JPH09504129A - モデル予測制御用のニューラルネットベースの外乱予測子 - Google Patents

Abstract

(57)【要約】 アクチュエータを介してプロセスまたはプラントを制御するプロセスまたはプラント制御用制御ループ。その制御ループは、プロセスまたはプラントからプロセスまたはプラントの出力を表す信号を受け取る。制御ループは、外乱を予測し、指示するよう条件付けられたニューラルネットワークを有する外乱モードコントローラからのプロセスまたはプラント信号に対する予測外乱がない場合だけ使用されるアクチュエータ用制御信号を発生するノミナルコントローラ（２０）を具備する。

Description

【発明の詳細な説明】 モデル予測制御用のニューラルネットベースの外乱予測子 発明の背景 本発明は、何らかの規則的に起こる外乱が出力に影響を及ぼす各種のプラント やプロセス用として特に有用である。制御分野の当業者ならば容易に理解できる ように、本願発明は、暖房、換気／空調システムから化学処理プラント、航法シ ステム、等々に至るまで、あらゆる分野の制御技術に応用することができる。 本発明の方法は、実施形態において、モデルベース予測制御フレームワークを 用いて調節性能、特に周期性あるいは循環性の外乱にさらされ易いプロセスの調 節性能を改善するものである。 そのような外乱の例としては、１日（太陽サイクル）の中の周囲温度の変動に 起因する蒸留塔（精油所の）に影響を及ぼす温度外乱、供給ビン切換え時間が近 付いたときの供給の乱れを受けやすい連続粉砕機等がある。 外乱の情報を制御ループに供給するのに外乱を予測するモデルを用いることの 主要な利益は、おそらく、このようにして制御されるプロセスがそれらの制約条 件により厳密に従って機能するということであろう。連続粉砕機の例を用いて説 明すると、ニューラルネットワークは、新しい鉱石運搬車に積載された鉱石がプ ロセス中に移入される度に、粉砕機が必要とする電力消費の増加が起こる（この 例を用いた場合）ということを示すプラントデータでトレーニングされる。粉砕 速度、鉱石運搬車のサイズ、あるいはプラントオペレータにとって既知の他の基 準に基づいて、ニューラルネットは、粉砕機の必要電力消費の変化の発生を予測 するようトレーニングすることができる。 このような形態の本発明を使用して、プラントの運転を装置の制約条件に厳密 に合わせることにより制御対象のプロセスの性能を改善し、収率を上げることが できる例は他にも多数ある。 モデルベース予測制御（ＭＰＣ）技術は、むだ時間、プロセス制約条件及び モデル化不確定性等があっても、多変数制御対象の制御を達成することができる ため、この１０年間に、プロセス業界で広範に受け入れられて来た。オートマチ カ２３（３）（Automatica 23（3））、（1989年）のガルシア（Garcia）、プレ ット（Pret）及びモラーリ（Morari）による「モデル予測制御：理論と実際‐調 査研究("Model Predictive Control：Theory and Practice‐A Survey")」には 、いろいろなＭＰＣアルゴリズムに関する詳細な調査・検討結果が収載されてい る。一般に、これらのアルゴリズムは、ユーザが課す、あるいはシステムが課す 制約条件に左右される誤差を最小限にする最適化問題の解として制御動作を計算 する最適制御技術であると考えることができる。 一般に、ＭＰＣアルゴリズムは多変数プロセスとの関連で記述することができ る。例えば、下記の方程式でモデル化されるプロセスがある： ｘ ＝ ｆ（ｘ，ｕ） （１ａ） ｙ ＝ ｇ（ｘ，ｕ） （１ｂ） 式中、ｘは状態変数ベクトル、ｕは操作量ベクトル、ｙは出力変数ベクトルであ る。 ＭＰＣアルゴリズムは、大きく２つのステップに分けられる：すなわち、予 測ステップと最適化ステップである。予測ステップにおいては、各時間ステップ （ｋ）において、上記モデルを用いて多数の未来の時間間隔にわたるプラント出 力が予測される。これは予測地平線と呼ばれる。この予測は、プラントとモデル の出力の差を予測出力に加算することによって修正される。次に、予測出力を予 測地平線全体にわたって期待出力軌跡から減算して予測誤差を得る。最適化ステ ップにおいては、制約条件に左右される予測誤差の最小化が行われ（通常最小二 乗法によるが、他の技法が用いられる場合もある）、その際コンピュータの制御 動作が決定変数になる。制約条件は、通常プロセスモデル（出力制約条件）に基 づいて、決定変数に対する直接的制限条件（操作量制約条件と呼ばれる）または 制約方程式として指定される。最初に計算された制御動作をプラントとモデルで 実際に使用し、その後これらのステップを次の時間ステップｋについて繰り返す 。１つまたは全ての制約条件の１つまたは全ての制約変数を予測することは、本 発明の企図する範囲内にある。 上記の手順においては、フィードバック情報が用いられるということを認識す ることが重要である。フィードバック情報は、各時間ステップで繰り返し使用す ることにより、予測が補正される。しかしながら、従来のＭＰＣ方式では、未来 のプロセス情報はないため、各時点現在の測定外乱が予測地平線全体にわたって 一定に保たれる。これは、定加法性外乱仮定法と呼ばれる。従来のＭＰＣは線形 二次形式の特殊な場合であるということは周知である。ＭＰＣを線形二次形式の フレームワークの中で見るならば、定加法性外乱仮定法は、プロセスに影響を及 ぼす全ての外乱は、各出力に個別に影響を及ぼすランダムステップであるという ことを示唆する。このことは、ほとんどではないが、多くのアプリケーションに おいて、標準的ＭＰＣコントローラの調節性能に悪影響を及ぼす。この線形二次 形式の問題に対処するため、研究者たちはカルマンフィルタ設計を用いて状態の 予測及び予測出力を得てきた。この問題を扱うための既知の方法に関する調査研 究結果が、リッカー（Ricker）による「モデル予測制御：技術の現状("Model Pr edictive Control．State of the Art")」、ＣＰＣＩＶ−第４回化学プロセス制 御に関する国際会議（米国テキサス州パードレアイランド（Pardre Island）） ）会報、271〜296ページ（1991年）に収載されている。 本発明で開示するＭＰＣコントローラとニューラルネットワークの組合せによ れば、コントローラの総合設計において大きな改良が達成される。本発明のコン トローラは、本願においてハイブリッドコントローラ（ＭＰＣの他、他の種類の コントローラを含んでもよい）またはハイブリッドＭＰＣコントローラとも称す る。 図面の簡単な説明 図１は、本発明の一実施例による処理プラントを含むハイブリッド予測／ノ ミナルコントローラのブロック図を示す。 図２及び３は、ｙの軌跡の外乱予測と全て本発明によるノミナルコントロー ラ、好ましくはＭＰＣ型のノミナルコントローラに組み込まれたｙの軌跡とを対 比して示すグラフである。 図４は、従来のＭＰＣ及びハイブリッド予測／ＭＰＣコントローラの出力及 び負荷変数軌跡を示すグラフである。 図５は、図４のハイブリッド及びＭＰＣコントローラの時間に対する操作変 数軌跡を示すグラフである。 発明の概要 本発明は、プロセスを制御するためのコントローラであって、プロセスをそれ に関連するアクチュエータを介して制御する出力信号を有するコントローラを提 供するものである。また、本発明のコントローラは、プラントまたはプロセスの 出力を表す信号を入力として受け取る。 本発明は、最小限の構成として、実施形態においてはＭＰＣコントローラより なるノミナルコントローラが必要である。ＭＰＣコントローラは、コントローラ の出力信号として用いることができる出力を生成するが、その出力は、プロセス に対する予測外乱がない場合に限りプロセスによって使用される。 また、本発明のコントローラは、外乱モデル出力が、プラントへのコントロー ラ出力信号を発生させるのにノミナルコントローラ出力を補正するべきかどうか を決定する外乱モードコントローラ装置を有する。もちろん、トレーニングされ たニューラルネットワークを有する実施形態の外乱予測子装置は、予測外乱また は外乱パターンの確度を理解し、外乱が起こるに従いプロセスを設定点に調節す るよう計算された出力を発生する。 外乱モードコントローラ装置は、外乱モード予測子装置からの信号をプラント またはプロセス出力信号と共に比較法で使用する。選択された長さの期間にわた って比較を行うことによって、外乱コントローラ装置は、外乱が実際に起こって いるかどうかを判断し、外乱が起こっていなければ、制御をプラントのノミナル コントローラに返す。 本発明の変形態様においては、ニューラルネットワークの外乱モデル、または いくつかの外乱モデルからのオン／オフ信号を使用する。それらの各外乱モデル は外乱モードコントローラ装置への出力を有し、その外乱モードコントローラ装 置は、プラントの出力信号といろいろな外乱モデルからの予測情報との差違を用 いて、これらのどれをノミナルコントローラ出力を補正するために使うべきかを 決定する。 実施形態の詳細な説明 まず図１を参照して説明すると、ハイブリッド予測／ノミナルコントローラ を有する制御ループは図中符号１０で示されている。図示実施形態においては、 ＭＰＣ型コントローラよりなるノミナルコントローラは、ブロック２０で示し、 予測コントローラ（ＤＭＣＵ１４）はループ１０の入力及び出力とプラントまた はプロセス２に関連する外乱モデルとに関してトレーニングされたニューラルネ ットワークである。プラントまたはプロセス２は、当業者ならば十分に理解でき るように、コントローラにより制御されるものであれば何であってもよい。 プラントの出力は線路３上に現れ、この出力は、当業界固有の知識では、その 出力を表す信号であると考えられ、より広くは、一般に”ｙ”として知られてい る。（”ｙ”は、出力変数でも出力変数の集合でもよい。外乱の影響を受ける変 数だけが影響を受ける事例においては、ｙ出力はノミナルコントローラに供給さ れない。もっとも複雑に制御されるシステムにおいては、ノミナルコントローラ に影響を及ぼす他の出力変数が存在する。”ｙ”についての詳細に関しては、詳 細な説明の空調装置の例を参照のこと。）このプラントまたはプロセスの出力を 表す信号は、外乱プロセッサ１４及びコントローラブロック２０に供給される。 ノミナルコントローラの出力は線路６上に現れる。外乱プロセッサ１９は、好ま しくは、タイマ１５または他の何らかの周期性インジケータと関連して、いつど の程度の外乱が発生すると予測されるかを理解するようトレーニングされたニュ ーラルネットワークである。外乱の周期性がｙに関連するものである場合は、ｙ はＤＭＣＵ１４（Disturbance Mode Controller Unit;外乱モードコントローラ 装置）に必要な唯一の入力の可能性がある。ＤＭＣＵ１４の出力は線路５上に現 れる。 ＤＭＣＵによる制御は、異なるいくつかの方法によって達成することができ る。一実施形態においては、予測モデルまたはニューラルネットワークはプラン ト出力ｙを見、これをすぐ未来の外乱の発生の前に生じる予測プラント出力と比 較する。ニューラルネットをトレーニングするのに用いた入力（ｕ）／出力（ｙ ）データに基づいて、その出力（線路５上に現れる）を各々主コントローラブロ ック２０内の独自のコントローラに表される１つまたは２つ以上の影響される制 御変数あるいは１つまたは２つ以上の制約変数を予測するために使用することが できる。もう一つの実施形態においても、クロックブロック１５からの入力とし て図示するタイマの作動のような外部事象の入力を使用することができる。 ここで制約変数及び制御変数について簡単に説明しておくことが適切であろう 。制約変数はマシン性能の基礎をなす変数である。例えば、ファンはある範囲の 回転数でしか回転することができず、その範囲外では拘束される。燃料供給管は 所与の時間に一定量の燃料しか通すことができず、従って流量変数によって制約 さ れる。制御変数は、例えば弁の開度、あるいはこれに接続されたパイプにおける 弁の開度に直接関係する流量のように、コントローラが変えることができる変数 である。このように、制約変数は制御変数によっても影響される。 トレーニングされたニューラルネット（ニューラルネット以外を使用する場合 においては他の予測モデル）の出力５は、各時間ステップにおいて予測地平線全 体にわたりプロセスに影響を及ぼす外乱をシミュレートする。この出力５は、コ ントローラブロック２０の形式と適合するものであれば、任意の形式でよい。通 常、この実施形態においては、出力は、ＤＭＣＵがトレーニングされた外乱モデ ル基づく（あるいはニューラルネットではなく計算ＤＭＣＵを使用する場合は外 乱モデルと計算の繰返しに基づく）制約変数の予測ベクトルプロファイルになっ ている。予測外乱が実際に発生しなかった場合は、出力ｙが予測どおりでないた めに、ニューラルネットワークはその事実に応答を示す。モデルにおけるトレー ニングとの不一致がニューラルネットに明らかになると、ニューラルネットはそ の出力から予測外乱プロファイルを取り除き、適切にトレーニングされていれば 、出力を補正することによってその誤差の影響を取り除くこともできる。計算Ｄ ＭＣＵにおいては、ある所定時間にわたって出力ｙをチェックし、反復モデルに よって予測された外乱が起こったかどうかを確認するためにモニタを設ける必要 があり、また予測外乱が起こらなかった場合の補正動作のために何らかの他のモ デルを追加してもよい。 ＤＭＣＵの制御状況への実際の応用、例えば空調システムへの応用においては 、ＤＭＣＵは日中は相当大きな増加に向かう熱負荷、その後太陽が西の地平線に 向かうに連れて減少する熱負荷の発生を予測するようプログラムまたはトレーニ ングされということが考えられる。その日が非常に曇っていれば、予測外乱は発 生せず、ＤＭＣＵは空調された空間の出力は温度の予測上昇を示さず、制御動作 がない状況（あるいは、もちろん、外乱の予測制御応答状況を付加することによ って、空調された空間のフラットな温度レベルまたは低下に向かう温度レベル） となるので、その曇っていることを認識する。 この例は、出力ｙが空間の温度だけの場合である。この場合は、図１の線路 ４はノミナルコントローラにまったく情報を供給しない。しかしながら、ノミナ ルコントローラが湿度も考慮したものである場合、湿度を表す空間の”ｙ”出力 （ＤＭＣＵが考慮する予測外乱とは関連がないものと仮定する）は、ノミナルコ ントローラの入力として接続されるが、この例においては、この湿度信号はＤＭ ＣＵには送られない。 もう一つの実施形態においては、「外乱を予測する(I predict a disturban ce)」信号、あるいは「外乱はまったく予想されない(no disturbance is predic ted)」信号が線路５を介して送られる。実装においては、これは例えば論理０ま たは論理１信号である。このような実装例においては、外乱応答及び無外乱応答 をノミナルコントローラ２０に対してプログラムまたはトレーニングしなければ ならず、その場合、コントローラは、標準的なＭＰＣコントローラのようではな く、むしろ、線路５からのＤＭＣＵ入力に応じて、外乱がある場合、あるいは外 乱がない場合について適切なｕを送出することができるものと思われる。標準的 なコントローラに予測外乱から得られる予測出力ｙを補正値として供給するとい う基本的考えを理解したならば、当業者は同様の変形態様を多数構成することが 可能である。言い換えると、潜在的外乱の作用のモデルをコントローラブロック ２０に入れ、ＤＭＣＵには単に外乱の発生を予測させるだけにすることも本発明 の範囲内で可能である。図１のブロック１５に示すような外部クロックの機能は 、例えば、プラントからの出力ｙの他に、このようなシステムが外乱の発生を予 測するために必要な他の入力を供給することである。 ニューラルネットワークがこれらのタスクを成し遂げるためのトレーニングは 困難ではないが、好ましくは、本発明のコントローラを設置しようと考える状況 を表すシミュレーションを用いて行うべきである。本願の開示が当業者の理解能 力の範囲内にあることを実証する参考文献としては、マサー(Mathur)及びサマド (Samad)による「ニューラルネットワーク−電力産業に関するチュートリアル("N eural Networks‐A Tutorial for the Power Industry")」、米国電力会議会報 （1990年）、及びその中に引用された文献がある。 図２乃至５は、外乱の発生に対する関連変数のプロファイルまたは軌跡を示し たものである。まず、図２において、外乱Ｄは、グラフの起点である時刻＝ｋで 起こる。このグラフ４０は制御ループ中のコントローラからの出力ｕの予測を示 す曲線である。点線４３は、コントローラがプラントまたはプロセスからの出力 ｙにまだ影響を及ぼしていないために、時刻ｋにおける予測外乱に対して反応が ないことを示している。この点線４３は、従来のＭＰＣが時刻ｋでなすであろう と思われる予測を表している。従来のコントローラが予測ＤＭＣＵによって予測 されたｙを使用できるようにすると、出力ｕは曲線４１で示すようになる。曲線 ４２は、設定点に対する実際の偏差を示している。 図３においては、上記と同じグラフが時刻ｋ＋２に移動している（あるいはｋ ＋２を起点として描き直されている）。この外乱は従来のＭＰＣによって示され る（従来技術のＭＰＣのようにＤＭＣＵなしで）。その応答はモデル誤差ｅ２を 伴う制御動作を予測して曲線４４で示されている。本発明による予測ＤＭＣＵを 用いて構成されたＭＰＣの場合の時刻ｋ＋２におけるｅ１のモデル誤差は、上記 誤差ｅ２に加えて用いられ、これによれば、実際の外乱の発生が予測外乱の近辺 で起こると仮定した場合、ニューラルネット外乱予測子によって補正されたモデ ルによってプロセスまたはプラントをよりタイムリーな仕方で設定点７に移動さ せることが可能となる。 図４は、グラフ４５で出力及び負荷のプロファイルを示している。ハイブリッ ドＭＰＣ（本発明による）は、増加傾向の負荷曲線４６がこれから起ころうとし ていることを認識している（そのトレーニングまたはモデルのために予測する） ので、曲線４９のプラント出力プロファイルを生じる。従来のＭＰＣは、外乱が 起こってこれに応答するまで時間を要するので、曲線４８のプラント出力プロフ ァイルを生じる。従って、負荷に対する予測外乱が発生する場合、本発明による ＭＰＣは、大部分の状況において従来のＭＰＣよりも外乱応答（外乱除去として 知られている）がすぐれているということは容易に理解できよう。 図５において、グラフ４７はやはりハイブリッドＭＰＣと従来のＭＰＣとの 相対的効率を示しているが、この場合はコントローラ出力ｕに関して示したもの である。曲線５１は、図４の曲線４６で示す負荷変化プロファイルに対する応答 としての本発明によるハイブリッドＭＰＣにおけるｕ出力を表し、曲線５１は従 来のＭＰＣのｕ出力を表す。図４と５は同じ時間スケールで描いてある。 以上説明した本発明は、以下の請求の範囲の記載によってのみ限定されるも のである。

Claims (1)

1. 【特許請求の範囲】 １． 上記ＤＭＣＵが、プロセス出力がユーザにより選択された期間内において ユーザにより選択された大きさ以上設定点に対して変化しない限り、上記外乱予 測子から上記ノミナルコントローラ出力への信号を上記選択された期間だけ使用 する請求項５記載の制御ループ。 ２． ＤＭＣＵが、予測外乱モデル上でのシミュレーションでトレーニングされ たニューラルネットワークである請求項５記載のコントローラ。 ３． ＤＭＣＵ出力が、外乱が予測されるかどうかだけを示す信号である請求項 ５記載のコントローラ。 ４． ＤＭＣＵ出力が、該ＤＭＣＵによって予測されたｙのプロファイルを示す 信号であり、ｙが少なくとも１つの出力変数ベクトルである請求項５記載ののコ ントローラ。 ５． アクチュエータを有するプロセスを制御するための出力信号を有し、その プロセスの制御を達成する前記アクチュエータに接続され、前記プロセスの出力 を表す入力信号を有している、前記プロセスを制御する制御ループにおいて、 アクチュエータに接続され、そのアクチュエータを制御するための第１の出力 を有し、プロセス出力を表す信号を受ける第１の入力と、第２及び第３の入力と を有するノミナルコントローラと、 プロセス出力を表す信号を受ける第１の入力を有し、ノミナルコントローラの 第１の出力に接続された第２の入力を有し、ノミナルコントローラの第２の入力 に接続された出力を有し、かつ第３の入力を有する外乱モードコントローラ装置 （ＤＭＣＵ）と、 外乱モードコントローラ装置の第３の入力に接続された出力を有する周期性イ ンジケータと、 を具備し、 外乱モードコントローラ装置が、周期性インジケータとの関連において、かつ 外乱モードコントローラ装置の第１の入力のプロセス出力及び外乱モードコント ローラ装置の第２の入力のアクチュエータを制御するノミナルコントローラの第 １の出力を表す信号を考慮して予測外乱の確度を記憶して、予測外乱の起こる時 と程度を予測するとともに、外乱モードコントローラ装置の出力に、すぐに起こ る外乱が予測されればその予測外乱を示す信号を供給して、ノミナルコントロー ラの第２の入力に入力するニューラルネットワークを有する外乱予測子装置を具 備し、 前記ノミナルコントローラが、そのノミナルコントローラの第３の入力に設定 点信号を有すると共に、ノミナルコントローラの第１の入力にプロセス出力を表 す信号を有して、何らかの差迫った外乱を表す信号がない場合にアクチュエータ を制御するための出力を発生し、何らかの差迫った外乱を示す信号がある場合は 、外乱モードコントローラ装置からの何らかの差迫った外乱を示す信号からアク チュエータを制御するための出力を発生する 制御ループ。