JPH086646A - ブレンダー最適制御システム - Google Patents

Abstract

(57)【要約】 【目的】 取り扱いが簡単であると共に、品質推定及び
制御を合理的且つ最適・最速に運用し得る安価なブレン
ダー最適制御システムを提供すること。 【構成】 ブレンダー最適制御システム１００では、混
合品質推定部１が各種基材Ａ，Ｂ，Ｃに関する性状品質
及び混合比率を入力してニューラルネットワークで所定
の製品の仮品質を推定し、最安価混合比率探索部２が予
め定めた所定の制約事項に従って遺伝的アルゴリズムに
より最安価混合比率を探索する。製品品質推定部３で
は、分析部６からの分析データに応じて所定の製品に関
する実品質をニューラルネットワークで推定し、品質制
御部４では、実品質の推定結果と最安価混合比率とにお
ける差分を修正制御する。品質推定システム構築部５
は、各種基材Ａ，Ｂ，Ｃに関する性状品質及び混合比率
と実品質の推定結果とを入力し，実品質の推定結果を教
師データとして学習し、この結果に基づいて混合品質推
定部１を制御する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、数種類の基材を混合し
て所定の製品を製造する生産ラインにおいて、基材の混
合状態を制御するブレンダー最適制御システムに関す
る。

【０００２】

【従来の技術】従来、この種のブレンダー最適制御シス
テムにおいて、生産ラインで混合される基材の品質を推
定する場合には回帰分析等が用いられている。この回帰
分析は、例えばオペレータがパソコン等を用いてビーカ
テストを数多く行った結果のデータに基づいて、経験的
判断や試行錯誤的に得たパラメータをモデル式に導入す
ることによって、統計的処理が行われるものである。

【０００３】

【発明が解決しようとする課題】上述したブレンダー最
適制御システムのように品質推定を回帰分析によって行
うと、新しい基材が追加されたり、或いは品質の変更が
ある度、モデル式を構築し直さなければならないが、こ
のモデル式の構築が熟練したオペレータでなければ対処
に難しく、容易に取り扱うことができないという管理運
用面での問題がある。

【０００４】又、モデル式のパラメータを修正する場合
には平均値や前回の結果を参照する必要があるが、混合
される基材の品質推定は本質的に論理性が無いため、パ
ラメータの修正に多大な労力と時間がかかるという問題
がある。

【０００５】更に、このようなブレンダー最適制御シス
テムの場合、モデル式の精度が優れず、特に生産計画時
の推定処理には無駄が多い上、生産時にも最適計算の精
度が悪くなって制御の制定時間が長くなり、実運転が困
難になり易いという問題がある。

【０００６】要するに、従来のブレンダー最適制御シス
テムは、無駄が多くて不合理であり、コスト的にも割高
であるという欠点がある。本発明は、かかる問題点を解
消すべくなされたもので、その技術的課題は、取り扱い
が簡単であると共に、品質推定を合理的且つ安定的に運
用し得る安価なブレンダー最適制御システムを提供する
ことにある。

【０００７】

【課題を解決するための手段】本発明は前記課題を解決
するため、数種類の基材を混合して所定の製品を製造す
る生産ラインにおける該数種類の基材の混合状態を制御
するブレンダー最適制御システムにおいて、以下の手段
を採用した。

【０００８】（１） すなわち、前記数種類の基材に関
する性状品質及び混合比率を入力し、前記所定の製品に
関する仮品質をニューラルネットワークを用いて推定す
る混合品質推定手段と、予め定めた所定の制約事項に従
って、遺伝的アルゴリズムにより最も安価な製品を製造
可能にする最適混合比率を探索し、該最適混合比率を前
記混合品質推定手段へと伝送する最適混合比率探索手段
と、を備えてブレンダー最適制御システムとした。

【０００９】（２） この（１）において、更に、イン
ラインで前記生産ラインにおける前記所定の製品に関す
る実品質を分析計測して実品質の分析データを出力する
分析手段と、前記分析データに応じて前記実品質をニュ
ーラルネットワークを用いて推定する製品品質推定手段
と、備えることが可能である。

【００１０】（３） さらに、（２）において、前記製
品品質推定手段で得た実品質の推定結果と、前記混合品
質推定手段により推定した仮品質の推定結果との差分を
修正制御する品質制御手段を備えたことも可能である。

【００１１】（４） （２）または（３）のいずれかに
おいて、前記数種類の基材に関する性状品質及び混合比
率を入力するとともに、製品品質推定手段で得た実品質
の推定結果を教師データとし、教師データに従ってネッ
トワーク係数の重みを更新して学習するニューラルネッ
トワーク学習機能を有し、該ニューラルネットワーク学
習機能におけるニューラルネットワーク係数を前記混合
品質推定手段へ伝送する品質推定システム構築手段を備
えるようにしてもよい。

【００１２】（５） そして、（４）において、前記混
合品質推定手段、前記最適混合比率探索手段、前記製品
品質推定手段、前記品質制御手段、及び前記品質推定シ
ステム構築手段は、生産時には前記分析手段を介してオ
ンラインで連動するようにすることが可能である。

【００１３】

【作用】本発明では、混合品質推定手段により、数種類
の基材に関する性状品質及び混合比率を入力し、所定の
製品に関する仮品質をニューラルネットワークを用いて
あらかじめ推定しておく。また、最適混合比率探索手段
により、予め定めた所定の制約事項に従って、遺伝的ア
ルゴリズムにより最も安価な製品を製造可能にする最適
混合比率を探索する。結果は、該最適混合比率を混合品
質推定手段及び生産ラインへ伝送するとよい。

【００１４】このブレンダー最適制御システムにおい
て、混合品質推定手段及び最適混合比率探索手段は、生
産計画時にはオフラインで連動する。更に、製品品質推
定手段では、分析手段による分析データに応じて実品質
をニューラルネットワークを用いて推定することが可能
である。

【００１５】さらに、実品質の推定結果を参照して仮品
質の推定結果との差分を修正制御する品質制御手段によ
れば、より確実な製品の製造に寄与する。また、数種類
の基材に関する性状品質及び混合比率を入力し、実品質
の推定結果を教師データとして学習するニューラルネッ
トワーク学習機能によれば、より実品質に近い製品のブ
レンドを得ることができる。

【００１６】このようなニューラルネットワークで予め
推定した運転条件に従って、システムを運転することと
なるが、その際は、混合品質推定手段、最適混合比率探
索手段、製品品質推定手段、品質制御手段、及び品質推
定システム構築手段は、生産時には分析手段を介してオ
ンラインで連動して運転する。

