JP2008512792A - 連続工業プロセスの運転における異常事象検出のための装置および方法 - Google Patents
連続工業プロセスの運転における異常事象検出のための装置および方法 Download PDFInfo
- Publication number
- JP2008512792A JP2008512792A JP2007531351A JP2007531351A JP2008512792A JP 2008512792 A JP2008512792 A JP 2008512792A JP 2007531351 A JP2007531351 A JP 2007531351A JP 2007531351 A JP2007531351 A JP 2007531351A JP 2008512792 A JP2008512792 A JP 2008512792A
- Authority
- JP
- Japan
- Prior art keywords
- model
- models
- data
- abnormal
- operator
- 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
Classifications
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
- C10G11/00—Catalytic cracking, in the absence of hydrogen, of hydrocarbon oils
- C10G11/14—Catalytic cracking, in the absence of hydrogen, of hydrocarbon oils with preheated moving solid catalysts
- C10G11/18—Catalytic cracking, in the absence of hydrogen, of hydrocarbon oils with preheated moving solid catalysts according to the "fluidised-bed" technique
- C10G11/187—Controlling or regulating
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Organic Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
- Numerical Control (AREA)
Abstract
【選択図】図1
Description
・PCAモデルの装置範囲を確立するための基準と、計測器入力を選択、分析、および変換するための基準および方法
・主成分モデル(PCA)の変種に基づいた多変量統計モデルの開発
・関連する統計的指標を再構成する、単純な工学的関係に基づいたモデルの開発
・例外計算および連続的オンラインモデル更新を提供するための、オンラインデータの前処理
・モデル指標を正常または異常として解釈するための、ファジーペトリネットの使用
・複数のモデル出力を、プロセス領域の異常性/正常性を表す単一の連続的要約指標に集約するための、ファジーペトリネットの使用
・操作およびメンテナンス作業を反映する、モデルおよびファジーペトリネットとのオペレータ対話の設計
1.プロセスは定常的である−その平均および分散は、時間が経過しても一定である。
2.変数間の相互相関は、正常なプロセス運転の範囲にわたって、線形である。
3.プロセスノイズランダム変数は、互いに独立している。
4.プロセス変数の共分散行列は、縮退しない(つまり、半正値である)。
5.データは「適切に」スケーリングされる(標準的な統計学的手法では、ユニットバリアンス(unit variance)にスケーリングされる)。
6.(補償されない)プロセス動特性は存在しない(このための標準的な部分的補償は、モデル内に遅れ変数を含めることである)。
7.すべての変数は、ある程度の相互相関を有する。
8.データは、多変量正規分布を有する。
・温度1=温度2
・流量1=バルブ特性曲線1(バルブ1の位置)
・プロセスユニット1内への物質流量=プロセスユニット1からの物質流量
・圧力1=圧力2=...=圧力n
・プロセスユニット1内への物質流量=プロセスユニット1からの物質流量=...=プロセスユニット2内への物質流量
・流量計の周囲のバイパスバルブの開通
・上流/下流圧力変化の補償
・現場計測値の再較正
・運転モードに基づいたプロセスフローの方向変更
I.概念PCAモデルの設計
全体的な設計目標は、次のとおりである。
・コンソールオペレータの操作権限下にあるすべてのプロセスユニットについての、プロセス運転の連続的ステータス(正常対異常)を、コンソールオペレータに提供する。
・コンソールオペレータの操作権限内で急速に発達しつつある(分〜時間)異常事象の早期検出を、コンソールオペレータに提供する。
・異常事象の根本的原因を診断するために必要とされる、主要なプロセス情報のみを、コンソールオペレータに提供する。
・プロセス装置を、対応するPCAモデルを有する装置グループに細分する。
・プロセス運転期間を、異なるPCAモデルを必要とするプロセス運転モードに細分する。
・装置グループ内のいずれの計測値が、各PCAモデルへの入力として指定されるべきかを識別する。
・装置グループ内のいずれの計測値が、既知の事象またはその他の例外運転を抑止するための、フラグとして働くべきかを識別する。
最初の決定は、単一のPCAモデルによって扱われる装置のグループを作成することである。含まれる特定のプロセスユニットは、プロセスの統合/相互作用の理解を必要とする。多変数制限コントローラの設計と同様に、PCAモデルの境界は、すべての重要なプロセス相互作用と、プロセスの変化および外乱の、主要な上流および下流指標とを取り囲まなければならない。
プロセス運転モードは、プロセスの挙動が大幅に異なる特定の期間として定義される。これらの例としては、異なる等級の製品の製造(例えば、ポリマー製造)、大幅なプロセス遷移(例えば、始動、停止、原料の交換)、非常に異なる原料の処理(例えば、オレフィン製造における、エタンではなくナフサの分解)、または処理装置の異なる構成(プロセスユニットの異なる組を実行)がある。
異常事象検出システムの開発への組織的関心が存在するためには、重大な経済的影響を有する過去のプロセスの問題が存在しなければならない。ただし、これらの重大な問題は、それらの問題に取り組むための最良の方法を識別するために、解析されなければならない。特に、開発者は、異常事象検出アプリケーションを構築しようとする前に、以下の調査を行うべきである。
1.問題は恒久的に修正されることが可能か。問題が存在するのは、多くの場合、問題を調査して恒久的に解決するための十分な時間を、現場要員が有していなかったためである。いったん組織の注意がその問題に集中されたら、多くの場合、恒久的な解決策が見いだされる。これが最良の方法である。
2.問題は直接計測されることが可能か。問題を検出するための、より信頼性の高い方法は、プロセス内の問題を直接計測することが可能なセンサを設置することである。これは、更に、プロセス制御アプリケーションを通して問題を防止するために使用されてもよい。これは2番目に良い方法である。
3.異常運転への接近を計測する、推論計測を開発することは可能か。推論計測は、通常、PCA異常事象モデルに非常に近い親戚である、部分最小二乗法(PLS)モデルを使用して開発される。推論計測を開発するための、その他の一般的な代替としては、ニューラルネットおよび線形回帰モデルがある。問題条件への接近を確実に計測するために使用されることが可能なデータが存在するならば(例えば、デルタ圧力を使用したタワーフラッディング)、そのデータは、条件が存在する場合に検出するためだけでなく、制御アプリケーションがその条件の発生を防止するための基礎としても使用されてもよい。これは3番目に良い方法である。
装置グループ内には、何千ものプロセス計測値が存在する。予備設計では以下を行う。
・これらのユニット上の、すべてのカスケード二次コントローラ計測値、および特に、最終二次出力(現場の制御バルブへの信号)を選択する。
・プロセスを監視するためにコンソールオペレータによって使用される、主要な計測値を選択する(例えば、コンソールオペレータの操作図面上に現れるもの)。
・プロセスの性能を計測するためにコンタクト技術者によって使用される、任意の計測値を選択する。
・原料レート、原料温度、または原料品質の、任意の上流計測値を選択する。
・プロセス運転領域に影響を及ぼす、下流条件の計測値(特に圧力)を選択する。
・重要な計測値についての、追加の冗長計測値を選択する。
・非線形変換の計算のために必要とされる可能性がある計測値を選択する。
・外乱の、任意の外部計測値(例えば、周囲温度)を選択する。
・プロセスの専門家がプロセス条件の重要な尺度であると見なす、その他の任意の計測値を選択する。
・計測値は、不安定な、または異常な性能の履歴を有していない。
・計測値は、十分なS/N比を有している。
・計測値は、データセット内の他の計測値と相互相関している。
・計測値は、正常運転中の時間のうち、10%を超える時間飽和してはいない。
・計測値は、めったに変化しない固定された設定点に合わせて厳重に制御されてはいない(制御階層の最終一次ではない)。
・計測値は、「不正な値」での運転、またはトランスミッタ限界に反した飽和を、長期にわたって続けたものではない。
・計測値は、非常に非線形であることが知られている値の範囲を横切らない。
・計測値は、生の計測値からの冗長計算ではない。
・現場の制御バルブへの信号は、10%を超える時間飽和してはいない。
PCA異常検出モデルへの潜在的入力に優先順位を付けるための、S/N比、および相互相関という、2つの統計的基準が存在する。
1)S/Nの試験
S/N比は、入力信号内の情報量の尺度である。
S/N比は、以下のように計算される。
1.近似ダイナミック時定数(プロセスのものに等しい)を用いた指数フィルタを使用して、生の信号がフィルタリングされる。連続精製および化学プロセスの場合、この時定数は、通常、30分〜2時間の範囲内である。他のローパスフィルタが同様に使用されてもよい。指数フィルタについての式は次のとおりである。
Yn= P*Yn−1+(1−P)*Xn 指数フィルタの式 式1
P=Exp(−Ts/Tf) フィルタ定数の計算 式2
ここで、
Yn 現在フィルタリングされる値
Yn−1 以前にフィルタリングされた値
Xn 現在の生の値
P 指数フィルタ定数
Ts 計測値のサンプル時間
Tf フィルタ時定数
2.残留信号は、フィルタリングされた信号を、生の信号から減算することにより作成される。
Rn=Xn−Yn 式3
3.S/N比は、フィルタリングされた信号の標準偏差を、残留信号の標準偏差で除算した比率である。
S/N=σY/σR 式4
相互相関は、入力データセット内の情報冗長度の尺度である。任意の2つの信号間の相互相関は、次のように計算される。
1.iおよびkの各入力ペア間の共分散Sikを計算する。
CCik=Sik/(Sii *Skk)1/2 式6
精製および化学プロセスは、しばしば、ハードおよびソフトの制限に反して実行され、結果として、モデル入力の飽和した値および「不正な値」がもたらされる。一般的な制限は、計測器トランスミッタの上下限範囲、アナライザの範囲、最大と最小の制御バルブ位置、およびプロセス制御アプリケーションの出力限界である。入力は、飽和に関していくつかのカテゴリに分けることが可能であり、それらのカテゴリでは、モデル構築およびそれらのモデルのオンライン使用の両方のために、入力を前処理する際に特別な処理が必要とされる。
標準的なアナログ計測器(例えば、4〜20ミリアンペアの電子トランスミッタ)の場合、不正な値は、2つの異なる理由で発生する可能性がある。
・実際のプロセス条件が、現場のトランスミッタの範囲外である。
・現場との接続が切断されている。
制限付き変数は、(「不正な値」の項で説明した、値がデフォルトでトランスミッタ範囲の最大または最小限界になる場合とは対照的に)計測値が何らかの限界にあり、この計測値が実際のプロセス条件に一致するものである。このプロセス状況は、いくつかの理由で発生する可能性がある。
・プロセスの部分は、特別なオーバーライド条件の場合を除き、通常、非アクティブである(例えば、フレアシステムへの圧力除去フロー)。これらのオーバーライド条件がアクティブである期間は、データフィルタを設定することによって、トレーニングおよび確認データセットから除外されるべきである。オンライン実装の場合、これらのオーバーライド事象は、選択されたモデル統計の自動抑止のためのトリガ事象である。
・プロセス制御システムは、例えばプロセス仕様限界などの、プロセス運転限界に反してプロセスを駆動するように設計されている。これらの制限は、たまに飽和するものと、常に飽和しているものという、2つのカテゴリに通常は分けられる。常に飽和している入力は、モデルから除外されるべきである。たまにしか(例えば、10%未満の時間しか)飽和しない入力は、モデルに含められてもよいが、それらの入力は、飽和していない期間に基づいてスケーリングされるべきである。
プロセス制御アプリケーションは、プロセスデータの相関構造に対して、特に次のような非常に重大な効果を有する。
・制御変数(controlled variables)の変動が大幅に低減され、それにより、制御変数内の動きは、プロセスに重大なプロセス外乱が加えられた場合、またはオペレータが主要な設定点を変更することによって運転点を意図的に移動した場合の短い期間を除き、主としてノイズとなる。
・制御変数の正常な変動は、制御システムによって、操作変数(manipulated variables)に伝えられる(最終的には、信号は現場の制御バルブに送られる)。
図6は、精製および化学プロセスのための非常に一般的な制御構造である、典型的な「カスケード」プロセス制御アプリケーションを示す。そのようなアプリケーションからの、多くの潜在的モデル入力が存在するが、モデルのための候補になるのは、生のプロセス計測値(この図では「PV」)と、現場のバルブへの最終的な出力とのみである。
図7は、精製および化学プロセスのための非常に一般的な制御構造である、典型的なMVCCプロセス制御アプリケーションを示す。MVCCは、動的数学モデルを使用して、操作変数(manipulated variables(MV))(通常は、バルブ位置、または調節制御ループの設定点)の変化が、制御変数(control variables(CV))(プロセス状態を計測する、従属する温度、圧力、組成、および流量)を変化させるかを予測する。MVCCは、プロセス運転を、運転限界に反して推し進めようとする。これらの限界は、MV限界またはCV限界のいずれであってもよく、外部オプティマイザによって決定される。プロセスが反して運転する限界の数は、コントローラが操作することを許可されているMVの数から、制御される物質収支の数を引いた値に等しい。従って、MVCCが12のMVと、30のCVと、2つのレベルとを有する場合、プロセスは10の限界に反して運転される。MVCCは、更に、プロセスに対する計測された負荷外乱の効果を予測し、それらの負荷外乱を補償する(フィードフォワード変数(FF)として知られている)。
プロセス制御システムデータベースは、PCAモデル内への候補入力間で、かなりの冗長性を有してもよい。1つのタイプの冗長性は「物理的冗長性」であり、この場合は、プロセス装置内で相互に物理的にきわめて接近して配置された、複数のセンサ(熱電対など)が存在する。もう一方のタイプの冗長性は「計算上の冗長性」であり、この場合は、生のセンサが数学的に組み合わされて新しい変数となる(例えば、圧力補償された温度や、流量計測値から計算された質量の流れ)。
すべてのモードの正常なプロセス運転を含むことが知られている、良質のトレーニングデータセットを作成するためには、開発においてかなりの努力が必要とされる。このデータセットは、次の特徴を有していなければならない。
・比較的小さな異常事象は、モデルパラメータに大きく作用するための十分な強さを有してトレーニングデータセット内に現れない。
・ほとんどの運転モードが発生して、データ内に現れているはずである。
1)データ圧縮
多くの履歴データベースは、データのために必要な記憶容量を最小にするために、データ圧縮を使用する。残念なことに、この実施は、データの相関構造を乱す可能性がある。プロジェクトの最初に、データベースのデータ圧縮をオフにして、データのスポット値が履歴化されるようにすべきである。可能な限り、最終モデルは、圧縮されていないデータを使用して構築されるべきである。平均された値は、それらの値しか利用できない場合を除き使用すべきではないが、それらの値しか利用できない場合は、利用可能な最も短期間のデータ平均を使用すべきである。
正常なプロセスパターンをモデルが正しく表すためには、トレーニングデータセットは、すべての正常な運転モード、正常な運転の変化、およびプロセスが遭遇する変化と正常な小さな外乱との、例を有している必要がある。これは、長い期間にわたるプロセス運転(例えば、9〜18ヶ月)からのデータを使用することによって達成される。特に、季節による運転間の違い(春、夏、秋、および冬)は、精製所および化学プロセスでは非常に重大な場合がある。
この期間についてのさまざまな運転ジャーナルも収集されるべきである。これは、運転期間を、異常として示すため、または、トレーニングデータセットから除外される必要がある何らかの特別なモードでの運転として示すために使用される。特に、重要な履歴的異常事象が、モデルのためのテストケースとしての役割を果たすように、これらの記録から選択されてもよい。
設定点およびコントローラ出力は、プラントプロセスのデータヒストリアン内で履歴化されないことが多い。これらの値の履歴化は、プロジェクトの最初に直ちに開始されるべきである。
現在のプロセス運転をもはや正しく表していない古いデータは、トレーニングデータセットから除去されるべきである。大幅なプロセスの変更の後は、トレーニングデータおよびPCAモデルを最初から再構築しなければならない場合がある。特定のタイプの運転がもはや行われていない場合、その運転からのすべてのデータは、トレーニングデータセットから除去されるべきである。
開発者は、数ヶ月のプロセスデータを、現場のプロセスヒストリアンを使用して、好ましくは1分のスポット値を取得しながら、収集しなければならない。これが入手可能でない場合は、最小量の平均化を使用した、最高の分解能のデータが使用されるべきである。
品質計測値(アナライザおよび実験室サンプル)は、他のプロセス計測値よりもはるかに低いサンプリング頻度(数十分〜1日ごとの範囲)を有する。これらの計測値をモデル内に含めるには、これらの品質計測値の連続推定が構築される必要がある。図8は、連続品質推定のオンライン計算を示す。この同じモデル構造が、作成されて、履歴データに適用されるべきである。この品質推定は、次に、PCAモデル内への入力となる。
非常に明白な異常性を除き、履歴データの品質は判定が困難である。異常な運転データを含めると、モデルを偏向させる可能性がある。大量の履歴データを使用するという方策は、トレーニングデータセット内の、異常運転によって発生するモデルの偏向を、ある程度までは補償する。プロジェクトの開始に先立つ履歴データから構築されたモデルは、その品質に関して、疑いがあると見なされなければならない。初期トレーニングデータセットは、プロジェクトの存続期間中に発生する、プロセス条件の高品質の注釈を含むデータセットに置き換えられるべきである。
A.初期の大まかなデータ解析
運転ログを使用してプロセスの主要性能指標を検査することによって、履歴データは、既知の異常運転を有する期間と、識別された異常運転を有さない期間とに分けられる。識別された異常運転を有さないデータが、トレーニングデータセットになる。
・「不正な値」としての長い期間を多数有する計測値
・トランスミッタの上限または下限に固定された長い期間を多数有する計測値
・変動性をほとんど示さない計測値(設定点に合わせて厳重に制御される計測値を除く)
・運転範囲に比較して非常に大きな変動性を継続的に示す計測値
・データセット内の他のいかなる計測値との相互相関も、ほとんどまたはまったく示さない計測値
・不十分なS/N比を有する計測値
X’=(X−Xavg)/σ 式7
明白な異常事象の除去は、以下を通して実行される。
ノイズとは、本明細書では、プロセスに関する有用な情報を含まない、計測値信号の高周波成分を意味する。ノイズは、オリフィス板を横切る二相の流れや、レベル内の乱流などの、特定のプロセス条件によって発生する可能性がある。ノイズは、電気的インダクタンスによって発生する場合がある。ただし、おそらくプロセス外乱によって引き起こされる大きなプロセス変動性は、有用な情報であり、フィルタリングによって除外されるべきではない。
・ノイズの源を除去することによって信号を調整する(最良の対応策)
・フィルタリング技術を介してノイズを除去/最小化する
・モデルから信号を除外する
Yn=P*Yn−1+(1−P)*Xn 指数フィルタの式 式8
P=Exp(−Ts/Tf) フィルタ定数の計算 式9
Ynは、現在フィルタリングされる値
Yn−1は、以前にフィルタリングされた値
Xnは、現在の生の値
Pは、指数フィルタ定数
Tsは、計測値のサンプル時間
Tfは、フィルタ時定数
変換された変数は、2つの異なる理由によってモデル内に含められるべきである。
・蒸留塔内の還流対原料比
・高純度蒸留における組成記録
・圧力補償された温度計測値
・側留の収率
・流量対バルブ位置(図2)
・指数的温度変化に対する反応速度
図11は、2つの計測の現在値間の相関関係を、プロセス動特性がどのようにして壊すことが可能かを示す。遷移時間の間、1つの値は常に変化しており、もう一方は変化しておらず、従って、遷移の間、現在値間に相関関係は存在しない。しかし、これらの2つの計測値は、主変数を動的伝達関数を使用して変換することによって、時間同期した状態に戻されることが可能である。通常は、データを時間同期させるには、むだ時間動的モデルの一次(式9のラプラス変換フォーマットに示す)で十分である。
Y’−時間同期されたデータ
T−時定数
Θ−むだ時間
S−ラプラス変換パラメータ
連続精製および化学プロセスは、1つの運転点から別の運転点に、常に移動されている。これらは、オペレータまたは最適化プログラムが主要設定点に変更を加えることによる、意図的なものであってもよく、あるいは、熱交換機のファウリングや、触媒の失活などの、低速なプロセスの変化によるものであってもよい。従って、生のデータは静止していない。静止したデータセットを作成するには、これらの運転点の変化が除去される必要がある。除去しない場合、これらの変化は誤って異常事象として現れる。
X’=X−Xfiltered 式10
X’−運転点の変化を除去するために変換された計測値
X−最初の生の計測値
Xfiltered−指数フィルタリングされた生の計測値
特定の計測値が選択され、トレーニングデータセットが構築されたら、標準的なツールを使用してモデルを迅速に構築することができる。
PCAモデルの性能は、入力のスケーリングに依存する。従来のスケーリングの手法は、各入力を、トレーニングデータセット内でのその入力の標準偏差σによって除算することである。
Xi’=Xi/σi 式11
冗長データグループについては、次のようになる。
Xi’=Xi/(σi *sqrt(N)) 式12
ここで、N=冗長データグループ内の入力の数
PCAは、実際のプロセス変数を、主成分(PC)と呼ばれる独立変数の組に変換する。主成分は、元の変数の一次結合である(式13)。
PCi=Ai,1 *X1+Ai,2 *X2+Ai,3 *X3+... 式13
プロセスデータは、ガウス分布(つまり正規分布)を有さない。従って、残留エラーの3標準偏差において異常事象を検出するためのトリガを設定するという、標準的な統計的方法は使用されるべきではない。その代わりに、トリガ点は、モデルの使用体験に基づいて経験的に設定される必要がある。
初期モデルが作成されたら、新しいトレーニングデータセットを作成することによってそのモデルは強化される必要がある。これは、そのモデルを使用してプロセスを監視することによって行われる。潜在的異常状況をモデルが示したら、技術者は、プロセス状況を調査して分類するべきである。技術者は、3つの異なる状況(何らかの特別なプロセス運転が発生しているか、実際の異常状況が発生しているか、またはプロセスは正常であって、それは誤った指示であるか)を見いだす。
プロセス装置の物理、化学、および機械設計、ならびに複数の類似した計測値の挿入は、連続精製および化学プロセスからのデータ内に、かなりの量の冗長性を作り出す。この冗長性は、同一の計測値が存在する場合は、物理的冗長性と呼ばれ、プロセス条件の、独立しているが同等の評価を実行するために、物理的、化学的、または機械的関係が使用される場合は、計算上の冗長性と呼ばれる。このクラスのモデルは、エンジニアリング冗長性モデルと呼ばれる。
これは最も単純な形態のモデルであり、次の一般的な形態を有している。
F(yi)=G(xi)+filtered biasi+operator bias+errori 式14
raw biasi=F(yi)−{G(xi)+filtered biasi+operator bias}=errori 式15
filtered biasi=filtered biasi−1+N*raw biasi−1 式16
N−収束係数(例えば、0.0001)
正常な運転範囲:xmin<x<xmax
正常なモデル偏差:−(max_error)<error<(max_error)
特に有用なエンジニアリング冗長性モデルは、流量対バルブ位置モデルである。このモデルは、図2に図式的に示されている。このモデルの特定の形態は、次のとおりである。
Flow:計測された、制御バルブを通過する流量
Delta_Pressure=計測された最近接の上流圧力−計測された最近接の下流圧力
Delta_Pressurereference:正常運転中の平均Delta_Pressure
a:履歴データにフィッティングされたモデルパラメータ
Cv:履歴データから経験的に決定されたバルブ特性曲線
VP:制御バルブへの信号(実際の制御バルブ位置ではない)
このモデルの目的は、次のとおりである。
・固着しつつある/固着した制御バルブの検出
・不変の/失敗した流量計測値の検出
・制御システムが流量を制御することができない、制御バルブ運転の検出
連続精製および化学プロセスでは長期の定常状態運転が発生するため、制御バルブの運転全域にわたる十分なデータを取得するには、長い履歴記録(1〜2年)が必要とされる可能性がある。図15は、長期の恒常的運転に伴う、一般的な一続きの期間の流量、バルブ位置、およびデルタ圧力データを示す。最初の工程は、図示されているように、運転内で、何らかの大きな変動がある短い期間を抜き出すことである。これは、次に、履歴内のさまざまな期間から取得された正常な運転期間と混合されるべきである。
任意の2次元エンジニアリング冗長性モデルと同様に、「正常な運転範囲」および「正常なモデル偏差」という、異常性の2つの尺度が存在する。「正常なモデル偏差」は、error/max_errorという、正規化された指標に基づく。これは、タイプ4ファジー弁別器内に供給される(図16)。開発者は、正規化された指標を使用することにより、標準的な方法で、正常(値0)から異常(値1)への遷移を選択することが可能である。
オペレータによって支持される、流量/バルブモデルをグループ化する一般的な方法は、これらのモデルのすべてを単一のファジーネットワーク内に入れ、それにより、トレンド指標が、すべての重要な流量制御器が動作していることをオペレータに通知するようにすることである。その場合、ファジーネットワーク内へのモデル指標(図4)は、流量/バルブモデルのそれぞれについての、「正常な運転範囲」および「正常なモデル偏差」指標を含む。トレンドは、最悪のモデル指標からの弁別器結果を含む。
次元の数が2よりも大きくなると、高次元エンジニアリング冗長性検査を処理するために、単一の「PCAライクな」モデルが開発される。多次元冗長性の例を次に示す。
・圧力1=圧力2=...=圧力n
・プロセスユニット1内への物質流量=プロセスユニット1からの物質流量=...=プロセスユニット2内への物質流量
F1(yi)=a1G1(xi)+filtered bias1,i+operator bias1+error1,i
F2(yi)=anG2(xi)+filtered bias2,i+operator bias2+error2,i
Fn(yi)=anGn(xi)+filtered biasn,i+operator biasn+errorn,i 式18
P=a1X1+a2X2+a3X3 式19
ここで、a3=1である。
Xscale=X正常な運転範囲/6σ 式20
(正常な運転データの99.7%は、平均の3σ以内になければならない)
Xmid=X運転範囲の中点 式21
(「平均」を、正常な運転範囲の中点として明示的に定義)
X’=(X−Xmid)/Xscale 式22
(平均およびσが決定された後の標準的なPCAスケーリング)
そして、XiについてのP’ローディングは、次のとおりである。
これは、Pを次のように変換する。
P’=b1 *X1+b2 *X2+・・・+bn *XN 式24
P’「標準偏差」=b1+b2+・・・+bn 式25
I.オペレータおよび既知事象抑止
抑止ロジックは、以下のために必要とされる。
・計測可能な異常事象からの誤った指示をなくすための方法を提供する。
・オペレータがすでに調査した異常指標をクリアするための方法を提供する。
・メンテナンスのためにモデルまたは計測値を一時的に無効にするための方法を提供する。
・不正な動作をしているモデルを、それらがチューニングしなおされることが可能になるまで無効にするための方法を提供する
・不正な動作をしている計測器を恒久的に無効にするための方法を提供する
Yn=P*Yn−1+(1−P)*Xn 指数フィルタの式 式26
P=Exp(−Ts/Tf) フィルタ定数の計算 式27
Zn=Xn−Yn タイミング信号の計算 式28
ここで、
Yn トリガ信号の、現在フィルタリングされる値
Yn−1 トリガ信号の、以前にフィルタリングされた値
Xn トリガ信号の現在値
Zn 図20に示すタイミング信号
P 指数フィルタ定数
Ts 計測値のサンプル時間
Tf フィルタ時定数
ei−入力iからの、誤差平方和(sum of error squared)への寄与(contribution)
PCAモデルは広いプロセス装置範囲を使用して構築されるが、モデル指標は、オペレータのプロセス視野に、より一致するような、そして異常事象への指標の感度を向上できるような、グループに分けられてもよい。
モデルに影響を及ぼしているすべての相互作用がモデル内に含まれるように、入力は複数のPCAモデル内に現れる。これらの入力が誤差平方和(sum of error square)指標への主要な寄与(contributor)である場合、これはオペレータへの複数の指示を発生させる可能性がある。
オペレータインタフェースの主な目標は、次のとおりである。
・オペレータの権限下にある主要なプロセス領域の、正常性の連続的な指標を提供する
・基礎をなすモデル情報への(1回または2回のマウスクリックでの)迅速なナビゲーションを提供する。
・モデルを有効にするための制御をオペレータに提供する。
図22は、これらの設計目標が、オペレータによって使用される主要インタフェース内に表される方法を示す。
Claims (51)
- 工業プロセス内の異常事象を検出するためのシステムであって、前記プロセス内の異常運転を検出するための一組のモデルを含み、
前記プロセスは、複数の装置グループおよび複数のプロセス運転モードに分割されており、前記モデルへの入力値としてのプロセス計測値を有することを特徴とするシステム。 - 前記複数の装置グループおよび複数のプロセス運転モードは、主成分分析モデルによって記述されることを特徴とする請求項1に記載のシステム。
- 前記複数の装置グループは、同じグループ内での、すべての主要な物質およびエネルギー相互作用を含むことを特徴とする請求項1に記載のシステム。
- 前記複数の装置グループは、同じグループ内での即時再循環を含むことを特徴とする請求項1に記載のシステム。
- 前記複数の装置グループは、それらグループ間の相互作用が最小であることを特徴とする請求項2に記載のシステム。
- 前記複数の装置グループは、上流および下流の装置グループ間での、フィードフォワード経路およびフィードバック経路を含むことを特徴とする請求項5に記載のシステム。
- 前記複数の運転モードは、プロセスの挙動が非常に異なる複数の特定の期間であることを特徴とする請求項1に記載のシステム。
- 前記システムへの入力値は、前記プロセスのシステムの性能および/または物理的状態を計測する計測値であることを特徴とする請求項1に記載のシステム。
- 前記入力値は、前記システムの前記物理的状態を決定することを特徴とする請求項8に記載のシステム。
- 前記システムへの前記入力値は、温度、および/または圧力、および/または流量を含むことを特徴とする請求項9に記載のシステム。
- 前記入力計測値は、所定の値を超えるS/N比を有することを特徴とする請求項8に記載のシステム。
- モデルの出力は、ファジーペトリネットを使用して集約されることを特徴とする請求項1に記載のシステム。
- 前記S/N比は4よりも大きいことを特徴とする請求項9に記載のシステム。
- 前記入力計測値は、相互相関試験を満足することを特徴とする請求項8に記載のシステム。
- 前記主成分分析モデルへの前記入力値は、スケーリングされることを特徴とする請求項2に記載のシステム。
- オペレータインタフェースを更に含むことを特徴とする請求項10に記載のシステム。
- 前記オペレータインタフェースは、パレート図を含むことを特徴とする請求項15に記載のシステム。
- 前記オペレータインタフェースは、最も異常な指標を提供する前記モデルの指標を含むことを特徴とする請求項15に記載のシステム。
- 前記オペレータインタフェースは、主要なプロセス領域の正常性の連続的な指標を含むことを特徴とする請求項15に記載のシステム。
- 前記ファジーネットは、異常性の最大の可能性を示す、正常性トレンドを含むことを特徴とする請求項15に記載のシステム。
- エンジニアリングモデルを更に含むことを特徴とする請求項2に記載のシステム。
- 推論計測値を更に含むことを特徴とする請求項2に記載のシステム。
- 前記エンジニアリングモデルは、既知の工学的関係に基づいた冗長性検査であることを特徴とする請求項19に記載のシステム。
- 前記冗長性検査は、2×2検査であることを特徴とする請求項21に記載のシステム。
- 前記冗長性検査は、複数冗長性検査であることを特徴とする請求項21に記載のシステム。
- 前記モデルの組は、プロセス運転に基づいて再構成されていることを特徴とする請求項1に記載のシステム。
- 前記ファジーペトリネットからの前記出力は、正常性トレンドであることを特徴とする請求項10に記載のシステム。
- 前記工業プロセスは、化学プロセスであることを特徴とする請求項1に記載のシステム。
- 前記工業プロセスは、石油化学プロセスであることを特徴とする請求項1に記載のシステム。
- 前記工業プロセスは、精製プロセスであることを特徴とする請求項1に記載のシステム。
- 工業プロセスのための異常事象検出器を開発する方法であって、
a)前記プロセスを、複数の装置グループおよび/または複数の運転モードに分割する工程;
b)前記装置および/または複数の運転モードについて、入力変数とそれらの運転範囲とを決定する工程;
c)前記入力変数についての履歴データを決定する工程;
d)異常運転を有さない履歴データトレーニングセットを決定する工程;および
e)前記履歴データトレーニングセットを使用して、前記複数の装置グループおよび/または複数の運転モードのそれぞれについて1つのモデルの組を作成する工程
を含むことを特徴とする方法。 - 既知の工学的関係に基づいてエンジニアリングモデルを作成する工程;および
前記複数の装置グループおよび/または複数の運転モードについての前記モデルの組と組み合わせる工程
を更に含むことを特徴とする請求項31に記載の方法。 - 前記モデルは、新しい履歴データトレーニングセットを使用して再較正されることを特徴とする請求項31に記載の方法。
- 前記モデルの組は、主成分分析モデルであることを特徴とする請求項31に記載の方法。
- 前記モデルからの出力を、ファジーペトリネットを使用して集約する工程を更に含むことを特徴とする請求項34に記載の方法。
- 前記モデルの組からの出力を、正常性トレンドとして表示する工程を更に含むことを特徴とする請求項31に記載の方法。
- 前記モデルの組からの出力を、正常または異常として解釈するために、ファジーペトリネットを使用する工程を更に含むことを特徴とする請求項31に記載の方法。
- モデル出力を、正常性および異常性の単一の連続的な要約に集約するために、ファジーペトリネットを使用する工程を更に含むことを特徴とする請求項31に記載の方法。
- 前記主成分分析モデルを、既知の工学的関係を使用して補う工程を更に含むことを特徴とする請求項34に記載の方法。
- 前記既知の工学的関係は、2×2冗長性検査であることを特徴とする請求項39に記載の方法。
- 前記既知の工学的関係は、多次元冗長性検査であることを特徴とする請求項39に記載の方法。
- 前記主成分分析モデルの組を、既知の工学的関係と組み合わせるために、ファジーペトリネットを使用する工程を更に含むことを特徴とする請求項39に記載の方法。
- 前記工業プロセスは、化学プロセスであることを特徴とする請求項31に記載の方法。
- 前記工業プロセスは、石油化学プロセスであることを特徴とする請求項31に記載の方法。
- 前記工業プロセスは、精製プロセスであることを特徴とする請求項31に記載の方法。
- 工業プロセスの異常事象を判定する方法であって、モデルの組からの出力が所定の値を超過しているかどうかを判定する工程を含み、
前記モデルの組は、複数の装置グループおよび/または複数の運転モードおよび/または複数のエンジニアリングモデルに対応するモデルを含むことを特徴とする方法。 - 前記モデルの組からの出力は、前記プロセスの正常性の連続的な要約指標を提供するために、ファジーペトリネットを使用して集約されることを特徴とする請求項46に記載の方法。
- 装置グループ、運転モードまたはエンジニアリングモデルのためのパレート図を作成する工程を更に含むことを特徴とする請求項47に記載の方法。
- 前記工業プロセスは、化学プロセスであることを特徴とする請求項46に記載の方法。
- 前記工業プロセスは、石油化学プロセスであることを特徴とする請求項46に記載の方法。
- 前記工業プロセスは、精製プロセスであることを特徴とする請求項46に記載の方法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US60917204P | 2004-09-10 | 2004-09-10 | |
US60/609,172 | 2004-09-10 | ||
US11/212,189 US7349746B2 (en) | 2004-09-10 | 2005-08-26 | System and method for abnormal event detection in the operation of continuous industrial processes |
US11/212,189 | 2005-08-26 | ||
PCT/US2005/032094 WO2006031635A2 (en) | 2004-09-10 | 2005-09-09 | System and method for abnormal event detection in the operation of continuous industrial processes |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2008512792A true JP2008512792A (ja) | 2008-04-24 |
JP5364265B2 JP5364265B2 (ja) | 2013-12-11 |
Family
ID=36035171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007531351A Expired - Fee Related JP5364265B2 (ja) | 2004-09-10 | 2005-09-09 | 連続工業プロセスの運転における異常事象検出のための装置および方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US7349746B2 (ja) |
EP (1) | EP1789856A4 (ja) |
JP (1) | JP5364265B2 (ja) |
CA (1) | CA2578612C (ja) |
NO (1) | NO338660B1 (ja) |
WO (1) | WO2006031635A2 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101803971B1 (ko) * | 2011-03-30 | 2017-12-01 | 서울대학교산학협력단 | 변동 계수의 통계적 분석에 의한 화학 공정의 이상 원인 분석 방법 |
JP2022538882A (ja) * | 2019-06-27 | 2022-09-06 | タタ・コンサルタンシー・サーヴィシズ・リミテッド | 排煙脱硫(fgd)ユニットの性能最適化のための方法およびシステム |
JP2022551860A (ja) * | 2019-10-08 | 2022-12-14 | ナノトロニクス イメージング インコーポレイテッド | 工場のプロセス、機器、および自動化システムの動的な監視および保護 |
Families Citing this family (99)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7567887B2 (en) * | 2004-09-10 | 2009-07-28 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to fluidized catalytic cracking unit |
US20060074598A1 (en) * | 2004-09-10 | 2006-04-06 | Emigholz Kenneth F | Application of abnormal event detection technology to hydrocracking units |
US7720598B2 (en) * | 2005-03-31 | 2010-05-18 | Deere & Company | System and method for determining a position of a vehicle with compensation for noise or measurement error |
US7647177B2 (en) * | 2005-03-31 | 2010-01-12 | Deere & Company | System and method for determining a position of a vehicle |
US7653483B2 (en) * | 2005-03-31 | 2010-01-26 | Deere & Company | System and method for determining a position of a vehicle |
EP1946254B1 (en) * | 2005-10-18 | 2012-02-22 | Honeywell International Inc. | System, method, and computer program for early event detection |
KR100679721B1 (ko) * | 2005-11-01 | 2007-02-06 | (주)아이세미콘 | 반도체 공정장비의 변동 감지방법 |
JP2007250748A (ja) * | 2006-03-15 | 2007-09-27 | Omron Corp | プロセス異常分析装置および方法並びにプログラム |
US7532952B2 (en) * | 2006-03-16 | 2009-05-12 | Applied Materials, Inc. | Methods and apparatus for pressure control in electronic device manufacturing systems |
US7761172B2 (en) * | 2006-03-21 | 2010-07-20 | Exxonmobil Research And Engineering Company | Application of abnormal event detection (AED) technology to polymers |
US7720641B2 (en) * | 2006-04-21 | 2010-05-18 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to delayed coking unit |
US20070265801A1 (en) * | 2006-05-05 | 2007-11-15 | Honeywell International Inc. | Multivariate monitoring of operating procedures |
US20080010531A1 (en) * | 2006-06-12 | 2008-01-10 | Mks Instruments, Inc. | Classifying faults associated with a manufacturing process |
US7917240B2 (en) * | 2006-09-29 | 2011-03-29 | Fisher-Rosemount Systems, Inc. | Univariate method for monitoring and analysis of multivariate data |
US7421351B2 (en) * | 2006-12-21 | 2008-09-02 | Honeywell International Inc. | Monitoring and fault detection in dynamic systems |
US7496472B2 (en) * | 2007-01-25 | 2009-02-24 | Johnson Controls Technology Company | Method and system for assessing performance of control systems |
US8112305B2 (en) * | 2007-01-30 | 2012-02-07 | International Business Machines Corporation | Systems and methods for distribution-transition estimation of key performance indicator |
US8285513B2 (en) * | 2007-02-27 | 2012-10-09 | Exxonmobil Research And Engineering Company | Method and system of using inferential measurements for abnormal event detection in continuous industrial processes |
US20080319276A1 (en) * | 2007-03-30 | 2008-12-25 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Computational user-health testing |
US20090024050A1 (en) * | 2007-03-30 | 2009-01-22 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Computational user-health testing |
US20090005653A1 (en) * | 2007-03-30 | 2009-01-01 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Computational user-health testing |
US20090119154A1 (en) * | 2007-11-07 | 2009-05-07 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Determining a demographic characteristic based on computational user-health testing of a user interaction with advertiser-specified content |
US20080242947A1 (en) * | 2007-03-30 | 2008-10-02 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Configuring software for effective health monitoring or the like |
US20080287821A1 (en) * | 2007-03-30 | 2008-11-20 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Computational user-health testing |
US20080243005A1 (en) * | 2007-03-30 | 2008-10-02 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Computational user-health testing |
US20090018407A1 (en) * | 2007-03-30 | 2009-01-15 | Searete Llc, A Limited Corporation Of The State Of Delaware | Computational user-health testing |
US20090005654A1 (en) * | 2007-03-30 | 2009-01-01 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Computational user-health testing |
US20090118593A1 (en) * | 2007-11-07 | 2009-05-07 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Determining a demographic characteristic based on computational user-health testing of a user interaction with advertiser-specified content |
US20090132275A1 (en) * | 2007-11-19 | 2009-05-21 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Determining a demographic characteristic of a user based on computational user-health testing |
US20080242952A1 (en) * | 2007-03-30 | 2008-10-02 | Searete Llc, A Limited Liablity Corporation Of The State Of Delaware | Effective response protocols for health monitoring or the like |
US20080242948A1 (en) * | 2007-03-30 | 2008-10-02 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Effective low-profile health monitoring or the like |
WO2008137544A1 (en) | 2007-05-02 | 2008-11-13 | Mks Instruments, Inc. | Automated model building and model updating |
DE102007027276A1 (de) * | 2007-06-11 | 2008-12-18 | Endress + Hauser Gmbh + Co. Kg | Feldgerät mit einer Vorrichtung zur Durchführung von Diagnoseverfahren |
CN101842756A (zh) * | 2007-08-14 | 2010-09-22 | 国际壳牌研究有限公司 | 用于化工厂或精炼厂的连续、在线监视的***与方法 |
GB0717991D0 (en) * | 2007-09-15 | 2007-10-24 | Curvaceous Software Ltd | Multi-variable operations |
US7930136B2 (en) * | 2007-10-02 | 2011-04-19 | Fisher-Rosemount Systems, Inc. | Simplified algorithm for abnormal situation prevention in load following applications |
US8924877B2 (en) * | 2007-10-29 | 2014-12-30 | Honeywell International Inc. | Apparatus and method for displaying changes in statistical parameters in a process control system |
US8949671B2 (en) * | 2008-01-30 | 2015-02-03 | International Business Machines Corporation | Fault detection, diagnosis, and prevention for complex computing systems |
US7958065B2 (en) * | 2008-03-18 | 2011-06-07 | International Business Machines Corporation | Resilient classifier for rule-based system |
US8494798B2 (en) * | 2008-09-02 | 2013-07-23 | Mks Instruments, Inc. | Automated model building and batch model building for a manufacturing process, process monitoring, and fault detection |
US8407170B2 (en) * | 2008-11-25 | 2013-03-26 | Lockheed Martin Corporation | Root-cause analysis system and associated methods |
US9069345B2 (en) * | 2009-01-23 | 2015-06-30 | Mks Instruments, Inc. | Controlling a manufacturing process with a multivariate model |
US8594977B2 (en) * | 2009-06-04 | 2013-11-26 | Honeywell International Inc. | Method and system for identifying systemic failures and root causes of incidents |
US9323234B2 (en) * | 2009-06-10 | 2016-04-26 | Fisher-Rosemount Systems, Inc. | Predicted fault analysis |
US8041540B2 (en) * | 2009-12-09 | 2011-10-18 | General Electric Company | System, device, and method for acoustic and visual monitoring of a wind turbine |
WO2011083687A1 (ja) * | 2010-01-08 | 2011-07-14 | 日本電気株式会社 | 運用管理装置、運用管理方法、及びプログラム記憶媒体 |
WO2011119509A1 (en) * | 2010-03-20 | 2011-09-29 | Emsense Corporation | Spatially constrained biosensory measurements to decode physiological states and user responses induced by marketing media |
US8862250B2 (en) | 2010-05-07 | 2014-10-14 | Exxonmobil Research And Engineering Company | Integrated expert system for identifying abnormal events in an industrial plant |
US20120059682A1 (en) * | 2010-09-03 | 2012-03-08 | Honeywell International Inc. | Continuous improvement for a procedure management system to reduce the incidence of human procedure execution failures |
US8855804B2 (en) * | 2010-11-16 | 2014-10-07 | Mks Instruments, Inc. | Controlling a discrete-type manufacturing process with a multivariate model |
US8839036B2 (en) | 2010-12-30 | 2014-09-16 | Schneider Electric It Corporation | System and method for root cause analysis |
US10558544B2 (en) | 2011-02-14 | 2020-02-11 | International Business Machines Corporation | Multiple modeling paradigm for predictive analytics |
JP5855841B2 (ja) * | 2011-04-01 | 2016-02-09 | 株式会社日立国際電気 | 管理装置 |
US8949668B2 (en) * | 2011-05-23 | 2015-02-03 | The Boeing Company | Methods and systems for use in identifying abnormal behavior in a control system including independent comparisons to user policies and an event correlation model |
US8762301B1 (en) | 2011-10-12 | 2014-06-24 | Metso Automation Usa Inc. | Automated determination of root cause |
US9541471B2 (en) | 2012-04-06 | 2017-01-10 | Mks Instruments, Inc. | Multivariate prediction of a batch manufacturing process |
US9429939B2 (en) | 2012-04-06 | 2016-08-30 | Mks Instruments, Inc. | Multivariate monitoring of a batch manufacturing process |
JP5868784B2 (ja) * | 2012-05-31 | 2016-02-24 | 横河電機株式会社 | プロセス監視システム及び方法 |
US9471411B2 (en) | 2013-01-23 | 2016-10-18 | International Business Machines Corporation | Monitoring and capturing early diagnostic data |
US9414244B2 (en) | 2013-07-22 | 2016-08-09 | Motorola Solutions, Inc. | Apparatus and method for determining context-aware and adaptive thresholds in a communications system |
US9379951B2 (en) | 2014-01-10 | 2016-06-28 | Instep Software, Llc | Method and apparatus for detection of anomalies in integrated parameter systems |
WO2015116326A1 (en) * | 2014-01-30 | 2015-08-06 | Exxonmobil Research And Engineering Company | Real time optimization of batch processes |
CN104536439B (zh) * | 2015-01-20 | 2017-03-01 | 浙江大学 | 一种基于嵌套迭代费舍尔判别分析的故障诊断方法 |
CN104699077B (zh) * | 2015-02-12 | 2017-06-06 | 浙江大学 | 一种基于嵌套迭代费舍尔判别分析的故障变量隔离方法 |
WO2016132396A1 (ja) * | 2015-02-19 | 2016-08-25 | 三菱電機株式会社 | 手順抽出システム |
CN105045253B (zh) * | 2015-05-27 | 2018-04-03 | 广东蓄能发电有限公司 | 电气设备异常运行工况快速甄别方法 |
CN105242660A (zh) * | 2015-07-15 | 2016-01-13 | 浙江中烟工业有限责任公司 | 基于相对变化分析的多模态卷烟制叶丝过程在线监测与故障诊断方法 |
US9697070B2 (en) | 2015-08-31 | 2017-07-04 | Microsoft Technology Licensing, Llc | Predicting service issues by detecting anomalies in event signal |
US10394897B2 (en) | 2015-09-11 | 2019-08-27 | International Business Machines Corporation | Visualization of serial processes |
KR102670325B1 (ko) * | 2015-09-18 | 2024-06-07 | 삼성전자주식회사 | 장비 관련 편차의 근본 원인 분석을 위한 방법 및 시스템 |
US10228685B2 (en) * | 2015-10-22 | 2019-03-12 | Globalfoundries Inc. | Use of multivariate models to control manufacturing operations |
US10955810B2 (en) * | 2015-11-13 | 2021-03-23 | International Business Machines Corporation | Monitoring communications flow in an industrial system to detect and mitigate hazardous conditions |
US9928625B2 (en) | 2015-11-19 | 2018-03-27 | International Business Machines Corporation | Visualizing temporal aspects of serial processes |
WO2018035718A1 (en) | 2016-08-23 | 2018-03-01 | Accenture Global Solutions Limited | Real-time industrial plant production prediction and operation optimization |
EP3287960B1 (en) * | 2016-08-25 | 2024-05-15 | ABB Schweiz AG | Computer system and method to process alarm signals |
US10997135B2 (en) | 2016-09-16 | 2021-05-04 | Oracle International Corporation | Method and system for performing context-aware prognoses for health analysis of monitored systems |
US10495334B2 (en) | 2016-09-28 | 2019-12-03 | Johnson Controls Techology Company | Systems and methods for steady state detection |
US20180087790A1 (en) * | 2016-09-28 | 2018-03-29 | Johnson Controls Technology Company | Systems and methods for automatically creating and using adaptive pca models to control building equipment |
US10860005B2 (en) * | 2016-10-31 | 2020-12-08 | Kokusai Electric Corporation | Substrate processing apparatus and non-transitory computer-readable recording medium |
US10606253B2 (en) * | 2017-02-08 | 2020-03-31 | United Microelectronics Corp. | Method of monitoring processing system for processing substrate |
EP3367261A1 (de) | 2017-02-28 | 2018-08-29 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren zum klassifizieren von information und klassifizierungsprozessor |
EP3639098B1 (en) * | 2017-06-12 | 2022-10-19 | Honeywell International Inc. | Apparatus and method for identifying impacts and causes of variability or control giveaway on model-based controller performance |
CN109901544A (zh) | 2017-12-07 | 2019-06-18 | 开利公司 | 制冷***、用于其的故障诊断***、故障诊断方法及控制器与存储介质 |
US11348018B2 (en) * | 2017-12-19 | 2022-05-31 | Aspen Technology, Inc. | Computer system and method for building and deploying models predicting plant asset failure |
US11120350B2 (en) * | 2018-03-21 | 2021-09-14 | Jiangnan University | Multilevel pattern monitoring method for industry processes |
CN108737406B (zh) * | 2018-05-10 | 2020-08-04 | 北京邮电大学 | 一种异常流量数据的检测方法及*** |
JPWO2020031629A1 (ja) * | 2018-08-10 | 2021-08-10 | 株式会社フジキン | 流体制御装置、流体制御機器、及び動作解析システム |
EP3856507B8 (en) * | 2018-09-30 | 2022-10-05 | 4dot Mechatronic Systems s.r.o. | Diagnostic system of forming machines |
RU2724075C1 (ru) | 2018-12-28 | 2020-06-19 | Акционерное общество "Лаборатория Касперского" | Система и способ определения источника аномалии в кибер-физической системе, обладающей определенными характеристиками |
US11156991B2 (en) | 2019-06-24 | 2021-10-26 | Nanotronics Imaging, Inc. | Predictive process control for a manufacturing process |
US11415438B2 (en) | 2019-07-17 | 2022-08-16 | ExxonMobil Technology and Engineering Company | Intelligent system for identifying sensor drift |
WO2021059303A2 (en) * | 2019-09-27 | 2021-04-01 | Tata Consultancy Services Limited | Method and system for industrial data mining |
US11063965B1 (en) * | 2019-12-19 | 2021-07-13 | Nanotronics Imaging, Inc. | Dynamic monitoring and securing of factory processes, equipment and automated systems |
US20210176319A1 (en) * | 2019-12-06 | 2021-06-10 | Zurn Industries, Llc | Water management system and user interface |
US11086988B1 (en) * | 2020-02-28 | 2021-08-10 | Nanotronics Imaging, Inc. | Method, systems and apparatus for intelligently emulating factory control systems and simulating response data |
CN111665761B (zh) * | 2020-06-23 | 2023-05-26 | 上海一旻成锋电子科技有限公司 | 工业控制***及控制方法 |
US11188064B1 (en) * | 2021-05-04 | 2021-11-30 | Ixden Ltd. | Process flow abnormality detection system and method |
CN113539383B (zh) * | 2021-06-02 | 2022-10-04 | 中南大学 | 基于动态多目标优化和模糊多属性决策的除铜过程控制方法 |
CN117076260B (zh) * | 2023-10-17 | 2024-01-26 | 杭州和利时自动化有限公司 | 一种参数及设备异常检测方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07244524A (ja) * | 1994-03-07 | 1995-09-19 | Yokogawa Electric Corp | 状態予測装置 |
JP2000155700A (ja) * | 1999-01-01 | 2000-06-06 | Hitachi Ltd | 品質情報収集診断システムおよびその方法 |
JP2002182736A (ja) * | 2000-12-12 | 2002-06-26 | Yamatake Sangyo Systems Co Ltd | 設備診断装置および設備診断プログラム記憶媒体 |
JP2002521201A (ja) * | 1998-07-21 | 2002-07-16 | ドファスコ インコーポレイテッド | 連続鋳造機の動作を監視して切迫したブレークアウトの発生を検出する多変量(multivariate)統計的モデルベースのシステム |
JP2003044123A (ja) * | 2001-07-30 | 2003-02-14 | Hitachi Ltd | プラント診断装置 |
JP2003315211A (ja) * | 2002-04-17 | 2003-11-06 | Tokyo Gas Co Ltd | 機器の劣化を検出する方法 |
JP2004234302A (ja) * | 2003-01-30 | 2004-08-19 | Toshiba Corp | プロセス管理装置 |
JP2004531815A (ja) * | 2001-04-10 | 2004-10-14 | スマートシグナル・コーポレーション | 予測的状態監視のための診断システムおよび方法 |
Family Cites Families (59)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US22776A (en) | 1859-02-01 | Cak-coupling | ||
US2776A (en) * | 1842-09-17 | Window-blind hinge and fastening | ||
US225466A (en) * | 1880-03-16 | Machine-gun | ||
US3175968A (en) | 1961-06-23 | 1965-03-30 | Phillips Petroleum Co | Automatic control and optimization of a fluidized catalytic cracker |
JP2672576B2 (ja) | 1988-06-16 | 1997-11-05 | 株式会社東芝 | プラント・機器の診断支援システム |
US5351247A (en) | 1988-12-30 | 1994-09-27 | Digital Equipment Corporation | Adaptive fault identification system |
JPH0660826B2 (ja) | 1989-02-07 | 1994-08-10 | 動力炉・核燃料開発事業団 | プラントの異常診断方法 |
JPH0692914B2 (ja) | 1989-04-14 | 1994-11-16 | 株式会社日立製作所 | 機器/設備の状態診断システム |
JPH03154847A (ja) | 1989-11-13 | 1991-07-02 | Komatsu Ltd | 故障診断装置 |
US5465321A (en) * | 1993-04-07 | 1995-11-07 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Hidden markov models for fault detection in dynamic systems |
SE9304246L (sv) | 1993-12-22 | 1995-06-23 | Asea Brown Boveri | Förfarande vid övervakning av multivariata processer |
US5457625A (en) | 1994-04-13 | 1995-10-10 | The M. W. Kellogg Company | Maximizing process production rates using permanent constraints |
US5817958A (en) | 1994-05-20 | 1998-10-06 | Hitachi, Ltd. | Plant monitoring and diagnosing method and system, as well as plant equipped with the system |
US5539877A (en) | 1994-06-27 | 1996-07-23 | International Business Machine Corporation | Problem determination method for local area network systems |
US6907383B2 (en) | 1996-03-28 | 2005-06-14 | Rosemount Inc. | Flow diagnostic system |
US7085610B2 (en) | 1996-03-28 | 2006-08-01 | Fisher-Rosemount Systems, Inc. | Root cause diagnostics |
US5859964A (en) | 1996-10-25 | 1999-01-12 | Advanced Micro Devices, Inc. | System and method for performing real time data acquisition, process modeling and fault detection of wafer fabrication processes |
JPH10143343A (ja) | 1996-11-07 | 1998-05-29 | Fuji Electric Co Ltd | 連想型プラント異常診断装置 |
US5949677A (en) * | 1997-01-09 | 1999-09-07 | Honeywell Inc. | Control system utilizing fault detection |
US5950147A (en) * | 1997-06-05 | 1999-09-07 | Caterpillar Inc. | Method and apparatus for predicting a fault condition |
US6115656A (en) * | 1997-06-17 | 2000-09-05 | Mcdonnell Douglas Corporation | Fault recording and reporting method |
US6505145B1 (en) | 1999-02-22 | 2003-01-07 | Northeast Equipment Inc. | Apparatus and method for monitoring and maintaining plant equipment |
US6368975B1 (en) | 1999-07-07 | 2002-04-09 | Applied Materials, Inc. | Method and apparatus for monitoring a process by employing principal component analysis |
US6542852B2 (en) * | 1999-09-15 | 2003-04-01 | General Electric Company | System and method for paper web time-to-break prediction |
US6522978B1 (en) | 1999-09-15 | 2003-02-18 | General Electric Company | Paper web breakage prediction using principal components analysis and classification and regression trees |
US6466877B1 (en) | 1999-09-15 | 2002-10-15 | General Electric Company | Paper web breakage prediction using principal components analysis and classification and regression trees |
US6809837B1 (en) | 1999-11-29 | 2004-10-26 | Xerox Corporation | On-line model prediction and calibration system for a dynamically varying color reproduction device |
AU2000227998A1 (en) * | 2000-01-29 | 2001-08-07 | Abb Research Ltd | System and method for determining the overall equipment effectiveness of production plants, failure events and failure causes |
US7500143B2 (en) | 2000-05-05 | 2009-03-03 | Computer Associates Think, Inc. | Systems and methods for managing and analyzing faults in computer networks |
GB2362481B (en) * | 2000-05-09 | 2004-12-01 | Rolls Royce Plc | Fault diagnosis |
US6917839B2 (en) | 2000-06-09 | 2005-07-12 | Intellectual Assets Llc | Surveillance system and method having an operating mode partitioned fault classification model |
US6636842B1 (en) | 2000-07-15 | 2003-10-21 | Intevep, S.A. | System and method for controlling an industrial process utilizing process trajectories |
US6681344B1 (en) | 2000-09-14 | 2004-01-20 | Microsoft Corporation | System and method for automatically diagnosing a computer problem |
US6978210B1 (en) | 2000-10-26 | 2005-12-20 | Conocophillips Company | Method for automated management of hydrocarbon gathering systems |
US20020077792A1 (en) * | 2000-10-27 | 2002-06-20 | Panacya, Inc. | Early warning in e-service management systems |
US6735541B2 (en) | 2001-02-16 | 2004-05-11 | Exxonmobil Research And Engineering Company | Process unit monitoring program |
US7389204B2 (en) | 2001-03-01 | 2008-06-17 | Fisher-Rosemount Systems, Inc. | Data presentation system for abnormal situation prevention in a process plant |
CN100524130C (zh) | 2001-03-01 | 2009-08-05 | 费舍-柔斯芒特***股份有限公司 | 自动工作命令/部件命令生成和跟踪 |
US6954713B2 (en) | 2001-03-01 | 2005-10-11 | Fisher-Rosemount Systems, Inc. | Cavitation detection in a process plant |
EP1379980A4 (en) | 2001-03-08 | 2006-10-18 | California Inst Of Techn | EXCEPTIONAL ANALYSIS FOR MULTIMISSIONS |
US7539597B2 (en) | 2001-04-10 | 2009-05-26 | Smartsignal Corporation | Diagnostic systems and methods for predictive condition monitoring |
US7457732B2 (en) | 2001-08-17 | 2008-11-25 | General Electric Company | System and method for measuring quality of baseline modeling techniques |
US6980938B2 (en) | 2002-01-10 | 2005-12-27 | Cutler Technology Corporation | Method for removal of PID dynamics from MPC models |
US7096074B2 (en) | 2002-05-30 | 2006-08-22 | Insyst Ltd. | Methods and apparatus for early fault detection and alert generation in a process |
US6904386B2 (en) | 2002-10-07 | 2005-06-07 | Honeywell International Inc. | Control system and method for detecting plugging in differential pressure cells |
CA2414167A1 (en) | 2002-12-12 | 2004-06-12 | Dofasco Inc. | Method and online system for monitoring continuous caster start-up operation and predicting start cast breakouts |
US7096153B2 (en) | 2003-12-31 | 2006-08-22 | Honeywell International Inc. | Principal component analysis based fault classification |
US7447609B2 (en) | 2003-12-31 | 2008-11-04 | Honeywell International Inc. | Principal component analysis based fault classification |
US7079984B2 (en) | 2004-03-03 | 2006-07-18 | Fisher-Rosemount Systems, Inc. | Abnormal situation prevention in a process plant |
US7729789B2 (en) | 2004-05-04 | 2010-06-01 | Fisher-Rosemount Systems, Inc. | Process plant monitoring based on multivariate statistical analysis and on-line process simulation |
US7536274B2 (en) | 2004-05-28 | 2009-05-19 | Fisher-Rosemount Systems, Inc. | System and method for detecting an abnormal situation associated with a heater |
US6973396B1 (en) | 2004-05-28 | 2005-12-06 | General Electric Company | Method for developing a unified quality assessment and providing an automated fault diagnostic tool for turbine machine systems and the like |
CA2567139A1 (en) | 2004-06-12 | 2005-12-29 | Fisher-Rosemount Systems, Inc. | System and method for detecting an abnormal situation associated with a process gain of a control loop |
US7567887B2 (en) | 2004-09-10 | 2009-07-28 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to fluidized catalytic cracking unit |
US7181654B2 (en) | 2004-09-17 | 2007-02-20 | Fisher-Rosemount Systems, Inc. | System and method for detecting an abnormal situation associated with a reactor |
WO2007047375A1 (en) | 2005-10-14 | 2007-04-26 | Fisher-Rosemount Systems, Inc. | Statistical signatures used with multivariate statistical analysis for fault detection and isolation and abnormal condition prevention in a process |
EP1946254B1 (en) | 2005-10-18 | 2012-02-22 | Honeywell International Inc. | System, method, and computer program for early event detection |
US20070088448A1 (en) | 2005-10-19 | 2007-04-19 | Honeywell International Inc. | Predictive correlation model system |
US7243048B2 (en) | 2005-11-28 | 2007-07-10 | Honeywell International, Inc. | Fault detection system and method using multiway principal component analysis |
-
2005
- 2005-08-26 US US11/212,189 patent/US7349746B2/en active Active
- 2005-09-09 CA CA2578612A patent/CA2578612C/en active Active
- 2005-09-09 WO PCT/US2005/032094 patent/WO2006031635A2/en active Application Filing
- 2005-09-09 EP EP05795250A patent/EP1789856A4/en not_active Ceased
- 2005-09-09 JP JP2007531351A patent/JP5364265B2/ja not_active Expired - Fee Related
-
2007
- 2007-04-10 NO NO20071830A patent/NO338660B1/no not_active IP Right Cessation
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07244524A (ja) * | 1994-03-07 | 1995-09-19 | Yokogawa Electric Corp | 状態予測装置 |
JP2002521201A (ja) * | 1998-07-21 | 2002-07-16 | ドファスコ インコーポレイテッド | 連続鋳造機の動作を監視して切迫したブレークアウトの発生を検出する多変量(multivariate)統計的モデルベースのシステム |
JP2000155700A (ja) * | 1999-01-01 | 2000-06-06 | Hitachi Ltd | 品質情報収集診断システムおよびその方法 |
JP2002182736A (ja) * | 2000-12-12 | 2002-06-26 | Yamatake Sangyo Systems Co Ltd | 設備診断装置および設備診断プログラム記憶媒体 |
JP2004531815A (ja) * | 2001-04-10 | 2004-10-14 | スマートシグナル・コーポレーション | 予測的状態監視のための診断システムおよび方法 |
JP2003044123A (ja) * | 2001-07-30 | 2003-02-14 | Hitachi Ltd | プラント診断装置 |
JP2003315211A (ja) * | 2002-04-17 | 2003-11-06 | Tokyo Gas Co Ltd | 機器の劣化を検出する方法 |
JP2004234302A (ja) * | 2003-01-30 | 2004-08-19 | Toshiba Corp | プロセス管理装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101803971B1 (ko) * | 2011-03-30 | 2017-12-01 | 서울대학교산학협력단 | 변동 계수의 통계적 분석에 의한 화학 공정의 이상 원인 분석 방법 |
JP2022538882A (ja) * | 2019-06-27 | 2022-09-06 | タタ・コンサルタンシー・サーヴィシズ・リミテッド | 排煙脱硫(fgd)ユニットの性能最適化のための方法およびシステム |
JP7273202B2 (ja) | 2019-06-27 | 2023-05-12 | タタ・コンサルタンシー・サーヴィシズ・リミテッド | 排煙脱硫(fgd)ユニットの性能最適化のための方法およびシステム |
JP2022551860A (ja) * | 2019-10-08 | 2022-12-14 | ナノトロニクス イメージング インコーポレイテッド | 工場のプロセス、機器、および自動化システムの動的な監視および保護 |
JP7487967B2 (ja) | 2019-10-08 | 2024-05-21 | ナノトロニクス イメージング インコーポレイテッド | 工場のプロセス、機器、および自動化システムの動的な監視および保護 |
Also Published As
Publication number | Publication date |
---|---|
WO2006031635A3 (en) | 2006-12-14 |
EP1789856A4 (en) | 2008-10-29 |
US20060058898A1 (en) | 2006-03-16 |
JP5364265B2 (ja) | 2013-12-11 |
EP1789856A2 (en) | 2007-05-30 |
CA2578612C (en) | 2014-08-26 |
CA2578612A1 (en) | 2006-03-23 |
NO20071830L (no) | 2007-05-09 |
US7349746B2 (en) | 2008-03-25 |
WO2006031635A2 (en) | 2006-03-23 |
NO338660B1 (no) | 2016-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5364265B2 (ja) | 連続工業プロセスの運転における異常事象検出のための装置および方法 | |
JP5190265B2 (ja) | 異常事象検知技術の水素化分解装置への適用 | |
US10739752B2 (en) | Computer system and method for causality analysis using hybrid first-principles and inferential model | |
US7761172B2 (en) | Application of abnormal event detection (AED) technology to polymers | |
US7827006B2 (en) | Heat exchanger fouling detection | |
US7720641B2 (en) | Application of abnormal event detection technology to delayed coking unit | |
CA2579658C (en) | Application of abnormal event detection technology to olefins recovery trains | |
US7657399B2 (en) | Methods and systems for detecting deviation of a process variable from expected values | |
US20080188972A1 (en) | Method and System for Detecting Faults in a Process Plant | |
Kondaveeti et al. | Application of multivariate statistics for efficient alarm generation | |
Guo et al. | Fault Diagnosis Combining Information Entropy with Transfer Entropy for Chemical Processes | |
Zhou et al. | A combined passive-active method for diagnosing multiplicative fault | |
Dai et al. | An approach for controller fault detection | |
Amin | Process Monitoring on AFPT Pilot Plant by Using Statistical Process Control |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20080811 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100120 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20100609 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20100609 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20110524 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20110701 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20110708 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20111122 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120605 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20120824 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20120831 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20121204 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130618 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130723 |
|
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: 20130820 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130909 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |