JPH1153005A - 制御系におけるモデルパラメータの学習方法 - Google Patents
制御系におけるモデルパラメータの学習方法Info
- Publication number
- JPH1153005A JPH1153005A JP20871997A JP20871997A JPH1153005A JP H1153005 A JPH1153005 A JP H1153005A JP 20871997 A JP20871997 A JP 20871997A JP 20871997 A JP20871997 A JP 20871997A JP H1153005 A JPH1153005 A JP H1153005A
- Authority
- JP
- Japan
- Prior art keywords
- output
- learning
- parameters
- parameter
- prediction 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.)
- Withdrawn
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【課題】 制御系におけるモデルパラメータの学習方法
において、パラメータ学習異常による制御失敗および学
習効果の低下を防ぐ。 【解決手段】 現在から将来にわたる出力を連続的に予
測する制御の予測モデルに用いるパラメータを学習する
方法において、ステップ応答によって得られる出力推移
曲線から学習後のパラメータが適切であるかを判断する
ことを特徴としている。 【効果】 この発明による効果は、モデルパラメータの
学習効果を享受し、かつステップ応答による出力推移曲
線が特異な曲線となった場合には、曲線を修正して制御
失敗を防ぐことができる。
において、パラメータ学習異常による制御失敗および学
習効果の低下を防ぐ。 【解決手段】 現在から将来にわたる出力を連続的に予
測する制御の予測モデルに用いるパラメータを学習する
方法において、ステップ応答によって得られる出力推移
曲線から学習後のパラメータが適切であるかを判断する
ことを特徴としている。 【効果】 この発明による効果は、モデルパラメータの
学習効果を享受し、かつステップ応答による出力推移曲
線が特異な曲線となった場合には、曲線を修正して制御
失敗を防ぐことができる。
Description
【0001】
【発明の属する技術分野】この発明は、温度、圧力、流
量、液位、濃度などの制御量を予測モデルを用いて制御
する制御系に関し、特にその制御系におけるモデルパラ
メータの学習方法に関する。
量、液位、濃度などの制御量を予測モデルを用いて制御
する制御系に関し、特にその制御系におけるモデルパラ
メータの学習方法に関する。
【0002】この発明は、たとえば金属材料の熱処理の
ための温度制御、石油プラントなどの時間的変化を伴う
化学反応の制御に利用される。
ための温度制御、石油プラントなどの時間的変化を伴う
化学反応の制御に利用される。
【0003】
【従来の技術】現在から将来にわたる板温または炉温を
連続的に予測する温度制御方法として、特開昭61−1
90026号公報に開示されているような、炉温、燃料
流量、板厚、板幅、中央ライン速度(以下に中央速度と
よぶ)から動的に板温を予測する板温予測モデルを用い
るものと、特開平4−72022号公報のように、上記
板温予測モデルと、さらに設備保護のために、燃料流
量、板温、板幅、中央速度から動的に炉温を予測する炉
温予測モデルを併用したものがある。これらの予測温度
制御方法は、所定の周期および中央速度変化時にサンプ
リングされる実績値をもとに、現在から将来にわたる制
御対象温度を予測する。この予測板温と制御目標板温と
の偏差、および上記予測炉温と制御目標炉温との偏差、
加熱炉の燃料流量の変動量を、あらかじめ設定された評
価関数を用いて、現在から将来にわたり連続的に評価
し、板温、炉温、および加熱炉の燃料流量の最適化を図
るものである。
連続的に予測する温度制御方法として、特開昭61−1
90026号公報に開示されているような、炉温、燃料
流量、板厚、板幅、中央ライン速度(以下に中央速度と
よぶ)から動的に板温を予測する板温予測モデルを用い
るものと、特開平4−72022号公報のように、上記
板温予測モデルと、さらに設備保護のために、燃料流
量、板温、板幅、中央速度から動的に炉温を予測する炉
温予測モデルを併用したものがある。これらの予測温度
制御方法は、所定の周期および中央速度変化時にサンプ
リングされる実績値をもとに、現在から将来にわたる制
御対象温度を予測する。この予測板温と制御目標板温と
の偏差、および上記予測炉温と制御目標炉温との偏差、
加熱炉の燃料流量の変動量を、あらかじめ設定された評
価関数を用いて、現在から将来にわたり連続的に評価
し、板温、炉温、および加熱炉の燃料流量の最適化を図
るものである。
【0004】これらの予測温度制御方法に用いられてい
る板温予測モデルや炉温予測モデルは、実際の制御では
炉の状況あるいは操業の経年変化等を考慮して、制御対
象温度モデルのパラメータを実績のパラメータから適応
修正し、学習している。
る板温予測モデルや炉温予測モデルは、実際の制御では
炉の状況あるいは操業の経年変化等を考慮して、制御対
象温度モデルのパラメータを実績のパラメータから適応
修正し、学習している。
【0005】このパラメータ学習方法には、たとえば特
