CN108090241B - 连续性工艺的趋势变量鉴定方法与系统 - Google Patents

连续性工艺的趋势变量鉴定方法与系统 Download PDF

Info

Publication number
CN108090241B
CN108090241B CN201710078716.7A CN201710078716A CN108090241B CN 108090241 B CN108090241 B CN 108090241B CN 201710078716 A CN201710078716 A CN 201710078716A CN 108090241 B CN108090241 B CN 108090241B
Authority
CN
China
Prior art keywords
time sequence
variable
time
trend
process variables
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.)
Active
Application number
CN201710078716.7A
Other languages
English (en)
Other versions
CN108090241A (zh
Inventor
夏启峻
叶峻宾
陈立杰
庄雅筑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial Technology Research Institute ITRI
Original Assignee
Industrial Technology Research Institute ITRI
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from TW106100302A external-priority patent/TWI623905B/zh
Application filed by Industrial Technology Research Institute ITRI filed Critical Industrial Technology Research Institute ITRI
Publication of CN108090241A publication Critical patent/CN108090241A/zh
Application granted granted Critical
Publication of CN108090241B publication Critical patent/CN108090241B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)

Abstract

连续性工艺的趋势变量鉴定方法及系统。连续性工艺的趋势变量鉴定方法包括以下步骤：在时间序列选择出数个相似时段。各个相似时段与一目前时段相似。依据此些相似时段的数个工艺变量的数个时序变量参数及一监控目标的时序目标参数，分析各个工艺变量对监控目标的一贡献度。依据各个贡献度，筛选出部分的工艺变量。

Description

连续性工艺的趋势变量鉴定方法与系统
技术领域
本公开涉及一种连续性工艺的趋势变量鉴定方法与系统。
背景技术
在连续性工艺中，可能会不断地对某一目标参数进行预测。当预测到此目标参数可能会发生异常时，则进行工艺参数的调整，以使连续性工艺能够正常营运，避免连续性工艺断然停止。
除了提高目标参数的预测的精准度以外，如何进行工艺参数的调整，也是一项相当重要的研发方向。如果未能迅速得知哪些工艺参数应该进行调整，恐怕难以顺利维持连续性工艺的正常营运。
发明内容
本公开有关于一种连续性工艺的趋势变量鉴定方法与系统。
根据本公开的一实施例，提出一种连续性工艺的趋势变量鉴定方法。连续性工艺的趋势变量鉴定方法包括以下步骤：提取数个工艺变量于一时间序列上的数笔时序变量参数及一监控目标于时间序列上的数笔时序目标参数。在时间序列选择出数个相似时段。各个相似时段与一目前时段相似。依据此些相似时段的此些时序变量参数及此些时序目标参数，分析各个工艺变量对监控目标的一贡献度。依据各个贡献度，筛选出部分的工艺变量。
根据本公开的一实施例，提出一种连续性工艺的趋势变量鉴定系统。连续性工艺的趋势变量鉴定系统包括一工艺数据库、一监控数据库、一参数提取单元、一区域建模挑选单元、一变量鉴定单元及一评估单元。工艺数据库用以存储数个工艺变量于一时间序列上的数笔时序变量参数。监控数据库用以存储一监控目标于时间序列上的数笔时序目标参数。参数提取单元用以提取此些时序变量参数及此些时序目标参数。区域建模挑选单元用以于时间序列选择出数个相似时段。各个相似时段与一目前时段相似。变量鉴定单元用以依据此些相似时段的此些时序变量参数及此些时序目标参数，分析各个工艺变量对监控目标的一贡献度。评估单元用以依据各个贡献度，筛选出部分的此些工艺变量。
为了对本公开的上述及其他方面有更佳的了解，下文特举优选实施例，并配合附图，作详细说明如下：
附图说明
图1绘示一连续性工艺工厂的示意图。
图2绘示连续性工艺的趋势变量鉴定系统的示意图。
图3绘示本实施例的连续性工艺的趋势变量鉴定方法的流程图。
图4绘示一连续性工艺数据。
图5绘示训练数据的示意图。
图6绘示步骤S131的示意图。
图7绘示步骤S132的示意图。
图8绘示步骤S131的结果图。
图9绘示步骤S132的结果图
图10绘示对重建训练数据数量为350的变异解释力曲线。
【符号说明】
100：连续性工艺的趋势变量鉴定系统
110：工艺数据库
120：监控数据库
130：参数提取单元
140：区域建模挑选单元
151：变量鉴定单元
152：加强单元
160：评估单元
500：现场工程单位
600：能源管理单位
710、720：焦炉气储槽
810：烧结工厂
820：高炉
830：炼钢厂
840：热轧厂
850：钢板工厂
860：条钢工厂
870：线材工厂
880：小钢胚厂
890：动力工厂
900：炼焦工厂
B1、B2、B3：方框
D1：菱形
L1、L2：回归线
P1：实际数据点
R1：区域
S1、S2、S3：圆点
S110、S120、S131、S132、S140：流程步骤
具体实施方式
请参照图1，其绘示一连续性工艺工厂的示意图。连续性工艺工厂例如是一炼焦工厂900。炼焦工厂900所产生的焦炉气可提供给烧结工厂810、高炉820、炼钢厂830、热轧厂840、钢板工厂850、条钢工厂860、线材工厂870、小钢胚厂880或动力工厂890等消耗端使用。为了调节焦炉气，焦炉气可存储于焦炉气储槽710、720。焦炉气储槽710、720的液位受到生产端的炼焦工厂900与消耗端的烧结工厂810、高炉820、炼钢厂830、热轧厂840、钢板工厂850、条钢工厂860、线材工厂870、小钢胚厂880和/或动力工厂890等影响，而产生变化。在本实施例中，焦炉气储槽710或720的液位为一监控目标，生产端的炼焦工厂900及消耗端的烧结工厂810、高炉820、炼钢厂830、热轧厂840、钢板工厂850、条钢工厂860、线材工厂870、小钢胚厂880和/或动力工厂890等为数个工艺变量(变因)。
本实施例在容许的预测精准度之下，鉴定出对监控目标(例如液位)的变化趋势有显著贡献度的工艺变量(例如生产端的炼焦工厂900及消耗端的烧结工厂810、高炉820、炼钢厂830、热轧厂840、钢板工厂850、条钢工厂860、线材工厂870、小钢胚厂880和/或动力工厂890等)。
本实施例在时间序列上，通过区域建模技术找出相似于目前时段的相似时段作为训练数据，并筛选出具有显著变异解释能力的前几个工艺变量(及其时间延迟)。此些筛选出的工艺变量可以重建出近似于实际数据的曲线，表示筛选出的工艺变量(及其时间延迟)可解释实际数据的趋势。
请参照图2，其绘示连续性工艺的趋势变量鉴定系统100的示意图。在连续性工艺工厂中，监控目标受到工艺变量的影响，而使监控目标产生数值变化。以连续性工艺的炼焦工厂900为例，监控目标例如是焦炉气储槽710或720的液位，液位例如使用液位计测量，或是任何数值型感知器与测量设备所测量的数值。工艺变量例如是生产端的炼焦工厂900及消耗端的烧结工厂810、高炉820、炼钢厂830、热轧厂840、钢板工厂850、条钢工厂860、线材工厂870、小钢胚厂880和/或动力工厂890等使用任何数值型感知器与测量设备所测量的数值。过去监控目标为人工监控，当监控目标出现数值异常时，则由能源管理工程师进行人工分析，以分析出哪些工艺变量需要调整，并请现场工程人员进行这些工艺变量的调整。
如图2所示，连续性工艺的趋势变量鉴定系统100包括一工艺数据库110、一监控数据库120、一参数提取单元130、一区域建模挑选单元140、一变量鉴定单元151、一加强单元152及一评估单元160。工艺数据库110用以存储各个工艺变量于时间序列上的数笔时序变量参数。监控数据库120用以存储监控目标于时间序列上的数笔时序目标参数。通过本实施例的技术，可以根据工艺数据库110及监控数据库120，找出相似于目前时段的相似时段，并据以进行训练，以自动分析出对监控目标的趋势具有高贡献度的工艺变量及其时间延迟。此些具有高贡献度的工艺变量及其时间延迟可提供给能源管理单位600作为参考，并通知现场工程单位500进行工艺变量的调整。
尤其在预测到监控目标可能发生异常时，可进行趋势变量鉴定，以指出关键的工艺变量及其时间延迟，让能源管理单位600及现场工程单位500缩短异常处理的时间。
请参照图3，其绘示本实施例的连续性工艺的趋势变量鉴定方法的流程图。首先，在步骤S110中，参数提取单元130进行参数提取的动作。由于工艺变量与监控目标为时序数据，因此对记录数值进行时序参数的转换。当前时间为t，时序的视窗长度为q。将连续时间上的q笔数据皆纳入参考。表一的X1,t、X2,t为两个工艺变量于时间序列上的时序变量参数，Yt为监控目标于时间序列上的时序目标参数。
t Y<sub>t</sub> X<sub>1,t</sub> X<sub>2,t</sub>
0 Y<sub>0</sub> X<sub>1,0</sub> X<sub>2,0</sub>
1 Y<sub>1</sub> X<sub>1,1</sub> X<sub>2,1</sub>
2 Y<sub>2</sub> X<sub>1,2</sub> X<sub>2,2</sub>
3 Y<sub>3</sub> X<sub>1,3</sub> X<sub>2,3</sub>
4 Y<sub>4</sub> X<sub>1,4</sub> X<sub>2,4</sub>
5 Y<sub>5</sub> X<sub>1,5</sub> X<sub>2,5</sub>
6 Y<sub>6</sub> X<sub>1,6</sub> X<sub>2,6</sub>
7 Y<sub>7</sub> X<sub>1,7</sub> X<sub>2,7</sub>
8 Y<sub>8</sub> X<sub>1,8</sub> X<sub>2,8</sub>
表一
表二为q＝2的时序参数转换，其考虑时间延迟0、1、2的三种情况。表一的t＝2的数据被转换为表二的Y2那一列的参数向量。时间延迟展开后，将视为一个新的维度。原本有两个工艺变量，在考虑时间延迟0、1、2三种情况后，将扩展为6维的参数向量。依据类似的方式，在步骤S110中，参数提取单元130提取此些工艺变量于时间序列上的时序变量参数及监控目标于时间序列上的时序目标参数。
Y<sub>t</sub> X<sub>1,t</sub> X<sub>1,t-1</sub> X<sub>1,t-2</sub> X<sub>2,t</sub> X<sub>2,t-1</sub> X<sub>2,t-2</sub>
Y<sub>2</sub> X<sub>1,2</sub> X<sub>1,1</sub> X<sub>1,0</sub> X<sub>2,2</sub> X<sub>2,1</sub> X<sub>2,0</sub>
Y<sub>3</sub> X<sub>1,3</sub> X<sub>1,2</sub> X<sub>1,1</sub> X<sub>2,3</sub> X<sub>2,2</sub> X<sub>2,1</sub>
Y<sub>4</sub> X<sub>1,4</sub> X<sub>1,3</sub> X<sub>1,2</sub> X<sub>2,4</sub> X<sub>2,3</sub> X<sub>2,2</sub>
Y<sub>5</sub> X<sub>1,5</sub> X<sub>1,4</sub> X<sub>1,3</sub> X<sub>2,5</sub> X<sub>2,4</sub> X<sub>2,3</sub>
Y<sub>6</sub> X<sub>1,6</sub> X<sub>1,5</sub> X<sub>1,4</sub> X<sub>2,6</sub> X<sub>2,5</sub> X<sub>2,4</sub>
Y<sub>7</sub> X<sub>1,7</sub> X<sub>1,6</sub> X<sub>1,5</sub> X<sub>2,7</sub> X<sub>2,6</sub> X<sub>2,5</sub>
Y<sub>8</sub> X<sub>1,8</sub> X<sub>1,7</sub> X<sub>1,6</sub> X<sub>2,8</sub> X<sub>2,7</sub> X<sub>2,6</sub>
表二
接着，在步骤S120中，区域建模挑选单元140进行区域建模的动作。
在连续性工艺工厂中，不同时间存在不同的使用方式，若将全部数据搜集后进行全域建模，将仰赖预测模型的鉴别能力。当噪声多于相关数据之一定比例时，全域模型将较不准确。全域建模可求得所有模式的综合解，难以区隔设备的不同使用模式。请参照图4，其绘示一连续性工艺数据。方框B1及方框B2为较近似的数据。若将方框B3的数据亦加入模型训练，则整个模型将受到方框B3的数据的影响，而降低模型鉴别能力。
在本实施例中，在模型训练之前，先行寻找相似趋势的数据，再进行模型训练。请参照图5，其绘示训练数据的示意图。每一个圆点表示一笔训练数据。若是采用全域建模，则模型会找出回归线L1；若使用区域建模技术，则可以区域R1中较为相似的圆点进行训练，而找出回归线L2，更相似于实际数据点P1。
在本实施例中，以目前时段为基准，向前分析各个历史时段与目前时段的相异度。并依据相异度的排序，将相异度高的数个的历史时段，视为相似时段，以做为后续的训练数据。在一实施例中，相异度是依据数值相异程度及趋势相异程度的组合进行分析。数值相异程度例如为一欧式距离(Euclidean distance)、一马式距离(Mahalanobis distance)、一差值欧式距离(Difference of Euclidean distance)或一差值马式距离(Difference ofEuclidean distance)。此相异度的分析例如下式(1)：
Figure BDA0001225237320000061
D(t,p)为第t笔与第t-p笔时序目标参数的相异度。时序的视窗长度为q。Yt-i为第t-i笔的时序目标参数。Y′t-i为第t-i笔的时序目标参数与第t-i-1笔的时序目标参数的差值，意即Y′t-i＝Yt-i-Yt-i-1，用以描述短时间内的变化趋势。Y′t-i-p为第t-i-p笔的时序目标参数与第t-i-p-1笔的时序目标参数的差值，意即Y′t-i-p＝Yt-i-p-Yt-i-p-1，用以描述短时间内的变化趋势。
Figure BDA0001225237320000062
为数值相异程度。
Figure BDA0001225237320000063
为趋势相异程度。(1-ν)及ν为数值相异程度及趋势相异程度的混合比例。此混合比例可依据需求调整。举例来说ν＝0.5。
在另一实施例中，相异度可以仅依据数值相异程度进行分析、或者仅依据趋势相异程度进行分析。
相异度也可使用时序变量参数作为评估基准，以符合多元的连续工艺系统，此相异度例如下式(2)：
Figure BDA0001225237320000064
D(t,p)为第t笔与第t-p笔时序目标参数的相异度。时序的视窗长度为q。时序变量参数数量为d。Xt-i为第t-i笔的时序变量参数。X′t-i为第t-i笔的时序变量参数与第t-i-1笔的时序变量参数的差值，意即X′t-i＝Xt-i-Xt-i-1，用以描述短时间内的变化趋势。X′t-i-p为第t-i-p笔的时序变量参数与第t-i-p-1笔的时序变量参数的差值，意即X′t-i-p＝Xt-i-p-Xt-i-p-1，用以描述短时间内的变化趋势。(1-ν)及ν为数值相异程度及趋势相异程度的混合比例。此混合比例可依据需求调整。举例来说ν＝0.5。
通过例如上述方式，在步骤S120中，区域建模挑选单元140可以在时间序列选择出数个相似时段，各个相似时段与目前时段相似。
然后，在步骤S131中，变量鉴定单元151依据相似时段的时序变量参数及时序目标参数，分析出各个工艺变量对监控目标的贡献度。
在一实施例中，步骤S131可采用一正交最小二乘算法(orthogonal leastsquares algorithm，OLS)、一岭回归算法(ridge-regression)、一最小绝对压缩挑选运算子回归算法(Least Absolute Shrinkage and Selection Operator regression，LASSOregression)、或一弹性网络回归算法(elastic net regression)进行分析。
在步骤S132中，依据此些贡献度获得影响权重(或是依照经验来定义)，并通过影响权重进一步加强贡献度的差异。在一实施例中，步骤S132可省略。步骤S132可采用一最小绝对压缩挑选运算子回归算法、或一弹性网络回归算法进行分析。
详细来说，时序目标参数例如可以一线性模型表示为下式(3)：
Figure BDA0001225237320000071
其中，Yt、Yt-m分别为第t与t-m笔时序目标参数，
Figure BDA0001225237320000072
为p个工艺变量之时序变量参数，βj,m为第j个工艺变量之第m个时序变量参数对时序目标参数Yt的贡献度，b为线性模型的截距项，et为服从常态分配的误差项，et～N(0,σ2)。
为了简化模型，可将Yt-m视为Xp，则Yt例如可表示为下式(4)：
Figure BDA0001225237320000073
故，预测的时序目标参数可表示为
Figure BDA0001225237320000074
接着，例如按照下式(5)，以弹性网络回归算法(elastic net regression)进行估计：
Figure BDA0001225237320000081
其中，
Figure BDA0001225237320000082
为提高模型稳定的惩罚项(penalty term)，
Figure BDA0001225237320000083
例如可采用
Figure BDA0001225237320000084
λ为控制惩罚项的权重，α为控制惩罚项的参数，β为所有βj,m的集合，β＝{βj,m}。步骤S131试图在限定的成本函数(cost function)下，找出最佳解。然而，请参照图6，其绘示步骤S131的示意图。第一次分析出贡献度时，未加上不相等的影响权重，所求得的最佳解为图6的两个圆点S1、S2。
在步骤S132中，例如依据下式(6)获得影响权重：
Figure BDA0001225237320000085
其中，
Figure BDA0001225237320000086
为影响权重，
Figure BDA0001225237320000087
为步骤S131所获得的贡献度。请参照图7，其绘示步骤S132的示意图。如图7所示的菱形D1，影响权重可以加强挑选重要工艺变量，同样的成本函数，可将最佳解限缩于更适合的解为圆点S3。
在此步骤中，例如以下式(7)再次进行估计，以加强贡献度的差异。
Figure BDA0001225237320000088
其中，||Y-Xβ||2为一预测模型。
Figure BDA0001225237320000089
为最小二乘法估计式(Leastsquare)求取最小预测误差。
Figure BDA00012252373200000810
为“以影响权重强化重要因子的惩罚项”，
Figure BDA00012252373200000811
例如可采用
Figure BDA00012252373200000812
Figure BDA00012252373200000813
为加强差异后的贡献度。也就是说，||Y-Xβ||2的预测模型纳入“以影响权重强化重要因子的惩罚项”后，以最小二乘法估计式求取其最小预测误差，以产生加强差异后的贡献度。
通过上述步骤，在步骤S131中，趋势变量鉴定单元151依据相似时段的时序变量参数及时序目标参数，分析出各个工艺变量对监控目标的贡献度。在步骤S132中，加强单元152依据贡献度，获得影响权重，并依据相似时段的时序变量参数、时序目标参数及影响权重，进一步加强贡献度的差异。
请参照图8～9，图8绘示步骤S131的一实施例的结果，图9绘示步骤S132的一实施例的结果图。在矩阵附图中，横轴为各个工艺变量，纵轴为时间延迟。矩阵内的数值为贡献度，其以网底的密度表示数值大小。不同密度的斜线网底均表示大于0，为正相关(密度越高的斜线网底表示正的绝对值数值越大；密度越低的斜线网底表示正的绝对值数值越小)；交叉线网底表示小于零，为负相关(密度越高的交叉线网底表示负的绝对值数值越大；密度越低的交叉线网底表示负的绝对值数值越小)。如图8所示，在步骤S131未采用影响权重时，仍然不足以鉴定出关键的工艺变量。在步骤132已采用影响权重时，可以明显鉴定出较关键的工艺变量。
然后，在步骤S140中，评估单元160进行趋势变异解释力的评估，以依据贡献度，筛选出部分工艺变量。为了评估所挑选的工艺变量的数量，对于监控目标的变异的影响，关注数据平均情况，以|βj,m|进行排序，挑选出前N个，例如以依据下式(8)评估变异解释力。
Figure BDA0001225237320000091
RTVC为变异解释力，其用以比较MAPEA及MAPEN。MAPEA为使用所有工艺变量重建原始曲线的平均绝对值误差(mean absolute percentage error，MAPE)，MAPEN为挑选出来的N个显著工艺变量所重建原始曲线的平均绝对值误差。变异解释力的数值为0到1之间，变异解释力越接近1，表示越趋近于最佳的情况。MAPEN例如下式(9)：
Figure BDA0001225237320000092
Figure BDA0001225237320000093
其中，At为实际值，Ft为预测结果，N为显著工艺变量个数，N为正整数，可以是一预设值或是一设定值。
请参照图10，其绘示对重建训练数据数量为3600、62个工艺变量、时间延迟10的变异解释力曲线。其中，图10的例子于步骤S131与步骤S132分别使用最小绝对压缩挑选运算子回归算法，与弹性网络回归算法，步骤S132以α＝0.5进行估计。图10的横轴为|βj,l|进行排序后挑选出前N个显著工艺变量的数量，图10的纵轴为变异解释力。从图10可观察到挑选出130个工艺变量，可得到约80％的变异解释力。评估单元160挑选出前N个的方式，也可关注数据变异情况，对所有βj,m进行假设检定(Hypothesis testing)，检定βj,m是否为零，以计算数个P值(p-value)，并依此些P值排序后挑出前N个βj,m。
根据上述实施例，在容许的预测精准度之下，鉴定出对监控目标的变化趋势有显著贡献的工艺变量。
综上所述，虽然本公开已以优选实施例公开如上，然其并非用以限定本公开。本公开所属技术领域的技术人员在不脱离本公开的精神和范围内，当可作各种的更动与润饰。因此，本公开的保护范围当视所附权利要求书界定范围为准。

Claims (20)

1.一种连续性工艺的趋势变量鉴定方法，包括：
提取多个工艺变量在时间序列上的多笔时序变量参数及监控目标在该时间序列上的多笔时序目标参数；
在该时间序列选择出多个相似时段，各该相似时段与目前时段相似；
依据这些相似时段的这些时序变量参数及这些时序目标参数，分析各该工艺变量对该监控目标的贡献度；以及
依据各该贡献度，筛选出部分的这些工艺变量，
其中选择出这些相似时段的步骤是依据数值相异程度或趋势相异程度进行分析。
2.如权利要求1所述的连续性工艺的趋势变量鉴定方法，其中该数值相异程度是根据欧式距离、马式距离、差值欧式距离或差值马式距离决定。
3.如权利要求1所述的连续性工艺的趋势变量鉴定方法，其中选择出这些相似时段的步骤是依据这些时序目标参数作为评估基准进行分析。
4.如权利要求1所述的连续性工艺的趋势变量鉴定方法，其中选择出这些相似时段的步骤是依据这些时序变量参数作为评估基准进行分析。
5.如权利要求1所述的连续性工艺的趋势变量鉴定方法，还包括：
依据这些贡献度，获得多个影响权重，并依据这些相似时段的这些时序变量参数、这些时序目标参数及这些影响权重，加强这些贡献度的差异。
6.如权利要求5所述的连续性工艺的趋势变量鉴定方法，其中分析各该工艺变量对该监控目标的该贡献度的步骤是采用正交最小二乘算法、岭回归算法、最小绝对压缩挑选运算子回归算法或弹性网络回归算法进行分析。
7.如权利要求5所述的连续性工艺的趋势变量鉴定方法，其中筛选出部分的这些工艺变量的步骤是依据变异解释力筛选出部分的这些工艺变量。
8.如权利要求7所述的连续性工艺的趋势变量鉴定方法，其中该变异解释力为部分的这些工艺变量的平均绝对值误差与全部的这些工艺变量的平均绝对值误差的比率。
9.如权利要求8所述的连续性工艺的趋势变量鉴定方法，其中在筛选出部分的这些工艺变量的步骤中，部分的这些工艺变量对应于前N个这些影响权重，其中N为正整数。
10.如权利要求9所述的连续性工艺的趋势变量鉴定方法，其中在筛选出部分的这些工艺变量的步骤中，对这些影响权重进行假设检定，检定各该影响权重是否为零，以计算多个P值，并依这些P值的排序后挑出前N个这些影响权重。
11.一种连续性工艺的趋势变量鉴定系统，包括：
工艺数据库，用以存储多个工艺变量于时间序列上的多笔时序变量参数；
监控数据库，用以存储监控目标于该时间序列上的多笔时序目标参数；
参数提取单元，用以提取这些时序变量参数及这些时序目标参数；
区域建模挑选单元，用以在该时间序列选择出多个相似时段，各该相似时段与目前时段相似；
变量鉴定单元，用以依据这些相似时段的这些时序变量参数及这些时序目标参数，分析各该工艺变量对该监控目标的贡献度；以及
评估单元，用以依据各该贡献度，筛选出部分的这些工艺变量，
其中该区域建模挑选单元依据数值相异程度或趋势相异程度进行分析，以在该时间序列选择出这些相似时段。
12.如权利要求11所述的连续性工艺的趋势变量鉴定系统，其中该数值相异程度是根据欧式距离、马式距离、差值欧式距离或差值马式距离决定。
13.如权利要求11所述的连续性工艺的趋势变量鉴定系统，其中该区域建模挑选单元依据这些时序目标参数作为评估基准进行分析，以在该时间序列选择出这些相似时段。
14.如权利要求11所述的连续性工艺的趋势变量鉴定系统，其中该区域建模挑选单元依据这些时序变量参数作为评估基准进行分析，以在该时间序列选择出这些相似时段。
15.如权利要求11所述的连续性工艺的趋势变量鉴定系统，还包括：
加强单元，用以依据这些贡献度，获得多个影响权重，并依据这些相似时段的这些时序变量参数、这些时序目标参数及这些影响权重，加强这些贡献度的差异。
16.如权利要求15所述的连续性工艺的趋势变量鉴定系统，其中分析各该工艺变量的步骤是采用正交最小二乘算法、岭回归算法、最小绝对压缩挑选运算子回归算法或弹性网络回归算法进行分析。
17.如权利要求15所述的连续性工艺的趋势变量鉴定系统，其中该评估单元依据变异解释力筛选出部分之这些工艺变量。
18.如权利要求17所述的连续性工艺的趋势变量鉴定系统，其中该变异解释力为部分的这些工艺变量的平均绝对值误差与全部的这些工艺变量的平均绝对值误差的比率。
19.如权利要求18所述的连续性工艺的趋势变量鉴定系统，其中部分的这些工艺变量对应于前N个这些影响权重，其中N为正整数。
20.如权利要求19所述的连续性工艺的趋势变量鉴定系统，其中该评估单元对这些影响权重进行假设检定，检定各该影响权重是否为零，以计算多个P值，并依这些P值的排序后挑出前N个这些影响权重。
CN201710078716.7A 2016-11-23 2017-02-14 连续性工艺的趋势变量鉴定方法与系统 Active CN108090241B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201662425632P 2016-11-23 2016-11-23
US62/425,632 2016-11-23
TW106100302 2017-01-05
TW106100302A TWI623905B (zh) 2016-11-23 2017-01-05 連續性製程之趨勢變因鑑定方法與系統

Publications (2)

Publication Number Publication Date
CN108090241A CN108090241A (zh) 2018-05-29
CN108090241B true CN108090241B (zh) 2021-08-17

Family

ID=62147021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710078716.7A Active CN108090241B (zh) 2016-11-23 2017-02-14 连续性工艺的趋势变量鉴定方法与系统

Country Status (2)

Country Link
US (1) US10635741B2 (zh)
CN (1) CN108090241B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111506976B (zh) * 2019-01-30 2022-07-26 北新集团建材股份有限公司 一种石膏料浆结块分析方法和装置
CN110442657A (zh) * 2019-08-05 2019-11-12 北京远舢智能科技有限公司 一种基于大数据的智能管理平台
CN116502070B (zh) * 2023-06-26 2023-08-29 天津创界点新型材料有限公司 一种微型风电机组状态智能监测系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101145030A (zh) * 2006-09-13 2008-03-19 新鼎系统股份有限公司 增加变量数量、获得其余的变量、维度鉴识与变量筛选的方法及系统
CN102289846A (zh) * 2011-09-08 2011-12-21 北京林业大学 一种基于广义参数化建模的树木模拟方法
CN104933012A (zh) * 2015-05-08 2015-09-23 西南交通大学 一种牵引变电所互感器的测量偏差故障在线识别方法

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030083824A1 (en) * 2001-08-31 2003-05-01 General Electric Company Method and system for selecting a best case set of factors for a chemical reaction
CA2634328C (en) * 2003-01-24 2011-08-16 Pratt & Whitney Canada Corp. Method and system for trend detection and analysis
US6961626B1 (en) * 2004-05-28 2005-11-01 Applied Materials, Inc Dynamic offset and feedback threshold
CN101109952B (zh) 2007-08-23 2012-03-07 济南钢铁集团总公司 基于柜位预测的钢铁企业煤气动态平衡实时控制方法
TWI349867B (en) * 2008-05-20 2011-10-01 Univ Nat Cheng Kung Server and system and method for automatic virtual metrology
TW201021357A (en) 2008-11-21 2010-06-01 Lealea Technology Co Ltd Power monitoring platform system
TWM356944U (en) 2008-11-21 2009-05-11 Lealea Technology Co Ltd Power monitoring platform device
CN102032443A (zh) 2009-09-27 2011-04-27 中国石油化工股份有限公司 气柜负荷预测设备和方法以及瓦斯调度系统和方法
CN102109837B (zh) 2009-12-24 2014-03-26 上海宝信软件股份有限公司 钢铁企业焦炉煤气柜位预测平衡方法
TW201135612A (en) 2010-04-06 2011-10-16 Kld Technology Co Ltd Demand control method via time-base recycle mode
CN102184453A (zh) 2011-05-16 2011-09-14 上海电气集团股份有限公司 基于模糊神经网络和支持向量机的风电功率组合预测方法
TW201324431A (zh) 2011-12-13 2013-06-16 Inst Information Industry 關聯式負載預測系統、方法及其記錄媒體
TW201403354A (zh) * 2012-07-03 2014-01-16 Univ Nat Taiwan Normal 以資料降維法及非線性算則建構中文文本可讀性數學模型之系統及其方法
CN103048058B (zh) * 2012-12-17 2014-12-10 中南大学 一种焦炉火道温度在线检测方法
TWI549007B (zh) 2013-02-07 2016-09-11 先知科技股份有限公司 製程參數的搜尋與分析方法及其電腦程式產品
TW201600981A (zh) * 2014-06-27 2016-01-01 力晶科技股份有限公司 監控根據複數個製程配方運作之製程狀態的方法暨其系統
CN104215591A (zh) 2014-09-25 2014-12-17 暨南大学 一种可见-近红外光谱无损判别的方法
CN104821082B (zh) * 2015-04-29 2017-01-18 电子科技大学 一种基于综合评价的短时交通流预测方法
CN104834977B (zh) * 2015-05-15 2018-02-27 浙江银江研究院有限公司 基于距离度量学习的交通警情等级预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101145030A (zh) * 2006-09-13 2008-03-19 新鼎系统股份有限公司 增加变量数量、获得其余的变量、维度鉴识与变量筛选的方法及系统
CN102289846A (zh) * 2011-09-08 2011-12-21 北京林业大学 一种基于广义参数化建模的树木模拟方法
CN104933012A (zh) * 2015-05-08 2015-09-23 西南交通大学 一种牵引变电所互感器的测量偏差故障在线识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于多元时序驱动的全流程故障预测方法研究;卢玉帅;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160315(第3期);I140-1264 *

Also Published As

Publication number Publication date
US10635741B2 (en) 2020-04-28
CN108090241A (zh) 2018-05-29
US20180143943A1 (en) 2018-05-24

Similar Documents

Publication Publication Date Title
CN110303380B (zh) 一种数控机床刀具剩余寿命预测方法
CN108090241B (zh) 连续性工艺的趋势变量鉴定方法与系统
CN112100745B (zh) 基于lda理论的汽车大梁钢力学性能预测方法
JP2008146621A (ja) 製品の品質改善条件解析装置、解析方法、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録媒体
CN112036089A (zh) 一种基于dpc-mnd和多元状态估计的磨煤机故障预警方法
KR102169452B1 (ko) IoT 기상환경 수집 데이터의 안정성 확보 방법
JP2012027683A (ja) 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体
CN117308275B (zh) 一种基于温差的管路连接异常检测方法及系统
CN108875169B (zh) 水面舰船装备用数字多用表的退化建模与寿命预测方法
CN112418522B (zh) 一种基于三支集成预测模型的工业加热炉钢温预测方法
CN117689270A (zh) 电力设备生产过程质量管理改进方法、系统及存储介质
JP4299508B2 (ja) 製造プロセスにおける操業と品質の関連分析装置、関連分析方法及びコンピュータ読み取り可能な記憶媒体
CN106647274B (zh) 一种连续生产过程中运行工况稳态判别方法
Havinga et al. Estimating product-to-product variations in metal forming using force measurements
JP4663808B2 (ja) プロセスパラメータ選択装置、プロセスパラメータ選択方法、プロセスパラメータ選択プログラム、プログラム記録媒体、および、上記プロセスパラメータ選択装置を含む製造工程管理装置
CN115985411A (zh) 基于高斯过程回归模型的高分子熔融指数软测量方法
CN113569970B (zh) 量化特征指标对标签影响的分析方法、系统、介质和终端
TWI623905B (zh) 連續性製程之趨勢變因鑑定方法與系統
CN115358137A (zh) 一种基于cnn-gru算法的轴承金属温度预测方法
San Cristóbal A Cost Forecasting model for a Vessel drydocking
CN114004044A (zh) 基于温度敏感点的机床主轴热误差快速辨识方法
CN114676868A (zh) 物流货量预测方法、装置、计算机设备和存储介质
CN118218414B (zh) 一种基于数字孪生模型的冷轧板形预设定控制方法
JP7012928B2 (ja) 状態変動検出装置及び状態変動検出用プログラム
Lee et al. A Machine Learning Program for Impact Fracture Analysis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant