JPH0677215B2 - プロセスの同定方法 - Google Patents
プロセスの同定方法Info
- Publication number
- JPH0677215B2 JPH0677215B2 JP62171054A JP17105487A JPH0677215B2 JP H0677215 B2 JPH0677215 B2 JP H0677215B2 JP 62171054 A JP62171054 A JP 62171054A JP 17105487 A JP17105487 A JP 17105487A JP H0677215 B2 JPH0677215 B2 JP H0677215B2
- Authority
- JP
- Japan
- Prior art keywords
- model
- process model
- probability
- models
- parameter
- 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.)
- Expired - Lifetime
Links
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
Description
【発明の詳細な説明】 [産業上の利用分野] 本発明はプロセスの同定方法に関し、特に、化学反応の
過程で重要なアレーニウス(Arrhenius)の式を含む化
学反応器などのような非線形性の大きいプロセスを、運
転時のデータにもとづいて同定する方法に関する。
過程で重要なアレーニウス(Arrhenius)の式を含む化
学反応器などのような非線形性の大きいプロセスを、運
転時のデータにもとづいて同定する方法に関する。
[従来の技術] 石油工業、化学工業あるいは製紙工業等のプロセス工業
においては各種のプラント等の制御をプロセス制御によ
って行なっている。この場合、制御系の構成要素に顕著
な非線形性を有する、所謂非線形性の大きいプロセスに
おいては、プロセスの同定るいはパラメータ推定によっ
てプロセス特性の推定を行ない、このプロセス特性にも
とづいたプロセス制御を行なっていた。
においては各種のプラント等の制御をプロセス制御によ
って行なっている。この場合、制御系の構成要素に顕著
な非線形性を有する、所謂非線形性の大きいプロセスに
おいては、プロセスの同定るいはパラメータ推定によっ
てプロセス特性の推定を行ない、このプロセス特性にも
とづいたプロセス制御を行なっていた。
従来、非線形性の大きいプロセスの同定あるいはパラメ
ータ推定を行なう方法としては、非線形モデルを線形化
し、拡張カルマンフィルタ法によってパラメータを推定
すする方法や、理論プロセス・モデルにおける複数のパ
ラメータのうち、いくつかのパラメータを固定しておい
て他のパラメータを推定する方などが採用されていた。
ータ推定を行なう方法としては、非線形モデルを線形化
し、拡張カルマンフィルタ法によってパラメータを推定
すする方法や、理論プロセス・モデルにおける複数のパ
ラメータのうち、いくつかのパラメータを固定しておい
て他のパラメータを推定する方などが採用されていた。
[解決すべき問題点] 上述した従来の方法のうち、拡張カルマンフィルタ法を
用いる方法は、非線形モデルを線形化する際の誤差が大
きく、実際のプロセスに適用するのは困難であった。ま
た、理論プロセス・モデルにおける複数のパラメータの
うち、いくつかのパラメータを固定しておいて他のパラ
メータを推定する方法は、それぞれのパラメータを対応
させて決定することが困難であり、この方法も実際のプ
ロセスに適用することは難しかった。
用いる方法は、非線形モデルを線形化する際の誤差が大
きく、実際のプロセスに適用するのは困難であった。ま
た、理論プロセス・モデルにおける複数のパラメータの
うち、いくつかのパラメータを固定しておいて他のパラ
メータを推定する方法は、それぞれのパラメータを対応
させて決定することが困難であり、この方法も実際のプ
ロセスに適用することは難しかった。
本発明は上記の問題点にかんがみてなされたもので、予
め数種類のプロセス・モデルを設定しておき、実際のプ
ロセスデータにもとづいてこれら数種類のプロセス・モ
デルのなかから最も実際のプロセスに適合したプロセス
・モデルを選択し、このプロセス・モデルを用いてプロ
セスの同定を行なうことにより、プロセス変動に適応し
た最適なプロセス制御を可能ならしめるプロセスの同定
方法の提供を目的とする。
め数種類のプロセス・モデルを設定しておき、実際のプ
ロセスデータにもとづいてこれら数種類のプロセス・モ
デルのなかから最も実際のプロセスに適合したプロセス
・モデルを選択し、このプロセス・モデルを用いてプロ
セスの同定を行なうことにより、プロセス変動に適応し
た最適なプロセス制御を可能ならしめるプロセスの同定
方法の提供を目的とする。
[問題点の解決手段] 本発明のプロセスの同定方法は、上記目的を達成するた
め、複数のプロセス・モデルを設定し、これらプロセス
・モデルにおけるパラメータの推定値を非線形最適化手
法により求め、次いで、上記パラメータの推定値からの
分散および観測値にもとづいて確率密度関数を求め、こ
の確率密度関数をベイズの定理に代入してプロセス・モ
デルの事後確率を求め、上記複数のプロセス・モデルの
うち上記事後確率が最大となるプロセス・モデルを選択
し、この選択したプロセス・モデルを最適プロセス・モ
デルとしてプロセスの同定を行なう方法としてある。
め、複数のプロセス・モデルを設定し、これらプロセス
・モデルにおけるパラメータの推定値を非線形最適化手
法により求め、次いで、上記パラメータの推定値からの
分散および観測値にもとづいて確率密度関数を求め、こ
の確率密度関数をベイズの定理に代入してプロセス・モ
デルの事後確率を求め、上記複数のプロセス・モデルの
うち上記事後確率が最大となるプロセス・モデルを選択
し、この選択したプロセス・モデルを最適プロセス・モ
デルとしてプロセスの同定を行なう方法としてある。
なお、プロセスの同定方法に関する発明として特開昭58
−163003号,同60−150109号に示す発明があるが、これ
らの発明には、予め複数のプロセス・モデルを設定して
おき、これらプロセス・モデルの事後確率をそれぞれ求
め、事後確率が最大となるプロセス・モデルを最適プロ
セス・モデルとするプロセスの同定方法については具体
的な説明がされていない。
−163003号,同60−150109号に示す発明があるが、これ
らの発明には、予め複数のプロセス・モデルを設定して
おき、これらプロセス・モデルの事後確率をそれぞれ求
め、事後確率が最大となるプロセス・モデルを最適プロ
セス・モデルとするプロセスの同定方法については具体
的な説明がされていない。
[実施例] 以下、本発明の実施例について図面を参照して説明す
る。
る。
第1図は、制御系の構成要素に顕著な非線形性を有する
プロセスの一種である反応器のプロセスフローチャート
であり、ヘプタン(C7H16)を原料としトルエン(C
7H18)を製品として取り出す場合の反応例を示してい
る。
プロセスの一種である反応器のプロセスフローチャート
であり、ヘプタン(C7H16)を原料としトルエン(C
7H18)を製品として取り出す場合の反応例を示してい
る。
第2図は、この反応器をプロセスとして、プロセスの同
定を行なうときのブロック図を示している。同図におい
て、1はプロセス、2はプロセス1の入出力データをN
個サンプリングするデータサンプリング部、↑はパラメ
ータの決定部であり、予め設定した複数のプロセス・モ
デルにおけるパラメータを非線形最適化手法により求め
る。4は事後確率演算部であり、パラメータ決定部3で
求められたパラメータ推定値からの分散、および観測値
にもとづいて確率密度関数を求め、この確率密度関数を
ベイズの定理に代入して演算し、プロセス・モデルの事
後確率を求める。
定を行なうときのブロック図を示している。同図におい
て、1はプロセス、2はプロセス1の入出力データをN
個サンプリングするデータサンプリング部、↑はパラメ
ータの決定部であり、予め設定した複数のプロセス・モ
デルにおけるパラメータを非線形最適化手法により求め
る。4は事後確率演算部であり、パラメータ決定部3で
求められたパラメータ推定値からの分散、および観測値
にもとづいて確率密度関数を求め、この確率密度関数を
ベイズの定理に代入して演算し、プロセス・モデルの事
後確率を求める。
次に、本実施例におけるプロセスの同定方法を、第3図
に示すフローチャートを参照して説明する。
に示すフローチャートを参照して説明する。
非線形プロセス・モデルをM種類設定する(31
0)。
0)。
反応器における熱収支と物質収支からプロセス・モデル
を設定する。
を設定する。
(1)プロセス・モデル1 X1(k):反応温度 X2(k):トルエン出口濃度 X3(k):水素出口濃度 X4(k):ヘプタン出口濃度 イ.熱収支 dx1/dt=q/v・{Ti−x1(t)} −〔△H/ρCp〕・k(x1)x4 +〔Ah/ρCpv)・(Th−x1) ……… ロ.物質収支 dx2/dt=−〔q/v〕・x2(t) +k(x1)・x4(t) ……… dl3/dt=−〔q/v〕・x3(t) +4k(x1)・x4(t) ……… dx4/dt=−〔q/v〕・(x4)(t) −k(x1)・x4(t) +〔q/v〕・d1(t) ……… このプロセス・モデルにおける未知パラメータは、θ1
(熱伝達係数h),θ2(頻度因子k0),θ3(ヘプタ
ン入口濃度d1)である。
(熱伝達係数h),θ2(頻度因子k0),θ3(ヘプタ
ン入口濃度d1)である。
ここで、 Ti:原料の入口温度 Th:熱媒入口温度 T:出口温度 A:伝熱面積 h:熱伝達係数 x1:反応温度 x2:トルエン出口温度 x3:水素出口濃度 x4:ヘプタン出口濃度 x5:熱媒出口温度 F:熱媒流量 WJ:熱媒保有量 CpJ:熱媒比熱 p:内部流体平均密度 Cp:内部流体平均比熱 k(x):反応速度定数 k(x1)=k0 e- E/Rx 1 k0:頻度因子 d1:原料入口濃度 v:反応器の容積 q:原料の供給流量 である。
上記の微分方程式,,,を の形で書くと次のようになる。
とおくと(θ1=h,θ2=k0,θ3=d1) 差分方程式は で表わさされる。
(△t:刻み時間) (2)プロセス・モデル2 イ.熱収支 ロ.物質収支 dx2/dt=−〔q/v)・2(t) +k(x1)・x4(t) ………… dx3/dt=−〔q/v)・x3(t) +4k(x1)・x4(t) ……… dx4/dt=−〔q/v〕・(x4)(t) −k(x1)・x4(t) +〔q/v〕・d1(t) ……… プロセス・モデル1とプロセス・モデル2との相違点
は、プロセス・モデル2で熱媒の出口温度x5を考慮して
いる点である。
は、プロセス・モデル2で熱媒の出口温度x5を考慮して
いる点である。
上記の微分方程式,,,,を で書くと次のようになる。
とおくと(θ1=h,θ2=k3,θ3=d1) (3)プロセス・モデル3〜モデルMを同様にして設定
する。
する。
最尤推定法および非線形最適化手段により、各プロ
セス・モデルのパラメータを同定する(320)。
セス・モデルのパラメータを同定する(320)。
(1)最尤推定法 イ.プロセスの応答出力の観測値とプロセス・モデルに
おける推定値との誤差の2乗の和を尤度関数として定め
る。
おける推定値との誤差の2乗の和を尤度関数として定め
る。
尤度関数 (W:観測値の分散、logM:定数) L(θ)がθの変化に対して最大になればそのときのθ
が最も良い値となる。
が最も良い値となる。
したがって、評価関数 を最小とするθを求めるパラメータである。
ロ.プロセス・モデルの差分方程式の偏導関数を求める 非線形最適化手法により、評価関数 を最小にするパラメータ を求める(330)。
非線形最適化手法として、本発明ではフレッチャー・パ
ウエル法を用いる。ここで、フレッチャー・パウエル法
とは、いくつかの変数からなる関数の極小値を見い出す
方法であり、この方法の中心をなすのは、対称正値行列
H<i>と、動きの方向を決めるベクトルS<i>であ
る。
ウエル法を用いる。ここで、フレッチャー・パウエル法
とは、いくつかの変数からなる関数の極小値を見い出す
方法であり、この方法の中心をなすのは、対称正値行列
H<i>と、動きの方向を決めるベクトルS<i>であ
る。
イ.パラメータ と、対称正値行列Hに初期値を与える。
i=0,H=〔II〕 ロ.非線形プロセス・モデルの百算を行なう。
における評価関数 と、偏導関数l<i>を計算して求める。
ハ.パラメータ を修正する方向と大きさを求める。
o方向 S<i>=−H<i>・l<i> o一次元最小化によよってαの関数 を極小とする、最も小さい非負のα=α<i>を求め
る。
る。
ニ.修正量σとパラメータ を求める。
ホ・非線形プロセス・モデルの計算を行なう。
における評価関数 と、偏導関数l<i+1 >を計算して求める。
ヘ.評価関数 が収束したか否かを判断する。
ε1,ε2を許容誤差,nを変数の個数ととして、 により収束したかどうか調べる。条件を満足すれば計算
を終了する。
を終了する。
これにより、差分方程式モデルおけるパラメータ が決定され、プロセスの同定が終了する。
ト・一方、条件を満足しない場合、すなわち、評価関数 が収束しない場合には、次のステップへ進み、修正用の
行列A,B,Hを求める。
行列A,B,Hを求める。
oJ<i>=(l<i+1 >−l<i>) o行列 A<i>=σ<i>・σT <i> <i>σ・J<i> B<i>=H<i>・J<i>・JT <i>・H<i>
/JT <i>・H<i>・J<i> T:転置行列 oH<i+1 >=H<i>++A<i>+B<i> oi=i+1として、再度、評価関数 と偏導関数l<i>を求め、上記手順を繰り返す。
/JT <i>・H<i>・J<i> T:転置行列 oH<i+1 >=H<i>++A<i>+B<i> oi=i+1として、再度、評価関数 と偏導関数l<i>を求め、上記手順を繰り返す。
上記で求めた各プロセス・モデルのパラメータの
平均値を求める(40)。
平均値を求める(40)。
平均値 (M:プロセス・モデル数) パラメータ の分散Λiを求める(350)。
とすると *ここでのiはi番目のモデルを示す。
右辺は のベクトルを表わす。
各プロセス・モデルの事後確率を求める。
イ.パラメータを固定して推定を求める(361)。
を計算する。
ロ.観測雑音を含めた分散を求める(362)。
oパラメータが の場合の偏微係数(Ci T) o観測雑音を含めた分散(Q1) Qi=R+Ci TΛi -1Ci(R:観測雑音) ハ.プロセス・モデル がモデルi(i番目のモデル)である確率を求める(36
3)。
3)。
kが1から(k−1)時点までの観測値の集合をYk−1
とするとkがk−1までの全データで の値がモデルiに等しい確率は となり、正規分布の確率密度関数となる。
とするとkがk−1までの全データで の値がモデルiに等しい確率は となり、正規分布の確率密度関数となる。
ニ.全確率を求める(364)。
全確率すなわちkが1から(k−1)時点までのデータ
により を表現できる確率は、 (M:モデル数) 右辺のΠ(i|Yk -1)はkが1から(k−1)時点まで
のデータで最適モデルがiである確率を示す。
により を表現できる確率は、 (M:モデル数) 右辺のΠ(i|Yk -1)はkが1から(k−1)時点まで
のデータで最適モデルがiである確率を示す。
同じく右辺の は上記で求めた の値がモデルiに等しい確率である。
ホ.kの時点で、最適モデルがiである事後確率を求める
(365)。
(365)。
事後確率は、ベイズの定理により次式で表わされる。
は、プロセス・モデル がモデルiである確率である(上記)。
は全確率(上記)である。
ここで対象システムと同じ構造をもつプロセス・モデル
をi、他のプロセス・モデルをjとすれば、確率の条件
より、データの増加に伴ない次式が成り立。
をi、他のプロセス・モデルをjとすれば、確率の条件
より、データの増加に伴ない次式が成り立。
よって、上記の計算をデータ数N個分だけ行なって評価
する。
する。
事後確率が最大(1に最もい値)になるプロセス・モデ
ルが最適プロセス・モデルとなる。
ルが最適プロセス・モデルとなる。
このように、本発明によれば、同定した最適プロセス・
モデルから予測値を計算して予測制御を行なうことがで
きるとともに、同定したパラメータの変化からプロセス
の異常を早期に診断することができる。
モデルから予測値を計算して予測制御を行なうことがで
きるとともに、同定したパラメータの変化からプロセス
の異常を早期に診断することができる。
[発明の効果] 以上のように本発明によれば、最適なプロセス・モデル
を決定することができるので、従来十分な制御を行なこ
とのできなかった非線形性の大きいプロセスの最適制御
を可能ならしめるとともに、パラメータの推定精度を高
めることができるので、常にプロセスの変動に適応した
制御を可能ならしめる効果がある。
を決定することができるので、従来十分な制御を行なこ
とのできなかった非線形性の大きいプロセスの最適制御
を可能ならしめるとともに、パラメータの推定精度を高
めることができるので、常にプロセスの変動に適応した
制御を可能ならしめる効果がある。
第1図は反応器のプロセスフローチャートを示し、第2
図は第1図の反応器をプロセスとしてプロセスの同定を
行なう場合のブロック図、第3図は本発明実施例方法を
説明するためのフローチャートを示す。 1:プロセス、3:パラメータ決定部 4:事後確率演算部
図は第1図の反応器をプロセスとしてプロセスの同定を
行なう場合のブロック図、第3図は本発明実施例方法を
説明するためのフローチャートを示す。 1:プロセス、3:パラメータ決定部 4:事後確率演算部
Claims (1)
- 【請求項1】複数のプロセス・モデルを設定し、これら
プロセス・モデルにおけるパラメータの推定値を非線形
最適化手法により求め、次いで、上記パラメータの推定
値からの分散および観測値にもとづいて確率密度関数を
求め、この確率密度関数をベイズの定理に代入してプロ
セス・モデルの事後確率を求め、上記複数のプロセス・
モデルのうち上記事後確率が最大となるプロセス・モデ
ルを選択し、この選択したプロセス・モデルを最適プロ
セス・モデルとしてプロセスの同定を行なうことを特徴
としプロセスの同定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP62171054A JPH0677215B2 (ja) | 1987-07-10 | 1987-07-10 | プロセスの同定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP62171054A JPH0677215B2 (ja) | 1987-07-10 | 1987-07-10 | プロセスの同定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPS6415808A JPS6415808A (en) | 1989-01-19 |
JPH0677215B2 true JPH0677215B2 (ja) | 1994-09-28 |
Family
ID=15916220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP62171054A Expired - Lifetime JPH0677215B2 (ja) | 1987-07-10 | 1987-07-10 | プロセスの同定方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH0677215B2 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3432612B2 (ja) * | 1994-09-30 | 2003-08-04 | バブコック日立株式会社 | プラントの運転制御装置 |
US7146231B2 (en) * | 2002-10-22 | 2006-12-05 | Fisher-Rosemount Systems, Inc.. | Smart process modules and objects in process plants |
JP5520036B2 (ja) | 2009-07-16 | 2014-06-11 | 株式会社ミツトヨ | 光学式変位計 |
JP6862841B2 (ja) * | 2017-01-17 | 2021-04-21 | 富士通株式会社 | 処理装置、調整パラメータの予測モデル推定方法、及び調整パラメータの予測モデル推定プログラム |
JP7048216B2 (ja) * | 2017-03-29 | 2022-04-05 | 三菱重工業株式会社 | 情報処理装置、情報処理方法およびプログラム |
-
1987
- 1987-07-10 JP JP62171054A patent/JPH0677215B2/ja not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
JPS6415808A (en) | 1989-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107765347B (zh) | 一种高斯过程回归和粒子滤波的短期风速预测方法 | |
US5991525A (en) | Method for real-time nonlinear system state estimation and control | |
US8095227B2 (en) | Apparatuses, systems, and methods utilizing adaptive control | |
EP3380948B1 (en) | Environmental monitoring systems, methods and media | |
CN112818595A (zh) | 一种火电厂蒸发区的数字孪生模型数据的修正方法及*** | |
CN110957011B (zh) | 连续搅拌反应器在未知时变测量噪声下的在线生产参数估计方法 | |
JP2009276967A (ja) | 外れ値検出方法、外れ値検出装置およびプログラム | |
JPH0677215B2 (ja) | プロセスの同定方法 | |
CN115591493A (zh) | 一种反应釜温度控制方法 | |
CN114567288B (zh) | 基于变分贝叶斯的分布协同非线性***状态估计方法 | |
Döppel et al. | Efficient neural network models of chemical kinetics using a latent asinh rate transformation | |
Imtiaz et al. | Estimation of states of nonlinear systems using a particle filter | |
CN109960146A (zh) | 提高软测量仪表模型预测精度的方法 | |
CN110751173B (zh) | 基于深度学习支持向量机的临界热流密度预测方法 | |
CN115631804A (zh) | 基于数据协调的蒸发过程铝酸钠溶液出口浓度预测方法 | |
CN112729675B (zh) | 基于维纳非线性模型的压力传感器标定装置温度建模方法 | |
CN114662056A (zh) | 镀膜厚度控制方法、装置和存储介质 | |
CN114925529A (zh) | 凝汽器数字孪生模型的状态校正方法、***、设备及介质 | |
Zhou et al. | Stochastic calibration of automated vehicle car-following control: An approximate Bayesian computation approach | |
US6643554B2 (en) | Method and apparatus for adaptive control of marginally stable systems | |
JPH083743B2 (ja) | 反応器におけるプロセス・パラメータの同定方法 | |
CN116088307B (zh) | 基于误差触发自适应稀疏辨识的多工况工业过程预测控制方法、装置、设备及介质 | |
JPH07230449A (ja) | データ予測装置 | |
JP3016346B2 (ja) | 物理量の予測システム | |
JP2001188602A (ja) | 排気ガス制御システム |