JP5569079B2 - オンラインモデル同定を用いたモデル予測制御方法および装置 - Google Patents

Description

本発明は、プロセスモデルの精度がよくなく、且つそれらに関連する入出力データが時系列にデータベースとして保存可能なシステムを有するプロセスを対象に、プロセスの動的モデルに基づきプロセスへの操作量を操作しプロセスの被制御量を制御する、オンラインモデル同定を用いたモデル予測制御方法および装置に関するものである。

これまでに、プロセスモデルを記述する際、物理現象、設備構成から数学的に線形近似等による物理モデル算出、もしくは、データ採取用のテストを行いその入出力時系列データからプロセスモデルを導出するシステム同定法など種々の方法が提案されてきた。

モデル予測制御(ＭＰＣ：Model Predictive Control)では、未来の被制御量の変化を予測できるプロセスの動的モデルに基づいて、被制御量を希望とする設定値に一致させる最適な操作量を求めるようにしている。

実際の制御系設計にあたっては、制御対象の挙動を正確に予測できるモデル(物理モデルないしはシステム同定法によるモデル)を事前に導出しておきこれに基づき制御系設計を行っている。

例えば、特許文献１には、制御対象プロセスの特性を表わす数式モデルを用いて制御量変化を予測する予測機能と、予測機能による予測に基づき制御特性を表わす評価関数を導出する評価関数設定手段と、前記予測機能による前記制御量変化を予測した値から一点あるいは複数抽出した値と制御変数の運転制約条件とを比較してモデル予測制御での操作量更新値の探索範囲を導出する制約条件選択設定手段と、評価関数設定手段により導出された評価関数と制約条件選択設定手段により導出された操作量更新値の探索範囲から最適化する操作量を算出する演算機能を備える多変数プロセス制御システムが開示されている。

特許第３２７９２５０号公報

しかしながら、特許文献１に開示された技術では制御対象プロセスの特性を表わす数式モデルを固定して使用しており、機器、設備構成等の変更や経年劣化により実プロセスの特性が変わった場合には、モデルの精度劣化がそのまま制御性能の劣化となって現れてしまう。

すなわち、モデルの精度が保証されていた制御系設計当初には正常に制御されていたものの、操業条件の変更ならびに年月の経過とともに生ずるプロセス特性の変化によって、制御性能の劣化が起こり最悪の場合には制御できないという最悪の事態に至ってしまう危険性がある。

本発明は上記事情に鑑みてなされたもので、操業条件の変更ならびにプロセス特性の変化に対しても制御性能を維持できる、オンラインモデル同定を用いたモデル予測制御方法および装置を提供することを目的とする。

［１］ プロセス動的モデルを用いて将来の挙動を予測し最適な制御を行う、オンラインモデル同定を用いたモデル予測制御方法であって、モデル予測制御演算実施にあたっては、用いるプロセス動的モデルを実操業データに基づいて毎回導出するモデル再同定を行うことを特徴とするオンラインモデル同定を用いたモデル予測制御方法。

［２］ ［１］に記載のオンラインモデル同定を用いたモデル予測制御方法において、前記モデル再同定にあたっては、所定のモデル判定条件を満足するプロセス動的モデルが得られるまで逐次同定処理を繰り返すことを特徴とするオンラインモデル同定を用いたモデル予測制御方法。

［３］ ［２］に記載のオンラインモデル同定を用いたモデル予測制御方法において、前記プロセス動的モデルのモデルパラメータの内、一部のモデルパラメータの値を固定し、残りのモデルパラメータについて逐次同定処理を繰り返すことを特徴とするオンラインモデル同定を用いたモデル予測制御方法。

［４］ ［１］ないし［３］のいずれか１項に記載のオンラインモデル同定を用いたモデル予測制御方法において、対象プロセスが熱風炉における送風プロセスであることを特徴とするオンラインモデル同定を用いたモデル予測制御方法。

［５］ プロセス動的モデルを用いて将来の挙動を予測し最適な制御を行う、オンラインモデル同定を用いたモデル予測制御装置であって、プロセスデータを計測するセンサと、該センサで計測されたプロセスデータを時系列データとして蓄積するデータベースサーバーと、該データベースサーバーで蓄積された時系列データを用いてオンラインモデル同定計算を行った後に、同定計算して得たオンラインモデルに基づきモデル予測制御計算を行い最適操作量を演算するデータ解析演算装置とを具備することを特徴とするオンラインモデル同定を用いたモデル予測制御装置。

本発明では、操業データ変動を反映したモデル再同定を行うようにしたので、モデル予測制御の制御性能を維持できるとともに、モデルのメンテナンス性向上を達成できる。更に、本発明を熱風炉操業に適用することによって、その燃焼効率改善を図ることができる。

実施形態１における処理手順の全体概要を示す図である。 実施形態１におけるシステム構成例を示す図である。 実施形態２における処理手順例の詳細を示す図である。 実績データとシミュレーション結果との比較例を示す図である。 逐次システムモデル導出時のモデル判定における判定結果を示す図である。 実操業に適応すべく構築したモデル同定ロジックを組み込み、制御対象（プラント）に対し、最適な操作量決定をするための制御系システム構成を示す図である。

（実施形態１）
図１は、実施形態１における処理手順の全体概要を示す図である。先ずStep01にて、演算実施タイミングかどうかを判定して、以下の本発明に係る処理手順を開始するか否かを決める。なお、この判定のタイミングは、定時間間隔すなわち定周期で行うか、または、制御対象の変化ないしは操業条件の変化などを捉えてこれをトリガーとして行うようにすればよい。

そして、演算実施タイミングであれば次のStep02にて、モデル同定に必要なプロセスデータを収集する。通常、プロセスの時系列データはデータベースサーバーに蓄積しておき、そこからプロセスデータを受取るようにする。

プロセスデータ収集が完了すれば次のStep03にて、モデル(再)同定の処理を行う。ここでは、再同定するモデルのタイプとして、物理モデルまたは入出力時系列データから同定するシステム同定モデルであるかは問わない。物理モデルの場合は、モデル構造式に用いられているパラメータを再同定することになり、システム同定モデルの場合はその時点までの新たな入出力時系列データを用いて再同定することになる。

いずれのモデルを用いるにしても、演算タイミングごとにその時点までの新たなデータを用いて再同定することに意義がある。すなわち、制御対象の変化ないしは操業条件の変化などに対応したモデルを再同定することにより、次のStep04におけるモデル予測制御演算の演算精度を上げることができる。

Step04では、Step03で再同定したモデルに基づいて、被制御量を希望とする設定値に一致させる最適な操作量を求める。

モデル予測制御演算が終了すれば、得られた最適な操作量の値を対象とする操作端の制御装置に指令値として送信する(Step05)とともに、Step01に戻り次の演算実施タイミングを待つ。

以上の一連の処理(モデル再同定〜モデル予測制御演算〜最適操作量送信)を繰り返すことにより、制御対象の変化などに対応したモデルを維持でき、モデル予測制御の制御性能劣化を防ぐことができる。

図２は、実施形態１におけるシステム構成例を示す図である。図中、１はセンサ、２は操作端、３は制御用コントローラ、４はネットワーク、５はデータベースサーバー、６はデータ解析演算装置、および７は操業用端末をそれぞれ表す。

プロセスデータは、プロセス内に設置されたセンサ１で計測され制御用コントローラ３を経由して、データベースサーバー５に時系列データとして蓄積される。データ解析演算装置６は、逐次計算によるプロセスの最適操作量演算を実施する。その際、図１に示したように先ずオンラインモデル同定計算を行った後に、モデル予測制御計算を行い、最適操作量を演算する。オンラインモデル同定計算には、先ずネットワーク４を経由して、データベースサーバー５にデータを要求しデータを受信してから、同定計算を行う。そして、同定計算して得たモデルを用いてモデル予測制御計算を行う。

モデル予測制御計算で得た最適操作量は、ガイダンス又は全自動制御としての利用が可能である。すなわち、データ解析演算装置６が、モデル予測制御計算で得た最適操作量を操業用端末７にガイダンスとして表示し、これを見たオペレータが操作端２の設定値をネットワーク４を経由して制御用コントローラ３に設定する。或いは、データ解析演算装置６が、最適操作量を直接ネットワーク４を経由して操作端２の設定値として制御用コントローラ３に送る。

実際の適用にあたっては、逐次計算によるプロセス最適操作量演算を即時プロセスコントローラに反映させる全自動制御方式を採る前に、まずガイダンス方式にて動作を確認した後に全自動制御方式に移行するようにすると良い。なお、以下に示す他の実施形態でも図２とほぼ同様の装置構成を採る。

（実施形態２）
実施形態２では、入出力時系列データから同定するシステム同定モデルの一つである、ＡＲＸ(AutoRegressive model with eXogenous input)モデルを用いる。さらに、モデル予測制御による最適操作量を算出することが最終目的であるため、モデル予測制御の設定値演算は固定モデルでも定周期(逐次計算により)で実施される。この再計算を実施するタイミングで、現時点でデータベースに格納されている履歴データを参照に、最適なモデルを導出するまでモデル導出計算を実施する、逐次同定法を採用している。

図３は、実施形態２における処理手順例の詳細を示す図である。定刻起動にて定周期で演算をスタートさせ、データベースにデータアクセスし、プロセス入出力データ取得する。なお、この例では定刻起動としているが、制御対象の変化ないしは操業条件の変化などを捉えてこれをトリガーとして演算をスタートさせるようにしても良い。プロセス入出力データ取得が完了するとモデル同定処理をスタートする。あるタイミング：n において、 (n-1) から (n-m) まで間のデータにより ARX モデルを求める(ARX モデル同定)。

導出モデル判定ステップにて、導出モデルの良否を判定する。判定方法としては、システム行列の固有値が 1 未満であれば算出モデルは良好、 1 以上であれば、不安定と判断して、 m=(m+1) としてより多くの過去データを用いたモデル導出を行う。なお判定に当たっては、実際の出力データに対するモデル推定出力の偏差、赤池の情報規範 (AIC)、および赤池の最終予測誤差 (FPE) もモデル良否の判定基準とし、例えばAIC であれば評価値AICの値が10 以上、FPEであれば評価値FPEの値が 1000 以上を超える際は、モデル良好となるまで再計算を繰り返す。

上記判定基準を満たすまで、過去の履歴を参照するパラメータ： m へは更新処理が実施される。万が一、この m が保存データを超えた場合は、上記判定基準をより多く満たしたモデルを採用する。このように、現状の操業に対する最適モデルをオンラインで導出することができる。

そして、最適な同定モデルが決まれば、このモデルを用いてモデル予測制御演算をスタートする。モデル予測制御演算では、モデル次数および同定ループ数を読込み、モデル次数に応じたコントローラ設計を行い、同定ループ数に応じたシミュレーション演算を実施させ、状態変数の更新により物理特性を踏まえた最適操作量を出力する。

（実施形態３）
実施形態２では、モデルの構造を固定し、そのパラメータ全てについて同定を行うようにしたが、本実施形態３では、あるパラメータのみを固定として、他パラメータを同定するという、一部構造規定法を用いる。例えば、時定数規定によるゲイン逐次同定する方法で、時定数、ゲインを決めた複数のモデルを準備しておき、操業パターンに応じて、その場その場で一番合うモデルを使用する方法が挙げられる。更に、時定数およびゲインを規定して、モデル構造自体の選定をオンラインで逐次同定するなどである。

本実施形態３の場合、出力が直接観測できることを利用して、オンラインで同定したモデルの状態変数、出力と実際の出力を比較し、適宜オンラインで同定したモデルの状態変数を更新することを実施することで、より実際のプラントに適したモデル同定が実現できる。これとモデル予測制御により逐次、実プラントに適した操作量出力を選定することが可能となる。

本発明を、熱風炉の送風量制御に適用した実施例を説明する。図４は、実績データとシミュレーション結果との比較例を示す図である。（ａ）は実績データとシミュレーション結果を並べてプロットした図であり、（ｂ）は実績データとシミュレーション結果との偏差を推定誤差としてプロットした図である。一部を除いて推定誤差が小さく、実績データとモデルを使ったシミュレーション結果が全般的に非常に合っていることが分る。

図５は、逐次システムモデル導出時のモデル判定における判定結果を示す図である。図５（ａ）は操業データとシミュレーション結果の適合率ＦＩＴ（(シミュレーション結果)／操業データ ％））を、（ｂ）は赤池の情報規範ＡＩＣを、（ｃ）は赤池の最終予測誤差ＦＰＥを、（ｄ）は固有値を、（ｅ）はモデル再計算の実行回数をそれぞれ表している。

AIC であれば評価値AICの値が10 以上、FPEであれば評価値FPEの値が 1000 以上、固有値が1 以上であれば再計算を繰り返す判定基準であり、判定基準に近いところでは適合率が悪いところも見られるが、実績データと導出モデルによるシミュレーション結果が多くの確率で適合していることが読み取れる。

高炉１基へのシングル送風から高炉２基へのパラレル送風への切替といった負荷変化、炉特性の変化などといった熱風炉送風量制御の制御性能劣化要因に対して、本発明の適用により上記変化をオンラインモデル同定で吸収対応するため、制御性能が維持でき、従来の方法に比べて燃焼効率改善を図ることができる。

図６に実際に高炉１基に対し熱風炉への最適な投入熱量を決定するための制御系システム構成を示す。図６では熱風炉が送風を完了したタイミングで得られる出力データを元に、過去の操業実績をデータベースを参照してモデルを決定する。さらに、求められた最適モデルと、高炉が必要とする操業諸元、操業実績データベースから導出されるモデル予測制御の最適目標値に対し、誤差を適宜修正するような操作出力をモデル予測制御により算出することで、操業状態の最適化を実現することができる。

１ センサ
２ 操作端
３ 制御用コントローラ
４ ネットワーク
５ データベースサーバー
６ データ解析演算装置
７ 操業用端末

Claims (5)

1. プロセス動的モデルを用いて将来の挙動を予測し最適な制御を行う、オンラインモデル同定を用いたモデル予測制御方法であって、
   モデル予測制御演算実施にあたっては、
   一定周期または制御対象ないし操業条件の変化をトリガーとして、演算実施タイミングかどうかを判定するステップと、
   前記演算実施タイミングであれば、実操業のモデル同定に必要なプロセスデータを収集するステップと、
   前記収集したプロセスデータを用いて、物理モデルまたは入出力時系列データから同定するシステム同定モデルの再同定を行うステップと、
   前記再同定したモデルに基づいて、被制御量を希望する設定値に一致させる最適操作量を求めるステップと、
   前記求めた最適操作量を操作端の制御装置に指令送信するステップと、
   を有することを特徴とするオンラインモデル同定を用いたモデル予測制御方法。
2. 請求項１に記載のオンラインモデル同定を用いたモデル予測制御方法において、
   前記モデル再同定にあたっては、
   所定のモデル判定条件を満足するプロセス動的モデルが得られるまで逐次同定処理を繰り返すことを特徴とするオンラインモデル同定を用いたモデル予測制御方法。
3. 請求項２に記載のオンラインモデル同定を用いたモデル予測制御方法において、
   前記プロセス動的モデルのモデルパラメータの内、一部のモデルパラメータの値を固定し、残りのモデルパラメータについて逐次同定処理を繰り返すことを特徴とするオンラインモデル同定を用いたモデル予測制御方法。
4. 請求項１ないし３のいずれか１項に記載のオンラインモデル同定を用いたモデル予測制御方法において、
   対象プロセスが熱風炉における送風プロセスであることを特徴とするオンラインモデル同定を用いたモデル予測制御方法。
5. プロセス動的モデルを用いて将来の挙動を予測し最適な制御を行う、オンラインモデル同定を用いたモデル予測制御装置であって、
   プロセスデータを計測するセンサと、
   該センサで計測されたプロセスデータを時系列データとして蓄積するデータベースサーバーと、
   該データベースサーバーで蓄積された時系列データを用いてオンラインモデル同定計算を行った後に、同定計算して得たオンラインモデルに基づきモデル予測制御計算を行い最適操作量を演算するデータ解析演算装置とを具備し、
   該データ解析演算装置は、
   一定周期または制御対象ないし操業条件の変化をトリガーとして、演算実施タイミングかどうかを判定する手段と、
   前記演算実施タイミングであれば、実操業のモデル同定に必要なプロセスデータを収集する手段と、
   前記収集したプロセスデータを用いて、物理モデルまたは入出力時系列データから同定するシステム同定モデルの再同定を行う手段と、
   前記再同定したモデルに基づいて、被制御量を希望する設定値に一致させる最適操作量を求める手段と、
   前記求めた最適操作量を操作端の制御装置に指令送信する手段と、
   を具備することを特徴とするオンラインモデル同定を用いたモデル予測制御装置。