JPH04127205A - 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、プロセス制御装置に係り、特に火力発電プラ
ントの様に負荷レベルによってプロセスの応答ゲイン、
時定数、むだ時間等が非線形に変化し、また時定数やむ
だ時間も大きいプラントの制御に好適なプロセス制御装
置に関する。

〔従来の技術〕

従来、時定数やむだ時間が大きく、負荷の太きさによっ
てその特性が非線形でかつ大きく変化するのでその制御
が困難とされているものに火力発電プラントのボイラ蒸
気温度の制御があり、従来の装置は次の様な制御方式が
とられていた。

（１）特公昭６４−１０７２１号公報に記載のように、
プロセスの時定数やむだ時間による操作遅れによる目標
値からのオーバーシュートやアンダーシュートを小さく
するため、操作量を現状と同じ値に保持し、制御量の現
在値を初期値として、−制御周期後の制御量をプロセス
の状態方程式を用いて推定し、これを初期値として前記
状態方程式を繰り返し用いることによって蒸気温度の将
来時点の蒸気温度と目標値との偏差を予測し、この偏差
に基づく比例積分演算結果を燃料操作指令信号に補正信
号として加算し、この合計信号を操作量信号としてプロ
セス制御する。

（２）特開昭５８−４０６１２号公報に記載の様に、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量の最適値を探索する方式
を採っている。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量の最適値を求める。

〔発明が解決しようとする課題〕

上記従来技術では、下記の問題があった。

［従来方式Ｉ］ （１）本来非線形な対象を線形モデル化し、これを繰り
返し用いるため、線形化によるモデル誤差が制御量の推
定誤差として累積する恐れがある。

（２）上記制御量の推定値と目標値との偏差をそのまま
比例積分器の入力として直接、演算を行わせ。

その結果を操作量信号として用いている為、モデルによ
り推定誤差と比例積分器の制御パラメータの設定値の影
響が直接操作端に加わり、不必要な外乱がプラントに加
わる可能性がある。

［従来方式■］ 操作量の最適値の探索にコンプレックス法などの非線形
計画法などの方式を用いており、操作量の決定に時間が
かかり過ぎる為、リアルタイム制御に適用する手法とし
ては問題がある。

本発明の目的は、プロセスの応答ゲイン、時定数、むだ
時間等が負荷レベルによって非線形に変化し５時定数や
むだ時間の大きいプロセスに対しても制御モデル誤差や
比例積分器の制御パラメータ設定値の不適合に起因する
不必要な外乱を与えることなく、プロセスの制御量を目
標値に安定かつ良好に制御するプロセス制御装置を提供
することにある。

［作用〕 制御部において現在より一定時間先迄のプロセスの応答
が予測でき、目標設定部から与えられる目標値との差異
を定量化した結果を事前に知ることが出来、該定量化の
結果を用いて上記一定時開先の差異を小さくするための
操作量の基本信号を求めることができる。

操作量最適化部では、上記操作量の基本信号をプロセス
に出力した場合の該一定時開先までのプロセスの応答を
予測し、該目標設定部から与えられる目標値と該予測値
との差異を定量化し、該定量化の結果（例えば一定時開
先の制御偏差）が評価基準を満としているか否かを判定
し、満たしていない場合には、上記新たな定量化結果を
用いて、新たな操作量を演算し、その結果を該プロセス
応答予測手段の入力として適用し、該基準が満足される
まで上記手順を繰り返すことにより最適な操作量を求め
ることができる。該最適操作量信号は上記制御部におけ
る操作量の基本信号への補正信号として、該最適信号と
基本信号との差を該制御部に入力する。制御部からの操
作量信号は、上記基本信号と補正信号の加算信号として
出力され、その結果プロセスに補正信号に相当する操作
信号が先行信号として事前にプロセスに加えられるので
不要な外乱を与えることなく良好な制御を行うことが可
能となる。

上記最適操作量の値は、制御部におけるプロセス応答の
予測精度が基準を満足し、操作量の演算部の制御パラメ
ータの設定が適切な場合には保証されるが、プロセスの
制御特性か負荷レベルの変化等によって大幅に変化した
り、プロセスの応答予測結果とプロセスの実応答との差
違が基準値以上に大きくなったり、操作量演算部の制御
パラメータに不適合を生ずる恐れがあり、その結果、該
操作量信号の最適性が保証されなくなる恐れがある。

パラメータチューニング部において、制御部及び操作量
演算部各々のプロセス応答予測部の予測モデルの特性パ
ラメータを制御部から出力された操作量信号に対するプ
ロセスの実応答信号と実時間プラント応答シミュレータ
との偏差を小さくするような方向に調節することにより
プロセス応答予測部の演算結果を実プロセスの応答に合
わせる。

一方、制御部及び操作量最適化部各々の操作量演算部の
制御パラメータは、プロセスの実応答を目標値に対する
整定時間比、減衰比、オーバーシュート量等の評価指標
の形で応答特性を評価し、所定の評価基準を満足するよ
うに調整する。

上述パラメータチューニング部の調整動作により、制御
部及び操作量最適化部各々の予測モデルの特性パラメー
タ及び操作量演算部の制御パラメータをプロセスの特性
に適合した値に調整することができ、その結果制御部よ
り出力される操作量の最適性を保証することが可能とな
る。

〔実施例〕

以下本発明の実施例について説明する。

第１図は、本発明を適用したプロセス制御システムの一
実施例を示す０本システムは目標値設定部１０００．制
御部２０００．操作量最適化部３０００、パラメータチ
ューニング部４０００及び制御対象となるプロセス５０
００で構成される。

目標値設定部１０００は、現在から一定時間先迄のプロ
セスの制御目標値１００１を作成する。

制御部２０００において、プロセス応答予測部２１００
は上記現在から一定時間先迄のプロセスの制御応答を２
００１を予測し、予測応答定量化部２２００は、プロセ
ス応答予測値２００１と制御目標値１００１に基づいて
該予測応答結果２００１を定量化する。操作量演算部２
３００は、上記予測応答の定量化結果２００２に基づい
て操作量の基本信号２００３を出力する。加算部２４０
０は、該基本信号２００３と操作量最適化信号３００７
を加算し、合計操作量信号２００５を出力する。

切換回路２５００は、合計操作量信号２００５をプロセ
ス５０００側（ａ）と操作量最適化部３０００側（ｂ）
の何れかに切換える。

操作量最適化部３０００において、プロセス応答予測部
３１００は、現在の合計操作量信号２００５、プロセス
制御量信号５００１を入力として現在より一定時間先迄
のプロセスの制御応答３００１を予測する。予測応答定
量化部３２００は、プロセス応答予測３００１と制御目
標値１００１に基づいて、該予測応答結果３００２を出
力する。操作量演算部３３００は、上記予測応答の定量
化結果３００２に基づいて操作量仮想値３００３を出力
する。評価基準部３４００は、該定量化結果３００２を
評価するための評価基準３００５を出力する。

演算制御部３５００は、該定量化結果３００２と評価基
準３００５の比較判定結果による出力切換信号３００６
を出力する。切換回路３６００は、上記操作量仮想値３
０ｏ３を該切換信号３００６により制御部２０００側（
ａ）とプロセス応答予測部３１００の何れかに切換える
。

加算器３７００は、該操作量仮想値３００３と前記操作
量基本信号２００３との差をとり、その結果３００７を
制御部２０００（７）加算器２４００に最適化信号とし
て入力する。

パラメータチューニング部４００ｏにおいて、実時間モ
デル４１０ｏは、合計操作量信号２００５に対するプロ
セスの応答を実時間で推定し、推定信号４０ｏ１を出力
する。モデル誤差評価部４２００は、該推定信号４００
１とプロセス制御量信号５００１との差を定量評価し、
推定モデル誤差４００２を出力する。モデル修正部４３
００は、該推定モデル誤差４００２に基づいて制御部２
０００のプロセス応答予測部２１００及び操作量最適化
部３０００のプロセス応答予測部３１００のプロセス応
答予測モデルの特性パラメータの修正量を演算し、修正
信号４００３により各々を調整する。応答特性評価部４
４００は、制御目標値１００１に対するプロセス制御量
信号５００１の実応答特性（オーバーシュート、整定時
間など）を定量評価し、評価結果４００４を出力する。

制御パラメータ修正部４５００は、前記定量評価結果４
００４に基づいて、制御部２ｏ００の操作量演算部２３
００及び操作量最適化部３０００の操作量演算部３３０
０の制御パラメータを調節する。

次に、本実施例の動作について説明する。

制御部２０００の制御演算においては、まず、切換回路
２５００のスイッチをｂ側に切換えプロセス応答予測部
２１００により、現在のプロセス制御量信号５０ｏ１と
操作量信号２００５を初期値として現在から一定時間先
迄のプロセス応答を予測し、予測応答定量化部２２００
により上記制御目標値１００１との偏差３ｏ０２を算出
する。

操作量演算部２３００は、この偏差信号２００２に基づ
いて操作量基本信号２００３を算出する。

一方、操作量最適化部３０００は、切換回路３６００の
スイッチをｂ側に切換え、プロセス応答予測部３１００
により現在のプロセス制御量信号５００１と操作量信号
２００５を初期値として現在から一定時間先迄のプロセ
ス応答を予測し。

予測応答定量化部３２００により前記制御目標値１００
１との偏差３００２を算出する。操作量演算部３３００
は、この偏差信号３００２に基づいて操作量仮想値３０
０３を出力する。一方、演算制御部３５ｏＯは、上記偏
差信号３００２が評価基準３００５に較べて小さいかど
うかを評価判定し、評価基準を満足する場合には切換回
路３６００のスイッチを出力切換信号３００６によりａ
側に切り換えて、該操作量仮想値３００３から該操作量
基本信号２０ｏ３を減算器３７００で減じた操作量最適
化信号３００７を出力し、これを制御部２０００の加算
器２４００で基本信号２００３と加算し、その合計操作
量２００５とし、この信号を切換回路２５００のスイッ
チをａ側に切換えることにより、プロセス５０００に最
適操作量として出力する。一方、該偏差信号３００２が
評価基準を満足しない場合には、切換回路３６００のス
イッチをｂ側に切換えたままとし、該操作量仮想値３０
０３をプロセス応答予測部３１００の操作量信号として
置き換え、該評価基準を満足するまで上記手続きを繰り
返す。

パラメータチューニング部４０００は、まず、モデル誤
差評価部４２００及びモデル修正部４３００を用いて実
時間モデル４１００により得られるプロセス応答の推定
信号４００１と実応答信号５００１の差に基づいて特性
パラメータ修正信号４００３でプロセス応答予測部２１
００及び３１００の予測モデル及び実時間モデルの特性
パラメータを修正し、プロセス応答の予測精度及び実時
間推定精度の改善を図る。

一方、応答特性評価部４４００により、プロセスの実応
答信号５ｏ０１を目標値１００１との関係でプロセスの
応答特性を評価し、プロセスの特性変化によりその応答
特性が所定の基準値からずれない様に、制御パラメータ
修正部４５００から出力される制御パラメータ修正信号
４００５により操作量演算部２３００及び３３００の制
御パラメータを最適値にチューニングする・ 第２図は、本発明を火力プラントの主蒸気温度制御に適
用した具体的実施例を示す０本実施例では、制御パラメ
ータ修正部４５００にファジィ推論とニューラルネット
ワークを適用している。以下本実施例の構成と動作につ
いて説明する。

制御部２０００は、主蒸気温度発信器５１００による主
蒸気温度５１０１．燃料操作量２００５及びその他主蒸
気温度予測に必要なプロセス量５２００を入力として一
定時間先の主蒸気温度２００１を予測する主蒸気温度予
測モデル２１００、主蒸気温度目標値設定部１１００か
ら得られる主蒸気温度目標値１００１と該主蒸気温度予
測値２００１との偏差２００２を演算する減算器２２１
０、該偏差２００２を入力として比例積分演算を行う比
例積分器２３１０．負荷要求１００を燃料指令７００１
に変換する燃料プログラム７０００．該燃料指令７００
１と上記比例積分器２３１０の出力２３１１を加算する
加算器２３２０．該加算器２３２０の出力２３２１から
燃料流量発信器５３００による燃料量信号５３０１を減
算する減算器２３３０　。

該減算器２３３０の８力２３３１を入力として比例積分
演算を行う比例積分器２３４０．該比例積分器２３４０
の出力２０ｏ３と操作量最適化信号３００７とを加算す
る加算器２４００、該加算器２４００の出力である合計
操作量信号２００５を燃料調節弁５４００の側（ａ側）
が操作量最適化部３０００側（ｂ側）に切換える切換回
路２５００より構成される。

操作量最適化部３０００は、主蒸気温度５１０１、燃料
操作量２００５及びその他主蒸気温度予測に必要なプロ
セス量５２００を入力として一定時間先の主蒸気温度３
００１を予測する主蒸気温度予測モデル３１１０及び制
御部２０００における減算器２２１０．比例積分器２３
１０．加算器２３２０　。

減算器２３３０．比例積分器２３４０と夫々同様の機能
を有する減算器３２１０．比例積分器３３１０゜加算器
３３２０．減算器３３３０．比例積分器３３４０を有す
る。更に、加算器３２１０の出力信号３００２と評価基
準部３４００から出力される評価基準値３４０１との比
較判定結果による出力切換信号３５０１を出力する演算
制御部３５００　。

該出力切換信号３５０１によって制御され、比例積分器
３３４０の出力信号３００３を制御部２０００側（ａ側
）または予測モデル３１１０側（ｂ側）に切換える切換
回路３６００、該出力信号３００３と前記比例積分器２
３４０の出力２００３との差をとり、その結果信号３０
０７を加算器２４００に加えるための加算器３７００を
有する６パラメ一タチユーニング部４０００は、主蒸気
温度目標値］、　００１　、燃料指令７００１．主蒸気
温度１５０１．予測時間値（現在からｎ分先）４５５０
を入力として比例積分器２３１０及び３３１０の比例ゲ
イン及び積分時定数の設定信号４５３１を出力するニュ
ーラルネットワーク４５３０　。

主蒸気温度５１０１と主蒸気温度設定値１００１を入力
として主蒸気温度の応答特性を定量評価する応答特性評
価部４４００、該定量評価結果４００４と知識ベース４
５２０からの知識４５２１に基づいてファジィ推論によ
り制御パラメータの修正量４５１１を出力するファジィ
推論部４５１０．　主蒸気温度目標値１００１．　燃料
指令７００１．主蒸気温度５１０１及び予測時間４５５
０を学習用信号として、修正後の制御パラメータの値４
５１２を教師信号としてニューラルネットワーク４５３
０に最適制御パラメータ４５１２を学習させる学習部４
５４０を有する。なお４５４１はニューラルネットワー
ク４５３０の学習用入力、４５１２は教師信号、４５３
２はニューラルネットワークからの内部情報の読み出し
信号である。

以下１本実施例の制御動作を説明する。

予測モデル２１１０で予測した主蒸気温度予測値２００
１と主蒸気温度設定値１００１との偏差信号２００２に
基づいて比例積分器２３１０で主蒸気温度を設定値に追
従させるための補正信号２３１１が演算され、該補正信
号２３１１で燃料指令７００１を修正した合計燃料指令
２３２１と燃料量信号５３０１の偏差信号２３３１に基
づいて比例積分器２３４０で燃料調節弁５４００の制御
基本信号２００３が演算される。

一方、操作量最適化部３０００でも同様の手順により燃
料量操作量の仮想値３００３が演算されるが、主蒸気温
度予測値３００１と主蒸気温度設定値１００１との偏差
信号３００２が評価基準値３４０１を超過する場合には
、該操作量仮想値３００３が予測モデル３１１０の燃料
量操作信号として入力さｔＬ（切換回路３６００がｂ側
）５以下繰り返し計算が実行され、該偏差信号３００２
が評価基準値３４０１より小さい場合には、切換回路３
６００のスイッチがａ側に切換えられ操作量最適化信号
３００７が出力される。この信号は、該制御基本信号２
００３に加算器２４００において加算され、合計操作量
信号２００５となる。切換回路２５００のスイッチは切
換回路３６００がａ側に切換えられた後、ａ側に切換え
られ、該合計操作量信号２００５が燃料馬蹄弁５４００
の制御信号として出力される。

次に、パラメータチューニング動作について説明する。

比例積分器２３１０，３３１０の制御パラメータは、ニ
ューラルネットワーク４５３０によって、予め学習した
内容に基づいて、主蒸気温度燃室値１００１、燃料指令
７００１．予測時間４５５０゜主蒸気温度５１０１に応
じて、制御パラメータ設定信号４５３１によって設定さ
れる。

ニューラルネットワーク４５３０の学習内容の変更は、
次の様にして行われる。先ず、応答特性評価部４４００
において主蒸気温度設定値１００１に対する主蒸気温度
５１０１の応答特性がオーバーシュート量、減衰比、整
定時間比等の評価指標で定量評価されこの評価結果のメ
ンバシップ関数による分類結果と知識ベース４５２０に
記憶された修正ルールとから、ファジィ推論部４５１０
によって制御パラメータの修正信号４５１１が決定され
る。次に、修正前の制御パラメータ設定信号４５３１に
該修正信号４５１１を加えた新たな制御パラメータ設定
信号４５１２が作成される。学習部４５４０には、主蒸
気温度５１０１．燃料流量５３０１．主蒸気温度設定値
１００１．燃料指令７００１．予測時間４５５０及び上
記応答特性評価指標が入力、上記信号４５１２が教師信
号として与えられ、学習によって新たなネットワークが
構成される。その結果、次回から上記と同じ入力条件が
与えられるとニューラルネットワークからは、上記教師
信号と同じ値が出力されるようになる。

このようにして、プロセス５０００は、実績を積み重ね
るにつれて運転特性が自己成長的に向上（本実施例にお
いては主蒸気温度の目標値への追従性が向上）すること
になる。

次に、ニューラルネットワーク４５３０の構造及び学習
部４５４０における学習方法について説明する。

第３図はニューラルネットワーク４５３０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　ｔ　Ｘ２　ｔ・・・、ｘｎは、値域（
０，１）をとり、シナプス加重Ｗｌ。

Ｗｚ、・・・、Ｗｎは、値域（−ω、＋ω）をとるもの
とする。ここで、ｉ番目の入力Ｘ１からユニットへ伝わ
る入力ｕｉ　を、 ｕ　＋＝ＷｔＸｉ　　　　　　　　　　　　　−（１）
とすると、ユニットへの総入力Ｕは、 ｕ　＝　、　ｌ　ｕ　ｔ １＝１ ・・・（２） 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。本実施例では、以上述べたユニットモデル１１
１を、第４図に示すように層状に配置し、各ユニット１
１１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ニューラルネットワーク４
５３０とする。上記のユニットモデル１１１とニューラ
ルネットワーク４５３０の構造に関しては、ザ　エム　
アイティー　プレス、ニューロコンピューティングファ
ンデーションズ　オブ　リサーチ、１９８８年、第３１
８頁から第３６２頁（Ｔｈｅ　ＨＩＴ　Ｐｒｅｓｓ。

Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ　　Ｆｏｕｎｄａｔｉｏ
ｎｓ　　ｏｆ　　Ｒｅ５ｅａｒｃｈ、　　１９８８゜ｐ
ρ３１８−３６２）に詳しく述べられている。また、本
論文では第４図に示すように、ある入力信号パターン１
１２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】１
４となるように、両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。

本実施例の学習部４５４０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５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。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ｙ３ｋに着
目して、これを教師信号ｙｔｋに一致させるためのシナ
プス加算の修正手順を示したものである。以下、第５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ｙ３ｈと教師信号ｙｔｈとの誤差ｅｈは、ｅ
ｋ＝Ｙｔｉ　　３’３＋ｃ　　　　　　　　　”’（４
）である、ユニットの動作レベルＵｓｈにおける誤差の
影響度をｄｓｋとすると、ｄ８には、ｄｓｋ＝ｅｋｆ’
　ａｋ（Ｕａｈ）　　　　　　　°°１５）で表される
。但し、ｆ’　　（Ｕ）は次のとおり。

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Ｗｓｋ、ｚ＊の修正量ΔＷ　ｓｋ
？　ｚＪＩＮ＋　１１は次式で表される。

ΔＷ　ｓｈ　＊　ｚａ　ｎｉ＋　１１　＝η＋ｄ　３ｈ
崇ｙ　２Ｊ　　　　　−（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、ｙ２．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Ｗａｂ＋ｚ
Ｊｕｉ＋ｘ＋を次式のように得る。

Ｗａｈ、ｚａ　　（Ｎ＋１１＝Ｗｓｈ、２ｊＣｐ＋＋　
　＋　Δ　Ｗｓｂｔｚｊｖ＋ｔ＋＋α曇ΔＷａｈ＊ｚＪ
ＴＮ）　　　＋＋＋　（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５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ＷＺＪ、ＩＪ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Ｕ　ｚ　Ｊにおける誤差の影響度ｄｚＪ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、
下式（９）式で表される。

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ΔＷｓｋｅｘＪｕｉ＋ｔ
＋は、次式で表わされる。

ΔＷｚＪ＋１ｊｖ＋ｔ＋　：＝η＋ｄ８ＪＩＩｙＩＩ　
　　・・・（１０）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、ｙｌｔは入力層のｉ番目の
出力信号を示す６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ＷｚＪｔｉａ　（Ｎ＋１１を次式のように得る
。

ＷｚａｅｔＪｔｓ＋ｔ＋　＝Ｗｚａシｔａｕｎ＋ＷｚＪ
、ｚｊｔｓ＋。

＋α０ΔＷ　Ｚ　ａν１ｔ（Ｎｌ　　　　・・・（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
りム差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ニュ
ーラルネットワーク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）されたことに
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
重分布として記憶されたことになる。

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−ニューラルネットワーク内に記憶することが可
能である。学習完了後のニューラルネットワークを用い
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６図は上記のニューラルネットワークと学習方式を本
実施例に適用した場合のニューラルネットワーク４５３
０とその学習用入力信号４５４１及び学習用制御パラメ
ータ（本例では比例ゲイン設定Ｋｐ、積分ゲイン設定に
＋）設定信号４５１２との関係を示す学習用入力信号４
５４１は、目標設定値１１００をプロセスの制御量５０
０１から成る。ここで目標設定値１１００とは、主蒸気
温度設定値、燃料指令、オーバーシュート量、整定時間
比、減衰比及び予測時間などである。また、プロセスの
制御量５００１とは、主蒸気温度及び燃料流量などであ
る。すなわち、入力層のユニット数は上記の８個であり
、出力層のユニット数は、２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、任意
である。

４５４０は学習部を示し、中間層の出力を入力して８力
層の入力のウェイトを修正するための第１の学習制御回
路６００１と、入力層の出力を入力して中間層の入力の
ウェイトを修正するための第２の学習制御回路６００２
を有する。６００］及び６００２の具体的構成は、第５
図に示す通りである。

プラントが運転実績を積むにつれて、次々と新しい学習
用入力信号４５４１と学習用制御パラメータ修正信号４
５１２がニューラルネットワーク４５３０の入力層と出
力層に提示され、学習部４５４０によりニューラルネッ
トワークのシナプス加重が改善されてゆき、プロセスの
運転性能が自己成長的に向上することになる。

第７図は、第２図におけるファジィ推論による制御パラ
メータの修正信号４５１１の決定方法の具体例を示した
ものである。応答特性評価部４４００では、まず主蒸気
温度５１０１の応答特性を主蒸気温度目標値１００１と
の関係において、オーバーシュート量：Ｅ、減衰比：Ｄ
、整定時間比：Ｒの３つの指標に評価する。ファジィ推
論部４５１Ｏは、該評価指標による評価値を第８図に示
すメンバシップ関数に適用し、どのクラスに属するかを
決定する。

次に、知識ベース４５２０に記憶された制御パラメータ
の修正ルールの中から該当ルールを選び出し、前件部（
ＩＦ部）に上記メンバシップ関数を用いて得た結果を適
用し、ファジィ論理演算により、後件部（ＴＨＥＮ部）
で結論を導く。即ち、本例の場合まずルール１の前件部
にＥ、Ｄの値（ここでＸＥ　、ＸＤ　とおく）を適用し
、適合度ω１を次式（１２）より求める。

ωｘ＝ｍｉｎ（ＶＢ（ｘ＋：）＋ＶＢ（ｘｏ））　　−
ｏ２）本例では、ω１　＝　Ｖ　Ｂ　（ＸＤ）となり、
これよりルール１による比例ゲインの修正係数α１にＰ
及び積分ゲインの修正係数α１にＩは、夫々第７図４５
１０の斜線部Ａ及びＢの重心のＸ座標の値として求めら
れる。次に、ルール２についても同様の推論演算が行わ
れ、Ｒの値をＸＲとおくと適合度ω２は。

ωｚ　＝ｍｉｎ（ＶＢ（ｘＥ）ｔ　ＶＢ（ＸＤ）、ＭＢ
（ＸＲ））・・・（１３） となり、本件では、ω２＝ＭＢ（ＸＲ）となり、これよ
りルール２による比例ゲインの修正係数α”ＫＰ及び積
分ゲインの修正係数α２に■　が夫々第７図４５１０の
斜線部Ｃ及びＤの重心のＸ座標の値として求められる。

本例では、ルール１と２のみが適用されるものとしてお
り、両ルールによる演算結果を統合した結果として修正
係数を夫々αにＰ、αに＋とすると、αＫＰは、第７図
４５１０の斜線部ＡとＣ１αに！は斜線部ＢとＤ夫々の
重心を合成した結果の夫々Ｘ座標の値として求められる
。

第９図は、第１図における予測モデル修正部４３００と
してファジィ推論による方式を適用した場合の構成を第
２図に示した火力プラントの主蒸気温度を例にとって示
す。以下、本実施例について説明するに当り、まず予測
モデル２１．１０　。

３１１０及び実時間モデル４１００の実施例について説
明する。

予測モデル２１１０，３１１０及び実時間モデム４１０
０は使用方法及び目的については第１図及び第２図に関
連して既に説明したように夫々異るが、モデルの構成は
本来同じであり、本実施例では簡単の為、２次過熱器モ
デルの例を示した。

以下これについて説明する。

２次過熱器の伝熱モデルは、エネルギー保存法則を適用
することにより、 次式で表現することが できる。

・・・（１４） ｔ ０ｇ　＝ｇ　（Ｆ　ｉ　ｙ Ｆｌ。

Ｆｇｒｆ＋ Ｆｇａｚ） ・・・（１６） 但し、 Ｆｓ ａｆＩｔ＋αａｓ αＩＩＩ＋αｌ１ｌｓ ここで、 ｖｓ　：管内流路容積 γＳ　：内部流体比重量 Ｆｓ　：内部流体流量 Ｃｐｏ：２次過熱器出口蒸気定圧比熱 ＣＦ１：２次過熱器入ロ蒸気定圧比熱 Ａ：２次過熱器伝熱面積 α、ｓ：管から蒸気への熱伝達率 θｓｏ：２次過熱器出ロ蒸気温度 θｓ１：２次過熱器入ロ蒸気温度 θ、：管温度 θＳ　：内部流体温度 Ｃ１：管比熱 Ｍ、：管重量 ０口：ガスから管への熱伝達率 Ｆｌ　：燃料流量 Ｆｌ　：空気流量 Ｆｆｒｊｍ再循環ガス流量 Ｆ　ｇＢｔ　：ボイラガス流量 次に上記モデルを対象としたモデル修正部４３００の動
作について第９図を用いて説明する。

モデル誤差評価部４２００は、主蒸気温度５１０１と実
時間モデル４１ｏＯによる推定結果４１０１を比較評価
する。その結果信号４００２と知識ベース４３２０とし
て記憶された特性パラメータ修正ルール４３２１を用い
てファジィ推論部４３２０でファジィ論理により上述の
予測モデル２１１０゜３１１０及び実時間モデル４１１
０の式（１４）〜（１６）に示した特性パラメータＴ５
　ｐ　Ｔｚ　＋　Ｋｓ　ＦＫｇ　−Ｋｔなどの修正量を
演算し、この信号によって特性パラメータを調節する。

このようにすることにより予測モデル２１．１０．３１
１０によるプロセス応答の予測誤差を修正することがで
きる。

第１０図は、第９図に示した実施例のファジィ推論方式
の具体例を示したものである。

本実施例では、燃料流量操作量２００５に対する２次過
熱器出口温度の実時間モデル４１００による推定値４１
０１と実測値５１０１との偏差をモデル誤差評価部４２
００で第１０図の応答特性図中Ａ部、Ｂ部における誤差
で評価し、この値をもとに、特性パラメータＴｓの修正
量ΔＴｓ及びに、の修正量Δに１を演算するものである
。すなわち、ファジィ推論部４３２０は、モデル誤差評
価部４２００によるＡ部の誤差とＢ部の誤差信号４００
２を夫々第コー１図に示すメンバシップ関数に適用し、
どのクラスに属するかを決定する。

次に、知識ベース４３２０に記憶された特性パラメータ
の特性パラメータ修正ルールの中から該当ルールを選び
出し、前件部（ＩＦ部）に上記メンバシップ関数を用い
て得た結果を適用し、ファジィ論理演算により、後件部
（ＴＨＥＮ部）で結論を導く。即ち、本例の場合、まず
ルール１の前件部にＡ部の誤差ε＾、Ｂ部の誤差εＢを
適用し、適合度ω１を次式（２２）より求める。

４．１１　＝＠１ｎ（Ｐ　Ｂ（ｔ　Ａ）、　Ｎ　Ｓ（ｔ
　ａ））　　　−（２２）本件では、ＮＳ（εｓ）＜Ｐ
Ｂ（ｉ＾）よりω１＝ＮＳ（ωＢ）となる、これにより
、ルール１による時定数Ｔ！、、ゲインに８に対する各
々の修正量は夫々第１０図中４３２０の斜線部Ａ及びＢ
の重心のＸ座標の値として求められる。ルール２につい
ても同様に、適合度ω２が次式より求められる。

ωｘ　　＝＋＋＋ｉｎ（ＰＭ（Ｅ＾）ｔ　　ＮＭ（ｔａ
））　　　　　−（２３）本例では、ＰＭ（ε＾）＜Ｎ
Ｍ（［８）よりω１＝ＰＭ（ε＾）となり、これよりル
ール２による時定数Ｔｓ、ゲインに龜の各々の修正量は
夫々第１０図中４３２０の斜線部Ｃ及びＤの重心のＸ座
標の値として求められる。

本例では、ルール１と２のみが適用されるものとしてお
り、両ルールによる演算結果を統合した結果として時定
数Ｔｓ、ゲインＫｇ各々の修正量はΔＴｓについては、
斜線部ＡとＣ１ΔＫｇについては斜線部ＢとＤ夫々の重
心を合成した結果の夫々Ｘ座標として求められる。

なお、第１図〜第３図の実施例では、制御部及び操作量
最適化部におけるプロセス応答予測部２１００と３１０
０、予測応答定量化部２２００と３２ｏＯ及び操作量演
算部２３００と３３００はそれぞれ別々に設けた。しか
し、各々の使用目的は制御部とプロセス応答予測部とで
異るが処理内容は本来同じであり、発明の実施に当って
は、各処理部を一元化し、制御部とプロセス応答予測部
でこれを共用化する様に構成しても本発明の目的を損う
ものではない。

第１２図は、将来時点Ｕの制御部Ｓ設定値をＰとした時
の最適操作量ｕｏｐｔの決定方法の実施例を示したもの
である。以下、この動作につき、第２図の実施例を参照
しながら説明する。

まず、第１２図（ａ、）において制御部ＩＩ！１１００
１が曲線Ｐのように与えられ、（ｂ）における操作量２
００５を現在値ｕｏから変えない場合、制御量の将来時
点（ｔｏ十ｎ・Δｔ）までの応答をＡとすると将来時点
における制御偏差２００２はＣ０となる。制御部２００
０では、以下ＥＯに基づいて操作量基本信号ｕＢを算出
する。操作量最適化部３０００では、評価基準ε２とＣ
０とを比較し、１ε０１〉εＰであるとすると、上記ｕ
Ｂと制御量の現在値ｘｏを初期値として制御量の将来時
点までの応答がＢの如く求められる。その結果、将来時
点での制御偏差２００２はｆｌとなる。まだε１１〉ε
Ｐであるとすると、Ｅｌに基づいて演算された操作量＋
ｌ　１とｕＢを加算し、たｕｔ’　＝ｕａ＋ｕｌ及び上
記ｘＯを初期値として制御量の将来時点までの応答がＣ
の如く求められる。制御偏差ｉｘがまだ１εｘ　Ｉ　＞
　ｉ−であるとすると上記と同様の処理により操作量ｕ
２が演算さ九、これとｕｌ′　を加算したｕｚ’　＝＝
ｕｚ’　＋ｕｚすなわちｕ２＝ｕＢ＋ｕｚ＋ｕｚと上記
ｘｏを初期値として制御量の将来時点までの応答がＤの
如く求められる。

ここで、１Ｅａｌ＞Ｅ−とすると前記ｕ２　から減算器
３７００で信号２００３　（ｕｓ　　とする）を差し引
いた値ｕ２’　−ｕＢ’　　（ｕＢ’　　は信号７００
１などがｕＬｔ　Ｌ１２を求めた時と変らなければ、ｕ
Ｂ＝ｕＢであるが、信号７００１などが変っているとｕ
Ｂ’　≠ｕａ）（ｕｓ’　＝＝ｕｓの時はｕ２’　−ｕ
Ｂ＝ｕｔ＋ｕｚ）が操作量最適化信号３００７として制
御部の加算器２４００に加えられｕａ’＝ｕＢの場合最
適操作量ｕｏｐｔ＝ｕＢ＋ｕｘ＋ｕｚが出力され、これ
により燃料調節弁５４００が制御される。

第１３図は、第１図において、加算器２４００の前にス
イッチ２９００を設は操作量最適化の為の操作量補正信
号３００７を操作量基本信号２００３に直ちには加算せ
ずに、予め該操作量補正信号３００７を表示制御装ｗ２
８５０を介してＣＲＴ表示装置！２８００に表示させ、
該表示内容を人間が確認できるようにした構成を示す、
更に、許可ボタン２７００を設置し人間が許可ボタン２
７００をオンすることによって、加算許可指令を入力制
御袋［２７５０に入力して、許可指令信号２７５１を発
生させるように成し、この信号２７５１によってスイッ
チ２９００をオンし、これにより操作量補正信号３００
７が加算器２４００に入力されるよう構成したものであ
る。

第１４図は、第１図において、プロセス応答予測部２１
００．３１００の前にスイッチプロセス２９００を設け
、モデル特性パラメータ修正信号４００３を直ちには上
記両プロセス応答予測部２１００．３１００に入力せず
に、予め該修正信号４００３を表示制御装置２８５０を
介してＣＲＴ表示装置２８００に表示させ、該表示内容
を人間が確認できるようにした構成を示す、更に、許可
ボタン２７００を設置し人間が許可ボタン２７００をオ
ンすることによって、修正許可指令を入力制御袋［２７
５０に入力して、許可指令信号２７５１を発生させ、こ
の信号によってスイッチ２９００をオンし、修正信号４
００３が両プロセス応答予［２］　００，３１００４．
：加えられるよう構成さ九でいる。

第１５図は、第１図において、操作量演算２３００　。

３３００の前にスイッチ２９００を設け、制御パラメー
タ修正信号４００５を直ちには上記両操作量演算２３０
０，３１００に入力せずに、予め該修正信号４００５を
表示制御装！！２８５０を介してＣＲＴ表示装［２８０
０に表示させ、該表示内容を人間が確認できるようにし
た構成を示す、更に、許可ボタン２７００を設置し、人
間が許可ボタン２７００をオンすることによって、修正
許可指令を入力制御装置２７５ｏに入力して、許可指令
信号２７５１を発生させ、この信号によってスイッチ２
９００をオンし、これにより修正信号４００５が両操作
量演算部２３００．３３００４＝加えられるよう構成さ
れている。

〔発明の効果〕

本発明によれば、以下に記載する効果が得られる。

（１）最適な操作量がプラントに外乱を与えずに決定・
出力されるのでプラントを安定にかつ最適に目標に忠実
に制御することができる。

この効果は、操作量最適化手段によるところが大きい。

（２）プロセスの特性が変化しても所望の制御特性を維
持することが可能となるので、プラントの起動から負荷
運転までの広範な運用、多種燃料運用、経年プラントに
おける性能、向上など多様な運用が可能となる。この効
果は、予測モデルによる制御結果の予測判定による繰返
し最適化とパラメータチューニング手段による。

（３）プロセスの特性変化に合せて、制御部を自動的に
最適チューニングできるので保守効率の向上が図れる。

この効果は、パラメータチューニング手段によるところ
が大である。

（４）ベテラン運転員や専門家の定性的な知識や技能を
知識ベース等の形で組み込むだけでプラントの制御性能
を所望の特性に自己成長的に向上させることができる。

この効果は、主にパラメータチューニング手段によると
ころが大である。

（５）操作量基本信号を操作量補正信号で補正する前に
該補正信号をＣＲＴ表示装置により確認の上１人間の指
令により補正動作を実行させることができ、補正値や動
作の不適合等を事前に察知することにより、制御の信頼
性を向上させることができる。

（６）プロセス応答予測の特性パラメータを修正する前
に該修正信号をＣＲＴ表示装置による確認の上人間の指
令により修正動作を実行させることができ、修正値や動
作の不適合等を事前に察知することにより、制御の信頼
性を向上させることができる。

（７）操作量演算手段の制御パラメータを修正する前に
該修正信号をＣＲＴ表示装置により確認の上人間の指令
により修正動作を実行させることができ、修正値や動作
の不適合等を事前に察知することにより、制御の信頼性
を向上させることができる。

【図面の簡単な説明】

第１図は、本発明のプロセス制御システムにおける一実
施例、第２図は火力プラントの主蒸気温度制御への適用
例、第３図は、ニューラルネットワークを構成する単一
ユニットモデルの説明図、第４図は、第３図のユニット
モデルを要素とするニューラルネットワークと学習の基
本的考え方の説明図、第５図は、ニューラルネットワー
クの学習アルゴリズムを示す説明図、第６図は、ニュー
ラルネットワークと学習方式を火力プラントの主蒸気温
度制御に適用した例、第７図は、第６図のニューラルネ
ットワークの教示信号をファジィ推論で作成する例、第
８図は、第７図のファジィ推論のメンバシップ関数、第
９図は、モデル修正にファジィ推論を適用した例、第１
０図は、第９図のファジィ推論の実施例、第１１図は、
第１０図のファジィ推論のメンバシップ関数を示す図、
第１２図は、最適操作量の決定方法の実施例を示す図、
第１３図、第１４図、第１５図はそれぞれ本発明の他の
実施例を示す図である。 １０００・・・目標値設定部、２０００・・・制御部、
２１００．３１００・・・プロセス応答予測部、２２０
０゜３２００・・・予測応答定量化部、２３００．３３
００・・操作量演算部、２７００・・・許可ボタン、２
８００・・・ＣＲＴ表示装置、２９００・・・スイッチ
、３０００・・操作量最適化部、３４ｏＯ・・・評価基
準部、３５００・・・演算制御部、４０００・・・パラ
メータチューニング部、４１００・・・実時間モデル、
４２００・・・モデル誤差評価、４３ｏＯ・・・モデル
修正部、４４００・・・応答特性評価部、４５００・・
・制御パラメータ修正部、４５１０・・・ファジィ推論
、４５２０・・・知識ベース、４５３ｏ・・・ニューラ
ルネットワーク＋　４５４０第 図 第 図 第 図 ＶＳ：　Ｖｅｒｙ　　Ｓｍａ ＭＳ　：　Ｍｅｄｉ　ｕｍ　　Ｓｍａ ＬＳ：Ｌｉｔｔｌｅ　　Ｓｍａ ＭＥ：Ｍｅｄｉｕｍ １８：　Ｌｉｔｔｌｅ　　Ｂｉｇ ＭＢ：　Ｍｅｄｉｕｍ　Ｂｉｇ ＶＢ：　Ｖｅｒｙ　　Ｂｉｇ 第 図 ＮＢ：　Ｎｅｇａｔｉｖｅ ＮＭ：　Ｎｅｇａｔ　＋ｖｅ ＮＳ：　Ｎｅｇａｔｉｖｅ ＺＯ：Ｚｅｒ。 ＰＳ：Ｐｏ５ｉｔｉｖｅ ｐＭ：　Ｐｏ５ｉｔｉｖｅ ＰＢ：　Ｐｏ５ｉｔｉｖｅ ８１ｇ ｓｄｉｕｍ Ｓｍａ　ｌ　ｌ Ｓｍａ　１ ｅｄｉｕｍ ａｇ 第 図 第 図 第 図

Claims (1)

1. 【特許請求の範囲】 １、プラントの現在から一定時間先（以下将来時点と呼
   ぶ）までのプロセスの制御量の予測値と、該将来時点ま
   でのプロセスの制御目標値との偏差を用いてプロセスの
   状態を目標状態に制御するプロセス制御装置で、 現在から将来時点までの制御目標値を与える目標値設定
   手段と、 プロセス制御量の現在値及び操作量の仮想値に基づき、
   将来時点までのプロセス応答を予測するプロセス応答予
   測手段、前記目標値と該予測手段により結果との差を定
   量化する予測応答定量化手段、該定量化結果に基づき操
   作量の基本信号を演算する操作演算手段とで構成した制
   御手段と、 プロセスの制御量及び操作量を初期値として、将来時点
   までのプロセス応答を予測するプロセス応答予測手段、
   該予測結果と前記目標値との差を定量化する予測応答定
   量化手段、該定量化結果に基づいて操作量を演算する該
   操作量演算手段、前記定量化結果と予め定めた評価基準
   とを比較評価し、評価基準が満たされる迄、前記操作量
   の演算結果を前記プロセス応答予測手段の入力として繰
   り返し適用し、該定量化結果が該基準を満たした時の操
   作量の値から操作量最適化の為の操作量補正信号を求め
   、該補正信号が前記制御手段の操作量基本信号に加算さ
   れ、該加算結果がプロセスに出力されるよう制御する手
   段とを備えた操作量最適化手段と を具備したことを特徴とするプロセス制御装置。 ２、請求項１において、該制御手段及び操作量最適化手
   段におけるプロセス応答予測手段の特性パラメータを操
   作量信号に対するプロセス応答を推定し、該推定結果と
   プラントの実応答信号との誤差評価の結果に基づいて調
   整するモデル修正手段を設けたことを特徴とするプロセ
   ス制御装置。 ３、請求項１において、該制御手段及び操作量最適化手
   段における操作量演算機能の制御パラメータを、プロセ
   スの実応答特性を該制御目標値との関係を所定の評価指
   標に基づいて評価した結果に基づいて調整するパラメー
   タチューニング手段を設けたことを特徴とするプロセス
   制御装置。 ４、請求項１において、請求項２及び３の両手段を設け
   たことを特徴とするプロセス制御装置。 ５、請求項２のモデル修正機能を、モデルの特性パラメ
   ータ修正ルールを知識ベースとして記憶し、モデル誤差
   の評価結果をメンバシップ関数に適用して分類し、該結
   果に該当したルールを用いたファジィ推論により実行さ
   せることを特徴とするプロセス制御装置。 ６、請求項３の制御パラメータ修正機能をニューラルネ
   ットワークにより行わせプラントの目標設定値、応答特
   性評価指標、プロセスの状態量などを入力として、事前
   に学習した結果に基づき、制御パラメータ設定値を高速
   で算出できるようにしたことを特徴とするプロセス制御
   装置。 ７、請求項６において、制御パラメータ設定値の修正量
   を、制御パラメータの修正量決定ルールを知識ベースと
   して記憶し、プロセスの応答特性をメンバシップ関数に
   適用して分類し、該結果に該結果に該当したルールを用
   いたファジィ推論によつて求め、該結果により既制御パ
   ラメータ設定値を修正し、これを制御パラメータ設定教
   師信号として、ニューラルネットワークに学習させるよ
   う、ファジィ推論機能及び学習機能を付加したことを特
   徴とするプロセス制御装置。 ８、請求項１において、操作量最適化の為の操作量補正
   信号を操作量基本信号に加算するに先立ち、事前に該操
   作量補正信号を表示装置に表示させ、人間の加算許可指
   令により加算動作が実行される様構成したことを特徴と
   するプロセス制御装置。 ９、請求項２において、プロセス応答予測手段の特性パ
   ラメータをモデル修正手段により修正するに先立ち、該
   修正信号を事前に表示装置に表示させ、人間の修正許可
   指令により修正動作が実行される様構成したことを特徴
   とするプロセス制御装置。 １０、請求項３において、制御手段及び操作量最適化手
   段における操作量演算手段の制御パラメータのチューニ
   ングを実行するに先立ち、該制御パラメータ修正信号を
   事前に表示装置に表示させ、人間の修正許可指令により
   修正動作が実行される様構成したことを特徴とするプロ
   セス制御装置。