DE10127790A1 - Adaptives Vorhersagemodell in einem Prozeßsteuerungssystem - Google Patents
Adaptives Vorhersagemodell in einem ProzeßsteuerungssystemInfo
- Publication number
- DE10127790A1 DE10127790A1 DE10127790A DE10127790A DE10127790A1 DE 10127790 A1 DE10127790 A1 DE 10127790A1 DE 10127790 A DE10127790 A DE 10127790A DE 10127790 A DE10127790 A DE 10127790A DE 10127790 A1 DE10127790 A1 DE 10127790A1
- Authority
- DE
- Germany
- Prior art keywords
- prediction model
- process parameter
- value
- output
- adaptive
- 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
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 77
- 238000004886 process control Methods 0.000 title description 23
- 238000000034 method Methods 0.000 claims abstract description 238
- 230000008569 process Effects 0.000 claims abstract description 214
- 238000005259 measurement Methods 0.000 claims description 64
- 238000012937 correction Methods 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 23
- 230000003111 delayed effect Effects 0.000 claims description 22
- 230000001373 regressive effect Effects 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 10
- 230000001934 delay Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 238000012905 input function Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 2
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 230000000737 periodic effect Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 239000000523 sample Substances 0.000 description 8
- 230000009897 systematic effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 3
- 238000012369 In process control Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- JBKVHLHDHHXQEQ-UHFFFAOYSA-N epsilon-caprolactam Chemical compound O=C1CCCCCN1 JBKVHLHDHHXQEQ-UHFFFAOYSA-N 0.000 description 2
- 238000010965 in-process control Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- HSRJKNPTNIJEKV-UHFFFAOYSA-N Guaifenesin Chemical compound COC1=CC=CC=C1OCC(O)CO HSRJKNPTNIJEKV-UHFFFAOYSA-N 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 239000006101 laboratory sample Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- JUVIOZPCNVVQFO-HBGVWJBISA-N rotenone Chemical compound O([C@H](CC1=C2O3)C(C)=C)C1=CC=C2C(=O)[C@@H]1[C@H]3COC2=C1C=C(OC)C(OC)=C2 JUVIOZPCNVVQFO-HBGVWJBISA-N 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000006188 syrup Substances 0.000 description 1
- 235000020357 syrup Nutrition 0.000 description 1
Classifications
-
- 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
- G05B13/027—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 using neural networks only
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
Ein adaptives Vorhersagemodell weist auf: ein Standard-Vorhersagemodell wie etwa ein Neuronennetz oder ein natürliches Modell, das so aufgebaut ist, daß es einen Ausgang erzeugt, der einen Prozeßparameter vorhersagt, und ein Kombinationsnetz, das den Ausgang des Vorhersagemodells mit einem oder mehreren Meßwerten des Prozeßparameters kombiniert, um während des Ablaufs des Prozesses einen eingestellten vorhergesagten Prozeßparameter zu bilden. Das adaptive Vorhersagemodell vermindert oder korrigiert nichtlineare sowie lineare Fehler in der Vorhersage einer Prozeßvariablen, ohne daß das Vorhersagemodell selbst neu zu bilden ist, und erfordert gleichzeitig nur geringfügige Zunahmen der Verarbeitungsleistung und -zeit.
Description
Die vorliegende Erfindung betrifft allgemein die Anwendung
von Vorhersagemodellen in Prozeßsteuerungssystemen und spe
ziell die adaptive Einstellung des Ausgangs eines Vorhersa
gemodells unter Nutzung von Messungen von Prozeßparametern.
In vielen Bereichen der Prozeßsteuerungsindustrie ist es
üblich, daß ein kritischer Parameter wie etwa die Zusammen
setzung eines Flüssigkeits- oder Gasstroms schwer zu messen
ist oder nur unter Anwendung von Offline-Verfahren gemessen
werden kann. Häufig werden solche Parameter durch eine Off
line-Laboranalyse oder durch die Anwendung eines Online-
Analysators gewonnen, der entweder nur schwer auf kontinu
ierlicher Basis gehalten werden kann oder unzuverlässig
ist. Wenn aus irgendeinem Grund wie etwa zur Durchführung
der Prozeßsteuerung eine Schätzung des kritischen Parame
ters benötigt wird, wird bisher irgendeines einer Reihe von
mathematischen Verfahren angewandt, um ein Prozeßmodell zu
erstellen, das den schwer meßbaren Prozeßparameter auf der
Basis von Prozeßeingängen oder Parametern vorhersagt, die
während des laufenden Prozesses leicht zu messen oder zu
gewinnen sind.
Insbesondere ist es allgemein bekannt, eines oder mehrere-
Vorhersagemodelle wie etwa ein nichtparametrisches Mo
dell (z. B. Neuronennetz-Modelle), ein natürliches Modell
(z. B. Modelle des ersten Prinzips) bzw. first principle mo
dels oder ein parametrisches Modell (durch Regressionstech
niken erhalten) in Prozeßsteuerungssystemen anzuwenden, um
Prozeßparameter zu schätzen. Ein Gebrauch eines Vorhersage
modells ist als ein virtueller Sensor, der dazu dienen
kann, den Ausgang eines fiktiven Sensors an irgendeiner
Stelle innerhalb eines Prozeßsteuerungssystems zu schätzen
oder vorherzusagen. Wie oben angedeutet, wird ein virtuel
ler Sensor typischerweise dann verwendet, wenn es schwierig
oder unmöglich ist, einen echten Sensor an dem gewünschten
Prozeßort anzuordnen. Ein virtueller Sensor kann auch dazu
verwendet werden, Prozeßparameter vorherzusagen, für die
keine realen Sensoren vorhanden sind, beispielsweise zur
Messung von Parametern wie Geruch oder Geschmack, die eine
Beurteilung seitens einer Bedienungsperson zu ihrer Bestim
mung erfordern. Eine weitere Anwendung eines Vorhersagemo
dells ist als Kreuzanalysator, um den ordnungsgemäßen Be
trieb eines Sensors innerhalb eines Prozesses zu überprü
fen. Wenn beispielsweise der Kreuzanalysator und der Sensor
hinreichend verschiedene Messungen erzeugen, kann dies ein
Anzeichen dafür sein, daß der Sensor auf irgendeine Weise
nicht ordnungsgemäß arbeitet.
Es ist bekannt, daß Neuronennetz-Vorhersagemodelle aus Men
gen von Lerndaten aufgebaut werden, wobei jede Lerndaten
menge einen Wert für jeden einer Reihe von Prozeßeingän
gen/-ausgängen (die Eingänge für das Modell sind) hat und
ein Wert des Prozeßparameters vorhergesagt oder geschätzt
wird. Nach Entwicklung aus den Lerndaten wird das Neuronen
netz-Modell dann innerhalb der Umgebung des Prozeßsteue
rungssystems eingesetzt, um den Prozeßparameter vorherzusa
gen, selbst wenn ein realer Sensor während des laufenden
Prozesses keine oder nur begrenzte Messungen des Parameters
vornimmt. Natürliche Modelle oder Modelle nach dem ersten
Prinzip verwenden typischerweise eine oder mehrere mathema
tische Gleichungen, um das Verhalten der vorherzusagenden
Phänomene im Modell darzustellen.
Vorhersagemodelle, die zur Vorhersage des Werts einer Pro
zeßsteuergröße verwendet werden, unterliegen verschiedenen
Fehlerarten wie etwa systematischen Fehlern, Driftfehlern,
nichtlinearen Fehlern usw. Systematische Fehler sind sol
che, bei denen der Ausgang des Modells in bezug auf den
Wert des tatsächlichen vorherzusagenden Prozeßparameters
eine systematische Abweichung hat. Systematische Abweichun
gen können mathematisch in Form von y = x + B dargestellt
werden, wobei y der vorhergesagte oder im Modell darge
stellte Prozeßparameterwert ist, x der tatsächliche Prozeß
parameterwert ist und B die systematische Abweichung ist.
Driftfehler sind Fehler, die linear oder zu dem Wert des im
Modell dargestellten Prozeßparameters proportional sind,
und können in Form von y = Ax dargestellt werden, wobei A
der Driftfehler-Multiplikator ist. Nichtlineare Fehler sind
solche, die in bezug auf den tatsächlichen Prozeßparameter
nichtlinear sind, und können mathematisch in Form von y =
f(x) dargestellt werden, was bedeutet, daß der Vorhersage
wert y eine nichtlineare Funktion des tatsächlichen Werts x
ist. Nichtlineare Fehler treten aus vielen Gründen auf, re
sultieren jedoch häufig daraus, daß das Vorhersagemodell
unbeabsichtigt so erstellt ist, daß es irgendeine nichtli
neare Fehlerkomponente aufweist. Beispielsweise enthält ein
natürliches Modell vielleicht keine Effekte höherer Ordnung
(zweiter, dritter usw. Ordnung) der im Modell darzustellen
den Phänomene, ein Neuronennetz kann aus einer unvollstän
digen oder unzureichenden Menge von Lerndaten erstellt sein
usw., was dazu führt, daß der Ausgang des Modells eine
nichtlineare Fehlerkomponente hat. Abgesehen von Unzuläng
lichkeiten in dem Modell können diese Fehler auch durch Än
derungen der Prozeßeinrichtungen oder durch nicht gemessene
Prozeßeingänge wie etwa die Zusammensetzung des Einsatzma
terials, die sich direkt auf den Prozeßausgang auswirken,
hervorgerufen sein. Da nicht gemessene Prozeßeingänge und
Änderungen des Prozeßablaufs innerhalb der Prozeßsteue
rungsindustrie üblich sind, hat die Anwendung von Neuronen
netzen, Modellen nach dem ersten Prinzip oder anderen all
gemein verfügbaren Vorhersagemodellen nur begrenzten indu
striellen Erfolg bei der Bereitstellung einer zuverlässigen
Vorhersage von kritischen Prozeßausgängen.
In der Vergangenheit bestand die einzige Möglichkeit, einer
Korrektur von linearen oder nichtlinearen Fehlern, die
durch eine Nichtübereinstimmung zwischen dem entwickelten
Modell und dem eigentlichen Prozeß hervorgerufen waren, in
einer Überarbeitung des Modells unter Verwendung anderer
oder genauerer Gleichungen, Anwendung einer anderen oder
vollständigeren Lerndatenmenge usw. Der Vorgang des Neuer
stellens oder Überarbeitens eines Vorhersagemodells ist
zeitraubend, verlangt gewöhnlich einen Experten, kann enor
me Mengen an Verarbeitungsenergie und -zeit erfordern und
typischerweise nicht während des Echtzeit-Prozeßbetriebs
durchgeführt werden. Ferner gibt es keine Garantie, daß die
Vorhersage des neu entwickelten Vorhersagemodells fehler
frei ist. Anstatt einer adaptiven Korrektur des Ausgangs
eines Vorhersagemodells, die beispielsweise in einem Pro
zeßsteuerungssystem angewandt wird, wird die Vorhersagefä
higkeit eines Vorhersagemodells bisher periodisch über
prüft, indem tatsächliche Messungen des vorhergesagten Pro
zeßparameters verwendet und diese Messungen mit dem Ausgang
des Vorhersagemodells verglichen werden. Einer oder mehrere
solche Vergleichsvorgänge wurden typischerweise verwendet,
um festzustellen, ob die Modellvorhersage Fehler aufwies.
Die Vergleichsschritte wurden jedoch nicht dazu genutzt,
das Modell anzupassen. Statt dessen wurden diese Vergleiche
dazu genutzt festzustellen, ob das Modell einen Ausgang er
zeugt, der tolerierbar ist, und wenn das nicht der Fall
war, das Modell unter Anwendung herkömmlicher Modelletstel
lungstechniken neu zu bilden.
Die vorliegende Erfindung richtet sich auf die adaptive Mo
difikation oder Einstellung des Ausgangs eines typischen
Vorhersagemodells wie etwa eines Neuronennetz-Modells oder
eines natürlichen Modells unter Nutzung von tatsächlichen
Prozeßmessungen; um dadurch nichtlineare sowie lineare Feh
ler zu verringern oder zu korrigieren, ohne daß das Vorher
sagemodell selber neu gebildet werden muß. Ein solches ad
aptives Vorhersagemodell kann innerhalb eines Prozesses auf
kontinuierlicher Basis während des Betriebs eines Prozeß
steuerungssystems mit im Vergleich zu Standard-Vorhersage
modellen nur kleineren Zunahmen bei der Verarbeitung leicht
implementiert werden. Allgemein gesagt verwendet das adap
tive Vorhersagemodell gemessene Prozeßeingänge in Verbin
dung mit Messungen von Prozeßparametern, die beispielsweise
von einer Laborprobe oder einem Analysator gewonnen sind,
auf einer kontinuierlichen, einer periodischen oder sogar
einer unregelmäßigen oder nichtperiodischen Basis, um den
Ausgang eines Standard-Vorhersagemodells anzupassen. Bei
Anwendung dieses Rückführungsmechanismus kann der vorherge
sagte Wert des Prozeßparameters automatisch angepaßt wer
den, um nichtgemessene Störungen und Änderungen im Prozeß
ablauf auszugleichen.
Gemäß einem Aspekt der vorliegenden Erfindung weist ein
adaptives Vorhersagemodell zur Verwendung bei der Schätzung
eines Prozeßparameters folgendes auf: ein Vorhersagemodell,
das so konfiguriert ist, daß es einen oder mehrere Modell
eingänge empfängt und einen Vorhersagewert des Prozeßpara
meters auf der Basis des einen oder der mehreren Modellein
gänge erzeugt, und einen Meßeingang, der zum Empfang einer
Messung des Prozeßparameters ausgebildet ist. Das adaptive
Vorhersagemodell weist ferner ein Kombinationsnetz auf, das
mit dem Meßeingang gekoppelt ist, um die Prozeßparameter
messung zu empfangen, und mit dem Vorhersagemodell gekop
pelt ist, um den Vorhersagewert des Prozeßparameters zu
empfangen. Das Kombinationsnetz kombiniert die Prozeßpara
metermessung mit dem Vorhersagewert des Prozeßparameters,
um einen eingestellten Vorhersagewert des Prozeßparameters
zu erzeugen.
Das Kombinationsnetz kann einen Korrekturblock, der einen
Korrekturfaktor bestimmt, und ein Summierglied aufweisen,
das den Korrekturfaktor mit dem Vorhersagewert des Prozeß
parameters addiert und den eingestellten Vorhersagewert des
Prozeßparameters erzeugt. Der Korrekturfaktor kann von ei
nem Korrekturblock erzeugt werden, der eine Verzögerungs
einheit aufweist, die mit dem Vorhersagemodell gekoppelt
ist, um den Vorhersagewert des Prozeßparameters beispiels
weise um eine Proben- bzw. Stichprobenverzögerung zu verzö
gern, um ihn mit der aktuellen Prozeßparametermessung zeit
lich koinzident zu machen. Das Ergebnis des Vergleichs kann
verarbeitet und gefiltert werden, um den Korrekturfaktor zu
erzeugen, der mit dem aktuellen Ausgang des Vorhersagemo
dells addiert wird, um einen eingestellten Wert für den ak
tuellen Zeitpunkt zu erzeugen. Derselbe Korrekturfaktor
kann beibehalten und mit anschließenden Ausgängen des Vor
hersagemodells äddiert werden, bis eine neue Prozeßparame
termessung verfügbar ist.
Bei einer anderen Ausführungsform weist das Kombinations
netz folgendes auf: eine Verzögerungseinheit, die so gekop
pelt ist, daß sie den Vorhersagewert des Prozeßparameters
verzögert, eine Multiplikationseinheit, die den verzögerten
Vorhersagewert des Prozeßparameters und die Prozeßparame
termessung mit regressiven Fehlerquadrat-Koeffizienten mul
tipliziert, und ein Summierglied, das den multiplizierten
Vorhersagewert des Prozeßparameters und die multiplizierte
Prozeßparametermessung addiert, um den eingestellten Vor
hersagewert des Prozeßparameters zu erzeugen.
Gemäß einem anderen Aspekt der vorliegenden Erfindung weist
ein Verfahren zum Einstellen eines Ausgangs eines Vorhersa
gemodells, das einen Schätzwert eines Prozeßparameters wäh
rend des Ablaufs eines Prozesses auf der Basis einer dem
Vorhersagemodell zugeführten Serie von Eingängen erzeugt,
die folgenden Schritte auf: Messen des Prozeßparameters
während des Betriebs des Prozesses, um eine Prozeßparame
termessung zu erzeugen, Erzeugen eines Korrekturfaktors un
ter Nutzung der Messung des Prozeßparameters und Kombinie
ren des Korrekturfaktors mit dem Ausgang des Vorhersagemo
dells, um einen eingestellten Vorhersagemodell-Ausgang zu
erzeugen, der den Prozeßparameter während des Ablaufs des
Prozesses schätzt.
Fig. 1 ist ein Blockbild eines adaptiven Vorhersagemo
dells, das mit einem Prozeß gekoppelt ist;
Fig. 2 ist ein detailliertes Blockbild eines adaptiven
Vorhersagemodells, das eine erste Ausführungsform
eines Kombinationsnetzes hat und mit einem Prozeß
gekoppelt ist;
Fig. 3 ist ein detailliertes Blockbild eines adaptiven
Vorhersagemodells, das eine zweite Ausführungs
form eines Kombinationsnetzes hat und mit einem
Prozeß gekoppelt ist;
Fig. 4 ist ein detailliertes Blockbild eines adaptiven
Vorhersagemodells, das eine dritte Ausführungs
form eines Kombinationsnetzes hat und mit einem
Prozeß gekoppelt ist; und
Fig. 5 ist ein Blockbild eines Prozeßsteuerungsnetzes,
in dem. eines oder mehrere der adaptiven Vorhersa
gemodelle der Fig. 1 bis 3 vorgesehen sind.
Gemäß Fig. 1 ist ein adaptives Vorhersagemodell 10 mit ei
nem Prozeß 12 gekoppelt, der jede gewünschte Art von Prozeß
sein kann, was beispielsweise einen kontinuierlichen Prozeß
oder einen diskontinuierlichen Prozeß einschließt. Das
adaptive Vorhersagemodell 10 weist ein typisches oder be
kanntes Vorhersagemodell 14 auf, dessen Ausgang y mit einem
Kombinationsnetz 16 gekoppelt ist. Das Vorhersagemodell 14
kann beispielsweise ein nichtparametrisches Modell (wie et
wa ein Neuronennetz-Modell), ein natürliches Modell (wie
etwa ein Modell des ersten Prinzips), ein parametrisches
Modell (wie es etwa unter Anwendung von Regressionsverfah
ren erhalten wird) oder jede andere gewünschte Art von Vor
hersagemodell sein. Das Vorhersagemodell 14 hat Eingänge,
die kommunikativ mit geeigneten Eingängen und/oder Ausgän
gen des Prozesses 12 verbunden sind, wie das gewöhnlich bei
Vorhersagemodellen der Fall ist. Selbstverständlich kann
das Vorhersagemodell 14 auf jede gewünschte oder bekannte
Weise ausgebildet sein und kann als Eingänge jeden der Ein
gänge zum Prozeß 12, jeden der gemessenen Parameter oder
Prozeßparameter, die von dem Prozeß 12 erzeugt werden, oder
alle anderen Eingänge nutzen, wie es unter den jeweiligen
Umständen erwünscht oder erforderlich ist. Der Ausgang y
des Vorhersagemodells 14 kann den Wert irgendeines ge
wünschten Signals, einer Größe, eines Parameters oder eines
anderen Phänomens (hier als Prozeßparameter x bezeichnet)
innerhalb des Prozesses 12 oder auf diesen bezogen vorher
sagen oder schätzen. Beispielsweise kann das Vorhersagemo
dell 14 also ein virtueller Sensor, ein Kreuzanalysator
usw. sein. Wie jedoch oben erörtert wurde, muß der Ausgang
y typischerweise in bezug auf nichtlineare Fehler, systema
tische Fehler, Driftfehler oder eine Kombination derselben
in bezug auf den tatsächlichen Prozeßparameter x korrigiert
werden.
Messungen des Parameters x, die innerhalb des Prozesses 12
erhalten werden können, indem beispielsweise periodische
oder nichtperiodische Messungen genutzt werden, wie sie et
wa von Netzanalysatoren, Laboranalysatoren, Sensoren oder
Einfangprobenanalysatoren oder auf jede andere gewünschte
Weise erhalten werden, werden einem Meßeingang des Kombina
tionsnetzes 16 innerhalb des adaptiven Vorhersägemodells 10
zugeführt. Falls gewünscht, können den Prozeßparameter x
messende Analysatoren oder Sensoren periodisch an den Pro
zeß 12 angeschaltet werden, so daß geeignete Proben des Pa
rameters x erhalten werden, und die Meßwerte des Parameters
x können dann dem adaptiven Vorhersagemodell 10 zugeführt
werden. Selbstverständlich können die Meßwerte des Parame
ters x zu jedem Zeitpunkt wie etwa auf einer kontinuierli
chen oder periodischen Basis gewonnen und dem adaptiven
Vorhersagemodell 10 zugeführt werden. Ebenso können die
Meßwerte für den Parameter x zu einem oder mehreren Zeit
punkten während des Ablaufs des Prozesses 12 gebildet wer
den, brauchen aber nicht unbedingt auf einer kontinuierli
chen Basis oder auch einer regelmäßigen periodischen Basis
gebildet zu werden. Je mehr Messungen des Parameters x je
doch durchgeführt werden, um so besser funktioniert das
adaptive Vorhersagemodell 10. Ferner kann der Meßeingang
des Kombinationsnetzes 16 die Meßwerte des Prozeßparameters
x empfangen und speichern.
Im Betrieb vergleicht das Kombinationsnetz 16 oder kombi
niert auf andere Weise den Ausgang y mit dem Meßwert (den
Meßwerten) des Prozeßparameters x zum Erzeugen eines einge
stellten Vorhersagewerts yadj, der ein eingestellter oder
korrigierter Wert des Vorhersagesignals y ist. Tatsächlich
stellt das Kombinationsnetz 16 den Ausgang y auf der Basis
von begrenzten tatsächlichen Messungen des Parameters x,
die während des Betriebs des Prozesses 12 durchgeführt wer
den, adaptiv ein, um das Signal yadj zu erzeugen. Der Aus
gang yadj des adaptiven Vorhersagemodells 10 kann auf die
gleiche Weise genutzt werden, wie der Ausgang y des typi
schen oder Standard-Vorhersagemodells 14 bisher genutzt
wurde. Daher kann das adaptive Vorhersagemodell 10 anstelle
des Vorhersagemodells 14 bei den meisten Anwendungen be
nutzt werden, und zwar insbesondere bei den Anwendungen,
bei denen es möglich ist, Messungen des tatsächlichen Pro
zeßparameters x zu irgendeinem Zeitpunkt während des Ab
laufs des Prozesses 12 durchzuführen.
Allgemein gesprochen kann das Kombinationsnetz 16 den Aus
gang y des Modells 14 um "Delay"-Einheiten verzögern (z. B.
speichern) und dann den verzögerten oder gespeicherten Wert
y mit einem zeitlich koinzidenten Meßwert des Parameters x
zu vergleichen, um ein Fehlersignal e zu erzeugen. Das Feh
lersignal e kann dann geglättet oder gefiltert und mit dem
Wert y auf irgendeine Weise kombiniert werden, um den ein
gestellten Wert yadj zu bilden. Auf diese Weise kann der
Ausgang des Standard-Vorhersagemodells 14 während des Pro
zeßablaufs mit nur geringem Verarbeitungsaufwand einge
stellt werden, um eine genauere Vorhersage zu erzeugen, die
geringere Nichtlinearitäts-, systematische und Driftfehler
hat, ohne daß das Prozeßmodell 14 neu gebildet werden muß.
Ferner kann das Kombinationsnetz 16 während des Ablaufs des
Prozesses 12 kontinuierlich wirksam sein, auch wenn der
tatsächliche Wert des Prozeßparameters x nur periodisch
oder zu verschiedenen regelmäßig festgelegten oder unregel
mäßigen Zeiten gemessen wird, um so den Ausgang y des Mo
dells 14 während des Ablaufs des Prozesses 12 kontinuier
lich einzustellen.
Fig. 2 zeigt ein Blockbild eines adaptiven Vorhersagemo
dells 10, wobei die Einzelheiten eines möglichen Kombinati
onsnetzes 16a mehr im Detail gezeigt sind. In Fig. 2 ist
das Vorhersagemodell 14 als ein Mitkopplungs-Neuronen
netzmodell gezeigt, dessen Eingänge mit Prozeßeingängen ge
koppelt sind, was für Mitkopplungs-Neuronennetz-Vorhersage
modelle typisch ist. Ebenso versteht es sich in Fig. 2, daß
der Prozeßparameter x zu verschiedenen Zeitpunkten von ei
nem Netzanalysator oder irgendeinem anderen Erfassungssen
sor oder -prozeß gemessen werden kann und daß die Werte des
Parameters x einem Meßeingang des adaptiven Vorhersagemo
dells 10 auf eine gewünschte Weise wie etwa automatisch
oder über Bedienereingabe zugeführt und nach Bedarf gespei
chert werden. Ferner wird dem adaptiven Vorhersagemodell 10
eine Meldung über den Zeitpunkt, zu dem die Messung durch
geführt wurde, oder auch die Probenverzögerung (als Delay-
Variable bezeichnet) zugeführt.
Im allgemeinen umfaßt das Kombinationsnetz 16a einen Kor
rekturblock, der einen Korrekturfaktor bestimmt, und eine
Kombinationseinheit, die den Korrekturfaktor mit dem Aus
gang y (oder irgendeiner skalierten und/oder verzögerten
Version desselben) kombiniert, um den eingestellten Ausgang
yadj zu bilden. Bei der Ausführungsform von Fig. 2 wird der
Ausgang y des Vorhersagemodells 14 einer Verzögerungsein
heit 20 zugeführt, die dieses Signal um eine Verzögerung
verzögert, die entsprechend der Verzögerungsvariablen vor
gegeben ist, die beispielsweise vom Bediener auf der Basis
des Zeitpunkts, zu dem die Messung des Prozeßparameters x
erfolgt ist, bestimmt wird oder von der Verzögerungseinheit
20 automatisch bestimmt werden kann. Typischerweise wird
der Wert der Verzögerungsvariablen mit der Probenahme- oder
Meßverzögerung zwischen dem Ausgang y des Modells 14 und
dem Zeitpunkt, zu dem die Messung der Prozeßvariablen x
entsprechend dieser Probe dem adaptiven Vorhersagemodell 10
zugeführt wird, vorgegeben. Um genau zu sein, ist daher der
Ausgang des Modells 14 y(t), während der Ausgang der Verzö
gerungseinheit 20 y(t-Delay) ist. Es versteht sich, daß die
Verzögerungseinheit 20 jede gewünschte Art von Verzöge
rungseinheit sein kann, beispielsweise eine Verzögerungs
leitung oder ein Speicher, der Digitalwerte des Ausgangs y
für verschiedene Zeitpunkte speichert.
Der Ausgang y(t) der Verzögerungseinheit 20 wird einem ne
gativen (invertierenden) Eingang eines Summierglieds 22 zu
geführt, wo er von dem gemessenen Prozeßparameter x(t) sub
trahiert wird. Das Summierglied 22 erzeugt ein Fehlersignal
e(t), das ein Korrekturfaktor ist, der die Differenz zwi
schen dem tatsächlichen Wert des Prozeßparameters x zum
Zeitpunkt t und dem Vorhersagewert dieses Parameters, der
von dem Modell 14 für den Zeitpunkt t erzeugt wurde, ist.
In diesem Fall kann also das Ausgangssignal des Summier
glieds 22 als e(t) = x(t)-y(t-Delay) geschrieben werden.
Danach wird das Fehlersignal e(t) einem Grenzwertdetektor
24 mit einer oberen und einer unteren Grenze zugeführt, die
verhindern, daß der Fehler abnormal große oder kleine Werte
annimmt. Solche Situationen können auftreten, wenn der Pro
zeßmeßwert x fehlerverdächtig ist oder wenn der Vorhersage
wert y des Modells fehlerverdächtig ist. Der Prozeßmeßwert
könnte fehlerverdächtig sein, wenn der zur Bestimmung des
Werts benutzte Sensor fehlerhaft ist oder ein menschlicher
Fehler bei der Bestimmung des Prozeßmeßwerts x vorliegt.
Eine fehlerverdächtige Vorhersage durch das Modell könnte
ebenfalls resultieren, wenn die Eingänge zu dem Modell 14
(zum Zeitpunkt t), die in dem Ausgang y(t) resultierten,
außerhalb der Grenzen waren, die zum Erstellen des Vorher
sagemodells benutzt wurden. Unzulänglichkeiten in dem Mo
dell, die durch ungenaue Methoden bei der Erstellung des
Modells verursacht sind, sind eine weitere Fehlerquelle und
können auch dann auftreten, wenn die Eingänge innerhalb der
bei der Modellerstellung angewandten Grenzen sind. Unter
diesen Umständen wird der Anwender bevorzugt mit einem Mer
ker oder einem Fehlersignal gewarnt, daß die Fehlergrenzen
verletzt wurden, was eine fehlerverdächtige Einstellung für
die Modellvorhersage bedeutet. Im Fall einer fehlerverdäch
tigen Einstellung oder eines Fehlers beseitigt der Grenz
wertdetektor 24 das Fehlersignal e(t), um zu verhindern,
daß dieses Fehlersignal genutzt wird, um den Ausgang y des
Modells 14 adaptiv einzustellen. Selbstverständlich muß der
Grenzwertdetektor 24 den Fehler speichern oder verfolgen,
indem beispielsweise die Grenzwerte des gemessenen Prozeß
parameters x genutzt werden. Dieser Vorgang kann ohne wei
teres unter Verwendung eines geeigneten Speichers oder ei
ner geeigneten Nachschlagetabelle durchgeführt werden. Fer
ner kann der Anwender oder Bediener in der Lage sein, die
Grenzwerte innerhalb des Grenzwertdetektors 24 vorzugeben,
um dadurch die Auswirkung einer fehlerhaften Messung des
Prozeßparameters x auf den eingestellten Vorhersagewert yadj
zu steuern oder zu begrenzen.
Wenn die Eingänge zu dem Modell 14 zum Zeitpunkt t inner
halb des Bereichs waren, leitet der Grenzwertdetektor 24
den Wert des Fehlersignals e(t) zu einem Filter 26 weiter,
das beispielsweise ein Glättungsfilter oder anderer Tiefpaß
sein kann, um die Übergänge in dem Fehlersignal e(t) zu
glätten und dadurch eine gleichmäßigere Einstellung des
Ausgangs des Modells 14 zu bilden. Tatsächlich gleicht das
Filter 26 die Auswirkung von Rauschen und HF-Übergängen in
dem Prozeßparameter x aus. Bevorzugt wird der Fehlerfaktor
e(t) stark gefiltert, beispielsweise auf das Zweifache des
Ansprechhorizonts bei einer Änderung eines Prozeßeingangs.
Die von dem Filter 26 gebotene Adaptationsrate kann jedoch
so geändert werden, daß sie unterschiedliche Fehlerumgebun
gen widerspiegelt, und wird typischerweise auf der Basis
der Art von Prozeß, in dem die Korrektur vorgenommen wird,
oder der Basis des Prozeßparameters, der vorhergesagt wird,
vorgegeben. Selbstverständlich kann das adaptive Vorhersa
gemodell 10 so aufgebaut sein, daß es einem Anwender mög
lich ist, die Filterkoeffizienten auszuwählen, um die Rate
einzustellen, mit der der Vorhergesagte Ausgang y auf der
Basis von Meßwerten des Prozeßparameters x eingestellt
wird.
Wie Fig. 2 zeigt, erzeugt das Filter 26 einen endgültigen
Korrekturfaktor Correct(t) und liefert das Correct(t)-
Signal an ein Summierglied 28 (das Kombinationsglied), das
wiederum den Korrekturfaktor Correct(t) mit dem Ausgang
y(t) des Modells 14 addiert, um den eingestellten Ausgang
yadj zu bilden. In diesem Fall implementiert das adaptive
Vorhersagemodell 10 die nachstehenden Gleichungen.
e (t) = x (t) - y (t-Delay)
Correct(t) = a1.Correct(t-Delay) + a2.e(t)
yadj(t+k) = y(t+k) + Correct(t) mit 0 < k < Delay
Correct(t) = a1.Correct(t-Delay) + a2.e(t)
yadj(t+k) = y(t+k) + Correct(t) mit 0 < k < Delay
darin ist:
Correct(t) = der Korrekturfaktor für den Zeitpunkt t;
y(t) = der von dem Modell 14 zum Zeitpunkt t gebildete Vorhersagewert;
x(t) = der tatsächliche Wert des Prozeßparameters x zum Zeitpunkt t gemäß Bestimmung durch einen Analysator, Laboranalyse oder andere Messungen;
yadj = der eingestellte Vorhersagewert des Prozeßparameters x;
a1 und a2 = Koeffizienten eines Filters (z. B. des Filters 26); und
k = die Ausführungsrate des Vorhersagemodells.
Correct(t) = der Korrekturfaktor für den Zeitpunkt t;
y(t) = der von dem Modell 14 zum Zeitpunkt t gebildete Vorhersagewert;
x(t) = der tatsächliche Wert des Prozeßparameters x zum Zeitpunkt t gemäß Bestimmung durch einen Analysator, Laboranalyse oder andere Messungen;
yadj = der eingestellte Vorhersagewert des Prozeßparameters x;
a1 und a2 = Koeffizienten eines Filters (z. B. des Filters 26); und
k = die Ausführungsrate des Vorhersagemodells.
Es versteht sich, daß der Korrekturfaktor für den Zeitpunkt
t, z. B. Correct(t), tatsächlich mit dem Wert von y, der
zum Zeitpunkt t-Delay erhalten wurde, errechnet wird, um
die Probenverzögerung zu berücksichtigen, die bei der Abga
be des tatsächlich gemessenen Werts des Parameters x.an den
Meßeingang des adaptiven Vorhersagemodells 10 inhärent ist.
In denjenigen Fällen, in denen die Meßwerte des Parameters
x nur periodisch oder in nichtperiodischen Intervallen ge
liefert werden, bleibt ferner das Fehlersignal e(t) gleich,
bis ein neuer Wert von x an das Vorhersagemodell 10 gelie
fert wird. Durch die Wirkung des Filters 26 wird jedoch der
Korrekturfaktor Correct(t) an einen Konstantwert angenä
hert, bis ein neuer Wert von x an das adaptive Vorhersage
modell 10 geliefert wird. Der Korrekturfaktor Correct(t)
kann jedoch dem Ausgang y auch zu Zeitpunkten, zu denen
keine Messung des Prozeßparameters x vorgenommen wird, kon
tinuierlich hinzuaddiert werden. Selbstverständlich können
das Filter 26 und der Grenzwertdetektor 24 irgendwelche be
kannten digitalen oder analogen Komponenten sein.
Fig. 3 zeigt ein weiteres Kombinationsnetz 16b zum Gebrauch
mit dem adaptiven Vorhersagemodell 10. Es ist ersichtlich,
daß das Kombinationsnetz 16b von Fig. 3 das gleiche wie das
Kombinationsnetz 16a von Fig. 2 ist und die gleichen Ele
mente wie dieses aufweist mit der Ausnahme, daß die Verzö
gerungseinheit 20 den eingestellten Ausgang yadj des Sum
mierglieds 28 anstelle des Ausgangs y des Modells 14 emp
fängt. Somit wird der Fehler e(t) aus dem korrigierten oder
eingestellten Vorhersagewert des Modells 10 anstatt aus dem
nichtkorrigierten Vorhersagewert bestimmt. Das Fehlersignal
e(t), der endgültige Korrekturfaktor Correct(t) und der
eingestellte Ausgang yadj für den Prozeß von Fig. 3 können
wie folgt geschrieben werden:
e(t) = x(t) - yadj(t-Delay)
Correct(t) = a1.Correct(t-Delay) + a2.e(t)
yadj (t+k) = y(t+k) + Correct (t) mit 0 < k < Delay
Correct(t) = a1.Correct(t-Delay) + a2.e(t)
yadj (t+k) = y(t+k) + Correct (t) mit 0 < k < Delay
Aus dieser Erörterung ist verständlich, daß entweder der
Ausgang y des Modells 14 oder der eingestellte Ausgang yaaj
des adaptiven Vorhersagemodells 10 als Rückführung zur Bil
dung des Korrekturfaktors Correct(t) genutzt werden kann.
Es ist ferner zu beachten, daß die obigen Darstellungen des
Korrekturblocks oder Kombinationsnetzes bloße Verallgemei
nerungen einer Vielzahl von Formen sind, die zum gleichen
Zweck verwendet werden können. Beispielsweise können diese
Blöcke zu Filtern höherer Ordnung erweitert werden, um eine
bessere Störsignaldämpfung zu erreichen, und zwar besonders
im Fall einer Stichprobenmessung, oder sie können jede an
dere lineare oder nichtlineare Technik nutzen, um die Kor
rektur des Ausgangs des Vorhersagemodells 14 zu implemen
tieren. Außerdem können die Filterkoeffizienten festgelegt
werden, wenn die Fehlerquellen und die Umgebung der Stich
probenahme bekannt sind, oder sie können, falls gewünscht,
unter Anwendung bekannter Regressionstechniken anpaßbar
sein.
Ferner können Fehlerminimierungstechniken wie etwa rekursi
ve Fehlerquadrate (RLS), Newton-Raphson, Gradienten-
Abstiegsmethode usw. in dem Kombinationsnetz 16 angewandt
werden und sind sehr wirkungsvoll, wenn eine signifikante
Erregung oder eine rasche Änderung der Prozeßbedingungen
vorliegt. Fig. 4 zeigt ein Kombinationsnetz 16c, das eine
RLS-Technik anwendet, um den eingestellten Ausgang yadj zu
bilden, der wie folgt errechnet oder bestimmt werden kann:
yadj(t+k) = a1.y(t-2.Delay+k) + a2.y(t-Delay+k) + a3.x(t-Delay)
mit 0 ≦ k ≦ Delay
wobei a1, a2 und a3 RLS-Koeffizienten sind.
Falls gewünscht, kann mehr als ein zeitlich verzögerter
Term für den tatsächlichen Ausgang (den Parameter x) und
die Netzausgänge (das Signal y) verwendet werden, um die
Ausführung eines Algorithmus zu verbessern. Es versteht
sich, daß das Kombinationsnetz 16c von Fig. 4 einen RLS-
Algorithmus verwendet, um die Ausführung zu verbessern.
Insbesondere wird der Ausgang y des Modells 14 Verzöge
rungseinheiten 30 und 32 (oder irgendeiner anderen Anzahl
von Verzögerungseinheiten) zugeführt, die diese Werte bei
spielsweise um die Probenmeßverzögerung verzögern. Die Ver
zögerungseinheit 30 verzögert jedoch in diesem Fall das y-
Signal um eine Verzögerungszeiteinheit mehr als die Verzö
gerungseinheit 32. Die Ausgänge der Verzögerungseinheiten
30 und 32 werden Multipliziergliedern 34 und 36 zugeführt,
während der tatsächliche gemessene Prozeßparameter x für
die Zeitdauer t einem Multiplizierglied 38 zugeführt wird.
Die Multiplizierglieder 34, 36 und 38 multiplizieren ihre
Eingänge mit den RLS-Koeffizienten a1, a2 bzw. a3 gemäß der
Bestimmung durch einen RLS-Koeffizienten-Bestimmungs
algorithmus 40, der Standard-RLS-Techniken nutzt, um die
Koeffizienten a1, a2 und a3 zu errechnen. Der RLS-
Algorithmus 40 bestimmt jedesmal, wenn dem Kombinationsnetz
16c ein neuer Meßwert des Prozeßparameters x zugeführt
wird, einen neuen Koeffizientensatz.
Die Ausgangssignale der Multiplizierglieder 34, 36 und 38
werden Grenzwertdetektoren 42, 44 und 46 zugeführt, die
ähnlich den Grenzwertdetektoren 24 der Fig. 2 und 3 wirken.
Der Grenzwertdetektor 42 bestimmt also, ob der Vorhersage
wert zum Zeitpunkt t-Delay innerhalb akzeptabler Grenzen
war, während der Grenzwertdetektor 44 die gleiche Funktion
wie der Grenzwertdetektor 42 für den Vorhersagewert zum
Zeitpunkt t-2.Delay ausführt. Wenn der Vorhersagewert y zum
Zeitpunkt t-Delay oder zum Zeitpunkt t-2.Delay aus einem
oder mehreren der oben angegeben Gründe fehlerverdächtig
ist, sind die Fehlergrenzwerte verletzt, was zur Erzeugung
eines Merkers bzw. einer Flag oder eines Fehlersignals
führt.
Die Ausgangssignale der Filter 42, 44 und 46 werden dann
einem Summierglied 48 zugeführt, das diese Signale addiert,
um den eingestellten Vorhersagewert yadj zu bilden. In dem
System von Fig. 4 ist ersichtlich, daß auch hier der Aus
gang des Modells 14 auf irgendeine Weise mit dem tatsäch
lich gemessenen Prozeßparameter x kombiniert wird (wenn
auch möglicherweise mit verschiedenen Verzögerungszeiten),
um einen eingestellten Ausgang yadj zu bilden. Der einge
stellte Ausgang yadj wird durch eine direkte Kombination von
vorhergehenden Werten der Modellvorhersage y und des Pro
zeßmeßwerts x bestimmt. Der eingestellte Vorhersagewert yadj
kann auch anstelle der Modellvorhersage y genutzt werden.
Als Ergebnis kann die Wahl der Konfiguration so geändert
werden, daß sie an den betreffenden Prozeß angepaßt ist.
Selbstverständlich könnten ähnliche Techniken für andere
Arten von Filtern und Fehlerkorrekturschemata angewandt
werden, und es versteht sich, daß das Kombinationsnetz 16
nicht auf die hier gezeigten Ausführungsformen beschränkt
ist. Es versteht sich ferner, daß einige oder sämtliche der
in den Fig. 1 bis 4 gezeigten Elemente separate Hardware-,
Software(programm)- oder Firmware-Elemente sein können, die
auf jede gewünschte Weise entwickelt oder aufgebaut sind,
wobei die Verbindungen dazwischen die Kommunikation von Si
gnalen oder Werten zwischen diesen Hardware-, Software-
oder Firmware-Elementen darstellen. Ferner bilden bei dem
Beispiel von Fig. 4 die Verzögerungseinheiten 30 und 32,
die Multiplizierglieder 34 und 36, die Grenzwertdetektoren
42 und 44 und das Summierglied einen Kombinierer, während
die Multipliziereinheit 38 und der Grenzwertdetektor 46 ei
nen Korrekturblock bilden, der einen Korrekturfaktor er
zeugt.
Zur Prüfung der Operation der hier gezeigten adaptiven Vor
hersagemodelle unter verschiedenen Szenarien wurde eine
Reihe von Echtzeit-Prozeßmodellen mit und ohne die Verwen
dung der Kombinationsnetze 16a, 16b und 16c ausgeführt. Bei
dieser Simulation wurden Neuronennetze für jeden Prozeß zu
erst gebildet durch Sammeln von Echtzeit-Prozeßgrößen und
Aufbauen und Schulen eines Netzes unter Nutzung von han
delsüblicher Software zum Erstellen von Neuronennetzen, die
zum Gebrauch für die Prozeßsteuerung anwendbar ist. Die
Auswahl von Eingängen und ihren entsprechenden Verzögerun
gen erfolgte so, daß die Auswahl den Lernfehler minimieren
würde. Das Netz wurde dann geschult, bis die maximale An
zahl von Zeitabschnitten (Epochen) erreicht war. Eine echte
Testsituation wurde simuliert durch Aufteilen der aus dem
Prozeß gesammelten Datenmenge in gesonderte Lern- und Vali
dierungsmuster. Während der Überprüfung wurden die gleichen
Eingangsdaten-Ausreißergrenzwerte angewandt, so daß alle
Validierungsmuster in die Grenzen des Schulungsbereichs
fielen. Für Fälle, in denen die Ausführung des Netzes an
der Validierungsmenge zu keinen zufriedenstellenden Ergeb
nissen führte, wurde das Netzdesign modifiziert und neuge
schult, wie das normalerweise bei der Entwicklung von Pro
zeßmodellen der Fall ist. Dieser Schulungsprozeß wurde re
kursiv durchgeführt und endete mit einem Neuronennetz-
Modell, dessen Prüffehler minimal war.
Die oben beschriebenen Kombinationsnetze 16a, 16b und 16c
wurden dann in jedem Netz angewandt. Ein einfaches MATLAB-
Programm wurde verwendet, um die verschiedenen Kombinierer-
Konfigurationen zu prüfen. Die Ergebnisse sind in der nach
stehenden Tabelle aufgeführt.
In dieser Tabelle ist Aevap ein Maissirup-Verdampfungs
prozeß, Batch ist ein diskontinuierlicher Prozeß, tw11 ist
ein CO2/NH3-Gaswaschturm in einem Caprolactam-Prozeß,
Grind2a und Grinder sind Kupfererz-Mahlprozesse, und quno
ist ein Stoffauflauf-pH-Prozeß für eine Papiermaschine. In
den meisten Testfällen ist zu sehen, daß der Standardfeh
ler- bzw. RMS-Fehler des korrigierten Ausgangs bei jedem
der Kombinationsnetze niedriger als derjenige des Ausgangs
des Neuronennetz-Modells ohne Korrektur war. In den meisten
Fällen ergaben sich bedeutende Fehlerabnahmen. Es versteht
sich daher, daß verschiedene Netze, Blöcke oder Techniken
zur Bildung des eingestellten Ausgangs des adaptiven Pro
zeßmodells 10 in einem einzigen Prozeß verwendet werden
könnten auf der Basis der Art von Prozeß und früherer Be
stimmungen oder Erfahrungen in bezug darauf, welche Art von
Filtertechniken oder Kombinationstechniken für diesen Pro
zeß am besten funktioniert.
Fig. 5 zeigt ein Prozeßsteuerungsnetz 60, in dem ein adap
tives Vorhersagemodell 10 verwendet werden könnte. Das Pro
zeßsteuerungsnetz 60, das beispielsweise ein DeltaV-
Prozeßsteuerungssystem von Fisher-Rosemount Systems, Inc.,
Austin, Texas, sein kann, umfaßt eine oder mehrere Steuer
einheiten 62, einen Hauptrechner oder eine Bediener-
Workstation 64, einen Datenspeicher oder eine Datenbiblio
thek 66 und/oder andere Rechnereinrichtungen wie etwa wei
tere Workstations, Datenbanken, Konfigurationsstationen
usw., die mit einer Sammelschiene 70 verbunden sind, die
beispielsweise eine Ethernet-Sammelschiene sein kann. Wie
bekannt ist, umfassen die Steuereinrichtung(en) 62 und
Workstations 64 Prozessoren, die in den Speichern dieser
Einrichtungen gespeicherte Software implementieren. Die
Steuereinheit 62 kann beispielsweise eine Steuereinheit ei
nes verteilten Steuersystems oder jede andere Art von Steu
ereinheit sein, die beispielsweise in einem unabhängigen
Computer oder einem Netzcomputer implementiert ist. Die
Haupteinrichtung 64 kann ebenfalls beispielsweise ein PC
oder eine andere Einrichtung sein, die einem Anwender oder
einem Bediener einen Dialog mit dem Prozeßsteuerungssystem
60 auf eine bekannte Weise ermöglicht. Der Datenspeicher 66
kann jede Art von bekanntem Speicher oder Speichereinrich
tung sein, was eine digitale Plattenspeichereinrichtung
(die beispielsweise CDs, digitale Bildplatten, Laserplatten
usw. verwendet), eine RAM-Speichereinrichtung, eine Magnet
plattenspeichereinrichtung usw. sein kann, jedoch nicht auf
diese beschränkt ist. Zahlreiche Feldeinrichtungen 75 bis
82 sind mit der Steuereinheit 62 über jede gewünschte Art
von Ein-Ausgabe- bzw. E-A-Einrichtungen 86 und 88 verbun
den. Die Einrichtungen 75 bis 78 sind einzeln mit der E-A-
Einrichtung 86 verbunden und können beispielsweise HART-
Standardeinrichtungen von 4 bis 20 mA oder jede andere Art
von intelligenten oder nichtintelligenten Feldeinrichtungen
sein. Ebenso sind die Einrichtungen 79 bis 82 hier mit ei
ner Sammelschiene 90 verbunden, die jede gewünschte Art von
Sammelschiene, beispielsweise eine Fieldbus-Leitung, sein
kann. In diesem Fall können die Einrichtungen 79 bis 82 das
Kommunikationsprotokoll der Foundation Fieldbus benutzen.
Selbstverständlich kann jede Feldeinrichtung 75 bis 82 jede
Art von Feldeinrichtung sein, die in dem Prozeßsteuerungs
netz 60 verwendet wird, was beispielsweise Sensoren, Steu
erventile, Positionierer, Gebläse, Videokameras, Mikrophone
usw. einschließt. Selbstverständlich können andere Einrich
tung auf jede gewünschte Weise mit dem System 60 verbunden
sein.
Wie Fig. 5 zeigt, implementiert die Steuereinheit 62 ein
Prozeßsteuerungsschema 100 oder eine -routine, in der eine
Reihe von verschiedenen Schleifen oder Segmenten vorhanden
ist. Im allgemeinen steuert jede Steuerschleife eine oder
mehrere der Feldeinrichtungen, um einen Teil eines Prozes
ses zu steuern. Wie der Block 100 in Fig. 5 zeigt, kann die
Steuereinheit 62 von etwas Gebrauch machen, was allgemein
als Funktionsblöcke bezeichnet wird, um die Steuerung zu
implementieren. Es ist bekannt, daß Funktionsblöcke (die im
wesentlichen Objekte in einer objektorientierten Program
mierumgebung sind) durch Kommunikationsleitungen miteinan
der verbunden sein können und wirksam sind, um miteinander
zu kommunizieren und dadurch die Steuerung zu implementie
ren. Die Steuereinheit 62 könnte jedoch jede andere ge
wünschte Art von Steuerungstechnik wie beispielsweise Lei
terlogik, Sequenzfunktionsabläufe usw. anwenden.
Die Steuereinheit 62 von Fig. 5 implementiert hier zwei
Schleifen 102 und 104. Die Schleife 102 hat zwei Analogein
gangs- bzw. AI-Funktionsblöcke, die wirksam sind, um Signa
le von Einrichtungen zu empfangen, einen PID-Steuerblock
(Proportional-Integral-Differentialsteuerblock), der eine
PID-Steuerung auf der Basis von ihm zugeführten Eingängen
durchführt, und einen Analogausgangs- bzw. AO-Funktions
block, der Signale abgibt oder auf andere Weise mit einer
Einrichtung (wie etwa einem Ventil) kommuniziert, um da
durch diese Einrichtung zu steuern. Der AO-Block liefert
ferner eine Rückführung an den PID-Block. Ebenso umfaßt die
Schleife 104 einen AI-Funktionsblock, der mit einem PID-
Funktionsblock gekoppelt ist, der mit einem AO-Funktions
block verbunden ist, um eine zweite Steuerschleife inner
halb des Prozesses zu implementieren.
Wie ebenfalls in Fig. 5 gezeigt ist, hat ein virtueller
Sensorfunktionsblock 110, der unter Anwendung eines der
adaptiven Vorhersagemodelle der Fig. 1 bis 4 aufgebaut sein
kann, Eingänge, die mit den AI- und AO-Blöcken der Schleife
104 und mit dem AI-Funktionsblock der Schleife 102 in Ver
bindung sind. Der virtuelle Sensorfunktionsblock 110 nutzt
diese Signale als Eingänge zur Bildung eines Vorhersage
werts eines Prozeßparameters, der jeder gewünschte Prozeß
parameter sein kann. Selbstverständlich ist die Wahl der
jeweiligen Eingänge zu dem virtuellen Sensor 110 von dem
vorherzusagenden Parameter abhängig, und dieser Auswahlvor
gang ist dem Fachmann bekannt. Der virtuelle Sensorfunk
tionsblock 110 empfängt ferner periodische oder nichtpe
riodische Meßwerte des vorherzusagenden Prozeßparameters
über eine Prozeßparametermeß- bzw. PPM-Verbindung. Diese
Verbindung kann mit einem Eingangsblock wie etwa einem AI-
Block verbunden sein, der Eingänge von einem Sensor oder
einer anderen Einrichtung empfängt, die den vorherzusagen
den Prozeßparameter mißt. Alternativ kann diese Verbindung
mit einem manuellen Eingangsfunktionsblock wie etwa dem MI-
Block 115 verbunden sein, der sich in der Haupteinrichtung
64 befinden kann, um manuell eingegebene Meßwerte des Pro
zeßparameters zu empfangen. Falls gewünscht, kann die PPM-
Verbindung auch eine Schätzung der Probenahmeverzögerung
oder des Zeitpunkts, zu dem die Messung erfolgte, bereit
stellen, die von dem virtuellen Sensorfunktionsblock 110
zur Bestimmung der Probenahmeverzögerung (Delay) genutzt
werden kann. Selbstverständlich kann der Meßwert der Pro
zeßgröße dem virtuellen Sensorfunktionsblock 110 von dem
Bediener über die Haupteinrichtung oder Workstations 64 auf
jede andere Weise zugeführt werden, nachdem diese Messung
(und der entsprechende Zeitpunkt, zu dem die Messung durch
geführt wurde) beispielsweise von einer Laboranalyse oder
einer anderen Analysatoreinheit zugeführt werden. Bei
spielsweise kann ein Analysator oder anderer Sensor, der
die Messung des Prozeßparameters bestimmt, mit dem Prozeß
steuerungssystem 60 verbunden sein und seinen Ausgang an
den virtuellen Sensorfunktionsblock 110 unter Nutzung jeder
gewünschten Kommunikationsart innerhalb des Prozeßsteue
rungssystems 60 senden. Bei dem vorliegenden Beispiel kann
ein den Prozeßparameter messender Sensor mit der Sammel
schiene 70, mit einer der Ein-Ausgabe-Einrichtungen 86 oder
88 oder mit der Sammelschiene 90 verbunden sein, um mit dem
virtuellen Sensorfunktionsblock 110 zu kommunizieren. Falls
gewünscht, kann eine Einrichtung wie etwa ein Netzanalysa
tor vorübergehend mit dem Prozeßsteuerungssystems 60 ver
bunden sein, um eine oder mehrere gemessene Proben des Pa
rameters x (und seiner zugehörigen Meßzeitpunkte oder zeit
lichen Verzögerungen) zu dem virtuellen Sensorfunktions
block 110 herunterzuladen.
Ferner kann der eingestellte vorhergesagte Ausgang des vir
tuellen Sensorfunktionsblocks 110 innerhalb der Steuerein
heit 62 oder einer anderen Steuereinheit zur Durchführung
der Prozeßsteuerung genutzt werden, kann der Ausgang der
Bediener-Workstation 64 zugeführt werden, um angezeigt oder
anderweitig vom Bediener oder von Software innerhalb dieser
Workstation genutzt werden, oder es kann der Ausgang jeder
anderen Einrichtung im Netz 60 zugeführt und von dieser ge
nutzt werden. Ebenso kann das adaptive Vorhersagemodell 10
an jeder anderen gewünschten Stelle innerhalb des Prozeß
steuerungssystems 60 angeordnet sein, etwa in den Worksta
tions oder in einer oder mehreren der Einrichtungen (z. B.
der Einrichtung 62). In sämtlichen Fällen muß das adaptive
Vorhersagemodell 10 kommunikativ so gekoppelt sein, daß es
die ausgewählten Eingänge für das Modell sowie die Stich
proben des vorherzusagenden Prozeßparameters empfängt. Es
wird außerdem bevorzugt sicherzustellen, daß der Zeitpunkt
oder die zeitliche Verzögerung, die zu der Gewinnung und
Abgabe des gemessenen Prozeßparameters an das adaptive Vor
hersagemodell 110 oder 10 gehören, dem Modell 110, 10 auto
matisch zugeführt werden.
Ein adaptives Vorhersagemodell wurde hier als Funktions
block innerhalb eines Prozeßsteuerungssystems und insbeson
dere als DeltaV- oder Fieldbus-Funktionsblock beschrieben
(die gleichartig beschaffen sind), es versteht sich jedoch,
daß ein solches adaptives Vorhersagemodell als jede Art von
Programm oder Einrichtung aufgebaut sein kann und daß die
verschiedenen Elemente des beschriebenen adaptiven Vorher
sagemodells der Fig. 1 bis 5 in Hardware, Firmware oder
Software erzeugt oder implementiert sein könnten, die auf
jeder Art von Rechnerspeicher, Platte oder anderen Spei
chereinrichtung gespeichert sein können. Wenn es in Soft
ware implementiert ist, könnte das adaptive Vorhersagemo
dell unter Anwendung jeder gewünschten Programmiersprache
implementiert sein, es kann in einer Mehrzweck-Standard-CPU
oder auf speziell konstruierter Hardware oder Firmware wie
beispielsweise ASICs implementiert sein, wenn das gewünscht
wird. Wenn es in Software implementiert ist, kann die Soft
ware in jedem computerlesbaren Speicher wie etwa auf einer
Magnetplatte, Laserplatte, Bildplatte oder einem anderen
Speichermedium, in einem RAM oder ROM eines Computers oder
Prozessors usw. gespeichert sein. Ebenso kann diese Soft
ware einem Anwender oder einem Prozeßsteuerungssystem mit
tels jeder bekannten oder gewünschten Versandmethode wie z. B.
auf einer computerlesbaren Platte oder einer anderen
transportfähigen Computerspeichereinrichtung übermittelt
oder über einen Nachrichtenkanal wie etwa eine Telefonlei
tung, das Internet usw. (was als gleich oder austauschbar
mit der Lieferung der Software mittels eines transportfähi
gen Speichermediums angesehen wird) zugestellt werden.
Ferner wurde zwar das adaptive Vorhersagemodell hier zur
Anwendung in einer Prozeßsteuerungsumgebung oder einem sol
chen Netz beschrieben; es versteht sich jedoch, daß ein ad
aptives Vorhersagemodell entsprechend der vorliegenden Of
fenbarung zur Anwendung auf irgendwelchen anderen Arbeits
gebieten (die hier der Einfachheit halber als Prozesse be
zeichnet werden), die Vorhersagemodelle verwenden, wie etwa
einem natürlichen Modell (z. B. einem Modell des ersten
Prinzips) oder einem parametrischen Modell (das beispiels
weise durch Regressionsverfahren erhalten ist), aufgebaut
werden könnte, um Schätzwerte von Parametern zu bilden.
Die Erfindung wurde also unter Bezugnahme auf bestimmte
Ausführungsbeispiele beschrieben, die nur beispielhaft sein
sollen und keine Einschränkung der Erfindung bedeuten; für
den Fachmann ist ersichtlich, daß Änderungen, Hinzufügungen
oder Weglassungen an den gezeigten Ausführungsformen vorge
nommen werden können, ohne vom Umfang der Erfindung abzu
weichen.
Claims (40)
1. Adaptives Vorhersagemodell zur Anwendung bei der
Schätzung eines Prozeßparameters, dadurch gekennzeichnet,
daß das adaptive Vorhersagemodell folgendes aufweist:
ein Vorhersagemodell, das so konfiguriert ist, daß es einen oder mehrere Modelleingänge empfängt und einen Vorhersage wert des Prozeßparameters auf der Basis des einen oder der mehreren Modelleingänge erzeugt; einen Meßeingang, der so konfiguriert ist, daß er einen Meßwert des Prozeßparameters empfängt; und ein Kombinationsnetz, das mit dem Meßeingang gekoppelt ist, um den Prozeßparameter-Meßwert zu empfangen, und mit dem Vorhersagemodell gekoppelt ist, um den Vorher sagewert des Prozeßparameters zu empfangen, wobei das Kom binationsnetz so ausgebildet ist, daß es den Prozeßparame ter-Meßwert mit dem Vorhersagewert des Prozeßparameters kombiniert und einen eingestellten Vorhersagewert des Pro zeßparameters bildet.
ein Vorhersagemodell, das so konfiguriert ist, daß es einen oder mehrere Modelleingänge empfängt und einen Vorhersage wert des Prozeßparameters auf der Basis des einen oder der mehreren Modelleingänge erzeugt; einen Meßeingang, der so konfiguriert ist, daß er einen Meßwert des Prozeßparameters empfängt; und ein Kombinationsnetz, das mit dem Meßeingang gekoppelt ist, um den Prozeßparameter-Meßwert zu empfangen, und mit dem Vorhersagemodell gekoppelt ist, um den Vorher sagewert des Prozeßparameters zu empfangen, wobei das Kom binationsnetz so ausgebildet ist, daß es den Prozeßparame ter-Meßwert mit dem Vorhersagewert des Prozeßparameters kombiniert und einen eingestellten Vorhersagewert des Pro zeßparameters bildet.
2. Adaptives Vorhersagemodell nach Anspruch 1, dadurch
gekennzeichnet, daß das Kombinationsnetz folgendes auf
weist:
einen Korrekturblock, der einen Korrekturfaktor be stimmt, und
ein Summierglied, das den Korrekturfaktor mit dem Vor hersagewert des Prozeßparameters addiert, um den einge stellten Vorhersagewert des Prozeßparameters zu bilden.
einen Korrekturblock, der einen Korrekturfaktor be stimmt, und
ein Summierglied, das den Korrekturfaktor mit dem Vor hersagewert des Prozeßparameters addiert, um den einge stellten Vorhersagewert des Prozeßparameters zu bilden.
3. Adaptives Vorhersagemodell nach Anspruch 2, dadurch
gekennzeichnet, daß der Korrekturblock folgendes aufweist:
eine Verzögerungseinheit, die mit dem Vorhersagemodell gekoppelt ist, um den Vorhersagewert des Prozeßparameters zu verzögern, und
ein weiteres Summierglied, das den verzögerten Vorher sagewert des Prozeßparameters mit dem Prozeßparameter- Meßwert kombiniert.
eine Verzögerungseinheit, die mit dem Vorhersagemodell gekoppelt ist, um den Vorhersagewert des Prozeßparameters zu verzögern, und
ein weiteres Summierglied, das den verzögerten Vorher sagewert des Prozeßparameters mit dem Prozeßparameter- Meßwert kombiniert.
4. Adaptives Vorhersagemodell nach Anspruch 3, dadurch
gekennzeichnet, daß der Korrekturblock ein Glättungsfilter
aufweist, das zwischen das weitere Summierglied und das
Summierglied gekoppelt ist.
5. Adaptives Vorhersagemodell nach Anspruch 4, dadurch
gekennzeichnet, daß das Glättungsfilter ein Tiefpaßfilter
ist.
6. Adaptives Vorhersagemodell nach Anspruch 2, dadurch
gekennzeichnet, daß das Kombinationsnetz einen Grenzwertde
tektor aufweist.
7. Adaptives Vorhersagemodell nach Anspruch 6, dadurch
gekennzeichnet, daß der Grenzwertdetektor Grenzwerte auf
weist, die von einem Anwender konfigurierbar sind.
8. Adaptives Vorhersagemodell nach Anspruch 2, dadurch
gekennzeichnet, daß der. Korrekturblock folgendes aufweist:
eine Verzögerungseinheit, die mit einem Ausgang des Summierglieds gekoppelt ist, um den eingestellten Vorhersa gewert des Prozeßparameters zu empfangen und zu verzögern, und
ein weiteres Summierglied, das den verzögerten einge stellten Vorhersagewert des Prozeßparameters mit dem gemes senen Prozeßparameter kombiniert.
eine Verzögerungseinheit, die mit einem Ausgang des Summierglieds gekoppelt ist, um den eingestellten Vorhersa gewert des Prozeßparameters zu empfangen und zu verzögern, und
ein weiteres Summierglied, das den verzögerten einge stellten Vorhersagewert des Prozeßparameters mit dem gemes senen Prozeßparameter kombiniert.
9. Adaptives Vorhersagemodell nach Anspruch 8, dadurch
gekennzeichnet, daß der Korrekturblock ein Glättungsfilter
aufweist, das zwischen das weitere Summierglied und das
Summierglied gekoppelt ist.
10. Adaptives Vorhersagemodell nach Anspruch 1, dadurch
gekennzeichnet, daß der Meßeingang ferner so ausgebildet
ist, daß er einen zeitlichen Meßwert empfängt, der die zu
dem Prozeßparameter-Meßwert gehörige Probenverzögerung be
zeichnet.
11. Adaptives Vorhersagemodell nach Anspruch 1, dadurch
gekennzeichnet, daß das Kombinationsnetz ein regressives
Fehlerquadratfilter aufweist.
12. Adaptives Vorhersagemodell nach Anspruch 1, dadurch
gekennzeichnet, daß das Kombinationsnetz folgendes
aufweist:
eine Verzögerungseinheit, die so gekoppelt ist, daß sie den Vorhersagewert des Prozeßparameters verzögert,
eine Multipliziereinheit, die den verzögerten Vorher sagewert des Prozeßparameters und den Prozeßparameter- Meßwert mit regressiven Fehlerquadrat-Koeffizienten multi pliziert, und
ein Summierglied, das den multiplizierten verzögerten Vorhersagewert des Prozeßparameters und den multiplizierten Prozeßparameter-Meßwert addiert, um den eingestellten Vor hersagewert des Prozeßparameters zu bilden.
eine Verzögerungseinheit, die so gekoppelt ist, daß sie den Vorhersagewert des Prozeßparameters verzögert,
eine Multipliziereinheit, die den verzögerten Vorher sagewert des Prozeßparameters und den Prozeßparameter- Meßwert mit regressiven Fehlerquadrat-Koeffizienten multi pliziert, und
ein Summierglied, das den multiplizierten verzögerten Vorhersagewert des Prozeßparameters und den multiplizierten Prozeßparameter-Meßwert addiert, um den eingestellten Vor hersagewert des Prozeßparameters zu bilden.
13. Adaptives Vorhersagemodell nach Anspruch 1, dadurch
gekennzeichnet, daß das Kombinationsnetz folgendes auf
weist:
eine Vielzahl von Verzögerungseinheiten, die so gekop pelt sind, daß sie den Vorhersagewert des Prozeßparameters um unterschiedliche Verzögerungsdauern verzögern,
eine Multipliziereinheit, die jeden der verschiedenen verzögerten Vorhersagewerte des Prozeßparameters mit unter schiedlichen regressiven Fehlerquadrat-Koeffizienten multi pliziert und den Prozeßparameter-Meßwert mit einem weiteren regressiven Fehlerquadrat-Koeffizienten multipliziert, und
ein Summierglied, das die multiplizierten verzögerten Vorhersagewerte des Prozeßparameters und den multiplizier ten Prozeßparameter-Meßwert addiert, um den eingestellten Vorhersagewert des Prozeßparameters zu bilden.
eine Vielzahl von Verzögerungseinheiten, die so gekop pelt sind, daß sie den Vorhersagewert des Prozeßparameters um unterschiedliche Verzögerungsdauern verzögern,
eine Multipliziereinheit, die jeden der verschiedenen verzögerten Vorhersagewerte des Prozeßparameters mit unter schiedlichen regressiven Fehlerquadrat-Koeffizienten multi pliziert und den Prozeßparameter-Meßwert mit einem weiteren regressiven Fehlerquadrat-Koeffizienten multipliziert, und
ein Summierglied, das die multiplizierten verzögerten Vorhersagewerte des Prozeßparameters und den multiplizier ten Prozeßparameter-Meßwert addiert, um den eingestellten Vorhersagewert des Prozeßparameters zu bilden.
14. Adaptives Vorhersagemodell nach Anspruch 1, dadurch
gekennzeichnet, daß das Vorhersagemodell ein Neuronennetz-
Modell ist.
15. Adaptives Vorhersagemodell nach Anspruch 1, dadurch
gekennzeichnet, daß das Vorhersagemodell ein natürliches
Modell ist.
16. Adaptives Vorhersagemodell nach Anspruch 1, dadurch
gekennzeichnet, daß das Vorhersagemodell ein rekursives
Fehlerquadrat-Modell ist.
17. Adaptives Vorhersagemodell nach Anspruch 1, dadürch
gekennzeichnet, daß das Vorhersagemodell ein parametrisches
Modell ist.
18. Adaptives Vorhersagemodell nach Anspruch 1, dadurch
gekennzeichnet, daß das Vorhersagemodell ein nichtparame
trisches Modell ist.
19. Verfahren zum Einstellen eines Ausgangs eines Vorher
sagemodells, das einen Schätzwert eines Prozeßparameters
während des Ablaufs eines Prozesses auf der Basis einer Se
rie von dem Vorhersagemodell zugeführten Eingängen erzeugt,
gekennzeichnet durch die folgenden Schritte:
Gewinnen einer Messung des Prozeßparameters während des Ablaufs des Prozesses zur Bildung eines Prozeßparame ter-Meßwerts;
Erzeugen eines Korrekturfaktors unter Nutzung des Meß werts des Prozeßparameters; und
Kombinieren des Korrekturfaktors mit dem Ausgang des Vorhersagemodells zum Erzeugen eines eingestellten Vorher sagemodell-Ausgangs, der den Prozeßparameter während des Ablaufs des Prozesses schätzt.
Gewinnen einer Messung des Prozeßparameters während des Ablaufs des Prozesses zur Bildung eines Prozeßparame ter-Meßwerts;
Erzeugen eines Korrekturfaktors unter Nutzung des Meß werts des Prozeßparameters; und
Kombinieren des Korrekturfaktors mit dem Ausgang des Vorhersagemodells zum Erzeugen eines eingestellten Vorher sagemodell-Ausgangs, der den Prozeßparameter während des Ablaufs des Prozesses schätzt.
20. Verfahren nach Anspruch 19, dadurch gekennzeichnet,
daß der Schritt des Erzeugens eines Korrekturfaktors die
folgenden Schritte aufweist:
Verzögern des Ausgangs des Vorhersagemodells, und Bestimmen der Differenz zwischen dem verzögerten Aus gang des Vorhersagemodells und dem Prozeßparameter-Meßwert.
Verzögern des Ausgangs des Vorhersagemodells, und Bestimmen der Differenz zwischen dem verzögerten Aus gang des Vorhersagemodells und dem Prozeßparameter-Meßwert.
21. Verfahren nach Anspruch 20, dadurch gekennzeichnet,
daß der Schritt des Erzeugens des Korrekturfaktors den wei
teren Schritt aufweist:
Filtern der Differenz zwischen dem verzögerten Ausgang des Vorhersagemodells und dem Prozeßparameter-Meßwert.
Filtern der Differenz zwischen dem verzögerten Ausgang des Vorhersagemodells und dem Prozeßparameter-Meßwert.
22. Verfahren nach Anspruch 20, dadurch gekennzeichnet,
daß der Kombinationsschritt den Schritt aufweist:
Addieren des Korrekturfaktors mit dem Ausgang des Vor hersagemodells.
Addieren des Korrekturfaktors mit dem Ausgang des Vor hersagemodells.
23. Verfahren nach Anspruch 19, dadurch gekennzeichnet,
daß der Schritt des Erzeugens des Korrekturfaktors die fol
genden Schritte aufweist:
Verzögern des eingestellten Vorhersagemodell-Ausgangs, und
Bestimmen der Differenz zwischen dem verzögerten ein gestellten Vorhersagemodell-Ausgang und dem Prozeßparame ter-Meßwert.
Verzögern des eingestellten Vorhersagemodell-Ausgangs, und
Bestimmen der Differenz zwischen dem verzögerten ein gestellten Vorhersagemodell-Ausgang und dem Prozeßparame ter-Meßwert.
24. Verfahren nach Anspruch 23, dadurch gekennzeichnet,
daß der Schritt des Erzeugens des Korrekturfaktors ferner
den Schritt aufweist:
Filtern der Differenz zwischen dem verzögerten einge stellten Vorhersagemodell-Ausgang und dem Prozeßparameter- Meßwert.
Filtern der Differenz zwischen dem verzögerten einge stellten Vorhersagemodell-Ausgang und dem Prozeßparameter- Meßwert.
25. Verfahren nach Anspruch 24, dadurch gekennzeichnet,
daß der Kombinationsschritt den Schritt aufweist:
Addieren des Korrekturfaktors zu dem Ausgang des Vor hersagemodells.
Addieren des Korrekturfaktors zu dem Ausgang des Vor hersagemodells.
26. Verfahren nach Anspruch 19, ferner gekennzeichnet
durch den Schritt des Erzeugens einer Menge von regressiven
Fehlerquadrat-Koeffizienten, wobei der Schritt des Erzeu
gens des Korrekturfaktors den Schritt aufweist:
Multiplizieren des Prozeßparameter-Meßwerts mit einem der regressiven Fehlerquadrat-Koeffizienten, und wobei der Kombinationsschritt die folgenden Schritte aufweist:
Verzögern des Ausgangs des Vorhersagemodells,
Multiplizieren des verzögerten Ausgangs des Vorhersa gemodells mit einem der regressiven Fehlerquadrat- Koeffizienten, und
Addieren des multiplizierten verzögerten Ausgangs des Vorhersagemodells mit dem multiplizierten Prozeßparameter- Meßwert, um den eingestellten Vorhersagemodell-Ausgang zu bilden.
Multiplizieren des Prozeßparameter-Meßwerts mit einem der regressiven Fehlerquadrat-Koeffizienten, und wobei der Kombinationsschritt die folgenden Schritte aufweist:
Verzögern des Ausgangs des Vorhersagemodells,
Multiplizieren des verzögerten Ausgangs des Vorhersa gemodells mit einem der regressiven Fehlerquadrat- Koeffizienten, und
Addieren des multiplizierten verzögerten Ausgangs des Vorhersagemodells mit dem multiplizierten Prozeßparameter- Meßwert, um den eingestellten Vorhersagemodell-Ausgang zu bilden.
27. Adaptives Vorhersagemodell, das folgendes umfaßt:
einen Speicher;
ein Vorhersagemodell, das in dem Speicher gespeichert und so ausgebildet ist, daß es in einem Prozessor implemen tierbar ist, um einen Vorhersagewert eines Prozeßparameters als einen Ausgang zu erzeugen;
eine Eingangseinheit, die in dem Speicher gespeichert und so ausgebildet ist, daß sie in einem Prozessor imple mentierbar ist, um aus der Messung des Prozeßparameters ei nen Korrekturfaktor zu erzeugen;
eine Rechenroutine, die in dem Speicher gespeichert und so ausgebildet ist, daß sie aus der Messung des Prozeß parameters einen Korrekturfaktor erzeugt; und
eine Kombinationsroutine, die in dem Speicher gespei chert und so ausgebildet ist, daß sie in einem Prozessor implementierbar ist, um den Korrekturfaktor mit dem Vorher sagewert des Prozeßparameters zu kombinieren und einen ein gestellten Vorhersagewert des Prozeßparameters zu bilden.
einen Speicher;
ein Vorhersagemodell, das in dem Speicher gespeichert und so ausgebildet ist, daß es in einem Prozessor implemen tierbar ist, um einen Vorhersagewert eines Prozeßparameters als einen Ausgang zu erzeugen;
eine Eingangseinheit, die in dem Speicher gespeichert und so ausgebildet ist, daß sie in einem Prozessor imple mentierbar ist, um aus der Messung des Prozeßparameters ei nen Korrekturfaktor zu erzeugen;
eine Rechenroutine, die in dem Speicher gespeichert und so ausgebildet ist, daß sie aus der Messung des Prozeß parameters einen Korrekturfaktor erzeugt; und
eine Kombinationsroutine, die in dem Speicher gespei chert und so ausgebildet ist, daß sie in einem Prozessor implementierbar ist, um den Korrekturfaktor mit dem Vorher sagewert des Prozeßparameters zu kombinieren und einen ein gestellten Vorhersagewert des Prozeßparameters zu bilden.
28. Adaptives Vorhersagemodell nach Anspruch 27, dadurch
gekennzeichnet, daß die Rechenroutine folgendes aufweist:
eine Verzögerungseinheit, die den Ausgang des Vorher sagemodells verzögert, und
eine Differenzroutine, die die Differenz zwischen dem Verzögerten Ausgang des Vorhersagemodells und dem Prozeßpa rameter-Meßwert bestimmt.
eine Verzögerungseinheit, die den Ausgang des Vorher sagemodells verzögert, und
eine Differenzroutine, die die Differenz zwischen dem Verzögerten Ausgang des Vorhersagemodells und dem Prozeßpa rameter-Meßwert bestimmt.
29. Adaptives Vorhersagemodell nach Anspruch 28, dadurch
gekennzeichnet, daß die Rechenroutine ferner ein Glättungs
filter aufweist, das die Differenz zwischen dem verzögerten
Ausgang des Vorhersagemodells und dem
Prozeßparameter-Meßwert filtert.
30. Adaptives Vorhersagemodell nach Anspruch 29, dadurch
gekennzeichnet, daß die Kombinationsroutine den Korrektur
faktor zu dem Vorhersagewert des Prozeßparameters addiert,
der von dem Vorhersagemodell abgegeben wird.
31. Adaptives Vorhersagemodell nach Anspruch 27, dadurch
gekennzeichnet, daß die Rechenroutine folgendes aufweist:
eine Verzögerungseinheit, die den eingestellten Vor hersagewert des Prozeßparameters Verzögert, und
eine Differenzroutine, die die Differenz zwischen dem verzögerten eingestellten Vorhersagewert des Prozeßparame ters und dem Prozeßparameter-Meßwert bestimmt.
eine Verzögerungseinheit, die den eingestellten Vor hersagewert des Prozeßparameters Verzögert, und
eine Differenzroutine, die die Differenz zwischen dem verzögerten eingestellten Vorhersagewert des Prozeßparame ters und dem Prozeßparameter-Meßwert bestimmt.
32. Adaptives Vorhersagemodell nach Anspruch 31, dadurch
gekennzeichnet, daß die Rechenroutine ein Glättungsfilter
aufweist, das die Differenz zwischen dem verzögerten einge
stellten Vorhersagewert des Prozeßparameters und dem Pro
zeßparameter-Meßwert filtert.
33. Adaptives Vorhersagemodell nach Anspruch 32, dadurch
gekennzeichnet, daß die Kombinationsroutine den Korrektur
faktor zu dem Vorhersagewert des Prozeßparameters addiert,
der von dem Vorhersagemodell abgegeben wird.
34. Adaptives Vorhersagemodell nach Anspruch 27, ferner
gekennzeichnet durch eine regressive Fehlerquadrat-Routine,
die in dem Speicher gespeichert und ausgebildet ist, um in
einem Prozessor ausgeführt zu werden und einen ersten und
einen zweiten regressiven Fehlerquadrat-Koeffizienten zu
erzeugen, wobei die Rechenroutine eine Multipliziereinheit
aufweist, die den Prozeßparameter-Meßwert mit dem ersten
regressiven Fehlerquadrat-Koeffizienten multipliziert, und
wobei die Kombinationsroutine folgendes aufweist:
eine Verzögerungseinheit, die den Vorhersagewert des von dem Vorhersagemodell abgegebenen Prozeßparameters ver zögert,
einen Multiplizierer, der den verzögerten Vorhersage wert des Prozeßparameters mit dem zweiten Fehlerquadrat- Koeffizienten multipliziert, und
ein Summierglied, das den multiplizierten verzögerten Vorhersagewert des Prozeßparameters mit dem multiplizierten Prozeßparameter-Meßwert addiert zur Bildung des eingestell ten Vorhersagewerts des Prozeßparameters.
eine Verzögerungseinheit, die den Vorhersagewert des von dem Vorhersagemodell abgegebenen Prozeßparameters ver zögert,
einen Multiplizierer, der den verzögerten Vorhersage wert des Prozeßparameters mit dem zweiten Fehlerquadrat- Koeffizienten multipliziert, und
ein Summierglied, das den multiplizierten verzögerten Vorhersagewert des Prozeßparameters mit dem multiplizierten Prozeßparameter-Meßwert addiert zur Bildung des eingestell ten Vorhersagewerts des Prozeßparameters.
35. Adaptives Vorhersagemodell nach Anspruch 27, dadurch
gekennzeichnet, daß das Vorhersagemodell, die Rechenroutine
und die Kombinationsroutine einen Funktionsblock bilden.
36. Adaptives Vorhersagemodell nach Anspruch 35, dadurch
gekennzeichnet, daß der Funktionsblock ein Fieldbus-
Protokoll-Funktionsblock ist.
37. Adaptives Vorhersagemodell nach Anspruch 35, dadurch
gekennzeichnet, daß die Eingangseinheit ein manueller Ein
gangsfunktionsblock ist.
38. Adaptives Vorhersagemodell nach Anspruch 35, ferner
gekennzeichnet durch einen manuellen Eingangsfunktions
block, der mit der Eingangseinheit gekoppelt und so ausge
bildet ist, daß er den Prozeßparameter-Meßwert an die Ein
gangseinheit überträgt.
39. Adaptives Vorhersagemodell nach Anspruch 35, ferner
gekennzeichnet durch einen weiteren Eingangsfunktionsblock,
der mit der Eingangseinheit gekoppelt und so ausgebildet
ist, daß er den Prozeßparameter-Meßwert zu der Eingangsein
heit überträgt.
40. Adaptives Vorhersagemodell nach Anspruch 39, dadurch
gekennzeichnet, daß der weitere Eingangsfunktionsblock so
ausgebildet ist, daß er eine Anzeige der zu dem Prozeßpara
meter-Meßwert gehörenden Abtastdauer zu der Eingangseinheit
überträgt.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US590630 | 1990-09-28 | ||
US09/590,630 US6760716B1 (en) | 2000-06-08 | 2000-06-08 | Adaptive predictive model in a process control system |
Publications (2)
Publication Number | Publication Date |
---|---|
DE10127790A1 true DE10127790A1 (de) | 2002-01-24 |
DE10127790B4 DE10127790B4 (de) | 2013-03-14 |
Family
ID=24363000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE10127790A Expired - Fee Related DE10127790B4 (de) | 2000-06-08 | 2001-06-07 | Adaptives Vorhersagemodell in einem Prozeßsteuerungssystem |
Country Status (4)
Country | Link |
---|---|
US (1) | US6760716B1 (de) |
JP (2) | JP4993820B2 (de) |
DE (1) | DE10127790B4 (de) |
GB (1) | GB2363211B (de) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AT503846B1 (de) * | 2006-07-03 | 2008-07-15 | Hofkirchner Hubertus Mag | Verahren und system zur automatisierten ermittlung von optimierten prognosen |
US11460781B2 (en) | 2017-10-06 | 2022-10-04 | Canon Kabushiki Kaisha | Control device for generating a control deviation via machine learning |
Families Citing this family (79)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI245685B (en) * | 2002-10-03 | 2005-12-21 | Hu Hou Fei | Simple clamping device of ratchet wrench |
US7103426B2 (en) * | 2003-01-28 | 2006-09-05 | Rosemount Analytical Inc. | Anticipatory high frequency noise compensation in a distributed process control system |
US7003438B1 (en) * | 2003-01-29 | 2006-02-21 | Kernco, Inc. | Apparatus for correcting for the effects of laser noise |
US7242989B2 (en) | 2003-05-30 | 2007-07-10 | Fisher-Rosemount Systems, Inc. | Apparatus and method for batch property estimation |
US7136779B2 (en) * | 2004-05-28 | 2006-11-14 | Daimlerchrysler Ag | Method for simplified real-time diagnoses using adaptive modeling |
US7328197B2 (en) * | 2004-09-23 | 2008-02-05 | International Business Machines Corporation | Identifying a state of a data storage drive using an artificial neural network generated model |
US7392161B2 (en) * | 2004-09-24 | 2008-06-24 | International Business Machines Corporation | Identifying a state of a system using an artificial neural network generated model |
US7173539B2 (en) * | 2004-09-30 | 2007-02-06 | Florida Power And Light Company | Condition assessment system and method |
JP2006347701A (ja) * | 2005-06-16 | 2006-12-28 | Komori Corp | シート状物押え装置 |
US7613665B2 (en) * | 2005-06-24 | 2009-11-03 | Halliburton Energy Services, Inc. | Ensembles of neural networks with different input sets |
US7877154B2 (en) * | 2005-09-30 | 2011-01-25 | Fisher-Rosemount Systems, Inc. | Method and system for controlling a batch process |
EP1994456A4 (de) * | 2006-03-16 | 2010-05-19 | Applied Materials Inc | Verfahren und vorrichtung zur drucksteuerung in herstellungssystemen für elektronische geräte |
US7840287B2 (en) * | 2006-04-13 | 2010-11-23 | Fisher-Rosemount Systems, Inc. | Robust process model identification in model based control techniques |
US7949417B2 (en) * | 2006-09-22 | 2011-05-24 | Exxonmobil Research And Engineering Company | Model predictive controller solution analysis process |
US20080082295A1 (en) * | 2006-09-28 | 2008-04-03 | Fisher-Rosemount Systems, Inc. | Abnormal situation prevention in a coker heater |
WO2008112921A1 (en) * | 2007-03-14 | 2008-09-18 | Halliburton Energy Services, Inc. | Neural-network based surrogate model construction methods and applications thereof |
US7787969B2 (en) * | 2007-06-15 | 2010-08-31 | Caterpillar Inc | Virtual sensor system and method |
US8866626B2 (en) | 2008-01-31 | 2014-10-21 | Basler Electric Company | System and method for detecting generator incipient failures |
US8275488B2 (en) * | 2008-01-31 | 2012-09-25 | Basler Electric Co. | Digital excitation control system utilizing swarm intelligence and an associated method of use |
US20090195224A1 (en) * | 2008-01-31 | 2009-08-06 | Basler Electric Company | Digital Excitation Control System Utilizing Self-Tuning PID Gains and an Associated Method of Use |
US20100089067A1 (en) * | 2008-10-10 | 2010-04-15 | General Electric Company | Adaptive performance model and methods for system maintenance |
EP2413205B1 (de) * | 2009-03-27 | 2014-04-09 | Honda Motor Co., Ltd. | Steuerung für eine anlage |
JP5790066B2 (ja) * | 2011-03-29 | 2015-10-07 | Jfeスチール株式会社 | プロセス制御の操作量プリセット方法 |
JP5852328B2 (ja) | 2011-05-27 | 2016-02-03 | デルタ工業株式会社 | シートスライドロック装置 |
US8793004B2 (en) | 2011-06-15 | 2014-07-29 | Caterpillar Inc. | Virtual sensor system and method for generating output parameters |
CN103019267B (zh) * | 2012-12-10 | 2016-06-22 | 华东交通大学 | 高速列车anfis建模与运行速度预测控制方法 |
US9507344B2 (en) * | 2013-05-10 | 2016-11-29 | Honeywell International Inc. | Index generation and embedded fusion for controller performance monitoring |
US10162317B2 (en) * | 2013-06-27 | 2018-12-25 | The Boeing Company | Real-time feedback control for performing tooling operations in assembly processes |
US9528914B2 (en) * | 2013-09-27 | 2016-12-27 | Rosemount, Inc. | Non-intrusive sensor system |
CN103771582B (zh) * | 2013-12-06 | 2015-08-12 | 浙江浙大中控信息技术有限公司 | 污水处理的曝气控制方法 |
US10346752B2 (en) * | 2014-04-17 | 2019-07-09 | International Business Machines Corporation | Correcting existing predictive model outputs with social media features over multiple time scales |
US9574511B2 (en) | 2014-07-24 | 2017-02-21 | Basler Electric Company | System and method for a load anticipation feature and its tuning method for a generating set |
JP6632538B2 (ja) * | 2014-10-10 | 2020-01-22 | 国立研究開発法人科学技術振興機構 | 予測値整形システム、制御システム、予測値整形方法、制御方法、及び予測値整形プログラム |
US10180680B2 (en) * | 2015-03-30 | 2019-01-15 | Uop Llc | Tuning system and method for improving operation of a chemical plant with a furnace |
US9864823B2 (en) | 2015-03-30 | 2018-01-09 | Uop Llc | Cleansing system for a feed composition based on environmental factors |
US10095200B2 (en) | 2015-03-30 | 2018-10-09 | Uop Llc | System and method for improving performance of a chemical plant with a furnace |
US11216718B2 (en) | 2015-10-27 | 2022-01-04 | Yardi Systems, Inc. | Energy management system |
US10268965B2 (en) | 2015-10-27 | 2019-04-23 | Yardi Systems, Inc. | Dictionary enhancement technique for business name categorization |
US10274983B2 (en) | 2015-10-27 | 2019-04-30 | Yardi Systems, Inc. | Extended business name categorization apparatus and method |
US10275841B2 (en) | 2015-10-27 | 2019-04-30 | Yardi Systems, Inc. | Apparatus and method for efficient business name categorization |
KR20170078387A (ko) * | 2015-12-29 | 2017-07-07 | 삼성전자주식회사 | 센서 관리 장치 및 방법 |
US11044260B2 (en) * | 2016-04-01 | 2021-06-22 | The Regents Of The University Of Michigan | Fingerprinting electronic control units for vehicle intrusion detection |
CN106019940B (zh) * | 2016-06-21 | 2019-02-12 | 重庆科技学院 | 基于ukf神经网络的转炉炼钢工艺成本控制方法及系统 |
US10222787B2 (en) | 2016-09-16 | 2019-03-05 | Uop Llc | Interactive petrochemical plant diagnostic system and method for chemical process model analysis |
AT519777B1 (de) * | 2017-03-22 | 2019-12-15 | Ait Austrian Inst Tech Gmbh | Verfahren zur Erkennung des normalen Betriebszustands eines Arbeitsprozesses |
US10754359B2 (en) | 2017-03-27 | 2020-08-25 | Uop Llc | Operating slide valves in petrochemical plants or refineries |
US10678272B2 (en) | 2017-03-27 | 2020-06-09 | Uop Llc | Early prediction and detection of slide valve sticking in petrochemical plants or refineries |
US10962302B2 (en) | 2017-03-28 | 2021-03-30 | Uop Llc | Heat exchangers in a petrochemical plant or refinery |
US11130111B2 (en) | 2017-03-28 | 2021-09-28 | Uop Llc | Air-cooled heat exchangers |
US10752845B2 (en) | 2017-03-28 | 2020-08-25 | Uop Llc | Using molecular weight and invariant mapping to determine performance of rotating equipment in a petrochemical plant or refinery |
US10794401B2 (en) | 2017-03-28 | 2020-10-06 | Uop Llc | Reactor loop fouling monitor for rotating equipment in a petrochemical plant or refinery |
US10844290B2 (en) | 2017-03-28 | 2020-11-24 | Uop Llc | Rotating equipment in a petrochemical plant or refinery |
US10752844B2 (en) | 2017-03-28 | 2020-08-25 | Uop Llc | Rotating equipment in a petrochemical plant or refinery |
US10663238B2 (en) | 2017-03-28 | 2020-05-26 | Uop Llc | Detecting and correcting maldistribution in heat exchangers in a petrochemical plant or refinery |
US11037376B2 (en) | 2017-03-28 | 2021-06-15 | Uop Llc | Sensor location for rotating equipment in a petrochemical plant or refinery |
US11396002B2 (en) | 2017-03-28 | 2022-07-26 | Uop Llc | Detecting and correcting problems in liquid lifting in heat exchangers |
US10670027B2 (en) | 2017-03-28 | 2020-06-02 | Uop Llc | Determining quality of gas for rotating equipment in a petrochemical plant or refinery |
US10816947B2 (en) | 2017-03-28 | 2020-10-27 | Uop Llc | Early surge detection of rotating equipment in a petrochemical plant or refinery |
US10670353B2 (en) | 2017-03-28 | 2020-06-02 | Uop Llc | Detecting and correcting cross-leakage in heat exchangers in a petrochemical plant or refinery |
US10794644B2 (en) | 2017-03-28 | 2020-10-06 | Uop Llc | Detecting and correcting thermal stresses in heat exchangers in a petrochemical plant or refinery |
US10695711B2 (en) | 2017-04-28 | 2020-06-30 | Uop Llc | Remote monitoring of adsorber process units |
US10913905B2 (en) | 2017-06-19 | 2021-02-09 | Uop Llc | Catalyst cycle length prediction using eigen analysis |
US11365886B2 (en) | 2017-06-19 | 2022-06-21 | Uop Llc | Remote monitoring of fired heaters |
US10739798B2 (en) | 2017-06-20 | 2020-08-11 | Uop Llc | Incipient temperature excursion mitigation and control |
US11130692B2 (en) | 2017-06-28 | 2021-09-28 | Uop Llc | Process and apparatus for dosing nutrients to a bioreactor |
US10994240B2 (en) | 2017-09-18 | 2021-05-04 | Uop Llc | Remote monitoring of pressure swing adsorption units |
US11194317B2 (en) | 2017-10-02 | 2021-12-07 | Uop Llc | Remote monitoring of chloride treaters using a process simulator based chloride distribution estimate |
US11676061B2 (en) | 2017-10-05 | 2023-06-13 | Honeywell International Inc. | Harnessing machine learning and data analytics for a real time predictive model for a FCC pre-treatment unit |
WO2019069649A1 (ja) * | 2017-10-06 | 2019-04-11 | キヤノン株式会社 | 制御装置、リソグラフィ装置、測定装置、加工装置、平坦化装置及び物品製造方法 |
US11105787B2 (en) | 2017-10-20 | 2021-08-31 | Honeywell International Inc. | System and method to optimize crude oil distillation or other processing by inline analysis of crude oil properties |
US10794609B2 (en) * | 2018-02-05 | 2020-10-06 | Mitsubishi Electric Research Laboratories, Inc. | Methods and systems for personalized heating, ventilation, and air conditioning |
US10901403B2 (en) | 2018-02-20 | 2021-01-26 | Uop Llc | Developing linear process models using reactor kinetic equations |
US10734098B2 (en) | 2018-03-30 | 2020-08-04 | Uop Llc | Catalytic dehydrogenation catalyst health index |
US11301504B2 (en) * | 2018-09-28 | 2022-04-12 | International Business Machines Corporation | Post hoc bias compensation |
US10953377B2 (en) | 2018-12-10 | 2021-03-23 | Uop Llc | Delta temperature control of catalytic dehydrogenation process reactors |
EP3871100A4 (de) * | 2019-02-11 | 2021-12-01 | Bitmovin, Inc. | Vorhersageadaptionslogik auf datenblockbasis |
JP7241597B2 (ja) * | 2019-04-23 | 2023-03-17 | 東京エレクトロン株式会社 | 制御方法、計測方法、制御装置及び熱処理装置 |
EP3751361A1 (de) * | 2019-06-13 | 2020-12-16 | ABB Schweiz AG | System zur aktionsanzeigebestimmung |
JP2022059871A (ja) * | 2020-10-02 | 2022-04-14 | キヤノン株式会社 | フィードバック制御装置、リソグラフィ装置、測定装置、加工装置、平坦化装置、物品の製造方法、コンピュータプログラム、およびフィードバック制御方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4054780A (en) | 1976-11-01 | 1977-10-18 | Phillips Petroleum Company | Gain-adaptive process control |
US4733733A (en) | 1986-02-11 | 1988-03-29 | Nl Industries, Inc. | Method of controlling the direction of a drill bit in a borehole |
JPH0414105A (ja) * | 1990-05-08 | 1992-01-20 | Toshiba Corp | プロセス制御装置 |
JPH06110861A (ja) * | 1992-09-30 | 1994-04-22 | Hitachi Ltd | 適応的制御システム |
JPH08505967A (ja) * | 1992-11-24 | 1996-06-25 | パヴィリオン・テクノロジーズ・インコーポレイテッド | 欠落および/または不完全なデータを有するニューラルネットワークを作動するための方法および装置 |
US5539638A (en) * | 1993-08-05 | 1996-07-23 | Pavilion Technologies, Inc. | Virtual emissions monitor for automobile |
DE4338608B4 (de) * | 1993-11-11 | 2005-10-06 | Siemens Ag | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System |
JP3234109B2 (ja) * | 1994-09-08 | 2001-12-04 | 株式会社東芝 | プロセス制御装置 |
US5659667A (en) * | 1995-01-17 | 1997-08-19 | The Regents Of The University Of California Office Of Technology Transfer | Adaptive model predictive process control using neural networks |
US5680409A (en) * | 1995-08-11 | 1997-10-21 | Fisher-Rosemount Systems, Inc. | Method and apparatus for detecting and identifying faulty sensors in a process |
US5877954A (en) * | 1996-05-03 | 1999-03-02 | Aspen Technology, Inc. | Hybrid linear-neural network process control |
US5727128A (en) * | 1996-05-08 | 1998-03-10 | Fisher-Rosemount Systems, Inc. | System and method for automatically determining a set of variables for use in creating a process model |
JP3641918B2 (ja) * | 1997-10-09 | 2005-04-27 | 富士電機システムズ株式会社 | 電力需要量予測値補正方法 |
JPH11351049A (ja) * | 1998-06-10 | 1999-12-21 | Matsushita Electric Ind Co Ltd | パラメータ推定制御装置 |
US6484133B1 (en) * | 2000-03-31 | 2002-11-19 | The University Of Chicago | Sensor response rate accelerator |
-
2000
- 2000-06-08 US US09/590,630 patent/US6760716B1/en not_active Expired - Lifetime
-
2001
- 2001-06-07 DE DE10127790A patent/DE10127790B4/de not_active Expired - Fee Related
- 2001-06-08 GB GB0113932A patent/GB2363211B/en not_active Expired - Fee Related
- 2001-06-08 JP JP2001173695A patent/JP4993820B2/ja not_active Expired - Fee Related
-
2011
- 2011-03-14 JP JP2011055809A patent/JP5297489B2/ja not_active Expired - Fee Related
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AT503846B1 (de) * | 2006-07-03 | 2008-07-15 | Hofkirchner Hubertus Mag | Verahren und system zur automatisierten ermittlung von optimierten prognosen |
US11460781B2 (en) | 2017-10-06 | 2022-10-04 | Canon Kabushiki Kaisha | Control device for generating a control deviation via machine learning |
Also Published As
Publication number | Publication date |
---|---|
US6760716B1 (en) | 2004-07-06 |
DE10127790B4 (de) | 2013-03-14 |
GB2363211A (en) | 2001-12-12 |
JP4993820B2 (ja) | 2012-08-08 |
GB0113932D0 (en) | 2001-08-01 |
JP2002049409A (ja) | 2002-02-15 |
JP5297489B2 (ja) | 2013-09-25 |
JP2011118947A (ja) | 2011-06-16 |
GB2363211B (en) | 2004-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE10127790A1 (de) | Adaptives Vorhersagemodell in einem Prozeßsteuerungssystem | |
DE10304902B4 (de) | Anpassung von erweiterten Prozeßsteuerblöcken in Abhängigkeit von veränderlichen Prozeßverzögerungen | |
DE102004026979B4 (de) | Vielfacheingabe- /Vielfachausgabe-Steuer-/Regelblöcke mit nichtlinearen Vorhersagefähigkeiten | |
DE102007017039B4 (de) | Robuste Prozessmodellidentifikation bei modellbasierten Steuerungstechniken | |
DE102004058238B4 (de) | Adaptive, multivariable Prozesssteuerung, die Modellschaltung und Attribut-Interpolation nutzt | |
DE10021698B4 (de) | Auf einem einzelnen Computer realisierte integrierende Funktionalität für ein verteiltes Prozessregelsystem | |
DE102006045429B4 (de) | Adaptive, Modellprädiktive Online-Steuerung in einem Prozesssteuerungssystem | |
DE10048360B4 (de) | Integrierte, fortschrittliche Steuerblöcke in Prozeßsteuersystemen | |
DE10049513B4 (de) | Verfahren und System zum Ermitteln von Abstimmparametern für eine Prozesssteuereinrichtung aus einer Robustheitskarte | |
DE10127788B4 (de) | Integrierte Optimalmodell-Vorhersagesteuerung in einem Prozeßsteuerungssystem | |
DE3721186C2 (de) | ||
DE102014109033A1 (de) | Nicht intrusive datenanalyse in einem prozesssteuerungssystem | |
DE19531967C2 (de) | Verfahren zum Training eines neuronalen Netzes mit dem nicht deterministischen Verhalten eines technischen Systems | |
DE3512276A1 (de) | Mustererkennender, selbstanpassender regler | |
DE4338615A1 (de) | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System | |
DE102008038347A1 (de) | Verfahren zur Analyse der Leistungscharakteristik einer Gasturbine und System zur Analyse der Leistungscharakteristik einer Gasturbine | |
DE102020118259A1 (de) | Echtzeitsteuerung unter verwendung der gerichteten vorhersage-simulation innerhalb eines steuerungssystems einer prozessanlage | |
DE102011012710A1 (de) | Schnelle Identifikation und Erzeugung von Prozessmodellen | |
DE102013100434A1 (de) | Kompensieren von Sollwertänderungen in einer nicht-periodisch aktualisierten Steuereinrichtung | |
DE4338607A1 (de) | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System | |
DE112018000468T5 (de) | Verfahren zum Entwerfen eines Filters eines Verzögerungskompensators, Regelungsverfahren unter Verwendung desselben und Motorsteuervorrichtung | |
EP2082294B1 (de) | Verfahren und vorrichtung zur identifikation einer verzögerungsbehafteten regelstrecke, regeleinrichtung und computerprogrammprodukt | |
DE102004025876B4 (de) | Vorrichtung und Verfahren zur Stapeleigenschaftsschätzung | |
DE102016119421A1 (de) | Geschwindigkeitsbasierte Regelung in einem nichtperiodisch aktualisierten Controller | |
EP3542229A1 (de) | Einrichtung und verfahren zur bestimmung der parameter einer regeleinrichtung |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8110 | Request for examination paragraph 44 | ||
8125 | Change of the main classification |
Ipc: G05B 1700 20060101 |
|
R016 | Response to examination communication | ||
R018 | Grant decision by examination section/examining division | ||
R020 | Patent grant now final |
Effective date: 20130615 |
|
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |