JP2018195308A - プロセス及び製造業における業績評価指標のデータに基づく最適化のための方法及びシステム - Google Patents

Abstract

【課題】産業の主要業績評価指標を最適化するため、１つ以上の産業処理ユニットからの複数のデータを分析するためのシステム及び方法を提供する。【解決手段】システムは、産業処理ユニットからデータを収集して合併し、外れ値及び欠測を除去するためにデータを事前処理するためのモジュールから成る。更に、システムは、データからカスタム化された出力を生成して、所与のプロセス業績評価指標に影響を及ぼす重要な変数を識別する。また、システムは、重要な特徴を含む主要業績評価指標に関する予測モデルを構築し、最小のユーザ介入によって主要業績評価指標を最適化するための動作点を決定する。特に、システムは、最適化される主要業績評価指標についてユーザから入力を受信して、ユーザが効果的に分析を管理し且つ適切な動作決定を行うのに役立つ分析における様々なステップからの出力をユーザに通知する。【選択図】図１２（ａ）

Description

本明細書の実施形態は、一般に、データ分析の分野に、特に、プロセス及び製造業の主要業績評価指標を最適化するためのシステム及び方法に関する。
［優先権の主張］
本特許出願は、２０１７年５月１５日に出願されたインド出願第２０１７２１００９０１２号への優先権を主張する。上記出願の全内容は、参照によって本明細書に組み込まれる。

生産性、製品品質、エネルギ消費、アップタイム割合、排出レベル等の指標は、製造業及びプロセスプラントの業績を監視するために使用される。今日の産業は、原材料の品質及び周囲温度、湿度等の他の影響パラメータの様々な変化に対処しながら、野心的な生産目標を達成し、エネルギ消費を最小化し、排出基準を満たし、且つ生産をカスタマイズするという課題に直面している。産業は、影響又は作用を与えることが知られている僅かなパラメータを変調することにより、業績評価指標を継続的に改善しようと努力している。これはプロセスが限られた数の変数に関与する場合には容易である。しかしながら、殆どの産業プロセスは、直列及び／又は並列の多くのユニットから成り、数千の変数又はパラメータに関与している。このような状況における主要業績評価指標（ＫＰＩ）及び（それらの）最適化レベルに影響を及ぼす変数の識別は容易ではなく、それを行うには多くの時間及び専門知識を必要とする。統計技術、機械学習及びデータマイニング等のデータ分析法は、こうした複雑な最適化の問題を解決する可能性を有しており、産業データを分析して、より新しい運用のレジームを発見するために使用することができる。

ＫＰＩに影響を与える関連変数の識別は、プロセスデータ分析に関連付けられる課題である。これは産業プロセスにおける多数の変数及びこれらの間の複雑な非線形相互作用によるものである。幾つかの変数（又は特徴）選択技術が有るが、どの変数選択技術も、特に、複雑な産業プロセスにおいて、全ての関連変数を識別することはできない。従って、最も重要な変数を選択することができる優れた変数選択技術が必要とされている。

更に、製造及びプロセス産業へのデータ分析の応用を記述している全ての方法において、その焦点はＫＰＩ、関心の他の変数、及び予想モデルによる結果の視覚化、及び／又はエンドユーザにプロセス推奨を提供することに限られている。意思決定においてエンドユーザに非常に役立つ、望ましい及び望ましくないＫＰＩの範囲、異なるスループットレベルにおけるＫＰＩの範囲等に対応する変数の範囲等の幾つかの他の出力は、既存の方法の何れにおいても備わっていない。

実施形態の基本的な理解を提供するために、以下においては本開示の一部の実施形態の簡略化された概要が提示されている。この概要は実施形態の詳細な概説ではない。実施形態の主要／重要な要素を識別すること又は実施形態の範囲を画定することは意図されていない。その唯一の目的は、以下に提示されるより詳細な説明の前置きとして簡略化した形態で一部の実施形態を提示することである。

上記に鑑みて、本明細書における実施形態は、産業の主要業績評価指標を最適化するための１つ以上の産業処理ユニットからの複数のデータを分析するためのシステム及び方法を提供する。

１つの態様では、以下は、産業の主要業績評価指標を最適化するための１つ以上の産業処理ユニットからの複数のデータを分析するためのシステムを提示する。システムは、命令を有するメモリ、メモリと通信可能に結合される少なくとも１つのプロセッサ、複数のインターフェース及び複数のモジュールを備える。受信モジュールは、１つ以上の産業処理ユニットの複数のデータを受信するように構成され、複数のデータは原材料の特性、中間産物、副産物及び最終製品の特性、プロセスパラメータ及びプロセス設備の状態を含む。ユニットレベル融合モジュールは、１つ以上の産業処理ユニットの各々のユニットワイズデータセットを取得するために受信した複数のデータを合併するように構成され、各処理ユニットのユニットワイズデータセットは所望のサンプリング周波数を含む。検証モジュールは、１つ以上の産業処理ユニットの合併されたユニットワイズデータセットを検証するように構成され、処理ユニットの全ての変数の不合理な値の存在、可用性割合、標準偏差及び四分位範囲が計算される。データ事前処理モジュール１は、１つ以上の産業処理ユニットの各々の事前処理されたデータセットを取得するために検証された複数のデータを事前処理するように構成され、事前処理は外れ値の除去、欠測値の補完及びクラスタリングのステップを含む反復プロセスである。エンタープライズレベル融合モジュールは、エンタープライズレベルデータセットを取得するために１つ以上の産業処理ユニットの各々の事前処理データを１つ以上の物理ベースモデルのシミュレートされた変数の１つ以上の値及びユーザからの１つ以上の領域入力と統合するように構成され、ユニットワイズデータセットは、様々なユニットにおける滞留時間のための時間差、１つ以上の産業処理ユニット間の搬送時間、及び処理ユニットの１つ以上のセンサの応答時間を考慮して合併及び同期される。レジーム識別モジュールは、エンタープライズレベルデータセットに対して１つ以上のクラスタリング技術を使用して１つ以上の動作レジームを識別するように構成され、１つ以上のクラスタリング技術は、距離ベースクラスタリング、密度ベースクラスタリング及び階層的クラスタリングを含む。基本統計モジュールは、エンタープライズレベルデータセットのＫＰＩに対応する１つ以上の変数の範囲を決定するように構成される。範囲決定は、既定の基本統計及び１つ以上の動作レジームに基づき、決定された１つ以上の変数の範囲は、分析が実行されている期間中にＫＰＩの１つ以上のプロットを生成するために使用されている。特徴選択モジュールは、エンタープライズレベルデータセットの１つ以上の選択された特徴の上位集合を取得するためにエンタープライズレベルデータセットの１つ以上の特徴を選択するように構成され、特徴選択は、エンタープライズレベルデータセットだけでなく全てのレジームワイズデータセットに対して行われる。モデル構築モジュールは、ＫＰＩごとに１つ以上の予測モデルを展開するように構成され、１つ以上の予測モデルは、エンタープライズレベルデータセットとエンタープライズレベルデータセットの１つ以上の選択された特徴の上位集合とを使用して展開される。最適化モジュールは、１つ以上の最適化技術を使用して１つ以上のＫＰＩについての１つ以上の予測モデル及び制約に基づいて少なくとも１つのＫＰＩを最適化するように構成され、１つ以上の最適化技術は、勾配探索、線形プログラミング、ゴールプログラミング、焼きなまし法及び進化アルゴリズムを含む。

別の態様では、以下は、産業の主要業績評価指標を最適化するための１つ以上の産業処理ユニットからの複数のデータを分析するための方法を提示する。方法は、１つ以上の産業処理ユニットの複数のデータを受信するステップであって、複数のデータは原材料の特性、中間産物、副産物及び最終製品の特性、プロセスパラメータ及びプロセス設備の状態を含むステップと、１つ以上の産業処理ユニットの各々のユニットワイズデータセットを取得するために受信した複数のデータを合併するステップと、１つ以上の産業処理ユニットの合併されたユニットワイズデータセットを検証するステップであって、処理ユニットの全ての変数の不合理な値の存在、可用性割合、標準偏差及び四分位範囲が計算されるステップと、１つ以上の産業処理ユニットの各々の事前処理されたデータセットを取得するために検証された複数のデータを事前処理するステップであって、事前処理は外れ値の除去、欠測値の補完及びクラスタリングのステップを含む反復プロセスであるステップと、エンタープライズレベルデータセットを取得するために１つ以上の産業処理ユニットの各々の事前処理されたデータセットを１つ以上の物理ベースモデルのシミュレートされた変数の１つ以上の値及びユーザからの１つ以上の領域入力と統合するステップであって、ユニットワイズデータセットは、複数のユニットにおける滞留時間のための時間差、１つ以上の産業処理ユニットからの材料の搬送時間、及び処理ユニットの１つ以上のセンサの応答時間を考慮して合併及び同期されるステップと、エンタープライズレベルデータセットに対して１つ以上のクラスタリング技術を使用して１つ以上の動作レジームを識別するステップであって、１つ以上のクラスタリング技術は、距離ベースクラスタリング、密度ベースクラスタリング及び階層的クラスタリングを含むステップと、既定の基本統計及び１つ以上の動作レジームに基づいて、エンタープライズレベルデータセットのＫＰＩに対応する１つ以上の変数の範囲を決定するステップであって、決定された１つ以上の変数の範囲は、分析が実行されている期間中にＫＰＩの１つ以上のプロットを生成するために使用されているステップと、エンタープライズレベルデータセットの１つ以上の選択された特徴の上位集合を取得するためにエンタープライズレベルデータセットの１つ以上の特徴を選択するステップであって、特徴選択は、エンタープライズレベルデータセットだけでなく全てのレジームワイズデータセットに対して行われるステップと、ＫＰＩごとに１つ以上の予測モデルを展開するステップであって、１つ以上の予測モデルは、エンタープライズレベルデータセットとエンタープライズレベルデータセットの１つ以上の選択された特徴の上位集合とを使用するステップと、１つ以上の最適化技術を使用して１つ以上のＫＰＩについての１つ以上の予測モデル及び制約に基づいて少なくとも１つのＫＰＩを最適化するステップであって、１つ以上の最適化技術は、勾配探索、線形プログラミング、ゴールプログラミング、焼きなまし法及び進化アルゴリズムを含むステップとを含む。

更に別の態様では、本明細書の実施形態は、１つ以上のハードウェアプロセッサによって実行されると、アクションを実行する１つ以上の命令を含む１つ以上の非一時的な機械可読情報記憶媒体を提供し、アクションは、１つ以上の産業処理ユニットの複数のデータを受信することであって、複数のデータは原材料の特性、中間産物、副産物及び最終製品の特性、プロセスパラメータ及びプロセス設備の状態を含むこと、１つ以上の産業処理ユニットの各々のユニットワイズデータセットを取得するために受信した複数のデータを合併すること、１つ以上の産業処理ユニットの合併されたユニットワイズデータセットを検証することであって、処理ユニットの全ての変数の不合理な値の存在、可用性割合、標準偏差及び四分位範囲が計算されること、１つ以上の産業処理ユニットの各々の事前処理されたデータセットを取得するために検証された複数のデータを事前処理することであって、事前処理は外れ値の除去、欠測値の補完及びクラスタリングのステップを含む反復プロセスであること、エンタープライズレベルデータセットを取得するために１つ以上の産業処理ユニットの各々の事前処理されたデータセットを１つ以上の物理ベースモデルのシミュレートされた変数の１つ以上の値及びユーザからの１つ以上の領域入力と統合することであって、ユニットワイズデータセットは、複数のユニットにおける滞留時間のための時間差、１つ以上の産業処理ユニットからの材料の搬送時間、及び処理ユニットの１つ以上のセンサの応答時間を考慮して合併及び同期されること、エンタープライズレベルデータセットに対して１つ以上のクラスタリング技術を使用して１つ以上の動作レジームを識別することであって、１つ以上のクラスタリング技術は、距離ベースクラスタリング、密度ベースクラスタリング及び階層的クラスタリングを含むこと、既定の基本統計及び１つ以上の動作レジームに基づいて、エンタープライズレベルデータセットのＫＰＩに対応する１つ以上の変数の範囲を決定することであって、決定された１つ以上の変数の範囲は、分析が実行されている期間中にＫＰＩの１つ以上のプロットを生成するために使用されていること、エンタープライズレベルデータセットの１つ以上の選択された特徴の上位集合を取得するためにエンタープライズレベルデータセットの１つ以上の特徴を選択することであって、特徴選択は、エンタープライズレベルデータセットだけでなく全てのレジームワイズデータセットに対して行われること、ＫＰＩごとに１つ以上の予測モデルを展開することであって、１つ以上の予測モデルは、エンタープライズレベルデータセットとエンタープライズレベルデータセットの１つ以上の選択された特徴の上位集合とを使用すること、１つ以上の最適化技術を使用して１つ以上のＫＰＩについての１つ以上の予測モデル及び制約に基づいて少なくとも１つのＫＰＩを最適化することであって、１つ以上の最適化技術は、勾配探索、線形プログラミング、ゴールプログラミング、焼きなまし法及び進化アルゴリズムを含むことを含む。

当業者には、本明細書における任意のブロック図が本願の主題の原理を具現化する例示的なシステムの概念図を表すことが理解されるべきである。同様に、任意のフローチャート、フロー図、状態遷移図、擬似コード等が、コンピュータ可読媒体において実質的に表されており、コンピュータデバイス又はプロセッサが明示されているかに関わらず、このようなコンピュータデバイス又はプロセッサによって実行され得る様々な処理を表すことが理解されるべきである。

本明細書の実施形態は、以下の詳細な説明から図面を参照して良好に理解されるであろう。
本開示の実施形態による産業の主要業績評価指標を最適化するための１つ以上の産業処理ユニットからの複数のデータを分析するためのシステムを示す。 本開示の一実施形態による製造又はプロセスプラントの概略図である。 本開示の一実施形態によるＫＰＩの最適化のための方法におけるステップの概略図である。 本開示の一実施形態による外れ値及び補完技術を使用するデータ事前処理を描くフローチャートである。 本開示の一実施形態による外れ値及び補完技術を使用するデータ事前処理を描くフローチャートである。 本開示の一実施形態によるデータ事前処理ステップからの入力及び出力の概略図である。 本開示の一実施形態によるエンタープライズレベル統合からの入力及び出力の概略図である。 本開示の一実施形態による基本統計及びレジーム識別からの入力及び出力の概略図である。 本開示の一実施形態による特徴選択のフローチャートである。 本開示の一実施形態によるモデル構築及び識別のフローチャートである。 本開示の一実施形態によるモデル構築及び識別のフローチャートである。 本開示の一実施形態によるモデル構築及び識別からの入力及び出力の概略図である。 本開示の一実施形態による最適化からの入力及び出力の概略図である。 本開示の一実施形態による産業の主要業績評価指標を最適化するための１つ以上の産業処理ユニットからの複数のデータを分析するための方法を示す。 本開示の一実施形態による産業の主要業績評価指標を最適化するための１つ以上の産業処理ユニットからの複数のデータを分析するための方法を示す。

本明細書の実施形態及び様々な特徴及びその有利な詳細が、添付の図面に例示され且つ以下の記載で詳述される非限定的な実施形態を参照してより完全に説明される。本明細書で用いられる例示は、本明細書の実施形態が実施され得るやり方の理解を容易にし且つ当業者が本明細書の実施形態を更に実施できるようにすることのみを意図している。従って、例示は、本明細書の実施形態の範囲を限定するものと解釈されるべきではない。

図１を参照すると、システム１００は産業の主要業績評価指標を最適化するための１つ以上の産業処理ユニットからの複数のデータを分析するためのものである。システム１００は、プロセッサ１０２と、プロセッサ１０２と通信可能に結合されるメモリ１０４と、複数のインターフェース１０６と、受信モジュール１０８と、ユニットレベル融合モジュール１１０と、検証モジュール１１２と、データ事前処理モジュール１１４と、エンタープライズレベル融合モジュール１１６と、レジーム識別モジュール１１８と、基本統計モジュール１２０と、特徴選択モジュール１２２と、モデル構築モジュール１２４と、最適化モジュール１２６と、データ管理サーバ１２８とを備える。

好ましい実施形態では、メモリ１０４は、プロセッサ１０２によって読み取り可能な命令を含む。複数のインターフェース１０６は、グラフィカルユーザインターフェース、サーバインターフェース、物理ベースモデルインターフェース及びソルバインターフェースを備える。グラフィカルユーザインターフェースは、ユーザから関心のＫＰＩ及び分析の期間等の入力を受信して、これらを複数のモジュールに転送するために使用される。サーバインターフェースは、複数のモジュールから受信したデータに対する要求をデータ管理サーバ１２８に、そしてデータ管理サーバ１２８から受信したデータを複数のモジュールに転送する。物理ベースモデルインターフェースは、若し有れば、産業プロセスに対して利用可能な、物理ベースモデルへのエンタープライズレベル融合の後で複数のモジュールの１つから受信した統合データセットを送信し、物理ベースモデルからシミュレートされた変数の値を受信し、これらを複数のモジュールの１つに転送する。

好ましい実施形態では、受信モジュール１０８は、１つ以上の産業処理ユニットの複数のデータを受信するように構成され、複数のデータは原材料の特性、中間産物、副産物及び最終製品の特性、プロセスパラメータ及びプロセス設備の状態を含む。

図２及び３を参照すると、仮想的な産業エンタープライズの概略図の例示として、殆どの製造及びプロセスエンタープライズは、直列又は並列の複数のユニットから成る。エンタープライズは、２つの製品、即ち、Ａ＆Ｂを製造する８つのプロセスユニットから成る。製品Ａを製造するために、材料のフローは以下の動作シーケンスを通過する。（ユニット＃１、ユニット＃２、ユニット＃３）→ユニット＃４→ユニット＃５→ユニット＃６。同様に、製品Ｂを製造するために、材料のフローは、以下の動作シーケンスを通過する。（ユニット＃１、ユニット＃２、ユニット＃３）→ユニット＃４→ユニット＃７→ユニット＃８。製品Ａの製造に関連するＫＰＩを最適化するために、例えば、製品Ａの品質又は製造される製品Ａのユニット質量ごとに消費されるエネルギについて、動作シーケンスに関与する全てのユニットからのデータが考慮される。同様に、製品Ｂに関連するＫＰＩを最適化するために、動作シーケンスに関与する全てのユニットからのデータが考慮されるべきである。ユニットレベルデータの代わりにエンタープライズレベルデータの分析は、エンタープライズの動作についての優れた洞察をもたらし得る。図３は、Ｎ個のプロセスユニットの各プロセスユニットについて、エンタープライズリソースプラニング（ＥＲＰ）、分散制御システム（ＤＣＳ）及び実験室情報管理システム（ＬＩＭＳ）等の様々なソースからデータが収集される。

好ましい実施形態では、ユニットレベル融合モジュール１１０は、１つ以上の産業処理ユニットの各々のユニットワイズデータセットを取得するために受信した複数のデータを合併するように構成され、各処理ユニットのユニットワイズデータセットは所望のサンプリング周波数を含む。統合のプロセスにおいて、サンプリング周波数に対応する特定の観測ＩＤにより、例えば、日次データの場合に日付、毎時データの場合に時間等であるが、全てのファイル又はデータセットからの１つ以上の変数が統合される。サンプリング周波数が様々なファイル／データセットを横断して一貫していない場合、変数の値は可能な限り平均化される。平均化が可能でなければ、同じデータが横断的に使用され、例えば、毎時分析が行われて、日次データのみが利用可能な場合、日次データ値はその特定の日の全時間に対して使用される。プロセスの最後に、観測ＩＤに対応する行及びプロセスユニットにおける全ての変数に対応する列を有するユニットワイズデータセットが取得される。

好ましい実施形態では、検証モジュール１１２は、１つ以上の産業処理ユニットの合併されたユニットワイズデータセットを検証するように構成され、処理ユニットの全ての変数の不合理な値の存在、可用性割合、標準偏差及び四分位範囲が計算される。データ品質検証は、プロセスユニットごとに取得されるユニットワイズデータセットに対して行われる。変数の可用性の割合及びパターンを描く欠測マップもプロセスユニットごとに生成される。データ品質メトリック及び欠測マップは、ユーザインターフェースを介するユーザへの出力として送信される。データの可用性によって、ユーザは、残りの分析を進めるかどうかを決断することができる。また、ユーザは、残りのステップを実行する前に可用性が非常に低い変数の一部の削除を示唆することもできる。

図４（ａ）、４（ｂ）及び５を参照すると、データ事前処理モジュール１１４は、１つ以上の産業処理ユニットの各々の事前処理されたデータセットを取得するために検証された複数のデータを事前処理するように構成されており、事前処理は外れ値の除去、欠測値の補完及びクラスタリングのステップを含む反復プロセスである。少なくとも７０パーセントの可用性割合を有する変数が事前処理のために考慮されるが、実験室分析は一般的に周期的間隔でのみ行われ、こうした種類の変数における欠測はサンプル数が少ないことが原因であることがあるので、この条件は原材料、中間製品及び最終製品特性等の材料変数に対して緩和される。

所望の可用性よりも少ない可用性を有し且つ欠測が特定のパターンに従わない材料変数はデータセットから破棄される。一変量外れ値分析は、計器故障／誤動作のために生じる一貫性の無い値を含むデータセットにおける外れ値を検出して除去するために最初に行われる。ユニットの生産がゼロである場合、その期間におけるユニットに対する全ての変数が無視される。次に、変数は、変数の可用性割合に基づいて様々なサブセットに分類される。多変量補完がプロセスパラメータ及び季節外材料特性変数に対して使用される一方で、季節品質変数に対しては時系列補完が使用される。全ての変数における欠測が適切に補完された後で、クラスタリングが、若し有れば、データに存在するクラスタを識別するためにユニットワイズデータセットに対して行われる。こうしたクラスタは、異なる運用のレジームを表している。次に、各ユニットワイズデータセットは、識別されたクラスタに基づいて異なるデータセットに分割される。分割されたデータセットは、図４（ａ）及び４（ｂ）に示された外れ値除去及び補完のステップを介して取られる。

好ましい実施形態では、外れ値除去、補完及びクラスタリングの反復プロセスは、クラスタの数及び各クラスタにおけるデータ点の数が変化しない場合に停止される。ユニットワイズ事前処理データセットは、このステップの最後に取得される。各変数に対して、除去された外れ値の数／割合、補完に使用される技術、及び事前処理前後の平均、中央値及び標準偏差が出力としてユーザに提示される。破棄された変数のリストもユーザに提示される。また、ユーザには、元の及び事前処理された変数の傾向を視覚化するオプションも提供される。

好ましい実施形態では、図６を参照すると、エンタープライズレベル融合モジュール１１６は、エンタープライズレベルデータセットを取得するために１つ以上の産業処理ユニットの各々の事前処理データを１つ以上の物理ベースモデルのシミュレートされた変数の１つ以上の値及びユーザからの１つ以上の領域入力と統合するように構成され、ユニットワイズデータセットは、様々なユニットにおける滞留時間のための時間差、１つ以上の産業処理ユニット間の搬送時間、及び処理ユニットの１つ以上のセンサの応答時間を考慮して合併及び同期される。２つのプロセスユニット間の搬送時間がデータのサンプリング周波数よりも大きい場合、プロセスユニットの１つに対する観測ＩＤは、統合前に適切な数の時間単位だけシフトされる。例えば、サンプリング周波数が日次的であり、材料がプロセスユニットＡからプロセスユニットＢに移動するのに２日かかる場合、プロセスＡのデータセットにおける全ての観測ＩＤは、両方のプロセスからのデータセットを合併する前に２日だけシフトされる。

好ましい実施形態では、任意の特定のプロセスユニットが、全てのプロセスユニットからのデータを合併するための基準として取られ得る。典型的に、関心のＫＰＩが計算されるプロセスユニットは、データ統合のための基準ユニットになるように取られる。同じ中間製品が２つ以上の異なるプロセスユニットから出て来ている場合、全てのこのようなプロセスユニットからの動作変数が分析のために考慮される。しかしながら、中間製品が生成される全てのプロセスユニットからの材料特性（サイズ分析、化学分析等）を使用する代わりに、加重平均特性が使用される。重みは、プロセスユニットの各々から生成される中間製品の量又は後続のプロセスユニットにおいて消費される中間製品の量であり得る。

エンタープライズレベルデータが作成されると、それは、シミュレートされた変数の計算のための物理ベースモデルインターフェースを介して、若し有れば、産業プロセスのために利用可能な物理ベースモデルに転送される。これらは、ＫＰＩに対して影響を有し得るが、プロセスにおいて直接的に測定され得ないパラメータである。シミュレートされた変数の例は、加熱炉の高温度帯（＞１５００℃）における温度、反応炉における中間製品の濃度等である。シミュレートされたパラメータは、エンタープライズレベル融合モジュールに送り戻されて、更なる分析のための統合データセットを取得するためにエンタープライズレベルデータセットに追加される。エンタープライズレベル統合からの出力は、全ての変数の範囲、平均、中央値及び標準偏差、及びシミュレートされた及び推定されたパラメータのリストを含む。

好ましい実施形態では、レジーム識別モジュール１１８は、エンタープライズレベルデータセットに対して１つ以上のクラスタリング技術を使用して１つ以上の動作レジームを識別するように構成される。ここで、１つ以上のクラスタリング技術は、距離ベースクラスタリング、密度ベースクラスタリング及び階層的クラスタリングを含む。

好ましい実施形態では、基本統計モジュール１２０は、既定の基本統計及び１つ以上の動作レジームに基づいて、エンタープライズレベルデータセットのＫＰＩの１つ以上の変数の範囲を決定するように構成される。ここで、１つ以上の変数の範囲は、分析が実行されている期間中にＫＰＩの１つ以上のプロットを生成するために使用されている。ＫＰＩが所望の及び望ましくない範囲に有る時間の割合等の基本統計、ＫＰＩの所望の及び望ましくない範囲に対応する変数の範囲、異なるスループットレベルにおけるＫＰＩの範囲、及び統合データセットにおけるＫＰＩと他の変数との間の相関係数が計算され、ユーザに通知される。ユーザは、分析が行われている期間中の統合データセットにおける全ての変数及びＫＰＩのボックスプロット及び傾向プロットを生成するためのオプションを与えられる。また、ユーザは、ＫＰＩと関心の変数との間の散布プロットを生成することもできる。統合データセットにおける全ての変数は、最小及び最大値の間の複数の間隔にビニングされる。各変数の各ビニングに対応するＫＰＩの値は分離され、これらの平均が計算される。全ての変数のビニング／間隔に対応するＫＰＩの平均値は、ヒートマップの形態で描かれて、ユーザに通知される。

好ましい実施形態では、特徴選択モジュール１２２は、エンタープライズレベルデータセットの１つ以上の選択された特徴の上位集合を取得するためにエンタープライズレベルデータセットの１つ以上の特徴を選択するように構成される。ここで、特徴選択は、エンタープライズレベルデータセットだけでなく全てのレジームワイズデータセットに対して行われる。統合データセットは、レジーム識別ステップ中に識別されたレジームの数に依存して２つ以上のデータセットに分割される。

図８に示された２ステージ特徴選択アプローチが重要な特徴の選択に使用されることが理解されるであろう。第１ステージでは、様々な特徴選択法から重要な特徴が取得される。このステージは、特徴選択アルゴリズムにおいて利用可能なパラメータの調整及び重要な特徴を取得するためのｋ−分割交差検証に関与する。特徴選択法は、ランダムフォレスト、多変量適応回帰スプライン、監視主成分分析、段階的回帰及びサポートベクトル回帰等のモデルベース法、又は相関マイニング及び時系列クラスタリング等の非モデルベース法であり得る。第２ステージでは、個別特徴選択技術から取得される重要な特徴のリストは、重要な特徴の単一の「上位集合」を取得するために結合される。これは、幾何平均スコアリング法を使用する全ての技術によって識別される上位２５の特徴をスコアリングすることによって取得される。特徴‘ｉ’に対するスコアは以下のように計算される。

ｎ_ｉは、ｉ番目の特徴を選択した方法の数又は周波数であり、
Ｒ_ｉ，ｋは、ｋ番目の方法における特徴ｉのランクである。

レジームワイズデータセット及び統合データセットのためのＫＰＩに関する重要性スコアと共に重要な特徴の上位集合がユーザに通知される。ユーザは、追加の特徴を追加し又は上位集合から既存の特徴を削除するオプションを与えられる。データセットごとに、平行座標プロットもユーザに表示される。

図９（ａ）及び９（ｂ）を参照すると、システム１００のモデル構築モジュール１２４は、訓練データセットに対するＫＰＩごとに１つ以上の予測モデルを展開するように構成される。ここで、１つ以上の予測モデルは、エンタープライズレベルデータセットと、エンタープライズレベルデータセットの１つ以上の選択された特徴の上位集合とを使用する。３ステップモデル構築アプローチが使用されることが理解されるであろう。第１のステップは、基本モデル構築アルゴリズムを使用して予測モデルを構築することに関与する。１つ以上の予測モデルは、段階的回帰、主成分回帰、多変量適応回帰スプライン、独立成分回帰、投げ縄回帰、クリギング、ランダムフォレスト、部分最小二乗法、勾配ブースト木、一般化線形モデリング、線形及び非線形サポートベクトルマシン及び人工ニューラルネットワークを含む。第２のステップは、モデルの予測業績を最適化するためにモデル構築パラメータを調整することに関与する。モデルの予測業績は、データセットを使用して評価され、図１０に示されるように、予測の二乗平均平方根誤差（ＲＭＳＥ）、予測の平均絶対誤差（ＭＡＥ）、赤池情報量基準（ＡＩＣ）、訂正赤池情報量基準（ＡＩＣｃ）及びベイズ情報量基準（ＢＩＣ）及びヒット率（所与の予測精度を有するポイントの％）に関して表される。予測モデルの何れもＲＭＳＥ及び／又はＭＡＥに適合しない場合、ユーザは、追加の変数又は変換された変数が重要な変数の上位集合に追加される特徴選択に戻るオプションを与えられ、モデル構築ステップを反復することが理解されるであろう。

第３のステップは、統合データセット及びレジームワイズデータセットに対して、ユーザが指定した値よりも低い二乗平均平方根誤差及び平均絶対誤差の値を有する上位３つの予測モデルが選択されるモデル識別及び選択に関与する。ロバスト性スコア（ＲＳ）が上位３つのモデルに関して評価され、モデル識別のために使用される。モデルに含まれている全ての変数の値を含む少なくとも一万データ点がランダムに生成されて、ＫＰＩを予測するために使用される。次に、以下を使用してモデルごとのロバスト性が決定される。

９５％より大きな最高ロバスト性スコアを有する予測モデルが感度分析及び最適化のために使用される。分散ベース感受性分析が、モデルにおける変数のユニット変化に対するＫＰＩの感受性を評価するために行われる。モデルにおける変数の各々に対する感受性スコアが取得され、より高いスコアは変数の値のユニット変化を有するＫＰＩの値のより高い変化を示す。３つの予測モデルの全てに関するロバスト性スコアが９５％よりも低い場合、ユーザは、重要な特徴の上位集合を修正して、モデル構築ステップを反復し得ることが理解されるであろう。

新しい／将来のデータが予測のために使用されるとモデルの予測業績は時間と共に減少する可能性が有り、予測モデルの精度を改善するために「自己学習」オプションが提供されることが理解されるであろう。自己学習のために、モデルを発展させるために使用された元のデータ及びより新しい期間に関するデータが結合され、モデル構築ステップは結合されたデータセットに対して反復される。自己学習は、自動的に周期的に（例えば、毎週又は毎月）又はモデル若しくはより新しいデータセットに関連する統計的尺度に基づいてユーザによって引き起こされ得る。モデルに関連する統計的尺度は、二乗平均平方根誤差、平均絶対誤差、赤池情報量基準、訂正赤池情報量基準及びベイズ情報量基準又はヒット率等のモデル業績メトリックであってもよいが、より新しいデータセットに関連する統計的尺度は、元のデータからより新しいデータの平均割合偏差又は元のデータセットとより新しいデータセットとの間の多変量距離であり得る。

好ましい実施形態では、最適化モジュールは、１つ以上の最適化技術を使用して１つ以上のＫＰＩについての１つ以上の予測モデル及び制約に基づいて少なくとも１つのＫＰＩを最適化するように構成される。ここで、１つ以上の最適化技術は、勾配探索、線形プログラミング、焼きなまし法及び進化アルゴリズムを含む。

図１１を参照すると、最適化の概略図であり、予測モデルで使用された変数についての制約により最適化されるＫＰＩがユーザからの入力として取られ、ＫＰＩの最適レベルをもたらす変数の値が決定される。ＫＰＩの任意の１つが最適化される必要が有る場合、問題はＫＰＩを最小化又は最大化することであり、解は最小／最大ＫＰＩに導く変数の値から成る。２つ以上のＫＰＩが同時に最適化される必要が有る場合、問題は費用関数を最小化することであり（例えば、費用関数＝０．６ＫＰＩ_１＋０．４ＫＰＩ_２−１．２ＫＰＩ_３）、解はプロセスに対する一組のパレート最適動作点から成る。複数ＫＰＩ最適化のための費用関数は、ユーザによって各ＫＰＩに割り当てられる重みを使用して構築される。勾配探索、ゴールプログラミング、線形プログラミング、焼きなまし法及び遺伝的アルゴリズムのような進化アルゴリズム等の複数の最適化技術が使用される。最適化問題は、ソルバインターフェースを介してルールベース、ファジー論理ベース、及び勾配ベースソルバ等の単一又は多目的最適化アルゴリズムのための最適化ソルバに転送される。ソルバから受信した解は処理されてユーザに通知される。最適化ステップからのユーザ出力は、最適ＫＰＩ及びＫＰＩの最適値、一組のパレート最適動作点及びこうした点におけるＫＰＩの値、及びパレート最適動作点のプロットをもたらす変数の値を含む。

図１２（ａ）及び１２（ｂ）を参照すると、方法４００は、産業の主要業績評価指標（ＫＰＩ）を最適化するための１つ以上の産業処理ユニットからの複数のデータを分析する。

ステップ４０２において、受信モジュールは、１つ以上の産業処理ユニットの複数のデータを受信し、複数のデータは原材料の特性、中間産物、副産物及び最終製品の特性、プロセスパラメータ、環境、市場需要、原材料の可用性及びプロセス設備の状態を含む。

ステップ４０４において、ユニットレベル融合モジュールは、１つ以上の産業処理ユニットの各々のユニットワイズデータセットを取得するために受信した複数のデータを合併し、各処理ユニットのユニットワイズデータセットは所望のサンプリング周波数を含む。

検証モジュールは、１つ以上の産業処理ユニットの合併されたユニットワイズデータセットを検証し、処理ユニットの全ての変数の不合理な値の存在、可用性割合、標準偏差及び四分位範囲が計算される。

ステップ４０８では、データ事前処理モジュールは、１つ以上の産業処理ユニットの各々の事前処理されたデータセットを取得するために検証された複数のデータを事前処理し、事前処理は外れ値の除去、欠測値の補完及びクラスタリングのステップを含む反復プロセスである。データ事前処理モジュールからユーザへの出力は、破棄された変数のリスト、全ての変数に対して除去された外れ値の数及び割合、全ての変数における欠測値を補完するために使用される技術、事前処理の前後の全ての変数の平均、中央値及び標準偏差、及び事前処理の前後の全ての変数の傾向プロットを含む。

ステップ４１０では、エンタープライズレベル融合モジュールは、エンタープライズレベルデータセットを取得するために１つ以上の産業処理ユニットの各々の事前処理データを１つ以上の物理ベースモデルのシミュレートされた変数の１つ以上の値及びユーザからの１つ以上の領域入力と統合し、ユニットワイズデータセットは、様々なユニットにおける滞留時間のための時間差、１つ以上の産業処理ユニット間の搬送時間、及び処理ユニットの１つ以上のセンサの応答時間を考慮して合併及び同期される。エンタープライズレベル融合モジュールからユーザへの出力は、シミュレートされたパラメータのリスト、及び統合されたデータセットにおける全ての変数の範囲、平均、中央値及び標準偏差を含む。

ステップ４１２では、レジーム識別モジュールは、エンタープライズレベルデータセットに対して１つ以上のクラスタリング技術を使用して１つ以上の動作レジームを識別する。ここで、１つ以上のクラスタリング技術は、距離ベースクラスタリング、密度ベースクラスタリング及び階層的クラスタリングを含む。

ステップ４１４では、基本統計モジュールは、既定の基本統計及び１つ以上の動作レジームに基づいて、エンタープライズレベルデータセットのＫＰＩに対応する１つ以上の変数の範囲を決定する。ここで、決定された１つ以上の変数の範囲は、分析が実行されている期間中にＫＰＩの１つ以上のプロットを生成するために使用されている。基本統計モジュールからユーザへの出力は、ＫＰＩが所望の及び望ましくない範囲、ＫＰＩの所望の及び望ましくない範囲に対応する変数の範囲、異なる生産性レベルにおけるＫＰＩの範囲、ＫＰＩと他の変数との間の相関係数、ＫＰＩ及び他の変数の傾向プロット及びボックスプロット、ＫＰＩと関心の変数との間の散布プロット、及びＫＰＩの平均値のヒートマップに有る期間の割合を含む。

ステップ４１６では、特徴選択モジュールは、エンタープライズレベルデータセットの１つ以上の選択された特徴の上位集合を取得するためにエンタープライズレベルデータセットの１つ以上の特徴を選択する。ここで、特徴選択は、エンタープライズレベルデータセットだけでなく全てのレジームワイズデータセットに対して行われる。特徴選択モジュールからユーザへの出力は、特徴の上位集合及びレジームワイズ且つ統合されたデータセットに関する重要性スコア、並びに特徴の平行座標プロットを含む。

ステップ４１８では、モデル構築モジュールは、ＫＰＩごとに１つ以上の予測モデルを展開する。ここで、１つ以上の予測モデルは、エンタープライズレベルデータセットと、エンタープライズレベルデータセットの１つ以上の選択された特徴の上位集合とを使用する。モデル構築及び識別モジュールからユーザへの出力は、全ての予測モデルに対する業績メトリック、ＲＭＳＥ及びＭＡＥに基づいて展開された上位３つの予測モデル、上位３つのモデルに対するロバスト性スコア、ロバストモデルにおける全ての変数に対する感受性スコアを含む。更に、モデル構築ステップ及び識別モジュールからユーザへの出力は、ＫＰＩの実際値及び予測値の傾向プロット、ＫＰＩの実際値対予測値の散布プロット、及びロバストモデルにおける絶対誤差対全ての変数の残差プロットも含む。

最終ステップ４２０では、最適化モジュールは、１つ以上の最適化技術を使用して１つ以上のＫＰＩについての１つ以上の予測モデル及び制約に基づいて少なくとも１つのＫＰＩを最適化する。ここで、１つ以上の最適化技術は、勾配探索、線形プログラミング、焼きなまし法及び進化アルゴリズムを含む。最適化モジュールからユーザへの出力は、最適ＫＰＩ（パレート最適動作点）をもたらす変数の値、ＫＰＩの最適値及びパレート最適動作点のプロットを含む。

明細書は、当業者が実施形態を使用及び作成できるように主題を記載している。主題の実施形態の範囲は請求項によって定義され、当業者が思い付く他の修正を含み得る。このような他の修正は、請求項の文字通りの記載とは異ならない類似の要素を有する場合、又は請求項の文字通りの記載との非実質的な相違を有する均等要素を含む場合、請求項の範囲に含まれることが意図されている。

プロセス及び製造プラントの業績評価指標のデータに基づく最適化を行うためのシステム及び方法。システムは、産業処理ユニットからデータを収集して合併し、外れ値及び欠測を除去するためにデータを事前処理するためのモジュールから成る。更に、システムは、データからカスタム化された出力を生成して、所与のプロセス業績評価指標に影響を及ぼす重要な変数を識別する。また、システムは、重要な特徴を含む主要業績評価指標に関する予測モデルを構築し、最小のユーザ介入によって主要業績評価指標を最適化するための動作点を決定する。特に、システムは、最適化される主要業績評価指標についてユーザから入力を受信して、ユーザが効果的に分析を管理し且つ適切な動作決定を行うのに役立つ分析における様々なステップからの出力をユーザに通知する。

本明細書における本開示の実施形態は、異なるフォーマット及び記録周波数を有する様々なソースから受信した産業データの事前処理に加えて、製造業及びプロセスプラントの業績を監視するための業績評価指標の最適化という未解決の問題に対処するものである。

しかしながら、保護範囲がこのようなプログラムに、及びメッセージを有するコンピュータ可読手段に加えて拡張されることが理解される。このようなコンピュータ可読記憶手段は、プログラムがサーバ又はモバイルデバイス又は任意の適切なプログラム可能デバイスで実行される場合に、方法の１つ以上のステップを実装するためのプログラムコード手段を含む。ハードウェアデバイスは、例えば、サーバ又はパーソナルコンピュータ等、又はこれらの任意の組み合わせ等の任意の種類のコンピュータを含むプログラム可能な任意の種類のデバイスであり得る。また、デバイスは、例えば、ＡＳＩＣ（ａｐｐｌｉｃａｔｉｏｎ−ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）、ＦＰＧＡ（ｆｉｅｌｄ−ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）等のハードウェア手段、又はハードウェアとソフトウェア手段の組み合わせ、例えば、ＡＳＩＣとＦＰＧＡ、又は少なくとも１つのマイクロプロセッサ、及びその中にソフトウェアモジュールが位置する少なくとも１つのメモリ等であり得る。従って、手段は、ハードウェア手段及びソフトウェア手段の両方を含み得る。本明細書に記載の方法の実施形態は、ハードウェア及びソフトウェアで実装され得る。また、デバイスは、ソフトウェア手段を含んでもよい。代替的に、実施形態は、例えば、複数の中央処理ユニット（ＣＰＵ）を使用して、異なるハードウェアデバイスで実装されてもよい。

本明細書の実施形態は、ハードウェア及びソフトウェア要素を含み得る。ソフトウェアで実装される実施形態は、限定されないが、ファームウェア、常駐ソフトウェア、マイクロコード等を含む。本明細書に記載された様々なモジュールにより実行される機能は、他のモジュール又は他のモジュールの組み合わせで実行されてもよい。この記載の目的で、コンピュータ使用可能又はコンピュータ可読媒体は、命令実行システム、装置、又は機器により又はこれらと接続して使用されるプログラムを含む、記憶する、通信する、伝播する、又は搬送することができる任意の装置であり得る。

媒体は、電子、磁気、光学、電磁、赤外線、又は半導体システム（又は装置若しくはデバイス）又は伝搬媒体であり得る。コンピュータ可読媒体の例は、半導体又はソリッドステートメモリ、磁気テープ、リムーバブルコンピュータディスク、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、剛性磁気ディスク及び光学ディスクを含む。光学ディスクの現在の例は、ＣＤ−ＲＯＭ（ｃｏｍｐａｃｔ ｄｉｓｋ−ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）、ＣＤ−Ｒ／Ｗ（ｃｏｍｐａｃｔ ｄｉｓｋ−ｒｅａｄ／ｗｒｉｔｅ）及びＤＶＤ（Ｄｉｇｉｔａｌ Ｖｉｄｅｏ Ｄｉｓｃ）を含む。

プログラムコードを記憶及び／又は実行するための適切なデータ処理システムは、システムバスを介してメモリ要素に直接又は間接的に結合される少なくとも１つのプロセッサを含む。メモリ要素は、プログラムコードの実際の実行中に利用されるローカルメモリ、大容量記憶装置、及び実行中に大容量記憶装置からコードを取得しなければならない回数を減らすために少なくとも一部のプログラムコードを一時的に記憶するキャッシュメモリを含み得る。

入出力（Ｉ／Ｏ）デバイス（限定されないが、キーボード、ディスプレイ、ポインティングデバイス等を含む）が、直接的に又は介在するＩ／Ｏコントローラを介してシステムに結合され得る。また、ネットワークアダプタは、データ処理システムが介在するプライベート又はパブリックネットワークを介して他のデータ処理システム又は遠隔プリンタ又は記憶デバイスに結合されることができるようにシステムに結合されてもよい。モデル、ケーブルモデム及びイーサネット（登録商標）カードは、現在利用可能なタイプのネットワークアダプタのごく一部である。

実施形態を実施するための代表的なハードウェア環境は、本明細書の実施形態に従う情報処理／コンピュータシステムのハードウェア構成を含んでもよい。本明細書のシステムは、少なくとも１つのプロセッサ又は中央処理ユニット（ＣＰＵ）を備える。ＣＰＵは、システムバスを介して、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、及び入出力（Ｉ／Ｏ）アダプタ等の様々なデバイスに相互接続される。Ｉ／Ｏアダプタは、システムによって読み取り可能なディスクユニット及びテープドライブ又は他のプログラム記憶デバイス等の周辺デバイスに接続され得る。システムは、プログラム記憶デバイス上の新規な命令を読み出して、こうした命令に従って本明細書の実施形態の方法を実行することができる。

システムは、ユーザ入力を収集するためにキーボード、マウス、スピーカ、マイクロホン、及び／又はタッチスクリーンデバイス（図示せず）等の他のユーザインターフェースデバイスをバスに接続するユーザインターフェースアダプタを更に含む。更に、通信アダプタは、データ処理ネットワークをバスに接続し、ディスプレイアダプタは、例えば、モニタ、プリンタ又はトランスミッタ等の出力デバイスとして具現化され得るディスプレイデバイスにバスを接続する。

先の記載は、様々な実施形態を参照して提示されている。本願が属する技術分野の当業者であれば、記載された構造及び動作の方法の代替及び変化が原理、精神及び範囲から有意に逸脱することなく行われ得ることを理解するであろう。

Claims (19)

1. プロセスプラントの１つ以上のユニットの主要業績評価指標（ＫＰＩ）を最適化するための１つ以上の産業処理ユニットからの複数のデータを分析するコンピュータ実装方法であって、
   受信モジュール（１０８）において、１つ以上の産業処理ユニットの複数のデータを受信するステップであって、前記複数のデータは原材料の特性、中間産物、副産物及び最終製品の特性、プロセスパラメータ、環境パラメータ、市場需要、原材料の可用性及びプロセス設備の状態を含むステップと、
   ユニットレベル融合モジュール（１１０）において、前記１つ以上の産業処理ユニットの各々のユニットワイズデータセットを取得するために受信した前記複数のデータを合併するステップであって、各処理ユニットの前記ユニットワイズデータセットは所望のサンプリング周波数を含むステップと、
   検証モジュール（１１２）において、前記１つ以上の産業処理ユニットの合併された前記ユニットワイズデータセットを検証するステップであって、前記処理ユニットの全ての変数の不合理な値の存在、可用性割合、標準偏差及び四分位範囲が計算されるステップと、
   データ事前処理モジュール（１１４）において、前記１つ以上の産業処理ユニットの各々の事前処理されたデータセットを取得するために検証された前記複数のデータを事前処理するステップであって、事前処理は外れ値の除去、欠測値の補完及びクラスタリングのステップを含む反復プロセスであるステップと、
   エンタープライズレベル融合モジュール（１１６）において、エンタープライズレベルデータセットを取得するために前記１つ以上の産業処理ユニットの各々の事前処理されたデータセットを１つ以上の物理ベースモデルのシミュレートされた変数の１つ以上の値及びユーザからの１つ以上の領域入力と統合するステップであって、前記ユニットワイズデータセットは、複数のユニットにおける滞留時間のための時間差、１つ以上の産業処理ユニット間の材料の搬送時間、及び前記処理ユニットの１つ以上のセンサの応答時間を考慮して合併及び同期されるステップと、
   レジーム識別モジュール（１１８）において、前記エンタープライズレベルデータセットに対して１つ以上のクラスタリング技術を使用して１つ以上の動作レジームを識別するステップであって、１つ以上のクラスタリング技術は、距離ベースクラスタリング、密度ベースクラスタリング及び階層的クラスタリングを含むステップと、
   基本統計モジュール（１２０）において、既定の基本統計及び前記１つ以上の動作レジームに基づいて、前記エンタープライズレベルデータセットのＫＰＩに対応する１つ以上の変数の範囲を決定するステップであって、決定された前記１つ以上の変数の範囲は、分析が実行されている期間中にＫＰＩの１つ以上のプロットを生成するために使用されているステップと、
   特徴選択モジュール（１２２）において、前記エンタープライズレベルデータセットの１つ以上の選択された特徴の上位集合を取得するために前記エンタープライズレベルデータセットの１つ以上の特徴又は主要変数を選択するステップであって、特徴選択は、前記エンタープライズレベルデータセットだけでなく全てのレジームワイズデータセットに対して行われるステップと、
   モデル構築モジュール（１２４）において、ＫＰＩごとに１つ以上の予測モデルを展開するステップであって、前記１つ以上の予測モデルは、エンタープライズレベルデータセットと前記エンタープライズレベルデータセットの１つ以上の選択された特徴の上位集合とを使用するステップと、
   最適化モジュール（１２６）において、１つ以上の最適化技術を使用して前記１つ以上のＫＰＩについての１つ以上の予測モデル及び制約に基づいて少なくとも１つのＫＰＩを最適化するステップであって、１つ以上の最適化技術は、勾配探索、線形プログラミング、ゴールプログラミング、焼きなまし法及び進化アルゴリズムを含むステップと
   を含む、方法。
2. 前記事前処理は、既定の可用性割合及び既定の欠測パターンを有する変数に対して行われる、請求項１に記載の方法。
3. １つ以上の産業ユニットからの事前処理された前記複数のデータの統合は、既定の基本プロセスユニットに基づく、請求項１に記載の方法。
4. 前記１つ以上のプロットは、ＫＰＩの傾向プロット、ＫＰＩのボックスプロット、散布プロット及びヒートマップを含む、請求項１に記載の方法。
5. 前記特徴選択は、２ステージで実行され、
   第１ステージでは、１つ以上の特徴選択技術から重要な特徴が取得され、且つ
   第２ステージでは、前記第１ステージから取得された特徴が、幾何平均スコアリング法を使用してランク付けされ、１つ以上の特徴の単一の上位集合を取得するために結合される、請求項１に記載の方法。
6. 第１ステージで選択された前記１つ以上の特徴の中のより低いスコアの特徴は、ＫＰＩに関してより高い関連性を有する、請求項５に記載の方法。
7. 前記第１ステージの１つ以上の特徴選択技術は、モデルベース法及び非モデルベース法を含む、請求項５に記載の方法。
8. 前記特徴選択は、前記エンタープライズレベルデータセットだけでなく全てのレジームワイズデータセットに対して行われる、請求項１に記載の方法。
9. 前記データ事前処理モジュール（１１４）から前記ユーザへの出力は、破棄された変数のリスト、全ての変数に対して除去された外れ値の数及び割合、全ての変数における欠測値を補完するために使用される技術、事前処理の前後の全ての変数の平均、中央値及び標準偏差、及び事前処理の前後の全ての変数の傾向プロットを含む、請求項１に記載の方法。
10. 前記エンタープライズレベル融合モジュール（１１６）からユーザへの出力は、シミュレートされたパラメータのリスト、及び統合されたデータセットにおける全ての変数の範囲、平均、中央値及び標準偏差を含む、請求項１に記載の方法。
11. 前記基本統計モジュール（１２０）から前記ユーザへの出力は、ＫＰＩの所望の及び望ましくない範囲に対応する変数の範囲、異なる生産性レベルにおけるＫＰＩの範囲、及びＫＰＩと他の変数との間の相関係数を含む、請求項１に記載の方法。
12. 前記基本統計モジュール（１２０）から前記ユーザへの出力は、ＫＰＩ及び他の変数の傾向プロット及びボックスプロット、ＫＰＩと関心の変数との間の散布プロット、及びＫＰＩの平均値のヒートマップを含む、請求項１に記載の方法。
13. 前記特徴選択モジュール（１２２）から前記ユーザへの出力は、特徴の上位集合及びレジームワイズ且つ統合されたデータセットに関する重要性スコア、並びに前記特徴の平行座標プロットを含む、請求項１に記載の方法。
14. モデル構築及び識別モジュールから前記ユーザへの出力は、全ての予測モデルに対する業績メトリック、二乗平均平方根誤差及び平均絶対誤差に基づいて展開された上位３つの予測モデル、前記上位３つのモデルに対するロバスト性スコア、ロバストモデルにおける全ての変数に対する感受性スコアを含む、請求項１に記載の方法。
15. モデル構築及び識別モジュールから前記ユーザへの出力は、ＫＰＩの実際値及び予測値の傾向プロット、ＫＰＩの実際値対予測値の散布プロット、及びロバストモデルにおける絶対誤差対全ての変数の残差プロットも含む、請求項１に記載の方法。
16. 前記最適化モジュールから前記ユーザへの出力は、最適ＫＰＩ（パレート最適動作点）をもたらす変数の値、及びＫＰＩの最適値及びパレート最適動作点のプロットを含む、請求項１に記載の方法。
17. 産業の主要業績評価指標を最適化するための１つ以上の産業処理ユニットからの複数のデータを分析するためのシステム（１００）であって、
    命令を有するメモリ（１０４）と、
    前記メモリと通信可能に結合される少なくとも１つのプロセッサ（１０２）と、
    グラフィカルユーザインターフェース、サーバインターフェース、物理ベースモデルインターフェース及びソルバインターフェースを含む複数のインターフェース（１０６）と、
    １つ以上の産業処理ユニットの複数のデータを受信するように構成される受信モジュール（１０８）であって、前記複数のデータは原材料の特性、中間産物、副産物及び最終製品の特性、プロセスパラメータ及びプロセス設備の状態を含む受信モジュール（１０８）と、
    前記１つ以上の産業処理ユニットの各々のユニットワイズデータセットを取得するために受信した前記複数のデータを合併するように構成されるユニットレベル融合モジュール（１１０）であって、各処理ユニットの前記ユニットワイズデータセットは所望のサンプリング周波数を含むユニットレベル融合モジュール（１１０）と、
    前記１つ以上の産業処理ユニットの合併されたユニットワイズデータセットを検証するように構成される検証モジュール（１１２）であって、前記処理ユニットの全ての変数の不合理な値の存在、可用性割合、標準偏差及び四分位範囲が計算される検証モジュール（１１２）と、
    前記１つ以上の産業処理ユニットの各々の事前処理されたデータセットを取得するために検証された前記複数のデータを事前処理するように構成されるデータ事前処理モジュール（１１４）であって、事前処理は外れ値の除去、欠測値の補完及びクラスタリングのステップを含む反復プロセスであるデータ事前処理モジュール（１１４）と、
    エンタープライズレベルデータセットを取得するために前記１つ以上の産業処理ユニットの各々の事前処理されたデータセットを１つ以上の物理ベースモデルのシミュレートされた変数の１つ以上の値及びユーザからの１つ以上の領域入力と統合するエンタープライズレベル融合モジュール（１１６）であって、前記ユニットワイズデータセットは、複数のユニットにおける滞留時間のための時間差、１つ以上の産業処理ユニット間の搬送時間、及び前記処理ユニットの１つ以上のセンサの応答時間を考慮して合併及び同期されるエンタープライズレベル融合モジュール（１１６）と、
    前記エンタープライズレベルデータセットに対して１つ以上のクラスタリング技術を使用して１つ以上の動作レジームを識別するように構成されるレジーム識別モジュール（１１８）であって、１つ以上のクラスタリング技術は、距離ベースクラスタリング、密度ベースクラスタリング及び階層的クラスタリングを含むレジーム識別モジュール（１１８）と、
    既定の基本統計及び前記１つ以上の動作レジームに基づいて、前記エンタープライズレベルデータセットのＫＰＩに対応する１つ以上の変数の範囲を決定するように構成される基本統計モジュール（１２０）であって、決定された前記１つ以上の変数の範囲は、分析が実行されている期間中にＫＰＩの１つ以上のプロットを生成するために使用されている基本統計モジュール（１２０）と、
    前記エンタープライズレベルデータセットの１つ以上の選択された特徴の上位集合を取得するために前記エンタープライズレベルデータセットの１つ以上の特徴を選択するように構成される特徴選択モジュール（１２２）であって、特徴選択は、前記エンタープライズレベルデータセットだけでなく全てのレジームワイズデータセットに対して行われる特徴選択モジュール（１２２）と、
    ＫＰＩごとに１つ以上の予測モデルを考察するように構成されるモデル構築モジュール（１２４）であって、前記１つ以上の予測モデルは、エンタープライズレベルデータセットと前記エンタープライズレベルデータセットの１つ以上の選択された特徴の上位集合とを使用するモデル構築モジュール（１２４）と、
    １つ以上の最適化技術を使用して１つ以上のＫＰＩについての１つ以上の予測モデル及び制約に基づいて少なくとも１つのＫＰＩを最適化するように構成される最適化モジュール（１２６）であって、１つ以上の最適化技術は、勾配探索、線形プログラミング、焼きなまし法及び進化アルゴリズムを含む最適化モジュール（１２６）と
    を備える、システム。
18. 前記１つ以上の物理ベースモデルは、前記１つ以上のシミュレートされた変数の計算のために使用される、請求項１７に記載のシステム。
19. １つ以上のハードウェアプロセッサによって実行されると、アクションを実行する１つ以上の命令を含む１つ以上の非一時的な機械可読情報記憶媒体であって、前記アクションは、
    受信モジュール（１０８）において、１つ以上の産業処理ユニットの複数のデータを受信することであって、前記複数のデータは原材料の特性、中間産物、副産物及び最終製品の特性、プロセスパラメータ、環境パラメータ、市場需要、原材料の可用性及びプロセス設備の状態を含むこと、
    ユニットレベル融合モジュール（１１０）において、前記１つ以上の産業処理ユニットの各々のユニットワイズデータセットを取得するために受信した前記複数のデータを合併することであって、各処理ユニットの前記ユニットワイズデータセットは所望のサンプリング周波数を含むこと、
    検証モジュール（１１２）において、前記１つ以上の産業処理ユニットの合併された前記ユニットワイズデータセットを検証することであって、前記処理ユニットの全ての変数の不合理な値の存在、可用性割合、標準偏差及び四分位範囲が計算されること、
    データ事前処理モジュール（１１４）において、前記１つ以上の産業処理ユニットの各々の事前処理されたデータセットを取得するために検証された前記複数のデータを事前処理することであって、事前処理は外れ値の除去、欠測値の補完及びクラスタリングのステップを含む反復プロセスであること、
    エンタープライズレベル融合モジュール（１１６）において、エンタープライズレベルデータセットを取得するために前記１つ以上の産業処理ユニットの各々の事前処理されたデータセットを１つ以上の物理ベースモデルのシミュレートされた変数の１つ以上の値及びユーザからの１つ以上の領域入力と統合することであって、前記ユニットワイズデータセットは、複数のユニットにおける滞留時間のための時間差、１つ以上の産業処理ユニット間の材料の搬送時間、及び前記処理ユニットの１つ以上のセンサの応答時間を考慮して合併及び同期されること、
    レジーム識別モジュール（１１８）において、前記エンタープライズレベルデータセットに対して１つ以上のクラスタリング技術を使用して１つ以上の動作レジームを識別することであって、１つ以上のクラスタリング技術は、距離ベースクラスタリング、密度ベースクラスタリング及び階層的クラスタリングを含むこと、
    基本統計モジュール（１２０）において、既定の基本統計及び前記１つ以上の動作レジームに基づいて、前記エンタープライズレベルデータセットのＫＰＩに対応する１つ以上の変数の範囲を決定することであって、決定された前記１つ以上の変数の範囲は、分析が実行されている期間中にＫＰＩの１つ以上のプロットを生成するために使用されていること、
    特徴選択モジュール（１２２）において、前記エンタープライズレベルデータセットの１つ以上の選択された特徴の上位集合を取得するために前記エンタープライズレベルデータセットの１つ以上の特徴又は主要変数を選択することであって、特徴選択は、前記エンタープライズレベルデータセットだけでなく全てのレジームワイズデータセットに対して行われること、
    モデル構築モジュール（１２４）において、ＫＰＩごとに１つ以上の予測モデルを展開することであって、前記１つ以上の予測モデルは、エンタープライズレベルデータセットと前記エンタープライズレベルデータセットの１つ以上の選択された特徴の上位集合とを使用すること、及び
    最適化モジュール（１２６）において、１つ以上の最適化技術を使用して前記１つ以上のＫＰＩについての１つ以上の予測モデル及び制約に基づいて少なくとも１つのＫＰＩを最適化することであって、１つ以上の最適化技術は、勾配探索、線形プログラミング、ゴールプログラミング、焼きなまし法及び進化アルゴリズムを含むこと
    を含む、非一時的な機械可読情報記憶媒体。
    

Images