化学プロセスの状態の認識支援システム

1.まず、センサーデータの時系列の一例として、多孔板塔の各段の圧力損失信号を取り上げた。圧力損失信号の確率モデルとしてARMAモデルを採用し、バブリング領域および均一泡末層領域のそれぞれについて時系列データを数種類作成した。2.次に、これらのデータについて、FFTを用いたパワースペクトルを求め、流動領域とパワースペクトルとの間に何らかの関係があることを観察により確認した。3.領域の自動分類ができるように、教師無しのニューラルネットワークであるART2を用意し、スペクトルデータを与えて自動分類を試みた。4.その結果、調整パラメータであるvigilance parameter ρを調整することで、人間の行っている分類と一致する結果が容易に得られることを確認した。その場合、ニューラルネットワークで得られた各クラスに対して、容易にラベル付けができ、センサーパターンとプロセス状態との対応付けができたことになる。5.他の流動状態のデータを用いたさらに詳細な検討と、ネットワークの知識をルールとして抽出する方法については、今後の課題である。なお、この研究成果の発表については、現在準備中である。

1.まず、センサーデータの時系列の一例として、多孔板塔の各段の圧力損失信号を取り上げた。圧力損失信号の確率モデルとしてARMAモデルを採用し、バブリング領域および均一泡末層領域のそれぞれについて時系列データを数種類作成した。2.次に、これらのデータについて、FFTを用いたパワースペクトルを求め、流動領域とパワースペクトルとの間に何らかの関係があることを観察により確認した。3.領域の自動分類ができるように、教師無しのニューラルネットワークであるART2を用意し、スペクトルデータを与えて自動分類を試みた。4.その結果、調整パラメータであるvigilance parameter ρを調整することで、人間の行っている分類と一致する結果が容易に得られることを確認した。その場合、ニューラルネットワークで得られた各クラスに対して、容易にラベル付けができ、センサーパターンとプロセス状態との対応付けができたことになる。5.他の流動状態のデータを用いたさらに詳細な検討と、ネットワークの知識をルールとして抽出する方法については、今後の課題である。なお、この研究成果の発表については、現在準備中である。