JPH03164804A - プロセス制御システム及び発電プラントプロセス制御システム - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明は、プラントのプロセス制御システムに係り、特
に火力発電プラントなどの大規模プラントに好適なプロ
セス制御システムに関する０本発明の制御システムは、
運転員が状況に応じて設定した目的関数例えば起動所要
時刻や寿命消費量などを自己学習的に最適化することが
できる多目的状況適応型制御システムである。

〔従来の技術〕

火力発電プラントプロセスなどの大規模複雑プロセスに
おいては、タービン主蒸気温度、主蒸気圧力などのプロ
セス状態量とこの状態量を目標値に制御するための操作
パラメータの操作量との非線形性が強い、このようなこ
とから、従来は特開昭５８−４０６１２号公報に記載の
ように制御システムにプロセスの全系モデルを内蔵させ
、これを用いて数理計画法により操作パラメータの操作
量の最適化を図っていた。即ち、非線形性をテーブル情
報としてモデル化したり、物理式で表現し、コンプレッ
クス法に代表される非線形計画法を用いて操作パラメー
タの操作量の最適値を求めていた。

〔発明が解決しようとする課題〕

従来のモデル内蔵形制御システムは、モデルの精度によ
って実際のプラントの制御性能が直接影響を受けること
になるので、モデルの有意性を如何に検討するかが問題
となる。

本発明の目的は、プロセス全系モデルを用いることなく
簡単な知識ベースを利用して自動的にプロセスの最適化
を図ることができるプロセス制御システムを提供するこ
とにある。

本発明の他の目的は、上記目的を達成する発電プラント
プロセス制御システムを提供することにある。

〔課題を解決するための手段〕 本発明のプロセス制御システムは、下記の■〜■の要件
を具備する。

■　制御対象となるプロセスの運転目標を設定する運転
目標設定部。

■　該運転目標設定部からの信号を受けて該プロセスを
運転するための制御量を出方する制御部。

■　該制御部からの信号に基づいて運転された該プロセ
スの前記運転目標に対応する運転特性に応じて前記制御
部の制御量を最適化する最適化部、前記最適化部は、下
記の■〜■の要件を有する。

■　前記制御部からの信号に基づいて運転された該プロ
セスの前記運転目標に対応する運転特性を定量的に評価
する評価手段。

■　該プロセスの運転特性と運転目標との定性的関係に
おいて予め運転方策を定めた修正ルール（知識ベース）
。

■　該評価手段によって得られた評価値に基づき、該修
正ルールの中から定性的に合致する運転方策を抽出して
前記制御部の修正量を決定する修正手段。

■　該修正手段で得られた修正量と前記運転目標との関
係を記憶する記憶手段。

前記制御部は、目標設定部により与えられた運転目標を
制御対象とするプロセスが達成するための運転スケジュ
ールを作成する基本運転スケジュール作成手段と、過去
の運転特性に基き運転スケジュールの修正量と運転目標
との関係を記憶させた記憶手段から信号を受けて基本運
転スケジュールに修正を加える調節手段と、を具備する
ことが望ましい。

記憶手段は、前記運転目標と前記修正量との関係を回路
内接続状態として記憶するための神経回路モデルを有す
ることが望ましい。

更に該神経回路モデルとしては、入力層と中間層と出力
層とを有する層状のネットワークを具備するバックプロ
パゲーション型の神経回路モデルを備えることが望まし
い。

前記修正手段としては、前記評価手段によって得られた
評価値に基づき、前記修正ルールの中から定性的に合致
する運転方策を抽出してファジー論理に従って定量的運
転方策に変換する機能を有する修正手段を備えることが
望ましい。

前記修正ルールは、少なくとも条件部（ｉｆ部）と結論
部（ｔｈｅｎ部）の２項目を具備することが望ましい。

記憶手段からの信号に基づいて基本運転スケジュールそ
のものを修正してもよいし、或いは基本運転スケジュー
ルは修正せずに該スケジュールを行するための操作パラ
メータ或いは該操作パラメータの操作量を修正するよう
にしてもよい。

本発明の発電プラントプロセス制御システムは、燃料の
燃焼により発生する熱により蒸気を発生させるためのボ
イラと、発生した蒸気の熱エネルギーを機械エネルギー
に変換するための蒸気タービンと、変換された該機械エ
ネルギーを電気エネルギーに変換するための発電機を具
備するものにおいて、前述の■〜■の要件を有する。

（１）運転目標設定部 プロセスの運転目標を設定する。具体的な運転目標とし
ては、例えば下記のものがある。

目標値到達時刻、起動所要時間、エネルギー損失量１機
器寿命損失、目標値達成精度、資源損失量、運転制限値
、許容寿命消費量。

（２）制御部 運転目標を受けてプロセスに対して必要な制御量を出力
する。

該制御部は、基本運転スケジュール作成機能とａｍ機能
を備えることが望ましい、基本運転スケジュール作成機
能では、運転目標をプロセスが達成するためのタイムス
ケジュールを作成することが望ましい、基本運転スケジ
ュールとスケジュール修正量の加算スケジュールが調節
機能に与えられる。調節機能では、プロセスを制御する
ための操作パラメータ或いは操作パラメータの操作量を
修正することが望ましい、操作量は、例えばボイラへの
投入燃料量、空気流量、給水流量、タービンの加減弁開
度である。

基本運転スケジュールは、プロセスの状態量の初期値を
考慮して作成することが望ましい。

調節機能としてフィードバック制御方式を採用する場合
には、プロセス状態量を入力情報とすることが望ましい
。

（３）最適化部 プロセスの運転特性に応じて制御部の制御量を最適化す
る。最適化部は、評価機能と修正機能と修正ルール及び
記憶機能を備えることが望ましく、学習機能を付加する
ことは更に望ましい。

（４）評価機能 運転目標に対応して実際の運転特性を定量的に評価する
。プロセス状態量の応答特性を評価し。

ファジー推論で使用する評価値とすることが望ましい、
なおプロセス状態量とは、例えば発電プラントにおける
タービン速度、主蒸気温度、主蒸気圧力、再熱蒸気温度
、再熱蒸気圧力をいう。

（５）修正機能 評価手段で得られた定量的評価値に基づき、予め作成し
た修正ルール（知識ベース）を参照して定性的に合致す
る運転方策を抽出し、制御手段の修正量を決定する。フ
ァジー推論機能を備えることが望ましい。

（６）修正ルール（知識ベース） 運転目標に対応する運転特性との定性的関係において運
転方策を定めたルール、評価手段の評価値に応じたスケ
ジュールの修正方法について専門家が持つ定性的知見を
計算機で処理可能に表現した断片的知識の集合体を修正
ルールとすることが望ましい。

条件部（ｉｆ部）と結論部（ｔｈｅｎ部）の２項目を少
なくとも有することが望ましい。

（７）記憶機能 運転目標と修正量との関係を記憶する。該関係を回路内
接続状態として記憶するための神経回路モデルを備える
ことが望ましい、神経回路モデルは、目標設定機能から
与えられる運転目標に対応して制御機能の修正量を出力
する。

該記憶機能としては、入力層と中間層と出方層とを具備
する層状のネットワークを有するバックプロパゲーショ
ン型の神経回路モデルを備えることが望ましい。

（８）学習機能 運転目標と修正量との関係を神経回路モデルに学習させ
る。入力信号パターンを入力層に与えたときに出力信号
パターンが所定の信号パターンとなるように中間層の各
ユニットへの入力部の接続強度（シナプス加重）を決定
する。

本発明によれば、プロセスモデルを陽に持たず。

運転実績データをもとに自己成長通約に運転特性を改善
できる。

また、日々刻々変化する運転目標に対してプロセスが常
に最適な運転ができる運転方策を決定できる最適化機能
を実現することができる。

更に複数の制御目標に対して、運転員が状況に応じて必
要な目標の加重値を変更可能とし、こＱ変更された複数
の制御目標を満足するような運転方策を決定することが
できる。ここで、複数の制御目標とは、運転制限値、目
標値到達時間、許容寿命消費量、許容損失量などに関す
るものである。

なお、上記運転方策とは、セットポイントのタイムスケ
ジュール、ＰＩＤ制御ゲイン、ゲイン、関数、切替器な
どに対するパラメータなどを意味する。

本発明の従来技術として、プロセスの運転領域に応じて
、複数のモデルを準備し、これを切替ながら使うモデル
切替型或いは、逐次モデル同定型により線形計画法を用
いて最適化する方法がある。

これらの場合にも、モデル構築が必要であり、モデルの
有意性を如何に高めるかが問題となる。

これら従来の技術では、状況に応じた操作パラメータの
切替により制御特性を向上させることも自動化がなされ
ていない、更に、運転実績を積むにつれて、制御システ
ムが自己成長してゆくことも無く、制御特性は人為的介
入無しでは悪化することはあっても向上することは無い
。

本発明の制御システムの一例においては、制御システム
にファジィ推論と神経回路モデルを中心とした自己学習
機構を内臓させている。ファジィ推論では運転実績デー
タを評価することにより運転特性を改善するための運転
方策を決定し、神経回路モデルはこれを逐次学習する。

これによりプロセスモデルを持たずに運転実績データを
もとに運転方策の最適化を図ることができる。

また本発明制御システムの一例では、日々刻々変化する
運転目標を前記神経回路モデルに与えることにより、過
去の学習成果を活用した最適な運転方策を得ることがで
きる。これにより神経回路モデルから必要な運転方策を
瞬時に出力することが可能となる。

更に本発明では、複数の運転目標に関する重み付けを運
転員が任意に設定でき、これに対する最適化を実行する
ことができる。制御システムに設定された各種運転目標
に関する重みが神経回路モデルに入力されることにより
、過去に学習した運転方策に基づき総合的に最適となる
運転方策を瞬時に取り出すことができる。また、このと
きの運転特性についてもファジィ推論にて評価して総合
的に最適となる運転方策を決定し、上記神経回路モデル
に学習させることができる。

〔作用〕

本発明では、プロセスの運転目標と実際の運転特性とを
評価し、予め作成しておいた修正ルールを参照してプロ
セスの運転制御量が決定される。

この修正量と運転目標との関係は記憶手段に記憶される
。このようにすることにより、記憶手段に運転目標が入
力されると、即座に対応する修正量が制御手段へ伝えら
れ、それに基づいてプロセスが運転されることになる。

ここで再び修正の必要が生じれば、修正ルールを参照し
て再び修正量決定され、この結果が運転目標との関係で
記憶され、制御手段へ直ちに伝えられ最適化が図られる
ことになる。

本発明の好適な例では、制御システムに内蔵した定性的
な知識に基づく推論能力があるファジィ推論と、事例学
習能力がある神経回路モデルを主要機能として、自己学
習に寄与している。

ファジィ推論においては、運転特性とこれを改善するた
めの方策に関する運転員、調整員、制御技術者などの専
門家がもつ定性的な知識を予め格納した知識ベースを用
いて、プロセスの運転に伴い得られた実績データを評価
しながら、改善のための運転方策を決定していく。

一方、神経回路モデルにおいては、このときに与えられ
ていた運転目標と上記ファジィ推論で決定された運転方
策との相互関係を学習していく。

この場合の学習とは、運転目標を神経回路モデルに入力
したとき、上記運転方策が出力されるように、モデル内
部の回路接続状態を決定することである。したがって、
運転実績データとその時の運転方策について複数組のデ
ータがある場合は。

これらを神経回路モデルに順次繰返して教示することに
より、全ての関係を学習することができる。

このような自己学習機構を付加することにより、制御シ
ステムは、運転実績を積むにつれ運転特性が向上してゆ
くことになる。

日々刻々変化する運転目標に対してプロセスが常に最適
な運転ができる運転方策を決定できるようにするための
手段としての最適化機構は、次のように作用する。すな
わち、運転方策を内部の接続状態として学習済みの前記
神経回路モデルの入力部に、日々刻々変化する運転目標
を設定したとき、その出力部にはその運転目標を達成す
るために最も適切な運転方策が出力される。過去の運転
事例を神経回路モデルに十分に学習させておけば、日々
刻々変化する運転目標に対してプロセスは最適な運転が
保証される。

複数の制御目標に対して、運転員が状況に応じて必要な
目標の加重値を変更可能とし、この変更された複数の制
御目標を満足するような最適化機構は１次のように作用
する。すなわち、神経回路モデルにその接続状態として
学習しである運転方策の中から、与えられた複数の運転
目標を総合的に最適化できる運転方算を導出入する。運
転員は。

プロセスを運転するにあたり、日々側々の状況変化に応
じて各種運転目標に対する重み付けを制御システムに設
定するだけでよい。これにより、必要な、運転特性かえ
られる。ここで、運転目標とは、起動所要時間、エネル
ギー損失１撮器寿命消費量、目標値到達時刻、目標状態
達成精度、状態変化率達成精度、資源損失量、対運転Ｍ
限値などに関するものである。設定された複数の重み付
き運転目標は神経目標モデルの入力部に与えられると、
学習結果に基づきその出力部から最適な運転方策が出力
されプロセスはそれに従って運転される。また、このと
きの運転特性についてもファジィ推論にて評価され、知
識ベースを参照しながら運転目標に総合的に合致した運
転方策を決定し。

神経回路モデルに学習させる。これを繰返すことにより
、多目的運転に対しても運転特性は向上してゆく。

〔実施例〕

以下、本発明の一実施例を説明する。

第１図は１本発明のプロセス制御システムの一例を示す
。本システムは、目標設定機能１０．最適化機能２００
０、制御機能１０００及び制御対象であるプロセス３０
００から成る。

目標設定機能１０はプロセスの運転目標１１を設定する
機能で、運転員あるいは他の制御システムなど本制御シ
ステムの外部から与えられた運転目標を制御機能１００
０及び最適化機能２ｏ００に設定するためのものである
。

制御機能１０００は上記運転目標１１を受けてプロセス
３ｏ００に対して必要な操作量４２を出力するためのも
のである。

また、最適化機能２０００はプロセス３０ｏＯの運転特
性（応答特性）３１０に応じて制御機能１０００の制御
量を最適化するためのものである。

具体的な機能構成について以下に説明する。

制御機能１０００はスケジュール機能３０と調ｎ機ｔｌ
Ａ４０から成り、スケジュール機能３０では目標設定機
能１０から与えられた運転目標１１をプロセスが達成す
るために１時間的目標値すなわちタイムスケジュール（
これを基本スケジュール３１と呼ぶ）を作成する。さら
に、この基本スケジュール３１と後述の第１のスケジュ
ール修正量１１０との加算値がセットポイント４１とし
て調節機能４０に与えられる。

調節機能４０は、制御対象であるプロセス３０００の状
態量４３がこのセットポイント４１に追従できるように
操作量４２を決定し、プロセス３０００を操作する。

最適化機能２０００は評価機能３００、ファジィ推論４
００．知識ベース５００、学習機能２００゜及び神経回
路モデル１００から成る。

神経回路モデル１００は目標設定機能１０から与えられ
る運転目標１１に対応して上記基本スケジュール３１の
修正量（これを第１のスケジュール修正量と呼ぶ）を決
定する。これにより、調節機能４０に与えるセットポイ
ント４１の最適化を図る。

評価機能３００においてはプロセス３０００の応答特性
３１０を評価し、この評価値４１０をファジィ推論４０
０に渡す。

知識ベース５００は、上記評価値４１０に応じた前記ス
ケジュールの修正方法について熟練した運転員や調整員
など豊富な経験を有する専門家が持つ定性的知見を計算
機で処理可能な様式に表現した断片的知識（これをスケ
ジュール修正ルールと呼ぶ）の集合体である。この知識
ベース５００の中から上記評価値４１０に合致した知ｗ
１４３０を取り出し、スケジュール修正量（これを第２
のスケジュール修正量４２０と呼ぶ）を決定するための
機能がファジィ推論４００である。

学習機能２００は上記運転日＃Ａ１１が与えられたとき
のプロセス応答特性の評価に基づいたファジィ推論結果
である第２のスケジュール修正量４２０と第１のスケジ
ュール修正量１１０を加算したもの（これを学習用スケ
ジュール修正量２１０と呼ぶ）を学習用入力信号１１５
（上記運転目標１１とプロセス状態初期値４４から成る
）と対にして神経回路モデル１００に学習させるための
ものである。この学習時には神経回路モデル１００の内
部状５１２０は学習機能２００にて使用される。

本システムの上記各機能の動作時期は運転モードと学習
モードの２つのモードに分けられる。第１図は運転モー
ドを表し、第２図は学習モードを表している０両図にお
いて実線の矢印は各機能間で情報の授受が発生すること
を意味し、破線の矢印は情報の授受が発生しないことを
意味する６第１図に示すように運転モードにおいては、
目標設定機能１０から与えられた運転目標１１に対応し
てスケジュール機能３０ではプロセス状態初期値４４を
考慮して基本スケジュール３１を作成する。また、神経
回路モデル１００においても予め学習しておいた内部接
続情報を用いて上記運転目標１１およびプロセス状態初
期値４４に対応した第１のスケジュール修正量１１０を
求める。

従って、前述のように基本スケジュール３１と第１のス
ケジュール修正量１１０が加算されることにより調節機
能４０に対するセットポイント４１となる。

調節機能４０では上記セットポイント４１に対してプロ
セス３０００の状態量４３が追従できるような操作量４
２を決定し、プロセス３０００を操作する。このとき、
調節機能４０としてフィードバック制御方式を採用する
場合はプロセス状態量４３も入力情報となる。上記操作
量４２に従ってプロセスが動作するとき最適化機能２０
００における評価機能３００では、プロセス３０００の
状態量の応答特性３１０を評価し、ファジィ推論機能４
００で使用する評価値４１０とする。このとき、スケジ
ュールとの対応付けに応答特性３１０の評価が必要とな
る場合は、上記セットポイント４１も評価機能３００へ
の入力情報となる。

学習モードにおいては第２図に示すように、前記の評価
機能３００で得られたプロセス３０００の応答特性３１
０に関する評価値４１０に合致した知識をファジィ推論
機能４００により知識ベースの中から取り出し、第２の
スケジュール修正量４２０を決定する。従って、運転モ
ードにおいて得られた第１のスケジュール修正量１１０
と上記第２のスケジュール修正量４２０の加算値すなわ
ち学習用スケジュール修正量２１０は、プロセスを運転
目標１１に対してより良好に運転するために必要なスケ
ジュール修正量となる。

上記運転目標１１およびプロセス状態初期値４４が神経
回路モデル１００に入力されたとき、上記学習用スケジ
ュール修正量２１０と同じ値が第１のスケジュール修正
量１１０として出力されるように学習機能２００により
神経回路モデル１００に学習させる。この学習方法につ
いては後で詳しく説明するが、プロセス３０００の起動
停止や出力変更を繰り返すことにより上記運転モードと
学習モードが交互に繰り返されることになり、神経回路
モデル１００は自己成長的に、より適切なスケジュール
修正量（この場合、第１のスケジュール修正量１１０と
して）の出力が可能となる。

すなわち、本制御システムは運転実績を積むにつれ、制
御性能を自己成長的に向上させることが可能となる。

以上、本発明を適用した制御システムの基本動作につい
て説明したが、次に火力発電プラントの起動制御に本制
御システムを適用した場合の動作について具体的に説明
する。

まずスケジュール機能について説明する。

本機能は運転目標１１とそのときのプロセス状態初期値
４４に基づき基本スケジュール３１を作るためのもので
ある。この作成方法は従来一般的に使われている方法で
あり１例えば、エレクトリカル　ワールド、１９６６年
、２月７日号（ＥＬＥＣＴＲＩＣＡＬ　ＶＯＲＬＤ、　
Ｆｅｂｒｕａｒｙ　７，１９６６）に掲載されている論
文（Ｔｈｅｔｖａｌ　５ｔｒｅｓｓｅｓ　Ｉｎｆｌｕｅ
ｎｃｅＳｔａｒｔｉｎｇ、　Ｌｏａｄｉｎｇ　ｏｆ　Ｂ
ｉｇｇｅｒ　Ｂｏｉｌｅｒｓ。

Ｔｕｒｂｉｎｅｓ）で論じられている方法あるいは、ア
イイーイーイー　　トランザクションズオン　ビーエイ
ニス、１９８５年４月号（ＩＥＥＥＴｒａｎｓａｃｔｉ
ｏｎｓ　ｏｎ　Ｐｏｗｅｒ　Ａｐｐａｒａｔｕｓ　ａｎ
ｄ　Ｓｙｓｔａｍｓ＋Ａｐｒｉｌ　１９８５）に掲載さ
れている論文（ＳｔｅａｍＴｕｒｂｉｎｅ　５ｔａｒｔ
　Ｕｐ　Ｍｅｔｈｏｄ　Ｂａ５ｅｄ　ｏｎ　Ｐｒｅｄｉ
ｃｔｉｖｅＭｏｎｉｔｏｒｉｎｇ　ａｎｄ　Ｃｏｎｔｒ
ｏｌ　ｏｆ　Ｔｈｅｒｍａｌ　５ｔｒｅｓｓａｓ）で論
じられている方法と基本的に同じである。

以下、これについて簡単に説明する。まず、第３図に示
すプロセス３０００における主蒸気１８の温度と圧力か
ら高圧タービン３１１０の第１没後蒸気温度を求める０
次に高圧タービン３１１０の第１段後ケーシング内壁温
度と上記第１没後蒸気温度との温度差を求める。

この温度差からタービンの昇速率と速度が１２０ＯＲＰ
Ｍ、３１００ＲＰＫ、及び３６００ＲＰ？Ｉにおける暖
気時間すなわち速度保持時間をそれぞれ決定する。

第３図において符号３１３０はボイラ、符号１２と１３
は再熱器、符号１９は再熱蒸気、１７は発電機を示す。

第４図は第３図に示すＡ部の拡大図であり、高圧タービ
ン３１１０及び中圧タービン３１２０の特に蒸気導入部
の軸方向断面形状を示す。主蒸気１８の温度は温度検出
器３８、主蒸気圧力は圧力検出器３９にて計測し、高圧
タービン第１段後ケーシング内壁温度は温度検出器５１
にて計測する。

タービン速度は速度検出器５２により計測する。

本スケジュール機能３０は、プラントの運転実績やター
ビンの熱応力解析に基づいて作成したものであるが、運
転目標やそのときのプロセス状態が与えられたとき起動
中に発生する熱応力が過大とならないように、昇速率や
暖気時間を決定するためのものである。実際の発電プラ
ントでは前記の両輪文にも記載されているように、ター
ビン昇速時のみでなく負荷上昇時においても上記と同様
な方法で負荷上昇率と負荷保持時間が決定される。

このように、起動開始から起動完了まで全スケジュール
すなわち基本スケジュール３１を作成することができる
。決定された基本スケジュール３１には後述の方法で最
適化機能２０００から得られる第１のスケジュール修正
量１１０が加算され、セットポイント４１が調節機能４
ｏに与えられる。

調節機能４０は、制御対象であるプロセスの状態量４３
すなわち速度と負荷の起動パターンがセットポイント４
１に追従できるように操作量４２としてのボイラへの投
入燃料量、空気流量、給水流量、タービンの加減弁開度
を調整する。これらの調整は一般に広く利用されている
ＰＩＤ　（比例、積分、微分）制御などフィードバック
制御で実現されるため、詳細説明は割愛する。

第４図に示すように、タービンの加減弁５３の開度はガ
バナ２５から操作器２６に操作量が時々刻々与えられる
ことにより決定される。

次に、プロセスの応答特性３１０を評価するための評価
機能３００とファジィ推論４００を用いて第２のスケジ
ュール修正量４２０を決定する方法について第５図を用
いて説明する。

評価機能３００では、プラント起動過程で発生したター
ビン熱応力特性を定量的に評価するために、プロセス状
態値３１０としてタービン速度。

主蒸気温度、主蒸気圧力、再熱蒸気温度、再熱蒸気圧力
、高圧タービン第１没後ケーシング内外壁温度初期値お
よび中圧タービン第１没後ケーシング内外壁温度初期値
をそれぞれ検出器５２，３８゜３９．５４，５６，５１
，５７および５８．５９にて検出し、これらを用いた非
定常伝熱計算により熱応力の動特性を求める。

第４図に示したようにタービンで熱応力を監視すべき場
所は、高タービン３１１０および中圧タービン３１２０
とも第１段後のラビリンスバッキング２１．２２のロー
タ表面２３．２４とロータボア２７．２８の計４箇所で
ある。上記ケーシング内外壁温度初期値は実測できない
ロータ内部温度分布初期値を推定するために用いるもの
である。

非定常伝熱計算により熱応力の動特性をもとめる方法は
、アイイー　イー　イー、トランザクションズ　オンピ
ー　エイ　ニス、１９８２年８月号（ＩＥＥＥＴ　ｒａ
ｎｓａｃｔｉｏｎｓ　ｏｎ　Ｐｏｗｅｒ　Ａｐｐａｒａ
ｔｕｓ　ａｎｄＳｙｓｔｅ＋ａｓｅ　Ａｕｇｕｓｔ　１
９８２）に掲載されている論文（Ｔｕｒｂｉｎｅ　Ｃｏ
ｎｔｒｏｌ　Ｓｙｓｔｅｍ　Ｂａ５ｅｄ　ｏｎ　Ｐｒｅ
ｄｉｃｔｉｏｎｏｆ　ｒｏｔｏｒ　ｔｈｅｒｍａｌ　５
ｔｒｅｓｓ）で詳細に示されているのでここでは説明を
割愛する。

評価機能３００の説明用として第５図では図面の煩雑化
を避けるため熱応力特性は１つだけ示した。次に、評価
機能３００とファジィ推論４００との関係を更に具体的
に説明する。ファジィ推論４００において、専門家の知
識すなわち熱応力余裕値とスケジュールパラメータの因
果関係をファジィ推論用知識として表現し易すくするた
めに、起動過程を第６図に示すように７区間に分けて考
える。ここで、熱応力余裕値とは、ロータ表面に関して
は圧縮応力としての制限値ＳｓＱ、ロータボアに関して
は引張応力としての制限値ｓＢＱ　に対する余裕値であ
る。また、ｍ　ｓ　ｉおよびｍａｔは区間ｉにおけるロ
ータ表面およびロータボアの最小応力余裕値であり、前
述のように実際には高圧タービンと中圧タービンのロー
タ表面とロータボアの４箇所の応力を考慮するが、本図
では簡単のために高圧と中圧を区別して示していない、
すなわち、ｍｓｔおよびｍＢｔは高圧タービンと中圧タ
ービンのうち応力余裕値が小さい方を代表値とする。

スケジュールパラメータとは昇温所要時間（ｔｌ）、速
度保持時間（ｔｚ、ｔａ、　ｔａ）、負荷保持時間（ｔ
５゜ｔＢ、　ｔ７）である、起動時の熱心カバターンと
スケジュールパラメータには強い相関があり、熱応力余
裕値が大きいほどパラメータは短縮が可能である。運転
員や調整員は起動時の熱応力特性が与えられた場合、そ
の余裕値に応じて、どのパラメータをどの程度修正すべ
きかを経験的に知っている。この経験的、定性的な知識
を活用して最適化のためのスケジュール修正量を決定す
る。

第５図に示した熱応力余裕値評価機能４４０は。

評価機能３００で得られた評価値４１０としての各区間
毎の熱応力余裕値ｍｓｉ、ｍｌｌｌ１が第７図に示す５
段階に分けたメンバーシップ関数のどのクラスに属する
かを決定する。ここで、Ｐ：正、Ｎ：負、Ｂ：大２Ｍ：
中、Ｓ：小、Ｚ○：零である。

このようにして、評価された定性的熱応力評価値４４１
は定性的熱溶カバターン４５０として整理される。ここ
で整理された個々の特徴４５１は推論機能４６０に入力
され、知識ベース５００に格納された多数のスケジュー
ル修正ルールとの照合が行なわれる。第５図の知識ベー
ス５００に示すスケジュール修正ルールは図の煩雑化を
避けるために単純な表現で示しているが、実際には第８
図に示す表現すなわちＩＦ部（条件部）及びＴＨＥＮ部
（結論部）の２項目或はそれ以上を用いている。

このスケジュール修正ルールとは、「熱溶カバターンが
どの様であれば、どのパラメータをどの程度修正すれば
良い」といった断片的且つ定性的な知識である。例えば
、第８図に示すルール１（Ｒ１）の場合は、「もし、ｍ
ｓｔがＰＭかつｍｓｚがｐｓならば、Δｔ１はＰＭかつ
Δｔ２はＰＳとせよ」という意味である。この場合の結
論部で用いるＰ：正はスケジュールを短縮する方向での
度合を定義する。逆に、Ｎ：負の場合は延長する方向で
の度合を示す。

修正パラメータ選択機能４６１は熱応力余裕値評価結果
４５１と、知識ベース内のスケジュール修正ルール５０
０を照合させ、適合されたルール毎にパラメータ修正量
に関する修止パラメータを選択する。こうして選択され
た修正パラメータ４６２はスケジュール修正量計算機能
４６３においてパラメータ毎に重心位置を求めて、これ
を修正量と決定する。このようなスケジュール修正方法
は特開昭６３−９４００４号公報に示されているのと同
様である。このようにして決定された修正量（本図の例
ではΔ１１．Δｔｚ、Δｔｓ）が第２のスケジュール修
正量４２０である。

従って、第２のスケジュール修正量４２０は神経回路モ
デル１００から出力された第１のスケジュール修正量１
１０に加算されることにより、より適切な修正量が学習
用スケジュール修正量２１０として決定される。この学
習用スケジュール修正量２１０と起動前に目標設定機能
１０から与えられた運転目標１１およびプロセス状態初
期値４４との関係が次に述べる学習機能２００により神
経回路モデル１００の中にネットワーク情報として記憶
される。すなわち、第２図で説明したように、次回の起
動では同じ運転目標とプロセス状態初期値４４が与えら
れたとき、上記学習用スケジュール修正量２１０と同じ
値が神経回路モデル１００から第１のスケジュール修正
量１１０として出力される。

このようにして、プロセス３０ｏＯは運転実績を積む度
に運転特性を自己成長的に向上（本実施例においては起
動時間の短縮）することが可能となる。

次に、神経回路モデル１００の構造及び学習機能２００
における学習方法について説明する。

第９図は神経回路モデル１００を構成する１つのユニッ
トモデル１１１を示す、ここで、ユニットへの入力信号
Ｘ１．Ｘｚ、・・・、Ｘｎは、値域（０゜１）をとり、
シナプス加重Ｗｔ、　Ｗｎ、・・・ｇ　Ｗｎは、値域（
−■、＋ｏｏ）をとるものとする。　ここで。

ｉ番目の入力Ｘｉからユニットへ伝わる入力ｕｉを、 ｕｉ　　＝ＷｉＸｉ　　　　　　　　　　　　　　　　
　　・＝（１）とすると、ユニットへの総入力Ｕは、 Ｕ＝　Σ　Ｕｉ　　　　　　　　　　　　　　　　　　
・・・（２）ｉ＝１ となる、また、ユニット出力ｙは、 ■ で定義する。

但し、 （３）式においてＵｏは、 バイア スである０本実施例では、以上述べたユニットモデル１
１１を、第１０図に示すように層状に配置し、各ユニッ
ト１１１からの出力信号を次層の各ユニット１１１への
入力信号とする構成としたものを神経回路モデル１００
とする。上記のユニットモデル１１１と神経回路モデル
１００の構造に関しては、ザ　エム　アイ　ティー　プ
レス、ニューロコンピユーテイング　ファンデーション
ズオブ　リサーチ、１９８８年、第３１８頁から第３６
２頁（Ｔｈｅ　ＭＩＴ　Ｐｒｅｓｓ、　Ｎｅｕｒｏｃｏ
ｍｐｕｔｉｎｇＦｏｕｎｄａｔｉｏｎｓ　ｏｆ　Ｒｅ５
ｅａｒｃｈ、　１９８８．　ｐｐ３１８−３６２）に詳
しく述べられている。また、本論文では第１０図に示す
ように、ある入力信号パターン１１２を入力層に与えた
とき、出力信号パターン１１３が所望する信号パターン
、すなわち教師信号パターン１１４となるように、間者
の誤差に応じて中間層の各ユニットへの入力部の接続強
度、すなわちシナプス加重を修正する学習アルゴリズム
（バックプロパゲーションと称している）が示されてい
る。

本実施例の学習機能２００においても、学習アルゴリズ
ムそのものは上記論文に示されたバックプロパゲーショ
ンを用いる。

第１１図はバックプロパゲーションのアルゴリズムを具
体的に説明したものである１本図は、アルゴリズムを判
り易くするために、出力層のに番目の出力信号ｙ８ｋに
着目して、これを教師信号３／ｌｂに一致させるための
シナプス加重の修正手順を示したものである。以下、第
１１図に示すアルゴリズムを具体的に説明する。まず、
ｋ番目の出力信号ｙ８にと教師信号ｙｔｋとの誤差ｅｋ
は。

ｅｋ＝　ｙｔｋ−ｙ３ｋ　　　　　　　　　・・・（４
）である、ユニットの動作レベルＵ３ｋにおける誤差の
影響度をｄｓｈとすると、ｄ３には、ｄａｋ＝　　ｅｋ
　ｆ’　ａｈ（Ｕａｈ）で表される。但し、ｆ’（Ｕ）
は次のとおり。

・・・（５） 従って、出力層に番目のユニットにおけるｊ番目の入力
部にあるシナプス加重ＷａｈｅｚＪの修正量ΔＷｓｂ、
ｚａ（Ｎａｔ）は次式で表される。

ΔＷａｈ＊ｚａ（Ｎａｔ）　＝　η・ｄｓｈ−ｙｚＪ　
　−（７）ここで、Ｎは前回を表す記号でηは学習定数
と称する。また、ｙ２Ｊは中間層のｊ番目の出力信号を
示す。但し、安定な収束を実現するために。

（７）式で得た修正量をそのまま使用せず、次式で表す
方法で修正し、新たなシナプス加重 Ｗａｋｔ　ｚＪ（Ｎａｔ）を次式のように得る。

Ｗｓｈ、ｚａ　（Ｎ＋１）＝　Ｗｓｈ、ｚＪ（Ｎ）　　
＋　Δ　Ｗａｈ＋ｚＪ（Ｎａｔ）＋α・　　Δ　Ｗｓｋ
＋ｚ−（ｓ）　　　　　　　　　　　　・＝　（８）こ
こで、αは安定化定数と称する。以上、出力層の入力部
のシナプス加重の修正方法を示した。

次に、中間層の入力部のシナプス加重の修正方法を説明
する。第１１図では中間層のｊ番目のユニットのｉ番目
の入力部にあるシナプス加重Ｗｚａｅｘ＋に着目して、
その修正方法を示しである。

この場合のユニットの動作レベルＵ２Ｊにおける誤差の
影響度ｄｚａは、出力層の全ユニット出力の誤差を考慮
して決定されるべきで、下記（９）式で表される。

ｄｚａ＝　ｆ　’　　ｚＪ（Ｕｚｊ）　　Σ　ｄ　５ｋ
−Ｗｓｋ、ｚａ　　−（９）ｋ＝１ 従って、中間層ｊ番目のユニットにおけるｉ番目の入力
部にあるシナプス加重の修正量ΔＷｚＢ１ｒＣＮ÷１）
は、次式で表される。

ΔＷｚｊｔｘｔＣｎ＋ｓ）　＝　　η０ｄ３ＪＩｌｙｌ
ｉ　°°“（ｌＯ）ここで、Ｎは前回を示す記号で、η
は学習定数と称する。また、ｙｌｌは入力層のｉ番目の
出力信号を示す。但し、出力層の場合と同様、安定な収
束を実現するために、（１０）式で得られた修正量をそ
のまま使用せず、次式で表す方法で修正し、新たなシナ
プス加重ＷｚＪｅｔｔ（Ｎａｔ）を次式のように得る。

ＷｚＪ＋ｔｔ（ｑ＋１）＝Ｗｚａ＊ｚｔ（Ｎ）　　＋　
Δ　Ｗｚａｙｔｔ（Ｎａｔ）＋α・ΔＷｚＪ、ｔｔ（Ｎ
）　　　　　・・・（１１）ここで、αは安定化定数と
称する。

上記（４）〜（１１）式の演算処理を繰り返すことによ
り誤差ｅｋを最小化することができる。すなわち、出力
層からの出力信号パターンを教師信号パターンに一致さ
せることができ、その結果、入力信号パターンが神経回
路モデル内のシナプス加重分布（すなわち、回路内接続
強度分布）として記憶（学習）したことになる、また、
別の入力信号パターンを入力層に提示し、教師信号パタ
ーンもこれに対応して別のパターンを提示すれば、上記
アルゴリズムが動作し、新たなシナプス加重分布として
記憶したことになる。

このようなアルゴリズムを用いれば、複数の学習サンプ
ルを同一神経回路モデル内に記憶することが可能である
。学習完了後の神経回路モデルを用いれば、既学習パタ
ーンと同一のパターンが入力された場合は、学習時に用
いた出力信号パターンと同一のものが出力層から出力さ
れる。また、未学習のパターンが入力された場合でも、
既学習パターンとの類似度に応じて出力信号パターンも
類似したものが得られる。

第１２図は上記の神経回路モデルと学習方式を本実施例
に適用した場合の神経回路モデル１００とその学習用入
力信号１１５および学習用スケジュール修正量２１０と
の関係を示す、学習用入力信号１１５は前回起動時の運
転目標１１とプロセス状態初期値４４から成る。ここで
、運転目標１１とは、目標負荷、目標起動完了時刻、ロ
ータ表面応力制限値およびロータボア応力制限値などで
ある。但し、目標起動完了時刻は実際には現時刻から起
動完了までの時間に換算されて入力される。

また、プロセス状態初期値４４とは、主蒸気温度、主蒸
気圧力、再熱蒸気温度、再熱蒸気圧力、高圧および中圧
タービン第１没後ケーシング内外壁温度などである。す
なわち、入力層のユニット数は１２個であり、出力層の
ユニット数は７個である。また、中間層のユニット数に
関しては厳密に規定する必要はなく、本実施例では学習
特性に応じて変更し得るよう可変構造とした。

運転モードによる運転実績を積むにつれ、学習モードに
おいては新しい学習用入力信号１１５と学習用スケジュ
ール修正量２１０が神経回路１００の入力層と出力層に
次々と提示され、その都度、学習機能２００により神経
回路モデル内のシナプス加重が改善されてゆく、このこ
とが１本システムが自己成長性を実現している基本原理
である。

第１３図は本発明の実施例において、制御システムがプ
ラントの起動実績を積むにつれ起動特性が改善（この場
合、起動時間が短縮）されてゆく様子を示すものである
０本図では、実施された４回の起動に関する特性を図中
の数字で示した。

１回目の起動で発生した熱応力は制限値に対して大きな
余裕があったが、起動を繰返すことにより制限値を有効
に利用することができ、起動時間の短縮となって現れて
いる。第１３図では、点火時刻を基準として起動特性を
示しているが、運転目標が起動完了時刻であれば、起動
完了時刻を基準にして、その他の時刻管理を行なえば良
い、また、併入時刻あるいは通気時刻が運転目標となる
場合も同様であり１本発明を適用するにあたり、何ら新
たな概念を必要としない。

本発明の上記実施例では、最適化のためのスケジュール
パラメータとして昇温所要時間、速度保持時間、負荷保
持時間の計７個を用いたが、必ずしもこれらのパラメー
タに限定する必要はなく、昇速率や負荷上昇率などスケ
ジュールパラメータを構成するその他のパラメータにも
拡張し、これを最適化する方式としても何ら本発明の基
本概念を変更するものではない。

本発明の実施例では起動時間の短縮に関する最適化を主
体として説明したが、実際にプラントを運転するにあた
り、その日の状況に応じて種々の要求が発生する場合が
多い。例えば、運転に伴うエネルギー損失や機器の寿命
消費、起動完了時刻などの目標値到達時刻の精度、目標
状態値に対する達成精度、状態変化率に対する精度、水
や薬品など資源に関する損失、運転制限値に対する余裕
値など様々な要求である。運転員は、その日の状況に応
じて上記各種要求に対する重み付けをすることにより、
必要な運転特性が得られることを期待する。すなわち、
多目的最適化である。

このような場合にも、本発明はそのまま適用できる６第
１４図は１本発明を多目的最適制御システムとして適用
する場合に前述の実施例における各機能のうち、内容的
に拡張゛される部分のみ、すなわち目標設定機能１０．
評価機能４１０、ファジィ推論４００および知識ベース
５００について示したものである。目標設定機能１０で
は運転員はエネルギー損失、機器寿命消費、目標値到達
時刻などに関する目標精度を図示のような方法で設定す
る。ここで、目標精度とは、別途与えられている標準値
に対する誤差と定義する。第１４図の目標設定の例では
、「エネルギー損失と機器寿命消費は少々大きくてもか
まわないが、目標値到達時刻は通常より早めにしたい」
という運転員の願望を示している。

一方、評価機能３００では、上記目標に対応してエネル
ギー損失評価機能３０１、機器寿命消費評価機能３０２
、目標値到達時刻評価機能３０３といった評価機能３０
０を準備する。また、これらからの評価値４１０に対し
てスケジュール修正量を求めるために、ファジィ推論４
００はエネルギー損失評価低減用知識ベース５０１、機
器寿命消費低減用知識ベース５０２、目標値到達時刻精
度向上用知識ベース５０３など多種の知識がら成る知識
ベース（修正ルール）５００を用いる。

ファジィ推論４００では、上記多目的な運転目標１１が
与えられると、前記の各知識ベースを構成するルールの
結論部に設定されたメンバーシップ関数の出力値すなわ
ちスケジュール修正量が各目標精度に応じてスケール変
更される。これにより、前記の多目的な運転目標１１を
達成するために必要な第２のスケジュール修正量４２０
を求めることができる。

第１５図は、エネルギー損失低減用ルールの結論部メン
バーシップ関数を例としてスケール変更の状況を示すも
のである。すなわち、エネルギー損失の目標精度がプラ
ス側に設定された場合は、メンバーシップ関数の幅は小
さくなり、スケジュール修正量は小さく、エネルギー損
失に対して感度が鈍くなる。逆に、プラス側に設定され
た場合は、メンバーシップ関数の幅は大きくなり、スケ
ジュール修正量は大きく、エネルギー損失に対して感度
が高くなる。なお、図示はしないが、神経回路モデル１
００の入力層に準備すべきユニットの数は、多目的とな
った場合は運転目標１１および必要なプロセス状態初期
値４４の数に合わせることは勿論のことである。出力層
に関しても修正対象スケジュールパラメータの数に一致
させることは勿論である。

以上、述べた本発明の実施例は、プロセス運転特性に応
じて、スケジュール修正量を最適化するためのものであ
るが、本発明は、他にも利用できることは勿論である０
例えば、調節機能４０において、ＰＩＤ調節系（入力信
号を受けて、比例。

積分、微分動作をする調節系）を用いる場合は。

そのＰＩＤゲインの最適調整に利用することができる。

また、スケジュール機能３０あるいは調節機能４０にお
いて、各種数値演算あるいは論理演算を行なう場合のゲ
イン（Ｋ）の最適調整に利用することができる。

さらに、上記両機能３０．４０において、関数（ｆ）を
使用する場合は、関数（ｆ）の最適修正あるいは複数個
準備した関数（ｆ）の最適切替にも本発明は適用するこ
とが可能である。また、スケジュール機能３０あるいは
調節機能４０に手動／自動切替用あるいは操作短切替用
の切替器がある場合にも、運転特性に応じた最適切替に
本発明を適用することが可能である。さらに、調節機能
そのものを運転目標に応じて切替る場合も本発明が適用
できる。

また、複数台からなる機器群の中から特定の機器あるい
は特定台数の機器を運転目標に応じて最適に組合せて、
操作もしくは運転する場合にも本発明を適用することが
できる。勿論、上記の機能を任意に組合せた適用も可能
である。

次に、上記の各種の調整に適用した具体的実施例につい
て説明する。

まず、調節機能４０におけるＰＩＤゲインの最適調整に
本発明を適用した場合を第１６図で説明する。なお第１
６図以降では、評価機能、ファジィ推論、修正ルール（
知識ベース）及び学習機能を省略して示している０本図
に示すようにＰＩＤ調節系４０のＫｐ、Ｋｉ、Ｋｄはそ
れぞれ比例ゲイン、積分ゲイン、微分ゲインである１本
例では、プロセス３０００の応答特性３１０を評価機能
３００で評価し、予め準備したゲイン修正用の知識ベー
ス５００を用いて、学習モードにてファジィ推論４００
によりスケジュール修正量を求めて、これと運転目標を
対応付けて神経回路モデル１００に学習させる。

運転モードにおいては、上記学習済みの神経回路モデル
１００に運転日＃Ａ１１を入力することにより、最適な
ゲイン修正量ΔＫ　Ｐ　ｅΔＫｉ、ΔＫｄを出力値とし
て得ることができる。

次に、スケジュール機能３０および調節機能４０におけ
るゲイン（Ｋ）の最適調整に本発明を適用した場合を第
１７図および第１８図で説明する。第１７図に示すよう
に、スケジュール機能３０に属するゲインＫ　ｔ　ｔ　
、　Ｋ　１　ｘ　＋・・・、に１．は、プロセスの応答
特性より学習モードにおいて、ファジィ推論４００によ
りゲイン修正量を求め、これと運転目標１１とを対応つ
けて学習させた神経回路モデル１００に、運転モードに
おいて運転目標１１を入力することにより、最適なゲイ
ン修正量ΔＫ　ｌｔ　、Δに１２．・・・、ΔＫ　ｓ　
ｍを出力値として得ることができる。また、第１８図に
示すように、調節機能４０に属するゲインＫｚ１＋　Ｋ
２２＃　”’　＋　Ｋｚｎは、同様にしてプロセスの運
転特性よりファジィ推論４００によりゲイン修正量を求
め、これと運転目標１１とを対応付けて学習させた神経
回路モデル１００に、運転モードにおいて運転目標を入
力することにより、最適なゲイン修正量Δに２１゜Δに
２２．・・・、ΔＫｚｎを出力値として得ることができ
る。

次に、スケジュール機能３０および調節機能４０におけ
る関数（ｆ）の最適修正について第１９図を用いて説明
する。いま、関数ｆ（ＡＸｔ。

ＢＸｚ、ＣＸ５）のＡ、Ｂ、Ｃが係数として与えられて
いるとき、神経回路モデル１００からは。

ΔＡ、ΔＢ、ΔＣを最適修正量として出力することによ
り、プロセスの応答特性を改善することができる。

次に、複数個準備した関数（ｆ）の最適切替に本発明を
適用した場合について第２０図を用いて説明する。この
場合は、複数個の関数ｆｔ、ｆｚ＝・・・　ｆいの入力
部または出力部にスイッチング機能Ｓｔ、　Ｓｔ、・・
・ｌｓｎ　を準備し、神経回路モデル１００から運転目
標１１に応じて、その操作信号Ｗ１．　Ｗｚ、・・・、
Ｗｅを最適切替信号として出力することにより、プロセ
スの応答特性を改善することができる。

次に、手動／自動切替用に本発明を適用した場合を第２
１図を用いて説明する。この場合は、手動／自動切替器
１０１，１０２，１０３において。

自動モードの場合は、入力信号Ｘ　ａ　ｉ　、　Ｘ　ａ
　ｚ　、　Ｘ　ａ　ｓが出力Ｙｌｌ　Ｙｚ、Ｙａとなる
が、手動モードの場合は、それぞれ手動設定器２０１，
２０２，２０３から手動で設定された信号Ｘ　ｓｌｙ　
Ｘ５ｚｅ　Ｘｍａが出力信号Ｙｔ、Ｙｚ、Ｙｓとなるも
のであり、運転目標１１に応じて神経回路モデル１００
からの最適切替信号Ｗｔｅ　Ｖ／ｚｔ　Ｗｓにより切替
られる。

次に、操作端切替用に本発明を適用した場合について第
２２図を用いて説明する。この場合は、複数の操作端１
３１，１３２，１３３を操作するための操作器１４１，
１４２，１４３のうち、調節機能４０からの操作端とし
て最適なものを決定するために、神経回路モデル１００
から最適切替信号Ｔ　１ｖ　Ｔ　２　Ｐ　Ｔ　ａを各切
替器１５１，１５２゜１５３に対応して出力する。

次に、同一操作端に対して、調節機能そのものの切替に
本発明を適用した場合について第２３図を用いて説明す
る。この場合は、複数の調節機能４０ａ、　４０ｂ、　
４０ｃの動作を各入力部に設けた切替器Ｓ１．Ｓ２．Ｓ
ａに対して神経回路モデル１００から最適な切替信号Ｔ
ｌｌ　Ｔ２．Ｔ３を出力することにより決定することが
できる。

次に、複数台からなる機器群の中から運転目標に合致し
た特定の機器あるいは特定台数の機器を最適選択して、
操作もしくは運転する場合について、第２４図を用いて
説明する０本図は、１０台の機器３００１，３００２．
・・・、３０１０から成る機器群を運転する場合を例と
して示した。各機器の制御装置もしくは操作器６０１，
６０２．・・・６１０に対してスケジュール機能３ｏか
ら操作もしくは運転指令を発生させるが、どの機器を対
象とするかを決定する必要がある。この場合も運転目標
１１に応じて神経回路モデル１００から出力される最適
機器選択信号Ｍｌ、　Ｍｚ、・・・９Ｍ１０がスケジュ
ール機能３０の記憶部３１１に与えられる。

この場合、最適機器選択信号はバイアス信号で与えられ
る。

以上１本発明の各種適用例について説明したが。

これらは目的に応じて、任意に組合わせることが可能で
あり、このことにより本発明の本質が変わることはない
。

本発明の実施例によれば、次に示す（イ）〜（ル）の効
果が得られる。

（イ）運転実績を積むほど運転特性が自己成長的に向上
する。

すなわち、制御システムに内蔵されたファジィ推論と神
経回路モデルを中心とした自己学習機構がこれに寄与し
ている。制御システムにこのような巧妙な能力を付加す
るのに必要となるのは、運転員、調整員、制御技術者な
どの専門家がもつ定性的知識のみである。そのため、プ
ロセスの運転開始の際に必要となる初期調整は簡素化で
き、その後の運転特性は向上する一方である。

（ロ）日々刻々変化する運転目標に対してプロセスは常
に最適運転が保証される。すなわち、過去の運転事例に
対応する最適運転方法を制御システムに内蔵された神経
回路モデルが十分に学習を積んでおれば、運転目標が与
えられたとき、常に最適な運転を実現できる。

（ハ）多目的最適化が容易となる。プロセスを運転する
にあたり運転員は日々側々の状況に応じて。

各種要求とそれらに対する重み付けを制御システムに設
定する。これにより、必要な運転特性が得られる。すな
わち、運転員は起動所要時間、エネルギー損失、機器寿
命消費量、目標値到達時刻、目標状態達成精度、状態変
化率達成精度、資源損失量、対運転制限値余裕などに関
する要求度合いを決定するのみでよい、従って、計算制
御システムとしての本システムは複雑大規模なプログラ
ムを膨大な時間をかけて作成する必要はない。

（ニ）ＰＩＤゲインの最適調整に利用できる。これによ
り、調整員による膨大な調整時間が不要となるとともに
、運転条件によるプロセス動特性の非線形性に対し、調
節機能が常に最適ゲインで追従できることである。さら
に、プロセスの特性が経時変化する場合でも常に最適ゲ
インに維持できる。従って、プロセスからは均質で良質
の製品を生産することができ、歩留も向上する。

（ホ）スケジュール機能および調節機能における数値演
算あるいは論理演算に使用している変数間の重みを最適
化できる。これにより、運転目標に応じた最適なプロセ
ス運転特性が得られる。

この結果、演算式の初期調整の時間が大幅に削減できる
ばかりでなく、運転目標に応じて動的に最適調整される
。

（へ）関数（ｆ）の最適調整が可能となる。プロセスの
特性が経時変化した場合の効果は前記（ニ）の効果と同
様であり、運転目標が変更された場合は先行制御信号や
バイアス信号の最適化などに効果的である。

（ト）複数個準備された関数をプロセスの運転状態や運
転目標に応じて使い分ける場合に最適自動切替が可能と
なる。したがって、複雑な切替管理用ロジックの作成が
不要となる。

（チ）手動／自動切替器の最適自動切替が可能となる。

そのため、異常発生時など手動による対応操作が必要と
なる場合、残留自動系による暴走を防止できること、自
動切替に伴うメツセージ出力により運転員による操作ミ
スを防止できること１手動運転後に自動運転に移行する
際、滑らかで速やかな移行が可能なことなどの効果があ
る。これにより、運転員の負荷が軽減されることも大き
な効果である。

（す）操作端の最適自動切替が可能となる。このため、
運転目標やプロセス状態に応じて、より安定で安全な操
作端が選択さ九ること、より応答性の良い操作端が選択
されること、より効率的な操作端が選択されランニング
コストを低減できること、操作器の寿命消費の均等化あ
るいは計画的な管理が可能となるなどの効果がある。

また、複雑な切替管理用ロジックの作成が不要となる。

（ヌ）調節機能の最適自動切替が可能となる。したがっ
て、複雑な切替管理用ロジックの作成が不要となる。

（ル）複数台からなる機器群の中から運転すべき機器あ
るいは台数の自動選択が可能となる。このため、運転目
標やプロセス状況に応じて、より安定で安全な機器が選
択されること、より応答性の良い機器が選択されること
、より効率的な機器端が選択されランニングコストを低
減できること１機器の寿命消費の均等化あるいは計画的
な管理が可能となることによる予備機台数を最小化でき
ることなどの効果がある。また、複雑な切替管理用ロジ
ックの作成が不要となる。

〔発明の効果〕

以上、本発明の制御システムによれば、プロセスモデル
を用いることなく簡単な知識ベースを用いて自動的にプ
ロセスの最適化をはかることができる。

【図面の簡単な説明】

第１図は１本発明の一実施例を示すもので、運転モード
すなわち実際にプロセスが運転中に動作する機能を示し
た構成図、第２図は、本発明の一実施例で学習モードす
なわちプロセスが休止もしくは停止中に動作する機能を
示した構成図、第３図は、本発明の一実施例である制御
対象プロセスとしての火力発電プラントの主要機器構成
示す構成図、第４図は、第３図に示した火力発電プラン
トのなかで、タービン熱応力管理上、重要となる高圧及
び中圧タービン入口部の軸方向断面および検出器の位置
を示す第３図のＡ部に相当する部分の断面図、第５図は
１本発明の一実施例である制御特性の評価機能とファジ
ィ推論による操作パラメータの修正方法を示す概略説明
図、第６図は。 起動スケジュールとタービン熱応力の関係を示す特性図
、第７図は、タービン熱応力余裕値を評価するためのメ
ンバーシップ関数を示す説明図、第８図は、ファジィ推
論によりスケジュール修正量の算出手順を示す説明図、
第９図は、本発明の一実施例である神経回路モデルの単
一ニューロンモデルを示す概略図、第１０図は、第９図
の二ニーロンモデルを多層に配置した神経回路モデルと
学習の基本的考え方を説明する説明図、第１１図は。 神経回路モデルの学習アルゴリズムを示す説明図、第１
２図は、神経回路モデルと学習方式を火力発電プラント
の起動制御に適用した場合を示す説明図、第１３図は、
本発明を適用することにより。 プラントの起動特性が改善されてゆく様子を示す特性図
、第１４図は、本発明を多目的最適化制御システムとし
て適用した場合の目標設定機能とファジィ推論との関係
を示す説明図、第１５図は、多目的最適化のための目標
設定時のメンバーシップ関数のスケール変更の状況を示
す説明図、第１６図は、本発明をＰＩＤゲインの最適調
整に適用した場合を示す概略構成図、第１７図は、本発
明をスケジュール機能におけるゲインの最適修正に適用
した場合を示す概略構成図、第１８図は、本発明を調整
機能におけるゲインの最適修正に適用した場合を示す概
略構成図、第１９図は、本発明を関数の最適修正に適用
した場合を示す概略構成図、第２０図は１本発明を関数
の最適切替に適用した場合を示す概略構成図、第２１図
は、本発明を手動／自動切替器の最適切替に適用した場
合を示す概略構成図、第２２図は、本発明を操作端の最
適切替に適用した場合を示す概略構成図、第２３図は１
本発明を調節機能の最適選択に適用した場合を示す概略
構成図、第２４図は１本発明を機器群中から運転必要機
器を最適選択するのに適用した場合を示す概略構成図で
ある。 １０・・・目標設定機能、３０・・・スケジュ−ル機能
、４０・・・調節機能、１００・・・神経回路モデル、
２００・・・学習機能、３００・・・評価機能、４００
・・・ファイジ推論、５００・・・知識ベース、１００
０・・・制御機第 ３ 図 第 図 １１０ 第 図 第 図 ５ ’　ｍｆｉ、　ｔ　７ｔｔｆｍｍ＋ 第 ９ 図 入力 シナプス加重 出力 第 ０ 図 第　１３　図 火 気 入 第 ６ 図 第 １７ 図 第 ８ 図 第２３図

Claims (1)

1. 【特許請求の範囲】 １、制御対象となるプロセスの運転目標を設定する目標
   設定手段と、 該目標設定手段からの信号を受けて該プロセスを運転す
   るための制御量を出力する制御手段と、 該制御手段からの信号に基いて運転された該プロセスの
   前記運転目標に対応する運転特性を定量的に評価する評
   価手段と、 該評価手段によつて得られた評価値に基づき、該プロセ
   スの運転特性と運転目標との定性的関係において運転方
   策を定めた修正ルールの中から定性的に合致する運転方
   策を抽出して前記制御手段の修正量を決定する修正手段
   と、 該修正手段で得られた修正量と前記運転目標との関係を
   記憶する記憶手段と、 を具備したことを特徴とするプロセス制御システム。 ２、制御対象となるプロセスの運転目標を設定する目標
   設定手段と、 該目標設定手段からの信号を受けて該プロセスを運転す
   るための制御量を出力する制御手段と、 過去の運転特性に基づき運転目標と該制御手段の修正量
   との関係を記憶させた記憶手段と、前記制御手段からの
   信号及び該記憶手段からの信号に基づいて運転された該
   プロセスの前記運転目標に対応する運転特性を定量的に
   評価する評価手段と、 該評価手段によつて得られた評価値に基づき、該プロセ
   スの運転特性と運転目標との定性的関係において運転方
   策を定めた修正ルールの中から定性的に合致する運転方
   策を抽出して前記制御手段の修正量を決定する修正手段
   と、 を具備したことを特徴とするプロセス制御システム。 ３、制御対象となるプロセスの運転目標を設定する目標
   設定手段と、 該目標設定手段からの信号を受けて該プロセスを運転す
   るための制御量を出力する制御手段と、 該制御手段からの信号に基づいて求めた該プロセスの前
   記運転目標に対応する運転特性を定量的に評価する評価
   手段と、 該評価手段によつて得られた評価値に基づき、該プロセ
   スの運転特性と運転目標との定性的関係において運転方
   策を定めた修正ルールの中から定性的に合致する運転方
   策を抽出して前記制御手段の修正量を決定する修正手段
   と、 を具備するプロセス制御システムにおいて、前記評価手
   段として前記制御手段からの信号に基づいて実際に運転
   された該プロセスの運転特性を定量的に評価する評価手
   段を有し、前記修正手段で得られた修正量と前記運転目
   標との関係を記憶する記憶手段を備えたことを特徴とす
   るプロセス制御システム。 ４、制御対象となるプロセスの運転目標を設定する目標
   設定部と、 該目標設定部からの信号を受けて該プロセスを運転する
   ための制御量を出力する制御部と、該制御部からの信号
   に基づいて運転された該プロセスの前記運転目標に対応
   する運転特性に応じて前記制御部の制御量を最適化する
   最適化部と、 を具備し、 該最適化部が、前記制御部からの信号に基づいて運転さ
   れた該プロセスの前記運転目標に対応する運転特性を定
   量的に評価する評価手段と、該プロセスの運転特性と運
   転目標との定性的関係において予め運転方策を定めた修
   正ルールと、 前記評価手段によつて得られた評価値に基づき、該修正
   ルールの中から定性的に合致する運転方策を抽出して前
   記制御部の修正量を決定する修正手段と、 該修正手段で得られた修正量と前記運転目標との関係を
   記憶する記憶手段と、 を具備することを特徴とするプロセス制御システム。 ５、請求項１〜４の何れか１項において、前記記憶手段
   が前記運転目標と前記修正量との関係を回路内接続状態
   として記憶するための神経回路モデルを具備することを
   特徴とするプロセス制御システム。 ６、請求項５において、前記神経回路モデルが入力層と
   中間層と出力層とを具備する層状のネットワークを有す
   るバックプロパゲーション型の神経回路モデルを有する
   ことを特徴とするプロセス制御システム。 ７、請求項１〜４の何れか１項において、前記評価手段
   によつて得られた評価値に基づき、前記修正ルールの中
   から定性的に合致する運転方策を抽出してフアジー論理
   に従つて定量的運転方策に変換し前記修正量を決定する
   前記修正手段を有することを特徴とするプロセス制御シ
   ステム。 ８、請求項１〜４の何れか１項において、前記評価手段
   が前記プロセスの運転特性の運転制限条件に対する余裕
   値を定量的に求める余裕値計算手段を具備することを特
   徴とするプロセス制御システム。 ９、請求項１〜４の何れか１項において、前記修正ルー
   ルが少なくとも条件部（ｉｆ部）と結論部（ｔｈｅｎ）
   の２項目を有することを特徴とするプロセス制御システ
   ム。 １０、請求項１〜４の何れか１項において、前記制御手
   段或いは制御部が、運転目標を該プロセスが達成するた
   めの運転スケジュールを作成する基本運転スケジュール
   作成手段と、前記記憶手段或いは記憶部からの信号に基
   づいて該運転スケジュールに修正を加える調節手段とを
   具備することを特徴とするプロセス制御システム。 １１、制御対象となるプロセスの運転目標を設定する目
   標設定手段と、 該目標設定手段により与えられた運転目標を該プロセス
   が達成するための運転スケジュールを作成する基本運転
   スケジュール作成手段と、過去の運転特性に基づき運転
   スケジュールの修正量と運転目標との関係を記憶させた
   記憶手段から信号を受けて該基本運転スケジュールに修
   正を加える調節手段と、 該調節手段からの信号に基づいて運転された該プロセス
   の前記運転目標に対応する運転特性を定量的に評価する
   評価手段と、 該評価手段によつて得られた評価値に基づき、該プロセ
   スの運転特性と運転目標との定性的関係において運転方
   策を定めた修正ルールの中から定性的に合致する運転方
   策を抽出して前記基本運転スケジュールの修正量を決定
   する修正手段と、 該修正手段で得られた修正量と前記運転目標との関係を
   記憶する前記記憶手段と、 を具備したことを特徴とするプロセス制御システム。 １２、制御対象となるプロセスの運転目標を設定する目
   標設定手段と、 該目標設定手段により与えられた運転目標を該プロセス
   が達成するための運転スケジュールを作成する基本運転
   スケジュール作成手段と、該基本運転スケジュール作成
   手段から信号を受けて操作パラメータ或いは／及び操作
   パラメータの操作量を修正する調節手段と、該調節手段
   からの信号に基づいて運転された該プロセスの前記運転
   目標に対応する運転特性を定量的に評価する評価手段と
   、 該評価手段によつて得られた評価値に基づき、該プロセ
   スの運転特性と運転目標との定性的関係において運転方
   策を定めた修正ルールの中から定性的に合致する運転方
   策を抽出して前記調節手段の操作パラメータ或いは／及
   び操作量の修正量を決定する修正手段と、 該修正手段で得られた修正量と前記運転目標との関係を
   記憶する前記記憶手段と、 を具備したことを特徴とするプロセス制御システム。 １３、制御対象となるプロセスの運転目標を設定する目
   標設定手段と、 該目標設定手段により与えられた運転目標を該プロセス
   が達成するための運転スケジュールを作成する基本運転
   スケジュール作成手段と、過去の運転特性に基づき運転
   スケジュールの修正量と運転目標との関係を記憶させた
   記憶手段から運転スケジュール修正の信号を該基本運転
   スケジュール作成手段に送る経路と、 修正された該基本運転スケジュール作成手段からの信号
   に基づいて運転された該プロセスの前記運転目標に対応
   する運転特性を定量的に評価する評価手段と、 該評価手段によつて得られた評価値に基づき、該プロセ
   スの運転特性と運転目標との定性的関係において運転方
   策を定めた修正ルールの中から定性的に合致する運転方
   策を抽出して前記基本運転スケジュールの修正量を決定
   する修正手段と、 該修正手段で得られた修正量と前記運転目標との関係を
   記憶する前記記憶手段と、 を具備したことを特徴とするプロセス制御システム。 １４、制御対象となるプロセスの運転目標を設定する目
   標設定手段と、 該目標設定手段からの信号を受けて該プロセスを運転す
   るための制御量を出力する制御手段と、 該制御手段からの信号に基づいて運転された該プロセス
   の前記運転目標に対応する運転特性を定量的に評価する
   評価手段と、 該評価手段によつて得られた評価値に基づき、該プロセ
   スの運転特性と運転目標との定性的関係において運転方
   策を定めた修正ルールの中から定性的に合致する運転方
   策を抽出して前記制御手段の修正量を決定する修正手段
   と、 前記運転目標と該修正手段で得られた修正量との関係を
   回路内接続状態として記憶するための神経回路モデルを
   有する記憶手段と、 該神経回路モデルに対して前記運転目標と該修正量との
   関係を学習させるための学習手段と、を具備したことを
   特徴とするプロセス制御システム。 １５、請求項１４において、前記神経回路モデルが入力
   層と中間層と出力層とを具備する層状のネットワークを
   有するバツクプロパゲーシヨン型の神経回路モデルを有
   し、運転目標を該神経回路モデルに入力したとき所定の
   修正量が出力されるように回路接続状態を決定する前記
   学習手段を有することを特徴とするプロセス制御システ
   ム。 １６、制御対象となるプロセスの運転目標を設定する目
   標設定手段と、 該目標設定手段からの信号を受けて該プロセスを運転す
   るための制御量を出力する制御手段と、 過去の運転特性に基づき運転目標と運転方策との関係を
   回路内接続状態として予め記憶させた神経回路モデルと
   、 該神経回路モデルの入力部に該運転目標に対応した入力
   信号を与えることにより出力部に現れる出力信号に基づ
   いて前記制御手段の制御量を調節する調節手段と、 を具備したことを特徴とするプロセス制御システム。 １７、制御対象となるプロセスの複数の運転目標を設定
   するための目標設定手段と、 該目標設定手段からの信号を受けて該プロセスを運転す
   るための制御量を出力する制御手段と、 過去の運転特性に基づき運転目標と運転方策との関係を
   回路内接続状態として予め記憶させた神経回路モデルと
   、 該神経回路モデルの入力部に複数の該運転目標に対応し
   た入力信号を与えることにより出力部に現れる出力信号
   に基づいて前記制御手段の制御量を調節する調節手段と
   、 を具備したことを特徴とするプロセス制御システム。 １８、燃料の燃焼により発生する熱により蒸気を発生さ
   せるためのボイラと、 発生した蒸気の熱エネルギーを機械エネルギーに変換す
   るための蒸気タービンと、 変換された該機械エネルギーを電気エネルギーに変換す
   るための発電機と、 を具備する発電プラントのプロセス制御システムであつ
   て、 該プロセスの運転目標を設定する目標設定手段と、 該目標設定手段からの信号を受けて該プロセスを運転す
   るための制御量を出力する制御手段と、 該制御手段からの信号に基づいて運転された該プロセス
   の前記運転目標に対応する運転特性を定量的に評価する
   評価手段と、 該評価手段によつて得られた評価値に基づき、該プロセ
   スの運転特性と運転目標との定性的関係において運転方
   策を定めた修正ルールの中から定性的に合致する運転方
   策を抽出して前記制御手段の修正量を決定する修正手段
   と、 該修正手段で得られた修正量と前記運転目標との関係を
   記憶する記憶手段と、 を具備したことを特徴とする発電プラントプロセス制御
   システム。 １９、燃料の燃焼により発生する熱により蒸気を発生さ
   せるためのボイラと、 発生した蒸気の熱エネルギーを機械エネルギーに変換す
   るための蒸気タービンと、 変換された該機械エネルギーを電気エネルギーに変換す
   るための発電機と、 を具備する発電プラントのプロセス制御システムであつ
   て、 該プロセスの運転目標を設定する目標設定手段と、 該目標設定手段からの信号を受けて該プロセスを運転す
   るための制御量を出力する制御手段と、 過去の運転特性に基き運転目標と該制御手段の修正量と
   の関係を記憶させた記憶手段と、前記制御手段からの信
   号及び該記憶手段からの信号に基づいて運転された該プ
   ロセスの前記運転目標に対応する運転特性を定量的に評
   価する評価手段と、 該評価手段によつて得られた評価値に基づき、該プロセ
   スの運転特性と運転目標との定性的関係において運転方
   策を定めた修正ルールの中から定性的に合致する運転方
   策を抽出して前記制御手段の修正量を決定する修正手段
   と、 を具備したことを特徴とする発電プラントプロセス制御
   システム。 ２０、燃料の燃焼により発生する熱により蒸気を発生さ
   せるためのボイラと、 発生した蒸気の熱エネルギーを機械エネルギーに変換す
   るための蒸気タービンと、 変換された該機械エネルギーを電気エネルギーに変換す
   るための発電機と、 を具備する発電プラントのプロセス制御システムであつ
   て、 該プロセスの運転目標を設定する目標設定手段と、 該目標設定手段からの信号を受けて運転スケジュールを
   作成する基本運転スケジュール作成手段と、 該基本運転スケジュールに沿つて運転された該プロセス
   の運転特性を定量的に評価する評価手段と、 該プロセスの運転特性と対応する運転目標との定性的関
   係において運転方策を定めた修正ルールの中から定性的
   に合致する運転方策を抽出して運転スケジュールの修正
   量を決定する修正手段と、 該修正手段で得られた修正量と前記運転目標との関係を
   記憶する記憶手段と、 該記憶手段からの信号に対応して前記プロセスの運転ス
   ケジュールを調節する調節手段と、を具備したことを特
   徴とする発電プラントプロセス制御システム。