JP3523891B2 - プロセス制御装置及び方法 - Google Patents
プロセス制御装置及び方法Info
- Publication number
- JP3523891B2 JP3523891B2 JP22929893A JP22929893A JP3523891B2 JP 3523891 B2 JP3523891 B2 JP 3523891B2 JP 22929893 A JP22929893 A JP 22929893A JP 22929893 A JP22929893 A JP 22929893A JP 3523891 B2 JP3523891 B2 JP 3523891B2
- Authority
- JP
- Japan
- Prior art keywords
- variable
- value
- control
- values
- disturbance
- 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 - Lifetime
Links
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
- 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
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D3/00—Distillation or related exchange processes in which liquids are contacted with gaseous media, e.g. stripping
- B01D3/42—Regulation; Control
- B01D3/4211—Regulation; Control of columns
- B01D3/425—Head-, bottom- and feed stream
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J19/0006—Controlling or regulating processes
- B01J19/0033—Optimalisation processes, i.e. processes with adaptive control systems
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Organic Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Feedback Control In General (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、プロセス制御環境にお
いて使用される制御システムに関する。具体的には、最
適目標出力を発展させて、非線形プロセスに対して現在
条件から所定目標条件までの最適経路(paths)をとる制
御システムに関する。より具体的には、最適化プロセス
において神経ネットワーク(neural networks)を利用し
た制御システムに関する。
いて使用される制御システムに関する。具体的には、最
適目標出力を発展させて、非線形プロセスに対して現在
条件から所定目標条件までの最適経路(paths)をとる制
御システムに関する。より具体的には、最適化プロセス
において神経ネットワーク(neural networks)を利用し
た制御システムに関する。
【０００２】
【従来技術の説明】多くの産業環境において、制御され
なければならない数多くのプロセスがある。その例とし
て、石油精製、化学プラント、発電所等が挙げられる。
例えば、石油精製において、原油供給原料が精製装置に
入り、数多くの蒸留又は反応プロセスを経て、一そろい
(panoply)の炭化水素ストリームが出力(アウトプット)
される。個々のプロセスは基本的に制御されなければな
らず、そうしないと災害が生じる。許容できる出力を得
るためには、この基本的基準以上に、各プロセスは適切
に制御されなければならない。
なければならない数多くのプロセスがある。その例とし
て、石油精製、化学プラント、発電所等が挙げられる。
例えば、石油精製において、原油供給原料が精製装置に
入り、数多くの蒸留又は反応プロセスを経て、一そろい
(panoply)の炭化水素ストリームが出力(アウトプット)
される。個々のプロセスは基本的に制御されなければな
らず、そうしないと災害が生じる。許容できる出力を得
るためには、この基本的基準以上に、各プロセスは適切
に制御されなければならない。
【０００３】各プロセスは、入力組成物、供給量及び供
給原料温度のように、数多くの入力（インプット）、即
ち外乱変数（disturbance variables）を有している。
種々の出力ストリームの特性のように、数多くの出力、
即ち制御変数(controlled variables)も存在する。プロ
セス制御を行なうために、加熱量、冷却量及び再循環量
のように設定可能なアイテム、即ち操作変数(manipulat
ed variables)も存在する。
給原料温度のように、数多くの入力（インプット）、即
ち外乱変数（disturbance variables）を有している。
種々の出力ストリームの特性のように、数多くの出力、
即ち制御変数(controlled variables)も存在する。プロ
セス制御を行なうために、加熱量、冷却量及び再循環量
のように設定可能なアイテム、即ち操作変数(manipulat
ed variables)も存在する。
【０００４】従来、プロセス制御はフィードバック技術
を用いて行なわれていた。制御変数、即ち出力が測定さ
れ、所望値と比較される。もしエラーがあると、そのエ
ラーに基づいて、操作変数に変更が加えられる。時間の
遅延は物理システムにおいて致命的なものとなるため、
フィードバック制御では、プロセスの安定性に対する懸
念が問題の１つである。或はまた、出力をプロセスの適
切な制御に反映させるのが遅くなりすぎる傾向があり、
好ましくない。歴史的には、フィードバック制御に、比
例積分微分(ＰＩＤ)制御器が使用されてきた。ＰＩＤ制
御器では１つの入力変数と１つの出力変数をもつだけで
あるから、ＰＩＤ制御器を使用したとき、多変量の制御
をすることができない問題がある。さらに、経済的な制
御を容易に行なうことができない。現実の世界のシステ
ムは、数多くの制御変数、外乱変数及び操作変数を有す
るものが多い。ＰＩＤ制御器を非常に複雑に配置するこ
とは可能であるが、シャー(sheer)が複雑であるため、
信頼性及びテスト可能性に限界があり、最適制御の決定
などはできない。
を用いて行なわれていた。制御変数、即ち出力が測定さ
れ、所望値と比較される。もしエラーがあると、そのエ
ラーに基づいて、操作変数に変更が加えられる。時間の
遅延は物理システムにおいて致命的なものとなるため、
フィードバック制御では、プロセスの安定性に対する懸
念が問題の１つである。或はまた、出力をプロセスの適
切な制御に反映させるのが遅くなりすぎる傾向があり、
好ましくない。歴史的には、フィードバック制御に、比
例積分微分(ＰＩＤ)制御器が使用されてきた。ＰＩＤ制
御器では１つの入力変数と１つの出力変数をもつだけで
あるから、ＰＩＤ制御器を使用したとき、多変量の制御
をすることができない問題がある。さらに、経済的な制
御を容易に行なうことができない。現実の世界のシステ
ムは、数多くの制御変数、外乱変数及び操作変数を有す
るものが多い。ＰＩＤ制御器を非常に複雑に配置するこ
とは可能であるが、シャー(sheer)が複雑であるため、
信頼性及びテスト可能性に限界があり、最適制御の決定
などはできない。
【０００５】フィードフォワード技術を用いて幾つかの
成功が収められている。これらの技術を用いて、プロセ
スの線形モデルの制御が行なわれ、操作変数に対して様
々な変更がシミュレートされている。シミュレーション
では、フィードバック制御よりも応答時間は速く、モデ
ルは、プロセスの主たる外乱、操作及び制御変数を全て
利用して、多変量制御が可能である。外乱(妨害)、即ち
入力変数を用いることにより、制御変数を得ることがで
きる。それらは、一般的に、外乱変数が測定された位置
よりも下流にあり、フィードフォワード定義に導かれ
る。しかしながら、今までのフィードフォワード技術、
モデルシミュレーション技術は大きな制限がある。それ
らは、主として線形又は線形化されたシステムで作動す
るもので、線形モデルが作られる。しかし、より複雑な
プロセスの大部分は、本来的に非線形である。さらに、
モデルは、プロセスに小さな変更があった場合に、新し
く置き換えることができない。このため、線形モデルシ
ミュレーションを利用するとき、精度及び／又は範囲は
犠牲にされる。
成功が収められている。これらの技術を用いて、プロセ
スの線形モデルの制御が行なわれ、操作変数に対して様
々な変更がシミュレートされている。シミュレーション
では、フィードバック制御よりも応答時間は速く、モデ
ルは、プロセスの主たる外乱、操作及び制御変数を全て
利用して、多変量制御が可能である。外乱(妨害)、即ち
入力変数を用いることにより、制御変数を得ることがで
きる。それらは、一般的に、外乱変数が測定された位置
よりも下流にあり、フィードフォワード定義に導かれ
る。しかしながら、今までのフィードフォワード技術、
モデルシミュレーション技術は大きな制限がある。それ
らは、主として線形又は線形化されたシステムで作動す
るもので、線形モデルが作られる。しかし、より複雑な
プロセスの大部分は、本来的に非線形である。さらに、
モデルは、プロセスに小さな変更があった場合に、新し
く置き換えることができない。このため、線形モデルシ
ミュレーションを利用するとき、精度及び／又は範囲は
犠牲にされる。
【０００６】このため、非線形システムに対して、広範
囲に亘って高精度て速やかにフィードフォワード制御を
行なうことのできる制御システムが好ましい。
囲に亘って高精度て速やかにフィードフォワード制御を
行なうことのできる制御システムが好ましい。
【０００７】
【発明の要旨】本発明は、非線形システムに対して正確
なフィードフォワード制御を行なうことのできる制御シ
ステムである。最適化技術が使用されて、外乱変数値、
種々の変数限界及び経済的理由に基づいて、最適な目標
操作変数値及び目標制御変数値が求められ、また、操作
変数の現在の設定値から必要な設定値までの最適な経路
(パス)が求められて、目標制御変数値が得られる。神経
ネットワークを用いて、制御されているプロセスをモデ
ル化し、非線形動作が可能となる。さらに、神経ネット
ワークは、目標最適化に使用するための定常状態出力(s
teady state outputs)、又は経路の最適化に使用される
次回のステップ出力のどちらかの出力を供給できるよう
に設計される。
なフィードフォワード制御を行なうことのできる制御シ
ステムである。最適化技術が使用されて、外乱変数値、
種々の変数限界及び経済的理由に基づいて、最適な目標
操作変数値及び目標制御変数値が求められ、また、操作
変数の現在の設定値から必要な設定値までの最適な経路
(パス)が求められて、目標制御変数値が得られる。神経
ネットワークを用いて、制御されているプロセスをモデ
ル化し、非線形動作が可能となる。さらに、神経ネット
ワークは、目標最適化に使用するための定常状態出力(s
teady state outputs)、又は経路の最適化に使用される
次回のステップ出力のどちらかの出力を供給できるよう
に設計される。
【０００８】本発明にかかる制御システムは、４つの主
要構成要素、即ち、目標オプティマイザー(target opti
mizer)、経路オプティマイザー(path optimizer)、神経
ネットワークの適応制御部(adaptation controller)、
及び３つの全てに利用される神経ネットワークを有して
いる。２つのオプティマイザーは順次二次計画法(ＳＱ
Ｐ)を利用して、モデル化目的のために神経ネットワー
クに供給される様々な値を決定する。解に至るまでの種
々の繰返し中において、変動は実現可能な値だけを使用
することが望ましく、これは、ＦＳＱＰと称される。
要構成要素、即ち、目標オプティマイザー(target opti
mizer)、経路オプティマイザー(path optimizer)、神経
ネットワークの適応制御部(adaptation controller)、
及び３つの全てに利用される神経ネットワークを有して
いる。２つのオプティマイザーは順次二次計画法(ＳＱ
Ｐ)を利用して、モデル化目的のために神経ネットワー
クに供給される様々な値を決定する。解に至るまでの種
々の繰返し中において、変動は実現可能な値だけを使用
することが望ましく、これは、ＦＳＱＰと称される。
【０００９】目標オプティマイザーでは、制御変数は、
システムの種々の制約条件に応じて、経済的に最も好ま
しい出力を得るために最適化される。出力ストリームの
値の合計から操業コストの合計を引いたものが最適化さ
れる。その他にも、特定のシステムに応じて、その他の
特性も最適化することができる。ＦＳＱＰ部は、起こり
得る操作変数値を提供する。これらの値は、神経ネット
ワーク中で外乱変数値と共に用いられ、出力が作り出さ
れる。神経ネットワークは、各操作変数及び各外乱変数
について複数の設定値を、入力として受け取ることがで
きるように設計される。この場合、各操作変数及び各外
乱変数について、値は全て等しくなるように設定され
て、定常状態の制御変数値が作られる。制御変数と、操
作変数に関する関連コストの出力は、経済的な値が得ら
れるように処理される。全体のプロセスは、次に、ＦＳ
ＱＰ部によって供給される新たな操作変数値を用いて繰
り返される。この反復プロセスは、最適な解(solution)
に発展する(develop)まで続けられる。もし、最適な解
まで発展しない場合、実現可能限界に関するある種の制
限が、除去、又は変更された後、最適の解が得られるま
でプロセスは繰り返し行なわれる。
システムの種々の制約条件に応じて、経済的に最も好ま
しい出力を得るために最適化される。出力ストリームの
値の合計から操業コストの合計を引いたものが最適化さ
れる。その他にも、特定のシステムに応じて、その他の
特性も最適化することができる。ＦＳＱＰ部は、起こり
得る操作変数値を提供する。これらの値は、神経ネット
ワーク中で外乱変数値と共に用いられ、出力が作り出さ
れる。神経ネットワークは、各操作変数及び各外乱変数
について複数の設定値を、入力として受け取ることがで
きるように設計される。この場合、各操作変数及び各外
乱変数について、値は全て等しくなるように設定され
て、定常状態の制御変数値が作られる。制御変数と、操
作変数に関する関連コストの出力は、経済的な値が得ら
れるように処理される。全体のプロセスは、次に、ＦＳ
ＱＰ部によって供給される新たな操作変数値を用いて繰
り返される。この反復プロセスは、最適な解(solution)
に発展する(develop)まで続けられる。もし、最適な解
まで発展しない場合、実現可能限界に関するある種の制
限が、除去、又は変更された後、最適の解が得られるま
でプロセスは繰り返し行なわれる。
【００１０】目標制御変数値及び関係する操作変数値は
最適結果を提供するもので、経路オプティマイザーに供
給され、操作変数は現在値から最適出力を得るのに必要
な値に調整される。再び、最適出力が要求される。この
場合、実際の制御変数値と、一連の時間ステップ、及び
操作変数移動積極性ファクター(manipulated variable
move aggressiveness factor)の所望値との間の誤差(エ
ラー)の二乗値の合計が、目的関数(objective functio
n)として最小化される。ＦＳＱＰ部は様々な操作変数限
界を受け取り、様々な操作変数値を発展させて現在値か
ら所望値に移動させる。これらの値は、神経ネットワー
クにおける外乱変数と合成される。この場合、操作変数
と外乱変数の時間変動値が、神経ネットワークの複数の
操作変数及び外乱変数の入力に供給される。この結果、
神経ネットワークの出力は、次の時間ステップでは制御
変数の値となる。プロセスは、ＦＳＱＰ部によって展開
された操作変数値の組合せ毎に繰り返され、目標値が得
られるものと期待される。目標値に達すると、目的関数
の値は、その特定経路に対する操作変数値及び制御変数
値と共に記憶され、操作変数の変化に基づいて、目的関
数の勾配(gradient)が決定される。全体のプロセスは、
他の経路に対しても、現在値と所望値との間で再び繰り
返される。最適経路が得られた後、最適シーケンスの第
１の操作変数値が、実際のプロセスに適用される。
最適結果を提供するもので、経路オプティマイザーに供
給され、操作変数は現在値から最適出力を得るのに必要
な値に調整される。再び、最適出力が要求される。この
場合、実際の制御変数値と、一連の時間ステップ、及び
操作変数移動積極性ファクター(manipulated variable
move aggressiveness factor)の所望値との間の誤差(エ
ラー)の二乗値の合計が、目的関数(objective functio
n)として最小化される。ＦＳＱＰ部は様々な操作変数限
界を受け取り、様々な操作変数値を発展させて現在値か
ら所望値に移動させる。これらの値は、神経ネットワー
クにおける外乱変数と合成される。この場合、操作変数
と外乱変数の時間変動値が、神経ネットワークの複数の
操作変数及び外乱変数の入力に供給される。この結果、
神経ネットワークの出力は、次の時間ステップでは制御
変数の値となる。プロセスは、ＦＳＱＰ部によって展開
された操作変数値の組合せ毎に繰り返され、目標値が得
られるものと期待される。目標値に達すると、目的関数
の値は、その特定経路に対する操作変数値及び制御変数
値と共に記憶され、操作変数の変化に基づいて、目的関
数の勾配(gradient)が決定される。全体のプロセスは、
他の経路に対しても、現在値と所望値との間で再び繰り
返される。最適経路が得られた後、最適シーケンスの第
１の操作変数値が、実際のプロセスに適用される。
【００１１】経路最適化プロセスは、周期的に繰り返さ
れる。しかし、目標最適化プロセスは、種々の値に対す
るトリガ限界を超えたときにだけ起こる。従って、目標
最適化は頻繁に行なわれるのではなく、変化が経路オプ
ティマイザーに移されて、より安定した出力が得られ、
計算時間を実質的に短縮することができる。
れる。しかし、目標最適化プロセスは、種々の値に対す
るトリガ限界を超えたときにだけ起こる。従って、目標
最適化は頻繁に行なわれるのではなく、変化が経路オプ
ティマイザーに移されて、より安定した出力が得られ、
計算時間を実質的に短縮することができる。
【００１２】さらに、本発明にかかるシステムは、変化
する条件に合わせてその操作を微調整することができ
る。外乱変数、操作変数及び制御変数は全て、周期的に
サンプリングされる。サンプルデータが、神経ネットワ
ークの訓練(training)がスパース(sparse)である領域を
示すとき、即ち、高い動的状態(dynamic conditions)が
表示されると、神経ネットワークを訓練するために使用
される値の組合せに追加される。時間が経過すると、非
常に完全な訓練セットが集められ、神経ネットワーク係
数の最も良い値が作られる。オペレータのコマンドにつ
いて、神経ネットワークの再訓練を行なうことが望まし
い。再訓練は、新しいサンプルを所定個数受け取ったと
きに、自動的に開始させることもできる。新しい係数に
ついてチェックが行なわれ、これが承認されると、新し
い神経ネットワーク係数が利用に供され、追加された訓
練データに基づいて、プロセスの制御はより正確に行な
われる。
する条件に合わせてその操作を微調整することができ
る。外乱変数、操作変数及び制御変数は全て、周期的に
サンプリングされる。サンプルデータが、神経ネットワ
ークの訓練(training)がスパース(sparse)である領域を
示すとき、即ち、高い動的状態(dynamic conditions)が
表示されると、神経ネットワークを訓練するために使用
される値の組合せに追加される。時間が経過すると、非
常に完全な訓練セットが集められ、神経ネットワーク係
数の最も良い値が作られる。オペレータのコマンドにつ
いて、神経ネットワークの再訓練を行なうことが望まし
い。再訓練は、新しいサンプルを所定個数受け取ったと
きに、自動的に開始させることもできる。新しい係数に
ついてチェックが行なわれ、これが承認されると、新し
い神経ネットワーク係数が利用に供され、追加された訓
練データに基づいて、プロセスの制御はより正確に行な
われる。
【００１３】望ましい実施例として、前述した制御シス
テムを利用して、石油精製における脱ブタン塔(debutan
izer)を制御する例を挙げることができる。詳細を以下
に説明する。
テムを利用して、石油精製における脱ブタン塔(debutan
izer)を制御する例を挙げることができる。詳細を以下
に説明する。
【００１４】
【望ましい実施例の詳細な説明】図１に、望ましい実施
例の物理的システムの配管図を示している。望ましい実
施例は、石油精製装置における従来の脱ブタン塔(20)の
プロセス制御である。脱プロパン塔(22)は底部に出口パ
イプ(24)を有している。温度センサー(26)（熱電対が望
ましい）と圧力トランスデューサ(28)によって、パイプ
(24)内のストリーム(stream)の温度と圧力が測定され
る。更に、分析計(30)により、パイプ内のストリームの
Ｃ３炭化水素成分とＣ４炭化水素成分が測定される。ス
トリーム内のＣ３成分は、プロパン、プロパリン(propa
lyne)のような炭素原子数３の炭化水素組成物と考えら
れる。ストリーム内のＣ４成分は、ブタン、ブタリン(b
utalyne)、ブタジエンのような炭素原子数４の炭化水素
組成物であると考えられる。同じように、ストリーム内
のＣ５成分は、ペンタン、ペンタリン(pentalyne)、ペ
ンタジエンのような炭素原子数５の炭化水素組成物であ
ると考えられる。従来の分析計(30)はガスクロマトグラ
フであるが、望ましい実施例では、1992年8月25日付ア
メリカ出願の「制御システムに使用するプロセスシステ
ムのコンポーネントの濃度を推論する方法」に記載され
た推論技術に基づく分析計が望ましい。推論技術では、
脱プロパン塔(22)の泡立ち点(bubble point)近傍の物質
は、第１の位置で温度と圧力が測定され、膨張弁を通過
させて、ストリームの部分的なフラッシュ(flash)が行
なわせ、その温度と圧力が再測定される。ストリームの
一部が蒸発し、圧力と温度が変化するから、温度と圧力
について２組測定すると、データポイント数として十分
である。つまり、線形回帰技術を用いて３成分のうち２
つのパーセンテージを求めると、第３番目の成分は簡単
な引き算を行なって求めることができる。この推論はガ
スクロマトグラフよりも遥かに速いため、より望まし
い。
例の物理的システムの配管図を示している。望ましい実
施例は、石油精製装置における従来の脱ブタン塔(20)の
プロセス制御である。脱プロパン塔(22)は底部に出口パ
イプ(24)を有している。温度センサー(26)（熱電対が望
ましい）と圧力トランスデューサ(28)によって、パイプ
(24)内のストリーム(stream)の温度と圧力が測定され
る。更に、分析計(30)により、パイプ内のストリームの
Ｃ３炭化水素成分とＣ４炭化水素成分が測定される。ス
トリーム内のＣ３成分は、プロパン、プロパリン(propa
lyne)のような炭素原子数３の炭化水素組成物と考えら
れる。ストリーム内のＣ４成分は、ブタン、ブタリン(b
utalyne)、ブタジエンのような炭素原子数４の炭化水素
組成物であると考えられる。同じように、ストリーム内
のＣ５成分は、ペンタン、ペンタリン(pentalyne)、ペ
ンタジエンのような炭素原子数５の炭化水素組成物であ
ると考えられる。従来の分析計(30)はガスクロマトグラ
フであるが、望ましい実施例では、1992年8月25日付ア
メリカ出願の「制御システムに使用するプロセスシステ
ムのコンポーネントの濃度を推論する方法」に記載され
た推論技術に基づく分析計が望ましい。推論技術では、
脱プロパン塔(22)の泡立ち点(bubble point)近傍の物質
は、第１の位置で温度と圧力が測定され、膨張弁を通過
させて、ストリームの部分的なフラッシュ(flash)が行
なわせ、その温度と圧力が再測定される。ストリームの
一部が蒸発し、圧力と温度が変化するから、温度と圧力
について２組測定すると、データポイント数として十分
である。つまり、線形回帰技術を用いて３成分のうち２
つのパーセンテージを求めると、第３番目の成分は簡単
な引き算を行なって求めることができる。この推論はガ
スクロマトグラフよりも遥かに速いため、より望まし
い。
【００１５】パイプ(24)の更に下流には流量計(32)があ
る。パイプ(24)は次に弁(34)に繋がっており、弁の開閉
は、脱プロパン塔(22)内の液面レベルに応じてレベルコ
ントローラによって制御される。供給管(36)を、弁(34)
から脱ブタン塔(20)まで設けている。供給管(36)は、脱
ブタン塔(20)の半分くらい上がった位置に挿入すること
が望ましい。温度センサー(38)(ここでも熱電対が望ま
しい)と圧力センサー(40)によって、脱ブタン塔(20)に
供給されるストリームの温度と圧力が求められる。脱ブ
タン塔(20)は、かかる装置において一般的に使用される
一連のトレイを有している。脱ブタン塔システムは、基
本的に２つのアウトプット(出力)ストリームを作るもの
で、その１つはＣ４生成物(product)であり、他の１つ
はＣ５生成物である。
る。パイプ(24)は次に弁(34)に繋がっており、弁の開閉
は、脱プロパン塔(22)内の液面レベルに応じてレベルコ
ントローラによって制御される。供給管(36)を、弁(34)
から脱ブタン塔(20)まで設けている。供給管(36)は、脱
ブタン塔(20)の半分くらい上がった位置に挿入すること
が望ましい。温度センサー(38)(ここでも熱電対が望ま
しい)と圧力センサー(40)によって、脱ブタン塔(20)に
供給されるストリームの温度と圧力が求められる。脱ブ
タン塔(20)は、かかる装置において一般的に使用される
一連のトレイを有している。脱ブタン塔システムは、基
本的に２つのアウトプット(出力)ストリームを作るもの
で、その１つはＣ４生成物(product)であり、他の１つ
はＣ５生成物である。
【００１６】Ｃ５生成物は、脱ブタン塔(20)の底部から
得られる。底パイプ(42)は、脱ブタン塔(20)の底部か
ら、底部弁(44)に接続されている。底部弁(44)の開閉
は、脱ブタン塔(20)内の液面レベルに応じて、レベルコ
ントローラによって制御されるから、液面レベルが低く
なりすぎたり、高くなりすぎることはない。パイプ(46)
は、弁(44)から、精製プロセスの次なる場所、即ちＣ５
生成物を利用して操業を行なう所まで接続される。パイ
プ(46)に供給されるストリームは、プロセスのアウトプ
ットであると考えられる。Ｃ５生成物のストリーム内に
おけるＣ４物質の濃度を求めるための分析計(48)がパイ
プ(46)に接続される。
得られる。底パイプ(42)は、脱ブタン塔(20)の底部か
ら、底部弁(44)に接続されている。底部弁(44)の開閉
は、脱ブタン塔(20)内の液面レベルに応じて、レベルコ
ントローラによって制御されるから、液面レベルが低く
なりすぎたり、高くなりすぎることはない。パイプ(46)
は、弁(44)から、精製プロセスの次なる場所、即ちＣ５
生成物を利用して操業を行なう所まで接続される。パイ
プ(46)に供給されるストリームは、プロセスのアウトプ
ットであると考えられる。Ｃ５生成物のストリーム内に
おけるＣ４物質の濃度を求めるための分析計(48)がパイ
プ(46)に接続される。
【００１７】更に、脱ブタン塔(20)の底部から出た物質
は、再加熱又は再沸騰が行なわれて、脱ブタン塔(20)に
戻される。再沸騰用の出口管は、脱ブタン塔(20)の底部
近傍を出て、熱交換器(52)を経由して、戻り管(54)に繋
がっている。戻り管(54)は、脱ブタン塔(20)の出口管(5
0)よりも高い位置にある。50ポンドのスチームがライン
(56)を通って、流量センサー(58)から弁(60)に供給され
る。弁(60)の開閉は、流量コントローラによって、流量
計(58)によって測定された流量に基づいて所定の設定値
に制御される。弁(60)の出力は熱交換器(52)に供給さ
れ、その熱を用いて、脱ブタン塔(20)から出された物質
を再沸騰する。
は、再加熱又は再沸騰が行なわれて、脱ブタン塔(20)に
戻される。再沸騰用の出口管は、脱ブタン塔(20)の底部
近傍を出て、熱交換器(52)を経由して、戻り管(54)に繋
がっている。戻り管(54)は、脱ブタン塔(20)の出口管(5
0)よりも高い位置にある。50ポンドのスチームがライン
(56)を通って、流量センサー(58)から弁(60)に供給され
る。弁(60)の開閉は、流量コントローラによって、流量
計(58)によって測定された流量に基づいて所定の設定値
に制御される。弁(60)の出力は熱交換器(52)に供給さ
れ、その熱を用いて、脱ブタン塔(20)から出された物質
を再沸騰する。
【００１８】フィードストリーム内のＣ４及びＣ３生成
物は、Ｃ５生成物よりも軽く、脱ブタン塔(20)の上部か
ら除去される。上部パイプ(62)は脱ブタン塔(20)の頂部
を出て、熱交換器(64)に接続される。Ｃ３及びＣ５生成
物の濃度を測定する分析計(66)は、上部パイプ(62)に接
続することが望ましい。冷却水が熱交換器(64)を通過し
ており、脱ブタン塔(20)の上部から出た物質を凝縮し、
温度を低下させる。パイプ(67)は、熱交換器(64)からサ
ージタンク(68)に接続されており、該パイプを通じて冷
却されたストリームが運ばれる。通気管(70)はサージタ
ンク(68)の頂部に設けられ、熱交換器内(64)内で過冷(s
ub-cool)した後、まだ気化状態にあるＣ３成分を運ぶ。
パイプ(72)はサージタンク(68)の底部からポンプ(74)に
接続され、その出口はパイプ(76)に接続される。温度セ
ンサー(71)は、パイプ(72)(71)のストリームの温度を測
定する。
物は、Ｃ５生成物よりも軽く、脱ブタン塔(20)の上部か
ら除去される。上部パイプ(62)は脱ブタン塔(20)の頂部
を出て、熱交換器(64)に接続される。Ｃ３及びＣ５生成
物の濃度を測定する分析計(66)は、上部パイプ(62)に接
続することが望ましい。冷却水が熱交換器(64)を通過し
ており、脱ブタン塔(20)の上部から出た物質を凝縮し、
温度を低下させる。パイプ(67)は、熱交換器(64)からサ
ージタンク(68)に接続されており、該パイプを通じて冷
却されたストリームが運ばれる。通気管(70)はサージタ
ンク(68)の頂部に設けられ、熱交換器内(64)内で過冷(s
ub-cool)した後、まだ気化状態にあるＣ３成分を運ぶ。
パイプ(72)はサージタンク(68)の底部からポンプ(74)に
接続され、その出口はパイプ(76)に接続される。温度セ
ンサー(71)は、パイプ(72)(71)のストリームの温度を測
定する。
【００１９】パイプ(76)のティーは、一方が、流量計(7
8)を通り、環流弁(80)に通じている。環流弁(80)は、流
量コントローラにより、流量計(78)によって測定された
流量を基にして、所定の設定値に制御される。パイプ(8
2)は、弁(80)と脱ブタン塔(20)の頂部近傍位置に接続さ
れ、必要に応じてストリームの環流(reflux)を行なうこ
とができるようにしている。パイプ(76)のティーの第２
の部分は、流量計(84)を通り、出口弁(86)に通じてい
る。出口弁(86)は、脱ブタン塔(20)の略中央部における
圧力の読み値を基にして制御を行なう圧力制御弁であ
る。弁(86)の出口はパイプ(88)に接続される。パイプ(8
8)は、Ｃ４生成物のアウトプットを受け取るチェーン(c
hain)の次のアイテムまで及んでいる。これは、脱ブタ
ン塔の配管を簡素化して説明したものである。
8)を通り、環流弁(80)に通じている。環流弁(80)は、流
量コントローラにより、流量計(78)によって測定された
流量を基にして、所定の設定値に制御される。パイプ(8
2)は、弁(80)と脱ブタン塔(20)の頂部近傍位置に接続さ
れ、必要に応じてストリームの環流(reflux)を行なうこ
とができるようにしている。パイプ(76)のティーの第２
の部分は、流量計(84)を通り、出口弁(86)に通じてい
る。出口弁(86)は、脱ブタン塔(20)の略中央部における
圧力の読み値を基にして制御を行なう圧力制御弁であ
る。弁(86)の出口はパイプ(88)に接続される。パイプ(8
8)は、Ｃ４生成物のアウトプットを受け取るチェーン(c
hain)の次のアイテムまで及んでいる。これは、脱ブタ
ン塔の配管を簡素化して説明したものである。
【００２０】脱ブタン塔の制御ストリームにおける種々
の外乱変数には、流量計(32)によって測定されたフィー
ドストリームの流量、温度センサー(38)によって測定さ
れたフィードストリームの温度、分析計(30)によって求
められたＣ３成分及びＣ４成分の濃度、パイプ(72)に接
続された温度センサー(71)によって測定された環流スト
リームの温度が含まれる。プロセスの制御変数は、脱ブ
タン塔(20)の頂部から出たＣ５物質の濃度(分析計(66)
によって測定)と、パイプ(46)の中を通るＣ５生成物ス
トリームのＣ４濃度(分析計(48)によって測定)である。
操作変数は、流量計(78)で求められて弁(80)で設定され
た環流流量と、流量計(58)で測定されて弁(60)で設定さ
れた再沸スチームの流量と、弁(86)によって制御された
脱ブタン塔(20)内の圧力である。弁(60)(80)(86)は各々
が、これに関連してコントローラを有しており、このコ
ントローラの設定値は、プロセスの制御操作を実行する
ために調節可能である。
の外乱変数には、流量計(32)によって測定されたフィー
ドストリームの流量、温度センサー(38)によって測定さ
れたフィードストリームの温度、分析計(30)によって求
められたＣ３成分及びＣ４成分の濃度、パイプ(72)に接
続された温度センサー(71)によって測定された環流スト
リームの温度が含まれる。プロセスの制御変数は、脱ブ
タン塔(20)の頂部から出たＣ５物質の濃度(分析計(66)
によって測定)と、パイプ(46)の中を通るＣ５生成物ス
トリームのＣ４濃度(分析計(48)によって測定)である。
操作変数は、流量計(78)で求められて弁(80)で設定され
た環流流量と、流量計(58)で測定されて弁(60)で設定さ
れた再沸スチームの流量と、弁(86)によって制御された
脱ブタン塔(20)内の圧力である。弁(60)(80)(86)は各々
が、これに関連してコントローラを有しており、このコ
ントローラの設定値は、プロセスの制御操作を実行する
ために調節可能である。
【００２１】図２は、図１の脱ブタン塔(20)と共に使用
する制御システムの基本ブロック図を示している。制御
システム(100)は、目標オプティマイザー(102)、経路オ
プティマイザー(104)及び適応制御部(106)の３つの主要
な部分を有している。なお、図２において、ＤＶ'Ｓは
外乱変数、ＣＶ'Ｓは制御変数、ＭＶ'Ｓは操作変数を表
わしている。制御システム(100)への入力は、外乱変
数、制御変数、及び最適化プロセスに利用される一連の
その他パラメータである。これら種々雑多な入力(図
中、ＭＩＳＣ．として示す)には、Ｃ４及びＣ５生成物
についてある量の値、望ましくはコスト曲線又はコスト
表の値が含まれる。この値は、例えばリボイル操作に利
用されたスチーム50ポンドの価格、熱交換器(64)に利用
された冷却水の価格が挙げられる。最適化操作の制御を
行なうために、様々な操作量にはある物理的限界がある
と理解されており、環流流量限界、再沸スチーム量限界
及び塔の圧力限界が、制御システム(100)に入力され
る。さらに、最大ステップサイズに関する下記の説明理
由により、変化の移り変り(transition)を滑らかにでき
るようにするために、操作変数の変化量限界が入力され
る。出力ストリーム不純物に対する目標限界もある。そ
れは、最適と考えられるべき出力に対するもので、底部
のＣ４濃度即ちＣ５生成物のアウトプットと、上部(ove
rhead)のＣ５濃度即ちＣ４生成物のアウトプットであ
る。さらに、その他の入力として、外乱変数トリガー値
が含まれるが、これについては、目標最適化プロセスを
開始するのに必要な外乱変数の様々な変化量との関係で
後述する。
する制御システムの基本ブロック図を示している。制御
システム(100)は、目標オプティマイザー(102)、経路オ
プティマイザー(104)及び適応制御部(106)の３つの主要
な部分を有している。なお、図２において、ＤＶ'Ｓは
外乱変数、ＣＶ'Ｓは制御変数、ＭＶ'Ｓは操作変数を表
わしている。制御システム(100)への入力は、外乱変
数、制御変数、及び最適化プロセスに利用される一連の
その他パラメータである。これら種々雑多な入力(図
中、ＭＩＳＣ．として示す)には、Ｃ４及びＣ５生成物
についてある量の値、望ましくはコスト曲線又はコスト
表の値が含まれる。この値は、例えばリボイル操作に利
用されたスチーム50ポンドの価格、熱交換器(64)に利用
された冷却水の価格が挙げられる。最適化操作の制御を
行なうために、様々な操作量にはある物理的限界がある
と理解されており、環流流量限界、再沸スチーム量限界
及び塔の圧力限界が、制御システム(100)に入力され
る。さらに、最大ステップサイズに関する下記の説明理
由により、変化の移り変り(transition)を滑らかにでき
るようにするために、操作変数の変化量限界が入力され
る。出力ストリーム不純物に対する目標限界もある。そ
れは、最適と考えられるべき出力に対するもので、底部
のＣ４濃度即ちＣ５生成物のアウトプットと、上部(ove
rhead)のＣ５濃度即ちＣ４生成物のアウトプットであ
る。さらに、その他の入力として、外乱変数トリガー値
が含まれるが、これについては、目標最適化プロセスを
開始するのに必要な外乱変数の様々な変化量との関係で
後述する。
【００２２】制御システム(100)の主たる出力は、環流
量設定値、再沸スチーム流量設定値及び塔の圧力設定値
の３つの操作変数値であり、弁(60)(80)(86)と共に利用
される。更に、操作変数値の予測値と制御変数の傾向が
システムに送られ、オペレータはプロセスの将来操作を
予測することができる。
量設定値、再沸スチーム流量設定値及び塔の圧力設定値
の３つの操作変数値であり、弁(60)(80)(86)と共に利用
される。更に、操作変数値の予測値と制御変数の傾向が
システムに送られ、オペレータはプロセスの将来操作を
予測することができる。
【００２３】目標オプティマイザー (102) に着目する
と、図３は、様々なインプットとアウトプットを有する
目標オプティマイザーのブロック図を示している。図示
の如く、目標オプティマイザー(102)の中に、神経ネッ
トワーク(108)が内蔵されている。目標オプティマイザ
ー(102)は、分析計(48)(66)によって測定された実際の
制御変数値と外乱変数値を受け取る。更に、種々雑多な
入力、例えば制御システム(100)に送られた合計コスト
等の入力が、底部のＣ４濃度限界、上部のＣ５濃度限
界、環流量限界、リボイル流量限界及び塔の圧力限界と
同じ様に、目標オプティマイザー(102)に送られる。更
に、操作変数の変化量限界も供給される。これは、経路
オプティマイザー(104)がその予測内で有限数のステッ
プだけを動くことができるように行なわれる。このた
め、目標オプティマイザー(102)から要求された操作変
数中の変化を、チャージ量×ステップ回数の値に限定す
ることが望ましい。目標オプティマイザー(102)の出力
は、脱ブタン塔(20)の最適操作をもたらす、目標、即ち
所望の操作変数値と、目標、即ち所望の制御変数値であ
る。これらの値の展開(development)については、後で
詳細に説明する。
と、図３は、様々なインプットとアウトプットを有する
目標オプティマイザーのブロック図を示している。図示
の如く、目標オプティマイザー(102)の中に、神経ネッ
トワーク(108)が内蔵されている。目標オプティマイザ
ー(102)は、分析計(48)(66)によって測定された実際の
制御変数値と外乱変数値を受け取る。更に、種々雑多な
入力、例えば制御システム(100)に送られた合計コスト
等の入力が、底部のＣ４濃度限界、上部のＣ５濃度限
界、環流量限界、リボイル流量限界及び塔の圧力限界と
同じ様に、目標オプティマイザー(102)に送られる。更
に、操作変数の変化量限界も供給される。これは、経路
オプティマイザー(104)がその予測内で有限数のステッ
プだけを動くことができるように行なわれる。このた
め、目標オプティマイザー(102)から要求された操作変
数中の変化を、チャージ量×ステップ回数の値に限定す
ることが望ましい。目標オプティマイザー(102)の出力
は、脱ブタン塔(20)の最適操作をもたらす、目標、即ち
所望の操作変数値と、目標、即ち所望の制御変数値であ
る。これらの値の展開(development)については、後で
詳細に説明する。
【００２４】図４は、種々のインプットとアウトプット
を有する経路オプティマイザー(104)のブロック図を示
している。経路オプティマイザー(104)は、目標オプテ
ィマイザー(102)から、目標操作変数値及び目標制御変
数値と、外乱変数の実際値と、制御変数の実際値をイン
プットとして受け取る。さらに、環流流量限界、再沸ス
トリーム限界及び塔の圧力限界が種々雑多なインプット
として送られる。経路オプティマイザー(104)もまた、
神経ネットワーク(104)を含んでいる。経路オプティマ
イザー(104)のアウトプットは、図１のシステムに適用
されるべき次のステップのための操作変数の実際値と、
オペレータのワークステーションにおけるグラフィカル
傾向ディスプレイに使用される将来値である。
を有する経路オプティマイザー(104)のブロック図を示
している。経路オプティマイザー(104)は、目標オプテ
ィマイザー(102)から、目標操作変数値及び目標制御変
数値と、外乱変数の実際値と、制御変数の実際値をイン
プットとして受け取る。さらに、環流流量限界、再沸ス
トリーム限界及び塔の圧力限界が種々雑多なインプット
として送られる。経路オプティマイザー(104)もまた、
神経ネットワーク(104)を含んでいる。経路オプティマ
イザー(104)のアウトプットは、図１のシステムに適用
されるべき次のステップのための操作変数の実際値と、
オペレータのワークステーションにおけるグラフィカル
傾向ディスプレイに使用される将来値である。
【００２５】適応制御部(106)(図５参照)が用いられ
て、神経ネットワーク(108)に使用される初期係数又は
値が決定され、操作の進行と共に神経ネットワーク(10
8)はさらに訓練される。適応制御部(106)は、外乱変数
値、操作変数値及び制御変数値を周期的に受け取り、神
経ネットワークに使用するために新たな重み係数(weigh
ting coefficients)又は重み行列(weight matrix)をア
ウトプットとして供給する。
て、神経ネットワーク(108)に使用される初期係数又は
値が決定され、操作の進行と共に神経ネットワーク(10
8)はさらに訓練される。適応制御部(106)は、外乱変数
値、操作変数値及び制御変数値を周期的に受け取り、神
経ネットワークに使用するために新たな重み係数(weigh
ting coefficients)又は重み行列(weight matrix)をア
ウトプットとして供給する。
【００２６】神経ネットワーク(108)の詳細は図６に示
される。それは、インプット層、隠れ層(hidden layer)
及びアウトプット層を有する従来の３つの層ネットワー
クが望ましい。神経ネットワーク(108)は、プログラム
された神経ネットワークに一般的に使用される行列数学
的技術を用いて作ることが望ましい。入力ベクトルは、
各層の重み行列と掛け算され、重み行列の値は、結果に
対する特定インプットの重み、即ち係数を表わしてお
り、関連のあるニューロン(神経単位)によって供給され
る。出力ベクトルが結果となる。インプット層は、入力
ベクトルとして神経ネットワーク(108)への入力を使用
し、隠れ層の入力ベクトルとして使用される出力ベクト
ルを作る。隠れ層行列の乗算は、次に、出力層の乗算の
入力ベクトルとして使用される出力ベクトルを作る。出
力層の出力ベクトルは、神経ネットワークの最終出力で
ある。この場合、最終出力は、Ｃ４及びＣ５の不純物濃
度値、即ち制御変数である。神経ネットワーク(108)中
のニューロンは、数１で示す双曲線変換関数を使用す
る。但し、数１においてｘの値は、−１乃至１である。
される。それは、インプット層、隠れ層(hidden layer)
及びアウトプット層を有する従来の３つの層ネットワー
クが望ましい。神経ネットワーク(108)は、プログラム
された神経ネットワークに一般的に使用される行列数学
的技術を用いて作ることが望ましい。入力ベクトルは、
各層の重み行列と掛け算され、重み行列の値は、結果に
対する特定インプットの重み、即ち係数を表わしてお
り、関連のあるニューロン(神経単位)によって供給され
る。出力ベクトルが結果となる。インプット層は、入力
ベクトルとして神経ネットワーク(108)への入力を使用
し、隠れ層の入力ベクトルとして使用される出力ベクト
ルを作る。隠れ層行列の乗算は、次に、出力層の乗算の
入力ベクトルとして使用される出力ベクトルを作る。出
力層の出力ベクトルは、神経ネットワークの最終出力で
ある。この場合、最終出力は、Ｃ４及びＣ５の不純物濃
度値、即ち制御変数である。神経ネットワーク(108)中
のニューロンは、数１で示す双曲線変換関数を使用す
る。但し、数１においてｘの値は、−１乃至１である。
【００２７】
【数１】
【００２８】神経ネットワーク(108)は、その訓練に基
づいて、非線形状況を容易に取り扱うことができる。従
って、非線形プロセスのモデルは、神経ネットワーク(1
08)を使用することにより容易に作られる。
づいて、非線形状況を容易に取り扱うことができる。従
って、非線形プロセスのモデルは、神経ネットワーク(1
08)を使用することにより容易に作られる。
【００２９】脱ブタン塔(20)で使用されたとき、神経ネ
ットワーク(108)は、32個のニューロン、10個の隠れニ
ューロン及び２個の出力ニューロンを有している。神経
ネットワーク(108)への入力は、４組の操作変数と、４
組の外乱変数である。目標オプティマイザー(102)と共
に使用するために定常出力値を作ることができるように
するために、或は経路オプティマイザー(104)のために
時間サンプリングした出力値、即ち次のステップを作る
ことができるようにするために、４組の操作変数が用い
られる。望ましい実施例において、プロセスは、操作変
数と同様、外乱変数の変化にも依存するため、外乱変数
の組が使用される。これらは、外乱変数の傾向即ち時間
依存性をより良くモデル作成するために使用される。神
経ネットワーク(108)は、隠れ層の各ニューロンがイン
プット層のニューロンの全部の出力を受け取り、出力層
の各ニューロンが隠れ層の全部を出力を受け取る点にお
いて、完全に接続されているものとみなされる。神経ネ
ットワーク(108)の出力は、制御された変数値、上部Ｃ
５濃度及び底部Ｃ４濃度であり、これらは２モル％より
も少ないのが望ましい。
ットワーク(108)は、32個のニューロン、10個の隠れニ
ューロン及び２個の出力ニューロンを有している。神経
ネットワーク(108)への入力は、４組の操作変数と、４
組の外乱変数である。目標オプティマイザー(102)と共
に使用するために定常出力値を作ることができるように
するために、或は経路オプティマイザー(104)のために
時間サンプリングした出力値、即ち次のステップを作る
ことができるようにするために、４組の操作変数が用い
られる。望ましい実施例において、プロセスは、操作変
数と同様、外乱変数の変化にも依存するため、外乱変数
の組が使用される。これらは、外乱変数の傾向即ち時間
依存性をより良くモデル作成するために使用される。神
経ネットワーク(108)は、隠れ層の各ニューロンがイン
プット層のニューロンの全部の出力を受け取り、出力層
の各ニューロンが隠れ層の全部を出力を受け取る点にお
いて、完全に接続されているものとみなされる。神経ネ
ットワーク(108)の出力は、制御された変数値、上部Ｃ
５濃度及び底部Ｃ４濃度であり、これらは２モル％より
も少ないのが望ましい。
【００３０】制御システム（100）は、種々のワークス
テーションコンピュータ等の汎用コンピュータシステ
ム、図７に示す如き、適当なセンサー及び出力ドライバ
ーを用いて作動させられる（developed）のが望まし
い。種々の分析計(30)(48)(66)及びセンサー(32)(38)(7
1)の種々の測定値は、通信ネットワークを通じて、測定
サイトからデータ収集又は計測及び制御コンピュータ
（90）まで、特定プラント環境に適するものとして供給
される。入力データは、次に、計測コンピュータ(90)か
ら、制御プロセスのステップを実行する実際のワークス
テーションコンピュータ(92)まで伝送される。同じよう
に、出力値は、制御プロセスステップを実行するワーク
ステーション（92）によって、計測コンピュータ(90)ま
で供給され、次に、通信ネットワークを通り、コントロ
ーラ(60)(80)(86)にに送られる。種々の変数限界、コス
ト情報及びトリガ値は、一般的に、システムオペレータ
によって直接ワークステーション(92)に供給される。さ
らに、神経ネットワーク(108)もまた、ワークステーシ
ョン(92)の適当なプログラムを用いて作動させられるの
が望ましい。
テーションコンピュータ等の汎用コンピュータシステ
ム、図７に示す如き、適当なセンサー及び出力ドライバ
ーを用いて作動させられる（developed）のが望まし
い。種々の分析計(30)(48)(66)及びセンサー(32)(38)(7
1)の種々の測定値は、通信ネットワークを通じて、測定
サイトからデータ収集又は計測及び制御コンピュータ
（90）まで、特定プラント環境に適するものとして供給
される。入力データは、次に、計測コンピュータ(90)か
ら、制御プロセスのステップを実行する実際のワークス
テーションコンピュータ(92)まで伝送される。同じよう
に、出力値は、制御プロセスステップを実行するワーク
ステーション（92）によって、計測コンピュータ(90)ま
で供給され、次に、通信ネットワークを通り、コントロ
ーラ(60)(80)(86)にに送られる。種々の変数限界、コス
ト情報及びトリガ値は、一般的に、システムオペレータ
によって直接ワークステーション(92)に供給される。さ
らに、神経ネットワーク(108)もまた、ワークステーシ
ョン(92)の適当なプログラムを用いて作動させられるの
が望ましい。
【００３１】プロセスを実行するのにデジタルコンピュ
ータを使用することが望ましく、制御システム(100)の
実際のプロセスの操作を表示するにはフローチャートが
適切である。図８を参照すると、目標オプティマイザー
のシーケンス（200）はステップ（202）で開始し、コン
ピュータは、種々の外乱変数値と制御変数値を読み取
る。読取りが完了した後、制御はステップ(204)に進
み、外乱変数値又は制御変数値のどれかが適当なトリガ
値よりも大きな量だけ変化したかどうか判断される。こ
のトリガ値はシステムオペレータがある効用関数を用い
て先に設定した値である。従来のシステムでは、実際の
インプットストリームに殆んど又は全く変化がなかった
場合でも、目標オプティマイザーのシーケンス(200)は
周期的に動作する。これは、目標最適化手順の無駄な繰
返しを行なうことになり、目標値に変動が生ずる結果と
なる。このため、乱調(hunting)即ち不安定な結果とな
る。望ましい実施例において、最適化プロセスは、ある
レベル変化が起こったときにだけ行なうことが望まし
い。結果の計算に要する時間が短縮し、経路オプティマ
イザーへの変化回数が少なくなるからである。又は、プ
ロセスをトリガするのに十分な変化が起こらなかった場
合、比較的長い時間の後に行なうことが望ましい。外乱
変数又は制御変数のどれもが、トリガレベルを超えるほ
ど十分に変化しなかった場合、制御はステップ(205)に
進み、最適化プロセスが行なわれて以降、バックアップ
又はデッドマン時間が経過したかどうかが判断される。
この時間は比較的長く、望ましくは多くのサンプリング
周期である。また、この時間は、操作の合理的性質に関
する安全性を高めるために用いられる。サンプル周期を
経過しなかった場合、制御はステップ(206)に進み、こ
こでシーケンス(200)は、スケジューラ(500)（図１４参
照）によって呼び起こされて再スタートするまで休止す
る。呼び起こされると、制御はステップ(202)に進み、
外乱変数値と制御変数値の再分析が行なわれる。
ータを使用することが望ましく、制御システム(100)の
実際のプロセスの操作を表示するにはフローチャートが
適切である。図８を参照すると、目標オプティマイザー
のシーケンス（200）はステップ（202）で開始し、コン
ピュータは、種々の外乱変数値と制御変数値を読み取
る。読取りが完了した後、制御はステップ(204)に進
み、外乱変数値又は制御変数値のどれかが適当なトリガ
値よりも大きな量だけ変化したかどうか判断される。こ
のトリガ値はシステムオペレータがある効用関数を用い
て先に設定した値である。従来のシステムでは、実際の
インプットストリームに殆んど又は全く変化がなかった
場合でも、目標オプティマイザーのシーケンス(200)は
周期的に動作する。これは、目標最適化手順の無駄な繰
返しを行なうことになり、目標値に変動が生ずる結果と
なる。このため、乱調(hunting)即ち不安定な結果とな
る。望ましい実施例において、最適化プロセスは、ある
レベル変化が起こったときにだけ行なうことが望まし
い。結果の計算に要する時間が短縮し、経路オプティマ
イザーへの変化回数が少なくなるからである。又は、プ
ロセスをトリガするのに十分な変化が起こらなかった場
合、比較的長い時間の後に行なうことが望ましい。外乱
変数又は制御変数のどれもが、トリガレベルを超えるほ
ど十分に変化しなかった場合、制御はステップ(205)に
進み、最適化プロセスが行なわれて以降、バックアップ
又はデッドマン時間が経過したかどうかが判断される。
この時間は比較的長く、望ましくは多くのサンプリング
周期である。また、この時間は、操作の合理的性質に関
する安全性を高めるために用いられる。サンプル周期を
経過しなかった場合、制御はステップ(206)に進み、こ
こでシーケンス(200)は、スケジューラ(500)（図１４参
照）によって呼び起こされて再スタートするまで休止す
る。呼び起こされると、制御はステップ(202)に進み、
外乱変数値と制御変数値の再分析が行なわれる。
【００３２】ステップ (204) の判断にて、外乱変数値又
は制御変数値の一方の変化がトリガレベルを超えたと
き、又はステップ(205)の判断にて、長いバックアップ
時間が経過したとき、制御は、ステップ(208)に進み、
ここで最適化手続きが行なわれる。これは、プロセスを
モデル化するための神経ネットワーク(108)を利用する
ことにより行なうのが望ましい。実現可能逐次二次計画
( ＦＳＱＰ )技術により、反復値を展開して、出力ストリ
ームのネット値を最大化する。この操作は、図９に示さ
れた分離シーケンス(250)の中で行なわれる。これにつ
いては後述する。シーケンス(250)が終了すると、制御
はステップ(210)に進み、最適な解が実際に得られたか
どうかが判断される。なお、ＦＳＱＰプログラムが極小
になると、大きな移動を必要とする場合の変化を決定す
ることができないから、タイムアウトした場合でないこ
ともある。最適な解が得られなかった場合、制御は、ス
テップ(212)に進み、最適化プロセスに加えられた種々
の制限及び制約条件が緩和される(relaxed)。この制限
緩和は、４つの技術のうちの１つを用いて行なうことが
できる。第１の場合では、操作変数及び制御変数に関す
る種々の制限の全部が開放され、得ることのできるベス
トの解が利用される。或はまた、アウトプット生成品の
コスト面で最も重要性の少ない生成物の限界を、逐次、
緩和することができる。即ち、最初に最も重要性の少な
い限界を、次に２番目に重要性の少ない限界等を緩和す
ることができる。第３の技術において、最も重要性の少
ないもの以外に定義済の命令を作り、これを用いて種々
の制限命令を緩和することができる。
は制御変数値の一方の変化がトリガレベルを超えたと
き、又はステップ(205)の判断にて、長いバックアップ
時間が経過したとき、制御は、ステップ(208)に進み、
ここで最適化手続きが行なわれる。これは、プロセスを
モデル化するための神経ネットワーク(108)を利用する
ことにより行なうのが望ましい。実現可能逐次二次計画
( ＦＳＱＰ )技術により、反復値を展開して、出力ストリ
ームのネット値を最大化する。この操作は、図９に示さ
れた分離シーケンス(250)の中で行なわれる。これにつ
いては後述する。シーケンス(250)が終了すると、制御
はステップ(210)に進み、最適な解が実際に得られたか
どうかが判断される。なお、ＦＳＱＰプログラムが極小
になると、大きな移動を必要とする場合の変化を決定す
ることができないから、タイムアウトした場合でないこ
ともある。最適な解が得られなかった場合、制御は、ス
テップ(212)に進み、最適化プロセスに加えられた種々
の制限及び制約条件が緩和される(relaxed)。この制限
緩和は、４つの技術のうちの１つを用いて行なうことが
できる。第１の場合では、操作変数及び制御変数に関す
る種々の制限の全部が開放され、得ることのできるベス
トの解が利用される。或はまた、アウトプット生成品の
コスト面で最も重要性の少ない生成物の限界を、逐次、
緩和することができる。即ち、最初に最も重要性の少な
い限界を、次に２番目に重要性の少ない限界等を緩和す
ることができる。第３の技術において、最も重要性の少
ないもの以外に定義済の命令を作り、これを用いて種々
の制限命令を緩和することができる。
【００３３】ソフト制約（soft constraints）とみなさ
れるものとハード制約（hard constraints）とみなされ
るものがある場合、望ましい実施例では第４の技術が用
いられる。ハード制約は、典型的には、スチーム量及び
スチーム変化量のように物理限界に基づいており、変更
されるべきではない。他方、ソフト制約は、物理的関係
ではなく、その他の事項に基づいているのが通常であ
る。例えば、制御限界は課せられるのが通常であるが、
物理的限界ではない。これらのソフト制約は調節するの
により適している。ソフト制約の特定限界の中で最適な
解が得られない場合、そのとき、望ましい実施例におけ
る伝達曲線、即ち、最適化プロセスで使用された望まし
い実施例の場合における価値曲線は僅かに変更される。
その結果、ハード境界が幾分緩和され、所定濃度に対し
てはゼロ値への変化が起こる。この変化は、非連続性の
ステップとしてではなく、連続関数である。例えば、Ｃ
４濃度限界が１モル％と２モル％の間に設定されると、
ラインは、２つの限界における価値曲線と、0.9モル％
及び2.1モル％におけるゼロ点近傍との間で展開され、
簡単な三次式近似を用いて、全ての不連続点での変化が
平滑化される。この僅かに拡大した範囲によって、最適
化プロセスは、所望の限界とは離れすぎずに最適な解が
得られるように動作するために、十分に多くの余地を有
することができる。
れるものとハード制約（hard constraints）とみなされ
るものがある場合、望ましい実施例では第４の技術が用
いられる。ハード制約は、典型的には、スチーム量及び
スチーム変化量のように物理限界に基づいており、変更
されるべきではない。他方、ソフト制約は、物理的関係
ではなく、その他の事項に基づいているのが通常であ
る。例えば、制御限界は課せられるのが通常であるが、
物理的限界ではない。これらのソフト制約は調節するの
により適している。ソフト制約の特定限界の中で最適な
解が得られない場合、そのとき、望ましい実施例におけ
る伝達曲線、即ち、最適化プロセスで使用された望まし
い実施例の場合における価値曲線は僅かに変更される。
その結果、ハード境界が幾分緩和され、所定濃度に対し
てはゼロ値への変化が起こる。この変化は、非連続性の
ステップとしてではなく、連続関数である。例えば、Ｃ
４濃度限界が１モル％と２モル％の間に設定されると、
ラインは、２つの限界における価値曲線と、0.9モル％
及び2.1モル％におけるゼロ点近傍との間で展開され、
簡単な三次式近似を用いて、全ての不連続点での変化が
平滑化される。この僅かに拡大した範囲によって、最適
化プロセスは、所望の限界とは離れすぎずに最適な解が
得られるように動作するために、十分に多くの余地を有
することができる。
【００３４】特定の値が緩和されると、制御はステップ
(208)に戻り、新しい限界値で最適な解が得られるかど
うかが判断される。
(208)に戻り、新しい限界値で最適な解が得られるかど
うかが判断される。
【００３５】もし、最適な解が得られたならば、制御は
ステップ(210)からステップ(211)に進み、操作変数目標
値及び制御変数値が経路オプティマイザー（104）に供
給される。制御は、次に、ステップ（206）に進み、次
のサンプルのため時間まで待機する。
ステップ(210)からステップ(211)に進み、操作変数目標
値及び制御変数値が経路オプティマイザー（104）に供
給される。制御は、次に、ステップ（206）に進み、次
のサンプルのため時間まで待機する。
【００３６】ステップ(208)で説明したように、目標オ
プティマイザーシーケンス（200）は、オプティマイザ
ーシーケンス(250)を呼び出し、目標オプティマイザー
(102)の実際の最適化操作を実行する。オプティマイザ
ーシーケンス(250)はステップ(252)で開始し、出力スト
リームの種々の経済ファクターと操作変数が求められ
る。これらの値は、システムオペレータによって予めコ
ンピュータに入力されているものである。制御は、次
に、ステップ(254)に進み、限界又は制約条件が求めら
れる。これらの限界には、制御変数限界と、操作変数限
界が含まれる。制御は、次に、ＦＳＱＰプログラムの第
１ステップであるステップ(256)に進む。ＦＳＱＰプロ
グラムは、メリーランド、カレッジパークのユニバーシ
ティ・オブ・メリーランドのアンドレ・エル．チッツ教
授のＦＳＱＰ２.４が望ましい。ＦＳＱＰプログラム
は、従来の逐次二次計画（ＳＱＰ）を実行する一連のル
ーチンであるが、最小化された解又は最大化された解に
達するのに使用される反復が、実施可能な値だけを用い
て実行される点が修正されている。この実現可能値の制
限は、不可能状態が考慮されることのないように、制約
条件付の物理システムと共に使用するのに望ましい。反
復値を展開する際、ＦＳＱＰプログラムの中で２つの基
本技術が使用される。第１の技術は、Armijo型のアーク
サーチの使用である。第２は、直線に沿う非単調サーチ
の使用である。ＦＳＱＰプログラムは、必要値を作るた
めに特定関数又はシーケンスを呼び出すことのできる能
力を有している。望ましい実施例では、次に、ＦＳＱＰ
は内部で神経ネットワーク（108）と、最適解を決定す
るオーバオールプロセスの中のステップとして最適化方
程式（optimization equation）を実行するモジュール
を呼び出す。この理由から、図９の中で、ＦＳＱＰプロ
グラムは破線により幾つかのステップを包含して示して
いる。これらの内部操作の説明は、発明を説明する上で
有用であろう。
プティマイザーシーケンス（200）は、オプティマイザ
ーシーケンス(250)を呼び出し、目標オプティマイザー
(102)の実際の最適化操作を実行する。オプティマイザ
ーシーケンス(250)はステップ(252)で開始し、出力スト
リームの種々の経済ファクターと操作変数が求められ
る。これらの値は、システムオペレータによって予めコ
ンピュータに入力されているものである。制御は、次
に、ステップ(254)に進み、限界又は制約条件が求めら
れる。これらの限界には、制御変数限界と、操作変数限
界が含まれる。制御は、次に、ＦＳＱＰプログラムの第
１ステップであるステップ(256)に進む。ＦＳＱＰプロ
グラムは、メリーランド、カレッジパークのユニバーシ
ティ・オブ・メリーランドのアンドレ・エル．チッツ教
授のＦＳＱＰ２.４が望ましい。ＦＳＱＰプログラム
は、従来の逐次二次計画（ＳＱＰ）を実行する一連のル
ーチンであるが、最小化された解又は最大化された解に
達するのに使用される反復が、実施可能な値だけを用い
て実行される点が修正されている。この実現可能値の制
限は、不可能状態が考慮されることのないように、制約
条件付の物理システムと共に使用するのに望ましい。反
復値を展開する際、ＦＳＱＰプログラムの中で２つの基
本技術が使用される。第１の技術は、Armijo型のアーク
サーチの使用である。第２は、直線に沿う非単調サーチ
の使用である。ＦＳＱＰプログラムは、必要値を作るた
めに特定関数又はシーケンスを呼び出すことのできる能
力を有している。望ましい実施例では、次に、ＦＳＱＰ
は内部で神経ネットワーク（108）と、最適解を決定す
るオーバオールプロセスの中のステップとして最適化方
程式（optimization equation）を実行するモジュール
を呼び出す。この理由から、図９の中で、ＦＳＱＰプロ
グラムは破線により幾つかのステップを包含して示して
いる。これらの内部操作の説明は、発明を説明する上で
有用であろう。
【００３７】ステップ(256)において、ＦＳＱＰプログ
ラムは、最適化プロセスにて利用される次の操作変数値
を選択する。ステップ(256)にて、ＦＳＱＰプログラム
によって選択された操作変数値は、現在の外乱変数値と
共に、ステップ(258)の神経ネットワーク(108)への入力
情報として供給される。前述したように、神経ネットワ
ーク(108)は、各々の操作変数値と外乱変数値の４つの
値を受け取る。これによって、神経ネットワーク(108)
の出力を、時間依存性の出力の予測とすることができ
る。脱ブタン塔(20)の運転のように、多くのプロセスは
時間依存性であり、一定の慣性(inertial)即ちタイムラ
グを有している。応答は瞬時でない。傾向と履歴の情報
は、その後における操作の出力を予想するために必要で
ある。神経ネットワーク(108)が訓練されると、操作変
数値と外乱変数値を表示する種々の傾向を、現在の制御
変数値と共に用いることにより、この慣性即ちタイムラ
グを神経ネットワーク係数の中に組み込むことができ
る。このようにして、操作変数値及び外乱変数値を表わ
す傾向が提供されると、時間依存性の制御変数値が作ら
れる。しかしながら、操作変数及び外乱変数と種々の値
が同じならば、即ち、夫々の操作変数及び外乱変数の傾
向選択に提供される値が同じであるならば、定常条件が
シミュレートされ、神経ネットワーク(108)の出力は、
制御変数の定常値である。このようにして、神経ネット
ワーク(108)の適切な訓練を行ない、変動する値又は等
しい値を提供することにより、単一の神経ネットワーク
から時間依存性又は定常状態の出力を得ることができ
る。最適化シーケンス(250)のこの具体例では、定常状
態の解が所望されるため、各々の具体的な操作変数及び
外乱変数に対する４つの値は全部同じである。これらの
入力のとき、神経ネットワーク(108)は、次に、モデル
制御変数値を作る。
ラムは、最適化プロセスにて利用される次の操作変数値
を選択する。ステップ(256)にて、ＦＳＱＰプログラム
によって選択された操作変数値は、現在の外乱変数値と
共に、ステップ(258)の神経ネットワーク(108)への入力
情報として供給される。前述したように、神経ネットワ
ーク(108)は、各々の操作変数値と外乱変数値の４つの
値を受け取る。これによって、神経ネットワーク(108)
の出力を、時間依存性の出力の予測とすることができ
る。脱ブタン塔(20)の運転のように、多くのプロセスは
時間依存性であり、一定の慣性(inertial)即ちタイムラ
グを有している。応答は瞬時でない。傾向と履歴の情報
は、その後における操作の出力を予想するために必要で
ある。神経ネットワーク(108)が訓練されると、操作変
数値と外乱変数値を表示する種々の傾向を、現在の制御
変数値と共に用いることにより、この慣性即ちタイムラ
グを神経ネットワーク係数の中に組み込むことができ
る。このようにして、操作変数値及び外乱変数値を表わ
す傾向が提供されると、時間依存性の制御変数値が作ら
れる。しかしながら、操作変数及び外乱変数と種々の値
が同じならば、即ち、夫々の操作変数及び外乱変数の傾
向選択に提供される値が同じであるならば、定常条件が
シミュレートされ、神経ネットワーク(108)の出力は、
制御変数の定常値である。このようにして、神経ネット
ワーク(108)の適切な訓練を行ない、変動する値又は等
しい値を提供することにより、単一の神経ネットワーク
から時間依存性又は定常状態の出力を得ることができ
る。最適化シーケンス(250)のこの具体例では、定常状
態の解が所望されるため、各々の具体的な操作変数及び
外乱変数に対する４つの値は全部同じである。これらの
入力のとき、神経ネットワーク(108)は、次に、モデル
制御変数値を作る。
【００３８】ステップ(260)において、これらの制御変
数値に補正(correction)ファクターが加えられる。補正
ファクターは、分析計(48)(64)によって最後に測定され
た実際の制御変数値又は最後の測定値から線形回帰によ
って展開された制御変数値と、同じ時間サンプルに対し
て神経ネットワーク(108)に決定されたモデル値との間
の差異に基づいている。これは、神経ネットワーク(10
8)の中で実施されたモデル中の不正確さ(inaccuracies)
に対する補正ファクターとなる。補正値並びに操作変数
値及びこの反復のための制御変数値は、次に、ステップ
(262)の最適化計算に使用される。フィードストリーム
の流量と出力濃度の値を利用して、出力ストリームの経
済値が求められ、これらを合計して出力ストリームの値
が作られる。使用された種々材料(スチーム、冷却水塔)
のコストが出力スチーム値から引き算され、このグルー
プの操作変数値に対するネット経済値が決定される。こ
の最適化計算は、具体的な実施例に固有のものであり、
目標値又は最適値についてはその他の値を選択できるこ
とは勿論である。
数値に補正(correction)ファクターが加えられる。補正
ファクターは、分析計(48)(64)によって最後に測定され
た実際の制御変数値又は最後の測定値から線形回帰によ
って展開された制御変数値と、同じ時間サンプルに対し
て神経ネットワーク(108)に決定されたモデル値との間
の差異に基づいている。これは、神経ネットワーク(10
8)の中で実施されたモデル中の不正確さ(inaccuracies)
に対する補正ファクターとなる。補正値並びに操作変数
値及びこの反復のための制御変数値は、次に、ステップ
(262)の最適化計算に使用される。フィードストリーム
の流量と出力濃度の値を利用して、出力ストリームの経
済値が求められ、これらを合計して出力ストリームの値
が作られる。使用された種々材料(スチーム、冷却水塔)
のコストが出力スチーム値から引き算され、このグルー
プの操作変数値に対するネット経済値が決定される。こ
の最適化計算は、具体的な実施例に固有のものであり、
目標値又は最適値についてはその他の値を選択できるこ
とは勿論である。
【００３９】ＦＳＱＰプログラムによる決定及びステッ
プ(264)での評価では、最適化プロセスが完了していな
い場合、制御はステップ(256)に戻り、ＦＳＰＱプログ
ラムは他の操作変数値を生成する。このサイクルは、Ｆ
ＳＱＰプログラムの反復が全て実行されるまで、望まし
くは、制御変数の目標値が達成されるまで続けられる。
または、ＦＳＱＰプログラムは、タイムアウト等その他
実現可能な反復を行なうことができない問題があること
を表示する。制御は次にステップ(266)に進む。ステッ
プ(266)において、最適値に達したかどうかの決定がな
される。得られた解が最適のものでない場合、ステップ
(210)で使用するために、ステップ(268)でフラグがセッ
トされる。最適値である場合、制御はステップ(270)に
進む。ここでは、最も経済的な値と関連づけられた値で
あって、適当な最適操作変数値と制御変数値は、経路オ
プティマイザー(104)で使用するために、予め決められ
た位置（location）に供給される。制御は、次に、ステ
ップ(268)又は(270)からステップ(272)に進み、コーリ
ングシーケンス(この場合は目標オプティマイザーシー
ケンス)に戻される。
プ(264)での評価では、最適化プロセスが完了していな
い場合、制御はステップ(256)に戻り、ＦＳＰＱプログ
ラムは他の操作変数値を生成する。このサイクルは、Ｆ
ＳＱＰプログラムの反復が全て実行されるまで、望まし
くは、制御変数の目標値が達成されるまで続けられる。
または、ＦＳＱＰプログラムは、タイムアウト等その他
実現可能な反復を行なうことができない問題があること
を表示する。制御は次にステップ(266)に進む。ステッ
プ(266)において、最適値に達したかどうかの決定がな
される。得られた解が最適のものでない場合、ステップ
(210)で使用するために、ステップ(268)でフラグがセッ
トされる。最適値である場合、制御はステップ(270)に
進む。ここでは、最も経済的な値と関連づけられた値で
あって、適当な最適操作変数値と制御変数値は、経路オ
プティマイザー(104)で使用するために、予め決められ
た位置（location）に供給される。制御は、次に、ステ
ップ(268)又は(270)からステップ(272)に進み、コーリ
ングシーケンス(この場合は目標オプティマイザーシー
ケンス)に戻される。
【００４０】経路オプティマイザーのシーケンス(300)
(図１０参照)は、周期的に、望ましくは制御サイクル毎
に、完全なオペレーションシーケンスを実行する。経路
オプティマイザーのシーケンス(300)は、ステップ(302)
で操作を開始し、特定の目標値が取り出される(retriev
ed)。制御は、次に、ステップ(304)に進む。ここでは、
その後における時間ステップの最適操作変数値を決定す
るために、ＦＳＱＰプログラム、神経ネットワーク(10
8)及び最小化シーケンスが呼び出される。この最適化が
シーケンス(350)にて行なわれた後、図１１に詳細に示
す如く、制御はステップ(306)に進み、次の時間ステッ
プ用の操作変数値が低レベルコントローラに供給され
る。望ましい実施例では、弁(60)(80)(86)の設定値は新
しい値に変更されている。さらに、このポイントでは、
予想シーケンス全体に対する操作変数値がオペレータの
ワークステーションに供給され、グラフィック表示によ
って、経路オプティマイザー(106)の計画された移動を
オペレータに示すことができる。制御は次にステップ(3
08)に進み、経路オペレータシーケンス(300)は「スリー
プ(休止)」に進む。前述したように、経路オプティマイ
ザーは繰返しベースで行なわれ、最適制御変数値を伝送
し、経路を所望されるように作る(develop)ことができ
る。このタイミング機能は、スケジューラ(500)によっ
て行なわれる。適当な時間が経過した後、経路オプティ
マイザーシーケンス(300)はスケジューラ(500)によって
呼び起こされ、制御はステップ(308)からステップ(302)
に移る。ここで、経路オプティマイザーシーケンス(30
0)は、次の操作変数ステップに提供するために、動作が
続けられる。
(図１０参照)は、周期的に、望ましくは制御サイクル毎
に、完全なオペレーションシーケンスを実行する。経路
オプティマイザーのシーケンス(300)は、ステップ(302)
で操作を開始し、特定の目標値が取り出される(retriev
ed)。制御は、次に、ステップ(304)に進む。ここでは、
その後における時間ステップの最適操作変数値を決定す
るために、ＦＳＱＰプログラム、神経ネットワーク(10
8)及び最小化シーケンスが呼び出される。この最適化が
シーケンス(350)にて行なわれた後、図１１に詳細に示
す如く、制御はステップ(306)に進み、次の時間ステッ
プ用の操作変数値が低レベルコントローラに供給され
る。望ましい実施例では、弁(60)(80)(86)の設定値は新
しい値に変更されている。さらに、このポイントでは、
予想シーケンス全体に対する操作変数値がオペレータの
ワークステーションに供給され、グラフィック表示によ
って、経路オプティマイザー(106)の計画された移動を
オペレータに示すことができる。制御は次にステップ(3
08)に進み、経路オペレータシーケンス(300)は「スリー
プ(休止)」に進む。前述したように、経路オプティマイ
ザーは繰返しベースで行なわれ、最適制御変数値を伝送
し、経路を所望されるように作る(develop)ことができ
る。このタイミング機能は、スケジューラ(500)によっ
て行なわれる。適当な時間が経過した後、経路オプティ
マイザーシーケンス(300)はスケジューラ(500)によって
呼び起こされ、制御はステップ(308)からステップ(302)
に移る。ここで、経路オプティマイザーシーケンス(30
0)は、次の操作変数ステップに提供するために、動作が
続けられる。
【００４１】経路オプティマイザーのシーケンス(350)
(図１１参照)はステップ(352)で開始し、物理的な又は
実現可能な操作変数限界、変化限界量、並びに現在の操
作変数値、外乱変数値及び制御変数値が取り出される。
制御は、ステップ(354)に進み、操作変数及び制御変数
の目標値が取り出される。制御は、次にステップ(355)
に進み、制御変数の補正ファクターが計算される。分析
計(48)(46)は、実際の制御変数値を供給する。次に、こ
れらの値を用いて、神経ネットワーク(108)により作ら
れた予想値の調整又は補正が行なわれる。望ましい実施
例では、制御サイクル時間は、分析計(48)(66)の読取り
時間よりも短いから、中間の読取値は、分析データを線
形回帰することにより求められる。このように、補正フ
ァクターは制御サイクル毎に計算することができる。
(図１１参照)はステップ(352)で開始し、物理的な又は
実現可能な操作変数限界、変化限界量、並びに現在の操
作変数値、外乱変数値及び制御変数値が取り出される。
制御は、ステップ(354)に進み、操作変数及び制御変数
の目標値が取り出される。制御は、次にステップ(355)
に進み、制御変数の補正ファクターが計算される。分析
計(48)(46)は、実際の制御変数値を供給する。次に、こ
れらの値を用いて、神経ネットワーク(108)により作ら
れた予想値の調整又は補正が行なわれる。望ましい実施
例では、制御サイクル時間は、分析計(48)(66)の読取り
時間よりも短いから、中間の読取値は、分析データを線
形回帰することにより求められる。このように、補正フ
ァクターは制御サイクル毎に計算することができる。
【００４２】計算後、制御はステップ(356)に進み、操
作変数値が選択される。この場合のＦＳＱＰプログラム
は、現在値から目標値までの過程を与える一連の操作値
の移動(moves)の全体を選択する。この選択では、各々
の操作変数ステップで所定の限界値を超えないように、
操作変数限界の変化量が使用される。このように、比較
的短時間に操作変数が非常に大きく変化して制御プロセ
スが混乱しすぎたり、不安定になりすぎないようにして
いる。そのセットに供給された操作変数値の各々は、以
前の値からの変化限界の範囲内にある。このステップ(3
56)で、操作変数値及び外乱変数値の傾向表示値は、時
間ステップ毎に作られる。フィルター方程式を用いて、
夫々の操作変数及び外乱変数に対して４つの値が作られ
る。簡単な指数フィルターを用いて、傾向値が得られ
る。フィルターを通った現在値は、最初の時間ステップ
の後で、数２及び数３によって決定される。
作変数値が選択される。この場合のＦＳＱＰプログラム
は、現在値から目標値までの過程を与える一連の操作値
の移動(moves)の全体を選択する。この選択では、各々
の操作変数ステップで所定の限界値を超えないように、
操作変数限界の変化量が使用される。このように、比較
的短時間に操作変数が非常に大きく変化して制御プロセ
スが混乱しすぎたり、不安定になりすぎないようにして
いる。そのセットに供給された操作変数値の各々は、以
前の値からの変化限界の範囲内にある。このステップ(3
56)で、操作変数値及び外乱変数値の傾向表示値は、時
間ステップ毎に作られる。フィルター方程式を用いて、
夫々の操作変数及び外乱変数に対して４つの値が作られ
る。簡単な指数フィルターを用いて、傾向値が得られ
る。フィルターを通った現在値は、最初の時間ステップ
の後で、数２及び数３によって決定される。
【００４３】
【数２】
【００４４】
【数３】
【００４５】数２及び数３において、ＤＶは外乱変数(d
isturbance variables)、ＭＶは操作変数(manipulated
variables)を表わす。また、αは０と１の間にあり、α
値が低いほど現在値の重みが大きいことを表わし、履歴
ファクターの重みが大きくなることを表わす。４つの異
なるα値又は履歴ファクター値は、傾向情報を示すため
に使用される。各α値は履歴によって重みが異なるた
め、これによって傾向情報を簡単に作成する(develop)
ことができる。４つのα値は、操作変数及び外乱変数全
てに対して同じであるが、各変数の時間依存性をより良
く追従(track)するためには、各変数について異なるα
値を設定することが望ましい。神経ネットワーク(108)
は次に、ステップ(358)で種々の値を受け取り、次の時
間ステップにおける制御変数値の出力を作る。この場
合、神経ネットワーク(108)は、操作変数及び外乱変数
の傾向値を受け取る。これらの値は等しくなく、入力変
数の各セットに対する次回ステップの予想出力は、神経
ネットワーク(108)から得られる。これによって、時間
ベースの経路を、ある状態から次の状態まで発展させる
ことができる。神経ネットワーク(108)は、制御変数値
を、セット内の各ステップに対して提供する。従って、
全体経路に対する値を作るために、予想出力は全体セッ
トに対して利用可能である。制御変数の予想値は、修正
するためにステップ(360)に送られる。制御は、次にス
テップ(362)に進み、最適化計算が行なわれる。この場
合、最適化は、ステップ(262)での同じオペレーション
よりも、少しだけ複雑になる。この特定ケースでは、目
標は、エラー間のバランス(balance)を最小にするため
のもので、低エラー状態への積極的に安定した変化を行
なうためのものである。この値を容易に得るために、目
標と、補正後の制御変数値との差異は、２乗され、第１
の重みファクターと掛け算される。第２の成分として、
操作変数値の提案された変化は、第２の重みファクター
と掛け算される。次に、２つの値は加えられて、目的関
数値を形成する。このオペレーションは、経路中の各ス
テップに対して行なわれ、各加算値はさらに合計されて
トータルファクターが作られる。第１の重みファクター
は、最小化プロセスにおけるエラーの衝撃(impact)を制
御し、第２の重みファクターは、オペレーションの安定
性又は平滑性に関するオペレーションの積極性を制御す
る。重みファクターはオペレータによってセットされ
る。この合計値は最小化されるので、これが、現在位置
から所望の目標までの望ましい経路であると考えられ
る。制御は、次にステップ(364)に進み、最小化された
値が得られたかどうかが決定される。もし得られていな
い場合、制御はステップ(365)に進み、反復回数又は計
算時間が超えたかどうかが判断される。このループは、
予想結果が最適になるまで続けられる。これは、反復を
何回も行なう必要がある。
isturbance variables)、ＭＶは操作変数(manipulated
variables)を表わす。また、αは０と１の間にあり、α
値が低いほど現在値の重みが大きいことを表わし、履歴
ファクターの重みが大きくなることを表わす。４つの異
なるα値又は履歴ファクター値は、傾向情報を示すため
に使用される。各α値は履歴によって重みが異なるた
め、これによって傾向情報を簡単に作成する(develop)
ことができる。４つのα値は、操作変数及び外乱変数全
てに対して同じであるが、各変数の時間依存性をより良
く追従(track)するためには、各変数について異なるα
値を設定することが望ましい。神経ネットワーク(108)
は次に、ステップ(358)で種々の値を受け取り、次の時
間ステップにおける制御変数値の出力を作る。この場
合、神経ネットワーク(108)は、操作変数及び外乱変数
の傾向値を受け取る。これらの値は等しくなく、入力変
数の各セットに対する次回ステップの予想出力は、神経
ネットワーク(108)から得られる。これによって、時間
ベースの経路を、ある状態から次の状態まで発展させる
ことができる。神経ネットワーク(108)は、制御変数値
を、セット内の各ステップに対して提供する。従って、
全体経路に対する値を作るために、予想出力は全体セッ
トに対して利用可能である。制御変数の予想値は、修正
するためにステップ(360)に送られる。制御は、次にス
テップ(362)に進み、最適化計算が行なわれる。この場
合、最適化は、ステップ(262)での同じオペレーション
よりも、少しだけ複雑になる。この特定ケースでは、目
標は、エラー間のバランス(balance)を最小にするため
のもので、低エラー状態への積極的に安定した変化を行
なうためのものである。この値を容易に得るために、目
標と、補正後の制御変数値との差異は、２乗され、第１
の重みファクターと掛け算される。第２の成分として、
操作変数値の提案された変化は、第２の重みファクター
と掛け算される。次に、２つの値は加えられて、目的関
数値を形成する。このオペレーションは、経路中の各ス
テップに対して行なわれ、各加算値はさらに合計されて
トータルファクターが作られる。第１の重みファクター
は、最小化プロセスにおけるエラーの衝撃(impact)を制
御し、第２の重みファクターは、オペレーションの安定
性又は平滑性に関するオペレーションの積極性を制御す
る。重みファクターはオペレータによってセットされ
る。この合計値は最小化されるので、これが、現在位置
から所望の目標までの望ましい経路であると考えられ
る。制御は、次にステップ(364)に進み、最小化された
値が得られたかどうかが決定される。もし得られていな
い場合、制御はステップ(365)に進み、反復回数又は計
算時間が超えたかどうかが判断される。このループは、
予想結果が最適になるまで続けられる。これは、反復を
何回も行なう必要がある。
【００４６】ある時間の経過後、制御変数値は収束しな
ければならない。そうでないと、反復又は時間の限界が
超過する。これらの場合、制御はステップ（364）又は
ステップ(365)からステップ(367)に進み、最適経路の操
作変数値及び制御変数値の全セットがシステムに移され
る。これらの値は全て、オペレータのワークステーショ
ンによって使用され、計画された動きを示す。制御は、
次にステップ（374）に進み、最小合計値によって決定
された最適経路と関連づけられたプロセスにおける次の
特定ステップの操作変数値が、最適化シーケンス(350)
の出力として供給されるようにセットされる。制御は次
に、ステップ(376)に進む。ステップ（376）は、コーリ
ングシーケンス、経路オプティマイザーシーケンス(20
0)へのリターンである。
ければならない。そうでないと、反復又は時間の限界が
超過する。これらの場合、制御はステップ（364）又は
ステップ(365)からステップ(367)に進み、最適経路の操
作変数値及び制御変数値の全セットがシステムに移され
る。これらの値は全て、オペレータのワークステーショ
ンによって使用され、計画された動きを示す。制御は、
次にステップ（374）に進み、最小合計値によって決定
された最適経路と関連づけられたプロセスにおける次の
特定ステップの操作変数値が、最適化シーケンス(350)
の出力として供給されるようにセットされる。制御は次
に、ステップ(376)に進む。ステップ（376）は、コーリ
ングシーケンス、経路オプティマイザーシーケンス(20
0)へのリターンである。
【００４７】適応制御部(106)は、適応シーケンス(400)
を実行する(図１２参照)。図１３に示す如く、適応シー
ケンス(400)は、ステップ(402)で開始する。シーケンス
(400)は、現在の制御変数値、外乱変数値及び操作変数
値の全部を、記録として格納（記憶）するために獲得す
る。操作変数値は、フィルターを通った値であって、経
路オプティマイザー(104)の中で使用されたものであ
り、各サンプリング間隔に対して記憶される。従って、
履歴データは必要とされる操作変数のために作成され、
神経ネットワーク(108)の完全な訓練を行なうことがで
きる。制御は次に、ステップ(404)に進む。ここでは、
外乱変数と制御変数の値が、システムはデータが完全に
得られていない新しい領域(region)の中で動作中である
ことを示すかどうかが決定される。望ましくは、外乱変
数と制御変数の数は配列(アレイ)の次元(dimensions)を
設定する。図１の望ましい実施例では、６次元配列であ
る。これらの次元又は変数の１つは、次に、変数の実現
可能範囲の部分区間にさらに分解される。これにより、
脱ブタン塔(20)の具体的運転条件に関して、多数の区画
室、ゾーン又は領域に発展する。ステップ(404)におい
て、適応シーケンス(400)を実行するコンピュータは、
この特定サンプル記録の外乱変数値及び制御変数値を選
択し、マッピング技術によって作成された特定領域に対
して索引付け（indexing）をする。もし、これが、新し
い動作領域で、与えられたサンプル数よりも少ない場
合、神経ネットワーク(108)の再訓練のためにこれらを
セーブすることが適当と考えられる。制御はステップ(4
28)に進む。もしこれが新しい動作領域でなかった場
合、制御はステップ(404)からステップ(408)に進み、外
乱変数又は制御変数の中に非常に高い動的変化（dynami
c change）があるかどうか決定される。高い動的変化が
ある場合、このサンプルは重要であるかもしれない。な
ぜなら、神経ネットワーク(108)を訓練する際、これら
の高い過渡状態（transientconditions）が特に望まし
いことが経験的に知られているからである。制御はステ
ップ(406)に進む。高い動的状態がない場合、制御はス
テップ(410)に進み、オペレータからこの記録を含める
ことの要求があったかどうかが判断される。要求があっ
た場合、制御はステップ(406)に進む。もし、なかった
場合、制御はステップ(412)に進み、その他何かのルー
ルによってこのサンプルはセーブされるべきであること
を表示したかどうかが判断される。表示があった場合、
制御はステップ(406)に進む。表示がなかった場合、制
御はステップ(414)に進み、オペレータが再訓練のコマ
ンドを出したかどうかが判断される。再訓練のコマンド
は、集められたサンプルセットを、神経ネットワーク(1
08)を再訓練するために使用するのに適切な時間である
ことを表示する。再訓練はコマンドのあったときにだけ
開始させることが望ましいが、一定時間(例えば、１か
月)の経過後に自動的に開始させることもできる。
を実行する(図１２参照)。図１３に示す如く、適応シー
ケンス(400)は、ステップ(402)で開始する。シーケンス
(400)は、現在の制御変数値、外乱変数値及び操作変数
値の全部を、記録として格納（記憶）するために獲得す
る。操作変数値は、フィルターを通った値であって、経
路オプティマイザー(104)の中で使用されたものであ
り、各サンプリング間隔に対して記憶される。従って、
履歴データは必要とされる操作変数のために作成され、
神経ネットワーク(108)の完全な訓練を行なうことがで
きる。制御は次に、ステップ(404)に進む。ここでは、
外乱変数と制御変数の値が、システムはデータが完全に
得られていない新しい領域(region)の中で動作中である
ことを示すかどうかが決定される。望ましくは、外乱変
数と制御変数の数は配列(アレイ)の次元(dimensions)を
設定する。図１の望ましい実施例では、６次元配列であ
る。これらの次元又は変数の１つは、次に、変数の実現
可能範囲の部分区間にさらに分解される。これにより、
脱ブタン塔(20)の具体的運転条件に関して、多数の区画
室、ゾーン又は領域に発展する。ステップ(404)におい
て、適応シーケンス(400)を実行するコンピュータは、
この特定サンプル記録の外乱変数値及び制御変数値を選
択し、マッピング技術によって作成された特定領域に対
して索引付け（indexing）をする。もし、これが、新し
い動作領域で、与えられたサンプル数よりも少ない場
合、神経ネットワーク(108)の再訓練のためにこれらを
セーブすることが適当と考えられる。制御はステップ(4
28)に進む。もしこれが新しい動作領域でなかった場
合、制御はステップ(404)からステップ(408)に進み、外
乱変数又は制御変数の中に非常に高い動的変化（dynami
c change）があるかどうか決定される。高い動的変化が
ある場合、このサンプルは重要であるかもしれない。な
ぜなら、神経ネットワーク(108)を訓練する際、これら
の高い過渡状態（transientconditions）が特に望まし
いことが経験的に知られているからである。制御はステ
ップ(406)に進む。高い動的状態がない場合、制御はス
テップ(410)に進み、オペレータからこの記録を含める
ことの要求があったかどうかが判断される。要求があっ
た場合、制御はステップ(406)に進む。もし、なかった
場合、制御はステップ(412)に進み、その他何かのルー
ルによってこのサンプルはセーブされるべきであること
を表示したかどうかが判断される。表示があった場合、
制御はステップ(406)に進む。表示がなかった場合、制
御はステップ(414)に進み、オペレータが再訓練のコマ
ンドを出したかどうかが判断される。再訓練のコマンド
は、集められたサンプルセットを、神経ネットワーク(1
08)を再訓練するために使用するのに適切な時間である
ことを表示する。再訓練はコマンドのあったときにだけ
開始させることが望ましいが、一定時間(例えば、１か
月)の経過後に自動的に開始させることもできる。
【００４８】神経ネットワーク(108)を訓練する時、制
御はステップ(415)に進み、再訓練にを行なうメリット
に見合う程の新しいサンプルが十分に存在するかどうか
判断される。再訓練にはかなりの時間を要するし、新た
なサンプルを数個だけ再訓練しても変化は非常に僅かな
ものであるので、再訓練前に予め決められた数のサンプ
ルが存在することが望ましい。十分なサンプルが存在す
る場合、制御はステップ(416)に進む。ここで、システ
ムは、訓練の経過時間(training age)が限界かどうか、
即ち、利用される訓練サンプルは非常に古いかどうかを
決定する。例えば、脱ブタン塔(20)がある日に内部トレ
イの１つに損傷を受けたと仮定した場合、神経ネットワ
ーク(108)をその日以前のデータを用いて訓練すること
は妥当でない。なぜなら、そのデータは、その時点にお
いて脱ブタン塔(20)の運転状態を正確に表わしていない
からである。このため、訓練の経過時間の限界をセット
することにより、神経ネットワーク(108)を再訓練する
際、システム中に現存する物理条件のデータだけが利用
されることになる。もし、自動的に再訓練が行なわれる
場合は、デフォルトエイジ限界(default age limit)が
選択されることになる。ステップ(416)の後、制御はス
テップ(418)に進み、ここで分離再訓練タスク(450)(図
１３参照)が開始する。前述したように、プロセスは多
重タスク環境で運転することが望ましい。従って、この
時間集中動作（time intensive operation）は分離さ
れ、実時間の動作と並列に行なわれる。制御は次にステ
ップ(424)に進む。訓練コマンドを受け取っていない場
合、制御は、ステップ(414)からステップ(424)に進む。
また、新しいサンプルがあまりに少なすぎる場合、制御
はステップ(415)からステップ(424)に進む。ステップ(4
24)において、種々の変数値をサンプリングするために
スケジューラ(500)に呼び起こされるまで、適応シーケ
ンス(400)は休止又はスリープ状態になる。
御はステップ(415)に進み、再訓練にを行なうメリット
に見合う程の新しいサンプルが十分に存在するかどうか
判断される。再訓練にはかなりの時間を要するし、新た
なサンプルを数個だけ再訓練しても変化は非常に僅かな
ものであるので、再訓練前に予め決められた数のサンプ
ルが存在することが望ましい。十分なサンプルが存在す
る場合、制御はステップ(416)に進む。ここで、システ
ムは、訓練の経過時間(training age)が限界かどうか、
即ち、利用される訓練サンプルは非常に古いかどうかを
決定する。例えば、脱ブタン塔(20)がある日に内部トレ
イの１つに損傷を受けたと仮定した場合、神経ネットワ
ーク(108)をその日以前のデータを用いて訓練すること
は妥当でない。なぜなら、そのデータは、その時点にお
いて脱ブタン塔(20)の運転状態を正確に表わしていない
からである。このため、訓練の経過時間の限界をセット
することにより、神経ネットワーク(108)を再訓練する
際、システム中に現存する物理条件のデータだけが利用
されることになる。もし、自動的に再訓練が行なわれる
場合は、デフォルトエイジ限界(default age limit)が
選択されることになる。ステップ(416)の後、制御はス
テップ(418)に進み、ここで分離再訓練タスク(450)(図
１３参照)が開始する。前述したように、プロセスは多
重タスク環境で運転することが望ましい。従って、この
時間集中動作（time intensive operation）は分離さ
れ、実時間の動作と並列に行なわれる。制御は次にステ
ップ(424)に進む。訓練コマンドを受け取っていない場
合、制御は、ステップ(414)からステップ(424)に進む。
また、新しいサンプルがあまりに少なすぎる場合、制御
はステップ(415)からステップ(424)に進む。ステップ(4
24)において、種々の変数値をサンプリングするために
スケジューラ(500)に呼び起こされるまで、適応シーケ
ンス(400)は休止又はスリープ状態になる。
【００４９】ステップ(406)において、コンピュータ
は、制御変数値及び外乱変数値によって定義された領域
内のサンプル個数を決定する。制御はステップ(426)に
進み、その特定領域はサンプルで一杯かどうか判断され
る。一杯でない場合、また、制御がステップ(404)から
進んだ場合、制御はステップ(428)に進み、特定変数値
の全部が訓練セットに加えられ、サンプルセットの取替
えと、ステップ(416)で述べた訓練経過時間限界に基づ
く利用を可能ならしめる時刻表示(time stamp)がなされ
る。領域が一杯と考えられるとき、制御はステップ(42
6)からステップ(430)に進み、最も古くて非聖域(non-sa
cred)の訓練モデルサンプル記録が取り除かれる。非常
に顕著な(distinctive)サンプル記録がある場合、これ
は訓練セットの固定部分(permanent portion)であるこ
とが好ましい。この場合、これらの値は聖域の記録とし
て変更できないことが表示され、取り除くことはできな
い。制御はステップ(430)からステップ(428)に進み、新
しいサンプルが加えられれ、取り除かれた記録と置き換
えられる。ステップ(428)の後、制御はステップ(424)に
進み、変数をサンプリングする次の時間まで待機する。
は、制御変数値及び外乱変数値によって定義された領域
内のサンプル個数を決定する。制御はステップ(426)に
進み、その特定領域はサンプルで一杯かどうか判断され
る。一杯でない場合、また、制御がステップ(404)から
進んだ場合、制御はステップ(428)に進み、特定変数値
の全部が訓練セットに加えられ、サンプルセットの取替
えと、ステップ(416)で述べた訓練経過時間限界に基づ
く利用を可能ならしめる時刻表示(time stamp)がなされ
る。領域が一杯と考えられるとき、制御はステップ(42
6)からステップ(430)に進み、最も古くて非聖域(non-sa
cred)の訓練モデルサンプル記録が取り除かれる。非常
に顕著な(distinctive)サンプル記録がある場合、これ
は訓練セットの固定部分(permanent portion)であるこ
とが好ましい。この場合、これらの値は聖域の記録とし
て変更できないことが表示され、取り除くことはできな
い。制御はステップ(430)からステップ(428)に進み、新
しいサンプルが加えられれ、取り除かれた記録と置き換
えられる。ステップ(428)の後、制御はステップ(424)に
進み、変数をサンプリングする次の時間まで待機する。
【００５０】実際の再訓練タスク(450)を図１３に示し
ている。タスク(450)はステップ(452)で開始し、神経ネ
ットワーク(108)の再訓練は、従来の技術、望ましくは
当該分野で周知なバック伝搬技術を用いて行なわれる。
制御は次に、ステップ(454)に進み、定常状態のゲイン
変化分析が行なわれる。ステップ入力が古い重みマトリ
ックスと新しい重みマトリックスに供給され、結果の出
力変化が比較される。これらの値は本来、再訓練と再訓
練の間で変化すべきではないので、出力変化がある限界
を超える場合、又は実際に方向を変化させた場合、新し
い重みマトリックスが疑わしい。ステップ(456)で疑わ
しいと判断されると、制御はステップ(464)に進む。定
常状態のゲインが限界内にあるとみなされるとき、制御
はステップ(458)に進み、オペレータの承認を求めるた
めに、新しい重みマトリックスが供給される。全ての関
係者が、提案された重みマトリックス及び結果のプロセ
スオペレーションに満足することができるように、実施
前にオペレータの承認を得ることが望ましい。ステップ
(460)で承認されない場合、制御プロセスはステップ(46
4)に進む。承認された場合、新しいマトリックス値は先
の値と置き換えられ、制御システム(100)の運転は新し
い値で行なわれる。制御は次にステップ(464)に進み、
再訓練タスク(450)が終了する。
ている。タスク(450)はステップ(452)で開始し、神経ネ
ットワーク(108)の再訓練は、従来の技術、望ましくは
当該分野で周知なバック伝搬技術を用いて行なわれる。
制御は次に、ステップ(454)に進み、定常状態のゲイン
変化分析が行なわれる。ステップ入力が古い重みマトリ
ックスと新しい重みマトリックスに供給され、結果の出
力変化が比較される。これらの値は本来、再訓練と再訓
練の間で変化すべきではないので、出力変化がある限界
を超える場合、又は実際に方向を変化させた場合、新し
い重みマトリックスが疑わしい。ステップ(456)で疑わ
しいと判断されると、制御はステップ(464)に進む。定
常状態のゲインが限界内にあるとみなされるとき、制御
はステップ(458)に進み、オペレータの承認を求めるた
めに、新しい重みマトリックスが供給される。全ての関
係者が、提案された重みマトリックス及び結果のプロセ
スオペレーションに満足することができるように、実施
前にオペレータの承認を得ることが望ましい。ステップ
(460)で承認されない場合、制御プロセスはステップ(46
4)に進む。承認された場合、新しいマトリックス値は先
の値と置き換えられ、制御システム(100)の運転は新し
い値で行なわれる。制御は次にステップ(464)に進み、
再訓練タスク(450)が終了する。
【００５１】スケジューラ（500）の操作を図１４に示
している。スケジューラは、目標オプティマイザーシー
ケンス(200)、経路オプティマイザーシーケンス(300)及
び適応制御シーケンス(400)を定期的に呼び起こして、
これらのオペレーションを行なうことができるようにす
る。スケジューラ(500)の動作は、ステップ(502)で開始
し、目標オプティマイザーシーケンス（200）は呼び起
こされて再スタートする。制御はステップ(504)に進
み、目標オプティマイザーシーケンス(200)がスリープ
状態に戻るまで制御はループする。制御は、次にステッ
プ(506)に進み、経路オプティマイザーシーケンス(300)
が呼び起こされる。制御はステップ(508)に進み、経路
オプティマイザーシーケンス(300)がスリープ状態に戻
るまで制御は行なわれる。制御は次に、ステップ(510)
(512)に進み、適応制御シーケンス(400)に関して同じよ
うなアクションがとられる。制御は次に、ステップ(51
4)に進み、次のサンプル時間即ちシーケンスの通過時間
が経過したかどうか判断される。経過していなかった場
合、サンプル時間に達するまで、制御はステップ（51
4）にとどまっている。経過していた場合、制御はステ
ップ(502)に戻り、プロセスは繰り返される。
している。スケジューラは、目標オプティマイザーシー
ケンス(200)、経路オプティマイザーシーケンス(300)及
び適応制御シーケンス(400)を定期的に呼び起こして、
これらのオペレーションを行なうことができるようにす
る。スケジューラ(500)の動作は、ステップ(502)で開始
し、目標オプティマイザーシーケンス（200）は呼び起
こされて再スタートする。制御はステップ(504)に進
み、目標オプティマイザーシーケンス(200)がスリープ
状態に戻るまで制御はループする。制御は、次にステッ
プ(506)に進み、経路オプティマイザーシーケンス(300)
が呼び起こされる。制御はステップ(508)に進み、経路
オプティマイザーシーケンス(300)がスリープ状態に戻
るまで制御は行なわれる。制御は次に、ステップ(510)
(512)に進み、適応制御シーケンス(400)に関して同じよ
うなアクションがとられる。制御は次に、ステップ(51
4)に進み、次のサンプル時間即ちシーケンスの通過時間
が経過したかどうか判断される。経過していなかった場
合、サンプル時間に達するまで、制御はステップ（51
4）にとどまっている。経過していた場合、制御はステ
ップ(502)に戻り、プロセスは繰り返される。
【００５２】通常の運転では、目標オプティマイザー(1
02)、経路オプティマイザー(104)及び適応制御部(106)
の全ては、図１４に示す如く順次実行される。しかし、
目標オプティマイザー(102)と経路オプティマイザー(10
4)は、神経ネットワーク(108)で満足すべき係数が得ら
れるまで、脱ブタン塔(20)を制御することはできない。
脱ブタン塔(20)の適応シーケンス(400)だけを実行する
ことが望ましい。以前の制御システムによってコントロ
ールされるが、それは制御システム(100)と置き換えら
れるべきだからである。これによって、実際のサイト特
定データを容易に集めることができ、オリジナルに近い
重みマトリックスを展開することができる。次のステッ
プとして、制御システム(100)は制御運転することがで
きるが、書込み無しのシャドーモードである。目標オプ
ティマイザー(102)と経路オプティマイザー(104)の出力
は、実際にはコントローラに加えられない。制御システ
ム(100)の確信(confidence)を得るために、２つの制御
システムの比較は時間を延ばして行なうことができる。
結局、その出力は活動化し、切換えが行なわれる。適応
制御部(106)は、より正確な訓練情報を作成することが
できる。時間をかけて、神経ネットワークの重みマトリ
ックスは、特定の脱ブタン塔(20)の最適値に調整され
る。この追加の訓練により、モデルの有効非線形性は容
易に増大し、実際のシステムの非線形性により接近す
る。その結果、性能は、同じシステムを制御しようとす
る線形モデルよりも、遥かに広範囲に亘って大きく改善
される。
02)、経路オプティマイザー(104)及び適応制御部(106)
の全ては、図１４に示す如く順次実行される。しかし、
目標オプティマイザー(102)と経路オプティマイザー(10
4)は、神経ネットワーク(108)で満足すべき係数が得ら
れるまで、脱ブタン塔(20)を制御することはできない。
脱ブタン塔(20)の適応シーケンス(400)だけを実行する
ことが望ましい。以前の制御システムによってコントロ
ールされるが、それは制御システム(100)と置き換えら
れるべきだからである。これによって、実際のサイト特
定データを容易に集めることができ、オリジナルに近い
重みマトリックスを展開することができる。次のステッ
プとして、制御システム(100)は制御運転することがで
きるが、書込み無しのシャドーモードである。目標オプ
ティマイザー(102)と経路オプティマイザー(104)の出力
は、実際にはコントローラに加えられない。制御システ
ム(100)の確信(confidence)を得るために、２つの制御
システムの比較は時間を延ばして行なうことができる。
結局、その出力は活動化し、切換えが行なわれる。適応
制御部(106)は、より正確な訓練情報を作成することが
できる。時間をかけて、神経ネットワークの重みマトリ
ックスは、特定の脱ブタン塔(20)の最適値に調整され
る。この追加の訓練により、モデルの有効非線形性は容
易に増大し、実際のシステムの非線形性により接近す
る。その結果、性能は、同じシステムを制御しようとす
る線形モデルよりも、遥かに広範囲に亘って大きく改善
される。
【００５３】望ましい実施例における脱ブタン塔（20）
は、単なる例示にすぎないことは理解されるべきであ
る。本発明にかかる技術とプロセスは、その他多くのプ
ロセス制御環境、具体的には多重変数、より具体的には
非線形の環境に使用することができるのであって、脱ブ
タン塔の運転に関する詳細な記載に限定するものではな
い。さらにまた、特定のプロセス及び環境に応じて、そ
の他の神経ネットワーク配列を用いることもできる。さ
らに、操作変数、外乱変数及び制御変数の数、最適化目
標及び変数限界は、特定プロセスに適合させるために変
更することができる。
は、単なる例示にすぎないことは理解されるべきであ
る。本発明にかかる技術とプロセスは、その他多くのプ
ロセス制御環境、具体的には多重変数、より具体的には
非線形の環境に使用することができるのであって、脱ブ
タン塔の運転に関する詳細な記載に限定するものではな
い。さらにまた、特定のプロセス及び環境に応じて、そ
の他の神経ネットワーク配列を用いることもできる。さ
らに、操作変数、外乱変数及び制御変数の数、最適化目
標及び変数限界は、特定プロセスに適合させるために変
更することができる。
【００５４】本発明を説明したが、当該分野の専門家で
あれば、技術、材料及び設備について種々の変形をなし
得るであろう。発明の精神の範囲内におけるそれら変形
は全て、特許請求の範囲に包含されるものである。
あれば、技術、材料及び設備について種々の変形をなし
得るであろう。発明の精神の範囲内におけるそれら変形
は全て、特許請求の範囲に包含されるものである。
【図１】本発明にかかる制御システムによって制御され
る脱プロパン塔−脱ブタン塔システムの配管図である。
る脱プロパン塔−脱ブタン塔システムの配管図である。
【図２】図１の脱ブタン塔への適用例に関し、本発明の
制御システムの種々入力及び出力を示すブロック図であ
る。
制御システムの種々入力及び出力を示すブロック図であ
る。
【図３】図２の制御システム中、目標オプティマイザー
の入力と出力を示すブロック図である。
の入力と出力を示すブロック図である。
【図４】図２の制御システム中、経路オプティマイザー
の入力と出力を示すブロック図である。
の入力と出力を示すブロック図である。
【図５】図２の制御システム中、適応制御部の入力と出
力を示すブロック図である。
力を示すブロック図である。
【図６】図３の目標オプティマイザー、図４の経路オプ
ティマイザー及び図５の適応制御部に使用される神経ネ
ットワークのブロック図である。
ティマイザー及び図５の適応制御部に使用される神経ネ
ットワークのブロック図である。
【図７】図１の脱ブタン塔に使用する本発明の電気回路
のブロック図である。
のブロック図である。
【図８】図３の目標オプティマイザーの動作のフローチ
ャート図である。
ャート図である。
【図９】図８の目標オプティマイザーの最適化プロセス
の動作のフローチャート図である。
の動作のフローチャート図である。
【図１０】図４の経路オプティマイザーの動作のフロー
チャート図である。
チャート図である。
【図１１】図１０の経路オプティマイザーの最適化プロ
セスのフローチャート図である。
セスのフローチャート図である。
【図１２】図５の適応制御部の動作のフローチャート図
である。
である。
【図１３】図１２の再訓練タスクの動作のフローチャー
ト図である。
ト図である。
【図１４】図８の目標オプティマイザー、図１０の経路
オプティマイザー及び図１２の適応制御部を開始させる
スケジューラの動作のフローチャート図である。
オプティマイザー及び図１２の適応制御部を開始させる
スケジューラの動作のフローチャート図である。
(100) プロセス制御システム
(102) 目標オプティマイザー
(104) 経路オプティマイザー
(106) 適応制御部
(108) 神経ネットワーク
─────────────────────────────────────────────────────
フロントページの続き
(51)Int.Cl.7 識別記号 ＦＩ
Ｇ０５Ｂ 13/04 Ｇ０５Ｂ 13/04
19/02 19/02 Ｐ
Ｔ
Ｇ０６Ｆ 15/18 Ｇ０６Ｆ 15/18
(73)特許権者 595023035
テキサコ デベロプメント コーポレイ
ション
アメリカ合衆国 10650 ニューヨーク,
ホワイト プレインズ，ウエストチェス
ター アベニュー 2000
(74)上記１名の代理人 100066728
弁理士 丸山 敏之 （外１名）
(72)発明者 ティモシー ジェイ．グラエッティンガ
ー
アメリカ合衆国 15102 ペンシルバニ
ア，ベセルパーク，ブルーストーン ド
ライブ 221
(72)発明者 アレクサンダー ジェイ．フェデロウィ
クズ
アメリカ合衆国 15217 ペンシルバニ
ア，ピッツバーグ，シェイディー アベ
ニュー 1814
(72)発明者 ポール エイ．デュボウス
アメリカ合衆国 27514 ノースキャロ
ライナ，チャペル ヒル，エス．レーク
ショアー ドライブ 2013
(72)発明者 ネイビーン ブイ．バット
アメリカ合衆国 77063 テキサス，ヒ
ューストン，エス．ゲスナー 2100，ア
パートメント 1506
(72)発明者 ウィリアム ビー．ブレイデン
アメリカ合衆国 77098 テキサス，ヒ
ューストン，ウエスト アラバマ 2229
(72)発明者 ケント イー．ヘッケンドーン
アメリカ合衆国 77005 テキサス，ヒ
ューストン，ケイソン 2718
(56)参考文献 特開 平４−252302（ＪＰ，Ａ)
特開 平４−346102（ＪＰ，Ａ)
米国特許4230534（ＵＳ，Ａ)
欧州特許出願公開432267（ＥＰ，Ａ
１)
(58)調査した分野(Int.Cl.7，ＤＢ名)
G05B 13/02
C10G 7/00
C10G 7/12
G05B 11/32
G05B 13/04
G05B 19/02
G06F 15/18
Claims (50)
- 【請求項１】 複数の外乱変数をプロセス入力条件とし
て、複数の操作変数をプロセス制御条件として、及び複
数の制御変数をプロセス出力条件として有するプロセス
の制御システムであって：外乱変数の値を周期的に決定
する手段；決定された外乱変数値に基づいて制御変数の
値を最適化し、最適化された制御変数値と関連づけられ
た目標操作変数値を供給する手段；目標操作変数値を受
け取り、現存する操作変数値から目標操作変数値への移
動(ムーブメント)を最適化し、新たな操作変数値を供給
するための手段；及び制御変数最適化手段とムーブメン
ト最適化手段に結合され、操作変数値及び外乱変数値を
受け取り、プロセスが制御されていることを表わす結果
の制御変数値を作る神経ネットワーク；を備えている、
プロセス制御装置。 - 【請求項２】 神経ネットワークは、各々が操作変数か
らなる複数の入力を有しており、操作変数の複数入力が
等しい値を受け取るとき、結果の制御変数値は定常状態
の値であり、操作変数の複数入力が異なる値を受け取る
とき、結果の制御変数値は将来の値である請求項１に記
載の制御装置。 - 【請求項３】 制御変数の最適化手段とムーブメント最
適化手段は、複数の操作変数値を展開する手段を備え、
神経ネットワークに供給して夫々の最適化のために複数
の制御変数値を作り、制御変数の最適化手段は、等しい
値を操作変数からなる複数の入力に供給し、ムーブメン
ト最適化手段は、時間に依存して変化する値を操作変数
からなる複数の入力に供給する請求項２に記載の制御装
置。 - 【請求項４】 神経ネットワークは、各々が外乱変数か
らなる複数の入力を有しており、外乱変数からなる複数
の入力が等しい値を受け取るとき、結果の制御変数値は
定常状態の値であり、操作変数からなる複数入力が異な
る値を受け取るとき、結果の制御変数値は将来の値であ
る請求項１に記載の制御装置。 - 【請求項５】 神経ネットワークは、各々が操作変数か
らなる複数の入力を有しており、操作変数からなる複数
の入力が等しい値を受け取るとき、結果の制御変数値は
定常状態の値であり、操作変数からなる複数の入力が異
なる値を受け取るとき、結果の制御変数値は将来の値で
ある請求項４に記載の制御装置。 - 【請求項６】 制御変数の最適化手段とムーブメント最
適化手段は、複数の操作変数値及び外乱変数値を展開す
る手段を備え、神経ネットワークに供給して夫々の最適
化のために複数の制御変数値を作り、制御変数の最適化
手段は、等しい値を操作変数及び外乱変数の複数入力に
供給し、ムーブメント最適化手段は、時間に依存して変
化する値を操作変数及び外乱変数の複数入力に供給する
請求項５に記載の制御装置。 - 【請求項７】 制御変数の最適化手段は、最適化を行な
う間、利用されるべき制御変数及び操作変数の限界を設
定する手段と、その限界を用いて最適な解を得ることが
できないときに、制御変数の限界を変更する手段を備え
ている請求項１に記載の制御装置。 - 【請求項８】 限界を変更する手段によって、全ての限
界が取り除かれる請求項７に記載の制御装置。 - 【請求項９】 限界を変更する手段は、限界を、経済的
影響の最も少ない順に変更する請求項７に記載の制御装
置。 - 【請求項１０】 制御変数の値の最適化は、測定された
値と最適化されるべき値との間で変換関数を利用して行
ない、限界を変更する手段は、限界の外で連続関数とな
るように変換関数を変更する請求項７に記載の制御装
置。 - 【請求項１１】 連続関数は、限界の外のゼロ最適化値
まで速やかにランプする請求項１０に記載の制御装置。 - 【請求項１２】 ムーブメント最適化手段は、規則正し
く周期的に作動し、制御変数最適化手段は、外乱変数又
は制御変数の変化限界を設定する手段を含んでおり、外
乱変数又は制御変数の変化が夫々の限界を超えたときに
作動する請求項１に記載の制御装置。 - 【請求項１３】 神経ネットワークを訓練するときに使
用するために、外乱変数値、操作変数値及び制御変数値
をモニターし、モニターされた変数値を記憶する手段を
備えている請求項１に記載の制御装置。 - 【請求項１４】 モニター及び記憶手段は、夫々の外乱
変数値及び制御変数値を決定し、外乱変数値及び制御変
数値について予め定められた範囲内にて記憶されモニタ
ーされた数が、予め定められた数より少ないとき、モニ
ターされた変数を記憶する請求項１３に記載の制御装
置。 - 【請求項１５】 モニター及び記憶手段は、外乱変数及
び制御変数の動的値を決定し、その動的値が予め定めら
れた限界を超えるとき、モニターされた変数値を記憶す
る請求項１３に記載の制御装置。 - 【請求項１６】 複数の外乱変数をプロセス入力条件と
して、複数の操作変数をプロセス制御条件として、及び
複数の制御条件をプロセス出力条件として有するプロセ
スを制御する方法であって：外乱変数の値を周期的に決
定する工程；決定された外乱変数値に基づいて制御変数
の値を最適化し、最適化された制御変数値と関連づけら
れた目標操作変数値を供給する工程；及び現存する操作
変数値から目標操作変数への移動(ムーブメント)を最適
化し、新たな操作変数値を供給する工程を有しており；
及び制御変数の最適化工程及びムーブメント最適化工程
は、神経ネットワークを利用して、操作変数値及び外乱
変数値を受け取り、プロセスが制御されていることを表
わす結果の制御変数値を作る、プロセス制御方法。 - 【請求項１７】 神経ネットワークは、各々が操作変数
からなる複数の入力を有しており、操作変数の複数入力
が等しい値を受け取るとき、結果の制御変数値は定常状
態の値であり、操作変数の複数入力が異なる値を受け取
るとき、結果の制御変数値は将来の値である請求項１６
に記載の方法。 - 【請求項１８】 制御変数の最適化工程とムーブメント
最適化工程は、複数の操作変数値を展開する工程を有
し、神経ネットワークに供給して夫々の最適化のために
複数の制御変数値を作り、制御変数の最適化工程は、等
しい値を操作変数の複数入力に供給し、ムーブメント最
適化工程は、時間に依存して変化する値を操作変数の複
数入力に供給する請求項１７に記載の方法。 - 【請求項１９】 神経ネットワークは、各々が外乱変数
からなる複数の入力を有しており、外乱変数の複数入力
が等しい値を受け取るとき、結果の制御変数値は定常状
態の値であり、操作変数の複数入力が異なる値を受け取
るとき、結果の制御変数値は将来の値である請求項１６
に記載の方法。 - 【請求項２０】 神経ネットワークは、各々が操作変数
からなる複数の入力を有しており、操作変数の複数入力
が等しい値を受け取るとき、結果の制御変数値は定常状
態の値であり、操作変数の複数入力が異なる値を受け取
るとき、結果の制御変数値は将来の値である請求項１９
に記載の方法。 - 【請求項２１】 制御変数の最適化工程とムーブメント
最適化工程は、複数の操作変数値及び外乱変数値を展開
する工程を有し、神経ネットワークに供給して夫々の最
適化のために複数の制御変数値を作り、制御変数の最適
化工程は、等しい値を操作変数及び外乱変数の複数入力
に供給し、ムーブメント最適化工程は、時間に依存して
変化する値を操作変数及び外乱変数の複数入力に供給す
る請求項２０に記載の方法。 - 【請求項２２】 制御変数の最適化工程は、最適化を行
なう間、利用されるべき制御変数及び操作変数の限界を
設定する工程、及びその限界を用いて最適な解を得るこ
とができないときに、制御変数の限界を変更する工程を
有している請求項１６に記載の方法。 - 【請求項２３】 限界を変更する工程では、全ての限界
が取り除かれる請求項２２に記載の方法。 - 【請求項２４】 限界を変更する工程では、限界は、経
済的影響の最も少ない順に変更される請求項２２に記載
の方法。 - 【請求項２５】 制御変数の値の最適化は、測定された
値と最適化されるべき値との間で変換関数を利用して行
ない、限界を変更する工程では、限界の外で連続関数と
なるように変換関数が変更される請求項２２に記載の方
法。 - 【請求項２６】 連続関数は、限界の外のゼロ最適化値
まで速やかにランプする請求項２６に記載の方法。 - 【請求項２７】 ムーブメント最適化工程は、規則正し
く周期的に動作し、制御変数最適化工程は、外乱変数又
は制御変数の変化限界を設定し、外乱変数又は制御変数
の変化が夫々の限界を超えたときに動作する請求項１６
に記載の方法。 - 【請求項２８】 神経ネットワークを訓練するときに使
用するために、外乱変数値、操作変数値及び制御変数値
をモニターし、モニターされた変数値を記憶する工程を
有して請求項１６に記載の方法。 - 【請求項２９】 モニター及び記憶工程は、夫々の外乱
変数値及び制御変数値を決定し、外乱変数値及び制御変
数値について予め定められた範囲内に記憶されモニター
された数が、予め定められた数より少ないとき、モニタ
ーされた変数を記憶する請求項２８に記載の方法。 - 【請求項３０】 モニター及び記憶工程は、外乱変数及
び制御変数の動的値を決定し、その動的値が予め定めら
れた限界を超えるとき、モニターされた変数値を記憶す
る請求項２８に記載の方法。 - 【請求項３１】 プロセス入力条件として複数の外乱変
数、プロセス制御条件として複数の操作変数、及びプロ
セス出力条件として複数の制御変数を有しており、石油
精製における蒸留を行なうシステムであって：入力フィ
ードストリームを受け取り、上部及び下部の出力ストリ
ームを供給する手段を有する蒸留塔；上部の出力ストリ
ームを冷却する手段；冷却された上部出力ストリームの
一部を制御しながら蒸留塔に戻す手段であって、制御し
ながら戻される量は操作変数であり；蒸留塔の中の物質
の圧力を制御しながら維持する手段であって、制御しな
がら維持する圧力のレベルは操作変数であり；蒸留塔の
中の物質の一部を制御しながら加熱する手段であって、
制御しながら加熱する加熱量は操作変数であり；外乱変
数の値を周期的に決定する手段；決定された外乱変数値
に基づいて制御変数の値を最適化し、最適化された制御
変数値と関連づけられた目標操作変数値を供給する手
段；目標操作変数値を受け取り、現存する操作変数値か
ら目標操作変数への移動(ムーブメント)を最適化し、新
たな操作変数値を供給するための手段；及び制御変数最
適化手段とムーブメント最適化手段に結合され、操作変
数値及び外乱変数値を受け取り、蒸留プロセスが制御さ
れていることを表わす結果の制御変数値を作る神経ネッ
トワーク；を備えている、石油精製の蒸留プロセスを行
なう装置。 - 【請求項３２】 神経ネットワークは、各々が操作変数
からなる複数の入力を有しており、操作変数の複数入力
が等しい値を受け取るとき、結果の制御変数値は定常状
態の値であり、操作変数の複数入力が異なる値を受け取
るとき、結果の制御変数値は将来の値である請求項３１
に記載の装置。 - 【請求項３３】 制御変数の最適化手段とムーブメント
最適化手段は、複数の操作変数値を展開する手段を備
え、神経ネットワークに供給して夫々の最適化のために
複数の制御変数値を作り、制御変数の最適化手段は、等
しい値を操作変数の複数入力に供給し、ムーブメント最
適化手段は、時間に依存して変化する値を操作変数の複
数入力に供給する請求項３２に記載の装置。 - 【請求項３４】 神経ネットワークは、各々が外乱変数
からなる複数の入力を有しており、外乱変数の複数入力
が等しい値を受け取るとき、結果の制御変数値は定常状
態の値であり、操作変数の複数入力が異なる値を受け取
るとき、結果の制御変数値は将来の値である請求項３１
に記載の装置。 - 【請求項３５】 神経ネットワークは、各々が操作変数
からなる複数の入力を有しており、操作変数の複数入力
が等しい値を受け取るとき、結果の制御変数値は定常状
態の値であり、操作変数の複数入力が異なる値を受け取
るとき、結果の制御変数値は将来の値である請求項３４
に記載の装置。 - 【請求項３６】 制御変数の最適化手段とムーブメント
最適化手段は、複数の操作変数値及び外乱変数値を展開
する手段を備え、神経ネットワークに供給して夫々の最
適化のために複数の制御変数値を作り、制御変数の最適
化手段は、等しい値を操作変数及び外乱変数の複数入力
に供給し、ムーブメント最適化手段は、時間に依存して
変化する値を操作変数及び外乱変数の複数入力に供給す
る請求項３５に記載の装置。 - 【請求項３７】 制御変数の最適化手段は、最適化を行
なう間、利用されるべき制御変数及び操作変数の限界を
設定する手段と、その限界を用いて最適な解を得ること
ができないときに、制御変数の限界を変更する手段を備
えている請求項３７に記載の装置。 - 【請求項３８】 限界を変更する手段によって、全ての
限界が取り除かれる請求項３７に記載の装置。 - 【請求項３９】 限界を変更する手段は、限界を、経済
的影響の最も少ない順に変更する請求項３７に記載の装
置。 - 【請求項４０】 制御変数の値の最適化は、測定された
値と最適化されるべき値との間で変換関数を利用して行
ない、限界を変更する手段は、限界の外で連続関数とな
るように変換関数を変更する請求項３７に記載の制御装
置。 - 【請求項４１】 連続関数は、限界の外のゼロ最適化値
まで速やかにランプする請求項４０に記載の制御装置。 - 【請求項４２】 ムーブメント最適化手段は、規則正し
く周期的に作動し、制御変数最適化手段は、外乱変数又
は制御変数の変化限界を設定する手段を含んでおり、外
乱変数又は制御変数の変化が夫々の限界を超えたときに
動作する請求項３１に記載の装置。 - 【請求項４３】 神経ネットワークを訓練するときに使
用するために、外乱変数値、操作変数値及び制御変数値
をモニターし、モニターされた変数値を記憶する手段を
備えている請求項３１に記載の装置。 - 【請求項４４】 モニター及び記憶手段は、夫々の外乱
変数値及び制御変数値を決定し、外乱変数値及び制御変
数値について予め定められた範囲内に記憶されモニター
された数が、予め定められた数より少ないとき、モニタ
ーされた変数を記憶する請求項４３に記載の装置。 - 【請求項４５】 モニター及び記憶手段は、外乱変数及
び制御変数の動的値を決定し、その動的値が予め定めら
れた限界を超えるとき、モニターされた変数値を記憶す
る請求項４３に記載の装置。 - 【請求項４６】 制御しながら加熱する手段は、蒸留塔
のほぼ底部から物質を受け取る手段と、受けた物質を加
熱する手段と、加熱した物質を蒸留塔に戻す手段、を備
えている請求項３１に記載の装置。 - 【請求項４７】 新しいサンプルを形成するために、特
定時間に神経ネットワークの種々の入力値と出力値を獲
得する工程；ｎ次元マトリックスのセルを発展させる工
程であって、ｎは神経ネットワークの入力と出力の合計
数であり、各軸の合計範囲は神経ネットワークの夫々の
入力又は出力の値の範囲に対応しており、各軸の合計範
囲はセル範囲に小区分して各軸を複数のセル範囲とし、
これによってマトリックス中のセルの合計数は、各軸の
合計範囲におけるセル範囲の数の積となるようにしてお
り；新しいサンプル中の獲得した入力値及び出力値に基
づいて、ｎ次元マトリックス内の対応するセルを決定す
る工程；対応セルの中で以前に記憶されたサンプルの数
を決定する工程；及び決定された数が、予め決められた
限界よりも少ないとき、新しいサンプルを以前に記憶さ
れたサンプルに加える工程、からなる神経ネットワーク
の訓練用サンプルセットを作る方法。 - 【請求項４８】 以前に記憶されたサンプルについて決
定された数が、予め決められた数を超えるとき、新しい
サンプルが、神経ネットワークを訓練するのに望ましい
その他の条件を示す値を含むかどうかを決定する工程；
及び新しいサンプルが前記値を含むとき、対応する全部
の中に以前に記憶されたサンプルを取り除き、新しいサ
ンプルを以前に記憶されたサンプルに加える工程、を有
している請求項４７に記載の方法。 - 【請求項４９】 以前に記憶されたサンプルで取り除か
れるのは最も古いサンプルである請求項４８に記載の方
法。 - 【請求項５０】 以前に記憶されたサンプルで取り除か
れるのは最も古いサンプルであって、永久サンプルとし
て印されていない請求項４７に記載の方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US07/944,645 US5477444A (en) | 1992-09-14 | 1992-09-14 | Control system using an adaptive neural network for target and path optimization for a multivariable, nonlinear process |
| US944645 | 2001-08-31 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH07134603A JPH07134603A (ja) | 1995-05-23 |
| JP3523891B2 true JP3523891B2 (ja) | 2004-04-26 |
Family
ID=25481800
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP22929893A Expired - Lifetime JP3523891B2 (ja) | 1992-09-14 | 1993-09-14 | プロセス制御装置及び方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (2) | US5477444A (ja) |
| EP (1) | EP0588594B1 (ja) |
| JP (1) | JP3523891B2 (ja) |
| CA (1) | CA2106049A1 (ja) |
| DE (1) | DE69315291T2 (ja) |
Families Citing this family (176)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE3700366A1 (de) * | 1987-01-08 | 1988-07-21 | Leybold Ag | Einrichtung zum ermitteln der jeweiligen dicke von sich veraendernden material-schichten auf einem substrat waehrend des beschichtungsvorgangs |
| US5212765A (en) * | 1990-08-03 | 1993-05-18 | E. I. Du Pont De Nemours & Co., Inc. | On-line training neural network system for process control |
| US5481615A (en) * | 1993-04-01 | 1996-01-02 | Noise Cancellation Technologies, Inc. | Audio reproduction system |
| WO1995002213A1 (de) * | 1993-07-05 | 1995-01-19 | Siemens Aktiengesellschaft | Verfahren zur bestimmung optimaler werte für stellgrössen eines technischen systems |
| US5586221A (en) * | 1994-07-01 | 1996-12-17 | Syracuse University | Predictive control of rolling mills using neural network gauge estimation |
| EP0704775A1 (de) | 1994-08-22 | 1996-04-03 | Zellweger Luwa Ag | Verfahren und Vorrichtung zur Bestimmung von relevanten Grössen bei einer Verarbeitung von textilen Gebilden |
| DE19516627A1 (de) * | 1995-05-05 | 1996-11-07 | Ranco Inc | Verfahren und Vorrichtung zur Regelung eines Prozesses |
| US6539267B1 (en) | 1996-03-28 | 2003-03-25 | Rosemount Inc. | Device in a process system for determining statistical parameter |
| US7254518B2 (en) * | 1996-03-28 | 2007-08-07 | Rosemount Inc. | Pressure transmitter with diagnostics |
| US8290721B2 (en) | 1996-03-28 | 2012-10-16 | Rosemount Inc. | Flow measurement diagnostics |
| US6017143A (en) * | 1996-03-28 | 2000-01-25 | Rosemount Inc. | Device in a process system for detecting events |
| US7949495B2 (en) | 1996-03-28 | 2011-05-24 | Rosemount, Inc. | Process variable transmitter with diagnostics |
| US6654697B1 (en) | 1996-03-28 | 2003-11-25 | Rosemount Inc. | Flow measurement with diagnostics |
| US5796922A (en) * | 1996-03-29 | 1998-08-18 | Weber State University | Trainable, state-sampled, network controller |
| US6110214A (en) * | 1996-05-03 | 2000-08-29 | Aspen Technology, Inc. | Analyzer for modeling and optimizing maintenance operations |
| US5877954A (en) * | 1996-05-03 | 1999-03-02 | Aspen Technology, Inc. | Hybrid linear-neural network process control |
| US5809490A (en) * | 1996-05-03 | 1998-09-15 | Aspen Technology Inc. | Apparatus and method for selecting a working data set for model development |
| US7418301B2 (en) * | 1996-05-06 | 2008-08-26 | Pavilion Technologies, Inc. | Method and apparatus for approximating gains in dynamic and steady-state processes for prediction, control, and optimization |
| US7610108B2 (en) * | 1996-05-06 | 2009-10-27 | Rockwell Automation Technologies, Inc. | Method and apparatus for attenuating error in dynamic and steady-state processes for prediction, control, and optimization |
| US6278899B1 (en) | 1996-05-06 | 2001-08-21 | Pavilion Technologies, Inc. | Method for on-line optimization of a plant |
| US7149590B2 (en) * | 1996-05-06 | 2006-12-12 | Pavilion Technologies, Inc. | Kiln control and upset recovery using a model predictive control in series with forward chaining |
| US6381504B1 (en) | 1996-05-06 | 2002-04-30 | Pavilion Technologies, Inc. | Method for optimizing a plant with multiple inputs |
| US6047221A (en) * | 1997-10-03 | 2000-04-04 | Pavilion Technologies, Inc. | Method for steady-state identification based upon identified dynamics |
| US8311673B2 (en) * | 1996-05-06 | 2012-11-13 | Rockwell Automation Technologies, Inc. | Method and apparatus for minimizing error in dynamic and steady-state processes for prediction, control, and optimization |
| US7058617B1 (en) * | 1996-05-06 | 2006-06-06 | Pavilion Technologies, Inc. | Method and apparatus for training a system model with gain constraints |
| US6438430B1 (en) * | 1996-05-06 | 2002-08-20 | Pavilion Technologies, Inc. | Kiln thermal and combustion control |
| US5933345A (en) * | 1996-05-06 | 1999-08-03 | Pavilion Technologies, Inc. | Method and apparatus for dynamic and steady state modeling over a desired path between two end points |
| US6839599B2 (en) * | 1996-05-06 | 2005-01-04 | Pavilion Technologies, Inc. | Kiln/cooler control and upset recovery using a combination of model predictive control and expert systems |
| US6493596B1 (en) | 1996-05-06 | 2002-12-10 | Pavilion Technologies, Inc. | Method and apparatus for controlling a non-linear mill |
| US6246972B1 (en) | 1996-08-23 | 2001-06-12 | Aspen Technology, Inc. | Analyzer for modeling and optimizing maintenance operations |
| GB9617907D0 (en) | 1996-08-28 | 1996-10-09 | British Telecomm | Communications network |
| US6078946A (en) * | 1996-09-10 | 2000-06-20 | First World Communications, Inc. | System and method for management of connection oriented networks |
| US5850339A (en) * | 1996-10-31 | 1998-12-15 | Giles; Philip M. | Analysis of data in cause and effect relationships |
| US6754601B1 (en) | 1996-11-07 | 2004-06-22 | Rosemount Inc. | Diagnostics for resistive elements of process devices |
| US6449574B1 (en) | 1996-11-07 | 2002-09-10 | Micro Motion, Inc. | Resistance based process control device diagnostics |
| US6434504B1 (en) | 1996-11-07 | 2002-08-13 | Rosemount Inc. | Resistance based process control device diagnostics |
| US6601005B1 (en) | 1996-11-07 | 2003-07-29 | Rosemount Inc. | Process device diagnostics using process variable sensor signal |
| US6519546B1 (en) | 1996-11-07 | 2003-02-11 | Rosemount Inc. | Auto correcting temperature transmitter with resistance based sensor |
| US5956663A (en) * | 1996-11-07 | 1999-09-21 | Rosemount, Inc. | Signal processing technique which separates signal components in a sensor for sensor diagnostics |
| US6047220A (en) * | 1996-12-31 | 2000-04-04 | Rosemount Inc. | Device in a process system for validating a control signal from a field device |
| DE69800898T2 (de) * | 1997-01-25 | 2002-04-04 | Toshiba Kawasaki Kk | Anpassungsregelgenerierungsverfahren, Anpassungsregelgenerierungsgerät, Anpassungssteuerungsverfahren, und Anpassungssteuerungsgerät |
| EP1023650B1 (en) | 1997-10-13 | 2003-09-24 | Rosemount Inc. | Communication technique for field devices in industrial processes |
| US6122557A (en) * | 1997-12-23 | 2000-09-19 | Montell North America Inc. | Non-linear model predictive control method for controlling a gas-phase reactor including a rapid noise filter and method therefor |
| US6031984A (en) * | 1998-03-09 | 2000-02-29 | I2 Technologies, Inc. | Method and apparatus for optimizing constraint models |
| NO311286B1 (no) * | 1998-06-17 | 2001-11-12 | Nyfotek As | Fremgangsmåte for optimalisering av entropiproduksjonen i en eller flere kjemiske reaktorer |
| US20010025232A1 (en) * | 1998-10-02 | 2001-09-27 | Klimasauskas Casimir C. | Hybrid linear-neural network process control |
| US6615149B1 (en) | 1998-12-10 | 2003-09-02 | Rosemount Inc. | Spectral diagnostics in a magnetic flow meter |
| US6611775B1 (en) | 1998-12-10 | 2003-08-26 | Rosemount Inc. | Electrode leakage diagnostics in a magnetic flow meter |
| US8044793B2 (en) | 2001-03-01 | 2011-10-25 | Fisher-Rosemount Systems, Inc. | Integrated device alerts in a process control system |
| US6633782B1 (en) | 1999-02-22 | 2003-10-14 | Fisher-Rosemount Systems, Inc. | Diagnostic expert in a process control system |
| US6298454B1 (en) | 1999-02-22 | 2001-10-02 | Fisher-Rosemount Systems, Inc. | Diagnostics in a process control system |
| US6975219B2 (en) * | 2001-03-01 | 2005-12-13 | Fisher-Rosemount Systems, Inc. | Enhanced hart device alerts in a process control system |
| US6377908B1 (en) * | 1999-05-14 | 2002-04-23 | General Electric Company | Method for optimizing transfer function outputs |
| US6356191B1 (en) | 1999-06-17 | 2002-03-12 | Rosemount Inc. | Error compensation for a process fluid temperature transmitter |
| FR2795830B1 (fr) * | 1999-07-01 | 2001-08-31 | Lorraine Laminage | Procede de pilotage d'un processus dynamique complexe |
| EP1247268B2 (en) | 1999-07-01 | 2009-08-05 | Rosemount Inc. | Low power two-wire self validating temperature transmitter |
| US6505517B1 (en) | 1999-07-23 | 2003-01-14 | Rosemount Inc. | High accuracy signal processing for magnetic flowmeter |
| US6701274B1 (en) | 1999-08-27 | 2004-03-02 | Rosemount Inc. | Prediction of error magnitude in a pressure transmitter |
| US6556145B1 (en) | 1999-09-24 | 2003-04-29 | Rosemount Inc. | Two-wire fluid temperature transmitter with thermocouple diagnostics |
| US6445963B1 (en) * | 1999-10-04 | 2002-09-03 | Fisher Rosemount Systems, Inc. | Integrated advanced control blocks in process control systems |
| NO996318L (no) * | 1999-12-17 | 2001-06-18 | Leiv Eiriksson Nyfotek As | Entropi-optimal drift og design av en eller flere kjemiske reaktorer med varmeveksler(e) |
| AU2001238078A1 (en) * | 2000-02-11 | 2001-08-20 | Stone And Webster Process Technology, Inc. | Heat and material balance method of process control for petrochemical plants andoil refineries |
| TW567132B (en) * | 2000-06-08 | 2003-12-21 | Mirle Automation Corp | Intelligent control method for injection molding machine |
| EP1295185B9 (en) | 2000-06-29 | 2005-01-05 | Aspen Technology, Inc. | Computer method and apparatus for constraining a non-linear approximator of an empirical process |
| US6735484B1 (en) | 2000-09-20 | 2004-05-11 | Fargo Electronics, Inc. | Printer with a process diagnostics system for detecting events |
| US7720727B2 (en) | 2001-03-01 | 2010-05-18 | Fisher-Rosemount Systems, Inc. | Economic calculations in process control system |
| US6795798B2 (en) | 2001-03-01 | 2004-09-21 | Fisher-Rosemount Systems, Inc. | Remote analysis of process control plant data |
| US6954713B2 (en) * | 2001-03-01 | 2005-10-11 | Fisher-Rosemount Systems, Inc. | Cavitation detection in a process plant |
| JP4083018B2 (ja) * | 2001-03-01 | 2008-04-30 | フィッシャー−ローズマウント システムズ， インコーポレイテッド | プロセスプラントにおける劣化レベルを推定・利用する基準技術 |
| US7389204B2 (en) * | 2001-03-01 | 2008-06-17 | Fisher-Rosemount Systems, Inc. | Data presentation system for abnormal situation prevention in a process plant |
| US8073967B2 (en) | 2002-04-15 | 2011-12-06 | Fisher-Rosemount Systems, Inc. | Web services-based communications for use with process control systems |
| US6629059B2 (en) | 2001-05-14 | 2003-09-30 | Fisher-Rosemount Systems, Inc. | Hand held diagnostic and communication device with automatic bus detection |
| US7162534B2 (en) * | 2001-07-10 | 2007-01-09 | Fisher-Rosemount Systems, Inc. | Transactional data communications for process control systems |
| US6549864B1 (en) | 2001-08-13 | 2003-04-15 | General Electric Company | Multivariate statistical process analysis systems and methods for the production of melt polycarbonate |
| US6772036B2 (en) | 2001-08-30 | 2004-08-03 | Fisher-Rosemount Systems, Inc. | Control system using process model |
| US7117045B2 (en) * | 2001-09-08 | 2006-10-03 | Colorado State University Research Foundation | Combined proportional plus integral (PI) and neural network (nN) controller |
| JP4099334B2 (ja) * | 2002-01-18 | 2008-06-11 | 株式会社東芝 | プラント運用制御装置 |
| US6901300B2 (en) * | 2002-02-07 | 2005-05-31 | Fisher-Rosemount Systems, Inc.. | Adaptation of advanced process control blocks in response to variable process delay |
| KR100444960B1 (ko) * | 2002-06-03 | 2004-08-21 | 삼성전자주식회사 | 자동창고 시스템의 반송 시간 예측 방법 |
| US7376472B2 (en) | 2002-09-11 | 2008-05-20 | Fisher-Rosemount Systems, Inc. | Integrated model predictive control and optimization within a process control system |
| US7050863B2 (en) | 2002-09-11 | 2006-05-23 | Fisher-Rosemount Systems, Inc. | Integrated model predictive control and optimization within a process control system |
| US7600234B2 (en) * | 2002-12-10 | 2009-10-06 | Fisher-Rosemount Systems, Inc. | Method for launching applications |
| US6941177B2 (en) * | 2002-12-17 | 2005-09-06 | Xerox Corporation | System and method for implementing real-time applications based on stochastic compute time algorithms |
| US7493310B2 (en) | 2002-12-30 | 2009-02-17 | Fisher-Rosemount Systems, Inc. | Data visualization within an integrated asset data system for a process plant |
| US8935298B2 (en) | 2002-12-30 | 2015-01-13 | Fisher-Rosemount Systems, Inc. | Integrated navigational tree importation and generation in a process plant |
| US7152072B2 (en) | 2003-01-08 | 2006-12-19 | Fisher-Rosemount Systems Inc. | Methods and apparatus for importing device data into a database system used in a process plant |
| US20040158474A1 (en) * | 2003-02-06 | 2004-08-12 | Karschnia Robert J. | Service facility for providing remote diagnostic and maintenance services to a process plant |
| US7953842B2 (en) | 2003-02-19 | 2011-05-31 | Fisher-Rosemount Systems, Inc. | Open network-based data acquisition, aggregation and optimization for use with process control systems |
| US7103427B2 (en) | 2003-02-28 | 2006-09-05 | Fisher-Rosemont Systems, Inc. | Delivery of process plant notifications |
| US6915235B2 (en) | 2003-03-13 | 2005-07-05 | Csi Technology, Inc. | Generation of data indicative of machine operational condition |
| US7634384B2 (en) | 2003-03-18 | 2009-12-15 | Fisher-Rosemount Systems, Inc. | Asset optimization reporting in a process plant |
| US20040230328A1 (en) * | 2003-03-21 | 2004-11-18 | Steve Armstrong | Remote data visualization within an asset data system for a process plant |
| US7119511B2 (en) * | 2003-04-11 | 2006-10-10 | International Business Machines Corporation | Servo system for a two-dimensional micro-electromechanical system (MEMS)-based scanner and method therefor |
| US7299415B2 (en) * | 2003-06-16 | 2007-11-20 | Fisher-Rosemount Systems, Inc. | Method and apparatus for providing help information in multiple formats |
| TWI225576B (en) * | 2003-10-06 | 2004-12-21 | Univ Tsinghua | Process controlling method with merged two-control loops |
| US7030747B2 (en) * | 2004-02-26 | 2006-04-18 | Fisher-Rosemount Systems, Inc. | Method and system for integrated alarms in a process control system |
| US7079984B2 (en) * | 2004-03-03 | 2006-07-18 | Fisher-Rosemount Systems, Inc. | Abnormal situation prevention in a process plant |
| US7676287B2 (en) * | 2004-03-03 | 2010-03-09 | Fisher-Rosemount Systems, Inc. | Configuration system and method for abnormal situation prevention in a process plant |
| US7515977B2 (en) * | 2004-03-30 | 2009-04-07 | Fisher-Rosemount Systems, Inc. | Integrated configuration system for use in a process plant |
| GB0407260D0 (en) * | 2004-03-31 | 2004-05-05 | Ibm | Accelerated solution of constraint satisfaction problems by partioning of the variable space |
| US7536274B2 (en) * | 2004-05-28 | 2009-05-19 | Fisher-Rosemount Systems, Inc. | System and method for detecting an abnormal situation associated with a heater |
| BRPI0511928A (pt) | 2004-06-12 | 2008-01-22 | Fisher Rosemount Systems Inc | método para monitorar operação de uma malha de controle em uma instalação de processo, meio tangìvel, sistema para monitorar operação de uma malha de controle em uma instalação de processo, e, método para facilitar a operação de monitoramento de no mìnimo uma porção de uma instalação de processo |
| US7181654B2 (en) * | 2004-09-17 | 2007-02-20 | Fisher-Rosemount Systems, Inc. | System and method for detecting an abnormal situation associated with a reactor |
| US8768664B2 (en) * | 2005-03-18 | 2014-07-01 | CMC Solutions, LLC. | Predictive emissions monitoring using a statistical hybrid model |
| US7421348B2 (en) * | 2005-03-18 | 2008-09-02 | Swanson Brian G | Predictive emissions monitoring method |
| US8005647B2 (en) | 2005-04-08 | 2011-08-23 | Rosemount, Inc. | Method and apparatus for monitoring and performing corrective measures in a process plant using monitoring data with corrective measures data |
| US9201420B2 (en) | 2005-04-08 | 2015-12-01 | Rosemount, Inc. | Method and apparatus for performing a function in a process plant using monitoring data with criticality evaluation data |
| US20060247798A1 (en) * | 2005-04-28 | 2006-11-02 | Subbu Rajesh V | Method and system for performing multi-objective predictive modeling, monitoring, and update for an asset |
| US7536364B2 (en) * | 2005-04-28 | 2009-05-19 | General Electric Company | Method and system for performing model-based multi-objective asset optimization and decision-making |
| US7127304B1 (en) * | 2005-05-18 | 2006-10-24 | Infineon Technologies Richmond, Lp | System and method to predict the state of a process controller in a semiconductor manufacturing facility |
| US20060265098A1 (en) * | 2005-05-18 | 2006-11-23 | Infineon Technologies Richmond, Lp | System and method for real time prediction and/or inheritance of process controller settings in a semiconductor manufacturing facility |
| US8112565B2 (en) | 2005-06-08 | 2012-02-07 | Fisher-Rosemount Systems, Inc. | Multi-protocol field device interface with automatic bus detection |
| US20070068225A1 (en) | 2005-09-29 | 2007-03-29 | Brown Gregory C | Leak detector for process valve |
| US7451004B2 (en) | 2005-09-30 | 2008-11-11 | Fisher-Rosemount Systems, Inc. | On-line adaptive model predictive control in a process control system |
| US7912676B2 (en) * | 2006-07-25 | 2011-03-22 | Fisher-Rosemount Systems, Inc. | Method and system for detecting abnormal operation in a process plant |
| US8606544B2 (en) | 2006-07-25 | 2013-12-10 | Fisher-Rosemount Systems, Inc. | Methods and systems for detecting deviation of a process variable from expected values |
| US7657399B2 (en) * | 2006-07-25 | 2010-02-02 | Fisher-Rosemount Systems, Inc. | Methods and systems for detecting deviation of a process variable from expected values |
| US8145358B2 (en) * | 2006-07-25 | 2012-03-27 | Fisher-Rosemount Systems, Inc. | Method and system for detecting abnormal operation of a level regulatory control loop |
| US7856280B2 (en) | 2006-08-02 | 2010-12-21 | Emerson Process Management Power & Water Solutions, Inc. | Process control and optimization technique using immunological concepts |
| US7496414B2 (en) | 2006-09-13 | 2009-02-24 | Rockwell Automation Technologies, Inc. | Dynamic controller utilizing a hybrid model |
| WO2008032201A2 (en) * | 2006-09-15 | 2008-03-20 | Abb As | Production optimization in an oil and/or gas production system |
| US7953501B2 (en) | 2006-09-25 | 2011-05-31 | Fisher-Rosemount Systems, Inc. | Industrial process control loop monitor |
| US8788070B2 (en) | 2006-09-26 | 2014-07-22 | Rosemount Inc. | Automatic field device service adviser |
| EP2392982B1 (en) * | 2006-09-28 | 2015-03-25 | Fisher-Rosemount Systems, Inc. | Abnormal situation prevention in a heat exchanger |
| US7917240B2 (en) * | 2006-09-29 | 2011-03-29 | Fisher-Rosemount Systems, Inc. | Univariate method for monitoring and analysis of multivariate data |
| CN101517377B (zh) | 2006-09-29 | 2012-05-09 | 罗斯蒙德公司 | 带有校验的磁流量计 |
| US20080188972A1 (en) * | 2006-10-11 | 2008-08-07 | Fisher-Rosemount Systems, Inc. | Method and System for Detecting Faults in a Process Plant |
| US8571690B2 (en) * | 2006-10-31 | 2013-10-29 | Rockwell Automation Technologies, Inc. | Nonlinear model predictive control of a biofuel fermentation process |
| US7831318B2 (en) * | 2006-10-31 | 2010-11-09 | Rockwell Automation Technologies, Inc. | Model predictive control of fermentation temperature in biofuel production |
| US7933849B2 (en) * | 2006-10-31 | 2011-04-26 | Rockwell Automation Technologies, Inc. | Integrated model predictive control of batch and continuous processes in a biofuel production process |
| US20080103747A1 (en) * | 2006-10-31 | 2008-05-01 | Macharia Maina A | Model predictive control of a stillage sub-process in a biofuel production process |
| US8634940B2 (en) * | 2006-10-31 | 2014-01-21 | Rockwell Automation Technologies, Inc. | Model predictive control of a fermentation feed in biofuel production |
| US8521310B2 (en) * | 2006-10-31 | 2013-08-27 | Rockwell Automation Technologies, Inc. | Integrated model predictive control of distillation and dehydration sub-processes in a biofuel production process |
| US7987005B2 (en) * | 2006-12-19 | 2011-07-26 | Chevron U.S.A. Inc. | System, method and program for dynamic control and optimization of a process having manipulated and controlled variables |
| US8032340B2 (en) | 2007-01-04 | 2011-10-04 | Fisher-Rosemount Systems, Inc. | Method and system for modeling a process variable in a process plant |
| US8032341B2 (en) * | 2007-01-04 | 2011-10-04 | Fisher-Rosemount Systems, Inc. | Modeling a process using a composite model comprising a plurality of regression models |
| US7827006B2 (en) * | 2007-01-31 | 2010-11-02 | Fisher-Rosemount Systems, Inc. | Heat exchanger fouling detection |
| US10410145B2 (en) * | 2007-05-15 | 2019-09-10 | Fisher-Rosemount Systems, Inc. | Automatic maintenance estimation in a plant environment |
| US8032235B2 (en) * | 2007-06-28 | 2011-10-04 | Rockwell Automation Technologies, Inc. | Model predictive control system and method for reduction of steady state error |
| US8898036B2 (en) | 2007-08-06 | 2014-11-25 | Rosemount Inc. | Process variable transmitter with acceleration sensor |
| US8301676B2 (en) | 2007-08-23 | 2012-10-30 | Fisher-Rosemount Systems, Inc. | Field device with capability of calculating digital filter coefficients |
| US7702401B2 (en) | 2007-09-05 | 2010-04-20 | Fisher-Rosemount Systems, Inc. | System for preserving and displaying process control data associated with an abnormal situation |
| EP2037624A1 (de) * | 2007-09-11 | 2009-03-18 | Siemens Aktiengesellschaft | Verfahren zum rechnergestützten Bestimmen einer Steuerungsgrösse, Steuerung, Regelsystem und Computerprogrammprodukt |
| US9323247B2 (en) | 2007-09-14 | 2016-04-26 | Fisher-Rosemount Systems, Inc. | Personalized plant asset data representation and search system |
| US8055479B2 (en) | 2007-10-10 | 2011-11-08 | Fisher-Rosemount Systems, Inc. | Simplified algorithm for abnormal situation prevention in load following applications including plugged line diagnostics in a dynamic process |
| US8155764B2 (en) * | 2009-02-27 | 2012-04-10 | Honeywell International Inc. | Multivariable model predictive control for coalbed gas production |
| US7921734B2 (en) | 2009-05-12 | 2011-04-12 | Rosemount Inc. | System to detect poor process ground connections |
| US8255346B2 (en) * | 2009-11-11 | 2012-08-28 | International Business Machines Corporation | Methods and systems for variable group selection and temporal causal modeling |
| AU2010337990B2 (en) * | 2009-12-31 | 2014-03-06 | Abb Schweiz Ag | Process optimization method and system for a power plant |
| US10360527B2 (en) | 2010-11-10 | 2019-07-23 | International Business Machines Corporation | Casual modeling of multi-dimensional hierarchical metric cubes |
| US9207670B2 (en) | 2011-03-21 | 2015-12-08 | Rosemount Inc. | Degrading sensor detection implemented within a transmitter |
| US9927788B2 (en) | 2011-05-19 | 2018-03-27 | Fisher-Rosemount Systems, Inc. | Software lockout coordination between a process control system and an asset management system |
| US9529348B2 (en) | 2012-01-24 | 2016-12-27 | Emerson Process Management Power & Water Solutions, Inc. | Method and apparatus for deploying industrial plant simulators using cloud computing technologies |
| WO2013119665A1 (en) * | 2012-02-08 | 2013-08-15 | Aspen Technology, Inc. | Apparatus and methods for non-invasive closed loop step testing using a tunable trade-off factor |
| DE102012104216A1 (de) * | 2012-05-15 | 2013-11-21 | Z & J Technologies Gmbh | Verfahren zur Lösung einer Steuerungsaufgabe in einer Prozessanlage |
| US9052240B2 (en) | 2012-06-29 | 2015-06-09 | Rosemount Inc. | Industrial process temperature transmitter with sensor stress diagnostics |
| US9207129B2 (en) | 2012-09-27 | 2015-12-08 | Rosemount Inc. | Process variable transmitter with EMF detection and correction |
| US9602122B2 (en) | 2012-09-28 | 2017-03-21 | Rosemount Inc. | Process variable measurement noise diagnostic |
| EP2932343B1 (en) | 2012-12-12 | 2021-05-12 | S. A. Armstrong Limited | Self learning control system and method for optimizing a consumable input variable |
| WO2014096507A1 (en) * | 2012-12-21 | 2014-06-26 | Metso Automation Oy | Controller and method for controlling a property of an object |
| WO2014182934A1 (en) * | 2013-05-08 | 2014-11-13 | Vigilent Corporation | Influence learning in an environmentally managed system |
| CN103324085B (zh) * | 2013-06-09 | 2016-03-02 | 中国科学院自动化研究所 | 基于监督式强化学习的最优控制方法 |
| US10133268B2 (en) * | 2014-01-30 | 2018-11-20 | Exxonmobil Research And Engineering Company | Real time optimization of batch processes |
| US11209804B2 (en) * | 2014-11-11 | 2021-12-28 | Applied Materials, Inc. | Intelligent processing tools |
| CN106529666A (zh) * | 2016-11-17 | 2017-03-22 | 衢州学院 | 控制参数自适应和策略自适应的差分进化算法 |
| US10545740B2 (en) * | 2017-10-25 | 2020-01-28 | Saudi Arabian Oil Company | Distributed agent to collect input and output data along with source code for scientific kernels of single-process and distributed systems |
| US11934159B2 (en) | 2018-10-30 | 2024-03-19 | Aspentech Corporation | Apparatus and methods for non-invasive closed loop step testing with controllable optimization relaxation |
| CN109814383A (zh) * | 2019-01-21 | 2019-05-28 | 中国民航大学 | 基于神经网络辨识的舵机电液负载模拟器智能控制方法 |
| JP7460657B2 (ja) | 2019-05-09 | 2024-04-02 | アスペンテック・コーポレーション | 機械学習を専門知識及び第一原理と組み合わせて行うプロセス産業のモデリング |
| US11782401B2 (en) | 2019-08-02 | 2023-10-10 | Aspentech Corporation | Apparatus and methods to build deep learning controller using non-invasive closed loop exploration |
| WO2021076760A1 (en) | 2019-10-18 | 2021-04-22 | Aspen Technology, Inc. | System and methods for automated model development from plant historical data for advanced process control |
| EP4196854A1 (en) * | 2020-08-17 | 2023-06-21 | 5G3I Ltd | Systems and methods for enhanced control of electronic circuits |
| CN112686430B (zh) * | 2020-12-16 | 2024-02-23 | 南京富岛信息工程有限公司 | 一种提高炼化企业装置产品收率模型精度的方法 |
| US11630446B2 (en) | 2021-02-16 | 2023-04-18 | Aspentech Corporation | Reluctant first principles models |
| CN113655717B (zh) * | 2021-08-16 | 2023-09-22 | 中冶东方工程技术有限公司 | 一种自动控制配矿料槽连续加料方法和系统 |
| CN117339516B (zh) * | 2023-11-17 | 2024-04-12 | 菏泽帝捷化工股份有限公司 | 一种硫化锌工业化生产过程的精准控制系统及控制方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4230534A (en) | 1979-03-23 | 1980-10-28 | Phillips Petroleum Company | Control of a fractional distillation column |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4858147A (en) * | 1987-06-15 | 1989-08-15 | Unisys Corporation | Special purpose neurocomputer system for solving optimization problems |
| US5241509A (en) * | 1988-11-18 | 1993-08-31 | U.S. Philips Corporation | Arrangement of data cells and neural network system utilizing such an arrangement |
| JP2533942B2 (ja) * | 1989-03-13 | 1996-09-11 | 株式会社日立製作所 | 知識抽出方法およびプロセス運転支援システム |
| JP2656637B2 (ja) * | 1989-11-22 | 1997-09-24 | 株式会社日立製作所 | プロセス制御システム及び発電プラントプロセス制御システム |
| CA2031765C (en) * | 1989-12-08 | 1996-02-20 | Masahide Nomura | Method and system for performing control conforming with characteristics of controlled system |
| US5111531A (en) * | 1990-01-08 | 1992-05-05 | Automation Technology, Inc. | Process control using neural network |
| US5282261A (en) * | 1990-08-03 | 1994-01-25 | E. I. Du Pont De Nemours And Co., Inc. | Neural network process measurement and control |
| JP2539540B2 (ja) * | 1990-09-19 | 1996-10-02 | 株式会社日立製作所 | プロセス制御装置 |
| US5285377A (en) * | 1990-10-30 | 1994-02-08 | Fujitsu Limited | Control apparatus structuring system |
| US5268834A (en) * | 1991-06-24 | 1993-12-07 | Massachusetts Institute Of Technology | Stable adaptive neural network controller |
| US5353207A (en) * | 1992-06-10 | 1994-10-04 | Pavilion Technologies, Inc. | Residual activation neural network |
-
1992
- 1992-09-14 US US07/944,645 patent/US5477444A/en not_active Expired - Lifetime
-
1993
- 1993-09-13 CA CA002106049A patent/CA2106049A1/en not_active Abandoned
- 1993-09-14 DE DE69315291T patent/DE69315291T2/de not_active Expired - Fee Related
- 1993-09-14 EP EP93307225A patent/EP0588594B1/en not_active Expired - Lifetime
- 1993-09-14 JP JP22929893A patent/JP3523891B2/ja not_active Expired - Lifetime
-
1995
- 1995-12-18 US US08/574,250 patent/US5640491A/en not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4230534A (en) | 1979-03-23 | 1980-10-28 | Phillips Petroleum Company | Control of a fractional distillation column |
Also Published As
| Publication number | Publication date |
|---|---|
| DE69315291D1 (de) | 1998-01-02 |
| EP0588594A3 (en) | 1994-08-24 |
| US5640491A (en) | 1997-06-17 |
| EP0588594B1 (en) | 1997-11-19 |
| EP0588594A2 (en) | 1994-03-23 |
| CA2106049A1 (en) | 1994-03-15 |
| US5477444A (en) | 1995-12-19 |
| JPH07134603A (ja) | 1995-05-23 |
| DE69315291T2 (de) | 1998-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3523891B2 (ja) | プロセス制御装置及び方法 | |
| US4736316A (en) | Minimum time, optimizing and stabilizing multivariable control method and system using a constraint associated control code | |
| US5781432A (en) | Method and apparatus for analyzing a neural network within desired operating parameter constraints | |
| US6216048B1 (en) | Method and apparatus for determining the sensitivity of inputs to a neural network on output parameters | |
| US4349869A (en) | Dynamic matrix control method | |
| JPH0363081B2 (ja) | ||
| WO1995025295A1 (en) | System for real time optimization and profit depiction | |
| CN111142494B (zh) | 一种胺液再生装置的智能控制方法及系统 | |
| Altissimi et al. | Optimal operation of a separation plant using artificial neural networks | |
| JPH03134706A (ja) | 下水処理場運転支援のための知識獲得方法 | |
| JP2000056805A (ja) | 予測制御装置 | |
| JP2021152702A (ja) | プラント運転最適化支援装置、プラント運転最適化制御装置並びに方法 | |
| Díaz et al. | Stabilization of thermal neurocontrollers | |
| Fagley et al. | The sequential-clustered method for dynamic chemical plant simulation | |
| JP3723931B2 (ja) | プラントの起動予測制御装置 | |
| CN111781821B (zh) | SISO紧格式无模型控制器基于Attention机制循环神经网络的参数自整定方法 | |
| Lavrov et al. | Use of Neural Networks for Dynamic Heat Exchanger Modeling | |
| JP3844383B2 (ja) | 製造プラント制御システム | |
| Khajotia et al. | Case-based reasoning model of CO2 corrosion based on field data | |
| CN112015083B (zh) | Siso紧格式无模型控制器基于集成学习的参数自整定方法 | |
| Cooper | Picles™: A simulator for “virtual world” education and training in process dynamics and control | |
| Nasir et al. | Performance Evaluation of Model Predictive Control for Three Interacting Tank Process Based on its Lower Order Integer and Non-Integer Models | |
| Muravyova et al. | Development of neural network controller for control of debutanization process in rectification column of gas-fractionating plant | |
| CN117520711A (zh) | 一种熔融指数的预测方法、预测系统以及存储介质 | |
| Yiu et al. | Dynamic and control behavior of multicomponent distillation columns |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20040113 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20040210 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090220 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090220 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100220 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100220 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110220 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120220 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130220 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130220 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140220 Year of fee payment: 10 |