JPH05324007A - プロセス制御装置 - Google Patents
プロセス制御装置Info
- Publication number
- JPH05324007A JPH05324007A JP12454392A JP12454392A JPH05324007A JP H05324007 A JPH05324007 A JP H05324007A JP 12454392 A JP12454392 A JP 12454392A JP 12454392 A JP12454392 A JP 12454392A JP H05324007 A JPH05324007 A JP H05324007A
- Authority
- JP
- Japan
- Prior art keywords
- value
- learning
- neural network
- output
- state
- 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
(57)【要約】
【目的】非線形の制御対象に対し、対象の厳密な表現を
必要とせずシステムの各状態ごとの線形化モデルを利用
し、所望の時間応答を得ることのできるプロセス制御装
置の実現。 【構成】制御対象の入出力特性を同定する同定器と、制
御対象の状態と前記同定器の同定結果の特性値の関係お
よび状態と平衡操作量の関係をそれぞれ学習するニュー
ラルネットワークと、このニューラルネットワークの学
習やデータの管理を行う学習管理部から構成された同定
学習部と、制御対象からの出力値および状態より、線形
化モデルを想起しインパルス応答モデルを求め、次に学
習管理部に蓄えられた過去の入力データと予測誤差より
将来の出力値を予測し、そして予測された操作量と現在
および将来の設定値に基づいて目標軌道を決定し、その
目標軌道に一致するような操作量を求めて出力する制御
演算部を備える。
必要とせずシステムの各状態ごとの線形化モデルを利用
し、所望の時間応答を得ることのできるプロセス制御装
置の実現。 【構成】制御対象の入出力特性を同定する同定器と、制
御対象の状態と前記同定器の同定結果の特性値の関係お
よび状態と平衡操作量の関係をそれぞれ学習するニュー
ラルネットワークと、このニューラルネットワークの学
習やデータの管理を行う学習管理部から構成された同定
学習部と、制御対象からの出力値および状態より、線形
化モデルを想起しインパルス応答モデルを求め、次に学
習管理部に蓄えられた過去の入力データと予測誤差より
将来の出力値を予測し、そして予測された操作量と現在
および将来の設定値に基づいて目標軌道を決定し、その
目標軌道に一致するような操作量を求めて出力する制御
演算部を備える。
Description
【0001】
【産業上の利用分野】本発明は、動作点や環境条件によ
って特性が変動する制御対象に対する操作量をオンライ
ンで自動調整するプロセス制御装置等に関し、詳しくは
非線形の制御対象に対し所望の時間応答が得られる制御
系の改善に関するものである。
って特性が変動する制御対象に対する操作量をオンライ
ンで自動調整するプロセス制御装置等に関し、詳しくは
非線形の制御対象に対し所望の時間応答が得られる制御
系の改善に関するものである。
【0002】
【従来の技術】プロセス制御装置に適用される、制御対
象の非線形性を考慮した制御法として、システムが厳密
に表現できるような場合には幾何学的な手法があり、そ
の手法もよく知られている。
象の非線形性を考慮した制御法として、システムが厳密
に表現できるような場合には幾何学的な手法があり、そ
の手法もよく知られている。
【0003】
【発明が解決しようとする課題】しかしながら、このよ
うな幾何学的な手法は一般に厳密な表現を得ることが困
難であり、より簡単に利用できるシステムが求められて
いる。なおシステムの厳密な表現が得られない場合に
は、ゲインスケジューリング制御やファジー制御などが
利用されるが、これらは定量的な考慮が少なく、所望の
時間応答を得ることは一般に困難である。他方、制御対
象に対し所望の時間応答を得ようとする制御手法とし
て、モデルマッチング制御法やモデル予測制御法があ
る。しかし、これらの制御法は線形の制御対象に対する
手法であって、非線形の制御対象に対して利用すること
はできないという問題があった。本発明の目的は、この
ような点に鑑みてなされたもので、非線形の制御対象に
対し、対象の厳密な表現を必要とせずシステムの各状態
ごとの線形化モデルを利用し、所望の時間応答を得るこ
とのできるプロセス制御装置を提供することにある。
うな幾何学的な手法は一般に厳密な表現を得ることが困
難であり、より簡単に利用できるシステムが求められて
いる。なおシステムの厳密な表現が得られない場合に
は、ゲインスケジューリング制御やファジー制御などが
利用されるが、これらは定量的な考慮が少なく、所望の
時間応答を得ることは一般に困難である。他方、制御対
象に対し所望の時間応答を得ようとする制御手法とし
て、モデルマッチング制御法やモデル予測制御法があ
る。しかし、これらの制御法は線形の制御対象に対する
手法であって、非線形の制御対象に対して利用すること
はできないという問題があった。本発明の目的は、この
ような点に鑑みてなされたもので、非線形の制御対象に
対し、対象の厳密な表現を必要とせずシステムの各状態
ごとの線形化モデルを利用し、所望の時間応答を得るこ
とのできるプロセス制御装置を提供することにある。
【0004】
【課題を解決するための手段】このような目的を達成す
るために、本発明では、制御対象の入出力特性を同定す
る同定器と、制御対象の状態と前記同定器の同定結果の
特性値の関係および状態と平衡操作量の関係をそれぞれ
学習するニューラルネットワークと、このニューラルネ
ットワークの学習やデータの管理を行う学習管理部から
構成された同定学習部と、制御対象からの出力値および
状態より、線形化モデルを想起しインパルス応答モデル
を求め、次に学習管理部に蓄えられた過去の入力データ
と予測誤差より将来の出力値を予測し、そして予測され
た将来の出力値と現在および将来の設定値に基づいて目
標軌道を決定し、その目標軌道に一致するような操作量
を求めて出力する制御演算部を備えたことを特徴とす
る。
るために、本発明では、制御対象の入出力特性を同定す
る同定器と、制御対象の状態と前記同定器の同定結果の
特性値の関係および状態と平衡操作量の関係をそれぞれ
学習するニューラルネットワークと、このニューラルネ
ットワークの学習やデータの管理を行う学習管理部から
構成された同定学習部と、制御対象からの出力値および
状態より、線形化モデルを想起しインパルス応答モデル
を求め、次に学習管理部に蓄えられた過去の入力データ
と予測誤差より将来の出力値を予測し、そして予測され
た将来の出力値と現在および将来の設定値に基づいて目
標軌道を決定し、その目標軌道に一致するような操作量
を求めて出力する制御演算部を備えたことを特徴とす
る。
【0005】
【作用】同定学習部の学習管理部では同定と学習のため
のデータを保持管理する。同定と学習は毎サンプルご
と、あるいは数サンプルごとに行ない、プロセスの過去
から現在までの入出力測定データを数サンプル蓄える。
同定器では同定モデルのパラメータを求める。ニューラ
ルネットワーク部ではプロセス動特性データのセットが
増えるたびにそれまで蓄えられた全教師データのセット
を繰り返し提示して学習するいわゆる学習動作と、毎サ
ンプルまたは数サンプルごとにパラメータを出力するい
わゆる想起動作を行なう。制御演算部では、制御対象の
現在の出力値および状態より、線形化モデルを想起しイ
ンパルス応答モデルを求める。次に、学習管理部に蓄え
られた過去の入力データと予測誤差より将来の出力値を
予測し、続いて予測された将来の出力値と現在および将
来の設定値を基に目標軌道を決定し、その目標軌道に一
致するよう評価関数を設定して最終的な操作量を決定す
る。
のデータを保持管理する。同定と学習は毎サンプルご
と、あるいは数サンプルごとに行ない、プロセスの過去
から現在までの入出力測定データを数サンプル蓄える。
同定器では同定モデルのパラメータを求める。ニューラ
ルネットワーク部ではプロセス動特性データのセットが
増えるたびにそれまで蓄えられた全教師データのセット
を繰り返し提示して学習するいわゆる学習動作と、毎サ
ンプルまたは数サンプルごとにパラメータを出力するい
わゆる想起動作を行なう。制御演算部では、制御対象の
現在の出力値および状態より、線形化モデルを想起しイ
ンパルス応答モデルを求める。次に、学習管理部に蓄え
られた過去の入力データと予測誤差より将来の出力値を
予測し、続いて予測された将来の出力値と現在および将
来の設定値を基に目標軌道を決定し、その目標軌道に一
致するよう評価関数を設定して最終的な操作量を決定す
る。
【0006】
【実施例】以下本発明を詳細に説明する。図1は本発明
に係るプロセス制御装置の一実施例を示す構成図であ
る。図において、10は制御対象であるプロセス、20
は同定学習部、30は制御演算部である。
に係るプロセス制御装置の一実施例を示す構成図であ
る。図において、10は制御対象であるプロセス、20
は同定学習部、30は制御演算部である。
【0007】同定学習部20は、ニューラルネットワー
ク21、学習管理部22、同定器23からなる。ニュー
ラルネットワーク21は、ある状態値xi (動作点およ
びプロセス特性を支配する環境条件を含む)近傍で同定
されたプロセスパラメータの値をその状態値から想起す
るよう学習する。なお、同定モデルとしてむだ時間を合
わせた一次遅れを考えると、この場合のプロセスパラメ
ータは時定数Ti 、ゲインKi 、むだ時間Li である。
ニューラルネットワーク21はまた、状態値とその時の
目標値に対する出力追従時の操作量ui の関係を学習
し、その状態値から操作量を想起するよう働く。学習管
理部22は、入出力データおよび状態値を保持し、同定
器23とデータの授受を行い、同定成功時はニューラル
ネットワーク21にその同定データとその時の状態値を
渡す。また、学習管理部22は状態や目標値の変化によ
り、動特性が変化した後出力追従を確認し、その時の操
作量をニューラルネットワーク21に渡す。
ク21、学習管理部22、同定器23からなる。ニュー
ラルネットワーク21は、ある状態値xi (動作点およ
びプロセス特性を支配する環境条件を含む)近傍で同定
されたプロセスパラメータの値をその状態値から想起す
るよう学習する。なお、同定モデルとしてむだ時間を合
わせた一次遅れを考えると、この場合のプロセスパラメ
ータは時定数Ti 、ゲインKi 、むだ時間Li である。
ニューラルネットワーク21はまた、状態値とその時の
目標値に対する出力追従時の操作量ui の関係を学習
し、その状態値から操作量を想起するよう働く。学習管
理部22は、入出力データおよび状態値を保持し、同定
器23とデータの授受を行い、同定成功時はニューラル
ネットワーク21にその同定データとその時の状態値を
渡す。また、学習管理部22は状態や目標値の変化によ
り、動特性が変化した後出力追従を確認し、その時の操
作量をニューラルネットワーク21に渡す。
【0008】制御演算部30は、出力予測部、目標軌道
生成部、操作量演算部を有する。 出力予測部は、現在の出力y0 および状態x0 より、
ニューラルネットワーク21で対応する線形化モデル
(一次遅れ、むだ時間要素、ゲイン、平衡入力のそれぞ
れをK0 ,T0 ,L0 ,u0 と表わす)を想起する。こ
れらより、インパルス応答モデル
生成部、操作量演算部を有する。 出力予測部は、現在の出力y0 および状態x0 より、
ニューラルネットワーク21で対応する線形化モデル
(一次遅れ、むだ時間要素、ゲイン、平衡入力のそれぞ
れをK0 ,T0 ,L0 ,u0 と表わす)を想起する。こ
れらより、インパルス応答モデル
【数1】 を求める。次に学習管理部22で蓄えられた過去の入力
データu(k-i)と予測誤差
データu(k-i)と予測誤差
【数2】 より、出力
【数3】 を予測する。ただし、予測区間p、制御区間m、誤差補
正パラメータβを表わし、現在時刻はkである。
正パラメータβを表わし、現在時刻はkである。
【数4】
【0009】目標軌道生成部は、現在および将来の設
定値yd (k+L0 ) と出力予測部で予測された出力より
予め定められたアルゴリズムで出力を漸近させる目標値
r(k +L0 +i)(ただし、0<i≦p)を決定す
る。ただし、αは参照軌道パラメータである。
定値yd (k+L0 ) と出力予測部で予測された出力より
予め定められたアルゴリズムで出力を漸近させる目標値
r(k +L0 +i)(ただし、0<i≦p)を決定す
る。ただし、αは参照軌道パラメータである。
【数5】 制御演算部は、目標軌道上に出力を一致させるように
評価関数Jを設定し、操作量を決定する。また、動時に
操作量の上下限umin ≦u(t) ≦umax および操作量の
差分量の上下限|Δu|<cを制約条件に線形計画問題
を解く。このために、軌道上の状態量xi 、出力 r(k
+L0 +i)から想起される線系モデルKi ,Ti ,L
i ,ui を用いてインパルス応答モデル
評価関数Jを設定し、操作量を決定する。また、動時に
操作量の上下限umin ≦u(t) ≦umax および操作量の
差分量の上下限|Δu|<cを制約条件に線形計画問題
を解く。このために、軌道上の状態量xi 、出力 r(k
+L0 +i)から想起される線系モデルKi ,Ti ,L
i ,ui を用いてインパルス応答モデル
【数6】 を求め、目標軌道に一致させる。ただし、誤差の評価は
出力予測部の値を利用する。
出力予測部の値を利用する。
【数7】 ただし、
【数8】 で、Γi ,Λi は評価荷重である。もし、あらかじめ設
定されていた制御規範J≦JR が満たされない場合には
目標軌道を設定し直す。JR は評価閾値である。なお、
ui (ただし、i=0,・・・,p は)は各状態について一意で
あれば、ニューラルネットワークに学習させ想起する。
そうでない場合には、ある平衡状態の操作量を基準に、
目標軌道に沿った制御対象のゲイン情報をもとに計算す
る。
定されていた制御規範J≦JR が満たされない場合には
目標軌道を設定し直す。JR は評価閾値である。なお、
ui (ただし、i=0,・・・,p は)は各状態について一意で
あれば、ニューラルネットワークに学習させ想起する。
そうでない場合には、ある平衡状態の操作量を基準に、
目標軌道に沿った制御対象のゲイン情報をもとに計算す
る。
【0010】このような構成における制御演算部30の
動作は次の通りである。 (1) パラメータの設定 設定パラメータ予測区間p、制御区間m、目標軌道パラ
メータα、誤差補正パラメータβ、操作量制約条件|Δ
u|<c、操作量の上下限umin ≦u(t) ≦umax 、評
価荷重Γi ,Λi 、評価閾値JR をそれぞれ予め設定し
ておく。 (2) 時刻kにおける処理 kステップにおける制御アルゴリズムはフローを示すと
次の通りである。 現状態よりインパルス応答モデルH0 を求める。 むだ時間後の時刻 k+L0 における出力予測 目標軌道の決定 目標軌道に対応するインパルス応答モデルを求める 評価関数の設定 制約付計画問題を解き、Jの評価を計算 制御規範J≦JR であれば、操作量u(k) を出力し次
のステップへ進む。J>JR であればαを大きくして計
算を繰り返す。
動作は次の通りである。 (1) パラメータの設定 設定パラメータ予測区間p、制御区間m、目標軌道パラ
メータα、誤差補正パラメータβ、操作量制約条件|Δ
u|<c、操作量の上下限umin ≦u(t) ≦umax 、評
価荷重Γi ,Λi 、評価閾値JR をそれぞれ予め設定し
ておく。 (2) 時刻kにおける処理 kステップにおける制御アルゴリズムはフローを示すと
次の通りである。 現状態よりインパルス応答モデルH0 を求める。 むだ時間後の時刻 k+L0 における出力予測 目標軌道の決定 目標軌道に対応するインパルス応答モデルを求める 評価関数の設定 制約付計画問題を解き、Jの評価を計算 制御規範J≦JR であれば、操作量u(k) を出力し次
のステップへ進む。J>JR であればαを大きくして計
算を繰り返す。
【0011】なお、ニューラルネットワークで学習する
線形化モデルとしては、一次遅れ+むだ時間モデルに限
定する必要はなく、ARMAモデルや二次遅れモデルで
もよい。また、出力予測モデルとしては、インパルス応
答モデルを用いたが、ステップ応答モデルを用いてもよ
い。
線形化モデルとしては、一次遅れ+むだ時間モデルに限
定する必要はなく、ARMAモデルや二次遅れモデルで
もよい。また、出力予測モデルとしては、インパルス応
答モデルを用いたが、ステップ応答モデルを用いてもよ
い。
【0012】
【発明の効果】以上説明したように、本発明のプロセス
制御装置によれば、従来の予測制御が線形制御対象を仮
定していたのに対し、本発明では非線形の制御対象を予
測制御する。本発明の予測制御は、非線形の制御対象に
対しその特性の非線形の変化に予め目標軌道上の特性を
利用することにより、所望の出力応答を保証することが
できる。さらにPID制御などでは考慮できない操作量
の上下限および操作量の変化量の上下限量を考慮するこ
とができる。同一の目標値に平衡する操作量は、周囲の
状態が変化することにより異なる。これをニューラルネ
ットワークの学習機能と組合せることにより状況の変
化、さらに対象や装置自身の経時変化にも適応できる高
い制御性能を達成できる。
制御装置によれば、従来の予測制御が線形制御対象を仮
定していたのに対し、本発明では非線形の制御対象を予
測制御する。本発明の予測制御は、非線形の制御対象に
対しその特性の非線形の変化に予め目標軌道上の特性を
利用することにより、所望の出力応答を保証することが
できる。さらにPID制御などでは考慮できない操作量
の上下限および操作量の変化量の上下限量を考慮するこ
とができる。同一の目標値に平衡する操作量は、周囲の
状態が変化することにより異なる。これをニューラルネ
ットワークの学習機能と組合せることにより状況の変
化、さらに対象や装置自身の経時変化にも適応できる高
い制御性能を達成できる。
【図1】本発明に係るプロセス制御装置の一実施例を示
す構成図である。
す構成図である。
10 プロセス 20 学習管理部 21 ニューラルネットワーク 22 学習管理部 23 同定器 30 制御演算部
Claims (1)
- 【請求項1】動作点や環境条件によって特性が変動する
制御対象に対する操作量をオンラインで自動調整するプ
ロセス制御装置であって、 制御対象の入出力特性を同定する同定器と、制御対象の
状態と前記同定器の同定結果の特性値の関係および状態
と平衡操作量の関係をそれぞれ学習するニューラルネッ
トワークと、このニューラルネットワークの学習やデー
タの管理を行う学習管理部から成る同定学習部と、 前記制御対象からの出力値および状態より前記ニューラ
ルネットワークで対応する線形化モデルを想起してイン
パルス応答モデルを求め、次に前記学習管理部で蓄えた
過去の入力データと予測誤差より将来の出力値を予測
し、その予測された将来の出力値と現在および将来の設
定値を基に目標軌道を決定し、その目標軌道に一致する
ような操作量を求めて出力する制御演算部を備えたプロ
セス制御装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP12454392A JPH05324007A (ja) | 1992-05-18 | 1992-05-18 | プロセス制御装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP12454392A JPH05324007A (ja) | 1992-05-18 | 1992-05-18 | プロセス制御装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH05324007A true JPH05324007A (ja) | 1993-12-07 |
Family
ID=14888085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP12454392A Pending JPH05324007A (ja) | 1992-05-18 | 1992-05-18 | プロセス制御装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH05324007A (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002373002A (ja) * | 2001-06-14 | 2002-12-26 | Toshiba Corp | プロセスシミュレータ応用制御装置及び方法 |
JP2006087603A (ja) * | 2004-09-22 | 2006-04-06 | Toshiba Corp | 血糖値データ分析システム、血糖値データ分析プログラムおよび血糖値データ分析方法 |
WO2015037165A1 (ja) * | 2013-09-12 | 2015-03-19 | 日本電気株式会社 | 情報処理装置、予測制御方法及び記録媒体 |
WO2020034092A1 (zh) * | 2018-08-14 | 2020-02-20 | 西门子股份公司 | 过程控制器及其方法和*** |
-
1992
- 1992-05-18 JP JP12454392A patent/JPH05324007A/ja active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002373002A (ja) * | 2001-06-14 | 2002-12-26 | Toshiba Corp | プロセスシミュレータ応用制御装置及び方法 |
JP2006087603A (ja) * | 2004-09-22 | 2006-04-06 | Toshiba Corp | 血糖値データ分析システム、血糖値データ分析プログラムおよび血糖値データ分析方法 |
WO2015037165A1 (ja) * | 2013-09-12 | 2015-03-19 | 日本電気株式会社 | 情報処理装置、予測制御方法及び記録媒体 |
US10048658B2 (en) | 2013-09-12 | 2018-08-14 | Nec Corporation | Information processing device, predictive control method, and recording medium |
WO2020034092A1 (zh) * | 2018-08-14 | 2020-02-20 | 西门子股份公司 | 过程控制器及其方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11574192B2 (en) | Controller training based on historical data | |
CN112286043B (zh) | 基于被控对象阶跃响应特性数据的pid参数整定方法 | |
US5268835A (en) | Process controller for controlling a process to a target state | |
US4791548A (en) | Discrete time control apparatus | |
US4639853A (en) | Time-discrete adaptive switching on-off controller | |
CA2118598C (en) | A closed loop neural network automatic tuner | |
CN112330012B (zh) | 一种基于迁移学习的建筑能耗预测方法及设备 | |
CN113325696B (zh) | 一种应用于交联电缆生产设备的单神经元pid与模型预测结合的混合控制方法 | |
JPH05324007A (ja) | プロセス制御装置 | |
US6597958B1 (en) | Method for measuring the control performance provided by an industrial process control system | |
CN116859839A (zh) | 基于模型训练的工业控制方法和装置 | |
Hu et al. | Predictive fuzzy control applied to the sinter strand process | |
JPH11296204A (ja) | 多変数プロセス制御システム | |
JPH0922402A (ja) | 日最大電力需要量予測方法 | |
CN113655816A (zh) | 钢包底吹氩***流量控制方法及计算机可读存储介质 | |
JPH10117437A (ja) | 日最大電力需要量予測方法 | |
JPH09174128A (ja) | 圧延材の形状制御方法 | |
KR20220025511A (ko) | 스마트 팩토리 에너지 관리 방법 및 장치 | |
JP2775968B2 (ja) | プロセス制御装置 | |
JPH0511805A (ja) | プロセス制御装置 | |
JPH03201008A (ja) | ゲインスケジューリング制御装置 | |
JP7521712B1 (ja) | 制御装置、制御方法、及びプログラム | |
US12050441B2 (en) | Method for controlling a process within a system, particularly a combustion process in a boiler or furnace | |
JPS63163505A (ja) | プロセスの適応制御方法 | |
Blasco et al. | Model Based Predictive control using Genetic algorithms. Application to greenhouses Climate control |