WO2019159280A1 - プラント運転条件設定支援システム、学習装置、及び運転条件設定支援装置 - Google Patents

プラント運転条件設定支援システム、学習装置、及び運転条件設定支援装置 Download PDF

Info

Publication number
WO2019159280A1
WO2019159280A1 PCT/JP2018/005252 JP2018005252W WO2019159280A1 WO 2019159280 A1 WO2019159280 A1 WO 2019159280A1 JP 2018005252 W JP2018005252 W JP 2018005252W WO 2019159280 A1 WO2019159280 A1 WO 2019159280A1
Authority
WO
WIPO (PCT)
Prior art keywords
values
plant
regression model
unit
value
Prior art date
Application number
PCT/JP2018/005252
Other languages
English (en)
French (fr)
Inventor
山口　芳弘
威公 安井
俊也 百瀬
Original Assignee
千代田化工建設株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 千代田化工建設株式会社 filed Critical 千代田化工建設株式会社
Priority to JP2019571877A priority Critical patent/JP7144462B2/ja
Priority to RU2020128158A priority patent/RU2767009C1/ru
Priority to PCT/JP2018/005252 priority patent/WO2019159280A1/ja
Priority to AU2018408886A priority patent/AU2018408886A1/en
Priority to TW108105066A priority patent/TWI801502B/zh
Publication of WO2019159280A1 publication Critical patent/WO2019159280A1/ja
Priority to US16/995,031 priority patent/US11320811B2/en

Links

Images

Classifications

    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • 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
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37591—Plant characteristics

Definitions

  • the present invention relates to a plant operation condition setting support system for supporting setting of a plant operation condition, and a learning apparatus and an operation condition setting support apparatus that can be used in the plant operation condition setting support system.
  • a series of processes are executed by a large number of devices such as reactors and heating furnaces, and a large amount of operation is required to control each of the large numbers of devices. Operating conditions are set.
  • a plant where a multi-stage process is executed many manipulated variables can interact in a complex manner, so it is not easy to predict the effects of changes in manipulated variables. The plant is in operation.
  • the simulation model Since the simulation model is adjusted manually, it requires a lot of man-hours and the accuracy of reproducing the actual process can be influenced by the experience and skill of the adjuster. In addition, since there may be an event that is difficult to reproduce by a process simulator, it has been difficult to construct a simulation model that accurately reproduces the actual operation state of the plant.
  • the present invention has been made in view of such circumstances, and an object of the present invention is to provide a technology that supports setting of operating conditions capable of realizing a suitable operation of a plant.
  • a plant operation condition setting support system for supporting setting of a plant operation condition, and includes a plurality of plant operation conditions.
  • a learning device for learning a regression model for calculating a predicted output value indicating the operation result of the plant, and a plurality of settings to be set for controlling the operation of the plant using the regression model learned by the learning device And an operation condition setting support device that calculates the value of the operation amount.
  • the learning device indicates the operation result of the plant when a plurality of operation amount values are set under operation conditions indicated by a plurality of state amount values, a plurality of operation amount values, and a plurality of state amount values.
  • An actual value acquisition unit that acquires an actual value of a combination with an output value, a learning unit that learns a regression model based on a plurality of actual values acquired by the actual value acquisition unit, and a regression that is learned by the learning unit
  • a regression model providing unit that provides the model to the driving condition setting support device.
  • the driving condition setting support device includes a regression model acquisition unit that acquires the regression model learned by the learning device, a state quantity acquisition unit that acquires values of a plurality of state quantities, and a plurality of states acquired by the state quantity acquisition unit When operating the plant under the operation condition indicated by the quantity, an operation quantity calculation unit that uses a regression model to calculate a plurality of manipulated variable values whose output values satisfy a predetermined condition, and an operation quantity An operation amount output unit that outputs a plurality of operation amount values calculated by the calculation unit.
  • the operation amount calculator may calculate a plurality of operation amount values by applying an optimization problem solving algorithm to the output value.
  • the apparatus includes a plurality of state quantity values indicating plant operating conditions, a plurality of manipulated variable values set to control the operation of the plant, and a plurality of operating conditions indicated by the plurality of state quantity values.
  • a learning unit for learning a regression model for calculating a predicted value of an output indicating an operation result of a plant when a plurality of operation amount values are set under an operation condition indicated by a plurality of state quantity values;
  • a regression model providing unit that provides the operating model setting support device that calculates the values of a plurality of manipulated variables to be set for controlling the operation of the plant.
  • Still another aspect of the present invention is an operating condition setting support device.
  • This device is based on a plurality of state quantity values indicating a plant operating condition and a plurality of manipulated variable values set for controlling the operation of the plant.
  • Regression model acquisition that acquires the regression model learned by the learning device from the learning device that learns the regression model for calculating the predicted value of the output indicating the operation result of the plant when multiple manipulated variable values are set
  • An operation amount calculation unit that calculates a plurality of operation amount values that satisfy the predetermined condition using a regression model, and outputs a plurality of operation amount values calculated by the operation amount calculation unit Manipulation amount It comprises a part, a.
  • FIG. 1 shows an overall configuration of a plant operation condition setting support system according to an embodiment.
  • the plant operating condition setting support system 1 for supporting the setting of the operating conditions of the plant 3 includes a plant 3 for producing chemical products, industrial products, and the like, and a plurality of state quantity values indicating the operating conditions of the plant 3, The operation of the plant 3 when a plurality of manipulated variable values are set under the operation conditions indicated by the plurality of state variable values from the plurality of manipulated variable values set to control the operation of the plant 3. And a learning device 4 for learning a regression model 8 for calculating a predicted output value indicating the result.
  • Each plant 3 includes a control target device 10 such as a reactor or a heating furnace installed in the plant 3, a control device 20 that sets an operation amount for controlling the operation of the control target device 10, and a learning device 4.
  • An operation condition setting support device 30 that calculates values of a plurality of operation amounts to be set for controlling the operation of the plant 3 using the learned regression model 8 is provided.
  • Each plant 3 and learning device 4 are connected via the Internet 2.
  • the learning device 4 includes a result value acquisition unit 5, a learning unit 6, a regression model providing unit 7, and a regression model 8.
  • these configurations are realized by a CPU of a computer, a memory, a program loaded in the memory, and the like, but here, functional blocks realized by their cooperation are illustrated. Accordingly, those skilled in the art will understand that these functional blocks can be realized in various forms by hardware only, software only, or a combination thereof.
  • the regression model 8 is based on a plurality of state quantity values based on a plurality of state quantity values indicating the operation conditions of the plant 3 and a plurality of manipulated variable values set to control the operation of the plant 3. It is a model for calculating the predicted value of the output which shows the operation result of plant 3 when the value of a plurality of manipulated variables is set on the indicated operation condition. That is, the regression model 8 does not simulate individual processes executed in the plant 3, but calculates a predicted output value by a calculation using a plurality of state quantity values and a plurality of manipulated variable values. Is.
  • the regression model 8 may calculate a predicted output value by a calculation using a plurality of state quantity values and a plurality of manipulated variable values and a calculation parameter for calculating a predicted output value. Good.
  • the output value may be an arbitrary value indicating the operation result of the plant 3, and may be, for example, the amount of product produced by the plant 3, quality such as purity, yield, etc. It may be the amount, concentration, etc. of exhaust gas, etc. It may be the time, energy, amount, quality, temperature, etc. of the production of the product, and the production efficiency of the plant 3 etc. It may be a key performance evaluation index (KPI: Key Performance Indicator).
  • KPI Key Performance Indicator
  • the actual value acquisition unit 5 receives from the plant 3 a plurality of state quantity values indicating the operation conditions of the plant 3, a plurality of manipulated variable values set to control the operation of the plant 3, and a plurality of state quantities.
  • the learning unit 6 learns the regression model 8 based on the plurality of actual values acquired by the actual value acquiring unit 5.
  • the learning unit 6 inputs the values of the plurality of state quantities and the values of the plurality of manipulated variables acquired by the result value acquiring unit 5 to the regression model 8, the actual value of the output paired with those values
  • the value of the calculation parameter may be adjusted so that a value close to is calculated.
  • the learning unit 6 may learn the regression model 8 by supervised learning using the actual value of the output of the plant 3 as teacher data, or may learn the regression model 8 by any other known machine learning technique. Good.
  • the accuracy of the regression model 8 can be improved by learning the regression model 8 using a large number of actual values, it is possible to calculate a predicted output value indicating the operation result of the plant 3 more accurately.
  • a regression model 8 can be generated.
  • the time and load required to generate the regression model 8 can be greatly reduced.
  • the predicted output value can be calculated more accurately.
  • Different regression models 8 may be learned for each plant 3, and regression models 8 common to a plurality of plants 3 may be learned using actual values from a plurality of plants 3 that execute the same type of process. .
  • the regression model providing unit 7 provides the operating model setting support device 30 with the regression model 8 learned by the learning unit 6.
  • the learning device 4 is shown as a single device, but the learning device 4 is realized by a plurality of servers using cloud computing technology, distributed processing technology, or the like. May be. Thereby, since a large amount of information collected from the plant 3 can be processed at high speed and the regression model 8 can be learned, the time required to improve the accuracy of the regression model 8 can be greatly shortened.
  • FIG. 2 shows the configuration of the operating condition setting support device and the control device according to the embodiment.
  • the control device 20 includes a control unit 21 and an operation panel 22.
  • the operation panel 22 displays various state quantity values indicating the operation status of the plant 3, various operation amount set values set by the control device 20, and output values indicating the operation results of the plant 3 on the display device. In addition to the display, input of various set values of the operation amount is accepted from the operator.
  • the control unit 21 includes an operation amount setting unit 23, a state amount acquisition unit 24, a state amount transmission unit 25, and a result value transmission unit 26. These functional blocks can also be realized in various forms by hardware only, software only, or a combination thereof.
  • the operation amount setting unit 23 sets various operation amount setting values received from the operator through the operation panel 22, controls the control target device 10, and displays it on the display device of the operation panel 22.
  • the state quantity acquisition unit 24 acquires various state quantity values indicating the operation status and operation result of the plant 3 from various sensors and measuring devices provided in the control target device 10 and the like, and displays the operation panel 22 on the display. Display on the device.
  • the state quantity transmission unit 25 transmits the value of the state quantity acquired by the state quantity acquisition unit 24 to the driving condition setting support device 30.
  • the actual value transmission unit 26 transmits the operation amount value set by the operation amount setting unit 23, the state amount value acquired by the state amount acquisition unit 24, and the output value to the learning device 4.
  • the operating condition setting support device 30 includes a control unit 31 and a regression model 38.
  • the control unit 31 includes a state amount acquisition unit 32, an operation amount calculation unit 33, an operation amount output unit 34, a regression model acquisition unit 35, a predicted value calculation unit 36, and a predicted value presentation unit 37. These functional blocks can also be realized in various forms by hardware only, software only, or a combination thereof.
  • the regression model acquisition unit 35 acquires the regression model 8 learned by the learning device 4 and stores it as a regression model 38 in the storage device.
  • the state quantity acquisition unit 32 acquires a plurality of state quantity values from the state quantity transmission unit 25 of the control device 20.
  • the operation amount calculating unit 33 has a plurality of operation amounts such that the output value satisfies a predetermined condition. Is calculated using regression model 38.
  • the operation amount output unit 34 outputs a plurality of operation amount values calculated by the operation amount calculation unit 33 to the control device 20.
  • the output operation amount value may be presented on the operation panel 22 for reference when the operator manually inputs the operation amount value, or may be automatically input to the operation amount setting unit 23. Good.
  • the operation amount calculation unit 33 calculates a plurality of operation amount values that can optimize the output value by applying an algorithm for solving the optimization problem to the output value according to the purpose. For example, when it is desired to obtain an optimum operation set point capable of maximizing the production efficiency of the final product, a plurality of state quantities acquired by the state quantity acquiring unit 32 are set as fixed values, and a plurality of operation amount values are set. As a variable, a plurality of manipulated variable values that maximize the predicted value of the KPI calculated by inputting to the regression model 8 for calculating the KPI indicating the production efficiency of the final product are obtained by an optimization problem solving algorithm. calculate. As an algorithm for solving the optimization problem, any known algorithm such as a gradient method or a Nelder-Meade method may be used.
  • a predicted value such as KPI When a predicted value such as KPI is calculated by a simulator, it requires a considerable amount of calculation and time just to calculate a KPI value corresponding to one set of a plurality of state quantity values and a plurality of manipulated variable values. . Therefore, to calculate a large amount of predicted values of KPI over all the manipulated values of all the manipulated variables, and to search for a plurality of manipulated variable values that maximize the predicted value of KPI, May take weeks to months. In order to shorten the period required for the search, it is necessary to reduce the set for calculating the predicted value of KPI. Therefore, there is a possibility that a truly optimal operation set point cannot be searched.
  • a highly accurate regression model 8 since a highly accurate regression model 8 can be obtained by machine learning, it corresponds to one set of a plurality of state quantity values and a plurality of manipulated variable values.
  • the output value can be calculated quickly and accurately. Therefore, it is possible to search for and output a plurality of manipulated variable values that provide an output value that satisfies a predetermined condition in a short period of time. Can be set, and the operation of the plant 3 can be optimized.
  • the predicted output value since a predicted output value corresponding to one set of a plurality of state quantity values and a plurality of manipulated variable values can be calculated in a short time, the predicted output value is calculated for a larger number of sets. The optimum operation set point can be searched. As a result, regardless of the optimization algorithm for any optimization problem, the global maximum value or the minimum value can be searched without being caught by the local extreme value, so that a true optimal solution can be calculated.
  • the predicted value calculation unit 36 calculates an output predicted value by substituting a plurality of state quantities and a plurality of manipulated variables into the regression model 38.
  • the predicted value presentation unit 37 presents the predicted output value calculated by the predicted value calculation unit 36 on the operation panel 22. For example, based on the value of the current state quantity acquired by the state quantity acquisition unit 32 and the setting values of a plurality of operation amounts actually set by the operation amount setting unit 23 of the control device 20, the current KPI and the like The output value may be calculated and presented.
  • a predicted value for future output is calculated based on the state quantity value after the change and the current manipulated variable setting value. May be presented.
  • the predicted output value after the change is calculated based on the current state value and the manipulated variable set value after the change. May be presented. Thereby, the setting of the operating condition by the operator can be appropriately supported.
  • FIG. 3 shows an example of a display screen displayed on the display device of the operation panel.
  • the process flow diagram of the plant 3 the value of the state quantity related to the operation condition, the value of the state quantity related to the operation result, and a set value of a plurality of manipulated variables are displayed.
  • the operation amount calculation unit 33 uses the regression model 38 to calculate an optimal operation amount value that satisfies the condition.
  • the operation amount output unit 34 displays the calculated operation amount value on the display screen. Further, the operation amount output unit 34 displays on the display screen a graph showing the change over time in the output value indicating the operation result of the plant 3 when the operation amount is changed to the calculated operation amount value and when the operation amount is not changed.
  • the operation amount output unit 34 may display the value so as to be identifiable as to whether the value corresponds to the actual value or the predicted value.
  • the operator determines a set value of the operation amount with reference to the presented value of the operation amount, and inputs it to the operation panel 22.
  • the operation amount setting unit 23 controls the control target device 10 based on the input set value.
  • the value of the operation amount output by the operation amount output unit 34 may be directly input to the operation amount setting unit 23 and automatically set in the control target device 10. In this case, the value of the operation amount automatically set in the control target device 10 may be presented on the operation panel 22 or may not be presented.
  • the operation mode may be switchable between a manual mode in which the operator manually inputs.
  • the technology of the present invention can be applied to both a continuous process plant and a batch process plant.
  • 1 plant operation condition setting support system 3 plant, 4 learning device, 5 actual value acquisition unit, 6 learning unit, 7 regression model providing unit, 8 regression model, 10 controlled device, 20 control device, 22 operation panel, 23 operation Quantity setting part, 24 state quantity acquisition part, 25 state quantity transmission part, 26 actual value transmission part, 30 operating condition setting support device, 32 state quantity acquisition part, 33 manipulated variable calculation part, 34 manipulated variable output part, 35 regression model Acquisition unit, 36 predicted value calculation unit, 37 predicted value presentation unit, 38 regression model.
  • the present invention can be used in a plant operating condition setting support system for supporting setting of operating conditions of a plant.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Manufacturing & Machinery (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Lifting Devices For Agricultural Implements (AREA)
  • Control Of Turbines (AREA)

Abstract

プラントの運転条件の設定を支援するためのプラント運転条件設定支援システム１は、プラント３の運転条件を示す複数の状態量の値、及び、プラント３の運転を制御するために設定される複数の操作量の値から、複数の状態量の値により示される運転条件で複数の操作量の値が設定された場合のプラント３の運転結果を示す出力の予測値を算出するための回帰モデル８を学習させる学習装置４と、学習装置４により学習された回帰モデル８を使用して、プラント３の運転を制御するために設定すべき複数の操作量の値を算出する運転条件設定支援装置３０とを備える。

Description

プラント運転条件設定支援システム、学習装置、及び運転条件設定支援装置
　本発明は、プラントの運転条件の設定を支援するためのプラント運転条件設定支援システム、及びそのプラント運転条件設定支援システムに利用可能な学習装置及び運転条件設定支援装置に関する。
　化学製品や工業製品などを生産するためのプラントにおいては、反応器や加熱炉などの多数の装置により一連のプロセスが実行されており、多数の装置のそれぞれを制御するための多数の操作量により運転条件が設定される。多段階のプロセスが実行されるプラントにおいては、多数の操作量が複雑に相互作用しうるため、操作量の変更による影響を予測することは容易ではなく、熟練したオペレータにより操作量が設定されてプラントが運転されている。
　プラントにおいて実行されるプロセスを単位操作ごとに再現したプロセスシミュレータを組み合わせることにより、複数の単位操作の組合せを再現するためのシミュレーションモデルを構築することが試みられている（例えば、特許文献１参照）。
国際公開第２０１７／１５４１８１号
　シミュレーションモデルは人手で調整されるため、多大な工数を必要とする上、現実のプロセスを再現する精度が調整者の経験やスキルに左右されうる。また、プロセスシミュレータにより再現することが困難な事象も存在しうるため、現実のプラントの運転状況を精確に再現するシミュレーションモデルを構築するのは困難であった。
　本発明は、こうした状況を鑑みてなされたものであり、その目的は、プラントの好適な運転を実現することが可能な運転条件の設定を支援する技術を提供することにある。
　上記課題を解決するために、本発明のある態様のプラント運転条件設定支援システムは、プラントの運転条件の設定を支援するためのプラント運転条件設定支援システムであって、プラントの運転条件を示す複数の状態量の値、及び、プラントの運転を制御するために設定される複数の操作量の値から、複数の状態量の値により示される運転条件で複数の操作量の値が設定された場合のプラントの運転結果を示す出力の予測値を算出するための回帰モデルを学習させる学習装置と、学習装置により学習された回帰モデルを使用して、プラントの運転を制御するために設定すべき複数の操作量の値を算出する運転条件設定支援装置と、を備える。学習装置は、複数の状態量の値と、複数の操作量の値と、複数の状態量の値により示される運転条件で複数の操作量の値が設定された場合のプラントの運転結果を示す出力の値との組合せの実績値を取得する実績値取得部と、実績値取得部により取得された複数の実績値に基づいて、回帰モデルを学習させる学習部と、学習部により学習された回帰モデルを運転条件設定支援装置に提供する回帰モデル提供部と、を備える。運転条件設定支援装置は、学習装置により学習された回帰モデルを取得する回帰モデル取得部と、複数の状態量の値を取得する状態量取得部と、状態量取得部により取得された複数の状態量により示される運転条件でプラントを運転する場合に、出力の値が所定の条件を充足するような複数の操作量の値を、回帰モデルを使用して算出する操作量算出部と、操作量算出部により算出された複数の操作量の値を出力する操作量出力部と、を備える。
　この態様によると、プラントの運転結果を示す出力の値を向上させることが可能な操作量の値を迅速に算出して出力することができるので、手動又は自動による操作量の設定を的確に支援することができ、プラントの運転効率を向上させることができる。また、オペレータの経験やスキルなどに左右されることなく、的確にプラントの運転条件を設定することができるように支援することができる。
　操作量算出部は、最適化問題の解法アルゴリズムを出力の値に適用することにより、複数の操作量の値を算出してもよい。
　この態様によると、プラントの出力の値を最適化することが可能な複数の操作量の値を迅速かつ精確に算出することができるので、目的に応じて適切なプラントの運転条件の設定を支援することができる。
　本発明の別の態様は、学習装置である。この装置は、プラントの運転条件を示す複数の状態量の値と、プラントの運転を制御するために設定される複数の操作量の値と、複数の状態量の値により示される運転条件で複数の操作量の値が設定された場合のプラントの運転結果を示す出力の値との組合せの実績値を取得する実績値取得部と、実績値取得部により取得された複数の実績値に基づいて、複数の状態量の値により示される運転条件で複数の操作量の値が設定された場合のプラントの運転結果を示す出力の予測値を算出するための回帰モデルを学習させる学習部と、学習部により学習された回帰モデルを、プラントの運転を制御するために設定すべき複数の操作量の値を算出する運転条件設定支援装置に提供する回帰モデル提供部と、を備える。
　この態様によると、より迅速かつ精確にプラントの運転結果を示す出力の予測値を算出することができる。また、プロセスシミュレータなどにより再現することが困難な要素も加味された、より再現性の高い回帰モデルを生成することができる。
　本発明のさらに別の態様は、運転条件設定支援装置である。この装置は、プラントの運転条件を示す複数の状態量の値、及び、プラントの運転を制御するために設定される複数の操作量の値から、複数の状態量の値により示される運転条件で複数の操作量の値が設定された場合のプラントの運転結果を示す出力の予測値を算出するための回帰モデルを学習させる学習装置から、学習装置により学習された回帰モデルを取得する回帰モデル取得部と、プラントの運転条件を示す複数の状態量の値を取得する状態量取得部と、状態量取得部により取得された複数の状態量により示される運転条件でプラントを運転する場合に、出力の値が所定の条件を充足するような複数の操作量の値を、回帰モデルを使用して算出する操作量算出部と、操作量算出部により算出された複数の操作量の値を出力する操作量出力部と、を備える。
　この態様によると、プラントの運転結果を示す出力の値を向上させることが可能な操作量の値を迅速に算出して出力することができるので、手動又は自動による操作量の設定を的確に支援することができ、プラントの運転効率を向上させることができる。また、オペレータの経験やスキルなどに左右されることなく、的確にプラントの運転条件を設定することができるように支援することができる。
　なお、以上の構成要素の任意の組合せ、本発明の表現を方法、装置、システム、記録媒体、コンピュータプログラムなどの間で変換したものもまた、本発明の態様として有効である。
　本発明によれば、プラントの好適な運転を実現することが可能な運転条件の設定を支援する技術を提供することができる。
実施の形態に係るプラント運転条件設定支援システムの全体構成を示す図である。 実施の形態に係る運転条件設定支援装置及び制御装置の構成を示す図である。 操作パネルの表示装置に表示される表示画面の例を示す図である。
　図１は、実施の形態に係るプラント運転条件設定支援システムの全体構成を示す。プラント３の運転条件の設定を支援するためのプラント運転条件設定支援システム１は、化学製品や工業製品などを生産するためのプラント３と、プラント３の運転条件を示す複数の状態量の値、及び、プラント３の運転を制御するために設定される複数の操作量の値から、複数の状態量の値により示される運転条件で複数の操作量の値が設定された場合のプラント３の運転結果を示す出力の予測値を算出するための回帰モデル８を学習させる学習装置４とを備える。それぞれのプラント３は、プラント３に設置された反応器や加熱炉などの制御対象装置１０と、制御対象装置１０の運転を制御するための操作量を設定する制御装置２０と、学習装置４により学習された回帰モデル８を使用して、プラント３の運転を制御するために設定すべき複数の操作量の値を算出する運転条件設定支援装置３０とを備える。それぞれのプラント３と学習装置４とは、インターネット２により接続されている。
　学習装置４は、実績値取得部５、学習部６、回帰モデル提供部７、及び回帰モデル８を備える。これらの構成は、ハードウエアコンポーネントでいえば、任意のコンピュータのＣＰＵ、メモリ、メモリにロードされたプログラムなどによって実現されるが、ここではそれらの連携によって実現される機能ブロックを描いている。したがって、これらの機能ブロックがハードウエアのみ、ソフトウエアのみ、またはそれらの組合せによっていろいろな形で実現できることは、当業者には理解されるところである。
　回帰モデル８は、プラント３の運転条件を示す複数の状態量の値と、プラント３の運転を制御するために設定された複数の操作量の値とに基づいて、複数の状態量の値により示される運転条件で複数の操作量の値が設定された場合のプラント３の運転結果を示す出力の予測値を算出するためのモデルである。すなわち、回帰モデル８は、プラント３において実行される個々のプロセスをシミュレートするものではなく、複数の状態量の値と複数の操作量の値とを用いた演算により出力の予測値を算出するものである。回帰モデル８は、複数の状態量の値及び複数の操作量の値と、出力の予測値を演算するための演算パラメータとを用いた演算により、出力の予測値を算出するものであってもよい。
　出力の値は、プラント３の運転結果を示す任意の値であってもよく、例えば、プラント３により生産される製品の量、純度などの質、収率などであってもよいし、副産物や排ガスなどの量、濃度などであってもよいし、製品の生産に要する時間、エネルギー、原料や供給物などの量、質、温度などであってもよいし、プラント３の生産効率などを示す重要業績評価指標（ＫＰＩ：Key Performance Indicator）などであってもよい。
　実績値取得部５は、プラント３から、プラント３の運転条件を示す複数の状態量の値と、プラント３の運転を制御するために設定された複数の操作量の値と、複数の状態量の値により示される運転条件で複数の操作量の値が設定された場合のプラント３の運転結果を示す出力の値との組合せの実績値を取得する。
　学習部６は、実績値取得部５により取得された複数の実績値に基づいて、回帰モデル８を学習させる。学習部６は、実績値取得部５により取得された複数の状態量の値及び複数の操作量の値を回帰モデル８に入力したときに、それらの値と組になっている出力の実績値に近い値が算出されるように、演算パラメータの値を調整してもよい。学習部６は、プラント３の出力の実績値を教師データとした教師あり学習により回帰モデル８を学習させてもよいし、その他の既知の任意の機械学習技術により回帰モデル８を学習させてもよい。
　多数の実績値を用いて回帰モデル８を学習させることにより、回帰モデル８の精度を向上させることができるので、より精確にプラント３の運転結果を示す出力の予測値を算出することが可能な回帰モデル８を生成することができる。また、複雑なプロセスを再現するための高度なシミュレータを開発する必要がないので、回帰モデル８を生成するのに要する時間及び負荷を大幅に低減させることができる。また、シミュレータでは再現が困難であるような要素も加味することができるので、より精確に出力の予測値を算出することができる。
　プラント３ごとに異なる回帰モデル８が学習されてもよいし、同種のプロセスを実行する複数のプラント３からの実績値を用いて、複数のプラント３に共通の回帰モデル８が学習されてもよい。
　回帰モデル提供部７は、学習部６により学習された回帰モデル８を運転条件設定支援装置３０に提供する。
　本図においては、説明の簡略化のため、学習装置４を単独の装置として示しているが、学習装置４は、クラウドコンピューティング技術や分散処理技術などを利用して、複数のサーバにより実現されてもよい。これにより、プラント３から収集した大量の情報を高速に処理して回帰モデル８を学習させることができるので、回帰モデル８の精度を向上させるために要する時間を大幅に短縮することができる。
　図２は、実施の形態に係る運転条件設定支援装置及び制御装置の構成を示す。制御装置２０は、制御部２１及び操作パネル２２を備える。
　操作パネル２２は、プラント３の運転状況を示す各種の状態量の値と、制御装置２０により設定された各種の操作量の設定値と、プラント３の運転結果を示す出力の値を表示装置に表示するとともに、各種の操作量の設定値の入力をオペレータから受け付ける。
　制御部２１は、操作量設定部２３、状態量取得部２４、状態量送信部２５、及び実績値送信部２６を備える。これらの機能ブロックも、ハードウエアのみ、ソフトウエアのみ、またはそれらの組合せによっていろいろな形で実現できる。
　操作量設定部２３は、操作パネル２２によりオペレータから受け付けた各種の操作量の設定値を設定し、制御対象装置１０を制御するとともに、操作パネル２２の表示装置に表示する。状態量取得部２４は、制御対象装置１０などに設けられた各種のセンサや測定器などから、プラント３の運転状況及び運転結果を示す各種の状態量の値を取得し、操作パネル２２の表示装置に表示する。状態量送信部２５は、状態量取得部２４により取得された状態量の値を運転条件設定支援装置３０に送信する。実績値送信部２６は、操作量設定部２３により設定された操作量の値と、状態量取得部２４により取得された状態量の値及び出力の値を、学習装置４に送信する。
　運転条件設定支援装置３０は、制御部３１及び回帰モデル３８を備える。
　制御部３１は、状態量取得部３２、操作量算出部３３、操作量出力部３４、回帰モデル取得部３５、予測値算出部３６、及び予測値提示部３７を備える。これらの機能ブロックも、ハードウエアのみ、ソフトウエアのみ、またはそれらの組合せによっていろいろな形で実現できる。
　回帰モデル取得部３５は、学習装置４により学習された回帰モデル８を取得し、記憶装置に回帰モデル３８として格納する。状態量取得部３２は、制御装置２０の状態量送信部２５から、複数の状態量の値を取得する。操作量算出部３３は、状態量取得部３２により取得された複数の状態量により示される運転条件でプラント３を運転する場合に、出力の値が所定の条件を充足するような複数の操作量の値を、回帰モデル３８を使用して算出する。操作量出力部３４は、操作量算出部３３により算出された複数の操作量の値を制御装置２０へ出力する。出力された操作量の値は、オペレータが操作量の値を手動で入力する際に参照するために操作パネル２２に提示されてもよいし、自動的に操作量設定部２３に入力されてもよい。
　操作量算出部３３は、最適化問題の解法アルゴリズムを、目的に応じた出力の値に適用することにより、その出力の値を最適化することが可能な複数の操作量の値を算出する。例えば、最終製品の生産効率を最大化することが可能な最適運転設定点を求めたい場合は、状態量取得部３２により取得された複数の状態量を固定値とし、複数の操作量の値を変数として、最終製品の生産効率を示すＫＰＩを算出するための回帰モデル８に入力することにより算出されるＫＰＩの予測値が最大となる複数の操作量の値を、最適化問題の解法アルゴリズムにより算出する。最適化問題の解法アルゴリズムとしては、勾配法やネルダー－ミード法など、既知の任意のアルゴリズムを使用してもよい。
　ＫＰＩなどの予測値をシミュレータにより算出する場合には、複数の状態量の値と複数の操作量の値の１つの組に対応するＫＰＩの値を算出するだけでもかなりの計算量と時間を要する。したがって、全ての操作量の操作可能な全範囲の値にわたって膨大な量のＫＰＩの予測値を算出し、ＫＰＩの予測値が最大となるような複数の操作量の値を探索するには、数週間から数ヶ月もの期間を要する場合がある。探索に要する期間を短縮するためには、ＫＰＩの予測値を算出する組を削減する必要があるので、真に最適な運転設定点が探索できない可能性もある。さらに、個々の工程を再現するプロセスシミュレータを組み合わせてプロセス全体をシミュレートする場合には、個々の工程において最適解が算出できたとしても、プロセス全体としての最適解に収束しない場合がある。このように、従来の技術では、プラント３の運転設定点を変更するのは容易ではなく、プラント３において設定されている複数の操作量の値が、そのときの複数の状態量により示される運転状況において最適な運転設定点ではないとしても、最適な運転設定点に変更するのは困難であった。
　それに対して、本実施の形態の技術によれば、精度の高い回帰モデル８を機械学習により得ることができるので、複数の状態量の値と複数の操作量の値の１つの組に対応する出力の値を迅速かつ精確に算出することができる。したがって、所定の条件を充足するような出力の値を与える複数の操作量の値を短期間に探索して出力することができるので、複数の状態量の変化に応じて最適な操作量の値を設定することができ、プラント３の運転を最適化することができる。また、複数の状態量の値と複数の操作量の値の１つの組に対応する出力の予測値を短時間で算出することができるので、より多くの組について出力の予測値を算出して最適運転設定点を探索することができる。これにより、どんな最適化問題の解法アルゴリズムによっても、局所的な極値につかまらずに、全域的な最大値又は最小値を探索することができるので、真の最適解を算出することができる。
　予測値算出部３６は、複数の状態量と、複数の操作量を回帰モデル３８に代入することにより、出力の予測値を算出する。予測値提示部３７は、予測値算出部３６により算出された出力の予測値を操作パネル２２に提示する。例えば、状態量取得部３２により取得された現在の状態量の値と、制御装置２０の操作量設定部２３により実際に設定された複数の操作量の設定値とに基づいて、現在のＫＰＩなどの出力の値を算出して提示してもよい。また、環境の変化などにより状態量の変化が今後予測される場合に、変化後の状態量の値と、現在の操作量の設定値とに基づいて、今後の出力の予測値を算出して提示してもよい。また、オペレータが操作量の設定値の変更を検討しているときに、現在の状態量の値と、変更後の操作量の設定値とに基づいて、変更後の出力の予測値を算出して提示してもよい。これにより、オペレータによる運転条件の設定を適切に支援することができる。
　図３は、操作パネルの表示装置に表示される表示画面の例を示す。表示画面には、プラント３のプロセスフロー図と、運転条件に関する状態量の値と、運転結果に関する状態量の値と、複数の操作量の設定値が表示されている。オペレータが、プラント３の運転結果を示す出力の値の条件を設定すると、操作量算出部３３は、回帰モデル３８を使用して、条件を充足する最適な操作量の値を算出する。操作量出力部３４は、算出された操作量の値を表示画面に表示する。また、操作量出力部３４は、算出された操作量の値に変更した場合と変更しなかった場合のプラント３の運転結果を示す出力の値の時間変化を示すグラフを表示画面に表示する。操作量出力部３４は、出力の値を表示画面に表示する際に、その値が実績値に対応するものであるか予測値に対応するものであるかを識別可能に表示してもよい。オペレータは、提示された操作量の値を参考にして、操作量の設定値を決定し、操作パネル２２に入力する。操作量設定部２３は、入力された設定値に基づいて制御対象装置１０を制御する。
　操作量出力部３４により出力された操作量の値が操作量設定部２３に直接入力され、自動的に制御対象装置１０に設定されてもよい。この場合、制御対象装置１０に自動的に設定された操作量の値は、操作パネル２２に提示されてもよいし、提示されなくてもよい。操作量出力部３４により出力される操作量の値を操作量設定部２３に直接入力する自動モードと、操作量設定部２３に直接入力せずに操作パネル２２に提示して、操作量の値をオペレータに手動で入力させる手動モードとの間で運転モードが切替可能とされてもよい。
　以上、本発明を実施例をもとに説明した。この実施例は例示であり、それらの各構成要素や各処理プロセスの組合せにいろいろな変形例が可能なこと、またそうした変形例も本発明の範囲にあることは当業者に理解されるところである。
　本発明の技術は、連続工程のプラントにも、バッチ工程のプラントにも適用可能である。
　１　プラント運転条件設定支援システム、３　プラント、４　学習装置、５　実績値取得部、６　学習部、７　回帰モデル提供部、８　回帰モデル、１０　制御対象装置、２０　制御装置、２２　操作パネル、２３　操作量設定部、２４　状態量取得部、２５　状態量送信部、２６　実績値送信部、３０　運転条件設定支援装置、３２　状態量取得部、３３　操作量算出部、３４　操作量出力部、３５　回帰モデル取得部、３６　予測値算出部、３７　予測値提示部、３８　回帰モデル。
　本発明は、プラントの運転条件の設定を支援するためのプラント運転条件設定支援システムに利用可能である。

Claims (4)

  1. 　プラントの運転条件の設定を支援するためのプラント運転条件設定支援システムであって、
    　前記プラントの運転条件を示す複数の状態量の値、及び、前記プラントの運転を制御するために設定される複数の操作量の値から、前記複数の状態量の値により示される運転条件で前記複数の操作量の値が設定された場合の前記プラントの運転結果を示す出力の予測値を算出するための回帰モデルを学習させる学習装置と、
    　前記学習装置により学習された前記回帰モデルを使用して、前記プラントの運転を制御するために設定すべき前記複数の操作量の値を算出する運転条件設定支援装置と、
    を備え、
    　前記学習装置は、
    　前記複数の状態量の値と、前記複数の操作量の値と、前記複数の状態量の値により示される運転条件で前記複数の操作量の値が設定された場合の前記プラントの運転結果を示す出力の値との組合せの実績値を取得する実績値取得部と、
    　前記実績値取得部により取得された複数の実績値に基づいて、前記回帰モデルを学習させる学習部と、
    　前記学習部により学習された前記回帰モデルを前記運転条件設定支援装置に提供する回帰モデル提供部と、
    を備え、
    　前記運転条件設定支援装置は、
    　前記学習装置により学習された前記回帰モデルを取得する回帰モデル取得部と、
    　前記複数の状態量の値を取得する状態量取得部と、
    　前記状態量取得部により取得された前記複数の状態量により示される運転条件で前記プラントを運転する場合に、前記出力の値が所定の条件を充足するような前記複数の操作量の値を、前記回帰モデルを使用して算出する操作量算出部と、
    　前記操作量算出部により算出された前記複数の操作量の値を出力する操作量出力部と、
    を備えることを特徴とするプラント運転条件設定支援システム。
  2. 　前記操作量算出部は、最適化問題の解法アルゴリズムを前記出力の値に適用することにより、前記複数の操作量の値を算出することを特徴とする請求項１に記載のプラント運転条件設定支援システム。
  3. 　プラントの運転条件を示す複数の状態量の値と、前記プラントの運転を制御するために設定される複数の操作量の値と、前記複数の状態量の値により示される運転条件で前記複数の操作量の値が設定された場合の前記プラントの運転結果を示す出力の値との組合せの実績値を取得する実績値取得部と、
    　前記実績値取得部により取得された複数の実績値に基づいて、前記複数の状態量の値により示される運転条件で前記複数の操作量の値が設定された場合の前記プラントの運転結果を示す出力の予測値を算出するための回帰モデルを学習させる学習部と、
    　前記学習部により学習された前記回帰モデルを、前記プラントの運転を制御するために設定すべき前記複数の操作量の値を算出する運転条件設定支援装置に提供する回帰モデル提供部と、
    を備えることを特徴とする学習装置。
  4. 　プラントの運転条件を示す複数の状態量の値、及び、前記プラントの運転を制御するために設定される複数の操作量の値から、前記複数の状態量の値により示される運転条件で前記複数の操作量の値が設定された場合の前記プラントの運転結果を示す出力の予測値を算出するための回帰モデルを学習させる学習装置から、前記学習装置により学習された回帰モデルを取得する回帰モデル取得部と、
    　プラントの運転条件を示す複数の状態量の値を取得する状態量取得部と、
    　前記状態量取得部により取得された前記複数の状態量により示される運転条件で前記プラントを運転する場合に、前記出力の値が所定の条件を充足するような前記複数の操作量の値を、前記回帰モデルを使用して算出する操作量算出部と、
    　前記操作量算出部により算出された前記複数の操作量の値を出力する操作量出力部と、
    を備えることを特徴とする運転条件設定支援装置。
PCT/JP2018/005252 2018-02-15 2018-02-15 プラント運転条件設定支援システム、学習装置、及び運転条件設定支援装置 WO2019159280A1 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
JP2019571877A JP7144462B2 (ja) 2018-02-15 2018-02-15 プラント運転条件設定支援システム及び運転条件設定支援装置
RU2020128158A RU2767009C1 (ru) 2018-02-15 2018-02-15 Система поддержки установки условий работы завода, устройство обучения и устройство поддержки установки условий работы
PCT/JP2018/005252 WO2019159280A1 (ja) 2018-02-15 2018-02-15 プラント運転条件設定支援システム、学習装置、及び運転条件設定支援装置
AU2018408886A AU2018408886A1 (en) 2018-02-15 2018-02-15 Plant operation condition setting support system, learning device, and operation condition setting support device
TW108105066A TWI801502B (zh) 2018-02-15 2019-02-15 廠房運轉條件設定支援系統、學習裝置以及運轉條件設定支援裝置
US16/995,031 US11320811B2 (en) 2018-02-15 2020-08-17 Plant operating condition setting support system, learning device, and operating condition setting support device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/005252 WO2019159280A1 (ja) 2018-02-15 2018-02-15 プラント運転条件設定支援システム、学習装置、及び運転条件設定支援装置

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US16/995,031 Continuation US11320811B2 (en) 2018-02-15 2020-08-17 Plant operating condition setting support system, learning device, and operating condition setting support device

Publications (1)

Publication Number Publication Date
WO2019159280A1 true WO2019159280A1 (ja) 2019-08-22

Family

ID=67618913

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/005252 WO2019159280A1 (ja) 2018-02-15 2018-02-15 プラント運転条件設定支援システム、学習装置、及び運転条件設定支援装置

Country Status (6)

Country Link
US (1) US11320811B2 (ja)
JP (1) JP7144462B2 (ja)
AU (1) AU2018408886A1 (ja)
RU (1) RU2767009C1 (ja)
TW (1) TWI801502B (ja)
WO (1) WO2019159280A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023119544A1 (ja) * 2021-12-23 2023-06-29 千代田化工建設株式会社 プログラム、情報処理装置、及び方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11868098B2 (en) * 2021-11-12 2024-01-09 Phaidra, Inc. Chiller and pump control using customizable artificial intelligence system

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11325433A (ja) * 1998-05-15 1999-11-26 Kobe Steel Ltd 流動床式焼却炉の制御方法及びその装置
JP2001242905A (ja) * 2000-02-28 2001-09-07 Hitachi Ltd プロセス制御方法および装置
JP2002091505A (ja) * 2000-09-14 2002-03-29 Toshiba Corp モデル同定装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4017272B2 (ja) * 1998-12-16 2007-12-05 中国電力株式会社 プラント状態推定・予測装置及び方法
JP3712329B2 (ja) * 1999-02-03 2005-11-02 株式会社日立製作所 プロセスの制御装置
EP1288757A1 (de) * 2001-08-07 2003-03-05 Siemens Aktiengesellschaft Verfahren und Prozessleitsystem zum Betrieb einer technischen Anlage
CN107004060B (zh) * 2014-11-25 2022-02-18 Pdf决策公司 用于半导体制造工艺的经改进工艺控制技术
JP6501593B2 (ja) * 2015-04-03 2019-04-17 住友化学株式会社 予測ルール生成システム、予測システム、予測ルール生成方法及び予測方法
US10671131B2 (en) * 2015-06-05 2020-06-02 Apple Inc. Predictive control systems and methods
MY190843A (en) 2016-03-10 2022-05-12 Jgc Corp Method of determining mixed refrigerant composition for natural gas liquefying apparatus
EP3364519A1 (en) * 2017-02-15 2018-08-22 ABB Schweiz AG Method for controlling electric power conversion system and control arrangement for electric power conversion system
WO2018149898A2 (en) * 2017-02-16 2018-08-23 Alcatel-Lucent Ireland Ltd Methods and systems for network self-optimization using deep learning
US10084805B2 (en) * 2017-02-20 2018-09-25 Sas Institute Inc. Computer system to identify anomalies based on computer-generated results
DE102017203836A1 (de) * 2017-03-08 2018-09-13 Siemens Aktiengesellschaft Verfahren und System zum Bestimmen einer erwarteten Lebensdauer eines elektrischen Betriebsmittels
US20190165966A1 (en) * 2017-11-25 2019-05-30 Ruptub Solutions Private Limited Method and system for quality control of a facility based on machine learning
GB201800473D0 (en) * 2018-01-11 2018-02-28 Microsoft Technology Licensing Llc Knowledge base construction
US10664999B2 (en) * 2018-02-15 2020-05-26 Adobe Inc. Saliency prediction for a mobile user interface

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11325433A (ja) * 1998-05-15 1999-11-26 Kobe Steel Ltd 流動床式焼却炉の制御方法及びその装置
JP2001242905A (ja) * 2000-02-28 2001-09-07 Hitachi Ltd プロセス制御方法および装置
JP2002091505A (ja) * 2000-09-14 2002-03-29 Toshiba Corp モデル同定装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023119544A1 (ja) * 2021-12-23 2023-06-29 千代田化工建設株式会社 プログラム、情報処理装置、及び方法
WO2023119711A1 (ja) * 2021-12-23 2023-06-29 千代田化工建設株式会社 プログラム、情報処理装置、及び方法
JPWO2023119544A1 (ja) * 2021-12-23 2023-06-29
JP7354477B1 (ja) 2021-12-23 2023-10-02 千代田化工建設株式会社 プログラム、情報処理装置、及び方法

Also Published As

Publication number Publication date
RU2767009C1 (ru) 2022-03-16
AU2018408886A1 (en) 2020-08-20
US11320811B2 (en) 2022-05-03
JPWO2019159280A1 (ja) 2021-01-28
US20200379452A1 (en) 2020-12-03
JP7144462B2 (ja) 2022-09-29
TWI801502B (zh) 2023-05-11
TW201937319A (zh) 2019-09-16

Similar Documents

Publication Publication Date Title
US11022965B2 (en) Controlling multi-stage manufacturing process based on internet of things (IOT) sensors and cognitive rule induction
Zhu et al. Toward a low cost and high performance MPC: The role of system identification
WO2019098158A1 (ja) プラント管理システム及び管理装置
WO2020039683A1 (ja) 細胞培養支援装置の作動プログラム、細胞培養支援装置、細胞培養支援装置の作動方法
CN112100916A (zh) 用于构建强化学习模型的方法、装置、电子设备及介质
CN105103059B (zh) 用于在plc中实现模型预测性控制的系统和方法
WO2019159280A1 (ja) プラント運転条件設定支援システム、学習装置、及び運転条件設定支援装置
JPWO2019234913A1 (ja) 支援装置、学習装置、及びプラント運転条件設定支援システム
Lopez-Guede et al. On the influence of the prediction horizon in dynamic matrix control
WO2016203757A1 (ja) 制御装置、それを使用する情報処理装置、制御方法、並びにコンピュータ・プログラムが格納されているコンピュータ読み取り可能な記憶媒体
JP2010146137A (ja) パラメータ調整支援装置
TWI833666B (zh) 支援方法、支援裝置以及支援程式
TWI830193B (zh) 預測系統、資訊處理裝置以及資訊處理程式
Muldbak et al. Digital Twin of a pilot-scale bio-production setup
JP7384311B1 (ja) 運転支援装置、運転支援方法及びプログラム
CN117930767A (zh) 一种基于云边协同和hils的大型焙烧炉模拟装置
JP2022148258A (ja) シミュレーション装置、シミュレーションシステム、シミュレーション方法、およびシミュレーションプログラム
US20230138268A1 (en) Control system, control method, and control program
JP2023019825A (ja) 情報処理装置、表示制御方法および表示制御プログラム
JP2023019824A (ja) 情報処理装置、情報処理方法、情報処理プログラム、モデル生成方法およびモデル生成プログラム
JP2023063039A (ja) 火力発電プラントの運転支援装置、及び運転支援方法
TW202411798A (zh) 支援方法、支援裝置以及支援程式
JP2023078710A (ja) 装置、方法およびプログラム
JP2023019823A (ja) 情報処理装置、情報処理方法、情報処理プログラム、モデル生成方法およびモデル生成プログラム
JP2023078694A (ja) 装置、方法およびプログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18906576

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019571877

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2018408886

Country of ref document: AU

Date of ref document: 20180215

Kind code of ref document: A

122 Ep: pct application non-entry in european phase

Ref document number: 18906576

Country of ref document: EP

Kind code of ref document: A1