JPH05173606A

JPH05173606A - プロセス制御方法及び装置

Info

Publication number: JPH05173606A
Application number: JP33472291A
Authority: JP
Inventors: Haruki Inoue; 春樹井上; Masakazu Yahiro; 正和八尋; Yoshiyuki Sato; 良幸佐藤
Original assignee: Hitachi Engineering Co Ltd; Hitachi Ltd
Current assignee: Hitachi Engineering Co Ltd; Hitachi Ltd
Priority date: 1991-12-18
Filing date: 1991-12-18
Publication date: 1993-07-13

Abstract

(57)【要約】【目的】本発明はプロセスの多目的最適制御において、
異なるプロセスにも汎用的に適用でき、構築の容易な制
御構造をもつプロセス制御方法及び装置を提供すること
にある。【構成】本発明は制御効果器の全ての操作案を決定する
手段２と、各操作案を実行すると仮定したときの制御目
的情報の推移をニューラルネットワーク３１で予測、該
予測値の制御目標値に対する評価をファジィ評価手段３
３によって行なう予見評価手段３と、これら制御目的毎
の評価値によって複数の目的を同時に満足する程度を操
作案毎に演算し、最良の満足度を決定する満足度演算評
価手段４，５と、該最良満足度の操作案を制御効果器に
出力する出力手段７から構成される。【効果】プロセスが異なっても制御構造を同一にできる
ので汎用化が可能で、コストの低減と信頼性、保守性の
向上ができる。とくに、ニューロの学習機能により調整
時間を短縮できる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明はプロセスの推移を予測し
ながら制御目的を達成するよう制御するプロセス制御方
式に係り、特にニューロによる予測（シミュレーショ
ン）とファジィによる評価（意思決定）を組み合わせた
プロセス制御方法及び装置に関する。

【０００２】

【従来の技術】近年、人間の勘や経験等に頼っていた定
性的な処理を、ファジィやニューロ手段を用いて自動化
する試みが盛んである。

【０００３】ファジィについては、例えば「計測と制
御；Ｖol．２２−１」所載の論文「あいまい制御」等に
おいて解説され、また多くの産業用，家庭用電器製品に
広く応用されている。ファジィの利点は、従来の物理的
（数式的）制御モデルによっては困難であった非線形な
プロセスでも、最適制御ができる場合のあることであ
る。しかも、専門家でなくても、制御の構造は経験的な
知識を基に比較的容易に構築することができる。

【０００４】一方、ニューロは人間の大脳の動作を模擬
し、定性的処理を行なうものとして注目されている。近
年多くの文献で紹介されている典型的なニューラルネッ
トワークは、入力層，出力層および中間層（かくれ層）
の多層構造から成り、隣接する層間の各ニューロン（神
経細胞）は全てシナップスと呼ばれる情報伝達手段によ
り相互に結合されている。

【０００５】ニューラルネットワークの重要な特徴に学
習能力がある。この学習は誤差逆伝搬学習法といわれ、
入力に学習パターン（入力信号）を与え、その時の出力
信号の理想値である教師信号に対する偏差を最小にする
ようにシナップスの重み（結合度）を調整する方法であ
る。これは、たとえば「パターン認識と学習のアルゴリ
ズム（文−総合出版）」に詳しい。また、ニューラルネ
ットワークの具体的な回路構成については、たとえば特
開平1−201765 号公報に記載されている。

【０００６】このようなニューラルネットワークの比較
的効果のある応用として、たとえば、株価の予測やパタ
ーン認識がある。これらは、ある１つの事象、すなわち
株価の時間的変化や画像分布の特徴などを学習し、株価
予測やパターン認識を行なうものである。

【０００７】

【発明が解決しようとする課題】ファジィ制御で良好な
結果を得るには、ファジイモデルすなわち、メンバーシ
ップ関数や推論ルールの精密なチューニングが必要とな
る。とくに、多数の入力から目的情報を推論する複合的
なファジィのメンバーシップ関数のチューニングには根
気のいる長期の作業が要求され、これが本格的なファジ
ィ制御の発展と普及を阻む要因にもなっている。そのう
え、対象が複雑になるほど必要な経験的知識を洩れなく
獲得することは難しく、知識が不十分な場合は従来の定
量的制御より劣ることもある。このように、プロセスが
複雑で高度化するほどファジィの応用には困難が多いの
が現状である。

【０００８】また、ニューラルネットを応用する場合に
も、多種多様のパラメータやアクチュエーターのある複
雑なプロセスを対象とする場合は、理想的な教師パター
ンを得ることが極めて困難になる。何故なら、複雑なプ
ロセスほど、あり得るパターンも膨大となり、教師信
号、すなわち理想的な制御出力値を定めることが難しい
からである。この結果、ニューラルネットワークの学習
を実用可能な精度に収束させることが困難になる。

【０００９】本発明の目的は、従来のファジィ制御や、
ニューラルネットワーク応用による制御の問題点を克服
し、複雑なプロセスを最適に制御する定性的、かつ、汎
用的なプロセス制御方法および装置を提供することにあ
る。

【００１０】

【課題を解決するための手段】本発明の第１の見地は、
ニューロとファジイが互いに得意なところを分担し結合
することによって、プロセス挙動が線形的な数式モデル
で表わすことのできる線形局面と、定性的には表現でき
るが線形的には表わすことのできない非線形局面とが交
互に現われたり複合されたりしていて、定量的モデル
（物理モデル；微分方程式等の数式で記述）での記述に
は困難があるプロセスにも適用可能な制御構造を構築し
ようとするものである。

【００１１】すなわち、ニューロは非線形も含め学習で
きるシミュレーションを担当し、教師信号が容易に定め
られるように、操作量を入力として制御目的毎にその目
的値の推移を予測する。ファジィは意思決定を担当し、
ニューロで予測された各目的値をファジィ評価して、全
ての制御目的を同時に最も満足する操作量を決定する。

【００１２】本発明の第２の見地は、制御精度や効率あ
るいは安全性など多観点の評価をしながら制御する多目
的制御においては、プロセスの挙動を推定して操作を決
定するよりも、複数の操作案を実行すると仮定してプロ
セスを推定する方が、最適制御を決定し易いことに基づ
いている。これは人為的に変化させ得る制御効果器の操
作の影響は捉え易く、豊富なデータを得れるからでもあ
る。

【００１３】この場合、制御効果器が連続量を含んで複
数になると、操作量の組合せは爆発的になり理論的には
無限となる。しかし、実際には効果器の可変範囲（レン
ジ）において、効果が明瞭となる最小変位量で有限分割
（ステップ）すれば、操作案の数はリアルタイムな実行
が可能な程度に限定できる。

【００１４】本発明は上記見地に基づいて、制御効果器
の所定の操作案を仮定して一定時間後のプロセス値をニ
ューラルネットワークで予測し、前記制御目的に関して
予め定められるファジィ評価関数によって前記プロセス
値を評価し、この評価値が所定の基準（経験的に設定さ
れる）を満たすとき前記操作案を制御効果器に出力する
ことを特徴とする。

【００１５】特に、多目的多出力の制御について付言す
れば、複数の制御効果器の操作量の組合せによる予め定
められる複数の操作案の一と所定のプロセス情報を入力
情報とし、制御目的に応じ学習されているニューラルネ
ットワークによって当該制御目的のプロセス値を予測
し、かつ、当該制御目的に関して予め定められているフ
ァジィ評価関数により前記プロセス値の評価値を求め、
これら制御目的ごとの各評価値に基づいて複数の制御目
的を同時に達成する程度を示す満足度を演算し、満足度
演算の上記の過程を前記操作量組合せ案の全てについて
繰返し、これら満足度のうち所定の基準を満たす満足度
（最大値でも可）が得られる操作案の操作量の組合せに
よって前記複数の制御効果器を制御する。

【００１６】

【作用】このように本発明の制御方法は、予測（シミュ
レート）にニューラルネットワークを用い、全ての操作
案を実行した場合の予測制御結果の評価をファジィ手段
にて構成しているので、プロセスが異なっても同一の制
御構造を適用できる汎用性を有している。

【００１７】ニューラルネットワークは、制御目的ごと
に構成されるので理想的な教師パターンをえ易く、この
パターンによる短時間の学習で所望の精度に収束され
る。この学習はプロセスの線形／非線形の区別なく学ぶ
ことができるので、複雑なプロセスの論理構造を容易に
模擬でき予測精度を向上できる。また、ニューラルネッ
トワークをハード構成として、各制御目的の予測を並列
処理することも可能である。

【００１８】さらに、ファジィ評価は制御目的ごとに行
なわれるので、メンバーシップ関数は目的にたいする経
験的知識から容易に設定でき、この評価関数による簡単
な定性評価によって、多数の操作案についての評価を高
速に処理でき、リアルタイムな操作の決定を可能にす
る。

【００１９】これらによって、多目的最適化問題におけ
る組合せの爆発を回避し、複雑なプロセスにおける最適
制御を実現している。

【００２０】

【実施例】以下、本発明の一実施例を図を用いて説明す
る。

【００２１】図１は本発明のプロセス制御装置の基本構
成を示したものである。実行可能な全ての操作案を記憶
する記憶手段８と、この記憶手段８から一の操作案を読
出し、この操作案と運転中の制御効果器の現在操作量と
の変位量を演算する操作案決定手段２と、制御目的の項
目数だけ具備して、上記読出された操作案を実行すると
仮定し、一定時間後の制御目的情報のプロセス値をニュ
ーラルネットワークで予測し、この予測値をファジィの
メンバーシップ関数で定性的評価する予見評価手段３
と、制御目的項目数毎に設定されるゲインを有する増巾
器を介して各評価値を積算する満足度演算手段４と、演
算された満足度と記憶手段９に格納されているそれまで
に求められた最大満足度を比較し、前者の方が大きいと
きは記憶手段９に該満足度と運転操作案を記憶させる満
足度評価手段５と、全ての操作案の検討が未終了時、次
回処理用の操作案番号を＋１更新する操作案更新手段６
と、全ての操作案の検討後、記憶手段９に格納されてい
る最大満足度を有する操作案、すなわち最適操作案を出
力する出力手段７と、プロセス時系列情報と制御効果器
制御時系列情報を入力とし、予見評価手段３におけるニ
ューラルネットワークの出力値（一定時間後の制御目的
プロセス値）と教師信号の偏差が最小となるようにシナ
ップスの重みを修正する学習手段１０で構成される。

【００２２】図２は、操作案決定手段２の構成を示した
ものである。操作案決定手段２は、操作案更新手段６か
らの操作案番号ｉ（初期値は１）を入力し、ｉによって
歩進するポインター値（図示なし）に従い記憶手段８よ
り操作案を取り出し操作量案Ｍ′を出力する操作案取出
し手段２１と、該操作量案Ｍ′と現在運転状態における
制御効果器の操作量Ｍを入力とし、それらの差分、すな
わち操作変位量△Ｍを出力とする変位量演算手段２２で
なっている。なお、本実施例ではニューラルネットワー
クの入力情報として操作変位量を用いているが、対象に
よっては絶対量によってもよい。

【００２３】図３は制御効果器ＣＴＬ１〜３について、
記憶手段８に格納されている操作案の一例を示したもの
である。各効果器の運転レンジはＣＴＬ１が０〜８段
階、ＣＴＬ２が０〜４段階、ＣＴＬ３が０〜１００であ
る。ＣＴＬ１，２の操作量は各段階が離散化されている
もので、例えば複数台のオン・オフ制御などによって操
作される。ＣＴＬ３の操作量は連続量（アナログ量）
で、実効果の現われる分解能、すなわち、操作量の最小
変位量が５.０としているので、とり得る操作量は全体
で２１ステップに分割される。この結果、操作し得る組
合せは、（ＣＴＬ１の段階数）×（ＣＴＬ２の段階数）×（ＣＴＬ３の段階数）９５２１で、９４５通りとなる。この各組合せの操作案について
順次、実時間でシミュレーションすることにより、最適
操作案を決定できる。

【００２４】図４は、予見評価手段３の構成を示したも
のである。予見評価手段３は、制御目的項目毎に所定の
プロセス情報＃１〜＃５を入力し、当該制御目的の一定
時間後の状態量の予測値（目的情報値）を想起するニュ
ーロ予測手段３１と、予測値（定性値）を工学値に変換
する工学値演算手段３２と、制御目的毎に先見的情報に
より予めファジィ量で定められているメンバーシップ関
数によって上記予測値の定性的評価を行ない予見評価値
を出力するファジィ評価手段３３からなる。

【００２５】図５は、予見評価手段３の具体的構成と動
作を示したものである。プロセス情報＃１〜＃５は、現
代パーセプトロンによる前向きニューラルネットワーク
の各入力層ニューロンの入力値となる。＃１〜＃５には
制御目的項目に関連するプロセス量と、上記した１操作
案の各操作量（変位量）が入力される。この入力値(ｘ
i）と学習によって定められるシナップスの重み(Ｖij)
の積演算、及び、次層のニューロン毎にこの積値の加算
とその加算値を入力とする伝達関数（この例ではシグモ
イド関数；非線形）演算に基づく入力値(ｙj) を求め、
これを順次行なって出力層ニューロンに想起出力として
予測値(ｚ)を得る。

【００２６】出力された予測値を基に、工学値演算手段
３２は当該制御目的項目の工学値を算出する。たとえ
ば、予測値(ｚ)は一定時間後の目的項目の変位量または
位置量を０.０〜１.０のレンジで表わした値となる。仮
りに、０〜４０℃レンジの温度であれば０.０を０℃、
１.０を４０℃としてリニアな関係に変換する。演算手
段３２はこの工学値、あるいは目標値と工学値との差分
である目標差分値を演算し、ファジィの評価対象情報と
して出力する。

【００２７】ファジィ評価手段３３は、予め縦軸がファ
ジィ評価値である適合度０.０〜1.0を、横軸が評価対象
情報（予測値の工学値）で定められる線形／非線形のメ
ンバーシップ関数で記憶装置８の一部をなすＲＯＭに格
納していて、制御目的毎にこのＲＯＭから対応するメン
バーシップ関数を参照して上記予測値を定性的に評価す
る。

【００２８】本例では図５に示す非線形特性をもつメン
バーシップ関数が設定されていて、ファジィの評価値μ
＝０.６２となっている。すなわち、当該制御目的項目
の一定時間後の値の「良い」程度が０.６２であること
を示している。

【００２９】なお、メンバーシップ関数は上記予測値ｚ
(０〜１)をそのまま用いて定義することも不可能ではな
いが、上記のように工学値に変換すると、メンバーシッ
プ関数の定義や予測精度の定量的評価が簡単で、ニュー
ロとファジィを結合した制御構造の構築が容易になる。

【００３０】ニューラルネット予測手段３１は、記憶装
置８の所定の領域に格納されるニューラルネットワーク
構成情報と、想起の演算処理手順を示すプログラムとの
ソフトウェアを、制御装置１が具備する（図示していな
い）計算機が読出して処理することにより実現される。
とそのメモリに格納されるプログラムや知識等のソフト
ウェアによって処理可能に構成される。ニューラルネッ
トワーク構成情報は本実施例においては、入力層，中間
層及び出力層の３層の各ニューロンの数（入力層と中間
層は同数、出力層は１），入力ニューロンＮｏと入力情
報の対応関係の定義情報テーブルと、学習によって定め
られる各シナップスの結合係数テーブルに設定される。

【００３１】ニューラルネットワークは、チップ化され
たハードウェアによって並列処理することもできる。図
６は予測手段３１をハードウェアにて構成した１例を示
したものである。本例ではｋ＝５個の入力ニューロンＸ
i と、ｌ＝５個の中間ニューロンＹj と、１個の出力ニ
ューロンＺと、入力層と中間層を結合する重みＶij（ｉ
＝１〜５，ｊ＝１〜５）を有するシナップスと、中間層
と出力層を結合する重みＷj(ｊ＝１〜５）を有するシナ
ップスで構成されている。同図で、各入力と各重みのマ
トリックス状網目（仮想空間）に両者の積演算を行なう
積回路３６が配置されている。各重みは学習中または学
習済みの値が記憶装置８に記憶されていて参照される。
また、Σは加算回路３７、δは非線形演算回路３８を示
している。各ニューラルネットワークは、制御装置１の
図示していない処理装置によって並列に処理され、さら
に高速化が計られる。

【００３２】ところで、ニューラルネットワークは空間
加算性と非線形性を有しており、下記にて想起（本例で
は予測値ｚの演算）が行なわれる。

【００３３】Ｙj＝δ（Ｖ₁j・Ｘ₁＋Ｖ₂j・Ｘ₂＋Ｖ₃j・Ｘ₃＋Ｖ₄j・Ｘ₄＋Ｖ₅j・Ｘ₅）（ｊ＝１，２ …，５）Ｚ＝δ（Ｗ₁・Ｙ₁＋Ｗ₂・Ｙ₂＋Ｗ₃・Ｙ₃＋Ｗ₄・Ｙ₄＋Ｗ₅・Ｙ₅）（ｊ＝１，２ …，５）ここでδはニューロンの非線形性を与えるシグモイド関
数であり

【００３４】

【数１】

【００３５】を採用している。ｚは記憶装置８の工学値
変換係数やメンバーシップ関数を参照して変換，評価さ
れて、評価値（μ）として出力される。

【００３６】従来の制御方法、たとえばＰＩＤなどの数
値制御やファジィ制御においては、制御対象毎にモデル
化を行なって制御構造を決定していた。このため同一プ
ラントに多くの異なるハードウェア構造や論理構造の混
在するシステムとならざるを得ず、システムの構築や保
守に多大の時間を要していた。

【００３７】しかし、上記のように本実施例による予見
評価手段は、ソフトウェア／ハードウェアいずれにおい
ても汎用的構成で実現される。すなわち、予測評価手段
は積要素，加算要素及び非線形演算要素の組合せにより
構成され、制御対象によるモデル構造の相違はニューラ
ルネットワークの学習によって吸収される。同様に、評
価手段はメンバーシップ関数により構成され、意思決定
に導く制御の良否の判定はファジィ評価によって簡単に
実現できる。

【００３８】このように図４〜６に示す予見評価手段
は、制御対象が異なっても制御の仕組みを基本的に同一
とすることができ、種々のプロセス制御へ汎用的に適用
できるので、システムの構築が簡単で、保守性や信頼性
も向上できる効果がある。

【００３９】図７は満足度演算手段４の一例を示したも
のである。本例では、各制御目的項目のファジィ評価値
μ₁，μ₂，……，μn を入力とし、ｎ個の任意のゲイン
を設定できる増巾器４１にて規準化後（各評価値に重み
付与）、積算手段４２でそれらの総和が計算される。前
述の通り、本手段は、各操作案を実行した場合の実時間
シミュレーション結果の良否の度合を定めるものである
から、例えば各操作案毎にμ₁，μ₂，……，μn の最小
値を求め、その最小値（満足度）が最大になる操作案を
決定する論理等でも実現可能である。

【００４０】図８は、以上説明した制御装置の処理手順
を、処理フロー図にて説明するものである。

【００４１】ステップ１（Ｓ１０１，操作案決定手段
２）：操作案取出し・演算記憶装置８に格納されている操作案を、操作案ポインタ
ーに従って読出し、現在の運転状態との変位量を演算す
る。

【００４２】ステップ２〜４（Ｓ１０２〜４，予見評価
手段３）：ｎのプロセス量予見評価ステップ１にて決定された操作案を実行した場合のｎ個
の目的プロセス量の推移を、目的毎のニューラルネット
ワークとファジィにて予測し、評価する。ニューラルネ
ットワークが図６のハード構成であると、ステップ２〜
４は並列処理できる。

【００４３】ステップ５（Ｓ１０５，満足度演算手段
４）：満足度演算ステップ２〜４にて評価された各評価値により、該当操
作案を実行した場合、複数の制御目的項目を同時に満足
する程度を演算する。

【００４４】ステップ６（Ｓ１０６，満足度評価手段
５）：満足度評価ステップ５で得た満足度と、それ以前に評価した操作案
の最大の満足度を比較し、前者が大である場合に該満足
度を最大値とし、その操作案と共に記憶する。

【００４５】ステップ７（Ｓ１０７，操作案更新手段
６）：操作案更新操作案番号を１更新し、未完のステップ１へ戻り、全て
完了時はステップ８へ進む。

【００４６】ステップ８（Ｓ１０８，出力手段７）：プ
ロセス制御出力ステップ６にて記憶されている、最大満足度を有する操
作案を制御出力する。

【００４７】以上のようにして、本制御装置１は複数の
制御目的を常に、同時に満足する最適制御指令を出力す
るよう動作する。

【００４８】図９は、学習手段１０の構成を示したもの
である。学習手段１０は、制御目的項目数具備されてい
る予見評価手段３内のニューラルネットワークのシナッ
プスの重みを予めあるいは制御動作中に遂次、修正する
ように動作する。制御目的項目に影響を及ぼす全てのプ
ロセス量（上記操作量を含む）の時系列情報Ｘを入力と
し、Ｘを入力とした場合のニューラルネットワークの想
起結果ｈ(ｘ)と、Ｘに対応する制御目的項目の一定時間
後の実測値ｄ(ｘ)の偏差が最小となるように、シナップ
スの重さを修正する。この詳細については、前述「パタ
ーン認識とアルゴリズム」で述べられている通りであ
る。

【００４９】本学習手段により、従来の定量的モデルで
の記述が困難な非線形要素を含むプロセスにたいして
も、制御の基本構造を変更することなく容易に構築でき
る。また、ファジィでは長時間を要する多入力のメンバ
−シップ関数の複合的チューニングも、ニュ−ラルネッ
トワ−クでは短時間で完了できる。

【００５０】次に、本発明の好適な適用例を説明する。
図１０は、温度や湿度等を所定値に保つ為の空調プロセ
スの概略を示したものである。空調制御は、温度，湿度
等のセンサー値を入力とし、温水バルブＶh，冷水バル
ブＶc，加湿バルブＶH ，除湿バルブＶD 等の空調器の
アクチュエーターを操作して、所望の目標値に最小の電
力で制御することを目的とするものである。

【００５１】図１１は本空調プロセスの制御装置の構成
を示し、図１の制御装置１の構成をそのまま適用したも
のである。全ての操作案を組合せ番号に従って決定する
操作案決定手段１０２，温度予見評価手段１０３１，湿
度予見評価手段１０３２，電力量予見評価手段１０３
３，切替電力量予見評価手段１０３４，満足度演算手段
１０４，満足度評価手段１０５，操作案更新手段１０
６，制御出力手段１０７，記憶手段１０８，記憶手段１
０９により構成される。

【００５２】図１２は、予見評価手段１０3 の詳細を示
したものである。温度予見評価手段１０３１は、現在時
刻ｊの温度Ｔjと一定時間前の温度Ｔj-1の偏差△Ｔj 、
同様に湿度の偏差△Ｈj と、現在時刻ｊの操作量案によ
る温水バルブの操作変量△Ｖhj，冷水バルブの操作変量
△Ｖcj，加湿バルブの操作変量△ＶHj，除湿バルブの操
作変量△ＶDjを入力とし、三層のニューラルネットによ
り時刻ｊと時刻ｊ＋１の温度偏差△Ｔj+1 を予測する。
本実施例におけるニュ−ラルネットの出力は０.０〜１.
０の定量値なので、演算手段において温度偏差値に変換
して予測温度と目標温度値との差分を求める。

【００５３】（目標値との差分）＝（Ｔj＋△Ｔj+1）−（目標温度
値）この目標温度値との差分を評価対象情報として、予め目
標温度値との関係で定められているファジィ評価関数
（メンバーシップ関数）を参照して、目標値に対する予
測温度の評価値μT を求める。

【００５４】同様に、湿度予見評価手段１０３２，電力
予見評価手段１０３３，切替電力予見評価手段１０３４
は、それぞれ同図に示す入力及び評価関数によって各評
価値μH ，μp ，μchを求める。

【００５５】なお、各ファジィ評価関数は、温度と湿度
については目標値に近づくほど良好とし、電力について
は量のより少ない方を良好とし、切替電力については変
化が無いほど良好として定義している。これにより、温
度，湿度等を所望値に保持しながら制御効果器の運転電
力量を最小にする理想的な制御が得られる。

【００５６】次に、満足度演算手段１０４は各予見評価
手段によって出力されたμT ，μH,μp ，μchそれぞれ
に対し、予め定められているゲインｇ₁＝０.４ｇ₂＝０.３ｇ₃＝０.１ｇ₄＝０.２を付与して規準化（重み付け）し、積算手段により下式
で満足度Ｓを演算する。

【００５７】

【数２】

【００５８】満足度評価手段１０５は、今回演算した操
作案ｉに対する満足度Ｓi と、それ以前に演算されたＳ
₁〜Ｓi-1 の中の最大満足度と比較し、Ｓiが大であるな
らばＳi を新たな最大値として、操作案ｉと共に記憶装
置１０９に格納する。以上の動作が全ての操作案につい
て実行され最終的に、記憶装置９には最大満足度を有す
る操作案が格納される。

【００５９】上記最大満足度の演算過程を下記に示す３
種の操作案で説明する。但し、記号＋はバルブ開、記号
０は現状維持、記号−はバルブ閉、を示し、操作案が
現状維持の例である。

【００６０】操作案：温水バルブ＋（開）、冷水バルブ−（閉）加湿バルブ＋（開）、除湿バルブ−（閉）操作案：温水バルブ０、冷水バルブ０加湿バルブ０、除湿バルブ０操作案：温水バルブ−、冷水バルブ＋加湿バルブ−、除湿バルブ＋図１３は上記各操作案、すなわち現在時刻ｊで温水バル
ブＶh ，冷水バルブＶc ，加湿バルブＶH ，除湿バルブ
ＶD を、同図(ｂ)の操作案〜の点線で示す変量で操
作した場合、制御目的情報の温度と湿度はｊ＋１の未来
時刻で同図(ａ)に示す〜のように予測される。

【００６１】予測温度は操作案、すなわち温水バルブ
Ｖh ＋側へ開き、冷水バルブＶc を−側へ閉じ、加湿バ
ルブＶH を＋側へ開き、除湿バルブＶD を−側へ閉じた
場合に上昇し最も目標値に近づいている。操作案の場
合は現状維持、操作案の場合は逆に下降して目標値か
ら大きく離れる。一方、予測湿度は操作案の場合が最
も目標値に近くなっている。

【００６２】このように、空調プロセスにおける温度変
化は単に、温水／冷水バルブのみならず加湿／除湿バル
ブの操作の影響も受け、一方、湿度変化は温水／冷水バ
ルブの操作にも影響される。これは、空気中の水分の露
点，対流等がプロセスを複雑にしているためである。同
図では省略しているが、この温度，湿度に加えて操作案
毎の消費エネルギー，切替頻度を含めた多目的，多出力
制御となるため、その最適化には一層、複雑な問題を含
んでいることが認められる。

【００６３】図１４はファジィ評価関数、すなわちメン
バーシップ関数を用いて、各操作案を実行した場合のニ
ュ−ラルネットの予測値から評価値を求める方法を説明
するものである。時刻ｊ＋１における各操作案の予測温
度の偏差△Ｔと温度評価値μT は、同図（ａ）のように操作案 △Ｔ＝０℃ μT ＝１.００操作案 △Ｔ＝−５℃ μT ＝０.６０操作案 △Ｔ＝−１０℃ μT ＝０.００となり、操作案が最も目標に近い。

【００６４】予測湿度の偏差△Ｈと湿度評価値μH は同
図（ｂ）のように操作案 △Ｈ＝７.５％ μH ＝０.５８操作案 △Ｈ＝２.５％ μH ＝１.００操作案 △Ｈ＝−５.５％ μH ＝０.８２となり、操作案が最良である。

【００６５】電力量の絶対値と電力量評価値μp は同図
（ｃ）のように操作案Ｐ1 μp ＝０.５１操作案Ｐ2 μp ＝０.７８操作案Ｐ3 μp ＝０.２７となり、操作案が良好である。

【００６６】切替電力（過渡電力）の絶対値と切替電力
評価値μchは同図（ｄ）のように操作案Ｐch1 μch＝０.８３操作案Ｐch2 μch＝１.００操作案Ｐch3 μch＝０.７７となり、操作案が良好であることがわかる。

【００６７】図１５は以上の各操作案と評価値及び満足
度の演算結果を示したものである。満足度は上記数２に
より求められ、最大満足度Ｓ＝０.８１８が得られる操
作案が最良と評価され、制御効果器へ出力される。

【００６８】数２の各ゲインｇ₁〜ｇ₄は、制御目的項目
間の重要度を配分するパラメータである。本例では操作
案が最良とされたが、例えば温度のゲインμT をより
重視すると、操作案が選択されることもある。ゲイン
をどのように設定するかは、物理的要素と共に経験的な
要素によって決定される。

【００６９】図１６は従来の定量的制御方法と、本発明
による制御方法により同一空調プロセスを同一条件で制
御した結果を示したものである。従来方法では、温度，
湿度共に変化が激しく、目標に対する偏差も大である。
また空調機の起動／停止も頻繁で消費エネルギーも大で
あることがわかる。

【００７０】これに対し、本発明による制御方法では温
度，湿度共に変化が少なく、かつ目標との偏差も小さ
い。とくに、空調機の起動／停止回数が大巾に低減さ
れ、消費エネルギーは大幅に低減される。

【００７１】本発明は以上述べてきた空調プロセスのみ
ならず、下記例など多種のプロセスに広く適用可能な基
本性を備えている。

【００７２】（イ）トンネル換気制御道路用トンネルでは、運転者が安全に走行できるよう
に、一酸化炭素濃度を基準値以下に、見通しの良さを基
準値以上に保持しつつ、ジェットファンや集塵機等の換
気機の動力費用を最小にする必要がある。制御目的項目
を一酸化炭素濃度，見通しの良さ，電力量，切替電力と
し、トラフィックカウンター，自然風等のセンサー情報
を入力とすることで、上記空調プロセスと同様な制御が
可能である。

【００７３】（ロ）連接系ダム水位制御各ダムの水位，ゲートの開閉，動力費用，安全性等を制
御目的項目とすることで、適用可能である。

【００７４】（ハ）雨水ポンプ制御水位，ゲート開閉，ポンプの運転量，動力費用等を制御
目的項目とすることで、適用可能である。

【００７５】

【発明の効果】本発明によれば、予測の論理をニューラ
ルネットワーク，意思決定をファジィによって実現して
いるので、対象プロセスが異なっても制御の論理構造や
装置構成は基本的に同一となり、汎用化が可能でコスト
を低減でき、信頼性や保守性も向上できる。とくに、非
線形要素を含むプロセス挙動をニューラルネットワーク
で学習させるため、ファジィで数ヶ月〜数年間を要した
制御モデルのチューニングを数時間〜数日で完了でき
る。さらに、ファジィによる意思決定により、複数の制
御目的，複数の制御効果器を有するプロセスの操作案が
爆発的になるのを回避して、多目的の最適制御を高速に
実現できる効果がある。

【図面の簡単な説明】

【図１】本発明の一実施例であるプロセス制御装置の全
体構成を示すブロック図。

【図２】操作案決定手段の構成を示すブロック図。

【図３】操作案の組合せ例を示す説明図。

【図４】予見評価手段の基本構成を示すブロック図。

【図５】予見評価手段の各部の機能を説明する説明図。

【図６】予見評価手段のハ−ド構成の一例を示す回路構
成図。

【図７】満足度演算手段の構成を示すブロック図。

【図８】本発明の一実施例であるプロセス制御方法の処
理手順を示すフロ−チャ−ト。

【図９】学習手段の構成を示すブロック図。

【図１０】本発明の適用例である空調プロセスの概要を
示す説明図。

【図１１】本発明の別の実施例である空調プロセス制御
装置の全体構成図。

【図１２】空調プロセス制御装置の予見評価手段の機能
を説明する説明図。

【図１３】温度及び湿度予測手段の入力操作量案と予測
状況の説明図。

【図１４】制御目的毎のメンバ−シップ関数と各操作案
予測値の評価を説明する説明図。

【図１５】操作案に対する制御目的毎の評価値及び満足
度の演算例を示す説明図。

【図１６】従来および本発明の制御動作と結果を比較す
る説明図。

【符号の説明】

１…プロセス制御装置、２…操作案決定手段、３…予見
評価手段、４…満足度演算手段、５…満足度評価手段、
６…操作案更新手段、７…出力手段、８，９…記憶手
段、１０…学習手段、３１…ニュ−ラルネット予測手
段、３２…評価対象情報値演算手段、３３…ファジィ評
価手段。

───────────────────────────────────────────────────── フロントページの続き (72)発明者佐藤良幸茨城県日立市大みか町五丁目２番１号株式会社日立製作所大みか工場内

Claims

【特許請求の範囲】

【請求項１】プロセスの推移を予測しながら制御目的に
応じ制御効果器の操作量を制御するプロセス制御方法に
おいて、制御効果器の所定の操作案を仮定して一定時間後のプロ
セス値をニューラルネットワークで予測し、前記制御目
的に関して予め定められるファジィ評価関数によって前
記プロセス値を評価し、この評価値が所定の基準を満た
すとき前記操作案を制御効果器に出力することを特徴と
するプロセス制御方法。
【請求項２】請求項１において前記制御目的が複数ある
場合は、制御目的毎の評価値の加算値または重加算値が
所定の基準を満たすことを特徴とするプロセス制御方
法。
【請求項３】プロセスの推移を予測しながら制御目的に
応じ制御効果器の操作量を制御するプロセス制御方法に
おいて、前記制御効果器の実行可能な複数の操作案の一と所定の
プロセス情報を入力とし、制御目的に応じて学習される
ニューラルネットワークによって該制御目的のプロセス
値を前記操作案毎に予測し、前記制御目的に関して予め
定められるファジィ評価関数を参照して前記プロセス値
を評価し、この評価値が所定の基準を満たすとき当該操
作案の操作量によって前記制御効果器を制御するように
したことを特徴とするプロセス制御方法。
【請求項４】プロセスの推移を予測しながら複数の制御
目的に応じ複数の制御効果器の操作量を制御するプロセ
ス制御方法において、前記制御目的ごとに、複数の制御効果器の操作量の組合
せによる予め定められる複数の操作案の一と所定のプロ
セス情報を入力情報とし、制御目的に応じ学習されてい
るニューラルネットワークによって当該制御目的のプロ
セス値を予測し、かつ、当該制御目的に関して予め定め
られているファジィ評価関数により前記プロセス値の評
価値を求め、これら制御目的ごとの各評価値に基づいて複数の制御目
的を同時に達成する程度を示す満足度を演算し、満足度
演算の上記の過程を前記操作量組合せ案について繰返
し、これら満足度のうち所定の基準を満たす満足度が得
られる操作案の操作量の組合せによって前記複数の制御
効果器を制御するようにしたことを特徴とするプロセス
制御方法。
【請求項５】請求項３または４において前記所定の基準
は、演算された満足度の最大値とすることを特徴とする
プロセス制御方法。
【請求項６】プロセスの推移を予測しながら複数の制御
目的に応じ複数の制御効果器の操作量を制御するプロセ
ス制御装置において、複数の制御効果器の操作量の組合せによる予め定められ
る複数の操作案および前記制御目的ごとに予め定められ
ているファジィ評価関数を記憶する記憶手段と、前記制
御目的ごとに具備され、前記記憶手段から読出される一
の操作案の各操作量と当該制御目的に応じた所定のプロ
セス情報を入力信号とする各入力層ニューロンと当該制
御目的のプロセス値の一定時間後の予測値を出力信号と
する出力層ニューロンを有するニューラルネットワーク
と、当該制御目的の前記ファジィ評価関数を参照して前
記予測値を評価して当該制御目的に対する良好度を示す
評価値を出力するファジー評価手段と、を設ける予見評
価手段と、各予見評価手段によって求められた前記評価値に基づい
て複数の制御目的を同時に達成する程度を示す満足度を
演算し、前記読出される一の操作案を順次更新して前記
予見評価手段による処理を繰返し行なわせて新たに演算
される満足度とそれ以前の満足度とを比較し最大になる
ものを決定する満足度演算評価手段と、前記満足度が最大になる操作案の各操作量を前記複数の
制御効果器に出力する出力手段と、を具備することを特
徴とするプロセス制御装置。
【請求項７】請求項６において前記ニューラルネットワ
ークは、前記記憶手段に読出し可能に記憶され、入力
層，中間層及び出力層の各ニューロンの定義情報と学習
によって定められる各シナップスの結合係数を含むニュ
ーラルネットワーク構成情報と所定の演算手順を示すプ
ログラムとから構成されることを特徴とするプロセス制
御装置。
【請求項８】請求項６において前記ニューラルネットワ
ークは、ニューロンの入力値とシナップスの結合係数の
積演算をする積回路を全てのシナップスに対応して設
け、かつ、所定層の全てのニューロンと次層の所定ニュ
ーロン間にある全ての前記積回路の出力を積算する加算
回路及び該加算回路の出力を所定の伝達関数によって演
算し前記次層の所定ニューロンの入力値とする伝達関数
演算回路を前記次層の全てのニューロンに設けることを
特徴とするプロセス制御装置。
【請求項９】請求項８において、各制御目的毎に設けら
れる前記ニューラルネットワークの想起は、全てのニュ
ーラルネットワークを並行処理するように構成されるこ
とを特徴とするプロセス制御装置。
【請求項１０】請求項６〜９のいずれかにおいて、前記
ニューラルネットワークから出力される予測値を工学値
に変換する工学値演算手段を設けることを特徴とするプ
ロセス制御装置。
【請求項１１】請求項６〜１０のいずれかにおいて、前
記ニューラルネットワークは前記入力信号と前記出力信
号を対とする実績データによって、予めまたは実稼動中
に学習される学習手段を具備することを特徴とするプロ
セス制御装置。