KR20230172510A - 프로세스 성능을 개선하기 위하여 교란을 추정하고 추천을 제공하기 위한 방법 - Google Patents
프로세스 성능을 개선하기 위하여 교란을 추정하고 추천을 제공하기 위한 방법 Download PDFInfo
- Publication number
- KR20230172510A KR20230172510A KR1020237038342A KR20237038342A KR20230172510A KR 20230172510 A KR20230172510 A KR 20230172510A KR 1020237038342 A KR1020237038342 A KR 1020237038342A KR 20237038342 A KR20237038342 A KR 20237038342A KR 20230172510 A KR20230172510 A KR 20230172510A
- Authority
- KR
- South Korea
- Prior art keywords
- machine learning
- data
- values
- scaling
- estimate
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 285
- 230000008569 process Effects 0.000 title claims abstract description 224
- 238000004519 manufacturing process Methods 0.000 claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims description 65
- 238000005259 measurement Methods 0.000 claims description 48
- 239000000126 substance Substances 0.000 claims description 31
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 17
- 239000002994 raw material Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000004065 wastewater treatment Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 7
- 239000000701 coagulant Substances 0.000 claims description 7
- 239000000725 suspension Substances 0.000 claims description 6
- 230000008021 deposition Effects 0.000 claims description 5
- 230000014759 maintenance of location Effects 0.000 claims description 5
- 239000003139 biocide Substances 0.000 claims description 4
- 239000003795 chemical substances by application Substances 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 239000002270 dispersing agent Substances 0.000 claims description 4
- 238000004513 sizing Methods 0.000 claims description 4
- 238000010790 dilution Methods 0.000 claims description 3
- 239000012895 dilution Substances 0.000 claims description 3
- 239000008235 industrial water Substances 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 239000010841 municipal wastewater Substances 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 239000010802 sludge Substances 0.000 claims description 3
- 238000005273 aeration Methods 0.000 claims description 2
- 239000013530 defoamer Substances 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 9
- 230000015572 biosynthetic process Effects 0.000 description 8
- 239000000356 contaminant Substances 0.000 description 8
- 239000000047 product Substances 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 239000002245 particle Substances 0.000 description 5
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 4
- 235000011941 Tilia x europaea Nutrition 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 4
- 239000012467 final product Substances 0.000 description 4
- 230000002209 hydrophobic effect Effects 0.000 description 4
- 239000004571 lime Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000002906 microbiologic effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000002023 wood Substances 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000001580 bacterial effect Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- -1 defoamers Substances 0.000 description 2
- 239000008394 flocculating agent Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000003755 preservative agent Substances 0.000 description 2
- 230000002335 preservative effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000005054 agglomeration Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 125000000129 anionic group Chemical group 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- XXQCMVYBAALAJK-UHFFFAOYSA-N ethyl n-[4-[benzyl(2-phenylethyl)amino]-2-(2-phenylethyl)-1h-imidazo[4,5-c]pyridin-6-yl]carbamate Chemical compound N=1C=2C(N(CCC=3C=CC=CC=3)CC=3C=CC=CC=3)=NC(NC(=O)OCC)=CC=2NC=1CCC1=CC=CC=C1 XXQCMVYBAALAJK-UHFFFAOYSA-N 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 239000011121 hardwood Substances 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000011122 softwood Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- 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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- 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
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Paper (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Complex Calculations (AREA)
Abstract
본 발명은 용수 집약적 공업 프로세스의 프로세스 성능에 대한 교란을 추정하고 추천을 제공하기 위한 방법을 제공한다. 이러한 방법은 방대한 개수의 프로세스 변수를 고려한다.
Description
본 발명은 교란을 추정하기 위한 방법 및 장치에 관한 것이다. 또한, 본 발명은 프로세스 성능을 개선하기 위한 추천을 제공하기 위한 방법 및 장치에 관한 것이다. 프로세스는 용수 집약적 공업 프로세스, 예를 들어 제지 프로세스, 보드 머신, 폐수 처리 등이다.
종이/보드 머신, 용수 처리 프로세스 등과 같은 많은 공업 프로세스는 복잡한 엔티티이다. 이들은 제지기와 같이, 모두 함께 전체 엔티티를 형성하는 많은 서브 프로세스를 포함한다. 서브 프로세스는 프로세스에 특이적인 제어기에 의해서 제어된다. 반면에, 여러 개별적인 제어 장치 안에서 변수들이 서로 영향을 줄 수 있다. 그러므로, 전체 프로세스를 더 양호하게 이해하기 위해서 상이한 시스템들이 생성되어 왔다.
제지 또는 용수 처리와 같은 프로세스의 거동을 모델링, 분석 및 추정하는 시스템과 함께 머신 러닝(ML) 알고리즘이 사용된다. ML 알고리즘은 다변수 프로세스를 가지는 프로세스와 함께 사용되고, 따라서 많은 횟수의 측정이 수행된다. 특히, 측정이 온라인으로 그리고 매일 수행될 경우에는 방대한 양의 데이터가 생성되고 처리된다.
머신 러닝은 명시적으로 프로그래밍되지 않아도 경험으로부터 자동으로 학습하고 또한 개선할 수 있는 능력을 가진 시스템을 제공한다. 그러므로, 머신 러닝(ML)은 특정한 태스크 또는 태스크들을 명시적인 명령이 없이도 수행하기 위해서 컴퓨터 시스템이 사용되는 알고리즘 및 통계 모델을 활용한다. 여러 ML 알고리즘들이 존재한다. 본 명세서에는, 이들 중 일부인 선형 회귀, 로지스틱(logistic) 회귀, K-평균, 피드-포워드 신경망 등이 언급된다.
ML 알고리즘의 결과는 보통 해석하기가 어렵고, 복잡한 프로세스에 대해서는 특히 어렵다. 그러므로, 사용자가 ML의 결과를 해석하는 것을 돕기 위해서 설명 값들(explanation value)이 사용된다. 따라서, 설명 값은 ML이 어떻게 동작하는지를 설명하기 위하여 그리고, 또한 분류하기 위하여 사용된다. 설명 값은, 예를 들어 SHAP(Shapley additive explanations) 값, LIME 방법 또는 DeepLIFT 방법을 사용함으로써 획득된다.
모니터링 시스템이 측정치 및 ML 값을 활용하지만, 모니터링에는 다른 데이터도 자동으로 활용될 수 있다. 모니터링된 정보는 특정 서브-프로세스/서브-프로세스들을 조절하기 위한 추천을 위하여 사용될 수 있다.
본 발명의 목적은 교란을 추정하고 추천을 제공하기 위한 새로운 방법을 제공하는 것이다. 이러한 목적은 독립항을 이용하여 달성된다. 종속항들은 본 발명의 상이한 실시형태들을 예시한다.
프로세스 성능을 개선하기 위하여 교란을 추정하고 추천을 제공하기 위한 본 발명의 방법은, 프로세스의 변수를 측정하고 프로세스 데이터를 수집하기 위한 단계(50), 및 측정 및 수집 단계의 측정 데이터 및 수집된 데이터를 전처리하는 단계(51)를 가진다. 이러한 방법은 교란을 추정하기 위한 단계(52), 및 추천을 형성하기 위한 단계(53)를 더 포함한다.
프로세스의 파라미터의 각각의 교란 추정에 대하여, 교란을 추정하는 단계(52)는 수신, 정규화, 연산 및 스케일링을 위한 하위단계를 포함한다. 수신 단계(60)는 전처리된 측정치 및 프로세스 데이터를 프로세스의 변수들의 미리 선택된 그룹으로부터 수신하기 위한 것이다. 정규화 단계(61)는 수신된 전처리된 측정 및 수집된 데이터를 정규화하기 위한 것이다. 연산 단계(62)는 정규화된 데이터를 연산하기 위한 것이다. 스케일링 단계(63)는 연산된 정규화된 데이터를 스케일링하기 위한 것이다. 스케일링 단계의 출력(64)은 프로세스의 파라미터의 교란 추정이다.
각각의 추천 형성에 대하여, 추천을 형성하는 단계(53)는 수신, 매핑 및 형성의 하위단계를 포함한다. 수신 단계(70)는 교란 추정을 스케일링 단계들의 출력들의 미리 선택된 그룹으로부터 수신하기 위한 것이다. 매핑 단계(71)는 각각의 수신된 교란 추정을 상황 카테고리 중 하나에 매핑하기 위한 것이다. 형성 단계(72)는 매핑된 교란 추정을 활용하여 각각의 추천을 형성하기 위한 것이다.
본 발명의 장치는 프로세스 성능에 대한 교란을 추정하고 추천을 제공한다. 이러한 장치는 프로세스의 변수를 측정하고 프로세스 데이터를 수집/수신하기 위한 측정 디바이스 및 수집 인터페이스(4)를 가진다. 이러한 장치는, 측정 디바이스 및 수집 인터페이스로부터의 측정 데이터 및 수집된 데이터를 전처리하기 위한 측정 및 수집된 데이터 전처리 장치(5)를 더 가진다.
이러한 장치는 교란을 추정하는 제 1 유닛(8), 및 추천을 형성하는 제 2 유닛(9)을 더 포함한다. 제 1 유닛(8)은 프로세스의 파라미터의 각각의 교란 추정에 대한 교란을 추정하고, 전처리된 측정/수집된 데이터를 프로세스의 변수들의 미리 선택된 그룹으로부터 수신하며, 수신된 전처리된 측정 데이터를 정규화하고, 정규화된 데이터를 연산하며, 연산된 정규화된 데이터를 스케일링하도록 구성된다. 스케일링의 출력은 프로세스의 파라미터의 교란 추정이다.
각각의 추천 형성을 위하여, 제 2 유닛(9)은 교란 추정을 제 1 유닛의 출력들의 미리 선택된 그룹으로부터 수신하고, 각각의 수신된 교란 추정을 상황 카테고리 중 하나에 매핑하며, 매핑된 교란 추정을 활용하여 각각의 추천을 형성하도록 구성된다. 동일한 상황 값이 두 개 이상의 추천을 형성하도록 매핑될 수 있다.
후속하는 문단에서, 본 발명이 첨부 도면을 참조하여 더 상세하게 설명된다.
도 1은 본 발명의 장치의 일 예를 예시한다,
도 2는 본 발명의 장치의 추정 유닛의 일 예를 예시한다,
도 3은 본 발명의 장치의 추천 유닛의 일 예를 예시한다,
도 4는 본 발명의 장치에서 사용되기 위한 매핑 로직의 일 예를 예시한다,
도 5는 본 발명의 방법의 일 예를 예시한다,
도 6은 본 발명의 방법의 추정 단계의 일 예를 예시한다,
도 7은 본 발명의 방법에서의 추천 형성 단계의 일 예를 예시한다,
도 8은 본 발명의 방법의 수정예를 예시한다,
도 9는 본 발명의 방법의 다른 수정예를 예시한다, 그리고
도 10은 본 발명의 장치에서 사용되기 위한 매핑 로직의 다른 예를 예시한다.
도 1은 본 발명의 장치의 일 예를 예시한다,
도 2는 본 발명의 장치의 추정 유닛의 일 예를 예시한다,
도 3은 본 발명의 장치의 추천 유닛의 일 예를 예시한다,
도 4는 본 발명의 장치에서 사용되기 위한 매핑 로직의 일 예를 예시한다,
도 5는 본 발명의 방법의 일 예를 예시한다,
도 6은 본 발명의 방법의 추정 단계의 일 예를 예시한다,
도 7은 본 발명의 방법에서의 추천 형성 단계의 일 예를 예시한다,
도 8은 본 발명의 방법의 수정예를 예시한다,
도 9는 본 발명의 방법의 다른 수정예를 예시한다, 그리고
도 10은 본 발명의 장치에서 사용되기 위한 매핑 로직의 다른 예를 예시한다.
도 1은 본 발명의 장치의 일 예를 도시한다. 본 발명의 장치는 프로세스 성능에 대한 교란을 추정하고 추천을 제공한다. 프로세스 성능에 대한 추천은, 예를 들어 제품 품질 또는 프로세스 스트림 품질을, 예를 들어 개선 또는 유지하고, 제품 품질 또는 프로세스 스트림 품질의 변동을 감소시키기 위해서 제어기의 세트포인트를 변경하는 것, 세트포인트(들)를 변경할 강제적인 이유가 없는 경우에는 세트포인트를 그들의 현재 값에 유지하는 것, 최종 제품의 품질을 개선하거나 비용을 절감하기 위하여 원시 재료/원시 재료 흐름을 변경하는 것 등을 포함한다. 따라서, 프로세스 성능은 많은 아이템, 예컨대 프로세스를 양호한 실행 상태로 유지하는 것, 머신 또는 프로세스 효율을 개선하는 것, 프로세스, 예를 들어 종이/보드 머신 또는 다른 프로세스의 동작 성능을 개선하는 것, 생산 중의 프로세스 중단 또는 셧다운을 방지하거나 감소시키는 것, 실행가능성을 개선하는 것, 생산되는 제품의 품질을 개선하는 것, 프로세스 비용을 절감하는 것, 더 적은 재료를 사용하거나 환경 친화적 재료를 사용함으로써 녹색 지수를 증가시키는 것 등에 관련된다. 프로세스(1)는, 예를 들어 종이/보드 제조 프로세스, 용수 처리 프로세스 등일 수 있다.
이러한 장치는 프로세스의 변수를 측정하고 데이터를 수집하기 위한 측정 디바이스 및 데이터 수집 인터페이스(4), 및 측정 디바이스 및 수집 인터페이스로부터의 측정치 / 수집된 데이터를 전처리하기 위한 전처리 장치(5)를 가진다. 수집/수신 인터페이스는, 예를 들어 프로세스의 구성 데이터를 가지는 프로세스의 중앙 관리 유닛 또는 관리 유닛들로 연결되는 데이터 라인 연결(와이어 연결 또는 무선 연결)이다. 그러므로, 수집된 데이터는 프로세스의 구성 데이터(생산될 종이의 최종 표면 층, 생산될 종이의 등급) 및 다른 가능한 프로세스 데이터를 포함한다.
측정치는 제어기(3)(또는 제어기들)에 의해서 직접적으로 사용될 수 있고, 제어기는 전체 프로세스의 서브-프로세스 또는 서브-프로세스들을 제어하기 위해서 액츄에이터(들)(4)를 구동한다. 측정 디바이스 및 수집 인터페이스(4), 제어기(3) 및 액츄에이터(2)는 프로세스 내의 로컬 디바이스이다. 데이터 전처리 장치(5)는 로컬이거나 클라우드 서비스일 수 있다. 이것은: 측정치로부터 신뢰할 수 없는 값을 제거하고, 데이터를 병합하고 통계 값을 연산하며, 수학 공식/수학식을 사용함으로써 측정치 및/또는 프로세스의 변수 데이터에 기반하여 새로운 변수를 연산하는 등을 하기 위해서 사용된다. 계산된 새로운 변수는, 예를 들어 원시 재료의 양, 화학물질 효율, 비용 효율 등에 관련될 수 있다. 신뢰할 수 없는 값은 센서 고장, 노이즈 등에 의해서 초래된다.
이러한 장치는 교란을 추정하는 제 1 유닛(8), 및 추천을 형성하는 제 2 유닛(9)을 더 포함한다. 제 1 유닛(8)은 프로세스의 파라미터의 각각의 교란 추정에 대한 교란을 추정하고, 전처리된 측정 및 프로세스 데이터를 프로세스의 변수들의 미리 선택된 그룹으로부터 수신하며, 수신된 전처리된 측정/프로세스 데이터를 정규화하고, 정규화된 데이터를 연산하며, 연산된 정규화된 데이터를 스케일링하도록 구성된다. 스케일링의 출력은 프로세스의 파라미터의 교란 추정이다. 도 2는 제 1 유닛(8), 즉 추정 유닛을 더 상세한 방식으로 보여준다. 제 1 유닛은, 추정을 형성할 때에 사용되는 교란의 라이브러리(12)를 포함하거나 라이브러리로의 연결부를 가질 수 있다. 교란은 소망되는 값으로부터의 편차라고 볼 수 있다. 그러나, 스케일링의 출력은 교란이 존재하지 않는 상황도 역시 표시할 수 있는데, 이것 역시 교란 추정이다. 그러므로, 교란 추정은 이러한 문맥에서 넓게 이해되어야 한다.
각각의 추천 형성을 위하여, 제 2 유닛(9)은 교란 추정을 제 1 유닛의 출력들의 미리 선택된 그룹으로부터 수신하고 수신된 교란 추정을 상황 카테고리 중 하나에 매핑하며, 매핑된 교란 추정을 활용하여 각각의 추천을 형성하도록 구성된다. 도 3은 제 2 유닛(9), 즉 추천 유닛을 더 상세한 방식으로 보여준다. 추천(들)은 제어기(들)(3)의 세트포인트(들)를 조절하기 위하여10, 조절될 업스트림 프로세스 단계(예를 들어, 원시 재료 핸들링 및 처리)를 제안하기 위하여, 그리고 프로세스의 원시 재료를 변경하기 위하여(11) 사용될 수 있다. 제 2 유닛(9)은 추천을 형성할 때에 사용되는 추천의 라이브러리(13)를 포함하거나 라이브러리로의 연결부를 가질 수 있다.
본 발명의 장치는 전처리된 측정 및 프로세스 (수집된) 데이터로부터 머신 러닝 값을 형성하는 제 3 유닛(6)을 더 포함할 수 있다. 머신 러닝 값은 ML 알고리즘의 결과이다. ML 알고리즘 및 그들의 러닝은 그 자체로서 공지되어 있다. 더 나아가, 본 발명의 장치는 제 3 유닛의 머신 러닝 값으로부터 설명 값을 형성하는 제 4 유닛(7)을 더 포함할 수 있다. 이러한 유닛들은 더 상세히 후술된다.
언급된 바와 같이, 제 1 유닛(8)은 프로세스의 파라미터의 각각의 교란 추정을 위하여 교란을 추정한다. 예를 들어, 보드 머신의 경우에는 파라미터가 왯 엔드(wet end) 내의 입자 보존 레벨일 수 있고, 이로부터 교란 추정이 이루어진다. 보드 머신의 다른 파라미터는 프로세스 스트림 내의 해로운 오염물 레벨, 다른 프로세스 스트림 내의 입자 복합체(agglomeration)의 레벨, 에너지 수지, 누적된 오차, 재료 비용 등일 수 있다. 파라미터는 계산된 파라미터일 수도 있다(전처리 유닛(5)에서 계산됨). 주목할 수 있는 바와 같이, 파라미터는 대상 프로세스에 관련된다. 도 2에서 추정(204, 205, 206)은 추정될 각각의 파라미터에 대해서 이루어진다. 왯 엔드 내의 상기 입자 보유 레벨과 같은 특정 파라미터에 대한 추정 형성(204)이 좀 더 상세하게 예시된다.
제 1 유닛(8)은 전처리된 프로세스 및 측정 데이터(20, 21, 22)를 프로세스의 변수들의 미리 선택된 그룹으로부터 수신하도록 구성된다. 변수들의 그룹은 그 교란 콘텐츠가 추정되는 파라미터에 관련된다. 프로세스로부터의 지식이 사전 선택이 이루어졌을 때에 활용되었다. 그러므로, 변수들의 그룹은 각각의 교란 추정에 대해서 보통 상이하다.
수신된 전처리된 프로세스 및 측정 데이터는 각각의 변수 특이적 프로세스 및 측정 데이터(20, 21, 22)에 대해서 개별적으로 정규화된다(23, 24, 25). 정규화는 입력 min - max 범위를 0 내지 1, -1 내지 1, 또는 -2 내지 2 등과 같은 다른 범위로 변환하는데, 이것이 사용하기가 더 쉽고 상이한 변수 특이적 측정 데이터 사이의 데이터 분포 내의 불일치(skewness)를 극복하기가 수월하다. 정규화 함수는 각각의 수신된 데이터 또는 값에 대해서 특이적이다.
정규화된 데이터(26, 27, 28)는 유사한 합산, 메디안, 평균, 또는 min/max 연산과 같은 연산자를 사용하여 연산된다(29). 연산 함수는 출력(201), 즉, 연산된 정규화된 데이터를 형성하기 위하여 하나 이상의 연산자를 가질 수 있다. 추정에 대해서 일어날 수 있는 검사를 위하여 사용자가 사용하기에 편리하고 이해하기가 더 쉬운 추정을 가지기 위해서, 연산 함수의 출력(201)이 더 적절한 범위로 스케일링된다(202). 스케일링의 출력을 형성하는 스케일링된 범위는, 예를 들어 -100 내지 100 또는 0 내지 100 등일 수 있다. 스케일링의 출력(203)은 프로세스의 특정 파라미터의 특정한 교란 추정이다. 그러므로, 각각의 교란 추정은 파라미터 특이성을 가진다. 203과 같은 출력은 본 명세서에서 상태 A, 상태 B … 상태 X와 같이 명명된다. 스케일링은 각각의 교란 추정에 대해서 개별적이다.
전술된 바와 같이, 교란 추정은 소망되는 값(교란이 없는 상황을 표시함) 및 소망되는 값으로부터 벗어난 값을 포함한다. 교란은 측정으로부터 획득된 프로세스의 일부 파라미터, 프로세스 데이터, 계산된 파라미터에 관련된다. 더 나아가, 교란 추정은, 예를 들어, 예를 들어 에너지 수지, 생산 볼륨, 원시 재료 비용 등에 대한 비용 함수(오차의 감소/제거)일 수 있다. 다르게 말하면, 상기 연산자는 함수일 수도 있다.
교란 및 그 추정은 프로세스 성능 또는 최종 제품 품질에 영향을 미치는 특정한 프로세스 관련 교란(화학물질, 기계적, 물리적, 미생물학적 교란)을 기술할 수 있다. 또한, 교란 추정은 프로세스 또는 화학반응의 특정 부분의 상태를 표시하는 표시자라고도 말할 수 있다. 다르게 말하면, 교란은 전체 프로세스 또는 서브프로세스 또는 프로세스 또는 서브 프로세스 또는 프로세스 스트림의 특정 부분의 화학적, 화학반응, 미생물학적, 기계적 또는 물리적 상황을 표시하는 표시자일 수 있다. 교란 추정은 계산된 성능 인덱스라고 말할 수 있다.
교란의 예는 청수(fresh water)/원시 용수(raw water)의 COD 로드(load), 폐수 스트림(들)의 COD 로드, 프로세스 스트림의 용도 또는 품질, 보관 타워/탱크/사일로의 표면 레벨, 타워 내의 또는 특정 프로세스 부분 내의 지연 시간(너무 높거나 너무 낮음), 프로세스 스트림 내의 음이온 쓰레기/오염물, 온도(너무 낮거나 너무 높음), 소수성 오염물, 화학적 비효율성, 유해 화합물, 예를 들어 화이트 피치(white pitch), 우드 피치(wood pitch), 추출물(extractive)이다.
추가적인 예로서, 교란은 종이 또는 보드 머신의 왯 엔드 내의 소수성 오염물일 수 있다: 왯 엔드 내의 소수성 오염물의 양이 많으면 침착을 초래할 수 있고, 생산의 중단 및 최종 제품의 낮은 품질(예컨대, 결함, 예를 들어 종이 또는 보드 내의 상이한 종류의 스폿 및 홀)이 초래될 수 있다.
추가적인 예로서, 교란은 화학적 잔여물(들) 또는 프로세스 스트림 내의 또는 보관 타워/탱크 내에서의 프로세스 스트림 내의 산화환원전위 또는 pH의 변화일 수 있다. 이러한 종류의 교란은 프로세스 내의 미생물학적 상태, 예컨대 박테리아 내생포자(endospore) 형성에 변화가 생기게 할 수 있다. 박테리아 내생포자는, 예를 들어 최종 제품의 품질이 열화되게 할 수 있다(예컨대, 예를 들어 음식 패키징 보드 내의 너무 높은 내생포자 함량). 특히, 이것은 예를 들어 프로세스 스트림(steam)이 섬유성 서스펜션 또는 펄프 서스펜션과 같은 천연 섬유를 포함하는 수성 스트림인 경우에 그러할 수 있다.
그러므로, 각각의 미리 규정된 교란에 대한 미리 규정된 변수는, 미리 규정된 교란에 상관되거나 미리 규정된 교란을 기술하는 측정치(들), 계산된 측정치(들) 또는 수집된/수신된 프로세스 데이터의 세트이다.
예를 들어, 미리 규정된 프로세스 교란은 펄프 제조 프로세스 내의 펄프 A 내에 목재 추출물(=소수성 오염물)의 양이 너무 많은 것일 수 있다. 후속하는 측정 및 계산된 다음과 같은 변수가 이러한 교란의 상황의 연산을 위해서 사용된다: 사용된 원시 재료, 펄프 A의 계산된 세정 효율 및 펄프 A의 pH. 세정 효율, pH 및 원시 재료(예를 들어, 연목(softwood), 경목(hardwood))는 펄프 A 내의 목재 추출물의 양에 상관된다. 상관은 전통적인 상관 분석에 의하여 발견될 수 있다(예를 들어, 6-12 개월의 시간 기간의 이력 데이터를 사용함).
입력 변수/파라미터(측정치, 프로세스 데이터, ML 예측치, 성능 값 등)의 그룹화는 특정 교란과의 개별적인 파라미터의 상관에 의존한다.
도 3은 제 2 유닛(9)을 좀 더 상세하게 도시한다. 각각의 추천 형성(30, 31, 32)에 대하여, 제 2 유닛은 교란 추정을 제 1 유닛(8)의 출력들의 미리 선택된 그룹으로부터 수신(203, 207, 208)하도록 구성된다. 그러면, 각각의 추천 형성(30, 31, 32)에 대한 그룹들의 사전 선택은 본 발명의 장치에 학습을 시킴으로써(반복과 같은 사전 학습)) 이루어졌다. 사전 선택은 각각의 추천에 대해서 개별적이다. 프로세스로부터의 지식이 사전 선택이 이루어졌을 때에 활용되었다. 그러므로, 상황 / 교란 추정들의 그룹은 보통 각각의 추천에 대해서 다르다.
매핑 함수(33)는 각각의 수신된 교란 추정을 상황 카테고리들 중 하나로 매핑시키고, 매핑된 교란 추정을 활용하여 추천(35)을 형성한다. 교란 추정, 즉 상태 A, 상태 B, … 상태 X를 상황 카테고리 내로 매핑시킬 때에 임계 값이 사용될 수 있다. 예를 들어, 교란 추정 범위 / 상황 범위가 0 내지 100이라면, OK 상황 카테고리는 교란 추정이 50 미만일 경우일 수 있고, 경고(warning) 상황 카테고리는 50 내지 70 사이의 추정에 대한 것일 수 있으며, 경보(alerting) 상황 카테고리는 70보다 큰 추정에 대한 것일 수 있다. 임계 값은 각각의 개별적인 추천에 관련된다. 카테고리도 역시 교란의 심각도를 기술하는, 다르게 말하면 교란이 프로세스 성능 또는 제품 품질 또는 임의의 다른 목표에 대해 얼마나 많은 영향을 주는지를 표시하는 수치 값일 수 있다.
추천의 형성은 상이한 추천들에 대한 규칙을 가지는 매핑 로직을 사용할 수 있다. 추천은, 현재의 투여량(dosing)을 유지하는 것, 투여량을 줄이는 것, 또는 투여량을 늘리는 것과 같이 투여량에 관련될 수 있다. 매핑 함수(33)는 매핑 파라미터(임계 및 투여 파라미터)를 포함할 수 있거나, 매핑 파라미터의 라이브러리(34)에 연결된다(36). 도 4는 매핑 로직의 일 예를 표 형식으로 보여준다. 예를 들기가 쉽기 때문에 여기에서는 표 형식이 사용되었으며, 따라서 이러한 로직은 임의의 적절한 형태일 수 있다. 그러나, 다른 실시형태, 예를 들어 교란 추정의 특정 그룹을 제공될 추천에 연결시키기 위한 퍼지 로직도 사용될 수 있다는 것에 주목할 필요가 있다. 도 4의 예는 총괄적이지만, 이것이 왯 엔드 이전의 상이한 스트림(1, 2, 및 3)을 가지고 있는 보드 머신에 관련된다고 여겨지고, 화학물질(CH)이 스트림(3) 내로 투여된다면 이해하기가 더 쉬울 수 있다. 이러한 보드 머신의 예에서 상태 A는 스트림(1) 내의 해로운 오염물이다. 상태 B는 스트림(2) 내의 해로운 오염물이다. 상태 C는 스트림(3) 내의 입자 복합체의 레벨이고, 상태 D는 왯-엔드 내의 입자 보유량의 레벨이다. 추정 / 상황은 다음의 상이한 카테고리로 매핑될 수 있다: OK, 경고 및 경보. 상이한 상황 및 카테고리들이 여러 상이한 조합을 수행한다. 도 4에서 알 수 있는 바와 같이 화학물질(CH)에 대한 투여 추천을 형성하는 단일 조합 또는 조합들의 그룹이 특정한 규칙에 링크된다. 규칙은 IF-THEN 작업 명령의 형태일 수 있고, AND, OR 등과 같은 연산자를 포함할 수 있다. 추천을 제공할 때에, 논리적 연산자는 유일한 선택 사항이 아니다. 매핑 함수(33)는 수신된 프로세스 상황 파라미터에 기반하여 추천을 제공하기 위하여, 스케일링된 파라미터를 활용하기 위한 로직을 포함할 수 있다. 따라서, 이러한 추천도, 예를 들어 투여 제어 유닛으로의 입력으로서 사용되는 투여 곡선의 형태인 추천 파라미터일 수 있다. 더 나아가, 추천을 제공하기 위한 규칙도 추천 및 미리 선택된 교란의 상황 사이의 관계를 기술하는, y = x1+x2+x3과 같은 임의의 수학 방정식/함수일 수 있으며, 여기에서 y는 화학물질의 양이고, x1, x2, x3는 미리 선택된 교란의 상황이다.
도 10은 교란 추정을 매핑하고 추천을 제공하기 위한 다른 실시형태(100)를 도시한다. 이러한 예는 폐수 처리 프로세스를 예시한다. 상황 값에 대해서 사용된 임계는 -100 내지 100의 범위에 속한다. 값이 0 미만이면 교란 추정은 OK 레벨에 있다. 값이 0 내지 50 사이이면, 교란 추정은 경고 레벨에 있다. 값이 50 보다 크면, 교란 추정은 경보 레벨에 있다. 상태 I는 서브 처리 프로세스의 배출구 내의 COD 로드를 나타낼 수 있다. 상태 J는 고체 분리기의 배출구 내의 부유된 고체 로드를 나타낼 수 있다. 상태 I 및 J가 OK이면, 추천된 선량은 1 mg/l이다. (그러나, 모든 상황이 OK라면, 현재의 투여량을 유지하고 추천을 따르지 않는 것이 바람직하다.) 상태 I가 경고 또는 경보이고, 상태 J가 OK이면, 추천된 선량은 2 mg/l이다. 상태 J가 경보이면(상태 I와 무관함), 추천된 선량은 2.5 mg/l이다. 상태 J가 경고이면, 추천된 선량은 3 mg/l이다. 투여하기 위한 화학물질은 응집제일 수 있다.
장치는 전처리된 측정치 및 프로세스 데이터로부터 머신 러닝 값을 형성하는 제 3 유닛(6)을 포함할 수 있고, 이러한 머신 러닝 값은 제 1 유닛(8) 내에서 전처리된 측정치 및 프로세스 데이터와도 사용된다. 머신 러닝 값은 ML 알고리즘의 결과이다. 그러므로, 제 1 유닛은 머신 러닝 값을 머신 러닝 값들의 미리 선택된 그룹으로부터 더 수신하고, 수신된 머신 러닝을 더 정규화하며, 정규화된 머신 러닝 값을 더 연산하고, 연산된 정규화된 머신 러닝 값을 더 스케일링하도록 구성된다. 스케일링의 출력은 프로세스의 파라미터의 교란 추정이다.
프로세스를 이해하기 위해서, 머신 러닝(ML) 값이 형성된다. 큰 데이터세트에서 정보 및 패턴을 추출하기 위해서 머신 러닝이 사용된다. 매칭 러닝 알고리즘은 보통, 컴퓨터가 정확한 명령이 없이, 하지만 패턴을 인식하는 것에 의존하여 특정 태스크 수행하기 위하여 사용할 수 있는 통계 모델에 기반하고 있다. 인식된 패턴은 훈련 데이터세트에 기반하여 수학적 모델을 구축함으로써 획득될 수 있다. 새로운 데이터를 수학적 모델에 공급함으로써 시뮬레이션 및 패턴 인식이 수행될 수 있다.
이러한 장치는 제 3 유닛의 머신 러닝 값으로부터 설명 값을 형성하는 제 4 유닛(7)을 더 포함할 수 있다. 설명 값은 제 1 유닛 내에서 전처리된 측정치 및 프로세스 데이터 및 머신 러닝 값과도 함께 사용된다. 그러므로, 제 1 유닛(8)은 설명 값을 설명 값들의 미리 선택된 그룹으로부터 더 수신하고, 수신된 설명 값을 더 정규화하며, 정규화된 설명 값을 더 연산하고, 연산된 정규화된 설명 값을 더 스케일링하도록 구성된다. 스케일링의 출력은 프로세스의 파라미터의 교란 추정이다.
ML의 출력(예측 / 시뮬레이션)으로부터 프로세스 내에서 어떤 일이 벌어지고 있는지를 알게 되는 것은 어렵기 때문에, ML 예측이 입력 변수로 역방향으로 어떻게 링크되는지를 추적하기 위해서 SHAP 값과 유사한 설명 값이 사용된다. 각각의 예측의 경우, 각각의 입력 변수에 대하여 해당 변수가 최종 예측에 어떻게 기여하고 있는지를 표시하는 등급 숫자가 계산된다. 이러한 등급 숫자는 주어진 시점에서 입력 값의 중요도를 표시하는 설명 값으로서 여겨질 수 있다.
머신 러닝의 설명 값은 예를 들어, SHAP 값, LIME 방법으로부터의 값, DeepLIFT 방법으로부터의 값 또는 임의의 다른 가능한 설명 값이다. LIME 방법은 개별 모델 예측들을 해석하는데, 이들은 이러한 모델을 주어진 예측 근방에서 국지적으로 근사화하는 것에 기반한다. LIME은 단순화된 입력 x를 해석가능한 입력으로 간주한다. 매핑 x = hx(x)는 해석가능 입력들의 이진 벡터를 원래의 입력 공간으로 변환한다. 상이한 타입의 hx 매핑들이 상이한 입력 공간에 대해서 사용된다.
DeepLIFT는 재귀적 예측 설명 방법이다. 이것은 각각의 입력 xi에 해당 입력이 그 원래의 값에 반하여 레퍼런스 값으로 설정되는 것의 효과를 나타내는 값 C△xi△y를 부여한다. 이것은 DeepLIFT 매핑인 x = hx(x)가 이진 값을 원래의 입력으로 변환한다는 것을 의미하고, 여기에서 1은 입력이 자신의 원래의 값을 취한다는 것을 표시하며, 0는 이것이 레퍼런스 값을 가진다는 것을 표시한다. 레퍼런스 값은 해당 피쳐에 대한 통상적인 무정보성(uninformative) 배경 값을 나타낸다.
SHAP(SHapley Additive exPlanation) 설명 값은 각각의 피쳐에게, 해당 피쳐에 대해 조절할 때에 기대된 모델 예측에서의 변경을 부여한다. 이러한 값은, 우리가 현재의 출력 f(x)에 관련된 임의의 피쳐를 알지 못한다면 예측될 기대치 E[f(z)]를 베이스 값으로부터 어떻게 얻어내는지를 설명한다. 피쳐들이 기대치 안에서 가산되는 순서가 중요하다. 그러나, 이것은 SHAP 값에서 고려된다.
도 5는 본 발명의 방법의 흐름도 예시를 보여준다. 본 발명의 방법은 프로세스 성능을 개선하기 위하여 교란을 추정하고 추천을 제공하기 위한 것이다. 이것은 프로세스의 변수를 측정하는 단계(50), 및 측정 단계의 측정치 및 프로세스 데이터를 전처리하는 단계(51)를 가진다. 이러한 방법은 교란을 추정하기 위한 단계(52), 및 추천을 형성하기 위한 단계(53)를 더 포함한다. 언급된 바와 같이, 추천 출력은 로컬 제어 루프의 세트포인트를 조절하는 것으로서 사용될 수 있다. 세트포인트 추천은, 예를 들어 화학물질, 예컨대 보존 화학물질, 사이즈제, 침착 제어 화학물질, 전하 제어 화학물질, 강화 화학물질, 소포제, 분산제, 살생물제, 응혈제, 응집제의 투여를 위한 것일 수 있다.
추정 단계(52)는 도 6에서 좀 더 상세하게 도시되어 있다. 프로세스의 파라미터의 각각의 교란 추정에 대하여, 교란을 추정하는 단계(52)는 수신, 정규화, 연산 및 스케일링을 위한 하위단계를 포함한다. 수신 단계(60)는 전처리된 프로세스 및 측정 데이터를 프로세스의 변수들의 미리 선택된 그룹으로부터 수신하기 위한 것이다. 정규화 단계(61)는 수신된 전처리된 측정 및 처리 데이터를 정규화하기 위한 것이다. 연산 단계(62)는 정규화된 데이터를 연산하기 위한 것이다. 스케일링 단계(63)는 연산된 정규화된 데이터를 스케일링하기 위한 것이다. 스케일링 단계의 출력(64)은 프로세스의 파라미터의 교란 추정이다. 이러한 단계의 함수들은 위에서 논의되었다.
추천 형성 단계(53)는 도 7에 좀 더 상세하게 도시되어 있다. 각각의 추천 형성에 대하여, 추천을 형성하는 단계(53)는 수신, 매핑 및 형성의 하위단계를 포함한다. 수신 단계(70)는 교란 추정을 스케일링 단계들의 출력들의 미리 선택된 그룹으로부터 수신하기 위한 것이다. 매핑 단계(71)는 각각의 수신된 교란 추정을 상황 카테고리 중 하나에 매핑하기 위한 것이다. 형성 단계(72)는 매핑된 교란 추정을 활용하여 각각의 추천을 형성하기 위한 것이다. 언급된 바와 같이, 추천 출력(73)은 로컬 제어 루프의 세트포인트를 조절하는 것 또는 원시 재료의 변경으로서 사용될 수 있다.
도 8은 본 발명에 따른 수정된 방법을 도시한다. 이것은 머신 러닝 값을 전처리된 프로세스 및 측정 데이터로부터 형성하기 위한 추가 단계(85)를 포함한다. 머신 러닝 값은 교란을 추정할 때에 전처리된 측정치 및 프로세스 데이터와도 함께 사용된다. 그러므로, 수신 단계(80)는 머신 러닝 값을 머신 러닝 값들의 미리 선택된 그룹으로부터 더 수신하고, 정규화 단계(81)는 수신된 머신 러닝 값을 더 정규화하며, 연산 단계(82)는 정규화된 머신 러닝 값을 더 연산하고, 스케일링 단계(83)는 연산된 정규화된 머신 러닝 값을 더 스케일링한다. 스케일링 단계의 출력은 프로세스 상태의 파라미터의 교란 추정이다.
도 9는 본 발명에 따른 추가적인 수정된 방법을 도시한다. 이러한 방법은 머신 러닝 값으로부터 설명 값을 형성하기 위한 추가 단계(95)를 포함하고, 설명 값은 교란을 추정할 때에 전처리된 측정치 및 프로세스 데이터 및 머신 러닝 값과도 함께 사용된다. 그러므로, 수신 단계(90)는 설명 값을 설명 값들의 미리 선택된 그룹으로부터 더 수신하고, 정규화 단계(91)는 수신된 설명 값을 더 정규화하며, 연산 단계(92)는 정규화된 설명 값을 더 연산하고, 스케일링 단계(93)는 연산된 정규화된 설명 값을 더 스케일링한다. 스케일링 단계의 출력(94)은 프로세스의 파라미터의 교란 추정이다. 도 5 내지 도 9의 기능은 본 발명의 장치의 설명과 함께 앞서 논의되었다.
더 나아가, 정규화 단계는 각각의 수신된 데이터 또는 값에 대해서 특이적인 정규화 함수를 포함할 수 있다. 연산 단계는 하나 이상의 연산을 포함할 수 있다. 연산은 합산, 메디안, 평균, min/max 연산 등이다. 스케일링 단계의 스케일링은 각각의 교란 추정에 대하여 개별적이다. 형성된 추천은 프로세스의 상이한 제어 장치의 세트포인트를 조절하기 위하여 및/또는 하나 이상의 업스트림 프로세스 단계(예를 들어 원시 재료 핸들링 및 처리)를 조절하기 위하여 프로세스의 원시 재료를 변경하기 위해서 사용된다. 교란을 최소화하고, 비용을 최소화하며, 에너지를 최소화하고, 생산 타겟을 향상시키며, 동작 프로세스를 안정화시키는 등을 위하여, 추천은 에너지 수지, 생산 볼륨, 원시 재료 비용 등에 대한 전체 목표일 수도 있다. 프로세스에서 원시 재료를 변경하는 것은, 예를 들어 오염된 원시 재료로부터 더 적게 오염되거나 오염되지 않은 원시 재료로 변경하는 것일 수 있다. 일 예는 허용불가능한 레벨까지 미생물학적으로 오염된 섬유성 서스펜션(예를 들어, 펄프 서스펜션)이다.
형성된 추천은 화학물질 투여(예를 들어 보존 화학물질, 사이즈제, 침착 제어 화학물질, 전하 제어 화학물질, 강화 화학물질, 소포제, 분산제, 살생물제, 응혈제, 응집제)의 세트포인트를 조절하기 위해서 사용될 수 있다. 더 나아가, 추천은, 일부 예를 말하자면 타워 레벨/타워 채움/비움에 대한 세트포인트를 조절하고, 펄프 세정기로 공급되는 희석수의 양을 조절하며, 펄프(들)의 세정 효율을 개선하고, 프로세스 스트림(들)의 pH 값을 조절하기 위해서 사용될 수 있다.
형성된 추천은 보존 화학물질(retention chemical), 사이즈제(sizing agent), 침착 제어 화학물질, 전하 제어 화학물질, 강화 화학물질(strength chemical), 소포제(defoamer), 분산제, 살생물제, 응혈제, 응집제와 같은 화학물질의 투여(dosing)에 대한, 그리고 타워 레벨/타워 채움/비움에 대한 세트포인트를 조절하기 위하여, 펄프 세정기로 공급되는 희석수의 양을 조절하기 위하여, 펄프(들)의 세정 효율을 개선하기 위하여, 프로세스 스트림(들)의 pH 값을 조절하기 위하여, 그리고 보관 타워 내의 지연 시간, 보관 타워 내의 표면 레벨(들), 또는 보관 타워 내의, 예를 들어 섬유성 서스펜션(fibrous suspension)의 보관 타워 내의 프로세스 스트림의 가스첨가(aeration), 순환 또는 혼합을 위하여 사용될 수 있다.
본 발명은 서로 영향을 주는 여러 서브-프로세스 및 많은 수의 변수를 가진 용수 집약적 공업 프로세스에 대한 교란을 추정하고 추천을 제공하기 위한 일반적인 방법 및 장치를 제공한다. 이러한 장치 및 방법은 사용되기 이전에 학습된다. 전문가의 지식 및 프로세스 지식이 훈련 페이즈(teaching phase) 도중에 사용될 수 있고, 예를 들어 전문가의 지식 또는 프로세스 지식은 상관 분석 또는 반복에 의해서 획득된다. 앞서 설명된 임계 값의 사전 선택 및 결정, 정규화 선택, 연산자 선택, 스케일링 선택 등도 훈련 페이즈 도중에 이루어진다. 하나의 가능한 방법은 이력 데이터에 기반한 상관 분석이다. 이러한 사상은, 프로세스 성능에 문제점(예를 들어 제지 생산 중의 중단, 처리될 용수 내의 불충분한 고체-액체 분리)을 야기하고 및/또는 제품 품질을 열화시키는(예를 들어, 세기가 약한 것, 결함 개수가 증가하는 것) 프로세스 교란을 찾아내는 것이다. 도메인 및 애플리케이션 전문가들은 면담을 통하여 수집될 수 있는 많은 암묵적인(tacit) 정보를 더 가진다. 필요한 정보는 실험실 또는 실제 프로세스에서 테스트를 수행함에 의해서도 수집될 수 있다(예를 들어, 화학물질 정량(양, 투여 포인트, 타입)을 변경함으로써). 훈련은 반복 단계를 더 포함한다.
훈련 도중에, 특정 목표에 영향을 주는 프로세스 교란이 식별되고 선택된다. 이러한 목표는, 예를 들어 양호한 프로세스 조건을 유지하는 것, 제품 품질을 개선하는 것 등이다. 교란의 식별 및 선택은, 도메인 및 애플리케이션 전문가, 데이터의 시각적 검사, 계산(예컨대, 상관 계산), ML 성능 값 및 다른 통계적 계산에 의해서 이루어질 수 있다. 프로세스의 변수들의 그룹이 각각의 교란에 대하여 선택된다(사전-선택).
변수(측정치, 프로세스 데이터, ML 예측치, 성능 값 등)의 그룹화는 특정 교란과의 개별적인 변수의 상관에 의존한다. 따라서, 각각의 미리 규정된 교란에 대한 변수들의 그룹은, 미리 규정된 교란에 상관되거나 미리 규정된 교란을 기술하는 측정치(들) 또는 계산된 측정치(들)/변수(들)의 세트이다. 언급된 바와 같이 각각의 교란에 대한 변수의 선택은 전문가 지식, 프로세스 지식 및/또는 이력 데이터의 분석(예를 들어 상관 분석, 통계적 분석)에 기반할 수 있다.
정규화 단계(61) 및 연산 단계(62)에 관하여, 정규화를 위한 파라미터는, 예를 들어 변수의 최소 및 최대 값 또는 이력 데이터로부터의 25 % 및 75 % 사분위수(quartile)일 수 있다(예를 들어, 최소 값은 0에 대응하고 최대 값은 1에 대응함). 연산 단계(62)를 위한 수학적 연산자의 선택은 교란 및 미리 선택된 변수(프로세스 전문가(들) 지식 및/또는 이력 데이터의 분석)의 인과율에 따른 의존성/ 관계에 기반한다.
스케일링 단계(63)에 관련하여, 스케일링 함수의 파라미터는 교란 및 미리 선택된 변수(프로세스 전문가(들) 지식 및/또는 이력 데이터의 분석)의 인과율에 따른 의존성/ 관계에 기반한다.
스케일링 단계의 출력들의 미리 선택된 그룹을 제공할 때에, 상관 정보가 사용된다. 따라서, 각각의 추천에 대하여 입력들의 미리 선택된 세트가 추천에 대한 그들의 상관도에 기반하여 식별된다. 상관 정보는 상관 계산, ML 성능 값 및 다른 통계적 계산을 포함할 수 있다. 추천을 제공하기 위한 지식은 프로세스 성능에 대한 이력 데이터/정보에 기반한다.
이러한 방법 및 장치는 주로 클라우드 서비스로서 온라인으로 제공될 수 있지만, 프로세스 내의 로컬 방법 및 장치일 수도 있다. 그러므로, 상기 유닛들은 클라우드 내의 서버/서버들 내에 또는 국지적으로 제공될 수 있다. 좀 더 상세하게 말하자면, 유닛들은 회로 보드, 소프트웨어 또는 그들의 조합, 또는 컴퓨터로서 실현될 수 있다. 상기 라이브러리/라이브러리가 데이터베이스/메모리인 것도 역시 명백하다. 전술된 바와 같이, 본 발명은 교란을 추정하고 추천을 제공하기 위한 새로운 방법 및 장치를 제공한다. 이러한 사상은 상기 변수(입력)들의 미리 선택된 그룹 및 교란 추정의 미리 선택된 그룹을 여러 단계에서 사용하는 것이다.
선택된 교란들의 조합(그룹)을 사용함으로써, 그룹 내의 각각의 교란의 영향을 최적화하는 추천이 제공될 수 있다.
이러한 그룹화에 일부 기인하여, 본 발명에 따른 방법 및 장치는 더 신뢰가능한 추천을 제공하게 된다. 본 발명에 따른 방법 및 장치를 사용하면, 프로세스가 더 안정해지고, 즉 교란이 프로세스에 더 큰 교란을 초래하기 이전에 이러한 교란을 효율적으로 완화시키는 것이 가능해진다.
프로세스의 변수/프로세스 데이터를 어떤 그룹으로 사전 선택하는 것은, 전문가 지식 또는 프로세스 지식에 의하여, 예를 들어 특정 프로세스 변수와 상관되는 변수를 찾음으로써 수행될 수 있다. 프로세스의 파라미터의 교란 추정들의 그룹을 사전 선택하는 것은 추천으로 들어가는 입력을 형성하도록 수행될 수 있다. 다르게 말하면, 교란 추정이 어느 그룹에 속하는지가 추천에 의해서 영향받을 수 있다.
더 나아가, 추천들의 조합을 사용하는 것은, 교란들의 결합된 세트를 완화시킴으로써 전체 프로세스를 더 안정화시키기 위해서 사용될 수 있다.
이것은 특히, 용수 집약적 프로세스가 교란을 추정하고 추천을 제공하기 위한 장치로 들어가는 수 백 개 또는 심지어 천 개보다 많은 입력을 가지는 경우이다. 이러한 종류의 프로세스는 펄프 제조 프로세스, 제지 프로세스, 티슈 제조 프로세스, 보드 제조 프로세스, 및 폐수 처리 프로세스 및 원시 용수 처리 프로세스이다. 이러한 종류의 프로세스는 구체적으로, 펄프 제조 프로세스, 제지 프로세스, 보드 제조 프로세스, 및 폐수 처리 프로세스이다.
선행 기술의 방법 또는 장치를 사용할 때에, 획득된 추천은 정확도가 떨어지고 신뢰할 수 없을 것이다.
더 나아가, 본 발명에 따른 상기 방법 및 장치에 대한 입력이 측정 / 프로세스 데이터, ML 값, 및/또는 설명 값일 수 있다는 것을 언급할 가치가 있다.
이러한 프로세스는 용수 집약적 공업 프로세스, 예컨대 펄프 제조 프로세스, 제지 프로세스, 보드 제조 프로세스, 티슈 제조 프로세스, 제지기, 펄프 밀, 티슈 머신, 보드 머신, 용수 처리 프로세스, 폐수 처리 프로세스, 원시 용수 처리 프로세스, 용수 재사용 프로세스, 임의의 공업 용수 처리 프로세스, 도시 용수, 도시 폐수 처리 프로세스, 슬러지 처리 프로세스, 채굴 프로세스 공정, 또는 오일 회수 프로세스, 또는 그 외의 임의의 용수 집약적 공업 프로세스이다. 이러한 프로세스는, 예를 들어 펄프 제조 프로세스, 제지 프로세스, 티슈 제조 프로세스, 보드 제조 프로세스, 및 폐수 처리 프로세스 및 원시 용수 처리 프로세스일 수 있다. 프로세스의 예는 펄프 제조 프로세스, 제지 프로세스, 보드 제조 프로세스, 및 폐수 처리 프로세스이기도 하다.
전술된 내용으로부터, 본 발명이 본 명세서에서 설명된 실시형태들로 한정되지 않으며, 독립항의 범위 내에서 그 외의 상이한 많은 실시형태를 활용하여 구현될 수 있다는 것이 명백하다.
Claims (18)
- 용수 집약적 공업 프로세스의 프로세스 성능에 대한 교란을 추정하고 추천을 제공하기 위한 방법으로서,
프로세스의 변수를 측정하고 프로세스 데이터를 수집하는 단계(50); 및
측정하고 수집하는 단계의 측정치 및 프로세스 데이터를 전처리하는 단계(51)
를 포함하고,
상기 방법은, 교란을 추정하는 단계(52) 및 추천을 형성하는 단계(53)를 더 포함하며,
프로세스의 파라미터의 각각의 교란 추정에 대하여, 상기 교란을 추정하는 단계는,
전처리된 측정치 및 프로세스 데이터를 상기 프로세스의 변수들의 미리 선택된 그룹으로부터 수신하는 하위단계(60),
수신된 전처리된 측정치 및 프로세스 데이터를 정규화하는 하위단계(61),
정규화된 데이터를 연산하는 하위단계(62), 및
연산된 정규화된 데이터를 스케일링하는 하위단계(64)
를 포함하고,
상기 스케일링하는 하위단계(64)의 출력은 상기 프로세스의 파라미터의 교란 추정이며,
각각의 추천에 대하여, 상기 추천을 형성하는 단계는,
상기 교란 추정을 상기 스케일링하는 하위단계의 출력들의 미리 선택된 그룹으로부터 수신하는 하위단계(70),
각각의 수신된 교란 추정을 상황 카테고리 중 하나에 매핑하는 하위단계(71), 및
매핑된 교란 추정을 활용하여 각각의 추천을 형성하는 하위단계(72)
를 포함하는, 방법. - 제 1 항에 있어서,
상기 방법은,
상기 전처리된 측정치 및 프로세스 데이터로부터 머신 러닝 값을 형성하기 위한 추가 단계(85)를 포함하고,
상기 머신 러닝 값은 교란을 추정할 때에, 전처리된 프로세스 및 측정 데이터와 함께 더 사용됨으로써,
수신 단계(80)가 상기 머신 러닝 값을 머신 러닝 값들의 미리 선택된 그룹으로부터 더 수신하게 하고,
정규화 단계(81)가 수신된 머신 러닝 값을 더 정규화하게 하며,
연산 단계(82)가 정규화된 머신 러닝 값을 더 연산하게 하고,
스케일링 단계(83)가 연산된 정규화된 머신 러닝 값을 더 스케일링하게 하며,
상기 스케일링 단계의 출력은 상기 프로세스의 파라미터의 교란 추정인, 방법. - 제 2 항에 있어서,
상기 방법은,
상기 머신 러닝 값으로부터 설명 값(explanation value)을 형성하기 위한 추가 단계(95)를 포함하고,
상기 설명 값은 교란을 추정할 때에, 전처리된 프로세스 및 측정 데이터 및 머신 러닝 값과 함께 더 사용됨으로써,
수신 단계(90)가 상기 설명 값을 설명 값들의 미리 선택된 그룹으로부터 더 수신하게 하고,
정규화 단계(91)가 수신된 설명 값을 더 정규화하게 하며,
연산 단계(92)가 정규화된 설명 값을 더 연산하게 하고,
스케일링 단계(93)가 연산된 정규화된 설명 값을 더 스케일링하게 하며,
상기 스케일링 단계의 출력은 상기 프로세스의 파라미터의 교란 추정인, 방법. - 제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
상기 정규화 단계는,
각각의 수신된 데이터 또는 값에 대해 특이적인 정규화 함수를 포함하는, 방법. - 제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
상기 연산 단계는 하나 이상의 연산을 포함하는, 방법. - 제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
상기 연산은 합산, 메디안, 평균, 또는 min/max 연산인, 방법. - 제 1 항 내지 제 6 항 중 어느 한 항에 있어서,
상기 스케일링 단계의 스케일링은 각각의 교란 추정에 대하여 개별적인, 방법. - 제 1 항 내지 제 7 항 중 어느 한 항에 있어서,
형성된 추천은,
상기 프로세스의 상이한 제어 장치의 세트포인트를 조절하고 및/또는 상기 프로세스의 원시 재료를 변경하기 위하여 사용되는, 방법. - 제 8 항에 있어서,
세트포인트 추천은,
보존 화학물질(retention chemical), 사이즈제(sizing agent), 침착 제어 화학물질, 전하 제어 화학물질, 강화 화학물질(strength chemical), 소포제(defoamer), 분산제, 살생물제, 응혈제, 응집제와 같은 화학물질의 투여(dosing) 및 타워 레벨/타워 채움/비움에 대한 추천,
펄프 세정기로 공급되는 희석수의 양을 조절하기 위한 추천,
펄프(들)의 세정 효율을 개선하기 위한 추천,
프로세스 스트림(들)의 pH 값을 조절하기 위한 추천, 및
보관 타워 내의 지연 시간, 보관 타워 내의 표면 레벨(들), 또는 예를 들어 섬유성 서스펜션(fibrous suspension)의 보관 타워와 같은 보관 타워 내의 프로세스 스트림의 가스첨가(aeration), 순환 또는 혼합을 위한 추천
을 포함하는, 방법. - 제 1 항 내지 제 9 항 중 어느 한 항에 있어서,
상기 프로세스는,
펄프 제조 프로세스, 제지 프로세스, 보드 제조 프로세스, 티슈 제조 프로세스, 제지기(paper machine), 펄프 밀(pulp mill), 티슈 머신, 보드 머신, 용수 처리 프로세스, 폐수 처리 프로세스, 원시 용수 처리 프로세스, 용수 재사용 프로세스, 임의의 공업 용수 처리 프로세스, 도시 용수, 도시 폐수 처리 프로세스, 슬러지 처리 프로세스, 채굴 프로세스, 또는 오일 회수 프로세스인, 방법. - 프로세스 성능을 개선하기 위하여 교란을 추정하고 추천을 제공하기 위한 장치로서,
프로세스의 변수를 측정하고 프로세스 데이터를 수신하는 측정 디바이스 및 수신 인터페이스(4); 및
상기 측정 디바이스 및 수신 인터페이스로부터의 측정치 및 프로세스 데이터를 전처리하는 전처리 장치(5)
를 포함하고,
상기 장치는 교란을 추정하는 제 1 유닛(8), 및 추천을 형성하는 제 2 유닛(9)을 더 포함하며,
상기 제 1 유닛(8)은, 프로세스의 파라미터의 각각의 교란 추정을 위한 교란을 추정하기 위하여,
전처리된 측정치 및 프로세스 데이터를 상기 프로세스의 변수들의 미리 선택된 그룹으로부터 수신하고,
수신된 전처리된 측정 데이터를 정규화하며,
정규화된 데이터를 연산하고,
연산된 정규화된 데이터를 스케일링하도록
구성되고,
스케일링의 결과는 상기 프로세스의 파라미터의 교란 추정이며,
상기 제 2 유닛(9)은, 각각의 추천 형성을 위하여,
상기 교란 추정을 상기 제 1 유닛의 출력들의 미리 선택된 그룹으로부터 수신하고,
각각의 수신된 교란 추정을 상황 카테고리 중 하나에 매핑하며,
매핑된 교란 추정을 활용하여 각각의 추천을 형성하도록
구성된, 장치. - 제 11 항에 있어서,
상기 장치는,
상기 전처리된 프로세스 및 측정 데이터로부터 머신 러닝 값을 형성하는 제 3 유닛(6)을 포함하고,
상기 머신 러닝 값은 상기 제 1 유닛(8) 내에서, 전처리된 프로세스 및 측정 데이터와 함께 더 사용됨으로써, 상기 제 1 유닛은,
상기 머신 러닝 값을 머신 러닝 값들의 미리 선택된 그룹으로부터 더 수신하고,
수신된 머신 러닝 값을 더 정규화하며,
정규화된 머신 러닝 값을 더 연산하고,
연산된 정규화된 머신 러닝 값을 더 스케일링하도록
구성되고,
스케일링의 출력은 상기 프로세스의 파라미터의 교란 추정인, 장치. - 제 12 항에 있어서,
상기 장치는,
상기 제 3 유닛의 머신 러닝 값으로부터 설명 값을 형성하는 제 4 유닛(7)을 포함하고,
상기 설명 값은 상기 제 1 유닛 내에서, 전처리된 프로세스 및 측정 데이터 및 상기 머신 러닝 값과 함께 더 사용됨으로써, 상기 제 1 유닛(8)은,
상기 설명 값을 설명 값들의 미리 선택된 그룹으로부터 더 수신하고,
수신된 설명 값을 더 정규화하며,
정규화된 설명 값을 더 연산하고,
연산된 정규화된 설명 값을 더 스케일링하도록
구성되고,
스케일링의 출력은 상기 프로세스의 파라미터의 교란 추정인, 장치. - 제 11 항 내지 제 13 항 중 어느 한 항에 있어서,
상기 정규화는,
각각의 수신된 데이터 또는 값에 대해 특이적인 정규화 함수를 포함하는, 장치. - 제 11 항 내지 제 14 항 중 어느 한 항에 있어서,
상기 연산은 하나 이상의 연산을 포함하는, 장치. - 제 11 항 내지 제 15 항 중 어느 한 항에 있어서,
상기 연산은 합산, 메디안, 평균, 또는 min/max 연산인, 장치. - 제 11 항 내지 제 16 항 중 어느 한 항에 있어서,
상기 스케일링은 각각의 교란 추정에 대하여 개별적인, 장치. - 제 11 항 내지 제 16 항 중 어느 한 항에 있어서,
상기 프로세스는,
펄프 제조 프로세스, 제지 프로세스, 보드 제조 프로세스, 티슈 제조 프로세스, 제지기, 펄프 밀, 티슈 머신, 보드 머신, 용수 처리 프로세스, 폐수 처리 프로세스, 원시 용수 처리 프로세스, 용수 재사용 프로세스, 임의의 공업 용수 처리 프로세스, 도시 용수, 도시 폐수 처리 프로세스, 슬러지 처리 프로세스, 채굴 프로세스, 또는 오일 회수 프로세스인, 장치.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FI20215456 | 2021-04-16 | ||
| FI20215456 | 2021-04-16 | ||
| PCT/FI2022/050252 WO2022219248A1 (en) | 2021-04-16 | 2022-04-14 | A method for estimating disturbances and giving recommendations for improving process performance |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230172510A true KR20230172510A (ko) | 2023-12-22 |
Family
ID=81454777
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237038342A KR20230172510A (ko) | 2021-04-16 | 2022-04-14 | 프로세스 성능을 개선하기 위하여 교란을 추정하고 추천을 제공하기 위한 방법 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US20240192676A1 (ko) |
| EP (1) | EP4323933A1 (ko) |
| KR (1) | KR20230172510A (ko) |
| CN (1) | CN117223014A (ko) |
| BR (1) | BR112023020412A2 (ko) |
| CA (1) | CA3213519A1 (ko) |
| WO (1) | WO2022219248A1 (ko) |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017184073A1 (en) * | 2016-04-18 | 2017-10-26 | Sembcorp Industries Ltd | System and method for wastewater treatment process control |
| US11586163B2 (en) * | 2017-06-09 | 2023-02-21 | Autodesk, Inc. | Predictive modelling and control for water resource infrastructure |
-
2022
- 2022-04-14 EP EP22720470.8A patent/EP4323933A1/en active Pending
- 2022-04-14 KR KR1020237038342A patent/KR20230172510A/ko unknown
- 2022-04-14 CA CA3213519A patent/CA3213519A1/en active Pending
- 2022-04-14 US US18/286,144 patent/US20240192676A1/en active Pending
- 2022-04-14 WO PCT/FI2022/050252 patent/WO2022219248A1/en active Application Filing
- 2022-04-14 BR BR112023020412A patent/BR112023020412A2/pt unknown
- 2022-04-14 CN CN202280028263.6A patent/CN117223014A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20240192676A1 (en) | 2024-06-13 |
| EP4323933A1 (en) | 2024-02-21 |
| CA3213519A1 (en) | 2022-10-20 |
| BR112023020412A2 (pt) | 2023-12-05 |
| CN117223014A (zh) | 2023-12-12 |
| WO2022219248A1 (en) | 2022-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Asadi et al. | Wastewater treatment aeration process optimization: A data mining approach | |
| Heddam et al. | ANFIS-based modelling for coagulant dosage in drinking water treatment plant: a case study | |
| US5282131A (en) | Control system for controlling a pulp washing system using a neural network controller | |
| JP7043983B2 (ja) | 汚水処理施設の水質判定装置及び水質判定方法 | |
| US20240103456A1 (en) | A method and system for monitoring a process | |
| Juntunen et al. | Cluster analysis by self-organizing maps: An application to the modelling of water quality in a treatment process | |
| EP1658534B1 (en) | Method and device arrangement for automatic dose control of chemicals | |
| Yel et al. | Prediction of primary treatment effluent parameters by Fuzzy Inference System (FIS) approach | |
| Juntunen et al. | Dynamic soft sensors for detecting factors affecting turbidity in drinking water | |
| dos Santos et al. | Intelligent system for improving dosage control | |
| Vijayaraghavan et al. | A quick review on applications of fuzzy logic in waste water treatment | |
| Godo-Pla et al. | Implementation of an environmental decision support system for controlling the pre-oxidation step at a full-scale drinking water treatment plant | |
| KR20230172510A (ko) | 프로세스 성능을 개선하기 위하여 교란을 추정하고 추천을 제공하기 위한 방법 | |
| Tomperi et al. | Drinking water quality monitoring using trend analysis | |
| US11644390B2 (en) | Contextual data modeling and dynamic process intervention for industrial plants | |
| De Menezes et al. | Application of uncertainty analysis of artificial neural networksfor predicting coagulant and alkalizer dosages in a water treatment process | |
| Adgar et al. | Performance improvements at surface water treatment works using ANN-based automation schemes | |
| Juuso et al. | Intelligent analysers and dynamic simulation in a biological water treatment process | |
| CN118410312B (en) | Intelligent control method for dry bulk cargo wharf sewage treatment equipment | |
| Ratnaweera et al. | Coagulant dosing control–a review | |
| Bello et al. | A Survey of Modelling Techniques and Control Strategies Employed for Coagulation Process in Drinking Water Treatment Plants | |
| US20240103507A1 (en) | A diagnostic arrangement | |
| WO2024034509A1 (ja) | 廃液処理設備の運転方法、処理後廃液の性質を予測する方法、運転システム及び予測システム | |
| Zambrano et al. | Monitoring a secondary settler using Gaussian mixture models | |
| CN118410312A (zh) | 一种干散货码头污水处理设备智能控制方法 |