JPH09128009A - ニューラルネットワークを使用して反応装置の状態パラメータを検出する方法 - Google Patents
ニューラルネットワークを使用して反応装置の状態パラメータを検出する方法Info
- Publication number
- JPH09128009A JPH09128009A JP8204996A JP20499696A JPH09128009A JP H09128009 A JPH09128009 A JP H09128009A JP 8204996 A JP8204996 A JP 8204996A JP 20499696 A JP20499696 A JP 20499696A JP H09128009 A JPH09128009 A JP H09128009A
- Authority
- JP
- Japan
- Prior art keywords
- reactor
- state
- neural network
- parameter
- nnb
- 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.)
- Withdrawn
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J19/0006—Controlling or regulating processes
- B01J19/0033—Optimalisation processes, i.e. processes with adaptive control systems
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D21/00—Control of chemical or physico-chemical variables, e.g. pH value
- G05D21/02—Control of chemical or physico-chemical variables, e.g. pH value characterised by the use of electric means
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/902—Application using ai with detail of the ai system
- Y10S706/903—Control
- Y10S706/906—Process plant
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
- Feedback Control In General (AREA)
- Physical Or Chemical Processes And Apparatus (AREA)
Abstract
(57)【要約】
【課題】 人工ニューラルネットワークを使用して、反
応装置の状態パラメータを求めること。 【解決手段】 １反応装置Ｒに対して、一連の測定量ｚ
ｋ（ｔｊ）が検出される。データ発生器ＤＧｂにより、
それぞれ、１タイプの臨界状態ＫＺを示す１所定標準形
ＮＦから、標準座標ξｉ内曲線が発生される。その際、
それぞれ１つのニューラルネットワークＮＮｂが、１デ
ータ発生器ＤＧｂに対応付けられているニューラルネッ
トワークＮＮｂにより、各標準形ＮＦが、一連の測定量
ｚｋ（ｔｊ）に投影される。この投影は、パラメータ最
適化方法を用いて最適化される。パラメータ最適化方法
を用いる際に、最適収束するニューラルネットワークＮ
Ｎｂにより、反応装置Ｒの実際の状態に最も近い臨界状
態ＫＺが示される。 【効果】 反応装置Ｒの状態パラメータを、自動的に、
高い信頼度で検出することができる。
応装置の状態パラメータを求めること。 【解決手段】 １反応装置Ｒに対して、一連の測定量ｚ
ｋ（ｔｊ）が検出される。データ発生器ＤＧｂにより、
それぞれ、１タイプの臨界状態ＫＺを示す１所定標準形
ＮＦから、標準座標ξｉ内曲線が発生される。その際、
それぞれ１つのニューラルネットワークＮＮｂが、１デ
ータ発生器ＤＧｂに対応付けられているニューラルネッ
トワークＮＮｂにより、各標準形ＮＦが、一連の測定量
ｚｋ（ｔｊ）に投影される。この投影は、パラメータ最
適化方法を用いて最適化される。パラメータ最適化方法
を用いる際に、最適収束するニューラルネットワークＮ
Ｎｂにより、反応装置Ｒの実際の状態に最も近い臨界状
態ＫＺが示される。 【効果】 反応装置Ｒの状態パラメータを、自動的に、
高い信頼度で検出することができる。
Description
【０００１】
【発明の属する技術分野】本発明は、人工ニューラルネ
ットワークを使用して反応装置の状態パラメータを検出
する方法に関する。
ットワークを使用して反応装置の状態パラメータを検出
する方法に関する。
【０００２】
【従来の技術】連続作動される反応装置では、突然且つ
予期せずに、反応装置の状態が跳躍的に変化してしまう
ことがある。例えば、反応装置の状態が、予期せずに跳
躍的に変化した場合、温度が急激に上昇したり、反応の
歩留まりが急速に低下してしまい、それにより、生成が
中断されたり、反応装置が致命的な障害を及ぼしたり故
障したりする。この様な現象は、以下の様な、いわゆる
「臨界状態」によって説明できる。
予期せずに、反応装置の状態が跳躍的に変化してしまう
ことがある。例えば、反応装置の状態が、予期せずに跳
躍的に変化した場合、温度が急激に上昇したり、反応の
歩留まりが急速に低下してしまい、それにより、生成が
中断されたり、反応装置が致命的な障害を及ぼしたり故
障したりする。この様な現象は、以下の様な、いわゆる
「臨界状態」によって説明できる。
【０００３】連続的な反応装置の動特性は、数学的に、
以下の様なパラメータ依存の微分方程式によって示され
る。即ち：
以下の様なパラメータ依存の微分方程式によって示され
る。即ち：
【０００４】
【数１】
【０００５】ここで、変数ｘは、ベクトルである。この
方程式には、反応装置の如何なる状態も含まれている。
方程式には、反応装置の如何なる状態も含まれている。
【０００６】例えば、これは、関与の化学結合物の濃度
又は混合物の温度であることがある。
又は混合物の温度であることがある。
【０００７】反応装置の特性は、複数の外部作用量μに
よって決められ、この外部作用量は、従事者/作業員又
は環境によって予め与えられている（例えば、反応装置
タンク内に物質が留まる平均滞留時間、冷却速度、反応
装置タンク内での物質の反応速度又は反応装置のタンク
圧力）。
よって決められ、この外部作用量は、従事者/作業員又
は環境によって予め与えられている（例えば、反応装置
タンク内に物質が留まる平均滞留時間、冷却速度、反応
装置タンク内での物質の反応速度又は反応装置のタンク
圧力）。
【０００８】反応装置は、定常的に、即ち、時間的に一
定状態で作動され、即ち：
定状態で作動され、即ち：
【０００９】
【数２】
【００１０】現下のパラメータ値μに依存して、大抵、
複数の可能な定常状態ｘ（μ）があり、この複数の定常
状態は、極めて複雑に相互に結合されている。
複数の可能な定常状態ｘ（μ）があり、この複数の定常
状態は、極めて複雑に相互に結合されている。
【００１１】その様な状況で、臨界状態が生じると、パ
ラメータμが変化した場合に、定常状態ｘ（μ）は崩
れ、乃至、不安定になる。その際、反応装置は、跳躍的
に一方の定常状態から直ぐ次の定常状態に変化するか、
又は、振動開始する。その結果、制御不能な状況になる
こともある。
ラメータμが変化した場合に、定常状態ｘ（μ）は崩
れ、乃至、不安定になる。その際、反応装置は、跳躍的
に一方の定常状態から直ぐ次の定常状態に変化するか、
又は、振動開始する。その結果、制御不能な状況になる
こともある。
【００１２】実際には、反応装置内で進行する過程を動
的に記述するのに、充分に正確な数学的モデルはない。
的に記述するのに、充分に正確な数学的モデルはない。
【００１３】そのため、外部作用量が全て分かっている
訳でもない。従って、重要なパラメータμが、当初、気
付かない内に変化することがある。この結果、臨界点に
達した場合に致命的な障害を及ぼしたり故障したりす
る。
訳でもない。従って、重要なパラメータμが、当初、気
付かない内に変化することがある。この結果、臨界点に
達した場合に致命的な障害を及ぼしたり故障したりす
る。
【００１４】所定臨界状態の局所環境内の連続的な反応
装置の動特性を、数学的に、パラメータ依存の微分方程
式、いわゆる標準形によって記述することができる(J.G
uckenheimer 他、Nonlinear Oscillations, Dynamical
Systems, andBifurcations of Vector Fields, Springe
r-Verlag,ISBN 0-540-90819-6,第117頁〜第165頁, 1983
年)。各標準形により、所定臨界状態のタイプが正確に
表現される。
装置の動特性を、数学的に、パラメータ依存の微分方程
式、いわゆる標準形によって記述することができる(J.G
uckenheimer 他、Nonlinear Oscillations, Dynamical
Systems, andBifurcations of Vector Fields, Springe
r-Verlag,ISBN 0-540-90819-6,第117頁〜第165頁, 1983
年)。各標準形により、所定臨界状態のタイプが正確に
表現される。
【００１５】
【発明が解決しようとする課題】本発明の課題は、人工
ニューラルネットワークを使用して、反応装置の状態パ
ラメータを求めることにある。
ニューラルネットワークを使用して、反応装置の状態パ
ラメータを求めることにある。
【００１６】
【課題を解決するための手段】この課題は、本発明によ
ると、 −一連の測定量ｚｋ（ｔｊ）；ｋ＝１．．ｍを反応装置
から検出し、その際、ｔｊ（ｊ＝１．．ｓ）は、前記一
連の測定量ｚｋ（ｔｊ）が検出される時点を示し、 −少なくとも一つのデータ発生器により、前記反応装置
の所定の１タイプの臨界状態を示す、それぞれ一つの所
定の標準形から、１標準座標（ξｉ；ｉ＝１．．ｎ）曲
線を発生し、 −各ニューラルネットワークのｎ個の入力側に、それぞ
れ１つの曲線を標準座標（ξｉ；ｉ＝１．．ｎ）で加
え、その際、前記各データ発生器に、１ニューラルネッ
トワークを対応させ、 −前記各ニューラルネットワーク及び該ニューラルネッ
トワークに対応して設けた各データ発生器を、パラメー
タ最適化方法を使用して、前記一連の測定量ｚ
ｋ（ｔｊ）に適合させ、その際、前記ニューラルネット
ワークの各出力側には、前記一連の測定量ｚｋ（ｔｊ）
の所定の１測定値を対応させ、 −前記パラメータ最適化方法により最適化された、前記
反応装置の状態パラメータを示すパラメータを後続処理
に使用するようにして解決される。
ると、 −一連の測定量ｚｋ（ｔｊ）；ｋ＝１．．ｍを反応装置
から検出し、その際、ｔｊ（ｊ＝１．．ｓ）は、前記一
連の測定量ｚｋ（ｔｊ）が検出される時点を示し、 −少なくとも一つのデータ発生器により、前記反応装置
の所定の１タイプの臨界状態を示す、それぞれ一つの所
定の標準形から、１標準座標（ξｉ；ｉ＝１．．ｎ）曲
線を発生し、 −各ニューラルネットワークのｎ個の入力側に、それぞ
れ１つの曲線を標準座標（ξｉ；ｉ＝１．．ｎ）で加
え、その際、前記各データ発生器に、１ニューラルネッ
トワークを対応させ、 −前記各ニューラルネットワーク及び該ニューラルネッ
トワークに対応して設けた各データ発生器を、パラメー
タ最適化方法を使用して、前記一連の測定量ｚ
ｋ（ｔｊ）に適合させ、その際、前記ニューラルネット
ワークの各出力側には、前記一連の測定量ｚｋ（ｔｊ）
の所定の１測定値を対応させ、 −前記パラメータ最適化方法により最適化された、前記
反応装置の状態パラメータを示すパラメータを後続処理
に使用するようにして解決される。
【００１７】
【発明の実施の形態】少なくとも一つの所定の標準形用
の少なくとも一つのデータ発生器により、複数曲線が標
準座標で発生される。この複数曲線は、それぞれ、固有
のニューラルネットワークによって、パラメータ最適化
方法を用いて、検出された複数測定量に変換される。ニ
ューラルネットワーク及びデータ発生器の最適化された
パラメータは、反応装置の状態パラメータとして使用さ
れる。
の少なくとも一つのデータ発生器により、複数曲線が標
準座標で発生される。この複数曲線は、それぞれ、固有
のニューラルネットワークによって、パラメータ最適化
方法を用いて、検出された複数測定量に変換される。ニ
ューラルネットワーク及びデータ発生器の最適化された
パラメータは、反応装置の状態パラメータとして使用さ
れる。
【００１８】請求項２及び３の、本発明の方法の実施例
により、反応装置の状態の安定度に関して検出した状態
パラメータも、反応装置の最も近いタイプの臨界状態の
検出に関して検出した状態パラメータも、直接評価する
ことができる。
により、反応装置の状態の安定度に関して検出した状態
パラメータも、反応装置の最も近いタイプの臨界状態の
検出に関して検出した状態パラメータも、直接評価する
ことができる。
【００１９】請求項４の本発明の方法の実施例により、
複数のデータ発生器を使用して、つまり、複数のタイプ
の臨界状態を考慮して、パラメータ最適化方法の間、全
てのデータ発生器及びニューラルネットワークの収束特
性から直接、反応装置の実際の状態に最も近い臨界状態
のタイプを推定することができる。
複数のデータ発生器を使用して、つまり、複数のタイプ
の臨界状態を考慮して、パラメータ最適化方法の間、全
てのデータ発生器及びニューラルネットワークの収束特
性から直接、反応装置の実際の状態に最も近い臨界状態
のタイプを推定することができる。
【００２０】有利な実施例は、従属請求項から得られ
る。
る。
【００２１】
【実施例】図１には、状態パラメータを特定すべき反応
装置Ｒが示されている。反応装置Ｒ内には、連続的に、
所定流入量で、化学物質ＥＣＳが流入する。反応装置Ｒ
内では、化学反応が起こり、その結果、流入した化学物
質ＥＣＳが別の化学物質ＣＳに変換される。生成された
化学物質ＣＳは、反応装置Ｒから連続的に流出する。そ
の際、それぞれの原子が、平均して反応装置Ｒ内に留ま
る時間は、平均滞留時間と呼ばれる。
装置Ｒが示されている。反応装置Ｒ内には、連続的に、
所定流入量で、化学物質ＥＣＳが流入する。反応装置Ｒ
内では、化学反応が起こり、その結果、流入した化学物
質ＥＣＳが別の化学物質ＣＳに変換される。生成された
化学物質ＣＳは、反応装置Ｒから連続的に流出する。そ
の際、それぞれの原子が、平均して反応装置Ｒ内に留ま
る時間は、平均滞留時間と呼ばれる。
【００２２】反応装置Ｒ内では、化学物質ＣＳは、複数
の外部作用量μｉ（ｉ＝１〜ｄ，ｄ∈Ｎ）の影響に曝さ
れている。
の外部作用量μｉ（ｉ＝１〜ｄ，ｄ∈Ｎ）の影響に曝さ
れている。
【００２３】各外部作用量μｉは、例えば、物質が反応
装置Ｒ内に滞留する平均滞留時間、反応装置Ｒの冷却速
度、反応速度（化学反応の速度を示す）、又は、反応装
置Ｒに加えられているタンク圧である。各外部作用量μ
ｉは、反応装置Ｒの従事者/作業員又は環境によって予
め与えられる。
装置Ｒ内に滞留する平均滞留時間、反応装置Ｒの冷却速
度、反応速度（化学反応の速度を示す）、又は、反応装
置Ｒに加えられているタンク圧である。各外部作用量μ
ｉは、反応装置Ｒの従事者/作業員又は環境によって予
め与えられる。
【００２４】前述の様な、外部作用量μｉと見なすこと
ができるパラメータは、可能な一例として挙げたに過ぎ
ず、決して包括的なものではない。その他の多くのパラ
メータが、反応装置Ｒの化学的特性に影響しており、従
って、更に別の各外部作用量μｉがあるのである。各外
部作用量μｉを全て列挙することは、差し当たり不可能
なのである。
ができるパラメータは、可能な一例として挙げたに過ぎ
ず、決して包括的なものではない。その他の多くのパラ
メータが、反応装置Ｒの化学的特性に影響しており、従
って、更に別の各外部作用量μｉがあるのである。各外
部作用量μｉを全て列挙することは、差し当たり不可能
なのである。
【００２５】従って、このことから、反応装置Ｒの動特
性を記述するための微分方程式系の形式での大域的(グ
ローバル)な数学的モデルを定義することは不可能であ
ることが直ぐ分かるのである。大域的(グローバル)で正
確な数学的モデル定立の際に前提となるのは、少なくと
も、外部作用量μｉ全てを認識することであるが，その
様な認識は存在しないのである。
性を記述するための微分方程式系の形式での大域的(グ
ローバル)な数学的モデルを定義することは不可能であ
ることが直ぐ分かるのである。大域的(グローバル)で正
確な数学的モデル定立の際に前提となるのは、少なくと
も、外部作用量μｉ全てを認識することであるが，その
様な認識は存在しないのである。
【００２６】分かっている各作用量μｉを評価すること
もまた、形式的には不可能なのである。即ち、どの様な
各作用量μｉが、反応装置Ｒの動特性及び反応装置Ｒ内
にある化学物質ＣＳに、どの様な作用を及ぼすのか、依
然として正確には分からないのである。
もまた、形式的には不可能なのである。即ち、どの様な
各作用量μｉが、反応装置Ｒの動特性及び反応装置Ｒ内
にある化学物質ＣＳに、どの様な作用を及ぼすのか、依
然として正確には分からないのである。
【００２７】以下、普遍妥当性を制限しないようにし
て、本発明の方法について、外部作用量μのみを用いて
説明する。この外部作用量μは、分かっている各外部作
用量μｉ全てを有する１ベクトルとして理解することが
できる。この場合でも、以下説明する有利な実施例は、
正確に同じ様に適用することができる。一次元の１作用
量μだけに減縮することによって、本発明の方法を極め
て分かり易く、従って、極めて簡単に説明することがで
きるようになるのである。
て、本発明の方法について、外部作用量μのみを用いて
説明する。この外部作用量μは、分かっている各外部作
用量μｉ全てを有する１ベクトルとして理解することが
できる。この場合でも、以下説明する有利な実施例は、
正確に同じ様に適用することができる。一次元の１作用
量μだけに減縮することによって、本発明の方法を極め
て分かり易く、従って、極めて簡単に説明することがで
きるようになるのである。
【００２８】既述の様に、連続的な反応装置Ｒの動特性
は、数学的に、パラメータ依存の微分方程式によって記
述することができる。即ち；
は、数学的に、パラメータ依存の微分方程式によって記
述することができる。即ち；
【００２９】
【数３】
【００３０】反応装置Ｒは、定常状態、即ち、時間的に
一定の状態で記述することができる。即ち；
一定の状態で記述することができる。即ち；
【００３１】
【数４】
【００３２】作用量μに依存して、反応装置Ｒの大抵複
数の可能な定常状態ｘ（μ）があるが、これら各定常状
態は、極めて複雑に相互に結合されている。
数の可能な定常状態ｘ（μ）があるが、これら各定常状
態は、極めて複雑に相互に結合されている。
【００３３】図２は、反応装置の温度Ｔをパラメータμ
で示した、反応装置の定常状態の依存性の実例の曲線を
示す図である。
で示した、反応装置の定常状態の依存性の実例の曲線を
示す図である。
【００３４】図２では、例として、簡単な反応装置モデ
ル(J.Moiola他、ComputingBifurcation Points Via Cha
racteristic Gain Loci, IEEE Trans. Autom.Contr., 3
6, 第358頁〜第362頁, 1991年 で論議されている)を用
いて、反応装置Ｒの定常状態ｘ（μ）の、各作用量μへ
の依存性を示す関数について説明する。
ル(J.Moiola他、ComputingBifurcation Points Via Cha
racteristic Gain Loci, IEEE Trans. Autom.Contr., 3
6, 第358頁〜第362頁, 1991年 で論議されている)を用
いて、反応装置Ｒの定常状態ｘ（μ）の、各作用量μへ
の依存性を示す関数について説明する。
【００３５】この簡単な反応装置モデルでは、各作用量
μは、化学物質ＣＳが反応装置Ｒ内に留まる平均滞留時
間によって示されている。つまり、図２には、各作用量
μ（この例では、化学物質ＣＳが反応装置Ｒ内に留まる
平均滞留時間）に依存する反応装置Ｒの、温度Ｔ（反応
装置Ｒの定常状態ｘ（μ）に相応する）への依存性につ
いて示されている。
μは、化学物質ＣＳが反応装置Ｒ内に留まる平均滞留時
間によって示されている。つまり、図２には、各作用量
μ（この例では、化学物質ＣＳが反応装置Ｒ内に留まる
平均滞留時間）に依存する反応装置Ｒの、温度Ｔ（反応
装置Ｒの定常状態ｘ（μ）に相応する）への依存性につ
いて示されている。
【００３６】反応装置Ｒは、比較的小さな第１の温度Ｔ
１での第１の状態であるとする。反応装置Ｒは、化学物
質ＣＳが反応装置Ｒ内に留まる第１の滞留時間μ１での
第１の状態にある。平均滞留時間μ、つまり、外部作用
量μが、緩慢に、且つ、感知不可能な程度で増大した場
合、このことは、図２から分かる様に、そもそも、反応
装置Ｒの温度Ｔに大して影響を及ぼさないのである。
１での第１の状態であるとする。反応装置Ｒは、化学物
質ＣＳが反応装置Ｒ内に留まる第１の滞留時間μ１での
第１の状態にある。平均滞留時間μ、つまり、外部作用
量μが、緩慢に、且つ、感知不可能な程度で増大した場
合、このことは、図２から分かる様に、そもそも、反応
装置Ｒの温度Ｔに大して影響を及ぼさないのである。
【００３７】しかし、第１の臨界状態ＫＺ１が、平均滞
留時間μ２で超過されないと即座に、反応装置Ｒの温度
Ｔは、突然、新たな、比較的高いレベルに跳躍的に変化
する。このことは、図２に、第１の臨界状態ＫＺ１から
始まる矢印Ｐによって示されている。
留時間μ２で超過されないと即座に、反応装置Ｒの温度
Ｔは、突然、新たな、比較的高いレベルに跳躍的に変化
する。このことは、図２に、第１の臨界状態ＫＺ１から
始まる矢印Ｐによって示されている。
【００３８】反応装置Ｒ内の化学物質ＣＳが第２の温度
Ｔ２になったとする。平均滞留時間μが再び低下して
も、つまり、比較的複合的な反応装置モデルで、任意の
外部作用量μｉが再び低下しても、反応装置Ｒの温度Ｔ
は、最早元の値、つまり、第１の温度Ｔ１に戻らず、依
然として、第２の温度Ｔ２の近傍の非常に高いレベルに
留まる。
Ｔ２になったとする。平均滞留時間μが再び低下して
も、つまり、比較的複合的な反応装置モデルで、任意の
外部作用量μｉが再び低下しても、反応装置Ｒの温度Ｔ
は、最早元の値、つまり、第１の温度Ｔ１に戻らず、依
然として、第２の温度Ｔ２の近傍の非常に高いレベルに
留まる。
【００３９】しかし、作用量μ、つまり、平均滞留時間
μが、第３の滞留時間μ３以下に低下すると、この場合
には、反応装置の温度Ｔは、最早時間的に一定ではな
く、振動し始める。この様な振動は、反応装置Ｒの第２
の臨界状態ＫＺ２の達成時点から生じる。臨界状態ＫＺ
１，ＫＺ２，ＫＺ３，ＫＺ４は、数学的には、局所分枝
点(lokale Bifurkation)と呼ばれ、反応装置Ｒの跳躍的
変化特性の原因である。
μが、第３の滞留時間μ３以下に低下すると、この場合
には、反応装置の温度Ｔは、最早時間的に一定ではな
く、振動し始める。この様な振動は、反応装置Ｒの第２
の臨界状態ＫＺ２の達成時点から生じる。臨界状態ＫＺ
１，ＫＺ２，ＫＺ３，ＫＺ４は、数学的には、局所分枝
点(lokale Bifurkation)と呼ばれ、反応装置Ｒの跳躍的
変化特性の原因である。
【００４０】複数タイプの臨界状態ＫＺを、この臨界状
態が、反応装置Ｒの安定度へ及ぼす質的な影響に応じて
区別することが行われている。
態が、反応装置Ｒの安定度へ及ぼす質的な影響に応じて
区別することが行われている。
【００４１】反応装置Ｒ内で経過している過程を動的に
記述するための大域的(グローバル)且つ充分正確なモデ
ルはない。
記述するための大域的(グローバル)且つ充分正確なモデ
ルはない。
【００４２】そのため、既述の様に、外部作用量μｉが
全て分かっているのでもない。従って、重要なパラメー
タ、つまり、外部作用量μｉを、差し当たり感知できな
い程度変えることができるが、このことは、外部作用量
μを変えることによって臨界状態に達成した場合には、
致命的な障害を及ぼしたり故障となったりする。
全て分かっているのでもない。従って、重要なパラメー
タ、つまり、外部作用量μｉを、差し当たり感知できな
い程度変えることができるが、このことは、外部作用量
μを変えることによって臨界状態に達成した場合には、
致命的な障害を及ぼしたり故障となったりする。
【００４３】本発明の方法によると、反応装置Ｒの作動
中、一連の測定量ｚｋ（ｔｊ）を用いて、反応装置Ｒの
状態が臨界状態ＫＺに接近するかどうか検出することが
できる。
中、一連の測定量ｚｋ（ｔｊ）を用いて、反応装置Ｒの
状態が臨界状態ＫＺに接近するかどうか検出することが
できる。
【００４４】つまり、一連の測定量ｚｋ（ｔｊ）によっ
て示される目下の定常状態の環境内での反応装置の動特
性を測定しなければならない。そのため、反応装置Ｒの
平衡状態が妨げられ、その際、例えば、流入する化学物
質ＥＣＳの流入体積が、短時間増減する。
て示される目下の定常状態の環境内での反応装置の動特
性を測定しなければならない。そのため、反応装置Ｒの
平衡状態が妨げられ、その際、例えば、流入する化学物
質ＥＣＳの流入体積が、短時間増減する。
【００４５】反応装置Ｒを、実際の定常状態Ｚから非定
常状態にして、「反応装置Ｒの、定常状態への戻り」具
合を測定する別の手段は、各当業者に周知であり、即座
に使用できるのである。
常状態にして、「反応装置Ｒの、定常状態への戻り」具
合を測定する別の手段は、各当業者に周知であり、即座
に使用できるのである。
【００４６】重要なことは、反応装置Ｒが再び定常的な
出発状態に振動しながら戻る期間中、幾つかの状態量、
例えば、化学物質ＣＳ内に含まれる物質の濃度、反応装
置Ｒ内の化学物質ＣＳの温度Ｔ、又は、同様の、当業者
にとって有意義な量、又は、状態依存量、例えば、反応
装置Ｒ内の圧力、導電度、等が検出されることである。
出発状態に振動しながら戻る期間中、幾つかの状態量、
例えば、化学物質ＣＳ内に含まれる物質の濃度、反応装
置Ｒ内の化学物質ＣＳの温度Ｔ、又は、同様の、当業者
にとって有意義な量、又は、状態依存量、例えば、反応
装置Ｒ内の圧力、導電度、等が検出されることである。
【００４７】つまり、測定量ｚｋ（ｔｊ）１の時間依存
シーケンスが得られ、その際、ｔｊは、それぞれの測定
量が求められる時点を示し、インデックスｋは、測定さ
れるそれぞれの状態量を一義的に識別し、つまり、例え
ば、物質の濃度、時点ｔｊでの反応装置Ｒ内の化学物質
ＣＳの温度Ｔ、又は、反応装置Ｒ内の圧力等である。
シーケンスが得られ、その際、ｔｊは、それぞれの測定
量が求められる時点を示し、インデックスｋは、測定さ
れるそれぞれの状態量を一義的に識別し、つまり、例え
ば、物質の濃度、時点ｔｊでの反応装置Ｒ内の化学物質
ＣＳの温度Ｔ、又は、反応装置Ｒ内の圧力等である。
【００４８】臨界状態ＫＺの近傍での各系の動特性は、
特別に換算された座標、標準座標ξｉで記述される。
特別に換算された座標、標準座標ξｉで記述される。
【００４９】反応装置Ｒの動特性を記述する微分方程式
【００５０】
【数５】
【００５１】は、人工座標系に変換される。この人工座
標系の座標は、標準座標ξｉと呼ばれる。この様にして
変換された微分方程式 (標準座標ξｉでの反応装置Ｒの
動特性を記述する)は、標準形式ＮＦと呼ばれる。
標系の座標は、標準座標ξｉと呼ばれる。この様にして
変換された微分方程式 (標準座標ξｉでの反応装置Ｒの
動特性を記述する)は、標準形式ＮＦと呼ばれる。
【００５２】各標準形式ＮＦは、公知であり、一般に、
非常に簡単な、パラメータ依存の微分方程式(１つ又は
２つの座標)である(J.Guckenheimer 他、 Nonlinear Os
cillations, Dynamical Systems, and Bifurcations of
Vector-Fields, Springer-Verlag, ISBN 3-540-90819-
6, 第117頁〜第165頁、1983年)。
非常に簡単な、パラメータ依存の微分方程式(１つ又は
２つの座標)である(J.Guckenheimer 他、 Nonlinear Os
cillations, Dynamical Systems, and Bifurcations of
Vector-Fields, Springer-Verlag, ISBN 3-540-90819-
6, 第117頁〜第165頁、1983年)。
【００５３】この刊行物から同様に分かる様に、臨界状
態ＫＺの近傍での種々の反応装置の動特性は、同一タイ
プの標準座標ξｉでの同一標準形式ＮＦを示す。つま
り、各標準形式ＮＦは、正確に１タイプの臨界状態ＫＺ
を示す。
態ＫＺの近傍での種々の反応装置の動特性は、同一タイ
プの標準座標ξｉでの同一標準形式ＮＦを示す。つま
り、各標準形式ＮＦは、正確に１タイプの臨界状態ＫＺ
を示す。
【００５４】図３及び４では、標準座標ξｉでの標準形
式ＮＦの典型的な解曲線の原理的な２つの時間経過特性
が示されている。図３には、反転点ＵＰの周辺での経過
特性が示されている。図２の臨界状態ＫＺ１及びＫＺ３
は、このタイプである。
式ＮＦの典型的な解曲線の原理的な２つの時間経過特性
が示されている。図３には、反転点ＵＰの周辺での経過
特性が示されている。図２の臨界状態ＫＺ１及びＫＺ３
は、このタイプである。
【００５５】図４には、標準座標ξｉでの他の標準形式
ＮＦの解曲線ξｉ（ｔ）が示されている。この標準形式
により、いわゆるホップの分岐点(HopfschenVerzweigun
gspunkt)ＨＰの、臨界状態ＫＺの周辺での動特性が記述
される。図２では、臨界状態ＫＺ２及びＫＺ４により、
それぞれホップの分岐点ＨＰが示される。
ＮＦの解曲線ξｉ（ｔ）が示されている。この標準形式
により、いわゆるホップの分岐点(HopfschenVerzweigun
gspunkt)ＨＰの、臨界状態ＫＺの周辺での動特性が記述
される。図２では、臨界状態ＫＺ２及びＫＺ４により、
それぞれホップの分岐点ＨＰが示される。
【００５６】別のタイプの臨界状態ＫＺ、及び、それに
対応した標準形式ＮＦは、当業者に知られており、J.Gu
ckenheimer 他、Nonlinear Oscillations, Dynamical S
ystems, and Bifurcations of Vector Fields, Springe
r-Verlag, ISBN3-540-90819-6, 第117頁〜第165頁、198
3年に記載されている。従って、本発明の方法は、使用
した標準形式ＮＦに関する有利な実施例に制限されず、
各当業者に知られている如何なる任意の標準形式ＮＦの
場合にも実行することができる。
対応した標準形式ＮＦは、当業者に知られており、J.Gu
ckenheimer 他、Nonlinear Oscillations, Dynamical S
ystems, and Bifurcations of Vector Fields, Springe
r-Verlag, ISBN3-540-90819-6, 第117頁〜第165頁、198
3年に記載されている。従って、本発明の方法は、使用
した標準形式ＮＦに関する有利な実施例に制限されず、
各当業者に知られている如何なる任意の標準形式ＮＦの
場合にも実行することができる。
【００５７】各標準形式ＮＦは、公知のパラメータ依存
の微分方程式：
の微分方程式：
【００５８】
【数６】
【００５９】である。この際、ベクトルξは、標準座標
ξｉのベクトルを示す。標準座標ξｉは、反応装置Ｒの
直接測定できない隠蔽された状態として解釈することが
でき、この状態は、アプリオリには知られていない関係
を介して、反応装置Ｒの実際の状態 ｘと関連している。
ξｉのベクトルを示す。標準座標ξｉは、反応装置Ｒの
直接測定できない隠蔽された状態として解釈することが
でき、この状態は、アプリオリには知られていない関係
を介して、反応装置Ｒの実際の状態 ｘと関連している。
【００６０】λは、それぞれの標準形式ＮＦの安定度パ
ラメータを示す。この安定度パラメータλが負に大きく
なればなる程、それぞれの標準形式ＮＦによって表され
る臨界状態ＫＺと実際の状態ｘとの距離は、大きくな
る。
ラメータを示す。この安定度パラメータλが負に大きく
なればなる程、それぞれの標準形式ＮＦによって表され
る臨界状態ＫＺと実際の状態ｘとの距離は、大きくな
る。
【００６１】つまり、安定度パラメータλ＜０ならば、
反応装置Ｒは、安定状態である。安定度パラメータλ＝
０ならば、反応装置Ｒの状態は、臨界的である。安定度
パラメータλ＞０ならば、反応装置Ｒは、非安定状態で
ある。
反応装置Ｒは、安定状態である。安定度パラメータλ＝
０ならば、反応装置Ｒの状態は、臨界的である。安定度
パラメータλ＞０ならば、反応装置Ｒは、非安定状態で
ある。
【００６２】反転点ＵＰ及びホップの分岐点に対して
は、以下の式（表）で、標準形式ＮＦが示される。
は、以下の式（表）で、標準形式ＮＦが示される。
【００６３】反転点ＵＰ：
【００６４】
【数７】
【００６５】ホップの分岐点：
【００６６】
【数８】
【００６７】付加的な標準形式パラメータｐａｒｐによ
り、臨界(停留)点、つまり、それぞれの臨界状態ＫＺの
タイプが、比較的正確に定義される。
り、臨界(停留)点、つまり、それぞれの臨界状態ＫＺの
タイプが、比較的正確に定義される。
【００６８】インデックスｐは、それぞれの標準パラメ
ータｐａｒｐを一義的に示す。インデックスｐは、自然
数である。
ータｐａｒｐを一義的に示す。インデックスｐは、自然
数である。
【００６９】標準形式パラメータの符号に依存して、例
えば、ホップの分岐点の場合、反応装置Ｒの安定した周
期的状態が期待できるかどうか検出することができる。
つまり、標準座標ξｉでの反応装置Ｒの反応の動特性の
モデリングにより得られる効果は、臨界状態ＫＺの直ぐ
次の周辺での反応装置Ｒの動特性を記述するのに簡単な
数式で充分であり、一連の測定量ｚｋ（ｔｊ）によって
決定される反応装置Ｒの実際に測定された状態と、直ぐ
次の臨界状態ＫＺとの距離を、それぞれの標準形式Ｎ
Ｆ、同様に、臨界状態ＫＺのタイプから、直接読み取る
ことができるということである。
えば、ホップの分岐点の場合、反応装置Ｒの安定した周
期的状態が期待できるかどうか検出することができる。
つまり、標準座標ξｉでの反応装置Ｒの反応の動特性の
モデリングにより得られる効果は、臨界状態ＫＺの直ぐ
次の周辺での反応装置Ｒの動特性を記述するのに簡単な
数式で充分であり、一連の測定量ｚｋ（ｔｊ）によって
決定される反応装置Ｒの実際に測定された状態と、直ぐ
次の臨界状態ＫＺとの距離を、それぞれの標準形式Ｎ
Ｆ、同様に、臨界状態ＫＺのタイプから、直接読み取る
ことができるということである。
【００７０】いずれにせよ、標準座標ξｉは、実際の反
応装置Ｒでの一連の測定量ｚｋ（ｔｊ）との関連が分か
らない、測定不可能な隠蔽された人工的な状態である。
応装置Ｒでの一連の測定量ｚｋ（ｔｊ）との関連が分か
らない、測定不可能な隠蔽された人工的な状態である。
【００７１】従って、それぞれの臨界状態ＫＺの標準形
式ＮＦの解曲線を一連の測定量ｚｋ（ｔｊ）の形式で写
像する変換を見つける必要があり、その写像から、一方
では、どのタイプの臨界状態ＫＺが、直ぐ次の状態であ
るのか、又、他方では、実際の状態が臨界状態からどの
程度距離があるのかが分かる様な変換を見つける必要が
ある。
式ＮＦの解曲線を一連の測定量ｚｋ（ｔｊ）の形式で写
像する変換を見つける必要があり、その写像から、一方
では、どのタイプの臨界状態ＫＺが、直ぐ次の状態であ
るのか、又、他方では、実際の状態が臨界状態からどの
程度距離があるのかが分かる様な変換を見つける必要が
ある。
【００７２】図５に示されている様に、この変換は、時
点ｔｊでの標準座標ξｉから、同じ時点ｔｊでの一連の
測定量ｚｋ（ｔｊ）に、ニューラルネットワークＮＮｂ
によって実行される。
点ｔｊでの標準座標ξｉから、同じ時点ｔｊでの一連の
測定量ｚｋ（ｔｊ）に、ニューラルネットワークＮＮｂ
によって実行される。
【００７３】インデックスｂは、自然数であり、それぞ
れのニューラルネットワークＮＮｂを一義的に識別す
る。
れのニューラルネットワークＮＮｂを一義的に識別す
る。
【００７４】それぞれ一つの標準形式ＮＦの時間依存の
解曲線を示す（例えば、図３及び４に示されている様
に）標準座標ξｉ（ｔｊ）は、ニューラルネットワーク
ＮＮｂの各入力量である。
解曲線を示す（例えば、図３及び４に示されている様
に）標準座標ξｉ（ｔｊ）は、ニューラルネットワーク
ＮＮｂの各入力量である。
【００７５】標準座標ξｉでの標準形式ＮＦの解曲線
は、それぞれ一つのデータ発生器ＤＧｂにより発生され
る。つまり、個数ｃの、使用された標準形式ＮＦの場
合、即ち、反応装置Ｒの動特性を検査する際にｃ個の種
々のタイプの臨界状態ＫＺを考慮する場合、正確にｃ個
の種々異なったデータ発生器ＤＧｂが使用され、各デー
タ発生器は、それぞれ標準座標
は、それぞれ一つのデータ発生器ＤＧｂにより発生され
る。つまり、個数ｃの、使用された標準形式ＮＦの場
合、即ち、反応装置Ｒの動特性を検査する際にｃ個の種
々のタイプの臨界状態ＫＺを考慮する場合、正確にｃ個
の種々異なったデータ発生器ＤＧｂが使用され、各デー
タ発生器は、それぞれ標準座標
【００７６】
【数９】
【００７７】での標準形式ＮＦの解曲線を発生する。
【００７８】インデックスｂは、自然数であり、同様
に、各データ発生器ＤＧｂを一義的に識別する。と言う
のは、それぞれ一つのデータ発生器ＤＧｂが、一つのニ
ューラルネットワークＮＮｂに対応付けられているから
である。
に、各データ発生器ＤＧｂを一義的に識別する。と言う
のは、それぞれ一つのデータ発生器ＤＧｂが、一つのニ
ューラルネットワークＮＮｂに対応付けられているから
である。
【００７９】つまり、同様に、使用された各データ発生
器ＤＧｂに対して、それぞれ一つのニューラルネットワ
ークＮＮｂが設けられている。
器ＤＧｂに対して、それぞれ一つのニューラルネットワ
ークＮＮｂが設けられている。
【００８０】各ニューラルネットワークＮＮｂの数ｎ個
の入力側は、種々の標準座標
の入力側は、種々の標準座標
【００８１】
【数１０】
【００８２】の数、つまり、標準座標ベクトルξの次元
に等しい。
に等しい。
【００８３】各ニューラルネットワークＮＮｂの各出力
側の数は、反応装置Ｒにより検出されて、反応装置Ｒの
その都度の実際の状態を示す測定量ｚｋ（ｔｊ）の数で
ある。
側の数は、反応装置Ｒにより検出されて、反応装置Ｒの
その都度の実際の状態を示す測定量ｚｋ（ｔｊ）の数で
ある。
【００８４】標準座標ξｉから一連の測定量ｚ
ｋ（ｔｊ）への変換(これまで知られていなかった)は、
近似的に見付けることができる。つまり、全てのニュー
ラルネットワークＮＮｂ及び全てのデータ発生器ＤＧｂ
が、一連の測定量ｚｋ（ｔｊ）に適合され(２，４及び
５)、その際、それぞれ一つのデータ発生器ＤＧｂ及び
ニューラルネットワークＮＮｂは、相互に対応付けられ
ていて、それぞれ一連の測定量ｚｋ（ｔｊ）に適合され
ており、即ち、ニューラルネットワークＮＮｂの各出力
量
ｋ（ｔｊ）への変換(これまで知られていなかった)は、
近似的に見付けることができる。つまり、全てのニュー
ラルネットワークＮＮｂ及び全てのデータ発生器ＤＧｂ
が、一連の測定量ｚｋ（ｔｊ）に適合され(２，４及び
５)、その際、それぞれ一つのデータ発生器ＤＧｂ及び
ニューラルネットワークＮＮｂは、相互に対応付けられ
ていて、それぞれ一連の測定量ｚｋ（ｔｊ）に適合され
ており、即ち、ニューラルネットワークＮＮｂの各出力
量
【００８５】
【数１１】
【００８６】は、一連の各測定量ｚｋ（ｔｊ）に適合さ
れている。この際、ニューラルネットワークＮＮｂの、
それぞれ一つの出力量
れている。この際、ニューラルネットワークＮＮｂの、
それぞれ一つの出力量
【００８７】
【数１２】
【００８８】は、測定量ｚｋ（ｔｊ）に適合されている
ようにするのである。
ようにするのである。
【００８９】インデックスｂは、ニューラルネットワー
クＮＮｂの各出力量
クＮＮｂの各出力量
【００９０】
【数１３】
【００９１】に対して、ニューラルネットワークＮＮ
ｂ、及び、それに対応して配属されたデータ発生器ＤＧ
ｂを示す。別のインデックスｋは、それぞれの測定量ｚ
ｋ（ｔｊ）に適合されるべき、ニューラルネットワーク
ＮＮｂのそれぞれの出力側を示す。
ｂ、及び、それに対応して配属されたデータ発生器ＤＧ
ｂを示す。別のインデックスｋは、それぞれの測定量ｚ
ｋ（ｔｊ）に適合されるべき、ニューラルネットワーク
ＮＮｂのそれぞれの出力側を示す。
【００９２】安定度パラメータλ及び標準形式パラメー
タｐａｒｐの算出のための、ニューラルネットワークＮ
Ｎｂ及びパラメータ適合問題は、数理に関する数学の最
適化問題の解法用の公知アルゴリズムを用いて解決され
る(例えば、Levenberg-Marquardt-法(P. Gill 他、Prac
tical Optimization, Academic Press, London, ISBN0-
12-283952-8, 第136-137頁、1981年; 及び、J. More, T
he Levenberg-Marquardt アルゴリズム: Implementatio
n and Theory, Numerical Analysis, LectureNotes in
Mathematics 630, Springer Verlag, 第105-116頁、197
7年))。
タｐａｒｐの算出のための、ニューラルネットワークＮ
Ｎｂ及びパラメータ適合問題は、数理に関する数学の最
適化問題の解法用の公知アルゴリズムを用いて解決され
る(例えば、Levenberg-Marquardt-法(P. Gill 他、Prac
tical Optimization, Academic Press, London, ISBN0-
12-283952-8, 第136-137頁、1981年; 及び、J. More, T
he Levenberg-Marquardt アルゴリズム: Implementatio
n and Theory, Numerical Analysis, LectureNotes in
Mathematics 630, Springer Verlag, 第105-116頁、197
7年))。
【００９３】各当業者に周知な、任意の他のパラメータ
最適化方法を使用することもできる。
最適化方法を使用することもできる。
【００９４】ニューラルネットワークＮＮｂの適合化及
びデータ発生器ＤＧｂの適合化は、大きなニューラルネ
ットワークＧＮＮｂのパラメータ最適化問題に統合する
ことができる。つまり、パラメータ最適化問題乃至パラ
メータ適合問題が解決されなければならない（図５参
照）。
びデータ発生器ＤＧｂの適合化は、大きなニューラルネ
ットワークＧＮＮｂのパラメータ最適化問題に統合する
ことができる。つまり、パラメータ最適化問題乃至パラ
メータ適合問題が解決されなければならない（図５参
照）。
【００９５】反応装置Ｒの実際の状態が近傍に位置して
いる臨界状態ＫＺのタイプは、アプリオリには分からな
いので、有利には、種々異なった複数の標準形式ＮＦ、
従って、種々異なった複数のデータ発生器ＤＧｂ及び当
該データ発生器に対応して配属されている種々異なった
複数のニューラルネットワークＮＮｂを考慮するとよ
い。
いる臨界状態ＫＺのタイプは、アプリオリには分からな
いので、有利には、種々異なった複数の標準形式ＮＦ、
従って、種々異なった複数のデータ発生器ＤＧｂ及び当
該データ発生器に対応して配属されている種々異なった
複数のニューラルネットワークＮＮｂを考慮するとよ
い。
【００９６】パラメータ最適化が実行されるプロセス制
御計算機の効率に応じて、任意数の臨界状態ＫＺ（比較
的高い次数でもある）を検査することができる。パラメ
ータ最適化を、種々異なる基準に応じて実行することが
できる。
御計算機の効率に応じて、任意数の臨界状態ＫＺ（比較
的高い次数でもある）を検査することができる。パラメ
ータ最適化を、種々異なる基準に応じて実行することが
できる。
【００９７】例えば、この基準は、データ発生器ＤＧｂ
とニューラルネットワークＮＮｂとの組合せを、一連の
測定量ｚｋ（ｔｊ）にできる限り良好に適合させ、その
際、二乗誤差ｅｒｒが最小になる様にされる。
とニューラルネットワークＮＮｂとの組合せを、一連の
測定量ｚｋ（ｔｊ）にできる限り良好に適合させ、その
際、二乗誤差ｅｒｒが最小になる様にされる。
【００９８】
【数１４】
【００９９】任意の最適化基準、例えば、最大偏差の絶
対値の最小化、又は、同様の最適化基準を使用すること
ができるということも、同様に考えることができ、各当
業者にとって容易に分かることである。
対値の最小化、又は、同様の最適化基準を使用すること
ができるということも、同様に考えることができ、各当
業者にとって容易に分かることである。
【０１００】標準座標ξｉでの各標準形式ＮＦにより、
標準座標ξｉでの他の標準形式ＮＦの他の曲線の経過特
性とは著しく区別される（図３及び図４にも示されてい
る様な）非常に特徴的な独自の経過特性を持った曲線が
形成されるので、所定シーケンスの測定量ｚｋ（ｔｊ）
の場合、それぞれ正確に一つのニューラルネットワーク
ＮＮｂ及び該ニューラルネットワークＮＮｂに対応して
配属されたデータ発生器ＤＧｂは、他のニューラルネッ
トワークＮＮ及び該ネットワークに対応して配属されて
いるデータ発生器ＤＧよりも数オーダ(次数)より良く、
即ち、より高速に、且つ、数オーダ(次数)小さな近似誤
差ｅｒｒになる迄収束する。
標準座標ξｉでの他の標準形式ＮＦの他の曲線の経過特
性とは著しく区別される（図３及び図４にも示されてい
る様な）非常に特徴的な独自の経過特性を持った曲線が
形成されるので、所定シーケンスの測定量ｚｋ（ｔｊ）
の場合、それぞれ正確に一つのニューラルネットワーク
ＮＮｂ及び該ニューラルネットワークＮＮｂに対応して
配属されたデータ発生器ＤＧｂは、他のニューラルネッ
トワークＮＮ及び該ネットワークに対応して配属されて
いるデータ発生器ＤＧよりも数オーダ(次数)より良く、
即ち、より高速に、且つ、数オーダ(次数)小さな近似誤
差ｅｒｒになる迄収束する。
【０１０１】この様な収束特性により、評価ユニットＢ
Ｅでは、どのニューラルネットワークＮＮｂ、どのデー
タ発生器ＤＧｂ、従って、どの標準形式ＮＦが実際の状
態に最も近いのかについて推定される。つまり、その都
度最適収束する、標準形式ＮＦの変換が、該標準形式Ｎ
Ｆに対応して配属された、それぞれのニューラルネット
ワークＮＮｂによって実行され、該ニューラルネットワ
ークにより、測定量ｚｋ（ｔｊ）のシーケンスに最適写
像することができる。
Ｅでは、どのニューラルネットワークＮＮｂ、どのデー
タ発生器ＤＧｂ、従って、どの標準形式ＮＦが実際の状
態に最も近いのかについて推定される。つまり、その都
度最適収束する、標準形式ＮＦの変換が、該標準形式Ｎ
Ｆに対応して配属された、それぞれのニューラルネット
ワークＮＮｂによって実行され、該ニューラルネットワ
ークにより、測定量ｚｋ（ｔｊ）のシーケンスに最適写
像することができる。
【０１０２】従って、大きなニューラルネットワークＧ
ＮＮｂ全ての収束特性から、直接、どのタイプの臨界状
態ＫＺ、つまり、どの標準形式ＮＦが、反応装置Ｒの実
際の状態に最も近いのかという情報が得られる（６）。
ＮＮｂ全ての収束特性から、直接、どのタイプの臨界状
態ＫＺ、つまり、どの標準形式ＮＦが、反応装置Ｒの実
際の状態に最も近いのかという情報が得られる（６）。
【０１０３】パラメータ最適化方法の実行後、安定度パ
ラメータλ、及び、適合の際に一連の測定量ｚ
ｋ（ｔｊ）に最適収束する標準形式ＮＦの標準形式パラ
メータｐａｒｐが分かる。
ラメータλ、及び、適合の際に一連の測定量ｚ
ｋ（ｔｊ）に最適収束する標準形式ＮＦの標準形式パラ
メータｐａｒｐが分かる。
【０１０４】このパラメータは、付加的に、評価ユニッ
トＢＥによって使用される結果信号ＥＳ（ｉ）で得るこ
とができる。更に、どのタイプの標準形式ＮＦが臨界状
態ＫＺに最も近いのかについての情報が、結果信号ＥＳ
（ｉ）で得ることができる。
トＢＥによって使用される結果信号ＥＳ（ｉ）で得るこ
とができる。更に、どのタイプの標準形式ＮＦが臨界状
態ＫＺに最も近いのかについての情報が、結果信号ＥＳ
（ｉ）で得ることができる。
【０１０５】
【発明の効果】本発明の方法により、幾つかの効果が得
られる。反応装置の全ての状態を記述するためのグロー
バル(大域的)なモデルはないけれども、反応装置の重要
な状態パラメータを高信頼度で自動的に検出することが
できる。
られる。反応装置の全ての状態を記述するためのグロー
バル(大域的)なモデルはないけれども、反応装置の重要
な状態パラメータを高信頼度で自動的に検出することが
できる。
【図１】状態パラメータを特定すべき反応装置を示す図
【図２】反応装置の温度Ｔをパラメータμで示した、反
応装置の定常状態の依存性の実例の曲線を示す図
応装置の定常状態の依存性の実例の曲線を示す図
【図３】データ発生器により発生される様な、反転点を
示す軌線（軌道）の原理的な時間経過特性を標準座標で
示す略図
示す軌線（軌道）の原理的な時間経過特性を標準座標で
示す略図
【図４】データ発生器により発生される様な、ホップ分
岐を示す軌線（軌道）の原理的な時間経過特性を標準座
標で示す略図
岐を示す軌線（軌道）の原理的な時間経過特性を標準座
標で示す略図
【図５】パラメータ最適化方法の実行の際、ニューラル
ネットワークの出力量を、反応装置の検出された測定量
に適合することにより、パラメータが変化される、デー
タ発生器及びニューラルネットワークの略図
ネットワークの出力量を、反応装置の検出された測定量
に適合することにより、パラメータが変化される、デー
タ発生器及びニューラルネットワークの略図
【図６】それぞれ１タイプの臨界状態を示す複数のデー
タ発生器及び複数のニューラルネットワークが最適化さ
れ、パラメータ最適化方法の実行の際、最適収束するニ
ューラルネットワーク及び最適収束するデータ発生器が
選定されていて、そのパラメータが反応装置の状態パラ
メータとして使用されるようにした、複数のデータ発生
器及び複数のニューラルネットワークの略図
タ発生器及び複数のニューラルネットワークが最適化さ
れ、パラメータ最適化方法の実行の際、最適収束するニ
ューラルネットワーク及び最適収束するデータ発生器が
選定されていて、そのパラメータが反応装置の状態パラ
メータとして使用されるようにした、複数のデータ発生
器及び複数のニューラルネットワークの略図
【図７】本発明の方法の各方法ステップ全てを詳細に示
した流れ図
した流れ図
ＮＮｂ ニューラルネットワーク Ｒ 反応装置 ｚｋ（ｔｊ） 測定量 ＤＧ データ発生器 ＮＦ 標準形 ξｉ 標準座標 ＣＳ 化学物質 ＥＣＳ 流入化学物質 μｉ 外部作用量 ｘ（μ） 定常状態 ＫＺ１，ＫＺ２，ＫＺ３，ＫＺ４ 臨界状態 ＵＰ 反転点 ｐａｒｐ 標準パラメータ ＨＰ ホップの分岐点 ＢＥ 評価ユニット
Claims (4)
- 【請求項１】 ｎ個の入力側及びｍ個の出力側を有す
る、少なくとも一つのニューラルネットワーク（ＮＮ
ｂ；ｂ＝１．．ｃ）を使用して、反応装置（Ｒ）の状態
パラメータを検出する方法において、 −一連の測定量（ｚｋ（ｔｊ）；ｋ＝１．．ｍ）を反応
装置（Ｒ）から検出し、その際、ｔｊ（ｊ＝１．．ｓ）
は、前記一連の測定量（ｚｋ（ｔｊ））が検出される時
点を示し、 −少なくとも一つのデータ発生器（ＤＧ）により、前記
反応装置（Ｒ）の所定の１タイプの臨界状態を示す、そ
れぞれ一つの所定の標準形（ＮＦ）から、１標準座標
（ξｉ；ｉ＝１．．ｎ）曲線を発生し、 −各ニューラルネットワーク（ＮＮｂ）のｎ個の入力側
に、それぞれ１つの曲線を標準座標（ξｉ；ｉ＝１．．
ｎ）で加え、その際、前記各データ発生器（ＤＧ）に、
１ニューラルネットワーク（ＮＮｂ）を対応させ、 −前記各ニューラルネットワーク（ＮＮｂ）及び該ニュ
ーラルネットワーク（ＮＮｂ）に対応して設けた各デー
タ発生器（ＤＧｂ）を、パラメータ最適化方法を使用し
て、前記一連の測定量（ｚｋ（ｔｊ））に適合させ、そ
の際、前記ニューラルネットワーク（ＮＮｂ）の各出力
側には、前記一連の測定量（ｚｋ（ｔｊ））の所定の１
測定値を対応させ、 −前記パラメータ最適化方法により最適化された、前記
反応装置（Ｒ）の状態パラメータを示すパラメータを後
続処理に使用することを特徴とする反応装置の状態パラ
メータを検出する方法。 - 【請求項２】 反応装置（Ｒ）の状態パラメータは、少
なくとも一つの安定度パラメータを有し、該安定度パラ
メータにより、前記反応装置（Ｒ）の状態の安定度を判
定することができる請求項１記載の方法。 - 【請求項３】 反応装置（Ｒ）の状態パラメータは、少
なくとも一つのパラメータを有しており、該パラメータ
により、前記反応装置（Ｒ）の状態に最も近いタイプ
の、前記反応装置（Ｒ）の臨界状態を判定することがで
きる請求項１又は２記載の方法。 - 【請求項４】 複数ニューラルネットワーク（ＮＮｂ）
及び複数データ発生器（ＤＧｂ）のうち、単数ニューラ
ルネットワーク（ＮＮｂ）及び単数データ発生器（ＤＧ
ｂ）の、パラメータ最適化方法を実行した際に最適収束
するようなパラメータを、反応装置（Ｒ）の状態パラメ
ータとして使用する、前記単数ニューラルネットワーク
（ＮＮｂ）及び前記単数データ発生器（ＤＧｂ）を選択
する請求項１〜３までの何れか１記載の方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE19528426.7 | 1995-08-02 | ||
| DE19528426A DE19528426C2 (de) | 1995-08-02 | 1995-08-02 | Verfahren zur Ermittlung von Zustandsparametern eines chemischen Reaktors unter Verwendung künstlicher neuronaler Netze |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH09128009A true JPH09128009A (ja) | 1997-05-16 |
Family
ID=7768534
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP8204996A Withdrawn JPH09128009A (ja) | 1995-08-02 | 1996-08-02 | ニューラルネットワークを使用して反応装置の状態パラメータを検出する方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US6029157A (ja) |
| JP (1) | JPH09128009A (ja) |
| DE (1) | DE19528426C2 (ja) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7216113B1 (en) * | 2000-03-24 | 2007-05-08 | Symyx Technologies, Inc. | Remote Execution of Materials Library Designs |
| US20050165575A1 (en) * | 2003-09-23 | 2005-07-28 | Jacob Mettes | Automated regression analysis and its applications such as water analysis |
| DE102004055832A1 (de) * | 2004-11-19 | 2006-06-01 | Celanese Chemicals Europe Gmbh | Verfahren zur Herstellung von Aldehyden |
| CA2618933C (en) * | 2005-08-12 | 2016-09-20 | Dietmar Plenz | Neuronal avalanche assay |
| KR100971914B1 (ko) * | 2008-10-14 | 2010-07-22 | 한국원자력연구원 | 초고온 가스로의 동심축 이중관형 고온가스관의 설계방법 |
| US11520310B2 (en) * | 2019-06-18 | 2022-12-06 | International Business Machines Corporation | Generating control settings for a chemical reactor |
| US11675334B2 (en) | 2019-06-18 | 2023-06-13 | International Business Machines Corporation | Controlling a chemical reactor for the production of polymer compounds |
| CN111638028B (zh) * | 2020-05-20 | 2022-05-10 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5426721A (en) * | 1993-06-17 | 1995-06-20 | Board Of Supervisors Of Louisiana State University And Agricultural And Mechanical College | Neural networks and methods for training neural networks |
-
1995
- 1995-08-02 DE DE19528426A patent/DE19528426C2/de not_active Expired - Fee Related
-
1996
- 1996-08-02 US US08/691,248 patent/US6029157A/en not_active Expired - Fee Related
- 1996-08-02 JP JP8204996A patent/JPH09128009A/ja not_active Withdrawn
Also Published As
| Publication number | Publication date |
|---|---|
| DE19528426C2 (de) | 2003-04-30 |
| DE19528426A1 (de) | 1997-02-06 |
| US6029157A (en) | 2000-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10996643B2 (en) | Method and system of dynamic model identification for monitoring and control of dynamic machines with variable structure or variable operation conditions | |
| WO2018138880A1 (ja) | モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム | |
| Kaya et al. | Process capability analyses with fuzzy parameters | |
| JP2013504133A (ja) | 反復線形部分空間計算による時変、パラメータ変動、及び非線形システムの経験的モデル化のための方法及びシステム | |
| Pan et al. | Prediction under uncertainty in sparse spectrum Gaussian processes with applications to filtering and control | |
| CN110799949A (zh) | 用于消除两个或更多个冗余模块的冗余的方法、设备和具有指令的计算机可读存储介质 | |
| KR20170127430A (ko) | 센서 오차를 검출, 분류 및/또는 완화하는 방법 및 시스템 | |
| JPH09128009A (ja) | ニューラルネットワークを使用して反応装置の状態パラメータを検出する方法 | |
| Wang et al. | A quasi-ARX neural network with switching mechanism to adaptive control of nonlinear systems | |
| CN102656581B (zh) | 信息处理设备、信息处理方法和存储介质 | |
| JP2005108246A (ja) | センサフュージングを利用した無人移動体の位置推定方法、その装置およびプログラムを記録したコンピュータ読み取り可能な記録媒体。 | |
| Fu et al. | Look-ahead prediction of spindle thermal errors with on-machine measurement and the cubic exponential smoothing-unscented Kalman filtering-based temperature prediction model of the machine tools | |
| CN114912364A (zh) | 天然气井流量预测方法、装置、设备及计算机可读介质 | |
| US11550972B2 (en) | Simulation method and system for the management of a pipeline network | |
| CN113064401A (zh) | 一种基于数据驱动的闭环系统微小故障检测与估计方法 | |
| Fitria et al. | State variable estimation of nonisothermal continuous stirred tank reactor using fuzzy kalman filter | |
| CN115809575A (zh) | 一种工况传递路径分析方法 | |
| CN109992907B (zh) | 基于粒子群的连续搅拌釜反应器维纳非线性模型辨识方法 | |
| Miettinen et al. | Bidirectional lstm-based soft sensor for rotor displacement trajectory estimation | |
| Proletarsky et al. | Intelligent Algorithm of Measuring Complex for Aircrafts | |
| Hoshino et al. | Self tuning control with generalized minimum variance control in continuous time domain | |
| WO2023233858A1 (ja) | ニューラルネットワークの計算装置及び計算方法 | |
| Robles-Alcaráz et al. | Estimate and approximate policy iteration algorithm for discounted Markov decision models with bounded costs and Borel spaces | |
| Gaagai et al. | Adaptive optimal control of heterogeneous vehicle platoons with bidirectional communication and uncertain dynamics | |
| Diepers et al. | Comparison of Different Gaussian Process Models and Applications in Model Predictive Control |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20031007 |