JPH03265902A - プロセス制御装置 - 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、ニューラルネットワークを用いたプロセス制
御装置に関する。

〈従来の技術〉 従来より、プラントの現場では、ＰＩＤ制御方式が圧倒
的に多く採用されている。このＰＩＤを中心としたプラ
ントのプロセス制御系を仕様どおりの制御特性に調整す
るためには、制御対象プロセスの特性変動に応じてコン
トローラのパラメータ（制御定数）を適切な値に設定す
る必要がある。

制御系を調整するには、何らかの応答によりプロセスを
同定する必要があるが、コントローラの制御動作を止め
な開ループで実施する方法と閉ループ制御中に実施する
方法がある。しかしながら、開ループではプラントの操
業条件を維持できなくなることがあるため、閉ループ制
御中に同定から調整まで実施できる方法が望ましい、閉
ループ制御中に制御系を調整できる方法として、詳述す
ればオンライン的に自動調整し制御系としての性能を常
に最良の状態に保持するような制御方式として、適応制
御がある。

更に適応制御には、ゲインスケジューリング方式やセル
フチューニングレギュレータという手法がある。

第５図は、自動制御ハンドブック基礎編（計測自動制御
学会１）Ｐ７０１〜７０３に記載されたゲインスゲジュ
ーリング方式のブロック図と同等の概念的ブロック図で
ある。特性変動の原因となった環境条件１を環境測定機
構２により測定し、その測定結果をパラメータ発生器３
に与える。このパラメータ発生器３は、コントローラパ
ラメータとの対応関係を表にして持っており、測定結果
に対応したコントローラパラメータをコントローラ４に
与える。

コントローラ４は、目標値、プラント５の出力、および
前記パラメータを基にプラント５に与える入力（プロセ
ス操作量）を求める。

第６図は、同様に自動制御ハンドブック基礎編（計測自
動制御学会編）Ｐ７０１〜７０３に記載されたと同様の
セルフチューニングレギュレータ方式を説明するための
概念的ブロック図である。

この方式は、はじめに適当な制御方策を選定しておき、
プラントのパラメータを既知と仮定して所要のコントロ
ーラの構造を決定するものである。

同定機構６はプラント５の入力および出力を受け、その
出力は設計計算機構７に与えられる。同定機構６と設計
計算機構７によりプラントの未知パラメータを逐次推定
する。推定により求められたパラメータはコントローラ
４に与えられる。

このようなブロックにおいては、まずプラント５の未知
パラメータを適当な同定法を用いて逐次推定する。その
結果を真値とみなしてコントローラ４のパラメータをオ
ンラインで決定調整する。

〈発明が解決しようとする課題〉 しかしながら、従来の上記方式においては、次のような
問題がある。

ゲインスゲジューリング方式では、環境条件と、ある範
囲の下で最適なコントローラのパラメータとの関係を表
にして予め準備しておく必要があるという問題がある。

他方、セルフチューニングレギュレータの方式では、同
じ動作点を何度も通過する場合であっても、その度にプ
ラントのパラメータを同定し続いてコントローラのパラ
メータを調整することになり、常に遅れがあるという問
題があった。

本発明の目的は、このような点に鑑みてなされたもので
、動作点、環境条件によって特性が変動するプロセスに
おいて、運転している間に動作点、環境条件ごとのプロ
セス・パラメータを同定し、それを学習してゆき、同定
しなくてもある規範の下で常に最適な制御が実現される
ようにし、またこれにより同じ動作点、環境条件を２度
目に通るときは改めて同定を行なう必要がないようにし
たプロセス制御装置を提供することにある。

く課題を解決するための手段〉 このような目的を達成するための本発明は、プロセス（
１０）の同定が正しく行なわれるためのデータ処理を行
い同定計算のために必要なデータを得ると共に、与えら
れた同定計算結果を整理して学習すべきデータとして送
出する機能を有する学習管理部（２０）と、 プロセスモデルとして考える自己回帰移動平均モデルが
下記の式で表わされるものとし、そのＡＨＭＡモデルの
パラメータを最小二乗法により推定する同定器（３０）
と、 プロセス（１０）の状態を入力とし、その状態における
ＡＲＭＡモデルのパラメータを出力とすると共に、前記
学習管理部（２ｏ）より与えられるデータにより学習を
行なうニューラルネットワーク（４０）と、 プロセス（ｌＯ）のＡＲＭＡモデルに対する適切なＰＩ
Ｄコントローラ・パテメータをある規範下で計算するゲ
イン設定器（５ｏ）と、目標値とプロセス（１０）の出
力との偏差、および前記ゲイン設定器（５０）の出力に
基づいてプロセス操作量を計算するＰＩＤコントローラ
（６０） ただし、ｕ（ｋ）はに時刻の入力 ｙ（ｋ）はに時刻の出力 ｐ、ｑは次数 く作用〉 本発明では、学習管理部において、運転中に動作点や環
境条件ごとのプロセス・パラメータを同定し、それを学
習すべきデータとして出力する。

