JP2010522942A - 改良型プロセス制御用のモデルメンテナンスアーキテクチャ - Google Patents
改良型プロセス制御用のモデルメンテナンスアーキテクチャ Download PDFInfo
- Publication number
- JP2010522942A JP2010522942A JP2010501215A JP2010501215A JP2010522942A JP 2010522942 A JP2010522942 A JP 2010522942A JP 2010501215 A JP2010501215 A JP 2010501215A JP 2010501215 A JP2010501215 A JP 2010501215A JP 2010522942 A JP2010522942 A JP 2010522942A
- Authority
- JP
- Japan
- Prior art keywords
- model
- controller
- performance
- models
- updated
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
【課題】改良型プロセス制御コントローラ用の施設におけるプロセスの動的モデルを変更するシステム及びその方法を提供する。
【解決手段】モデルメンテナンスを実施するアーキテクチャ100は、性能モニタツール120により監視された制御器115の性能の低下を定量化し、所定数のサブモデル又は全モデル動的情報が制御器の定量化された性能低下の関数として更新される必要があるかどうかを決定する。所定数のサブモデルを更新する必要がある場合、新たなサブモデルを識別するよう励起信号をサブモデルに対し発信し、全モデル動的情報を更新する必要がある場合、完全摂動信号を発信して、全モデルの完全閉ループの識別を開始する。新たに識別されたモデル又はサブモデルを制御器115に組み込む。
【選択図】図1
【解決手段】モデルメンテナンスを実施するアーキテクチャ100は、性能モニタツール120により監視された制御器115の性能の低下を定量化し、所定数のサブモデル又は全モデル動的情報が制御器の定量化された性能低下の関数として更新される必要があるかどうかを決定する。所定数のサブモデルを更新する必要がある場合、新たなサブモデルを識別するよう励起信号をサブモデルに対し発信し、全モデル動的情報を更新する必要がある場合、完全摂動信号を発信して、全モデルの完全閉ループの識別を開始する。新たに識別されたモデル又はサブモデルを制御器115に組み込む。
【選択図】図1
Description
本発明は、改良型プロセス制御用のモデルメンテナンスアーキテクチャに関する。
競合的生産のためには、運用コストの削減、高い生産性のメンテナンス、品質の一貫性が産業収益を得る上で重要である。改良型プロセス制御(APC)方式の導入で収益増加が示され、かつ上記の品質要求が提供される。しかしながら、これら制御方式の性能の低下が時間経過と共に観察されている。この性能低下は、閉ループ性能についての不十分なモニタリングとプロセスモデル等の個々のエンティティの品質のメンテナンス/向上の不十分な開始に起因している。
APC制御器は、主要な処理装置用に精製所や化学工場などで世界的に実用されている。現行の運用体制からより収益性と生産性のある体制への移行は、多変数(multivariable)APC方式によって可能である。プロセスに関連する各種の動作及び設計の制限値を制御法の式に簡易に収めることができる。
APCで使用されるプロセス制御モデルの品質は、その性能の点から重要な役割を演じる。典型的なAPC計画(プロジェクト)では、単変数(uni-variate)工程テストを用いるAPC計画の導入中に、これらのモデルが識別される。しかしながら、化学処理は本質的にその性質上非線形であり、触媒反応のような経時変化するパラメータを必要とすることから、プロセスパラメータの僅かな変化(例えば、熱交換器のスケーリング、原材料品質の変化、スループット率の変化、バルブの磨耗、感知器、等)は、結果としてプロセスの動的情報に重大な変化をもたらす。APCで同一モデルを使用することは(これら経時変化パラメータの特徴に対する懸念なしに)、全体の制御性能の質の低下を招き、オペレータもコントローラのスイッチをオフにせざるを得ない。
高い忠実度を有するモデルが存在しない場合、積極的な制御器設計を実現することはできない。閉ループ制御の性能は、設備出力によって制約され、また推定変数の目標値が積極的に満たされることはなく、これにより、改良型制御アルゴリズムを展開する恩恵は実質的に減少することとなる。したがって、システムの動的情報の正確な識別は、初期工程後に取りやめることができない持続的なタスクである。改良型制御の作用効果を保持するためには、モデルの忠実性を継続的に監視メンテナンスする必要がある。
本発明は、APCについて監視タスクとメンテナンスタスクの双方を実行するアーキテクチャを提供する。不十分な監視及びメンテナンスに起因する性能の低下を、本アーキテクチャを用いて最小限に止める。
以下の記載において、本明細書の一部を構成する添付の図面を参照し、実施可能な詳細な実施形態を例として説明する。これら実施形態は当業者が発明を実施できるよう十分かつ詳細に記載され、またその他の実施形態が実用されても良く、また本発明の範囲を逸脱することなく構造的、論理的かつ電気的な変更がなされて良いことは理解されるであろう。したがって、例示的な実施形態の下記の記載は発明を限定するものではない。したがって、例示的な実施形態の下記の記載は限定的に解釈されるものではなく、また本発明の範囲は特許請求項により定義されるものである。
ここで記述する機能あるいはアルゴリズムは、一実施形態においては、ソフトウエア若しくはソフトウエアと人的に実行された手続き(プロシージャ)との組み合わせで実現されても良い。ソフトウエアは、メモリ若しくは他の記憶装置などのコンピュータ可読媒体上に格納された、コンピュータで実行可能な命令で構成されて良い。用語“コンピュータ可読媒体”とは、異なる形態の無線伝送のように、コンピュータ実行可能命令をコンピュータが受信する手段の謂いとして用いられる。更に、これら機能は、ソフトウエア、ハードウエア、ファームウエアあるいはこれらの組み合わせ等のモジュールに対応する。多数の機能が所望する一以上のモジュールで実施されるものであり、記載の実施の形態は単なる例証である。ソフトウエアは、デジタル信号プロセッサ、ASIC(Application Specific Integrated Circuit:特定用途集積回路)、マイクロプロセッサ、あるいは、パーソナルコンピュータ、サーバなどのコンピュータシステムあるいはその他のコンピュータシステムで作動するその他の種類のプロセッサ上で実行されても良い。
化学的プロセスは、その性質上、非線形である。プロセスに関連する僅かな変化(例:触媒反応性、原材料組成の変化、作動条件の変化、処理量、等)により、プロセス動的情報に重大な変化をもたらす。プロセス動的情報のこれら変化は、APC手法で用いられるモデルによって実現される予想を不正確なものにする可能性がある。これによってAPCがオフ状態に切り換えられ、その結果、APCのオンラインでの使用時間が減少する。
システム及び方法は、APC制御器用の施設内でのプロセスのサブモデルを含むダイナミックモデルを修正するものである。制御器の性能はモニタされて、性能の低下はプロセス変化として定量化される。そして、所定数のサブモデルあるいは全モデルの動的情報が、制御器の定量化された性能低下の関数として更新される必要があるかどうかが決定される。所定数のサブモデルが更新される必要がある場合、励起信号がこのようなサブモデルに対し発信されて、新たなサブモデルが識別される。全モデル動的情報が更新される必要がある場合、完全摂動(complete perturbation)信号が発信され、この信号を契機に全モデルの完全閉ループが識別される。新たに識別されたモデル及びサブモデルは、制御器に組み込まれる。
一実施形態において、動的モデルの変更方法は下記の要素を含む。
1)市場ニーズから生じる制御器の所望の性能要求を、プロセスの常態最適化から取得する。
2)制御器の現在性能を評価し、性能低下を時間経過のプロセス変化として定量化する。
3)閾値を超えて制御器の性能が低下した場合、これは(i)何らかの構成要素あるいは(ii)動的モデルの全ての構成要素の忠実度が低下していることに起因する。したがって、サブセットのみのモデル動的情報を更新する必要があるか、又は全てのモデル動的情報を更新する必要があるかをチェックする。この閾値はプロセスの事前知識から取得される。
4)サブモデル動的情報が変更された場合、それらサブセットのモデルにのみ関連するより少ない集合の変数に対し入力(励起)信号の設計を開始し、これらサブモデルのみに対して閉ループの識別と更新を行う。
5)全てのサブモデルの更新が必要な場合、完全摂動信号の設計を開始し、完全閉ループ識別をトリガする。
6)閉ループの改善化した性能を達成するために、新たに識別されたモデルをAPCアルゴリズムに組み込む。
1)市場ニーズから生じる制御器の所望の性能要求を、プロセスの常態最適化から取得する。
2)制御器の現在性能を評価し、性能低下を時間経過のプロセス変化として定量化する。
3)閾値を超えて制御器の性能が低下した場合、これは(i)何らかの構成要素あるいは(ii)動的モデルの全ての構成要素の忠実度が低下していることに起因する。したがって、サブセットのみのモデル動的情報を更新する必要があるか、又は全てのモデル動的情報を更新する必要があるかをチェックする。この閾値はプロセスの事前知識から取得される。
4)サブモデル動的情報が変更された場合、それらサブセットのモデルにのみ関連するより少ない集合の変数に対し入力(励起)信号の設計を開始し、これらサブモデルのみに対して閉ループの識別と更新を行う。
5)全てのサブモデルの更新が必要な場合、完全摂動信号の設計を開始し、完全閉ループ識別をトリガする。
6)閉ループの改善化した性能を達成するために、新たに識別されたモデルをAPCアルゴリズムに組み込む。
APCの導入により所望の動作点でのプロセスユニットの稼動を促進し、装置の収益性を高めることとなる。しかしながら、APCの性能の低下が不適切なモニタリングとメンテナンスが原因で、時間経過で観察される。このAPCの性能の低下により低品質の製品が生じてしまい、収益に直接影響することとなる。本システム及び方法において、APCによって生じる利益の再確保とメンテナンスのために必要なタスクを実行しても良い。これにより、ビジネスに付加価値が生じる。
プロセス制御システムに対するAPCの効果的なオンライン使用時間を増大させることにより、より収益性と生産性の高い体制でのプロセスの稼動を促進させることとなる。APC制御方式で用いるモデルは、その性能分野で極めて重要な役割を演じる。APCの性能低下が時間経過で現れることがあるが、これは熱交換器の酸化物の付着度合、原材料品質の変化、処理量率、動作条件としてのプロセスパラメータの変化に起因している。時として、これらプロセス変化によりAPCがオフ状態に導かれ、その結果APCの使用時間が減少する。本発明での各種の実施形態では、APCに対するプロセスのモニタリング作業(タスク)、モデルメンテナンス作業が実行される。これにより、低下が発生した際に即座に制御器用モデルが変更され、またその結果として産業プロセスのようなプロセスの処理量の増加をもたらすことができる。方法論は汎用的なものであり、モデル型制御方式では、モデルメンテナンス用に容易にカスタマイズすることができる。
図1は、改良型プロセス制御(APC)製品でのモデルメンテナンスを実施するアーキテクチャ100の機能ブロック図である。アーキテクチャ100は5つのブロックすなわちタスクを含む、プロセス+調節PID (Proportional Integral Derivative:比例積分偏差)ループ110、APC制御器115、性能モニタツール120、モデル忠実度アセスメント部125及び再識別部130を含む。これらのタスクは論理的手法で行われ、かくしてモデルメンテナンスタスクを実行する。これにより、統合されたフレームワークが与えられて、系統的な手法での高忠実度モデルの展開を確実にする。
APCツールの効果的なオンライン使用時間は、改良型プロセス制御(APC)の性能を示す主たる指標である。これらモデルベースの制御器は産業プロセスの制御と最適化に大きな影響を与えるもので、APCオンライン使用時間の増大は、収益の上昇を促進する。モデル品質は、セットポイント(設定要求値)の最適化タスクとこれらセットポイントを実現する制御行動の設計とを通じて、収益に影響を与える。
プロセス+調節PIDループ110:このブロックは、動作プロセスと該プロセスに作用する調節レベルPIDループを構成する。ここでの開示では、センサ故障/アクチュエータ故障などの事象(イベント)、またパイプラインでの漏洩などは市販の商業パッケージソフトウエアで系統的に取り組むものであることから、ここでは考慮の対象ではない。
一般に、PID制御器は、プロセスが作動点で稼動している間は監視される。商業的に市販されているモニタツールが各種存在しており、これにより調整PIDツールの健全性が監視される。その種の製品の一つとしてHoneywell社のループスカウト(Loop Scout)がある。このような監視中では、センサ故障又は/及びアクチュエータ故障が発生する可能性がある。この種の故障に対して、スマート施設を用いたデバイスレベルでの取り組みをすべきである。プロセスの異常、例えば、漏洩などのプロセス故障は、Honeywell International社のアセットマネジャPKSを用いて特定できるものであって、このアセットマネジャPKSでは異常状況管理(ASM)協会による調査から取得した結果を活用している。センサ故障及びアクチュエータ故障に対するデバイスレベルで診断能力が存在しない状況であっても、これらの故障をアッセットマネジャツールが取り扱うことはより適切であり、これにより仕事の能力と責任の重複が防止される。上述のツールを使用することで、プロセスに対する調節PIDループは、満足性の高い性能を有すると言うことができる。
プロセス+調節PIDループ110でのデータ交換は、図2のPIDブロック210と実際のプロセス215とのデータ交換に関連している。APCの測定調節変数は制御変数(CV:Controlled Variables)220と称され、APC制御器で更新された変数は動作変数(MV:Manipulated Variables)225と称される。モデル115は動作変数(MV)225と制御変数(CV)220間の動的な数学関係である。図1の予想誤差(PE:Prediction Error)135は、制御変数CVの測定値と動的なプロセスモデルを介した制御変数CVの予想値の差分である。
APC制御器115:このブロックは2つの要素で構成される、すなわち、モデルと該モデルを使用し制御器動作設計部の2つである。本アーキテクチャは性質上汎用的であり、制御公式は関係する制御アルゴリズム(すなわち、DMCPlus(Dynamic Matrix Control Package)),RMPCT(Robust Model Predictive Control technology)、HIECON(Hierarchical Constraint Control)、PFC(Predictive Functional control)、SMOC(Shell Multivariable Optimizing Controller)と適合するようにカスタマイズしても良い。このブロックでのデータ交換の説明は下記の通りである。すなわち、このブロックへの入力は、ブロック140で示されるように、プロセス制御変数CVとAPCレベルでの過去の動作変数MVである。このブロックからの出力は、調節PIDループ145へのセットポイントである。
性能モニタツール120:このタスクは、APC制御器の性能監視と関連している。多変数制御器の性能分析、その方法及び取り組み手法などは当業者の良く知るところである。一実施形態では、単一指標あるいは基準値はそれ自体、性能低下の原因の診断に要する全ての情報を提供しなくても良い。性能監視を実施するために活用される幾つかの基準として、製品の低品質、試料(サンプル)の規定ウィンドウを超えた制御変数の増加変動、制限値の不一致及び各サンプリング時点での自由度などが含まれる。
製品の低品質:測定制御変数値がその規定の設定値から、あるいはウィンドウサイズを超過する範囲から乖離した場合には、製品品質は低いと言われる。品質低下の度合いが定量化されるが、これは測定値がその設定値と範囲からどれほど乖離しているかに基づいて行われる。各サンプリング時点での設定値と範囲からの制御変数CVの偏差が基準として取り入れられる。この偏差の閾値は、制御限界値(制御変数CVの±基準偏差)として、あるいは全ての制御変数CVは正常分布に従うといった仮定に基づく95%の信頼限界値として規定できる。
試料のウィンドウを超えた増加変動:試料のウィンドウは制御変数の確定時間によって決定される。時間ベースのウィンドウを越えた測定値の変動から、APC製品の性能の指標が与えられる。ウィンドウ長さは該プロセスの優位画定(dominant setting)時間により決定され、これは変動値に影響を与える。
強制違反(制限値からの不一致):全てのAPC製品においては、自由応答(すなわち、動作変数MVの未来変化をまったく想定しない制御変数CVの未来応答)を、識別されたプロセスモデルを用いて予測する。最適化問題は、未来動作変数MVに到達して制御変数CVをその個々の設定値と範囲に到らせることで解決する。最適化問題は、問題公式に組み込まれた制限値によって限定される。典型的にこれら制限値とは、絶対制限値、動作変数に関する比率制限値、制御変数に関する制限値、加えて、プロセスの動作性に関連するその他の制限値、プロセス安全性、また環境順応性などである。
最適化後に獲得した未来動作変数の動きがその制限値内に収まるなら、制限値からの不一致はないといえる。もしそうでないのであれば、制限値からの不一致ありと結論付けられる。各サンプリング時点で不一致となる多数の制限値が監視目的のために観察され活用されてもよい。
自由度:基本的に、自由度の数は動作変数MVの数で定義されるものであって、該動作変数MVの数は設定値若しくは限界値外の制御変数CVの数をマイナスした限界値ではない。制御器は、設定値から乖離したあるいは限界値外の制御変数CVの数を最小化するように、動作変数MV値を選定する。
プロセスに影響する何がしかの外乱が存在する場合、各サンプリング時点でこの値をモニタリングすることで、有用な情報が提供される。上述の情報は幾つかの基準となるもので、これら基準は制御器の性能の定量化あるいは制御器の性能の低下度を定量化するために活用することができる。仮にMPM135の寄与率が145で示される予測誤差より高く、150での閾値を超える場合には、再識別ルーチン130が開始される。
モデル忠実度アセスメント部125:しばしば、大規模MIMO(Multi Input Multi Output:多入力多出力)システムでは、1又は複数のサブモデル動的情報だけに変動の可能性がある。これらの場合、全多変数施設の総体再識別を実施することは、時間と金の双方について浪費となっている。一実施形態で提供する方法は、MIMOにおいて、どのサブモデル動的情報が変更されたかを特定する方法である。変更されたサブモデルが再識別のために選定されても良い。新たに識別されたサブモデルを制御器が調節すること、又はこれらサブモデルを公式化に用いることが実行される。
局所的なサブシステムの動的情報のこのような変動を検知するために、予想誤差PEと動作変数MV間の正規スピアマン相関指標を活用するといった一般的な解決手法が用いられてきた。これは、モデルの忠実度の減少に貢献する非モデル化要素を際立たせるであろう。しかしながら、大規模多変数プロセス制御器では、動作変数はそれぞれの中で相関性を有している。動作変数間での相関性の存在によって、正規(スピアマン)相関指標が、動的情報の変動についての判断基準として不適当であるとされる。事実、この正規(スピアマン)相関指標を高い相関性のシナリオでの判断基準として用いることは、結果として結論をミスリードすることになる。この欠点を克服するため、部分相関分析が、どのサブモデルがあるいは全てのサブモデルが変更されたのかを判断する基準として、予想誤差PEと動作変数MV間で実行される。
再識別部130:再識別は極めてコストのかかるものであり、識別試験時間とそのコストの両面から、削減するには十分に計画された実験法が必要である。開ループ及び閉ループ識別法の中では、後者の閉ループ識別法のほうが結果として装置の摂動量としては最小となり、したがって識別中での生産性のロスは最小となるであろう。したがって、一実施形態では、閉ループ識別法は再識別に用いられる。
閉ループ識別では、制御器が作動中である間は、閉ループ動作に関連するデータを活用する。この解決手法が閉ループ性能をある程度メンテナンスしている間は、データの質は再識別を行うほどに十分に良好なものではない可能性がある。加えて、ノイズ及び外乱と動作変数との相関性により、識別モデルの質を落とすことになる。かくして、一実施形態では、派生モデルでのバイアス(偏奇)の問題を取り組むこととなる。一実施形態では、動作分析の観点からモデルを定義する複数のモデル状態変数は、プロセスの実行動作中にモデルを再識別するよう調停されている。
再識別が必要なサブモデルを識別したことで、モデリング用の情報に富むデータを取得するように識別試験を実施してもよい。この識別実行は、励起信号の設計、モデル構造の選定、パラメータ推定及びモデルの妥当化などを含んでも良い。識別試験では、良好な信号対雑音比、動作変数MV間の最小相関性、及び外乱に対する動作変数MVの確保のために信号設計が行われる。モデル構造は、プロセスの事前知識に基づいて選定しても良く、また異なるプロセスに対してかなり相違しても良い。選択されたモデル構造を有するモデルのパラメータが推定され、派生モデルが新しいデータ集合に関して目的の妥当性のために正当化される。かくして、新たなモデルとサブモデルが識別される。
APC制御器モデルに活用されるモデルは、完全再識別によって新たに識別されたモデルにより、あるいは新たに識別されたサブモデルにより更新される。望ましくは、モデルの遷移はスムースに行われものであって、当業者に知られているように、各種の方法が有効である。一実施形態では、従来モデルと新規モデルとの間での遷移が指数関数的に行われても良い。これら新たに識別されたモデルは制御公式化での予想に活用される。
図3は、一実施形態におけるAPC制御器用のモデルを更新するために活用される方法のフロー図である。参照番号300で示される方法は、多変数プロセス制御器を用いる装置の改良型プロセス制御に活用される幾つかあるいは全てのサブモデルをメンテナンスするための方法である。ブロック305でデータが獲得され、プロセス制御の動作性能レベルの特徴化が行われる。ブロック310でデータが分析され、この分析はプロセス制御の所望の性能レベルからの動作性能レベルの偏差を評価するために行われる。所望の性能レベルが実現されていれば、モニタリングは継続される。ブロック315では、多変数プロセス制御器の完全モデルあるいはサブモデルの再識別の必要度が、性能低下の関数として評価される。動作分析の観点からモデルを定義する複数のモデル状態変数は、プロセスの実行動作中にモデルを再識別するよう調停されている。
一実施形態では、性能低下に寄与するパラメータは、プロセスあるいはプロセス性能目標設定値の変化あるいはこれらの組み合わせに影響を与える動作外乱の内の少なくとも一つを特徴付けているパラメータを含む。再識別工程は、オンラインデータからの完全な新規モデル若しくは新規サブモデルを展開することを含む。調停工程は、モデルを構成するサブモデルを定義するモデル状態変数をさらに調停することを含んでも良い。予想誤差は、データウィンドウを超える目標範囲からの動作性能変数の偏差率の関数として評価されても良い。
更なる実施の形態では、予想誤差は、動作性能変数の確定時間に基づく時間ウィンドウを越える偏差率の関数として評価することができる。モデル施設の不整合についての差分寄与率は、プロセスに関する制限値からの不一致評価の関数であっても良い。制限値は、プロセスに対する絶対制限値から構成される集合、動作プロセス変数についての制限値、動作性能変数についての制限値及びそれらの組み合わせから選択することができる。モデル施設の不整合についての差分寄与率は、制限値の不一致についての自由度の評価関数とすることができる。
図4は、代替方法のフロー図であり、一実施形態においてAPC制御器用のモデルを更新するために用いることができるものである。改良型プロセス制御器でのプロセスの動的モデルであって、サブモデルを含むこの動的モデルの変更方法は、全体として参照番号400で示される。モデルの忠実性はブロック405で評価される。ブロック410において、変更方法400は、所定数のサブモデルが更新の必要があるか、全モデル動的情報が更新の必要があるかどうかを決定する。所定数のサブモデルが更新の必要がある場合、ブロック415でこのようなサブモデル用の励起信号が起動されて、新規のサブモデルが識別される。全モデル動的情報の更新が必要である場合、ブロック420で完全摂動信号が起動され、この信号により全モデルの完全閉ループの識別が開始される。ブロック425においてこれら信号が制御器に供給され、ブロック330で再識別が生じる。ブロック435では、新たに識別されたモデルあるいはサブモデルが、制御器に組み込まれる。
図5は、コンピュータシステムのブロック図であって、APC制御を実行するプログラミングを実行し、評価と再識別に関連するアルゴリズムを実行するコンピュータシステムを示す。上記に示すように、別の電子機器、例えば、市販のコントローラやプロセッサを使用可能であり、またこれら機器によって上述のコンピュータシステムの幾つかの機能特性を共有しても良い。コンピュータ510等の一般的な計算装置は、処理部502、メモリ504、取外可能記憶装置512及び取外不能記憶装置514を含んでいる。メモリ504は揮発性メモリ506と不揮発性メモリ508を含んでいる。コンピュータ510は各種コンピュータ可読媒体を含むか、あるいはこれら媒体を含む計算環境にアクセスするようにする。これら媒体とは、揮発性メモリ506、不揮発性メモリ508、取外可能記憶装置512及び取外不能記憶装置514である。コンピュータの記憶装置は、ランダムアクセスメモリ(RAM)、リードオンリメモリ(ROM)、消去可能プログラム可能リードオンリメモリ(EPROM)と電気的消去可能プログラム可能リードオンリメモリ(EEPROM)、フラッシュメモリあるいはその他のメモリ技術、コンパクトディスクリードオンリメモリ(CD ROM)、デジタルヴァーサタイルディスク(DVD)あるいは光ディスク記憶装置、磁気カセット、磁気テープ、磁気ディスク記憶装置あるいは他の磁気記憶装置、若しくはその他のコンピュータ可読命令を格納できる任意の記憶媒体を含む。コンピュータ510は、入力部516、出力部518及び通信接続体520を含み、あるいは、これら要素を含む計算環境にアクセスするようにしてもよい。コンピュータは、1又は複数の遠隔コンピュータに接続する通信接続体を用いるネットワーク環境で作動しても良い。遠隔コンピュータは、パーソナルコンピュータ(PC)、サーバ、ルータ、ネットワークPC、ピアー装置あるいは他の共通ネットワークノードを有しても良い。通信接続体はローカルエリアネットワーク(LAN:構内通信網)、ワイドエリアネットワーク(WAN:広域通信網)あるいは他のネットワークである。
コンピュータ可読媒体に格納されたコンピュータ可読命令は、コンピュータ510の処理部502によって実行可能である。ハードドライブ、CD−ROMとRAMは、コンピュータ可読媒体を含む製品の幾つかの実例である。
Claims (10)
- 多変数プロセス制御器(110)を用いる施設の改良型プロセス制御に活用される幾つかあるいは全てのサブモデル(115、330)をメンテナンスするための方法において、
データを取得し、前記プロセス制御の動作性能レベル(120、305)を特徴付けるステップと、
前記データ(305、310)を分析して、プロセス制御の所望の性能レベルからの動作性能レベルの偏差を評価するステップと、
多変数プロセス制御器(110)の完全モデルあるいはサブモデル(115、330)の再識別(315、410)の必要性を、性能低下の関数として評価するステップと、
プロセスの実行動作中に、動作分析の観点でモデルを定義する複数のモデル状態変数を調停して、モデルを再識別(130、320、325、430)する調停ステップと、
プロセス制御用の再識別モデルを用いるモデルの閉ループ再識別(130、320、325、430)を実行するステップと
からなることを特徴とする方法。 - 請求項1記載の方法において、前記性能低下に寄与するパラメータが、プロセス又はプロセス性能目標設定値の変化、あるいはこれらの組み合わせに影響を与える動作外乱の内の少なくとも一つを特徴付けているパラメータであることを特徴とする方法。
- 請求項1記載の方法において、再識別(315、410)の必要性の前記評価は、動作プロセス性能に事前知識から定義される閾値(150)の関数として開始されることを特徴とする方法。
- 請求項1記載の方法において、再識別(315、410)は、完全な新規モデル(320)あるいは新規のサブモデル(325)をオンラインデータから展開することの少なくとも一方から成ることを特徴とする方法。
- 請求項1記載の方法は、前記調停ステップはさらに、モデルを構成するサブモデルを定義するモデル状態変数を調停することを含んでいることを特徴とする方法。
- 請求項1記載の方法において、予想誤差(135)が、データウィンドウを超える目標範囲からの動作性能変数の偏差率の関数として、あるいは動作性能変数の確定時間に基づく時間ウィンドウを越える偏差率の関数として評価されることを特徴とする方法。
- 請求項1記載の方法において、モデル施設の不整合(145)についての差分寄与率が、プロセスに関する制限値からの不一致評価の関数であり、制限値が、プロセスに対する絶対制限値、操作プロセス変数についての制限値、動作性能変数についての制限値及びそれらの組み合わせからなるグループから選択されることを特徴とする方法。
- サブモデルを含む動的モデル(115、330)を、改良型プロセス制御(APC)制御器(110)用の施設で変更する方法において、
制御器(120)の性能を監視するステップと、
制御器の性能低下(305)をプロセスの変動として定量化するステップと、
所定数のサブモデルが制御器の定量化された性能低下の関数として更新される(315、410)必要があるかどうか、又は、全モデルの動的情報が更新される(130、430、320、325)必要があるかどうかを、制御器の定量化された性能低下の関数として決定するステップと、
所定数のサブモデルが更新される必要がある場合、該サブモデル(325、415)に対して励起信号を発信して、新たなサブモデルを識別するステップと、
全モデルの動的情報が更新される必要がある場合、完全摂動信号設計(320、130、420)を開始して、全モデル(130、430、320、325)の識別を開始するステップと、
新たに識別されたモデル又はサブモデルを制御器(115、330)に組み込むステップと
を備えていることを特徴とする方法。 - 請求項8の方法において、制御器の性能は、プロセスが作動点で稼動しかつ全モデルの識別が閉ループ状態である間、監視され(120、305、405)、変数と変数との間の正規スピアマン相関指標の活用、あるいは、変数の間に強相関関係が存在する場合、予想誤差PEと動作変数MVとの間の部分相関分析を、どのサブモデルが変更したかの判断基準として活用することを特徴とする方法。
- 施設でのプロセスの動的モデル(115、330)を用いる改良型プロセス制御器(110)であって、該モデルは構成要素に関するサブモデルを含んでいる、改良型プロセス制御器において、
所定数のサブモデルが制御器の定量化された性能低下の関数として更新される必要があるかどうか、又は全モデルの動的情報が制御器の定量化された性能低下の関数として更新される(120、135、145、150、125,305、310、315、405、410)必要があるかどうかを決定する手段と、
所定数のサブモデルが更新される必要がある場合、新たなサブモデルが識別されるように励起信号を該サブモデル(325、415)に対し発信する手段と、
