JP5113498B2

JP5113498B2 - 時系列予測システム

Info

Publication number: JP5113498B2
Application number: JP2007302988A
Authority: JP
Inventors: 勝幸鈴木; 武司石田; 正教神永
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2007-11-22
Filing date: 2007-11-22
Publication date: 2013-01-09
Anticipated expiration: 2027-11-22
Also published as: JP2009129159A

Description

本発明は、制御や監視の対象となる任意の系について、制御や監視のためにその経時的な状態変化を予測する時系列予測に関する。

近年、コンピュータの小型化と性能向上に伴い、様々な分野でコンピュータシミュレーションが広く利用されるようになってきている。そのような分野の代表的なものとして、制御や監視の分野、つまりコンピュータシミュレーションにより予測対象系における状態変化（経時的な状態変化）について予測（時系列予測）を行い、その予測結果に基づいて制御や監視をなす分野がある。例えば、製造プロセスの制御や監視、電力などのエネルギ供給系の制御、あるいは空調系の制御などである。

製造プロセスの制御では、コンピュータシミュレーションにより製造プロセスの状態変化を予測し、その予測結果に基づいて製造プロセスの制御や監視がなされる。こうした分野では、制御対象系が予測対象系となる。一方、エネルギ供給系の制御や空調系の制御などでは、エネルギ供給系や空調系などが作用する系である被作用系（エネルギ供給系の場合であれば、エネルギ消費系、空調系の場合であれば、空調の対象とされる系）についてコンピュータシミュレーションにより状態変化を予測し、その予測で得られる予測値を目標値として作用系であるエネルギ供給系や空調系などの制御がなされる。こうした分野では、制御対象系が作用系として作用することになる被作用系が監視対象系となり、その監視対象系が予測対象系となる。

以上のようなコンピュータシミュレーションによる時系列予測に関する技術については、例えば特許文献１〜特許文献４などに開示されるように多くの例が知られている。

特開２００３−５８２４８号公報特開２００５−１３５０１０号公報特開２００７−１９９８６２号公報特開２００７−２８２０６０号公報

上述のようなコンピュータシミュレーションによる時系列予測では、モデルベース予測または実績ベース予測を用いるのが一般的である。ここで、モデルベース予測とは、予測対象系について数式モデルを作成し、その数式モデルにより予測を行う方式である。一方、実績ベース予測とは、予測対象系の過去における状態変化に関して収集された各種データの集合として構成される実績データに基づくなどして予測を行う方式であり、記憶ベース推論、事例ベース推論、ニューロ予測などが用いられる。

これらモデルベース予測や実績ベース予測は、予測対象系の特性などに応じて使い分けられているが、予測対象系の構造によっては、予測範囲中に予測の弱点部分、つまり予測精度が大きく低下するか、あるいは実効的な予測をなせない部分が発生する場合がある。そしてそのような予測弱点部分がある場合には、例えば予測を制御に用いる場合であれば、部分的な制御精度の低下を避けられなくなるか、あるいは制御精度の低下を避けるために、予測に基づく自動制御に部分的な手動制御を組み合わせる必要がある。

本発明は、以上のような事情を背景になされたものであり、その課題は、予測対象系の構造にかかわらず、常に予測範囲の全体にわたって高い精度での時系列予測を可能とする時系列予測システムの提供にある。

モデルベース予測や実績ベース予測における上述のような予測弱点に関するそれぞれの特徴に着目する。モデルベース予測は、予測対象系について作成した数式モデルを用いることから、予測対象系における変化が線形的（あるいは定常的）である部分については、外乱の影響を余り受けることなく高い精度での予測を安定的に行えるものの、非線形的（あるいは非定常的）である部分については、予測精度が大きく低下したり、実効的な予測をなせなかったりする。

一方、実績ベース予測は、線形的、非線形的にかかわらず高い精度での予測を安定的に行えるものの、実績データが不十分であるなどの場合に、部分的に予測精度が大きく低下したり、あるいは実効的な予測をなせなくなったり、さらに外乱の影響を大きく受けて不安定になったりする。

こうしたモデルベース予測と実績ベース予測それぞれの予測弱点に関する特性から、両者の予測弱点は相補的な関係にあるといえる。したがってモデルベース予測と実績ベース予測を相補的に組み合わせることにより、予測対象系の構造にかかわらず、常に予測範囲の全体にわたって高い精度での予測が可能となる。

本発明では、以上のような知見に基づいて上記課題を解決する。具体的には本発明による時系列予測システムは、ポリマー重合プロセスにおけるモノマーの反応温度の経時的な変化を予測するについて、前記ポリマー重合プロセスに関するモデルを用いた予測により第１の予測値を生成するモデルベース予測部、前記ポリマー重合プロセスの過去における前記変化に関して収集されたデータの集合として構成される実績データに基づく予測により第２の予測値を生成する実績ベース予測部、および前記第１、第２の各予測値を組み合わせることで前記変化の予測における実効予測値を生成する実効予測値生成部を備えており、前記モデルベース予測部は、前記ポリマー重合プロセスにおいて収集したデータから必要な説明変数に関するデータを取り込み、取り込んだ説明変数に関するデータを数式モデルに適用することで、前記ポリマー重合プロセスの現在時における前記モノマーの反応温度の予測値を求めて第１の予測値として出力し、前記実績ベース予測部は、前記ポリマー重合プロセスの過去における前記モノマーの反応温度変化に関して収集されたデータの集合として構成される実績データを抽出し、前記実績データが表している前記ポリマー重合プロセスの過去の状態と前記ポリマー重合プロセスの現在状態の類似度を判定し、判定した類似度が最も高い実績データを選定し、選定した実績データから前記ポリマー重合プロセスの現在時における前記モノマーの反応温度の予測値を求めて第２の予測値として出力し、前記実効予測値生成部は、前記第１、第２の各予測値を前記ポリマー重合プロセスにおける実際の前記モノマーの反応温度の実状態値と比較するとともに、その比較結果を予め設定の予測値しきい値で判定できるようにされ、そして前記第１の予測値と前記実状態値の差分が前記予測値しきい値を超えることを条件に前記第１の予測値に代えて前記第２の予測値を前記実効予測値とするか、または前記第２の予測値と前記実状態値の差分が前記予測値しきい値を超えることを条件に前記第２の予測値に代えて前記第１の予測値を前記実効予測値とし、前記第１の予測値及び前記第２の予測値のいずれもが前記予測値しきい値を超えない場合、予め定めたいずれか一方の予測値を前記実効予測値とすることを特徴としている。

本時系列予測システムでは、モデルベース予測部によるモデルベース予測と実績ベース予測部による実績ベース予測を並列的になせるようにし、これら各予測部による予測を実効予測値生成部により相補的に組み合わせるようにし、この実効予測値生成部で得られる実効予測値により予測をなすようにしている。このため、ポリマー重合プロセスの構造にかかわらず、常に予測範囲の全体にわたって高い精度での予測をなすことが可能となる。

また、予測範囲の全体にわたる高い精度での予測をより安定的に行えるようになる。

また上記のような時系列予測システムにおける実績データには、前記ポリマー重合プロセスについて予め指定してある説明変数ごとに分類して収集されたものを用いるのが好ましい。このようにすることにより、実績ベース予測部による予測の精度を向上させることができる。

また上記のような時系列予測システムにおける実績データには、前記ポリマー重合プロセスの周期について設定される時刻帯に関係させて収集されたものを用いるのが好ましい。このようにすることによっても、実績ベース予測部による予測の精度を向上させることができる。

以上のような本発明によれば、予測対象系の構造にかかわらず、常に予測範囲の全体にわたって高い精度での予測が可能となる。

以下、本発明を実施するための形態について説明する。図１に、第１の実施形態による時系列予測システム１の構成を模式化して示す。時系列予測システム１は、予測対象系２についてその状態変化を予測する。そのために、それぞれコンピュータプログラムとして構成される、データ収集部３、実績データ格納部４、モデルベース予測部５、実績ベース予測部６、および実効予測値生成部７を備えている。

データ収集部３は、予測対象系２から様々な予測対象系実データを収集する。例えば予測対象系２が製造プロセスの場合であれば、各種プロセス機器の状態に関するデータや製造プロセスにおける温度、圧力などのデータなどが予測対象系実データとなる。このような予測対象系実データには、モデルベース、実績ベースの各予測部５、６での後述のような予測処理に必要な予測対象系２における説明変数に関するデータ（以下、説明変数データと呼ぶ）が含まれ、また実効予測値生成部７での後述のような実効予測値生成処理に必要な予測対象系２における実状態に関するデータ（実状態値）が含まれる。

実績データ格納部４は、データ収集部３が収集する各種の予測対象系実データ、あるいは予測対象系２について既に収集されている予測対象系実データを実績データとして格納する。実績データとは、予測対象系２の過去における状態変化に関して収集される各種データの集合として構成されるデータである。こうした実績データは、予測対象系２について予め指定してある説明変数を基準に分類して実績データ格納部４に格納するのが好ましい。この場合、分類基準とする説明変数には、時刻帯を含ませることができる。時刻帯とは、予測対象系２の周期について予め設定されるものであり、例えば予測対象系２の周期が２４時間の場合であれば、その２４時間について、例えば１０分単位、３０分単位、１時間単位、…などとして設定されることになる。つまり、例えば１時間単位の場合に０時〜１時を時刻帯Ｔ１とすれば、１時〜２時が時刻帯Ｔ２、２時〜３時が時刻帯Ｔ３、…となるということである。このような時刻帯を説明変数に含ませる場合には、時刻帯を主たる分類基準とするのが好ましい形態の１つとなる。

以上のように実績データを説明変数で分類して管理するようにすること、特にその説明変数に時刻帯を含ませることにより、実績データを時間断面に関連させることができる。このことは、実績ベース予測部６での後述のような実績ベース予測による予測に際して実績データを時間断面で評価することを可能とし、このことにより、実績ベース予測部６による予測の精度を向上させることができる。

モデルベース予測部５は、予測対象系２に関し予め作成してある数式モデルを保持しており、その数式モデルにより予測対象系２の状態変化をモデルベース予測により予測し、第１の予測値を生成する。より具体的には、データ収集部３が収集するデータから必要な説明変数データを取り込み、その説明変数データを数式モデルに適用することで、予測対象系２の現在時における状態の予測値を求め、それを第１の予測値として出力する。

実績ベース予測部６は、上述の実績データに基づいて予測対象系２の状態変化を実績ベース予測により予測し、第２の予測値を生成する。そのために実績ベース予測部６は、図２に示すように、実績データ選択部１１、類似度判定部１２、および予測値生成部１３を備えている。

実績データ選択部１１は、データ収集部３が収集するデータから必要な説明変数データを取り込み、その説明変数データに対応する実績データを実績データ格納部４から抽出する。その抽出は、上述のように実績データの分類基準としてある説明変数を指標にして行う。実績データ選択部１１が抽出した実績データは、類似度判定部１２に提供される。

類似度判定部１２は、提供された実績データについて類似度を判定する。この場合の類似度とは、実績データが表している予測対象系２の過去の状態と予測対象系２の現在状態の類似程度である。こうした類似度の判定は、例えば特許第３４４９１２９号公報に開示されるような手法を用いて行うことができる。類似度判定部１２による類似度判定結果は、予測値生成部１３に提供される。

予測値生成部１３は、提供された類似度判定結果に基づいて予測値を生成する。具体的には、類似度判定結果から類似度が最も高い実績データを選定し、その実績データから予測対象系２の現在時における状態の予測値を求め、それを第２の予測値として出力する。

実効予測値生成部７は、モデルベース、実績ベースの各予測部５、６からの第１、第２の各予測値を組み合わせることで実効予測値を生成し、その実効予測値を予測対象系２の状態変化の予測における予測値として出力する。そのために実効予測値生成部７は、比較部１４、判定部１５、および選択部１６を備えている。

比較部１４は、モデルベース予測部５からの第１の予測値、実績ベース予測部６からの第２の予測値、およびデータ収集部３で取得される予測対象系２の実状態値を入力とし、第１、第２の各予測値を実状態値と比較する。具体的には、第１、第２の各予測値について実状態値との差分をとる。比較部１４による比較結果は、判定部１５に提供される。

判定部１５は、しきい値判定を行う。具体的には、第１、第２の各予測値の実状態値との差分を予め設定の予測値しきい値で判定する。つまり第１、第２の各予測値の実状態値との差分について、それが予測値しきい値を超えているかを判定する。判定部１５による判定結果は、選択部１６に提供される。

選択部１６は、第１、第２の各予測値のいずれかを実効予測値として選択する。その選択は、第１の予測値と実状態値の差分が予測値しきい値を超えることを条件に当該第１の予測値に代えて第２の予測値を実効予測値とするか、または第２の予測値と実状態値の差分が予測値しきい値を超えることを条件に当該第２の予測値に代えて第１の予測値を実効予測値とすることでなされる。

こうした選択については、第１、第２の各予測値のいずれもが実状態値との差分について予測値しきい値を超えない場合についての選択基準が必要となる。その選択基準は、モデルベース、実績ベースの各予測部５、６による予測のいずれか一方を主とし、他方を従とすることで与える。つまり、例えばモデルベース予測部５による予測を主とし、実績ベース予測部６による予測を従とする場合であれば、基本として第１の予測値を実効予測値とし、上記のような予測値しきい値超えがある場合に第１の予測値に代えて第２の予測値を実効予測値とするということである。

以上のような時系列予測システム１は、実効予測値生成部７によりモデルベース、実績ベースの各予測部による予測を相補的に組み合わせて予測を行うことができる。このため、モデルベース予測部５でのモデルベース予測と実績ベース予測部６での実績ベース予測それぞれにおける上述のような予測弱点を解消することができ、予測対象系２の構造にかかわらず、常に予測範囲の全体にわたって高い精度で予測することが可能となる。

以下では、時系列予測システム１をバッチ式のポリマー重合プロセスにおけるモノマーの反応温度の制御に適用する場合の例について説明する。図３に、時系列予測システム１を適用するバッチ式のポリマー重合プロセスの構造を示す。

バッチ式のポリマー重合プロセスは、反応器２１を備えている。反応器２１は、原料供給管２２により原料モノマーを仕込み、希釈水供給管２３により希釈水を仕込むようにされ、原料供給管２２と希釈水供給管２３のそれぞれに設けられているバルブ２４、２５の開度調整により、原料モノマーと希釈水それぞれの仕込量を調整できるようにされている。また反応器２１は、ジャケット２６で覆われている。ジャケット２６には、熱媒循環系２７により熱媒（ジャケット熱媒）が流される。熱媒循環系２７には、高温の熱媒の供給を調整する高温熱媒調整バルブ２８と低温の熱媒の供給を調整する低温熱媒調整バルブ２９が設けられている。これら高温熱媒調整バルブ２８と低温熱媒調整バルブ２９それぞれの開度は、反応温度制御器３０からの出力に基づいて制御量を出力するジャケット温度制御器３１により制御され、これによりジャケット２６の温度が制御される。そしてこうしたジャケット温度制御により除熱または加熱をすることで、反応器２１における反応温度の制御がなされる。

以上のようなポリマー重合プロセスに適用された時系列予測システム１では、重合プロセスが予測対象系２となり、反応温度が予測対象の状態量となる。つまり時系列予測システム１は、実効予測値として反応温度を出力し、これを反応温度制御における目標値として反応温度制御器３０に提供する。

また、データ収集部３が収集する予測対象系実データとして、原料モノマーの種類、原料モノマーと希釈水それぞれの仕込量、原料モノマーと希釈水それぞれの仕込み時間帯、ジャケット２６に流入する熱媒の温度（熱媒流入側に設けられている温度計測器３２で計測される）、ジャケット２６から流出する熱媒の温度（熱媒流出側に設けられている温度計測器３３で計測される）などの各データがあり、これら各データの内で、原料モノマーの種類、原料モノマーと希釈水それぞれの仕込量、原料モノマーと希釈水それぞれの仕込み時間帯が説明変数データとなる。

また、データ収集部３が収集する予測対象系２の実状態値として、反応器２１に設けられている温度計測器３４で計測される実際の反応温度がある。

図４に示すのは、ポリマー重合プロセスに適用した場合の時系列予測システム１における実績データ格納部４に格納される実績データの例である。図４の（ａ）は、分類基準の説明変数を原料モノマーの種類とした場合で、原料モノマーの種類ごとに、モノマー仕込量、希釈水仕込量、反応温度、仕込時刻帯の各データが記録される。一方、図４の（ｂ）は、分類基準の説明変数を仕込時刻帯とした場合で、仕込時刻帯ごとに、仕込日時、原料モノマーの種類、モノマー仕込量、希釈水仕込量、反応温度の各データが記録される。

次に、第２の実施形態について説明する。図５に、第２の実施形態による時系列予測システム４１の構成を模式化して示す。本実施形態の時系列予測システム４１は、第１の実施形態の時系列予測システム１における実効予測値生成部７に対応する要素として実効予測値生成部４２を備えている。実効予測値生成部７は、モデルベース、実績ベースの各予測部５、６で生成される予測値ごとに実効予測値生成処理を行うようにされている。これに対し実効予測値生成部４２は、予測対象系２に所定の状態ないしイベントが生じることを実効予測値生成の条件とする。具体的には、例えばモデルベース予測部５による予測を主とし、実績ベース予測部６による予測を従とする場合、基本として第１の予測値を実効予測値とするようにし、予測対象系２に所定の状態ないしイベント（上述のポリマー重合プロセスへの適用の場合であれば、原料モノマーの仕込がその例である）が生じた場合に、所定の予測範囲について第２の予測値を外挿して実効予測値とする。すなわち、モデルベース、実績ベースの各予測部５、６からの予測値のいずれか一方を基本の実効予測値とし、予測対象系２に所定の状態が生じることを条件に、他方の予測値を実効予測値として外挿するようにモデルベース、実績ベースの各予測部５、６による予測を組み合わせるということである。この他の構成は第１の実施形態における時系列予測システム１と同様である。したがって時系列予測システム１と共通する要素には図１と同じ符号を付し、それらについての説明は省略する。

以上、本発明を実施するための形態について説明したが、これは代表的な例に過ぎず、本発明は、その趣旨を逸脱することのない範囲で様々な形態で実施することができる。

第１の実施形態による時系列予測システムの構成を示す図である。実績ベース予測部の構成を示す図である。第１の実施形態による時系列予測システムを適用するバッチ式のポリマー重合プロセスの構造を示す図である。ポリマー重合プロセスに適用した場合の実績データの例を示す図である。第２の実施形態による時系列予測システムの構成を示す図である。

符号の説明

１時系列予測システム
２予測対象系
３データ収集部
４実績データ格納部
５モデルベース予測部
６実績ベース予測部
７実効予測値生成部

Claims

ポリマー重合プロセスにおけるモノマーの反応温度の経時的な変化を予測する時系列予測システムであって、前記ポリマー重合プロセスに関するモデルを用いた予測により第１の予測値を生成するモデルベース予測部、前記ポリマー重合プロセスの過去における前記変化に関して収集されたデータの集合として構成される実績データに基づく予測により第２の予測値を生成する実績ベース予測部、および前記第１、第２の各予測値を組み合わせることで前記変化の予測における実効予測値を生成する実効予測値生成部を備えており、
前記モデルベース予測部は、前記ポリマー重合プロセスにおいて収集したデータから必要な説明変数に関するデータを取り込み、取り込んだ説明変数に関するデータを数式モデルに適用することで、前記ポリマー重合プロセスの現在時における前記モノマーの反応温度の予測値を求めて前記第１の予測値として出力し、
前記実績ベース予測部は、前記ポリマー重合プロセスの過去における前記モノマーの反応温度変化に関して収集されたデータの集合として構成される実績データを抽出し、前記実績データが表している前記ポリマー重合プロセスの過去の状態と前記ポリマー重合プロセスの現在状態の類似度を判定し、判定した類似度が最も高い実績データを選定し、選定した実績データから前記ポリマー重合プロセスの現在時における前記モノマーの反応温度の予測値を求めて前記第２の予測値として出力し、
前記実効予測値生成部は、前記第１、第２の各予測値を前記ポリマー重合プロセスにおける実際の前記モノマーの反応温度の実状態値と比較するとともに、その比較結果を予め設定の予測値しきい値で判定できるようにされ、そして前記第１の予測値と前記実状態値の差分が前記予測値しきい値を超えることを条件に前記第１の予測値に代えて前記第２の予測値を前記実効予測値とするか、または前記第２の予測値と前記実状態値の差分が前記予測値しきい値を超えることを条件に前記第２の予測値に代えて前記第１の予測値を前記実効予測値とし、前記第１の予測値及び前記第２の予測値のいずれもが前記予測値しきい値を超えない場合、予め定めたいずれか一方の予測値を前記実効予測値とすることを特徴とする時系列予測システム。
前記実績データは、前記ポリマー重合プロセスについて予め指定してある説明変数ごとに分類して収集されたものであることを特徴とする請求項１に記載の時系列予測システム。
前記実績データは、前記ポリマー重合プロセスの周期について設定される時刻帯に関係させて収集されたものであることを特徴とする請求項２に記載の時系列予測システム。