JP2008146322A - 製造プロセスの操業状態の予測方法、装置、コンピュータプログラム、及びコンピュータ読み取り可能な記憶媒体 - Google Patents

Abstract

【課題】物理現象が複雑な製造プロセスに対し、指定した操業条件と類似の過去の操業事例を検索し、検索結果から将来状態を予測する方法を提供する。
【解決手段】製造プロセスの操業状態の時系列データベース６を作成し、該プロセス変数値を量子化して時刻データと合わせて検索用テーブル８に逐次格納する。予測の起点時刻と起点としたプロセス変数値を量子化し、該量子化値を検索キーとして該検索用テーブルを検索する。類似度基準に従い、前記検索キーと類似する量子化値を有するプロセス変数値の時刻を特定し、該時刻のプロセス変数値を前記時系列データベース６から取り出し、予測したい将来時刻におけるプロセス変数値を決定する。
【選択図】図１

Description

本発明は、鉄鋼業の高炉等の製造プラントの製造プロセスにおいて、過去の操業事例に基づいてプロセスの将来状態を予測する製造プロセスの操業状態の予測方法、装置、コンピュータプログラム、及びコンピュータ読み取り可能な記憶媒体に関する。

従来、鉄鋼業における高炉等のプラントの操業において、操業状態を表すプロセスの測定データに関して、操業不良又は操業異常が発生すると、人手により操業日誌等から過去の事例を探して、取るべき操業アクションを決定する行為が実施されていた。操業アクションの成功例、失敗例を問わず過去の操業知見を将来の操業改善に活用することは重要であるが、従来は蓄積された高炉等のプロセス操業状態を表す、種々のセンサ等の測定データの時系列データを十分に活用する手段がなく、操業者の記憶に頼るのが一般的であった。そのため、操業者の経験により意見の異なる操業アクションが選択される問題があった。

本発明が対象とする製造プロセスは、高炉等の物理現象が複雑なプロセスである。このようなプロセスの数学モデルとして、プロセスによっては物理モデルの数式群の形に定式化されているものがあるが、これらの数式群を連立させた形で数値計算を行い、プロセスの時間的推移を現実的な計算時間内でシミュレーションすることは、現時点での計算機能力では限界がある場合が多い。

そこで、事例ベース推論技術がいくつかの分野で利用されている。特許文献１では、過去の問題解決事例に基づいて現在の問題解決を行う事例ベース推論を適用する手法が開示されている。特許文献２では、事例ベース推論のための表形式のエディタを提案し、専門家の知識の体系化を支援する手法が開示されている。特許文献３では、浄水場プロセスの排水量予測システムを対象とし、また、特許文献４では、浄水場プロセスの濁度の予測、制御及び管理システムを対象として、複数の事例を一つ集約して代表事例から構成される事例ベースを構築し、プロセスの予測、制御及び管理を行う手法が開示されている。

特開平３−１３２８２６号公報 特開平７−２７１５８８号公報 特開２００１−２８８７８２号公報 特開２００２−１１９９５６号公報 丹羽敏雄著、微分方程式と力学系の理論入門、遊星社（１９８８年）、Ｐ.３１ 河口至商著、多変量解析入門Ｉ、森北出版（１９７３年）、Ｐ．３〜３３

しかしながら、特許文献１に開示されている手法は、ルール型問題の解決事例の１次解をユーザに提示し、ユーザに確認を求め、１次解が失敗事例と判断されれば、以前の失敗回避事例をもとに不足している制約を推測し、新たな２次解の候補をユーザに提示する手法である。事前に蓄積された知識データベースだけでは解決事例を導けない場合は、専門家の情報を入力・編集し、知識データベースに記憶させるとされている。この手法の場合、ユーザが解決すべきルール型問題に対して、システムが提示する解が成功であるか否か、またシステムだけで解決事例を提示できない場合にどのような知識ルールを知識データベースに追加すべきかどうかに関して、十分な知識を有する専門家であることが前提であり、どのようなユーザに対しても有効な手法か否かという観点から、汎用性、客観性に欠ける。システムの予測精度を維持するとすれば、知識の収集、事例ベースの構築やその更新に、ユーザが大きな労力を費やさざるを得ない。

また、特許文献２に開示されている手法は、特許文献１と同様にルール型の事例ベース推論を基本とする手法である。計算機の専門知識を持たない現場の操業者が、自らのもつ専門知識をシステムに入力するのに際し、知識ルールを予め５つの種類に分類・体系化しておき、それぞれについて汎用的な表形式のエディタ画面を準備することにより、現場の操業者が知識ルールを入力することを容易かつ効率化し、事例ベース推論を用いたエキスパートシステムの開発効率、品質、保守性の向上を図る手法である。本手法も知識ルールの決定に基本的に操業者（ユーザ）が介在するシステムであり、特許文献１の手法と同様に、どのような操業者に対しても有効な手法か否かという観点からは、汎用性及び客観性に欠ける。

また、特許文献３及び４に開示されている手法は、浄水設備の配水量の予測、濁度の予測や制御を目的とし、事例ベース推論の知識ルール生成に相当する事例ベース生成に、入力変数が構成する入力空間を量子化してプロセスの履歴データを配置し、１つ以上の履歴データを有する単位入力空間ごとにその単位入力空間の履歴データを代表する事例を作成する手法を採用している。本手法による知識ルールの生成にはユーザの介在がなく、ユーザによる個人差の少ない汎用性及び客観性のある手法である。しかしながら、特許文献３及び４の手法は、単位入力空間内の複数の履歴データを一つの代表する事例として集約してしまうため、本発明が対象とする高炉等のプロセスのように、過去操業事例の類似事例検索結果から現在時刻の操業と類似な操業事例の時刻を特定し、操業日誌等と照らす等して現時刻で取るべき操業アクションを決定したい操業者にとって必要かつ重要な過去の類似事例の時刻の情報が欠落してしまうという問題があった。

本発明は、以上のような事情に鑑みてなされたものであり、鉄鋼業の高炉のような製造プラントの製造プロセスにおいて、過去の操業事例に基づいてプロセスの操業状態を高精度に予測して操業者に提示するオンライン手法を提供することを目的とする。

本発明の製造プロセスの操業状態の予測方法は、複数のセンサを備えた製造プラントの製造プロセスの操業状態を予測する方法において、前記複数のセンサで計測された製造プロセスにおける複数のプロセス変数値の時々刻々の計測値と、計測時刻である時刻データとを紐付けて記録した時系列データベースを作成する時系列データベース作成工程と、前記時系列データベースを基に前記複数のプロセス変数値それぞれの量子化値を算出し、該量子化値と前記時刻データとを紐付けて格納する検索用テーブルを作成する検索用テーブル作成工程と、前記製造プロセスの操業状態を予測するときに、予測の起点時刻Ａ、及び該起点時刻Ａ以後の将来時刻Ｂを設定する設定工程と、前記起点時刻Ａのプロセス変数値の量子化値を検索キーとして前記検索用テーブルを検索し、予め設定した類似度基準に従い、該検索キーと類似する量子化値を有するプロセス変数値に紐付いた時刻データを、類似時刻データとして前記検索用テーブルから出力する類似事例検索工程と、前記類似時刻データを前記予測の起点時刻Ａに対応した過去の起点時刻とし、前記予測したい将来時刻Ｂに対応する時刻のプロセス変数値を、前記時系列データベースから取り出し、前記将来時刻Ｂにおけるプロセス変数値の予測値として出力する将来状態予測工程とを有することを特徴とする。
また、本発明の製造プロセスの操業状態の予測方法の他の特徴とするところは、前記時系列データベース作成工程では、前記複数のプロセス変数値に、時々刻々の現在値に加えて該現在値の時間遅れ変数の値をも組み合わせた時系列データベースを作成する点にある。
また、本発明の製造プロセスの操業状態の予測方法の他の特徴とするところは、前記製造プロセスは高炉プロセスであり、前記複数のプロセス変数値は、溶銑温度、微粉炭吹き込み量、ソリューションロスカーボン、熱流比、装入ピッチ、溶銑中Ｓｉ濃度、溶銑中Ｔｉ濃度、熱風温度、炉頂温度、熱負荷、炉頂ガスＣＯ濃度、出銑速度、ＰＣＲ（微粉炭比）、スラグ中Ａｌ₂Ｏ₂量、スラグ中ＴｉＯ₂量のうちの一つ以上を含む点にある。
また、本発明の製造プロセスの操業状態の予測方法の他の特徴とするところは、前記検索用テーブル作成工程では、ステップワイズ法を用いて前記プロセス変数値の数を削減する点にある。
また、本発明の製造プロセスの操業状態の予測方法の他の特徴とするところは、前記検索用テーブル作成工程では、分散拡大要因判定法を用いてプロセス変数値の数を削減する点にある。
また、本発明の製造プロセスの操業状態の予測方法の他の特徴とするところは、前記類似事例検索工程では、前記類似度基準として、前記プロセス変数値の量子化値ベクトルの無限大ノルム又は該量子化値ベクトルの差の絶対値の和を用いる点にある。
また、本発明の製造プロセスの操業状態の予測方法の他の特徴とするところは、前記将来状態予測工程では、前記将来時刻Ｂの時刻におけるプロセス変数値を決定するときに、重回帰計算を用いる点にある。
本発明の製造プロセスの操業状態の予測装置は、複数のセンサを備えた製造プラントの製造プロセスの操業状態を予測する装置において、前記複数のセンサで計測された製造プロセスにおける複数のプロセス変数値の時々刻々の計測値と、計測時刻である時刻データとを紐付けて記録した時系列データベースを作成する時系列データベース作成手段と、前記時系列データベースを基に前記複数のプロセス変数値それぞれの量子化値を算出し、該量子化値と前記時刻データとを紐付けて格納する検索用テーブルを作成する検索用テーブル作成手段と、前記製造プロセスの操業状態を予測するときに、予測の起点時刻Ａ、及び該起点時刻Ａ以後の将来時刻Ｂを設定する設定手段と、前記起点時刻Ａのプロセス変数値の量子化値を検索キーとして前記検索用テーブルを検索し、予め設定した類似度基準に従い、該検索キーと類似する量子化値を有するプロセス変数値に紐付いた時刻データを、類似時刻データとして前記検索用テーブルから出力する類似事例検索手段と、前記類似時刻データを前記予測の起点時刻Ａに対応した過去の起点時刻とし、前記予測したい将来時刻Ｂに対応する時刻のプロセス変数値を、前記時系列データベースから取り出し、前記将来時刻Ｂにおけるプロセス変数値の予測値として出力する将来状態予測手段と、前記起点時刻Ａ及び前記将来時刻Ｂにおけるプロセス変数値の予測値を表示する表示手段とを備えることを特徴とする。
本発明のコンピュータプログラムは、複数のセンサを備えた製造プラントの製造プロセスの操業状態を予測するためのコンピュータプログラムにおいて、前記複数のセンサで計測された製造プロセスにおける複数のプロセス変数値の時々刻々の計測値と、計測時刻である時刻データとを紐付けて記録した時系列データベースを作成する時系列データベース作成処理と、前記時系列データベースを基に前記複数のプロセス変数値それぞれの量子化値を算出し、該量子化値と前記時刻データとを紐付けて格納する検索用テーブルを作成する検索用テーブル作成処理と、前記製造プロセスの操業状態を予測するときに、予測の起点時刻Ａ、及び該起点時刻Ａ以後の将来時刻Ｂを設定する設定処理と、前記起点時刻Ａのプロセス変数値の量子化値を検索キーとして前記検索用テーブルを検索し、予め設定した類似度基準に従い、該検索キーと類似する量子化値を有するプロセス変数値に紐付いた時刻データを、類似時刻データとして前記検索用テーブルから出力する類似事例検索処理と、前記類似時刻データを前記予測の起点時刻Ａに対応した過去の起点時刻とし、前記予測したい将来時刻Ｂに対応する時刻のプロセス変数値を、前記時系列データベースから取り出し、前記将来時刻Ｂにおけるプロセス変数値の予測値として出力する将来状態予測処理とをコンピュータに実行させることを特徴とする。
本発明のコンピュータ読み取り可能な記憶媒体は、本発明のコンピュータプログラムを格納したことを特徴とする。

本発明によれば、高炉等の製造プラントについて、プラントの設備設計上或いは操業において予め定格として定めた動作点以外の幅広い動作範囲にわたり、プロセス変数値を時系列データベースにシステマティックに蓄積し、過去の類似操業事例の検索に基づく操業状態の予測を、オンラインで、信頼性が高く、さらに高速に実現し、操業アクションの判断にあたって操業者やプロセス技術者に有益なガイダンス情報として提示することによって、操業の安定化に大きく寄与することが可能となる。

以下、添付図面を参照して、本発明の好適な実施形態について説明する。本実施形態では、本発明を実施するための形態について、鉄鋼業における高炉を例にして詳細に説明する。ここでは高炉を例に説明するが、以下の如く、本発明のプロセスの操業状態の予測方法の詳細を一般的な数式等を用いて説明できることから、高炉以外のプロセスについても実施可能である。

図１は、本発明のプロセスの操業状態の予測装置の構成を示すブロック図である。図１において、１は高炉設備であり、操業状態の指標となる温度、圧力、ガス成分等のプロセス変数を計測する各種のセンサが高炉に付帯して複数設置されている。

２は高炉設備の計測・制御装置であり、高炉設備１に付帯した前記各種センサで計測した各種のプロセス変数の時系列データを収集し、高炉の操業者に提示し、必要に応じて操業者の指示のもと高炉の制御操作を実施する、高炉操業の心臓部である。

３は本発明を適用したプロセスの操業状態の予測装置であり、設定・操作入力手段４、
時系列データベース作成手段５、時系列データベース６、検索用テーブル作成手段７、検索用テーブル８、類似事例検索手段９、将来状態予測手段１０、表示手段１１を含んで構成される。

計測・制御装置２を経由して計測した各種プロセス変数値の時系列データが、例えばプラント内のＬＡＮ等のネットワーク経由又は専用のインターフェース経由（図示せず）で入力されて、時系列データベース作成手段５によって予め設定した仕様に基づき各種のプロセス変数値のうち所望のプロセス変数値について、一定時間毎に時系列データベース６に格納される。ここでは説明のため一定時間周期で格納されるものとするが、プロセス変数値の種類によって時系列データベース６への格納周期が異なる場合は、短周期のプロセス変数値に合わせて長周期のプロセス変数値の値をホールドすることによって短周期のプロセス変数値に変換して、以後、同様の取り扱いが可能であることは言うまでもない。

設定・操作入力手段４は、時系列データベース作成手段５、検索用テーブル手段７、類似事例検索手段９、及び将来状態予測手段１０に対し、操業者又はプロセス技術者が各手段の動作設定、及びプロセスの操業状態の予測装置の操作を入力する。

検索用テーブル作成手段７は、時系列データベース６に対し、ステップワイズ法によるプロセス変数値の数の削減、分散拡大要因計算による多重共線性を有するプロセス変数値の排除、及びプロセス変数値の量子化を実施し、検索用テーブル８を作成する。

類似事例検索手段９は、予測をしたい起点時刻Ａ（以下、「要求点」と呼ぶ）のプロセス変数値の量子化値を検索キーとして検索用テーブル８を検索し、要求点と類似した過去事例を出力する。

将来状態予測手段１０は、類似事例検索手段９で検索した過去の類似事例のプロセス変数値と局所モデルを用いて予測したい将来時刻Ｂにおけるプロセス変数値を決定する。なお、本実施形態において局所モデルは重回帰モデルを採用する。

表示手段１１は、類似事例検索手段９で検索した前記予測したい起点時刻Ａのプロセス変数値と類似した過去の類似事例や、将来状態予測手段１０で決定した前記予測したい将来時刻Ｂにおけるプロセス変数値を、ディスプレイやモニタ等に表示する。

以下では、上記の各手段の機能及び用語を詳細に説明する。時系列データベース６には、例えば溶銑温度、微粉炭吹き込み量、ソリューションロスカーボン、熱流比、装入ピッチ、溶銑中Ｓｉ濃度、溶銑中Ｔｉ濃度、熱風温度、炉頂温度、熱負荷、炉頂ガスＣＯ濃度、出銑速度、ＰＣＲ（微粉炭比）、スラグ中Ａｌ₂Ｏ₂量、スラグ中ＴｉＯ₂量の時々刻々の計測値（すなわちデータベースへの記録時点の計測値で、以下、「現在値」という）、又はこれらの時間遅れ変数から少なくとも一つ以上が選択されたプロセス変数値が、当該時刻データ又は当該時系列データベース格納番号と共に格納されている。

ここで時間遅れ変数とは、例えば、前記時々刻々のプロセス変数値の１時間前の値、２時間前の値等、時間をずらして定義する変数のことである。図２に時系列データベースに格納するプロセス変数値の記録形態の例を示す。図２において、時系列データベース格納番号は、データを格納する当該時刻データに一意に対応する番号である。したがって、以後、時刻データを用いて本発明の実施の形態を説明する。

（時系列データベース作成手段５における時系列データベース作成の基本的アプローチ）
一般に力学系のシステム理論分野においては、ある時刻において対象とするシステムから観測されるデータ、すなわちシステムの状態変数の一組（データセット）をシステムの相（又は位相）と呼び、システムがとりうる相の全体をシステムの相空間（Topological Space）と呼ぶ。このときシステムの相空間がｎ個の数値の組で表わせるとき、ｎをシステムの次元と呼び、ｎ次元システムの相空間はｎ次元ユークリッド空間Ｒⁿ又はその一部の領域Ｄである。ある時刻のシステムの相は、相空間Ｔ上の点である。このことを強調するために相のことを相点とも呼ぶ（例えば非特許文献１を参照）。

また、一般にシステムに非線形性が存在すると、例え次数ｎが小さいシステムであってもシステムの時間的変動は複雑な挙動を呈する。この場合、システムの相空間に観測データの時間遅れ変数による座標軸を考慮すると、システムの時間的変動の特性を顕在化できることがあり、このような相空間Ｔを非線形システム論では再構成状態空間と呼ぶ。

ここで非線形性とは、１）システムの入力と出力との関係における非線形性、２）システムの状態を表す状態変数（プロセス変数値）相互の非線形性、３）システムを構成する力学的モデルのモデルパラメータの状態変数（プロセス変数値）に対する非線形性、のことを指す。

本発明が対象とする高炉プロセスは非線形で動的なシステムであり、例えばｐ時間後の溶銑温度の時間的挙動が、ソリューションロスカーボン、熱流比等の高炉にて観測するプロセス変数値をベクトルの成分とする高炉プロセスの観測出力ベクトルと、微粉炭吹き込み量、装入ピッチ等の高炉にて制御操作するプロセス変数値をベクトルの成分とする高炉プロセスの制御入力ベクトルを用いた式（１）の回帰式モデルで与えられると仮定する。

ここで、ｕ(ｔ)は時刻ｔにおける高炉プロセスの制御入力ベクトルであり、微粉炭吹き込み量、装入ピッチ等、高炉にて制御操作するプロセス変数値を成分とするベクトルである。ｙ(ｔ)は時刻ｔにおける高炉プロセスの観測出力ベクトルであり、溶銑温度、ソリューションロスカーボン、熱流比等、高炉にて観測するプロセス変数値を成分とするベクトルである。

ｎ_uは制御入力ベクトルの次数であり、制御入力ベクトルを構成するプロセス変数値をどのくらい過去までさかのぼって式（１）の回帰式モデルに考慮するか、すなわち時間遅れ変数の範囲を設定するパラメータである。ｎ_yは観測出力ベクトルの次数であり、観測出力ベクトルを構成するプロセス変数値をどのくらい過去までさかのぼって式（１）の回帰式モデルに考慮するか、すなわち時間遅れ変数の範囲を設定するパラメータである。

ｐは予測時間であり、時刻ｔを起点とする予測したい将来時刻を設定するパラメータである。式（１）の回帰式モデルにおいて、ｙ(ｔ＋ｐ)が回帰式モデルの出力であり、例えばｐ時間後の溶銑温度である。ｄはむだ時間であり、制御入力ベクトルを構成するプロセス変数値を高炉にて制御操作するときに発生する操作遅れ時間を設定するパラメータである。

ｆは未知の非線形関数であり、検索用テーブル８における式（１）の出力とプロセスの制御入力ベクトル及びプロセスの観測出力ベクトルとの関係性を示すものである。

ここで、高炉プロセスの入力行列ｘ^kと出力ベクトルｙ^kを、式（２）、式（３）のようにそれぞれ、観測出力ベクトルｙ(ｔ)と制御入力ベクトルｕ(ｔ)から行列形式の、又は観測出力ベクトルｙ(ｔ)からベクトル量である、プロセス変数値のデータセットとして再定義する。

時刻ｔの推移に伴い入力行列ｘ^kと出力ベクトルｙ^kのデータセットが（ｘ¹，ｙ¹）、（ｘ²，ｙ²）、・・・、の如く高炉設備１から大量に収集され、データ集合｛（ｘ^k，ｙ^k）｝、（ｋ＝１、２、・・・、）として図１の時系列データベース６に蓄積される。ここで、ｋは時刻ｔの離散化時間である。

なお、式（２）で定義する高炉プロセスの入力行列ｘ^kを構成する列ベクトル変数は、プロセス変数値の時系列データであり、以後、単にプロセス変数値と呼ぶ。

（検索用テーブル作成手段７における処理フローの詳細）
次に、検索用テーブル作成手段７において時系列データベース６に対して実施する、（Ａ）ステップワイズ法による寄与率の計算とプロセス変数値の数の削減、（Ｂ）分散拡大要因計算による多重共線性を有するプロセス変数値の排除、及び（Ｃ）プロセス変数値の量子化による検索用テーブル８の作成、の処理フローの詳細を図３のフローチャートで説明する。

まず高炉のプロセス変数値の時系列データが、データセット｛（ｘ^k，ｙ^k）｝、（ｋ＝１、２、・・・、）としてオンラインで時刻ｔの推移につれて逐次蓄積され、時系列データベース６を構成する（図３の処理１０７）。

（（Ａ）ステップワイズ法による寄与率の計算とプロセス変数値の数の削減）
検索用テーブル８の作成条件として、出力ベクトルｙ^k、予測時間ｐ、むだ時間ｄ、制御入力ベクトルの次数ｎ_u、観測出力ベクトルの次数ｎ_yを、操業者又はプロセス技術者が将来状態の予測をしたい条件に基づいて設定・操作入力手段４で設定する（図３の処理１００）。

そして、式（２）の入力行列ｘ^kのプロセス変数値についてステップワイズ法を実施し、各プロセス変数値の出力ベクトルｙ^kへの寄与率Ｆを検索用テーブル作成手段７で計算し、寄与率Ｆに対する所定の検定基準Ｆ_thによって入力行列ｘ^kのプロセス変数値の数を削減する。このとき最終的に得られた入力行列ｘ^kのプロセス変数値の数をＬとする（図３の処理１０１）。該検定基準Ｆ_thは、予め操業者又はプロセス技術者が設定・操作入力手段４から設定する。

ここでステップワイズ法とは、回帰式モデルにおいて、できるだけプロセス変数値の数を少なくし、かつ観測値と予測値の差の平方和（残差平方和）が実用に耐え得るほど小さいものとするために、ある検定基準を設けてプロセス変数値の追加、除去を行う方法である。すなわち、あるプロセス変数値を回帰式モデルに追加した場合、残差平方和の変化量を残差分散で正規化した値、いわゆる変数の寄与率Ｆが予め設けた検定基準Ｆ_thより大きければそのプロセス変数値を追加し、あるプロセス変数値を回帰式モデルから除去した場合の変数の寄与率Ｆが検定基準Ｆ_thより小さければ、そのプロセス変数値を除去する。

この手順を出力変数との単相関係数の最も大きいプロセス変数値から順に行い、ある段階で追加されるプロセス変数値も除去される入力変数もなくなったとき、最終的に得られた回帰式モデルを最良の回帰式モデルとする。

ステップワイズ法のアルゴリズムについては、例えば、非特許文献２に詳細に説明されている。

ここで、以後の説明のため、式（２）の入力行列ｘ^kを、式（４）と表現する。

（（Ｂ）分散拡大要因計算による多重共線性を有するプロセス変数値の排除）
入力行列ｘ^kを構成するプロセス変数値ｘ_i；（ｉ＝１、２、・・・、Ｌ）の、出力ベクトルｙ^kに対する前記ステップワイズ法で計算する当該プロセス変数値の寄与率ＦがＦ₁＞Ｆ₂＞・・・Ｆ_Lとなるようにプロセス変数値ｘ_iを並び替え、新たな入力行列ｘ^k＝｛ｘ₁ ^k，ｘ₂ ^k，・・・，ｘ_L ^k｝^T；ｋ＝１、２、・・・、とする（図３の処理１０２）。

次に、入力行列ｘ^kを構成するプロセス変数値について、式（５）で定義する分散拡大要因ＶＩＦを計算し、多重共線性があると判定されるプロセス変数値を削除する（図３の処理１０３）。ここでは、入力行列ｘ^kを構成するプロセス変数値ｘ_iとプロセス変数値ｘ_jの分散拡大要因ＶＩＦ_ij（＝ＶＩＦ_ji）を、式（５）で定義する例を説明する。

式（５）において、ｒ_ij ²はベクトル量であるプロセス変数値ｘ_iとプロセス変数値ｘ_jの相関係数ｒ_ijの２乗（すなわちスカラー量）である。一般に分散拡大要因ＶＩＦ_ijの値が大きいとき、プロセス変数値ｘ_iとプロセス変数値ｘ_jには多重共線性があると判定される。ここでは、例として、ＶＩＦ_ij≧１０の場合を多重共線性があると判定する場合の入力行列ｘ^kを構成するプロセス変数値の削減手順を説明する。

まず、ｉ＝１、すなわちプロセス変数値ｘ₁に対するプロセス変数値ｘ_j；｛２≦ｊ≦Ｌ｝の分散拡大要因ＶＩＦ_1jを計算し、ＶＩＦ_1j≧１０となるプロセス変数値ｘ_j；｛２≦ｊ≦Ｌ｝を除去する。

次に、ｉ＝２、すなわちプロセス変数値ｘ₂に対するプロセス変数値ｘ_j；｛３≦ｊ≦Ｌ｝の分散拡大要因ＶＩＦ_2jを計算し、ＶＩＦ_2j≧１０となるプロセス変数値ｘ_j；｛３≦ｊ≦Ｌ｝を除去する。

以後、ｉ＝３、４、・・・、Ｌに対しても同様の手順で多重共線性を有するプロセス変数値の除去を実施し、最終的に得られたプロセス変数値の数をｌとする（図３の処理１０４）。

（（Ｃ）プロセス変数値の量子化による検索用テーブル８の作成）
検索用テーブル作成手段７において、前記最終的に得られたｌ個のプロセス変数値個々について、量子化すなわち離散値化を実施し、検索用テーブル８を作成する（図３の処理１０５）。すなわち、ある時刻の入力行列ｘ^kに対して式（６）とする。

ここで、Ｚ()は量子化演算子であり、入力行列ｘ^kの第ｉ番目のプロセス変数値ｘ_i ^kに対し、操業者又はプロセス技術者が設定・操作入力手段４で予め設定しておく最大値ｘ_{i_max}及び最小値ｘ_{i_min}と量子化数（第ｉ番目の要素の値の幅）ｎ_iを用いて、量子空間Ｘ^kの第ｉ番目の要素ｎ_i ^kを式（７）で計算する。

ｒｏｕｎｄ()は、小数点以下四捨五入して最も近い整数値に丸める関数である。このとき、小数点以下切り上げ、又は切り下げによって整数値に丸めても構わない。

また、式（７）は量子化数ｎ_iを用いた均等幅での量子化（離散値化）を例示したが、ｘ_i ^kの分散又は標準偏差の値に基づき、不等分割幅による量子化を用いても構わない。

前記プロセス変数値の量子化までの処理によって、検索用テーブル作成手段７は最終的に量子化された検索用テーブル８を生成する。検索用テーブル８は、入力行列ｘ^kが１次元では区間、２次元では平面、一般には相空間Ｔの次元数ｎに対応したｎ次の超直方体空間となる（図３の処理１０６）。

（過去の類似操業事例の探索方法と将来状態の予測方法の基本的アプローチ）
類似事例検索手段９及び将来状態予測手段１０における、過去の類似操業事例の探索方法と将来状態の予測方法の処理フローを図４に示す。

プロセスの時系列データがオンラインで時系列データベース６に格納される都度（図４の処理２１０）、前記検索用テーブル作成手段７において量子化処理を逐次実施することで、検索用テーブル８上の各量子には、当該量子に帰属する過去事例の時刻データが各々紐ついて格納されている（図４の処理２１１）。

操業者又はプロセス技術者が過去類似事例検索や予測するとき、設定・操作入力手段４で、その起点時刻Ａ（要求点）を設定し、対応する高炉プロセスの操業状態を予測する起点時刻Ａ及び起点時刻Ａにおけるプロセス変数値のデータセット（ｘ^kq，ｙ^kq）を指定する（図４の処理２００）。

そして、検索用テーブル作成手段７で要求点のプロセス変数値を量子化し（図４の処理２０１）、量子化したプロセス変数値を検索キーとして検索用テーブル８上を検索し（図４の処理２０２、処理２０３、処理２０４、処理２０５、処理２０６、処理２０７）、
類似度基準に従い、要求点に近傍のデータセット｛（ｘ^ki，ｙ^ki）｝（ｋ_i＜ｋ_q）を検索する。

本発明においては、要求点に類似した近傍データセットが過去に観測されてデータ集合に存在すれば、前記要求点の時間的発展を記述する、すなわち将来を予測する非線形関数ｆ^kqは、過去の非線形関数ｆ^kiと似たものになると考える。

このとき、要求点の類似の過去事例のデータセットが複数存在すれば、これらのデータセットの出力ｙ^kiを補間する局所モデルを用い（図４の処理２０８）、システムの出力ｙ^kqを予測する（図４の処理２０９）。

都度、局所モデルは廃棄され、観測データが新たに蓄積されてデータ集合｛（ｘ^k，ｙ^k）｝が更新されていくことで、対象プロセスの経時的な特性変化が反映される（図４の処理２１０、処理２１１）。

（プロセス変数値の量子化値を検索キーとした過去の類似操業事例の検索方法）
類似事例検索手段９は、要求点におけるプロセス変数値の量子化値を検索キーとして前記検索用テーブル８を検索し、類似度基準に従って要求点に近傍のデータセットを抽出し、過去の高炉プロセスの操業状態の類似事例を検索する。

本発明において、ある時刻と別のある時刻におけるプロセスの操業状態が類似の操業状態かどうかを判断する類似度基準として、各々の時刻におけるプロセス変数値の量子化値相互の距離を採用する。すなわち、式（６）で算出する、時刻ｋ_i及び時刻ｋ_jにおけるプロセス変数値ｘ^ki及びｘ^kjの量子化値Ｘ^ki及びＸ^kj相互の距離である。

このとき、時刻ｋ_iにおけるプロセス変数値ｘ^kiは量子化値Ｘ^kiをとる量子空間に格納されており、該量子空間に時刻データｋ_iが紐付いている。同様にして、時刻ｋ_jにおけるプロセス変数値ｘ^kjも量子化値Ｘ^kjをとる量子空間に格納されており、該量子空間に時刻データｋ_jが紐付いている。なお、量子化値Ｘ^ki、Ｘ^kjはベクトルであり、以後、量子化値ベクトルと呼ぶ。

ここで、プロセス変数値が帰属する量子空間相互の距離を相似度ｓ(ｋ_i，ｋ_j)と呼び、該距離を無限大ノルムで定義する例を式（８）に示す（図４の処理２０２）。

なお、相似度ｓ(ｋ_i，ｋ_j)には、他に量子値ベクトルの差の絶対値の和、すなわち式（９）を用いることも可能である。

なお、本発明においては更に別の相似度の定義を用いてもかまわない。

要求点の時刻ｋ_qにおけるプロセス変数値が属する量子空間Ｘ^kqとすると、要求点における高炉プロセスの操業状態と類似の操業事例を示す量子空間Ｘ^kpとその全体空間、すなわち近傍量子空間は、式（１０）で定義できる。

すなわち、本発明において、要求点における高炉プロセスの操業状態と類似の過去の操業事例を検索することは、ｋ_p＜ｋ_qの条件のもと、量子空間Ｘ^kpのなかで過去事例が存在する最小の相似度ｓをとる事例を検索し、検索した事例の時刻データを、量子空間に紐付いている時刻データから取り出すことである。ここで、Ｔは前記の相空間である。

上述した類似事例検索手段９における過去の操業類似事例の検索方法を、図４の処理フローで具体的に説明する。まず、検索用テーブル８上の近傍量子空間Ω_q内の要求点を含む同一量子空間（すなわち相似度ｓ＝０の量子空間）を参照し、｛（ｘ^ki，ｙ^ki）｝（ｋ_i＜ｋ_q）となるデータセットがｌ個以上存在するか否かをチェックする（図４の処理２０３、処理２０４、処理２０５）。

相似度ｓ＝０の量子空間にｌ個以上のデータセットが存在すれば検索を終了し（図４の処理２０５のYes）、もしｌ個以上のデータセットが存在しなければ（図４の処理２０５のNo）、次に、隣の量子空間（すなわち相似度ｓ＝１の量子空間）を参照し、再び、近傍量子空間Ω_q中で｛（ｘ^ki，ｙ^ki）｝（ｋ_i＜ｋ_q）となるｌ個以上のデータセットが存在するか否かをチェックする（図４の処理２０４、処理２０５）。

ここで、ｌ個以上のデータセットが存在すれば検索を終了し（図４の処理２０５のYes）、もしｌ個以上のデータセットが存在しなければ（図４の処理２０５のNo）、更に隣の量子空間（すなわち相似度ｓ＝２の量子空間）も参照する・・・、という処理手順で検索用テーブル８上の近傍量子空間Ω_qを徐々に拡大することで単純かつ効率的に検索し、最終的にｌ個以上のデータセットが存在する最小の相似度ｓで定義される近傍量子空間Ω_qに帰属するデータセット｛（ｘ^ki，ｙ^ki）｝（ｋ_i＜ｋ_q）を、要求点（ｘ^kq，ｙ^kq）の過去の操業類似事例とする（図４の処理２０６、処理２０７）。

なお、最終的に検索された要求点ｘ^kqの過去の操業類似事例｛（ｘ^ki，ｙ^ki）｝（ｋ_i＜ｋ_q）の数をｍ（≧ｌ）個とする。ここで、該検索した過去の操業類似事例の時刻データは、検索用テーブル上の各量子空間に紐付いており、個々に特定できる。

図５に、検索用テーブル８における要求点ｘ^kqと要求点を含む量子空間Ｘ^kq、要求点ｘ^kqの近傍量子空間Ω_qと近傍量子空間Ω_qに帰属する要求点ｘ^kqの過去の操業類似事例｛（ｘ^ki，ｙ^ki）｝（ｋ_i＜ｋ_q）の関係を示す。

なお、相空間Ｔは一般にｎ次の超直方体空間であるが、図５は説明のため２次元平面を用いている。

図５は、要求点を含む同一量子空間（すなわち相似度ｓ＝０の量子空間）にデータセットが存在せず、隣の量子空間（すなわち相似度ｓ＝１の量子空間）にデータセットが６つ存在した例を示している。

（要求点と類似した過去の事例を用いた将来状態予測）
将来状態予測手段１０は、類似事例検索手段９で特定した要求点ｘ^kqの操業類似事例の時刻データの情報を用いて、要求点ｘ^kqの操業類似事例の出力ベクトルｙ^kiを時系列データベース６から取り出し、該操業類似事例の出力ベクトルｙ^kiを補間する局所モデルを用いて、出力ベクトルの推定値ｙ^kq＾（本明細書においてｙ^kq＾の表記はｙ^kqの上に＾が付されているものとする）の計算、すなわち前記予測したい将来時刻Ｂにおけるプロセス変数値の予測を実施する（図４の処理２０８）。

以下に、局所モデルに重回帰を用いた予測手法を説明する。ｙ^kiを被説明変数、ｘ^kiを説明変数として重回帰分析を実施し、対角上に出力変数を並べた推定値行列Ｙ^kq＾を、式（１１）のように定義する。ただし、ｙ_i ^kq＾（ｉ＝１、２、・・・、ｒ）は、要求点ｋ_qにおけるｉ番目の推定値であり、ｒは出力ベクトルｙ^kiのプロセス変数値の数とする。

また、新たに行列Ｘ、Ｙ、Ａを、式（１２）〜式（１４）のように定義する。ただし、Ａはｘ^kq（Ｘ^TＸ）^-1Ｘ^Tを対角要素にｒ個並べた行列である。

このとき、推定値行列、すなわち将来状態の予測値Ｙ^kq＾は、重回帰モデルとして、式（１５）で求めることができる（図４の処理２０９）。

（装置の実現）
これまでに説明した本発明を実現する手段、すなわち図１の本発明によるプロセスの操業状態の予測装置３は、コンピュータのＣＰＵ或いはＭＰＵ、ＲＡＭ、ＲＯＭ等で構成されるものであり、ＲＡＭやＲＯＭに記録されたプログラムが動作することによって実現できる。従って、コンピュータが上記機能を果たすように動作させるプログラムを記憶媒体に記録し、コンピュータに読み取らせることによって実現できるものである。記憶媒体としては、ＣＤ−ＲＯＭ、ＤＶＤ、フレキシブルディスク、ハードディスク、磁気テープ、光磁気テープ、不揮発性のメモリカード等を用いることができる。

また、コンピュータが供給されたプログラムを実行することにより上述の実施形態の機能が実現されるだけでなく、そのプログラムコードがコンピュータにおいて稼働しているＯＳ（オペレーティングシステム）或いは他のアプリケーションソフト等と共同して上述の実施形態の機能が実現される場合にもかかるプログラムコードは本発明の実施形態に含まれることは言うまでもない。

本発明のプロセスの操業状態の予測方法は、検索用テーブル作成手段７における、ステップワイズ法によるプロセス変数値の数の削減、分散拡大要因計算による多重共線性を有するプロセス変数値の排除によって、予測にノイズとなるプロセス変数値を積極的に排除し、予測精度の向上を図ることに特徴を有する。

そして、本発明のプロセスの操業状態の予測方法は、検索用テーブル作成手段７で過去の類似事例の時刻データと紐付いた量子化した検索用テーブル８を作成し、類似事例検索手段９において、要求点のプロセス変数値の量子化値を検索キーに、要求点が属する量子から順番に近傍の量子にあらかじめ紐付いている過去の時刻データのプロセス変数値を呼び出すことに特徴を有する。

すなわち、量子化した検索用テーブル８を検索に用いることにより、プロセスの操業状態の予測の都度、全ての過去事例におけるプロセス変数値と要求点におけるプロセス変数値との距離を計算し、該距離が近いものから順番に過去事例を並び替え、そこからいくつかの類似した、すなわち該距離が小さい過去の事例を特定するといった膨大な計算量を伴う計算を回避することができる。なお、ここで距離とは、例えばプロセス変数値を要素に持つベクトル相互のユークリッド距離である。

（実施例）
以下に、本発明における過去の操業状態の類似例を検索する方法と将来状態を予測する方法の実施例を説明する。本実施例は、ある高炉の時系列データを対象とした。データ項目数は２３５項目、サンプリング時間は１時間である。データ収集期間は２００４年１月１日〜２００５年１月３１日でデータ点数は９５２８点である。

上記時系列データに対して、式（２）、式（３）に対応した入力ｘ^k及び出力ｙ^kを設定する。入力は、制御入力ベクトルｕと観測出力ベクトルｙ合わせて２３５項目からなるベクトルであり、溶銑温度、微粉炭吹き込み量、ソリューションロスカーボン、熱流比、装入ピッチ、溶銑中Ｓｉ濃度、溶銑中Ｔｉ濃度、熱風温度、炉頂温度、熱負荷、炉頂ガスＣＯ濃度、出銑速度、ＰＣＲ（微粉炭比）、スラグ中Ａｌ₂Ｏ₂量、スラグ中ＴｉＯ₂量の現在値又はこれらの時間遅れ変数から少なくとも一つ以上が選択されて構成されている。

本実施例では、制御入力ベクトルの次数ｎ_u＝１２、観測出力ベクトルの次数ｎ_y＝１２、むだ時間ｄ＝０とした。また、観測出力ベクトルｙは、予測時間ｐ＝１として、１時間後の溶銑温度を設定した。

前記のように１時間後の溶銑温度を出力として、入力ｘ^kを構成する変数に関してステップワイズ法を実施し、各プロセス変数値の出力に対する寄与率Ｆを計算する。このとき、検定基準としてＦ＝２０とし、Ｆの値が２０以上となる上位３２（＝Ｌ）変数を選択した（表１を参照）。そして、各変数の寄与率がＦ₁＞Ｆ₂＞・・・Ｆ₃₂となるようにｘ_iを並び替え、あらためて入力ｘ^kを、式（１６）とした。

次に、入力ｘ^kを構成する変数から、式（５）で定義する分散拡大要因ＶＩＦを計算し、多重共線性があると判定される変数を削除した。分散拡大要因ＶＩＦ_ij≧１０の場合を多重共線性があると判定して変数を削除した結果、本実施例では、入力ｘ^kを構成する変数の数は、最終的に２５（＝ｌ）となった。

（プロセス変数値の量子化値を検索キーとする検索用テーブルの作成）
ステップワイズ法及び分散拡大要因判定によって選択した２５変数について、各々量子数２０で量子化し、検索用テーブル８として量子化した２５次元相空間を構築した。量子化数の設定にあたってはいくつかの指針があるが、ここではスタージェスの公式によって得られる量子数、すなわち、式（１７）やLeave-one-out Cross Validation等を参考にして何通りか設定し、溶銑温度の予測精度が最良となる量子数２０を選択した。

（要求点の設定と過去の類似事例の検索）
２００４年１月１日〜２００５年１月３１日の全データセット９５２８点の中から、２００４年１２月３１日１８：００のデータセットを取り出して要求点（ｘ^kq，ｙ^kq）とする。検索用テーブル作成手段５において要求点の量子化を実施し、要求点の量子空間Ｘ^kqと入力量子空間Ｘ^kとの相似度の計算により、要求点より過去のデータセット｛（ｘ^ki，ｙ^ki）｝（ｋ_i＜ｋ_q）から要求点に類似の過去事例データセットを検索する。

その結果、検索用テーブル８上の相似度ｓ＝３の近傍量子空間Ω_qに５つのデータセットが存在し、すなわち２００４年１２月３１日１８：００のデータセットと類似した操業状態として、５ケースを検索できた（図６（ｂ）を参照）。

このとき、相似度ｓ＝０、１、２、すなわち要求点が属する量子空間、一つ隣の量子空間及び更に一つ隣の量子空間には類似の操業事例が存在しなかった。なお、ここでは、相似度の計算に式（８）の量子空間相互の無限大ノルムを用いた。

（将来状態の予測）
続いて、将来状態の予測事例を説明する。検索した過去の類似操業事例データセットの出力ベクトルｙ^kに対し、式（１５）の重回帰式を用いて出力変数、すなわち１時間後の溶銑温度を推定した。

ここでは、全データ９５２８点のデータセットからランダムに２００セットを取り出してそれぞれを要求点ｘ^kqとし、各要求点ｘ^kqの類似操業事例を前記手順で検索し、式（１５）を用いて１時間後の溶銑温度の予測値ｙ₁ ^kq+1＾を計算し、実績値ｙ₁ ^kq+1との相関で溶銑温度の予測精度を評価した例を示す（図７を参照）。

このとき相関係数ρは０．９２１であり、本発明における将来状態の予測方法を用いて、１時間後の溶銑温度が良好に予測できることが確認できた。

なお、前記のごとく２００４年１２月３１日１８：００のデータセットを要求点（ｘ^kq，ｙ^kq）として検索した５つの過去の類似事例データセット各々の１時間後以降の実績値を用いて、１時間後だけでなく基準時間から将来の１２時間にわたる溶銑温度の推移を、式（１５）を用いて予測することにより、２００４年１２月３１日１８：００以降１２時間の溶銑温度推移予測値を実施することも可能である（図６（ａ）を参照）。

また、要求点（ｘ^kq，ｙ^kq）を２００４年１２月３１日１８：００から１時間毎将来にシフトして設定し、都度、過去の類似事例を検索して将来状態の予測を繰り返し、２００４年１２月３１日１８：００以降１２時間の溶銑温度推移予測値を実施することも可能である（図示せず）。

本発明を実施する装置の構成を説明するブロック図である。 時系列データベースに格納するプロセス変数値の記録形態の例を説明する図である。 検索用テーブル作成の処理のフローチャートである。 操業類似事例の検索方法及び将来状態の予測方法のフローチャートである。 類似操業事例の検索と将来予測における要求点と近傍データセットを説明する図である。 過去類似事例の検索結果と溶銑温度の将来予測結果を説明する図である。 １時間後の溶銑温度予測値と実績値の相関を説明する図である。数を説明する図である。

符号の説明

１ 高炉設備
２ 計測・制御装置
３ プロセスの操業状態の予測装置
４ 設定・操作入力手段
５ 時系列データベース作成手段
６ 時系列データベース
７ 検索用テーブル作成手段
８ 検索用テーブル
９ 類似事例検索手段
１０ 将来状態予測手段
１１ 表示手段

Claims (10)

1. 複数のセンサを備えた製造プラントの製造プロセスの操業状態を予測する方法において、
   前記複数のセンサで計測された製造プロセスにおける複数のプロセス変数値の時々刻々の計測値と、計測時刻である時刻データとを紐付けて記録した時系列データベースを作成する時系列データベース作成工程と、
   前記時系列データベースを基に前記複数のプロセス変数値それぞれの量子化値を算出し、該量子化値と前記時刻データとを紐付けて格納する検索用テーブルを作成する検索用テーブル作成工程と、
   前記製造プロセスの操業状態を予測するときに、予測の起点時刻Ａ、及び該起点時刻Ａ以後の将来時刻Ｂを設定する設定工程と、
   前記起点時刻Ａのプロセス変数値の量子化値を検索キーとして前記検索用テーブルを検索し、予め設定した類似度基準に従い、該検索キーと類似する量子化値を有するプロセス変数値に紐付いた時刻データを、類似時刻データとして前記検索用テーブルから出力する類似事例検索工程と、
   前記類似時刻データを前記予測の起点時刻Ａに対応した過去の起点時刻とし、前記予測したい将来時刻Ｂに対応する時刻のプロセス変数値を、前記時系列データベースから取り出し、前記将来時刻Ｂにおけるプロセス変数値の予測値として出力する将来状態予測工程とを有することを特徴とする製造プロセスの操業状態の予測方法。
2. 前記時系列データベース作成工程では、前記複数のプロセス変数値に、時々刻々の現在値に加えて該現在値の時間遅れ変数の値をも組み合わせた時系列データベースを作成することを特徴とする請求項１に記載の製造プロセスの操業状態の予測方法。
3. 前記製造プロセスは高炉プロセスであり、
   前記複数のプロセス変数値は、溶銑温度、微粉炭吹き込み量、ソリューションロスカーボン、熱流比、装入ピッチ、溶銑中Ｓｉ濃度、溶銑中Ｔｉ濃度、熱風温度、炉頂温度、熱負荷、炉頂ガスＣＯ濃度、出銑速度、ＰＣＲ（微粉炭比）、スラグ中Ａｌ₂Ｏ₂量、スラグ中ＴｉＯ₂量のうちの一つ以上を含むことを特徴とする請求項１又は２に記載の製造プロセスの操業状態の予測方法。
4. 前記検索用テーブル作成工程では、ステップワイズ法を用いて前記プロセス変数値の数を削減することを特徴とする請求項１〜３のいずれか１項に記載の製造プロセスの操業状態の予測方法。
5. 前記検索用テーブル作成工程では、分散拡大要因判定法を用いてプロセス変数値の数を削減することを特徴とする請求項１〜４のいずれか１項に記載の製造プロセスの操業状態の予測方法。
6. 前記類似事例検索工程では、前記類似度基準として、前記プロセス変数値の量子化値ベクトルの無限大ノルム又は該量子化値ベクトルの差の絶対値の和を用いることを特徴とする請求項１〜５のいずれか１項に記載の製造プロセスの操業状態の予測方法。
7. 前記将来状態予測工程では、前記将来時刻Ｂの時刻におけるプロセス変数値を決定するときに、重回帰計算を用いることを特徴とする請求項１〜６のいずれか１項に記載の製造プロセスの操業状態の予測方法。
8. 複数のセンサを備えた製造プラントの製造プロセスの操業状態を予測する装置において、
   前記複数のセンサで計測された製造プロセスにおける複数のプロセス変数値の時々刻々の計測値と、計測時刻である時刻データとを紐付けて記録した時系列データベースを作成する時系列データベース作成手段と、
   前記時系列データベースを基に前記複数のプロセス変数値それぞれの量子化値を算出し、該量子化値と前記時刻データとを紐付けて格納する検索用テーブルを作成する検索用テーブル作成手段と、
   前記製造プロセスの操業状態を予測するときに、予測の起点時刻Ａ、及び該起点時刻Ａ以後の将来時刻Ｂを設定する設定手段と、
   前記起点時刻Ａのプロセス変数値の量子化値を検索キーとして前記検索用テーブルを検索し、予め設定した類似度基準に従い、該検索キーと類似する量子化値を有するプロセス変数値に紐付いた時刻データを、類似時刻データとして前記検索用テーブルから出力する類似事例検索手段と、
   前記類似時刻データを前記予測の起点時刻Ａに対応した過去の起点時刻とし、前記予測したい将来時刻Ｂに対応する時刻のプロセス変数値を、前記時系列データベースから取り出し、前記将来時刻Ｂにおけるプロセス変数値の予測値として出力する将来状態予測手段と、
   前記起点時刻Ａ及び前記将来時刻Ｂにおけるプロセス変数値の予測値を表示する表示手段とを備えることを特徴とする製造プロセスの操業状態の予測装置。
9. 複数のセンサを備えた製造プラントの製造プロセスの操業状態を予測するためのコンピュータプログラムにおいて、
   前記複数のセンサで計測された製造プロセスにおける複数のプロセス変数値の時々刻々の計測値と、計測時刻である時刻データとを紐付けて記録した時系列データベースを作成する時系列データベース作成処理と、
   前記時系列データベースを基に前記複数のプロセス変数値それぞれの量子化値を算出し、該量子化値と前記時刻データとを紐付けて格納する検索用テーブルを作成する検索用テーブル作成処理と、
   前記製造プロセスの操業状態を予測するときに、予測の起点時刻Ａ、及び該起点時刻Ａ以後の将来時刻Ｂを設定する設定処理と、
   前記起点時刻Ａのプロセス変数値の量子化値を検索キーとして前記検索用テーブルを検索し、予め設定した類似度基準に従い、該検索キーと類似する量子化値を有するプロセス変数値に紐付いた時刻データを、類似時刻データとして前記検索用テーブルから出力する類似事例検索処理と、
   前記類似時刻データを前記予測の起点時刻Ａに対応した過去の起点時刻とし、前記予測したい将来時刻Ｂに対応する時刻のプロセス変数値を、前記時系列データベースから取り出し、前記将来時刻Ｂにおけるプロセス変数値の予測値として出力する将来状態予測処理とをコンピュータに実行させることを特徴とするコンピュータプログラム。
10. 請求項９に記載のコンピュータプログラムを格納したことを特徴とするコンピュータ読み取り可能な記憶媒体。

Images