JPH0511805A

JPH0511805A - プロセス制御装置

Info

Publication number: JPH0511805A
Application number: JP15872991A
Authority: JP
Inventors: Tetsuya Otani; 哲也大谷
Original assignee: Yokogawa Electric Corp
Current assignee: Yokogawa Electric Corp
Priority date: 1991-06-28
Filing date: 1991-06-28
Publication date: 1993-01-22

Abstract

(57)【要約】【目的】特性が変動する制御対象に対して、運転してい
る間に特性を同定し、同定結果を動作点や環境条件ごと
に学習して行き、その学習結果を利用したコントローラ
を構成することにより、常にある規範のもとで最適な制
御を実現する。【構成】制御対象の入出力間のダイナミクスを表わすモ
デルの構造を仮定し、ある期間の入出力および測定デー
タを保持管理すると共にそれらのデータからモデルのパ
ラメータを同定してその値を出力する同定部と、前記同
定が成功した時点で制御対象の状態値とその状態におけ
る同定モデルのパラメータ値が得られるたびに保持管理
すると共に学習を行ない、かつ常に現時点での制御対象
の状態値における同定モデルのパラメータ値を想起出力
するニューラルネットワーク部と、制御対象に対する目
標値、出力値およびニューラルネットワーク部から得ら
れる同定結果のモデルのパラメータ値から、予め定めた
規範下で最適な操作量を演算しその値を制御対象へ供給
する制御演算部を具備したもの。

Description

【発明の詳細な説明】

【０００１】

【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。

【０００２】

【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た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。一方、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。

【０００３】図６は、自動制御ハンドブック基礎編（計
測自動制御学会編）Ｐ７０１〜７０３に記載されたゲイ
ンスケ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。

【０００４】図７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。

【０００５】

【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
スケ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
制御対象に対して、運転している間に特性（パラメー
タ）を同定し、同定結果を動作点や環境条件ごとに学習
して行き、その学習結果を利用したコントローラを構成
することにより、常にある規範下で最適な制御を実現す
ることができ、これにより同定動作を必要としない迅速
なコントローラの調整が可能となるプロセス制御装置を
提供することにある。

【０００６】

【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、動作点や環境条件によって特性が変
動する制御対象に対する操作量をオンラインで自動調整
するプロセス制御装置であって、前記制御対象の入出力
間のダイナミクスを表わすモデルの構造を仮定し、ある
期間の入出力データおよび状態の測定データを保持管理
すると共にその入出力および測定データからモデルのパ
ラメータを同定してその値を出力する同定部と、前記同
定が成功した時点で、制御対象の動作点や環境などの状
態値と、その状態における同定モデルのパラメータ値が
得られるたびに保持管理すると共に学習を行ない、かつ
常に現時点での制御対象の状態値が入力されていてその
状態における同定モデルのパラメータ値を想起出力する
ニューラルネットワーク部と、前記制御対象からの出力
値、その目標値および前記ニューラルネットワーク部か
ら得られる同定結果のモデルのパラメータ値から、予め
定めた規範下で最適な操作量を演算しその値を制御対象
へ供給する制御演算部を具備したことを特徴とする。

【０００７】

【作用】同定部とニューラルネットワーク部からなる部
分では、同定と学習のためのデータを保持管理する。同
定と学習は毎サンプルごと、あるいは数サンプルごとに
行なう。プロセスの過去から現在までの入出力測定デー
タを数サンプル蓄えておき、それらが可同定条件を満た
すかどうかを判定する。同定部は同定モデルのパラメー
タをプロセスの入出力データ列から最小二乗法により求
める。ニューラルネットワーク部では、プロセス動特性
データのセットが増えるたびにそれまで蓄えられた全教
師データのセットを繰り返し提示して学習するいわゆる
学習動作と、毎サンプルまたは数サンプルごとに、現時
点の入出力変数、状態の測定変数からプロセスのＡＲＭ
Ａモデルのパラメータを出力するいわゆる想起動作を行
なう。制御演算部は、ＡＲＭＡモデルのパラメータ値か
らＰＩＤ制御のパラメータを算出する。

【０００８】

【実施例】以下図面を参照して本発明を詳細に説明す
る。図１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。図において、１０は制御対象、２０
は同定学習部、３０は制御演算部である。

【０００９】同定学習部２０は、制御対象１０の特性を
同体する部分である同定部２１と、同定結果を基に動作
点や環境条件と対象の特性値の関係を学習するニューラ
ルネットワーク部２２からなる。同定部２１は、制御対
象１０の入出力間のダイナミックスを表わすモデルの構
造を仮定して、ある期間の入力データａ，ｂからモデル
のパラメータを同定してその値ｃを出力する。ニューラ
ルネットワーク部２２は、学習および想起の機能を持
つ。学習は、制御対象１０の動作点や環境などの状態値
ｄを入力とし、その状態における同定モデルのパラメー
タ値ｅ（想起）とｃ（学習）を出力とし、同定が成功し
た時点で入力ｄと教師出力ｃが得られるたびに行われ
る。ここでの想起は、常に現時点での制御対象の状態値
ｄが入力されていて、その状態における同定モデルのパ
ラメータ値ｅを出力する機能を言う。なお、同定学習部
２０には、同定および学習を実現するためにデータを保
持管理する機能が備えられている。

【００１０】制御演算部３０は、制御対象の出力値ｆ、
その目標値ｇおよびニューラルネットワーク部２２から
得られる同定結果のモデルのパラメータ値ｅから、何ら
かの規範のもとに最適な操作量を演算してその値ｈを出
力する。

【００１１】このような構成における動作を次に説明す
る。ここでは、同定モデルの構造がＡＲＭＡ（Auto Reg
ressive Moving Average：自己回帰移動平均）モデルで
あり、同定法が最小二乗法、制御演算部３０における制
御の構造がＰＩＤ制御であり、制御規範（目的）が目標
値変動に対して１０％オーバーシュートの場合を例にと
って説明する。なお、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)、状態（動作点や環境条件など）の測定
変数をx_i(k)（ただし、i=1,...,n ）とする。さらに、
同定モデルとしては、次式のＡＲＭＡモデル（次数を
ｐ，ｑとする）とする。

【数１】

【００１２】同定学習部２０は、同定と学習のためのデ
ータを保持管理すめためのものであり、毎サンプルまた
は数サンプルごとに実行するもので、プロセスの過去か
ら現在までの入出力データと状態の測定データをｍサン
プル分蓄える。すなわち、次のようなデータ列を蓄え
る。 u(k), u(k-1), u(k-2), ... , u(k-m+1) (2) y(k), y(k-1), y(k-2), ... , y(k-m+1) (3) x_i(k), x_i(k-1), ... ,x_i(k-m+1) (i=1,...,n) (4) そして、これらのデータが次の条件（可同定条件）を満
たすかどうかを判定する。 umax - umin ≦ ua ただし、umax, umin は上記データ列(2) の最小値と最
大値 ymax - ymin ≦ ya ただし、ymax, ymin は上記データ列(3) の最小値と最
大値 xmax_i - xmin_i≦ xa_i (i=1,...,n) ただし、xmax_i, xmin_iは上記データ列(4) の最小値と
最大値データ列(2) 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(2),(3) を同定
部２１に渡して同定計算を行い、その結果のＡＲＭＡモ
デルのパラメータ｛a1,...,ap, b0,...,bq｝を受け取
る。これと、データ列(1),(2),(3) の平均値 umean, y
mean, xmean_i (i=1,...,n)を１セットのプロセス動特
性データとする。このプロセス動特性データのセットを
すべて蓄えておいて、１つ増えるたびに全データセット
をニューラルネットワーク部２２に教師信号として与
え、この関係を学習させる。

【００１３】さらに同定部２１およびニューラルネット
ワーク部２２について詳述する。同定部２１は、(1) 式
のＡＲＭＡモデルのパラメータ｛a1,...,ap, b0,...,b
q｝をプロセスの入出力データ列(2),(3) から、良く知
られている最小二乗法により求める。ここに与えられる
入出力データおよび測定データと、同定部の起動命令は
同定学習部２０から得られる。

【００１４】ニューラルネットワーク部２２は、図２に
示す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 y(k) 、測定変数が x_i(k)であ
り、出力は、プロセスのＡＲＭＡモデルのパラメータ
が｛a1,...,ap, b0,...,bq｝とし、その動作は次のよう
に２通りある。ａ）学習動作同定学習部２０でプロセス動特性データのセットが増え
るたびにそれまでに蓄えられた全教師データのセットを
繰り返し提示して学習する。この学習には、良く知られ
ているバックプロパゲーション学習則を用いる。ただ
し、この場合のデータ・セットの入力、u(k), y(k), x
_i(k) (i=1,...,n)には平均値 umean, ymean, xmean
_i(i=1,...,n) を用いる。

【００１５】ｂ）想起動作この動作は、毎サンプルまたは数サンプルごとに実行す
る。現時点のu(k),y(k), x_i(k) (i=1,...,n)を与え
て、プロセスのＡＲＭＡモデルのパラメータ｛a1,...,a
p, b0,...,bq｝を出力して制御演算部３０に渡す。制御
演算部３０は、ますＡＲＭＡモデルのパラメータ値か
ら、例えば目標値変動に対して１０％オーバーシュート
の規範下で最適なＰＩＤ制御のパラメータを算出する。

【００１６】この計算には、例えば、「制御対象の部分
的知識に基づく制御系の設計法」（計測自動制御学会論
文：Vol.15, No.4, pp549/555: 1979 ）に記載の方法に
より約１０％オーバーシュートする波形の得られるＰＩ
Ｄコントローラのパラメータを計算する等の方法を用い
る。次に、出力y および目標値ydから以下のＰＩＤ演算
により操作量u(k)を計算して出力する。目標値 yd(k)、比例ゲインKp、積分時間T1、微分時間Td
とし、制御偏差は、 e(k) = yd(k) - y(k) (5) △e(k) = e(k) - e(k-1) (6) △²e(k) = △e(k) - △e(k-1) であり、これより次式で表わされるようなプロセス操作
量を出力する。 u(k) = u(k-1) + Kp[△e(k) + T/Ti e(k)+ Td/T・△²e(k)] (7)

【００１７】このような構成における動作を図３および
図４の動作フローを参照して説明する。（１）通常制御ループ（毎サンプルごと）図３がその動作フローである。同定部２１で、現時点の
入力ａ、出力ｂの測定値をそれぞれ取り込む。次にそれ
らの値をニューラルネットワーク部２２に入力し
（ｃ）、プロセスのＡＲＭＡモデルパラメータを得る
（想起動作）。続いて、制御演算部３０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、それを用いてプロセスの
出力と目標値の偏差より操作量を計算しこれによって制
御対象１０を操作する。

【００１８】（２）学習動作（毎サンプル、または数サ
ンプルごとに起動）図４がその動作フローである。同定部２１は、常に入出
力測定データを前記 (2),(3),(4)のように蓄えておき、
可同定条件を判定する。次に、可同定条件が満たされれ
ば、プロセスのＡＲＭＡモデルを同定する。更に、上記
入出力測定データの平均値を計算し、これと上記のＡＲ
ＭＡ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す
べてニューラルネットワーク部２２に教師データとして
繰り返し提示して学習する。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部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
性を学習してゆき、常に最適な制御を実現するように成
長していく。

【００１９】なお、本発明は上記実施例に限定されるも
のではなく、次のような構成としてもよい。プロセス
モデルには、ＡＲＭＡモデル以外に、連続な「一次遅れ
＋むだ時間」モデルなど、どのようなモデルを用いても
良い。ただし、そのモデルに対するパラメータ同定アル
ゴリズムが必要である。どのようなモデルを用いた場合
でも、そのパラメータ値をニューラルネットワーク部の
出力とする。制御規範に関しても、「目標値変動に対
する１０％オーバーシュート」に限らず、外乱に対する
制御規範などを考えても良い。また、制御規範を実現す
るＰＩＤゲインの計算にも、上記計算法以外に最適制御
や極配置などを用いても良い。制御はＰＩＤに限ら
ず、ＰＩなどを用いても良い。可同定条件を満たすよ
うな状態が得られない時に同定が必要な場合は、同定信
号を加えるような仕組みを付け加えても良い。

【００２０】図５は本発明の更に他の実施例図である。
図５では、同定部２１を学習管理部２１１と同定器２１
２、ニューラルネットワーク部２２を加算器２２１とニ
ューラルネットワーク２２２、そして制御演算部３０を
ゲイン設定器３０１と加算器３０２とＰＩＤコントロー
ラ３０３でそれぞれ構成したものである。学習管理部２
１１は、前記同定学習部での機能と同等の機能を持ち、
同定器２１２は前記同定部２１でＡＲＭＡモデルのパラ
メータを求めるのと同等の機能を有する。また、加算器
２２１とニューラルネットワーク２２２では前記ニュー
ラルネットワーク部２２と同等の機能を有する。ゲイン
設定器３０１はニューラルネットワーク２２２から出力
されるプロセスの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３０３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。Ｐ
ＩＤコントローラ３０３は、前記と同様のＰＩＤ演算に
より制御対象１０に与えるパラメータ（操作量）を計算
する。

【００２１】

【発明の効果】以上説明したように、本発明によれば、
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
環境条件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、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部で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
きるという効果がある。

【図面の簡単な説明】

【図１】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。

【図２】層状のニューラルネットワークとバックプロパ
ゲーションの様子を示す図である。

【図３】通常制御ループの動作フローを示す図である。

【図４】学習動作の動作フローを示す図である。

【図５】本発明の他の実施例を示す構成図である。

【図６】ゲインスケジューリング方式を説明するための
概念的ブロック図である。

【図７】セルフチューニングレギュレーション方式を説
明するための概念的ブロック図である。

【符号の説明】

１０制御対象２０同定学習部２１同定部２２ニューラルネットワーク部３０制御演算部

Claims

【特許請求の範囲】【請求項１】動作点や環境条件によって特性が変動する
制御対象に対する操作量をオンラインで自動調整するプ
ロセス制御装置であって、前記制御対象の入出力間のダイナミクスを表わすモデル
の構造を仮定し、ある期間の入出力データおよび状態の
測定データを保持管理すると共にその入出力および測定
データからモデルのパラメータを同定してその値を出力
する同定部と、前記同定が成功した時点で、制御対象の動作点や環境な
どの状態値と、その状態における同定モデルのパラメー
タ値が得られるたびに保持管理すると共に学習を行な
い、かつ常に現時点での制御対象の状態値が入力されて
いてその状態における同定モデルのパラメータ値を想起
出力するニューラルネットワーク部と、前記制御対象からの出力値、その目標値および前記ニュ
ーラルネットワーク部から得られる同定結果のモデルの
パラメータ値から、予め定めた規範下で最適な操作量を
演算しその値を制御対象へ供給する制御演算部を具備し
たことを特徴とするプロセス制御装置。