JP5297489B2 - プロセス制御システムにおける適応推定モデル - Google Patents

Description

本願発明は、一般に、プロセス制御システムにおいて予測モデルを用いることに関し、より特定的には、プロセスパラメータの測定値を用いて予測モデルの出力を適応的に調節することに関する。

プロセス制御産業の多くの分野においては、通常、液体又は気体の流れにおける組成等の重要なパラメータは、測定が難しく、オフライン技術を用いることによって測定され得る。しばしば、このようなパラメータは、オフラインラボ解析により、又は連続的に維持するのは困難であるか若しくは信頼性の低いオンラインアナライザの使用により得られる。プロセス制御を実行する等の何らかの理由で重要なパラメータの推定値が必要な場合、プロセスの動作中に容易に測定したり確認したりするプロセス入力やパラメータに基づいて測定困難なプロセスパラメータを予測するプロセスモデルを作成するために、多種の数学的手法の何れかが用いられてきた。

より特定的には、プロセス制御システム内で、非パラメータモデル（例えば、ニューラルネットワークモデル）、自然モデル（例えば、第１原理モデル）、又はパラメータモデル（回帰手法により得られた）等の一又は複数の予測モデルを用いてプロセスパラメータを推定することが一般的に知られている。予測モデルの１用途としては、プロセス制御システム内の或る時点の架空センサの出力を推定したり予測したりするのに用いられる仮想センサである。これで判るように、仮想センサは、実際のセンサを所望のプロセス位置に位置付けるのが困難であるか不可能な場合に典型的には用いられる。仮想センサは、例えば、決定の際にオペレータ側の判断を要する臭いや味等のパラメータを測定する際に、実際のセンサが存在しないようなプロセスパラメータを予測するのに用いることができる。予測モデルの別の用途は、プロセス内のセンサの正しい動作を検査するクロスアナライザである。例えば、クロスアナライザ及びセンサが異なる測定値を生成するとすれば、そのセンサは何らかの形で故障したということになる。

公知であるが、ニューラルネットワーク予測モデルは、教育データの組から構成されており、教育データの各組は、多くのプロセス入力／出力（モデルへの入力）の各々の値と、予測又は推定されているプロセスパラメータ値とを有する。実際のセンサは、プロセスの動作中に、パラメータの測定値を得ることはないか又は限られた測定値のみを得るのであるが、教育データから作成された後、ニューラルネットワークモデルは、プロセスパラメータを予測するのにプロセス制御システム環境内で用いられる。第１原理モデル又は自然モデルは典型的には一又は複数の数式を用いて、予測されている現象の挙動をモデル化する。

予測モデルは、プロセス制御変数の値を予測するのに用いられるとき、バイアス（偏り）誤差、ドリフト誤差、非線形誤差等の様々な種類の誤差を伴う。バイアス誤差とは、モデルの出力が、予測されている実際のプロセスパラメータ値に対してバイアス又はオフセットを有する誤差である。バイアス誤差は、数学的にはy = x + Bの形で表される。ここで、yは予測又はモデル化されたプロセスパラメータ値、xは実際のプロセスパラメータ値、Bはバイアスである。ドリフト誤差は、モデル化されているプロセスパラメータ値に対して線形であるか又は比例し、y = Axの形で表される誤差であり、Aはドリフト誤差乗数である。非線形誤差とは、実際のプロセスパラメータに対して非線形であり、数学的にはy = f(x)の形で表される誤差であり、予測された値yは実効値xの非線形関数であることを意味している。非線形誤差は、何らかの理由で生じるが、予測モデルが不注意にも何らかの非線形誤差成分を有するものとして作成されたことからしばしば生じる。例えば、自然モデルは、モデル化されている現象の高次（第２，第３等）の影響を説明できないかも知れず、ニューラルネットワークモデルは、不完全又は不充分な組の教育データから作成され得る等、任意の非線形誤差成分を有するモデルの出力が生じる。モデルの不備に加えて、これらの誤差は、プロセス出力に直接影響を与える虞れのあるプロセス機器の変化や供給原料の組成等の未測定プロセス入力により生じることが可能である。プロセス動作における未測定のプロセス入力及び変化は、プロセス制御産業内ではありふれたことであるので、ニューラルネットワーク、第１原理モデル、又は他の一般に利用可能なモデルの用途は、重要なプロセス出力を確実に予測するのに商業的な限界があった。

従来、作成されたモデルと実際のプロセスとの間の不一致により生じる線形誤差又は非線形誤差を補正する唯一の方法は、異なる式又はより正確な式を用いて、異なる組のパラメータ又はより完全な組の教育データを用いる等してモデルをリフォームすることであった。予測モデルを再作成するかリフォームするプロセスは、時間が掛かり、大抵は専門家を必要とし、莫大な量の処理能力及び時間が必要であり、典型的にはリアルタイムのプロセス動作では実行することができない。さらに、新たに作成された予測モデルの予測に誤差がないという保証はない。このように、例えば、プロセス制御システムで用いられる予測モデルの出力を適応的に補正するのではなく、予測モデルの予測能力は、予測されているプロセスパラメータの実際の測定値をとるとともに、これらの測定値を予測モデルの出力と比較することで周期的に検査されてきた。モデル予測がそれに誤差を有するか否かを決定するのに、１回以上のこのような比較が典型的には行われていた。しかしながら、この比較は、モデルを適合させるために行われたのではなく、モデルが許容可能な出力を生成するか否かを決定するのに行われるか、又は従来のモデル形成技術を用いてモデルをリフォームするために行われていた。

本発明は、予測モデル自体をリフォームする必要がなく、実際のプロセス測定値を用いて線形誤差だけでなく非線形誤差を低減又は補正することにより、ニューラルネットワークモデル又は自然モデルのような典型的な予測モデルの出力を適応的に補正又は調節することに向けられている。このような適応推定モデルは、標準的な予測モデルと比較すると、処理が僅かに増大するだけでプロセス制御システムの動作中に連続的にプロセス内で容易に実行可能である。一般的に、適応推定モデルは、連続的に、周期的に、非周期的に、又は非周期的に、ラボサンプル又はラボアナライザにより得られるプロセスパラメータの測定値と関連して、測定されたプロセス入力を用いて標準の予測モデルの出力を適合させる。プロセスパラメータの予測値は、このフィードバックメカニズムを用いて、プロセス動作における未測定の妨害及び変化を補償するように自動的に適合され得る。

本発明の或る態様によれば、プロセスパラメータを推定する際に用いられる適応推定モデルは、一又は複数のモデル入力を受け、この一又は複数のモデル入力に基づいてプロセスパラメータの予測値を生成するように構成された予測モデルと、プロセスパラメータの測定値を受けるように構成された測定値入力とを有する。適応推定モデルは、測定値入力に結合されてプロセスパラメータの測定値を受けるとともに、予測モデルに結合されてプロセスパラメータの予測値を受けるコンバイナネットワーク（combiner network）も有する。コンバイナネットワークは、プロセスパラメータの測定値をプロセスパラメータの予測値と合成し、プロセスパラメータの調節された予測値を生成する。

コンバイナネットワークは、補正ファクタを決定する補正ブロックと、補正ファクタをプロセスパラメータの予測値に加算してプロセスパラメータの調節された予測値を生成する加算器とを備えることが可能である。補正ファクタは、予測モデルに結合され、現在のプロセスパラメータの測定値と時間的に一致するように例えばサンプル遅延だけプロセスパラメータの予測値を遅延させるディレイユニットを有する補正ブロックにより生成されることが可能である。比較の結果は、処理され、フィルタリングされて補正ファクタを生成し、この補正ファクタは、予測モデルの現在の出力に加算され、現時点の調節値を生成する。同一の補正ファクタは、新たなプロセスパラメータの測定値が利用可能になるまで維持され、予測モデルの次の出力と加算されることが可能である。

別の実施の形態においては、コンバイナネットワークは、プロセスパラメータの予測値を遅延させるように結合されたディレイユニットと、プロセスパラメータの遅延された予測値及びプロセスパラメータの測定値を回帰最小二乗係数で乗算する乗算器と、プロセスパラメータの乗算された遅延予測値と乗算されたプロセスパラメータの測定値とを加算してプロセスパラメータの調節された予測値を生成する加算器とを有する。

本発明の別の態様によれば、予測モデルに送られた一連の入力に基づいてプロセスの動作中にプロセスパラメータの推定値を生成する予測モデルの出力を調節する方法は、プロセスの動作中にプロセスパラメータを測定してプロセスパラメータの測定値を生成するステップと、プロセスパラメータの測定値を用いて補正ファクタを生成するステップと、補正ファクタを予測モデルの出力と合成して、プロセスの動作中にプロセスパラメータを推定する調節された予測モデル出力を生成するステップとを有する。

本発明によれば、

プロセスに結合された適応推定モデルのブロック図である。 プロセスに結合されたコンバイナネットワークの第１の実施の形態を有する適応推定モデルの詳細なブロック図である。 プロセスに結合されたコンバイナネットワークの第２の実施の形態を有する適応推定モデルの詳細なブロック図である。 プロセスに結合されたコンバイナネットワークの第３の実施の形態を有する適応推定モデルの詳細なブロック図である。 図１から図３の一又は複数の適応推定モデルを有するプロセス制御ネットワークのブロック図である。

図１を参照して、適応推定モデル10は、プロセス12に結合されている。該プロセス12は、例えば、連続プロセス又はバッチプロセスを含む所望の種類のプロセスであることが可能である。適応推定モデル10は、その出力yがコンバイナネットワーク16に結合された典型的な又は公知の推定モデル（予測モデル）14を有している。該予測モデル14は、例えば、ニューラルネットワークモデルの如き非パラメータモデル，第１原理モデルの如き自然モデル，回帰手法を用いて得られた如きパラメータモデル，又は任意のその他の所望の種類の予測モデルであることが可能である。予測モデル14は、予測モデルによくあることだが、プロセス12の適切な入力及び／又は出力に通信可能に接続された入力を有する。当然のことながら、予測モデル14は、所望の方法で又は公知の方法で形成されることが可能であり、入力として、プロセス12への入力の何れか、測定されたパラメータ若しくはプロセス12が生成するプロセスパラメータの何れか、又は特定の場合に所望の如く若しくは必要に応じて任意のその他の入力を用いることが可能である。予測モデル14の出力yは、プロセス12内の又はこれに関連した所望の信号，量，パラメータ，又は他の現象の値（プロセスパラメータxと称される）を予測又は推定することが可能である。従って、例えば、予測モデル14は、仮想センサ，クロスアナライザ等であることが可能である。しかしながら、上述したように、出力yは、典型的には実際のプロセスパラメータxに対する非線形誤差，バイアス誤差，ドリフト誤差，又はその組み合わせに対して補正されるべきである。

パラメータxの測定値は、例えば、ネットワークアナライザ，ラボアナライザ，センサ，若しくはグラブサンプルアナライザにより得られたもの、又はその他の所望の方法で得られたもの等、周期的又は非周期的測定値を用いてプロセス12内で得られてよいのであるが、この測定値は、適応推定モデル10内のコンバイナネットワーク16の測定値入力に与えられてよい。もし望むのであれば、プロセスパラメータxを測定するアナライザ又はセンサは、プロセス12に周期的に接続されてパラメータxの適切なサンプルを得てもよく、パラメータxの測定値は、次いで適応推定モデル10に与えられてもよい。当然のことながら、連続的又は周期的等の任意の時間でパラメータxの測定値が得られて適応推定モデル10に与えられることが可能である。同様に、パラメータxの測定値は、プロセス12の動作中に１回以上取られてよいが、必ずしも連続的又は周期的周期で取る必要はない。しかしながら、取られるパラメータxの測定値の数が多ければ多いほど、適応推定モデル10は、それだけ良好に正規動作するであろう。さらに、コンバイナネットワーク16の測定値入力は、プロセスパラメータxの測定値を受信し、記憶してもよい。

動作中において、コンバイナネットワーク16は、出力yをプロセスパラメータxの測定値と比較するか又は合成して、予測信号yの調節値又は補正値である調節された予測値y_adjを生成する。事実、コンバイナネットワーク16は、プロセス12の動作中に測定されたパラメータxの制限された実際の測定値に基づいて出力yを適応的に調節し、信号y_adjを生成する。適応推定モデル10の出力y_adjは、典型的又は標準的な予測モデル14が過去において用いられたのと同一の方法で用いられることが可能である。このように、適応推定モデル10は、大抵の用途で予測モデル14の代用として用いらることが可能であり、特に、実際のプロセスパラメータxの測定値がプロセス12の動作中の何れかの時間になされ得る用途で予測モデル14の代用として用いられることが可能である。

一般的に、コンバイナネットワーク16は、予測モデル14の出力yを「ディレイ」ユニットで遅延（例えば、記憶）させ、次いで、遅延又は記憶された値yをパラメータxと時間的に一致する測定値と比較して誤差信号eを生成する。誤差信号eは、次いで平滑化又はフィルタリングされ、任意の方法で値yと合成されて調節信号y_adjを生成する。このようにして、標準的な予測モデル14の出力は、僅かな処理量でプロセスの動作中に調節され、プロセスモデル（予測モデル）14をリフォームする必要もなく、低減された非線形性、バイアス誤差、及びドリフト誤差を有するよりも正確な予測値を生成することが可能である。さらに、プロセスパラメータxの実効値は、プロセス12の動作中に連続的に予測モデル14の出力yを調節できるように、周期的に又は様々に周期的にスケジュールされた時間で若しくは非周期的時間で測定されるが、コンバイナネットワーク16は、プロセス12の動作中に連続的に動作することが可能である。

図２は、或るコンバイナネットワーク16aの詳細をより詳しく示す適応推定モデル10のブロック図を示している。図２において、予測モデル（ニューラルネットワークモデル）14は、典型的には、フィードフォーワードニューラルネットワーク予測モデルの場合と同じように、その入力がプロセス入力に結合されたフィードフォーワードニューラルネットワークモデルとして示されている。同様に、図２において、プロセスパラメータxは、ネットワークアナライザ又は他の検出デバイス若しくはプロセスにより様々な時間で測定可能であり、パラメータxの値は、自動的に又はオペレータ入力によって所望の方法で適応推定モデル10の測定値入力に与えられ、必要に応じて記憶される。さらに、測定値が取られた時間又はサンプルディレイ（ディレイ変数と呼ばれる）の指示が適応推定モデル10に与えられる。

一般的に、コンバイナネットワーク16aは、補正ファクタを決定する補正ブロックと、補正ファクタを出力y（又は任意のスケーリングされた及び／又はその遅延されたバージョン）に合成して調節出力y_adjを生成するコンバイナ28とを有する。図２の実施の形態において、予測モデル14の出力yは、ディレイユニット20に与えられ、ディレイユニット20は、この信号をディレイ変数に従って設定されたディレイだけ遅延させる。このディレイ変数は、いつプロセスパラメータxの測定が行われたのかに基づいてオペレータにより決定されることが可能であり、又はディレイユニット20により自動的に決定されることが可能である。典型的には、ディレイ変数の値（Delay）は、予測モデル14の出力yとサンプルに相当するプロセス変数xの測定値が適応推定モデル10に与えられる時間との間のサンプルディレイ又は測定ディレイに設定される。従って、厳密にいうと、予測モデル14の出力はy(t)であり、ディレイユニット20の出力はy(t-Delay)である。ディレイユニット20は、様々な時間に対する出力yのディジタル値を記憶するディレイライン又はメモリ等の所望の種類のディレイユニットである。

ディレイユニット20の出力y(t)は、加算器22の負（反転）入力に与えられ、加算器22では、出力y(t)は、測定されたプロセスパラメータx(t)から減算される。加算器22は、誤差信号e(t)を生成するが、この誤差信号は、時間tでのプロセスパラメータxの実効値と時間tに対して予測モデル14が生成するこのパラメータの予測値との間の差分を反映する補正ファクタである。従って、この場合、加算器22の出力は、e(t) = x(t) - y(t-Delay)で表される。

その後、誤差信号e(t)は、誤差が極端に大きいか又は小さい値にならないようにする上下限界を有する限界値検出器24に与えられる。このような状況が生じ得るのは、プロセス測定値xが疑わしいか又はモデルの予測値yが疑わしい場合である。その値を決定するのに用いられるセンサが誤っているとか、プロセス測定値xを決定する際に人間の誤差がある場合に、プロセス測定値は疑わしいことになる。モデルの疑わしい予測は、出力y(t)となる予測モデル14への入力（時間tでの）が、予測モデル14を生成するのに用いられる限界値を外れている場合に生じる。モデルを作成する際の不正確な方法によって生じるモデルの不適切さは、誤差が生じる別の原因となり、入力がモデル作成において用いられる限界値内にある場合でさえ生じる虞れがある。これらの状況において、ユーザは、好ましくは、誤差限界値を違反したと、モデル予測の疑わしい調節を示しているフラグ又は誤差信号で警告される。疑わしい調節又は誤差の場合、限界値検出器24は、誤差信号e(t)が予測モデル14の出力yを適応的に調節するのに用いられないように誤差信号を廃棄する。当然、限界値検出器24は、例えば、測定されたプロセスパラメータxの限界値を用いて誤差を記憶するか追跡しなければならない。このプロセスは、適切なメモリ又はルックアップテーブルを用いて容易に達成することが可能である。さらに、ユーザ又はオペレータは、限界値検出器24内に限界値を設定して、これにより、調節された予測値y_adjに対するプロセスパラメータxの誤差測定値の影響を制御するか又は制限することができる。

予測モデル14への入力が時間tの範囲内にあるとしたら、限界値検出器24は、誤差信号e(t)の値をフィルタ26、例えば、誤差信号e(t)における遷移を平滑化するのに用いられる平滑化フィルタ又は他のローパスフィルタであり得るフィルタに渡し、これにより予測モデル14の出力に対して平滑化調節値を作成する。事実、フィルタ26は、プロセスパラメータxにおけるノイズ及び高周波遷移の影響をオフセットする。好ましくは、誤差ファクタe(t)は、プロセス入力の変更に対する応答水平線を例えば２倍にするために重み付けてフィルタリングされる。しかしながら、フィルタ26が与える適応性のレートは異なる誤差環境を反映するために変更されることが可能であり、典型的には、補正が行われているプロセスの種類か、又は予測されているプロセスパラメータの種類に基づいて設定される。当然、適応推定モデル10は、予測出力yがプロセスパラメータxの測定値に基づいてレートを調節するためにフィルタリング係数をユーザが選択できるように構成することが可能である。

図２に示すように、フィルタ26は最終補正ファクタCorrect(t)を作成し、Correct(t)信号を加算器（コンバイナ）28に与え、加算器28は、補正ファクタCorrect(t)を予測モデル14の出力y(t)と加算して調節出力y_adjを生成する。この場合、適応推定モデル10は以下の数式を実行する。

e(t) = x(t) - y(t-Delay)Correct(t)= a1×Correct(t-Delay) + a2×e(t)y_adj(t + k) = y (t + k) + Correct(t)
但し、0≦k＜Delayここで、Correct(t)は、時間tに対する補正ファクタ、y(t)は、時間tで予測モデル14により生成された予測値、x(t)は、アナライザ，ラボ解析又は他の測定により決定された時間tでのプロセスパラメータxの実効値、y_adjは、プロセスパラメータxの調節された予測値、a1，a2は、フィルタ（例えば、フィルタ26）の係数、kは、予測モデルの実効レートである。

時間tに対する補正ファクタ、例えば、Correct(t)は、パラメータxの実際の測定値を適応推定モデル10の測定値入力に与える際に固有のサンプルディレイを調節すべく、時間t-Delayで取られたyの値を用いて実際に計算される。さらに、パラメータxの測定値が周期的又は非周期的な間隔で与えられた場合、誤差信号e(t)は、xの新たな値が予測モデル10に与えられるまで同一のままである。しかしながら、フィルタ26の動作により、補正ファクタCorrect(t)は、xの新たな値が適応推定モデル10に与えられるまでは一定の値に近づく。しかしながら、補正ファクタCorrect(t)は、プロセスパラメータxの測定値が取られない時間でさえ、出力yに連続的に加えられることが可能である。当然のことながら、フィルタ26及び限界値検出器24は、公知のディジタル要素又はアナログ要素であることが可能である。

図３を参照して、更なるコンバイナネットワーク16bは、適応推定モデル10での使用を図示されている。図３のコンバイナネットワーク16bは、ディレイユニット20が予測モデル（ニューラルネットワーク）14の出力yの代わりに加算器28の調節された出力y_adjを受信する以外は、図２のコンバイナネットワーク16aと同一であり、同一の要素を備えている。従って、誤差e(t)は、未補正の推定値の代わりに適応推定モデル10の補正又は調節された推定値から決定される。図３のプロセス用の誤差信号e(t)、最終の補正ファクタCorrect(t)、及び調節された出力y_adjは、以下のように表現することが可能である。

e(t) = x(t) - y_adj(t-Delay)Correct(t) = a1×Correct(t-Delay)+a2×e(t)Y_adj(t+k) = y(t+k) + Correct(t)
但し、0≦k＜Delayこの議論から、予測モデル14の出力y又は適応推定モデル10の調節された出力y_adjの何れかが補正ファクタCorrect(t)を生成するためにフィードバックとして使用され得ることが理解されるであろう。

上記の補正ブロック又はコンバイナネットワークの表示が、同一の目的のために使用され得る様々な形態の単なる一般化であることを更に注記しておく。例えば、これらのブロックは、特にサンプリング測定の場合に、より良い雑音減衰を達成するためにより上位のフィルタまで拡張される得るか、又は推定モデル（予測モデル）14の出力の補正を実行するために他の線形又は非線形手法を使用することができる。さらに、前記フィルタ係数は、誤差の要因とサンプリング環境とが知られている場合には固定され得、又はもし要求されれば公知の回帰手法を使用して適合され得る。

さらに、再帰最小二乗（RLS）、ニュートン・ラフソン、グラディエント降下（Gradient descent）の如き誤差最小化手法は、コンバイナネットワーク16で使用することが可能であり、前記プロセスの状態で重要な励震又は急激な変化がある場合に非常に有効である。図４を参照して、コンバイナネットワーク16eは、次の形態で計算又は決定され得る調節された出力y_adjを生成すべく、RLS手法を使用して示される。

y_adj(t+k)=a1×y(t-2×Delay+k) + a2×y(t-Delay+k) + a3×x(t-Delay)
但し、0≦k＜Delayここで、a1，a2及びa3はRLS係数である。

もし望むのであれば、実際の出力（パラメータx）及びネットワーク出力（信号y）のための１回以上の遅延期間は、アルゴリズムの実行をリフォームするために使用され得る。理解されるように、図４のコンバイナネットワーク16cは、性能を向上するためにRLSアルゴリズムを使用する。特に、予測モデル（ニューラルネットワーク）14の出力yは、例えばサンプル測定遅延によってこれらの値を遅延するディレイユニット30及び32（又はその他の数のディレイユニット）に提供される。しかしながら、ディレイユニット30は、この場合、ディレイユニット32よりもう１回の遅延単位時間だけy信号を遅延する。時間tにおける実際に測定されたプロセスパラメータxが乗算器38に与えられる一方、ディレイユニット30及び32の出力は、乗算器34及び36に与えられる。係数a1，a2及びa3を計算するための標準的なRLS手法を使用するRLS係数決定アルゴリズム40によって決定されるように、乗算器34，36及び38は、それの入力にRLS係数a1，a2及びa3をそれぞれ乗算する。該RLSアルゴリズム40は、プロセスパラメータxの新しい測定サンプルがコンバイナネットワークに16c与えられる都度、新しい係数の組を決定する。

乗算器34，36及び38の出力は、図２及び図３の限界値検出器24と同様に作動する限界値検出器42，44及び46に与えられる。従って、限界値検出器42は、限界値検出器44がt-2×Delayの時点での推定値のための限界値検出器42と同一の機能を実行する一方、t-Delayの時点での推定値が許容可能な範囲内にあるか否かを決定する。t-Delayの時点での、又はt-2×Delayの時点での推定値yが、上述された理由のうちの一又は複数に該当すると目される場合には、誤差範囲は侵害され、フラグ又は誤差信号が生成される。

その後、フィルタ42，44及び46の出力は、調節された推定値y_adjを生成するために、これらの信号を加算する加算器48に与えられる。図４のシステムにおいて、予測モデル14の出力は、もう一度、調節された出力y_adjを生成するために、或る方法で実際に測定されたプロセスパラメータx（恐らく異なる遅延時間で）と合成されることを注記しておく。該調節された出力y_adjは、モデル予測yの前の値とプロセス測定値xとの直接の合成によって決定される。該調節された推定値y_adjは、モデル予測yの代わりに使用することも可能である。その結果、設定の選択は、問題のプロセスに適するように変更されることができる。勿論、同様の手法をその他の種類のフィルタ及び誤差補正手法に使用することが可能であり、コンバイナネットワーク16は、ここに示された実施の形態に制限されないことが理解されるであろう。図１〜図４に示された要素のうちの何れか又は全ても、任意の所望する方法で開発又は製作された個別のハードウェア、ソフトウェア（プログラム）又はファームウェア要素であり得、また、その間の接続は、そのようなハードウェア、ソフトウェア若しくはファームウェア要素の間の信号又は値の通信を示すことが更に理解されるであろう。さらに、図４の例では、乗算器38及び限界値検出器46が、補正ファクタを生成する補正ブロックをなす一方、ディレイユニット30及び32、乗算器34及び36、限界値検出器42及び44、並びに加算器48は、コンバイナをなす。

異なるシナリオの下で、ここに示された適応推定モデルの運転を試験するために、多くのリアルタイムプロセスモデルは、コンバイナネットワーク16a，16b及び16cの使用で、及びその使用なしで実行される。このシミュレーションでは、各プロセスのニューラルネットワークは、リアルタイムプロセス変数を集めることによって、及びプロセス制御用途での使用のための市販のニューラルネットワーク生成ソフトウェアを使用してネットワークを設計及び教育することによって、まず生成される。入力及びそれらに対応する遅延の選択は、該選択が教育誤差を最小化するように試みられる。その後、時代の最大数に到達するまでネットワークは教育される。真実のテスト状況は、前記プロセスから個別の教育及び確認サンプルに集められたデータの組を分割することによりシミュレートされる。確認中に、全ての確認サンプルが教育範囲の限度内にあるように、同一の入力データの異常値の限度が使用される。前記確認の組でのネットワークの実行が満足な結果を出さなかった場合については、プロセスモデルの開発中の通常の場合のように、ネットワーク設計は、修正及び再教育される。この教育プロセスは、確認誤差が最小となるニューラルネットワークモデルで終わるように再帰的に行われる。

その後、上述のコンバイナネットワーク16a，16b及び16cは、各ネットワークに適用される。単純なMATLABプログラムは、様々なコンバイナ設定を確認するために使用される。その結果を次表に示す。

このテーブルでは、Aevapはコーンシロップ蒸発プロセス、Batchはバッチプロセス、tw11aはCO₂/NH₃、カプロラクタム（caprolactum）プロセス中の気体洗浄装置カラム、Grind2a及びGrinderは銅鉱石研磨プロセス、及びqunoは、抄紙機プロセスのHeadBox pHである。殆どのテストケースでは、コンバイナネットワークの各々のための補正された出力の二乗平均（RMS）誤差が、補正なしのニューラルネットワークモデルの出力のそれより低かったことが判る。殆どの場合、著しい誤差減少があった。従って、理解されるように、適応プロセスモデル（適応推定モデル）10の調節された出力を生成するための異なるネットワーク、ブロック又は手法は、そのプロセスにとって最良に働くフィルタリング技術又は合成技術の種類に属するプロセス及び前の決定又は経験の種類に基づいた任意の単一のプロセスで使用され得る。

図５を参照して、適応推定モデル10が使用され得るプロセス制御ネットワーク60を示す。該プロセス制御ネットワーク60、例えば本願出願人である米国テキサス州オースティンのフィッシャー・ローズマウント社によって販売されているDeltaVプロセス制御システムは、一又は複数のコントローラ62，ホスト又はオペレータワークステーション64，データヒストリアン又はデータライブラリ66，及び／又は例えばイーサネット（登録商標）バスであるバス70に接続されたその他のワークステーション，データベース，設定ステーション等の如きその他のコンピュータ装置を備えている。知られているように、コントローラ62及びワークステーション64は、それらのデバイスのメモリに格納されたソフトウェアを実行するプロセッサを備えている。該コントローラ62は、例えばスタンドアローンコンピュータ又はネットワークコンピュータで実行される、例えば分散されたコントロールシステムコントローラ又は任意のその他の種類のコントローラであることが可能である。また、ホストデバイス64は、例えば、ユーザ又はオペレータが任意の公知の方法の中でプロセス制御システム60と接続することを可能にするパーソナルコンピュータ又はその他のデバイスであることが可能である。データヒストリアン66は、ディジタルディスク記憶装置（コンパクトディスク，ディジタルビデオディスク，レーザーディスク（登録商標）等を使用するもの）、RAM記憶装置，磁気ディスク記憶装置等の任意の種類の公知のメモリ又は記憶装置を備えることが可能であるが、これらに限定されるものではない。

多数のフィールドデバイス75〜82が、任意の所望する種類の入力／出力（I/O）デバイス86及び88を介してコントローラ62に接続されるように示されている。該デバイス75〜78は、I/Oデバイス86に、及び例えばHART，標準4-20maデバイス又はその他の種類のスマート若しくは非スマートフィールドデバイスに個々に接続されることが可能である。同様に、図５のデバイス79〜82は、Fieldbusリンクの如き任意の所望する種類のバスであるバス90に接続されるように示されている。この場合、デバイス79〜82は、Foundation Fieldbus通信プロトコルを使用することが可能である。勿論、フィールドデバイス75〜82の各々は、例えば、センサ，コントロールバルブ，ポジショナ，ファン，ビデオカメラ，マイクロホン等を有するプロセス制御ネットワーク60で使用される任意の種類のフィールドデバイスであることが可能である。勿論、その他のデバイスは、任意の所望する方法でシステム60に接続されることが可能である。

図５に示すように、コントローラ62は、多くの異なるループ又はセグメントを有するプロセス制御スキーム100又はルーチンを実行する。概して言えば、各コントロールループは、プロセスのある部分を制御すべく一又は複数の前記フィールドデバイスを制御する。図５のボックス100中に示されるように、コントローラ62は、制御を実行すべく機能ブロックに一般に参照されるものを使用することが可能である。知られているように、機能ブロック（基本的に、オブジェクト指向のプログラミング環境中のオブジェクト）は、コミュニケーションリンクによって相互接続され、他方と通信すべく作動し、それによって制御を実行することが可能である。しかしながら、コントローラ62は、例えば、ラダーロジック，シーケンス機能チャート等を有するその他の望ましい種類のコントロール技術を使用することができる。

図５のコントローラ62は、２つのループ102及び104を実行するように示されている。該ループ102は、デバイスから信号を受信するために作動する２つのアナログ入力（AI）機能ブロックと、それに提供される入力に基づいたPID制御を実行する比例・積分・微分（PID）制御ブロック、及びバルブの如きデバイスへ信号を送信するか又は該デバイスと通信するアナログ出力（AO）機能ブロックを有しており、それによってその装置を制御する。また、該AOブロックは、フィードバックをPIDブロックに与える。同様に、ループ104は、前記プロセス内の第２のコントロールループを実行すべくAO機能ブロックに結合されたPID機能ブロックに結合されたAI機能ブロックを備えている。

図５に更に示されるように、図１〜図４の適応推定モデルのうちの任意のものを使用して構成されることが可能である仮想センサ機能ブロック110は、ループ104のAI及びAOブロックに、及びループ102のAI機能ブロックに結合された入力を有している。該仮想センサ機能ブロック110は、プロセスパラメータ（任意の所望するプロセスパラメータであることが可能である）の推定値を生成するための入力としてこれらの信号を使用する。勿論、仮想センサ110への特定の入力の選択は、推定されているパラメータに依存し、この選択プロセスは、当業者にとっては公知のものである。また、前記仮想センサ機能ブロック110は、PPM（プロセスパラメータの測定値）リンクを介して、推定されているプロセスパラメータの周期的又は非周期的な測定値を受信する。このリンクは、推定されている前記プロセスパラメータを測定するセンサ又はその他の装置から入力を受信するAIブロックの如き入力ブロックに接続されることが可能である。これに代えて、このリンクは、前記プロセスパラメータの手動入力された測定値を受信するホストデバイス64中に存在し得るMIブロック115の如き手動入力機能ブロックに接続されることが可能である。もし望むのであれば、PPMリンクは、サンプル遅延を決定すべく仮想センサ機能ブロック110により使用され得るサンプル遅延又は測定がなされた時点の時間を提供することも可能である。勿論、プロセス変数測定は、例えば、ラボ解析又はその他のアナライザユニットからそのような測定（及び該測定がなされた時点に対応する時間）を得た後に、任意のその他の方法でホスト又はワークステーション64のうちの１つを介してオペレータによって仮想センサ機能ブロック110に与えられることが可能である。例えば、前記プロセスパラメータの測定値を決定するアナライザ又はその他のセンサは、プロセス制御システム60に結合されることが可能であり、プロセス制御システム60内の任意の所望する種類のコミュニケーションを使用して仮想センサ機能ブロック110にそれの出力を与えることが可能である。この例においては、前記プロセスパラメータを測定するセンサは、仮想センサ機能ブロック110と通信するために、バス70，入力／出力デバイス86若しくは88のうちの１つ，又はバス90に接続されることが可能である。もし望むのであれば、ネットワークアナライザの如きデバイスは、パラメータx（及びその関連する測定時刻又は時間遅れ）の一又は複数の測定サンプルを仮想センサ機能ブロック110へダウンロードするために、プロセス制御システム60に一時的に接続されることが可能である。

さらに、前記仮想センサ機能ブロック110の調節された推定出力は、プロセス制御を実行するためにコントローラ62又は任意のその他のコントローラ内で使用されることが可能であり、又は、そのワークステーション内のオペレータ若しくはソフトウェアによって表示若しくは使用されるべきオペレータワークステーション64に送信されることが可能であり、又は、ネットワーク60内の任意のその他の装置に送信及び該装置によって使用されることが可能である。同様に、適応推定モデル10は、ワークステーション内又は一又は複数のデバイス（例えば、デバイス62）内の如きプロセス制御システム60内の任意のその他の望ましい位置に配されることが可能である。全ての場合において、適応推定モデル10は、推定されている前記プロセスパラメータのサンプルと同様に、前記モデルのための選択された入力を受信するために通信可能に結合される必要がある。適応推定モデル110又は10への測定プロセスパラメータを取得及び提供するのに関連した時間又は時間遅れが該モデル110，10に自動的に与えられるのを保証することも望ましい。

適応推定モデルがプロセス制御システム及び特にDeltaV又はFieldbus機能ブロック（これらは非常に類似している）内の機能ブロックであるようにここに記述しているが、そのような適応推定モデルが、任意の種類のプログラム又はデバイスとして構成されることができ、及びここに記述された図１〜図５の適応推定モデルの異なる要素が、任意の種類のコンピュータメモリ，ディスク又はその他の記憶装置上に格納されたハードウェア，ファームウェア又はソフトウェア中において生成することが可能であり、また実行することが可能であるということは理解されるであろう。もしソフトウェア中で実行されるのであれば、適応推定モデルは、任意の所望するプログラミング言語を使用してプログラムすることができ、標準的な多目的CPUの中で、又はもし望むのであれば、例えばASICsの如き特別設計のハードウェア若しくはファームウェア上で実現されることが可能である。ソフトウェア中で実現されたときには、該ソフトウェアは、磁気ディスク，レーザーディスク，光ディスク，又はその他の記憶媒体上での如き任意のコンピュータ読み取り可能なメモリに、また、コンピュータ又はプロセッサ等のRAM若しくはROMに格納されることが可能である。同様に、このソフトウェアは、例えば、コンピュータ読み取り可能なディスク若しくはその他の運搬可能なコンピュータ記憶メカニズム上を含む如何なる公知の又は望む伝達方法によって、ユーザ又はプロセス制御システムに伝えることが可能であり、また、電話線，インターネット等の如き通信チャネルに亘って変調することも可能である（そのようなソフトウェアを運搬可能な記憶媒体を介して提供することと同一又は相互転換可能であると見なされる）。

さらに、適応推定モデルがプロセス制御環境又はネットワークでの使用としてここに記述されているが、適応推定モデルは、パラメータの予測を生成すべく、非パラメータモデル（例えば、ニューラルネットワークモデル），自然モデル（例えば、第一原理モデル），又は（例えば、回帰手法によって得られた）パラメータモデルの如き推定モデルを使用する任意のその他の分野における試み（ここでは便宜上プロセスと呼ばれている）での使用としてここでの開示に従って構成されることができることは理解されるであろう。

従って、本願発明が特定の例を参照して記述されているが、これは例示のみを意図したものであって、本願発明を限定するものではない。当業者にとっては、変更、追加又は削除が本願発明の目的及び範疇を逸脱しないで開示の実施の形態になされ得ることは明白であろう。

10 適応推定モデル（予測モデル、適応プロセスモデル）
12 プロセス
14 推定モデル（予測モデル、プロセスモデル）
16，16a〜16e コンバイナネットワーク
20，30，32 ディレイユニット
22，28，48 加算器
24 限界値検出器
26 フィルタ
34，36，38 乗算器
40 RLS係数決定アルゴリズム
42，44，46 限界値検出器（フィルタ）
60 プロセス制御ネットワーク（プロセス制御システム）
62 コントローラ（デバイス）
64 オペレータワークステーション（ホストデバイス）
66 データライブラリ（データヒストリアン）
70，90 バス
75〜82 フィールドデバイス
86 入力／出力デバイス（I/Oデバイス）
88 デバイス
100 プロセス制御スキーム（ボックス）
102，104 ループ
110 仮想センサ機能ブロック（仮想センサ、適応推定モデル）
115 MIブロック

Claims (17)

1. プロセスのプロセスパラメータを予測するのに用いる適応推定モデルであって、前記プロセスの入力又は出力にリンクされている少なくとも１つのモデル入力を有し、該少なくとも１つのモデル入力に基づいて前記プロセスパラメータの値を推定するように構成された推定モデルと、
   前記プロセスパラメータの測定値を受けるように構成された測定入力と、
   前記プロセスパラメータの測定値を受けるべく前記測定入力に結合され、前記プロセスパラメータの推定値を受けるべく前記推定モデルに結合され、前記プロセスパラメータの調節された推定値を生成すべく、前記プロセスパラメータの測定値を前記プロセスパラメータの推定値と結合するように構成されたコンバイナネットワークと
   を備え、
   前記コンバイナネットワークは、前記プロセスパラメータの推定値を遅延すべく結合されたディレイユニットと、再帰最小二乗係数を前記プロセスパラメータの遅延された推定値及び前記プロセスパラメータの測定値に夫々乗算する乗算器と、乗算された前記プロセスパラメータの遅延された推定値と乗算された前記プロセスパラメータの測定値とを加算して前記プロセスパラメータの調節された推定値を生成する加算器とを備えていることを特徴とする適応推定モデル。
2. 前記推定モデルは、ニューラルネットワークモデルであることを特徴とする請求項１記載の適応推定モデル。
3. 前記推定モデルは、自然モデルであることを特徴とする請求項１記載の適応推定モデル。
4. 前記推定モデルは、再帰最小二乗モデルであることを特徴とする請求項１記載の適応推定モデル。
5. 前記推定モデルは、パラメータモデルであることを特徴とする請求項１記載の適応推定モデル。
6. 前記推定モデルは、非パラメータモデルであることを特徴とする請求項１記載の適応推定モデル。
7. 推定モデルに伝えられた一連の入力に基づいてプロセスの動作中にプロセスパラメータの予測を生成する推定モデルの出力を調節する方法であって、
   前記プロセスパラメータの測定値を生成すべく前記プロセスの動作中に前記プロセスパラメータの測定値を取得するステップと、
   前記プロセスパラメータの測定値を使用して補正ファクタを生成するステップと、
   前記プロセスの動作中に前記プロセスパラメータを予測する調節推定モデルの出力を生成すべく前記補正ファクタと前記推定モデルの出力とを合成するステップと、
   １組の再帰最小二乗係数を生成するステップとを有し、
   前記補正ファクタを生成するステップは、前記プロセスパラメータの測定値を前記再帰最小二乗係数のうちの１つによって乗算するステップを有し、
   前記合成するステップは、前記推定モデルの出力を遅延するステップと、前記推定モデルの遅延された出力を前記再帰最小二乗係数のうちの１つによって乗算するステップと、前記調節された推定モデル出力を生成すべく前記推定モデルの乗算された遅延出力を、乗算された前記プロセスパラメータの測定値に加算するステップとを有することを特徴とする方法。
8. 適応推定モデルであって、
   メモリと、
   該メモリ上に格納され、出力としてプロセスパラメータの推定値を生成するプロセッサ上で実現されるように構成された推定モデルと、
   前記メモリ上に格納され、前記プロセスパラメータの測定値を受けるプロセッサ上で実現されるように構成された入力ユニットと、
   前記メモリ上に格納され、前記プロセスパラメータの測定値から補正ファクタを生成すべくプロセッサ上で実現されるように構成された計算ルーチンと、
   前記メモリ上に格納され、前記プロセスパラメータの調節された推定値を生成すべく前記補正ファクタを前記プロセスパラメータの推定値と合成するプロセッサ上で実現されるように構成された合成ルーチンとを備え、
   前記計算ルーチンは、第１の再帰最小二乗係数を前記プロセスパラメータの測定値に乗算し、
   前記合成ルーチンは、前記推定モデルによる前記プロセスパラメータ出力の推定値を遅延し、第２の再帰最小二乗係数を前記プロセスパラメータの遅延された推定値に乗算し、前記プロセスパラメータの調節された推定値を生成すべく乗算された前記プロセスパラメータの遅延された推定値を乗算された前記プロセスパラメータの測定値に加算することを特徴とする適応推定モデル。
9. 前記推定モデル、前記計算ルーチン及び前記合成ルーチンは、機能ブロックを形成することを特徴とする請求項８記載の適応推定モデル。
10. 前記機能ブロックは、Fieldbusプロトコルの機能ブロックであることを特徴とする請求項９記載の適応推定モデル。
11. 前記入力ユニットは、手動入力の機能ブロックであることを特徴とする請求項９記載の適応推定モデル。
12. 前記入力ユニットに結合され、前記プロセスパラメータの測定値を前記入力ユニットへ伝えるように構成された手動入力の機能ブロックを更に備えることを特徴とする請求項９記載の適応推定モデル。
13. 前記入力ユニットに結合され、前記プロセスパラメータの測定値を前記入力ユニットへ伝えるように構成された更なる入力の機能ブロックを更に備えることを特徴とする請求項９記載の適応推定モデル。
14. 前記更なる入力の機能ブロックは、前記プロセスパラメータの測定値に関連したサンプル時間の表示を入力ユニットへ伝えるように構成されていることを特徴とする請求項１３記載の適応推定モデル。
15. 前記プロセスパラメータの測定値は、測定値入力で非周期的に受信されていることを特徴とする請求項１記載の適応推定モデル。
16. プロセスパラメータの測定は、非周期的に実施されていることを特徴とする請求項７記載の方法。
17. 前記プロセスパラメータの測定値は、非周期的に受信されていることを特徴とする請求項８記載の適応推定モデル。

Images