ｂも含めた合計の入力データＳ８ｃとして、ニューラルネット処理部１１０に与えられる。これらの入力データＳ８ａ、Ｓ８ｂは、適宜、学習データデータベースＤＢ２に記憶されて、利用される。
ニューラルネット処理部１１０は、ニューラルネット１１１とニューラルネット学習制御部１１２により構成されており、ニューラルネット１１１は、入力データ作成装置１１４からの入力データＳ８ｃ、教師データ作成部１１５からの教師データＳ７ｃ、ニューラルネット選択部１１３が選択した制御ルール（ニューラルネット）を取り込み、最終的に決定したニューラルネットを制御ルールデータベースＤＢ１に格納する。
ニューラルネット学習制御部１１２は、入力データ作成装置１１４、教師データ作成部１１５、ニューラルネット選択部１１３に対して、適宜のタイミングでこれらを制御し、ニューラルネット１１１の入力を得、また処理結果を制御ルールデータベースＤＢ１に格納すべく制御している。
ここで、図２の制御実行装置２０におけるニューラルネット１０１、１０２と、図３の制御方法学習装置２１におけるニューラルネット１１１は、いずれも同じ概念のニューラルネットであるが、利用するうえでの基本概念上の相違について説明をしておくと、以下のようである。まず制御実行装置２０におけるニューラルネット１０１、１０２は、予め定められた内容のニューラルネットであり、制御入力データＳ１を与えたときに対応する出力としての制御操作端操作指令Ｓ２を求めるものであり、いわば一方方向の処理に利用されるニューラルネットである。これに対し、制御方法学習装置２１におけるニューラルネット１１１は、制御入力データＳ１と制御操作端操作指令Ｓ２についての入力データＳ８ｃ、教師データＳ７ｃを学習データとして設定したときに、この入出力関係を満足するニューラルネットを学習により求めるためのものである。
上記のように構成された制御方法学習装置２１における基本的な処理の考え方は、以下のようである。まず、制御操作量出力可否データＳ４の内容が「可」の場合、制御対象プラント１に制御操作量出力ＳＯを出力し、制御結果良否データＳ６の内容が「良」（実績データＳｉが良くなる方向に変化）の場合、制御ルール実行部１０が出力した制御操作端操作指令Ｓ２は正しいと判断し、ニューラルネットの出力が制御操作端操作指令Ｓ２となるように学習データを作成する。
一方、制御操作量出力可否データＳ４の内容が「否」、または、制御対象プラント１に制御操作量出力ＳＯを出力し、制御結果良否データＳ６の内容が「否」（実績データＳｉが悪くなる方向に変化）の場合、制御ルール実行部１０が出力した制御操作端操作指令Ｓ２は誤っていると判断し、ニューラルネットの出力が出ないように学習データを作成する。このとき、制御出力として、同じ制御操作端に対して＋方向、−方向の２種類の出力が出るようにニューラルネット出力を構成しておき、出力した側の制御操作端操作指令Ｓ２が出力されないように学習データを作成する。
また図３に例示する制御ルール学習部１１においては、ニューラルネット学習制御部１１２によるデータ処理の結果として、以下のように処理している。ここでは、まず制御実行装置２０への制御入力データＳ１を時間遅れさせたＳ８ｃと、教師データ作成部１１５にて作成した教師データＳ７ｃの組合せである学習データを用いて、制御ルール実行部１０に用いたニューラルネット１０１、１０２の学習を実施する。実際には、制御ルール実行部１０のニューラルネット１０１、１０２と同じニューラルネット１１１を制御ルール学習部１１内に備えて、各種条件で運用テストしてその時の応答を学習し、学習の結果としてより良い結果を生じることが確認された制御ルールを得るものである。学習は、複数個の学習データを用いて行わせる必要があるため、過去に作成された学習データを蓄積している学習データデータベースＤＢ２より、過去の学習データを複数個取り出して、学習し処理を実施するとともに、今回の学習データを学習データデータベースＤＢ２に格納する。また、学習したニューラルネットは、制御ルール実行部１０にて利用するために、制御ルールデータベースＤＢ１に格納される。
この時、過去の学習データに、今回更新された学習データの元となる制御操作端操作指令Ｓ２を出力する原因となる学習データが含まれているはずであり、今回更新した学習データをそのまま追加して学習しても、相反する学習データで学習する結果となり、ニューラルネットが新たな制御方法を学習する妨げとなる。そのため、今回更新して追加した学習データの元の制御入力データＳ１と制御操作端操作指令Ｓ２の組合せに、最も類似した過去の学習データを削除する処理を実行するのがよい。
ニューラルネットの学習は、新しい学習データが作成される毎に、過去の学習データを一緒に用いて学習しても良いし、学習データがある程度（例えば１００個分）蓄積されてから、過去の学習データを一緒に用いて学習しても良い。
また、制御結果良否判定部６においては、良否判定データベースＤＢ４からの良否判定基準をもとに良否判定を実施する。制御結果の良否判定は、制御目的に応じて判断結果が異なるため、複数の制御目的に応じたニューラルネットを複数作成し、入力データが同じでも制御目的によりそれぞれ教師データを作成し、学習することで、１回分の入力データに対して複数の教師データを作成し、それぞれの教師データに対応するニューラルネットの学習に用いることで、同時に複数の制御目的に対応したニューラルネットを学習していくことが可能である。ここで、複数の制御目的とは、例えば形状制御の場合、板幅方向でどの部分（板端部、センター部、非対称部等）を優先的に制御したいか、複数の制御対象項目（例えば、板厚と張力、圧延荷重等）のいずれを優先的に制御したいか、等のことである。
上記の様な構成とした場合、一旦制御ルール実行部１０で用いられるニューラルネット１０１が学習してしまうと、新たな制御操作が実施されなくなる。そのため、制御操作外乱発生部１６により、適時新たな操作方法を乱数的に発生させ、制御操作量Ｓ３に加えて制御操作を実行する事で、新たな制御方法を学習していく。
以下、特許文献１に示すようなセンヂミア圧延機における形状制御を対象に、本プラント制御方法の詳細を説明する。なお形状制御に関しては、下記のような仕様Ａ、Ｂを採用するものとして説明する。
仕様Ａは、制御効果に関する仕様であり、制御操作を実施した結果、形状偏差を大きく修正した場合をＡ１、形状偏差の変化は小さいが修正できた場合をＡ２とする。
仕様Ｂは、予め判明している条件への対応についての仕様である。一例をあげると、形状パターンと制御方法の関係は、種々の条件で変化することから、例えば、仕様Ｂ１を板幅、仕様Ｂ２を鋼種とする区分で分ける必要がある事が考えられる。上記それぞれが変化することで、形状操作端の形状への影響度合が変化する。
この事例では制御対象プラント１は、センヂミア圧延機であり、実績データは形状実績となる。なおセンヂミア圧延機は、ステンレスなどの硬い材料を冷間圧延するためのクラスターロールを持つ圧延機である。ゼンジミア圧延機では、硬い材料に強圧下を与える目的で、小径のワークロールを用いる。このため、平坦な鋼板を得ることが難しい。この対策として、クラスターロールの構造やさまざまな形状制御部を採用している。センヂミア圧延機は一般には、上下の第１中間ロールが片テーパを持ち、シフトできるようになっているほか、上下に６個の分割ロールと２個のＡＳ−Ｕと呼ばれるロールを備えている。以下に説明する事例では、形状の実績データＳｉとしては、形状検出器の検出データを用い、さらに制御入力データＳ１としては、目標形状との差である、形状偏差を用いる。また制御操作量Ｓ３としては、＃１〜＃ｎのＡＳ−Ｕ、上下の第１中間ロールのロールシフト量とする。
図４に、センヂミア圧延機の形状制御に用いる場合のニューラルネット構成を示す。ここでニューラルネットとは、制御ルール実行部１０用ではニューラルネット１０１、１０２のことであり、制御ルール学習部１１用ではニューラルネット１１１に示したニューラルネットを示しているが、いずも構造は同じである。
図４に示すセンヂミア圧延機の形状制御の事例では、制御対象プラント１からの実績データＳｉは形状検出器のデータ（ここでは、実績形状と目標形状との差である形状偏差が出力されるものとする）を含むセンヂミア圧延機の実績データであり、制御入力データ作成部２では、制御入力データＳ１として規格化形状偏差２０１、形状偏差段階２０２を得る。これによりニューラルネット１０１、１０２、１１１の入力層は、規格化形状偏差２０１、形状偏差段階２０２により構成される。なお図４では、形状偏差段階２０２をニューラルネット入力層への入力としているが、段階に応じてニューラルネットを切替てもよい。
また、出力層は、センヂミア圧延機の形状制御操作端である、ＡＳ−Ｕ、第１中間ロールに合わせて、ＡＳ−Ｕ操作度合３０１と第１中間操作度合３０２により構成される。それぞれの操作度合は、ＡＳ−Ｕについては、ＡＳ−Ｕ開方向（ロールギャップ（圧延機の上下作業ロール間の間隔）が開く方向）、ＡＳ−Ｕ閉方向（ロールギャップが閉じる方向）を各ＡＳ−Ｕについて持つ。また、第１中間ロールについては、第１中間ロール開方向（第１中間ロールが圧延機中心より外側に向かって動作する方向）、第１中間ロール閉方向（第１中間ロールが圧延機中心側に向かって動作する方向）を上下第１中間ロールについて持つ。例えば、形状検出器が２０ゾーンで、形状偏差段階２０２を３段階（大、中、小）とした場合、入力層は２３個の入力となる。また、ＡＳ−Ｕのサドルが７本、上下第１中間ロールが板幅方向でシフト可能とすると、出力層はＡＳ−Ｕ操作度合３０１が１４個、１中間操作度合が４個の計１８個となる。中間層の層数および各層のニューロン数については、適時設定する。なお図８を参照して後述するが、出力層であるセンヂミア圧延機の形状制御操作端について、個々の制御操作端に対して＋方向、−方向の２種類の出力が出るようにニューラルネット出力を構成している。
図１０に形状偏差と制御方法について示している。ここでは図１０上部に、形状偏差が大きい場合の制御方法を示し、図１０の下部に形状偏差が小さい場合の制御方法を示している。なお高さ方向は形状偏差の大きさ、横軸方向は板幅方向であり、板幅の両側が板端部、中央が板中央部を表している。この図１０の上部に示すように、形状偏差が大きい場合は、板幅方向の局部的な形状偏差よりも全体的な形状を修正することを優先する。一方図１０の下部に示すように、形状偏差が小さい場合は、局部的な形状偏差を小さくすることを優先する。
このように、形状偏差の大きさに応じて制御方法を変える必要があるため、図４に示すように形状偏差段階２０２を設けてニューラルネット１０１、１０２、１１１に与え、形状偏差の大きさを判定する。形状偏差については形状偏差の大小にかかわらず、例えば０〜１に規格化したものを用いるのがよい。これは、一例であって、形状偏差を規格化せずにそのままニューラルネットの入力層へ入力することも考えられるし、形状偏差の大小に応じて、ニューラルネット自体を変える（例えば、２つのニューラルネットを準備し、形状偏差が大きい場合に使用するニューラルネットと、小さい場合に使用するニューラルネットを分ける）事も考えられる。
以上説明した図４のような構成のニューラルネット１０１、１０２、１１１に対して、形状パターンに対する操作方法を学習させ、学習させたニューラルネットを用いて形状制御を実施する。同じ構成のニューラルネットでも、学習の条件により異なった特性となり、同じ形状パターンに対して異なった制御出力を出すようにすることができる。
そのため、形状実績の他の条件に応じて、複数のニューラルネットを使い分けることで、多様な条件に対して最適な制御を構成することができる。これは仕様Ｂへの対応である。先に説明した図２の構成は、係る仕様を行う場合の具体例を示している。図２の構成事例では、制御ルール実行部１０において使用するニューラルネット１０１、１０２を、圧延実績や、圧延機オペレータ名、被圧延材の鋼種、板幅等により別個のニューラルネットを準備し、制御ルールデータベースＤＢ１に登録しておく。ニューラルネット選択部１０３、１０４においては、その時点の条件に合致するニューラルネットを選択し、制御ルール実行部１０のニューラルネット１０１、１０２に設定する。なおニューラルネット選択部１０３、１０４における、その時点の条件としては、制御対象プラント１における実績データＳｉの中から板幅のデータを取り込み、これに応じてニューラルネットを選択するのがよい。また、ここで使用する複数のニューラルネットは、図４に示すような入力層、出力層を持てば、中間層の層数、各層のユニット数は異なっても良い。
図７に、ニューラルネット１０１、１０２１１１の入力層へ入力するための制御入力データＳ１（規格化形状偏差２０１、形状偏差段階２０２）を作成する、制御入力データ作成部２の概要を示す。ここでは実績データＳｉとして、制御対象プラント１であるセンヂミア圧延機における圧延時の板形状を検出する、形状検出器の形状検出器データを入力とし、まず、形状偏差ＰＰ値演算装置２１０にて各形状検出器ゾーンの検出結果の最大値と最小値の差である形状偏差ＰＰ値（Ｐｅａｋ Ｔｏ Ｐｅａｋ値）ＳＰＰを求める。形状偏差段階演算部２１１では、形状偏差ＰＰ値ＳＰＰにより、形状偏差を大、中、小の３段階に分類する。形状は、被圧延材の伸び率の板幅方向分布であり、伸び率を１０−５単位で表すＩ−ＵＮＩＴが単位として用いられる。例えば、下式のように分類する。
ここでは、（１）式の成立により形状偏差段階が（大＝１、中＝０、小＝０）とし、（２）式の成立により形状偏差段階が（大＝０、中＝１、小＝０）とし、（３）式の成立により形状偏差段階が（大＝０、中＝０、小＝１）とするように分類している。なおここでは、各ゾーンの形状偏差については、ＳＰＭ＝ＳＰＰとした、ＳＰＭを用いて規格化を実施する。
Figure 2021105900
Figure 2021105900
Figure 2021105900
以上のようにして、ニューラルネット１０１、１０２への入力データである規格化形状偏差２０１および形状偏差段階２０２を作成する。規格化形状偏差２０１および形状偏差段階２０２は、制御ルール実行部１０の制御入力データＳ１である。
図８に、制御出力演算部３の概要を示す。制御出力演算部３は、制御ルール実行部１０内の、ニューラルネット１０１からの出力である制御操作端操作指令Ｓ２（センヂミア圧延機の形状制御の事例では、ＡＳ−Ｕ操作度合３０１、第１中間操作度合３０２がこれに相当する）より、各形状制御操作端への操作指令である制御操作量Ｓ３を作成する。なおここでは、複数個数が存在するＡＳ−Ｕ操作度合３０１、第１中間操作度合３０２について、各１つのデータ例を示しており、各データは開方向度合と閉方向度合の一対のデータで構成されている。
制御出力演算部３内では、入力されたＡＳ−Ｕ操作度合３０１は、各ＡＳ−Ｕ開方向、閉方向の出力をもつため、それらの差に変換ゲインＧＡＳＵを掛ける事で、各ＡＳ−Ｕへの操作指令を出力する。変換ゲインＧＡＳＵは、各ＡＳ−Ｕへの制御出力がＡＳ−Ｕ位置変更量（単位は長さ）となることから、度合から位置変更量への変換ゲインとなる。
また同じく入力された第１中間操作度合３０２は、第１中間外側、内側の出力をもつため、それらの差に変換ゲインＧ１ＳＴを掛ける事で、各第１中間ロールシフトへの操作指令を出力する。変換ゲインＧ１ＳＴは、各第１中間ロールへの制御出力が第１中間ロールシフト位置変更量（単位は長さ）となることから、度合から位置変更量への変換ゲインとなる。
以上により、制御操作量Ｓ３を演算することができる。制御操作量Ｓ３は、＃１〜＃ｎＡＳ−Ｕ位置変更量（ｎはＡＳ−Ｕロールのサドル数による）と、上第１中間シフト位置変更量、下第１中間シフト位置変更量から構成されている。なお、図８には、制御操作外乱発生部１６からの外乱データを制御操作端操作指令Ｓ２に加算する系統が図示されている。
図９に、制御出力判定部５の概要を示す。制御出力判定部５は、圧延現象モデル５０１と形状修正良否判定部５０２から構成されており、制御対象プラント１よりの実績データＳｉ、制御出力演算部３からの制御操作量Ｓ３、および出力判定データベースＤＢ３の情報を得て、制御操作端への制御操作量出力可否データＳ４を与える。係る構成により制御出力判定部５においては、制御出力演算部３にて演算した制御操作量Ｓ３を制御対象プラント１である圧延機に出力した場合の形状の変化を、既知の制御対象プラント１のモデル（図９の実施例の場合は、圧延現象モデル５０１）に入力することで予測し、形状が悪化すると予想される場合は制御操作量出力ＳＯを抑制し、形状が大きく悪化する事を防止する。
より詳細に述べると、制御操作量Ｓ３を圧延現象モデル５０１に入力し制御操作量Ｓ３による形状変化を予測し、形状偏差修正量予測データ５０３を演算する。他方、制御対象プラント１からの形状検出器データＳｉ（現時点での形状偏差実績データ５０４）に、形状偏差修正量予測データ５０３を加算する事で形状偏差予測データ５０５を得、形状偏差予測データ５０５を評価することで、制御操作量Ｓ３を制御対象プラント１に出力したときに、形状がどのように変化するかが予測できる。現状の形状偏差実績データ５０４と形状偏差予測データ５０５より、形状修正良否判定部５０２においては、形状が良くなる方向に変化するのか、悪くなる方向に変化するのか判定し、制御操作量出力可否データＳ４を得る。
形状修正良否判定部５０２では、具体的には以下のようにして形状修正の良否判定を行う。まず、板幅方向での制御優先度を考慮するため、出力判定データベースＤＢ３には、板幅方向の重み係数ｗ（ｉ）を設定しておく。それを用いて、例えば下記の（４）式のような評価関数Ｊを用いて形状変化の良否を判定する。なお（４）式において、ｗ（ｉ）は重み係数、εｆｂ（ｉ）は形状偏差実績５０４、εｅｓｔ（ｉ）は形状偏差予測５０５、ｉは形状検出器ゾーン、ｒａｎｄは乱数項である。
Figure 2021105900
（４）式の評価関数Ｊを用いた場合、形状が良くなるときは評価関数Ｊが正、悪くなるときは評価関数Ｊが負となる。また、ｒａｎｄは乱数項であり、評価関数Ｊの評価結果を乱数的に変化させる。これにより、形状が悪化する場合であっても、評価関数Ｊとしては正になる場合が発生するため、圧延現象モデル５０１が正しくない場合についても形状パターンと制御方法の関係を学習していく事が可能である。ここでｒａｎｄは、試運転当初の様に、制御対象プラント１のモデルが不確実の場合は最大値を大きくし、ある程度制御方法を学習し安定した制御を実施したい場合は０とするように、適時変更する。
形状修正良否判定部５０２においては、評価関数Ｊを演算し、Ｊ≧０のとき制御操作量出力可否データＳ４＝１（可）とし、Ｊ＜０のとき制御操作量出力可否データＳ４＝０（否）のように制御操作量出力可否データＳ４を出力する。
制御出力抑制部４においては、制御出力判定部５の判定結果である制御操作量出力可否データＳ４に応じて、制御対象プラント１への制御操作量出力ＳＯの出力有無を決定する。制御操作量出力可否データＳ４は、＃１〜＃ｎＡＳ−Ｕ位置変更量出力、上第１中間シフト位置変更量出力、下第１中間シフト位置変更量出力であり、
ＩＦ（制御操作量出力可否データＳ４＝０）ＴＨＥＮ
＃１〜＃ｎＡＳ−Ｕ位置変更量出力＝０
上第１中間シフト位置変更量出力＝０
下第１中間シフト位置変更量出力＝０
ＥＬＳＥ
＃１〜＃ｎＡＳ−Ｕ位置変更量出力＝＃１〜＃ｎＡＳ−Ｕ位置変更量
上第１中間シフト位置変更量出力＝上第１中間シフト位置変更量
下第１中間シフト位置変更量出力＝下第１中間シフト位置変更量
ＥＮＤＩＦ
により決定される。
制御実行装置２０においては、制御対象プラント１（圧延機）からの実績データＳｉより、上記の演算を実行し、制御操作量出力ＳＯを制御対象プラント１（圧延機）に出力する事により形状制御を実施する。
