JPH0628009A - Method for polymerizing process - Google Patents
Method for polymerizing processInfo
- Publication number
- JPH0628009A JPH0628009A JP17993892A JP17993892A JPH0628009A JP H0628009 A JPH0628009 A JP H0628009A JP 17993892 A JP17993892 A JP 17993892A JP 17993892 A JP17993892 A JP 17993892A JP H0628009 A JPH0628009 A JP H0628009A
- Authority
- JP
- Japan
- Prior art keywords
- value
- neural network
- output
- contents
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- C—CHEMISTRY; METALLURGY
- C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
- C08F—MACROMOLECULAR COMPOUNDS OBTAINED BY REACTIONS ONLY INVOLVING CARBON-TO-CARBON UNSATURATED BONDS
- C08F2400/00—Characteristics for processes of polymerization
- C08F2400/02—Control or adjustment of polymerization parameters
Landscapes
- Feedback Control In General (AREA)
- Polymerisation Methods In General (AREA)
Abstract
Description
【０００１】[0001]
【産業上の利用分野】本発明は、重合プロセスの制御方
法に関し、詳しくは重合プロセスの生産状態をニューラ
ルネットワークを用いて制御する重合プロセスの制御方
法に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a method for controlling a polymerization process, and more particularly to a method for controlling a polymerization process for controlling a production state of the polymerization process by using a neural network.
【０００２】[0002]
【従来の技術】一般に重合プロセスを実行する化学プラ
ントでは、重合プロセスにおいて化学反応を用いる複雑
な生産プロセスを伴なう。このため、化学プラントの制
御（操作）内容と生産結果との関係は非線形性となる場
合が多く、生産管理の対象とするプラントをモデル化
し、操作内容と生産状態との関係を簡単な数式で表わす
ことは困難である。2. Description of the Related Art Generally, a chemical plant for carrying out a polymerization process involves a complicated production process using chemical reactions in the polymerization process. For this reason, the relationship between the control (operation) content of a chemical plant and the production result is often non-linear, and the plant that is the target of production management is modeled, and the relationship between the operation content and the production state is expressed by a simple mathematical expression. It is difficult to represent.
【０００３】そこで、従来では生産結果をたとえば生産
物の物性を予測するためには、（１）オペレータの経験
やプラント操作の試行錯誤の結果から生産結果を予測す
る方法か、または、（２）生産結果と制御操作の関係式
を重回帰分析により取得し、取得した関係式を用いて生
産結果を予測する方法が用いられてきた。Therefore, conventionally, in order to predict the production result, for example, the physical properties of the product, (1) a method of predicting the production result from the experience of the operator or the result of trial and error of plant operation, or (2) A method has been used in which the relational expression between the production result and the control operation is acquired by multiple regression analysis and the production result is predicted using the acquired relational expression.
【０００４】なお、重回帰分析を用いる方法は、特公平
３−４０１号に示されている。A method using multiple regression analysis is disclosed in Japanese Examined Patent Publication No. 3-401.
【０００５】この提案は、合成ゴムに関する制御システ
ムに関し、目的のポリマーをプラントの出口で自動サン
プリングする。次にサンプリング物の分子量などの種々
の分析を行ってその分析値からムーニー粘度を推定する
重回帰モデルを作成する。このような重回帰モデルを用
いることによって生産結果を予測し、プラントが正常な
生産を行っているかを上述の（１）の方法よりも正確に
監視することが可能となってきた。This proposal relates to a control system for synthetic rubber, in which the polymer of interest is automatically sampled at the outlet of the plant. Next, various analyzes such as the molecular weight of the sample are performed, and a multiple regression model for estimating the Mooney viscosity is created from the analyzed values. By using such a multiple regression model, it has become possible to predict the production result and to monitor whether the plant is performing normal production more accurately than in the above method (1).
【０００６】しかしながら生産予測結果が目標範囲を超
える場合は現在のプラントの制御操作内容を変更する必
要がある。重回帰分析を行う生産予測方法は、 （ａ）分析時間に時間がかかるので、異常検知から操作
内容の変更までの応答時間が長い。However, if the production prediction result exceeds the target range, it is necessary to change the current control operation contents of the plant. In the production prediction method that performs multiple regression analysis, (a) the analysis time is long, and therefore the response time from abnormality detection to change of operation content is long.
【０００７】（ｂ）サンプリングの位置によっても制御
の遅れが生じる。(B) Control delay also occurs depending on the sampling position.
【０００８】（ｃ）サンプリングできない物質について
は物性の予測ができない。(C) The physical properties of substances that cannot be sampled cannot be predicted.
【０００９】等の問題がある。そこで、本願出願人は本
願に先立って、ニューラルネットワークに予め、制御操
作内容と、生産結果の内容の関係を学習させておき、実
際の制御操作内容すなわち、複数の制御要素についての
パラメータ値から生産結果の内容すなわち、物性値を予
測する方法を提案している。There are problems such as Therefore, the applicant of the present application, prior to the present application, causes the neural network to learn the relationship between the control operation content and the content of the production result in advance, and produces the actual control operation content, that is, the parameter value for a plurality of control elements. We propose a method of predicting the content of the result, that is, the physical property value.
【００１０】この提案により生産予測をリアルタイムで
行うことができるようになってきた。With this proposal, it has become possible to perform production prediction in real time.
【００１１】[0011]
【発明が解決しようとする課題】しかしながら、生産予
測結果が異常値を示した場合にその異常値を基に、修正
すべき制御操作内容を決定しようとする場合に上述の各
方法は次の点で好適とは言えなかった。すなわち、 （ａ）オペレータの経験に頼る修正は、応答性を満足し
ても修正量が正確ではない。However, when the production prediction result shows an abnormal value, when the control operation content to be corrected is decided based on the abnormal value, each of the above methods has the following points. It was not suitable. That is, (a) the correction amount that depends on the experience of the operator is not accurate even if the responsiveness is satisfied.
【００１２】（ｂ）重回帰モデルを用いる方法は予測値
を得るまでに時間がかかる。また、１種の予測値を得る
ような複数種の操作項目（制御要素）についてはその組
み合わせが複数組存在するので、１種の予測値から逆
に、複数種の操作項目を得ることはできない。(B) In the method using the multiple regression model, it takes time to obtain a predicted value. Further, since there are a plurality of combinations of a plurality of types of operation items (control elements) for obtaining one type of predicted value, it is not possible to obtain a plurality of types of operation items from the one type of predicted value. .
【００１３】（ｃ）ニューラルネットワークを用いる方
法は予測値を得るまでの時間は迅速であるが、上述と同
様１種の予測値から複数種の操作項目を得ることはでき
ない。(C) The method using a neural network takes a short time to obtain a predicted value, but it is impossible to obtain a plurality of kinds of operation items from one kind of predicted value as described above.
【００１４】という不具合があった。There was a problem that
【００１５】そこで、本発明の目的は上述の点に鑑み
て、処理速度の速いニューラルネットワークにより取得
した予測値を用いて、修正もしくは設定すべき制御内容
を迅速に、精度よく決定することの可能な重合プロセス
の制御方法を提供することにある。Therefore, in view of the above points, the object of the present invention is to enable quick and accurate determination of control contents to be corrected or set by using a predicted value obtained by a neural network having a high processing speed. Another object of the present invention is to provide a method for controlling a different polymerization process.
【００１６】[0016]
【課題を解決するための手段】このような目的を達成す
るために、本発明は、重合プロセスにおける制御要素の
内容を入力すると、該制御要素の内容に対応する当該重
合プロセスの生産内容を出力するように予めニューラル
ネットワークに学習させておき、前記ニューラルネット
ワークに入力する内容を順次に変化させ、前記ニューラ
ルネットワークから順次に出力される内容が前記重合プ
ロセスの生産目標と合致するか否かを判定し、合致判定
が得られたときの前記ニューラルネットワークの入力の
内容を前記重合プロセスを実際に制御するための前記制
御要素の内容と決定することを特徴とする。In order to achieve such an object, the present invention, when the content of a control element in a polymerization process is input, outputs the production content of the polymerization process corresponding to the content of the control element. The neural network is learned in advance so that the contents input to the neural network are sequentially changed, and it is determined whether the contents sequentially output from the neural network match the production target of the polymerization process. However, the content of the input of the neural network when a match determination is obtained is determined as the content of the control element for actually controlling the superposition process.
【００１７】[0017]
【作用】本発明は、制御要素の内容から重合プロセスの
出力内容を予測するフォワードモデルをニューラルネッ
トワークを用いて作成し、重合プロセスの目標の出力内
容が得られる制御要素の内容を、試行錯誤（トライアン
ドエラー）手法によりフォワードモデルのニューラルネ
ットワークから求める。According to the present invention, a forward model for predicting the output content of the polymerization process from the content of the control element is created by using a neural network, and the content of the control element that gives the target output content of the polymerization process is determined by trial and error ( It is obtained from the forward model neural network by the trial and error method.
【００１８】[0018]
【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。Embodiments of the present invention will now be described in detail with reference to the drawings.
【００１９】ニューラルネットワークは解析的なモデル
で表現が不可能なプラント、あるいは非線形なプラント
に対して、その入出力関係、すなわち実際のプラントの
過去に運転された入出力データを用いて学習を行い、プ
ラントのモデルをネットワークの重みとして内部表現す
ることが可能である。プラントの１例を図２に示してお
く。The neural network performs learning on a plant that cannot be represented by an analytical model or a nonlinear plant by using its input / output relationship, that is, the input / output data of the actual plant operated in the past. , It is possible to internally represent the model of the plant as the weight of the network. An example of a plant is shown in FIG.
【００２０】本発明で用いるニューラルネットワーク
は、３層構造のパーセプトロン型の多階層構造のニュー
ラルネットワークであるが、階層の数は３層に限るもの
ではない。学習アルゴリズムはパックプロパゲーション
を用いているが、学習アルゴリズムもパックプロパゲー
ションに限るものではない。The neural network used in the present invention is a three-layer perceptron type multi-layered neural network, but the number of layers is not limited to three. Although the learning algorithm uses pack propagation, the learning algorithm is not limited to pack propagation.
【００２１】パーセプトロン型の多階層構造のニューラ
ルネットワークを選んだ理由は、階層の数が３層以上あ
る場合には、任意の連続関数を任意の精度で表現するこ
とが可能であることが証明されているためである。ま
た、学習アルゴリズムとしてパックプロパゲーションを
用いたのはパックプロパゲーションが最急降下法に基づ
く計算を行っているためである。最急降下法は他の最適
化計算の手法に比べて、計算上の安定性がある。The reason why the perceptron type multi-layered neural network is selected is that it is possible to represent an arbitrary continuous function with an arbitrary accuracy when the number of layers is three or more. This is because Pack propagation is used as a learning algorithm because pack propagation performs calculation based on the steepest descent method. The steepest descent method has computational stability compared to other optimization calculation methods.
【００２２】操作量決定には、プラントのフォワードモ
デルすなわち、プラントの操作内容からプラント出力値
を推定するモデルを学習したニューラルネットワークを
用いて行う。フォワードモデルの学習に関しては、図３
のようなニューラルネットワークの構成になる。入力と
して操作量やセンサーからのプロセスデータ、出力とし
ては、推定したいデータとする。The operation amount is determined by using a forward model of the plant, that is, a neural network which has learned a model for estimating the plant output value from the operation content of the plant. Regarding learning of the forward model, see FIG.
It becomes the structure of the neural network like. The input is the manipulated variable and the process data from the sensor, and the output is the data to be estimated.
【００２３】図２に示すブタジエン合成ゴムの連続重合
工程では、図３のフォワードモデルの入力として、
（ａ）モノマー濃度（重量％）、（ｂ）流量（Ｔｏｎ／
Ｄａｙ）、（ｃ）触媒レベル（レベル）、（ｄ）ジャケ
ット温度（℃）、（ｅ）モノマーフィード時の温度
（℃）、（ｆ）開始剤濃度（ｐｐｍ）等の制御要素を与
え、出力としてムーニー粘度を出力するフォワードモデ
ルを用いる。このモデルにおいて、モノマー濃度〜開始
剤濃度の各値に対応するムーニー粘度の値を予めニュー
ラルネットワークに学習させておく。In the continuous polymerization step of butadiene synthetic rubber shown in FIG. 2, as an input of the forward model of FIG.
(A) Monomer concentration (wt%), (b) Flow rate (Ton /
Apply control elements such as Day), (c) catalyst level (level), (d) jacket temperature (° C), (e) temperature during monomer feed (° C), (f) initiator concentration (ppm), and output The forward model that outputs the Mooney viscosity is used as. In this model, the value of Mooney viscosity corresponding to each value of the monomer concentration to the initiator concentration is learned in advance by the neural network.
【００２４】本実施例はこのフォワードモデルをインバ
ースモデル、すなわち、プラント出力目標値からプロセ
スの操作内容を決定するインバースモデルとして使用可
能にしたところに特徴がある。フォワードモデルを学習
したニューラルネットワークはプラントのモデルを適切
に学習したニューラルネットワークである必要がある。
このため、このフォワードモデルを学習したニューラル
ネットワークは、入力側の有効な値の全範囲に対して、
出力がどのように変化するかを確認しておく。このと
き、対象とするプラントの入出力の関係に関して、すで
に得られている経験的な知識や物理的な定性的知識がニ
ューラルネットワークにより計算された入出力関係と矛
盾しないニューラルネットワークを選択する。例えば、
入力の温度を単調に上げた場合に、出力も単調に増加す
るという関係がわかっている場合には、この知識と矛盾
しないようなニューラルネットワークを選択する必要が
ある。The present embodiment is characterized in that the forward model can be used as an inverse model, that is, an inverse model for determining a process operation content from a plant output target value. The neural network that learned the forward model needs to be a neural network that appropriately learned the plant model.
Therefore, the neural network that learned this forward model, for the entire range of valid values on the input side,
Check how the output changes. At this time, regarding the input / output relationship of the target plant, a neural network is selected in which the empirical knowledge and physical qualitative knowledge already obtained do not contradict the input / output relationship calculated by the neural network. For example,
If it is known that the output also increases monotonically when the input temperature is monotonically raised, it is necessary to select a neural network that does not contradict this knowledge.
【００２５】上記のように適切に学習されたフォワード
モデルについてのニューラルネットワークを用いて所望
の値に対する操作量を決定する方法を２種類説明する。
これら方法を状況に応じて適宜使い分ける。Two types of methods for determining the manipulated variable with respect to a desired value by using the neural network for the forward model properly learned as described above will be described.
Use these methods appropriately according to the situation.
【００２６】（イ）方法１ 入力データの有効な値の全範囲にわたって、入力値を微
小変化させ、その時のニューラルネットワークの出力値
と所望の目標値を比較して、ニューラルネットワークの
出力値と目標値との差が最も小さくなる時の操作量を修
正する操作量とする方法。(B) Method 1 The input value is slightly changed over the entire range of the effective value of the input data, the output value of the neural network at that time is compared with the desired target value, and the output value and the target of the neural network are compared. A method that uses the operation amount to correct the operation amount when the difference from the value is the smallest.
【００２７】この方法を適用するニューラルネットワー
クの構成を図１に示す。図１の例では、プラントの計測
値とは関係なく、操作内容の取り得る範囲の最小値と最
大値もまた０．０〜１．０に正規化し、正規化した最小
値または最大値を初期入力値として与える。この初期入
力値に対するニューラルネットワーク１の出力値と目標
値との差を演算器２２により算出する。その算出結果は
最小値検出回路２３に入力され、たとえば、上記算出結
果が数値“０”から“０”に近い数値までの範囲（合致
と判定する範囲）に到達したとき（本発明の合致判定が
得られたときに相当）に最小値検出回路２３から検出信
号が出力される。この検出信号が発生されるまで初期の
入力値から順次に微小変化させ、検出信号発生時の入力
値が、目標のプラント出力を得るための複数の制御要素
の操作制御内容となる。The structure of a neural network to which this method is applied is shown in FIG. In the example of FIG. 1, the minimum value and the maximum value of the range that the operation content can take are also normalized to 0.0 to 1.0 regardless of the measured value of the plant, and the normalized minimum value or maximum value is initialized. Give as an input value. The calculator 22 calculates the difference between the output value of the neural network 1 and the target value with respect to this initial input value. The calculation result is input to the minimum value detection circuit 23 and, for example, when the calculation result reaches a range from the numerical value “0” to a numerical value close to “0” (matching determination range) (match determination of the present invention). Is obtained (corresponding to the above), the minimum value detection circuit 23 outputs a detection signal. The initial input value is sequentially minutely changed until the detection signal is generated, and the input value when the detection signal is generated becomes the operation control content of the plurality of control elements for obtaining the target plant output.
【００２８】（ロ）方法２ ニューラルネットワークの出力と目標値との２乗誤差を
最急降下法により最小化する方法である。この方法を用
いるニューラルネットワークの構成を図４に示す。この
方法も基本的には入力値を変化させて繰り返し計算によ
る計算方法である。計算式は数式１０で示される。い
ま、説明の簡単のために、ある限定されたネットワーク
を考える。出力ノード数は１個、中間層の層数も１層と
する。ただし、これらを複数個とした場合でも一般性は
失われない。このネットワーク構造を図５に示す。数式
に用いられるそれぞれの記号の定義は以下のとおりであ
る。(B) Method 2 In this method, the squared error between the output of the neural network and the target value is minimized by the steepest descent method. The structure of a neural network using this method is shown in FIG. This method is also basically a calculation method in which input values are changed and repeated calculation is performed. The calculation formula is shown in Formula 10. Now for the sake of simplicity, consider a limited network. The number of output nodes is one, and the number of intermediate layers is one. However, generality is not lost even when a plurality of these are used. This network structure is shown in FIG. The definition of each symbol used in the mathematical formulas is as follows.
【００２９】[0029]
【外１】 [Outer 1]
【００３０】ニューラルネットワークの出力は、各ノー
ドの活性値をもとに計算される。The output of the neural network is calculated based on the activation value of each node.
【００３１】[0031]
【数１】 [Equation 1]
【００３２】[0032]
【数２】 [Equation 2]
【００３３】[0033]
【数３】 [Equation 3]
【００３４】[0034]
【数４】 y ＝f(u0) ： 出力層の出力 ただし、Y = f (u 0 ): output of the output layer
【００３５】[0035]
【数５】 [Equation 5]
【００３６】という出力関数であり、ｕ0 はある定数で
ある。Is an output function and u 0 is a constant.
【００３７】これらをまとめると、結局、出力ｙは次の
ようになる。In summary, the output y is as follows.
【００３８】[0038]
【数６】 [Equation 6]
【００３９】この出力と目標値との差の関数を評価関数
として定義する。The function of the difference between this output and the target value is defined as an evaluation function.
【００４０】[0040]
【数７】 [Equation 7]
【００４１】ここでパックプロパゲーションの場合と同
様に最急降下法の原理を用いると、Here, if the principle of the steepest descent method is used as in the case of pack propagation,
【００４２】[0042]
【数８】 [Equation 8]
【００４３】[0043]
【数９】 [Equation 9]
【００４４】以上、最終的に用いる計算式は以下のよう
になる。The calculation formula finally used is as follows.
【００４５】[0045]
【数１０】xi(t＋1)＝xi(t) ＋Δxi ただし、## EQU10 ## x i (t + 1) = x i (t) + Δx i
【００４６】[0046]
【数１１】 [Equation 11]
【００４７】上述の２つの方法は説明の簡単のために、
所望の値として、出力を１つとしたが、これに限るわけ
ではなく、複数の所望の値を設定することが可能であ
る。For simplicity of explanation, the above two methods are
Although one output is set as the desired value, the present invention is not limited to this, and a plurality of desired values can be set.
【００４８】以上、説明した方法を実現する回路はアナ
ログ、デジタル回路やコンピュータソフトにより達成で
きる。図１，図４の回路をワークステーション（Ｓｕｎ
Ｍｉｃｒｏｓｙｓｔｅｍ社製 Ｓｐａｒｃ Ｓｔａｔ
ｉｏｎ ２）上で実現したときの計算時間は数秒であ
り、ほぼリアルタイムで修正すべき操作量が得られる。The circuit for realizing the above-described method can be achieved by an analog or digital circuit or computer software. The circuits of Fig. 1 and Fig. 4 are
Sparc Stat manufactured by Microsystem
Ion 2) takes a few seconds to calculate, and the operation amount to be corrected can be obtained almost in real time.
【００４９】上述の方法には次のような特徴がある。The above method has the following features.
【００５０】方法１）： 複数組の解、すなわち、目標
出力を得るための操作項目についての操作量が複数組得
られる。したがってこの複数組の解の中から最適解、た
とえば、現在のプラントの操作量から最も近い操作量を
ユーザが選択することができる。Method 1): A plurality of sets of solutions, that is, a plurality of sets of operation amounts for operation items for obtaining a target output are obtained. Therefore, the user can select the optimum solution, for example, the operation amount closest to the operation amount of the current plant, from the plurality of sets of solutions.
【００５１】方法２）： 現在のプラントの操作量を初
期値入力することができ、現在の操作量に近い解が得ら
れる。また、方法１よりも処理時間が短い。ただし、複
数解は得られない。Method 2): It is possible to input an initial value of the operation amount of the current plant, and a solution close to the current operation amount can be obtained. Further, the processing time is shorter than that of the method 1. However, multiple solutions cannot be obtained.
【００５２】したがって、プラントの操作項目が多い場
合は方法２を用いればよく、また高精度制御を要する場
合は方法１を用いるとよい。Therefore, the method 2 may be used when there are many plant operation items, and the method 1 may be used when high precision control is required.
【００５３】また、方法１および方法２を所望のタイミ
ングで切換えて使用してもよいこと勿論である。Further, it goes without saying that the method 1 and the method 2 may be switched and used at a desired timing.
【００５４】本実施例のフォワードモデルの学習精度
は、推定したムーニー粘度と実際とのずれが±１ポイン
ト以内に収まる割合が約９５％である。このニューラル
ネットワークを用いて、希望するムーニー粘度を設定し
たときに、本発明による方法と従来技術である重回帰モ
デルを用いた方法で制御したムーニー粘度の変動幅を比
較すると次の通りであり、本発明が高精度であることが
判る。Regarding the learning accuracy of the forward model of the present embodiment, the ratio between the estimated Mooney viscosity and the actual deviation being within ± 1 point is about 95%. Using this neural network, when the desired Mooney viscosity is set, the fluctuation range of the Mooney viscosity controlled by the method according to the present invention and the method using the multiple regression model of the prior art is compared as follows, It can be seen that the present invention is highly accurate.
【００５５】 従来の方法 本発明による方法 ムーニー粘度 ±５ポイント ±２ポイント また、本実施例で用いたニューラルネットワークの構成
に制限されることなく、プラントの制御要素、生産出力
の要素の個数に応じて好適なニューラルネットワークを
構成すればよいことは言うまでもないであろう。Conventional method Method according to the present invention Mooney viscosity ± 5 points ± 2 points Further, the invention is not limited to the configuration of the neural network used in the present embodiment, and depends on the number of plant control elements and production output elements. It goes without saying that it is only necessary to construct a suitable neural network.
【００５６】[0056]
【発明の効果】以上、述べたように、本発明によれば、
フォワードモデルのニューラルネットワークを用いて制
御要素の内容を決定することができるので、以下の効果
が得られる。As described above, according to the present invention,
Since the content of the control element can be determined using the forward model neural network, the following effects can be obtained.
【００５７】（１）現在の重合プロセスの制御要素の内
容を上記ニューラルネットワークに入力すると、この制
御を行った場合の重合プロセスの出力内容を予測するこ
とができる。したがって、この予測内容と目標内容を比
較器等により比較することによりプロセスが正常に作動
しているか否かの監視を行うことができる。また、異常
検出時には変更すべき制御要素の内容をリアルタイムで
取得でき、その予測精度が高い。(1) When the contents of the control elements of the current polymerization process are input to the neural network, the output contents of the polymerization process when this control is performed can be predicted. Therefore, by comparing the predicted content and the target content with a comparator or the like, it is possible to monitor whether or not the process is operating normally. Further, the content of the control element to be changed can be acquired in real time when an abnormality is detected, and the prediction accuracy is high.
【００５８】（２）重合プロセスからオンライン測定が
できない物性値などの推定よびその制御が可能となる。(2) It becomes possible to estimate and control the physical property values that cannot be measured online from the polymerization process.
【００５９】（３）プラントの自動制御が可能となり、
手動制御に比べ目標値に達するまでの制御過程のオペレ
ータの個人差をなくすことができる。このため、品質の
均一化、生産効率の向上に寄与することができる。(3) Automatic control of the plant becomes possible,
It is possible to eliminate individual differences among operators in the control process until the target value is reached, as compared with manual control. Therefore, it is possible to contribute to uniform quality and improved production efficiency.
【００６０】（４）非線形モデルについての生産状態の
予測および目標値に対する制御内容の決定精度が非常に
高い。(4) The accuracy of predicting the production state of the non-linear model and determining the control content for the target value is very high.
【図１】本発明実施例の処理手順を示す構成図である。FIG. 1 is a configuration diagram showing a processing procedure of an embodiment of the present invention.
【図２】重合プラントの構成を示す構成図である。FIG. 2 is a configuration diagram showing a configuration of a polymerization plant.
【図３】ニューラルネットワークの入力および出力の内
容を示す構成図である。FIG. 3 is a configuration diagram showing the contents of inputs and outputs of a neural network.
【図４】本発明の他のニューラルネットワークの構成を
示す構成図である。FIG. 4 is a configuration diagram showing a configuration of another neural network of the present invention.
【図５】実験モデルに使用したニューラルネットワーク
の構成を示す構成図である。FIG. 5 is a configuration diagram showing a configuration of a neural network used for an experimental model.
１ 撹拌槽 ２ 混合タンク ３ 混合器 ４ ポンプ ５ 自動調節弁 ６ 流量計 ７ 温度計 ８ 電流計 ９ 圧力計 １０ レベル計 １１ ＤＣＳ（分散制御システム） １２ コンピュータゲートウェイ １３ イーサネット １４ ワークステーション 1 Stirring tank 2 Mixing tank 3 Mixer 4 Pump 5 Automatic control valve 6 Flow meter 7 Thermometer 8 Ammeter 9 Pressure gauge 10 Level meter 11 DCS (Distributed control system) 12 Computer gateway 13 Ethernet 14 Workstation
Claims (1)
入力すると、該制御要素の内容に対応する当該重合プロ
セスの生産内容を出力するように予めニューラルネット
ワークに学習させておき、 前記ニューラルネットワークに入力する内容を順次に変
化させ、 前記ニューラルネットワークから順次に出力される内容
が前記重合プロセスの生産目標と合致するか否かを判定
し、 合致判定が得られたときの前記ニューラルネットワーク
の入力の内容を前記重合プロセスを実際に制御するため
の前記制御要素の内容と決定することを特徴とする重合
プロセスの制御方法。1. When a content of a control element in a polymerization process is input, a neural network is preliminarily learned so as to output the production content of the polymerization process corresponding to the content of the control element, and the result is input to the neural network. The contents are sequentially changed, and it is determined whether or not the contents sequentially output from the neural network match the production target of the polymerization process, and the contents of the input of the neural network when the matching judgment is obtained are A method for controlling a polymerization process, which comprises determining the content of the control element for actually controlling the polymerization process.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP17993892A JPH0628009A (en) | 1992-07-07 | 1992-07-07 | Method for polymerizing process |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP17993892A JPH0628009A (en) | 1992-07-07 | 1992-07-07 | Method for polymerizing process |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0628009A true JPH0628009A (en) | 1994-02-04 |
Family
ID=16074567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP17993892A Withdrawn JPH0628009A (en) | 1992-07-07 | 1992-07-07 | Method for polymerizing process |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0628009A (en) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06322989A (en) * | 1993-05-18 | 1994-11-22 | Showa Denko Kenzai Kk | Outer wall board setting method and outer wall board hoisting heavy jig |
| WO1996041822A1 (en) * | 1995-06-09 | 1996-12-27 | Solvay Polyolefines Europe-Belgium (Societe Anonyme) | Method for controlling chemical synthesis processes |
| JP2008501837A (en) * | 2004-06-09 | 2008-01-24 | ストックハウゼン ゲーエムベーハー | Method for producing hydrophilic polymer and additional processing product containing hydrophilic polymer using computer generated model |
| JP2013542286A (en) * | 2010-10-08 | 2013-11-21 | ランクセス・ドイチュランド・ゲーエムベーハー | Activity monitoring and polymerization process control |
| WO2020054183A1 (en) * | 2018-09-10 | 2020-03-19 | 富士フイルム株式会社 | Flow reaction assistance device and method, flow reaction equipment and method |
| EP3858474A4 (en) * | 2018-09-28 | 2021-12-22 | FUJIFILM Corporation | Flow reaction equipment and method |
| JP2022532143A (en) * | 2019-05-09 | 2022-07-13 | アスペン テクノロジー インコーポレイテッド | Modeling the process industry that combines machine learning with expertise and first principles |
| US11754998B2 (en) | 2019-10-18 | 2023-09-12 | Aspentech Corporation | System and methods for automated model development from plant historical data for advanced process control |
| US11782401B2 (en) | 2019-08-02 | 2023-10-10 | Aspentech Corporation | Apparatus and methods to build deep learning controller using non-invasive closed loop exploration |
-
1992
- 1992-07-07 JP JP17993892A patent/JPH0628009A/en not_active Withdrawn
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06322989A (en) * | 1993-05-18 | 1994-11-22 | Showa Denko Kenzai Kk | Outer wall board setting method and outer wall board hoisting heavy jig |
| WO1996041822A1 (en) * | 1995-06-09 | 1996-12-27 | Solvay Polyolefines Europe-Belgium (Societe Anonyme) | Method for controlling chemical synthesis processes |
| BE1009406A3 (en) * | 1995-06-09 | 1997-03-04 | Solvay | Method of control methods for synthetic chemicals. |
| JP2008501837A (en) * | 2004-06-09 | 2008-01-24 | ストックハウゼン ゲーエムベーハー | Method for producing hydrophilic polymer and additional processing product containing hydrophilic polymer using computer generated model |
| JP2013542286A (en) * | 2010-10-08 | 2013-11-21 | ランクセス・ドイチュランド・ゲーエムベーハー | Activity monitoring and polymerization process control |
| JPWO2020054183A1 (en) * | 2018-09-10 | 2021-09-30 | 富士フイルム株式会社 | Flow reaction support device and method, flow reaction equipment and method |
| WO2020054183A1 (en) * | 2018-09-10 | 2020-03-19 | 富士フイルム株式会社 | Flow reaction assistance device and method, flow reaction equipment and method |
| EP3851461A4 (en) * | 2018-09-10 | 2021-11-17 | FUJIFILM Corporation | Flow reaction assistance device and method, flow reaction equipment and method |
| EP3858474A4 (en) * | 2018-09-28 | 2021-12-22 | FUJIFILM Corporation | Flow reaction equipment and method |
| US11253834B2 (en) | 2018-09-28 | 2022-02-22 | Fujifilm Corporation | Flow reaction facility and flow reaction method |
| JP2022532143A (en) * | 2019-05-09 | 2022-07-13 | アスペン テクノロジー インコーポレイテッド | Modeling the process industry that combines machine learning with expertise and first principles |
| US11853032B2 (en) | 2019-05-09 | 2023-12-26 | Aspentech Corporation | Combining machine learning with domain knowledge and first principles for modeling in the process industries |
| US11782401B2 (en) | 2019-08-02 | 2023-10-10 | Aspentech Corporation | Apparatus and methods to build deep learning controller using non-invasive closed loop exploration |
| US11754998B2 (en) | 2019-10-18 | 2023-09-12 | Aspentech Corporation | System and methods for automated model development from plant historical data for advanced process control |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10739752B2 (en) | Computer system and method for causality analysis using hybrid first-principles and inferential model | |
| Lennox et al. | Industrial application of neural networks—an investigation | |
| Mu et al. | Online dual updating with recursive PLS model and its application in predicting crystal size of purified terephthalic acid (PTA) process | |
| Warne et al. | Statistical and computational intelligence techniques for inferential model development: a comparative evaluation and a novel proposition for fusion | |
| RU2654310C2 (en) | Method and device for the rocket engine parameter monitoring | |
| WO2005054968A1 (en) | Intelligent system for detection of process status, process fault and preventive maintenance | |
| JPH0628009A (en) | Method for polymerizing process | |
| CN113420061B (en) | Steady state working condition analysis method, optimization debugging method and system of oil refining and chemical production device | |
| Dudul | Prediction of a Lorenz chaotic attractor using two-layer perceptron neural network | |
| US20020019722A1 (en) | On-line calibration process | |
| Singh et al. | ANN based estimator for distillation—inferential control | |
| Griesing-Scheiwe et al. | Soft sensor design for variable time delay and variable sampling time | |
| JP4017516B2 (en) | Method for evaluating physical properties of polymer products | |
| Boillereaux et al. | A new approach for designing model-based indirect sensors | |
| Padmavathi et al. | Neural modelling of Mooney viscosity of polybutadiene rubber | |
| US6862562B1 (en) | Computer method and apparatus for determining state of physical properties in a chemical process | |
| JP5580966B2 (en) | PID controller | |
| Borg et al. | A neural network developed in a Foundation Fieldbus environment to calculate flow rates for compressible fluid | |
| GB2402232A (en) | Estimating a property of a batch process using a non-parametric model | |
| Vanlaer et al. | Quality assessment of a variance estimator for Partial Least Squares prediction of batch-end quality | |
| JPH063243A (en) | Method for estimating physical property of rubber polymer | |
| CN104200269A (en) | Real-time fault diagnosis method based on online learning minimum embedding dimension network | |
| Chang et al. | Intelligent integration of SPC/EPC for quality control and fault diagnosis | |
| TW487834B (en) | Computer method and apparatus for determining state of physical properties in a chemical process | |
| Bhide et al. | Statistics on reliability of neural network estimates |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Withdrawal of application because of no request for examination |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 19991005 |