【００１７】

【実施例】以下に実施例を挙げ、本発明のブレンダー最
適制御システムについて、図面を参照して詳細に説明す
る。

【００１８】図１は、本発明の一実施例に係るブレンダ
ー最適制御システムの基本構成をブロック図により示し
たものである。このブレンダー最適制御システム１００
は、各種基材Ａ、Ｂ、Ｃに関する性状品質及び混合比率
を入力し、所定の製品の仮品質をニューラルネットワー
クを用いて推定する混合品質推定部１と、予め定めた所
定の制約事項に従って、すなわち、混合品質推定部１で
得られた解の内、ある制約条件に合致する混合比率の中
から、遺伝的アルゴリズムにより最も安価な製品を製造
可能にする最適混合比率を探索する最適混合比率探索部
２とを備えている。

【００１９】最適混合比率探索部２は、最適混合比率を
混合品質推定部１へと伝送するとともに各生産ラインＬ
１、Ｌ２、Ｌ３の流量制御部へと伝送する。生産ライン
の流量制御部では最適混合比率に従って、基材の流量を
変更する。

【００２０】又、このブレンダー最適制御システム１０
０は、(1) インラインで各生産ラインＬ１、Ｌ２、Ｌ３
における所定の製品に関する実品質を分析計測して実品
質の分析データを出力する分析部６と、(2) 分析データ
に応じて実品質をニューラルネットワークを用いて推定
する製品品質推定部３と、(3) 製品品質推定部３による
実品質の推定結果を参照して前記混合品質推定部１によ
る仮品質の推定結果との差分を修正制御する品質制御部
４と、(4) 各種基材Ａ、Ｂ、Ｃに関する性状品質及び混
合比率を入力し、製品品質推定部３による実品質の推定
結果を教師データとして学習するニューラルネットワー
ク学習機能を有すると共に、ニューラルネットワーク学
習機能におけるニューラルネットワーク係数を混合品質
推定部１へ伝送する品質推定システム構築部５とを備え
ている。

【００２１】更に、ブレンダー最適制御システム１００
における各部、即ち、混合品質推定部１、最適混合比率
探索部２、製品品質推定部３、品質制御部４、品質推定
システム構築部５及び分析部６は、何れも生産時にはオ
ンラインで連動するが、混合品質推定部１及び最適混合
比率探索部２に関しては生産計画時にはオフラインで単
独に連動する。

【００２２】このうち、混合品質推定部１は、初期的に
は各種基材Ａ、Ｂ、Ｃに関する性状品質及び混合比率に
基づいて仮品質をニューラルネットワークを用いて推定
するが、運転時には最適混合比率探索部２から最適混合
比率が伝送されるため、最適混合比率に基づく仮品質を
推定する。

【００２３】又、混合品質推定部１は、最適混合比率に
基づく仮品質（但し、後述する比重ＤＥＮ、リード蒸気
圧ＲＶＰ、リサーチ法オクタン価ＲＯＮを除く）を最適
混合比率探索部２へ伝送すると共に、最適混合比率に基
づく仮品質（ＤＥＮ、ＲＶＰ、ＲＯＮ）を品質制御部４
へ伝送（但し、オフライン時には最適混合比率探索部２
へ伝送）する。比重ＤＥＮ、リード蒸気圧ＲＶＰ、リサ
ーチ法オクタン価ＲＯＮの扱いを他の扱いと異なるよう
にしたのは、これらについては、分析計があるので、品
質推定システムと分析部との間の誤差をバイアスとし、
このバイアスを加えたもので最適ブレンド比の探索を行
うからである。

【００２４】又、最適混合比率探索部２は、混合品質推
定部１で得られた解の内、ある制約条件に合致する混合
比率の中から、遺伝的アルゴリズム（Ｇｅｎｅｔｉｃ−
Ａｌｇｏｒｉｔｈｍ：以下、ＧＡと呼ぶ）の淘汰及び遺
伝子操作により最も安価な製品の混合比率を探索する。
そして、混合品質推定部１に対して制約条件内の最適混
合比率を指示する。さらに、このとき品質制御部４から
の修正品質及び混合品質推定部１から受けた仮品質の推
定結果が所定の制約事項の条件下にあるか否かを判定す
ると共に、条件下にあれば製品価格を計算することによ
ってＧＡの評価を行う。このような手順を繰り返すこと
で最適混合比率を探索して決定し、又、最適混合比率探
索部２は、最適混合比率に基づく仮品質（ＤＥＮ、ＲＶ
Ｐ、ＲＯＮ）を品質制御部４へ伝送する。

【００２５】更に、製品品質推定部３は、ガスクロマト
グラフィ分析計等の分析部６で分析計測された分析デー
タに応じてニューラルネットワークを用いて実品質を推
定し、その結果を品質制御部４及び品質推定システム構
築部５へ伝送する。

【００２６】品質制御部４は、製品品質推定部３から受
けた実品質の推定値の平均値と最適混合比率探索部２か
ら受けた最適混合比率に基づく仮品質の推定値との差値
を算出し、混合品質推定部１から受けた仮品質の推定値
にここでの差値を加算することで差分の修正制御を行っ
た上で最適混合比率探索部２へ伝送する。これを受けた
最適混合比率探索部２は、その最適混合比率を各生産ラ
インＬ１、Ｌ２、Ｌ３の流量制御部へ伝送する。

【００２７】品質推定システム構築部５は、製品品質推
定部３による実品質の推定結果を教師データとして学習
すると共に、ニューラルネットワーク学習機能における
ニューラルネットワーク係数の重みを更新し、その結果
を混合品質推定部１へ伝送する。

【００２８】以下には、このブレンダー最適制御システ
ムにおける各部の機能を具体的に説明する。混合品質推
定部１は、例えば図２に示すように、入力値が正規化さ
れたデータ（符号ＳＥＩで示す）として与えられる８１
個の入力ニューロンＳＥＩＸ₁ 〜ＳＥＩＸ₈₁（入力層）
と、１５個の中間値を示す中間ニューロンＹ₁ 〜Ｙ
₁₅（中間層）と、正規化されたデータ（符号ＳＥＩで示
す）を出力する１１個の出力ニューロンＺ₁ 〜Ｚ₁₁（出
力層）とから成っている。

【００２９】ニューラルネットワークは、入力層に与え
られた信号が各層間の結合の重みによって変換されなが
ら出力層のユニットの値として出力される。しかし、こ
れだけでは、ある入力パターンに対し特定の出力パター
ンが出るのみであるから、入力パターンに対し望ましい
出力が出るように重み付けを調整する。この調整方法の
代表的なものがバックプロパゲーション法である。ここ
では望ましい出力パターンを教師信号とし、実際の出力
パターンとの誤差を入力層へ向かって伝搬して各層間の
重み付けを変え、前記誤差を小さくする方向に学習させ
るのである。

【００３０】学習段階では、ある入力パターンに対し、
ネットワークを動かして得られる出力パターンをまず計
算する。その出力パターンと望ましい出力パターン（教
師信号）との誤差を計算し、それを学習信号として入力
層側へと伝搬させ結合の重みを改善していく。学習信号
が計算されると、結合の重みの修正量が決定され、その
修正量に従って結合の重みを修正する。以上を繰り返す
ことで、出力層からの出力値と教師信号との誤差が小さ
くなる。

【００３１】以下に述べる処理は、このようなニューラ
ルネットワークの原理に従うものである。

【００３２】ここで、ｈを入力層のノード番号、ｉを中
間層のノード番号、ｊを出力層のノード番号、Ｗ1_hiを
入力層及び中間層間の結合係数（重み）、Ｗ2_ijを中間
層及び出力層間の結合係数（重み）、Ｄ１をシグモイド
関数における中間層のしきい値、Ｄ２をシグモイド関数
における出力層のしきい値とすると、中間層のノード出
力値Ｙ_i は、Ｙ_i ＝１／｛１＋ｅｘｐ（−ΣＷ1_hiＸ_h
＋Ｄ１_i ）｝、出力層のノード出力値Ｚ_j は、Ｚ_j ＝１
／｛１＋ｅｘｐ（−ΣＷ2_ijＹ_i ＋Ｄ２_j ）｝として表
わされる。

【００３３】この混合品質推定部１の動作処理に先立っ
て、表１に示すような構成内容で各入力ニューロンＳＥ
ＩＸ₁ 〜ＳＥＩＸ₈₁を正規化する。

【００３４】

【表１】

【００３５】但し、ここでは正規化のために、シグモイ
ド関数と同じ式 ＳＥＩ（ｎ）＝１／（１＋ｅ^-K{x(n)-M}）を用いた。 ここで、Ｋ＝ｋ（ＭＡＸＸ_h−ＭＩＮＸ_h） ｋは定数 Ｍ＝（ＭＡＸＸ_h＋ＭＩＮＸ_h）／２ 但しＭ≠０

【００３６】図３は、この正規化を行うためのサブルー
チンをフローチャートにより示したものである。このサ
ブルーチンでは、最初にＸ［ｈ］、ＳＥＩＸ［ｈ］、Ｍ
ＡＸＸ［ｈ］、ＭＩＮＸ［ｈ］、８１として配列の宣言
を行い（ステップＳ１）、この後に初期値ｈをｈ＝１と
する（ステップＳ２）。次に、Ｍ＝（ＭＡＸＸ［ｈ］＋
ＭＩＮＸ［ｈ］）／２を算出（ステップＳ３）した後、
Ｋ＝ｋ（ＭＡＸＸ［ｈ］−ＭＩＮＸ［ｈ］）を算出（ス
テップＳ４）する。更に、ＳＥＩＸ［ｈ］＝１／（１＋
ｅ^-K(X-M)）を算出（ステップＳ５）し、この後に初期
値ｈをｈ＝ｈ＋１に変更（ステップＳ６）する。引き続
き、ｉ≦８１であるか否かを判定（ステップＳ７）し、
ｉ≦８１であればステップＳ３の前へリターンするが、
ｉ≦８１でなければ処理を終了する。つまり、入力層ノ
ードの数だけ（ｎ＝８１になるまで）くり返す。

【００３７】図４は、混合品質推定部１の動作処理をフ
ローチャートにより示したものである。この動作処理で
は、先ずＫ［ｈ］［ｉ］、ＳＥＩＸ［ｈ］、Ｙ［ｉ］、
ＳＥＩＺ［ｊ］、Ｃ［ｉ］［ｊ］、Ｄ１［ｉ］、Ｄ２
［ｊ］として配列の宣言を行う（ステップＳ１）。次
に、入力ニューロン及び中間ニューロンにおける、上記
したシグモノイドの演算であるサブルーチン・シグモイ
ド（Ｋ、ＳＥＩＸ、Ｙ、Ｄ１、８１、１５）を実行（ス
テップＳ２）した後、中間ニューロン及び出力ニューロ
ンにおけるサブルーチン・シグモイド（Ｃ、Ｙ、ＳＥＩ
Ｚ、Ｄ２、１５、１１）を実行（ステップＳ３）するこ
とによって、処理を終了する。因みに、この動作処理は
例えばＮＥＵＲＯ１（８１、１５、１１、Ｋ、ＳＥＩ
Ｘ、Ｙ、ＳＥＩＺ、Ｃ、Ｄ１、Ｄ２）として表わされ
る。この動作処理の後には出力ニューロンＺに関し、後
述するように工業単位化のためのサブルーチンを行う。

【００３８】図５は、上述したサブルーチン・シグモイ
ドの合成動作処理をフローチャートにより示したもので
ある。サブルーチン・シグモイドでは、先ずＷＥＩＧＴ
ＨＴ［ｎ１］［ｎ２］、ＩＮＰＵＴ［ｎ１］、ＯＵＴＰ
ＵＴ［ｎ２］、ＳＨＩＫＩ［ｎ２］、Ｍ、Ｎとして配列
の宣言を行い（ステップＳ１）、この後に初期値ｎ１、
ｎ２をそれぞれｉ＝０、ｊ＝０に設定（ステップＳ２）
し、更に初期値ＳＩＧＭＡ＝０を設定（ステップＳ３）
する。次に、初期値ｎ２をｊ＝ｊ＋１に変更（ステップ
Ｓ４）した後、初期値ｎ１をｉ＝ｉ＋１に変更（ステッ
プＳ５）する。引き続き、ＳＩＧＭＡをＳＩＧＭＡ＝Ｓ
ＩＧＭＡ＋ＷＥＩＧＨＴ［ｉ］［ｊ］×ＩＮＰＵＴ
［ｉ］で算出（ステップＳ６）する。総和をとるため
に、プログラムとしてはｉ≧Ｎであるか否かを判定（ス
テップＳ７）し、この結果、ｉ≧Ｎでなければｉ＝ｉ＋
１の処理（ステップＳ５）の前にリターンするが、ｉ≧
ＮであればＯＵＴＰＵＴ［ｊ］をＯＵＴＰＵＴ［ｊ］＝
１／１＋ｅｘｐ（−ＳＩＧＭＡ＋ＳＨＩＫＩ［ｊ］）で
算出（ステップＳ８）する。最後に、ｊ≧Ｍであるか否
かを判定（ステップＳ））し、この結果、ｊ≧Ｍでなけ
れば初期値ＳＩＧＭＡ＝０の設定処理（ステップＳ３）
の前にリターンするが、ｊ≧Ｍであれば配列の宣言の処
理（ステップＳ１）の前にリターンする。

【００３９】サブルーチン・シグモイドの後には、表２
に示すような構成内容で各出力ニューロンＳＥＩＺ₁ 〜
ＳＥＩＺ₁₁を工業単位化する。

【００４０】

【表２】

【００４１】但し、ここではＺ_j ＝ＭＩＮＺ_j ＋（ＭＡ
ＸＺ_j −ＭＩＮＺ_j ）×ＳＥＩＺ_jなる関係が成立す
る。

【００４２】図６は、この出力ニューロンＺに関して行
う工業単位化のためのサブルーチンをフローチャートに
より示したものである。このサブルーチンでは、最初に
Ｚ［ｊ］、ＳＥＩＺ［ｊ］、ＭＡＸＺ［ｊ］、ＭＩＮＺ
［ｊ］、１１として配列の宣言を行い（ステップＳ
１）、この後に初期値ｊをｊ＝１とする（ステップＳ
２）。次に、Ｚ［ｊ］＝ＭＩＮＺ［ｊ］＋（ＭＡＸＺ
［ｊ］−ＭＩＮＺ［ｊ］）×ＳＥＩＺ［ｊ］を算出（ス
テップＳ３）し、この後に初期値ｊをｊ＝ｊ＋１に変更
（ステップＳ４）する。引き続き、ｊ≦１１であるか否
かを判定（ステップＳ５）し、ｊ≦１１であればＺ
［ｊ］＝ＭＩＮＺ［ｊ］＋（ＭＡＸＺ［ｊ］−ＭＩＮＺ
［ｊ］）×ＳＥＩＺ［ｊ］の算出処理（ステップＳ３）
の前へリターンするが、ｊ≦１１でなければ処理を終了
する。

【００４３】混合品質推定部１では、以上のような処理
を行うと、８１個の入力ニューロンＳＥＩＸ₁ 〜ＳＥＩ
Ｘ₈₁に関しては例えば表３に示すような正規化データの
入力を行わせ、出力ニューロンＺ₁ 〜Ｚ₁₁に関しては例
えば表４に示すような正規化データの出力を行わせるこ
とができる。

【００４４】

【表３】

【００４５】

【表４】

【００４６】一方、最適混合比率探索部２は、例えば表
５に示すような基材分類と表６に示すような製品分類と
に従って最適混合比率を探索する。

【００４７】

【表５】

【００４８】

【表６】

【００４９】但し、表５及び表６においてＩＢＰは蒸留
性状としての初留点を示し、ＥＰは終点を示す。又、価
格Ｃｐは％ａ×Ｃａ＋％ｂ×Ｃｂ＋％ｃ×Ｃｃ＋％ｄ×
Ｃｄ＋％ｅ×Ｃｅ＋％ｆ×Ｃｆ＋％ｇ×Ｃｇ＋％ｂｓ×
Ｃｂｓを最小にすることによって得られ、最安混合価格
ＭＩ％ｐはＭＩ％ａ×Ｃａ＋ＭＩ％ｂ×Ｃｂ＋ＭＩ％ｃ
×Ｃｃ＋ＭＩ％ｄ×Ｃｄ＋ＭＩ％ｅ×Ｃｅ＋ＭＩ％ｆ×
Ｃｆ＋ＭＩ％ｇ×Ｃｇ＋ＭＩ％ｂｓ×Ｃｂｓで得られ
る。

【００５０】ここで、Ｃはコスト、アルファベットの小
文字はtag、％はレシオ（rasio）、ＭＩは最適という意
味を示す。

【００５１】更に、制約事項としては、ＤＥＮｍｉｎ≦
ＤＥＮｐ≦ＤＥＮｍａｘ（ニューロンが出したＤＥＮの
値ｐが所定の最小値と最大値の間にあることを意味す
る、以下同様の意味）、ＲＯＭｍｉｎ≦ＲＯＭｐ≦ＲＯ
Ｍｍａｘ、ＲＶＰｍｉｎ≦ＲＶＰｐ≦ＲＶＰｍａｘ、Ｉ
ＢＰｍｉｎ≦ＩＢＰｐ≦ＩＢＰｍａｘ、Ｄ１０ｍｉｎ≦
Ｄ１０ｐ≦Ｄ１０ｍａｘ、Ｄ３０ｍｉｎ≦Ｄ３０ｐ≦Ｄ
３０ｍａｘ、Ｄ５０ｍｉｎ≦Ｄ５０ｐ≦Ｄ５０ｍａｘ、
Ｄ７０ｍｉｎ≦Ｄ７０ｐ≦Ｄ７０ｍａｘ、Ｄ９０ｍｉｎ
≦Ｄ９０ｐ≦Ｄ９０ｍａｘ、Ｄ９７ｍｉｎ≦Ｄ９７ｐ≦
Ｄ９７ｍａｘ、ＥＰｍｉｎ≦ＥＰｐ≦ＥＰｍａｘ、％ａ
ｍｉｎ≦％ａ≦％ａｍａｘ、％ｂｍｉｎ≦％ｂ≦％ｃｍ
ａｘ、％ｃｍｉｎ≦％ｃ≦％ｃｍａｘ、％ｄｍｉｎ≦％
ｄ≦％ｄｍａｘ、％ｅｍｉｎ≦％ｅ≦％ｅｍａｘ、％ｆ
ｍｉｎ≦％ｆ≦％ｆｍａｘ、％ｇｍｉｎ≦％ｇ≦％ｇｍ
ａｘ、％ｂｓｍｉｎ≦％ｂｓ≦％ｂｓｍａｘ等が挙げら
れる。

【００５２】即ち、この最適混合比率探索部２では、ニ
ューロンを用いて各基材の混合比を遺伝子モデルとし、
価格及び性状を評価関数としてＧＡにより最適混合比率
を探索する。

【００５３】このＧＡを用いることで、パターン数が多
く時間のかかる問題や、局所解が多い問題に対しても、
短時間で最適解に近づく解を求めることが可能になる。
図７は、ＧＡを用いたブレンド最適化システムをフロー
チャートにより示したものである。この動作処理では、
最初に人口の生成を行う（ステップ１）。

【００５４】ここでは、コード化という操作を行う。コ
ード化は、求める解候補のデータセットをＧＡで処理し
やすいような遺伝子モデルに変換することである。今回
は、各基材のブレンド比（ratio）をならべたものを遺
伝子とする固体を、１世代１０個用意する。初期値は、
乱数で与える。このコード化状態の例を図８に示す。

【００５５】さらにデータの前処理として合わせこみ操
作と正規化処理を行う（ステップ２、３）。合わせこみ
操作は、使用しない基材や、在庫の関係で少ししか使え
ない、あるいはたくさん使いたいといった、ブレンド比
上の制限をかける操作である。ブレンド比の最大値ＭＡ
Ｘや最小値ＭＩＮを越えたときに、指定された範囲に入
るように、かつ、総和が１００になるように正規化を
し、合わせこみを行う。

【００５６】例えば、任意の個体において、使用しない
基材が存在する場合にその分率を強制的に０とする。図
９では、基材Ｄを使用しないためこの分率を１６.２か
ら００.０にする。また各基材の分率が上限値や下限値
を越えた遺伝子は、範囲内におさまるように合わせこみ
操作を行う。また、Ｅが下限値を下回ったため０８．８
から５．００に変換している。

【００５７】因みにこの操作は、ratio(tag)=〔(ratio
(tag)-min(tag))×(100-Σmin(tag))＋min(tag)〕／Σ
(ratio(tag)-min(tag))で与えられる。［但しmax(tag),
min(tag)は、tag=A,B,C,D,E,F,G,BSにおける上限値およ
び下限値であり、使用しない基材の場合、max(tag)=min
(tag)=0となる。］

【００５８】次に、１０個の各固体（データセット）に
対して環境に対する適応度評価を行う（ステップ４）。
ここでは、性状評価と価格評価を行う。性状評価は、ニ
ューラルネットワークによって、性状推定を行う。ニュ
ーラルネットワークの入力は、各基材の性状及びブレン
ド比であり、出力はブレンド後の製品の製品性状とな
る。そしてこの性状がスペックにあうかどうかを調べ
る。スペックにあわない場合は、最低の適応度を与える
ようにする。一方コスト評価は、価格が安いものほど適
応度が高いものとする。因みに価格は、cost(i)=Σ〔pr
ice(tag)×ratio(tag)〕［但しΣは、tag=AからBSまで
とする。］で得る。

【００５９】引き続き、選択淘汰の処理を行う（ステッ
プ５）。この選択淘汰の処理は、先の適応度に応じて、
保存する個体と、交叉や突然変異の遺伝子操作をする個
体を決定する。本システムでは、図１０のように、適応
度の高い個体、つまりニューラルネットワークで推定し
た製品性状がスペックを満たし、価格が最安価なもの
は、優先的に保存し、やや適応度の優れた個体は、交叉
と呼ばれる遺伝子操作の対象とする。また、適応度の低
い個体は、突然変異と呼ばれる遺伝子操作の対象とす
る。

【００６０】さらに遺伝子操作と呼ばれる操作によって
新たな個体を生成する。遺伝子操作には、交叉と呼ばれ
る処理（ステップ６）と突然変異と呼ばれる操作（ステ
ップ７）がある。

【００６１】交叉は、２つの個体間で任意の場所の遺伝
子を交換して新たな個体を生成する操作である。これ
は、良い個体同士をかけ合わせてより良い個体を作りだ
すという操作をしている。これは、近傍探索にあたる。
本システムでは、適応度の高い遺伝子の一部を適応度の
やや低い個体に移植する操作（エリート戦略）を用いて
いる。交叉を示す図１２では、適応度に高低がある２個
体（親）において、乱数によって選ばれた基材C,D,Eの
遺伝子を交換または移植して新たな個体（子）を生成し
ている。適応度の低いほうの個体のC,D,Eの遺伝子（17.
6,00.0,11.1）が、高いほうの個体のC,D,Eの遺伝子（1
1.3,00.0,08.8）に置き換えられている。

【００６２】突然変異は、１つの個体の中で遺伝子操作
を行うものである。これにより、ランダムな遺伝子を持
つ個体を作りだすことが可能なため、局所解からの脱出
が可能となる。本システムでは、乱数によって選ばれた
基材の遺伝子の１００の補数をとる処理をしている。因
みに図１３では、B,C,D,Eが乱数によって選ばれ、その
遺伝子（03.6,11.3,00.0,08.8）の各々に対し１００の
補数をとり（96.4,88.7,100.0,91.2）に置き換えてい
る。

【００６３】これらの、データの前処理、評価、選択淘
汰、遺伝子操作という一連の操作を予定世代数を達成す
るまで繰り返し（ステップ８）、最適解を探索していく
システムである。

【００６４】更に、製品品質推定部３は、例えば図１４
に示すように、入力値が正規化されたデータ（符号ＳＥ
Ｉで示す）として与えられる２３個の入力ニューロンＳ
ＥＩＸ₁ 〜ＳＥＩＸ₂₃と、１０個の中間値を示す中間ニ
ューロンＹ₁ 〜Ｙ₁₀と、正規化されたデータ（符号ＳＥ
Ｉで示す）を出力する３個の出力ニューロンＺ₁ 〜Ｚ ₃
とから成っている。ここでも、中間値Ｙ_i 、推定出力値
Ｚ_j はＹ_i ＝１／｛１＋ｅｘｐ（−ΣＫ_hiＸ_h ＋Ｄ１
_i ）｝、Ｚ_j ＝１／｛１＋ｅｘｐ（−ΣＣ_ijＹ_i＋Ｄ２_j
）｝として表わされる。

【００６５】この製品品質推定部３の動作処理は、図１
４に示すようなシステムで行うが、まず、各入力ニュー
ロンＳＥＩＸ₁ 〜ＳＥＩＸ₂₃を正規化する。

【００６６】ここではＳＥＩＸ_h ＝Ｘ_h −ＭＩＮＸ_h ／
ＭＡＸＸ_h −ＭＩＮＸ_h なる関係が成立する。

【００６７】図１５は、この正規化を行うためのサブル
ーチンをフローチャートにより示したものである。この
サブルーチンでは、最初にＸ［ｈ］、ＳＥＩＸ［ｈ］、
ＭＡＸＸ［ｈ］、ＭＩＮＸ［ｈ］、２３として配列の宣
言を行う（ステップＳ１）。この後の処理、即ち、初期
値ｈをｈ＝１とする処理（ステップＳ２）、ＤＩＦＦ＝
ＭＡＸＸ［ｈ］−ＭＩＮＸ［ｈ］の算出処理（ステップ
Ｓ３）、ＡＬＴ＝Ｘ［ｈ］−ＭＩＮＸ［ｈ］の算出処理
（ステップＳ４）、ＳＥＩＸ［ｈ］＝ＡＬＴ／ＤＩＦＦ
の算出処理（ステップＳ５）、及び初期値ｈをｈ＝ｈ＋
１に変更する処理（ステップＳ６）は、図３に示した混
合品質推定部１の動作処理と同様に行われる。最後に、
ｉ≦２３であるか否かを判定（ステップＳ７）し、ｉ≦
２３であればＤＩＦＦ＝ＭＡＸＸ［ｈ］−ＭＩＮＸ
［ｈ］の算出処理（ステップＳ３）の前へリターンする
が、ｉ≦２３でなければ処理を終了する。

【００６８】図１６は、製品品質推定部３の動作処理を
フローチャートにより示したものである。この動作処理
では、先ずＫ［ｈ］［ｉ］、ＳＥＩＸ［ｈ］、Ｙ
［ｉ］、ＳＥＩＺ［ｊ］、Ｃ［ｉ］［ｊ］、Ｄ１
［ｉ］、Ｄ２［ｊ］として配列の宣言を行う（ステップ
Ｓ１）。次に、入力ニューロン及び中間ニューロンにお
けるサブルーチン・シグモイド（Ｋ、ＳＥＩＸ、Ｙ、Ｄ
１、２３、１０）を実行（ステップＳ２）した後、中間
ニューロン及び出力ニューロンにおけるサブルーチン・
シグモイド（Ｃ、Ｙ、ＳＥＩＺ、Ｄ２、１０、３）を実
行（ステップＳ３）することによって、処理を終了す
る。因みに、この動作処理は例えばＮＥＵＲＯ１（２
３、１０、３、Ｋ、ＳＥＩＸ、Ｙ、ＳＥＩＺ、Ｃ、Ｄ
１、Ｄ２）として表わされる。この動作処理の後には出
力ニューロンＺに関し、工業単位化のためのサブルーチ
ンを行う。

【００６９】図１７は、上述したサブルーチン・シグモ
イドの合成動作処理をフローチャートにより示したもの
であるが、このサブルーチン・シグモイドも図５に示し
た混合品質推定部１の場合と全く同様に行われるので、
説明は省略する。

【００７０】サブルーチン・シグモイドの後には、図１
１に示すような構成内容で各出力ニューロンＳＥＩＺ₁
〜ＳＥＩＺ₃ を工業単位化する。

【００７１】但し、ここでもＺ_j ＝ＭＩＮＺ_j ＋（ＭＡ
ＸＺ_j −ＭＩＮＺ_j ）×ＳＥＩＺ_jなる関係が成立す
る。

【００７２】図１８は、この出力ニューロンＺに関して
行う工業単位化のためのサブルーチンをフローチャート
により示したものである。このサブルーチンでは、最初
にＺ［ｊ］、ＳＥＩＺ［ｊ］、ＭＡＸＺ［ｊ］、ＭＩＮ
Ｚ［ｊ］、３として配列の宣言を行い（ステップＳ
１）、この後に初期値ｊをｊ＝１とする（ステップＳ
２）。次に、Ｚ［ｊ］＝ＭＩＮＺ［ｊ］＋（ＭＡＸＺ
［ｊ］−ＭＩＮＺ［ｊ］）×ＳＥＩＺ［ｊ］を算出（ス
テップＳ３）し、この後に初期値ｊをｊ＝ｊ＋１に変更
（ステップＳ４）する。引き続き、ｊ≦３であるか否か
を判定（ステップＳ５）し、ｊ≦３であればＺ［ｊ］＝
ＭＩＮＺ［ｊ］＋（ＭＡＸＺ［ｊ］−ＭＩＮＺ［ｊ］）
×ＳＥＩＺ［ｊ］の算出処理（ステップＳ３）の前へリ
ターンするが、ｊ≦３でなければ処理を終了する。

【００７３】このように、製品品質推定部３では、ガス
クロマトグラフィで得た、各成分の量（波形のピークの
高さ）からニューラルネットワークを用いて製品の実品
質を推定する。例えば、２３個の入力ニューロンＳＥＩ
Ｘ₁ 〜ＳＥＩＸ₂₃に関しては例えば表７、具体的には表
８に示すような正規化データの入力を行わせ、出力ニュ
ーロンＺ₁ 〜Ｚ₃ に関しては例えば表９に示すような正
規化データの出力を行わせることができる。

【００７４】

【表７】

【００７５】

【表８】

【００７６】

【表９】

【００７７】又、品質制御部４は、図１９に示すよう
に、製品品質推定部３から受けた実品質（ＤＥＮ、ＲＶ
Ｐ、ＲＯＮ）を平均化し、この平均化されたＤＥＮ、Ｒ
ＶＰ、ＲＯＮをそれぞれ最適混合比率探索部２から受け
た仮品質に関する最安価ＤＥＮ、ＲＶＰ、ＲＯＮとの間
で比較した結果と、混合品質推定部１から受けた推定Ｄ
ＥＮ、ＲＶＰ、ＲＯＮとに基づいて差値△ＤＥＮ、△Ｒ
ＶＰ、△ＲＯＮを算出し、これらの△ＤＥＮ、△ＲＶ
Ｐ、△ＲＯＮを最適混合比率探索部２に伝送してそれぞ
れ探索用ＤＥＮ、ＲＶＰ、ＲＯＮとする。

【００７８】更に、品質推定システム構築部５は、図２
０に示すように、各種基材を貯蔵したタンクＴ１、Ｔ
２、Ｔ３からの性状品質と生産ライン（流量制御部）Ｌ
１、Ｌ２、Ｌ３からの混合比率とを格納するための入力
データ格納エリア５ａと、製品品質推定部３からの実品
質の推定結果を平均化する平均化エリア５ｄと、この平
均化データを教師データとして格納（学習）する教師デ
ータ格納エリア５ｃと、これら入力データ格納エリア５
ａ及び教師データ格納エリア５ｃで学習されたニューラ
ルネットワーク学習機能におけるニューラルネットワー
ク係数である重みやしきい値を混合品質推定部１へ伝送
するバックプロパゲーション法学習エリア５ｂとを含ん
でいる。

【００７９】入力データ格納エリア５ａでは、基材やそ
の混合比率が変更される都度、その時点の性状品質及び
混合比率が読み込まれて設定される。平均化エリア５ｄ
には製品品質推定部３から分析部６の測定周期に従って
実品質の推定結果が読み込まれるが、平均化の処理は入
力データ格納エリア５ａで各データを読み込むタイミン
グに同期して行われる。又、平均化エリア５ｄでは平均
化データを送出した時点でその一時記憶機能がリセット
される。教師データ格納エリア５ｃからは、入力データ
格納エリア５ａが平均化エリア５ｄから平均化データを
読み出すタイミングに同期して教師データが読み出され
る。バックプロパゲーション法学習エリア５ｂにおける
学習データの範囲はマニュアルで設定される。

【００８０】なお、本発明は、上述したガソリンブレン
ダーだけでなく、他の石油製品のブレンダーにも適用で
きる。たとえば、灯油ブレンダーの引火点・９５％蒸留
点・煙点制御、軽油ブレンダーの引火点・流動点・９０
％蒸留点・硫黄分制御、Ａ重油ブレンダーの引火点・動
粘度・流動点制御、Ｂ・Ｃ重油ブレンダーの引火点・動
粘度・硫黄分制御、潤滑油ブレンダーの動粘度・引火点
・流動点制御にも適用できる。

【００８１】

【発明の効果】以上説明したように、本発明のブレンダ
ー最適制御システムによれば、混合品質推定手段及び最
適混合比率探索手段を設けて生産計画時にはオフライン
で連動するようにしているので、推定式作成の負担が顕
著に軽減化され、基材の混合比率の決定を安価な構成で
容易にして精度良く迅速に行い得るようになる。又、こ
れらの各手段の他、製品品質推定手段、品質制御手段、
及び品質推定システム構築手段を設け、生産時には分析
手段を介してオンラインで連動させているので、製品品
質推定や最適計算の精度が向上し、インライン分析手段
の分析精度も向上され、しかも混合制御が安定して円滑
に行われるため、合理的にシステムを運用できるように
なる。更に、最適混合比率探索手段では遺伝的アルゴリ
ズムを使用するため、極安価に落ち込まず、かつ速く最
安価を決定する。

【図面の簡単な説明】

【図１】本発明の一実施例に係るブレンダー最適制御シ
ステムの基本構成を示したブロック図である。

【図２】図１に示すブレンダー最適制御システムに備え
られる混合品質推定部の構成を示したニューロのブロッ
ク図である。

【図３】図２に示す混合品質推定部の動作処理に先立っ
て行う正規化のためのサブルーチンを示したフローチャ
ートである。

【図４】図２に示す混合品質推定部の動作処理を示した
フローチャートである。

【図５】図４に示す混合品質推定部の動作処理に含まれ
るサブルーチン・シグモイドの合成動作処理を示したフ
ローチャートである。

【図６】図２に示す混合品質推定部の動作処理の事後に
行う工業単位化のためのサブルーチンを示したフローチ
ャートである。

【図７】図１に示すブレンダー最適制御システムに備え
られる最適混合比率探索部におけるＧＡの動作処理を示
したフローチャートである。

【図８】図７における人口の生成のためのコード化例を
示した図である。

【図９】図７における合わせ込み操作の例を示した図で
ある。

【図１０】図７における適応度の評価例を示した図であ
る。

【図１１】図７における選択淘汰の例を示した図であ
る。

【図１２】図７における交叉（近傍探索）の例を示した
図である。

【図１３】図７における突然変異（広域探索）の例を示
した図である。

【図１４】図１に示すブレンダー最適制御システムに備
えられる製品品質推定部の構成を示したニューロのブロ
ック図である。

【図１５】図１４に示す製品品質推定部の動作処理に先
立って行う正規化のためのサブルーチンを示したフロー
チャートである。

【図１６】図１４に示す製品品質推定部の動作処理を示
したフローチャートである。

【図１７】図１６に示す製品品質推定部の動作処理に含
まれるサブルーチン・シグモイドの合成動作処理を示し
たフローチャートである。

【図１８】図１４に示す製品品質推定部の動作処理の事
後に行う工業単位化のためのサブルーチンを示したフロ
ーチャートである。

【図１９】図１に示すブレンダー最適制御システムに備
えられる品質制御部の動作処理を示したブロック図であ
る。

【図２０】図１に示す生産管理システムに備えられる品
質推定システム構築部の動作処理を示したブロック図で
ある。

【符号の説明】

１ 混合品質推定部 ２ 最適混合比率探索部 ３ 製品品質推定部 ４ 品質制御部 ５ 品質推定システム構築部 ６ 分析部 １００ ブレンダー最適制御システム Ａ、Ｂ、Ｃ 基材 Ｌ１、Ｌ２、Ｌ３ 生産ライン

─────────────────────────────────────────────────────

【手続補正書】

【提出日】平成７年７月３日

【手続補正１】

【補正対象書類名】明細書

【補正対象項目名】００３６

【補正方法】変更

【補正内容】

【００３６】図３は、この正規化を行うためのサブルー
チンをフローチャートにより示したものである。このサ
ブルーチンでは、最初にＸ［ｈ］、ＳＥＩＸ［ｈ］、Ｍ
ＡＸＸ［ｈ］、ＭＩＮＸ［ｈ］、８１として配列の宣言
を行い（ステップＳ１）、この後に初期値ｈをｈ＝１と
する（ステップＳ２）。次に、Ｍ＝（ＭＡＸＸ［ｈ］＋
ＭＩＮＸ［ｈ］）／２を算出（ステップＳ３）した後、
Ｋ＝ｋ（ＭＡＸＸ［ｈ］−ＭＩＮＸ［ｈ］）を算出（ス
テップＳ４）する。更に、ＳＥＩＸ［ｈ］＝１／（１＋
ｅ^-K(X-M)）を算出（ステップＳ５）し、この後に初期
値ｈをｈ＝ｈ＋１に変更（ステップＳ６）する。引き続
き、ｈ≦８１であるか否かを判定（ステップＳ７）し、
ｈ≦８１であればステップＳ３の前へリターンするが、
ｈ≦８１でなければ処理を終了する。つまり、入力層ノ
ードの数だけ（ｈ＝８１になるまで）くり返す。

【手続補正２】

【補正対象書類名】明細書

【補正対象項目名】００３８

【補正方法】変更

【補正内容】

【００３８】図５は、上述したサブルーチン・シグモイ
ドの合成動作処理をフローチャートにより示したもので
ある。サブルーチン・シグモイドでは、先ずＷＥＩＧＴ
ＨＴ［ｎ１］［ｎ２］、ＩＮＰＵＴ［ｎ１］、ＯＵＴＰ
ＵＴ［ｎ２］、ＳＨＩＫＩ［ｎ２］、Ｍ、Ｎとして配列
の宣言を行い（ステップＳ１）、この後に初期値ｎ１、
ｎ２をそれぞれｉ＝０、ｊ＝０に設定（ステップＳ２）
し、更に初期値ＳＩＧＭＡ＝０を設定（ステップＳ３）
する。次に、初期値ｎ２をｊ＝ｊ＋１に変更（ステップ
Ｓ４）した後、初期値ｎ１をｉ＝ｉ＋１に変更（ステッ
プＳ５）する。引き続き、ＳＩＧＭＡをＳＩＧＭＡ＝Ｓ
ＩＧＭＡ＋ＷＥＩＧＨＴ［ｉ］［ｊ］×ＩＮＰＵＴ
［ｉ］で算出（ステップＳ６）する。総和をとるため
に、プログラムとしてはｉ≧Ｎであるか否かを判定（ス
テップＳ７）し、この結果、ｉ≧Ｎでなければｉ＝ｉ＋
１の処理（ステップＳ５）の前にリターンするが、ｉ≧
ＮであればＯＵＴＰＵＴ［ｊ］をＯＵＴＰＵＴ［ｊ］＝
１／１＋ｅｘｐ（−ＳＩＧＭＡ＋ＳＨＩＫＩ［ｊ］）で
算出（ステップＳ８）する。最後に、ｊ≧Ｍであるか否
かを判定（ステップＳ９）し、この結果、ｊ≧Ｍでなけ
れば初期値ＳＩＧＭＡ＝０の設定処理（ステップＳ３）
の前にリターンするが、ｊ≧Ｍであれば配列の宣言の処
理（ステップＳ１）の前にリターンする。

【手続補正３】

【補正対象書類名】明細書

【補正対象項目名】００５１

【補正方法】変更

【補正内容】

【００５１】更に、制約事項としては、ＤＥＮｍｉｎ≦
ＤＥＮｐ≦ＤＥＮｍａｘ（ニューロンが出したＤＥＮの
値ｐが所定の最小値と最大値の間にあることを意味す
る、以下同様の意味）、ＲＯＭｍｉｎ≦ＲＯＭｐ≦ＲＯ
Ｍｍａｘ、ＲＶＰｍｉｎ≦ＲＶＰｐ≦ＲＶＰｍａｘ、Ｉ
ＢＰｍｉｎ≦ＩＢＰｐ≦ＩＢＰｍａｘ、Ｄ１０ｍｉｎ≦
Ｄ１０ｐ≦Ｄ１０ｍａｘ、Ｄ３０ｍｉｎ≦Ｄ３０ｐ≦Ｄ
３０ｍａｘ、Ｄ５０ｍｉｎ≦Ｄ５０ｐ≦Ｄ５０ｍａｘ、
Ｄ７０ｍｉｎ≦Ｄ７０ｐ≦Ｄ７０ｍａｘ、Ｄ９０ｍｉｎ
≦Ｄ９０ｐ≦Ｄ９０ｍａｘ、Ｄ９７ｍｉｎ≦Ｄ９７ｐ≦
Ｄ９７ｍａｘ、ＥＰｍｉｎ≦ＥＰｐ≦ＥＰｍａｘ、％ａ
ｍｉｎ≦％ａ≦％ａｍａｘ、％ｂｍｉｎ≦％ｂ≦％ｂｍ
ａｘ、％ｃｍｉｎ≦％ｃ≦％ｃｍａｘ、％ｄｍｉｎ≦％
ｄ≦％ｄｍａｘ、％ｅｍｉｎ≦％ｅ≦％ｅｍａｘ、％ｆ
ｍｉｎ≦％ｆ≦％ｆｍａｘ、％ｇｍｉｎ≦％ｇ≦％ｇｍ
ａｘ、％ｂｓｍｉｎ≦％ｂｓ≦％ｂｓｍａｘ等が挙げら
れる。

【手続補正４】

【補正対象書類名】明細書

【補正対象項目名】００６４

【補正方法】変更

【補正内容】

【００６４】更に、製品品質推定部３は、例えば図１４
に示すように、入力値が正規化されたデータ（符号ＳＥ
Ｉで示す）として与えられる２３個の入力ニューロンＳ
ＥＩＸ₁ 〜ＳＥＩＸ₂₃と、１０個の中間値を示す中間ニ
ューロンＹ₁ 〜Ｙ₁₀と、正規化されたデータ（符号ＳＥ
Ｉで示す）を出力する３個の出力ニューロンＺ₁ 〜Ｚ ₃
とから成っている。ここでも、中間値Ｙ_i 、推定出力値
Ｚ_j はＹ_i ＝１／｛１＋ｅｘｐ（−ΣＷ１ _hiＸ_h ＋Ｄ１
_i ）｝、Ｚ_j ＝１／｛１＋ｅｘｐ（−ΣＷ２ _ijＹ_i ＋Ｄ
２_j ）｝として表わされる。

【手続補正５】

【補正対象書類名】明細書

【補正対象項目名】００６７

【補正方法】変更

【補正内容】

【００６７】図１５は、この正規化を行うためのサブル
ーチンをフローチャートにより示したものである。この
サブルーチンでは、最初にＸ［ｈ］、ＳＥＩＸ［ｈ］、
ＭＡＸＸ［ｈ］、ＭＩＮＸ［ｈ］、２３として配列の宣
言を行う（ステップＳ１）。この後の処理、即ち、初期
値ｈをｈ＝１とする処理（ステップＳ２）、ＤＩＦＦ＝
ＭＡＸＸ［ｈ］−ＭＩＮＸ［ｈ］の算出処理（ステップ
Ｓ３）、ＡＬＴ＝Ｘ［ｈ］−ＭＩＮＸ［ｈ］の算出処理
（ステップＳ４）、ＳＥＩＸ［ｈ］＝ＡＬＴ／ＤＩＦＦ
の算出処理（ステップＳ５）、及び初期値ｈをｈ＝ｈ＋
１に変更する処理（ステップＳ６）は、図３に示した混
合品質推定部１の動作処理と同様に行われる。最後に、
ｈ≦２３であるか否かを判定（ステップＳ７）し、ｈ≦
２３であればＤＩＦＦ＝ＭＡＸＸ［ｈ］−ＭＩＮＸ
［ｈ］の算出処理（ステップＳ３）の前へリターンする
が、ｈ≦２３でなければ処理を終了する。

【手続補正６】

【補正対象書類名】図面

【補正対象項目名】図３

【補正方法】変更

【補正内容】

【図３】

【手続補正７】

【補正対象書類名】図面

【補正対象項目名】図１５

【補正方法】変更

【補正内容】

【図１５】

Claims (5)

【特許請求の範囲】
1. 【請求項１】 数種類の基材を混合して所定の製品を製
   造する生産ラインにおける該数種類の基材の混合状態を
   制御するブレンダー最適制御システムにおいて、 前記数種類の基材に関する性状品質及び混合比率を入力
   し、前記所定の製品に関する仮品質をニューラルネット
   ワークを用いて推定する混合品質推定手段と、 予め定めた所定の制約事項に従って、遺伝的アルゴリズ
   ムにより最も安価な製品を製造可能にする最適混合比率
   を探索し、該最適混合比率を前記混合品質推定手段へと
   伝送する最適混合比率探索手段と、 を備えたことを特徴とするブレンダー最適制御システ
   ム。
2. 【請求項２】 請求項１において、更に、インラインで
   前記生産ラインにおける前記所定の製品に関する実品質
   を分析計測して実品質の分析データを出力する分析手段
   と、 前記分析データに応じて前記実品質をニューラルネット
   ワークを用いて推定する製品品質推定手段と、 を含むことを特徴とするブレンダー最適制御システム。
3. 【請求項３】 前記請求項２において、前記製品品質推
   定手段で得た実品質の推定結果と、前記混合品質推定手
   段により推定した仮品質の推定結果との差分を修正制御
   する品質制御手段を備えたことを特徴とするブレンダー
   最適制御システム。
4. 【請求項４】 前記請求項２または３のいずれかにおい
   て、前記数種類の基材に関する性状品質及び混合比率を
   入力するとともに、製品品質推定手段で得た実品質の推
   定結果を教師データとし、教師データに従ってネットワ
   ーク係数の重みを更新して学習するニューラルネットワ
   ーク学習機能を有し、該ニューラルネットワーク学習機
   能におけるニューラルネットワーク係数を前記混合品質
   推定手段へ伝送する品質推定システム構築手段を含むこ
   とを特徴とするブレンダー最適制御システム。
5. 【請求項５】 請求項４において、前記混合品質推定手
   段、前記最適混合比率探索手段、前記製品品質推定手
   段、前記品質制御手段、及び前記品質推定システム構築
   手段は、生産時には前記分析手段を介してオンラインで
   連動することを特徴とするブレンダー最適制御システ
   ム。