CN116829785A - 推测装置、推测系统、推测程序以及推测方法 - Google Patents

推测装置、推测系统、推测程序以及推测方法 Download PDF

Info

Publication number
CN116829785A
CN116829785A CN202280014302.7A CN202280014302A CN116829785A CN 116829785 A CN116829785 A CN 116829785A CN 202280014302 A CN202280014302 A CN 202280014302A CN 116829785 A CN116829785 A CN 116829785A
Authority
CN
China
Prior art keywords
water system
parameter
result
estimation
relational model
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.)
Pending
Application number
CN202280014302.7A
Other languages
English (en)
Inventor
丰冈康广
田头昌树
桂仁树
原田要
日高胜彦
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.)
Kurita Water Industries Ltd
Original Assignee
Kurita Water Industries Ltd
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
Application filed by Kurita Water Industries Ltd filed Critical Kurita Water Industries Ltd
Publication of CN116829785A publication Critical patent/CN116829785A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/34—Paper
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
    • D—TEXTILES; PAPER
    • D21—PAPER-MAKING; PRODUCTION OF CELLULOSE
    • D21F—PAPER-MAKING MACHINES; METHODS OF PRODUCING PAPER THEREON
    • D21F1/00—Wet end of machines for making continuous webs of paper
    • D21F1/66—Pulp catching, de-watering, or recovering; Re-use of pulp-water
    • D—TEXTILES; PAPER
    • D21—PAPER-MAKING; PRODUCTION OF CELLULOSE
    • D21F—PAPER-MAKING MACHINES; METHODS OF PRODUCING PAPER THEREON
    • D21F7/00—Other details of machines for making continuous webs of paper
    • D21F7/02—Mechanical driving arrangements
    • D—TEXTILES; PAPER
    • D21—PAPER-MAKING; PRODUCTION OF CELLULOSE
    • D21G—CALENDERS; ACCESSORIES FOR PAPER-MAKING MACHINES
    • D21G9/00—Other accessories for paper-making machines
    • D21G9/0009—Paper-making control systems
    • D—TEXTILES; PAPER
    • D21—PAPER-MAKING; PRODUCTION OF CELLULOSE
    • D21J—FIBREBOARD; MANUFACTURE OF ARTICLES FROM CELLULOSIC FIBROUS SUSPENSIONS OR FROM PAPIER-MACHE
    • D21J7/00—Manufacture of hollow articles from fibre suspensions or papier-mâché by deposition of fibres in or on a wire-net mould
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G01N33/1806—Biological oxygen demand [BOD] or chemical oxygen demand [COD]
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2103/00—Nature of the water, waste water, sewage or sludge to be treated
    • C02F2103/26—Nature of the water, waste water, sewage or sludge to be treated from the processing of plants or parts thereof
    • C02F2103/28—Nature of the water, waste water, sewage or sludge to be treated from the processing of plants or parts thereof from the paper or cellulose industry
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/001—Upstream control, i.e. monitoring for predictive control
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/003—Downstream control, i.e. outlet monitoring, e.g. to check the treating agents, such as halogens or ozone, leaving the process
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/005—Processes using a programmable logic controller [PLC]
    • C02F2209/006—Processes using a programmable logic controller [PLC] comprising a software program or a logic diagram
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/02—Temperature
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/04—Oxidation reduction potential [ORP]
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/05—Conductivity or salinity
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/05—Conductivity or salinity
    • C02F2209/055—Hardness
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/06—Controlling or monitoring parameters in water treatment pH
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/08—Chemical Oxygen Demand [COD]; Biological Oxygen Demand [BOD]
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/09—Viscosity
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/10—Solids, e.g. total solids [TS], total suspended solids [TSS] or volatile solids [VS]
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/10—Solids, e.g. total solids [TS], total suspended solids [TSS] or volatile solids [VS]
    • C02F2209/105—Particle number, particle size or particle characterisation
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/11—Turbidity
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/23—O3
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/26—H2S
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/29—Chlorine compounds
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/36—Biological material, e.g. enzymes or ATP

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Medicinal Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Food Science & Technology (AREA)
  • Emergency Medicine (AREA)
  • Biomedical Technology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Molecular Biology (AREA)
  • Mechanical Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Hydrology & Water Resources (AREA)
  • Environmental & Geological Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • Organic Chemistry (AREA)
  • Paper (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

[课题]本发明提供一种推测装置、推测系统、推测程序以及推测方式，能够定量地推测水系中的故障的产生或通过水系所制造的产品的质量。[解决方案]根据本发明的一种方式，提供一种用于推测在水系中或从水系派生的今后可能产生的估计结果的推测装置。所述推测装置具备参数信息取得部、关系性模型信息取得部以及推测部。参数信息取得部取得参数信息，参数信息包含两个以上作为以下参数中的任一种参数：与水系的水质相关的水质参数；与水系、与水系相关的设备或者与水系中添加的原料的控制条件相关的控制参数；以及作为与估计结果具有不同含义的参数的结果参数，即，在与水系、与水系相关的设备或者与水系中添加的原料中，或者从水系、与水系相关的设备或者水系中添加的原料中派生而产生的结果相关的结果参数。关系性模型信息取得部取得事先作成的关系性模型信息，关系性模型信息表示估计结果或者与估计结果相关联的指标和两个以上参数的关系。推测部基于参数信息以及关系性模型信息来推测估计结果或者与估计结果相关联的指标。

Description

推测装置、推测系统、推测程序以及推测方法
技术领域
本发明涉及一种推测装置、推测系统、推测程序以及推测方法。
背景技术
以纸制品为首的各种产品由水系的工序被制造出来。在这样的工序中，从防止或减轻操作中的故障产生或者对产品的不良影响的观点出发，通常事先进行故障预测。
例如在纸制品的制造中，确认根据经验已知对故障或纸制品的质量造成影响的参数的当前值及其变化的倾向，执行各种操作的条件或添加至水系的药品的控制。
例如，专利文献1中提出了在制造纸的水系中测定与水质相关的两个以上的水质参数，并基于所述测定值来执行所述水系的水处理方法。由此，根据专利文献1所示的方法，能够实现高质量纸张的制造。
现有技术文献
专利文献
[专利文献1]国际公开第2012/070644号公报。
发明内容
发明所要解决的问题
在专利文献1中，没有公开定量地推测制造纸的水系中的故障产生或纸制品质量的方法。另一方面，为了更加精密地执行各种操作的条件或体系内添加的药品量的控制，需要对在水系中的故障产生或纸制品质量进行定量地推测。
鉴于以上情况，本发明提供一种推测装置、推测系统、推测程序以及推测方法，能够定量地推测水系中的故障产生或通过水系所制造的产品的质量。
用于解决课题的方案
根据本发明的一种方式，提供一种推测装置，用于推测在水系中或从水系派生的今后可能产生的估计结果。所述推测装置具备参数信息取得部、关系性模型信息取得部以及推测部。参数信息取得部取得参数信息，参数信息包含两个以上作为以下参数中的任一种参数：与水系的水质相关的水质参数；与水系、与水系相关的设备或者与水系中添加的原料的控制条件相关的控制参数；以及作为与估计结果具有不同含义的参数的结果参数，所述结果参数为在与水系、与水系相关的设备或者与水系中添加的原料中，或者从水系、与水系相关的设备或者水系中添加的原料中派生而产生的结果相关的结果参数。关系性模型信息取得部取得事先作成的关系性模型信息，关系性模型信息表示估计结果或者与估计结果相关联的指标和两个以上参数的关系。推测部基于参数信息以及关系性模型信息来推测估计结果或者与估计结果相关联的指标。
本发明也可通过以下所述的各种方式来提供。
在所述推测装置中，所述关系性模型是通过对与所述估计结果相当的事先确认结果或者与所述事先确认结果关联的指标与两个以上所述参数进行回归分析、时间序列分析、决策树、神经网络、贝叶斯、聚类或者集成学习而求出的模型。
在所述推测装置中，所述水系是制造纸制品的工序中的水系。
在所述推测装置中，所述水质参数是从以下构成的群中所选择的一种以上：所述水系的pH(Power of hydrogen；酸碱值)、电导率、氧化还原电位、界达电位(Zetapotential)、浊度、温度、泡沫高度、生化需氧量(Biochemical oxygen demand：BOD)、化学需氧量(Chemical oxygen demand：COD)、吸光度、颜色、粒度分布、凝集程度、异物量、水面的发泡面积、水中的污垢面积、气泡量、葡萄糖的量、有机酸的量、淀粉的量、钙的量、总氯的量、游离氯的量、溶解氧的量、阳离子要求量、硫化氢的量、过氧化氢的量以及体系内微生物的呼吸速度。
在所述推测装置中，所述控制参数是从以下构成的群中所选择的一种以上：抄纸机的运转速度(抄速)、原料脱水机的滤布转速、洗涤机的滤布转速、相对于所述水系的药品添加量、相对于所述水系中添加的原料的药品添加量、相对于所述水系相关设备的药品添加量、加热用的蒸汽量、加热用的蒸汽温度、加热用的蒸汽压力、来自种箱的流量、按压部分的压轧压力、按压部分的毛毡真空压力、造纸原料的配合比例、造纸原料的损纸配合量、造纸原料的筛子的网眼、打浆机的转子与定子间的间隙距离、游离度以及打浆度。
在所述推测装置中，所述结果参数是从以下构成的群中所选择的一种以上：所述纸制品的单位重量(米坪)、步留率、白水浓度、所述纸制品的含水率、制造所述纸制品的设备内的蒸汽量、制造所述纸制品的设备内的蒸汽温度、制造所述纸制品的设备内的蒸汽压力、纸制品的厚度、所述纸制品中的灰分浓度、所述纸制品的缺陷的种类、所述纸制品的缺陷数、工序内的断纸时期、游离度、打浆度以及曝气量。
一种推测系统，用于推测在水系中或从所述水系派生的今后可能产生的估计结果，并具备：参数信息取得部、关系性模型信息取得部以及推测部；所述参数信息取得部取得参数信息，所述参数信息包含两个以上作为以下参数中的任一种参数：与所述水系的水质相关的水质参数；与所述水系、与所述水系相关的设备或者与所述水系中添加的原料的控制条件相关的控制参数；以及作为与所述估计结果具有不同含义的参数的结果参数，所述结果参数为在与所述水系、与所述水系相关的设备或者与所述水系中添加的原料中，或者从所述水系、与所述水系相关的设备或者所述水系中添加的原料中派生而产生的结果相关的结果参数；所述关系性模型信息取得部取得事先作成的关系性模型信息，所述关系性模型信息表示所述估计结果或者与所述估计结果相关联的指标和两个以上所述参数的关系；所述推测部基于所述参数信息以及所述关系性模型信息来推测所述估计结果或者与所述估计结果相关联的指标。
一种推测程序，用于推测在水系中或从所述水系派生的今后可能产生的估计结果，并使计算机作为参数信息取得部、关系性模型信息取得部以及推测部发挥功能；所述参数信息取得部取得参数信息，所述参数信息包含两个以上作为以下参数中的任一种参数：与所述水系的水质相关的水质参数；与所述水系、与所述水系相关的设备或者与所述水系中添加的原料的控制条件相关的控制参数；以及作为与所述估计结果具有不同含义的参数的结果参数，所述结果参数为在与所述水系、与所述水系相关的设备或者与所述水系中添加的原料中，或者从所述水系、与所述水系相关的设备或者所述水系中添加的原料中派生而产生的结果相关的结果参数；所述关系性模型信息取得部取得事先作成的关系性模型信息，所述关系性模型信息表示所述估计结果或者与所述估计结果相关联的指标和两个以上所述参数的关系；所述推测部基于所述参数信息以及所述关系性模型信息来推测所述估计结果或者与所述估计结果相关联的指标。
一种推测方法，用于推测在水系中或从所述水系派生的今后可能产生的估计结果，并具备：参数信息取得工序、关系性模型信息取得工序以及推测工序；在所述参数信息取得工序中，取得参数信息，所述参数信息包含两个以上作为以下参数中的任一种参数：与所述水系的水质相关的水质参数；与所述水系、与所述水系相关的设备或者与所述水系中添加的原料的控制条件相关的控制参数；以及作为与所述估计结果具有不同含义的参数的结果参数，所述结果参数为在与所述水系、与所述水系相关的设备或者与所述水系中添加的原料中，或者从所述水系、与所述水系相关的设备或者所述水系中添加的原料中派生而产生的结果相关的结果参数；在所述关系性模型信息取得工序中，取得事先作成的关系性模型信息，所述关系性模型信息表示所述估计结果或者与所述估计结果相关联的指标和两个以上所述参数的关系；在所述推测工序中，基于所述参数信息以及所述关系性模型信息来推测所述估计结果或者与所述估计结果相关联的指标。
当然，并不仅限于此。
根据本发明，能够定量地推测水系中的故障的产生或通过水系所制造的产品的质量。
附图说明
图1是本实施方式的推测系统的概要图。
图2是表示本实施方式的推测装置的功能结构的概要示意图。
图3是表示本实施方式的推测装置的硬件结构的概要图。
图4是合计30组数据集(Data set)的故障发生次数A对与估计结果相关联的指标a的图。
图5是表示各参数对与估计结果相关联的指标a的影响大小的图。
图6是本实施方式的推测方法的流程图。
图7是实施例1中制造纸的设备的概要示意图。
图8是实施例1中合计572组数据集的缺陷数对缺陷指数α的图。
图9是表示各参数对缺陷指数的影响大小的图。
图10是实施例2中合计60组数据集的纸力剂使用量原单位对纸力指数值的图。
图11是表示各参数对纸力指数的影响大小的图。
图12是表示断纸的发生及断纸指数随时间推移变化的图。
图13是表示断纸的发生及断纸指数随时间推移变化的图。
图14是实施例4中制造纸的设备的概要示意图。
图15是实施例4中用于作成关系性模型的合计647组数据集的缺陷数对缺陷指数β值的图。
图16是实施例4中用于精度验证的合计255组数据集的缺陷数对缺陷指数β值的图。
图17是表示实施例4中从用于精度验证的合计255组数据集所算出的缺陷指数随时间推移变化的图。
图18是表示各参数对缺陷指数β的影响大小的图。
图19是实施例5中用于作成关系性模型的合计631组数据集的缺陷数对缺陷指数γ值的图。
图20是实施例5中用于精度验证的合计255组数据集的缺陷数对缺陷指数γ值的图。
图21是表示实施例5中从用于精度验证的合计271组数据集所算出的缺陷指数随时间推移变化的图。
图22是表示各参数对缺陷指数γ的影响大小的图。
图23是实施例6中用于作成关系性模型的合计1216组数据集的缺陷数对缺陷指数δ值的图。
图24是实施例6中用于精度验证的合计490组数据集的缺陷数对缺陷指数δ值的图。
图25是表示各参数对缺陷指数δ的影响大小的图。
图26是实施例7中用于作成关系性模型的合计1503组数据集的缺陷数对缺陷指数ε值的图。
图27是实施例7中用于精度验证的合计537组数据集的缺陷数对缺陷指数ε值的图。
图28是表示各参数对缺陷指数ε的影响大小的图。
具体实施方式
以下通过图式说明本发明的实施方式。以下实施方式中示出的各构成要素均可相互组合。
用于实现本实施方式中出现的软件的程序可作为计算机可读取的非暂时性存储介质(Non-Transitory Computer-Readable Medium)提供，或从外部服务器下载来提供，或者可提供为在外部计算机上启动程序并在客户终端上实现功能(即所谓云计算)。
此外，在本实施方式中，术语″部″包括例如通过广义的电路所实施的硬件资源与可通过所述硬件资源来具体实现的软件信息处理的组合。在本实施方式中处理各种信息，这些信息是例如代表电压或电流值信号值的物理值，或者由0或1所构成的二进制位集(Bitset)的信号值的高低，或者通过量子叠加来表示，且可在广义的电路上执行通信或运算。
广义的电路是通过至少适当地组合电路(Circuit)、电路系统(Circuitry)、处理器(Processor)以及内存(Memory)等来实现的电路。即，包含针对特定用途的集成电路(Application Specific Integrated Circuit；ASIC)、可程序化逻辑设备(例如，简单可程序化逻辑设备(Simple Programmable Logic Device；SPLD)、复合可程序化逻辑设备(Complex Programmable Logic Device；CPLD)以及现场可程序化逻辑门阵列(FieldProgrammable Gate Array；FPGA))等。
<推测系统>
本实施方式的推测系统是用于推测在水系中或从水系派生的今后可能产生的估计结果的推测系统。具体而言，所述推测系统具备参数信息取得部、关系性模型信息取得部以及推测部。其中，参数信息取得部取得参数信息，参数信息包含两个以上作为以下参数中的任一种参数：与水系的水质相关的水质参数；与水系、与水系相关的设备或者与水系中添加的原料的控制条件相关的控制参数；以及作为与估计结果具有不同含义的参数的结果参数，即，在与水系、与水系相关的设备或者与水系中添加的原料中，或者从水系、与水系相关的设备或者水系中添加的原料中派生而产生的结果相关的结果参数。关系性模型信息取得部取得事先作成的关系性模型信息，关系性模型信息表示估计结果或者与估计结果相关联的指标和两个以上参数的关系。推测部基于参数信息以及关系性模型信息来推测估计结果或者与估计结果相关联的指标。
另外，虽然不是必须构成要素，但本实施方式的推测系统也可具备关系性模型作成部及输出部的一方或双方。在以下说明的图1中，主要对具备全部这些要素的推测系统进行说明。
[推测系统的功能结构]
图1是本实施方式的推测系统的概要图。所述推测系统1具备推测装置2以及输出装置3。
其中，推测装置2控制推测系统1中用于推测的信息处理。图2是表示本实施方式的推测装置的功能结构的概要示意图。如图2所示，本实施方式的推测装置2是用于推测在水系W中或从水系W派生的今后可能产生的估计结果的推测装置，具备参数信息取得部21、关系性模型信息取得部22以及推测部23。此外，本实施方式的推测装置2还具备第二推测部24、关系性模型作成部25、第二关系性模型作成部26、第二关系性模型信息取得部27。以上各部在此被描述为包含在一个装置的内部，但各部也可分别作为不同装置被包含。输出装置3是输出部的示例，参数信息测定装置4是参数信息测定部的示例，但在以下说明中不作特别区分。
在此，″在水系中或从水系派生的今后可能产生的估计结果″中的所谓″在水系中今后可能产生的估计结果″，是指在运用并操作所述水系时，在所述水系所产生的结果，且根据作为对象的水系而不同，例如水系的闭塞、微生物的意外增加、起泡、气味的产生或恶化、生物化学的需氧量(BOD)的上升、(COD)的上升、悬浮物质(SS)的上升、浊度的上升、色度的上升、透视度的下降、脱水污泥量的增加、污泥饼含水率的上升、热交换器的效率下降、冷冻机的效率下降、冷水机的效率下降、冷却塔的效率下降、过滤器的滤材或活性炭的反洗频率的增加、过滤器的滤材或活性炭的交换频率的增加、膜(MF膜、UF膜、RO膜等)的洗净频率的增加、膜的交换频率的增加、离子交换树脂的再生频率的增加、离子交换树脂的交换频率的增加、设备或管道腐蚀(来自微生物污渍、余氯)、药品(消泡剂、排水凝集剂、凝结剂、COD低减剂、螯合剂、生物处理营养剂、污泥或淤泥脱水剂、薄膜防污剂、粘泥控制剂、防垢剂、食品防腐剂、清洁剂、pH调节剂(酸、碱)、缓冲剂、氧化剂、还原剂、离子交换树脂再生剂等)的增加等。此外，所谓″从水系派生的今后可能产生的估计结果″是指在运用并操作所述水系时，与所述水系相关并在所述水系以外产生的结果，且根据作为对象的水系而不同，例如产品性能的下降、产品的步留率的下降、不必要的副产品的增加等以及产品气味的变化等等。另外，所谓″与估计结果相关联的指标″是指与估计结果有一定相关关系的指标(例如，两个以上参数的函数)即可，其可能不是众所周知的指标，而可以由所述推测系统的使用者(操作员等)独自创建。
另外，作为造纸工序的″在水系中今后可能产生的估计结果″，可以例如为抄纸机的污渍、抄纸进程系统的污渍、白水回收系的污渍、泵空气咬合、筛网堵塞、抄速下降、线部分滤水不良、按压部分脱水不良、干燥部分干燥不良、水系内的气味、干燥工序中的剥离不良、阻塞系统的污渍、原料系的污渍等等。造纸工序的所谓″从水系派生的今后可能产生的估计结果″，可例如为与从所述水系所生产的纸制品相关的内容(缺陷数、纸力、接头率、尺寸度、透气度、平滑度、灰分量、色调、白色度、质地、气味、苛性化率、烧成率、卡巴值、游离度、水分率等)以及在水系以外可能产生的现象(按压部分至干燥部分中的断纸等)。
[推测系统的功能]
以下将对推测系统1的各部功能作具体说明。
[参数信息取得部]
参数信息取得部21取得参数信息，所述参数信息包含两个以上作为以下参数中的任一种参数：与水系W的水质相关的水质参数；与水系W、与水系W相关的设备或者与水系W中添加的原料的控制条件相关的控制参数；以及作为与估计结果具有不同含义的参数的结果参数，即，在与水系W、与水系W相关的设备或者与水系W中添加的原料中，或者从水系W、与水系W相关的设备或者水系W中添加的原料中派生而产生的结果相关的结果参数。
此处的水系并不限于存在于一个槽或流路中或存在连续的流动的水系，而可以是具有多个槽或流路的水系，具体而言，在流路中存在分支或多个流路的水的合流，或者以分批为单位从槽向槽移动，在中途实施处理的水系也在考虑范围之内。另外，与水质参数、控制参数或结果参数有关的水系被槽等区分时，只需使用所述水系的一部分的水质参数、控制参数或结果参数即可，也可以使用关于水系整体的水质参数、控制参数或结果参数。
作为水质参数，只要是与水系W的水质相关的参数即可，并无特别限定。另外，控制参数只要是与水系W、与水系W相关的设备或添加到水系W的原料的控制条件相关即可，并无特别限定。进而，只要是与估计结果具有不同含义的参数，即与水系W、水系W相关的设备或添加到水系W的原料，或者从与水系W、与水系W相关的设备或添加到水系W所派生而产生的结果相关的参数即可，并无特别限定。所谓″具有与估计结果不同的含义″是指包括评价指标(例如物理量)不同的情况(例如，一方为长度而另一方为质量的情况)、评价指标相同但评价的对象不同的情况(例如纸的质量以及添加剂的质量)、或者测定部位不同的情况(例如，造纸原料系的氧化还原电位以及抄纸系的氧化还原电位)，然而不包括结果含义不同的情况(例如，当氧化还原电位为正的情况以及当氧化还原电位为负的情况)。
以下，对水系W为制造纸制品的工序中的水系时的水质参数、控制参数以及结果参数的具体示例进行说明。
作为水质参数，优选为从以下所构成的群中选择一种以上：例如水系的pH、电导率、氧化还原电位、界达电位、浊度、温度、泡沫高度、生物化学的需氧量(BOD)、化学的需氧量(COD)、吸光度(例如UV吸光度)、颜色(例如RGB值)、粒度分布、凝集程度、异物量、水面的发泡面积、水中的污渍面积、气泡量、葡萄糖量、有机酸量、淀粉量、钙量、总氯量、游离氯量、溶解氧量、阳离子要求量、硫化氢量、过氧化氢量以及微生物呼吸速度。
作为控制参数，优选为从以下所构成的群中选择一种以上：例如抄纸机的运转速度(抄速)、原料脱水机的滤布转速、洗涤机的滤布转速、相对于水系的药品添加量、相对于水系中添加的原料的药品添加量、相对于水系相关设备的药品添加量、加热用的蒸汽量、加热用的蒸汽温度、加热用的蒸汽压力、来自种箱的流量、按压部分的压轧压力、按压部分的毛毡真空压力、造纸原料的配合比例、造纸原料的损纸配合量、造纸原料的筛子的网眼、打浆机的转子与定子间的间隙距离、游离度以及打浆度。作为″水系相关的设备″，在水系W是制造纸制品工序中的水系的情况下，例如可列举为直接添加药品的抄纸机的线以及毡等设备。
作为结果参数，优选为从以下所构成的群中选择一种以上：例如纸制品的单位重量(米坪)、步留率、白水浓度、纸制品的含水率、制造纸制品的设备内的蒸汽量、制造纸制品的设备内的蒸汽温度、制造纸制品的设备内的蒸汽压力、纸制品的厚度、纸制品中的灰分浓度、纸制品的缺陷类型、纸制品的缺陷数、工序内断纸的时期、游离度、打浆度以及空气暴露量。其中，作为制造纸制品的设备内的蒸汽量，可以使用例如抄纸机干燥器的蒸汽量、牛皮纸浆黑液蒸发器的蒸汽量、牛皮纸浆蒸解釜的黑液加热器的蒸汽量、纸浆原料或为白水加温而吹入的蒸汽量。
原本是表示相同事项的参数，但根据目的分类属于水质参数、控制参数以及结果参数中的两个以上。例如，在黑液蒸发器中，通过与锅炉产生的蒸汽通过间接热交换来加热黑液，加热的结果是从黑液产生制程蒸汽。所述制程蒸汽用于下一工序的浓缩黑液的加热(浓缩)。从产生于黑液的观点来看，产生的制程蒸汽的量是结果参数，从用于下一工序的浓缩黑液的加热(浓缩)的观点来看则用作控制参数。另外，为了加热黑液而从锅炉产生的蒸汽被用作控制参数。注意，由参数信息取得部取得的两个以上的参数确保所有参数本质上并不相同。例如，在将从所述黑液产生的制程蒸汽全部用于下一工序的浓缩黑液的加热(浓缩)的情况下，作为两个参数(不使用除所述两个参数以外的参数)，不使用从作为结果参数的黑液产生的制程蒸汽以及作为控制参数的浓缩黑液的加热(浓缩)中使用的蒸汽量。这是因为在此情况下，作为结果参数的黑液所中产生的制程蒸汽与作为控制参数的浓缩黑液的加热(浓缩)中使用的蒸汽量在本质上相同。然而，在将从黑液产生的制程蒸汽的一部分用于下一工序的浓缩黑液的加热(浓缩)的情况下，作为两个参数，可以使用从作为结果参数的黑液所产生的制程蒸汽以及作为控制参数的浓缩黑液的加热(浓缩)中使用的蒸汽量。这是因为在此情况下，作为结果参数的黑液所产生的制程蒸汽与作为控制参数的浓缩黑液的加热(浓缩)中使用的蒸汽量在本质上并不相同。此外，在将从所述黑液产生的制程蒸汽的全部用于下一道工序的浓缩黑液的加热(浓缩)的情况下，除了使用作为结果参数的黑液所产生的制程蒸汽以及作为控制参数的浓缩黑液的加热(浓缩)中使用的蒸汽量作为两个参数之外，如果将例如作为水质参数的水系的pH等其它参数组合起来，则多个参数在本质上也可相同。不仅如此，例如游离度和打浆度可以为相同的参数，但也可以包含在控制参数及结果参数的任何一方中。
这些参数可以是定量的参数，也可以是定性的参数。当使用定性的参数时，可以分配数值作为定量的数据。
水质参数、控制参数以及结果参数是分别包含多个参数的概念。关于″包括两个以上参数的参数信息″，参数信息中包含的两个以上参数可以分别独立地从水质参数、控制参数以及结果参数各自的参数中选择，且即使仅从水质参数、控制参数及结果参数中选择两个以上参数(例如，水的p H及温度)，也可以从水质参数、控制参数及结果参数的两个或三个的组合(例如，pH及按压部分的按压压力以及纸制品的厚度)中选择两个以上。然而，对于完全相同的参数(例如，部位A的水的pH及部位A的水的pH)，则设为不选择(然而，只要是例如测定部位不同的部位A的水的pH及部位B的水的pH即可)。
[关系性模型信息取得部]
关系性模型信息取得部22取得事先作成的关系性模型信息，在此关系性模型信息表示估计结果或与估计结果相关联的指标和两个以上的参数之间的关系。
关系性模型是事先作成的模型，表示估计结果或与估计结果相关联的指标和两个以上的参数之间的关系。所谓″事先″是指推定估计结果或与估计结果相关联的指标之前，无论是对所述水系W在实际操作中还是在实际操作之前，只要在推定估计结果或与估计结果相关联的指标之前即可。
作为关系性模型并无特别限定，可例如为表示估计结果或与估计结果相关联的指标和两个以上的参数之间的关系的函数，与查找表或估计结果或者与估计结果相关联的指标和两个以上参数之间关系的已学习模型等。
另外，假设由参数信息取得部21取得的参数信息中包含的两个以上参数与在关系性模型中使用的参数信息中包含的参数的其中两个以上为共通的参数。如上所述，水质参数、控制参数以及结果参数是分别包含多个参数的概念。所谓″参数中的两个以上为共通的参数″是指水质参数、控制参数及结果参数的任何一方的参数中的两个以上(例如，仅水质参数为两个以上；水的pH及温度)为共通的参数，或者水质参数、控制参数及结果参数的组合(例如，一个水质参数以及一个压力参数；例如水的pH及按压部分的按压压力)为共通的参数，或者所有的水质参数、控制参数及结果参数(例如，一个水质参数、一个控制参数及一个结果参数)为共通的参数。
[推测部]
推测部23基于参数信息以及关系性模型信息来推测估计结果或与估计结果相关联的指标。
具体而言，在推测部23中，对事先作成的关系性模型输入所述水系W的当前参数信息，代入关系性模型或进行对照等，从而推测(计算)估计结果或与估计结果相关联的指标。
[第二推测部]
第二推测部24在推测部23中并非估计结果本身，而是在推测了与估计结果相关联的指标的情况下，根据所述指标来推测估计结果。在设置第二推测部24时，为了方便起见，将推测部23称为″第一推测部″。
在由第一推测部23推测与估计结果相关联的指标(以下，有时也称为″关联指标″)的情况下，需要根据关联指标推测估计结果。具体而言，将所述相关指标输入到事先准备的第二关系性模型中，从而推测估计结果。在使用第二关系性模型的情况下，为了方便起见，将在第一推测部23中使用的关系性模型称为″第一关系性模型″。
在推测估计结果时，能够例如在关联指标中设置阈值，如果关联指标大于(或小于)所述阈值，则能够推测出发生了故障。
在推测故障发生可能性的情况下，举例而言在关联指标中设置多个阈值，例如分为三个阶段，在关联指标处于第一阶段时，能够推测故障确实发生，在关联指标处于第二阶段时，能够推测有可能生成故障，在关联指标处于第三阶段时，能够推测故障确实不会发生。另外，也能够根据实际操作的统计数据将关联指标与故障发生概率的关系函数化或已学习模型化，从而计算故障的发生概率。
[关系性模型作成部]
关系性模型作成部25生成关系性模型。所述关系性模型可以由关系性模型信息取得部22取得，并且在推测部23中用于推测估计结果或与估计结果相关联的指标。
关系性模型可例如通过如下方式来作成。在推测估计结果或关联指标之前，事先测定与估计结果对应的事先测定结果或事先结果相关的事先测定指标。另外，在同一水系中，测定两个以上参数，所述参数是水质参数、控制参数以及结果参数中的任意一种。准备多个这些事先测定结果或事先测定指标以及参数的数据集，例如改变进行测定的日期或时间等，以使事先测定结果或事先测定指标以及参数发生变动。随后，将事先测定结果或事先测定指标假设为两个以上参数的函数，与事先测定结果或者事先测定指标进行对比，确定函数的形态或系数，从而建立关系性模型。此时，在通过将两个以上参数的函数与事先测定结果或事先测定指标的对比来确定函数的系数时，可以使用回归分析法(线性模型、一般化线性模型、一般化线性混合模型、脊回归、拉索回归、弹性网、支持向量回归、射影追踪回归等)、时间序列分析(VAR模型、SVAR模型、ARI MAX模型、SARI MAX模型、状态空间模型等)、神经网络(单纯解析器、多层解析器、DN N(Deep Neural Network；深度类神经网络)、CN N(Convolution Neural Network；卷积类神经网络)、RNN(Recurrent Neural Network；递归类神经网络)、LSTM等)、贝叶斯(单纯贝叶斯等)、聚类(k-means、k-means++等)、集成学习(Boosting、Ada Boost等)等。
在一种实施方式中，关系性模型优选为通过与估计结果相当的事先确认结果或与事先确认结果相关联的指标和两个以上参数的回归分析而求出的模型。在进行回归分析时，样本组数没有特别限定。
关系性模型的作成优选在与推测估计结果的水系相同的水系中进行。另外，例如即使在同一装置内，在水系的水质发生较大变化的情况下(例如，在造纸工厂的抄纸系中，改变作为造纸原料的纸浆的情况等)，优选作成并使用关于水质变化后的水系的关系性模型。
从这样的观点来看，在水系W的操作中，也可定期或不定期地测定估计结果或关联指标以及两个以上的参数，每次作成关系性模型，或者追加数据来更新关系性模型。
关系性模型作成部25不是必须的构成要素，因此关系性模型的作成可以由例如操作员等人为(手动)进行。
[第二关系性模型作成部]
第二关系性模型作成部26作成第二关系性模型。所述第二关系性模型也可以是用于由后述的第二关系性模型信息取得部26取得并且由第二推测部24推测估计结果的模型。
在此，第二关系性模型是表示关联指标与估计结果之间的关系的模型。在设置第二关系性模型作成部26的情况下，为了方便起见，将关系性模型作成部25称为″第一关系性模型作成部″。
作为第二关系性模型并无特别限定，例如可以列举表示关联指标与估计结果之间的关系的函数、查找表或关联指标与估计结果之间的关系的已学习模型等。
第二关系性模型可例如通过如下方式来作成。在推测估计结果之前，测定与估计结果对应的事先测定结果以及事先结果相关的事先测定指标。准备多个这些事先测定结果以及事先测定指标的数据集，例如改变进行测定的日期或时间等，以使事先测定结果以及事先测定指标发生变动。随后，将事先测定结果作为事先测定指标的函数建立推测模型。此外，例如在准备了多个事先测定结果以及事先测定指标的数据集之后，可以在事先测定结果显著变化的节点(事先测定指标)等设定关于关联指标的阈值，从而建立第二关系性模型。
第二关系性模型的作成优选在与推测估计结果的水系相同的水系中进行。另外，例如即使在同一装置内，在水系的水质发生较大变化的情况下(例如，在造纸工厂的抄纸系中，改变作为造纸原料的纸浆的情况等)，优选作成并使用关于水质变化后的水系的第二关系性模型。
第二关系性模型作成部26不是必须的构成要素，因此第二关系性模型的作成可以由例如操作员等人为(手动)进行。
[第二关系性模型信息取得部]
第二关系性模型信息取得部27取得第二关系性模型。第二关系性模型可以由第二关系性模型作成部26作成。
注意，在设置第二关系性模型取得部27的情况下，为了方便起见，将关系性模型取得部22成为″第一关系性模型取得部″。
[关系性模型评价部]
推测系统1以及推测装置2也可具备关系性模型评价部(未图示)。
关系性模型评价部评价由关系性模型作成部25作成的关系性模型，评价各个参数信息对估计结果或关联指标的影响大小。
每个参数对关系性模型的影响大小不同，即使包含很多对关系性模型影响较小的参数，不仅精度没有提高，而且有时运算等的效率也会降低。因此，为了在后述的关系性模型信息调整部中排除对关系性模型影响较小的参数信息，由关系性模型评价部评价各个参数信息的影响大小。
作为评价各个参数信息的影响大小的方法并无特别限定，但可例如为在将估计结果作为各个参数的一次函数显示为关系性模型的情况下，可以根据所述系数的绝对值的大小进行比较评价。例如，可以按照对关系性模型的影响顺序排列参数信息，按照影响从大到小的顺序排除规定数量的参数信息以外的信息，也可按照影响从小到大的顺序排除规定数量的参数信息，还可以设置阈值，由关系性模型信息调整部排除低于所述阈值的参数等。
[关系性模型调整部]
推测系统1、推测装置2也可具备关系性模型信息调整部(未图示)。
如上所述，关系性模型信息调整部在对于对关系性模型的影响较小的参数信息进行排除调整之后，再次指示关系性模型信息作成部25作成关系性模型信息。
在设置有这种关系性模型评价部、关系性模型信息调整部的情况下，关系性模型评价部的评价以及关系性模型信息调整部的调整可以仅进行一次，也可重复进行两次以上。
[输出部]
输出部3构成为输出推测部23计算出的估计结果或者关联指标或第二推测部24推测出的估计结果中的至少一方。
输出部3可以随时间推移显示(例如，估计结果或关联指标对时间图)。
输出部3也可例如在估计结果或关联指标超过一定阈值等的情况下输出警告。
[参数信息测定部]
参数信息测定部4测定水质参数、控制参数或结果参数。
作为图1中的参数信息测定装置4，为了方便起见仅只描述了一个，但不仅限于这一示例，也可使用两个以上的参数信息测定装置。
作为测定装置，根据需要测定的参数的内容而不同，可以选择各种传感器等。作为测定装置，例如pH计、电导率计、氧化还原电位计、浊度计、温度计、测定泡沫高度的水平检测仪、COD检测仪、UV计、粒度分布计、凝集传感器、数字相机(或数位摄像机)、内部气泡传感器、吸光亮度计、游离度计、溶解氧计、界达电位计、残留氯计、硫化氢计、保持/滤水度计、颜色传感器、过氧化氢计等均可使用。
作为控制参数等，可以直接使用用于控制装置而直接输入的参数，这些数据可以从装置通信来收发，为了让装置操作员等记录控制参数，也可记录在装置以外。
作为本实施方式的推测系统等的对象的水系并无特别限定，例如可以为制造纸制品的工序中的水系。具体而言，作为制造纸制品的工序，可以列举出蒸解工序、清洗工序、黑液浓缩工序、苛性化工序等。另外，作为对象的水系，也可以为制造纸制品的工序以外的水系，例如可以列举出各种管道、热交换器、储藏罐、窑、清洗装置等。
[推测系统的硬件结构]
图3是表示本实施方式的推测装置的硬件结构的概要图。如图3所示，推测装置2具有通信部51、存储部52以及控制部53，这些构成要素在推测装置2的内部通过通信总线54进行电连接。以下，将对这些构成要素作进一步说明。
通信部51虽然优选为USB(Universal Serial Bus；通用串行总线)、IEEE(Institute of Electrical and Electronics Engineers；美国电机电子工程师学会)1394、Thunderbolt(中译为雷霆，是由英特尔发表的连接器标准)、有线LAN(Local AreaNetwork：局域网络)网络通信等有线通信手段，但根据需要也可包含无线LAN网络通信、3G(Third Generation Mobile Communication；第三代行动通信)/LTE(Long TermEvolution；长期演进技术)/5G(Fifth Generation Mobile Communication；第五代行动通信)等移动通信、蓝牙(Bl uetooth，注册商标)通信等等。即，进一步优选地将这些多个通信手段组合来实施。由此，推测装置2与其他可通信设备之间执行信息或命令的交换。
存储部52存储所述说明所定义的各种信息。这可例如作为固态驱动器(SoldState Drive；SSD)等存储设备来实施，或者作为用于存储程序运算有关的临时必要信息(引数、序列等)的随机存取存储器(Random Access Memory；RAM)等的内存来实施。此外，存储部52也可以是这些的组合。特别地，存储部52存储由后述的控制部53可读取的各种程序。
控制部53执行推测装置2相关整体动作的处理及控制。所述控制部53是例如中央处理器(Central Processing Unit；CPU，未图示)。控制部53通过读取存储部52所存储的预定程序来实现预测装置2相关的各种功能。即，信息处理由软件(存储于存储部52)通过硬件(控制部53)来具体实现，从而如图3所示可作为控制部53中的各功能部来执行。在图3中，控制部53虽然表述为单个，但实际上并不仅限于此，可按照各功能实施为具有多个控制部53。此外，也可将单一控制部与多个控制部进行组合。
[关系性模型作成示例]
以下，将说明关于关系性模型作成的示例。具体而言，说明使用水质参数x、水质参数y以及控制参数z来计算与估计结果相关联的指标a，并计算与所述估计结果相关联的指标a与作为估计结果的故障发生次数A(次数/日)的情况。
当作成关系性模型时，在测定下述表1所示的水质参数x、水质参数y以及控制参数z的同时，也测定故障发生次数A，取得合计30组的数据。取得的数据如以下的表1所示。
假设″参数″为x、y、z，bn为x、y、z的系数，并且a0、b0为常数，则与估计结果相关联的指标a由以下的数式(1)表示。
[数式(1)]
a＝a0∑(bn×参数)+b0…(1)
基于故障发生次数A的实测值与数式(1)的估计结果相关联的指标a，进行负的二项回归分析。由此计算出的与估计结果相关联的指标a与表1结合表示。另外，图4是合计30组数据集的故障发生次数A对与估计结果相关联的指标a的绘制图。故障发生次数A以及与估计结果相关联的指标a的相关系数为r＝0.78(p＜0.05)，可确认强相关。
[表1]
另外，图5是表示各个参数对与估计结果相关联的指标a的影响大小的图。在此示例中，按照控制参数z、水质参数x、水质参数y的顺序，可以说对与估计结果相关联的指标a的影响较大。通过利用各个参数的标准化得分进行负二项回归分析，获得图5的结果。注意，可以通过(个别数值-平均值)/标准偏差来求出标准化得分。
与用于回归分析的估计结果相关联的指标a、水质参数x、水质参数y以及控制参数z的函数不限于上述数式(1)，可以使用一般数式(2)。
[数式(2)]
f(a)＝∑(bn×参数)+b0···(2)
然而，f(a)是a，log a，的任何一个。
根据以上所述的推测系统1以及推测装置2，能够定量地推测水系W中的故障发生或经由水系W制造的产品的质量。特别是，即使影响故障发生或产品质量的参数的数量较多，也能够更正确地考虑各个影响从而预测故障的发生或产品的质量。
<推测程序>
本实施方式的推测程序是用于推测在水系中或从水系派生的今后可能产生的估计结果的推测程序。具体而言，所述推测程序使计算机作为参数信息取得部、关系性模型信息取得部以及推测部发挥功能。参数信息取得部取得参数信息，参数信息包含两个以上作为以下参数中的任一种参数：与水系的水质相关的水质参数；与水系、与水系相关的设备或者与水系中添加的原料的控制条件相关的控制参数；以及作为与估计结果具有不同含义的参数的结果参数，即，在与水系、与水系相关的设备或者与水系中添加的原料中，或者从水系、与水系相关的设备或者水系中添加的原料中派生而产生的结果相关的结果参数。关系性模型信息取得部取得事先作成的关系性模型信息，关系性模型信息表示估计结果或者与估计结果相关联的指标和两个以上参数的关系。推测部基于参数信息以及关系性模型信息来推测估计结果或者与估计结果相关联的指标。
关于参数信息取得部、关系性模型信息取得部以及推测部可以使用与上述预测系统同样的方式，因而在此省略说明。
<推测方法>
本实施方式的推测方法是用于推测在水系中或从水系派生的今后可能产生的估计结果的推测方法。具体而言，所述推测方法具备参数信息取得工序、关系性模型信息取得工序以及推测工序。在参数信息取得工序中，取得参数信息，参数信息包含两个以上作为以下参数中的任一种参数：与水系的水质相关的水质参数；与水系、与水系相关的设备或者与水系中添加的原料的控制条件相关的控制参数；以及作为与估计结果具有不同含义的参数的结果参数，即，在与水系、与水系相关的设备或者与水系中添加的原料中，或者从水系、与水系相关的设备或者水系中添加的原料中派生而产生的结果相关的结果参数。在关系性模型信息取得工序中，取得事先作成的关系性模型信息，关系性模型信息表示估计结果或者与估计结果相关联的指标和两个以上参数的关系。在推测工序中，基于参数信息以及关系性模型信息来推测估计结果或者与估计结果相关联的指标。
图6是本实施方式的推测方法的流程图。如图6所示，在本实施方式的支持方法中，取得参数信息(参数信息取得工序S1)，并且取得关系性模型信息(关系性模型信息取得工序S2)，将这些作为输入信息来推测估计结果或与估计结果相关联的指标(推测工序S3)。
[实施例]
以下示出本发明的实施例并作更加具体地说明，但本发明并不仅限于以下所示的实施例。
[实施例1]
在洋纸生产设备的水系(由原料系、抄纸系、回收系构成的连续水系)的原料系1中以氧化还原电位、在原料2中以氧化还原电位、在抄纸系中以氧化还原电位、浊度、pH以及水温、在回收系中以泡沫高度分别作为水质参数进行测定，使用相应的纸制品制造前24小时的平均值。图7是实施例1中纸张制造设备的概要示意图。此外，作为结果参数测定了纸制品的米坪。进而，测定了纸制品的缺陷数，并准备了572组这些数据集。利用这些数据集当中按照时间序列顺序的前半部分65％(372组)的数据集，作成了24小时以内发生的缺陷数与七个水质参数以及一个结果参数的函数(以下，有时称为″缺陷指数α″)的关系性模型。更具体而言，作为缺陷指数α的作成过程，在将与平均值相差两个标准偏差以上的参数排除为异常值之后，使用IBM公司的SPSS Modeler进行回归分析。通过回归分析得到的缺陷指数α与缺陷数的相关系数为0.71(p<0.05)，可确认强相关。
接着，为了验证缺陷指数α相对于将来产生的缺陷数的预测精度，对于数据集中按时间序列顺序在后半部分35％(200组)的数据集，将水质参数及参数应用于上述关系性模型来计算缺陷指数α，并且计算与缺陷数的相关系数，其结果为0.71(p＜0.05)。由此可以确认，缺陷数与缺陷指数α之间有很强的相关性，缺陷指数α对于将来发生的缺陷数的预测是有效的。
图8是实施例1的合计572组数据集的缺陷数对缺陷指数α的图。注意，在图8中，用于作成关系性模型的372组数据集以圆形表示，用于验证精度的200组数据集以四边形表示。
图9是表示各个参数对缺陷指数α的影响大小的图。在考虑减少缺陷数的处理时，通过这样的方式确定对缺陷指数(与缺陷数成比例)影响较大的参数，并优先调查其变化的原因且进行改善，从而也可有效地减少缺陷数。
[实施例2]
在瓦楞纸原纸(衬纸)生产设备的原料系1至3中以pH以及电导率、在原料系2中以pH以及氧化还原电位、在原料系3中以pH以及电导率、在抄纸系中以水温及电导率分别作为水质参数进行测定(参照图7)。在水质参数测定的同时，测定了制造的纸制品的纸力剂使用量原单位，并准备了60组这样的数据集。这些数据集被随机分成7：3，其中70％(42组)用作关系性模型作成数据，30％(18组)用作模型验证数据。
首先，利用关系性模型制作成数据，把表示纸力剂使用量原单位的倒数的关系性模型作为″纸力指数″，作为所述8个水质参数的函数进行了制作。更具体而言，在将与平均值相差两个标准偏差以上的参数排除为异常值之后，使用IBM公司的SPSS Modeler进行回归分析。通过回归分析得到的纸力指数与纸力剂使用量原单位的相关系数为-0.58(p<0.05)，确认了相关关系。
接着，为了验证纸力指数的精度，对于数据集中剩余30％的数据集，根据水质参数算出纸力指数，并计算出与纸力剂使用量原单位的相关系数，结果其值为-0.59(p<0.05)，确认了纸力剂使用量原单位与纸力指数之间存在相关关系。
图10是实施例2的合计60组数据集的纸力剂使用量原单位对纸力指数值的图。在图10中，用于作成关系性模型的42组数据集以圆形表示，用于验证精度的18组数据集以四边形表示。
图11是表示各个参数对纸力指数影响大小的图。在考虑纸制品强度(纸力)的稳定化和纸力剂使用量原单位的改善时，通过这样的方式确定对纸力指数(与纸力剂使用量原单位成比例)影响较大的参数，并优先调查其变化的原因且进行改善，从而也可有效地稳定产品强度(纸力)，并且改善纸力剂使用量原单位。
[实施例3]
在纸板生产设备的水系(由原料系、抄纸系、回收系组成的连续水系)的原料系中以温度、pH、氧化还原电位、电导率、浊度以及静态堆积浊度，在抄纸系中以pH、氧化还原电位、电导率以及浊度，在回收系中以浊度分别作为水质参数进行了测定(参照图7)。作为控制参数使用了操作执行时机、抄速、内添药品添加量、毛毡含水率、纸中灰分、产品米坪以及产品品牌。此外，还测定了断纸时机，并准备了138，276组这样的数据集。水质参数、控制参数以及断纸时机使用了相同时间者。与实施例1以及实施例2同样地，使用所述数据集作成了24小时以内发生的断纸与所述水质参数以及控制参数的函数(以下，也称为″断纸指数″)的关系性模型。具体而言，作为作成断纸发生指数的过程，在将与平均值相差两个标准偏差以上的参数排除为异常值之后，使用IBM公司的SPSS Modeler进行回归分析，作成了关系性模型。由数据集数庞大，因而省略图示。
在同一纸板生产设施的水系中，在实际运行(纸板生产)过程中测量水质参数和控制参数，并使用上述建立的关系性模型获得断纸指数。此外，测量了与此相对应的实际断纸次数。在不同的日期和时间总共进行了两次测量。
图12及图13是表示断纸的发生以及断纸指数随时间推移变化的图。在图12及图13中，纵轴表示断纸的发生及断纸指数，横轴表示时间。圆形表示是否发生实际断纸(0时为无发生断纸、1时为发生断纸)(纵轴左)，四边形表示断纸指数(纵轴右)。从图12及图13可以清楚地看出，当断纸指数接近1时，实际上会发生断纸。由此发现，通过适当设置断纸指数的阈值，则可以预测断纸。
[实施例4]
在洋纸生产设备的水系(由原料系、抄纸系、回收系、排水系构成的连续水系)的原料系1中以pH以及浊度、在抄纸系中以氧化还原电位、在排水系以电导率分别作为水质参数进行了测定，并使用了相应的纸制品在制造16小时前的测定值。图14是实施例中制造纸的设备的概要示意图。此外，作为控制参数测定了纸制品的制造速度。进而，作为结果参数测定了纸制品的米坪。同时还测定了纸制品的缺陷数，并准备了647组这样的数据集。通过使用这样的数据集，作成了缺陷数与四个水质参数、一个控制参数及一个结果参数的函数(以下，有时也称为″缺陷指数β″)的关系性模型。更具体而言，作为缺陷指数β的作成过程，在将与平均值相差两个标准偏差以上的参数排除为异常值之后，使用面向统计分析作为编程语言的R语言的KFAS包来通过状态空间模型进行了分析。通过状态空间模型获得的缺陷指数β与缺陷数的相关系数为0.62(p<0.05)，确认了存在相关关系。
为了验证缺陷指数β对未来将发生的缺陷数的预测精度，每16小时使用最新的647组数据集进行分析，以提前16小时来每小时计算1批次缺陷指数β，按照合计16批次(16次)的顺序进行重复，得到了255组缺陷指数β。在172小时至264小时之间，停止了洋纸的生产。通过计算这些缺陷指数β与16小时后实际产生的缺陷数的相关系数，得到值为0.80(p<0.05)。由此，确认了缺陷数与缺陷指数β之间存在强相关，并且缺陷指数β对于预测未来将发生的缺陷数是有效的。
图15是实施例4的合计647组用于数据作成的数据集的缺陷数对缺陷指数β值的图。另外，图16是实施例4的合计255组用于精度验证的数据集的缺陷数对数据作成用的缺陷指数β值的图。
图17是表示根据合计255组数据集计算出的缺陷指数随着时间推移变化的图。
图18是表示各个参数对缺陷指数β影响大小的图。在考虑减少缺陷数的处理时，通过这样的方式确定对缺陷指数β(与缺陷数成比例)影响较大的参数，并优先调查其变化的原因且进行改善，从而也可有效地减少缺陷数。
[实施例5]
在洋纸生产设备的水系(由原料系、抄纸系、回收系、排水系构成的连续水系)的原料系中以pH及浊度、在抄纸系中以氧化还原电位、在排水系以电导率分别作为水质参数进行了测定(参照图14)。此外，作为控制参数测定了纸制品的制造速度。进而，作为结果参数测定了纸制品的米坪。同时还测定了纸制品的缺陷数，并准备了631组这样的数据集。通过使用这样的数据集，作成了缺陷数与四个水质参数、一个控制参数及一个结果参数的函数(以下，有时也称为″缺陷指数γ″)的关系性模型。更具体而言，作为缺陷指数β的作成过程，在将与平均值相差两个标准偏差以上的参数排除为异常值之后，使用面向统计分析作为编程语言的R语言的vars包来通过作为时间序列分析的其中一种的VAR模型进行了分析。由此，确认了通过VAR模型获得的缺陷指数γ与实际发生的缺陷数相连动。
为了验证缺陷指数γ对未来将发生的缺陷数的预测精度，每6小时使用最新的631组数据集进行分析，以提前6小时来每小时计算1批次缺陷指数γ，按照合计46批次(46次)的顺序进行重复，得到了271组缺陷指数γ。通过计算这些缺陷指数γ与6小时后实际产生的缺陷数的相关系数，得到值为0.64(p<0.05)。由此，确认了缺陷数与缺陷指数γ之间存在相关关系，并且对于预测未来将发生的缺陷数是有效的。
图19是用于关系性模型作成的合计631组数据集的缺陷数对缺陷指数γ值的图。图20是实施例5的用于精度验证的合计255组数据集的缺陷数对缺陷指数γ值的图。
图21是表示根据实施例5的用于精度验证的合计271组数据集计算出的缺陷指数随着时间推移变化的图。
图22是表示各个参数对缺陷指数γ影响大小的图。在图22中，仅表示了有效水平10％且有效(p<0.10)的参数。在考虑减少缺陷数的处理时，通过这样的方式确定对缺陷指数γ(与缺陷数成比例)影响较大的参数，并优先调查其变化的原因且进行改善，从而也可有效地减少缺陷数。
[实施例6]
在洋纸生产设备的水系(由原料系、抄纸系、排水系构成的连续水系)的原料系中以pH及浊度、在抄纸系中以氧化还原电位、在排水系以电导率分别作为水质参数进行了测定，并使用了相应的纸制品在制造16小时前的数值(参照图14)。此外，作为控制参数测定了纸制品的制造速度。并且，作为结果参数测定了纸制品的米坪以及纸制品的缺陷数，并准备了1706组这样的数据集。利用这些数据集当中按照时间序列顺序的前半部分71％(1216组)的数据集，作成了16后发生的缺陷数与四个水质参数以及一个结果参数的函数(以下，有时也称为″缺陷指数δ″)的关系性模型。更具体而言，作为缺陷指数δ的作成过程，在将与平均值相差两个标准偏差以上的参数排除为异常值之后，使用IBM公司的SPSS Modeler通过作为神经网络其中一种的多层解析器进行了分析。通过多层解析得到的缺陷指数δ与缺陷数之间的相关系数为0.73(p<0.05)，确认了强相关。
接着，为了验证缺陷指数δ对将来发生的缺陷数的预测精度，对于数据集中以时间序列顺序的后半部分29％(490组)数据集，将水质参数及参数应用于所述关系性模型，计算缺陷指数δ，并计算与缺陷数的相关系数，结果其值为0.73(p<0.05)。由此，确认缺陷数与缺陷指数δ之间存在强相关，这对于预测将来发生的缺陷数是有效的。
图23是实施例6的关系性模型作成用的合计1216组数据集的缺陷数对缺陷指数δ值的图。图24是实施例6的精度验证用的合计490组数据集的缺陷数对缺陷指数δ值的图。
图25是表示各个参数对缺陷指数δ影响大小的图。在考虑减少缺陷数的处理时，通过这样的方式确定对缺陷指数δ(与缺陷数成比例)影响较大的参数，并优先调查其变化的原因且进行改善，从而也可有效地减少缺陷数。
[实施例7]
在洋纸生产设备的水系(由原料系、抄纸系、排水系构成的连续水系)的原料系中，以pH及浊度、在抄纸系中以氧化还原电位、在排水系中以电导率分别作为水质参数进行了测定，并使用了相应的纸制品在制造16小时前的数值(参照图14)。另外，作为控制参数，测定了种箱的流量和纸制品的抄速度。另外，作为结果参数，测定了纸制品的米坪以及纸制品的缺陷数，并准备了2040组这样的数据集。利用这些数据集中按照时间顺序的前半部分74％(1503组)的数据集，作成了16小时后发生的缺陷数与四个水质参数、两个控制参数及一个结果参数的函数(以下，有时也称为″缺陷指数ε″)的关系性模型。更具体而言，作为缺陷指数δ的作成过程，在将与平均值相差两个标准偏差以上的参数排除为异常值之后，使用IBM公司的SPSS Modeler通过作为决策树及集成学习的一种的XG Boost进行了分析。通过XG Boost得到的缺陷指数ε与缺陷数之间的相关系数为0.95(p<0.05)，确认了强相关。
接着，为了验证缺陷指数ε对将来发生的缺陷数的预测精度，对于数据集中以时间序列顺序的后半部分26％(537组)数据集，将水质参数及参数应用于所述关系性模型，计算缺陷指数ε，并计算与缺陷数的相关系数，结果其值为0.57(p<0.05)。由此，确认缺陷数与缺陷指数ε之间存在相关性，这对于预测将来发生的缺陷数是有效的。
图26是实施例7的关系性模型作成用的合计1503组数据集的缺陷数对缺陷指数ε值的图。图27是实施例7的精度验证用的合计537组数据集的缺陷数对缺陷指数ε的图。
图28是表示各个参数对缺陷指数ε影响大小的图。在考虑减少缺陷数的处理时，通过这样的方式确定对缺陷指数ε(与缺陷数成比例)影响较大的参数，并优先调查其变化的原因且进行改善，从而也可有效地减少缺陷数。
符号说明
1：推测系统
2：推测装置
3：输出装置或者输出部
4：参数信息测定装置或者参数信息测定部
21：参数信息取得部
22：关系性模型信息取得部或者第一关系性模型信息取得部
23：推测部或者第一推测部
24：第二推测部
25：关系性模型信息作成部或者第一关系性模型信息作成部
26：第二关系性模型作成部
27：第二关系性模型信息取得部
51：通信部
52：存储部
53：控制部
54：通信总线

Claims (9)

1.一种推测装置，用于推测在水系中或从所述水系派生的今后可能产生的估计结果，其特征在于，具备：
参数信息取得部、关系性模型信息取得部以及推测部；
所述参数信息取得部取得参数信息，所述参数信息包含两个以上作为以下参数中的任一种参数：与所述水系的水质相关的水质参数；与所述水系、与所述水系相关的设备或者与所述水系中添加的原料的控制条件相关的控制参数；以及作为与所述估计结果具有不同含义的参数的结果参数，所述结果参数是在与所述水系、与所述水系相关的设备或者与所述水系中添加的原料中，或者从所述水系、与所述水系相关的设备或者所述水系中添加的原料中派生而产生的结果相关的结果参数；
所述关系性模型信息取得部取得事先作成的关系性模型信息，所述关系性模型信息表示所述估计结果或者与所述估计结果相关联的指标和两个以上所述参数的关系；
所述推测部基于所述参数信息以及所述关系性模型信息来推测所述估计结果或者与所述估计结果相关联的指标。
2.如权利要求1所述的推测装置，其中，
所述关系性模型是通过对与所述估计结果相当的事先确认结果或者与所述事先确认结果关联的指标与两个以上所述参数进行回归分析、时间序列分析、决策树、神经网络、贝叶斯、聚类或者集成学习而求出的模型。
3.如权利要求1或2所述的推测装置，其中，
所述水系是制造纸制品的工序中的水系。
4.如权利要求3所述的推测装置，其中，
所述水质参数是从以下构成的群中所选择的一种以上：所述水系的pH(酸碱值)、电导率、氧化还原电位、界达电位、浊度、温度、泡沫高度、生化需氧量、化学需氧量、吸光度、颜色、粒度分布、凝集程度、异物量、水面的发泡面积、水中的污垢面积、气泡量、葡萄糖的量、有机酸的量、淀粉的量、钙的量、总氯的量、游离氯的量、溶解氧的量、阳离子要求量、硫化氢的量、过氧化氢的量以及体系内微生物的呼吸速度。
5.如权利要求3或4所述的推测装置，其中，
所述控制参数是从以下构成的群中所选择的一种以上：抄纸机的运转速度(抄速)、原料脱水机的滤布转速、洗涤机的滤布转速、相对于所述水系的药品添加量、相对于所述水系中添加的原料的药品添加量、相对于所述水系相关设备的药品添加量、加热用的蒸汽量、加热用的蒸汽温度、加热用的蒸汽压力、来自种箱的流量、按压部分的压轧压力、按压部分的毛毡真空压力、造纸原料的配合比例、造纸原料的损纸配合量、造纸原料的筛子的网眼、打浆机的转子与定子间的间隙距离、游离度以及打浆度。
6.如权利要求3至5中任一项所述的推测装置，其中，
所述结果参数是从以下构成的群中所选择的一种以上：所述纸制品的单位重量(米坪)、步留率、白水浓度、所述纸制品的含水率、制造所述纸制品的设备内的蒸汽量、制造所述纸制品的设备内的蒸汽温度、制造所述纸制品的设备内的蒸汽压力、纸制品的厚度、所述纸制品中的灰分浓度、所述纸制品的缺陷的种类、所述纸制品的缺陷数、工序内的断纸时期、游离度、打浆度以及曝气量。
7.一种推测系统，用于推测在水系中或从所述水系派生的今后可能产生的估计结果，其特征在于，具备：
参数信息取得部、关系性模型信息取得部以及推测部；
所述参数信息取得部取得参数信息，所述参数信息包含两个以上作为以下参数中的任一种参数：与所述水系的水质相关的水质参数；与所述水系、与所述水系相关的设备或者与所述水系中添加的原料的控制条件相关的控制参数；以及作为与所述估计结果具有不同含义的参数的结果参数，所述结果参数是在与所述水系、与所述水系相关的设备或者与所述水系中添加的原料中，或者从所述水系、与所述水系相关的设备或者所述水系中添加的原料中派生而产生的结果相关的结果参数；
所述关系性模型信息取得部取得事先作成的关系性模型信息，所述关系性模型信息表示所述估计结果或者与所述估计结果相关联的指标和两个以上所述参数的关系；
所述推测部基于所述参数信息以及所述关系性模型信息来推测所述估计结果或者与所述估计结果相关联的指标。
8.一种推测程序，用于推测在水系中或从所述水系派生的今后可能产生的估计结果，其特征在于：
使计算机作为参数信息取得部、关系性模型信息取得部以及推测部发挥功能；
所述参数信息取得部取得参数信息，所述参数信息包含两个以上作为以下参数中的任一种参数：与所述水系的水质相关的水质参数；与所述水系、与所述水系相关的设备或者与所述水系中添加的原料的控制条件相关的控制参数；以及作为与所述估计结果具有不同含义的参数的结果参数，所述结果参数是在与所述水系、与所述水系相关的设备或者与所述水系中添加的原料中，或者从所述水系、与所述水系相关的设备或者所述水系中添加的原料中派生而产生的结果相关的结果参数；
所述关系性模型信息取得部取得事先作成的关系性模型信息，所述关系性模型信息表示所述估计结果或者与所述估计结果相关联的指标和两个以上所述参数的关系；
所述推测部基于所述参数信息以及所述关系性模型信息来推测所述估计结果或者与所述估计结果相关联的指标。
9.一种推测方法，用于推测在水系中或从所述水系派生的今后可能产生的估计结果，其特征在于，具备：
参数信息取得工序、关系性模型信息取得工序以及推测工序；
在所述参数信息取得工序中，取得参数信息，所述参数信息包含两个以上作为以下参数中的任一种参数：与所述水系的水质相关的水质参数；与所述水系、与所述水系相关的设备或者与所述水系中添加的原料的控制条件相关的控制参数；以及作为与所述估计结果具有不同含义的参数的结果参数，所述结果参数是在与所述水系、与所述水系相关的设备或者与所述水系中添加的原料中，或者从所述水系、与所述水系相关的设备或者所述水系中添加的原料中派生而产生的结果相关的结果参数；
在所述关系性模型信息取得工序中，取得事先作成的关系性模型信息，所述关系性模型信息表示所述估计结果或者与所述估计结果相关联的指标和两个以上所述参数的关系；
在所述推测工序中，基于所述参数信息以及所述关系性模型信息来推测所述估计结果或者与所述估计结果相关联的指标。
CN202280014302.7A 2021-02-12 2022-02-07 推测装置、推测系统、推测程序以及推测方法 Pending CN116829785A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2021-021053 2021-02-12
JP2021021053 2021-02-12
PCT/JP2022/004611 WO2022172882A1 (ja) 2021-02-12 2022-02-07 推測装置、推測システム、推測プログラム及び推測方法

Publications (1)

Publication Number Publication Date
CN116829785A true CN116829785A (zh) 2023-09-29

Family

ID=82837547

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280014302.7A Pending CN116829785A (zh) 2021-02-12 2022-02-07 推测装置、推测系统、推测程序以及推测方法

Country Status (6)

Country Link
EP (1) EP4286583A1 (zh)
JP (2) JP2022123880A (zh)
KR (1) KR20230133886A (zh)
CN (1) CN116829785A (zh)
TW (1) TW202302960A (zh)
WO (1) WO2022172882A1 (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03238346A (ja) * 1990-02-16 1991-10-24 Nippon Kamiparupu Kenkyusho:Kk パルプまたは紙の製造工程におけるピッチの定量法
US6772036B2 (en) * 2001-08-30 2004-08-03 Fisher-Rosemount Systems, Inc. Control system using process model
GB0205336D0 (en) * 2002-03-07 2002-04-24 Univ Manchester Data dimension reduction
KR101543733B1 (ko) 2010-11-25 2015-08-11 쿠리타 고교 가부시키가이샤 종이를 제조하는 방법
KR20120070644A (ko) 2010-12-22 2012-07-02 두산인프라코어 주식회사 건설중장비의 원격관리를 위한 다중 스케줄링 방법
JP7179486B2 (ja) * 2018-05-01 2022-11-29 株式会社東芝 凝集剤注入制御装置、凝集剤注入制御方法及びコンピュータプログラム

Also Published As

Publication number Publication date
WO2022172882A1 (ja) 2022-08-18
JP2024037736A (ja) 2024-03-19
KR20230133886A (ko) 2023-09-19
EP4286583A1 (en) 2023-12-06
TW202302960A (zh) 2023-01-16
JP2022123880A (ja) 2022-08-24

Similar Documents

Publication Publication Date Title
CN111275288B (zh) 基于XGBoost的多维数据异常检测方法与装置
CN112070109A (zh) 一种基于改进密度峰值聚类的马蹄窑能耗异常检测方法
Landman et al. Fault propagation analysis of oscillations in control loops using data-driven causality and plant connectivity
EP3296822B1 (en) Model-plant mismatch detection using model parameter data clustering for paper machines or other systems
KR20130102608A (ko) 종이를 제조하는 방법
CN104870991A (zh) 用于确定集成在过程容器中的测量变换器的状态的方法和设备
AU2018379543B2 (en) Method for predicting or controlling microbial status of a paper or board making process
CN111766179A (zh) 基于lssvm的石灰石浆液密度测量方法、系统及设备
CN116829785A (zh) 推测装置、推测系统、推测程序以及推测方法
CN116589078B (zh) 基于数据融合的污水处理智能控制方法及系统
He et al. Process monitoring and fault prediction of papermaking by learning from imperfect data
Soares et al. Design and application of soft sensor using ensemble methods
CN111723899B (zh) 基于神经网络的江蓠原料液料比预测方法及装置
CN116783148A (zh) 推定装置、预测装置、控制装置、推定系统、预测系统、控制系统、推定程序、预测程序、控制程序、推定方法、预测方法及控制方法
WO2021074491A1 (en) A method and system for monitoring a process
TW202414321A (zh) 廢液處理設備的運轉方法、預測處理後廢液的性質的方法、運轉系統以及預測系統
KR20230172510A (ko) 프로세스 성능을 개선하기 위하여 교란을 추정하고 추천을 제공하기 위한 방법
CN109920490B (zh) 一种氧化铝生产蒸发过程鲁棒动态数据校正方法及其系统
US20220251781A1 (en) Process to optimize brown stock washing unit operations
Zhang et al. Intelligent approaches to forecast the chemical property: Case study in papermaking process
CN116467911A (zh) 基于多工况信息融合的蒸发过程出口溶液浓度估算方法
US20220186441A1 (en) System and method of dynamic corrective enzyme selection and formulation for pulp and paper production
Nobakhti et al. Minimization of Wet End disturbances during web breaks using online LAV estimation
CN116186614A (zh) 一种基于迁移学习和svm的碳纤维原丝牵伸辊状态预测方法
CN114037343A (zh) 基于模糊算法的电厂水汽系统腐蚀风险评估模型构建方法

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