JP2023019823A - 情報処理装置、情報処理方法、情報処理プログラム、モデル生成方法およびモデル生成プログラム - Google Patents
情報処理装置、情報処理方法、情報処理プログラム、モデル生成方法およびモデル生成プログラム Download PDFInfo
- Publication number
- JP2023019823A JP2023019823A JP2021124842A JP2021124842A JP2023019823A JP 2023019823 A JP2023019823 A JP 2023019823A JP 2021124842 A JP2021124842 A JP 2021124842A JP 2021124842 A JP2021124842 A JP 2021124842A JP 2023019823 A JP2023019823 A JP 2023019823A
- Authority
- JP
- Japan
- Prior art keywords
- model
- plant
- output result
- output
- physical model
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims description 45
- 238000003672 processing method Methods 0.000 title claims description 6
- 238000010801 machine learning Methods 0.000 claims abstract description 102
- 239000002994 raw material Substances 0.000 claims abstract description 70
- 230000003595 spectral effect Effects 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 34
- 238000004611 spectroscopical analysis Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 24
- 238000011109 contamination Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 description 67
- 238000010586 diagram Methods 0.000 description 44
- 238000004364 calculation method Methods 0.000 description 22
- 238000001228 spectrum Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 239000000203 mixture Substances 0.000 description 13
- 238000006243 chemical reaction Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 229920003023 plastic Polymers 0.000 description 10
- 239000004033 plastic Substances 0.000 description 10
- 238000004064 recycling Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 239000002699 waste material Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000005979 thermal decomposition reaction Methods 0.000 description 4
- 239000003999 initiator Substances 0.000 description 3
- 239000000178 monomer Substances 0.000 description 3
- 239000003208 petroleum Substances 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005115 demineralization Methods 0.000 description 1
- 230000002328 demineralizing effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- -1 petrochemical Substances 0.000 description 1
- 238000010526 radical polymerization reaction Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- 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
- 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
- G05B13/042—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 in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31431—Identify and classify excess raw material; reuse
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
【課題】プラントの運転支援システムを構築することを課題とする。
【解決手段】情報処理装置は、プラントで製造される製造物の原料に基づく情報を物理モデルに入力して第１の出力結果を取得する。情報処理装置は、原料に対する分光センシングにより得られる分光スペクトルデータに基づく成分情報および物理モデルの出力を機械学習モデルに入力して第２の出力結果を取得する。情報処理装置は、第１の出力結果と第２の出力結果とを用いて、プラントの状態に関する情報を出力する。
【選択図】図１
【解決手段】情報処理装置は、プラントで製造される製造物の原料に基づく情報を物理モデルに入力して第１の出力結果を取得する。情報処理装置は、原料に対する分光センシングにより得られる分光スペクトルデータに基づく成分情報および物理モデルの出力を機械学習モデルに入力して第２の出力結果を取得する。情報処理装置は、第１の出力結果と第２の出力結果とを用いて、プラントの状態に関する情報を出力する。
【選択図】図１
Description
本発明は、情報処理装置、情報処理方法、情報処理プログラム、モデル生成方法およびモデル生成プログラムに関する。
今後、人口増加と経済成長に伴って資源需要が拡大することから、経済成長と資源消費量の削減との両立を目指す取り組みであるCircular Economy（CE）が注目されている。このようなCEは、リサイクル分野にも適用されている。例えば、プラスチック分野におけるCE実現には、水平リサイクルであるケミカルリサイクルが必要である。一方で、日本国内でリサイクルされるプラスチックは１割程度であるものの、廃プラスチックの輸出が難しなってきており、国内で対応することが要求されている。
近年では、CEを実現するリサイクルプラントや他のプラントにおいて、物理モデルを用いたシミュレーション等により、プラント内の各処理の精度や生成物の品質などを予測し、物理モデルを用いたプラントの運転支援などの技術が知られている。
しかしながら、上記物理モデルでは、プラントの運転支援を行うことが難しい面がある。例えば、化学プラントを例にすると、CEの化学プラントでは、原料のばらつきが大きく、それぞれのばらつきに応じた物理モデルを用意することが難しい。また、各ばらつきに適合した１つの物理モデルを用いた場合、物理モデルによる予測精度が劣化し、運転支援の妥当性や安全性も低下する。
本発明は、プラントの運転支援システムを構築することを目的とする。
一側面にかかる情報処理装置は、プラントで製造される製造物の原料に基づく情報を物理モデルに入力して第１の出力結果を取得する第１取得部と、前記原料に対する分光センシングにより得られる分光スペクトルデータに基づく成分情報および前記物理モデルの出力を機械学習モデル（誤差モデル）に入力して第２の出力結果を取得する第２取得部と、前記第１の出力結果と前記第２の出力結果とを用いて、前記プラントの状態に関する情報を出力する出力制御部とを有する。
一側面にかかる情報処理方法は、コンピュータが、プラントで製造される製造物の原料に基づく情報を物理モデルに入力して第１の出力結果を取得し、前記原料に対する分光センシングにより得られる分光スペクトルデータに基づく成分情報および前記物理モデルの出力を機械学習モデルに入力して第２の出力結果を取得し、前記第１の出力結果と前記第２の出力結果とを用いて、前記プラントの状態に関する情報を出力する、処理を実行する。
一側面にかかる情報処理プログラムは、コンピュータに、プラントで製造される製造物の原料に基づく情報を物理モデルに入力して第１の出力結果を取得し、前記原料に対する分光センシングにより得られる分光スペクトルデータに基づく成分情報および前記物理モデルの出力を機械学習モデルに入力して第２の出力結果を取得し、前記第１の出力結果と前記第２の出力結果とを用いて、前記プラントの状態に関する情報を出力する、処理を実行させる。
一実施形態によれば、プラントの運転支援システムを構築することができる。
以下に、本願の開示する情報処理装置、情報処理方法、情報処理プログラム、モデル生成方法およびモデル生成プログラムの実施形態を図面に基づいて詳細に説明する。なお、この実施形態によりこの発明が限定されるものではない。また、同一の要素には同一の符号を付し、重複する説明は適宜省略し、各実施形態は、矛盾のない範囲内で適宜組み合わせることができる。
［実施形態１］
［全体構成］
図１は、実施形態１にかかる情報処理装置１０を含む運転支援システムの一例を説明する図である。図１に示すように、この運転支援システムは、化学プラント１、制御システム２、情報処理装置１０、オペレータ端末３を有し、情報処理装置１０によって化学プラント１の安全運転を支援するシステムである。なお、各装置は、有線や無線を問わず、インターネットや専用線などの通信網により接続される。
［全体構成］
図１は、実施形態１にかかる情報処理装置１０を含む運転支援システムの一例を説明する図である。図１に示すように、この運転支援システムは、化学プラント１、制御システム２、情報処理装置１０、オペレータ端末３を有し、情報処理装置１０によって化学プラント１の安全運転を支援するシステムである。なお、各装置は、有線や無線を問わず、インターネットや専用線などの通信網により接続される。
化学プラント１は、廃プラスチックリサイクルを実行する油化プロセスの一例である。油化プロセスとしては、廃プラスチック原料（廃プラ原料）の前処理、脱塩、溶融、溶融原料の熱分解、熱分解により生じたガスを冷却する一連のプロセスを含む。なお、本実施形態では、油化プロセスを例にして説明するが、他のプロセスについても同様に適用することができる。
制御システム２は、オペレータの操作や自動制御により、化学プラント１の運転を制御するコンピュータ装置を含む分散型制御システム（DCS：Distributed Control System）の一例である。また、制御システム２では、プラントや工場等において、プロセスにおける各種の状態量（例えば、圧力、温度、流量等）を制御するコントローラを有し、高度な自動操業が実現されている。例えば、コントローラが、複数のセンサ（流量計や温度計等）の検出結果を取得し、この検出結果に応じてアクチュエータ（バルブ等）の操作量を求め、この操作量に応じてアクチュエータを操作することによって、上述した各種の状態量が制御されている。
オペレータ端末３は、化学プラント１の運転状況を監視したり、制御システム２への各種制御を実行したりするオペレータが使用するコンピュータ装置の一例である。情報処理装置１０は、化学プラント１のCEを実現させる機械学習モデルを用いた運転支援を行うコンピュータ装置の一例である。
油化プロセスはプラスチックリサイクルによりCE実現に寄与する。ここで、CE実現に向けたリサイクルプロセスの課題について説明する。図２に示すように、CEを行う以前では、石油から精製された化学品を原料として、化学プラントにおいてペットボトルなどの製品が生成されていた。この手法では、統一された精製手法により、石油から原料が生成されるので、原料のばらつきは規格値内に収まり、化学プラントの運転に与える影響も小さい。すなわち、統一的な物理モデルなどを用いた予測制御を実行することができる。
一方で、CEでは、使用済みのプラスチックやバイオマス等を原料として、化学プラントにおいてペットボトルなどの製品が生成される。このCEでは、多様な不純物を含みばらつきが大きい原料を使用することになるので、原料の状態に適した操作の選択や状態を判定する必要があり、化学プラントの操作が難しい。すなわち、統一的な物理モデルなどを用いた予測制御を実行することが難しい。
そこで、本実施形態では、物理モデルと機械学習モデルとを用いたハイブリッドモデルを用いて、原料を用いた物理モデルによる予測を、機械学習モデルで補完することにより、原料の状態に適した運転支援を自動で実行する。
ここで、ハイブリッドモデルを用いた情報処理装置１０により運転支援を説明する。図３は、実施形態１にかかる情報処理装置１０を用いたプラント運転支援を説明する図である。図３に示すように、情報処理装置１０は、物理モデルを用いて、原料への分光センシングにより得られた分光スペクトルデータから化学プラント１の状態に関する情報を取得する。また、情報処理装置１０は、機械学習モデルを用いて、原料の分光スペクトルデータと化学プラント１のプラントデータと物理モデルの出力結果から、化学プラント１の状態に関する情報を取得する。
そして、情報処理装置１０は、物理モデルの出力結果と機械学習モデルの出力結果とを用いて、プラントオペレータへの情報提供を実行する。例えば、情報処理装置１０は、物理モデルの出力結果と機械学習モデルの出力結果と加算した合計値により、原料の濃度や化学プラント１の温度など、プラントオペレータが操作を決定するための各種情報を生成して出力する。この結果、情報処理装置１０は、CEの化学プラント１に対しても、効率的で安全な運転支援システムを構築することができる。
［機能構成］
次に、図１に示した運転支援システムを実現する各装置の機能構成について説明する。なお、化学プラント１、制御システム２、オペレータ端末３は、プラント操業で利用される各装置と同様の構成を有するので、詳細な説明は省略し、ここでは、情報処理装置１０について説明する。
次に、図１に示した運転支援システムを実現する各装置の機能構成について説明する。なお、化学プラント１、制御システム２、オペレータ端末３は、プラント操業で利用される各装置と同様の構成を有するので、詳細な説明は省略し、ここでは、情報処理装置１０について説明する。
図４は、実施形態１にかかる情報処理装置１０の機能構成を示す機能ブロック図である。図４に示すように、情報処理装置１０は、通信部１１、表示部１２、記憶部１３、制御部２０を有する。
通信部１１は、他の装置との間の通信を制御する処理部であり、例えば通信インタフェースなどにより実現される。例えば、通信部１１は、分光器などから分光スペクトルデータを受信し、化学プラント１からプラントデータを取得する。また、通信部１１は、オペレータ端末３や化学プラント１に、制御部２０で生成される予測結果を送信することもできる。
表示部１２は、各種情報を表示出力する処理部であり、例えばディスプレイやタッチパネルなどにより実現される。例えば、表示部１２は、制御部２０で生成される予測結果を表示出力する。
記憶部１３は、各種データや制御部２０が実行するプログラムなどを記憶する処理部であり、例えばメモリやハードディスクにより実現される。この記憶部１３は、訓練データ群１４、物理モデル１５、第１機械学習モデル１６を記憶する。
訓練データ群１４は、第１機械学習モデル１６の訓練に使用される複数の訓練データから構成される。例えば、訓練データ群１４に記憶される各訓練データは、説明変数と目的変数を含むデータである。ここで、説明変数には、例えば分光スペクトルデータから主成分が除かれた差分スペクトルデータや物理モデル１５の出力結果などが含まれる。目的変数には、化学プラント１から直接得られた結果（例えば実測値や理論値など）と物理モデル１５の出力結果との差分（誤差）などがある。
物理モデル１５は、化学プラント１の状態に関する情報を算出するシミュレーション等を実行する算出式などである。例えば、物理モデル１５としては、「ｄＣａ／ｄｔ＝－ｋＣａＣｂ」などのような化学反応の速度論の式などである。ここで、ＣａとＣｂは成分を示し、ａとｂは組成を示し、ｔは時間を示し、ｋは反応速度定数を示す。この式では、初期組成が物理モデル１５への入力となり、組成の時間変化が出力になる。
例えば、油化プロセスにおける熱分解の物理モデルを例にすると、図５Ａに示す各式を物理モデル１５として採用することができる。図５Ａは、実施形態１にかかる物理モデル１５の一例を説明する図である。図５Ａに示すように、物理モデル１５は、油化プロセスにおける熱分解の化学反応式に基づき生成される各式である。ここで、ｘは転化率、ｔは時刻、Ｔは温度、Ｋ（Ｔ）は反応速度定数、ｍ０は初期質量、ｍｔは時間ｔでの質量、ｍ∞は反応終了時の質量、Ａは頻度因子、Ｅは活性化エネルギー、Ｒは気体定数である。
なお、図５Ａに限らず、ラジカル重合反応を例にすると、図５Ｂに示す各式が物理モデル１５を採用することもできる。図５Ｂは、実施形態１にかかる物理モデル１５の別例を説明する図である。図５Ｂに示すように、物理モデル１５は、ラジカル重合反応の化学反応式に基づき生成される各式である。ここで、Ｘはモノマー転化率、ｋｘは各反応の反応速度定数、ｗｘはｘの重量分率、ｗｉは開始剤、ｗｍはモノマー、ｗｓは溶媒、ｗｘ，０はｘの重量分率の初期値、ｆｉは開始剤効率、ｌは開始剤濃度、Ｐはラジカル濃度である。
第１機械学習モデル１６は、ニューラルネットワークなどのアルゴリズムを用いて生成された予測モデルである。例えば、第１機械学習モデル１６は、原料の分光スペクトルデータから主成分が除かれた差分スペクトルデータおよび物理モデル１５の出力結果の入力に応じて、物理モデル１５の出力を補正する情報（誤差）を出力する。
制御部２０は、情報処理装置１０全体を司る処理部であり、例えばプロセッサなどにより実現される。この制御部２０は、モデル生成部２１、第１予測部２２、第２予測部２３、最適操作量演算部２４を有する。なお、モデル生成部２１、第１予測部２２、第２予測部２３、最適操作量演算部２４は、プロセッサが有する電子回路やプロセッサが実行するプロセスなどにより実現される。
モデル生成部２１は、訓練データ群１４に記憶される各訓練データを用いて、第１機械学習モデル１６を生成する処理部である。図６は、実施形態１にかかる第１機械学習モデル１６の生成を説明する図である。図６に示すように、化学プラント１では、赤外分光法、ラマン分光法などが計測手法を用いて、化学プラント１に投入する前の原料をサンプリングして原料の分光スペクトルデータを計測したり、化学プラント１内部に分光計測器を設置したインラインで、原料の分光スペクトルデータを計測したりする。一方で、モデル生成部２１は、物理モデル１５が、温度や組成情報を化学プラント１の初期条件と分光スペクトルデータとから出力する、温度や組成情報を含む組成データを取得する。
このような状態において、モデル生成部２１は、分光ベクトルデータから生成される差分スペクトルデータと物理モデル１５の組成データとを入力して、化学プラント１の出力Ｘｐｌと物理モデル１５の出力結果Ｘｐｍとの誤差を出力するように、第１機械学習モデル１６の訓練を実行する。
第１予測部２２は、化学プラント１で製造される製造物の原料に対する分光センシングにより得られる分光スペクトルデータの第１成分を物理モデル１５に入力して第１の出力結果を取得する処理部である。すなわち、第１予測部２２は、原料の情報から組成データなどの予測を行う。
ここで、第１予測部２２の処理の一例を説明する。図７は、実施形態１にかかる第１予測部２２の処理を説明する図である。図７に示すように、第１予測部２２は、混合スペクトルである原料の分光スペクトルデータから、公知である混合物スペクトル解析における差スペクトル法などを用いて、主成分のスペクトルデータを抽出する。そして、第１予測部２２は、予め用意した強度と濃度の関係を示す検量線を用いて、主成分のスペクトルデータを濃度に変換する。その後、第１予測部２２は、物理モデル１５に濃度を入力して、化学プラント１の状態に関する第１情報量を取得して、第２予測部２３と最適操作量演算部２４に出力する。なお、主成分のスペクトルデータは、第１成分の一例である。
第２予測部２３は、分光スペクトルデータの第２成分および物理モデル１５の出力結果を第１機械学習モデル１６に入力して、第２の出力結果を取得する処理部である。すなわち、第２予測部２３は、原料の情報と物理モデル１５の組成データから、物理モデル１５の出力を補完する情報（誤差）の予測を行う。
ここで、第２予測部２３の処理の一例を説明する。図８は、実施形態１にかかる第２予測部２３の処理を説明する図である。図８に示すように、第２予測部２３は、原料の分光スペクトルデータと主成分のスペクトルデータとの差分である差分スペクトルデータを生成する。そして、第２予測部２３は、この差分スペクトルデータと第１予測部２２によって得られた第１情報量とを第１機械学習モデル１６に入力して、上記誤差に対応する第２情報量を取得して、最適操作量演算部２４に出力する。なお、差分スペクトルデータは、第２成分の一例である。
最適操作量演算部２４は、第１予測部２２により得られた第１情報量と第２予測部２３により得られた第２情報量とを用いて、化学プラント１の状態に関する情報を出力する処理部である。すなわち、最適操作量演算部２４は、ハイブリッドモデルを用いて得られた情報に基づいて、運転支援を実行する。
図９は、実施形態１にかかる最適操作量演算部２４の処理を説明する図である。図９に示すように、最適操作量演算部２４は、物理モデル１５から得られた第１情報量と、第１機械学習モデル１６から得られた第２情報量とを加算した合計情報量を生成する。この合計情報量は、物理モデル１５で論理的に算出された第１情報量を、原料に特化した情報から得られる第２情報量で補完した結果である。
そして、最適操作量演算部２４は、合計情報量を表示部１２に表示したり、オペレータ端末３に出力したりする。別例としては、最適操作量演算部２４は、情報量と操作内容（例えば温度設定を１℃上げるなど）を予め定義しおき、この定義により特定される操作内容を表示部１２に表示したり、オペレータ端末３に出力したりする。また、最適操作量演算部２４は、当該操作内容を化学プラント１に実行することもできる。
［処理の流れ］
図１０は、実施形態１にかかる処理の流れを示すフローチャートである。なお、ここでは、第１機械学習モデル１６は、生成済みとする。
図１０は、実施形態１にかかる処理の流れを示すフローチャートである。なお、ここでは、第１機械学習モデル１６は、生成済みとする。
図１０に示すように、処理が開始されると（Ｓ１０１：Ｙｅｓ）、第１予測部２２は、原料の分光スペクトルデータを取得し（Ｓ１０２）、原料の分光スペクトルデータの主成分を抽出し（Ｓ１０３）、主成分から濃度を取得する（Ｓ１０４）。続いて、第１予測部２２は、濃度を物理モデル１５に入力して第１情報量を取得する（Ｓ１０５）。
そして、第２予測部２３は、原料の分光スペクトルデータから主成分を除いた差分スペクトルデータを算出し（Ｓ１０６）、差分スペクトルデータと第１情報量とを第１機械学習モデル１６に入力して第２情報量を取得する（Ｓ１０７）。
その後、最適操作量演算部２４は、第１情報量と第２情報量とを加算した合計情報量を算出し（Ｓ１０８）、合計情報量に基づく表示制御を実行する（Ｓ１０９）。
［効果］
上述したように、情報処理装置１０は、ハイブリッドモデルを活用することで、化学プラント１の運転支援システムを構築することができる。例えば、物理モデル１５は、モデルの解釈性が高く、プロセスを理解する上で有効であるが、精度向上のためにメカニズムを解明する工数が多くかかり、汎用性も低い。一方で、第１機械学習モデル１６は、結果の解釈が難しく、結果の因果関係を表現することが難しい。
上述したように、情報処理装置１０は、ハイブリッドモデルを活用することで、化学プラント１の運転支援システムを構築することができる。例えば、物理モデル１５は、モデルの解釈性が高く、プロセスを理解する上で有効であるが、精度向上のためにメカニズムを解明する工数が多くかかり、汎用性も低い。一方で、第１機械学習モデル１６は、結果の解釈が難しく、結果の因果関係を表現することが難しい。
この情報処理装置１０は、プロセス知見から構築できる物理モデル１５と、説明変数の選択で精度の向上を図れる第１機械学習モデル１６との両方を併用することで、汎用性も高く、因果関係の説明も可能で、精度も高い運転支援システムを構築することができる。
［実施形態２］
ところで、実施形態１では、１つの機械学習モデル（第１機械学習モデル１６）を用いた例を説明したが、これに限定されるものではなく、誤差の要因に特化した機械学習モデルを用いて、物理モデル１５の出力結果を補完することができる。そこで、実施形態２では、物理モデル１５の予測に誤差を与える要因となる要因データを訓練データに用いて生成された第２機械学習モデル１７をさらに用いて、物理モデル１５の出力結果を補完する例を説明する。なお、第２機械学習モデル１７は、要因データ機械学習モデルの一例である。
ところで、実施形態１では、１つの機械学習モデル（第１機械学習モデル１６）を用いた例を説明したが、これに限定されるものではなく、誤差の要因に特化した機械学習モデルを用いて、物理モデル１５の出力結果を補完することができる。そこで、実施形態２では、物理モデル１５の予測に誤差を与える要因となる要因データを訓練データに用いて生成された第２機械学習モデル１７をさらに用いて、物理モデル１５の出力結果を補完する例を説明する。なお、第２機械学習モデル１７は、要因データ機械学習モデルの一例である。
［機能構成］
図１１は、実施形態２にかかる情報処理装置１０の機能構成を示す機能ブロック図である。図１１に示すように、実施形態１と同様、情報処理装置１０は、通信部１１、表示部１２、記憶部１３、制御部２０を有する。ここでは、実施形態１で説明した図４と異なる第２機械学習モデル１７と第３予測部２５について説明する。
図１１は、実施形態２にかかる情報処理装置１０の機能構成を示す機能ブロック図である。図１１に示すように、実施形態１と同様、情報処理装置１０は、通信部１１、表示部１２、記憶部１３、制御部２０を有する。ここでは、実施形態１で説明した図４と異なる第２機械学習モデル１７と第３予測部２５について説明する。
第２機械学習モデル１７は、物理モデル１５の予測に誤差を与える要因となる要因データおよび第１機械学習モデル１６の出力結果を説明変数、物理モデル１５の出力結果と第１機械学習モデル１６の出力結果との誤差を目的変数とする訓練データを用いて生成された予測モデルである。
ここで、要因データには、廃プラスチックリサイクルや油化プロセスの原料の汚れを示すデータ、原料の生産地を示すデータ、平均気温や雨量や乾燥地域などのようにプラントの外部環境を示すデータ、または、定常運転中や運転負荷などであるプラントの状態を示すデータなどを採用することができる。これらの要因データは、数値であってもよく、時系列データなどでもよく、任意の形式を採用することができ、採用する種類も任意に決定することができる。
例えば、原料の汚れを示すデータとしては、原料となる廃プラスチックへの異物の混入具合を示すデータを採用することができる。具体例を挙げると、異物の混入量を測定して、混入度合いを３段階で判定し、その判定結果を採用することができる。なお、異物の混入量の測定としては、画像分析やスペクトル分析により、予め指定される異物の量を測定することができ、原料の画像データやスペクトルデータを訓練済みの機械学習モデルに入力して得られる予測結果を採用することもできる。
第３予測部２５は、訓練済みの第２機械学習モデル１７を用いて、物理モデル１５の予測を補完する誤差（第３の出力結果）を取得する処理部である。すなわち、第３予測部２５は、物理モデル１５の誤差の要因と、物理モデル１５の組成データと第１機械学習モデル１６の組成データとの差分とから、第１機械学習モデル１６では完全には補完することができなかった物理モデル１５の予測を補完する誤差（第３の出力結果）の予測を行う。
［訓練の具体例］
次に、モデル生成部２１が実行する、実施形態２で用いる各機械学習モデルの訓練について説明する。図１２は、実施形態２にかかる各モデルの訓練を説明する図である。図１２に示すように、モデル生成部２１は、原料の分光スペクトルデータＸから主成分のスペクトルデータＸｐと差分スペクトルデータＸｃを生成する。続いて、モデル生成部２１は、主成分のスペクトルデータＸｐを物理モデル１５に入力して第１の出力結果Ｙｐを取得する。
次に、モデル生成部２１が実行する、実施形態２で用いる各機械学習モデルの訓練について説明する。図１２は、実施形態２にかかる各モデルの訓練を説明する図である。図１２に示すように、モデル生成部２１は、原料の分光スペクトルデータＸから主成分のスペクトルデータＸｐと差分スペクトルデータＸｃを生成する。続いて、モデル生成部２１は、主成分のスペクトルデータＸｐを物理モデル１５に入力して第１の出力結果Ｙｐを取得する。
そして、モデル生成部２１は、説明変数である「差分スペクトルデータＸｃおよび第１の出力結果Ｙｐ」と、目的変数である「理論値Ｙと第１の出力結果Ｙｐとの誤差（Ｙ－Ｙｐ）」とを含む訓練データを用いて、第１機械学習モデル１６の訓練を実行する。すなわち、モデル生成部２１は、差分スペクトルデータＸｃおよび第１の出力結果Ｙｐとから誤差（Ｙ－Ｙｐ）を予測するように第１機械学習モデル１６の訓練を実行する。なお、理論値Ｙには、実験データ、化学プラント１で実際に測定されたデータ、または、過去の履歴等から特定されるデータなどを採用することができる。
その後、モデル生成部２１は、説明変数である「要因データＸｍおよび第１機械学習モデル１６の出力である第２の出力結果δｃ」と、目的変数である「理論値Ｙと、第１の出力結果Ｙｐと第２の出力結果との加算値との誤差（Ｙ－Ｙｐ＋δｃ）」とを含む訓練データを用いて、第２機械学習モデル１７の訓練を実行する。すなわち、モデル生成部２１は、要因データＸｍおよび第２の出力結果δｃから誤差（Ｙ－Ｙｐ＋δｃ）を予測するように第２機械学習モデル１７の訓練を実行する。
［運転支援の具体例］
次に、図１２を用いて生成された各機械学習モデルを用いて運転支援を行う具体例を説明する。図１３は、実施形態２にかかる運転支援を説明する図である。図１３に示すように、第１予測部２２は、原料の分光スペクトルデータＸから主成分のスペクトルデータＸｐを抽出して、物理モデル１５に入力し、第１の出力結果Ｙｐを取得する。
次に、図１２を用いて生成された各機械学習モデルを用いて運転支援を行う具体例を説明する。図１３は、実施形態２にかかる運転支援を説明する図である。図１３に示すように、第１予測部２２は、原料の分光スペクトルデータＸから主成分のスペクトルデータＸｐを抽出して、物理モデル１５に入力し、第１の出力結果Ｙｐを取得する。
続いて、第２予測部２３は、差分スペクトルデータＸｃと物理モデル１５から得られた第１の出力結果Ｙｐとを第１機械学習モデル１６に入力し、第２の出力結果δｃを取得する。さらに、第３予測部２５は、要因データＸｍと第１機械学習モデル１６から得られた第２の出力結果δｃとを第２機械学習モデル１７に入力して、第３の出力結果δｍを取得する。
その後、最適操作量演算部２４は、物理モデル１５から得られた第１の出力結果Ｙｐと、第１機械学習モデル１６から得られた第２の出力結果δｃと、第２機械学習モデル１７から得られた第３の出力結果δｍとを加算した合計情報量Ｙｍを生成する。そして、最適操作量演算部２４は、合計情報量Ｙｍに基づいて、運転支援を実行する。
［効果］
上述したように、情報処理装置１０は、物理モデル１５の予測に誤差を与える要因となる要因データの情報を訓練した第２機械学習モデル１７を用いることで、物理モデル１５の出力だけでなく、第１機械学習モデル１６の出力をも補完することができる。この結果、情報処理装置１０は、実施形態１と比較しても、高精度な運転支援を実現することができる。
上述したように、情報処理装置１０は、物理モデル１５の予測に誤差を与える要因となる要因データの情報を訓練した第２機械学習モデル１７を用いることで、物理モデル１５の出力だけでなく、第１機械学習モデル１６の出力をも補完することができる。この結果、情報処理装置１０は、実施形態１と比較しても、高精度な運転支援を実現することができる。
［実施形態３］
ところで、実施形態１では、１つの機械学習モデル（第１機械学習モデル１６）を用いた例を説明したが、これに限定されるものではない。例えば、上記要因データの種別やプラントごとに複数の機械学習モデルを用意しておき、動的に選択することで、運転支援の精度向上を図ることができる。そこで、実施形態３では、一例として、稼働中の化学プラント１における要因データの種別を動的に判定し、適切な機械学習モデルを選択して、運転支援を行う例を説明する。
ところで、実施形態１では、１つの機械学習モデル（第１機械学習モデル１６）を用いた例を説明したが、これに限定されるものではない。例えば、上記要因データの種別やプラントごとに複数の機械学習モデルを用意しておき、動的に選択することで、運転支援の精度向上を図ることができる。そこで、実施形態３では、一例として、稼働中の化学プラント１における要因データの種別を動的に判定し、適切な機械学習モデルを選択して、運転支援を行う例を説明する。
［機能構成］
図１４は、実施形態３にかかる情報処理装置１０の機能構成を示す機能ブロック図である。図１４に示すように、実施形態１と同様、情報処理装置１０は、通信部１１、表示部１２、記憶部１３、制御部２０を有する。ここでは、実施形態１で説明した図４と異なる複数の機械学習モデル（機械学習モデル１～Ｎ）と第２予測部２３における選択部２３ａおよび予測部２３ｂについて説明する。
図１４は、実施形態３にかかる情報処理装置１０の機能構成を示す機能ブロック図である。図１４に示すように、実施形態１と同様、情報処理装置１０は、通信部１１、表示部１２、記憶部１３、制御部２０を有する。ここでは、実施形態１で説明した図４と異なる複数の機械学習モデル（機械学習モデル１～Ｎ）と第２予測部２３における選択部２３ａおよび予測部２３ｂについて説明する。
機械学習モデル１～Ｎのそれぞれは、異なる要因データを用いて生成された予測モデルである。例えば、機械学習モデル１は、原料の汚れを示すデータを用いて生成され、機械学習モデル２は、原料の生産地を示すデータを用いて生成され、機械学習モデル３は、プラントの外部環境を示すデータを用いて生成される。なお、各機械学習モデル１～Ｎの訓練は、実施形態１や実施形態２と同様の手法を採用することができる。
第２予測部２３の選択部２３ａは、訓練済みの機械学習モデル１～Ｎの中から、予測時の要因データに対応する１つまたは複数の機械学習モデルを選択する処理部である。例えば、選択部２３ａは、要因データの値、要因データの解析結果、要因データを取得したセンサ種別、または、ユーザの指示などにしたがって、該当する機械学習モデルを選択する。
第２予測部２３の予測部２３ｂは、選択部２３ａにより選択された機械学習モデルを用いて、原料の情報と物理モデル１５の組成データとから、物理モデル１５の出力を補完する誤差の予測を行う。例えば、予測部２３ｂは、要因データと差分スペクトルデータと物理モデル１５の第１の出力結果とを、選択された機械学習モデル１に入力して、第２の出力結果を取得する。
［運転支援の具体例］
次に、図１４を用いて生成された実施形態３における運転支援を行う具体例を説明する。図１５は、実施形態３にかかる運転支援を説明する図である。図１５に示すように、第１予測部２２は、原料の分光スペクトルデータＸから主成分のスペクトルデータＸｐを抽出して、物理モデル１５に入力し、第１の出力結果Ｙｐを取得する。
次に、図１４を用いて生成された実施形態３における運転支援を行う具体例を説明する。図１５は、実施形態３にかかる運転支援を説明する図である。図１５に示すように、第１予測部２２は、原料の分光スペクトルデータＸから主成分のスペクトルデータＸｐを抽出して、物理モデル１５に入力し、第１の出力結果Ｙｐを取得する。
続いて、第２予測部２３は、要因データＸｍの種別を判定して、該当する機械学習モデルを選択する。そして、第２予測部２３は、選択した機械学習モデルに、要因データＸｍと差分スペクトルデータＸｃと物理モデル１５から得られた第１の出力結果Ｙｐとを入力し、第２の出力結果δｃを取得する。
その後、最適操作量演算部２４は、物理モデル１５から得られた第１の出力結果Ｙｐと、いずれかの機械学習モデルから得られた第２の出力結果δｃとを加算した合計情報量Ｙｍを生成する。そして、最適操作量演算部２４は、合計情報量Ｙｍに基づいて、運転支援を実行する。
［処理の流れ］
図１６は、実施形態３にかかる処理の流れを示すフローチャートである。なお、ここでは、機械学習モデル１～Ｎは、生成済みとする。
図１６は、実施形態３にかかる処理の流れを示すフローチャートである。なお、ここでは、機械学習モデル１～Ｎは、生成済みとする。
図１６に示すように、処理が開始されると（Ｓ２０１：Ｙｅｓ）、第１予測部２２は、原料の分光スペクトルデータを取得し（Ｓ２０２）、原料の分光スペクトルデータの主成分を抽出し（Ｓ２０３）、主成分から濃度を取得する（Ｓ２０４）。続いて、第１予測部２２は、濃度を物理モデル１５に入力して第１情報量を取得する（Ｓ２０５）。
これらと並行して、第２予測部２３は、稼働中の化学プラント１から要因データを取得してその種別を判定し（Ｓ２０６）、複数の機械学習モデルの中から、要因データに対応する１つまたは複数の機械学習モデルを選択する（Ｓ２０７）。
そして、第２予測部２３は、差分スペクトルデータを算出し（Ｓ２０８）、要因データと差分スペクトルデータと第１情報量とを、選択した機械学習モデルに入力して第２情報量を取得する（Ｓ２０９）。
その後、最適操作量演算部２４は、第１情報量と第２情報量とを加算した合計情報量を算出し（Ｓ２１０）、合計情報量に基づく表示制御を実行する（Ｓ２１１）。
［効果］
上述したように、情報処理装置１０は、予測時に実測した要因データに応じた機械学習モデルを選択し上で、ハイブリッドモデルを活用することができるので、化学プラント１の運転環境に適した最適な運転支援システムを構築することができる。
上述したように、情報処理装置１０は、予測時に実測した要因データに応じた機械学習モデルを選択し上で、ハイブリッドモデルを活用することができるので、化学プラント１の運転環境に適した最適な運転支援システムを構築することができる。
［実施形態４］
ところで、ハイブリッドモデルに使用する機械学習モデルは、実験データを用いて生成されたモデルとプラントごとに設定されたモデルの両方を併用することで、精度の更なる向上を図ることができる。図１７は、実施形態４にかかる情報処理装置１０の機能構成を示す機能ブロック図である。図１７に示すように、情報処理装置１０は、通信部１１、表示部１２、記憶部１３、制御部２０を有する。
ところで、ハイブリッドモデルに使用する機械学習モデルは、実験データを用いて生成されたモデルとプラントごとに設定されたモデルの両方を併用することで、精度の更なる向上を図ることができる。図１７は、実施形態４にかかる情報処理装置１０の機能構成を示す機能ブロック図である。図１７に示すように、情報処理装置１０は、通信部１１、表示部１２、記憶部１３、制御部２０を有する。
ここでは、上記実施形態とは異なる機能である化学的誤差モデル１８、機械的誤差モデル１９、第２予測部２６、第３予測部２７について説明する。
化学的誤差モデル１８は、研究所（実験ラボ）などで実験されるプラントの稼働に関する実験データなどを用いて生成された予測モデルである。すなわち、化学的誤差モデル１８は、プラント共通の予測を行う。
図１８は、実施形態４にかかる化学的誤差モデル１８を説明する図である。図１８に示すように、化学的誤差モデル１８は、実験ラボなどで得られる実験データと、実験ラボなどで得られる分光スペクトルデータＸを用いて物理モデル１５が算出した出力結果との入力に応じて情報量を出力し、この情報量が物理モデル１５の出力結果と理論値との誤差に一致するように訓練された予測モデルである。
すなわち、化学的誤差モデル１８は、説明変数として実験ラボなどで得られる実験データおよび物理モデル１５の出力結果を含み、目的変数として上記誤差を含む訓練データを用いた機械学習により生成される。
なお、実験データには、実験を行った際の分光スペクトルデータ、化学反応や分光時の各成分の経時変化などが含まれる。分光スペクトルデータは、上記実施形態と同様、差分スペクトルデータを用いることができる。また、理論値には、過去の履歴から採用することもでき、理論的な物理式などにより算出することもでき、経験で得られた値を採用することもできる。
機械的誤差モデル１９は、プラント各々で取得されるプラントデータなどを用いて生成された予測モデルである。すなわち、機械的誤差モデル１９は、各プラントに特化した予測を行う。
図１９は、実施形態４にかかる機械的誤差モデル１９を説明する図である。図１９に示すように、機械的誤差モデル１９は、適用対象のプラントで計測された分光スペクトルデータＸと当該プラントで測定されたプロセスデータと化学的誤差モデル１８との入力に応じて情報量を出力し、この情報量が、物理モデル１５の出力結果および化学的誤差モデル１９の出力結果を加算した加算値と理論値との誤差に一致するように訓練された予測モデルである。
すなわち、機械的誤差モデル１９は、説明変数として各プラントで測定されたデータおよび化学的誤差モデル１８の出力結果を含み、目的変数として上記誤差を含む訓練データを用いた機械学習により生成される。
なお、プロセスデータには、プラント各部位の温度、流量、圧力、攪拌速度などが含まれる。また、プラントごとの分光スペクトルデータには、分光時の各成分の経時変化などを含むこともでき、上記差分スペクトルデータを用いることができる。また、理論値には、過去の履歴から採用することもでき、理論的な物理式などにより算出することもでき、経験で得られた値を採用することもできる。
第２予測部２６は、ハイブリットモデルを適用するプラントの運転支援を実行する際に、各プラント共通の化学的誤差モデル１８を用いて、物理モデル１５の出力結果を補完する情報を取得する処理部である。
第３予測部２７は、ハイブリットモデルを適用するプラントの運転支援を実行する際に、各プラントに特化した機械的誤差モデル１９を用いて、化学的誤差モデル１８の出力結果を補完する情報を取得する処理部である。
ここで、図１に示した化学プラント１を例にして具体的に説明する。図２０は、実施形態４にかかる運転支援を説明する図である。図２０に示すように、情報処理装置１０は、理論的に生成された物理モデル１５と、実験データを用いて各プラントに共通の予測を行う化学的誤差モデル１８と、適用対象の化学プラント１の特化した機械的誤差モデル１９とを有する。
このような状態において、情報処理装置１０は、原料の分光スペクトルデータから得られる濃度を物理モデル１５に入力して第１の出力結果を取得する。また、情報処理装置１０は、原料の分光スペクトルデータ（差分スペクトルデータ）と物理モデル１５の第１の出力結果とを化学的誤差モデル１８に入力して第２の出力結果を取得する。また、情報処理装置１０は、化学プラント１で計測された分光スペクトルデータ（差分スペクトルデータ）およびプラントデータと化学的誤差モデル１８の第２の出力結果とを機械的誤差モデル１９に入力して、第３の出力結果を取得する。
そして、情報処理装置１０は、第１の出力結果と第２の出力結果と第３の出力結果とを加算した合計値を、化学プラント１の情報量として算出する。その後、情報処理装置１０は、この情報量に基づき、化学プラント１の運転支援を実行する。
図２１は、実施形態４にかかる処理の流れを示すフローチャートである。図２１に示すように、処理が開始されると（Ｓ３０１：Ｙｅｓ）、第１予測部２２は、原料の分光スペクトルデータを取得し（Ｓ３０２）、原料の分光スペクトルデータから濃度を取得する（Ｓ３０３）。続いて、第１予測部２２は、濃度を物理モデル１５に入力して第１情報量を取得する（Ｓ３０４）。
また、第２予測部２６は、濃度と第１情報量とを化学的誤差モデル１８に入力して、第２情報量を取得する（Ｓ３０５）。
また、第３予測部２７は、プラントからプロセスデータを取得し（Ｓ３０６）、濃度と第２情報量とプロセスデータとを機械的誤差モデル１９に入力して、第３情報量を取得する（Ｓ３０７）。
その後、最適操作量演算部２４は、第１情報量と第２情報量と第３情報量とを加算した合計情報量を算出し（Ｓ３０８）、合計情報量に基づく表示制御を実行する（Ｓ３０９）。
［効果］
上述したように、情報処理装置１０は、物理モデル１５の出力結果を、プラント共通のデータで訓練された化学的誤差モデル１８および適用対象のプラントに特化して訓練された機械的誤差モデル１９の両方を用いて補完することができる。したがって、情報処理装置１０は、全プラントに共通する情報と各プラント特有の情報との両方を考慮した運転支援を実行することができ、例えば共通の障害や特有の障害の両方を回避する運転支援を実行することができる。
上述したように、情報処理装置１０は、物理モデル１５の出力結果を、プラント共通のデータで訓練された化学的誤差モデル１８および適用対象のプラントに特化して訓練された機械的誤差モデル１９の両方を用いて補完することができる。したがって、情報処理装置１０は、全プラントに共通する情報と各プラント特有の情報との両方を考慮した運転支援を実行することができ、例えば共通の障害や特有の障害の両方を回避する運転支援を実行することができる。
［実施形態５］
上述した情報処理装置１０は、各モデルの出力結果や運転支援に関する情報を可視化することで、オペレータ等に提示することができる。そこで、実施形態５では、情報の可視化を行う情報処理装置１０について説明する。
上述した情報処理装置１０は、各モデルの出力結果や運転支援に関する情報を可視化することで、オペレータ等に提示することができる。そこで、実施形態５では、情報の可視化を行う情報処理装置１０について説明する。
［全体構成］
図２２は、実施形態５にかかる情報処理装置１０の機能構成を示す機能ブロック図である。ここでは、実施形態１の構成の適用例にして説明するが、他の実施形態も同様に適用することができる。
図２２は、実施形態５にかかる情報処理装置１０の機能構成を示す機能ブロック図である。ここでは、実施形態１の構成の適用例にして説明するが、他の実施形態も同様に適用することができる。
図２２に示すように、実施形態５にかかる情報処理装置１０は、通信部１１、表示部１２、記憶部１３、制御部２０を有する。ここでは、上記実施形態とは異なり、制御部２０が表示制御部２８を有している。なお、物理モデル１５と第１機械学習モデル１６（誤差モデル）をまとめてハイブリッドモデル３０と記載する。
表示制御部２８は、ハイブリッドモデル３０の予測結果を可視化する処理部である。例えば、表示制御部２８は、ハイブリッドモデル３０の予測結果に含まれる物理モデル１５の予測結果と第１機械学習モデル１６の予測結果の各割合を可視化する。また、表示制御部２８は、実際に計測された計測値もしくは理論値と、ハイブリッドモデル３０の予測結果との差分を可視化することもできる。
図２３は、実施形態５にかかるハイブリッドモデル３０の可視化例を説明する図である。図２３は、状態１（計算値）、状態２（計算値）、状態３（計算値）の時系列順に予測（計算）された例を示している。図２３に示すように、表示制御部２８は、状態１では計測値との誤差が閾値以下で収まっており、精度よく予測もできていることを可視化する。また、表示制御部２８は、誤差モデルの出力結果の割合が少ないことから、物理モデル１５の精度が比較的良いことを可視化する。
また、表示制御部２８は、状態２では計測値との誤差が閾値以下で収まっており、精度よく予測もできていることを可視化する。また、表示制御部２８は、誤差モデルの出力結果の割合が状態１に比較して増えていることから、物理モデル１５の精度が劣化していることを可視化する。
さらに、表示制御部２８は、状態３では計測値との誤差が閾値以上となっており、予測精度が著しく劣化していることを可視化し、ハイブリッドモデル３０の精度が悪いことを可視化する。この結果、表示制御部２８は、状態３では、訓練データの不足が発生しており、ハイブリッドモデル３０の再構築が必要なことをオペレータに通知することができる。
また、情報処理装置１０は、ハイブリッドモデル３０の予測結果をフィードバックすることもできる。図２４は、実施形態５にかかるハイブリッドモデル３０のフィードバック例１を示す図である。図２４に示すように、表示制御部２８は、化学プラント１の解重合における組成の状態を示す組成トレンドとして、ハイブリッドモデル３０の時系列の変化と第１機械学習モデル１６（誤差モデル）の時系列の変化とを、同じ時間軸で表示する。さらに、表示制御部２８は、ハイブリッドモデル３０の予測に使用された原料の分光スペクトルデータの状態も同じ時間軸で対応付けて表示する。
このように、情報処理装置１０は、物理モデル１５の精緻化を行うことができるとともに、誤差モデルの精緻化を行うことができる。
この結果、プラントオペレータやプロセスエンジニアは、誤差モデルの出力が大きくなった時間帯を視認することができる。すなわち、プラントオペレータやプロセスエンジニアは、物理モデル１５の予測精度が劣化した時点を特定することができる。さらに、プラントオペレータやプロセスエンジニアは、この時点における原料の分光スペクトルデータの状態も視認することができるので、例えば波長Ｘが誤差モデルの主な説明因子であることを特定することもできる。したがって、プラントオペレータやプロセスエンジニアは、センサの追加検討、機械学習モデルの訓練データの検討を行うことができ、適切な機械学習モデルの活用を行うことができる。
また、情報処理装置１０は、ハイブリッドモデル３０の結果の表示画面を生成して出力することもできる。図２５は、実施形態５にかかるハイブリッドモデル３０のフィードバック例２を示す図である。図２５では、化学的誤差モデル１８と機械的誤差モデル１９を有する実施形態４を用いて、ハイブリッドモデル３０がモノマー濃度を予測した結果の時系列変化を示している。
図２５に示すように、表示制御部２８は、ハイブリッドモデル３０で最終先に予測された出力の絶対値（濃度）の変化に加えて、その出力を構成する要素である物理モデル１５、化学的誤差モデル１８、機械的誤差モデル１９の各出力（濃度）も表示する。
このとき、表示制御部２８は、物理モデル１５が補正されている箇所を強調表示することができる。図２６と図２７は、強調表示の一例を示す図である。図２６に示すように、表示制御部２８は、物理モデル１５が補正されている時間帯の各モデルの該当箇所を、太線で強調表示することができる。なお、強調表示の例は、線の太さ、色、点滅表示などを採用することができる。
さらに、図２７に示すように、表示制御部２８は、例えば図２５の時間Ｔを含む時間帯であって、誤差モデル（化学的誤差モデル１８と機械的誤差モデル１９）の出力が閾値以上であり、物理モデル１５の出力が所定値以上補正されている時間帯を、再構成タイミングとして提示（強調表示）することができる。すなわち、表示制御部２８は、強調表示により、誤差モデルによる補正が一定水準を超えていることを可視化する。これらの結果、プラントオペレータやプロセスエンジニアは、その時間帯の分光スペクトルデータや化学プラント１の状態を解析することで、物理モデル１５を改善するヒントを得ることもできる。
上記情報処理装置１０は、コンサルツールの提供や制御の知見を提供することができるので、再生材原料を使用したい、低コストで安定的なプロセス操業を実現したい、プラントを早期に立ち上げた化学プラントの操業会社（ライセンシー）と、ライセンスの価値を向上させたい、コンサルティングビジネスを行いたい、投資を行いたいパイロットプラントの操業会社（ライセンサー）との橋渡しを実現することができる。
例えば、情報処理装置１０は、ライセンサーから実験データプロセスデータを取得し、ライセンシーから報酬を得ることにより、ライセンサーの知見を活用して、上記各実施形態で説明した処理をサービスとして提供することができる。この結果、情報処理装置１０の管理会社は、ビジネスを拡大することができ、プラント業界の活性化を図ることもできる。
［その他の実施形態］
さて、これまで本発明の実施形態について説明したが、本発明は上述した実施形態以外にも、種々の異なる形態にて実施されてよいものである。
さて、これまで本発明の実施形態について説明したが、本発明は上述した実施形態以外にも、種々の異なる形態にて実施されてよいものである。
［数値等］
上記実施形態で用いたデータ例、物理モデルの算出式、予測対象などは、あくまで一例であり、任意に変更することができる。また、第１成分の一例として濃度、第２成分の一例として差分スペクトルデータを用いた例を説明したが、これに限定されるものではない。例えば、原料に基づく情報として、組成データに含まれる温度など他の要素を対象とすることもでき、分光スペクトルデータを用いて第１の成分として温度を取得して用いることもできる。
上記実施形態で用いたデータ例、物理モデルの算出式、予測対象などは、あくまで一例であり、任意に変更することができる。また、第１成分の一例として濃度、第２成分の一例として差分スペクトルデータを用いた例を説明したが、これに限定されるものではない。例えば、原料に基づく情報として、組成データに含まれる温度など他の要素を対象とすることもでき、分光スペクトルデータを用いて第１の成分として温度を取得して用いることもできる。
また、上記実施形態は、化学プラントを例にして説明したが、これに限定されるものではなく、石油、石油化学、化学、ガスなどを用いた各種プラントに適用することができる。また、上記実施形態では、分光スペクトルデータを用いる例を説明したが、これに限定されるものではなく、物理モデルの入力に使用されるデータに応じて、適宜変更することができる。例えば、物理モデルがシミュレータであり、当該シミュレータに配管の流量を用いる場合には、各機械学習モデルには流量、配管の大きさ、流量から得られるプラントデータなど配管に関するデータを用いることができ、当該シミュレータに温度を用いる場合には、各機械学習モデルには、温度、湿度、温度等から得られるプラントデータなど温度に関連するデータを用いることができる。
［システム］
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散や統合の具体的形態は図示のものに限られない。つまり、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。
さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵ（Central Processing Unit）および当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。
［ハードウェア］
次に、情報処理装置１０のハードウェア構成例を説明する。図２８は、ハードウェア構成例を説明する図である。図２８に示すように、情報処理装置１０は、通信装置１０ａ、ＨＤＤ（Hard Disk Drive）１０ｂ、メモリ１０ｃ、プロセッサ１０ｄを有する。また、図２８に示した各部は、バス等で相互に接続される。
次に、情報処理装置１０のハードウェア構成例を説明する。図２８は、ハードウェア構成例を説明する図である。図２８に示すように、情報処理装置１０は、通信装置１０ａ、ＨＤＤ（Hard Disk Drive）１０ｂ、メモリ１０ｃ、プロセッサ１０ｄを有する。また、図２８に示した各部は、バス等で相互に接続される。
通信装置１０ａは、ネットワークインタフェースカードなどであり、他のサーバとの通信を行う。ＨＤＤ１０ｂは、図４に示した機能を動作させるプログラムやＤＢを記憶する。
プロセッサ１０ｄは、図４に示した各処理部と同様の処理を実行するプログラムをＨＤＤ１０ｂ等から読み出してメモリ１０ｃに展開することで、図４等で説明した各機能を実行するプロセスを動作させる。例えば、実施形態１を例にすると、このプロセスは、情報処理装置１０が有する各処理部と同様の機能を実行する。具体的には、プロセッサ１０ｄは、モデル生成部２１、第１予測部２２、第２予測部２３、最適操作量演算部２４等と同様の機能を有するプログラムをＨＤＤ１０ｂ等から読み出す。そして、プロセッサ１０ｄは、モデル生成部２１、第１予測部２２、第２予測部２３、最適操作量演算部２４等と同様の処理を実行するプロセスを実行する。
このように、情報処理装置１０は、プログラムを読み出して実行することで情報処理方法を実行する情報処理装置として動作する。また、情報処理装置１０は、媒体読取装置によって記録媒体から上記プログラムを読み出し、読み出された上記プログラムを実行することで上記した実施形態と同様の機能を実現することもできる。なお、この他の実施形態でいうプログラムは、情報処理装置１０によって実行されることに限定されるものではない。例えば、他のコンピュータまたはサーバがプログラムを実行する場合や、これらが協働してプログラムを実行するような場合にも、本発明を同様に適用することができる。
このプログラムは、インターネットなどのネットワークを介して配布することができる。また、このプログラムは、ハードディスク、フレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＭＯ（Magneto－Optical disk）、ＤＶＤ（Digital Versatile Disc）などのコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行することができる。
１０ 情報処理装置
１１ 通信部
１２ 表示部
１３ 記憶部
１４ 訓練データ群
１５ 物理モデル
１６ 第１機械学習モデル
１７ 第２機械学習モデル
２０ 制御部
２１ モデル生成部
２２ 第１予測部
２３、２６ 第２予測部
２３ａ 選択部
２３ｂ 予測部
２４ 最適操作量演算部
２５、２７ 第３予測部
２８ 表示制御部
３０ ハイブリッドモデル
１１ 通信部
１２ 表示部
１３ 記憶部
１４ 訓練データ群
１５ 物理モデル
１６ 第１機械学習モデル
１７ 第２機械学習モデル
２０ 制御部
２１ モデル生成部
２２ 第１予測部
２３、２６ 第２予測部
２３ａ 選択部
２３ｂ 予測部
２４ 最適操作量演算部
２５、２７ 第３予測部
２８ 表示制御部
３０ ハイブリッドモデル
Claims (12)
- プラントで製造される製造物の原料に基づく情報を物理モデルに入力して第１の出力結果を取得する第１取得部と、
前記原料に対する分光センシングにより得られる分光スペクトルデータに基づく成分情報および前記物理モデルの出力を機械学習モデルに入力して第２の出力結果を取得する第２取得部と、
前記第１の出力結果と前記第２の出力結果とを用いて、前記プラントの状態に関する情報を出力する出力制御部と
を有する情報処理装置。 - 前記第１取得部は、
前記原料に基づく情報として、前記原料に対する分光センシングにより得られる分光スペクトルデータの第１成分を前記物理モデルに入力して前記第１の出力結果を取得し、
前記第２取得部は、
前記分光スペクトルデータに基づく成分情報として前記分光スペクトルデータから前記第１成分を除いた第２成分、および、前記物理モデルの出力を前記機械学習モデルに入力して前記第２の出力結果を取得する、
請求項１に記載の情報処理装置。 - 前記第１取得部は、
前記分光スペクトルデータの第１成分として、前記分光スペクトルデータの主成分を濃度に変換したデータを前記物理モデルに入力して前記第１の出力結果を取得する、
請求項２に記載の情報処理装置。 - 前記第２取得部は、
前記分光スペクトルデータの第２成分として、前記分光スペクトルデータから前記主成分を除いたデータを前記機械学習モデルに入力して前記第２の出力結果を取得する、
請求項３に記載の情報処理装置。 - 前記物理モデルの予測に誤差を与える要因となる要因データを第２の機械学習モデルに入力して第３の出力結果を取得する第３取得部をさらに有し、
前記出力制御部は、
前記物理モデルから得られる第１の出力結果と、前記機械学習モデルから得られる第２の出力結果と、前記第２の機械学習モデルから得られる第３の出力結果とを用いて、前記プラントの状態に関する情報を出力する、
請求項１から４のいずれか一つに記載の情報処理装置。 - 前記第３取得部は、
前記要因データとして、前記原料の汚れを示すデータ、前記原料の生産地を示すデータ、前記プラントの外部環境を示すデータ、または、前記プラントの状態を示すデータを、前記第２の機械学習モデルに入力して第３の出力結果を取得する、
請求項５に記載の情報処理装置。 - 前記出力制御部は、
前記第１の出力結果に基づき特定される前記プラントの状態変数と、前記第２の出力結果に基づき特定される前記第１の出力結果の誤差とに基づいて、前記プラントの状態に関する情報を出力する、
請求項１から６のいずれか一つに記載の情報処理装置。 - コンピュータが、
プラントで製造される製造物の原料に基づく情報を物理モデルに入力して第１の出力結果を取得し、
前記原料に対する分光センシングにより得られる分光スペクトルデータに基づく成分情報および前記物理モデルの出力を機械学習モデルに入力して第２の出力結果を取得し、
前記第１の出力結果と前記第２の出力結果とを用いて、前記プラントの状態に関する情報を出力する、
処理を実行する情報処理方法。 - コンピュータに、
プラントで製造される製造物の原料に基づく情報を物理モデルに入力して第１の出力結果を取得し、
前記原料に対する分光センシングにより得られる分光スペクトルデータに基づく成分情報および前記物理モデルの出力を機械学習モデルに入力して第２の出力結果を取得し、
前記第１の出力結果と前記第２の出力結果とを用いて、前記プラントの状態に関する情報を出力する、
処理を実行させる情報処理プログラム。 - プラントで製造される製造物の原料に基づく情報を用いて、シミュレーションにより前記プラントの状態を予測する物理モデルを生成する第１生成部と、
前記原料に対する分光センシングにより得られる分光スペクトルデータに基づく成分情報および前記物理モデルの出力を訓練データに用いた機械学習により、前記成分情報および前記物理モデルの出力から前記物理モデルの出力の誤差を予測する機械学習モデルを生成する第２生成部と、
を有する情報処理装置。 - コンピュータが、
プラントで製造される製造物の原料に基づく情報を用いて、シミュレーションにより前記プラントの状態を予測する物理モデルを生成し、
前記原料に対する分光センシングにより得られる分光スペクトルデータに基づく成分情報および前記物理モデルの出力を訓練データに用いた機械学習により、前記成分情報および前記物理モデルの出力から前記物理モデルの出力の誤差を予測する機械学習モデルを生成する、
処理を実行するモデル生成方法。 - コンピュータに、
プラントで製造される製造物の原料に基づく情報を用いて、シミュレーションにより前記プラントの状態を予測する物理モデルを生成し、
前記原料に対する分光センシングにより得られる分光スペクトルデータに基づく成分情報および前記物理モデルの出力を訓練データに用いた機械学習により、前記成分情報および前記物理モデルの出力から前記物理モデルの出力の誤差を予測する機械学習モデルを生成する、
処理を実行させるモデル生成プログラム。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021124842A JP2023019823A (ja) | 2021-07-29 | 2021-07-29 | 情報処理装置、情報処理方法、情報処理プログラム、モデル生成方法およびモデル生成プログラム |
| EP22186834.2A EP4124916A1 (en) | 2021-07-29 | 2022-07-26 | Information processing device, information processing method, information processing program, model generation method, and model generation program |
| US17/815,658 US20230033220A1 (en) | 2021-07-29 | 2022-07-28 | Information processing device, information processing method, computer-readable recording medium, and model generation method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021124842A JP2023019823A (ja) | 2021-07-29 | 2021-07-29 | 情報処理装置、情報処理方法、情報処理プログラム、モデル生成方法およびモデル生成プログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2023019823A true JP2023019823A (ja) | 2023-02-09 |
Family
ID=82742886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021124842A Pending JP2023019823A (ja) | 2021-07-29 | 2021-07-29 | 情報処理装置、情報処理方法、情報処理プログラム、モデル生成方法およびモデル生成プログラム |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230033220A1 (ja) |
| EP (1) | EP4124916A1 (ja) |
| JP (1) | JP2023019823A (ja) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001106703A (ja) | 1999-10-06 | 2001-04-17 | Mitsubishi Rayon Co Ltd | 品質予測反応制御システム |
| JP6610988B2 (ja) | 2015-03-30 | 2019-11-27 | 国立大学法人山口大学 | 化学プラントの制御装置及び操業支援方法 |
| JP6796011B2 (ja) | 2017-03-15 | 2020-12-02 | アズビル株式会社 | 制御方法および制御装置 |
| 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 |
-
2021
- 2021-07-29 JP JP2021124842A patent/JP2023019823A/ja active Pending
-
2022
- 2022-07-26 EP EP22186834.2A patent/EP4124916A1/en active Pending
- 2022-07-28 US US17/815,658 patent/US20230033220A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20230033220A1 (en) | 2023-02-02 |
| EP4124916A1 (en) | 2023-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10090678B2 (en) | Production energy management system and computer program | |
| Hurme et al. | Implementing inherent safety throughout process lifecycle | |
| Solle et al. | Between the poles of data‐driven and mechanistic modeling for process operation | |
| Zhu et al. | Toward a low cost and high performance MPC: The role of system identification | |
| Ramli et al. | Composition prediction of a debutanizer column using equation based artificial neural network model | |
| Yang et al. | A hybrid deep learning and mechanistic kinetics model for the prediction of fluid catalytic cracking performance | |
| Jiang et al. | Design of early warning model based on time series data for production safety | |
| Rivera et al. | A design of experiments (DOE) approach to data uncertainty in LCA: application to nanotechnology evaluation | |
| Haghbakhsh et al. | A novel atomic contribution model for the standard chemical exergies of organic compounds | |
| TWI801502B (zh) | 廠房運轉條件設定支援系統、學習裝置以及運轉條件設定支援裝置 | |
| JP2023019823A (ja) | 情報処理装置、情報処理方法、情報処理プログラム、モデル生成方法およびモデル生成プログラム | |
| JP7467395B2 (ja) | 情報処理装置、表示制御方法および表示制御プログラム | |
| JP2023019824A (ja) | 情報処理装置、情報処理方法、情報処理プログラム、モデル生成方法およびモデル生成プログラム | |
| JP7395987B2 (ja) | 情報処理システム、方法、およびプログラム | |
| Theisen et al. | Sparse PCA support exploration of process structures for decentralized fault detection | |
| EP4102322A1 (en) | Prediction device, prediction method, and program | |
| Rodriguez et al. | Linear hybrid models of distillation towers | |
| TWI833666B (zh) | 支援方法、支援裝置以及支援程式 | |
| Shokry et al. | Dynamic optimization of batch processes under uncertainty via meta-multiparametric approach | |
| Flåten et al. | A design of experiment approach incorporating layered designs for choosing the right calibration model | |
| Mittas et al. | StatREC: A graphical user interface tool for visual hypothesis testing of cost prediction models | |
| Zhu et al. | A Cyber-Physical monitoring and diagnosis scheme of energy consumption in Plant-Wide chemical processes | |
| Jiscoot et al. | Model-based evaluation and data requirements for parallel kinetic experimentation and data-driven reaction identification and optimization | |
| WO2023105858A1 (ja) | 化学プラント管理装置、化学プラント管理システム及び化学プラント管理方法 | |
| TW202411798A (zh) | 支援方法、支援裝置以及支援程式 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221031 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230823 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231003 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231130 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240312 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240513 |