JP6985833B2 - Data processing equipment, control systems, data processing methods and programs - Google Patents

Data processing equipment, control systems, data processing methods and programs Download PDF

Info

Publication number
JP6985833B2
JP6985833B2 JP2017140922A JP2017140922A JP6985833B2 JP 6985833 B2 JP6985833 B2 JP 6985833B2 JP 2017140922 A JP2017140922 A JP 2017140922A JP 2017140922 A JP2017140922 A JP 2017140922A JP 6985833 B2 JP6985833 B2 JP 6985833B2
Authority
JP
Japan
Prior art keywords
value
output
output value
input
control
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.)
Active
Application number
JP2017140922A
Other languages
Japanese (ja)
Other versions
JP2019021186A (en
Inventor
洋 高橋
晴晃 丸茂
尚史 佐々木
義行 高橋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yokogawa Electric Corp
Yokogawa Solution Service Corp
Original Assignee
Yokogawa Electric Corp
Yokogawa Solution Service Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yokogawa Electric Corp, Yokogawa Solution Service Corp filed Critical Yokogawa Electric Corp
Priority to JP2017140922A priority Critical patent/JP6985833B2/en
Publication of JP2019021186A publication Critical patent/JP2019021186A/en
Application granted granted Critical
Publication of JP6985833B2 publication Critical patent/JP6985833B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Description

本発明は、データ処理装置、制御システム、データ処理方法及びプログラムに関する。 The present invention relates to a data processing apparatus, a control system, a data processing method and a program.

従来から、プラントにおける生産制御技術の高度化を目的として、製造等のプロセスを連続的に制御する分散制御システム（ＤＣＳ：Ｄｉｓｔｒｉｂｕｔｅｄ Ｃｏｎｔｒｏｌ Ｓｙｓｔｅｍ）や、その機能を支援するためのデータ処理装置が提案されている。図３に示す例では、プラントＰＬにおいてプロセス制御システム９が構成されている。プロセス制御システム９は、プロセス８０−１、８０−２を制御するための制御装置７０−１、７０−２と、データ処理装置９０を備える。データ処理装置９０においてプロセスデータ収集部１２０は、各プロセスのプロセス値を含むプロセスデータを収集する。プロセス値には、センサ８２−１、８２−２を介して取得されるプロセスからの出力値、アクチュエータ８４−１、８４−２に供給するプロセスへの入力値が含まれる。 Conventionally, for the purpose of advancing production control technology in plants, distributed control systems (DCS: Distributed Control System) that continuously control processes such as manufacturing and data processing devices to support the functions have been proposed. ing. In the example shown in FIG. 3, the process control system 9 is configured in the plant PL. The process control system 9 includes control devices 70-1 and 70-2 for controlling processes 80-1 and 80-2, and a data processing device 90. In the data processing device 90, the process data collection unit 120 collects process data including the process value of each process. The process value includes an output value from the process acquired via the sensors 82-1 and 82-2 and an input value to the process supplied to the actuators 84-1 and 84-2.

収集されたプロセスデータは、プラントの操業改善に利用することが試みられている。例えば、大規模工場に設置された制御システムから取得されたプラントデータ（プラントビッグデータ）によるプロセス間の最適化、制御・予測機能の高度化、銘柄変更支援、ＤＣＳ更新、機能追加などへの適用が期待されている。そこで、図３に示すデータ処理装置９０には、プロセスデータを解析するプロセスデータ解析部１２２、プロセスにおける制御パラメータを最適化するプロセス最適化部１３０、同定したプロセスや得られた制御パラメータに基づいて各プロセスにおけるプロセス値を演算するプロセスシミュレーション部１４０を備える。これらの機能により、操業監視や操業状態の調整などの操業改善に係るエンジニアの作業が支援される。 Attempts are being made to use the collected process data to improve plant operations. For example, application to optimization between processes by plant data (plant big data) acquired from control systems installed in large-scale factories, sophistication of control / prediction functions, brand change support, DCS update, function addition, etc. Is expected. Therefore, in the data processing device 90 shown in FIG. 3, the process data analysis unit 122 that analyzes the process data, the process optimization unit 130 that optimizes the control parameters in the process, the identified process, and the obtained control parameters are used. A process simulation unit 140 for calculating a process value in each process is provided. These functions support the work of engineers involved in operational improvement such as operational monitoring and adjustment of operational status.

Fumiaki Uozumi, Osamu Kaneko and Shigeru Yamamoto, “Fictitious Reference Iterative Tuning of Disturbance Observers for Attenuation of the Effect of Periodic Unknown Exogenous Signals”, 11th IFAC (International Federation of Automatic Control) International Workshop on Adaptation and Learning in Control and Signal Processing, July 3-5, 2013Fumiaki Uozumi, Osamu Kaneko and Shigeru Yamamoto, “Fictitious Reference Iterative Tuning of Disturbance Observers for Attenuation of the Effect of Periodic Unknown Exogenous Signals”, 11th IFAC (International Federation of Automatic Control) International Workshop on Adaptation and Learning in Control and Signal Processing, July 3-5, 2013

しかしながら、プロセスに対する操作や挙動に詳しいエンジニアであっても、操業改善の解決策を得るまでの過程では、相当の作業量（工数）を要することがある。人件費に直結する工数を要していては、費用対効果という面で現実のビジネスにつながらない原因となりうる。また、工数が増加する原因には、プラントにおいて、通例、多数のプロセスが設けられ、プロセス間で相互に干渉が生じることが挙げられる。そのため、プロセス変動に主要な影響を及ぼすデータの特定、解析作業、シミュレーション作業などプラントの操業改善に係る作業量の削減が望まれる。 However, even an engineer who is familiar with the operation and behavior of a process may require a considerable amount of work (man-hours) in the process of obtaining a solution for improving the operation. If man-hours that are directly linked to labor costs are required, it can be a cause that does not lead to actual business in terms of cost effectiveness. Further, the cause of the increase in man-hours is that a large number of processes are usually provided in the plant, and mutual interference occurs between the processes. Therefore, it is desirable to reduce the amount of work related to improving plant operations such as data identification, analysis work, and simulation work that have a major effect on process fluctuations.

本発明は上記の点に鑑みてなされたものであり、プラントの操業改善に係る作業を軽減することができるデータ処理装置、制御システム、データ処理方法及びプログラムを提供することを目的とする。 The present invention has been made in view of the above points, and an object of the present invention is to provide a data processing device, a control system, a data processing method, and a program capable of reducing the work related to the operation improvement of the plant.

（１）本発明は上記の課題を解決するためになされたものであり、本発明の一態様は、少なくとも１つのプロセスに対する入力値と前記プロセスからの出力値である実測出力値に対して機械学習を行って前記プロセスの出力予測モデルを生成する出力予測モデル生成部と、前記出力予測モデルと前記入力値に基づいて前記出力値の予測値である予測出力値を算出し、前記予測出力値と前記プロセスからの出力値の目標である目標値との差が減少するように前記プロセスを制御する制御装置の制御パラメータを定める制御パラメータ情報生成部と、を備えるデータ処理装置である。 (1) The present invention has been made to solve the above problems, and one aspect of the present invention is a machine with respect to an input value for at least one process and an actually measured output value which is an output value from the process. The output prediction model generation unit that performs training to generate the output prediction model of the process, calculates the predicted output value that is the predicted value of the output value based on the output prediction model and the input value, and calculates the predicted output value. A data processing device including a control parameter information generation unit that defines control parameters of a control device that controls the process so that the difference between the output value and the target value of the output value from the process is reduced.

（２）本発明の他の態様は、上述のデータ処理装置であって、前記プロセスである第１プロセスとは別個の第２プロセスに対する入力値と前記第２プロセスからの出力値である実測出力値に基づいて前記第２プロセスの伝達関数を計算するプロセス同定部を、さらに備え、前記制御パラメータ情報生成部は、前記第２プロセスの伝達関数と前記第２プロセスに対する入力値に基づいて前記第２プロセスからの予測出力値を算出し、各プロセスにおける前記予測出力値と目標値との差が減少するように、プロセス毎の前記制御パラメータを定める。 (2) Another aspect of the present invention is the above-mentioned data processing apparatus, which is an input value for a second process separate from the first process, which is the process, and an actual measurement output, which is an output value from the second process. The process identification unit that calculates the transfer function of the second process based on the value is further provided, and the control parameter information generation unit is the first based on the transfer function of the second process and the input value for the second process. The predicted output value from the two processes is calculated, and the control parameter for each process is determined so that the difference between the predicted output value and the target value in each process is reduced.

（３）本発明の他の態様は、上述のデータ処理装置であって、第１プロセスおよび第２プロセスそれぞれのプロセス毎の予測出力値と目標値との偏差の大きさを示すコスト値を算出し、それらプロセス毎のコスト値に重み係数を乗じて得られる乗算値の総和として得られるコスト値を評価関数として、その評価関数が減少するように、プロセス毎の前記制御パラメータを定める。 (3) Another aspect of the present invention is the above-mentioned data processing apparatus, in which a cost value indicating the magnitude of the deviation between the predicted output value and the target value for each process of the first process and the second process is calculated. Then, the cost value obtained as the sum of the multiplication values obtained by multiplying the cost value for each process by the weighting coefficient is used as an evaluation function, and the control parameters for each process are determined so that the evaluation function is reduced.

（４）本発明の他の態様は、上述のデータ処理装置であって、プロセス毎のコスト値として二乗誤差を用いる。 (4) Another aspect of the present invention is the above-mentioned data processing apparatus, in which a square error is used as a cost value for each process.

（５）本発明の他の態様は、上述のデータ処理装置であって、前記入力値と前記出力値を含むプロセス毎のプロセスデータから、解析対象のプロセスからの前記出力値に対する寄与度が所定の寄与度よりも高い入力値もしくは他のプロセスの出力値を特定し、特定した入力値もしくは出力値を含む有効データを抽出するプロセスデータ解析部を、さらに備える。 (5) Another aspect of the present invention is the above-mentioned data processing apparatus, in which the degree of contribution to the output value from the process to be analyzed is predetermined from the process data for each process including the input value and the output value. It is further provided with a process data analysis unit that specifies an input value higher than the contribution of the above or an output value of another process and extracts valid data including the specified input value or output value.

（６）本発明の他の態様は、上述のデータ処理装置であって、前記出力予測モデルは、ニューラルネットワークで表現された出力予測モデルである。 (6) Another aspect of the present invention is the above-mentioned data processing apparatus, and the output prediction model is an output prediction model expressed by a neural network.

（７）本発明の他の態様は、上述のデータ処理装置と、前記プロセスを制御する制御装置と、を備える制御システムである。 (7) Another aspect of the present invention is a control system including the above-mentioned data processing device and a control device for controlling the process.

（８）本発明の他の態様は、データ処理装置におけるデータ処理方法であって、少なくとも１つのプロセスに対する入力値と前記プロセスからの出力値である実測出力値に対して機械学習を行って前記プロセスの出力予測モデルを生成する出力予測モデル生成過程と、前記出力予測モデルと前記入力値に基づいて前記出力値の予測値である予測出力値を算出し、前記予測出力値と前記プロセスからの出力値の目標である目標値との差が減少するように前記プロセスを制御する制御装置の制御パラメータを定める制御パラメータ情報生成過程と、を有するデータ処理方法である。 (8) Another aspect of the present invention is a data processing method in a data processing apparatus, wherein machine learning is performed on an input value for at least one process and an actually measured output value which is an output value from the process. The output prediction model generation process for generating the output prediction model of the process, the predicted output value which is the predicted value of the output value is calculated based on the output prediction model and the input value, and the predicted output value and the process are used. It is a data processing method including a control parameter information generation process that defines a control parameter of a control device that controls the process so that a difference between an output value and a target value is reduced.

（９）本発明の他の態様は、データ処理装置のコンピュータに、少なくとも１つのプロセスに対する入力値と前記プロセスからの出力値である実測出力値に対して機械学習を行って前記プロセスの出力予測モデルを生成する出力予測モデル生成手順と、前記出力予測モデルと前記入力値に基づいて前記出力値の予測値である予測出力値を算出し、前記予測出力値と前記プロセスからの出力値の目標である目標値との差が減少するように前記プロセスを制御する制御装置の制御パラメータを定める制御パラメータ情報生成手順と、を実行させるためのプログラムである。 (9) In another aspect of the present invention, the computer of the data processing device is subjected to machine learning on the input value for at least one process and the actually measured output value which is the output value from the process to predict the output of the process. An output prediction model generation procedure for generating a model, a predicted output value which is a predicted value of the output value based on the output prediction model and the input value, and a target of the predicted output value and the output value from the process. This is a program for executing a control parameter information generation procedure that defines control parameters of a control device that controls the process so that the difference from the target value is reduced.

本発明によれば、プラントの操業改善に係る作業を軽減することができる。 According to the present invention, it is possible to reduce the work related to the improvement of the operation of the plant.

