JP7236600B1 - 支援方法、支援装置、及び支援プログラム - Google Patents

支援方法、支援装置、及び支援プログラム Download PDF

Info

Publication number
JP7236600B1
JP7236600B1 JP2022577219A JP2022577219A JP7236600B1 JP 7236600 B1 JP7236600 B1 JP 7236600B1 JP 2022577219 A JP2022577219 A JP 2022577219A JP 2022577219 A JP2022577219 A JP 2022577219A JP 7236600 B1 JP7236600 B1 JP 7236600B1
Authority
JP
Japan
Prior art keywords
plant
executed
information
model
scale
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
Application number
JP2022577219A
Other languages
English (en)
Other versions
JPWO2024029063A1 (ja
Inventor
秀紀 佐藤
玄 井川
基樹 入倉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chiyoda Corp
Original Assignee
Chiyoda Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chiyoda Corp filed Critical Chiyoda Corp
Application granted granted Critical
Publication of JP7236600B1 publication Critical patent/JP7236600B1/ja
Publication of JPWO2024029063A1 publication Critical patent/JPWO2024029063A1/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

支援方法は、プラントにおいて実行されるプロセスがプラントより規模の小さい縮小系において実行された場合のプロセス又は縮小系に関する情報を取得するステップと、規模の異なる複数の系においてプロセスが実行されたときの系間の関係に基づいて、プラント又はプラントと縮小系の間の規模を有する中間系において実行されるプロセスを予測するためのモデルの少なくとも一部を情報から生成するステップと、を備える。

Description

本発明は、プラントの設計及び運転を支援するための支援方法、支援装置、及び支援プログラムに関する。
大規模なプラントを建設する際に、小スケール、中スケール、大スケールのように段階的にスケールアップして設計が行われている。まず、小スケールでプロセスを実行するための系（システム）を設計し、組まれた小スケールの系においてプロセスを実行する。このときに得られた情報に基づいて、小スケールの系におけるプロセスを予測するための予測モデルを構築する。この予測モデルを用いて、次のスケールの系における装置構成、装置サイズ、運転方針などを検討し、次のスケールの系を設計する。このような検討を段階的に繰り返し、最終的に商業スケールのプラントを設計する。
特開２０１９－８９９０７号公報
このような検討を行うためには、各スケールにおいて予測モデルを作成し、予測モデルをチューニングする必要がある。そのため、多大な時間とコストがかかり、結果として開発速度の低下に繋がっている。
本発明は、こうした状況を鑑みてなされたものであり、その目的は、プラントの設計を支援するための技術を提供することにある。
上記課題を解決するために、本発明のある態様の支援方法は、プラントにおいて実行されるプロセスがプラントより規模の小さい縮小系において実行された場合のプロセス又は縮小系に関する情報を取得するステップと、規模の異なる複数の系においてプロセスが実行されたときの系間の関係に基づいて、プラント又はプラントと縮小系の間の規模を有する中間系において実行されるプロセスを予測するためのモデルの少なくとも一部を情報から生成するステップと、を備える。
本発明の別の態様は、支援装置である。この装置は、プラントにおいて実行されるプロセスがプラントより規模の小さい縮小系において実行された場合のプロセス又は縮小系に関する情報を取得する情報取得部と、規模の異なる複数の系においてプロセスが実行されたときの系間の関係に基づいて、プラント又はプラントと縮小系の間の規模を有する中間系において実行されるプロセスを予測するためのモデルを情報から生成するモデル生成部と、を備える。
本発明のさらに別の態様は、支援装置である。この装置は、プラントにおいて実行されるプロセスが規模の異なる複数の系において実行されたときの系間の関係に基づいて、プラントより規模の小さい縮小系において実行された場合のプロセス又は縮小系に関する情報から生成された、プラントにおいて実行されるプロセスを予測するためのモデルに基づいて、運転中のプラントの制御を支援する運転支援部を備える。
なお、以上の構成要素の任意の組合せ、本発明の表現を方法、装置、システム、記録媒体、コンピュータプログラムなどの間で変換したものもまた、本発明の態様として有効である。
本発明によれば、プラントの設計及び運転を支援するための技術を提供することができる。
プラントを設計する過程を模式的に示す図である。 実施の形態に係る支援システムの構成を示す図である。 本発明の実施の形態に係る支援方法の手順を示すフローチャートである。 実施の形態に係る支援方法の具体例を示す図である。 実施の形態に係る支援方法の別の具体例を示す図である。 本発明の実施の形態に係る支援方法の手順を示すフローチャートである。 実施の形態に係る設計支援装置の構成を示す図である。 実施の形態に係る運転支援装置の構成を示す図である。
図１は、プラントを設計する過程を模式的に示す。プラントは、原料を処理（反応、分離、乾燥、加工など）して製品を製造するプロセスを実行するための複数の装置や機器などを備える。商用スケールのプラントを設計する際に、上述したように、プラントより規模の小さい系から段階的にスケールアップして設計が行われる。本図の例では、ラボ（実験室）スケールの縮小系、ベンチスケールの中間系、商用スケールのプラントの順にスケールアップしながら設計が進められる。なお、プラントより規模の小さい系として、１つの系のみが検討されてもよいし、３以上の規模の異なる系が検討されてもよい。後者の場合、例えば、ベンチスケールの中間系と商用スケールのプラントの間にパイロット（試作）スケールの中間系が検討されてもよい。
例えば、石油、石油化学、化学、合成原薬プラントなどのように化学物質を取り扱うプラントの場合、ラボスケールの縮小系は、主にバッチ式の反応器などにより構成される。ベンチスケールの中間系は、主に管型反応器（Plug Flow Reactor：ＰＦＲ）や連続攪拌タンク反応器（Continuous Stirred-Tank Reactor：ＣＳＴＲ）などにより構成される。商用スケールのプラントは、主にベンチスケールの中間系よりも大規模又は多段の管型反応器や連続撹拌タンク反応器などにより構成される。このようなプラントにおいて実行される化学的プロセスは、例えば、工業薬品、化学肥料、紙、パルプ、ゴム、合成繊維、合成樹脂、石油製品、医薬品、染料、洗剤、化粧品、バイオ製品などを化学的処理により製造するプロセスを含む。
それぞれの規模の系におけるプロセスを予測するための予測モデルを用いて、次のスケールの系における装置構成、装置サイズ、運転方針などが検討され、次のスケールの系が設計される。予測モデルは、プロセスを化学的、物理的、数値解析的にシミュレーションするものであってもよいし、プロセスにおける各種の状態量や制御量などを算出するための数式などであってもよい。化学物質を取り扱うプラントの場合、予測モデルは、化学反応モデルや化学平衡モデルなどの化学工学や物理化学の知見に基づいたモデルであってもよい。予測モデルは、系の運転条件を表すパラメータを入力し、シミュレーション結果や、各種の状態量や制御量の値などを出力する人工知能などであってもよい。
プラントを設計する主体は、多数のプラントを設計及び運転する中で、様々な種類のプラントにおけるスケールアップに関するデータを蓄積している。本開示では、このようなデータを活用してプラントの設計及び運転を支援する支援方法を提案する。
図２は、実施の形態に係る支援システムの構成を示す。支援システム１は、プラント３と、プラント３の設計を支援する設計支援装置１００と、プラント３を設計する設計者が使用する設計者端末６とを備える。設計支援装置１００、設計者端末６、及びプラント３は、インターネットや社内接続系統などの任意の通信網２により接続され、オンプレミス、クラウド、エッジコンピューティングなどの任意の運用形態で運用される。
プラント３は、プロセスを実行する制御対象装置５と、制御対象装置５の運転条件を制御するための制御量を設定する制御装置４と、設計支援装置１００により学習された予測モデルを使用してプラント３の運転を支援する運転支援装置２００とを備える。
図３は、本発明の実施の形態に係る支援方法の手順を示すフローチャートである。図２は、プラントの設計を支援するための支援方法の手順を示す。
プラント３の設計を支援する設計支援装置１００は、過去にプラントが設計された際に行われたスケールアップに関するデータに基づいて、規模の異なる系間の関係を学習する（Ｓ１０）。設計支援装置１００は、規模の異なる複数の系に関する情報と、複数の系においてプロセスが実行されたときのプロセスの情報、又は、複数の系において実行されるプロセスを予測するためのモデルの情報とに基づいて、系間の関係を学習する。例えば、設計支援装置１００は、反応器のサイズがスケールアップされることにより、反応器で実行される反応の反応速度係数や、反応をシミュレーションするための予測モデルのパラメータなどが、どのように変化するかを、過去の事例における実績に基づいて学習する。系に関する情報は、例えば、系を構成する装置や機器などの数、種類、サイズなどである。プロセスの情報は、例えば、プロセスを構成する処理の種類、回数、時間、バッチプロセスであるか連続プロセスであるか、原料の種類、量、物性、触媒の種類、量、特性、プロセスが実施される温度、圧力、処理量などである。予測モデルの情報は、例えば、予測モデルの種類、入力データの種類、出力データの種類、内部パラメータなどである。
設計支援装置１００は、縮小系の設計を支援する（Ｓ１２）。設計支援装置１００は、設計対象のプラントにおいて実行されるプロセスと類似するプロセスを実行するプラントを設計したときの実績データに基づいて、縮小系の構成などを設計者端末６に提示してもよい。
設計支援装置１００は、縮小系予測モデルの生成を支援する（Ｓ１４）。設計支援装置１００は、縮小系又は縮小系において実行されるプロセスと類似する過去の事例における実績データに基づいて、縮小系予測モデルの少なくとも一部を自動生成してもよい。設計支援装置１００は、縮小系においてプロセスを実行したときのデータに基づいて、縮小系予測モデルにおけるモデル型を決定したり、プロセスに含まれる反応パスを特定したり、反応速度を算出したりして、最適な反応時間を概ね決定する。
設計支援装置１００は、縮小系予測モデルに基づいて、中間系の設計を支援する（Ｓ１６）。設計支援装置１００は、縮小系予測モデルに基づいて、中間系を構成する装置や機器の種類、数、サイズなどを設計者端末６に提示してもよい。
設計支援装置１００は、ステップＳ１６において設計された中間系に関する情報や、中間系において実行されるプロセスに関する情報を取得する（Ｓ１８）。
設計支援装置１００は、ステップＳ１０において学習された系間の関係に基づいて、中間系予測モデルの少なくとも一部を、ステップＳ１８において取得された情報から生成する（Ｓ２０）。設計支援装置１００は、縮小系や縮小系で実行されるプロセスに類似する事例に基づいて学習された系間の関係をラボスケールの縮小系予測モデルに適用して、ベンチスケールの中間系予測モデルを自動生成する。
設計支援装置１００は、中間系予測モデルに基づいて、プラント３の設計を支援する（Ｓ２２）。設計支援装置１００は、中間系予測モデルに基づいて、プラント３を構成する装置や機器の種類、数、サイズなどを設計者端末６に提示してもよい。設計支援装置１００は、中間系予測モデルに基づいて、プロセスにおける反応速度をチューニングしたり、触媒の劣化をモデル化したりする。
設計支援装置１００は、ステップＳ２２において設計されたプラント３に関する情報や、プラント３において実行されるプロセスに関する情報を取得する（Ｓ２４）。
設計支援装置１００は、ステップＳ１０において学習された系間の関係に基づいて、プラント予測モデルの少なくとも一部を、ステップＳ２４において取得された情報から生成する（Ｓ２６）。設計支援装置１００は、中間系や中間系で実行されるプロセスに類似する事例に基づいて学習された系間の関係をベンチスケールの中間系予測モデルに適用して、商用スケールのプラント予測モデルを自動生成する。
設計支援装置１００は、プラント予測モデルに基づいて、プラント３の運転条件を決定する（Ｓ２８）。設計支援装置１００は、プラント予測モデルに様々な運転条件を入力し、運転最適点を与える運転条件を探索する。運転最適点は、例えば、製品の収率が最大化される運転条件であってもよい。
このように、本実施の形態の支援方法によれば、予測モデルの少なくとも一部を自動生成することができるので、設計者の能力などによらず、好適なプラントを設計することができる。また、プラントを設計するための時間、労力、コストなどを低減させることができる。また、プラントの最適な運転条件を決定することができる。
図４は、実施の形態に係る支援方法の具体例を示す。この具体例のプラントは、原料である物質Ａに触媒を加えて高温で反応させることにより、物質Ｂと物質Ｃを生じるプロセスを実行する。例えば、物質Ａは沸点範囲が３４０～５４０℃の留分であり、物質Ｂは沸点範囲が５４０℃以上の留分であり、物質Ｃは沸点範囲が３４０℃以下の留分である。
ラボスケールの縮小系は、バッチ型の反応器により構成される。縮小系予測モデルにおいて、反応時間の影響は、物質Ａ、Ｂ、Ｃの濃度の時間変化をそれぞれ表す３つの式を用いて考慮される。
ベンチスケールの中間系は、予測モデルにして５段のＣＳＴＲ型相当の反応時間分布が存在する反応器により構成される。中間系予測モデルにおいて、物質Ａ、Ｂ、Ｃの濃度の時間変化は、反応器の違いによって、縮小系予測モデルとは異なる式で表現される。ＣＳＴＲでは、反応時間に滞留時間も考慮される。反応時間に分布のある系において、平均反応時間ｔｒ（ｓ）は、反応器の体積Ｖ（ｍ３）と、反応器の体積流量ｖ（ｍ３／ｓ）を用いて、ｔｒ＝Ｖ／ｖで表される。
商用スケールのプラントは、予測モデルにして１０段のＣＳＴＲ型相当の反応時間分布が存在する反応器により構成される。プラント予測モデルにおいて、物質Ａ、Ｂ、Ｃの濃度の時間変化は、中間系と同じ形式の式で表現される。
縮小系では、バッチプロセスが実行されるので、運転時間は高々１回の反応時間程度である。したがって、触媒の劣化の程度は顕著ではなく、モデルとして考慮する必要はない。しかし、中間系では、連続プロセスが実行されるので、運転時間が数日から数年程度の規模になり、触媒活性劣化による影響を無視することができない。したがって、中間系予測モデルにおいて、触媒活性の影響は、触媒活性の時間変化を表す式を用いて考慮される。
さらに、縮小系では、反応器の内部が十分に撹拌されるため、物質の拡散は律速にならず、モデルとして考慮する必要はない。しかし、中間系では、流量が低い場合に物質の拡散が律速になりうるので、物質の拡散の影響を無視することができない。したがって、中間系予測モデルにおいて、物質拡散の影響もモデル化される。
図５は、実施の形態に係る支援方法の別の具体例を示す。この具体例のプラントは、複数の留分が混合している原料を、蒸留によって分離するプロセスを実行する。
ラボスケールの縮小系は、複数の沸点留分を分離するための１つの蒸留塔により構成される。縮小系では、沸点の低い留分が分離されていくにしたがって蒸留塔の内部の温度が高くなっていくので、縮小系予測モデルは、内部温度の時間変化にしたがって変化する化学平衡モデルを含む。
ベンチスケールの中間系は、温度圧力の異なる複数段の蒸留塔により構成される。中間系では、それぞれの段においてそれぞれの沸点留分が分離されるので、中間系予測モデルは、それぞれの段における化学平衡モデルを含む。
商用スケールのプラントも、温度圧力の異なる複数段の蒸留塔により構成される。プラント予測モデルも、それぞれの段における化学平衡モデルを含む。
このように、複数の系の間には、規模の違いに起因する様々な違いがあり、それに伴って、複数の系の予測モデルの間にも系統的な違いがある。これらの関係を学習しておくことにより、予測モデルを自動的に生成することができる。
設計支援装置１００は、予測モデルを自動生成するＡＩ（人工知能）を機械学習により学習してもよい。この自動生成ＡＩは、規模が小さい方の系に関する情報、規模が小さい方の系においてプロセスが実行されたときのプロセスの情報、規模が小さい方の系において実行されるプロセスを予測するための予測モデルの情報、規模が大きい方の系に関する情報、規模が大きい方の系においてプロセスが実行されたときのプロセスの情報、規模が小さい方の系と規模が大きい方の系の違いに関する情報などを入力し、規模が大きい方の系において実行されるプロセスを予測するための予測モデルの情報を出力するニューラルネットワークなどであってもよい。
図４に示した反応系において、中間系予測モデルを自動生成する自動生成ＡＩは、プロセスの情報と、系の違いに関する情報を入力して、中間系予測モデルの情報を出力するものであってもよい。例えば、自動生成ＡＩは、プロセスの情報として、処理物質の物性、製品の物性、反応の種類、処理量、温度、圧力などの情報を入力し、系の違いに関する情報として、縮小系プロセスが連続プロセスか否か、中間系プロセスが連続プロセスか否か、縮小系プロセスの処理量、中間系プロセスの処理量などの情報を入力し、中間系予測モデルの情報として、モデル型（ＰＦＲ、ＣＳＴＲなど）、モデル構造（触媒活性項の有無、物質移動式の有無など）、モデル係数（反応速度係数など）などの情報を出力してもよい。中間系予測モデルは、複数のモデルを含んでもよい。
図４に示した反応系において、中間系予測モデルを自動生成する自動生成ＡＩは、系に関する情報と、系の違いに関する情報を入力して、中間系予測モデルの情報を出力するものであってもよい。例えば、自動生成ＡＩは、系に関する情報として、モデル型（ＰＦＲ、ＣＳＴＲなど）、モデル反応パス数、モデル係数（反応速度定数など）などの情報を入力し、系の違いに関する情報として、縮小系プロセスが連続プロセスか否か、中間系プロセスが連続プロセスか否か、縮小系プロセスの処理量、中間系プロセスの処理量などの情報を入力し、中間系予測モデルの情報として、モデル型（ＰＦＲ、ＣＳＴＲなど）、モデル構造（触媒活性項の有無、物質移動式の有無など）、モデル係数（反応速度係数など）などの情報を出力してもよい。中間系予測モデルは、複数のモデルを含んでもよい。
図４に示した反応系において、中間系予測モデルを自動生成する自動生成ＡＩは、プロセスの情報と、系に関する情報と、系の違いに関する情報を入力して、中間系予測モデルの情報を出力するものであってもよい。例えば、自動生成ＡＩは、プロセスの情報として、処理物質の物性、製品の物性、反応の種類、処理量、温度、圧力などの情報を入力し、系に関する情報として、モデル型（ＰＦＲ、ＣＳＴＲなど）、モデル反応パス数、モデル係数（反応速度定数など）などの情報を入力し、系の違いに関する情報として、縮小系プロセスが連続プロセスか否か、中間系プロセスが連続プロセスか否か、縮小系プロセスの処理量、中間系プロセスの処理量などの情報を入力し、中間系予測モデルの情報として、モデル型（ＰＦＲ、ＣＳＴＲなど）、モデル構造（触媒活性項の有無、物質移動式の有無など）、モデル係数（反応速度係数など）などの情報を出力してもよい。中間系予測モデルは、複数のモデルを含んでもよい。
図５に示した蒸留系において、中間系予測モデルを自動生成する自動生成ＡＩは、プロセスの情報と、系に関する情報と、系の違いに関する情報を入力して、中間系予測モデルの情報を出力するものであってもよい。例えば、自動生成ＡＩは、プロセスの情報として、処理物質の物性、処理量、温度、圧力、処理時間（バッチプロセスの場合）などの情報を入力し、系に関する情報として、モデルの係数（平衡定数など）、蒸留塔の理論段数（連続プロセスの場合）などの情報を入力し、系の違いに関する情報として、縮小系プロセスが連続プロセスか否か、中間系プロセスが連続プロセスか否か、縮小系プロセスの処理量、中間系プロセスの処理量などの情報を入力し、中間系予測モデルの情報として、モデルの係数（平衡定数など）、蒸留塔の理論段数（連続プロセスの場合）などの情報を出力してもよい。中間系予測モデルは、複数のモデルを含んでもよい。
図４に示した反応系において中間系予測モデルを自動生成する場合の具体的な例を示す。ラボスケールの系情報として、反応器の容量及びバッチプロセス（槽型反応器）であること、ベンチスケールの系情報として、反応器の容量及び連続プロセス（ＣＳＴＲ型反応器）であること、ラボスケールでのプロセス情報として、ラボスケールでの単位時間当たりの物質Ｂ、Ｃの生成量や触媒Ｄの量、ラボスケールの縮小系予測モデルの情報として、図４に示した反応時間モデルを自動生成ＡＩに入力する。自動生成ＡＩは、中間系予測モデルとして、図４に示したベンチスケールの反応時間モデル、反応温度モデル、反応圧力モデル、及び物質拡散モデルを出力する。
図６は、本発明の実施の形態に係る支援方法の手順を示すフローチャートである。図６は、運転中のプラントの制御を支援するための支援方法の手順を示す。
プラントが運転されているとき（Ｓ３０）、運転支援装置２００は、プラント予測モデルに基づいて、プラントの状態を表す状態量を予測する（Ｓ３２）。プラント予測モデルにより、プラントにおいて実行されるプロセスをシミュレートしたり、プラントの状態量を算出したりすることができるので、ソフトセンサとして利用することができる。設計支援装置１００は、プラントの過去、現在、又は将来の状態を表す状態量を予測してもよい。
運転支援装置２００は、ステップＳ３２において予測された状態量の予測値をオペレータに提示する（Ｓ３４）。これにより、オペレータは、プラントの状態を的確に把握しながらプラント３の運転を制御することができる。
運転支援装置２００は、プラント予測モデルに基づいて、プラントを制御するための制御パラメータを算出する（Ｓ３６）。設計支援装置１００は、プラント予測モデルに、現在の状態量の値と、変更後の制御量の値を入力して、将来の状態量の値を予測することにより、制御量の推奨値を算出する。
運転支援装置２００は、ステップＳ３６において算出された制御量の推奨値をオペレータに提示する（Ｓ３８）。これにより、オペレータは、プラントを安定かつ効率的に運転するための制御を的確に実行することができる。
図７は、実施の形態に係る設計支援装置１００の構成を示す。設計支援装置１００は、通信装置１０１、処理装置１２０、及び記憶装置１３０を備える。
通信装置１０１は、無線又は有線による通信を制御する。通信装置１０１は、通信網２を介して、設計者端末６などとの間でデータを送受信する。
記憶装置１３０は、処理装置１２０が使用するデータ及びコンピュータプログラムを格納する。記憶装置１３０は、実績データ保持部１３１及び系間関係保持部１３２を備える。
実績データ保持部１３１は、プラントが設計されたときに生成された実績データを保持する。実績データは、例えば、各スケールの系を構成する装置や機器の種類、数、サイズ、各スケールのプロセスの種類、内容、特徴、各スケールの予測モデルの種類、パラメータなどであってもよい。
系間関係保持部１３２は、規模の異なる系間の関係を表す情報を保持する。
処理装置１２０は、実績データ取得部１２１、系間関係学習部１２２、系情報取得部１２３、予測モデル生成部１２４、設計支援部１２５、及び運転条件決定部１２６を備える。これらの構成は、ハードウエアコンポーネントでいえば、任意の回路、コンピュータのＣＰＵ、メモリ、メモリにロードされたプログラムなどによって実現されるが、ここではそれらの連携によって実現される機能ブロックを描いている。したがって、これらの機能ブロックがハードウエアのみ、ソフトウエアのみ、またはそれらの組合せによっていろいろな形で実現できることは、当業者には理解されるところである。
実績データ取得部１２１は、プラントが設計されたときに生成された実績データを取得して、実績データ保持部１３１に格納する。
系間関係学習部１２２は、実績データ保持部１３１に保持された実績データに基づいて、規模の異なる系間の関係を学習し、学習済みの系間関係に関する情報を系間関係保持部１３２に格納する。
系情報取得部１２３は、プラント３において実行されるプロセスがプラント３より規模の小さい縮小系において実行された場合のプロセス又は縮小系に関する情報を取得する。
予測モデル生成部１２４は、系間関係保持部１３２に格納された系間関係に基づいて、系情報取得部１２３により取得された情報から、次のスケールにおいて実行されるプロセスを予測するための予測モデルの少なくとも一部を自動生成する。
設計支援部１２５は、予測モデルに基づいて、次のスケールの系の設計を支援する。
運転条件決定部１２６は、予測モデルに基づいて、プラント３の運転条件を決定する。
図８は、実施の形態に係る運転支援装置２００の構成を示す。運転支援装置２００は、処理装置２０１及び操作パネル２０２を備える。
操作パネル２０２は、プラント３を構成する複数の制御対象装置５の状態を示す複数の計測値と、制御装置４により制御対象装置５に設定された制御操作量の設定値と、制御装置４に設定された制御パラメータの値などを表示装置に表示するとともに、制御パラメータの値などの入力をオペレータから受け付ける。
処理装置２０１は、予測モデル取得部２０３、計測値取得部２０４、状態量予測部２０５、状態量提示部２０６、制御パラメータ算出部２０７、制御パラメータ提示部２０８、及び制御パラメータ設定部２０９を備える。これらの構成は、ハードウエアコンポーネントでいえば、任意の回路、コンピュータのＣＰＵ、メモリ、メモリにロードされたプログラムなどによって実現されるが、ここではそれらの連携によって実現される機能ブロックを描いている。したがって、これらの機能ブロックがハードウエアのみ、ソフトウエアのみ、またはそれらの組合せによっていろいろな形で実現できることは、当業者には理解されるところである。
予測モデル取得部２０３は、設計支援装置１００からプラント３の予測モデルを取得する。
計測値取得部２０４は、プラント３に設けられた各種のセンサなどから、制御対象装置５の状態を示す計測値を取得する。
状態量予測部２０５は、予測モデル取得部２０３により取得された予測モデルに基づいて、プラント３の状態を表す状態量を予測する。
状態量提示部２０６は、状態量予測部２０５により予測された状態量の予測値を操作パネル２０２に提示する。
制御パラメータ算出部２０７は、予測モデル取得部２０３により取得された予測モデルに基づいて、制御装置４に設定すべき制御パラメータの推奨値を算出する。
制御パラメータ提示部２０８は、制御パラメータ算出部２０７により算出された制御パラメータの推奨値を操作パネル２０２に提示する。
制御パラメータ設定部２０９は、操作パネル２０２を介してオペレータから入力された制御パラメータの設定値を制御装置４に設定する。
以上、本発明を実施例にもとづいて説明した。この実施例は例示であり、それらの各構成要素や各処理プロセスの組合せにいろいろな変形例が可能なこと、またそうした変形例も本発明の範囲にあることは当業者に理解されるところである。
１…支援システム、２…通信網、３…プラント、４…制御装置、５…制御対象装置、６…設計者端末、１００…設計支援装置、１０１…通信装置、１２０…処理装置、１２１…実績データ取得部、１２２…系間関係学習部、１２３…系情報取得部、１２４…予測モデル生成部、１２５…設計支援部、１２６…運転条件決定部、１３０…記憶装置、１３１…実績データ保持部、１３２…系間関係保持部、２００…運転支援装置、２０１…処理装置２０２…操作パネル、２０３…予測モデル取得部、２０４…計測値取得部、２０５…状態量予測部、２０６…状態量提示部、２０７…制御パラメータ算出部、２０８…制御パラメータ提示部、２０９…制御パラメータ設定部。
本発明は、プラントの設計を支援する支援装置に利用可能である。

Claims (14)

  1. プラントにおいて実行されるプロセスが前記プラントより規模の小さい縮小系において実行された場合の前記プロセス又は前記縮小系に関する情報を取得するステップと、
    規模の異なる複数の系においてプロセスが実行されたときの系間の関係に基づいて、前記プラント又は前記プラントと前記縮小系の間の規模を有する中間系において実行される前記プロセスを予測するためのモデルの少なくとも一部を前記情報から生成するステップと、
    を備える支援方法。
  2. 規模の異なる複数の系に関する情報と、前記縮小系においてプロセスが実行されたときのプロセスの情報又は前記縮小系において実行されるプロセスを予測するためのモデルの情報と、前記プラント又は前記中間系において実行される前記プロセスを予測するためのモデルの情報とに基づいて、系間の関係を学習するステップを備える
    請求項１に記載の支援方法。
  3. 前記モデルに基づいて、前記プラント又は前記中間系の設計を支援するステップを備える
    請求項１又は２に記載の支援方法。
  4. 前記モデルに基づいて、前記プラントの運転条件を決定するステップを備える
    請求項１又は２に記載の支援方法。
  5. 前記モデルに基づいて、運転中の前記プラントの制御を支援するステップを備える
    請求項１又は２に記載の支援方法。
  6. 前記支援するステップは、前記モデルに基づいて、前記プラントの状態を表す状態量を予測するステップを含む
    請求項５に記載の支援方法。
  7. 前記支援するステップは、前記モデルに基づいて、前記プラントを制御するための制御パラメータを算出するステップを含む
    請求項５に記載の支援方法。
  8. 前記縮小系は、実験室スケールの系であり、
    前記中間系は、ベンチスケール又はパイロットスケールの系である
    請求項１又は２に記載の支援方法。
  9. 前記プロセスは、化学的プロセスであり、
    前記縮小系において実行されるプロセスは、バッチプロセスを含み、
    前記プラントにおいて実行されるプロセスは、連続プロセスを含む
    請求項１又は２に記載の支援方法。
  10. 前記モデルは、前記プロセスに含まれる反応の反応速度係数を予測する
    請求項９に記載の支援方法。
  11. プラントにおいて実行されるプロセスが前記プラントより規模の小さい縮小系において実行された場合の前記プロセス又は前記縮小系に関する情報を取得する情報取得部と、
    規模の異なる複数の系においてプロセスが実行されたときの系間の関係に基づいて、前記プラント又は前記プラントと前記縮小系の間の規模を有する中間系において実行される前記プロセスを予測するためのモデルを前記情報から生成するモデル生成部と、
    を備える支援装置。
  12. コンピュータを、
    プラントにおいて実行されるプロセスが前記プラントより規模の小さい縮小系において実行された場合の前記プロセス又は前記縮小系に関する情報を取得する情報取得部と、
    規模の異なる複数の系においてプロセスが実行されたときの系間の関係に基づいて、前記プラント又は前記プラントと前記縮小系の間の規模を有する中間系において実行される前記プロセスを予測するためのモデルを前記情報から生成するモデル生成部と、
    として機能させるための支援プログラム。
  13. プラントにおいて実行されるプロセスが規模の異なる複数の系において実行されたときの系間の関係に基づいて、前記プラントより規模の小さい縮小系において実行された場合の前記プロセス又は前記縮小系に関する情報から生成された、前記プラントにおいて実行される前記プロセスを予測するためのモデルに基づいて、運転中の前記プラントの制御を支援する運転支援部
    を備える支援装置。
  14. コンピュータを、
    プラントにおいて実行されるプロセスが規模の異なる複数の系において実行されたときの系間の関係に基づいて、前記プラントより規模の小さい縮小系において実行された場合の前記プロセス又は前記縮小系に関する情報から生成された、前記プラントにおいて実行される前記プロセスを予測するためのモデルに基づいて、運転中の前記プラントの制御を支援する運転支援部
    として機能させるための支援プログラム。
JP2022577219A 2022-08-05 2022-08-05 支援方法、支援装置、及び支援プログラム Active JP7236600B1 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/030071 WO2024029063A1 (ja) 2022-08-05 2022-08-05 支援方法、支援装置、及び支援プログラム

Publications (2)

Publication Number Publication Date
JP7236600B1 true JP7236600B1 (ja) 2023-03-09
JPWO2024029063A1 JPWO2024029063A1 (ja) 2024-02-08

Family

ID=85476809

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022577219A Active JP7236600B1 (ja) 2022-08-05 2022-08-05 支援方法、支援装置、及び支援プログラム

Country Status (3)

Country Link
JP (1) JP7236600B1 (ja)
TW (1) TWI833666B (ja)
WO (1) WO2024029063A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007087383A (ja) * 2005-09-16 2007-04-05 Mettler-Toledo Ag プロセスプラントを実験室規模でシミュレートする方法
US20070208436A1 (en) * 2002-01-15 2007-09-06 Millennium Inorganic Chemicals Integrated, multi-step computer implemented system and method for measuring and improving manufacturing processes and maximizing product research and development speed and efficiency using high-throughput screening and governing semi-empirical model
US20110061224A1 (en) * 2009-09-17 2011-03-17 Ludwig Lester F Modular reactive distillation emulation elements integrated with instrumentation, control, and simulation algorithms

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6998064B2 (ja) * 2019-06-10 2022-01-18 株式会社レクサー・リサーチ 生産設計支援装置、生産設計支援方法及び生産設計支援プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070208436A1 (en) * 2002-01-15 2007-09-06 Millennium Inorganic Chemicals Integrated, multi-step computer implemented system and method for measuring and improving manufacturing processes and maximizing product research and development speed and efficiency using high-throughput screening and governing semi-empirical model
JP2007087383A (ja) * 2005-09-16 2007-04-05 Mettler-Toledo Ag プロセスプラントを実験室規模でシミュレートする方法
US20110061224A1 (en) * 2009-09-17 2011-03-17 Ludwig Lester F Modular reactive distillation emulation elements integrated with instrumentation, control, and simulation algorithms

Also Published As

Publication number Publication date
TW202411798A (zh) 2024-03-16
TWI833666B (zh) 2024-02-21
WO2024029063A1 (ja) 2024-02-08
JPWO2024029063A1 (ja) 2024-02-08

Similar Documents

Publication Publication Date Title
Perrot et al. Modelling and analysis of complex food systems: state of the art and new trends
Vega et al. Integrated design and control of chemical processes–Part I: Revision and classification
Yan et al. Chaos-genetic algorithms for optimizing the operating conditions based on RBF-PLS model
Molina et al. Plant-wide control strategy applied to the Tennessee Eastman process at two operating points
Willis et al. Simultaneous parameter identification and discrimination of the nonparametric structure of hybrid semi-parametric models
Chakraborty et al. Mechanism discovery and model identification using genetic feature extraction and statistical testing
Zhang et al. Reduced-order Koopman modeling and predictive control of nonlinear processes
JP7236600B1 (ja) 支援方法、支援装置、及び支援プログラム
Nougués et al. Parameter estimation with genetic algorithm in control of fed-batch reactors
Kookos et al. Heuristic-based mathematical programming framework for control structure selection
TWI843941B (zh) 解析來自起始原料的化學反應之解析方法、解析裝置、解析系統及解析程式產品
JP7256340B1 (ja) 情報処理装置、情報処理プログラム、及び情報処理方法
Yassine et al. Optimal production manufacturing based on intelligent control system
Lejarza et al. A dynamic nonlinear optimization framework for learning data-driven reduced-order microkinetic models
Kaiser et al. Early-stage in silico flowsheet analysis for a monoclonal antibody platform
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
Shelokar et al. Metaheuristics in process engineering: A historical perspective
Makrydaki et al. Dynamic optimization of a batch pharmaceutical reaction using the design of dynamic experiments (DoDE): the case of an asymmetric catalytic hydrogenation reaction
JP2023184210A (ja) プラント管理装置及びプラント管理方法
Forster et al. Flexibility analysis using surrogate models generated via symbolic regression
Muldbak et al. Digital Twin of a pilot-scale bio-production setup
JP7555883B2 (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
JP7354477B1 (ja) プログラム、情報処理装置、及び方法
JP7555884B2 (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
Linke et al. 2 Process Modeling

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221214

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20221214

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: 20230221

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230227

R150 Certificate of patent or registration of utility model

Ref document number: 7236600

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150