Apparatus for controlling crystal particle diameter of product

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、製塩工程における製品結晶の粒径を制御する製品粒径制御装置に関する。

【０００２】

【従来の技術】従来、製塩工程における晶析装置は、蒸発缶で母液やかん水を加熱・蒸発させ、濃度を飽和溶解度以上にして塩を析出成長させるものであり、蒸発速度、種晶添加速度、種晶平均粒径、結晶懸濁密度、缶内母液組成率などの晶析因子を操作する様々な操作条件に応じて晶析現象が変化し、生産される製品の結晶粒径はこの晶析現象に影響される。

【０００３】また、晶析装置は、結晶粒径を大きくする成長現象と結晶粒径を小さくする核化現象とにより振動性や非線形性を有する。 このため、従来のＰＩＤ制御やシーケンス制御のみでは、操作条件により変化する晶析装置の特性に充分対応できず、満足できる製品結晶粒径の制御を行うことが困難であった。

【０００４】このため、晶析装置を運転する際には、晶析装置の出口において、常時、熟練オペレータが製品結晶粒径を監視し、運転状態の変動に応じて、目標結晶粒径の製品を安定して生産するために必要な操作条件を経験と勘にたよって繰り返し探索して最適操作条件を求め、晶析装置を調整することにより、一定の目標結晶粒径の製品を生産している。

【０００５】また、晶析現象は、晶析装置の操作因子、
型式、規模、晶析温度、溶液の組成などにより変化し、
生産される製品の結晶粒径はこの晶析現象に影響される。 このため、少品種多量生産を目的とした従来の技術においては、まず生産する目標の製品結晶粒径を定め、
この目標値に対する晶析装置の型式、規模を設計し、それに基づく晶析装置の開発、制作を行うことにより、目標近傍の結晶粒径の製品を生産するという方法をとっている。

【０００６】

【発明が解決しようとする課題】しかしながら、夜間運転にともなって行われる蒸発速度の切り替え時のように運転状態が変動する場合、目標の結晶粒径の製品を安定して生産するために必要な最適操作条件を、熟練オペレータが試行錯誤に条件を設定して求めているが、外乱を抑えるまでに時間がかかり、制御精度が低下してしまうという問題がある。

【０００７】また、晶析装置は長時間連続運転を行うため、複数の熟練オペレータが交代しながら業務をする必要がある。 このため、熟練オペレータ間で運転状態の変動や故障・異常時の対応の経験が異なり最適操作条件の探索の仕方にも差が生じ、運転状態の変動への対処の仕方が統一されず、最小のロスで、効率よく目標の結晶粒径の製品を生産できる保証が得られない。

【０００８】また、熟練オペレータの製品結晶粒径の制御技術は過去の経験に対する主観と勘とによって把握しているため、時間とともに忘却したり、抜けを生じやすいという問題がある。 さらに、このような熟練オペレータの技術を継承したり、ノウハウを共有するのが困難である。

【０００９】さらに、晶析装置の型式、規模により、安定して生産できる製品結晶粒径の範囲が決まってくるので、既存設備に設定されている目標の製品結晶粒径に対して大きく目標値が異なる結晶粒径の製品を生産するためには、正確な晶析装置の特性の把握、高精度な最適条件の推定が要求される。

【００１０】しかし、従来の試行錯誤的な対処では上記のような要求を満たすのは困難であり、既存設備を改造して目標の結晶粒径の製品を生産しなければならないのが現状である。 このため、特に多品種少量生産を行う場合、生産コストが高くなるという問題がある。

【００１１】本発明は、連続操作のもとで目標の結晶平均粒径を有する製品を安定して生産できるような製品結晶粒径の制御技術を定式化し、既存設備を改造することなく目標が異なる結晶平均粒径の製品を高精度に生産できるようにすることを課題とする。 また、製品結晶粒径の制御を自動化し、運転状態が変動する場合でも、一定の結晶平均粒径の製品を安定して生産できるようにすることを課題とする。

【００１２】

【課題を解決するための手段】上記の課題を解決するためになした本発明の製品結晶粒径制御装置は、製塩工程における製品結晶粒径と晶析因子のデータから晶析装置の特性をニューラルネットを用いてモデル化するモデル構築手段と、上記モデル構築手段で構築されたモデルに基づいていて目標とする製品結晶粒径から晶析因子を推論する推論手段と、を備えたことを特徴とする。

【００１３】

【作用】本発明の製品結晶粒径制御装置において、モデル構築手段は、製塩工程における製品結晶粒径と晶析因子のデータから晶析装置の特性をニューラルネットワークを用いてモデル化する。 また、推論手段と、上記モデル構築手段で構築されたモデルに基づいていて目標とする製品結晶粒径から晶析因子を推論する。

【００１４】製塩工程における製品結晶粒径のデータは、製塩工程の晶析現象の振動性や非線形性のために時間的に幅のあるデータとなる。 このような幅のあるデータに基づいて晶析装置の特性をニューラルネットワークを用いてモデル化すると、ニューラルネットワークの学習機能により、適正なモデルを構築することができ、また、モデルの精度を高めることができ、晶析因子として適正な値を推論することができる。

【００１５】

【実施例】図１は本発明実施例の製品結晶粒径制御装置とこれを適用した製塩工程の晶析システムを示す図であり、この実施例の製品結晶粒径制御装置１０は、パーソナルコンピュータで構成された製品結晶粒径制御器１とパーソナルコンピュータで構成された計装制御器２で構成されている。

【００１６】晶析システム２０は、母液を収容する晶析装置ａ、晶析装置ａに種晶を添加する種晶添加器ｂ、晶析装置ａの母液を加熱する熱交換器ｃ、母液を循環させる循環ポンプｄ、熱交換器ｃに供給する蒸気の量を調整する蒸気バルブｅ、晶析装置ａにおける結晶の懸濁密度を調整する排出バルブｆを備えている。

【００１７】晶析装置ａ内の母液は循環ポンプｄにより熱交換器ｃを介して循環され、熱交換器ｃで加熱されて晶析装置ａで水分が蒸発し、塩が析出する。 この析出した塩は排出バルブｆを介してスラリーとして取り出され、このスラリーから製品結晶粒径である塩の粒径が測定される。

【００１８】また、晶析装置ａにおける晶析現象は、晶析装置ａにおける蒸発速度、結晶懸濁密度、缶内母液組成率（ＮａＣｌ）、種晶添加器ｂにおける種晶添加速度および種晶平均粒径等の晶析因子によって変化し、これに応じて析出する塩の粒径が変化する。

【００１９】これらの晶析因子のうち、蒸発速度、結晶懸濁密度および種晶添加速度は制御するのが容易であり、この晶析因子を計装制御器２によって制御するために、晶析システム２０には、熱交換器ｃに供給する蒸気量を測定する蒸気量測定センサ３と、晶析装置ａの缶内の圧力差を検出する差圧計の差圧データから結晶懸濁密度を測定する懸濁密度測定センサ４が配設されている。

【００２０】すなわち、計装制御器２は種晶添加器ｂにおける種晶添加速度［ｋｇ／ｈｒ］は直接制御するが、
晶析装置ａにおける蒸発速度［ｋｇ／ｈｒ］は熱交換器ｃに供給する蒸気の量に対応しており、計装制御器２は蒸気量測定センサ３で得られる測定データに基づいて蒸気バルブｅを調整して蒸発速度を制御する。 また、懸濁密度測定センサ４で得られる結晶懸濁密度のデータに基づいて排出バルブｆを調整して晶析装置ａにおける結晶懸濁密度［％］を制御する。

【００２１】なお、晶析装置ａにおける缶内母液組成率（ＮａＣｌ）は図示しない前段の装置からの母液の供給等によって制御し、種晶添加器ｂにおける種晶平均粒径は予め設定された粒径の種晶を使用して、一定に保っている。

【００２２】計装制御器２は、制御プログラムによって得られる目標値データ保持機能部２１、測定値データ入力機能部２２、制御計算機能部２３および操作量データ出力機能部２４で構成されている。

【００２３】目標値データ保持機能部２１は製品結晶粒径制御器１から設定される晶析因子の目標値データを記憶し、目標値データを制御計算機能部２３に出力するとともにモニタ２５に出力して目標値の表示を行う。

【００２４】測定値データ入力機能部２２は、蒸気量測定センサ３で得られる測定データおよび懸濁密度測定センサ４で得られる結晶懸濁密度の測定データを入力し、
入力データを制御計算機能部２３と製品結晶粒径制御器１とに出力するとともに、モニタ２５に出力して測定データの表示を行う。

【００２５】制御計算機能部２３は、ＦＦ制御、ＦＢ制御、シーケンス制御等により、目標値データ保持機能部２１から入力される晶析因子の目標値データと測定値データ入力機能部２２から入力される測定データに基づいて、種晶添加速度、蒸発速度および結晶懸濁密度がそれぞれ目標値になるような種晶添加速度の操作量、蒸気バルブｅの操作量および排出バルブｆの操作量を演算する。

【００２６】操作量データ出力機能部２４は、制御計算機能部２３で演算された操作量に基づいて、種晶添加器ｂ、蒸気バルブｅおよび排出バルブｆに操作量データを出力する。

【００２７】以上のように、計装制御器２は、晶析システム２０における晶析因子が製品結晶粒径制御器１から設定される目標値となるように制御する。 すなわち、晶析システム２０が製品結晶粒径制御器１で設定された条件で運転されるようにローカルな制御を行う。

【００２８】製品結晶粒径制御器１は制御プログラムによって得られるモデル構築機能部１１とモデル推定機能部１２で構成されており、モデル構築機能部１１は、晶析システム２０におけるセンサからの測定データとキーボード１３から入力されるバッチ測定データを用いて、
学習機能を持つニューラルネットにより製品結晶平均粒径Ｙと前記の５つの晶析因子との相関を表現した製品結晶粒径制御モデルを構築する機能を備えている。

【００２９】また、モデル推定機能部１２は、モデル構築機能部１１で構築されたモデルを用いて次のような３
つの推定機能を備えている。 製品結晶粒径の推定機能 晶析因子の定常値変化に対する製品結晶粒径を推定する機能。 目標結晶粒径の操作条件推定機能 目標結晶粒径の製品を高精度に生産するために必要な最適操作条件を推定する機能。 外乱補償の操作条件推定機能 既知外乱としての晶析因子の定常値が変化する場合に安定して一定の製品結晶粒径を生産するために必要な最適操作条件を推定する機能。

【００３０】図２はモデル構築機能部１１の構成を概念的に示す図であり、パターン入力部１１１は説明変数ｘ
１〜ｘ５として入力される５種類の晶析因子の入力データを記憶する記憶手段で構成されている。

【００３１】ＮＮモデル構成機能部１１２は、並列な３
つの集合演算部ＮＮ ^* ，ＮＮ，ＮＮ _*から構成されており、各集合演算部ＮＮ ^* ，ＮＮ，ＮＮ _*は、各々３つの並列な非線形演算部ＮＮ１ ^* ，ＮＮ２ ^* ，ＮＮ３ ^*またはＮＮ１，ＮＮ２，ＮＮ３またはＮＮ１ _* ，ＮＮ２ _* ，
ＮＮ３ _*から構成されている。

【００３２】各集合演算部ＮＮ ^* ，ＮＮ，ＮＮ _*の各非線形演算部ＮＮ１ ^* ，ＮＮ２ ^* ，ＮＮ３ ^* ，ＮＮ１，Ｎ
Ｎ２，ＮＮ３，ＮＮ１ _* ，ＮＮ２ _* ，ＮＮ３ _*は図３に示したように階層構造型ニューラルネットを構成しており、入力層である第１層以降の中間層と出力層である第Ｍ層は、それぞれ図４のような多入力−出力素子を演算プログラムで構成したニューロンＮ _iを並列に接続して構成されている。

【００３３】すなわち、ニューロンＮ _iは、５つの入力値Ｏ _n （ｎ＝１〜５）に対して、各入力値Ｏ _nに対応する結合係数Ｗ _ni 、閾値θ _iおよび図５のようなシグモイド函数ｆ（ｉ）により、次式のような演算を行って演算値Ｏ _iを出力するように構成されている。

【数１】

【００３４】以上のように構成された、各非線形演算部ＮＮ１ ^* …には、図２に示したように入力パターン部１
１１から入力される５種類の晶析因子のデータがそれぞれ入力され、各晶析因子のデータは各非線形演算部ＮＮ
１ ^* …において、図３に示した入力層にそれぞれ入力される。

【００３５】そして、学習演算制御部１１３は、この入力データに対する出力層（第Ｍ層）の出力値である出力パターンを、予め入力されたデータである教師パターンと比較し、誤差が小さくなるようにニューロンＮ _iの結合係数を修正することにより、各非線形演算部ＮＮ１ ^*
…の学習を行う。 なお、結合係数の初期値は乱数で設定される。

【００３６】なお、教師パターンとしては、入力する晶析因子のデータに対応する操作条件によって晶析システム２０を運転したときに実際に析出された製品の製品結晶粒径の平均値を用いる。 また、このような学習のためのアルゴリズムは、Ｒｕｍｅｌｈａｒｔによる誤差逆伝搬法（Ｂａｃｋ−Ｐｒｏｐａｇａｔｉｏｎ法）により構成されている。

【００３７】ここで、実際に析出された製品の製品結晶粒径の平均値はサンプリング毎に値の大きなものから小さなものまである分布をもっており、その分布の最大値の平均値、最も分布が密になっている部分に対応する代表平均値、および、最小値の平均値の３種類の値を用い、集合演算部ＮＮ ^*の非線形演算部ＮＮ１ ^* ，ＮＮ２
^* ，ＮＮ３ ^*の学習に最大値を、集合演算部ＮＮの非線形演算部ＮＮ１，ＮＮ２，ＮＮ３の学習に代表平均値を、また、集合演算部ＮＮ _*の非線形演算部ＮＮ１ _* ，
ＮＮ２ _* ，ＮＮ３ _*の学習に最小値を用いている。

【００３８】以上のような学習を行うことにより、入力される５種類一組の晶析因子のデータに対して、集合演算部ＮＮ ^*の非線形演算部ＮＮ１ ^* ，ＮＮ２ ^* ，ＮＮ３
^*は晶析因子に対応する製品結晶粒径の最大値の値を出力し、集合演算部ＮＮの非線形演算部ＮＮ１，ＮＮ２，
ＮＮ３は晶析因子に対応する製品結晶粒径の代表平均値の値を出力し、集合演算部ＮＮ _*の非線形演算部ＮＮ１
_* ，ＮＮ２ _* ，ＮＮ３ _*は晶析因子に対応する製品結晶粒径の最小値の値を出力するようになる。

【００３９】なお、各集合演算部ＮＮ ^* ，ＮＮ，ＮＮ _*
は、それぞれ３つの非線形演算部ＮＮ１ ^* …の出力値を平均し、５種類一組の晶析因子のデータに対して、集合演算部ＮＮ ^*からは製品結晶粒径の一つの最大値［ＮＮ
^* ］が、集合演算部ＮＮからは製品結晶粒径の一つの代表平均値［ＮＮ］が、集合演算部ＮＮ _*からは製品結晶粒径の一つの最小値［ＮＮ _* ］が出力される。

【００４０】このように、各集合演算部ＮＮ ^* …において、３つの非線形演算部により平均をとるようにしているので、学習結果の誤差が抑えられる。 すなわち、非線形演算部では結合係数の初期値として乱数が用いられるので、一つの非線形演算部では、データ数が少ない場合に推定区間に誤差が生じるが、３つの平均をとることによりこの誤差が緩和される。

【００４１】以上のようなＮＮモデル構成機能部１１２
の学習機能により晶析システム２０の製品結晶粒径制御モデルが構築される。 そして、このモデルは、６次元の仮想空間において、５種類の晶析因子に対する製品結晶粒径の最大値［ＮＮ ^* ］、代表平均値［ＮＮ］および最小値［ＮＮ _* ］の３つの曲面（５次元曲面）によって表現され、最大値［ＮＮ ^* ］の曲面と最小値［ＮＮ _* ］の曲面によって代表平均値［ＮＮ］の曲面および製品結晶粒径が略包含される。

【００４２】図２のモデル評価機能部１１４は、上記３
つの曲面を用いて図６に示したようにモデルの有効範囲を求める。 なお、図６では曲面を線として表現してある。 すなわち、代表平均値［ＮＮ］の曲面が最大値［Ｎ
Ｎ ^* ］の曲面と最小値［ＮＮ _* ］の曲面とで包含されている領域（［ＮＮ _* ］＜［ＮＮ］＜［ＮＮ ^* ］となる領域）の端点Ａ，Ｂを求め、点Ａから点Ｃを定め、点Ｂから点Ｄを定める。

【００４３】さらに、これらの点Ａ，Ｂ，Ｃ，Ｄから、
多角形型の可能性分布μ _Mxp ( ｘ _p ) 、μ _MYp ( ｙ _p )
を推定し、晶析因子と製品結晶粒径の両者の帰属度が低い範囲（μ _Mxp ( ｘ _p ) の範囲Ｅ〜Ｆ、μ _MYp ( ｙ _p )
の範囲Ｉ〜Ｊ）では、対象に対するモデルの信頼性は低いと判定する。 また、逆に帰属度が高い範囲（μ _Mxp (
ｘ _p ) の範囲Ｆ〜Ｇ、μ _MYp ( ｙ _p ) の範囲Ｈ〜Ｉ）では信頼性が高いと判定し、最終的に獲得したモデルの有効範囲（μ _Mxp ( ｘ _p ) の範囲Ｅ〜Ｇ、μ _MYp ( ｙ _p )
の範囲Ｈ〜Ｊ）を定める。

【００４４】そして、モデル評価機能部１１４は、晶析因子の未知データに対する製品結晶粒径の推定値および製品結晶粒径の未知データに対する晶析因子の推定値について、その有効性を判定する。

【００４５】ＮＮモデル構成機能部１１２における製品結晶粒径制御モデルの構築ロジックは、基本モデル構築ロジックと、実用モデル構築ロジックの２つのロジックから構成されている。 基本モデル構築ロジックは、図７
に示したように試験データによる基本となるモデルを構築するロジックであり、実用モデル構築ロジックは、図８に示したように基本モデルを晶析システム２０の工程に適用しながら実際にモデル推定を行い、推定誤差が大きい場合などは、そのデータを追加学習して、逐次、モデルの精度を上げていくロジックである。

【００４６】図７の基本モデル構築ロジックでは、まず、ステップＳ１１で目的変数Ｙを製品結晶平均粒径［μｍ］として基本モデル構築を開始し、ステップＳ１
２で各晶析因子の試験水準に対し、その値や組合せを代えてデータ収集を行う。 なお、実験では、このステップＳ１２で目標とする製品結晶平均粒径４００［μｍ］を生産するために４６試験データの収集を行った。

【００４７】次に、ステップＳ１３で、製品結晶粒径Ｙ
に対して相関が高い晶析因子をモデル構築のための説明変数ｘとして決定する。 なお、この実施例では、説明変数ｘとして以下の晶析因子を用いている。 （説明変数） ｘ１：蒸発速度［ｋｇ／ｈｒ］ ｘ２：種晶添加速度［ｋｇ／ｈｒ］ ｘ３：種晶平均粒径［μｍ］ ｘ４：結晶懸濁密度［％］ ｘ５：缶内母液組成率（NaCl）［％］

【００４８】次に、ステップＳ１４で、モデルのパラメータを設定し、ステップＳ１５に進む。 なお、実験では、試行錯誤により、以下のようにパラメータを設定した。 最大値の集合演算部ＮＮ ^* 、代表平均値の集合演算部ＮＮ、最小値の集合演算部ＮＮ _*の非線形演算部は全て３つで構成 全ての非線形演算部は３層構造 入力層は５ユニット（説明変数の数） 中間層は２５ユニット 出力層は１ユニット（目的変数の数） 誤差逆伝搬法における安定化定数は０．９ 誤差逆伝搬法における学習係数ηは０．２５ 初期荷重（結合係数）は±０・５ ただし、収集したデータは目的変数、説明変数の最大値、最小値を考慮し、全データを正規化して用いる。

【００４９】次に、ステップＳ１５でニューラルネットを用いて学習を行い、ステップＳ１６に進む。 なお、この実施例では、４６データを１セットとして１００００
回学習する。 ステップＳ１６では４６データに対する学習誤差Ｅを計算し、ステップＳ１７で閾値Ｅ ₀に対する学習誤差Ｅによる学習精度の判定を行う。 なお、実験では、計７００００（１００００×７）回学習を行って、
Ｅ≦Ｅ ₀の条件を満足した。 以上のように条件を満足するとステップＳ１８で基本モデル構築ロジックを終了する。

【００５０】図８の実用モデル構築ロジックでは、まず、ステップＳ２１で実用モデル構築を開始し、ステップＳ２２で、モデル推定機能により後述説明する製品結晶粒径の推定機能、目標結晶粒径の操作条件推定機能および外乱補償の操作条件推定機能から選択された機能によるモデル推定を行い、製品結晶平均粒径の平均時間の推定値、あるいは製品結晶平均粒径の平均時間の値を推定する。 なお、ここではモデル推定機能として製品結晶粒径の推定機能について考え、この機能を用いて、以下の晶析条件ｘにおける製品結晶平均粒径の平均時間の推定値Ｙ' を推定する。 ｘ１：蒸発速度８０．０［ｋｇ／ｈｒ］ ｘ２：種晶添加速度４．８［ｋｇ／ｈｒ］ ｘ３：種晶平均粒径２０２［μｍ］ ｘ４：結晶懸濁密度７．０［％］ ｘ５：缶内母液組成率（NaCl）２２．６２４［％］ 推定結果：製品結晶平均粒径の平均時間の推定値Ｙ' ＝４６３［μｍ］

【００５１】次に、ステップＳ２３で、この晶析条件に対して実際の工程（晶析システム２０）で製品結晶を生産し、ステップＳ２４に進む。 なお、実験の結果、生産された塩の製品結晶平均粒径の平均時間の測定値Ｙは、
Ｙ＝４７０［μｍ］であった。

【００５２】ステップＳ２４では、閾値ｅ ₀に対する推定精度の判定を行い、推定値Ｙ' と測定値Ｙに対して推定誤差が閾値ｅ ₀より小さい場合は終了とし、大きい場合はステップＳ２５以降で追加学習を行う。

【００５３】ステップＳ２５では、新しく発生したデータについて再現性の判定を行う。 すなわち、推定誤差の原因の一つとして測定誤差があるので、測定誤差が多く含まれているデータを追加学習すると構築されるモデルの精度が低下する。 そこで、これを避けるために、新しく発生したデータを過去のデータと比較して再現性の判定を行う。

【００５４】そして、再現性があるデータに対してのみステップＳ２６で追加学習を行い、再現性のないデータはステップＳ２９で異常データとして棄却して処理を終了する。 なお、上記の再現性の確認は、散布図、統計的な検定などにより推定誤差が大きい場合のみ行う。 また、この実施例では、ステップＳ２６において、４７データを１セットとして１００００回学習する。

【００５５】ステップＳ２７では４７データに対する学習誤差Ｅを計算し、ステップＳ２８で閾値Ｅ ₀に対する学習誤差Ｅによる学習精度の判定を行う。 なお、実験では、計７００００（１００００×７）回学習を行って、
Ｅ≦Ｅ ₀の条件を満足した。 以上のように条件を満足するとステップＳ２０１で実用モデル構築ロジックを終了する。 なお、上記のような実用モデル構築ロジックを繰り返し行うことによりモデルの精度が上がる。

【００５６】製塩結晶粒径の推定機能は、図９に示したように、構築した製品結晶粒径制御モデルを用いて、熟練オペレータが行っている晶析因子の定常値変化（蒸発速度の切り替え等）に対する製品結晶平均粒径の平均時間の推定を高精度に行い、晶析装置の特性の解析や製品結晶粒径の推定を行うための機能である。

【００５７】図９の製品結晶粒径の推定ロジックでは、
まず、ステップＳ３１で晶析因子の定常値変化後の操作条件Ｕ１に対する製品結晶平均粒径の平均時間の推定値Ｙ１' の推定を開始し、ステップＳ３２で晶析因子の定常値変化後の操作条件Ｕ１を設定する。

【００５８】次に、ステップＳ３３で、晶析因子の定常値変化後の晶析条件Ｕ１に対してモデルの有効範囲による判定を行い、有効範囲であればステップＳ３４で定常値変化後の晶析条件Ｕ１に対して製品結晶平均粒径の平均時間の推定値Ｙ１' を推定し、ステップＳ３５で処理を終了する。

【００５９】図１０は上記製品結晶粒径の推定ロジックに基づいて行った実験の一例を説明する図であり、この例では、晶析条件ｘ、製品結晶平均粒径の平均時間の測定値Ｙ１は次のような場合である。 （変化前の晶析条件） ｘ１：蒸発速度設定値［ｋｇ／ｈｒ］ ８０．０ ｘ２：種晶添加速度設定値［ｋｇ／ｈｒ］ ４．８ ｘ３：種晶平均粒径測定値［μｍ］ ２０２ ｘ４：結晶懸濁密度設定値［％］ ７．０ ｘ５：缶内母液組成率（NaCl）測定値［％］ ２２．６２４ （変化前の製品結晶平均粒径の平均時間の測定値） Ｙ１：製品結晶平均粒径の平均時間の測定値［μｍ］ ４３２

【００６０】晶析因子である蒸発速度ｘ１の定常値は図１０の（ｈ）のように、蒸発速度設定値［ｋｇ／ｈｒ］
８０．０が１００．０に変化させるようにし、ステップＳ３２で、変化後の蒸発速度設定値ｘ１＝１００．０を定常値変化後の操作条件Ｕ１＝１００．０［ｋｇ／ｈ
ｒ］として設定する。

【００６１】そして、ステップＳ３４で、種晶添加速度設定値４．８に対する製品結晶粒径の推定すると、この推定の過程は次のようになる。 すなわち、図１０の（ａ）に示したように、製品結晶平均粒径の平均時間の推定値の推定区間Ｆ〜Ｇとその代表点Ｂに対応して、区間Ｈ〜Ｉと点Ｃよりモデルの製品結晶平均粒径の平均時間の推定値Ｙ１' は４２１［μｍ］、４６３［μｍ］、
４９３［μｍ］であり、晶析因子の定常値変化後の実際の製品結晶平均粒径の平均時間の推定値Ｙ１' は４６３
［μｍ］であった。

【００６２】ここで、モデルの有効範囲は図１０の（ｂ）、（ｃ）のような可能性分布を示し、点Ｂに対して点Ｄ、点Ｅは帰属度１．０を示すため、このモデルの推定値はモデルの有効範囲に対して有効性があると判定された。 なお、図１０の（ｅ）はこの条件における製品結晶平均粒径の時間的平均推定値Ｙ１' の可能性分布を示している。 また、図１０の（ｆ）は、製品結晶平均粒径測定値の時間変化を示している。

【００６３】以上のように、製品結晶粒径の推定を行った結果、図１０の（ｆ）に示したように晶析因子の定常値変化後の製品結晶平均粒径の平均時間の測定値Ｙ１は以下のようになった。 この測定値はモデルの推定における最大値と最小値に対して有効な値をとっており、その区間の代表平均値に略一致していることから、この製塩結晶粒径推定機能の有効性が確認された。 Ｙ１′：製品結晶平均粒径の平均時間の推定値［μｍ］
４６３ Ｙ１：製品結晶平均粒径の平均時間の測定値［μｍ］４
７０

【００６４】目標結晶粒径の操作条件推定機能は、図１
１に示したように、構築した製品結晶粒径制御モデルを用いて、目標結晶平均粒径の製品を生産するために必要な最適条件の推定を短時間で、高精度に行い、目標結晶平均粒径の製品を制作するための制御を行うための機能である。

【００６５】図１１の目標結晶粒径の操作条件推定ロジックでは、まず、ステップＳ４１で処理を開始し、ステップＳ４２で製品結晶平均粒径の平均時間の目標値Ｙ
２' 'を設定し、ステップＳ４３で、製品結晶平均粒径の平均時間の目標値Ｙ２' ' に対してモデルの有効範囲による判定を行い、有効範囲であればステップＳ４４に進み、有効範囲でなければステップＳ４７に進む。

【００６６】ステップＳ４４では、結晶平均粒径の平均時間の目標値Ｙ２' ' の製品を生産するために必要な晶析操作条件Ｕ２' を推定し、ステップＳ４５で推定値に対する熟練オペレータによる評価の処理を行う。 評価の結果、推定された晶析操作条件Ｕ２' が有効であれば、
ステップＳ４６でその晶析操作条件Ｕ２' を計装制御器１１に設定してステップＳ４８で処理を処理を終了する。

【００６７】なお、モデルの有効範囲の判定や熟練オペレータによる評価で無効であった場合は、熟練オペレータが経験と勘により晶析操作条件Ｕ２' を推定し、ステップＳ４７でこの推定値を設定する。

【００６８】図１２は上記目標結晶粒径の操作条件推定ロジックに基づいて行った実験の一例を説明する図であり、この例では、晶析条件ｘ、製品結晶平均粒径の平均時間の測定値Ｙ２が次のような場合である。 （変化前の晶析条件） ｘ１：蒸発速度設定値［ｋｇ／ｈｒ］ １００．０ ｘ２：種晶添加速度設定値［ｋｇ／ｈｒ］ ５．２ ｘ３：種晶平均粒径測定値［μｍ］ １９８ ｘ４：結晶懸濁密度設定値［％］ ７．０ ｘ５：缶内母液組成率（NaCl）測定値［％］ ２２．６２４ （変化前の製品結晶平均粒径の平均時間の測定値） Ｙ２：製品結晶平均粒径測定値の平均時間の測定値［μｍ］ ４７０

【００６９】ステップＳ４２では、製品結晶平均粒径の平均時間の目標値Ｙ２' ' を４００［μｍ］に設定し、
ステップＳ４３で晶析操作条件Ｕ２' として晶析因子である種晶添加速度ｘ２の最適設定値を推定すると、この推定の過程は次のようになる。 すなわち、図１２の（ａ）に示したように、製品結晶平均粒径の平均時間の目標値Ｙ２' ' が４００（Ａ点）に対応して、種晶添加速度の推定区間Ｆ〜Ｇとその代表点Ｂに対応して、区間Ｈ〜Ｉと点Ｃよりモデルの種晶添加速度推定値Ｕ２' は５．４［ｋｇ／ｈｒ］、９．６［ｋｇ／ｈｒ］、１６．
７［ｋｇ／ｈｒ］であり、実際の種晶添加速度推定値Ｕ
２' は９．６［ｋｇ／ｈｒ］であった。

【００７０】ここで、モデルの有効範囲は図１２の（ｂ）、（ｃ）のような可能性分布を示し、点Ｂに対して点Ｄ、点Ｅは帰属度１．０を示すため、このモデルの推定値はモデルの有効範囲に対して有効性があると判定された。 なお、図１２の（ｄ）はこの条件における種晶添加速度推定値Ｕ２' の可能性分布を示している。 また、図１２の（ｆ）は、製品結晶平均粒径測定値の時間変化を示している。

【００７１】以上のように、目標結晶粒径の操作条件推定を行った結果、図１２の（ｆ）に示したように操作条件設定後の製品結晶平均粒径の平均時間の測定値Ｙ２は以下のようになった。 この測定値はモデルの推定における最大値と最小値に対して有効な値をとっており、その区間の代表平均値に略一致していることから、この目標結晶粒径の操作条件推定機能の有効性が確認された。 Ｙ２' ' ：製品結晶平均粒径の平均時間の目標値［μ
ｍ］４００ Ｙ２：製品結晶平均粒径の平均時間の測定値［μｍ］３
９０

【００７２】外乱補償の操作条件推定機能は、図１３に示したように、構築した製品結晶粒径制御モデルを用いて、既知外乱を抑えるために必要な最適操作条件の推定を高精度に行い、晶析装置の特性の解析や製品結晶粒径の推定を行うための機能である。

【００７３】図１３の外乱補償の操作条件推定ロジックでは、まず、ステップＳ５１で処理を開始し、ステップＳ５２で晶析因子の定常値変化後の操作条件Ｕ１' を設定し、ステップＳ５３で、操作条件Ｕ１' に対してモデルの有効範囲による判定を行い、有効範囲であればステップＳ５４に進み、有効範囲でなければステップＳ５７
に進む。

【００７４】ステップＳ５４では、安定して一定の結晶平均粒径の製品を生産するために必要な晶析操作条件Ｕ
２' を推定し、ステップＳ５５で推定値に対する熟練オペレータによる評価の処理を行う。 評価の結果、推定された晶析操作条件Ｕ２' が有効であれば、ステップＳ５
６で、予め測定しておいたむだ時間によりむだ時間補償を行い、推定した晶析操作条件Ｕ２' 所定のタイミングで計装制御器１１に設定してステップＳ５８で処理を処理を終了する。

【００７５】なお、モデルの有効範囲の判定や熟練オペレータによる評価で無効であった場合は、熟練オペレータが経験と勘により晶析操作条件Ｕ２' を推定し、ステップＳ５７でこの推定値を設定する。

【００７６】図１４は上記外乱補償の操作条件推定ロジックに基づいて行った実験の一例を説明する図であり、
この例では、晶析条件ｘ、製品結晶平均粒径の平均時間の測定値Ｙが次のような場合である。

【００７７】 （変化前の晶析条件） ｘ１：蒸発速度設定値［ｋｇ／ｈｒ］ ８０．０ ｘ２：種晶添加速度設定値［ｋｇ／ｈｒ］ ４．８ ｘ３：種晶平均粒径測定値［μｍ］ ２０３ ｘ４：結晶懸濁密度設定値［％］ ７．０ ｘ５：缶内母液組成率（NaCl）測定値［％］ ２２．６２４ （変化前の製品結晶平均粒径の平均時間の測定値） Ｙ' ：製品結晶平均粒径の平均時間の測定値［μｍ］ ４５４

【００７８】既知外乱として晶析因子である蒸発速度ｘ
１の定常値は図１４の（ｈ）のように、蒸発速度設定値［ｋｇ／ｈｒ］８０．０が１００．０に変化させるようにし、ステップＳ５２で、変化後の蒸発速度設定値ｘ１
＝１００．０を定常値変化後の操作条件Ｕ１' ＝１０
０．０［ｋｇ／ｈｒ］として設定する。

【００７９】そして、ステップＳ５３で、安定して一定の結晶平均粒径の製品を生産するために必要な晶析操作条件Ｕ２' として、他の晶析因子である種晶添加速度ｘ
２の最適設定値を推定すると、この推定の過程は次のようになる。

【００８０】いま、図１４の（ａ）に示したように、一定とする製品結晶平均粒径を４３９［μｍ］（Ａ点）とすると、この４３９（Ａ点）に対応して、種晶添加速度の推定区間Ｆ〜Ｇとその代表点Ｂに対応して、区間Ｈ〜
Ｉと点Ｃよりモデルの種晶添加速度推定値Ｕ２' は４．
５［ｋｇ／ｈｒ］、６．４［ｋｇ／ｈｒ］、８．８［ｋ
ｇ／ｈｒ］であり、実際の種晶添加速度推定値Ｕ２' は６．４［ｋｇ／ｈｒ］であった。

【００８１】ここで、モデルの有効範囲は図１４の（ｂ）、（ｃ）のような可能性分布を示し、点Ｂに対して点Ｄ、点Ｅは帰属度１．０を示すため、このモデルの推定値はモデルの有効範囲に対して有効性があると判定された。 なお、図１４の（ｄ）はこの条件における種晶添加速度推定値Ｕ２' の可能性分布を示している。 また、図１４の（ｆ）は、製品結晶平均粒径測定値の時間変化を示している。

【００８２】なお、この条件における製品結晶平均粒径の平均時間の推定の推定区間Ｊ〜Ｋとその代表点Ｂに対応して、区間Ｌ〜Ｍと点Ａよりモデルの製品結晶平均粒径の平均時間の推定値Ｙ' は４０６［μｍ］、４３７
［μｍ］、４７０［μｍ］である。

【００８３】以上のように、外乱補償の操作条件推定を行った結果、図１４の（ｆ）に示したように操作条件設定後の製品結晶平均粒径の平均時間の測定値Ｙは以下のようになった。 この測定値はモデルの推定における最大値と最小値に対して有効な値をとっており、晶析因子の定常値変化の影響を他の晶析因子の定常値を変ることで抑えられていることが判明し、この外乱補償の操作条件推定機能の有効性が確認された。 Ｙ：変化前の製品結晶平均粒径の平均時間の測定値［μ
ｍ］４５４ Ｙ：変化後の製品結晶平均粒径の平均時間の測定値［μ
ｍ］４５６

【００８４】

【発明の効果】以上説明したように本発明の製品結晶粒径制御装置によれば、製塩工程の晶析システムにおいて振動性で非線形性を示す晶析装置の特性を、製品結晶粒径という幅のある測定データによりニューラルネットを用いてモデル化するとともに、この構築したモデルに基づいていて目標とする製品結晶粒径から、この目標値となるような、晶析因子を推論するようにしたので、連続操作のもとで目標の結晶平均粒径を有する製品を安定して生産できるような製品結晶粒径の制御技術を定式化することができる。 また、既存設備を改造することなく目標が異なる結晶平均粒径の製品を高精度に生産することができる。 さらに、運転状態が変動する場合でも、運転状態の変動の要因となった晶析因子の他の晶析因子について、目標の結晶平均粒径に対する晶析操作条件を求めることができるので、一定の結晶平均粒径の製品を安定して生産することができる。

【００８５】また、実施例によれば、製品結晶粒径の代表値が最大値と最小値との間に包含される領域を有効範囲として設定し、この有効範囲に基づいて推論値の有効性の判定を行って推論を行うようにしたので、推論値の有効性を高めることができる。

【図面の簡単な説明】

【図１】本発明実施例の製品結晶粒径制御装置とこれを適用した製塩工程の晶析システムを示す図である。

【図２】実施例におけるモデル構築機能部の構成を概念的に示す図である。

【図３】実施例における非線形演算部の構成を示す図である。

【図４】実施例におけるニューロンを示す図である。

【図５】実施例におけるシグモイド函数を示す図である。

【図６】実施例におけるモデル評価機能部を説明する図である。

【図７】実施例における基本モデル構築ロジックのフローチャートである。

【図８】実施例における実用モデル構築ロジックのフローチャートである。

【図９】実施例における製品結晶粒径の推定ロジックのフローチャートである。

【図１０】実施例における製品結晶粒径の推定ロジックに基づいて行った実験の一例を説明する図である。

【図１１】実施例における目標結晶粒径の操作条件推定ロジックのフローチャートである。

【図１２】実施例における目標結晶粒径の操作条件推定ロジックに基づいて行った実験の一例を説明する図である。

【図１３】実施例における外乱補償の操作条件推定ロジックのフローチャートである。

【図１４】実施例における外乱補償の操作条件推定ロジックに基づいて行った実験の一例を説明する図である。

【符号の説明】

１…製品結晶粒径制御器、２…計装制御器、１０…製品結晶粒径制御装置、１１…モデル構築機能部、１２…モデル推定機能部。

───────────────────────────────────────────────────── フロントページの続き (72)発明者 長谷川 正巳 神奈川県小田原市酒匂４丁目13番20号 日 本たばこ産業株式会社海水総合研究所内