同定器ではＡＲＭＡモデルのパラメータを推定する。次
にそれらの値をニューラルネットワークに入力し、プロ
セスのＡＲＭＡモデルパラメータを得る。

ゲイン設定部ではＡＲＭＡモデルのパラメータからある
規範下での最適なＰＩＤコントローラ・ゲインを計算し
、ＰＩＤコントローラはこの計算結果のゲインを用いて
、目標値とプロセス出力の偏差より操作量を計算する。

〈実施例〉 以下図面を参照して本発明の詳細な説明する。

第１図は本発明に係るプロセス制御装置の一実施例を示
す構成図である９図において、１０はプロセス、２０は
学習管理部、３０は同定器、４０はニューラルネットワ
ーク、５０はゲイン設定器、６０はＰＩＤコントローラ
である。

学習管理部２０は、プロセス１０の入力と出力を受けて
、同定が正しく行なわれるためのデータ処理を行い、そ
の出力を同定器３０に同定計算のためのデータとして渡
す。

更に詳しく説明すると以下の通りである。ここで、離散
時間をｋ、サンプル周期をＴとする。そしてプロセスに
ついては、入力変数をｕ　（ｋ）、出力変数をｙ（ｋ）
、その他の状態の測定変数をｘｉ　（ｋ）（ただし、ｉ
＝１．、、、、ｎ）とする。

学習管理部２０は、毎サンプルごとにデータ処理を行な
うと共に、プロセスの過去から現在までの入出力および
測定データをｍサン１１分蓄える。

すなわち、次のようなデータ列が蓄えられる。

ｕ（ｋ）、　ｕ（ｋ−１）、　ｕ（ｋ−２）、　、、、
　、　ｕ（ｋ−ｎ＋１）　　（１）ｙ（Ｉｔ）、　　Ｖ
（ｋ−１）、　　Ｖ（ｋ−２）、　　、、、　　、　　
Ｖ（ｋ−ｉ＋１）　　　（２）ｘｉ（ｋ）、　　ｘｉ（
ｋ−１）、　　、、、　　　、ｘｉ（ｋ−ｎ＋１）　　
（ｉ＝１．、、、、ｎ）（３） そして、これらのデータが次の条件を満たすかどうかを
判定する。

■ｕｉａｘ　−ｕｌｌｉｎ　　≦Ｕａ ただし、ｕｎａｘ、　ｕｌｉｎ　　は上記データ列（１
）の最小値と最大値 ■ｙ１１ａＸ　−１１１１１ｎ　　≦ｙａただし、ｙｎ
ａｘ、　ｙｎｉｎ　　は上記データ列（２）の最小値と
最大値 ■ｘｉｌａｘ　−ｘｉｍｉｎ　　≦ｘｉａただし、ｘｉ
Ｉａｘ、　ｘｉｎｉｎ　　は上記データ列（３）の最小
値と最大値 ■データ列（１）が持続的励起条件を満たす。

これら４つの条件を満たせば、データ列（１）（２）を
同定器３０に渡してプロセス同定結果のＡＨＭＡモデル
のパラメータ（ａｌｌｌ、、ａ９．ｂｏ９１．。

、ｂ　　）を受は取る。これと、データ列（１）、　＋
２）。

（３）の平均値　ｕｎｅａｎ、　ｙｎｅａｎ、　ｘｉｎ
ｅａｎ　（ｉ＝１．、、。

ｎ）を１セツトのプロセス動特性データとする。

このプロセス動特性データのセットを、得られる度に蓄
えておき、１つ増えるごとにニューラルネットワーク４
０に教師信号として与えて学習させる。

同定器３０は、下記（４）式で表わされるＡＲＭＡ　（
Ａｕｔｏ　Ｒｅｇｒｅｓｓｉｖｅ　）４ｏｖｉｎｇ＾Ｖ
ｆ３ｒａＯｅ　：自己回帰移動平均）モデルのパラメー
タ　（ａ１６０１０．ａ。

ｂｏ、、、、、ｂ、　）を、プロセスの入出力データ列
（２）、　（３）から、よく知られている最小自乗法に
ょただし、ｐ、ｑは次数 ここに与えられる入出力データと、同定器３゜の起動命
令は学習管理部２ｏがら得られる。

ニューラルネットワーク４ｏは、第２図のような層状の
ものとして、 ■入力は、プロセスの入力がｕ（ｋ）　、出力がｙｆｋ
）　、測定変数がｘｉ［ｋ）であり、■出力は、プロセ
スのＡＲＭＡモデルのパラメータが　（ａ　　、、、、
、ａ　　、ｂ　　、、、、、ｂ、　）１　　　　ｐＱ であり、その動作は２通りある。

ａ）学習動作 学習管理部２０でプロセス動特性データのセットが得ら
れる度にこれまでに蓄えた教師データのセットを学習す
る。実際のデータの流れは、データ・セットの中の入力
をニューラルネットワーク４０に入力すると出力が得ら
れるので、これにデータ・セットの中の出力を教師信号
として与え、その場合の誤差を用いてよく知られている
バックプロパゲーション学習側で重みを修正する。

ただし、この場合のデータ・セットの中の入力としては
、ｕｌｋ）、　ｙ（ｋ）、　ｘｉ（ｋ）　（ｉ＝１．、
、、、ｎ）の代わりに平均値ｕｌｅａｎ、　ｙｒｘｅａ
ｎ、　ｘｉｉｅａｎ　（ｉ＝１．、、。

、ｎ）を用いる。

ｂ）計算動作 この計算動作は毎サンプルごとまたは数サンプルごとに
実行する。現時点のｕ（ｋ）、　ｙ（ｋ）、　ｘｉ（ｋ
）（ｉ＝１．、、、、　ｎ）を与えて、プロセスのＡＲ
ＭＡモデルのパラメータ　（ａ　　、、、、、ａ　　、
ｂ　　、、、、、ｂｑ）１　　　ｐ　Ｏ を出力し、ゲイン設定部５０に渡す。

ゲイン設定部５０は、プロセスのＡＲＭＡモデルに対し
て、ある規範下で最適な操作を行なうＰＩＤコントロー
ラ６０へのパラメータを算出する。

例えば、ＡＲＭＡモデルをＳ領域伝達関数に変換して約
１０％オーバーシュートする波形の得られるＰＩＤコン
トローラのパラメータを計算する。

ＰｆＤコントローラ６ｏは、比例、積分、微分動作によ
りプロセス操作量を計算するコントローラであり、目標
値をｙｄ（ｋ）、比例ゲインを　にｐ、積分時間を１１
、微分時間をＴｄとすると、制御偏差は ｅ［ｋ）　＝　ｙｄｆｋ）　−ｙ（ｋ）　　　　　　　
　　　　（５）△ｅ（ｋ）　＝　ｅ（ｋ）　−ｅ（ｋ−
１）　　　　　　　　　　（６）Ａ　ｅ（ｋ）　□　△
ｅ（ｋ）　−△ｅ（ｋ−１）　　　　　　（７）であり
、これより次式で表わされるような１０セス操作量を出
力する。

１１（ｋ）　　＝　　ｕ（ｋ−１）　　＋　にｐ［Δｅ
［ｋ）　　＋　　Ｔ／Ｔｉ−ｅｆｋ）−Ｔｄ／Ｔ−△ｅ
（ｋ）］　　　　　　　　　（８）このような構成にお
ける動作を第３図および第４図の動作フローを参照して
説明する。

（１）通常制御ルー１〈毎サンプルごと）第３図がその
動作フローである。学習管理部２０で、現時点の入力、
出方、測定値をそれぞれ取り込む０次にそれらの値をニ
ューラルネットワーク４０に入力し、プロセスのＡＲＭ
Ａモデルパラメータを得る。

続いて、ゲイン設定部５０ではＡＲＭＡモデルのパラメ
ータからある規範下でのｆ！に適なＰＩＤコントローラ
・ゲインを計算する。ＰＩＤコントローラ６０は前記計
算結果のゲインを用いて、目標値とプロセス出力の偏差
より操作量を計算しこれによってプロセス１０を操作す
る。

（２〉学習動作（毎サンプル、または数サンプルごとに
起動） 第４図がその動作フローである。学習管理部２０は、常
に入出力および測定データ列［前記（１）（２）、　（
３）］を蓄えておき、可同定条件を判定する。

次に、可同定条件が満たされれば、プロセス同定器３０
によりプロセスのＡＲＭＡモデルを同定する。更に、上
記入出力および測定データの平均値を計算し、これと上
記のＡＲＭＡモデルのパラメータをセットにして蓄える
。

以上のようにして蓄えられたデータとパラメータのセッ
トをニューラルネットワーク４０に教師データとして渡
し、学習する。この場合最初は動作点、環境条件ごとに
プロセス同定が行なわれない限り、またはニューラルネ
ットワークの初期状態として適当なものを与えない限り
、良い制御は期待できないが、長時間運転している間に
各動作点、環境条件ごとのプロセス動特性を学習してい
き、常に最適な制御を実現するように成長していく。

なお、本発明は実施例に限定されるものではない。どう
してもプロセス動特性を同定したい場合には、可同定条
件を満たすために同定信号を加えるような手段を付加し
てもよい。

また、制御規範も実施例に限定されず、他の規範を用い
てもよい。

〈発明の効果〉 以上詳細に説明したように、本発明によれば、次のよう
な効果がある。

動作点、環境条件によって特性が変動するプロセスに対
して、動作点および環境条件ごとのプロセスの動特性を
学習していくことにより、■２度目に通る動作点および
環境上限においては学習結果を用いることにより、再度
同定しなくてもプロセス動特性がわかり、良好な制御が
期待できる。

■はじめて通った動作点および環境条件においてもニュ
ーラルネットワークの補間機能により、おおよそのプロ
セス動特性がわかり、良好な制御が期待できる。

【図面の簡単な説明】

第１図は本発明に係るプロセス制御装置の一実施例を示
す構成図、第２図は層状のニューラルネットワークとパ
ックプロパゲーションの様子を示す図、第３図および第
４図は動作フローを示す図、第５図はゲインスゲジュー
リング方式を説明するための概念的ブロック図、第６図
はセルフチューニングレギュレータ方式を説明するため
の概念的ブロック図である。 １０・・・プロセス、２０・・・学習管理部、３０・・
・プロセス同定器、４０・・・ニューラルネ・ントワー
ク、５０・・・ゲイン設定器、６０・・・ＰＩＤコント
ローラ。

Claims (1)

1. 【特許請求の範囲】 ＰＩＤ制御を中心としたプラントのプロセス制御装置で
   あつて、プロセス（１０）の同定が正しく行なわれるた
   めのデータ処理を行い同定計算のために必要なデータを
   得ると共に、与えられた同定計算結果を整理して学習す
   べきデータとして送出する機能を有する学習管理部（２
   ０）と、プロセスモデルとして考える自己回帰移動平均
   モデルが下記の式で表わされるものとし、その自己回帰
   移動平均モデルのパラメータを最小二乗法により推定す
   る同定器（３０）と、プロセス（１０）の状態を入力と
   し、その状態における自己回帰移動平均モデルのパラメ
   ータを出力とすると共に、前記学習管理部（２０）より
   与えられるデータにより学習を行なうニューラルネット
   ワーク（４０）と、プロセス（１０）の自己回帰移動平
   均モデルに対する適切なＰＩＤコントローラ・パラメー
   タをある規範下で計算するゲイン設定器（５０）と、目
   標値とプロセス（１０）の出力との偏差、および前記ゲ
   イン設定器（５０）の出力に基づいてプロセス操作量を
   計算するＰＩＤコントローラ（６０）を具備し、運転し
   ている間に動作点、環境条件ごとのプロセス・パラメー
   タを同定し、それを学習していき、徐々に同定しなくて
   もある規範の下で最適な制御が行なわれるようにしたこ
   とを特徴とするプロセス制御装置。 ｙ（ｋ）＝−■［ａｉ・ｙ（ｋ−ｉ）］＋■［ｂｉ・ｕ
   （ｋ−ｉ）］ただし、ｕ（ｋ）はｋ時刻の入力 ｙ（ｋ）はｋ時刻の出力 ｐ、ｑは次数