JP2020522800A - 予測推論モデルをオンラインで構築し配備するコンピュータシステム及び方法 - Google Patents
予測推論モデルをオンラインで構築し配備するコンピュータシステム及び方法 Download PDFInfo
- Publication number
- JP2020522800A JP2020522800A JP2019566088A JP2019566088A JP2020522800A JP 2020522800 A JP2020522800 A JP 2020522800A JP 2019566088 A JP2019566088 A JP 2019566088A JP 2019566088 A JP2019566088 A JP 2019566088A JP 2020522800 A JP2020522800 A JP 2020522800A
- Authority
- JP
- Japan
- Prior art keywords
- model
- output
- inference
- inference model
- process variable
- 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.)
- Granted
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
- 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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
- G06F3/0486—Drag-and-drop
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Abstract
Description
ソフトセンサまたは推論モデルは、高度なプロセス制御のために、精製産業、石油化学産業および化学プロセス産業において(数十年にわたって)広く用いられてきた。また、オフラインモデル開発及びオンライン利用に用いられる市販のエンジニアリングソフトウェアはこの20年の間に著しく進歩した。例えば、代表的なソフトウェアパッケージであるAspen IQは、精製所において多変数予測制御(MPC)コントローラ毎に平均5〜10個の線形推論モデルを構築するために、また、ポリマープラントにおいてMPCコントローラ毎に平均3〜6個の非線形推論モデルを構築するために使用されている。
図1は、本発明の実施形態におけるプラントプロセスの監視および予測分析を行う例示的なネットワーク環境100を示すブロック図である。システムコンピュータ(アプリケーションサーバ)101,102は、予測推論アナライザとして動作してもよい。幾つかの実施形態では、各システムコンピュータ101,102は、単独で本発明の予測推論アナライザとしてリアルタイムで動作してもよく、または、システムコンピュータ101,102は、単一の予測推論アナライザとしてのリアルタイム動作に寄与する分散型プロセッサとして共に動作してもよい。他の実施形態において、付加的なシステムコンピュータが、予測推論アナライザとしてのリアルタイム動作に寄与する分散型プロセッサとして動作してもよい。幾つかの実施形態では、予測推論アナライザとして動作するシステムコンピュータ101,102は、プラントプロセスの予測分析を行う予測推論モデルの構築/配備に用いられるモデル構築部および配備エンジンと共に構成されてもよい。システムコンピュータ101,102は、ユーザが前記予測推論モデルを構築、訓練および配備する際に入力を行い且つ前記構築、訓練及び配備された予測推論モデルの結果を見るためのユーザインターフェース(UI)112を用いて構成された表示装置と通信してもよい。
図2Aには、本発明の実施形態において動的推論モデルを構築し配備する例示的な方法200のフローチャートが示されている。前記構築され配備された動的推論モデルは、プラント(産業)プロセスの製品特性(例えば、品質)またはKPIの現在の推定値および未来の予測値を生成するために使用される。また、前記構築され配備された動的推論モデルは「予測推論モデル」とも呼ばれる。例示的な方法200の幾つかのステップは、図2B〜図2Iにさらに詳細に記載されている。
図2Bは、方法200(ステップ202)の実施形態における予測(動的)推論モデルの構造を初期化する例示的な方法202を示すフローチャートである。幾つかの実施形態では、方法202は、図3Aの例示的なユーザインターフェース画面を用いて実行されてもよい。
図2Cは、方法200(ステップ204)の実施形態において予測(動的)推論モデルのためのデータセットを作成する例示的な方法204を示すフローチャートである。幾つかの実施形態では、方法204は、図3B〜図3Cの例示的なユーザインターフェース画面を用いて実行されてもよい。
図2Dは、方法200(ステップ206)の実施形態において、データセットから予測(動的)推論モデルを構築および訓練する例示的な方法206を示すフローチャートである。方法206は、方法204によって作成された最終的なデータセットを用いて予測推論モデルを構築および訓練する。
図2Eは、方法206(ステップ246)の実施形態において、部分空間同定法およびPLS法を用いたハイブリッドFIRモデルとして前記予測推論モデルを構築する例示的な方法246を示すフローチャートである。部分空間同定法およびPLS法を用いた前記ハイブリッドFIRモデルは、図2Fおよび図2Gのモデルのハイブリッドである。方法246は、対象プロセスの選択された出力プロセス変数317の断続的な測定結果を含むラボデータ(ラボ分析結果)またはアナライザのデータを用いて前記ハイブリッド推論モデルを構築する新規なプロセスである。
図2Fは、部分空間同定法を用いて構築された例示的な多入力単出力(MISO)FIRモデルを示すブロック図である。実施形態では、予測動的推論モデルは、このMISO FIRモデルとして構築される。例えば、このMISO FIRモデル構造は、連続的な出力測定結果を用いて前記予測推論モデルを構築し訓練するために、図2Dのステップ243および244において使用されてもよい。なお、図2Dのステップ244(選択された出力プロセス変数の断続的なアナライザ測定結果)の場合、無位相シフトフィルタリングは、まず、アナライザ測定結果に適用され、当該MISO FIRモデルを用いて前記予測推論モデリングを構築および訓練する前に、補間により「連続」的な測定結果を生成する。アナライザ測定結果の補間についての更なる詳細は、図2Dの方法206のステップ244に関連して上述されている。
図2Gは、方法200(ステップ206)の実施形態における推論モデルの構築に使用される他の例示的な多入力単出力(MISO)方法を示すブロック図である。例えば、このMISOモデルは、アナライザまたはラボデータをそれぞれ用いて前記予測推論モデルの構築および訓練を行うために図2Dのステップ244〜246で使用されてもよい。
図2Hは、方法200(ステップ214および216)の実施形態においてオンラインでハイブリッド推論モデルを更新する例示的な方法214,216を示すフローチャートである。実施形態において、方法214は、前記予測推論モデルに用いられる方法200のステップ202で選択された入力および出力プロセス変数316,317を用いて、方法200のステップ206で構築され訓練された前記予測推論モデルを使用する。
図3A〜図3Eには、予測推論モデルの構築および配備に使用される例示的なユーザインターフェース画面が示されている。図3Aは、対象のC2スプリッタカラムプロセスの予測推論モデルの構造の初期化(図2Aおよび図2Bのステップ202)に使用される例示的なユーザインターフェース画面である。図3Aにおいて、ユーザ236は、前記予測推論モデルに用いる対象C2スプリッタカラムプロセスのプロセス変数を選択する。このため、ユーザ236は、前記予測推論モデルの構造を初期化するために、(例えば、フィールド310に“V01”という文字列を入力することにより)C2Sグラフィックグループにおいて利用可能なプロセス変数をタグ検索する。図3Aには、検索から返された全てのタグが、表示されたタグ候補リスト315に示されている。他の実施形態では、ユーザ236は、P&ID図305からタグをドラッグしてタグ候補リスト315にドロップしてもよい。図3Aにおいて、ユーザ236は、前記予測推論モデルの構築および訓練を行う際に、タグ候補リスト315からタグV01−PD−8701,V01−FI−8701,V01−TI−8701,V01−Tl−8703,V01−TI−8704およびV01−TI−8705を入力316として選択し、タグV01−TI8702Aを出力317として選択している。選択が行われると、ユーザ236は、“Create Model”(モデルを作成)ボタンをクリックし、前記予測推論モデルの構築を開始する。
図4は、本発明が実装され得るコンピュータネットワーク又は同様のデジタル処理環境を示す。
なお、本発明は、態様として以下の内容を含む。
〔態様1〕
産業プロセスの挙動を予測するコンピュータ実装方法であって、
対象の産業プロセスの推論モデルを初期化することであって、前記初期化により、(i)前記対象の産業プロセスのプロセス変数を選択し、(ii)前記選択されたプロセス変数の1つ以上を、前記推論モデルの入力を表す1つ以上の入力プロセス変数として構成し、(iii)前記選択されたプロセス変数の1つを、前記推論モデルの出力を表す出力プロセス変数として構成する、ことと、
前記選択されたプロセス変数の測定結果をロードすることであって、前記構成された出力プロセス変数の前記ロードされた測定結果は特定のモデル出力形式のものである、ことと、
前記特定のモデル出力形式に基づき、前記推論モデルを表すモデル構造を決定することと、
前記ロードされた測定結果を用いて、前記決定されたモデル構造に応じて前記推論モデルを構築および訓練することと、
前記構築され訓練された推論モデルをオンラインで配備することであって、前記配備された推論モデルは、前記対象の産業プロセスの現在の挙動を推定し且つ前記対象の産業プロセスの未来の挙動を予測する主要パフォーマンス指標(KPI)を連続的に生成する、ことと、
を含む方法。
〔態様2〕
態様1に記載のコンピュータ実装方法において、前記プロセス変数を選択することは、
ユーザインターフェースを介して、ユーザが、
プラント配管計装図(P&ID)から前記プロセス変数に対応するタグをドラッグし、候補プロセス変数リストにドロップすること、
プラントヒストリアンにおいて前記プロセス変数に対応するタグを検索することであって、前記検索されたタグが前記候補プロセス変数リストに配置されること、および
前記候補プロセス変数リストにおけるタグのサブセットを前記推論モデルの入力として構成し、1つのタグを前記推論モデルの出力として構成すること
の少なくとも1つを含む方法。
〔態様3〕
態様1に記載のコンピュータ実装方法において、
前記選択されたプロセス変数の測定結果をプラントヒストリアンからロードすることと、
前記ロードされた測定結果に対してデータスクリーニングを行うことであって、前記データスクリーニングは、前記ロードされた測定結果から不良なデータセグメントを同定およびクレンジングし、前記不良なデータセグメントは、欠落したデータサンプル、不良な値、短期間の外れ値、プロセス上限または下限にある値、およびフリーズした信号のうちの少なくとも1つを含む、ことと
をさらに含む方法。
〔態様4〕
態様1に記載のコンピュータ実装方法において、
前記特定のモデル出力形式は、連続形式、アナライザ形式、ラボデータ形式、または基準変数ありのラボデータ形式であり、
前記基準変数は、前記対象の産業プロセスのプロセス変数であって、前記対象の産業プロセスにおいて前記構成された出力プロセス変数との相関が高いプロセス変数である、方法。
〔態様5〕
態様4に記載のコンピュータ実装方法において、前記特定のモデル出力形式が連続形式である場合、
前記構成された出力プロセス変数の前記ロードされた測定結果は、前記対象の産業プロセスから収集された連続的な測定結果であり、
前記決定されたモデル構造は、部分空間同定法を用いた有限インパルス応答(FIR)モデルであり、
前記連続的な測定結果を使用することにより、前記推論モデルは、部分空間同定法を用いた前記FIRモデルとして構築され訓練される、方法。
〔態様6〕
態様4に記載のコンピュータ実装方法において、前記特定のモデル出力形式がアナライザ形式である場合、
前記構成された出力プロセス変数の前記ロードされた測定結果は、アナライザによって生成される断続的なサンプルであり、前記アナライザは、前記対象の産業プロセスをオンラインで分析することにより前記断続的なサンプルを生成し、
前記断続的なサンプルは、無位相シフトフィルタリングを適用することにより、連続的な測定結果に変換され、前記適用される無位相シフトフィルタリングは、前記断続的なサンプル間の測定結果を補間し、
前記決定されたモデル構造は、部分空間同定法を用いた有限インパルス応答(FIR)モデルであり、
前記変換された連続的な測定結果を使用することにより、前記推論モデルは、部分空間同定法を用いた前記FIRモデルとして構築され訓練される、方法。
〔態様7〕
態様4に記載のコンピュータ実装方法において、前記特定のモデル出力形式がラボデータ形式である場合、
前記構成された出力プロセス変数の前記ロードされた測定結果は、前記対象の産業プロセスのラボ分析からの断続的なサンプルであり、
前記決定されたモデル構造は、射影潜在構造(PLS)法を用いた線形回帰モデルであり、
前記断続的なサンプルを使用することにより、前記推論モデルは、PLS法を用いた前記線形回帰モデルとして構築され訓練される、方法。
〔態様8〕
態様4に記載のコンピュータ実装方法において、前記特定のモデル出力形式が前記基準変数ありのラボデータ形式である場合、
前記構成された出力プロセス変数の前記ロードされた測定結果は、前記対象の産業プロセスのラボ分析からの断続的なサンプルであり、
前記決定されたモデル構造は、部分空間同定法および射影潜在構造(PLS)法を用いたハイブリッド有限インパルス応答(FIR)モデルであり、
前記基準変数の連続的な測定結果を使用することにより、前記推論モデルは、部分空間同定法およびPLS法を用いた前記ハイブリッドFIRモデルとして構築され訓練される、方法。
〔態様9〕
態様1に記載のコンピュータ実装方法において、
前記計算された現在のKPIに基づく前記推論モデルを用いて予測バイアスを更新することであって、前記更新された予測バイアスは、前記対象の産業プロセスの前記KPIの予測値を補正するために適用される、ことと、
前記対象の産業プロセスの現在および未来の連続的な、バイアス補償されたプロセスKPI予測値を生成することと、
によって実行される再帰バイアス更新スキームをさらに含む方法。
〔態様10〕
態様1に記載のコンピュータ実装方法において、
前記配備された推論モデルをオンラインで監視することであって、前記監視により、前記対象の産業プロセスの前記挙動の予測において前記配備された推論モデルのパフォーマンス低下を検出する、ことと、
パフォーマンス低下が検出された場合、前記決定されたモデル構造に応じて前記配備された推論モデルを更新することと、
をさらに含む方法。
〔態様11〕
態様10に記載のコンピュータ実装方法において、
前記配備された推論モデルを前記オンラインで監視することは、
前記選択されたプロセス変数の最近の測定結果をロードすることと、
前記ロードされた最近の測定結果から射影潜在構造(PLS)モデル統計を計算することであって、前記PLSモデル統計は、ホテリングのT2統計および出力統計の予測二乗誤差(SPE)の少なくとも1つを含む、ことと、
前記計算されたPLSモデル統計を信頼性の閾値と比較することと、
前記計算されたPLSモデル統計が前記信頼性の閾値を満たさない場合、前記配備された推論モデルのパフォーマンス低下を検出することと、
をさらに含む方法。
〔態様12〕
産業プロセスの挙動を予測するコンピュータシステムであって、前記コンピュータシステムは、
プロセッサと、
コンピュータコード命令が記録されたメモリと、
を備え、前記メモリは、前記プロセッサによって実行されると前記コンピュータコード命令が、前記コンピュータシステムに、
(a)モデル構築部であって、
対象の産業プロセスの推論モデルを初期化することであって、前記初期化により、(i)前記対象の産業プロセスのプロセス変数を選択し、(ii)前記選択されたプロセス変数の1つ以上を、前記推論モデルの入力を表す1つ以上の入力プロセス変数として構成し、(iii)前記選択されたプロセス変数の1つを、前記推論モデルの出力を表す出力プロセス変数として構成する、ように、
前記選択されたプロセス変数の測定結果をロードすることであって、前記構成された出力プロセス変数の前記ロードされた測定結果は特定のモデル出力形式のものである、ように、
前記特定のモデル出力形式に基づき、前記推論モデルを表すモデル構造を決定するように、かつ
前記ロードされた測定結果を用いて、前記決定されたモデル構造に応じて前記推論モデルを構築および訓練するように構成されたモデル構築部と、
(b)配備エンジンであって、
前記構築され訓練された推論モデルをオンラインで配備することであって、前記配備された推論モデルは、前記対象の産業プロセスの現在の挙動を推定し且つ前記対象の産業プロセスの未来の挙動を予測する主要パフォーマンス指標(KPI)を連続的に生成するように構成された配備エンジンと、
を実装させるように、前記プロセッサに作動的に接続されているコンピュータシステム。
〔態様13〕
態様12に記載のコンピュータシステムにおいて、前記プロセス変数を選択することは、
ユーザインターフェースを介して、ユーザが、
プラント配管計装図(P&ID)から前記プロセス変数に対応するタグをドラッグし、候補プロセス変数リストにドロップすること、
プラントヒストリアンにおいて前記プロセス変数に対応するタグを検索することであって、前記検索されたタグが前記候補プロセス変数リストに配置されること、および
前記候補プロセス変数リストにおけるタグのサブセットを前記推論モデルの入力として構成し、1つのタグを前記推論モデルの出力として構成すること
の少なくとも1つを含む、コンピュータシステム。
〔態様14〕
態様12に記載のコンピュータシステムにおいて、前記モデル構築部は、さらに、
前記ロードされた測定結果に対してデータスクリーニングを行うように構成されており、前記データスクリーニングは、前記ロードされた測定結果から不良なデータセグメントを同定およびクレンジングし、前記不良なデータセグメントは、欠落したデータサンプル、不良な値、短期間の外れ値、プロセス上限または下限にある値、およびフリーズした信号のうちの少なくとも1つを含む、コンピュータシステム。
〔態様15〕
態様12に記載のコンピュータシステムにおいて、
前記特定のモデル出力形式は、連続形式、アナライザ形式、ラボデータ形式、または基準変数ありのラボデータ形式であり、
前記基準変数は、前記対象の産業プロセスのプロセス変数であって、前記対象の産業プロセスにおいて前記構成された出力プロセス変数との相関が高いプロセス変数である、コンピュータシステム。
〔態様16〕
態様15に記載のコンピュータシステムにおいて、前記特定のモデル出力形式が連続形式である場合、
前記構成された出力プロセス変数の前記ロードされた測定結果は、前記対象の産業プロセスから収集された連続的な測定結果であり、
前記決定されたモデル構造は、部分空間同定法を用いた有限インパルス応答(FIR)モデルであり、
前記連続的な測定結果を使用することにより、前記モデル構築部は、部分空間同定法を用いた前記FIRモデルとして前記推論モデルを構築し訓練するように構成されている、コンピュータシステム。
〔態様17〕
態様15に記載のコンピュータシステムにおいて、前記特定のモデル出力形式がアナライザ形式である場合、
前記構成された出力プロセス変数の前記ロードされた測定結果は、アナライザによって生成される断続的なサンプルであり、前記アナライザは、前記対象の産業プロセスをオンラインで分析することにより前記断続的なサンプルを生成し、
前記断続的なサンプルは、無位相シフトフィルタリングを適用することにより、連続的な測定結果に変換され、前記適用される無位相シフトフィルタリングは、前記断続的なサンプル間の測定結果を補間し、
前記決定されたモデル構造は、部分空間同定法を用いた有限インパルス応答(FIR)モデルであり、
前記変換された連続的な測定結果を使用することにより、前記モデル構築部は、部分空間同定法を用いた前記FIRモデルとして前記推論モデルを構築し訓練するように構成されている、コンピュータシステム。
〔態様18〕
態様15に記載のコンピュータシステムにおいて、前記特定のモデル出力形式がラボデータ形式である場合、
前記構成された出力プロセス変数の前記ロードされた測定結果は、前記対象の産業プロセスのラボ分析からの断続的なサンプルであり、
前記決定されたモデル構造は、射影潜在構造(PLS)法を用いた線形回帰モデルであり、
前記断続的なサンプルを使用することにより、前記モデル構築部は、PLS法を用いた前記線形回帰モデルとして前記推論モデルを構築し訓練するように構成されている、コンピュータシステム。
〔態様19〕
態様15に記載のコンピュータシステムにおいて、前記特定のモデル出力形式が前記基準変数ありのラボデータ形式である場合、
前記構成された出力プロセス変数の前記ロードされた測定結果は、前記対象の産業プロセスのラボ分析からの断続的なサンプルであり、
前記決定されたモデル構造は、部分空間同定法および射影潜在構造(PLS)法を用いたハイブリッド有限インパルス応答(FIR)モデルであり、
前記基準変数の連続的な測定結果を使用することにより、前記モデル構築部は、部分空間同定法およびPLS法を用いた前記ハイブリッドFIRモデルとして前記推論モデルを構築し訓練するように構成されている、コンピュータシステム。
〔態様20〕
態様12に記載のコンピュータシステムにおいて、前記配備エンジンは、さらに、
前記計算された現在のKPIに基づく前記推論モデルを用いて予測バイアスを更新することであって、前記更新された予測バイアスは、前記対象の産業プロセスの前記KPIの予測値を補正するために適用される、ことと、
前記対象の産業プロセスの現在および未来の、連続的なバイアス補償されたプロセスKPI予測値を生成することと、
によって再帰バイアス更新スキームを実行するように構成されている、コンピュータシステム。
〔態様21〕
態様12に記載のコンピュータシステムにおいて、前記配備エンジンは、さらに、
前記配備された推論モデルをオンラインで監視することであって、前記監視により、前記対象の産業プロセスの前記挙動の予測において前記配備された推論モデルのパフォーマンス低下を検出する、ように、かつ
パフォーマンス低下が検出された場合、前記決定されたモデル構造に応じて前記配備された推論モデルを更新するように構成されている、コンピュータシステム。
〔態様22〕
態様12に記載のコンピュータシステムにおいて、前記配備エンジンは、さらに、
前記選択されたプロセス変数の最近の測定結果をロードすることと、
前記ロードされた最近の測定結果から射影潜在構造(PLS)モデル統計を計算することであって、前記PLSモデル統計は、ホテリングのT2統計および出力統計の予測二乗誤差(SPE)の少なくとも1つを含む、ことと、
前記計算されたPLSモデル統計を信頼性の閾値と比較することと、
前記計算されたPLSモデル統計が前記信頼性の閾値を満たさない場合、前記配備された推論モデルのパフォーマンス低下を検出することと、
によって、前記配備された推論モデルをオンラインで監視するように構成されている、コンピュータシステム。
〔態様23〕
コンピュータプログラム製品であって、
コンピュータコード命令が記録された非一時的なコンピュータ可読記憶媒体を備え、
前記記憶媒体は、
産業プロセスの挙動を予測するプロセッサによって実行されると、前記コンピュータコード命令が、前記プロセッサに、
対象の産業プロセスの推論モデルを初期化することであって、前記初期化により、(i)前記対象の産業プロセスのプロセス変数を選択し、(ii)前記選択されたプロセス変数の1つ以上を、前記推論モデルの入力を表す1つ以上の入力プロセス変数として構成し、(iii)前記選択されたプロセス変数の1つを、前記推論モデルの出力を表す出力プロセス変数として構成する、ことと、
前記選択されたプロセス変数の測定結果をロードすることであって、前記構成された出力プロセス変数の前記ロードされた測定結果は特定のモデル出力形式のものである、ことと、
前記特定のモデル出力形式に基づき、前記推論モデルを表すモデル構造を決定することと、
前記ロードされた測定結果を用いて、前記決定されたモデル構造に応じて前記推論モデルを構築および訓練することと、
前記構築され訓練された推論モデルをオンラインで配備することであって、前記配備された推論モデルは、前記対象の産業プロセスの現在の挙動を推定し且つ前記対象の産業プロセスの未来の挙動を予測する主要パフォーマンス指標(KPI)を連続的に生成する、ことと、
を行わせるように、前記プロセッサに作動的に接続されている、コンピュータプログラム製品。
Claims (23)
- 産業プロセスの挙動を予測するコンピュータ実装方法であって、
対象の産業プロセスの推論モデルを初期化することであって、前記初期化により、(i)前記対象の産業プロセスのプロセス変数を選択し、(ii)前記選択されたプロセス変数の1つ以上を、前記推論モデルの入力を表す1つ以上の入力プロセス変数として構成し、(iii)前記選択されたプロセス変数の1つを、前記推論モデルの出力を表す出力プロセス変数として構成する、ことと、
前記選択されたプロセス変数の測定結果をロードすることであって、前記構成された出力プロセス変数の前記ロードされた測定結果は特定のモデル出力形式のものである、ことと、
前記特定のモデル出力形式に基づき、前記推論モデルを表すモデル構造を決定することと、
前記ロードされた測定結果を用いて、前記決定されたモデル構造に応じて前記推論モデルを構築および訓練することと、
前記構築され訓練された推論モデルをオンラインで配備することであって、前記配備された推論モデルは、前記対象の産業プロセスの現在の挙動を推定し且つ前記対象の産業プロセスの未来の挙動を予測する主要パフォーマンス指標(KPI)を連続的に生成する、ことと、
を含む方法。 - 請求項1に記載のコンピュータ実装方法において、前記プロセス変数を選択することは、
ユーザインターフェースを介して、ユーザが、
プラント配管計装図(P&ID)から前記プロセス変数に対応するタグをドラッグし、候補プロセス変数リストにドロップすること、
プラントヒストリアンにおいて前記プロセス変数に対応するタグを検索することであって、前記検索されたタグが前記候補プロセス変数リストに配置されること、および
前記候補プロセス変数リストにおけるタグのサブセットを前記推論モデルの入力として構成し、1つのタグを前記推論モデルの出力として構成すること
の少なくとも1つを含む方法。 - 請求項1に記載のコンピュータ実装方法において、
前記選択されたプロセス変数の測定結果をプラントヒストリアンからロードすることと、
前記ロードされた測定結果に対してデータスクリーニングを行うことであって、前記データスクリーニングは、前記ロードされた測定結果から不良なデータセグメントを同定およびクレンジングし、前記不良なデータセグメントは、欠落したデータサンプル、不良な値、短期間の外れ値、プロセス上限または下限にある値、およびフリーズした信号のうちの少なくとも1つを含む、ことと
をさらに含む方法。 - 請求項1に記載のコンピュータ実装方法において、
前記特定のモデル出力形式は、連続形式、アナライザ形式、ラボデータ形式、または基準変数ありのラボデータ形式であり、
前記基準変数は、前記対象の産業プロセスのプロセス変数であって、前記対象の産業プロセスにおいて前記構成された出力プロセス変数との相関が高いプロセス変数である、方法。 - 請求項4に記載のコンピュータ実装方法において、前記特定のモデル出力形式が連続形式である場合、
前記構成された出力プロセス変数の前記ロードされた測定結果は、前記対象の産業プロセスから収集された連続的な測定結果であり、
前記決定されたモデル構造は、部分空間同定法を用いた有限インパルス応答(FIR)モデルであり、
前記連続的な測定結果を使用することにより、前記推論モデルは、部分空間同定法を用いた前記FIRモデルとして構築され訓練される、方法。 - 請求項4に記載のコンピュータ実装方法において、前記特定のモデル出力形式がアナライザ形式である場合、
前記構成された出力プロセス変数の前記ロードされた測定結果は、アナライザによって生成される断続的なサンプルであり、前記アナライザは、前記対象の産業プロセスをオンラインで分析することにより前記断続的なサンプルを生成し、
前記断続的なサンプルは、無位相シフトフィルタリングを適用することにより、連続的な測定結果に変換され、前記適用される無位相シフトフィルタリングは、前記断続的なサンプル間の測定結果を補間し、
前記決定されたモデル構造は、部分空間同定法を用いた有限インパルス応答(FIR)モデルであり、
前記変換された連続的な測定結果を使用することにより、前記推論モデルは、部分空間同定法を用いた前記FIRモデルとして構築され訓練される、方法。 - 請求項4に記載のコンピュータ実装方法において、前記特定のモデル出力形式がラボデータ形式である場合、
前記構成された出力プロセス変数の前記ロードされた測定結果は、前記対象の産業プロセスのラボ分析からの断続的なサンプルであり、
前記決定されたモデル構造は、射影潜在構造(PLS)法を用いた線形回帰モデルであり、
前記断続的なサンプルを使用することにより、前記推論モデルは、PLS法を用いた前記線形回帰モデルとして構築され訓練される、方法。 - 請求項4に記載のコンピュータ実装方法において、前記特定のモデル出力形式が前記基準変数ありのラボデータ形式である場合、
前記構成された出力プロセス変数の前記ロードされた測定結果は、前記対象の産業プロセスのラボ分析からの断続的なサンプルであり、
前記決定されたモデル構造は、部分空間同定法および射影潜在構造(PLS)法を用いたハイブリッド有限インパルス応答(FIR)モデルであり、
前記基準変数の連続的な測定結果を使用することにより、前記推論モデルは、部分空間同定法およびPLS法を用いた前記ハイブリッドFIRモデルとして構築され訓練される、方法。 - 請求項1に記載のコンピュータ実装方法において、
前記計算された現在のKPIに基づく前記推論モデルを用いて予測バイアスを更新することであって、前記更新された予測バイアスは、前記対象の産業プロセスの前記KPIの予測値を補正するために適用される、ことと、
前記対象の産業プロセスの現在および未来の連続的な、バイアス補償されたプロセスKPI予測値を生成することと、
によって実行される再帰バイアス更新スキームをさらに含む方法。 - 請求項1に記載のコンピュータ実装方法において、
前記配備された推論モデルをオンラインで監視することであって、前記監視により、前記対象の産業プロセスの前記挙動の予測において前記配備された推論モデルのパフォーマンス低下を検出する、ことと、
パフォーマンス低下が検出された場合、前記決定されたモデル構造に応じて前記配備された推論モデルを更新することと、
をさらに含む方法。 - 請求項10に記載のコンピュータ実装方法において、
前記配備された推論モデルを前記オンラインで監視することは、
前記選択されたプロセス変数の最近の測定結果をロードすることと、
前記ロードされた最近の測定結果から射影潜在構造(PLS)モデル統計を計算することであって、前記PLSモデル統計は、ホテリングのT2統計および出力統計の予測二乗誤差(SPE)の少なくとも1つを含む、ことと、
前記計算されたPLSモデル統計を信頼性の閾値と比較することと、
前記計算されたPLSモデル統計が前記信頼性の閾値を満たさない場合、前記配備された推論モデルのパフォーマンス低下を検出することと、
をさらに含む方法。 - 産業プロセスの挙動を予測するコンピュータシステムであって、前記コンピュータシステムは、
プロセッサと、
コンピュータコード命令が記録されたメモリと、
を備え、前記メモリは、前記プロセッサによって実行されると前記コンピュータコード命令が、前記コンピュータシステムに、
(a)モデル構築部であって、
対象の産業プロセスの推論モデルを初期化することであって、前記初期化により、(i)前記対象の産業プロセスのプロセス変数を選択し、(ii)前記選択されたプロセス変数の1つ以上を、前記推論モデルの入力を表す1つ以上の入力プロセス変数として構成し、(iii)前記選択されたプロセス変数の1つを、前記推論モデルの出力を表す出力プロセス変数として構成する、ように、
前記選択されたプロセス変数の測定結果をロードすることであって、前記構成された出力プロセス変数の前記ロードされた測定結果は特定のモデル出力形式のものである、ように、
前記特定のモデル出力形式に基づき、前記推論モデルを表すモデル構造を決定するように、かつ
前記ロードされた測定結果を用いて、前記決定されたモデル構造に応じて前記推論モデルを構築および訓練するように構成されたモデル構築部と、
(b)配備エンジンであって、
前記構築され訓練された推論モデルをオンラインで配備することであって、前記配備された推論モデルは、前記対象の産業プロセスの現在の挙動を推定し且つ前記対象の産業プロセスの未来の挙動を予測する主要パフォーマンス指標(KPI)を連続的に生成するように構成された配備エンジンと、
を実装させるように、前記プロセッサに作動的に接続されているコンピュータシステム。 - 請求項12に記載のコンピュータシステムにおいて、前記プロセス変数を選択することは、
ユーザインターフェースを介して、ユーザが、
プラント配管計装図(P&ID)から前記プロセス変数に対応するタグをドラッグし、候補プロセス変数リストにドロップすること、
プラントヒストリアンにおいて前記プロセス変数に対応するタグを検索することであって、前記検索されたタグが前記候補プロセス変数リストに配置されること、および
前記候補プロセス変数リストにおけるタグのサブセットを前記推論モデルの入力として構成し、1つのタグを前記推論モデルの出力として構成すること
の少なくとも1つを含む、コンピュータシステム。 - 請求項12に記載のコンピュータシステムにおいて、前記モデル構築部は、さらに、
前記ロードされた測定結果に対してデータスクリーニングを行うように構成されており、前記データスクリーニングは、前記ロードされた測定結果から不良なデータセグメントを同定およびクレンジングし、前記不良なデータセグメントは、欠落したデータサンプル、不良な値、短期間の外れ値、プロセス上限または下限にある値、およびフリーズした信号のうちの少なくとも1つを含む、コンピュータシステム。 - 請求項12に記載のコンピュータシステムにおいて、
前記特定のモデル出力形式は、連続形式、アナライザ形式、ラボデータ形式、または基準変数ありのラボデータ形式であり、
前記基準変数は、前記対象の産業プロセスのプロセス変数であって、前記対象の産業プロセスにおいて前記構成された出力プロセス変数との相関が高いプロセス変数である、コンピュータシステム。 - 請求項15に記載のコンピュータシステムにおいて、前記特定のモデル出力形式が連続形式である場合、
前記構成された出力プロセス変数の前記ロードされた測定結果は、前記対象の産業プロセスから収集された連続的な測定結果であり、
前記決定されたモデル構造は、部分空間同定法を用いた有限インパルス応答(FIR)モデルであり、
前記連続的な測定結果を使用することにより、前記モデル構築部は、部分空間同定法を用いた前記FIRモデルとして前記推論モデルを構築し訓練するように構成されている、コンピュータシステム。 - 請求項15に記載のコンピュータシステムにおいて、前記特定のモデル出力形式がアナライザ形式である場合、
前記構成された出力プロセス変数の前記ロードされた測定結果は、アナライザによって生成される断続的なサンプルであり、前記アナライザは、前記対象の産業プロセスをオンラインで分析することにより前記断続的なサンプルを生成し、
前記断続的なサンプルは、無位相シフトフィルタリングを適用することにより、連続的な測定結果に変換され、前記適用される無位相シフトフィルタリングは、前記断続的なサンプル間の測定結果を補間し、
前記決定されたモデル構造は、部分空間同定法を用いた有限インパルス応答(FIR)モデルであり、
前記変換された連続的な測定結果を使用することにより、前記モデル構築部は、部分空間同定法を用いた前記FIRモデルとして前記推論モデルを構築し訓練するように構成されている、コンピュータシステム。 - 請求項15に記載のコンピュータシステムにおいて、前記特定のモデル出力形式がラボデータ形式である場合、
前記構成された出力プロセス変数の前記ロードされた測定結果は、前記対象の産業プロセスのラボ分析からの断続的なサンプルであり、
前記決定されたモデル構造は、射影潜在構造(PLS)法を用いた線形回帰モデルであり、
前記断続的なサンプルを使用することにより、前記モデル構築部は、PLS法を用いた前記線形回帰モデルとして前記推論モデルを構築し訓練するように構成されている、コンピュータシステム。 - 請求項15に記載のコンピュータシステムにおいて、前記特定のモデル出力形式が前記基準変数ありのラボデータ形式である場合、
前記構成された出力プロセス変数の前記ロードされた測定結果は、前記対象の産業プロセスのラボ分析からの断続的なサンプルであり、
前記決定されたモデル構造は、部分空間同定法および射影潜在構造(PLS)法を用いたハイブリッド有限インパルス応答(FIR)モデルであり、
前記基準変数の連続的な測定結果を使用することにより、前記モデル構築部は、部分空間同定法およびPLS法を用いた前記ハイブリッドFIRモデルとして前記推論モデルを構築し訓練するように構成されている、コンピュータシステム。 - 請求項12に記載のコンピュータシステムにおいて、前記配備エンジンは、さらに、
前記計算された現在のKPIに基づく前記推論モデルを用いて予測バイアスを更新することであって、前記更新された予測バイアスは、前記対象の産業プロセスの前記KPIの予測値を補正するために適用される、ことと、
前記対象の産業プロセスの現在および未来の、連続的なバイアス補償されたプロセスKPI予測値を生成することと、
によって再帰バイアス更新スキームを実行するように構成されている、コンピュータシステム。 - 請求項12に記載のコンピュータシステムにおいて、前記配備エンジンは、さらに、
前記配備された推論モデルをオンラインで監視することであって、前記監視により、前記対象の産業プロセスの前記挙動の予測において前記配備された推論モデルのパフォーマンス低下を検出する、ように、かつ
パフォーマンス低下が検出された場合、前記決定されたモデル構造に応じて前記配備された推論モデルを更新するように構成されている、コンピュータシステム。 - 請求項12に記載のコンピュータシステムにおいて、前記配備エンジンは、さらに、
前記選択されたプロセス変数の最近の測定結果をロードすることと、
前記ロードされた最近の測定結果から射影潜在構造(PLS)モデル統計を計算することであって、前記PLSモデル統計は、ホテリングのT2統計および出力統計の予測二乗誤差(SPE)の少なくとも1つを含む、ことと、
前記計算されたPLSモデル統計を信頼性の閾値と比較することと、
前記計算されたPLSモデル統計が前記信頼性の閾値を満たさない場合、前記配備された推論モデルのパフォーマンス低下を検出することと、
によって、前記配備された推論モデルをオンラインで監視するように構成されている、コンピュータシステム。 - コンピュータプログラム製品であって、
コンピュータコード命令が記録された非一時的なコンピュータ可読記憶媒体を備え、
前記記憶媒体は、
産業プロセスの挙動を予測するプロセッサによって実行されると、前記コンピュータコード命令が、前記プロセッサに、
対象の産業プロセスの推論モデルを初期化することであって、前記初期化により、(i)前記対象の産業プロセスのプロセス変数を選択し、(ii)前記選択されたプロセス変数の1つ以上を、前記推論モデルの入力を表す1つ以上の入力プロセス変数として構成し、(iii)前記選択されたプロセス変数の1つを、前記推論モデルの出力を表す出力プロセス変数として構成する、ことと、
前記選択されたプロセス変数の測定結果をロードすることであって、前記構成された出力プロセス変数の前記ロードされた測定結果は特定のモデル出力形式のものである、ことと、
前記特定のモデル出力形式に基づき、前記推論モデルを表すモデル構造を決定することと、
前記ロードされた測定結果を用いて、前記決定されたモデル構造に応じて前記推論モデルを構築および訓練することと、
前記構築され訓練された推論モデルをオンラインで配備することであって、前記配備された推論モデルは、前記対象の産業プロセスの現在の挙動を推定し且つ前記対象の産業プロセスの未来の挙動を予測する主要パフォーマンス指標(KPI)を連続的に生成する、ことと、
を行わせるように、前記プロセッサに作動的に接続されている、コンピュータプログラム製品。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762514537P | 2017-06-02 | 2017-06-02 | |
US62/514,537 | 2017-06-02 | ||
PCT/US2018/035611 WO2018223000A1 (en) | 2017-06-02 | 2018-06-01 | Computer system and method for building and deploying predictive inferential models online |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020522800A true JP2020522800A (ja) | 2020-07-30 |
JP6928119B2 JP6928119B2 (ja) | 2021-09-01 |
Family
ID=62713109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019566088A Active JP6928119B2 (ja) | 2017-06-02 | 2018-06-01 | 予測推論モデルをオンラインで構築し配備するコンピュータシステム及び方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10698372B2 (ja) |
EP (1) | EP3635493B1 (ja) |
JP (1) | JP6928119B2 (ja) |
WO (1) | WO2018223000A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022059252A1 (ja) * | 2020-09-17 | 2022-03-24 | 株式会社日立製作所 | バリューチェーン計画連携方法、バリューチェーン計画連携装置およびバリューチェーン計画連携システム |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10453014B2 (en) * | 2015-07-14 | 2019-10-22 | Bank Of America Corporation | Systems and methods for utilizing compliance drivers to conserve system resources and reduce compliance violations |
WO2018009546A1 (en) | 2016-07-07 | 2018-01-11 | Aspen Technology, Inc. | Computer system and method for the dynamic construction and online deployment of an operation-centric first-principles process model for predictive analytics |
EP3441829B1 (en) * | 2017-08-08 | 2020-11-11 | Siemens Aktiengesellschaft | System state prediction |
JP7374590B2 (ja) * | 2019-02-12 | 2023-11-07 | 株式会社日立製作所 | Kpi改善支援システム及びkpi改善支援方法 |
US20200327476A1 (en) * | 2019-04-10 | 2020-10-15 | Exxonmobil Research And Engineering Company | Dynamic quality control in petrochemical, chemical, and pharmaceutical manufacturing processes |
US11169899B2 (en) * | 2019-04-15 | 2021-11-09 | Toyota Motor Engineering & Manufacturing North America, Inc. | Mitigating data offsets for machine learning |
EP3966641A1 (en) | 2019-05-09 | 2022-03-16 | Aspen Technology, Inc. | Combining machine learning with domain knowledge and first principles for modeling in the process industries |
EP3969966A4 (en) * | 2019-05-17 | 2023-06-21 | Tata Consultancy Services Limited | METHOD AND SYSTEM FOR ADAPTIVE LEARNING OF MODELS FOR MANUFACTURING SYSTEMS |
JP2020197944A (ja) * | 2019-06-03 | 2020-12-10 | メタウォーター株式会社 | モデル予測制御システム、情報処理装置、プログラム、及びモデル予測制御方法 |
US20200387818A1 (en) * | 2019-06-07 | 2020-12-10 | Aspen Technology, Inc. | Asset Optimization Using Integrated Modeling, Optimization, and Artificial Intelligence |
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 |
US11860617B2 (en) | 2019-11-26 | 2024-01-02 | Technische Universitaet Berlin | Forecasting industrial aging processes with machine learning methods |
WO2021120181A1 (zh) * | 2019-12-20 | 2021-06-24 | 京东方科技集团股份有限公司 | 推理计算装置、模型训练装置、推理计算系统 |
US11676039B2 (en) | 2020-02-21 | 2023-06-13 | International Business Machines Corporation | Optimal interpretable decision trees using integer linear programming techniques |
US11551177B2 (en) * | 2020-06-29 | 2023-01-10 | Tata Consultancy Services Limited | Method and system for handling source field and key performance indicator calculation changes |
EP3933531A1 (de) * | 2020-06-30 | 2022-01-05 | Siemens Aktiengesellschaft | Verfahren und system zur fehlerursachenanalyse in einer prozesstechnischen anlage |
CN112318511A (zh) * | 2020-11-02 | 2021-02-05 | 北京邮电大学 | 基于数据驱动的机械臂轨迹跟踪控制方法 |
CN112508118B (zh) * | 2020-12-16 | 2023-08-29 | 平安科技(深圳)有限公司 | 针对数据偏移的目标对象行为预测方法及其相关设备 |
US11630446B2 (en) | 2021-02-16 | 2023-04-18 | Aspentech Corporation | Reluctant first principles models |
CN112947648B (zh) * | 2021-03-04 | 2021-11-23 | 江西理工大学 | 一种农业温室环境预测方法及系统 |
CN114663437A (zh) * | 2022-05-25 | 2022-06-24 | 苏州中科行智智能科技有限公司 | 一种深度学习模型部署方法、设备及介质 |
US20240004356A1 (en) | 2022-06-30 | 2024-01-04 | Aspentech Corporation | System and method for building and deploying a sustainable dynamic reduced-order model (sdrom) for an industrial process |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130246316A1 (en) * | 2009-05-29 | 2013-09-19 | Aspen Technology, Inc. | Apparatus and Method for Automated Data Selection in Model Identification and Adaptation in Multivariable Process Control |
US20140309756A1 (en) * | 2013-02-05 | 2014-10-16 | Yokogawa Corporation Of America | System, Method and Apparatus for Determining Properties of Product or Process Streams |
US20150324329A1 (en) * | 2011-09-19 | 2015-11-12 | Fisher-Rosemount Systems, Inc. | Inferential process modeling, quality prediction and fault detection using multi-stage data segregation |
US20160320768A1 (en) * | 2015-05-01 | 2016-11-03 | Aspen Technology, Inc. | Computer System And Method For Causality Analysis Using Hybrid First-Principles And Inferential Model |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6594620B1 (en) * | 1998-08-17 | 2003-07-15 | Aspen Technology, Inc. | Sensor validation apparatus and method |
JP2007536634A (ja) * | 2004-05-04 | 2007-12-13 | フィッシャー−ローズマウント・システムズ・インコーポレーテッド | プロセス制御システムのためのサービス指向型アーキテクチャ |
WO2010138452A1 (en) | 2009-05-29 | 2010-12-02 | Aspen Technology, Inc. | Apparatus and method for model quality estimation and model adaptation in multivariable process control |
US9727035B2 (en) | 2013-05-02 | 2017-08-08 | Aspen Technology, Inc. | Computer apparatus and method using model structure information of model predictive control |
-
2018
- 2018-06-01 WO PCT/US2018/035611 patent/WO2018223000A1/en active Application Filing
- 2018-06-01 EP EP18733756.3A patent/EP3635493B1/en active Active
- 2018-06-01 US US15/995,753 patent/US10698372B2/en active Active
- 2018-06-01 JP JP2019566088A patent/JP6928119B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130246316A1 (en) * | 2009-05-29 | 2013-09-19 | Aspen Technology, Inc. | Apparatus and Method for Automated Data Selection in Model Identification and Adaptation in Multivariable Process Control |
US20150324329A1 (en) * | 2011-09-19 | 2015-11-12 | Fisher-Rosemount Systems, Inc. | Inferential process modeling, quality prediction and fault detection using multi-stage data segregation |
US20140309756A1 (en) * | 2013-02-05 | 2014-10-16 | Yokogawa Corporation Of America | System, Method and Apparatus for Determining Properties of Product or Process Streams |
US20160320768A1 (en) * | 2015-05-01 | 2016-11-03 | Aspen Technology, Inc. | Computer System And Method For Causality Analysis Using Hybrid First-Principles And Inferential Model |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022059252A1 (ja) * | 2020-09-17 | 2022-03-24 | 株式会社日立製作所 | バリューチェーン計画連携方法、バリューチェーン計画連携装置およびバリューチェーン計画連携システム |
Also Published As
Publication number | Publication date |
---|---|
EP3635493B1 (en) | 2022-12-14 |
EP3635493A1 (en) | 2020-04-15 |
JP6928119B2 (ja) | 2021-09-01 |
US10698372B2 (en) | 2020-06-30 |
WO2018223000A1 (en) | 2018-12-06 |
US20180348717A1 (en) | 2018-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6928119B2 (ja) | 予測推論モデルをオンラインで構築し配備するコンピュータシステム及び方法 | |
JP7461440B2 (ja) | 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法 | |
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 | |
JP5734961B2 (ja) | 多変数プロセス制御においてモデルの品質を推定しモデルを適応させる装置およびその方法 | |
JP7394805B2 (ja) | 予測分析用の動作中心型第一原理プロセスモデルの動的構築及びオンライン配備のためのコンピュータシステム及び方法 | |
US10839115B2 (en) | Cleansing system for a feed composition based on environmental factors | |
JP6521578B2 (ja) | プロセス制御システムにおける非侵入的データ分析 | |
KR102169561B1 (ko) | 데이터 클린징 시스템 및 공급물 조성을 추론하기 위한 방법 | |
JP6043348B2 (ja) | 産業プロセスを監視する方法 | |
US20200387818A1 (en) | Asset Optimization Using Integrated Modeling, Optimization, and Artificial Intelligence | |
JP2002049409A (ja) | プロセス制御システムにおける適応推定モデル | |
JP2013093027A (ja) | 予測された欠陥分析 | |
US20130116802A1 (en) | Tracking simulation method | |
JP2019021186A (ja) | データ処理装置、制御システム、データ処理方法及びプログラム | |
JP4908433B2 (ja) | 制御パラメータ調整方法および制御パラメータ調整プログラム | |
JP2010049392A (ja) | Pidコントローラのチューニング装置、pidコントローラのチューニング用プログラムおよびpidコントローラのチューニング方法 | |
US20220180019A1 (en) | Systems and methods for digital twinning of a hydrocarbon system | |
US20240004356A1 (en) | System and method for building and deploying a sustainable dynamic reduced-order model (sdrom) for an industrial process | |
WO2019023210A1 (en) | CLEANING SYSTEM FOR CHARGE COMPOSITION BASED ON ENVIRONMENTAL FACTORS |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200124 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200124 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210105 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210402 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210713 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210805 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6928119 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |