[发明专利]工序监视诊断装置

说明书

技术领域

本发明的实施方式涉及工序监视诊断装置。

背景技术

在下水处理工序、污泥消化工序、净水工序、供配水工序等水处理/水运用工序、石油化学工序、或者半导体制造工序等工序的运转管理中，谋求在实现工序的规定目标性能的基础上还能够实现与节能、节约成本相关的运用。

这里，作为规定目标性能的例子，在下水处理工序中能够举出排放水质基准的遵守，在污泥消化工序中能够举出生成能(甲烷、氢等)的稳定的产生，在净水工序中能够举出基于消毒、殺菌等的供配水水质基准的遵守，在石油化学工序中能够举出石油等精制产品成品率的规定目标值的达成，在半导体制造工序中能够举出半导体产品成品率的规定目标值的达成等。

并且，作为节能、节约成本运用的例子，在下水处理工序中能够举出鼓风机、泵的驱动电力、药品注入量的削减，在污泥消化工序中能够举出生成能效率的最大化，在净水工序中能够举出药品注入量的最小化，在石油化学工序、半导体制造工序中能够举出成品率的最大化等。

为此，运转管理上的要点在于：监视与目标性能相关的工序的状态以免陷入无法实现规定目标的状态，快速检测阻碍规定目标的实现那样的状态变化、异常状态而预先采取对策。并且，为了在以规定目标的实现作为制约的基础上进行与节能、节约成本相关的运用，需要将与目标性能、节能、节约成本相关的工序状态始终保持在良好的状态，快速检测欲从良好的状态脱离的工序状态变化。

作为诊断这样的工序的状态变化、异常的方法，公知有主要在石油化学工序的领域中发展起来的被称为“多变量统计解析手法”的多变量统计的工序监视(MSPC:Multi-Variate Statistical Process Control)的方法。作为在MSPC中最常利用的手法，公知有主成分分析(PCA:Principal Component Analysis)和潜在变量投影法/偏最小二乘法(PLS:Projection to LatentStructure/Partial Least Square)。

PCA和PLS这两个代表手法的共通点(类似点)和不同点主要为以下两点。

共通点：从多个计测数据利用工序数据间的相关信息生成多个概要统计量的时间序列数据，利用所生成的少数统计量数据检测工序状态的变化，随后推定称为其因素的变量。在PCA中、PLS中，概要统计量的生成方法的考虑方法是共通的，大多生成相关强的数据集合(数据的部分空间)，并使用该部分空间内的数据的分布指标即被称为T2统计量的统计量、和从该部分空间的偏离指标即被称为Q统计量的统计量。

不同点：在PCA中，将用于构建监视诊断模型的监视项目(变量)全部以同等地位对待，并不区分说明变量(输入)和结果变量(输出)，但在PLS中区分说明变量(输入)和结果变量(输出)。

即，虽然使用了PCA的诊断手法和使用了PLS的诊断手法是相互类似的诊断手法，但根据是否区分输入输出而分开使用。例如，在半导体工序、石油化学工序等的生产线中，欲诊断最终的产品品质(结果变量/输出)的优劣(≈正常/异常)，但在难以在线计测该产品品质的情况下、或尽管能够计测但其可靠性低的情况下，多使用PLS、与此关联的PCR(主成分回归)等进行诊断。

特别是，在多个说明变量/输入彼此的相关弱而相互的独立性高的情况下，有时使用经典的MLR(多元回归分析)。另一方面，当欲以通用的方式检测、诊断在工厂可能产生的各种异常状态的情况下，主要使用PCA。

例如，在上下水处理工序中，会产生如下的各种异常：传感器漂移，传感器故障、传感器维护，泵、鼓风机、阀等设备的老化，泵、鼓风机、阀等设备的异常停止(也包括因误操作而导致的停止)，流入水质、取水水质的异常，毒物朝流入水、取水的混入，排放水质、供给水质的异常，工序的各种处理异常，各种控制系统的异常，等等，但是，能够以通用的方式检测上述异常，并在辨别属于哪种类型的异常时使用基于PCA的诊断。

现有技术文献

专利文献

专利文献1：日本特开平7－068905号公报

专利文献2：日本特开2003－096467号公报

专利文献3：日本特开2005－249816号公报

非专利文献

非专利文献1：Mia Hubert,Peter J.Rousseeuw,Karlien V,“ROBPCA:a New Approach to Robust Principal Component Analysis(2005)”Technometrics