JPH05143108A - Adaptive control method for process - Google Patents
Adaptive control method for processInfo
- Publication number
- JPH05143108A JPH05143108A JP3304490A JP30449091A JPH05143108A JP H05143108 A JPH05143108 A JP H05143108A JP 3304490 A JP3304490 A JP 3304490A JP 30449091 A JP30449091 A JP 30449091A JP H05143108 A JPH05143108 A JP H05143108A
- Authority
- JP
- Japan
- Prior art keywords
- control
- model
- controlled object
- input
- control system
- 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.)
- Pending
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
Description
【０００１】[0001]
【産業上の利用分野】本発明は、プロセスの適応制御方
法に係り、特に、プロセスが多入力多出力系の場合で
も、プロセスの特性に適応して、制御系の特性を良好に
保持するに好適なプロセスの適応制御方法に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a process adaptive control method, and more particularly, to a process having a multi-input multi-output system, which is adapted to the process characteristics to maintain good control system characteristics. The present invention relates to a suitable process adaptive control method.
【０００２】[0002]
【従来の技術】制御システムによりプロセスを制御する
場合、プロセスの特性に適応して制御システムの制御パ
ラメータを調整する必要がある。その一つの方法とし
て、「ファジィ推論を応用したＰＩＤコントローラ用オ
ートチューニング方式」（計測自動制御学会第１３回シ
ステム・シンポジウム，'８７−１１)に記載されている
調整方法がある。以下に、この従来の調整方法の概要を
説明する。2. Description of the Related Art When a process is controlled by a control system, it is necessary to adjust the control parameters of the control system according to the characteristics of the process. As one of the methods, there is an adjusting method described in "Auto-tuning method for PID controller applying fuzzy inference" (13th System Symposium of the Society of Instrument and Control Engineers, 1987-11). The outline of this conventional adjustment method will be described below.
【０００３】図２は、従来の調整方法の構成を示す。FIG. 2 shows the structure of a conventional adjusting method.
【０００４】この方法は、目標値をステップ変化させた
ときの制御量の応答波形から、図３に示すオーバシュー
ト量Ｅ，減衰比Ｄ，振動周期比Ｒ等の特徴量を抽出し、
これらの特徴量に基づいてファジィ推論により制御パラ
メータを決定するものである。This method extracts characteristic quantities such as the overshoot quantity E, the damping ratio D, and the vibration cycle ratio R shown in FIG. 3 from the response waveform of the control quantity when the target value is stepwise changed,
The control parameters are determined by fuzzy reasoning based on these feature quantities.
【０００５】ファジィ推論は、次に示すような定性的表
現の調整ルールをファジィ・ルールで表わし、このファ
ジィ・ルールを用いて特徴量からファジィ演算により制
御パラメータを決定する。In the fuzzy inference, the following adjustment rule of qualitative expression is expressed by a fuzzy rule, and the fuzzy rule is used to determine the control parameter by a fuzzy operation from the feature amount.
【０００６】「オーバシュート量Ｅと減衰比Ｄが大きい
なら、比例ゲインＫｐと微分時間Ｔｄを小さくする。」 （調整ルールの例）"If the overshoot amount E and the damping ratio D are large, the proportional gain Kp and the differential time Td are reduced." (Example of adjustment rule)
【０００７】[0007]
【発明が解決しようとする課題】上記従来技術では、制
御系のステップ応答からオーバシュート量Ｅ，減衰比
Ｄ，振動周期比Ｒ等の特徴量を抽出し、これらの特徴量
に基づいてファジィ推論により制御パラメータを調整す
るので、制御系のステップ応答を得るのが難しい制御対
象の場合は、調整が難しい。In the above-mentioned conventional technique, the characteristic quantities such as the overshoot amount E, the damping ratio D, the vibration period ratio R, etc. are extracted from the step response of the control system, and the fuzzy inference is performed based on these characteristic quantities. Since the control parameter is adjusted by, the adjustment is difficult for a control target for which it is difficult to obtain the step response of the control system.
【０００８】また、上記従来技術では、制御対象が１入
力１出力系の場合を対象にしているので、制御対象が多
入力多出力系の場合は、制御系の制御パラメータの調整
が難しいという問題があった。特に、複数の制御量間の
干渉が大きい制御対象の場合は、より調整が難しかっ
た。Further, in the above-mentioned prior art, since the controlled object is the one-input one-output system, the control parameter of the control system is difficult to adjust when the controlled object is the multi-input multi-output system. was there. In particular, in the case of a control target in which interference between a plurality of control amounts is large, adjustment is more difficult.
【０００９】更に、上記従来技術では、制御対象が線形
系である場合を対象にしているので、制御対象が非線形
系、すなわち非線形特性を持つ系の場合は、制御系の制
御パラメータの調整が難しかった。Further, in the above-mentioned prior art, since the object to be controlled is a linear system, it is difficult to adjust the control parameters of the control system when the object to be controlled is a nonlinear system, that is, a system having nonlinear characteristics. It was
【００１０】また、上記従来技術では、フィードバック
制御系の制御パラメータを対象にしているので、フィー
ドフォワード制御系の制御パラメータの場合は、調整が
難しい。Further, in the above-mentioned prior art, since the control parameter of the feedback control system is targeted, adjustment is difficult in the case of the control parameter of the feedforward control system.
【００１１】本発明の目的は、制御系のステップ応答を
得るのが難しい制御対象でも制御系の制御パラメータを
調整できるプロセス適応制御方法を提供することにあ
る。An object of the present invention is to provide a process adaptive control method capable of adjusting a control parameter of a control system even for a control target in which it is difficult to obtain a step response of the control system.
【００１２】また、本発明の他の目的は、多入力多出力
系の制御対象、特に複数の制御量間の干渉が大きい制御
対象でも制御系の制御パラメータを調整できるプロセス
適応制御方法を提供することにある。Another object of the present invention is to provide a process adaptive control method capable of adjusting a control parameter of a control system even in a control object of a multi-input multi-output system, particularly a control object having a large interference between a plurality of controlled variables. Especially.
【００１３】更に、本発明の他の目的は、非線形特性を
持つ制御対象でも制御系の制御パラメータを調整できる
プロセス適応制御方法を提供することにある。Still another object of the present invention is to provide a process adaptive control method capable of adjusting control parameters of a control system even for a control target having a non-linear characteristic.
【００１４】また、本発明の他の目的は、フィードフォ
ワード制御系の制御パラメータを調整できるプロセス適
応制御方法を提供することにある。Another object of the present invention is to provide a process adaptive control method capable of adjusting control parameters of a feedforward control system.
【００１５】[0015]
【課題を解決するための手段】上記目的を達成するため
に、本発明は制御対象の順システム・モデルをニューラ
ル・ネットワークにより同定し、この順システム・モデ
ルを用いて、フィードバック制御系の制御パラメータ、
あるいはフィードフォワード制御系の制御パラメータを
調整するようにした。In order to achieve the above object, the present invention identifies a forward system model to be controlled by a neural network, and uses this forward system model to control parameters of a feedback control system. ,
Alternatively, the control parameter of the feedforward control system is adjusted.
【００１６】また、制御対象の逆システム・モデルをニ
ューラル・ネットワークにより同定し、この逆システム
・モデルを用いて、フィードフォワード制御系の制御パ
ラメータを調整するようにした。Further, the inverse system model to be controlled is identified by a neural network, and the control parameter of the feedforward control system is adjusted using this inverse system model.
【００１７】更に、制御対象の逆システム・モデルをニ
ューラル・ネットワークにより同定し、この逆システム
・モデルを用いて、フィード・フォワード制御系を構成
し、このフィード・フォワード制御系と制御システムの
フィード・バック制御系を組合せて制御対象を制御する
ようにした。Further, an inverse system model to be controlled is identified by a neural network, a feed-forward control system is constructed by using this inverse system model, and the feed-forward control system and the feed system of the control system are fed. The back control system is combined to control the controlled object.
【００１８】[0018]
【作用】制御対象の運転時の入力変数の時系列信号を学
習用入力データとすると共に、制御対象の運転時の出力
変数の時系列信号を学習用教師データとして使用し、制
御対象の順システム・モデル同定用ニューラル・ネット
ワークを学習させ、この順システム・モデルを用いて制
御系の制御パラメータを調整するので、制御系のステッ
プ応答を得るのが難しい制御対象でも制御系の制御パラ
メータを調整することができる。The time-series signal of the input variable during operation of the controlled object is used as the learning input data, and the time-series signal of the output variable during operation of the controlled object is used as the learning data for learning.・ The model identification neural network is trained, and the control parameters of the control system are adjusted using this forward system model, so the control parameters of the control system are adjusted even for control targets for which it is difficult to obtain the step response of the control system. be able to.
【００１９】また、順システム・モデル同定用ニューラ
ル・ネットワークは、多入力多出力系の制御対象でも、
順システム・モデルを同定できるので、この順システム
・モデルを用いて制御系の制御パラメータを調整するこ
とにより複数の制御量間の干渉が大きい制御対象でも制
御系の制御パラメータを調整できる。In addition, the forward system model identifying neural network can control a multi-input multi-output system,
Since the forward system model can be identified, by adjusting the control parameter of the control system using this forward system model, the control parameter of the control system can be adjusted even for a control target in which a plurality of controlled variables have large interference.
【００２０】更に、ニューラル・ネットワークは、入力
を非線形変換して、その結果を出力する機能がある。従
って、この機能を利用しているので、順システム・モデ
ル同定用ニューラル・ネットワークは、制御対象の非線
形回帰モデルを実現できる。これにより、非線形特性を
持つ制御対象でも制御系の制御パラメータを調整するこ
とができる。Further, the neural network has a function of nonlinearly converting an input and outputting the result. Therefore, since this function is used, the forward system model identifying neural network can realize a non-linear regression model of the controlled object. As a result, the control parameter of the control system can be adjusted even with a control target having a non-linear characteristic.
【００２１】また、制御対象の運転時の出力変数の時系
列信号を学習用入力データとすると共に、制御対象の運
転時の入力変数の時系列信号を学習用教師データとして
使用し、制御対象の逆システム・モデル同定用ニューラ
ル・ネットワークを学習させるので、この逆システム・
モデルを用いて制御対象が目標値に対して望ましい応答
をするようにフィード・フォワード制御系の制御パラメ
ータを調整できる。Further, the time-series signal of the output variable during the operation of the controlled object is used as the learning input data, and the time-series signal of the input variable during the operation of the controlled object is used as the learning data for the learning. The inverse system model identification neural network is trained.
The model can be used to adjust the control parameters of the feed-forward control system so that the controlled object gives the desired response to the target value.
【００２２】また、制御対象の運転時の出力変数の時系
列信号を学習用入力データとすると共に、制御対象の運
転時の入力変数の時系列信号を学習用教師データとして
使用し、制御対象の逆システム・モデル同定用ニューラ
ル・ネットワークを学習させるので、この逆システム・
モデルを用いて制御対象が目標値に対して望ましい応答
をするフィードフォワード制御系を構成でき、このフィ
ード・フォワード制御系と制御システムのフィード・バ
ック制御系を組合せて制御対象を制御するので、制御対
象の特性に適応して制御系の特性を良好に保持できる。Further, the time-series signal of the output variable during the operation of the controlled object is used as the learning input data, and the time-series signal of the input variable during the operation of the controlled object is used as the learning data for the learning. The inverse system model identification neural network is trained.
The model can be used to construct a feedforward control system in which the controlled object gives a desired response to the target value, and the feedback control system and the feedback system of the control system are combined to control the controlled object. The characteristics of the control system can be well maintained by adapting to the characteristics of the target.
【００２３】[0023]
【実施例】本発明の一実施例を図１に示す。FIG. 1 shows an embodiment of the present invention.
【００２４】本実施例は、制御対象１の順システム・モ
デルを同定する順システム・モデル同定システム３，同
定した順システム・モデルを用いて制御パラメータを調
整する制御パラメータ調整システム４，調整した制御パ
ラメータを用いて制御対象１を制御する制御システム２
から構成される。In this embodiment, a forward system model identification system for identifying the forward system model of the controlled object 1, a control parameter adjustment system for adjusting control parameters using the identified forward system model 4, adjusted control Control system 2 for controlling controlled object 1 using parameters
Composed of.
【００２５】以下、制御対象１として火力プラントを対
象に、本発明の一実施例を説明する。An embodiment of the present invention will be described below with a thermal power plant as the controlled object 1.
【００２６】本発明の実施例の詳細説明に入る前に、火
力プラント及び火力プラント制御システムの概要につい
て説明する。図４は、高圧タービン４１７及び中・低圧
タービン４１８を具備した火力プラントの構成を示した
ものである。Before going into the detailed description of the embodiments of the present invention, an outline of the thermal power plant and the thermal power plant control system will be described. FIG. 4 shows a configuration of a thermal power plant including a high-pressure turbine 417 and medium / low pressure turbines 418.
【００２７】中・低圧タービン４１８からの排気は、復
水器４２０によって冷却され、水に戻される。この水
は、給水ポンプ４１５，火炉水壁４１０，一次過熱器４
１１，二次過熱器４０８を順次経て過熱蒸気になり、主
蒸気加減弁４１６を介して高圧タービン４１７に与えら
れる。高圧タービン４１７からの排気は、再び、ボイラ
４２２内の一次再熱器４２３，二次再熱器４０９で再熱
され、中・低圧タービン４１８に与えられる。この結
果、発電機４１９が高圧・中・低圧タービン４１７，４
１８によって回転駆動され、発電が行なわれる。なお、
スプレ制御弁４１３は、スプレ４２１により一次，二次
過熱器４１１，４０８間の配管に給水するためのもので
ある。また、ボイラ４２２への微粉炭の供給は、石炭バ
ンカ４０４，給炭機駆動モータ４０５，給炭機４０６及
び石炭ミル４０７により行なわれる。さらに、押込み通
風機４０１，空気予熱器４０２，空気ファン４０３，誘
引通風機４１４及びガス再循環ファン４１２は、空気の
供給や燃焼ガスの排気，廃熱の再利用のために設けられ
ている。The exhaust from the medium / low pressure turbine 418 is cooled by the condenser 420 and returned to water. This water is supplied to the water supply pump 415, the furnace water wall 410, and the primary superheater 4
11, the secondary superheater 408 is sequentially turned into superheated steam, which is supplied to the high-pressure turbine 417 via the main steam control valve 416. The exhaust gas from the high-pressure turbine 417 is reheated again by the primary reheater 423 and the secondary reheater 409 in the boiler 422, and is given to the medium / low pressure turbine 418. As a result, the generator 419 turns the high-pressure / middle / low-pressure turbines 417, 4
It is rotationally driven by 18 and electric power is generated. In addition,
The spray control valve 413 is for supplying water to the pipe between the primary and secondary superheaters 411 and 408 by the spray 421. The pulverized coal is supplied to the boiler 422 by the coal bunker 404, the coal feeder drive motor 405, the coal feeder 406, and the coal mill 407. Further, the forced draft fan 401, the air preheater 402, the air fan 403, the induction draft fan 414 and the gas recirculation fan 412 are provided for supplying air, exhausting combustion gas, and reusing waste heat.
【００２８】火力プラントは、以上説明した構成になっ
ており、中央給電指令所（以下中給と略称する）からの
負荷指令ＬC や火力プラントの制御量に基づいて、主蒸
気加減弁４１６，給水ポンプ４１５，給炭機駆動モータ
４０５，押込通風機４０１，スプレ制御弁４１３，ガス
再循環ファン４１２，誘引通風機４１４などを適当に操
作しなければならない。このために、火力プラント制御
システムが必要であり、この火力プラント制御システム
の構成例を図５に示す。The thermal power plant is configured as described above, and the main steam control valve 416, 16 is controlled based on the load command L C from the central power supply command station (hereinafter abbreviated as medium power supply) and the control amount of the thermal power plant. The water supply pump 415, the coal feeder drive motor 405, the forced draft fan 401, the spray control valve 413, the gas recirculation fan 412, the induction draft fan 414, etc. must be appropriately operated. For this purpose, a thermal power plant control system is necessary, and a configuration example of this thermal power plant control system is shown in FIG.
【００２９】火力プラント制御システムは、マスタ・コ
ントローラ１００とサブループ・コントローラ３００か
らなり、火力プラント４００を制御する。マスタ・コン
トローラ１００では、中給からの負荷指令ＬC （＝ＥＬ
Ｄ＋ＡＦＣ）が加算器１０１により得られ、これを変化
率制限器１０２によって処理することにより、負荷デマ
ンドＬD が求められる。この負荷デマンドＬD と制御量
ｙのフィード・バック制御器１１０〜１１６、すなわ
ち、発電機出力ＭＷ，主蒸気圧力ＰMS，一次過熱器出口
蒸気温度ＴISH ，排ガスＯ2Ｏ2，主蒸気温度ＴMS，再熱
蒸気温ＴRH，火炉ドラフトＰWWのフィード・バック制御
器１１０〜１１６からのデマンド修正量ΔＦMSD，ΔＦ
FWD，ΔＦFD，ΔＦAD，ΔＦSPD，ΔＦGRD，ΔＦGDに基
づき、フィードフォワード制御器付補正回路１０９，１
０３〜１０８により、タービン蒸気流量デマンド
ＦMSD ，給水流量デマンドＦFWD ，燃料流量デマンドＦ
FD，空気流量デマンドＦAD，スプレ流量デマンド
ＦSPD ，再循環ガス流量デマンドＦGRD ，排ガス流量デ
マンドＦGDが決定される。これらの関係を次式に示す。The thermal power plant control system comprises a master controller 100 and a sub-loop controller 300, and controls the thermal power plant 400. In the master controller 100, the load command L C (= EL
D + AFC) is obtained by the adder 101 and is processed by the change rate limiter 102 to obtain the load demand L D. The load demand L D and the feed back controllers 110 to 116 of the controlled variable y, that is, the generator output MW, the main steam pressure P MS , the primary superheater outlet steam temperature T ISH , the exhaust gas O 2 O 2 , the main steam temperature. T MS , reheat steam temperature T RH , demand correction amount ΔF MSD , ΔF from the feed-back controllers 110 to 116 of the furnace draft P WW
Correction circuits 109, 1 with feedforward controller based on FWD , ΔF FD , ΔF AD , ΔF SPD , ΔF GRD , and ΔF GD
03 to 108, turbine steam flow rate demand F MSD , feed water flow rate demand F FWD , fuel flow rate demand F
FD , air flow demand F AD , spray flow demand F SPD , recirculation gas flow demand F GRD , exhaust gas flow demand F GD are determined. These relationships are shown in the following equation.
【００３０】[0030]
【数１】 [Equation 1]
【００３１】ここで、ｇi（ ）：関数 ｈi（ ）：関数 また、サブループ・コントローラ３００は、これらのデ
マンドに従い、タービン制御器３０１，給水流量制御器
３０２，燃料流量制御器３０３，空気流量制御器３０
４，スプレ流量制御器３０５，再循環ガス流量制御器３
０６，排ガス流量制御器３０７を介して、火力プラント
４００の主蒸気加減弁４１６，給水ポンプ４１５，給炭
機駆動モータ４０５，押込み通風機４０１，スプレ制御
弁４１３，ガス再循環ファン４１２，誘引通風機４１４
を操作する。この結果、火力プラント４００の制御量
ｙ、すなわち、発電機出力ＭＷ，主蒸気圧力ＰMS，一次
過熱器出力蒸気温度ＴISH ，排ガスＯ2Ｏ2，主蒸気温度
ＴMS，再熱蒸気温度ＴRH，火炉ドラフトＰWWが望みの目
標値になるように制御される。Here, g i (): function h i (): function Further, the sub-loop controller 300 follows the demands of the turbine controller 301, the feed water flow rate controller 302, the fuel flow rate controller 303, and the air flow rate. Controller 30
4, spray flow controller 305, recirculation gas flow controller 3
06, via the exhaust gas flow controller 307, the main steam control valve 416 of the thermal power plant 400, the water feed pump 415, the coal feeder drive motor 405, the forced draft fan 401, the spray control valve 413, the gas recirculation fan 412, the induced draft air Machine 414
To operate. As a result, the controlled variable y of the thermal power plant 400, that is, the generator output MW, the main steam pressure P MS , the primary superheater output steam temperature T ISH , the exhaust gas O 2 O 2 , the main steam temperature T MS , the reheat steam temperature T RH and furnace draft P WW are controlled so as to reach desired target values.
【００３２】順システム・モデル同定システム３は、火
力プラント１の入出力変数の時系列信号を入力して、火
力プラント１の出力変数の値を推定する順システム・モ
デルを同定する。この順システム・モデルは、図６及び
次式で表わされる。The forward system model identification system 3 inputs a time series signal of input / output variables of the thermal power plant 1 and identifies a forward system model for estimating the value of the output variable of the thermal power plant 1. This forward system model is represented by FIG. 6 and the following equation.
【００３３】[0033]
【数２】 [Equation 2]
【００３４】 ここで、Ｃ：火力プラント１の出力変数ｙの現時点ｔで
の値ｙ（ｔ）の推定値ｙ（ｔ） Ｚ：火力プラント１の入出力変数の時系列信号 Ｆ：順システム・モデル関数（非線形変換関数） 火力プラント１の出力変数ｙの現時点ｔでの値ｙ（ｔ）
は、例えば次式で与えられる。Here, C: Estimated value y (t) of the value y (t) of the output variable y of the thermal power plant 1 at the present time t Z: Time series signal of the input / output variable of the thermal power plant 1 F: Forward system Model function (non-linear conversion function) Value y (t) of output variable y of thermal power plant 1 at present time t
Is given by, for example, the following equation.
【００３５】[0035]
【数３】 [Equation 3]
【００３６】 ここで、ＭＷ（ｔ） ：現時点ｔでの発電機出力の値 ＰMS（ｔ） ：現時点ｔでの主蒸気圧力の値 ＴISH（ｔ）：現時点ｔでの一次過熱器出口蒸気温度の
値 Ｏ2（ｔ） ：現時点ｔでの排ガスＯ2 濃度の値 ＴMS（ｔ） ：現時点ｔでの主蒸気温度の値 ＴRH（ｔ） ：現時点ｔでの再熱蒸気温度の値 ＰWW（ｔ） ：現時点ｔでの火炉ドラフトの値 また、火力プラント１の入出力変数の時系列信号Ｚは、
例えば次式で与えられる。Where MW (t): value of generator output at present time t P MS (t): value of main steam pressure at present time t T ISH (t): primary superheater outlet steam at present time t Temperature value O 2 (t): value of exhaust gas O 2 concentration at the present time t T MS (t): value of main steam temperature at the present time t T RH (t): value of reheated steam temperature at the present time t P WW (t): value of the furnace draft at the present time t Also, the time series signal Z of the input / output variable of the thermal power plant 1 is
For example, it is given by the following equation.
【００３７】[0037]
【数４】 [Equation 4]
【００３８】[0038]
【数５】 [Equation 5]
【００３９】[0039]
【数６】 [Equation 6]
【００４０】 ここで、ＦMS（ｔ−ｉ）：時点（ｔ−ｉ）での主蒸気流
量の値 ＦFW（ｔ−ｉ）：時点（ｔ−ｉ）での給水流量の値 ＦF（ｔ−ｉ） ：時点（ｔ−ｉ）での燃料流量の値 ＦA（ｔ−ｉ） ：時点（ｔ−ｉ）での空気流量の値 ＦSP（ｔ−ｉ）：時点（ｔ−ｉ）でのスプレイ流量の値 ＦGR（ｔ−ｉ）：時点（ｔ−ｉ）でのガス再循環流量の
値 ＦG（ｔ−ｉ） ：時点（ｔ−ｉ）での排ガス流量の値 Ｌ ：モデルの次数 順システム・モデル関数Ｆ（Ｚ）は、図７に示す多層
（ｍ層）のニューラル・ネットワークにより構築する。Here, F MS (t−i): value of main steam flow rate at time point (t−i) F FW (t−i): value of feed water flow rate at time point (t−i) F F ( t-i): time (t-i) in the fuel flow value F a (t-i): the value of the air flow rate at time (t-i) F SP ( t-i): time (t-i ) spray flow value F GR at (t-i): the value of the gas recirculation flow rate at time (t-i) F G ( t-i): the value of the exhaust gas flow rate at time (t-i) L : Order of Model The forward system model function F (Z) is constructed by a multilayer (m layer) neural network shown in FIG.
【００４１】このニューラル・ネットワークの構成要素
であるユニットの構成を図８に示す。FIG. 8 shows the configuration of a unit which is a component of this neural network.
【００４２】このユニットの入出力関係は、次式で表わ
される。The input / output relationship of this unit is expressed by the following equation.
【００４３】[0043]
【数７】 [Equation 7]
【００４４】[0044]
【数８】 [Equation 8]
【００４５】 ここで、ｕj（ｋ） ：第ｋ層の第ｊユニットへ
の入力の総和 ｖj（ｋ） ：第ｋ層の第ｊユニットの出力 ｗij（ｋ−１，ｋ）：第（ｋ−１）層の第ｉユニットか
ら第ｋ層の第ｊユニットへの結合の重み係数 ｆ ：各ユニットの入出力関係を与える
関数（入出力関数） ニューラル・ネットワークの第一層は、入力層であり、
第一層のユニットの出力は、ニューラル・ネットワーク
への入力信号となる。本発明の実施例では、ニューラル
・ネットワークへの入力信号は、火力プラント１の入出
力変数の時系列信号Ｚであり、数４からその対応は次式
で表わされる。Here, u j (k): total sum of inputs to the j-th unit of the k-th layer v j (k): output of the j-th unit of the k-th layer w ij (k−1, k): Weighting coefficient of coupling from the i-th unit of the (k-1) layer to the j-th unit of the k-th layer f: Function for giving input / output relation of each unit (input / output function) The first layer of the neural network is an input Layers,
The output of the first layer unit becomes the input signal to the neural network. In the embodiment of the present invention, the input signal to the neural network is the time-series signal Z of the input / output variable of the thermal power plant 1, and its correspondence is expressed by the following equation from the equation (4).
【００４６】[0046]
【数９】 [Equation 9]
【００４７】また、ニューラル・ネットワークの最終層
（本発明の実施例では第ｍ層）は、出力層であり、この
層のユニットの出力は、ニューラル・ネットワークの出
力信号となる。本発明の実施例では、ニューラル・ネッ
トワークの出力信号は、火力プラント１の出力変数ｙの
現時点ｔでの値ｙ（ｔ）の推定値ｙ＾（ｔ）（＝Ｃ）で
あり、数３からその対応は次式で表わされる。The final layer of the neural network (m-th layer in the embodiment of the present invention) is an output layer, and the output of the unit of this layer is the output signal of the neural network. In the embodiment of the present invention, the output signal of the neural network is an estimated value y ^ (t) (= C) of the value y (t) of the output variable y of the thermal power plant 1 at the present time t, The correspondence is expressed by the following equation.
【００４８】[0048]
【数１０】 [Equation 10]
【００４９】数２に示す非線形変換関数Ｆ（Ｚ）の特性
は、数７，数８に示すユニットの入出力関係が変化する
とそれに伴って変化する。すなわち、ニューラル・ネッ
トワークの層の個数，各層のユニットの個数，各ユニッ
トの重み係数ｗij（ｋ−１，ｋ），各ユニットの入出力
関係を与える関数ｆが変化すると、非線形変換関数Ｆ
（Ｚ）の特性が変化する。従って、層の個数，各層のユ
ニットの個数，各ユニットの重み係数ｗij（ｋ−１，
ｋ），各ユニットの入出力関係を与える関数ｆを調整す
ることにより目的に適合する非線形変換関数Ｆ（Ｚ）を
構築できる。The characteristics of the non-linear conversion function F (Z) shown in Expression 2 change with the change in the input / output relationship of the units shown in Expressions 7 and 8. That is, when the number of layers of the neural network, the number of units of each layer, the weighting coefficient w ij (k−1, k) of each unit, and the function f that gives the input / output relationship of each unit change, the nonlinear conversion function F
The characteristic of (Z) changes. Therefore, the number of layers, the number of units in each layer, and the weighting factor w ij (k-1,
k), a non-linear conversion function F (Z) suitable for the purpose can be constructed by adjusting the function f that gives the input / output relationship of each unit.
【００５０】順システム・モデル同定システム３は、制
御対象１の順システム・モデルを学習により同定する。
次に、この学習のアルゴリズムについて説明する。The forward system model identification system 3 identifies the forward system model of the controlled object 1 by learning.
Next, the learning algorithm will be described.
【００５１】先ず、学習用データとして入出力の組
（Ｚ，Ｃ）が与えられたとき、次式に示す誤差の二乗を
損失関数Ｒとして定義する。First, when a pair of input and output (Z, C) is given as the learning data, the square of the error shown in the following equation is defined as the loss function R.
【００５２】[0052]
【数１１】 [Equation 11]
【００５３】 ここで、ｗ ：ニューラル・ネットワー
クの結合の重み係数をすべてまとめたもの ｖj（ｍ）(ｗ，Ｚ）：入力Ｚと重み係数ｗから総合的に
得られる第ｍ層（出力層）の第ｊユニットの出力 ｗの修正量Δｗは、損失関数Ｒのｗについての勾配（gr
adient) から求められ、次式で表わされる。Here, w: All the weighting factors of the connection of the neural network are summarized. V j (m) (w, Z): The m-th layer (output layer) comprehensively obtained from the input Z and the weighting factor w. ) Output of the j-th unit w The correction amount Δw of the w is the slope (gr
adient) and is expressed by the following equation.
【００５４】[0054]
【数１２】 [Equation 12]
【００５５】 ここで、Δｗij（ｋ−１，ｋ）：第（ｋ−１）層の第ｉ
ユニットから第ｋ層の第ｊユニットへの結合の重み係数
ｗij（ｋ−１，ｋ）の修正量 ε ：正の定数 数１２の右辺の∂Ｒ／∂ｗij（ｋ−１，ｋ）は、次式の
ように変形できる。Here, Δw ij (k−1, k): i-th layer of the (k−1) th layer
Amount of modification of weighting coefficient w ij (k−1, k) of coupling from unit to j-th unit of k-th layer ε: Positive constant ∂R / ∂w ij (k−1, k) on the right side of number 12 Can be transformed into the following equation.
【００５６】[0056]
【数１３】 [Equation 13]
【００５７】数８を数１３に代入して整理すると、次式
が導かれる。Substituting equation 8 into equation 13 and rearranging it leads to the following equation.
【００５８】[0058]
【数１４】 [Equation 14]
【００５９】ｋ≠ｍのとき、数１４の右辺の∂Ｒ／∂ｕ
j(ｋ）は、次式により求められる。When k ≠ m, ∂R / ∂u on the right side of Expression 14
j (k) is calculated by the following equation.
【００６０】[0060]
【数１５】 [Equation 15]
【００６１】数７，数８を数１５に代入して整理する
と、次式が得られる。By substituting the equations 7 and 8 into the equation 15, the following equations are obtained.
【００６２】[0062]
【数１６】 [Equation 16]
【００６３】ここで、ｆ1 ：各ユニットの入出力関係を
与える関数ｆの導関数 ∂Ｒ／∂ｕj(ｋ)＝ｄj(ｋ)とおくと、数１２，数１６
は、次式で表わされる。Here, f 1 is the derivative of the function f that gives the input / output relation of each unit ∂R / ∂u j (k) = d j (k).
Is expressed by the following equation.
【００６４】[0064]
【数１７】 [Equation 17]
【００６５】[0065]
【数１８】 [Equation 18]
【００６６】また、ｋ＝ｍのとき、∂Ｒ／∂ｕj(ｍ)
は、数１１から次式により求められる。When k = m, ∂R / ∂u j (m)
Is calculated from the following equation 11 by the following equation.
【００６７】[0067]
【数１９】 [Formula 19]
【００６８】数１７，数１８，数１９を用いると、結合
の重み係数ｖij(ｋ−１,ｋ）の修正が、ｋ＝ｍからｋ＝
２に向かって、再帰的に計算される。すなわち、出力層
での理想出力Ｃj と実際の出力ｕj(ｍ)(ｗ，ｚ）との誤
差を入力として、出力層から入力層の方向へ、信号の伝
播と逆の方向にｗij(ｋ,ｋ−１）で重みをつけた和をと
りながら伝播していく。これが、誤差逆伝播学習アルゴ
リズムである。Using the equations (17), (18) and (19), the modification of the connection weighting coefficient v ij (k-1, k) can be performed from k = m to k =
It is calculated recursively toward 2. That is, the error between the ideal output C j in the output layer and the actual output u j (m) (w, z) is used as an input, and w ij is passed from the output layer to the input layer in the direction opposite to the signal propagation. Propagate while taking the sum weighted by (k, k-1). This is the error backpropagation learning algorithm.
【００６９】各ユニットの入出力関係を与える関数ｆが
すべてのユニットについて共通で、次式で表わされるも
のとする。It is assumed that the function f which gives the input / output relation of each unit is common to all the units and is represented by the following equation.
【００７０】[0070]
【数２０】 [Equation 20]
【００７１】数２０より、次式で得られる。From equation 20, it is obtained by the following equation.
【００７２】[0072]
【数２１】 [Equation 21]
【００７３】数７，数２１より、次式が導かれる。From the equations 7 and 21, the following equation is derived.
【００７４】[0074]
【数２２】 [Equation 22]
【００７５】なお、学習を滑らかに速く収束させるため
に、数１７は次式のように修正することができる。In order to converge learning smoothly and quickly, equation 17 can be modified as in the following equation.
【００７６】[0076]
【数２３】 [Equation 23]
【００７７】 ここで、α：正の定数（α＝１−εとしてもよい） τ：修正の回数 学習用データの入出力の組（Ｚ，Ｃ）において、入力Ｚ
を学習用入力データと呼び、出力Ｃを学習用教師データ
と呼ぶ。次に、本発明の実施例において学習用データの
獲得方法について説明する。Here, α is a positive constant (α = 1-ε may be set) τ: Number of corrections In the input / output group (Z, C) of learning data, the input Z
Is called learning input data, and the output C is called learning teacher data. Next, a method of acquiring learning data in the embodiment of the present invention will be described.
【００７８】学習用データの入出力の組(Ｚ，Ｃ)には、
制御対象１の運転データ、すなわち、制御対象１の入出
力変数の時系列データを利用する。例えば、サンプリン
グ周期Δｔで収集した現時点ｔからＭサンプリング前ま
での時系列データ｛(ｙ(ｔ)，ｘ(ｔ))，（ｙ(ｔ−１)，
ｘ(ｔ−１))，……，（ｙ(ｔ−Ｍ)，ｘ(ｔ−Ｍ))｝（Ｍ
＞Ｌ）を記憶しておき、このデータを利用する。この時
系列データと学習用入出力の組（Ｚ，Ｃ）との対応を次
式に示す。The learning data input / output group (Z, C) includes
The operation data of the controlled object 1, that is, the time series data of the input / output variables of the controlled object 1 is used. For example, time-series data {(y (t), x (t)), (y (t-1),
x (t-1)), ..., (y (t-M), x (t-M))} (M
> L) is stored and this data is used. The following equation shows the correspondence between the time series data and the learning input / output set (Z, C).
【００７９】[0079]
【数２４】 [Equation 24]
【００８０】上記の（Ｍ−Ｌ＋１）個の学習用データに
入出力の組（Ｚ，Ｃ）を用いて、先に説明した誤差逆伝
播学習アルゴリズムによりニューラル・ネットワークを
学習させ、順システム・モデルを同定する。Using the input / output pair (Z, C) for the above (ML) learning data, the neural network is trained by the error backpropagation learning algorithm described above, and the forward system model is obtained. Identify.
【００８１】なお、学習用データとして、上ではある期
間収録しておいた運転データを使用するようにしたが、
時々刻々変化する運転データを使用することもできる。
制御対象の特性変化が速いときは、時々刻々変化する運
転データを使用する方がよい。Although the operation data recorded for a certain period above is used as the learning data,
It is also possible to use driving data that changes from moment to moment.
When the characteristics of the controlled object change rapidly, it is better to use operation data that changes from moment to moment.
【００８２】制御パラメータ調整システム４は、順シス
テム・モデル同定システム３で同定した制御対象１の順
システム・モデルを用いて、制御システム２のフィード
・バック制御系の制御パラメータを調整する。すなわ
ち、図９に示すように、制御システム２のモデル４２と
同定した制御対象１の順システム・モデル４１を組合
せ、この組合せた制御系のモデルが良好な制御応答を得
るようにフィード・バック制御系の制御パラメータを調
整する。The control parameter adjusting system 4 adjusts the control parameter of the feedback control system of the control system 2 using the forward system model of the controlled object 1 identified by the forward system model identifying system 3. That is, as shown in FIG. 9, the model 42 of the control system 2 and the identified forward system model 41 of the controlled object 1 are combined, and the feedback control is performed so that the model of the combined control system obtains a good control response. Adjust the control parameters of the system.
【００８３】本発明の実施例では、制御対象１は、火力
プラントであり、制御システム２は、火力プラント制御
システムである。火力プラント制御システムのフィード
・バック制御系の制御パラメータは、図５のフィード・
バック制御器１１０〜１１６の制御パラメータである。
フィード・バック制御器１１０〜１１６は、次式で表わ
される。比例・積分器あるいは比例・積分・微分器等に
より構成される。In the embodiment of the present invention, the controlled object 1 is a thermal power plant, and the control system 2 is a thermal power plant control system. The control parameters of the feedback control system of the thermal power plant control system are
It is a control parameter of the back controllers 110 to 116.
The feedback controllers 110 to 116 are expressed by the following equations. It is composed of a proportional / integrator or a proportional / integral / differentiator.
【００８４】[0084]
【数２５】 [Equation 25]
【００８５】 ここで、ＧC1(ｓ)：比例・積分器の伝達関数 Ｋp ：比例ゲイン Ｔi ：積分時間 ｓ ：ラプラス演算子Here, G C1 (s): transfer function of proportional-integrator K p : proportional gain T i : integration time s: Laplace operator
【００８６】[0086]
【数２６】 [Equation 26]
【００８７】 ここで、ＧC2(ｓ)：比例・積分・微分器の伝達関数 Ｔd ：微分時間 フィード・バック制御器１１０〜１１６の制御パラメー
タ、すなわち比例ゲインＫp ，積分時間Ｔi ，微分時間
Ｔd は、図９に示す制御系のモデルが良好な制御特性を
持つように調整される。例えば、図３に示すように、制
御系のモデルのステップ応答が望ましいオーバシュート
量，減衰比，立上がり時間を持つように調整される。Here, G C2 (s): Transfer function of proportional / integral / differentiator T d : Derivative time Control parameters of the feedback controllers 110 to 116, that is, proportional gain K p , integral time T i , derivative The time T d is adjusted so that the model of the control system shown in FIG. 9 has good control characteristics. For example, as shown in FIG. 3, the step response of the control system model is adjusted so as to have a desired overshoot amount, damping ratio, and rise time.
【００８８】本発明の他の実施例を図１０に示す。Another embodiment of the present invention is shown in FIG.
【００８９】本実施例は、制御対象１の逆システム・モ
デルを同定する逆システム・モデル同定システム５，同
定した逆システム・モデルを用いて制御パラメータを調
整する制御パラメータ調整システム４，調整した制御パ
ラメータを用いて制御対象１を制御する制御システム２
から構成される。In the present embodiment, the inverse system model identification system 5 for identifying the inverse system model of the controlled object 5, the control parameter adjustment system 4 for adjusting the control parameter using the identified inverse system model 4, the adjusted control Control system 2 for controlling controlled object 1 using parameters
Composed of.
【００９０】以下、制御対象１として火力プラントを対
象に、本発明の他の実施例を説明する。なお、火力プラ
ント及び火力プラント制御システムの概要は、図１の実
施例で説明した通りである。Another embodiment of the present invention will be described below with the thermal power plant as the control target 1. The outline of the thermal power plant and the thermal power plant control system is as described in the embodiment of FIG.
【００９１】逆システム・モデル同定システム５は、制
御対象１の出力変数の時系列信号を入力して、制御対象
１の入力変数の時系列信号を推定する逆システム・モデ
ルを同定する。この逆システム・モデルは、図１１及び
次式で表わされる。The inverse system model identification system 5 inputs the time series signal of the output variable of the controlled object 1 and identifies the inverse system model for estimating the time series signal of the input variable of the controlled object 1. This inverse system model is represented by FIG. 11 and the following equation.
【００９２】[0092]
【数２７】 [Equation 27]
【００９３】 ここで、Ｃ1 ：制御対象１の入力変数の時系列信号の推
定値 Ｚ1 ：制御対象１の出力変数の時系列信号 Ｆ1 ：逆システム・モデル関数（非線形変換関数） 制御対象１の入力変数の時系列信号の推定値Ｃ1 は、次
式で表わされる。Where C 1 is the estimated value of the time-series signal of the input variable of the controlled object 1, Z 1 is the time-series signal of the output variable of the controlled object 1, F 1 is the inverse system model function (non-linear conversion function), and the controlled object. The estimated value C 1 of the time series signal of the input variable of 1 is represented by the following equation.
【００９４】[0094]
【数２８】 [Equation 28]
【００９５】 ここで、ｘ＾(ｔ−ｌ)：（ｔ−ｌ）サンプリング時点の
制御対象１の操作量の推定値 Ｌ1 ：次数 Ｔ ：転置を表わす記号 また、制御対象１の出力変数の時系列信号Ｚ1 は、次式
で与えられる。Here, x̂ (t−1): (t−1) the estimated value of the manipulated variable of the controlled object 1 at the time of sampling L 1 : the order T: a symbol representing transposition Further, the output variable of the controlled object 1 The time series signal Z 1 is given by the following equation.
【００９６】[0096]
【数２９】 [Equation 29]
【００９７】ここで、ｙ(ｔ−ｌ)：（ｔ−ｌ）サンプリ
ング時点の制御量 逆システム・モデル関数Ｆ1(Ｚ1)は、順システム・モデ
ル関数Ｆ(Ｚ1）と同様に図７に示す多層のニューラル・
ネットワーク（ｍ1 層）で構成する。また、このニュー
ラル・ネットワークの構成要素であるユニットも、順シ
ステム・モデル関数Ｆ(Ｚ)と同様に図８に示す構成のユ
ニットを使用する。Here, the controlled variable inverse system model function F 1 (Z 1 ) at the time of y (t-1) :( t-1) sampling is the same as the forward system model function F (Z 1 ). Multi-layered neural shown in 7.
It consists of a network (m 1 layer). Further, as the unit which is a constituent element of this neural network, the unit having the structure shown in FIG. 8 is used similarly to the forward system model function F (Z).
【００９８】先に述べたように、ニューラル・ネットワ
ークの第一層は、入力層であり、第一層のユニットの出
力は、ニューラル・ネットワークへの入力信号となる。
本発明の実施例では、逆システム・モデル同定用ニュー
ラル・ネットワークへの入力信号は、制御対象１の出力
変数の時系列信号Ｚ1 であり、その対応を次式に示す。As described above, the first layer of the neural network is the input layer, and the output of the unit of the first layer is the input signal to the neural network.
In the embodiment of the present invention, the input signal to the inverse system model identifying neural network is the time-series signal Z 1 of the output variable of the controlled object 1 , and the correspondence is shown in the following equation.
【００９９】[0099]
【数３０】 [Equation 30]
【０１００】また、ニューラル・ネットワークの最終層
（本発明の実施例では第ｍ1 層）は、出力層であり、こ
の層のユニットの出力は、ニューラル・ネットワークの
出力信号となる。本発明の実施例では、ニューラル・ネ
ットワークの出力信号は、制御対象１の入力変数の時系
列信号の推定値Ｃ1 であり、その対応を次式に示す。The final layer of the neural network (the m 1 -th layer in the embodiment of the present invention) is the output layer, and the output of the unit of this layer is the output signal of the neural network. In the embodiment of the present invention, the output signal of the neural network is the estimated value C 1 of the time series signal of the input variable of the controlled object 1 , and its correspondence is shown in the following equation.
【０１０１】[0101]
【数３１】 [Equation 31]
【０１０２】数２７に示す逆システム・モデル関数Ｆ1
(Ｚ1 )は、数７，数８に示すユニットの入出力関係が変
化するとそれに伴って変化する。すなわち、ニューラル
・ネットワークの層の個数，各層のユニットの個数，各
ユニットの重み係数ｗij（ｋ−１，ｋ），各ユニットの
入出力関数を与える関数ｆが変化すると、逆システム・
モデル関数Ｆ1(Ｚ1)が変化する。したがって、層の個
数，各層のユニットの個数，各ユニットの重み係数ｗij
(ｋ−１,ｋ），各ユニットの入出力関数を与える関数ｆ
を調整することにより目的に適合する逆システム・モデ
ル関数Ｆ1(Ｚ1)を構築できる。Inverse system model function F 1 shown in Expression 27
(Z 1 ) changes in accordance with the change in the input / output relationship of the units shown in Formulas 7 and 8. That is, when the number of layers of the neural network, the number of units of each layer, the weighting coefficient w ij (k-1, k) of each unit, and the function f that gives the input / output function of each unit change, the inverse system
The model function F 1 (Z 1 ) changes. Therefore, the number of layers, the number of units in each layer, and the weighting factor w ij of each unit
(k-1, k), a function f that gives the input / output function of each unit
The inverse system model function F 1 (Z 1 ) suitable for the purpose can be constructed by adjusting
【０１０３】逆システム・モデル同定システム５は、逆
システム・モデル関数Ｆ1(Ｚ1)を学習により構築し、制
御対象１の逆システム・モデルを同定する。すなわち、
学習用データとして入出力の組（Ｚ1，Ｃ1）が与えられ
たとき、順システム・モデルの同定と同様に、誤差逆伝
播学習アルゴリズムにより各ユニットの重みｗij(ｋ,ｋ
−１）を修正し、逆システム・モデル関数Ｆ1(Ｚ1)を構
築する。The inverse system model identification system 5 constructs the inverse system model function F 1 (Z 1 ) by learning and identifies the inverse system model of the controlled object 1. That is,
When an input / output pair (Z 1 , C 1 ) is given as the learning data, the weights w ij (k, k) of each unit are calculated by the error back-propagation learning algorithm similarly to the identification of the forward system model.
-1) is modified to construct the inverse system model function F 1 (Z 1 ).
【０１０４】学習用データの入出力の組（Ｚ1，Ｃ1）に
おいて、入力Ｚ1 を学習用入力データと呼び、出力Ｃ1
を学習用教師データと呼ぶ。本発明の実施例では、制御
対象１の運転データを学習用データとして使用し、逆シ
ステム・モデルを同定する。この場合、制御対象１の出
力変数（制御量）の時系列信号を学習用入力データとし
て使用し、制御対象１の入力変数（操作量）の時系列信
号を学習用教師データとして使用する。これらの学習用
データの入出力の組（Ｚ1，Ｃ1）は、時々刻々変化する
運転データを使用することもできる。また、ある期間収
録しておいた運転データを使用することもできる。制御
対象の特性変化が速いときは、時々刻々変化する運転デ
ータを使用する方がよい。In the learning data input / output pair (Z 1 , C 1 ), the input Z 1 is called learning input data, and the output C 1
Is called learning teacher data. In the embodiment of the present invention, the operation data of the controlled object 1 is used as the learning data to identify the inverse system model. In this case, the time series signal of the output variable (control amount) of the controlled object 1 is used as learning input data, and the time series signal of the input variable (manipulated amount) of the controlled object 1 is used as learning teacher data. As the input / output set (Z 1 , C 1 ) of these learning data, it is possible to use operation data that changes from moment to moment. It is also possible to use the operation data recorded for a certain period. When the characteristics of the controlled object change rapidly, it is better to use operation data that changes from moment to moment.
【０１０５】制御パラメータ調整システム４は、逆シス
テム・モデル同定システム５で同定した制御対象１の逆
システム・モデルを用いて制御システム２のフィード・
フォワード制御系の制御パラメータを調整する。すなわ
ち、制御システム２のフィード・フォード制御系と制御
対象１を組合せた制御系の応答特性が望ましい応答特性
を持つ規範モデルの特性に一致するようにフィード・フ
ォワード制御系の制御パラメータを調整する。なお、規
範モデルとしては、予めシミュレーション等により求め
ておいたものを利用できる。次に、これについて説明す
る。The control parameter adjustment system 4 uses the inverse system model of the controlled object 1 identified by the inverse system model identification system 5 to feed the control system 2.
Adjust the control parameters of the forward control system. That is, the control parameters of the feed-forward control system are adjusted so that the response characteristics of the control system in which the feed / Ford control system of the control system 2 and the controlled object 1 are combined match the characteristics of the reference model having the desired response characteristics. It should be noted that as the reference model, one obtained in advance by simulation or the like can be used. Next, this will be described.
【０１０６】制御対象１の制御量、すなわち、出力変数
の目標値ｒの時系列信号Ｚ2 は、次式で与えられる。The control amount of the controlled object 1, that is, the time series signal Z 2 of the target value r of the output variable is given by the following equation.
【０１０７】[0107]
【数３２】 [Equation 32]
【０１０８】[0108]
【数３３】 [Expression 33]
【０１０９】ここで、ｎ：制御量の個数 この目標値ｒの時系列信号Ｚ2 を規範モデルに入力する
ことにより規範モデルの出力変数ｙM の時系列信号Ｚ2
は、次式で与えられる。Here, n is the number of controlled variables By inputting the time series signal Z 2 of the target value r to the reference model, the time series signal Z 2 of the output variable y M of the reference model is input.
Is given by the following equation.
【０１１０】[0110]
【数３４】 [Equation 34]
【０１１１】[0111]
【数３５】 [Equation 35]
【０１１２】この規範モデルの出力変数ｙM の時系列信
号Ｚ3 と同定した制御対象１の逆システム・モデルを用
いてフィード・フォワード制御系の制御パラメータを調
整する。すなわち、目標値ｒの時系列信号Ｚ2に対する
望ましい応答である規範モデルの出力変数ｙM の時系列
信号Ｚ3 を同定した制御対象１の逆システム・モデルに
入力すると、制御対象１に入力すべき入力変数ｘd の時
系列信号Ｃ3 が次式により得られる。The control parameter of the feed-forward control system is adjusted by using the time-series signal Z 3 of the output variable y M of this reference model and the inverse system model of the controlled object 1 identified. That is, when the time series signal Z 3 of the output variable y M of the reference model, which is the desired response to the time series signal Z 2 of the target value r, is input to the identified inverse system model of the control object 1, it is input to the control object 1. The time series signal C 3 of the power input variable x d is obtained by the following equation.
【０１１３】[0113]
【数３６】 [Equation 36]
【０１１４】[0114]
【数３７】 [Equation 37]
【０１１５】[0115]
【数３８】 [Equation 38]
【０１１６】Ｃ3 ：望ましい応答である規範モデルの出
力変数ｙM の時系列信号Ｚ3 を得るために、制御対象１
に入力すべき入力変数ｘの時系列信号 この制御対象１に入力すべき入力変数ｘd の時系列信号
Ｃ3 と次式に示す制御システム２のフィード・フォワー
ド制御系の出力の時系列信号Ｃ4 が一致するように、フ
ィード・フォワード制御系の制御パラメータを調整す
る。C 3 : In order to obtain the time series signal Z 3 of the output variable y M of the reference model which is the desired response, the controlled object 1
The time series signal of the input variable x to be input to this controlled object 1 The time series signal C 3 of the input variable x d to be input to this controlled object 1 and the time series signal C of the output of the feed forward control system of the control system 2 shown in the following equation. Adjust the control parameters of the feed-forward control system so that 4 matches.
【０１１７】[0117]
【数３９】 [Formula 39]
【０１１８】[0118]
【数４０】 [Formula 40]
【０１１９】ここで、ｘfi：フィード・フォワード制御
系の出力 これにより、目標値ｒの時系列信号に対して制御対象１
の制御量、すなわち、出力変数の時系列信号が望ましい
応答をするようにできる。具体的方法について、以下に
説明する。Where x fi is the output of the feed-forward control system. As a result, the controlled object 1 is applied to the time series signal of the target value r.
Of the control variable, that is, the time series signal of the output variable can give a desired response. A specific method will be described below.
【０１２０】火力プラント制御システムにおいては、先
に説明したように、火力プラントの各操作量のデマン
ド、すなわち、タービン蒸気流量デマンドＦMSD ，給水
流量デマンドＦFWD ，燃料流量デマンドＦFD，空気流量
デマンドＦAD，スプレ流量デマンドＦSPD ，再循環ガス
流量デマンドＦGRD ，排ガス流量デマンドＦGDが数１に
示す関係により求められる。このうち、フィード・フォ
ワード制御系により決定される各操作量のデマンドは、
次式に示す部分である。In the thermal power plant control system, as described above, the demand of each manipulated variable of the thermal power plant, namely, the turbine steam flow rate demand F MSD , the feed water flow rate demand F FWD , the fuel flow rate demand F FD , the air flow rate demand. F AD , spray flow rate demand F SPD , recirculation gas flow rate demand F GRD , and exhaust gas flow rate demand F GD are obtained by the relationship shown in equation 1. Of these, the demand for each manipulated variable determined by the feed-forward control system is
This is the part shown in the following equation.
【０１２１】[0121]
【数４１】 [Formula 41]
【０１２２】先に述べた制御システム２のフィード・フ
ォワード制御系の出力の時系列信号Ｃ4 は、火力プラン
ト制御システムでは、数４１に示す各操作量のデマンド
の時系列信号に対応する。また、制御対象１に入力すべ
き入力変数ｘd の時系列信号Ｃ3 は、火力プラントに入
力すべき各操作量の時系列信号に対応する。したがっ
て、火力プラント制御システムでは、火力プラントに入
力すべき各操作量の時系列信号に、数４１に示す各操作
量のデマンドの時系列信号ができるだけ一致するように
関数ｇi(ｘ)，ｈi(ｘ)を調整することになる。これによ
り、火力プラント制御システムのフィード・フォワード
制御系の調整が可能となる。In the thermal power plant control system, the time series signal C 4 of the output of the feed forward control system of the control system 2 described above corresponds to the time series signal of the demand of each manipulated variable shown in Formula 41. The time series signal C 3 of the input variable x d to be input to the controlled object 1 corresponds to the time series signal of each manipulated variable to be input to the thermal power plant. Therefore, in the thermal power plant control system, the function g i (x), h is set so that the time series signal of each manipulated variable to be input to the thermal power plant coincides as much as possible with the time series signal of the demand of each manipulated variable. i (x) will be adjusted. As a result, the feedforward control system of the thermal power plant control system can be adjusted.
【０１２３】本発明の他の実施例を図１２に示す。Another embodiment of the present invention is shown in FIG.
【０１２４】本実施例は、制御対象１の逆システム・モ
デルを同定する逆システム・モデル同定システム５，同
定した逆システム・モデルを用いてフィード・フォワー
ド制御量を求める逆システム応用フィード・フォワード
制御システム６，逆システム応用フィード・フォワード
制御システム６と協調して制御対象１を制御する制御シ
ステム２から構成される。In this embodiment, the inverse system model identification system 5 for identifying the inverse system model of the controlled object 1 and the inverse system application feed forward control for obtaining the feed forward control amount using the identified inverse system model. The system 6 includes a control system 2 that controls the controlled object 1 in cooperation with the system 6 reverse system application feed forward control system 6.
【０１２５】以下、制御対象１として火力プラントを対
象に、本発明の他の実施例を説明する。なお、火力プラ
ント及び火力プラント制御システムの概要は、図１の実
施例で説明した通りである。Another embodiment of the present invention will be described below with a thermal power plant as the control target 1. The outline of the thermal power plant and the thermal power plant control system is as described in the embodiment of FIG.
【０１２６】逆システム・モデル同定システム５は、図
１１に示す実施例と同様にして、制御対象１の逆システ
ム・モデルを同定する。また、逆システム応用フィード
・フォワード制御システム６は、逆システム・モデル同
定システム５で同定した制御対象１の逆システム・モデ
ルを用いて、フィード・フォワード制御量を求める。す
なわち、フィード・フォワード制御量を制御対象１に入
力したときの応答特性が望ましい応答特性を持つ規範モ
デルの特性に一致するようにフィード・フォワード制御
量を求める。このため、図１１の実施例と同様にして、
目標値ｒの時系列信号に対する望ましい応答である規範
モデルの出力変数の時系列信号を求め、この規範モデル
の出力変数の時系列信号を同定した制御対象１の逆シス
テム・モデルに入力して制御対象１に入力すべき入力変
数の時系列信号を求める。なお、規範モデルとしては、
図１１に示す実施例と同様のものを用いる。この制御対
象１に入力すべき入力変数の時系列信号をフィード・フ
ォワード制御量として制御システム２に出力する。火力
プラントの場合、フィード・フォワード制御量は、数４
１に対応する各操作量のデマンドである。制御システム
２は、このフィード・フォワード制御量を取込み、これ
とフィード・バック制御系で求めたフィード・バック制
御量と組合せて、制御対象１の操作量を求める。火力プ
ラントの場合、操作量は、数１に対応する各操作量のデ
マンドである。The inverse system model identification system 5 identifies the inverse system model of the controlled object 1 in the same manner as the embodiment shown in FIG. Further, the inverse system application feed forward control system 6 obtains the feed forward control amount by using the inverse system model of the controlled object 1 identified by the inverse system model identification system 5. That is, the feed-forward control amount is obtained so that the response characteristic when the feed-forward control amount is input to the controlled object 1 matches the characteristic of the reference model having the desired response characteristic. Therefore, similar to the embodiment of FIG.
The time series signal of the output variable of the reference model, which is the desired response to the time series signal of the target value r, is obtained, and the time series signal of the output variable of this reference model is input to the identified inverse system model of the controlled object 1 for control. A time series signal of an input variable to be input to the target 1 is obtained. In addition, as a reference model,
The same thing as the embodiment shown in FIG. 11 is used. The time-series signal of the input variable to be input to the controlled object 1 is output to the control system 2 as a feed-forward control amount. In the case of a thermal power plant, the feed forward control amount is
It is a demand of each operation amount corresponding to 1. The control system 2 takes in this feed-forward control amount and combines it with the feed-back control amount obtained by the feed-back control system to obtain the manipulated variable of the controlled object 1. In the case of a thermal power plant, the manipulated variable is a demand for each manipulated variable corresponding to equation 1.
【０１２７】なお、プラント制御系の安定性を考え、制
御対象１の制御量の変動がある規準値以上になると、制
御システム２は、制御システム２内のフィード・フォワ
ード制御系で求めたフィード・フォワード制御量とフィ
ード・バック制御系で求めたフィード・バック制御量を
組合せて、制御対象１の操作量を求めるようにしてもよ
い。このとき、逆システム応用フィード・フォワード制
御システム６で求めたフィード・フォワード制御量は無
効にされる。Considering the stability of the plant control system, when the variation of the controlled variable of the controlled object 1 exceeds a certain reference value, the control system 2 determines that the feed forward control system in the control system 2 has The operation amount of the controlled object 1 may be obtained by combining the forward control amount and the feed back control amount obtained by the feed back control system. At this time, the feed-forward control amount obtained by the inverse system application feed-forward control system 6 is invalidated.
【０１２８】図９に示す本発明の実施例は、順システム
・モデル同定システム３で同定した制御対象１の順シス
テム・モデルを用いて、制御システム２のフィード・バ
ック制御系の制御パラメータを調整するようにしたが、
制御システム２のフィード・フォワード制御系の制御パ
ラメータも合せて調整するようにしてもよい。The embodiment of the present invention shown in FIG. 9 uses the forward system model of the controlled object 1 identified by the forward system model identification system 3 to adjust the control parameters of the feedback control system of the control system 2. I tried to do it,
You may make it adjust also the control parameter of the feed forward control system of the control system 2.
【０１２９】図１０，図１２では、規範モデルとして、
予めシミュレーション等で求めておいたものを利用する
ようにしたが、目標値そのものを規範モデルの出力とす
るようにしてもよい。また、目標値に無駄時間遅れの演
算を施したものを規範モデルの出力とするようにしても
よい。また、目標値１２に一パスフィルタ処理を施した
ものを規範モデルの出力とするようにしてもよい。In FIGS. 10 and 12, as the reference model,
Although the one obtained in advance by simulation or the like is used, the target value itself may be used as the output of the reference model. Alternatively, the target value obtained by calculating the dead time delay may be output as the reference model. Alternatively, the target value 12 subjected to the one-pass filter process may be output as the reference model.
【０１３０】[0130]
【発明の効果】本発明によれば、制御対象の運転時の入
力変数の時系列信号を学習用入力データとすると共に、
制御対象の運転時の出力変数の時系列信号を学習用教師
データとして使用し、制御対象の順システム・モデル同
定用ニューラル・ネットワークを学習させ、この順シス
テム・モデルを用いて制御系の制御パラメータを調整す
るので、制御系のステップ応答を得るのが難しい制御対
象でも制御系の制御パラメータを調整できる。According to the present invention, the time-series signal of the input variable during operation of the controlled object is used as the learning input data, and
The time-series signal of the output variable during operation of the controlled object is used as the training data for learning, the neural network for identifying the forward system model of the controlled object is trained, and the control system control parameters are used using this forward system model. Is adjusted, it is possible to adjust the control parameter of the control system even for a control target for which it is difficult to obtain the step response of the control system.
【０１３１】なお、順システム・モデル同定用ニューラ
ル・ネットワークは、多入力多出力系の制御対象でも、
順システム・モデルを同定できるので、この順システム
・モデルを用いて制御系の制御パラメータを調整するこ
とにより複数の制御量間の干渉が大きい制御対象でも制
御系の制御パラメータを調整できる。Note that the forward system model identifying neural network can be used even for a controlled object in a multi-input multi-output system.
Since the forward system model can be identified, by adjusting the control parameter of the control system using this forward system model, the control parameter of the control system can be adjusted even for a control target in which a plurality of controlled variables have large interference.
【０１３２】更に、ニューラル・ネットワークは、入力
を非線形変換して、その結果を出力する機能があり、こ
の機能を利用しているので、順システム・モデル同定用
ニューラル・ネットワークは、制御対象の非線形回帰モ
デルが実現でき、非線形特性を持つ制御対象でも制御系
の制御パラメータを調整できる。Further, the neural network has a function of nonlinearly converting an input and outputting the result, and since this function is utilized, the neural network for forward system model identification is A regression model can be realized and the control parameters of the control system can be adjusted even with a controlled object having nonlinear characteristics.
【０１３３】また、制御対象の運転時の出力変数の時系
列信号を学習用入力データとすると共に、制御対象の運
転時の入力変数の時系列信号を学習用教師データとして
使用し、制御対象の逆システム・モデル同定用ニューラ
ル・ネットワークを学習させるので、この逆システム・
モデルを用いて制御対象が目標値に対して望ましい応答
をするようにフィード・フォワード制御系の制御パラメ
ータを調整できる。Further, the time-series signal of the output variable during the operation of the controlled object is used as the learning input data, and the time-series signal of the input variable during the operation of the controlled object is used as the learning data of the controlled object. The inverse system model identification neural network is trained.
The model can be used to adjust the control parameters of the feed-forward control system so that the controlled object gives the desired response to the target value.
【０１３４】また、制御対象の運転時の出力変数の時系
列信号を学習用入力データとすると共に、制御対象の運
転時の入力変数の時系列信号を学習用教師データとして
使用し、制御対象の逆システム・モデル同定用ニューラ
ル・ネットワークを学習させるので、この逆システム・
モデルを用いて制御対象が目標値に対して望ましい応答
をするフィード・フォワード制御系を構成でき、このフ
ィード・フォワード制御系と制御システムのフィード・
バック制御系を組合せて制御対象を制御するので、制御
対象の特性に適応して制御系の特性を良好に保持でき
る。Further, the time-series signal of the output variable during the operation of the controlled object is used as the learning input data, and the time-series signal of the input variable during the operation of the controlled object is used as the learning data for the learning. The inverse system model identification neural network is trained.
The model can be used to construct a feed-forward control system in which the controlled object gives the desired response to the target value.
Since the control object is controlled by combining the back control system, the characteristics of the control system can be maintained well by adapting to the characteristics of the control object.
【図１】本発明の一実施例を示すシステムブロック図。FIG. 1 is a system block diagram showing an embodiment of the present invention.
【図２】従来の制御パラメータ調整方法の概要を示すシ
ステムブロック図。FIG. 2 is a system block diagram showing an outline of a conventional control parameter adjustment method.
【図３】制御量のステップ応答の特徴量を示す時間応答
波形図。FIG. 3 is a time response waveform chart showing a characteristic amount of a step response of a control amount.
【図４】火力プラントの概要を示すシステム系統図。FIG. 4 is a system diagram showing an outline of a thermal power plant.
【図５】火力プラント御御システムの概要を示すシステ
ムブロック図。FIG. 5 is a system block diagram showing an outline of a thermal power plant control system.
【図６】順システム・モデルの入出力関係を示す説明
図。FIG. 6 is an explanatory diagram showing an input / output relationship of a forward system model.
【図７】ニューラル・ネットワークの構成例を示す説明
図。FIG. 7 is an explanatory diagram showing a configuration example of a neural network.
【図８】ニューラル・ネットワークのユニットの構成を
示す説明図。FIG. 8 is an explanatory diagram showing a configuration of a unit of a neural network.
【図９】本発明の一実施例を説明するためのシステムブ
ロック図。FIG. 9 is a system block diagram for explaining an embodiment of the present invention.
【図１０】本発明の他の実施例を示すシステムブロック
図。FIG. 10 is a system block diagram showing another embodiment of the present invention.
【図１１】逆システム・モデルの入出力関係を示す説明
図。FIG. 11 is an explanatory diagram showing the input / output relationship of the inverse system model.
【図１２】本発明の他の実施例を示すシステムブロック
図。FIG. 12 is a system block diagram showing another embodiment of the present invention.
１…制御対象、２…制御システム、３…順システム・モ
デル同定システム、４…制御パラメータ調整システム。1 ... Control object, 2 ... Control system, 3 ... Forward system model identification system, 4 ... Control parameter adjustment system.
───────────────────────────────────────────────────── フロントページの続き (72)発明者 木村 亨 茨城県日立市大みか町五丁目２番１号 株 式会社日立製作所大みか工場内 ─────────────────────────────────────────────────── ─── Continuation of the front page (72) Inventor Toru Kimura 5-2-1 Omika-cho, Hitachi-shi, Ibaraki Hitachi Ltd. Omika factory
Claims (17)
象を制御する方法において、前記制御対象の入出力変数
の信号を用いて前記制御対象のモデルをニューラル・ネ
ットワークにより実現し、前記モデルを用いて前記制御
対象の特性変化に適応して制御装置の制御パラメータを
調整することを特徴とするプロセスの適応制御方法。1. A method for controlling a controlled object so as to match a controlled variable with a target value, wherein a model of the controlled object is realized by a neural network using signals of input / output variables of the controlled object, and the model is used. An adaptive control method for a process, characterized in that the control parameter of a control device is adjusted by adapting to the characteristic change of the controlled object using.
ータを記録しておき、前記運転データを学習用データと
して使用し、これにより前記ニューラル・ネットワーク
を学習させてモデルを同定するプロセスの適応制御方
法。2. The process according to claim 1, wherein the operation data of the controlled object is recorded, and the operation data is used as learning data, whereby the neural network is trained to identify a model. Control method.
々変化する運転データを学習用データとして使用し、こ
れによりオンライン・リアルタイムで前記ニューラル・
ネットワークを学習させてモデルを同定するプロセスの
適応制御方法。3. The neural network according to claim 1, wherein the operation data of the controlled object that changes from moment to moment is used as learning data.
An adaptive control method for the process of learning a network and identifying a model.
変数の信号として、前記制御対象の負荷レベルを表わす
変数の信号を用いるプロセスの適応制御方法。4. The adaptive control method for a process according to claim 1, wherein a signal of a variable representing a load level of the controlled object is used as a signal of the input / output variable of the controlled object.
変数の信号として、時系列信号を用いるプロセス適応制
御方法。5. The process adaptive control method according to claim 1, wherein a time-series signal is used as a signal of the input / output variable to be controlled.
トワークにより実現したモデルを用いて、制御装置のフ
ィード・バック制御系の制御パラメータを調整するプロ
セスの適応制御方法。6. The adaptive control method according to claim 1, wherein a model realized by the neural network is used to adjust a control parameter of a feedback control system of a control device.
トワークにより実現したモデルを用いて、制御装置のフ
ィード・フォワード制御系の制御パラメータを調整する
プロセスの適応制御方法。7. An adaptive control method according to claim 1, wherein a model realized by the neural network is used to adjust a control parameter of a feed-forward control system of a controller.
変数の信号を入力して前記制御対象の出力変数の推定値
を出力する順システム・モデルをニューラル・ネットワ
ークにより実現し、このモデルを用いて、制御装置の制
御パラメータを調整するプロセスの適応制御方法。8. The forward system model according to claim 1, wherein a signal of the input / output variable of the controlled object is input and an estimated value of the output variable of the controlled object is output by a neural network, and this model is realized. An adaptive control method for a process of adjusting a control parameter of a control device using the same.
数の信号を入力して前記制御対象の入力変数の推定値を
出力する逆システム・モデルをニューラル・ネットワー
クにより実現し、このモデルを用いて、制御装置の制御
パラメータを調整するプロセスの適応制御方法。9. An inverse system model according to claim 1, wherein a signal of the output variable of the controlled object is input and an estimated value of the input variable of the controlled object is output by a neural network, and this model is used. And an adaptive control method of a process for adjusting a control parameter of a control device.
ットワークにより実現した順システム・モデルを用い
て、制御装置のフィード・バック制御系の制御パラメー
タを調整するプロセスの適応制御方法。10. The adaptive control method according to claim 8, wherein a control parameter of a feedback control system of a control device is adjusted using a forward system model realized by the neural network.
ットワークにより実現した順システム・モデルを用い
て、制御装置のフィード・フォワード制御系の制御パラ
メータを調整するプロセスの適応制御方法。11. The adaptive control method according to claim 8, wherein a forward system model realized by the neural network is used to adjust a control parameter of a feed-forward control system of a controller.
ットワークにより実現した逆システム・モデルを用い
て、制御装置のフィード・フォワード制御系の制御パラ
メータを調整するプロセスの適応制御方法。12. The adaptive control method according to claim 9, wherein the inverse system model realized by the neural network is used to adjust the control parameter of the feed-forward control system of the controller.
対象を制御する方法において、前記制御対象の入出力変
数の信号を用いて前記制御対象のモデルをニューラル・
ネットワークにより実現し、このモデルを用いて前記制
御対象の特性変化に適応して前記制御対象を制御するこ
とを特徴とするプロセスの適応制御方法。13. A method of controlling a controlled object so that a controlled variable matches a target value, wherein a signal of an input / output variable of the controlled object is used to neural-model a model of the controlled object.
An adaptive control method for a process, which is realized by a network and which controls the control target by adapting to a characteristic change of the control target using this model.
ネットワークにより実現したモデルと制御装置を組合せ
て前記制御対象を制御するプロセスの適応制御方法。14. The neural network according to claim 13,
An adaptive control method of a process for controlling the controlled object by combining a model realized by a network and a control device.
力変数の信号を入力して前記制御対象の入力変数の推定
値を出力する逆システム・モデルをニューラル・ネット
ワークにより実現し、このモデルを用いてフィード・フ
ォワード制御系を構成すると共に、このフィード・フォ
ワード制御系と制御装置を組合せて前記制御対象を制御
するプロセスの適応制御方法。15. The inverse system model according to claim 14, wherein a signal of the output variable of the controlled object is input and an estimated value of the input variable of the controlled object is output by a neural network, and this model is used. And a feed-forward control system, and an adaptive control method of a process for controlling the controlled object by combining the feed-forward control system and a controller.
ルで実現したフィード・フォワード制御系と制御装置の
フィード・バック制御系を組合せて前記制御対象を制御
するプロセスの適応制御方法。16. An adaptive control method for a process according to claim 15, wherein the control object is controlled by combining a feed forward control system realized by an inverse system model and a feed back control system of a control device.
ルで実現したフィード・フォワード制御系と制御装置の
フィード・バック制御系を組合せて前記制御対象を制御
すると共に、制御性能が定められた基準以下になった場
合、制御装置のフィード・フォワード制御系とフィード
・バック制御系により前記制御対象を制御するプロセス
の適応制御方法。17. The control system according to claim 15, wherein the control target is controlled by combining a feed forward control system realized by an inverse system model and a feed back control system of a control device, and the control performance is below a predetermined standard. When it becomes, the adaptive control method of the process of controlling the controlled object by the feed forward control system and the feed back control system of the control device.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3304490A JPH05143108A (en) | 1991-11-20 | 1991-11-20 | Adaptive control method for process |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3304490A JPH05143108A (en) | 1991-11-20 | 1991-11-20 | Adaptive control method for process |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH05143108A true JPH05143108A (en) | 1993-06-11 |
Family
ID=17933662
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3304490A Pending JPH05143108A (en) | 1991-11-20 | 1991-11-20 | Adaptive control method for process |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH05143108A (en) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004006030A1 (en) * | 2002-07-02 | 2004-01-15 | Yamatake Corporation | Control object model generation method, program thereof, control parameter adjustment method, and program thereof |
| JP2004503001A (en) * | 2000-06-29 | 2004-01-29 | アスペン テクノロジー インコーポレイテッド | Computer apparatus and method for constraining a nonlinear approximator of an empirical process |
| CN103076742A (en) * | 2012-12-26 | 2013-05-01 | 南京博纳能源环保科技有限公司 | Dynamic self-correction control method of reheating smoke temperature of waste heat boiler |
| CN103529848A (en) * | 2013-10-22 | 2014-01-22 | 南京邮电大学 | Coordinated control method for multiple incomplete robots by using disturbing signals |
| CN104635489A (en) * | 2014-12-12 | 2015-05-20 | 浙江大丰实业股份有限公司 | Extensible self-adaptive control method for stage |
| WO2022074734A1 (en) * | 2020-10-06 | 2022-04-14 | 国立大学法人 東京大学 | Control system production equipment, control system production method, and program |
| CN116893614A (en) * | 2023-06-06 | 2023-10-17 | 苏州优世达智能科技有限公司 | Control method of amphibious unmanned ship based on multi-sensor fusion |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS55146505A (en) * | 1979-05-02 | 1980-11-14 | Fuji Electric Co Ltd | Load current control system |
| JPH02299002A (en) * | 1989-05-12 | 1990-12-11 | Toshiba Corp | Adaptive controller |
| JPH0325505A (en) * | 1989-06-22 | 1991-02-04 | Toyo Electric Mfg Co Ltd | Multifunction controller |
| JPH03179502A (en) * | 1989-12-08 | 1991-08-05 | Hitachi Ltd | Adaptive control method |
| JPH03188504A (en) * | 1989-07-31 | 1991-08-16 | Matsushita Electric Ind Co Ltd | Fuzzy controller and fuzzy inference method |
-
1991
- 1991-11-20 JP JP3304490A patent/JPH05143108A/en active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS55146505A (en) * | 1979-05-02 | 1980-11-14 | Fuji Electric Co Ltd | Load current control system |
| JPH02299002A (en) * | 1989-05-12 | 1990-12-11 | Toshiba Corp | Adaptive controller |
| JPH0325505A (en) * | 1989-06-22 | 1991-02-04 | Toyo Electric Mfg Co Ltd | Multifunction controller |
| JPH03188504A (en) * | 1989-07-31 | 1991-08-16 | Matsushita Electric Ind Co Ltd | Fuzzy controller and fuzzy inference method |
| JPH03179502A (en) * | 1989-12-08 | 1991-08-05 | Hitachi Ltd | Adaptive control method |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004503001A (en) * | 2000-06-29 | 2004-01-29 | アスペン テクノロジー インコーポレイテッド | Computer apparatus and method for constraining a nonlinear approximator of an empirical process |
| JP4918207B2 (en) * | 2000-06-29 | 2012-04-18 | アスペン テクノロジー インコーポレイテッド | Computer system and method for constraining nonlinear approximation of empirical processes. |
| US8296107B2 (en) | 2000-06-29 | 2012-10-23 | Aspen Technology, Inc. | Computer method and apparatus for constraining a non-linear approximator of an empirical process |
| WO2004006030A1 (en) * | 2002-07-02 | 2004-01-15 | Yamatake Corporation | Control object model generation method, program thereof, control parameter adjustment method, and program thereof |
| CN100380255C (en) * | 2002-07-02 | 2008-04-09 | 株式会社山武 | Control object model generation method, program thereof, control parameter adjustment method, and program thereof |
| CN103076742A (en) * | 2012-12-26 | 2013-05-01 | 南京博纳能源环保科技有限公司 | Dynamic self-correction control method of reheating smoke temperature of waste heat boiler |
| CN103529848A (en) * | 2013-10-22 | 2014-01-22 | 南京邮电大学 | Coordinated control method for multiple incomplete robots by using disturbing signals |
| CN103529848B (en) * | 2013-10-22 | 2017-02-22 | 南京邮电大学 | Coordinated control method for multiple incomplete robots by using disturbing signals |
| CN104635489A (en) * | 2014-12-12 | 2015-05-20 | 浙江大丰实业股份有限公司 | Extensible self-adaptive control method for stage |
| WO2022074734A1 (en) * | 2020-10-06 | 2022-04-14 | 国立大学法人 東京大学 | Control system production equipment, control system production method, and program |
| CN116893614A (en) * | 2023-06-06 | 2023-10-17 | 苏州优世达智能科技有限公司 | Control method of amphibious unmanned ship based on multi-sensor fusion |
| CN116893614B (en) * | 2023-06-06 | 2023-12-15 | 苏州优世达智能科技有限公司 | Control method of amphibious unmanned ship based on multi-sensor fusion |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5311421A (en) | Process control method and system for performing control of a controlled system by use of a neural network | |
| Beaufays et al. | Application of neural networks to load-frequency control in power systems | |
| Venayagamoorthy et al. | Comparison of heuristic dynamic programming and dual heuristic programming adaptive critics for neurocontrol of a turbogenerator | |
| US6055524A (en) | Model-free adaptive process control | |
| JPH03164804A (en) | Process control system and power plant process control system | |
| Malhotra et al. | Boiler flow control using PID and fuzzy logic controller | |
| JPH05143108A (en) | Adaptive control method for process | |
| JP3012716B2 (en) | Process control method and its control device | |
| Burgasi et al. | Fuzzy and PID controllers performance analysis for a combined-cycle thermal power plant | |
| JPH03179502A (en) | Adaptive control method | |
| Salim et al. | Comparison between PID and artificial neural networks to control of boiler for steam power plant | |
| JPH08339204A (en) | Autonomous adaptive optimization control system for thermal power station | |
| JPH07210208A (en) | Autotuning method for thermal power plant and thermal power plant controller utilizing the same | |
| JPH06102905A (en) | Feed forward/feedback controller | |
| CN113885326B (en) | Closed loop system identification method based on set value effective excitation by considering feedforward | |
| JPH11242503A (en) | Plant operation control support system | |
| JPS5815703A (en) | Method of controlling plant | |
| Geng et al. | Application of a neural-network-based RLS algorithm in the generalized predictive control of a nonlinear air-handling plant | |
| Yang et al. | PID controller based on the artificial neural network | |
| JP2862308B2 (en) | Controller adjustment method and adjustment system | |
| CN117170248A (en) | Closed loop system identification method considering feedforward control based on disturbance input | |
| Thakur | A Comparative Study of PID Controller and Artificial Neural Network for Load Frequency Control in Hydro Power Plant | |
| Kim | Intelligent 2-DOF PID control for thermal power plant using immune based multiobjective | |
| JP3243870B2 (en) | Learning control method | |
| JPH08303210A (en) | Autonomous adaptive optimizing control system for thermal power plant |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |