特許ウォッチ

公開番号2024157147
公報種別公開特許公報(A)
公開日2024-11-07
出願番号2023071309
出願日2023-04-25
発明の名称プラント応答推定装置、プラント応答推定方法、及びプログラム
出願人富士電機株式会社
代理人個人,個人
主分類G05B 23/02 20060101AFI20241030BHJP(制御;調整)
要約【課題】操業中のプラントの運転データから応答モデルを精度良く推定する技術を提供すること。
【解決手段】本開示の一態様によるプラント応答推定装置は、制御対象プラントの運転データに基づいて、前記制御対象プラントの状態を表す状態ベクトルを作成する状態ベクトル作成部と、前記状態ベクトルを用いて、前記状態ベクトルを学習データとするか否かを判定する学習データ選別部と、前記状態ベクトルを学習データとすると判定された場合、前記状態ベクトルを学習データとして用いて、前記制御対象プラントの応答モデルを表す関数のパラメータを更新するパラメータ更新部と、を有する。
【選択図】図2
特許請求の範囲【請求項１】
制御対象プラントの運転データに基づいて、前記制御対象プラントの状態を表す状態ベクトルを作成する状態ベクトル作成部と、
前記状態ベクトルを用いて、前記状態ベクトルを学習データとするか否かを判定する学習データ選別部と、
前記状態ベクトルを学習データとすると判定された場合、前記状態ベクトルを学習データとして用いて、前記制御対象プラントの応答モデルを表す関数のパラメータを更新するパラメータ更新部と、
を有するプラント応答推定装置。
続きを表示（約 1,300 文字）【請求項２】
前記学習データ選別部は、
前記状態ベクトルの現在値と前回値との差のノルムを計算し、
前記ノルムが所定の閾値以上である場合、前記状態ベクトルを学習データとすると判定し、
前記ノルムが前記閾値未満である場合、前記状態ベクトルを学習データとしないと判定する、請求項１に記載のプラント応答推定装置。
【請求項３】
前記学習データ選別部は、
前記状態ベクトルの分散と、所定の係数とを用いて、前記閾値を計算する、請求項２に記載のプラント応答推定装置。
【請求項４】
前記学習データ選別部は、
前記状態ベクトルの現在値と前記パラメータとを用いて、前記制御対象プラントの制御量の推定値を計算し、
前記制御量の推定値と前記制御量の現在値との誤差を表す予測誤差を計算し、
前記予測誤差が所定の閾値以上である場合、前記状態ベクトルを学習データとすると判定し、
前記予測誤差が前記閾値未満である場合、前記状態ベクトルを学習データとしないと判定する、請求項１に記載のプラント応答推定装置。
【請求項５】
前記学習データ選別部は、
前記制御量の分散と、所定の係数とを用いて、前記閾値を計算する、請求項４に記載のプラント応答推定装置。
【請求項６】
前記パラメータ更新部は、
所定の調整係数を伴う逐次最小２乗法により前記パラメータの推定値を計算し、
前記調整係数は前記パラメータの推定値の計算と共分散行列を推定する際の更新量の調整とに用いられる、請求項１乃至５の何れか一項に記載のプラント応答推定装置。
【請求項７】
前記パラメータ更新部は、
１より大きい値が設定された前記調整係数を用いる、請求項６に記載のプラント応答推定装置。
【請求項８】
制御対象プラントの運転データに基づいて、前記制御対象プラントの状態を表す状態ベクトルを作成する状態ベクトル作成手順と、
前記状態ベクトルを用いて、前記状態ベクトルを学習データとするか否かを判定する学習データ選別手順と、
前記状態ベクトルを学習データとすると判定された場合、前記状態ベクトルを学習データとして用いて、前記制御対象プラントの応答モデルを表す関数のパラメータを更新するパラメータ更新手順と、
をコンピュータが実行するプラント応答推定方法。
【請求項９】
制御対象プラントの運転データに基づいて、前記制御対象プラントの状態を表す状態ベクトルを作成する状態ベクトル作成手順と、
前記状態ベクトルを用いて、前記状態ベクトルを学習データとするか否かを判定する学習データ選別手順と、
前記状態ベクトルを学習データとすると判定された場合、前記状態ベクトルを学習データとして用いて、前記制御対象プラントの応答モデルを表す関数のパラメータを更新するパラメータ更新手順と、
をコンピュータに実行させるプログラム。

