JP7467395B2 - 情報処理装置、表示制御方法および表示制御プログラム - Google Patents
情報処理装置、表示制御方法および表示制御プログラム Download PDFInfo
- Publication number
- JP7467395B2 JP7467395B2 JP2021124844A JP2021124844A JP7467395B2 JP 7467395 B2 JP7467395 B2 JP 7467395B2 JP 2021124844 A JP2021124844 A JP 2021124844A JP 2021124844 A JP2021124844 A JP 2021124844A JP 7467395 B2 JP7467395 B2 JP 7467395B2
- Authority
- JP
- Japan
- Prior art keywords
- information
- prediction result
- plant
- model
- data
- 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
- 230000010365 information processing Effects 0.000 title claims description 69
- 238000000034 method Methods 0.000 title claims description 49
- 238000010801 machine learning Methods 0.000 claims description 93
- 238000012545 processing Methods 0.000 claims description 33
- 239000000126 substance Substances 0.000 description 69
- 238000010586 diagram Methods 0.000 description 50
- 239000002994 raw material Substances 0.000 description 49
- 238000001228 spectrum Methods 0.000 description 41
- 230000008569 process Effects 0.000 description 38
- 238000004611 spectroscopical analysis Methods 0.000 description 27
- 238000004364 calculation method Methods 0.000 description 25
- 238000012549 training Methods 0.000 description 22
- 239000000203 mixture Substances 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 238000006243 chemical reaction Methods 0.000 description 11
- 229920003023 plastic Polymers 0.000 description 10
- 239000004033 plastic Substances 0.000 description 10
- 238000011109 contamination Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004064 recycling Methods 0.000 description 7
- 239000002699 waste material Substances 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000000197 pyrolysis Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 239000003999 initiator Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000178 monomer Substances 0.000 description 3
- 239000003208 petroleum Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010526 radical polymerization reaction Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010612 desalination reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- -1 petrochemical Substances 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
[全体構成]
図1は、実施形態1にかかる情報処理装置10を含む運転支援システムの一例を説明する図である。図1に示すように、この運転支援システムは、化学プラント1、制御システム2、情報処理装置10、オペレータ端末3を有し、情報処理装置10によって化学プラント1の安全運転を支援するシステムである。なお、各装置は、有線や無線を問わず、インターネットや専用線などの通信網により接続される。
次に、図1に示した運転支援システムを実現する各装置の機能構成について説明する。なお、化学プラント1、制御システム2、オペレータ端末3は、プラント操業で利用される各装置と同様の構成を有するので、詳細な説明は省略し、ここでは、情報処理装置10について説明する。
図10は、実施形態1にかかる処理の流れを示すフローチャートである。なお、ここでは、第1機械学習モデル16は、生成済みとする。
上述したように、情報処理装置10は、ハイブリッドモデルを活用することで、化学プラント1の運転支援システムを構築することができる。例えば、物理モデル15は、モデルの解釈性が高く、プロセスを理解する上で有効であるが、精度向上のためにメカニズムを解明する工数が多くかかり、汎用性も低い。一方で、第1機械学習モデル16は、結果の解釈が難しく、結果の因果関係を表現することが難しい。
ところで、実施形態1では、1つの機械学習モデル(第1機械学習モデル16)を用いた例を説明したが、これに限定されるものではなく、誤差の要因に特化した機械学習モデルを用いて、物理モデル15の出力結果を補完することができる。そこで、実施形態2では、物理モデル15の予測に誤差を与える要因となる要因データを訓練データに用いて生成された第2機械学習モデル17をさらに用いて、物理モデル15の出力結果を補完する例を説明する。なお、第2機械学習モデル17は、要因データ機械学習モデルの一例である。
図11は、実施形態2にかかる情報処理装置10の機能構成を示す機能ブロック図である。図11に示すように、実施形態1と同様、情報処理装置10は、通信部11、表示部12、記憶部13、制御部20を有する。ここでは、実施形態1で説明した図4と異なる第2機械学習モデル17と第3予測部25について説明する。
次に、モデル生成部21が実行する、実施形態2で用いる各機械学習モデルの訓練について説明する。図12は、実施形態2にかかる各モデルの訓練を説明する図である。図12に示すように、モデル生成部21は、原料の分光スペクトルデータXから主成分のスペクトルデータXpと差分スペクトルデータXcを生成する。続いて、モデル生成部21は、主成分のスペクトルデータXpを物理モデル15に入力して第1の出力結果Ypを取得する。
次に、図12を用いて生成された各機械学習モデルを用いて運転支援を行う具体例を説明する。図13は、実施形態2にかかる運転支援を説明する図である。図13に示すように、第1予測部22は、原料の分光スペクトルデータXから主成分のスペクトルデータXpを抽出して、物理モデル15に入力し、第1の出力結果Ypを取得する。
上述したように、情報処理装置10は、物理モデル15の予測に誤差を与える要因となる要因データの情報を訓練した第2機械学習モデル17を用いることで、物理モデル15の出力だけでなく、第1機械学習モデル16の出力をも補完することができる。この結果、情報処理装置10は、実施形態1と比較しても、高精度な運転支援を実現することができる。
ところで、実施形態1では、1つの機械学習モデル(第1機械学習モデル16)を用いた例を説明したが、これに限定されるものではない。例えば、上記要因データの種別やプラントごとに複数の機械学習モデルを用意しておき、動的に選択することで、運転支援の精度向上を図ることができる。そこで、実施形態3では、一例として、稼働中の化学プラント1における要因データの種別を動的に判定し、適切な機械学習モデルを選択して、運転支援を行う例を説明する。
図14は、実施形態3にかかる情報処理装置10の機能構成を示す機能ブロック図である。図14に示すように、実施形態1と同様、情報処理装置10は、通信部11、表示部12、記憶部13、制御部20を有する。ここでは、実施形態1で説明した図4と異なる複数の機械学習モデル(機械学習モデル1~N)と第2予測部23における選択部23aおよび予測部23bについて説明する。
次に、図14を用いて生成された実施形態3における運転支援を行う具体例を説明する。図15は、実施形態3にかかる運転支援を説明する図である。図15に示すように、第1予測部22は、原料の分光スペクトルデータXから主成分のスペクトルデータXpを抽出して、物理モデル15に入力し、第1の出力結果Ypを取得する。
図16は、実施形態3にかかる処理の流れを示すフローチャートである。なお、ここでは、機械学習モデル1~Nは、生成済みとする。
上述したように、情報処理装置10は、予測時に実測した要因データに応じた機械学習モデルを選択した上で、ハイブリッドモデルを活用することができるので、化学プラント1の運転環境に適した最適な運転支援システムを構築することができる。
ところで、ハイブリッドモデルに使用する機械学習モデルは、実験データを用いて生成されたモデルとプラントごとに設定されたモデルの両方を併用することで、精度の更なる向上を図ることができる。図17は、実施形態4にかかる情報処理装置10の機能構成を示す機能ブロック図である。図17に示すように、情報処理装置10は、通信部11、表示部12、記憶部13、制御部20を有する。
上述したように、情報処理装置10は、物理モデル15の出力結果を、プラント共通のデータで訓練された化学的誤差モデル18および適用対象のプラントに特化して訓練された機械的誤差モデル19の両方を用いて補完することができる。したがって、情報処理装置10は、全プラントに共通する情報と各プラント特有の情報との両方を考慮した運転支援を実行することができ、例えば共通の障害や特有の障害の両方を回避する運転支援を実行することができる。
上述した情報処理装置10は、各モデルの出力結果や運転支援に関する情報を可視化することで、オペレータ等に提示することができる。そこで、実施形態5では、情報の可視化を行う情報処理装置10について説明する。
図22は、実施形態5にかかる情報処理装置10の機能構成を示す機能ブロック図である。ここでは、実施形態1の構成の適用例にして説明するが、他の実施形態も同様に適用することができる。
さて、これまで本発明の実施形態について説明したが、本発明は上述した実施形態以外にも、種々の異なる形態にて実施されてよいものである。
上記実施形態で用いたデータ例、物理モデルの算出式、予測対象などは、あくまで一例であり、任意に変更することができる。また、第1成分の一例として濃度、第2成分の一例として差分スペクトルデータを用いた例を説明したが、これに限定されるものではない。例えば、原料に基づく情報として、組成データに含まれる温度など他の要素を対象とすることもでき、分光スペクトルデータを用いて第1の成分として温度を取得して用いることもできる。
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。
次に、情報処理装置10のハードウェア構成例を説明する。図28は、ハードウェア構成例を説明する図である。図28に示すように、情報処理装置10は、通信装置10a、HDD(Hard Disk Drive)10b、メモリ10c、プロセッサ10dを有する。また、図28に示した各部は、バス等で相互に接続される。
11 通信部
12 表示部
13 記憶部
14 訓練データ群
15 物理モデル
16 第1機械学習モデル
17 第2機械学習モデル
20 制御部
21 モデル生成部
22 第1予測部
23、26 第2予測部
23a 選択部
23b 予測部
24 最適操作量演算部
25、27 第3予測部
28 表示制御部
30 ハイブリッドモデル
Claims (7)
- 物理モデルによって予測されたプラントの状態に関する情報を示す第1の予測結果を取得する第1予測部と、
前記プラントに関するデータを用いて生成された、前記第1の予測結果を補正する情報量を出力する機械学習モデルによって予測された前記プラントの状態に関する情報を示す第2の予測結果を取得する第2予測部と、
前記第1の予測結果と前記第2の予測結果とを合計した合計情報量を生成し、前記プラントの状態に関する計測値もしくは理論値と、前記合計情報量とを比較して表示する表示制御部と、
を有する情報処理装置。 - 前記第2予測部は、
前記第2の予測結果として、
複数のプラントに共通するデータを用いて生成された、前記第1の予測結果を補正する情報量を出力する第1の機械学習モデルを用いて、第3の予測結果を取得し、
予測対象であるプラントで発生するプラントデータを用いて生成された、前記第1の予測結果を補正する情報量を出力する第2の機械学習モデルを用いて、第4の予測結果を取得し、
前記表示制御部は、
前記第1の予測結果を、前記第3の予測結果と前記第4の予測結果を用いて補正した補正結果として、前記第1の予測結果と前記第3の予測結果と前記第4の予測結果とを合計した第2の合計情報量をさらに表示する、
請求項1に記載の情報処理装置。 - 前記表示制御部は、
前記第1の予測結果と前記第3の予測結果と前記第4の予測結果とのそれぞれの時間変化と、前記第2の合計情報量の時間変化とを共通の時間軸で表示する、
請求項2に記載の情報処理装置。 - 前記表示制御部は、
前記第3の予測結果および前記第4の予測結果が閾値以上であり、前記第1の予測結果が所定値以上補正されている箇所を強調表示する、
請求項2に記載の情報処理装置。 - 前記表示制御部は、
前記第1の予測結果が、所定値以上補正されている時点を、前記物理モデルの再構成タイミングとして提示する、
請求項2に記載の情報処理装置。 - コンピュータが、
物理モデルによって予測されたプラントの状態に関する情報を示す第1の予測結果を取得し、
前記プラントに関するデータを用いて生成された、前記第1の予測結果を補正する情報量を出力する機械学習モデルによって予測された前記プラントの状態に関する情報を示す第2の予測結果を取得し、
前記第1の予測結果と前記第2の予測結果とを合計した合計情報量を生成し、前記プラントの状態に関する計測値もしくは理論値と、前記合計情報量とを比較して表示する、
処理を実行する表示制御方法。 - コンピュータに、
物理モデルによって予測されたプラントの状態に関する情報を示す第1の予測結果を取得し、
前記プラントに関するデータを用いて生成された、前記第1の予測結果を補正する情報量を出力する機械学習モデルによって予測された前記プラントの状態に関する情報を示す第2の予測結果を取得し、
前記第1の予測結果と前記第2の予測結果とを合計した合計情報量を生成し、前記プラントの状態に関する計測値もしくは理論値と、前記合計情報量とを比較して表示する、
処理を実行させる表示制御プログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021124844A JP7467395B2 (ja) | 2021-07-29 | 2021-07-29 | 情報処理装置、表示制御方法および表示制御プログラム |
US17/875,936 US20230034693A1 (en) | 2021-07-29 | 2022-07-28 | Information processing device, display control method, and computer-readable recording medium |
EP22187520.6A EP4124923A1 (en) | 2021-07-29 | 2022-07-28 | Information processing device, display control method, and display control program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021124844A JP7467395B2 (ja) | 2021-07-29 | 2021-07-29 | 情報処理装置、表示制御方法および表示制御プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023019825A JP2023019825A (ja) | 2023-02-09 |
JP7467395B2 true JP7467395B2 (ja) | 2024-04-15 |
Family
ID=82780947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021124844A Active JP7467395B2 (ja) | 2021-07-29 | 2021-07-29 | 情報処理装置、表示制御方法および表示制御プログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230034693A1 (ja) |
EP (1) | EP4124923A1 (ja) |
JP (1) | JP7467395B2 (ja) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001106703A (ja) | 1999-10-06 | 2001-04-17 | Mitsubishi Rayon Co Ltd | 品質予測反応制御システム |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6610988B2 (ja) | 2015-03-30 | 2019-11-27 | 国立大学法人山口大学 | 化学プラントの制御装置及び操業支援方法 |
WO2017109820A1 (en) * | 2015-12-25 | 2017-06-29 | Nec Corporation | Cost function design system, cost function design method, and cost function design program |
JP6796011B2 (ja) | 2017-03-15 | 2020-12-02 | アズビル株式会社 | 制御方法および制御装置 |
JP7460657B2 (ja) * | 2019-05-09 | 2024-04-02 | アスペンテック・コーポレーション | 機械学習を専門知識及び第一原理と組み合わせて行うプロセス産業のモデリング |
-
2021
- 2021-07-29 JP JP2021124844A patent/JP7467395B2/ja active Active
-
2022
- 2022-07-28 EP EP22187520.6A patent/EP4124923A1/en active Pending
- 2022-07-28 US US17/875,936 patent/US20230034693A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001106703A (ja) | 1999-10-06 | 2001-04-17 | Mitsubishi Rayon Co Ltd | 品質予測反応制御システム |
Also Published As
Publication number | Publication date |
---|---|
US20230034693A1 (en) | 2023-02-02 |
EP4124923A1 (en) | 2023-02-01 |
JP2023019825A (ja) | 2023-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Solle et al. | Between the poles of data‐driven and mechanistic modeling for process operation | |
Hurme et al. | Implementing inherent safety throughout process lifecycle | |
JP5790952B2 (ja) | 生産エネルギー管理システムおよびコンピュータプログラム | |
Zhu et al. | Toward a low cost and high performance MPC: The role of system identification | |
CN108701269B (zh) | 生产设施经营优化装置 | |
Ramli et al. | Composition prediction of a debutanizer column using equation based artificial neural network model | |
JPWO2018235807A1 (ja) | プロセスの異常状態診断装置および異常状態診断方法 | |
Rivera et al. | A design of experiments (DOE) approach to data uncertainty in LCA: application to nanotechnology evaluation | |
Fei et al. | Fault detection and root cause analysis of a batch process via novel nonlinear dissimilarity and comparative granger causality analysis | |
JP2010211684A (ja) | データ処理方法、データ処理プログラム、データ処理装置 | |
JP2023106037A (ja) | 運転支援装置、運転支援方法及びプログラム | |
Haghbakhsh et al. | A novel atomic contribution model for the standard chemical exergies of organic compounds | |
JP7467395B2 (ja) | 情報処理装置、表示制御方法および表示制御プログラム | |
JP7395987B2 (ja) | 情報処理システム、方法、およびプログラム | |
Yassine et al. | Optimal production manufacturing based on intelligent control system | |
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 | |
JP2023019824A (ja) | 情報処理装置、情報処理方法、情報処理プログラム、モデル生成方法およびモデル生成プログラム | |
JP2023019823A (ja) | 情報処理装置、情報処理方法、情報処理プログラム、モデル生成方法およびモデル生成プログラム | |
JP2022163293A (ja) | 運用支援装置、運用支援方法及びプログラム | |
TWI833666B (zh) | 支援方法、支援裝置以及支援程式 | |
Lin et al. | Optimal component lumping: Problem formulation and solution techniques | |
Mittas et al. | StatREC: A graphical user interface tool for visual hypothesis testing of cost prediction models | |
Flåten et al. | A design of experiment approach incorporating layered designs for choosing the right calibration model | |
Benchekroun et al. | Development of a kiln petcoke mill predictive model based on a multi-regression XGBoost algorithm | |
Teng et al. | DATA-DRIVEN MULTI-OBJECTIVE OPTIMIZATION FOR A PROCESS WITH MULTIPLE UNITS |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221028 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230823 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230919 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231120 |
|
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: 20240305 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240403 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7467395 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |