CN109643085A - 实时工业设备生产预测和操作优化 - Google Patents
实时工业设备生产预测和操作优化 Download PDFInfo
- Publication number
- CN109643085A CN109643085A CN201680088673.4A CN201680088673A CN109643085A CN 109643085 A CN109643085 A CN 109643085A CN 201680088673 A CN201680088673 A CN 201680088673A CN 109643085 A CN109643085 A CN 109643085A
- Authority
- CN
- China
- Prior art keywords
- data
- parameter
- series
- subset
- production
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- 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
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
复杂化学车间中的化学产品的实时生产率的直接测量和模拟是复杂的。基于使用历史传感器数据和生产数据的机器学习算法而开发的预测模型提供了对化学车间中的化学产品的生产的准确实时预测。基于使用聚类的历史传感器数据和生产数据的机器学习算法的优化模型为生产最大化提供了可控制参数的最优值。
Description
技术领域
本公开涉及基于机器学习算法的化学车间中的化学产品的生产控制。
背景技术
诸如化学车间的工业设备是具有成百上千个用于监测车间的操作状态的分布式传感器的复杂系统。化学车间的操作者常常期望实时了解车间的化学产品的生产率。然而,在许多情况下,即使传感器参数可以被实时地测量和记录,也可能难以或不可能实时地对生产数据进行直接并且准确的测量。针对化学车间的最优预测控制,准确的数据很重要。由于化学车间的复杂性和混乱性质,使用所测量的传感器参数并且基于模拟技术来对生产数据进行预测可能是不准确的,甚至是不实际的。
附图说明
图1A示出了化学车间的示意图;
图1B示出了在图1A的化学车间的操作期间可以被收集的各种传感器参数;
图2示出了对化学车间进行预测性生产建模和最优控制的系统;
图3是对化学车间中的化学产品的生产的预测建模的实施例的处理流程图和数据图;
图4示出了未经过处理的化学车间的历史生产数据;
图5是用于对历史生产数据进行插值的方法的流程图;
图6示出了经插值的历史生产数据;
图7是基于卡尔曼滤波来减少经插值的历史生产数据的噪声和异常的流程图;
图8示出了在未经滤波的、经插值的历史生产数据与经卡尔曼滤波的、经插值的历史生产数据之间的比较;
图9是用于对经采样的历史传感器数据进行降维的方法的流程图;
图10是用于主成分分析的方法的流程图;
图11图示了对苯乙烯车间中的苯乙烯生产进行预测建模的传感器参数选择;
图12图示了基于机器学习算法而将数据分段成训练、测试和验证用数据集合以用于预测建模;
图13是基于机器学习算法进行产品指数建模的流程图;
图14图示了基于各种数据处理和机器学习算法开发的生产指数模型的预测准确度;
图15是针对最大化化学车间中的化学产品的生产而优化可控制参数的处理流程图和数据图;
图16图示了历史生产数据的聚类;以及
图17示出了针对图16的簇中的一个簇、使用模拟退火算法确定的最优控制参数的示例。
具体实施方式
化学车间是具有难以以准确方式来控制的动态性的复杂系统。化学车间的操作者可能仅能够经由诸如流量阀和加热器的多个控制设备对该车间内的化学过程施加有限的控制。由于化学反应过程的混乱性质,可以基于传统的域模型、使用与这些控制设备相关联的可控制参数来预测化学产品的生产率,但准确度较低。即使典型的化学车间被另外安装有大量的传感器来监测该车间的操作,仍然难以基于这些实时传感器数据来确切地建立用于大型反应器中的复杂化学过程的模拟模型。如下面将详细描述的,基于通过使用历史生产数据和对应的历史传感器数据的机器学习算法而建立的模型来更准确地预测化学品的生产率。虽然下面的实施例使用了苯乙烯车间中的苯乙烯生产作为示例,但根本原理不限于此并且旨在适用于其它化学车间和其它复杂的工业过程。
图1A示出了用于苯乙烯生产的示例性化学车间100的简化示意图,其包括热交换器102、反应器104、水/油分离器106、蒸馏系统108、储存塔110、和缓冲罐111。可以将乙烯、苯、或其它烃原料泵入热交换器102中,热交换器102可以包括用于加热烃混合物的加热元件103。例如,加热元件可以是穿过约束烃混合物的热交换腔的蛇形线或管的形式。反应器104包括用于从烃混合物或烃原料生产苯乙烯的反应腔。可以将其它材料(诸如各种催化剂)添加到反应器中以加速和最大化从烃化合物到苯乙烯的化学转换。可以通过水/油分离器106来引导含有苯乙烯和其它副产物的反应产品混合物,其中水从剩余的反应产物混合物被去除。可以在回路中进行水/油分离,其中包含苯乙烯的油组合物被收集到缓冲罐111中。然后,水从其分离的油组合物可以在蒸馏系统108中被蒸馏(水已经与其分离开)。油组合物中的各种成分可以进一步被分离并且被储存在储存塔110中。具体地,苯乙烯可以是蒸馏产物中的一个并且可以被储存在储存塔110中的储存罐中的一个储存罐中。
化学车间(诸如图1A中的100所示的化学车间)是复杂的系统并且通常被安装有数百个(如果不是数千个)用于整体地监测车间的各种子系统和设备的操作状态以及车间的传感器。这些传感器(例如,在苯乙烯车间中)可以包括但不限于热电偶(或其它温度感测设备)、压力传感器、和流量计。它们可以在整个车间的各种位置处被安装。例如,在图1A中,反应器104可以在该反应器不同的位置处被安装有热电偶118和120。流量计可以安装在车间各处,沿着由具有箭头的线所表示的化学流径,位于例如作为圆点示出的位置。本领域的普通技术人员理解,图1A的图示被极大地简化了,并且仅示出了成百或上千个传感器中的一些传感器作为示例。出于图示的目的,在图1B中示出了真实苯乙烯车间中记录的传感器参数子集的快照。这些传感器中的每个传感器测量一种参数。该测量可以按照各种预定频率(或时间间隔)而被自动进行和记录。然而,参数中的一些可能需要手动测量,而不是自动测量。因此,这些参数可能不会实时地获得。
尽管上述传感器为设备操作者提供了各种成分的状态的视图或快照,但可以安装其它装置以向操作者提供对设备操作的控制。例如,可以通过被安装在系统中的各种阀门(诸如图1A的118和120)来控制气态或液体材料的流动。可以通过调谐例如热交换器102中的加热元件的加热功率来直接控制局部温度。传感器中的一些传感器接近于控制设备被安装,并且因此直接测量控制设备的效果。通过这些传感器测量的参数可以被称为可控制参数。例如,热电偶可以被安装在热交换器中靠近加热元件所在的位置。因此,通过该热电偶测量的参数可以是通过热交换器的加热元件而可控制的。针对另一示例,流量计可以被直接安装在调节某种化学品的流量的阀门后面。该流量计因此测量可控制参数,因为该参数与操作者所控制和调节的阀门直接相关。通过其它传感器测量的其它参数可以被称为不可控制参数,这是因为,虽然可能会受到可控制设备的影响,但它们不是靠近可控制设备,因此它们与可控制设备的调节最不相关。
某种化学品的实时生产通常是车间操作者期望了解的最关键数据之一。然而,可能无法容易地从任何直接测得的传感器参数实时地获得实时生产数据,诸如苯乙烯车间中苯乙烯的生产率。苯乙烯生产的准确估计可能涉及劳动密集地手动测量以及(仅可能被稀疏地进行的)产品的实验室分析。例如,在连续操作期间,在一些车间中每天仅手动估计几次苯乙烯的生产力(与“生产率”互换地使用)。进一步地,化学车间(诸如图1A的苯乙烯车间)是复杂的系统,涉及到通常是混乱的、并且不易被确切的数学描述的处理。例如,苯乙烯的生产力甚至可能不受全面得足以捕获设备中的必要动态以给出有意义的预测的模拟模型的影响。因此,准确的实时苯乙烯生产力估计无法依赖于直接测量或模拟。
在下面描述的实施例中,基于使用历史数据(该化学产品的历史传感器数据和手动测量的稀疏历史生产数据两者)的机器学习算法以及产生的预测模型(在本文被称为生产指数(PI)模型),可以将化学产品(诸如,苯乙烯)的生产准确估计为传感器参数的函数。使用PI模型,可以基于传感器参数子集实时地准确预测化学产品的生产力。车间操作者因此可以保持实时跟踪化学品(诸如苯乙烯)的生产。如本领域的普通技术人员将清楚的,整个传感器参数集合不是完全独立的。传感器参数也不是完全相关的。传感器参数中的一些传感器参数可能具有一定的相关性。例如,在反应器104不同位置处的两个热电偶118和120可能不是完全独立的。它们可能有一定的相关性,因为由一个热电偶测量的温度上升意味着另一热电偶测量的温度的一些其它量的延迟上升。如在本公开中的后文中会更清楚的,PI模型开发基本上保留了最独立的以及最弱相关的参数。如果一个参数与另一个参数强相关,那么可以从PI模型去除这些参数中的一个参数,因为由这些参数中的一个参数所提供的信息在很大程度上可能是冗余的。
进一步地,可以对历史数据进行建模以提取在实时可控制传感器参数与化学产品的生产之间的相关性。该相关性可以根据一些车间操作条件而变化。车间操作条件可以由一些其它关键的不可控制传感器参数(在本文中被称为操作条件传感器参数)的组合值来表示。因此,包括化学产品的历史传感器数据和历史生产数据的历史数据,可以基于操作条件传感器参数的值而被聚类。每个簇可以被建模以提供针对可控制传感器参数的最优值,以用于最大化化学产品的生产。因此,针对设备所处的对应操作条件、根据可控制传感器参数的最优值,化学车间的控制设备可以被调节。
基于机器学习算法的实时预测建模和实时生产优化可以被进一步组合以提供具有改进准确度的预测和优化,因为在根据优化模型的最优条件下,更多的历史传感器数据和历史生产数据在设备操作期间被收集。
图2示出了用于实现化学生产预测和优化的系统200。系统200包括计算子系统201和化学车间100。化学车间100包括过程控制设备202(本文互换地称为控制设备)和传感器204。这些控制设备和传感器在整个化学车间100中被安装。例如,控制设备202可以是用于控制处于各种气态或液体形式的化学品的流动的可调节阀门206,以及用于控制各种局部温度的加热器207。传感器204测量各种传感器参数并且可以包括可控制传感器208(诸如热电偶210和压力传感器212)。这些可控制传感器监测受过程控制设备202直接控制的可控制参数。传感器204还可以包括其它传感器,诸如测量在不受控制设备202直接控制的位置处的参数的热电偶216和压力传感器218。
计算子系统201可以包括数据库220、通信网络222、电路系统224、控制通信接口226、用户界面228、和数据通信接口230。数据库220可以保持历史传感器数据和历史生产数据并且可以经由通信网络222与电路系统224通信。计算机网络可以是本领域中已知的或未知的任何类型的有线或无线网络。电路系统224可以经由控制通信接口226与化学车间100的控制设备202通信。电路系统224还可以经由数据通信接口230与化学车间100的传感器204通信并且获得实时测量的传感器参数。电路系统224还可以经由用户界面228获得来自用户的输入以及向用户显示数据。
电路系统224可以包括硬件、软件和数据结构,该硬件、软件和数据结构被设计用于开发化学产品的生产的预测模型和聚类优化模型,以用于最大化化学产品的生产。电路系统224可以包括一个或多个处理器232和存储器234。存储器可以存储可由CPU 232执行的程序指令236、用于化学产品的传感器数据和生产数据238(包括历史数据和实时数据两者)、用于对化学产品的生产进行实时预测的产品指数(PI)模型240、聚类模型242、以及针对每个簇的最优可控制参数值244。
图3图示了用于基于使用历史传感器数据和历史生产数据的机器学习算法来开发预测模型的示例性实施方式。图3是建立预测模型的流程图和各种数据的依赖关系图两者。图3分开跟踪传感器参数的历史传感器数据和例如苯乙烯生产的历史生产数据。如早前所描述的,虽然可以自动地测量以及相对频繁地从各种传感器获取历史传感器数据,但是历史生产数据测量可能是间接的、手动的并且劳动密集型的,并且因此不会经常获得历史生产数据。例如,在用于生产化学产品的化学车间的操作期间,可以每秒或每分钟记录典型的历史传感器数据,而可以通过化学测试和分析而更不频繁地获得并记录历史生产数据,例如,每8小时。
在图3的框302和框304中,从图2中的220的历史数据库分别获得历史传感器数据和历史生产数据两者。针对基于使用历史数据的机器学习算法来建立用于化学产品的生产的准确预测模型,在被用于建模之前,历史传感器数据和历史生产数据被优选地归一化成相同的时间戳系列。因此,可以执行历史传感器数据的时间采样和历史生产数据的时间插值的组合,以提供归一化时间戳的历史数据集合。例如,归一化时间戳可以与以每小时为基础的历史数据相对应。因此,在框306中,按照较高频率测量的历史传感器数据的采样可以是在时间上的简单下采样。在框308中,对稀疏的历史生产数据的插值可以基于各种插值算法,诸如将在下文更详细描述的局部加权散点图平滑(LOWESS)算法。在框306和308中的处理之后,所有传感器参数的经采样的历史传感器数据314和经修改的生产数据310被置于在公共的预定义时间戳的系列312上。
在框316中,基于例如卡尔曼滤波算法(如将在下文被更详细描述的)进一步处理经修改的生产数据,以用于减少噪声和异常。具体地,异常历史生产数据(由于例如生产数据的手动估计和记录中的人为误差)会对预测模型的准确度有不利影响,并且可以基于诸如卡尔曼滤波的算法而被有效地识别和校正。噪声和异常被减少的、经修改的生产数据(本文被称为经滤波的生产数据322)在框316之后被获得。
在框320中,可以使用降维算法来减少参数的数目,诸如主成分分析(PCA)和随机森林算法(RFA),两者将在下文被更详细地描述。这些降维算法探寻在传感器参数之间的相关性和依赖性,排序并且仅保留影响经滤波的生产数据的最独立的参数。作为降维的结果,所有传感器参数的经时间采样的历史传感器数据被减少成相同公共时间戳下的、经采样的历史传感器数据子系列324,但其中许多参数被去除。
在框326中,可以使用机器学习算法来建立预测模型或生产指数(PI)模型,该机器学习算法使用经采样的历史传感器数据子系列324和经滤波的生产数据322。去往所建立的PI模型的输入可以是在320的降维之后保留的传感器参数。PI模型的预测输出可以是针对化学产品的预测生产。PI模型的建立可以基于例如广义线性回归建模(GLRM)技术(将在下文被更详细地描述)。
在框330中,可以从化学车间获得针对降维的传感器参数的实时测量。可以在框330中将实时传感器数据输入到PI模型中。因此可以基于PI模型获得预测的实时生产332。
图4示出了在图3中的PI模型建立中可以被用作训练数据的示例性历史生产数据。例如,图4所示的数据是在苯乙烯车间的操作时段期间经由每8小时的手动分析而获得的苯乙烯生产的历史数据。数据集合402通过在图1的检测点116处执行的手动分析而被获得,而数据集合404通过在图1的检测点114处的手动分析而被获得。
图5示出了针对历史生产数据(诸如图4的402和404)的图3的时间插值步骤308的示例实施方式。为了导出准确的预测模型,可以在模型开发之前对稀疏的历史数据(诸如上述手动获得的生产数据)进行时间插值以在稀疏时间戳之间补充数据,使得这些参数以与具有所选的采样频率(诸如每个小时一个数据点)的经采样的历史传感器数据相同的时间戳而出现。可以使用各种算法来对数据进行插值。例如,该插值可以基于一些局部回归算法。具体地,该插值可以基于局部加权散点图平滑(LOWESS)(也被称为局部加权多项式回归)。
具体地,如图5和框502中所示,获得稀疏历史生产数据,作为用于时间插值的输入。在步骤504中,确定时间网格。例如,时间网格可以对应于在其历史数据被采集期间的车间的操作时间段中的每个小时。然后,针对时间网格中的各个点,可以在框512处执行基于低次多项式(其中多项式次数在框506中被确定)的拟合,其中说明变量值(在这种情况下是时间变量)靠近其响应正在被插值的点。该拟合使用数据的局部子集,该子集的大小(就在将被插值的数据点附近有多少时间网格点可以被使用而言)在框508中被确定。可以在框510中确定加权函数。例如,对更靠近其响应正在被估计的点的点,可以给予更大的权重。在LOWESS中可以使用任何加权函数以用于加权邻近的数据点。例如,可以使用三次方加权函数。然后,通过使用针对该数据点的说明变量(针对本公开的目的,该单个说明变量是时间变量)值来评估局部多项式,获得针对该点的回归函数的值。
可以在框506中确定局部多项式拟合的次数。对数据的各个子集的局部多项式拟合可以是低阶的,例如,一次(线性的)或二次(second degree)(二次的(quadratic))。0次多项式使LOWESS变成加权移动平均,该加权移动平均针对一些情形可以良好的工作,但可能并非始终能很好地接近底层函数。另一方面,具有次数高于二次的多项式可以产生更适合于全局估计而非局部估计的模型,并且这种多项式作为数字上不稳定的局部回归有过度拟合的趋向。
可以在框508处通过最近邻确定算法来确定在LOESS中被用于各次加权最小二乘拟合的数据的局部子集。在每次加权最小二乘拟合中使用的数据子集包括数据集合中的一部分点。大的部分产生最平滑的函数,最平滑的函数响应于数据中的波动而摆动最小。更小的部分提供更符合数据的回归函数。本领域的普通技术人员会理解,太小的数据子集可能不是期望的,因为回归函数最终将趋向于对数据中的随机噪声建模。因此,数据子集的有用大小可以是,例如,总数据集合的0.25至0.5。
图6示出了基于LOWESS在预定时间网格(每个小时一个数据点)上的、图4的历史生产数据(即图3的经修改的生产数据)的插值结果。具体地,602示出了与在图1的检测点116处分析的历史生产数据对应的经插值的历史生产数据,而604示出了与在图1的检测点114处分析的历史生产数据对应的经插值的历史生产数据。经修改的生产数据是具有公共时间戳(例如,在设备操作期间的每小时)的生产数据时间系列,其具有传感器参数的经采样的历史传感器数据(即,图3的314)。
在图3的框316中的,经修改的生产数据的噪声和异常减少步骤可以基于各种噪声滤波算法。例如,经修改的生产数据的噪声和异常减少可以基于卡尔曼滤波。经修改的生产数据中的噪声和异常(尤其是分析和记录中的人为误差)可能会严重影响基于回归算法的最终模型建立的质量和准确度。回归建模技术中的一些回归建模技术,诸如随机森林回归,可以对统计噪声或数据异常非常敏感。其它回归模型技术,诸如广义线性回归建模(GLRM),可能对数据中的这些噪声和异常没那么敏感,但如果在建模之前对噪声和数据异常进行滤波,则仍可以提高建模准确度。
例如,可以使用卡尔曼滤波来预处理经修改的生产数据。在这种情况下,卡尔曼滤波器递归地使用时间上从一个状态到另一个状态的系统的运动定律以及多个顺序的、经修改的生产数据(被视为测量)来形成从一个时间到下一个时间的系统的状态的估计。通过卡尔曼滤波器的估计(被称为所估计的生产数据)比单独的任何一个测量(经修改的生产数据中的数据,也被称为所测量的生产数据)更好,因为未考虑到的外部因素可能将不确定性引入到所测量的(即,经修改的)生产数据中。这些外部因素可能是因为在处理传感器(其数据被用于手动导出历史生产数据(例如,在复杂的化学反应塔中,这尤其是真的))中的历史生产数据和噪声时的人为分析或记录误差。因为数据中的异常通常不会重复发生,所以,除仅测量的(经修改的)生产数据之外,可以通过基于系统的运动定律考虑从一个时间到下一个时间的生产数据的预测能力来将异常减少到一定程度。基于运动定律从先前时间预测的一个时间的生产数据被称为所预测的生产数据。所估计的特定时间的生产数据可以基于针对该时间的所测量的生产数据和所预测的生产数据的加权线性组合。这种所估计的生产数据可以含有噪声和异常。
作为时间的函数的经修改的生产数据具有单个状态变量,即生产(或生产率、或生产力,被互换地使用)。因此此处的卡尔曼滤波问题是一维问题。下面的实施方式描述了卡尔曼滤波器的示例性使用,该卡尔曼滤波器用来基于在时间tK处的所测量的生产数据、以及从所估计的生产数据和其在时间tK-1处的方差预测的生产数据来获得时间tK处的更好的所估计的生产数据。在本公开中给出的特定示例中,tK与tK-1之间的时间差为一个小时。此处,…、K-1、K、K+1、…表示在经插值的生产数据(即,经修改的生产数据,被视为所测量的生产数据)的时间系列内的编号。该算法保持针对所估计的、所测量的和所预测的生产数据在每个时间处的局部方差的跟踪,如将在下文的描述中会变清楚的。这些方差用具有合适下标的V表示。
图7图示了在递归过程中对经修改的生产数据进行卡尔曼滤波的示例性流程图。在框704中,K被设置为2。即,卡尔曼滤波过程开始于:通过将经修改的生产数据中的第一数据点(K=1)用作针对K=1的所估计的生产数据,来估计经修改的生产数据的时间系列中的第二点(K=2)。因此,在框706中,针对t1的所估计的生产数据的值(由E(t1)表示)由所测量的生产数据M(t1)给出,并且在t1处的所估计的生产数据的局部方差(VE(t1))由基于预设数目的邻近的(在时间上)所测量的生产数据计算的所测量的生产数据VM(t1)的局部方差给出。例如,可以被定义为在预定数目的局部点之中的差值平方之和。
在框708中,基于针对生产数据在时间上的运动定律,将所估计的生产数据E(tk-1)以及其局部方差VE(tk-1)转换成针对tk的所预测的生产数据以及其方差,即P(tk)以及其局部方差VP(tk)。作为示例,针对生产数据的在时间上的运动定律可以通过运行对所测量的生产数据的预定义的平滑(例如,20个点的运行平均)而被确定。在框710中,获得所测量的生产数据M(tk)并且使用预定数目的、邻近的所测量的生产数据来计算其局部方差VM(tk)。在框712中,将所预测的方差VP(tk)和所测量的方差VM(tk)组合成卡尔曼增益:
G(tk)=VP(tk)/(VP(tk)+VM(tk)).
卡尔曼增益因此在0与1之间。当测量局部方差在tk处较大时(例如,在tk附近存在数据异常),则卡尔曼增益接近0。但是,如果测量是准确的(小噪声并且无异常),具有小的局部方差,则卡尔曼增益将接近1。在框714中,针对tk的所估计的生产(即,E(tk))以及其局部方差VE(tk)如下被获得:
E(tk)=P(tk)+G(tk)(M(tk)-P(tk))
VE(tk)=VP(tk)(1-G(tk))
因此,所预测的生产数据P(tk)(从E(tk-1)预测的)和所测量的生产M(tk)两者在获得所估计的生产数据E(tk)中被考虑。所估计的生产数据E(tk)因此介于所预测的生产数据P(tk)与所测量的生产M(tk)之间并且是它们的加权平均值。所测量的数据噪声越大(并且因此,卡尔曼增益越小),被置于所预测的生产数据P(tk)上的权重越大并且被置于所测量的生产数据M(tk)上的权重越小。
tk处的估计方差(即,VE(tk))通过(1-G(tk))而从预测方差VP(tk)被减少。因此,所测量的数据越干净(G(tk)朝着1更大),所估计的方差VP(tk)越小。
上文的过程运行经过整个所测量的生产数据集合(针对第一次迭代,该所测量的生产数据集合将是经修改的生产数据集合)以获得新的所估计的生产数据系列,如通过执行框716、718并且回到框708所形成的回路所图示。该新的所估计的生产数据系列然后可以被视为所测量的数据,如框724所示,并且针对第二轮、第三轮等,可以迭代地执行上述过程。在每轮结束时并且在框720中,可以计算整个新的所估计的生产数据系列的全局方差。在框722中将全局方差与预定的全局方差阈值比较。如果全局方差小于预定的全局方差阈值,则迭代过程在框728处停止。否则,如由回路箭头726所示,执行下一轮的卡尔曼滤波。最终的所估计的生产数据的时间系列(E(t))可以被设定为图1的经滤波的生产数据322并且可以被用于基于图3的框326中的机器学习算法进行预测模型开发。
图8示出了经修改的生产数据802和使用上述卡尔曼滤波的对应的经滤波的生产数据804的示例。经滤波的生产数据遵循经修改的生产数据中的主要数据趋势。噪声和数据异常(例如,如806所指示的)被有效地减少。
回到图3,经采样的历史传感器数据314可以包含用于来自在设备中分布的各种传感器的成百或上千个参数的数据。基于使用所有参数的机器学习算法来建立用于化学产品的生产的预测模型可能是不必要的且并在计算上是不可能的。另外,基于所有这些参数的机器学习算法将有可能导致过度拟合,过度拟合对数据中的噪声而非真实的特征进行建模。基于所有传感器参数对化学产品的生产建模也是不必要的,这是因为并非所有的参数是独立的并且在这些参数中可能会存在各种相关性,如上所述。
可以使用降维技术来探寻上千个参数之间的相关性,并且然后可以使用数目被减少的参数的最终集合来进行预测模型开发。这些技术包括但不限于主成分分析(PCA)、随机森林算法(RFA)和多维尺度(MDS)。降维可以基于单个方法或这些各种方法的组合。例如,图9图示了基于RFA和PCA的组合执行降维的步骤。具体地,在框902和904中,分别地并且单独地,使用RFA和PCA来减少参数的数目。在框906中,可以将产生的两种减少的参数集合相比较来获得公共参数集合。该公共参数集合(在本文称为图3的经采样的历史传感器数据324的子系列)与图3的经滤波的生产数据322结合可以被用作预测模型开发的语料库。
例如,PCA将数据的维度减少到原始参数的更小数目的正交线性组合。图10示出了PCA的示例性流程图。具体地,在框1002中,获得经采样的历史传感器数据。在框1004中,可以计算任何两个传感器参数之间的协方差。假设在经采样的历史传感器数据集合中存在x个传感器参数和N个时隙(因此,针对各个传感器参数的传感器数据系列包含N个数据)。例如,可以如下定义在第i个和第j个传感器参数Si和Sj之间的协方差:
其中,和分别是第i个和第j个参数的平均值。矩阵Vij因此表示用于经采样的历史传感器参数的x乘以x的协方差矩阵并且在框1006中被建立。在框1008中,可以计算该协方差矩阵的特征值和对应的特征向量。在框1010中,可以选择具有更高特征值的特征向量作为线性主成分(LPC)并且可以丢弃剩余的特征向量。例如,可以保留x个特征值和对应的LPC。每个特征向量是x个传感器参数的线性组合。具有更高特征值的这些LPC可以阐释绝大多数方差。通过特征值分解,经采样的历史传感器数据的总方差等于方差矩阵Vij的特征值之和。可以通过指定方差百分比阈值,并且要求y个保留的特征值之和比所指定的方差百分比阈值占所有特征值之和的更高比例,来确定将被保留的具有更高特征值的LPC的数目x。
LPC是在很大程度上不相关的新变量(被构建成原始x个传感器参数的线性组合)并且不必然对应于有意义的物理量。在框1012中,可以进一步确定减少的z个物理传感器参数的集合。例如,在具有更高特征值的协方差矩阵Vij的所选特征向量中,仅与更小数目(小于p)的物理传感器参数对应的成分才大于例如由专业的设备操作者预先确定的某个值。仅那些物理传感器参数才可能值得选择。进一步地,在与所选特征向量中的较大成分对应的物理传感器中,仍然可能会存在某种剩余的相关性。例如,两个传感器可能会非常靠近,因此它们所测得的参数可能会紧密相关。针对另一示例,气体压力和温度在腔中可能会紧密相关。可以通过检查所选的特征向量来识别这些相关性或者可以由专业的设备操作者提供这些相关性。这些物理传感器参数中的一些参数可能是多余的,并且因此可以进一步将其从所选的物理传感器参数中去除。作为框1012的结果,通过仅保留剩余的z个物理传感器参数,实现了降维。
在另一实施方式中,RFA可以被用于对采样历史传感器数据进行降维。可以使用决策树集成(也被称为随机森林)来进行选择,而非分类。例如,可以生成较浅的树。可以在经采样的历史传感器数据的一小部分上训练每个树。如果一个传感器参数经常被选择作为最优分裂,则其有可能是将保留的信息量大的特征。基于树的集成,通过针对一次分裂已经选择了传感器参数多少次以及针对这次分裂选择该传感器参数的树的级别,来计算各个传感器参数的分数。该分数量化传感器参数的预测能力。具有更高分数的传感器参数可以是最具有预测性的,并且因此被保留。可以将剩余的参数从经采样的历史传感器数据去除以获得经采样的历史传感器数据的子系列。
PCA和RFA降维中的一个或两者都可以被执行以及可以被用于提取与经滤波的生产数据最相关的传感器数据。例如,当使用PCA和RFA两者时,可以使用更高排名的参数的公共集合来进行进一步的预测建模。在一种实施方式中,PCA和RFA中的传感器参数的排名可以被分开地量化并且可以被组合作为加权平均排名。可以基于从上到下的加权平均排名来选择传感器参数。如图11所示,在对采样历史传感器数据和经滤波的生产数据的集合的一个示例性的PCA和RFA处理中,在通过PCA确定的258个排名最高的传感器参数(如1102所示)和在通过RFA确定的276个排名最高的传感器参数(如1104所示)中,77个参数重叠,如1106所示。可以使用加权平均对这77个重叠的参数进行排名并且可以选择甚至更小数目的排名较高的参数(例如,33个参数)来进行进一步地预测建模。
在一些另外的实施方式中,可以标识根据工程师和操作者在运行车间中的经验所确定的另一参数集合(如图11的1108所示)。在图11的特定示例中,这些参数中的四个参数与排名较高的PCA和RFA参数都重叠。可以优选的将所有这四个参数包括在针对预测建模所选择的33个参数中。
上面的卡尔曼滤波和降维的处理步骤的输出是经滤波的生产数据(图3的322)和经采样的历史传感器数据的降维子系列(图3的324)。生产指数(PI)然后可以是基于使用了各种算法的机器学习的模型。例如,可以使用广义线性回归建模(GLRM)。作为数据处理的初始步骤,基于使用历史数据的机器学习算法进行建模通常将历史数据分离成用于训练、测试、以及验证的数据集合。
图12示出了用于应用机器学习算法的数据分离示例。具体地,可以将经滤波的生产数据、和经采样的历史传感器数据的子系列划分成多个时间片段,诸如图12的片段1、2和3(出于简单起见,图12仅示出了经滤波的生产数据)。例如,可以将片段1用作训练语料库。在回归模型开发期间,可以将片段2用作测试数据集合。一旦完成模型开发,可以将片段3中的数据用于验证所开发的预测模型的质量和准确度。图12的片段3尤其适合作为用于PI模型的验证的数据,是因为与片段1和2不同,片段3中的数据在对应时段内在经滤波的苯乙烯生产数据中表现出较大的变化,指示了车间的操作条件的较大变化(有可能是由设备调谐引起的)。如果基于来自片段1和片段2的、相对更小变化的数据所开发的预测模型可以准确地预测片段3的生产数据,这将指示所开发的预测模型具有高质量。在该特定示例中,通过设备维护时段1202、1204和1206来分离数据片段1、2和3。设备维护时段1206尤其被延长并且涉及多次设备更换和更新。这样,片段3尤其适合作为用于基于片段1中的训练数据和片段2中的测试数据所开发的预测模型的验证数据集合。
本领域的普通技术人员会理解,尽管上文的实施方式在获得经采样的历史传感器数据和经滤波的生产数据之后将数据分成训练集合、测试集合和验证集合,但也可以更早地进行用于模型开发的数据分割,使得可以仅对训练和测试片段执行历史生产数据的插值和噪声滤波以及历史传感器数据的采样和降维。
可以使用各种机器学习算法来开发针对化学产品的生产指数(PI)。图13图示了通常的预测模型开发过程。在框1302中,选择机器学习回归算法。例如,机器学习算法可以基于广义线性回归建模(GLRM)。备选地,其可以基于随机森林回归(RFR)。这两种回归算法在本领域中是已知的。也可以设想其它回归算法。在框1304中,预测模型基于所选的机器学习算法而被构建并且被用于对验证数据集合进行预测。在框1306中,确定该预测是否符合预定准确度内的实际验证数据。如果预测模型不够准确,则在框1308中调节预测模型,并且在框1304中改善该模型。如果预测模型足够准确,则在框1310中将其设置作为PI并且预测建模过程结束。
针对PI的验证,将图12的片段3的经采样的历史传感器数据子系列输入到PI中并且针对所预测的生产数据产生输出。图14图示了使用基于上述机器学习算法的各种备选数据处理和选项所开发的PI的预测结果。例如,曲线1408是基于用于机器学习的GLRM并且在减少被用于训练的历史生产数据中的噪声和异常中使用的卡尔曼滤波。曲线1404是基于无卡尔曼滤波的RFR。曲线1406是基于无卡尔曼滤波的GLRM。与曲线1402中的所测量的生产数据相比,无卡尔曼滤波的RFR提供了最差的预测,而具有卡尔曼滤波的GLRM提供了极好的预测。无卡尔曼滤波的GLRM落到中间。表1中进一步图示了结果,表1列举了针对上面三种不同的预测模型图14的区域A、B、C和D的平均预测误差。
可以看出,针对相对稳定的区域(诸如区域A),在进行或不进行卡尔曼滤波下,GRM是极好的。针对变化较大(例如,由于设备调谐)的区域,诸如区域B,其中数据异常可能会降低建模准确度,卡尔曼滤波极大地有助于减少数据异常的影响并且产生更好的预测PI。
表1
现在转到生产优化,图15示出了确定针对化学产品的生产的可控制传感器参数的最优值的流程图。如上所述,并非所有的传感器参数是直接可控制的。进一步地,许多传感器参数在一定程度上是相关的。因此,即使传感器参数不是直接可控制的,但是其也可能受到旨在用于直接控制另一传感器参数的控制设备的调整的间接影响。参数之间的相关性在车间的不同操作条件下可以变化。操作条件由非常少的参数来表征,这些参数可以由有经验的工程师和设备操作者确定或者可以通过对历史生产数据和历史传感器数据进行分析而被确定。因此,用于最大化化学产品的生产的可控制参数的最优值可以基于聚类的历史数据(在本文被称为聚类参数)而针对每个操作条件被获得,聚类的历史数据根据的是若干操作条件确定参数的值。
在框1502和1504中,分别从历史记录数据库中获得传感器参数集合的历史传感器数据和历史生产数据。聚类参数在框1506中被确定。然后,在框1510中从历史传感器数据提取聚类参数的数据。在框1514中,基于聚类参数的值,将包括聚类参数的所提取的数据的历史传感器数据和历史生产数据分层地聚类到历史传感器和历史生产数据的簇中,簇1、2、…、M,如由1516、1518和1520所示的。在框1522中,针对每个簇,仅保留可控制参数的历史传感器数据。因此,在框1522中,将簇数据1516、1520和1520编辑为可控制参数的子集和历史生产数据1524。
在框1526中,使用用于确定控制参数的最优值的合适算法,来处理各个簇的经编辑的历史数据集合,以用于化学产品的最大的但却稳定的生产。作为示例性算法,可以使用模拟退火算法(SAA)以接近全局最优并且计算可控制参数的最优值。SAA被用于寻找作为控制参数的函数的、历史生产数据的最稳定的平坦期。最稳定的平坦期表示全局最大值。稳定的平坦期、而非作为可控制参数的函数的历史生产数据的指向峰(即使该指向峰高于该平坦期)被视为全局最大值,是因为在通过稳定平坦期确定的全局最大值下,化学产品的生产不对可控制参数过度敏感并且因此不要求对这些参数进行过度精确地控制,然而在峰状最大值的情况下,这些参数需要被精确地控制以保持生产。SAA可以基于本领域中已知的或未知的任何实施方式。
聚类过程的输出是每个簇的可控制参数的全局最优值,如图15的1528、1530和1532所示。这些值集合可以用作用于优化化学车间的操作的基础。例如,在框1534中,可以实时测量聚类参数并且基于框1514的聚类算法,所测量的值被指定有簇中的一个簇。一旦确定了簇指定,则可以在框1536中从1528、1530和1532选择对应的可控制参数的最优值。所选择的可控制参数值可以被用作用于调节车间中的控制设备的目标。图2的201的计算子系统对设备的控制设备的控制可以通过图2的控制通信接口226来进行。为了将控制参数维持在其目标值,可以使用反馈回路来调节对应的控制设备。
例如,图16示出了苯乙烯车间的历史生产数据的历史聚类。基于操作经验,在入口点(诸如图1的112)处的流速和温度被采用作为聚类参数。水平轴和垂直轴分别表示第一聚类参数和第二聚类参数。图16中的各个点表示第一聚类参数的值和第二聚类参数的值的组合。一旦在图16中标识了这两个参数的历史传感器数据中的所有组合,则可以使用聚类算法将两个聚类参数的整个空间划分成子区域。每个区域表示一个簇。为了避免基于假的和异常的数据点聚类,可以针对聚类算法设置条件。例如,可以规定每个簇的数据点的最小数目。
在图16的示例中,第一参数和第二参数的历史传感器数据最多地分散在第一聚类参数周围。因此,可以通过垂直线分开产生的簇,如1602、1604、1606、1608和1610所示。对应地,将聚类参数的值聚类到簇1612、1614、1616、1618、1620和1622中。本领域的普通技术人员会理解,聚类算法可以基于多于两个的聚类参数。另外,取决于聚类参数的值的组合的分布,簇的划分线可以比图16所示的简单分割竖线更不规则。
针对其中遵循图16分割历史数据的示例性苯乙烯车间,经编辑的历史传感器数据包含13个可控制参数。表2示出了通过SAA确定的、图16的簇1612的这13个可控制参数的最大值、最小值和最优值。图17在对应的雷达图中示出了归一化的结果。具体地,外线、中间线和内线分别示出了簇1612的这13个可控制参数的最大值、最优值和最小值。因为SAA的目的是标识全局稳定的最大值,所以最优值不必对应绝对最大值,如表2和图17清楚地示出的。
表2
可控制参数 | 最大值 | 最小值 | 最优值 |
参数1 | 51050.30567 | 41442.25 | 49610 |
参数2 | 13918.21973 | 12207.81533 | 12750 |
参数3 | 109.74961 | 71.68504 | 89.16 |
参数4 | 56421.33906 | 32699.88 | 53050 |
参数5 | 14463.42 | 10985.80508 | 11242.2 |
参数6 | 128.2812 | 96.69752464 | 99.08 |
参数7 | 621.5180298 | 606.0794 | 623.7 |
参数8 | 625.2211639 | 612.1578 | 621.8 |
参数9 | 801.2750702 | 751.7804 | 795.6 |
参数10 | 45.59494495 | 15.93115 | 45.43 |
参数11 | 1.356515938 | 1.143650591 | 1.1794 |
参数12 | 13.85422173 | 11.92081356 | 13.11 |
可以以许多不同的方式以及以硬件和软件的许多不同组合来实现上述方法、设备、处理、框架、电路系统和逻辑。例如,实施方式的全部或部分可以是图2所示的包括图1的指令处理器232(诸如中央处理器(CPU)、微控制器或微处理器)的电路系统224;或者作为专用集成电路(ASIC)、可编程逻辑器件(PLD)、或现场可编程门阵列(FPGA);或者作为包括离散逻辑或其它电路组件(包括模拟电路组件、数字电路组件或两者)的电路系统;或其任何组合。作为示例,电路系统可以包括离散互连的硬件组件或者可以被组合在单个集成电路管芯上、被分布在多个集成电路裸片之间、或被实现在公共封装中的多个集成电路管芯的多芯片模块(MCM)中。
相应地,电路系统可以存储或访问指令以用于执行,或者可以单独地在硬件中实现其功能。指令可以存储在除临时性信号之外的有形存储介质中,诸如闪存、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM);或者可以被存储在磁盘或光盘上,诸如压缩式光盘只读存储器(CDROM)、硬盘驱动器(HDD)、或者其它磁盘或光盘;或者可以被存储在另一机器可读介质中或上。产品(诸如计算机程序产品)可以包括存储介质和被存储在该介质中或上的指令,并且该指令在由设备中的电路系统执行时可以使得该装置实现上面描述的或图中图示的处理中的任何处理。
实施方式可以是分布式的。例如,电路系统可以包括多个有区别的系统组件,诸如多个处理器和存储器,并且可以跨多个分布式处理系统。参数、数据库和其它数据结构可以被分开地存储和控制,可以并入到单个存储器或数据库中,可以以许多不同的方式从逻辑上和物理上被组织,并且可以以许多不同的方式被实现。示例实施方式包括链接的列表、程序变量、哈希表、阵列、记录(例如,数据库记录)、对象和隐式存储结构。指令可以形成单个程序的部分(例如,子例程或其它代码段),可以形成多个分开的程序,可以跨多个存储器和处理器而分布,并且可以以许多不同的方式实现。示例实施方式包括独立的程序,并且可以作为库的一部分,诸如共享的库,类如动态链接库(DLL)。例如,库可以包含共享的数据和一个或多个共享的程序,这些程序包括指令,该指令在由电路系统执行时执行上文描述的或图中图示的处理中的任何处理。
回到图2,通信接口(诸如图2的数据通信接口230和控制通信接口226)可以是经由计算机网络进行直接传送或通信的接口,该计算机网络可以与通信网络222相同或不同。本文的所有通信网络可以基于任何类型的连接,诸如Wi-Fi连接、蓝牙连接、近场频率通信连接、电信连接、互联网连接、有线以太网连接等,单独或组合。具体地,通信接口226和230可以包括无线发射器和接收器(“收发器”)和通过收发器的发射/接收电路系统使用的任何天线。比如,在IEEE802.11的任何版本下,例如802.11n或802.11ac,收发器和天线可以支持Wi-Fi网络通信。通信接口226和230也可以包括有线收发器。有线收发器可以为广泛的通信协议中的任何通信协议(诸如,以太网、有线传输数据业务接口规范(DOCSIS)、数字用户线(DSL)、同步光纤网络(SONET)或其它协议中的任何类型)提供物理层接口。
可选地,图2的计算子系统201还可以包括用于接受计算机可读介质的硬盘驱动单元。计算子可读介质可以包括指令的集合(该指令可由CPU 232执行)和/或计算机可读介质(该计算机可读介质可以被计算子系统201利用作为附加存储器存储)。
在特定实施例中,硬盘驱动单元可以包括计算机可读介质,一个或多个指令集合(诸如软件)可以被嵌入在该计算机可读介质中。进一步地,指令可以体现本文描述的方法、过程或逻辑中的一个或多个。在特定实施例中,指令在被计算子系统201执行期间可以完全地或部分地驻留在存储器234内。
根据本公开的各种实施例,可以通过可由计算机系统执行的软件程序来执行本文描述的方法。进一步地,在示例性的非限制性实施例中,实施方式可以包括分布式处理、组件/对象分布式处理、和并行处理。备选地,可以构件虚拟的计算机系统处理来实现本文描述的方法或功能中的一个或多个。
术语“计算机可读介质”包括单个介质或多个介质(诸如集中式数据库或分布式数据库)、和/或存储一个或多个指令集合的相关联的高速缓存和服务器。术语“计算机可读介质”还应包括能够存储、编码或携带用于由处理器执行的、或使得计算机系统执行本文描述的方法或操作中的任何一种或多种的指令集合的任何有形介质。
在特定非限制性的示例性实施例中,计算机可读介质可以包括固态存储器(诸如存储卡)或容纳一个或多个非易失性只读存储器(诸如闪存)的其它封装体。进一步地,计算机可读介质可以是随机存取存储器或其它易失性可重写存储器。另外,计算机可读介质可以包括磁光介质或光学介质,诸如用于捕获通过传输介质通信的信息的磁盘或磁带或其它存储设备。计算机可读介质可以是暂时性的或非暂时性的。
可以以许多不同的形式来体现本文描述的原理。然而,并不要求所有描述的组件,并且一些实施方式可以包括另外的组件。在不脱离本文阐述的权利要求书的精神或范围的情况下,可以对组件的布置和类型进行改变。可以提供另外的、不同的或更少的组件。
贯穿本说明书,对单数或复数形式的“一个示例”、“示例”、“多个示例”、“一个实施例”、“实施例”、“示例实施例”等的提及意味着在本公开的至少一个实施例或一个示例中包括结合实施例或示例描述的一个或多个特定特征、结构或特点。因此,在本说明书各处出现的单数或复数形式的短语“在一个实施例中”、“在实施例中”、“在示例实施例中”、“在一个示例中”、“在示例中”等并非都指相同的实施例或单个实施例。此外,可以按照任何合适的方式将特定特征、结构或特点组合在一个或多个实施例或示例中。
在本文的描述中使用的术语仅是出于描述特定的示例的目的,不旨在具有限制性。如本文所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非本文另有明确指示。同样,如本文的描述和随后的权利要求书中使用的,“在…中”的含义包括“在…中”和“在…上”,除非本文另有明确指示。还要理解,如本文使用的术语“和/或”是指且涵盖了相关联的列举项中的一个或多个的任何和所有可能的组合。还要进一步理解的是,术语“可以包括”、“包括(including)”、“包括(comprises)”和/或“包括(comprising)”在本说明书中使用时,规定了存在所说明的特征、操作、元件和/或组件,但不排除存在或添加一个或多个其它特征、操作、元件、组件和/或其群组。
应该注意,可以使用可执行程序代码在计算机设备的集合中执行在图中的流程图中图示的步骤。并且,虽然流程图中示出了示例逻辑顺序,但在一些状态下,步骤的顺序可以与图中的顺序不同。
当与附图结合时,在本公开的示例中的目的、技术建议和优点将通过以下详细说明而变得清楚和完整。下文描述的示例仅仅是本公开的部分示例,而不是所有示例。本领域的技术人员在不付出创造性劳动的情况下能够基于这些示例获得所有其它示例。
本公开中的表中公开的数字仅仅出于图示目的。数字可以具有可从本公开省略的测量单位。表中的图示性数字可以被用于图示针对设备操作安全性而对可控制参数的选择。每个数字的测量单位针对选择可控制参数可以是有关的或可以不是有关的。
应当理解,上文提供的所有示例仅仅是本公开的优选示例中的一些示例。针对本领域的技术人员,本公开旨在涵盖在本公开原理内包括的各种修改和等同布置。
Claims (20)
1.一种用于基于参数集合之中的子集来预测车间中的化学产品的实时生产的系统,所述参数集合中的每个参数由对应的传感器集合中的一个传感器按照对应的测量频率集合中的一个频率来监测,所述系统包括:
存储器;
通信接口;
与所述存储器和所述通信接口通信的电路系统,所述电路系统被配置为:
经由所述通信接口获取带有时间戳的历史传感器数据的多个系列,每个系列对应于通过所述传感器集合之中的对应传感器在时间段期间按照所述测量频率集合中的对应测量频率取得的所述参数集合中的一个参数;
在具有间接测量频率的所述时间段期间,获得针对所述化学产品的带有时间戳的、并且经间接测量的历史生产数据的系列,所述间接测量频率小于与所述参数集合对应的所述测量频率集合;
对所述参数集合的所述带有时间戳的历史传感器数据的多个系列进行采样,以获得所述参数集合中的具有公共采样时间戳系列的对应的、经采样的历史传感器数据的多个系列;
基于局部平滑算法对历史生产数据的所述系列进行插值,以获得具有时间戳系列的经修改的生产数据系列,所述时间戳序列对应于所述公共采样时间戳序列;
对所述经修改的生产数据系列进行滤波,以减少所述经修改的生产数据系列中的噪声或异常,并且获得经滤波的生产数据系列;
使用所述经滤波的生产数据系列对所述经采样的历史传感器数据的多个系列应用至少一个降维算法,以从所述参数集合中选择参数的所述子集以及对应选择的、经采样的历史传感器数据系列;
将用于所述化学产品的生产的预测模型开发为所选择的参数的所述子集和所述对应选择的、经采样的历史传感器数据序列的函数;
将所述预测模型存储在所述存储器中;
在所述化学产品的生产期间,从与参数的所述子集对应的传感器的子集获得实时读数;以及
基于所述预测模型和来自所述传感器的子集的参数的所述子集的所述实时读数,预测所述化学产品的生产。
2.根据权利要求1所述的系统,其中所述局部平滑算法是基于局部加权散点图平滑。
3.根据权利要求1所述的系统,其中对所述经修改的生产数据系列进行滤波以减少噪声或异常是基于卡尔曼滤波。
4.根据权利要求3所述的系统,其中所述卡尔曼滤波是一维的。
5.根据权利要求1所述的系统,其中所述至少一个降维算法包括随机森林算法(RFA)。
6.根据权利要求5所述的系统,其中所述至少一个降维算法还包括主成分分析(PCA)。
7.根据权利要求1所述的系统,其中所述至少一个降维算法包括PCA。
8.根据权利要求6所述的系统,其中所述RFA和所述PCA被分离地执行,并且参数的所述子集基于所述RFA和所述PCA两者而被选择。
9.根据权利要求1所述的系统,其中开发所述化学产品的生产的所述预测模型是基于广义线性回归。
10.一种用于基于参数集合之中的子集来预测车间中化学产品的实时生产的方法,所述参数集合中的每个参数由对应的传感器集合中的一个传感器按照对应的测量频率集合中的一个频率来监测,所述方法包括:
获取带有时间戳的历史传感器数据的多个系列,每个系列对应于通过所述传感器集合之中的对应传感器在时间段期间按照所述测量频率集合中的对应测量频率取得的所述参数集合中的一个参数;
在具有间接测量频率的所述时间段期间,获得针对所述化学产品的带有时间戳的、并且经间接测量的历史生产数据的系列,所述间接测量频率小于与所述参数集合对应的所述测量频率集合;
对所述参数集合的所述带有时间戳的历史传感器数据的多个系列进行采样,以获得所述参数集合中的具有公共采样时间戳系列的对应的、经采样的历史传感器数据的多个系列;
基于局部平滑算法对历史生产数据的所述系列进行插值,以获得具有时间戳系列的经修改的生产数据系列,所述时间戳序列对应于所述公共采样时间戳序列;
对所述经修改的生产数据系列进行滤波,以减少所述经修改的生产数据系列中的噪声或异常,并且获得经滤波的生产数据系列;
使用所述经滤波的生产数据系列对所述经采样的历史传感器数据的多个系列应用至少一个降维算法,以从所述参数集合中选择参数的所述子集以及对应选择的、经采样的历史传感器数据系列;
将用于所述化学产品的生产的预测模型开发为所选择的参数的所述子集和所述对应选择的、经采样的历史传感器数据序列的函数;
在所述化学产品的生产期间,从与参数的所述子集对应的传感器的子集获得实时读数;以及
基于所述预测模型和来自所述传感器的子集的参数的所述子集的所述实时读数,预测所述化学产品的生产。
11.根据权利要求10所述的方法,其中所述局部平滑算法是基于局部加权散点图平滑。
12.根据权利要求10所述的方法,其中对所述经修改的生产数据系列进行滤波以减少噪声或异常是基于卡尔曼滤波。
13.根据权利要求12所述的方法,其中所述卡尔曼滤波是一维的。
14.根据权利要求10所述的方法,其中所述至少一个降维算法包括随机森林算法(RFA)。
15.根据权利要求14所述的方法,其中所述至少一个降维算法还包括主成分分析(PCA)。
16.根据权利要求10所述的方法,其中所述至少一个降维算法包括PCA。
17.根据权利要求15所述的方法,其中所述RFA和所述PCA被分离地执行,并且参数的所述子集基于所述RFA和所述PCA两者而被选择。
18.根据权利要求10所述的方法,其中开发所述化学产品的生产的所述预测模型是基于广义线性回归。
19.一种用于通过控制参数集合之中的可控制参数子集来控制车间中的化学产品的生产的方法,所述参数集合中的每个参数由对应的传感器集合中的一个传感器来监测,所述方法包括:
获取历史传感器数据的多个时间系列,每个系列对应于通过所述传感器集合中的对应传感器取得的所述参数集合中的一个参数;
获得与所述参数集合的所述历史传感器数据的多个时间序列对应的、针对所述化学产品的历史生产数据的时间序列;
将所述参数集合之中的至少两个参数确定为聚类参数;
根据所述至少两个聚类参数来分层地聚类所述历史传感器数据的多个系列和对应的所述生产数据以获得数据簇集合,每个数据簇对应于所述聚类参数的值的范围,并且包括所述参数集合的历史传感器数据的多个子时间系列、以及所述化学产品的对应的历史生产数据的子时间系列;
针对所述数据簇集合中的每个数据簇:
从所述数据簇中的所述参数集合的所述历史传感器数据的多个子时间系列提取所述可控制参数子集的历史传感器数据的多个子时间系列的编辑集合;以及
针对所述数据簇,通过执行模拟退火算法来确定所述可控制参数子集中的每个控制参数的全局最优值,以用于优化所述化学产品的生产,所述模拟退火算法具有输入,所述输入包括所述可控制参数子集的历史传感器数据的多个子时间系列的所述编辑集合、以及所述化学产品的所述历史生产数据的子时间系列;
监测所述聚类参数的实时值;
确定与通过所述聚类参数的所述实时值确定的簇对应的、用于所述车间的实时操作条件;以及
针对所述实时操作条件,根据所述可控制参数子集的所述全局最优值来控制可调节控制设备的集合,以调节所述可控制参数子集。
20.根据权利要求19所述的方法,其中所述数据簇集合中的每个数据簇包括至少预定数目的时间条目。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2016/096386 WO2018035718A1 (en) | 2016-08-23 | 2016-08-23 | Real-time industrial plant production prediction and operation optimization |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109643085A true CN109643085A (zh) | 2019-04-16 |
CN109643085B CN109643085B (zh) | 2022-05-10 |
Family
ID=61246000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680088673.4A Active CN109643085B (zh) | 2016-08-23 | 2016-08-23 | 实时工业设备生产预测和操作优化 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11264121B2 (zh) |
CN (1) | CN109643085B (zh) |
WO (1) | WO2018035718A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833012A (zh) * | 2020-06-19 | 2020-10-27 | 联想(北京)有限公司 | 一种工业数据处理方法和装置 |
CN114846422A (zh) * | 2019-12-20 | 2022-08-02 | 巴斯夫欧洲公司 | 优化粉末生产 |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3392725B1 (de) * | 2017-04-21 | 2022-10-19 | Siemens Aktiengesellschaft | Vorschlagen und/oder erstellen von agenten in einem industriellen automatisierungssystem |
KR102025145B1 (ko) * | 2017-09-01 | 2019-09-25 | 두산중공업 주식회사 | 플랜트 데이터 예측 장치 및 방법 |
WO2019237108A1 (en) | 2018-06-08 | 2019-12-12 | Fluid Handling Llc | Optimal efficiency operation in parallel pumping system with machine learning |
US20220257043A1 (en) * | 2018-08-29 | 2022-08-18 | Breville USA, Inc. | Cooking device |
US10846651B2 (en) | 2018-08-31 | 2020-11-24 | Kinaxis Inc. | Analysis and correction of supply chain design through machine learning |
US10832196B2 (en) * | 2018-08-31 | 2020-11-10 | Kinaxis Inc. | Analysis and correction of supply chain design through machine learning |
JP7022085B2 (ja) * | 2019-01-29 | 2022-02-17 | 株式会社日立製作所 | 計画支援装置、計画支援方法、および、計画支援システム |
EP3696619A1 (en) | 2019-02-15 | 2020-08-19 | Basf Se | Determining operating conditions in chemical production plants |
JP2020155045A (ja) * | 2019-03-22 | 2020-09-24 | オムロン株式会社 | 生産管理装置、生産管理方法、および生産管理プログラム |
WO2021009689A1 (en) * | 2019-07-15 | 2021-01-21 | Abb Schweiz Ag | A method and system for controlling performance of a batch process in an industrial plant |
US11591936B2 (en) | 2019-09-04 | 2023-02-28 | Saudi Arabian Oil Company | Systems and methods for proactive operation of process facilities based on historical operations data |
CN114391153A (zh) * | 2019-09-06 | 2022-04-22 | 拜耳公司 | 用于生产工序的规划、维护、管理和优化的系统 |
WO2021048372A1 (de) | 2019-09-13 | 2021-03-18 | Hte Gmbh The High Throughput Experimentation Company | Verfahren und vorrichtung zur unterstützung der herstellung eines funktionsmaterials |
EP3886010A1 (en) * | 2020-03-26 | 2021-09-29 | Tata Consultancy Services Limited | System and method for calculating risk associated with failures in process plants |
BR112022021913A2 (pt) * | 2020-04-28 | 2022-12-13 | Buckman Laboratories Int Inc | Método implementado por computador para otimizar o fornecimento de um ou mais produtos para uma pluralidade de plantas industriais, sistema e sistema para otimizar o fornecimento de um ou mais produtos químicos para uma pluralidade de plantas industriais |
CA3185029A1 (en) * | 2020-05-26 | 2021-12-02 | Basf Se | Ai-system for flow chemistry |
EP3982217A1 (en) * | 2020-10-12 | 2022-04-13 | Robert Bosch GmbH | Method and system for monitoring a manufacturing process |
CN112882513B (zh) * | 2021-01-15 | 2022-01-28 | 青岛科技大学 | 一种适用于布洛芬傅克反应的精密温度控制装置及方法 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030139828A1 (en) * | 2002-01-18 | 2003-07-24 | Bruce Ferguson | System and method for pre-processing input data to a support vector machine |
EP0906593B1 (en) * | 1996-06-19 | 2003-07-30 | Arch Development Corporation | Industrial process surveillance system |
US20040147817A1 (en) * | 2002-11-06 | 2004-07-29 | Honeywell International Inc. | System and method for assessing the functional ability or medical condition of an actor |
US20060058898A1 (en) * | 2004-09-10 | 2006-03-16 | Emigholz Kenneth F | System and method for abnormal event detection in the operation of continuous industrial processes |
CN1942878A (zh) * | 2004-02-20 | 2007-04-04 | 数学工程公司 | 用于化学反应和生化过程的建模,模拟和分析的方法和设备 |
CN101187803A (zh) * | 2007-12-06 | 2008-05-28 | 宁波思华数据技术有限公司 | 基于数据挖掘技术的氨合成装置生产优化方法 |
US20100145891A1 (en) * | 2008-12-09 | 2010-06-10 | Sun Microsystems, Inc. | Generating extended data from a pattern-recognition model for a computer system |
US20100161810A1 (en) * | 2008-12-19 | 2010-06-24 | Sun Microsystems, Inc. | Generating a training data set for a pattern-recognition model for electronic prognostication for a computer system |
CN101777147A (zh) * | 2008-11-05 | 2010-07-14 | 埃森哲环球服务有限公司 | 预测建模 |
CN101842756A (zh) * | 2007-08-14 | 2010-09-22 | 国际壳牌研究有限公司 | 用于化工厂或精炼厂的连续、在线监视的系统与方法 |
CN101965569A (zh) * | 2008-03-06 | 2011-02-02 | 应用材料公司 | 用于控制设备工程系统的良品率预测反馈 |
CN102110187A (zh) * | 2009-12-28 | 2011-06-29 | 清华大学 | 一种基于pca和人工免疫系统的流程工业混合故障诊断方法和系统 |
US20120143800A1 (en) * | 2007-12-03 | 2012-06-07 | Zhou Charles C | Method and System for Knowledge Pattern Search and Analysis for Selecting Microorganisms Based on Desired Metabolic Property or Biological Behavior |
CN102750454A (zh) * | 2012-07-09 | 2012-10-24 | 浙江中控软件技术有限公司 | 一种氢气消耗预测值获取方法、装置及系统 |
US20130069792A1 (en) * | 2011-09-19 | 2013-03-21 | Fisher-Rosemount Systems, Inc. | Inferential process modeling, quality prediction and fault detection using multi-stage data segregation |
CN103198178A (zh) * | 2013-03-12 | 2013-07-10 | 沈阳化工大学 | 一种pvc聚合过程的软测量建模方法 |
CN103443296A (zh) * | 2011-07-18 | 2013-12-11 | Abb研究有限公司 | 用于控制熔化过程的方法和控制系统 |
US20140143188A1 (en) * | 2012-11-16 | 2014-05-22 | Genformatic, Llc | Method of machine learning, employing bayesian latent class inference: combining multiple genomic feature detection algorithms to produce an integrated genomic feature set with specificity, sensitivity and accuracy |
CN104062904A (zh) * | 2014-06-20 | 2014-09-24 | 南京工业大学 | 基于cca-pls的大化工过程分布式建模方法 |
CN104778298A (zh) * | 2015-01-26 | 2015-07-15 | 江南大学 | 基于egmm的高斯过程回归软测量建模方法 |
CN105122153A (zh) * | 2013-05-24 | 2015-12-02 | 哈利伯顿能源服务公司 | 用于油藏性能的改进估算的油藏历史匹配的方法和系统 |
CN105807741A (zh) * | 2016-03-09 | 2016-07-27 | 北京科技大学 | 一种工业生产流程预测方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0566805A (ja) * | 1990-03-09 | 1993-03-19 | Internatl Business Mach Corp <Ibm> | コンピユータ統合化製造システム |
SE522691C3 (sv) * | 2002-06-12 | 2004-04-07 | Abb Ab | Dynamisk on-line-optimering av produktionsprocesser |
US20060218107A1 (en) * | 2005-03-24 | 2006-09-28 | The University Of Tennessee Research Foundation | Method for controlling a product production process |
US9285794B2 (en) * | 2011-09-07 | 2016-03-15 | Exxonmobil Upstream Research Company | Drilling advisory systems and methods with decision trees for learning and application modes |
US8341106B1 (en) * | 2011-12-07 | 2012-12-25 | TaKaDu Ltd. | System and method for identifying related events in a resource network monitoring system |
KR20170053692A (ko) * | 2014-09-12 | 2017-05-16 | 지이 인텔리전트 플랫폼스 인코포레이티드 | 커널 회귀 모델의 앙상블을 위한 장치 및 방법 |
US20160165472A1 (en) * | 2014-12-09 | 2016-06-09 | Futurewei Technologies, Inc. | Analytics assisted self-organizing-network (SON) for coverage capacity optimization (CCO) |
US20160328654A1 (en) * | 2015-05-04 | 2016-11-10 | Agt International Gmbh | Anomaly detection for context-dependent data |
US10866939B2 (en) * | 2015-11-30 | 2020-12-15 | Micro Focus Llc | Alignment and deduplication of time-series datasets |
US11080613B1 (en) * | 2016-04-29 | 2021-08-03 | EMC IP Holding Company LLC | Process monitoring based on large-scale combination of time series data |
US10878336B2 (en) * | 2016-06-24 | 2020-12-29 | Intel Corporation | Technologies for detection of minority events |
-
2016
- 2016-08-23 WO PCT/CN2016/096386 patent/WO2018035718A1/en active Application Filing
- 2016-08-23 US US16/326,859 patent/US11264121B2/en active Active
- 2016-08-23 CN CN201680088673.4A patent/CN109643085B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0906593B1 (en) * | 1996-06-19 | 2003-07-30 | Arch Development Corporation | Industrial process surveillance system |
US20030139828A1 (en) * | 2002-01-18 | 2003-07-24 | Bruce Ferguson | System and method for pre-processing input data to a support vector machine |
US20040147817A1 (en) * | 2002-11-06 | 2004-07-29 | Honeywell International Inc. | System and method for assessing the functional ability or medical condition of an actor |
CN1942878A (zh) * | 2004-02-20 | 2007-04-04 | 数学工程公司 | 用于化学反应和生化过程的建模,模拟和分析的方法和设备 |
US20060058898A1 (en) * | 2004-09-10 | 2006-03-16 | Emigholz Kenneth F | System and method for abnormal event detection in the operation of continuous industrial processes |
CN101842756A (zh) * | 2007-08-14 | 2010-09-22 | 国际壳牌研究有限公司 | 用于化工厂或精炼厂的连续、在线监视的系统与方法 |
US20120143800A1 (en) * | 2007-12-03 | 2012-06-07 | Zhou Charles C | Method and System for Knowledge Pattern Search and Analysis for Selecting Microorganisms Based on Desired Metabolic Property or Biological Behavior |
CN101187803A (zh) * | 2007-12-06 | 2008-05-28 | 宁波思华数据技术有限公司 | 基于数据挖掘技术的氨合成装置生产优化方法 |
CN101965569A (zh) * | 2008-03-06 | 2011-02-02 | 应用材料公司 | 用于控制设备工程系统的良品率预测反馈 |
US20110166684A1 (en) * | 2008-03-06 | 2011-07-07 | James Moyne | Yield prediction feedback for controlling an equipment engineering system |
CN101777147A (zh) * | 2008-11-05 | 2010-07-14 | 埃森哲环球服务有限公司 | 预测建模 |
US20100145891A1 (en) * | 2008-12-09 | 2010-06-10 | Sun Microsystems, Inc. | Generating extended data from a pattern-recognition model for a computer system |
US20100161810A1 (en) * | 2008-12-19 | 2010-06-24 | Sun Microsystems, Inc. | Generating a training data set for a pattern-recognition model for electronic prognostication for a computer system |
CN102110187A (zh) * | 2009-12-28 | 2011-06-29 | 清华大学 | 一种基于pca和人工免疫系统的流程工业混合故障诊断方法和系统 |
CN103443296A (zh) * | 2011-07-18 | 2013-12-11 | Abb研究有限公司 | 用于控制熔化过程的方法和控制系统 |
US20130069792A1 (en) * | 2011-09-19 | 2013-03-21 | Fisher-Rosemount Systems, Inc. | Inferential process modeling, quality prediction and fault detection using multi-stage data segregation |
CN102750454A (zh) * | 2012-07-09 | 2012-10-24 | 浙江中控软件技术有限公司 | 一种氢气消耗预测值获取方法、装置及系统 |
US20140143188A1 (en) * | 2012-11-16 | 2014-05-22 | Genformatic, Llc | Method of machine learning, employing bayesian latent class inference: combining multiple genomic feature detection algorithms to produce an integrated genomic feature set with specificity, sensitivity and accuracy |
CN103198178A (zh) * | 2013-03-12 | 2013-07-10 | 沈阳化工大学 | 一种pvc聚合过程的软测量建模方法 |
CN105122153A (zh) * | 2013-05-24 | 2015-12-02 | 哈利伯顿能源服务公司 | 用于油藏性能的改进估算的油藏历史匹配的方法和系统 |
CN104062904A (zh) * | 2014-06-20 | 2014-09-24 | 南京工业大学 | 基于cca-pls的大化工过程分布式建模方法 |
CN104778298A (zh) * | 2015-01-26 | 2015-07-15 | 江南大学 | 基于egmm的高斯过程回归软测量建模方法 |
CN105807741A (zh) * | 2016-03-09 | 2016-07-27 | 北京科技大学 | 一种工业生产流程预测方法 |
Non-Patent Citations (2)
Title |
---|
K. WARNE ETAL .: "Development of a hybrid PCA-ANFIS measurement system for monitoring product quality in the coating industry", 《2004 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN AND CYBERNETICS》 * |
王云博: "基于实时数据库的煤化工生产监测系统设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114846422A (zh) * | 2019-12-20 | 2022-08-02 | 巴斯夫欧洲公司 | 优化粉末生产 |
CN111833012A (zh) * | 2020-06-19 | 2020-10-27 | 联想(北京)有限公司 | 一种工业数据处理方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
US11264121B2 (en) | 2022-03-01 |
CN109643085B (zh) | 2022-05-10 |
WO2018035718A1 (en) | 2018-03-01 |
US20190198136A1 (en) | 2019-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109643085A (zh) | 实时工业设备生产预测和操作优化 | |
US10921759B2 (en) | Computer system and method for monitoring key performance indicators (KPIs) online using time series pattern model | |
Hu et al. | Review of model-based and data-driven approaches for leak detection and location in water distribution systems | |
CA2689252C (en) | Methods and systems for predicting equipment operation | |
Tokdar et al. | Bayesian density regression with logistic Gaussian process and subspace projection | |
US20190318288A1 (en) | Computer Systems And Methods For Performing Root Cause Analysis And Building A Predictive Model For Rare Event Occurrences In Plant-Wide Operations | |
US8095484B2 (en) | System and method for automatic virtual metrology | |
US8200813B2 (en) | Monitoring device and a server | |
US8527223B2 (en) | Methods and systems for energy prognosis | |
KR101440304B1 (ko) | 예측 모델을 생성하기 위해 샘플들을 선별하는 방법 및 이의 컴퓨터 프로그램 프로덕트 | |
CN208834172U (zh) | 用于监测结构的状况的装置和处理器平台 | |
CN105593864B (zh) | 用于维护设备的分析设备退化 | |
JP6458403B2 (ja) | 予測モデル生成装置、予測モデル生成方法及びプログラム | |
KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
CN104952753A (zh) | 测量抽样方法 | |
US10450841B2 (en) | Methods for statistical prediction of well production and reserves | |
CN106796157A (zh) | 检测配送网络、特别是饮用水配送网络中的异常的方法 | |
CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
JP2023518862A (ja) | 油井最適化のためにワックス/水和物の蓄積を予測する油井モデルを開発・展開するためのシステムおよび方法 | |
JP7304698B2 (ja) | 水需要予測方法およびシステム | |
CN108492026A (zh) | 一种基于集成正交成分最优化回归分析的软测量方法 | |
Chan et al. | Melt index prediction with a mixture of Gaussian process regression with embedded clustering and variable selections | |
CN111191884A (zh) | 一种基于数据集距离评价样本集划分质量的方法 | |
Alimohammadi et al. | Predict the remaining useful life in HVAC filters using a hybrid strategy | |
CN117609756A (zh) | 一种基于区域特征的非一致性水文序列重构方法 |
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 |