JPH01224804A - Ａｉプロセス監視制御装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔発明の目的〕 （産業上の利用分野） 本発明は学習能力を有する人工知能（ＡＩ：Ａｒｔｉｌ
’１ｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ）技術を用い
てプロセスの監視制御するプロセス監視制御装置に関す
る。

（従来の技術） 従来のＡＩ技術は、ルールと事実に基づく推論について
は、まあまあ適切な段階になってきているが、パターン
認識や学習を扱うとたちまち馬脚をあられしてしまう。

これはルールを通して学習するのはもっばら初心者であ
って、その道のエキスパート（専門家）になるとむしろ
そうしたルールを放棄してしまうという注目すべき事実
がその背景にある。確かに何十万、何百万という大量の
事実を格納し、高速にかつ正確に呼び出すというコンピ
ュータの能力を利用すれば、ルールを使って人間の初心
者ができる以上のことを実行しつる。

しかし、この「ルールと事実」によるアプローチがエキ
スパートの知識や能力をとらえるまでに至っているとは
今までのところとても言えない状態である。

ここに、知識獲得の困難さや、与えられた知識の範囲で
しか現象に対処できないという従来のＡＩシステムの重
大な限界があるる。この欠点はＡＩ技術を多くの工業プ
ロセスプラントの監視制御において、オペレータの決定
支援システムとして応用しようとした場合にも顕著にあ
られれる。

エキスパートに代わって問題解決する従来型のＡＩシス
テムの代表であるエキスパートシステム５０の基本構成
例を第５図に示す。このエキスパートシステム５０は知
識ベース５１、推論機構５２、知識獲得機構５３、知識
ベース管理システム５４、およびインタフェース５５を
有している。

エキスパートのもっている知識は事前にＫＥ（Ｋｎｏｖ
ｌｅｄｇｅ　Ｅｎｇｉｎｅｅｒ）と呼ばれる人達のイン
タビューによって収集され、知識獲得機構５３を介して
知識ベース５１に記憶される。推論機構５２は知識ベー
ス５１に記憶されている知識を利用して推論する。知識
ベース５１と推論機構５２は知識ベース管理システム５
４の管理下におかれている。エキスパートシステム５０
を利用するユーザ、あるいはオペレータによってインタ
フェース５５を介して問題の条件が人力されると、推論
機構５２が動作し、知識ベース５１に記憶されている適
切なルールが選択されて解答がインタフェース５５を介
して出力される。

上記エキスパートシステム５０は、解決する同局によっ
て設計システム、コンサルティングシステム、医療診断
システム、監視システム、修理診断システム、意志決定
システム、制御システムと呼ばれる。

オペレータのプラント監視制御の仕事の中には、プラン
トのスタートアップ、シャットダウン、操業手順の切替
、プロセスの最適化、故障診断、装置不調への対応など
が含まれている。オペレータは、これらの仕事をうまく
遂行するためにプラントの振舞いを経験にもとづいて理
解している。オペレータの決定はしばしば彼らの頭の中
にあるプラントの定性的モデルにもとづいてなされる。

この定性的モデルは、通常経験によって発展するが、厳
密なモデルではなく、必然的にあいまいさを含んでいる
。ところが前述したように、人間が問題を解く能力を模
倣しようとした、従来のＡＩ技術は、すべて解答可能な
問題と結びついた厳密なルールと推論を基礎としており
、人間の直感に相当するようなあいまいな原理というも
のにはまったく基づいていない。そのため、初めての問
題に遭遇した時には、たちまち対処できなくなる。

また、オペレータの決定判断支援のためによくおこなわ
れる伝統的数値シミュレーションは、大量のプロセスデ
ータを用いて、定量的に詳細な多くの情報を与えてくれ
る。しかし、これらの情報は、制限された時間内で判断
し決定しなければならないオペレータにとって抽象的で
役に立ちにくいレベルのものが多い。一方、洞察力のあ
る概念は通常定性的であり、直観的である。熟練したオ
ペレータは、決定する場合に経験によって得られたあい
まいな定性的情報を使う。またエキスパートは、これら
の情報を巧みに使用して、自分の制御アクションや機器
の故障結果の影響を正確に予見することができる。

上述の典型的な例として、紙バルブ生産工程における回
収ボイラ制御がある。この回収ボイラ制御は、多くの外
乱とプロセス変数を含み、プラントの状態の定量的、物
理化学的な把握が極めて困難であって、従来、プロセス
変動に対して最適な状態で運転するために多くの熟練し
たオペレータが長い間の経験にもとづいて運転を行なっ
て対応してきた。紙パルプ生産工程における回収ボイラ
制御装置を第６図に示す。回収ボイラは、二つの主な機
能をもっている。一つは通常のボイラと同様に蒸気を発
生させることであり、もう一つはチップ蒸解工程の薬剤
を回収することである。

回収ボイラの燃料は、黒液６１と称するチップ蒸解工程
の廃液である。この黒液６１中にはチップに含まれてい
た可燃性有機成分と、チップ蒸解に使用した薬剤成分（
ソーダ分）とが含まれている。可燃性有機成分は燃焼さ
れ、その保有熱は蒸気として取り出される。

一方、薬剤成分は、黒液６１巾に芒硝（硫酸ナトリウム
：Ｎａ２Ｓ０４）の形で含まれている。

この薬剤成分の抽出は次のようにして行われる。

黒液６１は真空蒸発缶６２において濃縮され、濃黒液タ
ンク６３に送られる。そして濃縮された黒液６１は芒硝
混合タンク６４において、節炭器７４および電気集塵器
７５を介して回収されるＳＯｘおよびＮＯｘ等と混合さ
れる。混合された黒液６１は黒液ガン６５によって火炉
７ｏ内に噴霧され、燃焼の放射熱により水分を奪われな
がら落下する。すると炉底にチャーベツド６６と称する
半乾燥状態の黒液の堆積物が形成される。このチャーベ
ツド６６は、−次低空気通路ＩＬ、−次高空気通路ＩＨ
，二次低空気通路２Ｌ、および二次高空気通路２Ｈを介
して火炉７０の各段に吹き込まれる空気によって燃焼さ
れる。するとチャーベツド６６は、還元反応によりスメ
ルト（硫化ナトリウム：　Ｎ　ａ　２　Ｓ　）になって
溶融状態で炉底のスパウトから取り出される。取り出さ
れたスメルトはスメルトディゾルバ６７において弱液６
８が添加され、薬剤（緑液）６９が抽出される。

また、チャーベツド６６の燃焼ガス（排ガス）は、過熱
器７２および節炭器においてボイラ給水を加熱した後、
電気集塵器７５を介して煙突から排出される。

回収ボイラの最適燃焼制御を考える上で、通常のボイラ
と異なるのは、まず上述したように主目的が２つあると
いうことである。つまり、単にボイラの熱効率を高くす
るだけでなく同時に薬品の回収率、すなわちスメルト還
元率をも高くしなければならない。しかも、公害が問題
となるＳＯ、Ｎｏ　　、　ＴＲ８（Ｔｏｔａｌ　Ｒｅｄ
ｕｃｔｉｏｎ　５ｕｌｐｈｕｒ）といった排ガス成分を
抑制する必要がある。

回収ボイラ制御には第７図に示したように多数の操作変
数と多数のプロセス変数があり、それらがプロセス部８
１で複雑に絡みあっており、それはブラック・ボックス
と言える。また図に示したように多くの制御機能を持っ
ている。以下に主な制御機能の概要を述べる。

（１）　　燃焼空気制御１８： 回収ボイラの燃焼用空気は第６図のようにチャーベツド
底部（ＩＬ）、頂上部（ＩＨ，２Ｌ）、および上方部（
２Ｈ）の４ケ所から吹き込まれる。

過剰空気を絞った最適空気総量と、各段空気量配分の適
正化を計ることによりスメルト還元効率及びボイラ蒸気
発生効率の両方を高くし、かつ排ガス中のＳ　Ｏ２、Ｎ
Ｏｘ、等の有害成分の濃度を許容値以内に収める必要が
ある。しかし、この燃焼空気制御を好適な状態に保つた
めには、以下に述べるすべての制御と同様に、熟練した
オペレータの長い間の経験にもとづいた運転に頼ってい
る。

（２）　　チャーベツド６６のレベル制御１６（黒液の
ドロップサイズ制御）： 安定燃焼のためには、チャーベツド６６の堆積寸法の安
定化も必要である。チャーベツド６６の堆積高さが高す
ぎる場合は、山崩れなどが発生し、安定燃焼を阻害する
。逆に低すぎるチャーベツド６６は、ダストの飛散が多
くなるばかりでなく、薬剤回収に必要な還元雰囲気の形
成を阻害し、スメルト還元率の低下を招く。

チャーベツド６６のレベルは噴射された黒液のドロップ
サイズを変えることにより制御することができる。この
ドロップサイズ（直接計測は不能）は、噴射黒液温度を
変えることによって制御することができる。またドロッ
プサイズを適正に保つことは、噴射黒液を適正な浮遊乾
燥状態に保ち安定燃焼させるためにも必要である。

回収ボイラにとって、このように重要な機能をもつドロ
ップサイズを、好適な状態に保つためには、オペレータ
の経験に基づいて視見的に決められている。特にボイラ
ー底部のチャーベツド温度を色に基づいて推計１するこ
とによって決められている。

（３）　　ブラックアウト監視制御２０ニブラツクアウ
ト、すなわちチャーベツド６６の燃焼不良は回収ボイラ
の安定操業にとって重大な阻害要因となる。システムは
、黒液性状、蒸発力、排ガス分析、燃焼温度など多数の
関連したブラックアウト監視用変数をもっており、これ
らの変化を監視することにより、ブラックアウト発生を
事前に検知する。部分的ブラックアウトの時は制御の対
象となり、空気量を１時的に増加させるなどの適切な処
置を取り、回収ボイラを正常な燃焼状態に復帰させる。

全面的ブラックアウトの場合は、現在のところ回収ボイ
ラ本体７３側のトリップとして処理される。これらの監
視制御もオペレータの経験的な知識をパターン化して登
録したものが使われる。

（４）　　チャーベツド形状の適正化及び監視制御：チ
ャーベツド形状は、回収ボイラにおいて最も重要で、か
つ従来技術では測定が困難なものである。

このチャーベツド６６の形状は、噴射された黒液の落下
による山の上積み、空気通路ＩＬから流入する空気によ
る裾野の焚き上げ、空気通路ＩＨおよび２Ｌから流入す
る空気による頂上部の燃焼反応、スメルト流出に伴うチ
ャーベツド６６の下降のバランス等によって形成されて
いる（第６図参照）。その形状の乱れは、空気通路ＩＬ
、ＩＨ。

２Ｌから流入する空気とチャーベツド６６の接触状態を
変え、チャーベツド温度や炉内燃焼状態を乱す。したが
ってその形状の乱れはスメルト還元率およびボイラ熱効
率に影響を与えるばかりでなく、Ｓｏ、Ｎｏ　　および
煤塵の発生まで影響をｘ　　　　　　　　ｘ 及ぼす。チャーベツドがくずれ、燃焼空気孔を塞ぐよう
なことになれば運転に支障をきたすような事態にもなり
かねない。

にもかかわらず、このように重要なチャーベツド形状を
測定できないことが回収ボイラの制御をさらに一層難し
くしている。現状ではオペレータがボイラののぞき穴よ
り炉内を観察することにより（ただし肉眼では炉内が激
しく燃焼しているため、チャーベツド６６の輪郭すべて
を見ることはできない）経験的な理想形状になるよう各
段空気流量と黒液噴射圧、黒液噴射温度などを経験的な
値に調節しておくことが基本的におこなわれている。

なお、以上の他にもいくつかの制御機能があるが、説明
は省略する。

さて、すでに述べたように回収ボイラ制御は、紙パルブ
工場において非常に重要な技術であり、計算機を用いた
制御はその効果が期待されながら、ボイラの化学反応メ
カニズムや物理的挙動の解明が非常に困難であるため、
また前述した多数の操作量やプロセス量を統合した定量
的因果関係を表現できるモデルを作ることができないた
めに、本格的な取組が長い間なされていなかった。しか
し近年、紙バルブ工場における省資源、省エネルギの面
から回収ボイラの動力としての役割がますます重要にな
り、高効率の回収ボイラが望まれている。そして計算機
による高度な制御システムが徐々に導入されつつあり、
それなりに効果は上がってきている。しかし、それらの
計算機を導入した最適化制御システムは有効なプラント
の定量的モデルを持つことができないために、直接プラ
ントへ干渉して、外乱を与えながら最適点を探索する方
式がとられており、おのずから限界があった。

本発明は、オペレータが長い間の経験によって習得した
、プラントの特性に関する知識や運転のコツなどをオペ
レータの実操業運転を通じてパターンとして統計的に学
習し、一定期間の学習後にはオペレータが重大な決定す
る場合に強力な支援となるばかりでなく、プロセスの最
適化制御を行うことのできるＡＩプロセス監視制御装置
を提供することを目的とする。

〔発明の構成〕

（課題を解決するための手段） 第１の発明によるＡＩプロセス監視制御装置は、プラン
トのプロセス制御に関して予め与えられる第１の制御情
報を用い、プラントに応じて予め決められたルールに基
づいてプロセス制御量を推論する推論手段を有している
エキスパートシステム装置と、オペレータの頭の中に潜
在しているプロセス制御に関する第２の制御情報をプラ
ントの運転中にリアルタイムで入力できる人力手段と、
この人力手段を介して入力された第２の制御情報、およ
びオペレータがプラントに対して操作した操作情報、な
らびにプラントの観測データに基づいて並列処理するこ
とにより第２の制御情報、操作情報、および観測データ
の中から統計的な規則性を有するパターンを弁別して学
習する学習手段と、この学習手段によって学習されたパ
ターンに基づいてプラントの動作に関する定性的モデル
を構築する定性モデル構築手段と、学習の初期において
は、オペレータの指令および第１の制御情報ならびにル
ールに基づいてエキスパートシステム装置の推論手段に
よって推論されるプロセス制御量を用いてプラントのプ
ロセスの監視制御をし、学習が進行するにつれて定性モ
デル構築手段によって構築された定性的モデルに基づい
てプラントのプロセスの監視制御をする監視制御手段と
を備えていることを特徴とする。

また第２の発明によるＡＩプロセス監視制御装置は、第
１の発明によるＡＩプロセス監視制御装置において、オ
ペレータが運転中に伝えた第２の制御情報および操作情
報の中で矛盾したものや不備なものが有るかどうか判断
し、有る場合は運転終了後にオペレータに確認の質問を
行う手段を更に備えていることを特徴とする。

（作　用） このように構成された第１の発明によるＡＩプロセス監
視制御装置によれば、オペレータの頭の中に潜在してい
るプロセス制御に関する第２の制御情報、およびオペレ
ータがプラントに対して操作した操作情報、ならびにプ
ラントの観測データに基づいて並列処理が行われること
によって統計的な規則性を有するパターンが学習手段に
よって弁別されて学習される。そして、この学習手段に
よって学習されたパターンに基づいてプラントの動作に
関する定性的モデルが定性モデル構築手段によって構築
される。一定期間の学習の後、この定性モデル構築手段
によって構築された定性モデルに基づいてプラントのプ
ロセス監視制御が監視制御手段によって行われる。これ
によりオペレータが長い間の経験によって習得したプラ
ントの特性に関する知識や運転のコツなどをオペレータ
の実操業運転を通じてパターンとして統計的に学習する
ことができ、一定期間の学習の後には、オペレータが重
大な決定をする場合に強力な支援となるばりかりでなく
、プロセスの最適化制御を行うことができる。

また、第２の発明によるＡＩプロセス監視制御装置によ
れば、オペレータが運転中に伝えた第２の制御情報およ
び操作情報の中で矛盾したものや不備なものが有るかど
うかを判断し、有る場合は運転終了後にオペレータに確
認が行われることにより学習手段によって学習されるパ
ターンは精度の良いものとなる。これによりオペレータ
が長い間の経験によって習得したプラントの特性に関す
る知識や運転のコツなどをオペレータの実操業運転を通
じてパターンとして統計的に学習することができ、一定
期間の学習の後には、オペレータが重大な決定をする場
合に強力な支援となるばかりでなく、プロセスの最適化
制御を行うことができる。

（実施例） 第１図に本発明によるＡＩプロセス監視制御装置の第１
の実施例を示す。この実施例のＡＩプロセス監視制御装
置（以下監視制御装置という）１は入力インタフェース
２と、学習手段３と、定性モデル構築手段４と、ＡＩ監
視制御中枢装置５と、エキスパートシステム装置６と、
出力インタフエース７とを備えている。エキスパートシ
ステム装置６は第５図に示した従来のエキスパートシス
テム５０と同程度の機能を有している。すなわち、オペ
レータ１０が明示的に示した知識、既存の知識およびあ
る程度までわかっている定量的数式モデル等が記憶され
る知識ベースと、この知識ベースに記憶されている知識
を利用してプラントに応じて予め決められたルールに基
づいて推論を行う推論機構とから成っている。

入力インタフェース２は、オペレータ１０の頭の中に潜
在しているプロセス制御に関する制御情報が運転中にオ
ペレータ１０の意識に上ってきたときに、この制御情報
を自然言語を用いて入力することができるものであって
、入力された制御情報を学習手段３およびＡＩ監視制御
中枢装置５にリアルタイムで伝える。

学習手段３は、人力インタフェース２を介してリアルタ
イムでオペレータ１ｏから伝えられた制御情報、および
オペレータが行ったアクションによる操作情報、ならび
に多数のプロセスデータに基づいて並列処理することに
より統計的な規則性を何するパターンを因果関係をも含
めて弁別し学習する。

これは理論的な学習というよりは、むしろ直感の獲得に
近いものである。従来のＡＩ研究分野での学習を「意識
的な知能の学習」とすれば、人間の学習には説明のでき
ない「無意識の学習」に属する分野のものが多い。

具体的に、学習手段３を実現するものとしては、生物の
脳などの神経回路網をモデルとしたニューラルネットワ
ーク（Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）　、あるいはＡ
ＮＳ　（Ａｒｔｌｒｉｃｌａｌ　Ｎｅｕｒａｌ　Ｓｙｓ
ｔｅｍ）などの名前で呼ばれているものが使用される。

これは一般のコンピュータが順番に１つ１つの処理を行
う逐次方式であるのに対して、同時にいくつもの処理を
行う並列方式をとるというのが、その特徴である。

この分野のブームは１９８５年にアメリカのＡＴ＆ＴＢ
ｅｌｌ研究所のＪｊ、Ｈｏｐｌ’１ｅｌｄらが上げた成
果に端を発している。

定性モデル構築手段４はオペレータ１０の頭の中にある
ような、プラントの動作を理解するための高度な定性的
モデルを学習手段３によって得られたパターンに基づい
て構築する。この定性的モデルの中には多数のプロセス
変数や操作変数相互間の因果関係や制約条件が含まれて
いる。

ＡＩ監視制御中枢装置５は、学習の初期においては、オ
ペレータ１０の指令、および予め与えられたプロセス制
御に関する制御情報、ならびに前述のルールに基づいて
エキスパートシステム装置６の推論機構によって推論さ
れるプロセス制御量を用いてプラントのプロセス監視制
御をする。そして、学習が進行するにつれて定性モデル
構築手段４によって構築された定性モデルに基づいてプ
ラントのプロセス監視制御をする。また、ＡＩ監視制御
中枢装置５は、オペレータ１０が運転中に入力インタフ
ェース２を介して伝えた知識や情報の中で今までに学習
したものと矛盾したものや不備なものが有るかどうかを
判断し、有る場合はその内容についてオペレータ１０の
作業終了後に出力インタフェース７を介して確認の質問
をする。

次に第１の実施例の作用を説明する。入力処理部８を介
してオペレータ１０の操作アクションによる操作情報や
、プロセスデータが監視制御装置１に入力されると学習
の初期においては、入力インタフェース２を介して伝え
られるオペレータ１０の指令、およびエキスパートシス
テム装置６の知識ベースに記憶された制御情報とルール
とに基づいてエキスパートシステム装置６の推論機構に
よってプロセス制御量が推論される。この推論されたプ
ロセス制御量がＡＩ監視制御中枢装置５によって出力処
理部９を介して出力され、プロセス監視制御が行われる
。

一方、入力インタフェース２を介してリアルタイムでオ
ペレータ１０から伝えられた制御情報、および人力処理
部８を介して伝えられる操作情報やプロセスデータに基
づいて並列処理されることによって統計的な規則性を有
するパターンが学習手段３によって弁別されて学習され
る。この学習手段３によって学習されたパターンに基づ
いてプラントの動作を理解するための高度な定性的モデ
ルが定性モデル構築手段４によって構築される。

そして、一定期間の学習の後には、入力処理部８を介し
て伝えられる操作情報およびプロセスデータ、ならびに
定性モデル構築手段４によって構築された定性的モデル
に基づいてプラントのプロセス監視制御するためのプロ
セス制御量がＡＩ監視制御中枢装置５によって求められ
、出力処理部９を介して外部に出力されてプロセス監視
制御が行われる。

なお、オペレータ１０が運転中に入力インタフェース２
を介して伝えた知識や情報の中で今までに学習したもの
と矛盾したものや不備なものが有るかどうかがＡＩ監視
制御中枢装置５によって判断され、有る場合はその内容
についてオペレータ１０の作業終了後に出力インタフェ
ース７を介して確認の質問がオペレータ１０にされる。

以上により第１の実施例によればオペレータ１０が長い
間の経験によって習得したプラントの特性に関する知識
や運転のコツなどをオペレータ１０の実操業運転を通じ
てパターンとして統計的に学習することができ、一定期
間の学習の後にはオペレータ１０が重大な決定をする場
合に強力な支援となるばかりでなく、プロセスの最適化
制御を行うことができる。

第２図に本発明によるＡＩプロセス監視制御装置の第２
の実施例を示す。この実施例のＡＩプロセス監視制御装
置１ａは、紙バルブ生産工程における回収ボイラ制御に
用いられたものであって、第１図に示した第１の実施例
と同一の構成要素からなっている。すなわち、人力イン
タフェース２、学習手段３、定性モデル構築手段４、Ａ
Ｉ監視制御中枢装置５、エキスパートシステム装置６、
および出力インタフェース７を有している。これらの装
置は第１の実施例で説明済のため説明を省略する。オペ
レータ１０の操作アクションによる操作情報、プロセス
データ、および外乱等測定できるものはすべて入力処理
部８を介してＡＩプロセス監視制御装置１ａに入力され
る。なお、従来の技術の項で述べた回収ボイラ制御にお
いて重要な測定項目であるチャーベツド形状は、特願昭
５４−１００７Ｏｒ状態変化監視装置」に記載された技
術によって測定が可能であるため、チャーベツド形状の
Δ−１定結果も入力処理部８を介してＡＩプロセス監視
制御装置１ａに入力される。

さて、本実施例によるＡＩプロセス監視制御装置１ａを
紙パルプ生産工程における回収ボイラ制御に導入した初
期の段階においては、プロセスデータ、操作情報、およ
び人力インタフェース２を介して随時オペレータ１０か
ら人力される含蓄のある適切な制御情報が学習手段３に
より観察され、これらの人力情報の中から統計的な規則
性を有するパターンが検出される。そして、不完全な入
力が提示された場合には、既に形成されたルールに基づ
いて、あるいはエキスパートシステム装置６からの支援
によりＡＩ監視制御中枢装置５によってオペレータ１０
の運転操作終了後にそれを正す質問が出力インタフェー
ス７を介して行われる。

このようにすることによってプラントの複雑な特性、動
作、および適切な対処のやり方を能率よく学習していく
。

そして、すべてのプロセス変数の複雑な、からみあった
因果関係と制約条件を含みかつ人間のエキスパートの頭
の中にあるよりもさらに一層高度なプラントの定性的モ
デルが定性モデル構築手段によって構築される。

従来の回収ボイラのエキスパートに感覚的、経験的に認
識されていた特性がいくつかある。下にその例を述べる
。

（１）　　回収ボイラにとって理想的な炉内温度分布は
第３図に示すように、チャーベツド頂上部が最も高くな
る分布である。このような温度分布になった時 還　元　率°−最大 ボイラ効率−最大 排ガスＳ　０２→最小 になるといわれている。

（２）　　また炉内の温度分布は、炉内に供給される空
気量すなわち空気通路ＩＬ、ＩＨ，２Ｌ、２Ｈ（第６図
参照）を介して供給される空気量を操作することによっ
て制御できる。空気量を操作した時のチャーベツド頂上
付近温度、ボイラ効率およびＳＯならびにＣＯ２排出量
の特性は、およそ第４図に示すようになると言われてい
る。この第４図に示された特性は極値をもつカーブにな
っている。この特性が正しいものとすれば、この極値を
探索することが最適な運転点をみつけることになる。

このようにして定性モデル構築手段４によってで定性モ
デルが構築されると、これらの定性モデルに基づいてＡ
Ｉ監視制御中枢装置５によって出力処理部９を介してチ
ャーベツドレベル制御１６、チャーベツド形状制御１７
、燃焼空気側！ｌ］１８、還元ゾーン温度制御１９、ブ
ラックアウト監視関連制御２０、およびスートブロー制
御２１等が行われる。

以上により本実施例によれば、オペレーター０の長い間
の経験に基づくプラント特性に関する知識を導き出し、
それが正しいものであったことを実証し、より正確な特
性モデルを作り上げることができる。またこのような経
験的に言われてきた特性の一部の誤まりを見つけ出し修
正することもできる。さらには従来、オペレータにも認
識されていなかった操作変数とプロセス変数、あるいは
プロセス変数相互間の新しい重要な因果関係、すなわち
今まで知られていなかった新しい重要な回収ボイラのプ
ラント特性を発見していくこともできる。

そして、オペレータが重大な決定する場合に強力な支援
となるばかりでなくプロセスの最適化制御を行うことが
できる。

〔発明の効果〕

本発明によれば、オペレータが長い間の経験によって習
得したプラントの特性に関する知識や運転などのコツな
どをオペレータの実操業運転を通じてパターンとして統
計的に学習することができ、一定期間の学習の後にはオ
ペレータが重大な決定をする場合に強力な支援となるば
かりでなく、プロセスの最適化制御を行うことができる
。

【図面の簡単な説明】

第１図は本発明によるＡＩプロセス監視制御装置の第１
の実施例を示すブロック図、第２図は本発明によるＡＩ
プロセス監視制御装置の第２の実施例を示すブロック図
、第３図および第４図は経験的に言われている回収ボイ
ラの特性を示すグラフ、第５図は従来のエキスパートシ
ステムの構成を示すブロック図、第６図は紙バルブ生産
工程における回収ボイラ制御装置を示すブロック図、第
７図は第６図に示す回収ボイラの従来のＡＩプロセス監
視制御装置を示すブロック図である。 １・・・ＡＩプロセス監視制御装置、２・・・入力イン
タフェース、３・・・学習手段、４・・・定性モデル構
築手段、５・・・ＡＩ監視制御中枢装置、６・・・エキ
スパートシステム装置、７・・・出力インタフェース、
８・・・人力処理部、９・・・出力処理部。 出願人代理人　　佐　　藤　　−雄 第１図

Claims (1)

1. 【特許請求の範囲】 １、プラントのプロセス制御に関して予め与えられる第
   １の制御情報を用い、前記プラントに応じて予め決めら
   れたルールに基づいてプロセス制御量を推論する推論手
   段を有しているエキスパートシステム装置と、 オペレータの頭の中に潜在しているプロセス制御に関す
   る第２の制御情報を前記プラントの運転中にリアルタイ
   ムで入力できる入力手段と、この入力手段を介して入力
   された第２の制御情報、およびオペレータが前記プラン
   トに対して操作した操作情報、ならびにプラントの観測
   データに基づいて並列処理することにより前記第２の制
   御情報、操作情報、および観測データの中から統計的な
   規則性を有するパターンを弁別して学習する学習手段と
   、 この学習手段によって学習されたパターンに基づいて前
   記プラントの動作に関する定性的モデルを構築する定性
   モデル構築手段と、 学習の初期においては、オペレータの指令および前記第
   １の制御情報ならびに前記ルールに基づいて前記エキス
   パートシステム装置の推論手段によって推論されるプロ
   セス制御量を用いて前記プラントのプロセスの監視制御
   をし、学習が進行するにつれて前記定性モデル構築手段
   によって構築された定性的モデルに基づいて前記プラン
   トのプロセスの監視制御をする監視制御手段とを備えて
   いることを特徴とするＡＩプロセス監視制御装置。 ２、オペレータが運転中に伝えた前記第２の制御情報お
   よび操作情報の中で矛盾したものや不備なものが有るか
   どうか判断し、有る場合は運転終了後にオペレータに確
   認の質問を行う手段を備えていることを特徴とする請求
   項１記載のＡＩプロセス監視制御装置。