JP3012716B2 - プロセス制御方法及びその制御装置 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明はプロセス制御方法及び制
御装置に係り、特に、火力発電プラントの主蒸気温度制
御の様に、プロセス操作量の変化に対するプロセス制御
量の応答遅れが大きく、また、負荷レベル等によって応
答特性が大きくまたは非線形に変化するプラント等、特
に負荷追従制御に好適なプロセス制御方法及び装置に関
する。

【０００２】

【従来の技術】従来、火力発電プラント等に採用されて
いるプロセス制御装置では、プラント出力を要求負荷に
適合して制御するために、小さな負荷変化に対しては、
主蒸気圧力や主蒸気温度とそれらの設定値との偏差を求
め、要求負荷に見合ったプロセスの静的バランス状態で
の給水や燃料の操作量であるプロセスの基本目標指令値
の他に、上記偏差に基づいて比例積分演算などにより給
水や燃料の補正信号を演算させ、これらを上記基本目標
指令値に加算し、この補正された基本目標指令により、
給水や燃料を操作する方法が基本的な制御方法として広
く採用されている。しかしながら、負荷要求の大きな変
化に対しては、上記の様な比例積分フィードバック制御
のみでは、必ずしも満足すべき応答特性が得られないた
め、更に、その負荷変化を微分演算回路などで定量化
し、これらの結果を基に、先行信号として前記補正後の
基本目標指令値に加算し、この信号によって給水や燃料
を先行制御し、負荷応答性を向上させる方法が併用され
ている。

【０００３】

【発明が解決しようとする課題】しかしながら、上記の
従来技術では、下記の様な問題点があった。すなわち、 （１） 上記先行信号は、負荷変化を変数として、関数
発生器や変化率制限器で構成された加速回路で作成され
る。この加速回路では、プロセス制御量である主蒸気圧
力や主蒸気温度等の過渡変動を抑えるべく、該回路の構
成および回路パラメータは、応答特性を勘案して、経験
的に、その都度作成および設定する必要がある。同時
に、該回路によって得られる性能には、設定する設計者
の個人差が入り込む可能性が大きく、従って、あらゆる
状況に対して最適な制御性を実現することは困難であっ
た。また、

【０００４】（２） プラントの特性が要求される負荷
レベルによって変化するような場合には、先行信号もそ
れに対応して変える必要があるが、特性変化には非線形
性が伴うため、あらゆる負荷レベルに最適な加速回路の
構成および回路パラメータの設定は困難であった。

【０００５】そこで、本発明の目的は、上記の従来技術
における問題点に鑑み、プロセス制御量の応答遅れが大
きく、また、応答特性が負荷レベル等によって非線形的
に大きく変化しても、プロセス制御量とその設定値との
偏差を最小に保ちながら、出力を要求負荷に正確に追従
させることのできるプロセス制御方法及びその制御装置
を提供することにある。

【０００６】

【課題を解決するための手段】本発明によれば、上記目
的を達成するために、プロセス制御方法及びその制御装
置を下記の様に構成した。 （１） プロセスの負荷指令と共に、プロセス制御量と
プロセス設定値との偏差を入力とし、該偏差を最小にす
るような加速信号を出力するように構成した。

【０００７】（２） ニューラルネットワークを採用
し、プロセス制御量と設定値との偏差を最小にする加速
信号を学習させ、その結果に基づき、負荷指令入力に対
応した加速信号が作成できるようにした。

【０００８】（３） 加速信号決定ルールを知識ベース
とし、プロセス制御量と設定値との偏差をメンバシップ
関数に適用して適合度を算出し、算出された適合度と前
記ルールとを用い、いわゆるファジイ推論によって加速
信号を作成するように構成した。

【０００９】（４） 前記加速信号を補正するため、さ
らに、プロセスに加えた結果におけるプロセス制御量の
応答特性をもとに前記加速信号の修正信号を算出する回
路を設け、前記加速信号を前記修正信号で修正した信号
を教示信号として用いてニューラルネットワークに最適
な加速信号を学習させる様に構成した。

【００１０】（５） 前記加速信号の修正信号を算出す
る回路を、前記修正信号を決定するルールを知識ベース
とし、前記プロセス制御量と設定値との偏差をメンバシ
ップ関数に適用して適合度を算出し、前記適合度と前記
ルールとを用いてファジイ推論によって前記修正信号を
算出するように構成した。

【００１１】（６） 前記加速信号によって補正された
プロセスの基本目標指令を基づいて、前記プロセス制御
量の応答特性を予測モデルを用いて推定し、この推定さ
れた応答特性に基づいて前記加速信号を修正するように
構成した。

【００１２】

【作用】すなわち、上記の構成になる本発明のプロセス
制御方法及びその制御装置によれば、 （１） 負荷指令と共にプロセス制御量と設定値との偏
差を入力し、負荷指令の変化に対応して前記プロセス制
御量と設定値との偏差を最小にするような加速度信号を
出力することから、大幅で急激に変化する負荷指令に対
しても、プラント出力を前記負荷指令に正確に追従させ
るプロセス操作量を出力し、プロセス制御量を安定に制
御しつつ、かつ、プラント出力を負荷指令に正確に追従
させることが可能になる。

【００１３】（２） ニューラルネットワークが負荷指
令、プロセスの基本目標指令及びプロセス制御量と設定
値との偏差を入力とし、前記偏差を最小とし、プラント
の出力を負荷指令に正確に追従させる加速信号を、学習
結果に基づいて出力するよう動作するので、多様に変化
する負荷指令に対しても、最適にプロセス制御量を所望
の値に保ちつつ、プラント出力を負荷指令に正確に追従
させるプロセス操作量を迅速かつ正確に出力することが
可能になる。

【００１４】（３） 加速信号決定ルールを知識ベース
とし、ファジイ推論により前記加速信号を決定するよう
構成することにより、熟練者のノウハウを知識ベースと
して持たせることができ、負荷指令の変化に対しても柔
軟性に富み、かつ、比較的簡単な装置で性能向上を図る
ことができると共に、人間による調整作業を不要にする
ことが可能となる。

【００１５】（４） 出力信号である加速信号を基本目
標指令に加算してプラントに加え、その結果得られるプ
ロセス制御量の応答特性をもとに前記加速信号の修正信
号を求め、これを加算修正した信号を教示信号として用
いてニューラルネットワークを再学習させることによ
り、プロセスの応答特性が当初のものから変化しても、
常に、一定の応答特性を実現することが出来、プロセス
の状態が変化しても常に所望の制御性を自動的に維持さ
せることが可能になる。

【００１６】（５） 前記（４）の加速回路における加
速信号修正回路を、修正信号を決定するルールを知識ベ
ースとし、ファジイ推論により前記修正信号を作成する
よう構成することにより、熟練者のノウハウが修正ルー
ルとして組み込むことが出来、さらに、加速信号を自動
的に修正してこれをニューラルネットワークに再学習さ
せるようにすることができるので、プラント制御特性を
自己成長的に向上させることが可能になる。

【００１７】（６） なお、前記加速信号で補正された
プロセスの基本目標指令を基に、予測モデルを用いてプ
ロセス制御量の応答特性を推定し、この推定された応答
特性に基づいて前記修正量を求め、この修正量で前記加
速信号を修正するようにすることにより、応答特性にお
ける前記加速信号の不適合によるプラントへの外乱を未
然に防止することができる。

【００１８】

【実施例】以下、本発明の一実施例について、添付の図
面を用いながら詳細に説明する。先ず、図２には、本発
明のプロセス制御装置が好適に適用される火力プラント
の全体構成が示されている。この図は、最も典型的な火
力プラントの機器構成を示したものであり、給水ポンプ
１００を出た水等の内部流体は、ボイラ１０５内に設け
られた高圧給水加熱器１１０、節炭器１２０、火炉水冷
壁１３０、１次過熱器１４０により昇温・過熱され、減
温器１５０において減温され、再び、２次過熱器１６０
で加熱され、高圧タービン１８０に供給される。なお、
減温器１５０は、昇温・過熱された内部流体の２次過熱
器入口蒸気温度が規定の値になるように減温するもので
ある。続いて、高圧タービン１８０で仕事をした蒸気
は、１次再熱器１９０、２次再熱器２００で再び加熱さ
れ、中・低圧タービン２１０に供給される。更に、中・
低圧タービン２１０で仕事をした蒸気は、復水器２３０
で復水され、再び、給水ポンプ１００に供給される。な
お、復水器２３０と給水ポンプ１００の間には、一般
に、低圧給水加熱器、脱塩装置、脱気器等が設けられて
いるが、しかしながら、これらの機器は本発明と直接関
係がないので説明から省略されている。上述のように、
高圧タービン１８０、中・低圧タービン２１０に対して
蒸気から与えられたエネルギーは、回転エネルギーとな
って発電機２２０を回転させ、もって、電気エネルギー
に変換されることとなる。

【００１９】上述のような火力プラントの制御は、一般
に、次のようにして行われる。すなわち、電気出力は、
負荷要求と出力検出器５６０の信号との偏差信号により
主タービン加減弁１７０を操作して制御される。また、
主蒸気圧力・温度、再熱蒸気温度、ガスＯ₂、そして２
次過熱器入口蒸気温度は、それぞれ、主蒸気圧力検出器
５１０、主蒸気温度検出器５００、再熱蒸気温度検出器
５５０、ガスＯ₂検出器５７０、さらには減温器前後の
蒸気温度検出器５２０、５３０からの信号を用いて、各
々、給水ポンプ駆動用タービン２４０の加減弁２５０、
燃料量調節弁２６０、再循環ガス量調節ダンパ２８０、
空気量調節ダンパ２７０、そしてスプレ量調節弁２９０
を操作することにより制御される。

【００２０】図３は、上述の火力プラントの制御を実現
するための制御系統を示す。先ず基本部について説明す
ると、主タービン加減弁制御器７１０は、負荷指令設定
器７００による負荷指令値Ｌdと、出力検出器５６０に
よる実出力Ｌaとによって主タービン加減弁１７０を制
御し、電気出力を制御する。また、主蒸気圧力制御器７
４０は、主蒸気圧力検出器５１０からの出力と主蒸気圧
力設定器７２０からの出力との偏差（すなわち、減算器
７３０の出力）をもとに、加算器７５０を介して、上記
負荷指令設定器７００からの負荷指令値Ｌdに圧力補正
を加えてボイラ入力デマンドＢidを求める。このボイラ
入力デマンドＢidは、給水基本プログラム７５５によっ
て給水量デマンドＦwdに変換され、給水流量制御器７６
０は、この給水量デマンドの値Ｆwdと給水量検出器５７
１からの出力に応じて給水ポンプ駆動タービン加減弁２
５０を制御する。

【００２１】一方、上記加算器７５０から出力されたボ
イラ入力デマンドＢidは、燃料基本プログラム８３０に
よって、基本目標指令である静的燃料デマンド信号Ｆrd
oに変換され、さらに、主蒸気温度検出器５００の出力
と主蒸気温度設定器８００の出力との偏差（減算器８１
０の出力）に対応した主蒸気温度制御器８２０からの出
力によって補正されて燃料量デマンドＦrdが求められ
る。すなわち、ボイラ入力デマンドＢidは、燃料基本プ
ログラム８３０によって静的燃料デマンド信号Ｆrdoに
変換された後、加算器４４０を通過した後、加算器８４
０に導かれる。そして、この加算器８４０により、主蒸
気温度検出器５００の出力と主蒸気温度設定器８００の
出力との偏差（減算器８１０の出力）に対応した主蒸気
温度制御器８２０からの出力が加算され、もって、燃料
量デマンドＦrdが出力される。そして、この燃料量デマ
ンドＦrdの値と燃料量検出器５７２からの出力に応じ、
燃料量制御器８５０は燃料量調節弁２６０を制御する。
更に、ガスＯ₂検出器５７０からの出力とガスＯ₂設定器
８６０からの出力との偏差（減算器８７０の出力）に対
応したガスＯ₂制御器８８０の出力も、加算器９００を
介して、上記燃料量デマンドＦrdを空気基本プログラム
８９０によって変換して求められた静的空気量デマンド
信号Ｆadoの値に補正信号として加えられ、空気量デマ
ンドＦadが求められる。そして、この空気量デマンドＦ
adの値と空気量検出器５７３からの出力とに応じて、空
気量制御器９１０は空気量調節ダンパ２７０を制御す
る。

【００２２】さらに、再熱蒸気温度制御器９４０は、再
熱蒸気温度検出器５５０からの出力と再熱蒸気温度設定
器９２０からの出力との偏差（減算器９３０出力）に見
合った出力Ｆgrdを出力し、この出力Ｆgrdの値と再循環
ガス量検出器５７４からの出力に応じて、再循環ガス量
制御器９５０は再循環ガス量調節ダンパ２８０の開度を
制御する。また、同様に、２次過熱器入口蒸気温度検出
器５２０からの出力とその温度設定器９６０からの出力
との偏差（減算器９７０の出力）に対応した、２次過熱
器入口蒸気温度制御器９８０の出力により、１次過熱器
出口蒸気温度Ｔ1SH,dが決定され、このＴ1SH,d値と１次
過熱器出口蒸気温度検出器５３０の出力に応じて、１次
過熱器出口蒸気温度制御器９９０が過熱器スプレ量調節
弁２９０を制御することとなる。

【００２３】以上が上記火力プラントの制御系統の基本
部の動作説明であるが、上述の制御系統の基本部分の他
に、さらに、大きな負荷指令の変化に対し、電気出力を
要求値に忠実に追従させつつ、同時に、主蒸気圧力や各
種蒸気温度を設定値に安定に制御するため、補正信号を
作成し、これら補正信号を、それぞれ、前述の給水量デ
マンド信号Ｆwd、燃料量デマンド信号Ｆrd、空気量デマ
ンド信号Ｆadに対する加速信号として出力する回路が付
加されている。すなわち、図３において、第１の加速回
路４００は加速信号ＡＦwdを出力し、給水基本プログラ
ム７５５からのの出力に対して加算器４３０を介して補
正する。また、第２の加速回路４１０は加速信号ＡＦrd
を出力し、燃料基本プログラム８３０から出力される静
的燃料デマンド信号Ｆrdoに対して加算器４４０を介し
て補正し、そして、第３の加速回路４２０は加速信号Ａ
Ｆadを出力し、もって、加算器９００のからの出力であ
る空気量デマンドＦadを加算器４５０を介して補正す
る。

【００２４】図１には、前述した火力プラントの全体構
成の中から、本発明になるプロセス制御方法が採用され
た燃料制御部の構成だけが取り出されて示されている。
この燃料制御部の構成において、特に、従来技術のとの
比較において特徴的なのは、加速回路４１０の部分であ
り、この加速回路４１０には、上記負荷指令設定器７０
０からの負荷指令値Ｌdの他に、いわゆるプロセス制御
量である主蒸気温度検出器５００からの出力信号と、プ
ロセス設定値である主蒸気温度設定器８００からの出力
信号との偏差である、いわゆる制御偏差ΕTを入力し、
これらを基に加速信号を出力するように構成した点にあ
る。すなわち、加速回路４１０は、負荷指令値Ｌdと主
蒸気温度の制御偏差ΕTに基づいて、この主蒸気温度の
制御偏差ΕTを最小にするような加速信号ＡＦrdを出力
し、この加速信号ＡＦrdは、加算器４４０を介して、上
記燃料基本プログラム８３０からの燃料基本目標指令Ｆ
rdoに加算される。さらに、この燃料基本目標指令Ｆrdo
には、加算器８４０により、上記主蒸気温度の制御偏差
ΕTに基づいて主蒸気温度制御器８２０によって形成さ
れた出力が加算され、その結果が燃料量デマンドＦrdと
して出力される。そして、燃料量制御器８５０は、この
燃料量デマンドＦrdと燃料量検出器５７２からの出力に
よって燃料量調整弁２６０を制御する。

【００２５】図４の出力波形図は、本発明における加速
回路４１０の動作を説明したものである。図からも明ら
かなように、負荷要求である負荷指令値Ｌdの急激な変
化（図４の（ａ）を参照）に対し、静的に主蒸気温度を
設定値に制御する為の静的燃料量デマンド信号Ｆrdo
（図４の（ｂ）の破線を参照）だけの場合には、主蒸気
温度の偏差ＥT（図４の（ｄ）を参照）は過渡状態にお
いて、破線ＥToで示されるように、伝熱遅れや流動遅れ
等により、大きな温度偏差を生ずると共に、温度の整定
までに時間がかかる。そのため、上記加速回路４１０か
らの燃料量加速信号ＡＦrdを静的燃料デマンドＦrdoに
補正信号として加えて燃料量デマンド信号Ｆrd（図４の
（ｂ）の実線を参照）とすることにより、主蒸気温度の
応答遅れをなくし、主蒸気温度偏差ΕTを、図４の
（ｄ）に実線ＥTで示すのように、小さくすることがで
きる。尚、同図の（ｃ）、（ｄ）において、燃料量加速
信号ＡＦrdの時刻ｔiでの値をＡＦrd（ｔi）とすると、
この効果は伝熱遅れや流動遅れに起因する応答遅れ時間
Ｌの後、すなわち、時刻ｔi＋Ｌでの主蒸気温度偏差ΕT
（ｔi＋Ｌ）として表われることを示している。従っ
て、遅れ時間Ｌ後の時刻ｔi＋Ｌでの主蒸気温度偏差ΕT
（ｔi＋Ｌ）を小さくするためには、時刻ｔiでの燃料量
加速信号ＡＦrd（ｔi）を適切に選ぶことが重要であ
る。

【００２６】図５は、上記の燃料量加速信号ＡＦrdを適
切に選ぶために、いわゆるニューラルネットワークで上
記加速回路を構成した一実施例を示す。以下、この図に
おいて、ニューラルネットワークは入力層、中間層、出
力層の３層で構成されており、この実施例では、入力信
号として、負荷指令Ｌdの傾斜θとレベルＨ（図４の
（ａ）を参照）、時刻ｔ₀＋Ｌ以降の時間Ｔの間の主蒸
気温度偏差値、すなわち、ΕT（ｔ₀＋Ｌ）、ΕT（ｔ₁＋
Ｌ）…ＥT（ｔ_i＋Ｌ）…ＥT（ｔ_N＋Ｌ）を用いて、出力
信号として、加速信号ＡＦrd（ｔ₀）、ＡＦrd（ｔ₁）…
ＡＦrd（ｔ_i）…ＡＦrd（ｔ_N）を出力するようにしたも
のである（図４の（ｃ）と（ｄ）を参照）。但し、ここ
でＮは、Ｎ＝Ｔ／△（△：サンプリング周期、Ｔ：主蒸
気温度が整定するのに必要な時間である）を示す。

【００２７】一方、ニューラルネットワークＮＮでは、
最初、スイッチ回路ＳＷ₁、ＳＷ₂、ＳＷ_3O〜ＳＷ_3N、Ｓ
Ｗ_4O〜ＳＷ_4Nをｂ側に切り替え、教示パターン入力回路
ＴＣＨiから種々の教示パターンを入力する。例えば、
スイッチ回路ＳＷ₁、ＳＷ₂からは、色々なパターンの負
荷要求Ｌdの傾斜＾θ、レベル＾Ｈが、さらに、スイッ
チ回路ＳＷ_3O〜ＳＷ_3Nからは、望ましい主蒸気温度偏差
＾ＥT（ｔ₀＋Ｌ）、＾ＥT（ｔ₁＋Ｌ）…＾ＥT（ｔ_i＋
Ｌ）…＾ＥT（ｔ_N＋Ｌ）がそれぞれ入力される。同時
に、この時の出力層の出力ＡＦrd’（ｔ₀）、ＡＦrd’
（ｔ₁）…ＡＦrd’（ｔ_i）…ＡＦrd’（ｔ_N）と、教示
パターン出力回路ＴＣＨｏからの上記教示パターン入力
に対する望ましい加速信号出力＾ＡＦrd（ｔ₀）、＾Ａ
Ｆrd（ｔ₁）…＾ＡＦrd（ｔ_i）…＾ＡＦrd（ｔ_N）と
が、学習部ＬＣの比較回路ＣＭ、ＣＭ…で比較され、こ
れら両者の出力が一致するように第１の学習制御回路Ｌ
ＣＣＫ１で出力層のニューロンの入力回路のシナプス加
重を学習し、一方、第２の学習制御回路ＬＣＣＫ２で
は、中間層のニューロンの入力回路のシナプス加重をそ
れぞれ調節させることにより色々な負荷パターンに対し
て適切な出力が得られるよう学習を行わせる。その結
果、制御モードに於いては、上記のスイッチ回路Ｓ
Ｗ₁、ＳＷ₂、ＳＷ_3o〜ＳＷ_3N、ＳＷ₄₀〜ＳＷ_4Nをｂ側か
らａ側に切り替えておくことにより、上記の学習時のパ
ターンと同じ、または、これに近い入力に対し、ニュー
ラルネットワークＮＮから学習時のパターンと同じ、ま
たは、近似した加速信号が出力される様になる。

【００２８】次に、ニューラルネットワークＮＮの構造
及び学習部ＬＣにおける学習方法について説明する。図
６はニューラルネットワークＮＮを構成する１つニュー
ロンのユニツトモデルを示す。ここで、ユニツト１１へ
の入力信号Ｘ1、Ｘ2、…Ｘnは値域（０、１）をとり、
シナプス加重Ｗ1、Ｗ2、…Ｗｎは、値域（−∞、＋∞）
をとるものとする。ここで、i番目の入力Ｘiからユニツ
トへ伝わる入力Ｕiを、

【数１】 とすると、ユニツトへの総入力Ｕは

【数２】 となる。また、ユニツト出力Ｙは、

【数３】 で定義する。但し、数３においてＵ0は、バイアスであ
る。なお、本実施例では、以上に述べたユニツトモデル
１１を、図７に示すように層状に配置し、各ユニツト１
１からの出力信号を次層の各ユニツト１１への入力信号
とする構成としたものをニューラルネットワークＮＮと
する。上記のユニツトモデル１１とニューラルネットワ
ークＮＮの構造に関しては、例えば、ザ エム アイ
ティープレス、ニューロコンピューティング ファンデ
ーションズ オブ リサーチ、１９８８年、第３１８頁
から第３６２頁（The MIT Press, NeurocomputingFound
ations of Research, 1988, pp318-362)に詳しく述べら
れている。また、本論文では図７に示すように、ある入
力信号パターン１２を入力層に与えたとき、出力信号パ
ターン１３が所望する信号パターン、すなわち教師信号
パターン１４となるように、両者の誤差に応じて中間層
の各ユニツトへの入力部の接続強度、すなわちシナプス
加重を修正する学習アルゴリズム（バックプロパゲーシ
ョンと称している）が示されている。

【００２９】また、本実施例の学習部ＬＣにおいても、
学習アルゴリズムそのものは上記論文に示されたバック
プロパゲーションを用いる。

【００３０】図８はバックプロパゲーションのアルゴリ
ズムを具体的に説明したものであり、この図において
は、アルゴリズムを判り易くするため、出力層のｋ番目
の出力信号Ｙ3kに着目し、これを教師信号Ｙtkに一致さ
せるためのシナプス加重の修正手順を示している。すな
わち、図８に示すアルゴリズムを具体的に説明すると、
まず、ｋ番目の出力信号Ｙ3kと教師信号Ｙtkとの誤差ｅ
kは、

【数４】 で表される。ユニツトの動作レベルＵ3kにおける誤差の
影響度をｄ3kとすると、この誤差の影響度ｄ3kは、

【数５】 で表される。但し、ｆ’（Ｕ）は次の数６のとおりであ
る。

【数６】

【００３１】従って、出力層ｋ番目のユニツトにおける
ｊ番目の入力部にあるシナプス加重Ｗ3k,2j(N+1)の修正
量△Ｗ3k,2j(N+1)は次の数７で表される。

【数７】 ここで、Ｎは前回を表す記号で、また、ηは学習定数と
称する。また、ｙ2jは中間層のｊ番目の出力信号を示
す。但し、安定な収束を実現するため、数７で得た修正
量をそのまま使用せず、次の数８で表す方法で修正し、
新たなシナプス加重Ｗ3k,2j(N+1)を次式のように得る。

【数８】 ここで、αは安定化定数と称する。以上、出力層の入力
部のシナプス加重の修正方法を示した。

【００３２】次に、中間層の入力部のシナプス加重の修
正方法を説明する。上記の図８では、中間層のｊ番目の
ユニツトのｉ番目の入力部にあるシナプス加重Ｗ2j,1i
に着目し、その修正方法を示している。この場合のユニ
ツトの動作レベルＵ2jにおける誤差の影響度ｄ2jは、出
力層の全ユニツト出力の誤差を考慮して決定されるべき
であり、下記の数９で表される。

【数９】

【００３３】従って、中間層ｊ番目のユニツトにおける
ｉ番目の入力部にあるシナプス加重の修正量△Ｗ2j,1i
(N+1)は、次式で表わされる。

【数１０】 ここで、Ｎは前回を示す記号で、ηは学習定数と称す
る。また、ｙ1iは入力層のｉ番目の出力信号を示す。但
し、出力層の場合と同様、安定な収束を実現するため、
上記の数１０で得られた修正量をそのまま使用せず、次
式で表す方法で修正し、新たなシナプス加重Ｗ2j,1i(N+
1)を次の数１１のように得る。

【数１１】 ここで、αは安定化定数と称する。

【００３４】このように、上記の数４〜数１１に表す演
算処理を繰り返すことにより、誤差ｅkを最小化するこ
とが出来る。すなわち、出力層からの出力信号パターン
を教師信号パターンに一致させることができ、その結
果、入力信号パターンがニューラルネットワーク内のシ
ナプス加重分布（すなわち、回路内接続強度分布）とし
て記憶（学習）されたことになる。また、別の入力信号
パターンを入力層に提示し、教師信号パターンもこれに
対応して別のパターンを提示すれば、上記アルゴリズム
が動作し、新たなシナプス加重分布として記憶されたこ
とになる。

【００３５】このようなアルゴリズムを用いれば、複数
の学習サンプルを同一ニューラルネットワーク内に記憶
することが可能である。学習完了後のニューラルネット
ワークを用いれば、既学習パターンと同一のパターンが
入力された場合は、学習時に用いた出力信号パターンと
同一のものが出力層から出力される。また、未学習のパ
ターンが入力された場合でも、既学習パターンとの類似
度に応じて出力信号パターンも類似したものが得られる
こととなる。

【００３６】次に、図９は、上記の加速回路４１０にフ
ァジイ推論を応用し、これによって加速信号を算出する
ように構成した実施例を示している。この実施例では、
負荷指令特性定量化部１１００において、負荷指令Ｌd
の特徴を傾斜θとレベルＨとして定量化する。また、制
御特性定量化部１２００では、過去の加速信号ＡＦrd^P
（ｔo）…ＡＦrd^P（ｔN）と主蒸気温度偏差信号Ｅt
^P（ｔo＋Ｌ）…Ｅt^P（ｔN＋Ｌ）の関数として制御特性
を評価し、評価指標Ｉ_Eの値として定量化を行う。一
方、記憶部１３００では、過去の加速信号と主蒸気温度
偏差信号の履歴データを必要量だけ蓄積・記憶するもの
である。そして、ファジイ推論部１４００は、上述の負
荷指令Ｌdの特徴量と上記評価指標Ｉ_Eの値を、図１０に
示すメンバシップ関数に適用し、各々への適合度を決定
する。ここで、図中の符号は以下のとうり 、ＮＢ：Ｎｅｇａｔｉｖｅ Ｂｉｇ（負の大） ＮＭ：Ｎｅｇａｔｉｖｅ Ｍｅｄｉｕｍ（負の中） ＺＯ：Ｚｅｒｏ（零） ＰＳ：Ｐｏｓｉｔｉｖｅ Ｓｍａｌｌ（正の小） ＰＭ：Ｐｏｓｉｔｉｖｅ Ｍｅｄｉｕｍ（正の中） ＰＢ：Ｐｏｓｉｔｉｖｅ Ｂｉｇ（正の大）を表してい
る。

【００３７】次に、知識ベース１５００に記憶された加
速信号生成ルールに上述のメンバシップ関数の適合度の
値をファジイ推論部１４００の前件部（ＩＦ）に適用
し、ファジイ論理演算によりファジイ推論部１４００の
後伴部（ＴＨＥＮ）で結論を導く。即ち、本実施例の場
合、まずルール１の前伴部に、θ、Ｈ、Ｉ_Eの値（ここ
で、ｘθ、ｘH、ｘIとおく）を適用し、適合度ω1を次
の数１２により求める。

【数１２】 本実施例では、ω1＝ＰＳ（ｘI）となり、これよりルー
ル１による加速信号ＡＦrd（ti）、ＡＦrd（ｔi+1）…
ＡＦrd（ｔi+M）は、それぞれ斜線部Ａi、Ａi+1、Ａi+2
…（図９のファジイ推論部１４００の後件部（ＴＨＥ
Ｎ）を参照）として求められる。ここで、Ｍは加速信号
を出力する期間を示す。

【００３８】次に、ルール２についても、同様の推論演
算が行われ、

【数１３】 となり、本実施例では、ω2＝ＰＳ（ｘI）となり、これ
よりルール２による加速信号がそれぞれ、斜線部Ｂi、
Ｂi+1、Ｂi+2…として求められる（図９のファジイ推論
部１４００の後件部を参照）。

【００３９】なお、本実施例では、上記のルール１とル
ール２のみが適用されるものとしており、両ルールによ
る演算結果を統合した結果を、それぞれ、ＡＦrd（ｔ
i）、ＡＦrd（ｔi+1）…ＡＦrd（ｔi+M）とおくと、各
々の値は、斜線部ＡiとＢi、Ａi+1とＢi+1…Ａi+MとＢi
+Mの各々最大値で出来る斜線部の重心のｘ座標として求
められる（図９のファジイ推論部１４００の後件部（Ｔ
ＨＥＮ部）の最下図を参照）。

【００４０】次いで、図１１は、上記図５の実施例にお
いて、さらに、ニューラルネットワークＮＮで計算した
加速信号ＡＦrd（ｔi）によるプロセスの応答結果をみ
て、再学習を行うようにした他の実施例を示している。
この他の実施例では、加速信号ＡＦrd（ｔi）によるプ
ロセスの応答結果を基に、その加速信号が適切であった
か否かを判断し、不適切な場合には、加速信号の修正信
号△ＡＦrd（ｔi）〜△ＡＦrd（ｔi+N）を作成し、この
修正信号で修正した加速信号を教示信号として、ニュー
ラルネットワークＮＮに最適な加速信号を再学習させる
ようにしている。すなわち、応答特性評価部ＰＣＥは、
主蒸気温度偏差ＥTの応答特性が目標の性能を満足しな
くなると、加速信号修正信号発生回路ＡＣＣで加速信号
の修正信号△ＡＦrd（ｔi）〜△ＡＦrd（ｔi+N）を作成
し、これを加算器ＡＤを介してニューラルネットワーク
ＮＮの出力に補正信号として加え、その結果を出力教示
パターンＯＴＰに最適加速信号として記憶させる。そし
て、スイッチ回路ＳＷ1、ＳＷ2、ＳＷ30〜ＳＷ3N、ＳＷ
40〜ＳＷ4Nをｂ側の学習モードに切り替えて、上記出力
教示パターンＯＴＰの最適加速信号にニューラルネット
ワークＮＮの出力が合うように、学習部ＬＣによりニュ
ーラルネットワークＮＮの中間層、出力層各々のニュー
ロンユニット個々のシナプス加重を調整する。ニューラ
ルネットワークＮＮの出力が出力教示パターンと一致し
た時点で再学習を終了し、スイッチＳＷ1、ＳＷ2、ＳＷ
30〜ＳＷ3N、ＳＷ40〜ＳＷ4Nをａ側に切り替えることに
より通常の制御モードとする。

【００４１】さらに、図１２は、図１１における応答特
性評価部ＰＣＥおよび加速信号修正信号発生回路ＡＣＣ
の実施例を示しており、この実施例は、その加速信号修
正信号発生回路ＡＣＣにファジイ推論を適用したもであ
る。先ず、応答特性評価部ＰＣＥは、加速信号ＡＦrd操
作に対する制御偏差ＥTの時間的変化を定量化し、それ
らを記憶する。ファジイ推論部１６００は、上述の制御
偏差信号ＥTの値を図１０に示すメンバシップ関数に適
用し、各々への適合度を決定する。次に、知識ベース１
７００に記憶された加速信号修正量生成ルールに上述の
メンバシップ関数の適合度の値を、ファジイ推論部１６
００の前件部（ＩＦ）に適用し、ファジイ論理演算によ
りファジイ推論部１６００の後件部（ＴＨＥＮ）で結論
を導く。

【００４２】即ち、本実施例の場合、まず、ルール１の
前件部に、制御偏差ＥT（ｔi＋Ｌ）、ＥT（ｔi+1＋Ｌ）
の値（ここで、ｘi、ｘi+1とおく）を適用し、適合度ω
1を次の数１４により求める。

【数１４】 本実施例では、ω1＝ＰＢ（ｘi）となり、これよりルー
ル１による加速信号修正信号△ＡＦrd（ｔi）、△ＡＦr
d（ｔi+1）は、それぞれ、斜線部Ａi、Ａi+1（図１２の
ファジイ推論部１６００の後件部を参照）として求めら
れる。つぎに、ルール２についても同様の推論演算が行
われ、

【数１５】 本実施例では、ω2＝ＰＳ（ｘi）となり、これよりルー
ル２による加速信号修正信号は斜線部Ｂi、Ｂi+1として
求められる（図１２のファジイ推論部１６００の後件部
を参照）。

【００４３】なお、本実施例では、ルール１とルール２
のみが適用されるものとしており、両ルールによる演算
結果を統合した結果を、それぞれ、△ＡＦrd（ｔi）、
△ＡＦrd（ｔi+1）とおくと、各々の値は、斜線部Ａiと
Ｂi、Ａi+1とＢi+1の各々の最大値で出来る斜線部重心
のｘ座標として求められる（図１２のファジイ推論部１
６００の後件部の最下図を参照）。

【００４４】また、本実施例では、制御偏差ＥTは、時
刻ｔi＋Ｌとｔi+1＋Ｌの２時点のもののみに着目し、加
速信号修正信号△ＡＦrdもこれに対応したｔi、ｔi+1の
２時点のみとしているが（すなわち、△ＡＦrd（ｔ
i）、△ＡＦrd（ｔi+1））、しかしながら、必ずしもこ
れに限られず、３時点以上のデータを取り扱う場合につ
いても、上述と同様の方法により加速信号修正信号△Ａ
Ｆrdを生成することができる。

【００４５】図１３には、さらに、燃料量デマンド信号
Ｆrdを燃料量制御器８５０に与える前に、試行信号とし
て燃料量デマンド信号Ｆrdをプラント予測モデルに与え
て主蒸気温度偏差ＥTを予測し、その応答特性が目標の
性能を満足していない場合には、加速信号△ＡＦrdを修
正し、目標性能が満足されることが確認された場合に
は、その確認後に、燃料量制御器８５０に燃料量デマン
ド信号Ｆrdを与えるよう構成した実施例が示されてい
る。ここで、燃料制御信号ＣＳは、燃料調整弁２６０に
与えられる前に、いわゆる制御応答予測モデルＲＰＭに
燃料量デマンド信号Ｆrdとして与えられる。この制御応
答予測モデルＲＰＭでは、主蒸気温度偏差の予測値＾Ｅ
Tを求め、これを応答特性評価部ＰＣＥに与える。応答
特性評価部ＰＣＥでは、この主蒸気温度偏差の予測値＾
ＥTに基づく評価関数値などにより、応答特性を評価
し、その結果、評価基準が満足されていればスイッチＳ
Ｗをｂ側に切り替えて制御信号ＣＳを燃料調整弁２６０
に与え、他方、評価基準が満足されていなければ、加速
信号修正信号発生回路ＡＣＣに主蒸気温度偏差の予測値
＾ＥTを与える。そして、加速信号修正信号発生回路Ａ
ＣＣは、この予測値＾ＥTに基づいて加速信号修正信号
△ＡＦrdを作成し、これを加算器ＡＤＤを介して加速信
号ＡＦrdと加算して加速信号ＡＦrd’を生成することに
より新たな＾Ｆrdを作成する。以下、ＰＣＥで評価基準
が満たされるまで上記の手順が繰り返される。

【００４６】なお、この加速信号修正信号発生回路ＡＣ
Ｃは、上述の図１２のＥTを＾ＥTと考えることにより、
図１２と同様の方法でも実現することができる。なお、
図１３における制御応答予測モデルＲＰＭは、２次過熱
器を対象とした場合、次のような数式で実現することが
できる。

【数１６】

【数１７】

【数１８】 但し、上記の数式において、Ｔs、Ｔg、Ｋs、Ｋg、Ｋf
は、それぞれ、以下の数式で表される。

【数１９】

【数２０】

【数２１】

【数２２】

【数２３】 ここで、各符号は以下の量を表す。 Ｖs：管内流路容積 γs：内部流体比重量 Ｆs：内部流体流量 Ｃpo：２次過熱器出口蒸気定圧比熱 Ｃpi：２次過熱器入口蒸気定圧比熱 Ａ：２次過熱器伝熱面積 αms：管から蒸気への熱伝達率 θso：２次過熱器出口蒸気温度 θsi：２次過熱器入口蒸気温度 θm：管温度 θs：内部流体温度 Ｃm：管比熱 Ｍm：管重量 αgm：ガスから管への熱伝達率 Ｆf：燃料流量 Ｆa：空気流量 Ｆgγf：最循環ガス流量 Ｆgβf：ボイラガス流量

【００４７】以上、上述の実施例においては、火力プラ
ントの燃料制御に本発明を適用した例について述べた
が、本発明はこれのみに限られず、他に、例えば給水制
御や空気制御に適用しても同様の効果が得られることは
明らかである。

【００４８】

【発明の効果】上記の詳細な説明からも明らかなよう
に、本発明のプロセス制御方法及びその制御装置によれ
ば、以下に記載する効果が得られる。 （１） 加速回路が、負荷指令の変化に対応すると共
に、プロセス制御量と設定値との偏差を常に最小にする
ような加速信号を出力することから、大幅で急激に変化
する負荷指令に対しても、プラントの出力を前記負荷指
令に正確に追従させつつ、かつ、プロセス量を安定に制
御することが可能になる。 （２） 加速回路をニューラルネットワークで構成する
ことにより、多様な負荷指令に対してもプロセス制御量
を所望の値に保つためのプロセス操作量を迅速かつ正確
に出力することが可能になる。 （３） 加速回路を加速信号決定ルールを知識ベースと
したファジイ推論により加速信号を決定するよう構成す
ることにより、熟練者のノウハウを知識ベースとして持
たせることができ、簡単な装置で性能向上を図ることが
できると共に、人間による回路の調整作業が不要とな
る。 （４） 加速信号に基づくプロセスの応答特性によっ
て、加速回路から最適な加速出力が得られるよう出力の
修正機能を設けることにより、プロセスの状態が変化し
ても常に所望の制御性を自動的に維持させることが可能
になる。 （５） 上記修正機能を修正ルールとファジイ推論によ
る手段によって実現することにより、熟練者のノウハウ
が修正ルールとして組み込め、加速信号を自動的に修正
してこれをニューラルネットワークに再学習させるよう
にすることができるので、プラント制御特性を自己成長
的に向上させることができる。 （６） プラントに操作量を出力する前に予め制御応答
を予測し、その評価結果に基ずいて加速信号を出力する
ようにすることにより、不適切な操作量による制御外乱
を未然に防ぐことができ、安全で信頼性の高い制御を実
現することができる。

【図面の簡単な説明】

【図１】本発明のプロセス制御装置の特徴的な構成を示
す火力プラントの制御系統図の一部拡大図である。

【図２】本発明になるプロセス制御方法を適用した火力
プラントの全体機器構成を示制御系統図である。

【図３】上記図２の火力プラントのプロセス制御装置構
成を示す制御系統図である。

【図４】上記速回路の動作を説明するための各部の信号
波形を示す図である。

【図５】上記加速回路をニューラルネットワークにより
構成した実施例を示す制御概念図である。

【図６】上記ニューラルネットワークを構成するニュー
ロンユニットモデルを示す制御概念図である。

【図７】上記ニューラルネットワークの構造及び動作を
説明する制御概念図である。

【図８】上記ニューラルネットワークの構造と学習機構
を説明する制御概念説図である。

【図９】上記加速回路にファジイ推論を適用した他の実
施例の構成を説明する制御概念図である。

【図１０】上記ファジイ推論のメンバシップ関数の一実
施例を示す図である。

【図１１】上記図５の加速回路に、さらに、加速信号修
正機能を設けた他の実施例の構成を説明する制御概念図
である。

【図１２】上記図１１の加速信号修正機能にファジイ推
論を適用した実施例の構成を示す制御概念図である。

【図１３】さらに、上記加速信号を出力する前に予測モ
デルを用いて予め応答を評価するようにした他の実施例
の構成を示す制御概念図である。

【符号の説明】

Ｌd 負荷指令値 ７００ 負荷指令設定器 ５００、５１０、５７０ 制御量検出器 ８００、８６０、９２０ 設定器 ＥT 制御偏差 ４００、４１０、４２０ 加速回路 ４３０、４４０、４５０ 加算器 ７５５、８３０、８９０ 基本プログラム Ｆwdo、Ｆrdo、Ｆido 基本目標指令 Ｆwd、Ｆrd、Ｆid デマンド信号 ＡＦwd、ＡＦrd、ＡＦid 加速信号 ７６０、８５０、９１０ 制御器 △ＡＦrd 燃料加速信号修正信号 ２６０ 燃料調整弁 ２７０ 空気量調節ダンパ ５７２ 燃料量検出器 ＮＮ ニューラルネットワーク １１ ニューラルネットワークのユニツトモデル ＬＣ 学習部 ＴＣＨｉ 教示パターン入力回路 ＴＣＨｏ 教示パターン出力回路 ＬＣＣＫ１、２ 学習制御回路

───────────────────────────────────────────────────── フロントページの続き (72)発明者 野村 政英 茨城県日立市久慈町4026番地 株式会社 日立製作所日立研究所内 (56)参考文献 特開 昭58−189702（ＪＰ，Ａ) 特開 平２−54304（ＪＰ，Ａ) 特開 平２−222004（ＪＰ，Ａ) 特開 平３−164804（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁷，ＤＢ名) G05B 11/00 - 13/04

Claims (12)

(57)【特許請求の範囲】
1. 【請求項１】 プロセスの負荷指令より基本目標指令を
   作成し、検出されたプロセス制御量と制御量設定値との
   偏差から前記基本目標指令を補正する補正信号を形成
   し、前記負荷指令の変化状況に基づいて前記基本目標指
   令を補正する加速信号を形成し、これら基本目標指令、
   補正信号及び加速信号を用いて該プロセスの操作量を決
   定するプロセス制御方法において、前記加速信号を、前
   記負荷指令の変化状況と共に、さらに、前記検出された
   プロセス制御量と制御量設定値との偏差から、前記偏差
   が最小となるように形成することを特徴とするプロセス
   制御方法。
2. 【請求項２】 請求項１において、ニューラルネットワ
   ークを用い、上記検出されたプロセス制御量と制御量設
   定値との偏差を最小にするように学習させ、その結果に
   基づき、前記負荷指令の変化に対応して前記加速信号を
   作成することを特徴とするプロセス制御方法。
3. 【請求項３】 請求項１において、加速信号決定ルール
   を知識ベースとして前記プロセス制御量と制御量設定値
   との偏差をメンバシップ関数に適用して適合度を算出
   し、前記適合度と前記ルールを用いてファジイ推論によ
   って加速信号を作成することを特徴とするプロセス制御
   方法。
4. 【請求項４】 請求項２において、前記ニューラルネッ
   トワークによって作成された前記加速信号を適用した場
   合の前記プロセス制御量の応答特性をもとに前記加速信
   号の修正信号を作成し、前記加速信号を前記修正信号で
   修正して教示信号を作成し、そして、前記教示信号を用
   いて前記ニューラルネットワークに最適な加速信号を学
   習させるようにしたことを特徴とするプロセス制御方
   法。
5. 【請求項５】 請求項４において、前記修正信号は、前
   記修正信号を決定するルールを知識ベースとして、前記
   プロセス制御量と制御量設定値との偏差及び前記応答特
   性をメンバシップ関数に適用して適合度を算出し、前記
   適合度と前記ルールを用いてファジイ推論によって前記
   修正信号を算出することを特徴とするプロセス制御方
   法。
6. 【請求項６】 請求項１において、前記加速信号で補正
   された前記プロセスの基本目標指令に基づいて、前記プ
   ロセス制御量の応答特性を予測モデルを用いて推定し、
   前記推定された応答特性に基づいて前記加速信号を修正
   することを特徴とするプロセス制御方法。
7. 【請求項７】 プロセスの負荷指令よりプロセス操作量
   の基本目標指令を作成する基本プログラム回路と、検出
   されたプロセス制御量と制御量設定値との偏差から前記
   基本目標指令の補正信号を作成する補正回路と、前記負
   荷指令の変化に基づき前記基本目標指令を補正する加速
   信号を作成する加速回路とで構成されるプロセス制御装
   置において、前記加速回路は、負荷指令と、さらに、前
   記プロセス制御量と制御量設定値との偏差とを入力と
   し、前記プロセス制御量と制御量設定値との偏差を最小
   にするような加速信号を作成するように構成したことを
   特徴とするプロセス制御装置。
8. 【請求項８】 請求項７において、前記加速回路をニュ
   ーラルネットワークで構成し、前記ニューラルネットワ
   ークは、前記プロセス制御量と制御量設定値との偏差を
   最小にする前記加速信号を学習させ、その結果に基づ
   き、前記負荷指令の変化に対応した前記加速信号を作成
   するように構成したことを特徴とするプロセス制御装置
   。
9. 【請求項９】 請求項７において、前記加速回路は、加
   速信号決定ルールを知識ベースとして有し、前記プロセ
   ス制御量と制御量設定値との偏差をメンバシップ関数に
   適用して適合度を算出し、前記適合度と前記ルールとを
   用い、ファジイ推論によって前記加速信号を作成する様
   に構成したことを特徴とするプロセス制御装置。
10. 【請求項１０】 請求項８において、さらに、前記ニュ
    ーラルネットワークにより作成された前記加速信号を適
    用した際のプロセス制御量の応答特性をもとに前記加速
    信号の修正信号を作成する回路を設け、前記加速信号を
    前記修正信号で修正した信号を教示信号として用いて前
    記ニューラルネットワークに最適な加速信号を学習させ
    るように構成したことを特徴とするプロセス制御装置。
11. 【請求項１１】 請求項１０において、前記加速信号の
    修正信号を算出する回路は、前記修正信号を決定するル
    ールを知識ベースとして有し、前記プロセス制御量と制
    御量設定値との偏差及び前記応答特性をメンバシップ関
    数に適用して適合度を算出し、算出された前記適合度と
    前記ルールとを用いてファジイ推論によって前記修正信
    号を算出するように構成したことを特徴とするプロセス
    制御装置。
12. 【請求項１２】 請求項７において、さらに、前記加速
    信号によって補正された前記プロセスの基本目標指令に
    基づいて、前記プロセス制御量の応答特性を予測モデル
    を用いて推定する回路と、前記推定された応答特性に基
    づいて該加速信号を修正する回路とを備えたことを特徴
    とするプロセス制御装置。