WO2018138880A9 - モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム - Google Patents
モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム Download PDFInfo
- Publication number
- WO2018138880A9 WO2018138880A9 PCT/JP2017/002995 JP2017002995W WO2018138880A9 WO 2018138880 A9 WO2018138880 A9 WO 2018138880A9 JP 2017002995 W JP2017002995 W JP 2017002995W WO 2018138880 A9 WO2018138880 A9 WO 2018138880A9
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- model parameter
- parameter value
- value
- unit
- function
- Prior art date
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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- 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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Definitions
- the present invention relates to a model parameter value estimation apparatus and estimation method for estimating a model parameter value input to a plant model, a program, a recording medium recording the program, and a model parameter value estimation system.
- a so-called plant model that simulates the operation of a product is used as a technique for detecting the sign.
- This plant model is useful for grasping the product characteristics by roughly reproducing the operation, designing the product limit by safety evaluation (designing the limit to ensure safety), and grasping the product state based on the measurement information. Therefore, by improving the validity of the calculation result of the plant model, verification using the plant model can be performed with higher accuracy, and a service with higher added value can be provided.
- model parameter value estimation technology there is one that searches a model parameter value that maximizes likelihood by executing a simulation with varying model parameter values multiple times for a probability density function related to product characteristics (Patent Literature). (See 1 etc.).
- Patent Document 1 the user needs to input a statistic such as a standard deviation in a probability density function related to product characteristics. Therefore, when the distribution shape and statistic about the probability density function are unknown or when the number of measurement data is insufficient and estimation is difficult, there is a limit to the estimation accuracy of the model parameter value.
- the present invention has been made in view of the above, and a model parameter value estimation device and an estimation method capable of estimating a model parameter value even when a distribution shape and a statistic regarding a probability density function are unknown or difficult to estimate,
- An object is to provide a program, a recording medium on which the program is recorded, and a model parameter value estimation system.
- the present invention is a preset physical model that simulates the operation of the target product, a plant model that inputs a model parameter value and calculates a process value, and more likelihood based on the process value.
- Model parameter value comprising: a model parameter value estimation unit for estimating a high model parameter value; a storage unit for storing a calculation result of the model parameter value estimation unit; and an output unit for outputting the calculation result of the model parameter value estimation unit
- the model parameter value estimation unit inputs the measurement values of the target product and a plurality of process values calculated by the plant model, and generates a function generated based on the accuracy evaluation of the plurality of process values with respect to the measurement values.
- the probability density function stored in the storage unit is Bayes updated.
- a model parameter value estimation device an estimation method, a program, and a program that can estimate a model parameter value even when the distribution shape and statistics of the probability density function are unknown or difficult to estimate are recorded.
- a recording medium and a model parameter value estimation system can be provided.
- FIG. 1 is a schematic diagram of a model parameter value estimation device according to this embodiment.
- a model parameter value estimation apparatus 100 includes an input unit 1, a plant model 2, a model parameter value estimation unit 3, a storage unit 4, and an output unit 5.
- the input unit 1, the model parameter value estimation unit 3, the storage unit 4, the output unit 5 and the like may be stored together in the same terminal, or some of the elements are in remote locations in Japan and overseas. It may be configured as a system stored in a terminal / server.
- the input unit 1 inputs the model parameter items (types) to be estimated and the upper and lower limits of the model parameter values related to the model parameters to be estimated.
- the model parameter item to be estimated and the upper and lower limit values of the model parameter value are input to the input unit 1 by the user, for example.
- the number of model parameters input to the input unit 1 may be one or two or more.
- the input unit 1 is not limited as long as it is configured to be able to input the model parameter item to be estimated and the upper and lower limits of the model parameter value.
- Plant Model A plant model is a type of a physical model (simulator) set in advance that simulates the operation of a product based on a simulated control signal corresponding to a control signal used for actual operation control of the product.
- Plant models include: engine in inverter, motor, vehicle simulators, thermal and nuclear power generation plants used in MILS (Model in the loop simulation) and SILS (Software in the loop simulation) for model-based development of automobiles.
- MILS Model in the loop simulation
- SILS Software in the loop simulation
- the plant model is formed by combining calculation models related to various characteristics of a product to be simulated (hereinafter referred to as a target product).
- Calculation models include pressure and flow rate calculation models that calculate pressure and flow rate from known hydrodynamic equations, temperature and heat transfer rate calculation models that calculate temperature and heat transfer rate from known thermodynamic and heat transfer equations
- a plurality of model parameter values M are input from the model parameter value estimation unit 3, and the operation of the target product is simulated based on the simulated control signal S output from the control device 8.
- a plurality of process values P corresponding to the model parameter value M are calculated.
- the model parameter values include the heat transfer area, thickness and dirt coefficient of piping, gas turbine exhaust gas temperature and heat quantity according to gas turbine load, and changes in gas turbine load. This includes the response time constant of the temperature and mass flow rate of steam generated by heat recovery, the temperature and flow rate of the steam according to the gas turbine load, and the like.
- Process values include those that can be obtained directly by instruments such as the flow rate of gas and steam flowing through the power plant, including temperature and pressure of combustion gas, temperature and pressure, gas turbine, coal boiler and steam turbine loads And those that can be obtained indirectly based on the measurement values of the measuring instrument such as the thermal stress inside the plant structure.
- Model parameter value estimation unit 3 estimates a model parameter value having a higher likelihood based on the process value.
- the model parameter value estimation unit 3 uses the measurement value V acquired during operation of the target product by the measuring instrument 7 provided in the target product and the plurality of process values P calculated by the plant model 2.
- a model having a high likelihood is obtained by considering the function generated based on the accuracy evaluation of the plurality of process values P with respect to the measurement value V as a likelihood function and performing Bayesian updating of the probability density function stored in the storage unit 4.
- Estimate parameter values The measurement value V input to the model parameter value estimation unit 3 corresponds to the process value P calculated by the plant model 2.
- the model parameter value estimation unit 3 includes a model parameter sensitivity analysis unit 31, a likelihood function generation unit 32, and a Bayes learning unit 33.
- the model parameter sensitivity analysis unit 31 generates a scatter diagram showing the relationship between each model parameter value M and the evaluation value based on the evaluation value indicating the accuracy evaluation of the plurality of process values P with respect to the measurement value V. It is.
- the model parameter sensitivity analysis unit 31 includes a model parameter information acquisition unit 34, a model parameter value output unit 35, a process value input unit 36, an evaluation value generation unit 37, and a scatter diagram generation unit 38.
- Model parameter information acquisition unit 34 is electrically connected to the input unit 1 and the measuring instrument 7.
- the model parameter information acquisition unit 34 inputs the model parameter items input to the input unit 1, the upper and lower limit values of the model parameter values, and the measurement value V acquired by the measuring instrument 7. It is.
- Model parameter value output unit 35 inputs the model parameter items input to the model parameter information acquisition unit 34 and the upper and lower limit values of the model parameter value, and falls within the input upper and lower limit value ranges.
- a plurality of model parameter values are generated by changing the model parameter values and are output to the plant model 2.
- a method of generating a plurality of model parameter values a method of generating by randomly changing model parameter values within the range of the upper limit and the lower limit value, a method of generating the model parameter values by equally dividing the range of the upper limit and lower limit values
- a method of searching using a known machine learning technique there is no limitation as long as it is a method that can obtain a plurality of model parameter values dispersed within the range of the upper and lower limits.
- the model parameter value output unit 35 has a function of determining whether or not a plurality of model parameter values are all output to the plant model 2 in addition to the above-described functions. For example, when a plurality of model parameter values are randomly generated within the range of the upper limit and the lower limit value, the model parameter value output unit 35 outputs the number x of model parameter values output to the plant model 2 and the number of model parameter values generated. It is determined whether or not X has been reached.
- the model parameter value output unit 35 when there are two or more input model parameter items, the model parameter value output unit 35 generates a plurality of model parameter values for model parameters corresponding to one item, and corresponds to other items. For model parameters, the model parameter values are output to the plant model 2 as fixed values. After completing the calculation for the model parameter corresponding to one item, the model parameter value output unit 35 generates a plurality of model parameter values for the model parameter corresponding to the other item and outputs it to the plant model 2. The model parameter value output unit 35 repeats the above operation for each model parameter item that has been input.
- the process value input unit 36 inputs a plurality of process values P output from the plant model 2 corresponding to each model parameter value M.
- the evaluation value generation unit 37 receives a plurality of process values P from the process value input unit 36 and the measurement values V from the model parameter information acquisition unit 34, respectively. Based on the difference, an evaluation value E indicating accuracy evaluation of a plurality of process values P with respect to the measurement value V is generated from a predefined evaluation formula.
- the evaluation formula is defined such that the smaller the difference between the process value P and the measured value V, the higher the evaluation value is generated.
- an evaluation formula for example, an absolute value of a difference between the process value P and the measured value V is regarded as an error with respect to the measured value V, and a numerical value obtained by dividing the absolute value by 100 is subtracted from 1 for evaluation. .
- the accuracy evaluation of the plurality of process values P with respect to the measurement value V is performed by averaging the instantaneous maximum error or difference between the measurement value V and the plurality of process values P over time, for example, There is no limitation as long as the accuracy of the evaluation can be evaluated.
- the scatter diagram generation unit 38 inputs each model parameter value M from the model parameter value output unit 35 and each evaluation value E corresponding to each model parameter value M from the evaluation value generation unit 37. A scatter diagram showing the relationship between the model parameter value M and the evaluation value E is generated.
- FIG. 2 is an example of a scatter diagram generated by the scatter diagram generator 38.
- the vertical axis represents the evaluation value E
- the horizontal axis represents each model parameter value M.
- the difference between the process value Pa corresponding to the model parameter value Ma and the measured value V is the smallest.
- the evaluation value Eb corresponding to the model parameter value Mb is lower than the evaluation value Ea
- the difference between the process value Pb corresponding to the model parameter value Mb and the measurement value V is larger than the difference between the process value Pa and the measurement value V. It has become.
- the likelihood function generation unit 32 acquires a probability density function based on the scatter diagram generated by the scatter diagram generation unit 38, and generates (acquires) a likelihood function.
- the likelihood function generation unit 32 includes a function regression unit 39, a probability density function acquisition unit 40, and a likelihood function acquisition unit 41.
- the function regression unit 39 is electrically connected to the scatter diagram generation unit 38.
- the function regression unit 39 inputs the scatter diagram generated by the scatter diagram generation unit 38, and generates a function by performing functional regression on the input scatter diagram.
- a method of the function regression for example, it matches the shape of the scatter diagram generated by the scatter diagram generation unit 38 using a known machine learning from a plurality of function data stored in advance in a storage unit (not shown). There is a way to search for a simple function.
- the function regression method is not limited as long as a function that can reduce the distance (difference) from each data of the scatter diagram generated by the scatter diagram generator 38 is obtained.
- the probability density function acquisition unit 40 receives the function generated by the function regression unit 39, normalizes the input function, and shows the probability that each model parameter value M is probable It is considered as a density function.
- the probability density function acquisition unit 40 integrates the function generated by the function regression unit 39 along the range of the upper and lower limits of the model parameter value input to the input unit 1. Normalize as follows.
- the likelihood function acquisition unit 41 inputs the probability density function acquired by the probability density function acquisition unit 40, regards the input probability density function as a likelihood function in Bayesian update, and outputs the function. is there.
- the probability density function acquisition unit 40 regards a function obtained by normalizing the function generated by the function regression unit 39 as a probability density function
- the likelihood function acquisition unit 41 sets the probability density function acquisition unit 40.
- the configuration in which the probability density function acquired in step 1 is regarded as a likelihood function in Bayesian update and output is illustrated. However, it is not necessarily limited to the configuration described above.
- the likelihood function acquisition unit 41 includes a probability density function acquisition unit 40, inputs the function generated by the function regression unit 39, normalizes the input function, regards it as a probability density function, and uses it as a likelihood function. You may comprise so that it may output.
- FIG. 3 is a diagram illustrating an example of the likelihood function acquired by the likelihood function acquisition unit 41.
- the vertical axis represents probability density D
- the horizontal axis represents each model parameter value M.
- the probability density Da corresponding to the model parameter value Ma is the highest
- the probability density Db corresponding to the model parameter value Mb is lower than the probability density Da.
- Bayesian learning unit 33 is electrically connected to the likelihood function acquisition unit 41 and the storage unit 4.
- the Bayesian learning unit 33 inputs the likelihood function acquired by the likelihood function acquisition unit 41, reads the latest probability density function related to the model parameter value stored in the storage unit 4, and reads the read probability density
- the function is Bayes updated using the input likelihood function as prior distribution data, and a probability density function related to the model parameter value is generated as posterior distribution data.
- Storage Unit 4 stores the calculation result of the model parameter value estimation unit 3. Specifically, the storage unit 4 inputs and stores a probability density function related to the model parameter value generated by the Bayesian update in the Bayes learning unit 33. In the present embodiment, each probability density function generated by past Bayes update (Bayes update before the latest Bayes update) is stored in the storage unit 4.
- Output unit 5 outputs the calculation result of the model parameter value estimation unit 3. Specifically, the output unit 5 reads and outputs the probability density function stored in the storage unit 4.
- the output unit 5 is a display device or the like that displays a probability density function. In the present embodiment, the output unit 5 displays one or more combinations of a probability density function at an arbitrary number of updates and a model parameter value corresponding to the average among a plurality of probability density functions stored in the storage unit 4. It is configured as follows.
- FIG. 4 is a diagram illustrating an output example of the output unit 5.
- the vertical axis represents the probability density D
- the horizontal axis represents the model parameter value M.
- the dotted line indicates the probability density function Fs when the number of Bayes updates (the number of learning) is S
- the solid line indicates the probability density function Ft when the number of Bayes updates is T (> S).
- a model parameter value corresponding to the average of the probability density function Fs is Ms
- a model parameter value corresponding to the average of the probability density function Ft is Mt.
- the probability density corresponding to the model parameter value Ms is Ds
- the probability density corresponding to the model parameter value Mt is Dt.
- the output unit 5 displays the combination of the probability density functions Fs and Ft and the model parameter values Ms and Mt corresponding to the average in the S and T times Bayesian update.
- the standard deviation of the probability density function is larger and the likelihood of the model parameter value is lower as the number of Bayes updates (learning times) of the probability density function is smaller.
- the standard deviation of the probability density function becomes smaller, and a model parameter value having a higher likelihood can be obtained. That is, the probability density Dt corresponding to the model parameter value Mt is higher than the probability density Ds corresponding to the model parameter value Ms.
- the output unit 5 changes the transient response between the measured value V of the target product and the process parameter P obtained by inputting the model parameter value M corresponding to the average of the probability density function at an arbitrary number of updates to the plant model 2. May be output.
- FIG. 5 is a diagram illustrating another output example of the output unit 5.
- the vertical axis indicates the process value P
- the horizontal axis indicates time t.
- the solid line is the transition line L of the measured value (actual value) V of the target product
- the dotted line is the transition line Ls of the process value Ps corresponding to the model parameter value Ms
- the dotted line is the transition line Lt of the process value Pt corresponding to the model parameter value Mt. Is shown.
- the likelihood of the model parameter value Mt is higher than the likelihood of the model parameter value Ms. Therefore, as shown in FIG.
- the transition line Lt is closer to the shape of the transition line L than the transition line Ls (that is, the error of the process value Pt with respect to the measured value V is more than the error of the process value Ps with respect to the measured value V). Is also small).
- FIG. 6 is a flowchart showing the procedure of the model parameter value estimation method according to the present embodiment.
- the model parameter value estimation device 100 estimates the model parameter value when the measurement value of the target product is measured.
- the model parameter information acquisition unit 34 inputs the model parameter item, the upper and lower limit values of the model parameter value, and the measurement value V (step S1).
- the model parameter value output unit 35 generates a plurality of model parameter values M within the range of the upper limit and the lower limit value, and outputs them to the plant model 2 (step S2).
- the process value input unit 36 inputs the process value P output from the plant model 2 (step S3).
- the model parameter value output unit 35 determines whether or not all the plurality of model parameter values M have been output to the plant model 2 (step S4). If the model parameter value output unit 35 determines that all of the plurality of model parameter values M have been output to the plant model 2 (Yes), the model parameter value estimation apparatus 100 moves the procedure from step S4 to step S5. On the other hand, when the model parameter value output unit 35 determines that at least one of the plurality of model parameter values M is not output to the plant model 2 (No), the model parameter value estimation apparatus 100 displays the plurality of model parameter values M. Steps S2, S3, and S4 are repeated until it is determined that all are output to the plant model 2.
- step S4 If it is determined in step S4 that all the plurality of model parameter values M have been output to the plant model 2, the evaluation value generation unit 37 determines the process value P for the measurement value V based on the difference between the process value P and the measurement value V. An evaluation value E indicating the accuracy evaluation is generated (step S5).
- the scatter diagram generation unit 38 generates a scatter diagram showing the relationship between each model parameter value M and the evaluation value E (step S6).
- the function regression unit 39 generates a function by function regression of the scatter diagram (step S7).
- the probability density function acquisition unit 40 normalizes the function generated by the function regression unit 39 and acquires a probability density function related to the model parameter value (step S8).
- the likelihood function acquisition unit 41 acquires a likelihood function in Bayesian update from the probability density function acquired by the probability density function acquisition unit 40 (step S9).
- the Bayesian learning unit 33 uses the latest probability density function stored in the storage unit 4 as a prior distribution, performs Bayesian update using the likelihood function, and sets the probability density function related to the model parameter value as a posterior distribution. Generate (step S10).
- the accumulating unit 4 accumulates the probability density function generated by the Bayesian update in the Bayesian learning unit 33 (Step S11).
- the processing by the model parameter estimation apparatus 100 according to the present embodiment may be realized by a program stored in a computer.
- the case where the process by the model parameter estimation apparatus 100 according to the present embodiment is realized by a program stored in a computer will be described.
- FIG. 7 is a schematic diagram of a computer that realizes processing by the model parameter estimation apparatus 100 according to the present embodiment.
- a computer 200 includes a CPU (Central Processing Unit) 201, an HDD (Hard Disk Drive) 202, a RAM (Random Access Memory) 203, a ROM (Read Only Memory) 204, and an I / O.
- An O port 205, a keyboard 206, a recording medium 207, and a monitor 208 are provided as hardware.
- the program executed by the computer 200 is stored in the ROM 204, and the CPU 201 reads out the program from the ROM 204 and executes it, whereby the plant model 2, the model parameter value estimation unit 3, the storage unit 4, and the like are stored in the RAM 203. Loaded and generated.
- the model parameter items and the upper and lower limit values of the model parameter value are input by the keyboard 206 and transmitted to the CPU 201 via the I / O port 205 together with the measured value V measured by the measuring instrument 7.
- An evaluation formula for generating an evaluation value, function data used for function regression, a probability density function related to a model parameter value, and the like are stored in a storage medium such as the HDD 202 and the ROM 204.
- the probability density function generated by the Bayesian update is stored in a storage medium such as the HDD 202 and the ROM 204 and displayed on the monitor 208 via the I / O port 205.
- the processing by the model parameter estimation apparatus 100 may be realized as a program for causing a computer to execute.
- the above-described processing may be realized by installing such a program from a server or the like and causing the computer to execute the program.
- a program can be recorded in the recording medium 207 and read by a computer to realize the above-described processing.
- the recording medium 207 is a recording medium for optically, electrically or magnetically recording information such as a CD-ROM, flexible disk, magneto-optical disk, etc., and information is electrically recorded such as ROM, flash memory, etc.
- Various types of media such as semiconductor memory can be used.
- the plant model 2 is not limited to a configuration loaded on the RAM 203 when the CPU 201 reads out and executes a program from the ROM 204, and may be a configuration provided as hardware independent from the computer 200.
- the model parameter value estimation apparatus 100 inputs a plurality of model parameter values M to the plant model 2 to obtain a plurality of process values P, and a plurality of process values for the measurement values V of the target product.
- the graph relating to the accuracy evaluation of P is estimated as a probability density function, and this is regarded as a likelihood function, and the probability density function related to the model parameter value is Bayes updated.
- the model parameter value estimation apparatus 100 estimates a probability density function from the accuracy evaluation of a plurality of process values P with respect to the measurement value V of the target product, and regards this as a likelihood function.
- the Bayesian update can be applied even to an object where it is difficult to estimate a probability density function such as plant equipment characteristics. Therefore, even when the distribution shape and statistics of the probability density function related to the model parameter value are unknown or difficult to estimate (no prior knowledge), it is possible to estimate the model parameter value by applying Bayesian update.
- the measurement data is supplemented using a plant model.
- the validity of the calculation result of the plant model 2 can be improved even when the number of measurement data is small.
- the validity of the calculation result of the plant model 2 is confirmed by inputting (reflecting) the model parameter value having a high likelihood estimated by the model parameter value estimation unit 3 to the plant model 2 again. Can be improved.
- the output unit 5 is configured to compare and output the probability density functions before and after the Bayesian update. Therefore, for example, the user repeatedly performs the Bayesian update after the first time point and the probability density function at the time point (first time point) when the model parameter value currently input to the plant model 2 is estimated. The latest probability density function at the time point (second time point) can be displayed in comparison with the output unit 5. Thereby, the user can visually confirm the certainty of the model parameter value estimated from the standard deviation of the probability density function compared and displayed on the output unit 5, and updates the model parameter value input to the plant model 2. It is possible to determine whether or not it is necessary to perform (estimate again).
- FIG. 8 is a schematic diagram of the model parameter value estimation apparatus according to the present embodiment.
- parts that are the same as those of the model parameter value estimation apparatus 100 according to the first embodiment are given the same symbols, and descriptions thereof are omitted as appropriate.
- the model parameter value estimation apparatus 101 is different from the model parameter value estimation apparatus 100 in that an optimal model parameter value search unit 43 is provided instead of the model parameter sensitivity analysis unit 31. .
- Other configurations are the same as those of the model parameter value estimation apparatus 100.
- the optimum model parameter value search unit 43 outputs a second model parameter information acquisition unit 44 and a second model parameter value output instead of the model parameter information acquisition unit 34 and the model parameter value output unit 35.
- a portion 45 is provided.
- Other configurations are the same as those of the model parameter sensitivity analysis unit 31.
- the second model parameter information acquisition unit 44 is electrically connected to the input unit 1 and the measuring instrument 7.
- the second model parameter information acquisition unit 44 includes two (two or more) model parameter items input to the input unit 1, the upper and lower limit values of the model parameter value, and the measuring instrument 7.
- the acquired measurement value V is input.
- the second model parameter value output unit 45 inputs two or more model parameter items input to the model parameter information acquisition unit 34 and the upper and lower limit values of the model parameter value, and the input upper and lower limit value ranges.
- the model parameter values are changed at the same time to generate a plurality of model parameter values, which are output to the plant model 2.
- a method of generating a plurality of model parameter values a method of generating by randomly changing model parameter values in the range of the upper limit and the lower limit value, a method of generating the model parameter values by equally dividing the range of the upper limit and the lower limit value
- a method of searching using a known machine learning technique but there is no limitation as long as it is a method that can obtain a plurality of model parameter values dispersed within the range of the upper and lower limits.
- a value that decreases the difference between the measured value of the target product and the process value is searched using an optimization algorithm based on multipoint search, many non-optimal solutions can be obtained simultaneously in the process of calculating the global optimal solution.
- a scatter diagram showing the relationship between each model parameter value and the evaluation value as exemplified in FIG. 2 can be efficiently generated.
- MOGA Multi-Objective Genetic Algorithm
- NSGA-II Non-dominated Sorting Genetic Algorithms-II
- SPEA2 Strength ElectrogenEthrepathErgentElevation
- a pipe single pipe
- simulators for engines, inverters, motors, vehicles, etc. used in model-based development of automobiles, and operations in power plants such as thermal power and nuclear power. It can also be applied to a characteristic simulator or the like.
- the model parameter values are simultaneously changed to generate a plurality of model parameter values M and input to the plant model 2 to obtain a plurality of process values P. Therefore, even when the estimation target model parameter is two or more model parameters that affect each other, a scatter diagram showing the relationship between a plurality of model parameter values M and evaluation values E can be generated independently. As a result, even if the model parameter to be estimated is two or more model parameters that affect each other, the likelihood function is acquired based on the scatter diagram generated independently, and the probability density function related to the model parameter value is Bayesian.
- the model parameter value can be estimated by updating.
- FIG. 9 is a diagram illustrating the relationship between model parameters relating to static characteristics and dynamic characteristics.
- the heat medium 46 having the mass flow rate G1, the pressure P1, and the temperature T1 discharged from the heat source device 48 flows into the pipe 47 connected to the heat source device 48 and flows through the pipe 47.
- the heat quantity Q is received from the outside and discharged to the outside of the pipe 47.
- the operating state of the heat source device 48 for example, the load of the heat source device 48 is set as an input condition of the plant model 2, and the measured values (mass flow rate G2_obs, pressure P2_obs at the outlet of the pipe 47 when this load changes with time). , Temperature T2_obs) and a process parameter (mass flow rate G2_cal, pressure P2_cal, temperature T2_cal) are estimated. If the load of the heat source device 48 is set to a certain value, the state of the heat medium 46 discharged from the heat source device 48 is also kept constant, so the mass of the heat medium 46 according to the load of the heat source device 48 The flow rate G1, the pressure P1, and the temperature T1 are model parameters relating to static characteristics.
- the heat transfer area A, the pipe thickness d, the pipe fouling coefficient Rf, the delay time constant ⁇ , the coefficient k related to the heat transfer coefficient, etc. of the pipe 47 are model parameters related to dynamic characteristics because they affect the transient response.
- the transient response is affected by the model parameters related to the static characteristics and the dynamic characteristics. It is difficult to uniquely estimate a model parameter value.
- the estimation target model parameter is two or more model parameters that affect each other
- the relationship between a plurality of model parameter values M and evaluation values E is shown. Scatter charts can be generated independently.
- the model parameter value can be simultaneously estimated from the transient data for a multidimensional problem such as a model parameter related to static characteristics and a model parameter related to dynamic characteristics.
- FIG. 10 is a schematic diagram of a model parameter value estimation apparatus according to the present embodiment.
- parts that are the same as those of the model parameter value estimation apparatus 100 according to the first embodiment are given the same reference numerals, and descriptions thereof will be omitted as appropriate.
- the model parameter value estimation device 102 is different from the model parameter value estimation device 100 in that a product state estimation unit 6 is provided.
- Other configurations are the same as those of the model parameter value estimation apparatus 100.
- the product state estimation unit 6 is electrically connected to the storage unit 4 and the output unit 5.
- the product state estimation unit 6 estimates the state of the target product based on the transition of the model parameter value (model parameter average value) corresponding to the average of the probability density function related to the model parameter value stored in the storage unit 4. .
- FIG. 11 is a diagram illustrating the transition of the model parameter average value.
- the vertical axis represents the model parameter average value
- the horizontal axis represents the number of updates of the probability density function. That is, the model parameter average value corresponding to the numbers 1, 2,..., N corresponds to the model parameter average value after the first update of 1, 2,.
- the model parameter average value fluctuates in the initial stage (period until the fifth update) when the number of update of the model parameter value based on the measurement value of the target product is small. Thereafter, by repeating the Bayesian update, it is assumed that the model parameter average value converges to a constant value from the initial stage to the convergence period (period from the sixth update to the tenth update).
- the model parameter average value changes monotonically, increases or fluctuates. This occurs (in FIG. 11, the model parameter average value monotonously decreases).
- a method for detecting a change in the state of the target product a method in which the user visually determines the transition of the model parameter average value output from the output unit 5, a model parameter average value obtained based on a known data mining or machine learning method There is a method of detecting from the pattern learning of the data.
- the detected change in the model parameter average value is simply due to variations in measured values or process values or due to state changes in the target product depends on the obtained probability density function. It can be judged from the standard deviation. Specifically, if the standard deviation of the probability density function is large, there is a high possibility that the model parameter average value has changed due to variations in measured values and process values. Conversely, if the standard deviation of the probability density function is sufficiently small, there is a high possibility that the model parameter average value has changed due to a change in the state of the target product.
- the state of the target product can be estimated based on the transition of the model parameter average value. That is, the plant model 2 can be used for estimation of aging degradation and abnormality diagnosis of the target product.
- the present invention is not limited to the above-described embodiments, and includes various modifications.
- each of the above-described embodiments has been described in detail for easy understanding of the present invention, and is not necessarily limited to one having all the configurations described.
- a part of the configuration of an embodiment can be replaced with the configuration of another embodiment, and the configuration of another embodiment can be added to the configuration of an embodiment. It is also possible to delete a part of the configuration of each embodiment.
- the configuration in which the model parameter information acquisition unit 34 is electrically connected to the measuring instrument 7 and the measurement value V acquired by the measuring instrument 7 is input is illustrated.
- an essential effect of the present invention is to provide a model parameter value estimation apparatus that can estimate a model parameter value even when the distribution shape and statistics regarding the probability density function are unknown or difficult to estimate.
- the configuration is not necessarily limited to the above.
- the configuration may be such that the user inputs the measurement value V acquired by the measuring instrument 7 to the model parameter information acquisition unit 34.
- the configuration in which the model parameter value output unit 35 determines whether or not all the plurality of model parameter values are output to the plant model 2 has been exemplified.
- the present invention is not necessarily limited to this configuration.
- the function regression unit 39 searches for a function that matches the shape of the scatter diagram generated by the scatter diagram generation unit 38 from a plurality of function data stored in advance in the storage unit, and obtains a probability density function.
- generated by the function regression part 39 was illustrated.
- the storage unit stores a plurality of normalized function data in advance
- the function regression unit 39 searches for a function that matches the shape of the scatter diagram generated by the scatter diagram generation unit 38 from the storage unit. It is also good.
- the configuration in which the product state estimation unit 6 is provided in the model parameter value estimation apparatus 100 according to the first embodiment is exemplified.
- the product state estimation unit 6 can be provided in the model parameter value estimation apparatus 101 according to the second embodiment, and even in this case, the effect according to the above-described third embodiment can be obtained.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
(構成)
1.モデルパラメータ値推定装置またはシステム
図1は、本実施形態に係るモデルパラメータ値推定装置の模式図である。図1に示すように、本実施形態に係るモデルパラメータ値推定装置100は、入力部1、プラントモデル2、モデルパラメータ値推定部3、蓄積部4及び出力部5を備えている。なお、入力部1、モデルパラメータ値推定部3、蓄積部4、出力部5等が同一端末に纏めて格納されている場合もあり得るし、一部の要素が国内外の離れた場所にある端末・サーバに格納されてシステムとして構成されている場合もあり得る。
入力部1は、推定するモデルパラメータの項目(種類)並びに推定するモデルパラメータに関するモデルパラメータ値の上限及び下限値を入力するものである。推定するモデルパラメータの項目並びにモデルパラメータ値の上限及び下限値は、例えば、ユーザが入力部1に入力する。入力部1に入力されるモデルパラメータの項目は、1つでも良いし2つ以上でも良い。入力部1は、推定するモデルパラメータの項目並びにモデルパラメータ値の上限及び下限値を入力できるように構成されたものであれば限定されない。
プラントモデルは、現実の製品の動作制御に用いる制御信号に対応する模擬の制御信号に基づいて製品の動作を模擬する予め設定した物理モデル(シミュレータ)の一種である。プラントモデルとしては、自動車のモデルベース開発におけるMILS(Model in the loop simulation)やSILS(Software in the loop simulation)で用いられるエンジン、インバータ、モータ、車両等のシミュレータ、火力や原子力等の発電プラントにおけるガスや蒸気の物質収支や熱収支から内部を流れる流体の温度、圧力、流量等の過渡特性を計算する動特性シミュレータ等がある。プラントモデルは、シミュレーションの対象となる製品(以下、対象製品と言う)の種々の特性に関する計算モデルを組み合わせて成り立っている。計算モデルには、公知の流体力学の式から圧力や流量を計算する圧力・流量計算モデル、公知の熱力学の式や伝熱の式から温度や伝熱量を計算する温度・伝熱量計算モデル等がある。
モデルパラメータ値推定部3は、プロセス値に基づき、より尤度の高いモデルパラメータ値を推定するものである。本実施形態では、モデルパラメータ値推定部3は、対象製品に設けられた計測器7により対象製品の運転中に取得された計測値Vとプラントモデル2で計算された複数のプロセス値Pとを入力し、計測値Vに対する複数のプロセス値Pの精度評価に基づき生成した関数を尤度関数と見なして、蓄積部4に蓄積された確率密度関数をベイズ更新することにより、尤度の高いモデルパラメータ値を推定する。モデルパラメータ値推定部3に入力される計測値Vは、プラントモデル2で計算されるプロセス値Pに対応するものとなっている。例えば、プラントモデル2で計算されるプロセス値Pが燃焼ガスの温度であれば、モデルパラメータ値推定部3に入力される計測値Vも燃焼ガスの温度となる。モデルパラメータ値推定部3は、モデルパラメータ感度解析部31、尤度関数生成部32及びベイズ学習部33を備えている。
モデルパラメータ感度解析部31は、計測値Vに対する複数のプロセス値Pの精度評価を示す評価値に基づき、各モデルパラメータ値Mと評価値の関係を示す散布図を生成するものである。モデルパラメータ感度解析部31は、モデルパラメータ情報取得部34、モデルパラメータ値出力部35、プロセス値入力部36、評価値生成部37及び散布図生成部38を備えている。
モデルパラメータ情報取得部34は、入力部1及び計測器7と電気的に接続している。本実施形態では、モデルパラメータ情報取得部34は、入力部1に入力されたモデルパラメータの項目並びにモデルパラメータ値の上限及び下限値と、計測器7により取得された計測値Vとを入力するものである。
モデルパラメータ値出力部35は、モデルパラメータ情報取得部34に入力されたモデルパラメータの項目並びにモデルパラメータ値の上限及び下限値を入力し、入力した上限及び下限値の範囲内でモデルパラメータ値を変化させて複数のモデルパラメータ値を生成し、プラントモデル2に出力するものである。複数のモデルパラメータ値を生成する方法としては、上限及び下限値の範囲でモデルパラメータ値をランダムに変化させて生成する方法、上限及び下限値の範囲でモデルパラメータ値を等分割して生成する方法、公知の機械学習技術を用いて探索する方法等があるが、上限及び下限値の範囲で分散した複数のモデルパラメータ値が得られる方法であれば限定されない。
プロセス値入力部36は、各モデルパラメータ値Mに対応してプラントモデル2から出力される複数のプロセス値Pを入力するものである。
評価値生成部37は、プロセス値入力部36から複数のプロセス値P、モデルパラメータ情報取得部34から計測値Vをそれぞれ入力し、複数のプロセス値Pと計測値Vとの差分に基づき、予め定義された評価式から、計測値Vに対する複数のプロセス値Pの精度評価を示す評価値Eを生成するものである。
散布図生成部38は、モデルパラメータ値出力部35から各モデルパラメータ値M、評価値生成部37から各モデルパラメータ値Mに対応する評価値Eをそれぞれ入力し、入力した各モデルパラメータ値Mと評価値Eとの関係を示す散布図を生成するものである。
尤度関数生成部32は、散布図生成部38で生成された散布図に基づき確率密度関数を取得し、尤度関数を生成(取得)するものである。尤度関数生成部32は、関数回帰部39、確率密度関数取得部40及び尤度関数取得部41を備えている。
関数回帰部39は、散布図生成部38と電気的に接続している。関数回帰部39は、散布図生成部38で生成された散布図を入力し、入力した散布図を関数回帰して関数を生成するものである。関数回帰の方法としては、例えば、記憶部(不図示)に予め記憶された複数の関数データから、公知の機械学習を用いて、散布図生成部38で生成された散布図の形状に合うような関数を探索する方法がある。なお、関数回帰の方法は、散布図生成部38で生成された散布図の各データとの距離(差分)を小さくするような関数が得られる方法であれば限定されない。
確率密度関数取得部40は、関数回帰部39で生成された関数を入力し、入力した関数を正規化して得られた関数を各モデルパラメータ値Mの確からしさを示す確率密度関数と見なすものである。本実施形態では、確率密度関数取得部40は、関数回帰部39で生成された関数を入力部1に入力されたモデルパラメータ値の上限及び下限値の範囲に沿って積分した値が1になるように正規化する。
尤度関数取得部41は、確率密度関数取得部40で取得された確率密度関数を入力し、入力した確率密度関数をベイズ更新における尤度関数と見なして出力するものである。なお、本実施形態では、確率密度関数取得部40が関数回帰部39で生成された関数を正規化して得られる関数を確率密度関数と見なし、尤度関数取得部41が確率密度関数取得部40で取得された確率密度関数をベイズ更新における尤度関数と見なして出力する構成を例示した。しかしながら、必ずしも上述した構成に限定されない。例えば、尤度関数取得部41が、確率密度関数取得部40を備えており、関数回帰部39で生成された関数を入力し、入力した関数を正規化して確率密度関数と見なし尤度関数として出力するように構成しても良い。
ベイズ学習部33は、尤度関数取得部41及び蓄積部4と電気的に接続している。ベイズ学習部33は、尤度関数取得部41で取得された尤度関数を入力し、蓄積部4に蓄積されたモデルパラメータ値に関する確率密度関数のうち最新のものを読み込んで、読み込んだ確率密度関数を事前分布データとして、入力した尤度関数を用いてベイズ更新し、モデルパラメータ値に関する確率密度関数を事後分布データとして生成するものである。
蓄積部4は、モデルパラメータ値推定部3の演算結果を蓄積するものである。具体的に、蓄積部4は、ベイズ学習部33においてベイズ更新により生成されたモデルパラメータ値に関する確率密度関数を入力し蓄積する。本実施形態では、蓄積部4には、過去のベイズ更新(最新のベイズ更新より前のベイズ更新)により生成された各確率密度関数が蓄積されている。
出力部5は、モデルパラメータ値推定部3の演算結果を出力するものである。具体的に、出力部5は、蓄積部4に蓄積された確率密度関数を読み込んで出力する。出力部5は、確率密度関数を表示する表示装置等である。本実施形態では、出力部5は、蓄積部4に蓄積された複数の確率密度関数のうち、任意の更新回数における確率密度関数とその平均に対応するモデルパラメータ値の組み合わせを1つ以上表示するように構成されている。
図6は、本実施形態に係るモデルパラメータ値の推定方法の手順を示したフローチャートである。
(1)本実施形態に係るモデルパラメータ値推定装置100は、複数のモデルパラメータ値Mをプラントモデル2に入力して複数のプロセス値Pを取得し、対象製品の計測値Vに対する複数のプロセス値Pの精度評価に関するグラフを確率密度関数と推定し、これを尤度関数と見なしてモデルパラメータ値に関する確率密度関数をベイズ更新している。このように、本実施形態に係るモデルパラメータ値推定装置100では、対象製品の計測値Vに対する複数のプロセス値Pの精度評価から確率密度関数と推定し、これを尤度関数と見なしている。そのため、プラントの機器特性のような確率密度関数の推定が困難な対象についてもベイズ更新を適用することができる。従って、モデルパラメータ値に関する確率密度関数について分布形状や統計量が未知ないしは推定困難である(事前知識がない)場合でも、ベイズ更新を適用しモデルパラメータ値を推定することができる。
(構成)
図8は、本実施形態に係るモデルパラメータ値推定装置の模式図である。図8において、上記第1実施形態に係るモデルパラメータ値推定装置100と同等の部分には同一の記号を付し、適宜説明を省略する。
上記構成により、本実施形態では上述した第1実施形態で得られる各効果に加えて、次の効果が得られる。
(構成)
図10は、本実施形態に係るモデルパラメータ値推定装置の模式図である。図10において、上記第1実施形態に係るモデルパラメータ値推定装置100と同等の部分には同一の記号を付し、適宜説明を省略する。
上記構成により、本実施形態では上述した第1実施形態で得られる各効果に加えて、次の効果が得られる。
本実施形態では、モデルパラメータ平均値の推移に基づき、対象製品の状態を推定することができる。つまり、プラントモデル2を対象製品の経年劣化の推定や異常診断に活用することができる。
本発明は上述した各実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、上述した各実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。例えば、ある実施形態の構成の一部を他の実施形態の構成に置き換えることも可能であり、ある実施形態の構成に他の実施形態の構成を追加することも可能である。また、各実施形態の構成の一部を削除することも可能である。
3 モデルパラメータ値推定部
4 蓄積部
5 出力部
100 モデルパラメータ値推定装置
Claims (14)
- 対象製品の動作を模擬する予め設定した物理モデルであって、モデルパラメータ値を入力しプロセス値を計算するプラントモデルと、前記プロセス値に基づき、より尤度の高い前記モデルパラメータ値を推定するモデルパラメータ値推定部と、前記モデルパラメータ値推定部の演算結果を蓄積する蓄積部と、前記モデルパラメータ値推定部の演算結果を出力する出力部とを備えたモデルパラメータ値推定装置において、
前記モデルパラメータ値推定部は、前記対象製品の計測値及び前記プラントモデルで計算された複数のプロセス値を入力し、前記計測値に対する前記複数のプロセス値の精度評価に基づき生成した関数を尤度関数と見なして前記蓄積部に蓄積された確率密度関数をベイズ更新することを特徴とするモデルパラメータ値推定装置。 - 請求項1に記載のモデルパラメータ値推定装置において、
前記出力部は、ベイズ更新前後の確率密度関数を比較して出力することを特徴とするモデルパラメータ値推定装置。 - 請求項1に記載のモデルパラメータ値推定装置において、
前記モデルパラメータ値推定部は、
前記モデルパラメータ値の上限及び下限値を取得するモデルパラメータ情報取得部と、
前記モデルパラメータ値の上限及び下限値を入力し、入力した上限及び下限値の範囲内で前記モデルパラメータ値を変化させて、前記プラントモデルに出力するモデルパラメータ値出力部と、
各モデルパラメータ値に対応して前記プラントモデルから出力される複数のプロセス値を入力するプロセス値入力部と、
前記複数のプロセス値と前記対象製品の計測値を入力し、入力した複数のプロセス値と対象製品の計測値との差分に基づき、前記計測値に対する前記複数のプロセス値の精度評価を示す評価値を生成する評価値生成部と、
前記評価値と前記各モデルパラメータ値を入力し、入力した評価値と各モデルパラメータ値との関係を示す散布図を取得する散布図生成部と、
前記散布図を入力し、入力した散布図を関数回帰して関数を生成する関数回帰部と、
前記関数を入力し、入力した関数を正規化して前記モデルパラメータ値に関する確率密度関数と見なし尤度関数として出力する尤度関数取得部と、
前記尤度関数と前記蓄積部に蓄積された確率密度関数を入力し、前記蓄積部に蓄積された確率密度関数を事前分布として、入力した尤度関数を用いて、ベイズ更新するベイズ学習部と
を備えたことを特徴とするモデルパラメータ値推定装置。 - 請求項3に記載のモデルパラメータ値推定装置において、
前記蓄積部に蓄積された確率密度関数の平均値の推移に基づき、対象製品の状態変化を推定する製品状態推定部を備えることを特徴とするモデルパラメータ値推定装置。 - 請求項1に記載のモデルパラメータ値推定装置において、
前記モデルパラメータ値推定部は、
2種類以上のモデルパラメータに関するモデルパラメータ値の上限及び下限値を取得するモデルパラメータ情報取得部と、
2種類以上の前記モデルパラメータに関するモデルパラメータ値の上限及び下限値を入力し、入力した上限及び下限値の範囲内で2種類以上の前記モデルパラメータのモデルパラメータ値を同時に変化させて、前記プラントモデルに出力するモデルパラメータ値出力部と、
各モデルパラメータ値に対応して前記プラントモデルから出力される複数のプロセス値を入力するプロセス値入力部と、
前記複数のプロセス値と前記対象製品の計測値を入力し、入力した複数のプロセス値と対象製品の計測値との差分に基づき、前記計測値に対する前記複数のプロセス値の精度評価を示す評価値を生成する評価値生成部と、
前記評価値と前記各モデルパラメータ値を入力し、入力した評価値と各モデルパラメータ値との関係を示す散布図を取得する散布図生成部と、
前記散布図を入力し、入力した散布図を関数回帰して関数を生成する関数回帰部と、
前記関数を入力し、入力した関数を正規化して前記モデルパラメータ値に関する確率密度関数と見なし尤度関数として出力する尤度関数取得部と、
前記尤度関数と前記蓄積部に蓄積された確率密度関数を入力し、前記蓄積部に蓄積された確率密度関数を事前分布として、入力した尤度関数を用いて、ベイズ更新するベイズ学習部と
を備えたことを特徴とするモデルパラメータ値推定装置。 - 請求項5に記載のモデルパラメータ値推定装置において、
2種類以上の前記モデルパラメータは、前記対象製品のプロセス値の静特性に関するパラメータと動特性に関するパラメータとを含むことを特徴とするモデルパラメータ値推定装置。 - 請求項5に記載のモデルパラメータ値推定装置において、
前記蓄積部に蓄積された確率密度関数の平均値の推移に基づき、対象製品の状態変化を推定する製品状態推定部を備えることを特徴とするモデルパラメータ値推定装置。 - プログラムされたコンピュータによってモデルパラメータ値を推定するモデルパラメータ値推定方法であって、
対象製品の動作を模擬する予め設定した物理モデルであるプラントモデルにより、入力されたモデルパラメータ値から複数のプロセス値を計算する第1のステップと、
モデルパラメータ値推定部により、前記対象製品の計測値に対する前記複数のプロセス値の精度評価に基づき生成した関数を尤度関数と見なして蓄積部に蓄積されたモデルパラメータ値に関する確率密度関数をベイズ更新する第2のステップと、
を有することを特徴とするモデルパラメータ値推定方法。 - 請求項8に記載のモデルパラメータ値推定方法であって、
前記第1のステップの前に、
モデルパラメータ情報取得部により、1種類以上のモデルパラメータ値の上限及び下限値と対象製品の計測値とをモデルパラメータ値出力部に入力するステップと、
モデルパラメータ値出力部により、前記モデルパラメータ値の上限及び下限値の範囲内で前記モデルパラメータ値を変化させて得られた複数のモデルパラメータ値を前記プラントモデルに出力するステップと、
を有し、
前記第2のステップは、
プロセス値入力部により、各モデルパラメータ値に対応して前記プラントモデルから出力される複数のプロセス値を評価値生成部に入力するステップと、
評価値生成部により、入力した複数のプロセス値と対象製品の計測値との差分に基づき、前記計測値に対する前記複数のプロセス値の精度評価を示す評価値を生成するステップと、
散布図生成部により、前記評価値と前記各モデルパラメータ値との関係を示す散布図を取得するステップと、
関数回帰部により、前記散布図を関数回帰して関数を生成するステップと、
尤度関数取得部により、生成した前記関数を正規化して前記モデルパラメータ値に関する確率密度関数と見なし尤度関数とするステップと、
ベイズ学習部により、蓄積部に蓄積されたモデルパラメータ値に関する確率密度関数を取得し、蓄積部から取得した前記確率密度関数を事前分布データとして、前記尤度関数を用いて、ベイズ更新により前記モデルパラメータ値に関する確率密度関数の事後分布データを生成し、
前記事後分布データを前記蓄積部に蓄積するステップと
を有することを特徴とするモデルパラメータ値推定方法。 - コンピュータを、
対象製品の動作を模擬する予め設定した物理モデルであって、モデルパラメータ値を入力しプロセス値を計算するプラントモデルと、
前記プロセス値に基づき、より尤度の高い前記モデルパラメータ値を推定するモデルパラメータ値推定部と、
前記モデルパラメータ値推定部の演算結果を蓄積する蓄積部と、
前記モデルパラメータ値推定部の演算結果を出力する出力部、
として機能させ、
前記モデルパラメータ値推定部が、前記対象製品の計測値に対する複数の前記プロセス値の精度評価に基づき生成した関数を尤度関数と見なして前記蓄積部に蓄積された確率密度関数をベイズ更新することを特徴とするプログラム。 - 請求項10に記載のプログラムであって、
前記モデルパラメータ値推定部は、
1種類以上の前記モデルパラメータ値の上限及び下限値を取得するモデルパラメータ情報取得部と、
前記モデルパラメータ値の上限及び下限値を入力し、入力した上限及び下限値の範囲内で前記モデルパラメータ値を変化させて、前記プラントモデルに出力するモデルパラメータ値出力部と、
各モデルパラメータ値に対応して前記プラントモデルから出力される複数のプロセス値を入力するプロセス値入力部と、
前記複数のプロセス値と前記対象製品の計測値を入力し、入力した複数のプロセス値と対象製品の計測値との差分に基づき、前記計測値に対する前記複数のプロセス値の精度評価を示す評価値を生成する評価値生成部と、
前記評価値と前記各モデルパラメータ値を入力し、入力した評価値と各モデルパラメータ値との関係を示す散布図を取得する散布図生成部と、
前記散布図を入力し、入力した散布図を関数回帰して関数を生成する関数回帰部と、
前記関数を入力し、入力した関数を正規化して前記モデルパラメータ値に関する確率密度関数と見なし尤度関数として出力する尤度関数取得部と、
前記尤度関数と前記蓄積部に蓄積された確率密度関数を入力し、前記蓄積部に蓄積された確率密度関数を事前分布として、入力した尤度関数を用いて、ベイズ更新するベイズ学習部と
を備えることを特徴とするプログラム。 - 請求項10または請求項11に記載のプログラムを記録した記録媒体。
- 対象製品の動作を模擬する予め設定した物理モデルであって、モデルパラメータ値を入力しプロセス値を計算するプラントモデルと、前記プロセス値に基づき、より尤度の高い前記モデルパラメータ値を推定するモデルパラメータ値推定部と、前記モデルパラメータ値推定部の演算結果を蓄積する蓄積部と、前記モデルパラメータ値推定部の演算結果を出力する出力部とを備えたモデルパラメータ値推定システムにおいて、
前記モデルパラメータ値推定部は、前記対象製品の計測値及び前記プラントモデルで計算された複数のプロセス値を入力し、前記計測値に対する前記複数のプロセス値の精度評価に基づき生成した関数を尤度関数と見なして前記蓄積部に蓄積された確率密度関数をベイズ更新することを特徴とするモデルパラメータ値推定システム。 - 請求項11に記載のモデルパラメータ値推定システムにおいて、
前記モデルパラメータ値推定部は、
1種類以上の前記モデルパラメータ値の上限及び下限値を取得するモデルパラメータ情報取得部と、
前記モデルパラメータ値の上限及び下限値を入力し、入力した上限及び下限値の範囲内で前記モデルパラメータ値を変化させて、前記プラントモデルに出力するモデルパラメータ値出力部と、
各モデルパラメータ値に対応して前記プラントモデルから出力される複数のプロセス値を入力するプロセス値入力部と、
前記複数のプロセス値と前記対象製品の計測値を入力し、入力した複数のプロセス値と対象製品の計測値との差分に基づき、前記計測値に対する前記複数のプロセス値の精度評価を示す評価値を生成する評価値生成部と、
前記評価値と前記各モデルパラメータ値を入力し、入力した評価値と各モデルパラメータ値との関係を示す散布図を取得する散布図生成部と、
前記散布図を入力し、入力した散布図を関数回帰して関数を生成する関数回帰部と、
前記関数を入力し、入力した関数を正規化して前記モデルパラメータ値に関する確率密度関数と見なし尤度関数として出力する尤度関数取得部と、
前記尤度関数と前記蓄積部に蓄積された確率密度関数を入力し、前記蓄積部に蓄積された確率密度関数を事前分布として、入力した尤度関数を用いて、ベイズ更新するベイズ学習部と
を備えたことを特徴とするモデルパラメータ値推定システム。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020187024965A KR102153924B1 (ko) | 2017-01-27 | 2017-01-27 | 모델 파라미터값 추정 장치 및 추정 방법, 프로그램, 프로그램을 기록한 기록 매체, 모델 파라미터값 추정 시스템 |
EP17893753.8A EP3575892B1 (en) | 2017-01-27 | 2017-01-27 | Model parameter value estimation device and estimation method, program, recording medium with program recorded thereto, and model parameter value estimation system |
CN201780014460.1A CN108700852B (zh) | 2017-01-27 | 2017-01-27 | 模型参数值推定装置及推定方法、记录介质、模型参数值推定*** |
PCT/JP2017/002995 WO2018138880A1 (ja) | 2017-01-27 | 2017-01-27 | モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム |
JP2018538906A JP6686151B2 (ja) | 2017-01-27 | 2017-01-27 | モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム |
US16/076,809 US20190019096A1 (en) | 2017-01-27 | 2017-01-27 | Estimator, estimation method, program and storage medium where program stored for model parameter estimation and model parameter estimation system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2017/002995 WO2018138880A1 (ja) | 2017-01-27 | 2017-01-27 | モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム |
Publications (2)
Publication Number | Publication Date |
---|---|
WO2018138880A1 WO2018138880A1 (ja) | 2018-08-02 |
WO2018138880A9 true WO2018138880A9 (ja) | 2018-09-20 |
Family
ID=62978159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2017/002995 WO2018138880A1 (ja) | 2017-01-27 | 2017-01-27 | モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム |
Country Status (6)
Country | Link |
---|---|
US (1) | US20190019096A1 (ja) |
EP (1) | EP3575892B1 (ja) |
JP (1) | JP6686151B2 (ja) |
KR (1) | KR102153924B1 (ja) |
CN (1) | CN108700852B (ja) |
WO (1) | WO2018138880A1 (ja) |
Families Citing this family (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491626B (zh) * | 2017-10-09 | 2019-09-27 | 清华大学 | 一种热网供热功率可调节能力的计算与建模方法 |
CN116256624A (zh) | 2017-11-15 | 2023-06-13 | 普罗泰克斯公司 | 集成电路裕度测量和故障预测设备 |
TWI802615B (zh) | 2017-11-23 | 2023-05-21 | 以色列商普騰泰克斯有限公司 | 積體電路板失效檢測 |
US11408932B2 (en) | 2018-01-08 | 2022-08-09 | Proteantecs Ltd. | Integrated circuit workload, temperature and/or subthreshold leakage sensor |
US11740281B2 (en) | 2018-01-08 | 2023-08-29 | Proteantecs Ltd. | Integrated circuit degradation estimation and time-of-failure prediction using workload and margin sensing |
TWI828676B (zh) | 2018-04-16 | 2024-01-11 | 以色列商普騰泰克斯有限公司 | 用於積體電路剖析及異常檢測之方法和相關的電腦程式產品 |
US11475178B2 (en) * | 2018-05-08 | 2022-10-18 | Autodesk, Inc. | Generative design techniques for automobile designs |
TWI796494B (zh) | 2018-06-19 | 2023-03-21 | 以色列商普騰泰克斯有限公司 | 高效積體電路模擬及測試 |
WO2020003532A1 (ja) * | 2018-06-29 | 2020-01-02 | 日本電気株式会社 | 学習モデル作成支援装置、学習モデル作成支援方法、及びコンピュータ読み取り可能な記録媒体 |
JP2020046964A (ja) * | 2018-09-19 | 2020-03-26 | ファナック株式会社 | 特性判定装置、特性判定方法及び特性判定プログラム |
US20200103293A1 (en) * | 2018-09-28 | 2020-04-02 | Rosemount Inc. | Non-invasive process fluid temperature indication |
JP6799047B2 (ja) * | 2018-11-19 | 2020-12-09 | ファナック株式会社 | 暖機運転評価装置、暖機運転評価方法及び暖機運転評価プログラム |
JP7173159B2 (ja) * | 2018-11-29 | 2022-11-16 | 株式会社島津製作所 | 試料測定装置、プログラムおよび測定パラメータ設定支援装置 |
WO2020141516A1 (en) | 2018-12-30 | 2020-07-09 | Proteantecs Ltd. | Integrated circuit i/o integrity and degradation monitoring |
JP7262232B2 (ja) * | 2019-01-29 | 2023-04-21 | 東京エレクトロン株式会社 | 画像認識システムおよび画像認識方法 |
JP6903246B2 (ja) * | 2019-03-04 | 2021-07-14 | 三菱電機株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
JP6925565B2 (ja) * | 2019-03-13 | 2021-08-25 | 三菱電機株式会社 | シミュレーション装置、シミュレーションプログラム及びシミュレーション方法 |
CN113646714A (zh) | 2019-04-29 | 2021-11-12 | 西门子股份公司 | 生产设备的加工参数设置方法、装置和计算机可读介质 |
US20220214676A1 (en) * | 2019-05-09 | 2022-07-07 | Dürr Systems Ag | Analysis method and devices for same |
PL3966650T3 (pl) | 2019-05-09 | 2024-07-08 | Dürr Systems Ag | Sposób kontroli i obróbki dodatkowej elementów obrabianych, instalacja kontrolna oraz instalacja obróbkowa |
DE112020002294A5 (de) * | 2019-05-09 | 2022-03-03 | Dürr Systems Ag | Analyseverfahren und Vorrichtungen hierzu |
CN114127727A (zh) * | 2019-05-13 | 2022-03-01 | 普罗泰克斯公司 | 通过测量和仿真来确定集成电路的未知偏差和器件参数 |
JP7252449B2 (ja) * | 2019-05-16 | 2023-04-05 | 富士通株式会社 | 最適化装置、最適化システム、最適化方法および最適化プログラム |
JP6639760B1 (ja) * | 2019-06-28 | 2020-02-05 | 三菱電機株式会社 | 加工条件探索装置および加工条件探索方法 |
EP3995917A4 (en) * | 2019-07-03 | 2022-08-03 | FUJIFILM Corporation | OPTIMIZATION SUPPORT DEVICE, METHOD AND PROGRAM |
KR102224983B1 (ko) * | 2019-10-17 | 2021-03-08 | 한국서부발전 주식회사 | 가스터빈 연소기의 점검 진단 장치 |
US11929131B2 (en) | 2019-12-04 | 2024-03-12 | Proteantecs Ltd. | Memory device degradation monitoring |
CN111310303B (zh) * | 2020-01-17 | 2024-02-02 | 合肥工业大学 | 一种幅值指数衰减的正弦波参数识别方法 |
CN115461632A (zh) | 2020-04-20 | 2022-12-09 | 普腾泰克斯有限公司 | 晶粒对晶粒的连接性监视 |
JP7443224B2 (ja) * | 2020-12-04 | 2024-03-05 | 株式会社東芝 | 設計支援方法、設計支援システム、プログラム、及び記憶媒体 |
WO2022153984A1 (ja) * | 2021-01-15 | 2022-07-21 | 株式会社Preferred Networks | 学習データ生成方法、モデル生成方法および学習データ生成装置 |
JP7363840B2 (ja) * | 2021-03-10 | 2023-10-18 | 横河電機株式会社 | 解析装置、解析方法およびプログラム |
KR20230023470A (ko) | 2021-08-10 | 2023-02-17 | 에스케이하이닉스 주식회사 | 스토리지 장치 및 그의 딜레이 시간을 계산하는 모델을 최적화하는 호스트 장치 |
CN113777919B (zh) * | 2021-08-13 | 2023-11-17 | 哈尔滨工程大学 | 一种基于nsga-ⅱ遗传算法的自抗扰控制的串级燃气轮机功率控制方法 |
US20220035878A1 (en) * | 2021-10-19 | 2022-02-03 | Intel Corporation | Framework for optimization of machine learning architectures |
US20220035877A1 (en) * | 2021-10-19 | 2022-02-03 | Intel Corporation | Hardware-aware machine learning model search mechanisms |
CN114444272B (zh) * | 2021-12-31 | 2024-04-12 | 华中科技大学 | 一种基于贝叶斯层次模型的食品污染物暴露与健康危害的剂量反应关系模型建立方法 |
US11815551B1 (en) | 2022-06-07 | 2023-11-14 | Proteantecs Ltd. | Die-to-die connectivity monitoring using a clocked receiver |
US12013800B1 (en) | 2023-02-08 | 2024-06-18 | Proteantecs Ltd. | Die-to-die and chip-to-chip connectivity monitoring |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5418408B2 (ja) | 1972-09-29 | 1979-07-07 | ||
JP4974330B2 (ja) * | 2006-02-28 | 2012-07-11 | 株式会社日立製作所 | 制御装置 |
US8095479B2 (en) * | 2006-02-28 | 2012-01-10 | Hitachi, Ltd. | Plant control apparatus and method having functions of determining appropriate learning constraint conditions |
JP5341800B2 (ja) * | 2010-03-11 | 2013-11-13 | アズビル株式会社 | 制御モデル更新装置、制御モデル更新方法、空調制御システム、データ妥当性判断装置 |
JP5418408B2 (ja) * | 2010-05-31 | 2014-02-19 | 富士通株式会社 | シミュレーションパラメータ校正方法、装置及びプログラム |
JP5726574B2 (ja) * | 2011-03-01 | 2015-06-03 | みずほ情報総研株式会社 | 素子解析システム、素子解析方法及び素子解析プログラム |
CN102156104B (zh) * | 2011-03-28 | 2013-07-31 | 上海印钞有限公司 | 有机颜料耐溶剂性能定量评价方法 |
CN102800128A (zh) * | 2012-08-09 | 2012-11-28 | 中国人民解放军信息工程大学 | 利用散点图矩阵和回归分析建立地形描述精度模型的方法 |
US9104961B2 (en) * | 2012-10-08 | 2015-08-11 | Microsoft Technology Licensing, Llc | Modeling a data generating process using dyadic Bayesian models |
CN102968529B (zh) * | 2012-11-14 | 2015-06-03 | 上海城市水资源开发利用国家工程中心有限公司 | 一种供水管网模型计算结果不确定性区间的量化方法 |
JP5896891B2 (ja) * | 2012-12-17 | 2016-03-30 | 三菱重工業株式会社 | パラメータ推定装置、パラメータ推定方法、蓄電システム及びプログラム |
US20130309666A1 (en) * | 2013-01-25 | 2013-11-21 | Sequenom, Inc. | Methods and processes for non-invasive assessment of genetic variations |
CN103559337B (zh) * | 2013-10-18 | 2017-01-18 | 中冶集团武汉勘察研究院有限公司 | 一种基于线性回归建立细粒尾矿工程性质指标估算经验公式的方法 |
FR3012999B1 (fr) * | 2013-11-14 | 2015-11-13 | Renault Sas | Procede d'aide a la decision par approche bayesienne dans un systeme de surveillance de la pression des pneumatiques d'un vehicule automobile. |
US9928214B2 (en) * | 2013-12-04 | 2018-03-27 | International Business Machines Corporation | Sketching structured matrices in nonlinear regression problems |
EP2881822A1 (de) * | 2013-12-05 | 2015-06-10 | Bayer Technology Services GmbH | Computer-implementiertes Verfahren und System zur automatischen Überwachung und Statusermittlung ganzer Prozessabschnitte in einer Process Unit |
FR3018917B1 (fr) * | 2014-03-18 | 2016-04-01 | Jtekt Europe Sas | Modelisation du frottement dans une direction assistee par un nuage de points |
CN104063445B (zh) * | 2014-06-16 | 2017-04-26 | 百度移信网络技术(北京)有限公司 | 一种相似性度量的方法以及*** |
JP6190771B2 (ja) * | 2014-07-07 | 2017-08-30 | 日本電信電話株式会社 | パラメータ推定方法、装置、及びプログラム |
US10451587B2 (en) * | 2014-07-16 | 2019-10-22 | Duke University | Methods, systems and computer program products for estimating shear wave speed using statistical inference |
CN104462842A (zh) * | 2014-12-22 | 2015-03-25 | 厦门大学 | 一种基于贝叶斯网络的故障数据挖掘诊断方法 |
JP6400511B2 (ja) * | 2015-03-16 | 2018-10-03 | 株式会社日立製作所 | プラント制御用のデータ処理装置およびプラント |
JP2016177682A (ja) * | 2015-03-20 | 2016-10-06 | 株式会社東芝 | 設備評価装置、設備評価方法、コンピュータプログラム |
CN105675539B (zh) * | 2016-01-07 | 2019-05-10 | 北京市农林科学院 | 一种农产品品质综合评价方法 |
CN105930647B (zh) * | 2016-04-18 | 2018-09-14 | 北京航空航天大学 | 一种考虑多失效模式的梁结构非概率可靠性求解方法 |
CN106202631B (zh) * | 2016-06-28 | 2019-04-05 | 湖南大学 | 一种冲压成形高强钢的材料参数获取方法 |
-
2017
- 2017-01-27 US US16/076,809 patent/US20190019096A1/en not_active Abandoned
- 2017-01-27 EP EP17893753.8A patent/EP3575892B1/en active Active
- 2017-01-27 JP JP2018538906A patent/JP6686151B2/ja active Active
- 2017-01-27 KR KR1020187024965A patent/KR102153924B1/ko active IP Right Grant
- 2017-01-27 WO PCT/JP2017/002995 patent/WO2018138880A1/ja unknown
- 2017-01-27 CN CN201780014460.1A patent/CN108700852B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
EP3575892B1 (en) | 2022-05-11 |
KR20180111886A (ko) | 2018-10-11 |
JP6686151B2 (ja) | 2020-04-22 |
KR102153924B1 (ko) | 2020-09-09 |
WO2018138880A1 (ja) | 2018-08-02 |
JPWO2018138880A1 (ja) | 2019-02-07 |
CN108700852B (zh) | 2021-07-16 |
US20190019096A1 (en) | 2019-01-17 |
EP3575892A4 (en) | 2020-09-02 |
EP3575892A1 (en) | 2019-12-04 |
CN108700852A (zh) | 2018-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018138880A9 (ja) | モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム | |
US6898554B2 (en) | Fault detection in a physical system | |
EP3809220A1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
US8224468B2 (en) | Calibration certificate for virtual sensor network (VSN) | |
JP2010530179A (ja) | 仮想センサ・システムおよび方法 | |
US7953577B2 (en) | Method and apparatus for improved fault detection in power generation equipment | |
US20120296605A1 (en) | Method, computer program, and system for performing interpolation on sensor data for high system availability | |
JP6989398B2 (ja) | 故障診断装置、故障診断方法、および故障診断プログラム | |
Maul et al. | Sensor selection and optimization for health assessment of aerospace systems | |
JP2016151909A (ja) | 異常診断方法及び異常診断システム | |
KR20200011406A (ko) | 시스템에서의 하나 이상의 결함을 특징화하는 방법 | |
JP6415335B2 (ja) | 不具合診断方法及び不具合診断システム | |
JP6129508B2 (ja) | 異常検出前処理装置および方法ならびにプログラム、それを備えた異常検出装置 | |
EP3385804B1 (en) | Failure diagnosis apparatus, failure diagnosis method and recording medium | |
KR101967524B1 (ko) | 커널 회귀 모델을 통하여 시변 신호를 검증하는 온라인 검증 장치 및 방법 | |
WO2022032102A1 (en) | Apparatus and method for electronic determination of system data integrity | |
Rootliep et al. | Evolutionary algorithm for enhanced gas path analysis in turbofan engines | |
CN109657285A (zh) | 汽轮机转子瞬态应力的检测方法 | |
JP7048216B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
Diesch et al. | Application of virtual sensors for stress-related design and operation-specific lifetime prognosis | |
JP6800065B2 (ja) | 管理システム、情報処理方法、プログラム、通信装置 | |
Klimánek et al. | Evolutionary detection of sensor discredibility in control loops | |
JP2023163390A (ja) | 情報処理装置、情報処理方法およびプログラム | |
WO2023156074A1 (en) | Enhanced performance model matching, augmentation and prediction | |
CN116380473A (zh) | 一种火箭发动机故障诊断方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
ENP | Entry into the national phase |
Ref document number: 2018538906 Country of ref document: JP Kind code of ref document: A |
|
ENP | Entry into the national phase |
Ref document number: 20187024965 Country of ref document: KR Kind code of ref document: A |
|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 17893753 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
ENP | Entry into the national phase |
Ref document number: 2017893753 Country of ref document: EP Effective date: 20190827 |