JPH05143108A - プロセスの適応制御方法 - Google Patents
プロセスの適応制御方法Info
- 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
- controlled object
- model
- 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
(57)【要約】
【目的】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。 【目的】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。
順システム・モデル同定システム３は、制御対象１の入
出力変数の時系列信号を入力し、制御対象１の出力変数
の値を推定する順システム・モデルを制御対象１の運転
データを用いてニューラル・ネットワークにより同定す
る。
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。 【目的】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。
順システム・モデル同定システム３は、制御対象１の入
出力変数の時系列信号を入力し、制御対象１の出力変数
の値を推定する順システム・モデルを制御対象１の運転
データを用いてニューラル・ネットワークにより同定す
る。
Description
【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。
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。
【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。
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。
【０００３】図２は、従来の調整方法の構成を示す。
【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。
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。
【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。
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。
【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）
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）
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【００２３】
【実施例】本発明の一実施例を図１に示す。
【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。
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。
【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。
象に、本発明の一実施例を説明する。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【００３０】
【数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。
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。
【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。
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。
【００３３】
【数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。
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。
【００３５】
【数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。
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。
【００３７】
【数４】
【００３８】
【数５】
【００３９】
【数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。
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。
【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。
であるユニットの構成を図８に示す。
【００４２】このユニットの入出力関係は、次式で表わ
される。
される。
【００４３】
【数７】
【００４４】
【数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。
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。
【００４６】
【数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。
（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。
【００４８】
【数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。
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。
【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。
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。
【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。
（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。
【００５２】
【数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。
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。
【００５４】
【数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。
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。
【００５６】
【数１３】
【００５７】数８を数１３に代入して整理すると、次式
が導かれる。
が導かれる。
【００５８】
【数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。
j(ｋ）は、次式により求められる。
【００６０】
【数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。
と、次式が得られる。
【００６２】
【数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。
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。
【００６４】
【数１７】
【００６５】
【数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。
は、数１１から次式により求められる。
【００６７】
【数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。
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。
【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。
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。
【００７０】
【数２０】
【００７１】数２０より、次式で得られる。
【００７２】
【数２１】
【００７３】数７，数２１より、次式が導かれる。
【００７４】
【数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。
に、数１７は次式のように修正することができる。
【００７６】
【数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。
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。
【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。
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。
【００７９】
【数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。
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。
【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。
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。
【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。
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。
【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。
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。
【００８４】
【数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
【００８６】
【数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。
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。
【００８８】本発明の他の実施例を図１０に示す。
【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。
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。
【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。
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。
【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。
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。
【００９２】
【数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。
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。
【００９４】
【数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。
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。
【００９６】
【数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。
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。
【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。
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。
【００９９】
【数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。
（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。
【０１０１】
【数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。
(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。
【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。
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。
【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。
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。
【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。
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。
【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。
の目標値ｒの時系列信号Ｚ2 は、次式で与えられる。
【０１０７】
【数３２】
【０１０８】
【数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。
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。
【０１１０】
【数３４】
【０１１１】
【数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。
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。
【０１１３】
【数３６】
【０１１４】
【数３７】
【０１１５】
【数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。
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。
【０１１７】
【数３９】
【０１１８】
【数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。
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。
【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。
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。
【０１２１】
【数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。
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。
【０１２３】本発明の他の実施例を図１２に示す。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
・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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【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。
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。
【図１】本発明の一実施例を示すシステムブロック図。
【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。
ステムブロック図。
【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。
波形図。
【図４】火力プラントの概要を示すシステム系統図。
【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。
ムブロック図。
【図６】順システム・モデルの入出力関係を示す説明
図。
図。
【図７】ニューラル・ネットワークの構成例を示す説明
図。
図。
【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。
示す説明図。
【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。
ロック図。
【図１０】本発明の他の実施例を示すシステムブロック
図。
図。
【図１１】逆システム・モデルの入出力関係を示す説明
図。
図。
【図１２】本発明の他の実施例を示すシステムブロック
図。
図。
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。
デル同定システム、４…制御パラメータ調整システム。
───────────────────────────────────────────────────── 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
Claims (17)
- 【請求項１】制御量を目標値に一致させるように制御対
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、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。 - 【請求項２】請求項１において、前記制御対象の運転デ
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。 - 【請求項３】請求項１において、前記制御対象の時々刻
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。 - 【請求項４】請求項１において、前記制御対象の入出力
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。 - 【請求項５】請求項１において、前記制御対象の入出力
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。 - 【請求項６】請求項１において、前記ニューラル・ネッ
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。 - 【請求項７】請求項１において、前記ニューラル・ネッ
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。 - 【請求項８】請求項１において、前記制御対象の入出力
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。 - 【請求項９】請求項１において、前記制御対象の出力変
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、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。 - 【請求項１０】請求項８において、前記ニューラル・ネ
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。 - 【請求項１１】請求項８において、前記ニューラル・ネ
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。 - 【請求項１２】請求項９において、前記ニューラル・ネ
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。 - 【請求項１３】制御量を目標値に一致させるように制御
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。 - 【請求項１４】請求項１３において、前記ニューラル・
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。 - 【請求項１５】請求項１４において、前記制御対象の出
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。 - 【請求項１６】請求項１５において、逆システム・モデ
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。 - 【請求項１７】請求項１５において、逆システム・モデ
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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3304490A JPH05143108A (ja) | 1991-11-20 | 1991-11-20 | プロセスの適応制御方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3304490A JPH05143108A (ja) | 1991-11-20 | 1991-11-20 | プロセスの適応制御方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH05143108A true JPH05143108A (ja) | 1993-06-11 |
Family
ID=17933662
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3304490A Pending JPH05143108A (ja) | 1991-11-20 | 1991-11-20 | プロセスの適応制御方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH05143108A (ja) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004006030A1 (ja) * | 2002-07-02 | 2004-01-15 | Yamatake Corporation | 制御対象モデル生成方法及びそのプログラム、制御パラメータ調整方法及びそのプログラム |
| JP2004503001A (ja) * | 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 | 経験的プロセスの非線形近似器を制約するコンピュータ装置とその方法 |
| CN103076742A (zh) * | 2012-12-26 | 2013-05-01 | 南京博纳能源环保科技有限公司 | 一种余热锅炉再热烟温动态自校正控制方法 |
| CN103529848A (zh) * | 2013-10-22 | 2014-01-22 | 南京邮电大学 | 一种利用扰动信号的非完整多机器人协调控制方法 |
| CN104635489A (zh) * | 2014-12-12 | 2015-05-20 | 浙江大丰实业股份有限公司 | 一种可扩展的舞台自适应控制方法 |
| WO2022074734A1 (ja) * | 2020-10-06 | 2022-04-14 | 国立大学法人 東京大学 | 制御システムの生産装置、制御システムの生産方法及びプログラム |
| CN116893614A (zh) * | 2023-06-06 | 2023-10-17 | 苏州优世达智能科技有限公司 | 一种基于多传感器融合的水陆两栖无人艇的控制方法 |
| CN118168348A (zh) * | 2024-05-14 | 2024-06-11 | 常州陆铭光电科技有限公司 | 一种炉膛双光谱温度监测系统及监测方法 |
| WO2025197717A1 (ja) * | 2024-03-22 | 2025-09-25 | 株式会社堀場製作所 | 材料ガス供給システム、材料ガス供給方法、及び、材料ガス供給用プログラム |
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 (ja) * | 1989-05-12 | 1990-12-11 | Toshiba Corp | 適応制御器 |
| JPH0325505A (ja) * | 1989-06-22 | 1991-02-04 | Toyo Electric Mfg Co Ltd | 多機能形制御装置 |
| JPH03179502A (ja) * | 1989-12-08 | 1991-08-05 | Hitachi Ltd | 適応制御方法 |
| JPH03188504A (ja) * | 1989-07-31 | 1991-08-16 | Matsushita Electric Ind Co Ltd | ファジィ制御装置およびファジィ推論方法 |
-
1991
- 1991-11-20 JP JP3304490A patent/JPH05143108A/ja 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 (ja) * | 1989-05-12 | 1990-12-11 | Toshiba Corp | 適応制御器 |
| JPH0325505A (ja) * | 1989-06-22 | 1991-02-04 | Toyo Electric Mfg Co Ltd | 多機能形制御装置 |
| JPH03188504A (ja) * | 1989-07-31 | 1991-08-16 | Matsushita Electric Ind Co Ltd | ファジィ制御装置およびファジィ推論方法 |
| JPH03179502A (ja) * | 1989-12-08 | 1991-08-05 | Hitachi Ltd | 適応制御方法 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004503001A (ja) * | 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 | 経験的プロセスの非線形近似器を制約するコンピュータ装置とその方法 |
| 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 |
| CN100380255C (zh) * | 2002-07-02 | 2008-04-09 | 株式会社山武 | 受控对象模型产生方法和相应程序,以及控制参数调整方法和相应程序 |
| WO2004006030A1 (ja) * | 2002-07-02 | 2004-01-15 | Yamatake Corporation | 制御対象モデル生成方法及びそのプログラム、制御パラメータ調整方法及びそのプログラム |
| CN103076742A (zh) * | 2012-12-26 | 2013-05-01 | 南京博纳能源环保科技有限公司 | 一种余热锅炉再热烟温动态自校正控制方法 |
| CN103529848B (zh) * | 2013-10-22 | 2017-02-22 | 南京邮电大学 | 一种利用扰动信号的非完整多机器人协调控制方法 |
| CN103529848A (zh) * | 2013-10-22 | 2014-01-22 | 南京邮电大学 | 一种利用扰动信号的非完整多机器人协调控制方法 |
| CN104635489A (zh) * | 2014-12-12 | 2015-05-20 | 浙江大丰实业股份有限公司 | 一种可扩展的舞台自适应控制方法 |
| WO2022074734A1 (ja) * | 2020-10-06 | 2022-04-14 | 国立大学法人 東京大学 | 制御システムの生産装置、制御システムの生産方法及びプログラム |
| US12304077B2 (en) | 2020-10-06 | 2025-05-20 | The University Of Tokyo | Modeling of controlled object |
| CN116893614A (zh) * | 2023-06-06 | 2023-10-17 | 苏州优世达智能科技有限公司 | 一种基于多传感器融合的水陆两栖无人艇的控制方法 |
| CN116893614B (zh) * | 2023-06-06 | 2023-12-15 | 苏州优世达智能科技有限公司 | 一种基于多传感器融合的水陆两栖无人艇的控制方法 |
| WO2025197717A1 (ja) * | 2024-03-22 | 2025-09-25 | 株式会社堀場製作所 | 材料ガス供給システム、材料ガス供給方法、及び、材料ガス供給用プログラム |
| CN118168348A (zh) * | 2024-05-14 | 2024-06-11 | 常州陆铭光电科技有限公司 | 一种炉膛双光谱温度监测系统及监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104776446B (zh) | 一种锅炉燃烧优化控制方法 | |
| US6055524A (en) | Model-free adaptive process control | |
| JPH03164804A (ja) | プロセス制御システム及び発電プラントプロセス制御システム | |
| CN117518823B (zh) | 超临界火电机组主蒸汽温度自适应控制方法及相关装置 | |
| CN110824926B (zh) | 一种火电机组深度调峰一次调频控制方法 | |
| JPH05143108A (ja) | プロセスの適応制御方法 | |
| CN117452993A (zh) | 一种温循试验箱的温度控制方法 | |
| CN117348379A (zh) | 一种基于pgnn的前馈动态补偿优化系统及方法 | |
| JPH07210208A (ja) | 火力プラント制御におけるオートチューニング方法及びそれを利用した火力プラント制御装置 | |
| Malhotra et al. | Boiler flow control using PID and fuzzy logic controller | |
| JP3012716B2 (ja) | プロセス制御方法及びその制御装置 | |
| JPH03179502A (ja) | 適応制御方法 | |
| Burgasi et al. | Fuzzy and PID controllers performance analysis for a combined-cycle thermal power plant | |
| JP2968631B2 (ja) | 熱延プロセス制御方法 | |
| JPH06102905A (ja) | フィードフォワード／フィードバック制御装置 | |
| Rios-Gutierrez et al. | Efficient position control of DC servomotor using backpropagation neural network | |
| JP2862308B2 (ja) | コントローラの調整方法および調整システム | |
| Geng et al. | Application of a neural-network-based RLS algorithm in the generalized predictive control of a nonlinear air-handling plant | |
| JPS5815703A (ja) | 石炭火力発電プラントの制御方法 | |
| JPH0527806A (ja) | ニユーラル・ネツトを用いたフイードフオワード制御器 | |
| Nazaruddin et al. | Improving the performance of industrial boiler using artificial neural network modeling and advanced combustion control | |
| JPH08303210A (ja) | 火力発電プラントの自律適応最適化制御システム | |
| CN117170248A (zh) | 一种基于扰动输入的考虑前馈控制的闭环系统辨识方法 | |
| JP2002023806A (ja) | プロセスの制御装置 | |
| JP3243870B2 (ja) | 学習制御方法 |
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 |