JPH06119002A - プロセス制御性能検知装置およびプロセス制御装置 - Google Patents
プロセス制御性能検知装置およびプロセス制御装置Info
- Publication number
- JPH06119002A JPH06119002A JP3158730A JP15873091A JPH06119002A JP H06119002 A JPH06119002 A JP H06119002A JP 3158730 A JP3158730 A JP 3158730A JP 15873091 A JP15873091 A JP 15873091A JP H06119002 A JPH06119002 A JP H06119002A
- Authority
- JP
- Japan
- Prior art keywords
- output
- control
- signal
- neural network
- plant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】ニューラルネットワークを用いてプラントの実
運転中の安定指標あるいは制御性能をプラントの運転状
況を乱すこと無く検知できるようにする。 【構成】制御演算部と、プラントの出力を計算する制御
対象をモデル化したプロセス・モデルと、制御演算部か
らの制御出力またはプラントからのプラント出力をフィ
ルタリング処理する第１のフィルタと、プロセス・モデ
ルからのモデル出力をフィルタリング処理する第２のフ
ィルタと、第１のフィルタからの出力信号の分散値また
はその関数を計算する第１の分散値計算手段と、第２の
フィルタからの出力信号の分散値またはその関数を計算
する第２の分散値計算手段と、第１，第２の分散値計算
手段からの信号を入力し、プラントが安定か否かを示す
安定指標を計算するニューラルネットワークとで構成さ
れる。
運転中の安定指標あるいは制御性能をプラントの運転状
況を乱すこと無く検知できるようにする。 【構成】制御演算部と、プラントの出力を計算する制御
対象をモデル化したプロセス・モデルと、制御演算部か
らの制御出力またはプラントからのプラント出力をフィ
ルタリング処理する第１のフィルタと、プロセス・モデ
ルからのモデル出力をフィルタリング処理する第２のフ
ィルタと、第１のフィルタからの出力信号の分散値また
はその関数を計算する第１の分散値計算手段と、第２の
フィルタからの出力信号の分散値またはその関数を計算
する第２の分散値計算手段と、第１，第２の分散値計算
手段からの信号を入力し、プラントが安定か否かを示す
安定指標を計算するニューラルネットワークとで構成さ
れる。
Description
【０００１】
【産業上の利用分野】本発明は、プロセス制御装置によ
って制御しているプロセス制御系の制御性能を自動的に
検知するプロセス制御性能検知装置およびこのプロセス
制御性能検知装置からの信号を利用するプロセス制御装
置に関し、さらに詳しくは、プラントの制御性能を示す
安定指標を、ニューラルネットワークを用いて計算する
ようにしたプロセス制御性能検知装置およびプロセス制
御装置に関する。
って制御しているプロセス制御系の制御性能を自動的に
検知するプロセス制御性能検知装置およびこのプロセス
制御性能検知装置からの信号を利用するプロセス制御装
置に関し、さらに詳しくは、プラントの制御性能を示す
安定指標を、ニューラルネットワークを用いて計算する
ようにしたプロセス制御性能検知装置およびプロセス制
御装置に関する。
【０００２】
【従来の技術】プラントの特性変動に対応してプロセス
制御装置の制御演算パラメータ（例えば比例定数Ｐ，積
分定数Ｉ，微分定数Ｄ）を自動調整する従来技術として
は、適用制御と、ロバスト制御とがある。適用制御を用
いるプロセス制御装置は、プラントの特性変動に対応し
てコントローラのパラメータを自動調整するように構成
したもので、例えば、「高津：インテリジェント・セル
フチューニング・ＰＩＤコントローラ コンピュートロ
ール、Ｎｏ．３２、コロナ社、１９９０」などに開示さ
れている。また、ロバスト制御を用いる装置としては、
一例として予測制御の手法を用いたものがあり、例え
ば、「高津：内部モデル予測制御、コンピュートロー
ル、Ｎｏ．２７、コロナ社、１９８９」などに開示され
ている。
制御装置の制御演算パラメータ（例えば比例定数Ｐ，積
分定数Ｉ，微分定数Ｄ）を自動調整する従来技術として
は、適用制御と、ロバスト制御とがある。適用制御を用
いるプロセス制御装置は、プラントの特性変動に対応し
てコントローラのパラメータを自動調整するように構成
したもので、例えば、「高津：インテリジェント・セル
フチューニング・ＰＩＤコントローラ コンピュートロ
ール、Ｎｏ．３２、コロナ社、１９９０」などに開示さ
れている。また、ロバスト制御を用いる装置としては、
一例として予測制御の手法を用いたものがあり、例え
ば、「高津：内部モデル予測制御、コンピュートロー
ル、Ｎｏ．２７、コロナ社、１９８９」などに開示され
ている。
【０００３】
【発明が解決しようとする課題】適用制御を用いる装置
は、プロセス制御ループ中のセンサやアクチュエータの
故障等もプラントの特性変動とみなしてしまうために、
十分なループ監視機能がない場合にはコントローラのパ
ラメータを破壊してしまう危険性があること、プロセス
制御ループの中にテスト信号を意図的に加えるように構
成したものがあるが、この場合、プロセスの出力が強制
的に動かされること、プロセスの出力の応答波形パター
ンを認識し、そのオーバシュートやダンピング比から制
御装置のパラメータを自動調節するように構成したもの
があるが、この場合、一つの応答波形から判断を行うた
めに、ノイズが多い場合にはノイズの影響と制御性能と
の区別が難しいという課題がある。また、ロバスト制御
を用いるプロセス制御装置は、包含するロバスト性によ
って多少の特性変動に対して制御性を劣化させない特長
があるが、大きな特性変動に対しては、何等かのパラメ
ータ再設定の手段が必要となる課題がある。本発明は、
この様な点に鑑みてなされたもので、テスト信号をプラ
ントに印加する必要がなく、プラントへの入出力データ
などの信号処理から制御系の制御性能を計算し、その制
御装置の再チューニングが必要か否かを正確に検知でき
るプロセス制御性能検知装置およびプロセス制御性能検
知の結果に基づいて、正確（最適）な演算パラメータが
設定されるプロセス制御装置を提供することを目的とす
る。
は、プロセス制御ループ中のセンサやアクチュエータの
故障等もプラントの特性変動とみなしてしまうために、
十分なループ監視機能がない場合にはコントローラのパ
ラメータを破壊してしまう危険性があること、プロセス
制御ループの中にテスト信号を意図的に加えるように構
成したものがあるが、この場合、プロセスの出力が強制
的に動かされること、プロセスの出力の応答波形パター
ンを認識し、そのオーバシュートやダンピング比から制
御装置のパラメータを自動調節するように構成したもの
があるが、この場合、一つの応答波形から判断を行うた
めに、ノイズが多い場合にはノイズの影響と制御性能と
の区別が難しいという課題がある。また、ロバスト制御
を用いるプロセス制御装置は、包含するロバスト性によ
って多少の特性変動に対して制御性を劣化させない特長
があるが、大きな特性変動に対しては、何等かのパラメ
ータ再設定の手段が必要となる課題がある。本発明は、
この様な点に鑑みてなされたもので、テスト信号をプラ
ントに印加する必要がなく、プラントへの入出力データ
などの信号処理から制御系の制御性能を計算し、その制
御装置の再チューニングが必要か否かを正確に検知でき
るプロセス制御性能検知装置およびプロセス制御性能検
知の結果に基づいて、正確（最適）な演算パラメータが
設定されるプロセス制御装置を提供することを目的とす
る。
【０００４】
【課題を解決するための手段】この様な課題を解決する
本発明は、制御対象であるプラントからの信号を入力
し、その信号が設定値に追従するように制御出力を演算
する制御演算部と、この制御演算部からの制御出力が印
加され、前記プラントの出力を計算する制御対象をモデ
ル化したプロセス・モデルと、前記制御演算部からの制
御出力または前記プラントからのプラント出力をフィル
タリング処理する第１のフィルタと、プロセス・モデル
からのモデル出力をフィルタリング処理する第２のフィ
ルタと、第１のフィルタからの出力信号の分散値または
その関数を計算する第１の分散値計算手段と、第２のフ
ィルタからの出力信号の分散値またはその関数を計算す
る第２の分散値計算手段と、第１，第２の分散値計算手
段からの信号をそれぞれ入力し、前記制御対象であるプ
ラントが安定か否かを示す安定指標を計算するニューラ
ルネットワークとを備え、前記ニューラルネットワーク
を学習させた後に前記第１，第２の分散値計算手段から
の信号に基づいてプロセス制御性能を示す安定指標を計
算することを特徴とするプロセス制御性能検知装置であ
る。
本発明は、制御対象であるプラントからの信号を入力
し、その信号が設定値に追従するように制御出力を演算
する制御演算部と、この制御演算部からの制御出力が印
加され、前記プラントの出力を計算する制御対象をモデ
ル化したプロセス・モデルと、前記制御演算部からの制
御出力または前記プラントからのプラント出力をフィル
タリング処理する第１のフィルタと、プロセス・モデル
からのモデル出力をフィルタリング処理する第２のフィ
ルタと、第１のフィルタからの出力信号の分散値または
その関数を計算する第１の分散値計算手段と、第２のフ
ィルタからの出力信号の分散値またはその関数を計算す
る第２の分散値計算手段と、第１，第２の分散値計算手
段からの信号をそれぞれ入力し、前記制御対象であるプ
ラントが安定か否かを示す安定指標を計算するニューラ
ルネットワークとを備え、前記ニューラルネットワーク
を学習させた後に前記第１，第２の分散値計算手段から
の信号に基づいてプロセス制御性能を示す安定指標を計
算することを特徴とするプロセス制御性能検知装置であ
る。
【０００５】
【作用】プロセス・モデルは、そのパラメータが変更可
能に構成されていて、制御演算部からの信号を用いてプ
ラント出力を計算する。第１，第２のフィルタは、制御
演算部，プロセス・モデルからのそれぞれの信号に含ま
れるノイズや、信号のトレンド分の除去を行う。第１の
分散計算手段は、第１のフィルタを介して出力される制
御演算部からの制御出力の自己分散比を計算する。ま
た、第２の分散計算手段は、第２のフィルタを介して出
力されるプロセス・モデルからのモデル出力の相互分散
比を計算する。ニューラルネットワークは、学習後に前
記第１，第２の分散値計算手段からの信号に基づいてプ
ロセス制御性能を示す安定指標を計算する。
能に構成されていて、制御演算部からの信号を用いてプ
