仮想センサシステム（１３０）用の方法が提供される。本方法は、複数の検出パラメータ（３０６）と複数の測定パラメータ（３０２）との相互関係を示す仮想センサプロセスモデル（３０４）を確立するステップと、複数の測定パラメータに対応する一組の値を得るステップとを含む。さらに、本方法は、複数の測定パラメータに対応する一組の値と仮想センサプロセスモデルとに基づいて複数の検出パラメータの値を同時に計算するステップと、複数の検出パラメータの値を制御システム（１２０）に提供するステップとを含む。
（もっと読む）

【課題】 各系列の軸台数スケジュールを決めるには各起動モード毎に概略の時間表はあるが、各種条件により起動所要時間は大幅に変わってくるので、実際に系列制御用計算機に起動開始時刻を入力して時間の把握をしていた。そのために実際に発電プラントに起動スケジュールが登録され、登録の解除を忘れると起動操作が進行する恐れがある問題点があった。
【解決手段】 複数軸の発電ユニットを有する火力発電プラントにおいて、予め起動操作工程ごとに所要時間を計算するプログラムを用意し、該プログラムに従ってパソコン上に起動操作開始時刻から各起動操作工程の予想時間を算出し、各軸の運転のシミュレーションを行い、その後系列制御計算機に起動開始時刻を入力して登録して実際の起動操作を行うことを特徴とする。 （もっと読む）

【課題】 位相遅れやむだ時間などが比較的大きい制御対象を制御する場合において、制御対象の入出力間での制御タイミングのずれの解消、および制御精度の向上をいずれも達成することができる制御装置を提供する。
【解決手段】 制御装置１のＥＣＵ２は、状態予測器２２およびＤＳＭコントローラ２４を備える。状態予測器２２は、予測アルゴリズムに基づき、出力偏差ＶＯ２の予測値ＰＲＥＶＯ２を所定の算出周期ΔＴｋで算出し、ＤＳＭコントローラ２４は、ΣΔ変調アルゴリズムに基づき、算出された予測値ＰＲＥＶＯ２に応じて、目標空燃比ＫＣＭＤを、予測値ＰＲＥＶＯ２の算出周期ΔＴｋよりも短い算出周期ΔＴｍで算出する。 （もっと読む）

プロセスの同定試験を用いて開発されたモデル予測コントローラからＰＩＤコントローラのダイナミクスを除去することによって高速適応多変数コントローラを開発し、使用する方法を公開する。操作変数のような最終制御要素に基づき、生じた多変数コントローラは全てのＰＩＤコントローラを手動に切り換えて新規の制御調節に用いられる。 （もっと読む）

【課題】 連続時間及び連続状態を取り扱うことができるとともに、環境から自律的且つ高速に学習を行うことができるエージェント学習装置を提供する。
【解決手段】 内部状態推定器２０１は、環境５０からの観測変数ｙを観測し、責任信号推定器２０２は、当該観測変数ｙから推定された環境５０の状態に基づいて責任信号を算出し、行動選択器１０１は、責任信号等を基に状態Ｉ及び行動Ｊを選択し、下位報酬関数選択器１０２は、選択された状態Ｉ及び行動Ｊに対応する下位報酬関数を制御信号出力器２０３へ与え、制御信号出力器２０３は、下位報酬関数を最大にするように環境５０への制御出力を決定する。 （もっと読む）

【課題】 物理現象が複雑で非線形性が強い製造プロセスの時系列データベースに対し、指定した操業条件と類似の過去の操業事例を検索し、検索結果から将来状態を予測して操業状態を制御する方法を提供する。
【解決手段】 製造プロセスの時系列データベースを逐次作成し、現在時刻から予め指定した過去時刻までの所定のプロセス変数値を量子化し、現在時刻と合わせて検索用テーブルに格納する。制御起点時刻を起点としたプロセス変数値を量子化し、該量子化値を検索キーとして検索用テーブルを検索する。類似度基準に従い、前記検索キーと類似する量子化値を有するプロセス変数値の時刻を特定し、該プロセス変数値の制御起点時刻の操作変数の値と制御実現将来時刻の制御変数の値を取り出し、制御実現将来時刻で制御変数の値が設定した目標値に近づく操作変数の値を決定する。 （もっと読む）

プロセスの同定試験を使用して開発された、モデル予測制御要素からＰＩＤ制御要素のダイナミクスを除去するための方法が開示されている。そして、これにより、リアルタイムのデータにアクセスして、代替的な制御可能性のシナリオを調べる能力とともにプロセスの将来の状態の予測を継続するようにプロセスとともに作動する、オンラインのオペレータ・アドバイザに基づく非常に迅速な最終制御要素の生成が可能となる。 （もっと読む）

【課題】 プロセス毎にシミュレーション・モジュール化し、各モジュールからのシミュレーション結果を統合してシステム全体の挙動解析を好適に行なう。
【解決手段】 実機上の各プロセスをシミュレーション・モジュール化するが、全体の計算時間のボトルネックとなるプロセスは実機上での実験に置き換える。シミュレーション・モジュールと実機の間には、入力制御部と出力制御部が介在する。入力制御部は、各シミュレーション・モジュールのシミュレーション結果を実機の制御に利用し易いデータ形式に変換し、出力制御部は、実機からの出力情報をシミュレーション・モジュールでの入力形態に形式に変換する。 （もっと読む）

【課題】 制御対象が位相遅れやむだ時間などが比較的大きい動特性を示す場合でも、制御対象の入出力間での制御タイミングのずれを解消することができ、それにより、制御の安定性および制御性を向上させることができる制御装置を提供する。
【解決手段】 制御装置１は、制御対象の出力状態の予測値ＰＲＥＶＯ２を算出する予測値算出手段（ＥＣＵ２、状態予測器２２）と、Δ変調アルゴリズム、ΔΣ変調アルゴリズムおよびΣΔ変調アルゴリズムのうちのいずれか１つの変調アルゴリズムに基づき、算出された予測値ＰＲＥＶＯ２に応じて、制御対象の出力Ｖｏｕｔを制御するための、制御対象への制御入力（目標空燃比ＫＣＭＤ）を算出する制御入力算出手段（ＥＣＵ２、ＤＳＭコントローラ２４）と、を備える。 （もっと読む）

本発明は、ブロック線図環境においてモデル化された複雑な非線形動的システムに対して、コントローラを系統的にユーザが解析し、設計することを可能とするフレームワークを提供する。非線形プラントモデル（ブロック線図）から線形化したモデルを抽出することにより、ユーザは、線形システムに対して、利用可能な１以上の制御設計およびチューニング方法を使用することができる。クロスカップリングや外因性の攪乱等の複雑な副次的作用を、設計中にリアルタイムで見て処理することができる。設計の結果は、自動的にブロック線図において実行される。

（もっと読む）

【課題】 処理負荷の増大に対して対処可能で、かつロバスト性を確保するモデル予測制御を提供すること。
【解決手段】 モデル予測制装置１は、フィードバック処理部５０を備え、制御対象２の状態量あるいは制御量の実測値をフィードバックして、最適操作量検索部１０における検索範囲あるいは予測値、内部状態推定部２０における推定値を実測値により補正する。すなわち、フィードバックされた状態量あるいは制御量の実測値に基づいて、操作量候補算出部による操作量の算出範囲を設定して（ＦＢ１）無駄な演算を省略する。また、モデル予測部１３への入力である操作量候補、出力である制御量、又は制御対象へ入力する最適制御量を補正し（ＦＢ２〜５）、さらには内部状態推定部からの出力を補正して（ＦＢ５、６）、予測精度を高める。 （もっと読む）

【課題】 モデル予測制御装置の処理負荷を低減させること。
【解決手段】 モデル予測制御装置１は、最適操作量決定部１０、内部状態推定部２０及び記憶データベース３０を備えるとともに、内部状態推定制御部４０を備えている。内部状態推定制御部４０は、所定の条件を満足した場合に、内部状態推定部２０の状態推定を省略して、処理負荷を低減させる。その条件は、（１）最適操作量決定部１０における最適化回数が上限を超えるほど処理負荷が大きくなった場合、又は（２）制御対象から検出される制御量の実測値が目標制御量に対してほぼ等しく安定している場合である。 （もっと読む）

【課題】 故障や誤動作を回避できるモデル予測制御装置及び方法を提供すること。
【解決手段】 モデル予測制御装置１の最適操作量検索部１０は、制御対象のモデルを用いて制御量を予測し、これに基づいて評価値を算出して、操作対象の最適操作量を検索する。操作対象検索部５０は、最適操作量検索部１０における予測制御量又は評価値が許容範囲を超えて、現在の操作対象による操作では有効な制御ができない場合、新たな操作対象を検索して決定する。最適操作量検索部１０は、新たな操作対象に関してモデル予測制御を行なって最適操作量を検索する。このようにして、故障や誤動作を未然に回避する制御が行なえる。 （もっと読む）

【課題】 処理対象にセンサを直接配置しなくとも、処理対象の温度を適切、正確に推定できるようにする。
【解決手段】 システム同定部３３は、熱処理される処理対象１９に加えられる第１の制御量ＰＶ１と、予め第１の制御量ＰＶ１が加えられて処理対象１９から直接得られる第２の制御量ＰＶ２との関係から、第１の制御量ＰＶ１に基づき第２の制御量ＰＶ２の得られるシステムを同定する。システム同定部３３は第２の制御量ＰＶ２が得られる第１の制御量ＰＶ１の演算に用いられる推定パラメータを導出する。処理状態検出部３５は処理対象１９が熱処理可能状態であれば検出信号を出力する。初期値設定部３７は処理対象１９の推定温度演算に用いる推定初期値を有する。推定演算部２１は検出信号が入力されると、推定初期値、推定パラメータ、第１の制御量ＰＶ１に基づき処理対象１９の温度を推定演算する。 （もっと読む）

【課題】パラレルリンク機構の２足歩行ロボット装置に安定した２足歩行を行わせることができる歩行パターンを作成する歩行パターン作成装置を提供することを目的とする。
【解決手段】足部（足底部）を備えた脚部と腰部とから成る２足歩行ロボット装置の歩行パターンを作成する歩行パターン作成装置であって、足部において目標ゼロモーメントポイントを設定し、設定した目標ゼロモーメントポイントに応じて腰部のモーメント補償軌道を算出し、絶対座標系における腰座標系の原点と絶対座標系における足座標系の原点とから腰座標系から見た足部の位置を算出し、絶対座標系から見た足座標系の姿勢を表わす回転行列と絶対座標系から見た腰座標系の姿勢を表わす回転行列とから腰座標系から見た足座標系原点の姿勢を表わす回転行列を算出して足座標系原点の姿勢を表わす回転行列により足部の姿勢を算出する。 （もっと読む）

【課題】 どのような制御量に対しても、予測精度を確保しつつ処理時間を短縮できるモデル予測制御装置を提供する。
【解決手段】 制御対象のモデルを用いて予測し、これを評価して最適制御を行なうモデル予測制御装置において、異なるサンプリング周期をもつ制御対象モデルを備え、サンプリング周期の切替えに対応して制御対象モデルを切替えるようにして、演算処理時間の短縮と予測精度の確保を両立させる。また、制御対象モデルの切替えは、制御対象モデルの離散化式のみを切替えても、離散化のための入力時定数を切替えてもよい。評価値は、長サンプリング周期で得られた出力を短サンプリング周期の出力に変換して算出することができる。または異なるサンプリング周期に対応して評価式の重み付けを異ならせて算出することもできる。 （もっと読む）

【課題】 モデル予測制御において、最適化演算の処理時間を短縮し、かつ演算精度の低下を抑える。
【解決手段】 制御対象の動的モデルを用いて操作量の各変数について数値微分を行って微分値を求め、微分値を要素とするヤコビアン行列に基づいて評価点を移動させ、移動した評価点ごとに評価を行なって最適操作量を決定するモデル予測制御方法において、微分値を所定値と比較して（Ｓ１３）微分値が所定値より小さい場合、評価省略フラグをオンにする（Ｓ１４）。次回のヤコビアン行列作成プロセスでは微分値を０として、数値微分を省略できる。この場合、微分値を０とする数値微分ステップが終了すると評価省略フラグをオフにして（Ｓ１８）、その次の数値微分ステップでは数値微分を行なうようにすると、演算精度が向上する。 （もっと読む）

【課題】 モデル予測制御において、予測演算時間を短縮しかつ安定制御を実行する。
【解決手段】 最適操作量候補検索部３１により、最適操作量の候補を検索し、モデル予測部３３により、制御対象２０の動特性モデルを用いて制御量を予測し、評価部３５により、予測された前記制御量と目標値との偏差をとって評価し、最適操作量を決定する。最適操作量候補の検索に先立って、操作量検索範囲設定部４により制御対象の動特性モデルを用いて検索範囲を設定し、無駄な検索を行なわないようにする。また、今回の予測制御を開始するにあたって、前回の最適操作量を今回の最適操作量の候補として予測した制御量と目標制御量との偏差が所定範囲内にある場合、前回の最適操作量を今回の最適操作量と決定するようにすれば、さらに予測に要する時間を短縮することができる。 （もっと読む）

【課題】 モデル予測制御装置において、処理負荷の低減と安定な制御との両立を図る。
【解決手段】 モデル予測制御装置において最適操作量を決定する際の制約条件および評価式とその重み係数を、制約条件設定部３２、評価式設定部３６、重み設定部３８に複数記憶しておき、制御目標量と現在の制御量との偏差に基づいて、すくなくとも１つを切換えて使用する。また、予測制御に際して、まず現在の操作量により制御量を予測し、該予測制御量と制御目標量とが所定範囲内にあれば、現在の操作量を最適操作量と決定する。 （もっと読む）

多段階制御機（６１０）は、工程を行うシステム（６２０）の稼動を指示する。前記工程は、複数の工程パラメータ（ＭＰＰ）（６２５）を有するが、ＭＰＰ（６２５）の１つ以上が制御可能な工程パラメータ（ＣＴＰＰ）（６１５）であり、ＭＰＰ（６２５）の１つが目標設定工程パラメータ（ＴＰＰ）（６２５）である。前記工程は、長さＴＰＬ_ＡＡＶ２の定義された時間におけるＴＰＰ（６２５）の実際平均値（ＡＡＶ）に対する第１の限界を示す定義された目標値（ＤＴＶ）を有する。前記ＡＡＶは、定義された期間におけるＴＰＰの実際数値（ＡＶ）に基づいて計算される。第１論理制御器（６３０）は、少なくとも長さがＴＰＬ_ＡＡＶ２であり、現在時点Ｔ_０から未来時点Ｔ_ＡＡＶ２まで延長される第１未来時間（ＦＦＴＰ）においてＴＰＰの未来平均値（ＦＡＶ）を予測し、このとき、前記Ｔ_ＡＡＶ２以前にＴＰＰ（６２５）が定常状態に移動する。ＦＡＶは、（ｉ）長さがＴＰＬ_ＡＡＶ２以上であり、過去時点Ｔ_{−ＡＡＶ２}から現在時点Ｔ_０まで延長される第１過去時間（ＦＰＴＰ）における様々な時点でのＴＰＰ（６２５）のＡＡＶ、（ii）ＭＰＰ（６２５）の現在値、及び（iii）ＤＴＶを基にして予測される。第２論理制御器は、ＴＰＬ_ＡＡＶ２の長さより短くＴＰＬ_ＡＡＶ１と等しい長さを有し、現在時点Ｔ_０から未来時点Ｔ_ＡＡＶ１まで延長される第２未来時間（ＳＦＴＰ）の間にＴＴＰ（６２５）のＡＡＶに対する第２の限界を示す追加的目標値（ＦＴＶ）を確立する。ＦＴＶは、ＦＦＴＰにおいて予測されたＴＰＰ（６２５）のＦＡＶのうちの１つ以上に基づいて確立される。また、第２論理制御器は、（ｉ）ＴＰＬ_ＡＡＶ１の長さを有し、過去時点Ｔ_{−ＡＡＶ１}から現在時点Ｔ_０まで延長される第２過去時間（ＳＰＴＰ）における様々な時点でのＴＰＰ（６２５）のＡＡＶ、（ii）ＭＭＰ（６２５）の現在値、及び（iii）ＦＴＶに基づき、ＣＴＰＰ（６１５）各々に対する目標設定点を決める。第２論理制御機は、前記ＣＴＰＰ（６１５）に対して決められた目標設定点に従ってＣＴＰＰ（６１５）各々の制御を指示する論理をさらに有する。
（もっと読む）