DE112021005167T5 - Chancenerkennung in echtzeit zur produktivitätssteigerung - Google Patents

Chancenerkennung in echtzeit zur produktivitätssteigerung Download PDF

Info

Publication number
DE112021005167T5
DE112021005167T5 DE112021005167.9T DE112021005167T DE112021005167T5 DE 112021005167 T5 DE112021005167 T5 DE 112021005167T5 DE 112021005167 T DE112021005167 T DE 112021005167T DE 112021005167 T5 DE112021005167 T5 DE 112021005167T5
Authority
DE
Germany
Prior art keywords
time series
operating
series data
computer
program instructions
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE112021005167.9T
Other languages
English (en)
Inventor
Nianjun Zhou
Dharmashankar Subramanian
WingHang Crystal Lui
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by International Business Machines Corp filed Critical International Business Machines Corp
Publication of DE112021005167T5 publication Critical patent/DE112021005167T5/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D3/00—Distillation or related exchange processes in which liquids are contacted with gaseous media, e.g. stripping
    • B01D3/42—Regulation; Control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Stored Programmes (AREA)

Abstract

Bei einem Ansatz zur Chancenerkennung in Echtzeit zur Produktivitätssteigerung eines Produktionsprozesses extrahiert ein Prozessor einen Satz von Merkmalen aus Zeitreihendaten durch automatische Codierung mithilfe eines neuronalen Netzes auf Grundlage von Nichtsteuervariablen für die Zeitreihendaten. Ein Prozessor identifiziert einen oder mehrere Betriebsmodi auf Grundlage der extrahierten Merkmale einschließlich einer Dimensionsverringerung mit einem Darstellungslernen aus den Zeitreihendaten. Ein Prozessor identifiziert auf Grundlage der extrahierten Merkmale eine Nachbarschaft eines aktuellen Betriebszustands. Ein Prozessor vergleicht den aktuellen Betriebszustand mit historischen Betriebszuständen auf Grundlage der Zeitreihendaten in demselben Betriebsmodus. Ein Prozessor erkennt eine Betriebschance auf Grundlage des Vergleichs des aktuellen Betriebszustands mit den historischen Betriebszuständen mithilfe der Nachbarschaft. Ein Prozessor identifiziert Steuervariablen in demselben Modus, wobei die Variablen für den aktuellen Betriebszustand relevant sind.

Description

  • HINTERGRUND
  • Die vorliegende Offenbarung bezieht sich allgemein auf das Gebiet des maschinellen Lernens und, genauer gesagt, auf eine Chancenerkennung in Echtzeit zur Produktivitätssteigerung eines Produktionsprozesses mithilfe einer Codierung von historischen Daten.
  • Viele Produktionsprozesse können recht komplex sein. Beispielsweise kann bei einer Ölsandproduktion das abgebaute Erz mehrere Phasen der Gewinnung, Aufbereitung und Veredelung durchlaufen. Ähnliche Prozesse sind in Prozessen der Lebensmittel- und Stahlproduktion zu finden. Der Abfluss aus einem vorgelagerten Prozess kann zu einem Zufluss in einen nachgelagerten Prozess werden. Jede Phase kann mit mehreren Komponenten und Prozessen einhergehen, und bei dem System handelt es sich um ein dynamisches System. Bei einem Ölsandprozess wird der Betrieb bei einer typischen Konfiguration mit voller Kapazität durchgeführt, wenn genügend Rohstoff aus dem Abbau verfügbar ist und alle Komponenten ordnungsgemäß funktionieren. Ein Aufbereitungsprozessbetrieb kann ohne einen Vakuumprozess durchgeführt werden. Ein niedriger Produktionsmodus kann sich ergeben, wenn eine Qualität von Bitumen aus verarbeitetem Ölsand gering ist (z.B. mit einer hohen Chloridkonzentration), um eine Verschlechterung einer Verkokungseinheit zu vermeiden. Ein Betrieb in Teilleistung kann auftreten, wenn eine Rohstoffbahnlinie gewartet wird.
  • Herkömmlich wird ein Großteil von produziertem Bitumen zu synthetischem Rohöl aufbereitet, bevor es auf dem Markt an Raffinerien verkauft wird. Ein Teil des Bitumens ist jedoch gut genug, um direkt an eine Raffinerie mit hohem Umwandlungsgrad geliefert zu werden, die in der Lage ist, schweres/saures Rohöl zu verarbeiten. Ein solches Beispiel für verdünntes Bitumen, das direkt an die Raffinerien verkauft wird, enthält Produkte aus In-situ-Anlagen und sonstigen Orten. Erdölprodukte können aus Ölsanden durch drei grundlegende Schritte produziert werden: i) Gewinnung des Bitumens aus den Ölsanden, wobei die Feststoffe und das Wasser entfernt werden, ii) Aufbereitung des schweren Bitumens zu einem leichteren Rohöl-Zwischenprodukt und iii) Raffinieren des Rohöls zu Endprodukten wie Benzin, Schmierstoffen und Verdünnungsmitteln. Alle diese Prozesse gehen mit mehreren aufeinanderfolgenden Schritten einer physikalischen oder chemischen Umsetzung einher, um ein Material in ein anderes umzuwandeln. Um mehrere Ziele innerhalb eines solchen Produktionssystems zu erreichen, ist ein optimales Gleichgewicht von Prozessen erforderlich. Es besteht eine Notwendigkeit, dass ein Anlagenbetreiber nach Chancen zur Produktivitätssteigerung sucht, zum Beispiel weniger Rohstoffe, weniger teure Zusatzstoffe, ein höheres Endprodukt. Darüber hinaus besteht eine Notwendigkeit, sich auf spezifische Bereiche mit hohem Geschäftswert zu konzentrieren, um einen Wertzuwachs in einem lokalen Schritt eines Herstellungsprozesses bereitzustellen. Eine weitere Notwendigkeit besteht darin, Chancen für Kosten-, Rohstoff- und Energieeinsparmodelle zu erkennen und dazu beizutragen, eine zusätzliche Gewinnsteigerung zu erzielen, die auf einen lokalen Schritt eines Gesamtanlagenbetriebs beschränkt ist, wobei die Chancen in einem Fertigungsprozess innerhalb relativ kurzer Zeitfenster liegen.
  • KURZDARSTELLUNG
  • Bestimmte Mängel des Standes der Technik werden beseitigt, und zusätzliche Vorteile werden durch die Bereitstellung eines Ansatzes zur Chancenerkennung in Echtzeit zur Produktivitätssteigerung eines Produktionsprozesses bereitgestellt. Zweckmäßigerweise extrahiert ein Prozessor einen Satz von Merkmalen aus Zeitreihendaten durch automatische Codierung mithilfe eines neuronalen Netzes auf Grundlage von Nichtsteuervariablen für die Zeitreihendaten. Ein Prozessor identifiziert einen oder mehrere Betriebsmodi auf Grundlage der extrahierten Merkmale einschließlich einer Dimensionsverringerung mit einem Darstellungslernen aus den Zeitreihendaten. Ein Prozessor identifiziert auf Grundlage der extrahierten Merkmale eine Nachbarschaft eines aktuellen Betriebszustands. Ein Prozessor vergleicht den aktuellen Betriebszustand mit historischen Betriebszuständen auf Grundlage der Zeitreihendaten in demselben Betriebsmodus. Ein Prozessor erkennt eine Betriebschance auf Grundlage des Vergleichs des aktuellen Betriebszustands mit den historischen Betriebszuständen mithilfe der Nachbarschaft. Ein Prozessor identifiziert Steuervariablen in demselben Modus, wobei die Variablen für den aktuellen Betriebszustand relevant sind. Ein Prozessor empfiehlt eine Aktionsstrategie auf Grundlage der einen oder mehreren Steuervariablen, der einen oder mehreren Nichtsteuervariablen und einer Zielproduktivität.
  • Bei einer oder mehreren Ausführungsformen wird ein auf einem Computer implementiertes Verfahren zum Überwachen von Zeitreihendaten bereitgestellt, die von einem oder mehreren Sensoren erzeugt werden. Bei den Zeitreihendaten kann es sich zum Beispiel um Daten aus einem Ölsandbetriebs- und -produktionsprozess handeln. Erdölprodukte können aus Ölsanden durch mehrere Phasen produziert werden, z.B. durch Gewinnung, Aufbereitung und Veredelung. Um mehrere Ziele innerhalb eines solchen Produktionssystems zu erreichen, wird zweckmäßigerweise ein optimales Gleichgewicht von Prozessen bereitgestellt.
  • Bei einer oder mehreren Ausführungsformen wird ein auf einem Computer implementiertes Verfahren bereitgestellt, um einen Satz von Merkmalen aus den Zeitreihendaten durch automatisches Codieren mithilfe eines neuronalen Netzes, z.B. eines LSTM-Auto-Encoders, auf Grundlage einer oder mehrerer Nichtsteuervariablen für die Zeitreihendaten zu extrahieren. Zweckmäßigerweise verwendet der LSTM-Auto-Encoder nicht nur den Satz von Merkmalen zum Lernen, sondern lernt auch den Satz von Merkmalen durch den LSTM-Auto-Encoder. Bei dem Satz von Merkmalen handelt es sich um Informationen im Zusammenhang mit den Zeitreihendaten. Der Satz von Merkmalen kann eine einzelne messbare Eigenschaft oder Besonderheit eines Phänomens sein, das anhand der Zeitreihendaten beobachtet wird. Ein Chancenerkennungsmodul kann einen Teilsatz von relevanten Merkmalen zum Erstellen eines Vorhersagemodells auf Grundlage der Nichtsteuervariablen auswählen, die einen Mangel an Steuerung der Zeitreihendaten durch einen Benutzer definieren. Zweckmäßigerweise kann das Chancenerkennungsmodul die Anzahl von Ressourcen verringern, die zum Beschreiben der Zeitreihendaten erforderlich sind. Das Chancenerkennungsmodul kann Kombinationen der Nichtsteuervariablen, die die Zeitreihendaten beschreiben, mit ausreichender Genauigkeit durch den LSTM-Auto-Encoder erstellen. Zweckmäßigerweise kann der LSTM-Auto-Encoder die Zeitreihendaten auf Grundlage eines automatischen Codierungsprozesses aufrufen, um Dimensionen eines Sensor-Tag-Raums auf einen begrenzten Einbettungsraum zu verringern.
  • Bei einer oder mehreren Ausführungsformen wird ein auf einem Computer implementiertes Verfahren bereitgestellt, um einen oder mehrere Betriebsmodi auf Grundlage der extrahierten Merkmale einschließlich einer Dimensionsverringerung mit Darstellungslernen aus den Zeitreihendaten zu identifizieren. Zweckmäßigerweise handelt es sich bei einer Dimensionsverringerung um eine Umwandlung der Zeitreihendaten von einem hochdimensionalen Raum in einen niedrigdimensionalen Raum, so dass die niedrigdimensionale Darstellung einige aussagekräftige Eigenschaften der ursprünglichen Daten, idealerweise nahe an der intrinsischen Dimension, beibehält. Zweckmäßigerweise kann eine Nachbarschaft für den aktuellen Betriebszustand identifiziert werden. Die Nachbarschaft kann ein dynamischer Modus innerhalb desselben Betriebsmodus sein und kann durch euklidische Abstände zwischen dem historischen Betriebszustand und dem aktuellen Betriebszustand gefunden werden. Statt sich auf eine auf Regeln beruhende Moduserkennung zu stützen, die viel Vorwissen und gespeicherte Grundsätze erfordert, wird zweckmäßigerweise ein automatischer Prozess bereitgestellt. Das Chancenerkennungsmodul kann eine Chancenumsetzung durch eine Analyse mithilfe von unüberwachtem maschinellen Lernen erzielen. Beispielsweise kann das Chancenerkennungsmodul eine Betriebschance durch den Vergleich des aktuellen Zustands mit den ähnlichen historischen Betriebsvorgängen innerhalb des Modus oder der Nachbarschaft identifizieren.
  • Bei einer oder mehreren Ausführungsformen wird ein durch einen Computer implementiertes Verfahren bereitgestellt, um mit dem Chancenerkennungsmodul einen aktuellen Betriebszustand mit einem historischen Betriebszustand auf Grundlage der Zeitreihendaten in einem selben Betriebsmodus des einen oder der mehreren Betriebsmodi zu vergleichen. Zweckmäßigerweise kann das Chancenerkennungsmodul einen spezifischen Modus identifizieren, in dem sich der aktuelle Betriebszustand befindet. Das Chancenerkennungsmodul kann Cluster mithilfe einer Komprimierung mit t-verteilter stochastischer Nachbarschaftseinbettung (t-distributed Stochastic Neighbor Embedding, t-SNE) projizieren, um einen Graphen zu erzeugen. Das Chancenerkennungsmodul kann hochdimensionale Punkte so in niedrige Dimensionen einbetten, dass Ähnlichkeiten zwischen Punkten mit der t-SNE-Komprimierung berücksichtigt werden. In einem Beispiel kann das Chancenerkennungsmodul eine hohe Bitumengewinnung erzielen, indem es den aktuellen Betriebszustand mit sonstigen Betriebsvorgängen vergleicht, die sich in einem selben Modus befinden. Das Chancenerkennungsmodul kann Episoden mit schlechter Leistungsfähigkeit analysieren und kann eine Betriebschance zur Verbesserung erkennen.
  • Bei einer oder mehreren Ausführungsformen wird ein auf einem Computer implementiertes Verfahren bereitgestellt, um eine Betriebschance auf Grundlage des Vergleichs des aktuellen Betriebszustands mit dem historischen Betriebszustand zu erkennen. Zweckmäßigerweise kann die Betriebschance durch den Vergleich des aktuellen Zustands mit den ähnlichen historischen Betriebsvorgängen innerhalb des Modus oder der Nachbarschaft identifiziert werden. In einem Beispiel kann die Betriebschance ein Satz von Betriebsänderungen sein, die aus dem historischen Betriebszustand abgeleitet werden, um den aktuellen Betriebszustand in einem definierten kurzfristigen zukünftigen Zeitraum, zum Beispiel in einem Zwei-Stunden-Fenster, auf eine höhere Produktion zu steigern. In einem weiteren Beispiel kann die Betriebschance ein Satz von Betriebsänderungen sein, die aus dem historischen Betriebszustand abgeleitet werden, um den aktuellen Betriebszustand in einem definierten kurzfristigen zukünftigen Zeitraum auf eine geringe Nutzung von Zusatzstoffen oder Rohstoffen zu verringern. Es ist möglich, sonstige geeignete Chancen zu finden.
  • Bei einer oder mehreren Ausführungsformen wird ein auf einem Computer implementiertes Verfahren bereitgestellt, um Steuervariablen in demselben Modus zu identifizieren, wobei die Variablen für den aktuellen Betriebszustand relevant sind. Zweckmäßigerweise können die Steuervariablen dazu verwendet werden, Belohnungen (oder Chancen) aus den Episoden der Zeitreihendaten zu berechnen. Bei den Steuervariablen kann es sich zum Beispiel um Produktionsraten und Rohstoffvariablen handeln, die der Benutzer auf Grundlage der besten gefundenen benachbarten Episoden optimieren kann. Die Steuervariablen können aus einer erstellten Nachbarschaft von ähnlichen historischen Nichtsteuervariablen identifiziert werden, um auf Grundlage der Zeitreihendaten mögliche Aktionsstrategien zu erstellen, die für den aktuellen Zustand relevant sind.
  • Bei einer oder mehreren Ausführungsformen wird ein durch einen Computer implementiertes Verfahren bereitgestellt, um eine Aktionsstrategie auf Grundlage der Steuervariablen, der Nichtsteuervariablen und einer Zielproduktivität zu empfehlen. Zweckmäßigerweise kann eine Ähnlichkeitsmessung definiert werden, um historische Episoden aus den Zeitreihendaten mit einem ähnlichen Betriebszustand auf Grundlage des Vergleichs des aktuellen Zustands mit dem historischen Betriebszustand zu identifizieren. Eine Episode kann aus den historischen Episoden erstellt werden, die eine(n) höhere(n) Produktivität oder Durchsatz zeigen. Bewertungen können auf Grundlage von alternativen Aktionsstrategien erstellt werden und können zum Empfehlen einer Aktionsstrategie auf Grundlage der Bewertung für jede alternative Aktionsstrategie verwendet werden.
  • Bei einer oder mehreren Ausführungsformen wird ein auf einem Computer implementiertes Verfahren bereitgestellt, um eine Aktionsstrategie für einen Benutzer auszugeben. Zweckmäßigerweise kann eine Nachbarschaftsepisode mithilfe eines Diagramms mit Zeitmarke auf einer Benutzeroberfläche dargestellt werden. Ein geschätzter Gewinn der Aktionsstrategie kann dargestellt werden.
  • In einem weiteren Aspekt wird ein Computerprogrammprodukt bereitgestellt, das ein oder mehrere durch einen Computer lesbare Speichermedien und Programmanweisungen enthält, die gemeinsam auf dem einen oder den mehreren durch einen Computer lesbaren Speichermedien gespeichert sind. Zweckmäßigerweise extrahieren Programmanweisungen einen Satz von Merkmalen aus Zeitreihendaten durch automatische Codierung mithilfe eines neuronalen Netzes auf Grundlage von Nichtsteuervariablen für die Zeitreihendaten. Programmanweisungen identifizieren einen oder mehrere Betriebsmodi auf Grundlage der extrahierten Merkmale einschließlich einer Dimensionsverringerung mit einem Darstellungslernen aus den Zeitreihendaten. Programmanweisungen identifizieren auf Grundlage der extrahierten Merkmale eine Nachbarschaft eines aktuellen Betriebszustands. Programmanweisungen vergleichen den aktuellen Betriebszustand mit historischen Betriebszuständen auf Grundlage der Zeitreihendaten in demselben Betriebsmodus. Programmanweisungen erkennen eine Betriebschance auf Grundlage des Vergleichs des aktuellen Betriebszustands mit den historischen Betriebszuständen mithilfe der Nachbarschaft. Programmanweisungen identifizieren Steuervariablen in demselben Modus, wobei die Variablen für den aktuellen Betriebszustand relevant sind. Programmanweisungen empfehlen eine Aktionsstrategie auf Grundlage der einen oder mehreren Steuervariablen, der einen oder mehreren Nichtsteuervariablen und einer Zielproduktivität.
  • In einem weiteren Aspekt wird ein Computersystem bereitgestellt, das einen oder mehrere Computerprozessoren, ein oder mehrere durch einen Computer lesbare Speichermedien und Programmanweisungen enthält, die zum Ausführen durch zumindest einen des einen oder der mehreren Computerprozessoren auf dem einen oder den mehreren durch einen Computer lesbaren Speichermedien gespeichert sind. Zweckmäßigerweise extrahieren Programmanweisungen einen Satz von Merkmalen aus Zeitreihendaten durch automatische Codierung mithilfe eines neuronalen Netzes auf Grundlage von Nichtsteuervariablen für die Zeitreihendaten. Programmanweisungen identifizieren einen oder mehrere Betriebsmodi auf Grundlage der extrahierten Merkmale einschließlich einer Dimensionsverringerung mit einem Darstellungslernen aus den Zeitreihendaten. Programmanweisungen identifizieren auf Grundlage der extrahierten Merkmale eine Nachbarschaft eines aktuellen Betriebszustands. Programmanweisungen vergleichen den aktuellen Betriebszustand mit historischen Betriebszuständen auf Grundlage der Zeitreihendaten in demselben Betriebsmodus. Programmanweisungen erkennen eine Betriebschance auf Grundlage des Vergleichs des aktuellen Betriebszustands mit den historischen Betriebszuständen mithilfe der Nachbarschaft. Programmanweisungen identifizieren Steuervariablen in demselben Modus, wobei die Variablen für den aktuellen Betriebszustand relevant sind. Programmanweisungen empfehlen eine Aktionsstrategie auf Grundlage der einen oder mehreren Steuervariablen, der einen oder mehreren Nichtsteuervariablen und einer Zielproduktivität.
  • Zusätzliche Merkmale und Vorteile werden durch die Techniken der vorliegenden Erfindung umgesetzt. Sonstige Ausführungsformen und Aspekte der Erfindung werden hierin ausführlich beschrieben und werden als Teil der beanspruchten Erfindung betrachtet.
  • KURZBESCHREIBUNG DER ZEICHNUNGEN
    • 1 ist ein Funktionsblockschaubild, das eine Umgebung zur Betriebschancenerkennung gemäß einer Ausführungsform der vorliegenden Offenbarung veranschaulicht.
    • 2 ist ein Ablaufplan, der Betriebsschritte eines Chancenerkennungsmoduls innerhalb einer Datenverarbeitungseinheit von 1 gemäß einer Ausführungsform der vorliegenden Offenbarung darstellt.
    • 3 veranschaulicht ein beispielhaftes Funktionsschaubild des Chancenerkennungsmoduls innerhalb der Datenverarbeitungseinheit von 1 gemäß einer Ausführungsform der vorliegenden Offenbarung.
    • 4 veranschaulicht ein beispielhaftes Architekturschaubild des Chancenerkennungsmoduls innerhalb der Datenverarbeitungseinheit von 1 gemäß einer Ausführungsform der vorliegenden Offenbarung.
    • 5 ist ein Blockschaubild von Komponenten der Datenverarbeitungseinheit von 1 gemäß einer Ausführungsform der vorliegenden Offenbarung.
  • AUSFÜHRLICHE BESCHREIBUNG
  • Die vorliegende Offenbarung bezieht sich auf Systeme und Verfahren zur Chancenerkennung in Echtzeit zur Produktivitätssteigerung eines Produktionsprozesses mithilfe einer Codierung von historischen Daten.
  • Ausführungsformen der vorliegenden Offenbarung erkennen eine Notwendigkeit, dass ein Anlagenbetreiber nach Chancen zur Produktivitätssteigerung sucht, zum Beispiel weniger Rohstoffe, weniger teure Zusatzstoffe, ein höheres Endprodukt. Ausführungsformen der vorliegenden Offenbarung können sich auf spezifische Bereiche mit hohem Geschäftswert konzentrieren, um einen Wertzuwachs in einem lokalen Schritt des Herstellungsprozesses bereitzustellen. Ausführungsformen der vorliegenden Offenbarung können Chancen für Kosten-, Rohstoff- und Energieeinsparmodelle erkennen. Die Chancen können relativ kurze Zeitfenster aufweisen. Ausführungsformen der vorliegenden Offenbarung können dazu beitragen, eine zusätzliche Gewinnsteigerung zu erzielen, die auf einen lokalen Schritt eines Gesamtanlagenbetriebs beschränkt ist. Ausführungsformen der vorliegenden Offenbarung können einen vollständigen Satz von Zeitreihen von Sensoren, z.B. Sensoren des Internets der Dinge (Internet-of-Things, loT), auswählen, so dass die Zeitreihen ein vollständiges Bild des Anlagenstatus aufweisen. Ausführungsformen der vorliegenden Offenbarung können die Zeitreihen in Steuer- und Nichtsteuervariablen trennen. In einem Produktionsprozess können Ausführungsformen der vorliegenden Offenbarung dynamisch Empfehlungen und Vorschläge zur Produktivitätssteigerung durch geringeren Rohstoffverbrauch, kostengünstigere Nutzung von Zusatzstoffen, geringeren Energieverbrauch und höheren Produktausstoß bereitstellen. Ausführungsformen der vorliegenden Offenbarung können in einem Fenster von nur wenigen Stunden zeitgerechtere und genauere Chancen ableiten. Ausführungsformen der vorliegenden Offenbarung können einen Betriebsmodus und eine Nachbarschaft mithilfe von extrahierten Merkmalen als eingebetteten Raum unter Verwendung von automatischen Codierungstechniken finden. Die automatischen Codierungstechniken können eine Verringerung der Zeitreihendimension erzielen und Produktionsempfehlungen aus der Analyse von historischen Ähnlichkeiten in dem Modus oder in der Nachbarschaft in einem eingebetteten Raum erzeugen.
  • Ausführungsformen der vorliegenden Offenbarung können einen Auto-Encoder mit langem Kurzzeitgedächtnis (Long Short-Term Memory, LSTM) anwenden, um den Merkmals- oder eingebetteten Raum für Nichtsteuervariablen zu extrahieren. Ausführungsformen der vorliegenden Offenbarung können die Nachbarschaft definieren oder Gaußsches Misch-Clustering verwenden, das auf einen eingebetteten Raum angewendet wird, um statische Betriebsmodi zu identifizieren. Ausführungsformen der vorliegenden Offenbarung offenbaren ein Identifizieren der Nachbarschaft für den aktuellen Betriebszustand. Die Nachbarschaft kann ein dynamischer Modus innerhalb desselben Betriebsmodus sein und kann durch euklidische Abstände zwischen dem historischen Betriebszustand und dem aktuellen Betriebszustand gefunden werden. Ausführungsformen der vorliegenden Offenbarung können Chancen durch die Identifizierung einer Verbesserungsempfehlung identifizieren, indem die Differenz der Steuervariablen betrachtet wird. Ausführungsformen der vorliegenden Offenbarung können den aktuellen Betriebszustand mit sonstigen Betriebsvorgängen vergleichen, die sich in demselben Modus befinden. Die schlechten Episoden mit schlechter Leistungsfähigkeit bieten eine Chance zur Verbesserung. Ausführungsformen der vorliegenden Offenbarung können historische Episoden einschränken, indem sie die Nachbarschaft des aktuellen Betriebszustands auswählen. Ausführungsformen der vorliegenden Offenbarung können eine Verifizierung der Vervollständigung der Zeitreihendaten für die Leistungsgenauigkeit eines Vorhersagemodells durchführen, das mithilfe aller Steuer- und Nichtsteuervariablen entwickelt wurde.
  • Die vorliegende Offenbarung wird im Folgenden unter Bezugnahme auf die Figuren ausführlich beschrieben. 1 ist ein Funktionsblockschaubild, das eine allgemein mit 100 gekennzeichnete Umgebung zur Betriebschancenerkennung gemäß einer Ausführungsform der vorliegenden Offenbarung veranschaulicht.
  • Bei der dargestellten Ausführungsform enthält die Umgebung 100 zur Betriebschancenerkennung eine Datenverarbeitungseinheit 102, Zeitreihendaten 104 und ein Netzwerk 108. Bei einer Ausführungsform kann auf die Zeitreihendaten 104 durch die Datenverarbeitungseinheit 102 direkt zugegriffen werden. Bei einer weiteren Ausführungsform kann auf die Zeitreihendaten 104 durch ein Datenübertragungs-Netzwerk wie zum Beispiel das Netzwerk 108 zugegriffen werden. Bei einer oder mehreren Ausführungsformen kann es sich bei den Zeitreihendaten 104 um durch einen oder mehrere Sensoren erfasste Daten handeln. Bei den Zeitreihendaten 104 kann es sich zum Beispiel um Daten aus einem Ölsandbetriebs- und -produktionsprozess handeln. In dem Beispiel des Ölsandbetriebs- und -produktionsprozesses kann ein Teil des Bitumens zu synthetischem Rohöl aufbereitet werden, bevor es an Raffinerien verkauft wird. Ein Teil des Bitumens kann gut genug sein, um an eine Raffinerie mit hohem Umwandlungsgrad geliefert zu werden, die schweres Rohöl verarbeiten kann. Erdölprodukte können aus Ölsanden durch mehrere Phasen produziert werden, z.B. durch Gewinnung, Aufbereitung und Veredelung. Beispielsweise können während der Gewinnungsphase, in der Bitumen aus den Ölsanden gewonnen werden kann, Feststoffe und Wasser entfernt werden. Während der Aufbereitungsphase kann Bitumen zu einem leichteren Rohöl-Zwischenprodukt aufbereitet werden. Während der Veredelungsphase kann Rohöl zu Endprodukten wie zum Beispiel Benzin, Schmierstoffen und Verdünnungsmitteln veredelt werden. Die Prozesse während der Phasen können mit mehreren aufeinanderfolgenden Schritten einer physikalischen oder chemischen Umsetzung einhergehen, um ein Material in ein anderes umzuwandeln. Um mehrere Ziele innerhalb eines solchen Produktionssystems zu erreichen, ist ein optimales Gleichgewicht von Prozessen erforderlich.
  • In einem weiteren Beispiel kann es sich bei den Zeitreihendaten 104 um Daten aus einem Stahlerzeugungsprozess zum Produzieren von Stahl aus Eisenerz und/oder Schrott handeln. Verunreinigungen wie Stickstoff, Silicium, Phosphor, Schwefel und überschüssiger Kohlenstoff können aus dem bezogenen Eisen entfernt werden, und Legierungselemente wie Mangan, Nickel, Chrom, Kohlenstoff und Vanadium können hinzugefügt werden, um verschiedene Gütegrade von Stahl zu produzieren. In einem noch weiteren Beispiel kann es sich bei den Zeitreihendaten 104 um Daten aus einem Produktionsprozess handeln, in dem Sojabohnen zu Sojasaucen verarbeitet werden können, wobei den Sojasaucen Zusatzstoffe zugesetzt werden. In einem noch weiteren Beispiel kann es sich bei den Zeitreihendaten 104 um Daten aus einem beliebigen sonstigen Betriebs- und Produktionsprozess handeln.
  • Bei einer oder mehreren Ausführungsformen können die Zeitreihendaten 104 zum Beispiel Daten sein, die Nichtsteuervariablen 122 und Steuervariablen 124 enthalten. Die Nichtsteuervariablen 122 und die Steuervariablen 124 können getrennt werden, um die Möglichkeit sicherzustellen, Aktionen zu ergreifen, um Chancen zur Produktionssteigerung zu gewinnen. Bei den Nichtsteuervariablen 122 kann es sich beispielsweise um Variablen mit Zeitmarke handeln, und sie können als Satz von Variablen von Sensoren definiert sein, die durch Benutzer wenig oder nicht steuerbar sind. Bei den Nichtsteuervariablen 122 kann es sich um Parameter handeln, die dazu verwendet werden, die Ähnlichkeit von Betriebs- und Produktionsbedingungen zu definieren. Die Nichtsteuervariablen 122 können Episoden aus den Zeitreihendaten 104 abrufen. Die Steuervariablen 124 können Variablen mit Zeitmarke sein und können als Satz von Variablen von Sensoren für Aktionen definiert sein, die durch einen Benutzer gesteuert werden können. In einem Beispiel können Steuervariablen 124 verwendet werden, um Belohnungen (oder Chancen) aus den Episoden der Zeitreihendaten 104 zu berechnen. Bei den Steuervariablen 124 kann es sich um Produktionsraten und Rohstoffvariablen handeln, die der Benutzer auf Grundlage der besten gefundenen benachbarten Episoden optimieren kann. Die Steuervariablen 124 können aus einer erstellten Nachbarschaft von ähnlichen historischen Nichtsteuervariablen 122 identifiziert werden, um auf Grundlage der Zeitreihendaten 104 mögliche Aktionsstrategien zu erstellen, die für den aktuellen Zustand relevant sind.
  • In einem Beispiel für eine Schaumbildung können Nichtsteuervariablen 122 Umgebungsvariablen sein, die durch einen Benutzer wenig oder nicht steuerbar sind, zum Beispiel Umgebungstemperaturen, Flash, Trübung, Viskosität, Wasserstoffverfügbarkeit, Kokerrate und Virgin-Produktion. Steuervariablen 124 können Variablen für Aktionen sein, die durch einen Benutzer gesteuert werden können, zum Beispiel Produktionsraten und Rohstoffvariablen, die ein Benutzer optimieren oder ändern kann. Zu den Steuervariablen 124 können zum Beispiel eine Beschickung zu einem Diesel-Hydrotreating oder zu einer katalytischen Wasserstoffbehandlung, eine Zusammensetzung der Beschickung zu einem Diesel-Hydrotreating mit Niedervakuum-Gasöl, Niedervakuum-Gasöl, Seitenabzugkerosin, schweres Naphtha und Koker-Kerosin zählen. Bei Diesel-Hydrotreating oder einer katalytischen Wasserstoffbehandlung geht es vor allem darum, unerwünschte Spezies aus der Destillationsdieselfraktion zu verringern, indem diese Spezies in einem Reaktor bei erhöhten Temperaturen und moderaten Drücken selektiv mit Wasserstoff umgesetzt werden. Für eine erfolgreiche Produktion von Diesel mit ultraniedrigem Schwefelgehalt müssen Organoschwefelspezies einschließlich der substituierten Dibenzothiophene und sonstiger hitzebeständiger Schwefelspezies entfernt werden. An der Oberfläche des Diesel-Hydrotreating-Katalysators können mehrere Reaktionen parallel auftreten, darunter Hydrodesulfurierung, Hydrodenitrogenierung und Aromatensättigung/-hydrierung. Beschickungen einer Diesel-Hydrotreating-Einheit können einen nominellen Destillationsbereich von 300 bis 700 °F aufweisen. Für Diesel-Hydrotreating können je nach den Prozesszielen und -merkmalen der verarbeiteten Beschickung unterschiedliche Prozessgestaltungs- und -ablaufschemata eingesetzt werden.
  • Bei verschiedenen Ausführungsformen der vorliegenden Offenbarung kann es sich bei der Datenverarbeitungseinheit 102 um einen Laptop-Computer, einen Tablet-Computer, einen Netbook-Computer, einen Personal-Computer (PC), einen Desktop-Computer, ein Mobiltelefon, ein Smartphone, eine Smartwatch, eine Wearable-Datenverarbeitungseinheit, einen persönlichen digitalen Assistenten (PDA) oder einen Server handeln. Bei einer weiteren Ausführungsform stellt die Datenverarbeitungseinheit 102 ein Datenverarbeitungssystem dar, das zu Clustern zusammengefasste Computer und Komponenten so einsetzt, dass sie als einzelner Pool von nahtlosen Ressourcen fungieren. Bei sonstigen Ausführungsformen kann die Datenverarbeitungseinheit 102 ein Server-Datenverarbeitungssystem darstellen, das mehrere Computer als Server-System einsetzt, wie zum Beispiel in einer Cloud-Computing-Umgebung. Im Allgemeinen kann die Datenverarbeitungseinheit 102 eine beliebige Datenverarbeitungseinheit oder eine Kombination von Einheiten mit Zugriff auf das Chancenerkennungsmodul 110 und das Netzwerk 108 sein und ist in der Lage, gemäß einer Ausführungsform der vorliegenden Offenbarung Programmanweisungen zu verarbeiten und das Chancenerkennungsmodul 110 auszuführen. Die Datenverarbeitungseinheit 102 kann interne und externe Hardware-Komponenten enthalten, wie in Bezug auf 5 ausführlicher dargestellt und beschrieben.
  • Des Weiteren enthält die Datenverarbeitungseinheit 102 bei der dargestellten Ausführungsform das Chancenerkennungsmodul 110. Bei der dargestellten Ausführungsform befindet sich das Chancenerkennungsmodul 110 auf der Datenverarbeitungseinheit 102. Bei sonstigen Ausführungsformen kann sich das Chancenerkennungsmodul 110 jedoch extern befinden und kann durch ein Datenübertragungs-Netzwerk wie zum Beispiel das Netzwerk 108 darauf zugegriffen werden. Bei dem Datenübertragungs-Netzwerk kann es sich zum Beispiel um ein lokales Netzwerk (local area network, LAN), ein Weitverkehrs-Netzwerk (wide area network, WAN) wie etwa das Internet oder um eine Kombination der beiden handeln, und es kann drahtgebundene, drahtlose, Lichtwellenleiter- oder eine beliebige sonstige nach dem Stand der Technik bekannte Verbindung enthalten. Im Allgemeinen kann es sich bei dem Datenübertragungs-Netzwerk um eine beliebige Kombination von Verbindungen und Protokollen handeln, die eine Datenübertragung zwischen der Datenverarbeitungseinheit 102 und dem Chancenerkennungsmodul 110 gemäß einer erwünschten Ausführungsform der Offenbarung unterstützt.
  • Bei der dargestellten Ausführungsform enthält das Chancenerkennungsmodul 110 einen LSTM-Auto-Encoder 112, ein Vorhersagemodell 114, ein Variablenidentifizierungsmodul 116, ein Strategieempfehlungsmodul 118 und ein Ausgabemodul 120. Bei der dargestellten Ausführungsform befinden sich der LSTM-Auto-Encoder 112, das Vorhersagemodell 114, das Variablenidentifizierungsmodul 116, das Strategieempfehlungsmodul 118 und das Ausgabemodul 120 auf der Datenverarbeitungseinheit 102. Bei sonstigen Ausführungsformen können sich der LSTM-Auto-Encoder 112, das Vorhersagemodell 114, das Variablenidentifizierungsmodul 116, das Strategieempfehlungsmodul 118 und das Ausgabemodul 120 jedoch extern befinden und kann durch ein Datenübertragungs-Netzwerk wie zum Beispiel das Netzwerk 108 auf sie zugegriffen werden.
  • Bei einer oder mehreren Ausführungsformen ist das Chancenerkennungsmodul 110 dazu konfiguriert, Zeitreihendaten 104 zu überwachen, die von einem oder mehreren Sensoren erzeugt werden. Bei den Zeitreihendaten 104 kann es sich zum Beispiel um Daten aus einem Ölsandbetriebs- und -produktionsprozess handeln. Erdölprodukte können aus Ölsanden durch mehrere Phasen produziert werden, z.B. durch Gewinnung, Aufbereitung und Veredelung. Beispielsweise können während der Gewinnungsphase, in der Bitumen aus den Ölsanden gewonnen werden kann, Feststoffe und Wasser entfernt werden. Während der Aufbereitungsphase kann Bitumen zu einem leichteren Rohöl-Zwischenprodukt aufbereitet werden. Während der Veredelungsphase kann Rohöl zu Endprodukten wie zum Beispiel Benzin, Schmierstoffen und Verdünnungsmitteln veredelt werden. Die Prozesse während der Phasen können mit mehreren aufeinanderfolgenden Schritten einer physikalischen oder chemischen Umsetzung einhergehen, um ein Material in ein anderes umzuwandeln. Um mehrere Ziele innerhalb eines solchen Produktionssystems zu erreichen, ist ein optimales Gleichgewicht von Prozessen erforderlich. In einem weiteren Beispiel kann es sich bei den Zeitreihendaten 104 um Daten aus einem Stahlerzeugungsprozess zum Produzieren von Stahl aus Eisenerz und/oder Schrott handeln. Verunreinigungen wie Stickstoff, Silicium, Phosphor, Schwefel und überschüssiger Kohlenstoff können aus dem bezogenen Eisen entfernt werden, und Legierungselemente wie Mangan, Nickel, Chrom, Kohlenstoff und Vanadium können hinzugefügt werden, um verschiedene Gütegrade von Stahl zu produzieren. In einem noch weiteren Beispiel kann es sich bei den Zeitreihendaten 104 um Daten aus einem Produktionsprozess handeln, in dem Sojabohnen zu Sojasaucen verarbeitet werden können, wobei den Sojasaucen Zusatzstoffe zugesetzt werden. In einem noch weiteren Beispiel kann es sich bei den Zeitreihendaten 104 um Daten aus einem beliebigen sonstigen Betriebs- und Produktionsprozess handeln.
  • Bei einer oder mehreren Ausführungsformen ist das Chancenerkennungsmodul 110 dazu konfiguriert, einen Satz von Merkmalen durch ein rekurrentes neuronales Netz, z.B. den LSTM-Auto-Encoder 112, auf Grundlage einer oder mehrerer Nichtsteuervariablen 122 für die Zeitreihendaten 104 aus den Zeitreihendaten 104 zu extrahieren. Das Chancenerkennungsmodul 110 kann nicht nur den Satz von Merkmalen zum Lernen verwenden, sondern den Satz von Merkmalen auch durch den LSTM-Auto-Encoder 112 lernen. Bei dem Satz von Merkmalen handelt es sich um Informationen im Zusammenhang mit den Zeitreihendaten 104. Der Satz von Merkmalen kann ein(e) einzelne(s) messbare(s) Eigenschaft oder Merkmal eines Phänomens sein, das anhand der Zeitreihendaten 104 beobachtet wird. Das Chancenerkennungsmodul 110 kann einen Teilsatz von relevanten Merkmalen zum Erstellen des Vorhersagemodells 114 auf Grundlage der Nichtsteuervariablen 122 auswählen, die keine Steuerung durch einen Benutzer über die Zeitreihendaten 104 definieren. Das Chancenerkennungsmodul 110 kann die Anzahl von Ressourcen verringern, die zum Beschreiben der Zeitreihendaten 104 benötigt werden. Das Chancenerkennungsmodul 110 kann Kombinationen der Nichtsteuervariablen 122, die die Zeitreihendaten 104 beschreiben, mit ausreichender Genauigkeit durch den LSTM-Auto-Encoder 112 erstellen. Bei dem LSTM-Auto-Encoder 112 kann es sich um ein künstliches neuronales Netz handeln, das dazu verwendet wird, eine effiziente Datencodierung unüberwacht zu lernen. Bei dem LSTM-Auto-Encoder 112 kann es sich um ein rekurrentes neuronales Netz mit einer Implementierung eines Auto-Encoders für die Zeitreihendaten 104 mithilfe einer Encoder-Decoder-LSTM-Architektur handeln. Der LSTM-Auto-Encoder 112 kann eine Darstellung (Codierung) für die Zeitreihendaten 104, z.B. zur Dimensionalitätsverringerung, lernen. Der LSTM-Auto-Encoder 112 kann aus der verringerten Codierung eine Darstellung erzeugen, die der ursprünglichen Eingabe der Zeitreihendaten 104 so nahe wie möglich kommt. Der LSTM-Auto-Encoder 112 kann einen Encoder und einen Decoder enthalten. Der Encoder kann Rohdaten (z.B. die Zeitreihendaten 104) als Eingabe verwenden und ein Merkmal oder eine Darstellung als Ausgabe erzeugen, und der Decoder verwendet das extrahierte Merkmal von dem Encoder als Eingabe und rekonstruiert die ursprünglich eingegebenen Rohdaten als Ausgabe. Das Training kann so lange wiederholt werden, bis bestimmte Abbruchkriterien erfüllt sind. Der LSTM-Auto-Encoder 112 kann die Zeitreihendaten 104 auf Grundlage eines automatischen Codierungsprozesses aufrufen, um Dimensionen eines Sensor-Tag-Raums auf einen begrenzten Einbettungsraum zu verringern. Der LSTM-Auto-Encoder 112 kann ein Clustering-Verfahren aufrufen, um potentielle Modi zu erzeugen. Der LSTM-Auto-Encoder 112 kann einen Typ eines künstlichen neuronalen Netzes aufrufen, das dazu verwendet wird, eine effiziente Datencodierung unüberwacht zu lernen. Der LSTM-Auto-Encoder 112 kann einen Vektor mit einer festen Größe aus den Zeitreihendaten 104 erhalten.
  • Bei einer oder mehreren Ausführungsformen ist das Chancenerkennungsmodul 110 dazu konfiguriert, einen oder mehrere Betriebsmodi auf Grundlage der extrahierten Merkmale einschließlich einer Dimensionsverringerung mit Darstellungslernen aus den Zeitreihendaten 104 zu identifizieren. Bei der Dimensionsverringerung kann es sich um eine Umwandlung der Zeitreihendaten 104 von einem hochdimensionalen Raum in einen niedrigdimensionalen Raum handeln, so dass die niedrigdimensionale Darstellung einige aussagekräftige Eigenschaften der ursprünglichen Daten beibehält, idealerweise nahe an der intrinsischen Dimension. Das Chancenerkennungsmodul 110 kann eine Nachbarschaft für den aktuellen Betriebszustand identifizieren. Die Nachbarschaft kann ein dynamischer Modus innerhalb desselben Betriebsmodus sein und kann durch euklidische Abstände zwischen dem historischen Betriebszustand und dem aktuellen Betriebszustand gefunden werden. Das Chancenerkennungsmodul 110 kann die Nachbarschaft definieren oder Gaußsches Misch-Clustering verwenden, das auf Eingebettete angewendet wird, um statische Betriebsmodi zu identifizieren. Ein Modus kann einen Status eines Anlagenbetriebs enthalten. Ein harter Kategorietyp eines Modus kann eine spezifische Betriebskonfiguration eines gesamten Produktionsprozesses betreffen, zum Beispiel eine Herstellung einer Rohrausführung, einen Einheitsbetriebsstatus. Ein weicher Kategorietyp eines Modus kann eine Produktionsstufe von lokalen oder globalen Betriebsvorgängen enthalten. In der Sandölindustrie besteht ein komplexer Prozess eines Umwandelns von Sandöl in Synthese-Rohöl. Eine vollständige Erzeugung bei der Synthese-Rohölproduktion geht mit mehreren Phasen einher, darunter mit einer Primärgewinnung, einer Sekundärgewinnung und einer Aufbereitung. Jede Phase geht mit mehreren Komponenten und Prozessen einher, und bei dem System handelt es sich um ein dynamisches System. Einige der enthaltenen Modi können einem Ingenieur vor Ort ausdrücklich bekannt sein. Sonstige Modi können verdeckt sein und können durch fortgeschrittene Analysemodelle identifiziert werden. Das Chancenerkennungsmodul 110 kann einen Betriebsmodus automatisch erkennen, indem es aus historischen Sensor- und sonstigen Produktionsdaten lernt, und kann eine kompakte Rückmeldung in Form von Modi erzielen. Das Chancenerkennungsmodul 110 kann die Algorithmen und Modelle der Betriebsmodi ermitteln. Das Chancenerkennungsmodul 110 kann die Betriebsmodi als Benchmark verwenden, ob in der Vergangenheit ähnliche Produktionsbedingungen vorgelegen haben oder ob ein neuer Modus identifiziert werden kann. Die Betriebsmodi können dazu verwendet werden, bessere Steueraktionen zu empfehlen oder die Steuerparameter automatisch zu ändern. Wenn ein neuer Modus identifiziert wird, kann der neue Modus gespeichert werden, um den Speicher und das Wissen des Systems zu erweitern. Das Chancenerkennungsmodul 110 kann ein historisches Benchmarking eines erkannten Modus gegenüber historischen Anlagendaten berechnen, wenn sich die Anlage in demselben Modus befindet. Das Chancenerkennungsmodul 110 kann den erkannten Modus als Grundlage zum Identifizieren ähnlicher Zeiträume aus der Vergangenheit verwenden. So können zum Beispiel Zeiträume aus der Vergangenheit identifiziert werden, in denen derselbe Modus aktiv war. Das Chancenerkennungsmodul 110 kann des Weiteren eine Faktoranalyse für den Satz von Prozessvariablen verwenden, die gemeinsam den erkannten Modus definieren, um die Hauptdifferenz im Hinblick auf die aktuellen Variablenwerte gegenüber den historischen Variablenwerten zu identifizieren. Das Chancenerkennungsmodul 110 kann die mögliche Hauptursache für die niedrigen Betriebs-/ Produktionsniveaus berechnen und einem Ingenieur vor Ort anzeigen. Das Chancenerkennungsmodul 110 kann einen analytischen Ansatz zum Identifizieren oder Klassifizieren von Modi über einen komplexen Herstellungsprozess hinweg bereitstellen. Das Chancenerkennungsmodul 110 kann eine ausführliche oder allgemeine multivariate Modusidentifizierung bereitstellen und kann als Nebenprodukt auch ein Partitionieren von nichtpartitionierten Daten in mehrere Teilsätze erzielen. Statt sich auf eine auf Regeln beruhende Moduserkennung zu stützen, die viel Vorwissen und gespeicherte Grundsätze erfordert, kann das Chancenerkennungsmodul 110 einen automatischen Prozess bereitstellen, der einen einfacheren Ansatz menschlicher Beteiligung zum Erzeugen von Modi bereitstellt. Das Chancenerkennungsmodul 110 kann eine Chancenumsetzung durch eine Analyse mithilfe von unüberwachtem maschinellen Lernen erzielen. Beispielsweise kann das Chancenerkennungsmodul 110 eine Betriebschance durch den Vergleich des aktuellen Zustands mit den ähnlichen historischen Betriebsvorgängen innerhalb des Modus oder der Nachbarschaft identifizieren.
  • Bei einer oder mehreren Ausführungsformen ist das Chancenerkennungsmodul 110 dazu konfiguriert, einen aktuellen Betriebszustand mit einem historischen Betriebszustand auf Grundlage der Zeitreihendaten in einem selben Betriebsmodus des einen oder der mehreren Betriebsmodi zu vergleichen. Das Chancenerkennungsmodul 110 kann einen spezifischen Modus identifizieren, in dem sich der aktuelle Betriebszustand befindet. Das Chancenerkennungsmodul 110 kann Cluster mithilfe einer Komprimierung mit t-verteilter stochastischer Nachbarschaftseinbettung (t-SNE) projizieren, um einen Graphen zu erzeugen. Bei t-SNE handelt es sich um einen Algorithmus zur Dimensionalitätsverringerung, der zum Visualisieren von hochdimensionalen Daten, z.B. der Zeitreihendaten 104, geeignet ist. Das Chancenerkennungsmodul 110 kann hochdimensionale Punkte so in niedrige Dimensionen einbetten, dass Ähnlichkeiten zwischen Punkten mit der t-SNE-Komprimierung berücksichtigt werden. In einem Beispiel kann das Chancenerkennungsmodul 110 eine hohe Bitumengewinnung erzielen, indem es den aktuellen Betriebszustand mit sonstigen Betriebsvorgängen vergleicht, die sich in einem selben Modus befinden. Das Chancenerkennungsmodul 110 kann Episoden mit schlechter Leistungsfähigkeit analysieren und kann eine Betriebschance zur Verbesserung erkennen. Das Chancenerkennungsmodul 110 kann sich auf diese Betriebsepisoden in der Vergangenheit konzentrieren, die eine hohe Schaumbildung erreicht haben, und kann aus diesen Episoden Hauptbetriebsaktionen extrahieren, um den aktuellen Betrieb zu unterstützen.
  • Bei einer oder mehreren Ausführungsformen ist das Chancenerkennungsmodul 110 dazu konfiguriert, eine Betriebschance auf Grundlage des Vergleichs des aktuellen Betriebszustands mit dem historischen Betriebszustand zu erkennen. Die Betriebschance kann durch den Vergleich des aktuellen Zustands mit den ähnlichen historischen Betriebsvorgängen innerhalb des Modus oder der Nachbarschaft identifiziert werden. In einem Beispiel kann die Betriebschance ein Satz von Betriebsänderungen sein, die aus dem historischen Betriebszustand abgeleitet werden, um den aktuellen Betriebszustand in einem definierten kurzfristigen zukünftigen Zeitraum, zum Beispiel in einem Zwei-Stunden-Fenster, auf eine höhere Produktion zu steigern. In einem weiteren Beispiel kann die Betriebschance ein Satz von Betriebsänderungen sein, die aus dem historischen Betriebszustand abgeleitet werden, um den aktuellen Betriebszustand in einem definierten kurzfristigen zukünftigen Zeitraum auf eine geringe Nutzung von Zusatzstoffen oder Rohstoffen zu verringern. Es ist möglich, sonstige geeignete Chancen zu finden.
  • Bei einer oder mehreren Ausführungsformen ist das Chancenerkennungsmodul 110 dazu konfiguriert, Steuervariablen 124 in demselben Modus zu identifizieren, wobei die Variablen für den aktuellen Betriebszustand relevant sind. Die Steuervariablen 124 können Aktionen definieren, die durch einen Benutzer gesteuert werden können. Die Steuervariablen 124 können Variablen mit Zeitmarke sein und können als Satz von Variablen von Sensoren für Aktionen definiert sein, die durch einen Benutzer gesteuert werden können. In einem Beispiel können Steuervariablen 124 verwendet werden, um Belohnungen (oder Chancen) aus den Episoden der Zeitreihendaten 104 zu berechnen. Bei den Steuervariablen 124 kann es sich zum Beispiel um Produktionsraten und Rohstoffvariablen handeln, die der Benutzer auf Grundlage der besten gefundenen benachbarten Episoden optimieren kann. Die Steuervariablen 124 können aus einer erstellten Nachbarschaft von ähnlichen historischen Nichtsteuervariablen 122 identifiziert werden, um auf Grundlage der Zeitreihendaten 104 mögliche Aktionsstrategien zu erstellen, die für den aktuellen Zustand relevant sind. In einem Beispiel für eine Schaumbildung können zu den Steuervariablen 124 zum Beispiel eine Beschickung zu einem Diesel-Hydrotreating oder zu einer katalytischen Wasserstoffbehandlung, eine Zusammensetzung der Beschickung zu einem Diesel-Hydrotreating mit Niedervakuum-Gasöl, Niedervakuum-Gasöl, Seitenabzugkerosin, schweres Naphtha und Koker-Kerosin zählen. Bei Diesel-Hydrotreating oder einer katalytischen Wasserstoffbehandlung geht es vor allem darum, unerwünschte Spezies aus der Destillationsdieselfraktion zu verringern, indem diese Spezies in einem Reaktor bei erhöhten Temperaturen und moderaten Drücken selektiv mit Wasserstoff umgesetzt werden. Für eine erfolgreiche Produktion von Diesel mit ultraniedrigem Schwefelgehalt müssen Organoschwefelspezies einschließlich der substituierten Dibenzothiophene und sonstiger hitzebeständiger Schwefelspezies entfernt werden. An der Oberfläche des Diesel-Hydrotreating-Katalysators können mehrere Reaktionen parallel auftreten, darunter Hydrodesulfurierung, Hydrodenitrogenierung und Aromatensättigung/-hydrierung.
  • Bei einer oder mehreren Ausführungsformen ist das Chancenerkennungsmodul 110 dazu konfiguriert, eine Aktionsstrategie auf Grundlage der Steuervariablen 124, der Nichtsteuervariablen 122 und einer Zielproduktivität zu empfehlen. Das Chancenerkennungsmodul 110 kann eine Ähnlichkeitsmessung definieren, um historische Episoden aus den Zeitreihendaten 104 mit einem ähnlichen Betriebszustand auf Grundlage des Vergleichs des aktuellen Zustands mit dem historischen Betriebszustand zu identifizieren. Das Chancenerkennungsmodul 110 kann eine Episode aus den historischen Episoden erstellen, die eine(n) höhere(n) Produktivität oder Durchsatz zeigen. Das Chancenerkennungsmodul 110 kann Bewertungen auf Grundlage von alternativen Aktionsstrategien erzeugen und kann eine Aktionsstrategie auf Grundlage der Bewertung für jede alternative Aktionsstrategie empfehlen.
  • Bei einer oder mehreren Ausführungsformen ist das Chancenerkennungsmodul 110 dazu konfiguriert, eine Aktionsstrategie für einen Benutzer auszugeben. Das Chancenerkennungsmodul 110 kann eine Benutzeroberfläche bereitstellen, um eine Verbindung mit dem Benutzer herzustellen. Das Chancenerkennungsmodul 110 kann sonstige geeignete Wege zur Ausgabe an den Benutzer bereitstellen. Das Chancenerkennungsmodul 110 kann einen Hinweis oder eine Benachrichtigung an den Benutzer über eine erkannte Betriebschance bereitstellen. Das Chancenerkennungsmodul 110 kann die Betriebsmodi als Graph mithilfe eines t-SNE-Verfahrens anzeigen. Das Chancenerkennungsmodul 110 kann eine Nachbarschaftsepisode mithilfe eines Diagramms mit Zeitmarke anzeigen. Das Chancenerkennungsmodul 110 kann einen geschätzten Gewinn der Aktionsstrategie anzeigen.
  • Bei einer oder mehreren Ausführungsformen ist der LSTM-Auto-Encoder 112 dazu konfiguriert, einen Satz von Merkmalen auf Grundlage der Nichtsteuervariablen 122 für die Zeitreihendaten 104 aus den Zeitreihendaten 104 zu extrahieren. In einem Beispiel kann es sich bei dem LSTM-Auto-Encoder 112 um ein künstliches neuronales Netz handeln, das dazu verwendet wird, eine effiziente Datencodierung unüberwacht zu lernen. Der LSTM-Auto-Encoder 112 kann in der Lage sein, eine Auswirkung vergangener Ereignisse automatisch zu extrahieren. Bei dem LSTM-Auto-Encoder 112 kann es sich um ein rekurrentes neuronales Netz mit einer Implementierung eines Auto-Encoders für die Zeitreihendaten 104 mithilfe einer Encoder-Decoder-LSTM-Architektur handeln. Der LSTM-Auto-Encoder 112 kann eine Darstellung (Codierung) für die Zeitreihendaten 104, z.B. zur Dimensionalitätsverringerung, lernen. Der LSTM-Auto-Encoder 112 kann aus der verringerten Codierung eine Darstellung erzeugen, die der ursprünglichen Eingabe der Zeitreihendaten 104 so nahe wie möglich kommt. Der LSTM-Auto-Encoder 112 kann einen Encoder und einen Decoder enthalten. Der Encoder kann Rohdaten (z.B. die Zeitreihendaten 104) als Eingabe verwenden und kann ein Merkmal oder eine Darstellung als Ausgabe erzeugen, und der Decoder kann das extrahierte Merkmal von dem Encoder als Eingabe verwenden und kann die ursprünglich eingegebenen Rohdaten als Ausgabe rekonstruieren. Das Training des LSTM-Auto-Encoders 112 kann so lange wiederholt werden, bis bestimmte Abbruchkriterien erfüllt sind. Der LSTM-Auto-Encoder 112 kann die Zeitreihendaten 104 mithilfe eines automatischen Codierungsprozesses aufrufen, um Dimensionen eines Sensor-Tag-Raums auf einen begrenzten Einbettungsraum zu verringern. Der LSTM-Auto-Encoder 112 kann ein Clustering-Verfahren aufrufen, um potentielle Modi zu erzeugen. Der LSTM-Auto-Encoder 112 kann einen Typ eines künstlichen neuronalen Netzes aufrufen, das dazu verwendet wird, eine effiziente Datencodierung unüberwacht zu lernen. Der LSTM-Auto-Encoder 112 kann einen Vektor mit einer festen Größe aus den Zeitreihendaten 104 erhalten. Der LSTM-Auto-Encoder 112 kann nicht nur den Satz von Merkmalen zum Lernen verwenden, sondern den Satz von Merkmalen auch selbst lernen. Bei dem Satz von Merkmalen kann es sich um Informationen im Zusammenhang mit den Zeitreihendaten 104 handeln. Der Satz von Merkmalen kann ein(e) einzelne(s) messbare(s) Eigenschaft oder Merkmal eines Phänomens sein, das anhand der Zeitreihendaten 104 beobachtet wird. Der LSTM-Auto-Encoder 112 kann einen Teilsatz von relevanten Merkmalen zum Erstellen des Vorhersagemodells 114 auf Grundlage der Nichtsteuervariablen 122 auswählen, die keine Steuerung durch einen Benutzer über die Zeitreihendaten 104 definieren. Der LSTM-Auto-Encoder 112 kann die Anzahl von Ressourcen verringern, die zum Beschreiben der Zeitreihendaten 104 benötigt werden. Der LSTM-Auto-Encoder 112 kann Kombinationen der Nichtsteuervariablen 122, die die Zeitreihendaten 104 beschreiben, mit ausreichender Genauigkeit erstellen.
  • Bei einer oder mehreren Ausführungsformen ist das Vorhersagemodell 114 dazu konfiguriert, eine Betriebschance auf Grundlage der Zeitreihendaten 104 zu erkennen. Die Betriebschance kann durch den Vergleich des aktuellen Zustands mit den ähnlichen historischen Betriebsvorgängen innerhalb des Modus oder der Nachbarschaft identifiziert werden. In einem Beispiel kann die Betriebschance ein Satz von Betriebsänderungen sein, die aus dem historischen Betriebszustand abgeleitet werden, um den aktuellen Betriebszustand in einem definierten kurzfristigen zukünftigen Zeitraum auf eine höhere Produktion zu steigern. In einem weiteren Beispiel kann die Betriebschance ein Satz von Betriebsänderungen sein, die aus dem historischen Betriebszustand abgeleitet werden, um den aktuellen Betriebszustand in einem definierten kurzfristigen zukünftigen Zeitraum auf eine geringe Nutzung von Zusatzstoffen oder Rohstoffen zu verringern. Es ist möglich, sonstige geeignete Chancen zu finden.
  • Bei einer oder mehreren Ausführungsformen ist das Vorhersagemodell 114 dazu konfiguriert, einen oder mehrere Betriebsmodi auf Grundlage der extrahierten Merkmale einschließlich einer Dimensionsverringerung mit einem Darstellungslernen aus den Zeitreihendaten 104 zu identifizieren. Das Vorhersagemodell 114 kann eine Nachbarschaft für den aktuellen Betriebszustand identifizieren. Die Nachbarschaft kann ein dynamischer Modus innerhalb desselben Betriebsmodus sein und kann durch euklidische Abstände zwischen dem historischen Betriebszustand und dem aktuellen Betriebszustand gefunden werden. Das Vorhersagemodell 114 kann die Nachbarschaft definieren oder Gaußsches Misch-Clustering verwenden, das auf Eingebettete angewendet wird, um statische Betriebsmodi zu identifizieren. Ein Modus kann einen Status eines Anlagenbetriebs enthalten. In der Sandölindustrie besteht ein komplexer Prozess eines Umwandelns von Sandöl in Synthese-Rohöl. Eine vollständige Erzeugung bei der Synthese-Rohölproduktion geht mit mehreren Phasen einher, darunter mit einer Primärgewinnung, einer Sekundärgewinnung und einer Aufbereitung. Jede Phase geht mit mehreren Komponenten und Prozessen einher. Einige der enthaltenen Modi können einem Ingenieur vor Ort ausdrücklich bekannt sein. Sonstige Modi können verdeckt sein und können durch fortgeschrittene Analysemodelle identifiziert werden. Das Vorhersagemodell 114 kann einen Betriebsmodus automatisch erkennen, indem es aus historischen Sensor- und sonstigen Produktionsdaten lernt, und kann eine kompakte Rückmeldung in Form von Modi erzielen. Das Vorhersagemodell 114 kann die Betriebsmodi als Benchmark verwenden, ob in der Vergangenheit ähnliche Produktionsbedingungen vorgelegen haben oder ob ein neuer Modus identifiziert werden kann. Das Vorhersagemodell 114 kann die Betriebsmodi dazu verwenden, bessere Steueraktionen zu empfehlen oder die Steuerparameter automatisch zu ändern. Das Vorhersagemodell 114 kann ein historisches Benchmarking eines erkannten Modus gegenüber historischen Anlagendaten berechnen, als sich die Anlage in demselben Modus befand. Das Vorhersagemodell 114 kann den erkannten Modus als Grundlage zum Identifizieren ähnlicher Zeiträume aus der Vergangenheit verwenden. So können zum Beispiel Zeiträume aus der Vergangenheit identifiziert werden, in denen derselbe Modus aktiv war. Das Vorhersagemodell 114 kann des Weiteren eine Faktoranalyse für den Satz von Prozessvariablen verwenden, die gemeinsam den erkannten Modus definieren, um die Hauptdifferenz im Hinblick auf die aktuellen Variablenwerte gegenüber den historischen Variablenwerten zu identifizieren. Das Vorhersagemodell 114 kann die mögliche Hauptursache für die niedrigen Betriebs-/Produktionsniveaus berechnen und einem Ingenieur vor Ort anzeigen. Das Vorhersagemodell 114 kann einen automatischen Prozess bereitstellen, der einen einfacheren Ansatz menschlicher Beteiligung zum Erzeugen von Modi bereitstellt. Das Vorhersagemodell 114 kann eine Chancenumsetzung durch eine Analyse mithilfe von unüberwachtem maschinellen Lernen erzielen. Beispielsweise kann das Vorhersagemodell 114 eine Betriebschance durch den Vergleich des aktuellen Zustands mit den ähnlichen historischen Betriebsvorgängen innerhalb des Modus oder der Nachbarschaft identifizieren. Das Vorhersagemodell 114 kann einen spezifischen Modus identifizieren, in dem sich der aktuelle Betriebszustand befindet. Das Vorhersagemodell 114 kann Cluster mithilfe von t-SNE-Komprimierung projizieren, um einen Graphen zu erzeugen. Bei t-SNE kann es sich um einen Algorithmus zur Dimensionalitätsverringerung handeln, der zum Visualisieren von hochdimensionalen Daten, z.B. der Zeitreihendaten 104, geeignet ist. Das Vorhersagemodell 114 kann hochdimensionale Punkte so in niedrige Dimensionen einbetten, dass Ähnlichkeiten zwischen Punkten mit der t-SNE-Komprimierung berücksichtigt werden. In einem Beispiel kann das Vorhersagemodell 114 eine hohe Bitumengewinnung erzielen, indem es den aktuellen Betriebszustand mit sonstigen Betriebsvorgängen vergleicht, die sich in einem selben Modus befinden. Das Vorhersagemodell 114 kann Episoden mit schlechter Leistungsfähigkeit analysieren und eine Betriebschance zur Verbesserung erkennen. Das Vorhersagemodell 114 kann sich auf diese Betriebsepisoden in der Vergangenheit konzentrieren, die eine hohe Schaumbildung erreicht haben, und kann aus diesen Episoden Hauptbetriebsaktionen extrahieren, um den aktuellen Betrieb zu unterstützen.
  • Bei einer oder mehreren Ausführungsformen ist das Variablenidentifizierungsmodul 116 dazu konfiguriert, Nichtsteuervariablen 122 und Steuervariablen 124 aus den Zeitreihendaten 104 zu identifizieren. Die Nichtsteuervariablen 122 und die Steuervariablen 124 können getrennt werden, um die Möglichkeit sicherzustellen, auf Grundlage der Zeitreihendaten 104 Aktionen zu ergreifen, um Chancen zur Produktionssteigerung zu gewinnen. Bei den Nichtsteuervariablen 122 kann es sich beispielsweise um Variablen mit Zeitmarke handeln, und sie können als Satz von Variablen von Sensoren definiert sein, die durch Benutzer wenig oder nicht steuerbar sind. Bei den Nichtsteuervariablen 122 kann es sich um Parameter handeln, die dazu verwendet werden, die Ähnlichkeit von Betriebs- und Produktionsbedingungen zu definieren. Die Nichtsteuervariablen 122 können Episoden aus den Zeitreihendaten 104 abrufen. Die Steuervariablen 124 können Variablen mit Zeitmarke sein und können als Satz von Variablen von Sensoren für Aktionen definiert sein, die durch einen Benutzer gesteuert werden können. In einem Beispiel können Steuervariablen 124 verwendet werden, um Belohnungen (oder Chancen) aus den Episoden der Zeitreihendaten zu berechnen. Bei den Steuervariablen 124 kann es sich um Produktionsraten und Rohstoffvariablen handeln, die der Benutzer auf Grundlage der besten gefundenen benachbarten Episoden optimieren kann. Die Steuervariablen 124 können aus einer erstellten Nachbarschaft von ähnlichen historischen Nichtsteuervariablen 122 identifiziert werden, um auf Grundlage der Zeitreihendaten 104 mögliche Aktionsstrategien zu erstellen, die für den aktuellen Zustand relevant sind. Bei einer oder mehreren Ausführungsformen ist das Variablenidentifizierungsmodul 116 dazu konfiguriert, eine oder mehrere Steuervariablen 124 in demselben Modus zu identifizieren, wobei die Variablen für den aktuellen Betriebszustand relevant sind.
  • Bei einer oder mehreren Ausführungsformen ist das Strategieempfehlungsmodul 118 dazu konfiguriert, eine Aktionsstrategie auf Grundlage der Steuervariablen 124, der Nichtsteuervariablen 122 und einer Zielproduktivität zu empfehlen. Das Strategieempfehlungsmodul 118 kann eine Ähnlichkeitsmessung definieren, um historische Episoden aus den Zeitreihendaten 104 mit einem ähnlichen Betriebszustand auf Grundlage des Vergleichs des aktuellen Zustands mit dem historischen Betriebszustand zu identifizieren. Das Strategieempfehlungsmodul 118 kann eine Episode aus den historischen Episoden erstellen, die eine(n) höhere(n) Produktivität oder Durchsatz zeigen. Das Strategieempfehlungsmodul 118 kann Bewertungen auf Grundlage von alternativen Aktionsstrategien erzeugen und kann die Aktionsstrategie auf Grundlage der Bewertung für jede alternative Aktionsstrategie empfehlen.
  • Bei einer oder mehreren Ausführungsformen ist das Ausgabemodul 120 dazu konfiguriert, die Aktionsstrategie für einen Benutzer auszugeben. Das Ausgabemodul 120 kann eine Benutzeroberfläche bereitstellen, um eine Verbindung mit dem Benutzer herzustellen. Das Ausgabemodul 120 kann sonstige geeignete Wege zur Ausgabe an den Benutzer bereitstellen. Das Ausgabemodul 120 kann eine Benachrichtigung an einen Benutzer über eine erkannte Betriebschance bereitstellen. Das Ausgabemodul 120 kann Betriebsmodi mithilfe eines t-SNE-Verfahrens anzeigen. Das Ausgabemodul 120 kann eine Nachbarschaftsepisode mithilfe eines Diagramms mit Zeitmarke anzeigen. Das Ausgabemodul 120 kann einen geschätzten Gewinn der Aktionsstrategie anzeigen.
  • 2 ist ein Ablaufplan 200, der Betriebsschritte des Chancenerkennungsmoduls 110 gemäß einer Ausführungsform der vorliegenden Offenbarung darstellt.
  • Das Chancenerkennungsmodul 110 arbeitet so, dass es die Zeitreihendaten 104 überwacht, die von einem oder mehreren Sensoren erzeugt werden. Das Chancenerkennungsmodul 110 arbeitet außerdem so, dass es einen Satz von Merkmalen durch automatisches Codieren mithilfe eines neuronalen Netzes, z.B. des LSTM-Auto-Encoders 112, auf Grundlage der Nichtsteuervariablen 122 für die Zeitreihendaten 104 aus den Zeitreihendaten 104 extrahiert. Das Chancenerkennungsmodul 110 arbeitet so, dass es einen oder mehrere Betriebsmodi auf Grundlage der extrahierten Merkmale einschließlich einer Dimensionsverringerung mit einem Darstellungslernen aus den Zeitreihendaten 104 identifiziert. Das Chancenerkennungsmodul 110 arbeitet so, dass es einen aktuellen Betriebszustand mit einem historischen Betriebszustand auf Grundlage der Zeitreihendaten 104 in einem selben Betriebsmodus der Betriebsmodi vergleicht. Das Chancenerkennungsmodul 110 arbeitet so, dass es eine Betriebschance auf Grundlage des Vergleichs des aktuellen Betriebszustands mit dem historischen Betriebszustand erkennt. Das Chancenerkennungsmodul 110 arbeitet so, dass es Steuervariablen 124 in demselben Modus identifiziert, wobei die Variablen für den aktuellen Betriebszustand relevant sind. Das Chancenerkennungsmodul 110 arbeitet so, dass es eine Aktionsstrategie auf Grundlage der Steuervariablen 124, der Nichtsteuervariablen 122 und einer Zielproduktivität empfiehlt. Das Chancenerkennungsmodul 110 arbeitet so, dass es die Aktionsstrategie für einen Benutzer ausgibt.
  • In Schritt 202 überwacht das Chancenerkennungsmodul 110 die Zeitreihendaten 104, die von einem oder mehreren Sensoren erzeugt werden. Bei den Zeitreihendaten 104 kann es sich zum Beispiel um Daten aus einem Ölsandbetriebs- und -produktionsprozess handeln. Erdölprodukte können aus Ölsanden durch mehrere Phasen produziert werden, z.B. durch Gewinnung, Aufbereitung und Veredelung. Beispielsweise können während der Gewinnungsphase, in der Bitumen aus den Ölsanden gewonnen werden kann, Feststoffe und Wasser entfernt werden. Während der Aufbereitungsphase kann Bitumen zu einem leichteren Rohöl-Zwischenprodukt aufbereitet werden. Während der Veredelungsphase kann Rohöl zu Endprodukten wie zum Beispiel Benzin, Schmierstoffen und Verdünnungsmitteln veredelt werden. Die Prozesse während der Phasen können mit mehreren aufeinanderfolgenden Schritten einer physikalischen oder chemischen Umsetzung einhergehen, um ein Material in ein anderes umzuwandeln. Um mehrere Ziele innerhalb eines solchen Produktionssystems zu erreichen, ist ein optimales Gleichgewicht von Prozessen erforderlich. In einem weiteren Beispiel kann es sich bei den Zeitreihendaten 104 um Daten aus einem Stahlerzeugungsprozess zum Produzieren von Stahl aus Eisenerz und/oder Schrott handeln. Verunreinigungen wie Stickstoff, Silicium, Phosphor, Schwefel und überschüssiger Kohlenstoff können aus dem bezogenen Eisen entfernt werden, und Legierungselemente wie Mangan, Nickel, Chrom, Kohlenstoff und Vanadium können hinzugefügt werden, um verschiedene Gütegrade von Stahl zu produzieren. In einem noch weiteren Beispiel kann es sich bei den Zeitreihendaten um Daten aus einem Produktionsprozess handeln, in dem Sojabohnen zu Sojasaucen verarbeitet werden können, wobei den Sojasaucen Zusatzstoffe zugesetzt werden. In einem noch weiteren Beispiel kann es sich bei den Zeitreihendaten um Daten aus einem beliebigen sonstigen Betriebs- und Produktionsprozess handeln.
  • In Schritt 204 extrahiert das Chancenerkennungsmodul 110 einen Satz von Merkmalen durch automatisches Codieren mithilfe eines neuronalen Netzes, z.B. des LSTM-Auto-Encoders 112, auf Grundlage einer oder mehrerer Nichtsteuervariablen 122 für die Zeitreihendaten 104 aus den Zeitreihendaten 104. Das Chancenerkennungsmodul 110 kann nicht nur den Satz von Merkmalen zum Lernen verwenden, sondern den Satz von Merkmalen auch durch den LSTM-Auto-Encoder 112 lernen. Bei dem Satz von Merkmalen kann es sich um Informationen im Zusammenhang mit den Zeitreihendaten 104 handeln. Der Satz von Merkmalen kann ein(e) einzelne(s) messbare(s) Eigenschaft oder Merkmal eines Phänomens sein, das anhand der Zeitreihendaten 104 beobachtet wird. Das Chancenerkennungsmodul 110 kann einen Teilsatz von relevanten Merkmalen zum Erstellen des Vorhersagemodells 114 auf Grundlage der Nichtsteuervariablen 122 auswählen, die einen Mangel an Steuerung der Zeitreihendaten 104 durch einen Benutzer definieren. Das Chancenerkennungsmodul 110 kann die Anzahl von Ressourcen verringern, die zum Beschreiben der Zeitreihendaten 104 benötigt werden. Das Chancenerkennungsmodul 110 kann Kombinationen der Nichtsteuervariablen 122, die die Zeitreihendaten 104 beschreiben, mit ausreichender Genauigkeit durch den LSTM-Auto-Encoder 112 erstellen. Bei dem LSTM-Auto-Encoder 112 kann es sich um ein künstliches neuronales Netz handeln, das dazu verwendet wird, eine effiziente Datencodierung unüberwacht zu lernen. Bei dem LSTM-Auto-Encoder 112 kann es sich um ein rekurrentes neuronales Netz mit einer Implementierung eines Auto-Encoders für die Zeitreihendaten 104 mithilfe einer Encoder-Decoder-LSTM-Architektur handeln. Der LSTM-Auto-Encoder 112 kann eine Darstellung (Codierung) für die Zeitreihendaten 104, z.B. zur Dimensionalitätsverringerung, lernen. Der LSTM-Auto-Encoder 112 kann aus der verringerten Codierung eine Darstellung erzeugen, die der ursprünglichen Eingabe der Zeitreihendaten 104 so nahe wie möglich kommt. Der LSTM-Auto-Encoder 112 kann einen Encoder und einen Decoder enthalten. Der Encoder kann Rohdaten (z.B. die Zeitreihendaten 104) als Eingabe verwenden und kann ein Merkmal oder eine Darstellung als Ausgabe erzeugen, und der Decoder kann das extrahierte Merkmal von dem Encoder als Eingabe verwenden und kann die ursprünglich eingegebenen Rohdaten als Ausgabe rekonstruieren. Das Training kann so lange wiederholt werden, bis bestimmte Abbruchkriterien erfüllt sind. Der LSTM-Auto-Encoder 112 kann die Zeitreihendaten 104 mithilfe eines automatischen Codierungsprozesses aufrufen, um Dimensionen eines Sensor-Tag-Raums auf einen begrenzten Einbettungsraum zu verringern. Der LSTM-Auto-Encoder 112 kann ein Clustering-Verfahren aufrufen, um potentielle Modi zu erzeugen. Der LSTM-Auto-Encoder 112 kann einen Typ eines künstlichen neuronalen Netzes aufrufen, das dazu verwendet wird, eine effiziente Datencodierung unüberwacht zu lernen. Der LSTM-Auto-Encoder 112 kann einen Vektor mit einer festen Größe aus den Zeitreihendaten 104 erhalten.
  • In Schritt 206 identifiziert das Chancenerkennungsmodul 110 einen oder mehrere Betriebsmodi auf Grundlage der extrahierten Merkmale einschließlich einer Dimensionsverringerung mit einem Darstellungslernen aus den Zeitreihendaten 104. Das Chancenerkennungsmodul 110 kann eine Nachbarschaft für den aktuellen Betriebszustand identifizieren. Die Nachbarschaft kann ein dynamischer Modus innerhalb desselben Betriebsmodus sein und kann durch euklidische Abstände zwischen dem historischen Betriebszustand und dem aktuellen Betriebszustand gefunden werden. Das Chancenerkennungsmodul 110 kann die Nachbarschaft definieren oder Gaußsches Misch-Clustering verwenden, das auf Eingebettete angewendet wird, um statische Betriebsmodi zu identifizieren. Ein Modus kann einen Status eines Anlagenbetriebs enthalten. Ein harter Kategorietyp eines Modus kann eine spezifische Betriebskonfiguration eines gesamten Produktionsprozesses betreffen, zum Beispiel eine Herstellung einer Rohrausführung, einen Einheitsbetriebsstatus. Ein weicher Kategorietyp eines Modus kann eine Produktionsstufe von lokalen oder globalen Betriebsvorgängen enthalten. In der Sandölindustrie besteht ein komplexer Prozess eines Umwandelns von Sandöl in Synthese-Rohöl. Eine vollständige Erzeugung bei der Synthese-Rohölproduktion geht mit mehreren Phasen einher, darunter mit einer Primärgewinnung, einer Sekundärgewinnung und einer Aufbereitung. Jede Phase geht mit mehreren Komponenten und Prozessen einher, und bei dem System handelt es sich um ein dynamisches System. Einige der enthaltenen Modi können einem Ingenieur vor Ort ausdrücklich bekannt sein. Sonstige Modi können verdeckt sein und können durch fortgeschrittene Analysemodelle identifiziert werden. Das Chancenerkennungsmodul 110 kann einen Betriebsmodus automatisch erkennen, indem es aus historischen Sensor- und sonstigen Produktionsdaten lernt, und kann eine kompakte Rückmeldung in Form von Modi erzielen. Das Chancenerkennungsmodul 110 kann die Algorithmen und Modelle des Betriebsmodus ermitteln. Das Chancenerkennungsmodul 110 kann die Betriebsmodi als Benchmark verwenden, ob in der Vergangenheit ähnliche Produktionsbedingungen vorgelegen haben oder ob ein neuer Modus identifiziert werden kann. Die Betriebsmodi können dazu verwendet werden, bessere Steueraktionen zu empfehlen oder die Steuerparameter automatisch zu ändern. Wenn ein neuer Modus identifiziert wird, kann der neue Modus gespeichert werden, um den Speicher und das Wissen des Systems zu erweitern. Das Chancenerkennungsmodul 110 kann ein historisches Benchmarking eines erkannten Modus gegenüber historischen Anlagendaten berechnen, wenn sich die Anlage in demselben Modus befindet. Das Chancenerkennungsmodul 110 kann den erkannten Modus als Grundlage zum Identifizieren ähnlicher Zeiträume aus der Vergangenheit verwenden. So können zum Beispiel Zeiträume aus der Vergangenheit identifiziert werden, in denen derselbe Modus aktiv ist. Das Chancenerkennungsmodul 110 kann des Weiteren eine Faktoranalyse für den Satz von Prozessvariablen verwenden, die gemeinsam den erkannten Modus definieren, um die Hauptdifferenz im Hinblick auf die aktuellen Variablenwerte gegenüber den historischen Variablenwerten zu identifizieren. Das Chancenerkennungsmodul 110 kann die mögliche Hauptursache für die niedrigen Betriebs-/ Produktionsniveaus berechnen und einem Ingenieur vor Ort anzeigen. Das Chancenerkennungsmodul 110 kann einen analytischen Ansatz zum Identifizieren oder Klassifizieren von Modi über einen komplexen Herstellungsprozess hinweg bereitstellen. Das Chancenerkennungsmodul 110 kann eine ausführliche oder allgemeine multivariate Modusidentifizierung bereitstellen und kann als Nebenprodukt auch ein Partitionieren von nichtpartitionierten Daten in mehrere Teilsätze erzielen. Statt sich auf eine auf Regeln beruhende Moduserkennung zu stützen, die Vorwissen und gespeicherte Grundsätze erfordert, kann das Chancenerkennungsmodul 110 einen automatischen Prozess bereitstellen, der einen einfacheren Ansatz menschlicher Beteiligung zum Erzeugen von Modi bereitstellt. Das Chancenerkennungsmodul 110 kann eine Chancenumsetzung durch eine Analyse mithilfe von unüberwachtem maschinellen Lernen erzielen. Beispielsweise kann das Chancenerkennungsmodul 110 eine Betriebschance durch den Vergleich des aktuellen Zustands mit den ähnlichen historischen Betriebsvorgängen innerhalb des Modus oder der Nachbarschaft identifizieren.
  • In Schritt 208 vergleicht das Chancenerkennungsmodul 110 einen aktuellen Betriebszustand mit einem historischen Betriebszustand auf Grundlage der Zeitreihendaten in einem selben Betriebsmodus des einen oder der mehreren Betriebsmodi. Das Chancenerkennungsmodul 110 kann einen spezifischen Modus identifizieren, in dem sich der aktuelle Betriebszustand befindet. Das Chancenerkennungsmodul 110 kann Cluster mithilfe von t-SNE-Komprimierung projizieren, um einen Graphen zu erzeugen. In einem Beispiel kann es sich bei t-SNE um einen Algorithmus zur Dimensionalitätsverringerung handeln, der zum Visualisieren von hochdimensionalen Daten, z.B. der Zeitreihendaten 104, geeignet ist. Das Chancenerkennungsmodul 110 kann hochdimensionale Punkte so in niedrige Dimensionen einbetten, dass Ähnlichkeiten zwischen Punkten mit einer t-SNE-Komprimierung berücksichtigt werden. In einem Beispiel kann das Chancenerkennungsmodul 110 eine hohe Bitumengewinnung erzielen, indem es den aktuellen Betriebszustand mit sonstigen Betriebsvorgängen vergleicht, die sich in einem selben Modus befinden. Das Chancenerkennungsmodul 110 kann Episoden mit schlechter Leistungsfähigkeit analysieren und kann eine Betriebschance zur Verbesserung erkennen. Das Chancenerkennungsmodul 110 kann sich auf diese Betriebsepisoden in der Vergangenheit konzentrieren, die eine hohe Schaumbildung erreicht haben, und kann aus diesen Episoden Hauptbetriebsaktionen extrahieren, um den aktuellen Betrieb zu unterstützen.
  • In Schritt 210 erkennt das Chancenerkennungsmodul 110 eine Betriebschance auf Grundlage des Vergleichs des aktuellen Betriebszustands mit dem historischen Betriebszustand. Die Betriebschance kann durch den Vergleich des aktuellen Zustands mit den ähnlichen historischen Betriebsvorgängen innerhalb des Modus oder der Nachbarschaft identifiziert werden. In einem Beispiel kann die Betriebschance ein Satz von Betriebsänderungen sein, die aus dem historischen Betriebszustand abgeleitet werden, um den aktuellen Betriebszustand in einem definierten kurzfristigen zukünftigen Zeitraum auf eine höhere Produktion zu steigern. In einem weiteren Beispiel kann die Betriebschance ein Satz von Betriebsänderungen sein, die aus dem historischen Betriebszustand abgeleitet werden, um den aktuellen Betriebszustand in einem definierten kurzfristigen zukünftigen Zeitraum auf eine geringe Nutzung von Zusatzstoffen oder Rohstoffen zu verringern. Es ist möglich, sonstige geeignete Chancen zu finden.
  • In Schritt 212 identifiziert das Chancenerkennungsmodul 110 eine oder mehrere Steuervariablen 124 in demselben Modus, wobei die Variablen für den aktuellen Betriebszustand relevant sind. Die Steuervariablen 124 können Aktionen definieren, die durch einen Benutzer gesteuert werden können. Die Steuervariablen 124 können Variablen mit Zeitmarke sein und können als Satz von Variablen von Sensoren für Aktionen definiert sein, die durch einen Benutzer gesteuert werden können. In einem Beispiel können Steuervariablen 124 verwendet werden, um Belohnungen (oder Chancen) aus den Episoden der Zeitreihendaten 104 zu berechnen. Bei den Steuervariablen 124 kann es sich zum Beispiel um Produktionsraten und Rohstoffvariablen handeln, die der Benutzer auf Grundlage der besten gefundenen benachbarten Episoden optimieren kann. Die Steuervariablen 124 können aus einer erstellten Nachbarschaft von ähnlichen historischen Nichtsteuervariablen 122 identifiziert werden, um auf Grundlage der Zeitreihendaten 104 mögliche Aktionsstrategien zu erstellen, die für den aktuellen Zustand relevant sind. In einem Beispiel für eine Schaumbildung können zu den Steuervariablen 124 zum Beispiel eine Beschickung zu einem Diesel-Hydrotreating oder zu einer katalytischen Wasserstoffbehandlung, eine Zusammensetzung der Beschickung zu einem Diesel-Hydrotreating mit Niedervakuum-Gasöl, Niedervakuum-Gasöl, Seitenabzugkerosin, schweres Naphtha und Koker-Kerosin zählen.
  • In Schritt 214 empfiehlt das Chancenerkennungsmodul 110 eine Aktionsstrategie auf Grundlage der Steuervariablen 124, der Nichtsteuervariablen 122 und einer Zielproduktivität. Das Chancenerkennungsmodul 110 kann eine Ähnlichkeitsmessung definieren, um historische Episoden aus den Zeitreihendaten 104 mit einem ähnlichen Betriebszustand auf Grundlage des Vergleichs des aktuellen Zustands mit dem historischen Betriebszustand zu identifizieren. Das Chancenerkennungsmodul 110 kann eine Episode aus den historischen Episoden erstellen, die eine(n) höhere(n) Produktivität oder Durchsatz zeigen. Das Chancenerkennungsmodul 110 kann Bewertungen auf Grundlage von alternativen Aktionsstrategien erzeugen und kann die Aktionsstrategie auf Grundlage der Bewertung für jede alternative Aktionsstrategie empfehlen.
  • In Schritt 216 gibt das Chancenerkennungsmodul 110 die Aktionsstrategie für einen Benutzer aus. Das Chancenerkennungsmodul 110 kann eine Benutzeroberfläche bereitstellen, um eine Verbindung mit dem Benutzer herzustellen. Das Chancenerkennungsmodul 110 kann sonstige geeignete Wege zur Ausgabe an den Benutzer bereitstellen. Das Chancenerkennungsmodul 110 kann ein Signal für die erkannte Betriebschance angeben. Das Chancenerkennungsmodul 110 kann die Betriebsmodi mithilfe eines t-SNE-Verfahrens anzeigen. Das Chancenerkennungsmodul 110 kann eine Nachbarschaftsepisode mithilfe eines Diagramms mit Zeitmarke anzeigen. Das Chancenerkennungsmodul 110 kann einen geschätzten Gewinn der Aktionsstrategie anzeigen.
  • 3 veranschaulicht ein beispielhaftes Funktionsschaubild des Chancenerkennungsmoduls 110 gemäß einer oder mehreren Ausführungsformen der vorliegenden Offenbarung.
  • In dem Beispiel von 3 kann das Chancenerkennungsmodul 110 eine Chancenumsetzung durch eine Analyse mithilfe von unüberwachtem maschinellen Lernen erzielen. Eine Betriebschance kann durch den Vergleich des aktuellen Zustands (oder Szenarios) mit den ähnlichen historischen Episoden innerhalb eines Modus oder einer Nachbarschaft identifiziert werden. Das Chancenerkennungsmodul 110 kann einen Betrieb als Zeitreihendaten 104 von Sensoren überwachen. Das Chancenerkennungsmodul 110 kann den LSTM-Auto-Encoder 112 anwenden, um das Merkmal der Zeitreihendaten 104 in einen eingebetteten Raum zu extrahieren. Der LSTM-Auto-Encoder 112 kann das Lernen der Zeitreihendarstellung mit Dimensionsverringerung erzielen. Der LSTM-Auto-Encoder 112 kann eine Darstellung (Codierung) für die Zeitreihendaten 104, z.B. zur Dimensionalitätsverringerung, lernen. Der LSTM-Auto-Encoder 112 kann aus der verringerten Codierung eine Darstellung erzeugen, die der ursprünglichen Eingabe der Zeitreihendaten 104 so nahe wie möglich kommt. Bei der dargestellten Ausführungsform enthält der LSTM-Auto-Encoder 112 einen Encoder 320 und einen Decoder 322. Der Encoder 320 kann eine ursprüngliche Eingabe 324 (z.B. die Zeitreihendaten 104) als Eingabe verwenden und kann ein Merkmal oder eine Darstellung als Ausgabe erzeugen. Der Decoder 322 kann das extrahierte Merkmal von dem Encoder 320 als Eingabe verwenden und kann die ursprüngliche Eingabe 324 zu einer rekonstruierten Eingabe 326 als Ausgabe rekonstruieren. Das Chancenerkennungsmodul 110 kann einen oder mehrere statische Betriebsmodi 302 (z.B. einen Modus 304) mithilfe von Gaußschem Misch-Clustering identifizieren, das auf den eingebetteten Raum angewendet wird. Das Chancenerkennungsmodul 110 kann die Cluster mithilfe von t-SNE-Komprimierung projizieren, um einen Graphen der Modi 302 zu erzeugen. Die Modi 302 können als Benchmark verwendet werden, anhand derer das System ermitteln kann, ob in der Vergangenheit ähnliche Produktionsbedingungen vorgelegen haben. Die Modi 302 können dazu verwendet werden, bessere Steueraktionen zu empfehlen oder die Steuerparameter automatisch zu ändern. Das Chancenerkennungsmodul 110 kann einen dynamischen Modus (z.B. eine Nachbarschaft 308) für einen aktuellen Betriebszustand 306 mithilfe des eingebetteten Raums identifizieren. Das Chancenerkennungsmodul 110 kann Betriebschancen abhängig von z.B. dem Betriebsmodus 304 oder der Nachbarschaft 308 erkennen. In einem Beispiel kann das Chancenerkennungsmodul 110 historische Episoden durch Auswählen der Nachbarschaft 308 des aktuellen Betriebszustands 306 mithilfe des eingebetteten Raums einschränken. Die Nachbarschaft 308 kann durch euklidische Abstände zwischen historischen Episoden und dem aktuellen Zustand 306 gefunden werden, die in dem Merkmalsraum definiert sind. Block 310 zeigt eine Chancenumsetzung durch Vergleichen des aktuellen Betriebszustands mit sonstigen Betriebsvorgängen, die sich in demselben Modus, z.B. dem Modus 304, befinden. Eine Betriebschance wird in einem Chancenfenster 312 gezeigt, da schlechte Episoden mit schlechter Leistungsfähigkeit auf eine Chance zur Verbesserung hinweisen können.
  • 4 veranschaulicht ein beispielhaftes Architekturschaubild des Chancenerkennungsmoduls 110 gemäß einer oder mehreren Ausführungsformen der vorliegenden Offenbarung.
  • In Block 402 kann ein Satz von Merkmalen ausgewählt werden, um das Vorhersagemodell 114 auf Grundlage von historischen Daten 404, z.B. der Zeitreihendaten 104, zu erstellen. Das Vorhersagemodell 114 kann einen potenziellen Herstellungsgewinn durch einen geringeren Einsatz von Rohstoffen oder Zusatzstoffen ohne Verringerung der Produktion oder eine Produktionssteigerung von Zwischen- oder Endprodukten bei einem selben Einsatz von Rohstoffen oder Zusatzstoffen identifizieren. Das Vorhersagemodell 114 kann Potenziale eines weniger produktiven Einsatzes von Rohstoffen oder Zusatzstoffen oder einer Produktivitätssteigerung bei einem selben Einsatz von Rohstoffen oder Zusatzstoffen vorhersagen. Das Vorhersagemodell 114 kann Algorithmen zum Identifizieren von Chancen aufrufen, um alternative Betriebsvorgänge zum Gewinnen von Chancen zu identifizieren. Bei den historischen Daten 404 kann es sich um durch einen oder mehrere Sensoren erfasste Daten handeln. In einem Beispiel kann es sich bei den historischen Daten 404 um Daten aus einem Ölsandbetriebs- und -produktionsprozess handeln. In einem weiteren Beispiel kann es sich bei den historischen Daten 404 um Daten aus einem Stahlerzeugungsprozess zum Produzieren von Stahl aus Eisenerz und/oder Schrott handeln. In einem noch weiteren Beispiel kann es sich bei den historischen Daten 404 um Daten aus einem beliebigen sonstigen Betriebs- und Produktionsprozess handeln. Das Vorhersagemodell 114 kann mithilfe der Steuervariablen 124 und Nichtsteuervariablen 122 verifiziert werden. Das Vorhersagemodell 114 kann die Nichtsteuervariablen 122 (z.B. Umgebungsvariablen, die durch einen Benutzer wenig oder nicht steuerbar sind) verwenden, um Episoden durch Nachbarschaftsauswahl 406 aus den historischen Daten 404 abzurufen. Das Vorhersagemodell 114 kann die Steuervariablen 124 (z.B. Aktionsvariablen, die ein Benutzer in dem Prozess steuern oder ändern kann) verwenden, um die Belohnungen (oder Chancen) mit Cluster-Erzeugung 408 aus den Episoden der historischen Daten 404 zu berechnen. Die Cluster-Erzeugung 408 kann einen Satz von Objekten aus den historischen Daten 404 so gruppieren, dass Objekte in derselben Gruppe (die als Cluster bezeichnet wird) (in einem gewissen Sinne) einander ähnlicher als denjenigen in sonstigen Gruppen (Clustern) sind.
  • Alternative Steuerstrategien 410 können Aktionsstrategien sein, um angemessene Aktionen auszuwählen und die Umgebungen zu ändern, um eine abschließende Chance umzusetzen. Die alternativen Steuerstrategien 410 können einem Benutzer oder einem Fertigungsplaner ermöglichen, eine Echtzeitunterstützung zur Entscheidungsfindung zur Steigerung der Produktivität zu erhalten. Beispielsweise kann das Vorhersagemodell 114 eine Bewertung 412 bereitstellen und ein Sortieren 414 für eine Empfehlungsliste 416 für einen Benutzer durchführen. In einem Beispiel kann eine Benutzeroberfläche über eine tragbare Einheit für einen Benutzer bereitgestellt werden. Die Empfehlungsliste 416 von potenziellen Zielmengen kann z.B. aus Rohstoffen, Zwischen- und Endprodukten oder teuren Zusatzstoffen ausgewählt werden.
  • 5 stellt ein Blockschaubild 500 von Komponenten der Datenverarbeitungseinheit 102 gemäß einer veranschaulichenden Ausführungsform der vorliegenden Offenbarung dar. Es ist zu beachten, dass 5 lediglich eine Veranschaulichung einer Implementierung bereitstellt und keine Einschränkungen in Bezug auf die Umgebungen impliziert, in denen verschiedene Ausführungsformen implementiert werden können. Es können zahlreiche Modifizierungen an der dargestellten Umgebung vorgenommen werden.
  • Die Datenverarbeitungseinheit 102 kann eine Datenübertragungsstruktur 502 enthalten, die eine Datenübertragung zwischen einem Cache 516, einem Speicher 506, einem nichtflüchtigen Speicher 508, einer Datenübertragungseinheit 510 und einer oder mehreren Eingabe-/Ausgabe(E/A)-Einheit(en) 512 bereitstellt. Die Datenübertragungsstruktur 502 kann mit einer beliebigen Architektur implementiert werden, die zum Weiterleiten von Daten und/oder Steuerinformationen zwischen Prozessoren (wie zum Beispiel Mikroprozessoren, Datenübertragungs- und Netzwerkprozessoren usw.), einem Systemspeicher, Peripherieeinheiten und beliebigen sonstigen Hardware-Komponenten innerhalb eines Systems gestaltet ist. Beispielsweise kann die Datenübertragungsstruktur 502 mit einem oder mehreren Bussen oder einem Kreuzschienenschalter implementiert werden.
  • Bei dem Speicher 506 und dem nichtflüchtigen Speicher 508 handelt es sich um durch einen Computer lesbare Speichermedien. Bei dieser Ausführungsform enthält der Speicher 506 einen Direktzugriffsspeicher (random access memory, RAM). Im Allgemeinen kann der Speicher 506 beliebige geeignete flüchtige oder nichtflüchtige, durch einen Computer lesbare Speichermedien enthalten. Bei dem Cache 516 handelt es sich um einen schnellen Speicher, der die Leistungsfähigkeit des einen oder der mehreren Computerprozessoren 504 erweitert, indem er Daten, auf die kürzlich zugegriffen wurde, und Daten in der Nähe der Daten, auf die zugegriffen wurde, aus dem Speicher 506 hält.
  • Das Modul 110 zur Chancenerkennung kann in dem nichtflüchtigen Speicher 508 und in dem Speicher 506 zur Ausführung durch einen oder mehrere der jeweiligen Computerprozessoren 504 über den Cache 516 gespeichert sein. Bei einer Ausführungsform enthält der nichtflüchtige Speicher 508 ein Magnet-Festplattenlaufwerk. Alternativ oder zusätzlich zu einem Magnet-Festplattenlaufwerk kann der nichtflüchtige Speicher 508 ein Halbleiter-Festplattenlaufwerk, eine Halbleiter-Speichereinheit, einen Festwertspeicher (read-only memory, ROM), einen löschbaren, programmierbaren Festwertspeicher (erasable programmable read-only memory, EPROM), einen Flash-Speicher oder ein beliebiges sonstiges durch einen Computer lesbares Speichermedium enthalten, das in der Lage ist, Programmanweisungen oder digitale Informationen zu speichern.
  • Die durch den nichtflüchtigen Speicher 508 verwendeten Medien können auch auswechselbar sein. Beispielsweise kann eine Wechselfestplatte als nichtflüchtiger Speicher 508 verwendet werden. Zu sonstigen Beispielen zählen optische und Magnetplatten, USB-Speichersticks und Chip-Karten, die zum Übertragen auf ein weiteres durch einen Computer lesbares Speichermedium, das ebenfalls Teil des nichtflüchtigen Speichers 508 ist, in ein Laufwerk eingesetzt werden.
  • Die Datenübertragungseinheit 510 stellt in diesen Beispielen eine Datenübertragung mit sonstigen Datenverarbeitungssystemen oder -einheiten bereit. In diesen Beispielen handelt es sich bei der Datenübertragungseinheit 510 um eine oder mehrere Netzwerk-Schnittstellenkarten. Die Datenübertragungseinheit 510 kann Datenübertragungen durch die Verwendung von physischen und/oder von drahtlosen Datenübertragungsverbindungen bereitstellen. Bei verschiedenen Ausführungsformen kann das Chancenerkennungsmodul 110 durch die Datenübertragungseinheit 510 in den nichtflüchtigen Speicher 508 heruntergeladen werden.
  • Die E/A-Schnittstelle(n) 512 ermöglichen eine Eingabe und Ausgabe von Daten in/aus sonstige(n) Einheiten, die mit der Datenverarbeitungseinheit 102 verbunden sein können. Die E/A-Schnittstelle 512 kann zum Bespiel eine Verbindung mit externen Einheiten 518 wie zum Beispiel einer Tastatur, einem Tastenfeld, einem Touchscreen und/oder einer sonstigen geeigneten Eingabeeinheit bereitstellen. Zu externen Einheiten 518 können auch tragbare durch einen Computer lesbare Speichermedien wie zum Beispiel USB-Speichersticks, tragbare optische oder Magnetplatten und Speicherkarten zählen. Software und Daten, die zum Umsetzen von Ausführungsformen der vorliegenden Erfindung, z.B. des Chancenerkennungsmoduls 110, verwendet werden, können auf solchen tragbaren durch einen Computer lesbaren Speichermedien gespeichert werden und können über die E/A-Schnittstelle(n) 512 in den nichtflüchtigen Speicher 508 geladen werden. Die E/A-Schnittstelle(n) 512 stellt/stellen außerdem eine Verbindung zu einer Anzeige 520 her.
  • Die Anzeige 520 stellt einen Mechanismus zum Anzeigen von Daten für einen Benutzer bereit und kann zum Beispiel ein Computer-Bildschirm sein.
  • Die hierin beschriebenen Programme werden auf Grundlage der Anwendung identifiziert, für die sie in einer spezifischen Ausführungsform der Erfindung implementiert werden. Es sollte jedoch ersichtlich sein, dass jegliche besondere Programmnomenklatur hierin lediglich der Einfachheit halber verwendet wird und die Erfindung folglich nicht auf die ausschließliche Verwendung in einer bestimmten Anwendung beschränkt sein soll, die durch eine solche Nomenklatur bezeichnet und/oder impliziert wird.
  • Bei der vorliegenden Erfindung kann es sich um ein System, ein Verfahren und/oder ein Computerprogrammprodukt mit einem beliebigen Integrationsgrad technischer Details handeln. Das Computerprogrammprodukt kann (ein) durch einen Computer lesbare(s) Speichermedium (oder -medien) enthalten, auf dem/denen durch einen Computer lesbare Programmanweisungen gespeichert sind, um einen Prozessor dazu zu veranlassen, Aspekte der vorliegenden Erfindung auszuführen.
  • Bei dem durch einen Computer lesbaren Speichermedium kann es sich um eine materielle Einheit handeln, die Anweisungen zur Verwendung durch eine Einheit zur Ausführung von Anweisungen behalten und speichern kann. Bei dem durch einen Computer lesbaren Speichermedium kann es sich zum Beispiel um eine elektronische Speichereinheit, eine magnetische Speichereinheit, eine optische Speichereinheit, eine elektromagnetische Speichereinheit, eine Halbleiterspeichereinheit oder jede geeignete Kombination daraus handeln, ohne auf diese beschränkt zu sein. Zu einer nicht erschöpfenden Liste spezifischerer Beispiele des durch einen Computer lesbaren Speichermediums gehören die Folgenden: eine tragbare Computerdiskette, eine Festplatte, ein Direktzugriffsspeicher (RAM), ein Festwertspeicher (ROM), ein löschbarer programmierbarer Festwertspeicher (EPROM bzw. Flash-Speicher), ein statischer Direktzugriffsspeicher (SRAM), ein tragbarer Kompaktspeicherplatten-Festwertspeicher (CD-ROM), eine DVD (digital versatile disc), ein Speicher-Stick, eine Diskette, eine mechanisch codierte Einheit wie zum Beispiel Lochkarten oder erhabene Strukturen in einer Rille, auf denen Anweisungen gespeichert sind, und jede geeignete Kombination von diesen. Ein durch einen Computer lesbares Speichermedium soll in der Verwendung hierin nicht als flüchtige Signale an sich aufgefasst werden, wie zum Beispiel Funkwellen oder andere sich frei ausbreitende elektromagnetische Wellen, elektromagnetische Wellen, die sich durch einen Wellenleiter oder ein anderes Übertragungsmedium ausbreiten (z.B. durch ein Glasfaserkabel geleitete Lichtimpulse) oder durch einen Draht übertragene elektrische Signale.
  • Hierin beschriebene, durch einen Computer lesbare Programmanweisungen können von einem durch einen Computer lesbaren Speichermedium auf jeweilige Datenverarbeitungs-/Verarbeitungseinheiten oder über ein Netzwerk wie zum Beispiel das Internet, ein lokales Netzwerk, ein Weitverkehrsnetz und/oder ein drahtloses Netzwerk auf einen externen Computer oder eine externe Speichereinheit heruntergeladen werden. Das Netzwerk kann Kupferübertragungskabel, Lichtwellenübertragungsleiter, drahtlose Übertragung, Router, Firewalls, Switches, Gateway-Computer und/oder Edge-Server aufweisen. Eine Netzwerkadapterkarte oder Netzwerk-Schnittstelle in jeder Datenverarbeitungs-/Verarbeitungseinheit empfängt durch einen Computer lesbare Programmanweisungen aus dem Netzwerk und leitet die durch einen Computer lesbaren Programmanweisungen zur Speicherung in einem durch einen Computer lesbaren Speichermedium innerhalb der entsprechenden Datenverarbeitungs-/Verarbeitungseinheit weiter.
  • Bei durch einen Computer lesbaren Programmanweisungen zum Ausführen von Arbeitsschritten der vorliegenden Erfindung kann es sich um Assembler-Anweisungen, ISA-Anweisungen (Instruction-Set-Architecture), Maschinenanweisungen, maschinenabhängige Anweisungen, Mikrocode, Firmware-Anweisungen, zustandssetzende Daten, Konfigurationsdaten für integrierte Schaltungen oder entweder Quellcode oder Objektcode handeln, die in einer beliebigen Kombination aus einer oder mehreren Programmiersprachen geschrieben werden, darunter objektorientierte Programmiersprachen wie Python, C++ o.ä. sowie herkömmliche prozedurale Programmiersprachen wie die Programmiersprache „C“ oder ähnliche Programmiersprachen. Die durch einen Computer lesbaren Programmanweisungen können vollständig auf dem Computer des Benutzers, teilweise auf dem Computer des Benutzers, als eigenständiges Software-Paket, teilweise auf dem Computer des Benutzers und teilweise auf einem entfernt angeordneten Computer oder vollständig auf dem entfernt angeordneten Computer oder Server ausgeführt werden. In letzterem Fall kann der entfernt angeordnete Computer mit dem Computer des Benutzers durch eine beliebige Art Netzwerk verbunden sein, darunter ein lokales Netzwerk (LAN) oder ein Weitverkehrsnetz (WAN), oder die Verbindung kann mit einem externen Computer hergestellt werden (zum Beispiel über das Internet unter Verwendung eines Internet-Dienstanbieters). Bei einigen Ausführungsformen können elektronische Schaltungen, darunter zum Beispiel programmierbare Logikschaltungen, feldprogrammierbare Gate-Arrays (FPGA) oder programmierbare Logik-Arrays (PLA) die durch einen Computer lesbaren Programmanweisungen ausführen, indem sie Zustandsdaten der durch einen Computer lesbaren Programmanweisungen nutzen, um die elektronischen Schaltungen zu personalisieren, um Aspekte der vorliegenden Erfindung durchzuführen.
  • Aspekte der vorliegenden Erfindung werden hierin unter Bezugnahme auf Ablaufpläne und/oder Blockschaubilder von Verfahren, Vorrichtungen (Systemen) und Computerprogrammprodukten gemäß Ausführungsformen der Erfindung beschrieben. Es versteht sich, dass jeder Block der Ablaufpläne und/oder der Blockschaubilder sowie Kombinationen von Blöcken in den Ablaufplänen und/oder den Blockschaubildern mittels durch einen Computer lesbare Programmanweisungen implementiert werden können.
  • Diese durch einen Computer lesbaren Programmanweisungen können einem Prozessor eines Computers oder einer sonstigen programmierbaren Datenverarbeitungsvorrichtung bereitgestellt werden, um eine Maschine zu erzeugen, so dass die über den Prozessor des Computers oder der sonstigen programmierbaren Datenverarbeitungsvorrichtung ausgeführten Anweisungen Mittel zum Implementieren der in dem Block bzw. den Blöcken des Ablaufplans und/oder des Blockschaubildes festgelegten Funktionen/Schritte erzeugen. Diese durch einen Computer lesbaren Programmanweisungen können auch auf einem durch einen Computer lesbaren Speichermedium gespeichert sein, das einen Computer, eine programmierbare Datenverarbeitungsvorrichtung und/oder andere Einheiten so steuern kann, dass sie auf eine bestimmte Art funktionieren, so dass das durch einen Computer lesbare Speichermedium, auf dem Anweisungen gespeichert sind, ein Herstellungsprodukt aufweist, darunter Anweisungen, die Aspekte der/des in dem Block bzw. den Blöcken des Ablaufplans und/oder der Blockschaubilder angegebenen Funktion/Schritts implementieren.
  • Die durch einen Computer lesbaren Programmanweisungen können auch auf einen Computer, eine andere programmierbare Datenverarbeitungsvorrichtung oder eine andere Einheit geladen werden, um das Ausführen einer Reihe von Prozessschritten auf dem Computer bzw. der anderen programmierbaren Vorrichtung oder anderen Einheit zu verursachen, um einen auf einem Computer ausgeführten Prozess zu erzeugen, so dass die auf dem Computer, einer anderen programmierbaren Vorrichtung oder einer anderen Einheit ausgeführten Anweisungen die in dem Block bzw. den Blöcken des Ablaufplans und/oder des Blockschaubildes festgelegten Funktionen/Schritte implementieren.
  • Der Ablaufplan und die Blockschaubilder in den Figuren veranschaulichen die Architektur, die Funktionalität und den Betrieb möglicher Implementierungen von Systemen, Verfahren und Computerprogrammprodukten gemäß verschiedenen Ausführungsformen der vorliegenden Erfindung. In diesem Zusammenhang kann jeder Block in dem Ablaufplan oder den Blockschaubildern ein Modul, ein Segment oder einen Teil von Anweisungen darstellen, die eine oder mehrere ausführbare Anweisungen zum Implementieren der bestimmten logischen Funktion(en) aufweisen. In einigen alternativen Implementierungen können die in den Blöcken angegebenen Funktionen in einer anderen Reihenfolge als in den Figuren gezeigt stattfinden. Zwei nacheinander gezeigte Blöcke können zum Beispiel in Wirklichkeit als ein Schritt, gleichzeitig, im Wesentlichen gleichzeitig, zum Teil oder vollständig überlappend ausgeführt werden, oder die Blöcke können manchmal je nach entsprechender Funktionalität in umgekehrter Reihenfolge ausgeführt werden. Es ist darüber hinaus zu beachten, dass jeder Block der Blockschaubilder und/oder des Ablaufplans sowie Kombinationen aus Blöcken in den Blockschaubildern und/oder dem Ablaufplan durch spezielle auf Hardware beruhende Systeme implementiert werden können, die die festgelegten Funktionen oder Schritte durchführen, oder Kombinationen aus Spezial-Hardware und Computeranweisungen ausführen.
  • Die Beschreibungen der verschiedenen Ausführungsformen der vorliegenden Erfindung erfolgten zur Veranschaulichung, sind jedoch nicht erschöpfend oder auf die offenbarten Ausführungsformen beschränkt gemeint. Viele Modifizierungen und Varianten sind für Fachleute ersichtlich, ohne vom Umfang und Geist der Erfindung abzuweichen. Die hierin verwendete Terminologie wurde gewählt, um die Grundgedanken der Ausführungsform, die praktische Anwendung oder die technische Verbesserung gegenüber auf dem Markt erhältlichen Technologien am besten zu erläutern oder um anderen Fachleuten zu ermöglichen, die hierin offenbarten Ausführungsformen zu verstehen.
  • Obwohl spezifische Ausführungsformen der vorliegenden Erfindung beschrieben worden sind, ist Fachleuten verständlich, dass sonstige Ausführungsformen vorhanden sind, die den beschriebenen Ausführungsformen gleichwertig sind. Dementsprechend versteht es sich, dass die Erfindung nicht durch die spezifischen veranschaulichten Ausführungsformen, sondern nur durch den Umfang der beigefügten Ansprüche eingeschränkt werden soll.

Claims (20)

  1. Auf einem Computer implementiertes Verfahren, das aufweist: Extrahieren eines Satzes von Merkmalen aus Zeitreihendaten durch einen oder mehrere Prozessoren durch automatisches Codieren mithilfe eines neuronalen Netzes auf Grundlage einer oder mehrerer Nichtsteuervariablen für die Zeitreihendaten, wobei die eine oder mehreren Nichtsteuervariablen einen Mangel an Steuerung der Zeitreihendaten durch einen Benutzer definieren; Identifizieren eines oder mehrerer Betriebsmodi durch einen oder mehrere Prozessoren auf Grundlage der extrahierten Merkmale einschließlich einer Dimensionsverringerung mit einem Darstellungslernen aus den Zeitreihendaten; Identifizieren einer Nachbarschaft eines aktuellen Betriebszustands durch einen oder mehrere Prozessoren auf Grundlage der extrahierten Merkmale, wobei die Nachbarschaft ein dynamischer Modus innerhalb eines selben Betriebsmodus ist; Vergleichen des aktuellen Betriebszustands mit historischen Betriebszuständen durch einen oder mehrere Prozessoren auf Grundlage der Zeitreihendaten in demselben Betriebsmodus des einen oder der mehreren Betriebsmodi; Erkennen einer Betriebschance durch einen oder mehrere Prozessoren auf Grundlage des Vergleichs des aktuellen Betriebszustands mit den historischen Betriebszuständen mithilfe der Nachbarschaft; Identifizieren einer oder mehrerer Steuervariablen in demselben Modus durch einen oder mehrere Prozessoren, wobei die Variablen für den aktuellen Betriebszustand relevant sind, wobei die eine oder mehreren Steuervariablen Aktionen definieren, die durch den Benutzer gesteuert werden können; und Empfehlen einer Aktionsstrategie durch einen oder mehrere Prozessoren auf Grundlage der einen oder mehreren Steuervariablen, der einen oder mehreren Nichtsteuervariablen und einer Zielproduktivität.
  2. Auf einem Computer implementiertes Verfahren nach Anspruch 1, das des Weiteren aufweist: Überwachen der Zeitreihendaten, die von einem oder mehreren Sensoren erzeugt werden, durch einen oder mehrere Prozessoren.
  3. Auf einem Computer implementiertes Verfahren nach Anspruch 1, wobei es sich bei dem neuronalen Netz um einen Auto-Encoder mit langem Kurzzeitgedächtnis handelt.
  4. Auf einem Computer implementiertes Verfahren nach Anspruch 1, wobei das Erkennen der Betriebschance auf dem Vergleich des aktuellen Betriebszustands mit den historischen Betriebszuständen mithilfe des Modus beruht.
  5. Auf einem Computer implementiertes Verfahren nach Anspruch 1, wobei die Betriebschance aus der Gruppe ausgewählt wird, die besteht aus: einem Satz von Betriebsänderungen, die aus dem historischen Betriebszustand abgeleitet werden, um den aktuellen Betriebszustand in einem definierten kurzfristigen zukünftigen Zeitraum auf eine höhere Produktion zu steigern, und einem Satz von Betriebsänderungen, die aus dem historischen Betriebszustand abgeleitet werden, um den aktuellen Betriebszustand in einem definierten kurzfristigen zukünftigen Zeitraum auf eine geringe Nutzung von Zusatzstoffen oder Rohstoffen zu verringern.
  6. Auf einem Computer implementiertes Verfahren nach Anspruch 1, das des Weiteren aufweist: Definieren einer Ähnlichkeitsmessung durch einen oder mehrere Prozessoren, um historische Episoden aus den Zeitreihendaten mit einem ähnlichen Betriebszustand auf Grundlage des Vergleichs des aktuellen Zustands mit dem historischen Betriebszustand zu identifizieren; und Erstellen einer Episode aus den historischen Episoden durch einen oder mehrere Prozessoren, die eine Auswahl aus der Gruppe zeigt, die besteht aus: eine(r/m) höheren Produktivität und Durchsatz.
  7. Auf einem Computer implementiertes Verfahren nach Anspruch 1, das des Weiteren ein Ausgeben der Aktionsstrategie aufweist, wobei das Ausgeben aufweist: Bereitstellen einer Benachrichtigung an den Benutzer über die Betriebschance, Anzeigen des einen oder der mehreren Betriebsmodi mithilfe eines Verfahrens zur t-verteilten stochastischen Nachbarschaftseinbettung, Anzeigen einer Nachbarschaftsepisode mithilfe eines Diagramms mit Zeitmarke, und Anzeigen eines geschätzten Gewinns der Aktionsstrategie.
  8. Computerprogrammprodukt, das aufweist: ein oder mehrere durch einen Computer lesbare Speichermedien und Programmanweisungen, die gemeinsam auf dem einen oder den mehreren durch einen Computer lesbaren Speichermedien gespeichert sind, wobei die Programmanweisungen aufweisen: Programmanweisungen zum Extrahieren eines Satzes von Merkmalen aus Zeitreihendaten durch automatisches Codieren mithilfe eines neuronalen Netzes auf Grundlage einer oder mehrerer Nichtsteuervariablen für die Zeitreihendaten, wobei die eine oder mehreren Nichtsteuervariablen einen Mangel an Steuerung der Zeitreihendaten durch einen Benutzer definieren; Programmanweisungen zum Identifizieren eines oder mehrerer Betriebsmodi auf Grundlage der extrahierten Merkmale einschließlich einer Dimensionsverringerung mit einem Darstellungslernen aus den Zeitreihendaten; Programmanweisungen zum Identifizieren einer Nachbarschaft eines aktuellen Betriebszustands auf Grundlage der extrahierten Merkmale, wobei die Nachbarschaft ein dynamischer Modus innerhalb eines selben Betriebsmodus ist; Programmanweisungen zum Vergleichen des aktuellen Betriebszustands mit historischen Betriebszuständen auf Grundlage der Zeitreihendaten in demselben Betriebsmodus des einen oder der mehreren Betriebsmodi; Programmanweisungen zum Erkennen einer Betriebschance auf Grundlage des Vergleichs des aktuellen Betriebszustands mit den historischen Betriebszuständen mithilfe der Nachbarschaft; Programmanweisungen zum Identifizieren einer oder mehrerer Steuervariablen in demselben Modus, wobei die Variablen für den aktuellen Betriebszustand relevant sind, wobei die eine oder mehreren Steuervariablen Aktionen definieren, die durch den Benutzer gesteuert werden können; und Programmanweisungen zum Empfehlen einer Aktionsstrategie auf Grundlage der einen oder mehreren Steuervariablen, der einen oder mehreren Nichtsteuervariablen und einer Zielproduktivität.
  9. Computerprogrammprodukt nach Anspruch 8, das des Weiteren aufweist: auf dem einen oder den mehreren durch einen Computer lesbaren Speichermedien gespeicherte Programmanweisungen zum Überwachen der Zeitreihendaten, die von einem oder mehreren Sensoren erzeugt werden.
  10. Computerprogrammprodukt nach Anspruch 8, wobei es sich bei dem neuronalen Netz um einen Auto-Encoder mit langem Kurzzeitgedächtnis handelt.
  11. Computerprogrammprodukt nach Anspruch 8, wobei Programmanweisungen zum Erkennen der Betriebschance auf Grundlage des Vergleichs des aktuellen Betriebszustands mit den historischen Betriebszuständen mithilfe des Modus beruhen.
  12. Computerprogrammprodukt nach Anspruch 8, wobei die Betriebschance aus der Gruppe ausgewählt wird, die besteht aus: einem Satz von Betriebsänderungen, die aus dem historischen Betriebszustand abgeleitet werden, um den aktuellen Betriebszustand in einem definierten kurzfristigen zukünftigen Zeitraum auf eine höhere Produktion zu steigern, und einem Satz von Betriebsänderungen, die aus dem historischen Betriebszustand abgeleitet werden, um den aktuellen Betriebszustand in einem definierten kurzfristigen zukünftigen Zeitraum auf eine geringe Nutzung von Zusatzstoffen oder Rohstoffen zu verringern.
  13. Computerprogrammprodukt nach Anspruch 8, das des Weiteren aufweist: auf dem einen oder den mehreren durch einen Computer lesbaren Speichermedien gespeicherte Programmanweisungen zum Definieren einer Ähnlichkeitsmessung, um historische Episoden aus den Zeitreihendaten mit einem ähnlichen Betriebszustand auf Grundlage des Vergleichs des aktuellen Zustands mit dem historischen Betriebszustand zu identifizieren; und auf dem einen oder den mehreren durch einen Computer lesbaren Speichermedien gespeicherte Programmanweisungen zum Erstellen einer Episode aus den historischen Episoden, die eine Auswahl aus der Gruppe zeigt, die besteht aus: eine(r/m) höheren Produktivität und Durchsatz.
  14. Computerprogrammprodukt nach Anspruch 8, das des Weiteren aufweist: auf dem einen oder den mehreren durch einen Computer lesbaren Speichermedien gespeicherte Programmanweisungen zum Ausgeben der Aktionsstrategie, wobei die Programmanweisungen zum Ausgeben Programmanweisungen aufweisen: zum Bereitstellen einer Benachrichtigung an den Benutzer über die Betriebschance, zum Anzeigen des einen oder der mehreren Betriebsmodi mithilfe eines Verfahrens zur t-verteilten stochastischen Nachbarschaftseinbettung, zum Anzeigen einer Nachbarschaftsepisode mithilfe eines Diagramms mit Zeitmarke, und zum Anzeigen eines geschätzten Gewinns der Aktionsstrategie.
  15. Computersystem, das aufweist: einen oder mehrere Computerprozessoren, ein oder mehrere durch einen Computer lesbare Speichermedien und Programmanweisungen, die zum Ausführen durch zumindest einen des einen oder der mehreren Computerprozessoren auf dem einen oder den mehreren durch einen Computer lesbaren Speichermedien gespeichert sind, wobei die Programmanweisungen aufweisen: Programmanweisungen zum Extrahieren eines Satzes von Merkmalen aus Zeitreihendaten durch automatisches Codieren mithilfe eines neuronalen Netzes auf Grundlage einer oder mehrerer Nichtsteuervariablen für die Zeitreihendaten, wobei die eine oder mehreren Nichtsteuervariablen einen Mangel an Steuerung der Zeitreihendaten durch einen Benutzer definieren; Programmanweisungen zum Identifizieren eines oder mehrerer Betriebsmodi auf Grundlage der extrahierten Merkmale einschließlich einer Dimensionsverringerung mit einem Darstellungslernen aus den Zeitreihendaten; Programmanweisungen zum Identifizieren einer Nachbarschaft eines aktuellen Betriebszustands auf Grundlage der extrahierten Merkmale, wobei die Nachbarschaft ein dynamischer Modus innerhalb eines selben Betriebsmodus ist; Programmanweisungen zum Vergleichen des aktuellen Betriebszustands mit historischen Betriebszuständen auf Grundlage der Zeitreihendaten in demselben Betriebsmodus des einen oder der mehreren Betriebsmodi; Programmanweisungen zum Erkennen einer Betriebschance auf Grundlage des Vergleichs des aktuellen Betriebszustands mit den historischen Betriebszuständen mithilfe der Nachbarschaft; Programmanweisungen zum Identifizieren einer oder mehrerer Steuervariablen in demselben Modus, wobei die Variablen für den aktuellen Betriebszustand relevant sind, wobei die eine oder mehreren Steuervariablen Aktionen definieren, die durch den Benutzer gesteuert werden können; und Programmanweisungen zum Empfehlen einer Aktionsstrategie auf Grundlage der einen oder mehreren Steuervariablen, der einen oder mehreren Nichtsteuervariablen und einer Zielproduktivität.
  16. Computersystem nach Anspruch 15, das des Weiteren aufweist: auf dem einen oder den mehreren durch einen Computer lesbaren Speichermedien gespeicherte Programmanweisungen zum Überwachen der Zeitreihendaten, die von einem oder mehreren Sensoren erzeugt werden.
  17. Computersystem nach Anspruch 15, wobei es sich bei dem neuronalen Netz um einen Auto-Encoder mit langem Kurzzeitgedächtnis handelt.
  18. Computersystem nach Anspruch 15, wobei Programmanweisungen zum Erkennen der Betriebschance auf Grundlage des Vergleichs des aktuellen Betriebszustands mit den historischen Betriebszuständen mithilfe des Modus beruhen.
  19. Computersystem nach Anspruch 15, wobei die Betriebschance aus der Gruppe ausgewählt wird, die besteht aus: einem Satz von Betriebsänderungen, die aus dem historischen Betriebszustand abgeleitet werden, um den aktuellen Betriebszustand in einem definierten kurzfristigen zukünftigen Zeitraum auf eine höhere Produktion zu steigern, und einem Satz von Betriebsänderungen, die aus dem historischen Betriebszustand abgeleitet werden, um den aktuellen Betriebszustand in einem definierten kurzfristigen zukünftigen Zeitraum auf eine geringe Nutzung von Zusatzstoffen oder Rohstoffen zu verringern.
  20. Computersystem nach Anspruch 15, das des Weiteren aufweist: auf dem einen oder den mehreren durch einen Computer lesbaren Speichermedien gespeicherte Programmanweisungen zum Ausgeben der Aktionsstrategie, wobei die Programmanweisungen zum Ausgeben Programmanweisungen aufweisen: zum Bereitstellen einer Benachrichtigung an den Benutzer über die Betriebschance, zum Anzeigen des einen oder der mehreren Betriebsmodi mithilfe eines Verfahrens zur t-verteilten stochastischen Nachbarschaftseinbettung, zum Anzeigen einer Nachbarschaftsepisode mithilfe eines Diagramms mit Zeitmarke, und zum Anzeigen eines geschätzten Gewinns der Aktionsstrategie.
DE112021005167.9T 2020-09-30 2021-09-27 Chancenerkennung in echtzeit zur produktivitätssteigerung Pending DE112021005167T5 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US17/037,850 US11868932B2 (en) 2020-09-30 2020-09-30 Real-time opportunity discovery for productivity enhancement
US17/037,850 2020-09-30
PCT/CN2021/121060 WO2022068779A1 (en) 2020-09-30 2021-09-27 Real-time opportunity discovery for productivity enhancement

Publications (1)

Publication Number Publication Date
DE112021005167T5 true DE112021005167T5 (de) 2023-09-14

Family

ID=80822752

Family Applications (1)

Application Number Title Priority Date Filing Date
DE112021005167.9T Pending DE112021005167T5 (de) 2020-09-30 2021-09-27 Chancenerkennung in echtzeit zur produktivitätssteigerung

Country Status (6)

Country Link
US (1) US11868932B2 (de)
JP (1) JP2023543490A (de)
CN (1) CN116261693A (de)
DE (1) DE112021005167T5 (de)
GB (1) GB2614857A (de)
WO (1) WO2022068779A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11868932B2 (en) 2020-09-30 2024-01-09 International Business Machines Corporation Real-time opportunity discovery for productivity enhancement
CN116040713B (zh) * 2023-02-27 2023-11-21 南栖仙策(南京)高新技术有限公司 一种污水处理中的曝气方法、装置、设备、存储介质

Family Cites Families (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4117343A (en) 1973-11-08 1978-09-26 Brown Boveri-Sulzer Turbomaschinen Ag. Turbo-machine plant having optional operating modes
US4211089A (en) 1978-11-27 1980-07-08 Honeywell Inc. Heat pump wrong operational mode detector and control system
KR100222680B1 (ko) 1996-07-09 1999-10-01 윤종용 고선명 텔레비젼 시스템의 동작 모드 절환 방법 및 장치
US6609036B1 (en) 2000-06-09 2003-08-19 Randall L. Bickford Surveillance system and method having parameter estimation and operating mode partitioning
JP4475767B2 (ja) 2000-08-03 2010-06-09 株式会社小松製作所 作業用車両
US6671570B2 (en) 2000-10-17 2003-12-30 Brooks Automation, Inc. System and method for automated monitoring and assessment of fabrication facility
US7050863B2 (en) * 2002-09-11 2006-05-23 Fisher-Rosemount Systems, Inc. Integrated model predictive control and optimization within a process control system
US7802618B2 (en) 2005-01-19 2010-09-28 Tim Simon, Inc. Thermostat operation method and apparatus
US7218974B2 (en) 2005-03-29 2007-05-15 Zarpac, Inc. Industrial process data acquisition and analysis
KR100979363B1 (ko) 2005-07-20 2010-08-31 왕지안 다입력 다출력 연속생산과정의 실시간조작 최적화 방법
US20070142935A1 (en) 2005-12-20 2007-06-21 Danielsson Bjorn M Method and arrangement in a computer system for controlling a process
KR100790817B1 (ko) 2006-12-06 2008-01-03 삼성전자주식회사 반도체 제조관리 시스템
US7962472B2 (en) 2008-09-29 2011-06-14 International Business Machines Corporation Self-optimizing algorithm for real-time problem resolution using historical data
RU2010130189A (ru) * 2010-07-19 2012-01-27 Сименс Акциенгезелльшафт (DE) Способ компьютеризованного анализа технической системы
US8644165B2 (en) 2011-03-31 2014-02-04 Navteq B.V. Method and apparatus for managing device operational modes based on context information
US9110452B2 (en) 2011-09-19 2015-08-18 Fisher-Rosemount Systems, Inc. Inferential process modeling, quality prediction and fault detection using multi-stage data segregation
KR101754721B1 (ko) 2012-03-18 2017-07-06 매뉴팩추링 시스템 인사이츠 (인디아) 피브이티. 엘티디. 제조 시스템 성능을 개선시키기 위해 자동화 기술 감독 동작들을 실행하는 반-자동화된 제조 셋업(manufacturing set-up)에서의 각각의 운영자에게 트라이벌 지식을 확인하고, 획득하고, 분류하며, 전달하는 시스템 및 장치와 그 방법
GB2500388B (en) * 2012-03-19 2019-07-31 Ge Aviat Systems Ltd System monitoring
CA2834980C (en) * 2012-11-30 2021-08-03 Suncor Energy Inc. Measurement and control of bitumen-containing process streams
US10241887B2 (en) * 2013-03-29 2019-03-26 Vmware, Inc. Data-agnostic anomaly detection
KR101527080B1 (ko) 2013-10-29 2015-06-09 한국생산기술연구원 시나리오 시뮬레이션 및 병목 공정 정보 처리를 포함하는 디지털 제조 최적화 시스템
US20150316904A1 (en) 2014-05-01 2015-11-05 Rockwell Automation Technologies, Inc. Systems and methods for adjusting operations of an industrial automation system based on multiple data sources
US10181098B2 (en) 2014-06-06 2019-01-15 Google Llc Generating representations of input sequences using neural networks
WO2016040085A1 (en) * 2014-09-10 2016-03-17 Siemens Aktiengesellschaft Gas turbine failure prediction utilizing supervised learning methodologies
US9971344B2 (en) 2015-03-27 2018-05-15 Rockwell Automation Technologies, Inc. Systems and methods for assessing a quality of an industrial enterprise
CN105388876B (zh) 2015-12-22 2017-11-10 蓝星（北京）技术中心有限公司 获得基于班组的间歇型化工生产工艺符合度的方法及装置
CN105930955A (zh) 2016-04-07 2016-09-07 浙江万马新能源有限公司 基于深度学习的充电网络运行态势分析方法及装置
US20190339688A1 (en) 2016-05-09 2019-11-07 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
US10352142B2 (en) * 2016-09-26 2019-07-16 International Business Machines Corporation Controlling operation of a stem-assisted gravity drainage oil well system by adjusting multiple time step controls
CN106529800A (zh) 2016-11-08 2017-03-22 云南电网有限责任公司昆明供电局 一种能快速确定电网风险管控维度重要性的方法
CN106529820A (zh) 2016-11-21 2017-03-22 北京中电普华信息技术有限公司 一种运营指标的预测方法及系统
EP3339995A1 (de) 2016-12-21 2018-06-27 ABB Schweiz AG Bestimmen von gegenwärtigen und zukünftigen zuständen von industriemaschinen durch die verwendung eines vorhersage-modells auf der grundlage historischer daten
CN108242411B (zh) 2016-12-23 2020-06-09 中芯国际集成电路制造(上海)有限公司 用于管控线上缺陷的方法和系统
US10671060B2 (en) 2017-08-21 2020-06-02 General Electric Company Data-driven model construction for industrial asset decision boundary classification
CN108345726A (zh) 2018-01-26 2018-07-31 西安理工大学 基于互信息和软仪表误差的输入变量自动选择方法
US10620954B2 (en) 2018-03-29 2020-04-14 Arm Limited Dynamic acceleration of data processor operations using data-flow analysis
US20190384255A1 (en) 2018-06-19 2019-12-19 Honeywell International Inc. Autonomous predictive real-time monitoring of faults in process and equipment
US10712330B2 (en) * 2018-07-25 2020-07-14 Syncrude Canada Ltd. Controlling bitumen recovery from an oil sands ore body by using a predictive ore processability model in producing a blended ore feedstock
WO2020023998A1 (en) 2018-07-29 2020-02-06 Nova Professional Services Pty Ltd Improvements to operational state determination and modification
US11048238B2 (en) 2018-11-13 2021-06-29 Rockwell Automation Technologies, Inc. Systems and methods for controlling asset operation using stream-based processing in multi-node networks
CN109800483A (zh) 2018-12-29 2019-05-24 北京城市网邻信息技术有限公司 一种预测方法、装置、电子设备和计算机可读存储介质
US11099529B2 (en) * 2019-07-23 2021-08-24 International Business Machines Corporation Prediction optimization for system level production control
US20210064983A1 (en) 2019-08-28 2021-03-04 Canvass Analytics Machine learning for industrial processes
US11663679B2 (en) 2019-10-11 2023-05-30 International Business Machines Corporation Generating mode change alerts with automatic detection from sensor data
US20220011760A1 (en) * 2020-07-08 2022-01-13 International Business Machines Corporation Model fidelity monitoring and regeneration for manufacturing process decision support
US11868932B2 (en) 2020-09-30 2024-01-09 International Business Machines Corporation Real-time opportunity discovery for productivity enhancement

Also Published As

Publication number Publication date
JP2023543490A (ja) 2023-10-16
GB2614857A (en) 2023-07-19
US11868932B2 (en) 2024-01-09
WO2022068779A1 (en) 2022-04-07
CN116261693A (zh) 2023-06-13
US20220101225A1 (en) 2022-03-31
GB202305806D0 (en) 2023-06-07

Similar Documents

Publication Publication Date Title
Tang et al. A novel hybrid ensemble learning paradigm for nuclear energy consumption forecasting
DE112021005167T5 (de) Chancenerkennung in echtzeit zur produktivitätssteigerung
Chen et al. Maintenance of approximations in incomplete ordered decision systems while attribute values coarsening or refining
DE602004005085T2 (de) Modellierung von in-situ Ölreservoiren mittels Ableitungsbeschränkungen
Eker et al. SVM based diagnostics on railway turnouts
DE112020000227T5 (de) Maschinelles lernen eines computermodells auf grundlage von korrelationenvon trainingsdaten mit leistungstrends
DE112020003365T5 (de) Überwachte kreuzmodale wiedergewinnung für zeitreihen und text unter verwendung von multimodalen triplettverlusten
CN104933444A (zh) 一种面向多维属性数据的多层聚类融合机制的设计方法
DE112020003538T5 (de) Kreuzmodale wiedergewinnung mit wortüberlappungsbasiertem clustern
CN112560930B (zh) 基于生产数据的汽油辛烷值预测方法
DE112020002684T5 (de) Ein Mehrfachverfahrenssystem für optimale Vorhersagemodellauswahl
Liu et al. Blackout missing data recovery in industrial time series based on masked-former hierarchical imputation framework
DE112021002866T5 (de) Modelltreueüberwachung und -neuerstellung zur entscheidungsunterstützung eines fertigungsverfahrens
Wang et al. A Transformer-based multi-entity load forecasting method for integrated energy systems
CN115641195A (zh) 银行头寸的预测方法及装置
DE112021004714T5 (de) Ordinale zeitreihenklassifizierung mit fehlender information
DE102020215589A1 (de) Steuern eines deep-sequence-modells mit prototypen
DE112021000251T5 (de) Verfahren zum auswählen von datensätzen zum aktualisieren eines moduls mit künstlicher intelligenz
DE202021101570U1 (de) System zur Zustandsdarstellung für eine Automatisierungsanlage
Andrejiova et al. The comparison of transport infrastructures in individual Slovak regions by applying PCA and cluster analysis
Chen et al. A time-series-based technology intelligence framework by trend prediction functionality
Yin et al. A Dual-Task Learning Approach for Bearing Anomaly Detection and State Evaluation of Safe Region
Fink Failure and degradation prediction by artificial neural networks: Applications to railway systems
LU503356B1 (de) Ein kollaboratives akademisches Frühwarnverfahren zwischen Mensch und Maschine
DE102006056106A1 (de) System und Verfahren zur Herstellung und Anwendung von Signal-Klassifikatoren

Legal Events

Date Code Title Description
R012 Request for examination validly filed