2014 Fiscal Year Annual Research Report
安定的で効率的な推定制御のための適応型非線型回帰分析手法の開発
| Project/Area Number |
24760629
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
金子 弘昌 東京大学, 工学(系)研究科(研究院), 助教 (00625171)
|
|---|
| Project Period (FY) |
2012-04-01 – 2015-03-31
|
| Keywords | プロセス管理 / ソフトセンサー / モデルの劣化 / 適応型モデル / サポートベクター回帰 / アンサンブル学習 / ベイズの定理 / 予測誤差 |
|---|
| Outline of Annual Research Achievements |
化学プラントにおいては、測定困難なプロセス変数を推定する手法としてソフトセンサーが広く用いられている。ソフトセンサーとは、オンラインで測定可能な変数と測定困難な変数yの間で数値モデルを構築し、yの値を予測する方法である。yの実測値の代わりに予測値を用いることで、迅速かつ連続的な制御が達成される。しかしソフトセンサーはプラント状態の変化によって予測精度が劣化してしまう。
前年度に複数のsupport vector regression (SVR) モデルを用いてアンサンブル予測する手法を開発した。複数のSVRモデルからyの予測値が出力され、ベイズの定理を活用して各SVRモデルの予測性能に基づいて重み付け平均したものが最終的な予測値となる。本手法によりソフトセンサーの予測精度の向上を達成した。
しかし実際は誤差なく予測するソフトセンサーは存在せずプラントの状態ごとに予測誤差が存在する。プラントの安定運転中はソフトセンサー予測値を信頼でき予測誤差も小さいが、プラントのダイナミックな変動中は予測誤差も大きくなってしまう。この予測誤差を考慮してソフトセンサーを運用しない限り、ソフトセンサー予測値を用いた自動的かつ迅速なプロセス制御は達成されない。そこで、複数のSVRモデルから得られるyの予測値のばらつきを指標にして予測誤差を推定する手法を開発した。開発されたソフトセンサーの有用性は実際の産業プラントの運転データを使用した解析により実証された。
SVRモデルを更新してモデルの精度を高く維持するために前年度に提案したデータベース管理のための指標database monitoring index(DMI)について、事前に決定すべきパラメータを自動的に最適化する方法を開発した。類似したデータを削除しながらSVRモデルを構築し、そのモデルの予測性能を検証することで、初期データベースおよびDMIの閾値を最適化することが可能となった。
|
Research Products
(15 results)
