JP5476418B2 - バッチ特性推定のための装置及び方法 - Google Patents

Description

本発明の開示は、プロセス制御システムに関し、更に詳細には、バッチプロセスの特性に関連する推定値及び／又は予想を決定することに関する。

プロセスは、連続プロセス、準連続プロセス及びバッチプロセスの３つのカテゴリーに分類される。連続プロセスは、連続的な速度の原料又は供給成分に於いて、出力に生成物の連続的な流れを生成するように動作するものである。連続プロセスの例には、石油精製プロセス、ビタミンＣ製造プロセス、特定の物品の化学品製造プロセス等が含まれる。温度、圧力、流速などのプロセス変数の値は、連続プロセス内のどの位置に於いても、長期に亘って典型的に同じである。

バッチプロセスは、制限された原料又は供給成分に於いてグループとして動作し、これらの供給された成分を長期に亘って一連のプロセスステップを介してプロセスの完了まで出力生成物を生成するように強制するプロセスである。通常、バッチプロセスにはそのプロセスの動作の間に新たな成分は提供されない。バッチプロセスの例には、ビールの製造、幾つかの医薬品及び多くのスペシャリティーケミカルが含まれる。温度、圧力、流速などのプロセス変数の値は、バッチプロセス内の一又はそれ以上の位置に於いて、長期に亘って典型的に変化する。

準連続プロセスは、その中にバッチプロセスを有する連続プロセスである。典型的には、準連続プロセスは、材料の連続的な供給に於いて動作し、出力生成物の連続的な流れを生成するが、例えば、プロセス内のどこかで有限の時間処理されている材料の制限された量を混合するミキサーのセットを有している。

バッチプロセス（及び準連続プロセスのバッチプロセスコンポーネント）に関しては、温度や圧力などのプロセス変数の過去及び現在の値に基づいて、バッチプロセスの将来の状態を推定することは有用である。例えば、特定のバッチプロセスの最終出力が受け入れ可能かどうかをユーザが推定することを可能とし得る。もし、最終生成出力が受け入れ可能な基準より低ければ、バッチプロセスは、例えば即座に打ち切られるであろう。あるいは、そのバッチプロセスは、そのバッチプロセスに必要な予定時間を超えて生成出力が受け入れ可能となるように延長される。

しかしながら、バッチプロセスの将来の状態を正確に推定するのは、しばしば非常に難しく、時間を要し、コストが高くつく。従って、一つの典型的なアプローチでは、バッチプロセスオペレータは、成功したバッチプロセスのプロセス状態を記録するかもしれない。次に、それに続くバッチプロセスでは、オペレータは、バッチプロセスが既知の成功したバッチプロセスの状態に近くなるようにプロセスを正確に維持するように試みる。このアプローチでは、もしバッチ状態が既知の成功したバッチプロセスのそれに近く維持されているなら、その最終バッチプロセスの状態はその既知の成功したバッチプロセスのそれに近くなるはずである。しかし、他の測定されない状態又は正確に制御されない状態は、最終的なバッチプロセスの状態に影響する。従って、たとえ多くのバッチプロセスの状態が正確に維持されても、バッチプロセスの最終的な結果は、既知の成功したバッチプロセスのそれとは異なるものとなる。

もう一つのアプローチに於いては、数学的な式（例えば、パラメータモデル）がプロセスの反応速度を推定するために開発されており、そこでは、その式は測定されたプロセス状態の関数である。その式は、バッチプロセスの現在の状態の推定値を生成する。しかし、多くのプロセス状態を考慮するこのような式の開発は、通常は極端に難解である。従って、開発された式は種々の仮定をすることにより簡略化され、結果的に反応速度の粗い近似を与える式をもたらすのみである。従って、このような式に基づいてバッチプロセスの現在の状態を推定することは、バッチプロセスの現在の状態の粗い近似を与えるだけである。

本発明に従う実施形態は、バッチプロセスの特性の推定値を生成するための方法及び装置を提供する。一般的に言えば、ノンパラメトリックモデルは、バッチプロセスに関連する複数の反応速度の推定値を生成する。反応速度の推定値のそれぞれは、例えばバッチプロセスの間の特定の時間に対応している。複数の反応速度の推定値は、特定の時間でのバッチプロセスの特性の推定値を生成するように積分され得る。

他の実施形態に於いては、ノンパラメトリックモデルをトレーニングするための技術が提供される。一般的に言えば、ノンパラメトリックモデルはバッチの終了時間に於ける特性の推定値を生成する。この推定値は、その終了時間でのバッチの実際の特性の測定値と比較され得る。推定値と測定値との間の誤差は、ノンパラメトリックモデルを調整するのに使用され得る。ノンパラメトリックモデルは、複数のバッチプロセスからのデータを使用して、同様に複数の時間を調整し得る。

更に他の実施形態では、付加的な情報がノンパラメトリックモデルによって生成される複数の反応速度の推定値に基づいて生成される。例えば、特定の時間に於けるバッチプロセスの特性と、対応する時間に於けるモデルバッチプロセスの特性との間の差の推定値が生成され得る。この推定値は、付加的な情報を生成するのに使用され得る。例えば、予定される終了時間での特性の予想が決定され得る。もう一つの例として、その特性が望ましい値に到達するまでの残りの時間の推定値が決定され得る。

例示のプロセスプラントのブロックダイヤグラムである。 図１に図式的に示されている例示のコントローラのブロックダイヤグラムである。 図１に図式的に示されている例示のワークステーションのブロックダイヤグラムである。 図１のプロセスプラントのようなシステムに於ける情報のフローの例を示すブロックダイヤグラムである。 バッチプロセスの特性の推定値を生成するための方法の一実施形態のフローダイヤグラムである。 バッチ特性推定器の一実施形態のブロックダイヤグラムである。 図６のバッチ特性推定器をトレーニングするための方法の一実施形態を表すフローダイヤグラムである。 バッチ特性推定器の他の実施形態のブロックダイヤグラムである。 終了時間に於けるバッチプロセスの特性の予測を生成するための方法の一実施形態を表すフローダイヤグラムである。 バッチプロセスの特性が望ましい値に到達するまでの残りの時間の推定値を生成するための方法の一実施形態を表すフローダイヤグラムである。 バッチ特性推定器の更に他の実施形態のブロックダイヤグラムである。 終了時間に於けるバッチプロセスの特性の予測を生成するための方法の一実施形態を表すフローダイヤグラムである。 バッチプロセスの特性が望ましい値に到達するまでの残りの時間の推定値を生成するための方法の他の実施形態を表すフローダイヤグラムである。 バッチ特性推定器の更に他の実施形態のブロックダイヤグラムである。 図１４の利得調整を生成するための方法の一実施形態を表すフローダイヤグラムである。

ここに記載されている実施形態の特徴と利点は、以下の詳細な記述と図面とを参照することにより最高に評価されるであろう。

システムの外観
図１は例示のプロセスプラント１０のブロックダイヤグラムである。プロセスプラント１０は、一又はそれ以上のノード１２，１４，１６，１８及び２０を含んでいる。図１の例示のプロセスプラント１０では、ノード１２，１４及び１６のそれぞれは、例えばFoundation Fieldbusインターフェイス、HARTインターフェイスなどであり得る入力／出力（Ｉ／Ｏ）デバイス２４を介して一又はそれ以上のフィールドデバイス２２及び２３に接続されたプロセスコントローラ１２ａ，１４ａ，１６ａを含んでいる。また、コントローラ１２ａ，１４ａ及び１６ａは、ネットワーク３０を介してノード１８及び２０内の一又はそれ以上のホスト又はオペレータワークステーション１８ａ及び２０ａに接続され、このネットワーク３０は、例えばバス、イーサネット（Ｒ）ＬＡＮのような有線のローカルエリアネットワーク（ＬＡＮ）、無線ＬＡＮ、ワイドエリアネットワーク（ＷＡＮ）、インターネットなどの一又はそれ以上を有している。コントローラノード１２，１４，１６及び入力／出力並びにこれに関連するフィールドデバイス２２,２３及び２４は、時には過酷なプラント環境の全体に典型的に位置し及び分散しているが、オペレータワークステーションノード１８及び２０は、通常、制御室又は他のあまり過酷でない環境に配置され制御要員によって容易にアクセスされ得る。

一般的に言えば、ノード１８及び２０のワークステーション１８ａ及び２０ａは、プロセスプラント１０を構成しモニタするのに使用されるアプリケーションを格納し実行するのに、及び／又はプロセスプラント１０に於けるデバイス２２,２３,２４及びコントローラ１２ａ,１４ａ,１６ａを管理するのに使用され得る。更に、データベース３２は、ネットワーク３０に接続され、ノード１２，１４，１６，１８及び２０内にダウンロードされ及び／又は格納されるときに、プロセスプラント１０の現在の構成を格納するデータヒストリアン及び／又は構成データベースとして動作する。

コントローラ１２ａ,１４ａ及び１６ａのそれぞれは、例示すればEmerson Process Managementによって販売されているＤｅｌｔａＶ（Ｒ）であり、多くの異なる独立して実行される制御モジュール又はブロックを使用して、制御計画を実現するコントローラアプリケーションを格納し実行し得る。制御モジュールは、一般に、機能ブロックと称されるものからそれぞれ構成され得、そこでは各機能ブロックは、全体の制御ルーチンの一部又はサブルーチンであり、（リンクと称される通信を介して）他の機能ブロックとともに動作して、プロセスプラント１０内のプロセス制御ループを実装する。良く知られているように、機能ブロックは、（トランスミッタ、センサ、又は他のプロセスパラメータ測定デバイスのような）入力機能、（ＰＩＤ、ファジー論理などの制御を実行する制御ルーチンに関連するような）制御機能、又は（バルブなどの）幾つかのデバイスの動作を制御する出力機能の一つを典型的に実行する。もちろん、混成及び他のタイプの機能ブロックも存在し使用され得る。fieldbusプロトコル及びＤｅｌｔａＶシステムプロトコルは、オブジェクト指向プログラミングプロトコルで設計され実装された制御モジュール及び機能ブロックを使用し得るが、制御モジュールは、例えば、シーケンシャルの機能ブロック、ラダー（ladder）論理などを含む所望の制御プログラミングスキームを使用して設計されることができ、機能ブロック又は他の何れかの特定のプログラミング技術を使用するように設計されるよう制限されるものではない。典型的に、プロセス制御ノード１２，１４及び１６内に格納されている制御モジュールの構成は、ワークステーション１８ａ及び２０ａによって実行されるアプリケーションにとってアクセス可能である構成データベース３２に格納される。

図１に例示されているシステムでは、コントローラ１２ａ,１４ａ及び１６ａに接続されているフィールドデバイス２２及び２３は、標準的な４−２０ｍＡのデバイスであり、又は、プロセッサ及びメモリを含んだHART、Profibus、又はFoundation Fieldbusフィールドデバイスのようなコンピュータ化したフィールドデバイスであってもよい。Foundation Fieldbusフィールドデバイス（図１では２３の符号が付されている）のようなこれらのデバイスの幾つかは、コントローラ１２ａ,１４ａ及び１６ａに実装されている制御計画に関連する機能ブロックのようなモジュール又はサブモジュールを格納し及び実行し得る。もちろん、フィールドデバイス２２,２３は、センサ、バルブ、トランスミッタ、ポジショナ等のどのようなタイプのデバイスであってもよく、Ｉ／Ｏデバイス２４は、HART、Foundation Fieldbus、又はProfibusのような所望の通信又は制御プロトコルに合致するＩ／Ｏデバイスのどのようなタイプであってもよい。

コントローラ１２ａ,１４ａ及び１６ａは、その中に格納され又はそれに関連する制御ループを含む一又はそれ以上のメモリに格納されたプロセス制御ルーチンを実行し又は監視するプロセッサをそれぞれ含んでいる。コントローラ１２ａ,１４ａ及び１６ａは、所望のどのような方法によってもプロセスを制御するために、フィールドデバイス２２，２３、ワークステーション１８ａ，２０ａ、及びデータベース３２と通信を行う。コントローラ１２ａ,１４ａ及び１６ａは、所望のどのような方法によっても制御計画又は制御ルーチンを実現するようにそれぞれ構成され得る。

一実施形態では、コントローラ１２ａ,１４ａ及び１６ａは、機能ブロックと一般的に称されるものは何でも使用して制御計画を実現し、そこでは各機能ブロックは、全体に亘る制御ルーチンの一部（例えば、サブルーチン）であり、プロセスプラント１０内のプロセス制御ループを実装するために、（リンクと称される通信を介して）他の機能ブロックと関連して動作する。機能ブロックは、プロセスプラント１０内の幾つかの物理的な機能を遂行するために、トランスミッタ、センサ若しくは他のプロセスパラメータ測定デバイスに関連するような入力機能、ＰＩＤ、ファジー論理などの制御を遂行する制御ルーチンに関連するような制御機能、又はバルブのような幾つかのデバイスの動作を制御する出力機能の一つを典型的に遂行する。もちろん混成の又は他のタイプの機能ブロックも存在する。機能ブロックは、これらの機能ブロックが４−２０ｍＡデバイス及びHARTデバイスのようなコンピュータ化したフィールドデバイスに使用され又はそれに関連する典型的な場合、例えば、コントローラ１２ａに格納され及びこれによって実行され得、又は、Fieldbusデバイスの場合では、フィールドデバイスそれ自身に格納され及び実装され得る。

図２は、例示のコントローラ１２ａのブロックダイヤグラムである（コントローラ１４ａ及び１６ａ同じ又は同様のデバイスを備えている）。コントローラ１２ａは、少なくとも一つのプロセッサ４０と、揮発性メモリ４４と、不揮発性メモリ４８とを含んでいる。揮発性メモリ４４は、例えば、ランダムアクセスメモリ（ＲＡＭ）を含んでいる。幾つかの実施形態では、ＲＡＭは、停電の事故によってデータが失われないように一又はそれ以上のバッテリーによってバックアップされている。不揮発性メモリ４８は、例えば、ハードディスク、読み出し専用メモリ（ＲＯＭ）、コンパクトディスクＲＯＭ（ＣＤ−ＲＯＭ）、消去可能プログラマブルＲＯＭ（ＥＰＲＯＭ）、電気的消去可能プログラマブルＲＯＭ（ＥＥＰＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、フラッシュメモリなどの一又はそれ以上を含み得る。また、コントローラ１２ａは、コントローラ入力／出力（Ｉ／Ｏ）デバイス５２を含み得る。プロセッサ４０、揮発性メモリ４４、不揮発性メモリ４８及びコントローラＩ／Ｏデバイス５２は、アドレス／データバス５６を介して相互に接続され得る。幾つかの実施形態では、一又はそれ以上の揮発性メモリ４４、不揮発性メモリ４８及びコントローラＩ／Ｏデバイス５２は、アドレス／データバス５６から分かれたバス（図示せず）を介して、又は直接プロセッサ４０に接続され得る。

また、コントローラ１２ａは、双方向バス６４を介して直接プロセッサ４０に接続されている双方向バッファ６０を含んでいる。バッファ６０は、双方向バス６８を介して複数のＩ／Ｏ回路２４（図１）に接続されている。コントローラ１２ａは、コントローラＩ／Ｏデバイス５２を介してネットワーク３０に接続されている。

制御ノード１２,１４,１６に関連するユーザインターフェイスアプリケーションは、一又はそれ以上のワークステーション１８ａ及び２０ａに格納されこれらによって実行され得る。図３は例示のワークステーション１８ａ（ワークステーション２０ａは同じ又は同様のデバイスを含んでいる）のブロックダイヤグラムである。ワークステーション１８ａは、少なくとも一つのプロセッサ７０と、揮発性メモリ７４と、不揮発性メモリ７８とを含んでいる。揮発性メモリ７４は、例えばＲＡＭを含み得る。幾つかの実施形態では、ＲＡＭは停電の事故によってデータが失われないように一又はそれ以上のバッテリーによってバックアップされている。不揮発性メモリ７８は、例えば、ハードディスク、ＲＯＭ、ＣＤ−ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、ＤＶＤ、フラッシュメモリなどの一又はそれ以上を含み得る。また、ワークステーション１８ａは、ワークステーションＩ／Ｏデバイス８２を含み得る。プロセッサ７０、揮発性メモリ７４、不揮発性メモリ７８及びワークステーションＩ／Ｏデバイス８２は、アドレス／データバス８６を介して相互に接続され得る。また、ワークステーション１８ａは、少なくとも一つのディスプレイ９０と、少なくとも一つのユーザ入力デバイス９４とを含んでいる。ユーザ入力デバイス９４は、例えば、一又はそれ以上のキーボード、マウス等を含んでいる。幾つかの実施形態では、一又はそれ以上の揮発性メモリ７４と、不揮発性メモリ７８と、ワークステーションＩ／Ｏデバイス８２は、アドレス／データバス８６から分かれたバス（図示せず）を介して、又は直接プロセッサ７０に接続され得る。

ディスプレイ９０及びユーザ入力デバイス９４は、ワークステーションＩ／Ｏデバイス８２と接続されている。加えて、ワークステーション１８ａは、ワークステーションＩ／Ｏデバイス８２を介してネットワーク３０に接続されている。ワークステーションＩ／Ｏデバイス８２は図３に一つのデバイスとして示されているけれども、数個のデバイスを備えていてもよい。加えて、幾つかの実施形態では、一又はそれ以上のディスプレイ９０及びユーザ入力デバイス９４は、アドレス／データバス８６又は直接プロセッサ７０に直接接続され得る。

バッチ特性推定値方法の外観
図４は、バッチプロセスの現在の特性の推定に関連する情報の流れを示すブロックダイヤグラムである。バッチプロセス１０４に関連する情報は、バッチ特性推定器１０８に提供される。バッチプロセス情報は、例えば、バッチプロセスの開始の時間又は表示、バッチプロセスが存在する容器のサイズ、原料及び／又は触媒の初期量などの初期状態、温度、圧力などの測定状態、バッチプロセスの開始からの経過時間などを含み得る。バッチプロセス情報に基づいて、バッチ特性推定器１０８は、現在のバッチプロセス特性の推定値を生成する。バッチ特性推定器１０８は、次にその推定値をユーザに提示するためにユーザインターフェイス１１２に送る。

例示の実施形態として、典型的な木材パルプ化プロセスに於いては、木材チップは「柔らかくされ」て、木材繊維を互いに保持しているリグニンを溶解する。生成する「クリーン」な木材繊維は、種々の紙ベースの製品に更に加工され得る。このように、このバッチプロセスでは、注目しているバッチ特性は、木材チップの脱リグニンの程度である。上記の木材パルプの消化プロセスは、ここに記載されている方法及び装置がバッチ特性の推定に使用され得る単なる一つのバッチプロセスの例示であることを理解すべきである。一般的には、クレームされているここに記載の方法及び装置の実施形態は、多くの異なるバッチプロセスに於ける多くの異なるバッチ特性を推定するのに使用され得る。

次に、図１及び図４を参照すれば、バッチ特性推定器１０８は、コントローラ１２ａ,１４ａ,１６ａのような一又はそれ以上のコントローラ、及びそのコントローラに関連するフィールドデバイス２２,２３のようなフィールドデバイスによって実現され得る。例えば、バッチ特性推定器１０８は複数の機能ブロックを有し得、そこでは、各機能ブロックは、一又はそれ以上のコントローラ及びフィールドデバイス又はデバイスによって実現される。バッチ情報は、例えばフィールドデバイス２２,２３、データベース３２、ワークステーション１８ａ,２０ａ、又は他のデバイスの幾つかを介してバッチ特性推定器１０８に提供され得る。バッチ特性推定器１０８によって生成された推定値は、例えばネットワーク３０を介してユーザインターフェイス１１２に送られ得る。ユーザインターフェイス１１２は、例えばワークステーション１８ａ又は２０ａのようなコンピュータによって実現され得る。

図５は、バッチ特性の推定値を生成するための方法の一実施形態を概略的に例示するフローダイヤグラムである。方法１５０は、図４を参照すれば記載されているバッチ特性推定器１０８によって実現され得る。ブロック１５４では、バッチプロセスに関連する情報が受け取られる。バッチプロセス情報は、図４を参照すれば記載されている情報（例えば、バッチプロセスの開始の時間又は表示、初期状態、測定状態、バッチプロセスの開始からの経過時間など）を含んでいる。ブロック１５８では、現在の反応速度の推定値が生成され、ここで、反応速度は注目しているバッチ特性に関連している。現在の反応速度が、ブロック１５４で受け取った情報に基づいて生成される。一般的に、アップデートされたバッチプロセス情報（例えば、測定状態、経過時間）は、バッチプロセスの間を通して受け取られ得、反応速度の推定値はバッチプロセスの間繰り返し生成され得る。次に、ブロック１６２では、ブロック１５８で生成された反応速度の推定値が、現在のバッチ特性の推定値を生成するのに使用される。以下に詳細に記述されるように、一実施形態に於いて時間Ｔでの現在のバッチ特性は、バッチの開始時間から時間Ｔまでの反応時間の積分に基づいて生成され得る。

バッチ特性推定器
図６はバッチ特性推定器の一実施形態のブロックダイヤグラムである。バッチ特性推定器２００は、積分器２０８に通信可能に接続されたニューラルネットワーク２０４を有している。ニューラルネットワーク２０４は、例えば初期状態情報、測定状態情報、バッチプロセスの経過時間などを含むバッチプロセス情報を入力として受け取る。ニューラルネットワークは、反応速度の推定値を生成するようにトレーニングされており、ここで、反応速度は注目しているバッチ特性に関連している。ニューラルネットワーク２０４は、その入力で受け取った情報に基づいて反応速度の推定値を生成する。ニューラルネットワーク２０４のトレーニングは、以下に記述される。

ニューラルネットワーク２０４によって生成された反応速度の推定値は、積分器２０８に提供される。一実施形態では、積分器２０８（例えば、積算器）は、バッチインディケータの開始によってリセットされ得る。この実施形態では、積分器２０８はニューラルネットワーク２０４によって生成される現在の反応速度の推定値を積算する。バッチ特性推定器２００は、積分器２０８の出力を受け取り、またバッチプロセスの終了の表示を受け取るラッチ２１２を更に有し得る。バッチプロセスの終了のインディケータは、バッチプロセスが終了する予定時間の表示であり得る。ラッチ２１２は、バッチプロセスの終了のインディケータに応答するその入力での値をラッチする。

動作に際しては、ニューラルネットワーク２０４は、バッチプロセスの全体に亘る時間に対応する一連の反応速度の推定値を生成し、そこでは、生成された反応速度の推定値のそれぞれは、バッチプロセスの開始からの特定の経過時間に対応している。積分器２０８は、ニューラルネットワーク２０４によって生成された推定値を積分し、一連の現在のバッチ特性の推定値を生成し、そこでは、生成されたバッチ特性推定値のそれぞれは、バッチプロセスの開始からの特定の経過時間に対応している。バッチプロセスが終了する予定の時間で、ラッチ２１２は現在のバッチ特性の推定値をラッチする。このように、ラッチ２１２は終了するバッチ特性の推定値を格納する。他の実施形態に於いては、終了するバッチ特性の推定値は、バッチプロセスの終了のインディケータに応答して、レジスタ、メモリ位置などに格納され得る。

図７は、図６のニューラルネットワーク２０４をトレーニングする方法の一実施形態を示すフローダイヤグラムである。図７の方法２５０は、図６を参照して記述する。ブロック２５４では、ニューラルネットワーク２０４に対する複数のトレーニングレコードが生成される。トレーニングレコードは、実際のバッチプロセスに関連するデータを含み得る。例えば、一つの実際のバッチプロセスに対応するトレーニングレコードは、そのバッチプロセスに対応して、初期状態、バッチプロセスの間の測定状態のサンプル値等を含み得る。一般的には、トレーニングレコードは、そのバッチプロセスの間のニューラルネットワーク２０４への入力として提供されるであろうバッチプロセスデータを含んでいるべきである。加えて、トレーニングレコードは、バッチプロセスの開始、バッチプロセス終了のインディケータ等の、そのバッチプロセスの間バッチ特性推定器２００に提供される他のデータを含み得る。更に、トレーニングレコードは、対応する実際のバッチプロセスに対するバッチ特性の終了の測定値を含むべきである。

ブロック２５８では、ニューラルネットワーク２０４の重みが開始値に初期化される。公知の技術を含む多くの技術の何れも、ニューラルネットワーク２０４の重みの開始値を決定するのに使用することができる。ブロック２６２では、トレーニングレコードが選択される。一般的には、ブロック２６２で、方法２５０に間にまだ使用されていないトレーニングレコードが選択される。

ブロック２６６では、選択されたトレーニングレコードからのデータが、終了バッチ特性の推定値を生成するために、バッチ特性推定器２００に供給される。ブロック２７０では、バッチ特性推定器２００によって生成された終了バッチ特性の推定値と、選択されたトレーニングレコードに於ける測定された終了バッチ特性とに基づいて、誤差値が生成される。

ブロック２７４では、ニューラルネットワーク２０４のトレーニングに利用可能な更なるトレーニングレコードがあるかどうかが決定される。例えば、ブロック２５４で生成された複数のトレーニングレコードの全てがニューラルネットワーク２０４で使用されたかどうかが決定される。もし、更なるトレーニングレコードが利用可能なら、方法２５０のフローはブロック２６２に進む。もし、更なるトレーニングレコードが利用可能でないなら、方法２５０のフローはブロック２７８に進む。

ブロック２７８では、重みがニューラルネットワークの過度のトレーニング無しに誤差を最小化する適合をもたらすかどうかを決定する。公知の技術を含む多くの技術の何れも、重みがニューラルネットワークの過度のトレーニング無しに誤差を最小化する適合をもたらすかどうかを決定するのに使用され得る。もしそうでなければ、次にブロック２８２に於いてブロック２７０で生成された誤差値に基づいて新たな重みが計算される。次に、ブロック２５４,２５８,２６２,２７０、及び２７４が繰り返される。公知の技術を含む多くの技術の何れも、ブロック２７０で生成された誤差値に基づいてニューラルネットワーク２０４の重みを調整するのに使用され得る。もし、重みがニューラルネットワークの過度のトレーニング無しに誤差を最小化する適合をもたらすとブロック２７８で決定されると、方法２５０のフローは終了する。

図８は、バッチ特性推定器のもう一つの実施形態のブロックダイヤグラムである。バッチ特性推定器３００は、図６を参照して記載されているニューラルネットワーク２０４と、積分器２０８と、ラッチ２１２とを備えている。ニューラルネットワーク２０４は、図７に記載したのと同じ又は同様の方法でトレーニングされ得る。また、バッチ特性推定器３００は、モデルバッチプロセスに対する反応速度を格納するモデル反応速度格納部３０４を有している。モデルバッチプロセスは、例えば終了バッチ特性が、許容し得る、典型的、望ましい等として決定された先に完了したバッチプロセスである。モデル反応速度格納部３０４に格納されている反応速度は、例えば、トレーニングされたニューラルネットワーク２０４のようなニューラルネットワークによって決定された反応速度の推定値であり得る。一実施形態では、ニューラルネットワーク２０４は、モデルバッチプロセスからのデータに適用され、ニューラルネットワーク２０４によって生成される各出力は、モデル反応速度格納部３０４に格納され得る。もう一つの実施形態では、ニューラルネットワーク２０４によって生成された出力のサブセットのみが、モデル反応速度格納部３０４に格納される。例えば、一つ出力は、出力の複数のグループのそれぞれと、モデル反応速度格納部３０４に格納されているサンプルのみからサンプリングされ得る。もう一つの実施形態として、ニューラルネットワーク２０４によって生成された出力のグループが、各グループに対する値を生成するために処理され得、その値はモデル反応速度格納部３０４に格納される。例えば、ニューラルネットワーク２０４からの出力のグループは、平均化され、フィルタ処理されるなどし、その結果はモデル反応速度格納部３０４に格納される。更に他の実施形態では、モデル反応速度格納部３０４に格納されている反応速度は、ニューラルネットワーク２０４以外の幾つかの手段によって決定されるような反応速度の推定値であり得る。

モデル反応速度格納部３０４は、例えば、レジスタセット、ＲＡＭ、ＲＯＭ、ＣＤ−ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、ＤＶＤ、フラッシュメモリ、ハードディスク、フロッピディスク等のメモリに格納されたルックアップテーブルを有し得る。モデル反応速度格納部３０４は、現時点の反応速度に対応する第１の出力、及びモデルバッチプロセスの終了時のモデル反応速度（以後、「終了時モデル反応速度」と称する）に対応する第２の出力の２つの出力を提供し得る。モデル反応速度格納部３０４は、バッチプロセスの現在の経過時間の表示を入力として受け取り得る。

現時点の出力のモデル反応速度は、例えば、ルックアップテーブルインデックスによってインデックスされるルックアップテーブルに於けるエントリーであり得る。ルックアップテーブルインデックスは、モデル反応速度格納部３０４に入力された現在の経過時間を使用して生成され得る。終了時モデル反応速度の出力は、例えば、ルックアップテーブルに格納された特定の値、又はルックアップテーブルとは別に格納された値であり得る。終了時モデル反応速度は、モデルバッチプロセスに対して、例えばニューラルネットワーク２０４又は他の手段によって、モデルバッチプロセスの終了近くで生成された一又はそれ以上の反応速度の推定値に基づき得る。例えば、終了時モデル反応速度は、例えば、モデルバッチプロセスの終了近くのモデルバッチプロセスの反応速度の推定値のサンプル、平均、フィルタ処理値などであり得る。

モデル反応速度格納部３０４の最初の出力は、加算器３０８に供給される。更に、ニューラルネットワーク２０４に出力は、もう一つの入力として加算器３０８に供給される。加算器３０８は、ニューラルネットワーク２０４の出力をモデル反応速度格納部３０４の最初の出力から差し引いて出力を生成する。加算器３０８の出力は、積分器２０８と同じ又は同様のタイプの積分器３１２に供給される。積分器３１２は、第２の入力としてバッチインディケータの開始の入力を受け取る。動作に於いては、積分器３１２は加算器３０８の出力をバッチプロセスの最初から積分する。積分器３１２の出力は、バッチプロセスの現在の特性と、モデルバッチプロセスの間の対応する時間でのモデルバッチプロセスのそれとの間の差の推定値である。積分器３１２の出力は、加算器３１６に供給される。バッチプロセスの望ましい終了特性は、もう一つの入力として加算器３１６に供給される。望ましい終了特性は、例えば、モデルバッチプロセスの終了バッチ特性、予想される終了バッチ特性などであり得る。加算器３１６は、その入力を加算して予定される終了時間でのバッチ特性の予想である出力を生成する。

動作に於いて、モデル反応速度格納部３０４は、経過時間の進展に伴って加算器３０８へ一連の値を供給する。更にまた、ニューラルネットワーク２０４は、経過時間の進展に伴って一連の値を生成する。加算器３０８はニューラルネットワーク２０４とモデル反応速度格納部３０４の出力に基づいて一連の値を生成する。積分器３１２は、加算器３０８の出力をバッチプロセスの開始から積分する。積分器３１２の出力は加算器３１６に供給され、これは積分器３１２の出力を望ましい終了特性に加える。

図９は、バッチプロセスの終了特性の予想を生成するための方法の一実施形態のフローダイヤグラムである。図９の方法３５０は、例えば図８装置３００のような装置、ソフトウエアに従うように構成されたプロセッサなどによって実現され得る。説明を容易にするために、図９のフローは図８を参照して記述される。しかしながら、図９のフローは装置３００以外の他の種々の装置によって実現され得ることが理解される。

ブロック３５４では、バッチプロセスに対する反応速度の推定値がバッチプロセスの間に生成される。例えば反応速度の推定値は、ニューラルネットワーク２０４によって生成される。ブロック３５８では、ブロック３５４で生成された反応速度の推定値と、モデルバッチプロセスの対応する反応速度との差が生成される。例えば、モデル反応速度格納部３０４の最初の出力は、ニューラルネットワーク２０４によって生成された反応速度の推定値に対応するモデルプロセスの反応速度である。次に、加算器３０８はニューラルネットワーク２０４の出力と、モデル反応速度格納部３０４の対応する出力との間の差を生成する。

ブロック３６２では、ブロック３５８で生成された差が積分されて、バッチプロセスの現在の特性と、モデルバッチプロセスの間の対応する時間でのモデルバッチプロセスのそれとの間の差の推定値が生成される。一実施形態では、ブロック３５８で生成された差は蓄積される。積分器３１２は、例えば、加算器３０８の出力を積分し得る。ブロック３６６では、ブロック３６２で生成された積分された差の値が、予定の終了時間でのバッチプロセスの予想される特性を生成するのに使用される。例えば、積分された差の値は、バッチプロセスの望ましい終了特性に加えられる。例えば、加算器３１６は、積分器３１２の出力を、バッチプロセスの望ましい終了特性に加える。

図８を参照すると、モデルバッチプロセスの終了近くに於けるモデル反応速度に対応するモデル反応速度格納部３０４の第２の出力が除算器３２０に供給される。加えて、現在のバッチプロセスの特性と、それに対応する時間でのモデルバッチプロセスの推定値との差の推定値である積分器３１２の出力が、除算器３２０へのもう一つの入力として提供される。除算器３２０は、積分器３１２の出力をモデル反応速度格納部３０４の第２の出力で割って、出力を生成する。除算器３２０の出力は、バッチプロセスの予定される終了時間からの時間のズレの推定値であり、そこでは、時間のズレは、バッチプロセスの特性が望ましい値に近づくであろう時間を示している。他の実施形態では、モデル反応速度格納部３０４の第１の出力は、除算器３２０に提供され得る。

除算器３２０の出力は、加算器３２４に供給される。また、付加的な入力として加算器３２４へ入力されるのは、経過時間と予定されるバッチ終了時間である。加算器３２４は、除算器３２０の出力と経過時間を予定されるバッチ終了時間から差し引いて、望ましいバッチ特性値に到達するまでの残り時間の推定値を生成する。

図１０は、望ましいバッチ特性が達成されるまでの残りの時間の推定値を生成するための方法の一実施形態を表すフローダイヤグラムである。図１０の方法３８０は、例えば、図８の装置３００又は他の装置によって、ソフトウエアに従って構成されたプロセッサなどにより、実現され得る。説明を容易にするために、図１０のフローは、図８を参照して記載されている。しかしながら、図１０のフローは、装置３００以外の種々の手段によって実現され得ることが理解されるべきである。

ブロック３５４，３５８及び３６２は、図９に記載したものと同じである。ブロック３８４では、ブロック３６２で生成された積分された差の値は、予定される終了時間からのズレの推定値を生成し、ここで、このズレは、望ましいバッチ特性が達成されるであろう時間を表している。一実施形態では、ブロック３６２で生成された積分された差の値は、モデルバッチプロセスの反応速度によって除算され得る。例えば、モデルバッチプロセスの終了に対応する、又は現在の時間に対応するモデルバッチプロセスの反応速度が使用され得る。図８を参照すれば、一実施例として、除算器３２０は、積分器３１２の出力をモデル反応速度格納部３０４の第２の出力で除算し得る。

ブロック３８８では、ブロック３８４で生成されたズレの推定値は、望ましい特性が達成されるまでの時間の推定値を生成するのに使用される。一実施形態では、現在の経過時間と同様に、ブロック３４８で生成されるズレは、バッチプロセスの予定される終了時間から差し引かれて、残り時間の推定値を生成する。図８を参照すれば、一実施例として、加算器３２４は、除算器３２０の出力と経過時間とを予定される終了時間から差し引いて、残り時間の推定値を生成する。

図１１は、バッチ特性推定器の更にもう一つの実施形態のブロックダイヤグラムである。バッチ特性推定器４００は、図６及び図８を参照して述べたように、ニューラルネットワーク２０４、積分器２０８、ラッチ２１２、加算器３１６、除算器３２０及び加算器３２４を備えている。バッチ特性推定器４００はまた、モデルバッチプロセスの間の種々の時間でのモデルバッチプロセスの特性の推定値を格納するモデルバッチ特性格納部４０４を有している。モデルバッチプロセスは、図８を参照して先に記載したようであり得る。モデル反応速度格納部３０４に格納されている特性の推定値は、例えば、図６のバッチ特性推定器２００によって決定されたようなモデルバッチプロセスの現在の特性の推定値であり得る。一実施形態では、バッチ特性推定器２００は、モデルバッチプロセスからのデータに適用され得、積分器２０８によって生成された各出力は、モデルバッチ特性格納部４０４に格納される。もう一つの実施形態では、積分器２０８によって生成された出力のサブセットのみがモデルバッチ特性格納部４０４に格納される。例えば、一つの出力が、出力の複数のグループのそれぞれからサンプリングされ得、そして、そのサンプルのみがモデルバッチ特性格納部４０４に格納される。もう一つの例として、積分器２０８によって生成された出力のグループが処理されて、各グループに対する値が生成され、その値はモデルバッチ特性格納部４０４に格納される。例えば、積分器２０８からの出力のグループは、平均化、フィルタ処理等が行われ、その結果はモデルバッチ特性格納部４０４に格納される。更に他の実施形態では、モデルバッチ特性格納部４０４に於けるバッチ特性は、バッチ特性推定器２００以外の幾つかの手段によって決定されるようなモデルバッチプロセスの現在のバッチ特性の推定値であり得る。更に他の実施形態では、モデルバッチ特性格納部４０４内のバッチ特性は、そのモデルバッチプロセスの間に取得されたモデルバッチプロセスの現在のバッチ特性の測定値であり得る。例えば、ガス、液体、固体などのサンプルが、モデルバッチプロセスの間の種々の時点でそのモデルバッチプロセスの間、取得され得る。これらのサンプルは、次に、そのサンプルが取得された時間に於けるバッチ特性を決定するために分析され得る。

モデルバッチ特性格納部４０４は、例えば、レジスタセット、ＲＡＭ、ＲＯＭ、ＣＤ−ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、ＤＶＤ、フラッシュメモリ、ハードディスク、フロッピディスク等のメモリに格納されたルックアップテーブルを有し得る。モデルバッチ特性格納部４０４は出力を生成し、そしてバッチプロセスの現在の経過時間の表示を入力として受け取り得る。その出力は、例えば、ルックアップテーブルインデックスによってインデックスされるようなルックアップテーブルに於けるエントリーであり得る。ルックアップテーブルインデックスは、モデルバッチ特性格納部４０４に入力された現在の経過時間を使用して生成され得る。モデルバッチ特性格納部の出力は、その経過時間に対応する時間でのモデルバッチプロセスの推定された（又は測定された）特性に相当している。

モデルバッチ特性格納部４０４の出力は、加算器４０８に供給される。更に、積分器２０８の出力は、加算器４０８のもう一つの入力に入力される。加算器４０８は、積分器２０８の出力をモデルバッチ特性格納部４０４の出力から差し引いて出力を生成する。加算器４０８の出力は、バッチプロセスの現在の特性と、モデルバッチプロセスの間に対応する時間でのモデルバッチプロセスのそれとの差の推定値である。加算器４０８の出力は、加算器３１６に供給される。

加算器４０８の出力は、バッチプロセスの現在の特性と、モデルバッチプロセスの間の対応する時間でのモデルバッチプロセスのそれとの差の推定値である。従って、加算器４０８の出力は、図８の積分器３１２の出力と同様である。

図１２は、バッチプロセスの終了特性の予測を生成するための方法のもう一つの実施形態を表すフローダイヤグラムである。図１２の方法４５０は、例えば、図１１の装置４００のような装置又は他の装置、ソフトウエアに従って構成されたプロセッサなどによって実現され得る。説明を容易にするために、図１０のフローダイヤグラムは、図１１を参照して記載されている。しかしながら、図１２のフローダイヤグラムは、装置４００以外の種々の手段によって実現され得ることが理解されるべきである。

ブロック４５４で、バッチプロセスに対する現在の特性の推定値がそのバッチプロセスの間に生成される。例えば、現在の特性の推定値は、積分器２０８によって生成され得る。ブロック４５８では、ブロック４５４で生成された現在の特性の推定値と、そのバッチプロセスの現在の経過時間に対応する時間でのモデルバッチプロセスの推定値との間の差が生成される。例えば、モデルバッチ特性格納部４０４の出力は、その経過時間に対応するモデルプロセスの特性の推定値（又は測定値）である。加算器４０８は、積分器２０８の出力と、モデルバッチ特性格納部４０４の対応する出力との間の差を生成する。ブロック４５８で生成される差は、バッチプロセスの現在の特性と、モデルバッチプロセスの間の対応する時間でのモデルバッチプロセスのそれとの差の推定値である。

ブロック４６２では、ブロック４５８で生成された差が、予定される終了時間でのバッチプロセスの予想される特性を生成するのに使用される。例えば、ブロック４５８で生成された差は、そのバッチプロセスの望ましい終了特性に加算され得る。例えば、加算器３１６は、加算器４０８の出力とそのバッチプロセスの望ましい終了特性とを加算し得る。

図１１を参照すれば、バッチ特性推定器４００は、モデル反応速度格納部４１６を含み得る。一実施形態では、モデル反応速度格納部は、図８のモデル反応速度格納部３０４の第２の出力を参照して記載した対応する値と同様に、モデルバッチプロセスの終了近くのモデル反応速度に対応する値を格納し得る。もう一つの実施形態では、モデル反応速度格納部４１６は、図８のモデル反応速度格納部３０４の第１の出力を参照して記載した値に対応する複数の値を格納し得る。更なる実施形態では、モデル反応速度格納部４１６は、例えば、レジスタセット、ＲＡＭ、ＲＯＭ、ＣＤ−ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、ＤＶＤ、フラッシュメモリ、ハードディスク、フロッピディスク等のメモリに格納されたルックアップテーブルを有し得る。複数の値が格納される実施形態では、モデル反応速度格納部４１６は、バッチプロセスの現在の経過時間の表示を入力として受け取り得る。出力は、例えば、ルックアップテーブルインデックスによってインデックスされるようなルックアップテーブルに於けるエントリーであり得る。ルックアップテーブルインデックスは、モデル反応速度格納部４１６に入力される現在の経過時間を使用して生成される。モデル反応速度格納部４１６が現在の経過時間を入力として受け取る実施形態では、モデル反応速度格納部４１６の出力は、その経過時間に対応する時間でのモデルバッチプロセスの反応速度に対応している。

モデル反応速度格納部４１６の出力は、除算器３２０に供給される。更に、バッチプロセスの現在の特性と対応する時間でのモデルバッチプロセスのそれとの間の差の推定値である加算器４０８の出力は、除算器３２０へのもう一つの入力として供給される。除算器３２０は、加算器４０８の出力をモデル反応速度格納部４１６の出力で除算して出力を生成する。除算器３２０の出力は、バッチプロセスの予定される終了時間からの時間のズレの推定値であり、その時間のズレは、そのバッチプロセスの特性が望ましい値に近づく時間を表している。

図１３は、望ましいバッチプロセスの特性が達成されるまでの残りの時間の推定値を生成するための方法の一実施形態を表すフローダイヤグラムである。図１３の方法４８０は、例えば、図１１の装置４００のような装置若しくは他の装置により、又はソフトウエア等に従うように構成されたプロセッサにより、実現され得る。説明を容易にするために、図１３のフローは図１１を参照して記述されるであろう。しかしながら、図１３のフローは、装置４００以外の種々の手段によって実現され得る。

ブロック４５４及び４５８は、図１２を参照して記述したものと同様である。ブロック４８４では、ブロック４５８で生成された差が、予定される終了時間からのズレの推定値を生成するために使用され、ここで、このズレは、望ましいバッチ特性が達成されるであろう時間を表している。一実施形態では、ブロック４５８で生成された差は、モデルバッチプロセスの反応速度によって除算され得る。例えば、モデルバッチプロセスの終了に対応する、又は現在の経過時間に対応するモデルバッチプロセスの反応速度が、使用され得る。図１１を参照すれば、一実施形態として、除算器３２０は加算器４０８の出力をモデル反応速度格納部４１６の出力によって除算し得る。

ブロック４８８では、ブロック４８４で生成されたズレの推定値が、望ましいバッチ特性が達成されるまでの残り時間の推定値を生成するために使用される。一実施形態では、現在の経過時間と同様にブロック４８４で生成されたズレは、バッチプロセスの予定される終了時間から差し引かれて、残り時間の推定値を生成する。図１１を参照すれば、一実施形態として、加算器３２４は除算器３２０の出力及び経過時間を予定される終了時間から差し引いて、残り時間の推定値を生成する。

図１４は、バッチ特性推定器の更なる他の実施形態のブロックダイヤグラムである。バッチ特性推定器５００は、図８を参照して記述した用に、バッチ特性推定器３００の構成要素を含み、更に乗算器５０４を含んでいる。ニューラルネットワーク２０４の出力は乗算器５０４に供給され、乗算器５０４はニューラルネットワーク２０４の出力に利得調整値を乗算する。乗算器５０４の出力は、次に、積分器２０８及び加算器３０８に提供される。利得調整値は、ニューラルネットワーク２０４の再トレーニングなしにニューラルネットワーク２０４の利得バイアスに対する修正を施すのに使用され得る。

動作に於いては、利得調整値は１に初期化されており、従って、利得調整は行われていない。もし、利得調整が必要であることが決定されると、適当な利得調整値が生成され得る。図１５は、図１４の利得調整値を生成するための方法の一実施形態のフローダイヤグラムである。図１５の方法は、図１４を参照して説明される。ブロック５５４で、バッチ特性推定器５００に対する複数の利得が決定される。例えば、複数の利得は、測定された終了バッチ特性を、バッチ特性推定器５００によって生成された対応する推定値によって除算することにより決定され得る。次に、ブロック５５８で、ブロック５５４で生成された複数の利得は、利得調整値を生成するためにフィルタ処理され得る。例えば、利得は平均化、ローパスフィルタ等の処理がされる。

次に、ブロック５６２では、利得調整値は制限される。例えば、もし利得調整値が第１の閾値より大きいなら、利得調整値は第１の閾値に設定され得る。同様に、もし利得調整値が第２の閾値より大きいなら、利得調整値は第２の閾値に設定され得る。

利得調整値は、各バッチが完了した後にアップデートされ得、終了特性の測定値が利用可能である。また、利得調整値は、幾つかのバッチが完了した後にアップデートされ得、対応する終了特性が利用可能である。

バッチ特性推定器５００は、図８のバッチ特性推定器３００の変形である。図６のバッチ特性推定器２００及び図１１のバッチ特性推定器４００も、同様に変形され得る。

他の実施形態では、乗算器５０４は、オフセット調整値を加えるために加算器と置き換え得る。オフセット調整は、ニューラルネットワーク２０４の再トレーニングなしにニューラルネットワーク２０４にオフセット調整の修正を施すために使用され得る。オフセット調整は、図１５を参照して上記で記述したのと同様の方法で決定され得る。しかしながら、ブロック５５４で複数の利得を決定する代わりに、複数のオフセットが決定され得る。例えば、複数のオフセットは、バッチ特性推定器によって生成された推定値を、対応する測定された終了バッチ特性から差し引くことにより決定され得る。更に他の実施形態では、オフセット調整を加えるために、乗算器５０４に加えて加算器が使用され得る。例えば、この加算器は、乗算器５０４の出力を受け取り、そして、その加算器の出力は積分器２０８に供給され得る。「プロセス制御システムに於ける適応性予測モデル」と題され２０００年６月８日に出願された、本願の譲受人に譲渡された米国特許出願第０９／５９０，６３０号は、オフセット調整を提供するような、ニューラルネットワーク２０４の出力を変形するために使用され得る種々の技術を記載している。米国特許出願第０９／５９０，６３０号は、全ての目的のためにそのまま全部が参照によってここに取り入れられる。

図１,６,８,１１及び１４を参照して、バッチ特性推定器２００,３００,４００,５００によって生成される出力の幾つか又は全ては、例えばオペレータへのプレゼンテーションのためのユーザインターフェイスに送られ得る。例えば、生成された出力の幾つか又は全ては、コントローラ１２ａ,１４ａ、及び／又は１６ａによって、例えばワークステーション１８ａ又は２０ａによって実現されたユーザインターフェイスに送られる。生成された出力は、例えばネットワーク３０を解して伝送され得る。

オペレータは、生成された出力を、そのバッチプロセスを即座に中止すべきかどうか、バッチプロセスの変数を変更（例えば、原料の添加、温度の上昇／下降等）すべきかどうか、バッチプロセスの時間を短縮又は延長すべきかどうか等を決定するのに使用し得る。あるいは、生成された出力は、自動的に即座にそのバッチプロセスを中止し、バッチプロセスの変数を変更し、バッチプロセスの時間を短縮又は延長する等に使用され得る。例えば、生成された出力は、コントローラ１２ａ,１４ａ、又は１６ａによって全部又は一部が実現されたコントローラアプリケーションに供給され得る。

上記の実施形態はニューラルネットワークモデルを含んでいるが、他の実施形態では、他のノンパラメトリックモデルも採用され得る（例えば、動的線型推定器、有限インパルス応答モデル等）。

種々のブロックダイヤグラム及びフローダイヤグラムが記載されている。これらのブロックダイヤグラム及びフローダイヤグラムに例示されているブロックのそれぞれは、ソフトウエア、ハードウエア及び／又はファームウエアによって、全部又は一部が実現され得ることが当業者によって理解されるであろう。各ブロック又はその一部分は、グラフィカル設計ツール、又はソフトウエア／ハードウエア／ファームウエアプログラミング又は設計ツールを使用して設計され得る。

幾つかの実施形態では、図６,８,１１及び１４に例示されているブロックのそれぞれは、プロセス制御システムに於ける機能ブロックとして実現され得る。機能ブロックは、例えば、図１のコントローラ１２ａ,１４ａ,１６ａ等のコントローラによって、及び／又は図１のフィールドデバイス２２,２３のようなフィールドデバイスによって、実現され得る。各機能ブロックは、ソフトウエア、ハードウエア又はファームウエアによって、その全部又は一部が実現され得る。換言すれば、図６,８,１１及び１４に例示されているブロックの幾つか又は全部は、ラダーロジック、シーケンシャルファンクションチャート等の他の慣行を使用して、又は他の所望のどのようなプログラミング言語又はパラダイムを使用して、実現され又は設計され得る。

もし、先に記述したブロックダイヤグラム又はフローダイヤグラムの一つのブロックは、その全部又は一部がソフトウエアによって実現されるなら、ソフトウエアは、ＲＡＭ、ＲＯＭ、ＣＤ−ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、ＤＶＤ、フラッシュメモリ、ハードディスク、フロッピディスク等の有形の媒体に格納され得る。各ブロック又はその一部分は、オブジェクト指向プログラミングを使用して、ラダーロジック、シーケンシャルファンクションチャート、機能ブロック等を使用して、又は所望の他のどのようなプログラミング言語又は設計パラダイムを使用しても、所望のどのようなソフトウエアフォーマットに於いても実現され得る。先に記述したフローダイヤグラムに関連して、当業者は、そのフローダイヤグラムがプロセッサによって実行されるソフトウエアによって実現され、又はその代わりにその全体のフロー若しくはその一部分がプロセッサ以外のデバイスによって実行され、並びに／又はファームウエア及び／若しくは専用のハードウエアに公知の方法で埋め込まれ得ることを容易に理解するであろう。

本発明は、種々の改変と変更された構成とが可能であるが、例示したその特定の実施形態が図面に示され及びここに詳細に記述されている。しかしながら、開示を開示されている特定の形式に限定する意図ではなく、それとは逆に、添付の請求の範囲によって規定される開示の精神及び範囲内にある全ての改変、代替構成及び均等物をカバーすることを意図していることを理解すべきである。

１０ プロセスプラント
１２ プロセス制御ノード
１２ａ プロセスコントローラ
１４ プロセス制御ノード
１４ａ プロセスコントローラ
１６ プロセス制御ノード
１６ａ プロセスコントローラ
１８ オペレータワークステーションノード
１８ａ オペレータワークステーション
２０ オペレータワークステーションノード
２０ａ オペレータワークステーション
２２ フィールドデバイス
２３ フィールドデバイス
２４ Ｉ／Ｏデバイス
３０ ネットワーク
３２ 構成データベース
４０ プロセッサ
４４ 揮発性メモリ
４８ 不揮発性メモリ
５２ コントローラＩ／Ｏデバイス
５６ アドレス／データバス
６０ 双方向バッファ
６４ 双方向バス
６８ 双方向バス
７０ プロセッサ
７４ 揮発性メモリ
７８ 不揮発性メモリ
８２ ワークステーションＩ／Ｏデバイス
８６ アドレス／データバス
９０ ディスプレイ
９４ ユーザ入力デバイス
１０４ バッチプロセス
１０８ バッチ特性推定器
１１２ ユーザインターフェイス
２００ バッチ特性推定器
２０４ ニューラルネットワーク
２０８ 積分器
２１２ ラッチ
３００ バッチ特性推定器
３０４ モデル反応速度格納部
３０８ 加算器
３１２ 積分器
３１６ 加算器
３２０ 除算器
３２４ 加算器
４００ バッチ特性推定器
４０４ モデルバッチ特性格納部
４０８ 加算器
４１６ モデル反応速度格納部
５００ バッチ特性推定器
５０４ 乗算器

Claims (16)

1. バッチプロセスの制御のための方法であって、該方法は、
   ノンパラメトリックモデルを使用して現在のバッチプロセスのための反応速度の推定値を決定するステップと、
   前記現在のバッチプロセスのための反応速度の推定値と、以前のバッチプロセスのために開発されたモデルバッチプロセスのためのモデル反応速度との間の差を決定するステップと、
   前記反応速度の推定値と前記モデル反応速度との差に基づいて前記現在のバッチプロセスを制御するステップと
   を包含している方法。
2. 請求項１記載の方法であって、前記反応速度の推定値に基づいて前記現在のバッチプロセスの間の特定の時間での前記現在のバッチプロセスの特性の推定値を決定するステップを更に包含している方法。
3. 請求項２記載の方法であって、前記現在のバッチプロセスの特性の推定値と、現在のバッチプロセスの間の特定の時間に対応する以前のバッチプロセスの間の時間における以前のバッチプロセスのために開発されたモデルバッチプロセスの特性との間の差を決定するステップを更に包含している方法。
4. 請求項３記載の方法であって、前記現在のバッチプロセスの制御は、前記現在のバッチプロセスの特性と前記以前のバッチプロセスのために開発されたモデルバッチプロセスの前記特性との間の差に基づいて調整されることを包含している方法。
5. 請求項４記載の方法であって、利得調整は、前記反応速度の推定値に加えられることを包含している方法。
6. 請求項３記載の方法であって、前記特定の時間は、前記現在のバッチプロセスの終了時を包含している方法。
7. 請求項１記載の方法であって、前記ノンパラメトリックモデルは、ニューラルネットワークを包含している方法。
8. 請求項１記載の方法であって、前記以前のバッチプロセスのモデル特性は、許容しうる、典型的である、又は望ましい、のいずれかとして決定されることを包含している方法。
9. 現在のバッチプロセスに関連するデータを受け取り、複数の反応速度の推定値を生成するように構成されたノンパラメトリックモデルと、
   前記現在のバッチプロセスのための反応速度の推定値と、以前のバッチプロセスのために開発されたモデルバッチプロセスのためのモデル反応速度との間の差を生成するための反応速度差分発生器と、
   前記反応速度の推定値と前記モデル反応速度との間の差に基づいて前記現在のバッチプロセスを制御するコントローラと
   を備えているバッチプロセスコントローラ。
10. 請求項９記載のバッチプロセスコントローラであって、前記反応速度の推定値に基づいて前記現在のバッチプロセスの間の特定の時間での前記現在のバッチプロセスの特性の推定値を生成するための特性生成器を更に備えているバッチプロセスコントローラ。
11. 請求項１０記載のバッチプロセスコントローラであって、前記現在のバッチプロセスの特性の推定値と、前記現在のバッチプロセスの間の前記特定の時間に対応した前記以前のバッチプロセスの間の時間の以前のバッチプロセスのために開発されたモデルバッチプロセスの特性との間の差を決定することを更に備えているバッチプロセスコントローラ。
12. 請求項１１記載のバッチプロセスコントローラであって、前記現在のバッチプロセスの制御は、前記現在のバッチプロセスの特性と、前記以前のバッチプロセスのモデルバッチプロセスの特性との間の差に基づいて調整される、バッチプロセスコントローラ。
13. 請求項１２記載のバッチプロセスコントローラであって、利得調整は、前記反応速度の推定値に加えられる、バッチプロセスコントローラ。
14. 請求項１１記載のバッチプロセスコントローラであって、前記特定の時間は、前記現在のバッチプロセスの終了時である、バッチプロセスコントローラ。
15. 請求項９記載のバッチプロセスコントローラであって、前記ノンパラメトリックモデルは、ニューラルネットワークである、バッチプロセスコントローラ。
16. 請求項９記載のバッチプロセスコントローラであって、前記以前のバッチプロセスのモデル特性は、許容しうる、典型的である、又は望ましい、のいずれかとして決定される、バッチプロセスコントローラ。

Images