WO2024029063A1 - 支援方法、支援装置、及び支援プログラム - Google Patents

支援方法、支援装置、及び支援プログラム Download PDF

Info

Publication number
WO2024029063A1
WO2024029063A1 PCT/JP2022/030071 JP2022030071W WO2024029063A1 WO 2024029063 A1 WO2024029063 A1 WO 2024029063A1 JP 2022030071 W JP2022030071 W JP 2022030071W WO 2024029063 A1 WO2024029063 A1 WO 2024029063A1
Authority
WO
WIPO (PCT)
Prior art keywords
plant
executed
model
scale
information
Prior art date
Application number
PCT/JP2022/030071
Other languages
English (en)
French (fr)
Inventor
秀紀 佐藤
玄 井川
基樹 入倉
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 JP2022577219A priority Critical patent/JP7236600B1/ja
Priority to PCT/JP2022/030071 priority patent/WO2024029063A1/ja
Priority to TW112123962A priority patent/TWI833666B/zh
Publication of WO2024029063A1 publication Critical patent/WO2024029063A1/ja

Links

Images

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

Definitions

  • the present invention relates to a support method, a support device, and a support program for supporting the design and operation of a plant.
  • the design is scaled up in stages such as small scale, medium scale, and large scale.
  • a system for executing processes on a small scale is designed, and the processes are executed in the assembled small scale system.
  • a predictive model for predicting processes in small-scale systems is constructed. Using this predictive model, the equipment configuration, equipment size, operating policy, etc. for the next scale system will be considered, and the next scale system will be designed.
  • the present invention was made in view of these circumstances, and its purpose is to provide technology for supporting plant design.
  • a support method includes the steps of: acquiring information regarding a process or a reduced system when a process executed in a plant is executed in a reduced system smaller in scale than the plant; At least one model for predicting a process to be executed in a plant or an intermediate system having a scale between a plant and a reduced system based on relationships between systems when processes are executed in a plurality of systems of different scales. and a step of generating the part from the information.
  • This device includes an information acquisition unit that acquires information about a process or a reduced system when a process executed in a plant is executed in a reduced system smaller in scale than the plant, and an information acquisition unit that obtains information about the process or reduced system when a process executed in a plant is executed in a reduced system smaller in scale than the plant. and a model generation unit that generates a model from information to predict a process to be executed in a plant or an intermediate system having a scale between the plant and the reduced system, based on the relationship between the systems at the time.
  • Yet another aspect of the present invention is a support device.
  • This device provides information about a process or a reduced system when a process is executed in a reduced system smaller than the plant, based on the relationship between the systems when a process executed in a plant is executed in multiple systems of different scales.
  • the system includes an operation support unit that supports control of the plant during operation based on a model generated from the model for predicting processes to be executed in the plant.
  • FIG. 2 is a diagram schematically showing the process of designing a plant.
  • FIG. 1 is a diagram showing the configuration of a support system according to an embodiment.
  • 3 is a flowchart showing a procedure of a support method according to an embodiment of the present invention.
  • FIG. 3 is a diagram illustrating a specific example of a support method according to an embodiment.
  • FIG. 7 is a diagram showing another specific example of the support method according to the embodiment.
  • 3 is a flowchart showing a procedure of a support method according to an embodiment of the present invention.
  • FIG. 1 is a diagram showing the configuration of a design support device according to an embodiment.
  • FIG. 1 is a diagram showing the configuration of a driving support device according to an embodiment.
  • Figure 1 schematically shows the process of designing a plant.
  • a plant is equipped with multiple devices and equipment for carrying out the process of processing raw materials (reaction, separation, drying, processing, etc.) to manufacture products.
  • the design is performed by gradually scaling up a system starting from a system smaller than the plant.
  • the design progresses by scaling up in the following order: a reduced laboratory scale system, a bench scale intermediate system, and a commercial scale plant.
  • a pilot scale intermediate system may be considered, for example, between a bench scale intermediate system and a commercial scale plant.
  • laboratory-scale reduction systems are mainly composed of batch-type reactors and the like.
  • Bench scale intermediate systems are mainly composed of tubular reactors (Plug Flow Reactors: PFR), continuous stirred tank reactors (Continuous Stirred-Tank Reactors: CSTR), and the like.
  • Commercial-scale plants are mainly composed of larger-scale or multistage tubular reactors, continuous stirred tank reactors, etc. than bench-scale intermediate systems.
  • the chemical processes carried out in such plants include, for example, industrial chemicals, chemical fertilizers, paper, pulp, rubber, synthetic fibers, synthetic resins, petroleum products, pharmaceuticals, dyes, detergents, cosmetics, bioproducts, etc. It includes the process of manufacturing by processing.
  • the prediction model may be one that simulates the process chemically, physically, or numerically, or may be a mathematical formula for calculating various state quantities and control quantities in the process.
  • the predictive model may be a model based on knowledge of chemical engineering or physical chemistry, such as a chemical reaction model or a chemical equilibrium model.
  • the prediction model may be an artificial intelligence model that inputs parameters representing the operating conditions of the system and outputs simulation results, values of various state quantities, control variables, and the like.
  • FIG. 2 shows the configuration of the support system according to the embodiment.
  • the support system 1 includes a plant 3, a design support device 100 that supports the design of the plant 3, and a designer terminal 6 used by a designer who designs the plant 3.
  • the design support device 100, the designer terminal 6, and the plant 3 are connected by any communication network 2 such as the Internet or an in-house connection system, and are operated in any operation mode such as on-premises, cloud, or edge computing.
  • the plant 3 uses a control target device 5 that executes a process, a control device 4 that sets a control amount for controlling the operating conditions of the control target device 5, and a prediction model learned by the design support device 100. It also includes an operation support device 200 that supports the operation of the plant 3.
  • FIG. 3 is a flowchart showing the procedure of the support method according to the embodiment of the present invention.
  • FIG. 2 shows the steps of a support method for supporting plant design.
  • the design support device 100 that supports the design of the plant 3 learns the relationships between systems of different scales based on data regarding scale-ups performed when the plant was designed in the past (S10).
  • the design support device 100 stores information regarding multiple systems of different scales, information on processes executed in multiple systems, or information on models for predicting processes executed in multiple systems. Based on this, we learn the relationships between systems. For example, the design support device 100 can determine how the reaction rate coefficient of the reaction executed in the reactor, the parameters of the prediction model for simulating the reaction, etc. will change as the size of the reactor is scaled up. Learn what to do based on past results.
  • the information regarding the system includes, for example, the number, type, size, etc. of devices and equipment that make up the system.
  • Process information includes, for example, the type, number, and time of the treatments that make up the process, whether it is a batch or continuous process, the type, amount, and physical properties of raw materials, the type, amount, and characteristics of the catalyst, and whether the process is being carried out. temperature, pressure, throughput, etc.
  • the information on the prediction model includes, for example, the type of prediction model, the type of input data, the type of output data, and internal parameters.
  • the design support device 100 supports the design of the reduced system (S12).
  • the design support device 100 may present the configuration of the reduced system to the designer terminal 6 based on performance data when designing a plant that executes a process similar to the process executed in the plant to be designed. .
  • the design support device 100 supports generation of a reduced prediction model (S14).
  • the design support apparatus 100 may automatically generate at least a portion of the reduced system prediction model based on performance data in past cases similar to the reduced system or a process executed in the reduced system.
  • the design support device 100 determines the model type in the reduced system prediction model, identifies reaction paths included in the process, and calculates the reaction rate based on data obtained when the process is executed in the reduced system. approximately determine the optimal reaction time.
  • the design support device 100 supports the design of the intermediate system based on the reduced system prediction model (S16).
  • the design support device 100 may present the type, number, size, etc. of the devices and equipment that constitute the intermediate system to the designer terminal 6 based on the reduced system prediction model.
  • the design support apparatus 100 acquires information regarding the intermediate system designed in step S16 and information regarding the process executed in the intermediate system (S18).
  • the design support apparatus 100 generates at least a part of the intermediate system prediction model from the information acquired in step S18, based on the relationship between the systems learned in step S10 (S20).
  • the design support device 100 applies relationships between systems learned based on reduced systems and cases similar to processes executed in reduced systems to a lab-scale reduced system prediction model to create a bench-scale intermediate system prediction model. Automatically generate.
  • the design support device 100 supports the design of the plant 3 based on the intermediate prediction model (S22).
  • the design support device 100 may present the type, number, size, etc. of devices and equipment that make up the plant 3 to the designer terminal 6 based on the intermediate prediction model.
  • the design support device 100 tunes the reaction rate in the process and models catalyst deterioration based on the intermediate prediction model.
  • the design support device 100 acquires information regarding the plant 3 designed in step S22 and information regarding the processes executed in the plant 3 (S24).
  • the design support device 100 generates at least a portion of the plant prediction model from the information acquired in step S24, based on the intersystem relationships learned in step S10 (S26).
  • the design support device 100 applies relationships between systems learned based on intermediate systems and cases similar to processes executed in the intermediate systems to a bench-scale intermediate system prediction model to create a commercial-scale plant prediction model. Automatically generate.
  • the design support device 100 determines the operating conditions of the plant 3 based on the plant prediction model (S28).
  • the design support device 100 inputs various operating conditions into a plant prediction model and searches for operating conditions that provide an optimal point for operation.
  • the operating optimum point may be, for example, an operating condition that maximizes product yield.
  • At least a part of the prediction model can be automatically generated, so a suitable plant can be designed regardless of the ability of the designer. Moreover, the time, labor, cost, etc. for designing a plant can be reduced. Moreover, the optimum operating conditions of the plant can be determined.
  • FIG. 4 shows a specific example of the support method according to the embodiment.
  • the plant of this specific example executes a process in which material B and material C are produced by adding a catalyst to material A, which is a raw material, and causing the material to react at high temperature.
  • material A is a fraction with a boiling point range of 340 to 540°C
  • substance B is a fraction with a boiling point range of 540°C or higher
  • substance C is a fraction with a boiling point range of 340°C or lower.
  • a laboratory-scale reduction system is composed of a batch-type reactor.
  • the influence of reaction time is considered using three equations each representing the time change in the concentration of substances A, B, and C.
  • the bench-scale intermediate system is composed of a reactor that has a reaction time distribution equivalent to a five-stage CSTR type as a predictive model.
  • the time changes in the concentrations of substances A, B, and C are expressed by different formulas from those in the reduced system prediction model depending on the reactor.
  • residence time is also considered in the reaction time.
  • a commercial-scale plant is composed of reactors that have a reaction time distribution equivalent to a 10-stage CSTR type based on a predictive model.
  • time changes in the concentrations of substances A, B, and C are expressed by equations in the same format as the intermediate system.
  • the operating time is at most the time for one reaction. Therefore, the degree of catalyst deterioration is not significant and does not need to be considered in the model.
  • the intermediate system since a continuous process is executed, the operating time ranges from several days to several years, and the influence of catalyst activity deterioration cannot be ignored. Therefore, in the intermediate system prediction model, the influence of catalyst activity is taken into account using an equation expressing the change in catalyst activity over time.
  • the inside of the reactor is sufficiently stirred, so the diffusion of substances is not rate-limiting and does not need to be considered in the model.
  • the diffusion of the substance can become rate-limiting, so the influence of the diffusion of the substance cannot be ignored. Therefore, in the intermediate system prediction model, the influence of material diffusion is also modeled.
  • FIG. 5 shows another specific example of the support method according to the embodiment.
  • the plant of this example performs a process in which a raw material containing a mixture of multiple fractions is separated by distillation.
  • a laboratory-scale reduction system consists of one distillation column for separating multiple boiling point fractions.
  • the temperature inside the distillation column increases as the fraction with a low boiling point is separated, so the reduced system prediction model includes a chemical equilibrium model that changes as the internal temperature changes over time.
  • the bench scale intermediate system is composed of multiple stages of distillation columns with different temperatures and pressures.
  • each boiling point fraction is separated in each stage, so the intermediate system prediction model includes a chemical equilibrium model in each stage.
  • a commercial-scale plant also consists of multiple stages of distillation columns with different temperatures and pressures.
  • the plant prediction model also includes chemical equilibrium models at each stage.
  • the design support device 100 may learn AI (artificial intelligence) that automatically generates a predictive model using machine learning.
  • This automatically generated AI generates information about the smaller system, process information when the process is executed in the smaller system, and predictions to predict the process to be executed in the smaller system.
  • information about the model information about the larger system, information about the process when it is executed in the larger system, information about the differences between the smaller system and the larger system, etc.
  • It may be a neural network or the like that inputs information and outputs information on a prediction model for predicting a process to be executed in a larger system.
  • the automatic generation AI that automatically generates the intermediate system prediction model inputs process information and information regarding system differences and outputs information on the intermediate system prediction model.
  • automatically generated AI inputs information such as the physical properties of the processed substance, physical properties of the product, type of reaction, processing amount, temperature, pressure, etc. as process information, and inputs information about system differences such as continuous reduction system process.
  • Input information such as whether the intermediate process is a continuous process, whether the intermediate process is a continuous process, the processing amount of the reduced process, the processing amount of the intermediate process, etc., and enter the model type (PFR, CSTR, etc. ), model structure (presence or absence of catalytic activity term, presence or absence of mass transfer equation, etc.), model coefficients (reaction rate coefficient, etc.), and other information may be output.
  • the intermediate prediction model may include multiple models.
  • the automatic generation AI that automatically generates the intermediate system prediction model inputs information about the system and information about the differences between the systems, and outputs information about the intermediate system prediction model.
  • automatically generated AI inputs information such as model type (PFR, CSTR, etc.), number of model reaction paths, model coefficients (reaction rate constant, etc.) as information about the system, and inputs information about system differences such as reduced system Enter information such as whether the process is a continuous process, whether the intermediate process is a continuous process, the processing amount of the reduced process, the processing amount of the intermediate process, etc., and enter the model type (PFR) as information for the intermediate system prediction model.
  • CSTR, etc. model structure (presence or absence of catalytic activity term, presence or absence of mass transfer equation, etc.), model coefficients (reaction rate coefficient, etc.) may be output.
  • the intermediate prediction model may include multiple models.
  • the automatic generation AI that automatically generates the intermediate system prediction model inputs process information, system information, and system difference information and outputs intermediate system prediction model information. It may be something that does.
  • the automatically generated AI inputs information such as the physical properties of the processed substance, physical properties of the product, type of reaction, processing amount, temperature, and pressure as process information, and inputs the model type (PFR, CSTR, etc.) as information about the system. ), the number of model reaction paths, model coefficients (reaction rate constants, etc.), and information regarding system differences such as whether the reduced system process is a continuous process or not, whether the intermediate system process is a continuous process, and whether the reduced system process is a continuous process or not.
  • Input information such as the throughput of the system process and the throughput of the intermediate process, and enter the model type (PFR, CSTR, etc.), model structure (presence or absence of catalytic activity term, presence or absence of mass transfer equation) as information for the intermediate system prediction model. etc.), model coefficients (reaction rate coefficients, etc.), etc. may be output.
  • the intermediate prediction model may include multiple models.
  • the automatic generation AI that automatically generates the intermediate system prediction model inputs process information, system information, and system difference information and outputs intermediate system prediction model information. It may be something that does.
  • automatically generated AI inputs information such as the physical properties of the processed material, processing amount, temperature, pressure, and processing time (in the case of a batch process) as process information, and inputs model coefficients (equilibrium constants) as system information.
  • the intermediate prediction model may include multiple models.
  • Laboratory scale system information includes the capacity of the reactor and whether it is a batch process (tank reactor), bench scale system information includes the reactor capacity and whether it is a continuous process (CSTR type reactor), and laboratory scale information.
  • process information the amount of substances B and C produced per unit time on a lab scale and the amount of catalyst D, and information on a reduced system prediction model on a lab scale
  • the reaction time model shown in Figure 4 is automatically generated using AI. Enter.
  • the automatically generated AI outputs the bench-scale reaction time model, reaction temperature model, reaction pressure model, and material diffusion model shown in FIG. 4 as intermediate system prediction models.
  • FIG. 6 is a flowchart showing the procedure of the support method according to the embodiment of the present invention.
  • FIG. 6 shows the steps of a support method for supporting control of an operating plant.
  • the operation support device 200 predicts state quantities representing the state of the plant based on the plant prediction model (S32).
  • the plant prediction model can simulate the processes executed in the plant and calculate the state quantities of the plant, so it can be used as a soft sensor.
  • the design support apparatus 100 may predict a state quantity representing the past, present, or future state of the plant.
  • the driving support device 200 presents the predicted value of the state quantity predicted in step S32 to the operator (S34). Thereby, the operator can control the operation of the plant 3 while accurately grasping the state of the plant.
  • the operation support device 200 calculates control parameters for controlling the plant based on the plant prediction model (S36).
  • the design support device 100 inputs the current value of the state quantity and the changed value of the controlled quantity into the plant prediction model, and calculates the recommended value of the controlled quantity by predicting the future value of the state quantity. do.
  • the driving support device 200 presents the recommended value of the control amount calculated in step S36 to the operator (S38). This allows the operator to accurately perform control to operate the plant stably and efficiently.
  • FIG. 7 shows the configuration of the design support device 100 according to the embodiment.
  • the design support device 100 includes a communication device 101, a processing device 120, and a storage device 130.
  • the communication device 101 controls wireless or wired communication.
  • the communication device 101 transmits and receives data to and from the designer terminal 6 and the like via the communication network 2 .
  • the storage device 130 stores data and computer programs used by the processing device 120.
  • the storage device 130 includes a performance data holding section 131 and an intersystem relationship holding section 132.
  • the performance data holding unit 131 holds performance data generated when the plant was designed.
  • the performance data may include, for example, the type, number, and size of the devices and equipment that constitute the system of each scale, the type, content, and characteristics of the process of each scale, the type and parameters of the predictive model of each scale, and the like.
  • the inter-system relationship holding unit 132 holds information representing the relationships between systems of different scales.
  • the processing device 120 includes a performance data acquisition section 121, an intersystem relationship learning section 122, a system information acquisition section 123, a predictive model generation section 124, a design support section 125, and an operating condition determination section 126.
  • these configurations are realized by arbitrary circuits, the computer's CPU, memory, programs loaded into memory, etc., but here the functional blocks realized by their cooperation are depicted. . Therefore, those skilled in the art will understand that these functional blocks can be implemented in various ways using only hardware, only software, or a combination thereof.
  • the performance data acquisition unit 121 acquires performance data generated when the plant was designed, and stores it in the performance data holding unit 131.
  • the inter-system relationship learning unit 122 learns the relationships between systems of different scales based on the performance data held in the performance data storage unit 131, and transmits information regarding the learned inter-system relationships to the inter-system relationship storage unit 132. Store.
  • the system information acquisition unit 123 acquires information regarding a process or a reduced system when a process executed in the plant 3 is executed in a reduced system smaller in scale than the plant 3.
  • the predictive model generation unit 124 generates predictions for predicting processes to be executed at the next scale from the information acquired by the system information acquisition unit 123 based on the intersystem relationships stored in the intersystem relationship holding unit 132. Automatically generate at least a portion of the model.
  • the design support unit 125 supports the design of the next scale system based on the prediction model.
  • the operating condition determination unit 126 determines the operating conditions of the plant 3 based on the prediction model.
  • FIG. 8 shows the configuration of the driving support device 200 according to the embodiment.
  • the driving support device 200 includes a processing device 201 and an operation panel 202.
  • the operation panel 202 displays a plurality of measured values indicating the states of the plurality of controlled devices 5 constituting the plant 3 , set values of the control operation amount set in the controlled device 5 by the control device 4 , and the control device 4 .
  • the set control parameter values and the like are displayed on the display device, and input of the control parameter values and the like is received from the operator.
  • the processing device 201 includes a predictive model acquisition unit 203, a measured value acquisition unit 204, a state quantity prediction unit 205, a state quantity presentation unit 206, a control parameter calculation unit 207, a control parameter presentation unit 208, and a control parameter setting unit 209.
  • these configurations are realized by arbitrary circuits, the computer's CPU, memory, programs loaded into memory, etc., but here the functional blocks realized by their cooperation are depicted. . Therefore, those skilled in the art will understand that these functional blocks can be implemented in various ways using only hardware, only software, or a combination thereof.
  • the predictive model acquisition unit 203 acquires the predictive model of the plant 3 from the design support device 100.
  • the measured value acquisition unit 204 acquires measured values indicating the state of the controlled device 5 from various sensors installed in the plant 3 .
  • the state quantity prediction unit 205 predicts the state quantity representing the state of the plant 3 based on the prediction model acquired by the prediction model acquisition unit 203.
  • the state quantity presentation unit 206 presents the predicted value of the state quantity predicted by the state quantity prediction unit 205 to the operation panel 202.
  • the control parameter calculation unit 207 calculates recommended values of control parameters to be set in the control device 4 based on the prediction model acquired by the prediction model acquisition unit 203.
  • the control parameter presentation unit 208 presents the recommended values of the control parameters calculated by the control parameter calculation unit 207 to the operation panel 202.
  • the control parameter setting unit 209 sets the control parameter settings input by the operator via the operation panel 202 in the control device 4.
  • the present invention can be used as a support device that supports plant design.

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)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Feedback Control In General (AREA)

Abstract

支援方法は、プラントにおいて実行されるプロセスがプラントより規模の小さい縮小系において実行された場合のプロセス又は縮小系に関する情報を取得するステップと、規模の異なる複数の系においてプロセスが実行されたときの系間の関係に基づいて、プラント又はプラントと縮小系の間の規模を有する中間系において実行されるプロセスを予測するためのモデルの少なくとも一部を情報から生成するステップと、を備える。

Description

支援方法、支援装置、及び支援プログラム
　本発明は、プラントの設計及び運転を支援するための支援方法、支援装置、及び支援プログラムに関する。
　大規模なプラントを建設する際に、小スケール、中スケール、大スケールのように段階的にスケールアップして設計が行われている。まず、小スケールでプロセスを実行するための系（システム）を設計し、組まれた小スケールの系においてプロセスを実行する。このときに得られた情報に基づいて、小スケールの系におけるプロセスを予測するための予測モデルを構築する。この予測モデルを用いて、次のスケールの系における装置構成、装置サイズ、運転方針などを検討し、次のスケールの系を設計する。このような検討を段階的に繰り返し、最終的に商業スケールのプラントを設計する。
特開２０１９－８９９０７号公報
　このような検討を行うためには、各スケールにおいて予測モデルを作成し、予測モデルをチューニングする必要がある。そのため、多大な時間とコストがかかり、結果として開発速度の低下に繋がっている。
　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、プラントの設計を支援するための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支援方法は、プラントにおいて実行されるプロセスがプラントより規模の小さい縮小系において実行された場合のプロセス又は縮小系に関する情報を取得するステップと、規模の異なる複数の系においてプロセスが実行されたときの系間の関係に基づいて、プラント又はプラントと縮小系の間の規模を有する中間系において実行されるプロセスを予測するためのモデルの少なくとも一部を情報から生成するステップと、を備える。
　本発明の別の態様は、支援装置である。この装置は、プラントにおいて実行されるプロセスがプラントより規模の小さい縮小系において実行された場合のプロセス又は縮小系に関する情報を取得する情報取得部と、規模の異なる複数の系においてプロセスが実行されたときの系間の関係に基づいて、プラント又はプラントと縮小系の間の規模を有する中間系において実行されるプロセスを予測するためのモデルを情報から生成するモデル生成部と、を備える。
　本発明のさらに別の態様は、支援装置である。この装置は、プラントにおいて実行されるプロセスが規模の異なる複数の系において実行されたときの系間の関係に基づいて、プラントより規模の小さい縮小系において実行された場合のプロセス又は縮小系に関する情報から生成された、プラントにおいて実行されるプロセスを予測するためのモデルに基づいて、運転中のプラントの制御を支援する運転支援部を備える。
　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、プラントの設計及び運転を支援するための技術を提供することができる。
プラントを設計する過程を模式的に示す図である。 実施の形態に係る支援システムの構成を示す図である。 本発明の実施の形態に係る支援方法の手順を示すフローチャートである。 実施の形態に係る支援方法の具体例を示す図である。 実施の形態に係る支援方法の別の具体例を示す図である。 本発明の実施の形態に係る支援方法の手順を示すフローチャートである。 実施の形態に係る設計支援装置の構成を示す図である。 実施の形態に係る運転支援装置の構成を示す図である。
　図１は、プラントを設計する過程を模式的に示す。プラントは、原料を処理（反応、分離、乾燥、加工など）して製品を製造するプロセスを実行するための複数の装置や機器などを備える。商用スケールのプラントを設計する際に、上述したように、プラントより規模の小さい系から段階的にスケールアップして設計が行われる。本図の例では、ラボ（実験室）スケールの縮小系、ベンチスケールの中間系、商用スケールのプラントの順にスケールアップしながら設計が進められる。なお、プラントより規模の小さい系として、１つの系のみが検討されてもよいし、３以上の規模の異なる系が検討されてもよい。後者の場合、例えば、ベンチスケールの中間系と商用スケールのプラントの間にパイロット（試作）スケールの中間系が検討されてもよい。
　例えば、石油、石油化学、化学、合成原薬プラントなどのように化学物質を取り扱うプラントの場合、ラボスケールの縮小系は、主にバッチ式の反応器などにより構成される。ベンチスケールの中間系は、主に管型反応器（Plug Flow Reactor：ＰＦＲ）や連続攪拌タンク反応器（Continuous Stirred-Tank Reactor：ＣＳＴＲ）などにより構成される。商用スケールのプラントは、主にベンチスケールの中間系よりも大規模又は多段の管型反応器や連続撹拌タンク反応器などにより構成される。このようなプラントにおいて実行される化学的プロセスは、例えば、工業薬品、化学肥料、紙、パルプ、ゴム、合成繊維、合成樹脂、石油製品、医薬品、染料、洗剤、化粧品、バイオ製品などを化学的処理により製造するプロセスを含む。
　それぞれの規模の系におけるプロセスを予測するための予測モデルを用いて、次のスケールの系における装置構成、装置サイズ、運転方針などが検討され、次のスケールの系が設計される。予測モデルは、プロセスを化学的、物理的、数値解析的にシミュレーションするものであってもよいし、プロセスにおける各種の状態量や制御量などを算出するための数式などであってもよい。化学物質を取り扱うプラントの場合、予測モデルは、化学反応モデルや化学平衡モデルなどの化学工学や物理化学の知見に基づいたモデルであってもよい。予測モデルは、系の運転条件を表すパラメータを入力し、シミュレーション結果や、各種の状態量や制御量の値などを出力する人工知能などであってもよい。
　プラントを設計する主体は、多数のプラントを設計及び運転する中で、様々な種類のプラントにおけるスケールアップに関するデータを蓄積している。本開示では、このようなデータを活用してプラントの設計及び運転を支援する支援方法を提案する。
　図２は、実施の形態に係る支援システムの構成を示す。支援システム１は、プラント３と、プラント３の設計を支援する設計支援装置１００と、プラント３を設計する設計者が使用する設計者端末６とを備える。設計支援装置１００、設計者端末６、及びプラント３は、インターネットや社内接続系統などの任意の通信網２により接続され、オンプレミス、クラウド、エッジコンピューティングなどの任意の運用形態で運用される。
　プラント３は、プロセスを実行する制御対象装置５と、制御対象装置５の運転条件を制御するための制御量を設定する制御装置４と、設計支援装置１００により学習された予測モデルを使用してプラント３の運転を支援する運転支援装置２００とを備える。
　図３は、本発明の実施の形態に係る支援方法の手順を示すフローチャートである。図２は、プラントの設計を支援するための支援方法の手順を示す。
　プラント３の設計を支援する設計支援装置１００は、過去にプラントが設計された際に行われたスケールアップに関するデータに基づいて、規模の異なる系間の関係を学習する（Ｓ１０）。設計支援装置１００は、規模の異なる複数の系に関する情報と、複数の系においてプロセスが実行されたときのプロセスの情報、又は、複数の系において実行されるプロセスを予測するためのモデルの情報とに基づいて、系間の関係を学習する。例えば、設計支援装置１００は、反応器のサイズがスケールアップされることにより、反応器で実行される反応の反応速度係数や、反応をシミュレーションするための予測モデルのパラメータなどが、どのように変化するかを、過去の事例における実績に基づいて学習する。系に関する情報は、例えば、系を構成する装置や機器などの数、種類、サイズなどである。プロセスの情報は、例えば、プロセスを構成する処理の種類、回数、時間、バッチプロセスであるか連続プロセスであるか、原料の種類、量、物性、触媒の種類、量、特性、プロセスが実施される温度、圧力、処理量などである。予測モデルの情報は、例えば、予測モデルの種類、入力データの種類、出力データの種類、内部パラメータなどである。
　設計支援装置１００は、縮小系の設計を支援する（Ｓ１２）。設計支援装置１００は、設計対象のプラントにおいて実行されるプロセスと類似するプロセスを実行するプラントを設計したときの実績データに基づいて、縮小系の構成などを設計者端末６に提示してもよい。
　設計支援装置１００は、縮小系予測モデルの生成を支援する（Ｓ１４）。設計支援装置１００は、縮小系又は縮小系において実行されるプロセスと類似する過去の事例における実績データに基づいて、縮小系予測モデルの少なくとも一部を自動生成してもよい。設計支援装置１００は、縮小系においてプロセスを実行したときのデータに基づいて、縮小系予測モデルにおけるモデル型を決定したり、プロセスに含まれる反応パスを特定したり、反応速度を算出したりして、最適な反応時間を概ね決定する。
　設計支援装置１００は、縮小系予測モデルに基づいて、中間系の設計を支援する（Ｓ１６）。設計支援装置１００は、縮小系予測モデルに基づいて、中間系を構成する装置や機器の種類、数、サイズなどを設計者端末６に提示してもよい。
　設計支援装置１００は、ステップＳ１６において設計された中間系に関する情報や、中間系において実行されるプロセスに関する情報を取得する（Ｓ１８）。
　設計支援装置１００は、ステップＳ１０において学習された系間の関係に基づいて、中間系予測モデルの少なくとも一部を、ステップＳ１８において取得された情報から生成する（Ｓ２０）。設計支援装置１００は、縮小系や縮小系で実行されるプロセスに類似する事例に基づいて学習された系間の関係をラボスケールの縮小系予測モデルに適用して、ベンチスケールの中間系予測モデルを自動生成する。
　設計支援装置１００は、中間系予測モデルに基づいて、プラント３の設計を支援する（Ｓ２２）。設計支援装置１００は、中間系予測モデルに基づいて、プラント３を構成する装置や機器の種類、数、サイズなどを設計者端末６に提示してもよい。設計支援装置１００は、中間系予測モデルに基づいて、プロセスにおける反応速度をチューニングしたり、触媒の劣化をモデル化したりする。
　設計支援装置１００は、ステップＳ２２において設計されたプラント３に関する情報や、プラント３において実行されるプロセスに関する情報を取得する（Ｓ２４）。
　設計支援装置１００は、ステップＳ１０において学習された系間の関係に基づいて、プラント予測モデルの少なくとも一部を、ステップＳ２４において取得された情報から生成する（Ｓ２６）。設計支援装置１００は、中間系や中間系で実行されるプロセスに類似する事例に基づいて学習された系間の関係をベンチスケールの中間系予測モデルに適用して、商用スケールのプラント予測モデルを自動生成する。
　設計支援装置１００は、プラント予測モデルに基づいて、プラント３の運転条件を決定する（Ｓ２８）。設計支援装置１００は、プラント予測モデルに様々な運転条件を入力し、運転最適点を与える運転条件を探索する。運転最適点は、例えば、製品の収率が最大化される運転条件であってもよい。
　このように、本実施の形態の支援方法によれば、予測モデルの少なくとも一部を自動生成することができるので、設計者の能力などによらず、好適なプラントを設計することができる。また、プラントを設計するための時間、労力、コストなどを低減させることができる。また、プラントの最適な運転条件を決定することができる。
　図４は、実施の形態に係る支援方法の具体例を示す。この具体例のプラントは、原料である物質Ａに触媒を加えて高温で反応させることにより、物質Ｂと物質Ｃを生じるプロセスを実行する。例えば、物質Ａは沸点範囲が３４０～５４０℃の留分であり、物質Ｂは沸点範囲が５４０℃以上の留分であり、物質Ｃは沸点範囲が３４０℃以下の留分である。
　ラボスケールの縮小系は、バッチ型の反応器により構成される。縮小系予測モデルにおいて、反応時間の影響は、物質Ａ、Ｂ、Ｃの濃度の時間変化をそれぞれ表す３つの式を用いて考慮される。
　ベンチスケールの中間系は、予測モデルにして５段のＣＳＴＲ型相当の反応時間分布が存在する反応器により構成される。中間系予測モデルにおいて、物質Ａ、Ｂ、Ｃの濃度の時間変化は、反応器の違いによって、縮小系予測モデルとは異なる式で表現される。ＣＳＴＲでは、反応時間に滞留時間も考慮される。反応時間に分布のある系において、平均反応時間ｔｒ（ｓ）は、反応器の体積Ｖ（ｍ３）と、反応器の体積流量ｖ（ｍ３／ｓ）を用いて、ｔｒ＝Ｖ／ｖで表される。
　商用スケールのプラントは、予測モデルにして１０段のＣＳＴＲ型相当の反応時間分布が存在する反応器により構成される。プラント予測モデルにおいて、物質Ａ、Ｂ、Ｃの濃度の時間変化は、中間系と同じ形式の式で表現される。
　縮小系では、バッチプロセスが実行されるので、運転時間は高々１回の反応時間程度である。したがって、触媒の劣化の程度は顕著ではなく、モデルとして考慮する必要はない。しかし、中間系では、連続プロセスが実行されるので、運転時間が数日から数年程度の規模になり、触媒活性劣化による影響を無視することができない。したがって、中間系予測モデルにおいて、触媒活性の影響は、触媒活性の時間変化を表す式を用いて考慮される。
　さらに、縮小系では、反応器の内部が十分に撹拌されるため、物質の拡散は律速にならず、モデルとして考慮する必要はない。しかし、中間系では、流量が低い場合に物質の拡散が律速になりうるので、物質の拡散の影響を無視することができない。したがって、中間系予測モデルにおいて、物質拡散の影響もモデル化される。
　図５は、実施の形態に係る支援方法の別の具体例を示す。この具体例のプラントは、複数の留分が混合している原料を、蒸留によって分離するプロセスを実行する。
　ラボスケールの縮小系は、複数の沸点留分を分離するための１つの蒸留塔により構成される。縮小系では、沸点の低い留分が分離されていくにしたがって蒸留塔の内部の温度が高くなっていくので、縮小系予測モデルは、内部温度の時間変化にしたがって変化する化学平衡モデルを含む。
　ベンチスケールの中間系は、温度圧力の異なる複数段の蒸留塔により構成される。中間系では、それぞれの段においてそれぞれの沸点留分が分離されるので、中間系予測モデルは、それぞれの段における化学平衡モデルを含む。
　商用スケールのプラントも、温度圧力の異なる複数段の蒸留塔により構成される。プラント予測モデルも、それぞれの段における化学平衡モデルを含む。
　このように、複数の系の間には、規模の違いに起因する様々な違いがあり、それに伴って、複数の系の予測モデルの間にも系統的な違いがある。これらの関係を学習しておくことにより、予測モデルを自動的に生成することができる。
　設計支援装置１００は、予測モデルを自動生成するＡＩ（人工知能）を機械学習により学習してもよい。この自動生成ＡＩは、規模が小さい方の系に関する情報、規模が小さい方の系においてプロセスが実行されたときのプロセスの情報、規模が小さい方の系において実行されるプロセスを予測するための予測モデルの情報、規模が大きい方の系に関する情報、規模が大きい方の系においてプロセスが実行されたときのプロセスの情報、規模が小さい方の系と規模が大きい方の系の違いに関する情報などを入力し、規模が大きい方の系において実行されるプロセスを予測するための予測モデルの情報を出力するニューラルネットワークなどであってもよい。
　図４に示した反応系において、中間系予測モデルを自動生成する自動生成ＡＩは、プロセスの情報と、系の違いに関する情報を入力して、中間系予測モデルの情報を出力するものであってもよい。例えば、自動生成ＡＩは、プロセスの情報として、処理物質の物性、製品の物性、反応の種類、処理量、温度、圧力などの情報を入力し、系の違いに関する情報として、縮小系プロセスが連続プロセスか否か、中間系プロセスが連続プロセスか否か、縮小系プロセスの処理量、中間系プロセスの処理量などの情報を入力し、中間系予測モデルの情報として、モデル型（ＰＦＲ、ＣＳＴＲなど）、モデル構造（触媒活性項の有無、物質移動式の有無など）、モデル係数（反応速度係数など）などの情報を出力してもよい。中間系予測モデルは、複数のモデルを含んでもよい。
　図４に示した反応系において、中間系予測モデルを自動生成する自動生成ＡＩは、系に関する情報と、系の違いに関する情報を入力して、中間系予測モデルの情報を出力するものであってもよい。例えば、自動生成ＡＩは、系に関する情報として、モデル型（ＰＦＲ、ＣＳＴＲなど）、モデル反応パス数、モデル係数（反応速度定数など）などの情報を入力し、系の違いに関する情報として、縮小系プロセスが連続プロセスか否か、中間系プロセスが連続プロセスか否か、縮小系プロセスの処理量、中間系プロセスの処理量などの情報を入力し、中間系予測モデルの情報として、モデル型（ＰＦＲ、ＣＳＴＲなど）、モデル構造（触媒活性項の有無、物質移動式の有無など）、モデル係数（反応速度係数など）などの情報を出力してもよい。中間系予測モデルは、複数のモデルを含んでもよい。
　図４に示した反応系において、中間系予測モデルを自動生成する自動生成ＡＩは、プロセスの情報と、系に関する情報と、系の違いに関する情報を入力して、中間系予測モデルの情報を出力するものであってもよい。例えば、自動生成ＡＩは、プロセスの情報として、処理物質の物性、製品の物性、反応の種類、処理量、温度、圧力などの情報を入力し、系に関する情報として、モデル型（ＰＦＲ、ＣＳＴＲなど）、モデル反応パス数、モデル係数（反応速度定数など）などの情報を入力し、系の違いに関する情報として、縮小系プロセスが連続プロセスか否か、中間系プロセスが連続プロセスか否か、縮小系プロセスの処理量、中間系プロセスの処理量などの情報を入力し、中間系予測モデルの情報として、モデル型（ＰＦＲ、ＣＳＴＲなど）、モデル構造（触媒活性項の有無、物質移動式の有無など）、モデル係数（反応速度係数など）などの情報を出力してもよい。中間系予測モデルは、複数のモデルを含んでもよい。
　図５に示した蒸留系において、中間系予測モデルを自動生成する自動生成ＡＩは、プロセスの情報と、系に関する情報と、系の違いに関する情報を入力して、中間系予測モデルの情報を出力するものであってもよい。例えば、自動生成ＡＩは、プロセスの情報として、処理物質の物性、処理量、温度、圧力、処理時間（バッチプロセスの場合）などの情報を入力し、系に関する情報として、モデルの係数（平衡定数など）、蒸留塔の理論段数（連続プロセスの場合）などの情報を入力し、系の違いに関する情報として、縮小系プロセスが連続プロセスか否か、中間系プロセスが連続プロセスか否か、縮小系プロセスの処理量、中間系プロセスの処理量などの情報を入力し、中間系予測モデルの情報として、モデルの係数（平衡定数など）、蒸留塔の理論段数（連続プロセスの場合）などの情報を出力してもよい。中間系予測モデルは、複数のモデルを含んでもよい。
　図４に示した反応系において中間系予測モデルを自動生成する場合の具体的な例を示す。ラボスケールの系情報として、反応器の容量及びバッチプロセス（槽型反応器）であること、ベンチスケールの系情報として、反応器の容量及び連続プロセス（ＣＳＴＲ型反応器）であること、ラボスケールでのプロセス情報として、ラボスケールでの単位時間当たりの物質Ｂ、Ｃの生成量や触媒Ｄの量、ラボスケールの縮小系予測モデルの情報として、図４に示した反応時間モデルを自動生成ＡＩに入力する。自動生成ＡＩは、中間系予測モデルとして、図４に示したベンチスケールの反応時間モデル、反応温度モデル、反応圧力モデル、及び物質拡散モデルを出力する。
　図６は、本発明の実施の形態に係る支援方法の手順を示すフローチャートである。図６は、運転中のプラントの制御を支援するための支援方法の手順を示す。
　プラントが運転されているとき（Ｓ３０）、運転支援装置２００は、プラント予測モデルに基づいて、プラントの状態を表す状態量を予測する（Ｓ３２）。プラント予測モデルにより、プラントにおいて実行されるプロセスをシミュレートしたり、プラントの状態量を算出したりすることができるので、ソフトセンサとして利用することができる。設計支援装置１００は、プラントの過去、現在、又は将来の状態を表す状態量を予測してもよい。
　運転支援装置２００は、ステップＳ３２において予測された状態量の予測値をオペレータに提示する（Ｓ３４）。これにより、オペレータは、プラントの状態を的確に把握しながらプラント３の運転を制御することができる。
　運転支援装置２００は、プラント予測モデルに基づいて、プラントを制御するための制御パラメータを算出する（Ｓ３６）。設計支援装置１００は、プラント予測モデルに、現在の状態量の値と、変更後の制御量の値を入力して、将来の状態量の値を予測することにより、制御量の推奨値を算出する。
　運転支援装置２００は、ステップＳ３６において算出された制御量の推奨値をオペレータに提示する（Ｓ３８）。これにより、オペレータは、プラントを安定かつ効率的に運転するための制御を的確に実行することができる。
　図７は、実施の形態に係る設計支援装置１００の構成を示す。設計支援装置１００は、通信装置１０１、処理装置１２０、及び記憶装置１３０を備える。
　通信装置１０１は、無線又は有線による通信を制御する。通信装置１０１は、通信網２を介して、設計者端末６などとの間でデータを送受信する。
　記憶装置１３０は、処理装置１２０が使用するデータ及びコンピュータプログラムを格納する。記憶装置１３０は、実績データ保持部１３１及び系間関係保持部１３２を備える。
　実績データ保持部１３１は、プラントが設計されたときに生成された実績データを保持する。実績データは、例えば、各スケールの系を構成する装置や機器の種類、数、サイズ、各スケールのプロセスの種類、内容、特徴、各スケールの予測モデルの種類、パラメータなどであってもよい。
　系間関係保持部１３２は、規模の異なる系間の関係を表す情報を保持する。
　処理装置１２０は、実績データ取得部１２１、系間関係学習部１２２、系情報取得部１２３、予測モデル生成部１２４、設計支援部１２５、及び運転条件決定部１２６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、任意の回路、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。
　実績データ取得部１２１は、プラントが設計されたときに生成された実績データを取得して、実績データ保持部１３１に格納する。
　系間関係学習部１２２は、実績データ保持部１３１に保持された実績データに基づいて、規模の異なる系間の関係を学習し、学習済みの系間関係に関する情報を系間関係保持部１３２に格納する。
　系情報取得部１２３は、プラント３において実行されるプロセスがプラント３より規模の小さい縮小系において実行された場合のプロセス又は縮小系に関する情報を取得する。
　予測モデル生成部１２４は、系間関係保持部１３２に格納された系間関係に基づいて、系情報取得部１２３により取得された情報から、次のスケールにおいて実行されるプロセスを予測するための予測モデルの少なくとも一部を自動生成する。
　設計支援部１２５は、予測モデルに基づいて、次のスケールの系の設計を支援する。
　運転条件決定部１２６は、予測モデルに基づいて、プラント３の運転条件を決定する。
　図８は、実施の形態に係る運転支援装置２００の構成を示す。運転支援装置２００は、処理装置２０１及び操作パネル２０２を備える。
　操作パネル２０２は、プラント３を構成する複数の制御対象装置５の状態を示す複数の計測値と、制御装置４により制御対象装置５に設定された制御操作量の設定値と、制御装置４に設定された制御パラメータの値などを表示装置に表示するとともに、制御パラメータの値などの入力をオペレータから受け付ける。
　処理装置２０１は、予測モデル取得部２０３、計測値取得部２０４、状態量予測部２０５、状態量提示部２０６、制御パラメータ算出部２０７、制御パラメータ提示部２０８、及び制御パラメータ設定部２０９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、任意の回路、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。
　予測モデル取得部２０３は、設計支援装置１００からプラント３の予測モデルを取得する。
　計測値取得部２０４は、プラント３に設けられた各種のセンサなどから、制御対象装置５の状態を示す計測値を取得する。
　状態量予測部２０５は、予測モデル取得部２０３により取得された予測モデルに基づいて、プラント３の状態を表す状態量を予測する。
　状態量提示部２０６は、状態量予測部２０５により予測された状態量の予測値を操作パネル２０２に提示する。
　制御パラメータ算出部２０７は、予測モデル取得部２０３により取得された予測モデルに基づいて、制御装置４に設定すべき制御パラメータの推奨値を算出する。
　制御パラメータ提示部２０８は、制御パラメータ算出部２０７により算出された制御パラメータの推奨値を操作パネル２０２に提示する。
　制御パラメータ設定部２０９は、操作パネル２０２を介してオペレータから入力された制御パラメータの設定値を制御装置４に設定する。
　以上、本発明を実施例にもとづいて説明した。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。
　１…支援システム、２…通信網、３…プラント、４…制御装置、５…制御対象装置、６…設計者端末、１００…設計支援装置、１０１…通信装置、１２０…処理装置、１２１…実績データ取得部、１２２…系間関係学習部、１２３…系情報取得部、１２４…予測モデル生成部、１２５…設計支援部、１２６…運転条件決定部、１３０…記憶装置、１３１…実績データ保持部、１３２…系間関係保持部、２００…運転支援装置、２０１…処理装置２０２…操作パネル、２０３…予測モデル取得部、２０４…計測値取得部、２０５…状態量予測部、２０６…状態量提示部、２０７…制御パラメータ算出部、２０８…制御パラメータ提示部、２０９…制御パラメータ設定部。
　本発明は、プラントの設計を支援する支援装置に利用可能である。

Claims (14)

  1. 　プラントにおいて実行されるプロセスが前記プラントより規模の小さい縮小系において実行された場合の前記プロセス又は前記縮小系に関する情報を取得するステップと、
    　規模の異なる複数の系においてプロセスが実行されたときの系間の関係に基づいて、前記プラント又は前記プラントと前記縮小系の間の規模を有する中間系において実行される前記プロセスを予測するためのモデルの少なくとも一部を前記情報から生成するステップと、
    を備える支援方法。
  2. 　規模の異なる複数の系に関する情報と、前記縮小系においてプロセスが実行されたときのプロセスの情報又は前記縮小系において実行されるプロセスを予測するためのモデルの情報と、前記プラント又は前記中間系において実行される前記プロセスを予測するためのモデルの情報とに基づいて、系間の関係を学習するステップを備える
    請求項１に記載の支援方法。
  3. 　前記モデルに基づいて、前記プラント又は前記中間系の設計を支援するステップを備える
    請求項１又は２に記載の支援方法。
  4. 　前記モデルに基づいて、前記プラントの運転条件を決定するステップを備える
    請求項１又は２に記載の支援方法。
  5. 　前記モデルに基づいて、運転中の前記プラントの制御を支援するステップを備える
    請求項１又は２に記載の支援方法。
  6. 　前記支援するステップは、前記モデルに基づいて、前記プラントの状態を表す状態量を予測するステップを含む
    請求項５に記載の支援方法。
  7. 　前記支援するステップは、前記モデルに基づいて、前記プラントを制御するための制御パラメータを算出するステップを含む
    請求項５に記載の支援方法。
  8. 　前記縮小系は、実験室スケールの系であり、
    　前記中間系は、ベンチスケール又はパイロットスケールの系である
    請求項１又は２に記載の支援方法。
  9. 　前記プロセスは、化学的プロセスであり、
    　前記縮小系において実行されるプロセスは、バッチプロセスを含み、
    　前記プラントにおいて実行されるプロセスは、連続プロセスを含む
    請求項１又は２に記載の支援方法。
  10. 　前記モデルは、前記プロセスに含まれる反応の反応速度係数を予測する
    請求項９に記載の支援方法。
  11. 　プラントにおいて実行されるプロセスが前記プラントより規模の小さい縮小系において実行された場合の前記プロセス又は前記縮小系に関する情報を取得する情報取得部と、
    　規模の異なる複数の系においてプロセスが実行されたときの系間の関係に基づいて、前記プラント又は前記プラントと前記縮小系の間の規模を有する中間系において実行される前記プロセスを予測するためのモデルを前記情報から生成するモデル生成部と、
    を備える支援装置。
  12. 　コンピュータを、
    　プラントにおいて実行されるプロセスが前記プラントより規模の小さい縮小系において実行された場合の前記プロセス又は前記縮小系に関する情報を取得する情報取得部と、
    　規模の異なる複数の系においてプロセスが実行されたときの系間の関係に基づいて、前記プラント又は前記プラントと前記縮小系の間の規模を有する中間系において実行される前記プロセスを予測するためのモデルを前記情報から生成するモデル生成部と、
    として機能させるための支援プログラム。
  13. 　プラントにおいて実行されるプロセスが規模の異なる複数の系において実行されたときの系間の関係に基づいて、前記プラントより規模の小さい縮小系において実行された場合の前記プロセス又は前記縮小系に関する情報から生成された、前記プラントにおいて実行される前記プロセスを予測するためのモデルに基づいて、運転中の前記プラントの制御を支援する運転支援部
    を備える支援装置。
  14. 　コンピュータを、
    　プラントにおいて実行されるプロセスが規模の異なる複数の系において実行されたときの系間の関係に基づいて、前記プラントより規模の小さい縮小系において実行された場合の前記プロセス又は前記縮小系に関する情報から生成された、前記プラントにおいて実行される前記プロセスを予測するためのモデルに基づいて、運転中の前記プラントの制御を支援する運転支援部
    として機能させるための支援プログラム。
PCT/JP2022/030071 2022-08-05 2022-08-05 支援方法、支援装置、及び支援プログラム WO2024029063A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2022577219A JP7236600B1 (ja) 2022-08-05 2022-08-05 支援方法、支援装置、及び支援プログラム
PCT/JP2022/030071 WO2024029063A1 (ja) 2022-08-05 2022-08-05 支援方法、支援装置、及び支援プログラム
TW112123962A TWI833666B (zh) 2022-08-05 2023-06-28 支援方法、支援裝置以及支援程式

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/030071 WO2024029063A1 (ja) 2022-08-05 2022-08-05 支援方法、支援装置、及び支援プログラム

Publications (1)

Publication Number Publication Date
WO2024029063A1 true WO2024029063A1 (ja) 2024-02-08

Family

ID=85476809

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/030071 WO2024029063A1 (ja) 2022-08-05 2022-08-05 支援方法、支援装置、及び支援プログラム

Country Status (3)

Country Link
JP (1) JP7236600B1 (ja)
TW (1) TWI833666B (ja)
WO (1) WO2024029063A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007087383A (ja) * 2005-09-16 2007-04-05 Mettler-Toledo Ag プロセスプラントを実験室規模でシミュレートする方法
US20070208436A1 (en) * 2002-01-15 2007-09-06 Millennium Inorganic Chemicals Integrated, multi-step computer implemented system and method for measuring and improving manufacturing processes and maximizing product research and development speed and efficiency using high-throughput screening and governing semi-empirical model
US20110061224A1 (en) * 2009-09-17 2011-03-17 Ludwig Lester F Modular reactive distillation emulation elements integrated with instrumentation, control, and simulation algorithms

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6998064B2 (ja) * 2019-06-10 2022-01-18 株式会社レクサー・リサーチ 生産設計支援装置、生産設計支援方法及び生産設計支援プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070208436A1 (en) * 2002-01-15 2007-09-06 Millennium Inorganic Chemicals Integrated, multi-step computer implemented system and method for measuring and improving manufacturing processes and maximizing product research and development speed and efficiency using high-throughput screening and governing semi-empirical model
JP2007087383A (ja) * 2005-09-16 2007-04-05 Mettler-Toledo Ag プロセスプラントを実験室規模でシミュレートする方法
US20110061224A1 (en) * 2009-09-17 2011-03-17 Ludwig Lester F Modular reactive distillation emulation elements integrated with instrumentation, control, and simulation algorithms

Also Published As

Publication number Publication date
TWI833666B (zh) 2024-02-21
JP7236600B1 (ja) 2023-03-09

Similar Documents

Publication Publication Date Title
Perrot et al. Modelling and analysis of complex food systems: state of the art and new trends
JP5479443B2 (ja) バッチプロセスを制御するためのシステムおよび方法
Zhang A reliable neural network model based optimal control strategy for a batch polymerization reactor
Molina et al. Plant-wide control strategy applied to the Tennessee Eastman process at two operating points
Rogers et al. Investigating ‘greyness’ of hybrid model for bioprocess predictive modelling
Kookos et al. Heuristic-based mathematical programming framework for control structure selection
Wang et al. Identification of Hammerstein-Weiner models for nonlinear MPC from infrequent measurements in batch processes
WO2024029063A1 (ja) 支援方法、支援装置、及び支援プログラム
TWI801502B (zh) 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
WO2024029064A1 (ja) 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
Yassine et al. Optimal production manufacturing based on intelligent control system
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
TW202411798A (zh) 支援方法、支援裝置以及支援程式
von Stosch et al. Hybrid model structures for knowledge integration
Shelokar et al. Metaheuristics in process engineering: A historical perspective
TW202411799A (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
EP4270120A1 (en) Embedded model-based digital twin workflow for the accelerated optimization of bio-/ chemical processes
JP2023184210A (ja) プラント管理装置及びプラント管理方法
Galvanauskas et al. Hybrid modeling of biochemical processes
Lima et al. Nonlinear fuzzy identification of batch polymerization processes
JP7467395B2 (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
Muldbak et al. Digital Twin of a pilot-scale bio-production setup
Cubillos et al. Real-time process optimization based on grey-box neural models
Jha et al. Optimal plantwide process control applied to the Tennessee Eastman problem
Younis et al. Real-Time Model Predictive Control of an Industrial Internet Platform

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: 22954051

Country of ref document: EP

Kind code of ref document: A1