TW202411799A - 資訊處理裝置、資料構造、資訊處理程式以及資訊處理方法 - Google Patents
資訊處理裝置、資料構造、資訊處理程式以及資訊處理方法 Download PDFInfo
- Publication number
- TW202411799A TW202411799A TW112123985A TW112123985A TW202411799A TW 202411799 A TW202411799 A TW 202411799A TW 112123985 A TW112123985 A TW 112123985A TW 112123985 A TW112123985 A TW 112123985A TW 202411799 A TW202411799 A TW 202411799A
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- same
- information processing
- similar content
- unit
- Prior art date
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title claims description 7
- 238000000034 method Methods 0.000 claims abstract description 193
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 238000003860 storage Methods 0.000 claims abstract description 14
- 239000000284 extract Substances 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims description 38
- 238000000926 separation method Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 description 65
- 238000012545 processing Methods 0.000 description 30
- 239000000126 substance Substances 0.000 description 25
- 238000013500 data storage Methods 0.000 description 22
- 230000026676 system process Effects 0.000 description 19
- 239000003054 catalyst Substances 0.000 description 16
- 238000010924 continuous production Methods 0.000 description 15
- 238000013473 artificial intelligence Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000035484 reaction time Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 238000004821 distillation Methods 0.000 description 9
- 239000002994 raw material Substances 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000010923 batch production Methods 0.000 description 6
- 238000009835 boiling Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000000704 physical effect Effects 0.000 description 6
- 239000000047 product Substances 0.000 description 6
- OMOVVBIIQSXZSZ-UHFFFAOYSA-N [6-(4-acetyloxy-5,9a-dimethyl-2,7-dioxo-4,5a,6,9-tetrahydro-3h-pyrano[3,4-b]oxepin-5-yl)-5-formyloxy-3-(furan-3-yl)-3a-methyl-7-methylidene-1a,2,3,4,5,6-hexahydroindeno[1,7a-b]oxiren-4-yl] 2-hydroxy-3-methylpentanoate Chemical compound CC12C(OC(=O)C(O)C(C)CC)C(OC=O)C(C3(C)C(CC(=O)OC4(C)COC(=O)CC43)OC(C)=O)C(=C)C32OC3CC1C=1C=COC=1 OMOVVBIIQSXZSZ-UHFFFAOYSA-N 0.000 description 5
- 238000009792 diffusion process Methods 0.000 description 5
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 4
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- -1 petrochemical Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000036632 reaction speed Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 238000011021 bench scale process Methods 0.000 description 1
- 238000005119 centrifugation Methods 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 229920001971 elastomer Polymers 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000003317 industrial substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000011020 pilot scale process Methods 0.000 description 1
- 239000005060 rubber Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000012209 synthetic fiber Substances 0.000 description 1
- 229920002994 synthetic fiber Polymers 0.000 description 1
- 229920003002 synthetic resin Polymers 0.000 description 1
- 239000000057 synthetic resin Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
資訊處理裝置係具備：第一資料取得部127，係取得第一資料集，該第一資料集係至少包含與第一製程相關的第一製程資料和與執行第一製程的體系相關的第一體系資料；第二資料取得部128，係取得第二資料集，該第二資料集係至少包含與第二製程相關的第二製程資料和與執行第二製程的體系相關的第二體系資料；以及提取部129，係從第一資料集與第二資料集提取內容相同或類似的第一製程資料與第二製程資料的組以及內容相同或類似的第一體系資料與第二體系資料的組中的至少任一個，並將這些對應關係能夠識別地記憶於記憶部。
Description
本發明係關於一種資訊處理裝置、資料構造、資訊處理程式以及資訊處理方法，係處理用以設計廠房(plant)之資訊。
於建設大規模的廠房時，以小級別(small scale)、中級別(medium scale)、大級別(large scale)之方式階段性地擴大級別(scale up)來進行設計。首先，設計用以在小級別中執行製程的體系(系統)，並在經組合的小級別的體系中執行製程。基於此時所獲得的資訊，建立用以預測小級別的體系中的製程之預測模型。使用此預測模型來研討下一個級別的體系中的裝置構成、裝置尺寸、運轉方針等而設計下一個級別的體系。階段性地重複此種研討，最後設計商業級別的廠房。
[先前技術文獻]
[專利文獻]
[專利文獻1]日本特開2019-89907號公報。
[發明所欲解決之課題]
為了進行此種研討，各級別中需要製作預測模型並調整預測模型。因此，花費大量時間與成本，結果導致開發速度降低。
本發明係有鑑於此種狀況而研創，目的在於提供一種用以支援廠房的設計之技術。
[用以解決課題之手段]
為了解決上述課題，本發明之一態樣的一種資訊處理裝置係具備：第一取得部，係取得第一資料集，該第一資料集係至少包含與第一製程相關的第一製程資料和與執行第一製程的體系相關的第一體系資料；第二取得部，係取得第二資料集，該第二資料集係至少包含與第二製程相關的第二製程資料和與執行第二製程的體系相關的第二體系資料；以及提取部，係從第一資料集與第二資料集提取內容相同或類似的第一製程資料與第二製程資料的組以及內容相同或類似的第一體系資料與第二體系資料的組中的至少任一個，並將內容相同或類似的第一製程資料與第二製程資料的組或內容相同或類似的第一體系資料與第二體系資料的組的對應關係能夠識別地記憶於記憶部。
本發明之另一態樣是一種資料構造。此資料構造係包括：第一資料集，係至少包含與第一製程相關的第一製程資料和與執行第一製程的體系相關的第一體系資料；以及第二資料集，係至少包含與第二製程相關的第二製程資料和與執行第二製程的體系相關的第二體系資料。將內容相同或類似的第一製程資料與第二製程資料的組或內容相同或類似的第一體系資料與第二體系資料的組的對應關能夠識別地記憶。
本發明之再另一態樣是一種資訊處理方法。此資訊處理方法係包括以下步驟：取得第一資料集，該第一資料集係至少包含與第一製程相關的第一製程資料和與執行第一製程的體系相關的第一體系資料；取得第二資料集，該第二資料集係至少包含與第二製程相關的第二製程資料和與執行第二製程的體系相關的第二體系資料；以及從第一資料集與第二資料集提取內容相同或類似的第一製程資料與第二製程資料的組以及內容相同或類似的第一體系資料與第二體系資料的組中的至少任一個，並將內容相同或類似的第一製程資料與第二製程資料的組或內容相同或類似的第一體系資料與第二體系資料的組的對應關係能夠識別地記憶於記憶部。
另外，以上構成要素之任意組合、將本發明的表現在方法、裝置、系統、記錄介質、電腦程式等之間轉換的態樣也是本發明的有效態樣。
[發明功效]
根據本發明，能提供一種用以支援廠房的設計之技術。
[第一實施形態]
圖1係示意性地顯示設計廠房的過程之圖。廠房係具備：複數個裝置或機器等，係用以執行將原料處理(反應、分離、乾燥、加工等)來製造製品之製程。於設計商業級別的廠房時，如上述，自規模比廠房小的體系階段性地擴大級別來進行設計。本圖式的例子中，以實驗室(研究室)級別(laboratory scale)的縮小體系、小型級別(bench scale)的中間體系、商業級別(commercial scale)的廠房之順序來擴大級別並進行設計。此外，作為規模比廠房小的體系，可僅研討一個體系，亦可研討規模不同的三個以上的體系。後者亦可例如於小型級別的中間體系與商業級別的廠房之間研討先導(試生產)級別(pilot scale)的中間體系。
例如，如石油、石油化學、化學、合成原藥廠房等處理化學物質的廠房時，實驗室級別的縮小體系係主要由批次式的反應器等所構成。小型級別的中間體系係主要由管型反應器(PFR(Plug Flow Reactor；塞流反應器))或連續攪拌槽反應器(Continuous Stirred-Tank Reactor；CSTR)等所構成。商業級別的廠房係主要由較小型級別的中間體系更大規模或更多級的管型反應器或連續攪拌槽反應器等所構成。此種廠房中執行的化學製程係包含下述製程：藉由化學處理而製造例如工業藥品、化學肥料、紙、紙漿、橡膠、合成纖維、合成樹脂、石油製品、醫藥品、染料、清潔劑、化妝品、生物製品等。
使用用以預測每個規模的體系中的製程之預測模型來研討下一個級別的體系中的裝置構成、裝置尺寸、運轉方針等而設計下一個級別的體系。預測模型可為化學地、物理地、數值分析地模擬製程的模型，亦可為用以計算製程中的各種狀態量或控制量等之數式等。若是處理化學物質的廠房，則預測模型可為下述模型：基於化學反應模型或化學平衡模型等化學工學或物理工學的知識。預測模型可為下述人工智慧等：輸入表示體系的運轉條件的參數並輸出模擬結果或各種狀態量或控制量的值等。
設計廠房之主體係經由多個廠房的設計及運轉而累積與各種各樣的廠房中的擴大級別相關之資料。本案提出一種利用此種資料來支援廠房的設計與運轉之支援方法。
圖2係顯示實施形態的支援系統的構成。支援系統1係具備：廠房3；設計支援裝置100，係支援廠房3的設計；以及設計師終端6，係設計廠房3的設計師所使用。設計支援裝置100、設計師終端6及廠房3係藉由網路或公司內連接系統等任意的通訊網2而連接，並以就地部署(on-premise)、雲端(cloud)、邊緣運算(edge computing)等任意的運用形態來運用。
廠房3係具備：控制對象裝置5，係執行製程；控制裝置4，係設定用以將控制對象裝置5的運轉條件控制之控制量；以及運轉支援裝置200，係使用由設計支援裝置100所學習的預測模型來支援廠房3的運轉。
圖3係顯示本發明的實施形態的支援方法的程序之流程圖。圖2係顯示用以支援廠房的設計之支援方法的程序。
支援廠房3的設計之設計支援裝置100係基於與過去設計廠房時所進行的擴大級別相關的資料來學習規模不同的體系之間的關係(步驟S10)。設計支援裝置100係基於與規模不同的複數個體系相關的資訊與複數個體系中執行製程時的製程之資訊或用以預測複數個體系中執行的製程之模型的資訊來學習體系之間的關係。例如，設計支援裝置100係基於過去案例中的實績來學習藉由將反應器的尺寸擴大級別而由反應器所執行的反應之反應速度係數或用以模擬反應之預測模型的參數等如何變化。與體系相關的資訊為例如構成體系之裝置或機器等的數量、種類、尺寸等。製程的資訊為例如構成製程之處理的種類、次數、時間、是否為批次製程、是否為連續製程、原料種類、原料的量、原料的物性、觸媒種類、觸媒的量、觸媒的特性、執行製程的溫度、壓力、處理量等。預測模型的資訊為例如預測模型的種類、輸入資料的種類、輸出資料的種類、內部參數等。
設計支援裝置100係支援縮小體系的設計(步驟S12)。設計支援裝置100係可基於將執行與設計對象的廠房中執行的製程類似的製程之廠房設計時的實績資料來將縮小體系的構成等提示給設計師終端6。
設計支援裝置100係支援縮小體系預測模型的生成(步驟S14)。設計支援裝置100係可基於縮小體系或與縮小體系中執行的製程類似的過去案例中的實績資料來自動生成縮小體系預測模型的至少一部分。設計支援裝置100係基於縮小體系中執行製程時的資料來決定縮小體系預測模型中的模型類型、確定製程所包含的反應路徑或計算反應速度，藉此大致決定最佳反應時間。
設計支援裝置100係基於縮小體系預測模型來支援中間體系的設計(步驟S16)。設計支援裝置100係可基於縮小體系預測模型來將構成中間體系之裝置或機器的種類、數量、尺寸等提示給設計師終端6。
設計支援裝置100係取得與於步驟S16中設計的中間體系相關的資訊或與中間體系中執行的製程相關的資訊(步驟S18)。
設計支援裝置100係基於在步驟S10中學習的體系之間的關係來從於步驟S18中取得的資訊生成中間體系預測模型的至少一部分(步驟S20)。設計支援裝置100係將基於縮小體系或與縮小體系中執行的製程類似的案例來學習的體系之間的關係應用於實驗室級別的縮小體系預測模型來自動生成小型級別的中間體系預測模型。
設計支援裝置100係基於中間體系預測模型來支援廠房3的設計(步驟S22)。設計支援裝置100係可基於中間體系預測模型來將構成廠房3之裝置或機器的種類、數量、尺寸等提示給設計師終端6。設計支援裝置100係基於中間體系預測模型來調整製程中的反應速度並將觸媒劣化模型化。
設計支援裝置100係取得與於步驟S22中設計的廠房3相關的資訊或與廠房3中執行的製程相關的資訊(步驟S24)。
設計支援裝置100係基於在步驟S10中學習的體系之間的關係來從於步驟S24中取得的資訊生成廠房預測模型的至少一部分(步驟S26)。設計支援裝置100係將基於中間體系或與中間體系中執行的製程類似的案例來學習的體系之間的關係應用於小型級別的中間體系預測模型來自動生成商業級別的廠房預測模型。
設計支援裝置100係基於廠房預測模型來決定廠房3的運轉條件(步驟S28)。設計支援裝置100係將多種運轉條件輸入至廠房預測模型並搜尋給予運轉最佳點的運轉條件。運轉最佳點可為例如使製品的產率最大化的運轉條件。
如此，根據本實施形態的支援方法，能自動生成預測模型的至少一部分，從而不管設計師的能力等，均能設計較佳的廠房。此外，能降低設計廠房的時間、勞力、成本等。此外，能決定廠房的最佳運轉條件。
圖4係顯示實施形態的支援方法的具體例。此具體例的廠房係執行下述製程：藉由將觸媒添加於原料的物質A並以高溫反應而產生物質B與物質C。例如，物質A為沸點範圍在340℃至540℃的餾分，物質B為沸點範圍在540℃以上的餾分，物質C為沸點範圍在340℃以下的餾分。
實驗室級別的縮小體系係由批次型反應器所構成。縮小體系預測模型中，反應時間的影響係以分別表示物質A、物質B、物質C的濃度的時間變化之三個式來考慮。
小型級別的中間體系係由反應器所構成，該反應器係在預測模型存在相當於五級CSTR型的反應時間分布。在中間體系預測模型中，物質A、物質B、物質C的濃度的時間變化係依照反應器的差異而以與縮小體系預測模型不同的式來表示。在CSTR中，於反應時間亦考慮滯留時間。在反應時間有分布的體系中，平均反應時間t
r(s)係使用反應器的體積V(m
3)與反應器的體積流量v(m
3/s)而以t
r=V/v來表示。
商業級別的廠房係由反應器所構成，該反應器係在預測模型存在相當於十級CSTR型的反應時間分布。在廠房預測模型中，物質A、物質B、物質C的濃度的時間變化以與中間體系相同形式的式來表示。
由於縮小體系中執行批次製程，因此運轉時間為至多一次的反應時間左右。因此，觸媒劣化程度不顯著，從而不用考慮作為模型。然而，由於中間體系中執行連續製程，因此運轉時間成為數天至數年左右的長度，從而無法忽略觸媒活性劣化所致的影響。因此，在中間體系預測模型中，觸媒活性的影響係使用表示觸媒活性的時間變化之式來考慮。
再者，由於縮小體系中反應器內部充分攪拌，因此物質擴散不會限速，從而不用考慮作為模型。然而，中間體系中若流量較低，則物質擴散有可能會限速，從而無法忽略物質擴散的影響。因此，中間體系預測模型中也將物質擴散的影響模型化。
圖5係顯示實施形態的支援方法之另一具體例。此具體例的廠房係執行下述製程：用蒸餾來分離複數個餾分混合的原料。
實驗室級別的縮小體系係由用以分離複數個沸點餾分之一個蒸餾塔所構成。由於縮小體系中蒸餾塔內部的溫度會隨著沸點較低的餾分逐漸分離而逐漸變高，因此縮小體系預測模型係包含隨著內部溫度的時間變化而變化之化學平衡模型。
小型級別的中間體系係由溫度壓力不同的複數級蒸餾塔所構成。由於中間體系中各級中分離各沸點餾分，因此中間體系預測模型係包含各級中的化學平衡模型。
商業級別的廠房亦由溫度壓力不同的複數級蒸餾塔所構成。廠房預測模型亦包含各級中的化學平衡模型。
如此，於複數個體系之間有因規模不同而引起的各種差異，隨之，複數個體系的預測模型之間亦有系統性差異。藉由預先學習這些關係而能自動生成預測模型。
設計支援裝置100係可以機械學習來學習自動生成預測模型的AI(Artificial Intelligence；人工智慧)。此自動生成人工智慧可為神經網路(neural network)等，該神經網路係輸入與規模較小的體系相關的資訊、規模較小的體系中執行製程時之製程的資訊、用以預測規模較小的體系中執行的製程之預測模型的資訊、與規模較大的體系相關的資訊、規模較大的體系中執行製程時之製程的資訊、與規模較小的體系和規模較大的體系之間的差異相關的資訊等，並輸出用以預測規模較大的體系中執行的製程之預測模型的資訊。
圖4所示的反應體系中，自動生成中間體系預測模型的自動生成人工智慧係可輸入製程的資訊和與體系的差異相關的資訊，並輸出中間體系預測模型的資訊。例如，自動生成人工智慧係可輸入處理物質的物性、製品的物性、反應的種類、處理量、溫度、壓力等資訊作為製程的資訊，可輸入縮小體系製程是否為連續製程、中間體系製程是否為連續製程、縮小體系製程的處理量、中間體系製程的處理量等資訊作為與體系的差異相關的資訊，可輸出模型類型(PFR、CSTR等)、模型構造(有無觸媒活性項、有無物質移動式等)、模型係數(反應速度係數等)等資訊作為中間體系預測模型的資訊。中間體系預測模型係可包含複數個模型。
圖4所示的反應體系中，自動生成中間體系預測模型的自動生成人工智慧係可輸入與體系相關的資訊和與體系的差異相關的資訊，並輸出中間體系預測模型的資訊。例如，自動生成人工智慧係可輸入模型類型(PFR、CSTR等)、模型反應路徑數、模型係數(反應速度常數等)等資訊作為與體系相關的資訊，可輸入縮小體系製程是否為連續製程、中間體系製程是否為連續製程、縮小體系製程的處理量、中間體系製程的處理量等資訊作為與體系的差異相關的資訊，可輸出模型類型(PFR、CSTR等)、模型構造(有無觸媒活性項、有無物質移動式等)、模型係數(反應速度係數等)等資訊作為中間體系預測模型的資訊。中間體系預測模型係可包含複數個模型。
圖4所示的反應體系中，自動生成中間體系預測模型的自動生成人工智慧係可輸入製程的資訊、與體系相關的資訊和與體系的差異相關的資訊，並輸出中間體系預測模型的資訊。例如，自動生成人工智慧係可輸入處理物質的物性、製品的物性、反應的種類、處理量、溫度、壓力等資訊作為製程的資訊，可輸入模型類型(PFR、CSTR等)、模型反應路徑數、模型係數(反應速度常數等)等資訊作為與體系相關的資訊，可輸入縮小體系製程是否為連續製程、中間體系製程是否為連續製程、縮小體系製程的處理量、中間體系製程的處理量等資訊作為與體系的差異相關的資訊，可輸出模型類型(PFR、CSTR等)、模型構造(有無觸媒活性項、有無物質移動式等)、模型係數(反應速度係數等)等資訊作為中間體系預測模型的資訊。中間體系預測模型係可包含複數個模型。
圖5所示的蒸餾體系中，自動生成中間體系預測模型的自動生成人工智慧係可輸入製程的資訊、與體系相關的資訊和與體系的差異相關的資訊，並輸出中間體系預測模型的資訊。例如，自動生成人工智慧係可輸入處理物質的物性、處理量、溫度、壓力、處理時間(批次製程時)等資訊作為製程的資訊，可輸入模型係數(平衡常數等)、蒸餾塔的理論級數(連續製程時)等資訊作為與體系相關的資訊，可輸入縮小體系製程是否為連續製程、中間體系製程是否為連續製程、縮小體系製程的處理量、中間體系製程的處理量等資訊作為與體系的差異相關的資訊，可輸出模型係數(平衡常數等)、蒸餾塔的理論級數(連續製程時)等資訊作為中間體系預測模型的資訊。中間體系預測模型係可包含複數個模型。
顯示圖4所示的反應體系中自動生成中間體系預測模型時之具體例。將反應器容量及批次製程(槽型反應器)作為實驗室級別的體系資訊、將反應器容量及連續製程(CSTR型反應器)作為小型級別的體系資訊、將實驗室級別中的每單位時間的物質B、物質C的生成量或觸媒D的量作為實驗室級別中的製程資訊、將圖4所示的反應時間模型作為實驗室級別的縮小體系預測模型的資訊輸入至自動生成人工智慧。自動生成人工智慧係輸出圖4所示的小型級別的反應時間模型、反應溫度模型、反應壓力模型以及物質擴散模型作為中間體系預測模型。
圖6係顯示本發明的實施形態的支援方法的程序之流程圖。圖6係顯示用以支援運轉中的廠房的控制之支援方法的程序。
廠房在運轉時(步驟S30)，運轉支援裝置200係基於廠房預測模型來預測表示廠房的狀態之狀態量(步驟S32)。藉由廠房預測模型，能模擬廠房中執行的製程並計算廠房的狀態量，從而能作為軟體感應器來利用。設計支援裝置100係可預測表示廠房的過去、現在或將來的狀態之狀態量。
運轉支援裝置200係將於步驟S32中所預測的狀態量之預測值提示給操作員(步驟S34)。藉此能使操作員一邊確切地掌握廠房的狀態一邊控制廠房3的運轉。
運轉支援裝置200係基於廠房預測模型來計算用以控制廠房之控制參數(步驟S36)。設計支援裝置100係輸入現在的狀態量的值與變更後之控制量的值至廠房預測模型來預測將來的狀態量的值，藉此計算控制量的推薦值。
運轉支援裝置200係將於步驟S36中所計算的控制量的推薦值提示給操作員(步驟S38)。藉此，能使操作員確切地執行用以穩定且有效率地運轉廠房之控制。
圖7係顯示實施形態的設計支援裝置100的構成。設計支援裝置100係具備通訊裝置101、處理裝置120以及記憶裝置130。
通訊裝置101係控制無線或有線的通訊。通訊裝置101係與設計師終端6等之間經由通訊網2傳送、接收資料。
記憶裝置130係儲存由處理裝置120所使用的資料及電腦程式。記憶裝置130係具備實績資料保持部131以及體系間關係保持部132。
實績資料保持部131係保持於設計廠房時所生成的實績資料。實績資料可為例如構成各級別的體系之裝置或機器的種類、數量、尺寸、各級別的製程的種類、內容、特徵、各級別的預測模型的種類、參數等。
體系間關係保持部132係保持表示規模不同的體系之間的關係之資訊。
處理裝置120係具備實績資料取得部121、體系間關係學習部122、體系資訊取得部123、預測模型生成部124、設計支援部125以及運轉條件決定部126。對硬體組件(hardware component)而言，這些構成係以任意的電路、電腦的CPU(Central Processing Unit；中央處理單元)、記憶體、載入至記憶體的程式等來實現，此處描繪以這些協作來實現的功能方塊。因此，該發明所屬技術領域中具有通常知識者應可理解這些功能方塊能以僅有硬體、僅有軟體或這些組合而以各種形式來實現。
實績資料取得部121係取得設計廠房時所生成的實績資料並儲存於實績資料保持部131。
體系間關係學習部122係基於由實績資料保持部131所保持的實績資料來學習規模不同的體系之間的關係，並將與學習過的體系間關係相關的資訊儲存於體系間關係保持部132。
體系資訊取得部123係取得廠房3中執行的製程於規模較廠房3更小的縮小體系中執行時的製程或與縮小體系相關的資訊。
預測模型生成部124係基於儲存於體系間關係保持部132的體系間關係，從由體系資訊取得部123所取得的資訊自動生成用以預測下一個級別中執行的製程之預測模型的至少一部分。
設計支援部125係基於預測模型來支援下一個級別的體系的設計。
運轉條件決定部126係基於預測模型來決定廠房3的運轉條件。
圖8係顯示實施形態的運轉支援裝置200的構成。運轉支援裝置200係具備處理裝置201以及操作面板202。
操作面板202係將顯示構成廠房3之複數個控制對象裝置5的狀態之複數個測量值、藉由控制裝置4而設定於控制對象裝置5之控制操作量的設定值、設定於控制裝置4之控制參數的值等顯示於顯示裝置，並從操作員接受控制參數的值等的輸入。
處理裝置201係具備預測模型取得部203、測量值取得部204、狀態量預測部205、狀態量提示部206、控制參數計算部207、控制參數提示部208以及控制參數設定部209。對硬體組件而言，這些構成係以任何的電路、電腦的CPU、記憶體、載入至記憶體的程式等來實現，此處描繪以這些協作來實現的功能方塊。因此，該發明所屬技術領域中具有通常知識者應可理解這些功能方塊能以僅有硬體、僅有軟體或這些組合而以各種形式來實現。
預測模型取得部203係從設計支援裝置100取得廠房3的預測模型。
測量值取得部204係從設於廠房3之各種感應器等取得顯示控制對象裝置5的狀態之測量值。
狀態量預測部205係基於由預測模型取得部203所取得的預測模型來預測表示廠房3的狀態之狀態量。
狀態量提示部206係將由狀態量預測部205所預測的狀態量之預測值提示於操作面板202。
控制參數計算部207係基於由預測模型取得部203所取得的預測模型來計算應該設定於控制裝置4之控制參數的推薦值。
控制參數提示部208係將由控制參數計算部207所計算的控制參數的推薦值提示於操作面板202。
控制參數設定部209係將由操作員經由操作面板202所輸入的控制參數的設定值設定於控制裝置4。
[第二實施形態]
作為本案的第二實施形態，針對資訊處理技術進行說明，該資訊處理技術係用以在第一實施形態的支援系統1中學習體系間關係。
圖9係示意性地顯示由設計支援裝置100的實績資料保持部131所保持的資料的例子。於設計研討實驗室級別的縮小體系時，顯示批次式的反應器10中的反應開始時的溫度之「反應開始溫度資料」與顯示反應結束時的溫度之「反應結束溫度資料」記錄到實績資料保持部131作為與縮小體系中執行的製程相關的資訊。於設計研討小型級別的中間體系時，顯示連續流動式的反應器11的入口溫度之「反應器入口溫度資料」與顯示出口溫度之「反應器出口溫度資料」記錄到實績資料保持部131作為與中間體系中執行的製程相關的資訊。於設計研討商業級別的廠房時，顯示連續流動式的反應器12的入口溫度之「反應器入口溫度資料」與顯示後續的濃縮器13的入口溫度之「濃縮器入口溫度資料」記錄到實績資料保持部131。此處，製程是指處理原料來得到產物之所有工序。
縮小體系中的「反應開始溫度資料」、中間體系中的「反應器入口溫度資料」及廠房中的「反應器入口溫度資料」均為顯示反應於反應器中開始時的原料的溫度之資料。此外，縮小體系中的「反應結束溫度資料」、中間體系中的「反應器出口溫度資料」及廠房中的「濃縮器入口溫度資料」均為顯示反應於反應器中結束時的反應產物的溫度之資料。
此外，縮小體系的批次製程中「處理量」係表示藉由批次式的反應器一次處理的量且單位為(kg/次)，而中間體系及廠房的連續製程中連續流動式的反應器的流量係表示處理量且單位為(kg/h)。此外，縮小體系的批次製程中的「反應時間」係表示批次式的反應器中的一次反應的時間，而中間體系及廠房的連續製程中滯留於連續流動式的反應器之時間係表示反應時間。
如此，與體系相關的資料或與製程相關的資料等在研討擴大級別中大量生成，即使是相同內容的資料，亦有時會以不同名稱或不同資料構造記錄到實績資料保持部131。因此，為了利用累積於實績資料保持部131的資料來有效率且高精度地學習體系間關係，需要對應資料並整合的技術，該資料係即使內容相同或類似亦以不同名稱或不同資料構造累積於實績資料保持部131。
為了解決此種課題，本實施形態的支援系統1中，從第一資料集與第二資料集提取內容相同或類似的第一製程資料與第二製程資料的組(例如縮小體系製程的「反應開始溫度資料」與中間體系製程的「反應器入口溫度資料」)以及內容相同或類似的第一體系資料與第二體系資料的組中的至少任一個，並將這些對應關係能夠識別地記憶於記憶部，該第一資料集係至少包含與第一製程(例如縮小體系中執行的製程)相關的第一製程資料(例如「反應開始溫度資料」)和與執行第一製程的體系(例如縮小體系)相關的第一體系資料(例如「反應器的種類、尺寸」)，該第二資料集係至少包含與第二製程(例如中間體系中執行的製程)相關的第二製程資料(例如「反應器入口溫度資料」)和與執行第二製程的體系(例如中間體系)相關的第二體系資料(例如「反應器的種類、尺寸」)。藉此能將雖然資料的名稱或構造不同但內容相同或類似之資料對應並整合，從而能有效率且高精度地學習體系間關係。
此處，「內容相同或類似的資料」係不一定限制級別不同的體系中的相同的機器之相同的感應器值，且可包含表示級別相同或不同的體系中相同或類似的機器的狀態之相同或類似的感應器值等。「內容相同或類似的資料」係包含對應的機器之對應的感應器值，該感應器值係級別不同的體系中在製程的設計及運轉等時使用以將特定資訊取得並計算。
圖10係顯示第二實施形態的支援系統1的設計支援裝置100的構成。除了圖7所示的第一實施形態的設計支援裝置100的構成之外，第二實施形態的設計支援裝置100係還具備第一資料取得部127、第二資料取得部128、提取部129、提示部133以及提取模型學習部134。其他的構成及動作係與第一實施形態相同。第二實施形態的設計支援裝置100係作為本案的資訊處理裝置而發揮功能。
第一資料取得部127係取得第一資料集，該第一資料集係至少包含與第一製程相關的第一製程資料和與執行第一製程的體系相關的第一體系資料。第二資料取得部128係取得第二資料集，該第二資料集係至少包含與第二製程相關的第二製程資料和與執行第二製程的體系相關的第二體系資料。研討擴大級別中研討的複數個級別的體系中，規模較小的級別中執行的製程為第一製程，規模較大的級別中執行的製程為第二製程。例如，於研討從縮小體系擴大級別至中間體系時，縮小體系中執行的製程為第一製程，中間體系中執行的製程為第二製程。於研討從中間體系擴大級別至廠房時，中間體系中執行的製程為第一製程，廠房中執行的製程為第二製程。第一資料取得部127及第二資料取得部128係可逐次取得研討擴大級別時所生成的資料。第一資料取得部127及第二資料取得部128係可取得過去研討擴大級別時生成並累積於實績資料保持部131之資料。
提取部129係從由第一資料取得部127所取得的第一資料集與由第二資料取得部128所取得的第二資料集提取內容相同或類似的第一製程資料與第二製程資料的組以及內容相同或類似的第一體系資料與第二體系資料的組中的至少任一個，並將這些對應關係能夠識別地記憶於實績資料保持部131。提取部129係可基於資料的名稱、構造、儲存位置、構成體系之機器或裝置的種類、名稱、數量、尺寸、體系中執行的製程的種類、內容、製程中處理的處理對象的種類、量、特性等來提取資料的組。提取部129係可使用經機械學習的學習過的提取模型來提取資料的組。提取部129係可使用基於規則的演算法來提取資料的組。提取模型或演算法係可針對反應體系、分離體系(結晶體系、提取體系、離心分離體系、蒸餾體系等)、乾燥體系等體系的每個種類而製作，亦可針對製程的每個種類而製作。
提示部133係提示由提取部129所提取且內容與預定資料相同或類似之資料。提示部133係提示包含內容相同或類似的資料之資料集的組。提示部133係可將提示的資料傳送至設計師終端6。
提取模型學習部134係學習由提取部129所使用的提取模型。提取模型學習部134係可學習辭典等，該辭典係顯示一般用作相同資料的名稱之描述不一致的對應關係。提取模型學習部134係可參照構成研討中的縮小體系、中間體系、廠房等的裝置或機器的種類、數量、連接關係等來學習提取模型。例如，圖9所示的例中，提取模型學習部134係可參照濃縮器13連接於反應器12的後面之連接關係來學習反應器12的出口與濃縮器13的入口具有相同的意思。
圖11係顯示實績資料保持部131的資料結構之一例。本圖式的例子中，實驗室級別的縮小體系中將觸媒A使用於化學反應R時的製程資料與體系資料係被分類為第一群組並儲存，實驗室級別的縮小體系中將觸媒B使用於化學反應R時的製程資料與體系資料係被分類為第二群組並儲存，小型級別的中間體系中將觸媒A使用於化學反應R時的製程資料與體系資料係被分類為第三群組並儲存。提取部129係於所提取的資料的組附加相同的資料標籤並記憶於實績資料保持部131。
圖12係顯示實績資料保持部131的資料結構之另一例。本圖式的例子中，由提取部129所提取的資料的組係被分類為相同的群組並儲存。顯示各資料為包含在哪一個資料集的資料之資訊係可進一步儲存於實績資料保持部131。提取部129係將所提取的資料的組群組化並記憶於實績資料保持部131。
上述例子中，雖然內容相同或類似的資料的組之對應關係能夠識別地儲存於實績資料保持部131，然而資料的組之對應關係亦可於研討擴大級別時藉由提取部129提取並暫時記憶於記憶裝置130。
圖13係顯示第二實施形態的資訊處理方法的程序之流程圖。第一資料取得部127係取得第一資料集，該第一資料集係至少包含與第一製程相關的第一製程資料和與執行第一製程的體系相關的第一體系資料(步驟S40)。第二資料取得部128係取得第二資料集，該第二資料集係至少包含與第二製程相關的第二製程資料和與執行第二製程的體系相關的第二體系資料(步驟S42)。提取部129係從由第一資料取得部127所取得的第一資料集與由第二資料取得部128所取得的第二資料集提取內容相同或類似的第一製程資料與第二製程資料的組以及內容相同或類似的第一體系資料與第二體系資料的組中的至少任一個，並將這些對應關係能夠識別地記憶於實績資料保持部131(步驟S44)。提示部133係提示由提取部129所提取且內容與預定資料相同或類似之資料、包含內容相同或類似的資料之資料集的組(步驟S46)。
以上，基於實施例說明本發明。此實施例為例示，並且該發明所屬技術領域中具有通常知識者應可理解這些各構成要素或各處理製程的組合中能夠有各種變形例，且此種變形例亦在於本發明範圍內。
[產業可利用性]
本發明係能夠利用於用以支援廠房的設計之支援裝置。
1:支援系統
2:通訊網
3:廠房
4:控制裝置
5:控制對象裝置
6:設計師終端
10~12:反應器
13:濃縮器
100:設計支援裝置
101:通訊裝置
120:處理裝置
121:實績資料取得部
122:體系間關係學習部
123:體系資訊取得部
124:預測模型生成部
125:設計支援部
126:運轉條件決定部
127:第一資料取得部
128:第二資料取得部
129:提取部
130:記憶裝置
131:實績資料保持部
132:體系間關係保持部
133:提示部
134:提取模型學習部
200:運轉支援裝置
201:處理裝置
202:操作面板
203:預測模型取得部
204:測量值取得部
205:狀態量預測部
206:狀態量提示部
207:控制參數計算部
208:控制參數提示部
209:控制參數設定部
S10,S12,S14,S16,S18,S20,S22,S24,S26,S28,S30,S32,S34,S36,S38:步驟
[圖1]係示意性地顯示設計廠房的過程之圖。
[圖2]係顯示第一實施形態的支援系統的構成之圖。
[圖3]係顯示第一實施形態的支援方法的程序之流程圖。
[圖4]係顯示第一實施形態的支援方法的具體例之圖。
[圖5]係顯示第一實施形態的支援方法之另一具體例之圖。
[圖6]係顯示第一實施形態的支援方法的程序之流程圖。
[圖7]係顯示第一實施形態的設計支援裝置的構成之圖。
[圖8]係顯示第一實施形態的運轉支援裝置的構成之圖。
[圖9]係示意性地顯示由設計支援裝置的實績資料保持部所保持的資料的例子之圖。
[圖10]係顯示第二實施形態的支援系統的設計支援裝置的構成之圖。
[圖11]係顯示實績資料保持部的資料結構的一例之圖。
[圖12]係顯示實績資料保持部的資料結構之另一例之圖。
[圖13]係顯示第一實施形態的資訊處理方法的程序之流程圖。
2:通訊網
100:設計支援裝置
101:通訊裝置
120:處理裝置
121:實績資料取得部
122:體系間關係學習部
123:體系資訊取得部
124:預測模型生成部
125:設計支援部
126:運轉條件決定部
127:第一資料取得部
128:第二資料取得部
129:提取部
130:記憶裝置
131:實績資料保持部
132:體系間關係保持部
133:提示部
134:提取模型學習部
Claims (10)
- 一種資訊處理裝置，係具備： 第一取得部，係取得第一資料集，前述第一資料集係至少包含與第一製程相關的第一製程資料和與執行前述第一製程的體系相關的第一體系資料； 第二取得部，係取得第二資料集，前述第二資料集係至少包含與第二製程相關的第二製程資料和與執行前述第二製程的體系相關的第二體系資料；以及 提取部，係從前述第一資料集與前述第二資料集提取內容相同或類似的前述第一製程資料與前述第二製程資料的組以及內容相同或類似的前述第一體系資料與前述第二體系資料的組中的至少任一個，並將內容相同或類似的前述第一製程資料與前述第二製程資料的組或內容相同或類似的前述第一體系資料與前述第二體系資料的組的對應關係能夠識別地記憶於記憶部。
- 如請求項1所記載之資訊處理裝置，其中前述第一製程與前述第二製程為相同製程； 執行前述第一製程的體系與執行前述第二製程的體系為規模相互不同的體系。
- 如請求項1或2所記載之資訊處理裝置，其中前述提取部係使用機械學習的學習過的模型或演算法提取前述組。
- 如請求項1或2所記載之資訊處理裝置，其中前述提取部係將前述組分類為相同的群組並記憶於前述記憶部。
- 如請求項1或2所記載之資訊處理裝置，其中前述提取部係將前述第一製程的製程資料和體系資料分類為第一群組，並將前述第二製程的製程資料和體系資料分類為第二群組，於前述組附加相同的標籤並記憶於前述記憶部。
- 如請求項1或2所記載之資訊處理裝置，其中前述體系為反應體系、分離體系或乾燥體系。
- 如請求項1或2所記載之資訊處理裝置，其中具備：提示部，係提示內容與預定資料相同或類似的資料。
- 如請求項1或2所記載之資訊處理裝置，其中具備：提示部，係提示包含內容相同或類似的資料之資料集的組。
- 一種資訊處理程式，係用以使電腦作為第一取得部、第二取得部及提取部而發揮機能： 前述第一取得部係取得第一資料集，前述第一資料集係至少包含與第一製程相關的第一製程資料和與執行前述第一製程的體系相關的第一體系資料； 前述第二取得部係取得第二資料集，前述第二資料集係至少包含與第二製程相關的第二製程資料和與執行前述第二製程的體系相關的第二體系資料；以及 前述提取部係從前述第一資料集與前述第二資料集提取內容相同或類似的前述第一製程資料與前述第二製程資料的組以及內容相同或類似的前述第一體系資料與前述第二體系資料的組中的至少任一個，並將內容相同或類似的前述第一製程資料與前述第二製程資料的組或內容相同或類似的前述第一體系資料與前述第二體系資料的組的對應關係能夠識別地記憶於記憶部。
- 一種資訊處理方法，係電腦執行以下步驟： 取得第一資料集，前述第一資料集係至少包含與第一製程相關的第一製程資料和與執行前述第一製程的體系相關的第一體系資料； 取得第二資料集，前述第二資料集係至少包含與第二製程相關的第二製程資料和與執行前述第二製程的體系相關的第二體系資料；以及 從前述第一資料集與前述第二資料集提取內容相同或類似的前述第一製程資料與前述第二製程資料的組以及內容相同或類似的前述第一體系資料與前述第二體系資料的組中的至少任一個，並將內容相同或類似的前述第一製程資料與前述第二製程資料的組或內容相同或類似的前述第一體系資料與前述第二體系資料的組的對應關係能夠識別地記憶於記憶部。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2022/030072 WO2024029064A1 (ja) | 2022-08-05 | 2022-08-05 | 情報処理装置、データ構造、情報処理プログラム、及び情報処理方法 |
| WOPCT/JP2022/030072 | 2022-08-05 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202411799A true TW202411799A (zh) | 2024-03-16 |
| TWI839261B TWI839261B (zh) | 2024-04-11 |
Family
ID=85872869
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112123985A TWI839261B (zh) | 2022-08-05 | 2023-06-28 | 資訊處理裝置、資料構造、資訊處理程式以及資訊處理方法 |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP7256340B1 (zh) |
| TW (1) | TWI839261B (zh) |
| WO (1) | WO2024029064A1 (zh) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007199748A (ja) * | 2004-02-18 | 2007-08-09 | Mitsubishi Electric Corp | 製造システム管理支援装置および製造システム |
| JP4488964B2 (ja) * | 2005-06-27 | 2010-06-23 | 新日本製鐵株式会社 | プロセスの操業状態の制御方法及びコンピュータプログラム |
| KR101497290B1 (ko) * | 2012-06-26 | 2015-02-27 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | 데이터 관리 장치, 데이터 관리 방법, 및 데이터 관리 프로그램이 기록된 기록 매체 |
| JP6668699B2 (ja) * | 2015-11-17 | 2020-03-18 | 富士電機株式会社 | 監視支援装置、監視支援方法、及びプログラム |
| US10935940B2 (en) * | 2017-08-03 | 2021-03-02 | Johnson Controls Technology Company | Building management system with augmented deep learning using combined regression and artificial neural network modeling |
-
2022
- 2022-08-05 JP JP2022577220A patent/JP7256340B1/ja active Active
- 2022-08-05 WO PCT/JP2022/030072 patent/WO2024029064A1/ja unknown
-
2023
- 2023-06-28 TW TW112123985A patent/TWI839261B/zh active
Also Published As
| Publication number | Publication date |
|---|---|
| JPWO2024029064A1 (zh) | 2024-02-08 |
| WO2024029064A1 (ja) | 2024-02-08 |
| JP7256340B1 (ja) | 2023-04-11 |
| TWI839261B (zh) | 2024-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3966641A1 (en) | Combining machine learning with domain knowledge and first principles for modeling in the process industries | |
| Edgar et al. | Process dynamics and control | |
| Vázquez-Castillo et al. | Multiobjective optimization approach for integrating design and control in multicomponent distillation sequences | |
| Chen et al. | Model predictive control of nonlinear singularly perturbed systems: Application to a large-scale process network | |
| He et al. | Soft sensor development for the key variables of complex chemical processes using a novel robust bagging nonlinear model integrating improved extreme learning machine with partial least square | |
| Xiong et al. | Neural network model-based on-line re-optimisation control of fed-batch processes using a modified iterative dynamic programming algorithm | |
| de Canete et al. | Dual composition control and soft estimation for a pilot distillation column using a neurogenetic design | |
| JP7081728B1 (ja) | 運転支援装置、運転支援方法及びプログラム | |
| He et al. | Soft-sensing model development using PLSR-based dynamic extreme learning machine with an enhanced hidden layer | |
| Koronaki et al. | Classification of states and model order reduction of large scale Chemical Vapor Deposition processes with solution multiplicity | |
| Zubov et al. | Bringing the on‐line control and optimization of semibatch emulsion copolymerization to the pilot plant | |
| He et al. | Positive and negative correlation input attributes oriented subnets based double parallel extreme learning machine (PNIAOS-DPELM) and its application to monitoring chemical processes in steady state | |
| Chen et al. | Key performance index estimation based on ensemble locally weighted partial least squares and its application on industrial nonlinear processes | |
| CN110362063B (zh) | 基于全局保持无监督核极限学习机的故障检测方法及系统 | |
| TWI839261B (zh) | 資訊處理裝置、資料構造、資訊處理程式以及資訊處理方法 | |
| Xie et al. | Statistical monitoring of dynamic multivariate processes part 1. modeling autocorrelation and cross-correlation | |
| TW202411798A (zh) | 支援方法、支援裝置以及支援程式 | |
| Zhang et al. | Reduced-order Koopman modeling and predictive control of nonlinear processes | |
| JP2013181138A (ja) | 炉内温度分布の推定方法および推定装置 | |
| Fan et al. | Dynamic least squares support vector machine | |
| CN114970375A (zh) | 一种基于实时采样数据的精馏过程监测方法 | |
| Both et al. | Robust control of a catalytic 2 ethyl-hexenal hydrogenation reactor | |
| EP4270120A1 (en) | Embedded model-based digital twin workflow for the accelerated optimization of bio-/ chemical processes | |
| JP7506208B1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
| Orantes et al. | A new support methodology for the placement of sensors used for fault detection and diagnosis |