TWI822505B - 產生用於製程控制之人工智慧模型之方法、基於人工智慧模型之製程控制系統及包含該系統之反應器 - Google Patents
產生用於製程控制之人工智慧模型之方法、基於人工智慧模型之製程控制系統及包含該系統之反應器 Download PDFInfo
- Publication number
- TWI822505B TWI822505B TW111146848A TW111146848A TWI822505B TW I822505 B TWI822505 B TW I822505B TW 111146848 A TW111146848 A TW 111146848A TW 111146848 A TW111146848 A TW 111146848A TW I822505 B TWI822505 B TW I822505B
- Authority
- TW
- Taiwan
- Prior art keywords
- reactor
- data
- unit
- artificial intelligence
- physical property
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004886 process control Methods 0.000 title claims abstract description 32
- 230000000704 physical effect Effects 0.000 claims abstract description 81
- 230000008569 process Effects 0.000 claims abstract description 38
- 238000013500 data storage Methods 0.000 claims abstract description 11
- 239000002994 raw material Substances 0.000 claims abstract description 8
- 239000003054 catalyst Substances 0.000 claims description 25
- 238000009795 derivation Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 11
- 238000007405 data analysis Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 10
- 239000007858 starting material Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 230000002787 reinforcement Effects 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000001311 chemical methods and process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002950 deficient Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000004698 Polyethylene Substances 0.000 description 1
- 150000001336 alkenes Chemical class 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 238000010528 free radical solution polymerization reaction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- JRZJOMJEPLMPRA-UHFFFAOYSA-N olefin Natural products CCCCCCCC=C JRZJOMJEPLMPRA-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- -1 polyethylene Polymers 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 229920000098 polyolefin Polymers 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/80—Data visualisation
Abstract
一種基於AI模型之製程控制系統、其AI模型產生方法及包含該系統之反應器。系統包含：AI控制模型單元，包含：資料儲存單元，儲存預定反應器製程資料；資料校正單元，自反應器製程資料移除離群值來產生學習資料；及資料導出單元，導出反應器操作條件及最佳反應器輸入條件；輸入單元，獲得反應器目標操作條件及產物之一目標物理特性值，並將之提供至AI控制模型單元；輸出單元，自AI控制模型單元接收最佳反應器輸入條件，在最佳反應器輸入條件下控制反應器之輸入，反應器輸入條件包含：被引入至反應器之原始材料之組成、溫度、流速或／及壓力。
Description
以下揭露內容係關於一種產生用於製程控制之一人工智慧（artificial intelligence，AI）模型之方法、基於人工智慧模型之製程控制系統以及包含該系統之反應器。
在化學製程中，各種類型之材料彼此反應，而且反應性端視例如溫度、壓力及組成等條件而不同。此外，由於各種類型之產物係在單一工廠中生產，因此可能難以了解該等產物之所有化學製程，而且可能無法實行量測，或者可能需要長的時間來辨識量測結果。
由於這些原因，難以對一化學製程進行控制，因此會產生缺陷產品（不合規格），而且浪費能量。此外，當一使用者任意改變輸入條件以將一缺陷產品的生產條件校正為符合規格之生產條件時，很有可能要進行試誤（trial and error）。
[相關技術文件]
[專利文件]
（專利文件1）韓國專利公開案第10-2021-0027668號（公開日期：2021年3月11日）。
本發明之一示例性實施例旨在提供一種產生用於製程控制之一人工智慧（artificial intelligence，AI）模型之方法、一種基於AI模型之製程控制系統以及一種包含該系統之反應器，以降低反應器在產品製造期間出現缺陷產品之比率，且提高符合規格產品之比率。
在一個一般態樣中，一種基於人工智慧（AI）模型之製程控制系統包含：一AI控制模型單元100，包含：一資料儲存單元110，儲存複數筆預定反應器製程資料；一資料校正單元120，藉由自所儲存的預定反應器製程資料移除離群值來產生學習資料；以及一資料導出單元130，導出一反應器操作條件以及一最佳反應器輸入條件，該反應器操作條件係自所產生的學習資料習得，該最佳反應器輸入條件用於滿足由反應器產生之一產物之一物理特性值；一輸入單元200，獲得包含一反應器目標操作條件及產物之一目標物理特性值之資料，並將所獲得的資料提供至AI控制模型單元100；以及一輸出單元300，自AI控制模型單元100接收用於滿足反應器目標操作條件及產物之目標物理特性值之最佳反應器輸入條件，並在最佳反應器輸入條件下控制反應器之輸入，其中反應器輸入條件包含以下（a）：
（a）被引入至反應器中之一原始材料之組成、溫度、流速及壓力其中之一或多個或其組合。
反應器輸入條件可更包含以下（b）：
（b）被引入至反應器中之一觸媒之組成、溫度、流速及壓力或其組合。
該等預定反應器製程資料可包含反應器之一實際輸入條件、反應器之一實際操作條件以及由反應器產生之產物之一實際物理特性值。
資料導出單元130可基於從輸入單元200提供之反應器之輸入條件而導出反應器之一預測操作條件及由反應器產生之產物之一預測物理特性值，並且人工智慧控制模型單元100可更包含：一資料分析單元140，將由資料導出單元130導出之反應器之預測操作條件及產物之預測物理特性值與資料儲存單元110或資料校正單元120中反應器之實際操作條件及產物之實際物理特性值進行比較；以及資料再訓練單元150，當資料分析單元140所提供之一比較結果滿足以下條件（1）或條件（2）時，對資料導出單元130進行再訓練：
（1）當反應器之實際操作條件與反應器之預測操作條件之間之一誤差率超過一預定容忍度時，
（2）當產物之實際物理特性值與產物之預測物理特性值之間之誤差率超過一預定容忍度時。
當自輸入單元200提供之目標物理特性值在反應器之一操作期間改變時，資料導出單元130對自目標物理特性值發生改變之一時間點開始並達到一改變後的目標物理特性值的反應器輸入條件之動態特性進行分析，藉此導出反應器之一新的最佳輸入條件。
AI控制模型單元100可由線性迴歸、邏輯式迴歸、一決策樹、一隨機森林、一支援向量機、梯度提升（gradient boosting）、一卷積神經網路、一循環神經網路、長短期記憶體、一注意力模型、一變換器（transformer）、一生成式對抗網路（generative adversarial network）、強化學習（reinforcement learning）或其組合（總體）其中之一或多者進行訓練。
在另一個一般態樣中，一種反應器包含上述基於人工智慧（AI）之製程控制系統。
反應器可為一管式反應器、一塔式反應器、一攪拌槽反應器、一流化床型反應器及一回路反應器（loop reactor）其中之一。
反應器可設置有複數個，並且該等反應器可各自獨立地為一管式反應器、一塔式反應器、一攪拌槽反應器、一流化床型反應器及一回路反應器其中之一。
在另一個一般態樣中，一種產生用於製程控制之一人工智慧（AI）模型之方法包含：儲存複數筆反應器製程資料，該等反應器製程資料包含一反應器之一實際輸入條件、反應器之一實際操作條件以及由反應器產生之一產物之一實際物理特性值或基於模擬之一計算結果；藉由自所儲存的反應器製程資料移除離群值來產生學習資料；以及產生包含一AI演算法之一AI模型，AI演算法學習所產生的學習資料以導出用以滿足反應器之一操作條件及由反應器產生之一產物之一物理特性值之一最佳反應器輸入條件，其中反應器輸入條件包含以下（a）：
（a）：被引入至反應器中之一原始材料之組成、流速及壓力其中之一或多個或其組合。
反應器輸入條件可更包含以下（b）：
（b）被引入至反應器中之一觸媒之組成、溫度、流速及壓力其中之一或多個或其組合。
在人工智慧演算法中，當產物之物理特性值在反應器之一操作期間改變時，可對自物理特性值發生改變之一時間點開始並達到一改變後的物理特性值的反應器輸入條件之動態特性進行分析以導出一新的最佳反應器輸入條件。
在產生AI模型之操作中，AI模型可藉由線性迴歸、邏輯式迴歸、一決策樹、一隨機森林、一支援向量機、梯度提升、一卷積神經網路、一循環神經網路、長短期記憶體、一注意力模型、一變換器、一生成式對抗網路、強化學習或其組合（總體）其中之一或多者而產生。
根據以下詳細說明、圖式及申請專利範圍，其他特徵及態樣將變得顯而易見。
在本文中使用之術語僅用於闡述特定示例性實施例之目的。因此，除非上下文明確地指示，否則以單數形式使用之表達亦包含複數形式之表達。此外，應理解，例如「包含」或「具有」等用語係用以指示存在說明書中所揭露之特徵、步驟、功能、組件或其組合，而不用以排除可能存在或添加一或多個附加特徵、步驟、功能、組件或其組合之可能性。
再者，除非另有定義，否則在本文中使用之所有用語皆具有與本揭露所屬技術中具有通常知識者所通常理解相同之含義。因此，除非在本文中進行明確的定義，否則不應將該等用語解釋為理想化或過於正式之含義。
此外，在說明書全文中所使用之用語「約」、「實質上」等意指在闡述自然製造容許誤差及材料容許誤差時，此種容許誤差對應於或類似於一值，且此值係用於清楚地理解本發明或防止非有意侵權者非法使用本發明。
此外，「系統」意指包含經組織並有規律地彼此交互作用以實行所需功能之裝置、機構、單元等在內之一組組件。
此外，在本說明書中，「部分」係用於代表實行一或多個功能或操作之一組件之用語，且此種組件可被實作為硬體或軟體，或者硬體與軟體之一組合。
此外，在本說明書中，用語「預定」意指由一外部使用者（例如：一管理員）先前設定。
在下文中，將參照圖式來詳細闡述根據本發明之一示例性實施例之一基於人工智慧（AI）模型之製程控制系統。以舉例方式提供將在下文介紹的本發明之示例性實施例，以使本發明之構想可被充分地傳遞至本發明所屬技術領域中具有通常知識者。因此，本發明之範圍不限於以下說明及圖式，且可以另一種形式實施。此外，在說明書全文中，相同的符號表示相同的組件。
第1圖為根據本發明之一示例性實施例之產生用於製程控制之一AI模型之方法之流程圖。在下文中，將參照第1圖來詳細闡述產生用於製程控制之一AI模型之方法。
根據本發明之一示例性實施例之產生用於製程控制之一AI模型之方法可包含：在操作S100中，儲存複數筆反應器製程資料，該等反應器製程資料包含一反應器之一實際輸入條件、反應器之一實際操作條件以及由反應器產生之一產物之一實際物理特性值或基於一模擬之一計算結果；在操作S200中，藉由自所儲存的反應器製程資料移除一離群值來產生學習資料；以及在操作S300中，產生包含一AI演算法之一AI模型，該AI演算法學習所產生的學習資料以導出用以滿足反應器之一操作條件及由反應器產生之一產物之一物理特性值之一最佳反應器輸入條件。
反應器輸入條件包含以下（a）：
（a）：被引入至反應器中之一原始材料之組成、溫度、流速及壓力其中之一或多個或其組合。
當觸媒被輸入至反應器中時，一經調整之反應器輸入條件可更包含以下（b）：
（b）被引入至反應器中之一觸媒之組成、溫度、流速及壓力其中之一或多個或其組合。
在反應器輸入條件（a）中，原始材料之組成可包含構成原始材料之化合物之類型及含量，且該含量可為一絕對值（例如：重量或體積）或者一相對值（例如：重量比或體積比）。原始材料之溫度可參考當原始材料被引入至反應器中時原始材料之溫度，原始材料之流速可參考在反應器中之全部輸入之中原始材料之流速，且原始材料之壓力可參考在反應器之全部輸入之中原始材料之壓力。
自更精確地控制反應器之觀點來看，反應器輸入條件（a）可為，例如：原始材料之組成及溫度、或者原始材料之組成及流速、或者原始材料之組成及壓力、或者原始材料之溫度及流速、原始材料之溫度及壓力、或者原始材料之流速及壓力，例如：原始材料之組成、溫度及流速、或者原始材料之組成、溫度及壓力、或者原始材料之溫度、流速及壓力，例如：原始材料之組成、溫度、流速及壓力。
在反應器輸入條件（b）中，觸媒之組成可包含構成觸媒之化合物之類型及含量，且在此種情形中，該含量可為一絕對值（例如：重量或體積）或者一相對值（例如：重量比或體積比）。觸媒之溫度可參考當觸媒被引入至反應器中時觸媒之溫度，觸媒之流速可參考在反應器之總輸入之中觸媒之流速，且觸媒之壓力可參考在反應器之總輸入之中觸媒之壓力。
自更精確地操作反應器之觀點來看，反應器輸入條件（b）可為，例如：觸媒之組成及溫度、或者觸媒之組成及流速、或者觸媒之組成及壓力、或者觸媒之溫度及流速、觸媒之溫度及壓力、或者觸媒之流速及壓力，例如：觸媒之組成、溫度及流速、或者觸媒之組成、溫度及壓力、或者觸媒之溫度、流速及壓力，例如：觸媒之組成、溫度、流速及壓力。
將在下文中提及之反應器輸入條件相同於上述反應器輸入條件，因此為了方便起見，對其不再予以贅述。
在產生AI模型之操作S300中產生的AI模型可包含一AI演算法A1，該AI演算法A1導出用於滿足一反應器操作條件及由反應器產生之一產物之一物理特性值之一最佳反應器輸入條件，且其配置不受特別限制。舉例而言，AI模型可包含對一反應器製程之各種結果進行預測之一演算法。
根據一示例性實施例之AI模型可包含一AI演算法A2，該AI演算法A2基於反應器之輸入條件而導出反應器之一預測操作條件或由反應器產生之產物之一預測物理特性值。
根據本發明之一示例性實施例，由AI演算法A2導出之反應器之預測操作條件或由反應器產生之產物之預測物理特性值可被提供至AI演算法A1，以基於反應器之預測操作條件或反應器之預測物理特性值而導出一最佳反應器輸入條件。
根據本發明之一示例性實施例，在AI演算法A1中，當產物之物理特性值在反應器之一操作期間改變時，可對自物理特性值發生改變之一時間點開始並達到改變後的物理特性值的反應器輸入條件之動態特性進行分析，以導出一新的最佳反應器輸入條件。
可實行對動態特性之分析，以預測在製程（包含在製程中可能出現之反應器）中之物理變化及化學變化，其中物理特性值隨時間改變，並且可導出在達到改變後的物理特性值之過程中每一製程之一最佳反應器輸入條件。可由一外部使用者（管理員等）預先設定用於在每一製程中劃分製程單元之一標準。舉例而言，可基於時間來劃分標準，或者舉例而言，可基於所生產之產物之一總量來劃分標準。然而，應注意，上述實例僅為用以幫助理解之實例，並且該等標準不限於上述實例。基於上述每一反應過程之最佳反應器輸入條件，在自發生改變之時間點處之狀態發生改變之後，可更快速且更穩定地達到一物理特性值。
產生AI模型之操作S300可包含線性迴歸、邏輯式迴歸、一決策樹、一隨機森林、一支援向量機、梯度提升、一卷積神經網路、一循環神經網路、長短期記憶體、一注意力模型、一變換器、一生成式對抗網路、強化學習或其組合（總體）其中之一或多者。
第2圖為示出一基於AI模型之製程控制系統之配置圖。
如第2圖所示，根據本發明之一示例性實施例之基於AI模型之製程控制系統可包含一AI控制模型單元100、一輸入單元200及一輸出單元300，且可在藉由AI控制模型單元100、輸入單元200及輸出單元300所獲得之反應器之輸入條件下控制反應器之輸入。
在下文中，將詳細闡述根據本發明之一示例性實施例之基於AI模型之製程控制系統之每一組件。
AI控制模型單元100可包含一資料儲存單元110、一資料校正單元120及一資料導出單元130。
資料儲存單元110可儲存複數筆預定反應器製程資料。該等預定反應器製程資料為複數筆實驗資料，該等實驗資料包含自實驗室、試驗工廠（pilot plant）、商業工廠等收集之以下資料：反應器之一實際輸入條件、反應器之一實際操作條件及基於反應器之一產物之一實際物理特性值；或者藉由模擬產生之一計算結果，且對應於用於訓練一AI模型之原始資料。反應器之操作條件可參考例如反應器中之溫度及壓力，但並非僅限於此。藉由模擬產生之計算結果為藉由實行對反應器製程之模擬而獲得之一結果，且計算結果可包含製程之所有資料。舉例而言，計算結果可包含例如藉由模擬而導出之反應器之一輸入條件、反應器之一操作條件以及基於反應器之一產物之一物理特性值。
資料校正單元120可藉由移除所儲存之實驗資料之一離群值來產生學習資料。學習資料被用於作為訓練一AI模型之資料。根據另一示例性實施例，資料校正單元120可藉由在移除離群值之後對一尺度進行標準化來產生學習資料。
資料導出單元130可自所產生的學習資料中學習，並導出反應器之一最佳輸入條件，最佳輸入條件用以滿足反應器操作條件及由反應器產生之產物之物理特性值。資料導出單元130之配置可為一物理性質預測AI模型、一控制最佳化AI模型及其他AI模型其中之一或多個、其組合或者藉由整合上述AI模型而獲得之一AI模型。此處，可經由資料導出單元130或一單獨的資料提供單元將所導出的反應器之最佳輸入條件提供至輸出單元300。
可在一外部使用者（一管理者等）預先設定欲藉由一基於AI模型之製程控制系統獲得之一目的之後導出反應器之一最佳輸入條件。欲藉由基於AI模型之製程控制系統獲得之目的可為例如減少輸入原始材料、減少輸入觸媒、減少產品的等級改變時間（grade change time）、減少不合規格之產品、增加產品良率、增加產品產量、減少公用設施使用（utility usage）、減少操作成本、減少生產成本其中之一或多者或其組合，但並非僅限於此。
根據一實例，資料導出單元130可基於自輸入單元200提供之資料而導出反應器之一預測操作條件或由反應器所生產之一產物之一預測物理特性值，並導出反應器之最佳輸入條件。根據一實例，所導出的預測操作條件或預測物理特性值可藉由一常用之顯示裝置（例如：一監測器）進行顯示，使得一外部使用者（一管理者等）可即時對其進行檢查。
AI控制模型單元100可自輸入單元200接收包含反應器之一目標操作條件及由反應器所生產之產物之一目標物理特性值之資料。根據一實例，該資料可為欲控制之反應器之所有製程資料，包含反應器之輸入條件、反應器之操作條件、產物之物理特性值等。反應器之目標操作條件及由反應器產生之產物之目標物理特性值可由一外部使用者（一管理者等）預先設定。
AI控制模型單元100可導出藉由資料導出單元130提供的用以滿足反應器之目標操作條件及由反應器產生之產物之目標物理特性值之最佳反應器輸入條件，且此處所導出的反應器之最佳輸入條件可透過資料導出單元130或一單獨的資料提供單元而提供至輸出單元300。
根據一實例，當自輸入單元200提供之目標物理特性值在反應器之一操作期間改變時，資料導出單元130可對自目標物理特性值改變之一時間點開始並達到一改變後的目標物理特性值的反應器之輸入條件之動態特性進行分析，以導出反應器之一新的最佳輸入條件。
可實行對動態特性之分析，以預測在物理特性值隨時間順序變化之過程中可能發生之反應器中之物理及化學變化以及達到目標物理特性值之反應器輸入條件（a）或（b），由此可更快速且更穩定地自發生改變時之狀態達到目標物理特性值。
第3圖為根據本發明之一示例性實施例之AI控制模型單元100之一再學習配置圖。
根據本發明之一示例性實施例，AI控制模型單元100可更包含一資料分析單元140及用以再學習AI模型之一資料再訓練單元150。
根據一實例，資料導出單元130可基於自輸入單元200提供之反應器之輸入條件而導出反應器之一預測操作條件及由反應器產生之產物之一預測物理特性值。可藉由資料導出單元130或一單獨的資料提供單元將所導出的反應器之預測操作條件及產物之預測物理特性值提供至資料分析單元140。
根據一實例，資料分析單元140將自資料導出單元130導出之反應器之預測操作條件及產物之預測物理特性值②與自資料儲存單元110或資料校正單元120提供之反應器之實際操作條件及產物之實際物理特性值①進行比較。可藉由資料分析單元140或一單獨的資料提供單元將一比較結果提供至資料再訓練單元150。
反應器之實際操作條件及產物之實際物理特性值①可自資料儲存單元110或資料校正單元120提供，且此處，自資料校正單元120提供之反應器之實際操作條件及產物之實際物理特性值可藉由移除資料儲存單元110中所儲存的反應器之製程資料中之離群值而準備。
根據一實例，當提供至資料分析單元140之比較結果滿足以下條件（1）或條件（2）時，資料再訓練單元150可對資料導出單元130進行再訓練：
（1）當反應器之實際操作條件與反應器之某一操作條件之間之一誤差率超過容忍度時，
（2）當產物之實際物理特性值與由反應器產生之產物之某一物理特性值之間之一誤差率超過容忍度時。
此處，誤差率之容忍度可由一外部使用者（一管理者等）慮及製程之類型、反應物之類型、控制器之類型等而預先設定。誤差率之容忍度可為例如30%或小於30%、或20%或小於20%、或15%或小於15%、或10%或小於10%、或5%或小於5%。
根據本發明，AI控制模型單元100之精度可藉由上述再學習過程進一步提高。因此，自AI控制模型單元100導出的滿足反應器操作條件及由反應器產生之產物之物理特性值的反應器之最佳輸入條件之可靠性進一步提高。
根據本發明之一示例性實施例，AI控制模型單元100可藉由線性迴歸、邏輯式迴歸、一決策樹、一隨機森林、一支援向量機、梯度提升、一卷積神經網路、一循環神經網路、長短期記憶體、一注意力模型、一變換器、一生成式對抗網路、強化學習或其組合（總體）其中之一或多個進行訓練。
輸入單元200可獲得包含製程操作條件之資料，該製程操作條件包含反應器之輸入條件、反應器之操作條件及產物之物理特性值、反應器之目標操作條件及由反應器產生之產物之目標物理特性值，並將所獲得的資料提供至AI控制模型單元100。根據一實例，該資料可包含欲控制之反應器之包含上述內容在內之所有製程資料。根據一實例，可自一工廠中之反應器即時收集資料。根據一實例，自輸入單元200獲得之反應器之目標操作條件及由反應器產生之產物之目標物理特性值可由一外部使用者（一管理者等）預先設定。
輸出單元300可自AI控制模型單元100被提供用以滿足反應器之目標操作條件及由反應器產生之產物之目標物理特性值的反應器之最佳輸入條件，並且可在反應器之最佳輸入條件下控制反應器之輸入。
根據本發明之一示例性實施例，可提供包含上述基於AI之製程控制系統之一反應器。
反應器可為一管式反應器、一塔式反應器、一攪拌槽反應器、一流化床型反應器及一回路反應器其中之一。
根據本發明之一示例性實施例，反應器可設置有複數個，且該等反應器可彼此相同或不同，並且可各自獨立地為一管式反應器、一塔式反應器、一攪拌槽反應器、一流化床型反應器及一回路反應器其中之一。當配置有複數個反應器時，該等反應器之間之一連接方法不受特別限制。舉例而言，該等反應器可並聯連接，但並非僅限於此。
根據本發明之一示例性實施例，本發明可使用AI模型而容易地導出用於達成反應器之目標操作條件及產物之目標物理特性值之一最佳反應器輸入條件。
根據本發明之一示例性實施例，由於可利用最佳反應器輸入條件來控制反應器之輸入，因此可降低產品生產所需之單位成本及時間。
根據本發明之一示例性實施例，藉由使用一AI模型來對製程進行控制，可使一外部使用者（一管理者等）之介入最小化，藉此減少試誤並獲得高度可靠之反應器產物。
本發明之基於AI之製程控制系統可應用於各種石油化工製程、煉油製程、化學製程等，具體而言可應用於一聚合物製程，更具體而言可應用於使用具有C2至C12碳原子之烯烴單體之一聚烯烴製程，更具體而言可應用於使用一溶液聚合方法（溶液製程）之一聚乙烯製程，因此具有工業適用性。
本申請案主張於2021年12月7日在韓國智慧財產局提出申請之韓國專利申請案第10-2021-0173790號之優先權，該韓國專利申請案之揭露內容全文以引用方式併入本案中。
在上文中，已經闡述了本發明之示例性實施例，但本發明並非僅限於此，並且應理解，熟習此項技術者可在不背離下述申請專利範圍之概念及範圍之範圍內對本發明進行各種改變及修改。
100:AI控制模型單元
110:資料儲存單元
120:資料校正單元
130:資料導出單元
140:資料分析單元
150:資料再訓練單元
200:輸入單元
300:輸出單元
（a）、（b）:條件
S100、S200、S300:操作
①:反應器之實際操作條件及產物之實際物理特性值
②:反應器之預測操作條件及產物之預測物理特性值
第1圖為根據本發明之一示例性實施例之產生用於製程控制之一人工智慧（AI）模型之方法之流程圖。
第2圖為示出根據本發明之一示例性實施例之一AI模型製程控制系統之配置圖。
第3圖為根據本發明之一示例性實施例之一AI控制模型單元100之再學習配置圖。
無
S100、S200、S300:操作
Claims (12)
- 一種基於人工智慧模型之製程控制系統，包含：一人工智慧控制模型單元(100)，包含：一資料儲存單元(110)，儲存複數筆反應器製程資料，該等反應器製程資料包含一反應器之一實際輸入條件、該反應器之一實際操作條件以及由該反應器產生之一產物之一實際物理特性值或藉由一模擬產生之一計算結果；一資料校正單元(120)，藉由自所儲存的該等反應器製程資料中移除離群值(outlier)來產生學習資料；以及一資料導出單元(130)，產生使用一人工智慧演算法之一人工智慧模型，該人工智慧演算法學習所產生的該學習資料，以及使用該人工智慧模型導出一最佳反應器輸入條件以滿足一反應器操作條件以及由該反應器產生之該產物之一物理特性值；一輸入單元(200)，獲得包含一反應器目標操作條件及該產物之一目標物理特性值之資料，並將所獲得的該資料提供至該人工智慧控制模型單元(100)；以及一輸出單元(300)，自該人工智慧控制模型單元(100)接收用於滿足該反應器目標操作條件及該產物之該目標物理特性值之該最佳反應器輸入條件，並在該最佳反應器輸入條件下控制該反應器之輸入，其中該最佳反應器輸入條件包含以下(a)：(a)被引入至該反應器中之一原始材料(raw material)之組成、溫度、流速及壓力其中之一或多個或其組合。
- 如請求項1所述之基於人工智慧模型之製程控制系統，其中該最佳反應器輸入條件更包含以下(b)：(b)被引入至該反應器中之一觸媒之組成、溫度、流速及壓力或其組合。
- 如請求項1所述之基於人工智慧模型之製程控制系統，其中該資料導出單元(130)基於從該輸入單元(200)提供之該反應器之該等最佳反應器輸入條件而導出該反應器之一預測操作條件及由該反應器產生之該產物之一預測物理特性值，並且該人工智慧控制模型單元(100)更包含：一資料分析單元(140)，將由該資料導出單元(130)導出之該反應器之該預測操作條件及該產物之該預測物理特性值與該資料儲存單元(110)或該資料校正單元(120)中該反應器之該實際操作條件及該產物之該實際物理特性值進行比較；以及一資料再訓練單元(150)，當該資料分析單元(140)所提供之一比較結果滿足以下條件(1)或條件(2)時，對該資料導出單元(130)進行再訓練：(1)當該反應器之該實際操作條件與該反應器之該預測操作條件之間之一誤差率超過一預定容忍度時，(2)當該產物之該實際物理特性值與該產物之該預測物理特性值之間之該誤差率超過一預定容忍度時。
- 如請求項1所述之基於人工智慧模型之製程控制系統，其中，當自該輸入單元(200)提供之該目標物理特性值在該反應器之一操作期間改變時，該資料導出單元(130)對自該目標物理特性值發生改變之一時間點開始並達到一改變後的目標物理特性值的該最佳反應器輸入條件之動態特性進行分析，藉此導出該反應器之一新的最佳輸入條件。
- 如請求項1所述之基於人工智慧模型之製程控制系統，其中該人工智慧控制模型單元(100)係由線性迴歸、邏輯式迴歸、一決策樹、一隨機森林、一支援向量機、梯度提升、一卷積神經網路、一循環神經網路、長短期記憶體、一注意力模型、一變換器(transformer)、一生成式對抗網路、強化學習或其組合(總體)其中之一或多者進行訓練。
- 一種反應器，包含如請求項1至5中任一項所述之基於人工智慧模型之製程控制系統。
- 如請求項6所述之反應器，其中該反應器為一管式反應器、一塔式反應器、一攪拌槽反應器、一流化床型反應器及一回路反應器其中之一。
- 如請求項6所述之反應器，其中該反應器設置有複數個，且該等反應器各自獨立地為一管式反應器、一塔式反應器、一攪拌槽反應器、一流化床型反應器及一回路反應器其中之一。
- 一種產生用於製程控制之一人工智慧模型之方法，該方法包含： 儲存複數筆反應器製程資料，該等反應器製程資料包含一反應器之一實際輸入條件、該反應器之一實際操作條件以及由該反應器產生之一產物之一實際物理特性值或基於模擬之一計算結果；藉由自所儲存的該等反應器製程資料移除離群值來產生學習資料；以及產生使用一人工智慧演算法之一人工智慧模型，該人工智慧演算法學習所產生的該學習資料，以及使用該人工智慧模型導出一最佳反應器輸入條件以滿足一反應器操作條件及由該反應器產生之該產物之一物理特性值，其中該最佳反應器輸入條件包含以下(a)：(a)被引入至該反應器中之一原始材料之組成、流速及壓力其中之一或多個或其組合。
- 如請求項9所述之方法，其中該最佳反應器輸入條件更包含以下(b)：(b)被引入至該反應器中之一觸媒之組成、溫度、流速及壓力其中之一或多個或其組合。
- 如請求項9所述之方法，其中，在該人工智慧演算法中，當該產物之該物理特性值在該反應器之一操作期間改變時，對自該物理特性值發生改變之一時間點開始並達到一改變後的物理特性值的該最佳反應器輸入條件之動態特性進行分析以導出一新的最佳反應器輸入條件。
- 如請求項9所述之方法，其中，在產生該人工智慧模型之該操作中，該人工智慧模型係由線性迴歸、邏輯式迴歸、一決策樹、一隨 機森林、一支援向量機、梯度提升、一卷積神經網路、一循環神經網路、長短期記憶體、一注意力模型、一變換器、一生成式對抗網路、強化學習或其組合(總體)其中之一或多者而產生。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210173790A KR20230085536A (ko) | 2021-12-07 | 2021-12-07 | 공정제어를 위한 인공지능 모델의 생성방법, 인공지능 모델 기반 공정제어 시스템 및 이를 포함하는 반응기 |
| KR10-2021-0173790 | 2021-12-07 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202333167A TW202333167A (zh) | 2023-08-16 |
| TWI822505B true TWI822505B (zh) | 2023-11-11 |
Family
ID=86729715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111146848A TWI822505B (zh) | 2021-12-07 | 2022-12-07 | 產生用於製程控制之人工智慧模型之方法、基於人工智慧模型之製程控制系統及包含該系統之反應器 |
Country Status (4)
| Country | Link |
|---|---|
| KR (1) | KR20230085536A (zh) |
| CA (1) | CA3220830A1 (zh) |
| TW (1) | TWI822505B (zh) |
| WO (1) | WO2023105392A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117312388B (zh) * | 2023-10-08 | 2024-03-19 | 江苏泰赋星信息技术有限公司 | 一种人工智能模型控制系统 |
| CN117548053B (zh) * | 2024-01-12 | 2024-03-26 | 广东林工工业装备有限公司 | 一种可调式反应釜及其控制方法和相关设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080008219A1 (en) * | 2006-07-07 | 2008-01-10 | Seiko Epson Corporation | Surface-Emitting Type Semiconductor Laser |
| TW201512464A (zh) * | 2013-07-02 | 2015-04-01 | Ancosys Gmbh | 用於電化學沉積及／或電化學蝕刻之原位指紋法 |
| CN109338456A (zh) * | 2018-12-03 | 2019-02-15 | 上海交通大学 | 基于数值模拟与神经网络判断的单晶制品生产智能控制技术 |
| CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020246631A1 (ko) * | 2019-06-04 | 2020-12-10 | 엘지전자 주식회사 | 온도 예측 모델의 생성 장치 및 시뮬레이션 환경의 제공 방법 |
| KR20210027668A (ko) | 2019-08-30 | 2021-03-11 | 주식회사 에일론 | 푸리에 디스크립터와 인공신경망을 이용한 타겟 단백질에 대한 화합물 활성 예측 시스템 |
| KR102147609B1 (ko) * | 2019-12-12 | 2020-08-24 | 박성룡 | 프레스 금형용 철강 제조 공정을 위한 제어 방법 및 장치 |
| KR20210121861A (ko) * | 2020-03-31 | 2021-10-08 | (주)씨엔에스아이엔티 | 광 생물 반응기용 스마트 제어 시스템 및 방법 |
| KR102283207B1 (ko) * | 2020-12-31 | 2021-07-30 | 주식회사 이엠코 | 인공지능을 이용한 화력발전소의 배가스 처리방법 및 인공지능을 이용한 화력발전소의 배가스 처리장치 |
-
2021
- 2021-12-07 KR KR1020210173790A patent/KR20230085536A/ko unknown
-
2022
- 2022-12-06 CA CA3220830A patent/CA3220830A1/en active Pending
- 2022-12-06 WO PCT/IB2022/061797 patent/WO2023105392A1/ko active Application Filing
- 2022-12-07 TW TW111146848A patent/TWI822505B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080008219A1 (en) * | 2006-07-07 | 2008-01-10 | Seiko Epson Corporation | Surface-Emitting Type Semiconductor Laser |
| TW201512464A (zh) * | 2013-07-02 | 2015-04-01 | Ancosys Gmbh | 用於電化學沉積及／或電化學蝕刻之原位指紋法 |
| CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
| CN109338456A (zh) * | 2018-12-03 | 2019-02-15 | 上海交通大学 | 基于数值模拟与神经网络判断的单晶制品生产智能控制技术 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202333167A (zh) | 2023-08-16 |
| CA3220830A1 (en) | 2023-06-15 |
| KR20230085536A (ko) | 2023-06-14 |
| WO2023105392A1 (ko) | 2023-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI822505B (zh) | 產生用於製程控制之人工智慧模型之方法、基於人工智慧模型之製程控制系統及包含該系統之反應器 | |
| Mujtaba et al. | Neural network based modelling and control in batch reactor | |
| NO322812B1 (no) | Fremgangsmate og anordning for regulering av en prosess | |
| US20120078408A1 (en) | Advanced Control System For Steam Hydrocarbon Reforming Furnaces | |
| Francois et al. | Measurement-based real-time optimization of chemical processes | |
| Kadam et al. | Optimal grade transition in industrial polymerization processes via NCO tracking | |
| He et al. | Multi-objective nonlinear predictive control of process systems: A dual-mode tracking control approach | |
| Vieira et al. | Identification and predictive control of a FCC unit using a MIMO neural model | |
| CN104527009A (zh) | 基于高斯预测的注塑成型工艺参数优化调控方法 | |
| CN109564771B (zh) | 用于操作高压乙烯聚合单元的方法和系统 | |
| Bonvin et al. | Control and optimization of batch chemical processes | |
| Sun et al. | Quasi-decentralized networked process control using an adaptive communication policy | |
| Feather et al. | Hybrid approach to polymer grade transition control | |
| Dutra et al. | Control of bulk propylene polymerizations operated with multiple catalysts through controller reconfiguration | |
| Duran-Villalobos et al. | Iterative learning modelling and control of batch fermentation processes | |
| Dvoretskii et al. | Integrated design of power-and resource-saving chemical processes and process control systems: Strategy, methods, and application | |
| Wei et al. | Control of a batch polymerization system using hybrid neural network‐first principle model | |
| Naidoo et al. | Experiences with nonlinear MPC in polymer manufacturing | |
| Alanqar et al. | Integrating production scheduling and process operation via economic model predictive control | |
| Lee et al. | Grade transition using dynamic neural networks for an industrial high-pressure ethylene–vinyl acetate (EVA) copolymerization process | |
| Cubillos et al. | Real-time process optimization based on grey-box neural models | |
| Wei et al. | A three-section algorithm of dynamic programming based on three-stage decomposition system model for grade transition trajectory optimization problems | |
| Gumber et al. | Neuro-estimator based generic model control of a non-linear CSTR having multiplicity | |
| Ogunnaike et al. | Control of polymerization processes | |
| Tătulea-Codrean et al. | A Multi-stage Economic NMPC for the Tennessee Eastman Challenge Process |