JP2002532799A

JP2002532799A - 特にセメントキルンの技術プロセスにおけるセンサ予測のための事例ベース推論システムと方法および装置

Info

Publication number: JP2002532799A
Application number: JP2000588659A
Authority: JP
Inventors: ブラウン、マイケル; シュナイダー、カルステン; ハイデマン、リューダー
Original assignee: Siemens AG
Current assignee: Siemens AG
Priority date: 1998-12-17
Filing date: 1999-12-14
Publication date: 2002-10-02
Also published as: ATE218217T1; KR20010086121A; DE69901626D1; EP1145087A1; US20020010517A1; EP1145087B1; WO2000036476A1; EP1014240A1; DK1145087T3; ES2178493T3; US6701195B2; DE69901626T2

Abstract

(57)【要約】本システムは、特に将来にわたる、限られた期間のセメントキルンの挙動の正確な予測を提供する。本発明は、センサ値予測タスクに向けた事例ベース推論（ＣＢＲ）法を提起する。該方法を実施するための装置は、関係する事例を格納するデータベース（１００）、テスト生成器（１０１）および事例の選択および最適化のための最適化ユニット（１０２〜１０４）により特徴付けられる。

Description

【発明の詳細な説明】

【０００１】本発明は、特にセメントキルン制御システム内部でのセンサ値予測タスクのた
めに開発された、事例ベース推論（ＣＢＲ）システムのための方法および装置に
関する。

【０００２】約１時間程度の将来にわたる、限られた期間のセメントキルンの挙動につき正
確な予測を提供することは、セメントキルンの人的管理者がより多くの情報に基
づく決定を行えるようにするとともに、セメント製造工場内でのより自動化され
た制御の基礎を提供する。本発明は、法外に高額な導入および維持費用を必要と
する、ルールベース制御システムといった既存の技術への代替策を提供する。

【０００３】セメント製造工場の制御に広範な支援機能を提供する既存システムの一部とし
て、セメントキルンおよび関連機械に関する全部のセンサデータは、データベー
ス内に日常的に格納される。それらのデータは、タイムスタンプの付された浮動
小数点数として表現されている。

【０００４】センサベースの技術プロセスで処理する必要のあるデータ量の一例として、セ
メントキルン内部のセンササンプリングレートは、一般に毎分１回又はそれ以上
の頻度であり、セメントキルンおよび関連装置には一般に４００個を超えるセン
サがあり、データアーカイブは、アクセスされている１年分のデータ記憶を含み
得る。これは、その生データがおよそ１０⁸〜１０⁹の浮動小数点数となり得るこ
とを意味する。従って、センサ値予測を実行すべくこのデータを利用する全ての
自動化方法は、大量の非体系的なセンサデータに対処する必要がある。

【０００５】本発明は、人間の介在を伴う技術プロセスに最も適している。一般に、操業し
ているセメント製造工場のセメントキルンは、概ね１０〜１５分毎に専門家（人
）によって監視および制御される。関与するセンサ数が多いため、専門家がキル
ンの状態の適正な概観を得ることは難しく、従って分析タスクにおける自動化さ
れた支援の必要性が存在する。詳細には、例えば、センサ値が所定の範囲を外れ
又はセンサ値の突然の変化等の例外的な挙動が起きた場合、その例外的な挙動の
あり得る／想定可能な結果がどのようなものであり、かつ、どのような是正措置
を専門家が実行するべきかの両方を決定するために、支援が要求される。これを
支援するために、例えば１時間超の将来に及ぶ相当の期間、全部のセンサの値を
正確に推定できる自動化システムが必要となる。

【０００６】しかし同時に、ユーザは、その技術プロセスの現在の状態を特徴付けるために
最も顕著な情報を含むと考えられるシグネチャセンサの縮小部分集合を動的に選
択することもできる。それ故、自動化予測システムは、この動的なユーザの選択
に反応するように十分に柔軟でなければならない。

【０００７】技術プロセスについて収集されたセンサデータに問題のあることがしばしばあ
る。例えばセメントキルン内で多数のセンサが相対的に近接しているため、異な
るセンサに基づき格納されたデータで表現される情報に著しい冗長性がある。記
録されたデータにおけるあるレベルのランダム雑音も許容せねばならない。恐ら
くより重要なのは、全センサの全部の値が常に使用可能であると保証されないこ
とである。例えばデータベースの故障のため、センサ値が全く記録されないとい
ったいずれかの期間もある。より普通なことでは、例えばセンサ自体の故障によ
り単一のセンサについてある期間不明の値が生じるであろう。生データにおける
こうした不純性は、予測システムにおいて許容されなければならない。

【０００８】課題の最終的な複雑さは、技術プロセスの新しい実例への予測システムの個々
の応用に際し何らかの再校正が必要なことである。例えば各セメントキルンはそ
れ自体の挙動特性を有する。実際、備わっているセンサの集合は、セメントキル
ン毎に変化しがちである。それ故、センサ値予測システムは、それが導入される
個々のセメント工場に対し新規に適応させねばならず、それはモデルベースのあ
らゆる技法にとって費用のかかる手順である。さらに、多くの別形式の製造装置
と同様、個々のセメントキルンは老化を伴う。即ち、各セメントキルンの挙動特
性は、時間と共に徐々に変動することは周知である。それ故、各セメントキルン
に関して開発されたあらゆる挙動モデルも、そうした変化に適応するように定期
的に改修せねばならず、これまた潜在的に費用のかかる維持問題である。

【０００９】モデルベース技法は、ニューラルネットワークやファジー理論といった人工知
能技術と関連し、セメント工場での自動化制御システムに関する技術水準をなし
ている。この形式の手法に伴う主要な問題は、予測システムに埋め込まれる技術
システムの一般モデルが、特定のセメント工場内で適用されるため、高度に熟練
した専門家がパラメータ化し適応させねばならないことである。さらに、単一の
セメントキルンの経時的な挙動の変動により、モデルは、経時的に信頼性を保持
するため、再パラメータ化する等して定期的に維持する必要がある。高額な応用
および維持費用という不利益は、何れのモデルベース技法にも見られる。

【００１０】手作業での構成および適応化がなされるモデルの一般的な代替策は、既存のデ
ータで訓練できる機械学習手法である。この機械学習手法で最も一般的なのは、
本発明のそれと類似の利用分野においてセンサデータに基づく診断タスクを実行
するために首尾よく使用されている人工ニューラルネットワークである。それに
も係らず、セメントキルンの制御用途へのそれらの使用を深刻に禁止するいくつ
かの基本的な課題が人工ニューラルネットワークには残っている。即ち、 −紛失データを扱える能力：紛失センサ値の生成のための、線形補間といった幾つかの技法が存在する。しかし、適用業務データの雑音の程度は人工ニューラルネットワークの訓練を妨げる。更に、人工ニューラルネットワークが関係するセンサの部分集合の動的な選択をどのように扱えるか明白ではない。 −結果の解釈：人工ニューラルネットワークによって生成された人的管理者により予測された結果の背後の基礎は、専門家による人的な検査には容易に明らかにならない。それ故、管理専門家は予測の信頼性を評価することができない。このため、ニューラルネットワークは、予測の人的な検査が要求されない全自動化された用途に対しより良好に適する。 −例外的挙動を予測する能力：訓練された人工ニューラルネットワークは、一般にトレーニングデータ内で頻繁に再発する一般傾向を認識するのは得意であるが、めったに起こらない例外的な状況を再現するのは下手である。それにも係らず、まれな挙動はしばしば、技術水準に関する予測のために極めて重要であり、本発明の目的は、センサで生成されたデータに基づく、特にセメントキルンでのプロセス最適化のための新規な方法と新しい装置とである。

【００１１】上記の目的は、方法の請求項および対応する装置の請求項に開示されている。

【００１２】本発明を以下に、装置の概要、６つの流れ図および実際の結果の例示プロット
を含む図解に関して説明する。具体的な内容は次の通りである。

【００１３】本発明のシステムにおいて使用する手法は、事例ベース推論（Case Based R easoning）をセンサ予測に適用することである。ＣＢＲの背景となる原理は、古
い問題解決策の１つの再使用である。ＣＢＲシステムの知識ベースは、問題解決
事例の集まりである。個々の事例は２つの個別部分より構成される。 −問題記述：問題を特徴付ける特色（徴候）の集まり、 −問題解決：問題解決がどのようなものであったか、および選択的に、その解決
がどのように導き出されたかの説明。

【００１４】ＣＢＲの背景となる原理は、類似の問題は類似の解決策を有すると言うことで
ある。それ故、問題記述だけが存在する新しい問題を解決するため、その新しい
問題は、何らかの領域特定類似度関数により全部の既存の問題と比較される。１
つ以上の類似の以前に解決された問題、即ち事例が見つかると、その解決策が新
しい問題に再び適用される。

【００１５】ここに記載のシステムは、ＣＢＲを技術プロセスにおけるセンサ予測の問題に
適用するという点で独自である。事例ベースは、事例ベース内の事例と実際のセ
ンサデータとが結合されるようにして、センサデータのアーカイブ上に直接構築
される。これは、システムが、いかなる手作業による修正の必要もなく、最新の
センサデータを直接利用できることを意味する。このようにして、システムは、
センサデータにより反映されるとおり、技術プロセスの挙動の変動に対応する。

【００１６】システムは、センサデータに反映されたとおりの技術プロセスの現状を、技術
プロセスの最も類似の以前の状態を抽出するため、例となる以前の状態を表現し
ている過去の事例と照合する。多くの代替的な以前の状態が、現在の状態につい
て同時に検索され、想定可能な代替的な予測として専門家に呈示される。以前の
状態の検索には比較的高度の柔軟性があり、従って、全４００個超のセンサ全体
の比較又は、ユーザにより選択された少数のシグネチャセンサに基づくことがで
きる。現在の状態および個々の以前の状態は、図形的にプロット可能である。例
えば、実際のセメントキルンデータを予測の基礎として再使用するので、結果は
専門家が容易に解釈できる。

【００１７】ＣＢＲ手法は、セメントキルンにおいて成功し頑強性があると判明している。
実験的試行により、システムは１時間超の将来迄、正確な予測能力があることを
証明した。さらに実験は、ＣＢＲ手法が、安定なセンサ値といった一般傾向だけ
でなく、単一の事象により引き起こされるセメントオーブンの状態に対する大域
的な変更といったまれな事象の両方を予測する能力があることを証明した。

【００１８】システムにおいて、事例はセンサデータアーカイブにおけるデータの部分的に
仮想的な見通しと定義される。各センサは、タイムスタンプを付された値シーケ
ンスと考えられる。単一の事例は、全センサに関するデータ内の特定の時間窓を
表現する。単一の事例の時間窓内には２つの連続する期間が存在する。即ち、 −先行期間：以前の事例をセメントキルン等の技術プロセスにおける現在の状況
と照合するために使用されるセンサ値のシーケンスを表現する。 −予測期間：先行期間直後のある長さの時間におけるセメントキルン等の技術プ
ロセスの状態を表現する。

【００１９】本発明の第２の態様では、例えば先行期間における発振数等の多くのより抽象
的な特色が、センサデータから自動的に抽出され、事例照合の精度を改善するた
めに事例記述の一部として包含される。

【００２０】ＣＢＲの前述の説明に関して、先行期間は事例の問題記述を表し、予測期間は
問題解決を表している。先行期間および予測期間の実際の時間範囲は、システム
パラメータによって定義され、特定の用途について構成できる。

【００２１】先行期間と予測期間との間で境界を示す時点を、本明細書では事例時間と称す
る。セメントキルンのプロセス等、技術プロセスでの現在の状況について以前の
事例を検索した後、その事例時間は、その推定期間が後で技術プロセスの将来の
挙動に関する予測として使用できるよう、最新の記録センサ値に同期化される。

【００２２】原理的に、新しい事例は、個別のセンサ値が記録される時点毎に、事例ベース
において作成される。実際には、それは過剰な数の重複する事例をもたらす。実
際上、セメントキルン内の状態の通常低速な変化率のため、特定の１時間にわた
る挙動を特徴付けるには一般に１又は２個の事例が要求されるに過ぎないが、例
えばキルンの挙動が重大な変化を受けている時といった例外的な場合には、もっ
と高密度の事例が要求される。最善の予測性能を達成するために、センサデータ
アーカイブ全体にわたる事例の確率分布が使用される。ある時点に事例を作成す
る確率は、２つの因子に依存する。即ち、 −最後の事例が作成されてからの期間、 −その時点付近での、例えば変動の程度等のセンサ値における情報量の計量。

【００２３】セメントキルン等の技術プロセスにおける挙動が最も動的である時点にはより
多くの事例が作成される傾向があるが、安定領域内の幾つかの事例もやはり保持
される。データアーカイブ内における事例のこの「知的な」分布は、同数の事例
の一様分布に関して改善された性能を与える。

【００２４】典型的な応用は数千の先行事例を含む。約１〜２分の新しい予測を生成するた
めに必要な時間に対する相対的に緩い制約にも係らず、データベースからの個々
のセンサ値の読出しはやはり遅すぎる。従って、事例検索を助成するため、一部
のセンサデータをシステムのローカルメモリ内で再現しなければならない。これ
を事例索引と称する。このシステムにおいて、事例索引は、以前の事例の信頼で
きる検索を行うため必要な先行期間からのセンサ情報の最少量を表現する。適切
な事例索引の抽出は、全自動最適化技法により達成される（後述）。しかし、こ
のシステムは、事例索引なしでも、即ち全部のセンサ情報を事例検索に使用しな
くても、次善ではあるが、首尾よく動作できることに留意する必要がある。それ
故、事例ベース最適化システムは、システムを数週間動作させた後システム性能
を高めるために最初に使用され、かつセメントキルンのプロセス等の技術プロセ
スにおける挙動の緩徐な変化に応答して制御システムを折々再校正するオフライ
ン手段として使用するプロセスとみなすことができる。

【００２５】事例ベース最適化の目標は、事例検索の品質の低下なしに事例ベース内部で複
製されるデータ量を最少化することである。データの縮小は以下を意味する。ｉ）無関係なセンサを破棄する。 ii）関係のあるセンサについて、正確な検索のために比較する必要がある当該センサの以前の値の最小期間を決定する。データの縮小は以下のいくつかの実際的な理由で重要である。 −メモリ使用量の低減（圧縮）：高度のメモリページングにあうことなくシステムの作業メモリに保持できるデータ量を、現在の計算ハードウェア技術の制限にとどめる。 −検索速度：事例毎でより少ないセンサを比較することによって、最も類似する以前の事例の検索をより迅速に行う。 −予測品質：事例毎の明示的に格納されるデータ量の低減が、システムの精度を増大させる上で多くの理由がある。第一に、作業メモリのサイズの制限は、所与のデータアーカイブ上に生成できる事例の数を事実上制限する。即ち、事例がデータアーカイブ内でどの程度疎に分散しているかを決定する。事例毎のデータ量の低減で、より多くの事例が作成でき、それ故生成された事例間の平均期間が短縮する。それは転じて、以前の事例と現在の状況とのより正確な時間的一致が概して可能となるので、より高い予測精度につながる。さらに、最適化プロセスの別の利点は、それが、最低情報内容を持つ、即ち高度の雑音を含む、又は他のセンサに対して高度に冗長な情報を含む、そうしたセンサを排除する傾向があることである。無関係な情報の排除は、一般に全センサ値が使用される状況に関する検索精度を改善する。

【００２６】事例ベース最適化は、セメントキルンのプロセス等の技術プロセスからの、セ
ンサデータのトレーニングアーカイブから始まる。このデータ上に、トレーニン
グ事例ベースおよびテスト事例ベースが生成され、相互に分離する、即ち事例時
間間隔に重なりは全く存在しない。最初に、個々の事例ベースの索引は、先行期
間内の各センサに関する全センサおよび全部の値を含む。

【００２７】テスト事例がアーカイブされたデータに基づくので、予測期間内の各テスト事
例での実際の挙動は既知である。従って、個々のテスト事例について、例えば２
乗平均（ＲＭＳ）誤差といった曲線の近さの標準測定値を使用する等して、何れ
のトレーニング事例が最も類似の予測期間を有するかを事前に決定できる。それ
故、個々のテスト事例についての理想的な検索結果が、即ち全部のトレーニング
事例に及ぶ順序付けが生成できる。

【００２８】所与の索引について、所与のテスト事例に関するトレーニング事例の実際の検
索順序付けは、先行期間の比較によって達成される。所与のトレーニング事例ベ
ースおよびテスト事例ベースに関する所与の索引記述の「適性」の一般的な測定
は、トレーニング事例の事前に計算された理想的な順序付けに関して、テスト事
例毎のトレーニング事例の、検索順序付けの平均的な近さにより与えられる。こ
の「適性」は、事例ベース最適化プロセスの各サイクルで計算される。

【００２９】単一の最適化サイクルに関し、単一のセンサがランダムに選択され、個々の事
例の索引内における当該センサの値の数が二分される。結果得られる事例ベース
の「適性」がその後判定される。事例ベースの「適性」において縮小が全く存在
しなければセンサ値のその数が受け入れられ、そうでなければ、値の失敗した数
はそのセンサに必要な値の数の下限になる。従って、最適化は、厳密な「山登り
」手法により収束する、即ち、検索品質のいかなる劣化も許容されることなく、
使用されるセンサの情報量は単調に減少する。厳密な「山登り」は主に、最適化
プロセスの効率を保証するために実施されるが、より良好な結果は、シミュレー
ト化アニーリングといったより大域的な最適化アルゴリズムを使用する本発明の
変更例により得られるであろう。

【００３０】最適化プロセスは、個々のセンサについて必要な数の値が収束するまで継続す
る。アルゴリズムの厳密な「山登り」的性質により、収束は保証されている。無
関係なセンサは０の要求値で終了するはずである。

【００３１】セメントキルンデータに関する初期の実験は、全センサの約５０％だけを事例
索引内に含める必要があることを明らかにした。重要なことに、個々の残りの索
引センサに必要な情報量は大幅に変化する。殆どの包含されたセンサは、最近の
僅か１又は２個の値との比較を要するに過ぎないが、少数のキーセンサは多数（
３０〜６０）の値を必要とする。初期の実験から、全センサ値の初期集合の僅か
５〜１０％への全体的圧縮が、最適化された事例索引内で達成される。事実上、
これは、１０〜２０倍多い事例が所与の作業記憶容量について事例ベース内に含
まれ、システムの精度を高めることを意味する。精度はまた、雑音の除去によっ
ても増大する。

【００３２】多くのＣＢＲシステムは、迅速な事例検索を支援するため、基礎となる事例を
分離する決定樹の使用等で、各自の事例メモリを事前に構造化する。残念ながら
本発明の場合、例えばユーザによる、関係あるセンサの実行時選択等、事例検索
での柔軟性の要求と結びつき、各事例で格納されるデータ量の多さが、そのよう
なメモリの事前構造化を極めて困難にする。それ故、実施された検索機構は、全
部の格納された事例の線形探索を伴う。類似度関数は、セメントキルン等の技術
プロセスの現状に関しおよび関係があるとしてユーザにより選択されたセンサに
関し、個々の格納された事例につき正規化された類似度値を計算する。検索の結
果は格納された全事例に及ぶ、課された類似度ベースの順序付けである。本発明
のより効率的な変更例は、この順序付けを、例えば２０程度に限定された数の、
最善の以前の事例にのみ利用することである。

【００３３】検索の鍵は、使用される類似度関数である。類似度関数は、事例索引に作用す
る。格納された事例との現在の状況の類似度は、各対の対応する索引センサの類
似度の正規化された和に等しい。２つの照合されるセンサの値集合における類似
度は、例えばＲＭＳといった標準の数学関数により計算できる。

【００３４】本発明の拡張された態様では、センサは、それぞれの値集合によってだけでな
く、例えば先行期間における変動の数といった、それらの値集合から抽出された
特色によっても表現される。そのような特色はまた、２つの照合されるセンサ間
で全体的な類似度測定を与えるため、特殊化された類似度関数を使って比較し、
値集合間の類似度と結合することができる。そのような抽出されたセンサ特色の
包含は、検索機構の全体の精度を改善する。

【００３５】図１は、事例ベース最適化の枠組を図示しており、事例ベース１００、テスト
生成器１０１、最適化器１０２、評価器１０３および受容器１０４を含む。ユニ
ット１０１〜１０４は、事例ベース１００と対話的に結合される。テスト生成器
１０１は、信号を生成する最適化器１０２をトリガする。最適化器１０２は、評
価器１０３および受容器１０４を起動する。受容器１０４からの信号は、装置の
循環的な起動をトリガするため、最適化器１０２に返送される。

【００３６】図２〜７は、新規なシステムの挙動を定義する主構成要素の活動およびデータ
資源を定義する一連の流れ図を含む。

【００３７】以下に、各図を個別に説明する。

【００３８】図２は、請求の範囲に記載した方法の最上位アーキテクチャを示す。これは以
下よりなる。 −全部のセンサデータを含むデータベース２０１、 −センサの組分け（クラスタ）を含むデータベース２０２、 −所要のセンサ値に関して個々の事例の一般的記述（索引）を含むデータベース２０３、 −予測・制御システムによって使用される全部の個別事例を含むデータベース２０４、 −セメントキルンの現在の状態に一致する検索された事例の一時的集まりを含むデータベース２０５、 −２０１のセンサデータに基づきデータベース２０２および２０３を生成するトレーニングユニット２０６、 −制御システムによって使用される事例ベース２０４をセンサデータ２０１から抽出する事例抽出ユニット２０７、 −データベース２０１、２０２、２０３および２０４に格納された情報に基づき予測の集合、即ちデータベース２０５を生成する予測ユニット２０８、 −２０１のセンサデータとともに、データベース２０５に格納された予測をセメントキルンの自動化制御の基礎として使用するユニット２０９、 −人的管理者を補助すべく、センサデータ２０１と共にデータベース２０５に格納された予測を、予測の図形的表示の基礎として使用するユニット２１０。

【００３９】図２は、新しい制御システムの最上位の挙動を表している。注目すべきは、通
常動作でのシステムが以下の３つの可能なサイクルを有することである。 −長期維持サイクルは、システムの導入時に１度行われるが、その後は、セメントキルンといった基本的な技術プロセスにおける重大な変更に呼応してシステムを完全に再訓練するためにまれに行われるか、全く行われないこともある。特に、システムは新しい最適な事例索引を学習する。 −中期維持サイクルは、新しい事例を事例ベースに追加するのを可能にするが、事例索引の定義は変更しない。このサイクルは、例えば事例ベースを最新に保つために毎日実行される。 −通常予測サイクルは、新システムの通常使用を表現する。このサイクルはシステムにより生成された予測を最新に保つため毎分毎に規則的に実行される。

【００４０】システムの結果は、以前の事例の類似度順序付けシーケンスとして表される。
これは、最も関係深い、古いセンサ値を技術プロセスの基礎的データベースから
抽出することを可能にする基本情報を提供する。抽出されたデータは、手動プロ
セス制御の助けとして専門家に提示するか、又はコンピュータベースの決定を導
くため自動化制御システムへの入力として与えるかの何れかとし得る。

【００４１】図３は、図２のトレーニングユニット２０６の内部アーキテクチャを示す。そ
れは以下よりなる。 −トレーニング期間中に予測を評価するために使用される一時的事例ベースであるデータベース３０１、 −トレーニング期間中に予測を行わなければならない事例の第２の一時的事例ベースであるデータベース３０２、 −図２のデータベース２０１のセンサデータから抽出された個々のテスト事例に関する最善の可能な予測を格納するデータベース３０３、 −図２のユニット２０７の変更例であるが、２つの事例ベース３０１および３０２を作成するために図２のデータベース２０１に格納されたセンサデータを分離する事例抽出ユニット３０４、 −データベース２０１に格納されたセンサ値の相関付けられた傾向に基づき、図２のデータベース２０２に格納されるセンサのグループを生成するユニット３０５、 −単一の事例において考慮すべきセンサ値の最大数に関し、図２のデータベース２０３に格納される一般的事例索引の初期状態を作成するユニット３０６、 −データベース３０３に格納された個々のテスト事例の最善可能な予測を決定するために２０１のセンサデータを評価するユニット３０７、 −センサをランダムに選択するユニット３０８、２０３に格納された一般的事例索引内に含まれた対応するセンサの値の数を一時的に減少させるユニット３０９、 −ユニット３０９によるセンサ値の以前の減少が、理想的な結果に関して改善された予測性能につながったかどうかを決定する評価ユニット３１０、 −ユニット３１０による肯定的評価の場合に３０９により行われデータベース３０３に格納された最後の変更を永久的なものにするユニット３１１およびユニット３１０による否定的な評価の場合にユニット３０９により行われた最後の変更を取り消すユニット３１２、 −いつトレーニング期間を終了するべきか、即ち、データベース２０３の一般的事例索引のそれ以上の改善が可能ではないことを決定するユニット３１３。

【００４２】図３は、考案されたシステムのトレーニング活動の相対的な、複雑な内部挙動
を表している。生のセンサデータから、テスト事例ベースおよびトレーニング事
例ベースがセンサクラスタの集合とともに形成される。システムはその後、検索
精度の劣化を生じることなく、最少量のセンサデータが事例索引に包含されるよ
うに、事例索引を反復的に洗練化する。

【００４３】トレーニングプロセスの核心は、図４に示す評価活動である。図４は、図２の
トレーニングユニット２０６の、図３の中心的な評価ユニット３１０の内部アー
キテクチャを示す。それはさらに以下よりなる。 −テスト事例ベース３０２から選択された現在の事例を一時的に表示するデータベース４０１、 −図３の３０２に格納されたテスト事例の各々を順に選択し、それらを４０１に入れるユニット４０２、 −４０１の現在のテスト事例および２０３の一般的事例索引の現状に基づき、図２の２０５に格納された一時的検索結果を作成するために、３０１に格納されたトレーニング事例から事例検索を実行するユニット４０３、 −図３の３０３に格納された理想的結果のうちのいずれが４０１に現に格納されているテスト事例に適用可能であるかを決定するユニット４０４、 −図３のデータベース３０３の対応する理想的結果に関して、図２のデータベース２０５の対応する検索結果によって４０１のテスト事例について行われる予測における差異の数値的測度を計算するユニット４０５、 −３０２の全部のテスト事例に及ぶ結合された数値的評価を、評価が肯定的であったか否かに関するブーリアン決定に変換するユニット４０６。

【００４４】評価は、テスト事例ベースの個々の事例を順に受け取り、トレーニング事例ベ
ースの検索を実行する。結果得られる検索順序付けは、テスト事例のトレーニン
グ事例の事前計算された理想的順序付けと比較される。２つの順序付けの、相似
の程度の数値が計算され、テスト事例全体についての結合評価値に加えられる。

【００４５】図５は、最上位アーキテクチャの事例ベースを抽出するのに使用されるユニッ
ト２０７（３０４も参照）の内部アーキテクチャを示す。それは以下よりなる。
−データベース２０１に格納されたセンサ値の各時点の数値的「関心」値を計算するユニット５０１、 −各時点の関心のレベルが所与の閾値を超えているかどうかを判定するユニット５０２、 −閾値を超えたとユニット５０２が判定した場合に、新しい事例を作成し、その事例をデータベース２０４に挿入するために使用されるユニット５０３。

【００４６】図５は、事例ベースが技術プロセスのセンサ値のデータベースから抽出される
態様を表している。プロセスは開始時から終了時まで繰返し、計算された距離に
関して「関心あり」と定義される毎時点に事例を生成する。通常、抽出は、最初
の格納されたセンサ値から最近のデータまで反復する。トレーニング事例ベース
およびテスト事例ベースの生成のために、データは個別のテスト期間およびトレ
ーニング期間に分離される必要がある。

【００４７】図６は、センサ値予測を行うために使用される図２のユニット２０８の内部ア
ーキテクチャを示す。それは以下よりなる。 −予測を行わなければならない新しい事例を表現するデータベース６０１、 −データベース２０２に格納されたセンサの組分けに基づき、全部のセンサの部分集合を検索に関係があると決定可能にするユニット６０２、 −データベース２０１に格納された最近のセンサ値を表現する、データベース６０１において新しい事例を生成するユニット６０３、 −データベース２０２、２０３に格納された情報に基づき、事例ベース２０４からデータベース６０１の新しい事例についての事例検索を実行する検索ユニット６０４。結果はデータベース２０５に格納される。

【００４８】図６は、将来のセンサ値を予測するための主要活動の内部挙動を表示する。予
測プロセスは事例検索のプロセスと対応している。唯一の追加は、現在何れのセ
ンサに関心あるかを選択するため、ユーザが最初にシステムと対話できることで
ある。その後、それらセンサだけが関係ある過去の事例の検索で考慮される。

【００４９】図７は、図６の検索ユニット６０４の内部アーキテクチャを示す。それは以下
よりなる。 −個々の格納された事例が検索プロセスの間に一時的に格納されるデータベース７０１、 −データベース７０１に格納された、古い事例の選択されたセンサの値を表現するデータベース７０２、 −図６のデータベース６０１に格納された、新しい事例の選択されたセンサの値を表現するデータベース７０３、 −新しい検索プロセス以前にデータベース２０５に格納された検索結果をクリアするユニット７０４、 −データベース２０４に格納された事例のそれぞれを順に選択し、古い事例をデータベース７０１に入れるユニット７０５、 −２０２の選択されたセンサの組分けを考慮しつつ、データベース７０１の古い事例およびデータベース６０１の新しい事例から個々の対応する対のセンサを順に選択し、その後、データベース２０３に格納された一般的事例索引に従って適切な数の値を抽出し、センサ値シーケンスをデータベース７０２および７０３にそれぞれ格納するユニット７０６、 −データベース７０２および７０３に格納されたセンサ値シーケンス間の相似に関する数値的類似度値を計算するユニット７０７、 −ユニット７０７によって生成された結果を内部事例類似度値に付加するユニット７０８、 −データベース７０１からの古い事例を、データベース２０５に格納された新しい事例検索結果に追加し、古い事例がデータベース６０１の新しい事例との降順の類似度に関して順序付けられるように保証するユニット７０９。

【００５０】図７は、事例検索プロセスを示す。現在、これは、所与の事例ベースの格納さ
れた全事例に対する線形探索を伴う。それら事例は、各々所与の新しい事例と比
較される。古い事例と新しい事例との間の類似度は、その２事例間でのセンサ対
の類似度の和に基づく。事例索引は、検索中に何れのセンサが考慮に値するかお
よび各対のセンサについて何個の値を信頼できる類似度測度のために比較する必
要があるかの両方を指定する。

【００５１】上述のように、検索の結果は、セメントキルン等の技術プロセスに関する以前
の事例の順序付けされたリストである。１個以上の最も類似の事例が、その技術
プロセスの最もあり得る将来の状態の評価を行える、従って適切な制御決定を下
す基礎を提供する。考案されたシステムは、原理的に、全自動制御システムの一
部として機能できるであろうが、主たる動作モードは専門家との協力である。従
って、考案された制御システムは、検索された事例を、明確に理解可能な形式で
、即ち図形的プロットで専門家に提示し、専門家は、情報に基づく制御決定を行
う。これにより、専門家は、技術プロセスの各自の直観や理解を最善に利用しつ
つ、データアーカイブに格納されたような、セメントキルンのプロセス等の、技
術プロセスの最も類似した以前の状態を突き止めるための試行といった、時間の
かかる間違えやすく労力を要する業務から解放される。

【００５２】図形的表示の例を図８に示す。

【００５３】実際には、ユーザは、事例の範囲により定義される期間を見るだけに制限され
ない。システムは、セメントキルンデータベースをブラウズするための汎用ビュ
ーアを含む。検索された事例の先行期間および予測期間は、より連続的なセンサ
値のプロット上に縦線として重ね合わされる。従って、ブラウザは、事例の先行
期間により定義されたものよりずっと長い過去の期間を表示可能とし、転じて、
現在の状況と検索された事例との間の類似度のより完全な理解を可能にする。ま
た、セメントキルンの将来の挙動のより長期の予測を得るために以前の事例につ
いての予測期間を超えて検分することも可能である。これは、予測の精度が一般
に将来への距離につれて低下するので、一般には推奨されないが、考案されたシ
ステムはしばしば、技術プロセスにおける長期傾向を予測できる可能性がある。
例えば考案されたシステムは、概ね省略時設定の１時間の事例予測期間より長時
間妥当性を保つセメントキルンに関する予測を行った。

【００５４】図８の「結果プロット」は、評価期間中のこの新規なシステムでの結果の典型
的な例である。図８は、右側に、専門家により評価事例のために選択された３個
のセンサ４１、５９、９２に関し行われた予測を示す。実際のデータを、比較で
きるよう予測データに沿ってプロットしている。評価段階と対照的に、類似度期
間を超えた通常動作では、予測値のみ使用可能であり、表示される。

【００５５】図８はシステムの多くの重要な特性を例証している。 −予測はしばしば、要求された１時間の予測期間より長時間妥当性を保つ。その例は、約３時間後の将来に品質の点で低下し始めるに過ぎない。 −予測と実際の挙動との間の時間的一致は必ずしも常に正確である訳ではない。例えば、センサ９２の予測および実際の立ち上がり区間における約１０分の差異が明白に見られる。 −システムはセンサ間の関係を首尾よく捕捉している。例えばセンサ９２の立ち上がり区間の成功した予測は、センサ９２の先行値が全部０なので、このセンサだけの類似度に帰因され得ない。両状況の類似度は、各々未表示のセンサ中の１個以上、他のセンサ４１又は５３の何れかに由来するはずである。

【００５６】このシステムは、特にセメントキルンという技術プロセス内におけるセンサ予
測タスクにＣＢＲ技術を適用する独自の試みである。その手法が提供する利益は
次のとおりである。 −予測はセメントキルンの履歴から得られた現実の例に基づく。従って、予測はこの分野の専門家によって検査および理解できる。 −システムはデータアーカイブの基礎的センサデータに直結される。従ってシステムはセメントキルンの挙動におけるあらゆる変動にも自動的に応答する。 −システムは、予測を実行するためにいかなる一般領域モデルも必要としないので、導入および維持費用が低い。 −システムは一般傾向および例外的事象を予測することができる。 −システムは個々の新しい状況に関する代替的な予測の集合を提供する。類似の問題は類似の解決策を必要とするというＣＢＲの前提は、セメントキルンの用途に有効であると判明した。類似の状況の検索は、例えば１時間より長い期間一般に妥当性を保つ予測をもたらし、センサのより一般傾向内の関心となる詳細を捕捉する。

【００５７】システムは、この種の問題へのＣＢＲの使用における一般的革新であるだけで
なく、以下が関与する大量の生データを扱うために要求されるような多くのより
技術的な革新でもある。 −基礎的センサデータの時間枠の見通しとしての半仮想的事例の定義、 −必要最少量の索引情報を抽出する、事例ベースの自己最適化アルゴリズム。

【００５８】この技術の可能性は極めて高い。セメントキルンの適用自体が将来の拡張に開
かれている。さらに、基礎的データアーカイブ内には、セメントキルンを監視す
る専門家により行われる制御決定も記録される。従って、以前の事例を検索する
際、システムは、将来のキルンの挙動を予測する手段を提供するばかりか、制御
決定を再利用する手段も提供する。これは、セメント工場に対し、より自動化さ
れた制御システムを提供する。あるいはまた、システムは、新しい人的管理者の
ためのトレーニングシステムとして使用することもでき、彼らが、様々な状況に
おいて既存の専門家が実際にどのように対応したかを調査可能にする。

【００５９】さらに、基礎的データアーカイブ内には、タイムスタンプの付された品質の計
量結果も日常的に格納される。例えば、産出するセメントクリンカーの試料は日
常的に採取され、実験室において試験されている。これらの試験の結果は、セメ
ントキルンが任意のある時点でどれほど首尾よく機能しているかの分類を行うこ
とを可能にする。そのような評価は、事例を「良い」又は「悪い」と分類するた
めに事例検索機構に採り入れることができよう。従って、システムは、過去に不
成功と判明した制御決定の再利用に対して警告を与えつつ、成功した制御決定を
再利用する方向にユーザを誘導できるであろう。これはセメントキルンの性能に
おいて全体的な改良をもたらすはずである。

【００６０】システムの設計は、決してセメントキルンでの要求に特殊化されない。時間的
傾向のあるセンサデータの極めて一般的なモデルが事例の定義に使用される。従
って、システムは、他の領域でのセンサデータの予測にも容易に再適用できる。
システムが最善の具体化の選択肢になり得る条件は、次のとおりである。 −センサデータが、機械可読データアーカイブに格納されるルーチンである、 −システムの複雑さが、モデルベース技法を過度に高額なものにする、又は実用的に不可能にする、 −予測の生成に対する時間的制約が強過ぎない。つまり、予測を行うために要する時間は、その予測が妥当性を持ち続ける期間よりも著しく小さくなければならない。セメントキルンの１５分の監視サイクルを前提とすれば、システムは現在、１〜２分で予測を行うよう設計されている。この速度は、メモリサイズ等の使用可能な計算ハードウェアおよびデータアーカイブに格納されるデータのサイズおよび複雑さに依存する。しかし、システムは現在、極めて迅速な（１秒より著しく小さい）応答を要求する用途には適さない。 −専門家による予測の解釈可能性は重要な因子である。従って、「ニューラルネットワークを参照せよ」等が使用される。

【００６１】センサベースのデータ以外の、他形式の時間的傾向のある情報に対するＣＢＲ
手法の再適用も可能なはずである。そのような情報の例には、株価動向、市況、
電力供給網内のユーザ需要等が含まれる。

【図面の簡単な説明】

【図１】事例ベース最適化用装置。

【図２】図１の装置において実行される方法の最上位フロー。

【図３】トレーニングフロー。

【図４】評価フロー。

【図５】事例ベース抽出フロー。

【図６】センサ予測生成フロー。

【図７】事例検索フロー。

【図８】本発明の方法および装置の結果による図。

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁷ 識別記号ＦＩテーマコート゛(参考） // Ｃ０４Ｂ 7/44 Ｃ０４Ｂ 7/44 (72)発明者ハイデマン、リューダードイツ連邦共和国デー‐91058 エルランゲンボンヘッファーヴェーク 11 Ｆターム(参考） 4G012 KA03 KA08 5H004 GA21 GB01 JB07 KC24 KC27 KD32

Claims

【特許請求の範囲】

【請求項１】技術プロセス、特にセメント工業におけるキルンの制御の方
法であって、前記プロセスは多数のセンサ値を生成するものにおいて、前記制御の方法が、将来に及ぶある期間のセンサの値を予測および表示するた
めに、ある特定の時点までの先行期間のセンサ値を使用することを特徴とする方
法。
【請求項２】事例に基づく学習の方法が検索に使用されることを特徴とす
る請求項１記載の方法。
【請求項３】単一の事例が、時間間隔として、しかも３時点、特に開始時
点、中間時点および終了時点を経て定義されることを特徴とする請求項１又は２
記載の方法。
【請求項４】単一の事例が、体系的プロセスを経由して必要なセンサ値に
低減される大量のデータを含み、かつ前記センサ値が検索の間に比較の基礎とし
て要求されるものであることを特徴とする請求項３記載の方法。
【請求項５】自己最適化プロセスが実行されることを特徴とする請求項１
又は２記載の方法。
【請求項６】自己最適化プロセスが連続的な改良を生じることを特徴とす
る請求項５記載の方法。
【請求項７】蓄積されたデータが格納された事例と比較され、検索された
事例の格納された値から将来の値について予測が行われることを特徴とする請求
項６記載の方法。
【請求項８】センサ値に基づき、多数の事例が格納されつつ、格納された
値が現存のデータ値と比較され、将来のセンサ値に関する予測が、現存のデータ
値と最良に一致する検索されたデータセットに基づき行われることを特徴とする
請求項１又は２記載の方法。
【請求項９】自己最適化プロセスが生起することを特徴とする請求項１な
いし８の１つに記載の方法。
【請求項１０】技術プロセスの全センサの部分集合が選択および変更可能
であり、それらセンサからのデータだけが予測の基礎として使用されることを特
徴とする請求項１又は２記載の方法。
【請求項１１】センサ値が、技術プロセスの全センサについて将来に及ぶ
ある期間予測されることを特徴とする請求項１記載の方法。
【請求項１２】制御システムが、経時的な技術プロセスにおける変化に自
動的に適応されることを特徴とする請求項１記載の方法。
【請求項１３】格納された事例の集合が、新しいセンサ値の収集時、連続
的に更新されることを特徴とする請求項１ないし１２の１つに記載の方法。
【請求項１４】事例間の冗長情報を最小化するため、事例の生成において
事例の対の間の時間的分離を変更することを特徴とする請求項１３記載の方法。
【請求項１５】関係のある事例が格納されるデータベース（１００）、テ
スト生成器（１０１）および事例の選択と最適化とのための最適化ユニット（１
０２〜１０４）によって、請求項１又は、請求項２から１４の１つに記載の方法
を実施する装置。
【請求項１６】最適化ユニットが、最適化器（１０２）、評価器（１０３
）および受容器（１０４）からなることを特徴とする請求項１５記載の装置。
【請求項１７】テスト生成器（１０１）が、最適化ユニット（１０２〜１
０４）を駆動することを特徴とする請求項１５記載の装置。
【請求項１８】受容器（１０４）の出力信号が、最適化器（１０２）にフ
ィードバックされることを特徴とする請求項１５記載の装置。