CN1573624B - 用于批性能估计的装置和方法 - Google Patents
用于批性能估计的装置和方法 Download PDFInfo
- Publication number
- CN1573624B CN1573624B CN200410047835.9A CN200410047835A CN1573624B CN 1573624 B CN1573624 B CN 1573624B CN 200410047835 A CN200410047835 A CN 200410047835A CN 1573624 B CN1573624 B CN 1573624B
- Authority
- CN
- China
- Prior art keywords
- batch processing
- performance
- estimation
- model
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 113
- 238000006243 chemical reaction Methods 0.000 claims abstract description 115
- 238000012545 processing Methods 0.000 claims description 289
- 230000015654 memory Effects 0.000 claims description 66
- 238000013528 artificial neural network Methods 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 28
- 230000010354 integration Effects 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 10
- 238000013508 migration Methods 0.000 claims description 7
- 230000005012 migration Effects 0.000 claims description 7
- 238000010923 batch production Methods 0.000 abstract 3
- 230000008569 process Effects 0.000 description 44
- 238000010586 diagram Methods 0.000 description 26
- 238000005516 engineering process Methods 0.000 description 12
- 238000013461 design Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000036632 reaction speed Effects 0.000 description 9
- 238000013459 approach Methods 0.000 description 8
- 238000006073 displacement reaction Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 4
- 238000012905 input function Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000004886 process control Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 2
- 229920001131 Pulp (paper) Polymers 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000029087 digestion Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 229920005610 lignin Polymers 0.000 description 2
- 230000003863 physical function Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- PZASAAIJIFDWSB-CKPDSHCKSA-N 8-[(1S)-1-[8-(trifluoromethyl)-7-[4-(trifluoromethyl)cyclohexyl]oxynaphthalen-2-yl]ethyl]-8-azabicyclo[3.2.1]octane-3-carboxylic acid Chemical compound FC(F)(F)C=1C2=CC([C@@H](N3C4CCC3CC(C4)C(O)=O)C)=CC=C2C=CC=1OC1CCC(C(F)(F)F)CC1 PZASAAIJIFDWSB-CKPDSHCKSA-N 0.000 description 1
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 1
- 229930003268 Vitamin C Natural products 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 235000013405 beer Nutrition 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000003845 household chemical Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000005504 petroleum refining Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 235000019154 vitamin C Nutrition 0.000 description 1
- 239000011718 vitamin C Substances 0.000 description 1
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
- 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
Abstract
一种生成批处理的性能估计的方法和装置,使用无参数模型来生成多个与批处理相关联的反应速率估计。例如,每一个反应速率估计可以对应于批处理期间的特定时间。然后,对所述多个反应速率估计进行积分,以生成特定时间时的批性能的估计。
Description
技术领域
本发明一般涉及过程控制系统,更具体地讲,本发明涉及确定与批处理的性能相关的估计和/或预测。
背景技术
通常,能将处理分为三个种类:连续处理、半连续处理、以及批处理。连续处理是以连续的速率对原始材料或馈送元素进行操作,以在输出端产生连续的产品流的过程。连续处理的例子包括石油冶炼处理、维生素C生产处理、以及某些大量日用化学品制造处理。处理变量的值,例如温度、压力、流速等,通常在连续处理中的任何位置不随时间变化,保持相同。
批处理是对作为一组的一定有限量的原始材料或馈送元素进行操作,并随时间的推进而迫使这些馈送元素通过一系列处理步骤,以在完成这些处理步骤时生产出输出产品的处理。一般情况下,在处理步骤的操作期间,不向批处理引入新的馈送元素。批处理的例子包括啤酒制造、一些药品的制造、以及许多特殊化学药品的生产。过程变量的值,例如温度、压力、流速等,通常在批处理中的一或多个位置上随时间变化。
半连续处理是其中具有批处理成分的连续处理。通常,半连续处理对连续供给的原始材料进行操作,以产生连续的输出产品流,例如还拥有一组混合器,在过程中的某一阶段在一定的时间段内该混合器混合一定量的将要处理的材料。
对于批处理(以及半连续处理的批处理成分),基于过去或当前的处理变量,例如温度和压力,来估计批处理的未来状态,这可能是有益的。例如,处理状态或变量估计可以使用户确定特定批处理的最终输出将是否是可以接受的。如果估计最终产品输出将低于可接受的标准,则例如可以立即中止批处理。或者,可以是批处理超过批处理所需的所预期时间,以致于所输出的产品将可接受。
然而,精确地估计批处理的未来状态,通常十分困难、十分耗时、和/ 或十分昂贵。因此,在一种通常的方案中,批处理操作员可以记录成功的批处理的处理条件。然后,在相继的批处理中,操作员可以尝试着精确地维持接近于已知成功的批处理的那些批处理条件的批处理条件。在这一方案中,假设如果维持批处理条件接近于已知成功的批处理的批处理条件,则最终的批处理状态应接近于已知成功的批处理的最终的批处理状态。但是,其它不能精确地控制的未测量条件或条件可以影响最终的批处理状态。因此,即使精确维持了许多批处理条件,批处理的最终结果也可能不同于已知成功的批处理的最终结果。
在另一个通常的方案中,可以推导数学方程(即,参数模型),来估计处理的反应速率,其中该方程为所测量的处理条件的函数。然后,可以对该方程进行积分,以生成对批处理当前状态的估计。然而,这样一个考虑了许多处理条件的方程的推导,通常是极其困难的。因此,通过进行各种假设来简化所推导的方程,从而产生仅提供粗略近似的反应速率的方程。因此,根据这样一个方程来对批处理的当前状态的任何估计,仅提供了对批处理的当前状态的粗略近似。
根据本发明的实施例,提供了用于生成估计批处理的性能的方法和装置。总体上讲,无参数模型生成多个与批处理相关联的反应速率估计。例如,在批处理期间,每一个反应速率估计可以对应于特定的时间。可以对多个反应速率估计进行积分,以生成特定时间时的批处理的性能的估计。
在其它实施例中,提供了用于训练无参数模型的技术。总体上讲,在批结束时,无参数模型生成对性能的估计。在结束时,可以把这一估计与该批的实际性能的测量结果进行比较。可以使用估计和测量结果之间的误差来调整无参数模型。相类似,可以使用来自多个批处理的数据,多次对无参数模型进行调整。
在又一些实施例中,可以根据由无参数模型所生成的多个反应速率估计来生成额外的信息。例如,可以生成特定时间时的批处理的性能和对应时间时的模型批处理的性能之间的差的估计。可以使用这一估计来生成额外的信息。例如,可以确定所预期的结束时间时的性能的预测。作为另一个例子,可以确定在性能达到所希望的值之前的剩余时间的估计。
附图说明
当参照以下的详细描述及附图时,将可最好地理解此处所描述的实例的特性和优点,其中:
图1是一个实例处理工厂的方框图;
图2是一个方框图,示意性地说明了图1中的实例控制器;
图3是一个方框图,示意性地说明了图1中的实例工作站;
图4是一个方框图,说明了系统中的信息流的实例,例如该系统为图1中的处理工厂;
图5是用于生成批处理的性能估计的方法的一个实施例的流程图;
图6是批性能估计器的一个实施例的方框图;
图7是用于训练图6的批性能估计器的方法的一个实施例的流程图;
图8是批性能估计器的另一个实施例的方框图;
图9是用于在结束时间时生成批处理的性能预测的方法的一个实施例的流程图;
图10是用于生成在批处理的性能达到所希望的值之前的剩余时间的估计的方法的一个实施例的流程图;
图11是批性能估计器的又一个实施例的方框图;
图12是用于在结束时间时生成批处理的性能预测的方法的另一个实施例的流程图;
图13是用于生成在批处理的性能达到所希望的值之前的剩余时间的估计的方法的另一个实施例的流程图;
图14是批性能估计器的再一个实施例的方框图;以及
图15是用于生成图14的增益调整的方法的一个实施例的流程图。
具体实施方式
图1是一个实例处理工厂10的方框图。处理工厂10包括一个或多个节点12、14、16、18以及20。在图1的这一实例处理工厂10中,节点12、14以及16中的每一个节点均包括经由输入/输出(I/O)设备24连接到一个或多个现场设备22和23的处理控制器12a、14a、16a,例如,其中I/O设备24可以为Foundation Fieldbus接口、HART接口等。也可以经由网络30,将控制器12a、14a以及16a同样连接到节点18和20中的一个或多个主机或操作员工作站18a和20a,例如,网络30可以包括一条或多条总线、诸如Ethernet LAN的有线局域网络(LAN)、无线LAN、广域网络(WAN)、Intranet等。尽管通常将控制器节点12、14、16和与其相关联的输入/输出和现场设备22、23和24定位在有时很严酷的工厂环境中或将它们分布于整个这样的环境中,但通常将操作员工作站节点18和20定位在控制室中或其它控制器人员容易接近的不太严酷的环境中。
总体上讲,可以使用节点18和20的工作站18a和20a来存储和执行用于配置和监视处理工厂10、和/或用于管理处理工厂10中的设备22、23、24和控制器12a、14a、16a的应用程序。另外,也可以将数据库32连接于网络30,并作为数据历史学家和/或配置数据库运作,其中存储着下载于和/或存储在节点12、14、16、18以及20中的处理工厂10的当前配置。
控制器12a、14a、16a中的每一个均可存储和执行通过使用多个不同的、独立执行的控制模块或块来实现控制策略的控制器应用程序,例如,控制器12a、14a、16a可以为Emerson Process Management公司所销售的DeltaVTM。每一个控制模块均可由通常叫做功能块的功能块构成,其中,每一个功能块是完整控制例程的一部分或子例程,并与其它功能块相结合(经由叫做链路的通信)来运行,以实现处理工厂10中的处理控制回路。如人们十分熟悉的,通常,功能块执行下列功能之一:输入功能(例如该输入功能是与发送器、传感器、或其它处理参数测量设备相关联的)、控制功能(例如该控制功能是与执行PID、模糊逻辑的控制例程等相关联的控制)、或控制一些设备的操作(例如阀)的输出功能,以执行处理工厂10中的一些物理功能。当然,也存在和可利用混合型或其它类型的功能块。尽管Fieldbus协议和DeltaVTM系统协议可以使用面向对象程序设计协议中所设计和所实现的控制模块和功能模块,但也可以使用任何所希望的程序设计方案来设计这些控制模块,例如,这些程序设计方案包括顺序功能块、阶梯逻辑等,而且不局限于使用功能块或任何其它特定的程序设计技术来设计这些控制模块。如通常所为,将如存储在处理控制节点12、14以及16中的控制模块的配置存储在由工作站18a和20a所执行的应用程序可访问的配置数据库32中。
在图1中所说明的系统中,连接到控制器12a、14a和16a的现场设备22和23可以为标准的4-20混合放大器设备(ma device),也可以为智能现场设备,例如HART、Profibus或Foundation Fieldbus设备,该智能现场设备包括处理器和存储器。这些设备中的某些设备,例如Foundation Fieldbus现场设 备(图1中标有标号23的),可以存储和执行与控制器12a、14a和16a中所实现的控制策略相关联的模块或子模块,例如功能块。当然,现场设备22和23可以为任何类型的设备,例如传感器、阀、发送器、定位器等,以及I/O设备24可以为符合任何所希望通信或控制器协议,例如符合HART、Foundation Fieldbus、Profibus等的任何类型的I/O设备。
控制器12a、14a、16a中的每一个均包括处理器,该处理器实现或监视一个或多个存储在存储器中的处理控制例程,该处理控制例程可以包括存储在其中的控制回路或与其相关联的控制回路。控制器12a、14a、16a与现场设备(22、23)、工作站(18a、20a)、以及数据库32进行通信,以按任何所希望方式控制处理。也可以对控制器12a、14a、16a中的每一个进行配置,以按任何所希望方式来实现控制策略或控制例程。
在一个实施例中,控制器12a、14a、16a使用通常叫做功能块的功能块来实现控制策略,其中,每一个功能块是整个控制例程的一部分(例如,子例程),并与其它功能块相结合(经由叫做链路的通信)运行,以实现处理工厂10中的处理控制回路。通常,功能块执行下列功能之一:输入功能,例如与发送器、传感器、或其它处理参数测量设备相关联的输入功能;控制功能,例如与执行PID、模糊逻辑等的控制例程相关联的控制;或控制一些设备的操作(例如阀)来执行处理工厂10中的某些物理功能的输出功能。当然,也存在混合型或其它类型的功能块。例如,当使用这些功能块时通常的情况是,可以将功能块存储在控制器12a中并且由控制器12a加以执行,或将它们与标准的4-20混合放大器设备(ma device)和某些类型的智能现场设备(例如HART设备)相关联,也可以在使用Fieldbus设备的情况下,将它们存储在现场设备本身中和由现场设备本身加以实现。
图2是实例控制器12a(控制器14a和16a可以包括相同的或类似的设备)的方框图。控制器12a可以包括至少一个处理器40、易失性存储器44、以及非易失性存储器48。例如,易失性存储器44可以包括随机存取存储器(RAM)。在某些实施例中,可以由一或多个电池支持RAM,以致于在断电的情况下不丢失数据。例如,非易失性存储器48可以包括一个或多个硬盘、只读存储器(ROM)、致密盘ROM(CD-ROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、数字通用盘(DVD)、闪速存储器等。控制器12a还可以包括控制器输入/输出(I/O)设备52。也可以经由地址/数据总 线56互连处理器40、易失性存储器44、非易失性存储器48以及控制器I/O设备52。在某些实施例中,可以经由独立于地址/数据总线56的总线(未示)来将易失性存储器44、非易失性存储器48以及控制器I/O设备52中一个或多个连接到处理器40,或直接连接到处理器40。
控制器12a还可以包括经由一条双向总线64连接于处理器40的双向缓冲器60。可以经由一条双向总线68把缓冲器60连接于多个I/O电路24(图1)。经由控制器I/O设备52把控制器12a连接于网络30。
可以把与控制节点12、14、16相关联的用户接口存储在一个或多个工作站18a和20a上并且由一个或多个工作站18a和20a将其执行。图3是实例工作站18a的方框图(工作站20a可以包括相同的或类似的设备)。工作站18a可以包括处理器70、易失性存储器74、以及非易失性存储器78中的至少一个。例如,易失性存储器74可以包括RAM。在某些实施例中,可以由一个或多个电池来支持RAM,以便于在断电的情况下不丢失数据。例如,非易失性存储器78可以包括一个或多个硬盘、ROM、CD-ROM、EPROM、EEPROM、DVD、闪速存储器等。工作站18a还可以包括工作站I/O设备82。也可以经由地址/数据总线86互连处理器70、易失性存储器74、非易失性存储器78以及工作站I/O设备82。工作站18a还可以包括至少一个显示器90和至少一个用户输入设备94。例如,用户输入设备94可以包括一或多个键盘、小键盘、鼠标器等。在某些实施例中,可以经由独立于地址/数据总线86的总线(未示出)来将一个或多个易失性存储器74、非易失性存储器78以及工作站I/O设备82连接于处理器70,或直接连接于处理器70。
可以把显示器90和用户输入设备94与工作站I/O设备82相连接。另外,也可以经由工作站I/O设备82将工作站18a连接于网络30。尽管在图3中将工作站I/O设备82说明为一个设备,然而它可以包括多个设备。另外,在某些实施例中,可以把一个或多个显示器90和用户输入设备94直接连接于地址/数据总线86或处理器70。
批性能估计方法概述
图4是一个方框图,说明了与估计批处理的当前性能相关联的信息流。可以把与批处理104相关联的信息提供于批性能估计器108。例如,批处理信息可以包括批处理开始的时间或指示;初始条件,诸如批处理在其中发生 的容器的尺寸;成分和/或催化剂等的初始量;测量条件,例如温度、压力等;从批处理开始的经过时间等。基于该批处理信息,批性能估计器108生成对批处理的当前性能的估计。然后,批性能估计器108可以把这一估计发送至用于向用户显示的用户接口112。
作为一个说明性实例,在典型的木浆制作处理中,“消化”木片,以溶解将木纤维固定在一起的木质素。可以把所产生的“干净”的木纤维进一步处理成无数基于纸的产品。因此,在这一批处理中,感兴趣的批性能可以为木片的脱除木质素的程度。应该认识到,以上所描述的木浆消化处理仅为可以使用此处所描述的方法和装置来估计批性能的批处理的一个实例。总体上讲,可以使用此处所描述的方法和装置的实施例来估计多个不同的批处理中的多个不同的批性能。
现在,参照图1和4,可以使用一个或多个控制器,例如控制器12a、14a、16a,以及与控制器相关联的现场设备,例如现场设备22、23,来实现批性能估计器108。例如,批性能估计器108可以包括多个功能块,其中,每一个控制模块均可由一个或多个控制器和现场设备或设备来实现。例如,可以经由现场设备22和23、数据库32、工作站18a和20a、或某些其它设备,来将批信息提供给批性能估计器108。例如,可以经由网络30来将由批性能估计器108所生成的估计发送给用户接口112。例如,可以由计算机,例如工作站18a或20a,来实现用户接口112。
图5是流程图,一般地说明了用于生成批性能的估计的方法的一个实施例。可以由参照图4所描述的批性能估计器108来实现方法150。在方框154处,可以接收与批处理相关的信息。批处理信息可以包括参照图4所描述的信息(例如,批处理开始的时间或指示、初始条件、测量条件、从批处理开始的经过时间等)。在框158处,生成当前反应速率的估计,其中,反应速率是与感兴趣的批性能相关的。根据在框154处所接收的信息,来生成当前的反应速率。一般情况下,可以在整个批处理期间接收所更新的批处理信息(例如,测量条件、经过时间),而且,可以在批处理期间反复地生成反应速率估计。然后,在框162处,使用在框158处所生成的反应速率的估计来生成当前批性能的估计。如以下将更详细地加以描述的,在一个实施例中,可以基于从批开始时间到时间T的反应速率估计的积分,来生成时间T时的当前批性能。
批性能估计器
图6是批性能估计器的一个实施例的方框图。批性能估计器200包括以通信方式连接于积分器208的神经网络204。作为输入,神经网络204接收批处理信息,该批处理信息包括,例如,初始条件信息、测量条件信息、批处理的经过时间等。训练神经网络,以便生成反应速率估计,其中,反应速率是与感兴趣的批性能相关的。基于在其输入端处所接收的信息,神经网络204生成反应速率估计。以下将描述对神经网络204进行的训练。
将神经网络204所生成的反应速率估计提供给积分器208。在一个实施例中,可以通过对批指示器的启动,来重新设置积分器208(例如累加器)。在这一实施例中,积分器208累加由神经网络204所生成的当前反应速率的估计。批性能估计器200还可以包括用于接收积分器208的输出的锁存器212,并且还可以接收批处理结束的指示。批处理指示器的终止,可以为对批处理结束的期望时间时的指示。锁存器212响应于批处理指示器的终止而锁存在其输入端的值。
在操作过程中,受训练的神经网络204随时间生成一系列对应于批处理的反应速率估计,其中每一所生成的反应速率估计对应于从批处理的开始的特定的经过时间。积分器208将由神经网络204所生成的估计进行积分,并生成一系列当前的批性能估计,其中每一所生成的批性能估计对应于从批处理的开始的特定的经过时间。在批处理将结束的所期望时间时,锁存器212锁存当前的批性能估计。因此,锁存器212存储对这一结束批性能的估计。在另一个实施例中,可以响应于批处理指示器的终止,把结束批性能的估计存储在寄存器、存储器位置等中。
图7是用于训练图6的神经网络204的方法的一个实施例的流程图。以下将参照图6描述图7的方法250。在框254处,生成多个针对神经网络204的训练记录。这些训练记录可以包括与实际批处理相关的数据。例如,对应于一个实际批处理的训练记录可以包括对应于该批处理的初始条件、批处理期间的测量条件的采样值等。一般情况下,训练记录应该包括在批处理期间将作为输入提供给神经网络204的批处理数据。另外,训练记录还可以包括在批处理期间将提供给批性能估计器200的其它数据,例如,批处理开始和批处理结束指示器。而且,训练记录应该包括用于对应的实际批处理的结束 批性能的测量值。
在框258处,把神经网络204的权初始化为开始值。可以使用包括人们所熟悉的技术的多个技术中的任何技术,来确定神经网络204的权的开始权值。在框262处,选择训练记录。通常,在框262处,选择在方法250期间还没有使用的训练记录。
在框266处,把来自所选择的训练记录的数据提供给批性能估计器200,以生成结束批性能的估计。在框270处,基于由批性能估计器200所生成的所估计的结束批性能和在所选择的训练记录中的所测量的结束批性能,来生成误差值。
在框274处,确定是否还存在可用于训练神经网络204的训练记录。例如,可以确定是否在框254处所生成的多个训练记录中的所有训练记录已经用于训练神经网络204。如果还存在有效的训练记录,则方法250的流程前进到框262。如果不存在有效的训练记录,则方法250的流程可以前进到框278。
在框278处,确定权的提供是否合适,即是否能最小化误差,而不会对神经网络进行过度的训练。可以使用包括众所周知的技术的多个技术中的任何技术,来确定权的提供是否合适,即是否能最小化误差,而不会对神经网络进行过度的训练。如果判断为否,则在框282处基于在框270处所生成的误差值,来计算新的权。然后,可以重复框254、258、262、266、270、以及274。可以使用包括已知技术的多个技术中的任何技术,基于在框270处所生成的误差值,来调整神经网络204的权。如果在框278处确定权的提供是合适的,即能够最小化误差,而不会对神经网络进行过度的训练,则可以结束方法250的流程。
图8是批性能估计器的另一个实施例的方框图。批性能估计器300包括如参照图6所描述的神经网络204、积分器208、以及锁存器212。可以按如参照图7所描述的相同或相类似的方式,来对神经网络204进行训练。批性能估计器300还包括用于存储模型批处理的反应速率的模型反应速率存储器304。模型批处理可以为先前完成的批处理,例如,其中结束批性能被确定是可接受的、典型的、所希望的等的先前完成的批处理。例如,存储在模型反应速率存储器304中的反应速率可以为由神经网络,例如,如训练过的神经网络204所确定的反应速率的估计。在一个实施例中,可以把神经网络204 施加于来自模型批处理的数据,并可以把由神经网络204所生成的每一输出存储在模型反应速率存储器304中。在另一个实施例中,仅把由神经网络204所生成的输出的子集存储在模型反应速率存储器304中。例如,可以从多个输出组,而且仅为存储在模型反应速率存储器304中的样本中的每一组中取样一个输出。作为另一个例子,可以对由神经网络204所产生的输出组进行处理,以便生成用于每一个组的一个值或多个值,并且将值存储在模型反应速率存储器304中。例如,能够对来自神经网络204的输出组进行平均、滤波等,并且结果被存储在模型反应速率存储器304中。还是在另一个实施例中,存储在模型反应速率存储器304中的反应速率可以为除神经网络204之外的某些装置所确定的反应速率的估计。
例如,模型反应速率存储器304可以包括存储在存储器中的查找表,例如所述存储器可为寄存器组、RAM、ROM、CD-ROM、EPROM、EEPROM、DVD、闪速存储器、硬盘、软盘等。模型反应速率存储器304可以提供两个输出:对应于当前时间时的模型反应速率的第一输出;以及对应于模型批处理结束时的模型反应速率(以下将其称为结束时间时的模型反应速率)的第二输出。作为输入,模型反应速率存储器304可以接收批处理的当前经过时间的指示。
例如,当前时间时输出的模型反应速率可以为由查找表索引加以索引的查找表中的表项(entry)。可以使用输入到模型反应速率存储器304的当前经过时间来生成查找表索引。例如,结束时间时的模型反应速率可以是存储在查找表中的特定值,或与查找表分离存储的值。结束时间时的模型反应速率可以是基于在接近模型批处理结束时由神经网络204或一些其它装置针对模型批处理所生成的一个或多个反应速率估计的。例如,结束时间时的模型反应速率可以为接近模型批处理结束时的模型批处理的反应速率估计的样本、平均值、所过滤的值等。
把模型反应速率存储器304的第一输出提供给加法器308。另外,作为另一个输入,还把神经网络204的输出提供给加法器308。加法器308从模型反应速率存储器304的第一输出中减去神经网络204的输出,以生成输出。把加法器308的输出提供给积分器312,积分器312可以为与积分器208的类型相同或类似的类型。作为第二输出,积分器312接收批指示器的启动。在操作过程中,积分器312,从批处理的开始,对加法器308的输出进行积 分。积分器312的输出为批处理的当前性能与模型批处理期间的对应时间时时的模型批处理的当前性能之间的差的估计。把积分器312的输出提供给加法器316。作为另一个输入,把所希望的批处理的结束性能提供给加法器316。例如,所希望的结束性能可以为模型批处理的结束批性能、所期望的结束批性能等。加法器316把其输入相加,以生成输出,该输出为在所期望的结束时间时的批性能的预测。
在操作过程中,模型反应速率存储器304随经过时间的逝去而向加法器308提供一系列值。另外,神经网络204也随经过时间的逝去而生成一系列值。加法器304基于神经网络204和模型反应速率存储器304的输出来生成一系列值。从批处理的开始,积分器312对加法器308的输出进行积分。把积分器312的输出提供给加法器316,该加法器316把积分器312的输出与所希望的结束性能相加。
图9是用于生成批处理的结束性能预测的方法的一个实施例的流程图。例如,可以通过一种装置,例如图8的装置300或另一种装置,由根据软件所配置的处理器等,来实现图9的方法350。为了便于解释,将参照图8来描述图9的流程。然而,应该认识到,可以通过除装置300之外的各种装置来实现图9的流程。
在框354处,在批处理期间,生成针对批处理的反应速率估计。例如,可以由神经网络204生成反应速率估计。在框358处,生成在框354处所生成的反应速率估计与对应的模型批处理的反应速率之间的差。例如,模型反应速率存储器304的第一输出为对应于由神经网络204所生成的反应速率估计的模型处理的反应速率。然后,加法器308生成在神经网络204的输出与对应的模型反应速率存储器304的输出之间的差。
在框362处,对在框358处所生成的差进行积分,以生成在批处理的当前性能和模型批处理期间的对应时间处的模型批处理的当前性能之间的差的估计。在一个实施例中,对在框358处所生成的差进行累加。例如,积分器312可以对加法器308的输出进行积分。在框366处,把在框362处产生的所积分的差值用于生成所期望的结束时间时的批处理的预测性能。例如,可以把所积分的差值添加于所希望的批处理的结束性能上。例如,加法器316可以把积分器312的输出与所希望的批处理的结束性能相加。
现在参照图8,把对应于接近模型批处理结束时的模型反应速率的模型 反应速率存储器304的第二输出提供给除法器320。另外,作为另一个输入,把为批处理的当前性能与对应时间时的模型批处理的当前性能之间的差的估计的积分器312的输出提供给除法器320。除法器320把积分器312的输出除以模型反应速率存储器304的第二输出,以生成输出。除法器320的输出是与所期望的批处理的结束时间的时间偏移的估计,其中,时间偏移为时间指示,即指出批处理的性能将达到所希望的值的时间。在另一个实施例中,可以把模型反应速率存储器304的第一输出提供给除法器320。
把除法器320的输出提供给加法器324。作为附加输入,也提供给加法器324的是,经过时间和所期望的批结束时间。加法器324从所期望的批结束时间中减去除法器320的输出和经过时间,以便生成达到所希望的批性能值之前的剩余时间的估计。
图10是用于生成达到所希望批性能之前余留时间的估计的方法的实施例的流程图。例如,可以通过一种装置,例如图8的装置300或另一种装置,由根据软件所配置的处理器等,实现图10的方法380。为了便于解释,将参照图8描述图10的流程。然而,应该认识到,可以通过除装置300之外的各种装置实现图10的流程。
框354、358、以及362是与参照图9所描述的相同的。在框384处,使用在框362处所产生的积分差值来生成所期望的结束时间的偏移的估计,其中,偏移为时间指示,即指出将达到所希望的批性能的时间。在一个实施例中,把在框362处所产生的积分差值除以模型批处理的反应速率。例如,可以使用对应于模型批处理的结束的模型批处理的,或对应于当前时间的反应速率。参照图8,作为一个实施例,除法器320可以把积分器312的输出除以模型反应速率存储器304的第二输出。
在框388处,把在框384处所生成的偏移的估计用于生成达到所希望的性能之前的剩余时间的估计。在一个实施例中,从所期望的批处理的结束时间中减去在框384处所生成的偏移以及当前经过时间,以便生成剩余时间的估计。作为一个例子,参照图8,加法器324可以从所期望的结束时间中减去除法器320的输出和经过时间,以便生成剩余时间的估计。
图11是批性能估计器的又一个实施例的方框图。批性能估计器400包括如参照图6和8所描述的神经网络204、积分器208、锁存器212、加法器316、除法器320、以及加法器324。批性能估计器400还包括在模型批处理期间的 不同时间时存储模型批处理的性能的估计的模型批性能存储器404。模型批处理可以为先前参照图8所描述的批处理,例如,存储在模型批性能存储器404中的性能估计可以为由图6的批性能估计器200所确定的模型批处理的当前性能的估计。在一个实施例中,可以把批性能估计器200施加于来自模型批处理的数据,并可以把由积分器208所生成的每一输出存储在模型批性能存储器404中。例如,可以从多个输出组,而且仅为存储在模型批性能存储器404中的样本中的每一组取样一个输出。作为另一个例子,可以对由积分器208所生成的输出组进行处理,以生成针对每一组的一个或多个值,并把这一个或多个值存储在模型批性能存储器404中。例如,可以对来自积分器208的输出组进行平均、过滤等,并把结果存储在模型批性能存储器404中。在又一个实施例中,存储在模型批性能存储器404中的批性能可以为除批性能估计器200之外的某些装置所确定的模型批处理的当前批性能的估计。在再一个实施例中,存储在模型批性能存储器404中的批性能可以为在模型批处理期间对模型批处理的当前批性能所进行的测量。例如,在模型批处理期间的不同时间处可以对气体、液体、固体等进行取样。然后可以对这些样本进行分析,以确定取样时的批性能。
例如,模型批性能存储器404可以包括存储在存储器中的查找表,例如存储在寄存器组、RAM、ROM、CD-ROM、EPROM、EEPROM、DVD、闪速存储器、硬盘、软盘等中的查找表。模型批性能存储器404可以生成输出,并作为输入,可以接收批处理的当前经过时间的指示。例如,输出可以为由查找表索引加以索引的查找表中的表项(entry)。可以使用输入于模型批性能存储器404的当前经过时间来生成查找表索引。例如,模型批性能存储器的输出对应于在与经过时间相对应的时间时的模型批处理的所估计(或所测量)性能。
把模型批性能存储器404的输出提供给加法器408。另外,作为另一个输入,还把积分器208的输出提供给加法器408。加法器408从模型批性能存储器404的输出中减去积分器208的输出,以生成输出。加法器408的输出为批处理的当前性能与在模型批处理期间的对应时间时的模型批处理的当前性能之间的差的估计。把加法器408的输出提供给加法器316。
加法器408的输出为批处理的当前性能与在模型批处理期间对应的时间时的模型批处理的当前性能之间的差的估计。因而,加法器408的输出类似 于图8的积分器312的输出。
图12是用于生成批处理的结束性能预测的方法的另一个实施例的流程图。例如,可以通过一种装置,例如图11的装置400或另一种装置,由根据软件所配置的处理器等,来实现图12的方法450。为了便于解释,将参照图11来描述图12的流程图。然而,应该认识到,可以通过除装置400之外的各种装置来实现图12的流程图。
在框454处,在批处理期间,生成针对批处理的当前性能的估计。例如,可以由积分器208生成当前性能估计。在框458处,生成在框454处所生成的当前性能估计与相应于批处理的当前经过时间的时间时的模型批处理的性能之间的差。例如,模型批性能存储器404的输出为相应于经过时间的模型过程的性能的估计(或测量)。加法器408生成积分器208的输出与相应的模型批性能存储器404的输出之间的差。在框458处所生成的差为成批处理的当前性能与模型批处理期间相应时间时的模型批处理的当前性能之间的差。
在框462处,把在框458处所生成的差用于生成所期望结束时间时的批处理的预测的性能。例如,可以把在框458处所生成的差添加于所希望批处理的结束性能。例如,加法器316可以把加法器408的输出与所希望批处理的结束性能相加。
现在参照图11,批性能估计器400可以模型反应速率存储器416。在一个实施例中,模型反应速率存储器存储相应于接近模型批处理结束的模型反应速率的值,类似于参照图8的模型反应速率存储器304的第二输出所描述的相应的值。在另一个实施例中,模型反应速率存储器416可以存储多个相应于参照图8的模型反应速率存储器304的第一输出所描述的值的值。在这两个实施例的每一个实施例中,例如,模型反应速率存储器416可以包括单一的值或存储在存储器中的查找表,例如存储在寄存器组、RAM、ROM、CD-ROM、EPROM、EEPROM、DVD、闪速存储器、硬盘、软盘等中的查找表。在存储了多个值的实施例中,并作为输入,模型反应速率存储器416可以接收批处理的当前经过时间的指示。例如,输出可以为由查找表索引加以索引的查找表中的表项。可以使用输入于模型反应速率存储器416的当前经过时间生成查找表索引。在其中作为一个输入模型反应速率存储器416接收当前经过时间的实施例中,模型反应速率存储器的输出可以相应于在相应于经过时间时的模型批处理的所反应速率。
把模型反应速率存储器416的输出提供给除法器320。另外,作为另输入,还把加法器408的输出提供给除法器320,其中加法器408的输出为批处理的当前性能与相应时间时的模型批处理的当前性能之间的差的估计。除法器320把加法器408的输出除以模型反应速率存储器416的输出,以生成输出。除法器320的输出为所期望批处理的结束时间的时间偏移的估计,其中,时间偏移为时间指示,即指出批处理的性能将达到所希望值的时间。
图13是用于生成达到所希望值之前余留时间的估计的方法的另一个实施例的流程图。例如,可以通过一种装置,例如图11的装置400或另一种装置,由根据软件所配置的处理器等,实现图11的方法480。为了便于解释,将参照图11描述图13的流程。然而,应该认识到,可以通过除装置400之外的各种装置实现图13的流程。
框454、458与参照图12所描述的相同。在框484处,把在框458处所生成的差值用于生成所期望结束时间的偏移的估计,其中,偏移为时间指示,即指出将达到所希望批性能的时间。在一个实施例中,把在框458处所生成的差值除以模型批处理的反应速率。例如,可以使用相应于模型批处理的结束的模型批处理的,或相应于当前经过时间的反应速率。参照图11,作为一个实施例,除法器320可以把加法器408的输出除以模型反应速率存储器416的输出。
在框488处,把在框484处所生成的偏移的估计用于生成达到所希望性能之前余留时间的估计。在一个实施例中,从所期望批处理的结束时间减去在框484处所生成的偏移以及当前经过时间,以生成余留时间的估计。作为一个例子,参照图11,加法器324可以从所期望结束时间减去除法器320的输出和经过时间,以生成余留时间的估计。
图14是批性能估计器的再一个实施例的框图。批性能估计器500包括如参照图8所描述的批性能估计器300的部件,另外还包括乘法器504。神经网络204的输出提供给乘法器504,乘法器504把神经网络204的输出乘以增益调整。然后把乘法器504的输出提供给积分器208和加法器308。可以把增益调整用于校正神经网络204的增益偏移,而且不必重新训练神经网络204。
在操作过程中,可以把增益调整值初始化为1,从而不提供增益调整。如果确定需要增益调整值,则可以生成合适的增益调整值。图15是用于生成 图14的增益调整值的方法的实施例的流程图。将参照图14描述图15的方法550。在框554处,确定多个针对批性能估计器500的增益。例如,可以通过把所测结束批性能除以批性能估计器500所生成相应的估计确定多个增益。然后,在框558处,可以对在框554处所确定的增益系列进行过滤,以生成增益调整。例如,可以对增益加以平均、进行低通过滤等。
接下来,在框562处,增益调整值加以限制。例如,如果增益调整值高于第一极限,则可以把增益调整值设置为第一极限。相类似,如果增益调整值低于第二极限,则可以把增益调整值设置为第二极限。
可以在完成了每一批以及结束性能的测量结果可得之后,对增益调整值加以修改。另外,也可以在完成了多批以及结束性能的测量结果可得之后,对增益调整值加以修改。
批性能估计器500是对图8的批性能估计器300的修改。也可类似地修改图6的批性能估计器200和图11的批性能估计器400。
在其它实施例中,可以用对位移调整做加法的加法器取代乘法器504。可以把位移调整用于校正神经网络204的增益位移,而且不必重新训练神经网络204。可以按与类似于以上参照图15所描述的方式的方式来确定位移调整。然而,在框554处,可以确定多个位移,而不是确定多个增益。例如,可以通过从相应的所测结束批性能减去批性能估计器所生成的估计确定这一位移系列。在又一些其它实施例中,除了乘法器504外,也可以用加法器对位移调整做加法。例如,加法器可以接收乘法器504的输出,并且把加法器的输出提交给积分器208。2000年6月8日申请的序号为09/590,630的、名为“Adaptive Predicative Model in a Process Control System”、并归属本申请的代理人的美国专利申请,描述了可用于修改神经网络204的输出的,例如提供了位移调整的各种技术。将美国专利申请09/590,630全部并入此处以作参考。
现在,参照图1、6、8、11、以及14,可以把批性能估计器200、300、400、500所生成的某些或全部输出传输到用于提交的用户接口,例如,操作员。例如,可以通过控制器12a、14a、和/或16a把所生成的输出传输给用户接口,例如由工作站18a或20a多实现的用户接口。例如,可以经由网络传输所生成的输出。
例如,操作员可以使用所生成的输出,决定是否立即停止批处理、修改 批处理变量(例如,添加成分、提高/降低温度等)、缩短或延长批处理时间等。也可以把所生成的输出用于自动地立即停止批处理、修改批处理变量、缩短或延长批处理时间等。例如,可以把所生成的输出提供于控制器中,例如控制器12a、14a、或16a中,全部或部分实现的控制器应用。
尽管以把以上所描述的实施例包括在神经网络模型中,但在其它实施例中,也可以使用其它无参数模型(例如,动态线性估计器、有限脉冲响应等)。
已经描述了各框图和流程图。这一技术领域中的普通熟练技术人员将会意识到,可以通过软件、硬件、和/或固件全部或部分地实现这些各框图和流程图中所说明的各框。可以使用各种设计工具中的任何一种设计工具设计每一框,或每一框的一部分,包括图形设计工具,或任何其它类型的软件/硬件/固件编程或设计工具。
在某些实施例中,可以作为过程控制系统中的功能块,实现图6、8、11、以及14中所说明的每一框。例如,可以通过控制器,例如图1的12a、14a、和/或16a,和/或现场设备,例如图1中的现场设备,实现这些功能块。可以通过软件、硬件、或固件全部或部分地实现每一功能块。在其它实施例中,可以使用其它约定,例如阶梯逻辑、顺序功能图等,或使用任何其它所希望程序设计语言或范例,实现图6、8、11、以及14中所说明的某些或部分框。
如果通过软件实现先前所描述的框图或流程图之一的一个框,则可以把软件存储在实际的媒体中,例如存储在RAM、ROM、CD-ROM、EPROM、EEPROM、DVD、闪速存储器、硬盘、软盘等中。可以按任何所希望格式,例如使用面向对象的程序设计、阶梯逻辑、顺序功能图、功能块范式,或使用任何其它软件程序设计语言或设计范式,实现每一框,或其一部分。对于先前所描述的流程图,这一技术领域中的普通熟练技术人员将会明显意识到可以通过处理器执行的软件实现流程范式,或也可通过除处理器之外的设备执行整个流程或其一部分,和/或以人们所熟悉的方式将其体现在固件和/或专门的硬件中。
尽管可以对本发明进行多方面的修改和结构上的变化,但此处仍以图的形式说明了其某些说明性的实施例,并详细描述了这些实施例。然而,应该认识到,不旨在将本发明的公开限制于所公开的具体形式,而相反,本发明将覆盖落入所附权利要求所定义的公开内容的构思与范围内的所有的修改、变化的结构、以及等价的结构。
Claims (53)
1.一种用于估计批处理的性能的方法,该方法包括:
通过使用无参数模型来确定与批处理相关联的反应速率估计;以及
基于所述反应速率估计,来确定特定时间时的批处理的性能估计。
2.根据权利要求1所述的方法,其中,确定所述性能估计,包括对反应速率估计进行积分。
3.根据权利要求2所述的方法,其中,对反应速率估计进行积分包括对反应速率估计进行累加。
4.根据权利要求1所述的方法,其中,无参数模型包括神经网络。
5.根据权利要求1所述的方法,还包括确定在特定时间时的批处理的性能和在与所述特定时间相对应的模型批处理期间的时间时的模型批处理的性能之间的差的估计。
6.根据权利要求5所述的方法,其中,确定在批处理的性能和模型批处理的性能之间的差的估计包括:
确定在批处理的反应速率估计和模型批处理的反应速率估计之间的差;以及
对在批处理的反应速率估计和模型批处理的反应速率估计之间的差进行积分。
7.根据权利要求5所述的方法,其中,确定在批处理的性能和模型批处理的性能之间的差的估计包括从与特定时间相对应的模型批处理期间的时间时的模型批处理的性能中减去特定时间时的批处理的性能的估计。
8.根据权利要求7所述的方法,其中,与特定时间相对应的模型批处理期间的时间时的模型批处理的性能为所估计的性能。
9.根据权利要求7所述的方法,其中,与特定时间相对应的模型批处理期间的时间时的模型批处理的性能为所测量的性能。
10.根据权利要求5所述的方法,还包括基于特定时间时的批处理的性能和与所述特定时间相对应的模型批处理期间的时间时的模型批处理的性能之间的差的估计,来确定批处理结束时间时的所预测的性能。
11.根据权利要求10所述的方法,其中,确定批处理结束时间时的所预测的性能包括将批处理结束时间时的所希望的性能与特定时间时的批处理的性能和与所述特定时间相对应的模型批处理期间的时间时的模型批处理的性能之间的差的估计相加。
12.根据权利要求1所述的方法,还包括确定批处理的性能达到所希望的值时的实际时间和批处理达到所希望的值时的所期望时间之间的偏移的估计。
13.根据权利要求12所述的方法,其中,确定偏移的估计包括确定特定时间时的批处理的性能和与特定时间相对应的模型批处理期间的时间时的模型批处理的性能之间的差的估计。
14.根据权利要求13所述的方法,其中,确定偏移的估计还包括将批处理的性能和模型批处理的性能之间的差的估计除以模型批处理的反应速率的估计。
15.根据权利要求14所述的方法,其中,模型批处理的反应速率的估计,是接近模型批处理结束时的模型批处理的反应速率的估计。
16.根据权利要求14所述的方法,其中,模型批处理的反应速率的估计,是与特定时间相对应的模型批处理期间的时间时的模型批处理的反应速率的估计。
17.根据权利要求12所述的方法,还包括基于偏移的估计,来确定批处理的性能达到所希望的值之前的剩余时间的估计。
18.根据权利要求17所述的方法,其中,确定剩余时间的估计包括从所期待的时间中减去偏移的估计和经过时间。
19.根据权利要求1所述的方法,还包括将反应速率估计与增益调整相乘。
20.根据权利要求1所述的方法,还包括将偏移调整与反应速率估计相加。
21.根据权利要求20所述的方法,还包括将反应速率估计与增益调整相乘。
22.一种用于训练用于估计批处理的反应速率的无参数模型的方法,该方法包括:
初始化无参数模型;
使用与所述批处理相对应的训练记录,利用无参数模型,来生成多个反应速率估计;
基于所述多个反应速率估计,来生成批处理的结束性能的估计;
将结束性能的估计与批处理的所测量的结束性能进行比较,以产生误差;以及
根据所述误差,来调整无参数模型。
23.根据权利要求22所述的方法,其中,无参数模型包括拥有多个权的神经网络;
其中,初始化无参数模型包括初始化多个权;以及
其中,调整无参数模型包括调整多个权。
24.根据权利要求22所述的方法,其中,生成批处理的结束性能的估计包括将所述多个反应速率估计进行积分。
25.根据权利要求22所述的方法,还包括基于与多个批处理相对应的多个结束性能的估计以及与多个批处理相对应的结束性能的多个测量结果,来确定增益调整值,其中,通过无参数模型来生成多个结束性能的估计。
26.根据权利要求22所述的方法,还包括:
基于与多个批处理相对应的多个结束性能的估计以及与多个批处理相对应的结束性能的多个测量结果,来确定多个误差,其中,通过无参数模型来生成多个结束性能的估计;以及
基于该多个误差,来确定偏移调整。
27.一种用于便利批处理的控制的方法,该方法包括:
通过使用无参数模型来确定与批处理相关联的反应速率估计;
基于所述反应速率估计,来确定与该批处理相关的估计数据,与该批处理相关的估计数据包括特定时间时的批处理的性能估计和特定时间时的性能与对应于特定时间的模型批处理期间的时间时的模型批处理的性能之间的差的估计中的至少一个;以及
通过使用估计数据来便利批处理的控制。
28.根据权利要求27所述的方法,其中,使用估计数据包括基于估计数据来确定额外的估计数据。
29.根据权利要求28所述的方法,其中,额外的估计数据包括结束时间时的所预测的性能。
30.根据权利要求28所述的方法,其中,额外的估计数据包括在性能达到所希望的值的实际时间和批处理达到所希望的值的期望时间之间的偏移的估计。
31.根据权利要求28所述的方法,其中,额外的估计数据包括与性能达到所希望的值的时间时的估计相关联的数据。
32.根据权利要求28所述的方法,其中,额外的估计数据包括性能达到所希望的值之前的剩余时间的估计。
33.根据权利要求28所述的方法,还包括通过使用额外的估计数据来便利批处理的控制。
34.根据权利要求33所述的方法,其中,使用额外的估计数据包括将至少一些额外的估计数据显示在显示设备上。
35.根据权利要求33所述的方法,其中,使用额外的估计数据包括将至少一些估计数据提供给与批处理的控制相关联的控制器。
36.根据权利要求35所述的方法,其中,使用估计数据还包括通过使用至少一些估计数据来经由控制器控制批处理。
37.根据权利要求27所述的方法,其中,使用估计数据包括将至少一些估计数据显示在显示设备上。
38.根据权利要求27所述的方法,其中,使用估计数据包括将至少一些估计数据提供给与批处理的控制相关联的控制器。
39.根据权利要求38所述的方法,其中,使用估计数据还包括通过使用至少一些估计数据来经由控制器控制批处理。
40.一种批性能估计器,包括:
无参数模型,被配置来接收与批处理相关联的数据,以及用于生成与该批处理相关的多个反应速率估计;以及
第一积分器,连接到无参数模型,以便对多个反应速率估计进行积分,以生成特定时间时的批处理的性能估计。
41.根据权利要求40所述的批性能估计器,还包括连接到第一积分器来进行存储的存储器,用于存储批处理的结束性能的估计。
42.根据权利要求40所述的批性能估计器,还包括性能差估计生成器,用于生成特定时间时的批处理的性能和与该特定时间相对应的时间时的模型批处理的性能的差的估计。
43.根据权利要求42所述的批性能估计器,其中,性能差估计生成器包括:
模型反应速率存储器,用于生成与多个反应速率估计相对应的模型批处理的反应速率估计;
第一加法器,连接到模型反应速率存储器和无参数模型,以便从模型批处理的反应速率估计中减去多个反应速率估计,以生成多个反应速率差;以及
第二积分器,连接到加法器,以便对多个反射速率差进行积分,来生成特定时间时的批处理的性能和与该特定时间相对应的时间时的模型批处理的性能的差的估计。
44.根据权利要求42所述的批性能估计器,其中,性能差估计生成器包括:
模型批性能存储器,用于生成与特定时间时的批处理的性能估计相对应的模型批处理的性能;以及
加法器,连接到模型批性能存储器和第一积分器,用于从模型批处理的性能中减去特定时间时的批处理的性能的估计。
45.根据权利要求42所述的批性能估计器,还包括连接到性能差估计生成器的所预测的结束性能生成器,用于基于特定时间时的批处理的性能和与该特定时间相对应的时间时的模型批处理的性能的差的估计,来生成所期望的结束时间时的批处理的性能的预测。
46.根据权利要求45所述的批性能估计器,其中,所预测的结束性能生成器包括加法器,用于将性能与结束时间时的比处理的所希望性能的差的估计进行相加。
47.根据权利要求42所述的批性能估计器,还包括连接到性能差估计生成器的时间偏移生成器,用于基于特定时间时的批处理的性能和与该特定时间相对应的时间时的模型批处理的性能的差的估计,来生成在批处理的性能达到所希望值的实际时间和批处理的性能达到所希望值的所期望的时间之间的偏移的估计。
48.根据权利要求47所述的批性能估计器,其中,时间偏移生成器包括:
模型反应速率存储器,用于生成模型批处理的反应速率估计;
除法器,连接到模型反应速率存储器和性能差估计生成器上,用于将性能差的估计除以模型批处理的反应速率估计,以生成偏移的估计。
49.根据权利要求48所述的批性能估计器,其中,模型批处理的反应速率估计包括与特定时间相对应的时间时的模型批处理的反应速率的估计。
50.根据权利要求48所述的批性能估计器,其中,模型批处理的反应速率的估计包括接近模型批处理结束时的模型批处理的反应速率的估计。
51.根据权利要求47所述的批性能估计器,还包括连接到时间偏移生成器的剩余时间估计生成器,用于基于偏移的估计,来生成批处理的性能达到所希望的值之前的剩余时间的估计。
52.根据权利要求51所述的批性能估计器,其中,剩余时间估计生成器包括加法器,用于从所期望的结束时间中减去偏移的估计和批处理的经过时间。
53.根据权利要求40所述的批性能估计器,其中,无参数模型包括神经网络。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US10/449437 | 2003-05-30 | ||
US10/449,437 | 2003-05-30 | ||
US10/449,437 US7242989B2 (en) | 2003-05-30 | 2003-05-30 | Apparatus and method for batch property estimation |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1573624A CN1573624A (zh) | 2005-02-02 |
CN1573624B true CN1573624B (zh) | 2011-03-09 |
Family
ID=32655764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200410047835.9A Expired - Fee Related CN1573624B (zh) | 2003-05-30 | 2004-05-31 | 用于批性能估计的装置和方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US7242989B2 (zh) |
JP (2) | JP5331286B2 (zh) |
CN (1) | CN1573624B (zh) |
DE (1) | DE102004025876B4 (zh) |
GB (1) | GB2402232B (zh) |
HK (1) | HK1067415A1 (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6662061B1 (en) * | 1997-02-07 | 2003-12-09 | Peter G. Brown | System and method for simulation and modeling of batch process manufacturing facilities using process time lines |
US7242989B2 (en) * | 2003-05-30 | 2007-07-10 | Fisher-Rosemount Systems, Inc. | Apparatus and method for batch property estimation |
US7877154B2 (en) | 2005-09-30 | 2011-01-25 | Fisher-Rosemount Systems, Inc. | Method and system for controlling a batch process |
US8756039B2 (en) * | 2010-03-02 | 2014-06-17 | Fisher-Rosemount Systems, Inc. | Rapid process model identification and generation |
US9335042B2 (en) | 2010-08-16 | 2016-05-10 | Emerson Process Management Power & Water Solutions, Inc. | Steam temperature control using dynamic matrix control |
US9447963B2 (en) | 2010-08-16 | 2016-09-20 | Emerson Process Management Power & Water Solutions, Inc. | Dynamic tuning of dynamic matrix control of steam temperature |
US9217565B2 (en) | 2010-08-16 | 2015-12-22 | Emerson Process Management Power & Water Solutions, Inc. | Dynamic matrix control of steam temperature with prevention of saturated steam entry into superheater |
US9163828B2 (en) | 2011-10-31 | 2015-10-20 | Emerson Process Management Power & Water Solutions, Inc. | Model-based load demand control |
US11614733B2 (en) * | 2018-04-30 | 2023-03-28 | Aspentech Corporation | Computer system and method for automated batch data alignment in batch process modeling, monitoring and control |
US11069926B1 (en) * | 2019-02-14 | 2021-07-20 | Vcritonc Alpha, Inc. | Controlling ongoing battery system usage via parametric linear approximation |
US11526155B2 (en) | 2020-07-30 | 2022-12-13 | Aspentech Corporation | Computer system and method for batch data alignment with active learning in batch process modeling, monitoring, and control |
US11256594B1 (en) * | 2020-08-04 | 2022-02-22 | Salesforce.Com, Inc. | Method and apparatus for estimating a time to perform an operation on a prospective data set in a cloud based computing environment |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5664066A (en) * | 1992-11-09 | 1997-09-02 | The United States Of America As Represented By The United States Department Of Energy | Intelligent system for automatic feature detection and selection or identification |
Family Cites Families (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3939328A (en) * | 1973-11-06 | 1976-02-17 | Westinghouse Electric Corporation | Control system with adaptive process controllers especially adapted for electric power plant operation |
GB1583545A (en) | 1976-08-04 | 1981-01-28 | Martin Sanchez J | Control systems |
US4054780A (en) | 1976-11-01 | 1977-10-18 | Phillips Petroleum Company | Gain-adaptive process control |
US4733733A (en) | 1986-02-11 | 1988-03-29 | Nl Industries, Inc. | Method of controlling the direction of a drill bit in a borehole |
US5166873A (en) | 1989-09-13 | 1992-11-24 | Yokogawa Electric Corporation | Process control device |
US5111531A (en) | 1990-01-08 | 1992-05-05 | Automation Technology, Inc. | Process control using neural network |
US5248577A (en) | 1990-08-13 | 1993-09-28 | Eastman Kodak Company | Reactant concentration control method and apparatus for precipitation reactions |
JP2539540B2 (ja) | 1990-09-19 | 1996-10-02 | 株式会社日立製作所 | プロセス制御装置 |
US5687077A (en) | 1991-07-31 | 1997-11-11 | Universal Dynamics Limited | Method and apparatus for adaptive control |
US5402333A (en) | 1992-06-15 | 1995-03-28 | E. I. Du Pont De Nemours & Co., Inc. | System and method for improving model product property estimates |
JPH0655062A (ja) * | 1992-08-05 | 1994-03-01 | Sumitomo Chem Co Ltd | 反応特性算定装置及び該装置を用いた反応器設計方法 |
US5740033A (en) * | 1992-10-13 | 1998-04-14 | The Dow Chemical Company | Model predictive controller |
JPH08505967A (ja) | 1992-11-24 | 1996-06-25 | パヴィリオン・テクノロジーズ・インコーポレイテッド | 欠落および/または不完全なデータを有するニューラルネットワークを作動するための方法および装置 |
US5539638A (en) | 1993-08-05 | 1996-07-23 | Pavilion Technologies, Inc. | Virtual emissions monitor for automobile |
DE4338608B4 (de) | 1993-11-11 | 2005-10-06 | Siemens Ag | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System |
US5442562A (en) | 1993-12-10 | 1995-08-15 | Eastman Kodak Company | Method of controlling a manufacturing process using multivariate analysis |
FR2721123B1 (fr) | 1994-06-08 | 1996-09-06 | Digilog | Procédé et système pour l'estimation optimale non linéaire des processus dynamique en temps réel. |
US5519605A (en) | 1994-10-24 | 1996-05-21 | Olin Corporation | Model predictive control apparatus and method |
US5659667A (en) | 1995-01-17 | 1997-08-19 | The Regents Of The University Of California Office Of Technology Transfer | Adaptive model predictive process control using neural networks |
US5680409A (en) | 1995-08-11 | 1997-10-21 | Fisher-Rosemount Systems, Inc. | Method and apparatus for detecting and identifying faulty sensors in a process |
JP3108359B2 (ja) * | 1996-03-05 | 2000-11-13 | 出光興産株式会社 | 石油製品の性状推定装置 |
US5752007A (en) | 1996-03-11 | 1998-05-12 | Fisher-Rosemount Systems, Inc. | System and method using separators for developing training records for use in creating an empirical model of a process |
US5877954A (en) | 1996-05-03 | 1999-03-02 | Aspen Technology, Inc. | Hybrid linear-neural network process control |
US5727128A (en) | 1996-05-08 | 1998-03-10 | Fisher-Rosemount Systems, Inc. | System and method for automatically determining a set of variables for use in creating a process model |
US5822220A (en) | 1996-09-03 | 1998-10-13 | Fisher-Rosemount Systems, Inc. | Process for controlling the efficiency of the causticizing process |
CA2285351A1 (en) | 1997-02-07 | 1998-08-27 | Peter G. Brown | System and method for simulation and modeling of biopharmaceutical batch process manufacturing facilities |
US20010044710A1 (en) | 1997-06-20 | 2001-11-22 | Peter G. Brown | System and method for simulation, modeling and scheduling of equipment preparation in biopharmaceutical batch process manufacturing facilities |
US6311093B1 (en) | 1997-06-20 | 2001-10-30 | Peter G. Brown | System and method for simulation, modeling and scheduling of equipment maintenance and calibration in biopharmaceutical batch process manufacturing facilities |
US6983229B2 (en) | 1997-06-20 | 2006-01-03 | Brown Peter G | Method for scheduling solution preparation in biopharmaceutical batch process manufacturing |
US7043414B2 (en) | 1997-06-20 | 2006-05-09 | Brown Peter G | System and method for simulating, modeling and scheduling of solution preparation in batch process manufacturing facilities |
US20010018643A1 (en) | 1997-06-20 | 2001-08-30 | Peter G. Brown | Method and computer program product for simulating quality control sampling in biopharmaceutical batch process manufacturing |
US6106785A (en) * | 1997-06-30 | 2000-08-22 | Honeywell Inc. | Polymerization process controller |
DE19727795C1 (de) * | 1997-06-30 | 1998-12-17 | Siemens Ag | Verfahren und Anordnung zur neuronalen Modellierung einer Prozeßgröße und Steuerung des Prozesses mit dieser Größe |
US6088630A (en) | 1997-11-19 | 2000-07-11 | Olin Corporation | Automatic control system for unit operation |
US6122557A (en) | 1997-12-23 | 2000-09-19 | Montell North America Inc. | Non-linear model predictive control method for controlling a gas-phase reactor including a rapid noise filter and method therefor |
JPH11351049A (ja) * | 1998-06-10 | 1999-12-21 | Matsushita Electric Ind Co Ltd | パラメータ推定制御装置 |
US6408227B1 (en) | 1999-09-29 | 2002-06-18 | The University Of Iowa Research Foundation | System and method for controlling effluents in treatment systems |
US6490501B1 (en) | 1999-10-06 | 2002-12-03 | Bell Helicopter Textron Inc. | Cure monitoring and control system |
US6484133B1 (en) | 2000-03-31 | 2002-11-19 | The University Of Chicago | Sensor response rate accelerator |
US6760716B1 (en) | 2000-06-08 | 2004-07-06 | Fisher-Rosemount Systems, Inc. | Adaptive predictive model in a process control system |
AU2001287010A1 (en) | 2000-09-01 | 2002-03-13 | Fred Hutchinson Cancer Research Center | Statistical modeling to analyze large data arrays |
JP2002358120A (ja) * | 2001-06-04 | 2002-12-13 | Mitsubishi Chemicals Corp | バッチプラント運転管理装置 |
EP1410325A2 (en) | 2001-06-08 | 2004-04-21 | Netuitive, Inc. | Automated analyzers for estimation systems |
WO2003017372A1 (de) * | 2001-08-14 | 2003-02-27 | Infineon Technologies Ag | Photodiodenanordnung mit zwei photodioden |
US7242989B2 (en) * | 2003-05-30 | 2007-07-10 | Fisher-Rosemount Systems, Inc. | Apparatus and method for batch property estimation |
-
2003
- 2003-05-30 US US10/449,437 patent/US7242989B2/en active Active
-
2004
- 2004-05-21 GB GB0411361A patent/GB2402232B/en not_active Expired - Fee Related
- 2004-05-27 DE DE102004025876.7A patent/DE102004025876B4/de not_active Expired - Fee Related
- 2004-05-31 CN CN200410047835.9A patent/CN1573624B/zh not_active Expired - Fee Related
- 2004-05-31 JP JP2004160462A patent/JP5331286B2/ja active Active
- 2004-12-07 HK HK04109656A patent/HK1067415A1/xx not_active IP Right Cessation
-
2012
- 2012-04-06 JP JP2012087851A patent/JP5476418B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5664066A (en) * | 1992-11-09 | 1997-09-02 | The United States Of America As Represented By The United States Department Of Energy | Intelligent system for automatic feature detection and selection or identification |
Non-Patent Citations (1)
Title |
---|
JP特開2001-106703A 2001.04.17 |
Also Published As
Publication number | Publication date |
---|---|
GB2402232B (en) | 2006-06-07 |
CN1573624A (zh) | 2005-02-02 |
JP5331286B2 (ja) | 2013-10-30 |
US7242989B2 (en) | 2007-07-10 |
JP2005004742A (ja) | 2005-01-06 |
DE102004025876B4 (de) | 2015-12-31 |
JP2012138118A (ja) | 2012-07-19 |
DE102004025876A1 (de) | 2004-12-16 |
GB2402232A (en) | 2004-12-01 |
HK1067415A1 (en) | 2005-04-08 |
US20040243380A1 (en) | 2004-12-02 |
GB0411361D0 (en) | 2004-06-23 |
JP5476418B2 (ja) | 2014-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102841538B (zh) | 用于控制分批过程的方法和系统 | |
JP5476418B2 (ja) | バッチ特性推定のための装置及び方法 | |
CN1598720B (zh) | 控制过程的方法和过程控制器 | |
JP4194396B2 (ja) | 変動性プロセス遅延に対する高度プロセス制御ブロックの適応 | |
EP3620868B1 (en) | Apparatus, method, program, and recording medium to output recommended control conditions | |
CN101807048B (zh) | 过程控制系统中的在线自适应模型预测控制 | |
US6546295B1 (en) | Method of tuning a process control loop in an industrial process | |
CN100381956C (zh) | 在过程控制系统中的集成模型预测控制和最佳化 | |
EP3172629B1 (en) | Robust control design approach for chemical processing industries and other industries | |
JP2009518750A (ja) | 同時プロセスシミュレーションを伴う多目的予測プロセス最適化 | |
US20130116802A1 (en) | Tracking simulation method | |
JP2001249705A (ja) | プロセスシミュレータ応用非線形制御装置およびその方法 | |
Šoštarec et al. | Optimization of recipe based batch control systems using neural networks | |
Keviczky et al. | SOME PROBLEMS OF ADAPTIVE OPTIMAL PROCESS CONTROL |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110309 Termination date: 20170531 |