|
本研究課題では、プロセス制御監視システムによって蓄積された時々刻々変化する時系列データを利用しディープラーニング技術を応用した実プロセスで利用可能なオペレータ支援機能を実現した。正常時の複数の時系列データを入力情報とし、時系列データの将来の挙動を予測するモデルを開発し、熟練オペレータに対するポカミス防止、新人オペレータに対するプロセス知識における気づきを与えるオペレータ支援機能を実現した。膨大な正常時のプロセス時系列データを利用してディープラーニングによってモデルを構築する方法を提案し自動的にシステムを構築するカスタマイズレスなシステム構築手法を実現した。
本年度は、実際の化学プロセスの複数のセンサデータを予測する新しいディープラーニングモデルを提案した。化学プロセスの制御のために実際に監視しているセンサデータ間の複雑な関連を学習するモデルである。センサデータはノイズが多く、センサ間の遅延も存在し、予測結果に大きな影響を与える。本モデルでは、まず、ウェーブレット変換を適用してノイズを除去し、相関係数を用いてセンサ間の遅延を除去し、最終的に相関係数を用いて適切なセンサデータを選択してデータセットを形成する前処理を実施した。そして、センサデータの正常値予測を実施するモデルを利用して将来の挙動を予測した。このモデルでは、関連するセンサデータ間の依存関係の長さが混在する場合に対応できるようにした。本提案モデルの評価のためには、実際の化学プラントのデータを利用し、約400個のセンサデータから関連がある20個のデータを抽出し、そのデータを利用してモデルの学習を行った。評価では、先行研究であるGRU（Gated Recurrent Unit）、LSTNetと比較を行い、優れた結果を導出していることを確認した。
|
