(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2023157748
(43)【公開日】2023-10-26
(54)【発明の名称】制御装置、制御方法およびプログラム
(51)【国際特許分類】
G05B 11/36 20060101AFI20231019BHJP
G05B 23/02 20060101ALI20231019BHJP
B22D 11/16 20060101ALI20231019BHJP
B22D 11/11 20060101ALI20231019BHJP
【ＦＩ】
G05B11/36 505Z
G05B23/02 302R
B22D11/16 104B
B22D11/11 D
【審査請求】未請求
【請求項の数】11
【出願形態】ＯＬ
(21)【出願番号】P 2022067843
(22)【出願日】2022-04-15
(71)【出願人】
【識別番号】000006655
【氏名又は名称】日本製鉄株式会社
(74)【代理人】
【識別番号】110000637
【氏名又は名称】弁理士法人樹之下知的財産事務所
(72)【発明者】
【氏名】北田 宏
【テーマコード（参考）】
3C223
4E004
5H004
【Ｆターム（参考）】
3C223AA01
3C223FF03
3C223FF16
3C223FF22
3C223FF26
3C223FF45
4E004MA05
4E004MB11
5H004GA29
5H004GB03
5H004KC08
5H004KC10
5H004KD31
(57)【要約】
【課題】プロセス信号がプラントの性能を直接的に示すものではない場合であっても、プラントの状態が異常である場合を判定して操作量を変更することによってプラントの状態を正常に近づけるように制御する。
【解決手段】プラントからプロセス信号を取得する計測手段と、プロセス信号から、プラントにおける操業が正常であることを示す１つの正常分類、および操業が異常であることを示す複数の異常分類のそれぞれへの分類確率を算出する分類手段と、複数の異常分類への分類確率から算出された性能指標推定値を目標値に近づけることによって複数の異常分類への分類確率がすべて０に近づくようにプラントの操作量を決定する操作量算出手段とを備える制御装置が提供される。
【選択図】図１
【解決手段】プラントからプロセス信号を取得する計測手段と、プロセス信号から、プラントにおける操業が正常であることを示す１つの正常分類、および操業が異常であることを示す複数の異常分類のそれぞれへの分類確率を算出する分類手段と、複数の異常分類への分類確率から算出された性能指標推定値を目標値に近づけることによって複数の異常分類への分類確率がすべて０に近づくようにプラントの操作量を決定する操作量算出手段とを備える制御装置が提供される。
【選択図】図１
【特許請求の範囲】
【請求項1】
プラントからプロセス信号を取得する計測手段と、
前記プロセス信号から、前記プラントにおける操業が正常であることを示す１つの正常分類、および前記操業が異常であることを示す複数の異常分類のそれぞれへの分類確率を算出する分類手段と、
前記複数の異常分類への分類確率から算出された性能指標推定値を目標値に近づけることによって前記複数の異常分類への分類確率がすべて０に近づくように前記プラントの操作量を決定する操作量算出手段と
を備える制御装置。
前記プロセス信号から、前記プラントにおける操業が正常であることを示す１つの正常分類、および前記操業が異常であることを示す複数の異常分類のそれぞれへの分類確率を算出する分類手段と、
前記複数の異常分類への分類確率から算出された性能指標推定値を目標値に近づけることによって前記複数の異常分類への分類確率がすべて０に近づくように前記プラントの操作量を決定する操作量算出手段と
を備える制御装置。
【請求項2】
前記操作量算出手段は、前記操作量と前記性能指標推定値との間にフィードバックループを構成し、前記性能指標推定値と前記目標値との偏差を最小化するように前記操作量を算出する、請求項１に記載の制御装置。
【請求項3】
前記性能指標推定値の個数Ｌが前記プラント操作量の個数ｍより少ない場合には、前記プラント操作量に関して、新たな変数または制約条件を計ｍ－Ｌ個を追加して、ｍ個の操作量の値を算出する、請求項２に記載の制御装置。
【請求項4】
前記プラント操作量に関して、プラントの操作量の操業状態に異常を生じないように制約条件を追加して、ｍ個の操作量の値を算出する、請求項１または請求項２に記載の制御装置。
【請求項5】
前記分類手段は、前記プラントの運転条件および前記プロセス信号を説明変数とする回帰モデルを用いて前記分類確率を算出する、請求項１または２に記載の制御装置。
【請求項6】
前記分類手段は、前記プラントの運転条件および前記プロセス信号から算出される分類状態変数からソフトマックス関数を用いて前記分類確率を算出する、請求項５に記載の制御装置。
【請求項7】
前記分類手段は、前記プロセス信号を入力とするニューラルネットワークモデルを用いて前記分類状態変数を算出する、請求項６に記載の制御装置。
【請求項8】
前記プラントは、連続鋳造機であり、
前記プロセス信号は、前記連続鋳造機の鋳型に設置された測温装置によって取得された測温値であり、
前記正常分類は、前記鋳型内の溶鋼流に偏流が発生していない状態を示す分類であり、
前記複数の異常分類は、前記溶鋼流に第１の方向の偏流が発生している状態を示す第１の異常分類と、前記溶鋼流に第２の方向の偏流が発生している状態を示す第２の異常分類とを含み、
前記性能指標推定値は、前記第１の異常分類および前記第２の異常分類のそれぞれの分類確率から算出される対数オッズの差に基づく値であり、
前記操作量は、前記鋳型に配置された電磁ブレーキへの電流指示値である、請求項１から請求項７のいずれか１項に記載の制御装置。
前記プロセス信号は、前記連続鋳造機の鋳型に設置された測温装置によって取得された測温値であり、
前記正常分類は、前記鋳型内の溶鋼流に偏流が発生していない状態を示す分類であり、
前記複数の異常分類は、前記溶鋼流に第１の方向の偏流が発生している状態を示す第１の異常分類と、前記溶鋼流に第２の方向の偏流が発生している状態を示す第２の異常分類とを含み、
前記性能指標推定値は、前記第１の異常分類および前記第２の異常分類のそれぞれの分類確率から算出される対数オッズの差に基づく値であり、
前記操作量は、前記鋳型に配置された電磁ブレーキへの電流指示値である、請求項１から請求項７のいずれか１項に記載の制御装置。
【請求項9】
前記操作量算出手段は、前記電流指示値が所定の設計値を下回らないように前記電流指示値を算出する、請求項８に記載の制御装置。
【請求項10】
プラントからプロセス信号を取得するステップと、
前記プロセス信号から、前記プラントにおける操業が正常であることを示す１つの正常分類、および前記操業が異常であることを示す複数の異常分類のそれぞれへの分類確率を算出するステップと、
前記複数の異常分類への分類確率から算出された性能指標推定値を目標値に近づけることによって前記複数の異常分類への分類確率がすべて０に近づくように前記プラントの操作量を決定するステップと
を含む制御方法。
前記プロセス信号から、前記プラントにおける操業が正常であることを示す１つの正常分類、および前記操業が異常であることを示す複数の異常分類のそれぞれへの分類確率を算出するステップと、
前記複数の異常分類への分類確率から算出された性能指標推定値を目標値に近づけることによって前記複数の異常分類への分類確率がすべて０に近づくように前記プラントの操作量を決定するステップと
を含む制御方法。
【請求項11】
プラントからプロセス信号を取得する計測手段と、
前記プロセス信号から、前記プラントにおける操業が正常であることを示す１つの正常分類、および前記操業が異常であることを示す複数の異常分類のそれぞれへの分類確率を算出する分類手段と、
前記複数の異常分類への分類確率から算出された性能指標推定値を目標値に近づけることによって前記複数の異常分類への分類確率がすべて０に近づくように前記プラントの操作量を決定する操作量算出手段と
を備える制御装置としてコンピュータを機能させるためのプログラム。
前記プロセス信号から、前記プラントにおける操業が正常であることを示す１つの正常分類、および前記操業が異常であることを示す複数の異常分類のそれぞれへの分類確率を算出する分類手段と、
前記複数の異常分類への分類確率から算出された性能指標推定値を目標値に近づけることによって前記複数の異常分類への分類確率がすべて０に近づくように前記プラントの操作量を決定する操作量算出手段と
を備える制御装置としてコンピュータを機能させるためのプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、制御装置、制御方法およびプログラムに関する。
【背景技術】
【0002】
製品の製造などを行うプラントでは、製造される製品の品質や操業の安定性などの性能を高めるために、プラントに設置された各種のセンサを用いてプロセス信号を検出して制御に利用している。検出したプロセス信号が性能を直接的に示す指標であれば、プロセス信号に応じて制御における操作量を決定することによって所望の性能を実現することは比較的容易であるが、プラントの性能が必ずしもプロセス信号によって直接的に示されるものではない場合もある。そのような場合には、検出されたプロセス信号およびプラントの運転条件を過去の実績データと対比することによってプラントの状態が異常か正常かを判定し、異常である場合には操作量を変更してプラントの状態を正常に近づけることが必要である。
【0003】
このように、プラントの運転状態の識別結果をもとに制御装置の制御量を演算する技術の例が、特許文献１に記載されている。特許文献１に記載された技術では、水処理プラントの上位レベル制御装置において、計測装置から送られてくる現在の被処理水の状態データと、上位レベル制御装置から下位レベル制御装置に送られる現在の下位レベル制御値と、データベースに保持されている過去のプラント運転情報とを統計的に処理して、現在および過去の水処理プラントの運転状態を示す統計データが作成される。さらに、統計データに基づいて現在の水処理プラントの運転状態が識別され、統計データと現在の水処理プラントの運転状態とに基づいて新たな下位レベル制御値が演算される。水処理プラントの運転状態を識別するにあたっては、統計データに対してクラスタリングを行って、現在の水処理プラントの運転状態が各プラント状態要素に対してどの程度帰属しているかを表す状態帰属度が求められ、状態帰属度の重みづけによって運転状態が決定される。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開２００３－１４０７１２号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
しかしながら、特許文献１における運転状態の識別は、下位レベル制御装置に与える制御量を決定するためだけに用いられている。つまり、特許文献１に記載された技術において、運転状態の識別はプラントの状態が異常か正常かを判定するものではない。従って、上述のようにプラントの状態が異常である場合に操作量を変更してプラントの状態を正常に近づける制御が必要とされる場合に、特許文献１の技術を適用することはできない。
【0006】
そこで、本発明は、プロセス信号がプラントの性能を直接的に示すものではない場合であっても、プラントの状態が異常である場合を判定して操作量を変更することによってプラントの状態を正常に近づけるように制御することを可能にする制御装置、制御方法およびプログラムを提供することを目的とする。
【課題を解決するための手段】
【0007】
本発明のある観点によれば、プラントからプロセス信号を取得する計測手段と、プロセス信号から、プラントにおける操業が正常であることを示す１つの正常分類、および操業が異常であることを示す複数の異常分類のそれぞれへの分類確率を算出する分類手段と、複数の異常分類への分類確率から算出された性能指標推定値を目標値に近づけることによって複数の異常分類への分類確率がすべて０に近づくようにプラントの操作量を決定する操作量算出手段とを備える制御装置が提供される。
【0008】
本発明の別の観点によれば、プラントからプロセス信号を取得するステップと、プロセス信号から、プラントにおける操業が正常であることを示す１つの正常分類、および操業が異常であることを示す複数の異常分類のそれぞれへの分類確率を算出するステップと、複数の異常分類への分類確率から算出された性能指標推定値を目標値に近づけることによって複数の異常分類への分類確率がすべて０に近づくようにプラントの操作量を決定するステップとを含む制御方法が提供される。
【0009】
本発明のさらに別の観点によれば、プラントからプロセス信号を取得する計測手段と、プロセス信号から、プラントにおける操業が正常であることを示す１つの正常分類、および操業が異常であることを示す複数の異常分類のそれぞれへの分類確率を算出する分類手段と、複数の異常分類への分類確率から算出された性能指標推定値を目標値に近づけることによって複数の異常分類への分類確率がすべて０に近づくようにプラントの操作量を決定する操作量算出手段とを備える制御装置としてコンピュータを機能させるためのプログラムが提供される。
【0010】
上記の構成によれば、プロセス信号がプラントの性能を直接的に示すものではない場合であっても、プラントの操業状態を示す正常分類および複数の異常分類の分類確率を算出し、複数の異常分類の分類確率がすべて０に近づくようにプラントの操作量を決定することによって、プラントの状態を正常に近づけるように制御することができる。この際、複数の異常分類への分類確率がすべて０に近づくときに目標値に近づくように定義された性能指標推定値を用いることによって、安定的にプラントの状態を正常に近づけるような制御が可能になる。
【図面の簡単な説明】
【0011】
【図1】本発明の第１の実施形態に係るプラント制御システムを示す概略的なブロック図である。
【図2】本発明の第１の実施形態において実行されるプラント制御方法を示す概略的なフローチャートである。
【図3】分類手段がニューラルネットワークモデルを用いる場合について説明するための図である。
【図4】実績データベースの構築方法の例について説明するための図である。
【図5】性能指標推定値から操作量を算出するためのＰＩ制御則の例を示す図である。
【図6】本発明の第２の実施形態に係るプラント制御システムを示す概略的なブロック図である。
【図7】本発明の第２の実施形態における連続鋳造機の鋳型付近の構成を示す図である。
【図9】連続鋳造機において正常に分類される鋳型銅板測温値の表面分布を示す図である。
【図10】連続鋳造機において異常に分類される鋳型銅板測温値の表面分布を示す図である。
【図11】本発明の第２の実施形態において実行されるプラント制御方法を示す概略的なフローチャートである。
【図12】連続鋳造機における偏流の発生モデルにおいて、偏流抑制のためのＰＩ制御を実施しなかった場合のシミュレーション結果を示す図である。
【図13】連続鋳造機における偏流の発生モデルにおいて、偏流抑制のためのＰＩ制御を実施した場合のシミュレーション結果を示す図である。
【発明を実施するための形態】
【0012】
以下に添付図面を参照しながら、本発明の例示的な実施形態について詳細に説明する。なお、本明細書および図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省略する。
【0013】
図１は、本発明の第１の実施形態に係るプラント制御システムを示す概略的なブロック図である。プラント１は、操作装置２の操作に従って操業を実施する。操作装置２は、演算装置３が決定した操作量、具体的には例えば材料供給量、電力量、圧力、燃料供給量、または可動部の動作量などに従って、プラント１を操作する。また、プラント１では運転条件、例えば原料の成分、装入する材料の温度等が設定されており、この運転条件と操作装置２による操作とによって操業が実行される。プラント１に設置された各種のセンサ、具体的には温度計、圧力計、検流計または距離計などによって取得されたプロセス信号が、演算装置３に入力される。演算装置３は、以下で説明するような計測手段３１、分類手段３２および操作量算出手段３３の機能によって、操作装置２における操作量を決定し、制御信号として出力する。演算装置３は、例えばＣＰＵ（Central Processing Unit）、記憶装置、通信装置、入出力手段などを備え、プログラムに従って各種の演算を実行する。プログラムは、記憶装置に格納されるか、またはリムーバブル記憶媒体に格納されて演算装置３に読み込まれる。演算装置３は、プログラムに従って動作することによって、制御装置として機能する。
【0014】
ここで、プラント１の性能、具体的には例えば製造される製品の品質や操業の安定性などは、運転条件および操作装置２による操作のみによって決定されるわけではなく、様々な外乱、具体的には例えば材料品質のばらつき、気温、湿度、設備の経年劣化、または操作量の測定誤差などの影響を受ける。従って、所望の性能を実現するために演算装置３において決定される操作量を最適化することは容易ではない。また、プロセス信号は、必ずしもプラント１の性能を直接的に示すものではない。つまり、プラント１の性能は、プロセス信号によって示される状態量を適切な関数に入力すれば自動的に評価されるようなものではない。本実施形態では、上記のような知見に基づき、プラント１において所望の性能を実現するために、演算装置３においてより適切な操作量を決定するための処理を実行する。
【0015】
図２は、本発明の第１の実施形態において実行されるプラント制御方法を示す概略的なフローチャートである。上述した演算装置３において、ステップＳ３１は計測手段３１によって実行され、ステップＳ３２は分類手段３２によって実行され、ステップＳ３３は操作量算出手段３３によって実行される。