次に、制御方法学習装置２１の動作概要について説明する。制御方法学習装置２１においては、制御実行装置２０で用いたデータの時間遅れデータを使用する。時間遅れＺ−１は、ｅ−ＴＳを意味し、予め設定した時間Ｔだけ遅延させる事を示す。制御対象プラント１は、時間応答を持つため、制御操作量出力ＳＯにより、実績データが変化するまで時間遅れが存在する。そのため、学習は、制御操作実行後、遅延時間Ｔだけ経過した時点での実績データを用いて実施する。形状制御においては、ＡＳ−Ｕや第１中間ロールに対する操作指令出力後、形状計が形状変化を検出するまで数秒要するため、Ｔ＝２から３秒程度に設定するのがよい（形状検出器の種類や圧延速度によっても、遅れ時間は変化するため、制御操作端の変更が形状変化となるまでの最適な時間をＴとして設定すればよい。）。
図１１に、制御良否判定部６の動作概要を示す。形状変化良否判定部６０２においては、下式のような制御効果についての良否判定評価関数ＪＣを用いる。
Figure 2021105900
なお（５）式において、εｆｂ（ｉ）は実績データＳｉに含まれる形状偏差実績データ、εｌａｓｔ（ｉ）は形状偏差実績データ前回値であり、ｗＣ（ｉ）は良否判定用の板幅方向重み係数である。ここで、良否判定用の重み係数ｗＣ（ｉ）は、良否判定データベースＤＢ４より、板幅方向の制御の優先度についての仕様に応じて設定する。
また（５）式においてａ（ａ１、ａ２）は制御効果に関する仕様Ａ１、Ａ２に応じて設定する。ａ１は、形状偏差を大きく修正するための仕様Ａ１とするときのものであり、ａ２は形状偏差を小さく修正するための仕様Ａ２とするときのものである。Ｓ２（ｊ）は制御機器ｊに対する制御操作端指令であり、ｍａｘ｜Ｓ２（ｊ）｜は制御操作端指令の最大値絶対値である。
良否判定評価関数Ｊｃにより、制御結果の良否を判定する。また、制御出力判定部５の判定結果である制御操作量出力可否データＳ４が０（制御出力不可）の場合についても、実際に制御対象プラント１へ制御操作量出力＝０であるが、形状が悪くなったと判断する。
ここでは、制御操作量出力可否データＳ４＝０の場合、制御結果良否データＳ６＝−１とする。また閾値上限ＬＣＵと閾値下限ＬＣＬを、閾値条件（ＬＣＵ≧０≧ＬＣＬ）のもとで予め設定しておく。このときに、良否判定評価関数Ｊｃとの比較の結果が、Ｊｃ＞ＬＣＵであれば、制御結果良否データＳ６＝−１（形状が悪くなった）とし、
ＬＣＵ≧Ｊｃ≧０であれば、制御結果良否データＳ６＝０（形状が悪くなる方向に変化）
とし、
０＞Ｊｃ≧ＬＣＬであれば、制御結果良否データＳ６＝１（形状が良くなる方向に変化）
とし、
Ｊｃ＜ＬＣＬであれば、制御結果良否データＳ６＝０（形状が良くなった）とする。
ここで、制御結果良否データＳ６＝−１は、形状が悪くなったので、出力した制御出力を抑制する場合、制御結果良否データＳ６＝０は、形状変化無し、または形状が良くなったので出力した制御出力を保持する場合、制御結果良否データＳ６＝１は、形状が良くなる方向に変化したが、更に良くなる可能性が有るので、出力した制御量を増大させる場合である。
このように、制御効果に関する仕様Ａ１、Ａ２に応じて、板幅方向の重み係数ｗＣ（ｉ）が変わるため、良否判定評価関数Ｊｃは異なる。そのため、制御結果良否データＳ６の判定結果も異なる事が考えられる。そのため、制御方法学習装置２１においては、制御効果に関する仕様Ａ１、Ａ２の２種類について、制御結果良否データＳ６の判定を実施する。
次に、学習データ作成部７の概要について説明する。図１に示したように、学習データ作成部７においては、制御結果良否判定部６からの判定結果（制御結果良否データＳ６）を基にして、制御操作端操作指令Ｓ２、制御操作量Ｓ３、制御出力抑制部の判定結果（制御操作量出力可否データＳ４）より、制御ルール学習部１１で使用するニューラルネット１１１に対する教師データＳ７ａを作成する。
この場合の教師データＳ７ａは、図４に示す、ニューラルネット１１１の出力層からの出力である、ＡＳ−Ｕ操作度合３０１、１中間操作度合３０２となる。学習データ作成部７は、ニューラルネット１０１、１０２の出力である制御操作端操作指令Ｓ２（ＡＳ−Ｕ操作度合３０１、１中間操作度合３０２）と、制御操作量出力ＳＯである＃１〜＃ｎＡＳ−Ｕ位置変更量出力、上第１中間シフト位置変更量出力、下第１中間シフト位置変更量出力を用いて、制御ルール学習部１１で使用するニューラルネット１１１に対する教師データＳ７ａを作成する。
学習データ作成部７の動作概要を説明するにあたり、図８の制御出力演算部３における各部データや記号の関係を図１２に整理している。ここでは、ニューラルネット１０１の出力である制御操作端操作指令Ｓ２についてＡＳ−Ｕ操作度合３０１を代表的に示しており、操作度合正側のデータをＯＰｒｅｆ、操作度合負側のデータをＯＭｒｅｆ、制御操作外乱発生部１６からの乱数的に発生する操作度合を操作度合乱数Ｏｒｅｆ、変換ゲインをＧ、制御操作量出力ＳＯをＣｒｅｆとして説明する。このように、ここでは、簡単のため、制御ルール実行部１０のニューラルネット１０１の出力層からの出力として、操作度合正側および操作度合負側、制御操作外乱発生部１６からの乱数的に発生する操作度合を操作度合乱数としている。また、制御操作端に対する制御操作量出力ＳＯを操作指令値としている。
図１３は、学習データ作成部７における処理段階と処理内容を示している。ここで、図１２の記号の約束に則り説明すると、最初の処理段階７１では、操作指令値Ｃｒｅｆを（６）式により求めている。
Figure 2021105900
次の処理段階７２では、制御結果良否データＳ６に応じて操作指令値Ｃｒｅｆを修正しＣ´ｒｅｆとする。具体的には制御結果良否データＳ６＝−１のとき（７）式、制御結果良否データＳ６＝０のとき（８）式、制御結果良否データＳ６＝１のとき（９）式により、操作指令値Ｃｒｅｆの修正値Ｃ´ｒｅｆとする。
Figure 2021105900
Figure 2021105900
Figure 2021105900
処理段階７３では、修正された操作指令値Ｃ´ｒｅｆより、（１０）、（１１）式により操作度合修正量ΔＯｒｅｆを求める。
Figure 2021105900
Figure 2021105900
処理段階７４では、ニューラルネット１１１への教師データＯＰ´ｒｅｆ、ＯＭ´ｒｅｆを（１２）式により求める。
Figure 2021105900
このように学習データ作成部７では、図１２に示すように、実際に制御対象プラント１に対して出力した操作指令値Ｃｒｅｆを、制御結果良否判定部６における判定結果である制御結果良否データＳ６に応じて、操作指令値修正値Ｃ´ｒｅｆを演算する。具体的には、制御結果良否データＳ６＝１の場合は、制御方向はＯＫであるが、制御出力が不足していると判断された場合で、操作指令値を同じ方向にΔＣｒｅｆだけ増加するようにする。逆に制御結果良否データＳ６＝−１の場合は、制御方向が間違っていると判断された場合で、操作指令値を逆方向にΔＣｒｅｆだけ減少するようにする。変換ゲインＧは、予め設定したものであるから既知である事から、操作度合正側および操作度合負側の値が判れば、修正量ΔＯｒｅｆを求める事が可能である。ここでΔＣｒｅｆは、予め適当な値をシミュレーション等で求めておき、設定する。以上の手順により、制御ルール学習部１１にてＯＰ´ｒｅｆ、ＯＭ´ｒｅｆは上記の（１２）式により求める事ができる。
なお図１３では簡便な事例で説明を行っているが、実際には、＃１〜＃ｎＡＳ−Ｕに対するＡＳ−Ｕ操作度合３０１および、上第１中間ロールシフト、下第１中間ロールシフトに対する第１中間操作度合３０２についてその全てを実施し、制御ルール学習部１１で用いるニューラルネット１１１の教師データ（ＡＳ−Ｕ操作度合教師データ、１中間操作度合教師データ）とする。
図１４は学習データデータベースＤＢ２に保存されたデータ例を示している。ニューラルネット１１１を学習するためには、多数の入力データＳ８ａと教師データＳ７ａの組合せが必要である。従って、学習データ作成部７で作成した教師データＳ７ａ（ＡＳ−Ｕ操作度合教師データ、第１中間操作度合）は、制御実行装置２０にて制御ルール実行部１０に入力された入力データＳ１（規格化形状偏差２０１および形状偏差段階２０２）の時間遅れデータＳ８ａと組み合わせて一組の学習データＳ１１として、学習データデータベースＤＢ２に保存される。
なお図１のプラント制御装置においては、各種のデータベースＤＢ１、ＤＢ２、ＤＢ３、ＤＢ４、ＤＢ５を使用しているが、図１５に各データベースＤＢ１、ＤＢ２、ＤＢ３、ＤＢ４を連系的に管理運用するためのニューラルネット管理テーブルＴＢの構成を示す。管理テーブルＴＢは、仕様の管理テーブルを備えている。具体的には、管理テーブルＴＢは、仕様について（Ｂ１）板幅、（Ｂ２）鋼種、および制御の優先度についての仕様Ａ１、Ａ２に応じて区分けされる。（Ｂ１）板幅としては、例えば、３フィート幅、メータ幅、４フィート幅、５フィート幅の４区分が、鋼種としては、鋼種（１）〜鋼種（１０）の１０区分程度を用いる。また、制御の優先度についての仕様Ａについては、Ａ１およびＡ２の２種類とする。この場合、８０区分となり、８０個のニューラルネットを、圧延条件に応じて使い分けて使用する事となる。
ニューラルネット学習制御部１１２は、図１４に示すような、入力データおよび教師データの組合せである学習データを、図１５のニューラルネット管理テーブルＴＢに従って、該当するニューラルネットＮｏ．と使用ニューラルネットと紐付けて、図１６に示すような学習データデータベースＤＢ２に格納する。
制御実行装置２０が、制御対象プラント１に対して、形状制御を実行するたびに、学習データが２組作成される。これは、同じ入力データ、制御出力に対して、制御結果良否判定が制御の優先度についての仕様Ａ１および仕様Ａ２の２つの評価基準を用いて行われるため、教師データが２種類作成されるためである。教師データがある程度（例えば２００組）蓄積されたら、または新たに学習データデータベースＤＢ２に蓄積されたら、ニューラルネット学習制御部１１２は、ニューラルネット１１１の学習を指示する。
制御ルールデータベースＤＢ１には、図１５に示すような管理テーブルＴＢに従って、複数のニューラルネットが格納されており、ニューラルネット学習制御部１１２においては、学習が必要なニューラルネットＮｏ．を指定して、ニューラルネット選択部１１３が制御ルールデータベースＤＢ１より当該ニューラルネットを取り出し、ニューラルネット１１１に設定する。ニューラルネット学習制御部１１２は、学習データデータベースＤＢ２より、当該ニューラルネットに対応する、入力データおよび教師データの取り出しを、入力データ作成部１１４および教師データ作成部１１５に指示し、それらを用いてニューラルネット１１１の学習を実施する。なおニューラルネットの学習方法は手法が種々提案されており、いずれの手法を用いても良い。
ニューラルネット１１１の学習が完了すると、ニューラルネット学習制御部１１２は、学習結果であるニューラルネット１１１を、制御ルールデータベースＤＢ１の当該ニューラルネットＮｏ．の位置に書き戻すことで、学習が完了する。
学習は、図１５にて定義された全てのニューラルネットに対して定時間間隔（例えば１日毎）で一斉に実施しても良いし、新しい学習データがある程度（例えば１００組）蓄積されたニューラルネットＮｏ．のニューラルネットのみ、その時点で学習させても良い。
以上により、制御対象プラント１である圧延機の形状を大きく乱すことなく、
１）基準形状パターンと、それに対する制御操作を予め別々に設定し、制御操作方法を学習していくのではなく、形状パターンと制御操作の組合せを学習し、それを用いて制御操
作を実施する。
２）新たな制御ルールは、予め予想できるものでは無く、全く予測できなかった制御ルールが最適となる場合も有る事から、ランダムに制御操作端を動作させ、それに対する制御結果を見ながら見つけていく。
なお、制御ルールデータベースＤＢ１には、制御実行装置２０で使用するニューラルネットが格納されるが、格納されるニューラルネットが、乱数でイニシャル処理を実施しただけのものだと、ニューラルネットの学習が進行し、それなりの制御が可能となるまで時間がかかる。そのため、制御対象プラント１に対して、制御部を構築した時に、その時点で判明している制御対象プラント１の制御モデルに基づき、予めシミュレーションにて、制御ルールの学習を実施し、シミュレータでの学習が完了したニューラルネットをデータベースに格納しておく事で、制御対象プラントの立上げ当初から、ある程度の性能の制御を実施する事が可能である。
上記の説明から明らかなように、ニューラルネット学習制御部１１２における学習処理の結果として形成される制御ルールデータベースＤＢ１の内容は、制御効果の高い仕様Ａ１に関して学習したニューラルネットと、制御効果の低い仕様Ａ２に関して学習したニューラルネットとを含む。前者は制御ルールデータベースＤＢ１を介して制御ルール実行部のニューラルネット１０１に反映され、後者は制御ルールデータベースＤＢ１を介して制御ルール実行部のニューラルネット１０２に反映される。
本発明のプラント制御装置は、実際には計算機システムとして実現されることになるが、この場合には計算機システム内に複数のプログラム群を形成することになる。
これらのプログラム群は、例えば、
制御実行装置の処理を達成させるための、制御対象プラントの実績データと制御操作の定められた組合せに従って制御出力を与える制御ルール実行プログラム、制御ルール実行プログラムが出力する制御出力の可否を判定するとともに、当該実績データと制御操作が誤りである事を前記制御方法学習装置に通知する制御出力判定プログラム、制御出力判定プログラムが、制御出力を制御対象プラントに出力した場合、制御対象プラントの前記実績データが悪化すると判断した場合は、制御出力を前記制御対象プラントに出力することを阻止する制御出力抑制プログラムであり、
制御方法学習装置の処理を達成させるための、制御実行装置が制御出力を実際に、制御対象プラントに出力した場合に、制御効果が実績データに表れるまでの時間遅れ後に、実績データが当該制御前に比較して良くなったか、悪くなったかについての制御結果の良否を判定する制御結果良否判定の処理を達成させるための制御結果良否判定プログラム、該制御結果良否判定プログラムにおける制御結果の良否と、制御出力をもちいて教師データを得る学習データ作成プログラム、前記実績データと前記教師データを学習データとして学習する制御ルール学習プログラムである。
そして、制御方法学習装置が学習する事で、前記制御対象プラントの状態に応じて複数の制御目標に対して別個の実績データと制御操作の組合せを得、得られた実績データと制御操作の組合せを前記制御ルール実行プログラムにおける制御対象プラントの実績データと制御操作の定められた組合せとして使用するものである。
なお本発明装置を実プラントに適用するに当たり、ニューラルネットの初期値を定めておく必要があるが、この点に関して実績データと制御操作の組合せを、制御対象プラントでの制御を実施する前に、制御対象プラントの制御モデルを用いてシミュレーションにより作成し、制御対象プラントにおける実績データと制御操作の組合せの学習期間を短縮するのがよい。
以上説明した本発明の作用効果について、図１８、図１９を用いて詳細に説明する。まず図２のニューラルネット１０１と１０２は、それぞれ制御入力データ作成部２から同じ制御入力データＳ１を得ているが、それぞれ制御効果の異なる観点で学習した結果を反映したニューラルネットとされていることから、互いに別の操作端操作指令の出力Ｎ１、Ｎ２を与えている。操作端操作指令の出力Ｎ１、Ｎ２は、同じタイミングで双方が得られる場合もあれば、一方のみに得られることもある。
図１８は、形状評価結果と制御出力の関係を示す図である。ここでは形状評価結果を縦軸、時間を横軸にとり、形状評価結果が時間経過とともに低下してきたことを例示している。
この例では、第１の区間Ｔ１ではニューラルネット１０１から操作端操作指令Ｎ１と、ニューラルネット１０２から操作端操作指令Ｎ２がともに出力されているが、制御出力選択部１０７は制御効果が大きい操作端操作指令Ｎ１を選択し、この場合に制御操作端における制御動作の余裕の有無を考慮しない。余裕があろうがなかろうが、制御効果が大きい操作端操作指令Ｎ１を選択し制御に反映させる方向に作用する。なお、ニューラルネット１０２から操作端操作指令Ｎ２が出力されていない場合にも、制御出力選択部１０７は制御効果が大きい操作端操作指令Ｎ１を選択し、制御操作端における制御動作の余裕の有無を考慮しない。
次に第２の区間Ｔ２では、ニューラルネット１０１から操作端操作指令Ｎ１が出力されず、ニューラルネット１０２から操作端操作指令Ｎ２のみが出力されている状態を示している。この区間Ｔ２の中の前半の区間Ｔ２１は、制御操作端における制御動作に余裕がある状態を表しており、制御出力選択部１０７は制御効果の小さい操作端操作指令Ｎ２を選択してこれによる制御を実行せしめる。これに対し、この区間Ｔ２の中の後半の区間Ｔ２２は、制御操作端における制御動作に余裕がない状態を表しており、制御出力選択部１０７は制御効果の小さい操作端操作指令Ｎ２を選択しない。この結果、この区間は無制御状態となることになる。
図１９は、制御操作端における操作端位置、余裕度との関係を示している。図１９の縦軸は操作端位置、余裕度を表しており、縦軸は時間である。この図では操作端位置として、例えば弁の位置を例示するなら、弁は０から制御リミットＬＬの範囲で可動可能である。また本発明では、余裕度レベルＬＭ（０＜余裕度レベルＬＭ＜制御リミットＬＬ）が設定されており、制御効果が大きい操作端操作指令Ｎ１の場合には弁は０から制御リミットＬＬの範囲で可動可能である。
これに対し、制御効果の小さい操作端操作指令Ｎ２の場合には弁は０から余裕度レベルＬＭの範囲を可動範囲とする。かつ制御効果の小さい操作端操作指令Ｎ２のときの弁位置が余裕度レベルＬＭに達している期間Ｔ０では、制御効果の小さい操作端操作指令Ｎ２による制御は阻止されている。なお、この図はあくまでも可動範囲を示したものであって、同時期に２つの操作端操作指令が存在することを示したものではない。また弁位置について上限側に余裕度レベルを設定した例を示しているが、同様にして下限側に設定することも可能である。
図１８、図１９から明らかなように、本発明によれば以下の効果を奏することができる。まず例えば圧延機の場合に操作端である弁は、複数個存在するが、このような場合に、複数の弁のうちの１つが余裕度レベルＬＭに達すれば、制御出力を出力しないことになる。これにより制御効果が小さいときに弁を極限まで移動させることによる弁機構の寿命消耗を抑えることが可能となる。
また複数の弁の一部は開方向に移動し続け、また他の一部の弁は閉方向に移動し続ける事象を示すことがある。一般に弁は中央位置近傍で運用するのが望ましく、端部位置での運用は好ましくないことから、余裕度レベルＬＭ内に制限させることは、次回あるいは後続する制御を開始する場合に例えば応答性を高める、あるいは操作代を大きくするという意味において有用である。特にこの後に制御効果が大きい操作端操作指令Ｎ１が出力開始した場合の操作代を遺すことができ、制御効果が高い操作が行われることを優先させることができる。
本発明は、例えば圧延設備の１つである圧延機の制御方法及び部に関するものであり、
実適用に当たっての問題点は特に無い。
１：制御対象プラント
２：制御入力データ作成部
３：制御出力演算部
４：制御出力抑制部
５：制御出力判定部
６：制御結果良否判定部
７：学習データ作成部
１０：制御ルール実行部
１１：制御ルール学習部
２０：制御実行装置
２１：制御方法学習装置
ＤＢ１：制御ルールデータベース
ＤＢ２：出力判定データベース
ＤＢ３：学習データデータベース
Ｓｉ：実績データ
ＳＯ：制御操作量出力
Ｓ１：入力データ
Ｓ２：制御操作端操作指令
Ｓ３：制御操作量
Ｓ４：制御操作量出力可否データ
Ｓ５：良否判定データ
Ｓ６：制御結果良否データ
Ｓ７ａ、Ｓ７ｂ、Ｓ７ｃ：教師データ
Ｓ８ａ、Ｓ８ｂ、Ｓ８ｃ：入力データ（制御ルール学習部用）

Claims (16)

  1. 制御対象プラントの実績データと制御操作の組合せを制御効果に応じて学習し、制御効果の異なる複数のニューラルネットワークを形成する制御方法学習装置で学習したニューラルネットワークの出力に応じて前記制御対象プラントの操作端を制御する制御出力を与える制御実行装置を備えるプラント制御装置であって、
    前記制御実行装置は、制御効果が高い場合を学習して形成されたニューラルネットワークの出力が存在し制御効果が高い場合は、その出力に応じて前記制御対象プラントの操作端を制御し、制御効果が低い場合を学習して形成されたニューラルネットワークの出力のみ存在し、かつ前記操作端における操作端位置に余裕がある場合に制御効果が低い場合を学習して形成されたニューラルネットワークの出力に応じて前記制御対象プラントの操作端を制御し、さらに制御効果が低い場合を学習して形成されたニューラルネットワークの出力のみ存在し、かつ前記操作端における操作端位置に余裕がない場合に前記制御対象プラントの操作端を制御しないことを特徴とするプラント制御装置。
  2. 請求項１に記載のプラント制御装置であって、
    前記制御実行装置は、制御対象プラントの実績データと制御操作の定められた組合せに従って制御効果に応じた複数のニューラルネットワークからの出力と前記操作端位置を考慮して、最適な制御出力を選択し、与える制御ルール実行部と、前記制御ルール実行部が出力する制御出力の可否を判定するとともに、当該実績データと制御操作が誤りである事を前記制御方法学習装置に通知する制御出力判定部と、前記制御出力判定部が、制御出力を前記制御対象プラントに出力した場合、前記制御対象プラントの前記実績データが悪化すると判断した場合は、制御出力を前記制御対象プラントに出力することを阻止する制御出力抑制部とを備え、
    前記制御方法学習装置は、前記制御実行装置が制御出力を実際に、制御対象プラントに出力した場合に、制御効果が実績データに表れるまでの時間遅れ後に、実績データが制御前に比較して良くなったか、悪くなったかについての制御結果の良否を判定する制御結果良否判定部と、前記制御結果良否判定部における制御結果の良否と、前記実績データと教師データを学習データとして学習する制御ルール学習部とを備え、前記制御方法学習装置が学習する事で、前記制御対象プラントの状態に応じて複数の制御目標に対して別個の実績データと制御操作の組合せを得、得られた実績データと制御操作の組合せを前記制御ルール実行部における制御対象プラントの実績データと制御操作の定められた組合せとして使用し、制御対象プラントの状態が修正前の実績データと制御操作の組合せに類似した場合、修正後の学習データを用いて制御を実施することを特徴とするプラント制御装置。
  3. 請求項１に記載のプラント制御装置であって、
    制御対象プラントの実績データの大小に応じて、実績データと制御操作の組合せを替える為、実績データの大小に関する情報と、実績データを規格化しパターン認識を実施しやすくする情報を用いて、実績データと制御操作の組合せを学習し、制御することを特徴とするプラント制御装置。
  4. 請求項１に記載のプラント制御装置であって、
    前記制御実行装置は、制御対象プラントの実績データと制御操作の定められた組合せを第１のニューラルネットとして保持し、前記制御方法学習装置は、実績データと制御操作の組合せを第２のニューラルネットとして保持し、前記制御方法学習装置における学習の結果得られた第２のニューラルネットを前記制御実行装置における前記第１のニューラルネットとして使用すること特徴とするプラント制御装置。
  5. 請求項１に記載のプラント制御装置であって、
    前記制御実行装置は、前記制御出力に外乱を与える制御操作外乱発生部を備え、前記制御方法学習装置は、外乱を印加されたときも含めて学習することを特徴とするプラント制御装置。
  6. 請求項１に記載のプラント制御装置であって、
    前記制御方法学習装置は、予め定められた複数の仕様のもとでの学習により、実績データと制御操作の複数の組合せを得ており、前記制御実行装置は、実績データと制御操作の複数の組合せの中から制御対象プラントの運転状態に応じて１つの実績データと制御操作の複数の組合せを選択し前記制御出力を与えることを特徴とするプラント制御装置。
  7. 請求項４に記載のプラント制御装置であって、
    実績データの大小に応じて、使用する実績データと操作方法の組合せを学習するニューラルネットを変更することを特徴とするプラント制御装置。
  8. 請求項１に記載のプラント制御装置であって、
    前記制御対象プラントの状態、または制御対象プラントの操作員の経験等にもとづき、制御結果の良否判定基準を変更し、制御対象プラントに対する実績データと操作法の関係をそれぞれ求め、データベースにそれぞれ格納する事で、前記制御対象プラントの状態、または制御対象プラントの操作員の経験等に応じて、異なる制御方法で制御することを特徴とするプラント制御装置。
  9. 請求項１に記載のプラント制御装置であって、
    前記実績データと制御操作の組合せを、制御対象プラントでの制御を実施する前に、制御対象プラントの制御モデルを用いてシミュレーションにより作成し、制御対象プラントにおける前記実績データと制御操作の組合せの学習期間を短縮することを特徴とするプラント制御装置。
  10. 請求項１に記載のプラント制御装置であって、
    前記制御実行装置は、複数のニューラルネットワークの出力の有無を判定する出力有無判定部を備え、出力有無判定部は前記制御効果が高い場合は、制御効果が高い場合を学習して形成されたニューラルネットの出力が存在する場合であり、制御効果が低い場合は、制御効果が高い場合を学習して形成されたニューラルネットの出力が存在しない場合かつ制御効果が高い場合を学習して形成されたニューラルネットの出力が存在する場合であると判定することを特徴とするプラント制御装置。
  11. 請求項１に記載のプラント制御装置を適用した圧延機制御装置であって、
    前記制御対象プラントは、圧延機であり、前記実績データは前記圧延機の出側形状であることを特徴とする圧延機制御装置。
  12. 制御対象プラントの実績データと制御操作の組合せを制御効果に応じて学習し、制御効果の異なる複数のニューラルネットワークを形成する学習部で学習したニューラルネットワークの出力に応じて前記制御対象プラントの操作端を制御する制御出力を与える制御部を備えるプラント制御方法であって、
    前記制御部は、制御効果が高い場合を学習して形成されたニューラルネットワークの出力が存在し制御効果が高い場合は、その出力に応じて前記制御対象プラントの操作端を制御し、制御効果が低い場合を学習して形成されたニューラルネットワークの出力のみ存在し、かつ前記操作端における操作端位置に余裕がある場合に制御効果が低い場合を学習して形成されたニューラルネットワークの出力に応じて前記制御対象プラントの操作端を制御し、さらに制御効果が低い場合を学習して形成されたニューラルネットワークの出力のみ存在し、かつ前記操作端における操作端位置に余裕がない場合に前記制御対象プラントの操作端を制御しないことを特徴とするプラント制御方法。
  13. 請求項１２に記載のプラント制御方法であって、
    前記制御部は、制御対象プラントの実績データと制御操作の定められた組合せに従って制御効果に応じた複数のニューラルネットワークからの出力と前記操作端位置を考慮して、最適な制御出力を選択して与えるとともに、前記制御出力を前記制御対象プラントに出力した場合、前記制御対象プラントの前記実績データが悪化すると判断した場合は、制御出力を前記制御対象プラントに出力することを阻止し、
    前記学習部は、前記制御部が制御出力を実際に、制御対象プラントに出力した場合に、制御効果が実績データに表れるまでの時間遅れ後に、実績データが制御前に比較して良くなったか、悪くなったかについての制御結果の良否を判定し、制御結果の良否と、前記実績データと教師データを学習データとして学習し、学習する事で、前記制御対象プラントの状態に応じて複数の制御目標に対して別個の実績データと制御操作の組合せを得、得られた実績データと制御操作の組合せを前記制御部における制御対象プラントの実績データと制御操作の定められた組合せとして使用し、制御対象プラントの状態が修正前の実績データと制御操作の組合せに類似した場合、修正後の学習データを用いて制御を実施することを特徴とするプラント制御方法。
  14. 請求項１２に記載のプラント制御方法を適用した圧延機制御方法であって、
    前記制御対象プラントは、圧延機であり、前記実績データは前記圧延機の出側形状であることを特徴とする圧延機制御方法。
  15. 制御対象プラントに対して、制御対象プラントの実績データの組合せのパターンを認識して、制御を実施するプラント制御装置を計算機システムにより実現するときのプログラムであって、
    計算機システムは、制御対象プラントの実績データと制御操作の組合せを学習し、制御効果の異なる複数のニューラルネットワークを形成する制御方法学習プログラムと、学習した前記実績データと制御操作の組合せに応じて制御対象プラントの制御を実施する制御実行プログラムを備え、
    前記制御実行プログラムは、制御効果が高い場合を学習して形成されたニューラルネットワークの出力が存在し制御効果が高い場合は、その出力に応じて前記制御対象プラントの操作端を制御し、制御効果が低い場合を学習して形成されたニューラルネットワークの出力のみ存在し、かつ前記操作端における操作端位置に余裕がある場合に制御効果が低い場合を学習して形成されたニューラルネットワークの出力に応じて前記制御対象プラントの操作端を制御し、さらに制御効果が低い場合を学習して形成されたニューラルネットワークの出力のみ存在し、かつ前記操作端における操作端位置に余裕がない場合に前記制御対象プラントの操作端を制御しないことを特徴とするプログラム。
  16. 請求項１５に記載のプログラムであって、
    前記制御実行プログラムは、制御対象プラントの実績データと制御操作の定められた組合せに従って制御出力を与える制御ルール実行プログラムと、前記制御ルール実行プログラムが出力する制御出力の可否を判定するとともに、当該実績データと制御操作が誤りである事を前記制御方法学習プログラムに通知する制御出力判定プログラムと、前記制御出力判定プログラムが、制御出力を制御対象プラントに出力した場合、制御対象プラントの前記実績データが悪化すると判断した場合は、制御出力を前記制御対象プラントに出力することを阻止する制御出力抑制プログラムを備え、
    前記制御方法学習プログラムは、制御実行装置が制御出力を実際に、制御対象プラントに出力した場合に、制御効果が実績データに表れるまでの時間遅れ後に、実績データが制御前に比較して良くなったか、悪くなったかについての制御結果の良否を判定する制御結果良否判定の処理を達成させるための制御結果良否判定プログラムと、前記制御結果良否判定プログラムにおける制御結果の良否と、制御出力をもちいて教師データを得る学習データ作成プログラムと、前記実績データと前記教師データを学習データとして学習する制御ルール学習プログラムを備え、
    制御方法学習装置が学習する事で、前記制御対象プラントの状態に応じて複数の制御目標に対して別個の実績データと制御操作の組合せを得、得られた実績データと制御操作の組合せを前記制御ルール実行プログラムにおける制御対象プラントの実績データと制御操作の定められた組合せとして使用することを特徴とするプログラム。
JP2019237656A 2019-12-27 2019-12-27 プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム Active JP7328142B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2019237656A JP7328142B2 (ja) 2019-12-27 2019-12-27 プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム
CN202011428094.4A CN113050550B (zh) 2019-12-27 2020-12-07 工厂设备控制装置及其方法、轧制机控制装置及其方法
KR1020200174275A KR102440698B1 (ko) 2019-12-27 2020-12-14 플랜트 제어 장치 및 그의 제어 방법, 압연기 제어 장치 및 그의 제어 방법 그리고 프로그램
DE102020216130.5A DE102020216130A1 (de) 2019-12-27 2020-12-17 Anlagenausrüstungsteuervorrichtung und ihr steuerverfahren, walzwerksteuervorrichtung und ihr steuerverfahren

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019237656A JP7328142B2 (ja) 2019-12-27 2019-12-27 プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム

Publications (2)

Publication Number Publication Date
JP2021105900A true JP2021105900A (ja) 2021-07-26
JP7328142B2 JP7328142B2 (ja) 2023-08-16

Family

ID=76310438

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019237656A Active JP7328142B2 (ja) 2019-12-27 2019-12-27 プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム

Country Status (4)

Country Link
JP (1) JP7328142B2 (ja)
KR (1) KR102440698B1 (ja)
CN (1) CN113050550B (ja)
DE (1) DE102020216130A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06259103A (ja) * 1993-03-05 1994-09-16 Hitachi Ltd 適応制御方法、適応制御装置
US5493631A (en) * 1993-11-17 1996-02-20 Northrop Grumman Corporation Stabilized adaptive neural network based control system
JP2018180799A (ja) * 2017-04-10 2018-11-15 株式会社日立製作所 プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム
JP2018180649A (ja) * 2017-04-04 2018-11-15 公立大学法人大阪府立大学 情報処理装置、制御装置、制御プログラム、および記録媒体

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS633733A (ja) 1986-06-23 1988-01-08 株式会社クボタ 作物用給水制御装置
US5402521A (en) * 1990-02-28 1995-03-28 Chiyoda Corporation Method for recognition of abnormal conditions using neural networks
JP2804161B2 (ja) 1990-06-04 1998-09-24 株式会社日立製作所 センジマーミルの形状制御方法および装置
JPH07160661A (ja) * 1993-12-02 1995-06-23 Hitachi Ltd ニューラルネットワークの教師データ自動抽出方法と、それを用いたニューラルネットワークシステム、並びに、プラント運転支援装置
JP4003733B2 (ja) 2003-10-22 2007-11-07 株式会社日立製作所 プラントシステム，制御装置及び制御方法
JP4427074B2 (ja) * 2007-06-07 2010-03-03 株式会社日立製作所 プラントの制御装置
US8135653B2 (en) * 2007-11-20 2012-03-13 Hitachi, Ltd. Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal
JP2017182319A (ja) * 2016-03-29 2017-10-05 株式会社メガチップス 機械学習装置
JP6557198B2 (ja) * 2016-09-06 2019-08-07 ファナック株式会社 数値制御装置
JP6899273B2 (ja) * 2017-08-01 2021-07-07 株式会社日立製作所 プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム
JP6659652B2 (ja) * 2017-10-31 2020-03-04 ファナック株式会社 加工条件調整装置及び機械学習装置
KR102021980B1 (ko) * 2019-05-15 2019-09-17 서정훈 산업용 플랜트 및 반도체 설비 설계 방법 및 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06259103A (ja) * 1993-03-05 1994-09-16 Hitachi Ltd 適応制御方法、適応制御装置
US5493631A (en) * 1993-11-17 1996-02-20 Northrop Grumman Corporation Stabilized adaptive neural network based control system
JP2018180649A (ja) * 2017-04-04 2018-11-15 公立大学法人大阪府立大学 情報処理装置、制御装置、制御プログラム、および記録媒体
JP2018180799A (ja) * 2017-04-10 2018-11-15 株式会社日立製作所 プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム

Also Published As

Publication number Publication date
CN113050550A (zh) 2021-06-29
DE102020216130A1 (de) 2021-07-01
KR20210084259A (ko) 2021-07-07
CN113050550B (zh) 2024-04-16
KR102440698B1 (ko) 2022-09-07
JP7328142B2 (ja) 2023-08-16

Similar Documents

Publication Publication Date Title
JP6899273B2 (ja) プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム
JP6813416B2 (ja) プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム
JP7033639B2 (ja) プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム
JP7034046B2 (ja) 制御装置および制御方法
JP2018180799A5 (ja)
CN103105246A (zh) 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
Lapkina et al. Estimation of fluctuations in the performance indicators of equipment that operates under conditions of unstable loading
CN108647812A (zh) 基于主成分自适应bp神经网络的短期电力负荷预测方法
Crawford et al. A hyperheuristic approach for dynamic enumeration strategy selection in constraint satisfaction
US6745169B1 (en) Learning process for a neural network
CN107194604A (zh) 一种火电机组可靠性评价方法
CN116341605A (zh) 一种基于反向学习策略的灰狼算法混合优化方法
CN111860971A (zh) 道岔转辙机剩余寿命预测方法及装置
JP6952018B2 (ja) 制御装置および制御方法
JP2021105900A (ja) プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム
CN109829115B (zh) 搜索引擎关键词优化方法
CN105469148B (zh) 船舶机电设备保障时机确定方法
CN105652666A (zh) 基于bp神经网络的大型模锻压机上横梁速度预测控制方法
JP7535475B2 (ja) プラント制御システム、プラント制御方法及びプログラム
JP2022095082A (ja) プラント制御システム、プラント制御方法及びプログラム
Fan et al. Survey of the selection and evaluation for dispatching rules in dynamic job shop scheduling problem
Cuznar et al. Optimization of cold rolling process recipes based on historical data
Mou et al. An improved BP neural network and its application
JP5415872B2 (ja) 層別テーブル数値演算装置および該方法、該装置および該方法を備える制御装置および制御方法ならびに圧延システム
Ustenko et al. Ukrainian banks sustainable development research and management concept

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220824

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230628

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230704

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230712

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: 20230725

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230803

R150 Certificate of patent or registration of utility model

Ref document number: 7328142

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150