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

Description

本発明は、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に関する。

従来から、プラントにおける生産制御技術の高度化を目的として、製造等のプロセスを連続的に制御する分散制御システム（ＤＣＳ：Ｄｉｓｔｒｉｂｕｔｅｄ Ｃｏｎｔｒｏｌ Ｓｙｓｔｅｍ）や、その機能を支援するためのデータ処理装置が提案されている。図３に示す例では、プラントＰＬにおいてプロセス制御システム９が構成されている。プロセス制御システム９は、プロセス８０−１、８０−２を制御するための制御装置７０−１、７０−２と、データ処理装置９０を備える。データ処理装置９０においてプロセスデータ収集部１２０は、各プロセスのプロセス値を含むプロセスデータを収集する。プロセス値には、センサ８２−１、８２−２を介して取得されるプロセスからの出力値、アクチュエータ８４−１、８４−２に供給するプロセスへの入力値が含まれる。

収集されたプロセスデータは、プラントの操業改善に利用することが試みられている。例えば、大規模工場に設置された制御システムから取得されたプラントデータ（プラントビッグデータ）によるプロセス間の最適化、制御・予測機能の高度化、銘柄変更支援、ＤＣＳ更新、機能追加などへの適用が期待されている。そこで、図３に示すデータ処理装置９０には、プロセスデータを解析するプロセスデータ解析部１２２、プロセスにおける制御パラメータを最適化するプロセス最適化部１３０、同定したプロセスや得られた制御パラメータに基づいて各プロセスにおけるプロセス値を演算するプロセスシミュレーション部１４０を備える。これらの機能により、操業監視や操業状態の調整などの操業改善に係るエンジニアの作業が支援される。

Fumiaki Uozumi, Osamu Kaneko and Shigeru Yamamoto, "Fictitious Reference Iterative Tuning of Disturbance Observers for Attenuation of the Effect of Periodic Unknown Exogenous Signals", 11th IFAC (International Federation of Automatic Control) International Workshop on Adaptation and Learning in Control and Signal Processing, July 3-5, 2013

しかしながら、プロセスに対する操作や挙動に詳しいエンジニアであっても、操業改善の解決策を得るまでの過程では、相当の作業量（工数）を要することがある。人件費に直結する工数を要していては、費用対効果という面で現実のビジネスにつながらない原因となりうる。また、工数が増加する原因には、プラントにおいて、通例、多数のプロセスが設けられ、プロセス間で相互に干渉が生じることが挙げられる。そのため、プロセス変動に主要な影響を及ぼすデータの特定、解析作業、シミュレーション作業などプラントの操業改善に係る作業量の削減が望まれる。

本発明は上記の点に鑑みてなされたものであり、プラントの操業改善に係る作業を軽減することができるデータ処理装置、制御システム、データ処理方法及びプログラムを提供することを目的とする。

（１）本発明は上記の課題を解決するためになされたものであり、本発明の一態様は、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、を備えるデータ処理装置である。

（２）本発明の他の態様は、上述のデータ処理装置であって、前記プロセスである第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を、さらに備え、前記制御パラメータ情報生成部は、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、各プロセスにおける前記予測出力値と目標値との差が減少するように、プロセス毎の前記制御パラメータを定める。

（３）本発明の他の態様は、上述のデータ処理装置であって、第１プロセスおよび第２プロセスそれぞれのプロセス毎の予測出力値と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、プロセス毎の前記制御パラメータを定める。

（４）本発明の他の態様は、上述のデータ処理装置であって、プロセス毎のコスト値として二乗誤差を用いる。

（５）本発明の他の態様は、上述のデータ処理装置であって、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。

（６）本発明の他の態様は、上述のデータ処理装置であって、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。

（７）本発明の他の態様は、上述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である。

（８）本発明の他の態様は、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、を有するデータ処理方法である。

（９）本発明の他の態様は、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、を実行させるためのプログラムである。

本発明によれば、プラントの操業改善に係る作業を軽減することができる。

本実施形態に係るプロセス制御システムの一構成例を示すブロック図である。 本実施形態に係る出力予測モデル、制御パラメータの計算例を示す説明図である。 従来のプロセス制御システムの一構成例を示すブロック図である。

以下、図面を参照し、本発明のデータ処理装置、プロセス制御システム、データ処理方法及びプログラムの実施形態について説明する。

（プロセス制御システム）
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。

プロセス制御システム１は、さらに監視装置（図示せず）を備える。監視装置は、例えば、エンジニアがプロセスの運転状態の監視や、その運転状態を制御するための各種の設定値を設定するためのＨＭＩ（Ｈｕｍａｎ Ｍａｃｈｉｎｅ Ｉｎｔｅｒｆａｃｅ）である。監視装置は、ネットワークに接続され、プラントＰＬの各プロセスの状態を示す測定値である出力値を各制御装置７０から所定時間（例えば、１分）毎に受信する。監視装置は、例えば、各時点における測定値を表示する表示部（図示せず）を備える。監視装置は、操作に応じて制御目標とするプロセスの目標値を設定する操作入力部（図示せず）を備える。監視装置は、設定した目標値を設定対象となる制御装置７０に送信する。このように、プロセス制御システム１は、複数の制御装置７０が分散配置されてなるＤＣＳとして構成される。

データ処理装置１０は、各プロセス８０の状態を示すプロセス値を示すプロセスデータを各制御装置７０から取得し、取得したプロセスデータに基づいてプロセス８０の操業改善を支援する機能を有する。プロセス値には、プロセス８０の入力値、出力値及び制御目標とする目標値が含まれる。データ処理装置１０は、少なくとも１つの解析対象のプロセス８０への入力値とそのプロセス８０からの出力値である実測出力値に対して機械学習を行い、そのプロセス８０における入出力関係を示す出力予測モデルを生成する。また、データ処理装置１０は、出力予測モデルと入力値に基づいて出力値の予測値である予測出力値を算出する。データ処理装置１０は、その予測出力値とプロセス８０に対する制御の目標値との差が減少するように制御パラメータを定める（最適化）。また、データ処理装置１０は、生成した出力予測モデルと制御パラメータを用いて、そのプロセスにおける入力値や出力値を算出する（シミュレーション）。データ処理装置１０は、定めた制御パラメータについて、そのプロセスを制御する制御装置７０に提供する。

制御装置７０は、プロセス８０の状態を示す測定値として、プラントＰＬに備えられたセンサ８２から所定時間毎に入力される出力値と、監視装置から受信した目標値に基づいてプロセスの運転状態を時間的に連続して制御する（連続制御）。制御装置７０は、制御演算部７２を備える。制御演算部７２は、例えば、ＰＩＤ制御を実行するＰＩＤ制御器である。ＰＩＤ制御とは、比例項Ｐ、積分項Ｉ及び微分項Ｄの総和を操作量として計算し、得られた操作量を、プロセスを制御するアクチュエータ８４に出力する手法である。比例項Ｐは、その時点における目標値から出力値を差し引いて得られる偏差に所定の比例ゲインＫ_Ｐを乗じて得られる。積分項Ｉは、その時点までの偏差を積分して得られる積分値に所定の積分ゲインＫ_Ｉを乗じて得られる。微分項Ｄは、その時点における偏差を微分して得られる微分値に所定の微分ゲインＫ_Dを乗じて得られる。これらの比例ゲインＫ_Ｐ、積分ゲインＫ_Ｉ及び微分ゲインＫ_Dが、ＰＩＤ制御の制御パラメータに相当する。制御演算部７２は、算出した操作量をプロセス８０への入力値としてプラントＰＬに備えられたアクチュエータ８４に出力する。なお、制御装置７０は、所定時間毎にセンサ８２から入力されるプロセス８０からの出力値と、アクチュエータ８４に出力するプロセス８０への入力値とデータ処理装置１０に送信する。

センサ８２は、プロセス８０の状態を検出する。センサ８２は、例えば、温度を検出する温度センサ、圧力を検出する圧力センサ、流量を検出する流量計、電流を検出する電流計、電圧を検出する電圧計などである。センサ８２は、検出した状態を示す出力値を制御装置７０に逐次に出力する。
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。

図１に示す例では、制御装置７０−１、７０−２は、プロセス８０−１、８０−２をそれぞれ制御対象とする。プロセス８０−１、８０−２において、入力値、出力値のチャネル数は、それぞれ１チャネルである。センサ８２−１、制御装置７０−１及びアクチュエータ８４−１のセット、センサ８２−２、制御装置７０−２及びアクチュエータ８４−２のセットのそれぞれについて、各１個の制御ループが形成される。この例では、各制御ループにおける入力値のチャネル数、出力値のチャネル数は、それぞれ１チャネルである。プロセス８０−１、８０−２における制御ループの数は、１個である。一般には、制御ループ１個当たりの入力値のチャネル数、出力値のチャネル数は、制御ループ毎に独立であり２個以上となりうる。また、プロセス１個当たりの制御ループ数は、プロセス毎に独立であり２個以上となりうる。プラントに設けられたプロセス数は、３個以上となりうる。

（データ処理装置）
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。

プロセスデータ収集部２０は、制御装置７０−１、７０−２からネットワークを介して所定時間毎の各時刻の制御ループ毎のプロセス値を受信する。プロセス値には、入力値、出力値及び制御目標とする目標値が含まれる。ここで、入力、出力とは、それぞれプロセスへの入力、プロセスからの出力を意味する。即ち、入力値は、制御装置７０から出力されるアクチュエータ８４への操作量に相当し、出力値は、センサ８２から制御装置７０に入力される測定値に相当する。プロセスデータ収集部２０は、受信したプロセス値を時間順に累積する。従って、プロセスデータ収集部２０には、各プロセスに対応する制御ループ毎のプロセス値の時系列を示すプロセスデータが蓄積される。プラントＰＬに多数のプロセスが設置されている場合には、プロセスデータは、多量のプロセス値が含まれるプラントビッグデータとして形成される。なお、プロセスデータを収集する際、プロセスデータ収集部２０は、例えば、プロセスデータ通信の標準規格であるＯＰＣ（ＯＬＥ：Ｏｂｊｅｃｔ Ｌｉｎｋｉｎｇ ａｎｄ Ｅｍｂｅｄｄｉｎｇ ｆｏｒ Ｐｒｏｃｅｓｓ Ｃｏｎｔｒｏｌ）を用いる。データ形式がＯＰＣに規定された形式に統一されるので、データ処理装置１０は、制御装置７０や監視装置の製造業者や内部構成によらずに、それらの装置から受信したデータをＯＰＣに規定された手順で利用することができる。

なお、以下の説明では、プロセスデータ収集部２０が収集した入力値及び出力値を、それぞれ実測入力値、実測出力値と呼んで、プロセスシミュレーション部４０その他の各部で算出される入力値（予測入力値）、出力値（予測出力値）と区別することがある。入力値のチャネル数、出力値のチャネル数は、必ずしも１チャネルに限られず、複数となることがある。なお、入力値のチャネルを入力チャネル、入力値のチャネル数を入力チャネル数と呼ぶことがある。出力値のチャネルを出力チャネル、出力値のチャネル数を出力チャネル数と呼ぶことがある。

プロセスデータ解析部２２は、プロセスデータ収集部２０に蓄積されたプロセスデータを解析する。プロセスデータ解析部２２は、例えば、各制御ループの入力値、出力値それぞれの特性を解析し、その特性を示す指標値を算出する。プロセスデータ解析部２２は、例えば、入力値に対する出力値の変動量が所定量よりも大きい制御ループに対応するプロセスを特定してもよいし、その変動が最も早期に開始する制御ループに対応するプロセスを特定してもよい。プロセスデータ解析部２２は、非線形の解析手法を用いてもよいし、線形の解析手法を用いてもよい。線形の解析手法として、例えば、周波数解析、主成分分析等の手法が利用可能である。プロセスデータ解析部２２は、解析により得られた変動成分その他の特性を示す指標値や、その入力値、出力値の時系列を表示部（図示せず）に表示させてもよい。

なお、プロセスデータ解析部２２は、操作入力部（図示せず）から入力される操作信号で指示されたプロセスを、解析対象のプロセスとして特定してもよい。
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、主にプロセスデータ解析部２２から通知された解析対象プロセスを特定する。プロセス最適化部３０は、解析対象プロセスに係る制御パラメータを最適化する。ここで、最適化とは、目標値から出力値の偏差の大きさを大局的に小さくすることを意味し、最適化において一時的に偏差の大きさが増加することがある。第２プロセスデータ解析部５２から有効データが入力される場合には、プロセス最適化部３０は、入力された有効データを制御パラメータの最適化に用いてもよい。
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。

周波数解析部３２は、解析対象プロセスに係る制御ループのプロセスデータをプロセスデータ収集部２０から読み出し、読み出したプロセスデータが示す出力値の周波数特性を解析する。周波数解析部３２は、例えば、周波数毎のパワーが処理対象の全周波数のパワーの合計値に対する比率が所定の比率以上である周波数成分を主成分として判定する。周波数解析部３２は、感度関数（後述）について周波数特性を解析し、その主成分を判定してもよい。第２プロセスデータ解析部５２から、有効データが入力される場合には、周波数解析部３２は、読み出したプロセスデータに代えて、入力された解析対象プロセスに係る有効データを解析対象としてもよい。周波数解析部３２は、主成分として判定した周波数の周波数成分を示す周波数成分情報を制御パラメータ最適化部３６に出力する。

プロセス同定部３４は、プロセスデータ収集部２０から解析対象プロセスに係る制御ループのプロセスデータを読み出し、読み出したプロセスデータが示す制御ループの入力値及び出力値に基づいて、その制御ループの伝達関数を同定する。第２プロセスデータ解析部５２から、有効データが入力される場合には、読み出したプロセスデータに代えて入力された解析対象プロセスに係る有効データを処理対象としてもよい。
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。

制御パラメータ最適化部３６には、周波数解析部３２から入力される周波数成分情報、伝達関数のパラメータに基づいて、解析対象プロセスに係る制御装置７０の制御パラメータを最適化する。制御パラメータ最適化部３６は、制御パラメータを最適化する際、例えば、ＦＲＩＴ（Ｆｉｃｔｉｔｉｏｕｓ Ｒｅｆｅｒｅｎｃｅ Ｉｔｅｒａｔｉｖｅ Ｔｕｎｉｎｇ）アルゴリズムを用いる。制御パラメータ最適化部３６は、入力されたパラメータで表される伝達関数から感度関数を算出する。感度関数は、出力値に対する外乱の寄与もしくは減衰の度合いを示す関数である。感度関数は、算出した伝達関数と制御装置７０の入出力特性を示す伝達関数の乗算値に１を加えた値の逆数に相当する。そして、制御パラメータ最適化部３６は、例えば、主成分が他の周波数帯域よりもゲインが大きいピーク特性を有するか否かを判定し、ピーク特性を有する場合に、ゲインが最も大きい中心周波数において、減衰率が最も大きくなるように減衰率関数を定める。制御パラメータ最適化部３６は、より高い周波数帯域よりもゲインが大きくなる特性である低域通過特性を有するか否かを判定する。低域通過特性を有する場合には、主成分が所定の周波数よりも低い低周波成分となる。その場合には、制御パラメータ最適化部３６は、直流成分において、減衰率が最も大きくなるように減衰率関数を定める。制御パラメータ最適化部３６には、減衰率関数の次数、減衰率の最大値を予め設定しておく。

制御パラメータ最適化部３６は、感度関数に減衰率関数を乗じて目標感度関数を算出する。そして、制御パラメータ最適化部３６は、制御パラメータの関数となる感度関数と目標関数との差の大きさが減少するように、制御パラメータを再帰的に算出する。差の大きさを示すコスト値が、所定のコスト値の閾値よりも小さくなったとき、制御パラメータ最適化部３６は、制御パラメータの算出を停止する。制御パラメータ最適化部３６は、算出した制御パラメータをプロセスシミュレーション部４０に出力する。なお、制御パラメータの初期値は、予め設定された初期値であってもよいし、プロセスシミュレーション部４０からの再調整要求に付随して入力された制御パラメータであってもよい。制御パラメータ最適化部３６が制御パラメータを算出する手法は、特願２０１７−２４５１号明細書に詳しく記載されている。

プロセスシミュレーション部４０は、プラント設備情報保持部４２と、プロセス演算部４４と、を含んで構成される。
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。

プロセス演算部４４は、１個又は複数のプロセスについて出力予測モデルと各プロセスの制御ループ毎の制御パラメータを用いて、所定時間（例えば、１秒）毎の各プロセスへの入力値（予測入力値）とそのプロセスからの出力値（予測出力値）を算出する（シミュレーション）。プロセス演算部４４は、例えば、シミュレーション対象のプロセスを操作入力部（図示せず）から入力される操作信号で指定されるプロセスとして特定する。プロセス演算部４４は、特定したプロセスについて、プラント設備情報を参照して、そのプロセスに係る制御ループ毎の制御装置７０、入力値、出力値及び目標値の種別を特定する。プロセス演算部４４は、特定した各プロセスについて当該プロセスの出力予測モデルを用いて入力予測値から出力予測値を算出する。各プロセスの出力予測モデルは、出力予測モデル生成部５４又はプロセス同定部３４から入力される。出力予測モデル生成部５４から入力される出力予測モデルは、後述するように機械学習に基づいて生成される。また、プロセス演算部４４は、特定した各プロセスについて、制御パラメータ情報生成部５６又は制御パラメータ最適化部３６から入力された制御パラメータを用いて、制御装置７０に入力される予測出力値（測定値の予測値に相当）と目標値から当該プロセスへの入力予測値（操作量の予測値に相当）を算出する。複数の制御ループを有するプロセスに対しては、複数の制御装置７０が並列に組み合わされる。また、１つのプロセスに対して、複数の制御装置７０が並列に組み合わされてもよい。即ち、１つのプロセスからの予測出力値が複数の制御装置７０のそれぞれに入力され、それぞれの制御装置７０からの予測出力値がその１つのプロセスへの予測入力値として入力されうる。

シミュレーション対象のプロセス数が複数個である場合には、操作入力部（図示せず）からの操作信号の指示により、その一部又は全部のプロセスが直列に組み合わせを設定可能としてもよい。即ち、１つのプロセスからの予測出力値が他のプロセスへの予測入力値として入力されうる。このようにして、プロセス演算部４４は、複数のプロセスや複数の制御装置７０を組み合わせたシミュレーションを行うことができる。また、各プロセスの出力予測モデルとして、伝達関数モデルと機械学習モデルとが組み合わされうる。

プロセス演算部４４は、シミュレーションにより算出されたプロセスの制御状態を示す指標として、プロセス毎の予測出力値と目標値との偏差の大きさを示すコスト値を算出する。予測出力値のチャネル数が1チャネルである場合には、コスト値として二乗誤差を用いることができる。また、シミュレーションに係る予測出力値のチャネル数が２以上である場合には、コスト値として重み付き二乗誤差を用いることができる。重み付き二乗誤差は、チャネル毎の予測出力値と目標値との偏差の二乗値とそのチャネルに対応する重み係数を乗じて得られる乗算値のチャネル間の総和となる。重み付き二乗誤差は、その値が小さいほど制御状態が良好であり、その値が大きいほど制御状態が劣悪であることを示す。また、プロセス演算部４４は、その指標を表示部（図示せず）に出力してもよい。プロセス演算部４４は、各プロセスに対応する制御ループ毎に算出した予測入力値、予測出力値それぞれの時系列を表示部（図示せず）に出力してもよい。
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。

第２プロセスデータ解析部５２は、プロセスデータ収集部２０からプロセスデータを読み出し、処理対象として注目するプロセス（注目プロセス）のそれぞれに対応する制御ループの出力チャネル毎に出力値の変動に対する各入力チャネルの入力値の寄与度を算出する。寄与度を示す指標として、例えば、相関係数の絶対値が用いられる。相関係数の絶対値は、その値が大きいほど出力値の変動に対する寄与度が高いことを示す指標である。第２プロセスデータ解析部５２は、操作入力部（図示せず）から入力される操作信号で指示されるプロセスを解析対象プロセスとして特定してもよい。第２プロセスデータ解析部５２は、出力チャネル毎に算出した寄与度が所定の寄与度よりも大きい入力値に係る入力チャネルを特定する。即ち、出力チャネル毎に寄与度が高い入力値に係る入力チャネルが特定される。以下、寄与度の高い入力値を高寄与入力値、寄与度の高い入力値に係る入力チャネルを高寄与チャネルと呼ぶことがある。

第２プロセスデータ解析部５２は、注目プロセスにおける出力チャネル毎の出力値に対する、他のプロセス（以下、他プロセス）からの各出力チャネルの出力値による寄与度として相関係数を算出してもよい。第２プロセスデータ解析部５２は、算出した相関係数の絶対値が所定の相関係数の閾値よりも高い出力値をそれぞれ高寄与出力値として特定する（プロセス間相関）。第２プロセスデータ解析部５２は、その高寄与出力値に係る他プロセス、出力チャネルをそれぞれ高寄与プロセス、高寄与チャネルとして判定する。従って、プロセス間の干渉が少ない場合には、高寄与プロセスが検出されない場合もある。

第２プロセスデータ解析部５２は、いずれかの出力チャネルにおいて目標値から出力値の偏差が有意に変動する時点を変動時点として特定する。変動時点の特定対象とする出力チャネルは、注目プロセスにおける出力チャネルに限られず、高寄与プロセスからの出力チャネルも含まれてもよい。第２プロセスデータ解析部５２は、例えば、処理対象として注目する時点（注目時点）における偏差の直前の時点における偏差からの変化量が所定の変化量の閾値よりも大きいか否かを判定する。第２プロセスデータ解析部５２は、大きいと判定した注目時点を変動時点として特定し、それ以外の時点を非変動時点とする。そして、第２プロセスデータ解析部５２は、特定した変動時点までの非変動時点の継続時間が所定の継続時間よりも長い変動時点を変動開始時点として特定する。変動開始時点は、偏差の変動が少ない状況が所定の継続時間以上継続した後で、偏差の有意な変動が開始した時点となる。変動開始時点は、例えば、目標値が変更されるとき、プロセスからの出力値に外乱が付加されるとき、などに相当する。第２プロセスデータ解析部５２は、変動開始時点から所定の期間を含む期間を解析期間として特定する。この解析期間内のプロセスデータは、偏差の有意な変動に応じたプロセスの応答が観察されるため、プロセスの入出力関係を解析するうえで好都合である。解析期間の長さは、偏差の有意な変動が生じた時点から各プロセスからの出力値の変化量が所定の変化量未満に収束する時点までの時間よりも長ければよい。第２プロセスデータ解析部５２は、プロセスデータから解析対象プロセスと高寄与プロセスについて特定した解析期間内のプロセス値を示すデータを有効データとして読み出したプロセスデータから抽出する。第２プロセスデータ解析部５２は、抽出した有効データを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に出力する。

出力予測モデル生成部５４は、第２プロセスデータ解析部５２から入力された有効データから入力値セットと出力値セットを特定し、特定した入力値セットと出力値セットに対して機械学習を行う。入力値セットには、解析対象プロセスの各高寄与チャネルの入力値と解析対象プロセスに対応する高寄与プロセスの各高寄与チャネルの入力値が含まれる。他方、出力値セットには、解析対象プロセスの各出力チャネルの出力値が含まれる。ここで、出力予測モデル生成部５４は、プラント設備情報を参照して、特定した入力値セットに含まれる各チャネルの入力値の種別と、出力値セットに含まれる出力値の種別を特定する。出力予測モデル生成部５４は、機械学習により、入力値セットに対する出力値セットに写像する関数を示す出力予測モデルを生成する。出力予測モデル生成部５４は、入力値セットから出力予測モデルを作用して算出される各出力チャネルの出力値と目標出力値との偏差が小さくなるように、出力予測モデルを構成するモデルパラメータを再帰的に算出する。目標出力値として、有効データが示す出力チャネル毎の出力値（実測出力値）が用いられる。即ち、第２プロセスデータ解析部５２から入力された有効データが出力予測モデルの生成において、教師データとして用いられる。出力予測モデル生成部５４は、機械学習の手法として、例えば、深層学習を行う。深層学習とは、多層構造のニューラルネットワークを用いた機械学習である。出力予測モデル生成部５４は、各出力チャネルからの出力値と目標出力値との偏差の大きさを示すコスト値が、所定のコスト値未満になったとき、モデルが収束したと判定し学習を停止する。その後、出力予測モデル生成部５４は、学習により算出されたパラメータからなる出力予測モデルをプロセスシミュレーション部４０と制御パラメータ情報生成部５６に出力する。

ニューラルネットワークは、入力層、中間層及び出力層を含んで構成される。入力層、出力層は、それぞれ１又は複数の入力端、出力端を有する。中間層は、複数の節点を有する。多層構造のニューラルネットワークとは、中間層の数が２層以上であるニューラルネットワークのことを指す。学習において、出力予測モデル生成部５４は、入力端、節点、出力端のそれぞれにおいて入力値と出力値の関係を与える活性化関数のパラメータをモデルパラメータとして算出する。活性化関数として、例えば、ランプ関数、ソフトサインなどのいずれかが用いられる。出力予測モデル生成部５４は、収束の判定に用いるコスト値として、例えば、入力値セットから算出される出力値と目標出力値の偏差の重み付き二乗和を用いる。
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。

制御パラメータ情報生成部５６には、第２プロセスデータ解析部５２から有効データが入力され、出力予測モデル生成部５４から出力予測モデルが入力される。出力予測モデル生成部５４は、プラント設備情報を参照して、解析対象プロセスならびに高寄与プロセスに係る各制御ループの制御装置７０とその制御方式、目標値、入力値ならびに出力値の種別を特定する。制御パラメータ情報生成部５６は、少なくとも解析対象プロセスに係る制御装置７０の制御パラメータを最適化する。ここで、制御パラメータ情報生成部５６は、有効データが示す解析対象プロセス、高寄与プロセスのそれぞれの出力チャネル毎の実測出力値と目標値とから、当該各プロセスに係る入力チャネル毎に入力値を算出する。制御入力値を算出する際、当該各プロセスに係る制御装置７０で適用される制御方式（例えば、ＰＩＤ制御）を用いる。

制御パラメータ情報生成部５６は、算出した各入力チャネルから高寄与チャネルの入力値と、高寄与チャネルの出力値を含む入力値セットを特定し、特定した入力値セットについて、入力された出力予測モデルを用いて出力値セットを算出する。出力値セットには、解析対象プロセスの各出力チャネルの予測出力値が含まれる。出力値セットを算出する際に用いる機械学習モデルは、出力予測モデルの生成に用いる機械学習モデルと同じ種類であればよい。出力値セットを算出する際に用いる入力値セットは、出力予測モデルの生成に用いる入力値セットと同じ入力チャネルの入力値が含まれればよい。制御パラメータ情報生成部５６は、解析対象プロセスの各出力チャネルの予測出力値と目標値との偏差の大きさを示すコスト値を小さくするように解析対象プロセス、高寄与プロセスそれぞれの制御ループに係る制御装置７０の制御パラメータを算出する。従って、予測出力値が目標値に近づくことを報酬として制御パラメータが学習される。制御パラメータ情報生成部５６は、算出した制御パラメータをプロセス演算部４４に出力する。なお、制御パラメータの初期値は、予め設定された初期値であってもよいし、プロセスシミュレーション部４０からの再調整要求に付随して入力された制御パラメータであってもよい。

なお、制御パラメータ情報生成部５６は、コスト値として解析対象プロセスと当該解析対象プロセスに対応する高寄与プロセスの出力チャネル毎の予測出力値と偏差の出力チャネル間の重み付き二乗和を算出してもよい。出力チャネル毎の重み係数は、予め制御パラメータ情報生成部５６に設定しておく。これにより、解析対象プロセスと高寄与プロセスの全体について、制御パラメータが最適化される。
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。

制御パラメータ情報生成部５６は、解析対象プロセスに対応する高寄与プロセスをプロセス演算部４４に通知してもよい。従って、プロセス演算部４４は、シミュレーション対象のプロセスが指定されたとき、そのプロセスに対応する高寄与プロセスを特定することができる。また、プロセス演算部４４は、通知された高寄与プロセスに係る出力予測モデルを、プロセス同定部３４又は出力予測モデル生成部５４から取得する。プロセス演算部４４は、通知された高寄与プロセスに係る制御装置７０の制御パラメータを、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から取得する。
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。

次に、出力予測モデル、制御パラメータの計算例について説明する。
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。

プラントＰＬは、例えば、化学プラントである。プロセス１は、反応器内のプロセスのように複雑なプロセスである。プロセス２は、反応器を構成するタンク内のプロセスのように比較的単純なプロセスである。そこで、この例では、プロセス１、３の出力予測モデルを機械学習モデルとし、プロセス２の出力予測モデルを伝達関数モデルとする。

プロセスデータ収集部２０は、各プロセスに対応する制御ループ毎の入力値、出力値及び目標値のセットからなるプロセス値を制御装置７０−１〜７０−３（図１）から所定時間毎に取得する。この例では、各プロセスにおいて入力チャネル数、出力チャネル数は、それぞれ１チャネルである。
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。

出力予測モデル生成部５４は、有効データに含まれる制御ループ１、２の入力値とプロセス３からの出力値からなる入力値セットに対するプロセス１に対応する制御ループ１、２の出力値からなる出力値セットについて機械学習を行う。機械学習により、入力値セットを出力値セットに写像するニューラルネットワークモデル（ＮＮモデルｎ０１）がプロセス１の出力予測モデルとして生成される。
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。

制御パラメータ情報生成部５６は、プロセス１に係る制御ループ１、２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７２−１、７２−３における制御パラメータｐ０１、ｐ０２を定める。制御パラメータ情報生成部５６は、偏差の大きさを示すコスト値として平均二乗誤差を計算する。平均二乗誤差は、例えば、制御ループ１からの予測出力値Ａ１の目標値に対する偏差Ａ１’と制御ループ２からの予測出力値Ａ２の目標値に対する偏差Ａ２’の平方和である。
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Ｋ_Ｐ、積分ゲインＫ_Ｉ、微分ゲインＫ_Ｄが含まれる。

図２に示す例では、プロセス演算部４４は、プロセス１、２について入力値、出力値のシミュレーションを行う。
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）。

以上に説明したように、第２プロセスデータ解析部５２は、プロセス変動に主要な影響を及ぼす寄与度の高いデータを有効データとして抽出する。得られた有効データは、出力予測モデル生成部５４、制御パラメータ情報生成部５６に提供され、解析の効率化や精度を向上させることができる。
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。

従って、上述した実施形態によれば、プロセスデータから機械学習を活用してプラントにおける複雑な入出力関係が解析される。また、プロセス変動への寄与度が高いデータが特定されるので、注目すべきデータが絞り込まれる。そのため、エンジニアリングにおける作業量を大幅に短縮することができる。
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。

以上、図面を参照してこの発明の実施形態について説明してきたが、具体的な構成は上述のものに限られることはなく、この発明の要旨を逸脱しない範囲内において様々な設計変更等をすることが可能である。
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。

１…プロセス制御システム、１０…データ処理装置、２０…プロセスデータ収集部、２２…プロセスデータ解析部、３０…プロセス最適化部、３２…周波数解析部、３４…プロセス同定部、３６…制御パラメータ最適化部、４０…プロセスシミュレーション部、４２…プラント設備情報保持部、４４…プロセス演算部、５２…第２プロセスデータ解析部、７０（７０−１、７０−２、７０−３）…制御装置、７２（７２−１、７２−２、７２−３）制御演算部、８２（８２−１、８２−２、８２−３）…センサ、８４（８４−１、８４−２、８４−３）…アクチュエータ

Claims (10)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。

Images