全モデルの動的情報が更新される必要がある場合、完全摂動信号 (320、420)を発信して、全モデルの完全閉ループの識別(130、320、430)を開始する手段と、
新たに識別されたモデル又はサブモデル(115、330、435)を制御器に組み込む手段と
を備えていることを特徴とするコントローラ。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US11/729,058 US20080243289A1 (en) | 2007-03-28 | 2007-03-28 | Model maintenance architecture for advanced process control |
PCT/US2008/058394 WO2008119008A1 (en) | 2007-03-28 | 2008-03-27 | Model maintenance architecture for advanced process control |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2010522942A true JP2010522942A (ja) | 2010-07-08 |
Family
ID=39580494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2010501215A Withdrawn JP2010522942A (ja) | 2007-03-28 | 2008-03-27 | 改良型プロセス制御用のモデルメンテナンスアーキテクチャ |
Country Status (5)
Country | Link |
---|---|
US (1) | US20080243289A1 (ja) |
EP (1) | EP2126641A1 (ja) |
JP (1) | JP2010522942A (ja) |
CN (1) | CN101743522A (ja) |
WO (1) | WO2008119008A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018014093A (ja) * | 2016-07-06 | 2018-01-25 | Jfeスチール株式会社 | プロセスの状態診断方法及び状態診断装置 |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8036760B2 (en) * | 2005-10-04 | 2011-10-11 | Fisher-Rosemount Systems, Inc. | Method and apparatus for intelligent control and monitoring in a process control system |
US7444191B2 (en) | 2005-10-04 | 2008-10-28 | Fisher-Rosemount Systems, Inc. | Process model identification in a process control system |
US7738975B2 (en) | 2005-10-04 | 2010-06-15 | Fisher-Rosemount Systems, Inc. | Analytical server integrated in a process control network |
US8145337B2 (en) * | 2007-05-04 | 2012-03-27 | Taiwan Semiconductor Manufacturing Company, Ltd. | Methodology to enable wafer result prediction of semiconductor wafer batch processing equipment |
EP2419796B1 (en) | 2009-05-29 | 2016-09-07 | Aspen Technology, Inc. | Apparatus and method for model quality estimation and model adaptation in multivariable process control |
US9141911B2 (en) | 2009-05-29 | 2015-09-22 | Aspen Technology, Inc. | Apparatus and method for automated data selection in model identification and adaptation in multivariable process control |
ES2842967T3 (es) | 2010-04-19 | 2021-07-15 | Abb Schweiz Ag | Método y sistema para actualizar un modelo en un controlador predictivo por modelo |
US9760073B2 (en) * | 2010-05-21 | 2017-09-12 | Honeywell International Inc. | Technique and tool for efficient testing of controllers in development |
WO2013088184A1 (en) * | 2011-12-15 | 2013-06-20 | Abb Research Ltd | A method for assessment of benefit of advanced control solutions |
WO2013119665A1 (en) | 2012-02-08 | 2013-08-15 | Aspen Technology, Inc. | Apparatus and methods for non-invasive closed loop step testing using a tunable trade-off factor |
US20170314800A1 (en) * | 2014-11-12 | 2017-11-02 | Carrier Corporation | Automated functional tests for diagnostics and control |
CN104698976B (zh) * | 2014-12-23 | 2017-06-16 | 南京工业大学 | 一种预测控制模型性能下降的深度诊断方法 |
EP3121672B1 (de) * | 2015-07-22 | 2019-04-24 | Siemens Aktiengesellschaft | Diagnoseeinrichtung und verfahren zur überwachung des betriebs eines regelkreises |
US20170357928A1 (en) * | 2016-06-08 | 2017-12-14 | Honeywell International Inc. | System and method for industrial process control and automation system operator evaluation and training |
US11449046B2 (en) * | 2016-09-16 | 2022-09-20 | Honeywell Limited | Model-plant mismatch detection with support vector machine for cross-directional process behavior monitoring |
EP3639098B1 (en) * | 2017-06-12 | 2022-10-19 | Honeywell International Inc. | Apparatus and method for identifying impacts and causes of variability or control giveaway on model-based controller performance |
US20180356811A1 (en) * | 2017-06-12 | 2018-12-13 | Honeywell International Inc. | Apparatus and method for automated identification and diagnosis of constraint violations |
US11934159B2 (en) | 2018-10-30 | 2024-03-19 | Aspentech Corporation | Apparatus and methods for non-invasive closed loop step testing with controllable optimization relaxation |
EP3686695A1 (en) * | 2019-01-24 | 2020-07-29 | ABB Schweiz AG | Modularized model predictive control for industrial plants |
JP7460657B2 (ja) | 2019-05-09 | 2024-04-02 | アスペンテック・コーポレーション | 機械学習を専門知識及び第一原理と組み合わせて行うプロセス産業のモデリング |
CN110276460A (zh) | 2019-06-27 | 2019-09-24 | 齐鲁工业大学 | 基于复杂网络模型的工业设备运维与优化方法及系统 |
US11782401B2 (en) | 2019-08-02 | 2023-10-10 | Aspentech Corporation | Apparatus and methods to build deep learning controller using non-invasive closed loop exploration |
WO2021076760A1 (en) | 2019-10-18 | 2021-04-22 | Aspen Technology, Inc. | System and methods for automated model development from plant historical data for advanced process control |
US11630446B2 (en) | 2021-02-16 | 2023-04-18 | Aspentech Corporation | Reluctant first principles models |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6826521B1 (en) * | 2000-04-06 | 2004-11-30 | Abb Automation Inc. | System and methodology and adaptive, linear model predictive control based on rigorous, nonlinear process model |
US6937966B1 (en) * | 2000-06-09 | 2005-08-30 | International Business Machines Corporation | System and method for on-line adaptive prediction using dynamic management of multiple sub-models |
US7277838B2 (en) * | 2004-08-26 | 2007-10-02 | United Technologies Corporation | Bootstrap data methodology for sequential hybrid model building |
US20070225835A1 (en) * | 2006-03-23 | 2007-09-27 | Yucai Zhu | Computer method and apparatus for adaptive model predictive control |
-
2007
- 2007-03-28 US US11/729,058 patent/US20080243289A1/en not_active Abandoned
-
2008
- 2008-03-27 WO PCT/US2008/058394 patent/WO2008119008A1/en active Search and Examination
- 2008-03-27 JP JP2010501215A patent/JP2010522942A/ja not_active Withdrawn
- 2008-03-27 EP EP08744439A patent/EP2126641A1/en not_active Withdrawn
- 2008-03-27 CN CN200880010050A patent/CN101743522A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018014093A (ja) * | 2016-07-06 | 2018-01-25 | Jfeスチール株式会社 | プロセスの状態診断方法及び状態診断装置 |
Also Published As
Publication number | Publication date |
---|---|
US20080243289A1 (en) | 2008-10-02 |
EP2126641A1 (en) | 2009-12-02 |
WO2008119008A1 (en) | 2008-10-02 |
CN101743522A (zh) | 2010-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2010522942A (ja) | 改良型プロセス制御用のモデルメンテナンスアーキテクチャ | |
Schäfer et al. | Multivariable MPC system performance assessment, monitoring, and diagnosis | |
MacGregor et al. | Monitoring, fault diagnosis, fault-tolerant control and optimization: Data driven methods | |
JP6751674B2 (ja) | プロセス制御システムを実施する方法 | |
EP3289420B1 (en) | Computer system and method for causality analysis using hybrid first-principles and inferential model | |
JP6163526B2 (ja) | バッチプロセスのオンラインプロセスランの分析を実行する方法 | |
Shang et al. | Concurrent monitoring of operating condition deviations and process dynamics anomalies with slow feature analysis | |
JP5364265B2 (ja) | 連続工業プロセスの運転における異常事象検出のための装置および方法 | |
JP2019083056A (ja) | コンピュータ実施方法、処理モデル展開システム、処理監視システム | |
US7734451B2 (en) | System, method, and computer program for early event detection | |
Miletic et al. | An industrial perspective on implementing on-line applications of multivariate statistics | |
US9581980B2 (en) | Method and system for updating a model in a model predictive controller | |
JP2015011722A (ja) | プロセス制御システムにおける非侵入的データ分析 | |
Haber et al. | Intelligent process supervision for predicting tool wear in machining processes | |
US20070250214A1 (en) | Method and apparatus for fuzzy logic control enhancing advanced process control performance | |
Zhang et al. | Fault detection and diagnosis strategy based on a weighted and combined index in the residual subspace associated with PCA | |
Botelho et al. | Perspectives and challenges in performance assessment of model predictive control | |
Zhang et al. | A novel plant-wide process monitoring framework based on distributed Gap-SVDD with adaptive radius | |
JP2011253275A (ja) | プラントシミュレータ | |
US20220179402A1 (en) | Method and device for analyzing a sequential process | |
Serpas et al. | Fault detection approach for systems involving soft sensors | |
Lu et al. | Support vector machine approach for model-plant mismatch detection | |
Li et al. | Model deficiency diagnosis and improvement via model residual assessment in model predictive control | |
US10394255B2 (en) | Diagnostic device and method for monitoring frictional behavior in a control loop | |
Jiang et al. | Multivariate statistical process monitoring using modified factor analysis and its application |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20110607 |