JPH07138017A - 製品結晶粒径制御装置 - Google Patents
製品結晶粒径制御装置Info
- Publication number
- JPH07138017A JPH07138017A JP5286852A JP28685293A JPH07138017A JP H07138017 A JPH07138017 A JP H07138017A JP 5286852 A JP5286852 A JP 5286852A JP 28685293 A JP28685293 A JP 28685293A JP H07138017 A JPH07138017 A JP H07138017A
- Authority
- JP
- Japan
- Prior art keywords
- product
- value
- grain size
- crystallization
- model
- 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.)
- Granted
Links
Classifications
-
- C—CHEMISTRY; METALLURGY
- C01—INORGANIC CHEMISTRY
- C01D—COMPOUNDS OF ALKALI METALS, i.e. LITHIUM, SODIUM, POTASSIUM, RUBIDIUM, CAESIUM, OR FRANCIUM
- C01D3/00—Halides of sodium, potassium or alkali metals in general
- C01D3/22—Preparation in the form of granules, pieces, or other shaped products
Landscapes
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Materials Engineering (AREA)
- Inorganic Chemistry (AREA)
- Seasonings (AREA)
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】製塩工程における晶析現象の振動性や非線形性
に対して製品結晶粒径を安定に制御する。 【構成】製塩工程の晶析システム２０において振動性で
非線形性を示す晶析装置ａの特性を、モデル構築機能部
１１により製品結晶粒径という幅のある測定データによ
りニューラルネットの学習機能でモデル化する。構築し
たモデルに基づいていて目標とする製品結晶粒径から、
目標値となるような晶析因子を推論する。運転状態が変
動する場合、運転状態の変動の要因となった晶析因子の
他の晶析因子について、目標の結晶平均粒径に対する晶
析操作条件をモデルで推論する。製品結晶粒径の最大
値、代表平均値および最小値による有効範囲の判定を行
って推論する。
に対して製品結晶粒径を安定に制御する。 【構成】製塩工程の晶析システム２０において振動性で
非線形性を示す晶析装置ａの特性を、モデル構築機能部
１１により製品結晶粒径という幅のある測定データによ
りニューラルネットの学習機能でモデル化する。構築し
たモデルに基づいていて目標とする製品結晶粒径から、
目標値となるような晶析因子を推論する。運転状態が変
動する場合、運転状態の変動の要因となった晶析因子の
他の晶析因子について、目標の結晶平均粒径に対する晶
析操作条件をモデルで推論する。製品結晶粒径の最大
値、代表平均値および最小値による有効範囲の判定を行
って推論する。
Description
【０００１】
【産業上の利用分野】本発明は、製塩工程における製品
結晶の粒径を制御する製品粒径制御装置に関する。
結晶の粒径を制御する製品粒径制御装置に関する。
【０００２】
【従来の技術】従来、製塩工程における晶析装置は、蒸
発缶で母液やかん水を加熱・蒸発させ、濃度を飽和溶解
度以上にして塩を析出成長させるものであり、蒸発速
度、種晶添加速度、種晶平均粒径、結晶懸濁密度、缶内
母液組成率などの晶析因子を操作する様々な操作条件に
応じて晶析現象が変化し、生産される製品の結晶粒径は
この晶析現象に影響される。
発缶で母液やかん水を加熱・蒸発させ、濃度を飽和溶解
度以上にして塩を析出成長させるものであり、蒸発速
度、種晶添加速度、種晶平均粒径、結晶懸濁密度、缶内
母液組成率などの晶析因子を操作する様々な操作条件に
応じて晶析現象が変化し、生産される製品の結晶粒径は
この晶析現象に影響される。
【０００３】また、晶析装置は、結晶粒径を大きくする
成長現象と結晶粒径を小さくする核化現象とにより振動
性や非線形性を有する。このため、従来のＰＩＤ制御や
シーケンス制御のみでは、操作条件により変化する晶析
装置の特性に充分対応できず、満足できる製品結晶粒径
の制御を行うことが困難であった。
成長現象と結晶粒径を小さくする核化現象とにより振動
性や非線形性を有する。このため、従来のＰＩＤ制御や
シーケンス制御のみでは、操作条件により変化する晶析
装置の特性に充分対応できず、満足できる製品結晶粒径
の制御を行うことが困難であった。
【０００４】このため、晶析装置を運転する際には、晶
析装置の出口において、常時、熟練オペレータが製品結
晶粒径を監視し、運転状態の変動に応じて、目標結晶粒
径の製品を安定して生産するために必要な操作条件を経
験と勘にたよって繰り返し探索して最適操作条件を求
め、晶析装置を調整することにより、一定の目標結晶粒
径の製品を生産している。
析装置の出口において、常時、熟練オペレータが製品結
晶粒径を監視し、運転状態の変動に応じて、目標結晶粒
径の製品を安定して生産するために必要な操作条件を経
験と勘にたよって繰り返し探索して最適操作条件を求
め、晶析装置を調整することにより、一定の目標結晶粒
径の製品を生産している。
【０００５】また、晶析現象は、晶析装置の操作因子、
型式、規模、晶析温度、溶液の組成などにより変化し、
生産される製品の結晶粒径はこの晶析現象に影響され
る。このため、少品種多量生産を目的とした従来の技術
においては、まず生産する目標の製品結晶粒径を定め、
この目標値に対する晶析装置の型式、規模を設計し、そ
れに基づく晶析装置の開発、制作を行うことにより、目
標近傍の結晶粒径の製品を生産するという方法をとって
いる。
型式、規模、晶析温度、溶液の組成などにより変化し、
生産される製品の結晶粒径はこの晶析現象に影響され
る。このため、少品種多量生産を目的とした従来の技術
においては、まず生産する目標の製品結晶粒径を定め、
この目標値に対する晶析装置の型式、規模を設計し、そ
れに基づく晶析装置の開発、制作を行うことにより、目
標近傍の結晶粒径の製品を生産するという方法をとって
いる。
【０００６】
【発明が解決しようとする課題】しかしながら、夜間運
転にともなって行われる蒸発速度の切り替え時のように
運転状態が変動する場合、目標の結晶粒径の製品を安定
して生産するために必要な最適操作条件を、熟練オペレ
ータが試行錯誤に条件を設定して求めているが、外乱を
抑えるまでに時間がかかり、制御精度が低下してしまう
という問題がある。
転にともなって行われる蒸発速度の切り替え時のように
運転状態が変動する場合、目標の結晶粒径の製品を安定
して生産するために必要な最適操作条件を、熟練オペレ
ータが試行錯誤に条件を設定して求めているが、外乱を
抑えるまでに時間がかかり、制御精度が低下してしまう
という問題がある。
【０００７】また、晶析装置は長時間連続運転を行うた
め、複数の熟練オペレータが交代しながら業務をする必
要がある。このため、熟練オペレータ間で運転状態の変
動や故障・異常時の対応の経験が異なり最適操作条件の
探索の仕方にも差が生じ、運転状態の変動への対処の仕
方が統一されず、最小のロスで、効率よく目標の結晶粒
径の製品を生産できる保証が得られない。
め、複数の熟練オペレータが交代しながら業務をする必
要がある。このため、熟練オペレータ間で運転状態の変
動や故障・異常時の対応の経験が異なり最適操作条件の
探索の仕方にも差が生じ、運転状態の変動への対処の仕
方が統一されず、最小のロスで、効率よく目標の結晶粒
径の製品を生産できる保証が得られない。
【０００８】また、熟練オペレータの製品結晶粒径の制
御技術は過去の経験に対する主観と勘とによって把握し
ているため、時間とともに忘却したり、抜けを生じやす
いという問題がある。さらに、このような熟練オペレー
タの技術を継承したり、ノウハウを共有するのが困難で
ある。
御技術は過去の経験に対する主観と勘とによって把握し
ているため、時間とともに忘却したり、抜けを生じやす
いという問題がある。さらに、このような熟練オペレー
タの技術を継承したり、ノウハウを共有するのが困難で
ある。
【０００９】さらに、晶析装置の型式、規模により、安
定して生産できる製品結晶粒径の範囲が決まってくるの
で、既存設備に設定されている目標の製品結晶粒径に対
して大きく目標値が異なる結晶粒径の製品を生産するた
めには、正確な晶析装置の特性の把握、高精度な最適条
件の推定が要求される。
定して生産できる製品結晶粒径の範囲が決まってくるの
で、既存設備に設定されている目標の製品結晶粒径に対
して大きく目標値が異なる結晶粒径の製品を生産するた
めには、正確な晶析装置の特性の把握、高精度な最適条
件の推定が要求される。
【００１０】しかし、従来の試行錯誤的な対処では上記
のような要求を満たすのは困難であり、既存設備を改造
して目標の結晶粒径の製品を生産しなければならないの
が現状である。このため、特に多品種少量生産を行う場
合、生産コストが高くなるという問題がある。
のような要求を満たすのは困難であり、既存設備を改造
して目標の結晶粒径の製品を生産しなければならないの
が現状である。このため、特に多品種少量生産を行う場
合、生産コストが高くなるという問題がある。
【００１１】本発明は、連続操作のもとで目標の結晶平
均粒径を有する製品を安定して生産できるような製品結
晶粒径の制御技術を定式化し、既存設備を改造すること
なく目標が異なる結晶平均粒径の製品を高精度に生産で
きるようにすることを課題とする。また、製品結晶粒径
の制御を自動化し、運転状態が変動する場合でも、一定
の結晶平均粒径の製品を安定して生産できるようにする
ことを課題とする。
均粒径を有する製品を安定して生産できるような製品結
晶粒径の制御技術を定式化し、既存設備を改造すること
なく目標が異なる結晶平均粒径の製品を高精度に生産で
きるようにすることを課題とする。また、製品結晶粒径
の制御を自動化し、運転状態が変動する場合でも、一定
の結晶平均粒径の製品を安定して生産できるようにする
ことを課題とする。
【００１２】
【課題を解決するための手段】上記の課題を解決するた
めになした本発明の製品結晶粒径制御装置は、製塩工程
における製品結晶粒径と晶析因子のデータから晶析装置
の特性をニューラルネットを用いてモデル化するモデル
構築手段と、上記モデル構築手段で構築されたモデルに
基づいていて目標とする製品結晶粒径から晶析因子を推
論する推論手段と、を備えたことを特徴とする。
めになした本発明の製品結晶粒径制御装置は、製塩工程
における製品結晶粒径と晶析因子のデータから晶析装置
の特性をニューラルネットを用いてモデル化するモデル
構築手段と、上記モデル構築手段で構築されたモデルに
基づいていて目標とする製品結晶粒径から晶析因子を推
論する推論手段と、を備えたことを特徴とする。
【００１３】
【作用】本発明の製品結晶粒径制御装置において、モデ
ル構築手段は、製塩工程における製品結晶粒径と晶析因
子のデータから晶析装置の特性をニューラルネットワー
クを用いてモデル化する。また、推論手段と、上記モデ
ル構築手段で構築されたモデルに基づいていて目標とす
る製品結晶粒径から晶析因子を推論する。
ル構築手段は、製塩工程における製品結晶粒径と晶析因
子のデータから晶析装置の特性をニューラルネットワー
クを用いてモデル化する。また、推論手段と、上記モデ
ル構築手段で構築されたモデルに基づいていて目標とす
る製品結晶粒径から晶析因子を推論する。
【００１４】製塩工程における製品結晶粒径のデータ
は、製塩工程の晶析現象の振動性や非線形性のために時
間的に幅のあるデータとなる。このような幅のあるデー
タに基づいて晶析装置の特性をニューラルネットワーク
を用いてモデル化すると、ニューラルネットワークの学
習機能により、適正なモデルを構築することができ、ま
た、モデルの精度を高めることができ、晶析因子として
適正な値を推論することができる。
は、製塩工程の晶析現象の振動性や非線形性のために時
間的に幅のあるデータとなる。このような幅のあるデー
タに基づいて晶析装置の特性をニューラルネットワーク
を用いてモデル化すると、ニューラルネットワークの学
習機能により、適正なモデルを構築することができ、ま
た、モデルの精度を高めることができ、晶析因子として
適正な値を推論することができる。
【００１５】
【実施例】図１は本発明実施例の製品結晶粒径制御装置
とこれを適用した製塩工程の晶析システムを示す図であ
り、この実施例の製品結晶粒径制御装置１０は、パーソ
ナルコンピュータで構成された製品結晶粒径制御器１と
パーソナルコンピュータで構成された計装制御器２で構
成されている。
とこれを適用した製塩工程の晶析システムを示す図であ
り、この実施例の製品結晶粒径制御装置１０は、パーソ
ナルコンピュータで構成された製品結晶粒径制御器１と
パーソナルコンピュータで構成された計装制御器２で構
成されている。
【００１６】晶析システム２０は、母液を収容する晶析
装置ａ、晶析装置ａに種晶を添加する種晶添加器ｂ、晶
析装置ａの母液を加熱する熱交換器ｃ、母液を循環させ
る循環ポンプｄ、熱交換器ｃに供給する蒸気の量を調整
する蒸気バルブｅ、晶析装置ａにおける結晶の懸濁密度
を調整する排出バルブｆを備えている。
装置ａ、晶析装置ａに種晶を添加する種晶添加器ｂ、晶
析装置ａの母液を加熱する熱交換器ｃ、母液を循環させ
る循環ポンプｄ、熱交換器ｃに供給する蒸気の量を調整
する蒸気バルブｅ、晶析装置ａにおける結晶の懸濁密度
を調整する排出バルブｆを備えている。
【００１７】晶析装置ａ内の母液は循環ポンプｄにより
熱交換器ｃを介して循環され、熱交換器ｃで加熱されて
晶析装置ａで水分が蒸発し、塩が析出する。この析出し
た塩は排出バルブｆを介してスラリーとして取り出さ
れ、このスラリーから製品結晶粒径である塩の粒径が測
定される。
熱交換器ｃを介して循環され、熱交換器ｃで加熱されて
晶析装置ａで水分が蒸発し、塩が析出する。この析出し
た塩は排出バルブｆを介してスラリーとして取り出さ
れ、このスラリーから製品結晶粒径である塩の粒径が測
定される。
【００１８】また、晶析装置ａにおける晶析現象は、晶
析装置ａにおける蒸発速度、結晶懸濁密度、缶内母液組
成率（ＮａＣｌ）、種晶添加器ｂにおける種晶添加速度
および種晶平均粒径等の晶析因子によって変化し、これ
に応じて析出する塩の粒径が変化する。
析装置ａにおける蒸発速度、結晶懸濁密度、缶内母液組
成率（ＮａＣｌ）、種晶添加器ｂにおける種晶添加速度
および種晶平均粒径等の晶析因子によって変化し、これ
に応じて析出する塩の粒径が変化する。
【００１９】これらの晶析因子のうち、蒸発速度、結晶
懸濁密度および種晶添加速度は制御するのが容易であ
り、この晶析因子を計装制御器２によって制御するため
に、晶析システム２０には、熱交換器ｃに供給する蒸気
量を測定する蒸気量測定センサ３と、晶析装置ａの缶内
の圧力差を検出する差圧計の差圧データから結晶懸濁密
度を測定する懸濁密度測定センサ４が配設されている。
懸濁密度および種晶添加速度は制御するのが容易であ
り、この晶析因子を計装制御器２によって制御するため
に、晶析システム２０には、熱交換器ｃに供給する蒸気
量を測定する蒸気量測定センサ３と、晶析装置ａの缶内
の圧力差を検出する差圧計の差圧データから結晶懸濁密
度を測定する懸濁密度測定センサ４が配設されている。
【００２０】すなわち、計装制御器２は種晶添加器ｂに
おける種晶添加速度［ｋｇ／ｈｒ］は直接制御するが、
晶析装置ａにおける蒸発速度［ｋｇ／ｈｒ］は熱交換器
ｃに供給する蒸気の量に対応しており、計装制御器２は
蒸気量測定センサ３で得られる測定データに基づいて蒸
気バルブｅを調整して蒸発速度を制御する。また、懸濁
密度測定センサ４で得られる結晶懸濁密度のデータに基
づいて排出バルブｆを調整して晶析装置ａにおける結晶
懸濁密度［％］を制御する。
おける種晶添加速度［ｋｇ／ｈｒ］は直接制御するが、
晶析装置ａにおける蒸発速度［ｋｇ／ｈｒ］は熱交換器
ｃに供給する蒸気の量に対応しており、計装制御器２は
蒸気量測定センサ３で得られる測定データに基づいて蒸
気バルブｅを調整して蒸発速度を制御する。また、懸濁
密度測定センサ４で得られる結晶懸濁密度のデータに基
づいて排出バルブｆを調整して晶析装置ａにおける結晶
懸濁密度［％］を制御する。
【００２１】なお、晶析装置ａにおける缶内母液組成率
（ＮａＣｌ）は図示しない前段の装置からの母液の供給
等によって制御し、種晶添加器ｂにおける種晶平均粒径
は予め設定された粒径の種晶を使用して、一定に保って
いる。
（ＮａＣｌ）は図示しない前段の装置からの母液の供給
等によって制御し、種晶添加器ｂにおける種晶平均粒径
は予め設定された粒径の種晶を使用して、一定に保って
いる。
【００２２】計装制御器２は、制御プログラムによって
得られる目標値データ保持機能部２１、測定値データ入
力機能部２２、制御計算機能部２３および操作量データ
出力機能部２４で構成されている。
得られる目標値データ保持機能部２１、測定値データ入
力機能部２２、制御計算機能部２３および操作量データ
出力機能部２４で構成されている。
【００２３】目標値データ保持機能部２１は製品結晶粒
径制御器１から設定される晶析因子の目標値データを記
憶し、目標値データを制御計算機能部２３に出力すると
ともにモニタ２５に出力して目標値の表示を行う。
径制御器１から設定される晶析因子の目標値データを記
憶し、目標値データを制御計算機能部２３に出力すると
ともにモニタ２５に出力して目標値の表示を行う。
【００２４】測定値データ入力機能部２２は、蒸気量測
定センサ３で得られる測定データおよび懸濁密度測定セ
ンサ４で得られる結晶懸濁密度の測定データを入力し、
入力データを制御計算機能部２３と製品結晶粒径制御器
１とに出力するとともに、モニタ２５に出力して測定デ
ータの表示を行う。
定センサ３で得られる測定データおよび懸濁密度測定セ
ンサ４で得られる結晶懸濁密度の測定データを入力し、
入力データを制御計算機能部２３と製品結晶粒径制御器
１とに出力するとともに、モニタ２５に出力して測定デ
ータの表示を行う。
【００２５】制御計算機能部２３は、ＦＦ制御、ＦＢ制
御、シーケンス制御等により、目標値データ保持機能部
２１から入力される晶析因子の目標値データと測定値デ
ータ入力機能部２２から入力される測定データに基づい
て、種晶添加速度、蒸発速度および結晶懸濁密度がそれ
ぞれ目標値になるような種晶添加速度の操作量、蒸気バ
ルブｅの操作量および排出バルブｆの操作量を演算す
る。
御、シーケンス制御等により、目標値データ保持機能部
２１から入力される晶析因子の目標値データと測定値デ
ータ入力機能部２２から入力される測定データに基づい
て、種晶添加速度、蒸発速度および結晶懸濁密度がそれ
ぞれ目標値になるような種晶添加速度の操作量、蒸気バ
ルブｅの操作量および排出バルブｆの操作量を演算す
る。
【００２６】操作量データ出力機能部２４は、制御計算
機能部２３で演算された操作量に基づいて、種晶添加器
ｂ、蒸気バルブｅおよび排出バルブｆに操作量データを
出力する。
機能部２３で演算された操作量に基づいて、種晶添加器
ｂ、蒸気バルブｅおよび排出バルブｆに操作量データを
出力する。
【００２７】以上のように、計装制御器２は、晶析シス
テム２０における晶析因子が製品結晶粒径制御器１から
設定される目標値となるように制御する。すなわち、晶
析システム２０が製品結晶粒径制御器１で設定された条
件で運転されるようにローカルな制御を行う。
テム２０における晶析因子が製品結晶粒径制御器１から
設定される目標値となるように制御する。すなわち、晶
析システム２０が製品結晶粒径制御器１で設定された条
件で運転されるようにローカルな制御を行う。
【００２８】製品結晶粒径制御器１は制御プログラムに
よって得られるモデル構築機能部１１とモデル推定機能
部１２で構成されており、モデル構築機能部１１は、晶
析システム２０におけるセンサからの測定データとキー
ボード１３から入力されるバッチ測定データを用いて、
学習機能を持つニューラルネットにより製品結晶平均粒
径Ｙと前記の５つの晶析因子との相関を表現した製品結
晶粒径制御モデルを構築する機能を備えている。
よって得られるモデル構築機能部１１とモデル推定機能
部１２で構成されており、モデル構築機能部１１は、晶
析システム２０におけるセンサからの測定データとキー
ボード１３から入力されるバッチ測定データを用いて、
学習機能を持つニューラルネットにより製品結晶平均粒
径Ｙと前記の５つの晶析因子との相関を表現した製品結
晶粒径制御モデルを構築する機能を備えている。
【００２９】また、モデル推定機能部１２は、モデル構
築機能部１１で構築されたモデルを用いて次のような３
つの推定機能を備えている。 製品結晶粒径の推定機能 晶析因子の定常値変化に対する製品結晶粒径を推定する
機能。 目標結晶粒径の操作条件推定機能 目標結晶粒径の製品を高精度に生産するために必要な最
適操作条件を推定する機能。 外乱補償の操作条件推定機能 既知外乱としての晶析因子の定常値が変化する場合に安
定して一定の製品結晶粒径を生産するために必要な最適
操作条件を推定する機能。
築機能部１１で構築されたモデルを用いて次のような３
つの推定機能を備えている。 製品結晶粒径の推定機能 晶析因子の定常値変化に対する製品結晶粒径を推定する
機能。 目標結晶粒径の操作条件推定機能 目標結晶粒径の製品を高精度に生産するために必要な最
適操作条件を推定する機能。 外乱補償の操作条件推定機能 既知外乱としての晶析因子の定常値が変化する場合に安
定して一定の製品結晶粒径を生産するために必要な最適
操作条件を推定する機能。
【００３０】図２はモデル構築機能部１１の構成を概念
的に示す図であり、パターン入力部１１１は説明変数ｘ
１〜ｘ５として入力される５種類の晶析因子の入力デー
タを記憶する記憶手段で構成されている。
的に示す図であり、パターン入力部１１１は説明変数ｘ
１〜ｘ５として入力される５種類の晶析因子の入力デー
タを記憶する記憶手段で構成されている。
【００３１】ＮＮモデル構成機能部１１２は、並列な３
つの集合演算部ＮＮ* ，ＮＮ，ＮＮ * から構成されてお
り、各集合演算部ＮＮ* ，ＮＮ，ＮＮ* は、各々３つの
並列な非線形演算部ＮＮ１* ，ＮＮ２* ，ＮＮ３* また
はＮＮ１，ＮＮ２，ＮＮ３またはＮＮ１* ，ＮＮ２* ，
ＮＮ３* から構成されている。
つの集合演算部ＮＮ* ，ＮＮ，ＮＮ * から構成されてお
り、各集合演算部ＮＮ* ，ＮＮ，ＮＮ* は、各々３つの
並列な非線形演算部ＮＮ１* ，ＮＮ２* ，ＮＮ３* また
はＮＮ１，ＮＮ２，ＮＮ３またはＮＮ１* ，ＮＮ２* ，
ＮＮ３* から構成されている。
【００３２】各集合演算部ＮＮ* ，ＮＮ，ＮＮ* の各非
線形演算部ＮＮ１* ，ＮＮ２* ，ＮＮ３* ，ＮＮ１，Ｎ
Ｎ２，ＮＮ３，ＮＮ１* ，ＮＮ２* ，ＮＮ３* は図３に
示したように階層構造型ニューラルネットを構成してお
り、入力層である第１層以降の中間層と出力層である第
Ｍ層は、それぞれ図４のような多入力−出力素子を演算
プログラムで構成したニューロンＮi を並列に接続して
構成されている。
線形演算部ＮＮ１* ，ＮＮ２* ，ＮＮ３* ，ＮＮ１，Ｎ
Ｎ２，ＮＮ３，ＮＮ１* ，ＮＮ２* ，ＮＮ３* は図３に
示したように階層構造型ニューラルネットを構成してお
り、入力層である第１層以降の中間層と出力層である第
Ｍ層は、それぞれ図４のような多入力−出力素子を演算
プログラムで構成したニューロンＮi を並列に接続して
構成されている。
【００３３】すなわち、ニューロンＮi は、５つの入力
値Ｏn （ｎ＝１〜５）に対して、各入力値Ｏn に対応す
る結合係数Ｗn i 、閾値θi および図５のようなシグモ
イド函数ｆ（ｉ）により、次式のような演算を行って演
算値Ｏi を出力するように構成されている。
値Ｏn （ｎ＝１〜５）に対して、各入力値Ｏn に対応す
る結合係数Ｗn i 、閾値θi および図５のようなシグモ
イド函数ｆ（ｉ）により、次式のような演算を行って演
算値Ｏi を出力するように構成されている。
【数１】
【００３４】以上のように構成された、各非線形演算部
ＮＮ１* …には、図２に示したように入力パターン部１
１１から入力される５種類の晶析因子のデータがそれぞ
れ入力され、各晶析因子のデータは各非線形演算部ＮＮ
１* …において、図３に示した入力層にそれぞれ入力さ
れる。
ＮＮ１* …には、図２に示したように入力パターン部１
１１から入力される５種類の晶析因子のデータがそれぞ
れ入力され、各晶析因子のデータは各非線形演算部ＮＮ
１* …において、図３に示した入力層にそれぞれ入力さ
れる。
【００３５】そして、学習演算制御部１１３は、この入
力データに対する出力層（第Ｍ層）の出力値である出力
パターンを、予め入力されたデータである教師パターン
と比較し、誤差が小さくなるようにニューロンＮi の結
合係数を修正することにより、各非線形演算部ＮＮ１*
…の学習を行う。なお、結合係数の初期値は乱数で設定
される。
力データに対する出力層（第Ｍ層）の出力値である出力
パターンを、予め入力されたデータである教師パターン
と比較し、誤差が小さくなるようにニューロンＮi の結
合係数を修正することにより、各非線形演算部ＮＮ１*
…の学習を行う。なお、結合係数の初期値は乱数で設定
される。
【００３６】なお、教師パターンとしては、入力する晶
析因子のデータに対応する操作条件によって晶析システ
ム２０を運転したときに実際に析出された製品の製品結
晶粒径の平均値を用いる。また、このような学習のため
のアルゴリズムは、Ｒｕｍｅｌｈａｒｔによる誤差逆伝
搬法（Ｂａｃｋ−Ｐｒｏｐａｇａｔｉｏｎ法）により構
成されている。
析因子のデータに対応する操作条件によって晶析システ
ム２０を運転したときに実際に析出された製品の製品結
晶粒径の平均値を用いる。また、このような学習のため
のアルゴリズムは、Ｒｕｍｅｌｈａｒｔによる誤差逆伝
搬法（Ｂａｃｋ−Ｐｒｏｐａｇａｔｉｏｎ法）により構
成されている。
【００３７】ここで、実際に析出された製品の製品結晶
粒径の平均値はサンプリング毎に値の大きなものから小
さなものまである分布をもっており、その分布の最大値
の平均値、最も分布が密になっている部分に対応する代
表平均値、および、最小値の平均値の３種類の値を用
い、集合演算部ＮＮ* の非線形演算部ＮＮ１* ，ＮＮ２
* ，ＮＮ３* の学習に最大値を、集合演算部ＮＮの非線
形演算部ＮＮ１，ＮＮ２，ＮＮ３の学習に代表平均値
を、また、集合演算部ＮＮ* の非線形演算部ＮＮ１ * ，
ＮＮ２* ，ＮＮ３* の学習に最小値を用いている。
粒径の平均値はサンプリング毎に値の大きなものから小
さなものまである分布をもっており、その分布の最大値
の平均値、最も分布が密になっている部分に対応する代
表平均値、および、最小値の平均値の３種類の値を用
い、集合演算部ＮＮ* の非線形演算部ＮＮ１* ，ＮＮ２
* ，ＮＮ３* の学習に最大値を、集合演算部ＮＮの非線
形演算部ＮＮ１，ＮＮ２，ＮＮ３の学習に代表平均値
を、また、集合演算部ＮＮ* の非線形演算部ＮＮ１ * ，
ＮＮ２* ，ＮＮ３* の学習に最小値を用いている。
【００３８】以上のような学習を行うことにより、入力
される５種類一組の晶析因子のデータに対して、集合演
算部ＮＮ* の非線形演算部ＮＮ１* ，ＮＮ２* ，ＮＮ３
* は晶析因子に対応する製品結晶粒径の最大値の値を出
力し、集合演算部ＮＮの非線形演算部ＮＮ１，ＮＮ２，
ＮＮ３は晶析因子に対応する製品結晶粒径の代表平均値
の値を出力し、集合演算部ＮＮ* の非線形演算部ＮＮ１
* ，ＮＮ２* ，ＮＮ３ * は晶析因子に対応する製品結晶
粒径の最小値の値を出力するようになる。
される５種類一組の晶析因子のデータに対して、集合演
算部ＮＮ* の非線形演算部ＮＮ１* ，ＮＮ２* ，ＮＮ３
* は晶析因子に対応する製品結晶粒径の最大値の値を出
力し、集合演算部ＮＮの非線形演算部ＮＮ１，ＮＮ２，
ＮＮ３は晶析因子に対応する製品結晶粒径の代表平均値
の値を出力し、集合演算部ＮＮ* の非線形演算部ＮＮ１
* ，ＮＮ２* ，ＮＮ３ * は晶析因子に対応する製品結晶
粒径の最小値の値を出力するようになる。
【００３９】なお、各集合演算部ＮＮ* ，ＮＮ，ＮＮ*
は、それぞれ３つの非線形演算部ＮＮ１* …の出力値を
平均し、５種類一組の晶析因子のデータに対して、集合
演算部ＮＮ* からは製品結晶粒径の一つの最大値［ＮＮ
* ］が、集合演算部ＮＮからは製品結晶粒径の一つの代
表平均値［ＮＮ］が、集合演算部ＮＮ* からは製品結晶
粒径の一つの最小値［ＮＮ* ］が出力される。
は、それぞれ３つの非線形演算部ＮＮ１* …の出力値を
平均し、５種類一組の晶析因子のデータに対して、集合
演算部ＮＮ* からは製品結晶粒径の一つの最大値［ＮＮ
* ］が、集合演算部ＮＮからは製品結晶粒径の一つの代
表平均値［ＮＮ］が、集合演算部ＮＮ* からは製品結晶
粒径の一つの最小値［ＮＮ* ］が出力される。
【００４０】このように、各集合演算部ＮＮ* …におい
て、３つの非線形演算部により平均をとるようにしてい
るので、学習結果の誤差が抑えられる。すなわち、非線
形演算部では結合係数の初期値として乱数が用いられる
ので、一つの非線形演算部では、データ数が少ない場合
に推定区間に誤差が生じるが、３つの平均をとることに
よりこの誤差が緩和される。
て、３つの非線形演算部により平均をとるようにしてい
るので、学習結果の誤差が抑えられる。すなわち、非線
形演算部では結合係数の初期値として乱数が用いられる
ので、一つの非線形演算部では、データ数が少ない場合
に推定区間に誤差が生じるが、３つの平均をとることに
よりこの誤差が緩和される。
【００４１】以上のようなＮＮモデル構成機能部１１２
の学習機能により晶析システム２０の製品結晶粒径制御
モデルが構築される。そして、このモデルは、６次元の
仮想空間において、５種類の晶析因子に対する製品結晶
粒径の最大値［ＮＮ* ］、代表平均値［ＮＮ］および最
小値［ＮＮ* ］の３つの曲面（５次元曲面）によって表
現され、最大値［ＮＮ* ］の曲面と最小値［ＮＮ* ］の
曲面によって代表平均値［ＮＮ］の曲面および製品結晶
粒径が略包含される。
の学習機能により晶析システム２０の製品結晶粒径制御
モデルが構築される。そして、このモデルは、６次元の
仮想空間において、５種類の晶析因子に対する製品結晶
粒径の最大値［ＮＮ* ］、代表平均値［ＮＮ］および最
小値［ＮＮ* ］の３つの曲面（５次元曲面）によって表
現され、最大値［ＮＮ* ］の曲面と最小値［ＮＮ* ］の
曲面によって代表平均値［ＮＮ］の曲面および製品結晶
粒径が略包含される。
【００４２】図２のモデル評価機能部１１４は、上記３
つの曲面を用いて図６に示したようにモデルの有効範囲
を求める。なお、図６では曲面を線として表現してあ
る。すなわち、代表平均値［ＮＮ］の曲面が最大値［Ｎ
Ｎ* ］の曲面と最小値［ＮＮ*］の曲面とで包含されて
いる領域（［ＮＮ* ］＜［ＮＮ］＜［ＮＮ* ］となる領
域）の端点Ａ，Ｂを求め、点Ａから点Ｃを定め、点Ｂか
ら点Ｄを定める。
つの曲面を用いて図６に示したようにモデルの有効範囲
を求める。なお、図６では曲面を線として表現してあ
る。すなわち、代表平均値［ＮＮ］の曲面が最大値［Ｎ
Ｎ* ］の曲面と最小値［ＮＮ*］の曲面とで包含されて
いる領域（［ＮＮ* ］＜［ＮＮ］＜［ＮＮ* ］となる領
域）の端点Ａ，Ｂを求め、点Ａから点Ｃを定め、点Ｂか
ら点Ｄを定める。
【００４３】さらに、これらの点Ａ，Ｂ，Ｃ，Ｄから、
多角形型の可能性分布μMxp ( ｘp) 、μMYp ( ｙp )
を推定し、晶析因子と製品結晶粒径の両者の帰属度が低
い範囲（μMxp ( ｘp ) の範囲Ｅ〜Ｆ、μMYp ( ｙp )
の範囲Ｉ〜Ｊ）では、対象に対するモデルの信頼性は低
いと判定する。また、逆に帰属度が高い範囲（μMxp(
ｘp ) の範囲Ｆ〜Ｇ、μMYp ( ｙp ) の範囲Ｈ〜Ｉ）で
は信頼性が高いと判定し、最終的に獲得したモデルの有
効範囲（μMxp ( ｘp ) の範囲Ｅ〜Ｇ、μMYp( ｙp )
の範囲Ｈ〜Ｊ）を定める。
多角形型の可能性分布μMxp ( ｘp) 、μMYp ( ｙp )
を推定し、晶析因子と製品結晶粒径の両者の帰属度が低
い範囲（μMxp ( ｘp ) の範囲Ｅ〜Ｆ、μMYp ( ｙp )
の範囲Ｉ〜Ｊ）では、対象に対するモデルの信頼性は低
いと判定する。また、逆に帰属度が高い範囲（μMxp(
ｘp ) の範囲Ｆ〜Ｇ、μMYp ( ｙp ) の範囲Ｈ〜Ｉ）で
は信頼性が高いと判定し、最終的に獲得したモデルの有
効範囲（μMxp ( ｘp ) の範囲Ｅ〜Ｇ、μMYp( ｙp )
の範囲Ｈ〜Ｊ）を定める。
【００４４】そして、モデル評価機能部１１４は、晶析
因子の未知データに対する製品結晶粒径の推定値および
製品結晶粒径の未知データに対する晶析因子の推定値に
ついて、その有効性を判定する。
因子の未知データに対する製品結晶粒径の推定値および
製品結晶粒径の未知データに対する晶析因子の推定値に
ついて、その有効性を判定する。
【００４５】ＮＮモデル構成機能部１１２における製品
結晶粒径制御モデルの構築ロジックは、基本モデル構築
ロジックと、実用モデル構築ロジックの２つのロジック
から構成されている。基本モデル構築ロジックは、図７
に示したように試験データによる基本となるモデルを構
築するロジックであり、実用モデル構築ロジックは、図
８に示したように基本モデルを晶析システム２０の工程
に適用しながら実際にモデル推定を行い、推定誤差が大
きい場合などは、そのデータを追加学習して、逐次、モ
デルの精度を上げていくロジックである。
結晶粒径制御モデルの構築ロジックは、基本モデル構築
ロジックと、実用モデル構築ロジックの２つのロジック
から構成されている。基本モデル構築ロジックは、図７
に示したように試験データによる基本となるモデルを構
築するロジックであり、実用モデル構築ロジックは、図
８に示したように基本モデルを晶析システム２０の工程
に適用しながら実際にモデル推定を行い、推定誤差が大
きい場合などは、そのデータを追加学習して、逐次、モ
デルの精度を上げていくロジックである。
【００４６】図７の基本モデル構築ロジックでは、ま
ず、ステップＳ１１で目的変数Ｙを製品結晶平均粒径
［μｍ］として基本モデル構築を開始し、ステップＳ１
２で各晶析因子の試験水準に対し、その値や組合せを代
えてデータ収集を行う。なお、実験では、このステップ
Ｓ１２で目標とする製品結晶平均粒径４００［μｍ］を
生産するために４６試験データの収集を行った。
ず、ステップＳ１１で目的変数Ｙを製品結晶平均粒径
［μｍ］として基本モデル構築を開始し、ステップＳ１
２で各晶析因子の試験水準に対し、その値や組合せを代
えてデータ収集を行う。なお、実験では、このステップ
Ｓ１２で目標とする製品結晶平均粒径４００［μｍ］を
生産するために４６試験データの収集を行った。
【００４７】次に、ステップＳ１３で、製品結晶粒径Ｙ
に対して相関が高い晶析因子をモデル構築のための説明
変数ｘとして決定する。なお、この実施例では、説明変
数ｘとして以下の晶析因子を用いている。 （説明変数） ｘ１：蒸発速度［ｋｇ／ｈｒ］ ｘ２：種晶添加速度［ｋｇ／ｈｒ］ ｘ３：種晶平均粒径［μｍ］ ｘ４：結晶懸濁密度［％］ ｘ５：缶内母液組成率（NaCl）［％］
に対して相関が高い晶析因子をモデル構築のための説明
変数ｘとして決定する。なお、この実施例では、説明変
数ｘとして以下の晶析因子を用いている。 （説明変数） ｘ１：蒸発速度［ｋｇ／ｈｒ］ ｘ２：種晶添加速度［ｋｇ／ｈｒ］ ｘ３：種晶平均粒径［μｍ］ ｘ４：結晶懸濁密度［％］ ｘ５：缶内母液組成率（NaCl）［％］
【００４８】次に、ステップＳ１４で、モデルのパラメ
ータを設定し、ステップＳ１５に進む。なお、実験で
は、試行錯誤により、以下のようにパラメータを設定し
た。 最大値の集合演算部ＮＮ* 、代表平均値の集合演算
部ＮＮ、最小値の集合演算部ＮＮ* の非線形演算部は全
て３つで構成 全ての非線形演算部は３層構造 入力層は５ユニット（説明変数の数） 中間層は２５ユニット 出力層は１ユニット（目的変数の数） 誤差逆伝搬法における安定化定数は０．９ 誤差逆伝搬法における学習係数ηは０．２５ 初期荷重（結合係数）は±０・５ ただし、収集したデータは目的変数、説明変数の最大
値、最小値を考慮し、全データを正規化して用いる。
ータを設定し、ステップＳ１５に進む。なお、実験で
は、試行錯誤により、以下のようにパラメータを設定し
た。 最大値の集合演算部ＮＮ* 、代表平均値の集合演算
部ＮＮ、最小値の集合演算部ＮＮ* の非線形演算部は全
て３つで構成 全ての非線形演算部は３層構造 入力層は５ユニット（説明変数の数） 中間層は２５ユニット 出力層は１ユニット（目的変数の数） 誤差逆伝搬法における安定化定数は０．９ 誤差逆伝搬法における学習係数ηは０．２５ 初期荷重（結合係数）は±０・５ ただし、収集したデータは目的変数、説明変数の最大
値、最小値を考慮し、全データを正規化して用いる。
【００４９】次に、ステップＳ１５でニューラルネット
を用いて学習を行い、ステップＳ１６に進む。なお、こ
の実施例では、４６データを１セットとして１００００
回学習する。ステップＳ１６では４６データに対する学
習誤差Ｅを計算し、ステップＳ１７で閾値Ｅ0 に対する
学習誤差Ｅによる学習精度の判定を行う。なお、実験で
は、計７００００（１００００×７）回学習を行って、
Ｅ≦Ｅ0 の条件を満足した。以上のように条件を満足す
るとステップＳ１８で基本モデル構築ロジックを終了す
る。
を用いて学習を行い、ステップＳ１６に進む。なお、こ
の実施例では、４６データを１セットとして１００００
回学習する。ステップＳ１６では４６データに対する学
習誤差Ｅを計算し、ステップＳ１７で閾値Ｅ0 に対する
学習誤差Ｅによる学習精度の判定を行う。なお、実験で
は、計７００００（１００００×７）回学習を行って、
Ｅ≦Ｅ0 の条件を満足した。以上のように条件を満足す
るとステップＳ１８で基本モデル構築ロジックを終了す
る。
【００５０】図８の実用モデル構築ロジックでは、ま
ず、ステップＳ２１で実用モデル構築を開始し、ステッ
プＳ２２で、モデル推定機能により後述説明する製品結
晶粒径の推定機能、目標結晶粒径の操作条件推定機能お
よび外乱補償の操作条件推定機能から選択された機能に
よるモデル推定を行い、製品結晶平均粒径の平均時間の
推定値、あるいは製品結晶平均粒径の平均時間の値を推
定する。なお、ここではモデル推定機能として製品結晶
粒径の推定機能について考え、この機能を用いて、以下
の晶析条件ｘにおける製品結晶平均粒径の平均時間の推
定値Ｙ' を推定する。 ｘ１：蒸発速度８０．０［ｋｇ／ｈｒ］ ｘ２：種晶添加速度４．８［ｋｇ／ｈｒ］ ｘ３：種晶平均粒径２０２［μｍ］ ｘ４：結晶懸濁密度７．０［％］ ｘ５：缶内母液組成率（NaCl）２２．６２４［％］ 推定結果：製品結晶平均粒径の平均時間の推定値
Ｙ' ＝４６３［μｍ］
ず、ステップＳ２１で実用モデル構築を開始し、ステッ
プＳ２２で、モデル推定機能により後述説明する製品結
晶粒径の推定機能、目標結晶粒径の操作条件推定機能お
よび外乱補償の操作条件推定機能から選択された機能に
よるモデル推定を行い、製品結晶平均粒径の平均時間の
推定値、あるいは製品結晶平均粒径の平均時間の値を推
定する。なお、ここではモデル推定機能として製品結晶
粒径の推定機能について考え、この機能を用いて、以下
の晶析条件ｘにおける製品結晶平均粒径の平均時間の推
定値Ｙ' を推定する。 ｘ１：蒸発速度８０．０［ｋｇ／ｈｒ］ ｘ２：種晶添加速度４．８［ｋｇ／ｈｒ］ ｘ３：種晶平均粒径２０２［μｍ］ ｘ４：結晶懸濁密度７．０［％］ ｘ５：缶内母液組成率（NaCl）２２．６２４［％］ 推定結果：製品結晶平均粒径の平均時間の推定値
Ｙ' ＝４６３［μｍ］
【００５１】次に、ステップＳ２３で、この晶析条件に
対して実際の工程（晶析システム２０）で製品結晶を生
産し、ステップＳ２４に進む。なお、実験の結果、生産
された塩の製品結晶平均粒径の平均時間の測定値Ｙは、
Ｙ＝４７０［μｍ］であった。
対して実際の工程（晶析システム２０）で製品結晶を生
産し、ステップＳ２４に進む。なお、実験の結果、生産
された塩の製品結晶平均粒径の平均時間の測定値Ｙは、
Ｙ＝４７０［μｍ］であった。
【００５２】ステップＳ２４では、閾値ｅ0 に対する推
定精度の判定を行い、推定値Ｙ' と測定値Ｙに対して推
定誤差が閾値ｅ0 より小さい場合は終了とし、大きい場
合はステップＳ２５以降で追加学習を行う。
定精度の判定を行い、推定値Ｙ' と測定値Ｙに対して推
定誤差が閾値ｅ0 より小さい場合は終了とし、大きい場
合はステップＳ２５以降で追加学習を行う。
【００５３】ステップＳ２５では、新しく発生したデー
タについて再現性の判定を行う。すなわち、推定誤差の
原因の一つとして測定誤差があるので、測定誤差が多く
含まれているデータを追加学習すると構築されるモデル
の精度が低下する。そこで、これを避けるために、新し
く発生したデータを過去のデータと比較して再現性の判
定を行う。
タについて再現性の判定を行う。すなわち、推定誤差の
原因の一つとして測定誤差があるので、測定誤差が多く
含まれているデータを追加学習すると構築されるモデル
の精度が低下する。そこで、これを避けるために、新し
く発生したデータを過去のデータと比較して再現性の判
定を行う。
【００５４】そして、再現性があるデータに対してのみ
ステップＳ２６で追加学習を行い、再現性のないデータ
はステップＳ２９で異常データとして棄却して処理を終
了する。なお、上記の再現性の確認は、散布図、統計的
な検定などにより推定誤差が大きい場合のみ行う。ま
た、この実施例では、ステップＳ２６において、４７デ
ータを１セットとして１００００回学習する。
ステップＳ２６で追加学習を行い、再現性のないデータ
はステップＳ２９で異常データとして棄却して処理を終
了する。なお、上記の再現性の確認は、散布図、統計的
な検定などにより推定誤差が大きい場合のみ行う。ま
た、この実施例では、ステップＳ２６において、４７デ
ータを１セットとして１００００回学習する。
【００５５】ステップＳ２７では４７データに対する学
習誤差Ｅを計算し、ステップＳ２８で閾値Ｅ0 に対する
学習誤差Ｅによる学習精度の判定を行う。なお、実験で
は、計７００００（１００００×７）回学習を行って、
Ｅ≦Ｅ0 の条件を満足した。以上のように条件を満足す
るとステップＳ２０１で実用モデル構築ロジックを終了
する。なお、上記のような実用モデル構築ロジックを繰
り返し行うことによりモデルの精度が上がる。
習誤差Ｅを計算し、ステップＳ２８で閾値Ｅ0 に対する
学習誤差Ｅによる学習精度の判定を行う。なお、実験で
は、計７００００（１００００×７）回学習を行って、
Ｅ≦Ｅ0 の条件を満足した。以上のように条件を満足す
るとステップＳ２０１で実用モデル構築ロジックを終了
する。なお、上記のような実用モデル構築ロジックを繰
り返し行うことによりモデルの精度が上がる。
【００５６】製塩結晶粒径の推定機能は、図９に示した
ように、構築した製品結晶粒径制御モデルを用いて、熟
練オペレータが行っている晶析因子の定常値変化（蒸発
速度の切り替え等）に対する製品結晶平均粒径の平均時
間の推定を高精度に行い、晶析装置の特性の解析や製品
結晶粒径の推定を行うための機能である。
ように、構築した製品結晶粒径制御モデルを用いて、熟
練オペレータが行っている晶析因子の定常値変化（蒸発
速度の切り替え等）に対する製品結晶平均粒径の平均時
間の推定を高精度に行い、晶析装置の特性の解析や製品
結晶粒径の推定を行うための機能である。
【００５７】図９の製品結晶粒径の推定ロジックでは、
まず、ステップＳ３１で晶析因子の定常値変化後の操作
条件Ｕ１に対する製品結晶平均粒径の平均時間の推定値
Ｙ１' の推定を開始し、ステップＳ３２で晶析因子の定
常値変化後の操作条件Ｕ１を設定する。
まず、ステップＳ３１で晶析因子の定常値変化後の操作
条件Ｕ１に対する製品結晶平均粒径の平均時間の推定値
Ｙ１' の推定を開始し、ステップＳ３２で晶析因子の定
常値変化後の操作条件Ｕ１を設定する。
【００５８】次に、ステップＳ３３で、晶析因子の定常
値変化後の晶析条件Ｕ１に対してモデルの有効範囲によ
る判定を行い、有効範囲であればステップＳ３４で定常
値変化後の晶析条件Ｕ１に対して製品結晶平均粒径の平
均時間の推定値Ｙ１' を推定し、ステップＳ３５で処理
を終了する。
値変化後の晶析条件Ｕ１に対してモデルの有効範囲によ
る判定を行い、有効範囲であればステップＳ３４で定常
値変化後の晶析条件Ｕ１に対して製品結晶平均粒径の平
均時間の推定値Ｙ１' を推定し、ステップＳ３５で処理
を終了する。
【００５９】図１０は上記製品結晶粒径の推定ロジック
に基づいて行った実験の一例を説明する図であり、この
例では、晶析条件ｘ、製品結晶平均粒径の平均時間の測
定値Ｙ１は次のような場合である。 （変化前の晶析条件） ｘ１：蒸発速度設定値［ｋｇ／ｈｒ］ ８０．０ ｘ２：種晶添加速度設定値［ｋｇ／ｈｒ］ ４．８ ｘ３：種晶平均粒径測定値［μｍ］ ２０２ ｘ４：結晶懸濁密度設定値［％］ ７．０ ｘ５：缶内母液組成率（NaCl）測定値［％］ ２２．６２４ （変化前の製品結晶平均粒径の平均時間の測定値） Ｙ１：製品結晶平均粒径の平均時間の測定値［μｍ］ ４３２
に基づいて行った実験の一例を説明する図であり、この
例では、晶析条件ｘ、製品結晶平均粒径の平均時間の測
定値Ｙ１は次のような場合である。 （変化前の晶析条件） ｘ１：蒸発速度設定値［ｋｇ／ｈｒ］ ８０．０ ｘ２：種晶添加速度設定値［ｋｇ／ｈｒ］ ４．８ ｘ３：種晶平均粒径測定値［μｍ］ ２０２ ｘ４：結晶懸濁密度設定値［％］ ７．０ ｘ５：缶内母液組成率（NaCl）測定値［％］ ２２．６２４ （変化前の製品結晶平均粒径の平均時間の測定値） Ｙ１：製品結晶平均粒径の平均時間の測定値［μｍ］ ４３２
【００６０】晶析因子である蒸発速度ｘ１の定常値は図
１０の（ｈ）のように、蒸発速度設定値［ｋｇ／ｈｒ］
８０．０が１００．０に変化させるようにし、ステップ
Ｓ３２で、変化後の蒸発速度設定値ｘ１＝１００．０を
定常値変化後の操作条件Ｕ１＝１００．０［ｋｇ／ｈ
ｒ］として設定する。
１０の（ｈ）のように、蒸発速度設定値［ｋｇ／ｈｒ］
８０．０が１００．０に変化させるようにし、ステップ
Ｓ３２で、変化後の蒸発速度設定値ｘ１＝１００．０を
定常値変化後の操作条件Ｕ１＝１００．０［ｋｇ／ｈ
ｒ］として設定する。
【００６１】そして、ステップＳ３４で、種晶添加速度
設定値４．８に対する製品結晶粒径の推定すると、この
推定の過程は次のようになる。すなわち、図１０の
（ａ）に示したように、製品結晶平均粒径の平均時間の
推定値の推定区間Ｆ〜Ｇとその代表点Ｂに対応して、区
間Ｈ〜Ｉと点Ｃよりモデルの製品結晶平均粒径の平均時
間の推定値Ｙ１' は４２１［μｍ］、４６３［μｍ］、
４９３［μｍ］であり、晶析因子の定常値変化後の実際
の製品結晶平均粒径の平均時間の推定値Ｙ１' は４６３
［μｍ］であった。
設定値４．８に対する製品結晶粒径の推定すると、この
推定の過程は次のようになる。すなわち、図１０の
（ａ）に示したように、製品結晶平均粒径の平均時間の
推定値の推定区間Ｆ〜Ｇとその代表点Ｂに対応して、区
間Ｈ〜Ｉと点Ｃよりモデルの製品結晶平均粒径の平均時
間の推定値Ｙ１' は４２１［μｍ］、４６３［μｍ］、
４９３［μｍ］であり、晶析因子の定常値変化後の実際
の製品結晶平均粒径の平均時間の推定値Ｙ１' は４６３
［μｍ］であった。
【００６２】ここで、モデルの有効範囲は図１０の
（ｂ）、（ｃ）のような可能性分布を示し、点Ｂに対し
て点Ｄ、点Ｅは帰属度１．０を示すため、このモデルの
推定値はモデルの有効範囲に対して有効性があると判定
された。なお、図１０の（ｅ）はこの条件における製品
結晶平均粒径の時間的平均推定値Ｙ１' の可能性分布を
示している。また、図１０の（ｆ）は、製品結晶平均粒
径測定値の時間変化を示している。
（ｂ）、（ｃ）のような可能性分布を示し、点Ｂに対し
て点Ｄ、点Ｅは帰属度１．０を示すため、このモデルの
推定値はモデルの有効範囲に対して有効性があると判定
された。なお、図１０の（ｅ）はこの条件における製品
結晶平均粒径の時間的平均推定値Ｙ１' の可能性分布を
示している。また、図１０の（ｆ）は、製品結晶平均粒
径測定値の時間変化を示している。
【００６３】以上のように、製品結晶粒径の推定を行っ
た結果、図１０の（ｆ）に示したように晶析因子の定常
値変化後の製品結晶平均粒径の平均時間の測定値Ｙ１は
以下のようになった。この測定値はモデルの推定におけ
る最大値と最小値に対して有効な値をとっており、その
区間の代表平均値に略一致していることから、この製塩
結晶粒径推定機能の有効性が確認された。 Ｙ１′：製品結晶平均粒径の平均時間の推定値［μｍ］
４６３ Ｙ１：製品結晶平均粒径の平均時間の測定値［μｍ］４
７０
た結果、図１０の（ｆ）に示したように晶析因子の定常
値変化後の製品結晶平均粒径の平均時間の測定値Ｙ１は
以下のようになった。この測定値はモデルの推定におけ
る最大値と最小値に対して有効な値をとっており、その
区間の代表平均値に略一致していることから、この製塩
結晶粒径推定機能の有効性が確認された。 Ｙ１′：製品結晶平均粒径の平均時間の推定値［μｍ］
４６３ Ｙ１：製品結晶平均粒径の平均時間の測定値［μｍ］４
７０
【００６４】目標結晶粒径の操作条件推定機能は、図１
１に示したように、構築した製品結晶粒径制御モデルを
用いて、目標結晶平均粒径の製品を生産するために必要
な最適条件の推定を短時間で、高精度に行い、目標結晶
平均粒径の製品を制作するための制御を行うための機能
である。
１に示したように、構築した製品結晶粒径制御モデルを
用いて、目標結晶平均粒径の製品を生産するために必要
な最適条件の推定を短時間で、高精度に行い、目標結晶
平均粒径の製品を制作するための制御を行うための機能
である。
【００６５】図１１の目標結晶粒径の操作条件推定ロジ
ックでは、まず、ステップＳ４１で処理を開始し、ステ
ップＳ４２で製品結晶平均粒径の平均時間の目標値Ｙ
２' 'を設定し、ステップＳ４３で、製品結晶平均粒径
の平均時間の目標値Ｙ２' ' に対してモデルの有効範囲
による判定を行い、有効範囲であればステップＳ４４に
進み、有効範囲でなければステップＳ４７に進む。
ックでは、まず、ステップＳ４１で処理を開始し、ステ
ップＳ４２で製品結晶平均粒径の平均時間の目標値Ｙ
２' 'を設定し、ステップＳ４３で、製品結晶平均粒径
の平均時間の目標値Ｙ２' ' に対してモデルの有効範囲
による判定を行い、有効範囲であればステップＳ４４に
進み、有効範囲でなければステップＳ４７に進む。
【００６６】ステップＳ４４では、結晶平均粒径の平均
時間の目標値Ｙ２' ' の製品を生産するために必要な晶
析操作条件Ｕ２' を推定し、ステップＳ４５で推定値に
対する熟練オペレータによる評価の処理を行う。評価の
結果、推定された晶析操作条件Ｕ２' が有効であれば、
ステップＳ４６でその晶析操作条件Ｕ２' を計装制御器
１１に設定してステップＳ４８で処理を処理を終了す
る。
時間の目標値Ｙ２' ' の製品を生産するために必要な晶
析操作条件Ｕ２' を推定し、ステップＳ４５で推定値に
対する熟練オペレータによる評価の処理を行う。評価の
結果、推定された晶析操作条件Ｕ２' が有効であれば、
ステップＳ４６でその晶析操作条件Ｕ２' を計装制御器
１１に設定してステップＳ４８で処理を処理を終了す
る。
【００６７】なお、モデルの有効範囲の判定や熟練オペ
レータによる評価で無効であった場合は、熟練オペレー
タが経験と勘により晶析操作条件Ｕ２' を推定し、ステ
ップＳ４７でこの推定値を設定する。
レータによる評価で無効であった場合は、熟練オペレー
タが経験と勘により晶析操作条件Ｕ２' を推定し、ステ
ップＳ４７でこの推定値を設定する。
【００６８】図１２は上記目標結晶粒径の操作条件推定
ロジックに基づいて行った実験の一例を説明する図であ
り、この例では、晶析条件ｘ、製品結晶平均粒径の平均
時間の測定値Ｙ２が次のような場合である。 （変化前の晶析条件） ｘ１：蒸発速度設定値［ｋｇ／ｈｒ］ １００．０ ｘ２：種晶添加速度設定値［ｋｇ／ｈｒ］ ５．２ ｘ３：種晶平均粒径測定値［μｍ］ １９８ ｘ４：結晶懸濁密度設定値［％］ ７．０ ｘ５：缶内母液組成率（NaCl）測定値［％］ ２２．６２４ （変化前の製品結晶平均粒径の平均時間の測定値） Ｙ２：製品結晶平均粒径測定値の平均時間の測定値［μｍ］ ４７０
ロジックに基づいて行った実験の一例を説明する図であ
り、この例では、晶析条件ｘ、製品結晶平均粒径の平均
時間の測定値Ｙ２が次のような場合である。 （変化前の晶析条件） ｘ１：蒸発速度設定値［ｋｇ／ｈｒ］ １００．０ ｘ２：種晶添加速度設定値［ｋｇ／ｈｒ］ ５．２ ｘ３：種晶平均粒径測定値［μｍ］ １９８ ｘ４：結晶懸濁密度設定値［％］ ７．０ ｘ５：缶内母液組成率（NaCl）測定値［％］ ２２．６２４ （変化前の製品結晶平均粒径の平均時間の測定値） Ｙ２：製品結晶平均粒径測定値の平均時間の測定値［μｍ］ ４７０
【００６９】ステップＳ４２では、製品結晶平均粒径の
平均時間の目標値Ｙ２' ' を４００［μｍ］に設定し、
ステップＳ４３で晶析操作条件Ｕ２' として晶析因子で
ある種晶添加速度ｘ２の最適設定値を推定すると、この
推定の過程は次のようになる。すなわち、図１２の
（ａ）に示したように、製品結晶平均粒径の平均時間の
目標値Ｙ２' ' が４００（Ａ点）に対応して、種晶添加
速度の推定区間Ｆ〜Ｇとその代表点Ｂに対応して、区間
Ｈ〜Ｉと点Ｃよりモデルの種晶添加速度推定値Ｕ２' は
５．４［ｋｇ／ｈｒ］、９．６［ｋｇ／ｈｒ］、１６．
７［ｋｇ／ｈｒ］であり、実際の種晶添加速度推定値Ｕ
２' は９．６［ｋｇ／ｈｒ］であった。
平均時間の目標値Ｙ２' ' を４００［μｍ］に設定し、
ステップＳ４３で晶析操作条件Ｕ２' として晶析因子で
ある種晶添加速度ｘ２の最適設定値を推定すると、この
推定の過程は次のようになる。すなわち、図１２の
（ａ）に示したように、製品結晶平均粒径の平均時間の
目標値Ｙ２' ' が４００（Ａ点）に対応して、種晶添加
速度の推定区間Ｆ〜Ｇとその代表点Ｂに対応して、区間
Ｈ〜Ｉと点Ｃよりモデルの種晶添加速度推定値Ｕ２' は
５．４［ｋｇ／ｈｒ］、９．６［ｋｇ／ｈｒ］、１６．
７［ｋｇ／ｈｒ］であり、実際の種晶添加速度推定値Ｕ
２' は９．６［ｋｇ／ｈｒ］であった。
【００７０】ここで、モデルの有効範囲は図１２の
（ｂ）、（ｃ）のような可能性分布を示し、点Ｂに対し
て点Ｄ、点Ｅは帰属度１．０を示すため、このモデルの
推定値はモデルの有効範囲に対して有効性があると判定
された。なお、図１２の（ｄ）はこの条件における種晶
添加速度推定値Ｕ２' の可能性分布を示している。ま
た、図１２の（ｆ）は、製品結晶平均粒径測定値の時間
変化を示している。
（ｂ）、（ｃ）のような可能性分布を示し、点Ｂに対し
て点Ｄ、点Ｅは帰属度１．０を示すため、このモデルの
推定値はモデルの有効範囲に対して有効性があると判定
された。なお、図１２の（ｄ）はこの条件における種晶
添加速度推定値Ｕ２' の可能性分布を示している。ま
た、図１２の（ｆ）は、製品結晶平均粒径測定値の時間
変化を示している。
【００７１】以上のように、目標結晶粒径の操作条件推
定を行った結果、図１２の（ｆ）に示したように操作条
件設定後の製品結晶平均粒径の平均時間の測定値Ｙ２は
以下のようになった。この測定値はモデルの推定におけ
る最大値と最小値に対して有効な値をとっており、その
区間の代表平均値に略一致していることから、この目標
結晶粒径の操作条件推定機能の有効性が確認された。 Ｙ２' ' ：製品結晶平均粒径の平均時間の目標値［μ
ｍ］４００ Ｙ２：製品結晶平均粒径の平均時間の測定値［μｍ］３
９０
定を行った結果、図１２の（ｆ）に示したように操作条
件設定後の製品結晶平均粒径の平均時間の測定値Ｙ２は
以下のようになった。この測定値はモデルの推定におけ
る最大値と最小値に対して有効な値をとっており、その
区間の代表平均値に略一致していることから、この目標
結晶粒径の操作条件推定機能の有効性が確認された。 Ｙ２' ' ：製品結晶平均粒径の平均時間の目標値［μ
ｍ］４００ Ｙ２：製品結晶平均粒径の平均時間の測定値［μｍ］３
９０
【００７２】外乱補償の操作条件推定機能は、図１３に
示したように、構築した製品結晶粒径制御モデルを用い
て、既知外乱を抑えるために必要な最適操作条件の推定
を高精度に行い、晶析装置の特性の解析や製品結晶粒径
の推定を行うための機能である。
示したように、構築した製品結晶粒径制御モデルを用い
て、既知外乱を抑えるために必要な最適操作条件の推定
を高精度に行い、晶析装置の特性の解析や製品結晶粒径
の推定を行うための機能である。
【００７３】図１３の外乱補償の操作条件推定ロジック
では、まず、ステップＳ５１で処理を開始し、ステップ
Ｓ５２で晶析因子の定常値変化後の操作条件Ｕ１' を設
定し、ステップＳ５３で、操作条件Ｕ１' に対してモデ
ルの有効範囲による判定を行い、有効範囲であればステ
ップＳ５４に進み、有効範囲でなければステップＳ５７
に進む。
では、まず、ステップＳ５１で処理を開始し、ステップ
Ｓ５２で晶析因子の定常値変化後の操作条件Ｕ１' を設
定し、ステップＳ５３で、操作条件Ｕ１' に対してモデ
ルの有効範囲による判定を行い、有効範囲であればステ
ップＳ５４に進み、有効範囲でなければステップＳ５７
に進む。
【００７４】ステップＳ５４では、安定して一定の結晶
平均粒径の製品を生産するために必要な晶析操作条件Ｕ
２' を推定し、ステップＳ５５で推定値に対する熟練オ
ペレータによる評価の処理を行う。評価の結果、推定さ
れた晶析操作条件Ｕ２' が有効であれば、ステップＳ５
６で、予め測定しておいたむだ時間によりむだ時間補償
を行い、推定した晶析操作条件Ｕ２' 所定のタイミング
で計装制御器１１に設定してステップＳ５８で処理を処
理を終了する。
平均粒径の製品を生産するために必要な晶析操作条件Ｕ
２' を推定し、ステップＳ５５で推定値に対する熟練オ
ペレータによる評価の処理を行う。評価の結果、推定さ
れた晶析操作条件Ｕ２' が有効であれば、ステップＳ５
６で、予め測定しておいたむだ時間によりむだ時間補償
を行い、推定した晶析操作条件Ｕ２' 所定のタイミング
で計装制御器１１に設定してステップＳ５８で処理を処
理を終了する。
【００７５】なお、モデルの有効範囲の判定や熟練オペ
レータによる評価で無効であった場合は、熟練オペレー
タが経験と勘により晶析操作条件Ｕ２' を推定し、ステ
ップＳ５７でこの推定値を設定する。
レータによる評価で無効であった場合は、熟練オペレー
タが経験と勘により晶析操作条件Ｕ２' を推定し、ステ
ップＳ５７でこの推定値を設定する。
【００７６】図１４は上記外乱補償の操作条件推定ロジ
ックに基づいて行った実験の一例を説明する図であり、
この例では、晶析条件ｘ、製品結晶平均粒径の平均時間
の測定値Ｙが次のような場合である。
ックに基づいて行った実験の一例を説明する図であり、
この例では、晶析条件ｘ、製品結晶平均粒径の平均時間
の測定値Ｙが次のような場合である。
【００７７】 （変化前の晶析条件） ｘ１：蒸発速度設定値［ｋｇ／ｈｒ］ ８０．０ ｘ２：種晶添加速度設定値［ｋｇ／ｈｒ］ ４．８ ｘ３：種晶平均粒径測定値［μｍ］ ２０３ ｘ４：結晶懸濁密度設定値［％］ ７．０ ｘ５：缶内母液組成率（NaCl）測定値［％］ ２２．６２４ （変化前の製品結晶平均粒径の平均時間の測定値） Ｙ' ：製品結晶平均粒径の平均時間の測定値［μｍ］ ４５４
【００７８】既知外乱として晶析因子である蒸発速度ｘ
１の定常値は図１４の（ｈ）のように、蒸発速度設定値
［ｋｇ／ｈｒ］８０．０が１００．０に変化させるよう
にし、ステップＳ５２で、変化後の蒸発速度設定値ｘ１
＝１００．０を定常値変化後の操作条件Ｕ１' ＝１０
０．０［ｋｇ／ｈｒ］として設定する。
１の定常値は図１４の（ｈ）のように、蒸発速度設定値
［ｋｇ／ｈｒ］８０．０が１００．０に変化させるよう
にし、ステップＳ５２で、変化後の蒸発速度設定値ｘ１
＝１００．０を定常値変化後の操作条件Ｕ１' ＝１０
０．０［ｋｇ／ｈｒ］として設定する。
【００７９】そして、ステップＳ５３で、安定して一定
の結晶平均粒径の製品を生産するために必要な晶析操作
条件Ｕ２' として、他の晶析因子である種晶添加速度ｘ
２の最適設定値を推定すると、この推定の過程は次のよ
うになる。
の結晶平均粒径の製品を生産するために必要な晶析操作
条件Ｕ２' として、他の晶析因子である種晶添加速度ｘ
２の最適設定値を推定すると、この推定の過程は次のよ
うになる。
【００８０】いま、図１４の（ａ）に示したように、一
定とする製品結晶平均粒径を４３９［μｍ］（Ａ点）と
すると、この４３９（Ａ点）に対応して、種晶添加速度
の推定区間Ｆ〜Ｇとその代表点Ｂに対応して、区間Ｈ〜
Ｉと点Ｃよりモデルの種晶添加速度推定値Ｕ２' は４．
５［ｋｇ／ｈｒ］、６．４［ｋｇ／ｈｒ］、８．８［ｋ
ｇ／ｈｒ］であり、実際の種晶添加速度推定値Ｕ２' は
６．４［ｋｇ／ｈｒ］であった。
定とする製品結晶平均粒径を４３９［μｍ］（Ａ点）と
すると、この４３９（Ａ点）に対応して、種晶添加速度
の推定区間Ｆ〜Ｇとその代表点Ｂに対応して、区間Ｈ〜
Ｉと点Ｃよりモデルの種晶添加速度推定値Ｕ２' は４．
５［ｋｇ／ｈｒ］、６．４［ｋｇ／ｈｒ］、８．８［ｋ
ｇ／ｈｒ］であり、実際の種晶添加速度推定値Ｕ２' は
６．４［ｋｇ／ｈｒ］であった。
【００８１】ここで、モデルの有効範囲は図１４の
（ｂ）、（ｃ）のような可能性分布を示し、点Ｂに対し
て点Ｄ、点Ｅは帰属度１．０を示すため、このモデルの
推定値はモデルの有効範囲に対して有効性があると判定
された。なお、図１４の（ｄ）はこの条件における種晶
添加速度推定値Ｕ２' の可能性分布を示している。ま
た、図１４の（ｆ）は、製品結晶平均粒径測定値の時間
変化を示している。
（ｂ）、（ｃ）のような可能性分布を示し、点Ｂに対し
て点Ｄ、点Ｅは帰属度１．０を示すため、このモデルの
推定値はモデルの有効範囲に対して有効性があると判定
された。なお、図１４の（ｄ）はこの条件における種晶
添加速度推定値Ｕ２' の可能性分布を示している。ま
た、図１４の（ｆ）は、製品結晶平均粒径測定値の時間
変化を示している。
【００８２】なお、この条件における製品結晶平均粒径
の平均時間の推定の推定区間Ｊ〜Ｋとその代表点Ｂに対
応して、区間Ｌ〜Ｍと点Ａよりモデルの製品結晶平均粒
径の平均時間の推定値Ｙ' は４０６［μｍ］、４３７
［μｍ］、４７０［μｍ］である。
の平均時間の推定の推定区間Ｊ〜Ｋとその代表点Ｂに対
応して、区間Ｌ〜Ｍと点Ａよりモデルの製品結晶平均粒
径の平均時間の推定値Ｙ' は４０６［μｍ］、４３７
［μｍ］、４７０［μｍ］である。
【００８３】以上のように、外乱補償の操作条件推定を
行った結果、図１４の（ｆ）に示したように操作条件設
定後の製品結晶平均粒径の平均時間の測定値Ｙは以下の
ようになった。この測定値はモデルの推定における最大
値と最小値に対して有効な値をとっており、晶析因子の
定常値変化の影響を他の晶析因子の定常値を変ることで
抑えられていることが判明し、この外乱補償の操作条件
推定機能の有効性が確認された。 Ｙ：変化前の製品結晶平均粒径の平均時間の測定値［μ
ｍ］４５４ Ｙ：変化後の製品結晶平均粒径の平均時間の測定値［μ
ｍ］４５６
行った結果、図１４の（ｆ）に示したように操作条件設
定後の製品結晶平均粒径の平均時間の測定値Ｙは以下の
ようになった。この測定値はモデルの推定における最大
値と最小値に対して有効な値をとっており、晶析因子の
定常値変化の影響を他の晶析因子の定常値を変ることで
抑えられていることが判明し、この外乱補償の操作条件
推定機能の有効性が確認された。 Ｙ：変化前の製品結晶平均粒径の平均時間の測定値［μ
ｍ］４５４ Ｙ：変化後の製品結晶平均粒径の平均時間の測定値［μ
ｍ］４５６
【００８４】
【発明の効果】以上説明したように本発明の製品結晶粒
径制御装置によれば、製塩工程の晶析システムにおいて
振動性で非線形性を示す晶析装置の特性を、製品結晶粒
径という幅のある測定データによりニューラルネットを
用いてモデル化するとともに、この構築したモデルに基
づいていて目標とする製品結晶粒径から、この目標値と
なるような、晶析因子を推論するようにしたので、連続
操作のもとで目標の結晶平均粒径を有する製品を安定し
て生産できるような製品結晶粒径の制御技術を定式化す
ることができる。また、既存設備を改造することなく目
標が異なる結晶平均粒径の製品を高精度に生産すること
ができる。さらに、運転状態が変動する場合でも、運転
状態の変動の要因となった晶析因子の他の晶析因子につ
いて、目標の結晶平均粒径に対する晶析操作条件を求め
ることができるので、一定の結晶平均粒径の製品を安定
して生産することができる。
径制御装置によれば、製塩工程の晶析システムにおいて
振動性で非線形性を示す晶析装置の特性を、製品結晶粒
径という幅のある測定データによりニューラルネットを
用いてモデル化するとともに、この構築したモデルに基
づいていて目標とする製品結晶粒径から、この目標値と
なるような、晶析因子を推論するようにしたので、連続
操作のもとで目標の結晶平均粒径を有する製品を安定し
て生産できるような製品結晶粒径の制御技術を定式化す
ることができる。また、既存設備を改造することなく目
標が異なる結晶平均粒径の製品を高精度に生産すること
ができる。さらに、運転状態が変動する場合でも、運転
状態の変動の要因となった晶析因子の他の晶析因子につ
いて、目標の結晶平均粒径に対する晶析操作条件を求め
ることができるので、一定の結晶平均粒径の製品を安定
して生産することができる。
【００８５】また、実施例によれば、製品結晶粒径の代
表値が最大値と最小値との間に包含される領域を有効範
囲として設定し、この有効範囲に基づいて推論値の有効
性の判定を行って推論を行うようにしたので、推論値の
有効性を高めることができる。
表値が最大値と最小値との間に包含される領域を有効範
囲として設定し、この有効範囲に基づいて推論値の有効
性の判定を行って推論を行うようにしたので、推論値の
有効性を高めることができる。
【図１】本発明実施例の製品結晶粒径制御装置とこれを
適用した製塩工程の晶析システムを示す図である。
適用した製塩工程の晶析システムを示す図である。
【図２】実施例におけるモデル構築機能部の構成を概念
的に示す図である。
的に示す図である。
【図３】実施例における非線形演算部の構成を示す図で
ある。
ある。
【図４】実施例におけるニューロンを示す図である。
【図５】実施例におけるシグモイド函数を示す図であ
る。
る。
【図６】実施例におけるモデル評価機能部を説明する図
である。
である。
【図７】実施例における基本モデル構築ロジックのフロ
ーチャートである。
ーチャートである。
【図８】実施例における実用モデル構築ロジックのフロ
ーチャートである。
ーチャートである。
【図９】実施例における製品結晶粒径の推定ロジックの
フローチャートである。
フローチャートである。
【図１０】実施例における製品結晶粒径の推定ロジック
に基づいて行った実験の一例を説明する図である。
に基づいて行った実験の一例を説明する図である。
【図１１】実施例における目標結晶粒径の操作条件推定
ロジックのフローチャートである。
ロジックのフローチャートである。
【図１２】実施例における目標結晶粒径の操作条件推定
ロジックに基づいて行った実験の一例を説明する図であ
る。
ロジックに基づいて行った実験の一例を説明する図であ
る。
【図１３】実施例における外乱補償の操作条件推定ロジ
ックのフローチャートである。
ックのフローチャートである。
【図１４】実施例における外乱補償の操作条件推定ロジ
ックに基づいて行った実験の一例を説明する図である。
ックに基づいて行った実験の一例を説明する図である。
１…製品結晶粒径制御器、２…計装制御器、１０…製品
結晶粒径制御装置、１１…モデル構築機能部、１２…モ
デル推定機能部。
結晶粒径制御装置、１１…モデル構築機能部、１２…モ
デル推定機能部。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 長谷川 正巳 神奈川県小田原市酒匂４丁目13番20号 日 本たばこ産業株式会社海水総合研究所内
Claims (2)
- 【請求項１】 製塩工程における製品結晶粒径と晶析因
子のデータから晶析装置の特性をニューラルネットを用
いてモデル化するモデル構築手段と、 上記モデル構築手段で構築されたモデルに基づいていて
目標とする製品結晶粒径から晶析因子を推論する推論手
段と、を備えたことを特徴とする製品結晶粒径制御装
置。 - 【請求項２】 前記モデル構築手段は、前記製品粒径の
最大値、代表値および最小値に基づいてモデル化し、前
記推論手段は、前記代表値が前記最大値と最小値との間
に包含される領域を有効範囲として設定し、該有効範囲
に基づいて推論値の有効性の判定を行って前記晶析因子
を推論するものであることを特徴とする請求項１記載の
製品結晶粒径制御装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP28685293A JP3431965B2 (ja) | 1993-11-16 | 1993-11-16 | 製品結晶粒径制御装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP28685293A JP3431965B2 (ja) | 1993-11-16 | 1993-11-16 | 製品結晶粒径制御装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH07138017A true JPH07138017A (ja) | 1995-05-30 |
| JP3431965B2 JP3431965B2 (ja) | 2003-07-28 |
Family
ID=17709868
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP28685293A Expired - Lifetime JP3431965B2 (ja) | 1993-11-16 | 1993-11-16 | 製品結晶粒径制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3431965B2 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002059384A (ja) * | 2000-08-22 | 2002-02-26 | Sony Corp | ロボットのための学習システム及び学習方法 |
| JP2010520143A (ja) * | 2007-03-06 | 2010-06-10 | ポタシオ リオ コロラド エス．エー． | カリを処理する方法 |
| JP2018130685A (ja) * | 2017-02-16 | 2018-08-23 | 住友金属鉱山株式会社 | 晶析粒子の粒度分布の予測方法 |
-
1993
- 1993-11-16 JP JP28685293A patent/JP3431965B2/ja not_active Expired - Lifetime
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002059384A (ja) * | 2000-08-22 | 2002-02-26 | Sony Corp | ロボットのための学習システム及び学習方法 |
| JP2010520143A (ja) * | 2007-03-06 | 2010-06-10 | ポタシオ リオ コロラド エス．エー． | カリを処理する方法 |
| JP2018130685A (ja) * | 2017-02-16 | 2018-08-23 | 住友金属鉱山株式会社 | 晶析粒子の粒度分布の予測方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3431965B2 (ja) | 2003-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mu et al. | Online dual updating with recursive PLS model and its application in predicting crystal size of purified terephthalic acid (PTA) process | |
| CN110559966B (zh) | 一种反应釜多模联合控制方法及系统 | |
| CN109635337B (zh) | 一种基于块增量随机配置网络的工业过程软测量建模方法 | |
| CN110008575B (zh) | 循环冷却水系统工艺介质多温度目标设定值切换多参数预测控制算法 | |
| JP2004503001A (ja) | 経験的プロセスの非線形近似器を制約するコンピュータ装置とその方法 | |
| CN112327625B (zh) | 基于机器学习的不确定系统模型预测控制参数整定方法 | |
| WO2022121932A1 (zh) | 基于自适应深度学习的复杂工业系统智能预报方法、装置、设备及存储介质 | |
| Krishnapura et al. | A neural adaptive controller | |
| Lauret et al. | Hybrid modelling of a sugar boiling process | |
| JPH07138017A (ja) | 製品結晶粒径制御装置 | |
| Meghlaoui et al. | Predictive control of aluminum electrolytic cells using neural networks | |
| Pham et al. | Self-tuning fuzzy controller design using genetic optimisation and neural network modelling | |
| CN105279978B (zh) | 交叉口交通信号控制方法和设备 | |
| JP2540654B2 (ja) | ニュ―ラルネットワ―クの学習装置 | |
| JP3040901B2 (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 | |
| Ahmed et al. | Intelligent controllers of multiple effect evaporators via simulation | |
| Zheng et al. | Predictive control of batch crystallization process using machine learning | |
| US20020198853A1 (en) | Controlling the self learning behavior of an autonomous agent | |
| Sunori et al. | Improvement in Controller Performance for Distillation Column Using IMC Technique | |
| SARIGUL et al. | Q learning regression neural network | |
| Wan et al. | Performance-driven semiconductor silicon crystal quality control | |
| CN111445005A (zh) | 基于强化学习的神经网络控制方法及强化学习系统 | |
| Al-Hiary et al. | Identification of a chemical process reactor using soft computing techniques | |
| Grover et al. | Control of self-assembly with dynamic programming | |
| Janabi-Sharifi et al. | Neuro-fuzzy tension controller for tandem rolling |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20030422 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090523 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100523 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110523 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110523 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120523 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120523 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130523 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130523 Year of fee payment: 10 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| EXPY | Cancellation because of completion of term |