JPH07281714A - シミュレーション方法およびそれに用いる装置 - Google Patents

シミュレーション方法およびそれに用いる装置

Info

Publication number
JPH07281714A
JPH07281714A JP9364294A JP9364294A JPH07281714A JP H07281714 A JPH07281714 A JP H07281714A JP 9364294 A JP9364294 A JP 9364294A JP 9364294 A JP9364294 A JP 9364294A JP H07281714 A JPH07281714 A JP H07281714A
Authority
JP
Japan
Prior art keywords
neural network
section
output
mathematical expression
input
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
Application number
JP9364294A
Other languages
English (en)
Inventor
Yasumitsu Kurosaki
泰充 黒崎
Yuichi Miyamoto
裕一 宮本
Kenichi Yokoyama
賢一 横山
Kenji Yuasa
健司 湯浅
Kazumitsu Yamamoto
和充 山本
Shoji Murakami
昭二 村上
Susumu Hashidera
晋 橋寺
Yoshinobu Mori
芳信 森
Satoshi Kurosaka
聡 黒坂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kawasaki Heavy Industries Ltd
Original Assignee
Kawasaki Heavy Industries Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kawasaki Heavy Industries Ltd filed Critical Kawasaki Heavy Industries Ltd
Priority to JP9364294A priority Critical patent/JPH07281714A/ja
Publication of JPH07281714A publication Critical patent/JPH07281714A/ja
Pending legal-status Critical Current

Links

Landscapes

  • Testing And Monitoring For Control Systems (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

(57)【要約】 【目的】 厳密な数式モデルが得られない場合において
も、精度よくシミュレーションがなし得、またプラント
の経年変化にも追従でき、さらにプラントの改造に対し
てもさほどの労力を要することなくして対処できるシミ
ュレーション方法および装置を提供する。 【構成】 シミュレーション装置Ａを数式モデル部１と
ニューラルネットワーク部２との組合せにより構成し、
このニューラルネットワークの学習機能により、数式モ
デルの不充分な部分を補償するのもである。そのため、
数式モデルが簡略化されていたり、解析不充分な部分が
存在したとしても、精度よくシミュレーションがなし得
る。

Description

【発明の詳細な説明】
【０００１】
【産業上の利用分野】本発明はシミュレーション方法お
よびそれに用いる装置に関する。さらに詳しくは、ニュ
ーラルネットワークの学習機能を利用するシミュレーシ
ョン方法およびそれに用いる装置に関する。
【０００２】
【従来の技術】従来より、プラントの特性をエネルギー
バランス、モーメンタムバランス、マスバランス、燃焼
反応式、化学平衡式などを基本に蓄熱容量や側容量など
をも考慮して、非線形連立微分方程式群により数式モデ
ルに記述し、その微分方程式群をコンピュータにより解
析して、プラントの特性を模擬すること、いわゆるシミ
ュレーションがなされている。
【０００３】かかるシミュレーションにおいて高い精度
で推定を行うためには、数式モデルをプラントの実操業
状態にできる限りマッチさせる必要がある。しかしなが
ら、雑多な燃料がバラバラに投入されるようなごみ焼却
プラント等については、燃焼の際の反応を厳格に数式モ
デルで表現することは事実上不可能である。したがっ
て、数式モデルのみの改良によりシミュレーションにお
ける推定値の精度を向上させることには限界があるとい
う問題がある。
【０００４】また、かかるシミュレーションにおいて
は、数式モデルのパラメータ調整を行う必要があるが、
このパラメータ調整は、一般的には、シミュレーション
の実行とパラメータの修正を繰り返すことによりなされ
るため、その調整が煩雑になるという問題がある。その
際、分布系として扱う必要のあるごみ焼却プラントにお
いては、千から数千程度のパラメータの調整が必要にな
るために、試行錯誤的調整法では全てのパラメータを最
適に調整することは事実上不可能である。そのため、そ
の面からのシミュレーションにおける推定値の精度向上
に対する限界も存在する。
【０００５】さらに、プラントは運転年月が経過するに
したがってその特性が変化するので、経年変化に対処す
るためにパラメータの再調整が必要になるが、その作業
は前述のように煩雑であるとともに、多大の労力を投じ
ても最適に調整できないという問題もある。この場合、
経年変化の程度が大きければ、数式モデルを変更する必
要が生ずるが、これには後述するような問題もある。
【０００６】その上、プラントについては改造工事がな
されることもあり、その際にはその改造に対応させて数
式モデルを変更する必要が生ずるとともに、それにとも
なってシミュレーションプログラムも変更する必要が生
ずる。しかしながら、プラント納入後数年を経ていると
きには、設計者等の関係者が配置転換あるいは転職等が
なされていることも間々あり、そのシミュレーションプ
ログラムを作成した者が、そのプログラムの修正がなし
得ない場合も起こり得る。終身雇用性が崩壊しつつある
現在、かかる可能性は以前にまして大きくなっている。
かかる場合、新たにシミュレーションプログラムの修正
を担当する者は、既存のプログラムの解析から始めなけ
ればならず多大な労力を必要とする。それに加えて、シ
ミュレーションプログラムのように膨大なステップ数を
有するプログラムについては、作成者しかわからない部
分が間々存在する。そのため、最悪の場合には、プログ
ラムの解析がなし得ない部分もでてくる可能性がある。
かかる場合には、後任者はこの不明な部分について新た
に自分なりの設計思想によりプログラムを作成しなけれ
ばならず、改造に伴うプログラム変更作業がより一層煩
雑になる。しかも、このような多大な労苦の下に作成さ
れたプログラムを用いてシミュレーションを行う場合に
も、前述のパラメータ調整が必要となる。ところが、こ
のパラメータ調整にも、前述のような問題が生ずる。
【０００７】本発明者等は、シミュレーションにおける
パラメータ調整の際の労力の軽減を目的として、比較的
短時間に試行錯誤的手法によると同程度あるいは若干精
度よくパラメータ調整をなし得る遺伝的アルゴリズムに
よるシミュレーションにおけるパラメータ調整を行う手
法を既に提案している（Ｔ．ＩＥＥ Ｊａｐａｎ，Ｖｏ
ｌ．１１３−Ｄ，Ｎｏ．１２，１９９３，１４１０〜１
４１５ページ）。
【０００８】しかしながら、かかる手法においてもシミ
ュレーションによる推定値は数式モデルの解析精度に基
づく限界は依然として存在する。また、プラント経年変
化や改造等によるプラント特性の大幅な変化に対処する
ためにはプログラムの変更を行う必要があり、そのた
め、その変更の際における前記問題も依然として残存し
ている。
【０００９】
【発明が解決しようとする課題】本発明はかかる従来技
術の問題点に鑑みなされたものであって、厳密な数式モ
デルが得られない場合においても精度よくシミュレーシ
ョンがなし得、またプラントの経年変化にも追従でき、
さらにプラントの改造に対してもさほど労力を要するこ
となくして対処できるシミュレーション方法およびそれ
に用いる装置を提供することを目的としている。
【００１０】
【課題を解決するための手段】本発明者等はかかる従来
技術の問題点に鑑み鋭意研究した結果、学習能力があ
り、汎化能力（補間能力）があり、多変数非線形特性を
容易に実現でき、オンライン学習が可能であるニューラ
ルネットワークを数式モデルと組合わせれば、前記問題
を氷解できることを見出し本発明を完成するに至った。
【００１１】すなわち、本発明のシミュレーション方法
は、数式モデル部とニューラルネットワーク部とを備え
るシミュレーション装置を用いるものであって、数式モ
デル部により算出された状態量推定値をニューラルネッ
トワーク部により補償することを特徴とする。
【００１２】ここで、前記ニューラルネットワーク部に
おける学習は、まずオフラインによりなされ、例えばプ
ラントの経年変化等により推定精度が低下した場合に
は、オンラインにおいてもなされる。このニューラルネ
ットワーク部におけるニューラルネットワークは、入力
層と、少なくとも一層の中間層と、出力層とを備え、前
記入力層、中間層および出力層は複数の処理ユニットか
らなり、前記各処理ユニットは、前層および次層の間で
学習により定められる重み値を持ったリンクで結合され
るとともに、学習により定められるしきい値を持ったし
きい値関数を有するものである。
【００１３】また、前記ニューラルネットワーク部での
処理および状態量推定値の算出についての態様には次の
ようなものがある。
【００１４】まず第１に、前記数式モデル部から入力さ
れた状態量に基づいてなされ、その処理結果を状態量推
定値とするものである。
【００１５】第２に、操作量および前記数式モデル部か
ら入力された状態量に基づいてなされ、その処理結果を
状態量推定値とするものである。
【００１６】第３に、操作量に基づいてなされ、その処
理結果により前記数式モデル部の出力が補償され、その
補償された値が状態量推定値とされるものである。
【００１７】第４に、前記数式モデル部から入力された
状態量に基づいてなされ、その処理結果により前記数式
モデル部の出力が補償され、その補償された値を状態量
推定値とするものである。
【００１８】第５に、操作量および前記数式モデル部か
ら入力された状態量に基づいてなされ、その処理結果に
より前記数式モデル部の出力状態量が補償され、その補
償された値を状態量推定値とするものである。
【００１９】一方、本発明のシミュレーション装置は、
数式モデル部とニューラルネットワーク部とを備えるシ
ミュレーション装置であって、その構成の態様には次の
ようなものがある。ここで、ニューラルネットワーク部
におけるニューラルネットワークは、入力層と、少なく
とも一層の中間層と、出力層とを備え、前記入力層、中
間層および出力層は複数の処理ユニットからなり、前記
各処理ユニットは、前層および次層の間で学習により定
められる重み値を持ったリンクで結合されるとともに、
学習により定められるしきい値を持ったしきい値関数を
有するものである。
【００２０】まず第１に、操作量が前記数式モデル部に
入力され、前記数式モデル部の出力が前記ニューラルネ
ットワーク部に入力され、前記ニューラルネットワーク
部から状態量推定値が出力されてなるものである。
【００２１】第２に、操作量が前記数式モデル部および
前記ニューラルネットワーク部に入力され、前記ニュー
ラルネットワーク部にはさらに前記数式モデル部からの
出力も入力され、前記ニューラルネットワーク部から状
態量推定値が出力されてなるものである。
【００２２】第３に、操作量が前記数式モデル部および
前記ニューラルネットワーク部に入力され、前記数式モ
デル部から出力された状態量推定値が、前記ニューラル
ネットワーク部からの出力により補償されてなるもので
ある。
【００２３】第４に、操作量が前記数式モデル部に入力
され、前記数式モデル部の出力が前記ニューラルネット
ワーク部に入力され、前記数式モデル部から出力された
状態量推定値が、前記ニューラルネットワーク部からの
出力により補償されてなるものである。
【００２４】第５に、操作量が前記数式モデル部および
前記ニューラルネットワーク部に入力され、前記ニュー
ラルネットワーク部にはさらに前記数式モデル部からの
出力も入力され、前記数式モデル部から出力された状態
量推定値が、前記ニューラルネットワーク部からの出力
により補償されてなるものである。
【００２５】
【作用】本発明においては、数式モデルとニューラルネ
ットワークとを組合わせてシミュレーションを行ってい
るので、プラントの反応等において数式モデルで表現で
きない部分が存在したり、あるいは数式モデル作成のた
めに近似化した部分が存在したとしても、ニューラルネ
ットワークに学習を繰返させることにより、それらの部
分がニューラルネットワークにより補償されて精度よく
シミュレーションがなし得るようになる。
【００２６】また、プラントの経年変化やプラントの改
造等によりシミュレーション精度が低下した場合には、
ニューラルネットワークにオンラインによる学習を繰返
させることにより精度よくシミュレーションがなし得る
ようになる。そのため、プラントの経年変化やプラント
の改造等に対する対応が簡便になし得る。
【００２７】
【実施例】以下、添付図面を参照しながら実施例に基づ
いて本発明を説明するが、本発明はかかる実施例のみに
限定されるものではない。
【００２８】以下の説明の理解を容易にするために、ま
ずニューラルネットワークについて簡単に説明してお
く。
【００２９】図１にニューラルネットワークの基本構造
を示し、同ネットワークは入力層と中間層と出力層とか
ら構成されている。各層は複数の処理ユニットから構成
されており、各処理ユニットは次層および前層の間で学
習により定められる重み係数でもって結合されている。
各処理ユニットは前層からの入力の総和をとる加算器と
学習により定められるしきい値を持ったしきい値関数を
有している。このニューラルネットワークの学習におい
ては、入力パターン（教師入力）と目標出力パターン
（教師出力）対が提示される。この提示の直後に、ネッ
トワークの出力と目標出力との間の差が減少するように
重みとしきい値の調整がなされる。学習に際しては、入
力パターンと目標パターンの対の集合である学習用集合
を用い、ネットワークにはこれを繰返し提示する。この
学習が終了すると、ネットワークの動作テストがなされ
る。
【００３０】この学習においては、順伝搬ステップとそ
の後に実行される逆伝搬ステップとがある。この順伝搬
ステップおよび逆伝搬ステップはいずれも学習中にパタ
ーンの提示がなされるたびに実行される。順伝搬ステッ
プは、ネットワークの入力層への入力パターンの提示で
始まり、活性レベルの計算が中間層を通じて順伝搬して
いく間継続する。それぞれの層の全ての処理ユニット
（図１では〇印で示す）は、入力の総和を求めしきい値
関数により出力を計算する。それからユニットの出力層
がネットワークの出力を行う。
【００３１】ネットワークの出力パターンと目標出力パ
ターンとの比較がなされ、それに差異があるときに逆伝
搬ステップが開始される。逆伝搬ステップでは、各層の
ユニットのしきい値と重みの変化分の計算がなされる
が、これを出力層から始めて中間層へと順番に逆方向に
たどっていく。この逆伝搬ステップでは、ネットワーク
は観測された差異が減少されるように重みとしきい値の
調整がなされる。
【００３２】このような学習がなされるので、ネットワ
ークからの出力パターンは基本的には、最終的に目標出
力パターンに概ね一致するようになる。
【００３３】なお、本発明においては、入力パターン
（教師入力）としては、操作量や数式モデル部からの出
力あるいはそれらを組合せたものが適宜用いられ、また
目標出力パターン（教師出力）としては、実機からの状
態量や数式モデル部からの状態量推定値が適宜用いられ
る（図２参照）。
【００３４】以下、本発明の構成について説明する。
【００３５】図３に、本発明の第１態様にかかわるシミ
ュレーション装置Ａのブロック図を示す。この第１態様
のシミュレーション装置Ａは、入力部と数式モデル部１
とニューラルネットワーク部２と出力部とを備えてなる
ものである。そして、入力部から操作量が数式モデル部
１に入力され、ついで数式モデル部１の出力がニューラ
ルネットワーク部２に入力され、しかるのちニューラル
ネットワーク部２からの出力が出力部に入力される。し
かして、出力部はこれを状態量推定値として出力する。
【００３６】なお、この数式モデル部１およびニューラ
ルネットワーク部２は、具体的には、例えばコンピュー
タにそれに対応させたプログラムを格納することにより
構成される。
【００３７】このように、この第１態様においてはニュ
ーラルネットワーク部２の入力が数式モデル部１からの
出力であり、またその出力が状態量推定値であるため
に、ニューラルネットワークの学習では、数式モデル部
１からの出力が入力パターンとして用いられ、また実機
の状態量が目標出力パターンとして用いられる。
【００３８】しかして、このニューラルネットワーク
は、前記入力パターン（教師入力）および目標出力パタ
ーン（教師出力）により学習が繰返されて、その出力パ
ターンが妥当と判断されると、実地テストがなされる。
この実地テストにおいて出力された状態量推定値が運転
データとマッチすると判断されると実用段階に移行され
る。その逆に、マッチしないと判断されると、追加の入
力パターンおよび目標出力パターンが作成されて、それ
により追加の学習がなされる。そして、それにより状態
量推定値が、運転データにマッチするようになったと判
断されると、実用段階に移行される。なお、このことは
以下の各態様においても同様である。
【００３９】図４に、本発明の第２態様にかかわるシミ
ュレーション装置Ａのブロック図を示す。この第２態様
のシミュレーション装置Ａは、入力部と数式モデル部１
とニューラルネットワーク部２と出力部とを備えてなる
ものである。そして、入力部から操作量が数式モデル部
１およびニューラルネットワーク部２に入力され、そし
てさらに数式モデル部１の出力もニューラルネットワー
ク部２に入力され、しかるのちニューラルネットワーク
部２からの出力が出力部に入力される。しかして、出力
部はこのニューラルネットワーク部２から入力を状態量
推定値として出力する。
【００４０】このように、この第２態様においてはニュ
ーラルネットワーク部２の入力が状態量および数式モデ
ル部１からの出力であり、またその出力が状態量推定値
であるために、ニューラルネットワークの学習では、操
作量および数式モデル部１からの出力が入力パターンと
して用いられ、また実機の状態量が目標出力パターンと
して用いられる。
【００４１】図５に、本発明の第３態様にかかわるシミ
ュレーション装置Ａのブロック図を示す。この第３態様
のシミュレーション装置Ａは、入力部と数式モデル部１
とニューラルネットワーク部２と出力部とを備えてなる
ものである。そして、入力部から操作量が数式モデル部
１およびニューラルネットワーク部２に入力され、つい
で数式モデル部１の出力がニューラルネットワーク部２
からの出力により補償されて出力部に入力される。しか
して、出力部はこの補償された値をこれを状態量推定値
として出力する。
【００４２】このように、この第３態様においてはニュ
ーラルネットワーク部２の入力が操作量であり、またそ
の出力により状態量推定値が補償されるために、ニュー
ラルネットワークの学習では、操作量が入力パターンと
して用いられ、また数式モデルによる状態量推定値と実
機の状態量の差異が目標出力パターンとして用いられ
る。
【００４３】図６に、本発明の第４態様にかかわるシミ
ュレーション装置Ａのブロック図を示す。この第４態様
のシミュレーション装置Ａは、入力部と数式モデル部１
とニューラルネットワーク部２と出力部とを備えてなる
ものである。そして、入力部から操作量が数式モデル部
１に入力され、ついで数式モデル部１の出力がニューラ
ルネットワーク部２に入力され、しかるのち数式モデル
部１からの出力がニューラルネットワーク部２からの出
力により補償されて出力部に入力される。しかして、出
力部はこの補償された値を状態量推定値として出力す
る。
【００４４】このように、この第４態様においてはニュ
ーラルネットワーク部２の入力が数式モデル部１からの
出力であり、またその出力により状態量推定値が補償さ
れるために、ニューラルネットワークの学習では、数式
モデル部１からの出力が入力パターンとして用いられ、
また数式モデルによる状態量推定値と実機の状態量の差
異が目標出力パターンとして用いられる。
【００４５】図７に、本発明の第５態様にかかわるシミ
ュレーション装置Ａのブロック図を示す。この第５態様
のシミュレーション装置Ａは、入力部と数式モデル部１
とニューラルネットワーク部２と出力部とを備えてなる
ものである。そして、入力部から操作量が数式モデル部
１およびニューラルネットワーク部２に入力され、さら
に数式モデル部１の出力がニューラルネットワーク部２
に入力され、しかるのち数式モデル部１からの出力がニ
ューラルネットワーク部２からの出力により補償されて
出力部に入力される。しかして、出力部はこの補償され
た値を状態量推定値として出力する。
【００４６】このように、この第５態様においてはニュ
ーラルネットワーク部２の入力が操作量および数式モデ
ル部１からの出力であり、またその出力により状態量推
定値が補償されるために、ニューラルネットワークの学
習では、操作量および数式モデル部１からの出力が入力
パターンとして用いられ、また数式モデルによる状態量
推定値と実機の状態量の差異が目標出力パターンとして
用いられる。
【００４７】図８は本発明をプラントのシミュレーショ
ンに適用した場合を模式図的に示したものである。
【００４８】なお、これら各態様のプラントの適用にあ
たっては、学習後のニューラルネットワークの汎化機能
（補間機能）を有効に機能させるためには、ニューラル
ネットワークの入出力間にある相関が存在しなければな
らない関係上、プラントの特性および数式モデルの特性
を適宜勘案して、それにマッチした態様を選択するのが
好ましい。例えば、数式モデルによる状態量推定値と実
機の状態量との差異が、数式モデルによる状態量推定値
と最も相関が強い場合には、第４態様が選択されるのが
好ましい。
【００４９】次に、より具体的な実施例に基づいて本発
明をより詳細に説明する。なお、本実施例は、本発明の
第４態様をごみ焼却プラントのシミュレーションに適用
したものである。
【００５０】実施例および比較例 図９に本実施例のニューラルネットワーク部２に用いら
れるニューラルネットワークの概略図を示し、このニュ
ーラルネットワークの入力部には、数式モデル部１によ
り算出された主蒸気流量（Ｘ１）、炉内ガス温度（Ｘ
２）およびドラム圧力（Ｘ３）が時系列的に入力され、
出力部からは主蒸気流量（Ｙ１）、炉内ガス温度（Ｙ
２）およびドラム圧力（Ｙ３）の現時点の補償量が出力
される。なお、図では明瞭には示されていないが、入力
層の各処理ユニットは中間層の全ての処理ユニットと接
続され、また中間層の各処理ユニットは出力層の全ての
処理ユニットと接続されている。図１０には、このニュ
ーラルネットワークの入出力関係が時間軸を横軸にとっ
て示されている。なお、入力部における（ｔ−ｎ）はｎ
時刻前を示し、出力部における（ｔ）は現時点を示す。
【００５１】本実施例のニューラルネットワークに１０
０回学習させた後、このごみ焼却プラントのシミュレー
ションを行った。その結果を図１１に点線で示す。な
お。図１１における実線は実機データを示す。図１１よ
り明らかなように、主蒸気流量、炉内ガス温度およびド
ラム圧力ともに精度よくシミュレーションされているの
がわかる。
【００５２】次に、本実施例のニューラルネットワーク
に１０００回学習させた後、このごみ焼却プラントのシ
ミュレーションを行った。その結果を図１２に点線で示
す。なお。図１２における実線は実機データを示す。図
１２より明らかなように、主蒸気流量、炉内ガス温度お
よびドラム圧力ともに極めて精度よくシミュレーション
されているのがわかる。
【００５３】なお、比較のためにニューラルネットワー
ク部２を用いず数式モデル部１のみによりシミュレーシ
ョンを行った。その結果を図１３に点線で示す。なお、
図１３における実線は実機データを示す。図１３より明
らかなように、シミュレーション精度が悪いのがわか
る。
【００５４】このように、本実施例においては、ニュー
ラルネットワークを有するニューラルネットワーク部を
用いてシミュレーション装置を構成しているので、その
学習を繰返し実施することにより、極めて精度よくシミ
ュレーションできるのがわかる。
【００５５】
【発明の効果】以上説明してきたように、本発明におい
ては、数式モデル部とニューラルネットワーク部とを組
合せてシミュレーション装置を構成してシミュレーショ
ンを行っているので、プラントの反応等において数式モ
デルで表現できない部分が存在したり、数式モデル作成
のために近似化したりした部分が存在したとしても、ニ
ューラルネットワークに対して適当な回数学習させるこ
とにより、それらがニューラルネットワークにより補償
されて精度よくシミュレーションがなし得るという優れ
た効果が得られる。
【００５６】また、本発明によれば、プラントの経年変
化やプラントの改造等によりシミュレーション精度が低
下しても、ニューラルネットワークにオンラインで学習
させることにより、精度を回復させることができるとい
う優れた効果も得られる。そのため、プラント稼動後の
シミュレーション装置の保守が簡素化される。
【００５７】さらに、プラントの反応等に解析されてい
ない部分や数式モデルの作成に際して近似化した部分が
存在しても精度よくシミュレーションできるので、数式
モデル作成に要する労力を軽減することができるという
優れた効果も得られる。
【図面の簡単な説明】
【図１】ニューラルネットワークの説明図である。
【図２】ニューラルネットワークにおける学習の説明図
である。
【図３】本発明の第１態様のブロック図ある。
【図４】本発明の第２態様のブロック図ある。
【図５】本発明の第３態様のブロック図ある。
【図６】本発明の第４態様のブロック図ある。
【図７】本発明の第５態様のブロック図ある。
【図８】本発明におけるシミュレーションの概念図であ
る。
【図９】本発明の実施例に用いられるニューラルネット
ワークの説明図である。
【図１０】同ニューラルネットワークにおける入力と出
力の関係を示す説明図である。
【図１１】同実施例においてニューラルネットワークに
１００回学習させた後のシミュレーション結果を示すグ
ラフである。
【図１２】同実施例においてニューラルネットワークに
１０００回学習させた後のシミュレーション結果を示す
グラフである。
【図１３】比較例におけるシミュレーション結果を示す
グラフである。
【符号の説明】
１ 数式モデル部 ２ ニューラルネットワーク部 Ａ シミュレーション装置
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.6 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｇ０６Ｆ 17/00 Ｇ０６Ｇ 7/60 (72)発明者 横山 賢一 神戸市中央区東川崎町１丁目１番３号 川 崎重工業株式会社神戸本社内 (72)発明者 湯浅 健司 神戸市中央区東川崎町１丁目１番３号 川 崎重工業株式会社神戸本社内 (72)発明者 山本 和充 明石市川崎町１番１号 川崎重工業株式会 社明石工場内 (72)発明者 村上 昭二 明石市川崎町１番１号 川崎重工業株式会 社明石工場内 (72)発明者 橋寺 晋 明石市川崎町１番１号 川崎重工業株式会 社明石工場内 (72)発明者 森 芳信 明石市川崎町１番１号 川崎重工業株式会 社明石工場内 (72)発明者 黒坂 聡 神戸市中央区東川崎町１丁目１番３号 川 崎重工業株式会社神戸本社内

Claims (15)

    【特許請求の範囲】
  1. 【請求項１】 数式モデル部とニューラルネットワーク
    部とを備えるシミュレーション装置を用いるものであっ
    て、数式モデル部により算出された状態量推定値をニュ
    ーラルネットワーク部により補償することを特徴とする
    シミュレーション方法。
  2. 【請求項２】 前記ニューラルネットワーク部の学習が
    オフラインによりなされることを特徴とする請求項１記
    載のシミュレーション方法。
  3. 【請求項３】 前記ニューラルネットワーク部の学習が
    オンラインにおいてもなされることを特徴とする請求項
    ２記載のシミュレーション方法。
  4. 【請求項４】 前記ニューラルネットワーク部のニュー
    ラルネットワークが、入力層と、少なくとも一層の中間
    層と、出力層とを備え、前記入力層、中間層および出力
    層は複数の処理ユニットからなり、前記各処理ユニット
    は、前層および次層の間で学習により定められる重み値
    を持ったリンクで結合されるとともに、学習により定め
    られるしきい値を持ったしきい値関数を有することを特
    徴とする請求項１、２または３記載のシミュレーション
    方法。
  5. 【請求項５】 前記ニューラルネットワーク部での処理
    が、前記数式モデル部から入力された状態量に基づいて
    なされ、その処理結果を状態量推定値とすることを特徴
    とする請求項１、２、３または４記載のシミュレーショ
    ン方法。
  6. 【請求項６】 前記ニューラルネットワーク部での処理
    が、操作量および前記数式モデル部から入力された状態
    量に基づいてなされ、その処理結果を状態量推定値とす
    ることを特徴とする請求項１、２、３または４記載のシ
    ミュレーション方法。
  7. 【請求項７】 前記ニューラルネットワーク部での処理
    が、操作量に基づいてなされ、その処理結果により前記
    数式モデル部の出力が補償され、その補償された値が状
    態量推定値とされることを特徴とする請求項１、２、３
    または４記載のシミュレーション方法。
  8. 【請求項８】 前記ニューラルネットワーク部での処理
    が前記数式モデル部から入力された状態量に基づいてな
    され、その処理結果により前記数式モデル部の出力状態
    量が補償され、その補償された値が状態量推定値とされ
    ることを特徴とする請求項１、２、３または４記載のシ
    ミュレーション方法。
  9. 【請求項９】 前記ニューラルネットワーク部での処理
    が操作量および前記数式モデル部から入力された状態量
    に基づいてなされ、その処理結果により前記数式モデル
    部の出力状態量が補償され、その補償された値が状態量
    推定値とされることを特徴とする請求項１、２、３また
    は４記載のシミュレーション方法。
  10. 【請求項１０】 数式モデル部とニューラルネットワー
    ク部とを備えるシミュレーション装置であって、操作量
    が前記数式モデル部に入力され、前記数式モデル部の出
    力が前記ニューラルネットワーク部に入力され、前記ニ
    ューラルネットワーク部から状態量推定値が出力されて
    なることを特徴とするシミュレーション装置。
  11. 【請求項１１】 数式モデル部とニューラルネットワー
    ク部とを備えるシミュレーション装置であって、操作量
    が前記数式モデル部および前記ニューラルネットワーク
    部に入力され、前記ニューラルネットワーク部には、さ
    らに前記数式モデル部からの出力も入力され、前記ニュ
    ーラルネットワーク部から状態量推定値が出力されてな
    ることを特徴とするシミュレーション装置。
  12. 【請求項１２】 数式モデル部とニューラルネットワー
    ク部とを備えるシミュレーション装置であって、操作量
    が前記数式モデル部および前記ニューラルネットワーク
    部に入力され、前記数式モデル部から出力された状態量
    推定値が、前記ニューラルネットワーク部からの出力に
    より補償されてなることを特徴とするシミュレーション
    装置。
  13. 【請求項１３】 数式モデル部とニューラルネットワー
    ク部とを備えるシミュレーション装置であって、操作量
    が前記数式モデル部に入力され、前記数式モデル部の出
    力が前記ニューラルネットワーク部に入力され、前記数
    式モデル部から出力された状態量推定値が、前記ニュー
    ラルネットワーク部からの出力により補償されてなるこ
    とを特徴とするシミュレーション装置。
  14. 【請求項１４】 数式モデル部とニューラルネットワー
    ク部とを備えるシミュレーション装置であって、操作量
    が前記数式モデル部および前記ニューラルネットワーク
    部に入力され、前記ニューラルネットワーク部には、さ
    らに前記数式モデル部からの出力も入力され、前記数式
    モデル部から出力された状態量推定値が、前記ニューラ
    ルネットワーク部からの出力により補償されてなること
    を特徴とするシミュレーション装置。
  15. 【請求項１５】 前記ニューラルネットワーク部のニュ
    ーラルネットワークが、入力層と、少なくとも一層の中
    間層と、出力層とを備え、前記入力層、中間層および出
    力層は複数の処理ユニットからなり、前記各処理ユニッ
    トは、前層および次層の間で学習により定められる重み
    値を持ったリンクで結合されるとともに、学習により定
    められるしきい値を持ったしきい値関数を有することを
    特徴とする請求項１０、１１、１２または１４記載のシ
    ミュレーション装置。
JP9364294A 1994-04-06 1994-04-06 シミュレーション方法およびそれに用いる装置 Pending JPH07281714A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP9364294A JPH07281714A (ja) 1994-04-06 1994-04-06 シミュレーション方法およびそれに用いる装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP9364294A JPH07281714A (ja) 1994-04-06 1994-04-06 シミュレーション方法およびそれに用いる装置

Publications (1)

Publication Number Publication Date
JPH07281714A true JPH07281714A (ja) 1995-10-27

Family

ID=14088025

Family Applications (1)

Application Number Title Priority Date Filing Date
JP9364294A Pending JPH07281714A (ja) 1994-04-06 1994-04-06 シミュレーション方法およびそれに用いる装置

Country Status (1)

Country Link
JP (1) JPH07281714A (ja)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11212947A (ja) * 1998-01-26 1999-08-06 Chugoku Electric Power Co Inc:The 時系列データ予測方法および装置
JP2002132304A (ja) * 2000-10-27 2002-05-10 Mitsubishi Chemicals Corp モデル構築方法及びプラント制御方法
JP2007264796A (ja) * 2006-03-27 2007-10-11 Hitachi Ltd プラント制御方法及びプラント制御装置
JP2011141798A (ja) * 2010-01-08 2011-07-21 Yokogawa Electric Corp プラントシミュレータ
US8874411B2 (en) 2009-12-15 2014-10-28 International Business Machines Corporation Processing system, method, and program for modeling system
WO2017168758A1 (ja) * 2016-04-01 2017-10-05 株式会社日立製作所 モデリング装置
WO2018181020A1 (ja) * 2017-03-29 2018-10-04 三菱重工業株式会社 予兆検知システム及び予兆検知方法
WO2019098158A1 (ja) * 2017-11-14 2019-05-23 千代田化工建設株式会社 プラント管理システム及び管理装置
JP2022505008A (ja) * 2018-08-14 2022-01-14 シーメンス アクチエンゲゼルシヤフト 機械の残存耐用寿命を予測するための装置および方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11212947A (ja) * 1998-01-26 1999-08-06 Chugoku Electric Power Co Inc:The 時系列データ予測方法および装置
JP2002132304A (ja) * 2000-10-27 2002-05-10 Mitsubishi Chemicals Corp モデル構築方法及びプラント制御方法
JP2007264796A (ja) * 2006-03-27 2007-10-11 Hitachi Ltd プラント制御方法及びプラント制御装置
JP4585983B2 (ja) * 2006-03-27 2010-11-24 株式会社日立製作所 プラント制御方法及びプラント制御装置
US8874411B2 (en) 2009-12-15 2014-10-28 International Business Machines Corporation Processing system, method, and program for modeling system
JP2011141798A (ja) * 2010-01-08 2011-07-21 Yokogawa Electric Corp プラントシミュレータ
WO2017168758A1 (ja) * 2016-04-01 2017-10-05 株式会社日立製作所 モデリング装置
JPWO2017168758A1 (ja) * 2016-04-01 2018-11-01 株式会社日立製作所 モデリング装置
WO2018181020A1 (ja) * 2017-03-29 2018-10-04 三菱重工業株式会社 予兆検知システム及び予兆検知方法
US11048245B2 (en) 2017-03-29 2021-06-29 Mitsubishi Heavy Industries, Ltd. Indicator detection system and indicator detection method
WO2019098158A1 (ja) * 2017-11-14 2019-05-23 千代田化工建設株式会社 プラント管理システム及び管理装置
JP2019091206A (ja) * 2017-11-14 2019-06-13 千代田化工建設株式会社 プラント管理システム及び管理装置
CN111133390A (zh) * 2017-11-14 2020-05-08 千代田化工建设株式会社 工厂管理系统和管理装置
US11531326B2 (en) 2017-11-14 2022-12-20 Chiyoda Corporation Plant management system and management device
JP2022505008A (ja) * 2018-08-14 2022-01-14 シーメンス アクチエンゲゼルシヤフト 機械の残存耐用寿命を予測するための装置および方法

Similar Documents

Publication Publication Date Title
US7058617B1 (en) Method and apparatus for training a system model with gain constraints
US7536364B2 (en) Method and system for performing model-based multi-objective asset optimization and decision-making
EP0540168B1 (en) Simulator using a neural network
JPH07281714A (ja) シミュレーション方法およびそれに用いる装置
JP4166637B2 (ja) プロセス制御装置の調整方法及びその調整ツール
CN111001660B (zh) 控制装置以及控制方法
Mezgár et al. Design and real-time reconfiguration of robust manufacturing systems by using design of experiments and artificial neural networks
JP2847468B2 (ja) ごみ焼却炉のごみ性状推定方法および推定装置
JP2023076513A5 (ja)
Shao et al. Developing identification techniques with the integrated use of SPC/EPC and neural networks
Flood et al. An artificial neural network approach to discrete-event simulation
Lewis et al. Modeling subsystem interactions: a game theoretic approach
CN110796243A (zh) 一种连续型运行监测数据模拟发生方法及装置
Machado et al. SBSTFrame: A framework to search-based software testing
Dormido et al. Interactive learning of constrained generalized predictive control
Babuška et al. Laboratory evaluation of fuzzy controllers
CN111781821B (zh) SISO紧格式无模型控制器基于Attention机制循环神经网络的参数自整定方法
JP2001188602A (ja) 排気ガス制御システム
CN113569898B (zh) 基于bp神经网络的水质模型参数反演分析方法及系统
JP4155508B2 (ja) 制御装置の制御パラメータ調整方法
Escudero et al. Adaptive linearization for nonlinear systems using continuous Neural Networks
Salih et al. Neuro-evolution-based generic missile guidance law for many-scenarios
Anghel et al. Study of iterations in the design process of a product for automotive industry
Bettouche The Design of Compensators based on Root Locus Method using Artificial Neural Networks
JP2022157893A (ja) エンジン制御装置、方法、およびプログラム

Legal Events

Date Code Title Description
A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20030520