JP4691005B2

JP4691005B2 - Method, apparatus, computer program, and computer-readable storage medium for predicting operation state of manufacturing process

Info

Publication number: JP4691005B2
Application number: JP2006332217A
Authority: JP
Inventors: 雅浩伊藤; 純一森; 眞六松崎; 晴俊大貝; 健康内田
Original assignee: Waseda University; Nippon Steel Corp
Current assignee: Waseda University; Nippon Steel Corp
Priority date: 2006-12-08
Filing date: 2006-12-08
Publication date: 2011-06-01
Anticipated expiration: 2026-12-08
Also published as: JP2008146322A

Description

本発明は、鉄鋼業の高炉等の製造プラントの製造プロセスにおいて、過去の操業事例に基づいてプロセスの将来状態を予測する製造プロセスの操業状態の予測方法、装置、コンピュータプログラム、及びコンピュータ読み取り可能な記憶媒体に関する。 The present invention relates to a manufacturing process operation state prediction method, apparatus, computer program, and computer-readable method for predicting the future state of a process based on past operation cases in a manufacturing process of a manufacturing plant such as a blast furnace in the steel industry. The present invention relates to a storage medium.

従来、鉄鋼業における高炉等のプラントの操業において、操業状態を表すプロセスの測定データに関して、操業不良又は操業異常が発生すると、人手により操業日誌等から過去の事例を探して、取るべき操業アクションを決定する行為が実施されていた。操業アクションの成功例、失敗例を問わず過去の操業知見を将来の操業改善に活用することは重要であるが、従来は蓄積された高炉等のプロセス操業状態を表す、種々のセンサ等の測定データの時系列データを十分に活用する手段がなく、操業者の記憶に頼るのが一般的であった。そのため、操業者の経験により意見の異なる操業アクションが選択される問題があった。 Conventionally, in the operation of a plant such as a blast furnace in the steel industry, if an operation failure or operation abnormality occurs with respect to process measurement data representing the operation state, the past operation cases should be searched manually from the operation diary etc. The act of deciding was being implemented. It is important to use past operational knowledge for future operational improvements regardless of the success or failure of operational actions, but in the past, measurement of various sensors, etc., representing the accumulated process operational status of blast furnaces, etc. There was no means to fully utilize the time series data, and it was common to rely on the memory of the operator. Therefore, there is a problem that an operation action with a different opinion is selected depending on the experience of the operator.

本発明が対象とする製造プロセスは、高炉等の物理現象が複雑なプロセスである。このようなプロセスの数学モデルとして、プロセスによっては物理モデルの数式群の形に定式化されているものがあるが、これらの数式群を連立させた形で数値計算を行い、プロセスの時間的推移を現実的な計算時間内でシミュレーションすることは、現時点での計算機能力では限界がある場合が多い。 The manufacturing process targeted by the present invention is a process in which physical phenomena such as a blast furnace are complicated. As a mathematical model of such a process, some processes are formulated in the form of a mathematical model of a physical model. It is often the case that there is a limit in the calculation capability at present.

そこで、事例ベース推論技術がいくつかの分野で利用されている。特許文献１では、過去の問題解決事例に基づいて現在の問題解決を行う事例ベース推論を適用する手法が開示されている。特許文献２では、事例ベース推論のための表形式のエディタを提案し、専門家の知識の体系化を支援する手法が開示されている。特許文献３では、浄水場プロセスの排水量予測システムを対象とし、また、特許文献４では、浄水場プロセスの濁度の予測、制御及び管理システムを対象として、複数の事例を一つ集約して代表事例から構成される事例ベースを構築し、プロセスの予測、制御及び管理を行う手法が開示されている。 Therefore, case-based reasoning technology is used in several fields. Patent Document 1 discloses a method of applying case-based reasoning that solves a current problem based on past problem-solving cases. Patent Literature 2 proposes a tabular editor for case-based reasoning, and discloses a technique for supporting the systematization of expert knowledge. In Patent Document 3, the wastewater amount prediction system of the water treatment plant process is targeted, and in Patent Document 4, a plurality of cases are collected and represented for the turbidity prediction, control and management system of the water treatment plant process. A method for constructing a case base composed of cases and predicting, controlling and managing processes is disclosed.

特開平３−１３２８２６号公報Japanese Patent Laid-Open No. 3-132826 特開平７−２７１５８８号公報JP 7-271588 A 特開２００１−２８８７８２号公報JP 2001-288882 A 特開２００２−１１９９５６号公報Japanese Patent Application Laid-Open No. 2002-119956 丹羽敏雄著、微分方程式と力学系の理論入門、遊星社（１９８８年）、Ｐ.３１Toshio Niwa, Introduction to Theory of Differential Equations and Dynamical Systems, Yuseisha (1988), P.31 河口至商著、多変量解析入門Ｉ、森北出版（１９７３年）、Ｐ．３〜３３Kawasho, Shisho, Introduction to Multivariate Analysis I, Morikita Publishing (1973), p. 3-33

しかしながら、特許文献１に開示されている手法は、ルール型問題の解決事例の１次解をユーザに提示し、ユーザに確認を求め、１次解が失敗事例と判断されれば、以前の失敗回避事例をもとに不足している制約を推測し、新たな２次解の候補をユーザに提示する手法である。事前に蓄積された知識データベースだけでは解決事例を導けない場合は、専門家の情報を入力・編集し、知識データベースに記憶させるとされている。この手法の場合、ユーザが解決すべきルール型問題に対して、システムが提示する解が成功であるか否か、またシステムだけで解決事例を提示できない場合にどのような知識ルールを知識データベースに追加すべきかどうかに関して、十分な知識を有する専門家であることが前提であり、どのようなユーザに対しても有効な手法か否かという観点から、汎用性、客観性に欠ける。システムの予測精度を維持するとすれば、知識の収集、事例ベースの構築やその更新に、ユーザが大きな労力を費やさざるを得ない。 However, the method disclosed in Patent Document 1 presents a primary solution of a rule-type problem solution case to the user, asks the user for confirmation, and if the primary solution is determined to be a failure case, the previous failure This is a method of inferring a shortage constraint based on an avoidance case and presenting a new secondary solution candidate to the user. When a solution case cannot be derived only by the knowledge database accumulated in advance, it is said that expert information is input / edited and stored in the knowledge database. In the case of this method, whether or not the solution presented by the system is successful for the rule type problem to be solved by the user, and what kind of knowledge rule is stored in the knowledge database when the solution cannot be presented only by the system. It is premised on being an expert who has sufficient knowledge regarding whether or not to add, and lacks versatility and objectivity from the viewpoint of whether or not the method is effective for any user. If the prediction accuracy of the system is maintained, the user has to spend a great deal of effort on collecting knowledge, building a case base and updating it.

また、特許文献２に開示されている手法は、特許文献１と同様にルール型の事例ベース推論を基本とする手法である。計算機の専門知識を持たない現場の操業者が、自らのもつ専門知識をシステムに入力するのに際し、知識ルールを予め５つの種類に分類・体系化しておき、それぞれについて汎用的な表形式のエディタ画面を準備することにより、現場の操業者が知識ルールを入力することを容易かつ効率化し、事例ベース推論を用いたエキスパートシステムの開発効率、品質、保守性の向上を図る手法である。本手法も知識ルールの決定に基本的に操業者（ユーザ）が介在するシステムであり、特許文献１の手法と同様に、どのような操業者に対しても有効な手法か否かという観点からは、汎用性及び客観性に欠ける。 Further, the method disclosed in Patent Document 2 is a method based on rule-type case-based reasoning as in Patent Document 1. When operators in the field who do not have specialized knowledge of computers input their own specialized knowledge into the system, knowledge rules are classified and organized into five types in advance, and a general tabular editor for each. By preparing a screen, it is a technique to make it easier and more efficient for operators on site to input knowledge rules, and to improve the development efficiency, quality, and maintainability of expert systems using case-based reasoning. This method is also a system in which an operator (user) is basically involved in determining the knowledge rule, and from the viewpoint of whether or not it is an effective method for any operator as in the method of Patent Document 1. Lacks versatility and objectivity.

また、特許文献３及び４に開示されている手法は、浄水設備の配水量の予測、濁度の予測や制御を目的とし、事例ベース推論の知識ルール生成に相当する事例ベース生成に、入力変数が構成する入力空間を量子化してプロセスの履歴データを配置し、１つ以上の履歴データを有する単位入力空間ごとにその単位入力空間の履歴データを代表する事例を作成する手法を採用している。本手法による知識ルールの生成にはユーザの介在がなく、ユーザによる個人差の少ない汎用性及び客観性のある手法である。しかしながら、特許文献３及び４の手法は、単位入力空間内の複数の履歴データを一つの代表する事例として集約してしまうため、本発明が対象とする高炉等のプロセスのように、過去操業事例の類似事例検索結果から現在時刻の操業と類似な操業事例の時刻を特定し、操業日誌等と照らす等して現時刻で取るべき操業アクションを決定したい操業者にとって必要かつ重要な過去の類似事例の時刻の情報が欠落してしまうという問題があった。 In addition, the methods disclosed in Patent Documents 3 and 4 are for the purpose of prediction of water distribution amount of water purification equipment, prediction and control of turbidity, and input variables to case base generation corresponding to knowledge rule generation of case base reasoning. Quantize the input space that is configured to arrange process history data, and adopt a method to create a case that represents the history data of the unit input space for each unit input space having one or more history data . The generation of knowledge rules by this method is a versatile and objective method with little individual difference among users without user intervention. However, since the methods of Patent Documents 3 and 4 aggregate a plurality of historical data in the unit input space as one representative case, the past operation cases such as a process of a blast furnace or the like targeted by the present invention are performed. The past similar cases necessary and important for operators who want to determine the operation action to be taken at the current time by identifying the time of the operation case similar to the current time operation from the search results of similar cases and comparing with the operation diary etc. There was a problem that the time information of was missing.

本発明は、以上のような事情に鑑みてなされたものであり、鉄鋼業の高炉のような製造プラントの製造プロセスにおいて、過去の操業事例に基づいてプロセスの操業状態を高精度に予測して操業者に提示するオンライン手法を提供することを目的とする。 The present invention has been made in view of the above circumstances, and in the manufacturing process of a manufacturing plant such as a blast furnace in the steel industry, the operation state of the process is predicted with high accuracy based on past operation cases. The purpose is to provide an online method to present to operators.

