TWI413006B - 建立自適應性軟體量測之方法 - Google Patents
建立自適應性軟體量測之方法 Download PDFInfo
- Publication number
- TWI413006B TWI413006B TW099117719A TW99117719A TWI413006B TW I413006 B TWI413006 B TW I413006B TW 099117719 A TW099117719 A TW 099117719A TW 99117719 A TW99117719 A TW 99117719A TW I413006 B TWI413006 B TW I413006B
- Authority
- TW
- Taiwan
- Prior art keywords
- local
- model
- establishing
- vector
- local linear
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 100
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims description 14
- 230000002776 aggregation Effects 0.000 claims description 11
- 238000004220 aggregation Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 10
- RWGFKTVRMDUZSP-UHFFFAOYSA-N cumene Chemical compound CC(C)C1=CC=CC=C1 RWGFKTVRMDUZSP-UHFFFAOYSA-N 0.000 description 34
- 238000010586 diagram Methods 0.000 description 9
- 239000012535 impurity Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000012628 principal component regression Methods 0.000 description 5
- GWHJZXXIDMPWGX-UHFFFAOYSA-N 1,2,4-trimethylbenzene Chemical compound CC1=CC=C(C)C(C)=C1 GWHJZXXIDMPWGX-UHFFFAOYSA-N 0.000 description 4
- CTQNGGLPUBDAKN-UHFFFAOYSA-N O-Xylene Chemical group CC1=CC=CC=C1C CTQNGGLPUBDAKN-UHFFFAOYSA-N 0.000 description 4
- 238000004821 distillation Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 3
- FYGHSUNMUKGBRK-UHFFFAOYSA-N 1,2,3-trimethylbenzene Chemical compound CC1=CC=CC(C)=C1C FYGHSUNMUKGBRK-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- VSFMZSQMOLEVOM-UHFFFAOYSA-N 5-ethyl-5-methylcyclohexa-1,3-diene Chemical compound CCC1(C)CC=CC=C1 VSFMZSQMOLEVOM-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- AUHZEENZYGFFBQ-UHFFFAOYSA-N mesitylene Substances CC1=CC(C)=CC(C)=C1 AUHZEENZYGFFBQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229940078552 o-xylene Drugs 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Debugging And Monitoring (AREA)
Description
本發明是有關於一種建立自適應性軟體量測之方法，特別是有關於一種利用遞迴回歸演算方法預測工業過程的輸出值之建立自適應性軟體量測之方法。
目前，軟體量測指是一種推論模型，使用軟體技術來估計製程或加工過程中來自於測量機台的製程品質變數。推論模型的建立可以利用不同的數據處理方法例如：主成分迴歸(principle component regression,PCR)、部分最小平方法(partial least squares,PLS)、類神經網路(artificial neural network,ANN)、支援向量機(support vector machines,SVM)、類神經模糊系統(neuro-fuzzy systems,NFS)等等。
一般來說，所有的這些推論模型均利用從製程或加工過程中所收集的數據，在離線情況下所建立的。在實際情況下，這些建模數據並不能覆蓋系統所有的加工實際狀況，當有新的加工實際狀況產生時，需要重新建立系統的推論模型。
遞歸的主成分迴歸/部分最小平方法、基於滾動窗口(Moving Window)的自適應主成分迴歸、指數權重的部分最小平方法和時間延遲的主成分迴歸，這些方法或許可以克服上述部分問題，但
是在這些方法中需要記憶當前操作的一組數據，以往的數據與經驗隨著過程的進行，與模型的不斷更新將會被遺忘且丟失。
美國專利前號案號No.6,546,379說明了一種階式增壓方法(cascade boosting method)來促進預測模型以解決之前所說明的問題和減輕分支問題當應用於決策樹(decision tree)時，然而這個方法由於模型數多可能會導致缺乏細緻的轉移，如此會降低整個的預測模型準確度並可能擾亂使用者在整個預測模型的判斷。
美國專利前號案號No.7,505,949說明了一種製程模型誤差修正方法藉由整合兩個模型來產生多種輸出係數的預測值，這種方法的缺點是它需要很多記憶空間來紀錄製程中的數據因此在線的電腦負擔將會非常的巨大。
美國專利前號案號No.6,243,696說明了一種在線模型利用轉移控制系統來產生預測值，然而這種算法一樣需要過去製程的歷史數據，另一方面當系統執行中它需要檢查變數名稱是否還存在，否則必須修改資料庫中的各種變數。
綜上所述，上述之專利前案其需要之演算暫存空間不是非常巨大，就是無法參考到之前工作製程中所需要的參數，或有效的將預測出來的資料與實際的資料結合，因此，目前十分需要一種可預測工業過程的輸出值並可回歸參考之前或之後輸出值的方法。
本發明揭露了建立自適應性軟體量測之方法，在這個方法中使用
線上學習算法來發展基於局部線性模型網路(local model network,LMN)的軟體量測，需要線上減法聚集法(online subtractive cluster algorithm)來決定分割數目及分割區域，模型的參數則是由遞迴回歸法(Recursive regression algorithm)來求得，只需要保留聚集中心部分(parameter)、共變異矩陣部分(covariance matrix)及主要參數部分。
有鑑於上述習知技術之問題，本發明之目的就是在提供一種建立自適應性軟體量測之方法，以解決於測量工業過程及製程的結果輸出值時，無法有效參考及利用之前及之後之輸出值之問題。
根據本發明之一目的，係提出一種建立自適應性軟體量測之方法。此建立自適應性軟體量測之方法包括下列步驟，利用一線上減法聚集法用調度向量將線上數據分割為複數個局部區間，局部區間用輸入向量架構一推論模型，並用三個準則來更新已存在的局部區間、產生新的局部區間、或者合併最相鄰的局部區間，利用遞迴回歸法更新各局部區間所對應之線性模型，再藉由一權重方法分析各別局部模型，以建立一推論模型。
其中，調度向量係包括一子集合，子集合係為讀取及標準化樣本變數或系統樣本變數所建立。
其中，遞迴回歸法係為一遞迴最小平方根法。
其中，藉由輸入向量以遞迴最小平方根法(Recursive Least Square Algorithm)更新所選擇之局部線性模型(Local linear model)。
其中，局部模型中保留聚集中心、共變異矩陣(covariance matrix)及聚類參數(parameter)部分。
其中，局部模型係為線性模型構成。
其中，權重方法係為計算出局部區間中心與調度向量之距離。
承上所述，本發明之建立自適應性軟體量測之方法，可具有一或多個下述優點：
(1)此建立自適應性軟體量測之方法可利用遞迴回歸法，參考之前的工作過程輸出值，或最近的工作過程輸出值，以更新預測的模型，更能加強預測輸出之準確度，並降低運作系統的線上計算量。
(2)此建立自適應性軟體量測之方法不需耗費大量記憶體建立每一個參數，可經由增加、更新與合併保留對工作過程影響最大之參數。
S11~S15‧‧‧步驟
210‧‧‧分散式控制系統
220‧‧‧預先處理
230‧‧‧線上執行減法聚集法
240‧‧‧即時系統模組
250‧‧‧預測值
260‧‧‧預先處理後的數據資料
270‧‧‧輸入向量分析
280‧‧‧局部線性模型辨識
302‧‧‧輸入向量
304‧‧‧調度向量
306‧‧‧局部線性模型
308‧‧‧調度函數
310‧‧‧局部線性模型
TT1~TT7‧‧‧溫度感測器裝置
1、13、23、31、44、55、56‧‧‧層板
第1圖係為本發明之建立自適應性軟體量測之方法之流程圖；第2圖係為本發明之建立自適應性軟體量測之方法的細部流程圖；第3圖係為本發明之建立自適應性軟體量測之方法的製程預測輸出示意圖；第4圖係為建立自適應性軟體量測之方法之實施例之方法流程圖；第5圖係為本發明之建立自適應性軟體量測之方法之實施例流速
變化圖；第6圖係為本發明之建立自適應性軟體量測之方法之實施例溫度動態變化圖；第7圖係為本發明之建立自適應性軟體量測之方法之實施例局部區間數量變化圖；第8圖係為本發明之建立自適應性軟體量測之方法之實施例局部區間對應數量變化圖；第9圖本發明之建立自適應性軟體量測之方法之實施例實際與預估對照圖；以及第10圖係為本發明之建立自適應性軟體量測之方法之實施例溫度採樣實際與預估對照。
請參閱第1圖，其係為本發明之建立自適應性軟體量測之方法之流程圖。圖中，建立自適應性軟體量測之方法包括下列步驟：(S11)利用一線上減法聚集法(online subtractive cluster algorithm)，以一調度向量將一線上數據分割為複數個局部區間(Local Region)，並將局部區間利用一輸入向量架構一推論模型(Inferential model)；(S12)將線上減法聚集法轉換轉換為一遞迴回歸法(Recursive regression algorithm)；(S13)根據線上減法聚集法，以調度向量的一密度函數，於局部區間中，更新已存在的部分局部區間、增加新的局部區間或合併相鄰的兩個局部區間；
(S14)利用遞迴回歸法根據各別局部區間於該推論模型中，更新為複數個局部線性模型(Local linear model)；以及(S15)藉由權重方法分析各別局部線性模型，以得出預測輸出值，以建立推論模型(Inferential model)。
參照第2圖，其係為本發明之建立自適應性軟體量測之方法的細部流程圖，分散式控制系統(distributed control system,DCS)210收集系統中不同的樣本變數或系統變數為線上數據，例如溫度、流量等其他變數資料，用來構成推論模型中的輸入向量。預先處理(preprocess)220執行不同的預先處理算法，這些變數資料是做為原始數據(raw data)，可以反映輸入和輸出向量的特徵，當推論模型獲得輸入向量時，運行預先處理220可以於輸入向量移除大致相同的變數資料或是移除不合乎常理的變數資料，而使得推論模型建立並最佳化使其更具有代表意義。
請參閱第3圖，其係為本發明之建立自適應性軟體量測之方法的製程預測輸出示意圖。圖中，輸入向量302於公式中以X代表，調度向量(schedule)304於公式中以代表，係為輸入向量的子(sub)集合，並由將由預先處理後的數據資料260所組成。復參閱第2圖，線上執行減法聚集法230轉換轉換為遞迴回歸法來計算當前調度向量304的密度值。
k為時間間隔，，
再提出三種規則分別來歸類目前的調度向量：
第一規則係為增加新的局部線性模型，假設新數據資料與已存在的局部線性模型間有足夠的距離使新數據資料的密度值高於已存在的局部線性模型密度值時，新數據資料將被視為新的局部線性模型IFANDTHENAND
這表示當前的數據資料比已存在的各局部線性模型中心還具有代表性，所以將出現新的操作區間或是新的條件。
第二規則係為更新局部線性模型，假設新的數據資料接近第i th的舊局部線性模型中心，但是新的數據資料高於舊局部線性模型中心的密度值，所以舊局部線性模型中心將會被新數據資料所取代。
IFANDTHENAND
第二規則說明當前的數據資料比舊有的局部線性模型中心點具有
更好的描述評估能力，所以系統的操作區間將被即時更新，若是利用新局部線性模型來描述這種變化時將會導致局部線性模型數目過多，所以利用新數據資料取代舊的局部線性模型中心來解決這問題。
第三規則係為合併最接近之兩局部線性模型，假設兩局部線性模型中心距離夠接近到小於合併臨界值，則兩局部線性模型將會被合併，公式如下式：IFTHEN d 1=min(i,j)，d 2=argmax(P ci (k),P cj (k))，及d 3=max(i,j)。
此第三規則說明當兩局部線性模型夠接近時可以合併成為一個新局部線性模型，利用此可以線上消除多餘的局部線性模型，局部線性模型的配置則能維持相當緊湊。
即時系統模組260中進行局部線性模型辨識系統280提供標準的遞迴最小平方方法(Recursive Least Square,RLS)算法來辨識局部線性模型。當這些局部線性模型中心被合併時，局部線性模型可以藉由依據調度向量的輸入輸出向量來更新，而調度向量則是利用在線減法聚類來歸類，或是藉由下列公式將兩個最接近的局部線性模型合併成一個局部線性模型。
V(k)=[[V i (k)]-1+[V j (k)]-1]-1
復參閱第3圖，調度向量304為輸入向量302的子集合，而局部線性模型306的類型為線性模型並且反應當前的輸入向量區間，調度函數308之ρ為局部驗證函數可以定義如下列公式：
c i 為第i th局部線性模型的中心位置，局部線性模型的權重值可以由下式來計算：
預測輸出值則可以藉由加權局部線性模型310來估計出：
為了更仔細說明建立自適應性軟體量測之方法，我們利用工業界中的鄰二甲苯蒸餾塔為實施例。
請參閱第4圖，其係為建立自適應性軟體量測之方法之實施例之方法流程圖。圖中，並請參閱下列表格，表格中依序為常態操作條件中的進料、塔頂(distillate)組份與塔底(bottom)組份，塔頂流量與塔底流量分別為805.4kmol/h和113.66kmol/h，層塔
(tray-column)直徑為3m，異丙基苯(isopropylbenzene,IPB)在塔頂的不純度不能超過0.5mol%，才能避免汙染下一單元的催化劑，另外量測值有著操作擾動存在會導致平均品質的不確定性，為了改善異丙基苯(IPB)的控制品質，需要異丙基苯不純度的即時估計系統，而圖中所標示之TT1~TT7係為溫度感測器裝置，且依序各別在層板1,13,23,31,44,55和56來監控異丙基苯的不純度及其溫度變化。塔頂流速用來控制層板23與層板1間的溫度差異。當氣相層析儀(gas chromatographs,GC)偵測到在塔頂產品的IPB增加，操作員必須手動增加熱負荷(heat duty)來減少塔頂產品的不純度。
利用工業中標準的動態模擬系統ChemCad來模擬異丙基苯不純度的動態表現，我們使用SRK狀態方程式(Soave Redlich Kwong)當作熱力學模型，進料、產品和塔的規格均相同於工業界中之使用。
請參閱第5圖，其係為本發明之建立自適應性軟體量測之方法之實施例流速變化圖。圖中，說明了四種組成物質的流速變化，分別為Q4、Q7、Q10及Q11。
請參閱第6圖，其係為本發明之建立自適應性軟體量測之方法之實施例溫度動態變化圖，鄰二甲苯Q4的流速和1,2,3-三甲基苯Q11的隨機變化範圍為-10%和+10%之常態穩態值(i.e.,Q4位於區間[7671.76,9376.59]中及Q11位於區間[1598.83,1954.13])。在不同時間區間中給定一階變化(step change)於1-甲基1-3-乙苯Q7和1,2,4-三甲基苯(1,2,4-mesitylene)Q10的流速，而其餘11種的組成則維持在穩態狀態，利用固定階段大小T=1min，則可以從模擬過程中收集到6000組輸入/輸出數據。
蒸餾塔中塔頂到塔底的溫度量測可以被依序記錄為x 1,x 2,x 3,x 4,x 5,x 6,x 7，在實際工業蒸餾塔中氣象層析儀每五分鐘量測一次異丙基苯的不純度，所以局部推論模型可以表示為：
其中Y(k)=-lny(k)為異丙基苯不純度的對數形式，而輸入向量表示為下列公式：X(k)=[1,x 1(5t-1),…x 7(5t-10)] T
調度向量表示為下列公式：
減法聚集法的參數設定為r1=r2=0.21和r3=0.105，調度函數的寬度Si設定為0.3，此外輸入向量、調度向量和輸出向量均被標準化成平均值為0標準差為1。為了計算誤差，異丙基苯不純度的對數形式會被轉換為實際異丙基苯的莫耳分率。
請參閱第7圖，其係為本發明之建立自適應性軟體量測之方法之實施例局部區間數量變化圖。圖中，我們可以得知1-甲基1-3-乙苯Q7和1,2,4-三甲基苯Q10流量的一階變化會導致線上局部區間數目變化，在模擬過程中，局部區間中心移動了47次，最後的局部區間數目增加到5個，在第541次的採樣發生了局部區間合併的事件。
復參閱第8圖，其係為本發明之建立自適應性軟體量測之方法之實施例局部區間對應數量變化圖。圖中，說明在系統執行中的樣本局部區間過程，在時間間隔k=541，局部區間No.3被合併到聚類No.1，而因此消失。並說明在蒸餾塔中的高度非線性關係，我們所提出的法可以有效的追蹤異丙基苯不純度的動態變化。
此外利用預測均方誤差(Mean Square Error of Prediction,MSEP)和預測平均相對誤差(Average Relative Error of Prediction,AREP)來說明實施例的預測準確性，公式如下所式：
如上列所提及，我們建立了基於異丙基苯不純度的採樣速率(每5分鐘)之自適應性軟體量測模型，為了測試此模型的效能，利用所發展的方法來預測中間樣本。
請參閱第9圖，其係為本發明之建立自適應性軟體量測之方法之實施例實際與預估對照圖。圖中，係提供了實際的異丙基苯不純度及預估異丙基苯不純度的比較。
請參閱第10圖，其係為本發明之建立自適應性軟體量測之方法之實施例溫度採樣實際與預估對照圖。圖中之上部分說明了模型可以追蹤到1分鐘的異丙基苯不純度動態變化，此外預測均方誤差為16.9x10-7，稍高於上述第9圖的結果，在樣本區間[3301,3400]的詳細結果說明在圖中之下部分。
利用建立自適應性軟體量測之方法，以新增、更新並合併的方式，減少記錄多餘的數據資料，故不需大量的記憶體空間，即可完成建立自適應性軟體量測之方法之實作，可更有彈性的應用於各種工業過程上。
以上所述僅為舉例性，而非為限制性者。任何未脫離本發明之精神與範疇，而對其進行之等效修改或變更，均應包含於後附之申請專利範圍中。
S11~S15‧‧‧步驟
Claims (6)
- 一種建立自適應性軟體量測之方法，其包括下列步驟：利用一分散式控制系統(DCS)，以採檢一製程；利用一連接至該分散式控制系統以獲得一線上數據之感測器，以記錄過程變數，以建立一推論模型之一輸入向量；利用該分散式控制系統以預先處理該線上數據，以移除大致相同的變數資料，或移除不合乎常理的變數資料，以建立並最佳化該推論模型；利用一線上減法聚集法，以一調度向量，將該線上數據分割為複數個局部區間，其係為該輸入向量之一子(sub)集合，且複數個局部區間組成複數個局部線性模型；建構一線性模型於各局部區間，且根據各該線性模型建構該推論模型；將該線上減法聚集法轉換為一遞迴回歸法；藉由以計算該調度向量之密度值，其中PΦ為該調度向量之密度值，κ為時間間隔，γ為在當前採檢時間κ的該調度向量的協方差，η為過去時間1、2、…κ的該調度向量的改變的協方差，σ為過去時間1、2、…κ的該調度向量的改變的協方差，為調度向量，γ(κ)=Φ(κ)TΦ(κ)，
- 如申請專利範圍第1項所述之建立自適應性軟體量測之方法，其中該子集合係為讀取及標準化樣本變數或系統樣本變數所建立。
- 如申請專利範圍第1項所述建立自適應性軟體量測之方法，其中該遞迴回歸法係為一遞迴最小平方根法。
- 如申請專利範圍第3項所述建立自適應性軟體量測之方法，其中該輸入向量係以該調度向量為分類，並利用該輸入向量以該遞迴最小平方根法更新所選擇之各該局部模型。
- 如申請專利範圍第1項所述建立自適應性軟體量測之方法，其中於各該線性模型間保留聚集中心、共變異矩陣及聚類參數部分。
- 如申請專利範圍第1項所述建立自適應性軟體量測之方法，其中該感測器包含溫度感測器及氣相層析儀。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW099117719A TWI413006B (zh) | 2010-06-01 | 2010-06-01 | 建立自適應性軟體量測之方法 |
| US12/948,182 US8429100B2 (en) | 2010-06-01 | 2010-11-17 | Method for building adaptive soft sensor |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW099117719A TWI413006B (zh) | 2010-06-01 | 2010-06-01 | 建立自適應性軟體量測之方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201145186A TW201145186A (en) | 2011-12-16 |
| TWI413006B true TWI413006B (zh) | 2013-10-21 |
Family
ID=45022906
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW099117719A TWI413006B (zh) | 2010-06-01 | 2010-06-01 | 建立自適應性軟體量測之方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US8429100B2 (zh) |
| TW (1) | TWI413006B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI859708B (zh) * | 2023-01-18 | 2024-10-21 | 緯創資通股份有限公司 | 溫度控制系統及溫度控制方法 |
Families Citing this family (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AT512251B1 (de) * | 2013-02-28 | 2014-08-15 | Avl List Gmbh | Verfahren zum Entwerfen eines nichtlinearen Reglers für nichtlineare Prozesse |
| CN103336107B (zh) * | 2013-05-30 | 2014-05-07 | 中国科学院沈阳自动化研究所 | 一种水泥熟料f-CaO含量软测量方法 |
| CN103440368B (zh) * | 2013-08-12 | 2017-06-13 | 上海交通大学 | 一种多模型动态软测量建模方法 |
| CN104679972A (zh) * | 2013-12-03 | 2015-06-03 | 刘佳霖 | 应用于工厂进行生产制造的验证方法 |
| CN104236615A (zh) * | 2014-10-11 | 2014-12-24 | 广东轻工职业技术学院 | 一种智能传感器自校正方法 |
| CN105425583B (zh) * | 2015-11-05 | 2017-12-12 | 浙江大学 | 基于协同训练lwpls的青霉素生产过程的控制方法 |
| CN107664680B (zh) * | 2016-07-27 | 2020-08-14 | 复凌科技（上海）有限公司 | 一种水质软测量模型的自适应获取方法及装置 |
| CN107290965B (zh) * | 2017-08-01 | 2019-11-08 | 浙江大学 | 基于局部加权贝叶斯网络的自适应软测量预测方法 |
| US11078428B2 (en) * | 2017-08-07 | 2021-08-03 | Saudi Arabian Oil Company | Generating a soft sensor for crude stabilization in the petroleum industry |
| CN108197380B (zh) * | 2017-12-29 | 2021-11-30 | 南京林业大学 | 基于偏最小二乘的高斯过程回归废水出水指标预测方法 |
| CN108563119B (zh) * | 2018-03-26 | 2021-06-15 | 哈尔滨工程大学 | 一种基于模糊支持向量机算法的无人艇运动控制方法 |
| CN108595892A (zh) * | 2018-05-11 | 2018-09-28 | 南京林业大学 | 基于时间差分模型的软测量建模方法 |
| CN109063786A (zh) * | 2018-08-27 | 2018-12-21 | 浙江大学 | 等离子体裂解煤制乙炔反应过程中乙炔浓度的软测量方法 |
| CN109635337B (zh) * | 2018-11-13 | 2021-04-27 | 中国矿业大学 | 一种基于块增量随机配置网络的工业过程软测量建模方法 |
| CN110501154B (zh) * | 2019-09-05 | 2020-12-29 | 国网河北省电力有限公司电力科学研究院 | 一种基于mosvr与箱形图分析的gis设备故障检测与定位方法 |
| CN113849479B (zh) * | 2021-09-07 | 2025-03-25 | 浙江大学 | 基于即时学习和自适应阈值的综合能源供应站油罐泄漏检测方法 |
| CN114239264B (zh) * | 2021-12-13 | 2025-01-14 | 广东石油化工学院 | 基于增量高斯混合回归的原油含水率自适应软测量方法 |
| US12297722B2 (en) | 2022-02-03 | 2025-05-13 | Saudi Arabian Oil Company | Total crude oil demand control from multiple oil stabilizer columns |
| US12462201B2 (en) | 2022-04-12 | 2025-11-04 | International Business Machines Corporation | Dynamically optimizing decision tree inferences |
| WO2024163199A1 (en) | 2023-02-01 | 2024-08-08 | ExxonMobil Technology and Engineering Company | System and method for estimating catalyst trim effectiveness in mixed metallocene catalysts for polymerization processes |
| CN116842108B (zh) * | 2023-06-15 | 2025-12-26 | 中国建设银行股份有限公司 | 数据模型生成方法、装置及终端设备 |
| WO2025221326A1 (en) | 2024-04-17 | 2025-10-23 | ExxonMobil Technology and Engineering Company | Systems and methods for dual-trimming catalysts for polymerization processes |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6243696B1 (en) * | 1992-11-24 | 2001-06-05 | Pavilion Technologies, Inc. | Automated method for building a model |
| US6546379B1 (en) * | 1999-10-26 | 2003-04-08 | International Business Machines Corporation | Cascade boosting of predictive models |
| US7505949B2 (en) * | 2006-01-31 | 2009-03-17 | Caterpillar Inc. | Process model error correction method and system |
| US20100036780A1 (en) * | 2006-11-01 | 2010-02-11 | The University Of Lancaster | Machine learning |
-
2010
- 2010-06-01 TW TW099117719A patent/TWI413006B/zh not_active IP Right Cessation
- 2010-11-17 US US12/948,182 patent/US8429100B2/en not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6243696B1 (en) * | 1992-11-24 | 2001-06-05 | Pavilion Technologies, Inc. | Automated method for building a model |
| US6546379B1 (en) * | 1999-10-26 | 2003-04-08 | International Business Machines Corporation | Cascade boosting of predictive models |
| US7505949B2 (en) * | 2006-01-31 | 2009-03-17 | Caterpillar Inc. | Process model error correction method and system |
| US20100036780A1 (en) * | 2006-11-01 | 2010-02-11 | The University Of Lancaster | Machine learning |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI859708B (zh) * | 2023-01-18 | 2024-10-21 | 緯創資通股份有限公司 | 溫度控制系統及溫度控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US8429100B2 (en) | 2013-04-23 |
| TW201145186A (en) | 2011-12-16 |
| US20110295777A1 (en) | 2011-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI413006B (zh) | 建立自適應性軟體量測之方法 | |
| CN109886430B (zh) | 一种基于工业大数据的设备健康状态评估与预测方法 | |
| Ge | Review on data-driven modeling and monitoring for plant-wide industrial processes | |
| JP6817426B2 (ja) | マシンラーニング基盤の半導体製造の収率予測システム及び方法 | |
| Jeong et al. | Supervised weighting-online learning algorithm for short-term traffic flow prediction | |
| CN119231485A (zh) | 一种多时间尺度的负荷功率预测方法及系统 | |
| CN111754024B (zh) | 一种基于回归分析的电力行业时间序列的预测方法和系统 | |
| CN101408769B (zh) | 一种基于乘积arima模型的在线能源预测系统及方法 | |
| CN109472110A (zh) | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 | |
| US10810508B1 (en) | Methods and apparatus for classifying and discovering historical and future operational states based on Boolean and numerical sensor data | |
| KR20180056900A (ko) | 프로세스마이닝을 이용한 공정 관리 방법 | |
| Groba et al. | Architecture of a predictive maintenance framework | |
| JP2013175108A (ja) | クラスタリング装置及びクラスタリングプログラム | |
| JP7081728B1 (ja) | 運転支援装置、運転支援方法及びプログラム | |
| CN108241901A (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
| CN119758840B (zh) | 工业机器人集群运行状态智能监测与预测维护系统 | |
| KR20180131246A (ko) | 빅데이터 분석을 통한 공정 관리 방법 | |
| JP6201556B2 (ja) | 予測モデル学習装置、予測モデル学習方法およびコンピュータプログラム | |
| JP2019016039A (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
| WO2017071369A1 (zh) | 一种预测用户离网的方法和设备 | |
| CN119273068A (zh) | 一种智能排程与派单管理的方法及系统 | |
| CN118608162A (zh) | 一种基于lstm网络模型的碳核算过程因子修正系统 | |
| CN117923331B (zh) | 一种基于吊车吊装的负荷控制系统及方法 | |
| CN120744786A (zh) | 一种便于操作的液化天然气的自动取样方法 | |
| CN120146468A (zh) | 一种基于大数据的物业智能管理调配方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | Annulment or lapse of patent due to non-payment of fees |