JPH0573104A

JPH0573104A - Ｐｉｄパラメータオートチユーニング方法

Info

Publication number: JPH0573104A
Application number: JP25978691A
Authority: JP
Inventors: Hideyuki Tadokoro; 秀之田所; Masanori Kobari; 昌則小針; Mikio Yoda; 幹雄依田
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1991-09-11
Filing date: 1991-09-11
Publication date: 1993-03-26

Abstract

(57)【要約】【目的】制御対象の伝達関数を提示し、学習機能によ
って、最終的には適応動作によるパラメータ変更に際し
て、テスト信号の付加を不要とすることにある。【構成】Ｐ動作、Ｉ動作、Ｄ動作を、制御動作の基本
要素とするＰＩＤ制御ループを含むプロセス制御方法に
おいて、プロセスパラメータ算出部と、算出されたプロ
セスパラメータに基づいて、Ｐ動作、Ｉ動作、Ｄ動作各
々のパラメータを決定するＰＩＤパラメータの算出機構
を有し、上記プロセスパラメータ算出部は、制御系に対
してステップ状の入力が印加されたときに、制御系の応
答波形を観測することによって、プロセスの伝達関数を
同定する伝達関数同定部と、各種の環境変数とプロセス
パラメータの関係を記述するゲインスケジューリング部
からなり、両者の出力するプロセスパラメータのうちい
ずれか一方を選択し、このいずれか一方の出力に基づい
て、Ｐ動作、Ｉ動作、Ｄ動作各々のパラメータを算出す
る。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、化学プラント、発電プ
ラント、上下水プラント等のプロセス制御に多く用いら
れるＰＩＤ制御装置のＰＩＤパラメータチューニング方
式に関する。

【０００２】

【従来の技術】従来、ＰＩＤパラメータのオートチュー
ニング方法としては、次の方法がある。（１）ＳＴＲまたはＭＲＡＣＳといった適応制御理論に
基ずく方法（２）プロセスの応答波形を観測し、ルールベースによ
ってＰ，Ｉ，Ｄパラメータを決定する方法（１）の方法としては、計測自動制御学会論文集、第２
０巻第７巻ｐ２０〜ｐ２７「ディジタルプロセス制御系
の閉ループ形オートチューニング方法」、特公昭６３−
６５９６４などがある。これらの引用例は、ＳＴＲに基
ずく方法であって、対象プロセスをＡＲＭＡモデルとし
て、モデルのパラメータを推定することにより、パルス
伝達関数の同定を行う。上記引用例では、さらに、パル
ス伝達関数→伝達関数変換を行うことによって、ＰＩＤ
パラメータのチューニングそのものを連続系の考え方に
帰着させている。これらの適応制御理論的なアプローチ
では、適応制御理論がその適用可能な条件としている、
対象システムの線形性、時不変性、持続的励振条件が、
実際の適用例において、必ずしも成立するとは言い難
く、おのずと適用範囲が限定されてしまう。（２）の方法は、ステップ応答もしくはノイズ付加時の
プロセスの応答波形をパターン認識し、あらかじめ記憶
させておいたルールにもとずいて、Ｐ，Ｉ，Ｄ各動作要
素のパラメータを変更していくものである。本方法の先
行技術としては、たとえば「計測技術」１９８６年９月
号、ｐ６６〜ｐ７２において、エキスパートシステムを
もちいてルールベースを構築しており、特開昭６３−２
４７８０１、特開昭６２−２４１００６では、ルールの
記述に、ファジィロジックを用いている。これらの方法
では、直接にＰＩＤコントローラのパラメータが算出さ
れるため、プロセスの伝達関数が陽に示されいないため
に、制御系の設計者にプロセスに対する情報を与えるこ
とができず、チューニングされたＰＩＤパラメータが、
妥当なものであるか否かが分かりずらく、制御系を改良
する場合に、設計者に有用な情報を与えにくい。さら
に、（１）、（２）に共通する問題点として、チューニ
ングをおこなう際に、何らかのテスト信号を加える必要
がある点である。すなわち（１）では適応機能を動作さ
せるためには、Ｍ系列パルス信号を付加させることが必
要であり、（２）においても、パルス状もしくはステッ
プ状のテスト信号もしくは設定値変更、ノイズ付加を期
待している。プラント試運転時は問題とはならないが、
ひとたび実運転に入った場合は、テスト信号を加えるこ
とは好ましくなく、また、チューニングをしたいタイミ
ングと設定値変更やノイズ付加のタイミングが必ずしも
一致するとは限らない。

【０００３】

【発明が解決しようとする課題】本発明の目的は、上記
の従来技術における適応制御を用いた場合のような適用
の限界を緩和し、エンジニアに対して有益な情報とな
る、制御対象の伝達関数を提示することを可能にすると
ともに、学習機能によって、最終的には適応動作による
パラメータ変更に際して、テスト信号の付加を不要とす
ることにある。

【０００４】

【課題を解決するための手段】上記課題を解決するため
に、適応制御を用いた場合のような数学モデル的なアプ
ローチは採らずに、試運転中や運転の初期段階において
は、制御系の応答波形観測によって伝達関数を同定する
とともに、学習機能によって環境変数とプロセスパラメ
ータの関係を学習し、実運転時においては、特別なテス
ト信号を付加することなしに、制御対象の時変特性にあ
わせたＰＩＤパラメータのフィティングを行う。また、
応答波形より直接にＰＩＤパラメータを算出せずに、制
御対象の伝達関数を同定する部分とＰＩＤパラメータを
上記の伝達関数を用いて算出する部分に分ける。応答波
形によって伝達関数を同定する際には、伝達関数がＧ
（ｓ）＝１／（１＋ａ₁・ｓ＋ａ₂・ｓ²＋ａ₃・ｓ³＋ａ₄
・ｓ⁴＋……）により表される系において、ステップ応
答波形をとった場合の立上り時間がｓの１次の項によっ
て決まり、立上り時の傾きがｓの２次までの項によって
決まる性質、すなわち、ステップ応答波形の特徴量が上
記の伝達関数の分母系列の係数ａ₁，ａ₂，ａ₃，ａ₄……
にあらわれることを利用し、種々の応答波形と上記特徴
量との関係をパターン認識させることによって、伝達関
数の同定を行う。

【０００５】

【作用】試運転時は、設定値変更を行った際の計測値の
時系列（ステップ応答）を用いて、閉ループ伝達関数を
同定するために、入力層が上記の時系列データ、出力層
がＰＩＤコントローラとプラントを含む閉ループ伝達関
数Ｇ（ｓ）＝１／（１＋ａ₁・ｓ＋ａ₂・ｓ²＋ａ₃・ｓ³
＋ａ₄・ｓ⁴＋……）の分母系列の係数ａ₁，ａ₂，ａ₃，
ａ₄……であるようなニューラルネットワークを伝達関
数同定部とし、この同定された伝達関数を用いて、制御
対象とするプロセスの伝達関数Ｇｐ（ｓ）＝１／（ｃ₁
＋ｃ₂・ｓ＋ｃ₃・ｓ²）のプロセスパラメータｃ₁、
ｃ₂、ｃ₃を算出する。ＰＩＤパラメータ算出機構は、得
られたＧｐ（ｓ）によりＰＩＤパラメータを決定する。
また、環境変数ｐ１〜ｐｍとプロセスパラメータｃ₁、
ｃ₂、ｃ₃の関係は、前者を入力層、後者を出力層とする
ニューラルネットワーク（ゲインスケジューリング部）
において記述され、試運転時には同定されたプロセスパ
ラメータｃ₁、ｃ₂、ｃ₃を学習データとして学習する。
環境変数とプロセスパラメータの相関は、因果性尺度を
計算することによって求め、ゲインスケジューリング部
の学習の妥当性を判断できるようにする。実運転時に
は、ゲインスケジューリング部の学習結果が因果性尺度
からみて良好の場合は、ゲインスケジューリング部のニ
ューラルネットワークが、環境変数の値より算出したプ
ロセスパラメータを用いて、ＰＩＤパラメータをＰＩＤ
パラメータ算出機構において算出する。伝達関数同定部
およびゲインスケジュール部のニューラルネットワーク
は、同定モードと学習モードを有する。伝達関数同定部
は、学習モードにおいて、Ｇ（ｓ）の伝達関数で表され
るステップ応答波形と、分母系列の係数ａ₁，ａ₂，
ａ₃，ａ₄……の関係を学習させておくことによって、ま
た、同定モードにおいて、設定値変更がなされた際の時
系列データを入力することにり、ａ₁，ａ₂，ａ₃，ａ₄…
…を求める。また、ゲインスケジュール部では、学習モ
ードにおいて、上記のプロセスパラメータｃ₁、ｃ₂、ｃ
₃と環境変数ｐ１〜ｐｍの関係を学習する。逆に、同定
モードにおいて、環境変数からプロセスパラメータを求
める。このように、制御対象のプロセスパラメータとプ
ロセスパラメータに影響を与える環境変数の関係を自己
学習することによって、プロセス特性の変化に対して適
応的にＰＩＤパラメータを調整し、常に良好な制御性能
が得られる。また、制御対象の伝達関数を同定する部分
とＰＩＤパラメータをこの伝達関数を用いて算出する部
分に分けることによって、制御対象の伝達関数を設計者
に提示することができ、制御系改善のための基礎データ
とすることができる。また、学習機能によって、最終的
には適応動作によるパラメータ変更に際して、テスト信
号の付加を不要とすることができる。

【０００６】

【実施例】以下、本発明の一実施例を図面を用いて詳細
に説明する。図１は、本発明の実施例の全体構成図であ
る。１１は、サイクリックバッファであって、伝達関数
同定部が同定モードの時、制御対象の計測値ＰＶの最新
のｎサンプル周期分のデータを記憶し、伝達関数同定部
が学習モードの時、学習データとして種々のパターンの
ステップ応答波形をｎサンプル周期分記憶する。サイク
リックバッファ１１への入力は、切替スイッチ１３によ
り切替られる。切替スイッチ１３は、計測値ＰＶおよび
学習データ（ステップ応答波形）を入力し、同定モード
においては計測値ＰＶを、学習モードにおいては学習デ
ータを出力する。１２は、プロセスパラメータ算出部で
あって、サイクリックバッファ１１の時系列データ、環
境パラメータｐ１〜ｐｍを入力し、プロセスパラメータ
ｃ₁、ｃ₂、ｃ₃を算出する。１５は、部分モデルマッチ
ング法等を用いたＰＩＤパラメータ算出機構であって、
同定されたプロセスパラメータｃ₁、ｃ₂、ｃ₃を入力
し、ＰＩＤパラメータＫｐ（比例ゲイン）、Ｔｉ（積分
時間）、Ｔｄ（微分時間）を算出する。算出の際に、設
定値としてσ、α１、α２、α３を設定するが、これに
ついては後述する。ＰＩＤパラメータ算出機構１５によ
り算出されたＫｐ，Ｔｉ，Ｔｄは、ＰＩＤ制御ループ１
６にセットされる。

【０００７】図２は、本実施例における制御ループのブ
ロック線図を示したものである。本実施例では、ＰＩＤ
制御部１６に、ＰＩＤの１変形例であるフィードバック
補償の考え方を用いた、Ｉ−ＰＤ方式を採用した。２１
は、制御対象となるプロセスである。本実施例では、プ
ロセスモデルを２次系、すなわち、Ｇｐ（ｓ）＝１／
（ｃ₁＋ｃ₂・ｓ＋ｃ₃・ｓ²）としている。なぜなら、Ｉ
−ＰＤ制御においては、ＰＩＤパラメータはプロセスの
２次の項までで決定でき、逆にいえば、２次の項までし
か補償できないため、それ以上の項は必要としないから
である。また、プロセス制御においては、実用的には制
御対象を２次系であるとして、ほとんどの場合問題な
い。図２において、２２は比例ゲイン、２３は比例項＋
微分項に相当し、２４は積分項になる。なお、Ｋｐ，Ｔ
ｉ，Ｔｄには、ＰＩＤパラメータチューニング開始前は
初期値が入っているものとする。

【０００８】図３は、プロセスパラメータ算出部１２の
詳細構成である。３１は、伝達関数同定部であって、同
定モードにおいては、サイクリックバッファ１１に記憶
されているｎサンプル周期分の計測値をニューラルネッ
トワークの入力層に入力データとして入力し、出力とし
て、ニューラルネットワークの出力層から得られた閉ル
ープ伝達関数Ｇ（ｓ）の分母系列係数ａ₁，ａ₂，ａ₃を
出力する。また、学習モードにおいては、逆に、出力側
からＧ（ｓ）の分母系列係数ａ₁，ａ₂，ａ₃を学習デー
タ３７としてニューラルネットワークの出力層へ入力
し、サイクリックバッファ１１から入力された、上記分
母系列係数を用いた伝達関数Ｇ（ｓ）＝１／（１＋ａ₁
・ｓ＋ａ₂・ｓ²＋ａ₃・ｓ³）のステップ応答波形を用い
て学習する。この学習は、ＰＩＤパラメータチューニン
グをはじめる前に行なわれているものとする。３２は、
プロセスパラメータ算出機能であって、伝達関数同定部
３１において同定された、ＰＩＤ制御部１６とプロセス
を含んだ閉ループ伝達関数Ｇ（ｓ）＝１／（１＋ａ₁・
ｓ＋ａ₂・ｓ²＋ａ₃・ｓ³）より、制御対象プロセスの伝
達関数Ｇｐ（ｓ）＝１／（ｃ₁＋ｃ₂・ｓ＋ｃ₃・ｓ²）を
計算する処理である。本処理の計算式は、次の３式であ
たえられる。ｃ₁＝｛（Ｋｐ・ａ₁）／Ｔｉ｝−Ｋｐｃ₂＝｛（Ｋｐ・ａ₂）／Ｔｉ｝−Ｋｐ・Ｔｄｃ₃＝（Ｋｐ・ａ₃）／Ｔｉ３３は、同定制御機能であり、ＰＩＤ制御ループの設定
値ＳＶを入力とし、設定値の変更の有無をチェックす
る。設定値の変更、すなわち、プロセスとＰＩＤ制御ル
ープからなる閉ループ系に対してステップ状の入力が付
加されたと判断した際に、伝達関数同定部３１に対して
同定処理を開始するように、同定制御機能が操作する。
３４は、ゲインスケジューリング部であり、同定モード
においては、環境変数ｐ１〜ｐｍを入力層、プロセスパ
ラメータｃ₁、ｃ₂、ｃ₃を出力層としたニューラルネッ
トワークにより構成されている。学習モードにおいて
は、伝達関数同定部３１、プロセスパラメータ算出機能
３２において得られたプロセスパラメータを学習データ
として、伝達関数同定部３１が伝達関数を同定した時点
の各環境変数の値を用いて学習する。ここで、環境変数
は、ＰＩＤパラメータチューニング開始時には必ずしも
明確になっていないため、可能性として考えられるもの
を全て入力層に入力する。どの環境変数がプロセスパラ
メータに影響を与えるかは、因果性尺度算出機能３５に
おいて計算される因果性尺度によって判断す。また、同
定モードでは、学習された環境変数とプロセスパラメー
タの関係から、各環境変数の現在値より、プロセスパラ
メータを算出する。ここでは、学習モードの因果性尺度
を設計者に提示し、設計者によって環境変数と相関が低
いと判定されたプロセスパラメータは、入力層から省く
ことを妨げない。因果性尺度の計算法は後述する。３６
は、切換スイッチであり、ゲインスケジューリング部３
４もしくは伝達関数同定部３１、プロセスパラメータ算
出機能３２において算出されたプロセスパラメータのい
ずれかをを選択してＰＩＤパラメータ算出機構１５へ渡
す。

【０００９】図４は、伝達関数同定部３１およびゲイン
スケジューリング部３４に使用されているニューラルネ
ットワークの構成を模式的に示したものである。４１
は、出力ユニットであって、伝達関数同定部３１では、
閉ループ伝達関数Ｇ（ｓ）＝１／（１＋ａ₁・ｓ＋ａ₂・
ｓ²＋ａ₃・ｓ³）のパラメータ（ａ₁，ａ₂，ａ₃）を各々
出力ユニットに対応させ、ゲインスケジューリング部３
４では、プロセス伝達関数Ｇｐ（ｓ）＝１／（ｃ₁＋ｃ₂
・ｓ＋ｃ₃・ｓ²）のパラメータを各々出力ユニットに対
応させている（すなわち出力ユニット数は３）。４２
は、入力ユニットであり、伝達関数同定部ではサイクリ
ックバッファ１１に記憶されている時系列データの１個
毎に対応させ（したがって入力ユニット数はｎ個とな
る。図４では簡単のため入力ユニットを３個のみ記して
いる。）、ゲインスケジューリング部３４では、環境変
数ｐ１〜ｐｍに各々対応（したがって入力ユニット数は
ｍ個）させている。４３は、隠れ層のユニットであり、
ユニット数は設計者が任意に選ぶことができ、ユニット
数が多いほど複雑なネットワークが構成できる。４４
は、入力層と隠れ層の間の接続であり、入力層の各ユニ
ットから隠れ層の各ユニットに接続されている。同様に
４５は、隠れ層と出力層の間の接続であり、隠れ層の各
ユニットから出力層の各ユニットに接続されている。本
ニューラルネットワークは、Ｒｕｍｅｌｈａｒｔ型のネ
ットワークを用いており、入力層、隠れ層、出力層各々
の同一層内の相互間の接続は無い。また、本例では３層
構造のニューラルネットワークを用いているが、隠れ層
を増やして４層以上のネットワークとしても同様に扱う
ことができる。接続４４、４５はすべて重み係数を持っ
ており、ニューラルネットワークの学習とは、これらの
重み係数の値を決定することにほかならない。

【００１０】次に、このニューラルネットワークのアル
ゴリズムについて説明する。図５は、図４におけるユニ
ット１個分を示したものである。５１は第ｉユニット、
５２ａ，５２ｂ，５２ｃは各々、ユニットｋ〜ユニット
ｉ，ユニットｊ〜ユニットｉ，ユニットｌ〜ユニットｉ
への接続、５３はユニットｉの出力を示す。ユニットｉ
の動作は、Ｏｉ＝ｆ（ｎｅｔｉ）＝ｆ（ΣＷｉｊ・Ｏｊ） ………（１）なる式で表される。ここで、Ｏｉはユニットｊの出力、
Ｗｉｊはユニットｉからの接続の重み係数、ｆ（ｘ）
は、シグモイド関数であり、ｆ（ｘ）＝１／（１＋ｅｘ
ｐ（−ｘ））により表される。同定モードにおいては、
（１）式で表される演算を、入力層から出力層へ向かっ
て全ユニットに対して行うことによって、出力（ａ₁，
ａ₂，ａ₃）が算出される。一方、学習モードにおいて
は、デルタルールにもとずくバックプロパゲーションの
アルゴリズムによって、ネットワーク内の全重み係数Ｗ
ｉｊを算出することができる。バックプロパゲーション
においては、各接続の重み係数の１試行あたりの変化量
ΔＷｉｊは次式で与えられる。 ΔＷｉｊ＝ηδi・Ｏｊ ……（２）ここで、ηは定数、δiは学習時の教師データとの偏
差、Ｏｉは第ｉユニットの出力である。なお、δiは第
ｉユニットが出力層であるか、隠れ層であるかによって
異なる。出力層のユニットであれば、 δi＝（ｔi−Ｏｉ）・ｆ'（ｎｅｔｉ） ……（３）
（ｔiは、ユニットｉの教師データ）となり、隠れ層の
ユニットであれば、 δi＝ｆ'（ｎｅｔｉ）・Σk（δk・Ｗｋｉ） ……（４）となる。（２）〜（４）式により表される計算を、全て
の教師データに対して、出力層から入力層に向かって１
通り行うと、１試行となる。本試行をＷｉｊが、収束す
るまで繰り返すことによって学習する。たとえば、伝達
関数同定部３１では、教師データｔｉとしてＧ（ｓ）の
分母系列（ａ₁，ａ₂，ａ₃）の種々のケースを用いる。
このときの入力層への入力は、伝達関数Ｇ（ｓ）＝１／
（１＋ａ₁・ｓ＋ａ₂・ｓ²＋ａ₃・ｓ³）であらわされる
系のステップ応答となる。

【００１１】つぎに因果性尺度の計算法について説明す
る。因果性尺度は、隠れ層が１層の場合、次式で定義さ
れる。ＣＯ＝Σｊ（Ｗ１ｋｊ・Ｗ２ｊｉ） ……（５）ここで、ＣＯは出力ユニットｋに対する入力ユニットｉ
の因果性尺度、Ｗ１ｋｊは出力ユニットｋと隠れ層ユニ
ットｊ間の重み係数、Ｗ２ｊｉは隠れ層ユニットｊと入
力ユニットｉ間の重み係数である。ＣＯの絶対値の大小
は相関関係の大小を示し、符号は相関関係の正負を示
す。因果性尺度算出機能３５では、全入出力ユニットに
ついて（５）式の計算を行う。

【００１２】最後に、ＰＩＤパラメータ算出機構１５の
処理について説明する。プロセスパラメータ算出部１２
においてプロセス伝達関数Ｇｐ（ｓ）が同定されるた
め、以降のＰＩＤパラメータの算出は、種々の公知の算
出方法を適用することができる。本適用例では、部分モ
デルマッチング法によりＰＩＤパラメータを算出してい
る。すなわち、望ましき応答を示す伝達関数をＧｍ
（ｓ）＝１／（１＋σ・α₁・ｓ＋σ²・０₂・ｓ²＋σ³
・α₃・ｓ³）として、閉ループ伝達関数Ｇ（ｓ）が、Ｇ
ｍ（ｓ）に一致するようにＰＩＤパラメータを算出す
る。ここで、σは立上り時間である。σ、α₁、α₂、α
₃は、望ましき制御系を規定するためのＰＩＤパラメー
タ算出機構への設定値である。ＰＩＤパラメータは、次
式によって算出される。（なお、本実施例では簡単のた
めα₁＝１としてある。）Ｋｐ＝｛ｃ₃／（α₃・σ²）｝−ｃ₁ Ｔｉ＝（１−α₃・ｃ₁・σ²／ｃ₃）σ Ｔｄ＝（ｃ₃・α₂−ｃ₂・α₃・σ）σ／（ｃ₃−α₃・ｃ₁・σ²）なお、本ＰＩＤパラメータ・オートチューニング方法
は、上記のようなアルゴリズムにより実現されているた
め、制御用計算機、ディジタル計装システムのワンルー
プまたはマルチループ・コントローラなどの上に容易に
構築できる。

【００１３】図６に、本発明を下水処理プロセス（活性
汚泥法）のＤＯ（溶存酸素量）制御に適用した例を示
す。図中、６１はエアレーションタンクであって、タン
ク内の汚水中の有機物がバクテリアによって処理され
る。本処理は、バクテリアに対して酸素を供給すること
によって進められるため、ブロワー６２からエアレーシ
ョンタンク６１に、配管６３を通して空気を供給するこ
とによって、促進させる。ＤＯ制御とは、調節弁６４に
よって、エアレーションタンク６１内の溶存酸素量を定
値制御しようとするものである。本実施例では、一次調
節系としてＤＯ計６７の計測値ををＰＶとするＤＯルー
プ６５と、２次調節系として風量計６８の計測値をＰＶ
とする２つのＰＩＤループ６６のカスケード系として構
成されている。ＰＩＤループ６５、６６に、本発明のＰ
ＩＤオートチューニング方法を適用する。下水処理プロ
セスは、微生物処理を含むため、その動特性は液温、微
生物、流入汚水の状態といった要因で変動することが知
られている。そこで、動特性の変動は、制御ループ構築
上は、ゲイン、時定数の変化と考えてよいため、１次調
節系では、環境変数として、上記要因の指標となる液温
６０、ＭＬＳＳ６９、流入汚水の吸光度６０１を用い、
これらの計測値とゲイン、時定数の関係をゲインスケジ
ューリング部３４において学習させる。この学習は、プ
ロセスパラメータ算出機能３２において得られたプロセ
スパラメータを学習データとして、伝達関数同定部３１
が伝達関数を同定した時点の液温６０、ＭＬＳＳ６９、
流入汚水の吸光度６０１の値を全て入力層に入力して学
習する。そして、どの環境変数がプロセスパラメータに
影響を与えるかは、因果性尺度算出機能３５において計
算される因果性尺度によって判断する。また、同定モー
ドでは、学習された環境変数とプロセスパラメータの関
係から、各環境変数の現在値より、プロセスパラメータ
を算出する。２次調節系は、動特性の変動はないとみな
せるため、ゲインスケジューリング部３４は使わずに、
伝達関数同定部３１のみによってＰＩＤパラメータを決
定する。本実施例では、プラント運転開始初期の学習終
了後は、ＭＬＳＳ、液温、吸光度よりプラントの伝達関
数を決定できるため、ＰＩＤパラメータ算出機構１５
が、特別なテスト信号を付加することなしに、動特性の
変動に追従してＰＩＤパラメータを変更し、常に良好な
制御性能を得ることができる。

【００１４】

【発明の効果】本発明によれば、ニューラルネットワー
クを用いて、プラント試運転中はステップ応答波形のパ
ターン認識的なアプローチによって、伝達関数を同定す
るため、従来の適応制御的なアプローチでは適用が難し
かった時変形や非線形系に対しても、ＰＩＤパラメータ
を適応させることが可能になるとともに、試運転中にあ
わせて、環境変数とプロセスパラメータの関係を学習さ
せることができるために、実運転時は、ゲインスケジュ
ーリング法と同様の考え方によって、運転上好ましくな
いテスト信号を付加せずに、ＰＩＤパラメータの適応的
なフィッティングによる良好な制御性能が実現できる。
また、制御対象の伝達関数を同定する部分とＰＩＤパラ
メータをこの伝達関数を用いて算出する部分に分けるこ
とによって、制御対象の伝達関数を設計者に提示できる
ために、制御系改善のための基礎データとすることがで
きる。また、ゲインスケジューリング部に因果性尺度算
出機能を持たせたので、学習モードの因果性尺度を設計
者に提示でき、設計者が環境変数と相関が低いと判定し
たプロセスパラメータは、入力層から省くことができ
る。

【図面の簡単な説明】

【図１】本発明のＰＩＤパラメータ・オータチューニン
グ方法の全体構成図

【図２】制御系のブロック線図

【図３】本発明のプロセスパラメータ算出部構成

【図４】ニューラルネットワーク模式図

【図５】ニューラルネットワークの個別ユニット

【図６】本発明を下水処理プロセス（活性汚泥法）のＤ
Ｏ（溶存酸素量）制御に適用した例

【符号の説明】

１１サイクリックバッファ１２プロセスパラメータ算出部１３切替スイッチ１５ＰＩＤパラメータ算出機構１６ＰＩＤ制御ループ

Claims

【特許請求の範囲】

【請求項１】比例動作（Ｐ動作）、積分動作（Ｉ動
作）、微分動作（Ｄ動作）を、制御動作の基本要素とす
るＰＩＤ制御ループを含むプロセス制御方法において、
プロセスパラメータ算出部と、算出されたプロセスパラ
メータに基づいて、Ｐ動作、Ｉ動作、Ｄ動作各々のパラ
メータを決定するＰＩＤパラメータの算出機構を有し、
上記プロセスパラメータ算出部は、制御系に対してステ
ップ状の入力が印加されたときに、制御系の応答波形を
観測することによって、プロセスの伝達関数を同定する
伝達関数同定部と、各種の環境変数とプロセスパラメー
タの関係を記述するゲインスケジューリング部からな
り、両者の出力するプロセスパラメータのうちいずれか
一方を選択し、このいずれか一方の出力に基づいてＰ動
作、Ｉ動作、Ｄ動作各々のパラメータを算出することを
特徴とするＰＩＤパラメータオートチューニング方法。
【請求項２】請求項１において、伝達関数同定部は、
制御系にステップ状の設定値変更が印加されたときに、
自動的にＰＩＤ制御装置と制御対象を含んだ閉ループ伝
達関数を同定するチューニング動作を開始する機能を有
し、上記閉ループ伝達関数を同定する際に、プロセス計
測値の最新のｎサンプル周期の時系列を入力層とし、上
記閉ループ伝達関数の係数を出力層とした、少なくとも
隠れ層を一層有するニューラルネットワークによって構
成されることを特徴とするＰＩＤパラメータオートチュ
ーニング方法。
【請求項３】請求項１または請求項２において、伝達
関数同定部は、同定対象をＰＩＤ制御装置と制御対象か
らなる閉ループ伝達関数Ｇ（ｓ）＝１／（１＋ａ₁・ｓ
＋ａ₂・ｓ²＋ａ₃・ｓ³）であると仮定し、プロセス計測
値の最新のｎサンプル周期を入力層とし、閉ループ伝達
関数Ｇ（ｓ）の分母系列の係数ａ₁，ａ₂，ａ₃を出力層
とした、隠れ層を少なくとも一層有するニューラルネッ
トワークからなり、前記ニューラルネットワークを構成
する各ユニット間の結合の強さは、上記閉ループ伝達関
数Ｇ（ｓ）の分母系列の係数ａ₁，ａ₂，ａ₃の種々の組
み合わせパターンのスッテプ応答波形を学習させること
によって決定することを特徴とするＰＩＤパラメータオ
ートチューニング方法。
【請求項４】請求項１において、ゲインスケジュール
部は、プロセスパラメータに影響を与える環境変数を入
力層とし、制御対象のプロセス伝達関数がＧｐ（ｓ）＝
１／（ｃ₁＋ｃ₂・ｓ＋ｃ₃・ｓ²）であらわされると仮定
したときのプロセスパラメータｃ₁、ｃ₂、ｃ₃を出力層
とした、隠れ層を少なくとも一層有するニューラルネッ
トワークからなり、前記ニューラルネットワークの教師
データは、伝達関数同定部において同定されたプロセス
パラメータとすることを特徴とするＰＩＤパラメータオ
ートチューニング方法。
【請求項５】請求項１において、ゲインスケジュール
部は、環境変数とプロセスパラメータの相関を評価する
因果性尺度を算出する機能を有することを特徴とするＰ
ＩＤパラメータオートチューニング方法。