JP2005135010A - プロセスの状態類似事例検索方法および状態予測方法並びに記憶媒体 - Google Patents

Abstract

【課題】 現在の操業状態と類似の過去事例を検索し、プロセス将来状態の予測を的確に行う方法を提供する。
【解決手段】 指定された時刻から、連続した過去時点までのプロセス変数値を時系列データベース３０から抽出してそのプロセス変数値の独立変数値を計算して、それらの値を量子化し、前記指定された時刻と合わせて検索用テーブル５０に格納し、別途指定された類似事例検索の特定時刻から連続した過去時点までの前記指定されたプロセス変数値を時系列データベース３０から抽出して、その独立変数量を計算し、その量子化した値をキーとして前記検索用テーブル５０を検索し、前記キーとした値と類似する量子化した値を持つ時刻を類似度基準に従い特定し、前記特定した時刻に相当するプロセスデータを時系列データベース３０から抽出してプロセスの状態類似事例を決定する。
【選択図】 図１

Description

本発明は、高炉等のプロセスの操業中に、その操業状態と類似の過去事例を検索する手法、プロセスの将来状態を予測する手法、並びにその処理手法をコンピュータに実行させるためのプログラムが記録してあるコンピュータ読み取り可能な記憶媒体に関する。

従来、高炉等のプロセスの操業において、異常状態が発生すると人手により過去の事例を探して対応する行為が行われていた。成功例、失敗例を問わず過去の知見を将来の操業改善に活用することは重要であるが、従来は蓄積されたデータを十分に生かす手段がなく、人間の記憶に頼るのが一般的であった。従って、個人の経験の違いにより、意見の異なるアクションとなり、問題であった。

これに対し、事例ベース推論を用いた技術がいくつかの分野で利用されている。
特開平３−１３２８２６号公報（特許文献１）では、過去の問題解決事例に基づいて現在の問題解決を行う事例ベース推論を適用する技術が提案されている。
また、特開平７−２７１５８８号公報（特許文献２）では、事例ベース推論のための表形式のエディタを提案し、専門化の知識の体系化を支援している。

浄水場プロセスの排水量予測システムや濁度予測システムとして、特開２００１−２８８７８２号（特許文献３）公報や、特開２００２−１１９９５６号公報（特許文献４）では、複数の事例を集約して代表事例を作成し、作成した代表事例を用いて事例ベースを構築し、プロセスの予測を行っている。

特開平３−１３２８２６号公報 特開平７−２７１５８８号公報 特開２００１−２８８７８２号公報 特開２００２−１１９９５６号公報

ところで、本発明が対象とするプロセスは、高炉などの複雑、非線形かつ非定常なプロセスである。そのプロセスに対する数学モデルは開発されているがまだ十分ではない。そのために、過去の操業知見や過去の事例を知識ベース、事例ベースとして構築して利用している。しかしながら、知識の収集や事例ベースの構築やその更新に労力を費やしてしまうという問題があった。また、更新が十分でないと検索や予測の精度が低下するという問題もあった。

さらに、特開２００１−２８８７８２号公報や、特開２００２−１１９９５６号公報に記載の方法では、事例を集約しているため、現在時点と類似な時点の特定ができないという課題があった。
また、予測のための事例ベースを複数の事例から事前に作成する必要があることからその更新が課題である。そのため、事例の学習部も提案されているが、恒久的な性能維持には問題が残る。

本発明はかかる事情に鑑みてなされたものであり、複雑、非線形、かつ非定常なプロセスの過去事例を高速、高精度に検索して、将来予測を的確に行うことができるようにするとともに、更新の不要なオンライン予測を行うことができるようにすることを目的とする。

このような目的を達成するために、本発明によるプロセスの状態類似事例検索方法は、プロセスの時系列データベースから過去のプロセスの状態類似事例を検索する方法において、前記時系列データベースから、指定された時刻から連続した過去時点までの指定されたプロセス変数値を抽出し、その抽出したプロセス変数値の独立変数値を計算し、それらの値を量子化し、前記指定された時刻と、前記指定された時刻に対応する前記時系列データベースの格納番号との少なくとも何れか１つと合わせて、前記量子化したプロセス変数値の独立変数値を検索用テーブルに格納し、別途指定された類似事例検索の特定時刻から連続した過去時点までの前記指定されたプロセス変数値を、前記時系列データベースから抽出して、そのプロセス変数値の独立変数量を計算し、それらの値を量子化し、その量子化した値をキーとして前記検索用テーブルを検索し、前記キーとした値と類似する量子化した値を持つ時刻、または前記時刻に対応する前記時系列データベースの格納番号を、類似度基準に従い特定し、前記特定した時刻、または前記時系列データベースの格納番号に相当するプロセスデータを前記時系列データベースから抽出してプロセスの状態類似事例を決定することにしたものである。

本発明によるプロセスの状態予測方法は、プロセスの時系列データベースから過去のプロセスの状態類似事例を検索する方法において、前記時系列データベースから、指定された時刻から連続した過去時点までの指定されたプロセス変数値を抽出し、その抽出したプロセス変数値の独立変数値を計算し、それらの値を量子化し、前記指定された時刻と、前記指定された時刻に対応する前記時系列データベースの格納番号との少なくとも何れか１つと合わせて、前記量子化したプロセス変数値の独立変数値を検索用テーブルに格納し、別途指定された類似事例検索の特定時刻から連続した過去時点までの前記指定されたプロセス変数値を、前記時系列データベースから抽出して、そのプロセス変数値の独立変数値を計算し、それらの値を量子化し、その量子化した値をキーとして前記検索用テーブルを検索し、前記キーとした値と類似する量子化した値を持つ時刻、または前記時刻に対応する前記時系列データベースの格納番号を、類似度基準に従い特定し、前記特定した時刻から、指定された先の時刻までのプロセスデータ、または前記特定した格納番号から、指定された先の格納番号までのプロセスデータを取り出し、前記取り出したプロセスデータをプロセスの将来状態とすることにしたものである。

また、本発明によるプロセスの状態類似事例検索方法は、時系列データベースが高炉プロセスを対象とし、前記プロセス変数値を溶銑温度、微粉炭吹き込み量、ソリューションロスカーボン、熱流比、装入ピッチ、Si量、熱風温度、炉頂温度、Qロスから少なくとも１つ以上選択するものである。
また、本発明によるプロセスの状態予測方法は、プロセスの将来状態を表示するとともに、その際予測の確からしさとして前記類似度基準に対応した信頼度を付けて表示するものである。

また、本発明によるコンピュータ読み取り可能な記憶媒体は、前記何れかに記載の処理手順をコンピュータに実行させるためのプログラムを記録したものである。

本発明によれば、複雑、非線形かつ非定常なプロセスの類似事例を高速に検索することができる。また、時系列データベースがあれば本発明の手法によりシステマチックに類似検索装置の更新を行うことができる。
さらに、複数のプロセス変数値を独立成分変数値に変換したので、変数の数を減少することができる。したがって、検索用テーブルが小さくなり、検索速度を向上することができる。
また、このことによって、本発明の方法を実現する装置の性能を常に高い精度に維持することができる。
また、このことによって、プロセスの状態予測の性能を常に高い精度に維持することができる。
さらに、プロセスの将来状態予測を精度よく行うことは、今後の操業アクションを決定のための重要なガイダンスとなり、操業の安定化に大きく寄与する。

以下、本発明のプロセスの類似事例検索方法、および装置の一実施形態について説明する。
図１は、本発明のプロセスの類似事例検索方法の実施に使用する装置の構成を示すブロック図である。
図１において、高炉プロセス１０には、温度、圧力、成分、位置等を計測する各種のセンサが複数設置されている。
図１の２０は、高炉プロセス１０の計測・制御装置であり、高炉プロセス１０から計測した各種のプロセス情報の時系列データをプロセスの操業オペレータに提示し、必要に応じてオペレータの介在のもとにプロセスの制御操作を行っている。なお、以下の説明では、プロセス情報の時系列データを、必要に応じて、プロセス変数、プロセスデータ、または時系列データと称する。

計測した各種のプロセスデータは、一定時刻毎にプロセス時系列データベース３０に格納される。実際にはプロセスデータの種類によって、格納周期が異なるが、ここでは一定周期で格納されているものとする。一定周期でない場合には、短周期のデータにあわせて、長周期のデータの値をホールドすることにより、長周期のデータは短周期のデータに変換することができる。

図２にプロセス時系列データベース３０の格納形式を示す。
プロセス時系列データベース３０に格納されているプロセス変数は、溶銑温度、微粉炭吹き込み量（PCR）、ソリューションロスカーボン（SLC）、熱流比、装入ピッチ、Si量、熱風温度（Tf）、炉頂ガス温度、熱負荷（Qロス）等である。格納番号は、時系列データを格納した順番を示す番号である。格納時刻（格納DATE）は、時系列データを格納した時刻であり、年月日時分秒で表現したものである。

図１の３５は、プロセス変数の独立変数を分析し、独立変数値を求める独立成分分析部である。独立成分分析により多数のプロセス変数を少数の独立成分に集約できる。独立成分分析は、ｓを独立信号ベクトル（独立変数）、ｘを混合信号ベクトル、Ａを混合行列、独立信号ベクトルｓの次元をｎ、混合信号ベクトルｘの次元をｍ、混合行列Ａの次元を（ｍ＊ｎ）とした時に、次の（１式）で構成される混合信号ベクトルｘから、独立信号ベクトルｓおよび独立信号ベクトルｓを求める分離行列Ｗを計算する手法である。
ｘ＝Ａｓ・・・（１式）

分離行列Ｗが求まると、独立信号ベクトルｓは次の（２式）により計算される。
ｓ＝Ｗｘ・・・（２式）

独立成分分析の手法は、多数提案されているが、ここでは高速ICAという手法を用いる。例えば、Aapo Hyvarianらの論文「Fast and Robust Fixed-Point Algorithms for Independent Component Analysis」（Aapo Hyvarian,IEEE Transactions on Neural Networks.Vol.10,No.3,May 1999,P.626/634）で提案されている。混合信号ベクトルｘは、前処理として中心化、すなわち平均値が零になるように変換されているとする。図３に独立成分分析の概要フローを示す。

高速ICAの基本アルゴリズムは、最初に混合信号ベクトルｘの白色化を行う（図３のステップ３６）。
白色化は混合信号ベクトルｘの共分散行列（Σ[xx^T]＝EDE^T）の固有値分解を使用する。ここでＥは固有ベクトルの直交行列、Ｄはその固有値の対角行列である。固有値の対角行列Ｄは、次の（３式）で表される。
Ｄ＝diag(d₁,…,d_n)・・・（３式）

白色化された信号ベクトルｚは、次の（４式）により求めることができる。
ｚ＝ＥＤ^-1/2Ｅ^Tｘ・・・（４式）
ここで、Ｄ^-1/2は、次の（５式）で計算される行列である。
Ｄ^-1/2＝diag(d₁ ^-1/2,…,d_n ^-1/2)・・・（５式）

次に、白色化された信号ベクトルｚから、分離行列Ｗを求める（図３のステップ３７）。
分離行列Ｗの１行をｗ^T（荷重ベクトルと呼ぶ）とし、以下のようにして分離行列Ｗを求める。

１）荷重ベクトルｗの初期値を設定する（例えば乱数）。
２）次の（６式）の計算を行う。

ここでgは、例えば以下の（７式）や（８式）などの関数に設定する。
g(u)=tanh(u)・・・（７式）
g(u)=u exp(-u²/2)・・・（８式）
また、（６式）においてμは学習係数であり、１と設定するが（μ=１）、収束性に問題がある場合には、例えば、０．１又は０．０１といった１より小さい値に設定する。
３）次の（９式）の計算を行う。

４）荷重ベクトルｗが収束していない場合は、前記２）へもどり、２）と３）とを繰り返す。

次に、異なった荷重ベクトルｗが同じ方向に収束するのを防ぐために、各繰り返し後の出力値ｗ^T ₁ｚ、ｗ^T ₂ｚ,…ｗ_n ^Tｚが非相関になるように第ｉ独立成分の荷重ベクトルｗの直交化を以下の処理で行う。
５）次の（１０式）の計算を行う。

前記の高速ICAアルゴリズムにより分離行列Ｗを求め、これから独立成分変数値は、以下の（１１式）により計算される。
ｓ＝Ｗｚ=ＷＥＤ^-1/2Ｅ^Tｘ・・・（１１式）

混合信号ベクトルｘは、プロセス変数値を次の（１２式）のようにして与えることにより計算できる。
ｘ＝｛プロセス変数１の値、プロセス変数２の値、・・・｝^T・・・（１２式）
この分離行列Ｗは、後に説明する事例検索時の独立成分変数値計算にもそのまま用いられる。

図１の４０は、検索用テーブル作成部であり、類似事例検索に用いる検索用テーブル５０をプロセス時系列データベース３０からのプロセス変数に対して行われる独立成分分析により作成する。
検索用テーブル５０は、入力変数として、いくつかのプロセス変数の計測値や、計測値から計算するプロセス状態値の独立成分のある時点の値とそこから過去数時点の値を、量子化したものを用いる。入力変数の量子化は、入力変数値（独立成分値）を１からＮの値（Ｎは設定値で、例えば２５）に変換して行う。

高炉プロセスの場合は、溶銑温度、微粉炭吹き込み量、ソリューションロスカーボン、熱流比、装入ピッチ、Si量、熱風温度、炉頂温度、Qロス等の９変数について独立成分分析して得られた５個の独立変数の、各時点とその過去２時刻のデータを入力変数としており、各々の変数値を、例えば１から２５の値に量子化して検索用テーブル５０のindex部を作成している。検索用テーブル５０の検索される変数として、その時点の日付時刻、または対応するデータベースの格納番号を記録している。

図４に検索用テーブル５０の例を示す。ここでは、入力変数は１５変数（５個の独立プロセス変数、３時刻分）、量子化数２５の場合を示す。検索変数は、データベース（DB）３０における格納番号または格納時刻（DB格納DATE）である。図４のinput＿1からinput＿15は入力変数で、夫々溶銑温度、PCR、SLC等の独立変数に関するその時点（ｔ）、１時刻前（ｔ−１）、２時刻前（ｔ−２）の量子化されたものである。

図５に検索用テーブル５０の作成手順を示す。ステップ４１では、プロセス時系列データベース３０を時系列順にアクセスして、所定の入力変数のデータ値、格納時刻、または格納番号をプロセス時系列データベース３０から収集する。ステップ４２では、入力変数の独立成分分析を行い、独立成分変数をもとめ、ステップ４３では、独立変数のデータ値の量子化を行っている。

入力データ（独立変数）をXiとし、予め与えたその上下限の値を夫々Ximax, Ximin、量子化数をｎとすれば、入力データXiの量子化値Ixiは次の（１３）式によって計算される。

Ixi = 整数化（N*（Xi−Ximin）/(Ximax−Ximin)+1）・・・（１３式）
ただし、ｉは１から１５（ｉ=1〜15）である。また、整数化とは、小数点以下切り捨ての意味である。

ステップ４４では、検索用テーブル５０に１５個の量子化された独立変数データ値と格納時刻、あるいは格納番号を設定する。
プロセス時系列データベース３０の所定の格納番号または格納時刻まで図５の処理を繰り返す。

次に、図１の６０は、類似事例検索部であり、検索用テーブル５０を用いて類似事例の検索を行う。現在時刻のプロセス状態と類似時点を検索するために、現在時刻のプロセスデータを、プロセスの計測・制御装置２０から取り込み、図６に示す手順で類似事例を検索する。

図６のステップ６１では、計測・制御装置２０から類似事例を検索したい現在時点のプロセスデータを入手し、先に求めた分離行列Ｗにより独立成分変数値を計算する。

ステップ６２では、入手したプロセスデータ（独立成分変数）から検索用テーブル５０の入力データを選択し、先に説明した量子化を行い、検索用テーブル５０の１５個の入力値を作成する。

ステップ６３では、検索用テーブル５０と選択した入力データの照合を行う。単純な照合の方法の一例としては、検索用テーブル５０を上から順番に下まで照合する方法がある。照合するものがあれば、その格納されているDB格納番号またはDB格納時刻（格納DATE）を照合した数だけ記録する。この場合は、事例の類似度を０に設定する。

一方、検索用テーブル５０に入力データとマッチするものがなければ、入力データの近傍１を再度探索する。近傍データは、まず各入力データの量子化データ値の前後（＋１、−１）まで探索する。

例えば、溶銑温度の量子化データが１３であれば、１２〜１４の範囲のデータが照合範囲となる。各入力変数について範囲を前後に拡大して探索し、すべてを満足するものを探し、あればそのDB格納番号あるいはDB格納時刻（格納DATE）を類似時点として記録する。この場合は、類似度は１となる。同様に探索するものがなければ次の近傍２を探索し、照合するものがあれば、同様に類似時点を記録し、類似度を２とする。設定された近傍ｋまで探索し、照合するものがなければ類似事例なしとする。

ステップ６４では、検索テーブルから検索された複数の類似時点のDB格納番号またはDB格納時刻（格納DATE）を順番にプロセス時系列データベース３０から類似のプロセスデータを抽出して、画面やファイルに出力する。
なお、図１の７０は、その検索結果を表示する類似事例表示部である。

図７と図８に、高炉の類似事例検索結果を示す。溶銑温度、装入ピッチ、微粉炭吹き込み量、ソリューションロスカーボンの現在時点と類似時点の対応を示す。

図７（ａ）、（ｂ）と図８（ａ）、（ｂ）において、上段が現在事例、下段が類似事例である。これらの結果から現在の事例の前後と類似検索された事例の前後はかなり似た傾向を示しており類似事例検索が良好に機能していることを示している。

本実施形態による方法では、検索用テーブル５０の更新が大変容易である。オンラインで逐次実施することも可能であるが、更新用のデータがプロセス時系列データベース３０に一定量蓄積された時点で、そのデータを使って、図５の手順で検索用テーブル５０に値を追記することが可能である。また、操業変化により利用が出来なくなったある時点以前のデータを検索用テーブル５０から削除することも、その年月日と時刻、あるいはその時点に対応する格納番号のデータを削除することにより容易に行うことができる。

本実施形態による方法では、プロセスの現在状態に類似な事象を検索するだけでなく、プロセス時系列データベース３０の特定時点に類似した事象を検索することも可能である。
また、検索用テーブル５０にない入力状態に対応する検索は、検索用テーブル５０の近傍検索により、精度は多少低下するものの実施することが可能である。

図９は、本発明のプロセスの将来状態予測方法の実施に使用する装置の構成を示すブロック図である。図１と同じ方法にて、プロセスにおける将来の状態の予測をしたい時点と類似の過去事例を、検索用テーブル５０を検索して、類似時刻を検索し、その将来事例を用いて将来状態を予測する。その手順を図１０で説明する。

図１０のステップ７１では、計測・制御装置２０から現在時点のプロセスデータを入手する。ステップ７２では、その独立成分変数を求める。ステップ７３では、入手したプロセスデータから検索用テーブル５０の入力データを選択し、その量子化を行い、検索用テーブル５０の入力データを作成する。なお、これらステップ７１〜７３は、図６のステップ６１、６２に対応する。

ステップ７４では、検索用テーブル５０に入力データを独立成分計算して設定して、格納されている類似時点を複数点得る。このときの類似度をIRとする。なお、このステップ７４は、図６のステップ６３に対応する。

ステップ７５では、類似時点から設定された将来予測時刻、例えば８時間先までのDB格納時刻をキーとして、プロセス時系列データベース３０からそのプロセスデータを逐次入手する。また、複数の類似点において同じ操作を繰り返し複数組の将来の状態予測値を得ることができる。複数の類似点における個々の将来予測グラフ、およびそれらの平均化したグラフ、また変動範囲を画面に表示させる。また、表示にあたって、事例の類似度に対応した信頼度も一緒に表示する。

例えば、類似度が０の場合、信頼度は高い（H）とし、類似度が１の場合は、信頼度はやや高い（SH）とし、類似度が２の場合、信頼度は普通（M）とし、類似度が３の場合、信頼度は注意（L）として表示する。なお、図９において、９０は、それらの将来状態の予測結果を表示する将来状態予測表示部である。

図１１に、高炉の将来予測結果を示す。２時間先の溶銑温度の実績値と予測値がよく対応しており、本手法の有効性を示している。
また、本実施形態による手法は、温度分布、圧力分布等の空間位置に対応させて画像化できるプロセス変数についても応用することができる。この場合、独立成分分析によりその特徴量をもとめ、その変数を入力変数として用いることにより、類似事例検索や将来状態予測が可能となる。

図１２に、高炉の炉周方向、高さ方向の炉内分布画像に対して類似事例検索を行った事例を示す。元画像（図１２（ａ））に類似の画像（図１２（ｂ）〜（ｄ））が複数時点で精度よく検索できていることが分かる。

（本発明の他の実施形態）
前述した各実施の形態における装置による制御動作は、図１３に示すようなコンピュータシステムを用いることにより実現することができる。
図１３は、前述した実施形態における装置に配設されたコンピュータシステムの構成の一例を示したブロック図である。
図１３において、コンピュータシステム１００は、ＣＰＵ１０１と、ＲＯＭ１０２と、ＲＡＭ１０３と、キーボード（ＫＢ）１０４のキーボードコントローラ（ＫＢＣ）１０５と、表示部としてのＣＲＴディスプレイ（ＣＲＴ）１０６のＣＲＴコントローラ（ＣＲＴＣ）１０７と、ハードディスク（ＨＤ）１０８及びフレキシブルディスク（ＦＤ）１０９のディスクコントローラ（ＤＫＣ）１１０と、ネットワーク１１１との接続のためのネットワークインターフェースコントローラ（ＮＩＣ）１１２とが、システムバス１１３を介して互いに通信可能に接続された構成としている。

ＣＰＵ１０１は、ＲＯＭ１０２或いはＨＤ１０８に記憶されたソフトウェア、或いはＦＤ１０９より供給されるソフトウェアを実行することで、システムバス１０３に接続された各構成部を総括的に制御する。
すなわち、ＣＰＵ１０１は、所定の処理シーケンスに従った処理プログラムを、ＲＯＭ１０２、或いはＨＤ１０８、或いはＦＤ１０９から読み出して実行することで、後述する動作を実現するための制御を行う。

ＲＡＭ１０３は、ＣＰＵ１０１の主メモリ或いはワークエリア等として機能する。
ＫＢＣ１０５は、ＫＢ１０４や図示していないポインティングデバイス等からの指示入力を制御する。

ＣＲＴＣ１０７は、ＣＲＴ１０６の表示を制御する。
ＤＫＣ１１０は、ブートプログラム、種々のアプリケーション、編集ファイル、ユーザファイル、ネットワーク管理プログラム、及び本実施の形態における所定の処理プログラム等を記憶するＨＤ１０８及びＦＤ１０９とのアクセスを制御する。
ＮＩＣ１１２は、ネットワーク１１１上の装置或いはシステムと双方向にデータをやりとりする。

また、前述した実施形態の機能を実現するべく各種のデバイスを動作させるように、該各種デバイスと接続された装置あるいはシステム内のコンピュータに対し、前記実施形態の機能を実現するためのソフトウェアのプログラムコードを供給し、そのシステムあるいは装置のコンピュータ（ＣＰＵあるいはＭＰＵ）に格納されたプログラムに従って前記各種デバイスを動作させることによって実施したものも、本発明の範疇に含まれる。

また、この場合、前記ソフトウェアのプログラムコード自体が前述した実施形態の機能を実現することになり、そのプログラムコード自体、およびそのプログラムコードをコンピュータに供給するための手段、例えば、かかるプログラムコードを格納した記憶媒体は本発明を構成する。かかるプログラムコードを記憶する記憶媒体としては、例えばフレキシブルディスク、ハードディスク、光ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、磁気テープ、不揮発性のメモリカード、ＲＯＭ等を用いることができる。

また、コンピュータが供給されたプログラムコードを実行することにより、前述の実施形態の機能が実現されるだけでなく、そのプログラムコードがコンピュータにおいて稼働しているＯＳ（オペレーティングシステム）あるいは他のアプリケーションソフト等と共同して前述の実施形態の機能が実現される場合にもかかるプログラムコードは本発明の実施形態に含まれることは言うまでもない。

さらに、供給されたプログラムコードがコンピュータの機能拡張ボードやコンピュータに接続された機能拡張ユニットに備わるメモリに格納された後、そのプログラムコードの指示に基づいてその機能拡張ボードや機能拡張ユニットに備わるＣＰＵ等が実際の処理の一部または全部を行い、その処理によって前述した実施形態の機能が実現される場合にも本発明に含まれることは言うまでもない。

本発明の実施形態を示し、プロセスの類似検索方法の実施に使用する装置の構成を示すブロック図である。 本発明の実施形態を示し、プロセスの実績値を格納したプロセス時系列データベースのデータ格納形式を示す図である。 本発明の実施形態を示し、プロセス変数の独立成分計算を行う際の手順を説明するフローチャートである。 本発明の実施形態を示し、検索用テーブルを説明する図である。 本発明の実施形態を示し、検索用テーブルの作成手順を説明するフローチャートである。 本発明の実施形態を示し、類似検索部における類似事例の検索手順を説明するフローチャートである。 本発明の実施形態を示し、類似事例を検索した結果の一例を示す図である。 本発明の実施形態を示し、類似事例を検索した結果の他の例を示す図である。 本発明の実施形態を示し、プロセスの将来状態予測方法の実施に使用する装置の構成を示すブロック図である。 本発明の実施形態を示し、将来状態を予測する際の手順を説明するフローチャートである。 本発明の実施形態を示し、将来状態を予測した結果を示す図である。 本発明の実施形態を示し、プロセス画像の独立成分変数による類似検索を行った事例を示した図である。 本発明の他の実施形態を示し、装置に配設されたコンピュータシステムの構成の一例を示したブロック図である。

符号の説明

１０ 高炉プロセス
２０ 計測・制御装置
３０ プロセス時系列データベース
３５ 独立成分分析部
４０ 検索用テーブル作成部
５０ 検索用テーブル
５５ 独立成分計算部
６０ 類似事例検索部
７０ 類似結果表示部
９０ 将来状態予測表示部

Claims (6)

1. プロセスの時系列データベースから過去のプロセスの状態類似事例を検索する方法において、
   前記時系列データベースから、指定された時刻から連続した過去時点までの指定されたプロセス変数値を抽出し、
   その抽出したプロセス変数値の独立変数値を計算し、それらの値を量子化し、
   前記指定された時刻と、前記指定された時刻に対応する前記時系列データベースの格納番号との少なくとも何れか１つと合わせて、前記量子化したプロセス変数値の独立変数値を検索用テーブルに格納し、
   別途指定された類似事例検索の特定時刻から連続した過去時点までの前記指定されたプロセス変数値を、前記時系列データベースから抽出して、そのプロセス変数値の独立変数量を計算し、それらの値を量子化し、
   その量子化した値をキーとして前記検索用テーブルを検索し、前記キーとした値と類似する量子化した値を持つ時刻、または前記時刻に対応する前記時系列データベースの格納番号を、類似度基準に従い特定し、
   前記特定した時刻、または前記時系列データベースの格納番号に相当するプロセスデータを前記時系列データベースから抽出してプロセスの状態類似事例を決定することを特徴とするプロセスの状態類似事例検索方法。
2. プロセスの時系列データベースから過去のプロセスの状態類似事例を検索する方法において、
   前記時系列データベースから、指定された時刻から連続した過去時点までの指定されたプロセス変数値を抽出し、
   その抽出したプロセス変数値の独立変数値を計算し、それらの値を量子化し、
   前記指定された時刻と、前記指定された時刻に対応する前記時系列データベースの格納番号との少なくとも何れか１つと合わせて、前記量子化したプロセス変数値の独立変数値を検索用テーブルに格納し、
   別途指定された類似事例検索の特定時刻から連続した過去時点までの前記指定されたプロセス変数値を、前記時系列データベースから抽出して、そのプロセス変数値の独立変数値を計算し、それらの値を量子化し、
   その量子化した値をキーとして前記検索用テーブルを検索し、前記キーとした値と類似する量子化した値を持つ時刻、または前記時刻に対応する前記時系列データベースの格納番号を、類似度基準に従い特定し、
   前記特定した時刻から、指定された先の時刻までのプロセスデータ、または前記特定した格納番号から、指定された先の格納番号までのプロセスデータを取り出し、
   前記取り出したプロセスデータをプロセスの将来状態とすることを特徴とするプロセスの状態予測方法。
3. 前記時系列データベースが高炉プロセスを対象とし、前記プロセス変数値を溶銑温度、微粉炭吹き込み量、ソリューションロスカーボン、熱流比、装入ピッチ、Si量、熱風温度、炉頂温度、Qロスから少なくとも１つ以上選択することを特徴とする請求項１に記載のプロセスの状態類似事例検索方法。
4. 前記時系列データベースが高炉プロセスを対象とし、前記プロセス変数値を溶銑温度、微粉炭吹き込み量、ソリューションロスカーボン、熱流比、装入ピッチ、Si量、熱風温度、炉頂温度、Qロスから少なくとも１つ以上選択することを特徴とする請求項２に記載のプロセスの状態予測方法。
5. 前記プロセスの将来状態を表示するとともに、その際予測の確からしさとして前記類似度基準に対応した信頼度を付けて表示することを特徴とする請求項２または請求項４に記載のプロセスの状態予測方法。
6. 前記請求項１または請求項３に記載したプロセスの状態類似事例検索方法の処理手順、あるいは前記請求項２または請求項４または請求項５に記載したプロセスの状態予測方法の処理手順をコンピュータに実行させるためのプログラムを記録したことを特徴とするコンピュータ読み取り可能な記憶媒体。

Images