JP6359524B2 - 多変数プロセス制御でのモデル同定・適応のためにデータを自動的に選択する装置および方法 - Google Patents
多変数プロセス制御でのモデル同定・適応のためにデータを自動的に選択する装置および方法 Download PDFInfo
- Publication number
- JP6359524B2 JP6359524B2 JP2015511706A JP2015511706A JP6359524B2 JP 6359524 B2 JP6359524 B2 JP 6359524B2 JP 2015511706 A JP2015511706 A JP 2015511706A JP 2015511706 A JP2015511706 A JP 2015511706A JP 6359524 B2 JP6359524 B2 JP 6359524B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- variable
- bad
- time series
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
Description
1.[データ品質ベースの基礎的なデータスクリーニング・選択方法]
オンラインのデータ品質状態、データ測定値の有無、個々の変数、コントローラのオン/オフ切替、プロセスイベントなどに基づいて、データセグメントをスクリーニングし、有効でないデータを「不良である」として除外用に検出およびマークする。
2.[PID制御ループとの関連ベースの方法]
変数は、そのPIDループに応じて分類される。PIDループごとに、プロセス変数(PV)は、それに対応する設定値(SP)と比較される。PVデータのうち、自動オフモード、測定値の凍結、未知の外乱やPID手動モードによるスパイクなどによりSPから有意な偏差を示す全てのPVデータが、「不良なデータスライス」としてマークされる。これらのデータセグメントは、モデル品質推定およびモデル同定が実行される前に、データ集合から切り出される(または選別される)。
3.[モデル予測による方法]
PIDとの関連を有さない従属変数については、独立変数の利用可能な測定値を用いる内的モデルを構築し、この内的モデルにより、その従属変数の予測を生成する。そして、(1)そのようにして得られたモデル予測が、その従属変数の実際の測定値に対して審査(evaluate)され、(2)これらの変動トレンドが、スパイクおよび有意な偏差について評価される。このような審査・評価の結果、データは「不良なデータスライス」としてマークされる場合がある。そのようにマークされたデータは、モデル品質推定およびモデル同定用のデータ集合から除外され得る。
4.[不良なデータを修正する方法]
モデル同定では、データ集合から「不良なデータ」セグメント(スライス)が除外されるたびに、同定アルゴリズムの初期化により、「不良なデータ」スライスとしてマークされたスライスの後に続く良好なデータセグメントの、40〜60個程度の長さのデータサンプルが失われる。本発明では、良好なデータ点の損失を抑えるために、全ての短いデータセグメント(スライス)について、その部分の測定値を削除する代わりに補間方法を適用し、当該測定値を補間値で置き換える。
a. 所与のサンプリング周波数で、プロセスデータ変数を収集してこの収集したプロセスデータ変数を前記データベースに時系列変数として記憶する副過程、
b. 前記データベースから、前記対象プロセスにおける変数についてのデータ状態、特殊値および限度値を、当該変数の時系列と共にロードする副過程、
c. 所与の時系列変数をプロセス従属変数またはプロセス独立変数としてスクリーニングし、基礎的なデータスクリーニングフィルタを適用することにより、その時系列におけるデータセグメントを、所与のデータ品質測定パラメータに従って、良好なデータまたは不良なデータとして検出およびマークする副過程、
d. 時系列変数を、その比例−積分−微分(PID)ループに応じて分類する副過程、
e. PIDループごとに、プロセス変数(PV)をそれに対応する設定値(SP)と比較し、データスクリーニングフィルタを適用する副過程、
f. 独立変数についての利用可能な測定値を用いて、PIDとの関連を有さない従属変数についての予測を生成する副過程、
g. PIDとの関連を有さない従属変数についての前記生成された予測を、その従属変数についての利用可能な測定値に対して審査し、データスクリーニング方法を適用する副過程、および
h. 前記時系列から不良なデータセグメントを除外するように、前記データセグメントのうち、不良なデータとしてマークされたデータセグメント、およびデータスライス生成手段を用いて、前記所与の時系列変数における不良なデータスライスを特定および生成する副過程、
を含む。
i. 前記時系列のうち、基礎的なデータフィルタでフィルタ除去していない不良なデータセグメントについて、当該不良なデータセグメントを前記モデル同定に含めた場合のモデル品質(MQ)と当該不良なデータセグメントを前記モデル同定に含めない場合のモデル品質(MQ)とを比較することによりテストする副過程、および
j. 前記MQの比較に基づいて、不良なデータセグメントを不良なデータとして確定する副過程であって、不良なデータとして確定しない場合には、そのデータセグメントを不良なデータセグメント候補としてはマークしない副過程、
を含む。
k. 前記所与の時系列変数について、不良なデータセグメントとして確定されたデータセグメントのうち、定常状態までの時間(TTSS)の1/2未満の長さである全ての不良なデータセグメントを、補間用に選択する副過程、
l. 前記時系列のうち、前記データスライス生成手段によってデータ部分が取り除かれたセグメントを、補間データセグメントで継合する副過程、および
m. 不良なデータスライスを、その補間スライスで継合する際に、補間データセグメントの端点と端点とが滑らかに接続されるようにすることにより、不良なデータセグメントを補間データセグメントで置き換えることによる悪影響を抑える副過程、
を含む。
全プロセス変数の中から、PIDループとの関連検索を実行して利用可能なSP、PVおよびOPを見つけ出し、
PVとSPとのセットまたはPVとSPと制御出力(OP)とのセットが、PIDループの前記時系列と関連するか否かを判断し、
PVとSPとのセットまたはPVとSPとOPとのセットが同じPIDループの前記時系列と関連する場合、ルールベースのデータ選択手段を用いてデータスクリーニングフィルタを適用することにより、SPからの偏差を示すデータ系列を検出し、対応するデータセグメントを不良なデータとしてマークし得る。
前述した自動的にデータスクリーニング・選択を実行する方法を実現するうえで、実施形態では、複数の構成要素が設けられる。このような構成要素には、
● ルールベースのデータ選択手段、
● データスライス生成手段、
● PVスパイク検出手段、
● OP飽和および上限/下限検出手段、
● 凍結信号・測定値検出手段、
● PID手動モード検出手段、
● 閉ループモードのSP検出手段、
● トレンドミスマッチ(推移不整合)・未知の外乱検出手段、
● MQを用いたスライス確定モジュール、および
● スライス修正/継合モジュール、
が含まれる。
これらの構成要素は、それぞれ後述するような構成を有する。なお、当業者であれば、本明細書の説明を参照することにより、それ以外の構成要素および構成も実現可能であることを理解し得る。
様々なケース(場合)においてかつ異なるルール/条件下で、データスクリーニング・選択を自動的に実行できるように、共通のルールベースの(共通のルールに基づく)データマーク(印付け)手段/データ選択手段が設けられる。所与の時系列について、各データサンプルの状態マークを記憶する、データサンプル状態フラグのリストが内的に(その手段内で)生成される。そのような状態フラグは、ルールベースの任意の条件に応じて設定可能である。一例として、サンプルの状態フラグのリストに「マークする(印を付ける)」ルールとして、以下のようなルールを用いることができる。
上記のようなフラグ値に基づき、同一の状態で連続する「不良なデータ」サンプルが、「不良なデータ」スライスに分類・変換される(「不良なデータ」スライスとしてマークされる)。共通のデータスライス生成手段300は、様々な条件下で、全ての不良なデータスライスを生成することができる。図3は、データスライス生成手段300の一実施形態を示す。
所与の時系列がDEP(従属変数)でありかつPIDループにおけるPV(プロセス変数)である場合、PVスパイクパターンが検出され得る。過程240(図2)においてこのデータ時系列の対応するSP(設定値)が見つかると、新たな時系列として制御誤差の時系列{e(t)}が算出される。具体的には、SPからPVの数値を減算することにより、制御誤差の時系列{e(t)}が算出される(すなわち、e(t)=SP(t)−PV(t))。この制御誤差の時系列{e(t)}は、機器の測定誤差(例えば、短期的なオフライン/リセット/校正)またはプロセス120に対する未知の大きい外乱によるPVスパイクを検出するのに利用される。このようにして、PVスパイク検出手段は、図9A、図9Bおよび図13に示すようなデータパターンを探して検出する。
PVのあらゆる有意なスパイクは、以下の条件に基づいて検出される。
所与の時系列がDEP(従属変数)である場合、データセグメントのうち、その変数の上限/下限にあるデータセグメントは、いずれも独立−従属の因果関係を正確に表すことができない。したがって、ここでの確認条件は、データ値が限度値(上限値または下限値)に達してそこに留まっているか否かである。この条件を適用することにより、表1に記載されたモデル品質推定またはモデル同定のためのフラグ値のうち、当該条件に対応するフラグ値が生成される。図6には、上限値/下限値に関係したそのような状況が示されており、図7および図11には、OP飽和に関係したそのような状況が示されている。具体的には、図6には、データ系列601が当該データ系列601の上限値に達しているデータ領域602の検出の様子が示されている。図7には、設定値703の時系列、出力701の時系列、およびこれら設定値703および出力701と関連のあるプロセス変数702の時系列において、データ領域704で、出力701が飽和していることの検出の様子が示されている。図11には、PIDループ出力の飽和であって、(データ領域1104と異なり)プロセス変数1102が当該変数に対応する設定値1103に追従できずかつ出力1101が飽和していること(符号1105)を検出する実施形態が示されている。
所与の時系列がDEP(従属変数)である場合、データセグメントのうち、数値が凍結しているあらゆるデータセグメントは、CV応答を正しく表すことができないので、モデル同定にとっての「不良のデータ」としてマークする必要がある。図8には、データ領域802において、PV信号(測定値)801がTTSS(定常状態までの時間)1つ分を超える期間にわたって凍結している一例が示されている。一実施形態において、TTSS=60分である。凍結信号・測定値検出手段は、このようなデータ・信号パターンを検出する。
所与の時系列がIND(独立変数)でありかつPIDループにおけるSP(設定値)である場合、PIDループがMAN(手動)モードならば、そのSPは、PV(プロセス変数)を追跡することになるが、その間、実際のプロセス独立変数(典型例として、バルブの開放位置や流量)はオペレータによりOPを介して変更される。このような場合のSPの読取値は、INDとDEPとの正しい関係を表すことができない。図12には、PID手動モード検出手段によって自動的に検出されたデータ範囲1204であって、出力1201が一定のままPV1202と設定値1203とが重複している、PIDループが手動モードであるときのデータ範囲1204の一例が示されている。これとは対照的に、図17のグラフには、実施形態において、PIDモードが正確に維持されておりかつ(符号1705と異なり)OP(PID出力)1701の飽和が生じていないデータ部分集合1704を求める様子が示されている。この検出領域1704で、SP1703がPV1702を追跡している点に注目されたい。
所与の時系列が独立変数でありかつPIDループにおけるSP(設定値)である場合、PIDループがカスケードモードならば、そのSPは、PIDループ外のOP等の外部変数に追従する。ここで、明確な(clean)ステップ変動が長期間にわたって存在しない場合、そのSPのデータセグメントはモデル同定に適さなくなる。図10には、データ領域1003において、SP1002が変数1001に追従する閉ループモードであると検出された状況が示されている。
これまでに説明した全てのケースならびに全てのデータスクリーニング・選択構成の他にも、DEP時系列またはCV時系列が、突然の有意な急上昇/急降下または急激ではないにしろ一定の上昇/降下を示す場合があり得る。そのような場合のDEPまたはCVは、プロセス120に対する未知の外乱(例えば、見逃されているFF(フィードフォワード)、プロセスに対する未知の外乱など)に応答している。すると、そのデータセグメントの因果関係は不明なので、当該データが用いられてしまうとモデル同定に悪影響が生じる。図13には、PV1301がSP1302にほとんど追従していないデータ範囲1203の検出の様子が示されている。図14には、CVの測定値1401であって、当該CVのモデル予測1402の変化と整合しない上昇を数回生じており、そのため、前記検出手段によって「不良なデータ」スライス1403として検出されるCVの測定値1401が例示されている。同様に、図15には、CVの測定値1501であって、当該CVのモデル予測1502の変化と整合しない降下を数回生じており、そのため、前記検出手段によって「不良なデータ」スライス1503として検出されるCVの測定値1501が示されている。
あまりにも多くの不良なデータサンプルセグメントが選択されることで生じるデータ損失を抑えるために、不良なデータスライスを最終決定する前に不良なデータセグメント候補を全てテストおよび確定(確認)する、革新的なアプローチ/モジュール270が設けられる。このアプローチ270は、以下の手順(ステップ)で構成される。
検出された全ての不良なデータスライスを「不良なデータスライス候補」として設定し、時系列変数ごとに不良なデータスライス候補を除外することにより、良好なデータスライスを生成する。
DEP(従属変数)ごとに、全てのINDを入力として1つのDEPを出力とするMISOモデル同定ケースを構成する。
手順1で生成した全ての良好なデータスライスを、手順2で構成したMISOケースに適用して部分空間モデル同定を実行する。
手順1で生成したデータ集合を用いて、本願の親出願および関連出願に記載された技術により、手順3で得られたMISOモデルについてモデル品質評価を実行する。そのMQ指数値、つまりKPI(キー性能指標)を、ベースライン値として記録する。
「不良なデータスライス候補」に含まれる不良なデータスライスのそれぞれにつき、それが基礎的なデータスクリーニングで見つかるデータスライスでない場合(例えば、数値=−9999、−10001等である場合)には、そのデータセグメントを「良好な」データスライスに再設定する。
手順5で定義されたデータ集合を用いて、以前に無視した(手順5で良好なデータとして扱い除外した)「不良なデータスライス候補」を考慮に入れない点を除き、手順3と同様のMISOケース同定を実行する。
手順6で同定したMISOモデルについて、手順4と同じデータ集合を用いて手順4を再度実行することにより、この新しいモデルのMQ指数値を算出し、当該モデルのKPIを記録する。
手順7で得られたKPI値と手順4で算出されたベースライン値とを比較する。新たに求めたKPI値がそのベースライン値に十分近い場合、例えば:
|KPI(新)−KPI(ベースライン)|<ε(調整可能な閾値)
である場合、選択された/テスト対象の不良なデータスライス「候補」の悪影響は大きくないので、この選択された不良なデータスライスは、モデル同定にとっての不良なデータスライスのリストから外されることにより、不良なデータスライスを解除される。
次の「不良なデータスライス候補」に進み、全ての不良なデータスライス候補の審査・確定が終了するまで、手順5から手順8の確定プロセスを繰り返す。
不良なデータサンプルセグメントによるデータ損失を抑えるために、不良なデータスライスを最終決定する前に短い不良なデータセグメント候補を修正および継合する、革新的なさらなるアプローチ/モジュール280が設けられる。以下では、このアプローチの一実施形態について説明する。
時系列変数{x(t)}を選択し、スライス確定モジュール270により確定された全ての不良なデータスライス候補をスクリーニングすることにより、それらのうち、定常状態までの時間の1/2未満の長さであるデータスライスのみ(すなわち、(長さ<1/2×TTSS)を満足する全ての不良なデータスライス)を、継合/修正用に選択する。
選択された時系列がIND(独立変数)である場合には、手順1で選択した全ての不良なデータスライスについて、以下のデータ継合に関するループ処理を実行する:
(1) 開始インデックス(開始索引)=Startとし、スライスに含まれるサンプル数=Lengthとし、スライスに含まれる最後のサンプルのインデックス=Endとし、さらに、End=(Start+Length−1)とする。
(2) その不良なデータスライスにおける2つの各端と隣り合う良好なサンプルについて、それらのサンプル値が:|x(t=Start−1)−x(t=End+1)|<εを満足するか否かを確認する(式中、εは調整可能な閾値である。)。
(3) 上記の(2)の条件を満足する場合には、線形補間により、以下の数値を有する「補間スライス」を生成する:
選択された時系列がDEP(従属変数)である場合には、このDEPおよび全てのINDを用いてMISOケースを構成し、全ての不良なデータスライス候補を適用してモデル同定を実行する。同定されたMISOモデルおよびその入力データ集合を用いて、そのDEPについてのモデル予測を生成する。
(モジュール280の)手順1で選択した全ての不良なデータスライス候補について、次のループ処理を実行する:所与の不良なデータスライス候補について、(モジュール280の)手順3で生成されたモデル予測値が利用可能である場合(ここで、予測値が常に利用可能であるとは限らない。例えば、不良なデータスライス後のモデル再初期化により、予測値が利用可能でない場合もある)には、以下の式に従って「補間スライス」が生成される。
特別なアルゴリズム(後の説明を参照)により、データスライスの継ぎ合わせに用いる2つの接続点であって、確実に滑らかに継ぎ合わせることでデータ損失を抑える、適応型の(フレキシブルな)データスライス継合に用いる2つの接続点が算出される。
次のデータスライス候補に進み、プロセス280のうちの前述した手順3から手順5を繰り返す。
不良な-データスライスを補間データサンプルで置き換えることによる悪影響を抑えるために、短い不良なデータスライスの2つの端点間を滑らかに接続する特別なアルゴリズムが設けられる。図4には、プロセス変数401の時系列と、このプロセス変数401の不良なデータセグメント402とが示されている。図5には、同じプロセス変数501のそのデータセグメントを、データ範囲502にわたって補間データセグメントで継ぎ合わせた結果が示されている。図16には、不良なCVデータ1603が検出されたPVの時系列1601と共に、当該PVの時系列1601の予測データ1602であって、修正後のCV系列に途切れが生じないように不良なデータセグメントを置き換えた予測データ1602とが示されている。このアルゴリズムは、以下の手順(ステップ)で構成される。
UI(ユーザインターフェース)から、データスライスの継ぎ合わせに用いるユーザにより指定された始点(UI_Start)および終点(UI_End)が読み出される(図5および図16に示すデータスライスについては、デフォルト値としてUI_Start=StartおよびUI_End=Endが算出される)。
UI_StartおよびUI_Endについて、以下の点を調べる:
● UI_Start⊆(Start−TTSS,End)ならば、UI_Startは有効である;
● UI_End⊆(Start,End+TTSS)ならば、UI_Endは有効である。
UI_StartとUI_Endの両方が有効である場合、手順3に進む。
滑らかな接続を実現するために、接続点:UI_Start付近の平均値および接続点:UI_End付近の平均値からなる2つの平均値が、それら2点単独の測定値の代わりに使用される。以下の数式は、不良なデータスライスを継ぎ合わせる際に、目下の時系列のノイズが大きい場合に、特に重要かつ有用である:
選択された不良なデータスライスを最良に継ぎ合わせるために、そのデータスライスの部分には、(従来からよく利用される)直線ではなくモデル予測値の集合が、継ぎ合わせ前の望ましくない数値と置き換えられる。モデル予測値と実際の測定値との間にバイアスが生じ得ることを考慮し、さらに、そのスライスに相当する期間にわたるデータ・予測ドリフトを考慮するために、位置調節を伴う以下の計算が実行される:
自動的にデータ選択を実行する装置および方法により、技術者はプロセスデータを効率良く用意することができる。それでも、自動的に生成された不良なデータスライスを、ユーザが閲覧、追加、削除または編集できるようにすることも、同じく重要かつ必要である。一部の実施形態では、そのような機能を果たすGUI(グラフィカルユーザインターフェース)、あるいは、ウェブページおよび支援アルゴリズム(ソフトウェア)が設けられる。図18A、図18Bおよび図18Cには、そのようなGUIが示されている。図18Aでは、ユーザが、GUI1802を介して不良なデータスライスをマウスでクリックすることにより、そのデータ範囲1081をマークし、それを不良なデータスライスとしてベクトルまたはデータ集合(全ベクトル)に追加することができる。図18Bには、GUIの構成要素1804(例えば、ポップアップメニューなど)が示されている。ユーザは、この構成要素1804を介して既存の不良なデータスライス1803を削除したり、図18Cのように新たにダイアログを開いて編集したりすることができる。図18Cには、データスライスの編集を可能にするダイアログボックスの一例が示されている。ここでは、ユーザが、Begin(開始)インデックス1805およびEnd(終了)インデックス1806(あるいは、日付および時刻)を再入力することにより、不良なデータスライスを編集することができる。そして、ユーザは、OKボタン1807をクリックすることにより変更を確定するか、あるいは、キャンセルボタン1808をクリックすることにより変更を取りやめる。上記以外の選択・確定構成も可能である。
なお、本発明は、実施の態様として以下の内容を含む。
〔態様1〕
多変数予測コントローラ(MPC)でのモデル同定およびモデル適応のためにデータを自動的にスクリーニングおよび選択する方法であって、
プロセッサに構成された既存のモデルを有するオンラインコントローラを前提として、
対象プロセスからプロセスデータをロードし、このプロセスデータを前記モデルによりアクセス可能なデータベースに記憶する過程と、
ルールベースのデータ選択手段を用いて、前記記憶されたプロセスデータのうち、モデル品質推定およびモデル同定に不適切なデータセグメントを自動的に検出および除外する過程と、
不良なデータセグメントが除外されることによるデータ損失を抑えるように、除外されるデータセグメントを確定する過程と、
MPCアプリケーションにおけるデータを最大限に利用するように、前記記憶されたプロセスデータのうち、ある一定のデータセグメントを修正する過程と、
前記データベースに記憶されている、結果として得られたプロセスデータを用いて、前記既存のモデルを更新する過程と、
を含む、方法。
〔態様2〕
態様1に記載の方法において、ルールベースのデータ選択手段を用いて、記憶されたプロセスデータのうち、モデル品質推定およびモデル同定に不適切なデータセグメントを検出および除外する前記過程が、
a. 所与のサンプリング周波数で、プロセスデータ変数を収集してこの収集したプロセスデータ変数を前記データベースに時系列変数として記憶する副過程、
b. 前記データベースから、前記対象プロセスにおける変数についてのデータ状態、特殊値および限度値を、当該変数の時系列と共にロードする副過程、
c. 所与の時系列変数をプロセス従属変数またはプロセス独立変数としてスクリーニングし、基礎的なデータスクリーニングフィルタを適用することにより、その時系列におけるデータセグメントを、所与のデータ品質測定パラメータに従って、良好なデータまたは不良なデータとして検出およびマークする副過程、
d. 時系列変数を、その比例−積分−微分(PID)ループに応じて分類する副過程、
e. PIDループごとに、プロセス変数(PV)をそれに対応する設定値(SP)と比較し、データスクリーニングフィルタを適用する副過程、
f. 独立変数についての利用可能な測定値を用いて、PIDとの関連を有さない従属変数についての予測を生成する副過程、
g. PIDとの関連を有さない従属変数についての前記生成された予測を、その従属変数についての利用可能な測定値に対して審査し、データスクリーニング方法を適用する副過程、および
h. 前記時系列から不良なデータセグメントを除外するように、前記データセグメントのうち、不良なデータとしてマークされたデータセグメント、およびデータスライス生成手段を用いて、前記所与の時系列変数における不良なデータスライスを特定および生成する副過程、
を含む、方法。
〔態様3〕
態様2に記載の方法において、前記副過程(a)のプロセスデータ変数が、前記対象プロセスの操作変数(MV)、前記対象プロセスの制御変数(CV)の測定値、独立変数の算出値、従属変数の算出値、前記対象プロセスの全データベクトル、および全PIDコントローラループの少なくとも1つを含む、方法。
〔態様4〕
態様2に記載の方法において、前記副過程(c)の前記基礎的なデータスクリーニング方法が、前記所与の時系列が従属変数である場合の、PIDコントローラ出力(OP)飽和および上限/下限検出手段、および凍結信号・測定値検出手段、ならびに、前記所与の時系列が独立変数である場合の、PID手動モード検出手段のうちの、少なくとも1つを含む、方法。
〔態様5〕
態様2に記載の方法において、PIDループごとに、プロセス変数(PV)をそれに対応する設定値(SP)と比較し、データスクリーニングフィルタを適用する前記副過程(e)が、
全プロセス変数の中から、PIDループとの関連検索を実行して利用可能なSP、PVおよびOPを見つけ出すこと、
PVとSPとのセットまたはPVとSPと制御出力(OP)とのセットが、PIDループの前記時系列と関連するか否かを判断すること、および
PVとSPとのセットまたはPVとSPとOPとのセットが同じPIDループの前記時系列と関連する場合、ルールベースの前記データ選択手段を用いてデータスクリーニングフィルタを適用することにより、SPからの偏差を示すデータ系列を検出し、対応するデータセグメントを不良なデータとしてマークすること、
を含む、方法。
〔態様6〕
態様5に記載の方法において、前記データスクリーニングフィルタが、前記所与の時系列が従属変数である場合の、PVスパイク検出手段、ならびに、前記所与の時系列が独立変数である場合の、PID手動モード検出手段、および閉ループモードのSP検出手段のうちの、少なくとも1つを含む、方法。
〔態様7〕
態様2に記載の方法において、PIDとの関連を有さない従属変数についての前記生成された予測を、その測定値に対して審査し、データスクリーニングフィルタを適用する副過程(g)が、
PVとSPとのセットまたはPVとSPとOPとのセットが、同じPIDループの目下の前記時系列変数と関連を有さず、その時系列変数がプロセス従属変数である場合、データスクリーニングフィルタを用いて、変動トレンドがスパイクおよび偏差を示すデータセグメントを検出し、所与のデータスクリーニングフィルタに従って、そのデータセグメントを不良なデータとしてマークすること、
を含む、方法。
〔態様8〕
態様7に記載の方法において、前記データスクリーニングフィルタが、PVスパイク検出手段、およびトレンドミスマッチ・未知の外乱検出手段のうちの、少なくとも1つを含む、方法。
〔態様9〕
態様8に記載の方法において、前記トレンドミスマッチ・未知の外乱検出手段が、
多入力単出力(MISO)モデルにより、前記時系列変数についてのモデル予測を生成し、
未知の外乱による予測誤差を算出し、
制御変数(CV)の時系列が、前記MISOモデルによる予測値と並行しているか否かを検出し、
前記CVの平均値が正常な変動範囲外の持続的な大きいシフトを生じたか否かを検出し、それが前記モデルによる予測と対応しているか否かを判断し、
前記時系列変数のうち、前記予測誤差を超えるトレンド差を示すデータセグメントを除外用に選択し、当該選択されたデータセグメントを不良なデータとしてマークする、
方法。
〔態様10〕
態様2に記載の方法において、不良なデータセグメントが除外されることによるデータ損失を抑えるように、除外されるデータセグメントを確定する前記過程が、
i. 前記時系列のうち、基礎的なデータフィルタでは除外していない不良なデータセグメントについて、当該不良なデータセグメントを前記モデル同定に含めた場合のモデル品質(MQ)と当該不良なデータセグメントを前記モデル同定に含めない場合のモデル品質(MQ)とを比較することによりテストする副過程、および
j. 前記MQの比較に基づいて、不良なデータセグメントを不良なデータとして確定する副過程であって、不良なデータとして確定しない場合には、そのデータセグメントを不良なデータセグメント候補から外す副過程、
を含む、方法。
〔態様11〕
態様10に記載の方法において、不良なデータセグメントをテストする前記副過程が、
不良なデータセグメントを不良なデータセグメント候補として設定し、時系列変数ごとに不良なデータセグメント候補を除外することにより、良好なデータセグメントを生成すること、
従属変数に対しては、多入力単出力(MISO)モデル同定を構成し、当該MISOモデルにおいて前記独立変数を入力としてかつ前記従属変数を出力としてロードすること、
前記生成された良好なデータセグメントを前記構成されたMISOモデルに適用し、当該MISOモデルについてモデル品質評価を実行することにより、ベースラインのモデル品質指数(MQ)を算出すること、および
前記データセグメントのうち、基礎的なデータフィルタでは除外していない不良なデータセグメント候補に対してMISOケース同定を実行し、その不良なデータセグメント候補のMISOモデルについてモデル品質評価を実行することにより、候補のMQを算出すること、
を含む、方法。
〔態様12〕
態様11に記載の方法において、不良なデータセグメントを不良なデータセグメント候補として設定する前記副過程が、
調整可能なパラメータが閾値としてある場合には、ベースラインのMQと候補のMQとの差が当該調整可能な閾値内ならば、不良なデータセグメント候補を良好なデータセグメントとしてマークし、かつ、対応するデータスライスを不良なデータスライスのリストから外すこと、
を含む、方法。
〔態様13〕
態様10に記載の方法において、MPCアプリケーションにおけるデータを最大限に利用するように、前記記憶されたプロセスデータのうち、ある一定のデータセグメントを修理する前記過程が、
k. 前記所与の時系列変数について、不良なデータセグメントとして確定されたデータセグメントのうち、定常状態までの時間(TTSS)の1/2未満の長さである全ての不良なデータセグメントを、補間用に選択する副過程、
l. 前記時系列のうち、前記データスライス生成手段によってデータ部分が取り除かれたセグメントを、補間データセグメントで継合する副過程、および
m. 不良なデータスライスを、その補間スライスで継合する際に、補間データセグメントの端点と端点とが滑らかに接続されるようにすることにより、不良なデータセグメントを補間データセグメントで置き換えることによる悪影響を抑える副過程、
を含む、方法。
〔態様14〕
態様13に記載の方法において、前記副過程(l)が、
前記時系列変数が独立変数である場合には、前記選択された不良なデータセグメントと隣り合う良好なデータセグメントを確認して、不良なデータセグメントの始点前の良好なデータサンプル値およびその不良なデータセグメントの終点後の良好なデータサンプル値が所与の閾値内であるか否かを判断し、前記所与の閾値内ならば、線形補間により補間スライスを生成し、前記選択された不良なデータセグメントをその補間スライスで置き換えること、
前記選択された時系列変数が従属変数である場合には、当該従属変数および当該従属変数に対応する独立変数を用いてMISOモデルケースを構成し、このようにして得られるMISOモデルを用いてモデル同定ケースを実行することにより前記従属変数についてのモデル予測を生成し、不良なデータセグメントについてのモデル予測値が利用可能であれば、当該不良なデータセグメントの補間スライスを生成すること、および
前記時系列変数が従属変数である場合には、前記選択された不良なデータセグメントと隣り合う良好なデータセグメントを確認して、不良なデータセグメントの始点前の所与の長さの平均値およびその不良なデータセグメントの終点後の所与の長さの平均値が前記所与の閾値内であるか否かを判断し、前記所与の閾値内ならば、線形補間により補間スライスを生成し、前記選択された不良なデータセグメントをその補間スライスで置き換えること、
を含み、前記補間スライスが前記良好なデータセグメントに滑らかに接続する、方法。
〔態様15〕
多変数予測コントローラ(MPC)でのモデル同定およびモデル適応のためにデータを自動的にスクリーニングおよび選択する装置であって、
プロセスシステムに接続されており、既存のモデルを有するMPCと、
前記多変数予測コントローラに接続されており、作業メモリ内のルーチンを実行するコンピュータプロセッサと、
対象プロセスからのプロセスデータにアクセスし、このプロセスデータを前記モデルによりアクセス可能なデータベースに記憶するルーチンと、
プロセスデータのうち、モデル品質推定およびモデル同定に不適切なデータセグメントを自動的に検出および除外するルーチンと、
不良なデータセグメントが除外されることによるデータ損失を抑えるように、除外されるデータセグメントを確定するルーチンと、
MPCアプリケーションにおけるデータを最大限に利用するように、プロセスデータのうち、ある一定のデータセグメントを修正するルーチンと、
を備える、装置。
〔態様16〕
態様15に記載の装置において、プロセスデータのうち、モデル品質推定およびモデル同定に不適切なデータセグメントを検出および除外する前記ルーチンが、
所与のサンプリング周波数で、プロセスデータ変数を収集してこの収集したプロセスデータ変数を前記データベースに時系列変数として記憶するルーチンであって、前記プロセスデータ変数が、前記対象プロセスの操作変数(MV)、前記対象プロセスの制御変数(CV)の測定値、独立変数の算出値、従属変数の算出値、前記対象プロセスの全データベクトル、および全PIDコントローラループの少なくとも1つを含む、ルーチン、
前記データベースから、前記対象プロセスにおける変数についてのデータ状態、特殊値および限度値を、当該変数の時系列と共にロードするルーチン、
所与の時系列変数について、当該時系列変数をプロセス従属変数またはプロセス独立変数として判定し、基礎的なデータスクリーニングフィルタを適用することにより、その時系列におけるデータセグメントを、所与のデータ品質パラメータに従って、良好なデータまたは不良なデータとして検出およびマークするルーチン、
時系列変数を、その比例−積分−微分(PID)ループに応じて分類するルーチン、
PIDループごとに、プロセス変数(PV)をそれに対応する設定値(SP)と比較し、データスクリーニングフィルタを適用するルーチンであって、前記データスクリーニングフィルタが、前記所与の時系列が従属変数である場合の、コントローラ出力(OP)飽和および上限/下限検出手段、および凍結信号・測定値検出手段、ならびに、前記所与の時系列が独立変数である場合の、PID手動モード検出手段のうちの、少なくとも1つを含む、ルーチン、
独立変数についての利用可能な測定値を用いて、PIDとの関連を有さない従属変数についての予測を生成するルーチン、
PIDとの関連を有さない従属変数についての前記生成された予測を、前記独立変数についての利用可能な測定値に対して審査し、データスクリーニングフィルタを適用するルーチン、および
前記データセグメントのうち、不良なデータとしてマークされたデータセグメントを用いて、前記所与の時系列変数における不良なデータスライスを生成するルーチンであって、前記時系列から前記不良なデータセグメントを除外するルーチン、
を含む、装置。
〔態様17〕
態様16に記載の装置において、PIDループごとに、プロセス変数(PV)をそれに対応する設定値(SP)と比較し、データスクリーニングフィルタを適用する前記ルーチンが、
前記時系列における良好なデータセグメントの中から、PIDループとの関連検索を実行するルーチン、
PVとSPとのセットまたはPVとSPと制御出力(OP)とのセットが、PIDループの前記時系列と関連するか否かを判断するルーチン、および
PVとSPとのセットまたはPVとSPとOPとのセットが同じPIDループの前記時系列と関連する場合、ルールベースのデータ選択手段を用いてデータスクリーニングフィルタを適用することにより、SPからの偏差を示すデータ系列を検出し、対応するデータセグメントを不良なデータとしてマークするルーチンであって、前記データスクリーニングフィルタが、前記所与の時系列が従属変数である場合の、PVスパイク検出手段、ならびに、前記所与の時系列が独立変数である場合の、PID手動モード検出手段、および閉ループモードのSP検出手段のうちの、少なくとも1つを含む、ルーチン、
を含む、装置。
〔態様18〕
態様16に記載の装置において、PIDとの関連を有さない従属変数についての前記生成された予測を、前記対応する変数についての測定値に対して審査し、データスクリーニングフィルタを適用する前記ルーチンが、
PVとSPとのセットまたはPVとSPとOPとのセットが、同じPIDループの目下の前記時系列変数と関連を有さず、その時系列変数がプロセス従属変数である場合、データスクリーニングフィルタを用いて、変動トレンドがスパイクおよび偏差を示すデータセグメントを検出し、所与のデータスクリーニングフィルタに従って、そのデータセグメントを不良なデータとしてマークするルーチンであって、前記データスクリーニングフィルタが、CVスパイク検出手段、およびトレンドミスマッチ・未知の外乱検出手段のうちの、少なくとも1つを含む、ルーチン、
を含む、装置。
〔態様19〕
態様16に記載の装置において、不良なデータセグメントが除外されることによるデータ損失を抑えるように、除外されるデータセグメントを確定する前記ルーチンが、
前記時系列のうち、基礎的なデータフィルタでは除外していない不良なデータセグメントについて、当該不良なデータセグメントを前記モデル同定に含めた場合のモデル品質(MQ)と当該不良なデータセグメントを前記モデル同定に含めない場合のモデル品質(MQ)とを比較することによりテストするルーチン、および
前記MQの比較に基づいて、不良なデータセグメントを不良なデータとして確定するルーチンであって、不良なデータとして確定しない場合には、そのデータセグメントを不良なデータセグメント候補から外すルーチン、
を含む、装置。
〔態様20〕
態様10に記載の装置において、MPCアプリケーションにおけるデータを最大限に利用するように、ある一定の時系列を修正する前記ルーチンが、
前記所与の時系列変数について、不良なデータセグメントとして確定されたデータセグメントのうち、定常状態までの時間の1/2未満の長さである全ての不良なデータセグメントを、補間用に選択するルーチン、
前記時系列のうち、前記データスライス生成手段によってデータ部分が取り除かれたセグメントを、補間データセグメントで継合するルーチン、および
不良なデータスライスを、その補間スライスで継合する際に、補間データセグメントの端点と端点とが滑らかに接続されるようにすることにより、不良なデータセグメントを補間データセグメントで置き換えることによる悪影響を抑えるルーチン、
を含む、装置。
〔態様21〕
態様16に記載の装置において、さらに、
前記コンピュータプロセッサに接続されており、プロセスデータおよびプロセスデータをユーザに提示する映像インターフェースを表示するディスプレイと、
前記コンピュータプロセッサに接続されており、前記プロセスデータの時系列、データスライスおよびデータセグメントをユーザが変更および削除することを可能にするユーザ入力装置と、
を備える、装置。
Claims (19)
- 既存のモデルを含む多変数予測コントローラ(MPC)でのモデル同定およびモデル適応のためにデータを自動的にスクリーニングおよび選択する方法であって、
対象プロセスからプロセスデータをロードし、このプロセスデータを前記モデルによりアクセス可能なデータベースに記憶する過程と、
ルールベースのデータ選択手段を用いて、前記記憶されたプロセスデータのうち、モデル品質推定およびモデル同定に不適切なデータセグメントを自動的に検出および除外する過程であって、
(a) 所与のサンプリング周波数で、プロセスデータを収集してこの収集したプロセスデータを前記データベースに時系列変数として記憶する副過程、
(b) 前記データベースから、前記対象プロセスにおける変数についてのデータ状態、特殊値および限度値を、当該変数の時系列と共にロードする副過程、
(c) 所与の時系列変数をプロセス従属変数またはプロセス独立変数としてスクリーニングし、データスクリーニングフィルタを適用することにより、その時系列におけるデータセグメントを、所与のデータ品質測定パラメータに従って、良好なデータまたは不良なデータとして検出およびマークする副過程、
(d) 時系列変数を、その比例−積分−微分(PID)ループに応じて分類する副過程、
(e) PIDループごとに、プロセス変数(PV)をそれに対応する設定値(SP)と比較し、データスクリーニングフィルタを適用する副過程、
(f) 独立変数についての利用可能な測定値を用いて、PIDとの関連を有さない従属変数についての予測を生成する副過程、
(g) PIDとの関連を有さない従属変数についての前記生成された予測を、その従属変数についての利用可能な測定値に対して審査し、データスクリーニング方法を適用する副過程、および
(h) 前記時系列から不良なデータセグメントを除外するように、前記データセグメントのうち、不良なデータとしてマークされたデータセグメント、およびデータスライス生成手段を用いて、前記所与の時系列変数における不良なデータスライスを特定および生成する副過程、
を含む過程と、
不良なデータセグメントが除外されることによるデータ損失を抑えるように、除外されるデータセグメントを確定する過程と、
MPCアプリケーションにおけるデータを最大限に利用するように、前記記憶されたプロセスデータのうち、ある一定のデータセグメントを修正する過程と、
前記データベースに記憶されている、結果として得られたプロセスデータを用いて、前記既存のモデルを更新する過程と、
を含む、方法。 - 請求項1に記載の方法において、前記副過程(a)のプロセスデータが、前記対象プロセスの操作変数(MV)、前記対象プロセスの制御変数(CV)の測定値、独立変数の算出値、従属変数の算出値、前記対象プロセスの全データベクトル、および全PIDコントローラループの少なくとも1つを含む、方法。
- 請求項1に記載の方法において、前記副過程(c)の前記データスクリーニングフィルタが、前記所与の時系列変数が従属変数である場合の、PIDコントローラ出力(OP)飽和および上限/下限検出手段、および凍結信号・測定値検出手段、ならびに、前記所与の時系列変数が独立変数である場合の、PID手動モード検出手段のうちの、少なくとも1つを含む、方法。
- 請求項1に記載の方法において、PIDループごとに、プロセス変数(PV)をそれに対応する設定値(SP)と比較し、データスクリーニングフィルタを適用する前記副過程(e)が、
全プロセス変数の中から、PIDループとの関連検索を実行して利用可能なSP、PVおよびOPを見つけ出すこと、
PVとSPとのセットまたはPVとSPと制御出力(OP)とのセットが、PIDループの前記時系列と関連するか否かを判断すること、および
PVとSPとのセットまたはPVとSPとOPとのセットが同じPIDループの前記時系列と関連する場合、前記ルールベースの前記データ選択手段を用いてデータスクリーニングフィルタを適用することにより、SPからの偏差を示すデータ系列を検出し、対応するデータセグメントを不良なデータとしてマークすること、
を含む、方法。 - 請求項4に記載の方法において、前記データスクリーニングフィルタが、前記所与の時系列変数が従属変数である場合の、PVスパイク検出手段、ならびに、前記所与の時系列変数が独立変数である場合の、PID手動モード検出手段、および閉ループモードのSP検出手段のうちの、少なくとも1つを含む、方法。
- 請求項1に記載の方法において、PIDとの関連を有さない従属変数についての前記生成された予測を、その測定値に対して審査し、データスクリーニング方法を適用する副過程(g)が、
PVとSPとのセットまたはPVとSPとOPとのセットが、同じPIDループの目下の前記時系列変数と関連を有さず、その時系列変数がプロセス従属変数である場合、データスクリーニングフィルタを用いて、変動トレンドがスパイクおよび偏差を示すデータセグメントを検出し、所与のデータスクリーニングフィルタに従って、そのデータセグメントを不良なデータとしてマークすること、
を含む、方法。 - 請求項6に記載の方法において、前記データスクリーニングフィルタが、PVスパイク検出手段、およびトレンドミスマッチ・未知の外乱検出手段のうちの、少なくとも1つを含む、方法。
- 請求項7に記載の方法において、前記トレンドミスマッチ・未知の外乱検出手段が、
多入力単出力(MISO)モデルにより、前記時系列変数についてのモデル予測を生成し、
未知の外乱による予測誤差を算出し、
制御変数(CV)の時系列が、前記MISOモデルによる予測値と並行しているか否かを検出し、
前記CVの平均値が正常な変動範囲外の持続的な大きいシフトを生じたか否かを検出し、それが前記モデルによる予測と対応しているか否かを判断し、
前記時系列変数のうち、前記予測誤差を超えるトレンド差を示すデータセグメントを除外用に選択し、当該選択されたデータセグメントを不良なデータとしてマークする、
方法。 - 請求項1に記載の方法において、不良なデータセグメントが除外されることによるデータ損失を抑えるように、除外されるデータセグメントを確定する前記過程が、
(i) 前記時系列のうち、基礎的なデータフィルタでは除外していない不良なデータセグメントについて、当該不良なデータセグメントを前記モデル同定に含めた場合のモデル品質(MQ)と当該不良なデータセグメントを前記モデル同定に含めない場合のモデル品質(MQ)とを比較することによりテストする副過程、および
(j) 前記MQの比較に基づいて、不良なデータセグメントを不良なデータとして確定する副過程であって、不良なデータとして確定しない場合には、そのデータセグメントを不良なデータセグメント候補から外す副過程、
を含む、方法。 - 請求項9に記載の方法において、不良なデータセグメントをテストする前記副過程が、
不良なデータセグメントを不良なデータセグメント候補として設定し、時系列変数ごとに不良なデータセグメント候補を除外することにより、良好なデータセグメントを生成すること、
従属変数に対しては、多入力単出力(MISO)モデル同定を構成し、当該MISOモデルにおいて前記独立変数を入力としてかつ前記従属変数を出力としてロードすること、
前記生成された良好なデータセグメントを前記構成されたMISOモデルに適用し、当該MISOモデルについてモデル品質評価を実行することにより、ベースラインのモデル品質指数(MQ)を算出すること、および
前記データセグメントのうち、基礎的なデータフィルタでは除外していない不良なデータセグメント候補に対してMISOケース同定を実行し、その不良なデータセグメント候補のMISOモデルについてモデル品質評価を実行することにより、候補のMQを算出すること、
を含む、方法。 - 請求項10に記載の方法において、不良なデータセグメントを不良なデータセグメント候補として設定する前記副過程が、
ベースラインのMQと候補のMQとの差が調整可能な閾値内ならば、不良なデータセグメント候補を良好なデータセグメントとしてマークし、かつ、対応するデータスライスを不良なデータスライスのリストから外すこと、
を含む、方法。 - 請求項9に記載の方法において、MPCアプリケーションにおけるデータを最大限に利用するように、前記記憶されたプロセスデータのうち、ある一定のデータセグメントを修正する前記過程が、
(k) 前記所与の時系列変数について、不良なデータセグメントとして確定されたデータセグメントのうち、定常状態までの時間(TTSS)の1/2未満の長さである全ての不良なデータセグメントを、補間用に選択する副過程、
(l) 前記時系列のうち、前記データスライス生成手段によってデータ部分が取り除かれたセグメントを、補間データセグメントで継合する副過程、および
(m) 不良なデータスライスを、その補間スライスで継合する際に、補間データセグメントの端点と端点とが滑らかに接続されるようにすることにより、不良なデータセグメントを補間データセグメントで置き換えることによる悪影響を抑える副過程、
を含む、方法。 - 請求項12に記載の方法において、前記副過程(l)が、
前記時系列変数が独立変数である場合には、前記選択された不良なデータセグメントと隣り合う良好なデータセグメントを確認して、不良なデータセグメントの始点前の良好なデータサンプル値およびその不良なデータセグメントの終点後の良好なデータサンプル値が所与の閾値内であるか否かを判断し、前記所与の閾値内ならば、線形補間により補間スライスを生成し、前記選択された不良なデータセグメントをその補間スライスで置き換えること、
前記選択された時系列変数が従属変数である場合には、当該従属変数および当該従属変数に対応する独立変数を用いてMISOモデルケースを構成し、このようにして得られるMISOモデルを用いてモデル同定ケースを実行することにより前記従属変数についてのモデル予測を生成し、不良なデータセグメントについてのモデル予測値が利用可能であれば、当該不良なデータセグメントの補間スライスを生成すること、および
前記時系列変数が従属変数である場合には、前記選択された不良なデータセグメントと隣り合う良好なデータセグメントを確認して、不良なデータセグメントの始点前の所与の長さの平均値およびその不良なデータセグメントの終点後の所与の長さの平均値が前記所与の閾値内であるか否かを判断し、前記所与の閾値内ならば、線形補間により補間スライスを生成し、前記選択された不良なデータセグメントをその補間スライスで置き換えること、
を含み、前記補間スライスが前記良好なデータセグメントに滑らかに接続する、方法。 - プロセスシステムに接続され、既存のモデルを有する多変数予測コントローラ(MPC)でのモデル同定およびモデル適応のためにデータを自動的にスクリーニングおよび選択する装置であって、
前記多変数予測コントローラに接続されており、作業メモリ内のルーチンを実行するコンピュータプロセッサと、
対象プロセスからのプロセスデータにアクセスし、このプロセスデータを前記モデルによりアクセス可能なデータベースに記憶するルーチンと、
プロセスデータのうち、モデル品質推定およびモデル同定に不適切なデータセグメントを自動的に検出および除外するルーチンであって、
所与のサンプリング周波数で、プロセスデータを収集してこの収集したプロセスデータを前記データベースに時系列変数として記憶するルーチンであって、前記プロセスデータが、前記対象プロセスの操作変数(MV)、前記対象プロセスの制御変数(CV)の測定値、独立変数の算出値、従属変数の算出値、前記対象プロセスの全データベクトル、および全PIDコントローラループの少なくとも1つを含む、副ルーチン、
前記データベースから、前記対象プロセスにおける変数についてのデータ状態、特殊値および限度値を、当該変数の時系列と共にロードする副ルーチン、
所与の時系列変数をプロセス従属変数またはプロセス独立変数として判定し、データスクリーニングフィルタを適用することにより、その時系列におけるデータセグメントを、所与のデータ品質パラメータに従って、良好なデータまたは不良なデータとして検出およびマークする副ルーチン、
時系列変数を、その比例−積分−微分(PID)ループに応じて分類する副ルーチン、
PIDループごとに、プロセス変数(PV)をそれに対応する設定値(SP)と比較し、データスクリーニングフィルタを適用するルーチンであって、前記データスクリーニングフィルタが、前記所与の時系列が従属変数である場合の、コントローラ出力(OP)飽和および上限/下限検出手段、および凍結信号・測定値検出手段、ならびに、前記所与の時系列が独立変数である場合の、PID手動モード検出手段のうちの、少なくとも1つを含む、副ルーチン、
独立変数についての利用可能な測定値を用いて、PIDとの関連を有さない従属変数についての予測を生成する副ルーチン、
PIDとの関連を有さない従属変数についての前記生成された予測を、前記独立変数についての利用可能な測定値に対して審査し、データスクリーニングフィルタを適用する副ルーチン、および
前記データセグメントのうち、不良なデータとしてマークされたデータセグメントを用いて、前記所与の時系列変数における不良なデータスライスを生成するルーチンであって、前記時系列から前記不良なデータセグメントを除外する副ルーチン、
を含む、ルーチンと、
不良なデータセグメントが除外されることによるデータ損失を抑えるように、除外されるデータセグメントを確定するルーチンと、
MPCアプリケーションにおけるデータを最大限に利用するように、プロセスデータのうち、ある一定のデータセグメントを修正するルーチンと、
を備える、装置。 - 請求項14に記載の装置において、PIDループごとに、プロセス変数(PV)をそれに対応する設定値(SP)と比較し、データスクリーニングフィルタを適用する前記ルーチンが、
前記時系列における良好なデータセグメントの中から、PIDループとの関連検索を実行するルーチン、
PVとSPとのセットまたはPVとSPと制御出力(OP)とのセットが、PIDループの前記時系列と関連するか否かを判断するルーチン、および
PVとSPとのセットまたはPVとSPとOPとのセットが同じPIDループの前記時系列と関連する場合、ルールベースのデータ選択手段を用いてデータスクリーニングフィルタを適用することにより、SPからの偏差を示すデータ系列を検出し、対応するデータセグメントを不良なデータとしてマークするルーチンであって、前記データスクリーニングフィルタが、前記所与の時系列が従属変数である場合の、PVスパイク検出手段、ならびに、前記所与の時系列が独立変数である場合の、PID手動モード検出手段、および閉ループモードのSP検出手段のうちの、少なくとも1つを含む、ルーチン、
を含む、装置。 - 請求項14に記載の装置において、PIDとの関連を有さない従属変数についての前記生成された予測を、前記対応する変数についての測定値に対して審査し、データスクリーニングフィルタを適用する前記ルーチンが、
PVとSPとのセットまたはPVとSPとOPとのセットが、同じPIDループの目下の前記時系列変数と関連を有さず、その時系列変数がプロセス従属変数である場合、データスクリーニングフィルタを用いて、変動トレンドがスパイクおよび偏差を示すデータセグメントを検出し、所与のデータスクリーニングフィルタに従って、そのデータセグメントを不良なデータとしてマークするルーチンであって、前記データスクリーニングフィルタが、CVスパイク検出手段、およびトレンドミスマッチ・未知の外乱検出手段のうちの、少なくとも1つを含む、ルーチン、
を含む、装置。 - 請求項14に記載の装置において、不良なデータセグメントが除外されることによるデータ損失を抑えるように、除外されるデータセグメントを確定する前記ルーチンが、
前記時系列のうち、基礎的なデータフィルタでは除外していない不良なデータセグメントについて、当該不良なデータセグメントを前記モデル同定に含めた場合のモデル品質(MQ)と当該不良なデータセグメントを前記モデル同定に含めない場合のモデル品質(MQ)とを比較することによりテストするルーチン、および
前記MQの比較に基づいて、不良なデータセグメントを不良なデータとして確定するルーチンであって、不良なデータとして確定しない場合には、そのデータセグメントを不良なデータセグメント候補から外すルーチン、
を含む、装置。 - 請求項14に記載の装置において、MPCアプリケーションにおけるデータを最大限に利用するように、ある一定の時系列を修正する前記ルーチンが、
前記所与の時系列変数について、不良なデータセグメントとして確定されたデータセグメントのうち、定常状態までの時間の1/2未満の長さである全ての不良なデータセグメントを、補間用に選択するルーチン、
前記時系列のうち、前記データスライス生成手段によってデータ部分が取り除かれたセグメントを、補間データセグメントで継合するルーチン、および
不良なデータスライスを、その補間スライスで継合する際に、補間データセグメントの端点と端点とが滑らかに接続されるようにすることにより、不良なデータセグメントを補間データセグメントで置き換えることによる悪影響を抑えるルーチン、
を含む、装置。 - 請求項14に記載の装置において、さらに、
前記コンピュータプロセッサに接続されており、プロセスデータおよびプロセスデータをユーザに提示する映像インターフェースを表示するディスプレイと、
前記コンピュータプロセッサに接続されており、前記プロセスデータの時系列、データスライスおよびデータセグメントをユーザが変更および削除することを可能にするユーザ入力装置と、
を備える、装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201261646095P | 2012-05-11 | 2012-05-11 | |
US61/646,095 | 2012-05-11 | ||
PCT/US2013/040363 WO2013170041A2 (en) | 2012-05-11 | 2013-05-09 | Apparatus and method for automated data selection in model identification and adaptation in multivariable process control |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2015516104A JP2015516104A (ja) | 2015-06-04 |
JP2015516104A5 JP2015516104A5 (ja) | 2016-04-28 |
JP6359524B2 true JP6359524B2 (ja) | 2018-07-18 |
Family
ID=48485498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015511706A Active JP6359524B2 (ja) | 2012-05-11 | 2013-05-09 | 多変数プロセス制御でのモデル同定・適応のためにデータを自動的に選択する装置および方法 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP2825920B1 (ja) |
JP (1) | JP6359524B2 (ja) |
WO (1) | WO2013170041A2 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6740611B2 (ja) * | 2015-12-24 | 2020-08-19 | カシオ計算機株式会社 | 情報処理装置、情報処理方法及びプログラム |
US11934159B2 (en) | 2018-10-30 | 2024-03-19 | Aspentech Corporation | Apparatus and methods for non-invasive closed loop step testing with controllable optimization relaxation |
US11853032B2 (en) | 2019-05-09 | 2023-12-26 | Aspentech Corporation | Combining machine learning with domain knowledge and first principles for modeling in the process industries |
US11782401B2 (en) | 2019-08-02 | 2023-10-10 | Aspentech Corporation | Apparatus and methods to build deep learning controller using non-invasive closed loop exploration |
WO2021076760A1 (en) | 2019-10-18 | 2021-04-22 | Aspen Technology, Inc. | System and methods for automated model development from plant historical data for advanced process control |
US11630446B2 (en) | 2021-02-16 | 2023-04-18 | Aspentech Corporation | Reluctant first principles models |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7209793B2 (en) | 2000-07-12 | 2007-04-24 | Aspen Technology, Inc. | Automated closed loop step testing of process units |
WO2002005042A2 (en) | 2000-07-12 | 2002-01-17 | Aspen Technology, Inc. | Automated closed loop step testing of process units |
US7194317B2 (en) * | 2002-08-22 | 2007-03-20 | Air Products And Chemicals, Inc. | Fast plant test for model-based control |
JP2004310674A (ja) * | 2003-04-10 | 2004-11-04 | Toshiba Corp | プラント運用方案作成支援装置 |
JP4722461B2 (ja) * | 2003-12-03 | 2011-07-13 | フィッシャー−ローズマウント システムズ, インコーポレイテッド | モデルスイッチングおよび属性補間を用いた適応型多変数プロセスコントローラ |
JP2006107256A (ja) * | 2004-10-07 | 2006-04-20 | Toshiba Corp | モデルパラメータの自動フィッティング装置 |
US8046090B2 (en) * | 2007-01-31 | 2011-10-25 | Honeywell International Inc. | Apparatus and method for automated closed-loop identification of an industrial process in a process control system |
US8560092B2 (en) * | 2009-05-29 | 2013-10-15 | Aspen Technology, Inc. | Apparatus and method for model quality estimation and model adaptation in multivariable process control |
-
2013
- 2013-05-09 EP EP13725003.1A patent/EP2825920B1/en active Active
- 2013-05-09 JP JP2015511706A patent/JP6359524B2/ja active Active
- 2013-05-09 WO PCT/US2013/040363 patent/WO2013170041A2/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2013170041A2 (en) | 2013-11-14 |
WO2013170041A3 (en) | 2014-01-23 |
EP2825920A2 (en) | 2015-01-21 |
JP2015516104A (ja) | 2015-06-04 |
EP2825920B1 (en) | 2021-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9141911B2 (en) | Apparatus and method for automated data selection in model identification and adaptation in multivariable process control | |
JP6359524B2 (ja) | 多変数プロセス制御でのモデル同定・適応のためにデータを自動的に選択する装置および方法 | |
JP6928119B2 (ja) | 予測推論モデルをオンラインで構築し配備するコンピュータシステム及び方法 | |
JP5734961B2 (ja) | 多変数プロセス制御においてモデルの品質を推定しモデルを適応させる装置およびその方法 | |
JP6163526B2 (ja) | バッチプロセスのオンラインプロセスランの分析を実行する方法 | |
JP6793213B2 (ja) | コンピュータ実施方法、処理モデル展開システム、処理監視システム | |
EP3289420B1 (en) | Computer system and method for causality analysis using hybrid first-principles and inferential model | |
US11754998B2 (en) | System and methods for automated model development from plant historical data for advanced process control | |
US8010292B2 (en) | Method and system for detecting abnormal operation in a hydrocracker | |
US20090149981A1 (en) | System and methods for continuous, online monitoring of a chemical plant or refinery | |
CN1324515C (zh) | 处理工具优化系统和方法 | |
WO2008085705A1 (en) | Method and system for modeling a process in a process plant | |
WO2009046197A1 (en) | Automatic determination of the order of a polynomial regression model applied to abnormal situation prevention in a process plant | |
US20180157225A1 (en) | Apparatus and method for automatic model identification from historical data for industrial process control and automation systems | |
JP2015516104A5 (ja) | ||
JP2002236511A (ja) | 工程管理システムおよび工程管理方法 | |
CN110914776B (zh) | 用于识别关于基于模型的控制器性能的可变性或控制偏差的影响和原因的装置和方法 | |
WO2020180747A1 (en) | System and method for plant operation gap analysis and guidance solution | |
JP6984786B1 (ja) | システム構築支援プログラム、システム構築支援方法、及びシステム構築支援装置 | |
CN114971599A (zh) | 食品制造加工工艺参数设置方法、装置、设备及介质 | |
JP2022523234A (ja) | パラメータを低次元化された空間にマッピングすることによって、プロセスの動的挙動の変化を監視するためのシステム及び方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160310 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160310 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20170118 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170207 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170426 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20171003 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20171221 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20180529 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180620 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6359524 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |