JP3574132B2 - モデル予測制御用のニューラルネットベースの外乱予測子 - Google Patents

Description

発明の背景
本発明は、何らかの規則的に起こる外乱が出力に影響を及ぼす各種のプラントやプロセス用として特に有用である。制御分野の当業者ならば容易に理解できるように、本願発明は、暖房、換気／空調システムから化学処理プラント、航法システム、等々に至るまで、あらゆる分野の制御技術に応用することができる。
本発明の方法は、実施形態において、モデルベース予測制御フレームワークを用いて調節性能、特に周期性あるいは循環性の外乱にさらされ易いプロセスの調節性能を改善するものである。
そのような外乱の例としては、１日（太陽サイクル）の中の周囲温度の変動に起因する蒸留塔（精油所の）に影響を及ぼす温度外乱、供給ビン切換え時間が近付いたときの供給の乱れを受けやすい連続粉砕機等がある。
外乱の情報を制御ループに供給するのに外乱を予測するモデルを用いることの主要な利益は、おそらく、このようにして制御されるプロセスがそれらの制約条件により厳密に従って機能するということであろう。連続粉砕機の例を用いて説明すると、ニューラルネットワークは、新しい鉱石運搬車に積載された鉱石がプロセス中に移入される度に、粉砕機が必要とする電力消費の増加が起こる（この例を用いた場合）ということを示すプラントデータでトレーニングされる。粉砕速度、鉱石運搬車のサイズ、あるいはプラントオペレータにとって既知の他の基準に基づいて、ニューラルネットは、粉砕機の必要電力消費の変化の發生を予測するようトレーニングすることができる。
このような形態の本発明を使用して、プラントの運転を装置の制約条件に厳密に合わせることにより制御対象のプロセスの性能を改善し、収率を上げることができる例は他にも多数ある。
モデルベース予測制御（MPC）技術は、むだ時間、プロセス制約条件及びモデル化不確定性等があっても、多変数制御対象の制御を達成することができるため、この10年間に、プロセス業界で広範に受け入れられて来た。オートマチカ23（３）（Automatica 23（３））、（1989年）のガルシア（Garcia）、プレット（Pret）及びモラーリ（Marari）による「モデル予測制御：理論と実際−調査研究（"Model Predictive Control:Theory and Practice−A Survey"）」には、いろいろなMPCアルゴリズムに関する詳細な調査・検討結果が収載されている。一般に、これらのアルゴリズムは、ユーザが課す、あるいはシステムが課す制約条件に左右される誤差を最小限にする最適化問題の解として制御動作を計算する最適制御技術であると考えることができる。
一般に、MPCアルゴリズムは多変数プロセスとの関連で記述することができる。例えば、下記の方程式でモデル化されるプロセスがある：
ｘ＝ｆ（x,u） （1a）
ｙ＝ｇ（x,u） （1b）
式中、ｘは状態変数ベクトル、ｕは操作量ベクトル、ｙは出力変数ベクトルである。
MPCアルゴリズムは、大きく２つのステップに分けられる：すなわち、予測ステップと最適化ステップである。予測ステップにおいては、各時間ステップ（ｋ）において、上記モデルを用いて多数の未来の時間間隔にわたるプラント出力が予測される。これは予測地平線と呼ばれる。この予測は、プラントとモデルの出力の差を予測出力に加算することによって修正される。次に、予測出力を予測地平線全体にわたって期待出力軌跡から減算して予測誤差を得る。最適化ステップにおいては、制約条件に左右される予測誤差の最小化が行われ（通常最小二乗法によるが、他の技法が用いられる場合もある）、その際コンピュータの制御動作が決定変数になる。制約条件は、通常プロセスモデル（出力制約条件）に基づいて、決定変数に対する直接的制限条件（操作量制約条件と呼ばれる）または制約方程式として指定される。最初に計算された制御動作をプラントとモデルで実際に使用し、その後これらのステップを次の時間ステップｋについて繰り返す。１つまたは全ての制約条件の１つまたは全ての制約変数を予測することは、本発明の企図する範囲内にある。
上記の手順においては、フィードバック情報が用いられるということを認識することが重要である。フィードバック情報は、各時間ステップで繰り返し使用することにより、予測が補正される。しかしながら、従来のMPC方式では、未来のプロセス情報はないため、各時点現在の測定外乱が予測地平線全体にわたって一定に保たれる。これは、定加法性外乱仮定法と呼ばれる。従来のMPCは線形二次形式の特殊な場合であるということは周知である。MPCを線形二次形式のフレームワークの中で見るならば、定加法性外乱仮定法は、プロセスに影響を及ぼす全ての外乱は、各出力に個別に影響を及ぼすランダムステップであるということを示唆する。このことは、ほとんどではないが、多くのアプリケーションにおいて、標準的MPCコントローラの調節性能に悪影響を及ぼす。この線形二次形式の問題に対処するため、研究者たちはカルマンフィルタ設計を用いて状態の予測及び予測出力を得てきた。この問題を扱うための既知の方法に関する調査研究結果が、リッカー（Ricker）による「モデル予測制御：技術の現状（"Model Predictive Control:State of the Art"）」、CPCIV−第４回化学プロセス制御に関する国際会議（米国テキサス州パードレアイランド（Pardre Island））会報、271〜296ページ（1991年）に収載されている。
本発明で開示するMPCコントローラとニューラルネットワークの組合せによれば、コントローラの総合設計において大きな改良が達成される。本発明のコントローラは、本願においてハイブリッドコントローラ（MPCの他、他の種類のコントローラを含んでもよい）またはハイブリッドMPCコントローラとも称する。
【図面の簡単な説明】
図１は、本発明の一実施例による処理プラントを含むハイブリッド予測／ノミナルコントローラのブロック図を示す。
図２及び３は、ｙの軌跡の外乱予測と全て本発明によるノミナルコントローラ、好ましくはMPC型のノミナルコントローラに組み込まれたｙの軌跡とを対比して示すグラフである。
図４は、従来のMPC及びハイブリッド予測/MPCコントローラの出力及び負荷変数軌跡を示すグラフである。
図５は、図４のハイブリッド及びMPCコントローラの時間に対する操作変数軌跡を示すグラフである。
発明の概要
本発明は、プロセスを制御するためのコントローラであって、プロセスをそれに関連するアクチュエータを介して制御する出力信号を有するコントローラを提供するものである。また、本発明のコントローラは、プラントまたはプロセスの出力を表す信号を入力として受け取る。
本発明は、最小限の構成として、実施形態においてはMPCコントローラよりなるノミナルコントローラが必要である。MPCコントローラは、コントローラの出力信号として用いることができる出力を生成するが、その出力は、プロセスに対する予測外乱がない場合に限りプロセスによって使用される。
また、本発明のコントローラは、外乱モデル出力が、プラントへのコントローラ出力信号を発生させるのにノミナルコントローラ出力を補正するべきかどうかを決定する外乱モードコントローラ装置を有する。もちろん、トレーニングされたニューラルネットワークを有する実施形態の外乱予測子装置は、予測外乱または外乱パターンの確度を理解し、外乱が起こるに従いプロセスを設定点に調節するよう計算された出力を発生する。
外乱モードコントローラ装置は、外乱モード予測子装置からの信号をプラントまたはプロセス出力信号と共に比較法で使用する。選択された長さの期間にわたって比較を行うことによって、外乱コントローラ装置は、外乱が実際に起こっているかどうかを判断し、外乱が起こっていなければ、制御をプラントのノミナルコントローラに返す。
本発明の変形態様においては、ニューラルネットワークの外乱モデル、またはいくつかの外乱モデルからのオン／オフ信号を使用する。それらの各外乱モデルは外乱モードコントローラ装置への出力を有し、その外乱モードコントローラ装置は、プラントの出力信号といろいろな外乱モデルからの予測情報との差違を用いて、これらのどれをノミナルコントローラ出力を補正するために使うべきかを決定する。
実施形態の詳細な説明
まず図１を参照して説明すると、ハイブリッド予測／ノミナルコントローラを有する制御ループは図中符号10で示されている。図示実施形態においては、MPC型コントローラよりなるノミナルコントローラは、ブロック20で示し、予測コントローラ（DMCU14）はループ10の入力及び出力とプラントまたはプロセス２に関連する外乱モデルとに関してトレーニングされたニューラルネットワークである。プラントまたはプロセス２は、当業者ならば十分に理解できるように、コントローラにより制御されるものであれば何であってもよい。
プラントの出力は線路３上に現れ、この出力は、当業界固有の知識では、その出力を表す信号であると考えられ、より広くは、一般に"y"として知られている。（"y"は、出力変数でも出力変数の集合でもよい。外乱の影響を受ける変数だけが影響を受ける事例においては、ｙ出力はノミナルコントローラに供給されない。もっとも複雑に制御されるシステムにおいては、ノミナルコントローラに影響を及ぼす他の出力変数が存在する。"y"についての詳細に関しては、詳細な説明の空調装置の例を参照のこと。）このプラントまたはプロセスの出力を表す信号は、外乱プロセッサ19及びコントローラブロック20に供給される。ノミナルコントローラの出力は線路６上に現れる。外乱プロセッサ19は、好ましくは、タイマ15または他の何らかの周期性インジケータと関連して、いつどの程度の外乱が発生すると予測されるかを理解するようトレーニングされたニューラルネットワークである。外乱の周期性がｙに関連するものである場合は、ｙはDMCU14（Disturbance Mode Controller Unit;外乱モードコントローラ装置）に必要な唯一の入力の可能性がある。DMCU14の出力は線路５上に現れる。
DMCUによる制御は、異なるいくつかの方法によって達成することができる。一実施形態においては、予測モデルまたはニューラルネットワークはプラント出力ｙを見、これをすぐ未来の外乱の発生の前に生じる予測プラント出力と比較する。ニューラルネットをトレーニングするのに用いた入力（ｕ）／出力（ｙ）データに基づいて、その出力（線路５上に現れる）を各々主コントローラブロック20内の独自のコントローラに表される１つまたは２つ以上の影響される制御変数あるいは１つまたは２つ以上の制約変数を予測するために使用することができる。もう一つの実施形態においても、クロックブロック15からの入力として図示するタイマの作動のような外部事象の入力を使用することができる。
ここで制約変数及び制御変数について簡単に説明しておくことが適切であろう。制約変数はマシン性能の基礎をなす変数である。例えば、ファンはある範囲の回転数でしか回転することができず、その範囲外では拘束される。燃料供給管は所与の時間に一定量の燃料しか通すことができず、従って流量変数によって制約される。制御変数は、例えば弁の開度、あるいはこれに接続されたパイプにおける弁の開度に直接関係する流量のように、コントローラが変えることができる変数である。このように、制約変数は制御変数によっても影響される。
トレーニングされたニューラルネット（ニューラルネット以外を使用する場合においては他の予測モデル）の出力５は、各時間ステップにおいて予測地平線全体にわたりプロセスに影響を及ぼす外乱をシミュレートする。この出力５は、コントローラブロック20の形式と適合するものであれば、任意の形式でよい。通常、この実施形態においては、出力は、DMCUがトレーニングされた外乱モデル基づく（あるいはニューラルネットではなく計算DMCUを使用する場合は外乱モデルと計算の繰返しに基づく）制約変数の予測ベクトルプロファイルになっている。予測外乱が実際に発生しなかった場合は、出力ｙが予測どおりでないために、ニューラルネットワークはその事実に応答を示す。モデルにおけるトレーニングとの不一致がニューラルネットに明らかになると、ニューラルネットはその出力から予測外乱プロファイルを取り除き、適切にトレーニングされていれば、出力を補正することによってその誤差の影響を取り除くこともできる。計算DMCUにおいては、ある所定時間にわたって出力ｙをチェックし、反復モデルによって予測された外乱が起こったかどうかを確認するためにモニタを設ける必要があり、また予測外乱が起こらなかった場合の補正動作のために何らかの他のモデルを追加してもよい。
DMCUの制御状況への実際の応用、例えば空調システムへの応用においては、DMCUは日中は相当大きな増加に向かう熱負荷、その後太陽が西の地平線に向かうに連れて減少する熱負荷の発生を予測するようプログラムまたはトレーニングされているということが考えられる。その日が非常に曇っていれば、予測外乱は発生せず、DMCUは空調された空間の出力は温度の予測上昇を示さず、制御動作がない状況（あるいは、もちろん、外乱の予測制御応答状況を付加することによって、空調された空間のフラットな温度レベルまたは低下に向かう温度レベル）となるので、その曇っていることを認識する。
この例は、出力ｙが空間の温度だけの場合である。この場合は、図１の線路４はノミナルコントローラにまったく情報を供給しない。しかしながら、ノミナルコントローラが湿度も考慮したものである場合、湿度を表す空間の"y"出力（DMCUが考慮する予測外乱とは関連がないものと仮定する）は、ノミナルコントローラの入力として接続されるが、この例においては、この湿度信号はDMCUには送られない。
もう一つの実施形態においては、「外乱を予測する（I predict a disturbance）」信号、あるいは「外乱はまったく予想されない（no disturbance is predicted）」信号が線路５を介して送られる。実装においては、これは例えば論理０または論理１信号である。このような実装例においては、外乱応答及び無外乱応答をノミナルコントローラ20に対してプログラムまたはトレーニングしなければならず、その場合、コントローラは、標準的なMPCコントローラのようではなく、むしろ、線路５からのDMCU入力に応じて、外乱がある場合、あるいは外乱がない場合について適切なｕを送出することができるものと思われる。標準的なコントローラに予測外乱から得られる予測出力ｙを補正値として供給するという基本的考えを理解したならば、当業者は同様の変形態様を多数構成することが可能である。言い換えると、潜在的外乱の作用のモデルをコントローラブロック20に入れ、DMCUには単に外乱の発生を予測させるだけにすることも本発明の範囲内で可能である。図１のブロック15に示すような外部クロックの機能は、例えば、プラントからの出力ｙの他に、このようなシステムが外乱の発生を予測するために必要な他の入力を供給することである。
ニューラルネットワークがこれらのタスクを成し遂げるためのトレーニングは困難ではないが、好ましくは、本発明のコントローラを設置しようと考える状況を表すシミュレーションを用いて行うべきである。本願の開示が当業者の理解能力の範囲内にあることを実証する参考文献としては、マサー（Mathur）及びサマド（Samad）による「ニューラルネットワーク−電力産業に関するチュートリアル（"Neural Networks−A Tutorial for the Power Industry"）」、米国電力会議会報（1990年）、及びその中に引用された文献がある。
図２乃至５は、外乱の発生に対する関連変数のプロファイルまたは軌跡を示したものである。まず、図２において、外乱Ｄは、グラフの起点である時刻＝ｋで起こる。このグラフ40は制御ループ中のコントローラからの出力ｕの予測を示す曲線である。点線43は、コントローラがプラントまたはプロセスからの出力ｙにまだ影響を及ぼしていないために、時刻ｋにおける予測外乱に対して反応がないことを示している。この点線43は、従来のMPCが時刻ｋでなすであろうと思われる予測を表している。従来のコントローラが予測DMCUによって予測されたｙを使用できるようにすると、出力ｕは曲線41で示すようになる。曲線42は、設定点に対する実際の偏差を示している。
図３においては、上記と同じグラフが時刻ｋ＋２に移動している（あるいはｋ＋２を起点として描き直されている）。この外乱は従来のMPCによって示される（従来技術のMPCのようにDMCUなしで）。その応答はモデル誤差e2を伴う制御動作を予測して曲線44で示されている。本発明による予測DMCUを用いて構成されたMPCの場合の時刻ｋ＋２におけるe1のモデル誤差は、上記誤差e2に加えて用いられ、これによれば、実際の外乱の発生が予測外乱の近辺で起こると仮定した場合、ニューラルネット外乱予測子によって補正されたモデルによってプロセスまたはプラントをよりタイムリーな仕方で設定点７に移動させることが可能となる。
図４は、グラフ45で出力及び負荷のプロファイルを示している。ハイブリッドMPC（本発明による）は、増加傾向の負荷曲線46がこれから起ころうとしていることを認識している（そのトレーニングまたはモデルのために予測する）ので、曲線49のプラント出力プロファイルを生じる。従来のMPCは、外乱が起こってこれに応答するまで時間を要するので、曲線48のプラント出力プロファイルを生じる。従って、負荷に対する予測外乱が発生する場合、本発明によるMPCは、大部分の状況において従来のMPCよりも外乱応答（外乱除去として知られている）がすぐれているということは容易に理解できよう。
図５において、グラフ47はやはりハイブリッドMPCと従来のMPCとの相対的効率を示しているが、この場合はコントローラ出力ｕに関して示したものである。曲線51は、図４の曲線46で示す負荷変化プロファイルに対する応答としての本発明によるハイブリッドMPCにおけるｕ出力を表し、曲線51は従来のMPCのｕ出力を表す。図４と５は同じ時間スケールで描いてある。
以上説明した本発明は、以下の請求の範囲の記載によってのみ限定されるものである。

Claims (5)

1. アクチュエータを有するプロセスを制御するための出力信号を有するそのプロセスを制御する制御 ループであって、そのプロセスの制御を達成するために前記アクチュエータに接続され、前記プロセスの出力を表す入力信号を有している制御ループにおいて、
   アクチュエータに接続され、そのアクチュエータを制御するための第１の出力を有し、プロセス出力を表す信号を受ける第１の入力と、第２及び第３の入力とを有するノミナルコントローラと、
   プロセス出力を表す信号を受ける第１の入力を有し、ノミナルコントローラの第１の出力に接続された第２の入力を有し、ノミナルコントローラの第２の入力に接続された出力を有し、かつ第３の入力を有する外乱モードコントローラ装置（DMCU）と、
   外乱モードコントローラ装置の第３の入力に接続された出力を有する周期性インジケータと、
   を具備し、
   外乱モードコントローラ装置が、前記周期性インジケータに関連させた予測外乱を含まされたニューラルネット ワークを有し、かつそのニューラルネットワークは、外 乱モードコントローラ装置の第１の入力であるプロセス 出力と、外乱モードコントローラ装置の第２の入力であ るアクチュエータを制御するノミナルコントローラの第 １の出力を表す信号とを入力として、予測外乱の起こる時と程度を予測するとともに、外乱モードコントローラ装置の出力に、すぐに起こる外乱が予測されればその予測外乱を示す信号を供給して、ノミナルコントローラの第２の入力に入力させるようになっており、
   前記ノミナルコントローラは、そのノミナルコントローラの第３の入力に設定点信号を有し、何らかの差迫った外乱を表す信号がない場合に、ノミナルコントローラの第１の入力へのプロセス出力を表す信号からアクチュエータを制御するための出力を発生し、さらに、何らかの差迫った外乱を示す信号がある場合は、外乱モードコントローラ装置からの何らかの差迫った外乱を示す信号からアクチュエータを制御するための出力を発生する
   制御ループ。
2. 上記DMCUが、プロセス出力がユーザにより選択された期間内においてユーザにより選択された大きさ以上設定点に対して変化しない限り、上記外乱予測子から上記ノミナルコントローラ出力への信号を上記選択された期間だけ使用する請求項１記載の制御ループ。
3. DMCUが、予測外乱モデル上でのシミュレーションでトレーニングされたニューラルネットワークである請求項２記載の制御ループ。
4. DMCU出力が、外乱が予測されるかどうかだけを示す信号である請求項１記載の制御ループ。
5. DMCU出力が、該DMCUによって予測されたｙのプロファイルを示す信号であり、ｙが少なくとも１つの出力変数ベクトルである請求項１記載の制御ループ。

Images