JP7148944B2

JP7148944B2 - 制御装置

Info

Publication number: JP7148944B2
Application number: JP2017123432A
Authority: JP
Inventors: 透山本; 拓矢木下
Original assignee: Hiroshima University NUC
Current assignee: Hiroshima University NUC
Priority date: 2017-06-23
Filing date: 2017-06-23
Publication date: 2022-10-06
Anticipated expiration: 2037-06-23
Also published as: JP2019008534A

Description

本発明は、制御装置に関する。

制御系の制御目標、操作量、制御量等からなるデータを予めデータベースに蓄積し、蓄積されたデータに基づいて制御器の特性を調整することで、制御特性を向上させるデータ駆動型制御装置が開発されている（例えば、非特許文献１）。

非特許文献１のデータ駆動型制御装置では、制御対象の出力を用いて制御器のパラメータを調整している。しかしながら、制御対象の出力は、常時計測することが困難な場合もある。このような場合、非特許文献１の制御装置を適用することは難しい。

一方、ソフトセンサによって制御対象の出力を予測し、予測された出力を用いて操作量を決定する制御装置が開発されている（例えば、特許文献１）。

特開平１１－３５１０４９号公報

高尾健司、他２名、「Memory-Based型PIDコントローラの設計」、計測自動制御学会論文集、2004年9月、第40巻、第9号、p.898－905

特許文献１の制御装置では、ニューラルネットワークを用いてソフトセンサを構成している。そのため、データ駆動型の制御器を使用する場合、制御器のパラメータとソフトセンサのパラメータとを別々に学習させる必要がある。

本発明は、上述の事情に鑑みてなされたものであり、学習が容易で、制御特性を向上させることができる制御装置を提供することを目的とする。

上記目的を達成するために、この発明に係る制御装置は、
操作量を入力して制御対象の制御量を推定するソフトセンサと、
前記ソフトセンサで推定された制御量を入力して前記操作量を出力する制御器と、
前記ソフトセンサの特性を調整するセンサパラメータと、前記制御器の特性を調整する制御器パラメータと、制御系の状態を表す状態量とを一群のデータセットとして記憶するデータベースと、を備え、
前記センサパラメータ及び前記制御器パラメータは、
前記データベースに記憶されている前記データセットの状態量と各制御ステップの状態量とから算出される近傍データセットに基づいて調整される。

また、前記データベースは、
各制御ステップで算出される近傍データセットに基づいて学習される、
こととしてもよい。

また、前記制御器は、ＰＩＤ制御器であり、
前記制御器パラメータは、ＰＩＤゲインである、
こととしてもよい。

また、前記近傍データセットは、
前記データベースに記憶されている前記データセットの状態量と前記各制御ステップの状態量との間のユークリッド距離に基づいて算出する、
こととしてもよい。

また、前記制御器は、
前記ソフトセンサで推定された制御量及び前記制御対象から直接測定された制御量に基づいて、前記操作量を決定する、
こととしてもよい。

本発明の制御装置によれば、共通のデータベースを用いて制御器及びソフトセンサを調整するので、データベースの構築及び制御器、ソフトセンサの学習を容易に行うことができるとともに、制御特性を向上させることができる。

実施の形態１に係る制御装置のブロック図である。実施の形態１に係る制御処理のフローチャートである。近傍データセットの算出方法の概念を示す図である。実施の形態２に係る制御装置のブロック図である。実施の形態２に係る制御処理のフローチャートである。（Ａ）は、実施の形態２に係る糖度のシミュレーション結果の例を示す図であり、（Ｂ）は、実施の形態２に係る温度のシミュレーション結果の例を示す図である。

以下、図を参照しつつ、本発明の実施の形態に係る制御装置について説明する。

（実施の形態１）
本実施の形態に係る制御装置１１は、図１に示すように、制御器２１、ソフトセンサ２２、データベース２３を備える。また、制御装置１１は、制御器２１及びソフトセンサ２２の調整パラメータを、データベース２３に蓄積されたデータを用いて逐次調整するデータ駆動型制御装置である。詳細には、制御装置１１は、制御器２１の調整パラメータであるＰＩＤ（Proportional-Integral-Differential）ゲイン（Ｋ_Ｐ，Ｋ_Ｉ，Ｋ_Ｄ）を逐次調整すると共に、ソフトセンサ２２の調整パラメータであるセンサパラメータθを逐次調整する。

制御器２１は、制御対象２５に操作量ｕを入力して制御する制御器である。本実施の形態に係る制御器２１は制御器として一般に広く用いられているＰＩＤ制御器である。

ソフトセンサ２２は、制御対象２５の出力である制御量ｙを、演算によって推定する推定モデルである。図１に示すように、本実施の形態に係るソフトセンサ２２には、制御器２１の出力である操作量ｕが入力される。そして、入力された操作量ｕと、予め設定された数学モデルとに基づいて、ソフトセンサ２２は、制御量ｙの推定値である推定制御量ｙ’を算出する。

データベース２３は、制御器２１の出力である操作量ｕ、制御対象２５の制御量ｙ、制御器２１の調整パラメータであるＰＩＤゲイン、ソフトセンサ２２のセンサパラメータθ、を含むデータセットｄｓ（ｎ）（ｎは１～Ｎの自然数）（図３参照）を記憶する。

データセットｄｓ（ｎ）は、以下の式で表される。
ｄｓ（ｎ）＝［φ（ｎ），Ｋ（ｎ），θ（ｎ）］
ただし、φ（ｎ）は制御系の状態を表す状態量としての情報ベクトル、Ｋ（ｎ）は制御器パラメータであるコントローラゲイン、θ（ｎ）はセンサパラメータである。時刻ｔの情報ベクトルφ（ｔ）、コントローラゲインＫ（ｔ）、センサパラメータθ（ｔ）は、それぞれ以下の式で表される。

φ（ｔ）＝［ｒ（ｔ），ｙ（ｔ），ｙ（ｔ－１），ｕ（ｔ－１），ｕ（ｔ－２）］

Ｋ（ｔ）＝［Ｋ_Ｐ（ｔ），Ｋ_Ｉ（ｔ），Ｋ_Ｄ（ｔ）］

θ（ｔ）＝［ａ_１（ｔ），ｂ_０（ｔ）］
ただし、ａ_１（ｔ）、ｂ_０（ｔ）は、ソフトセンサの数学モデルのパラメータである。

続いて、本実施の形態に係る制御装置１１による制御の流れについて説明する。

図２のフローチャートに示すように、準備として、初期操業データを取得する（ステップＳ１１）。初期操業データの取得では、具体的には、上記情報ベクトルφ（ｎ）を取得して、取得した情報ベクトルφ（ｎ）を含むデータセットｄｓ（ｎ）をデータベース２３に蓄積させる。初期操業データの取得では、コントローラゲインＫ（ｎ）及びセンサパラメータθ（ｎ）は、一定値に設定されている。この設定値は、例えば過去の実測データに基づいて設定される。

また、初期操業データの取得は、例えば、制御装置１１に目標入力ｒが入力されてから、出力である制御量ｙが収束するまでの期間で行われる。取得された初期操業データとしてのデータセットｄｓは、データベース２３に記憶される。

取得されたデータセットｄｓ（ｎ）のうち、コントローラゲインＫ（ｎ）を最適化するためオフライン学習を行う（ステップＳ１２）。オフライン学習は、例えばＦＲＩＴ（Fictitious Reference Iterative Tuning）を用いて行われる。これにより、初期操業データの取得による１回のデータ取得のみで、各データセットｄｓ（ｎ）のコントローラゲインＫ（ｎ）を設定することができる。

また、取得されたデータセットｄｓ（ｎ）のうち、ソフトセンサ２２のセンサパラメータθ（ｎ）を最適化するためオフライン学習を行う（ステップＳ１３）。オフライン学習は、例えば、データベース内のデータ（例えば、操作量ｕ、制御量ｙ）に逐次最小二乗法を適用して行われる。これにより、初期操業データの取得による１回のデータ取得のみからセンサパラメータθ（ｎ）を設定することができる。

コントローラゲインＫ（ｎ）及びセンサパラメータθ（ｎ）のオフライン学習が完了した後、実際の制御を開始する。制御では、まず情報ベクトルφ（ｔ）の各要素に相当するデータを取得する（ステップＳ１４）。

制御装置１１は、取得した情報ベクトルφ（ｔ）と、データベース２３に記憶されている各データセットｄｓ（ｎ）の情報ベクトルφ（ｎ）との間の距離を算出する。これにより、データベース２３中のデータセットｄｓ（ｎ）から、取得した情報ベクトルφ（ｔ）に近い状態の情報ベクトルφを有する近傍データセットｄｓ_ｎを算出する（ステップＳ１５）。

より具体的には、制御装置１１は、取得した情報ベクトルφ（ｔ）と各データセットｄｓ（ｎ）に含まれる情報ベクトルφ（ｎ）との距離ｄ（ｎ）を、次式に示すユークリッド距離として算出する。

そして、データベース２３中に、距離ｄ（ｎ）＝０となる情報ベクトルφ（ｎ）が存在する場合、その情報ベクトルφ（ｎ）を含むデータセットｄｓ（ｎ）を近傍データセットｄｓ_ｎとして選択する。距離ｄ（ｎ）＝０となる情報ベクトルφ（ｎ）が存在しない場合、距離が小さい順に複数の情報ベクトルφ（ｎ）を選択する。そして、選択された情報ベクトルφ（ｎ）を含むデータセットｄｓ（ｎ）に重み付けを行って、１つの近傍データセットｄｓ_ｎを算出する。重み付けは、例えば、図３に示すように、３つの選択された情報ベクトルφ（ｉ）（ｉ＝１～３）と取得された情報ベクトルφ（ｔ）との距離ｄ（ｉ）に基づいて、次式に示すように重みω（１）～ω（３）を決定する。

そして、次式に示すように、重みω（１）～ω（３）を、情報ベクトルφ（ｉ）を含むデータセットｄｓ（ｉ）に掛けて、足し合わせることにより、近傍データセットｄｓ_ｎを算出する。
ｄｓ_ｎ＝ω（１）ｄｓ（１）＋ω（２）ｄｓ（２）＋ω（３）ｄｓ（３）

ステップＳ１５で算出された近傍データセットｄｓ_ｎ中の、コントローラゲインＫ（ｔ）を制御器２１のＰＩＤゲインとして適用する（ステップＳ１６）。そして、ＰＩＤゲイン調整後の制御器２１は、目標入力ｒ（ｔ）から操作量ｕ（ｔ）を算出する（ステップＳ１７）。

続いて、ステップＳ１５で算出された近傍データセットｄｓ_ｎに基づいて、ソフトセンサ２２を調整する（ステップＳ１８）。具体的には、ステップＳ１５で算出した近接データセットｄｓ_ｎに含まれるセンサパラメータθ（ｔ）を適用してソフトセンサ２２を更新する。そして、更新されたソフトセンサ２２と、ステップＳ１７で導出された操作量ｕとに基づいて、推定制御量ｙ’（ｔ＋１）を算出する（ステップＳ１９）。これにより、制御対象２５の出力としての制御量ｙ（ｔ＋１）を予測する。

制御時間が終了しておらず、外部からの終了指示もない場合（ステップＳ２０；ＮＯ）、制御装置１１は、算出した推定制御量ｙ’（ｔ＋１）を制御器２１にフィードバックして（ステップＳ２１）、次ステップ（ｔ＝ｔ＋１）の制御を実行する。次ステップ（ｔ＝ｔ＋１）のステップＳ１７では、制御器２１は、目標入力ｒ（ｔ＋１）とフィードバックされたｙ’（ｔ＋１）との差ｅ（ｔ＋１）に基づいて、操作量ｕ（ｔ＋１）を算出する。

制御期間が終了するか、外部からの終了指示があった場合（ステップＳ２０；ＹＥＳ）、制御装置１１は、制御処理を終了する。

以上説明したように、本実施の形態に係る制御装置１１は、共通のデータベース２３に記憶されているデータセットｄｓ（ｎ）を用いて、制御器２１とソフトセンサ２２とを調整している。これにより、制御装置１１の構成を簡素化しながら、制御特性を向上させることができる。また、パラメータ調整に用いるデータセットｄｓ（ｎ）の学習を、制御器２１用のパラメータの学習と、ソフトセンサ２２用のパラメータの学習とに分けて行う必要が無いので、各パラメータの学習とデータベース２３の構築を容易に行うことができる。

本実施の形態では、データベース２３を構築する際、オフライン学習を行うこととしたが、これに限られない。例えば、オフライン学習とオンライン学習とを組み合わせて用いることもできる。具体的には、制御開始前の初期操業データに基づくデータベース２３の構築には、オフライン学習を用い、各制御ステップで、オンライン学習を行うこととしてもよい。これにより、外乱、制御対象２５の経時変化等による影響を小さくすることができる。

また、本実施の形態では、データベース２３のデータセットｄｓ（ｎ）から、ソフトセンサ２２の調整パラメータであるセンサパラメータθを算出し、制御対象２５の推定制御量ｙ’を算出することとしたが、これに限られない。例えば、センサパラメータθではなく推定制御量ｙ’を含むデータセットｄｓを作成してもよい。これにより、ソフトセンサ２２の演算処理を省略することができるので、より高速に動作し、簡素な構成の制御装置１１を構成することができる。

また、本実施の形態では、ソフトセンサ２２の推定制御量ｙ’のみを制御器２１にフィードバックすることとしたが、これに限られない。図１に白抜き矢印で示すように、制御対象２５の出力を直接計測して、適宜制御器２１にフィードバックすることとしてもよい。これにより、通常はソフトセンサ２２を用いてフィードバックすることにより、計測を省略できるとともに、直接計測した出力のフィードバックを取り入れるので、出力を正確に目標入力に近づけることができる。

（実施の形態２）
続いて、実施の形態２に係る制御装置１２について説明する。本実施の形態では、図４に示すように、第１の制御器３１、第２の制御器３２の２つの制御器を備え、第２の制御器３２の出力に基づく操作量ｕをソフトセンサ２２及び制御対象２５に入力させる点で上記実施の形態１と異なる。その他の構成は上記実施の形態１と同様であるので同じ符号を付す。

以下、ビニールハウス内で育てられるにんじんの糖度を制御する制御装置を例として説明する。本実施の形態では、にんじんの糖度に影響を与えるビニールハウス内の温度を、制御対象２５であるにんじんへの制御入力としている。

図４に示すように、第１の制御器３１は、目標入力ｒ、制御対象２５の出力であるにんじんの糖度を表す制御量ｙ、ソフトセンサ２２で推定された制御量ｙの推定制御量ｙ’に基づいて、ビニールハウス内の目標温度ｗを出力する。第１の制御器３１は、実施の形態１と同様にＰＩＤ制御器である。

第２の制御器３２は、第１の制御器３１の出力である目標温度ｗと計測されたビニールハウス内の温度との差分εを入力し、ビニールハウスの窓を開閉するモータ５０の入力電圧ｖを出力する。本実施の形態では、第２の制御器３２は、調整済みとする。

モータ５０は、入力電圧ｖにしたがって窓を開閉する。これにより、ビニールハウス内の温度が調節される。

本実施の形態では、制御対象の出力は、にんじんの糖度とする。この糖度は、ビニールハウス内の全てのにんじんについて計測することは困難である。また、常時計測することも困難である。そのため、本実施の形態では、一定のステップごと、例えば６つの制御ステップごとに糖度を計測する。

本実施の形態に係るデータベース２３に記憶されるデータセットｄｓに含まれる情報ベクトルφは次式で表され、にんじんの糖度である目標入力ｒ、ビニールハウス内の目標温度ｗ、モータ５０の入力電圧ｖ、制御対象となるにんじんの周囲温度である操作量ｕを含む。

φ（ｔ）＝［ｒ（ｔ），ｙ’（ｔ），ｙ’（ｔ－１），ｕ（ｔ－１），ｕ（ｔ－２），ｖ（ｔ－１），ｖ（ｔ－２），ｗ（ｔ－１），ｗ（ｔ－１）］

ここで、ソフトセンサ２２の推定制御量ｙ’（ｔ）は、センサパラメータθ（ｔ）＝［ａ_１（ｔ），ｂ_０（ｔ）］を用いて、次式で表される。

また、目標温度ｗ（ｔ）は、次式で表される。

また、入力電圧ｖ（ｔ）は、次式で表される。

なお、Δ（：＝１－Ｚ^－１）は、差分演算子である。

データセットｄｓ（ｎ）は、実施の形態１と同様に次式で表される。
ｄｓ（ｎ）＝［φ（ｎ），Ｋ（ｎ），θ（ｎ）］

続いて、本実施の形態に係る制御装置１２による制御の流れについて説明する。

図５のフローチャートに示すように、準備として、初期操業データを取得する（ステップＳ３１）。初期操業データの取得は、実施の形態１と同様に行われる。初期操業データの取得では、コントローラゲインＫ及びセンサパラメータθは、一定値に設定されている。この設定値は、例えば過去の実測データに基づいて設定される。

また、本実施の形態に係る初期操業データは、例えば、発芽から収穫までの期間で取得される。取得された初期操業データは、データベース２３に記憶される。

取得された初期操業データのデータセットｄｓ（ｎ）に含まれるコントローラゲインＫ（ｎ）及びセンサパラメータθ（ｎ）を最適化するためオフライン学習を行う（ステップＳ３２）。オフライン学習は、実施の形態１と同様に、例えばＦＲＩＴを用いて行われる。

コントローラゲインＫ（ｎ）及びセンサパラメータθ（ｎ）のオフライン学習が完了した後、実際の制御を開始する。制御では、まず情報ベクトルφ（ｔ）の各要素に相当するデータを取得する（ステップＳ３３）。

制御装置１２は、取得した情報ベクトルφ（ｔ）と、データベース２３に記憶されている各データセットｄｓ（ｎ）の情報ベクトルφ（ｎ）との間の距離を算出する。これにより、データベース２３中のデータセットｄｓ（ｎ）から、取得した情報ベクトルφ（ｔ）に近い状態の情報ベクトルφを有する近傍データセットｄｓ_ｎを算出する（ステップＳ３４）。

近傍データセットｄｓ_ｎは、実施の形態１と同様に情報ベクトルφ間のユークリッド距離を距離ｄ（ｎ）として算出される。

ステップＳ３４で算出された近傍データセットｄｓ_ｎ中の、コントローラゲインＫを第１の制御器３１のＰＩＤゲインとして適用する（ステップＳ３５）。そして、ＰＩＤゲイン調整後の第１の制御器３１は、目標入力ｒ（ｔ）に基づいて目標温度ｗ（ｔ）を算出して出力する（ステップＳ３６）。

第２の制御器３２は、目標温度ｗ（ｔ）に基づいて、モータ５０の入力電圧ｖ（ｔ）を出力する（ステップＳ３７）。

続いて、ステップＳ３４で算出された近傍データセットｄｓ_ｎに基づいて、ソフトセンサ２２を調整する（ステップＳ３８）。具体的には、ステップＳ３４で算出された近傍データセットｄｓ_ｎに含まれるセンサパラメータθを適用して、ソフトセンサ２２を更新する。そして、更新されたソフトセンサ２２と、にんじんの周囲温度である操作量ｕとに基づいて、推定制御量ｙ’（ｔ＋１）を算出する（ステップＳ３９）。これにより、制御対象２５の出力としてのにんじんの糖度を予測する。

にんじんの収穫が完了していなければ（ステップＳ４０；ＮＯ）、制御装置１２は、算出した推定制御量ｙ’（ｔ＋１）を第１の制御器３１にフィードバックして（ステップＳ４１）、次ステップ（ｔ＝ｔ＋１）の制御を実行する。次ステップ（ｔ＝ｔ＋１）のステップＳ３６では、第１の制御器３１は、目標入力ｒ（ｔ＋１）とフィードバックされたｙ’（ｔ＋１）との差ｅ（ｔ＋１）に基づいて、目標温度ｗ（ｔ＋１）を算出する。上記ステップＳ３３～Ｓ４１を、にんじんの収穫まで繰り返し実行して、制御対象の品質としての糖度を制御する。

また、６つの制御ステップごとに、推定制御量ｙ’（ｔ）に代わって、糖度の実測値である制御量ｙ（ｔ）を第１の制御器３１にフィードバックする。これにより、より正確な制御を行うことができる。

にんじんの収穫が完了した時点で制御を終了（ステップＳ４０；ＹＥＳ）する。

図６（Ａ）、（Ｂ）は、本実施の形態に係る制御装置１２を用いた場合と、ソフトセンサを用いず６ステップごとの糖度（制御量ｙ（ｔ））の実測値をフィードバックした場合のシミュレーション結果の例である。図６（Ａ）、（Ｂ）に示すように、ソフトセンサを用いることで、操作量ｕを表す温度が細かく制御され、制御量ｙを表す糖度が目標値によく追従している。

以上説明したように、本実施の形態に係る制御装置１２は、共通のデータベース２３に記憶されているデータセットｄｓを用いて、第１の制御器３１とソフトセンサ２２とを調整している。これにより、制御装置１２の構成を簡素化しながら、制御特性を向上させることができる。また、パラメータ調整に用いる情報ベクトルφの学習を、第１の制御器３１用のパラメータの学習と、ソフトセンサ２２用のパラメータの学習とに分けて行う必要が無いので、各パラメータの学習とデータベース２３の構築を容易に行うことができる。

本実施の形態では、制御対象をにんじんとしたが、これに限られない。例えば、にんじん以外の農作物であってもよい。また、食品加工工程における製品の大きさ、重さの制御、化学プロセスにおける製品組成の制御等にも応用可能である。すなわち、操作量ｕ、制御量ｙ等の情報ベクトルφを含むデータセットｄｓ（ｎ）を用いて制御器、ソフトセンサを調整可能なデータ駆動型制御装置を構成し得る制御系であれば、常時制御量ｙを計測することが困難な場合であっても適用可能である。

本発明は上述した各実施の形態に限定されるものではなく、本発明の範囲は、特許請求の範囲によって示される。そして、特許請求の範囲内及びそれと同等の発明の意義の範囲内で施される種々の変更によって得られる実施の形態も、本発明の技術的範囲に含まれる。

本発明は、制御対象の出力である制御量を常時計測することが困難な制御系の制御装置に好適である。また、本発明は、食品加工、化学プロセスの製品品質制御を行う制御装置に応用可能である。

１１，１２制御装置、２１制御器、２２ソフトセンサ、２３データベース、２５制御対象、３１第１の制御器、３２第２の制御器、５０モータ

Claims

操作量を入力して制御対象の制御量を推定するソフトセンサと、
前記ソフトセンサで推定された制御量を入力して前記操作量を出力する制御器と、
前記ソフトセンサの特性を調整するセンサパラメータと、前記制御器の特性を調整する制御器パラメータと、制御系の状態を表す状態量とを一群のデータセットとして記憶するデータベースと、を備え、
前記センサパラメータ及び前記制御器パラメータは、
前記データベースに記憶されている前記データセットの状態量と各制御ステップの状態量とから算出される近傍データセットに基づいて調整され、
前記データベースは、
各制御ステップで算出される近傍データセットに基づいて学習される、
制御装置。
前記制御器は、ＰＩＤ制御器であり、
前記制御器パラメータは、ＰＩＤゲインである、
請求項１に記載の制御装置。
前記近傍データセットは、
前記データベースに記憶されている前記データセットの状態量と前記各制御ステップの
状態量との間のユークリッド距離に基づいて算出する、
請求項１又は２に記載の制御装置。
前記制御器は、
前記ソフトセンサで推定された制御量及び前記制御対象から直接測定された制御量に基
づいて、前記操作量を決定する、
請求項１乃至３のいずれか一項に記載の制御装置。