本発明の製造プロセスの操業状態の予測方法は、複数のセンサを備えた製造プラントの製造プロセスの操業状態を、前記複数のセンサで計測された時々刻々の複数の観測出力及び制御入力からなる複数のプロセス変数の値を時々刻々格納して時系列データベースを逐次作成し、該作成したデータベースを用いて予測する方法において、
前記複数のプロセス変数値に、時々刻々の現在値に加えて該現在値の時間遅れ変数の値を組み合わせて、離散化した時刻ｋにおける前記複数の観測出力のベクトル値をｙ（ｋ）、制御入力のベクトル値をｕ（ｋ）として、式（ａ）及び式（ｂ）によりプロセスの出力ベクトルｙ ^k 及び入力行列ｘ ^k を演算し、
ｙ ^k ＝ｙ（ｋ＋ｐ）（ａ）
ｘ ^k ＝[ｙ（ｋ），ｙ（ｋ−１），…，ｙ（ｋ−ｎ _y ），
ｕ（ｋ−ｄ），ｕ（ｋ−ｄ−１），…，ｕ（ｋ−ｄ−ｎ _u ）] ^T （ｂ）
ここで、ｎ _u ：整数値、ｎ _y ：整数値、ｐ：予測時間、ｄ：むだ時間
該出力ベクトルｙ ^k と入力行列ｘ ^k とからなるデータセット（ｘ ^k ，ｙ ^k ）を、時刻ｋの推移にともないデータ集合として前記時系列データベースを作成する時系列データベース作成工程と、
前記入力行列ｘ ^k を構成する複数のプロセス変数値についてステップワイズ法を用いて、各プロセス変数値の出力ベクトルｙ ^k への寄与率Ｆを計算し、該寄与率Ｆの値と予め設定した検定基準Ｆ _th の大小関係によって、前記入力行列ｘ ^k を構成するプロセス変数値の数を削減する方法、及び、前記入力行列ｘ ^k を構成するプロセス変数の２つｉ、ｊの組み合わせそれぞれにおいて、分散拡大要因判定法を用いて、分散拡大要因ＶＩＦ _ij を、ベクトル量である２つのプロセス変数の相関係数ｒ _ij を用いて、
ＶＩＦ _ij ＝１／（１−ｒ _ij ² ）（ｃ）
と定義して計算し、当該ＶＩＦ _ij の値が予め設定した閾値と較べて大きい値となるプロセス変数の組を多重共線性があると判定して、当該プロセス変数の組のどちらか１つのプロセス変数を入力行列ｘ ^k から削減する方法の、両方又はいずれか一方からなる、前記入力行列ｘ ^k を構成するプロセス変数値の数を削減する手順と、現在時刻から予め指定した過去時刻までのデータ集合を前記時系列データベースから抽出し、該抽出したデータ集合に含まれるデータセット（ｘ ^k ，ｙ ^k ）それぞれの入力行列ｘ ^k の各要素の量子化値を算出し、該量子化値と前記離散化した時刻ｋとを紐付けて検索用テーブルに格納する手順と、からなる検索用テーブル作成工程と、
前記製造プロセスの操業状態を予測するときに、予測の起点時刻Ａを要求点ｋ _q と設定し、該起点時刻Ａ以後の将来時刻Ｂを設定する手順と、該要求点ｋ _q におけるデータセット（ｘ ^kq ，ｙ ^kq ）の入力行列ｘ ^kq の各要素を量子化した値で構成された量子化した入力ベクトルＸ ^kqを検索キーとする手順と、該検索キーを用いて、予め設定した類似度基準に従い、前記予測の起点時刻Ａを起点とした該検索キーと類似する量子化値を有する入力ベクトルＸ ^k の時刻を検索用テーブルで検索して特定し、該特定した時刻に対応するデータセット（ｘ ^k ，ｙ ^k ）を前記時系列データベースから取り出す手順と、からなる検索用テーブルを検索して過去の操業類似事例を出力する類似事例検索工程と、
前記類似事例検索工程において特定した時刻を前記予測の起点時刻Ａに対応した過去の起点時刻ｋとし、該過去の起点時刻ｋのデータセット（ｘ ^k ，ｙ ^k ）の出力ベクトルｙ ^k から、前記過去の起点時刻ｋ以後の将来時刻Ｂである時刻の観測出力の値を取り出すことにより、前記予測の起点時刻Ａである要求点ｋ _q 以後の予測したい将来時刻Ｂにおけるプロセス変数値の予測値を決定して出力する将来状態予測工程と、
を有することを特徴とする。
また、本発明の製造プロセスの操業状態の予測方法の他の特徴とするところは、前記類似事例検索工程は、複数の過去の起点時刻ｋ _i の操業類似事例を出力し、前記将来状態予測工程は、該複数の過去の起点時刻ｋ _i のデータセット（ｘ ^ki ，ｙ ^ki ）に基づき補間により、前記過去の起点時刻以後の将来時刻Ｂの観測出力の値を計算し、前記予測の起点時刻Ａである要求点ｋ _q 以後の予測したい将来時刻Ｂにおけるプロセス変数の予測値を決定して出力する点にある。
また、本発明の製造プロセスの操業状態の予測方法の他の特徴とするところは、前記将来状態予測工程は、前記複数の過去の起点時刻ｋ _i のデータセット（ｘ ^ki ，ｙ ^ki ）に基づき、重回帰分析を用いた局所モデルにより補間して、前記過去の起点時刻以後の将来時刻Ｂに対応する時刻の観測出力の値を計算し、前記予測の起点時刻Ａである要求点ｋ _q 以後の予測したい将来時刻Ｂにおけるプロセス変数の予測値を決定して出力する点にある。
また、本発明の製造プロセスの操業状態の予測方法の他の特徴とするところは、前記類似事例検索工程では、前記類似度基準として、前記プロセス変数値の量子化値ベクトルの無限大ノルム又は該量子化値ベクトルの差の絶対値の和を用いることを特徴とする点にある。
また、本発明の製造プロセスの操業状態の予測方法の他の特徴とするところは、前記製造プロセスは高炉プロセスであり、前記複数のプロセス変数値は、溶銑温度、微粉炭吹き込み量、ソリューションロスカーボン、熱流比、装入ピッチ、溶銑中Ｓｉ濃度、溶銑中Ｔｉ濃度、熱風温度、炉頂温度、熱負荷、炉頂ガスＣＯ濃度、出銑速度、ＰＣＲ（微粉炭比）、スラグ中Ａｌ ₂ Ｏ ₃ 量、スラグ中ＴｉＯ ₂ 量のうちの一つ以上を含む点にある。
本発明の製造プロセスの操業状態の予測装置は、複数のセンサを備えた製造プラントの製造プロセスの操業状態を、前記複数のセンサで計測された時々刻々の複数の観測出力及び制御入力からなる複数のプロセス変数の値を時々刻々格納して時系列データベースを逐次作成し、該作成したデータベースを用いて予測する装置において、
前記複数のプロセス変数値に、時々刻々の現在値に加えて該現在値の時間遅れ変数の値を組み合わせて、離散化した時刻ｋにおける前記複数の観測出力のベクトル値をｙ（ｋ）、制御入力のベクトル値をｕ（ｋ）として、式（ａ）及び式（ｂ）によりプロセスの出力ベクトルｙ ^k 及び入力行列ｘ ^k を演算し、
ｙ ^k ＝ｙ（ｋ＋ｐ）（ａ）
ｘ ^k ＝[ｙ（ｋ），ｙ（ｋ−１），…，ｙ（ｋ−ｎ _y ），
ｕ（ｋ−ｄ），ｕ（ｋ−ｄ−１），…，ｕ（ｋ−ｄ−ｎ _u ）] ^T （ｂ）
ここで、ｎ _u ：整数値、ｎ _y ：整数値、ｐ：予測時間、ｄ：むだ時間
該出力ベクトルｙ ^k と入力行列ｘ ^k とからなるデータセット（ｘ ^k ，ｙ ^k ）を、時刻ｋの推移にともないデータ集合として前記時系列データベースを作成する時系列データベース作成手段と、
前記入力行列ｘ ^k を構成する複数のプロセス変数値についてステップワイズ法を用いて、各プロセス変数値の出力ベクトルｙ ^k への寄与率Ｆを計算し、該寄与率Ｆの値と予め設定した検定基準Ｆ _th の大小関係によって、前記入力行列ｘ ^k を構成するプロセス変数値の数を削減する方法、及び、前記入力行列ｘ ^k を構成するプロセス変数の２つｉ、ｊの組み合わせそれぞれにおいて、分散拡大要因判定法を用いて、分散拡大要因ＶＩＦ _ij を、ベクトル量である２つのプロセス変数の相関係数ｒ _ij を用いて、
ＶＩＦ _ij ＝１／（１−ｒ _ij ² ）（ｃ）
と定義して計算し、当該ＶＩＦ _ij の値が予め設定した閾値と較べて大きい値となるプロセス変数の組を多重共線性があると判定して、当該プロセス変数の組のどちらか１つのプロセス変数を入力行列ｘ ^k から削減する方法の、両方又はいずれか一方からなる、前記入力行列ｘ ^k を構成するプロセス変数値の数を削減する処理と、現在時刻から予め指定した過去時刻までのデータ集合を前記時系列データベースから抽出し、該抽出したデータ集合に含まれるデータセット（ｘ ^k ，ｙ ^k ）それぞれの入力行列ｘ ^k の各要素の量子化値を算出し、該量子化値と前記離散化した時刻ｋとを紐付けて検索用テーブルに格納する処理と、を実行する検索用テーブル作成手段と、
前記製造プロセスの操業状態を予測するときに、予測の起点時刻Ａを要求点ｋ _q と設定し、該起点時刻Ａ以後の将来時刻Ｂを設定する処理と、該要求点ｋ _q におけるデータセット（ｘ ^kq ，ｙ ^kq ）の入力行列ｘ ^kq の各要素を量子化した値で構成された量子化した入力ベクトルＸ ^kqを検索キーとする処理と、該検索キーを用いて、予め設定した類似度基準に従い、前記予測の起点時刻Ａを起点とした該検索キーと類似する量子化値を有する入力ベクトルＸ ^k の時刻を検索用テーブルで検索して特定し、該特定した時刻に対応するデータセット（ｘ ^k ，ｙ ^k ）を前記時系列データベースから取り出す処理と、を実行し、検索用テーブルを検索して過去の操業類似事例を出力する類似事例検索手段と、
前記類似事例検索手段において特定した時刻を前記予測の起点時刻Ａに対応した過去の起点時刻ｋとし、該過去の起点時刻ｋのデータセット（ｘ ^k ，ｙ ^k ）の出力ベクトルｙ ^k から、前記過去の起点時刻ｋ以後の将来時刻Ｂである時刻の観測出力の値を取り出すことにより、前記予測の起点時刻Ａである要求点ｋ _q 以後の予測したい将来時刻Ｂにおけるプロセス変数値の予測値を決定して出力する将来状態予測手段と、
を有することを特徴とする。
また、本発明の製造プロセスの操業状態の予測装置の他の特徴とするところは、前記類似事例検索手段は、複数の過去の起点時刻ｋ _i の操業類似事例を出力し、前記将来状態予測手段は、該複数の過去の起点時刻ｋ _i のデータセット（ｘ ^ki ，ｙ ^ki ）に基づき補間により、前記過去の起点時刻以後の将来時刻Ｂの観測出力の値を計算し、前記予測の起点時刻Ａである要求点ｋ _q 以後の予測したい将来時刻Ｂにおけるプロセス変数の予測値を決定して出力する点にある。
また、本発明の製造プロセスの操業状態の予測装置の他の特徴とするところは、前記将来状態予測手段は、前記複数の過去の起点時刻ｋ _i のデータセット（ｘ ^ki ，ｙ ^ki ）に基づき、重回帰分析を用いた局所モデルにより補間して、前記過去の起点時刻以後の将来時刻Ｂに対応する時刻の観測出力の値を計算し、前記予測の起点時刻Ａである要求点ｋ _q 以後の予測したい将来時刻Ｂにおけるプロセス変数の予測値を決定して出力する点にある。
本発明のコンピュータプログラムは、上記の本発明の製造プロセスの操業状態の予測方法の工程の処理をコンピュータに実行させることを特徴とする。
本発明のコンピュータ読み取り可能な記憶媒体は、本発明のコンピュータプログラムを格納したことを特徴とする。 The method for predicting the operation state of a manufacturing process according to the present invention includes a plurality of operation states of a manufacturing process of a manufacturing plant provided with a plurality of sensors, each of which includes a plurality of observation outputs and control inputs that are measured by the plurality of sensors. In the method of storing the value of the process variable from time to time, creating a time series database sequentially, and predicting using the created database ,
Control the vector values of the plurality of observed outputs at discretized time k with y (k) by combining the plurality of process variable values with the value of the time delay variable of the current value in addition to the current value every moment. The input vector value u (k) is used to calculate the process output vector y ^k and the input matrix x ^{k according} to equations (a) and (b) ,
y ^k = y (k + p) (a)
x ^k = [y (k), y (k−1),..., y (k− _ny ),
u (k−d), u (k−d−1),..., u (k−d−n _u )] ^T (b)
Where n _u : integer value, n _y : integer value, p: prediction time, d: dead time
A time-series database creating step of creating the time-series database as a data set with the transition of the time k using the data set (x ^k , y ^k ) composed of the output vector y ^k and the input matrix x ^k ;
Using a stepwise method for a plurality of process variable values constituting the input matrix x ^k , the contribution rate F of each process variable value to the output vector y ^k is calculated, and the value of the contribution rate F and a preset test are calculated. the magnitude of the reference F _th, a method of reducing the number of process variable values constituting the input matrix x ^k, and two i process variables constituting the input matrix x ^k, in each combination of j, the dispersion using the extended factor determination method, the variance inflation factor VIF _ij, using the correlation coefficient r _ij of the two process variables is a vector quantity,
VIF _ij = 1 / (1-r _ij ² ) (c)
And a process variable set in which the value of the VIF _ij is larger than a preset threshold value is determined to have multicollinearity, and one of the process variable sets is processed. A procedure for reducing the number of process variable values constituting the input matrix x ^k , consisting of both or either of the methods for reducing variables from the input matrix x ^k , and data from the current time to a previously specified past time A set is extracted from the time series database, and a quantized value of each element of the input matrix x ^k of each data set (x ^k , y ^k ) included in the extracted data set is calculated, and the quantized value and the a step of storing the search table in association with the time k discretized, a search table creation step consisting,
Wherein when predicting the operating state of the manufacturing process, to set the start time A and prediction request point k _q, and procedures for setting the standing point time A after the future time B, data set in the request point k _q ( x ^kq , y ^kq ), a procedure using a quantized input vector X ^kq composed of values obtained by quantizing each element of the input matrix x ^kq as a search key, and a similarity degree set in advance using the search key According to a standard, the time of the input vector X ^k having a quantized value similar to the search key starting from the prediction start time A is searched and specified in a search table, and a data set corresponding to the specified time A procedure of retrieving (x ^k , y ^k ) from the time series database, a similar case search step of searching a search table comprising and outputting past operation similar cases ;
Wherein the past start time k for a specified time corresponding to the start time A of the prediction in the similar case retrieval process, the data set of the past start time k (x ^k, y ^k) from the output vector y ^k of the by taking by tying the value of observed output of the time in the future time B past start time k after the prediction of the process variable values in the prediction want future time B requests point k _q after a start time a of the predicted A future state prediction process that determines and outputs a value ;
It is characterized by having.
Further, another feature of the method for predicting the operation state of the manufacturing process of the present invention is that the similar case search step outputs a plurality of operation similar cases at a plurality of past start times k _i , and the future state prediction step Calculates the value of the observation output at the future time B after the past start time by interpolation based on the data sets (x ^ki , y ^ki ) of the plurality of past start times k _i , and the prediction start time The point is that the predicted value of the process variable at the future time B to be predicted after the request point k _q which is A is determined and output .
Another feature of the method for predicting the operation state of the manufacturing process according to the present invention is that the future state prediction step is based on the data sets (x ^ki , y ^ki ) of the plurality of past start times k _i. Then, by interpolating with a local model using multiple regression analysis, the value of the observation output at the time corresponding to the future time B after the past start time is calculated, and after the request point k _q which is the start time A of the prediction The predicted value of the process variable at the future time B to be predicted is determined and output .
Further, another feature of the method for predicting the operation state of the manufacturing process of the present invention is that, in the similar case search step, an infinite norm of a quantized value vector of the process variable value or the It is characterized in that the sum of absolute values of differences between quantized value vectors is used .
Further, another feature of the method for predicting the operation state of the manufacturing process of the present invention is that the manufacturing process is a blast furnace process, and the plurality of process variable values are: hot metal temperature, pulverized coal injection amount, solution loss carbon , Heat flow ratio, charging pitch, molten iron Si concentration, molten iron Ti concentration, hot air temperature, furnace top temperature, heat load, furnace gas CO concentration, tapping rate, PCR (pulverized coal ratio), Al ₂ O in slag ₃ amount, Ru Ten'nia comprising one or more of the slag TiO ₂ weight.
The apparatus for predicting the operating state of a manufacturing process according to the present invention includes a plurality of momentary observation outputs and control inputs measured by the plurality of sensors, each of which is an operating state of a manufacturing plant having a plurality of sensors. In a device that stores the value of the process variable from time to time and creates a time series database sequentially, and predicts using the created database ,
Control the vector values of the plurality of observed outputs at discretized time k with y (k) by combining the plurality of process variable values with the value of the time delay variable of the current value in addition to the current value every moment. The input vector value u (k) is used to calculate the process output vector y ^k and the input matrix x ^{k according} to equations (a) and (b) ,
y ^k = y (k + p) (a)
x ^k = [y (k), y (k−1),..., y (k− _ny ),
u (k−d), u (k−d−1),..., u (k−d−n _u )] ^T (b)
Where n _u : integer value, n _y : integer value, p: prediction time, d: dead time
Time-series database creating means for creating the time-series database as a data set with the transition of the time k from the data set (x ^k , y ^k ) composed of the output vector y ^k and the input matrix x ^k ;
Using a stepwise method for a plurality of process variable values constituting the input matrix x ^k , the contribution rate F of each process variable value to the output vector y ^k is calculated, and the value of the contribution rate F and a preset test are calculated. the magnitude of the reference F _th, a method of reducing the number of process variable values constituting the input matrix x ^k, and two i process variables constituting the input matrix x ^k, in each combination of j, the dispersion using the extended factor determination method, the variance inflation factor VIF _ij, using the correlation coefficient r _ij of the two process variables is a vector quantity,
VIF _ij = 1 / (1-r _ij ² ) (c)
And a process variable set in which the value of the VIF _ij is larger than a preset threshold value is determined to have multicollinearity, and one of the process variable sets is processed. A process of reducing the number of process variable values constituting the input matrix x ^k , consisting of both or either of the methods for reducing variables from the input matrix x ^k , and data from the current time to a previously specified past time A set is extracted from the time series database, and a quantized value of each element of the input matrix x ^k of each data set (x ^k , y ^k ) included in the extracted data set is calculated, and the quantized value and the a search table creation means for executing a process of storing the search table in association with the time k discretized, and
Wherein when predicting the operating state of the manufacturing process, to set the start time A and prediction request point k _q, and the process of setting the the standing point time A after the future time B, data set in the request point k _q ( x ^kq , y ^kq ), a process using the quantized input vector X ^kq composed of values obtained by quantizing each element of the input matrix x ^kq as a search key, and a similarity set in advance using the search key According to a standard, the time of the input vector X ^k having a quantized value similar to the search key starting from the prediction start time A is searched and specified in a search table, and a data set corresponding to the specified time A process for retrieving (x ^k , y ^k ) from the time-series database , and a similar case search means for searching a search table and outputting past operation similar cases ,
Wherein the past start time k for a specified time corresponding to the start time A of the prediction in the similar case retrieving means, the data set of the past start time k (x ^k, y ^k) from the output vector y ^k of the by taking by tying the value of observed output of the time in the future time B past start time k after the prediction of the process variable values in the prediction want future time B requests point k _q after a start time a of the predicted Future state prediction means for determining and outputting values ;
It is characterized by having.
It is another feature of predicting apparatus operating state of the manufacturing process of the present invention, the similar case retrieval means outputs a plurality of operation similar cases in the past start time k _i, the future state prediction means Calculates the value of the observation output at the future time B after the past start time by interpolation based on the data sets (x ^ki , y ^ki ) of the plurality of past start times k _i , and the prediction start time The point is that the predicted value of the process variable at the future time B to be predicted after the request point k _q which is A is determined and output.
Another feature of the apparatus for predicting the operation state of the manufacturing process according to the present invention is that the future state predicting means is based on the data sets (x ^ki , y ^ki ) of the plurality of past start times k _i. Then, by interpolating with a local model using multiple regression analysis, the value of the observation output at the time corresponding to the future time B after the past start time is calculated, and after the request point k _q which is the start time A of the prediction The predicted value of the process variable at the future time B to be predicted is determined and output.
The computer program of the present invention is characterized by causing a computer to execute the process of the method for predicting the operation state of the manufacturing process of the present invention .
The computer-readable storage medium of the present invention stores the computer program of the present invention.

本発明によれば、高炉等の製造プラントについて、プラントの設備設計上或いは操業において予め定格として定めた動作点以外の幅広い動作範囲にわたり、プロセス変数値を時系列データベースにシステマティックに蓄積し、過去の類似操業事例の検索に基づく操業状態の予測を、オンラインで、信頼性が高く、さらに高速に実現し、操業アクションの判断にあたって操業者やプロセス技術者に有益なガイダンス情報として提示することによって、操業の安定化に大きく寄与することが可能となる。 According to the present invention, process variable values are systematically accumulated in a time-series database over a wide operating range other than operating points determined in advance as ratings in plant facility design or operation for a blast furnace or other production plant, Operational predictions based on search for similar operation cases are realized online, reliable and faster, and presented as useful guidance information to operators and process engineers in determining operation actions. It is possible to greatly contribute to stabilization.

以下、添付図面を参照して、本発明の好適な実施形態について説明する。本実施形態では、本発明を実施するための形態について、鉄鋼業における高炉を例にして詳細に説明する。ここでは高炉を例に説明するが、以下の如く、本発明のプロセスの操業状態の予測方法の詳細を一般的な数式等を用いて説明できることから、高炉以外のプロセスについても実施可能である。 Preferred embodiments of the present invention will be described below with reference to the accompanying drawings. In the present embodiment, a mode for carrying out the present invention will be described in detail by taking a blast furnace in the steel industry as an example. Here, a blast furnace will be described as an example. However, since the details of the method for predicting the operation state of the process of the present invention can be described using general mathematical formulas and the like, processes other than the blast furnace can also be implemented.

図１は、本発明のプロセスの操業状態の予測装置の構成を示すブロック図である。図１において、１は高炉設備であり、操業状態の指標となる温度、圧力、ガス成分等のプロセス変数を計測する各種のセンサが高炉に付帯して複数設置されている。 FIG. 1 is a block diagram showing the configuration of an apparatus for predicting the operation state of a process according to the present invention. In FIG. 1, reference numeral 1 denotes a blast furnace facility, and a plurality of various sensors for measuring process variables such as temperature, pressure, gas components and the like, which are indicators of the operation state, are installed along with the blast furnace.

２は高炉設備の計測・制御装置であり、高炉設備１に付帯した前記各種センサで計測した各種のプロセス変数の時系列データを収集し、高炉の操業者に提示し、必要に応じて操業者の指示のもと高炉の制御操作を実施する、高炉操業の心臓部である。 2 is a blast furnace equipment measurement / control device that collects time-series data of various process variables measured by the various sensors attached to the blast furnace equipment 1 and presents them to the blast furnace operator. This is the heart of blast furnace operation, under the control of blast furnace.

３は本発明を適用したプロセスの操業状態の予測装置であり、設定・操作入力手段４、
時系列データベース作成手段５、時系列データベース６、検索用テーブル作成手段７、検索用テーブル８、類似事例検索手段９、将来状態予測手段１０、表示手段１１を含んで構成される。 3 is a process operation state prediction apparatus to which the present invention is applied, and a setting / operation input means 4;
It includes a time series database creation means 5, a time series database 6, a search table creation means 7, a search table 8, a similar case search means 9, a future state prediction means 10, and a display means 11.

計測・制御装置２を経由して計測した各種プロセス変数値の時系列データが、例えばプラント内のＬＡＮ等のネットワーク経由又は専用のインターフェース経由（図示せず）で入力されて、時系列データベース作成手段５によって予め設定した仕様に基づき各種のプロセス変数値のうち所望のプロセス変数値について、一定時間毎に時系列データベース６に格納される。ここでは説明のため一定時間周期で格納されるものとするが、プロセス変数値の種類によって時系列データベース６への格納周期が異なる場合は、短周期のプロセス変数値に合わせて長周期のプロセス変数値の値をホールドすることによって短周期のプロセス変数値に変換して、以後、同様の取り扱いが可能であることは言うまでもない。 Time series data of various process variable values measured via the measurement / control device 2 is input via a network such as a LAN in the plant or via a dedicated interface (not shown), for example, and a time series database creation means The desired process variable value among the various process variable values based on the specifications set in advance by 5 is stored in the time-series database 6 at regular intervals. Here, for the sake of explanation, it is assumed that it is stored at a constant time period. However, when the storage period in the time series database 6 differs depending on the type of process variable value, a long-period process variable is set in accordance with the short-period process variable value. Needless to say, the value can be converted into a short-cycle process variable value by holding the value, and thereafter the same handling is possible.

設定・操作入力手段４は、時系列データベース作成手段５、検索用テーブル手段７、類似事例検索手段９、及び将来状態予測手段１０に対し、操業者又はプロセス技術者が各手段の動作設定、及びプロセスの操業状態の予測装置の操作を入力する。 The setting / operation input means 4 is a time series database creation means 5, a search table means 7, a similar case search means 9, and a future state prediction means 10, and the operator or process engineer sets the operation of each means, and Inputs the operation of the process operation state prediction device.

検索用テーブル作成手段７は、時系列データベース６に対し、ステップワイズ法によるプロセス変数値の数の削減、分散拡大要因計算による多重共線性を有するプロセス変数値の排除、及びプロセス変数値の量子化を実施し、検索用テーブル８を作成する。 The search table creation means 7 reduces the number of process variable values by the stepwise method, eliminates the process variable values having multi-collinearity by calculating the dispersion expansion factor, and quantizes the process variable values for the time series database 6. And the search table 8 is created.

類似事例検索手段９は、予測をしたい起点時刻Ａ（以下、「要求点」と呼ぶ）のプロセス変数値の量子化値を検索キーとして検索用テーブル８を検索し、要求点と類似した過去事例を出力する。 The similar case search means 9 searches the search table 8 using the quantization value of the process variable value at the starting time A (hereinafter referred to as “request point”) to be predicted as a search key, and the past case similar to the request point Is output.

将来状態予測手段１０は、類似事例検索手段９で検索した過去の類似事例のプロセス変数値と局所モデルを用いて予測したい将来時刻Ｂにおけるプロセス変数値を決定する。なお、本実施形態において局所モデルは重回帰モデルを採用する。 The future state prediction means 10 determines the process variable value at the future time B to be predicted using the process variable value of the past similar case searched by the similar case search means 9 and the local model. In this embodiment, a multiple regression model is adopted as the local model.

表示手段１１は、類似事例検索手段９で検索した前記予測したい起点時刻Ａのプロセス変数値と類似した過去の類似事例や、将来状態予測手段１０で決定した前記予測したい将来時刻Ｂにおけるプロセス変数値を、ディスプレイやモニタ等に表示する。 The display means 11 is a past similar case similar to the process variable value of the starting time A to be predicted searched by the similar case search means 9 or the process variable value at the future time B to be predicted determined by the future state prediction means 10. Is displayed on a display or a monitor.

以下では、上記の各手段の機能及び用語を詳細に説明する。時系列データベース６には、例えば溶銑温度、微粉炭吹き込み量、ソリューションロスカーボン、熱流比、装入ピッチ、溶銑中Ｓｉ濃度、溶銑中Ｔｉ濃度、熱風温度、炉頂温度、熱負荷、炉頂ガスＣＯ濃度、出銑速度、ＰＣＲ（微粉炭比）、スラグ中Ａｌ₂Ｏ₂量、スラグ中ＴｉＯ₂量の時々刻々の計測値（すなわちデータベースへの記録時点の計測値で、以下、「現在値」という）、又はこれらの時間遅れ変数から少なくとも一つ以上が選択されたプロセス変数値が、当該時刻データ又は当該時系列データベース格納番号と共に格納されている。 Hereinafter, functions and terms of each of the above means will be described in detail. The time series database 6 includes, for example, hot metal temperature, pulverized coal blowing amount, solution loss carbon, heat flow ratio, charging pitch, hot metal Si concentration, hot metal Ti concentration, hot air temperature, furnace top temperature, heat load, furnace top gas. CO concentration, tapping rate, PCR (pulverized coal ratio), Al ₂ O ₂ content in slag, TiO ₂ content in slag, measured value every moment (ie, measured value at the time of recording in the database. Or at least one process variable value selected from these time delay variables is stored together with the time data or the time-series database storage number.

ここで時間遅れ変数とは、例えば、前記時々刻々のプロセス変数値の１時間前の値、２時間前の値等、時間をずらして定義する変数のことである。図２に時系列データベースに格納するプロセス変数値の記録形態の例を示す。図２において、時系列データベース格納番号は、データを格納する当該時刻データに一意に対応する番号である。したがって、以後、時刻データを用いて本発明の実施の形態を説明する。 Here, the time delay variable is a variable that is defined by shifting the time, such as a value one hour before the process variable value from time to time, a value two hours ago, or the like. FIG. 2 shows an example of a recording form of process variable values stored in the time series database. In FIG. 2, the time-series database storage number is a number uniquely corresponding to the time data for storing data. Therefore, hereinafter, embodiments of the present invention will be described using time data.

（時系列データベース作成手段５における時系列データベース作成の基本的アプローチ）
一般に力学系のシステム理論分野においては、ある時刻において対象とするシステムから観測されるデータ、すなわちシステムの状態変数の一組（データセット）をシステムの相（又は位相）と呼び、システムがとりうる相の全体をシステムの相空間（Topological Space）と呼ぶ。このときシステムの相空間がｎ個の数値の組で表わせるとき、ｎをシステムの次元と呼び、ｎ次元システムの相空間はｎ次元ユークリッド空間Ｒⁿ又はその一部の領域Ｄである。ある時刻のシステムの相は、相空間Ｔ上の点である。このことを強調するために相のことを相点とも呼ぶ（例えば非特許文献１を参照）。 (Basic approach for time series database creation in time series database creation means 5)
In general, in the system theory field of dynamical systems, data observed from a target system at a certain time, that is, a set of system state variables (data set) is called a system phase (or phase), and the system can take The entire phase is called the Topological Space of the system. At this time, when the phase space of the system can be represented by a set of n numerical values, n is called a system dimension, and the phase space of the n-dimensional system is the n-dimensional Euclidean space R ⁿ or a part of the region D. The phase of the system at a certain time is a point on the phase space T. In order to emphasize this, the phase is also referred to as a phase point (see, for example, Non-Patent Document 1).

また、一般にシステムに非線形性が存在すると、例え次数ｎが小さいシステムであってもシステムの時間的変動は複雑な挙動を呈する。この場合、システムの相空間に観測データの時間遅れ変数による座標軸を考慮すると、システムの時間的変動の特性を顕在化できることがあり、このような相空間Ｔを非線形システム論では再構成状態空間と呼ぶ。 In general, when nonlinearity exists in the system, even if the order n is small, the temporal variation of the system exhibits a complicated behavior. In this case, if the coordinate axis due to the time delay variable of the observation data is taken into account in the phase space of the system, the characteristics of the temporal variation of the system may be manifested. Call.

ここで非線形性とは、１）システムの入力と出力との関係における非線形性、２）システムの状態を表す状態変数（プロセス変数値）相互の非線形性、３）システムを構成する力学的モデルのモデルパラメータの状態変数（プロセス変数値）に対する非線形性、のことを指す。 Here, the non-linearity is 1) non-linearity in the relationship between the input and output of the system, 2) the non-linearity of state variables (process variable values) representing the state of the system, and 3) the mechanical model constituting the system. This refers to nonlinearity of model parameters with respect to state variables (process variable values).

本発明が対象とする高炉プロセスは非線形で動的なシステムであり、例えばｐ時間後の溶銑温度の時間的挙動が、ソリューションロスカーボン、熱流比等の高炉にて観測するプロセス変数値をベクトルの成分とする高炉プロセスの観測出力ベクトルと、微粉炭吹き込み量、装入ピッチ等の高炉にて制御操作するプロセス変数値をベクトルの成分とする高炉プロセスの制御入力ベクトルを用いた式（１）の回帰式モデルで与えられると仮定する。 The blast furnace process targeted by the present invention is a non-linear and dynamic system. For example, the temporal behavior of the hot metal temperature after p hours is a vector of process variable values observed in the blast furnace such as solution loss carbon and heat flow ratio. Using the observed output vector of the blast furnace process as the component and the control input vector of the blast furnace process with the process variable values controlled by the blast furnace such as the pulverized coal injection amount and the charging pitch as vector components Assume that it is given by a regression model.

ここで、ｕ(ｔ)は時刻ｔにおける高炉プロセスの制御入力ベクトルであり、微粉炭吹き込み量、装入ピッチ等、高炉にて制御操作するプロセス変数値を成分とするベクトルである。ｙ(ｔ)は時刻ｔにおける高炉プロセスの観測出力ベクトルであり、溶銑温度、ソリューションロスカーボン、熱流比等、高炉にて観測するプロセス変数値を成分とするベクトルである。 Here, u (t) is a control input vector of the blast furnace process at time t, and is a vector whose components are process variable values that are controlled and operated in the blast furnace, such as the amount of pulverized coal injection, the charging pitch, and the like. y (t) is an observation output vector of the blast furnace process at time t, and is a vector whose components are process variable values observed in the blast furnace, such as hot metal temperature, solution loss carbon, and heat flow ratio.

ｎ_uは制御入力ベクトルの次数であり、制御入力ベクトルを構成するプロセス変数値をどのくらい過去までさかのぼって式（１）の回帰式モデルに考慮するか、すなわち時間遅れ変数の範囲を設定するパラメータである。ｎ_yは観測出力ベクトルの次数であり、観測出力ベクトルを構成するプロセス変数値をどのくらい過去までさかのぼって式（１）の回帰式モデルに考慮するか、すなわち時間遅れ変数の範囲を設定するパラメータである。 _nu is the order of the control input vector, and is a parameter for setting the range of the time delay variable, that is, how far the process variable values constituting the control input vector are considered in the regression equation model of equation (1). is there. _ny is the order of the observed output vector, and is a parameter for setting the range of the time delay variable, that is, how far the process variable value constituting the observed output vector is considered in the regression equation model of equation (1). is there.

ｐは予測時間であり、時刻ｔを起点とする予測したい将来時刻を設定するパラメータである。式（１）の回帰式モデルにおいて、ｙ(ｔ＋ｐ)が回帰式モデルの出力であり、例えばｐ時間後の溶銑温度である。ｄはむだ時間であり、制御入力ベクトルを構成するプロセス変数値を高炉にて制御操作するときに発生する操作遅れ時間を設定するパラメータである。 p is a predicted time, and is a parameter for setting a future time to be predicted starting from time t. In the regression equation model of Equation (1), y (t + p) is the output of the regression equation model, for example, the hot metal temperature after p hours. d is a dead time, and is a parameter for setting an operation delay time that occurs when a process variable value constituting the control input vector is controlled in the blast furnace.

ｆは未知の非線形関数であり、検索用テーブル８における式（１）の出力とプロセスの制御入力ベクトル及びプロセスの観測出力ベクトルとの関係性を示すものである。 f is an unknown nonlinear function, and indicates the relationship between the output of the expression (1) in the search table 8, the process control input vector, and the process observation output vector.

ここで、高炉プロセスの入力行列ｘ^kと出力ベクトルｙ^kを、式（２）、式（３）のようにそれぞれ、観測出力ベクトルｙ(ｔ)と制御入力ベクトルｕ(ｔ)から行列形式の、又は観測出力ベクトルｙ(ｔ)からベクトル量である、プロセス変数値のデータセットとして再定義する。 Here, the input matrix x ^k and the output vector y ^k of the blast furnace process are ^converted into a matrix form from the observed output vector y (t) and the control input vector u (t), respectively, as shown in the equations (2) and (3). Or from the observed output vector y (t), redefine as a data set of process variable values that are vector quantities.

時刻ｔの推移に伴い入力行列ｘ^kと出力ベクトルｙ^kのデータセットが（ｘ¹，ｙ¹）、（ｘ²，ｙ²）、・・・、の如く高炉設備１から大量に収集され、データ集合｛（ｘ^k，ｙ^k）｝、（ｋ＝１、２、・・・、）として図１の時系列データベース６に蓄積される。ここで、ｋは時刻ｔの離散化時間である。 Along with the transition of time t, data sets of the input matrix x ^k and the output vector y ^k are collected in large quantities from the blast furnace equipment 1 as (x ¹ , y ¹ ), (x ² , y ² ),. The data set {(x ^k , y ^k )}, (k = 1, 2,...) Is stored in the time series database 6 of FIG. Here, k is the discretization time at time t.

なお、式（２）で定義する高炉プロセスの入力行列ｘ^kを構成する列ベクトル変数は、プロセス変数値の時系列データであり、以後、単にプロセス変数値と呼ぶ。 Note that the column vector variable constituting the blast furnace process input matrix x ^k defined by Equation (2) is time-series data of process variable values, and is simply referred to as process variable values hereinafter.

（検索用テーブル作成手段７における処理フローの詳細）
次に、検索用テーブル作成手段７において時系列データベース６に対して実施する、（Ａ）ステップワイズ法による寄与率の計算とプロセス変数値の数の削減、（Ｂ）分散拡大要因計算による多重共線性を有するプロセス変数値の排除、及び（Ｃ）プロセス変数値の量子化による検索用テーブル８の作成、の処理フローの詳細を図３のフローチャートで説明する。 (Details of processing flow in search table creation means 7)
Next, (A) calculation of contribution rate by the stepwise method and reduction of the number of process variable values, (B) multiple sharing by calculation of variance expansion factor, which is performed on the time series database 6 in the search table creation means 7. Details of the processing flow of eliminating process variable values having linearity and (C) creating the search table 8 by quantizing the process variable values will be described with reference to the flowchart of FIG.

まず高炉のプロセス変数値の時系列データが、データセット｛（ｘ^k，ｙ^k）｝、（ｋ＝１、２、・・・、）としてオンラインで時刻ｔの推移につれて逐次蓄積され、時系列データベース６を構成する（図３の処理１０７）。 First, the time series data of the process variables of the blast furnace are sequentially accumulated as the data set {(x ^k , y ^k )}, (k = 1, 2,. The database 6 is configured (process 107 in FIG. 3).

（（Ａ）ステップワイズ法による寄与率の計算とプロセス変数値の数の削減）
検索用テーブル８の作成条件として、出力ベクトルｙ^k、予測時間ｐ、むだ時間ｄ、制御入力ベクトルの次数ｎ_u、観測出力ベクトルの次数ｎ_yを、操業者又はプロセス技術者が将来状態の予測をしたい条件に基づいて設定・操作入力手段４で設定する（図３の処理１００）。 ((A) Calculation of contribution rate by stepwise method and reduction of the number of process variable values)
As create conditions for retrieval table 8, the output vector y ^k, estimated time p, the dead time d, the order n _u of the control input vector, the order n _y of observed output vector, operating person or process engineer to predict the future state Is set by the setting / operation input means 4 based on the condition to be executed (process 100 in FIG. 3).

そして、式（２）の入力行列ｘ^kのプロセス変数値についてステップワイズ法を実施し、各プロセス変数値の出力ベクトルｙ^kへの寄与率Ｆを検索用テーブル作成手段７で計算し、寄与率Ｆに対する所定の検定基準Ｆ_thによって入力行列ｘ^kのプロセス変数値の数を削減する。このとき最終的に得られた入力行列ｘ^kのプロセス変数値の数をＬとする（図３の処理１０１）。該検定基準Ｆ_thは、予め操業者又はプロセス技術者が設定・操作入力手段４から設定する。 Then, the stepwise method is performed on the process variable values of the input matrix x ^k in Expression (2), the contribution rate F of each process variable value to the output vector y ^k is calculated by the search table creation means 7, and the contribution rate The number of process variable values in the input matrix x ^k is reduced by a predetermined test criterion F _{th for} F. At this time, the number of process variable values of the finally obtained input matrix x ^k is set to L (processing 101 in FIG. 3). The test standard F _th is set in advance by the operator or process engineer from the setting / operation input means 4.

ここでステップワイズ法とは、回帰式モデルにおいて、できるだけプロセス変数値の数を少なくし、かつ観測値と予測値の差の平方和（残差平方和）が実用に耐え得るほど小さいものとするために、ある検定基準を設けてプロセス変数値の追加、除去を行う方法である。すなわち、あるプロセス変数値を回帰式モデルに追加した場合、残差平方和の変化量を残差分散で正規化した値、いわゆる変数の寄与率Ｆが予め設けた検定基準Ｆ_thより大きければそのプロセス変数値を追加し、あるプロセス変数値を回帰式モデルから除去した場合の変数の寄与率Ｆが検定基準Ｆ_thより小さければ、そのプロセス変数値を除去する。 Here, the stepwise method means that in the regression model, the number of process variable values is reduced as much as possible, and the square sum (residual square sum) of the difference between the observed value and the predicted value is small enough to withstand practical use. Therefore, this is a method of adding and removing process variable values by setting a certain test standard. That is, when a certain process variable value is added to the regression equation model, the value obtained by normalizing the change amount of the residual sum of squares with the residual variance, that is, the so-called variable contribution rate F is larger than the predetermined test criterion F _th. If a process variable value is added and the contribution rate F of the variable when a certain process variable value is removed from the regression model is smaller than the test criterion F _th , the process variable value is removed.

この手順を出力変数との単相関係数の最も大きいプロセス変数値から順に行い、ある段階で追加されるプロセス変数値も除去される入力変数もなくなったとき、最終的に得られた回帰式モデルを最良の回帰式モデルとする。 This procedure is performed in order from the process variable value with the largest single correlation coefficient with the output variable, and when there are no process variable values added at one stage and no input variables removed, the regression model finally obtained Is the best regression model.

ステップワイズ法のアルゴリズムについては、例えば、非特許文献２に詳細に説明されている。 The stepwise algorithm is described in detail in Non-Patent Document 2, for example.

ここで、以後の説明のため、式（２）の入力行列ｘ^kを、式（４）と表現する。 Here, for the following description, the input matrix x ^k in Expression (2) is expressed as Expression (4).

（（Ｂ）分散拡大要因計算による多重共線性を有するプロセス変数値の排除）
入力行列ｘ^kを構成するプロセス変数値ｘ_i；（ｉ＝１、２、・・・、Ｌ）の、出力ベクトルｙ^kに対する前記ステップワイズ法で計算する当該プロセス変数値の寄与率ＦがＦ₁＞Ｆ₂＞・・・Ｆ_Lとなるようにプロセス変数値ｘ_iを並び替え、新たな入力行列ｘ^k＝｛ｘ₁ ^k，ｘ₂ ^k，・・・，ｘ_L ^k｝^T；ｋ＝１、２、・・・、とする（図３の処理１０２）。 ((B) Elimination of process variable values having multiple collinearity by calculation of variance expansion factor)
The contribution F of the process variable value calculated by the stepwise method with respect to the output vector y ^k of the process variable value x _i ; (i = 1, 2,..., L) constituting the input matrix x ^k is F _The process variable values x _i are rearranged so that ₁ > F ₂ >... F _L, and a new input matrix x ^k = {x ₁ ^k , x ₂ ^k ,..., X _L ^k } ^T ; = 1, 2,... (Process 102 in FIG. 3).

次に、入力行列ｘ^kを構成するプロセス変数値について、式（５）で定義する分散拡大要因ＶＩＦを計算し、多重共線性があると判定されるプロセス変数値を削除する（図３の処理１０３）。ここでは、入力行列ｘ^kを構成するプロセス変数値ｘ_iとプロセス変数値ｘ_jの分散拡大要因ＶＩＦ_ij（＝ＶＩＦ_ji）を、式（５）で定義する例を説明する。 Next, with respect to the process variable values constituting the input matrix x ^k , the variance expansion factor VIF defined by the equation (5) is calculated, and the process variable values determined to have multicollinearity are deleted (processing in FIG. 3). 103). Here, an example will be described in which the dispersion expansion factor VIF _ij (= VIF _ji ) of the process variable value x _i and the process variable value x _j constituting the input matrix x ^k is defined by Expression (5).

式（５）において、ｒ_ij ²はベクトル量であるプロセス変数値ｘ_iとプロセス変数値ｘ_jの相関係数ｒ_ijの２乗（すなわちスカラー量）である。一般に分散拡大要因ＶＩＦ_ijの値が大きいとき、プロセス変数値ｘ_iとプロセス変数値ｘ_jには多重共線性があると判定される。ここでは、例として、ＶＩＦ_ij≧１０の場合を多重共線性があると判定する場合の入力行列ｘ^kを構成するプロセス変数値の削減手順を説明する。 In equation (5), r _ij ² is the square of the correlation coefficient r _ij between the process variable value x _i and the process variable value x _j that are vector quantities (ie, a scalar quantity). In general, when the value of the dispersion expansion factor VIF _ij is large, it is determined that the process variable value x _i and the process variable value x _j have multicollinearity. Here, as an example, a procedure for reducing the process variable values constituting the input matrix x ^k when determining that there is multicollinearity when VIF _ij ≧ 10 will be described.

まず、ｉ＝１、すなわちプロセス変数値ｘ₁に対するプロセス変数値ｘ_j；｛２≦ｊ≦Ｌ｝の分散拡大要因ＶＩＦ_1jを計算し、ＶＩＦ_1j≧１０となるプロセス変数値ｘ_j；｛２≦ｊ≦Ｌ｝を除去する。 First, i = 1, that is, the process variable value x _{j with} respect to the process variable value x ₁ ; the variance expansion factor VIF _1j of {2 ≦ j ≦ L} is calculated, and the process variable value x _j satisfying VIF _1j ≧ 10; {2 ≦ j ≦ L} is removed.

次に、ｉ＝２、すなわちプロセス変数値ｘ₂に対するプロセス変数値ｘ_j；｛３≦ｊ≦Ｌ｝の分散拡大要因ＶＩＦ_2jを計算し、ＶＩＦ_2j≧１０となるプロセス変数値ｘ_j；｛３≦ｊ≦Ｌ｝を除去する。 Next, i = 2, that is, the process variable value x _j for the process variable value x ₂ ; the variance expansion factor VIF _2j of {3 ≦ j ≦ L} is calculated, and the process variable value x _j satisfying VIF _2j ≧ 10; Remove 3 ≦ j ≦ L}.

以後、ｉ＝３、４、・・・、Ｌに対しても同様の手順で多重共線性を有するプロセス変数値の除去を実施し、最終的に得られたプロセス変数値の数をｌとする（図３の処理１０４）。 Thereafter, removal of process variable values having multi-collinearity is performed in the same procedure for i = 3, 4,..., L, and the number of finally obtained process variable values is set to l. (Process 104 in FIG. 3).

（（Ｃ）プロセス変数値の量子化による検索用テーブル８の作成）
検索用テーブル作成手段７において、前記最終的に得られたｌ個のプロセス変数値個々について、量子化すなわち離散値化を実施し、検索用テーブル８を作成する（図３の処理１０５）。すなわち、ある時刻の入力行列ｘ^kに対して式（６）とする。 ((C) Creation of search table 8 by quantization of process variable values)
The search table creation means 7 performs quantization, that is, discrete value conversion, on each of the l process variable values finally obtained to create the search table 8 (process 105 in FIG. 3). That is, Equation (6) is used for an input matrix x ^{k at} a certain time.

ここで、Ｚ()は量子化演算子であり、入力行列ｘ^kの第ｉ番目のプロセス変数値ｘ_i ^kに対し、操業者又はプロセス技術者が設定・操作入力手段４で予め設定しておく最大値ｘ_{i_max}及び最小値ｘ_{i_min}と量子化数（第ｉ番目の要素の値の幅）ｎ_iを用いて、量子空間Ｘ^kの第ｉ番目の要素ｎ_i ^kを式（７）で計算する。 Here, Z () is a quantization operator, and is set in advance by the operator / process engineer with the setting / operation input means 4 for the i-th process variable value x _i ^k of the input matrix x ^k . Using the maximum value x _{i_max} and the minimum value x _{i_min} to be _placed and the quantization number (the width of the value of the i-th element) n _i , the i-th element n _i ^k of the quantum space X ^k is expressed by Equation (7). calculate.

ｒｏｕｎｄ()は、小数点以下四捨五入して最も近い整数値に丸める関数である。このとき、小数点以下切り上げ、又は切り下げによって整数値に丸めても構わない。 round () is a function that rounds to the nearest integer value by rounding off to the nearest decimal point. At this time, it may be rounded to an integer value by rounding up or down after the decimal point.

また、式（７）は量子化数ｎ_iを用いた均等幅での量子化（離散値化）を例示したが、ｘ_i ^kの分散又は標準偏差の値に基づき、不等分割幅による量子化を用いても構わない。 In addition, Equation (7) exemplifies quantization (discrete value) with a uniform width using the quantization number n _i , but based on the variance or standard deviation value of x _i ^k , It may be used.

前記プロセス変数値の量子化までの処理によって、検索用テーブル作成手段７は最終的に量子化された検索用テーブル８を生成する。検索用テーブル８は、入力行列ｘ^kが１次元では区間、２次元では平面、一般には相空間Ｔの次元数ｎに対応したｎ次の超直方体空間となる（図３の処理１０６）。 By the process up to the quantization of the process variable value, the search table creating means 7 finally generates a quantized search table 8. The search table 8 is a section where the input matrix x ^k is one-dimensional, a plane when it is two-dimensional, and generally an n-order hypercubic space corresponding to the number of dimensions n of the phase space T (process 106 in FIG. 3).

（過去の類似操業事例の探索方法と将来状態の予測方法の基本的アプローチ）
類似事例検索手段９及び将来状態予測手段１０における、過去の類似操業事例の探索方法と将来状態の予測方法の処理フローを図４に示す。 (Basic approach for searching past similar operation cases and predicting future conditions)
The processing flow of the past similar operation case search method and the future state prediction method in the similar case search means 9 and the future state prediction means 10 is shown in FIG.

プロセスの時系列データがオンラインで時系列データベース６に格納される都度（図４の処理２１０）、前記検索用テーブル作成手段７において量子化処理を逐次実施することで、検索用テーブル８上の各量子には、当該量子に帰属する過去事例の時刻データが各々紐ついて格納されている（図４の処理２１１）。 Each time the time-series data of the process is stored online in the time-series database 6 (process 210 in FIG. 4), the search table creation means 7 sequentially performs the quantization process, whereby each of the search table 8 In the quantum, time data of past cases belonging to the quantum are stored in association with each other (process 211 in FIG. 4).

操業者又はプロセス技術者が過去類似事例検索や予測するとき、設定・操作入力手段４で、その起点時刻Ａ（要求点）を設定し、対応する高炉プロセスの操業状態を予測する起点時刻Ａ及び起点時刻Ａにおけるプロセス変数値のデータセット（ｘ^kq，ｙ^kq）を指定する（図４の処理２００）。 When an operator or process engineer searches or predicts past similar cases, the setting / operation input means 4 sets the starting time A (required point) and predicts the operating state of the corresponding blast furnace process. A data set (x ^kq , y ^kq ) of process variable values at the starting time A is designated (process 200 in FIG. 4).

そして、検索用テーブル作成手段７で要求点のプロセス変数値を量子化し（図４の処理２０１）、量子化したプロセス変数値を検索キーとして検索用テーブル８上を検索し（図４の処理２０２、処理２０３、処理２０４、処理２０５、処理２０６、処理２０７）、
類似度基準に従い、要求点に近傍のデータセット｛（ｘ^ki，ｙ^ki）｝（ｋ_i＜ｋ_q）を検索する。 Then, the process variable value at the request point is quantized by the search table creation means 7 (process 201 in FIG. 4), and the search table 8 is searched using the quantized process variable value as a search key (process 202 in FIG. 4). , Processing 203, processing 204, processing 205, processing 206, processing 207),
In accordance with the similarity criterion, a nearby data set {(x ^ki , y ^ki )} (k _i <k _q ) is searched for the request point.

本発明においては、要求点に類似した近傍データセットが過去に観測されてデータ集合に存在すれば、前記要求点の時間的発展を記述する、すなわち将来を予測する非線形関数ｆ^kqは、過去の非線形関数ｆ^kiと似たものになると考える。 In the present invention, if a neighboring data set similar to a request point has been observed in the past and exists in the data set, the nonlinear function f ^kq describing the temporal evolution of the request point, that is, predicting the future, It is considered to be similar to the nonlinear function f ^ki .

このとき、要求点の類似の過去事例のデータセットが複数存在すれば、これらのデータセットの出力ｙ^kiを補間する局所モデルを用い（図４の処理２０８）、システムの出力ｙ^kqを予測する（図４の処理２０９）。 At this time, if there are a plurality of data sets of similar past cases of request points, a local model that interpolates the output y ^ki of these data sets is used (process 208 in FIG. 4) to predict the system output y ^kq . (Process 209 in FIG. 4).

都度、局所モデルは廃棄され、観測データが新たに蓄積されてデータ集合｛（ｘ^k，ｙ^k）｝が更新されていくことで、対象プロセスの経時的な特性変化が反映される（図４の処理２１０、処理２１１）。 Each time the local model is discarded, the observation data is newly accumulated and the data set {(x ^k , y ^k )} is updated, thereby reflecting the change in characteristics of the target process over time (FIG. 4). Process 210, process 211).

（プロセス変数値の量子化値を検索キーとした過去の類似操業事例の検索方法）
類似事例検索手段９は、要求点におけるプロセス変数値の量子化値を検索キーとして前記検索用テーブル８を検索し、類似度基準に従って要求点に近傍のデータセットを抽出し、過去の高炉プロセスの操業状態の類似事例を検索する。 (Search method for past similar operations using the quantized value of the process variable value as a search key)
The similar case search means 9 searches the search table 8 using the quantized value of the process variable value at the request point as a search key, extracts a data set in the vicinity of the request point according to the similarity criterion, and records past blast furnace processes. Search for similar cases of operational status.

本発明において、ある時刻と別のある時刻におけるプロセスの操業状態が類似の操業状態かどうかを判断する類似度基準として、各々の時刻におけるプロセス変数値の量子化値相互の距離を採用する。すなわち、式（６）で算出する、時刻ｋ_i及び時刻ｋ_jにおけるプロセス変数値ｘ^ki及びｘ^kjの量子化値Ｘ^ki及びＸ^kj相互の距離である。 In the present invention, the distance between the quantized values of the process variable values at each time is adopted as a similarity criterion for determining whether the operation state of a process at a certain time and another certain time is a similar operation state. That is, the distance between the quantized values X ^ki and X ^kj of the process variable values x ^ki and x ^{kj at} the time k _i and the time k _j calculated by the equation (6).

このとき、時刻ｋ_iにおけるプロセス変数値ｘ^kiは量子化値Ｘ^kiをとる量子空間に格納されており、該量子空間に時刻データｋ_iが紐付いている。同様にして、時刻ｋ_jにおけるプロセス変数値ｘ^kjも量子化値Ｘ^kjをとる量子空間に格納されており、該量子空間に時刻データｋ_jが紐付いている。なお、量子化値Ｘ^ki、Ｘ^kjはベクトルであり、以後、量子化値ベクトルと呼ぶ。 At this time, the process variable value x ^{ki at} time k _i is stored in the quantum space taking the quantized value X ^ki , and time data k _i is linked to the quantum space. Similarly, the process variable value x ^{kj at} the time k _j is also stored in the quantum space taking the quantized value X ^kj , and the time data k _j is linked to the quantum space. The quantized values X ^ki and X ^kj are vectors and are hereinafter referred to as quantized value vectors.

ここで、プロセス変数値が帰属する量子空間相互の距離を相似度ｓ(ｋ_i，ｋ_j)と呼び、該距離を無限大ノルムで定義する例を式（８）に示す（図４の処理２０２）。 Here, the quantum space mutual distance similarity s (k _i, k _j) of the process variable value is attributed the call, showing an example of defining the distance infinity norm in equation (8) (processing in FIG. 4 202).

なお、相似度ｓ(ｋ_i，ｋ_j)には、他に量子値ベクトルの差の絶対値の和、すなわち式（９）を用いることも可能である。 For the similarity s (k _i , k _j ), it is also possible to use the sum of absolute values of differences between quantum value vectors, that is, Equation (9).

なお、本発明においては更に別の相似度の定義を用いてもかまわない。 In the present invention, another definition of similarity may be used.

要求点の時刻ｋ_qにおけるプロセス変数値が属する量子空間Ｘ^kqとすると、要求点における高炉プロセスの操業状態と類似の操業事例を示す量子空間Ｘ^kpとその全体空間、すなわち近傍量子空間は、式（１０）で定義できる。 Assuming that the quantum space X ^kq to which the process variable value at the request point time k _q belongs, the quantum space X ^kp indicating the operation state similar to the operation state of the blast furnace process at the request point and its entire space, that is, the neighboring quantum space It can be defined in (10).

すなわち、本発明において、要求点における高炉プロセスの操業状態と類似の過去の操業事例を検索することは、ｋ_p＜ｋ_qの条件のもと、量子空間Ｘ^kpのなかで過去事例が存在する最小の相似度ｓをとる事例を検索し、検索した事例の時刻データを、量子空間に紐付いている時刻データから取り出すことである。ここで、Ｔは前記の相空間である。 That is, in the present invention, searching for past operation cases similar to the operation state of the blast furnace process at the required point is that past cases exist in the quantum space X ^kp under the condition of k _p <k _q. Searching for a case having the minimum similarity s and extracting the time data of the searched case from the time data associated with the quantum space. Here, T is the phase space.

上述した類似事例検索手段９における過去の操業類似事例の検索方法を、図４の処理フローで具体的に説明する。まず、検索用テーブル８上の近傍量子空間Ω_q内の要求点を含む同一量子空間（すなわち相似度ｓ＝０の量子空間）を参照し、｛（ｘ^ki，ｙ^ki）｝（ｋ_i＜ｋ_q）となるデータセットがｌ個以上存在するか否かをチェックする（図４の処理２０３、処理２０４、処理２０５）。 The past operation similar case search method in the similar case search means 9 will be specifically described with reference to the processing flow of FIG. First, the same quantum space (that is, the quantum space of similarity s = 0) including the request point in the neighboring quantum space Ω _q on the search table 8 is referred to, and {(x ^ki , y ^ki )} (k _i < It is checked whether or not there are 1 or more data sets corresponding to k _q ) (process 203, process 204, and process 205 in FIG. 4).

相似度ｓ＝０の量子空間にｌ個以上のデータセットが存在すれば検索を終了し（図４の処理２０５のYes）、もしｌ個以上のデータセットが存在しなければ（図４の処理２０５のNo）、次に、隣の量子空間（すなわち相似度ｓ＝１の量子空間）を参照し、再び、近傍量子空間Ω_q中で｛（ｘ^ki，ｙ^ki）｝（ｋ_i＜ｋ_q）となるｌ個以上のデータセットが存在するか否かをチェックする（図４の処理２０４、処理２０５）。 If there are one or more data sets in the quantum space of similarity s = 0, the search is terminated (Yes in process 205 in FIG. 4), and if there are no more than one data sets (process in FIG. 4). 205, No), next, referring to the adjacent quantum space (that is, the quantum space of similarity s = 1), and again in the neighborhood quantum space Ω _q , {(x ^ki , y ^ki )} (k _i <k _It is checked whether or not there are one or more data sets corresponding to _q ) (process 204 and process 205 in FIG. 4).

ここで、ｌ個以上のデータセットが存在すれば検索を終了し（図４の処理２０５のYes）、もしｌ個以上のデータセットが存在しなければ（図４の処理２０５のNo）、更に隣の量子空間（すなわち相似度ｓ＝２の量子空間）も参照する・・・、という処理手順で検索用テーブル８上の近傍量子空間Ω_qを徐々に拡大することで単純かつ効率的に検索し、最終的にｌ個以上のデータセットが存在する最小の相似度ｓで定義される近傍量子空間Ω_qに帰属するデータセット｛（ｘ^ki，ｙ^ki）｝（ｋ_i＜ｋ_q）を、要求点（ｘ^kq，ｙ^kq）の過去の操業類似事例とする（図４の処理２０６、処理２０７）。 Here, if there are 1 or more data sets, the search is terminated (Yes in process 205 in FIG. 4), and if there are no more than 1 data sets (No in process 205 in FIG. 4), further Searching simply and efficiently by gradually expanding the neighboring quantum space Ω _q on the search table 8 with the processing procedure of referring to the adjacent quantum space (that is, the quantum space of similarity s = 2). Finally, a data set {(x ^ki , y ^ki )} (k _i <k _q ) belonging to the neighboring quantum space Ω _q defined by the minimum similarity s in which there are one or more data sets exists. , A past operation similar case of the request point (x ^kq , y ^kq ) is set (process 206 and process 207 in FIG. 4).

なお、最終的に検索された要求点ｘ^kqの過去の操業類似事例｛（ｘ^ki，ｙ^ki）｝（ｋ_i＜ｋ_q）の数をｍ（≧ｌ）個とする。ここで、該検索した過去の操業類似事例の時刻データは、検索用テーブル上の各量子空間に紐付いており、個々に特定できる。 It is assumed that the number of past operation similar cases {(x ^ki , y ^ki )} (k _i <k _q ) of request points x ^kq finally retrieved is m (≧ l). Here, the searched time data of past operation similar cases is associated with each quantum space on the search table and can be individually specified.

図５に、検索用テーブル８における要求点ｘ^kqと要求点を含む量子空間Ｘ^kq、要求点ｘ^kqの近傍量子空間Ω_qと近傍量子空間Ω_qに帰属する要求点ｘ^kqの過去の操業類似事例｛（ｘ^ki，ｙ^ki）｝（ｋ_i＜ｋ_q）の関係を示す。 5, the quantum space X ^kq, past operation of the request point x ^kq attributable near quantum space Omega _q and the neighboring quantum space Omega _q request point x ^kq containing the requested point x ^kq the required point in the retrieval table 8 A relationship of similar cases {(x ^ki , y ^ki )} (k _i <k _q ) is shown.

なお、相空間Ｔは一般にｎ次の超直方体空間であるが、図５は説明のため２次元平面を用いている。 Note that the phase space T is generally an nth-order hypercubic space, but FIG. 5 uses a two-dimensional plane for explanation.

図５は、要求点を含む同一量子空間（すなわち相似度ｓ＝０の量子空間）にデータセットが存在せず、隣の量子空間（すなわち相似度ｓ＝１の量子空間）にデータセットが６つ存在した例を示している。 FIG. 5 shows that there is no data set in the same quantum space including the request point (that is, a quantum space with similarity s = 0), and there are 6 data sets in the adjacent quantum space (that is, quantum space with similarity s = 1). Two examples exist.

（要求点と類似した過去の事例を用いた将来状態予測）
将来状態予測手段１０は、類似事例検索手段９で特定した要求点ｘ^kqの操業類似事例の時刻データの情報を用いて、要求点ｘ^kqの操業類似事例の出力ベクトルｙ^kiを時系列データベース６から取り出し、該操業類似事例の出力ベクトルｙ^kiを補間する局所モデルを用いて、出力ベクトルの推定値ｙ^kq＾（本明細書においてｙ^kq＾の表記はｙ^kqの上に＾が付されているものとする）の計算、すなわち前記予測したい将来時刻Ｂにおけるプロセス変数値の予測を実施する（図４の処理２０８）。 (Future state prediction using past cases similar to requirement points)
The future state prediction means 10 uses the time data information of the operation similar case of the request point x ^kq specified by the similar case search means 9 to obtain the output vector y ^ki of the operation similar case of the request point x ^{kq in} the time series database 6. And using a local model that interpolates the output vector y ^ki of the operation-similar case, the output vector estimated value y ^kq ^ (in this specification, y ^kq ^ is represented by ^ on y ^kq In other words, the process variable value at the future time B to be predicted is predicted (process 208 in FIG. 4).

以下に、局所モデルに重回帰を用いた予測手法を説明する。ｙ^kiを被説明変数、ｘ^kiを説明変数として重回帰分析を実施し、対角上に出力変数を並べた推定値行列Ｙ^kq＾を、式（１１）のように定義する。ただし、ｙ_i ^kq＾（ｉ＝１、２、・・・、ｒ）は、要求点ｋ_qにおけるｉ番目の推定値であり、ｒは出力ベクトルｙ^kiのプロセス変数値の数とする。 Hereinafter, a prediction method using multiple regression for the local model will be described. The y ^ki dependent variable, performed multiple regression analysis as explanatory variable x ^ki, an estimate matrix Y ^kq ^ obtained by arranging output variables on the diagonal, is defined by the equation (11). However, y _i ^kq ^ (i = 1, 2,..., R) is the i-th estimated value at the request point k _q , and r is the number of process variable values of the output vector y ^ki .

また、新たに行列Ｘ、Ｙ、Ａを、式（１２）〜式（１４）のように定義する。ただし、Ａはｘ^kq（Ｘ^TＸ）^-1Ｘ^Tを対角要素にｒ個並べた行列である。 In addition, new matrices X, Y, and A are defined as in Expression (12) to Expression (14). However, A is x ^kq (X ^T X) r pieces arranged matrix diagonal elements ^-1 X ^T.

このとき、推定値行列、すなわち将来状態の予測値Ｙ^kq＾は、重回帰モデルとして、式（１５）で求めることができる（図４の処理２０９）。 At this time, the estimated value matrix, that is, the predicted value Y ^kq ^ of the future state can be obtained by the equation (15) as a multiple regression model (processing 209 in FIG. 4).

（装置の実現）
これまでに説明した本発明を実現する手段、すなわち図１の本発明によるプロセスの操業状態の予測装置３は、コンピュータのＣＰＵ或いはＭＰＵ、ＲＡＭ、ＲＯＭ等で構成されるものであり、ＲＡＭやＲＯＭに記録されたプログラムが動作することによって実現できる。従って、コンピュータが上記機能を果たすように動作させるプログラムを記憶媒体に記録し、コンピュータに読み取らせることによって実現できるものである。記憶媒体としては、ＣＤ−ＲＯＭ、ＤＶＤ、フレキシブルディスク、ハードディスク、磁気テープ、光磁気テープ、不揮発性のメモリカード等を用いることができる。 (Realization of equipment)
The means for realizing the present invention described so far, that is, the process operating state prediction device 3 according to the present invention shown in FIG. 1 is composed of a CPU or MPU of a computer, RAM, ROM, and the like. This can be realized by operating the program recorded in (1). Therefore, it can be realized by recording a program that causes a computer to perform the above functions on a storage medium and causing the computer to read the program. As the storage medium, a CD-ROM, DVD, flexible disk, hard disk, magnetic tape, magneto-optical tape, nonvolatile memory card, or the like can be used.

また、コンピュータが供給されたプログラムを実行することにより上述の実施形態の機能が実現されるだけでなく、そのプログラムコードがコンピュータにおいて稼働しているＯＳ（オペレーティングシステム）或いは他のアプリケーションソフト等と共同して上述の実施形態の機能が実現される場合にもかかるプログラムコードは本発明の実施形態に含まれることは言うまでもない。 In addition, the functions of the above-described embodiments are realized by executing a program supplied by a computer, and the program code is shared with an OS (operating system) or other application software running on the computer. Needless to say, such program code is included in the embodiment of the present invention even when the functions of the above-described embodiment are realized.

本発明のプロセスの操業状態の予測方法は、検索用テーブル作成手段７における、ステップワイズ法によるプロセス変数値の数の削減、分散拡大要因計算による多重共線性を有するプロセス変数値の排除によって、予測にノイズとなるプロセス変数値を積極的に排除し、予測精度の向上を図ることに特徴を有する。 The process operation state prediction method according to the present invention is performed by reducing the number of process variable values by the stepwise method in the search table creation means 7 and by eliminating process variable values having multiple collinearity by calculating the dispersion expansion factor. In addition, the process variable value that causes noise is positively eliminated, and the prediction accuracy is improved.

そして、本発明のプロセスの操業状態の予測方法は、検索用テーブル作成手段７で過去の類似事例の時刻データと紐付いた量子化した検索用テーブル８を作成し、類似事例検索手段９において、要求点のプロセス変数値の量子化値を検索キーに、要求点が属する量子から順番に近傍の量子にあらかじめ紐付いている過去の時刻データのプロセス変数値を呼び出すことに特徴を有する。 In the process operation state prediction method of the present invention, the search table creation means 7 creates a quantized search table 8 linked to the time data of past similar cases, and the similar case search means 9 Using the quantized value of the point process variable value as a search key, the process variable value of past time data linked in advance to the neighboring quantum in order from the quantum to which the request point belongs is characterized.

すなわち、量子化した検索用テーブル８を検索に用いることにより、プロセスの操業状態の予測の都度、全ての過去事例におけるプロセス変数値と要求点におけるプロセス変数値との距離を計算し、該距離が近いものから順番に過去事例を並び替え、そこからいくつかの類似した、すなわち該距離が小さい過去の事例を特定するといった膨大な計算量を伴う計算を回避することができる。なお、ここで距離とは、例えばプロセス変数値を要素に持つベクトル相互のユークリッド距離である。 That is, by using the quantized search table 8 for the search, every time the operation state of the process is predicted, the distance between the process variable value in all past cases and the process variable value in the request point is calculated. It is possible to avoid a calculation with a huge amount of calculation such as rearranging past cases in order from the nearest one and specifying some similar past cases, that is, past cases with a small distance. Here, the distance is a Euclidean distance between vectors having process variable values as elements, for example.

（実施例）
以下に、本発明における過去の操業状態の類似例を検索する方法と将来状態を予測する方法の実施例を説明する。本実施例は、ある高炉の時系列データを対象とした。データ項目数は２３５項目、サンプリング時間は１時間である。データ収集期間は２００４年１月１日〜２００５年１月３１日でデータ点数は９５２８点である。 (Example)
Below, the Example of the method of searching the similar example of the past operation state in this invention and the method of estimating a future state is described. In this example, time series data of a certain blast furnace was targeted. The number of data items is 235 items, and the sampling time is 1 hour. The data collection period is from January 1, 2004 to January 31, 2005, and the number of data points is 9528 points.

上記時系列データに対して、式（２）、式（３）に対応した入力ｘ^k及び出力ｙ^kを設定する。入力は、制御入力ベクトルｕと観測出力ベクトルｙ合わせて２３５項目からなるベクトルであり、溶銑温度、微粉炭吹き込み量、ソリューションロスカーボン、熱流比、装入ピッチ、溶銑中Ｓｉ濃度、溶銑中Ｔｉ濃度、熱風温度、炉頂温度、熱負荷、炉頂ガスＣＯ濃度、出銑速度、ＰＣＲ（微粉炭比）、スラグ中Ａｌ₂Ｏ₂量、スラグ中ＴｉＯ₂量の現在値又はこれらの時間遅れ変数から少なくとも一つ以上が選択されて構成されている。 An input x ^k and an output y ^k corresponding to the equations (2) and (3) are set for the time series data. The input is a vector consisting of 235 items including the control input vector u and the observed output vector y, including hot metal temperature, pulverized coal injection amount, solution loss carbon, heat flow ratio, charging pitch, hot metal Si concentration, hot metal Ti concentration , Hot air temperature, furnace top temperature, heat load, furnace top gas CO concentration, tapping rate, PCR (pulverized coal ratio), Al ₂ O ₂ content in slag, current value of TiO ₂ content in slag, or these time delay variables At least one or more is selected.

本実施例では、制御入力ベクトルの次数ｎ_u＝１２、観測出力ベクトルの次数ｎ_y＝１２、むだ時間ｄ＝０とした。また、観測出力ベクトルｙは、予測時間ｐ＝１として、１時間後の溶銑温度を設定した。 In this embodiment, the order of the control input vector n _u = 12, the order of the observed output vector n _y = 12, and the dead time d = 0. In addition, the observation output vector y was set to the hot metal temperature one hour later with the prediction time p = 1.

前記のように１時間後の溶銑温度を出力として、入力ｘ^kを構成する変数に関してステップワイズ法を実施し、各プロセス変数値の出力に対する寄与率Ｆを計算する。このとき、検定基準としてＦ＝２０とし、Ｆの値が２０以上となる上位３２（＝Ｌ）変数を選択した（表１を参照）。そして、各変数の寄与率がＦ₁＞Ｆ₂＞・・・Ｆ₃₂となるようにｘ_iを並び替え、あらためて入力ｘ^kを、式（１６）とした。 As described above, the hot metal temperature after 1 hour is used as an output, the stepwise method is performed on the variables constituting the input x ^k, and the contribution rate F of each process variable value to the output is calculated. At this time, F = 20 was set as the test standard, and the top 32 (= L) variables having an F value of 20 or more were selected (see Table 1). Then, _xi was rearranged so that the contribution ratio of each variable would be F ₁ > F ₂ >... F _32, and the input x ^k was changed to Equation (16) again.

次に、入力ｘ^kを構成する変数から、式（５）で定義する分散拡大要因ＶＩＦを計算し、多重共線性があると判定される変数を削除した。分散拡大要因ＶＩＦ_ij≧１０の場合を多重共線性があると判定して変数を削除した結果、本実施例では、入力ｘ^kを構成する変数の数は、最終的に２５（＝ｌ）となった。 Next, the variance expansion factor VIF defined by Expression (5) was calculated from the variables constituting the input x ^k, and the variables determined to have multicollinearity were deleted. When the variable expansion factor VIF _ij ≧ 10 is determined to have multicollinearity and variables are deleted, in this embodiment, the number of variables constituting the input x ^k is finally 25 (= l). became.

（プロセス変数値の量子化値を検索キーとする検索用テーブルの作成）
ステップワイズ法及び分散拡大要因判定によって選択した２５変数について、各々量子数２０で量子化し、検索用テーブル８として量子化した２５次元相空間を構築した。量子化数の設定にあたってはいくつかの指針があるが、ここではスタージェスの公式によって得られる量子数、すなわち、式（１７）やLeave-one-out Cross Validation等を参考にして何通りか設定し、溶銑温度の予測精度が最良となる量子数２０を選択した。 (Create a search table with the process variable value quantized as a search key)
The 25 variables selected by the stepwise method and the dispersion expansion factor determination were each quantized with a quantum number of 20, and a quantized 25-dimensional phase space was constructed as the search table 8. There are several guidelines for setting the quantization number, but here we set several ways with reference to the quantum number obtained by the Sturges formula, ie, Equation (17) and Leave-one-out Cross Validation. Then, the quantum number 20 that provides the best prediction accuracy of the hot metal temperature was selected.

（要求点の設定と過去の類似事例の検索）
２００４年１月１日〜２００５年１月３１日の全データセット９５２８点の中から、２００４年１２月３１日１８：００のデータセットを取り出して要求点（ｘ^kq，ｙ^kq）とする。検索用テーブル作成手段５において要求点の量子化を実施し、要求点の量子空間Ｘ^kqと入力量子空間Ｘ^kとの相似度の計算により、要求点より過去のデータセット｛（ｘ^ki，ｙ^ki）｝（ｋ_i＜ｋ_q）から要求点に類似の過去事例データセットを検索する。 (Requirement point setting and past similar case search)
A data set of 18:00 on December 31, 2004 is taken out of all 9528 data sets from January 1, 2004 to January 31, 2005, and set as a request point (x ^kq , y ^kq ). The search table creation means 5 ^performs quantization of the request point, and calculates the similarity between the request point quantum space X ^kq and the input quantum space X ^k, and sets a past data set {(x ^ki , y ^ki)} to find similar past case data set request from point (k _i <k _q).

その結果、検索用テーブル８上の相似度ｓ＝３の近傍量子空間Ω_qに５つのデータセットが存在し、すなわち２００４年１２月３１日１８：００のデータセットと類似した操業状態として、５ケースを検索できた（図６（ｂ）を参照）。 As a result, there are five data sets in the neighborhood quantum space Ω _q of the similarity s = 3 on the search table 8, that is, the operation state similar to the data set of 18:00 on December 31, 2004 is 5 Cases could be retrieved (see FIG. 6 (b)).

このとき、相似度ｓ＝０、１、２、すなわち要求点が属する量子空間、一つ隣の量子空間及び更に一つ隣の量子空間には類似の操業事例が存在しなかった。なお、ここでは、相似度の計算に式（８）の量子空間相互の無限大ノルムを用いた。 At this time, there was no similar operation example in the similarity s = 0, 1, 2, that is, the quantum space to which the request point belongs, the next adjacent quantum space, and the next adjacent quantum space. Here, the infinite norm between the quantum spaces of Equation (8) is used for the calculation of the similarity.

（将来状態の予測）
続いて、将来状態の予測事例を説明する。検索した過去の類似操業事例データセットの出力ベクトルｙ^kに対し、式（１５）の重回帰式を用いて出力変数、すなわち１時間後の溶銑温度を推定した。 (Future state prediction)
Next, a prediction example of the future state will be described. The output variable, that is, the hot metal temperature after 1 hour, was estimated using the multiple regression equation of Equation (15) for the output vector y ^{k of} the past similar operation case data set searched.

ここでは、全データ９５２８点のデータセットからランダムに２００セットを取り出してそれぞれを要求点ｘ^kqとし、各要求点ｘ^kqの類似操業事例を前記手順で検索し、式（１５）を用いて１時間後の溶銑温度の予測値ｙ₁ ^kq+1＾を計算し、実績値ｙ₁ ^kq+1との相関で溶銑温度の予測精度を評価した例を示す（図７を参照）。 Here, each taking out the 200 set at random from the data set of all data 9528 points to the required point x ^kq, searches the similar operation example of each request point x ^kq in the procedure 1 using Equation (15) An example is shown in which the predicted value y ₁ ^{kq + 1} ^ of the hot metal temperature after time is calculated and the prediction accuracy of the hot metal temperature is evaluated by correlation with the actual value y ₁ ^{kq + 1} (see FIG. 7).

このとき相関係数ρは０．９２１であり、本発明における将来状態の予測方法を用いて、１時間後の溶銑温度が良好に予測できることが確認できた。 At this time, the correlation coefficient ρ was 0.921, and it was confirmed that the hot metal temperature after 1 hour could be predicted well using the prediction method of the future state in the present invention.

なお、前記のごとく２００４年１２月３１日１８：００のデータセットを要求点（ｘ^kq，ｙ^kq）として検索した５つの過去の類似事例データセット各々の１時間後以降の実績値を用いて、１時間後だけでなく基準時間から将来の１２時間にわたる溶銑温度の推移を、式（１５）を用いて予測することにより、２００４年１２月３１日１８：００以降１２時間の溶銑温度推移予測値を実施することも可能である（図６（ａ）を参照）。 In addition, as described above, using the actual values after 1 hour of each of the five past similar case data sets searched as the request point (x ^kq , y ^kq ) on the data set of December 31, 2004 18:00. By predicting the transition of the hot metal temperature not only after one hour but also for the next 12 hours from the reference time using the formula (15), the transition of the hot metal temperature for 12 hours after 18:00 on December 31, 2004 is predicted. It is also possible to implement the values (see FIG. 6 (a)).

また、要求点（ｘ^kq，ｙ^kq）を２００４年１２月３１日１８：００から１時間毎将来にシフトして設定し、都度、過去の類似事例を検索して将来状態の予測を繰り返し、２００４年１２月３１日１８：００以降１２時間の溶銑温度推移予測値を実施することも可能である（図示せず）。 In addition, the request point (x ^kq , y ^kq ) is shifted and set every hour from 18:00 on December 31, 2004, and a past similar case is searched and a prediction of the future state is repeated each time. It is also possible to carry out a hot metal temperature transition predicted value for 12 hours after 18:00 on December 31, 2004 (not shown).

本発明を実施する装置の構成を説明するブロック図である。It is a block diagram explaining the structure of the apparatus which implements this invention. 時系列データベースに格納するプロセス変数値の記録形態の例を説明する図である。It is a figure explaining the example of the recording form of the process variable value stored in a time series database. 検索用テーブル作成の処理のフローチャートである。It is a flowchart of the process of table creation for a search. 操業類似事例の検索方法及び将来状態の予測方法のフローチャートである。It is a flowchart of the search method of an operation similar case, and the prediction method of a future state. 類似操業事例の検索と将来予測における要求点と近傍データセットを説明する図である。It is a figure explaining the request | requirement point and neighborhood data set in search of a similar operation example, and future prediction. 過去類似事例の検索結果と溶銑温度の将来予測結果を説明する図である。It is a figure explaining the search result of past similar cases, and the future prediction result of hot metal temperature. １時間後の溶銑温度予測値と実績値の相関を説明する図である。数を説明する図である。It is a figure explaining the correlation of the hot metal temperature predicted value and the actual value after 1 hour. It is a figure explaining a number.

Explanation of symbols

１高炉設備
２計測・制御装置
３プロセスの操業状態の予測装置
４設定・操作入力手段
５時系列データベース作成手段
６時系列データベース
７検索用テーブル作成手段
８検索用テーブル
９類似事例検索手段
１０将来状態予測手段
１１表示手段 DESCRIPTION OF SYMBOLS 1 Blast furnace equipment 2 Measurement / control apparatus 3 Process operation state prediction apparatus 4 Setting / operation input means 5 Time series database creation means 6 Time series database 7 Search table creation means 8 Search table 9 Similar case search means 10 Future state Prediction means 11 Display means

Claims

The operation state of the manufacturing process of a manufacturing plant equipped with a plurality of sensors is stored in time series by constantly storing values of a plurality of process variables consisting of a plurality of observation outputs and control inputs that are measured by the plurality of sensors every moment. In a method of sequentially creating a database and predicting using the created database ,
Control the vector values of the plurality of observed outputs at discretized time k with y (k) by combining the plurality of process variable values with the value of the time delay variable of the current value in addition to the current value every moment. The input vector value u (k) is used to calculate the process output vector y ^k and the input matrix x ^{k according} to equations (a) and (b) ,
y ^k = y (k + p) (a)
x ^k = [y (k), y (k−1),..., y (k− _ny ),
u (k−d), u (k−d−1),..., u (k−d−n _u )] ^T (b)
Where n _u : integer value, n _y : integer value, p: prediction time, d: dead time
A time-series database creating step of creating the time-series database as a data set with the transition of the time k using the data set (x ^k , y ^k ) composed of the output vector y ^k and the input matrix x ^k ;
Using a stepwise method for a plurality of process variable values constituting the input matrix x ^k , the contribution rate F of each process variable value to the output vector y ^k is calculated, and the value of the contribution rate F and a preset test are calculated. the magnitude of the reference F _th, a method of reducing the number of process variable values constituting the input matrix x ^k, and two i process variables constituting the input matrix x ^k, in each combination of j, the dispersion using the extended factor determination method, the variance inflation factor VIF _ij, using the correlation coefficient r _ij of the two process variables is a vector quantity,
VIF _ij = 1 / (1-r _ij ² ) (c)
And a process variable set in which the value of the VIF _ij is larger than a preset threshold value is determined to have multicollinearity, and one of the process variable sets is processed. A procedure for reducing the number of process variable values constituting the input matrix x ^k , consisting of both or either of the methods for reducing variables from the input matrix x ^k , and data from the current time to a previously specified past time A set is extracted from the time series database, and a quantized value of each element of the input matrix x ^k of each data set (x ^k , y ^k ) included in the extracted data set is calculated, and the quantized value and the a step of storing the search table in association with the time k discretized, a search table creation step consisting,
Wherein when predicting the operating state of the manufacturing process, to set the start time A and prediction request point k _q, and procedures for setting the standing point time A after the future time B, data set in the request point k _q ( x ^kq , y ^kq ), a procedure using a quantized input vector X ^kq composed of values obtained by quantizing each element of the input matrix x ^kq as a search key, and a similarity degree set in advance using the search key According to a standard, the time of the input vector X ^k having a quantized value similar to the search key starting from the prediction start time A is searched and specified in a search table, and a data set corresponding to the specified time A procedure of retrieving (x ^k , y ^k ) from the time series database, a similar case search step of searching a search table comprising and outputting past operation similar cases ;
Wherein the past start time k for a specified time corresponding to the start time A of the prediction in the similar case retrieval process, the data set of the past start time k (x ^k, y ^k) from the output vector y ^k of the by taking by tying the value of observed output of the time in the future time B past start time k after the prediction of the process variable values in the prediction want future time B requests point k _q after a start time a of the predicted A future state prediction process that determines and outputs a value ;
A method for predicting the operating state of a manufacturing process, comprising:

The similar case search step includes a plurality of past start times k. _ii Output similar cases of operations,
In the future state prediction step, the plurality of past start times k _ii Data set (x ^kiki , Y ^kiki ) To calculate a value of an observation output at a future time B after the past start time by interpolation, and a request point k which is the prediction start time A _qq 2. The method for predicting the operating state of a manufacturing process according to claim 1, wherein a predicted value of a process variable at a future time B to be predicted thereafter is determined and output.

In the future state prediction step, the plurality of past start times k _ii Data set (x ^kiki , Y ^kiki ) Based on the local model using multiple regression analysis to calculate the value of the observation output at the time corresponding to the future time B after the past start time, and the request point that is the start time A of the prediction k _qq 3. The method for predicting the operating state of a manufacturing process according to claim 2, wherein a predicted value of a process variable at a future time B to be predicted thereafter is determined and output.

The similarity case search step uses an infinite norm of a quantized value vector of the process variable value or a sum of absolute values of differences of the quantized value vectors as the similarity criterion. 4. A method for predicting an operating state of a manufacturing process according to any one of items 3 to 3 .

The manufacturing process is a blast furnace process;
The plurality of process variable values are: hot metal temperature, pulverized coal injection amount, solution loss carbon, heat flow ratio, charging pitch, hot metal temperature, Si concentration, hot air temperature, furnace top temperature, thermal load, furnace top gas. CO concentration, tapping rate, PCR (pulverized coal ratio), Al ₂ O ₃ content in the slag, any one of the claims 1-4, characterized in that it contains one or more of slag TiO ₂ amount A method for predicting the operating state of the manufacturing process described in 1.

The operation state of the manufacturing process of a manufacturing plant equipped with a plurality of sensors is stored in time series by constantly storing values of a plurality of process variables consisting of a plurality of observation outputs and control inputs that are measured by the plurality of sensors every moment. In an apparatus that sequentially creates a database and predicts using the created database ,
Control the vector values of the plurality of observed outputs at discretized time k with y (k) by combining the plurality of process variable values with the value of the time delay variable of the current value in addition to the current value every moment. The input vector value u (k) is used to calculate the process output vector y ^k and the input matrix x ^{k according} to equations (a) and (b) ,
y ^k = y (k + p) (a)
x ^k = [y (k), y (k−1),..., y (k− _ny ),
u (k−d), u (k−d−1),..., u (k−d−n _u )] ^T (b)
Where n _u : integer value, n _y : integer value, p: prediction time, d: dead time
Time-series database creating means for creating the time-series database as a data set with the transition of the time k from the data set (x ^k , y ^k ) composed of the output vector y ^k and the input matrix x ^k ;
Using a stepwise method for a plurality of process variable values constituting the input matrix x ^k , the contribution rate F of each process variable value to the output vector y ^k is calculated, and the value of the contribution rate F and a preset test are calculated. the magnitude of the reference F _th, a method of reducing the number of process variable values constituting the input matrix x ^k, and two i process variables constituting the input matrix x ^k, in each combination of j, the dispersion using the extended factor determination method, the variance inflation factor VIF _ij, using the correlation coefficient r _ij of the two process variables is a vector quantity,
VIF _ij = 1 / (1-r _ij ² ) (c)
And a process variable set in which the value of the VIF _ij is larger than a preset threshold value is determined to have multicollinearity, and one of the process variable sets is processed. A process of reducing the number of process variable values constituting the input matrix x ^k , consisting of both or either of the methods for reducing variables from the input matrix x ^k , and data from the current time to a previously specified past time A set is extracted from the time series database, and a quantized value of each element of the input matrix x ^k of each data set (x ^k , y ^k ) included in the extracted data set is calculated, and the quantized value and the a search table creation means for executing a process of storing the search table in association with the time k discretized, and
Wherein when predicting the operating state of the manufacturing process, to set the start time A and prediction request point k _q, and the process of setting the the standing point time A after the future time B, data set in the request point k _q ( x ^kq , y ^kq ), a process using the quantized input vector X ^kq composed of values obtained by quantizing each element of the input matrix x ^kq as a search key, and a similarity set in advance using the search key According to a standard, the time of the input vector X ^k having a quantized value similar to the search key starting from the prediction start time A is searched and specified in a search table, and a data set corresponding to the specified time A process for retrieving (x ^k , y ^k ) from the time-series database , and a similar case search means for searching a search table and outputting past operation similar cases ,
Wherein the past start time k for a specified time corresponding to the start time A of the prediction in the similar case retrieving means, the data set of the past start time k (x ^k, y ^k) from the output vector y ^k of the by taking by tying the value of observed output of the time in the future time B past start time k after the prediction of the process variable values in the prediction want future time B requests point k _q after a start time a of the predicted Future state prediction means for determining and outputting values ;
An apparatus for predicting the operating state of a manufacturing process, comprising:

The similar case search means includes a plurality of past start times k _ii Output similar cases of operations,
The future state predicting means includes the plurality of past start times k. _ii Data set (x ^kiki , Y ^kiki ) To calculate a value of an observation output at a future time B after the past start time by interpolation, and a request point k which is the prediction start time A _qq 7. The apparatus for predicting an operating state of a manufacturing process according to claim 6, wherein a predicted value of a process variable at a future time B to be predicted thereafter is determined and output.

The future state predicting means includes the plurality of past start times k. _ii Data set (x ^kiki , Y ^kiki ) Based on the local model using multiple regression analysis to calculate the value of the observation output at the time corresponding to the future time B after the past start time, and the request point that is the start time A of the prediction k _qq 8. The apparatus for predicting an operating state of a manufacturing process according to claim 7, wherein a predicted value of a process variable at a future time B to be predicted thereafter is determined and output.

A computer program that causes a computer to execute the process of the method for predicting an operation state of a manufacturing process according to any one of claims 1 to 3 .

A computer-readable storage medium storing the computer program according to claim 9.