JPH0490002A - クロマトグラフ制御システム - 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】 〔産業上の利用分野〕 本発明はクロマトグラフ制御システムに係り、制御パラ
メータとクロマトグラム等応答結果を総合判断して、個
々の最適制御パラメータを決定し得るクロマトグラフ制
御システムに関する。

〔従来の技術〕

従来のクロマトグラフ制御装置は、制御対象の動作状態
を表わす複数の出力信号を用い、制御を行っているが、
個別の出力を見て制御する方式では，制御が局所的にな
ってしまい、システム全体を最適性を考慮できないとい
う欠点があった。

そこで、最近は、複数の信号を用い、全体の最適性を求
める傾向がある。

ところが、クロマトグラフィーの物理的化学的特性が種
々の要因により大幅に変化するため、特定の動作点近傍
における制御モデルを作って制御しても、多くの場合に
そのモデルをは実際のクロマトグラフィーの動作と食い
違ってしまう。そのため、モデルが正確であれば良好な
結果をもたらすフィードバック制御もその能力を充分に
発揮できず、勘と経験で操作する熟練オペレータを超え
ることができないという問題点があった。

〔発明が解決しようとする課題〕

上記従来技術は熟練オペレータのノウハウを生かす点に
配慮がされておらず、制御性能に問題があった。

本発明の目的は、熟練オペレータのノウハウを取り入れ
た拡張性に富んだクロマトグラフ制御システムを提供す
ることにある。

〔課題を解決するための手段〕

上記目的は、熟練オペレータの勘と経験を定量化し、ア
クチュエータの操作量を決定することにより達成される
。

〔作用〕

熟練オペレータは制御量から特徴的なパターンを抽出し
、あいまいな操作を行なう。同様に、制御量の積和演算
とその結果を非線形回路を通すことによって特徴的なパ
ターンの確信度を求め、各特徴的パターンの確信度から
のアクチュエータの操作量をファジィ推論により決定す
る。それによって、該制御方式は熟練オペレータのよう
に動作するので良好な制御性能を得ることができる。

又、熟練オペレータのノウハウをそのまま制御知識とし
て記憶し、前記知識を用いて制御しても前記と同様の制
御性能を得ることができる。

〔実施例〕

以下、本発明のクロマトグラフ制御システムの概念を第
１図に示す。

制御対象１は複数のアクチュエータを含み、前記アクチ
ュエータはアクチュエータごとに制御実行指令を生する
アクチュエータ制御装置Ｇ６により制御される。前記制
御対象１及び複数のアクチュエータの動作はそれぞれに
配憶された種々の検出器から構成される装置 この検出装置Ｇ１４の複数の検出器出力信号は最適性判
定装置Ｇ１３へ入力される。最適性判定装置Ｇ１３では
入力された前記複数の検出器出力信号をパターンとして
認識する入力部と前記入力されたパターンを記憶する記
憶機能と、前記入力されたパターンを先に記憶されてい
る複数のパターンと照合し先に記憶されたパターンとの
異似度を出力する処理部と、前記類似度からそれぞれの
アクチュエータの操作量を決定し、アクチュエータ制御
装置Ｇ６へ指令信号を発生する指令発生機構１２で構成
されている。なお、前記最適性判定袋［Ｇ１３のパター
ン記憶機能へパターンを記憶させるに当って予めオペレ
ータが入力に対して最適出力を設定し前記最適性判定機
構を動作させ、最良の操作量が出力されることを認識す
る機能と、制御対象１が変更されたり、アクチュエータ
が変更された場合に前記パターン記憶内容を予め変更す
るための教示装置Ｇ１６が付加できる構成となっている
。

これに対して従来システムは最適性判定装置Ｇ１３がな
く、一般には検出装置Ｇ　１　４からアクチュエータ制
御装置Ｇ６へ送信され、個々のアクチュエータごとに最
適化制御するシステムとなっていた。このため、システ
ム全体としての最適性が図れなかったが、本発明のよう
にシステム全体の最適性を判定する最適性判定装置Ｇ１
３を付加することにより、システム全体の最適性を判定
できる他、アクチュエータの１つが故障してもこの判定
装置により、前記故障したアクチュエータの働きを他の
アクチュエータでカバーしたり、又、アクチュエータの
変化や、制御対象の変化にも柔軟に対応できるという効
果を有する。

次に、本発明の制御システムをクロマトグラフ制御に適
用した例を用いて詳細に説明する。

以下、本発明を適用した実施例を第２図により説明する
。

制御対象のクロマトグラフ本体１は、試料注入器８から
注入された試料をポンプ７から送られる移動相によりカ
ラム２に運び、その試料をカラム２により分離展開し、
検出器１０により検出するものである。この移動相の組
成は移動相調製器６により調製される。また力ラム恒温
器９はカラム２の温度を制御している。

例えばクロマトグラフィーで、分離時間の高速化を図る
場合、移動相調製器６によって調製される移動相の組成
、ポンプ７によって制御される流量、カラム恒温器９に
よって制御されるカラム温度のような制御パラメータを
最適化する必要がある。この場合、ポンプ７で検出され
る圧力や、検出器１０で検出されるクロマトグラフから
算出される分解能等が所定許容範囲に入っているという
制限条件を満足しなければぼらない。

クロマトグラフに対する制御方法は、前記移動相調製器
６．ポンプ７、試料注入器８．カラム恒温器９．検出器
１０等のアクチュエータに対する動作指令を発生させる
指令発生機構１２、前記指令発生機構１２に対し、応答
パターンであるクロマトグラフが予め記憶された複数の
パターンの内、どの種類のパターンに属するかを判断し
、該パターンの確信度を出力するパターン認識機構１３
、該パターン認識機構１３に対し、応答クロマトグラフ
を検出し、出力する検出機構１４、前記検出機構１４と
指令発生機構１２の出力を記憶する記憶機構１５、及び
、記憶機構１５の情報を用い、パターン認識機構１３の
パラメータを学習により変化させる学習機構１６から構
成される。

第３図に上記パターン認識機構１３の詳細図を示す。検
出機構１４及び記憶機構１５の出力は、前記パターン認
識機構１３の入力セル１７，１８に入力され、該入力セ
ル１７では入力された信号が関数値で変換され中間層１
９へ出力され、中間層１９へ入力された該入力セルの出
力は中間層１９のセル２０．２１へ入力される。入力セ
ル１７の出力でセル２０に入力された信号は重み関数２
３でｗｅｔ倍され加算器２４に入力されるとともに、入
力セル１８の出力は重み関数２２６を介し、加算器２４
に入力され加算器２４は上記重み関数２３．２６の出力
を加算し、関数器２５へ入力され、関数器２５で線形又
は非線形の関数演算を行い、次段の中間層２７に出力さ
れる。なおセル２０は上記重み関数２３，２６、加算器
２４及び関数器２５から構成される。

同様に、セル２１へは入力セルフ、１８の出力が入力さ
れ、入力層１７の出力は重み関数２８でＷ１２倍化され
加算器２９．関数器３０を介し次段の中間層２７へ出力
される。

中間Ｍ２７は、中間層１９と同一の構造であり、入力層
１７．１８の出力の代りに中間層１９の出力が用いられ
るものである。

ここで、重み関数２３，２６．２８の重みをｗフＪで表
わすと、Ｗ　ｋＬＪはに番目の中間層の１番目のセルに
於て、ｋ−１番目の中間層（但し、ｋ＝１の時は入力セ
ル）の１番目の出力に掛ける重みを示す。

以上のようにパターン認識機構１３に入力された信号は
、入力セル１７．１８、複数段の中間層１９．２７．２
９を介し、中間層のセルから重み関数と加算器を取り除
いた形式の出力層３０を介し、出力される。なお、入力
層３１は入力セル１７、ｉｓを全て纏めたものを表わす
。

このパターン認識機構１３の特徴は、単純な積和演算で
すみ、フィードバック等の繰返し演算が無いこと、及び
、中間層の各積和項はハードウェアで実現する場合、並
列に処理ができるため、高速演算が可能である。

このパターン認識機構の出力層３０の次に予め各出カバ
ターンに応じて各アクチュエータに対する指令値を記憶
させておき、最も出カバターンに近い指令値を直接アク
チュエータに指示することも可能である。この方式では
応答性は良いが後述の方式に比べて制御の精度は若干悪
くなる。

次にパターン認識機構１３の処理結果は第４図に示す処
理機構を経てクロマトグラフ本体１に作用される。すな
わち、パターン認識機構１３の出力は指令発生機構１２
に設けられている操作量決定手段３２に入力される。操
作量決定手段３２では、内部に複数準備された処理機構
のうち、入力信号を処理するのに最も有効な処理機構を
選択し、処理を実行し操作量を出力する。前記操作量決
定手段の結果を用い、指令値計算手段は具体的な各アク
チュエータの指令値、例えば移動相調製器６に対する調
製指令、ポンプ７に対する流量指令等を発生する。なお
、この指令発生機構１２には、パターン認識機構１３を
介さずに、形状検出機構１４の出力を直接入力して、前
記内部に準備された複数の処理機構のうち最適な処理機
構で処理することも可能である。しかしこの場合、各種
推論機構を用いる場合専門のオペレータの操作方法を十
分反映するには、知識ベースを充実する必要がある。

第５図は、前記操作量決定手段３２の構成を示すもので
ある。操作量決定手段３２は、検出機構１４、パターン
認識機構１３からの信号を受け、制御機構１４１を起動
する。該制御機構１４１は、問題の種類に応じて、知識
ベース３６を用い、起動する推論を決定する。即ち該制
御機構１４１は、三段論法的に原因を求める必要がある
場合にはプロダクション推論機構１４２を起動し、曖昧
な要因がある場合にはファジィ推論機構１４３を起動し
、ある程度の枠組みがある問題に対してはフレーム推論
機構１４４を起動し、因果関係や機器の構成等の関連が
ネットワーク的になっている問題に対しては意味ネット
推論機構１４５を起動し、診断対象が時間的な順序で動
作しているような問題に対してはスクリプト推論機構１
４６を起動する。更に、該制御機構１４１は前記各種推
論機構で解けない経験的な問題で、高速に最適な解を求
めるための最適化演算機構１１１を起動し、パターン的
に記憶でき、特徴を抽出するとともに回答が必要な問題
を解くための特徴抽出・回答機構１１０　（Ｒｕｍｅｌ
ｈａｒｔ型ニューロコンピュータで構成）を起動する。

操作量決定手段３２の処理結果は制御機構１４１を介し
て指令値計算機構へ出力される。

第６図に推論に必要な知識である知識ベース３６の構成
を示す。前記知識ベースは制御のエキスパートの経験等
に基づく外部から入力される知識１０６は三段論法的に
推論を実行するためのプロダクションルール１４７．曖
昧な情報をもとに推論を行なうための知識であるファジ
ィルール１４８、診断対象の部品構成などのある枠組み
で記述できる知識のフレーム１４９２部品と部品の関連
や、常識的な関連をまとめてネットワークの形で整理し
ている意味ネットツー９１５０１診断対象が順番に仕事
を進める場合にそれらの仕事を整理して記憶するスクリ
プト１５１、及び、上記知識１４７〜１５３で記述でき
ないその他の知識１５４に分類されて記憶されている。

第７図に操作量決定手段３２の動作の説明図を示す。制
御機構１４１の処理はパターン認識機構１３、形状検出
機構１４．記憶機構１５からの情報を整理し、以下の処
理に利用できるデータに変換する処理ステップ２００、
上記ステップ２００で準備したデータが無くなる迄取り
出し、ステップ２０２へ渡す繰返し処理ステップ２０１
、前記ステップ２０１で収集した情報から起動すべき推
論機構及び処理を決定するための判断ステップ２０２、
及び、各種推論機構１４２〜１４６、特徴抽出回答機構
１１０．最適化演算機構１１１、及び、ＰＩＤ制御等の
古典制御や多変数制御等の現代制御のアルゴリズムを実
行する一般制御機構２０３、及び、上記各ステップを終
了するために必要なプラグ類のリセット等を実行する終
了処理ステップ２０４から構成される。

ここで各処理機構の役割を述べる。プロダクション機構
１４２は、オペレータのエキスパートが断片的なプロダ
クションルールを用いて、論理的な成立関係を組立てる
制御に適している。ファジィ推論１４３は、制御対象の
注目している状態が本化したならばオペレータはアクチ
ュエータを少し動かすというように定量化できないオペ
レータのあいまいな知識を計算機で処理できるように定
量化して操作量を決定するのに適している。

フレーム推論機構１４４は、制御装置間の関係等を記述
するフレームという知識を用い、注目している制御対象
の状態が変化した時に元の状態に戻す場合に、それら装
置間の関係を基に操作を行う処理量を関連する機器毎に
決定するのに適している。

意味ネット推論機構１４５は、前記断片的な知識である
フレームを整理し、体系付けてネットワークを作り上げ
たものであるため、特定のアクチュエータの操作結果が
及ぼす影響を求めることができ、補償系を組むのに適し
ている。

スクリプト推論機［１４６は特定の状態が発生した時の
手順的な知識を基に推論するため、故障時等に決まった
手順で対応しなければならないようなシーケンス制御的
な制御に適している。

また、特徴抽出・回答機構１１０は、上記パターン認識
機構１３．形状検出機構１４．記憶機構１５の入カバタ
ーンと前記入カバターンが入力されたときに前記推論機
構１４２〜１４６が出した出力の関係を予め置型させて
おくと、推論機構１４２〜１４６が推論を行って出力を
決定するのと異なり、高速に同一の結果が出力できる特
徴がある。最適化演算機構１１１は、制御対象１は通常
非線形性が強いので、何等かの原因により動作点が変化
すると、動作の再設定が必要になり、その場合、最急傾
斜法、ダイナミックプログラミング、リニアプログラミ
ング、出登り法、共役傾斜法又はＨｏｐｆｉｅｌｄ型ニ
ューロコンピュータ等のアルゴリズムにより計算され、
非線形制御対象に対しても最適な応答を行なう。

第８図にプロダクション機構１４２の動作説明図を示す
。制御機構１４１より起動されるプロダクション推論機
構１４２は、前記制御機構１４１から起動時にメモリに
記憶する入力処理３４、前記入力処理３４で記憶した情
報１個ずつ取り出し、もし、メモリにパターンの情報が
無い時には、プロダクション推論機構１４２の処理を終
了させる終了判断機構３５を実行する。前記終了判断機
構３５で抽出されたパターンの種類とその確信度を用い
、知識ベース３６からルールを１個ずつ取り出し、処理
３７で該入力のパターンの種類と該ルールの前提部を比
較する。その比較結果を用い、ステップ３８は一致した
場合、次の処理３９を、不一致の場合ステップ３７を実
行させる。ステップ３９は一致した時に前記入力を前記
ルールの結論部に置換する。この時の確信度の取扱いは
ミニ・マックスの理論で、置換前の最小値又は最大値で
置換える。ステップ４０は前記置換したルールの結論部
が操作指令でてる場合、ステップ４１を、結論部が不一
致の場合更に推論を実施させるためにステップ３７を実
行させる。

前記結論部が操作指令であるときに、処理４１は前記指
令値計算手段３３へ、結論部及び前記処理ステップで求
めた確信度を出力する。

第９図は指令計算手段３３を示す。指令値計算手段３３
は、前記操作量決定手段３２で求めた推論結果である指
令及びその確信度を記憶するメモリ４２、メモリの指令
が全て処理されたか否かを判断し、処理されていたなら
ば指令値計算手段３３を終了させるステップ４３、処理
されていなければ圧下制御機構６等のアクチュエータ７
．８゜９．１０．１１毎の指令を取り出し、各種推論で
求まったアクチュエータ操作の程度と確信度を基に、操
作量の重心を求め、同一アクチュエータの操作量の重心
を寄せ集めて新たな重心を求め対応するアクチュエータ
の指令とする処理４４から構成される。

このような指令値計算手段３３を設けることで各種推論
１４２〜１４６．特徴抽出・回路機構１１０、最適化演
算機構１１１．−膜制御機構２０３で個別に求められた
アクチュエータへの指令を統一的に扱える特徴が有る。

第１０図に、前記学習に必要な入力切り換え装置１２５
の構成を示す。該入力切り換え装置１２５は、学習機構
により制御されるスイッチ機構１５６を用い、検出機構
１４の出力と学習機構１６の出力の一方を入力層３１に
出力するものである。第１０図におけるスイッチ機構１
５６の状態は学習を行なう状態を示す。

第１１図に学習機構１６の構成を示す。学習機構１６は
、入カバターン発生機構４５．出カバターン発生機構４
７．出力突合せ機構４６、及び、学習制御機構４８から
構成される。前記出力突合せ機構４６は、出力層３０の
出力を指令発生機構１２と前記突合せ機構４６へ出力す
るための分配器１３９の出力ｏ１．Ｏ＋、Ｏｎと、出カ
バターン発生機構４７の出力ＯＴｌ　＋　ＯＴｉ　Ｉ　
ＯＴｎとの差を加算器１６１，１６２，１６３により、
偏差ｅｌ。

ｅ＋）ｅｎとして求め、学習制御機構４８に出力する。

なお分配器１３９の出力Ｏｆ、ｏｉ、Ｏｎは入カバター
ン発生機構４７の出力がパターン認識機構１３　（Ｒｕ
ｍｅｌｈａｒｔ型ニューロコンピュータ）の入力層１９
に入力されることにより発生する。このとき、該入カバ
ターン発生機構４５と該出カバターン発生機構４７は前
記学習制御機構４８に制御される。

第１２図に前記学習過程における荷重関数ｗ１□２３と
学習制御機構４８の関係を示す。前記加算器１６１の出
力である偏差ｅｋを受けて、学習制御機構４８はパター
ン認識機構１３を構成するセル２０の荷重関数ＷＩＪ２
３の値を、前記偏差が減少する方法に変化させる。

第１３図に前記学習制御機端４８の処理概要１７０を示
す。学習機構１６が起動されると、学習制御機構４８の
処理１７０が起動される。該処理１７０は、前記入カバ
ターン発生機構４５．出カバターン発生機構４７を起動
し、教師信号である入力と、希望出力を発生する前処理
１７１、前記偏差ｅｔ＋の値、又は、前記偏差自乗和が
許容範囲以内になるまで以下のステップ１７３，１７４
゜１７５を繰り返すステップ１７２、出力層３０に近い
中間層から入力層３１に向けて注目する中間層を順次抽
出するステップ１７４、該中間層において順次注目する
セルを抽出するステップ１７４、及び偏差ｅｋが小さく
なる方向へ抽出したセルの荷重関数ＷＩＪ２３を変化さ
せるステップ１７５、および、学習過程を終了させるた
めのステップ１７６から構成される。

このような学習機構を設ける事により、それ迄考慮され
なかった新しい現象が発生し、それに対する対応策が決
定したならば、その知見を反映できる特徴が有る。

第１４図は、第２図の記憶機構１５の構成を示す、記憶
機構１５は、指令発生機構１２．形状検出機構１４の出
力が入力されるメモリ要素４９゜メモリ要素４９の内容
は一定時間経過に転送されるメモリ要素５０、及び順次
メモリ要素にデータが転送され特定時間経過後に到達す
るメモリ要素５１から構成され、各メモリ要素４９，５
０゜５１の内容はパターンの微分や積分等を行うための
演算機構５０１を介し、パターン認識機構１３゜学習機
構１６へ入力される。

この記憶機構１５により、検出機構１４や、指令発生機
構１２の時間的変化を考慮できる、例えば微分、積分等
の動作が行なえるようになる。

第１５図には、移動相の組成比率の変化が、クロマトグ
ラム上のあるピークの保持時間に特に大きな影響を与え
る場合を例に、そのピーク近傍の入力を使ってパターン
を認識する機構を示す。検出機構１４の出力はパターン
検出機構１３のメモリ５２に入力され、メモリ５２に入
力された信号はゲート回路５３を介し、メモリ要素５４
に入力され、メモリ要素５４に入力された信号はゲート
回路５５．５６を介しメモリ要素５７．５８へ入力され
、ゲート回路５３．５６がオフにするとゲート回路５５
はオンとなり、クロックに同期して、メモリ要素５４の
情報はメモリ５７へ、又、一定時間経過するとメモリ要
素５４の信号がメモリ要素５８へ達成し、メモリ要素５
７の信号がメモリ要素５４に達し、次のクロックでメモ
リ要素５４゜５７．５８の信号が一巡すると、ゲート５
３゜５６がオンし、ゲート５５がオフし、メモリ要素５
４の内容はメモリ要素５９に記憶され、メモリ要素５４
，５７．５９の情報に入力層３１に入力される。

このようなメモリ５２を設けることにより、パターン認
識機構１３の入力層３１．中間層１９゜２７．２９、出
力層３０のセルの数を大幅に減少できる効果が有る。

第１６図の学習機構１６の入カバターン発生機構４５と
出カバターン発生機構４７に制御対象シミュレータ６０
を用いる例を示す。

出カバターン発生機構４７においてオペレータの操作又
はデータによって発生した形状パターンは、第２図の指
令発生機構１２と同一の機能を持ち、学習機構に別に設
けられた指令発生機構１２に入力され、指令発生機構１
２ではパターンに応じて各種アクチュエータの指令を発
生し、該指令は入カバターン発生機構４５に設けられた
制御対象シミュレータ５０に入力され、制御対象である
各種アクチュエータ６．７，８，９．１０及びクロマト
グラフ本体ｌを含めた動作を模擬し、その応答が悪い時
には指令発生機構１２．制御対象シミュレータ５ｏのパ
ラメータを変更するためのパラメータ調整機構５１を用
い前記制御対象シミュレータ５０の出力を所望のパター
ンになるように調節し、パターン認識機構１３の入力と
する。

以上説明した構成の制御方法の動作を具体例を用いて以
下に述べる。

クロマトグラフィーの制御パラメータとして、移動相Ａ
、Ｂ、Ｃの組成比Ｘａ、Ｘｂ＋　Ｉ　　Ｘａ−Ｘｂ　、
ポンプ流量ｆ、カラム温度Ｔの４つを考える。この４つ
の制御パラメータを最適化し、クロマトグラフの高速化
を図る。ここで高速化とは、最終ピークの保持時間ｔＲ
の最小化を意味する。

ただし、最小化には制限条件がある。４つのパラメータ
ｘａ、Ｘｂ、ｆ、Ｔの制限の他に、ポンプ圧力Ｐに上限
があり、またクロマトグラフ上の個々のピーク間の分解
能Ｒｓには下限がある。

第１７図に示されているように制御パラメータＸａ、　
Ｘｂ、　ｆ　、　Ｔが指令発生機構１２より入力され、
クロマトグラフ本体１で処理され、検出パラメータｔＲ
，Ｐ、Ｒｓが検出機構１４で出力されるプロセスがあり
、検出パラメータｔＲ、ｐ。

Ｒｓ　をモニタしながら、制御パラメータＸａ、　Ｘｂ
。

ｆ、Ｔを最適化する問題であると考えられる。

第１８図に示すように、知識ベース３６はクロマトグラ
フィーの理論や経験則から成るルールを持っている。例
えば、 ａＰ／ａｆ＝一定、ａｔＲ１ａｆ＝一定ぼ直線関係にあ
る等である。

最適な制御パラメータの探索は、知識ベース３６を用い
ながら、指令発生機構１２が、逐次、制御パラメータを
変化させ、ＰとＲ３が許容範囲内で、ｔＲが最小になる
ように行なわれる。実際はｔＲがほぼ小さくなったとこ
ろで、第０回のｔ、ｎと第（ｎ−１）回のｔｒ＋の偏差
が十分小さくなったときに探索は完了する。

当然、この探索の間には学習を実行し、Ｘａの変化がＰ
に与える影響とか、ＴとＲｓの関係等も記憶される。

またクロマトグラフを検出している時間に制御パラメー
タｘａ、　Ｘｂ、　　ｆ　、　Ｔを変化させる、いわゆ
るグラジェントも考えられる。この場合のクロマトグラ
ムの応答は非線形的な面が強くなり、より学習の効果が
期待できる。

カラムにロット差がある場合やカラムの劣化等により、
個々のピークの保持時間がわずかにシフトすることがあ
る。このようなときにも、本方法により、Ｘａ、　Ｘｂ
、　ｆ　、　Ｔを調節することにより、目的とするクロ
マトグラフを分析時間を延長することなく得ることかで
期る。

ここまではクロマトグラフイーの制御系だけの説明であ
ったが、この手法はデータ処理系でも使用できる。例え
ば、重なったピークのデコンボリューション、各保持時
間の決定、ピーク同定や、ベースラインの決定手段とし
て利用できる。

〔発明の効果〕

本発明によれば、クロマトグラフ制御のようにパターン
を制御する方式に於て、オペレータのエキスパートとは
制御結果の波形を類形化し、波形の特徴を判断し、その
特徴に応じて制御する方式を実現でき、新しい事態が発
生しても、学習により対応できるので、柔軟で、高性能
な制御ができる効果がある。

【図面の簡単な説明】

第１図は本発明のクロマトグラフ制御システムの概念図
、第２図は本発明をクロマトグラフ制御システムに適用
した実施例、第３図はパターン認識機構図、第４図は指
令発生機構図、第５図は操作量決定手段の構成図、第６
図は知識ベース構成図、第７図は操作量決定手段の動作
説明図、第８図はプロダクション機構の動作説明図、第
９図は指令値計算手段の構成図、第１０図は入力切換え
装置の構成、第１１図は学習機構の構成、第１２図は学
習制御機構とノードの荷重関数との関連図、第１３図は
学習制御機構の基本処理図、第１４図は記憶機構の構成
図、第１５図はパターン認識機構図、第１６図は学習機
構にシミュレータを備えた時の構成図、第１７図は具体
例のモデル構成図、第１８図は具体例の知識ベース構成
図である。 １・・・クロマトグラフ本体、１２・・・指令発生機構
、１３・・・パターン認識機構、１６・・・学習機構、
１９゜２７．２９・・・中間層、３０・・・出力層、３
１・・・入力第 図 第 図 第 図 第 区 第 図 第 図 第 図 第１０図 第１１ 図 第１３図 第１２図 第１４図 第１５図 第１６ 図

Claims (1)

【特許請求の範囲】
1. １、複数の制御対象を個々に制御する制御機構と前記制
   御対象とその応答を検出する複数の検出器から構成され
   る検出装置からなるクロマトグラフ制御システムにおい
   て、前記検出装置の複数の出力信号から、前記制御対象
   及びその応答を総合判定し、前記判定結果に基づいて制
   御機構に制御指令を送信する最適性判定装置を備えたこ
   とを特徴とするクロマトグラフ制御システム。