ラント出力を計算する。第１，第２のフィルタは、制御
演算部，プロセス・モデルからのそれぞれの信号に含ま
れるノイズや、信号のトレンド分の除去を行う。第１の
分散計算手段は、第１のフィルタを介して出力される制
御演算部からの制御出力の自己分散比を計算する。ま
た、第２の分散計算手段は、第２のフィルタを介して出
力されるプロセス・モデルからのモデル出力の相互分散
比を計算する。ニューラルネットワークは、学習後に前
記第１，第２の分散値計算手段からの信号に基づいてプ
ロセス制御性能を示す安定指標を計算する。
【０００６】
【実施例】以下図面を用いて、本発明の実施例を詳細に
説明する。図１は、本発明の一実施例を示す構成ブロッ
ク図である。図において、１は制御対象であるプラント
（プロセス）で、生産量の変化、制御目標値（設定値）
の変更，外乱などによりその動特性が変化するものとす
る。２はプラント１の出力Ｙ（ｔ）と制御目標値ＳＶと
の偏差信号ＤＶに少なくとも、比例（Ｐ），積分（Ｉ）
演算を行い、得られた制御出力Ｕ（ｔ）をプラント１に
出力する制御演算部で、プラント１の出力Ｙ（ｔ）が設
定値ＳＶに追従するように制御出力Ｕ（ｔ）を演算す
る。３は制御演算部２からの制御出力Ｕ（ｔ）が印加さ
れ、プラント１の出力（モデル出力）ＳＭを計算するプ
ラント１をモデリングしたプロセス・モデルで、そのパ
ラメータは変更可能に構成されている。
説明する。図１は、本発明の一実施例を示す構成ブロッ
ク図である。図において、１は制御対象であるプラント
（プロセス）で、生産量の変化、制御目標値（設定値）
の変更，外乱などによりその動特性が変化するものとす
る。２はプラント１の出力Ｙ（ｔ）と制御目標値ＳＶと
の偏差信号ＤＶに少なくとも、比例（Ｐ），積分（Ｉ）
演算を行い、得られた制御出力Ｕ（ｔ）をプラント１に
出力する制御演算部で、プラント１の出力Ｙ（ｔ）が設
定値ＳＶに追従するように制御出力Ｕ（ｔ）を演算す
る。３は制御演算部２からの制御出力Ｕ（ｔ）が印加さ
れ、プラント１の出力（モデル出力）ＳＭを計算するプ
ラント１をモデリングしたプロセス・モデルで、そのパ
ラメータは変更可能に構成されている。
【０００７】４は制御演算部２からの制御出力Ｕ（ｔ）
を入力し、この入力信号をフィルタリング処理する第１
のフィルタ、５はプロセス・モデル３からのモデル出力
ＳＭを入力し、この信号をフィルタリング処理する第２
のフィルタ、６は第１のフィルタ４からの出力信号の分
散値またはその関数を計算する第１の分散値計算手段、
７は第２のフィルタ５からの出力信号の分散値またはそ
の関数を計算する第２の分散値計算手段である。８は信
号入力手段、９はニューラルネットワークで、信号入力
手段８を経て第１，第２の分散値計算手段６，７からの
信号を入力する。 ニューラルネットワーク９は、人間
の脳のニューロンに対応した多数のユニットが複雑に接
続し合って構成されたもので、各ユニット間の接続や結
合度合いをうまく決める（自己学習させる）ことで、入
力された信号の分散比から安定指標を計算できる機能を
持つようにしたものである。この様なニューラルネット
ワークの構成は、例えば、合原一幸著「ニューラル，コ
ンピューター脳と神経に学ぶ」東京電機大学出版局（１
９８８）や、日経エレクトロニクス１９８７年８月１０
日（Ｎｏ．４２７）Ｐ１１５〜１２４に詳しく開示され
ている。
を入力し、この入力信号をフィルタリング処理する第１
のフィルタ、５はプロセス・モデル３からのモデル出力
ＳＭを入力し、この信号をフィルタリング処理する第２
のフィルタ、６は第１のフィルタ４からの出力信号の分
散値またはその関数を計算する第１の分散値計算手段、
７は第２のフィルタ５からの出力信号の分散値またはそ
の関数を計算する第２の分散値計算手段である。８は信
号入力手段、９はニューラルネットワークで、信号入力
手段８を経て第１，第２の分散値計算手段６，７からの
信号を入力する。 ニューラルネットワーク９は、人間
の脳のニューロンに対応した多数のユニットが複雑に接
続し合って構成されたもので、各ユニット間の接続や結
合度合いをうまく決める（自己学習させる）ことで、入
力された信号の分散比から安定指標を計算できる機能を
持つようにしたものである。この様なニューラルネット
ワークの構成は、例えば、合原一幸著「ニューラル，コ
ンピューター脳と神経に学ぶ」東京電機大学出版局（１
９８８）や、日経エレクトロニクス１９８７年８月１０
日（Ｎｏ．４２７）Ｐ１１５〜１２４に詳しく開示され
ている。
【０００８】１０はシミュレーション部で、ニューラル
ネットワーク９に安定指標の計算方法を学習させるため
のもので、教師信号発生手段１１と、この教師信号発生
手段１１から出力される教師信号と、ニューラルネット
ワーク９から出力される安定指標との比較結果を入力
し、ニューラルネットワーク９を修正する信号を出力す
るバックプロパゲーション手段１２で構成されている。
１３は偏差信号ＤＶやプラント１からの出力信号Ｙ
（ｔ）を入力し、これらの信号（応答波形など）に基づ
いてプロセスを同定するプロセス同定部で、同定動作を
行うか否かは、ニューラルネットワーク９からの安定指
標に基づいて出力される動作指示に従うように構成して
ある。１４はプロセス同定部１３での同定結果に従っ
て、ＰＩ演算パラメータを演算し、それらのパラメータ
を制御演算部２に設定したり、それを変更したりするＰ
Ｉパラメータ演算手段である。プロセス同定部１３や、
ＰＩパラメータ演算手段１４は、従来より公知の技術が
適用できる。
ネットワーク９に安定指標の計算方法を学習させるため
のもので、教師信号発生手段１１と、この教師信号発生
手段１１から出力される教師信号と、ニューラルネット
ワーク９から出力される安定指標との比較結果を入力
し、ニューラルネットワーク９を修正する信号を出力す
るバックプロパゲーション手段１２で構成されている。
１３は偏差信号ＤＶやプラント１からの出力信号Ｙ
（ｔ）を入力し、これらの信号（応答波形など）に基づ
いてプロセスを同定するプロセス同定部で、同定動作を
行うか否かは、ニューラルネットワーク９からの安定指
標に基づいて出力される動作指示に従うように構成して
ある。１４はプロセス同定部１３での同定結果に従っ
て、ＰＩ演算パラメータを演算し、それらのパラメータ
を制御演算部２に設定したり、それを変更したりするＰ
Ｉパラメータ演算手段である。プロセス同定部１３や、
ＰＩパラメータ演算手段１４は、従来より公知の技術が
適用できる。
【０００９】図２は、ニューラルネットワーク９を構成
しているニューロン（ユニット）の構成を示す図であ
る。他のユニットから入力を受ける部分、この入力を一
定の規則で変換する部分、結果を出力する部分で構成さ
れている。他のユニットとの結合にはそれぞれ可変の重
みＷｊｍが付けられている。この重みは結合の強さを表
しており、この値を変えることによりネットワークの構
造を変えることができる。そして、ネットワークの学習
とは、この値を変えることを意味している。ここで、重
みＷは、正，ゼロ，負の各値をとり、ゼロは結合の無い
ことを意味している。ニューラルネットワーク９におい
て、有るユニットが複数ユニットから入力を受けた場
合、その総和ｎｅｔｊは、（１）式で表される。 ｎｅｔｊ＝ΣＷｊｍ・Ｏｍ …（１） ユニットは、この入力の総和ｎｅｔを関数ｆに変換し、
（２）式に示される出力Ｏｊを送出する。 Ｏｊ＝ｆ（ｎｅｔｊ） …（２） ここで、関数ｆ（ｘ）は、各ユニット毎に違っていても
よい。
しているニューロン（ユニット）の構成を示す図であ
る。他のユニットから入力を受ける部分、この入力を一
定の規則で変換する部分、結果を出力する部分で構成さ
れている。他のユニットとの結合にはそれぞれ可変の重
みＷｊｍが付けられている。この重みは結合の強さを表
しており、この値を変えることによりネットワークの構
造を変えることができる。そして、ネットワークの学習
とは、この値を変えることを意味している。ここで、重
みＷは、正，ゼロ，負の各値をとり、ゼロは結合の無い
ことを意味している。ニューラルネットワーク９におい
て、有るユニットが複数ユニットから入力を受けた場
合、その総和ｎｅｔｊは、（１）式で表される。 ｎｅｔｊ＝ΣＷｊｍ・Ｏｍ …（１） ユニットは、この入力の総和ｎｅｔを関数ｆに変換し、
（２）式に示される出力Ｏｊを送出する。 Ｏｊ＝ｆ（ｎｅｔｊ） …（２） ここで、関数ｆ（ｘ）は、各ユニット毎に違っていても
よい。
【００１０】図３は、図１において、シミュレーション
部１０の教師信号発生手段１１の内部構成の一例を示す
機能ブロック図である。図において、２１は図１の実プ
ラント１をモディリングしたプラントモデルであり、２
２は制御演算部のモデル、２３はプロセスモデル、２
４，２５は第１，第２のフィルタ、２６，２７は第１，
第２の分散計算手段で、これらはいずれも図１の制御演
算部２，プロセスモデル３，各フィルタ４，５、各分散
計算手段６，７と類似した構成となっている。第１，第
２の分散計算手段２６，２７の出力は、シミュレーショ
ン時（学習時）において、信号入力手段８を経てニュー
ラルネットワーク９に印加されるようにしてある。３０
はプラントモデル２１のプラント出力の波形パターンの
認識手段で、ここから各種の波形パターンに基づく教師
信号（安定指標信号）を出力する。
部１０の教師信号発生手段１１の内部構成の一例を示す
機能ブロック図である。図において、２１は図１の実プ
ラント１をモディリングしたプラントモデルであり、２
２は制御演算部のモデル、２３はプロセスモデル、２
４，２５は第１，第２のフィルタ、２６，２７は第１，
第２の分散計算手段で、これらはいずれも図１の制御演
算部２，プロセスモデル３，各フィルタ４，５、各分散
計算手段６，７と類似した構成となっている。第１，第
２の分散計算手段２６，２７の出力は、シミュレーショ
ン時（学習時）において、信号入力手段８を経てニュー
ラルネットワーク９に印加されるようにしてある。３０
はプラントモデル２１のプラント出力の波形パターンの
認識手段で、ここから各種の波形パターンに基づく教師
信号（安定指標信号）を出力する。
【００１１】このように構成した装置の動作を次に説明
する。はじめに、シミュレーション部１０を動かすと共
に、信号入力手段８は、シミュレーション部１０からの
信号を選択し、それらをニューラルネットワーク９に印
加させ、ニューラルネットワーク９に対して安定指標の
計算方法を学習させる。すなわち、ニューラルネットワ
ーク９は、第１のフィルタ２４、第１の分散計算手段２
６を経てプロセスモデル２３への入力信号を入力すると
共に、第２のフィルタ２５、第２の分散計算手段２７を
経てプロセスモデル２３の出力信号を入力し、プロセス
入出力信号の分散値と、制御性能を代表する応答特性と
の関係をモデリング／予測する。ニューラルネットワー
ク９のアルゴリズム（構成）は、例えば多層のバックプ
ロパゲーション・ネットワークが用いてあり、以下の手
順で学習が行われる。 (1) プラントモデル２１において、外乱の大きさ、プラ
ントのパラメータ（ゲイン、無駄時間、時定数など）を
種々に変化させて、その時の波形パターンを波形パター
ン認識手段３０で捕らえる。波形パターン認識手段３０
は、認識した波形パターンにしたがって、例えば、減衰
比、ゲイン余裕等から応答がどの程度安定かを示す安定
指標信号を教師信号として出力する。(2) バックプロパ
ゲーション手段１２は、波形パターン認識手段３０から
の教師 信号と、ニューラルネットワーク９が出力している安定
指標信号との誤差をニューラルネットワークに与え、こ
の誤差が無くなるようにニューラルネットワーク９内の
係数を自動調整する。 (3) 学習が進んで、教師信号と、ニューラルネットワー
ク９が出力している安定指標信号との誤差が小さくなっ
たら、または無くなったら、シミュレーション動作を終
了する。
する。はじめに、シミュレーション部１０を動かすと共
に、信号入力手段８は、シミュレーション部１０からの
信号を選択し、それらをニューラルネットワーク９に印
加させ、ニューラルネットワーク９に対して安定指標の
計算方法を学習させる。すなわち、ニューラルネットワ
ーク９は、第１のフィルタ２４、第１の分散計算手段２
６を経てプロセスモデル２３への入力信号を入力すると
共に、第２のフィルタ２５、第２の分散計算手段２７を
経てプロセスモデル２３の出力信号を入力し、プロセス
入出力信号の分散値と、制御性能を代表する応答特性と
の関係をモデリング／予測する。ニューラルネットワー
ク９のアルゴリズム（構成）は、例えば多層のバックプ
ロパゲーション・ネットワークが用いてあり、以下の手
順で学習が行われる。 (1) プラントモデル２１において、外乱の大きさ、プラ
ントのパラメータ（ゲイン、無駄時間、時定数など）を
種々に変化させて、その時の波形パターンを波形パター
ン認識手段３０で捕らえる。波形パターン認識手段３０
は、認識した波形パターンにしたがって、例えば、減衰
比、ゲイン余裕等から応答がどの程度安定かを示す安定
指標信号を教師信号として出力する。(2) バックプロパ
ゲーション手段１２は、波形パターン認識手段３０から
の教師 信号と、ニューラルネットワーク９が出力している安定
指標信号との誤差をニューラルネットワークに与え、こ
の誤差が無くなるようにニューラルネットワーク９内の
係数を自動調整する。 (3) 学習が進んで、教師信号と、ニューラルネットワー
ク９が出力している安定指標信号との誤差が小さくなっ
たら、または無くなったら、シミュレーション動作を終
了する。
【００１２】この様な学習が終了すると、信号入力手段
８は、今度は第１，第２の分散計算手段６，７からの信
号を入力し、シミュレーション部１０を除いた各手段を
稼動させる。これにより、ニューラルネットワーク９
は、第１のフィルタ４、第１の分散計算手段６を経て、
制御演算部２の制御出力（プロセスモデル３への入力信
号）を入力すると共に、第２のフィルタ５、第２の分散
計算手段７を経てプロセスモデル３からの出力信号を入
力する。ここで、第１，第２のフィルタは、例えばバン
ドパスフィルタが用いられていて、ノイズや信号のトレ
ンド分の除去を行う。また、第１の分散計算手段６は、
第１のフィルタ４の出力ＵＦを入力し、制御出力の相互
分散比ＲＡＷを、（３）式によって計算する。 ＲＡＷ： ＝Ｅ｛ＵＦ（ｎ）｝・Ｅ｛ＵＦ（ｎ−ｋ）｝／Ｅ｛ＵＦ（ｎ）２ ｝ …（３） ただし、Ｅ｛・｝は期待値を、ＵＦ（ｎ）は第１のフィ
ルタ４の出力値である。
８は、今度は第１，第２の分散計算手段６，７からの信
号を入力し、シミュレーション部１０を除いた各手段を
稼動させる。これにより、ニューラルネットワーク９
は、第１のフィルタ４、第１の分散計算手段６を経て、
制御演算部２の制御出力（プロセスモデル３への入力信
号）を入力すると共に、第２のフィルタ５、第２の分散
計算手段７を経てプロセスモデル３からの出力信号を入
力する。ここで、第１，第２のフィルタは、例えばバン
ドパスフィルタが用いられていて、ノイズや信号のトレ
ンド分の除去を行う。また、第１の分散計算手段６は、
第１のフィルタ４の出力ＵＦを入力し、制御出力の相互
分散比ＲＡＷを、（３）式によって計算する。 ＲＡＷ： ＝Ｅ｛ＵＦ（ｎ）｝・Ｅ｛ＵＦ（ｎ−ｋ）｝／Ｅ｛ＵＦ（ｎ）２ ｝ …（３） ただし、Ｅ｛・｝は期待値を、ＵＦ（ｎ）は第１のフィ
ルタ４の出力値である。
【００１３】また、第２の分散計算手段７は、第２のフ
ィルタ５の出力ＳＭＦを入力し、モデル出力の自己分散
比ＣＧを、（４）式によって計算する。 ＣＧ：＝Ｅ｛ＳＭＦＧ（ｎ）｝／Ｅ｛ＳＭＦ（ｎ）２ ｝ …（４） ただし、Ｅ｛・｝は期待値を、ＳＭＦ（ｎ）は、第２の
フィルタ５の出力値を、ＳＭＦＧ（ｎ）は、ＳＭＦ
（ｎ）をもう一度フィルタを通した値である。ニューラ
ルネットワーク９は第１，第２の分散計算手段６，７で
計算された各分散比から、安定指標を計算する。安定指
標の計算の仕方は、既にシミュレーション部１０による
学習によって、ニューラルネットワーク９が習得してお
り、それにしたがって計算される。
ィルタ５の出力ＳＭＦを入力し、モデル出力の自己分散
比ＣＧを、（４）式によって計算する。 ＣＧ：＝Ｅ｛ＳＭＦＧ（ｎ）｝／Ｅ｛ＳＭＦ（ｎ）２ ｝ …（４） ただし、Ｅ｛・｝は期待値を、ＳＭＦ（ｎ）は、第２の
フィルタ５の出力値を、ＳＭＦＧ（ｎ）は、ＳＭＦ
（ｎ）をもう一度フィルタを通した値である。ニューラ
ルネットワーク９は第１，第２の分散計算手段６，７で
計算された各分散比から、安定指標を計算する。安定指
標の計算の仕方は、既にシミュレーション部１０による
学習によって、ニューラルネットワーク９が習得してお
り、それにしたがって計算される。
【００１４】図４は、ニューラルネットワーク９で行わ
れる安定指標計算において、安定指標と分散値との関係
を示す図である。各制御出力の相互分散比ＲＡＷごと
に、モデル出力の自己分散比ＣＧ１，ＣＧ２の関係をと
り、その安定指標を求めると共に、安定指標にレンジを
設定し、例えばそれを４〜５段階ａ〜ｄに分類して安定
判別を行う。ここで、安定指標は、応答波形を示す代表
値であるので、容易にプラント１の出力が安定か、否か
の判断が行える。そして、この安定指標が、所定値より
大きいような場合（応答波形が振動していたり、不安定
であったりしたような場合）、プロセス同定部１３に同
定指令を出力する。プロセス同定部１３は、プラント出
力Ｙ（ｔ）や、制御演算部２に印加される偏差信号ＤＶ
を入力し、それらの信号に基づいてプロセスを同定し、
ＰＩパラメータ演算手段１４はその同定結果にしたがっ
て、最適なＰＩ演算パラメータを演算し、それらを制御
演算部２に設定する。この様なプロセスの同定結果か
ら、ＰＩ演算パラメータを演算し、それを制御演算部に
設定する仕方は従来から公知の技術、例えばZiegler-Ni
chols 法などが用いられるものとする。
れる安定指標計算において、安定指標と分散値との関係
を示す図である。各制御出力の相互分散比ＲＡＷごと
に、モデル出力の自己分散比ＣＧ１，ＣＧ２の関係をと
り、その安定指標を求めると共に、安定指標にレンジを
設定し、例えばそれを４〜５段階ａ〜ｄに分類して安定
判別を行う。ここで、安定指標は、応答波形を示す代表
値であるので、容易にプラント１の出力が安定か、否か
の判断が行える。そして、この安定指標が、所定値より
大きいような場合（応答波形が振動していたり、不安定
であったりしたような場合）、プロセス同定部１３に同
定指令を出力する。プロセス同定部１３は、プラント出
力Ｙ（ｔ）や、制御演算部２に印加される偏差信号ＤＶ
を入力し、それらの信号に基づいてプロセスを同定し、
ＰＩパラメータ演算手段１４はその同定結果にしたがっ
て、最適なＰＩ演算パラメータを演算し、それらを制御
演算部２に設定する。この様なプロセスの同定結果か
ら、ＰＩ演算パラメータを演算し、それを制御演算部に
設定する仕方は従来から公知の技術、例えばZiegler-Ni
chols 法などが用いられるものとする。
【００１５】なお、上記の実施例では、第１のフィルタ
４は制御演算部２からの制御出力Ｕ（ｔ）を入力するよ
うにしたが、プラント１からのプラント出力Ｙ（ｔ）を
入力するようにしてもよい。また、この場合、第１，第
２の分散計算手段での分散計算の仕方としては、前述し
た（３）式，（４）式に代えて、例えば（５）式，
（６）式を用いてもよい。 ＲＡＷ： ＝Ｅ｛ＳＭＦ（ｎ）｝／Ｅ｛ＳＰＦ（ｎ）２ ｝ …（５） ただし、Ｅ｛・｝は期待値を、ＳＭＦ（ｎ）はモデル出
力のフィルタ出力値、ＳＰＦ（ｎ）はプラント出力のフ
ィルタ出力値である。 ＣＧ：＝Ｅ｛ＳＭＦＬ（ｎ）｝／Ｅ｛ＳＭＦ（ｎ）２ ｝ …（６） ただし、Ｅ｛・｝は期待値を、ＳＭＦ（ｎ）は、モデル
出力のフィルタ値、ＳＭＦＬ（ｎ）は、ＳＭＦ（ｎ）を
もう一度フィルタを通した値である。
４は制御演算部２からの制御出力Ｕ（ｔ）を入力するよ
うにしたが、プラント１からのプラント出力Ｙ（ｔ）を
入力するようにしてもよい。また、この場合、第１，第
２の分散計算手段での分散計算の仕方としては、前述し
た（３）式，（４）式に代えて、例えば（５）式，
（６）式を用いてもよい。 ＲＡＷ： ＝Ｅ｛ＳＭＦ（ｎ）｝／Ｅ｛ＳＰＦ（ｎ）２ ｝ …（５） ただし、Ｅ｛・｝は期待値を、ＳＭＦ（ｎ）はモデル出
力のフィルタ出力値、ＳＰＦ（ｎ）はプラント出力のフ
ィルタ出力値である。 ＣＧ：＝Ｅ｛ＳＭＦＬ（ｎ）｝／Ｅ｛ＳＭＦ（ｎ）２ ｝ …（６） ただし、Ｅ｛・｝は期待値を、ＳＭＦ（ｎ）は、モデル
出力のフィルタ値、ＳＭＦＬ（ｎ）は、ＳＭＦ（ｎ）を
もう一度フィルタを通した値である。
【００１６】
【発明の効果】以上詳細に説明してたように、本発明に
よれば、ニューラルネットワークにあらかじめ制御出
力，モデル出力，プラント出力などの分散比から安定計
算を行う仕方を学習させておくことにより、そのニュー
ラルネットワークを用いてプラントの実運転中の安定指
標あるいは制御性能をプラントの運転状況を乱すこと無
く検知することができる。したがって、既に公知の様々
なプロセス同定手段に結合することにより、正確な演算
パラメータが設定される最適制御装置が提供できる。
よれば、ニューラルネットワークにあらかじめ制御出
力，モデル出力，プラント出力などの分散比から安定計
算を行う仕方を学習させておくことにより、そのニュー
ラルネットワークを用いてプラントの実運転中の安定指
標あるいは制御性能をプラントの運転状況を乱すこと無
く検知することができる。したがって、既に公知の様々
なプロセス同定手段に結合することにより、正確な演算
パラメータが設定される最適制御装置が提供できる。
【図１】本発明の一実施例を示す構成ブロック図であ
る。
る。
【図２】ニューラルネットワークを構成しているニュー
ロン（ユニット）の構成を示す図である。
ロン（ユニット）の構成を示す図である。
【図３】図１において、教師信号発生手段の内部構成の
一例を示す機能ブロック図である。
一例を示す機能ブロック図である。
【図４】ニューラルネットワークで行われる安定指標計
算において、安定指標と分散値との関係を示す図であ
る。
算において、安定指標と分散値との関係を示す図であ
る。
１ プラント（プロセス） ２ 制御演算部 ３ プロセスモデル ４，５ 第１，第２フィルタ ６，７ 第１，第２の分散値計算手段 ８ 信号入力手段 ９ ニューラルネットワーク １０ シミュレーション部 １１ 教師信号発生手段 １２ バックプロパゲーション手段 １３ プロセス同定部 １４ ＰＩパラメータ演算手段
─────────────────────────────────────────────────────
【手続補正書】
【提出日】平成４年１０月２９日
【手続補正１】
【補正対象書類名】明細書
【補正対象項目名】００１６
【補正方法】変更
【補正内容】
【００１６】
【発明の効果】以上詳細に説明してたように、本発明に
よれば、ニューラルネットワークにあらかじめ制御出
力、モデル出力、プラント出力などの分散比から安定計
算を行う仕方を学習させておくことにより、そのニュー
ラルネットワークを用いてプラントの実運転中の安定指
標あるいは制御性能をプラントの運転状況を乱すこと無
く検知することができる。したがって、既に公知の様々
なプロセス同定手段に結合することにより、正確な演算
パラメータが設定される最適制御装置が提供できる。
よれば、ニューラルネットワークにあらかじめ制御出
力、モデル出力、プラント出力などの分散比から安定計
算を行う仕方を学習させておくことにより、そのニュー
ラルネットワークを用いてプラントの実運転中の安定指
標あるいは制御性能をプラントの運転状況を乱すこと無
く検知することができる。したがって、既に公知の様々
なプロセス同定手段に結合することにより、正確な演算
パラメータが設定される最適制御装置が提供できる。
【手続補正２】
【補正対象書類名】明細書
【補正対象項目名】図面の簡単な説明
【補正方法】変更
【補正内容】
【図面の簡単な説明】
【図１】本発明の一実施例を示す構成ブロック図であ
る。
る。
【図２】ニューラルネットワークを構成しているニュー
ロン（ユニット）の構成を示す図である。
ロン（ユニット）の構成を示す図である。
【図３】図１において、教師信号発生手段の内部構成の
一例を示す機能ブロック図である。
一例を示す機能ブロック図である。
【図４】ニューラルネットワークで行われる安定指標計
算において、安定指標と分散値との関係を示す図であ
る。
算において、安定指標と分散値との関係を示す図であ
る。
【符号の説明】 １ プラント（プロセス） ２ 制御演算部 ３ プロセスモデル ４，５ 第１，第２フィルタ ６，７ 第１，第２の分散値計算手段 ８ 信号入力手段 ９ ニューラルネットワーク １０ シュミレーション部 １１ 教師信号発生手段 １２ バックプロパゲーション手段 １３ プロセス同定部 １４ ＰＩパラメータ演算手段
Claims (2)
- 【請求項１】制御対象であるプラントからの信号を入力
し、その信号が設定値に追従するように制御出力を演算
する制御演算部と、 この制御演算部からの制御出力が印加され、前記プラン
トの出力を計算する制御対象をモデル化したプロセス・
モデルと、 前記制御演算部からの制御出力または前記プラントから
のプラント出力をフィルタリング処理する第１のフィル
タと、 プロセス・モデルからのモデル出力をフィルタリング処
理する第２のフィルタと、 第１のフィルタからの出力信号の分散値またはその関数
を計算する第１の分散値計算手段と、 第２のフィルタからの出力信号の分散値またはその関数
を計算する第２の分散値計算手段と、 第１，第２の分散値計算手段からの信号をそれぞれ入力
し、前記制御対象であるプラントが安定か否かを示す安
定指標を計算するニューラルネットワークとを備え、前
記ニューラルネットワークを学習させた後に前記第１，
第２の分散値計算手段からの信号に基づいてプロセス制
御性能を示す安定指標を計算することを特徴とするプロ
セス制御性能検知装置。 - 【請求項２】ニューラルネットワークから出力される安
定指標に基づいて動作するプロセス同定手段と、 このプロセス同定手段の同定結果にしたがって制御演算
部に設定する比例，積分演算パラメータを演算するパラ
メータ演算手段とを設けた請求項１記載のプロセス制御
装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3158730A JPH06119002A (ja) | 1991-06-28 | 1991-06-28 | プロセス制御性能検知装置およびプロセス制御装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3158730A JPH06119002A (ja) | 1991-06-28 | 1991-06-28 | プロセス制御性能検知装置およびプロセス制御装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH06119002A true JPH06119002A (ja) | 1994-04-28 |
Family
ID=15678081
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3158730A Pending JPH06119002A (ja) | 1991-06-28 | 1991-06-28 | プロセス制御性能検知装置およびプロセス制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH06119002A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004526243A (ja) * | 2001-03-01 | 2004-08-26 | フィッシャー−ローズマウント システムズ， インコーポレイテッド | プロセスプラント内の指標の作成と表示 |
| CN102768528A (zh) * | 2012-07-27 | 2012-11-07 | 华北电力大学 | 一种多入多出控制系统的控制性能检测装置及方法 |
-
1991
- 1991-06-28 JP JP3158730A patent/JPH06119002A/ja active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004526243A (ja) * | 2001-03-01 | 2004-08-26 | フィッシャー−ローズマウント システムズ， インコーポレイテッド | プロセスプラント内の指標の作成と表示 |
| CN102768528A (zh) * | 2012-07-27 | 2012-11-07 | 华北电力大学 | 一种多入多出控制系统的控制性能检测装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111045326B (zh) | 一种基于递归神经网络的烘丝过程水分预测控制方法及系统 | |
| JPH04127205A (ja) | プロセス制御装置 | |
| EP2113888A1 (en) | Degree-of-stain judging device and degree-of-stain judging method | |
| CN108181812A (zh) | 一种基于bp神经网络的阀门定位器pi参数整定方法 | |
| JP4908433B2 (ja) | 制御パラメータ調整方法および制御パラメータ調整プログラム | |
| CN108170029A (zh) | Mimo全格式无模型控制器基于偏导信息的参数自整定方法 | |
| JPH05127706A (ja) | ニユーラルネツト型シミユレータ | |
| JPH06119002A (ja) | プロセス制御性能検知装置およびプロセス制御装置 | |
| JPH07210208A (ja) | 火力プラント制御におけるオートチューニング方法及びそれを利用した火力プラント制御装置 | |
| Farson et al. | Intelligent laser welding control | |
| JP2674167B2 (ja) | 神経回路網モデルを用いたプロセス制御方法 | |
| JPH0895938A (ja) | 時系列データの学習方法及び時系列データの学習装置 | |
| JP2540654B2 (ja) | ニュ―ラルネットワ―クの学習装置 | |
| US20080065273A1 (en) | Method and device for adaptive control | |
| Chang et al. | Intelligent integration of SPC/EPC for quality control and fault diagnosis | |
| JPH0635510A (ja) | ニューラルネットワークを用いたモデル規範型適応制御装置 | |
| JPH07121206A (ja) | ニューラルネットワークによる制御方法および内蔵制御装置 | |
| Tao et al. | Application of fuzzy logic and neural network to the control of a flame process | |
| Banderchuk et al. | Combining robust control and machine learning for uncertain nonlinear systems subject to persistent disturbances | |
| CN108107715A (zh) | Miso全格式无模型控制器基于偏导信息的参数自整定方法 | |
| JP2838343B2 (ja) | ニューラルネットワークを用いた判別方法 | |
| JPH0573104A (ja) | Ｐｉｄパラメータオートチユーニング方法 | |
| Hinde Jr et al. | Unified excitation and performance diagnostic adaptive control framework | |
| JPH0721722B2 (ja) | 適応制御装置 | |
| Kusumoputro et al. | An improved single neuron adaptive PID controller system based on additional error of an inversed-control signal |