本実施形態に係るプロセス制御システムの一構成例を示すブロック図である。It is a block diagram which shows one configuration example of the process control system which concerns on this embodiment. 本実施形態に係る出力予測モデル、制御パラメータの計算例を示す説明図である。It is explanatory drawing which shows the calculation example of the output prediction model and the control parameter which concerns on this embodiment. 従来のプロセス制御システムの一構成例を示すブロック図である。It is a block diagram which shows one configuration example of the conventional process control system.

以下、図面を参照し、本発明のデータ処理装置、プロセス制御システム、データ処理方法及びプログラムの実施形態について説明する。 Hereinafter, embodiments of the data processing apparatus, process control system, data processing method, and program of the present invention will be described with reference to the drawings.

（プロセス制御システム）
まず、本実施形態に係るプロセス制御システムの一構成例について説明する。
図１は、本実施形態に係るプロセス制御システム１の一構成例を示すブロック図である。
プロセス制御システム１は、データ処理装置１０と、複数の制御装置７０（コントローラ）と、を含んで構成される。図１に示す例では、制御装置７０の個数は２個である。また、以下の説明では、複数の制御装置７０とその構成要素ならびに関連する機器を、例えば、制御装置７０−１、７０−２等と、子番号を用いて区別する。個々の制御装置７０を区別しない場合には、単に制御装置７０と呼ぶ。制御装置７０の個数は、必ずしも２個には限られず、３個以上であってもよい。
また、データ処理装置１０と制御装置７０は、ネットワークを介して相互に通信可能に接続されている。ネットワークは、インターネット、公衆通信網、構内通信網（ＬＡＮ：Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、専用線のいずれか又は組み合わせにより構成される。また、ネットワークは、無線であっても、有線であってもよい。 (Process control system)
First, a configuration example of the process control system according to the present embodiment will be described.
FIG. 1 is a block diagram showing a configuration example of the process control system 1 according to the present embodiment.
The process control system 1 includes a data processing device 10 and a plurality of control devices 70 (controllers). In the example shown in FIG. 1, the number of control devices 70 is two. Further, in the following description, the plurality of control devices 70, their components, and related devices are distinguished from, for example, control devices 70-1, 70-2, etc. by using child numbers. When the individual control devices 70 are not distinguished, they are simply referred to as control devices 70. The number of control devices 70 is not necessarily limited to two, and may be three or more.
Further, the data processing device 10 and the control device 70 are connected to each other so as to be able to communicate with each other via a network. The network is composed of any or a combination of the Internet, a public communication network, a local area network (LAN), and a dedicated line. Further, the network may be wireless or wired.

プロセス制御システム１は、さらに監視装置（図示せず）を備える。監視装置は、例えば、エンジニアがプロセスの運転状態の監視や、その運転状態を制御するための各種の設定値を設定するためのＨＭＩ（Ｈｕｍａｎ Ｍａｃｈｉｎｅ Ｉｎｔｅｒｆａｃｅ）である。監視装置は、ネットワークに接続され、プラントＰＬの各プロセスの状態を示す測定値である出力値を各制御装置７０から所定時間（例えば、１分）毎に受信する。監視装置は、例えば、各時点における測定値を表示する表示部（図示せず）を備える。監視装置は、操作に応じて制御目標とするプロセスの目標値を設定する操作入力部（図示せず）を備える。監視装置は、設定した目標値を設定対象となる制御装置７０に送信する。このように、プロセス制御システム１は、複数の制御装置７０が分散配置されてなるＤＣＳとして構成される。 The process control system 1 further includes a monitoring device (not shown). The monitoring device is, for example, an HMI (Human Machine Interface) for an engineer to monitor the operating state of a process and set various setting values for controlling the operating state. The monitoring device is connected to the network and receives an output value, which is a measured value indicating the state of each process of the plant PL, from each control device 70 at predetermined time (for example, 1 minute). The monitoring device includes, for example, a display unit (not shown) that displays measured values at each time point. The monitoring device includes an operation input unit (not shown) that sets a target value of a process to be a control target according to an operation. The monitoring device transmits the set target value to the control device 70 to be set. In this way, the process control system 1 is configured as a DCS in which a plurality of control devices 70 are distributed and arranged.

データ処理装置１０は、各プロセス８０の状態を示すプロセス値を示すプロセスデータを各制御装置７０から取得し、取得したプロセスデータに基づいてプロセス８０の操業改善を支援する機能を有する。プロセス値には、プロセス８０の入力値、出力値及び制御目標とする目標値が含まれる。データ処理装置１０は、少なくとも１つの解析対象のプロセス８０への入力値とそのプロセス８０からの出力値である実測出力値に対して機械学習を行い、そのプロセス８０における入出力関係を示す出力予測モデルを生成する。また、データ処理装置１０は、出力予測モデルと入力値に基づいて出力値の予測値である予測出力値を算出する。データ処理装置１０は、その予測出力値とプロセス８０に対する制御の目標値との差が減少するように制御パラメータを定める（最適化）。また、データ処理装置１０は、生成した出力予測モデルと制御パラメータを用いて、そのプロセスにおける入力値や出力値を算出する（シミュレーション）。データ処理装置１０は、定めた制御パラメータについて、そのプロセスを制御する制御装置７０に提供する。 The data processing device 10 has a function of acquiring process data indicating a process value indicating the state of each process 80 from each control device 70 and supporting the operation improvement of the process 80 based on the acquired process data. The process value includes an input value, an output value, and a target value as a control target of the process 80. The data processing device 10 performs machine learning on an input value to at least one process 80 to be analyzed and an actually measured output value which is an output value from the process 80, and an output prediction showing an input / output relationship in the process 80. Generate a model. Further, the data processing device 10 calculates a predicted output value, which is a predicted value of the output value, based on the output prediction model and the input value. The data processing device 10 determines (optimized) control parameters so that the difference between the predicted output value and the control target value for the process 80 is reduced. Further, the data processing device 10 calculates an input value and an output value in the process by using the generated output prediction model and control parameters (simulation). The data processing device 10 provides the control device 70 that controls the process with respect to the determined control parameters.

制御装置７０は、プロセス８０の状態を示す測定値として、プラントＰＬに備えられたセンサ８２から所定時間毎に入力される出力値と、監視装置から受信した目標値に基づいてプロセスの運転状態を時間的に連続して制御する（連続制御）。制御装置７０は、制御演算部７２を備える。制御演算部７２は、例えば、ＰＩＤ制御を実行するＰＩＤ制御器である。ＰＩＤ制御とは、比例項Ｐ、積分項Ｉ及び微分項Ｄの総和を操作量として計算し、得られた操作量を、プロセスを制御するアクチュエータ８４に出力する手法である。比例項Ｐは、その時点における目標値から出力値を差し引いて得られる偏差に所定の比例ゲインＫＰを乗じて得られる。積分項Ｉは、その時点までの偏差を積分して得られる積分値に所定の積分ゲインＫＩを乗じて得られる。微分項Ｄは、その時点における偏差を微分して得られる微分値に所定の微分ゲインＫDを乗じて得られる。これらの比例ゲインＫＰ、積分ゲインＫＩ及び微分ゲインＫDが、ＰＩＤ制御の制御パラメータに相当する。制御演算部７２は、算出した操作量をプロセス８０への入力値としてプラントＰＬに備えられたアクチュエータ８４に出力する。なお、制御装置７０は、所定時間毎にセンサ８２から入力されるプロセス８０からの出力値と、アクチュエータ８４に出力するプロセス８０への入力値とデータ処理装置１０に送信する。 The control device 70 determines the operating state of the process based on the output value input from the sensor 82 provided in the plant PL at predetermined time intervals and the target value received from the monitoring device as the measured value indicating the state of the process 80. Control continuously in time (continuous control). The control device 70 includes a control calculation unit 72. The control calculation unit 72 is, for example, a PID controller that executes PID control. The PID control is a method of calculating the sum of the proportional term P, the integral term I, and the differential term D as an operation amount, and outputting the obtained operation amount to the actuator 84 that controls the process. The proportional term P is obtained by multiplying the deviation obtained by subtracting the output value from the target value at that time by a predetermined proportional gain K P. Integral term I is obtained by multiplying a predetermined integral gain K I to the integral value obtained by integrating the deviation of up to that point. Differential term D is obtained by multiplying a predetermined differential gain K D on the differential value obtained by differentiating the difference at that time. These proportional gain K P , integral gain K I, and differential gain K D correspond to the control parameters of PID control. The control calculation unit 72 outputs the calculated operation amount as an input value to the process 80 to the actuator 84 provided in the plant PL. The control device 70 transmits the output value from the process 80 input from the sensor 82, the input value to the process 80 to be output to the actuator 84, and the data processing device 10 at predetermined time intervals.

センサ８２は、プロセス８０の状態を検出する。センサ８２は、例えば、温度を検出する温度センサ、圧力を検出する圧力センサ、流量を検出する流量計、電流を検出する電流計、電圧を検出する電圧計などである。センサ８２は、検出した状態を示す出力値を制御装置７０に逐次に出力する。
アクチュエータ８４は、制御装置７０から入力される入力値に応じて動作する。その動作によりプロセス８０の状態が変化する。一般に、入力される入力値が大きいほど、アクチュエータ８４の動作量が大きくなる。アクチュエータは、例えば、ポンプ、コンプレッサ、バルブ、モータ、モータ駆動装置などである。 The sensor 82 detects the state of the process 80. The sensor 82 is, for example, a temperature sensor for detecting temperature, a pressure sensor for detecting pressure, a flow meter for detecting flow rate, an ammeter for detecting current, a voltmeter for detecting voltage, and the like. The sensor 82 sequentially outputs an output value indicating the detected state to the control device 70.
The actuator 84 operates according to an input value input from the control device 70. The state of the process 80 changes depending on the operation. Generally, the larger the input value is, the larger the operating amount of the actuator 84 is. Actuators include, for example, pumps, compressors, valves, motors, motor drives and the like.

図１に示す例では、制御装置７０−１、７０−２は、プロセス８０−１、８０−２をそれぞれ制御対象とする。プロセス８０−１、８０−２において、入力値、出力値のチャネル数は、それぞれ１チャネルである。センサ８２−１、制御装置７０−１及びアクチュエータ８４−１のセット、センサ８２−２、制御装置７０−２及びアクチュエータ８４−２のセットのそれぞれについて、各１個の制御ループが形成される。この例では、各制御ループにおける入力値のチャネル数、出力値のチャネル数は、それぞれ１チャネルである。プロセス８０−１、８０−２における制御ループの数は、１個である。一般には、制御ループ１個当たりの入力値のチャネル数、出力値のチャネル数は、制御ループ毎に独立であり２個以上となりうる。また、プロセス１個当たりの制御ループ数は、プロセス毎に独立であり２個以上となりうる。プラントに設けられたプロセス数は、３個以上となりうる。 In the example shown in FIG. 1, the control devices 70-1 and 70-2 control the processes 80-1 and 80-2, respectively. In processes 80-1 and 80-2, the number of channels of the input value and the output value is one channel, respectively. One control loop is formed for each of the sensor 82-1, the set of the control device 70-1 and the actuator 84-1 and the set of the sensor 82-2, the control device 70-2 and the actuator 84-2. In this example, the number of input value channels and the number of output value channels in each control loop are one channel, respectively. The number of control loops in processes 80-1 and 80-2 is one. In general, the number of input value channels and the number of output value channels per control loop are independent for each control loop and can be two or more. Further, the number of control loops per process is independent for each process and can be two or more. The number of processes installed in the plant can be 3 or more.

（データ処理装置）
次に、本実施形態に係るデータ処理装置１０の機能構成について説明する。
データ処理装置１０は、プロセスデータ収集部２０と、プロセスデータ解析部２２と、プロセス最適化部３０と、プロセスシミュレーション部４０と、第２プロセスデータ解析部５２と、出力予測モデル生成部５４と、制御パラメータ情報生成部５６と、を含んで構成される。なお、データ処理装置１０は、キーボード、ポインティングデバイス等の操作入力部、ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ；液晶ディスプレイ）等の表示部、入出力インタフェース、通信インタフェース等のデータ入出力部、１個又は複数個のＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ；中央処理装置）等の演算回路、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ−ｏｎｌｙ Ｍｅｍｏｒｙ）等の記憶媒体、等を含んで構成されるコンピュータ（図示せず）として実現されてもよい。その場合には、演算回路は、起動時において予め記憶媒体に記憶された制御プログラムを読み出し、制御プログラムに記述された命令で示される処理を実行することによって上述した各部の機能を実現する。 (Data processing device)
Next, the functional configuration of the data processing device 10 according to the present embodiment will be described.
The data processing device 10 includes a process data collection unit 20, a process data analysis unit 22, a process optimization unit 30, a process simulation unit 40, a second process data analysis unit 52, an output prediction model generation unit 54, and the like. It is configured to include a control parameter information generation unit 56. The data processing device 10 includes an operation input unit such as a keyboard and a pointing device, a display unit such as an LCD (Liquid Crystal Display), an input / output interface, and a data input / output unit such as a communication interface. Realized as a computer (not shown) including an arithmetic circuit such as a CPU (Central Processing Unit), a storage medium such as a RAM (Random Access Memory), and a ROM (Read-only Memory). May be done. In that case, the arithmetic circuit realizes the functions of the above-mentioned parts by reading the control program stored in the storage medium in advance at the time of startup and executing the process indicated by the instruction described in the control program.

プロセスデータ収集部２０は、制御装置７０−１、７０−２からネットワークを介して所定時間毎の各時刻の制御ループ毎のプロセス値を受信する。プロセス値には、入力値、出力値及び制御目標とする目標値が含まれる。ここで、入力、出力とは、それぞれプロセスへの入力、プロセスからの出力を意味する。即ち、入力値は、制御装置７０から出力されるアクチュエータ８４への操作量に相当し、出力値は、センサ８２から制御装置７０に入力される測定値に相当する。プロセスデータ収集部２０は、受信したプロセス値を時間順に累積する。従って、プロセスデータ収集部２０には、各プロセスに対応する制御ループ毎のプロセス値の時系列を示すプロセスデータが蓄積される。プラントＰＬに多数のプロセスが設置されている場合には、プロセスデータは、多量のプロセス値が含まれるプラントビッグデータとして形成される。なお、プロセスデータを収集する際、プロセスデータ収集部２０は、例えば、プロセスデータ通信の標準規格であるＯＰＣ（ＯＬＥ：Ｏｂｊｅｃｔ Ｌｉｎｋｉｎｇ ａｎｄ Ｅｍｂｅｄｄｉｎｇ ｆｏｒ Ｐｒｏｃｅｓｓ Ｃｏｎｔｒｏｌ）を用いる。データ形式がＯＰＣに規定された形式に統一されるので、データ処理装置１０は、制御装置７０や監視装置の製造業者や内部構成によらずに、それらの装置から受信したデータをＯＰＣに規定された手順で利用することができる。 The process data collection unit 20 receives the process value for each control loop at each time every predetermined time from the control devices 70-1 and 70-2 via the network. The process value includes an input value, an output value, and a target value as a control target. Here, the input and the output mean the input to the process and the output from the process, respectively. That is, the input value corresponds to the amount of operation to the actuator 84 output from the control device 70, and the output value corresponds to the measured value input from the sensor 82 to the control device 70. The process data collection unit 20 accumulates the received process values in chronological order. Therefore, the process data collection unit 20 stores process data indicating a time series of process values for each control loop corresponding to each process. When a large number of processes are installed in the plant PL, the process data is formed as plant big data containing a large amount of process values. When collecting process data, the process data collection unit 20 uses, for example, an OPC (OLE: Object Linking and Embedding for Process Control), which is a standard for process data communication. Since the data format is unified to the format specified in OPC, the data processing device 10 defines the data received from the control device 70 and the monitoring device in the OPC regardless of the manufacturer or internal configuration of the device. It can be used by the above procedure.

なお、以下の説明では、プロセスデータ収集部２０が収集した入力値及び出力値を、それぞれ実測入力値、実測出力値と呼んで、プロセスシミュレーション部４０その他の各部で算出される入力値（予測入力値）、出力値（予測出力値）と区別することがある。入力値のチャネル数、出力値のチャネル数は、必ずしも１チャネルに限られず、複数となることがある。なお、入力値のチャネルを入力チャネル、入力値のチャネル数を入力チャネル数と呼ぶことがある。出力値のチャネルを出力チャネル、出力値のチャネル数を出力チャネル数と呼ぶことがある。 In the following description, the input values and output values collected by the process data collection unit 20 are referred to as actual measurement input values and actual measurement output values, respectively, and input values (predictive input) calculated by the process simulation unit 40 and other units. It may be distinguished from the value) and the output value (predicted output value). The number of channels of the input value and the number of channels of the output value are not necessarily limited to one channel, and may be a plurality of channels. The channel of the input value may be referred to as an input channel, and the number of channels of the input value may be referred to as the number of input channels. The channel of the output value may be called the output channel, and the number of channels of the output value may be called the number of output channels.

プロセスデータ解析部２２は、プロセスデータ収集部２０に蓄積されたプロセスデータを解析する。プロセスデータ解析部２２は、例えば、各制御ループの入力値、出力値それぞれの特性を解析し、その特性を示す指標値を算出する。プロセスデータ解析部２２は、例えば、入力値に対する出力値の変動量が所定量よりも大きい制御ループに対応するプロセスを特定してもよいし、その変動が最も早期に開始する制御ループに対応するプロセスを特定してもよい。プロセスデータ解析部２２は、非線形の解析手法を用いてもよいし、線形の解析手法を用いてもよい。線形の解析手法として、例えば、周波数解析、主成分分析等の手法が利用可能である。プロセスデータ解析部２２は、解析により得られた変動成分その他の特性を示す指標値や、その入力値、出力値の時系列を表示部（図示せず）に表示させてもよい。 The process data analysis unit 22 analyzes the process data stored in the process data collection unit 20. The process data analysis unit 22 analyzes the characteristics of each of the input value and the output value of each control loop, and calculates an index value indicating the characteristics. The process data analysis unit 22 may specify, for example, a process corresponding to a control loop in which the fluctuation amount of the output value with respect to the input value is larger than a predetermined amount, or corresponds to the control loop in which the fluctuation starts earliest. The process may be specified. The process data analysis unit 22 may use a non-linear analysis method or a linear analysis method. As a linear analysis method, for example, a method such as frequency analysis or principal component analysis can be used. The process data analysis unit 22 may display an index value indicating the variable component and other characteristics obtained by the analysis, and a time series of the input value and the output value on the display unit (not shown).

なお、プロセスデータ解析部２２は、操作入力部（図示せず）から入力される操作信号で指示されたプロセスを、解析対象のプロセスとして特定してもよい。
プロセスデータ解析部２２は、制御ループ毎の入力値、出力値、目標値の他、算出した指標値などを表示部（図示せず）に表示させてもよい。
また、プロセスデータ解析部２２は、入力値等を表示させた制御ループのうち、さらに操作入力部（図示せす）から入力される操作信号で指示された制御ループを、制御パラメータの最適化対象のプロセスに係る制御ループとして特定してもよい。これにより、表示されたデータを目視したエンジニア等のユーザが制御パラメータの最適化の対象とする制御ループに係るプロセスを選択することができる。プロセスデータ解析部２２は、特定したプロセスをプロセス最適化部３０に通知する。 The process data analysis unit 22 may specify the process instructed by the operation signal input from the operation input unit (not shown) as the process to be analyzed.
The process data analysis unit 22 may display the calculated index value and the like on the display unit (not shown) in addition to the input value, the output value, and the target value for each control loop.
Further, the process data analysis unit 22 further optimizes the control parameters of the control loop instructed by the operation signal input from the operation input unit (shown in the figure) among the control loops displaying the input values and the like. It may be specified as a control loop related to the process of. As a result, a user such as an engineer who visually observes the displayed data can select a process related to the control loop to be optimized for the control parameters. The process data analysis unit 22 notifies the process optimization unit 30 of the specified process.

プロセス最適化部３０は、主にプロセスデータ解析部２２から通知された解析対象プロセスを特定する。プロセス最適化部３０は、解析対象プロセスに係る制御パラメータを最適化する。ここで、最適化とは、目標値から出力値の偏差の大きさを大局的に小さくすることを意味し、最適化において一時的に偏差の大きさが増加することがある。第２プロセスデータ解析部５２から有効データが入力される場合には、プロセス最適化部３０は、入力された有効データを制御パラメータの最適化に用いてもよい。
プロセス最適化部３０は、周波数解析部３２、プロセス同定部３４及び制御パラメータ最適化部３６を備える。 The process optimization unit 30 mainly identifies the analysis target process notified from the process data analysis unit 22. The process optimization unit 30 optimizes the control parameters related to the analysis target process. Here, the optimization means to reduce the magnitude of the deviation of the output value from the target value in a global manner, and the magnitude of the deviation may temporarily increase in the optimization. When valid data is input from the second process data analysis unit 52, the process optimization unit 30 may use the input valid data for optimizing control parameters.
The process optimization unit 30 includes a frequency analysis unit 32, a process identification unit 34, and a control parameter optimization unit 36.

周波数解析部３２は、解析対象プロセスに係る制御ループのプロセスデータをプロセスデータ収集部２０から読み出し、読み出したプロセスデータが示す出力値の周波数特性を解析する。周波数解析部３２は、例えば、周波数毎のパワーが処理対象の全周波数のパワーの合計値に対する比率が所定の比率以上である周波数成分を主成分として判定する。周波数解析部３２は、感度関数（後述）について周波数特性を解析し、その主成分を判定してもよい。第２プロセスデータ解析部５２から、有効データが入力される場合には、周波数解析部３２は、読み出したプロセスデータに代えて、入力された解析対象プロセスに係る有効データを解析対象としてもよい。周波数解析部３２は、主成分として判定した周波数の周波数成分を示す周波数成分情報を制御パラメータ最適化部３６に出力する。 The frequency analysis unit 32 reads the process data of the control loop related to the process to be analyzed from the process data collection unit 20, and analyzes the frequency characteristics of the output value indicated by the read process data. The frequency analysis unit 32 determines, for example, a frequency component whose main component is a frequency component in which the ratio of the power for each frequency to the total value of the powers of all the frequencies to be processed is a predetermined ratio or more. The frequency analysis unit 32 may analyze the frequency characteristics of the sensitivity function (described later) and determine the main component thereof. When valid data is input from the second process data analysis unit 52, the frequency analysis unit 32 may use the input valid data related to the analysis target process as the analysis target instead of the read process data. The frequency analysis unit 32 outputs the frequency component information indicating the frequency component of the frequency determined as the main component to the control parameter optimization unit 36.

プロセス同定部３４は、プロセスデータ収集部２０から解析対象プロセスに係る制御ループのプロセスデータを読み出し、読み出したプロセスデータが示す制御ループの入力値及び出力値に基づいて、その制御ループの伝達関数を同定する。第２プロセスデータ解析部５２から、有効データが入力される場合には、読み出したプロセスデータに代えて入力された解析対象プロセスに係る有効データを処理対象としてもよい。
プロセス同定部３４は、例えば、入力値に伝達関数を作用して出力値の予測値である予測出力値を算出し、算出した予測出力値と出力値との差の大きさが小さくなるように、伝達関数のパラメータを算出する。伝達関数の次数は、予めプロセス同定部３４に設定しておく。差の大きさの指標として、例えば、平均二乗誤差が利用可能である。算出した伝達関数のパラメータは、処理対象プロセスに対応する制御ループにおける出力予測モデルを構成する。プロセス同定部３４は、算出した伝達関数のパラメータを出力予測モデルとして制御パラメータ最適化部３６とプロセスシミュレーション部４０に出力する。 The process identification unit 34 reads the process data of the control loop related to the process to be analyzed from the process data collection unit 20, and uses the input value and output value of the control loop indicated by the read process data to generate a transmission function of the control loop. To identify. When valid data is input from the second process data analysis unit 52, the valid data related to the input analysis target process may be the processing target instead of the read process data.
For example, the process identification unit 34 applies a transfer function to the input value to calculate the predicted output value, which is the predicted value of the output value, so that the magnitude of the difference between the calculated predicted output value and the output value becomes small. , Calculate the parameters of the transfer function. The order of the transfer function is set in advance in the process identification unit 34. For example, a mean square error can be used as an index of the magnitude of the difference. The calculated transfer function parameters constitute an output prediction model in the control loop corresponding to the process to be processed. The process identification unit 34 outputs the calculated transfer function parameters as an output prediction model to the control parameter optimization unit 36 and the process simulation unit 40.

制御パラメータ最適化部３６には、周波数解析部３２から入力される周波数成分情報、伝達関数のパラメータに基づいて、解析対象プロセスに係る制御装置７０の制御パラメータを最適化する。制御パラメータ最適化部３６は、制御パラメータを最適化する際、例えば、ＦＲＩＴ（Ｆｉｃｔｉｔｉｏｕｓ Ｒｅｆｅｒｅｎｃｅ Ｉｔｅｒａｔｉｖｅ Ｔｕｎｉｎｇ）アルゴリズムを用いる。制御パラメータ最適化部３６は、入力されたパラメータで表される伝達関数から感度関数を算出する。感度関数は、出力値に対する外乱の寄与もしくは減衰の度合いを示す関数である。感度関数は、算出した伝達関数と制御装置７０の入出力特性を示す伝達関数の乗算値に１を加えた値の逆数に相当する。そして、制御パラメータ最適化部３６は、例えば、主成分が他の周波数帯域よりもゲインが大きいピーク特性を有するか否かを判定し、ピーク特性を有する場合に、ゲインが最も大きい中心周波数において、減衰率が最も大きくなるように減衰率関数を定める。制御パラメータ最適化部３６は、より高い周波数帯域よりもゲインが大きくなる特性である低域通過特性を有するか否かを判定する。低域通過特性を有する場合には、主成分が所定の周波数よりも低い低周波成分となる。その場合には、制御パラメータ最適化部３６は、直流成分において、減衰率が最も大きくなるように減衰率関数を定める。制御パラメータ最適化部３６には、減衰率関数の次数、減衰率の最大値を予め設定しておく。 The control parameter optimization unit 36 optimizes the control parameters of the control device 70 related to the process to be analyzed based on the frequency component information input from the frequency analysis unit 32 and the parameters of the transfer function. The control parameter optimization unit 36 uses, for example, an FRIT (Fictitious Reference Iterative Tuning) algorithm when optimizing the control parameters. The control parameter optimization unit 36 calculates the sensitivity function from the transfer function represented by the input parameter. The sensitivity function is a function that indicates the degree of disturbance contribution or attenuation to the output value. The sensitivity function corresponds to the reciprocal of the value obtained by adding 1 to the multiplication value of the calculated transfer function and the transfer function indicating the input / output characteristics of the control device 70. Then, the control parameter optimization unit 36 determines, for example, whether or not the main component has a peak characteristic having a gain larger than that of other frequency bands, and if it has the peak characteristic, at the center frequency having the largest gain. The damping factor function is defined so that the damping factor is the largest. The control parameter optimization unit 36 determines whether or not the control parameter optimization unit 36 has a low frequency pass characteristic, which is a characteristic in which the gain is larger than that in the higher frequency band. When it has a low frequency passing characteristic, the main component is a low frequency component lower than a predetermined frequency. In that case, the control parameter optimization unit 36 determines the attenuation factor function so that the attenuation factor is the largest in the DC component. The order of the attenuation factor function and the maximum value of the attenuation factor are set in advance in the control parameter optimization unit 36.

制御パラメータ最適化部３６は、感度関数に減衰率関数を乗じて目標感度関数を算出する。そして、制御パラメータ最適化部３６は、制御パラメータの関数となる感度関数と目標関数との差の大きさが減少するように、制御パラメータを再帰的に算出する。差の大きさを示すコスト値が、所定のコスト値の閾値よりも小さくなったとき、制御パラメータ最適化部３６は、制御パラメータの算出を停止する。制御パラメータ最適化部３６は、算出した制御パラメータをプロセスシミュレーション部４０に出力する。なお、制御パラメータの初期値は、予め設定された初期値であってもよいし、プロセスシミュレーション部４０からの再調整要求に付随して入力された制御パラメータであってもよい。制御パラメータ最適化部３６が制御パラメータを算出する手法は、特願２０１７−２４５１号明細書に詳しく記載されている。 The control parameter optimization unit 36 calculates the target sensitivity function by multiplying the sensitivity function by the attenuation factor function. Then, the control parameter optimization unit 36 recursively calculates the control parameter so that the magnitude of the difference between the sensitivity function, which is a function of the control parameter, and the target function is reduced. When the cost value indicating the magnitude of the difference becomes smaller than the threshold value of the predetermined cost value, the control parameter optimization unit 36 stops the calculation of the control parameter. The control parameter optimization unit 36 outputs the calculated control parameters to the process simulation unit 40. The initial value of the control parameter may be a preset initial value or a control parameter input in association with the readjustment request from the process simulation unit 40. The method by which the control parameter optimization unit 36 calculates the control parameter is described in detail in Japanese Patent Application No. 2017-2451.

プロセスシミュレーション部４０は、プラント設備情報保持部４２と、プロセス演算部４４と、を含んで構成される。
プラント設備情報保持部４２には、プラント設備情報が記憶されている。プラント設備情報は、プラントＰＬに設置されている各プロセスの制御ループ毎の制御装置７０とフィールド機器に関する情報である。プラント設備情報には、例えば、制御ループ毎の制御装置７０、センサ８２及びアクチュエータ８４のセット、制御装置７０が制御演算に用いる制御方式、制御装置７０に設定される目標値、センサ８２から取得される入力値の種別、アクチュエータ８４から取得される出力値の種別などの情報が含まれる。 The process simulation unit 40 includes a plant equipment information holding unit 42 and a process calculation unit 44.
The plant equipment information holding unit 42 stores plant equipment information. The plant equipment information is information about the control device 70 and the field equipment for each control loop of each process installed in the plant PL. The plant equipment information is acquired from, for example, the control device 70 for each control loop, the set of the sensor 82 and the actuator 84, the control method used by the control device 70 for the control calculation, the target value set in the control device 70, and the sensor 82. Information such as the type of input value and the type of output value acquired from the actuator 84 is included.

プロセス演算部４４は、１個又は複数のプロセスについて出力予測モデルと各プロセスの制御ループ毎の制御パラメータを用いて、所定時間（例えば、１秒）毎の各プロセスへの入力値（予測入力値）とそのプロセスからの出力値（予測出力値）を算出する（シミュレーション）。プロセス演算部４４は、例えば、シミュレーション対象のプロセスを操作入力部（図示せず）から入力される操作信号で指定されるプロセスとして特定する。プロセス演算部４４は、特定したプロセスについて、プラント設備情報を参照して、そのプロセスに係る制御ループ毎の制御装置７０、入力値、出力値及び目標値の種別を特定する。プロセス演算部４４は、特定した各プロセスについて当該プロセスの出力予測モデルを用いて入力予測値から出力予測値を算出する。各プロセスの出力予測モデルは、出力予測モデル生成部５４又はプロセス同定部３４から入力される。出力予測モデル生成部５４から入力される出力予測モデルは、後述するように機械学習に基づいて生成される。また、プロセス演算部４４は、特定した各プロセスについて、制御パラメータ情報生成部５６又は制御パラメータ最適化部３６から入力された制御パラメータを用いて、制御装置７０に入力される予測出力値（測定値の予測値に相当）と目標値から当該プロセスへの入力予測値（操作量の予測値に相当）を算出する。複数の制御ループを有するプロセスに対しては、複数の制御装置７０が並列に組み合わされる。また、１つのプロセスに対して、複数の制御装置７０が並列に組み合わされてもよい。即ち、１つのプロセスからの予測出力値が複数の制御装置７０のそれぞれに入力され、それぞれの制御装置７０からの予測出力値がその１つのプロセスへの予測入力値として入力されうる。 The process calculation unit 44 uses an output prediction model for one or more processes and control parameters for each control loop of each process, and inputs values (prediction input values) to each process every predetermined time (for example, 1 second). ) And the output value (predicted output value) from that process (simulation). The process calculation unit 44 specifies, for example, a process to be simulated as a process designated by an operation signal input from an operation input unit (not shown). The process calculation unit 44 refers to the plant equipment information for the specified process, and specifies the types of the control device 70, the input value, the output value, and the target value for each control loop related to the process. The process calculation unit 44 calculates the output prediction value from the input prediction value for each specified process using the output prediction model of the process. The output prediction model of each process is input from the output prediction model generation unit 54 or the process identification unit 34. The output prediction model input from the output prediction model generation unit 54 is generated based on machine learning as described later. Further, the process calculation unit 44 uses the control parameters input from the control parameter information generation unit 56 or the control parameter optimization unit 36 for each specified process, and the predicted output value (measured value) input to the control device 70. The input predicted value (corresponding to the predicted value of the manipulated variable) to the process is calculated from the predicted value (corresponding to the predicted value of) and the target value. For a process having a plurality of control loops, a plurality of control devices 70 are combined in parallel. Further, a plurality of control devices 70 may be combined in parallel for one process. That is, the predicted output value from one process can be input to each of the plurality of control devices 70, and the predicted output value from each control device 70 can be input as the predicted input value to the one process.

シミュレーション対象のプロセス数が複数個である場合には、操作入力部（図示せず）からの操作信号の指示により、その一部又は全部のプロセスが直列に組み合わせを設定可能としてもよい。即ち、１つのプロセスからの予測出力値が他のプロセスへの予測入力値として入力されうる。このようにして、プロセス演算部４４は、複数のプロセスや複数の制御装置７０を組み合わせたシミュレーションを行うことができる。また、各プロセスの出力予測モデルとして、伝達関数モデルと機械学習モデルとが組み合わされうる。 When the number of processes to be simulated is a plurality, some or all the processes may be able to set a combination in series by an instruction of an operation signal from an operation input unit (not shown). That is, the predicted output value from one process can be input as the predicted input value to another process. In this way, the process calculation unit 44 can perform a simulation in which a plurality of processes and a plurality of control devices 70 are combined. In addition, a transfer function model and a machine learning model can be combined as an output prediction model for each process.

プロセス演算部４４は、シミュレーションにより算出されたプロセスの制御状態を示す指標として、プロセス毎の予測出力値と目標値との偏差の大きさを示すコスト値を算出する。予測出力値のチャネル数が1チャネルである場合には、コスト値として二乗誤差を用いることができる。また、シミュレーションに係る予測出力値のチャネル数が２以上である場合には、コスト値として重み付き二乗誤差を用いることができる。重み付き二乗誤差は、チャネル毎の予測出力値と目標値との偏差の二乗値とそのチャネルに対応する重み係数を乗じて得られる乗算値のチャネル間の総和となる。重み付き二乗誤差は、その値が小さいほど制御状態が良好であり、その値が大きいほど制御状態が劣悪であることを示す。また、プロセス演算部４４は、その指標を表示部（図示せず）に出力してもよい。プロセス演算部４４は、各プロセスに対応する制御ループ毎に算出した予測入力値、予測出力値それぞれの時系列を表示部（図示せず）に出力してもよい。
なお、プロセス演算部４４は、操作入力部（図示せず）から制御パラメータの再調整要求を示す操作信号が入力されるとき、算出した制御パラメータを制御パラメータ最適化部３６又は制御パラメータ情報生成部５６を再調整要求に付随して通知してもよい。 The process calculation unit 44 calculates a cost value indicating the magnitude of the deviation between the predicted output value and the target value for each process as an index indicating the control state of the process calculated by the simulation. When the number of channels of the predicted output value is one, the square error can be used as the cost value. Further, when the number of channels of the predicted output value related to the simulation is 2 or more, the weighted square error can be used as the cost value. The weighted squared error is the sum of the multiplication values obtained by multiplying the squared value of the deviation between the predicted output value and the target value for each channel and the weighting coefficient corresponding to the channel. The weighted square error indicates that the smaller the value is, the better the control state is, and the larger the value is, the worse the control state is. Further, the process calculation unit 44 may output the index to a display unit (not shown). The process calculation unit 44 may output the time series of the predicted input value and the predicted output value calculated for each control loop corresponding to each process to the display unit (not shown).
When an operation signal indicating a control parameter readjustment request is input from the operation input unit (not shown), the process calculation unit 44 converts the calculated control parameter into the control parameter optimization unit 36 or the control parameter information generation unit. 56 may be notified accompanying the readjustment request.

第２プロセスデータ解析部５２は、プロセスデータ収集部２０からプロセスデータを読み出し、処理対象として注目するプロセス（注目プロセス）のそれぞれに対応する制御ループの出力チャネル毎に出力値の変動に対する各入力チャネルの入力値の寄与度を算出する。寄与度を示す指標として、例えば、相関係数の絶対値が用いられる。相関係数の絶対値は、その値が大きいほど出力値の変動に対する寄与度が高いことを示す指標である。第２プロセスデータ解析部５２は、操作入力部（図示せず）から入力される操作信号で指示されるプロセスを解析対象プロセスとして特定してもよい。第２プロセスデータ解析部５２は、出力チャネル毎に算出した寄与度が所定の寄与度よりも大きい入力値に係る入力チャネルを特定する。即ち、出力チャネル毎に寄与度が高い入力値に係る入力チャネルが特定される。以下、寄与度の高い入力値を高寄与入力値、寄与度の高い入力値に係る入力チャネルを高寄与チャネルと呼ぶことがある。 The second process data analysis unit 52 reads the process data from the process data collection unit 20, and each input channel for the fluctuation of the output value for each output channel of the control loop corresponding to each of the processes of interest as the processing target (attention process). Calculate the contribution of the input value of. For example, the absolute value of the correlation coefficient is used as an index indicating the degree of contribution. The absolute value of the correlation coefficient is an index indicating that the larger the value, the higher the contribution to the fluctuation of the output value. The second process data analysis unit 52 may specify a process instructed by an operation signal input from an operation input unit (not shown) as an analysis target process. The second process data analysis unit 52 identifies an input channel having an input value whose contribution degree calculated for each output channel is larger than a predetermined contribution degree. That is, the input channel related to the input value having a high contribution degree is specified for each output channel. Hereinafter, an input value having a high degree of contribution may be referred to as a high contribution input value, and an input channel related to an input value having a high degree of contribution may be referred to as a high contribution channel.

第２プロセスデータ解析部５２は、注目プロセスにおける出力チャネル毎の出力値に対する、他のプロセス（以下、他プロセス）からの各出力チャネルの出力値による寄与度として相関係数を算出してもよい。第２プロセスデータ解析部５２は、算出した相関係数の絶対値が所定の相関係数の閾値よりも高い出力値をそれぞれ高寄与出力値として特定する（プロセス間相関）。第２プロセスデータ解析部５２は、その高寄与出力値に係る他プロセス、出力チャネルをそれぞれ高寄与プロセス、高寄与チャネルとして判定する。従って、プロセス間の干渉が少ない場合には、高寄与プロセスが検出されない場合もある。 The second process data analysis unit 52 may calculate the correlation coefficient as the contribution of the output value of each output channel from another process (hereinafter, other process) to the output value of each output channel in the process of interest. .. The second process data analysis unit 52 specifies an output value in which the absolute value of the calculated correlation coefficient is higher than the threshold value of the predetermined correlation coefficient as a high contribution output value (inter-process correlation). The second process data analysis unit 52 determines the other process and the output channel related to the high contribution output value as the high contribution process and the high contribution channel, respectively. Therefore, if there is little interference between processes, high-contribution processes may not be detected.

第２プロセスデータ解析部５２は、いずれかの出力チャネルにおいて目標値から出力値の偏差が有意に変動する時点を変動時点として特定する。変動時点の特定対象とする出力チャネルは、注目プロセスにおける出力チャネルに限られず、高寄与プロセスからの出力チャネルも含まれてもよい。第２プロセスデータ解析部５２は、例えば、処理対象として注目する時点（注目時点）における偏差の直前の時点における偏差からの変化量が所定の変化量の閾値よりも大きいか否かを判定する。第２プロセスデータ解析部５２は、大きいと判定した注目時点を変動時点として特定し、それ以外の時点を非変動時点とする。そして、第２プロセスデータ解析部５２は、特定した変動時点までの非変動時点の継続時間が所定の継続時間よりも長い変動時点を変動開始時点として特定する。変動開始時点は、偏差の変動が少ない状況が所定の継続時間以上継続した後で、偏差の有意な変動が開始した時点となる。変動開始時点は、例えば、目標値が変更されるとき、プロセスからの出力値に外乱が付加されるとき、などに相当する。第２プロセスデータ解析部５２は、変動開始時点から所定の期間を含む期間を解析期間として特定する。この解析期間内のプロセスデータは、偏差の有意な変動に応じたプロセスの応答が観察されるため、プロセスの入出力関係を解析するうえで好都合である。解析期間の長さは、偏差の有意な変動が生じた時点から各プロセスからの出力値の変化量が所定の変化量未満に収束する時点までの時間よりも長ければよい。第２プロセスデータ解析部５２は、プロセスデータから解析対象プロセスと高寄与プロセスについて特定した解析期間内のプロセス値を示すデータを有効データとして読み出したプロセスデータから抽出する。第２プロセスデータ解析部５２は、抽出した有効データを出力予測モデル生成部５４と制御パラメータ情報生成部５６に出力する。 The second process data analysis unit 52 specifies a time point at which the deviation of the output value from the target value changes significantly in any of the output channels as a change time point. The output channel to be specified at the time of fluctuation is not limited to the output channel in the process of interest, and may include the output channel from the high-contribution process. The second process data analysis unit 52 determines, for example, whether or not the amount of change from the deviation at the time immediately preceding the deviation at the time of interest (at the time of attention) as the processing target is larger than the threshold value of the predetermined amount of change. The second process data analysis unit 52 specifies the time of interest determined to be large as the fluctuation time, and sets the other time as the non-variation time. Then, the second process data analysis unit 52 specifies a fluctuation time point in which the duration of the non-variation time point up to the specified fluctuation time point is longer than the predetermined duration time as the fluctuation start time point. The fluctuation start time is the time when the deviation is significantly changed after the situation where the deviation is small continues for a predetermined duration or longer. The fluctuation start time point corresponds to, for example, when the target value is changed, when a disturbance is added to the output value from the process, and the like. The second process data analysis unit 52 specifies a period including a predetermined period from the start of fluctuation as an analysis period. The process data during this analysis period is convenient for analyzing the input / output relationship of the process because the response of the process in response to the significant fluctuation of the deviation is observed. The length of the analysis period may be longer than the time from the time when the significant fluctuation of the deviation occurs to the time when the amount of change in the output value from each process converges to less than the predetermined amount of change. The second process data analysis unit 52 extracts data indicating the process values within the analysis period specified for the analysis target process and the high contribution process from the process data from the process data read out as valid data. The second process data analysis unit 52 outputs the extracted valid data to the output prediction model generation unit 54 and the control parameter information generation unit 56.

出力予測モデル生成部５４は、第２プロセスデータ解析部５２から入力された有効データから入力値セットと出力値セットを特定し、特定した入力値セットと出力値セットに対して機械学習を行う。入力値セットには、解析対象プロセスの各高寄与チャネルの入力値と解析対象プロセスに対応する高寄与プロセスの各高寄与チャネルの入力値が含まれる。他方、出力値セットには、解析対象プロセスの各出力チャネルの出力値が含まれる。ここで、出力予測モデル生成部５４は、プラント設備情報を参照して、特定した入力値セットに含まれる各チャネルの入力値の種別と、出力値セットに含まれる出力値の種別を特定する。出力予測モデル生成部５４は、機械学習により、入力値セットに対する出力値セットに写像する関数を示す出力予測モデルを生成する。出力予測モデル生成部５４は、入力値セットから出力予測モデルを作用して算出される各出力チャネルの出力値と目標出力値との偏差が小さくなるように、出力予測モデルを構成するモデルパラメータを再帰的に算出する。目標出力値として、有効データが示す出力チャネル毎の出力値（実測出力値）が用いられる。即ち、第２プロセスデータ解析部５２から入力された有効データが出力予測モデルの生成において、教師データとして用いられる。出力予測モデル生成部５４は、機械学習の手法として、例えば、深層学習を行う。深層学習とは、多層構造のニューラルネットワークを用いた機械学習である。出力予測モデル生成部５４は、各出力チャネルからの出力値と目標出力値との偏差の大きさを示すコスト値が、所定のコスト値未満になったとき、モデルが収束したと判定し学習を停止する。その後、出力予測モデル生成部５４は、学習により算出されたパラメータからなる出力予測モデルをプロセスシミュレーション部４０と制御パラメータ情報生成部５６に出力する。 The output prediction model generation unit 54 specifies an input value set and an output value set from valid data input from the second process data analysis unit 52, and performs machine learning on the specified input value set and output value set. The input value set includes the input value of each high-contribution channel of the process to be analyzed and the input value of each high-contribution channel of the high-contribution process corresponding to the process to be analyzed. On the other hand, the output value set includes the output value of each output channel of the process to be analyzed. Here, the output prediction model generation unit 54 refers to the plant equipment information and specifies the type of the input value of each channel included in the specified input value set and the type of the output value included in the output value set. The output prediction model generation unit 54 generates an output prediction model showing a function mapped to the output value set with respect to the input value set by machine learning. The output prediction model generation unit 54 sets the model parameters constituting the output prediction model so that the deviation between the output value of each output channel calculated by operating the output prediction model from the input value set and the target output value becomes small. Calculate recursively. As the target output value, the output value (measured output value) for each output channel indicated by the valid data is used. That is, the valid data input from the second process data analysis unit 52 is used as the teacher data in the generation of the output prediction model. The output prediction model generation unit 54 performs, for example, deep learning as a machine learning method. Deep learning is machine learning using a multi-layered neural network. The output prediction model generation unit 54 determines that the model has converged and performs learning when the cost value indicating the magnitude of the deviation between the output value from each output channel and the target output value becomes less than a predetermined cost value. Stop. After that, the output prediction model generation unit 54 outputs an output prediction model consisting of parameters calculated by learning to the process simulation unit 40 and the control parameter information generation unit 56.

ニューラルネットワークは、入力層、中間層及び出力層を含んで構成される。入力層、出力層は、それぞれ１又は複数の入力端、出力端を有する。中間層は、複数の節点を有する。多層構造のニューラルネットワークとは、中間層の数が２層以上であるニューラルネットワークのことを指す。学習において、出力予測モデル生成部５４は、入力端、節点、出力端のそれぞれにおいて入力値と出力値の関係を与える活性化関数のパラメータをモデルパラメータとして算出する。活性化関数として、例えば、ランプ関数、ソフトサインなどのいずれかが用いられる。出力予測モデル生成部５４は、収束の判定に用いるコスト値として、例えば、入力値セットから算出される出力値と目標出力値の偏差の重み付き二乗和を用いる。
なお、第２プロセスデータ解析部５２が高寄与プロセスを検出しない場合には、高寄与プロセスの各高寄与チャネルの入力値は入力値セットに含まれない。また、入力値セットには、解析対象プロセスの全入力チャネルの入力値が含まれてもよい。 The neural network is composed of an input layer, an intermediate layer and an output layer. The input layer and the output layer have one or a plurality of input ends and output ends, respectively. The middle layer has a plurality of nodes. A multi-layered neural network refers to a neural network having two or more intermediate layers. In learning, the output prediction model generation unit 54 calculates the parameters of the activation function that gives the relationship between the input value and the output value at each of the input end, the node, and the output end as model parameters. As the activation function, for example, a ramp function, a soft sign, or the like is used. The output prediction model generation unit 54 uses, for example, a weighted sum of squares of deviations between the output value calculated from the input value set and the target output value as the cost value used for determining the convergence.
If the second process data analysis unit 52 does not detect the high contribution process, the input value of each high contribution channel of the high contribution process is not included in the input value set. In addition, the input value set may include input values of all input channels of the process to be analyzed.

制御パラメータ情報生成部５６には、第２プロセスデータ解析部５２から有効データが入力され、出力予測モデル生成部５４から出力予測モデルが入力される。出力予測モデル生成部５４は、プラント設備情報を参照して、解析対象プロセスならびに高寄与プロセスに係る各制御ループの制御装置７０とその制御方式、目標値、入力値ならびに出力値の種別を特定する。制御パラメータ情報生成部５６は、少なくとも解析対象プロセスに係る制御装置７０の制御パラメータを最適化する。ここで、制御パラメータ情報生成部５６は、有効データが示す解析対象プロセス、高寄与プロセスのそれぞれの出力チャネル毎の実測出力値と目標値とから、当該各プロセスに係る入力チャネル毎に入力値を算出する。制御入力値を算出する際、当該各プロセスに係る制御装置７０で適用される制御方式（例えば、ＰＩＤ制御）を用いる。 Valid data is input to the control parameter information generation unit 56 from the second process data analysis unit 52, and the output prediction model is input from the output prediction model generation unit 54. The output prediction model generation unit 54 refers to the plant equipment information and specifies the control device 70 of each control loop related to the analysis target process and the high contribution process, its control method, the target value, the input value, and the type of the output value. .. The control parameter information generation unit 56 optimizes at least the control parameters of the control device 70 related to the analysis target process. Here, the control parameter information generation unit 56 sets an input value for each input channel related to each process from the actually measured output value and the target value for each output channel of the analysis target process and the high contribution process indicated by the valid data. calculate. When calculating the control input value, the control method (for example, PID control) applied by the control device 70 related to each process is used.

制御パラメータ情報生成部５６は、算出した各入力チャネルから高寄与チャネルの入力値と、高寄与チャネルの出力値を含む入力値セットを特定し、特定した入力値セットについて、入力された出力予測モデルを用いて出力値セットを算出する。出力値セットには、解析対象プロセスの各出力チャネルの予測出力値が含まれる。出力値セットを算出する際に用いる機械学習モデルは、出力予測モデルの生成に用いる機械学習モデルと同じ種類であればよい。出力値セットを算出する際に用いる入力値セットは、出力予測モデルの生成に用いる入力値セットと同じ入力チャネルの入力値が含まれればよい。制御パラメータ情報生成部５６は、解析対象プロセスの各出力チャネルの予測出力値と目標値との偏差の大きさを示すコスト値を小さくするように解析対象プロセス、高寄与プロセスそれぞれの制御ループに係る制御装置７０の制御パラメータを算出する。従って、予測出力値が目標値に近づくことを報酬として制御パラメータが学習される。制御パラメータ情報生成部５６は、算出した制御パラメータをプロセス演算部４４に出力する。なお、制御パラメータの初期値は、予め設定された初期値であってもよいし、プロセスシミュレーション部４０からの再調整要求に付随して入力された制御パラメータであってもよい。 The control parameter information generation unit 56 specifies an input value set including the input value of the high contribution channel and the output value of the high contribution channel from each calculated input channel, and the input output prediction model is input for the specified input value set. Is used to calculate the output value set. The output value set contains the predicted output value of each output channel of the process to be analyzed. The machine learning model used to calculate the output value set may be of the same type as the machine learning model used to generate the output prediction model. The input value set used when calculating the output value set may include the input value of the same input channel as the input value set used for generating the output prediction model. The control parameter information generation unit 56 relates to the control loops of the analysis target process and the high contribution process so as to reduce the cost value indicating the magnitude of the deviation between the predicted output value and the target value of each output channel of the analysis target process. The control parameters of the control device 70 are calculated. Therefore, the control parameter is learned with the reward that the predicted output value approaches the target value. The control parameter information generation unit 56 outputs the calculated control parameters to the process calculation unit 44. The initial value of the control parameter may be a preset initial value or a control parameter input in association with the readjustment request from the process simulation unit 40.

なお、制御パラメータ情報生成部５６は、コスト値として解析対象プロセスと当該解析対象プロセスに対応する高寄与プロセスの出力チャネル毎の予測出力値と偏差の出力チャネル間の重み付き二乗和を算出してもよい。出力チャネル毎の重み係数は、予め制御パラメータ情報生成部５６に設定しておく。これにより、解析対象プロセスと高寄与プロセスの全体について、制御パラメータが最適化される。
また、制御パラメータ最適化部３６が高寄与プロセスに係る制御装置７０の制御パラメータを並行して算出する場合、又は既に算出した場合がありうる。その場合には、制御パラメータ情報生成部５６は、高寄与プロセスに係る制御装置７０の制御パラメータを算出しなくてもよい。制御パラメータ情報生成部５６は、制御入力値の算出において、制御パラメータ最適化部３６が算出した制御パラメータを用いてもよい。 The control parameter information generation unit 56 calculates, as a cost value, a weighted sum of squares between the predicted output value and the deviation output channel for each output channel of the analysis target process and the high contribution process corresponding to the analysis target process. May be good. The weighting coefficient for each output channel is set in advance in the control parameter information generation unit 56. As a result, the control parameters are optimized for the entire analysis target process and the high-contribution process.
Further, the control parameter optimization unit 36 may calculate the control parameters of the control device 70 related to the high contribution process in parallel, or may have already calculated them. In that case, the control parameter information generation unit 56 does not have to calculate the control parameters of the control device 70 related to the high contribution process. The control parameter information generation unit 56 may use the control parameters calculated by the control parameter optimization unit 36 in the calculation of the control input value.

制御パラメータ情報生成部５６は、解析対象プロセスに対応する高寄与プロセスをプロセス演算部４４に通知してもよい。従って、プロセス演算部４４は、シミュレーション対象のプロセスが指定されたとき、そのプロセスに対応する高寄与プロセスを特定することができる。また、プロセス演算部４４は、通知された高寄与プロセスに係る出力予測モデルを、プロセス同定部３４又は出力予測モデル生成部５４から取得する。プロセス演算部４４は、通知された高寄与プロセスに係る制御装置７０の制御パラメータを、制御パラメータ最適化部３６又は制御パラメータ情報生成部５６から取得する。
なお、制御パラメータ情報生成部５６は、パラメータ適用指示を示す操作信号が操作入力部（図示せず）から入力されるとき、算出した制御パラメータを、該当する制御装置７０に送信する。制御装置７０の制御演算部７２は、制御パラメータ情報生成部５６から受信した制御パラメータを制御演算に用いる。 The control parameter information generation unit 56 may notify the process calculation unit 44 of the high-contribution process corresponding to the analysis target process. Therefore, when the process to be simulated is specified, the process calculation unit 44 can specify the high-contribution process corresponding to the process. Further, the process calculation unit 44 acquires the output prediction model related to the notified high contribution process from the process identification unit 34 or the output prediction model generation unit 54. The process calculation unit 44 acquires the control parameters of the control device 70 related to the notified high contribution process from the control parameter optimization unit 36 or the control parameter information generation unit 56.
When the operation signal indicating the parameter application instruction is input from the operation input unit (not shown), the control parameter information generation unit 56 transmits the calculated control parameter to the corresponding control device 70. The control calculation unit 72 of the control device 70 uses the control parameters received from the control parameter information generation unit 56 for the control calculation.

次に、出力予測モデル、制御パラメータの計算例について説明する。
図２は、出力予測モデル、制御パラメータの計算例を示す説明図である。
図２に示す例では、プラントＰＬに制御演算部７２−１〜７２−３をそれぞれ有する制御装置７０−１〜７０−３（図示せず）、センサ８２−１、８２−２及びアクチュエータ８４−１〜８４−３が設置されている。制御演算部７２−１〜７２−３は、それぞれＰＩＤ制御を実行するＰＩＤ制御器である。センサ８２−１、制御演算部７２−１及びアクチュエータ８４−１間、センサ８２−１、制御演算部７２−３及びアクチュエータ８４−３間、センサ８２−２、制御演算部７２−２及びアクチュエータ８４−２間でそれぞれ制御ループが形成される。センサ８２−１、制御演算部７２−１及びアクチュエータ８４−１からなる制御ループを制御ループ１と呼ぶ。センサ８２−１、制御演算部７２−３及びアクチュエータ８４−３からなる制御ループを制御ループ２と呼ぶ。センサ８２−２、制御演算部７２−２及びアクチュエータ８４−２からなる制御ループを制御ループ３と呼ぶ。制御ループ１〜３のうち、制御ループ１、２がプロセス１に対応し、制御ループ３がプロセス２に対応する。プロセス１に対応する制御ループ１、２間でセンサ８２−１が共有される。センサ８２−１は、プロセス２に対応する制御ループ３に係るセンサ８２−３とは独立である。 Next, an output prediction model and a calculation example of control parameters will be described.
FIG. 2 is an explanatory diagram showing an output prediction model and a calculation example of control parameters.
In the example shown in FIG. 2, the control devices 70-1 to 70-3 (not shown), the sensors 82-1 and 82-2, and the actuator 84-, each of which has control calculation units 72-1 to 72-3 in the plant PL, are shown. 1 to 84-3 are installed. The control calculation units 72-1 to 72-3 are PID controllers that execute PID control, respectively. Between sensor 82-1, control calculation unit 72-1 and actuator 84-1, between sensor 82-1, control calculation unit 72-3 and actuator 84-3, sensor 82-2, control calculation unit 72-2 and actuator 84. A control loop is formed between -2. The control loop including the sensor 82-1, the control calculation unit 72-1 and the actuator 84-1 is called a control loop 1. The control loop including the sensor 82-1, the control calculation unit 72-3, and the actuator 84-3 is called a control loop 2. The control loop including the sensor 82-2, the control calculation unit 72-2, and the actuator 84-2 is called a control loop 3. Of the control loops 1 to 3, control loops 1 and 2 correspond to process 1, and control loop 3 corresponds to process 2. The sensor 82-1 is shared between the control loops 1 and 2 corresponding to the process 1. The sensor 82-1 is independent of the sensor 82-3 related to the control loop 3 corresponding to the process 2.

プラントＰＬは、例えば、化学プラントである。プロセス１は、反応器内のプロセスのように複雑なプロセスである。プロセス２は、反応器を構成するタンク内のプロセスのように比較的単純なプロセスである。そこで、この例では、プロセス１、３の出力予測モデルを機械学習モデルとし、プロセス２の出力予測モデルを伝達関数モデルとする。 The plant PL is, for example, a chemical plant. Process 1 is a complex process, such as a process in a reactor. Process 2 is a relatively simple process such as the process in the tank constituting the reactor. Therefore, in this example, the output prediction model of processes 1 and 3 is used as a machine learning model, and the output prediction model of process 2 is used as a transfer function model.

プロセスデータ収集部２０は、各プロセスに対応する制御ループ毎の入力値、出力値及び目標値のセットからなるプロセス値を制御装置７０−１〜７０−３（図１）から所定時間毎に取得する。この例では、各プロセスにおいて入力チャネル数、出力チャネル数は、それぞれ１チャネルである。
第２プロセスデータ解析部５２は、解析対象プロセスとしてプロセス１に対応する制御ループ１、２の出力値と、制御ループ１、２の入力値もしくは他プロセスとしてプロセス２に対応する制御ループ３の出力値との相関係数を算出する。第２プロセスデータ解析部５２は、算出した相関係数に基づいて制御ループ１、２からの出力値に対する高寄与入力値として制御ループ１、２の入力値をそれぞれ特定し、制御ループ２からの出力値に対する高寄与プロセスであるプロセス２からの高寄与出力値として制御ループ３からの出力値を特定する。第２プロセスデータ解析部５２は、制御ループ１〜３それぞれの出力値から変動時点を特定し、特定した変動時点に基づいて解析期間を定める。第２プロセスデータ解析部５２は、定めた解析期間内のプロセス１、２のプロセス値を含む有効データを抽出する。 The process data collection unit 20 acquires a process value consisting of a set of input values, output values, and target values for each control loop corresponding to each process from the control devices 70-1 to 70-3 (FIG. 1) at predetermined time intervals. do. In this example, the number of input channels and the number of output channels are 1 each in each process.
The second process data analysis unit 52 outputs the output values of the control loops 1 and 2 corresponding to the process 1 as the process to be analyzed, the input values of the control loops 1 and 2, or the output of the control loop 3 corresponding to the process 2 as another process. Calculate the correlation coefficient with the value. The second process data analysis unit 52 identifies the input values of the control loops 1 and 2 as high contribution input values to the output values from the control loops 1 and 2 based on the calculated correlation coefficient, and from the control loop 2 The output value from the control loop 3 is specified as the high contribution output value from the process 2 which is a high contribution process to the output value. The second process data analysis unit 52 specifies the fluctuation time point from the output value of each of the control loops 1 to 3, and determines the analysis period based on the specified fluctuation time point. The second process data analysis unit 52 extracts valid data including the process values of processes 1 and 2 within the specified analysis period.

出力予測モデル生成部５４は、有効データに含まれる制御ループ１、２の入力値とプロセス３からの出力値からなる入力値セットに対するプロセス１に対応する制御ループ１、２の出力値からなる出力値セットについて機械学習を行う。機械学習により、入力値セットを出力値セットに写像するニューラルネットワークモデル（ＮＮモデルｎ０１）がプロセス１の出力予測モデルとして生成される。
他方、プロセス同定部３４（図１）は、制御ループ３の入力値に対する制御ループ３の出力値に写像する伝達関数ｔ０２を、プロセス２の出力予測モデルとして算出する。 The output prediction model generation unit 54 is an output consisting of the output values of the control loops 1 and 2 corresponding to the process 1 for the input value set consisting of the input values of the control loops 1 and 2 included in the valid data and the output values from the process 3. Perform machine learning on value sets. By machine learning, a neural network model (NN model n01) that maps an input value set to an output value set is generated as an output prediction model of process 1.
On the other hand, the process identification unit 34 (FIG. 1) calculates the transfer function t02, which maps to the output value of the control loop 3 with respect to the input value of the control loop 3, as the output prediction model of the process 2.

制御パラメータ情報生成部５６は、プロセス１に係る制御ループ１、２について予測出力値と目標値との偏差が小さくなるように制御演算部７２−１、７２−３における制御パラメータｐ０１、ｐ０２を定める。制御パラメータ情報生成部５６は、偏差の大きさを示すコスト値として平均二乗誤差を計算する。平均二乗誤差は、例えば、制御ループ１からの予測出力値Ａ１の目標値に対する偏差Ａ１’と制御ループ２からの予測出力値Ａ２の目標値に対する偏差Ａ２’の平方和である。
なお、制御パラメータ最適化部３６（図１）は、プロセス２に係る制御ループ３について予測出力値と目標値との偏差が小さくなるように制御演算部７２−２における制御パラメータｐ０３を定める。制御パラメータｐ０１〜ｐ０３には、それぞれ比例ゲインＫＰ、積分ゲインＫＩ、微分ゲインＫＤが含まれる。 The control parameter information generation unit 56 determines the control parameters p01 and p02 in the control calculation units 72-1 and 72-3 so that the deviation between the predicted output value and the target value becomes small for the control loops 1 and 2 related to the process 1. .. The control parameter information generation unit 56 calculates the average squared error as a cost value indicating the magnitude of the deviation. The root-mean-squared error is, for example, the sum of squares of the deviation A1'with respect to the target value of the predicted output value A1 from the control loop 1 and the deviation A2'with respect to the target value of the predicted output value A2 from the control loop 2.
The control parameter optimization unit 36 (FIG. 1) determines the control parameter p03 in the control calculation unit 72-2 so that the deviation between the predicted output value and the target value is small for the control loop 3 related to the process 2. The control parameter P01～p03, respectively proportional gain K P, the integral gain K I, include differential gain K D.

図２に示す例では、プロセス演算部４４は、プロセス１、２について入力値、出力値のシミュレーションを行う。
プロセス演算部４４は、制御演算部７２−１、７２−３、７２−２にそれぞれ入力される予測出力値と設定される目標値から制御パラメータｐ０１、ｐ０２、ｐ０３を用いて制御演算部７２−１、７２−３、７２−２から出力される予測入力値を算出する。
プロセス演算部４４は、制御演算部７２−１、７２−３から入力される予測入力値とプロセス２から出力される予測出力値Ａ２を含む入力値セットを特定する。プロセス演算部４４は、ＮＮセットｎ０１を用いて特定した入力値セットから予測出力値Ａ１を算出する（ＮＮモデル演算）。予測出力値Ａ１は、制御演算部７２−１、７２−２、７２−３に出力される。他方、プロセス演算部４４は、制御演算部７２−２から入力される予測入力値から伝達関数ｔ０２を用いて予測出力値Ａ２を算出する（伝達関数モデル演算）。 In the example shown in FIG. 2, the process calculation unit 44 simulates the input value and the output value for the processes 1 and 2.
The process calculation unit 44 uses the control calculation units p01, p02, and p03 from the predicted output values input to the control calculation units 72-1, 72-3, and 72-2, respectively, and the set target values, to control the control calculation unit 72-. Calculate the predicted input value output from 1, 72-3, 72-2.
The process calculation unit 44 specifies an input value set including the predicted input value input from the control calculation units 72-1 and 72-3 and the predicted output value A2 output from the process 2. The process calculation unit 44 calculates the predicted output value A1 from the input value set specified by using the NN set n01 (NN model calculation). The predicted output value A1 is output to the control calculation units 72-1, 72-2, and 72-3. On the other hand, the process calculation unit 44 calculates the prediction output value A2 from the prediction input value input from the control calculation unit 72-2 using the transfer function t02 (transfer function model calculation).

以上に説明したように、第２プロセスデータ解析部５２は、プロセス変動に主要な影響を及ぼす寄与度の高いデータを有効データとして抽出する。得られた有効データは、出力予測モデル生成部５４、制御パラメータ情報生成部５６に提供され、解析の効率化や精度を向上させることができる。
出力予測モデル生成部５４は、入出力関係を表現する出力予測モデルとして機械学習モデルを生成することができる。これにより、プロセス演算部４４は、伝達関数モデルなど従来の手法では同定できない複雑なプロセスの入出力をシミュレーションにより予測することができる。また、プロセス演算部４４は、従来の手法で同定された出力予測モデルと組み合わせて、複数のプロセス間の入出力をシミュレーションにより予測することができる。
制御パラメータ情報生成部５６によれば、生成された出力予測モデルによって予測される予測出力値が制御目標である目標値により近くなるように、制御パラメータの強化学習がなされる。 As described above, the second process data analysis unit 52 extracts data having a high contribution that has a major influence on the process fluctuation as valid data. The obtained valid data is provided to the output prediction model generation unit 54 and the control parameter information generation unit 56, and can improve the efficiency and accuracy of the analysis.
The output prediction model generation unit 54 can generate a machine learning model as an output prediction model that expresses the input / output relationship. As a result, the process calculation unit 44 can predict the input / output of a complicated process such as a transfer function model that cannot be identified by a conventional method by simulation. Further, the process calculation unit 44 can predict the input / output between a plurality of processes by simulation in combination with the output prediction model identified by the conventional method.
According to the control parameter information generation unit 56, reinforcement learning of the control parameters is performed so that the predicted output value predicted by the generated output prediction model is closer to the target value which is the control target.

従って、上述した実施形態によれば、プロセスデータから機械学習を活用してプラントにおける複雑な入出力関係が解析される。また、プロセス変動への寄与度が高いデータが特定されるので、注目すべきデータが絞り込まれる。そのため、エンジニアリングにおける作業量を大幅に短縮することができる。
ここで、従来の手法では同定できないもしくは十分な精度が得られない複雑なプロセスに対して、その入出力関係をより高い精度で示す出力予測モデルが生成される。生成された出力予測モデルにより、より具現化可能な解析結果、例えば、所望のプロセスにおける制御状態を示す入出力やその指標が導出される。そのため、エンジニアは同定されたプロセスの状態を容易に把握することができる。
また、機械学習により生成された出力予測モデルにより導出される入出力に基づく制御パラメータの強化学習によって、さらに適切な制御パラメータが得られる。そのため、エンジニアによる制御パラメータの調整に係る作業が軽減する。 Therefore, according to the above-described embodiment, complicated input / output relationships in the plant are analyzed by utilizing machine learning from the process data. In addition, since data with a high degree of contribution to process fluctuations is identified, notable data is narrowed down. Therefore, the amount of work in engineering can be significantly reduced.
Here, for a complicated process that cannot be identified by the conventional method or that cannot obtain sufficient accuracy, an output prediction model that shows the input / output relationship with higher accuracy is generated. From the generated output prediction model, more embodiable analysis results, for example, input / output indicating the control state in a desired process and its index are derived. Therefore, the engineer can easily grasp the state of the identified process.
Further, more appropriate control parameters can be obtained by reinforcement learning of control parameters based on input / output derived by the output prediction model generated by machine learning. Therefore, the work related to the adjustment of control parameters by the engineer is reduced.

以上、図面を参照してこの発明の実施形態について説明してきたが、具体的な構成は上述のものに限られることはなく、この発明の要旨を逸脱しない範囲内において様々な設計変更等をすることが可能である。
例えば、データ処理装置は、コンピュータで実現されてもよい。その場合、それぞれの制御機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、ＣＰＵ等の演算処理回路により実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、各装置に内蔵されたコンピュータシステムであって、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。また、上述したコンピュータシステムは、ネットワークを介して相互に各種のデータを送受信可能とするクラウドコンピューティングシステムの構成要素であるコンピューティングリソースとして構成されていてもよい。
また、上各装置の一部、又は全部は、ＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）等の集積回路として実現されてもよい。各装置の各機能ブロックは個別にプロセッサ化してもよいし、一部又は全部を集積してプロセッサ化してもよい。また、集積回路化の手法はＬＳＩに限らず専用回路、又は汎用プロセッサで実現してもよい。また、半導体技術の進歩によりＬＳＩに代替する集積回路化の技術が出現した場合、当該技術による集積回路を用いてもよい。 Although the embodiments of the present invention have been described above with reference to the drawings, the specific configuration is not limited to the above, and various design changes and the like are made without departing from the gist of the present invention. It is possible.
For example, the data processing device may be realized by a computer. In that case, the program for realizing each control function is recorded on a computer-readable recording medium, the program recorded on the recording medium is read by the computer system, and the program is executed by an arithmetic processing circuit such as a CPU. May be realized by. The term "computer system" as used herein is a computer system built into each device, and includes hardware such as an OS and peripheral devices. Further, the "computer-readable recording medium" refers to a portable medium such as a flexible disk, a magneto-optical disk, a ROM, or a CD-ROM, and a storage device such as a hard disk built in a computer system. Further, a "computer-readable recording medium" is a medium that dynamically holds a program for a short time, such as a communication line when a program is transmitted via a network such as the Internet or a communication line such as a telephone line. In that case, a program may be held for a certain period of time, such as a volatile memory inside a computer system serving as a server or a client. Further, the above-mentioned program may be for realizing a part of the above-mentioned functions, and may be further realized for realizing the above-mentioned functions in combination with a program already recorded in the computer system. Further, the computer system described above may be configured as a computing resource which is a component of a cloud computing system capable of transmitting and receiving various data to and from each other via a network.
Further, a part or all of the above devices may be realized as an integrated circuit such as an LSI (Large Scale Integration). Each functional block of each device may be made into a processor individually, or a part or all of them may be integrated into a processor. Further, the method of making an integrated circuit is not limited to the LSI, and may be realized by a dedicated circuit or a general-purpose processor. Further, when an integrated circuit technology that replaces LSI appears due to the progress of semiconductor technology, an integrated circuit based on the technology may be used.

１…プロセス制御システム、１０…データ処理装置、２０…プロセスデータ収集部、２２…プロセスデータ解析部、３０…プロセス最適化部、３２…周波数解析部、３４…プロセス同定部、３６…制御パラメータ最適化部、４０…プロセスシミュレーション部、４２…プラント設備情報保持部、４４…プロセス演算部、５２…第２プロセスデータ解析部、７０（７０−１、７０−２、７０−３）…制御装置、７２（７２−１、７２−２、７２−３）制御演算部、８２（８２−１、８２−２、８２−３）…センサ、８４（８４−１、８４−２、８４−３）…アクチュエータ 1 ... Process control system, 10 ... Data processing device, 20 ... Process data collection unit, 22 ... Process data analysis unit, 30 ... Process optimization unit, 32 ... Frequency analysis unit, 34 ... Process identification unit, 36 ... Control parameter optimization Chemical unit, 40 ... process simulation unit, 42 ... plant equipment information holding unit, 44 ... process calculation unit, 52 ... second process data analysis unit, 70 (70-1, 70-2, 70-3) ... control device, 72 (72-1, 72-2, 72-3) control calculation unit, 82 (82-1, 82-2, 82-3) ... Sensor, 84 (84-1, 84-2, 84-3) ... Actuator

Claims (10)

少なくとも１つの第１プロセスに対する入力値と前記第１プロセスからの出力値である実測出力値に対して機械学習を行って前記第１プロセスの出力予測モデルを生成する出力予測モデル生成部と、
前記第１プロセスとは別個の第２プロセスに対する入力値と前記第２プロセスからの出力値である実測出力値に基づいて前記第２プロセスの伝達関数を計算するプロセス同定部と、
前記出力予測モデルと前記第１プロセスに対する入力値に基づいて前記第１プロセスからの出力値の予測値である予測出力値を算出し、前記第２プロセスの伝達関数と前記第２プロセスに対する入力値に基づいて前記第２プロセスからの予測出力値を算出し、前記第１プロセスおよび前記第２プロセスそれぞれのプロセス毎の予測出力値と出力値の目標である目標値との偏差の大きさを示すコスト値を算出し、それらプロセス毎のコスト値に重み係数を乗じて得られる乗算値の総和として得られるコスト値を評価関数として、その評価関数が減少するように、前記プロセスを制御する制御装置のプロセス毎の制御パラメータを定める制御パラメータ情報生成部と、
を備えるデータ処理装置。 An output prediction model generating unit generating an output prediction model of the first process performs machine learning for at least the a input value for one of the first process is the output value from the first process the measured output value,
A process identification unit that calculates the transfer function of the second process based on the input value for the second process separate from the first process and the measured output value which is the output value from the second process.
The predicted output value, which is the predicted value of the output value from the first process, is calculated based on the output prediction model and the input value for the first process, and the transfer function of the second process and the input value for the second process are calculated. The predicted output value from the second process is calculated based on the above, and the magnitude of the deviation between the predicted output value for each process of the first process and the second process and the target value which is the target of the output value is shown. A control device that calculates the cost value and controls the process so that the evaluation function is reduced by using the cost value obtained as the sum of the multiplication values obtained by multiplying the cost value for each process by the weighting coefficient as the evaluation function. Control parameter information generation unit that defines the control parameters for each process of
A data processing device. プロセス毎のコスト値として二乗誤差を用いる請求項１に記載のデータ処理装置。 The data processing apparatus according to claim 1 , wherein a square error is used as a cost value for each process. 前記入力値と前記出力値を含むプロセス毎のプロセスデータから、解析対象のプロセスからの前記出力値に対する寄与度が所定の寄与度よりも高い入力値もしくは他のプロセスの出力値を特定し、特定した入力値もしくは出力値を含む有効データを抽出するプロセスデータ解析部を、
さらに備える請求項１又は請求項２に記載のデータ処理装置。 From the process data for each process including the input value and the output value, the input value whose contribution to the output value from the process to be analyzed is higher than the predetermined contribution or the output value of another process is specified and specified. The process data analysis unit that extracts valid data including the input value or output value
The data processing apparatus according to claim 1 or 2 , further comprising. 少なくとも１つのプロセスに対する入力値と前記プロセスからの出力値である実測出力値に対して機械学習を行って前記プロセスの出力予測モデルを生成する出力予測モデル生成部と、 An output prediction model generator that generates an output prediction model of the process by performing machine learning on the input value for at least one process and the measured output value which is the output value from the process.
前記出力予測モデルと前記入力値に基づいて前記出力値の予測値である予測出力値を算出し、前記予測出力値と前記プロセスからの出力値の目標である目標値との差が減少するように前記プロセスを制御する制御装置の制御パラメータを定める制御パラメータ情報生成部と、 The predicted output value, which is the predicted value of the output value, is calculated based on the output prediction model and the input value, so that the difference between the predicted output value and the target value of the output value from the process is reduced. A control parameter information generator that defines the control parameters of the control device that controls the process.
前記入力値と前記出力値を含むプロセス毎のプロセスデータから、解析対象のプロセスからの前記出力値に対する寄与度が所定の寄与度よりも高い入力値もしくは他のプロセスの出力値を特定し、特定した入力値もしくは出力値を含む有効データであって、前記機械学習に使用される有効データを抽出するプロセスデータ解析部と、 From the process data for each process including the input value and the output value, the input value whose contribution to the output value from the process to be analyzed is higher than the predetermined contribution or the output value of another process is specified and specified. A process data analysis unit that extracts valid data that is valid data including input values or output values and is used for the machine learning.
を備えるデータ処理装置。 A data processing device. 前記出力予測モデルは、ニューラルネットワークで表現された出力予測モデルである
請求項１から請求項４のいずれかに記載のデータ処理装置。 The output prediction model is an output prediction model expressed by a neural network.
The data processing apparatus according to any one of claims 1 to 4. 請求項１から請求項５のいずれかに記載のデータ処理装置と、前記プロセスを制御する制御装置と、
を備える制御システム。 The data processing device according to any one of claims 1 to 5 , a control device for controlling the process, and the like.
Control system with. データ処理装置におけるデータ処理方法であって、
少なくとも１つの第１プロセスに対する入力値と前記第１プロセスからの出力値である実測出力値に対して機械学習を行って前記第１プロセスの出力予測モデルを生成する出力予測モデル生成過程と、
前記第１プロセスとは別個の第２プロセスに対する入力値と前記第２プロセスからの出力値である実測出力値に基づいて前記第２プロセスの伝達関数を計算するプロセス同定過程と、
前記出力予測モデルと前記第１プロセスに対する入力値に基づいて前記第１プロセスからの出力値の予測値である予測出力値を算出し、前記第２プロセスの伝達関数と前記第２プロセスに対する入力値に基づいて前記第２プロセスからの予測出力値を算出し、前記第１プロセスおよび前記第２プロセスそれぞれのプロセス毎の予測出力値と出力値の目標である目標値との偏差の大きさを示すコスト値を算出し、それらプロセス毎のコスト値に重み係数を乗じて得られる乗算値の総和として得られるコスト値を評価関数として、その評価関数が減少するように、前記プロセスを制御する制御装置のプロセス毎の制御パラメータを定める制御パラメータ情報生成過程と、
を有するデータ処理方法。 It is a data processing method in a data processing device.
An output prediction model generation process of generating an output prediction model of the first process performs machine learning for at least the a input value for one of the first process is the output value from the first process the measured output value,
A process identification process that calculates the transfer function of the second process based on the input value for the second process that is separate from the first process and the measured output value that is the output value from the second process.
Based on the input value for the output prediction model and the first process calculates the predicted value is predicted output value of the output value from the first process, the input value and the transfer function of the second process for the second process The predicted output value from the second process is calculated based on the above, and the magnitude of the deviation between the predicted output value for each process of the first process and the second process and the target value which is the target of the output value is shown. A control device that calculates the cost value and controls the process so that the evaluation function is reduced by using the cost value obtained as the sum of the multiplication values obtained by multiplying the cost value for each process by the weighting coefficient as the evaluation function. Control parameter information generation process that defines the control parameters for each process,
Data processing method. データ処理装置のコンピュータに、
少なくとも１つの第１プロセスに対する入力値と前記第１プロセスからの出力値である実測出力値に対して機械学習を行って前記第１プロセスの出力予測モデルを生成する出力予測モデル生成手順と、
前記第１プロセスとは別個の第２プロセスに対する入力値と前記第２プロセスからの出力値である実測出力値に基づいて前記第２プロセスの伝達関数を計算するプロセス同定手順と、
前記出力予測モデルと前記第１プロセスに対する入力値に基づいて前記第１プロセスからの出力値の予測値である予測出力値を算出し、前記第２プロセスの伝達関数と前記第２プロセスに対する入力値に基づいて前記第２プロセスからの予測出力値を算出し、前記第１プロセスおよび前記第２プロセスそれぞれのプロセス毎の予測出力値と出力値の目標である目標値との偏差の大きさを示すコスト値を算出し、それらプロセス毎のコスト値に重み係数を乗じて得られる乗算値の総和として得られるコスト値を評価関数として、その評価関数が減少するように、前記プロセスを制御する制御装置のプロセス毎の制御パラメータを定める制御パラメータ情報生成手順と、
を実行させるためのプログラム。 On the computer of the data processing device,
An output prediction model generating step of generating an output prediction model of the first process performs machine learning against the measured output value is an output value from the first process as input values for at least one of the first process,
A process identification procedure for calculating the transfer function of the second process based on the input value for the second process separate from the first process and the measured output value which is the output value from the second process.
The predicted output value, which is the predicted value of the output value from the first process, is calculated based on the output prediction model and the input value for the first process, and the transfer function of the second process and the input value for the second process are calculated. The predicted output value from the second process is calculated based on the above, and the magnitude of the deviation between the predicted output value for each process of the first process and the second process and the target value which is the target of the output value is shown. A control device that calculates the cost value and controls the process so that the evaluation function is reduced by using the cost value obtained as the sum of the multiplication values obtained by multiplying the cost value for each process by the weighting coefficient as the evaluation function. Control parameter information generation procedure that defines the control parameters for each process of
A program to execute. データ処理装置におけるデータ処理方法であって、 It is a data processing method in a data processing device.
少なくとも１つのプロセスに対する入力値と前記プロセスからの出力値である実測出力値に対して機械学習を行って前記プロセスの出力予測モデルを生成する出力予測モデル生成過程と、 An output prediction model generation process that generates an output prediction model of the process by performing machine learning on the input value for at least one process and the measured output value which is the output value from the process.
前記出力予測モデルと前記入力値に基づいて前記出力値の予測値である予測出力値を算出し、前記予測出力値と前記プロセスからの出力値の目標である目標値との差が減少するように前記プロセスを制御する制御装置の制御パラメータを定める制御パラメータ情報生成過程と、 The predicted output value, which is the predicted value of the output value, is calculated based on the output prediction model and the input value, so that the difference between the predicted output value and the target value of the output value from the process is reduced. The control parameter information generation process that defines the control parameters of the control device that controls the process, and
前記入力値と前記出力値を含むプロセス毎のプロセスデータから、解析対象のプロセスからの前記出力値に対する寄与度が所定の寄与度よりも高い入力値もしくは他のプロセスの出力値を特定し、特定した入力値もしくは出力値を含む有効データであって、前記機械学習に使用される有効データを抽出するプロセスデータ解析過程と、 From the process data for each process including the input value and the output value, the input value whose contribution to the output value from the process to be analyzed is higher than the predetermined contribution or the output value of another process is specified and specified. A process data analysis process for extracting valid data used for the machine learning, which is valid data including input values or output values.
を有するデータ処理方法。 Data processing method. データ処理装置のコンピュータに、 On the computer of the data processing device,
少なくとも１つのプロセスに対する入力値と前記プロセスからの出力値である実測出力値に対して機械学習を行って前記プロセスの出力予測モデルを生成する出力予測モデル生成手順と、 An output prediction model generation procedure for generating an output prediction model of the process by performing machine learning on the input value for at least one process and the actually measured output value which is the output value from the process.
前記出力予測モデルと前記入力値に基づいて前記出力値の予測値である予測出力値を算出し、前記予測出力値と前記プロセスからの出力値の目標である目標値との差が減少するように前記プロセスを制御する制御装置の制御パラメータを定める制御パラメータ情報生成手順と、 The predicted output value, which is the predicted value of the output value, is calculated based on the output prediction model and the input value, so that the difference between the predicted output value and the target value of the output value from the process is reduced. The control parameter information generation procedure that defines the control parameters of the control device that controls the process, and
前記入力値と前記出力値を含むプロセス毎のプロセスデータから、解析対象のプロセスからの前記出力値に対する寄与度が所定の寄与度よりも高い入力値もしくは他のプロセスの出力値を特定し、特定した入力値もしくは出力値を含む有効データであって、前記機械学習に使用される有効データを抽出するプロセスデータ解析手順と、 From the process data for each process including the input value and the output value, the input value whose contribution to the output value from the process to be analyzed is higher than the predetermined contribution or the output value of another process is specified and specified. A process data analysis procedure for extracting valid data used for the machine learning, which is valid data including input values or output values, and
を実行させるためのプログラム。 A program to execute.
JP2017140922A 2017-07-20 2017-07-20 Data processing equipment, control systems, data processing methods and programs Active JP6985833B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2017140922A JP6985833B2 (en) 2017-07-20 2017-07-20 Data processing equipment, control systems, data processing methods and programs

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017140922A JP6985833B2 (en) 2017-07-20 2017-07-20 Data processing equipment, control systems, data processing methods and programs

Publications (2)

Publication Number Publication Date
JP2019021186A JP2019021186A (en) 2019-02-07
JP6985833B2 true JP6985833B2 (en) 2021-12-22

Family

ID=65353685

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017140922A Active JP6985833B2 (en) 2017-07-20 2017-07-20 Data processing equipment, control systems, data processing methods and programs

Country Status (1)

Country Link
JP (1) JP6985833B2 (en)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7156982B2 (en) * 2019-03-11 2022-10-19 株式会社日立製作所 Real-time controllers and distributed control systems using them, industrial machines
EP3966641A1 (en) * 2019-05-09 2022-03-16 Aspen Technology, Inc. Combining machine learning with domain knowledge and first principles for modeling in the process industries
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
JP7339851B2 (en) * 2019-10-31 2023-09-06 株式会社日立製作所 Control device
KR102216713B1 (en) * 2020-07-16 2021-02-16 한전케이피에스 주식회사 Transfer function linearization to use Least Square Method and System for controller tuning based on pre-response
JP7084520B2 (en) * 2021-03-05 2022-06-14 エヌ・ティ・ティ・コミュニケーションズ株式会社 Simulation equipment, simulation method and simulation program
JP2022169825A (en) * 2021-04-28 2022-11-10 横河電機株式会社 Evaluation apparatus, evaluation method, evaluation program, control apparatus, and control program

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3121651B2 (en) * 1991-12-21 2001-01-09 株式会社東芝 Adaptive model predictive controller
GB2446343B (en) * 2005-12-05 2011-06-08 Fisher Rosemount Systems Inc Multi-objective predictive process optimization with concurrent process simulation
US20160147204A1 (en) * 2014-11-26 2016-05-26 General Electric Company Methods and systems for enhancing control of power plant generating units

Also Published As

Publication number Publication date
JP2019021186A (en) 2019-02-07

Similar Documents

Publication Publication Date Title
JP6985833B2 (en) Data processing equipment, control systems, data processing methods and programs
JP6928119B2 (en) Computer systems and methods for building and deploying predictive inference models online
JP7394805B2 (en) Computer system and method for dynamic construction and online deployment of behavior-centered first-principles process models for predictive analysis
US8560092B2 (en) Apparatus and method for model quality estimation and model adaptation in multivariable process control
JP2019527413A (en) Computer system and method for performing root cause analysis to build a predictive model of rare event occurrences in plant-wide operations
WO2019234810A1 (en) Learning device, inference device, method, and program
CN103439887B (en) PI attitude conirol method and system optimal lower order system ITAE
CN111433689B (en) Generation of control systems for target systems
US20130116802A1 (en) Tracking simulation method
JP2018528511A (en) Optimizing output efficiency in production systems
EP3904987A1 (en) Control support apparatus, control support method, control support program, computer readable medium with control support program recorded thereon and control system
JP4908433B2 (en) Control parameter adjustment method and control parameter adjustment program
JP6086875B2 (en) Power generation amount prediction device and power generation amount prediction method
CN113821903B (en) Temperature control method and equipment, modularized data center and storage medium
JP5125875B2 (en) PID controller tuning apparatus, PID controller tuning program, and PID controller tuning method
JPWO2019235603A1 (en) Relationship analyzers, relationship analysis methods and programs
JP6870330B2 (en) Data processing device and data processing method
JP5125754B2 (en) PID controller tuning apparatus, PID controller tuning program, and PID controller tuning method
JPWO2016203757A1 (en) Control apparatus, information processing apparatus using the same, control method, and computer program
JP3740382B2 (en) Process model parameter adjusting apparatus and method
JPWO2019235608A1 (en) Analyzer, analysis method and program
JPWO2019235611A1 (en) Analyzer, analysis method and program
Arranz et al. On the selection of control configurations for uncertain systems using gramian-based interaction measures
JP2020004041A (en) Power consumption estimating device
US10394255B2 (en) Diagnostic device and method for monitoring frictional behavior in a control loop

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20170817

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200619

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210803

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210916

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20211116

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20211126

R150 Certificate of patent or registration of utility model

Ref document number: 6985833

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S111 Request for change of ownership or part of ownership

Free format text: JAPANESE INTERMEDIATE CODE: R313117

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350