JP4268500B2 - Process state similar case search method, state prediction method, and storage medium - Google Patents
Process state similar case search method, state prediction method, and storage medium Download PDFInfo
- Publication number
- JP4268500B2 JP4268500B2 JP2003367716A JP2003367716A JP4268500B2 JP 4268500 B2 JP4268500 B2 JP 4268500B2 JP 2003367716 A JP2003367716 A JP 2003367716A JP 2003367716 A JP2003367716 A JP 2003367716A JP 4268500 B2 JP4268500 B2 JP 4268500B2
- Authority
- JP
- Japan
- Prior art keywords
- time
- data
- series
- value
- search
- 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.)
- Expired - Lifetime
Links
- 238000000034 method Methods 0.000 title claims description 205
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000012880 independent component analysis Methods 0.000 claims description 17
- 238000000926 separation method Methods 0.000 claims description 16
- 239000002184 metal Substances 0.000 claims description 9
- 238000013139 quantization Methods 0.000 claims description 9
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 6
- 229910052799 carbon Inorganic materials 0.000 claims description 6
- 239000003245 coal Substances 0.000 claims description 6
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 239000000243 solution Substances 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 239000013598 vector Substances 0.000 description 19
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000005654 stationary process Effects 0.000 description 3
- 238000002156 mixing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、高炉等のプロセスの操業中に、その操業状態と類似の過去事例を検索する手法、プロセスの将来状態を予測する手法、並びにその処理手法をコンピュータに実行させるためのプログラムが記録してあるコンピュータ読み取り可能な記憶媒体に関する。 In the present invention, during operation of a process such as a blast furnace, a method for searching past cases similar to the operation state, a method for predicting the future state of the process, and a program for causing a computer to execute the processing method are recorded. The present invention relates to a computer-readable storage medium.
従来、高炉等のプロセスの操業において、異常状態が発生すると人手により過去の事例を探して対応する行為が行われていた。成功例、失敗例を問わず過去の知見を将来の操業改善に活用することは重要であるが、従来は蓄積されたデータを十分に生かす手段がなく、人間の記憶に頼るのが一般的であった。従って、個人の経験の違いにより、意見の異なるアクションとなり、問題であった。 Conventionally, in the operation of a process such as a blast furnace, when an abnormal state occurs, an act of searching for a past case manually and responding to it has been performed. It is important to use past knowledge for future operational improvements, regardless of success or failure, but in the past there was no way to make full use of accumulated data, and it was common to rely on human memory. there were. Therefore, due to differences in personal experience, it became a problem because of different actions of opinion.
これに対し、事例ベース推論を用いた技術がいくつかの分野で利用されている。
特開平3−132826号公報(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技術が提案されている。
また、特開平7−271588号公報(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、専門化の知識の体系化を支援している。
On the other hand, techniques using case-based reasoning are used in several fields.
Japanese Patent Laid-Open No. 3-132826 (Patent Document 1) proposes a technique that applies case-based reasoning that solves a current problem based on past problem-solving cases.
Japanese Laid-Open Patent Publication No. 7-271588 (Patent Document 2) proposes a tabular editor for case-based reasoning to support systematization of specialized knowledge.
浄水場プロセスの排水量予測システムや濁度予測システムとして、特開2001−288782号(特許文献3)公報や、特開2002−119956号公報(特許文献4)では、複数の事例を集約して代表事例を作成し、作成した代表事例を用いて事例ベースを構築し、プロセスの予測を行っている。 As a wastewater amount prediction system and a turbidity prediction system for a water purification plant process, Japanese Patent Application Laid-Open No. 2001-288882 (Patent Document 3) and Japanese Patent Application Laid-Open No. 2002-199956 (Patent Document 4) collectively represent a plurality of cases. A case is created, a case base is constructed using the created representative case, and a process is predicted.
ところで、本発明が対象とするプロセスは、高炉などの複雑、非線形かつ非定常なプロセスである。そのプロセスに対する数学モデルは開発されているがまだ十分ではない。そのために、過去の操業知見や過去の事例を知識ベース、事例ベースとして構築して利用している。しかしながら、知識の収集や事例ベースの構築やその更新に労力を費やしてしまうという問題があった。また、更新が十分でないと検索や予測の精度が低下するという問題もあった。 By the way, the process targeted by the present invention is a complex, non-linear and non-stationary process such as a blast furnace. A mathematical model for the process has been developed but is not yet sufficient. For this purpose, past operational knowledge and past cases are constructed and used as a knowledge base and case base. However, there is a problem that labor is spent collecting knowledge, building a case base, and updating it. In addition, if the update is not sufficient, there is a problem that the accuracy of search and prediction decreases.
さらに、特開2001−288782号公報や、特開2002−119956号公報に記載の方法では、事例を集約しているため、現在時点と類似な時点の特定ができないという課題があった。
また、予測のための事例ベースを複数の事例から事前に作成する必要があることからその更新が課題である。そのため、事例の学習部も提案されているが、恒久的な性能維持には問題が残る。
Furthermore, in the methods described in Japanese Patent Application Laid-Open Nos. 2001-288787 and 2002-199956, cases are collected, and there is a problem that it is impossible to specify a time point similar to the current time point.
Moreover, since it is necessary to create a case base for prediction from a plurality of cases in advance, the update is a problem. For this reason, a learning section for cases has been proposed, but problems remain in maintaining permanent performance.
本発明はかかる事情に鑑みてなされたものであり、複雑、非線形、かつ非定常なプロセスの過去事例を高速、高精度に検索して、将来予測を的確に行うことができるようにするとともに、更新の不要なオンライン予測を行うことができるようにすることを目的とする。 The present invention has been made in view of such circumstances, and can search past cases of complicated, non-linear, and non-stationary processes at high speed and with high accuracy so that future prediction can be accurately performed. The purpose is to enable online prediction that does not require updating.
このような目的を達成するために、本発明によるプロセスの状態類似事例検索方法は、コンピュータを用いて、複数のプロセス変数それぞれの計測値からなるプロセスデータが、格納時刻及び格納した順番を示す格納番号とともに一定周期の時刻ごとに格納された時系列データベースから、指定した時刻のプロセス状態と類似したプロセスの過去の状態類似事例を検索する方法において、
(イ)前記複数のプロセス変数それぞれについて、指定した時刻Tkから所定の点数mだけ過去の時点までの一連のプロセスデータを、前記時系列データベースから抽出する工程と、
(ロ)前記抽出した一連のプロセスデータに対し独立成分分析を実施し、前記指定した時刻Tkから所定の点数mだけ過去の時点での一連のデータ値からなる複数の独立変数の値sと、分離行列Wとを計算する工程と、
(ハ)前記計算した一連の複数の独立変数の値sを入力データとするか、又は、前記計算した一連の複数の独立変数の値sと前記複数のプロセス変数のうちの予め選んだプロセス変数の一連のプロセスデータとを入力データとして、該入力データの前記時刻Tk及び該時刻Tkから過去の時刻それぞれにおける値であるデータ値Xiを、予め与えた上下限値Ximax、Ximinを用いて規格化し、次に所定の量子化数を掛けた後に整数化することにより量子化した入力値Ixiを計算して、検索用テーブルの時刻Tkでのデータ値を算出する工程と、
(ニ)前記指定した時刻Tkと対応する時系列データベースの格納番号の少なくとも何れか1つと合わせて、前記検索用テーブルの時刻Tkでのデータ値を検索用テーブルに格納する工程と、
からなる一連の工程を、前記指定した時刻Tkを変えて繰り返して、検索用テーブルを作成する工程と、複数のプロセス変数それぞれについて、前記時刻Tkと別の指定した特定時刻Tsから前記所定の点数mだけ過去の時点までの一連のプロセスデータを入手する工程と、前記抽出した特定時刻Tsからの一連のプロセスデータに、前記(ロ)の工程で算出した分離行列Wを乗じて、特定時刻Tsの独立変数値を計算する工程と、前記計算した特定時刻Tsの独立変数値について、前記(ハ)の工程の処理をして、特定時刻Tsの検索用の入力データを算出する工程と、前記特定時刻Tsの検索用の入力データを検索のキーとして、該入力データ値と前記検索用テーブルの過去の時刻Tkそれぞれでのデータ値とを、対応するデータの値ごとに照合して、該データ値の差分である類似度を算出し、該類似度を用いて類似度の予め設定した値の近傍まで類似したデータ値を探索して類似事例とし、該過去の時刻のデータ値に紐ついた格納時刻または格納番号を求める工程と、前記類似事例の格納時刻または格納番号に相当する、類似事例の一連のプロセスデータを前記時系列データベースから抽出する工程と、からなることを特徴とする。
In order to achieve such an object, the process state similar case search method according to the present invention uses a computer to store process data including measured values of a plurality of process variables indicating the storage time and the order in which the process data is stored. In a method for searching past state similar cases of processes similar to the process state at a specified time from a time series database stored for each time of a fixed period together with a number ,
(B) for each of the plurality of process variables, a step of a series of process data from the specified time Tk until only time in the past predetermined number m, and out the time series from the database extract,
(B) Independent component analysis is performed on the extracted series of process data, and a plurality of independent variable values s composed of a series of data values at a predetermined time point m from the designated time Tk ; Calculating a separation matrix W ;
(C) The calculated series of a plurality of independent variable values s are used as input data, or the calculated series of the plurality of independent variable values s and the process variable selected in advance among the plurality of process variables. A series of process data is used as input data, and the data value Xi, which is the value of the input data at the time Tk and the past time from the time Tk, is normalized using upper and lower limit values Ximax and Ximin. Next , calculating a data value at time Tk in the search table by calculating a quantized input value Ixi by multiplying by a predetermined quantization number and then converting to an integer .
And storing (d) combined at least any one of the stored numbers of the time series database corresponding to the specified time Tk, the data value at time Tk of the retrieval table in the search table,
A process of creating a search table by repeating a series of steps including changing the specified time Tk, and for each of a plurality of process variables, the predetermined score from the specified time Ts different from the time Tk A step of obtaining a series of process data up to a point in time past m, and a series of process data from the extracted specific time Ts is multiplied by the separation matrix W calculated in the step (b) to obtain a specific time Ts calculating a German Tatsuhen figures, for the independent variable values for a specific time Ts that the calculated, then the process of step (c), a step of calculating the input data for a search for a particular time Ts, as a search key input data for the search of the specific time Ts, the data value at each past time Tk of the search table and the input data value, the value of the corresponding data available The similarity that is the difference between the data values is calculated, and the similarity is used to search for a similar data value up to the vicinity of a preset value of the similarity, thereby obtaining a similar case, and the past time the storage time or with string to a data value and obtaining a store number was engraved upon storage of the similar case is equivalent to a store number, extracts a set of process data similar case from the time series data base And a process .
本発明によるプロセスの状態予測方法は、コンピュータを用いて、複数のプロセス変数それぞれの計測値からなるプロセスデータが、格納時刻及び格納した順番を示す格納番号とともに一定周期の時刻ごとに格納された時系列データベースから、指定した時刻のプロセス状態と類似したプロセスの過去の状態類似事例を検索してプロセスの将来状態を予測する方法において、
(イ)前記複数のプロセス変数それぞれについて、指定した時刻Tkから所定の点数mだけ過去の時点までの一連のプロセスデータを、前記時系列データベースから抽出する工程と、
(ロ)前記抽出した一連のプロセスデータに対し独立成分分析を実施し、前記指定した時刻Tkから所定の点数mだけ過去の時点での一連のデータ値からなる複数の独立変数の値sと、分離行列Wとを計算する工程と、
(ハ)前記計算した一連の複数の独立変数の値sを入力データとするか、又は、前記計算した一連の複数の独立変数の値sと前記複数のプロセス変数のうちの予め選んだプロセス変数の一連のプロセスデータとを入力データとして、該入力データの前記時刻Tk及び該時刻Tkから過去の時刻それぞれにおける値であるデータ値Xiを、予め与えた上下限値Ximax、Ximinを用いて規格化し、次に所定の量子化数を掛けた後に整数化することにより量子化した入力値Ixiを計算して、検索用テーブルの時刻Tkでのデータ値を算出する工程と、
(ニ)前記指定した時刻Tkと対応する時系列データベースの格納番号の少なくとも何れか1つと合わせて、前記検索用テーブルの時刻Tkでのデータ値を検索用テーブルに格納する工程と、
からなる一連の工程を、前記指定した時刻Tkを変えて繰り返して、検索用テーブルを作成する工程と、複数のプロセス変数それぞれについて、前記時刻Tkと別の指定した特定時刻Tsから前記所定の点数mだけ過去の時点までの一連のプロセスデータを入手する工程と、前記抽出した特定時刻Tsからの一連のプロセスデータに、前記(ロ)の工程で算出した分離行列Wを乗じて、特定時刻Tsの独立変数値を計算する工程と、前記計算した特定時刻Tsの独立変数値について、前記(ハ)の工程の処理をして、特定時刻Tsの検索用の入力データを算出する工程と、前記特定時刻Tsの検索用の入力データを検索のキーとして、該入力データ値と前記検索用テーブルの過去の時刻Tkそれぞれでのデータ値とを、対応するデータの値ごとに照合して、該データ値の差分である類似度を算出し、該類似度を用いて類似度の予め設定した値の近傍まで類似したデータ値を探索して類似事例とし、該過去の時刻のデータ値に紐ついた格納時刻または格納番号を求める工程と、前記類似事例の格納時刻から、指定された先の時刻までのプロセスデータ、または前記類似事例の格納番号から、指定された先の格納番号までの一連のプロセスデータを前記時系列データベースから取り出す工程と、を具備し、前記取り出した一連のプロセスデータをプロセスの将来状態とすることを特徴とする。
The process state prediction method according to the present invention uses a computer to store process data composed of measured values of a plurality of process variables, together with a storage time and a storage number indicating the storage order, at every fixed period of time. In a method of predicting a future state of a process by searching a past state similar case of a process similar to a process state at a specified time from a series database,
(B) for each of the plurality of process variables, a step of a series of process data from the specified time Tk until only time in the past predetermined number m, and out the time series from the database extract,
(B) Independent component analysis is performed on the extracted series of process data, and a plurality of independent variable values s composed of a series of data values at a predetermined time point m from the designated time Tk ; Calculating a separation matrix W ;
(C) The calculated series of a plurality of independent variable values s are used as input data, or the calculated series of the plurality of independent variable values s and the process variable selected in advance among the plurality of process variables. A series of process data is used as input data, and the data value Xi, which is the value of the input data at the time Tk and the past time from the time Tk, is normalized using upper and lower limit values Ximax and Ximin. Next , calculating a data value at time Tk in the search table by calculating a quantized input value Ixi by multiplying by a predetermined quantization number and then converting to an integer .
And storing (d) combined at least any one of the stored numbers of the time series database corresponding to the specified time Tk, the data value at time Tk of the retrieval table in the search table,
A process of creating a search table by repeating a series of steps including changing the specified time Tk, and for each of a plurality of process variables, the predetermined score from the specified time Ts different from the time Tk A step of obtaining a series of process data up to a point in time past m, and a series of process data from the extracted specific time Ts is multiplied by the separation matrix W calculated in the step (b) to obtain a specific time Ts A step of calculating the independent variable value of the above, a step of processing the step (c) for the calculated independent variable value of the specific time Ts, and calculating input data for search at the specific time Ts; as a search key input data for searching for a specific time Ts, the data value at each past time Tk of the search table and the input data value, the value of the corresponding data available The similarity that is the difference between the data values is calculated, and the similarity is used to search for a similar data value up to the vicinity of a preset value of the similarity, thereby obtaining a similar case, and the past time a step of determining the storage time or store numbers with string to data values from the storage time of the similar case, the process data or storage number of the similar case, up to a specified earlier time, the designated And taking out a series of process data up to the previous storage number from the time series database , and making the taken out series of process data a future state of the process.
また、本発明によるプロセスの状態類似事例検索方法は、時系列データベースが高炉プロセスを対象とし、前記プロセス変数値を溶銑温度、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、Si量、熱風温度、炉頂温度、Qロスから少なくとも1つ以上選択するものである。
また、本発明によるプロセスの状態予測方法は、プロセスの将来状態を表示するとともに、その際予測の確からしさとして、前記取り出した一連のプロセスデータを得るのに用いた類似事例の類似度に対応した信頼度を付けて表示するものである。
In addition, the process state similar case search method according to the present invention has a time series database for a blast furnace process, and the process variable values are the hot metal temperature, pulverized coal injection amount, solution loss carbon, heat flow ratio, charging pitch, Si amount. At least one of hot air temperature, furnace top temperature, and Q loss is selected.
In addition, the process state prediction method according to the present invention displays the future state of the process, and at that time, as the accuracy of the prediction, corresponds to the similarity of the similar cases used to obtain the series of process data taken out . It is displayed with reliability.
また、本発明によるコンピュータ読み取り可能な記憶媒体は、前記何れかの発明に記載の各工程をコンピュータに実行させるためのプログラムを記憶したものである。 The computer readable storage medium according to the present invention has remembers a program for executing the respective steps in a computer according to any one of the invention.
本発明によれば、複雑、非線形かつ非定常なプロセスの類似事例を高速に検索することができる。また、時系列データベースがあれば本発明の手法によりシステマチックに類似検索装置の更新を行うことができる。
さらに、複数のプロセス変数値を独立成分変数値に変換したので、変数の数を減少することができる。したがって、検索用テーブルが小さくなり、検索速度を向上することができる。
また、このことによって、本発明の方法を実現する装置の性能を常に高い精度に維持することができる。
また、このことによって、プロセスの状態予測の性能を常に高い精度に維持することができる。
さらに、プロセスの将来状態予測を精度よく行うことは、今後の操業アクションを決定のための重要なガイダンスとなり、操業の安定化に大きく寄与する。
According to the present invention, it is possible to quickly search for similar cases of complicated, non-linear and non-stationary processes. If there is a time series database, the similarity search apparatus can be systematically updated by the method of the present invention.
Furthermore, since a plurality of process variable values are converted into independent component variable values, the number of variables can be reduced. Therefore, the search table becomes small and the search speed can be improved.
In addition, this makes it possible to always maintain the performance of the apparatus for realizing the method of the present invention with high accuracy.
In addition, this makes it possible to always maintain the process state prediction performance with high accuracy.
Furthermore, accurately predicting the future state of the process provides important guidance for determining future operation actions and greatly contributes to the stabilization of operations.
以下、本発明のプロセスの類似事例検索方法、および装置の一実施形態について説明する。
図1は、本発明のプロセスの類似事例検索方法の実施に使用する装置の構成を示すブロック図である。
図1において、高炉プロセス10には、温度、圧力、成分、位置等を計測する各種のセンサが複数設置されている。
図1の20は、高炉プロセス10の計測・制御装置であり、高炉プロセス10から計測した各種のプロセス情報の時系列データをプロセスの操業オペレータに提示し、必要に応じてオペレータの介在のもとにプロセスの制御操作を行っている。なお、以下の説明では、プロセス情報の時系列データを、必要に応じて、プロセス変数、プロセスデータ、または時系列データと称する。
Hereinafter, an embodiment of a method and apparatus for searching similar cases of the process of the present invention will be described.
FIG. 1 is a block diagram showing a configuration of an apparatus used for carrying out the method for searching similar cases of the process of the present invention.
In FIG. 1, the
計測した各種のプロセスデータは、一定時刻毎にプロセス時系列データベース30に格納される。実際にはプロセスデータの種類によって、格納周期が異なるが、ここでは一定周期で格納されているものとする。一定周期でない場合には、短周期のデータにあわせて、長周期のデータの値をホールドすることにより、長周期のデータは短周期のデータに変換することができる。
The various measured process data is stored in the process
図2にプロセス時系列データベース30の格納形式を示す。
プロセス時系列データベース30に格納されているプロセス変数は、溶銑温度、微粉炭吹き込み量(PCR)、ソリューションロスカーボン(SLC)、熱流比、装入ピッチ、Si量、熱風温度(Tf)、炉頂ガス温度、熱負荷(Qロス)等である。格納番号は、時系列データを格納した順番を示す番号である。格納時刻(格納DATE)は、時系列データを格納した時刻であり、年月日時分秒で表現したものである。
FIG. 2 shows a storage format of the process
Process variables stored in the process
図1の35は、プロセス変数の独立変数を分析し、独立変数値を求める独立成分分析部である。独立成分分析により多数のプロセス変数を少数の独立成分に集約できる。独立成分分析は、sを独立信号ベクトル(独立変数)、xを混合信号ベクトル、Aを混合行列、独立信号ベクトルsの次元をn、混合信号ベクトルxの次元をm、混合行列Aの次元を(m*n)とした時に、次の(1式)で構成される混合信号ベクトルxから、独立信号ベクトルsおよび独立信号ベクトルsを求める分離行列Wを計算する手法である。
x=As・・・(1式)
x = As (1 formula)
分離行列Wが求まると、独立信号ベクトルsは次の(2式)により計算される。
s=Wx・・・(2式)
When the separation matrix W is obtained, the independent signal vector s is calculated by the following (Equation 2).
s = Wx (2 formulas)
独立成分分析の手法は、多数提案されているが、ここでは高速ICAという手法を用いる。例えば、Aapo Hyvarianらの論文「Fast and Robust Fixed-Point Algorithms for Independent Component Analysis」(Aapo Hyvarian,IEEE Transactions on Neural Networks.Vol.10,No.3,May 1999,P.626/634)で提案されている。混合信号ベクトルxは、前処理として中心化、すなわち平均値が零になるように変換されているとする。図3に独立成分分析の概要フローを示す。 A number of independent component analysis methods have been proposed. Here, a method called high-speed ICA is used. For example, it was proposed in the paper “Fast and Robust Fixed-Point Algorithms for Independent Component Analysis” by Aapo Hyvarian et al. (Aapo Hyvarian, IEEE Transactions on Neural Networks. Vol. 10, No. 3, May 1999, P. ing. It is assumed that the mixed signal vector x is centered as preprocessing, that is, converted so that the average value becomes zero. FIG. 3 shows an outline flow of independent component analysis.
高速ICAの基本アルゴリズムは、最初に混合信号ベクトルxの白色化を行う(図3のステップ36)。
白色化は混合信号ベクトルxの共分散行列(Σ[xxT]=EDET)の固有値分解を使用する。ここでEは固有ベクトルの直交行列、Dはその固有値の対角行列である。固有値の対角行列Dは、次の(3式)で表される。
D=diag(d1,…,dn)・・・(3式)
The basic algorithm of the high-speed ICA first whitens the mixed signal vector x (
Whitening uses eigenvalue decomposition of the covariance matrix (Σ [xx T ] = EDE T ) of the mixed signal vector x. Here, E is an orthogonal matrix of eigenvectors, and D is a diagonal matrix of its eigenvalues. A diagonal matrix D of eigenvalues is expressed by the following (Expression 3).
D = diag (d 1 , ..., d n ) (3 formulas)
白色化された信号ベクトルzは、次の(4式)により求めることができる。
z=ED-1/2ETx・・・(4式)
ここで、D-1/2は、次の(5式)で計算される行列である。
D-1/2=diag(d1 -1/2,…,dn -1/2)・・・(5式)
The whitened signal vector z can be obtained by the following (Equation 4).
z = ED −1/2 E T x (4 formulas)
Here, D −1/2 is a matrix calculated by the following (formula 5).
D -1/2 = diag (d 1 -1/2 , ..., d n -1/2 ) ... (5 formulas)
次に、白色化された信号ベクトルzから、分離行列Wを求める(図3のステップ37)。
分離行列Wの1行をwT(荷重ベクトルと呼ぶ)とし、以下のようにして分離行列Wを求める。
Next, a separation matrix W is obtained from the whitened signal vector z (
One row of the separation matrix W is set to w T (referred to as a load vector), and the separation matrix W is obtained as follows.
1)荷重ベクトルwの初期値を設定する(例えば乱数)。
2)次の(6式)の計算を行う。
1) An initial value of the load vector w is set (for example, a random number).
2) Perform the following calculation (6).
ここでgは、例えば以下の(7式)や(8式)などの関数に設定する。
g(u)=tanh(u)・・・(7式)
g(u)=u exp(-u2/2)・・・(8式)
また、(6式)においてμは学習係数であり、1と設定するが(μ=1)、収束性に問題がある場合には、例えば、0.1又は0.01といった1より小さい値に設定する。
3)次の(9式)の計算を行う。
Here, g is set to a function such as the following (Expression 7) or (Expression 8).
g (u) = tanh (u) (7 formulas)
g (u) = u exp ( -
In (Equation 6), μ is a learning coefficient and is set to 1 (μ = 1). However, if there is a problem with convergence, for example, the value is smaller than 1 such as 0.1 or 0.01. Set.
3) The following (Equation 9) is calculated.
4)荷重ベクトルwが収束していない場合は、前記2)へもどり、2)と3)とを繰り返す。 4) If the load vector w has not converged, return to 2) and repeat 2) and 3).
次に、異なった荷重ベクトルwが同じ方向に収束するのを防ぐために、各繰り返し後の出力値wT 1z、wT 2z,…wn Tzが非相関になるように第i独立成分の荷重ベクトルwの直交化を以下の処理で行う。
5)次の(10式)の計算を行う。
Next, different to weight vectors w are prevented from converging in the same direction, the output value w T 1 z after each iteration, w T 2 z, ... w n T z is the i independently so that the decorrelation The orthogonalization of the component load vector w is performed by the following processing.
5) The following (Equation 10) is calculated.
前記の高速ICAアルゴリズムにより分離行列Wを求め、これから独立成分変数値は、以下の(11式)により計算される。
s=Wz=WED-1/2ETx・・・(11式)
The separation matrix W is obtained by the fast ICA algorithm, and the independent component variable value is calculated from the following (Equation 11).
s = Wz = WED −1/2 E T x (Expression 11)
混合信号ベクトルxは、プロセス変数値を次の(12式)のようにして与えることにより計算できる。
x={プロセス変数1の値、プロセス変数2の値、・・・}T・・・(12式)
この分離行列Wは、後に説明する事例検索時の独立成分変数値計算にもそのまま用いられる。
The mixed signal vector x can be calculated by giving a process variable value as shown in the following equation (12).
x = {value of
This separation matrix W is also used as it is for independent component variable value calculation at the time of a case search described later.
図1の40は、検索用テーブル作成部であり、類似事例検索に用いる検索用テーブル50をプロセス時系列データベース30からのプロセス変数に対して行われる独立成分分析により作成する。
検索用テーブル50は、入力変数として、いくつかのプロセス変数の計測値や、計測値から計算するプロセス状態値の独立成分のある時点の値とそこから過去数時点の値を、量子化したものを用いる。入力変数の量子化は、入力変数値(独立成分値)を1からNの値(Nは設定値で、例えば25)に変換して行う。
The search table 50 is obtained by quantizing measured values of several process variables and independent values of process state values calculated from the measured values as input variables, and values at past points in time. Is used. The quantization of the input variable is performed by converting the input variable value (independent component value) to a value from 1 to N (N is a set value, for example, 25).
高炉プロセスの場合は、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、Si量、熱風温度、炉頂温度、Qロス等の9変数について独立成分分析して得られた5個の独立変数の、各時点とその過去2時刻のデータを入力変数としており、各々の変数値を、例えば1から25の値に量子化して検索用テーブル50のindex部を作成している。検索用テーブル50の検索される変数として、その時点の日付時刻、または対応するデータベースの格納番号を記録している。 In the case of the blast furnace process, it was obtained by independent component analysis of nine variables such as hot metal temperature, pulverized coal injection amount, solution loss carbon, heat flow ratio, charging pitch, Si amount, hot air temperature, furnace top temperature, Q loss, etc. The data of each of the five independent variables at each time point and the past two times is used as an input variable, and each variable value is quantized to a value from 1 to 25, for example, to create an index part of the search table 50. . As a variable to be searched in the search table 50, the date and time at that time or the storage number of the corresponding database is recorded.
図4に検索用テーブル50の例を示す。ここでは、入力変数は15変数(5個の独立プロセス変数、3時刻分)、量子化数25の場合を示す。検索変数は、データベース(DB)30における格納番号または格納時刻(DB格納DATE)である。図4のinput_1からinput_15は入力変数で、夫々溶銑温度、PCR、SLC等の独立変数に関するその時点(t)、1時刻前(t−1)、2時刻前(t−2)の量子化されたものである。 FIG. 4 shows an example of the search table 50. Here, the input variables are 15 variables (5 independent process variables, 3 times), and the number of quantization is 25. The search variable is a storage number or storage time (DB storage DATE) in the database (DB) 30. Input_1 to input_15 in FIG. 4 are input variables, which are quantized at the time (t), one time before (t-1), and two times before (t-2) regarding independent variables such as hot metal temperature, PCR, and SLC, respectively. It is a thing.
図5に検索用テーブル50の作成手順を示す。ステップ41では、プロセス時系列データベース30を時系列順にアクセスして、所定の入力変数のデータ値、格納時刻、または格納番号をプロセス時系列データベース30から収集する。ステップ42では、入力変数の独立成分分析を行い、独立成分変数をもとめ、ステップ43では、独立変数のデータ値の量子化を行っている。
FIG. 5 shows a procedure for creating the search table 50. In
入力データ(独立変数)をXiとし、予め与えたその上下限の値を夫々Ximax, Ximin、量子化数をnとすれば、入力データXiの量子化値Ixiは次の(13)式によって計算される。 If the input data (independent variable) is Xi, the upper and lower limits given in advance are Ximax and Ximin, and the quantization number is n, the quantized value Ixi of the input data Xi is calculated by the following equation (13). Is done.
Ixi = 整数化(N*(Xi−Ximin)/(Ximax−Ximin)+1)・・・(13式)
ただし、iは1から15(i=1〜15)である。また、整数化とは、小数点以下切り捨ての意味である。
Ixi = integerization (N * (Xi−Ximin) / (Ximax−Ximin) +1) (13)
However, i is 1 to 15 (i = 1 to 15). In addition, integerization means truncation after the decimal point.
ステップ44では、検索用テーブル50に15個の量子化された独立変数データ値と格納時刻、あるいは格納番号を設定する。
プロセス時系列データベース30の所定の格納番号または格納時刻まで図5の処理を繰り返す。
In
The process of FIG. 5 is repeated until a predetermined storage number or storage time in the process
次に、図1の60は、類似事例検索部であり、検索用テーブル50を用いて類似事例の検索を行う。現在時刻のプロセス状態と類似時点を検索するために、現在時刻のプロセスデータを、プロセスの計測・制御装置20から取り込み、図6に示す手順で類似事例を検索する。
Next,
図6のステップ61では、計測・制御装置20から類似事例を検索したい現在時点のプロセスデータを入手し、先に求めた分離行列Wにより独立成分変数値を計算する。
In
ステップ62では、入手したプロセスデータ(独立成分変数)から検索用テーブル50の入力データを選択し、先に説明した量子化を行い、検索用テーブル50の15個の入力値を作成する。
In
ステップ63では、検索用テーブル50と選択した入力データの照合を行う。単純な照合の方法の一例としては、検索用テーブル50を上から順番に下まで照合する方法がある。照合するものがあれば、その格納されているDB格納番号またはDB格納時刻(格納DATE)を照合した数だけ記録する。この場合は、事例の類似度を0に設定する。
In
一方、検索用テーブル50に入力データとマッチするものがなければ、入力データの近傍1を再度探索する。近傍データは、まず各入力データの量子化データ値の前後(+1、−1)まで探索する。
On the other hand, if there is no match in the search table 50 with the input data, the
例えば、溶銑温度の量子化データが13であれば、12〜14の範囲のデータが照合範囲となる。各入力変数について範囲を前後に拡大して探索し、すべてを満足するものを探し、あればそのDB格納番号あるいはDB格納時刻(格納DATE)を類似時点として記録する。この場合は、類似度は1となる。同様に探索するものがなければ次の近傍2を探索し、照合するものがあれば、同様に類似時点を記録し、類似度を2とする。設定された近傍kまで探索し、照合するものがなければ類似事例なしとする。
For example, if the hot metal temperature quantization data is 13, the data in the range of 12 to 14 is the collation range. For each input variable, search by expanding the range back and forth to find one that satisfies all, and if there is, record the DB storage number or DB storage time (storage DATE) as a similar time. In this case, the similarity is 1. Similarly, if there is nothing to search, the
ステップ64では、検索テーブルから検索された複数の類似時点のDB格納番号またはDB格納時刻(格納DATE)を順番にプロセス時系列データベース30から類似のプロセスデータを抽出して、画面やファイルに出力する。
なお、図1の70は、その検索結果を表示する類似事例表示部である。
In
Note that
図7と図8に、高炉の類似事例検索結果を示す。溶銑温度、装入ピッチ、微粉炭吹き込み量、ソリューションロスカーボンの現在時点と類似時点の対応を示す。 7 and 8 show search results for similar cases of blast furnaces. The correspondence of hot metal temperature, charging pitch, pulverized coal injection amount, solution loss carbon at the present time and similar time is shown.
図7(a)、(b)と図8(a)、(b)において、上段が現在事例、下段が類似事例である。これらの結果から現在の事例の前後と類似検索された事例の前後はかなり似た傾向を示しており類似事例検索が良好に機能していることを示している。 7A and 7B and FIGS. 8A and 8B, the upper row is the current case and the lower row is the similar case. From these results, the trend before and after the current case is similar to that before and after the similar case, indicating that the similar case search functions well.
本実施形態による方法では、検索用テーブル50の更新が大変容易である。オンラインで逐次実施することも可能であるが、更新用のデータがプロセス時系列データベース30に一定量蓄積された時点で、そのデータを使って、図5の手順で検索用テーブル50に値を追記することが可能である。また、操業変化により利用が出来なくなったある時点以前のデータを検索用テーブル50から削除することも、その年月日と時刻、あるいはその時点に対応する格納番号のデータを削除することにより容易に行うことができる。
In the method according to the present embodiment, it is very easy to update the search table 50. Although it is possible to execute it sequentially online, when a certain amount of update data is accumulated in the process time-
本実施形態による方法では、プロセスの現在状態に類似な事象を検索するだけでなく、プロセス時系列データベース30の特定時点に類似した事象を検索することも可能である。
また、検索用テーブル50にない入力状態に対応する検索は、検索用テーブル50の近傍検索により、精度は多少低下するものの実施することが可能である。
In the method according to the present embodiment, not only an event similar to the current state of the process but also an event similar to a specific time point in the process
In addition, a search corresponding to an input state that is not in the search table 50 can be performed by a neighborhood search of the search table 50, although the accuracy is somewhat reduced.
図9は、本発明のプロセスの将来状態予測方法の実施に使用する装置の構成を示すブロック図である。図1と同じ方法にて、プロセスにおける将来の状態の予測をしたい時点と類似の過去事例を、検索用テーブル50を検索して、類似時刻を検索し、その将来事例を用いて将来状態を予測する。その手順を図10で説明する。 FIG. 9 is a block diagram showing the configuration of an apparatus used for carrying out the process future state prediction method of the present invention. In the same manner as in FIG. 1, the search table 50 is searched for past cases similar to the time point at which the future state of the process is to be predicted, the similar time is searched, and the future state is predicted using the future case. To do. The procedure will be described with reference to FIG.
図10のステップ71では、計測・制御装置20から現在時点のプロセスデータを入手する。ステップ72では、その独立成分変数を求める。ステップ73では、入手したプロセスデータから検索用テーブル50の入力データを選択し、その量子化を行い、検索用テーブル50の入力データを作成する。なお、これらステップ71〜73は、図6のステップ61、62に対応する。
In
ステップ74では、検索用テーブル50に入力データを独立成分計算して設定して、格納されている類似時点を複数点得る。このときの類似度をIRとする。なお、このステップ74は、図6のステップ63に対応する。
In
ステップ75では、類似時点から設定された将来予測時刻、例えば8時間先までのDB格納時刻をキーとして、プロセス時系列データベース30からそのプロセスデータを逐次入手する。また、複数の類似点において同じ操作を繰り返し複数組の将来の状態予測値を得ることができる。複数の類似点における個々の将来予測グラフ、およびそれらの平均化したグラフ、また変動範囲を画面に表示させる。また、表示にあたって、事例の類似度に対応した信頼度も一緒に表示する。
In
例えば、類似度が0の場合、信頼度は高い(H)とし、類似度が1の場合は、信頼度はやや高い(SH)とし、類似度が2の場合、信頼度は普通(M)とし、類似度が3の場合、信頼度は注意(L)として表示する。なお、図9において、90は、それらの将来状態の予測結果を表示する将来状態予測表示部である。
For example, when the similarity is 0, the reliability is high (H), when the similarity is 1, the reliability is slightly high (SH), and when the similarity is 2, the reliability is normal (M). When the similarity is 3, the reliability is displayed as caution (L). In FIG. 9,
図11に、高炉の将来予測結果を示す。2時間先の溶銑温度の実績値と予測値がよく対応しており、本手法の有効性を示している。
また、本実施形態による手法は、温度分布、圧力分布等の空間位置に対応させて画像化できるプロセス変数についても応用することができる。この場合、独立成分分析によりその特徴量をもとめ、その変数を入力変数として用いることにより、類似事例検索や将来状態予測が可能となる。
FIG. 11 shows the future prediction results of the blast furnace. The actual value and predicted value of the hot metal temperature two hours ahead correspond well, indicating the effectiveness of this method.
The method according to the present embodiment can also be applied to process variables that can be imaged corresponding to spatial positions such as temperature distribution and pressure distribution. In this case, the feature amount is obtained by independent component analysis, and the variable is used as an input variable, whereby similar case retrieval and future state prediction can be performed.
図12に、高炉の炉周方向、高さ方向の炉内分布画像に対して類似事例検索を行った事例を示す。元画像(図12(a))に類似の画像(図12(b)〜(d))が複数時点で精度よく検索できていることが分かる。 FIG. 12 shows a case where a similar case search is performed on the distribution image in the furnace circumferential direction and height direction of the blast furnace. It can be seen that images similar to the original image (FIG. 12A) (FIGS. 12B to 12D) can be searched with high accuracy at a plurality of times.
(本発明の他の実施形態)
前述した各実施の形態における装置による制御動作は、図13に示すようなコンピュータシステムを用いることにより実現することができる。
図13は、前述した実施形態における装置に配設されたコンピュータシステムの構成の一例を示したブロック図である。
図13において、コンピュータシステム100は、CPU101と、ROM102と、RAM103と、キーボード(KB)104のキーボードコントローラ(KBC)105と、表示部としてのCRTディスプレイ(CRT)106のCRTコントローラ(CRTC)107と、ハードディスク(HD)108及びフレキシブルディスク(FD)109のディスクコントローラ(DKC)110と、ネットワーク111との接続のためのネットワークインターフェースコントローラ(NIC)112とが、システムバス113を介して互いに通信可能に接続された構成としている。
(Other embodiments of the present invention)
The control operation by the apparatus in each embodiment described above can be realized by using a computer system as shown in FIG.
FIG. 13 is a block diagram showing an example of the configuration of a computer system arranged in the apparatus according to the above-described embodiment.
In FIG. 13, a
CPU101は、ROM102或いはHD108に記憶されたソフトウェア、或いはFD109より供給されるソフトウェアを実行することで、システムバス103に接続された各構成部を総括的に制御する。
すなわち、CPU101は、所定の処理シーケンスに従った処理プログラムを、ROM102、或いはHD108、或いはFD109から読み出して実行することで、後述する動作を実現するための制御を行う。
The
That is, the
RAM103は、CPU101の主メモリ或いはワークエリア等として機能する。
KBC105は、KB104や図示していないポインティングデバイス等からの指示入力を制御する。
The RAM 103 functions as a main memory or a work area for the
The
CRTC107は、CRT106の表示を制御する。
DKC110は、ブートプログラム、種々のアプリケーション、編集ファイル、ユーザファイル、ネットワーク管理プログラム、及び本実施の形態における所定の処理プログラム等を記憶するHD108及びFD109とのアクセスを制御する。
NIC112は、ネットワーク111上の装置或いはシステムと双方向にデータをやりとりする。
The
The
The
また、前述した実施形態の機能を実現するべく各種のデバイスを動作させるように、該各種デバイスと接続された装置あるいはシステム内のコンピュータに対し、前記実施形態の機能を実現するためのソフトウェアのプログラムコードを供給し、そのシステムあるいは装置のコンピュータ(CPUあるいはMPU)に格納されたプログラムに従って前記各種デバイスを動作させることによって実施したものも、本発明の範疇に含まれる。 Also, a software program for realizing the functions of the above-described embodiment for an apparatus connected to the various devices or a computer in the system so as to operate various devices to realize the functions of the above-described embodiments. What was implemented by supplying the code and operating the various devices in accordance with a program stored in a computer (CPU or MPU) of the system or apparatus is also included in the scope of the present invention.
また、この場合、前記ソフトウェアのプログラムコード自体が前述した実施形態の機能を実現することになり、そのプログラムコード自体、およびそのプログラムコードをコンピュータに供給するための手段、例えば、かかるプログラムコードを格納した記憶媒体は本発明を構成する。かかるプログラムコードを記憶する記憶媒体としては、例えばフレキシブルディスク、ハードディスク、光ディスク、光磁気ディスク、CD−ROM、磁気テープ、不揮発性のメモリカード、ROM等を用いることができる。 In this case, the program code of the software itself realizes the functions of the above-described embodiments, and the program code itself and means for supplying the program code to the computer, for example, the program code are stored. This storage medium constitutes the present invention. As a storage medium for storing the program code, for example, a flexible disk, a hard disk, an optical disk, a magneto-optical disk, a CD-ROM, a magnetic tape, a nonvolatile memory card, a ROM, or the like can be used.
また、コンピュータが供給されたプログラムコードを実行することにより、前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)あるいは他のアプリケーションソフト等と共同して前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。 Further, by executing the program code supplied by the computer, not only the functions of the above-described embodiments are realized, but also the OS (operating system) or other application software in which the program code is running on the computer, etc. It goes without saying that the program code is also included in the embodiment of the present invention even when the functions of the above-described embodiment are realized in cooperation with the embodiment.
さらに、供給されたプログラムコードがコンピュータの機能拡張ボードやコンピュータに接続された機能拡張ユニットに備わるメモリに格納された後、そのプログラムコードの指示に基づいてその機能拡張ボードや機能拡張ユニットに備わるCPU等が実際の処理の一部または全部を行い、その処理によって前述した実施形態の機能が実現される場合にも本発明に含まれることは言うまでもない。 Further, after the supplied program code is stored in the memory provided in the function expansion board of the computer or the function expansion unit connected to the computer, the CPU provided in the function expansion board or function expansion unit based on the instruction of the program code Needless to say, the present invention includes a case where the functions of the above-described embodiment are realized by performing part or all of the actual processing.
10 高炉プロセス
20 計測・制御装置
30 プロセス時系列データベース
35 独立成分分析部
40 検索用テーブル作成部
50 検索用テーブル
55 独立成分計算部
60 類似事例検索部
70 類似結果表示部
90 将来状態予測表示部
DESCRIPTION OF
Claims (6)
(イ)前記複数のプロセス変数それぞれについて、指定した時刻Tkから所定の点数mだけ過去の時点までの一連のプロセスデータを、前記時系列データベースから抽出する工程と、
(ロ)前記抽出した一連のプロセスデータに対し独立成分分析を実施し、前記指定した時刻Tkから所定の点数mだけ過去の時点での一連のデータ値からなる複数の独立変数の値sと、分離行列Wとを計算する工程と、
(ハ)前記計算した一連の複数の独立変数の値sを入力データとするか、又は、前記計算した一連の複数の独立変数の値sと前記複数のプロセス変数のうちの予め選んだプロセス変数の一連のプロセスデータとを入力データとして、該入力データの前記時刻Tk及び該時刻Tkから過去の時刻それぞれにおける値であるデータ値Xiを、予め与えた上下限値Ximax、Ximinを用いて規格化し、次に所定の量子化数を掛けた後に整数化することにより量子化した入力値Ixiを計算して、検索用テーブルの時刻Tkでのデータ値を算出する工程と、
(ニ)前記指定した時刻Tkと対応する時系列データベースの格納番号の少なくとも何れか1つと合わせて、前記検索用テーブルの時刻Tkでのデータ値を検索用テーブルに格納する工程と、
からなる一連の工程を、前記指定した時刻Tkを変えて繰り返して、検索用テーブルを作成する工程と、
複数のプロセス変数それぞれについて、前記時刻Tkと別の指定した特定時刻Tsから前記所定の点数mだけ過去の時点までの一連のプロセスデータを入手する工程と、
前記抽出した特定時刻Tsからの一連のプロセスデータに、前記(ロ)の工程で算出した分離行列Wを乗じて、特定時刻Tsの独立変数値を計算する工程と、
前記計算した特定時刻Tsの独立変数値について、前記(ハ)の工程の処理をして、特定時刻Tsの検索用の入力データを算出する工程と、
前記特定時刻Tsの検索用の入力データを検索のキーとして、該入力データ値と前記検索用テーブルの過去の時刻Tkそれぞれでのデータ値とを、対応するデータの値ごとに照合して、該データ値の差分である類似度を算出し、該類似度を用いて類似度の予め設定した値の近傍まで類似したデータ値を探索して類似事例とし、該過去の時刻のデータ値に紐ついた格納時刻または格納番号を求める工程と、
前記類似事例の格納時刻または格納番号に相当する、類似事例の一連のプロセスデータを前記時系列データベースから抽出する工程と、
からなることを特徴とするプロセスの状態類似事例検索方法。 Using a computer, process data consisting of measured values for each of a plurality of process variables is stored in a time series database that is stored at fixed time intervals along with the storage time and storage number indicating the storage order. In a method for searching past state similar cases of processes similar to
(B) for each of the plurality of process variables, a step of a series of process data from the specified time Tk until only time in the past predetermined number m, and out the time series from the database extract,
(B) Independent component analysis is performed on the extracted series of process data, and a plurality of independent variable values s composed of a series of data values at a predetermined time point m from the designated time Tk ; Calculating a separation matrix W ;
(C) The calculated series of a plurality of independent variable values s are used as input data, or the calculated series of the plurality of independent variable values s and the process variable selected in advance among the plurality of process variables. A series of process data is used as input data, and data values Xi that are values at the time Tk and past times from the time Tk of the input data are normalized using upper and lower limit values Ximax and Ximin. Next , calculating a data value at time Tk in the search table by calculating a quantized input value Ixi by multiplying by a predetermined quantization number and then converting to an integer .
And storing (d) combined at least any one of the stored numbers of the time series database corresponding to the specified time Tk, the data value at time Tk of the retrieval table in the search table,
A process of repeating the above-described series of steps while changing the designated time Tk to create a search table;
For each of the plurality of process variables, comprising the steps of obtaining a series of process data from the time Tk and another designated specific time Ts to a past time point by the predetermined number m,
A series of process data from a specific time Ts of the extracted, by multiplying the separation matrix W calculated in step (b), calculating a German Tatsuhen numbers in a particular time Ts,
With respect to the calculated independent variable value at the specific time Ts, the step (c) is processed to calculate input data for search at the specific time Ts;
Using the input data for search at the specific time Ts as a search key, the input data value and the data value at each past time Tk in the search table are collated for each corresponding data value, A similarity that is a difference between data values is calculated, and the similarity is used to search for a similar data value up to the vicinity of a preset value of the similarity as a similar case, and is associated with the data value of the past time was stored time or a step of determining the store number,
A step of extracting said engraved when stored in similar cases correspond to store numbers, a series of process data similar case from the time series data base,
State similar case retrieval method of the process which is characterized in that it consists of.
(イ)前記複数のプロセス変数それぞれについて、指定した時刻Tkから所定の点数mだけ過去の時点までの一連のプロセスデータを、前記時系列データベースから抽出する工程と、
(ロ)前記抽出した一連のプロセスデータに対し独立成分分析を実施し、前記指定した時刻Tkから所定の点数mだけ過去の時点での一連のデータ値からなる複数の独立変数の値sと、分離行列Wとを計算する工程と、
(ハ)前記計算した一連の複数の独立変数の値sを入力データとするか、又は、前記計算した一連の複数の独立変数の値sと前記複数のプロセス変数のうちの予め選んだプロセス変数の一連のプロセスデータとを入力データとして、該入力データの前記時刻Tk及び該時刻Tkから過去の時刻それぞれにおける値であるデータ値Xiを、予め与えた上下限値Ximax、Ximinを用いて規格化し、次に所定の量子化数を掛けた後に整数化することにより量子化した入力値Ixiを計算して、検索用テーブルの時刻Tkでのデータ値を算出する工程と、
(ニ)前記指定した時刻Tkと対応する時系列データベースの格納番号の少なくとも何れか1つと合わせて、前記検索用テーブルの時刻Tkでのデータ値を検索用テーブルに格納する工程と、
からなる一連の工程を、前記指定した時刻Tkを変えて繰り返して、検索用テーブルを作成する工程と、
複数のプロセス変数それぞれについて、前記時刻Tkと別の指定した特定時刻Tsから前記所定の点数mだけ過去の時点までの一連のプロセスデータを入手する工程と、
前記抽出した特定時刻Tsからの一連のプロセスデータに、前記(ロ)の工程で算出した分離行列Wを乗じて、特定時刻Tsの独立変数値を計算する工程と、
前記計算した特定時刻Tsの独立変数値について、前記(ハ)の工程の処理をして、特定時刻Tsの検索用の入力データを算出する工程と、
前記特定時刻Tsの検索用の入力データを検索のキーとして、該入力データ値と前記検索用テーブルの過去の時刻Tkそれぞれでのデータ値とを、対応するデータの値ごとに照合して、該データ値の差分である類似度を算出し、該類似度を用いて類似度の予め設定した値の近傍まで類似したデータ値を探索して類似事例とし、該過去の時刻のデータ値に紐ついた格納時刻または格納番号を求める工程と、
前記類似事例の格納時刻から、指定された先の時刻までのプロセスデータ、または前記類似事例の格納番号から、指定された先の格納番号までの一連のプロセスデータを前記時系列データベースから取り出す工程と、を具備し、
前記取り出した一連のプロセスデータをプロセスの将来状態とすることを特徴とするプロセスの状態予測方法。 Using a computer, process data consisting of measured values for each of a plurality of process variables is stored in a time series database that is stored at fixed time intervals along with the storage time and storage number indicating the storage order. In a method for predicting the future state of a process by searching for similar cases in the past state of a process similar to
(B) for each of the plurality of process variables, a step of a series of process data from the specified time Tk until only time in the past predetermined number m, and out the time series from the database extract,
(B) Independent component analysis is performed on the extracted series of process data, and a plurality of independent variable values s composed of a series of data values at a predetermined time point m from the designated time Tk ; Calculating a separation matrix W ;
(C) The calculated series of a plurality of independent variable values s are used as input data, or the calculated series of the plurality of independent variable values s and the process variable selected in advance among the plurality of process variables. A series of process data is used as input data, and the data value Xi, which is the value of the input data at the time Tk and the past time from the time Tk, is normalized using upper and lower limit values Ximax and Ximin. Next , calculating a data value at time Tk in the search table by calculating a quantized input value Ixi by multiplying by a predetermined quantization number and then converting to an integer .
And storing (d) combined at least any one of the stored numbers of the time series database corresponding to the specified time Tk, the data value at time Tk of the retrieval table in the search table,
A process of repeating the above-described series of steps while changing the designated time Tk to create a search table ;
For each of the plurality of process variables, comprising the steps of obtaining a series of process data from the time Tk and another designated specific time Ts to a past time point by the predetermined number m,
Multiplying the series of process data from the extracted specific time Ts by the separation matrix W calculated in the step (b) to calculate an independent variable value at the specific time Ts ;
With respect to the calculated independent variable value at the specific time Ts, the step (c) is processed to calculate input data for search at the specific time Ts;
Using the input data for search at the specific time Ts as a search key, the input data value and the data value at each past time Tk in the search table are collated for each corresponding data value, A similarity that is a difference between data values is calculated, and the similarity is used to search for a similar data value up to the vicinity of a preset value of the similarity as a similar case, and is associated with the data value of the past time was stored time or a step of determining the store number,
Extracting process data from the storage time of the similar case to a specified previous time, or a series of process data from the storage number of the similar case to the specified previous storage number from the time series database ; , And
A process state prediction method, characterized in that the series of extracted process data is set as a future state of the process.
前記プロセスの将来状態を表示するとともに、その際予測の確からしさとして、前記取り出した一連のプロセスデータを得るのに用いた類似事例の類似度に対応した信頼度を付けて表示することを特徴とするプロセスの状態予測方法。 In the process state prediction method according to claim 2 or 4,
The future state of the process is displayed, and at the same time, the reliability corresponding to the similarity of the similar cases used to obtain the series of the extracted process data is displayed as the certainty of the prediction. state prediction method of to Help process.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2003367716A JP4268500B2 (en) | 2003-10-28 | 2003-10-28 | Process state similar case search method, state prediction method, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2003367716A JP4268500B2 (en) | 2003-10-28 | 2003-10-28 | Process state similar case search method, state prediction method, and storage medium |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2005135010A JP2005135010A (en) | 2005-05-26 |
JP4268500B2 true JP4268500B2 (en) | 2009-05-27 |
Family
ID=34645644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2003367716A Expired - Lifetime JP4268500B2 (en) | 2003-10-28 | 2003-10-28 | Process state similar case search method, state prediction method, and storage medium |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4268500B2 (en) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007018184A (en) * | 2005-07-06 | 2007-01-25 | Ntt Communications Kk | Database server device, data management method, and program |
JP5157874B2 (en) * | 2007-12-20 | 2013-03-06 | 新日鐵住金株式会社 | Product material value prediction method, apparatus, operating condition determination method, program, and computer-readable recording medium |
JP4954936B2 (en) * | 2008-04-21 | 2012-06-20 | 新日本製鐵株式会社 | Operation support device, operation support method and program |
JPWO2010100701A1 (en) * | 2009-03-06 | 2012-09-06 | 株式会社東芝 | Learning device, identification device and method thereof |
JP5271136B2 (en) * | 2009-03-26 | 2013-08-21 | 株式会社神戸製鋼所 | Output value prediction method, apparatus, and program for the method |
BR112012000470A2 (en) | 2009-07-07 | 2016-02-16 | Nippon Steel Corp | operation support apparatus, operation support method and program |
JP6148440B2 (en) * | 2012-06-21 | 2017-06-14 | 旭化成エレクトロニクス株式会社 | Sensor signal processing apparatus and sensor signal processing method |
EP3726318B1 (en) * | 2019-04-17 | 2022-07-13 | ABB Schweiz AG | Computer-implemented determination of a quality indicator of a production batch-run that is ongoing |
CN113234874B (en) * | 2021-05-14 | 2022-01-11 | 浙江大学 | Blast furnace fault monitoring and self-healing control system based on dynamic Bayesian network |
-
2003
- 2003-10-28 JP JP2003367716A patent/JP4268500B2/en not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
JP2005135010A (en) | 2005-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20110238606A1 (en) | Kernel regression system, method, and program | |
JP2001502831A (en) | A method for classifying the statistical dependence of measurable time series | |
Chen et al. | Weighted fuzzy interpolative reasoning based on the slopes of fuzzy sets and particle swarm optimization techniques | |
Xu et al. | Online multi-task learning framework for ensemble forecasting | |
JP3762840B2 (en) | Prediction apparatus and method for performing prediction based on similar cases | |
JP4488964B2 (en) | Process operating state control method and computer program | |
US20170039470A1 (en) | Factor extraction system and factor extraction method | |
JP4268500B2 (en) | Process state similar case search method, state prediction method, and storage medium | |
JP5176206B2 (en) | Process state similar case search method and process control method | |
US20140236869A1 (en) | Interactive variable selection device, interactive variable selection method, and interactive variable selection program | |
Yang et al. | A surrogate-assisted particle swarm optimization algorithm based on efficient global optimization for expensive black-box problems | |
JP2015117431A (en) | Device and method for estimating blast furnace heat | |
Bahri et al. | Shapelet-based counterfactual explanations for multivariate time series | |
Wu et al. | A new pattern based Petri net to model sintering production process | |
CN112084944B (en) | Dynamic evolution expression recognition method and system | |
JP2020139914A (en) | Substance structure analysis device, method and program | |
CN112307769A (en) | Natural language model generation method and computer equipment | |
JP2013168020A (en) | State prediction method for process | |
JP2002157572A (en) | Device and method for predicting result and computer readable storage medium | |
Culp et al. | On adaptive regularization methods in boosting | |
JP2019159988A (en) | Neural network device and program | |
JP2004310492A (en) | Method for searching case similar to state of process, method for predicting state of process, and computer-readable storage medium | |
Sáez et al. | A new method for structure identification of fuzzy models and its application to a combined cycle power plant | |
Islamadina et al. | Learning Rate Analysis for Pain Recognition Through Viola-Jones and Deep Learning Methods | |
JP4042678B2 (en) | Word vector estimation method and apparatus, word vector estimation program, and computer-readable recording medium recording word vector estimation program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20051024 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20081028 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20081224 |
|
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: 20090203 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20090220 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 4268500 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120227 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120227 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130227 Year of fee payment: 4 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130227 Year of fee payment: 4 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130227 Year of fee payment: 4 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130227 Year of fee payment: 4 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140227 Year of fee payment: 5 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
EXPY | Cancellation because of completion of term |