【0016】
ステップＳ３１において、計測手段３１は、プラント１からプロセス信号を取得する。本実施形態において、プロセス信号はＩ種類の信号を含む（Ｉ≧１）。それぞれの信号は、例えば単一のセンサの測定値を示すものであってもよいし、複数のセンサの測定値の配列、平均または代表値を示すものであってもよい。以下では、計測手段３１が取得するプロセス信号をｓ１，・・・，ｓＩとする。
【0017】
ステップＳ３２において、分類手段３２は、プロセス信号ｓ１，・・・，ｓＩから予め定義されたｎ個の状態分類のそれぞれへの分類確率ｐｉを算出する（ｎ≧２、ｉ＝１，・・・，ｎ）。より具体的には、分類手段３２は、式（１）に示す関数ｆを用いてプロセス信号ｓ１，・・・，ｓＩから分類状態変数ｚ１，・・・，ｚｎを算出する。分類状態変数ｚｉは各々が実数を取る変数であり、プロセス信号を状態分類ｉに分類する場合、ｚｉは分類状態変数のなかで最大の値をとる。ここで、ａ１，・・・，ａＪは運転条件を示す変数である。さらに、分類手段３２は、式（２）に示すソフトマックス関数を用いて分類状態変数ｚ１，・・・，ｚｎから各状態分類ｉへの分類確率ｐｉを算出する。なお、ｎ個の状態分類のうち、プラント１における操業が正常であることを示す分類は１つ（ｎ番目の分類。以下、正常分類ともいう）であり、残りはプラント１における操業が異常であることを示す分類（１番目～ｎ－１番目の分類。以下、異常分類ともいう）である。
【0018】
【数1】
【0019】
上記の分類状態変数ｚ１，・・・，ｚｎの算出は、例えば式（１）の関数ｆに線形モデルまたはニューラルネットワークモデルを用いて実行することができる。ここで、線形モデルを用いる場合、式（１）における関数ｆは式（３）に示すようなｎ行（Ｉ＋Ｊ）列の係数行列Ａとプロセス信号とプラント１の運転条件を並べたベクトルの積で表される。
【0020】
【数2】
【0021】
図３は、分類手段がニューラルネットワークモデルを用いる場合について説明するための図である。図示された例では、入力層、複数の中間層および出力層からなる多層型ニューラルネットワークモデルと出力層のユニットの出力を用いて分類確率を計算するソフトマックス関数が用いられる。ニューラルネットワークモデルは種々提案されているが、より具体的には多層パーセプトロンモデルを用いることができる。多層パーセプトロンモデルは、多入力１出力のユニットを並列に並べた中間層をもち、Ｌ－１段目の中間層の出力をＬ段目の中間層の入力とする多層型のモデルである。Ｌ段目の中間層のｉ番目のユニットには、Ｌ－１段目の中間層の各ユニットからの出力を並べた入力に対して荷重ベクトルＷｉ（Ｌ）との内積をとった結果に式（４）のシグモイド関数を適用した０から１までの信号を出力するものが使われてもよい。なお、入力層はプロセス信号ｓ１，・・・，ｓＩをそのまま出力するユニットであり、その出力は１段目の中間層に入力される。また、出力層は中間層の最終段にあるｎ個のユニットの出力を並べた入力に対して荷重ベクトルＷｉＦとの内積をとった結果をｚｉとして出力するｎ個のユニットである。ソフトマックス関数は、式（２）の計算式に基づきｚ１，・・・ｚｎを用いて各区分の分類確率ｐｉを出力する。
【0022】
【数3】
【0023】
分類手段３２は、線形モデルを用いる場合には係数行列をパラメータとして動作し、またニューラルネットワークモデルを用いる場合は中間層の各ユニットにおける荷重係数ベクトルの各成分をパラメータとして動作する。これらのパラメータの値は、例えば過去の時刻ｔにおける運転条件データａ１ｔ，．．．，ａＪｔおよびプロセス信号ｓ１ｔ，・・・，ｓＩｔの組み合わせデータと時刻ｔにおいてプラントが正常分類かまたはいずれかの異常分類に属するか判定して定めた状態分類ラベルｙｉｔを、状態分類ラベルを教師データとして与えた上で学習計算することによって決定され、後述する実績データベース３２４に格納されている。
【0024】
図４は、実績データベースの構築方法の例について説明するための図である。図示された例では、プラント１のプロセス信号の複数セットの実績データ３２１と、実績データ３２１における各セットのプロセス信号が取得された時刻ｔにおける状態分類ラベル３２２とが蓄積される。これらの実績データ３２１におけるプロセス信号を説明変数とし、状態分類ラベル３２２ｙｉｔに該当するｉ番目の成分を１、それ以外の成分を０とするｎ成分のベクトルデータｄｔを目的変数としたものを教師データとして、パラメータの学習計算を実行する。分類手段３２が線形回帰モデルを用いる場合、学習計算には例えば多クラスロジスティック回帰法（参考文献：C.M.ビショップ著，元田，栗田，樋口，松本，村田監訳，パターン認識と機械学 上，丸善出版，4.3.4節，p208）を用いることができる。また、分類手段３２がニューラルネットワークモデルを用いる場合は例えばバックプロパゲーション法を用いることができる。これらの学習計算では、ソフトマックス関数の計算値ｐｉｔの自然対数値ｌｏｇｐｉｔをｉ番目の成分とするベクトルと教師データベクトルｄｔの内積をすべての教師データについて和を取り符号を反転させた値を評価関数
として、Ｅ（ｗ）が最小になるように学習する。ただし、ｗは線形モデルの係数行列成分またはニューラルネットワークモデルの荷重係数からなるベクトル、Ｔは教師データの個数である。これにより、ｎ個の状態分類のうちｉ番目の状態分類に分類されるべきプロセス信号が入力された場合にｉ番目の状態分類に分類される分類確率ｐｉが最大になるようにモデルのパラメータが決定される。このパラメータを、プラント１の運転条件３２３とともに実績データベース３２４に格納する。
として、Ｅ（ｗ）が最小になるように学習する。ただし、ｗは線形モデルの係数行列成分またはニューラルネットワークモデルの荷重係数からなるベクトル、Ｔは教師データの個数である。これにより、ｎ個の状態分類のうちｉ番目の状態分類に分類されるべきプロセス信号が入力された場合にｉ番目の状態分類に分類される分類確率ｐｉが最大になるようにモデルのパラメータが決定される。このパラメータを、プラント１の運転条件３２３とともに実績データベース３２４に格納する。
【0025】
なお、上記の学習計算において与えられる状態分類ラベル３２２は、例えばプラント１の操業状態の観察や製品の品質検査の結果などによってオペレータにより（もしくは第２実施形態に記載のようにニューラルネットワークモデルを用いて）決定されるが、同じプロセス信号のセットについて複数の状態分類が該当する場合は、これらの状態分類を統合した状態分類ラベル３２２を設定することによって分類を排他的にすることができる。
【0026】
再び図２を参照して、ステップＳ３３において、操作量算出手段３３は、分類手段３２が算出した状態分類への分類確率ｐｉのうち、異常分類の分類確率ｐ１，・・・，ｐｎ－１がすべて０に近づくようにプラント１の操作量を決定する。このように操作量を決定すれば、正常分類の分類確率ｐｉは１に近づくため、プラント１において正常な操業が実現される可能性が高くなる。上記のステップＳ３１～Ｓ３３の処理が、プラント１の制御周期ごとに、操業終了まで繰り返される（ステップＳ３４）。
【0027】
上記のステップＳ３３において、操作量算出手段３３は、分類確率ｐｉを、式（５）を用いて対数オッズ推定値ｙｉに変換する。これによって、０から１の値をとる確率ｐｉを、－∞から＋∞の値をとる単調な関数に変換することができる。なお、このような変換には対数オッズ推定値以外の値が用いられてもよい。また、式（６）に示すような微小な正の定数εを用いて確率ｐｉを上下限が制約されたｐ~ｉに変換し、式（５）でこのｐ~ｉを用いることによって、数値計算を安定させることができる。なお、定数εに基づき式（７）の定数Ｍを定義する。一方、ｐｉの値が０および１になることを仮定する場合にはＭ＝∞とする。
【0028】
【数4】
【0029】
上述のように、分類手段３２のモデルはプロセス信号が取得されたときの状態分類がｉ番目の分類である場合に、確率ｐｉが１に近づき、確率ｐ１，・・・，ｐｉ－１，ｐｉ＋１，・・・，ｐｎはすべて０に近づくように学習される。この場合、ｉ番目の分類の対数オッズ推定値ｙｉは正の大きな値になり、対数オッズ推定値ｙ１，・・・，ｙｉ－１，ｙｉ＋１，・・・，ｙｎは負の大きな値になる。従って、異常分類の分類確率ｐ１，・・・，ｐｎ－１をすべて０に近づける場合、異常分類の対数オッズ推定値ｙ１，・・・，ｙｎ－１はすべて－∞に近づく。式（６）によって上下限が制約されたｐ~ｉを用いる場合、異常分類の対数オッズ推定値ｙ１，・・・，ｙｎ－１は－Ｍに近づく。
【0030】
より具体的には、操作量算出手段３３は、ｎ－１個の異常分類から異なる２つの異常分類（ｉ番目およびｊ番目、ｉ＜ｊ、ｉ，ｊ＝１，・・・，ｎ－１）を抽出したときの組み合わせの個数をＬ＝ｎ（ｎ－１）／２で表したとき、これらのＬ個の組み合わせ各々について、式（８）に示すように対数オッズ推定値ｙｉ，ｙｊの差を性能指標推定値ｙｉｊとする。全ての異常分類の確率の対数オッズが等しくなるのは、各々の対数オッズの値が－Ｍになるときに限られるので、この性能指標推定値ｙｉｊがすべてのｉ，ｊの組み合わせについて０に近づけば、すべての異常分類の対数オッズ推定値ｙ１，・・・，ｙｎ－１は－Ｍに近づき、すべての異常分類の分類確率ｐ１，・・・，ｐｎ－１は０に近づく。なお、性能指標推定値ｙｉｊは、対数オッズ推定値ｙｉ，ｙｊの差に０でない定数ａを乗じた値であってもよい。
【0031】
【数5】
【0032】
プラントの操作量がｍ個（ｍ≧１）とする。操作量算出手段３３は、ｍ≧Ｌの場合にＬ個の性能指標推定値をすべて０に近づけるように少なくともＬ個の操作量を算出する。図５は、Ｌ個の性能指標推定値からＬ個の操作量を算出する場合に、性能指標推定値ｙｉｊの各々からに一対一に対応する操作量ｕｋ（ｉ，ｊ）を求めるためのＰＩ制御則の例を示す図である。上記のすべてのｉ，ｊとｋ（ｉ，ｊ）の組み合わせは例えばｋ（ｉ，ｊ）＝ｊ－ｉ＋（ｉ－１）（２ｎ－i）／２と定義すればよい。操作量算出手段３３は、プラント１が操作量ｕｋに対して可制御かつ性能指標推定値ｙｉｊに対して可観測である場合には操作量ｕｋ（ｉ，ｊ）と性能指標推定値ｙｉｊとの間にフィードバックループを構成し、性能指標推定値ｙｉｊと目標値０との偏差を最小化するように、定値制御能力を持った制御則、例えば図５に示すようなＰＩ制御則に従って操作量ｕｋを算出する。なお、図５においてＫＩは積分ゲイン係数であり、Ｋｐは比例ゲイン係数である。
【0033】
あるいは、操作量算出手段３３は、プラント１に対する複数の操作量を所定の変換式で変換したＬ個の仮想的操作量を設定し、この仮想的操作量について性能指標推定値ｙｉｊに対するフィードバックループを用いた上記のような制御則を適用して算出してもよい。この場合、上記変換式は、線形独立等一意に定まる逆変換式をもつものとし、算出された仮想的操作量を変換式を用いて逆変換することによって個々の操作量を算出する。
【0034】
なお、ｍ＝Ｌの場合には上記の逆変換によりすべての操作量が一意に定まるが、ｍ＞Ｌの場合にはＬ個の操作量しか逆変換式によって定まらない。その場合は、ｍ－Ｌ個の操作量については、新たな変数かまたは制約条件を計ｍ－Ｌ個設定して数理最適化を適用する等の方法で常に解が得られるようにして、プラント１の操作量が不定になることを避けてもよい。
【0035】
さらに、各々の操作量については、物理的な制約条件、およびプロセス信号から検出できない事前知識によるものも含めて、プラント１の操業状態に異常を生じないように制約条件を設定してもよい。
【0036】
以上で説明したような本発明の第１の実施形態によれば、プロセス信号がプラント１の性能を直接的に示すものではない場合であっても、プラント１の操業状態を示す正常分類および複数の異常分類の分類確率ｐ１，・・・，ｐｎを算出し、このうち複数の異常分類の分類確率ｐ１，・・・，ｐｎ－１がすべて０に近づくようにプラント１の操作量を決定することによって、プラント１の状態を正常に近づけるように制御することができる。この際、複数の異常分類への分類確率がすべて０に近づくときに目標値に近づくように定義された性能指標推定値ｙｉｊを用いることによって、安定的にプラント１の状態を正常に近づけるような制御が可能になる。
【0037】
図６は、本発明の第２の実施形態に係るプラント制御システムを示す概略的なブロック図である。本実施形態におけるプラントは、連続鋳造機１０である。連続鋳造機１０は、本実施形態における操作装置である電磁ブレーキ制御装置２０の操作に従って操業を実施する。電磁ブレーキ制御装置２０は、演算装置３０が決定した操作量、具体的には電磁ブレーキへの電流指示値ｕｅ，ｕｗに従って、連続鋳造機１０の電磁ブレーキ（後述）を操作する。また、連続鋳造機１０では運転条件が設定されており、この運転条件と電磁ブレーキ制御装置２０の操作とによって操業が実行される。連続鋳造機１０の鋳型に設置された測温装置（後述）によって取得されたプロセス信号である測温値が、演算装置３０に入力される。演算装置３０は、図１の計測手段に対応する鋳型銅板測温装置１３１、分類手段に対応するニューラルネットワークモデル１３２、および操作量算出手段１３３の機能によって、操作装置２における操作量を決定し、制御信号として出力する。また、演算装置３０は、分類選択手段１３４をさらに含む。分類選択手段１３４は、ニューラルネットワークモデル１３２が算出した分類確率から、鋳型銅板測温装置１３１が取得した測温値に対応付けられる分類ラベルを決定する。演算装置３０は、例えばＣＰＵ、記憶装置、通信装置、入出力手段などを備え、プログラムに従って各種の演算を実行する。プログラムは、記憶装置に格納されるか、またはリムーバブル記憶媒体に格納されて演算装置３０に読み込まれる。演算装置３０は、プログラムに従って動作することによって、制御装置として機能する。
【0038】
図７は、本発明の第２の実施形態における連続鋳造機の鋳型付近の構成を示す図である。図１に示されるように、鋳型１１の開口部の中心に浸漬ノズル１２が配置され、浸漬ノズル１２の吐出口１３から溶鋼が供給される。鋳型１１に接触した溶鋼は、冷却されて鋳型１１に沿った凝固シェルを形成する。連続鋳造機では、凝固シェルをロール（図示せず）で支持しながら連続的に鋳型１１から引き抜き、さらに鋳型１１外で冷却水を吹き付けて溶鋼を完全に凝固させることによって鋳片を製造する。
【0039】
本実施形態では、鋳型１１の各面で、鋳型１１の周方向（図中のｘ方向）および鋳造方向、すなわち鋳型１１の深さ方向（図中のｚ方向）に、鋳型１１を構成する銅板の温度を測定するための測温装置１４が配列される。測温装置１４は、例えば熱電対、または光ファイバを用いたＦＢＧ（Fiber Bragg Grating）測温装置などの測温素子である。測温装置１４の測温点は、熱電対の場合は接合点、ＦＢＧ測温装置の場合は光ファイバのグレーチングの位置である。測温点は、例えば、鋳型１１の各面の垂直方向中心線について対称に、かつ対向する各面の間で対応する位置に配置することが好ましい。
【0040】
また、鋳型１１の長辺面に対向する位置に、電磁ブレーキ装置１５が配置される。図７に示す例では、２組の電磁ブレーキ装置１５が、鋳型１１の長辺面の幅方向中心線を基準として両側に配置されている（第１および第２の電磁ブレーキ装置）。電磁ブレーキ装置１５は、溶鋼流動制御手段の例であり、鋳型１１を挟むようにＮ極とＳ極を配置した電磁石を備え、コイルに直流電流を流して溶鋼の吐出流に対して垂直な方向（Ｎ極からＳ極に向かう方向）に磁場を発生させることによって、ローレンツ力により吐出流の速度を抑制する。他の実施形態では、電磁ブレーキ装置１５以外の溶鋼流動制御手段が配置されてもよい。電磁ブレーキ装置１５は、測温装置１４および電磁ブレーキ装置１５にそれぞれ接続された演算装置３０が決定する操作量に従って制御される。なお、簡単のため、測温装置１４および電磁ブレーキ装置１５と演算装置３０とを接続する通信線は、一部だけが図示されている。
【0041】
例えば連続鋳造機１０で偏平比の大きい矩形断面をもつスラブを鋳造する場合、浸漬ノズル１２の吐出口１３は鋳型１１の矩形断面の両方の短辺面に向けられる。浸漬ノズル１２内に介在物などの固着によるつまりがない場合には両側の吐出口１３からの溶鋼流量はほぼ均等であるが、浸漬ノズル１２内につまりが発生するとその付近で溶鋼流が乱れるため、両側の吐出口１３の溶鋼流量が均等ではなくなる。また、吐出口１３からの溶鋼流は設計上、鋳型１１の矩形断面の両方の短辺面に向けられているが、上記のつまりなどの影響で溶鋼流の方向がいずれかの長辺面の側に傾く場合がある。このような両側の吐出口１３からの溶鋼流量および溶鋼流の方向の変化が、浸漬ノズル１２を中心とする鋳型１１内の溶鋼流の非対称性、すなわち偏流を発生させる。本実施形態では、このような偏流が発生した状態を異常な操業とし、偏流が発生していない状態を正常な操業として、正常な操業を実現するために適切な操作量を決定する。
【0042】
図８は、図７に示した鋳型の拡大断面図である。図２に示されるように、鋳型１１はめっきをした銅板１６を筒状に組み合わせることによって形成されている。銅板１６の外側に冷却水１７を流すことによって、銅板１６を介して溶鋼から抜熱され、鋳型１１内面に凝固シェル１８が形成される。鋳型１１内の溶鋼と凝固シェル１８との間では対流熱伝達により熱が伝えられる。この熱伝達における熱流束ｑは、熱伝達係数ｈを用いて以下の式（９）のように表される。なお、ｚは鋳型深さ方向位置、ｔは時刻、Ｔ０は溶鋼温度、Ｔｓは凝固シェルと溶鋼の界面温度である。
ｑ（ｚ，ｔ）＝ｈ（ｚ，ｔ）（Ｔ０－Ｔｓ） ・・・（９）
ｑ（ｚ，ｔ）＝ｈ（ｚ，ｔ）（Ｔ０－Ｔｓ） ・・・（９）
【0043】
熱伝達係数ｈは、溶鋼と凝固シェル１８との間の境界層が層流境界層である場合は、溶鋼流速の１／２乗に比例して大きくなる。すなわち、凝固シェル１８に沿う溶鋼流速成分が大きい位置では、熱伝達係数ｈが高くなる。また、鋳型１１内の溶鋼温度はほぼ均一であるため、銅板１６内部の温度分布は熱伝達係数ｈの分布を反映する。ある位置で熱伝達係数ｈが大きくなると、当該位置における銅板１６への熱流入が増加し、銅板１６に埋設された測温装置１４の測温値Ｔｍ．ｏｂｓも高くなるためである。
【0044】
偏流のような鋳型１１内の溶鋼流の変化は、深さ方向について必ずしも一様ではない。従って、深さ方向について特定の点での測温値Ｔｍ．ｏｂｓや熱伝達係数ｈを比較することによっては、必ずしも偏流の発生が検出されない。そこで、本実施形態では、以下で説明するように鋳型１１の各面における測温値Ｔｍ．ｏｂｓ（または熱伝達係数ｈ）の分布に基づいて溶鋼流動パターンを認識することで偏流を検出する。
【0045】
ここで、連続鋳造機のストランドの鋳造方向を北から南の方向と仮定すると、鋳型１１の短辺方向は浸漬ノズル１２に対して東および西に位置する。以下、限定的ではない例として、これらの方位を用いて説明する。この例において、鋳型１１の短辺は東西方向にあるため、浸漬ノズル１２の吐出口１３もそれぞれ東および西を向いて配置される。本実施形態では、連続鋳造機の状態分類として、西側の吐出口１３からの溶鋼流量がより多くなる西偏流、東側の吐出口１３からの溶鋼流量がより多くなる東偏流、および東西の吐出口１３の溶鋼流量が均等な中立の３つを定義する。西偏流および東偏流が異常分類であり、中立が正常分類である。また、測温装置１４の測温値Ｔｍ．ｏｂｓによって示される温度分布をプロセス信号とする。
【0046】
図９は連続鋳造機において正常に分類される鋳型銅板測温値の表面分布を示す図であり、図１０は異常に分類される鋳型銅板測温値の表面分布を示す図である。なお、上記の方位の例に従うと、各図の左側が西、右側が東である。各図の上段の長方形は、鋳型１１の南側の長辺面である。下段の３つの長方形は、左から、鋳型１１の西側の短辺面、北側の長辺面、および東側の短辺面である。なお、以下の説明では、鋳型１１の南側の長辺面をＦ面（Fix Side）、北側の長辺面をＬ面（Loose Side）ともいう。各図では、測温装置１４の測温値Ｔｍ．ｏｂｓの分布が灰色の濃淡で示されており、黒が低温、白が高温を意味する。ただし、温度は絶対的な温度ではなく、鋳造速度等による温度の時間平均の変化を考慮して、鋼種と鋳造条件等で整理した銅板上の位置ごとの平均温度からの偏差で示されている。図１０に示された表面分布では、西側の短辺面の温度が東側の短辺面の温度に比べて高いため、西偏流が発生していると考えられる。
【0047】
図１１は、本発明の第２の実施形態において実行されるプラント制御方法を示す概略的なフローチャートである。上述した演算装置３０において、ステップＳ１３１は計測手段である鋳型銅板測温装置１３１によって実行され、ステップＳ１３２は分類手段であるニューラルネットワークモデル１３２によって実行され、ステップＳ１３３は操作量算出手段１３３によって実行され、ステップＳ１３４は分類選択手段１３４によって実行される。
【0048】
ステップＳ１３１において、鋳型銅板測温装置１３１は、連続鋳造機１０に配置された測温装置１４から測温値Ｔｍ．ｏｂｓを取得する。測温値Ｔｍ．ｏｂｓは、それぞれの測温装置１４による測温値を並べたベクトルとしてニューラルネットワークモデル１３２に入力される。
【0049】
ステップＳ１３２において、ニューラルネットワークモデル１３２は、測温値Ｔｍ．ｏｂｓから上記の３つの状態分類、すなわち西偏流、東偏流および中立への分類確率ｐｗ，ｐｅ，ｐｎｅｕｔを算出する。既に述べたように、西偏流および東偏流は異常分類であり、中立は正常分類である。
【0050】
ステップＳ１３３において、操作量算出手段１３３は、ニューラルネットワークモデル１３２が算出した分類確率ｐｗ，ｐｅ，ｐｎｅｕｔのうち、異常分類の分類確率ｐｗ，ｐｅがすべて０に近づくように操作量である電磁ブレーキへの電流指示値ｕｅ，ｕｗを決定する。このように操作量を決定すれば、正常分類の分類確率ｐｎｅｕｔは１に近づくため、連続鋳造機１０において正常な操業が実現される可能性が高くなる。
【0051】
具体的には、操作量算出手段１３３は、西偏流と東偏流の分類確率ｐｗ，ｐｅをそれぞれ上記の式（６）で定数ε＝０．０００１として確率ｐ~ｗ，ｐ~ｅに変換し、式（１０）を用いて対数オッズ推定値ｙ~ｗ，ｙ~ｅを算出する。さらに、式（１１）を用いて、西偏流と東偏流との対数オッズの差の１／２を偏流度ｙ~として算出する。この偏流度ｙ~は、上記の第１の実施形態で説明した性能指標推定値ｙｉｊにあたる。
【0052】
【数6】
【0053】
式（６）で確率の上下限を設定したことによって、偏流がない場合には確率ｐ~ｗ，ｐ~ｅが定数εに近く、偏流度ｙ~は０に近くなり、対数オッズの差が極端に大きくなることがない。偏流度ｙ~が絶対値が大きい正の値である場合には鋳型１１内の溶鋼流動が東偏流である可能性が高く、偏流度ｙ~が絶対値が大きい負の値である場合には鋳型１１内の溶鋼流動が西偏流である可能性が高い。このように偏流の程度および方向を表現することができる偏流度ｙ~は、性能指標推定値として現実のプロセスとの一致性が高い。従って、偏流度ｙ~＝０を目標値として電磁ブレーキへの電流指示値ｕｅ，ｕｗを決定することによって、鋳型１１内の溶鋼流動における偏流を抑制して正常な操業状態を維持することができる。
【0054】
本実施形態において、操作量算出手段１３３は、仮想的操作量ｕ~を用いて電流指示値ｕｅ，ｕｗを決定する。具体的には、操作量算出手段１３３は、ＰＩ制御則において、時刻ｔにおける仮想的操作量ｕ~ｔを式（１２）、式（１３）および式（１４）を用いて逐次算出する。概ね、時刻ｔにおける偏流度ｙ~ｔが正の値である場合に仮想的操作量ｕ~ｔは負の値になり、偏流度ｙ~ｔが負の値である場合に仮想的操作量ｕ~ｔは正の値になる。
【0055】
【数7】
【0056】
時刻ｔにおける各電磁ブレーキへの電流指示値ｕｅｔ，ｕｗｔは、上記のようにして算出された仮想的操作量ｕ~ｔに基づいて以下の式（１５）、式（１６）および式（１７）によって決定される。なお、決定の過程ではもう１つの仮想的操作量ｕｃｔが用いられる。また、電流値ｕｓは、溶鋼の下向きの流れを抑制するために適切な磁場強度を実現する共通の設計値である。このような仮想的操作量ｕｃｔおよび電流指示値ｕｅｔ，ｕｗｔの決定によって、仮想的操作量ｕ~ｔが負の値である場合は、東側の電磁ブレーキの電流指示値ｕｅｔが設計値である電流値ｕｓから増加する。仮想的操作量ｕ~ｔが正の値である場合、西側の電磁ブレーキの電流指示値ｕｗｔが設計値である電流値ｕｓから増加する。また、仮想的操作量ｕ~ｔが定常的に０である場合には、電流指示値ｕｅｔ，ｕｗｔが電流値ｕｓに漸近し、かつ電流値ｕｓを下回らないように制御される。
【0057】
【数8】
【0058】
一方、ステップＳ１３４において、分類選択手段１３４は、ステップＳ１３２でニューラルネットワークモデル１３２が算出した分類確率ｐｗ，ｐｅ，ｐｎｅｕｔから、ステップＳ１３１で鋳型銅板測温装置１３１が取得した測温値Ｔｍ．ｏｂｓに対応付けられる分類ラベルを決定する。例えば、分類ラベルは３次元のベクトル（ｖｗ，ｖｅ，ｖｎｅｕｔ）であり、分類確率ｐｗ，ｐｅ，ｐｎｅｕｔの中で西偏流の分類確率ｐｗが最大である場合には（１，０，０）、東偏流の分類確率ｐｅが最大である場合には（０，１，０）、中立の分類確率ｐｎｅｕｔが最大である場合には（０，０，１）といったように、分類確率が最大である分類に対応する要素には１が、それ以外の要素には０が設定される。このような分類ラベルは、例えば第１の実施形態で図４を参照して説明したような実績データベースの構築において、状態分類ラベル３２２として利用することができる。上記のステップＳ１３１～Ｓ１３４の処理が、連続鋳造機１０の制御周期ごとに、操業終了まで繰り返される（ステップＳ１３５）。
【0059】
以上で説明したような本発明の第２の実施形態によれば、鋳型１１内の浸漬ノズル１２の両側で磁場強度を制御可能な電磁ブレーキ装置１５を備えた連続鋳造機１０において、溶鋼吐出流の偏流が生じる場合に電磁ブレーキ装置１５に加える電流値を操作することによって、偏流を抑制して鋳造の安定性と鋳片の品質を良好に保つ制御が可能となる。
【実施例0060】
上記の第２の実施形態で説明したような連続鋳造機における偏流の発生を、東側および西側の電磁ブレーキの電流指示値ｕｅｔ，ｕｗｔおよび外乱ｄｔによる偏流度ｙ~ｔの時間変化として、以下の式（１８）、式（１９）および式（２０）のようにモデル化した。なお、ｎｔは平均０、標準偏差１の正規分布に従う。
【0061】
【数9】
【0062】
また、ニューラルネットワークによる偏流の分類モデルの動作を、東偏流および西偏流以外の分類をまとめたものを中立とする以下の式（２１）、式（２２）および式（２３）のモデルで近似する。ここで、ｚｗ，ｚｎｅｕｔ，ｚｅは、各分類の分類状態変数である。各分類の分類確率ｐｗ，ｐｎｅｕｔ，ｐｅは、式（２４）で算出することができる。
【0063】
【数10】
【0064】
図１２および図１３は、連続鋳造機における偏流の発生モデルにおいて、偏流抑制のためのＰＩ制御を実施しなかった場合（図１２）および実施した場合（図１３）のシミュレーション結果を示す図である。図示された例において、偏流がない場合に溶鋼の下向きの流れを抑制するための電磁ブレーキへの電流指示値ｕｓは５００Ａである。図１２には、比較例として、電磁ブレーキへの電流指示値をｕｓ＝５００Ａに保持した場合のシミュレーション結果を示す。図１３には、実施例として、上述した本発明の第２の実施形態に従ってＰＩ制御を実施した場合のシミュレーション結果を示す。それぞれの図においてグラフは時間チャートであり、「外乱」は偏流の原因になる外乱信号ｄｔ、「確率」は西偏流、中立および東偏流の分類確率ｐｗ，ｐｎｅｕｔ，ｐｅ、「電流（Ａ）」は西側および東側の電磁ブレーキの電流指示値ｕｗ，ｕｅ、「西偏流」は分類選択手段による西偏流分類の選択結果ｖｗ（選択された場合は１、それ以外の場合は０。他の分類についても同様）、「中立」は分類選択手段による中立分類の選択結果ｖｎｅｕｔ、「東偏流」は分類選択手段による東偏流の選択結果ｖｅ、「偏流度」は操作量算出手段によって算出された偏流度ｙ~を示す。
【0065】
図１２に示された比較例では、外乱ｄｔのために時刻２００ｓ以降は西偏流に偏った分類結果になった。偏流度ｙ~も、時刻２００ｓ以降は連続して負の値になっている。これに対して、図１３に示された実施例では、偏流度ｙ~がほぼ０付近に制御され、分類結果もほぼ中立になった。また、電磁ブレーキの電流指示値ｕｗ，ｕｅは５００Ａを下回っておらず、分類結果が中立の間は設計値のｕｓ＝５００Ａに漸近しているため、操業上の要請も満たされていることがわかる。
【0066】
以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はこれらの例に限定されない。本発明の属する技術の分野の当業者であれば、請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。
【符号の説明】
【0067】
１…プラント、２…操作装置、３…演算装置、１０…連続鋳造機、１１…鋳型、１２…浸漬ノズル、１３…吐出口、１４…測温装置、１５…電磁ブレーキ装置、１６…銅板、１７…冷却水、１８…凝固シェル、２０…電磁ブレーキ制御装置、３０…演算装置、３１…計測手段、３２…分類手段、３３…操作量算出手段、１３１…鋳型銅板測温装置、１３２…ニューラルネットワークモデル、１３３…操作量算出手段、１３４…分類選択手段、３２１…実績データ、３２２…状態分類ラベル、３２３…運転条件、３２４…実績データベース。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】