JPH06199904A - 連続重合プロセスの連続運転条件変更方法 - Google Patents

Abstract

(57)【要約】 【目的】 運転条件開始後、設定した操作手順でのプロ
セス応答を予測し、必要に応じて操作手順を修正する。 【構成】 プロセス応答初期段階での重合温度のような
プロセス応答値をキーに複数種のプロセス応答をニュー
ラルネットワーク４，６に学習させておき、実際の測定
応答値をニューラルネットワーク４，６に与えて測定応
答値に対応のプロセス応答パターンを、現在、進行中の
プロセスの応答予測としてニューラルネットワーク４，
６から取り出す。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、連続重合プロセスにお
いて連続的な重合条件の変更を行う際のプロセス制御を
標準操作手順とニューラルネットワーク、すなわち、複
数段階に分けた条件変更手順と応答動特性を推定するニ
ューラルネットワークを用いてリアルタイムで制御する
連続重合プロセスの連続運転条件変更方法に関する。

【０００２】

【従来の技術】重合プロセスのような複雑な生産プロセ
スの状態予測を行なうために生産実績を統計分析するこ
とにより、プロセスの操作内容を示す物理量（以下操作
量と称す）、たとえば原液の流量，熱媒の温度等と、生
産プロセスの制御状態を示す物理量（以下制御量と称
す）、たとえばモノマー濃度，プロセス内温度との間の
関係を示す演算式を作成することが提案されている（特
公平３−４０１号）。

【０００３】このような提案によりプロセス運転に先立
って、仮想の操作量を上記演算式に与え、制御量を算出
することによりプロセスの状態予測ができるようになっ
てきた。

【０００４】また、この提案では予測処理時間が長くか
かる欠点を持つため、ニューラルネットワークを用いる
ことにより予測処理時間を短縮させる提案（特願平４−
１７９９３８号）もなされている。

【０００５】

【発明が解決しようとする課題】このようなプロセス制
御方法を重合プロセスの銘柄切換え等、重合プロセスの
運転条件の切替えに適用しようとした場合、上記提案に
は次のような不具合があった。

【０００６】（１）重合プロセスの銘柄切換えの操作量
と制御量との関係は非線形であり、統計分析の中で最も
近似精度のよい回帰分析を用いても操作量と制御量との
間の関係を見つけることが難しい。また、測定データを
多数必要とし、制御状態の予測に時間がかかる。

【０００７】（２）ニューラルネットワークを用いて制
御量を予測（シミュレーション）する手法は、実際にプ
ロセスの切替え運転を行なう際の初期運転条件を決める
には好適であるが、実際のプロセス操作がシミュレーシ
ョンから定めた操作軌道とずれた場合に、その補正がで
きない。

【０００８】そこで、従来では、重合プロセスの運転条
件の変更（例えば銘柄切替）を開始すると、運転オペレ
ータは、過去の試行錯誤についての経験からある操作量
の操作の応答として得られる制御量を予測し、運転条件
変更後の目標の制御量となるように手動で微調整操作を
行なわなければなかった。

【０００９】このようなプロセス制御方法は自動化が困
難というだけでなく、プロセスがある程度、定常状態に
近づいてからではなければ、運転オペレータは操作量や
操作手順が適切であったかどうかの判断がつかない。加
えて、各オペレータ毎に経験やノウハウが異なるために
最適操作量を一義的に決定できないため、各オペレータ
間でばらつきが発生して条件変更に要する時間がまちま
ちになってしまい、常に所望する時間内にプロセスを整
定させることが困難であるという問題がある。

【００１０】そこで、本発明の第１目的は、運転条件の
変更を開始した後、プラントの制御量の測定結果からそ
の動応答を予測することができる連続重合プロセスの連
続運転条件変更方法を提供することにある。

【００１１】本発明の第２の目的は、上記動応答の予測
結果に基き、目標の応答パターンが得られるような修正
操作量を得ることができる連続重合プロセスの連続運転
条件変更方法を提供することにある。

【００１２】

【課題を解決するための手段】本発明の第１の目的を達
成するために、請求項１の発明は、連続重合プロセスの
運転条件変更を標準操作手順に従って開始し、重合反応
の進行度を表す代表物理量を測定し、測定結果の示す標
準手順での代表物理量の応答パターンと、測定結果の応
答パターンを一致させる前記標準操作手順で規定された
操作量を修正する連続重合プロセスの連続運転条件変更
方法において、各動特性毎に異なる時刻での複数点の前
記代表物理量を入力、当該動特性を表わすパラメータ値
を出力として与えることにより複数種の動特性をニュー
ラルネットワークに学習させておき、前記運転条件変更
を開始した後、測定結果として得られる複数点の前記代
表物理量を前記ニューラルネットワークの入力に与え、
当該複数点の代表物理量に類似の動特性を示すパラメー
タ値を該ニューラルネットワークの出力から取り出すこ
とにより以後の前記代表物理量の動特性を予測すること
を特徴とする。

【００１３】本発明の第２の目的を達成するために、請
求項２の発明は、請求項１の発明に加えて、前記予測の
結果得られる推定応答パターンと予め定められ、前記標
準操作手順に対応した標準応答パターンとが一致しない
場合には、前記予測の結果得られる予測パラメータ値
（第１パラメータ値）と前記標準操作手順に対応した標
準パラメータ値との差分に基き、以後の前記操作量を相
対的に修正することを特徴とする。

【００１４】

【作用】請求項１の発明は、ニューラルネットワークが
複数時刻の代表物理量をキーとして複数種の動応答（パ
ターン）を決定するパラメータを記憶していることにな
る。実際の測定結果から採取した代表物理量から、現在
進行している応答パターンに類似する応答パターンを決
定するパラメータをニューラルネットワークの学習結果
の中から取り出すことにより、運転を開始した後でも以
後の実際の応答を予測することができる。

【００１５】請求項２の発明は、応答内容を示すパラメ
ータについて予測量と標準量の相対関係に基き、操作量
を修正することで、好適な修正操作量を取得する。

【００１６】

【実施例】以下図面を参照して本発明の実施例を詳細に
説明する。

【００１７】本実施例では、合成ゴム重合プロセスの銘
柄変更時の重合温度制御の具体例を示す。

【００１８】対象とするプラントの構成例を図２に示
す。ここでＳＣは、銘柄変更を行う場合のバルブ２１の
操作量であり、プラント制御装置１０から指示される。
ＨＴは、銘柄変更の進行度を表す代表物理量である重合
温度である。重合温度ＨＴは温度センサＴＩＣにより測
定され、プラント制御装置１０に入力される。θは、反
応槽の平均滞留時間である。プラント制御装置１０は反
応槽２０の状態量の測定結果をワークステーション１１
に転送すると共に、ワークステーションから指示された
操作量でプラント構成部を制御する。ワークステーショ
ン１１はプラント制御装置１０から一定時間毎に制御量
についての測定結果を受信し、この測定結果に基いて、
新たな操作量の指示をプラント制御装置１０に対して行
なう。

【００１９】図２のワークステーション１１の回路構成
を図１に示す。

【００２０】マイクロプロセッサ（ＭＰＵ）１は内蔵の
ソフトウェアプログラムに従って、プラント測定機器の
物性測定結果を入出力インタフェース（Ｉ／Ｏ）２から
入力し、測定結果に対応させて以後の制御内容を決定
し、プロセス制御のための機器操作量をＩ／Ｏ２を介し
てプラント制御装置１０に指示する。また、連続重合プ
ロセスの運転条件変更時には、初期段階でニューラルネ
ットワーク４を用いて、実際に複数時点で採取した重合
反応の制御量（重合温度）から、これから変化するであ
ろうこの制御量についての動特性を決定するパラメータ
を推定する。また、この推定結果から算出される応答パ
ターンが制御目標とする予め定めた応答パターンと一致
するように操作量を自動調整する。ニューラルネットワ
ーク４または６によりプロセス応答の推定を行なう際に
はニューラルネットワーク４，６に対する入出力値がバ
ッファ３，５に格納され、ＭＰＵ１により読み／書され
る。

【００２１】ニューラルネットワーク４，６はバッファ
３，５を介して入力データを１から受け取り入力データ
に対する処理の結果として得られる出力データをバッフ
ァ３，５を介してＭＰＵ１に送る。このニューラルネッ
トワーク処理をＭＰＵ１のソフトウェア処理により実現
することも可能である。

【００２２】本実施例で用いたニューラルネットワーク
は、図３に示すように３層からなる階層型ネットワーク
であり、ニューラルネットワークの学習アルゴリズムと
しては、バックプロパゲーション法を用いている。ニュ
ーラルネットワークに学習させるプラントのモデルは、
図４に示す構成であり式−（１）の形態の演算を実行す
る。本実施例では本プラントの実応答特性が一次遅れ系
と二次遅れ系の中間の応答特性であることに注目し、図
４に示すような２段完全混合槽列モデルを想定した。こ
こで、Ｋは、応答のゲイン、すなわち、実際の機器を制
御する制御信号のゲインである。Ｔは、応答の時定数、
αは一次応答と二次応答の比率、ｔは、時間である。こ
のモデルでは、Ｋは予め運転条件変更時に設定するもの
であることから、運転条件変更中に同定すべきパラメー
タは、Ｔとαの２つとなる。

【００２３】そこで、ニューラルネットワークの学習用
教師データに、Ｔとαの組を予め複数組準備して、式−
（１）から定まる図５に示すようなカーブ（具体的には
カーブ上の複数の座標値）を入力として与える。Ｔとα
の組の数は、ニューラルネットワークに必要な推定精度
や、プラントから入手できるデータの精度等を考慮して
決定する。具体的には、ニューラルネットワークの入力
層として、応答開始後の一定時間間隔毎の数点の重合温
度に関する応答を、出力層にはその時の応答の時定数Ｔ
と比率αを与える。ここで重合温度の応答は、実際の重
合温度の変化を、目標とする温度変更幅で正規化した値
である。

【００２４】本実施例では、プラントからの測定データ
収集のタイミングを考慮して、０．０４θ間隔の測定デ
ータ（本例の場合、重合温度）を入力として与える。ま
た目標とする整定時間と応答の遅れ時間を考慮して、６
点分の時系列データの入力を必要とするニューラルネッ
トワーク（ＮＮＡ）４と１２点分の時系列データの入力
を必要とするニューラルネットワーク（ＮＮＢ）６の２
種類のネットワークを選択的に使用する。

【００２５】標準操作手順については、所望する整定時
間と操作段数を決めた上で、式−（１）で示される２段
完全混合槽列モデルを用いて各時刻毎の操作量を算出
し、時系列的な操作量を標準操作手順とする。本実施例
では、目標整定時間を１．５θに設定し、４段階の操作
で十分所望時間内に整定できる事を見いだし、図６の太
線に示すような、０．５θ（θは滞留−通過時間）単位
のステップ１・ステップ２・ステップ３・ステップ４か
らなる標準操作手順を予め定める。

【００２６】標準操作手順のステップ１とステップ２
は、目標操作量を大きく越えて操作を行う事により変更
前の運転条件から変更後の運転条件への移行速度を加速
させる操作であり、ステップ３は操作量を小さくする事
でオーバーシュートを防ぐ操作である。ステップ４で、
目標とする操作量に合わせる。このステップ１〜ステッ
プ３の３段階の各ステップの操作量を適切に選定する事
で、所望する時間内にプロセスを整定させる事ができ
る。

【００２７】さらに、このようにして決定した標準操作
手順を実際に測定した制御量に対応させて修正し、プロ
セスを操作することで、オペレータ毎の個人差を解消で
き、オペレータの経験やノウハウを統一することができ
る。実際の条件変更操作の手順を図７を参照して説明す
る。

【００２８】ワークステーション１１はまず、図６の標
準操作手順に従ってステップ１の操作量をプログラム制
御装置１０に指示し、銘柄切替えの操作を開始する。こ
こから、ＭＰＵ１は無駄時間の計時を開始し、次に無駄
時間の判定を行う。この間、プラント制御装置１０から
は一定時間間隔で重合温度の測定信号が送られ、ワーク
ステーション１１内に記憶される。ここで、無駄時間と
は運転条件を変更開始してから実際に制御量が変化しは
じめるまでに要する時間と定義することにする。

【００２９】無駄時間＜０．２４θの場合は、１２点入
力のニューラルネットワーク６が選択され、順次に得ら
れる測定結果が１２点入力のニューラルネットワーク６
に送られる。１２点分の測定結果が得られたときに、Ｍ
ＰＵ１は１２点入力のニューラルネットワーク６の出力
値（図４の式中のαとＴ）を読出し、そのαとＴを使っ
て図４の式より定まる応答値ｙ１を用いて第２，第３ス
テップで設定すべき操作量を決定する。具体的にはＭＰ
Ｕ１は図８の手順を実行しｙ１の大きさによりゲインＫ
の修正方向を決定し、微小値△Ｋだけ第２，第３のステ
ップとして現在設定されているゲイン値を修正する。続
いてこの修正されたゲイン値Ｋｎｅｗと、固定された他
のパラメータ値を図４の（１）式に代入し、応答値ｙｎ
ｅｗをＭＰＵ１において計算する。次に、ＭＰＵ１は図
４の目標操作量の軌道に沿って操作した場合に得られる
目標応答値ｙ₅ （固定値）との差分を計算し、この差分
がしきい値以内、すなわち、修正応答値Ｙｎｅｗと目標
応答値ｙ_S がほぼ一致したときに、このゲイン値Ｋから
第２ステップ，第３ステップにおけるプラント各機器の
操作量たとえば原料流量等を予め定めた演算式たとえば
比例（相対）演算式により決定する。

【００３０】また、上記差分がしきい値以内とならない
場合は、第２，第３ステップとして現在設定されている
ゲイン値をさらに△Ｋだけ修正し、以下、修正応答値が
目標応答値に一致するまでゲイン値Ｋの修正を繰り返
す。

【００３１】このようにして、修正の操作量が定まる
と、ＭＰＵ１は図６の１ステップの終了時点（０．５θ
時間経過した時点）で修正の第２ステップ操作量をプロ
グラム制御装置１０に指示し、プラントの実際の操作量
を修正する。続いて、第２ステップの終了時点（１．０
θ経過時点）ではＭＰＵ１からの指示で第３ステップで
の操作量が修正され、第３ステップ終了時点（１．５θ
経過時点）で第４ステップ操作量が予め定めた目標値に
設定される。

【００３２】以上の処理は無駄時間が０．２４θ以内の
場合の手順であった。０．２４θ＜無駄時間＜０．３８
θの場合は、ニューラルネットワークとして６点入力の
ニューラルネットワーク４が選択され、上述と同様の処
理が行なわれる。

【００３３】一方、０．３８θ＜無駄時間＜０．７４θ
の場合は、１２点入力のニューラルネットワーク６が選
択されるが、第２ステップの操作量には、上述の計算で
求まる修正の操作量は用いず、予め定めた第２ステップ
の標準操作量（図７において１．２１５Ｓ，Ｓは切換え
前，後の操作量の差分）が実際の操作に用いられ、第３
ステップのみ、上述の計算で求まる修正の操作量が実際
の操作に用いられる（図７参照）。

【００３４】また、０．７４θ＜無駄時間＜０．８８θ
の場合、は、ニューラルネットワークには６点入力のニ
ューラルネットワーク４が選択され、第２ステップ目に
は第２ステップの標準操作量が用いられ、第３ステップ
目には修正操作量が用いられる（図７参照）。また、
０．８８θ＜無駄時間の場合は、第２，第３ステップと
も標準操作量に従って操作し、１．５θで目標の操作量
とし、条件変更操作を終了する。

【００３５】以上を要約すると、本実施例では、条件変
更を開始してから複数時点の制御量、たとえば重合温度
の測定結果を採取すると、重合温度の応答をニューラル
ネットワークを用いてパラメータ（Ｔ，α）の形態で予
測する。この予測結果が予め定めた目標応答（ｙ_S ）と
ならない場合は、現在の標準操作量の軌道（図６の第
２，第３ステップの操作量）を適当なモデル式（図４の
式−（１））を用いて修正して制御量の予測を行ない、
予測結果が目標応答と一致するような操作量軌道を見つ
ける。このようにして見つけた操作量に従って実際の操
作量をリアルタイムに修正していくので図９に示すよう
に予め設定した目標値へ所望の時間内にプロセス反応の
制御量を整定することができる。

【００３６】また、無駄時間に応じて、予測精度の異な
るニューラルネットワークを選択し、また、操作量の修
正回数を可変とすることで、プロセスの操作制御精度を
低下させることなく修正操作量の計算時間を短縮させ、
無駄時間による整定時間の遅延を吸収する。

【００３７】参考のために、ニューラルネットワークを
用いて応答予測を行った場合の予測結果と実応答とを図
１０の（ａ), (ｃ）に示し、同様の条件で回帰分析（最
小２乗法）により応答予測を行なった場合の予測結果と
実応答とを図１０の（ｂ), (ｄ）に模式的に示す。実応
答の曲線が非線形になる場合（（ｃ), (ｄ））程、ニュ
ーラルネットワークを用いる方がより近似精度がよいこ
とが判る。

【００３８】以上の例は、制御量の測定結果から制御量
の動応答を予測し、目標の応答が得られるように操作量
を自動修正する例（請求項２の発明に相当）であった。
このシステムの動応答予測機能（請求項１の発明）を用
いるだけでも、たとえば、オペレータが手動で初期設定
した操作手順が正しいものであるか否かの判定を行なう
ことができる。

【００３９】

【発明の効果】以上、説明したように、本発明によれ
ば、運転開始後であってもプロセスの制御状態の応答を
予測し、自動修正を行なうことができ、制御内容の質を
高めることができるという効果が得られ、複雑な条件変
更制御を自動化することができる。

【図面の簡単な説明】

【図１】図２のワークステーション１１の主要構成を示
すブロック図である。

【図２】本発明を適用したプラント制御システムの構成
を示す構成図である。

【図３】ニューラルネットワークの構成例を示す構成図
である。

【図４】二段完全混合槽列モデルを示す説明図である。

【図５】応答パターン推定（予測）に用いるニューラル
ネットワークの学習用教師データ例を示す特性図であ
る。

【図６】本実施例の操作手順を示す図である。

【図７】ワークステーション１１の制御手順を示すフロ
ーチャートである。

【図８】ワークステーション１１の制御手順を示すフロ
ーチャートである。

【図９】図６の操作手順に対した制御量の応答内容を示
す図である。

【図１０】ニューラルネットワーク，回帰分析それぞれ
の予測結果と実応答を示す図である。

【符号の説明】

１ ＭＰＵ ２ Ｉ／Ｏ ３，５ バッファ ４，６ ニューラルネットワーク １０ プラント制御装置 ２０ 反応槽 ２１ バルブ

Claims (2)

【特許請求の範囲】
1. 【請求項１】 連続重合プロセスの運転条件変更を標準
   操作手順に従って開始し、重合反応の進行度を表す代表
   物理量を測定し、測定結果の示す標準手順での代表物理
   量の応答パターンと、測定結果の応答パターンを一致さ
   せる前記標準操作手順で規定された操作量を修正する連
   続重合プロセスの連続運転条件変更方法において、 各動特性毎に異なる時刻での複数点の前記代表物理量を
   入力、当該動特性を表わすパラメータ値を出力として与
   えることにより複数種の動特性をニューラルネットワー
   クに学習させておき、 前記運転条件変更を開始した後、測定結果として得られ
   る複数点の前記代表物理量を前記ニューラルネットワー
   クの入力に与え、当該複数点の代表物理量に類似の動特
   性を示すパラメータ値を該ニューラルネットワークの出
   力から取り出すことにより以後の前記代表物理量の動特
   性を予測することを特徴とする連続重合プロセスの連続
   運転条件変更方法。
2. 【請求項２】 前記予測の結果得られる推定応答パター
   ンと予め定められ、前記標準操作手順に対応した標準応
   答パターンとが一致しない場合には、前記予測の結果得
   られる予測パラメータ値（第１パラメータ値）と前記標
   準操作手順に対応した標準パラメータ値との差分に基
   き、以後の前記操作量を相対的に修正することを特徴と
   する請求項１に記載の連続重合プロセスの連続運転条件
   変更方法。