JPH0628009A - 重合プロセスの制御方法 - Google Patents
重合プロセスの制御方法Info
- Publication number
- JPH0628009A JPH0628009A JP17993892A JP17993892A JPH0628009A JP H0628009 A JPH0628009 A JP H0628009A JP 17993892 A JP17993892 A JP 17993892A JP 17993892 A JP17993892 A JP 17993892A JP H0628009 A JPH0628009 A JP H0628009A
- Authority
- JP
- Japan
- Prior art keywords
- value
- neural network
- output
- contents
- input
- 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.)
- Withdrawn
Links
Classifications
-
- C—CHEMISTRY; METALLURGY
- C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
- C08F—MACROMOLECULAR COMPOUNDS OBTAINED BY REACTIONS ONLY INVOLVING CARBON-TO-CARBON UNSATURATED BONDS
- C08F2400/00—Characteristics for processes of polymerization
- C08F2400/02—Control or adjustment of polymerization parameters
Landscapes
- Polymerisation Methods In General (AREA)
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】 重合プロセスのフォワードモデルを形成した
ニューラルネットワークを用いてインバースモデルの機
能を実現する。 【構成】 制御要素のプロセス値や操作量を入力、重合
プロセスの生産出力例えば予測粘度、予測温度を出力す
るフォワードモデルのニューラルネットワーク２１を作
成し、この予測出力が目標値と合致するまで、入力値を
変化させる。合致が得られたときの入力値を重合プロセ
スの運転に用いる制御値として決定する。
ニューラルネットワークを用いてインバースモデルの機
能を実現する。 【構成】 制御要素のプロセス値や操作量を入力、重合
プロセスの生産出力例えば予測粘度、予測温度を出力す
るフォワードモデルのニューラルネットワーク２１を作
成し、この予測出力が目標値と合致するまで、入力値を
変化させる。合致が得られたときの入力値を重合プロセ
スの運転に用いる制御値として決定する。
Description
【０００１】
【産業上の利用分野】本発明は、重合プロセスの制御方
法に関し、詳しくは重合プロセスの生産状態をニューラ
ルネットワークを用いて制御する重合プロセスの制御方
法に関する。
法に関し、詳しくは重合プロセスの生産状態をニューラ
ルネットワークを用いて制御する重合プロセスの制御方
法に関する。
【０００２】
【従来の技術】一般に重合プロセスを実行する化学プラ
ントでは、重合プロセスにおいて化学反応を用いる複雑
な生産プロセスを伴なう。このため、化学プラントの制
御（操作）内容と生産結果との関係は非線形性となる場
合が多く、生産管理の対象とするプラントをモデル化
し、操作内容と生産状態との関係を簡単な数式で表わす
ことは困難である。
ントでは、重合プロセスにおいて化学反応を用いる複雑
な生産プロセスを伴なう。このため、化学プラントの制
御（操作）内容と生産結果との関係は非線形性となる場
合が多く、生産管理の対象とするプラントをモデル化
し、操作内容と生産状態との関係を簡単な数式で表わす
ことは困難である。
【０００３】そこで、従来では生産結果をたとえば生産
物の物性を予測するためには、（１）オペレータの経験
やプラント操作の試行錯誤の結果から生産結果を予測す
る方法か、または、（２）生産結果と制御操作の関係式
を重回帰分析により取得し、取得した関係式を用いて生
産結果を予測する方法が用いられてきた。
物の物性を予測するためには、（１）オペレータの経験
やプラント操作の試行錯誤の結果から生産結果を予測す
る方法か、または、（２）生産結果と制御操作の関係式
を重回帰分析により取得し、取得した関係式を用いて生
産結果を予測する方法が用いられてきた。
【０００４】なお、重回帰分析を用いる方法は、特公平
３−４０１号に示されている。
３−４０１号に示されている。
【０００５】この提案は、合成ゴムに関する制御システ
ムに関し、目的のポリマーをプラントの出口で自動サン
プリングする。次にサンプリング物の分子量などの種々
の分析を行ってその分析値からムーニー粘度を推定する
重回帰モデルを作成する。このような重回帰モデルを用
いることによって生産結果を予測し、プラントが正常な
生産を行っているかを上述の（１）の方法よりも正確に
監視することが可能となってきた。
ムに関し、目的のポリマーをプラントの出口で自動サン
プリングする。次にサンプリング物の分子量などの種々
の分析を行ってその分析値からムーニー粘度を推定する
重回帰モデルを作成する。このような重回帰モデルを用
いることによって生産結果を予測し、プラントが正常な
生産を行っているかを上述の（１）の方法よりも正確に
監視することが可能となってきた。
【０００６】しかしながら生産予測結果が目標範囲を超
える場合は現在のプラントの制御操作内容を変更する必
要がある。重回帰分析を行う生産予測方法は、 （ａ）分析時間に時間がかかるので、異常検知から操作
内容の変更までの応答時間が長い。
える場合は現在のプラントの制御操作内容を変更する必
要がある。重回帰分析を行う生産予測方法は、 （ａ）分析時間に時間がかかるので、異常検知から操作
内容の変更までの応答時間が長い。
【０００７】（ｂ）サンプリングの位置によっても制御
の遅れが生じる。
の遅れが生じる。
【０００８】（ｃ）サンプリングできない物質について
は物性の予測ができない。
は物性の予測ができない。
【０００９】等の問題がある。そこで、本願出願人は本
願に先立って、ニューラルネットワークに予め、制御操
作内容と、生産結果の内容の関係を学習させておき、実
際の制御操作内容すなわち、複数の制御要素についての
パラメータ値から生産結果の内容すなわち、物性値を予
測する方法を提案している。
願に先立って、ニューラルネットワークに予め、制御操
作内容と、生産結果の内容の関係を学習させておき、実
際の制御操作内容すなわち、複数の制御要素についての
パラメータ値から生産結果の内容すなわち、物性値を予
測する方法を提案している。
【００１０】この提案により生産予測をリアルタイムで
行うことができるようになってきた。
行うことができるようになってきた。
【００１１】
【発明が解決しようとする課題】しかしながら、生産予
測結果が異常値を示した場合にその異常値を基に、修正
すべき制御操作内容を決定しようとする場合に上述の各
方法は次の点で好適とは言えなかった。すなわち、 （ａ）オペレータの経験に頼る修正は、応答性を満足し
ても修正量が正確ではない。
測結果が異常値を示した場合にその異常値を基に、修正
すべき制御操作内容を決定しようとする場合に上述の各
方法は次の点で好適とは言えなかった。すなわち、 （ａ）オペレータの経験に頼る修正は、応答性を満足し
ても修正量が正確ではない。
【００１２】（ｂ）重回帰モデルを用いる方法は予測値
を得るまでに時間がかかる。また、１種の予測値を得る
ような複数種の操作項目（制御要素）についてはその組
み合わせが複数組存在するので、１種の予測値から逆
に、複数種の操作項目を得ることはできない。
を得るまでに時間がかかる。また、１種の予測値を得る
ような複数種の操作項目（制御要素）についてはその組
み合わせが複数組存在するので、１種の予測値から逆
に、複数種の操作項目を得ることはできない。
【００１３】（ｃ）ニューラルネットワークを用いる方
法は予測値を得るまでの時間は迅速であるが、上述と同
様１種の予測値から複数種の操作項目を得ることはでき
ない。
法は予測値を得るまでの時間は迅速であるが、上述と同
様１種の予測値から複数種の操作項目を得ることはでき
ない。
【００１４】という不具合があった。
【００１５】そこで、本発明の目的は上述の点に鑑み
て、処理速度の速いニューラルネットワークにより取得
した予測値を用いて、修正もしくは設定すべき制御内容
を迅速に、精度よく決定することの可能な重合プロセス
の制御方法を提供することにある。
て、処理速度の速いニューラルネットワークにより取得
した予測値を用いて、修正もしくは設定すべき制御内容
を迅速に、精度よく決定することの可能な重合プロセス
の制御方法を提供することにある。
【００１６】
【課題を解決するための手段】このような目的を達成す
るために、本発明は、重合プロセスにおける制御要素の
内容を入力すると、該制御要素の内容に対応する当該重
合プロセスの生産内容を出力するように予めニューラル
ネットワークに学習させておき、前記ニューラルネット
ワークに入力する内容を順次に変化させ、前記ニューラ
ルネットワークから順次に出力される内容が前記重合プ
ロセスの生産目標と合致するか否かを判定し、合致判定
が得られたときの前記ニューラルネットワークの入力の
内容を前記重合プロセスを実際に制御するための前記制
御要素の内容と決定することを特徴とする。
るために、本発明は、重合プロセスにおける制御要素の
内容を入力すると、該制御要素の内容に対応する当該重
合プロセスの生産内容を出力するように予めニューラル
ネットワークに学習させておき、前記ニューラルネット
ワークに入力する内容を順次に変化させ、前記ニューラ
ルネットワークから順次に出力される内容が前記重合プ
ロセスの生産目標と合致するか否かを判定し、合致判定
が得られたときの前記ニューラルネットワークの入力の
内容を前記重合プロセスを実際に制御するための前記制
御要素の内容と決定することを特徴とする。
【００１７】
【作用】本発明は、制御要素の内容から重合プロセスの
出力内容を予測するフォワードモデルをニューラルネッ
トワークを用いて作成し、重合プロセスの目標の出力内
容が得られる制御要素の内容を、試行錯誤（トライアン
ドエラー）手法によりフォワードモデルのニューラルネ
ットワークから求める。
出力内容を予測するフォワードモデルをニューラルネッ
トワークを用いて作成し、重合プロセスの目標の出力内
容が得られる制御要素の内容を、試行錯誤（トライアン
ドエラー）手法によりフォワードモデルのニューラルネ
ットワークから求める。
【００１８】
【実施例】以下、図面を参照して、本発明の実施例を詳
細に説明する。
細に説明する。
【００１９】ニューラルネットワークは解析的なモデル
で表現が不可能なプラント、あるいは非線形なプラント
に対して、その入出力関係、すなわち実際のプラントの
過去に運転された入出力データを用いて学習を行い、プ
ラントのモデルをネットワークの重みとして内部表現す
ることが可能である。プラントの１例を図２に示してお
く。
で表現が不可能なプラント、あるいは非線形なプラント
に対して、その入出力関係、すなわち実際のプラントの
過去に運転された入出力データを用いて学習を行い、プ
ラントのモデルをネットワークの重みとして内部表現す
ることが可能である。プラントの１例を図２に示してお
く。
【００２０】本発明で用いるニューラルネットワーク
は、３層構造のパーセプトロン型の多階層構造のニュー
ラルネットワークであるが、階層の数は３層に限るもの
ではない。学習アルゴリズムはパックプロパゲーション
を用いているが、学習アルゴリズムもパックプロパゲー
ションに限るものではない。
は、３層構造のパーセプトロン型の多階層構造のニュー
ラルネットワークであるが、階層の数は３層に限るもの
ではない。学習アルゴリズムはパックプロパゲーション
を用いているが、学習アルゴリズムもパックプロパゲー
ションに限るものではない。
【００２１】パーセプトロン型の多階層構造のニューラ
ルネットワークを選んだ理由は、階層の数が３層以上あ
る場合には、任意の連続関数を任意の精度で表現するこ
とが可能であることが証明されているためである。ま
た、学習アルゴリズムとしてパックプロパゲーションを
用いたのはパックプロパゲーションが最急降下法に基づ
く計算を行っているためである。最急降下法は他の最適
化計算の手法に比べて、計算上の安定性がある。
ルネットワークを選んだ理由は、階層の数が３層以上あ
る場合には、任意の連続関数を任意の精度で表現するこ
とが可能であることが証明されているためである。ま
た、学習アルゴリズムとしてパックプロパゲーションを
用いたのはパックプロパゲーションが最急降下法に基づ
く計算を行っているためである。最急降下法は他の最適
化計算の手法に比べて、計算上の安定性がある。
【００２２】操作量決定には、プラントのフォワードモ
デルすなわち、プラントの操作内容からプラント出力値
を推定するモデルを学習したニューラルネットワークを
用いて行う。フォワードモデルの学習に関しては、図３
のようなニューラルネットワークの構成になる。入力と
して操作量やセンサーからのプロセスデータ、出力とし
ては、推定したいデータとする。
デルすなわち、プラントの操作内容からプラント出力値
を推定するモデルを学習したニューラルネットワークを
用いて行う。フォワードモデルの学習に関しては、図３
のようなニューラルネットワークの構成になる。入力と
して操作量やセンサーからのプロセスデータ、出力とし
ては、推定したいデータとする。
【００２３】図２に示すブタジエン合成ゴムの連続重合
工程では、図３のフォワードモデルの入力として、
（ａ）モノマー濃度（重量％）、（ｂ）流量（Ｔｏｎ／
Ｄａｙ）、（ｃ）触媒レベル（レベル）、（ｄ）ジャケ
ット温度（℃）、（ｅ）モノマーフィード時の温度
（℃）、（ｆ）開始剤濃度（ｐｐｍ）等の制御要素を与
え、出力としてムーニー粘度を出力するフォワードモデ
ルを用いる。このモデルにおいて、モノマー濃度〜開始
剤濃度の各値に対応するムーニー粘度の値を予めニュー
ラルネットワークに学習させておく。
工程では、図３のフォワードモデルの入力として、
（ａ）モノマー濃度（重量％）、（ｂ）流量（Ｔｏｎ／
Ｄａｙ）、（ｃ）触媒レベル（レベル）、（ｄ）ジャケ
ット温度（℃）、（ｅ）モノマーフィード時の温度
（℃）、（ｆ）開始剤濃度（ｐｐｍ）等の制御要素を与
え、出力としてムーニー粘度を出力するフォワードモデ
ルを用いる。このモデルにおいて、モノマー濃度〜開始
剤濃度の各値に対応するムーニー粘度の値を予めニュー
ラルネットワークに学習させておく。
【００２４】本実施例はこのフォワードモデルをインバ
ースモデル、すなわち、プラント出力目標値からプロセ
スの操作内容を決定するインバースモデルとして使用可
能にしたところに特徴がある。フォワードモデルを学習
したニューラルネットワークはプラントのモデルを適切
に学習したニューラルネットワークである必要がある。
このため、このフォワードモデルを学習したニューラル
ネットワークは、入力側の有効な値の全範囲に対して、
出力がどのように変化するかを確認しておく。このと
き、対象とするプラントの入出力の関係に関して、すで
に得られている経験的な知識や物理的な定性的知識がニ
ューラルネットワークにより計算された入出力関係と矛
盾しないニューラルネットワークを選択する。例えば、
入力の温度を単調に上げた場合に、出力も単調に増加す
るという関係がわかっている場合には、この知識と矛盾
しないようなニューラルネットワークを選択する必要が
ある。
ースモデル、すなわち、プラント出力目標値からプロセ
スの操作内容を決定するインバースモデルとして使用可
能にしたところに特徴がある。フォワードモデルを学習
したニューラルネットワークはプラントのモデルを適切
に学習したニューラルネットワークである必要がある。
このため、このフォワードモデルを学習したニューラル
ネットワークは、入力側の有効な値の全範囲に対して、
出力がどのように変化するかを確認しておく。このと
き、対象とするプラントの入出力の関係に関して、すで
に得られている経験的な知識や物理的な定性的知識がニ
ューラルネットワークにより計算された入出力関係と矛
盾しないニューラルネットワークを選択する。例えば、
入力の温度を単調に上げた場合に、出力も単調に増加す
るという関係がわかっている場合には、この知識と矛盾
しないようなニューラルネットワークを選択する必要が
ある。
【００２５】上記のように適切に学習されたフォワード
モデルについてのニューラルネットワークを用いて所望
の値に対する操作量を決定する方法を２種類説明する。
これら方法を状況に応じて適宜使い分ける。
モデルについてのニューラルネットワークを用いて所望
の値に対する操作量を決定する方法を２種類説明する。
これら方法を状況に応じて適宜使い分ける。
【００２６】（イ）方法１ 入力データの有効な値の全範囲にわたって、入力値を微
小変化させ、その時のニューラルネットワークの出力値
と所望の目標値を比較して、ニューラルネットワークの
出力値と目標値との差が最も小さくなる時の操作量を修
正する操作量とする方法。
小変化させ、その時のニューラルネットワークの出力値
と所望の目標値を比較して、ニューラルネットワークの
出力値と目標値との差が最も小さくなる時の操作量を修
正する操作量とする方法。
【００２７】この方法を適用するニューラルネットワー
クの構成を図１に示す。図１の例では、プラントの計測
値とは関係なく、操作内容の取り得る範囲の最小値と最
大値もまた０．０〜１．０に正規化し、正規化した最小
値または最大値を初期入力値として与える。この初期入
力値に対するニューラルネットワーク１の出力値と目標
値との差を演算器２２により算出する。その算出結果は
最小値検出回路２３に入力され、たとえば、上記算出結
果が数値“０”から“０”に近い数値までの範囲（合致
と判定する範囲）に到達したとき（本発明の合致判定が
得られたときに相当）に最小値検出回路２３から検出信
号が出力される。この検出信号が発生されるまで初期の
入力値から順次に微小変化させ、検出信号発生時の入力
値が、目標のプラント出力を得るための複数の制御要素
の操作制御内容となる。
クの構成を図１に示す。図１の例では、プラントの計測
値とは関係なく、操作内容の取り得る範囲の最小値と最
大値もまた０．０〜１．０に正規化し、正規化した最小
値または最大値を初期入力値として与える。この初期入
力値に対するニューラルネットワーク１の出力値と目標
値との差を演算器２２により算出する。その算出結果は
最小値検出回路２３に入力され、たとえば、上記算出結
果が数値“０”から“０”に近い数値までの範囲（合致
と判定する範囲）に到達したとき（本発明の合致判定が
得られたときに相当）に最小値検出回路２３から検出信
号が出力される。この検出信号が発生されるまで初期の
入力値から順次に微小変化させ、検出信号発生時の入力
値が、目標のプラント出力を得るための複数の制御要素
の操作制御内容となる。
【００２８】（ロ）方法２ ニューラルネットワークの出力と目標値との２乗誤差を
最急降下法により最小化する方法である。この方法を用
いるニューラルネットワークの構成を図４に示す。この
方法も基本的には入力値を変化させて繰り返し計算によ
る計算方法である。計算式は数式１０で示される。い
ま、説明の簡単のために、ある限定されたネットワーク
を考える。出力ノード数は１個、中間層の層数も１層と
する。ただし、これらを複数個とした場合でも一般性は
失われない。このネットワーク構造を図５に示す。数式
に用いられるそれぞれの記号の定義は以下のとおりであ
る。
最急降下法により最小化する方法である。この方法を用
いるニューラルネットワークの構成を図４に示す。この
方法も基本的には入力値を変化させて繰り返し計算によ
る計算方法である。計算式は数式１０で示される。い
ま、説明の簡単のために、ある限定されたネットワーク
を考える。出力ノード数は１個、中間層の層数も１層と
する。ただし、これらを複数個とした場合でも一般性は
失われない。このネットワーク構造を図５に示す。数式
に用いられるそれぞれの記号の定義は以下のとおりであ
る。
【００２９】
【外１】
【００３０】ニューラルネットワークの出力は、各ノー
ドの活性値をもとに計算される。
ドの活性値をもとに計算される。
【００３１】
【数１】
【００３２】
【数２】
【００３３】
【数３】
【００３４】
【数４】 y ＝f(u0) ： 出力層の出力 ただし、
【００３５】
【数５】
【００３６】という出力関数であり、ｕ0 はある定数で
ある。
ある。
【００３７】これらをまとめると、結局、出力ｙは次の
ようになる。
ようになる。
【００３８】
【数６】
【００３９】この出力と目標値との差の関数を評価関数
として定義する。
として定義する。
【００４０】
【数７】
【００４１】ここでパックプロパゲーションの場合と同
様に最急降下法の原理を用いると、
様に最急降下法の原理を用いると、
【００４２】
【数８】
【００４３】
【数９】
【００４４】以上、最終的に用いる計算式は以下のよう
になる。
になる。
【００４５】
【数１０】xi(t＋1)＝xi(t) ＋Δxi ただし、
【００４６】
【数１１】
【００４７】上述の２つの方法は説明の簡単のために、
所望の値として、出力を１つとしたが、これに限るわけ
ではなく、複数の所望の値を設定することが可能であ
る。
所望の値として、出力を１つとしたが、これに限るわけ
ではなく、複数の所望の値を設定することが可能であ
る。
【００４８】以上、説明した方法を実現する回路はアナ
ログ、デジタル回路やコンピュータソフトにより達成で
きる。図１，図４の回路をワークステーション（Ｓｕｎ
Ｍｉｃｒｏｓｙｓｔｅｍ社製 Ｓｐａｒｃ Ｓｔａｔ
ｉｏｎ ２）上で実現したときの計算時間は数秒であ
り、ほぼリアルタイムで修正すべき操作量が得られる。
ログ、デジタル回路やコンピュータソフトにより達成で
きる。図１，図４の回路をワークステーション（Ｓｕｎ
Ｍｉｃｒｏｓｙｓｔｅｍ社製 Ｓｐａｒｃ Ｓｔａｔ
ｉｏｎ ２）上で実現したときの計算時間は数秒であ
り、ほぼリアルタイムで修正すべき操作量が得られる。
【００４９】上述の方法には次のような特徴がある。
【００５０】方法１）： 複数組の解、すなわち、目標
出力を得るための操作項目についての操作量が複数組得
られる。したがってこの複数組の解の中から最適解、た
とえば、現在のプラントの操作量から最も近い操作量を
ユーザが選択することができる。
出力を得るための操作項目についての操作量が複数組得
られる。したがってこの複数組の解の中から最適解、た
とえば、現在のプラントの操作量から最も近い操作量を
ユーザが選択することができる。
【００５１】方法２）： 現在のプラントの操作量を初
期値入力することができ、現在の操作量に近い解が得ら
れる。また、方法１よりも処理時間が短い。ただし、複
数解は得られない。
期値入力することができ、現在の操作量に近い解が得ら
れる。また、方法１よりも処理時間が短い。ただし、複
数解は得られない。
【００５２】したがって、プラントの操作項目が多い場
合は方法２を用いればよく、また高精度制御を要する場
合は方法１を用いるとよい。
合は方法２を用いればよく、また高精度制御を要する場
合は方法１を用いるとよい。
【００５３】また、方法１および方法２を所望のタイミ
ングで切換えて使用してもよいこと勿論である。
ングで切換えて使用してもよいこと勿論である。
【００５４】本実施例のフォワードモデルの学習精度
は、推定したムーニー粘度と実際とのずれが±１ポイン
ト以内に収まる割合が約９５％である。このニューラル
ネットワークを用いて、希望するムーニー粘度を設定し
たときに、本発明による方法と従来技術である重回帰モ
デルを用いた方法で制御したムーニー粘度の変動幅を比
較すると次の通りであり、本発明が高精度であることが
判る。
は、推定したムーニー粘度と実際とのずれが±１ポイン
ト以内に収まる割合が約９５％である。このニューラル
ネットワークを用いて、希望するムーニー粘度を設定し
たときに、本発明による方法と従来技術である重回帰モ
デルを用いた方法で制御したムーニー粘度の変動幅を比
較すると次の通りであり、本発明が高精度であることが
判る。
【００５５】 従来の方法 本発明による方法 ムーニー粘度 ±５ポイント ±２ポイント また、本実施例で用いたニューラルネットワークの構成
に制限されることなく、プラントの制御要素、生産出力
の要素の個数に応じて好適なニューラルネットワークを
構成すればよいことは言うまでもないであろう。
に制限されることなく、プラントの制御要素、生産出力
の要素の個数に応じて好適なニューラルネットワークを
構成すればよいことは言うまでもないであろう。
【００５６】
【発明の効果】以上、述べたように、本発明によれば、
フォワードモデルのニューラルネットワークを用いて制
御要素の内容を決定することができるので、以下の効果
が得られる。
フォワードモデルのニューラルネットワークを用いて制
御要素の内容を決定することができるので、以下の効果
が得られる。
【００５７】（１）現在の重合プロセスの制御要素の内
容を上記ニューラルネットワークに入力すると、この制
御を行った場合の重合プロセスの出力内容を予測するこ
とができる。したがって、この予測内容と目標内容を比
較器等により比較することによりプロセスが正常に作動
しているか否かの監視を行うことができる。また、異常
検出時には変更すべき制御要素の内容をリアルタイムで
取得でき、その予測精度が高い。
容を上記ニューラルネットワークに入力すると、この制
御を行った場合の重合プロセスの出力内容を予測するこ
とができる。したがって、この予測内容と目標内容を比
較器等により比較することによりプロセスが正常に作動
しているか否かの監視を行うことができる。また、異常
検出時には変更すべき制御要素の内容をリアルタイムで
取得でき、その予測精度が高い。
【００５８】（２）重合プロセスからオンライン測定が
できない物性値などの推定よびその制御が可能となる。
できない物性値などの推定よびその制御が可能となる。
【００５９】（３）プラントの自動制御が可能となり、
手動制御に比べ目標値に達するまでの制御過程のオペレ
ータの個人差をなくすことができる。このため、品質の
