JPH04218724A - 層状態の検出方法 - Google Patents
層状態の検出方法Info
- Publication number
- JPH04218724A JPH04218724A JP3082268A JP8226891A JPH04218724A JP H04218724 A JPH04218724 A JP H04218724A JP 3082268 A JP3082268 A JP 3082268A JP 8226891 A JP8226891 A JP 8226891A JP H04218724 A JPH04218724 A JP H04218724A
- Authority
- JP
- Japan
- Prior art keywords
- input
- output
- neurocomputer
- layer
- value
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims description 11
- 238000005070 sampling Methods 0.000 claims abstract description 27
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 239000007788 liquid Substances 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 7
- 238000009529 body temperature measurement Methods 0.000 claims description 5
- 239000003921 oil Substances 0.000 description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 15
- 230000008878 coupling Effects 0.000 description 10
- 238000010168 coupling process Methods 0.000 description 10
- 238000005859 coupling reaction Methods 0.000 description 10
- 238000004945 emulsification Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000002123 temporal effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 4
- 239000003925 fat Substances 0.000 description 4
- 230000005484 gravity Effects 0.000 description 3
- 238000005316 response function Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- -1 emulsification Substances 0.000 description 2
- 239000000839 emulsion Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 101000582320 Homo sapiens Neurogenic differentiation factor 6 Proteins 0.000 description 1
- 102100030589 Neurogenic differentiation factor 6 Human genes 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000003792 cranial nerve Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000006460 hydrolysis reaction Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/14—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measurement of pressure
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/22—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/22—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water
- G01F23/24—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water by measuring variations of resistance of resistors due to contact with conductor fluid
- G01F23/246—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water by measuring variations of resistance of resistors due to contact with conductor fluid thermal devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/80—Arrangements for signal processing
- G01F23/802—Particular electronic circuits for digital processing equipment
- G01F23/804—Particular electronic circuits for digital processing equipment containing circuits handling parameters other than liquid level
Landscapes
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- General Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【0001】
【産業上の利用分野】本発明は、複数の液が層状態をな
している場合の液層の状態を検出する方法に関する。
している場合の液層の状態を検出する方法に関する。
【0002】
【従来の技術】例えば上部から水を、下部から水より比
重の小さい油脂等の油を連続的に供給し、蒸気による熱
源のもとで、油と水とを接触させ加水分解反応を起こさ
せることにより油を分解する油脂分解塔においては、比
重の違いにより、上部に油、下部に水が滞留し、それら
が接する面には界面が生じる。
重の小さい油脂等の油を連続的に供給し、蒸気による熱
源のもとで、油と水とを接触させ加水分解反応を起こさ
せることにより油を分解する油脂分解塔においては、比
重の違いにより、上部に油、下部に水が滞留し、それら
が接する面には界面が生じる。
【0003】この界面が適正なレベルよりも上昇すれば
、塔内での油の滞留時間が短くなって反応(油分解)率
が悪くなり、一方、界面が低下すると、排出水中に油が
混じって油が失われてしまうので界面の位置を正確に知
る必要がある。そのため、従来より、塔の各部位からサ
ンプリングした液の目視検査により層状態を定期的に確
かめている。
、塔内での油の滞留時間が短くなって反応(油分解)率
が悪くなり、一方、界面が低下すると、排出水中に油が
混じって油が失われてしまうので界面の位置を正確に知
る必要がある。そのため、従来より、塔の各部位からサ
ンプリングした液の目視検査により層状態を定期的に確
かめている。
【0004】
【発明が解決しようとする課題】しかしながら、液のサ
ンプリングによる目視検査では、サンプリング点数に限
度があり、時系列的に層状態を把握することは困難であ
る。又、油と水とで違いが生じる、比重、電気伝導度、
あるいは光の透過度等の測定からその界面を検出する方
法もあるが、対象とする系が高温、高圧であり、かつ汚
濁、乳化の程度が大きい場合は、これらの測定により界
面を検出することは困難である。
ンプリングによる目視検査では、サンプリング点数に限
度があり、時系列的に層状態を把握することは困難であ
る。又、油と水とで違いが生じる、比重、電気伝導度、
あるいは光の透過度等の測定からその界面を検出する方
法もあるが、対象とする系が高温、高圧であり、かつ汚
濁、乳化の程度が大きい場合は、これらの測定により界
面を検出することは困難である。
【0005】本発明は、上述した課題を解決するために
なされたものであり、対象とする系が高温、高圧、ある
いは汚濁、乳化の程度が大きい場合でも各層状態を知る
ことのできる新規な検出方法を提供することを目的とす
る。
なされたものであり、対象とする系が高温、高圧、ある
いは汚濁、乳化の程度が大きい場合でも各層状態を知る
ことのできる新規な検出方法を提供することを目的とす
る。
【0006】
【課題を解決するための手段】系で得た塔内温度、圧力
、流量等の測定値を入力とし、目視で調べた実際の層状
態を出力としたとき、両者には何等かの相関関係がある
と考えられる。本発明では、学習機能を有するニューロ
コンピュータの理念を導入することにより、その相関関
係を解明したものであり、その相関関係を用いることに
より、対象とする系がいかなる状態であってもそのとき
の層状態を検出できる。
、流量等の測定値を入力とし、目視で調べた実際の層状
態を出力としたとき、両者には何等かの相関関係がある
と考えられる。本発明では、学習機能を有するニューロ
コンピュータの理念を導入することにより、その相関関
係を解明したものであり、その相関関係を用いることに
より、対象とする系がいかなる状態であってもそのとき
の層状態を検出できる。
【0007】即ち、本発明は、対象とする系で上下に異
なる液体が層をなしているときの層状態を知るための検
出方法であって、対象とする系から時系列的に得られる
測定値もしくは該測定値に基づく値をニューロコンピュ
ータに入力し、当該ニューロコンピュータより出力され
る信号と、このとき実際のサンプリングにより知った層
状態を示す信号とを比較し、両信号の差分が規定値以下
になるまで、当該ニューロコンピュータにおける入力か
ら出力への結合の強さを示す重みを調整し、調整された
重みを係数として有する入出力モデルを作り、この入出
力モデルに測定値もしくは該測定値に基づく値を入力し
、このときの出力から層状態を認識することを特徴とす
る。
なる液体が層をなしているときの層状態を知るための検
出方法であって、対象とする系から時系列的に得られる
測定値もしくは該測定値に基づく値をニューロコンピュ
ータに入力し、当該ニューロコンピュータより出力され
る信号と、このとき実際のサンプリングにより知った層
状態を示す信号とを比較し、両信号の差分が規定値以下
になるまで、当該ニューロコンピュータにおける入力か
ら出力への結合の強さを示す重みを調整し、調整された
重みを係数として有する入出力モデルを作り、この入出
力モデルに測定値もしくは該測定値に基づく値を入力し
、このときの出力から層状態を認識することを特徴とす
る。
【0008】ここで入出力モデルへの入力としては、塔
内温度、圧力、流量等の測定値そのものであってもよく
、あるいはこの測定値を数学的に処理した統計値を用い
ることもでき、統計値として代表的なものに分散や平均
がある。時系列的に複数のデータが得られる場合にそれ
らのデータの代表値として求められるのが分散であり、
一般には数式1で求められる。
内温度、圧力、流量等の測定値そのものであってもよく
、あるいはこの測定値を数学的に処理した統計値を用い
ることもでき、統計値として代表的なものに分散や平均
がある。時系列的に複数のデータが得られる場合にそれ
らのデータの代表値として求められるのが分散であり、
一般には数式1で求められる。
【0009】
【数1】
【0010】ここで、M:測定データ数AVE:M個の
データの平均値 Xi:個々の測定データ
データの平均値 Xi:個々の測定データ
【0011】又、測定データの中からある周波数帯の成
分に着目したい時は、それ以外の周波数帯の成分を測定
データから除去する必要があり、例えば、測定データの
中から高周波成分を抽出する場合についての例を以下に
示す。まず、あるデータを中心として前後N点に対する
平均値を数式2にて求め、かかる平均値を、中心データ
を順次ずらしてM個求めることにより、低周波成分XL
iが求められる。この数学的処理は移動平均と呼ばれる
ものである。
分に着目したい時は、それ以外の周波数帯の成分を測定
データから除去する必要があり、例えば、測定データの
中から高周波成分を抽出する場合についての例を以下に
示す。まず、あるデータを中心として前後N点に対する
平均値を数式2にて求め、かかる平均値を、中心データ
を順次ずらしてM個求めることにより、低周波成分XL
iが求められる。この数学的処理は移動平均と呼ばれる
ものである。
【0012】
【数2】
【0013】次に数式3で示すように、測定データXi
から低周波成分XLiを差し引くことにより、高周波成
分XHiを得る。
から低周波成分XLiを差し引くことにより、高周波成
分XHiを得る。
【0014】
【数3】XHi=Xi−XLi
この高周波成分XHiに対して数式1により分散(移動
分散)を求め、この移動分散をニューロコンピュータの
入力とする。又、ニューロコンピュータへの入力値とし
て、対象とする系の上下方向の温度に基づく値を用いる
と好適な場合がある。例えば上下方向の各部位毎に温度
測定値の平均値を求め、上下で隔て合う、前記温度測定
値の平均値間の差分をニューロコンピュータへの入力と
して用いる。
分散)を求め、この移動分散をニューロコンピュータの
入力とする。又、ニューロコンピュータへの入力値とし
て、対象とする系の上下方向の温度に基づく値を用いる
と好適な場合がある。例えば上下方向の各部位毎に温度
測定値の平均値を求め、上下で隔て合う、前記温度測定
値の平均値間の差分をニューロコンピュータへの入力と
して用いる。
【0015】又、別の例としては、上下方向の各部位毎
の温度測定値に含まれる低周波成分の平均値を求め、該
平均の上下で隔て合う、前記低周波成分の平均値間の差
分をニューロコンピュータへの入力として用いる。低周
波成分は数式2により求めることができる。尚、ニュー
ロコンピュータについては、例えば中野馨 著の「ニュ
ーロコンピュータ」(技術評論社、平成1年9月15日
刊)に解説されているのでここではその詳しい説明を省
略する。
の温度測定値に含まれる低周波成分の平均値を求め、該
平均の上下で隔て合う、前記低周波成分の平均値間の差
分をニューロコンピュータへの入力として用いる。低周
波成分は数式2により求めることができる。尚、ニュー
ロコンピュータについては、例えば中野馨 著の「ニュ
ーロコンピュータ」(技術評論社、平成1年9月15日
刊)に解説されているのでここではその詳しい説明を省
略する。
【0016】
【作用】ニューロン(脳細胞)の人工的なモデルとして
次のような機能を有するユニットを考える。即ち、図1
に示すように、複数個のデータxiにそれぞれ重みWi
を付し、これらの総和X(=Σxi・Wi)を入力とし
、これをある応答関数fでしきい値処理して出力yを得
るものである。y=f(Σxi・Wi)
次のような機能を有するユニットを考える。即ち、図1
に示すように、複数個のデータxiにそれぞれ重みWi
を付し、これらの総和X(=Σxi・Wi)を入力とし
、これをある応答関数fでしきい値処理して出力yを得
るものである。y=f(Σxi・Wi)
【0017】従ってこのユニットは、多入力/1出力の
しきい値特性を持つ飽和形非線形素子とみなせる。この
ようなユニットを互いに網目状に接続し、各ユニット間
の結合の強さを重みWiの調整により変化させており、
このようにして構成して得たニューロコンピュータは、
脳神経と同じように並列処理を行い、かつ、最大の特徴
として学習機能を持っているということである。
しきい値特性を持つ飽和形非線形素子とみなせる。この
ようなユニットを互いに網目状に接続し、各ユニット間
の結合の強さを重みWiの調整により変化させており、
このようにして構成して得たニューロコンピュータは、
脳神経と同じように並列処理を行い、かつ、最大の特徴
として学習機能を持っているということである。
【0018】図2に示すように、重み設定部1より与え
られる初期値の重みW0のときに、異なる層の各所にお
ける温度等の運転条件のデータが入力としてニューロ2
に入力され、このときにニューロ2から出力された層状
態を表す信号と、正解信号(以下、教師信号と称す)と
して、このときに実際のサンプル抽出により知った層状
態を表す信号とが比較評価部3で比較評価され、それら
の差分が規定値以下になるまで、比較評価部3よりの指
令に基づき、重み設定部1より出力される重みWiが調
整され、演算が繰り返される。このように、外部環境に
適合できるように重みを自己調整して的確な判断能力を
備えるようになり、かかる機能を学習と呼んでいる。尚
、本発明で用いるニューロコンピュータは、既存のコン
ピュータ上のソフトウェアによるシミュレーションによ
り展開させたものである。
られる初期値の重みW0のときに、異なる層の各所にお
ける温度等の運転条件のデータが入力としてニューロ2
に入力され、このときにニューロ2から出力された層状
態を表す信号と、正解信号(以下、教師信号と称す)と
して、このときに実際のサンプル抽出により知った層状
態を表す信号とが比較評価部3で比較評価され、それら
の差分が規定値以下になるまで、比較評価部3よりの指
令に基づき、重み設定部1より出力される重みWiが調
整され、演算が繰り返される。このように、外部環境に
適合できるように重みを自己調整して的確な判断能力を
備えるようになり、かかる機能を学習と呼んでいる。尚
、本発明で用いるニューロコンピュータは、既存のコン
ピュータ上のソフトウェアによるシミュレーションによ
り展開させたものである。
【0019】以下、ニューロコンピュータを用いた層状
態の検出について詳細に説明する。本実施例では、図3
に示すように、入力および出力層の間に中間層を設けた
3層構成の回路網を考える。ニューロコンピュータの入
力層への入力をIi、このときの出力層からの出力をO
kとしたとき、中間層への入力Ujを次のように定義す
る。
態の検出について詳細に説明する。本実施例では、図3
に示すように、入力および出力層の間に中間層を設けた
3層構成の回路網を考える。ニューロコンピュータの入
力層への入力をIi、このときの出力層からの出力をO
kとしたとき、中間層への入力Ujを次のように定義す
る。
【0020】
【数4】Uj=ΣWji・Ii+θj
(Wは入力層と中間層との結合係数、θはオフセット値
)この中間層における応答関数をfとすれば、中間層の
出力Hjは、
)この中間層における応答関数をfとすれば、中間層の
出力Hjは、
【0021】
【数5】Hj=f(Uj)
出力層への入力Skは、
【0022】
【数6】Sk=ΣVkj・Hj+γk
(Vは中間層と出力層との結合関数、γはオフセット値
)従って出力Okは、
)従って出力Okは、
【0023】
【数7】Ok=f(Sk)
となる。応答関数fとしてシグモイド関数を用いると、
ニューロコンピュータの性能を向上できた。教師信号を
Tkとし、この出力Okと教師信号Tkとの差から、中
間層と出力層とのユニットのオフセットに対する誤差δ
kを求めると、
ニューロコンピュータの性能を向上できた。教師信号を
Tkとし、この出力Okと教師信号Tkとの差から、中
間層と出力層とのユニットのオフセットに対する誤差δ
kを求めると、
【0024】
【数8】δk=(Ok−Tk)・Ok・(1−Ok)こ
の誤差δkと、中間層から出力層への結合係数Vkjと
、中間層の出力Hjから中間層ユニットjにつながる結
合係数と、中間層ユニットのオフセットとに対する誤差
σjを求めると、
の誤差δkと、中間層から出力層への結合係数Vkjと
、中間層の出力Hjから中間層ユニットjにつながる結
合係数と、中間層ユニットのオフセットとに対する誤差
σjを求めると、
【0025】
【数9】σj=Σδk・Vkj・Hj・(1−Hj)数
式8で求めた出力層ユニットkでの誤差δkと、中間層
ユニットjの出力Hjと定数αとの積とを加算すること
で、中間層ユニットjから出力層のユニットkにつなが
る結合係数Vkjを修正する。
式8で求めた出力層ユニットkでの誤差δkと、中間層
ユニットjの出力Hjと定数αとの積とを加算すること
で、中間層ユニットjから出力層のユニットkにつなが
る結合係数Vkjを修正する。
【0026】
【数10】Vkj=Vkj+α・δk・Hj又、誤差δ
kと定数βとの積を加算することで出力層ユニットkの
オフセット値γkを修正する。
kと定数βとの積を加算することで出力層ユニットkの
オフセット値γkを修正する。
【0027】
【数11】γk=γk+β・δk
更に中間層ユニットjでの誤差δjを用い、同様にして
入力層ユニットiから中間層ユニットjにつながる結合
係数Wjiおよび中間層ユニットjのオフセットθjを
修正する。
入力層ユニットiから中間層ユニットjにつながる結合
係数Wjiおよび中間層ユニットjのオフセットθjを
修正する。
【0028】
【数12】Wji=Wji+α・σk・Ii
【0029
】
】
【数13】θj=θj+β・σk
このようにして出力と教師信号との誤差が収束したとこ
ろの結合係数W,Vおよびオフセット値θ,γを用いて
入力と出力との関係を示すモデル式を得る。
ろの結合係数W,Vおよびオフセット値θ,γを用いて
入力と出力との関係を示すモデル式を得る。
【0030】
【実施例】(その1)油脂分解塔において上部、中部お
よび下部の各部位(サンプリング位置)の温度T1、T
2およびT3の経時データの一例を図4に示している。 サンプリング時刻S1ないしS7でのそれぞれの温度T
1ないしT3を数式4における入力Iiに代入し、更に
数式4ないし数式6に、ランダム関数発生器で発生させ
たW,V,θ,γの値を入力し、数式7から入出力のモ
デル式における出力Oを求める。この出力Oの比較基準
となる教師データとして、上記のサンプリング位置で調
べたサンプル■ないし■を用いており、この教師データ
は、後で述べるマトリックス計算に適合するよう表1の
ごとく表される。表1において、油、乳化、水のそれぞ
れの有無を“1”、“0”で示しており、例えばサンプ
リング時刻S2では、サンプル■ないし■では、それぞ
れ、油、乳化、乳化の層であったことを示す。
よび下部の各部位(サンプリング位置)の温度T1、T
2およびT3の経時データの一例を図4に示している。 サンプリング時刻S1ないしS7でのそれぞれの温度T
1ないしT3を数式4における入力Iiに代入し、更に
数式4ないし数式6に、ランダム関数発生器で発生させ
たW,V,θ,γの値を入力し、数式7から入出力のモ
デル式における出力Oを求める。この出力Oの比較基準
となる教師データとして、上記のサンプリング位置で調
べたサンプル■ないし■を用いており、この教師データ
は、後で述べるマトリックス計算に適合するよう表1の
ごとく表される。表1において、油、乳化、水のそれぞ
れの有無を“1”、“0”で示しており、例えばサンプ
リング時刻S2では、サンプル■ないし■では、それぞ
れ、油、乳化、乳化の層であったことを示す。
【0031】
【表1】
【0032】計算として、各サンプリング時刻S1ない
しS7に関してのサンプリング位置における入力(温度
T1ないしT3)によって得られた出力O(油,水ある
いは乳化)と、教師データ(油,水あるいは乳化)との
誤差の2乗を、サンプル■ないし■で油、水および乳化
毎に求め、サンプリング時刻S1ないしS7で2乗の和
を計算し、その総和が0.05以下になるまで結合係数
W,Vおよびオフセット値θ,γを調整して数式うない
し数式13に入力して演算を繰り返した。上式の演算に
おいてはマトリックスを用いた。数式4および数式5か
ら
しS7に関してのサンプリング位置における入力(温度
T1ないしT3)によって得られた出力O(油,水ある
いは乳化)と、教師データ(油,水あるいは乳化)との
誤差の2乗を、サンプル■ないし■で油、水および乳化
毎に求め、サンプリング時刻S1ないしS7で2乗の和
を計算し、その総和が0.05以下になるまで結合係数
W,Vおよびオフセット値θ,γを調整して数式うない
し数式13に入力して演算を繰り返した。上式の演算に
おいてはマトリックスを用いた。数式4および数式5か
ら
【0033】
【数14】f(ΣWji・Ii+θi)=Hj数式14
の実際の計算式としては、
の実際の計算式としては、
【0034】
【数15】
【0035】を用いた。又、数式6および数式7から
【
0036】
0036】
【数16】f(ΣVkj・Hj+γk)=Okが得られ
、この数式16の実際の計算式としては、
、この数式16の実際の計算式としては、
【0037】
【数17】
【0038】を用いた。このようにサンプリング位置で
取り出したサンプル■ないし■に対してそれぞれ求めら
れた結合係数W,Vおよびオフセット値θ,γを表2な
いし表4に示す。
取り出したサンプル■ないし■に対してそれぞれ求めら
れた結合係数W,Vおよびオフセット値θ,γを表2な
いし表4に示す。
【0039】
【表2】
【0040】
【表3】
【0041】
【表4】
【0042】上表の各係数を用いて作った入出力モデル
式が求まれば、この入出力モデル式から以下に示すよう
に層状態の予測を行うことができる。予測に用いる入力
値として図5に示した経時温度データを用いた。サンプ
リング時刻S1’ないしS5’における各温度T1ない
しT3を入出力モデル式に入力し、得られた出力値を図
6に示した。
式が求まれば、この入出力モデル式から以下に示すよう
に層状態の予測を行うことができる。予測に用いる入力
値として図5に示した経時温度データを用いた。サンプ
リング時刻S1’ないしS5’における各温度T1ない
しT3を入出力モデル式に入力し、得られた出力値を図
6に示した。
【0043】図6においても油、水及び乳化の有無を“
1”、“0”で示しており、例えばサンプル位置■に対
しては、サンプリング時刻S1’では水層(水を示す破
線が“1”レベル)であり、サンプリング時刻S2’お
よびS3’では乳化層(乳化を示す一点鎖線が“1”レ
ベル)であり、サンプリング時刻S4’ないしS5’で
は油層(油を示す細線が“1”レベル)であったと予測
された。このようにして予測した出力値に対する照合用
のデータとして、上記サンプリング位置で調べたサンプ
ル■ないし■の層状態を表5に示した。
1”、“0”で示しており、例えばサンプル位置■に対
しては、サンプリング時刻S1’では水層(水を示す破
線が“1”レベル)であり、サンプリング時刻S2’お
よびS3’では乳化層(乳化を示す一点鎖線が“1”レ
ベル)であり、サンプリング時刻S4’ないしS5’で
は油層(油を示す細線が“1”レベル)であったと予測
された。このようにして予測した出力値に対する照合用
のデータとして、上記サンプリング位置で調べたサンプ
ル■ないし■の層状態を表5に示した。
【0044】
【表5】
【0045】図6の予測値と、表5の照合データを比較
してわかるようによく一致することが確認された。
してわかるようによく一致することが確認された。
【0046】(その2)油脂分解塔において上部、中部
および下部の各部位の温度T1、T2およびT3の経時
データの一例を図7に示している。本実施例では、サン
プリング時刻S1ないしS5で検出された温度T1ない
しT3の測定値を数式4にそのまま代入するのではなく
、温度T1ないしT3に対してそれぞれ移動分散値を求
め、それらの移動分散値を数式4における入力Iiとし
て代入した。又、このときの出力Oに対する教師データ
としては表6のデータを用いており、この表6において
も、表1と同様に油、乳化、水のそれぞれの有無を“1
”、“0”で示した。
および下部の各部位の温度T1、T2およびT3の経時
データの一例を図7に示している。本実施例では、サン
プリング時刻S1ないしS5で検出された温度T1ない
しT3の測定値を数式4にそのまま代入するのではなく
、温度T1ないしT3に対してそれぞれ移動分散値を求
め、それらの移動分散値を数式4における入力Iiとし
て代入した。又、このときの出力Oに対する教師データ
としては表6のデータを用いており、この表6において
も、表1と同様に油、乳化、水のそれぞれの有無を“1
”、“0”で示した。
【0047】
【表6】
【0048】計算としては、前実施例の場合と全く同じ
でこの場合のサンプル■ないし■に対するそれぞれの結
合係数W,Vおよびオフセット値θ,γを表7ないし表
9に示す。
でこの場合のサンプル■ないし■に対するそれぞれの結
合係数W,Vおよびオフセット値θ,γを表7ないし表
9に示す。
【0049】
【表7】
【0050】
【表8】
【0051】
【表9】
【0052】これらの各係数を用いて作った入出力モデ
ル式が求まれば、この入出力モデル式から層状態の予測
を行うことができる。予測に用いる入力値として図8に
示した経時温度データを用いた。そして、サンプリング
時刻S1’ないしS5’における各温度T1ないしT3
に対しても、それぞれ移動分散値を求めて数式4の入力
Iiとし、これにより得られた出力値を図9に示した。 このようにして予測した出力値に対する照合データとし
て、上記サンプリング位置で調べたサンプル■ないし■
の層状態を表10に示した。
ル式が求まれば、この入出力モデル式から層状態の予測
を行うことができる。予測に用いる入力値として図8に
示した経時温度データを用いた。そして、サンプリング
時刻S1’ないしS5’における各温度T1ないしT3
に対しても、それぞれ移動分散値を求めて数式4の入力
Iiとし、これにより得られた出力値を図9に示した。 このようにして予測した出力値に対する照合データとし
て、上記サンプリング位置で調べたサンプル■ないし■
の層状態を表10に示した。
【0053】
【表10】
【0054】図9の予測値と、表10の照合データを比
較してわかるように、この場合もよく一致することが確
認された。尚、上記の実施例ではサンプリング位置を3
点としたが検出精度を向上させるためにはより多くのサ
ンプリングが好ましい。又、検出精度を向上させるため
に、上記実施例に示した温度と共に、油と水の供給流量
および排出流量、供給蒸気流量等の測定値あるいはこれ
を数学的処理した値を入力として入出力モデルを構築す
ることが好ましい。
較してわかるように、この場合もよく一致することが確
認された。尚、上記の実施例ではサンプリング位置を3
点としたが検出精度を向上させるためにはより多くのサ
ンプリングが好ましい。又、検出精度を向上させるため
に、上記実施例に示した温度と共に、油と水の供給流量
および排出流量、供給蒸気流量等の測定値あるいはこれ
を数学的処理した値を入力として入出力モデルを構築す
ることが好ましい。
【0055】
【発明の効果】以上説明したように、本発明は、層状態
を検出するのに、対象とする系での温度等の測定値もし
くはこの測定値を数学的処理した値を入力とし、このと
きの層状態を出力として、ニューロコンピュータにて処
理して入出力モデルを作成し、この入出力モデルを用い
て、このときの層状態を予測するようにしたので、対象
とする系が高温、高圧あるいは汚濁、乳化の程度が大き
い場合でも層状態を的確に検出できる。
を検出するのに、対象とする系での温度等の測定値もし
くはこの測定値を数学的処理した値を入力とし、このと
きの層状態を出力として、ニューロコンピュータにて処
理して入出力モデルを作成し、この入出力モデルを用い
て、このときの層状態を予測するようにしたので、対象
とする系が高温、高圧あるいは汚濁、乳化の程度が大き
い場合でも層状態を的確に検出できる。
【図1】 本発明に用いたニューロコンピュータを構
成する基本ユニットを示す図
成する基本ユニットを示す図
【図2】 ニューロコンピュータの概略を示すブロッ
ク図
ク図
【図3】 3層構造のニューロコンピュータにおける
各層間の結合を示す図
各層間の結合を示す図
【図4】 第1の実施例で各サンプリング位置での検
出温度の経時データを示す図
出温度の経時データを示す図
【図5】 第1の実施例で予測のために用いた各サン
プリング位置での検出温度の経時データを示す図
プリング位置での検出温度の経時データを示す図
【図6
】 第1の実施例において得られた層状態を示す図
】 第1の実施例において得られた層状態を示す図
【図7】 第2の実施例で各サンプリング位置での検
出温度の経時データを示す図
出温度の経時データを示す図
【図8】 第2の実施例で予測のために用いた各サン
プリング位置での検出温度の経時データを示す図
プリング位置での検出温度の経時データを示す図
【図9
】 第2の実施例で得られた層状態を示す図
】 第2の実施例で得られた層状態を示す図
1 重み設定部
2 ニューロ
3 比較評価部
Claims (3)
- 【請求項1】 対象とする系で上下に異なる液体が層
をなしているときの層状態を知るための検出方法であっ
て、対象とする系から時系列的に得られる測定値もしく
は該測定値に基づく値をニューロコンピュータに入力し
、当該ニューロコンピュータより出力される信号と、こ
のとき実際のサンプリングにより知った層状態を示す信
号とを比較し、両信号の差分が規定値以下になるまで、
当該ニューロコンピュータにおける入力から出力への結
合の強さを示す重みを調整し、調整された重みを係数と
して有する入出力モデルを作り、この入出力モデルに測
定値もしくは該測定値に基づく値を入力し、このときの
出力から層状態を認識することを特徴とする層状態の検
出方法。 - 【請求項2】 各部位で得られた各測定値に代えて該
測定値の分散をニューロコンピュータへの入力とした請
求項1記載の層状態の検出方法。 - 【請求項3】 系での上下方向の各部位で得られた各
測定値に代えて各部位毎の温度測定値の平均値または温
度測定値に含まれる低周波成分の平均値を求め、上下で
隔て合う、前記平均値の差分をニューロコンピュータへ
の入力とした請求項1記載の層状態の検出方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP3082268A JP3049106B2 (ja) | 1990-11-01 | 1991-04-15 | 層状態の検出方法 |
MYPI91001976A MY115271A (en) | 1990-11-01 | 1991-10-25 | Detecting method of layer condition |
US07/783,128 US5321630A (en) | 1990-11-01 | 1991-10-28 | Method of detecting a layer level condition |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2-298651 | 1990-11-01 | ||
JP29865190 | 1990-11-01 | ||
JP3082268A JP3049106B2 (ja) | 1990-11-01 | 1991-04-15 | 層状態の検出方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH04218724A true JPH04218724A (ja) | 1992-08-10 |
JP3049106B2 JP3049106B2 (ja) | 2000-06-05 |
Family
ID=26423293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP3082268A Expired - Fee Related JP3049106B2 (ja) | 1990-11-01 | 1991-04-15 | 層状態の検出方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US5321630A (ja) |
JP (1) | JP3049106B2 (ja) |
MY (1) | MY115271A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107063387A (zh) * | 2017-03-28 | 2017-08-18 | 广东美的制冷设备有限公司 | 储水设备的水满检测方法、装置及除湿机 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020060694A1 (en) | 2018-09-21 | 2020-03-26 | Ecolab Usa Inc. | Portable fluid level monitoring device and method |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3886795A (en) * | 1973-11-19 | 1975-06-03 | Universal Oil Prod Co | Liquid interface level determining system |
US4280126A (en) * | 1979-05-14 | 1981-07-21 | Chemetron Corporation | Liquid level detector |
NO157676C (no) * | 1984-12-12 | 1988-04-27 | Petroleum Recovery Consultants | Apparat for testing av fluider. |
US4591946A (en) * | 1985-04-30 | 1986-05-27 | Southwest Pump Company | Capacitance probe for use in a measuring system for location of a liquid level interface |
SU1543241A1 (ru) * | 1986-10-20 | 1990-02-15 | Военно-воздушная инженерная Краснознаменная академия им.проф.Н.Е.Жуковского | Устройство дл определени границы раздела двух сред |
US4858147A (en) * | 1987-06-15 | 1989-08-15 | Unisys Corporation | Special purpose neurocomputer system for solving optimization problems |
CA1330722C (en) * | 1988-08-16 | 1994-07-19 | Donald Gerson | Method and apparatus for measuring the degree of mixing in a turbulent liquid system |
US4949572A (en) * | 1988-11-30 | 1990-08-21 | Computer Instruments Corporation | Method and apparatus for determining physical properties of liquids |
US5012683A (en) * | 1990-01-18 | 1991-05-07 | E. I. Dupont De Nemours And Company | Capacitive liquid interface sensor |
-
1991
- 1991-04-15 JP JP3082268A patent/JP3049106B2/ja not_active Expired - Fee Related
- 1991-10-25 MY MYPI91001976A patent/MY115271A/en unknown
- 1991-10-28 US US07/783,128 patent/US5321630A/en not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107063387A (zh) * | 2017-03-28 | 2017-08-18 | 广东美的制冷设备有限公司 | 储水设备的水满检测方法、装置及除湿机 |
Also Published As
Publication number | Publication date |
---|---|
JP3049106B2 (ja) | 2000-06-05 |
US5321630A (en) | 1994-06-14 |
MY115271A (en) | 2003-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Uebersax | A generalized kappa coefficient | |
CN107357275B (zh) | 非高斯工业过程故障检测方法及系统 | |
US20190086912A1 (en) | Method and system for generating two dimensional barcode including hidden data | |
CN102880905B (zh) | 一种常顶油干点在线软测量方法 | |
CN108803520A (zh) | 一种基于变量非线性自相关性剔除的动态过程监测方法 | |
CN110308002A (zh) | 一种基于地面检测的城轨列车悬挂系统故障诊断方法 | |
CN108362510B (zh) | 一种基于证据神经网络模型的机械产品故障模式识别方法 | |
CN110045317B (zh) | 一种互感器计量误差在线检测方法及系统 | |
CN106443566A (zh) | 基于大数据推演的电能计量装置误差检测方法及系统 | |
WO2021114320A1 (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
Elnokity et al. | ANN based sensor faults detection, isolation, and reading estimates–SFDIRE: applied in a nuclear process | |
CN108982096A (zh) | 基于启发式规则系统的工业机器人曲柄轴磨损检测方法 | |
CN111797365A (zh) | 一种换流变压器温度异常判断方法及系统 | |
CN116595327A (zh) | 水闸变形监测数据预处理系统及方法 | |
Kim et al. | Real-time diagnosis of semiconductor manufacturing equipment using a hybrid neural network expert system | |
CN108287964A (zh) | 一种基于加速度内积向量的灰云推理结构损伤识别方法 | |
CN110298385A (zh) | 一种基于*信息与增量svdd在线早期故障检测方法 | |
CN106647274B (zh) | 一种连续生产过程中运行工况稳态判别方法 | |
JPH04218724A (ja) | 層状態の検出方法 | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
Micalizzi et al. | Knowledge of results in visual inspection decisions: Sensitivity or criterion effect? | |
CN113125937A (zh) | 一种车载印刷电路板组件运行故障的快速预警方法 | |
CN106708786A (zh) | 一种基于传感器检测的铁塔问题严重程度计算方法及系统 | |
CN114399024B (zh) | 油气浓度大数据智能检测系统 | |
RU2470352C1 (ru) | Способ статистического регулирования технологического процесса (варианты) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |