JP6985833B2 - データ処理装置、制御システム、データ処理方法及びプログラム - Google Patents
データ処理装置、制御システム、データ処理方法及びプログラム Download PDFInfo
- Publication number
- JP6985833B2 JP6985833B2 JP2017140922A JP2017140922A JP6985833B2 JP 6985833 B2 JP6985833 B2 JP 6985833B2 JP 2017140922 A JP2017140922 A JP 2017140922A JP 2017140922 A JP2017140922 A JP 2017140922A JP 6985833 B2 JP6985833 B2 JP 6985833B2
- Authority
- JP
- Japan
- Prior art keywords
- value
- output
- output value
- input
- control
- 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.)
- Active
Links
- 238000012545 processing Methods 0.000 title claims description 49
- 238000003672 processing method Methods 0.000 title claims description 10
- 238000000034 method Methods 0.000 claims description 451
- 230000008569 process Effects 0.000 claims description 436
- 230000006870 function Effects 0.000 claims description 59
- 238000007405 data analysis Methods 0.000 claims description 45
- 238000010801 machine learning Methods 0.000 claims description 26
- 238000012546 transfer Methods 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 description 52
- 238000004458 analytical method Methods 0.000 description 38
- 238000005457 optimization Methods 0.000 description 34
- 238000004088 simulation Methods 0.000 description 18
- 238000013480 data collection Methods 0.000 description 13
- 238000004886 process control Methods 0.000 description 13
- 238000012806 monitoring device Methods 0.000 description 8
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 7
- 230000035945 sensitivity Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009901 attention process Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Feedback Control In General (AREA)
- General Factory Administration (AREA)
Description
まず、本実施形態に係るプロセス制御システムの一構成例について説明する。
図1は、本実施形態に係るプロセス制御システム1の一構成例を示すブロック図である。
プロセス制御システム1は、データ処理装置10と、複数の制御装置70(コントローラ)と、を含んで構成される。図1に示す例では、制御装置70の個数は2個である。また、以下の説明では、複数の制御装置70とその構成要素ならびに関連する機器を、例えば、制御装置70−1、70−2等と、子番号を用いて区別する。個々の制御装置70を区別しない場合には、単に制御装置70と呼ぶ。制御装置70の個数は、必ずしも2個には限られず、3個以上であってもよい。
また、データ処理装置10と制御装置70は、ネットワークを介して相互に通信可能に接続されている。ネットワークは、インターネット、公衆通信網、構内通信網(LAN:Local Area Network)、専用線のいずれか又は組み合わせにより構成される。また、ネットワークは、無線であっても、有線であってもよい。
アクチュエータ84は、制御装置70から入力される入力値に応じて動作する。その動作によりプロセス80の状態が変化する。一般に、入力される入力値が大きいほど、アクチュエータ84の動作量が大きくなる。アクチュエータは、例えば、ポンプ、コンプレッサ、バルブ、モータ、モータ駆動装置などである。
次に、本実施形態に係るデータ処理装置10の機能構成について説明する。
データ処理装置10は、プロセスデータ収集部20と、プロセスデータ解析部22と、プロセス最適化部30と、プロセスシミュレーション部40と、第2プロセスデータ解析部52と、出力予測モデル生成部54と、制御パラメータ情報生成部56と、を含んで構成される。なお、データ処理装置10は、キーボード、ポインティングデバイス等の操作入力部、LCD(Liquid Crystal Display;液晶ディスプレイ)等の表示部、入出力インタフェース、通信インタフェース等のデータ入出力部、1個又は複数個のCPU(Central Processing Unit;中央処理装置)等の演算回路、RAM(Random Access Memory)、ROM(Read−only Memory)等の記憶媒体、等を含んで構成されるコンピュータ(図示せず)として実現されてもよい。その場合には、演算回路は、起動時において予め記憶媒体に記憶された制御プログラムを読み出し、制御プログラムに記述された命令で示される処理を実行することによって上述した各部の機能を実現する。
プロセスデータ解析部22は、制御ループ毎の入力値、出力値、目標値の他、算出した指標値などを表示部(図示せず)に表示させてもよい。
また、プロセスデータ解析部22は、入力値等を表示させた制御ループのうち、さらに操作入力部(図示せす)から入力される操作信号で指示された制御ループを、制御パラメータの最適化対象のプロセスに係る制御ループとして特定してもよい。これにより、表示されたデータを目視したエンジニア等のユーザが制御パラメータの最適化の対象とする制御ループに係るプロセスを選択することができる。プロセスデータ解析部22は、特定したプロセスをプロセス最適化部30に通知する。
プロセス最適化部30は、周波数解析部32、プロセス同定部34及び制御パラメータ最適化部36を備える。
プロセス同定部34は、例えば、入力値に伝達関数を作用して出力値の予測値である予測出力値を算出し、算出した予測出力値と出力値との差の大きさが小さくなるように、伝達関数のパラメータを算出する。伝達関数の次数は、予めプロセス同定部34に設定しておく。差の大きさの指標として、例えば、平均二乗誤差が利用可能である。算出した伝達関数のパラメータは、処理対象プロセスに対応する制御ループにおける出力予測モデルを構成する。プロセス同定部34は、算出した伝達関数のパラメータを出力予測モデルとして制御パラメータ最適化部36とプロセスシミュレーション部40に出力する。
プラント設備情報保持部42には、プラント設備情報が記憶されている。プラント設備情報は、プラントPLに設置されている各プロセスの制御ループ毎の制御装置70とフィールド機器に関する情報である。プラント設備情報には、例えば、制御ループ毎の制御装置70、センサ82及びアクチュエータ84のセット、制御装置70が制御演算に用いる制御方式、制御装置70に設定される目標値、センサ82から取得される入力値の種別、アクチュエータ84から取得される出力値の種別などの情報が含まれる。
なお、プロセス演算部44は、操作入力部(図示せず)から制御パラメータの再調整要求を示す操作信号が入力されるとき、算出した制御パラメータを制御パラメータ最適化部36又は制御パラメータ情報生成部56を再調整要求に付随して通知してもよい。
なお、第2プロセスデータ解析部52が高寄与プロセスを検出しない場合には、高寄与プロセスの各高寄与チャネルの入力値は入力値セットに含まれない。また、入力値セットには、解析対象プロセスの全入力チャネルの入力値が含まれてもよい。
また、制御パラメータ最適化部36が高寄与プロセスに係る制御装置70の制御パラメータを並行して算出する場合、又は既に算出した場合がありうる。その場合には、制御パラメータ情報生成部56は、高寄与プロセスに係る制御装置70の制御パラメータを算出しなくてもよい。制御パラメータ情報生成部56は、制御入力値の算出において、制御パラメータ最適化部36が算出した制御パラメータを用いてもよい。
なお、制御パラメータ情報生成部56は、パラメータ適用指示を示す操作信号が操作入力部(図示せず)から入力されるとき、算出した制御パラメータを、該当する制御装置70に送信する。制御装置70の制御演算部72は、制御パラメータ情報生成部56から受信した制御パラメータを制御演算に用いる。
図2は、出力予測モデル、制御パラメータの計算例を示す説明図である。
図2に示す例では、プラントPLに制御演算部72−1〜72−3をそれぞれ有する制御装置70−1〜70−3(図示せず)、センサ82−1、82−2及びアクチュエータ84−1〜84−3が設置されている。制御演算部72−1〜72−3は、それぞれPID制御を実行するPID制御器である。センサ82−1、制御演算部72−1及びアクチュエータ84−1間、センサ82−1、制御演算部72−3及びアクチュエータ84−3間、センサ82−2、制御演算部72−2及びアクチュエータ84−2間でそれぞれ制御ループが形成される。センサ82−1、制御演算部72−1及びアクチュエータ84−1からなる制御ループを制御ループ1と呼ぶ。センサ82−1、制御演算部72−3及びアクチュエータ84−3からなる制御ループを制御ループ2と呼ぶ。センサ82−2、制御演算部72−2及びアクチュエータ84−2からなる制御ループを制御ループ3と呼ぶ。制御ループ1〜3のうち、制御ループ1、2がプロセス1に対応し、制御ループ3がプロセス2に対応する。プロセス1に対応する制御ループ1、2間でセンサ82−1が共有される。センサ82−1は、プロセス2に対応する制御ループ3に係るセンサ82−3とは独立である。
第2プロセスデータ解析部52は、解析対象プロセスとしてプロセス1に対応する制御ループ1、2の出力値と、制御ループ1、2の入力値もしくは他プロセスとしてプロセス2に対応する制御ループ3の出力値との相関係数を算出する。第2プロセスデータ解析部52は、算出した相関係数に基づいて制御ループ1、2からの出力値に対する高寄与入力値として制御ループ1、2の入力値をそれぞれ特定し、制御ループ2からの出力値に対する高寄与プロセスであるプロセス2からの高寄与出力値として制御ループ3からの出力値を特定する。第2プロセスデータ解析部52は、制御ループ1〜3それぞれの出力値から変動時点を特定し、特定した変動時点に基づいて解析期間を定める。第2プロセスデータ解析部52は、定めた解析期間内のプロセス1、2のプロセス値を含む有効データを抽出する。
他方、プロセス同定部34(図1)は、制御ループ3の入力値に対する制御ループ3の出力値に写像する伝達関数t02を、プロセス2の出力予測モデルとして算出する。
なお、制御パラメータ最適化部36(図1)は、プロセス2に係る制御ループ3について予測出力値と目標値との偏差が小さくなるように制御演算部72−2における制御パラメータp03を定める。制御パラメータp01〜p03には、それぞれ比例ゲインKP、積分ゲインKI、微分ゲインKDが含まれる。
プロセス演算部44は、制御演算部72−1、72−3、72−2にそれぞれ入力される予測出力値と設定される目標値から制御パラメータp01、p02、p03を用いて制御演算部72−1、72−3、72−2から出力される予測入力値を算出する。
プロセス演算部44は、制御演算部72−1、72−3から入力される予測入力値とプロセス2から出力される予測出力値A2を含む入力値セットを特定する。プロセス演算部44は、NNセットn01を用いて特定した入力値セットから予測出力値A1を算出する(NNモデル演算)。予測出力値A1は、制御演算部72−1、72−2、72−3に出力される。他方、プロセス演算部44は、制御演算部72−2から入力される予測入力値から伝達関数t02を用いて予測出力値A2を算出する(伝達関数モデル演算)。
出力予測モデル生成部54は、入出力関係を表現する出力予測モデルとして機械学習モデルを生成することができる。これにより、プロセス演算部44は、伝達関数モデルなど従来の手法では同定できない複雑なプロセスの入出力をシミュレーションにより予測することができる。また、プロセス演算部44は、従来の手法で同定された出力予測モデルと組み合わせて、複数のプロセス間の入出力をシミュレーションにより予測することができる。
制御パラメータ情報生成部56によれば、生成された出力予測モデルによって予測される予測出力値が制御目標である目標値により近くなるように、制御パラメータの強化学習がなされる。
ここで、従来の手法では同定できないもしくは十分な精度が得られない複雑なプロセスに対して、その入出力関係をより高い精度で示す出力予測モデルが生成される。生成された出力予測モデルにより、より具現化可能な解析結果、例えば、所望のプロセスにおける制御状態を示す入出力やその指標が導出される。そのため、エンジニアは同定されたプロセスの状態を容易に把握することができる。
また、機械学習により生成された出力予測モデルにより導出される入出力に基づく制御パラメータの強化学習によって、さらに適切な制御パラメータが得られる。そのため、エンジニアによる制御パラメータの調整に係る作業が軽減する。
例えば、データ処理装置は、コンピュータで実現されてもよい。その場合、それぞれの制御機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、CPU等の演算処理回路により実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、各装置に内蔵されたコンピュータシステムであって、OSや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM、CD−ROM等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。また、上述したコンピュータシステムは、ネットワークを介して相互に各種のデータを送受信可能とするクラウドコンピューティングシステムの構成要素であるコンピューティングリソースとして構成されていてもよい。
また、上各装置の一部、又は全部は、LSI(Large Scale Integration)等の集積回路として実現されてもよい。各装置の各機能ブロックは個別にプロセッサ化してもよいし、一部又は全部を集積してプロセッサ化してもよい。また、集積回路化の手法はLSIに限らず専用回路、又は汎用プロセッサで実現してもよい。また、半導体技術の進歩によりLSIに代替する集積回路化の技術が出現した場合、当該技術による集積回路を用いてもよい。
Claims (10)
- 少なくとも1つの第1プロセスに対する入力値と前記第1プロセスからの出力値である実測出力値に対して機械学習を行って前記第1プロセスの出力予測モデルを生成する出力予測モデル生成部と、
前記第1プロセスとは別個の第2プロセスに対する入力値と前記第2プロセスからの出力値である実測出力値に基づいて前記第2プロセスの伝達関数を計算するプロセス同定部と、
前記出力予測モデルと前記第1プロセスに対する入力値に基づいて前記第1プロセスからの出力値の予測値である予測出力値を算出し、前記第2プロセスの伝達関数と前記第2プロセスに対する入力値に基づいて前記第2プロセスからの予測出力値を算出し、前記第1プロセスおよび前記第2プロセスそれぞれのプロセス毎の予測出力値と出力値の目標である目標値との偏差の大きさを示すコスト値を算出し、それらプロセス毎のコスト値に重み係数を乗じて得られる乗算値の総和として得られるコスト値を評価関数として、その評価関数が減少するように、前記プロセスを制御する制御装置のプロセス毎の制御パラメータを定める制御パラメータ情報生成部と、
を備えるデータ処理装置。 - プロセス毎のコスト値として二乗誤差を用いる請求項1に記載のデータ処理装置。
- 前記入力値と前記出力値を含むプロセス毎のプロセスデータから、解析対象のプロセスからの前記出力値に対する寄与度が所定の寄与度よりも高い入力値もしくは他のプロセスの出力値を特定し、特定した入力値もしくは出力値を含む有効データを抽出するプロセスデータ解析部を、
さらに備える請求項1又は請求項2に記載のデータ処理装置。 - 少なくとも1つのプロセスに対する入力値と前記プロセスからの出力値である実測出力値に対して機械学習を行って前記プロセスの出力予測モデルを生成する出力予測モデル生成部と、
前記出力予測モデルと前記入力値に基づいて前記出力値の予測値である予測出力値を算出し、前記予測出力値と前記プロセスからの出力値の目標である目標値との差が減少するように前記プロセスを制御する制御装置の制御パラメータを定める制御パラメータ情報生成部と、
前記入力値と前記出力値を含むプロセス毎のプロセスデータから、解析対象のプロセスからの前記出力値に対する寄与度が所定の寄与度よりも高い入力値もしくは他のプロセスの出力値を特定し、特定した入力値もしくは出力値を含む有効データであって、前記機械学習に使用される有効データを抽出するプロセスデータ解析部と、
を備えるデータ処理装置。 - 前記出力予測モデルは、ニューラルネットワークで表現された出力予測モデルである
請求項1から請求項4のいずれかに記載のデータ処理装置。 - 請求項1から請求項5のいずれかに記載のデータ処理装置と、前記プロセスを制御する制御装置と、
を備える制御システム。 - データ処理装置におけるデータ処理方法であって、
少なくとも1つの第1プロセスに対する入力値と前記第1プロセスからの出力値である実測出力値に対して機械学習を行って前記第1プロセスの出力予測モデルを生成する出力予測モデル生成過程と、
前記第1プロセスとは別個の第2プロセスに対する入力値と前記第2プロセスからの出力値である実測出力値に基づいて前記第2プロセスの伝達関数を計算するプロセス同定過程と、
前記出力予測モデルと前記第1プロセスに対する入力値に基づいて前記第1プロセスからの出力値の予測値である予測出力値を算出し、前記第2プロセスの伝達関数と前記第2プロセスに対する入力値に基づいて前記第2プロセスからの予測出力値を算出し、前記第1プロセスおよび前記第2プロセスそれぞれのプロセス毎の予測出力値と出力値の目標である目標値との偏差の大きさを示すコスト値を算出し、それらプロセス毎のコスト値に重み係数を乗じて得られる乗算値の総和として得られるコスト値を評価関数として、その評価関数が減少するように、前記プロセスを制御する制御装置のプロセス毎の制御パラメータを定める制御パラメータ情報生成過程と、
を有するデータ処理方法。 - データ処理装置のコンピュータに、
少なくとも1つの第1プロセスに対する入力値と前記第1プロセスからの出力値である実測出力値に対して機械学習を行って前記第1プロセスの出力予測モデルを生成する出力予測モデル生成手順と、
前記第1プロセスとは別個の第2プロセスに対する入力値と前記第2プロセスからの出力値である実測出力値に基づいて前記第2プロセスの伝達関数を計算するプロセス同定手順と、
前記出力予測モデルと前記第1プロセスに対する入力値に基づいて前記第1プロセスからの出力値の予測値である予測出力値を算出し、前記第2プロセスの伝達関数と前記第2プロセスに対する入力値に基づいて前記第2プロセスからの予測出力値を算出し、前記第1プロセスおよび前記第2プロセスそれぞれのプロセス毎の予測出力値と出力値の目標である目標値との偏差の大きさを示すコスト値を算出し、それらプロセス毎のコスト値に重み係数を乗じて得られる乗算値の総和として得られるコスト値を評価関数として、その評価関数が減少するように、前記プロセスを制御する制御装置のプロセス毎の制御パラメータを定める制御パラメータ情報生成手順と、
を実行させるためのプログラム。 - データ処理装置におけるデータ処理方法であって、
少なくとも1つのプロセスに対する入力値と前記プロセスからの出力値である実測出力値に対して機械学習を行って前記プロセスの出力予測モデルを生成する出力予測モデル生成過程と、
前記出力予測モデルと前記入力値に基づいて前記出力値の予測値である予測出力値を算出し、前記予測出力値と前記プロセスからの出力値の目標である目標値との差が減少するように前記プロセスを制御する制御装置の制御パラメータを定める制御パラメータ情報生成過程と、
前記入力値と前記出力値を含むプロセス毎のプロセスデータから、解析対象のプロセスからの前記出力値に対する寄与度が所定の寄与度よりも高い入力値もしくは他のプロセスの出力値を特定し、特定した入力値もしくは出力値を含む有効データであって、前記機械学習に使用される有効データを抽出するプロセスデータ解析過程と、
を有するデータ処理方法。 - データ処理装置のコンピュータに、
少なくとも1つのプロセスに対する入力値と前記プロセスからの出力値である実測出力値に対して機械学習を行って前記プロセスの出力予測モデルを生成する出力予測モデル生成手順と、
前記出力予測モデルと前記入力値に基づいて前記出力値の予測値である予測出力値を算出し、前記予測出力値と前記プロセスからの出力値の目標である目標値との差が減少するように前記プロセスを制御する制御装置の制御パラメータを定める制御パラメータ情報生成手順と、
前記入力値と前記出力値を含むプロセス毎のプロセスデータから、解析対象のプロセスからの前記出力値に対する寄与度が所定の寄与度よりも高い入力値もしくは他のプロセスの出力値を特定し、特定した入力値もしくは出力値を含む有効データであって、前記機械学習に使用される有効データを抽出するプロセスデータ解析手順と、
を実行させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017140922A JP6985833B2 (ja) | 2017-07-20 | 2017-07-20 | データ処理装置、制御システム、データ処理方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017140922A JP6985833B2 (ja) | 2017-07-20 | 2017-07-20 | データ処理装置、制御システム、データ処理方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019021186A JP2019021186A (ja) | 2019-02-07 |
JP6985833B2 true JP6985833B2 (ja) | 2021-12-22 |
Family
ID=65353685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017140922A Active JP6985833B2 (ja) | 2017-07-20 | 2017-07-20 | データ処理装置、制御システム、データ処理方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6985833B2 (ja) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7156982B2 (ja) * | 2019-03-11 | 2022-10-19 | 株式会社日立製作所 | リアルタイムコントローラおよびそれを用いた分散制御システム、産業機械 |
JP7460657B2 (ja) * | 2019-05-09 | 2024-04-02 | アスペンテック・コーポレーション | 機械学習を専門知識及び第一原理と組み合わせて行うプロセス産業のモデリング |
US11782401B2 (en) | 2019-08-02 | 2023-10-10 | Aspentech Corporation | Apparatus and methods to build deep learning controller using non-invasive closed loop exploration |
WO2021076760A1 (en) | 2019-10-18 | 2021-04-22 | Aspen Technology, Inc. | System and methods for automated model development from plant historical data for advanced process control |
JP7339851B2 (ja) * | 2019-10-31 | 2023-09-06 | 株式会社日立製作所 | 制御装置 |
KR102216713B1 (ko) * | 2020-07-16 | 2021-02-16 | 한전케이피에스 주식회사 | 최소제곱법 전달함수 선형화를 통한 선응답 기반 제어기 튜닝 방법 및 시스템 |
JP7084520B2 (ja) * | 2021-03-05 | 2022-06-14 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | シミュレーション装置、シミュレーション方法およびシミュレーションプログラム |
JP7487704B2 (ja) * | 2021-04-28 | 2024-05-21 | 横河電機株式会社 | 評価装置、評価方法、評価プログラム、制御装置、および、制御プログラム |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3121651B2 (ja) * | 1991-12-21 | 2001-01-09 | 株式会社東芝 | 適応型モデル予測制御装置 |
US8055358B2 (en) * | 2005-12-05 | 2011-11-08 | Fisher-Rosemount Systems, Inc. | Multi-objective predictive process optimization with concurrent process simulation |
US20160147204A1 (en) * | 2014-11-26 | 2016-05-26 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
-
2017
- 2017-07-20 JP JP2017140922A patent/JP6985833B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2019021186A (ja) | 2019-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6985833B2 (ja) | データ処理装置、制御システム、データ処理方法及びプログラム | |
JP6928119B2 (ja) | 予測推論モデルをオンラインで構築し配備するコンピュータシステム及び方法 | |
JP7394805B2 (ja) | 予測分析用の動作中心型第一原理プロセスモデルの動的構築及びオンライン配備のためのコンピュータシステム及び方法 | |
US8560092B2 (en) | Apparatus and method for model quality estimation and model adaptation in multivariable process control | |
JP2019527413A (ja) | 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法 | |
KR20180104542A (ko) | 해석 장치, 해석 방법 및 기억 매체 | |
WO2019234810A1 (ja) | 学習装置、推論装置、方法、及びプログラム | |
CN103439887B (zh) | 低阶***itae最优的pi控制器参数整定方法及*** | |
Gadhavi et al. | Student final grade prediction based on linear regression | |
US20130116802A1 (en) | Tracking simulation method | |
CN111433689B (zh) | 用于目标***的控制***的生成 | |
JP4908433B2 (ja) | 制御パラメータ調整方法および制御パラメータ調整プログラム | |
JP2018528511A (ja) | 生産システムにおける出力効率の最適化 | |
EP3904987A1 (en) | Control support apparatus, control support method, control support program, computer readable medium with control support program recorded thereon and control system | |
JP6086875B2 (ja) | 発電量予測装置および発電量予測方法 | |
JP5125875B2 (ja) | Pidコントローラのチューニング装置、pidコントローラのチューニング用プログラムおよびpidコントローラのチューニング方法 | |
JP6870330B2 (ja) | データ処理装置及びデータ処理方法 | |
JPWO2016203757A1 (ja) | 制御装置、それを使用する情報処理装置、制御方法、並びにコンピュータ・プログラム | |
CN111367255A (zh) | 一种多变量控制***性能评价测试***及方法 | |
JP2009276981A (ja) | Pidコントローラのチューニング装置、pidコントローラのチューニング用プログラムおよびpidコントローラのチューニング方法 | |
JP3740382B2 (ja) | プロセスモデルのパラメータ調整装置及び方法 | |
JPWO2019235608A1 (ja) | 分析装置、分析方法およびプログラム | |
JPWO2019235603A1 (ja) | 関係性分析装置、関係性分析方法およびプログラム | |
Arranz et al. | On the selection of control configurations for uncertain systems using gramian-based interaction measures | |
JP2020004041A (ja) | 消費電力推定装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170817 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200619 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210803 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210916 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20211116 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211126 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6985833 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313117 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |