JPWO2020227383A5 - - Google Patents

Description

前述の説明では本発明を実施する用途技術分野の一つとしてプロセス制御を詳細に述べたが、本明細書で開示した本願のハイブリッドモデルやモデリング方法／システムには、それ以外の利用技術分野もある。実施形態は、プロセス技術者が化学プロセスのトラブルシューティングをより良好に行うのを可能にすること、産業プラントの化学プロセスの一部のデボトルネッキングを可能にすること、対象の産業プラントの化学プロセスのパフォーマンスを（オンラインやオフラインで）最適化することなどにより、対象の化学プロセスのパフォーマンスの改善を可能にする。実施形態は、プロセスモデリングシステム、プロセスモデルシミュレーションシステムなどを含む。
なお、本発明は、態様として以下の内容を含む。
〔態様１〕
コンピュータに実装される、プロセスモデリング・シミュレーションの方法であって、
プロセッサが、対象の産業プラントの化学プロセスをモデル化する過程であって、当該化学プロセスの進行を予測するモデルの生成を含む、過程と、
生成された前記モデルによる予測に基づき、前記対象の産業プラントの前記化学プロセスのパフォーマンスの改善を可能にする過程であって、前記生成されたモデルは、前記化学プロセスの機械学習モデルによって向上する少なくとも１つの要素を含む第一原理モデルで構成されたハイブリッドモデルからなる、過程と、
を備える、方法。
〔態様２〕
態様１に記載の方法において、機械学習モデルによって向上する前記１つの要素がプラントデータに基づく入力変数であり、当該入力変数の数値を増強したもので当該機械学習モデルの訓練・構築を行う、方法。
〔態様３〕
態様２に記載の方法において、さらに、
第一原理に基づき、プラントデータからの元々の測定入力変数を増強した変数データセットを生成する過程であって、当該生成により、増強後の変数が生じる、過程と、
前記元々の入力変数に前記増強後の変数を組み合わせて前記機械学習モデルの訓練に利用する過程であって、訓練された当該機械学習モデルにより、精度の向上した対応する出力変数データセットが生成される、過程と、
を備える、方法。
〔態様４〕
態様１に記載の方法において、機械学習モデルによって向上する前記１つの要素が、前記化学プロセスの物理的性質の測定値であり、前記生成されたモデルが、当該物理的性質についての前記第一原理モデルによる予測ではなく、当該物理的性質の前記測定値についての前記機械学習モデルによる予測を採用する、方法。
〔態様５〕
態様４に記載の方法において、さらに、
前記第一原理モデルによって形成されるシミュレータからの出力に対する予測値を算出する過程と、
プラントデータからの出力変数の観測値と対応する出力変数の前記シミュレータによる予測値との差分を提示するように、前記機械学習モデルを訓練・構築する過程と、
を備える、方法。
〔態様６〕
態様１に記載の方法において、機械学習モデルによって向上する前記１つの要素は、前記第一原理モデルに利用可能な測定値がプラントデータに既存していない物理的性質についての定量的表現であり、当該物理的性質の測定値についての当該機械学習モデルによる予測が、前記第一原理モデルで使用される、方法。
〔態様７〕
態様６に記載の方法において、前記第一原理モデルがシミュレーションモデルであり、当該方法は、さらに、
前記機械学習モデルを、前記化学プロセスについての測定不能なシミュレーションモデルパラメータ又は関数値を算出するように構成する過程と、
算出された前記モデルパラメータ又は関数値を、前記シミュレーションモデルの入力に用いる過程と、
プラントデータからの出力測定値に対する前記シミュレーションモデルの出力の誤差を演算する過程と、
演算された前記誤差を用いて、前記機械学習モデルを訓練する過程と、
を備える、方法。
〔態様８〕
態様１に記載の方法において、前記生成されたモデルは、前記化学プロセスの操業条件、物理的性質および出力のうちの任意の１つ以上を予測するものであり、前記化学プロセスのパフォーマンスの改善を可能にする前記過程は、プロセス技術者が前記化学プロセスのトラブルシューティングを行うのを可能にすること、前記化学プロセスの一部のデボトルネッキングを可能にすること、および前記対象の産業プラントの前記化学プロセスのパフォーマンスを最適化することのうちの任意のものを含む、方法。
〔態様９〕
態様１に記載の方法において、前記化学プロセスのパフォーマンスの改善を可能にする前記過程が、前記生成されたモデルによる予測に基づき、前記対象の産業プラントの設備の設定を自動制御することを含む、方法。
〔態様１０〕
コンピュータベースの、プロセスモデリング・シミュレーションのシステムであって、
対象の産業プラントの化学プロセスをモデル化し、当該化学プロセスの進行を予測するモデルを生成するモデリングサブシステムと、
生成された前記モデルによる予測に基づき前記対象の産業プラントの前記化学プロセスのパフォーマンスの改善を可能にするように前記モデリングサブシステムに接続されたインターフェースと、
を備え、前記生成されたモデルは、前記化学プロセスの機械学習モデルによって向上する少なくとも１つの要素を含む第一原理モデルで構成されたハイブリッドモデルからなる、システム。
〔態様１１〕
態様１０に記載のシステムにおいて、機械学習モデルによって向上する前記１つの要素がプラントデータに基づく入力変数であり、当該入力変数の数値を増強したもので当該機械学習モデルの訓練・構築を行う、システム。
〔態様１２〕
態様１１に記載のシステムにおいて、前記モデリングサブシステムが、さらに、第一原理に基づき、プラントデータからの元々の測定入力変数を増強した変数データセットを生成することによって増強後の変数を生じさせて、前記元々の入力変数に当該増強後の変数を組み合わせて前記機械学習モデルの訓練に利用し、訓練された当該機械学習モデルにより、精度の向上した対応する出力変数データセットを生成する、システム。
〔態様１３〕
態様１０に記載のシステムにおいて、機械学習モデルによって向上する前記１つの要素が、前記化学プロセスの物理的性質の測定値であり、前記生成されたモデルが、当該物理的性質についての前記第一原理モデルによる予測ではなく、当該物理的性質の前記測定値についての前記機械学習モデルによる予測を採用する、システム。
〔態様１４〕
態様１３に記載のシステムにおいて、前記モデリングサブシステムが、さらに、前記第一原理モデルによって形成されるシミュレータからの出力のための予測値を算出し、プラントデータからの出力変数の観測値と対応する出力変数の前記シミュレータによる予測値との差分を提示するように、前記機械学習モデルを訓練・構築する、システム。
〔態様１５〕
態様１０に記載のシステムにおいて、機械学習モデルによって向上する前記１つの要素は、前記第一原理モデルに利用可能な測定値がプラントデータに既存していない物理的性質についての定量的表現であり、当該物理的性質の測定値についての当該機械学習モデルによる予測が、前記第一原理モデルで使用される、システム。
〔態様１６〕
態様１５に記載のシステムにおいて、前記第一原理モデルがシミュレーションモデルであり、前記モデリングサブシステムは、さらに、前記機械学習モデルを、前記化学プロセスについての測定不能なシミュレーションモデルパラメータ又は関数値を算出するように構成し、算出された前記モデルパラメータ又は関数値を、前記シミュレーションモデルの入力に用いて、プラントデータからの出力測定値に対する前記シミュレーションモデルの出力の誤差を演算し、演算された前記誤差を用いて、前記機械学習モデルを訓練する、システム。
〔態様１７〕
態様１０に記載のシステムにおいて、前記生成されたモデルは、前記化学プロセスの操業条件、物理的性質および出力のうちの任意の１つ以上を予測するものであり、前記インターフェースは、プロセス技術者が前記化学プロセスのトラブルシューティングを行うのを可能にすること、前記化学プロセスの一部のデボトルネッキングを可能にすること、および前記対象の産業プラントの前記化学プロセスのパフォーマンスを最適化することのうちの任意のものにより、前記化学プロセスのパフォーマンスの改善を可能にする、システム。
〔態様１８〕
態様１０に記載のシステムにおいて、前記インターフェースは、制御部インターフェースを含み、当該制御部インターフェースは、前記対象の産業プラントの制御部に対し、当該制御部が前記生成されたモデルによる予測に基づき前記対象の産業プラントの設備の設定を自動制御するように通信可能に接続されている、システム。
〔態様１９〕
コンピュータプログラムプロダクトであって、
対象の産業プラントにおける対象の化学プロセスのプロセスモデリング・シミュレーションを実現するコンピュータコード命令を保持したメモリ領域を有する、コンピュータ読取可能媒体、
を備え、前記コンピュータコード命令は、
少なくとも１つのデジタルプロセッサにより実行されることで：
（ａ）前記対象の産業プラントの前記化学プロセスをモデル化し、このモデル化は前記化学プロセスの進行を予測するモデルを生成することを含み、この生成されたモデルは、前記化学プロセスの機械学習モデルによって向上する少なくとも１つの要素を有する第一原理モデルで構成されたハイブリッドモデルを含み、
（ｂ）前記生成されたモデルによる予測に基づき、前記対象の産業プラントの前記化学プロセスのパフォーマンスの改善を可能にする、
命令を含む、コンピュータプログラムプロダクト。
〔態様２０〕
態様１９に記載のコンピュータプログラムプロダクトにおいて、前記生成されたモデルは、前記化学プロセスの操業条件、物理的性質および出力のうちの任意の１つ以上を予測するものであり、前記コンピュータコード命令は、さらに、前記生成されたモデルによる予測に基づき前記対象の産業プラントの設備の設定を自動制御するというプロセス制御をプロセッサに実施させる命令を含む、コンピュータプログラムプロダクト。
〔態様２１〕
態様１９に記載のコンピュータプログラムプロダクトにおいて、機械学習モデルによって向上する前記１つの要素が：（ｉ）プラントデータに基づく入力変数であって、その数値を増強したもので当該機械学習モデルの訓練・構築を行う入力変数；（ｉｉ）前記化学プロセスの物理的性質の測定値であって、前記生成されたモデルは、当該物理的性質についての前記第一原理モデルによる予測ではなく当該物理的性質の前記測定値についての当該機械学習モデルによる予測を採用する、測定値；および（ｉｉｉ）前記第一原理モデルに利用可能な測定値がプラントデータに既存していない物理的性質についての定量的表現であって、当該物理的性質の測定値についての当該機械学習モデルによる予測が、前記第一原理モデルで使用される、定量的表現；のうちの任意のものである、コンピュータプログラムプロダクト。
〔態様２２〕
態様１９に記載のコンピュータプログラムプロダクトにおいて、前記化学プロセスのパフォーマンスの前記改善は、プロセス技術者が前記化学プロセスのトラブルシューティングを行うのを可能にすること、前記化学プロセスの一部のデボトルネッキングを行うこと、および前記対象の産業プラントの前記化学プロセスのパフォーマンスを最適化することのうちの任意のものを含む、コンピュータプログラムプロダクト。