诊断装置的制作方法

1.本发明涉及处理器的诊断及其控制。该处理器例如是水处理设备、造纸机等。


背景技术：

2.如今，机器学习算法与系统一起使用，这些系统分析和估计造纸机或水处理等处理的行为。处理通常是多变量处理，因此它们很难跟踪或理解。机器学习为系统提供了自动学习的能力，并提供了在没有明确编程的情况下从经验中改进的能力。因此，计算机系统使用机器学习(ml)实用算法和统计模型来执行特定任务或(多个)任务，而无需使用明确的指令。存在几种ml算法。这里只提到了其中的一些：线性回归、逻辑回归、k-means、前馈神经网络等。
3.ml算法结果的推理通常难以解释，尤其是从复杂的处理中。因此，解释值用于帮助用户解释结果。所以，解释值用于解释ml算法如何得出特定结果，也用于对处理的工作方式进行分类。通过使用例如shap(夏普利加法解释)值、lime方法或deeplift方法来获得解释值。
4.图1示出了已知控制装置的实例，其中处理1由致动器2驱动，致动器2由控制器3控制。测量值4是从该处理中获取的，它们用作控制器的反馈数据。控制器将测量值与一个或多个设定点值5进行比较，并为致动器形成控制命令。
5.测量4也可以用于其他目的，在这种情况下，在实际使用之前对测量数据进行预处理6是方便的。例如，预处理可以包括数据合并、对齐时间格式、修改元数据、数据验证等。在图1的实例中，机器学习(ml)7用于提取大型数据集中的信息和模式。匹配学习算法通常基于统计模型，计算机可以在没有确切指令的情况下执行特定任务，而是依赖于识别模式。可以通过基于训练数据集建立数学模型来获得识别的模式。可以通过将新数据输入数学模型来进行预测(模拟)和模式识别。
6.因为难以从ml的输出(预测/模拟)中看出过程中发生了什么，所以图1的实施方式中的解释值8、shap值用于跟踪ml预测如何链接回输入变量。对于每个预测，都会为每个输入变量计算评级数，以表明该变量对最终预测的贡献。这些评级数可以看作是解释值，指示输入值在给定时间点的重要性。
7.解释值用于验证ml算法和ml模型如何工作9。这可以从解释值比从ml预测更容易地完成。因此，如果ml模型不能正常工作，可以对其进行更改。
8.ml值在预测单元10中用于预测处理的行为。预测可用于向处理1提供推荐12。预测还可用于建议修正11以改变控制器3的设定点5。
9.虽然使用了ml值，但没有装置，它也可以以自动方式利用其他数据。


技术实现要素：

10.本发明的目的在于提供一种诊断装置，其利用预处理测量数据、ml值和解释值。通过使用所有这些值/数据，可以分析处理的现象、事件和行为，从而可以考虑到许多方面。这
可以自动完成。该目的以独立权利要求中描述的方式实现。从属权利要求说明了本发明的不同实施方式。
11.用于多变量处理的创造性诊断装置包括数据处理模块6，以便处理多变量处理的测量数据并执行预处理测量数据6a。该装置还包括机器学习模块7，以便从预处理测量数据6a执行机器学习值7a。诊断装置还包括用于从机器学习值7a形成解释值8a的解释值模块8和偏差计算模块14。偏差计算模块被布置为计算解释值8a和正常解释值8n之间的偏差8d、机器学习值7a和正常机器学习值7n之间的偏差7d、以及预处理测量数据6a和正常预处理测量数据6n之间的偏差6d。诊断装置进一步包括至少一个估计器15，每个估计器被布置为利用所述偏差6d、7d、8d跟踪多变量处理的特定干扰条件，并形成对干扰条件的严重程度的估计33。
附图说明
12.在下文中，通过参考附图更详细地描述本发明，其中
13.图1图示了现有技术装置的实例，
14.图2图示了根据本发明的诊断装置的实例，
15.图3图示了根据本发明的估计器的实例，
16.图4图示了根据本发明的估计器的另一实例，
17.图5图示了le或模糊映射的实例，以及
18.图6图示了le或模糊映射的其他实例。
具体实施方式
19.图2图示了用于多变量处理1的创造性诊断装置的实例。该处理可以包括多个处理，因此作为整体它可以是一起运行的处理的组合。它包括数据处理模块6，以便处理多变量处理的测量数据并执行预处理测量数据6a。该装置还包括机器学习模块7，以便从预处理测量数据6a执行机器学习值7a。诊断装置还包括用于从机器学习值7a形成解释值8a的解释值模块8，以及偏差计算模块14。偏差计算模块被布置用于计算解释值8a和正常解释值8n之间的偏差8d、机器学习值7a和正常机器学习值7n之间的偏差7d、以及预处理测量数据6a和正常预处理测量数据6n之间的偏差6d。偏差计算模块可以具有若干模块来进行所述计算，例如用于计算解释值8a和正常解释值8n之间的偏差8d的模块。偏差计算模块14也可以是分布式模块，具有进行计算的独立模块。
20.诊断装置还包括至少一个估计器15，每个估计器被布置成利用所述偏差6d、7d、8d跟踪多变量处理的特定干扰或特定质量条件，并形成对干扰条件的严重程度的估计33。例如，在造纸中，可以布置一个估算器来跟踪细颗粒的保留，而另一个估算器可以跟踪施胶性能。每个估计器15的输出15a可以原样使用或与其他估计器的输出一起使用，以提供推荐和/或指导命令16，例如改变控制器3的设定点的命令、改变原材料的推荐处理1、改进水洗的推荐、优化保留的推荐、指示处理或子处理健康状况的质量指标等。这些推荐能够因所讨论的处理而异。每个估计器的输出15a可以单独使用或与其他估计器的输出一起使用，用于控制、优化多变量处理或排除多变量处理的故障。控制和/或优化可以包括控制化学品的投加量、化学品的投加点、化学品的投加间隔、在处理中使用的化学品类型的选择和处理条件
中的一种或多种，例如ph、温度、处理流的流速。
21.机器学习的解释值和机器学习的正常解释值例如是shap值、来自lime方法的值、来自deeplift方法的值或任何其他可能的解释值。
22.lime方法解释单个模型预测，这些预测基于给定预测周围的模型的局部近似。lime将简化输入x称为可解释输入。映射x＝hx(x)将可解释输入的二进制向量转换为原始输入空间。不同类型的hx映射用于不同的输入空间。
23.deeplift是一种递归预测解释方法。它为每个输入xi赋予值cδxiδy，该值表示该输入设置为参考值而不是其原始值的效果。这意味着deeplift映射x＝hx(x)将二进制值转换为原始输入，其中1表示输入取其原始值，0表示取参考值。参考值代表特征的典型无信息背景值。
24.shap(shapleyadditive explanation)解释值将每个特征归结为对该特征进行调节时预期模型预测的变化。这些值解释了如果我们不知道当前输出f(x)的任何特征，如何从基值中获得将要预测的期望值e[f(z)]。在期望值中添加特征的顺序很重要。但是，这已在shap值中被考虑在内。
[0025]
图2还示出(也与图1一样)由致动器2驱动的处理1，该致动器由控制器3控制。测量值4是从处理中获取的，并且控制器将测量值与一个或多个设定点值进行比较，以及为致动器2形成控制命令3a。
[0026]
如已经描述的，测量值4也可以用于其他目的，并且可以被预处理6。例如，预处理可以包括数据合并、对齐时间格式、修改元数据、数据验证等。在图2的实例中，机器学习7用于提取大型数据集中的信息和模式。可以通过基于训练数据集建立数学模型来获得识别的模式。可以通过将新数据输入数学模型来进行预测(模拟)和模式识别。
[0027]
解释值8与shap值一样，通常用于跟踪9ml值如何链接回至输入变量。对于每个预测，都会为每个输入变量计算评级数，以表明该变量对最终预测的贡献。这些评级数是表示输入值在给定时间点的重要程度的解释值。
[0028]
可以注意到，计算正常解释值与当前ml预测/估计解释值之间的偏差/误差，和正常ml值与ml值之间的偏差，以及正常(预处理的)测量数据和预处理测量数据。正常解释值可以是从处理的良好运行周期中找到的存储库值。因此，机器学习的正常解释值8n、正常机器学习值7n和正常预处理测量数据6n是已经从处理的良好运行周期导出的值/数据13a。例如，可以将正常值导出为这些良好时期的简单值或中间值。处理的正常运行发生在处理或组合处理运行良好的时间段内。因此，对于所有数据(预处理、ml预测和ml解释值)，可以(从存储值)给出或估计正常(最佳)值。因此，可以存在正常历史值的库，其中已确定处理以最佳方式运行。
[0029]
因此，在单个或组合处理未最佳运行的操作期间，从测量值、ml值和解释值中检测到差异、偏差或错误。这被检测为偏离正常值。与正常值6n、7n、8n的差6d、7d、8d(见图3)用作估计器15的输入。尽管偏差计算模块14被示出为单独的模块，但它也有可能属于估计器15的一部分。通常，偏差与误差有关。误差的大小表示需要更改设定点值或对设定点值应更改多少。
[0030]
图3示出了估计器15的实例，它使用偏差/误差6d、7d、8d。图3的实例示出了三个变量的三个误差值，但如图所示，如果需要，可以使用更多变量和偏差值。因此，测量数据6a的
至少一个误差/偏差值6d、ml值7a的至少一个误差/偏差值7d和解释值8a的至少一个误差/偏差值8d可用于本发明的估计器中。
[0031]
估计器15包括至少一个p模块17、17a、17c和i模块18、18a、18c或d模块19、19a，或这些模块的任何组合。如前所述，偏差是输入到模块中的数据。估计器还包括针对模块的每个输出23、24、25、23a、24a、25a、23c、24c的输入映射模块20、21、22、20a、21a、22a、20c、21c。此外，估计器包括求和模块26，用于对输入映射模块20、21、22、20a、21a、22a、20c、21c的输出27、28、29、27a、28a、29a、27c、28c求和，以及输出缩放模块30，用于缩放求和模块的输出31。此外，估计器包括输出映射模块32以便提供归一化输出33。归一化输出是估计值，如上所述，其用于推荐等。
[0032]
p、i和d模块17、17a、17c、18、18a、18c、19、19a及其组合pi、pd、id和pid是已知的，但之前未将解释值或ml值的偏差/误差用作输入。p模块17、17a、17c具有加权系数，其与输入误差值相乘。i模块包括积分器单元118、118a、118c，其对特定周期的输入误差值进行积分。积分的输入误差值乘以第二加权系数180、180a、180c。d-模块包括微分器单元119、119a，其形成特定周期期间的误差值的导数。导数乘以第三加权系数190、190a。可以看出，所有的p、i和d模块及其组合都有一个加权系数单元。这些单元可以具有相同的加权系数或不同的加权系数。加权系数可以对误差值的比例(p)、积分(i)和微分(d)部分的重要程度进行加权，还可以通过增加或减少每个单项输入计算的贡献来调整或微调估计。
[0033]
并不总是需要具有所有p、i和d模块，但如前所述，如果它们真的被使用，它们可以在估计器中。在图3的实施方式中，p、i和d模块一起提供用于解释误差值8d和ml误差值7d的pid计算以及用于测量数据的误差6d的pi计算。
[0034]
因此，根据本发明的估计器包括被布置成处理解释值8a和正常解释值8n之间的偏差8d的至少一个模块，被布置成处理机器学习值7a和正常解释值之间的偏差7d机器学习值7n的至少一个模块，以及被布置成处理预处理测量数据6a和正常预处理测量数据6n之间的偏差6d的至少一个模块。估计器使用的输入(偏差)数量也可能不同。例如，估计器可以仅使用测量数据的一个偏差，四个不同ml值的四个偏差，以及两个不同解释值的两个偏差。
[0035]
图4示出了另一可能的实例，其中不需要d模块，因此该实例的估计器具有pi计算。如上所述，估计器可以仅具有设定点控制器的实施方式的p、i、d、pi、pd、id或pid计算所需的那些模块。还值得一提的是，估计器可以对不同的误差值进行不同的计算。例如，图3的实施方式可以修改为另一方案，对误差值8d进行pid计算，对另一误差值7d进行p计算(即i模块18a和d模块19a已被删除)。
[0036]
如上所述，设定点估计器还包括p、i和d模块的每个输出23、24、25、23a、24a、25a、23c、24c的输入映射模块20、21、22、20a、21a、22a、20c、21c。参见图3。输入映射将p、i或d模块的每个输出的结果转换为介于-2和2之间的值。这可以看作是值的归一化。输入映射由语言等式(le)或模糊逻辑形成。通过使用输入映射可以方便地考虑非线性。估计器的调整也相对平滑，因为在输入映射中考虑了处理的属性。估计器的映射模块可以单独使用任何映射曲线。例如，在图3中，模块20和20a可以由le形成，或者一个模块20已经由le形成，而另一模块20a由模糊逻辑形成。
[0037]
图5示出了映射曲线50的示例，它由语言等式或模糊逻辑形成。x是输入变量，它被转换为输出变量y。x和y的最大值和最小值被确定。线性公式(如y＝ax b)确定x之间的y值
出现在最大值和最小值之间。如果x大于最大x值，则y为最大y。如果x小于最小x值，则y为最小y。
[0038]
映射曲线也可以是线性曲线之外的另一曲线。它可以是与处理的特征匹配得更好的另一曲线。图6示出了映射曲线的另外两个可能实例。实线描述分段线性映射曲线60，虚线描述s曲线映射61。其他曲线也是可能的。因此，参考图3，映射模块可以单独使用任何映射曲线。例如，模块20和20a可以具有相同的映射曲线，如线性曲线，或不同的曲线，如不同的线性曲线，或分段线性曲线和s曲线。
[0039]
输入映射模块20、21、22、20a、21a、22a、20c、21c的输出27、28、29、27a、28a、29a、27c、28c在求和模块26中求和。因此，所有偏差/误差值都被考虑在内。然后，输出缩放模块30对和输出31进行缩放，并且输出映射模块32对缩放后的和进行归一化以提供归一化输出33，即估计器输出。
[0040]
此外，一个估计器的输出可以与测量、ml预测和性能值(例如shap)的任何组合一起用作另一个估计器的输入，这在估计器之间提供级联连接。
[0041]
本发明的用于在多变量处理中形成对干扰条件或质量条件的严重程度的估计的方法利用本文中描述的用于形成对干扰条件或质量条件的严重程度的估计的诊断装置。该方法使用干扰条件或质量条件的严重性的估计来在多变量处理中提供推荐和/或指导命令以控制和/或优化多变量处理。控制和/或优化可以包括对以下一项或多项的控制：化学品的投加量、化学品的投加点、化学品的投加间隔、处理中使用的化学品类型的选择、处理条件，如ph值、温度、处理流的流速和处理流延迟，诸如在塔、罐、碎浆机、池子或其他处理设备的处理设备中的诸如纸浆、碎浆或水流延迟。
[0042]
本发明的方法可以控制工业处理，例如多变量处理，工业处理例如是纸浆处理、造纸、纸板制造或薄纸制造处理、工业水或废水处理过程、原水处理过程、水再利用处理、市政水或废水处理过程、污泥处理过程、采矿处理、石油回收处理或任何其他工业处理。
[0043]
如上所述，本发明提供了一种自动方式来提供用于分析处理1的估计器。例如，该处理可以是水处理过程或造纸处理。处理可以是工业处理，例如：纸浆处理、造纸、纸板制造或薄纸制造处理、工业水或废水处理过程、原水处理过程、水再利用处理、市政水或废水处理过程、污泥处理过程、采矿处理、石油回收处理或任何其他工业处理。该处理通常是多变量处理，因此需要进行大量测量。为了了解ml算法如何达到预测值，形成解释值以评估输入参数。还具有表明处理运行良好的正常测量数据、ml值和解释值，可以形成值/数据的偏差/误差值，并且可以将它们用于分析目的。
[0044]
本发明的装置可以位于与所跟踪的处理相同的位置。但是，它也有可能位于另一地方，这使得远程跟踪该处理成为可能。例如，测量数据4通过通信网络发送至本发明的诊断装置，该诊断装置处理测量数据并发送估计器输出，其可以用于调整该处理。估算器的输出可以发送至处理的所有者、处理的维护中心或任何所需的目的地。
[0045]
从以上明显看出，本发明不限于本文中描述的实施方式，而是可以在独立权利要求的范围内利用许多其他不同的实施方式来实施。