JP5113498B2

JP5113498B2 - Time series prediction system

Info

Publication number: JP5113498B2
Application number: JP2007302988A
Authority: JP
Inventors: 勝幸鈴木; 武司石田; 正教神永
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2007-11-22
Filing date: 2007-11-22
Publication date: 2013-01-09
Anticipated expiration: 2027-11-22
Also published as: JP2009129159A

Description

本発明は、制御や監視の対象となる任意の系について、制御や監視のためにその経時的な状態変化を予測する時系列予測に関する。 The present invention relates to time series prediction for predicting a change in state over time for control or monitoring of an arbitrary system to be controlled or monitored.

近年、コンピュータの小型化と性能向上に伴い、様々な分野でコンピュータシミュレーションが広く利用されるようになってきている。そのような分野の代表的なものとして、制御や監視の分野、つまりコンピュータシミュレーションにより予測対象系における状態変化（経時的な状態変化）について予測（時系列予測）を行い、その予測結果に基づいて制御や監視をなす分野がある。例えば、製造プロセスの制御や監視、電力などのエネルギ供給系の制御、あるいは空調系の制御などである。 In recent years, with the miniaturization and performance improvement of computers, computer simulation has been widely used in various fields. A typical example of such a field is to predict (time-series prediction) the state change (time-dependent state change) of the prediction target system by the field of control and monitoring, that is, computer simulation, and based on the prediction result There is a field of control and monitoring. For example, control and monitoring of manufacturing processes, control of energy supply systems such as electric power, or control of air conditioning systems.

製造プロセスの制御では、コンピュータシミュレーションにより製造プロセスの状態変化を予測し、その予測結果に基づいて製造プロセスの制御や監視がなされる。こうした分野では、制御対象系が予測対象系となる。一方、エネルギ供給系の制御や空調系の制御などでは、エネルギ供給系や空調系などが作用する系である被作用系（エネルギ供給系の場合であれば、エネルギ消費系、空調系の場合であれば、空調の対象とされる系）についてコンピュータシミュレーションにより状態変化を予測し、その予測で得られる予測値を目標値として作用系であるエネルギ供給系や空調系などの制御がなされる。こうした分野では、制御対象系が作用系として作用することになる被作用系が監視対象系となり、その監視対象系が予測対象系となる。 In the control of the manufacturing process, the state change of the manufacturing process is predicted by computer simulation, and the manufacturing process is controlled and monitored based on the prediction result. In such a field, the control target system is the prediction target system. On the other hand, in the control of the energy supply system and the control of the air conditioning system, etc., the affected system (the energy supply system, the energy consumption system, the air conditioning system, etc.) If there is, the state change is predicted by computer simulation for the system to be air-conditioned, and the energy supply system and air-conditioning system, which are working systems, are controlled using the predicted value obtained by the prediction as a target value. In such a field, the target system in which the control target system acts as the action system is the monitoring target system, and the monitoring target system is the prediction target system.

以上のようなコンピュータシミュレーションによる時系列予測に関する技術については、例えば特許文献１〜特許文献４などに開示されるように多くの例が知られている。 Many examples of techniques related to time series prediction by computer simulation as described above are known as disclosed in, for example, Patent Literature 1 to Patent Literature 4.

特開２００３−５８２４８号公報JP 2003-58248 A 特開２００５−１３５０１０号公報JP 2005-135010 A 特開２００７−１９９８６２号公報JP 2007-199862 A 特開２００７−２８２０６０号公報JP 2007-282060 A

上述のようなコンピュータシミュレーションによる時系列予測では、モデルベース予測または実績ベース予測を用いるのが一般的である。ここで、モデルベース予測とは、予測対象系について数式モデルを作成し、その数式モデルにより予測を行う方式である。一方、実績ベース予測とは、予測対象系の過去における状態変化に関して収集された各種データの集合として構成される実績データに基づくなどして予測を行う方式であり、記憶ベース推論、事例ベース推論、ニューロ予測などが用いられる。 In time series prediction by computer simulation as described above, model-based prediction or performance-based prediction is generally used. Here, model-based prediction is a method of creating a mathematical model for a prediction target system and performing prediction using the mathematical model. On the other hand, performance-based prediction is a method of performing prediction based on performance data configured as a collection of various data collected regarding state changes in the past of the target system, such as memory-based reasoning, case-based reasoning, Neuro prediction is used.

これらモデルベース予測や実績ベース予測は、予測対象系の特性などに応じて使い分けられているが、予測対象系の構造によっては、予測範囲中に予測の弱点部分、つまり予測精度が大きく低下するか、あるいは実効的な予測をなせない部分が発生する場合がある。そしてそのような予測弱点部分がある場合には、例えば予測を制御に用いる場合であれば、部分的な制御精度の低下を避けられなくなるか、あるいは制御精度の低下を避けるために、予測に基づく自動制御に部分的な手動制御を組み合わせる必要がある。 These model-based predictions and performance-based predictions are used according to the characteristics of the prediction target system, etc., but depending on the structure of the prediction target system, does the weak point of the prediction, that is, whether the prediction accuracy significantly decreases within the prediction range? Or, there may be a part where an effective prediction cannot be made. If there is such a prediction weak point portion, for example, if prediction is used for control, it is unavoidable that a partial decrease in control accuracy is unavoidable, or based on prediction in order to avoid a decrease in control accuracy It is necessary to combine partial manual control with automatic control.

本発明は、以上のような事情を背景になされたものであり、その課題は、予測対象系の構造にかかわらず、常に予測範囲の全体にわたって高い精度での時系列予測を可能とする時系列予測システムの提供にある。 The present invention has been made in the background of the circumstances as described above, and its problem is that time series can always be predicted with high accuracy over the entire prediction range regardless of the structure of the prediction target system. To provide a prediction system.

モデルベース予測や実績ベース予測における上述のような予測弱点に関するそれぞれの特徴に着目する。モデルベース予測は、予測対象系について作成した数式モデルを用いることから、予測対象系における変化が線形的（あるいは定常的）である部分については、外乱の影響を余り受けることなく高い精度での予測を安定的に行えるものの、非線形的（あるいは非定常的）である部分については、予測精度が大きく低下したり、実効的な予測をなせなかったりする。 Attention is paid to the respective characteristics regarding the above-mentioned prediction weak points in model-based prediction and performance-based prediction. Since model-based prediction uses a mathematical model created for the prediction target system, predictions with high accuracy can be made for parts where the change in the prediction target system is linear (or stationary) without much influence from disturbance. However, the prediction accuracy of the non-linear (or non-stationary) portion is greatly reduced or effective prediction cannot be performed.

一方、実績ベース予測は、線形的、非線形的にかかわらず高い精度での予測を安定的に行えるものの、実績データが不十分であるなどの場合に、部分的に予測精度が大きく低下したり、あるいは実効的な予測をなせなくなったり、さらに外乱の影響を大きく受けて不安定になったりする。 On the other hand, although performance-based prediction can stably perform prediction with high accuracy regardless of whether it is linear or non-linear, when the performance data is insufficient, the prediction accuracy is partially reduced, Or it becomes impossible to make effective predictions, and it becomes unstable due to the influence of disturbances.

こうしたモデルベース予測と実績ベース予測それぞれの予測弱点に関する特性から、両者の予測弱点は相補的な関係にあるといえる。したがってモデルベース予測と実績ベース予測を相補的に組み合わせることにより、予測対象系の構造にかかわらず、常に予測範囲の全体にわたって高い精度での予測が可能となる。 From these characteristics of the model-based prediction and the performance-based prediction regarding the prediction weakness, it can be said that the prediction weaknesses of both are in a complementary relationship. Therefore, by combining the model-based prediction and the performance-based prediction in a complementary manner, it is possible to always perform prediction with high accuracy over the entire prediction range regardless of the structure of the prediction target system.

本発明では、以上のような知見に基づいて上記課題を解決する。具体的には本発明による時系列予測システムは、ポリマー重合プロセスにおけるモノマーの反応温度の経時的な変化を予測するについて、前記ポリマー重合プロセスに関するモデルを用いた予測により第１の予測値を生成するモデルベース予測部、前記ポリマー重合プロセスの過去における前記変化に関して収集されたデータの集合として構成される実績データに基づく予測により第２の予測値を生成する実績ベース予測部、および前記第１、第２の各予測値を組み合わせることで前記変化の予測における実効予測値を生成する実効予測値生成部を備えており、前記モデルベース予測部は、前記ポリマー重合プロセスにおいて収集したデータから必要な説明変数に関するデータを取り込み、取り込んだ説明変数に関するデータを数式モデルに適用することで、前記ポリマー重合プロセスの現在時における前記モノマーの反応温度の予測値を求めて第１の予測値として出力し、前記実績ベース予測部は、前記ポリマー重合プロセスの過去における前記モノマーの反応温度変化に関して収集されたデータの集合として構成される実績データを抽出し、前記実績データが表している前記ポリマー重合プロセスの過去の状態と前記ポリマー重合プロセスの現在状態の類似度を判定し、判定した類似度が最も高い実績データを選定し、選定した実績データから前記ポリマー重合プロセスの現在時における前記モノマーの反応温度の予測値を求めて第２の予測値として出力し、前記実効予測値生成部は、前記第１、第２の各予測値を前記ポリマー重合プロセスにおける実際の前記モノマーの反応温度の実状態値と比較するとともに、その比較結果を予め設定の予測値しきい値で判定できるようにされ、そして前記第１の予測値と前記実状態値の差分が前記予測値しきい値を超えることを条件に前記第１の予測値に代えて前記第２の予測値を前記実効予測値とするか、または前記第２の予測値と前記実状態値の差分が前記予測値しきい値を超えることを条件に前記第２の予測値に代えて前記第１の予測値を前記実効予測値とし、前記第１の予測値及び前記第２の予測値のいずれもが前記予測値しきい値を超えない場合、予め定めたいずれか一方の予測値を前記実効予測値とすることを特徴としている。 The present invention solves the above problems based on the above knowledge. Specifically, the time series prediction system according to the present invention generates a first predicted value by prediction using a model related to the polymer polymerization process for predicting a change in the reaction temperature of the monomer with time in the polymer polymerization process. A model-based prediction unit, a performance-based prediction unit that generates a second predicted value by prediction based on performance data configured as a collection of data collected regarding the change in the past of the polymer polymerization process, and the first and first 2 having an effective predicted value generation unit that generates an effective predicted value in the prediction of the change by combining each predicted value, and the model-based predicting unit includes necessary explanatory variables from data collected in the polymer polymerization process. Data about the imported explanatory variables into the mathematical model By using this, a predicted value of the reaction temperature of the monomer at the current time of the polymer polymerization process is obtained and output as a first predicted value, and the performance-based predicting unit is configured to output the monomer in the past of the polymer polymerization process. Extracting actual data configured as a collection of data collected with respect to reaction temperature changes, determining the similarity between the past state of the polymer polymerization process represented by the actual data and the current state of the polymer polymerization process; The actual data having the highest degree of similarity determined is selected, the predicted value of the reaction temperature of the monomer at the present time of the polymer polymerization process is obtained from the selected actual data, and is output as the second predicted value, and the effective predicted value The generation unit uses the first and second predicted values as the actual reaction of the monomer in the polymer polymerization process. And comparing the result of the comparison with a predetermined predicted value threshold value, and the difference between the first predicted value and the actual state value is the predicted value threshold value. On the condition that the second predicted value is used as the effective predicted value instead of the first predicted value, or the difference between the second predicted value and the actual state value is the predicted value threshold. The first prediction value is used as the effective prediction value instead of the second prediction value on condition that the value exceeds the value, and both the first prediction value and the second prediction value are the prediction values. If not exceeding threshold, it is characterized in either one of the predicted value determined in advance to said rms predicted value.

本時系列予測システムでは、モデルベース予測部によるモデルベース予測と実績ベース予測部による実績ベース予測を並列的になせるようにし、これら各予測部による予測を実効予測値生成部により相補的に組み合わせるようにし、この実効予測値生成部で得られる実効予測値により予測をなすようにしている。このため、ポリマー重合プロセスの構造にかかわらず、常に予測範囲の全体にわたって高い精度での予測をなすことが可能となる。 In this time series prediction system, model-based prediction by the model-based prediction unit and performance-based prediction by the performance-based prediction unit can be performed in parallel, and predictions by these prediction units are complementarily combined by the effective prediction value generation unit. Thus, the prediction is made by the effective prediction value obtained by the effective prediction value generation unit. For this reason, regardless of the structure of the polymer polymerization process , it is possible to always make predictions with high accuracy over the entire prediction range.

また、予測範囲の全体にわたる高い精度での予測をより安定的に行えるようになる。 In addition , prediction with high accuracy over the entire prediction range can be performed more stably.

また上記のような時系列予測システムにおける実績データには、前記ポリマー重合プロセスについて予め指定してある説明変数ごとに分類して収集されたものを用いるのが好ましい。このようにすることにより、実績ベース予測部による予測の精度を向上させることができる。 Moreover, it is preferable to use what was classified and collected for every explanatory variable previously designated about the said polymer polymerization process as performance data in the above time series prediction systems. By doing in this way, the precision of the prediction by a performance base prediction part can be improved.

また上記のような時系列予測システムにおける実績データには、前記ポリマー重合プロセスの周期について設定される時刻帯に関係させて収集されたものを用いるのが好ましい。このようにすることによっても、実績ベース予測部による予測の精度を向上させることができる。 Moreover, it is preferable to use what was collected in relation to the time zone set about the period of the said polymer polymerization process as performance data in the above time series prediction systems. Also by doing in this way, the accuracy of prediction by the performance-based prediction unit can be improved.

以上のような本発明によれば、予測対象系の構造にかかわらず、常に予測範囲の全体にわたって高い精度での予測が可能となる。 According to the present invention as described above, prediction with high accuracy is always possible over the entire prediction range regardless of the structure of the prediction target system.

以下、本発明を実施するための形態について説明する。図１に、第１の実施形態による時系列予測システム１の構成を模式化して示す。時系列予測システム１は、予測対象系２についてその状態変化を予測する。そのために、それぞれコンピュータプログラムとして構成される、データ収集部３、実績データ格納部４、モデルベース予測部５、実績ベース予測部６、および実効予測値生成部７を備えている。 Hereinafter, modes for carrying out the present invention will be described. FIG. 1 schematically shows the configuration of a time series prediction system 1 according to the first embodiment. The time series prediction system 1 predicts the state change of the prediction target system 2. For this purpose, a data collection unit 3, a performance data storage unit 4, a model base prediction unit 5, a performance base prediction unit 6, and an effective predicted value generation unit 7 are provided, each configured as a computer program.

データ収集部３は、予測対象系２から様々な予測対象系実データを収集する。例えば予測対象系２が製造プロセスの場合であれば、各種プロセス機器の状態に関するデータや製造プロセスにおける温度、圧力などのデータなどが予測対象系実データとなる。このような予測対象系実データには、モデルベース、実績ベースの各予測部５、６での後述のような予測処理に必要な予測対象系２における説明変数に関するデータ（以下、説明変数データと呼ぶ）が含まれ、また実効予測値生成部７での後述のような実効予測値生成処理に必要な予測対象系２における実状態に関するデータ（実状態値）が含まれる。 The data collection unit 3 collects various prediction target system actual data from the prediction target system 2. For example, if the prediction target system 2 is a manufacturing process, data relating to the state of various process devices, data such as temperature and pressure in the manufacturing process, and the like become the prediction target system actual data. Such prediction target system actual data includes data relating to explanatory variables in the prediction target system 2 necessary for prediction processing as will be described later in the model-based and performance-based prediction units 5 and 6 (hereinafter referred to as explanatory variable data and And data relating to the actual state (real state value) in the prediction target system 2 necessary for the effective predicted value generation process described later in the effective predicted value generation unit 7 is included.

実績データ格納部４は、データ収集部３が収集する各種の予測対象系実データ、あるいは予測対象系２について既に収集されている予測対象系実データを実績データとして格納する。実績データとは、予測対象系２の過去における状態変化に関して収集される各種データの集合として構成されるデータである。こうした実績データは、予測対象系２について予め指定してある説明変数を基準に分類して実績データ格納部４に格納するのが好ましい。この場合、分類基準とする説明変数には、時刻帯を含ませることができる。時刻帯とは、予測対象系２の周期について予め設定されるものであり、例えば予測対象系２の周期が２４時間の場合であれば、その２４時間について、例えば１０分単位、３０分単位、１時間単位、…などとして設定されることになる。つまり、例えば１時間単位の場合に０時〜１時を時刻帯Ｔ１とすれば、１時〜２時が時刻帯Ｔ２、２時〜３時が時刻帯Ｔ３、…となるということである。このような時刻帯を説明変数に含ませる場合には、時刻帯を主たる分類基準とするのが好ましい形態の１つとなる。 The performance data storage unit 4 stores various types of prediction target system actual data collected by the data collection unit 3 or the prediction target system actual data already collected for the prediction target system 2 as performance data. The performance data is data configured as a collection of various data collected regarding the state change of the prediction target system 2 in the past. Such result data is preferably stored in the result data storage unit 4 while being classified based on the explanatory variables specified in advance for the prediction target system 2. In this case, the explanatory variable as the classification criterion can include a time zone. The time zone is set in advance for the cycle of the prediction target system 2. For example, if the cycle of the prediction target system 2 is 24 hours, for example, the 24-hour period may be a unit of 10 minutes, a unit of 30 minutes, It is set as an hour unit,. That is, for example, in the case of 1 hour unit, if the time zone T1 is 0:00 to 1 o'clock, the time zone T2 is from 1 o'clock to 2 o'clock, and the time zone T3 is from 2 o'clock to 3 o'clock. When such a time zone is included in the explanatory variable, it is one of preferred modes that the time zone is the main classification criterion.

以上のように実績データを説明変数で分類して管理するようにすること、特にその説明変数に時刻帯を含ませることにより、実績データを時間断面に関連させることができる。このことは、実績ベース予測部６での後述のような実績ベース予測による予測に際して実績データを時間断面で評価することを可能とし、このことにより、実績ベース予測部６による予測の精度を向上させることができる。 As described above, the performance data can be related to the time section by classifying and managing the performance data by the explanatory variables, and in particular by including the time zone in the explanatory variables. This makes it possible to evaluate the performance data in terms of time in prediction based on performance-based prediction as will be described later in the performance-based prediction unit 6, thereby improving the accuracy of prediction by the performance-based prediction unit 6. be able to.

モデルベース予測部５は、予測対象系２に関し予め作成してある数式モデルを保持しており、その数式モデルにより予測対象系２の状態変化をモデルベース予測により予測し、第１の予測値を生成する。より具体的には、データ収集部３が収集するデータから必要な説明変数データを取り込み、その説明変数データを数式モデルに適用することで、予測対象系２の現在時における状態の予測値を求め、それを第１の予測値として出力する。 The model base prediction unit 5 holds a mathematical model created in advance with respect to the prediction target system 2, predicts a state change of the prediction target system 2 by model based prediction using the mathematical model, and obtains a first predicted value. Generate. More specifically, necessary explanatory variable data is taken from the data collected by the data collection unit 3, and the explanatory variable data is applied to the mathematical model to obtain a predicted value of the current state of the prediction target system 2. , And outputs it as the first predicted value.

実績ベース予測部６は、上述の実績データに基づいて予測対象系２の状態変化を実績ベース予測により予測し、第２の予測値を生成する。そのために実績ベース予測部６は、図２に示すように、実績データ選択部１１、類似度判定部１２、および予測値生成部１３を備えている。 The performance-based prediction unit 6 predicts a state change of the prediction target system 2 based on the above-described performance data by performance-based prediction, and generates a second predicted value. For this purpose, the performance-based prediction unit 6 includes a performance data selection unit 11, a similarity determination unit 12, and a predicted value generation unit 13, as shown in FIG.

実績データ選択部１１は、データ収集部３が収集するデータから必要な説明変数データを取り込み、その説明変数データに対応する実績データを実績データ格納部４から抽出する。その抽出は、上述のように実績データの分類基準としてある説明変数を指標にして行う。実績データ選択部１１が抽出した実績データは、類似度判定部１２に提供される。 The actual data selection unit 11 takes in necessary explanatory variable data from the data collected by the data collecting unit 3 and extracts actual data corresponding to the explanatory variable data from the actual data storage unit 4. As described above, the extraction is performed using an explanatory variable as an index as a classification standard for the performance data. The result data extracted by the result data selection unit 11 is provided to the similarity determination unit 12.

類似度判定部１２は、提供された実績データについて類似度を判定する。この場合の類似度とは、実績データが表している予測対象系２の過去の状態と予測対象系２の現在状態の類似程度である。こうした類似度の判定は、例えば特許第３４４９１２９号公報に開示されるような手法を用いて行うことができる。類似度判定部１２による類似度判定結果は、予測値生成部１３に提供される。 The similarity determination unit 12 determines the similarity for the provided performance data. The similarity in this case is the degree of similarity between the past state of the prediction target system 2 and the current state of the prediction target system 2 represented by the actual data. Such determination of the degree of similarity can be performed by using a technique as disclosed in, for example, Japanese Patent No. 3449129. The similarity determination result by the similarity determination unit 12 is provided to the predicted value generation unit 13.

予測値生成部１３は、提供された類似度判定結果に基づいて予測値を生成する。具体的には、類似度判定結果から類似度が最も高い実績データを選定し、その実績データから予測対象系２の現在時における状態の予測値を求め、それを第２の予測値として出力する。 The predicted value generation unit 13 generates a predicted value based on the provided similarity determination result. Specifically, performance data with the highest similarity is selected from the similarity determination result, a predicted value of the current state of the prediction target system 2 is obtained from the performance data, and is output as the second predicted value. .

実効予測値生成部７は、モデルベース、実績ベースの各予測部５、６からの第１、第２の各予測値を組み合わせることで実効予測値を生成し、その実効予測値を予測対象系２の状態変化の予測における予測値として出力する。そのために実効予測値生成部７は、比較部１４、判定部１５、および選択部１６を備えている。 The effective predicted value generation unit 7 generates an effective predicted value by combining the first and second predicted values from the model-based and actual-based predicting units 5 and 6, and uses the effective predicted value as a prediction target system. 2 is output as a predicted value in the prediction of state change. For this purpose, the effective predicted value generation unit 7 includes a comparison unit 14, a determination unit 15, and a selection unit 16.

比較部１４は、モデルベース予測部５からの第１の予測値、実績ベース予測部６からの第２の予測値、およびデータ収集部３で取得される予測対象系２の実状態値を入力とし、第１、第２の各予測値を実状態値と比較する。具体的には、第１、第２の各予測値について実状態値との差分をとる。比較部１４による比較結果は、判定部１５に提供される。 The comparison unit 14 inputs the first prediction value from the model base prediction unit 5, the second prediction value from the performance base prediction unit 6, and the actual state value of the prediction target system 2 acquired by the data collection unit 3. The first and second predicted values are compared with the actual state values. Specifically, the difference between the first and second predicted values and the actual state value is taken. The comparison result by the comparison unit 14 is provided to the determination unit 15.

判定部１５は、しきい値判定を行う。具体的には、第１、第２の各予測値の実状態値との差分を予め設定の予測値しきい値で判定する。つまり第１、第２の各予測値の実状態値との差分について、それが予測値しきい値を超えているかを判定する。判定部１５による判定結果は、選択部１６に提供される。 The determination unit 15 performs threshold determination. Specifically, the difference between the first and second predicted values and the actual state value is determined using a preset predicted value threshold value. That is, it is determined whether or not the difference between the first and second predicted values and the actual state value exceeds the predicted value threshold value. The determination result by the determination unit 15 is provided to the selection unit 16.

選択部１６は、第１、第２の各予測値のいずれかを実効予測値として選択する。その選択は、第１の予測値と実状態値の差分が予測値しきい値を超えることを条件に当該第１の予測値に代えて第２の予測値を実効予測値とするか、または第２の予測値と実状態値の差分が予測値しきい値を超えることを条件に当該第２の予測値に代えて第１の予測値を実効予測値とすることでなされる。 The selection unit 16 selects one of the first and second predicted values as an effective predicted value. For the selection, the second predicted value is used as the effective predicted value instead of the first predicted value on the condition that the difference between the first predicted value and the actual state value exceeds the predicted value threshold, or This is done by setting the first predicted value as the effective predicted value instead of the second predicted value on condition that the difference between the second predicted value and the actual state value exceeds the predicted value threshold.

こうした選択については、第１、第２の各予測値のいずれもが実状態値との差分について予測値しきい値を超えない場合についての選択基準が必要となる。その選択基準は、モデルベース、実績ベースの各予測部５、６による予測のいずれか一方を主とし、他方を従とすることで与える。つまり、例えばモデルベース予測部５による予測を主とし、実績ベース予測部６による予測を従とする場合であれば、基本として第１の予測値を実効予測値とし、上記のような予測値しきい値超えがある場合に第１の予測値に代えて第２の予測値を実効予測値とするということである。 For such selection, a selection criterion is required for the case where neither of the first and second predicted values exceeds the predicted value threshold for the difference from the actual state value. The selection criterion is given by setting one of the predictions by the model-based and performance-based prediction units 5 and 6 as the main and the other as the subordinate. In other words, for example, when the prediction based on the model base prediction unit 5 is mainly used and the prediction based on the performance base prediction unit 6 is subordinate, the first prediction value is basically set as the effective prediction value, and the prediction value as described above is set. When the threshold value is exceeded, the second predicted value is used as the effective predicted value instead of the first predicted value.

以上のような時系列予測システム１は、実効予測値生成部７によりモデルベース、実績ベースの各予測部による予測を相補的に組み合わせて予測を行うことができる。このため、モデルベース予測部５でのモデルベース予測と実績ベース予測部６での実績ベース予測それぞれにおける上述のような予測弱点を解消することができ、予測対象系２の構造にかかわらず、常に予測範囲の全体にわたって高い精度で予測することが可能となる。 In the time series prediction system 1 as described above, the effective prediction value generation unit 7 can perform prediction by complementarily combining predictions by model-based and performance-based prediction units. For this reason, it is possible to eliminate the above-described prediction weaknesses in the model base prediction in the model base prediction unit 5 and the performance base prediction in the performance base prediction unit 6, regardless of the structure of the prediction target system 2. It becomes possible to predict with high accuracy over the entire prediction range.

以下では、時系列予測システム１をバッチ式のポリマー重合プロセスにおけるモノマーの反応温度の制御に適用する場合の例について説明する。図３に、時系列予測システム１を適用するバッチ式のポリマー重合プロセスの構造を示す。 Below, the example in the case of applying the time series prediction system 1 to control of the reaction temperature of the monomer in a batch type polymer polymerization process is demonstrated. FIG. 3 shows the structure of a batch type polymer polymerization process to which the time series prediction system 1 is applied.

バッチ式のポリマー重合プロセスは、反応器２１を備えている。反応器２１は、原料供給管２２により原料モノマーを仕込み、希釈水供給管２３により希釈水を仕込むようにされ、原料供給管２２と希釈水供給管２３のそれぞれに設けられているバルブ２４、２５の開度調整により、原料モノマーと希釈水それぞれの仕込量を調整できるようにされている。また反応器２１は、ジャケット２６で覆われている。ジャケット２６には、熱媒循環系２７により熱媒（ジャケット熱媒）が流される。熱媒循環系２７には、高温の熱媒の供給を調整する高温熱媒調整バルブ２８と低温の熱媒の供給を調整する低温熱媒調整バルブ２９が設けられている。これら高温熱媒調整バルブ２８と低温熱媒調整バルブ２９それぞれの開度は、反応温度制御器３０からの出力に基づいて制御量を出力するジャケット温度制御器３１により制御され、これによりジャケット２６の温度が制御される。そしてこうしたジャケット温度制御により除熱または加熱をすることで、反応器２１における反応温度の制御がなされる。 The batch type polymer polymerization process includes a reactor 21. The reactor 21 is charged with raw material monomer through a raw material supply pipe 22 and diluted water with a dilution water supply pipe 23, and valves 24 and 25 provided in the raw material supply pipe 22 and the dilution water supply pipe 23, respectively. By adjusting the opening degree, the feed amounts of the raw material monomer and the diluted water can be adjusted. The reactor 21 is covered with a jacket 26. A heat medium (jacket heat medium) is passed through the jacket 26 by a heat medium circulation system 27. The heat medium circulation system 27 is provided with a high temperature heat medium adjustment valve 28 for adjusting the supply of the high temperature heat medium and a low temperature heat medium adjustment valve 29 for adjusting the supply of the low temperature heat medium. The opening degree of each of the high-temperature heat medium adjusting valve 28 and the low-temperature heat medium adjusting valve 29 is controlled by a jacket temperature controller 31 that outputs a control amount based on the output from the reaction temperature controller 30. The temperature is controlled. And by removing heat or heating by such jacket temperature control, the reaction temperature in the reactor 21 is controlled.

以上のようなポリマー重合プロセスに適用された時系列予測システム１では、重合プロセスが予測対象系２となり、反応温度が予測対象の状態量となる。つまり時系列予測システム１は、実効予測値として反応温度を出力し、これを反応温度制御における目標値として反応温度制御器３０に提供する。 In the time series prediction system 1 applied to the polymer polymerization process as described above, the polymerization process becomes the prediction target system 2, and the reaction temperature becomes the prediction target state quantity. That is, the time series prediction system 1 outputs the reaction temperature as an effective prediction value, and provides this to the reaction temperature controller 30 as a target value in the reaction temperature control.

また、データ収集部３が収集する予測対象系実データとして、原料モノマーの種類、原料モノマーと希釈水それぞれの仕込量、原料モノマーと希釈水それぞれの仕込み時間帯、ジャケット２６に流入する熱媒の温度（熱媒流入側に設けられている温度計測器３２で計測される）、ジャケット２６から流出する熱媒の温度（熱媒流出側に設けられている温度計測器３３で計測される）などの各データがあり、これら各データの内で、原料モノマーの種類、原料モノマーと希釈水それぞれの仕込量、原料モノマーと希釈水それぞれの仕込み時間帯が説明変数データとなる。 Moreover, as the prediction target system actual data collected by the data collection unit 3, the type of raw material monomer, the charged amount of raw material monomer and diluted water, the charged time zone of raw material monomer and diluted water, the heating medium flowing into the jacket 26, respectively. Temperature (measured by the temperature measuring device 32 provided on the heat medium inflow side), temperature of the heat medium flowing out from the jacket 26 (measured by the temperature measuring device 33 provided on the heat medium outflow side), etc. Among these data, the kind of raw material monomer, the charged amount of raw material monomer and diluted water, and the charged time zone of raw material monomer and diluted water are explanatory variable data.

また、データ収集部３が収集する予測対象系２の実状態値として、反応器２１に設けられている温度計測器３４で計測される実際の反応温度がある。 The actual state value of the prediction target system 2 collected by the data collection unit 3 includes an actual reaction temperature measured by the temperature measuring device 34 provided in the reactor 21.

図４に示すのは、ポリマー重合プロセスに適用した場合の時系列予測システム１における実績データ格納部４に格納される実績データの例である。図４の（ａ）は、分類基準の説明変数を原料モノマーの種類とした場合で、原料モノマーの種類ごとに、モノマー仕込量、希釈水仕込量、反応温度、仕込時刻帯の各データが記録される。一方、図４の（ｂ）は、分類基準の説明変数を仕込時刻帯とした場合で、仕込時刻帯ごとに、仕込日時、原料モノマーの種類、モノマー仕込量、希釈水仕込量、反応温度の各データが記録される。 FIG. 4 shows an example of performance data stored in the performance data storage unit 4 in the time series prediction system 1 when applied to the polymer polymerization process. (A) of FIG. 4 shows the case where the explanatory variable of the classification standard is the type of the raw material monomer, and each data of the monomer charge amount, the diluted water charge amount, the reaction temperature, and the charge time zone is recorded for each raw material monomer type. Is done. On the other hand, (b) of FIG. 4 is a case where the explanatory variable of the classification standard is the charging time zone, and for each charging time zone, the charging date and time, the type of raw material monomer, the monomer charging amount, the dilution water charging amount, and the reaction temperature. Each data is recorded.

次に、第２の実施形態について説明する。図５に、第２の実施形態による時系列予測システム４１の構成を模式化して示す。本実施形態の時系列予測システム４１は、第１の実施形態の時系列予測システム１における実効予測値生成部７に対応する要素として実効予測値生成部４２を備えている。実効予測値生成部７は、モデルベース、実績ベースの各予測部５、６で生成される予測値ごとに実効予測値生成処理を行うようにされている。これに対し実効予測値生成部４２は、予測対象系２に所定の状態ないしイベントが生じることを実効予測値生成の条件とする。具体的には、例えばモデルベース予測部５による予測を主とし、実績ベース予測部６による予測を従とする場合、基本として第１の予測値を実効予測値とするようにし、予測対象系２に所定の状態ないしイベント（上述のポリマー重合プロセスへの適用の場合であれば、原料モノマーの仕込がその例である）が生じた場合に、所定の予測範囲について第２の予測値を外挿して実効予測値とする。すなわち、モデルベース、実績ベースの各予測部５、６からの予測値のいずれか一方を基本の実効予測値とし、予測対象系２に所定の状態が生じることを条件に、他方の予測値を実効予測値として外挿するようにモデルベース、実績ベースの各予測部５、６による予測を組み合わせるということである。この他の構成は第１の実施形態における時系列予測システム１と同様である。したがって時系列予測システム１と共通する要素には図１と同じ符号を付し、それらについての説明は省略する。 Next, a second embodiment will be described. FIG. 5 schematically shows the configuration of the time series prediction system 41 according to the second embodiment. The time series prediction system 41 of the present embodiment includes an effective prediction value generation unit 42 as an element corresponding to the effective prediction value generation unit 7 in the time series prediction system 1 of the first embodiment. The effective predicted value generation unit 7 performs an effective predicted value generation process for each predicted value generated by the model-based and performance-based prediction units 5 and 6. On the other hand, the effective predicted value generation unit 42 sets the occurrence of a predetermined state or event in the prediction target system 2 as a condition for generating the effective predicted value. Specifically, for example, when the prediction by the model base prediction unit 5 is the main and the prediction by the performance base prediction unit 6 is the subordinate, the first prediction value is basically set as the effective prediction value, and the prediction target system 2 When a predetermined state or event occurs (in the case of application to the above-described polymer polymerization process, charging of raw material monomers is an example), the second predicted value is extrapolated for a predetermined predicted range. The effective predicted value. That is, one of the prediction values from the model-based and actual-based prediction units 5 and 6 is set as a basic effective prediction value, and the other prediction value is set on condition that a predetermined state occurs in the prediction target system 2. This means that the predictions by the model-based and actual-based prediction units 5 and 6 are combined so as to be extrapolated as effective prediction values. Other configurations are the same as those of the time-series prediction system 1 in the first embodiment. Accordingly, elements common to the time series prediction system 1 are denoted by the same reference numerals as those in FIG. 1 and description thereof is omitted.

以上、本発明を実施するための形態について説明したが、これは代表的な例に過ぎず、本発明は、その趣旨を逸脱することのない範囲で様々な形態で実施することができる。 As mentioned above, although the form for implementing this invention was demonstrated, this is only a typical example, This invention can be implemented with a various form in the range which does not deviate from the meaning.

第１の実施形態による時系列予測システムの構成を示す図である。It is a figure which shows the structure of the time series prediction system by 1st Embodiment. 実績ベース予測部の構成を示す図である。It is a figure which shows the structure of a performance base prediction part. 第１の実施形態による時系列予測システムを適用するバッチ式のポリマー重合プロセスの構造を示す図である。It is a figure which shows the structure of the batch type polymer polymerization process to which the time series prediction system by 1st Embodiment is applied. ポリマー重合プロセスに適用した場合の実績データの例を示す図である。It is a figure which shows the example of the performance data at the time of applying to a polymer polymerization process. 第２の実施形態による時系列予測システムの構成を示す図である。It is a figure which shows the structure of the time series prediction system by 2nd Embodiment.

Explanation of symbols

１時系列予測システム
２予測対象系
３データ収集部
４実績データ格納部
５モデルベース予測部
６実績ベース予測部
７実効予測値生成部 1 Time Series Prediction System 2 Prediction Target System 3 Data Collection Unit 4 Actual Data Storage Unit 5 Model Base Prediction Unit 6 Actual Base Prediction Unit 7 Effective Prediction Value Generation Unit

Claims

A time series prediction system for predicting a change over time of a reaction temperature of a monomer in a polymer polymerization process, wherein the model base prediction unit generates a first prediction value by prediction using a model related to the polymer polymerization process, the polymer A performance-based prediction unit that generates a second prediction value by prediction based on performance data configured as a collection of data collected regarding the change in the past of the polymerization process, and the first and second prediction values are combined An effective predicted value generation unit for generating an effective predicted value in the prediction of the change,
The model-based prediction unit captures data relating to necessary explanatory variables from data collected in the polymer polymerization process, and applies the data relating to the imported explanatory variables to the mathematical model, thereby the monomer at the current time of the polymer polymerization process. To obtain a predicted value of the reaction temperature of and output as the first predicted value,
The performance-based prediction unit extracts performance data configured as a collection of data collected regarding the reaction temperature change of the monomer in the past of the polymer polymerization process, and the past of the polymer polymerization process represented by the performance data And the current state of the polymer polymerization process is determined, actual data having the highest similarity is selected, and the reaction temperature of the monomer at the present time of the polymer polymerization process is predicted from the selected actual data A value is obtained and output as the second predicted value;
The effective predicted value generation unit compares the first and second predicted values with the actual state value of the actual reaction temperature of the monomer in the polymer polymerization process, and sets the comparison result as a preset predicted value. The second prediction can be made with a threshold value, and the second prediction is replaced with the first prediction value on condition that the difference between the first prediction value and the actual state value exceeds the prediction value threshold. The first predicted value is used instead of the second predicted value on condition that the value is the effective predicted value or the difference between the second predicted value and the actual state value exceeds the predicted value threshold. the predicted value and the effective prediction value, wherein the first prediction value and the second case where none of the predicted value does not exceed the predicted value threshold, predetermined one of the rms predicted values A time-series prediction system characterized by a predicted value.

2. The time series prediction system according to claim 1, wherein the actual data is collected by being classified for each explanatory variable designated in advance for the polymer polymerization process.

The time series prediction system according to claim 2, wherein the actual data is collected in relation to a time zone set for a cycle of the polymer polymerization process.