JP3412384B2 - 制御モデル構築支援装置 - Google Patents
制御モデル構築支援装置Info
- Publication number
- JP3412384B2 JP3412384B2 JP5577196A JP5577196A JP3412384B2 JP 3412384 B2 JP3412384 B2 JP 3412384B2 JP 5577196 A JP5577196 A JP 5577196A JP 5577196 A JP5577196 A JP 5577196A JP 3412384 B2 JP3412384 B2 JP 3412384B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- database
- model
- control
- control model
- 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.)
- Expired - Fee Related
Links
- 238000010276 construction Methods 0.000 title claims description 27
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000000926 separation method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 28
- 238000000034 method Methods 0.000 description 19
- 238000013139 quantization Methods 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000010438 heat treatment Methods 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 13
- 210000000225 synapse Anatomy 0.000 description 13
- 238000011002 quantification Methods 0.000 description 10
- 238000013144 data compression Methods 0.000 description 8
- 238000013480 data collection Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000003213 activating effect Effects 0.000 description 5
- 210000002364 input neuron Anatomy 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 241000283080 Proboscidea <mammal> Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Description
【発明の詳細な説明】
【０００１】
【発明の属する技術分野】本発明は鉄鋼，電力，一般産
業等の制御システムを対象とし、制御対象からデータを
収集して制御モデルを構築する場合に、高精度な制御モ
デルを効率的に構築する手法に関する。 【０００２】 【従来の技術】制御対象からデータを収集し計算機で用
いる従来技術としては、特開平6− 168222号記載のよ
うに、制御対象の制御情報を収集する手段を備え、収集
したデータを独立したメモリに蓄えることで、このデー
タを用いて繰り返しシミュレーションを行う手法があっ
た。 【０００３】また制御対象から得たデータから制御モデ
ルを構築する従来手法としては、特開平5−296923 号記
載のように、制御対象から得た制御量誤差とこれを解消
するモデルのチューニング量の関係を何ケースか蓄え、
この関係を同定したニューラルネットで制御モデルをチ
ューニングする手法があった。 【０００４】 【発明が解決しようとする課題】上記従来技術には、以
下の問題点があった。 【０００５】特開平6−168222 号記載の手法は、制御対
象からのデータの採取と、これを計算機にどのような形
態で蓄えるかについての考慮はあるが、データを用いて
モデル構築を行う場合に、この作業を効率化する手法
や、構築した制御モデルの精度を向上させる方法につい
ては考慮されていなかった。さらに制御モデルの入出力
データの遅延関係を補償することに配慮していないた
め、制御モデルの入出力を異なった時刻のデータを用い
て構築する必要がある場合には、人手でこれを補償しな
ければならない場合があった。さらに蓄えたデータを制
御モデル構築に支障のない形態で圧縮することに配慮し
ていないため、データの採取を繰り返すと計算機に蓄え
られているデータ量が膨大となる問題があった。 【０００６】また特開平5−296923 号記載の手法では、
制御モデルの高精度化には配慮されているものの、制御
対象から得たデータがどの程度一般性を有しているかを
判断することを考慮していないため、例えばデータがノ
イズを含んでいる場合には、これが原因で構築した制御
モデルの精度が低下する問題があった。さらに構築した
制御モデルの妥当性を評価することに配慮していないた
め、制御モデルが一般性に乏しい場合には、これをその
まま実際の制御に用いることで制御性能が低下する場合
があった。さらに蓄えたデータが制御モデル構築に必要
な入出力領域の各部において、一般性を有した制御モデ
ルを構築するのに十分な量，質を有していることを検証
することに配慮していないため、制御モデルの特定の領
域の入力に対する出力の精度が著しく低下する場合があ
った。 【０００７】本発明の目的は、構築した制御モデルの妥
当性を精度良く評価することを可能にした制御モデル構
築支援装置を提供することにある。 【０００８】 【０００９】 【００１０】 【００１１】 【００１２】 【課題を解決するための手段】上記目的は、制御対象か
ら収集したデータを該制御対象を模擬する制御モデルへ
の入力データ及び出力データとして分離すると共に該入
力データと該出力データを対応づけて複数のデータを第
１のデータベースに格納するデータ収集手段と、前記第
１のデータベースに格納された複数のデータを統計的に
隔たりのない複数のデータ群に分離するデータ分割手段
と、該分離された複数のデータ群をそれぞれ格納する複
数のデータベースを有する第２のデータベースと、前記
第２のデータベースに格納されたデータに基づいて前記
制御対象を模擬する制御モデルを構築するモデル構築手
段と、該モデル構築手段で構築された前記制御モデルを
前記第２のデータベースに格納されたデータに基づいて
評価するモデル評価手段を備えており、前記モデル構築
手段は前記第２のデータベースが有する該複数のデータ
ベースに格納された複数のデータに基づいて前記制御対
象を模擬する複数の制御モデルを構築し、前記モデル評
価手段は該第２のデータベースが有する複数のデータベ
ースのうち前記モデル構築手段で利用されていない他の
データベースに格納されているデータに基づいて前記制
御モデルの評価を行い、前記構築された複数の制御モデ
ルから１つの制御モデルを決定することにより達成でき
る。 【００１３】 【００１４】 【００１５】 【００１６】 【００１７】 【発明の実施の形態】以下、本発明の実施例を図にした
がって詳細に説明する。 【００１８】図１に本発明により実現された制御モデル
構築支援装置の構成を示す。まず全体の構成を説明した
後、各部の詳細を説明する。制御モデル構築支援装置１
００は種々のタスクが格納されている演算手段１１０，
演算手段１１０に備えられている種々の演算を選択的に
起動するタスク起動手段１０１，制御モデル構築用のデ
ータや構築された制御モデル等を記憶する記憶手段１２
０，外部と信号の授受を行う通信インタフェース１０２
から構成される。さらに制御モデル構築支援装置１００
はオペレータが入出力を行うマンマシン装置１４０を備
えている。さらにネットワーク１５０を介して制御装置
１３０，Ｉ／Ｏ１６０と接続され、制御装置１３０に対
しては構築した制御モデルをネットワーク１５０を介し
て出力する。またＩ／Ｏ１６０を介して制御対象１７０
の状態を観測し、必要なデータの取り込みを行う。制御
装置１３０はＩ／Ｏ１６０、ネットワーク１５０を介し
て制御対象１７０の状態を検出し、制御モデル構築支援
装置１００で構築された制御モデルを用いて制御対象１
７０を制御するための信号を出力する。制御対象１７０
は制御装置１３０が出力した制御信号をＩ／Ｏ１６０を
介して受け取り、これにしたがって動作する。 【００１９】本実施例では制御対象１７０として熱間圧
延ラインの加熱炉プラントを例に説明する。加熱炉１８
０は圧延に先だって鋼板を高温に加熱するプラントで、
スラブと呼ばれる鋼板１９０が挿入され、バーナ１８１
〜１８４で熱して１１００℃程度に昇温した後、高温の
スラブ１９２として出力する。加熱炉は通常、図に示す
ように４つ程度の炉帯（予熱帯，第１加熱帯，第２加熱
帯，均熱帯）から構成される。またセンサ１７１は炉に
入る前のスラブ温度θ0 を測定し、センサ172〜１７５
は各炉帯の温度ｔ1〜ｔ4をそれぞれ測定する。さらにセ
ンサ１７６は炉から出たときのスラブ温度θout を測定
する。 【００２０】次に制御モデル構築支援装置１００の各部
の動作を詳細に説明する。タスク起動手段１０１は、マ
ンマシン装置１４０からオペレータが入力した情報にし
たがって演算手段１１０に格納されているタスクの起動
・管理を行う。図２にタスク起動手段１０１が実行する
処理を示す。通常はＳ2-1 でオペレータがマンマシン装
置１４０を介して信号を入力したかどうかを検出する処
理を行う。本実施例では割り込みでこの信号を受信する
例を示すが、周期的な検出処理を行ってもよい。割り込
みが発生すると割り込みルーチンに入り、Ｓ2-2 で割り
込みのコマンドを解釈し、演算手段１１０の中で、オペ
レータの指示したタスクを起動する。本実施例において
演算手段１１０は、データ収集手段１１１，データ定量
化手段１１２，データ圧縮手段１１３，データ分割手段
１１４，モデル構築手段１１５，モデル評価手段１１
６，モデル転送手段１１７の各タスクを備えた例を示し
ている。同様に記憶手段１２０は、制御対象１７０から
収集したデータが蓄えられるデータベース１２１，分割
されたデータが蓄えられる第２のデータベース122、こ
れらを用いて構築された制御モデルが蓄えられる制御モ
デル格納部１２３から構成される。 【００２１】図３にデータ収集手段１１１の処理アルゴ
リズムを示す。データ収集手段111はタスク起動手段１
０１からの起動指令にしたがって実行を開始される。ま
ずＳ3-1で通信Ｉ／Ｆ１０２を介して、制御モデルの入
力と出力に対応した信号を制御対象１７０に備えられた
センサの検出値として取り込む。本実施例では図１にし
たがって、θ0 ，ｔ1〜ｔ4，θout を取り込む。以下制
御モデルの入力が、θ0 ，ｔ1〜ｔ4、仕様としてあらか
じめ与えられているスラブ厚Ｂ、制御モデルの出力がθ
out の例を示す。制御モデルとしてはこれらの入出力関
係を再現する必要がある。関係をモデル化する例を示
す。Ｓ3-2 でθout を検出したスラブ１９２に対して、
各炉帯の在炉時間からこのスラブが加熱炉に挿入された
ときの時刻、および各炉帯で加熱を受けた時刻を算出す
る。加熱炉１８０は４つの炉帯から構成されており、予
熱帯〜均熱帯の各在炉時間は鋼板を搬送する速度と各炉
長により求めることができ、これをΔＴ1〜ΔＴ4とす
る。また、θout が検出された時刻をＴout とすると、
スラブが加熱炉に挿入されたときの時刻Ｔinは、 【００２２】 【数１】 Ｔin＝Ｔout−（ΔＴ1＋ΔＴ2＋ΔＴ3＋ΔＴ4） …（数１） で算出できる。またスラブが各炉帯で加熱を受けた時刻
は、予熱帯Ｔpre 、第１加熱帯Ｔh1，第２加熱帯Ｔh2，
均熱帯Ｔunifのそれぞれについて、 【００２３】 【数２】 Ｔpre＝Ｔout−（ΔＴ1／２＋ΔＴ2＋ΔＴ3＋ΔＴ4） …（数２） 【００２４】 【数３】 Ｔh1＝Ｔout−（ΔＴ2／２＋ΔＴ3＋ΔＴ4） …（数３） 【００２５】 【数４】 Ｔh2＝Ｔout−（ΔＴ3／２＋ΔＴ4） …（数４） 【００２６】 【数５】 Ｔunif＝Ｔout−ΔＴ4／２ …（数５） で概算できる。Ｓ3-3では、このようにして算出した時
刻Ｔin，Ｔpre，Ｔh1，Ｔh2，Ｔunifをそれぞれ収集し
たθ0 ，ｔ1〜ｔ4に対応づけて、さらにスラブ厚Ｂを収
集したθout と関係づけて一組の対として制御モデル構
築用データを生成する。そしてＳ3-4 で、構築されたデ
ータの対を第１のデータベース１２１に格納する。 【００２７】図４に第１のデータベース１２１の構成例
を示す。制御モデルの入力であるθ0 ，ｔ1〜ｔ4，Ｂと
制御モデルの出力であるθout の組が多数蓄えられてい
る。 【００２８】データ定量化手段１１２は、第１のデータ
ベース１２１の内容を検索し、統計的な性質やデータの
隔たりを定量化してオペレータに報知する。オペレータ
は報知された結果を基に、第１のデータベース１２１の
内容が良好な制御モデルを構築するのに十分かどうかを
判断する。 【００２９】図５にデータ定量化手段１１２の構成を示
す。タスク起動手段１０１により起動される。処理方法
決定手段５０１，第１〜第ｎの複数の定量化手段５０２
〜５０５から構成される。定量化手段５０２〜５０５は
必要に応じて複数備えられるが、必要ない場合には１つ
であってもよい。処理方法決定手段５０１は、タスク起
動手段１０１を介したユーザからの指示により、第１の
定量化手段５０２〜第ｎの定量化手段５０５のどれを用
いるか選択する。選択された定量化手段の演算結果はマ
ンマシン装置１４０に表示される。 【００３０】図６に定量化手段の処理の一例を示す。図
６では、制御モデルの全領域を領域１〜領域ｎのｎ個の
部分領域に分割し、部分領域毎に第１のデータベース１
２１に蓄えられているデータの個数をカウントしてオペ
レータに報知する例を示す。Ｓ6-1 で第１のデータベー
ス１２１からデータの対を一組抽出する。Ｓ6-2 で抽出
したデータのθout が、１０９０℃より小さいかどうか
判定する。小さい場合にはＳ6-3 で領域１に対応したデ
ータ数に１を加算する。１０９０℃より大きい場合に
は、Ｓ6-4で同様にθoutが１０９０℃より大きく１１０
０℃以下かどうかを判定する。判定結果がＹesの場合に
はＳ6-5 で領域２に対応したデータ数に１を加算する。
このような操作を順次行い、第１のデータベース１２１
の各データの対が各領域に何個属しているか計算する。
Ｓ6-11ですべてのデータの対について行ったことを確認
した後処理を終了する。 【００３１】図７にマンマシン装置１４０で報知された
定量化結果の一例を示す。各領域についてカウントされ
たデータの個数が表示され、著しく個数の少ない領域３
（他の領域との個数の差をとり、その差が予め定めたあ
る一定以上のもの）について、制御モデル高精度化の観
点から「１１００℃＜θout ≦１１１０℃のデータを追
加して下さい。」といった表示を行いデータを追加した
ほうが望ましいことを指示している。オペレータはこの
結果にしたがって、加熱炉１８０から出力されるスラブ
１９２の目標温度Θoutを１１００℃＜Θout≦１１１０
℃に設定してデータの追加を行い制御モデルの高精度化
を図ることができる。定量化手段５０２〜５０５が行う
処理としては、この他にθ0 ，ｔ1〜ｔ4，Ｂ，θout の
各パラメータの分散を定量化し、その大きさで第１のデ
ータベース１２１に蓄えられているデータの隔たり具合
を報知する手法等、種々考えられる。 【００３２】図８にデータ圧縮手段１１３の構成を示
す。データ圧縮手段１１３は第１のデータベース１２１
を情報の喪失を最小化した形で定められたサイズに圧縮
する処理を行う。ここでは一例としてデータ圧縮手段１
１３が、量子化ネットワーク８０１と量子化アルゴリズ
ム８０２からなる場合の実施例を示す。本実施例では、
図１に示したデータベース１２１に蓄えられているデー
タがＭ個のとき、これらを良好に代表するｐ個のデータ
（ｐ＜Ｍ）に圧縮する場合を例に説明する。量子化ネッ
トワーク８０１はＩ1〜Ｉnの入力（本実施例の場合入力
はθ0 ，ｔ1 〜ｔ4 ，Ｂのため、ｎ＝６）を取り込む入
力ニューロン８０５および定数を出力するしきい値ニュ
ーロン８０６からなる入力層８０３と、ｐ個の量子化ニ
ューロン８０７からなる量子化ニューロン層８０４、さ
らに入力層８０３と量子化ニューロン層804 の間で信号
を伝達するシナプス８０８により構成される。入力ニュ
ーロン８０５は入力された信号の値をそのまま出力し、
量子化ニューロン８０７は入力ニューロン８０５の出力
及び結合しているシナプス８０８のシナプス荷重の値Ｗ
ijの積を次式に従い出力する。 【００３３】 【数６】 【００３４】量子化アルゴリズム８０２は、入力を次々
と量子化ネットワーク８０１に入力し、出力が最大であ
った量子化ニューロンが、対応した入力に対してさらに
大きな値を出力する方向に、シナプス荷重の値を更新す
る。 【００３５】図９に量子化アルゴリズム８０２が実行す
るアルゴリズムを示す。まずＳ9-1で、データベース１
２１からデータを抽出し、量子化ネットワーク８０１に
入力する。図４に示したデータを圧縮する場合には、
（３０，６１０，１０２０，…，１１００），（２７，
６１２，９８０，…，１１００）のデータの組みが順次
入力される。次にＳ9-2 で、各量子化ニューロン８０７
について（数６）に基づいた演算を行い、出力値Ｏ1〜
Ｏpを算出する。Ｓ9-3 で、Ｏ1〜Ｏpのうち値が最大の
ものを検出する。かりにＯj が最大であったとすると、
量子化ニューロンｊと入力層８０３のニューロンを結ぶ
シナプスの荷重Ｗ1j〜Ｗn+1・j を更新する。入力ニュー
ロン８０５に対応したシナプス荷重であるＷ1j〜Ｗn・j
に関しては(数７)により、またしきい値ニューロン８０
６に対応したシナプス荷重Ｗn+1・jに関しては（数８）
により、新しい値が計算される。 【００３６】 【数７】 Ｗij＝Ｗij＋α・（Ｉi−Ｗij） …（数７） （ｉ＝１，…，ｎ） 【００３７】 【数８】【００３８】ただしＷij，Ｗn+1・j はそれぞれ更新後の
入力ニューロン，しきい値ニューロンに対応したシナプ
ス荷重の値、αは定数である。シナプス荷重の更新式
は、ベクトル（Ｗ1j，…，Ｗnj）とベクトル（Ｉ1，
…，Ｉn）の類似度を大きくする処理と対応していれば
よく、このような更新式は（数７）（数８）の他にもい
くつか考えられる。Ｓ9-5 で処理の終了を判定する。終
了はＳ9-1〜Ｓ9-4を一定回数繰り返したことで判定して
もよいが、データベース１２１から抽出したデータの対
に対応したシナプス荷重の更新量が、すべて一定値以下
となったことで判定してもよい。処理が終了していない
場合にはＳ9-1 にかえり、データの組みを次々と抽出
し、同様の処理を繰り返す。以上の処理が終了すると第
１のデータベース１２１に格納されていたＭ個のデータ
の対がｐ個の量子化ニューロンのシナプス荷重で代表で
きたことになる。その後Ｓ9-6 で、ｐ個の量子化ニュー
ロンに対応したシナプス荷重、 【００３９】 【数９】 【００４０】をデータベース１２１にコピーすることに
より、Ｍ個のデータを、これらを代表するｐ個の少数の
データで代表することができ、内容を圧縮できる。この
様な処理により第１のデータベース１２１のサイズを適
性に保つことができる。本実施例でデータ圧縮手段１１
３は、第１のデータベース１２１にあらかじめ蓄えられ
たデータを対象に量子化を行い、その結果を第１のデー
タベース１２１にコピーすることにより内容の更新を行
ったが、時系列に得られる入力を通信Ｉ／F102から直接
取り込んで、量子化結果を第１のデータベース１２１に
出力する方法でも良い。 【００４１】図１０にデータ分割手段１１４の処理を示
す。データ分割手段１１４は、第１のデータベース１２
１の内容を、統計的に隔たりのない複数のデータベース
に分割し、これらを第２のデータベース１２２に格納す
る。本実施例では２つのデータベースに分割する例を示
す。まずＳ10-1で、第１のデータベース１２１に格納さ
れているデータをθout の値の大きさにしたがって並び
換える。次にＳ10-2でデータを並びにしたがって抽出
し、第２のデータベース１２２の分割データベース１と
分割データベース２に交互に振り分ける。すなわち奇数
番目のデータの対は分割データベースに、偶数番目のデ
ータの対は分割データベース２に格納するといった形態
で、データの分割を行う。分割データベース１１１０１
と分割データベース２１１０２から構成される第２の分
割データベース１２２の構成は、例えば図１１の形態と
なっている。Ｓ10-3で第１のデータベース１２１のすべ
てのデータの振り分けが終わったことを確認した後、Ｓ
10-4で２つのデータベースの統計的性質に隔たりがない
ことを明らかにする目的で、θ0 ，ｔ1〜ｔ4，Ｂ，θ
out に関して、統計量を算出し比較する。統計量として
は各パラメータについて平均値，分散，中央値等を求
め、２つのデータベース間でこれらの差が予め定めた範
囲内であることをもって、統計的性質に隔たりがないと
判断する。Ｓ10-5で比較結果を判定し、統計的性質に隔
たりがなければ良好なデータ分割が行われたと判断し、
処理を終了する。隔たりがあった場合には、Ｓ10-6で分
割データベース１１１０１と分割データベース２１１０
２に蓄えられているデータの対、先に求めた統計量を表
示してオペレータの選択により分割データベース１と分
割データベース２間でデータを交換し、Ｓ10-4以降の処
理を繰り返す。 【００４２】図１２にモデル構築手段１１５の処理を示
す。モデル構築手段１１５は、第１のデータベース１２
１，分割データベース１１１０１，分割データベース21
102のいずれかを選択し、蓄えられているデータの対か
ら、θ0 ,ｔ1〜ｔ4,Ｂを入力、θout を出力とする制御
モデルを構築する。制御モデルの形態としては多層ニュ
ーラルネットの利用等種々考えられるが、本実施例で
は、回帰モデルを例に説明する。図１２のＳ12-1で制御
モデルの入力を決定する。入力はθ0 ，ｔ1〜ｔ4，Ｂと
θout の関係を良好に近似できることに配慮して、例え
ばｌｎ（θ0），ｌｎ(ｔ1），ｌｎ(ｔ2），ｌｎ
(ｔ3），（ｔ4)2 ，Ｂのように決定する。次にＳ12-2
でデータベースに格納されているデータを用いて制御モ
デルを(数１０)のように構築する。 【００４３】 【数１０】 θout＝ａ0＋ａ1ｌｎ(ｔ1)＋ａ2ｌｎ(ｔ2)＋ａ3ｌｎ(ｔ3)＋ａ4ｔ4 2＋ａ5Ｂ …（数１０） ここでａ0〜ａ5は、広く知られている線形回帰分析の手
法（例えば『回帰分析と主成分分析』日科技連）により
一意的に決定できる。本実施例では回帰モデルの構築を
例に示したが、θ0 ，ｔ1〜ｔ4，Ｂを入力、θout を出
力とする多層ニューラルネットでモデルを構築する等、
制御モデル構築の手法としては、種々考えられる。 【００４４】次にモデル評価手段１１６の処理を示す。
モデル評価手段１１６は分割データベース１１１０１を
用いて構築した制御モデルの確からしさを分割データベ
ース２１１０２を用いて評価したり、逆に分割データベ
ース２１１０２を用いて構築した制御モデルの確からし
さを第１のデータベース１１０１を用いて評価し、その
結果をオペレータに報知する。まずＳ13-1でモデル構築
手段１１５を用いてモデルを構築する。以上の処理は図
１２と同様である。この結果、例えば(数１０）のよう
な制御モデルが構築できる。Ｓ１３−２でｉを１に設定
する。Ｓ13-3で第２のデータベース１１０２からｉ番目
のデータの対を取り出し、入力の組θ0 〜Ｂを抽出す
る。Ｓ13-4では構築した制御モデル式にこれらを入力
し、出力として得られるθout の推定値θout と、取り
出したデータの対のθoutについて差分ΔＥiを、（数１
１）で計算する。 【００４５】 【数１１】 ΔＥi＝｜θout−θout｜ …（数１１） Ｓ13-3〜Ｓ13-4の処理を、分割データベース２１１０２
に未処理のデータの対がなくなるまで繰り返す。Ｓ13-7
で得られた差分を総計し、（数１２）にしたがってモデ
ル誤差Ｅtotal を算出する。 【００４６】 【数１２】 【００４７】Ｓ13-8で処理の終了を判定し、終了してい
ない場合には再度Ｓ13-1に処理を復帰し、制御モデルの
入力を変えて、Ｓ13-1〜Ｓ13-7を繰り返す。この結果、
種々の入力の組み合わせに対するモデル誤差Ｅtotal が
算出できる。図１４にこれを表示したマンマシン装置１
４０の画面例を示す。図１４に示すように、各モデルに
対応したモデル誤差Ｅtotal が表示され、オペレータは
最もモデル誤差の小さい制御モデルを選択できる。尚、
この場合にはＥtotal が最も小さいものをモデル評価手
段１１６で求め、最もＥtotal が小さいものを制御モデ
ルと自動的に決定するようにしてもよい。 【００４８】モデル転送手段１１７は、タスク起動手段
１０１を介して授受したオペレータからの指令にしたが
って、選択されたモデルを通信Ｉ／Ｆ，ネットワーク１
５０を介して制御装置１３０に転送する。 【００４９】次に本発明の第２の実施例として、図１５
に演算手段１１０の機能としてデータ正規化手段１５０
１を備えた実施例を示す。データ正規化手段１５０１は
図１に示した他の演算手段のタスクと並行して必要に応
じて組み込まれる。制御モデルを多層ニューラルネット
で構成する場合等では、入出力のデータは０〜１等に正
規化して用いることが普通であり、このような場合にタ
スク起動手段１０１を介したオペレータからの指示によ
り、処理が起動される。データ正規化手段1501は、第１
のデータベース１２１に蓄えられている各変数のデータ
をある範囲に正規化し、結果を正規化データベース１５
０２に格納する。正規化データベース１５０２は同様に
モデル構築に用いられ、データ分割手段１１４による複
数のデータベースへの分割等も、同様に行われる。 【００５０】図１６にデータ正規化手段１５０１の処理
アルゴリズムを示す。本実施例では値を０〜１の範囲に
正規化する場合を示す。Ｓ16-1で第１のデータベース１
２１のある変数について、その最大値ＤmaxとＤminを算
出する。次にＳ16-2で、この変数の値を、 【００５１】 【数１３】 Ｄi＝（Ｄi−Ｄmin）／（Ｄmax−Ｄmin） …（数１３） により新たな値に更新する。これによりＤｉは最小値が
０、最大値が１となり、すべてのデータが０〜１の間の
値となる。Ｓ16-3で正規化していない変数があるかどう
かを判定し、ある場合には正規化していない変数がなく
なるまでＳ16-1〜Ｓ16-2処理を繰り返す。 【００５２】本実施例では制御モデル構築支援装置１０
０と制御装置１３０を別構成とし、ネットワーク１５０
を介して結合する構成としたが、一体化してもよい。ま
た演算手段１１０のタスクは必要に応じて取捨選択して
もよいし、さらに他の機能を有したタスクを定義するこ
とも容易である。制御対象１７０として本実施例では加
熱炉プラントを例に説明したが、制御対象の入力と出力
の関係をモデル化して制御に用いる他の用途にも、本願
は広く用いることができる。またデータ圧縮手段の処理
としてベクトル量子化手法を適用した例を示したが、デ
ータベースの各変数の平均や分散等の統計的な性質を監
視しながら、これに影響を与えないようにデータの間引
きを行う等でも同様の効果を実現できる。 【００５３】 【発明の効果】本発明によれば、データ収集手段を設け
たことにより、制御モデルの入出力を異なった時刻のデ
ータを用いて構築する必要があった場合でも、この操作
を人手で行う必要はない。さらにデータ分割手段とモデ
ル評価手段を設けたことにより、構築した制御モデルの
妥当性を実際の制御に用いる前に容易に検証できる。ま
たデータ圧縮手段を設けたことにより、データベースに
格納されているデータが時間の経過とともに膨大となっ
ても、サイズを適正な規模に保つことができる。
業等の制御システムを対象とし、制御対象からデータを
収集して制御モデルを構築する場合に、高精度な制御モ
デルを効率的に構築する手法に関する。 【０００２】 【従来の技術】制御対象からデータを収集し計算機で用
いる従来技術としては、特開平6− 168222号記載のよ
うに、制御対象の制御情報を収集する手段を備え、収集
したデータを独立したメモリに蓄えることで、このデー
タを用いて繰り返しシミュレーションを行う手法があっ
た。 【０００３】また制御対象から得たデータから制御モデ
ルを構築する従来手法としては、特開平5−296923 号記
載のように、制御対象から得た制御量誤差とこれを解消
するモデルのチューニング量の関係を何ケースか蓄え、
この関係を同定したニューラルネットで制御モデルをチ
ューニングする手法があった。 【０００４】 【発明が解決しようとする課題】上記従来技術には、以
下の問題点があった。 【０００５】特開平6−168222 号記載の手法は、制御対
象からのデータの採取と、これを計算機にどのような形
態で蓄えるかについての考慮はあるが、データを用いて
モデル構築を行う場合に、この作業を効率化する手法
や、構築した制御モデルの精度を向上させる方法につい
ては考慮されていなかった。さらに制御モデルの入出力
データの遅延関係を補償することに配慮していないた
め、制御モデルの入出力を異なった時刻のデータを用い
て構築する必要がある場合には、人手でこれを補償しな
ければならない場合があった。さらに蓄えたデータを制
御モデル構築に支障のない形態で圧縮することに配慮し
ていないため、データの採取を繰り返すと計算機に蓄え
られているデータ量が膨大となる問題があった。 【０００６】また特開平5−296923 号記載の手法では、
制御モデルの高精度化には配慮されているものの、制御
対象から得たデータがどの程度一般性を有しているかを
判断することを考慮していないため、例えばデータがノ
イズを含んでいる場合には、これが原因で構築した制御
モデルの精度が低下する問題があった。さらに構築した
制御モデルの妥当性を評価することに配慮していないた
め、制御モデルが一般性に乏しい場合には、これをその
まま実際の制御に用いることで制御性能が低下する場合
があった。さらに蓄えたデータが制御モデル構築に必要
な入出力領域の各部において、一般性を有した制御モデ
ルを構築するのに十分な量，質を有していることを検証
することに配慮していないため、制御モデルの特定の領
域の入力に対する出力の精度が著しく低下する場合があ
った。 【０００７】本発明の目的は、構築した制御モデルの妥
当性を精度良く評価することを可能にした制御モデル構
築支援装置を提供することにある。 【０００８】 【０００９】 【００１０】 【００１１】 【００１２】 【課題を解決するための手段】上記目的は、制御対象か
ら収集したデータを該制御対象を模擬する制御モデルへ
の入力データ及び出力データとして分離すると共に該入
力データと該出力データを対応づけて複数のデータを第
１のデータベースに格納するデータ収集手段と、前記第
１のデータベースに格納された複数のデータを統計的に
隔たりのない複数のデータ群に分離するデータ分割手段
と、該分離された複数のデータ群をそれぞれ格納する複
数のデータベースを有する第２のデータベースと、前記
第２のデータベースに格納されたデータに基づいて前記
制御対象を模擬する制御モデルを構築するモデル構築手
段と、該モデル構築手段で構築された前記制御モデルを
前記第２のデータベースに格納されたデータに基づいて
評価するモデル評価手段を備えており、前記モデル構築
手段は前記第２のデータベースが有する該複数のデータ
ベースに格納された複数のデータに基づいて前記制御対
象を模擬する複数の制御モデルを構築し、前記モデル評
価手段は該第２のデータベースが有する複数のデータベ
ースのうち前記モデル構築手段で利用されていない他の
データベースに格納されているデータに基づいて前記制
御モデルの評価を行い、前記構築された複数の制御モデ
ルから１つの制御モデルを決定することにより達成でき
る。 【００１３】 【００１４】 【００１５】 【００１６】 【００１７】 【発明の実施の形態】以下、本発明の実施例を図にした
がって詳細に説明する。 【００１８】図１に本発明により実現された制御モデル
構築支援装置の構成を示す。まず全体の構成を説明した
後、各部の詳細を説明する。制御モデル構築支援装置１
００は種々のタスクが格納されている演算手段１１０，
演算手段１１０に備えられている種々の演算を選択的に
起動するタスク起動手段１０１，制御モデル構築用のデ
ータや構築された制御モデル等を記憶する記憶手段１２
０，外部と信号の授受を行う通信インタフェース１０２
から構成される。さらに制御モデル構築支援装置１００
はオペレータが入出力を行うマンマシン装置１４０を備
えている。さらにネットワーク１５０を介して制御装置
１３０，Ｉ／Ｏ１６０と接続され、制御装置１３０に対
しては構築した制御モデルをネットワーク１５０を介し
て出力する。またＩ／Ｏ１６０を介して制御対象１７０
の状態を観測し、必要なデータの取り込みを行う。制御
装置１３０はＩ／Ｏ１６０、ネットワーク１５０を介し
て制御対象１７０の状態を検出し、制御モデル構築支援
装置１００で構築された制御モデルを用いて制御対象１
７０を制御するための信号を出力する。制御対象１７０
は制御装置１３０が出力した制御信号をＩ／Ｏ１６０を
介して受け取り、これにしたがって動作する。 【００１９】本実施例では制御対象１７０として熱間圧
延ラインの加熱炉プラントを例に説明する。加熱炉１８
０は圧延に先だって鋼板を高温に加熱するプラントで、
スラブと呼ばれる鋼板１９０が挿入され、バーナ１８１
〜１８４で熱して１１００℃程度に昇温した後、高温の
スラブ１９２として出力する。加熱炉は通常、図に示す
ように４つ程度の炉帯（予熱帯，第１加熱帯，第２加熱
帯，均熱帯）から構成される。またセンサ１７１は炉に
入る前のスラブ温度θ0 を測定し、センサ172〜１７５
は各炉帯の温度ｔ1〜ｔ4をそれぞれ測定する。さらにセ
ンサ１７６は炉から出たときのスラブ温度θout を測定
する。 【００２０】次に制御モデル構築支援装置１００の各部
の動作を詳細に説明する。タスク起動手段１０１は、マ
ンマシン装置１４０からオペレータが入力した情報にし
たがって演算手段１１０に格納されているタスクの起動
・管理を行う。図２にタスク起動手段１０１が実行する
処理を示す。通常はＳ2-1 でオペレータがマンマシン装
置１４０を介して信号を入力したかどうかを検出する処
理を行う。本実施例では割り込みでこの信号を受信する
例を示すが、周期的な検出処理を行ってもよい。割り込
みが発生すると割り込みルーチンに入り、Ｓ2-2 で割り
込みのコマンドを解釈し、演算手段１１０の中で、オペ
レータの指示したタスクを起動する。本実施例において
演算手段１１０は、データ収集手段１１１，データ定量
化手段１１２，データ圧縮手段１１３，データ分割手段
１１４，モデル構築手段１１５，モデル評価手段１１
６，モデル転送手段１１７の各タスクを備えた例を示し
ている。同様に記憶手段１２０は、制御対象１７０から
収集したデータが蓄えられるデータベース１２１，分割
されたデータが蓄えられる第２のデータベース122、こ
れらを用いて構築された制御モデルが蓄えられる制御モ
デル格納部１２３から構成される。 【００２１】図３にデータ収集手段１１１の処理アルゴ
リズムを示す。データ収集手段111はタスク起動手段１
０１からの起動指令にしたがって実行を開始される。ま
ずＳ3-1で通信Ｉ／Ｆ１０２を介して、制御モデルの入
力と出力に対応した信号を制御対象１７０に備えられた
センサの検出値として取り込む。本実施例では図１にし
たがって、θ0 ，ｔ1〜ｔ4，θout を取り込む。以下制
御モデルの入力が、θ0 ，ｔ1〜ｔ4、仕様としてあらか
じめ与えられているスラブ厚Ｂ、制御モデルの出力がθ
out の例を示す。制御モデルとしてはこれらの入出力関
係を再現する必要がある。関係をモデル化する例を示
す。Ｓ3-2 でθout を検出したスラブ１９２に対して、
各炉帯の在炉時間からこのスラブが加熱炉に挿入された
ときの時刻、および各炉帯で加熱を受けた時刻を算出す
る。加熱炉１８０は４つの炉帯から構成されており、予
熱帯〜均熱帯の各在炉時間は鋼板を搬送する速度と各炉
長により求めることができ、これをΔＴ1〜ΔＴ4とす
る。また、θout が検出された時刻をＴout とすると、
スラブが加熱炉に挿入されたときの時刻Ｔinは、 【００２２】 【数１】 Ｔin＝Ｔout−（ΔＴ1＋ΔＴ2＋ΔＴ3＋ΔＴ4） …（数１） で算出できる。またスラブが各炉帯で加熱を受けた時刻
は、予熱帯Ｔpre 、第１加熱帯Ｔh1，第２加熱帯Ｔh2，
均熱帯Ｔunifのそれぞれについて、 【００２３】 【数２】 Ｔpre＝Ｔout−（ΔＴ1／２＋ΔＴ2＋ΔＴ3＋ΔＴ4） …（数２） 【００２４】 【数３】 Ｔh1＝Ｔout−（ΔＴ2／２＋ΔＴ3＋ΔＴ4） …（数３） 【００２５】 【数４】 Ｔh2＝Ｔout−（ΔＴ3／２＋ΔＴ4） …（数４） 【００２６】 【数５】 Ｔunif＝Ｔout−ΔＴ4／２ …（数５） で概算できる。Ｓ3-3では、このようにして算出した時
刻Ｔin，Ｔpre，Ｔh1，Ｔh2，Ｔunifをそれぞれ収集し
たθ0 ，ｔ1〜ｔ4に対応づけて、さらにスラブ厚Ｂを収
集したθout と関係づけて一組の対として制御モデル構
築用データを生成する。そしてＳ3-4 で、構築されたデ
ータの対を第１のデータベース１２１に格納する。 【００２７】図４に第１のデータベース１２１の構成例
を示す。制御モデルの入力であるθ0 ，ｔ1〜ｔ4，Ｂと
制御モデルの出力であるθout の組が多数蓄えられてい
る。 【００２８】データ定量化手段１１２は、第１のデータ
ベース１２１の内容を検索し、統計的な性質やデータの
隔たりを定量化してオペレータに報知する。オペレータ
は報知された結果を基に、第１のデータベース１２１の
内容が良好な制御モデルを構築するのに十分かどうかを
判断する。 【００２９】図５にデータ定量化手段１１２の構成を示
す。タスク起動手段１０１により起動される。処理方法
決定手段５０１，第１〜第ｎの複数の定量化手段５０２
〜５０５から構成される。定量化手段５０２〜５０５は
必要に応じて複数備えられるが、必要ない場合には１つ
であってもよい。処理方法決定手段５０１は、タスク起
動手段１０１を介したユーザからの指示により、第１の
定量化手段５０２〜第ｎの定量化手段５０５のどれを用
いるか選択する。選択された定量化手段の演算結果はマ
ンマシン装置１４０に表示される。 【００３０】図６に定量化手段の処理の一例を示す。図
６では、制御モデルの全領域を領域１〜領域ｎのｎ個の
部分領域に分割し、部分領域毎に第１のデータベース１
２１に蓄えられているデータの個数をカウントしてオペ
レータに報知する例を示す。Ｓ6-1 で第１のデータベー
ス１２１からデータの対を一組抽出する。Ｓ6-2 で抽出
したデータのθout が、１０９０℃より小さいかどうか
判定する。小さい場合にはＳ6-3 で領域１に対応したデ
ータ数に１を加算する。１０９０℃より大きい場合に
は、Ｓ6-4で同様にθoutが１０９０℃より大きく１１０
０℃以下かどうかを判定する。判定結果がＹesの場合に
はＳ6-5 で領域２に対応したデータ数に１を加算する。
このような操作を順次行い、第１のデータベース１２１
の各データの対が各領域に何個属しているか計算する。
Ｓ6-11ですべてのデータの対について行ったことを確認
した後処理を終了する。 【００３１】図７にマンマシン装置１４０で報知された
定量化結果の一例を示す。各領域についてカウントされ
たデータの個数が表示され、著しく個数の少ない領域３
（他の領域との個数の差をとり、その差が予め定めたあ
る一定以上のもの）について、制御モデル高精度化の観
点から「１１００℃＜θout ≦１１１０℃のデータを追
加して下さい。」といった表示を行いデータを追加した
ほうが望ましいことを指示している。オペレータはこの
結果にしたがって、加熱炉１８０から出力されるスラブ
１９２の目標温度Θoutを１１００℃＜Θout≦１１１０
℃に設定してデータの追加を行い制御モデルの高精度化
を図ることができる。定量化手段５０２〜５０５が行う
処理としては、この他にθ0 ，ｔ1〜ｔ4，Ｂ，θout の
各パラメータの分散を定量化し、その大きさで第１のデ
ータベース１２１に蓄えられているデータの隔たり具合
を報知する手法等、種々考えられる。 【００３２】図８にデータ圧縮手段１１３の構成を示
す。データ圧縮手段１１３は第１のデータベース１２１
を情報の喪失を最小化した形で定められたサイズに圧縮
する処理を行う。ここでは一例としてデータ圧縮手段１
１３が、量子化ネットワーク８０１と量子化アルゴリズ
ム８０２からなる場合の実施例を示す。本実施例では、
図１に示したデータベース１２１に蓄えられているデー
タがＭ個のとき、これらを良好に代表するｐ個のデータ
（ｐ＜Ｍ）に圧縮する場合を例に説明する。量子化ネッ
トワーク８０１はＩ1〜Ｉnの入力（本実施例の場合入力
はθ0 ，ｔ1 〜ｔ4 ，Ｂのため、ｎ＝６）を取り込む入
力ニューロン８０５および定数を出力するしきい値ニュ
ーロン８０６からなる入力層８０３と、ｐ個の量子化ニ
ューロン８０７からなる量子化ニューロン層８０４、さ
らに入力層８０３と量子化ニューロン層804 の間で信号
を伝達するシナプス８０８により構成される。入力ニュ
ーロン８０５は入力された信号の値をそのまま出力し、
量子化ニューロン８０７は入力ニューロン８０５の出力
及び結合しているシナプス８０８のシナプス荷重の値Ｗ
ijの積を次式に従い出力する。 【００３３】 【数６】 【００３４】量子化アルゴリズム８０２は、入力を次々
と量子化ネットワーク８０１に入力し、出力が最大であ
った量子化ニューロンが、対応した入力に対してさらに
大きな値を出力する方向に、シナプス荷重の値を更新す
る。 【００３５】図９に量子化アルゴリズム８０２が実行す
るアルゴリズムを示す。まずＳ9-1で、データベース１
２１からデータを抽出し、量子化ネットワーク８０１に
入力する。図４に示したデータを圧縮する場合には、
（３０，６１０，１０２０，…，１１００），（２７，
６１２，９８０，…，１１００）のデータの組みが順次
入力される。次にＳ9-2 で、各量子化ニューロン８０７
について（数６）に基づいた演算を行い、出力値Ｏ1〜
Ｏpを算出する。Ｓ9-3 で、Ｏ1〜Ｏpのうち値が最大の
ものを検出する。かりにＯj が最大であったとすると、
量子化ニューロンｊと入力層８０３のニューロンを結ぶ
シナプスの荷重Ｗ1j〜Ｗn+1・j を更新する。入力ニュー
ロン８０５に対応したシナプス荷重であるＷ1j〜Ｗn・j
に関しては(数７)により、またしきい値ニューロン８０
６に対応したシナプス荷重Ｗn+1・jに関しては（数８）
により、新しい値が計算される。 【００３６】 【数７】 Ｗij＝Ｗij＋α・（Ｉi−Ｗij） …（数７） （ｉ＝１，…，ｎ） 【００３７】 【数８】【００３８】ただしＷij，Ｗn+1・j はそれぞれ更新後の
入力ニューロン，しきい値ニューロンに対応したシナプ
ス荷重の値、αは定数である。シナプス荷重の更新式
は、ベクトル（Ｗ1j，…，Ｗnj）とベクトル（Ｉ1，
…，Ｉn）の類似度を大きくする処理と対応していれば
よく、このような更新式は（数７）（数８）の他にもい
くつか考えられる。Ｓ9-5 で処理の終了を判定する。終
了はＳ9-1〜Ｓ9-4を一定回数繰り返したことで判定して
もよいが、データベース１２１から抽出したデータの対
に対応したシナプス荷重の更新量が、すべて一定値以下
となったことで判定してもよい。処理が終了していない
場合にはＳ9-1 にかえり、データの組みを次々と抽出
し、同様の処理を繰り返す。以上の処理が終了すると第
１のデータベース１２１に格納されていたＭ個のデータ
の対がｐ個の量子化ニューロンのシナプス荷重で代表で
きたことになる。その後Ｓ9-6 で、ｐ個の量子化ニュー
ロンに対応したシナプス荷重、 【００３９】 【数９】 【００４０】をデータベース１２１にコピーすることに
より、Ｍ個のデータを、これらを代表するｐ個の少数の
データで代表することができ、内容を圧縮できる。この
様な処理により第１のデータベース１２１のサイズを適
性に保つことができる。本実施例でデータ圧縮手段１１
３は、第１のデータベース１２１にあらかじめ蓄えられ
たデータを対象に量子化を行い、その結果を第１のデー
タベース１２１にコピーすることにより内容の更新を行
ったが、時系列に得られる入力を通信Ｉ／F102から直接
取り込んで、量子化結果を第１のデータベース１２１に
出力する方法でも良い。 【００４１】図１０にデータ分割手段１１４の処理を示
す。データ分割手段１１４は、第１のデータベース１２
１の内容を、統計的に隔たりのない複数のデータベース
に分割し、これらを第２のデータベース１２２に格納す
る。本実施例では２つのデータベースに分割する例を示
す。まずＳ10-1で、第１のデータベース１２１に格納さ
れているデータをθout の値の大きさにしたがって並び
換える。次にＳ10-2でデータを並びにしたがって抽出
し、第２のデータベース１２２の分割データベース１と
分割データベース２に交互に振り分ける。すなわち奇数
番目のデータの対は分割データベースに、偶数番目のデ
ータの対は分割データベース２に格納するといった形態
で、データの分割を行う。分割データベース１１１０１
と分割データベース２１１０２から構成される第２の分
割データベース１２２の構成は、例えば図１１の形態と
なっている。Ｓ10-3で第１のデータベース１２１のすべ
てのデータの振り分けが終わったことを確認した後、Ｓ
10-4で２つのデータベースの統計的性質に隔たりがない
ことを明らかにする目的で、θ0 ，ｔ1〜ｔ4，Ｂ，θ
out に関して、統計量を算出し比較する。統計量として
は各パラメータについて平均値，分散，中央値等を求
め、２つのデータベース間でこれらの差が予め定めた範
囲内であることをもって、統計的性質に隔たりがないと
判断する。Ｓ10-5で比較結果を判定し、統計的性質に隔
たりがなければ良好なデータ分割が行われたと判断し、
処理を終了する。隔たりがあった場合には、Ｓ10-6で分
割データベース１１１０１と分割データベース２１１０
２に蓄えられているデータの対、先に求めた統計量を表
示してオペレータの選択により分割データベース１と分
割データベース２間でデータを交換し、Ｓ10-4以降の処
理を繰り返す。 【００４２】図１２にモデル構築手段１１５の処理を示
す。モデル構築手段１１５は、第１のデータベース１２
１，分割データベース１１１０１，分割データベース21
102のいずれかを選択し、蓄えられているデータの対か
ら、θ0 ,ｔ1〜ｔ4,Ｂを入力、θout を出力とする制御
モデルを構築する。制御モデルの形態としては多層ニュ
ーラルネットの利用等種々考えられるが、本実施例で
は、回帰モデルを例に説明する。図１２のＳ12-1で制御
モデルの入力を決定する。入力はθ0 ，ｔ1〜ｔ4，Ｂと
θout の関係を良好に近似できることに配慮して、例え
ばｌｎ（θ0），ｌｎ(ｔ1），ｌｎ(ｔ2），ｌｎ
(ｔ3），（ｔ4)2 ，Ｂのように決定する。次にＳ12-2
でデータベースに格納されているデータを用いて制御モ
デルを(数１０)のように構築する。 【００４３】 【数１０】 θout＝ａ0＋ａ1ｌｎ(ｔ1)＋ａ2ｌｎ(ｔ2)＋ａ3ｌｎ(ｔ3)＋ａ4ｔ4 2＋ａ5Ｂ …（数１０） ここでａ0〜ａ5は、広く知られている線形回帰分析の手
法（例えば『回帰分析と主成分分析』日科技連）により
一意的に決定できる。本実施例では回帰モデルの構築を
例に示したが、θ0 ，ｔ1〜ｔ4，Ｂを入力、θout を出
力とする多層ニューラルネットでモデルを構築する等、
制御モデル構築の手法としては、種々考えられる。 【００４４】次にモデル評価手段１１６の処理を示す。
モデル評価手段１１６は分割データベース１１１０１を
用いて構築した制御モデルの確からしさを分割データベ
ース２１１０２を用いて評価したり、逆に分割データベ
ース２１１０２を用いて構築した制御モデルの確からし
さを第１のデータベース１１０１を用いて評価し、その
結果をオペレータに報知する。まずＳ13-1でモデル構築
手段１１５を用いてモデルを構築する。以上の処理は図
１２と同様である。この結果、例えば(数１０）のよう
な制御モデルが構築できる。Ｓ１３−２でｉを１に設定
する。Ｓ13-3で第２のデータベース１１０２からｉ番目
のデータの対を取り出し、入力の組θ0 〜Ｂを抽出す
る。Ｓ13-4では構築した制御モデル式にこれらを入力
し、出力として得られるθout の推定値θout と、取り
出したデータの対のθoutについて差分ΔＥiを、（数１
１）で計算する。 【００４５】 【数１１】 ΔＥi＝｜θout−θout｜ …（数１１） Ｓ13-3〜Ｓ13-4の処理を、分割データベース２１１０２
に未処理のデータの対がなくなるまで繰り返す。Ｓ13-7
で得られた差分を総計し、（数１２）にしたがってモデ
ル誤差Ｅtotal を算出する。 【００４６】 【数１２】 【００４７】Ｓ13-8で処理の終了を判定し、終了してい
ない場合には再度Ｓ13-1に処理を復帰し、制御モデルの
入力を変えて、Ｓ13-1〜Ｓ13-7を繰り返す。この結果、
種々の入力の組み合わせに対するモデル誤差Ｅtotal が
算出できる。図１４にこれを表示したマンマシン装置１
４０の画面例を示す。図１４に示すように、各モデルに
対応したモデル誤差Ｅtotal が表示され、オペレータは
最もモデル誤差の小さい制御モデルを選択できる。尚、
この場合にはＥtotal が最も小さいものをモデル評価手
段１１６で求め、最もＥtotal が小さいものを制御モデ
ルと自動的に決定するようにしてもよい。 【００４８】モデル転送手段１１７は、タスク起動手段
１０１を介して授受したオペレータからの指令にしたが
って、選択されたモデルを通信Ｉ／Ｆ，ネットワーク１
５０を介して制御装置１３０に転送する。 【００４９】次に本発明の第２の実施例として、図１５
に演算手段１１０の機能としてデータ正規化手段１５０
１を備えた実施例を示す。データ正規化手段１５０１は
図１に示した他の演算手段のタスクと並行して必要に応
じて組み込まれる。制御モデルを多層ニューラルネット
で構成する場合等では、入出力のデータは０〜１等に正
規化して用いることが普通であり、このような場合にタ
スク起動手段１０１を介したオペレータからの指示によ
り、処理が起動される。データ正規化手段1501は、第１
のデータベース１２１に蓄えられている各変数のデータ
をある範囲に正規化し、結果を正規化データベース１５
０２に格納する。正規化データベース１５０２は同様に
モデル構築に用いられ、データ分割手段１１４による複
数のデータベースへの分割等も、同様に行われる。 【００５０】図１６にデータ正規化手段１５０１の処理
アルゴリズムを示す。本実施例では値を０〜１の範囲に
正規化する場合を示す。Ｓ16-1で第１のデータベース１
２１のある変数について、その最大値ＤmaxとＤminを算
出する。次にＳ16-2で、この変数の値を、 【００５１】 【数１３】 Ｄi＝（Ｄi−Ｄmin）／（Ｄmax−Ｄmin） …（数１３） により新たな値に更新する。これによりＤｉは最小値が
０、最大値が１となり、すべてのデータが０〜１の間の
値となる。Ｓ16-3で正規化していない変数があるかどう
かを判定し、ある場合には正規化していない変数がなく
なるまでＳ16-1〜Ｓ16-2処理を繰り返す。 【００５２】本実施例では制御モデル構築支援装置１０
０と制御装置１３０を別構成とし、ネットワーク１５０
を介して結合する構成としたが、一体化してもよい。ま
た演算手段１１０のタスクは必要に応じて取捨選択して
もよいし、さらに他の機能を有したタスクを定義するこ
とも容易である。制御対象１７０として本実施例では加
熱炉プラントを例に説明したが、制御対象の入力と出力
の関係をモデル化して制御に用いる他の用途にも、本願
は広く用いることができる。またデータ圧縮手段の処理
としてベクトル量子化手法を適用した例を示したが、デ
ータベースの各変数の平均や分散等の統計的な性質を監
視しながら、これに影響を与えないようにデータの間引
きを行う等でも同様の効果を実現できる。 【００５３】 【発明の効果】本発明によれば、データ収集手段を設け
たことにより、制御モデルの入出力を異なった時刻のデ
ータを用いて構築する必要があった場合でも、この操作
を人手で行う必要はない。さらにデータ分割手段とモデ
ル評価手段を設けたことにより、構築した制御モデルの
妥当性を実際の制御に用いる前に容易に検証できる。ま
たデータ圧縮手段を設けたことにより、データベースに
格納されているデータが時間の経過とともに膨大となっ
ても、サイズを適正な規模に保つことができる。
【図面の簡単な説明】
【図１】本発明において実現された制御モデル構築支援
装置。 【図２】タスク起動手段の処理アルゴリズム。 【図３】データ収集手段の処理アルゴリズム。 【図４】データベースの構成図。 【図５】データ定量化手段の処理構成図。 【図６】データ定量化手段の処理アルゴリズム。 【図７】マンマシン装置の表示例。 【図８】データ圧縮手段の処理構成図。 【図９】量子化アルゴリズムの処理図。 【図１０】データ分割手段の処理アルゴリズム。 【図１１】分割データベースの構成図。 【図１２】モデル構築手段の処理アルゴリズム。 【図１３】モデル評価手段の処理アルゴリズム。 【図１４】マンマシン装置の表示例。 【図１５】データ正規化手段を設けた制御モデル構築支
援装置の構成図。 【図１６】データ正規化手段の処理アルゴリズム。 【符号の説明】 １００…制御モデル構築支援装置、１０１…タスク起動
手段、１１１…データ収集手段、１１２…データ定量化
手段、１１３…データ圧縮手段、１１４…データ分割手
段、１１５…モデル構築手段、１１６…モデル評価手
段、１１７…モデル転送手段、１２１…第１のデータベ
ース、１２２…第２のデータベース、130…制御装置、
１４０…マンマシン装置、１７０…制御対象。
装置。 【図２】タスク起動手段の処理アルゴリズム。 【図３】データ収集手段の処理アルゴリズム。 【図４】データベースの構成図。 【図５】データ定量化手段の処理構成図。 【図６】データ定量化手段の処理アルゴリズム。 【図７】マンマシン装置の表示例。 【図８】データ圧縮手段の処理構成図。 【図９】量子化アルゴリズムの処理図。 【図１０】データ分割手段の処理アルゴリズム。 【図１１】分割データベースの構成図。 【図１２】モデル構築手段の処理アルゴリズム。 【図１３】モデル評価手段の処理アルゴリズム。 【図１４】マンマシン装置の表示例。 【図１５】データ正規化手段を設けた制御モデル構築支
援装置の構成図。 【図１６】データ正規化手段の処理アルゴリズム。 【符号の説明】 １００…制御モデル構築支援装置、１０１…タスク起動
手段、１１１…データ収集手段、１１２…データ定量化
手段、１１３…データ圧縮手段、１１４…データ分割手
段、１１５…モデル構築手段、１１６…モデル評価手
段、１１７…モデル転送手段、１２１…第１のデータベ
ース、１２２…第２のデータベース、130…制御装置、
１４０…マンマシン装置、１７０…制御対象。
─────────────────────────────────────────────────────
フロントページの続き
(72)発明者 吉田 正人
茨城県日立市大みか町五丁目２番１号
株式会社 日立製作所 大みか工場内
(72)発明者 杉田 洋一
茨城県日立市大みか町七丁目２番１号
株式会社 日立製作所 電力・電機開発
本部内
(72)発明者 諸岡 泰男
茨城県日立市大みか町七丁目２番１号
株式会社 日立製作所 電力・電機開発
本部内
(56)参考文献 特開 平６−281302（ＪＰ，Ａ)
特開 平６−168222（ＪＰ，Ａ)
特開 平５−296923（ＪＰ，Ａ)
特開 平３−100704（ＪＰ，Ａ)
特開 平４−14105（ＪＰ，Ａ)
特開 平８−137508（ＪＰ，Ａ)
特開 平６−214611（ＪＰ，Ａ)
(58)調査した分野(Int.Cl.7，ＤＢ名)
G05B 13/02 - 13/04
G06F 17/00
Claims (1)
- (57)【特許請求の範囲】 【請求項１】制御対象から収集したデータを該制御対象
を模擬する制御モデルへの入力データ及び出力データと
して分離すると共に該入力データと該出力データを対応
づけて複数のデータを第１のデータベースに格納するデ
ータ収集手段と、 前記第１のデータベースに格納された複数のデータを統
計的に隔たりのない複数のデータ群に分離するデータ分
割手段と、 該分離された複数のデータ群をそれぞれ格納する複数の
データベースを有する第２のデータベースと、 前記第２のデータベースに格納されたデータに基づいて
前記制御対象を模擬する制御モデルを構築するモデル構
築手段と、 該モデル構築手段で構築された前記制御モデルを前記第
２のデータベースに格納されたデータに基づいて評価す
るモデル評価手段を備えており、 前記モデル構築手段は前記第２のデータベースが有する
該複数のデータベースに格納された複数のデータに基づ
いて前記制御対象を模擬する複数の制御モデルを構築
し、 前記モデル評価手段は該第２のデータベースが有する複
数のデータベースのうち前記モデル構築手段で利用され
ていない他のデータベースに格納されているデータに基
づいて前記制御モデルの評価を行い、前記構築された複
数の制御モデルから１つの制御モデルを決定することを
特徴とした制御モデル構築支援装置。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5577196A JP3412384B2 (ja) | 1996-03-13 | 1996-03-13 | 制御モデル構築支援装置 |
| TW086102151A TW327682B (en) | 1996-03-13 | 1997-02-22 | A control model modeling support system and modeling method thereof |
| US08/811,095 US6049738A (en) | 1996-03-13 | 1997-03-03 | Control model modeling support system and a method therefor |
| KR1019970007731A KR100331605B1 (ko) | 1996-03-13 | 1997-03-07 | 제어모델구축지원장치및방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5577196A JP3412384B2 (ja) | 1996-03-13 | 1996-03-13 | 制御モデル構築支援装置 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2002256279A Division JP3755497B2 (ja) | 2002-09-02 | 2002-09-02 | 制御モデル構築支援装置および方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH09244705A JPH09244705A (ja) | 1997-09-19 |
| JP3412384B2 true JP3412384B2 (ja) | 2003-06-03 |
Family
ID=13008144
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5577196A Expired - Fee Related JP3412384B2 (ja) | 1996-03-13 | 1996-03-13 | 制御モデル構築支援装置 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US6049738A (ja) |
| JP (1) | JP3412384B2 (ja) |
| KR (1) | KR100331605B1 (ja) |
| TW (1) | TW327682B (ja) |
Families Citing this family (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| BR9709926A (pt) * | 1996-06-21 | 1999-08-10 | Siemens Ag | Processo e sistema para o início de operacão de instalações indústrias em especial de indústrias de matéria-prima |
| JP3211878B2 (ja) * | 1998-03-06 | 2001-09-25 | 日本電気株式会社 | 通信処理制御手段及びそれを備えた情報処理装置 |
| US6957172B2 (en) * | 2000-03-09 | 2005-10-18 | Smartsignal Corporation | Complex signal decomposition and modeling |
| US6558153B2 (en) | 2000-03-31 | 2003-05-06 | Aqua-Chem, Inc. | Low pollution emission burner |
| US7113834B2 (en) * | 2000-06-20 | 2006-09-26 | Fisher-Rosemount Systems, Inc. | State based adaptive feedback feedforward PID controller |
| US8280533B2 (en) * | 2000-06-20 | 2012-10-02 | Fisher-Rosemount Systems, Inc. | Continuously scheduled model parameter based adaptive controller |
| US6577908B1 (en) * | 2000-06-20 | 2003-06-10 | Fisher Rosemount Systems, Inc | Adaptive feedback/feedforward PID controller |
| US7233886B2 (en) * | 2001-01-19 | 2007-06-19 | Smartsignal Corporation | Adaptive modeling of changed states in predictive condition monitoring |
| US20040030667A1 (en) * | 2002-08-02 | 2004-02-12 | Capital One Financial Corporation | Automated systems and methods for generating statistical models |
| US7376472B2 (en) | 2002-09-11 | 2008-05-20 | Fisher-Rosemount Systems, Inc. | Integrated model predictive control and optimization within a process control system |
| DE10341764B4 (de) | 2002-09-11 | 2019-01-10 | Fisher-Rosemount Systems, Inc. | Integrierte Modell-Vorhersagesteuerung und -Optimierung innerhalb eines Prozesssteuerungssystems |
| JP4391789B2 (ja) * | 2003-10-03 | 2009-12-24 | 本田技研工業株式会社 | モデルパラメータを部分的に同定する同定器を備えた、プラントを制御する制御装置 |
| US7317953B2 (en) * | 2003-12-03 | 2008-01-08 | Fisher-Rosemount Systems, Inc. | Adaptive multivariable process controller using model switching and attribute interpolation |
| US20060229921A1 (en) * | 2005-04-08 | 2006-10-12 | Mr. Patrick Colbeck | Business Control System |
| US7451004B2 (en) * | 2005-09-30 | 2008-11-11 | Fisher-Rosemount Systems, Inc. | On-line adaptive model predictive control in a process control system |
| US7444191B2 (en) | 2005-10-04 | 2008-10-28 | Fisher-Rosemount Systems, Inc. | Process model identification in a process control system |
| US8036760B2 (en) | 2005-10-04 | 2011-10-11 | Fisher-Rosemount Systems, Inc. | Method and apparatus for intelligent control and monitoring in a process control system |
| US7738975B2 (en) * | 2005-10-04 | 2010-06-15 | Fisher-Rosemount Systems, Inc. | Analytical server integrated in a process control network |
| US8509926B2 (en) | 2005-12-05 | 2013-08-13 | Fisher-Rosemount Systems, Inc. | Self-diagnostic process control loop for a process plant |
| JP4639166B2 (ja) * | 2006-05-18 | 2011-02-23 | 本田技研工業株式会社 | 制御装置 |
| US8275577B2 (en) | 2006-09-19 | 2012-09-25 | Smartsignal Corporation | Kernel-based method for detecting boiler tube leaks |
| US8311774B2 (en) | 2006-12-15 | 2012-11-13 | Smartsignal Corporation | Robust distance measures for on-line monitoring |
| JP5192476B2 (ja) * | 2009-10-22 | 2013-05-08 | 株式会社日立製作所 | 作業支援システム、作業支援方法、および作業支援プログラム |
| JP5751045B2 (ja) * | 2010-08-31 | 2015-07-22 | 富士電機株式会社 | プラントの運転条件最適化システム、プラントの運転条件最適化方法、プラントの運転条件最適化プログラム |
| WO2012081784A1 (ko) * | 2010-12-13 | 2012-06-21 | 한국철도기술연구원 | 차량 내 감시장치의 검지데이터에 대한 데이터 축소 방법 및 그 방법에 의한 차량의 준실시간 결함 감시 방법 |
| US10679140B2 (en) * | 2014-10-06 | 2020-06-09 | Seagate Technology Llc | Dynamically modifying a boundary of a deep learning network |
| WO2017141517A1 (ja) * | 2016-02-17 | 2017-08-24 | ソニー株式会社 | 情報処理方法および情報処理装置 |
| DE102016207740A1 (de) * | 2016-05-04 | 2017-11-09 | Siemens Aktiengesellschaft | Verfahren zum Bestimmen eines Modells |
| JP6602510B2 (ja) | 2017-05-31 | 2019-11-06 | 三菱電機株式会社 | データ複製装置 |
| JP6966245B2 (ja) * | 2017-07-12 | 2021-11-10 | アズビル株式会社 | 支援装置および支援方法 |
| US11560908B2 (en) | 2019-05-13 | 2023-01-24 | Caterpillar Inc. | Control mapping for hydraulic machines |
| TWI708128B (zh) * | 2019-09-04 | 2020-10-21 | 中國鋼鐵股份有限公司 | 製程參數的調控方法與電子裝置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2551166B2 (ja) * | 1989-09-13 | 1996-11-06 | 横河電機株式会社 | プロセス制御装置 |
| JPH0414105A (ja) * | 1990-05-08 | 1992-01-20 | Toshiba Corp | プロセス制御装置 |
| US5282261A (en) * | 1990-08-03 | 1994-01-25 | E. I. Du Pont De Nemours And Co., Inc. | Neural network process measurement and control |
| JP2741376B2 (ja) * | 1992-04-18 | 1998-04-15 | 株式会社堀場製作所 | 分光分析における多成分分析方法 |
| JP3028390B2 (ja) * | 1993-03-26 | 2000-04-04 | 株式会社山武 | 冷凍機の稼働エネルギー量推定装置 |
| JPH06168222A (ja) * | 1992-11-30 | 1994-06-14 | Toshiba Corp | プラントのシミュレーション装置 |
| JP3229413B2 (ja) * | 1993-01-19 | 2001-11-19 | 旭化成株式会社 | プロセス制御システムおよびその運転条件作成方法 |
| JPH08137508A (ja) * | 1994-09-14 | 1996-05-31 | Toshiba Corp | モデリング装置および制御装置 |
-
1996
- 1996-03-13 JP JP5577196A patent/JP3412384B2/ja not_active Expired - Fee Related
-
1997
- 1997-02-22 TW TW086102151A patent/TW327682B/zh not_active IP Right Cessation
- 1997-03-03 US US08/811,095 patent/US6049738A/en not_active Expired - Fee Related
- 1997-03-07 KR KR1019970007731A patent/KR100331605B1/ko not_active IP Right Cessation
Also Published As
| Publication number | Publication date |
|---|---|
| KR100331605B1 (ko) | 2002-09-26 |
| TW327682B (en) | 1998-03-01 |
| JPH09244705A (ja) | 1997-09-19 |
| US6049738A (en) | 2000-04-11 |
| KR970066949A (ko) | 1997-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3412384B2 (ja) | 制御モデル構築支援装置 | |
| Gai et al. | A joint feedback strategy for consensus in large-scale group decision making under social network | |
| CN109992921B (zh) | 一种燃煤电厂锅炉热效率的在线软测量方法及系统 | |
| CN110739031B (zh) | 一种冶金烧结过程的有监督预测方法、装置及存储介质 | |
| US6985781B2 (en) | Residual activation neural network | |
| US6363289B1 (en) | Residual activation neural network | |
| CN107832789B (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 | |
| CN115470595A (zh) | 一种数据与机理融合的热轧带钢凸度预测方法 | |
| CN117195747A (zh) | 一种磁性材料烘干用均匀热分布优化方法 | |
| CN114417664B (zh) | 一种基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法 | |
| JP3377163B2 (ja) | 自律的制御システム | |
| CN113569374B (zh) | 钢铁产品可制造性评估的方法和系统 | |
| JP3875875B2 (ja) | 製造プロセスにおける操業分析装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記憶媒体 | |
| CN112686367A (zh) | 一种新型归一化机制 | |
| JP3755497B2 (ja) | 制御モデル構築支援装置および方法 | |
| CN116776675A (zh) | 基于数字孪生的产品塑性加工前转运阶段温度预测的方法 | |
| JP2006099793A (ja) | 制御モデル構築支援装置および方法 | |
| CN113609772B (zh) | 基于卷积准循环神经网络的水泥成品比表面积预测方法 | |
| Araujo et al. | Hybrid intelligent design of morphological-rank-linear perceptrons for software development cost estimation | |
| CN110110906B (zh) | 一种基于Efron近似优化的生存风险建模方法 | |
| JP6992733B2 (ja) | 情報処理装置、および情報処理方法 | |
| JP2722906B2 (ja) | 未知数量推定方法およびその装置 | |
| JPH0538511A (ja) | タンデム圧延機のドラフトスケジユールの決定方法 | |
| US20040039556A1 (en) | Filter models for dynamic control of complex processes | |
| JP2003036277A (ja) | 材料データ提供システム、材料データ提供装置、材料データ取得装置、材料データ提供方法、記録媒体、及びプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090328 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090328 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100328 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110328 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110328 Year of fee payment: 8 |
|
| LAPS | Cancellation because of no payment of annual fees |