KR20220140526A - 비정형 데이터로부터 화학 플랜트를 모니터 및/또는 제어하기 위한 지시를 추출하는 방법 - Google Patents

비정형 데이터로부터 화학 플랜트를 모니터 및/또는 제어하기 위한 지시를 추출하는 방법 Download PDF

Info

Publication number
KR20220140526A
KR20220140526A KR1020227028141A KR20227028141A KR20220140526A KR 20220140526 A KR20220140526 A KR 20220140526A KR 1020227028141 A KR1020227028141 A KR 1020227028141A KR 20227028141 A KR20227028141 A KR 20227028141A KR 20220140526 A KR20220140526 A KR 20220140526A
Authority
KR
South Korea
Prior art keywords
plant
instructions
information
model
unstructured data
Prior art date
Application number
KR1020227028141A
Other languages
English (en)
Inventor
파반 쿠마르 라비누탈라
안드레아스 깁서
Original Assignee
바스프 에스이
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 바스프 에스이 filed Critical 바스프 에스이
Publication of KR20220140526A publication Critical patent/KR20220140526A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/0216—Human interface functionality, e.g. monitoring system providing help to the user in the selection of tests or in its configuration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
    • G06K9/6253—
    • G06K9/627—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33034—Online learning, training

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

본 발명은 화학 플랜트를 모니터 또는 제어하는 컴퓨터-구현 방법 분야에 속한다. 이는 화학 플랜트를 모니터 및/또는 제어하는 컴퓨터 구현 방법에 관한 것으로, (a1) 화학 플랜트를 모니터 및/또는 제어하는 지시를 포함하는 비정형 데이터를 제공하는 단계와, (a2) 플랜트의 지리적 위치의 정보 또는 플랜트에서 처리되는 화합물의 정보를 적어도 포함하는 화학 플랜트에 관한 정보를, 인터페이스를 통해서 제공하는 단계와, (b1) 비정형 데이터 및 화학 플랜트에 관한 정보를, 비정형 데이터로부터 지시를 추출하기에 적합한 모델에 제공하는 단계와, (b2) 모델로부터, 기간, 지리적 범위 또는 플랜트에서 처리되는 화합물 중 적어도 하나와 관련된, 지시의 적용 가능성을 포함하는 메타데이터와 함께, 지시를 획득하는 단계와, (c) 모델로부터 수신한 지시를 출력하는 단계를 포함한다.

Description

비정형 데이터로부터 화학 플랜트를 모니터 및/또는 제어하기 위한 지시를 추출하는 방법
본 발명은 화학 플랜트를 모니터 또는 제어하는 컴퓨터 구현 방법 분야에 관한 것이다.
화학 플랜트를 운영하기 위해서는, 높은 수준의 안전, 플랜트에서 일하는 사람들의 건강 및 환경 보호를 유지하기 위한 많은 조치들이 필요하다. 예를 들어, 대기 중으로의 배출을 모니터하고, 플랜트의 각 파트마다 상이한 메인터넌스 간격을 주시하고 있어야 한다. 이러한 규정들은 무수히 존재한다. 법적인 규정은, EU 규정, 국가별 법률(country-specific laws), 주별 법률(state-specific laws), 카운티의 규칙, 회사의 규칙, 플랜트의 규정 또는 계약이 있기 때문에, 특히 복잡하다. 플랜트 운영자가 이러한 모든 규정을 통과하기 위해서는 많은 시간이 걸리고 조치 항목들 중 일부는 누락될 가능성이 있다. 또한, 규정이 변경되는 경우, 이러한 변화에 적시에 대응하는 것은 현실적으로 어렵다. 따라서 이러한 태스크들(tasks)을 자동화할 수 있는 시스템이 있다면 바람직할 것이다. 그러나, 규정은 대부분, 사람이 판독할 수 있는 텍스트 형태의 비정형 데이터이기 때문에, 이는 상당히 어려운 태스크이다.
WO 2017/129636 A1는, 화학 플랜트에서의 특허 침해 위험을 자동으로 결정하는 방법을 개시하고 있다. 그러나 이 개념에서는, 위험이 존재한다고 해서 플랜트 운영자에게 무엇을 해야 하는지에 대한 직접적인 정보를 제공하는 것은 아니기 때문에, 해당 문제에 쉽게 적용(transfer)될 수는 없다.
S. Seppala 등은, 텍스트 형식의 복잡한 규칙들을 논리적 그래프로 변환하는 시스템을, 규정 준수용 기술(Technologies for Regulatory Compliance)에 대한 1차 워크숍 절차(http://ceur-ws.org/Vol-2049/08paper.pdf)에서 공개했다. 그러나 단어 간의 관계를 생성하기 위해서는, 사전 정의된 관계를 입력해야 하므로 많은 노력이 필요하다. 나아가, 이 시스템은 다양한 언어의 입력을 통해서 쉽게 사용되는 것은 불가능하다.
E. Zamora at 등은, Journal of Chemical Information and Modeling volume 24 (1984)의 176~188페이지에서, 주요 간행물의 텍스트에서 화학 반응 정보를 추출하는 방법을 공개했다. 그러나, 이 정보는 데이터베이스에만 저장될 뿐, 화학 플랜트를 모니터 및/또는 제어하는 데 적합한 지시로 변환되는 것은 아니다.
WO 2019/023982 A1에서는, 비정형 데이터를 포함한, 다양한 소스로부터 획득한 산업 동작의 데이터를 저장하는 데이터베이스를 개시한다. 그러나, 데이터베이스로부터, 화학 플랜트를 모니터 및/또는 제어하는 지시가 생성되는 것은 아니다.
US 2008/0040298 A1에서는, 화학 반응과 관련된 비정형 데이터를 정형 데이터베이스에 저장되는 정형 데이터로 변환하는 방법을 개시하고 있다. 그러나 화학 플랜트를 모니터 및/또는 제어하는 지시가 생성되는 것은 아니다.
따라서, 본 발명의 목적은, 운영 안전성을 증가시키고, 환경에 대한 영향을 최소화하기 위해서, 빠르고, 신뢰할 수 있으며, 사용하기 쉬운 화학 플랜트를 모니터 또는 제어하는 방법을 제공하는 것이다. 이 방법은, 새로운 요구 사항에 용이하게 적응할 수 있고, 필요한 조치를 신속하게 제공할 수 있도록 유연해야 하며, 상황에 따라서는 관련이 없는 조치들은 안정적으로 제외시킴으로써 운영 인력의 부담을 덜어주어야 한다.
이들 목적은 화학 플랜트를 모니터 및/또는 제어하는 컴퓨터 구현 방법으로 달성되며, 이는
(a1) 화학 플랜트를 모니터 및/또는 제어하는 지시를 포함하는 비정형 데이터를 제공하는 단계와,
(a2) 플랜트의 지리적 위치의 정보 또는 플랜트에서 처리되는 화합물의 정보를 적어도 포함하는 화학 플랜트에 관한 정보를, 인터페이스를 통해서 제공하는 단계와,
(b1) 비정형 데이터 및 화학 플랜트에 관한 정보를, 비정형 데이터로부터 지시를 추출하기에 적합한 모델에 제공하는 단계와,
(b2) 모델로부터, 기간, 지리적 범위 또는 플랜트에서 처리되는 화합물 중 적어도 하나와 관련된, 지시의 적용 가능성을 포함하는 메타데이터와 함께, 지시를 획득하는 단계와,
(c) 모델로부터 수신한 지시를 출력하는 단계
를 포함한다.
본 발명은 또한 위의 청구항 중 어느 하나에 따른 방법의 단계를 실행하기 위한 명령어를 포함하는 컴퓨터 프로그램이 저장된 비일시적 컴퓨터 판독 가능 데이터 매체에 관한 것이다.
본 발명은 또한 화학 플랜트를 모니터 및/또는 제어하는, 위의 청구항 중 어느 하나로부터 획득한 지시의 사용에 관한 것이다.
본 발명은 또한 화학 플랜트를 모니터 및/또는 제어하는 생산 모니터 및/또는 제어 시스템에 관한 것으로,
(a) 화학 플랜트를 모니터 및/또는 제어하는 지시를 포함하는 비정형 데이터를 수신하도록 구성되고, 플랜트의 지리적 위치의 정보 또는 플랜트에서 처리되는 화합물의 정보를 포함하는 화학 플랜트에 관한 정보를 수신하도록 구성된 입력 유닛과,
(b) 비정형 데이터 및 화학 플랜트에 관한 정보를, 비정형 데이터로부터 지시를, 기간, 지리적 범위 또는 플랜트에서 처리되는 화합물 중 적어도 하나와 관련된, 지시의 적용 가능성을 포함하는 메타데이터와 함께, 추출하기에 적합한 모델에 제공하도록 구성된 처리 유닛과,
(c) 모델로부터 수신한 지시를 출력하도록 구성된 출력 유닛
을 포함한다.
본 발명의 바람직한 실시예는 상세한 설명 및 특허 청구 범위에 개시되어 있다. 여러 실시예들의 조합은 본 발명의 범주에 들어간다.
도 1은 본 발명의 잠재적인 구현예를 나타낸다.
도 2는 본 발명의 다른 잠재적인 구현예를 나타낸다.
본 발명은 화학 플랜트를 모니터 및/또는 제어하는 방법에 관한 것이다. 모니터한다는 것은 일반적으로, 화학 플랜트의 모든 동작 상태를 관찰하고 기록하는 것을 의미한다. 동작 상태는, 내부 파라미터, 즉 반응기 온도, 압력, 전력 소비, 입력 또는 출력 재료의 흐름, 교반기의 회전 속도, 밸브 상태, 플랜트 내부 공기 중 증기의 농도, 플랜트 내에 있는 사람의 수와 같은 플랜트 내와만 관련된 파라미터를 포함한다. 동작 상태는, 외부 파라미터, 즉 화학 증기, 열, 소리, 진동, 광의 방출과 같은, 플랜트의 외부 환경과의 모든 교환과 관련된 파라미터도 포함한다. 기록하는 것은, 원시 데이터를 영구 데이터 저장 장치에 저장하는 것 또는 회사나 당국에서 요구하는 형식으로 문서를 준비하는 것을 의미할 수 있다.
제어하는 것은 일반적으로 화학 플랜트의 동작 상태를 변경하기 위한 조치를 취하는 것을 의미한다. 조치는 예를 들어 밸브의 상태를 변경하거나, 추가 가열을 통해 온도를 변경하거나 혹은 냉각을 증가시키는 등의 직접적인 것일 수 있다. 조치는 또한 예를 들어, 운영자에게 필터 교환 또는 스루풋 조정과 같은 조치를 취하게 하는 등의 간접적인 것일 수도 있다.
화학 플랜트는, 화학 반응을 통해서 화합물을 생산하거나, 화합물을 혼합하여 제제(formulation)를 생성하거나, 화합물의 순도를 높이거나, 화합물을 다른 형태로 만들거나, 화합물이나 또는 화합물을 포함하는 제제를 패키징하는 시설이다. 많은 경우에, 화학 플랜트는 이들 활동 중 하나 이상을 수용한다. 화학 플랜트의 예는, 정유 공장; 스팀 크래커(steam cracker), 에틸렌 옥사이드 공장, 일산화탄소 공장, 메탄올 공장과 같은 석유 화학 공장; 아크릴산, 톨루엔-디이소시아네이트, 테트라히드로푸란을 생산하는 공장과 같은 중간 화학 공장; 황산, 염소 또는 염화철과 같은 무기물을 생산하는 공장; 의약품 또는 농약을 생산하는 공장; 방향 화학 물질, 영양 제제와 같은 식품 및 사료를 생산하는 공장; 아로마 화학 물질과 같은 식품과 사료를 생산하는 공장; 영양제, 가정 및 개인 관리 화학 물질과 제제를 제조하는 공장; 가정 및 개인 위생용 화학 물질 및 제제 공장; 폴리에틸렌, 폴리스티렌, 또는 폴리에틸렌테레프탈레이트 등의 고분자를 생산하는 공장; 분산액(dispersions)을 생산하는 공장; 안료를 생산하는 플랜트; 페인트와 래커를 생산하는 공장; 예를 들어 분석, 의약품, 영양 또는 마이크로칩 생산에 사용하기 위해 화합물의 순도를 높이는 공장; 애널리틱스(analytics), 의약품, 영양 또는 마이크로칩 생산에 사용하기 위해 화합물의 순도를 증가시키는 공장을 포함할 수 있다.
본 발명에 따른 방법은 (a1) 화학 플랜트를 모니터 및/또는 제어하는 지시를 포함하는 비정형 데이터를 제공하는 단계를 포함한다. 비정형 데이터는 일반적으로, 사전 정의된 데이터 모델을 갖고 있지 않거나 혹은 사전 정의된 방식으로 구성되지(organized) 않은 데이터라고 이해된다. 바람직하게는, 비정형 데이터는 문자를 포함하는 형식, 예를 들어 ASCII 코드이다. 바람직하게는, 비정형 데이터는 사람이 읽을 수 있는 것이다. 적합한 형식의 예로는 txt, pdf, html, xml, docx, rtf, odt, postscript, LaTeX, dvi, eml이 있다. 비정형 데이터가 문자를 포함하지 않는 형식(예를 들어, 종이 스캔 비트맵)으로만 사용할 수 있는 경우, 데이터를 문자를 포함하는 비정형 데이터로 변환하기 위해서, 특히 선호하는 데이터 형식 중 하나로 변환하기 위해서, 데이터는 사전 처리되는 것이 바람직하다. 광학 문자 인식(OCR)과 같은 다양한 기술을 사용할 수 있다. 비정형 데이터가 다양한 형식의 집합으로 제공되는 경우, 이는 동일한 형식으로 변환하는 것이 바람직하다.
비정형 데이터는, 기술 데이터 시트, 매뉴얼, 계획서, 배송 노트, 법률, 지침, 가이드라인, 과학 기사, 보고서를 포함한 다양한 소스로부터 시작될 수 있다. 바람직하게는, 비정형 데이터는 하나 이상의 소스, 예를 들어 적어도 2개의 소스, 적어도 3개의 소스 또는 적어도 4개의 소스로부터 비롯된다. 비정형 데이터는 일반적으로 다수의 기술 데이터 시트 또는 다수의 법률과 같은 소스의 여러 조각으로부터 비롯된다. 기술 데이터 시트는 예를 들어, 방출 값(emission value)이 특정 임계값을 초과하는 경우에 필터를 교체하거나, 또는 특정한 진동이 발생한 경우에 윤활제를 교체하라는 지시를 포함할 수 있다. 매뉴얼은, 밸브가 막힌 경우의 대처 방법에 대한 지시를 포함할 수 있다. 법률, 지침 및 가이드라인과 같은 법률 텍스트는 종종, 직장에서의 안전 및 건강, 환경 보호 또는 리소스 관리와 관련된다. 이는, 공기 중 특정 화합물의 농도를 기록할 의무나 혹은 더운 날씨 상태에서 온수를 강으로 배출하는 것을 감소시킬 의무를 포함할 수 있다. 과학 기사 또는 보고서는, 제품 수율을 높이거나 혹은 장비의 마모를 줄이도록 동작 파라미터를 최적화하는 지시를 포함할 수 있다.
비정형 데이터는 지시를 포함한다. 이들 지시는 일반적으로 사람이 읽을 수 있는 것이다. 지시는 직접적인 것일 수도 있고 간접적인 것일 수도 있다. 직접 지시의 예는, 배출수의 온도를 측정하고 기록하는 것이다. 간접 지시의 예는 폐기물을 취급할 때 적절한 주의를 기울이는 것이다. 간접 지시는 종종 다른 데이터 소스의 직접 지시와 결합되어야 하며, 이는 상기 예에서는 폐기물 처리 지시가 될 수 있다. 지시는, 영어, 독일어, 프랑스어, 스페인어, 포르투갈어, 중국어, 일본어, 한국어, 러시아어 또는 아라비아어와 같은 다른 언어들일 수도 있고, 하나의 언어일 수도 있다.
많은 경우에, 비정형 데이터는 많은 지시를 포함하고, 또한 지시로 인정되지 않는 추가 정보를 포함한다. 이는, 비정형 데이터가 단일 소스로부터 시작된 경우에도 마찬가지일 수 있다. 전형적인 예는 플랜트의 매뉴얼로, 수백 페이지를 포함할 수 있다. 따라서, 비정형 데이터를 모델에 제공하기 전에 비정형 데이터를 구문 분석(parse)하는 것이 바람직하다. 이러한 방식으로, 하나 이상의 지시를 각각 포함하지 않을 가능성이 높은 더 작은 파트들이 획득된다. 동시에, 형식 지정된 커맨드(formatting commands)와 같은 임의의 지시를 명확하게 포함하지 않은 데이터는 제거될 수 있다. 간단한 예로, 문장이나 단락이 이러한 더 작은 파트일 수 있다. 그러나 논리 단위를 인식할 수 있는 보다 정교한 방법이 사용될 수도 있다. 예를 들어, PDFMiner와 같은 다양한 라이브러리를 사용해서 이러한 구문 분석을 수행할 수 있다.
본 발명에 따른 방법은 (a2) 플랜트의 지리적 위치의 정보 또는 플랜트에서 처리되는 화합물의 정보를 적어도 포함하는 화학 플랜트에 관한 정보를, 인터페이스를 통해서 제공하는 단계를 포함한다. 지리적 위치는 GPS 좌표, 플랜트가 위치된 국가 및/또는 주, 강, 호수 또는 바다와 같은 물까지의 거리 또는 고도를 포함할 수 있다. 플랜트에서 처리되는 화합물에 관한 정보는 화합물의 화학 구조, 시간당 사용량(예를 들어, 월별 또는 연간), 또는 특정 시간에 플랜트에 (예를 들어, 저장 시설에) 존재하는 양을 포함할 수 있다. 바람직하게는, 화합물에 관한 정보는, 화합물이 시약으로서, 중간체로서 또는 제품으로서 사용되는 경우의 정보를 포함한다.
본 발명에 따른 방법은 (b1) 비정형 데이터 및 화학 플랜트에 관한 정보를 비정형 데이터로부터 지시를 추출하기에 적합한 모델에 제공하는 단계를 포함한다. 모델은 바람직하게는 데이터-구동 모델이다. 데이터-구동 모델은 비정형 데이터를 입력받고 정형 데이터를 출력하기 위해 즉, 이 경우에, 화학 플랜트를 모니터 및/또는 제어하는 지시를 출력하기 위해, 트레이닝 데이터에 따라서 파라미터화되는 트레이닝된 수학적 모델이다. 데이터-구동 모델은 바람직하게 데이터-구동 머신 학습 모델이다. 데이터-구동 모델은 선형 회귀 또는 다항식 회귀, 결정 트리, 랜덤 포레스트 모델, 베이지안 네트워크(Bayesian network) 또는 신경망일 수 있으며, 바람직하게는 신경망일 수 있다. 더욱 바람직하게는, 신경망은 순환 신경망, 특히 LSTM(long short-term memory) 또는 GRU(gated recurrent units)을 포함하는 신경망이다.
바람직하게는, 비정형 데이터는 벡터화된 형태로 모델에 제공된다. 비정형 데이터를 벡터화하는 일반적인 방법은, tf-idf(term frequency-inverse document frequency)이다. 비정형 데이터를 벡터화하는 더 향상된 기술을 사용하면, 특히 라이브러리 Word2vec에서 사용할 수 있는 CBOW(continuous bag-of-words) 또는 연속 스킵 그램(continuous skip-gram)을 사용하면, 더 높은 정확도를 얻을 수 있다.
모델은 이력 데이터로 트레이닝되었을 수 있다. 본 발명의 맥락에서 이력 데이터는, 비정형 데이터로서 지시를 포함하는 데이터 세트를 가리키고, 이를 정형 데이터 형식의 지시와 연관시킨다. 이력 데이터는, 데이터를 수동으로 라벨링함으로써 혹은 사용자 피드백을 저장함으로써 생성될 수 있다. 후자의 경우, 사전 트레이닝된 모델은 비정형 데이터로부터 지시를 추출해서 사용자에게 제공하며, 사용자는 결과에 대한 피드백을 제공한다. 이러한 피드백은 나쁨(poor)에서 우수(perfect)까지의 등급의 형태일 수도 있고, 또는 결과를 수정하는 형태일 수도 있다. 높은 등급의 결과 또는 수정된 결과가 추가 이력 데이터로서 사용되어서 모델을 더 트레이닝할 수도 있다.
더 다양한 비정형 데이터 및 더 자세한 지시가 모델로부터 획득되어야 한다면, 더 많은 이력 데이터가 사용되어야 할 수 있다. 본 발명의 태스크가 이전에 많은 플랜트에 대해 수동으로 수행되었고 그 결과가 체계적인 방식으로 취득될 수 있는 방식으로 저장되었다면, 상당히 많은 이력 데이터를 사용할 수 있다. 그러나, 많은 경우에 그렇지 않다. 많은 양의 이력 데이터를 이용할 수 있는 경우에도 이력 데이터는 불균형하거나 왜곡될 수도 있으며, 예를 들어 메타데이터와 관련된 특정 파라미터 또는 클래스에 대해서는 약간의 데이터 세트만이 존재한다. 따라서 랜덤 오버샘플링, SMOTE(synthetic minority over-sampling technique) 또는 ADASYN(adaptive synthetic sampling)과 같은, 오버샘플링에 의해서 인위적으로 이력 데이터의 양을 증가시키는 것이 바람직하다.
모델로부터 획득한 지시는 xml, json, yaml과 같이 임의의 머신-판독 가능 형식을 가질 수 있다. 지시는 일반적으로 화학 플랜트를 모니터 및/또는 제어하는 데 필요한 정보를 포함한다. 지시는 일반적으로 대상, 즉 어느 것이 모니터 또는 제어되어야 하는지 및 이 대상에 대해 취해져야 할 조치를 포함한다. 지시는 또한 시간 정보, 예를 들어, 조치가 취해져야 할 때까지의 시간 또는 수행 빈도를 포함할 수 있다. 지시는 작업자, 예를 들어 안전 책임자 또는 플랜트 관리자와 같이 지시를 실행해야 하는 사람에 대한 정보도 포함할 수 있다. 예를 들어 필터 교환의 경우, xml 형식의 지시(instruction)는 다음과 같을 수 있다.
<instruction>
<id> 12345 </id>
<subject> filter </subject>
<action> exchange </action>
<frequency> monthly </frequency>
<meta-material> dust </meta-material>
<operator> maintenance expert </operator>
</instruction>
본 발명에 따르면, 이 모델은, 비정형 데이터로부터, 지시를 추출하는 것에 더해서 기간, 지리적 범위 또는 플랜트에서 처리될 화합물 중 적어도 하나를 포함하는 추가 메타데이터를 더 추출할 수 있다. 지시는 특정 기간 내에만 적용될 수도 있다(예를 들어, 겨울철에만 적용되거나 향후 몇 년 동안으로 제한됨). 지시는 특정 지리적 영역(예를 들어, 국가, 주, 마을, 물이나 정착지로부터 일정 거리 이내의 위치에) 내의 플랜트에만 적용될 수도 있다. 지시는 중금속, 휘발성 유기 화합물, 폭발물 또는 방사성 물질과 같은 특정 화합물을 취급하는 플랜트에만 적용될 수도 있다. 메타데이터는 특정 플랜트와 관련된 지시만을 선택하는 데 사용할 수 있다. 이 때문에, 각각의 플랜트에 대응하는 정보가 제공되어야 하는 경우, 메타데이터가 그 플랜트에 관한 정보와 일치될 수 있다. 일치하지 않으면, 이 플랜트에 대한 지시는 제거된다.
따라서, 모델은 지시를 추출하고, 이 지시에, 이 지시와 관련된 플랜트에 대한 정보를 태그할 수 있다. 바람직하게는, 이 모델은, 이 지시가 어느 제품과 관련되어 있는지에 대한 정보를, 그 지시에 태그할 수도 있다. 바람직하게는, 모델은, 이 지시가 특정 플랜트의 어떤 사람(예를 들어, 안전 고문 또는 유지 보수팀)과 관련되어 있는지에 대한 정보를, 그 지시에 태그할 수도 있다.
모델은 비정형 데이터의 다른 파트로부터 유사한 지시를 출력할 수도 있다. 동일한 지시가 예를 들어, 기술 데이터 시트 및 플랜트 매뉴얼과 같은 다양한 데이터 소스에 포함되어 있어서 두 번 이상 출력될 수도 있다. 플랜트의 동일한 동작 상태에 두 가지 지시가 관련되어 있는데 서로 다른 조치가 필요한 경우가 있을 수 있다. 예를 들어 국내법에 따라서, 플랜트가 대기 중으로 방출하는 휘발성 유기물의 양을 특정 값으로 제한해야 할 수 있다. 동시에, 회사 내부 문서에 따라서, 플랜트가 대기 중으로 방출하는 휘발성 유기물의 양을, 국내법에 따른 양보다 낮은 다른 값으로 제한해야 할 수도 있다. 따라서, 바람직하게는 지시는 그룹들로 그룹화되지며, 각각의 그룹은 플랜트의 동일한 작동 상태와 관련된 모든 지시를 포함한다. 더 바람직하게는, 이 그룹들은, 가장 관련성이 높은 지시가 먼저 배치되는 방식으로, 정렬된다. 관련성은 가장 엄격한 조치, 예를 들어, 최저 배출량 제한이나 또는 특정한 조치에 대한 최단의 기간에 기초해서 결정된다. 관련성을 결정하기 위한 규칙은 사전 설정될 수도 있고, 또는 사용자가, 예를 들어 플랜트 운영자가 입력할 수도 있다.
본 발명에 따른 방법은 (c) 모델로부터 수신한 지시를 출력하는 단계를 포함한다. 출력한다는 것은 비일시적 데이터 저장 매체에 지시를 기록하는 것, 사용자 인터페이스에 표시하는 것, 또는 제어 장치로 전송해서 지시를 물리적 동작에 적용하는 것을 의미할 수 있다. 바람직하게는, 지시는 사용자 인터페이스에 표시함으로써 출력된다. 사용자 인터페이스는 바람직하게는 사용자로부터, 예를 들어 플랜트 운영자로부터, 지시 각각 또는 지시의 그룹에 대한 선택, 수정, 우선 순위화 또는 실행 날짜를 수신하도록 구성된다. 지시는 관련 사용자 입력과 함께 영구 저장 매체에 저장되거나 제어 장치로 전송될 수 있다.
바람직하게는, 사용자 인터페이스는 지시를 나열하고, 특정한 기준에 따라, 예를 들어 지시의 기한에 따라 지시를 정렬하는 기능을 가지고 있다. 바람직하게는, 사용자 인터페이스는 플랜트의 동일한 동작 상태와 관련된 모든 지시를 포함하는 그룹에서 가장 높은 순위에 있는 지시만 표시하는 기능을 갖고 있다. 바람직하게는, 사용자 인터페이스는 달력에 지시를 표시하는 기능을 가지며, 각각의 지시는 그 기한에 따라 달력에 배치된다.
바람직하게는, 이 모델은 관련 조치에 관해서 지시를 분류하도록 구성된다. 이러한 분류를 통해서 모니터를 위한 조치와 제어를 위한 조치를 식별할 수 있다. 모니터와 관련된 조치의 경우에는, 지시는 제어 유닛으로 전송되는 것이 바람직하다. 제어 유닛은 센서에 접속되어서 플랜트의 상태에 관한 정보를 취득할 수 있다. 따라서, 제어 유닛은 지시가 요구하는 데이터를 각각의 센서로부터 선택하고 그 결과를 저장하도록 구성될 수 있다. 제어 유닛은 형태 템플릿으로 데이터를 삽입하도록 구성될 수도 있다. 이러한 형태 템플릿은 회사 내부 문서화 목적에 필요할 수도 있고, 혹은 규제 기관 등의 공무원에게 제출할될 수도 있다.
화학 플랜트를 모니터하거나 제어하는 지시가 제어 유닛으로 전송되면, 지시는 일반적으로 장치의 모니터 또는 제어를 트리거하는 데 적합한 신호로 변환된다. 이러한 변환은 종종 제어 유닛에서 수행된다. 그러나 변환에 다른 처리 유닛이 사용될 수도 있다.
바람직하게는, 가능한 경우 메타데이터를 포함하는 명령어의 출력은 데이터베이스, 바람직하게는 그래프 데이터베이스에 저장된다. 데이터베이스는 지시 및 메타데이터를 플랜트 및 해당 정보와 연관시킨다. 바람직하게는, 데이터베이스는 각각의 지시를 그 출처(origin)와 연관시킨다. 이러한 방식으로, 업데이트된 버전의 비정형 데이터의 소스에 대해서 본 발명에 따른 프로세스를 실행하는 것이 가능하다. 새로운 지시를 추출한 이후에는 데이터베이스에서 이전 지시는 교체될 수 있다. 교체된 지시와 이 지시가 관련된 플랜트와의 연관성을 사용함으로써, 이러한 각각의 플랜트는 매우 짧은 시간에 업데이트에 대해 통지받을 수 있다. 따라서, 바람직하게는, 새로운 지시만 또는 특정 플랜트로의 마지막 출력과 관련해서 변경된 지시만 출력된다. 다른 방안으로, 예를 들어 원자재가 다른 것으로 대체되는 경우와 같이 플랜트에서 무언가가 변경되는 경우에, 데이터베이스로부터 필요한 지시를 추출할 수 있다. 예를 들어, 제품 생산이 한 지역의 한 플랜트에서 다른 지역의 다른 플랜트로 이동하는 것과 같이, 하나 이상의 플랜트에서 특정한 변경이 수행되는 경우에 어떤 조치가 필요한지 시뮬레이션하는 것도 가능하다. 또한, 각각의 시나리오에 대해 데이터베이스로부터 지시를 추출함으로써 다수의 플랜트에 걸쳐 있는 일련의 생산 단계를 최적화하고, 비용, 환경 영향 또는 지시에 영향을 미치는 데 필요한 시간과 관련해서, 최상의 지시 세트를 획득하는 것도 생각할 수 있다.
바람직하게는, 화학 플랜트를 모니터 및/또는 제어하는 컴퓨터 구현 방법은,
(a1) 화학 플랜트를 모니터 및/또는 제어하는 지시를 포함하는 비정형 데이터를 인터페이스를 통해서 제공하는 단계와,
(a2) 플랜트의 지리적 위치의 정보 또는 플랜트에서 처리되는 화합물의 정보를 적어도 포함하는 화학 플랜트에 관한 정보를, 인터페이스를 통해서 제공하는 단계와,
(b1) 비정형 데이터를, 비정형 데이터로부터 상기 지시를 추출하기에 적합한 모델에 제공하는 단계와,
(b2) 모델로부터, 기간, 지리적 범위 또는 플랜트에서 처리되는 화합물 중 적어도 하나와 관련된, 지시의 적용 가능성을 포함하는 메타데이터와 함께, 지시를 획득하는 단계와,
(b3) 지시를 그룹으로 그룹화하는 단계 - 각각의 그룹은 플랜트의 동일한 동작 상태와 관련된 모든 지시를 포함함 - 와,
(c) 모델로부터 수신한 지시를 사용자 인터페이스에 출력하는 단계와,
(d) 모델의 추가 트레이닝에 사용할 수 있는 지시에 대한 사용자 피드백 수신하는 단계
를 포함한다.
본 발명은 또한, 본 발명에 따른 방법의 단계를 실행하기 위한 명령어를 포함하는 컴퓨터 프로그램을 저장하는 비일시적 컴퓨터 판독 가능 데이터 매체에 관한 것이다. 컴퓨터 판독 가능 데이터 매체는, 예를 들어 서버의 하드 드라이브, USB 저장 장치, CD, DVD 또는 블루레이 디스크를 포함한다. 컴퓨터 프로그램은 본 발명에 따른 방법의 실행에 필요한 모든 기능 및 데이터를 포함할 수도 있고, 혹은 원격 시스템, 예를 들어 클라우드 시스템에서 처리되는 방법의 일부를 갖도록 인터페이스를 제공할 수 있다.
본 발명은 또한 샘플의 재료 특성을 모니터 및/또는 제어하는 생산 모니터 및/또는 제어 시스템에 관한 것이다. 이하에서 명시적으로 별도로 언급되지 않는 한, 바람직한 실시예를 포함하는 방법에 관해서 행해진 설명은, 시스템에도 적용된다. 시스템은 컴퓨터, 태블릿 또는 스마트폰과 같은 컴퓨팅 장치일 수 있다. 종종 컴퓨팅 장치는 서버 또는 클라우드 네트워크와 같은 다른 컴퓨팅 장치와 통신하기 위해서 네트워크 접속을 갖는다.
본 발명에 따른 생산 모니터 및/또는 제어 시스템은 (a) 화학 플랜트를 모니터 및/또는 제어하는 지시를 포함하는 비정형 데이터를 수신하도록 구성된 입력 유닛을 포함한다. 바람직하게는, 입력 유닛은 인터페이스, 특히 예를 들어 사용자가 로컬 저장 매체 또는 원격 저장 매체로부터 처리될 비정형 데이터를 선택할 수 있게 하는 사용자 인터페이스를 포함한다. 본 발명에 따르면, 입력 유닛은 플랜트의 지리적 위치의 정보 또는 플랜트에서 처리되는 화합물의 정보를 포함하는 화학 플랜트에 관한 정보를 수신하도록 구성된다. 입력 유닛은 선택하도록 사전 정의된 옵션을 제공할 수도 있고, 자유 입력을 인에이블시킬 수도 있다. 입력은 플랜트 또는 바람직하게는 다수의 플랜트에 관한 데이터, 특히 회사 또는 회사 그룹의 모든 플랜트에 관한 데이터를 포함하는 데이터베이스에 대한 인터페이스를 가질 수 있다. 입력 유닛은 웹 서비스 또는 독립형 소프트웨어 패키지로 구현될 수도 있다. 입력 유닛은 프리젠테이션 또는 애플리케이션 계층을 형성할 수도 있다.
본 발명에 따른 생산 모니터 및/또는 제어 시스템은 (b) 비정형 데이터 및 화학 플랜트에 관한 정보를, 비정형 데이터로부터 지시를, 기간, 지리적 범위 또는 플랜트에서 처리되는 화합물 중 적어도 하나와 관련된, 지시의 적용 가능성을 포함하는 메타데이터와 함께, 추출하기에 적합한 모델에 제공하도록 구성된 처리 유닛을 포함한다. 처리 유닛은 CPU(central processing unit) 및/또는 GPU(graphics processing unit) 및/또는 ASIC(application specific integrated circuit) 및/또는 TPU(tensor processing unit) 및/또는 FPGA(field-programmable gate array)일 수 있다. 처리 유닛은 또한 클라우드 서비스와 같은 원격 컴퓨터 시스템에 대한 인터페이스일 수도 있다.
본 발명에 따른 생산 모니터 및/또는 제어 시스템은 (c) 모델로부터 수신된 지시를 출력하도록 구성된 출력 유닛을 포함한다. 출력 유닛은 웹 서비스 또는 독립형 소프트웨어 패키지로 구현될 수 있다. 출력 유닛은 프리젠테이션 또는 애플리케이션 계층을 형성할 수 있다. 바람직하게는, 출력 유닛은 모델로부터 수신된 지시를 출력하기 위한 인터페이스, 특히 플랜트에 대한 지시를 표시하도록 구성된 사용자 인터페이스를 포함한다. 이후, 사용자는 예를 들어, 생산 파라미터를 조정하거나 센서 데이터를 수집하는 등 필요한 조치를 취할 수 있다. 바람직하게는, 사용자 인터페이스는 모델을 더 트레이닝하는 데 사용될 수 있는 지시에 관한 피드백을 사용자로부터 수신하도록 구성된다. 다른 방안으로, 출력 유닛은, 생산 파라미터를 자동으로 조정하거나 센서 데이터를 수집하는 장치에 대한 인터페이스를 포함하거나 혹은 가질 수 있다. 바람직하게는, 출력 유닛은 데이터베이스, 특히 그래프 데이터베이스에 명령어를 저장하기 위해서, 데이터베이스에 대한 인터페이스를 갖는다. 생산 및/또는 제어 시스템의 다른 실행에서, 데이터베이스를 사용해서 새로운 지시 또는 마지막 실행과 관련해서 변경된 지시를 선택할 수 있다.
본 발명을 구현하는 방법은 여러가지가 있다. 하나가 도 1에 도시되어 있다. 비정형 데이터(10)가 처리 장치(11)에 제공되는데, 비정형 데이터(10)는 특정 플랜트에 대한 관련성에 따라 필터링될 수도 있고 필터링되지 않을 수도 있다. 이 처리 유닛은 비정형 데이터를 이력 데이터에 대해 트레이닝된 데이터 기반 모델에 제공한다. 처리 유닛은 모델로부터 지시를 획득하는데, 지시는 그룹화될 수도 있고, 그룹화되지 않을 수도 있으며, 여기서 각각의 그룹은 플랜트의 동일한 동작 상태와 관련된 모든 지시를 포함한다. 지시는 예를 들어, 마감일 별로 정렬된 리스트(13)를 표시하는 사용자 인터페이스에 의해, 지시를 출력하는 출력 유닛(12)에 제공된다. 각각의 지시는 화학 플랜트(21)에서의 조치를 유발할 수 있는데, 이 조치는 제어 장치에 의해 자동을 수행될 수도 있고, 예를 들어 플랜트 운영자에 의해 수동으로 수행될 수도 있다.
대안의 구현예가 도 2에 도시되어 있다. 비정형 데이터(10)는 처리 유닛(11)에 제공된다. 이 처리 유닛은 비정형 데이터를 이력 데이터에 대해 트레이닝된 데이터 기반 모델에 제공한다. 처리 유닛(11)은 모델로부터, 기간, 지리적 범위 또는 플랜트에서 처리될 화합물 중 적어도 하나를 포함하는 메타데이터와 함께 지시를 획득한다. 처리 유닛(11)은 이들 데이터를 출력 유닛(12)에 제공한다. 출력 유닛은, 데이터베이스(31)로부터 획득한 각각의 플랜트(21, 22, 23)에 관한 정보와 메타데이터를 비교함으로써, 각각의 플랜트(21, 22, 23)에 대한 지시를 선택한다. 데이터베이스(31)는 또한 어떤 지시가 플랜트(21, 22, 23)에 이미 주어졌는지에 대한 정보를 포함할 수 있으므로, 출력 유닛은 플랜트(21, 22, 23) 중 어느 것에도 주어지지 않은 지시가나 또는 업데이트된 버전의 지시만 선택할 수 있다. 각각의 플랜트(21, 22, 23)의 플랜트 관리자는 출력 유닛(12)으로부터 수신한 지시에 기초해서 플랜트를 모니터 및/또는 제어하는데 필요한 조치를 취할 수 있다.

Claims (16)

  1. 화학 플랜트를 모니터 및/또는 제어하는 컴퓨터 구현 방법으로서,
    (a1) 화학 플랜트를 모니터 및/또는 통제하기 위한 지시를 포함하는 비정형 데이터(unstructured data)를 제공하는 단계와,
    (a2) 상기 플랜트의 지리적 위치의 정보 또는 상기 플랜트에서 처리되는 화합물의 정보를 적어도 포함하는 상기 화학 플랜트에 관한 정보를, 인터페이스를 통해서 제공하는 단계와,
    (b1) 상기 비정형 데이터 및 상기 화학 플랜트에 관한 정보를, 상기 비정형 데이터로부터 상기 지시를 추출하기에 적합한 모델에 제공하는 단계와,
    (b2) 상기 모델로부터, 기간, 지리적 범위 또는 상기 플랜트에서 처리되는 화합물 중 적어도 하나와 관련된, 상기 지시의 적용 가능성을 포함하는 메타데이터와 함께, 지시를 획득하는 단계와,
    (c) 상기 모델로부터 수신한 상기 지시를 출력하는 단계
    를 포함하는 방법.
  2. 제1항에 있어서,
    상기 모델은 신경망인
    방법.
  3. 제2항에 있어서,
    상기 신경망은 장단기 메모리(long short-term memory)를 포함하는
    방법.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 지시는 사용자 인터페이스 상에 출력되는
    방법.
  5. 제4항에 있어서,
    상기 사용자 인터페이스는 상기 지시에 대한 사용자 피드백을 수신하도록 구성되고, 상기 사용자 피드백은 상기 모델의 추가 트레이닝에 사용 가능한,
    방법.
  6. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 플랜트의 지리적 위치의 정보 또는 상기 플랜트에서 처리되는 화합물의 정보를 적어도 포함하는 상기 화학 플랜트에 관한 정보가 제공되는
    방법.
  7. 제1항 내지 제6항 중 어느 한 항에 있어서,
    기간, 지리적 범위 또는 상기 플랜트에서 처리되는 화합물 중 적어도 하나와 관련된, 상기 지시의 적용 가능성을 포함하는 메타데이터가 상기 모델로부터 획득되는
    방법.
  8. 제1항 내지 제7항 중 어느 한 항에 있어서,
    상기 모델로부터 획득한 상기 지시는 그룹으로 그룹화되고, 각각의 그룹은 상기 플랜트의 동일한 동작 상태와 관련된 모든 지시를 포함하는,
    방법.
  9. 제1항 내지 제8항 중 어느 한 항에 있어서,
    새로운 지시만 또는 특정 플랜트로의 마지막 출력과 관련해서 변경된 지시만 출력되는,
    방법.
  10. 제1항 내지 제9항 중 어느 한 항에 따른 방법의 단계를 실행하기 위한 명령어를 포함하는 컴퓨터 프로그램이 저장된 비일시적 컴퓨터 판독 가능 데이터 매체.
  11. 제1항 내지 제10항 중 어느 한 항에서 화학 플랜트를 모니터 및/또는 제어하기 위해서 획득한 지시의 사용.
  12. 화학 플랜트를 모니터 및/또는 제어하는 생산 모니터 및/또는 제어 시스템으로서,
    (a) 화학 플랜트를 모니터 및/또는 제어하는 지시를 포함하는 비정형 데이터를 수신하도록 구성되고, 상기 플랜트의 지리적 위치의 정보 또는 상기 플랜트에서 처리되는 화합물의 정보를 포함하는 상기 화학 플랜트에 관한 정보를 수신하도록 구성된 입력 유닛과,
    (b) 상기 비정형 데이터 및 상기 화학 플랜트에 관한 정보를, 상기 비정형 데이터로부터 상기 지시를, 기간, 지리적 범위 또는 상기 플랜트에서 처리되는 화합물 중 적어도 하나와 관련된, 상기 지시의 적용 가능성을 포함하는 메타데이터와 함께, 추출하기에 적합한 모델에 제공하도록 구성된 처리 유닛과,
    (c) 상기 모델로부터 수신한 상기 지시를 출력하도록 구성된 출력 유닛
    을 포함하는 생산 모니터 및/또는 제어 시스템.
  13. 제11항에 있어서,
    상기 입력 유닛은 처리될 비정형 데이터를 수신하기 위한 인터페이스를 포함하고,
    상기 출력 유닛은 상기 지시를 출력하기 위한 인터페이스를 포함하는
    생산 모니터 및/또는 제어 시스템.
  14. 제12항에 있어서,
    상기 출력 유닛은 사용자 인터페이스를 포함하고,
    상기 출력 유닛은 사용자 인터페이스를 포함하는
    생산 모니터 및/또는 제어 시스템.
  15. 제11항 내지 제13항 중 어느 한 항에 있어서,
    상기 출력 유닛은 데이터베이스에 대한 인터페이스를 구비해서 상기 지시를 상기 데이터베이스에 저장하는,
    생산 모니터 및/또는 제어 시스템.
  16. 제11항 내지 제14항 중 어느 한 항에 있어서,
    상기 출력 유닛은 상기 지시에 관한 피드백을 상기 사용자로부터 수신하도록 구성된 사용자 인터페이스를 갖고,
    상기 피드백은 상기 모델을 더 트레이닝하는 데 사용될 수 있는,
    생산 모니터 및/또는 제어 시스템.
KR1020227028141A 2020-02-14 2021-02-09 비정형 데이터로부터 화학 플랜트를 모니터 및/또는 제어하기 위한 지시를 추출하는 방법 KR20220140526A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP20157340.9 2020-02-14
EP20157340 2020-02-14
PCT/EP2021/053030 WO2021160584A1 (en) 2020-02-14 2021-02-09 Method for extracting instructions for monitoring and/or controlling a chemical plant from unstructured data

Publications (1)

Publication Number Publication Date
KR20220140526A true KR20220140526A (ko) 2022-10-18

Family

ID=69593598

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227028141A KR20220140526A (ko) 2020-02-14 2021-02-09 비정형 데이터로부터 화학 플랜트를 모니터 및/또는 제어하기 위한 지시를 추출하는 방법

Country Status (6)

Country Link
US (1) US20230087208A1 (ko)
EP (1) EP4104022A1 (ko)
JP (1) JP2023514274A (ko)
KR (1) KR20220140526A (ko)
CN (1) CN115039041A (ko)
WO (1) WO2021160584A1 (ko)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7493293B2 (en) 2006-05-31 2009-02-17 International Business Machines Corporation System and method for extracting entities of interest from text using n-gram models
US9959328B2 (en) * 2015-06-30 2018-05-01 Microsoft Technology Licensing, Llc Analysis of user text
EP3200037A1 (en) 2016-01-26 2017-08-02 Basf Se System and method for risk based control of a process performed by production equipment
US11327989B2 (en) 2017-08-02 2022-05-10 Accenture Global Solutions Limited Multi-dimensional industrial knowledge graph
US10678830B2 (en) * 2018-05-31 2020-06-09 Fmr Llc Automated computer text classification and routing using artificial intelligence transfer learning

Also Published As

Publication number Publication date
CN115039041A (zh) 2022-09-09
EP4104022A1 (en) 2022-12-21
US20230087208A1 (en) 2023-03-23
JP2023514274A (ja) 2023-04-05
WO2021160584A1 (en) 2021-08-19

Similar Documents

Publication Publication Date Title
Rose et al. Natural language processing based method for clustering and analysis of aviation safety narratives
Lombardi et al. Risk profiling from the European statistics on accidents at work (ESAW) accidents′ databases: A case study in construction sites
Men et al. Comparison of SVM, RF and ELM on an Electronic Nose for the Intelligent Evaluation of Paraffin Samples
Lee et al. A study on data pre-processing and accident prediction modelling for occupational accident analysis in the construction industry
US20190213245A1 (en) Method to convert a written procedure to structured data, and related systems and methods
Bardelli et al. Automatic electronic invoice classification using machine learning models
Tamascelli et al. Learning from major accidents: A machine learning approach
Delikhoon et al. Systems thinking accident analysis models: A systematic review for sustainable safety management
Ganguli et al. Effectiveness of natural language processing based machine learning in analyzing incident narratives at a mine
Ibrahim et al. Impact of sampling technique on the performance of surrogate models generated with artificial neural network (ANN): A case study for a natural gas stabilization unit
Rafieyan et al. Identifying and evaluating the essential factors affecting the incidence of site accidents caused by human errors in industrial parks construction projects
Luo et al. Application of machine learning technology for occupational accident severity prediction in the case of construction collapse accidents
Olivier et al. Dynamic monitoring of grinding circuits by use of global recurrence plots and convolutional neural networks
Park et al. Risk factor recognition for automatic safety management in construction sites using fast deep convolutional neural networks
WO2022194688A1 (en) Chemical process modeling
Köksal et al. Automated classification of unstructured bilingual software bug reports: An industrial case study research
Župerl et al. A cloud-based system for the optical monitoring of tool conditions during milling through the detection of chip surface size and identification of cutting force trends
VP Singh et al. Nlp-based approach for predicting hmi state sequences towards monitoring operator situational awareness
Nogueira et al. Learning methods and predictive modeling to identify failure by human factors in the aviation industry
Nallathambi et al. Impact of fireworks industry safety measures and prevention management system on human error mitigation using a machine learning approach
Shrestha et al. Leveraging accident investigation reports as leading indicators of construction safety using text classification
Mourtzis et al. Robotic cell reliability optimization based on digital twin and predictive maintenance
Kamran et al. A multi-criteria decision intelligence framework to predict fire danger ratings in underground engineering structures
KR20220140526A (ko) 비정형 데이터로부터 화학 플랜트를 모니터 및/또는 제어하기 위한 지시를 추출하는 방법
Shafrir et al. Conceptual thinking and metrology concepts