発明の詳細な説明【技術分野】
【０００１】
本開示は、プラント応答推定装置、プラント応答推定方法、及びプログラムに関する。
続きを表示（約 2,400 文字）【背景技術】
【０００２】
制御対象の制御量を目標値に追従させることを目的とする制御方式として、モデル予測制御が知られている。また、モデル予測制御で用いられる線形予測モデルのパラメータを推定する手法として、逐次最小２乗法（ＲＬＳ法：Recursive Least Squares法）等が知られている。例えば、特許文献１には、操業中のプラントの運転データを用いて、ＲＬＳ法によりプラント応答モデルのパラメータを推定する技術が記載されている。
【先行技術文献】
【特許文献】
【０００３】
特開２０２３－５３５７３号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
しかしながら、従来技術では、プラント応答モデルのパラメータ更新に用いられる学習データとして、例えば、定常状態における一定値しか含まれない運転データが用いられ、不適切なモデルパラメータが推定されてしまうことがある。一定値や１つの周波数成分しか含まれない運転データ等は、プラントのダイナミクスの情報が欠落しており、学習データとしては不適切だが、操業中に十分生じ得る。このような不適切な運転データでの学習では、プラント応答モデルのパラメータの推定値が真値と乖離してしまう場合がある。
【０００５】
本開示は、上記の点に鑑みてなされたもので、操業中のプラントの運転データから応答モデルを精度良く推定する技術を提供する。
【課題を解決するための手段】
【０００６】
本開示の一態様によるプラント応答推定装置は、制御対象プラントの運転データに基づいて、前記制御対象プラントの状態を表す状態ベクトルを作成する状態ベクトル作成部と、前記状態ベクトルを用いて、前記状態ベクトルを学習データとするか否かを判定する学習データ選別部と、前記状態ベクトルを学習データとすると判定された場合、前記状態ベクトルを学習データとして用いて、前記制御対象プラントの応答モデルを表す関数のパラメータを更新するパラメータ更新部と、を有する。
【発明の効果】
【０００７】
操業中のプラントの運転データから応答モデルを精度良く推定する技術が提供される。
【図面の簡単な説明】
【０００８】
第一の実施形態に係るプラント応答推定装置のハードウェア構成の一例を示す図である。
第一の実施形態に係るプラント応答推定装置の機能構成の一例を示す図である。
バッファ部の動作の一例を説明するための図である。
第一の実施形態に係る学習データ選別処理の一例を説明するためのフローチャートである。
第一の実施形態に係る拡大モデルパラメータ推定処理の一例を説明するためのフローチャートである。
パラメータ変換部の動作の一例を説明するための図である。
ステップ応答計算部の動作の一例を説明するための図である。
第一の実施形態に係るステップ応答計算処理の一例を説明するためのフローチャートである。
状態ベクトル更新の一例を説明するための図である。
第二の実施形態に係る学習データ選別処理の一例を説明するためのフローチャートである。
第三の実施形態に係る学習データ選別処理の一例を説明するためのフローチャートである。
第四の実施形態に係る学習データ選別処理の一例を説明するためのフローチャートである。
実施例における対象プラントのステップ応答を示す図である。
学習データ選別部を用いない場合のモデルパラメータ推定結果及び制御結果を示す図（その１）である。
学習データ選別部を用いない場合のモデルパラメータ推定結果及び制御結果を示す図（その２）である。
学習データ選別部を用いた場合のモデルパラメータ推定結果及び制御結果を示す図（その１）である。
学習データ選別部を用いた場合のモデルパラメータ推定結果及び制御結果を示す図（その２）である。
【発明を実施するための形態】
【０００９】
以下、本発明の実施形態について説明する。以下の各実施形態では、操業中のプラントの運転データからプラント応答モデルを精度良く推定することができるプラント応答推定装置１０について説明する。なお、操業中とはプラントが正常に稼働し、通常の運転を行っている状態のことであり、例えば、オンライン中、運転中、運用中等と呼ばれてもよい。また、プラントとは１以上の機械、機器、装置等で構成される産業設備のことであり、プラント応答モデルを用いたモデル予測制御によって制御される制御対象である。プラントの具体例としては、例えば、石油化学プラント、食品プラント、鉄鋼プラント、発電プラント等といったものが挙げられるが、これらは一例であって、これらに限られるものではない。また、一般に、これらのプラントの制御システムでは、プラントの制御量、操作量、外乱量といった入出力データが運転データとして扱われる。
【００１０】
ここで、プラントの運転条件等によっては、例えば、定常状態が継続したり、運転データの値が上限値や下限値に偏ってしまったりすることがある。このため、定常状態における運転データや上限値・下限値に偏った運転データを学習データとして用いてプラント応答モデルのパラメータを更新した場合、それらの運転データによってパラメータが収束し、その結果、パラメータの推定値が真値と乖離してしまうことがある。このように、定常状態における運転データや上限値・下限値に偏った運転データ等は、プラント応答モデルの学習データとしては適切でない運転データであるといえる。なお、学習データとは、プラント応答モデルのパラメータ更新に用いられるデータのことである。
（【００１１】以降は省略されています）

関連特許