開昭61−190026号公報には、固定トレース法、
指数的重み付き最小二乗法、または忘却係数付き逐次型
最小二乗法などによる学習方法が開示されている。さら
に、ヒートサイクルや鋼種の違いで通板量が大きく異な
ると、通板量の多いヒートサイクルや鋼種にモデル式の
パラメータが偏り、通板量の少ないヒートサイクルや鋼
種の学習精度が低くなる場合がある。このような問題を
改善する方法として、特開平4−72022号公報に
は、鋼種またはヒートサイクルごとに重み係数を持つこ
とで、通板量の少ないヒートサイクルや鋼種に対するパ
ラメータ学習精度を向上させる方法が開示されている。
開昭61−190026号公報には、固定トレース法、
指数的重み付き最小二乗法、または忘却係数付き逐次型
最小二乗法などによる学習方法が開示されている。さら
に、ヒートサイクルや鋼種の違いで通板量が大きく異な
ると、通板量の多いヒートサイクルや鋼種にモデル式の
パラメータが偏り、通板量の少ないヒートサイクルや鋼
種の学習精度が低くなる場合がある。このような問題を
改善する方法として、特開平4−72022号公報に
は、鋼種またはヒートサイクルごとに重み係数を持つこ
とで、通板量の少ないヒートサイクルや鋼種に対するパ
ラメータ学習精度を向上させる方法が開示されている。
【0006】
【発明が解決しようとする課題】上記従来技術のパラメ
ータ学習方法では、たとえば鋼板表面の酸化膜や汚染物
に起因する計装ノイズなどの何らかの外乱によって、パ
ラメータの学習異常を生じることがある。図2に示した
例では、学習タイミングに高め外れの外乱が発生したた
めに、パラメータを学習が板温予測曲線よりも板温を低
くするものとなっている。このようなパラメータ学習異
常による制御失敗を防ぐために、通常は各パラメータの
学習値に上下限値を規制している。しかし、この方法で
は、本来の学習効果を活かした制御ができなくなるとい
う問題がある。
ータ学習方法では、たとえば鋼板表面の酸化膜や汚染物
に起因する計装ノイズなどの何らかの外乱によって、パ
ラメータの学習異常を生じることがある。図2に示した
例では、学習タイミングに高め外れの外乱が発生したた
めに、パラメータを学習が板温予測曲線よりも板温を低
くするものとなっている。このようなパラメータ学習異
常による制御失敗を防ぐために、通常は各パラメータの
学習値に上下限値を規制している。しかし、この方法で
は、本来の学習効果を活かした制御ができなくなるとい
う問題がある。
【0007】そこで、この発明は、制御系におけるモデ
ルパラメータの学習方法において、パラメータ学習異常
による制御失敗および学習効果の低下を防ぐことを課題
としている。
ルパラメータの学習方法において、パラメータ学習異常
による制御失敗および学習効果の低下を防ぐことを課題
としている。
【0008】
【課題を解決するための手段】この発明の制御系におけ
るモデルパラメータ学習方法は、予測モデルを用いて現
在から将来にわたる出力を連続的に予測して制御を行う
制御系で、所定のサンプリング周期で観測した出力の観
測値に基づいて予測モデルのパラメータを学習する方法
において、ステップ応答によって得られる出力推移曲線
から学習後のパラメータが適切であるかを判断すること
を特徴としている。
るモデルパラメータ学習方法は、予測モデルを用いて現
在から将来にわたる出力を連続的に予測して制御を行う
制御系で、所定のサンプリング周期で観測した出力の観
測値に基づいて予測モデルのパラメータを学習する方法
において、ステップ応答によって得られる出力推移曲線
から学習後のパラメータが適切であるかを判断すること
を特徴としている。
【0009】また、この発明の制御におけるモデルパラ
メータの学習方法は、予測モデルを用いて現在から将来
にわたる出力を連続的に予測して制御を行う制御系で、
ステップ入力に対し前記予測モデルのパラメータを出力
観測値に基づいて所定のサンプリング周期ごとに学習す
る方法において、次の工程からなることを特徴としてい
る。
メータの学習方法は、予測モデルを用いて現在から将来
にわたる出力を連続的に予測して制御を行う制御系で、
ステップ入力に対し前記予測モデルのパラメータを出力
観測値に基づいて所定のサンプリング周期ごとに学習す
る方法において、次の工程からなることを特徴としてい
る。
【0010】 1周期前のサンプリング周期において
予測モデルで求めた出力計算値と現サンプリング周期で
の出力観測値との差が、あらかじめ設定したプラント状
態許容範囲内にあるかを判断する第1工程 第1工程における前記出力計算値と出力観測値との
差が前記プラント状態許容範囲外にある場合は、現サン
プリング周期でのパラメータ学習を保留し、出力計算値
と出力観測値との差がプラント状態許容範囲内にある場
合は、プラントが学習可能な状態にあると判断し、パラ
メータ学習を行う第2工程 第2工程で学習したパラメータの予測モデルを用
い、前記ステップ入力に対する応答を現サンプリング時
点から将来にわたって予測計算し、出力推移曲線を求め
る第3工程 第3工程で求めた出力推移曲線の整定部が、あらか
じめ設定した出力変動許容範囲内にあるかを判断する第
4工程 前記出力推移曲線の整定部が前記出力変動許容範囲
内である場合は、パラメータを第2工程で学習したパラ
メータに決定し、出力推移曲線の整定部が出力変動許容
範囲外である場合は、現サンプリング周期の出力と1周
期前のサンプリング周期の出力とを等しいとしてパラメ
ータを修正する第5工程 この発明では、モデルパラメータの学習において、直接
的にパラメータに上、下限値を制限するなどの操作を施
すのではなく、ステップ応答によって得られる出力推移
曲線から学習したモデルパラメータが適切か不適切かを
判断する。モデルパラメータが不適切な場合は、上記出
力推移曲線をもとに再度学習してモデルパラメータを修
正する。したがって、パラメータが不適切な値で学習さ
れることはないので、学習効果を低下させることなく、
モデルパラメータの学習異常による制御失敗を防ぐこと
ができる。
予測モデルで求めた出力計算値と現サンプリング周期で
の出力観測値との差が、あらかじめ設定したプラント状
態許容範囲内にあるかを判断する第1工程 第1工程における前記出力計算値と出力観測値との
差が前記プラント状態許容範囲外にある場合は、現サン
プリング周期でのパラメータ学習を保留し、出力計算値
と出力観測値との差がプラント状態許容範囲内にある場
合は、プラントが学習可能な状態にあると判断し、パラ
メータ学習を行う第2工程 第2工程で学習したパラメータの予測モデルを用
い、前記ステップ入力に対する応答を現サンプリング時
点から将来にわたって予測計算し、出力推移曲線を求め
る第3工程 第3工程で求めた出力推移曲線の整定部が、あらか
じめ設定した出力変動許容範囲内にあるかを判断する第
4工程 前記出力推移曲線の整定部が前記出力変動許容範囲
内である場合は、パラメータを第2工程で学習したパラ
メータに決定し、出力推移曲線の整定部が出力変動許容
範囲外である場合は、現サンプリング周期の出力と1周
期前のサンプリング周期の出力とを等しいとしてパラメ
ータを修正する第5工程 この発明では、モデルパラメータの学習において、直接
的にパラメータに上、下限値を制限するなどの操作を施
すのではなく、ステップ応答によって得られる出力推移
曲線から学習したモデルパラメータが適切か不適切かを
判断する。モデルパラメータが不適切な場合は、上記出
力推移曲線をもとに再度学習してモデルパラメータを修
正する。したがって、パラメータが不適切な値で学習さ
れることはないので、学習効果を低下させることなく、
モデルパラメータの学習異常による制御失敗を防ぐこと
ができる。
【0011】上記工程で得られた予測モデルを制御に用
いるには、たとえば目標値と予測モデルで計算した予測
出力(予測制御量)とに基づき操作量を求める。この発
明は、公知のセルフチューニング制御、モデル予測制御
などに利用することができる。
いるには、たとえば目標値と予測モデルで計算した予測
出力(予測制御量)とに基づき操作量を求める。この発
明は、公知のセルフチューニング制御、モデル予測制御
などに利用することができる。
【0012】
【発明の実施の形態】この発明のパラメータ学習方法の
態様を、図1のフローチャートに従って説明する。
態様を、図1のフローチャートに従って説明する。
【0013】この発明の制御におけるモデルパラメータ
の学習方法は、予測モデルを用いて現在から将来にわた
る出力を連続的に予測して制御を行う制御系で、ステッ
プ入力に対し所定のサンプリング周期で観測した出力の
観測値に基づいて予測モデルのパラメータを学習する方
法において、予測モデルのパラメータ学習は次の5工程
からなっている。
の学習方法は、予測モデルを用いて現在から将来にわた
る出力を連続的に予測して制御を行う制御系で、ステッ
プ入力に対し所定のサンプリング周期で観測した出力の
観測値に基づいて予測モデルのパラメータを学習する方
法において、予測モデルのパラメータ学習は次の5工程
からなっている。
【0014】 第1工程(図1) 1周期前のサンプリング周期において予測モデルで求め
た出力計算値と現サンプリング周期での出力観測値との
差が、あらかじめ設定したプラント状態許容範囲内にあ
るかを判断する。この工程は、パラメータが不適切な値
で学習されることを防ぐために、プラント状態がパラメ
ータ学習に対し十分落ち着いているかをチェックするも
のである。
た出力計算値と現サンプリング周期での出力観測値との
差が、あらかじめ設定したプラント状態許容範囲内にあ
るかを判断する。この工程は、パラメータが不適切な値
で学習されることを防ぐために、プラント状態がパラメ
ータ学習に対し十分落ち着いているかをチェックするも
のである。
【0015】予測モデルは、制御系の特性が同一または
近似した制御系ですでに運転実績または試験により得ら
れた、または理論解析により得られたモデルを用いる。
たとえば、次の式(1)が用いられる(特開昭61−1
90026号公報参照)。
近似した制御系ですでに運転実績または試験により得ら
れた、または理論解析により得られたモデルを用いる。
たとえば、次の式(1)が用いられる(特開昭61−1
90026号公報参照)。
【0016】
【数1】 なお、式(1)右辺、第2項の和の上限mは制御精度に
関係しており、大きいほど精度は高くなる。上限mを大
きくすると、計算量が増えるので実機コンピュータの負
荷が高くなるとともに、制御調整も複雑になる。したが
って、モデルの精度が良好であり、コンピュータの負荷
が比較的軽く、かつ制御調整がある程度容易にできる値
が用いられる。和の上限mは実験により求めることがで
き、たとえば5程度である。
関係しており、大きいほど精度は高くなる。上限mを大
きくすると、計算量が増えるので実機コンピュータの負
荷が高くなるとともに、制御調整も複雑になる。したが
って、モデルの精度が良好であり、コンピュータの負荷
が比較的軽く、かつ制御調整がある程度容易にできる値
が用いられる。和の上限mは実験により求めることがで
き、たとえば5程度である。
【0017】ステップ入力がなされると同時にパラメー
タ学習を開始する。ステップ入力の時点で、予測モデル
によりmサンプリング周期先の出力を予測計算する。そ
して、引き続くサンプリング周期ごとに、mサンプリン
グ周期先の出力を予測計算する。なお、パラメータ学習
開始の時点でのパラメータは、過去の実績などから適当
な値を実操業前に初期値として設定したパラメータを用
いる。
タ学習を開始する。ステップ入力の時点で、予測モデル
によりmサンプリング周期先の出力を予測計算する。そ
して、引き続くサンプリング周期ごとに、mサンプリン
グ周期先の出力を予測計算する。なお、パラメータ学習
開始の時点でのパラメータは、過去の実績などから適当
な値を実操業前に初期値として設定したパラメータを用
いる。
【0018】 第2工程(図1) 第1工程における前記出力計算値と出力観測値との差が
前記プラント状態許容範囲外にある場合は、現サンプリ
ング周期でのパラメータ学習を保留する。つまり、パラ
メータはそのままとしておき、現サンプリング周期での
パラメータ学習は行わない。したがって、次のサンプリ
ング周期の第1工程では、現サンプリング周期より1周
期前のサンプリング周期で学習したパラメータ、または
前記初期設定のパラメータを用いることになる。
前記プラント状態許容範囲外にある場合は、現サンプリ
ング周期でのパラメータ学習を保留する。つまり、パラ
メータはそのままとしておき、現サンプリング周期での
パラメータ学習は行わない。したがって、次のサンプリ
ング周期の第1工程では、現サンプリング周期より1周
期前のサンプリング周期で学習したパラメータ、または
前記初期設定のパラメータを用いることになる。
【0019】出力計算値と出力観測値との差がプラント
状態許容範囲内にある場合は、プラントが学習可能な状
態にあると判断する。そして、現サンプリング周期の1
周期前までの出力観測値に基づいてパラメータを、公知
の方法(たとえば、前記特開昭61−190026号公
報参照)により学習する。たとえば、式(1)の場合、
パラメータの学習または修正は次のようにして行う。
状態許容範囲内にある場合は、プラントが学習可能な状
態にあると判断する。そして、現サンプリング周期の1
周期前までの出力観測値に基づいてパラメータを、公知
の方法(たとえば、前記特開昭61−190026号公
報参照)により学習する。たとえば、式(1)の場合、
パラメータの学習または修正は次のようにして行う。
【0020】式(1)を次の式(2)に書き換える。
【0021】
【数2】 ここで、P(t−1)は(m+1)×(m+1)正定値
対称行列であり、適応ゲイン行列と呼ばれている。適応
ゲイン行列P(t−1)の値は、出力(制御量)の条件
に応じて重み係数を適用した固定トレース法、指数的重
み付き最小二乗法、あるいは忘却係数付き逐次型最小二
乗法などを用いて、毎回変化させることが望ましい。
対称行列であり、適応ゲイン行列と呼ばれている。適応
ゲイン行列P(t−1)の値は、出力(制御量)の条件
に応じて重み係数を適用した固定トレース法、指数的重
み付き最小二乗法、あるいは忘却係数付き逐次型最小二
乗法などを用いて、毎回変化させることが望ましい。
【0022】 第3工程(図1) 第2工程で学習したパラメータの予測モデルを用い、ス
テップ入力に対する応答を現サンプリング時点から将来
にわたって予測計算し、出力推移曲線を求める。これ
は、時刻tにステップ状基準入力を入力し、その出力に
ついて将来時刻t+nに対する過渡応答特性を計算する
ものである。
テップ入力に対する応答を現サンプリング時点から将来
にわたって予測計算し、出力推移曲線を求める。これ
は、時刻tにステップ状基準入力を入力し、その出力に
ついて将来時刻t+nに対する過渡応答特性を計算する
ものである。
【0023】制御対象に単位ステップ入力が入力された
として、第2工程で学習したパラメータを用い、予測モ
デルにより出力推移曲線を求める。いま、単位ステップ
応答による出力計算値をGn+i とすると、ステップ入力
u=1として式(1)を書き換えると、
として、第2工程で学習したパラメータを用い、予測モ
デルにより出力推移曲線を求める。いま、単位ステップ
応答による出力計算値をGn+i とすると、ステップ入力
u=1として式(1)を書き換えると、
【数3】 ここで、Gn+i-1 は現サンプリング周期での出力計算値
であり、aおよびbm は、第2工程で学習したパラメー
タである。なお、出力推移曲線を求めるためのステップ
入力は、単位ステップ入力に限らなくてもよい。
であり、aおよびbm は、第2工程で学習したパラメー
タである。なお、出力推移曲線を求めるためのステップ
入力は、単位ステップ入力に限らなくてもよい。
【0024】 第4工程(図1) 第3工程で求めた出力推移曲線の整定部が、あらかじめ
設定した出力変動許容範囲内にあるかを判断する。すな
わち、ステップ応答計算によって得られた出力推移曲線
から、学習後のパラメータが物理現象として適正である
かの判断(出力推移曲線によるパラメータの適正判断)
を行う。もし、モデルパラメータの学習時に計装ノイズ
や何らかの外乱が影響していると、ステップ応答による
出力推移曲線は、図3のケース1やケース2のような特
異な曲線を示す。ケース1の場合、出力が整定すること
なく下がって行くようなステップ応答であるため、現在
の出力が目標値と一致していても、将来の出力確保のた
めに入力を増す傾向となり、出力は高めに外れる。ま
た、ケース2の場合、出力が整定することなく上がって
行くようなステップ応答であるため、現在の出力が目標
値と一致していても、将来の出力確保のために入力を減
らす傾向となり、出力は低めに外れる。そこで、あらか
じめの実験などでステップ応答による温度推移曲線で本
来整定すべき部分(出力変動幅が小さい部分)に、図3
に記入されているαとβのような出力変動許容範囲を設
ける。学習後のパラメータを用いて求めたステップ応答
による出力推移曲線が上記出力変動許容範囲にあるかを
判断する。
設定した出力変動許容範囲内にあるかを判断する。すな
わち、ステップ応答計算によって得られた出力推移曲線
から、学習後のパラメータが物理現象として適正である
かの判断(出力推移曲線によるパラメータの適正判断)
を行う。もし、モデルパラメータの学習時に計装ノイズ
や何らかの外乱が影響していると、ステップ応答による
出力推移曲線は、図3のケース1やケース2のような特
異な曲線を示す。ケース1の場合、出力が整定すること
なく下がって行くようなステップ応答であるため、現在
の出力が目標値と一致していても、将来の出力確保のた
めに入力を増す傾向となり、出力は高めに外れる。ま
た、ケース2の場合、出力が整定することなく上がって
行くようなステップ応答であるため、現在の出力が目標
値と一致していても、将来の出力確保のために入力を減
らす傾向となり、出力は低めに外れる。そこで、あらか
じめの実験などでステップ応答による温度推移曲線で本
来整定すべき部分(出力変動幅が小さい部分)に、図3
に記入されているαとβのような出力変動許容範囲を設
ける。学習後のパラメータを用いて求めたステップ応答
による出力推移曲線が上記出力変動許容範囲にあるかを
判断する。
【0025】 第5工程(図1) 前記出力推移曲線の整定部が前記第4工程の出力変動許
容範囲内である場合にはパラメータ学習を終了する。
容範囲内である場合にはパラメータ学習を終了する。
【0026】出力推移曲線の整定部が出力変動許容範囲
外である場合には、出力変動許容範囲外となる時点を現
サンプリング時点とした出力と現サンプリング時点の1
周期前の時点の出力とを等しいとしてパラメータを修正
する。すなわち、出力推移曲線がその出力変動許容範囲
外にある場合は、学習後のパラメータが不適正であると
判断し、学習後パラメータの再修正を行う。修正方法と
しては、出力推移曲線の整定部分を表わすパラメータ
を、出力変動許容範囲外となる時点を現時点とした出力
と、現時点の1サンプリング周期前の時点の出力との差
で表わすことで、現時点と前時点との出力を一致させ、
出力推移曲線を整定させる。
外である場合には、出力変動許容範囲外となる時点を現
サンプリング時点とした出力と現サンプリング時点の1
周期前の時点の出力とを等しいとしてパラメータを修正
する。すなわち、出力推移曲線がその出力変動許容範囲
外にある場合は、学習後のパラメータが不適正であると
判断し、学習後パラメータの再修正を行う。修正方法と
しては、出力推移曲線の整定部分を表わすパラメータ
を、出力変動許容範囲外となる時点を現時点とした出力
と、現時点の1サンプリング周期前の時点の出力との差
で表わすことで、現時点と前時点との出力を一致させ、
出力推移曲線を整定させる。
【0027】いま、ステップ応答の本来整定すべき部分
(外乱の影響を受けてしまった部分をGn+i とすると、
前記式(4)において Gn+i =Gn+i+1 ……(5) とし、現時点と前時点との出力を一致させ、出力推移曲
線を整定させる。
(外乱の影響を受けてしまった部分をGn+i とすると、
前記式(4)において Gn+i =Gn+i+1 ……(5) とし、現時点と前時点との出力を一致させ、出力推移曲
線を整定させる。
【0028】ここで、i=3であったとすると、 Gn+3 =aGn+2 +b1 +b2 +b3 +b4 ……(6) Gn+4 =aGn+3 +b1 +b2 +b3 +b4 +b5 ……(7) Gn+3 =Gn+4 となるには、式(6)および(7)とか
ら b5 =aGn+2 −aGn+3 ……(8) とすればよい。
ら b5 =aGn+2 −aGn+3 ……(8) とすればよい。
【0029】したがって、Gn+i =Gn+i+1 とするに
は、 bi+1 =aGn+i-1 −aGn+i ……(9) とすればよい。
は、 bi+1 =aGn+i-1 −aGn+i ……(9) とすればよい。
【0030】以上の5工程で、1サンプリング周期での
モデルパラメータの学習を終了する。上記第1〜第5の
すべての工程が、1サンプリング周期で実行される。ま
た、パラメータ学習は、プラントの経時変化に追従して
操業中にも行われる。
モデルパラメータの学習を終了する。上記第1〜第5の
すべての工程が、1サンプリング周期で実行される。ま
た、パラメータ学習は、プラントの経時変化に追従して
操業中にも行われる。
【0031】パラメータの学習が終了すると、学習修正
したパラメータを用いて操作量を求める。すなわち、現
在のステップ入力(操作量)が将来時刻に向かって一定
で続くと仮定して、出力(制御量)を現在から将来にわ
たって予測計算し、予測出力推移曲線を得る(図1
)。そして、この予測出力推移曲線とステップ応答に
よる出力推移曲線、目標値を評価関数項とし、その評価
関数を最適化する操作量を計算する(図1)。なお、
上記操作量の計算方法については、たとえば前記特開昭
61−190026号公報参照。これにより、品質、生
産コストを考慮した最適な制御を行うことができる。
したパラメータを用いて操作量を求める。すなわち、現
在のステップ入力(操作量)が将来時刻に向かって一定
で続くと仮定して、出力(制御量)を現在から将来にわ
たって予測計算し、予測出力推移曲線を得る(図1
)。そして、この予測出力推移曲線とステップ応答に
よる出力推移曲線、目標値を評価関数項とし、その評価
関数を最適化する操作量を計算する(図1)。なお、
上記操作量の計算方法については、たとえば前記特開昭
61−190026号公報参照。これにより、品質、生
産コストを考慮した最適な制御を行うことができる。
【0032】ここで、炉内を通過する間に加熱される鋼
板の温度制御を例として、この発明の適用例について説
明する。図4は、加熱炉と板温度制御装置の概略を模式
的に示している。
板の温度制御を例として、この発明の適用例について説
明する。図4は、加熱炉と板温度制御装置の概略を模式
的に示している。
【0033】加熱炉11内にラジアントチューブ(図示
しない)が配置されており、ラジアントチューブは蓄熱
バーナ13からの燃焼ガスで加熱される。蓄熱バーナ1
3に供給される燃料ガスは、流量調節弁14で流量制御
される。鋼板は設定速度で加熱炉11内を走行し、その
間に目標温度に加熱される。加熱炉入口に鋼板速度検出
器17が、出口に鋼板温度検出器18がそれぞれ配置さ
れている。また、加熱炉11内に炉内温度検出器19が
配置されている。蓄熱バーナ13に供給する燃料ガス流
量を制御コンピュータ21で制御して、鋼板Sの加熱温
度を制御する。制御コンピュータ21は、仕様設定手段
22、パラメータ学習手段24、および鋼板温度制御手
段26を備えている。
しない)が配置されており、ラジアントチューブは蓄熱
バーナ13からの燃焼ガスで加熱される。蓄熱バーナ1
3に供給される燃料ガスは、流量調節弁14で流量制御
される。鋼板は設定速度で加熱炉11内を走行し、その
間に目標温度に加熱される。加熱炉入口に鋼板速度検出
器17が、出口に鋼板温度検出器18がそれぞれ配置さ
れている。また、加熱炉11内に炉内温度検出器19が
配置されている。蓄熱バーナ13に供給する燃料ガス流
量を制御コンピュータ21で制御して、鋼板Sの加熱温
度を制御する。制御コンピュータ21は、仕様設定手段
22、パラメータ学習手段24、および鋼板温度制御手
段26を備えている。
【0034】上記のように構成された装置において、仕
様設定手段に22、鋼板Sの板厚、板幅、通板速度、目
標板温度、予測モデル式、パラメータ初期設定値、出力
変動許容範囲、プラント状態許容範囲、サンプリング周
期などをあらかじめ設定する。パラメータ学習手段24
は、予測モデルおよびパラメータ初期設定値に基づきパ
ラメータ学習を開始する。パラメータ学習が開始される
と、所定のサンプリング周期で加熱炉出口で鋼板温度T
S が検出され、検出温度TS はパラメータ学習手段24
と鋼板温度制御手段26に送られる。パラメータ学習手
段24は、加熱炉出口で検出された鋼板温度TS に基づ
き、パラメータ初期設定値を修正し、サンプリング周期
ごとに前述の手順に従い逐次パラメータを修正する。鋼
板温度制御手段26は、サンプリング周期ごとにパラメ
ータが修正された予測モデル、鋼板寸法、鋼板温度
TS 、炉内温度TS 、鋼板速度VS などに基づき鋼板温
度を予測し、鋼板温度が目標温度となる燃料ガス流量を
求める。演算結果に基づいて制御信号Qが流量調節弁1
4に出力される。鋼板温度TS が整定したのちも、サン
プリング周期ごとに加熱炉出口で鋼板温度TS を検出
し、パラメータを学習、修正する。
様設定手段に22、鋼板Sの板厚、板幅、通板速度、目
標板温度、予測モデル式、パラメータ初期設定値、出力
変動許容範囲、プラント状態許容範囲、サンプリング周
期などをあらかじめ設定する。パラメータ学習手段24
は、予測モデルおよびパラメータ初期設定値に基づきパ
ラメータ学習を開始する。パラメータ学習が開始される
と、所定のサンプリング周期で加熱炉出口で鋼板温度T
S が検出され、検出温度TS はパラメータ学習手段24
と鋼板温度制御手段26に送られる。パラメータ学習手
段24は、加熱炉出口で検出された鋼板温度TS に基づ
き、パラメータ初期設定値を修正し、サンプリング周期
ごとに前述の手順に従い逐次パラメータを修正する。鋼
板温度制御手段26は、サンプリング周期ごとにパラメ
ータが修正された予測モデル、鋼板寸法、鋼板温度
TS 、炉内温度TS 、鋼板速度VS などに基づき鋼板温
度を予測し、鋼板温度が目標温度となる燃料ガス流量を
求める。演算結果に基づいて制御信号Qが流量調節弁1
4に出力される。鋼板温度TS が整定したのちも、サン
プリング周期ごとに加熱炉出口で鋼板温度TS を検出
し、パラメータを学習、修正する。
【0035】
【発明の効果】以上から明らかなように、この発明によ
れば、パラメータの学習効果を享受し、かつステップ応
答による出力推移曲線が特異な曲線となった場合には、
曲線を修正して制御失敗を防ぐことができる。
れば、パラメータの学習効果を享受し、かつステップ応
答による出力推移曲線が特異な曲線となった場合には、
曲線を修正して制御失敗を防ぐことができる。
【図1】この発明によるパラメータ学習のフローチャー
トである。
トである。
【図2】板温予測計算異常の例を示す図である。
【図3】ステップ応答を示す図である。
【図4】この発明を実施する装置の1例を示す装置構成
図である。
図である。
11 加熱炉 13 バーナ 14 流量調節弁 17 鋼板速度検出器 18 鋼板温度検出器 19 炉内温度検出器 21 制御コンピュータ 22 仕様設定手段 24 パラメータ学習手段 26 鋼板温度制御手段 S 鋼板 TS 鋼板温度 TS 炉内温度 VS 鋼板速度 Q 制御信号
───────────────────────────────────────────────────── フロントページの続き (72)発明者 宮腰 寿拓 福岡県北九州市戸畑区飛幡町1番1号 新 日本製鐵株式会社八幡製鐵所内 (72)発明者 江口 晴彦 福岡県北九州市戸畑区飛幡町1番1号 新 日本製鐵株式会社八幡製鐵所内
Claims (2)
- 【請求項1】 予測モデルを用いて現在から将来にわた
る出力を連続的に予測して制御を行う制御系で、前記予
測モデルのパラメータを学習する方法において、ステッ
プ応答によって得られる出力推移曲線から学習後のパラ
メータが適切であるかを判断することを特徴とする制御
系におけるモデルパラメータの学習方法。 - 【請求項2】 予測モデルを用いて現在から将来にわた
る出力を連続的に予測して制御を行う制御系で、ステッ
プ入力に対し前記予測モデルのパラメータを出力観測値
に基づいて所定のサンプリング周期ごとに学習する方法
において、次の工程からなることを特徴とする制御系に
おけるモデルパラメータの学習方法。 1周期前のサンプリング周期において予測モデルで
求めた出力計算値と現サンプリング周期での出力観測値
との差が、あらかじめ設定したプラント状態許容範囲内
にあるかを判断する第1工程 第1工程における前記出力計算値と出力観測値との
差が前記プラント状態許容範囲外にある場合は、現サン
プリング周期でのパラメータ学習を保留し、出力計算値
と出力観測値との差がプラント状態許容範囲内にある場
合は、プラントが学習可能な状態にあると判断し、パラ
メータ学習を行う第2工程 第2工程で学習したパラメータの予測モデルを用
い、前記ステップ入力に対する応答を現サンプリング時
点から将来にわたって予測計算し、出力推移曲線を求め
る第3工程 第3工程で求めた出力推移曲線の整定部が、あらか
じめ設定した出力変動許容範囲内にあるかを判断する第
4工程 前記出力推移曲線の整定部が前記出力変動許容範囲
内である場合は、パラメータを第2工程で学習したパラ
メータに決定し、出力推移曲線の整定部が出力変動許容
範囲外である場合は、現サンプリング周期の出力と1周
期前のサンプリング周期の出力とを等しいとしてパラメ
ータを修正する第5工程
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP20871997A JPH1153005A (ja) | 1997-08-04 | 1997-08-04 | 制御系におけるモデルパラメータの学習方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP20871997A JPH1153005A (ja) | 1997-08-04 | 1997-08-04 | 制御系におけるモデルパラメータの学習方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH1153005A true JPH1153005A (ja) | 1999-02-26 |
Family
ID=16560958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP20871997A Withdrawn JPH1153005A (ja) | 1997-08-04 | 1997-08-04 | 制御系におけるモデルパラメータの学習方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH1153005A (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005030627A1 (ja) * | 2003-09-29 | 2005-04-07 | Mitsubishi Denki Kabushiki Kaisha | エレベータの制御装置 |
JP2007110860A (ja) * | 2005-10-17 | 2007-04-26 | Matsushita Electric Ind Co Ltd | 電動機の制御装置 |
WO2007102269A1 (ja) * | 2006-03-08 | 2007-09-13 | Hitachi, Ltd. | プラントの制御装置と制御方法及び火力発電プラントとその制御方法 |
WO2015037165A1 (ja) * | 2013-09-12 | 2015-03-19 | 日本電気株式会社 | 情報処理装置、予測制御方法及び記録媒体 |
CN105204333A (zh) * | 2015-08-26 | 2015-12-30 | 东北大学 | 一种提高钢铁企业能源利用率的能耗预测方法 |
-
1997
- 1997-08-04 JP JP20871997A patent/JPH1153005A/ja not_active Withdrawn
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005030627A1 (ja) * | 2003-09-29 | 2005-04-07 | Mitsubishi Denki Kabushiki Kaisha | エレベータの制御装置 |
JPWO2005030627A1 (ja) * | 2003-09-29 | 2006-12-07 | 三菱電機株式会社 | エレベータの制御装置 |
JP4527059B2 (ja) * | 2003-09-29 | 2010-08-18 | 三菱電機株式会社 | エレベータの制御装置 |
US7837012B2 (en) | 2003-09-29 | 2010-11-23 | Mitsubishi Denki Kabushiki Kaisha | Control device for elevator |
JP2007110860A (ja) * | 2005-10-17 | 2007-04-26 | Matsushita Electric Ind Co Ltd | 電動機の制御装置 |
WO2007102269A1 (ja) * | 2006-03-08 | 2007-09-13 | Hitachi, Ltd. | プラントの制御装置と制御方法及び火力発電プラントとその制御方法 |
US8185216B2 (en) | 2006-03-08 | 2012-05-22 | Hitachi, Ltd. | Plant controlling device and method, thermal power plant, and its control method |
WO2015037165A1 (ja) * | 2013-09-12 | 2015-03-19 | 日本電気株式会社 | 情報処理装置、予測制御方法及び記録媒体 |
US10048658B2 (en) | 2013-09-12 | 2018-08-14 | Nec Corporation | Information processing device, predictive control method, and recording medium |
CN105204333A (zh) * | 2015-08-26 | 2015-12-30 | 东北大学 | 一种提高钢铁企业能源利用率的能耗预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1321836B1 (en) | Controller, temperature controller and heat processor using same | |
US7949458B2 (en) | Control apparatus and method and control unit | |
US6711531B1 (en) | Temperature control simulation method and apparatus | |
JP3864781B2 (ja) | 温度調節器 | |
JPH1153005A (ja) | 制御系におけるモデルパラメータの学習方法 | |
US6785601B2 (en) | Air-fuel ratio control apparatus of internal combustion engine and method thereof | |
US5995532A (en) | Method using fuzzy logic for controlling a furnace | |
JPH05209233A (ja) | 加熱炉の炉内温度制御装置 | |
JPH01184233A (ja) | 連続焼鈍炉の板温制御方法 | |
CN113046544B (zh) | 连续退火炉的空燃比控制方法及控制系统 | |
JPH0248196B2 (ja) | Kookusuronohiotoshijikanseigyohoho | |
KR20220117820A (ko) | 성막 시스템 및 성막 방법 | |
JPH07138658A (ja) | 連続熱処理炉の露点制御装置 | |
JP4440898B2 (ja) | 状態判定装置および状態判定方法 | |
JPH0535306A (ja) | むだ時間補償制御装置 | |
JPH08199248A (ja) | 連続焼鈍設備の温度制御装置 | |
RU2285943C1 (ru) | Устройство адаптации регулятора | |
JPS61141787A (ja) | コ−クス炉における炉温制御方法 | |
US9541906B2 (en) | Controller capable of achieving multi-variable controls through single-variable control unit | |
US10901378B2 (en) | Process control method | |
JP6733094B2 (ja) | 制御装置 | |
JP2912086B2 (ja) | 高炉制御方法 | |
JPH05324007A (ja) | プロセス制御装置 | |
JPH0472022A (ja) | 連続焼鈍炉板温制御方法および装置 | |
JPH0791590B2 (ja) | 連続焼鈍炉の板温制御における速度変更方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A300 | Withdrawal of application because of no request for examination |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20041005 |