JP2004078812A - プロセスデータの解析方法及び解析装置 - Google Patents
プロセスデータの解析方法及び解析装置 Download PDFInfo
- Publication number
- JP2004078812A JP2004078812A JP2002241653A JP2002241653A JP2004078812A JP 2004078812 A JP2004078812 A JP 2004078812A JP 2002241653 A JP2002241653 A JP 2002241653A JP 2002241653 A JP2002241653 A JP 2002241653A JP 2004078812 A JP2004078812 A JP 2004078812A
- Authority
- JP
- Japan
- Prior art keywords
- data
- time
- process data
- series
- series data
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Complex Calculations (AREA)
Abstract
【課題】分りやすい制御ルールを容易に発見することができて、プラントの制御運転の改善に貢献できるプロセスデータの解析方法及び解析装置を実現する。
【解決手段】プロセスデータをもとにプロセス状態を解析するプロセスデータの解析方法において、収集したプロセス時系列データについて時間をシフトして相関を分析し、最も相関が強くなるシフト時間を探索し、探索結果から選択したプロセス時系列データを用いて、プロセスデータ間の関係をプロセス応答モデルとして記述する。
【選択図】 図１
【解決手段】プロセスデータをもとにプロセス状態を解析するプロセスデータの解析方法において、収集したプロセス時系列データについて時間をシフトして相関を分析し、最も相関が強くなるシフト時間を探索し、探索結果から選択したプロセス時系列データを用いて、プロセスデータ間の関係をプロセス応答モデルとして記述する。
【選択図】 図１
Description
【０００１】
【発明の属する技術分野】
本発明は、プロセスデータをもとにプロセス状態を解析するプロセスデータの解析方法及び解析装置に関するものである。
【０００２】
【従来の技術】
化学プラントやバイオプラントといった連続プラントにおいて、時系列データの解析が注目されている。これは、ネットワークや情報システムの低コスト化に伴って、分散型制御システム（ＤＣＳ）で収集されるプロセスデータを大量に蓄えるプラント情報システム（ＰＩＭＳ）が導入しやすくなったことによる。
【０００３】
図９は従来におけるプロセスデータの解析装置の構成例を示した図である。
図９で、データ収集装置１は、ＤＣＳ２からプロセスデータを収集する。収集したプロセスデータを時系列に配列したプロセス時系列データにして保存する。トレンド表示装置３は、データ収集装置１が保存しているプロセス時系列データをトレンドグラフにして表示する。このような表示をトレンド表示とする。プロセスデータは、プラントに存在するセンサから得られる温度、圧力、液位等のデータである。
【０００４】
図１０はトレンド表示の画面例を示した図である。
図１０の表示画面では、縦軸にプロセス時系列データの正規化した値、横軸に時間をとっている。この表示画面には多数のプロセス時系列データが表示されている。
【０００５】
しかし、図９の従来例では次の問題点があった。
（ａ）単独のプロセス時系列データの変化はわかるが、プロセス時系列データ相互間の関係が明確でない。
（ｂ）トレンド表示だけからでは、制御ルールを発見することは困難である。ここで、制御ルールはプラントの操作ガイダンスを行うための情報である。
（ｃ）従来におけるＣ４．５決定木分析の手法では、見付けた制御ルールが複雑になりすぎ、現実的でない。
【０００６】
【発明が解決しようとする課題】
本発明は上述した問題点を解決するためになされたものであり、プロセス時系列データの時間をシフトして相関を分析し、分析結果をもとにプロセスデータ間の関係をプロセス応答モデルとして記述することによって、分りやすい制御ルールを容易に発見することができて、プラントの制御運転の改善に貢献できるプロセスデータの解析方法及び解析装置を実現することを目的とする。
【０００７】
【課題を解決するための手段】
本発明は次のとおりの構成になったプロセスデータの解析方法及び解析装置である。
【０００８】
（１）プロセスデータをもとにプロセス状態を解析するプロセスデータの解析方法において、
プロセスデータを時系列に配列したプロセス時系列データを収集する収集手段と、収集したプロセス時系列データを処理するデータ処理手段とを用い、
前記収集したプロセス時系列データについて時間をシフトして相関を分析し、最も相関が強くなるシフト時間を探索し、探索結果から選択したプロセス時系列データを用いて、プロセスデータ間の関係をプロセス応答モデルとして記述することを特徴とするプロセスデータの解析方法。
【０００９】
（２）前記プロセス応答モデルをもとに、現在のプロセスデータから将来のプロセスデータを予測するプロセス予測モデルを構築することを特徴とする（１）記載のプロセスデータの解析方法。
【００１０】
（３）前記プロセス応答モデルから、プラントの操作ガイダンスを行うための制御ルールを見出すことを特徴とする（１）記載のプロセスデータの解析方法。
【００１１】
（４）前記プロセス応答モデルから、注目するプロセスデータを従属変数とした複数のプロセスデータを選択し、ニューラルネットワークを用い、現在のプロセスデータから将来のプロセスデータを予測するプロセス予測モデルを構築することを特徴とする（１）記載のプロセスデータの解析方法。
【００１２】
（５）前記プロセス応答モデルから、注目するプロセスデータをクラスとして、クラシファイシステムを実行し、プラントの操作ガイダンスを行うための制御ルールを見出すことを特徴とする（１）記載のプロセスデータの解析方法。
【００１３】
（６）プロセスデータをもとにプロセス状態を解析するプロセスデータの解析方法において、
プロセスデータを時系列に配列したプロセス時系列データを収集する収集手段と、収集したプロセス時系列データを処理するデータ処理手段とを用い、次の手順で解析を行うことを特徴とするプロセスデータの解析方法。
（ａ）前記収集したプロセス時系列データを正規化する工程。
（ｂ）正規化したプロセス時系列データの中からプロセス時系列データの組を取り出し、取り出したプロセス時系列データの組について時間をシフトし、最大の相関をとるシフト時間を探索する相関分析を行う工程。
（ｃ）工程（ｂ）の相関分析結果から、解析対象とするプロセス時系列データを選択する工程。
（ｄ）工程（ｃ）で選択したプロセス時系列データを用いて、プロセスデータ間の関係をプロセス応答モデルとして記述する工程。
（ｅ）前記プロセス応答モデルから注目するプロセスデータを決め、このプロセスデータを用いて、現在のプロセスデータから将来のプロセスデータを予測するプロセス予測モデルを構築する工程。
（ｆ）前記プロセス応答モデルから注目するプロセスデータを決め、このプロセスデータを用いて、プラントの操作ガイダンスを行うための制御ルールを見出す工程。
【００１４】
（７）プロセスデータをもとにプロセス状態を解析するプロセスデータの解析装置において、
プロセスデータを時系列に配列したプロセス時系列データを収集する収集手段と、
前記収集したプロセス時系列データを正規化する正規化手段と、
正規化したプロセス時系列データの中からプロセス時系列データの組を取り出し、取り出したプロセス時系列データの組について時間をシフトし、最大の相関をとるシフト時間を探索する相関分析を行う相関分析手段と、
この相関分析手段の相関分析結果から、解析対象とするプロセス時系列データを選択する選択手段と、
この選択手段で選択したプロセス時系列データを用いて、プロセスデータ間の関係をプロセス応答モデルとして記述する応答モデル作成手段と、
前記プロセス応答モデルから注目するプロセスデータを決め、このプロセスデータを用いて、現在のプロセスデータから将来のプロセスデータを予測するプロセス予測モデルを構築する予測モデル作成手段と、
前記プロセス応答モデルから注目するプロセスデータを決め、このプロセスデータを用いて、プラントの操作ガイダンスを行うための制御ルールを見出す制御ルール抽出手段と、
を有することをプロセスデータの解析装置。
【００１５】
【発明の実施の形態】
以下図面を用いて本発明を詳しく説明する。
図１は本発明の一実施例を示す構成図である。
図１で、収集手段１１はプロセス時系列データを収集する。正規化手段１２は、収集したプロセス時系列データを正規化する。
【００１６】
相関分析手段１３は、正規化したプロセス時系列データの中からプロセス時系列データの組を取り出し、取り出したプロセス時系列データの組について時間をシフトし、最大の相関をとるシフト時間を探索する相関分析を行う。
選択手段１４は、相関分析手段１３の相関分析結果から、解析対象とするプロセス時系列データを選択する。
応答モデル作成手段１５は、選択手段１４で選択したプロセス時系列データを用いて、プロセスデータ間の関係をプロセス応答モデルとして記述する。
【００１７】
予測モデル作成手段１６は、プロセス応答モデルから注目するプロセスデータを決め、このプロセスデータを用いて、現在のプロセスデータから将来のプロセスデータを予測するプロセス予測モデルを構築する。
制御ルール抽出手段１７は、プロセス応答モデルから注目するプロセスデータを決め、このプロセスデータを用いて、プラントの操作ガイダンスを行うための制御ルールを見出す。
このようにして得た制御ルールによりプラントの制御運転の改善を支援する。
請求範囲でいうデータ処理手段は、図１の手段１２乃至手段１７からなる部分に相当する。
【００１８】
図１の装置の動作を説明する。
図２は図１の装置プロセス状態を解析する手順を示した図である。ステップ順に従って動作を説明する。
（Ｓ１）プロセス時系列データを収集する。
（Ｓ２）様々な工業単位を持ったプロセス時系列データを同一に扱うために、０〜１の値に正規化する。
（Ｓ３）正規化したプロセス時系列データの中から、二つのプロセス時系列データを選択する。選択した二つのプロセス時系列データについて時間を徐々にシフトして最大の相関を示す時間差を探索する。このようにして相関分析を行う。
【００１９】
図３は相関分析する波形の一例を示した図である。
図３で、（ａ）に示すようにプロセス時系列データは多数あって相関が分らない。そこで、（ｂ）に示すように、二つのプロセス時系列データを取り出し、これらのデータについて時間を徐々にシフトする。二つのデータに何か関係がありそうな場合は、さらにシフトして相関関係を調べる。シフトしたら、（ｃ）に示すように二つのプロセス時系列データは、ほぼ同じ変動になる。このようにして最大の相関を示すシフト量（時間差）を探索する。最大の相関を示すときのシフト量と相関係数を求めておく。
上述した処理はｋ次相互相関分析である。この分析を相関分析手段１３が自動的に行う。
【００２０】
（Ｓ４）図２へ戻り、実プラントの配管系統図等を参考に、解析対象とするプロセス時系列データを選択する。選択するときに、相関係数が所定の基準値よりも高いプロセス時系列データの組を解析対象として選択する。
（Ｓ５）選択したプロセス時系列データのシフト時間と相関係数から、プロセスデータ間の関係をプロセス応答モデルとして記述する。
【００２１】
図４はプロセス応答モデルの一例を示した図である。
図４で、Ｆ１２２，Ｆ１２３，Ｆ１２５，Ｆ１５８は流量のプロセスデータ、Ｔ１２２は温度のプロセスデータである。
例えば、流量Ｆ１２２，Ｆ１５８の応答特性は、温度Ｔ１２２に対して、それぞれ５３分前で相関係数が−０．６、５５分前で相関係数が０．７になっている。このことは、流量Ｆ１２２，Ｆ１５８を測定すれば、少なくとも５３分後の温度Ｔ１２２が予測できることを表している。また、流量Ｆ１２２は温度Ｔ１２２に対して相関係数が−０．６であることは、流量Ｆ１２２が増加すれば温度Ｔ１２２が減少することを示している。流量Ｆ１５８は温度Ｔ１２２に対して相関係数が０．７であることは、流量Ｆ１２２が増加すれば温度Ｔ１２２が増加することを示している。
【００２２】
（Ｓ６）図２へ戻り、プロセス応答モデルから、注目するプロセスデータを従属変数として複数のプロセスデータを選択し、ニューラルネットワークや重回帰分析等によってプラント予測モデルを構築する。
（Ｓ７）プロセス応答モデルから、注目するプロセスデータを決め、図５に示す学習分類子システムにより、制御ルールを見出す。学習分類子システムは、プロセス応答モデルで得られた相関の高いプロセスデータを対象に、最小記述長基準ＭＤＬ（Ｍｉｎｉｍｕｍ Ｄｅｓｃｒｉｐｔｉｏｎ Ｌｅｎｇｔｈ）や改善率に基づくクラシファイアシステムにより制御ルールを探索する。
学習分類子システムは、最小記述長基準ＭＤＬや改善率に基づく最適化アルゴリズムによって実行されるが、より一般的な最適化アルゴリズムを用いてもよい。
【００２３】
図６は見出した制御ルールの例を示した図である。図６の例では、
（Ｆ２流量が７５％超、かつＦ３流量が５０％超７５％以下、かつＦ４流量が増加）あるいはＦ２流量が７５％超なら、Ｔ２温度が２５％以下になる。」
という制御ルールが見出される。
【００２４】
（Ｓ８）図２へ戻り、発見した制御ルールを用いてプラント運転を行う。
【００２５】
ここで、各処理で演算式について説明する。
工程（Ｓ２）では、次式を用いてプロセスデータを正規化する。
【数１】
この式でｘｉはプロセスデータである。正規化は、各プロセスのデータ変動や、プロセス同士のデータ比較を容易にするために、プロセスデータのレンジを０〜１の大きさに統一する。
【００２６】
工程（Ｓ３）では、プロセス時系列データの組ｘ，ｙを選択し、ｋをそれぞれのタグ時間のシフト量とし、ｋ次相互相関係数ｒｘｙ（ｋ）次式を用いて求める。
【数２】
そして、最大の相関を示す係数ｋを次式から求める。
【数３】
【００２７】
工程（Ｓ７）では、ＭＤＬ基準による学習分類子は、以下の目的関数ＤＬを最小化することで実行する。
【数４】
上式で、ｍは分類数、ｍ１は生起数で例えば１の値をとる。ｘは確率、Ｈ（ｘ）はｘを変数とするエントルピーの計算式である。ｏ（１）は０に近似できる微小値をとる関数である。
【００２８】
ＭＤＬの改善率に基づく学習分類子からの制御ルールの発見は、次式のようにして行う。
【数５】
上式でｐは前件部の条件式を表し、ｒは後件部の結果を表す。ｉｍｐｒｏｖｅｍｅｎｔは改善率、Ｐ（ｒｉ）は条件なしでｒｉという後件部が出現する確率、Ｐ（ｒｉ｜ｐ）は前件部ｐの条件付でｒｉという後件部が出現する確率を表す。ＤａｔａＬｅｎｇｔｈｆ，ｍｏｄｅＬｅｎｇｔｈｆは初期状態でのデータ記述長とモデル記述長である。
ＤａｔａＬｅｎｇｔｈｌ，ｍｏｄｅＬｅｎｇｔｈｌは最終状態でのデータ記述長とモデル記述長である。ｗｅｉｇｈｔはＭＤＬ基準によるウェイトを表す。このウェイトを最大化するようにする。
【００２９】
図７は実プラントとプロセス応答モデルの例を示した図である。
本発明による解析処理を行うことによって、図７の（ａ）に示す実プラントから、（ｂ）に示すプロセス応答モデルを作成する。（ｂ）の括弧内に示す数字は、交絡の場合におけるシフト時間と相関係数である。交絡とは、全く関係のないプロセスデータ同士を、あたかも関係があるかのように関連付けることである。図７の例では、プロセスデータＦ１２３とＦ１２２、Ｆ１２３とＦ１２５を交絡のシフト時間と相関係数で関連付けている。
【００３０】
図８は実プロセスデータの解析例を示した図である。
図８で、Ａは実測値、Ｂは予測値である。重回帰分析とニューラルネットワークのデータを用いた推定により、予測値を求める。図７のプラント例では、流量Ｆ１２２，Ｆ１５８から５３分後の温度Ｔ１２２を予測できる。
【００３１】
【発明の効果】
本発明によれば次の効果が得られる。
【００３２】
請求項１乃至請求項６記載の発明では、収集したプロセス時系列データについて時間をシフトして相関を分析し、最も相関が強くなるシフト時間を探索し、探索結果から選択したプロセス時系列データを用いて、プロセスデータ間の関係をプロセス応答モデルとして記述している。このようなプロセス応答モデルを構築したことによって、分りやすい制御ルールを容易に発見することができて、プラントの制御運転の改善に貢献できるプロセスデータの解析方法を実現した。
【００３３】
請求項７記載の発明によれば、分りやすい制御ルールを容易に発見することができて、プラントの制御運転の改善に貢献できるプロセスデータの解析装置を実現した。
【図面の簡単な説明】
【図１】本発明の一実施例を示す構成図である。
【図２】図１の装置プロセス状態を解析する手順を示した図である。
【図３】相関分析する波形の一例を示した図である。
【図４】プロセス応答モデルの一例を示した図である。
【図５】学習分類子システムの構成例を示した図である。
【図６】制御ルールの例を示した図である。
【図７】実プラントとプロセス応答モデルの例を示した図である。
【図８】実プロセスデータの解析例を示した図である。
【図９】従来におけるプロセスデータの解析装置の構成例を示した図である。
【図１０】トレンド表示の画面例を示した図である。
【符号の説明】
１１ 収集手段
１２ 正規化手段
１３ 相関分析手段
１４ 選択手段
１５ 応答モデル作成手段
１６ 予測モデル作成手段
１７ 制御ルール抽出手段
【発明の属する技術分野】
本発明は、プロセスデータをもとにプロセス状態を解析するプロセスデータの解析方法及び解析装置に関するものである。
【０００２】
【従来の技術】
化学プラントやバイオプラントといった連続プラントにおいて、時系列データの解析が注目されている。これは、ネットワークや情報システムの低コスト化に伴って、分散型制御システム（ＤＣＳ）で収集されるプロセスデータを大量に蓄えるプラント情報システム（ＰＩＭＳ）が導入しやすくなったことによる。
【０００３】
図９は従来におけるプロセスデータの解析装置の構成例を示した図である。
図９で、データ収集装置１は、ＤＣＳ２からプロセスデータを収集する。収集したプロセスデータを時系列に配列したプロセス時系列データにして保存する。トレンド表示装置３は、データ収集装置１が保存しているプロセス時系列データをトレンドグラフにして表示する。このような表示をトレンド表示とする。プロセスデータは、プラントに存在するセンサから得られる温度、圧力、液位等のデータである。
【０００４】
図１０はトレンド表示の画面例を示した図である。
図１０の表示画面では、縦軸にプロセス時系列データの正規化した値、横軸に時間をとっている。この表示画面には多数のプロセス時系列データが表示されている。
【０００５】
しかし、図９の従来例では次の問題点があった。
（ａ）単独のプロセス時系列データの変化はわかるが、プロセス時系列データ相互間の関係が明確でない。
（ｂ）トレンド表示だけからでは、制御ルールを発見することは困難である。ここで、制御ルールはプラントの操作ガイダンスを行うための情報である。
（ｃ）従来におけるＣ４．５決定木分析の手法では、見付けた制御ルールが複雑になりすぎ、現実的でない。
【０００６】
【発明が解決しようとする課題】
本発明は上述した問題点を解決するためになされたものであり、プロセス時系列データの時間をシフトして相関を分析し、分析結果をもとにプロセスデータ間の関係をプロセス応答モデルとして記述することによって、分りやすい制御ルールを容易に発見することができて、プラントの制御運転の改善に貢献できるプロセスデータの解析方法及び解析装置を実現することを目的とする。
【０００７】
【課題を解決するための手段】
本発明は次のとおりの構成になったプロセスデータの解析方法及び解析装置である。
【０００８】
（１）プロセスデータをもとにプロセス状態を解析するプロセスデータの解析方法において、
プロセスデータを時系列に配列したプロセス時系列データを収集する収集手段と、収集したプロセス時系列データを処理するデータ処理手段とを用い、
前記収集したプロセス時系列データについて時間をシフトして相関を分析し、最も相関が強くなるシフト時間を探索し、探索結果から選択したプロセス時系列データを用いて、プロセスデータ間の関係をプロセス応答モデルとして記述することを特徴とするプロセスデータの解析方法。
【０００９】
（２）前記プロセス応答モデルをもとに、現在のプロセスデータから将来のプロセスデータを予測するプロセス予測モデルを構築することを特徴とする（１）記載のプロセスデータの解析方法。
【００１０】
（３）前記プロセス応答モデルから、プラントの操作ガイダンスを行うための制御ルールを見出すことを特徴とする（１）記載のプロセスデータの解析方法。
【００１１】
（４）前記プロセス応答モデルから、注目するプロセスデータを従属変数とした複数のプロセスデータを選択し、ニューラルネットワークを用い、現在のプロセスデータから将来のプロセスデータを予測するプロセス予測モデルを構築することを特徴とする（１）記載のプロセスデータの解析方法。
【００１２】
（５）前記プロセス応答モデルから、注目するプロセスデータをクラスとして、クラシファイシステムを実行し、プラントの操作ガイダンスを行うための制御ルールを見出すことを特徴とする（１）記載のプロセスデータの解析方法。
【００１３】
（６）プロセスデータをもとにプロセス状態を解析するプロセスデータの解析方法において、
プロセスデータを時系列に配列したプロセス時系列データを収集する収集手段と、収集したプロセス時系列データを処理するデータ処理手段とを用い、次の手順で解析を行うことを特徴とするプロセスデータの解析方法。
（ａ）前記収集したプロセス時系列データを正規化する工程。
（ｂ）正規化したプロセス時系列データの中からプロセス時系列データの組を取り出し、取り出したプロセス時系列データの組について時間をシフトし、最大の相関をとるシフト時間を探索する相関分析を行う工程。
（ｃ）工程（ｂ）の相関分析結果から、解析対象とするプロセス時系列データを選択する工程。
（ｄ）工程（ｃ）で選択したプロセス時系列データを用いて、プロセスデータ間の関係をプロセス応答モデルとして記述する工程。
（ｅ）前記プロセス応答モデルから注目するプロセスデータを決め、このプロセスデータを用いて、現在のプロセスデータから将来のプロセスデータを予測するプロセス予測モデルを構築する工程。
（ｆ）前記プロセス応答モデルから注目するプロセスデータを決め、このプロセスデータを用いて、プラントの操作ガイダンスを行うための制御ルールを見出す工程。
【００１４】
（７）プロセスデータをもとにプロセス状態を解析するプロセスデータの解析装置において、
プロセスデータを時系列に配列したプロセス時系列データを収集する収集手段と、
前記収集したプロセス時系列データを正規化する正規化手段と、
正規化したプロセス時系列データの中からプロセス時系列データの組を取り出し、取り出したプロセス時系列データの組について時間をシフトし、最大の相関をとるシフト時間を探索する相関分析を行う相関分析手段と、
この相関分析手段の相関分析結果から、解析対象とするプロセス時系列データを選択する選択手段と、
この選択手段で選択したプロセス時系列データを用いて、プロセスデータ間の関係をプロセス応答モデルとして記述する応答モデル作成手段と、
前記プロセス応答モデルから注目するプロセスデータを決め、このプロセスデータを用いて、現在のプロセスデータから将来のプロセスデータを予測するプロセス予測モデルを構築する予測モデル作成手段と、
前記プロセス応答モデルから注目するプロセスデータを決め、このプロセスデータを用いて、プラントの操作ガイダンスを行うための制御ルールを見出す制御ルール抽出手段と、
を有することをプロセスデータの解析装置。
【００１５】
【発明の実施の形態】
以下図面を用いて本発明を詳しく説明する。
図１は本発明の一実施例を示す構成図である。
図１で、収集手段１１はプロセス時系列データを収集する。正規化手段１２は、収集したプロセス時系列データを正規化する。
【００１６】
相関分析手段１３は、正規化したプロセス時系列データの中からプロセス時系列データの組を取り出し、取り出したプロセス時系列データの組について時間をシフトし、最大の相関をとるシフト時間を探索する相関分析を行う。
選択手段１４は、相関分析手段１３の相関分析結果から、解析対象とするプロセス時系列データを選択する。
応答モデル作成手段１５は、選択手段１４で選択したプロセス時系列データを用いて、プロセスデータ間の関係をプロセス応答モデルとして記述する。
【００１７】
予測モデル作成手段１６は、プロセス応答モデルから注目するプロセスデータを決め、このプロセスデータを用いて、現在のプロセスデータから将来のプロセスデータを予測するプロセス予測モデルを構築する。
制御ルール抽出手段１７は、プロセス応答モデルから注目するプロセスデータを決め、このプロセスデータを用いて、プラントの操作ガイダンスを行うための制御ルールを見出す。
このようにして得た制御ルールによりプラントの制御運転の改善を支援する。
請求範囲でいうデータ処理手段は、図１の手段１２乃至手段１７からなる部分に相当する。
【００１８】
図１の装置の動作を説明する。
図２は図１の装置プロセス状態を解析する手順を示した図である。ステップ順に従って動作を説明する。
（Ｓ１）プロセス時系列データを収集する。
（Ｓ２）様々な工業単位を持ったプロセス時系列データを同一に扱うために、０〜１の値に正規化する。
（Ｓ３）正規化したプロセス時系列データの中から、二つのプロセス時系列データを選択する。選択した二つのプロセス時系列データについて時間を徐々にシフトして最大の相関を示す時間差を探索する。このようにして相関分析を行う。
【００１９】
図３は相関分析する波形の一例を示した図である。
図３で、（ａ）に示すようにプロセス時系列データは多数あって相関が分らない。そこで、（ｂ）に示すように、二つのプロセス時系列データを取り出し、これらのデータについて時間を徐々にシフトする。二つのデータに何か関係がありそうな場合は、さらにシフトして相関関係を調べる。シフトしたら、（ｃ）に示すように二つのプロセス時系列データは、ほぼ同じ変動になる。このようにして最大の相関を示すシフト量（時間差）を探索する。最大の相関を示すときのシフト量と相関係数を求めておく。
上述した処理はｋ次相互相関分析である。この分析を相関分析手段１３が自動的に行う。
【００２０】
（Ｓ４）図２へ戻り、実プラントの配管系統図等を参考に、解析対象とするプロセス時系列データを選択する。選択するときに、相関係数が所定の基準値よりも高いプロセス時系列データの組を解析対象として選択する。
（Ｓ５）選択したプロセス時系列データのシフト時間と相関係数から、プロセスデータ間の関係をプロセス応答モデルとして記述する。
【００２１】
図４はプロセス応答モデルの一例を示した図である。
図４で、Ｆ１２２，Ｆ１２３，Ｆ１２５，Ｆ１５８は流量のプロセスデータ、Ｔ１２２は温度のプロセスデータである。
例えば、流量Ｆ１２２，Ｆ１５８の応答特性は、温度Ｔ１２２に対して、それぞれ５３分前で相関係数が−０．６、５５分前で相関係数が０．７になっている。このことは、流量Ｆ１２２，Ｆ１５８を測定すれば、少なくとも５３分後の温度Ｔ１２２が予測できることを表している。また、流量Ｆ１２２は温度Ｔ１２２に対して相関係数が−０．６であることは、流量Ｆ１２２が増加すれば温度Ｔ１２２が減少することを示している。流量Ｆ１５８は温度Ｔ１２２に対して相関係数が０．７であることは、流量Ｆ１２２が増加すれば温度Ｔ１２２が増加することを示している。
【００２２】
（Ｓ６）図２へ戻り、プロセス応答モデルから、注目するプロセスデータを従属変数として複数のプロセスデータを選択し、ニューラルネットワークや重回帰分析等によってプラント予測モデルを構築する。
（Ｓ７）プロセス応答モデルから、注目するプロセスデータを決め、図５に示す学習分類子システムにより、制御ルールを見出す。学習分類子システムは、プロセス応答モデルで得られた相関の高いプロセスデータを対象に、最小記述長基準ＭＤＬ（Ｍｉｎｉｍｕｍ Ｄｅｓｃｒｉｐｔｉｏｎ Ｌｅｎｇｔｈ）や改善率に基づくクラシファイアシステムにより制御ルールを探索する。
学習分類子システムは、最小記述長基準ＭＤＬや改善率に基づく最適化アルゴリズムによって実行されるが、より一般的な最適化アルゴリズムを用いてもよい。
【００２３】
図６は見出した制御ルールの例を示した図である。図６の例では、
（Ｆ２流量が７５％超、かつＦ３流量が５０％超７５％以下、かつＦ４流量が増加）あるいはＦ２流量が７５％超なら、Ｔ２温度が２５％以下になる。」
という制御ルールが見出される。
【００２４】
（Ｓ８）図２へ戻り、発見した制御ルールを用いてプラント運転を行う。
【００２５】
ここで、各処理で演算式について説明する。
工程（Ｓ２）では、次式を用いてプロセスデータを正規化する。
【数１】
【００２６】
工程（Ｓ３）では、プロセス時系列データの組ｘ，ｙを選択し、ｋをそれぞれのタグ時間のシフト量とし、ｋ次相互相関係数ｒｘｙ（ｋ）次式を用いて求める。
【数２】
【数３】
工程（Ｓ７）では、ＭＤＬ基準による学習分類子は、以下の目的関数ＤＬを最小化することで実行する。
【数４】
【００２８】
ＭＤＬの改善率に基づく学習分類子からの制御ルールの発見は、次式のようにして行う。
【数５】
ＤａｔａＬｅｎｇｔｈｌ，ｍｏｄｅＬｅｎｇｔｈｌは最終状態でのデータ記述長とモデル記述長である。ｗｅｉｇｈｔはＭＤＬ基準によるウェイトを表す。このウェイトを最大化するようにする。
【００２９】
図７は実プラントとプロセス応答モデルの例を示した図である。
本発明による解析処理を行うことによって、図７の（ａ）に示す実プラントから、（ｂ）に示すプロセス応答モデルを作成する。（ｂ）の括弧内に示す数字は、交絡の場合におけるシフト時間と相関係数である。交絡とは、全く関係のないプロセスデータ同士を、あたかも関係があるかのように関連付けることである。図７の例では、プロセスデータＦ１２３とＦ１２２、Ｆ１２３とＦ１２５を交絡のシフト時間と相関係数で関連付けている。
【００３０】
図８は実プロセスデータの解析例を示した図である。
図８で、Ａは実測値、Ｂは予測値である。重回帰分析とニューラルネットワークのデータを用いた推定により、予測値を求める。図７のプラント例では、流量Ｆ１２２，Ｆ１５８から５３分後の温度Ｔ１２２を予測できる。
【００３１】
【発明の効果】
本発明によれば次の効果が得られる。
【００３２】
請求項１乃至請求項６記載の発明では、収集したプロセス時系列データについて時間をシフトして相関を分析し、最も相関が強くなるシフト時間を探索し、探索結果から選択したプロセス時系列データを用いて、プロセスデータ間の関係をプロセス応答モデルとして記述している。このようなプロセス応答モデルを構築したことによって、分りやすい制御ルールを容易に発見することができて、プラントの制御運転の改善に貢献できるプロセスデータの解析方法を実現した。
【００３３】
請求項７記載の発明によれば、分りやすい制御ルールを容易に発見することができて、プラントの制御運転の改善に貢献できるプロセスデータの解析装置を実現した。
【図面の簡単な説明】
【図１】本発明の一実施例を示す構成図である。
【図２】図１の装置プロセス状態を解析する手順を示した図である。
【図３】相関分析する波形の一例を示した図である。
【図４】プロセス応答モデルの一例を示した図である。
【図５】学習分類子システムの構成例を示した図である。
【図６】制御ルールの例を示した図である。
【図７】実プラントとプロセス応答モデルの例を示した図である。
【図８】実プロセスデータの解析例を示した図である。
【図９】従来におけるプロセスデータの解析装置の構成例を示した図である。
【図１０】トレンド表示の画面例を示した図である。
【符号の説明】
１１ 収集手段
１２ 正規化手段
１３ 相関分析手段
１４ 選択手段
１５ 応答モデル作成手段
１６ 予測モデル作成手段
１７ 制御ルール抽出手段
Claims (7)
- プロセスデータをもとにプロセス状態を解析するプロセスデータの解析方法において、
プロセスデータを時系列に配列したプロセス時系列データを収集する収集手段と、収集したプロセス時系列データを処理するデータ処理手段とを用い、
前記収集したプロセス時系列データについて時間をシフトして相関を分析し、最も相関が強くなるシフト時間を探索し、探索結果から選択したプロセス時系列データを用いて、プロセスデータ間の関係をプロセス応答モデルとして記述することを特徴とするプロセスデータの解析方法。 - 前記プロセス応答モデルをもとに、現在のプロセスデータから将来のプロセスデータを予測するプロセス予測モデルを構築することを特徴とする請求項１記載のプロセスデータの解析方法。
- 前記プロセス応答モデルから、プラントの操作ガイダンスを行うための制御ルールを見出すことを特徴とする請求項１記載のプロセスデータの解析方法。
- 前記プロセス応答モデルから、注目するプロセスデータを従属変数とした複数のプロセスデータを選択し、ニューラルネットワークを用い、現在のプロセスデータから将来のプロセスデータを予測するプロセス予測モデルを構築することを特徴とする請求項１記載のプロセスデータの解析方法。
- 前記プロセス応答モデルから、注目するプロセスデータをクラスとして、クラシファイシステムを実行し、プラントの操作ガイダンスを行うための制御ルールを見出すことを特徴とする請求項１記載のプロセスデータの解析方法。
- プロセスデータをもとにプロセス状態を解析するプロセスデータの解析方法において、
プロセスデータを時系列に配列したプロセス時系列データを収集する収集手段と、収集したプロセス時系列データを処理するデータ処理手段とを用い、次の手順で解析を行うことを特徴とするプロセスデータの解析方法。
（ａ）前記収集したプロセス時系列データを正規化する工程。
（ｂ）正規化したプロセス時系列データの中からプロセス時系列データの組を取り出し、取り出したプロセス時系列データの組について時間をシフトし、最大の相関をとるシフト時間を探索する相関分析を行う工程。
（ｃ）工程（ｂ）の相関分析結果から、解析対象とするプロセス時系列データを選択する工程。
（ｄ）工程（ｃ）で選択したプロセス時系列データを用いて、プロセスデータ間の関係をプロセス応答モデルとして記述する工程。
（ｅ）前記プロセス応答モデルから注目するプロセスデータを決め、このプロセスデータを用いて、現在のプロセスデータから将来のプロセスデータを予測するプロセス予測モデルを構築する工程。
（ｆ）前記プロセス応答モデルから注目するプロセスデータを決め、このプロセスデータを用いて、プラントの操作ガイダンスを行うための制御ルールを見出す工程。 - プロセスデータをもとにプロセス状態を解析するプロセスデータの解析装置において、
プロセスデータを時系列に配列したプロセス時系列データを収集する収集手段と、
前記収集したプロセス時系列データを正規化する正規化手段と、
正規化したプロセス時系列データの中からプロセス時系列データの組を取り出し、取り出したプロセス時系列データの組について時間をシフトし、最大の相関をとるシフト時間を探索する相関分析を行う相関分析手段と、
この相関分析手段の相関分析結果から、解析対象とするプロセス時系列データを選択する選択手段と、
この選択手段で選択したプロセス時系列データを用いて、プロセスデータ間の関係をプロセス応答モデルとして記述する応答モデル作成手段と、
前記プロセス応答モデルから注目するプロセスデータを決め、このプロセスデータを用いて、現在のプロセスデータから将来のプロセスデータを予測するプロセス予測モデルを構築する予測モデル作成手段と、
前記プロセス応答モデルから注目するプロセスデータを決め、このプロセスデータを用いて、プラントの操作ガイダンスを行うための制御ルールを見出す制御ルール抽出手段と、
を有することをプロセスデータの解析装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002241653A JP3884682B2 (ja) | 2002-08-22 | 2002-08-22 | プロセスデータの解析方法及び解析装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002241653A JP3884682B2 (ja) | 2002-08-22 | 2002-08-22 | プロセスデータの解析方法及び解析装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2004078812A true JP2004078812A (ja) | 2004-03-11 |
| JP3884682B2 JP3884682B2 (ja) | 2007-02-21 |
Family
ID=32024074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2002241653A Expired - Fee Related JP3884682B2 (ja) | 2002-08-22 | 2002-08-22 | プロセスデータの解析方法及び解析装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3884682B2 (ja) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007323504A (ja) * | 2006-06-02 | 2007-12-13 | Yokogawa Electric Corp | プロセス解析システムおよびプロセス解析方法 |
| JP2010231707A (ja) * | 2009-03-30 | 2010-10-14 | Metawater Co Ltd | データ検索装置 |
| JP2013084251A (ja) * | 2011-09-19 | 2013-05-09 | Fisher Rosemount Systems Inc | 多段データ偏析を使った推論処理モデリング、品質予測、および故障検出 |
| JP2014041453A (ja) * | 2012-08-22 | 2014-03-06 | Yokogawa Electric Corp | データ類似度算出方法およびデータ類似度算出装置 |
| JP2014054163A (ja) * | 2012-09-04 | 2014-03-20 | Samsung C&T Corp | 産業施設のエネルギーを管理するシステム |
| JP2015184848A (ja) * | 2014-03-24 | 2015-10-22 | 株式会社日立ハイテクノロジーズ | プラントの状態診断方法およびシステム |
| JP2018013980A (ja) * | 2016-07-21 | 2018-01-25 | 株式会社東芝 | 異常診断装置、異常診断方法及び異常診断プログラム |
| US10788817B2 (en) | 2015-08-06 | 2020-09-29 | Nec Corporation | Manufacturing process analysis device, manufacturing process analysis method, and recording medium whereupon manufacturing process analysis program is stored |
| JP2021002098A (ja) * | 2019-06-20 | 2021-01-07 | 株式会社日立製作所 | 故障予兆診断装置およびその方法 |
-
2002
- 2002-08-22 JP JP2002241653A patent/JP3884682B2/ja not_active Expired - Fee Related
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007323504A (ja) * | 2006-06-02 | 2007-12-13 | Yokogawa Electric Corp | プロセス解析システムおよびプロセス解析方法 |
| JP2010231707A (ja) * | 2009-03-30 | 2010-10-14 | Metawater Co Ltd | データ検索装置 |
| JP2016021257A (ja) * | 2011-09-19 | 2016-02-04 | フィッシャー−ローズマウント システムズ，インコーポレイテッド | コンピュータ実施方法、処理モデル展開システム、処理監視システム |
| JP2013084251A (ja) * | 2011-09-19 | 2013-05-09 | Fisher Rosemount Systems Inc | 多段データ偏析を使った推論処理モデリング、品質予測、および故障検出 |
| US10140253B2 (en) | 2011-09-19 | 2018-11-27 | Fisher-Rosemount Systems, Inc. | Inferential process modeling, quality prediction and fault detection using multi-stage data segregation |
| JP2014041453A (ja) * | 2012-08-22 | 2014-03-06 | Yokogawa Electric Corp | データ類似度算出方法およびデータ類似度算出装置 |
| US9189198B2 (en) | 2012-08-22 | 2015-11-17 | Yokogawa Electric Corporation | Data similarity calculation method and data similarity calculation apparatus |
| JP2014054163A (ja) * | 2012-09-04 | 2014-03-20 | Samsung C&T Corp | 産業施設のエネルギーを管理するシステム |
| JP2015184848A (ja) * | 2014-03-24 | 2015-10-22 | 株式会社日立ハイテクノロジーズ | プラントの状態診断方法およびシステム |
| US10788817B2 (en) | 2015-08-06 | 2020-09-29 | Nec Corporation | Manufacturing process analysis device, manufacturing process analysis method, and recording medium whereupon manufacturing process analysis program is stored |
| JP2018013980A (ja) * | 2016-07-21 | 2018-01-25 | 株式会社東芝 | 異常診断装置、異常診断方法及び異常診断プログラム |
| JP2021002098A (ja) * | 2019-06-20 | 2021-01-07 | 株式会社日立製作所 | 故障予兆診断装置およびその方法 |
| JP7229861B2 (ja) | 2019-06-20 | 2023-02-28 | 株式会社日立製作所 | 故障予兆診断装置およびその方法 |
| US11789439B2 (en) | 2019-06-20 | 2023-10-17 | Hitachi, Ltd. | Failure sign diagnosis device and method therefor |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3884682B2 (ja) | 2007-02-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11216741B2 (en) | Analysis apparatus, analysis method, and non-transitory computer readable medium | |
| Kuhn | Building predictive models in R using the caret package | |
| JP5769138B2 (ja) | イベント解析装置およびコンピュータプログラム | |
| Hollmén | User profiling and classification for fraud detection in mobile communications networks | |
| Malinowski et al. | Remaining useful life estimation based on discriminating shapelet extraction | |
| Gök | A novel machine learning model to predict autism spectrum disorders risk gene | |
| WO2018009733A1 (en) | Computer system and method for monitoring key performance indicators (kpis) online using time series pattern model | |
| White et al. | Exploring the loss landscape in neural architecture search | |
| US20120016824A1 (en) | Method for computer-assisted analyzing of a technical system | |
| Kang et al. | Efficient feature selection-based on random forward search for virtual metrology modeling | |
| JP6828807B2 (ja) | データ解析装置、データ解析方法およびデータ解析プログラム | |
| TW202018727A (zh) | 整體式學習預測方法與系統 | |
| JP3884682B2 (ja) | プロセスデータの解析方法及び解析装置 | |
| JP6631540B2 (ja) | 情報処理システム、変化点検出方法、およびプログラム | |
| You et al. | A variable relevant multi-local PCA modeling scheme to monitor a nonlinear chemical process | |
| Xie et al. | Machine learning control charts for monitoring serially correlated data | |
| Shim et al. | Active inspection for cost-effective fault prediction in manufacturing process | |
| Dubey et al. | Time series missing value prediction: algorithms and applications | |
| CN103729528B (zh) | 对序列进行处理的装置和方法 | |
| Cano et al. | An EP algorithm for learning highly interpretable classifiers | |
| US11449781B2 (en) | Plant abnormality prediction system and method | |
| US20120179721A1 (en) | Fitness Function Analysis System and Analysis Method Thereof | |
| Tsai et al. | Improving Knowledge Acquisition Capability of M5'Model Tree on Small Datasets | |
| Li et al. | Qualitative/quantitative simulation of process temporal behavior using clustered fuzzy digraphs | |
| Bi et al. | An interpretable feature selection method integrating ensemble models for chiller fault diagnosis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20050624 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20050719 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20050906 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060316 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060414 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20061113 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20061117 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101124 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101124 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111124 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111124 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121124 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121124 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131124 Year of fee payment: 7 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |