JP2022041438A - シミュレーション装置および方法 - Google Patents
シミュレーション装置および方法 Download PDFInfo
- Publication number
- JP2022041438A JP2022041438A JP2020146634A JP2020146634A JP2022041438A JP 2022041438 A JP2022041438 A JP 2022041438A JP 2020146634 A JP2020146634 A JP 2020146634A JP 2020146634 A JP2020146634 A JP 2020146634A JP 2022041438 A JP2022041438 A JP 2022041438A
- Authority
- JP
- Japan
- Prior art keywords
- value
- predicted
- parameter
- simulation
- process value
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 245
- 238000004088 simulation Methods 0.000 title claims abstract description 188
- 238000010586 diagram Methods 0.000 description 11
- 238000013500 data storage Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000003507 refrigerant Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
【課題】シミュレーションの予測精度を向上させる。
【解決手段】シミュレーション装置は、シミュレーションモデル10に入力されるプロセス値とシミュレーションモデル10に設定されるパラメータ値との組を少なくともパラメータ値を変化させながら擬似的に生成するデータ生成部4と、データ生成部4によって生成されたプロセス値とパラメータ値と、これらプロセス値とパラメータ値とに対するシミュレーションモデル10の出力値とを学習用データとして用いて、パラメータ推定モデル11の学習を行う学習部6と、シミュレーションの実行前に、プロセス値の現在値とプロセス値の過去の実績値とを入力とするパラメータ推定モデル11の出力であるパラメータ値を計算し、パラメータ値をシミュレーションモデル10に設定するパラメータ設定部7とを備える。
【選択図】 図1
【解決手段】シミュレーション装置は、シミュレーションモデル10に入力されるプロセス値とシミュレーションモデル10に設定されるパラメータ値との組を少なくともパラメータ値を変化させながら擬似的に生成するデータ生成部4と、データ生成部4によって生成されたプロセス値とパラメータ値と、これらプロセス値とパラメータ値とに対するシミュレーションモデル10の出力値とを学習用データとして用いて、パラメータ推定モデル11の学習を行う学習部6と、シミュレーションの実行前に、プロセス値の現在値とプロセス値の過去の実績値とを入力とするパラメータ推定モデル11の出力であるパラメータ値を計算し、パラメータ値をシミュレーションモデル10に設定するパラメータ設定部7とを備える。
【選択図】 図1
Description
本発明は、対象プロセスをモデル化したシミュレーションモデルを用いて将来時刻におけるプロセス値を予測するシミュレーション装置および方法に関するものである。
従来より、各種プラントにおけるプロセスに関するシミュレーションを行うシミュレーション装置が用いられている(特許文献1、特許文献2参照)。実際のプラントにおいては、運転状態情報(運転プロセス変数値)は、設置されている限られたセンサ(圧力センサ、温度センサ、流量センサ等)からしか得ることができないが、シミュレーション装置によれば、任意のプラント装置(配管、熱交換器、タンク、制御弁等)におけるプロセス情報を得ることができ、将来の運転状態を推定するだけでなく、プラント内の任意位置におけるプロセス変数を間接的に測定する推定センサとしても有効利用することができる。
シミュレーション装置の適用例としては、例えば圧縮機の吐出圧力、吐出温度、圧縮機駆動用モータ電力消費量を予測するというものがある。このような圧縮機は、冷凍機の冷媒サーキットなどに使用されており、吐出温度、吐出圧力、モータ電力消費量の予測は、冷媒サーキットの設計もしくは、運転時の予防保全(特に、電力消費量予測値と実績のずれは圧縮機効率変化を間接的に示し、圧縮機経年劣化あるいは異常を示唆することになる)に不可欠である。
図9は圧縮機の動作を模式的に示す図である。圧縮機100は、モータ101の駆動力によってプロセスガスを圧送する。
図10は圧縮機100の吐出圧力と吐出温度と圧縮機モータ電力消費量とを予測するシミュレーションを説明する図である。このシミュレーションでは、現在の吐出圧力Y1(t)と、現在の吐出温度Y2(t)と、現在の圧縮機モータ電力消費量Y3(t)と、現在のガス流量X1(t)と、現在の吸込圧力X2(t)と、現在の吸込温度X3(t)と、吐出圧力と吐出温度と圧縮機モータ電力消費量とを予測したい将来時刻におけるガス流量の予測値X1(t+1)と、圧縮機効率とを、圧縮機100をモデル化した圧縮機モデル200に入力して、将来時刻における吐出圧力の推定値Y1(t+1)と吐出温度の推定値Y2(t+1)と圧縮機モータ電力消費量の推定値Y3(t+1)とを得る。
図10は圧縮機100の吐出圧力と吐出温度と圧縮機モータ電力消費量とを予測するシミュレーションを説明する図である。このシミュレーションでは、現在の吐出圧力Y1(t)と、現在の吐出温度Y2(t)と、現在の圧縮機モータ電力消費量Y3(t)と、現在のガス流量X1(t)と、現在の吸込圧力X2(t)と、現在の吸込温度X3(t)と、吐出圧力と吐出温度と圧縮機モータ電力消費量とを予測したい将来時刻におけるガス流量の予測値X1(t+1)と、圧縮機効率とを、圧縮機100をモデル化した圧縮機モデル200に入力して、将来時刻における吐出圧力の推定値Y1(t+1)と吐出温度の推定値Y2(t+1)と圧縮機モータ電力消費量の推定値Y3(t+1)とを得る。
吐出圧力、吐出温度、圧縮機モータ電力消費量を推定するためには、調整パラメータとして圧縮機効率を設定する必要がある。しかしながら、圧縮機効率は計測することができないため、この圧縮機効率の設定値によって吐出圧力、吐出温度、圧縮機モータ電力消費量の推定精度が低下する可能性があった。
このようなパラメータの設定の問題は圧縮機のシミュレーションに限らず、他のシミュレーションにおいても同様に発生する。
このようなパラメータの設定の問題は圧縮機のシミュレーションに限らず、他のシミュレーションにおいても同様に発生する。
本発明は、上記課題を解決するためになされたもので、パラメータの設定によって左右される予測精度の低下を回避し、予測精度を向上させることができるシミュレーション装置および方法を提供することを目的とする。
本発明のシミュレーション装置は、対象プロセスをモデル化したシミュレーションモデルと、前記シミュレーションモデルの入力値および出力値と前記シミュレーションモデルのパラメータ値との関係をモデル化したパラメータ推定モデルとを記憶するように構成された第1の記憶部と、前記パラメータ推定モデルの学習時に、前記シミュレーションモデルに入力されるプロセス値と前記パラメータ値との組を、少なくともパラメータ値を変化させながら擬似的に複数組生成するように構成されたデータ生成部と、前記パラメータ推定モデルの学習時に、前記データ生成部によって生成されたパラメータ値が前記シミュレーションモデルに設定された状態で、前記データ生成部によって生成されたプロセス値が入力されたときの前記シミュレーションモデルの出力値をプロセス値とパラメータ値の組毎に計算し、シミュレーションの実行時に、外部から取得したプロセス値の現在値を入力とする前記シミュレーションモデルの出力値を計算するように構成されたシミュレーション部と、前記パラメータ推定モデルの学習時に、前記データ生成部によって生成されたプロセス値とパラメータ値と、これらプロセス値とパラメータ値とに対する前記シミュレーションモデルの出力値とを学習用データとして記憶するように構成された第2の記憶部と、前記学習用データを用いて前記パラメータ推定モデルの学習を行うように構成された学習部と、シミュレーションの実行前に、前記プロセス値の現在値とこのプロセス値の過去の実績値とを入力とする前記パラメータ推定モデルの出力であるパラメータ値を計算し、このパラメータ値を前記シミュレーションモデルに設定するように構成されたパラメータ設定部とを備えることを特徴とするものである。
また、本発明のシミュレーション装置の1構成例において、前記シミュレーションモデルは、予測対象プロセス値の現在値と前記予測対象プロセス値に影響を与える関連プロセス値の将来時刻における予測値とを入力とし、将来時刻における前記予測対象プロセス値の予測値を出力とするものであり、前記データ生成部は、前記予測対象プロセス値の現在値と前記関連プロセス値の予測値と前記パラメータ値との組を、少なくともパラメータ値を変化させながら擬似的に複数組生成し、前記シミュレーション部は、前記パラメータ推定モデルの学習時に、前記データ生成部によって生成された前記予測対象プロセス値の現在値と前記関連プロセス値の予測値とが入力されたときの前記シミュレーションモデルの出力値を計算し、シミュレーションの実行時に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の予測値とを入力とする前記シミュレーションモデルの出力値を計算し、前記パラメータ設定部は、シミュレーションの実行前に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記予測対象プロセス値の過去の実績値とを入力とする前記パラメータ推定モデルの出力であるパラメータ値を計算し、このパラメータ値を前記シミュレーションモデルに設定することを特徴とするものである。
また、本発明のシミュレーション装置の1構成例において、前記シミュレーションモデルは、予測対象プロセス値の現在値と前記予測対象プロセス値に影響を与える関連プロセス値の現在値と前記関連プロセス値の将来時刻における予測値とを入力とし、将来時刻における前記予測対象プロセス値の予測値を出力とするものであり、前記データ生成部は、前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記関連プロセス値の予測値と前記パラメータ値との組を、少なくともパラメータ値を変化させながら擬似的に複数組生成し、前記シミュレーション部は、前記パラメータ推定モデルの学習時に、前記データ生成部によって生成された前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記関連プロセス値の予測値とが入力されたときの前記シミュレーションモデルの出力値を計算し、シミュレーションの実行時に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記関連プロセス値の予測値とを入力とする前記シミュレーションモデルの出力値を計算し、前記パラメータ設定部は、シミュレーションの実行前に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記予測対象プロセス値の過去の実績値と前記関連プロセス値の過去の実績値とを入力とする前記パラメータ推定モデルの出力であるパラメータ値を計算し、このパラメータ値を前記シミュレーションモデルに設定することを特徴とするものである。
また、本発明のシミュレーション方法は、シミュレーションモデルの入力値および出力値と前記シミュレーションモデルのパラメータ値との関係をモデル化したパラメータ推定モデルの学習時に、前記シミュレーションモデルに入力されるプロセス値と前記パラメータ値との組を、少なくともパラメータ値を変化させながら擬似的に複数組生成する第1のステップと、前記パラメータ推定モデルの学習時に、前記第1のステップで生成されたパラメータ値が前記シミュレーションモデルに設定された状態で、前記第1のステップで生成されたプロセス値が入力されたときの前記シミュレーションモデルの出力値をプロセス値とパラメータ値の組毎に計算する第2のステップと、前記パラメータ推定モデルの学習時に、前記第1のステップによって生成されたプロセス値とパラメータ値と、これらプロセス値とパラメータ値とに対する前記シミュレーションモデルの出力値とを学習用データとして記憶する第3のステップと、前記学習用データを用いて前記パラメータ推定モデルの学習を行う第4のステップと、シミュレーションの実行前に、外部から取得したプロセス値の現在値とこのプロセス値の過去の実績値とを入力とする前記パラメータ推定モデルの出力であるパラメータ値を計算し、このパラメータ値を前記シミュレーションモデルに設定する第5のステップと、シミュレーションの実行時に、前記プロセス値の現在値を入力とする前記シミュレーションモデルの出力値を計算する第6のステップとを含むことを特徴とするものである。
また、本発明のシミュレーション方法の1構成例において、前記シミュレーションモデルは、予測対象プロセス値の現在値と前記予測対象プロセス値に影響を与える関連プロセス値の将来時刻における予測値とを入力とし、将来時刻における前記予測対象プロセス値の予測値を出力とするものであり、前記第1のステップは、前記予測対象プロセス値の現在値と前記関連プロセス値の予測値と前記パラメータ値との組を、少なくともパラメータ値を変化させながら擬似的に複数組生成するステップを含み、前記第2のステップは、前記パラメータ推定モデルの学習時に、前記第1のステップによって生成された前記予測対象プロセス値の現在値と前記関連プロセス値の予測値とが入力されたときの前記シミュレーションモデルの出力値を計算するステップを含み、前記第5のステップは、シミュレーションの実行前に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記予測対象プロセス値の過去の実績値とを入力とする前記パラメータ推定モデルの出力であるパラメータ値を計算し、このパラメータ値を前記シミュレーションモデルに設定するステップを含み、前記第6のステップは、シミュレーションの実行時に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の予測値とを入力とする前記シミュレーションモデルの出力値を計算するステップを含むことを特徴とするものである。
また、本発明のシミュレーション方法の1構成例において、前記シミュレーションモデルは、予測対象プロセス値の現在値と前記予測対象プロセス値に影響を与える関連プロセス値の現在値と前記関連プロセス値の将来時刻における予測値とを入力とし、将来時刻における前記予測対象プロセス値の予測値を出力とするものであり、前記第1のステップは、前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記関連プロセス値の予測値と前記パラメータ値との組を、少なくともパラメータ値を変化させながら擬似的に複数組生成するステップを含み、前記第2のステップは、前記パラメータ推定モデルの学習時に、前記第1のステップによって生成された前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記関連プロセス値の予測値とが入力されたときの前記シミュレーションモデルの出力値を計算するステップを含み、前記第5のステップは、シミュレーションの実行前に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記予測対象プロセス値の過去の実績値と前記関連プロセス値の過去の実績値とを入力とする前記パラメータ推定モデルの出力であるパラメータ値を計算し、このパラメータ値を前記シミュレーションモデルに設定するステップを含み、前記第6のステップは、シミュレーションの実行時に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記関連プロセス値の予測値とを入力とする前記シミュレーションモデルの出力値を計算するステップを含むことを特徴とするものである。
本発明によれば、擬似的に生成したプロセス値とパラメータ値とシミュレーションモデルとを用いてパラメータ推定モデルを学習し、シミュレーションの実行前に、学習済みのパラメータ推定モデルにプロセス値の現在値と過去の実績値とを入力してパラメータ値を計算し、このパラメータ値をシミュレーションモデルに設定することにより、シミュレーションの予測精度を向上させることができる。
以下、本発明の実施例について図面を参照して説明する。図1は本発明の実施例に係るシミュレーション装置の構成を示すブロック図である。シミュレーション装置は、モデル記憶部1(第1の記憶部)と、シミュレーション部2と、データ蓄積部3と、データ生成部4と、学習用データ記憶部5(第2の記憶部)と、学習部6と、パラメータ設定部7とを備えている。
モデル記憶部1には、対象プロセスをモデル化した、ソフトウェア的に構築された数学モデルであるシミュレーションモデル10と、シミュレーションモデル10の入力値および出力値とシミュレーションモデル10のパラメータ値との関係をモデル化した、ソフトウェア的に構築された数学モデルであるパラメータ推定モデル11とが記憶されている。
まず、パラメータ推定モデル11を学習する動作について説明する。図2は本実施例のシミュレーション装置の学習動作を説明するフローチャートである。
データ生成部4は、シミュレーションモデル10に入力されるプロセス値Y1p(t),,,Ymp(t),X1p(t),,,Xnp(t),X1p(t+1),,,Xnp(t+1)とシミュレーションモデル10のパラメータ値αpとの組を、プロセス値とパラメータ値のうち少なくともパラメータ値を変化させながら複数組生成する(図2ステップS100)。
データ生成部4は、シミュレーションモデル10に入力されるプロセス値Y1p(t),,,Ymp(t),X1p(t),,,Xnp(t),X1p(t+1),,,Xnp(t+1)とシミュレーションモデル10のパラメータ値αpとの組を、プロセス値とパラメータ値のうち少なくともパラメータ値を変化させながら複数組生成する(図2ステップS100)。
プロセス値Y1p(t),,,Ymp(t)(mは1以上の整数)は、予測対象プロセス値の現在値を疑似的に生成したものであり、圧縮機シミュレーションの例では吐出圧力と吐出温度と圧縮機モータ電力消費量の現在値である。プロセス値X1p(t),,,Xnp(t)(nは1以上の整数)は、予測対象プロセス値に影響を与える関連プロセス値の現在値を疑似的に生成したものであり、圧縮機シミュレーションの例ではガス流量と吸込圧力と吸込温度の現在値である。プロセス値X1p(t+1),,,Xnp(t+1)は、関連プロセス値の将来時刻における予測値を疑似的に生成したものであり、圧縮機シミュレーションの例ではガス流量の予測値である。パラメータ値αpは、シミュレーションモデル10に設定されるパラメータ値の一時的な値であり、圧縮機シミュレーションの例では圧縮機効率である。
プロセス値については、想定し得る所定の入力範囲内で変化させるようにすればよい。同様に、パラメータ値については、想定し得る所定のパラメータ範囲内で変化させるようにすればよい。
データ生成部4は、プロセス値Y1p(t),,,Ymp(t),X1p(t),,,Xnp(t),X1p(t+1),,,Xnp(t+1)とパラメータ値αpとの組を、パラメータ値のみを変化させながら、あるいはプロセス値とパラメータ値の両方を変化させながら複数組生成する。
シミュレーション部2は、シミュレーションモデル10にパラメータ値αpが設定された状態で、プロセス値Y1p(t),,,Ymp(t),X1p(t),,,Xnp(t),X1p(t+1),,,Xnp(t+1)が入力されたときのシミュレーションモデル10の出力値Y1(t+1),,,Ym(t+1)を、プロセス値とパラメータ値の組毎に計算する(図2ステップS101)。出力値Y1(t+1),,,Ym(t+1)は、圧縮機シミュレーションの例では将来時刻における吐出圧力と吐出温度と圧縮機モータ電力消費量の予測値である。
学習用データ記憶部5は、プロセス値Y1p(t),,,Ymp(t),X1p(t),,,Xnp(t),X1p(t+1),,,Xnp(t+1)とパラメータ値αpと、これらに対応するシミュレーションモデル10の出力値Y1(t+1),,,Ym(t+1)とを学習用データとして記憶する(図2ステップS102)。こうして、プロセス値とパラメータ値と出力値との組からなる学習用データが複数組生成される。この学習用データ生成の過程を図3に示す。
次に、学習部6は、学習用データ記憶部5に記憶されている学習用データに含まれるプロセス値Y1p(t),,,Ymp(t),X1p(t),,,Xnp(t),X1p(t+1),,,Xnp(t+1)と出力値Y1(t+1),,,Ym(t+1)とをパラメータ推定モデル11の入力変数とし、これらプロセス値と出力値とに対応するパラメータ値αpをパラメータ推定モデル11の出力変数として、目的とする出力変数が得られるようにパラメータ推定モデル11の機械学習を行う(図2ステップS103)。
以上で、学習動作が終了する。なお、機械学習の方法は周知の技術であるので、詳細な説明は省略する。
以上で、学習動作が終了する。なお、機械学習の方法は周知の技術であるので、詳細な説明は省略する。
図4は本実施例のシミュレーション装置のシミュレーション動作を説明するフローチャートである。データ蓄積部3には、対象のプラントから過去に取得したプロセス値Y1,,,Ym,X1,,,Xnが蓄積されている。
シミュレーションの実行前に、パラメータ設定部7は、図5に示すように対象のプラントから取得した予測対象プロセス値の現在値Y1(t),,,Ym(t)と関連プロセス値の現在値X1(t),,,Xn(t)と、データ蓄積部3に蓄積されている過去の予測対象プロセス値の実績値Y1(t-1),,,Ym(t-1)と過去の関連プロセス値の実績値X1(t-1),,,Xn(t-1)とが入力されたときのパラメータ推定モデル11の出力値αを計算する(図4ステップS200)。
つまり、関連プロセス値の現在値X1(t),,,Xn(t)と予測対象プロセス値の実績値Y1(t-1),,,Ym(t-1)と関連プロセス値の実績値X1(t-1),,,Xn(t-1)とは、過去の時点におけるシミュレーションモデル10の入力値に相当する。予測対象プロセス値の現在値Y1(t),,,Ym(t)は、過去の時点におけるシミュレーションモデル10の出力値に相当する。関連プロセス値の現在値は、圧縮機シミュレーションの例ではガス流量の現在値X1(t)と吸込圧力の現在値X2(t)と吸込温度の現在値X3(t)である。関連プロセス値の実績値は、圧縮機シミュレーションの例ではガス流量の過去の実績値X1(t-1)と吸込圧力の過去の実績値X2(t-1)と吸込温度の過去の実績値X3(t-1)である。予測対象プロセス値の実績値は、圧縮機シミュレーションの例では吐出圧力の実績値Y1(t-1)と吐出温度の実績値Y2(t-1)と圧縮機モータ電力消費量の実績値Y3(t-1)である。予測対象プロセス値の現在値は、圧縮機シミュレーションの例では吐出圧力の現在値Y1(t)と吐出温度の現在値Y2(t)と圧縮機モータ電力消費量の現在値Y3(t)である。したがって、これらの値をパラメータ推定モデル11に入力すれば、パラメータ値αを計算することが可能である。
プロセス値の実績値が計測された過去の時点と現時点との時間間隔は、現時点とプロセス値を予測したい将来時刻との時間間隔に等しい。
プロセス値の実績値が計測された過去の時点と現時点との時間間隔は、現時点とプロセス値を予測したい将来時刻との時間間隔に等しい。
パラメータ設定部7は、パラメータ推定モデル11を用いて計算したパラメータ値αをシミュレーションモデル10に設定する(図4ステップS201)。
パラメータ値αの設定後、シミュレーション部2は、予測対象プロセス値の現在値Y1(t),,,Ym(t)と関連プロセス値の現在値X1(t),,,Xn(t)を取得すると共に、関連プロセス値の予測値X1(t+1),,,Xn(t+1)を取得する。現在値Y1(t),,,Ym(t),X1(t),,,Xn(t)はプラントのセンサ等から取得できる。予測値X1(t+1),,,Xn(t+1)は、外部の予測システム(例えば気象予測システム)から取得することができる。そして、シミュレーション部2は、予測対象プロセス値の現在値Y1(t),,,Ym(t)と関連プロセス値の現在値X1(t),,,Xn(t)と関連プロセス値の予測値X1(t+1),,,Xn(t+1)とが入力されたときのシミュレーションモデル10の出力値Y1(t+1),,,Ym(t+1)を計算する(図4ステップS202)。
こうして、図6に示すように将来時刻における予測値Y1(t+1),,,Ym(t+1)を得ることができる。図6を圧縮機シミュレーションについて具体的に記述すれば、図7のようになる。
本実施例では、擬似的に生成したプロセス値とパラメータ値とシミュレーションモデルとを用いてパラメータ推定モデルを学習し、シミュレーションの実行前に、学習済みのパラメータ推定モデルにプロセス値の現在値と過去の実績値とを入力してパラメータ値を計算し、このパラメータ値をシミュレーションモデルに設定することにより、シミュレーションの予測精度を向上させることができる。
なお、本実施例で説明した全てのプロセス値を用いることは本発明の必須の構成要件ではない。例えば関連プロセス値の現在値を必要としない構成であってもよい。この場合、シミュレーションモデル10は、予測対象プロセス値の現在値と関連プロセス値の予測値とを入力とする。データ生成部4は、予測対象プロセス値の現在値と関連プロセス値の予測値とパラメータ値との組を擬似的に複数組生成する。シミュレーション部2は、パラメータ推定モデル11の学習時に、データ生成部4によって生成された予測対象プロセス値の現在値と関連プロセス値の予測値とが入力されたときのシミュレーションモデル10の出力値を計算する。パラメータ設定部7は、外部から取得した予測対象プロセス値の現在値と関連プロセス値の現在値と予測対象プロセス値の過去の実績値とを入力とするパラメータ推定モデル11の出力を計算する。
本実施例で説明したシミュレーション装置は、CPU(Central Prodessing Unit)、記憶装置及びインタフェースを備えたコンピュータと、これらのハードウェア資源を制御するプログラムによって実現することができる。このコンピュータの構成例を図8に示す。
コンピュータは、CPU300と、記憶装置301と、インタフェース装置(I/F)302とを備えている。I/F302には、プラントの管理装置や予測システムなどが接続される。このようなコンピュータにおいて、本発明のシミュレーション方法を実現させるためのプログラムは記憶装置301に格納される。CPU300は、記憶装置301に格納されたプログラムに従って本実施例で説明した処理を実行する。
本発明は、プロセスシミュレーション技術に適用することができる。
1…モデル記憶部、2…シミュレーション部、3…データ蓄積部、4…データ生成部、5…学習用データ記憶部、6…学習部、7…パラメータ設定部、10…シミュレーションモデル、11…パラメータ推定モデル。
Claims (6)
- 対象プロセスをモデル化したシミュレーションモデルと、前記シミュレーションモデルの入力値および出力値と前記シミュレーションモデルのパラメータ値との関係をモデル化したパラメータ推定モデルとを記憶するように構成された第1の記憶部と、
前記パラメータ推定モデルの学習時に、前記シミュレーションモデルに入力されるプロセス値と前記パラメータ値との組を、少なくともパラメータ値を変化させながら擬似的に複数組生成するように構成されたデータ生成部と、
前記パラメータ推定モデルの学習時に、前記データ生成部によって生成されたパラメータ値が前記シミュレーションモデルに設定された状態で、前記データ生成部によって生成されたプロセス値が入力されたときの前記シミュレーションモデルの出力値をプロセス値とパラメータ値の組毎に計算し、シミュレーションの実行時に、外部から取得したプロセス値の現在値を入力とする前記シミュレーションモデルの出力値を計算するように構成されたシミュレーション部と、
前記パラメータ推定モデルの学習時に、前記データ生成部によって生成されたプロセス値とパラメータ値と、これらプロセス値とパラメータ値とに対する前記シミュレーションモデルの出力値とを学習用データとして記憶するように構成された第2の記憶部と、
前記学習用データを用いて前記パラメータ推定モデルの学習を行うように構成された学習部と、
シミュレーションの実行前に、前記プロセス値の現在値とこのプロセス値の過去の実績値とを入力とする前記パラメータ推定モデルの出力であるパラメータ値を計算し、このパラメータ値を前記シミュレーションモデルに設定するように構成されたパラメータ設定部とを備えることを特徴とするシミュレーション装置。 - 請求項1記載のシミュレーション装置において、
前記シミュレーションモデルは、予測対象プロセス値の現在値と前記予測対象プロセス値に影響を与える関連プロセス値の将来時刻における予測値とを入力とし、将来時刻における前記予測対象プロセス値の予測値を出力とするものであり、
前記データ生成部は、前記予測対象プロセス値の現在値と前記関連プロセス値の予測値と前記パラメータ値との組を、少なくともパラメータ値を変化させながら擬似的に複数組生成し、
前記シミュレーション部は、前記パラメータ推定モデルの学習時に、前記データ生成部によって生成された前記予測対象プロセス値の現在値と前記関連プロセス値の予測値とが入力されたときの前記シミュレーションモデルの出力値を計算し、シミュレーションの実行時に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の予測値とを入力とする前記シミュレーションモデルの出力値を計算し、
前記パラメータ設定部は、シミュレーションの実行前に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記予測対象プロセス値の過去の実績値とを入力とする前記パラメータ推定モデルの出力であるパラメータ値を計算し、このパラメータ値を前記シミュレーションモデルに設定することを特徴とするシミュレーション装置。 - 請求項1記載のシミュレーション装置において、
前記シミュレーションモデルは、予測対象プロセス値の現在値と前記予測対象プロセス値に影響を与える関連プロセス値の現在値と前記関連プロセス値の将来時刻における予測値とを入力とし、将来時刻における前記予測対象プロセス値の予測値を出力とするものであり、
前記データ生成部は、前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記関連プロセス値の予測値と前記パラメータ値との組を、少なくともパラメータ値を変化させながら擬似的に複数組生成し、
前記シミュレーション部は、前記パラメータ推定モデルの学習時に、前記データ生成部によって生成された前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記関連プロセス値の予測値とが入力されたときの前記シミュレーションモデルの出力値を計算し、シミュレーションの実行時に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記関連プロセス値の予測値とを入力とする前記シミュレーションモデルの出力値を計算し、
前記パラメータ設定部は、シミュレーションの実行前に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記予測対象プロセス値の過去の実績値と前記関連プロセス値の過去の実績値とを入力とする前記パラメータ推定モデルの出力であるパラメータ値を計算し、このパラメータ値を前記シミュレーションモデルに設定することを特徴とするシミュレーション装置。 - シミュレーションモデルの入力値および出力値と前記シミュレーションモデルのパラメータ値との関係をモデル化したパラメータ推定モデルの学習時に、前記シミュレーションモデルに入力されるプロセス値と前記パラメータ値との組を、少なくともパラメータ値を変化させながら擬似的に複数組生成する第1のステップと、
前記パラメータ推定モデルの学習時に、前記第1のステップで生成されたパラメータ値が前記シミュレーションモデルに設定された状態で、前記第1のステップで生成されたプロセス値が入力されたときの前記シミュレーションモデルの出力値をプロセス値とパラメータ値の組毎に計算する第2のステップと、
前記パラメータ推定モデルの学習時に、前記第1のステップによって生成されたプロセス値とパラメータ値と、これらプロセス値とパラメータ値とに対する前記シミュレーションモデルの出力値とを学習用データとして記憶する第3のステップと、
前記学習用データを用いて前記パラメータ推定モデルの学習を行う第4のステップと、
シミュレーションの実行前に、外部から取得したプロセス値の現在値とこのプロセス値の過去の実績値とを入力とする前記パラメータ推定モデルの出力であるパラメータ値を計算し、このパラメータ値を前記シミュレーションモデルに設定する第5のステップと、
シミュレーションの実行時に、前記プロセス値の現在値を入力とする前記シミュレーションモデルの出力値を計算する第6のステップとを含むことを特徴とするシミュレーション方法。 - 請求項4記載のシミュレーション方法において、
前記シミュレーションモデルは、予測対象プロセス値の現在値と前記予測対象プロセス値に影響を与える関連プロセス値の将来時刻における予測値とを入力とし、将来時刻における前記予測対象プロセス値の予測値を出力とするものであり、
前記第1のステップは、前記予測対象プロセス値の現在値と前記関連プロセス値の予測値と前記パラメータ値との組を、少なくともパラメータ値を変化させながら擬似的に複数組生成するステップを含み、
前記第2のステップは、前記パラメータ推定モデルの学習時に、前記第1のステップによって生成された前記予測対象プロセス値の現在値と前記関連プロセス値の予測値とが入力されたときの前記シミュレーションモデルの出力値を計算するステップを含み、
前記第5のステップは、シミュレーションの実行前に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記予測対象プロセス値の過去の実績値とを入力とする前記パラメータ推定モデルの出力であるパラメータ値を計算し、このパラメータ値を前記シミュレーションモデルに設定するステップを含み、
前記第6のステップは、シミュレーションの実行時に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の予測値とを入力とする前記シミュレーションモデルの出力値を計算するステップを含むことを特徴とするシミュレーション方法。 - 請求項4記載のシミュレーション方法において、
前記シミュレーションモデルは、予測対象プロセス値の現在値と前記予測対象プロセス値に影響を与える関連プロセス値の現在値と前記関連プロセス値の将来時刻における予測値とを入力とし、将来時刻における前記予測対象プロセス値の予測値を出力とするものであり、
前記第1のステップは、前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記関連プロセス値の予測値と前記パラメータ値との組を、少なくともパラメータ値を変化させながら擬似的に複数組生成するステップを含み、
前記第2のステップは、前記パラメータ推定モデルの学習時に、前記第1のステップによって生成された前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記関連プロセス値の予測値とが入力されたときの前記シミュレーションモデルの出力値を計算するステップを含み、
前記第5のステップは、シミュレーションの実行前に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記予測対象プロセス値の過去の実績値と前記関連プロセス値の過去の実績値とを入力とする前記パラメータ推定モデルの出力であるパラメータ値を計算し、このパラメータ値を前記シミュレーションモデルに設定するステップを含み、
前記第6のステップは、シミュレーションの実行時に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記関連プロセス値の予測値とを入力とする前記シミュレーションモデルの出力値を計算するステップを含むことを特徴とするシミュレーション方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020146634A JP2022041438A (ja) | 2020-09-01 | 2020-09-01 | シミュレーション装置および方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020146634A JP2022041438A (ja) | 2020-09-01 | 2020-09-01 | シミュレーション装置および方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022041438A true JP2022041438A (ja) | 2022-03-11 |
Family
ID=80500266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020146634A Pending JP2022041438A (ja) | 2020-09-01 | 2020-09-01 | シミュレーション装置および方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2022041438A (ja) |
-
2020
- 2020-09-01 JP JP2020146634A patent/JP2022041438A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111684160B (zh) | 用于优化风扇或风扇布置的效率和/或运行性能的方法 | |
US20210034021A1 (en) | Method for optimized operation of a fan or a fan assembly | |
JP2020173551A (ja) | 故障予測装置、故障予測方法、コンピュータプログラム、計算モデルの学習方法および計算モデルの生成方法 | |
US20050273296A1 (en) | Neural network model for electric submersible pump system | |
JP7187673B2 (ja) | 機械の残存耐用寿命を予測するための装置および方法 | |
US20210158152A1 (en) | Simulation system for semiconductor process and simulation method thereof | |
US20130144444A1 (en) | Method for determining parameters for controlling an hvca system | |
US11795958B2 (en) | Method for determining operating states of a fan | |
CN114428462B (zh) | 基于mpc算法对被控系统进行动态控制的方法、设备和介质 | |
CN113568379A (zh) | 控制辅助装置、控制辅助方法、计算机可读介质及控制系统 | |
JP2022041438A (ja) | シミュレーション装置および方法 | |
CN110163389B (zh) | 运用于预见性维护管理中的神经元网络方法 | |
JPWO2019064322A1 (ja) | 機器制御システム | |
JP7081070B2 (ja) | 消費電力推定装置 | |
JP2003005822A (ja) | 設備管理システム | |
JPH10323070A (ja) | モータ制御装置 | |
WO2013034171A1 (en) | Arrangement and method for system identification of an industrial plant or process | |
EP3866045A1 (en) | Method and system for determining the mechanical response of a component | |
WO2024080142A1 (ja) | シミュレーションモデル構築方法、及び、シミュレーション方法 | |
EP4198655A1 (en) | Establishing or improving a simulation model of an electrolyzer plant | |
WO2022210472A1 (ja) | 加工条件調整装置 | |
JP2012198799A (ja) | シミュレータ自動生成装置およびシミュレータ検証システム | |
TWI806611B (zh) | 適於空氣壓縮機群組的最佳化系統及其方法 | |
EP3945375B1 (en) | Machine controller and methods for configuring and using the machine controller | |
CN116910984B (zh) | 压射曲线参数优化方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230823 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240313 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240507 |