JP7495874B2 - プラント制御システム、プラント制御方法及びプログラム - Google Patents
プラント制御システム、プラント制御方法及びプログラム Download PDFInfo
- Publication number
- JP7495874B2 JP7495874B2 JP2020208192A JP2020208192A JP7495874B2 JP 7495874 B2 JP7495874 B2 JP 7495874B2 JP 2020208192 A JP2020208192 A JP 2020208192A JP 2020208192 A JP2020208192 A JP 2020208192A JP 7495874 B2 JP7495874 B2 JP 7495874B2
- Authority
- JP
- Japan
- Prior art keywords
- control
- pass
- learning
- data
- unit
- 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
Links
- 238000000034 method Methods 0.000 title claims description 132
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 title 1
- 238000013528 artificial neural network Methods 0.000 claims description 188
- 238000011156 evaluation Methods 0.000 claims description 52
- 238000004364 calculation method Methods 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 30
- 230000001629 suppression Effects 0.000 claims description 24
- 238000012795 verification Methods 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 5
- 230000006866 deterioration Effects 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 description 58
- 230000008859 change Effects 0.000 description 45
- 238000012545 processing Methods 0.000 description 36
- 230000001537 neural effect Effects 0.000 description 30
- 238000010586 diagram Methods 0.000 description 27
- 230000006870 function Effects 0.000 description 18
- 238000012937 correction Methods 0.000 description 11
- 239000002436 steel type Substances 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 9
- 239000000463 material Substances 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000003909 pattern recognition Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 102220037952 rs79161998 Human genes 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000005097 cold rolling Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/0285—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
- B21B37/28—Control of flatness or profile during rolling of strip, sheets or plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Fuzzy Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
センヂミア圧延機の形状制御では、ニューロ・ファジィ制御が用いられる。図25に示すように、センヂミア圧延機50は、パターン認識部51で、形状検出器52にて検出した実形状より形状のパターン認識が行われ、実形状が予め設定された基準形状パターンのどれに最も近いかが演算される。形状検出器52で検出した実形状のデータは、形状検出前処理部54でパターン認識用の前処理が行われる。
ここでは、図26に示すように、パターン認識部51は、形状検出器52にて検出した実績の形状パターン(ε)と、目標形状(εref)との差分(Δε)が、パターン1からパターン8の形状のどれに最も近いかを演算する。そして、制御演算部53は、演算結果に基づいて、パターン1からパターン8の制御方法のいずれかを選択し実行する。
本願は、上記課題を解決する手段を複数含んでいるが、その一例を挙げるならば、プラント制御システムは、制御対象プラントに対して、制御対象プラントの実績データの組合せのパターンを認識して、制御を実行するものに適用される。
そして、プラント制御システムは、制御対象プラントの実績データと制御操作の組合せを学習する制御方法学習ユニットと、制御方法学習部が学習した実績データと制御操作の組合せに応じて制御対象プラントの制御を実行する制御実行ユニットと、制御対象プラントの実績データと制御操作の組合せと制御結果良否の組み合わせを学習する良否判定ルール学習ユニットとを備える。
ここで、制御実行ユニットは、
制御対象プラントの実績データと制御操作の定められた組合せに従って制御出力を与える制御ルール実行部と、
制御対象プラントの実績データと制御操作と制御結果良否の定められた組み合わせに従って制御出力の良否判定を行う制御出力良否判定ルール実行部と、
制御出力良否判定ルール実行部での良否判定を元に新規操作探索用操作量を演算する新規探索操作量演算部と、
制御出力良否判定ルール実行部での良否判定と制御シミュレータを用いたシミュレーションデータとを使って、制御出力を制御対象プラントに出力した場合に制御対象プラントの実績データが悪化すると判断した場合に、制御出力を制御対象プラントに出力することを阻止する制御出力抑制部とを備える。
また、良否判定ルール学習ユニットは、
制御実行部が制御出力を制御対象プラントに出力した場合に、制御効果が実績データに表れるまでの時間遅れ後に、制御結果の良否を判定する制御結果良否判定部と、
制御結果良否判定部における制御結果の良否と実績データと制御出力を学習データとして学習する良否判定ルール学習部とを備える。
さらに、制御方法学習ユニットは、
制御出力良否判定ルール実行部での制御出力の良否判定と、制御出力を用いて教師データを得る学習データ作成部と、
実績データと教師データを学習データとして学習する制御ルール学習部とを備える。
また、本発明によると、制御ルールの性能を予め評価することにより、新たな制御ルールの適用によるプラントへのリスク低減と、最適な制御ルールの選択による制御性能が向上するという効果がある。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
・要件(1):制御ルールを改善させるには、制御結果の良い制御操作を学習できていない場合には、制御操作を大きく変更して、制御結果が良かった場合に新たな制御操作方法として取り入れるようにし、制御結果の良い制御操作を学習できている場合には、制御操作を変更しないか小さな変更に留めて、それに対する制御結果が良かった場合に新たな制御操作方法として取り入れるようにする。
・要件(2):形状パターンと制御操作と制御結果の良否の組み合わせを、実機データを元に学習することにより、機械モデルを用いたシミュレータよりも、精度よく制御結果の良否が推定可能なモデルを構築し、定期的な自動学習によって常に最新のプラント状態に適合したモデルを構築する。
・要件(3):制御結果の良否判定を推定するモデルを用いて、従来技術で簡易の機械モデルでのみ行っていたプラントへの制御出力抑制機能の信頼性を高める。
・要件(4):従来技術で一回の制御結果の良否判定で行っていた制御ルール学習データの生成機能において、制御結果の良否判定を推定するモデルを用いることにより、プラントデータに含まれるノイズの影響を抑え、効果の小さな微調整も学習データの対象とすることを可能にし、同時に、制御効果の誤判定を防止することによって、学習データの変動を抑え、制御性能を安定させる。
図1のプラント制御システムは、制御実行ユニット20、制御方法学習ユニット21、良否判定ルール学習ユニット22、複数のデータベースDB(DB1~DB8)、及び各データベースDBの管理テーブルTBを備える。
ここで、制御ルールとは、図26で説明したように、例えば検出した実績の形状パターンA(ε)と目標形状(εref)との差分a(Δε)が、用意された複数のパターンの形状のどれに最も近いかを演算するルールである。制御実行ユニット20は、この制御ルールによる演算結果に基づいて、いずれかのパターンの制御方法を選択して実行する。
良否判定ルール学習ユニット22は、制御対象プラント1の制御前後の実績データSiなどを入力して学習を行い、学習した良否判定ルールを制御実行ユニット20における良否判定ルールに反映させる。
制御ルール実行部10は、制御対象の実績データSiと制御操作端操作指令S2の関係を表現するニューラルネット(制御ルール)を用いて、制御対象の実績データSiから制御操作端操作指令S2を作成する制御ルール実行処理を行う。制御出力演算部3は、制御操作端操作指令S2をもとに、制御操作端への制御操作量S3を演算する。これにより、制御実行ユニット20は、制御対象プラント1の実績データSiに応じて、ニューラルネットを用いて制御操作量S3を作成する。
制御出力操作方法選択部18は、制御操作量S3又は新規探索制御操作量S12を元に選択制御操作量S8と制御方法選択フラグS14を作成する。
制御ルールデータベースDB1は、制御実行ユニット20内の制御ルール実行部10と、後述する制御方法学習ユニット21内の制御ルール学習部802の双方にアクセス可能に接続されている。
学習データデータベースDB2には、制御ルール学習部802で得られた学習データが格納される。
出力判定データベースDB3は、制御実行ユニット20内の制御出力判定部5にアクセス可能に接続され、出力判定データベースDB3には出力判定結果が格納される。
良否判定ルールデータベースDB5には、良否判定ルール学習部31における学習結果としての良否判定ルール(ニューラルネット)が格納される。この良否判定ルールデータベースDB5は、制御実行ユニット20内の制御出力良否判定ルール実行部17、後述する良否判定ルール学習ユニット22内の良否判定ルール学習部31の双方にアクセス可能に接続されている。制御出力良否判定ルール実行部17は、良否判定ルールデータベースDB5に格納された良否判定ルールを参照する。
学習データデータベースDB6には、制御方法学習ユニット21で学習された学習データが格納される。
検証データデータベースDB7には、良否判定をするのに必要な検証データが格納される。
制御ルール実行部10には、制御入力データ作成部2で作成された入力データS1が入力される。制御ルール実行部10は、入力データS1を処理して制御出力演算部3に制御操作端操作指令S2を与える。制御ルール実行部10は、ニューラルネット101を備えており、ニューラルネット101は、図26に示すような形状制御ルールに則した制御操作端操作指令S2を出力する。
なお、ニューラルネットを実行すると制御ルールになることから、本明細書では、ニューラルネットと制御ルールは同義の意味で使用する。
制御出力良否判定ルール実行部17には、制御入力データ作成部2で作成され入力データS1及び制御出力演算部3で作成された制御操作量S3が入力される。制御出力良否判定ルール実行部17は、これらの入力データに基づいて制御出力良否判定推定値S9を生成し新規探索操作量演算部33に与える。
ニューラルネット171は、入力データS1(形状パターン)に対して、制御操作量S3(制御パターン)を出力した場合の制御結果の良否判定値を過去の制御実績を元に推定する。
ニューラルネット選択部172は、良否判定ルールデータベースDB5に格納された良否判定ルールを参照することで、ニューラルネット171における良否判定ルールとして、最適な良否判定ルールを選択する。
良否判定ルールデータベースDB5には、制御対象プラント1からのデータとして、制御対象となる材料性質及び良否判定基準を選択できるような実績データ(操業班のデータ等)Siを含むのがよい。なお、ニューラルネットを実行すると良否判定ルールになることから、本明細書においてはニューラルネットと良否判定ルールは、同義の意味で使用する。
制御方法学習ユニット21は、学習データ作成部801及び制御ルール学習部802を備える。
教師データS7aは、制御ルール実行部10が出力する制御操作端操作指令S2に対応するものである。
制御ルール学習部802は、入力データ作成部114、教師データ作成部115、ニューラルネット処理部110、及びニューラルネット選択部113を備える。
制御ルール学習部802には、外部からの入力として制御入力データ作成部2からの入力データS1と、学習データ作成部801からの新規の教師データS7aが入力されている。また、制御ルール学習部802は、制御ルールデータベースDB1及び学習データデータベースDB2に蓄積されたデータを参照する。
ニューラルネット111は、入力データ作成部114からの入力データS8c、教師データ作成部115からの教師データS7c、ニューラルネット選択部113が選択した制御ルール(ニューラルネット)を取り込み、最終的に決定したニューラルネットを制御ルールデータベースDB1に格納する。
すなわち、制御ルール実行部10におけるニューラルネット101は、予め定められた内容のニューラルネットであり、入力データS1を与えたときに対応する出力としての制御操作端操作指令S2を求めるニューラルネットである。
まず、制御操作量出力可否データS4の内容が「可」の場合、制御実行ユニット20が、制御対象プラント1に制御操作量出力SOを出力する。ここで、制御結果良否判定推定値S11の内容が「良」(実績データSiが良くなる方向に変化)の場合、学習データ作成部801は、制御出力操作方法選択部18が出力した選択制御操作量S8が正しいと判断し、ニューラルネットの出力が選択制御操作量S8となるように学習データを作成する。
まず、制御ルール学習部802は、制御実行ユニット20への入力データS1から求めたデータS8cと、教師データ作成部115にて作成した教師データS7cの組合せである学習データを用いて、制御ルール実行部10にて用いたニューラルネット101の学習を実行する。
良否判定ルール学習部31は、入力データ作成部314、教師データ作成部315、ニューラルネット処理部310、ニューラルネット選択部313を備える。
良否判定ルール学習部31は、外部からの入力として、制御入力データ作成部2からの入力データS1を時間遅れさせたデータS12a1と、制御出力抑制部4からの制御出力量S0を時間遅れさせたデータS12a2を得る。また、良否判定ルール学習部31は、制御結果良否判定部6からの制御結果良否データS6(S13a)を得る。
さらに、良否判定ルール学習部31は、良否判定ルールデータベースDB5及び学習データデータベースDB6に蓄積されたデータを参照する。
ニューラルネット311は、入力データ作成部314からの入力データS12c、教師データ作成部315からの教師データS13c、及びニューラルネット選択部313が選択した制御ルール(ニューラルネット)を取り込む。そして、ニューラルネット311は、最終的に決定したニューラルネットを、良否判定ルールデータベースDB5に格納する。
制御実行ユニット20におけるニューラルネット171は、予め定められた内容のニューラルネットである。すなわち、ニューラルネット171は、入力データS1と選択制御操作量S8又は制御操作量S3を与えたときに対応する出力としての制御出力良否判定推定値S9又はS11を求めるものであり、いわば一方方向の処理に利用されるニューラルネットである。
この仕様A1,A2という2つの優先順位に従った制御を実行する。つまり、プラント制御システムが制御を実行する場合は、優先度についての仕様A1又はA2のいずれかを考慮する。
例えば、形状検出器が20ゾーンで、形状偏差段階202を3段階(大、中、小)とした場合、入力層は23個の入力となる。また、AS-Uのサドルが7本、上下第1中間ロールが板幅方向でシフト可能とすると、出力層はAS-U操作度合301が14個、1中間操作度合が4個の計18個となる。中間層の層数及び各層のニューロン数については、適時設定する。
なお、出力層であるセンヂミア圧延機の形状制御操作端は、個々の制御操作端に対して+方向、-方向の2種類の出力が出るようにニューラルネット出力を構成している。
図8(a)は、形状偏差が大きい場合の制御方法を示し、図8(b)は、形状偏差が小さい場合の制御方法を示す。図8(a),(b)の高さ方向(縦軸方向)は形状偏差の大きさ、横軸方向は板幅方向であり、板幅の両側が板端部、中央が板中央部を示す。
一方、図8(b)に示すように、形状偏差が小さい場合は、局部的な形状偏差を小さくすることを優先する。
すなわち、図2の構成例では、制御ルール実行部10において使用するニューラルネット101を、圧延実績や、圧延機オペレータ名、被圧延材の鋼種、板幅等により別個のニューラルネットを準備し、制御ルールデータベースDB1に登録しておく。ニューラルネット選択部102は、その時点の条件に合致するニューラルネットを選択し、制御ルール実行部10のニューラルネット101に設定する。
制御入力データ作成部2は、実績データSiとして、制御対象プラント1であるセンヂミア圧延機における圧延時の板形状を検出する、形状検出器の形状検出器データを入力とする。そして、制御入力データ作成部2は、形状偏差PP値演算部210にて各形状検出器ゾーンの検出結果の最大値と最小値の差である形状偏差PP値(Peak To Peak値)SPPを求める。
制御出力演算部3は、制御ルール実行部10内の、ニューラルネット101からの出力である制御操作端操作指令S2より、各形状制御操作端への操作指令である制御操作量S3を作成する。制御操作端操作指令S2は、センヂミア圧延機の形状制御の場合には、AS-U操作度合301、第1中間操作度合302に相当する。
図10では、複数個数が存在するAS-U操作度合301、第1中間操作度合302について、各1つのデータ例を示しており、各データは開方向度合と閉方向度合の一対のデータで構成されている。
新規探索操作量演算部33は、制御出力良否判定ルール実行部17で出力した制御出力良否判定推定値S9を用いて、以下のような方針で新規探索制御操作量S12を演算する。
すなわち、制御出力良否判定推定値S9の値が大きいときは、制御操作の良否判定が良く推定されているので、新規探索操作量演算部33は、新規探索操作量としての微調整を行う。
制御出力良否判定推定値S9の値が小さい時は、制御操作の良否判定が悪く推定されているので、新規探索操作量演算部33は、制御操作を大きく変更することで新たな適切な操作方法の探索を行う。
IF(S9>th)THEN Crand=Cref*(1+β*th1)
IF(th>=S9)THEN Crand=Cref+γ*th2*G
ここで、β及びγは-1~1の間で発生させるランダム値を示す。th1は微調整を行う度合いを示しており、例えば、元々の指令の±10%の範囲を微調整とする場合には、th1を0.1に設定する。
β及びγの値は、各操作機器で異なる値が使用され、各機器の操作量はそれぞれ独立に変更が行われる。Gは各制御操作機器の最大操作位置制御指令を示しており、上述した指令%に掛け合わせることで、%の値を操作位置制御指令に変換される。
IF(δ>Prand)THEN C”ref=Cref、α=1
ELSE C”ref=Crand、α=0
制御出力判定部5は、圧延現象モデル501と形状修正良否判定部502から構成される。そして、制御出力判定部5は、制御対象プラント1よりの実績データSi、制御出力演算部3からの制御操作量S3、及び出力判定データベースDB3の情報を得て、制御操作端への制御操作量出力可否データS4を与える。
他方、制御出力判定部5は、制御対象プラント1からの形状検出器データSiに、形状偏差修正量予測データ503を加算することで形状偏差予測データ505を得、形状偏差予測データ505を評価する。これにより、制御出力判定部5は、制御操作量S3を制御対象プラント1に出力したときに、形状がどのように変化するかが予測できる。ここでの形状検出器データSiは、現時点での形状偏差実績データ504である。
制御出力判定部5は、現状の形状偏差実績データ504と形状偏差予測データ505とにより、形状修正良否判定部502は、形状が良くなる方向に変化するのか、悪くなる方向に変化するのかを判定し、制御操作量出力可否データS4を得る。
IF(制御操作量出力可否データS4=0 OR 制御結果良否判定推定値S11<=thprot)THEN
#1~#nAS-U位置変更量出力=0
上第1中間シフト位置変更量出力=0
下第1中間シフト位置変更量出力=0
ELSE
#1~#nAS-U位置変更量出力=#1~#nAS-U位置変更量
上第1中間シフト位置変更量出力=上第1中間シフト位置変更量
下第1中間シフト位置変更量出力=下第1中間シフト位置変更量
ENDIF
ELSE
IF((制御操作量出力可否データS4=0 OR 制御結果良否判定推定値S11<=thprot)AND(PTRIAL<η))THEN
#1~#nAS-U位置変更量出力=0
上第1中間シフト位置変更量出力=0
下第1中間シフト位置変更量出力=0
ELSE
#1~#nAS-U位置変更量出力=#1~#nAS-U位置変更量
上第1中間シフト位置変更量出力=上第1中間シフト位置変更量
下第1中間シフト位置変更量出力=下第1中間シフト位置変更量
ENDIF
ENDIF
一方、操業の実績データを十分に蓄積し、良否判定の精度が高くなってからは、基準値を高くして、制御結果の良否判定推定による出力抑制の効果を高めていく。良否判定の精度については、良否判定ルール学習ユニットにおける良否判定ルール精度検証部34から良否判定ルール精度S15を受け取ることで、現状使用している良否判定ルールの推定精度の検証結果を元に判断する。
図1に示したように、学習データ作成部801は、制御出力良否判定ルール実行部17からの制御結果良否判定推定値S11を基にして、制御操作端操作指令S2、選択制御操作量S8、制御方法選択フラグS14、制御出力抑制部の判定結果(制御操作量出力可否データS4)より、制御ルール学習部802で使用するニューラルネット111に対する教師データS7aを作成する。
ここでは、簡単のため、制御ルール実行部10のニューラルネット101の出力層からの出力として、操作度合正側及び操作度合負側、制御操作外乱発生部16からの乱数的に発生する操作度合を操作度合乱数としている。また、制御操作端に対する制御操作量出力SOを操作指令値としている。
最初の処理段階71では、操作指令値C”refは、制御出力操作方法選択部18の出力値である選択制御操作量S8を参照する。
具体的には、制御結果良否判定推定値S11=1かつ制御操作量出力可否データS4=1の場合は、良い操作であると判断された場合で、操作指令値を同じ方向にΔCrefだけ増加するようにする。
ニューラルネット111を学習するためには、多数の入力データS8aと教師データS7aの組合せが必要である。したがって、学習データ作成部7で作成した教師データS7aは、制御実行ユニット20にて制御ルール実行部10に入力された入力データS1(S8a)と組み合わせて一組の学習データとして、学習データデータベースDB2に保存される。ここでの教師データS7aは、AS-U操作度合教師データ、第1中間操作度合である。また、入力データS1(S8a)は、規格化形状偏差201及び形状偏差段階である。
ニューラルネット管理テーブルTBは、仕様について(B1)板幅、(B2)鋼種、及び制御の優先度についての仕様A1、A2に応じて区分けされる。(B1)板幅としては、例えば、3フィート幅、メータ幅、4フィート幅、5フィート幅の4区分が、鋼種としては、鋼種(1)~鋼種(10)の10区分程度を用いる。また、制御の優先度についての仕様Aについては、A1及びA2の2種類とする。この場合、80区分となり、80個のニューラルネットを、圧延条件に応じて使い分けて使用することになる。
良否判定ルール学習ユニット22は、制御実行ユニット20で用いたデータの時間遅れデータを使用する。ここでの時間遅れZ-1は、e-TSを意味し、予め設定した時間Tだけ遅延させることを示す。
制御対象プラント1は、時間応答を持つため、制御操作量出力SOにより、実績データが変化するまで時間遅れが存在する。そのため、学習は、制御操作実行後、遅延時間Tだけ経過した時点での実績データを用いて実行する。
この制御結果良否データS6をそのまま良否判定ルール学習部31で使用するニューラルネット311に対する教師データS13aとして用いる。
ニューラルネット311を学習するためには、多数の入力データS12aと教師データS13aの組合せが必要である。したがって、制御結果良否判定部6で作成した教師データS13a(制御結果良否データ)は、制御実行ユニット20にて制御ルール実行部10に入力された入力データS1(規格化形状偏差201及び形状偏差段階)の時間遅れデータS12aと組み合わせて一組の学習データとして、学習データデータベースDB6に保存される。
このとき、学習データは一定の比率で、検証データデータベースDB7に保存しておき、良否判定ルール精度検証部34における良否判定ルール検証に使用できるようにする。
また、従来は一回の制御結果の良否判定で行っていた制御ルール学習データの生成が、本例の場合、制御結果の良否判定を推定するモデルを用いることで、プラントデータに含まれるノイズの影響を抑え、効果の小さな微調整も学習データの対象とすることが可能になる。さらに、本例によると、制御効果の誤判定を防止することによって、学習データの変動を抑え、制御性能を安定させることが実現できる。
制御ルール評価ユニット23は、制御ルール良否判定データ収集部35、制御ルール評価データ演算部36、制御ルールデータベース更新部37、制御ルール評価データデータベースDB8、及び制御ルール評価値データベースDB9を備える。
制御ルール評価データ演算部36が算出した制御ルール評価データS18は、制御ルール評価値データベースDB9に保存する。但し、制御ルール良否判定データの数が一定数に満たない場合には、評価値の信頼性が低いため、評価結果は保存しない。
なお、本発明は、上述した各実施の形態例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施の形態例は、本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。
なお、各ユニット20~23は、それぞれ別のコンピュータで構成してもよいが、1つなどの少ない数のコンピュータに各プログラムを実装して、同時に実行してもよい。
この場合の各処理機能を実現するプログラムなどの情報は、HDDやSSDなどの不揮発性ストレージdの他に、メモリ、ICカード、SDカード、光ディスク等の記録媒体に置くことができる。
また、上述した実施の形態例では、制御対象プラント1として、センヂミア圧延機に適用した例としたが、本発明は、その他の各種プラントの制御に適用が可能である。センヂミア圧延機に適用した場合の制御ルールについても、一例を示したものであり、本発明は、上述した実施の形態例に限定されない。
Claims (7)
- 制御対象プラントに対して、前記制御対象プラントの実績データの組合せのパターンを認識して、制御を実行するプラント制御システムであって、
前記制御対象プラントの実績データと制御操作の組合せを学習する制御方法学習ユニットと、前記制御方法学習ユニットが学習した実績データと制御操作の組合せに応じて制御対象プラントの制御を実行する制御実行ユニットと、前記制御対象プラントの実績データと制御操作の組合せと制御結果良否の組み合わせを学習する良否判定ルール学習ユニットとを備え、
前記制御実行ユニットは、
前記制御対象プラントの実績データと制御操作の定められた組合せに従って制御出力を与える制御ルール実行部と、
前記制御対象プラントの実績データと制御操作と制御結果良否の定められた組み合わせに従って前記制御出力の良否判定を行う制御出力良否判定ルール実行部と、
前記制御出力良否判定ルール実行部での良否判定を元に新規操作探索用操作量を演算する新規探索操作量演算部と、
前記制御出力良否判定ルール実行部での良否判定と制御シミュレータを用いたシミュレーションデータとを使って、制御出力を前記制御対象プラントに出力した場合に前記制御対象プラントの実績データが悪化すると判断した場合に、制御出力を前記制御対象プラントに出力することを阻止する制御出力抑制部とを備え、
前記良否判定ルール学習ユニットは、
前記制御実行ユニットが制御出力を前記制御対象プラントに出力した場合に、制御効果が実績データに表れるまでの時間遅れ後に、制御結果の良否を判定する制御結果良否判定部と、
前記制御結果良否判定部における制御結果の良否と前記実績データと前記制御出力を学習データとして学習する良否判定ルール学習部とを備え、
前記制御方法学習ユニットは、
前記制御出力良否判定ルール実行部での前記制御出力の良否判定と、前記制御出力を用いて教師データを得る学習データ作成部と、
前記実績データと前記教師データを学習データとして学習する制御ルール学習部とを備える
プラント制御システム。 - 前記制御方法学習ユニットが学習することで、前記制御対象プラントの状態に応じて複数の制御目標に対して別個の実績データと制御操作の組合せを得、
得られた実績データと制御操作の組合せを、前記制御ルール実行部における前記制御対象プラントの実績データと制御操作の定められた組合せとして使用する
請求項1に記載のプラント制御システム。 - 前記制御出力良否判定ルール実行部は、前記制御対象プラントの実績データと制御操作と制御結果良否の定められた組合せを第1のニューラルネットとして保持し、
前記良否判定ルール学習部は、実績データと制御操作と制御結果良否の組合せを第2のニューラルネットとして保持し、
前記良否判定ルール学習部における学習の結果得られた前記第2のニューラルネットを、前記制御出力良否判定ルール実行部における前記第1のニューラルネットとして使用する
請求項1に記載のプラント制御システム。 - 前記良否判定ルール学習ユニットは、良否判定ルール精度検証部を備え、
前記良否判定ルール精度検証部で生成した良否判定ルール精度を用いて、前記制御出力抑制部における制御結果良否を用いた出力抑制の基準を変更する
請求項1に記載のプラント制御システム。 - さらに、制御ルール評価ユニットを備え、
前記制御ルール評価ユニットは、
前記制御実行ユニットの前記制御出力良否判定ルール実行部の良否判定データと前記良否判定ルール学習ユニットで得た良否判定ルールの精度検証結果をデータベースに蓄積する制御ルール良否判定データ収集部と、
前記データベースに蓄積された良否判定データと、前記良否判定ルールの精度検証結果を元に制御ルール評価データを演算する制御ルール評価データ演算部を有し、
前記制御実行ユニットに用いた制御ルールの評価を前記制御対象プラントに出力せずに実行する
請求項1~4のいずれか1項に記載のプラント制御システム。 - 制御対象プラントに対して、前記制御対象プラントの実績データの組合せのパターンを認識して、前記制御対象プラントの制御をコンピュータにより実行するプラント制御方法であって、
前記コンピュータが実行する処理として、
前記制御対象プラントの実績データと制御操作の組合せを学習する制御方法学習処理と、前記制御方法学習処理により学習した実績データと制御操作の組合せに応じて制御対象プラントの制御を実行する制御実行処理と、前記制御対象プラントの実績データと制御操作の組合せと制御結果良否の組み合わせを学習する良否判定ルール学習処理と、を含み、
前記制御実行処理は、
前記制御対象プラントの実績データと制御操作の定められた組合せに従って制御出力を与える制御ルール実行処理と、
前記制御対象プラントの実績データと制御操作と制御結果良否の定められた組み合わせに従って前記制御出力の良否判定を行う制御出力良否判定ルール実行処理と、
前記制御出力良否判定ルール実行処理による良否判定を元に新規操作探索用操作量を演算する新規探索操作量演算処理と、
前記制御出力良否判定ルール実行処理による良否判定と制御シミュレータを用いたシミュレーションデータとを使って、制御出力を前記制御対象プラントに出力した場合に前記制御対象プラントの実績データが悪化すると判断した場合に、制御出力を前記制御対象プラントに出力することを阻止する制御出力抑制処理と、を含み、
前記良否判定ルール学習処理は、
前記制御実行処理により制御出力を前記制御対象プラントに出力した場合に、制御効果が実績データに表れるまでの時間遅れ後に、制御結果の良否を判定する制御結果良否判定処理と、
前記制御結果良否判定処理での制御結果の良否と前記実績データと前記制御出力を学習データとして学習する良否判定ルール学習処理と、を含み、
前記制御方法学習処理は、
前記制御出力良否判定ルール実行処理による前記制御出力の良否判定と、前記制御出力を用いて教師データを得る学習データ作成処理と、
前記実績データと前記教師データを学習データとして学習する制御ルール学習処理と、
を含む
プラント制御方法。 - 制御対象プラントに対して、前記制御対象プラントの実績データの組合せのパターンを認識して、コンピュータにプラント制御を実行させるプログラムであり、
当該プログラムは、前記制御対象プラントの実績データと制御操作の組合せを学習する制御方法学習手順と、前記制御方法学習手順により学習した実績データと制御操作の組合せに応じて制御対象プラントの制御を実行する制御実行手順と、前記制御対象プラントの実績データと制御操作の組合せと制御結果良否の組み合わせを学習する良否判定ルール学習手順と、を前記コンピュータに実行させるものであり、
前記制御実行手順は、
前記制御対象プラントの実績データと制御操作の定められた組合せに従って制御出力を与える制御ルール実行手順と、
前記制御対象プラントの実績データと制御操作と制御結果良否の定められた組み合わせに従って前記制御出力の良否判定を行う制御出力良否判定ルール実行手順と、
前記制御出力良否判定ルール実行手順による良否判定を元に新規操作探索用操作量を演算する新規探索操作量演算手順と、
前記制御出力良否判定ルール実行手順による良否判定と制御シミュレータを用いたシミュレーションデータとを使って、制御出力を前記制御対象プラントに出力した場合に前記制御対象プラントの実績データが悪化すると判断した場合に、制御出力を前記制御対象プラントに出力することを阻止する制御出力抑制手順と、を含み、
前記良否判定ルール学習手順は、
前記制御実行手順により制御出力を前記制御対象プラントに出力した場合に、制御効果が実績データに表れるまでの時間遅れ後に、制御結果の良否を判定する制御結果良否判定手順と、
前記制御結果良否判定手順での制御結果の良否と前記実績データと前記制御出力を学習データとして学習する良否判定ルール学習手順と、を含み、
前記制御方法学習手順は、
前記制御出力良否判定ルール実行手順による前記制御出力の良否判定と、前記制御出力を用いて教師データを得る学習データ作成手順と、
前記実績データと前記教師データを学習データとして学習する制御ルール学習手順と、
を含む
プログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020208192A JP7495874B2 (ja) | 2020-12-16 | 2020-12-16 | プラント制御システム、プラント制御方法及びプログラム |
CN202111242094.XA CN114637194A (zh) | 2020-12-16 | 2021-10-25 | 工厂设备控制系统、控制方法以及计算机可读记录介质 |
DE102021214272.9A DE102021214272A1 (de) | 2020-12-16 | 2021-12-14 | Anlagensteuersystem, Anlagensteuerverfahren und Programm |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020208192A JP7495874B2 (ja) | 2020-12-16 | 2020-12-16 | プラント制御システム、プラント制御方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022095082A JP2022095082A (ja) | 2022-06-28 |
JP7495874B2 true JP7495874B2 (ja) | 2024-06-05 |
Family
ID=81846885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020208192A Active JP7495874B2 (ja) | 2020-12-16 | 2020-12-16 | プラント制御システム、プラント制御方法及びプログラム |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7495874B2 (ja) |
CN (1) | CN114637194A (ja) |
DE (1) | DE102021214272A1 (ja) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020057238A (ja) | 2018-10-03 | 2020-04-09 | 株式会社日立製作所 | 制御装置および制御方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2804161B2 (ja) | 1990-06-04 | 1998-09-24 | 株式会社日立製作所 | センジマーミルの形状制御方法および装置 |
JP6813416B2 (ja) | 2017-04-10 | 2021-01-13 | 株式会社日立製作所 | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム |
-
2020
- 2020-12-16 JP JP2020208192A patent/JP7495874B2/ja active Active
-
2021
- 2021-10-25 CN CN202111242094.XA patent/CN114637194A/zh active Pending
- 2021-12-14 DE DE102021214272.9A patent/DE102021214272A1/de active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020057238A (ja) | 2018-10-03 | 2020-04-09 | 株式会社日立製作所 | 制御装置および制御方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114637194A (zh) | 2022-06-17 |
DE102021214272A1 (de) | 2022-06-23 |
JP2022095082A (ja) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6899273B2 (ja) | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム | |
CN108687137B (zh) | 整套设备控制装置、轧机控制装置、控制方法及存储介质 | |
US9043254B2 (en) | Method for computer-aided closed-loop and/or open-loop control of a technical system | |
CN110942248B (zh) | 交易风控网络的训练方法及装置、交易风险检测方法 | |
CN105046045B (zh) | 一种基于贝叶斯组合的Web服务QoS预测方法 | |
CN105989441A (zh) | 模型参数调整方法和装置 | |
US20220207420A1 (en) | Utilizing machine learning models to characterize a relationship between a user and an entity | |
JP2021103083A (ja) | 機械学習装置、デマンド制御システム、及び、空調制御システム | |
CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
CN108320112B (zh) | 一种确定设备健康状态的方法及装置 | |
JP2018180799A5 (ja) | ||
JP7033639B2 (ja) | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム | |
JP7495874B2 (ja) | プラント制御システム、プラント制御方法及びプログラム | |
JP7535475B2 (ja) | プラント制御システム、プラント制御方法及びプログラム | |
JP7310904B2 (ja) | 学習装置、学習方法、及び、プログラム | |
CN109829115B (zh) | 搜索引擎关键词优化方法 | |
JP6952018B2 (ja) | 制御装置および制御方法 | |
JP2020071493A (ja) | 結果予測装置、結果予測方法、及びプログラム | |
CN114862092A (zh) | 一种基于神经网络的评标方法及设备 | |
JP7328142B2 (ja) | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム | |
JP2022183827A (ja) | プラント制御システム、圧延機制御装置、プラント制御方法、及びプラント制御プログラム | |
CN109800923A (zh) | 一种分散式风力发电短期功率组合预测方法 | |
WO2024034451A1 (ja) | 学習済みモデルの生成方法、判定装置、判定方法、及びプログラム | |
JP2020166599A (ja) | 運転計画支援装置、運転計画支援方法及び運転計画支援プログラム | |
JP2024023115A (ja) | 学習済みモデルの生成方法、判定装置、判定方法、及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230622 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240222 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240227 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240409 |
|
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: 20240507 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240524 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7495874 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |