TWI623905B

TWI623905B - 連續性製程之趨勢變因鑑定方法與系統

Info

Publication number: TWI623905B
Application number: TW106100302A
Authority: TW
Inventors: 夏啟峻; 葉峻賓; 陳立杰; 莊雅筑
Original assignee: 財團法人工業技術研究院
Priority date: 2016-11-23
Filing date: 2017-01-05
Publication date: 2018-05-11
Also published as: TW201820245A

Abstract

一種連續性製程之趨勢變因鑑定方法及系統。連續性製程之趨勢變因鑑定方法包括以下步驟：於時間序列選擇出數個相似時段。各個相似時段與一目前時段相似。依據此些相似時段之數個製程變因之數個時序變因參數及一監控目標之時序目標參數，分析各個製程變因對監控目標之一貢獻度。依據各個貢獻度，篩選出部份之製程變因。

Description

連續性製程之趨勢變因鑑定方法與系統

本揭露是有關於一種連續性製程之趨勢變因鑑定方法與系統。

在連續性製程中，可能會不斷的對某一目標參數進行預測。當預測到此目標參數可能會發生異常時，則進行製程參數的調整，以使連續性製程能夠正常營運，避免連續性製程斷然停止。

除了提高目標參數之預測的精準度以外，如何進行製程參數的調整，也是一項相當重要的研發方向。如果未能迅速得知哪些製程參數應該進行調整，恐怕難以順利維持連續性製程的正常營運。

本揭露係有關於一種連續性製程之趨勢變因鑑定方法與系統。

根據本揭露之一實施例，提出一種連續性製程之趨勢變因鑑定方法。連續性製程之趨勢變因鑑定方法包括以下步驟：擷取數個製程變因於一時間序列上的數筆時序變因參數及一監控目標於時間序列上的數筆時序目標參數。於時間序列選擇出數個相似時段。各個相似時段與一目前時段相似。依據此些相似時段之此些時序變因參數及此些時序目標參數，分析各個製程變因對監控目標之一貢獻度。依據各個貢獻度，篩選出部份之製程變因。

根據本揭露之一實施例，提出一種連續性製程之趨勢變因鑑定系統。連續性製程之趨勢變因鑑定系統包括一製程資料庫、一監控資料庫、一參數擷取單元、一區域建模挑選單元、一變因鑑定單元及一評估單元。製程資料庫用以儲存數個製程變因於一時間序列上的數筆時序變因參數。監控資料庫用以儲存一監控目標於時間序列上的數筆時序目標參數。參數擷取單元用以擷取此些時序變因參數及此些時序目標參數。區域建模挑選單元用以於時間序列選擇出數個相似時段。各個相似時段與一目前時段相似。變因鑑定單元用以依據此些相似時段之此些時序變因參數及此些時序目標參數，分析各個製程變因對監控目標之一貢獻度。評估單元用以依據各個貢獻度，篩選出部份之此些製程變因。

為了對本揭露之上述及其他方面有更佳的瞭解，下文特舉較佳實施例，並配合所附圖式，作詳細說明如下：

100‧‧‧連續性製程之趨勢變因鑑定系統

110‧‧‧製程資料庫

120‧‧‧監控資料庫

130‧‧‧參數擷取單元

140‧‧‧區域建模挑選單元

151‧‧‧變因鑑定單元

152‧‧‧加強單元

160‧‧‧評估單元

500‧‧‧現場工程單位

600‧‧‧能源管理單位

710、720‧‧‧焦爐氣儲槽

810‧‧‧燒結工廠

820‧‧‧高爐

830‧‧‧煉鋼廠

840‧‧‧熱軋廠

850‧‧‧鋼板工廠

860‧‧‧條鋼工廠

870‧‧‧線材工廠

880‧‧‧小鋼胚廠

890‧‧‧動力工廠

900‧‧‧煉焦工廠

B1、B2、B3‧‧‧方框

D1‧‧‧菱形

L1、L2‧‧‧迴歸線

P1‧‧‧實際資料點

R1‧‧‧區域

S1、S2、S3‧‧‧圓點

S110、S120、S131、S132、S140‧‧‧流程步驟

第1圖繪示一連續性製程工廠的示意圖。

第2圖繪示連續性製程之趨勢變因鑑定系統的示意圖。

第3圖繪示本實施例之連續性製程之趨勢變因鑑定方法的流程圖。

第4圖繪示一連續性製程資料。

第5圖繪示訓練資料之示意圖。

第6圖繪示步驟S131之示意圖。

第7圖繪示步驟S132之示意圖。

第8圖繪示步驟S131之結果圖。

第9圖繪示步驟S132之結果圖。

第10圖繪示對重建訓練資料數量為350之變異解釋力曲線。

請參照第1圖，其繪示一連續性製程工廠的示意圖。連續性製程工廠例如是一煉焦工廠900。煉焦工廠900所產生的焦爐氣可提供給燒結工廠810、高爐820、煉鋼廠830、熱軋廠840、鋼板工廠850、條鋼工廠860、線材工廠870、小鋼胚廠880或動力工廠890等消耗端使用。為了調節焦爐氣，焦爐氣可儲存於焦爐氣儲槽710、720。焦爐氣儲槽710、720之液位受到生產端之煉焦工廠900與消耗端之燒結工廠810、高爐820、煉鋼廠830、熱軋廠840、鋼板工廠850、條鋼工廠860、線材工廠870、小鋼胚廠880及/或動力工廠890等影響，而產生變化。在本實施例中，焦爐氣儲槽710或720之液位係為一監控目標，生產端之煉焦工廠900及消耗端之燒結工廠810、高爐820、煉鋼廠830、熱軋廠840、鋼板工廠850、條鋼工廠860、線材工廠870、小鋼胚廠880及/或動力工廠890等係為數個製程變因。

本實施例在容許之預測精準度之下，鑑定出對監控目標(例如液位)之變化趨勢有顯著貢獻度的製程變因(例如生產端之煉焦工廠900及消耗端之燒結工廠810、高爐820、煉鋼廠830、熱軋廠840、鋼板工廠850、條鋼工廠860、線材工廠870、小鋼胚廠880及/或動力工廠890等)。

本實施例在時間序列上，透過區域建模技術找出相似於目前時段之相似時段作為訓練資料，並篩選出具有顯著變異解釋能力的前幾個製程變因(及其時間延遲)。此些篩選出的製程變因可以重建出近似於實際資料的曲線，表示篩選出的製程變因(及其時間延遲)可解釋實際資料之趨勢。

請參照第2圖，其繪示連續性製程之趨勢變因鑑定系統100的示意圖。在連續性製程工廠中，監控目標受到製程變因的影響，而使監控目標產生數值變化。以連續性製程之煉焦工廠900為例，監控目標例如是焦爐氣儲槽710或720之液位，液位例如使用液位計量測，或是任何數值型感知器與量測設備所量測之數值。製程變因例如是生產端之煉焦工廠900及消耗端之燒結工廠810、高爐820、煉鋼廠830、熱軋廠840、鋼板工廠850、條鋼工廠860、線材工廠870、小鋼胚廠880及/或動力工廠890等使用任何數值型感知器與量測設備所量測之數值。過去監控目標為人工監控，當監控目標出現數值異常時，則由能源管理工程師進行人工分析，以分析出哪些製程變因需要調整，並請現場工程人員進行這些製程變因的調整。

如第2圖所示，連續性製程之趨勢變因鑑定系統100包括一製程資料庫110、一監控資料庫120、一參數擷取單元130、一區域建模挑選單元140、一變因鑑定單元151、一加強單元152及一評估單元160。製程資料庫110用以儲存各個製程變因於時間序列上的數筆時序變因參數。監控資料庫120用以儲存監控目標於時間序列上的數筆時序目標參數。透過本實施例之技術，可以根據製程資料庫110及監控資料庫120，找出相似於目前時段的相似時段，並據以進行訓練，以自動分析出對監控目標之趨勢具有高貢獻度的製程變因及其時間延遲。此些具有高貢獻度的製程變因及其時間延遲可提供給能源管理單位600作為參考，並通知現場工程單位500進行製程變因的調整。

尤其在預測到監控目標可能發生異常時，可進行趨勢變因鑑定，以指出關鍵之製程變因及其時間延遲，讓能源管理單位600及現場工程單位500縮短異常處理的時間。

請參照第3圖，其繪示本實施例之連續性製程之趨勢變因鑑定方法的流程圖。首先，在步驟S110中，參數擷取單元130進行參數擷取之動作。由於製程變因與監控目標為時序資料，因此對紀錄數值進行時序參數之轉換。當前時間為t，時序之視窗長度為q。將連續時間上之q筆資料皆納入參考。表一之X_1,t、X_2,t為兩個製程變因於時間序列上的時序變因參數，Y_t為監控目標於時間序列上的時序目標參數。

表二為q=2的時序參數轉換，其考慮時間延遲0、1、2的三種情況。表一之t=2的資料被轉換為表二之Y₂那一列的參數向量。時間延遲展開後，將視為一個新的維度。原本有兩個製程變因，在考慮時間延遲0、1、2三種情況後，將擴展為6維之參數向量。依據類似之方式，在步驟S110中，參數擷取單元130 擷取此些製程變因於時間序列上的時序變因參數及監控目標於時間序列上的時序目標參數。

接著，於步驟S120中，區域建模挑選單元140進行區域建模之動作。

在連續性製程工廠中，不同時間存在不同的使用方式，若將全部數據蒐集後進行全域建模，將仰賴預測模型之鑑別能力。當雜訊多於相關資料之一定比例時，全域模型將較不準確。全域建模可求得所有模式的綜合解，難以區隔設備的不同使用模式。請參照第4圖，其繪示一連續性製程資料。方框B1及方框B2為較近似之資料。若將方框B3之資料亦加入模型訓練，則整個模型將受到方框B3之資料的影響，而降低模型鑑別能力。

在本實施例中，於模型訓練之前，先行尋找相似趨勢之資料，再進行模型訓練。請參照第5圖，其繪示訓練資料之示意圖。每一個圓點表示一筆訓練資料。若是採用全域建模，則模型會找出迴歸線L1；若使用區域建模技術，則可以區域R1中較為相似的圓點進行訓練，而找出迴歸線L2，更相似於實際資料點P1。

在本實施例中，以目前時段為基準，向前分析各個歷史時段與目前時段之相異度。並依據相異度之排序，將相異度低之數個的歷史時段，視為相似時段，以做為後續的訓練資料。在一實施例中，相異度係依據數值相異程度及趨勢相異程度之組合進行分析。數值相異程度例如為一歐式距離(Euclidean distance)、一馬式距離(Mahalanobis distance)、一差值歐式距離(Difference of Euclidean distance)或一差值馬式距離(Difference of Euclidean distance)。此相異度之分析例如下式(1)：

D(t,p)為第t筆與第t-p筆時序目標參數之相異度。時序之視窗長度為q。Y_t-i為第t-i筆之時序目標參數。為第t-i筆之時序目標參數與第t-i-1筆之時序目標參數的差值，意即，用以描述短時間內的變化趨勢。為第t-i-p筆之時序目標參數與第t-i-p-1筆之時序目標參數的差值，意即，用以描述短時間內的變化趨勢。為數值相異程度。為趨勢相異程度。(1-v)及v為數值相異程度及趨勢相異程度之混合比例。此混合比例可依據需求調整。舉例來說v=0.5。

在另一實施例中，相異度可以僅依據數值相異程度進行分析、或者僅依據趨勢相異程度進行分析。

相異度亦可使用時序變因參數作為評估基準，以符合多元之連續製程系統，此相異度例如下式(2)：

D(t,p)為第t筆與第t-p筆時序目標參數之相異度。時序之視窗長度為q。時序變因參數數量為d。X_t-i為第t-i筆之時序變因參數。為第t-i筆之時序變因參數與第t-i-1筆之時序變因參數的差值，意即，用以描述短時間內的變化趨勢。為第t-i-p筆之時序變因參數與第t-i-p-1筆之時序變因參數的差值，意即，用以描述短時間內的變化趨勢。(1-v)及v為數值相異程度及趨勢相異程度之混合比例。此混合比例可依據需求調整。舉例來說v=0.5。

透過例如上述方式，於步驟S120中，區域建模挑選單元140可以於時間序列選擇出數個相似時段，各個相似時段與目前時段相似。

然後，在步驟S131中，變因鑑定單元151依據相似時段之時序變因參數及時序目標參數，分析出各個製程變因對監控目標之貢獻度。

在一實施例中，步驟S131係可採用一正交最小平方演算法(orthogonal least squares algorithm,OLS)、一脊迴歸演算法(ridge-regression)、一最小絕對壓縮挑選運算子迴歸演算法(Least Absolute Shrinkage and Selection Operator regression,LASSO regression)、或一彈性網路迴歸演算法(elastic net regression)進行分析。

在步驟S132中，依據此些貢獻度獲得影響權重(或是依照經驗來定義)，並透過影響權重進一步加強貢獻度之差異。在一實施例中，步驟S132係可省略。步驟S132係可採用一最小絕對壓縮挑選運算子迴歸演算法、或一彈性網路迴歸演算法進行分析。

詳細來說，時序目標參數例如可以一線性模型表示為下式(3)：

其中，Y_t、Y_t-m分別為第t與t-m筆時序目標參數，X_1,t-1,...,,X_2,t-1,...,為p個製程變因之時序變因參數，β _j,m為第j個製程變因之第m個時序變因參數對時序目標參數Y_t之貢獻度，b為線性模型之截距項，e_t為服從常態分配之誤差項，e_t~N(0,σ²)。

為了簡化模型，可將Y_t-m視為X_p，則Y_t例如可表示為下式(4)：

故，預測的時序目標參數可表示為。

接著，例如按照下式(5)，以彈性網路迴歸演算法(elastic net regression)進行估算：

其中，φ(λ,α,β)為提高模型穩定之懲罰項(penalty term)，φ(λ,α,β)例如可採用。λ為控制懲罰項之權重，α為控制懲罰項之參數，β為所有β _j,m之集合，β={β _j,m}。步驟S131試圖在限定之成本函數(cost function)下，找出最佳解。然而，請參照第6圖，其繪示步驟S131之示意圖。第一次分析出貢獻度時，未加上不相等的影響權重，所求得之最佳解為第6圖之兩個圓點S1、S2。

在步驟S132中，例如依據下式(6)獲得影響權重：

其中，為影響權重，為步驟S131所獲得的貢獻度。請參照第7圖，其繪示步驟S132之示意圖。如第7圖所示之菱形D1，影響權重可以加強挑選重要製程變因，同樣的成本函數，可將最佳解限縮於更適合的解為圓點S3。

在此步驟中，例如係以下式(7)再次進行估算，以加強貢獻度之差異。

其中，∥Y-Xβ∥²為一預測模型。為最小平方法估計式(Least square)求取最小預測誤差。為「以影響權重強化重要因子的懲罰項」，例如可採用。為加強差異後的貢獻度。也就是說，∥Y-Xβ∥²之預測模型納入「以影響權重強化重要因子的懲罰項」後，以最小平方法估計式求取其最小預測誤差，以產生加強差異後的貢獻度。

透過上述步驟，在步驟S131中，趨勢變因鑑定單元151依據相似時段之時序變因參數及時序目標參數，分析出各個製程變因對監控目標之貢獻度。在步驟S132中，加強單元152依據貢獻度，獲得影響權重，並依據相似時段之時序變因參數、時序目標參數及影響權重，進一步加強貢獻度之差異。

請參照第8~9圖，第8圖繪示步驟S131之一實施例之結果，第9圖繪示步驟S132之一實施例之結果圖。於矩陣圖式中，橫軸為各個製程變因，縱軸為時間延遲。矩陣內的數值為貢獻度，其以網底的密度表示數值大小。不同密度的斜線網底均表示大於0，為正相關(密度越高的斜線網底表示正的絕對值數值越大；密度越低的斜線網底表示正的絕對值數值越小)；交叉線網底表示小於零，為負相關(密度越高的交叉線網底表示負的絕對值數值越大；密度越低的交叉線網底表示負的絕對值數值越小)。如第8圖所示，在步驟S131未採用影響權重時，仍然不足以鑑定出關鍵之製程變因。在步驟S132已採用影響權重時，可以明顯鑑定出較關鍵之製程變因。

然後，在步驟S140中，評估單元160進行趨勢變異解釋力的評估，以依據貢獻度，篩選出部份製程變因。為了評估所挑選之製程變因的數量，對於監控目標之變異的影響，關注資料平均情況，以|β _j,m|進行排序，挑選出前N個，例如以依據下式(8)評估變異解釋力。

RTVC係為變異解釋力，其用以比較MAPE_A及MAPE_N。MAPE_A為使用所有製程變因重建原始曲線的平均絕對值誤差(mean absolute percentage error,MAPE)，MAPE_N為挑選出來之N個顯著製程變因所重建原始曲線的平均絕對值誤差。變異解釋力之數值為0到1之間，變異解釋力越接近1，表示越趨近於最佳的情況。MAPE_N例如下式(9)：

其中，A_t為實際值，F_t為預測結果，N為顯著製程變因個數，N為正整數，可以是一預設值或是一設定值。

請參照第10圖，其繪示對重建訓練資料數量為3600、62個製程變因、時間延遲10之變異解釋力曲線。其中，第10圖之例子於步驟S131與步驟S132分別使用最小絕對壓縮挑選運算子迴歸演算法，與彈性網路迴歸演算法，步驟S132以α=0.5進行估算。第10圖之橫軸為|β _j,l|進行排序後挑選出前N個顯著製程變因的數量，第10圖之縱軸為變異解釋力。從第10圖可觀察到挑選出130個製程變因，可得到約80%的變異解釋力。評估單元160挑選出前N個的方式，亦可關注資料變異情況，對所有β _j,m進行假設檢定(Hypothesis testing)，檢定β _j,m是否為零，以計算數個P值(p-value)，並依此些P值排序後挑出前N個β _j,m。

根據上述實施例，在容許之預測精準度之下，鑑定出對監控目標之變化趨勢有顯著貢獻的製程變因。

綜上所述，雖然本揭露已以較佳實施例揭露如上，然其並非用以限定本揭露。本揭露所屬技術領域中具有通常知識者，在不脫離本揭露之精神和範圍內，當可作各種之更動與潤飾。因此，本揭露之保護範圍當視後附之申請專利範圍所界定者為準。

Claims

一種連續性製程之趨勢變因鑑定方法，包括：擷取複數個製程變因於一時間序列上的複數筆時序變因參數及一監控目標於該時間序列上的複數筆時序目標參數；於該時間序列選擇出複數個相似時段，各該相似時段與一目前時段相似；依據該些相似時段之該些時序變因參數及該些時序目標參數，分析各該製程變因對該監控目標之一貢獻度；以及依據各該貢獻度，篩選出部份之該些製程變因。
如申請專利範圍第1項所述之連續性製程之趨勢變因鑑定方法，其中選擇出該些相似時段之步驟係依據一數值相異程度或一趨勢相異程度進行分析。
如申請專利範圍第2項所述之連續性製程之趨勢變因鑑定方法，其中該數值相異程度係根據一歐式距離、一馬式距離、一差值歐式距離或一差值馬式距離決定。
如申請專利範圍第1項所述之連續性製程之趨勢變因鑑定方法，其中選擇出該些相似時段之步驟係依據該些時序目標參數作為評估基準進行分析。
如申請專利範圍第1項所述之連續性製程之趨勢變因鑑定方法，其中選擇出該些相似時段之步驟係依據該些時序變因參數作為評估基準進行分析。
如申請專利範圍第1項所述之連續性製程之趨勢變因鑑定方法，更包括：依據該些貢獻度，獲得複數個影響權重，並依據該些相似時段之該些時序變因參數、該些時序目標參數及該些影響權重，加強該些貢獻度之差異。
如申請專利範圍第6項所述之連續性製程之趨勢變因鑑定方法，其中分析各該製程變因對該監控目標之該貢獻度之步驟係採用一正交最小平方演算法(orthogonal least squares algorithm,OLS)、一脊迴歸演算法(ridge-regression)、一最小絕對壓縮挑選運算子迴歸演算法(Least Absolute Shrinkage and Selection Operator regression,LASSO regression)、或一彈性網路迴歸演算法(elastic net regression)進行分析。
如申請專利範圍第6項所述之連續性製程之趨勢變因鑑定方法，其中篩選出部份之該些製程變因之步驟係依據一變異解釋力篩選出部份之該些製程變因。
如申請專利範圍第8項所述之連續性製程之趨勢變因鑑定方法，其中該變異解釋力係為部份之該些製程變因的平均絕對值誤差與全部之該些製程變因的平均絕對值誤差的比率。
如申請專利範圍第9項所述之連續性製程之趨勢變因鑑定方法，其中在篩選出部份之該些製程變因之步驟中，部份之該些製程變因係對應於前N個該些影響權重，其中N為一正整數。
如申請專利範圍第10項所述之連續性製程之趨勢變因鑑定方法，其中在篩選出部份之該些製程變因之步驟中，對該些影響權重進行假設檢定，檢定各該影響權重是否為零，以計算複數個P值(p-value)，並依該些P值的排序後挑出前N個該些影響權重。
一種連續性製程之趨勢變因鑑定系統，包括：一製程資料庫，用以儲存複數個製程變因於一時間序列上的複數筆時序變因參數；一監控資料庫，用以儲存一監控目標於該時間序列上的複數筆時序目標參數；一參數擷取單元，用以擷取該些時序變因參數及該些時序目標參數；一區域建模挑選單元，用以於該時間序列選擇出複數個相似時段，各該相似時段與一目前時段相似；一變因鑑定單元，用以依據該些相似時段之該些時序變因參數及該些時序目標參數，分析各該製程變因對該監控目標之一貢獻度；以及一評估單元，用以依據各該貢獻度，篩選出部份之該些製程變因。
如申請專利範圍第12項所述之連續性製程之趨勢變因鑑定系統，其中該區域建模挑選單元係依據一數值相異程度或一趨勢相異程度進行分析，以於該時間序列選擇出該些相似時段。
如申請專利範圍第13項所述之連續性製程之趨勢變因鑑定系統，其中該數值相異程度係根據一歐式距離、一馬式距離、一差值歐式距離或一差值馬式距離決定。
如申請專利範圍第12項所述之連續性製程之趨勢變因鑑定系統，其中該區域建模挑選單元係依據該些時序目標參數作為評估基準進行分析，以於該時間序列選擇出該些相似時段。
如申請專利範圍第12項所述之連續性製程之趨勢變因鑑定系統，其中該區域建模挑選單元係依據該些時序變因參數作為評估基準進行分析，以於該時間序列選擇出該些相似時段。
如申請專利範圍第12項所述之連續性製程之趨勢變因鑑定系統，更包括：一加強單元，用以依據該些貢獻度，獲得複數個影響權重，並依據該些相似時段之該些時序變因參數、該些時序目標參數及該些影響權重，加強該些貢獻度之差異。
如申請專利範圍第17項所述之連續性製程之趨勢變因鑑定系統，其中該變因鑑定單元係採用一正交最小平方演算法(orthogonal least squares algorithm,OLS)、一脊迴歸演算法(ridge-regression)、一最小絕對壓縮挑選運算子迴歸演算法(Least Absolute Shrinkage and Selection Operator regression,LASSO regression)、一彈性網路迴歸演算法(elastic net regression)分析該貢獻度。
如申請專利範圍第17項所述之連續性製程之趨勢變因鑑定系統，其中該評估單元係依據一變異解釋力篩選出部份之該些製程變因。
如申請專利範圍第19項所述之連續性製程之趨勢變因鑑定系統，其中該變異解釋力係為部份之該些製程變因的平均絕對值誤差與全部之該些製程變因的平均絕對值誤差的比率。
如申請專利範圍第20項所述之連續性製程之趨勢變因鑑定系統，其中部份之該些製程變因係對應於前N個該些影響權重，其中N為一正整數。
如申請專利範圍第21項所述之連續性製程之趨勢變因鑑定系統，其中該評估單元對該些影響權重進行假設檢定，檢定各該影響權重是否為零，以計算複數個P值(p-value)，並依該些P值的排序後挑出前N個該些影響權重。