均一化、生産効率の向上に寄与することができる。
手動制御に比べ目標値に達するまでの制御過程のオペレ
ータの個人差をなくすことができる。このため、品質の
均一化、生産効率の向上に寄与することができる。
【００６０】（４）非線形モデルについての生産状態の
予測および目標値に対する制御内容の決定精度が非常に
高い。
予測および目標値に対する制御内容の決定精度が非常に
高い。
【図１】本発明実施例の処理手順を示す構成図である。
【図２】重合プラントの構成を示す構成図である。
【図３】ニューラルネットワークの入力および出力の内
容を示す構成図である。
容を示す構成図である。
【図４】本発明の他のニューラルネットワークの構成を
示す構成図である。
示す構成図である。
【図５】実験モデルに使用したニューラルネットワーク
の構成を示す構成図である。
の構成を示す構成図である。
１ 撹拌槽 ２ 混合タンク ３ 混合器 ４ ポンプ ５ 自動調節弁 ６ 流量計 ７ 温度計 ８ 電流計 ９ 圧力計 １０ レベル計 １１ ＤＣＳ（分散制御システム） １２ コンピュータゲートウェイ １３ イーサネット １４ ワークステーション
Claims (1)
- 【請求項１】 重合プロセスにおける制御要素の内容を
入力すると、該制御要素の内容に対応する当該重合プロ
セスの生産内容を出力するように予めニューラルネット
ワークに学習させておき、 前記ニューラルネットワークに入力する内容を順次に変
化させ、 前記ニューラルネットワークから順次に出力される内容
が前記重合プロセスの生産目標と合致するか否かを判定
し、 合致判定が得られたときの前記ニューラルネットワーク
の入力の内容を前記重合プロセスを実際に制御するため
の前記制御要素の内容と決定することを特徴とする重合
プロセスの制御方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP17993892A JPH0628009A (ja) | 1992-07-07 | 1992-07-07 | 重合プロセスの制御方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP17993892A JPH0628009A (ja) | 1992-07-07 | 1992-07-07 | 重合プロセスの制御方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0628009A true JPH0628009A (ja) | 1994-02-04 |
Family
ID=16074567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP17993892A Withdrawn JPH0628009A (ja) | 1992-07-07 | 1992-07-07 | 重合プロセスの制御方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0628009A (ja) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06322989A (ja) * | 1993-05-18 | 1994-11-22 | Showa Denko Kenzai Kk | 外壁板建込み方法及び外壁板揚重治具 |
| WO1996041822A1 (fr) * | 1995-06-09 | 1996-12-27 | Solvay Polyolefines Europe-Belgium (Societe Anonyme) | Methode de regulation de procedes de synthese de produits chimiques |
| JP2008501837A (ja) * | 2004-06-09 | 2008-01-24 | ストックハウゼン ゲーエムベーハー | コンピュータ生成モデルを用いた親水性ポリマー及び親水性ポリマーを含む追加処理製品の製造方法 |
| JP2013542286A (ja) * | 2010-10-08 | 2013-11-21 | ランクセス・ドイチュランド・ゲーエムベーハー | 活性モニタリング及び重合プロセス制御 |
| WO2020054183A1 (ja) * | 2018-09-10 | 2020-03-19 | 富士フイルム株式会社 | フロー反応支援装置及び方法、フロー反応設備及び方法 |
| EP3858474A4 (en) * | 2018-09-28 | 2021-12-22 | FUJIFILM Corporation | FLOW REACTION EQUIPMENT AND PROCEDURES |
| JP2022532143A (ja) * | 2019-05-09 | 2022-07-13 | アスペン テクノロジー インコーポレイテッド | 機械学習を専門知識及び第一原理と組み合わせて行うプロセス産業のモデリング |
| US11754998B2 (en) | 2019-10-18 | 2023-09-12 | Aspentech Corporation | System and methods for automated model development from plant historical data for advanced process control |
| US11782401B2 (en) | 2019-08-02 | 2023-10-10 | Aspentech Corporation | Apparatus and methods to build deep learning controller using non-invasive closed loop exploration |
-
1992
- 1992-07-07 JP JP17993892A patent/JPH0628009A/ja not_active Withdrawn
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06322989A (ja) * | 1993-05-18 | 1994-11-22 | Showa Denko Kenzai Kk | 外壁板建込み方法及び外壁板揚重治具 |
| WO1996041822A1 (fr) * | 1995-06-09 | 1996-12-27 | Solvay Polyolefines Europe-Belgium (Societe Anonyme) | Methode de regulation de procedes de synthese de produits chimiques |
| BE1009406A3 (fr) * | 1995-06-09 | 1997-03-04 | Solvay | Methode de regulation de procedes de synthese de produits chimiques. |
| JP2008501837A (ja) * | 2004-06-09 | 2008-01-24 | ストックハウゼン ゲーエムベーハー | コンピュータ生成モデルを用いた親水性ポリマー及び親水性ポリマーを含む追加処理製品の製造方法 |
| JP2013542286A (ja) * | 2010-10-08 | 2013-11-21 | ランクセス・ドイチュランド・ゲーエムベーハー | 活性モニタリング及び重合プロセス制御 |
| JPWO2020054183A1 (ja) * | 2018-09-10 | 2021-09-30 | 富士フイルム株式会社 | フロー反応支援装置及び方法、フロー反応設備及び方法 |
| WO2020054183A1 (ja) * | 2018-09-10 | 2020-03-19 | 富士フイルム株式会社 | フロー反応支援装置及び方法、フロー反応設備及び方法 |
| EP3851461A4 (en) * | 2018-09-10 | 2021-11-17 | FUJIFILM Corporation | FLOW REACTION AID DEVICE AND METHOD, FLOW REACTION EQUIPMENT AND METHOD |
| EP3858474A4 (en) * | 2018-09-28 | 2021-12-22 | FUJIFILM Corporation | FLOW REACTION EQUIPMENT AND PROCEDURES |
| US11253834B2 (en) | 2018-09-28 | 2022-02-22 | Fujifilm Corporation | Flow reaction facility and flow reaction method |
| JP2022532143A (ja) * | 2019-05-09 | 2022-07-13 | アスペン テクノロジー インコーポレイテッド | 機械学習を専門知識及び第一原理と組み合わせて行うプロセス産業のモデリング |
| US11853032B2 (en) | 2019-05-09 | 2023-12-26 | Aspentech Corporation | Combining machine learning with domain knowledge and first principles for modeling in the process industries |
| US11782401B2 (en) | 2019-08-02 | 2023-10-10 | Aspentech Corporation | Apparatus and methods to build deep learning controller using non-invasive closed loop exploration |
| US11754998B2 (en) | 2019-10-18 | 2023-09-12 | Aspentech Corporation | System and methods for automated model development from plant historical data for advanced process control |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10739752B2 (en) | Computer system and method for causality analysis using hybrid first-principles and inferential model | |
| Lennox et al. | Industrial application of neural networks—an investigation | |
| Mu et al. | Online dual updating with recursive PLS model and its application in predicting crystal size of purified terephthalic acid (PTA) process | |
| Warne et al. | Statistical and computational intelligence techniques for inferential model development: a comparative evaluation and a novel proposition for fusion | |
| US20060259198A1 (en) | Intelligent system for detection of process status, process fault and preventive maintenance | |
| JPH0628009A (ja) | 重合プロセスの制御方法 | |
| CN113420061B (zh) | 炼油和化工生产装置的稳态工况分析方法、优化调试方法及*** | |
| US20020019722A1 (en) | On-line calibration process | |
| Zubov et al. | Bringing the on‐line control and optimization of semibatch emulsion copolymerization to the pilot plant | |
| Singh et al. | ANN based estimator for distillation—inferential control | |
| Griesing-Scheiwe et al. | Soft sensor design for variable time delay and variable sampling time | |
| JP4017516B2 (ja) | 高分子製品の物性評価方法 | |
| Padmavathi et al. | Neural modelling of Mooney viscosity of polybutadiene rubber | |
| Borg et al. | A neural network developed in a Foundation Fieldbus environment to calculate flow rates for compressible fluid | |
| US6862562B1 (en) | Computer method and apparatus for determining state of physical properties in a chemical process | |
| JP5580966B2 (ja) | Ｐｉｄ制御装置 | |
| GB2402232A (en) | Estimating a property of a batch process using a non-parametric model | |
| Vanlaer et al. | Quality assessment of a variance estimator for Partial Least Squares prediction of batch-end quality | |
| Sourander et al. | Fault tolerant control for a dearomatisation process | |
| JPH063243A (ja) | ゴム状重合体の物性推定方法 | |
| CN104200269A (zh) | 一种基于在线学习最小嵌入维网络的实时故障诊断方法 | |
| EP3404498A1 (en) | Plant evaluation device and plant evaluation method | |
| TW487834B (en) | Computer method and apparatus for determining state of physical properties in a chemical process | |
| Chang et al. | Intelligent integration of SPC/EPC for quality control and fault diagnosis | |
| Bhide et al. | Statistics on reliability of neural network estimates |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Withdrawal of application because of no request for examination |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 19991005 |