JP2022182538A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- JP2022182538A JP2022182538A JP2021090146A JP2021090146A JP2022182538A JP 2022182538 A JP2022182538 A JP 2022182538A JP 2021090146 A JP2021090146 A JP 2021090146A JP 2021090146 A JP2021090146 A JP 2021090146A JP 2022182538 A JP2022182538 A JP 2022182538A
- Authority
- JP
- Japan
- Prior art keywords
- control
- data
- learning
- plant
- unit
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 133
- 230000008859 change Effects 0.000 claims abstract description 201
- 238000013528 artificial neural network Methods 0.000 claims description 249
- 238000011156 evaluation Methods 0.000 claims description 78
- 238000012795 verification Methods 0.000 claims description 67
- 238000004364 calculation method Methods 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 27
- 230000000694 effects Effects 0.000 claims description 15
- 230000001629 suppression Effects 0.000 claims description 14
- 238000013480 data collection Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 description 89
- 238000012545 processing Methods 0.000 description 38
- 238000010586 diagram Methods 0.000 description 25
- 238000006243 chemical reaction Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 16
- 238000012937 correction Methods 0.000 description 11
- 239000000463 material Substances 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 8
- 229910000831 Steel Inorganic materials 0.000 description 7
- 239000010959 steel Substances 0.000 description 7
- 230000001537 neural effect Effects 0.000 description 6
- 102220037952 rs79161998 Human genes 0.000 description 6
- 230000003111 delayed effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000002436 steel type Substances 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005097 cold rolling Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011867 re-evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B13/00—Metal-rolling stands, i.e. an assembly composed of a stand frame, rolls, and accessories
- B21B13/14—Metal-rolling stands, i.e. an assembly composed of a stand frame, rolls, and accessories having counter-pressure devices acting on rolls to inhibit deflection of same under load; Back-up rolls
- B21B13/147—Cluster mills, e.g. Sendzimir mills, Rohn mills, i.e. each work roll being supported by two rolls only arranged symmetrically with respect to the plane passing through the working rolls
-
- 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
-
- 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
- G05B2219/33—Director till display
- G05B2219/33027—Artificial neural network controller
-
- 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
- G05B2219/33—Director till display
- G05B2219/33038—Real time online learning, training, dynamic network
-
- 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
- G05B2219/34—Director, elements to supervisory
- G05B2219/34477—Fault prediction, analyzing signal trends
-
- 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
- G05B2219/45—Nc applications
- G05B2219/45145—Milling
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Feedback Control In General (AREA)
- Control Of Metal Rolling (AREA)
Abstract
Description
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。図31に示すように、センヂミア圧延機50は、パターン認識部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が行われ、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が演算される。形状検出器52で検出した実形状のデータは、形状検出前処理部54でパターン認識用の前処理が行われる。
ここでは、図32に示すように、パターン認識部51は、形状検出器52にて検出した実績の形状パターン(ε)と、目標形状(εref)との差分(Δε)が、パターン1からパターン8の形状のどれに最も近いかを演算する。そして、制御演算部53は、演算結果に基づいて、パターン1からパターン8の制御方法のいずれかを選択し実行する。
本願は、上記課題を解決する手段を複数含んでいるが、その一例を挙げるならば、プラント制御システムは、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、制御を実行するものに適用される。
そして、プラント制御システムは、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する制御方法学習ユニットと、制御方法学習ユニットが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行する制御実行ユニットと、制御対象プラントの実績データと制御操作と制御対象の状態変化の組み合わせを学習する状態変化ルール学習ユニットとを備える。
ここで、制御実行ユニットは、
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部と、
制御対象プラントの実績データと制御操作と制御対象の状態変化の定められた組み合わせに従って、制御対象の状態変化を予測し前記制御出力の良否判定を推定する制御出力良否判定実行部と、
制御出力良否判定実行部での良否判定を元に新規操作探索用操作量を演算する新規探索操作量演算部と、
制御出力良否判定実行部での良否判定を用いて、制御出力を前記制御対象プラントに出力した場合に前記制御対象プラントの実績データが悪化すると判断した場合に、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る。
また、状態変化ルール学習ユニットは、
制御対象プラントの実績データより、実績データと制御操作と、制御操作による制御効果が実績データに表れるまでの時間遅れの間の制御対象の状態変化量の組合せを抽出して学習データを作成し、学習データを用いて学習する状態変化ルール学習部とを備える。
さらに、制御方法学習ユニットは、
制御出力良否判定実行部での制御出力の良否判定と、制御出力を用いて教師データを得る学習データ作成部と、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る。
また、本発明によると、制御ルールの性能を予め評価することにより、新たな制御ルールの適用によるプラントへのリスク低減と、最適な制御ルールの選択による制御性能が向上するという効果がある。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
・要件(1):制御ルールを改善させるには、制御結果の良い制御操作を学習できていない場合には、制御操作を大きく変更して、制御結果が良かった場合に新たな制御操作方法として取り入れるようにし、制御結果の良い制御操作を学習できている場合には、制御操作を変更しないか小さな変更に留めて、それに対する制御結果が良かった場合に新たな制御操作方法として取り入れるようにする。
・要件(2):圧延の実績データ、制御操作と形状パターンの変化の組み合わせを、実機データを元に学習することにより、機械モデルを用いたシミュレータよりも、精度よく制御結果の良否が推定可能なモデルを構築し、定期的な自動学習によって常に最新のプラント状態に適合したモデルを構築する。
・要件(3):制御操作による形状変化を推定するモデルを用いて、従来技術で簡易の機械モデルでのみ行っていたプラントへの制御出力抑制機能の信頼性を高める。
・要件(4):従来技術で一回の制御結果の良否判定で行っていた制御ルール学習データの生成機能において、制御操作による形状変化を推定するモデルを用いることにより、プラントデータに含まれるノイズの影響を抑え、効果の小さな微調整も学習データの対象とすることを可能にし、同時に、制御効果の誤判定を防止することによって、学習データの変動を抑え、制御性能を安定させる。
図1のプラント制御システムは、制御実行ユニット20、制御方法学習ユニット21、状態変化ルール学習ユニット22、複数のデータベースDB(DB1~DB8)、及び各データベースDBの管理テーブルTBを備える。
ここで、制御ルールとは、図26で説明したように、例えば検出した実績の形状パターンA(ε)と目標形状(εref)との差分a(Δε)が、用意された複数のパターンの形状のどれに最も近いかを演算するルールである。制御実行ユニット20は、この制御ルールによる演算結果に基づいて、いずれかのパターンの制御方法を選択して実行する。
状態変化ルール学習ユニット22は、制御対象プラント1の制御操作前後の実績データSiなどを入力して学習を行い、学習した状態変化ルールを制御実行ユニット20における状態変化ルールに反映させる。
制御ルール実行部10は、制御対象の実績データSiと制御操作端操作指令S2の関係を表現するニューラルネット(制御ルール)を用いて、入力データS1から制御操作端操作指令S2を作成する制御ルール実行処理を行う。制御出力演算部3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、制御実行ユニット20は、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。
制御出力操作方法選択部18は、制御操作量S3と新規探索制御操作量S12を元に選択制御操作量S8と制御方法選択フラグS14を作成する。
制御ルールデータベースDB1は、制御実行ユニット20内の制御ルール実行部10と、後述する制御方法学習ユニット21内の制御ルール学習部802の双方にアクセス可能に接続されている。
学習データデータベースDB2には、制御ルール学習部802で得られた学習データが格納される。
出力判定データベースDB3は、制御実行ユニット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。
状態変化ルールデータベースDB5には、状態変化ルール学習部31における学習結果としての状態変化ルール(ニューラルネット)が格納される。この状態変化ルールデータベースDB5は、制御実行ユニット20内の制御出力良否判定実行部17、後述する状態変化ルール学習ユニット22内の状態変化ルール学習部31及び状態変化ルール良否判定誤差検証部34のいずれにもアクセス可能に接続されている。制御出力良否判定実行部17と状態変化ルール良否判定誤差検証部34は、状態変化ルールデータベースDB5に格納された状態変化ルールを参照する。
学習データデータベースDB6には、状態変化ルール学習部31で学習された学習データが格納される。
良否判定誤差データベースDB7には、良否判定をするのに必要な良否判定誤差が格納される。
制御ルール実行部10には、制御入力データ作成部2で作成された入力データS1が入力される。制御ルール実行部10は、入力データS1を処理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を備えており、ニューラルネット101は、図26に示すような形状制御ルールに則した制御操作端操作指令S2を出力する。
なお、ニューラルネットを実行すると制御ルールになることから、本明細書では、ニューラルネットと制御ルールは同義の意味で使用する。
制御出力良否判定実行部17には、制御対象プラント1から入力される実績データSiと制御出力演算部3で作成された制御操作量S3が入力される。制御出力良否判定実行部17は、これらの入力データに基づいて制御出力良否判定推定値S9を生成し新規探索操作量演算部33に与える。
ニューラルネット171は、実績データSiに対して、制御操作量S3(制御パターン)を出力した場合の形状変化の予測値S20を過去の制御実績を元に推定する。
ニューラルネット選択部172は、状態変化ルールデータベースDB5に格納された状態変化ルールを参照することで、ニューラルネット171における状態変化ルールとして、最適な状態変化ルールを選択する。
状態変化ルールデータベースDB5には、制御対象プラント1からのデータとして、制御対象となる材料性質を選択できるような実績データ(鋼種や板幅のデータ等)Siを含むのが良い。なお、ニューラルネットを実行すると状態変化ルールになることから、本明細書においてはニューラルネットと状態変化ルールは、同義の意味で使用する。
制御方法学習ユニット21は、学習データ作成部801及び制御ルール学習部802を備える。
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る。
制御ルール学習部802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、及びニューラルネット選択部113を備える。
制御ルール学習部802には、外部からの入力として制御入力データ作成部2からの入力データS1と、学習データ作成部801からの新規の教師データS7aが入力されている。また、制御ルール学習部802は、制御ルールデータベースDB1及び学習データデータベースDB2に蓄積されたデータを参照する。
ニューラルネット111は、入力データ作成部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。
すなわち、制御ルール実行部10におけるニューラルネット101は、予め定められた内容のニューラルネットであり、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を求めるニューラルネットである。
まず、制御操作量出力可否データS4の内容が「可」かつ制御結果良否判定推定値S11の内容が「良」(実績データSiが良くなる方向に変化)の場合、制御実行ユニット20が、制御対象プラント1に制御操作量出力SOを出力する。ここで、学習データ作成部801は、制御出力操作方法選択部18が出力した選択制御操作量S8が正しいと判断し、ニューラルネットの出力が選択制御操作量S8となるように学習データを作成する。
まず、制御ルール学習部802は、制御実行ユニット20への入力データS1から求めたデータ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にて用いたニューラルネット101の学習を実行する。
状態変化ルール学習部31は、入力データ作成部314、教師データ作成部315、ニューラルネット処理部310、ニューラルネット選択部313、学習データ作成部316を備える。
状態変化ルール学習部31は、外部からの入力として、制御対象プラント1の圧延実績データSiと時間遅れした圧延実績データSi-1を得る。
さらに、状態変化ルール学習部31は、状態変化ルールデータベースDB5及び学習データデータベースDB6、検証データデータベースDB8にアクセス可能として接続されている。
ニューラルネット311は、入力データ作成部314からの入力データS12c、教師データ作成部315からの教師データS13c、及びニューラルネット選択部313が選択した制御ルール(ニューラルネット)を取り込む。
制御実行ユニット20におけるニューラルネット171と良否判定精度検証部34におけるニューラルネット341は、予め定められた内容のニューラルネットである。すなわち、ニューラルネット171及びニューラルネット341は、圧延状態変数Siと選択制御操作量S8又は制御操作量S3又は検証用入力データS24を与えたときに対応する出力としての予測形状変化S20、S25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。
良否判定誤差検証部34は、検証用データ作成部343、ニューラルネット341、ニューラルネット選択部342、状態変化良否変換部344、良否評価値データベースDB9、良否判定誤差演算部345を備える。
ニューラルネット選択部342は、状態変化ルールデータベースDB5に格納された状態変化ルールを参照し、制御対象となる材料性質の違いで分けられた複数のニューラルネットから、誤差検証を実施する状態変化ルールを選択する。
この仕様A1,A2という2つの優先順位に従った制御を実行する。つまり、プラント制御システムが制御を実行する場合は、優先度についての仕様A1又はA2のいずれかを考慮する。
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。中間層の層数及び各層のニューロン数については、適時設定する。
なお、出力層であるセンヂミア圧延機の形状制御操作端は、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9(a)は、形状偏差が大きい場合の制御方法を示し、図9(b)は、形状偏差が小さい場合の制御方法を示す。図9(a),(b)の高さ方向(縦軸方向)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、中央が板中央部を示す。
一方、図9(b)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。
すなわち、図2の構成例では、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102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に設定する。
制御入力データ作成部2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する。そして、制御入力データ作成部2は、形状偏差PP値演算部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。
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。制御操作端操作指令S2は、センヂミア圧延機の形状制御の場合には、AS-U操作度合301、第1中間操作度合302に相当する。
図11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。
すなわち、図3の構成例では、制御出力良否判定実行部17において使用するニューラルネット171を、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、状態変化ルールデータベースDB5に登録しておく。ニューラルネット選択部172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、制御出力良否判定実行部17のニューラルネット171に設定する。
IF flagn=1, THEN LCU=-LCL=εn
新規探索操作量演算部33は、制御出力良否判定実行部17で出力した制御出力良否判定推定値S9を用いて、以下のような方針で新規探索制御操作量S12を演算する。
すなわち、制御出力良否判定推定値S9=1のときは、制御操作の良否判定が良く推定されているので、新規探索操作量演算部33は、新規探索操作量としての微調整を行う。
制御出力良否判定推定値S9=0の時は、制御操作の良否判定が悪く推定されているので、新規探索操作量演算部33は、制御操作を大きく変更することで新たな適切な操作方法の探索を行う。
制御出力良否判定推定値S9=-1の時は、良否判定の対象外であるため、制御操作を変更する事は実施しない。
IF(S9=1)THEN Crand=Cref*(1+β*th1)
IF(S9=0)THEN Crand=Cref+γ*th2*G
IF(S9=-1)THEN Crand=Cref
ここで、β及びγは-1~1の間で発生させるランダム値を示す。th1は微調整を行う度合いを示しており、例えば、元々の指令の±10%の範囲を微調整とする場合には、th1を0.1に設定する。
β及びγの値は、各操作機器で異なる値が使用され、各機器の操作量はそれぞれ独立に変更が行われる。Gは各制御操作機器の最大操作位置制御指令を示しており、上述した指令%に掛け合わせることで、%の値を操作位置制御指令に変換される。
IF(δ>Prand)THEN C″ref=Cref、α=1
ELSE C″ref=Crand、α=0
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から構成される。そして、制御出力判定部5は、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、及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。
他方、制御出力判定部5は、制御対象プラント1からの形状検出器データSiに、形状偏差修正量予測データ503を加算すること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。これにより、制御出力判定部5は、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。ここでの形状検出器データSiは、現時点での形状偏差実績データ504である。
制御出力判定部5は、現状の形状偏差実績データ504と形状偏差予測データ505とにより、形状修正良否判定部502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を判定し、制御操作量出力可否データS4を得る。
IF(制御操作量出力可否データS4=0 OR 制御結果良否判定推定値S11=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
ELSE
IF((制御操作量出力可否データS4=0 OR 制御結果良否判定推定値S11=0)AND(PTRIAL<η))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
ENDIF
IF(制御結果良否判定推定値S11=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
ELSE
IF((制御結果良否判定推定値S11=0)AND(PTRIAL<η))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
ENDIF
図1に示したように、学習データ作成部801は、制御出力良否判定ルール実行部17からの制御結果良否判定推定値S11を基にして、制御操作端操作指令S2、選択制御操作量S8、制御方法選択フラグS14、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802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を操作度合正側及び操作度合負側としている。
最初の処理段階71では、操作指令値C″refは、制御出力操作方法選択部18の出力値である選択制御操作量S8を参照する。
IF C″ref>0THEN C’ref=C″ref-Δcref
IF C″ref<0THEN C’ref=C″ref+Δcref
IF C″ref>0THEN C’ ref=C″ref+Δcref
IF C″ref<0THEN C’ ref=C″ref-Δcref
具体的には、制御結果良否推定値S11=1かつ制御操作量出力可否データS4=1の場合は、良い操作であ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。
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。学習データ作成部7で作成した教師データS7aと制御実行ユニット20にて制御ルール実行部10に入力された入力データS1(S8a)とを組み合わせた一組の学習データを学習データデータベースDB2に蓄積していく。ここでの教師データS7aは、AS-U操作度合教師データ、第1中間操作度合である。また、入力データS1(S8a)は、規格化形状偏差201及び形状偏差段階である。
ニューラルネット管理テーブルTBは、仕様について(B1)板幅、(B2)鋼種、及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及び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ことになる。
状態変化ルール学習ユニット22は、制御対象プラント1の圧延実績データSiの時間遅れデータを使用する。ここでの時間遅れZ-1は、e-TSを意味し、予め設定した時間Tだけ遅延させることを示す。
制御対象プラント1は、時間応答を持つため、制御機器位置の変化により、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、制御機器位置変化後、遅延時間Tだけ経過した時点での実績データから制御機器位置変化前の実績データを引くことにより計算した形状変化量を用いる。
制御操作後、遅延時間Tだけ経過した時点での実績データより抽出した形状偏差から、制御機器位置変化前の実績データより抽出した形状偏差を引くことにより計算した形状変化量をニューラルネット311に対する教師データS13aとして用いる。
ニューラルネット311を学習するためには、多数の入力データS12aと教師データS13aの組合せが必要である。したがって、教師データS13a(形状変化量データ)と時間遅れした圧延実績データSiから圧延状態変数と制御操作量を抽出した入力データS12aとを組み合わせた一組の学習データを学習データデータベースDB6に蓄積していく。
また、従来は一回の制御結果の良否判定で行っていた制御ルール学習データの生成が、本例の場合、制御結果の良否判定を推定することで、プラントデータに含まれるノイズの影響を抑え、効果の小さな微調整も学習データの対象とすることが可能になる。さらに、本例によると、制御効果の誤判定を防止することによって、学習データの変動を抑え、制御性能を安定させることが実現できる。
制御ルール評価ユニット23は、制御ルール良否判定データ収集部35、制御ルール評価データ演算部36、制御ルールデータベース更新部37、制御ルール評価データデータベースDB10、及び制御ルール評価値データベースDB11を備える。
制御ルール評価ユニット23は、制御ルールの評価を行った結果として、現在制御に適用している制御ルールの評価と比較して、今回評価を行った新たな制御ルールの方が高い評価である場合には新たな制御ルールを制御に適用する為に、データベース管理テーブルTBにおけるニューラルネット番号を更新する。以下、制御ルール評価ユニット23における処理内容について示す。
制御ルール評価データ演算部36は上記により算出した制御ルール評価データS18を、制御ルール評価値データベースDB11に保存する。図29に制御ルール評価値データベースDB11に保存するデータ例を示す。B1、B2、Aの仕様で制御ルールを適用した場合の制御ルール評価データS18を保存する。同一の制御ルールでも異なる期間で再度評価を行う事で最新のプラントの操業状態に合った評価値を計算できる。この場合、再評価により算出した評価値は以前の評価値に上書きする形でデータベースを更新していく。
なお、本発明は、上述した各実施の形態例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施の形態例は、本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。
なお、各ユニット20~23は、それぞれ別のコンピュータで構成しても良いが、1つなどの少ない数のコンピュータに各プログラムを実装して、同時に実行しても良い。
この場合の各処理機能を実現するプログラムなどの情報は、HDDやSSDなどの不揮発性ストレージdの他に、メモリ、ICカード、SDカード、光ディスク等の記録媒体に置くことができる。
また、上述した実施の形態例では、制御対象プラント1として、センヂミア圧延機に適用した例としたが、本発明は、その他の各種プラントの制御に適用が可能である。センヂミア圧延機に適用した場合の制御ルールについても、一例を示したものであり、本発明は、上述した実施の形態例に限定されない。
Claims (8)
- 制御対象プラントに対して、前記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、制御を実行するプラント制御システムであって、
前記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する制御方法学習ユニットと、前記制御方法学習ユニットが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行する制御実行ユニットと、前記制御対象プラントの実績データと制御操作と制御対象の状態変化の組み合わせを学習する状態変化ルール学習ユニットとを備え、
前記制御実行ユニットは、
前記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部と、
前記制御対象プラントの実績データと制御操作と制御対象の状態変化の定められた組み合わせに従って、制御対象の状態変化を予測し前記制御出力の良否判定を推定する制御出力良否判定実行部と、
前記制御出力良否判定実行部での良否判定を元に新規操作探索用操作量を演算する新規探索操作量演算部と、
前記制御出力良否判定実行部での良否判定を用いて、制御出力を前記制御対象プラントに出力した場合に前記制御対象プラントの実績データが悪化すると判断した場合に、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、
前記状態変化ルール学習ユニットは、
前記制御対象プラントの実績データより、実績データと制御操作と、前記制御操作による制御効果が実績データに表れるまでの時間遅れの間の制御対象の状態変化量の組合せを抽出して学習データを作成し、前記学習データを用いて学習する状態変化ルール学習部を備え、
前記制御方法学習ユニットは、
前記制御出力良否判定実行部での前記制御出力の良否判定と、前記制御出力を用いて教師データを得る学習データ作成部と、
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部とを備える
プラント制御システム。 - 前記制御方法学習ユニットが学習することで、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前記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
請求項1に記載のプラント制御システム。 - 前記制御出力良否判定実行部は、前記制御対象プラントの実績データと制御操作と制御対象の状態変化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、
前記状態変化ルール学習部は、実績データと制御操作と制御対象の状態変化の組合せを第2のニューラルネットとして保持し、
前記状態変化ルール学習部における学習の結果得られた前記第2のニューラルネットを、前記制御出力良否判定実行部における前記第1のニューラルネットとして使用する
請求項1に記載のプラント制御システム。 - 前記状態変化ルール学習ユニットは、過去の実績データの制御出力の良否判定と、前記制御対象プラントの実績データと制御操作と制御対象の状態変化の定められた組み合わせに従って、制御対象の状態変化を予測し制御出力の良否判定を比較する事により良否判定の誤差を演算する良否判定誤差検証部を備え、
前記良否判定誤差検証部で生成した良否判定誤差を用いて、前記制御出力良否判定実行部における制御結果良否判定の基準を変更する
請求項1に記載のプラント制御システム。 - さらに、物理モデルを用いたシミュレーションに基づき前記制御出力の可否を判定する制御出力判定部を備え、
前記制御出力抑制部は、前記制御出力良否判定実行部での良否判定と前記制御出力判定部の制御出力可否判定の双方、あるいは前記制御出力良否判定実行部での良否判定を用いて、制御出力を前記制御対象プラントに出力した場合に前記制御対象プラントの実績データが悪化すると判断した場合に、制御出力を前記制御対象プラントに出力する
請求項1に記載のプラント制御システム。 - さらに、制御ルール評価ユニットを備え、
前記制御ルール評価ユニットは、
前記制御実行ユニットの前記良否判定実行部の良否判定データをデータベースに蓄積する制御ルール良否判定データ収集部と、
前記データベースに蓄積された良否判定データを元に制御ルール評価データを演算する制御ルール評価データ演算部を有し、
前記制御実行ユニットに用いた制御ルールを前記制御対象プラントに出力せずに評価が可能な
請求項1~5のいずれか1項に記載のプラント制御システム。 - 制御対象プラントに対して、前記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、前記制御対象プラントの制御をコンピュータにより実行するプラント制御方法であって、
前記コンピュータが実行する処理として、
前記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する制御方法学習処理と、前記制御方法学習処理により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行する制御実行処理と、前記制御対象プラントの実績データと制御操作と制御対象の状態変化の組合せと制御結果良否の組み合わせを学習する状態変化ルール学習処理と、を含み、
前記制御実行処理は、
前記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処理と、
前記制御対象プラントの実績データと制御操作と制御対象の状態変化の定められた組み合わせに従って、制御対象の状態変化を予測し前記制御出力の良否判定を推定する制御出力良否判定実行処理と、
前記制御出力良否判定実行処理での良否判定を元に新規操作探索用操作量を演算する新規探索操作量演算処理と、
前記制御出力良否判定実行処理での良否判定を用いて、制御出力を前記制御対象プラントに出力した場合に前記制御対象プラントの実績データが悪化すると判断した場合に、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処理と、を含み、
前記状態変化ルール学習処理は、
前記制御対象プラントの実績データより、実績データと制御操作と、前記制御操作による制御効果が実績データに表れるまでの時間遅れの間の制御対象の状態変化量の組合せを抽出して学習データを作成し、前記学習データを用いて学習する状態変化ルール学習処理を含み、
前記制御方法学習処理は、
前記制御出力良否判定実行処理での前記制御出力の良否判定と、前記制御出力を用いて教師データを得る学習データ作成処理と、
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処理と、を含む
プラント制御方法。 - 制御対象プラントに対して、前記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、コンピュータにプラント制御を実行させるプログラムであり、
当該プログラムは、前記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する制御方法学習手順と、前記制御方法学習手順により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行する制御実行手順と、前記制御対象プラントの実績データと制御操作と制御対象の状態変化の組合せと制御結果良否の組み合わせを学習する状態変化ルール学習手順と、を前記コンピュータに実行させるものであり、
前記制御実行手順は、
前記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手順と、
前記制御対象プラントの実績データと制御操作と制御対象の状態変化の定められた組み合わせに従って、制御対象の状態変化を予測し前記制御出力の良否判定を推定する制御出力良否判定実行手順と、
前記制御出力良否判定実行手順での良否判定を元に新規操作探索用操作量を演算する新規探索操作量演算手順と、
前記制御出力良否判定実行手順での良否判定を用いて、制御出力を前記制御対象プラントに出力した場合に前記制御対象プラントの実績データが悪化すると判断した場合に、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手順と、を含み、
前記状態変化ルール学習手順は、
前記制御対象プラントの実績データより、実績データと制御操作と、前記制御操作による制御効果が実績データに表れるまでの時間遅れの間の制御対象の状態変化量の組合せを抽出して学習データを作成し、前記学習データを用いて学習する状態変化ルール学習手順を含み、
前記制御方法学習手順は、
前記制御出力良否判定実行手順での前記制御出力の良否判定と、前記制御出力を用いて教師データを得る学習データ作成手順と、
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手順と、を含む
プログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021090146A JP7535475B2 (ja) | 2021-05-28 | 2021-05-28 | 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 |
CN202210253569.3A CN115407726A (zh) | 2021-05-28 | 2022-03-15 | 工厂设备控制系统及其控制方法、计算机可读记录介质 |
DE102022204937.3A DE102022204937A1 (de) | 2021-05-28 | 2022-05-18 | Anlagensteuersystem, steuerverfahren und programm für anlagen |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021090146A JP7535475B2 (ja) | 2021-05-28 | 2021-05-28 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022182538A true JP2022182538A (ja) | 2022-12-08 |
JP7535475B2 JP7535475B2 (ja) | 2024-08-16 |
Family
ID=83997165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021090146A Active JP7535475B2 (ja) | 2021-05-28 | 2021-05-28 | 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 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7535475B2 (ja) |
CN (1) | CN115407726A (ja) |
DE (1) | DE102022204937A1 (ja) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3465236B2 (ja) | 2000-12-20 | 2003-11-10 | 科学技術振興事業団 | ロバスト強化学習方式 |
JP4627553B2 (ja) | 2008-03-28 | 2011-02-09 | 株式会社日立製作所 | プラントの制御装置および火力発電プラントの制御装置 |
FR3005802B1 (fr) | 2013-05-17 | 2016-09-23 | Hager Security | Coffret comprenant un socle, un boitier et un organe rotatif d'assemblage |
JP6897759B2 (ja) | 2017-03-28 | 2021-07-07 | 東亞合成株式会社 | 架橋重合体又はその塩の製造方法 |
-
2021
- 2021-05-28 JP JP2021090146A patent/JP7535475B2/ja active Active
-
2022
- 2022-03-15 CN CN202210253569.3A patent/CN115407726A/zh active Pending
- 2022-05-18 DE DE102022204937.3A patent/DE102022204937A1/de active Pending
Also Published As
Publication number | Publication date |
---|---|
CN115407726A (zh) | 2022-11-29 |
DE102022204937A1 (de) | 2022-12-01 |
JP7535475B2 (ja) | 2024-08-16 |
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 | |
CN108687137B (zh) | 整套设备控制装置、轧机控制装置、控制方法及存储介质 | |
US9043254B2 (en) | Method for computer-aided closed-loop and/or open-loop control of a technical system | |
CN111913803B (zh) | 一种基于akx混合模型的服务负载细粒度预测方法 | |
CN105046045B (zh) | 一种基于贝叶斯组合的Web服务QoS预测方法 | |
US11475712B2 (en) | Method and device for automatic gesture recognition | |
CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
JP2018190127A (ja) | 判定装置、分析システム、判定方法および判定プログラム | |
CN110276492A (zh) | 一种节点数据预测方法及装置 | |
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 | |
CN114637620A (zh) | 一种基于svm算法的数据库系统异常分类预测方法 | |
JP2022182538A (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 | |
JP7495874B2 (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 | |
CN109829115B (zh) | 搜索引擎关键词优化方法 | |
JP6952018B2 (ja) | 制御装置および制御方法 | |
CN113626177A (zh) | 基于lstm的cpu资源负载情况预测方法 | |
JP2020071493A (ja) | 結果予測装置、結果予測方法、及びプログラム | |
CN109768545A (zh) | 一种基于Vague集的黑启动方案优选方法 | |
JP7328142B2 (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 | |
JP2022183827A (ja) | プラント制御システム、圧延機制御装置、プラント制御方法、及びプラント制御プログラム | |
JP7154468B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
CN118204832B (zh) | 基于贝叶斯深度学习的TCNCSA-BiGRU的刀具磨损预测方法 | |
JP7475549B2 (ja) | 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム | |
JP2020166599A (ja) | 運転計画支援装置、運転計画支援方法及び運転計画支援プログラム | |
WO2023243036A1 (ja) | 情報処理装置、プログラム及び情報処理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240117 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240703 |
|
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: 20240730 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240805 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7535475 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |