特許 6751021 確率的因子を用いる動的プロセスの人工知能モデルに基づいた制御のための方法およびシステム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6751021

(24)【登録日】2020年8月17日

(45)【発行日】2020年9月2日

(54)【発明の名称】確率的因子を用いる動的プロセスの人工知能モデルに基づいた制御のための方法およびシステム

(51)【国際特許分類】

   G05B 13/04 20060101AFI20200824BHJP

【ＦＩ】

   G05B13/04

【請求項の数】15

【全頁数】44

(21)【出願番号】特願2016-534115(P2016-534115)

(86)(22)【出願日】2014年11月27日

(65)【公表番号】特表2016-538645(P2016-538645A)

(43)【公表日】2016年12月8日

(86)【国際出願番号】CA2014051139

(87)【国際公開番号】WO2015077890

(87)【国際公開日】20150604

【審査請求日】2017年11月21日

(31)【優先権主張番号】14/092,803

(32)【優先日】2013年11月27日

(33)【優先権主張国】US

(31)【優先権主張番号】2,835,505

(32)【優先日】2013年11月27日

(33)【優先権主張国】CA

(73)【特許権者】

【識別番号】516151173

【氏名又は名称】アデプト エーアイ システムズ インコーポレーテッド

(74)【代理人】

【識別番号】100089923

【弁理士】

【氏名又は名称】福田 秀幸

(72)【発明者】

【氏名】ワトソン，ジェフ

【審査官】 山村 秀政

(56)【参考文献】

【文献】 特開２０００−１４８２０９（ＪＰ，Ａ）

【文献】 米国特許出願公開第２０１０／０２２８３９８（ＵＳ，Ａ１）

【文献】 特開平０４−１２７２０５（ＪＰ，Ａ）

【文献】 米国特許第０７７９７０６２（ＵＳ，Ｂ２）

【文献】 特表２０１１−５１１３７４（ＪＰ，Ａ）

【文献】 米国特許第０５５６６０９２（ＵＳ，Ａ）

【文献】 特表２０１１−５０７１２５（ＪＰ，Ａ）

【文献】 米国特許第０７７２０７７９（ＵＳ，Ｂ１）

【文献】 米国特許出願公開第２０１２／０３０４００７（ＵＳ，Ａ１）

【文献】 特開２００３−００５８２２（ＪＰ，Ａ）

【文献】 特開２００３−３１６４３４（ＪＰ，Ａ）

【文献】 特開２００９−０６４１０１（ＪＰ，Ａ）

【文献】 特開２００９−２８２７５０（ＪＰ，Ａ）

【文献】 特開平０６−１２３６４２（ＪＰ，Ａ）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ０５Ｂ １３／０４

(57)【特許請求の範囲】

【請求項1】

少なくとも１つの装置のプロセスを制御する方法であって、
前記プロセスから生成されるリアルタイム・プロセス・データを受信するステップと、
前記リアルタイム・プロセス・データを処理し、前記処理されたデータを、正常な運転からのあらゆる逸脱を確立するために前記プロセスのプロセス・モデルの、少なくとも１つの参照と比較するステップと
を含み、
リアルタイムにおいて、さらに、
状況エージェントにおいて、前記逸脱の発生源、および前記逸脱の複数の起こり得る原因を分類するステップと、
監督マネージャにおいて、前記逸脱の因果関係に関する診断エージェントの作動に優先順位を付けるステップと、
前記診断エージェントを作動させるステップと、
前記診断エージェントの結果を前記監督マネージャに伝達するステップと、
前記逸脱の発生源が前記プロセス・モデルである場合に、前記監督マネージャの命令の下で、前記診断エージェントの結果に基づいて、前記プロセス・モデルを修正するステップと、
少なくとも１つの装置の前記プロセスを制御するように、危険性を評価し、かつ前記プロセスに対する少なくとも１つの制御措置を推奨及び開始するために、前記監督マネージャの命令の下で、制御エージェントにおいて、前記修正されたプロセス・モデルを適用するステップと
を実施することを特徴とする方法。

【請求項2】

前記診断エージェントの作動に優先順位を付けるステップが、
既知のパターンに確率的マッチを実施するためにパターン・マッチングすることと、
前記診断エージェントのうちのどれが最初に作動されるかを分類することと
をさらに含む、請求項１に記載の方法。

【請求項3】

前記監督マネージャは、前記診断エージェントの出力に基づいて、モデル調整エージェントを始動する
請求項１又は２に記載の方法。

【請求項4】

モデル調整エージェントは、前記逸脱への可能性のある寄与を特定および定量化するために、前記プロセス・モデルにより、数値法または反復法を開始および優先順位付けする
請求項３に記載の方法。

【請求項5】

少なくとも１つの前記エージェントが、確率的グラフィカル・ネットワークを採用する、
請求項１〜４のいずれか一項に記載の方法。

【請求項6】

前記プロセス・モデルを修正するステップの後に、
前記リアルタイム・プロセス・データを再度処理し、前記再度処理されたデータを、正常な運転からのあらゆる逸脱を確立するために前記プロセスのプロセス・モデルの参照の少なくとも１つと比較するステップと
前記状況エージェントにおいて、前記逸脱の発生源、および前記逸脱の複数の起こり得る原因を分類するステップと、
前記監督マネージャにおいて、前記逸脱の因果関係に関する追加の診断エージェントの作動に優先順位を付けるステップと、
前記追加の診断エージェントを作動させるステップと、
前記追加の診断エージェントの結果を前記監督マネージャに伝達するステップと、
前記逸脱の発生源が前記プロセス・モデルである場合、前記監督マネージャの命令の下で、前記追加の診断エージェントの結果に基づいて、前記プロセス・モデルを修正するステップと
をさらに含む、請求項１に記載の方法。

【請求項7】

不確実性のレベルが高すぎて前記逸脱の起こり得る原因を識別できない場合に、前記追加の診断エージェントの作動に優先順位を付けるステップ
をさらに含む、請求項１〜６のいずれか一項に記載の方法。

【請求項8】

前記逸脱の発生源、および前記逸脱の複数の起こり得る原因を分類するステップが、
前記逸脱の発生源、および前記逸脱の複数の起こり得る原因を分類するために、前記状況エージェントにおいて確率的モデル化を適用するステップを含む、
請求項１〜７のいずれか一項に記載の方法。

【請求項9】

前記プロセスのプロセス・モデルの、少なくとも１つの参照が、予測目的関数および／または履歴手段および／または予測運転領域および／または所定静的関数のうちの少なくとも１つを含む、
請求項１〜８のいずれか一項に記載の方法。

【請求項10】

システム内の少なくとも１つの装置のプロセスを制御するためのシステムであって、
前記プロセスのデータを収集するための複数のセンサと、
前記センサから収集されたデータに基づいて、システムの状況を監視するための状況エージェントと、
正常な運転からの逸脱を特定するために、システムの少なくとも一部を診断し、診断データを前記センサから収集するための診断エージェントと、
制御措置を前記プロセスに実施するための制御エージェントと、
前記状況エージェント、前記診断エージェント、および前記制御エージェントに連結する監督マネージャと
を備え、
前記プロセスから生成されるリアルタイム・プロセス・データを受信すること、ならびに、
正常な運転からのあらゆる逸脱を確立するために、前記リアルタイム・プロセス・データを、前記プロセスのプロセス・モデルの、予測目的関数、履歴手段、予測運転領域および所定静的関数のうちの少なくとも１つと比較すること
が構成され、
リアルタイムにおいて、さらに、
前記状況エージェントにおいて、前記逸脱の発生源、および前記逸脱の複数の起こり得る原因を分類すること、
前記逸脱の因果関係に関する前記診断エージェントの作動に優先順位を付けること、
前記逸脱の発生源が前記プロセス・モデルである場合に、前記診断エージェントの結果に基づいて、前記プロセス・モデルを修正すること、ならびに、
危険性を評価し、適切な制御措置を推奨することで、前記少なくとも１つの装置の前記プロセスを制御するために、前記制御エージェントにおいて前記修正されたプロセス・モデルを適用すること
が構成されることを特徴とするシステム。

【請求項11】

前記プロセスに対する少なくとも１つの制御措置を推奨することがさらに構成される、請求項１０に記載のシステム。

【請求項12】

前記エージェントの各々が、別体のエージェントとして、または、網羅的なエージェントのサブ・エージェントとして、個別に機能できる、請求項１０又は１１に記載のシステム。

【請求項13】

前記少なくとも１つの装置が、サッカー・ロッド・ポンプ、ポンプジャック、蒸気メタン改質装置、ボイラ、熱処理炉、水処理機器、および圧縮機スキッドのうちの少なくとも１つを備える、請求項１０〜１２のいずれか一項に記載のシステム。

【請求項14】

前記逸脱の発生源、および前記逸脱の複数の起こり得る原因を分類するために、前記状況エージェントにおいて確率的モデル化を適用する、請求項１０〜１３のいずれか一項に記載のシステム。

【請求項15】

少なくとも１つの前記エージェントは、確率的グラフィカル・ネットワークを採用する、請求項１０〜１４のいずれか一項に記載のシステム。

【発明の詳細な説明】

【技術分野】

【0001】

本明細書で教示されている実施形態は、大まかには、複雑な機器および動的プロセスを制御するための方法および装置に関し、より詳細には、前記機器およびプロセスの制御の間に決定を行うことについて、より大きな確実性を持って前記機器およびプロセスを制御するための方法および装置に関する。

【背景技術】

【0002】

複雑な産業用機器は、上流および下流で重大な効果を伴う生産運転にとってしばしば極めて重要であり、性能の損失または機器の故障の発生時に重大な問題を引き起こす可能性がある。センサおよび機器の故障、センサ較正ドリフト、様々なプロセス・パラメータ、運転条件または環境における変化または外乱は、すべて生産の問題および損失に寄与する可能性がある。

【0003】

センサと、機器と、および動的プロセスの統合は、それらの一部がコスト効率よく測定できないかまったく測定できず、機器および生産の問題を改善するのは言うまでもなく、それらの問題を特定することも非常に困難にする。結果として、多くの企業は、問題を観察および特定し、どういった措置または解決策を実施するかを決定するために、熟練した操作者や請負人を必要とする。しばしば十分な情報が適時に利用可能とはならないが、決定がなおも必要とされる。

【0004】

従来の最先端の制御システムは、プロセスの変動または外乱を補正するために、定義されたモデルまたはプロセスを用いている。変動または外乱の因果関係を正確に決定、予測、または特定することは、しばしば困難であり得るか、まったく可能とはなり得ない。これらの事情の下で最良の可能な一連の措置を決定することは、特に、不正確な診断に基づいた制御措置がプロセスまたは製品を危険にさせ得るとき、さらにより難しくなる。

【0005】

「Ａｇｉｌｅ Ｓｏｆｔｗａｒｅ Ｄｅｖｅｌｏｐｍｅｎｔ ｗｉｔｈ Ｓｃｒｕｍ」 ｂｙ Ｋｅｎ Ｓｃｈｗａｂｅｒ ａｎｄ Ｍｉｋｅ Ｂｅｅｄｌｅ、（２００２） Ｕｐｐｅｒ Ｓａｄｄｌｅ Ｒｉｖｅｒ：Ｐｒｅｎｔｉｃｅ Ｈａｌｌ、ｐ．２５、ＩＳＢＮ ０−１３−０６７６３４−９という名称の学術出版物は、「定義されたプロセス制御モデルは、すべての作業ピースが完全に理解されることを必要とする。十分に定義された入力のセットを仮定すると、同じ出力が常に生成される。定義されたプロセスは、開始され、常に同じ結果と共に完了するまで実行することを許容される」と教示しており、前記参照は、２００７年７月６日付けでＷｉｋｉｐｅｄｉａによって検索され、Ｄｅｃｉｓｉｏｎ＿ｐｒｏｃｅｓｓの主題でｎｏｔｅ−１において見い出される。

【0006】

モデル予測制御技術は、典型的には、制御指示を提供してプロセスをその正常な運転領域内へと戻すために、外乱の性質をあらかじめ知っておくことを必要とする。このような技術は、モデルへの入力が正確で関連性のある出力を生成するように、モデルのパラメータを正確に調整する必要もある。このような適用は、非常に安定している場合を除いて、かなりの熟練した知識の豊富な人員による相当の維持を必要とする。

【0007】

このような最先端の制御技術は、典型的には、このような外乱の原因は何か、および、実施する最良の一連の措置は何かということを、確実性を持って試行し特定するために用いられる理論または知識に基づいた包括的な一連の規則で取り組まれている。観察可能な問題への複数の寄与は、これらのシステムが実施できない、または、包括的に分類するには単に変動が多すぎるという、十分な不確実性を生み出す可能性がある。また、適切な是正措置を診断および決定するための計算要件は、一刻を争うプロセス監視および制御の性能を妨げる可能性がある。

【0008】

不確実な条件において診断および決定を行わせることができる最先端の人工知能（ＡＩ：Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）方法を実行しつつ、リアルタイム制御措置を特定して優先順位を付けるためのハードウェアおよびソフトウェアのプラットフォームが、知られている。

【0009】

パターン認識が、人工知能および機械学習のアプリケーションにおける共通の特徴である。一般的に、入力の「最も起こりそうな」マッチングを実施し、それらの統計的変動を考慮することで、所与の入力値にラベルまたは分類を割り当てることが用いられる。したがって、パターン認識は、代わりに、データ入力において以前に存在したパターンとの正確なマッチを探すパターン・マッチングとは異なる。知的監視のシステムおよび方法が、Ｖｅｉｌｅｔｔｅへの米国特許第７，８１８，２７６号に開示されている。

【0010】

パターン認識は、典型的には物理的データの真の理解を欠く技術である。制御措置の基準を形成するために、変動または外乱をプロセスへと分類するためにパターン認識のみに依存することは、盲目的でしばしば許容できない危険を冒していると言ってもよい。

【先行技術文献】

【特許文献】

【0011】

【特許文献1】米国特許第７，８１８，２７６号

【特許文献2】米国特許第６，８９０，１５６号

【非特許文献】

【0012】

【非特許文献1】「Ａｇｉｌｅ Ｓｏｆｔｗａｒｅ Ｄｅｖｅｌｏｐｍｅｎｔ ｗｉｔｈ Ｓｃｒｕｍ」 ｂｙ Ｋｅｎ Ｓｃｈｗａｂｅｒ ａｎｄ Ｍｉｋｅ Ｂｅｅｄｌｅ、（２００２） Ｕｐｐｅｒ Ｓａｄｄｌｅ Ｒｉｖｅｒ：Ｐｒｅｎｔｉｃｅ Ｈａｌｌ、ｐ．２５、ＩＳＢＮ ０−１３−０６７６３４−９

【発明の概要】

【発明が解決しようとする課題】

【0013】

プロセス状態における十分な信頼性および確実性が存在することによって、自動化された制御措置が許容可能なレベルの危険性で取られるように、動的プロセスを制御するための装置および方法が求められている。

【課題を解決するための手段】

【0014】

本明細書で教示されている実施形態は、プロセス状態において十分な信頼性が存在するため、自動化された制御措置を、例えばプロセスの崩壊または故障といったものの許容可能なレベルの危険性で取ることができるように、知能エージェントによる分類の結果の分析的検証に着手し、その分析的検証をプロセス変数の他の観察と組み合わせることで、プロセス状態の診断とその根本的な原因とをできるだけ確定的に確立するために、人工知能モデルに基づいた制御装置（ＡＩＭＣ：Ａｒｔｉｆｉｃｉａｌｌｙ Ｉｎｔｅｌｌｉｇｅｎｔ Ｍｏｄｅｌ−ｂａｓｅｄ Ｃｏｎｔｒｏｌｌｅｒ）システムを利用する。

【0015】

本開示の一態様によれば、少なくとも１つの装置のプロセスを制御するための方法が提供される。方法は、プロセスから生成されるリアルタイム・プロセス・データを受信するステップと、リアルタイム・プロセス・データを処理するステップと、処理されたデータを、正常な運転からのあらゆる逸脱を確立するために予測目的関数、履歴手段、予測運転領域、および所定静的関数のうちの少なくとも１つと比較するステップと、逸脱の発生源および起こり得る原因を分類するために確率的モデル化を適用するステップと、逸脱の因果関係に関する少なくとも１つまたは複数の診断の作動に優先順位を付けるステップと、１つまたは複数の診断の結果に基づいて、確率的モデルを修正するステップと、逸脱に応答してプロセスを調節するようにプロセスに対する少なくとも１つの制御措置を開始するために、修正された確率的モデルを適用するステップとを含む。

【0016】

一実施形態では、方法は、少なくとも１つの制御措置がプロセス崩壊を引き起こす危険性を評価するために、修正された確率的モデルを適用するステップをさらに含む。

【0017】

別の実施形態では、少なくとも１つまたは複数の診断の作動に優先順位を付けるステップが、既知のパターンに確率的マッチを実施するためにパターン・マッチングすることと、１つまたは複数の診断のうちのどれが最初に作動されるかを分類することとをさらに含む。

【0018】

別の実施形態では、方法は、少なくとも１つの制御措置を開始する前に、少なくとも１つの制御措置を最適化するステップをさらに含む。

【0019】

別の実施形態では、確率的モデルは確率的グラフィカル・ネットワークである。

【0020】

別の実施形態では、確率的モデルはベイジアン・ネットワークである。

【0021】

本開示の別の態様によれば、少なくとも１つの装置のプロセスを制御するための方法が提供される。方法は、データおよびモデル化のエージェントにおいて、リアルタイム・データを、プロセスの統計的プロファイル、プロセスの履歴的プロファイル、およびプロセスの模擬的プロファイルのうちの少なくとも１つと比較するステップであって、運転不一致を考慮することで逸脱を特定する、ステップと、状況エージェントにおいて、プロセスの進行および具体的状態を追跡するステップと、監督マネージャにおいて、確率的診断試験を実施するために、逸脱に関連性のある１つまたは複数の診断エージェントを分類するステップであって、前記診断エージェントが、因果関係のあるプロセス特有の確率的グラフィカル・ネットワークを備える、ステップと、監督マネージャにおいて、逸脱についての起こり得る原因、および、それらの可能性を特定するために、分類された診断エージェントを起動し、確率的診断を受信するステップと、監督マネージャにおいて、様々な診断エージェントの確率的診断を比較すると共に、高い確実性の診断の状況エージェントを更新する、または、起こり得る原因を識別するほど確実でない場合には、追加の診断試験を開始するステップと、制御エージェントにおいて、１つまたは複数の診断の確率に基づいて、制御措置の機会および危険性を評価し、前記評価に基づいて、プロセスに対する少なくとも１つの制御措置を開始するステップとを含む。

【0022】

本開示の別の態様によれば、システム内の少なくとも１つの装置のプロセスを制御するためのシステムが提供される。システムは、プロセスのデータを収集するための複数のセンサと、前記センサから収集されたデータに基づいて、システムの状況を監視するための状況エージェントと、正常な運転からの逸脱を特定するために、システムの少なくとも一部を診断し、診断データをセンサから収集するための少なくとも１つの診断エージェントと、制御措置をプロセスに実施するための制御エージェントと、プロセスから生成されるリアルタイム・プロセス・データを受信すること、正常な運転からのあらゆる逸脱を確立するために予測目的関数および／または履歴手段および／または予測運転領域および／または所定静的関数と比較すること、逸脱の発生源および起こり得る原因を分類するために、状況エージェントにおいて確率的モデル化を適用すること、逸脱の因果関係に関する少なくとも１つの診断エージェントの作動に優先順位を付けること、少なくとも１つの診断エージェントからの結果から、状況エージェントの確率的モデルを修正すること、ならびに、危険性を評価し、制御措置を前記少なくとも１つの装置に適用することで、プロセスを調節するために、制御エージェントにおいて確率的モデルを適用することのために、状況エージェント、少なくとも１つの診断エージェント、および制御エージェントに連結する監督マネージャとを備える。

【0023】

一実施形態では、１つまたは複数の診断エージェントは、網羅的な診断エージェントのサブ・エージェントである。

【0024】

別の実施形態では、エージェントの各々は、別体のエージェントとして、または、網羅的なエージェントのサブ・エージェントとして、個別に機能できる。

【0025】

別の実施形態では、網羅的なエージェントは、オブジェクト指向ベイジアン・ネットワークである。

【0026】

別の実施形態では、少なくとも１つの装置は少なくとも１つのポンプジャックを備える。

【0027】

別の実施形態では、少なくとも１つの装置は、蒸気メタン改質装置、ボイラ、熱処理炉、水処理機器、および圧縮機スキッドのうちの少なくとも１つを備える。

【0028】

別の実施形態では、システムは、複数の現場における装置を制御するために、複数の現場に分配される。

【0029】

本開示の別の態様によれば、システム内の少なくとも１つの装置のプロセスを制御するためのシステムが開示され、前記システムは、プロセスのデータを収集するための複数のセンサと、センサから収集されたデータを分析するための複数のエージェントを有し、前記分析に基づいてプロセスのモデルを修正し、プロセスを調節するために、前記修正されたプロセス・モデルに基づいてプロセスに対する制御措置を開始する少なくとも１つの計算装置とを備え、エージェントのうちの第１のものが、プロセス・モデルを修正するように少なくとも１つのパラメータを特定するために、確率的グラフィカル・モデルを利用する。

【0030】

一実施形態では、確率的グラフィカル・モデルはベイジアン・ネットワークである。

【0031】

別の実施形態では、前記エージェントのうちの第２のものが、センサから収集されたデータに基づいてシステムの状況を監視する。

【0032】

別の実施形態では、前記エージェントのうちの少なくとも第３のものが、正常な運転からの逸脱を特定するために、システムの少なくとも一部を診断し、診断データをセンサから収集する。

【0033】

別の実施形態では、前記エージェントのうちの少なくとも第４のものが、プロセスを調節するために制御措置を実施する。

【0034】

別の実施形態では、前記エージェントのうちの少なくとも第５のものが、プロセスに適用される制御措置を最適化し、エージェントのうちの第６のものが、システムの運転についてのプロセス・モデルを確立および管理し、正常な運転からのプロセスの逸脱を特定し、前記エージェントのうちの第７のものが、前記エージェントを管理するための監督マネージャである。

【0035】

別の実施形態では、少なくとも１つの装置は１つまたは複数のポンプジャックを備える。

【0036】

本開示の別の態様によれば、システム内の少なくとも１つの装置のプロセスを制御するためのシステムが提供される。システムは、プロセスのデータを収集するための複数のセンサと、センサから収集されたデータを分析するための複数のエージェントを有し、前記分析に基づいてプロセスのモデルを修正し、プロセスを調節するために、前記修正されたプロセス・モデルに基づいてプロセスに対する制御措置を開始する少なくとも１つの計算装置とを備え、前記エージェントのうちの少なくとも１つが、プロセスを調節するように制御措置を決定するための最適化方策を特定すること、最適化方策に従って最適化されるパラメータの数値検索領域を特定すること、および、前記パラメータの最適条件を検索するために数値最適化を実施することのために確率的グラフィカル・モデルを利用する。

【0037】

一実施形態では、前記最適条件は大局的最適条件である

【0038】

一実施形態では、前記最適条件は、前記数値検索領域における最良適合の局所的最適条件である。

【0039】

一実施形態では、確率的グラフィカル・モデルはベイジアン・ネットワークである。

【0040】

一実施形態では、前記エージェントのうちの第２のものが、センサから収集されたデータに基づいてシステムの状況を監視する。

【0041】

一実施形態では、前記エージェントのうちの少なくとも第３のものが、正常な運転からの逸脱を特定するために、システムの少なくとも一部を診断し、診断データをセンサから収集する。

【0042】

一実施形態では、前記エージェントのうちの少なくとも第４のものが、制御措置をプロセスに実施する。

【0043】

一実施形態では、前記エージェントのうちの少なくとも第５のものが、プロセス・モデルを修正するために少なくとも１つのパラメータを特定し、前記エージェントのうちの第６のものが、システムの運転についてのプロセス・モデルを確立および管理し、正常な運転からのプロセスの逸脱を特定し、エージェントのうちの第７のものが前記エージェントを管理する。

【0044】

一実施形態では、少なくとも１つの装置は少なくとも１つのポンプジャックを備える。

【図面の簡単な説明】

【0045】

【図1】リアルタイム監視、ネットワーク通信、およびプロセス制御を、それらが局所的、遠隔、またはそれらの組み合わせかであるか拘わらず確立するための人工知能モデルに基づいた制御装置（ＡＩＭＣ）システムを示すハードウェアの図である。

【図2】油井用のサッカー・ロッド・ポンプ制御装置の背景において、装置およびプロセスの制御および最適化のためのいくつかの種類の知能エージェント（ＩＡ：Ｉｎｔｅｌｌｉｇｅｎｔ Ａｇｅｎｔ）を有する知能エージェント・ネットワークの階層構造の実施形態を示す、図１のＡＩＭＣシステムのソフトウェア構造の図である。

【図3】図１のＡＩＭＣシステムのデータおよびモデル化のエージェントにおけるデータ処理の流れ図である。

【図4】図１のＡＩＭＣシステムの状況エージェントにおけるデータ処理の流れ図である。

【図5】図１のＡＩＭＣシステムの診断エージェントにおけるデータ処理の流れ図である。

【図6】図１のＡＩＭＣシステムの制御方策エージェントにおけるデータ処理の流れ図である。

【図7】図１のＡＩＭＣシステムの最適化エージェントにおけるデータ処理の流れ図である。

【図8】図１のＡＩＭＣシステムのデータおよびモデル化のエージェントの機能図である。

【図9】図１のＡＩＭＣシステムの状況エージェントの機能図である。

【図10】図１のＡＩＭＣシステムの診断エージェントの機能図である。

【図11】モデル／パラメータ調整エージェントの機能図である。

【図12】完全なタイミング図である。

【図13A】〜

【図13C】監督エージェントが、サイクルの中間の時間増分においてプロセスからの流れデータを監視しており（図１３Ａ）、試験と、必要に応じての適切な制御エージェントを採用するための確率的分類とを実施し、学習し、およびエージェントの更新を実施しており（図１３Ｂ）、さらに、サイクルおよび管理の逸脱を知的に制御するために、確率的な基準における結果を分類するサイクルを全体として監視している（図１３Ｂおよび図１３Ｃ）、周期的な汲み出しプロセスを伴う実施を示す完全な図の拡大表示である。

【図14】逸脱の因果関係を決定するために確率的分析を実施することと、プロセス・パラメータに基づいて起こりそうな診断エージェントに優先順位を付けて選択することと、解決策から学習することと、モデルを更新することと、例えばプロセスの崩壊または故障といったものの許容可能な危険性に基づいて制御命令を発することとのためにＡＩマネージャがＩＡを制御する、図１のＡＩＭＣシステムのＡＩマネージャを示す図である。

【図15】〜

【図24】具体的には油井およびポンプジャック・プロセスの背景において、システムおよび方法論の産業用実施形態を示す図である。

【図15】図１のＡＩＭＣシステムのデータおよびモデル化のエージェントの詳細を示す図である。

【図16】図１のＡＩＭＣシステムの状況エージェントの詳細を示す図である。

【図17】理想的なポンプ・サイクル、ガス干渉についての既知の診断、および、観察されたポンプ・サイクルの図表示であり、システムが、確率的グラフィカル・モデル（ＰＧＭ：Ｐｒｏｂａｂｉｌｉｓｔｉｃ Ｇｒａｐｈｉｃａｌ Ｍｏｄｅｌ）によって、ポンプのサイクルの状態の決定と、ガス干渉エージェント（図６、６−３）が呼び出されるべき可能性の決定とを実施する。

【図18A】〜

【図18D】外乱、プロセス条件の変化、または、図１の状況エージェントによって決定されるパラメータにおける変化など、ポンプ運転における任意の潜在的な変動の特定において、または、正常な運転もしくは予測される運転からの逸脱において採用され得る選択的で可能な診断エージェントの流れ図であり、ガス干渉のためのエージェント（図１８Ｂ）と、ロッド疲労監視（図１８Ｃ）と、井戸パラメータ（図１８Ｄ）とが示されており、各々のエージェントは、確率的決定を通じて、どの試験およびどの既知の動作主が効果を表すかを選択することもできる。

【図19A】および

【図19B】全体サイクルにわたるロッド・ストリングへの力の三次元（３Ｄ）プロットであり、図１９Ａは、ロッド・ストリングがストロークのうちのどこで過度に応力が掛けられているかを使用者に容易に特定させることができる、サイクルを通じてロッド・ストリングの各々の区分についてのカラー化されたグッドマン荷重を示すグッドマン応力線図であり、図１９Ｂは、図１９Ａのグッドマン応力線図の非カラー化されたものである。

【図20】図１のポンプ実施形態によるプロセス、型式、および測定基準で値を表すために用いられ得る様々なノードのグループ化を表す図表示である。

【図21】因果関係のある確率的グラフィカル・モデルを提供するために、第１および第２の構成要素の組み合わせに由来する構造の学習を示す図である。

【図22】サッカー・ロッド・ポンプのポンプオフ・サイクルを制御するための、図１のＡＩＭＣシステムの制御エージェントの詳細を示す図であり、制御エージェントが、プロセスの崩壊または故障を引き起こす特定の措置の危険性を評価および確立し、診断結果と、制御措置が取られる前に可能な最適化の機会について最適化および診断のエージェントからのさらなる入力とに基づいて、適切な制御措置を推奨する。

【図23】図１のポンプ実施形態のための確率的グラフィカル・ネットワークについての可能な構成の図表示であり、すなわち、因果関係を決定するために確率的方法を用い、相反する目的を考慮してバランスの取られた性能を最適化するために、目的を含む動作の制御、危険性、および結果のための手段を与える制御措置を実施する。

【図24】サッカー・ロッド・ポンプのポンプオフ・サイクルを制御するために、制御エージェントと協働するための図１のＡＩＭＣシステムの最適化エージェントの詳細を示す図である。

【発明を実施するための形態】

【0046】

本明細書で開示されている実施形態は、１つまたは複数の装置または機器の運転プロセスを監視するために、知能エージェントによる分類の結果の分析的検証に着手するために、および、プロセスを調節するために、人工知能モデルに基づいた制御装置（ＡＩＭＣ）システムを利用する。分析的検証は、プロセス状態において十分な信頼性が存在するため、自動化された制御措置を、例えばプロセスの崩壊または故障といったものの許容可能なレベルの危険性で取ることができるように、プロセス変数の他の観察と組み合わせることで、プロセス状態の診断とその根本的な原因とをできるだけ確定的に確立する。以後において、用語「できるだけ確定的に」は、確立された診断が、設計要件、例えば、プロセスの崩壊または故障といった例えば許容可能なレベルの危険性の自動化された制御措置を満たす適切な度合いで確定的であることを意味する。
システム構造

【0047】

図１を参照して、一実施形態によれば、ポンプジャックなど、１つまたは複数の装置または機器を制御するための、人工知能モデルに基づいた制御装置（ＡＩＭＣ）システムが、参照符号１００によって概して識別されている。図示しているように、システム１００は、油井の現場１０４に設置された制御装置１０２を備えている。制御装置１０２は、適切なソフトウェア、ファームウェアでプログラムされた汎用コンピュータ、マイクロコントローラ、１つもしくは複数のマイクロプロセッサ、デジタル信号処理装置、または他のハードウェアか、当業者に知られている方法を用いるハードウェアおよびソフトウェアの組み合わせで実施され得る。制御装置１０２は、代替で、概して特定の目的または使用のために設計された計算装置である１つまたは複数の産業用制御装置を用いて実施されてもよい。

【0048】

制御装置１０２は、例えば、クランク速度、ロッド応力、油井の穴の温度および圧力、流体レベルなど、油井および装置に関するデータを収集するために、地上または油井の裸孔におけるポンプジャック１１４、チュービング・ストリング、ケーシング、サッカー・ロッド（図示せず）などの様々な装置に設置された複数のセンサ１０６と通信する。当業者は、様々な実施形態において、システム１００が、必要に応じて、様々なセンサを備え、様々なデータを収集できることを理解するものである。具体的なセンサおよび収集されるデータは、システムの設計および実施に概して依存する。

【0049】

制御装置１０２は、例えば、クランク速度を制御するためのクランク速度プロファイルといった所定の規則に従って、および／または、センサ１０６から収集されたデータに応答して、油井の装置の運転を制御するために、ＡＢＥ ＡＳＣ−６０１（ＡＢＥ Ｉｎｄｕｓｔｒｙ Ｏｙ、Ｈｅｌｓｉｎｋｉ、Ｆｉｎｌａｎｄ）またはＡｌｌｅｎ−Ｂｒａｄｌｅｙ １３３６ Ｉｍｐａｃｔ ｄｒｉｖｅ（Ｒｏｃｋｗｅｌｌ Ａｕｔｏｍａｔｉｏｎ、Ｍｉｌｗａｕｋｅｅ、Ｗｉｓ．、ＵＳＡ）など、可変速モータ、交流または直流の可変速駆動部などの複数の措置装置１０８、動力ブレーキ、および警報機などとも通信する。

【0050】

システム１００は、ここでは集合的に計算装置１１０として示される、１つまたは複数の計算装置１１０Ａおよび１１０Ｂをさらに備えている。当業者は理解するように、各々の計算装置１１０は、処理装置、読取り専用記憶装置（ＲＯＭ）、揮発性および／または不揮発性のランダム・アクセス・メモリ（ＲＡＭ）、半導体ドライブ、ハード・ドライブなどの記憶装置、ネットワーク・モジュール、ならびに、１つまたは複数の信号バスを介して処理装置にすべて連結される他の構成要素を備え得る。

【0051】

一部の計算装置１１０Ａは、油井の現場１０４で展開でき、直接的なケーブル接続、ローカルエリア・ネットワーク（ＬＡＮ）、イーサネット（登録商標）、ＷｉＦｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｚｉｇｂｅｅ（登録商標）など、適切な有線または無線の手段を介して制御装置１０２に連結できる。一部の他の計算装置１１０Ｂは、油井から離れて展開されてもよく、有線または無線の手段を介して、広域ネットワーク（ＷＡＮ）、インターネット、電話回線網、ケーブル・ネットワーク、または衛星などのネットワーク１１２を通じて制御装置に連結される。当業者は、システムの設計および実施に応じて、１つまたは複数の計算装置１１０がデスクトップ・コンピュータ、ラップトップ・コンピュータ、サーバ・コンピュータ、タブレット、スマートフォン、携帯情報端末（ＰＤＡ）などであってもよいことを理解するものである。

【0052】

図１には示していないが、システム１００は、適切な産業用制御装置を実施するなど、特定の使用または目的のために設計された計算装置を備えてもよい。

【0053】

本実施形態では、ＡＩＭＣシステム１００は、様々な分類の可能性を有効とするために、プロセス、プロセス・サブ・システム、または外乱の関連する分析モデルを含むプロセスの変数、状態、および試験の結果を利用することで、１つまたは複数の装置の運転プロセスの現在の状態の分類および診断を構築および評価するために、ベイジアン・ネットワークなどの確率的グラフィカル・ネットワーク（ＰＧＮ：Ｐｒｏｂａｂｉｌｉｓｔｉｃ Ｇｒａｐｈｉｃａｌ Ｎｅｔｗｏｒｋ）、および時系列パターン認識技術などを利用する。ソフトウェアの観点から、ＡＩＭＣシステム１００は、各々が所定の範囲の分析を実施し、ＡＩマネージャとして示される中央エージェントによって管理されるソフトウェア・モジュールである、知能エージェント（ＩＡ）またはエージェントのネットワークを備える。ＡＩＭＣシステムは、複数のＩＡと併せて、１つまたは複数のプロセス・モデルおよびモデル予測制御技術を統合する。各々のＩＡは、確率的グラフィカル・モデルまたはベイジアン・ネットワークなどの確率的な推論法を利用して、特化された分析、診断、制御指示を実施し、指示し、優先順位を付ける。

【0054】

図２は、システム・ハードウェアにおいて実施されるＡＩＭＣシステム１００のソフトウェア構造１５０を示している。図示しているように、ソフトウェア構造１５０は、ＡＩマネージャ１５２（監督マネージャまたは監督エージェントとも呼ばれる）と、１つまたは複数の診断エージェント１５４と、状況エージェント１５６と、データおよびモデル化のエージェント１５８と、１つまたは複数の最適化エージェント１６０と、１つまたは複数の制御方策エージェント１６２と、１つまたは複数のモデル／パラメータ調整エージェント１６８とを、各々ＩＡとして実施されるとして備えている。ソフトウェア構造１５０は、通信モジュール１６４とポンプ制御装置１６６とをも備えている。当業者は理解するように、通信モジュール１６４は、一式の適切な通信プロトコルを用いるチャネルを介して通信するための適切な有線または無線のチャネルおよび機能構成要素を備えている。この実施形態では、通信モジュール１６４は、よく知られているＴＣＰ／ＩＰ通信プロトコルを用いるＴＣＰ／ＩＰ通信モジュールである。

【0055】

ＡＩマネージャ１５２は、診断エージェント１５４、状況エージェント１５６とデータおよびモデル化のエージェント１５８と、最適化エージェント１６０と、制御方策エージェント１６２とを、それらから受信されるデータに基づいて管理する（後でより詳細に説明する）。ＡＩマネージャ１５２は、プロセッサ利用を最適化し、試験の結果、診断、および制御推奨を通信し、様々なＩＡによって利用されるＰＧＮまたはベイジアン・ネットワークによって使用されるデータおよび確率テーブルへの更新を介して学習能力を促進するために、これらのエージェント１５４〜１６２および１６８を始動させて優先順位を付ける。

【0056】

この実施形態では、センサ１０６から収集されるリアルタイム・データが、ポンプ制御装置１６６へと最初に送信される。次に、ポンプ制御装置１６６は、センサ・データを、通信モジュール１６４を介してデータおよびモデル化のエージェント１５８へと送信する。

【0057】

データおよびモデル化のエージェント１５８は、入力データを管理し、ＡＩマネージャ１５２によって指示されるようにリアルタイム分析および試験を実施する。データおよびモデル化のエージェント１５８は、実施に応じて、システム運転の様々な局面のための複数のサブ・モデルを備え得る、システム運転のためのプロセス・モデルを確立および維持する。データおよびモデル化のエージェント１５８は、プロセス・モデルを更新するためにリアルタイム・センサ・データを処理する。

【0058】

図３は、データおよびモデル化のエージェント１５８におけるデータ処理の流れ図を示している。図示しているように、通信モジュール１６４から受信されるリアルタイム・センサ・データ２０２が、幾何学的動力計カードを生成するための幾何学的動力計カード（ダイナ・カード）生成モジュール２０４によって処理され、プロセス・モデルを更新するために、モデル化モジュール２０６によってさらに処理される。データおよびモデル化のエージェント１５８は、プロセス・モデルを更新するために、診断エージェント１５４によって実施される診断試験（後でより詳細に説明する）に基づいて、プロセス・モデルへの更新を表すＡＩマネージャ１５２からのデータを受信もする。さらに、データおよびモデル化のエージェント１５８は、プロセス・モデルが、その最後の既知の状態から相当に逸脱するとき、プロセス・モデルを調整するために、モデル／パラメータ調整エージェント１６８からデータを受信もする。

【0059】

監視およびロギングのモジュール２０８が、プロセス・モデルの更新を監視し、状況エージェント１５６のためのデータ２１４を生成し、プロセス・モデル更新をログに記録する。監視およびロギングのモジュール２０８は、プロセス・モデルの変化を予測するために、モジュール予測制御（ＭＰＣ：Ｍｏｄｅｌ Ｐｒｅｄｉｃｔｉｖｅ Ｃｏｎｔｒｏｌ）モジュール２１０に必要なデータを提供もする。ＭＰＣモジュール２１０と監視およびロギングのモジュール２０８とによってそれぞれ生成されるデータ２１２および２１４は、状況エージェント１５６へと送られる。

【0060】

その間、リアルタイム・センサ・データ２０２と、幾何学的動力計カード生成モジュール２０４によって生成されたデータと、モデル化モジュール２０６と、監視およびロギングのモジュール２０８とは、通知または警告される必要のある事象を特定するために、警報マネージャ２１６へも送られる。例えば、特定された事象に関連する、警報マネージャ２１６によって生成されるデータといったデータが、状況エージェント１５６へも供給される。

【0061】

状況エージェント１５６は、システム状況を更新し、プロセスの進行および具体的状態を追跡し、正常な運転からの変動を監視および特定するために、データおよびモデル化のエージェント１５８から受信されるデータを使用する。図４に示しているように、状況エージェント１５６は、状況方法２５２に従って一連の状況試験２５４を実施するために、データおよびモデル化のエージェント１５８から受信されるデータを使用する。状況試験結果は、分析のためにベイジアン・ネットワーク２５６へと供給される。ベイジアン・ネットワーク２５６の出力は、システム運転を調節するために、ＡＩマネージャ１５２へと送られる。ベイジアン・ネットワーク２５６の出力は、確率に基づく分析の優先順位で状況方法２５２を調節するためにも使用される。

【0062】

状況エージェント１５６は、システム１００の状況をＡＩマネージャ１５２に報告する。例えば、システムが特定の状態にある場合、異常な状態が検出される場合、または、予定した診断時間が近づいている場合といった、必要とされる場合には、ＡＩマネージャ１５２は、正常な運転またはＭＰＣからの逸脱を特定するために、システムの少なくとも一部を診断し、センサ１０６から診断データを収集するように、１つまたは複数の診断エージェント１５４に命令する。図５に示しているように、診断エージェント１５４は、診断方法２７２に従って一連の診断試験２７４を実施する。診断試験結果は、分析のためにベイジアン・ネットワーク２７６へと供給される。ベイジアン・ネットワーク２７６の出力は、システム運転を調節するために、および、状況エージェント１５６を更新するために、ＡＩマネージャ１５２へと送られる。ベイジアン・ネットワーク２７６の出力は、確率に基づく分析の優先順位で診断方法２７２を調節するためにも使用される。

【0063】

状況エージェント１５６からの報告と診断エージェント１５４の診断結果とに基づいて、ＡＩマネージャ１５２は、例えばポンプ制御装置１６６のパラメータを修正することで、システムの運転を調節するために、１つまたは複数の制御方策エージェント１６２に制御措置を評価および推奨するように命令する。図６に示しているように、制御方策エージェント１６２は、システム運転に関するデータをＡＩマネージャ１５２から受信し、最適化エージェント１６０から最適化データを受信し（後で説明する）、制御方策方法３０２に従って一連の制御方策試験３０４を実施する。制御方策試験結果は、分析のためにベイジアン・ネットワーク３０６へと供給される。ベイジアン・ネットワーク３０６の出力は、システム運転を調節するために、ポンプ制御装置１６６へと送られる。ベイジアン・ネットワーク３０６の出力は、確率に基づく分析の優先順位で制御方策方法３０２を調節するためにも使用される。

【0064】

ＡＩマネージャ１５２は、１つまたは複数の最適化エージェント１６０に、制御方策エージェント１６２についての最適化制御方策を決定するように命令する。図７に示しているように、最適化エージェント１６０は、システム運転に関するデータをＡＩマネージャ１５２から受信し、最適化方策方法３３２に従って、一連の最適化方策試験３３４を実施する。最適化方策試験結果は、分析のためにベイジアン・ネットワーク３３６へと供給される。ベイジアン・ネットワーク３３６の出力は、制御措置を決定するために制御方策エージェント１６２へと送られる。ベイジアン・ネットワーク３３６の出力は、確率に基づく分析の優先順位で最適化方策方法３３２を調節するためにも使用される。

【0065】

当業者は理解するように、モジュール１５２〜１６８は、それらの機能および規則に基づいて定められている。モジュール１５２〜１６８の各々は、１つまたは複数のプログラムまたはプログラム・モジュールを備えてもよく、１つまたは複数の計算装置１１０および制御装置１０２において、例えば、ソフトウェア・プログラム、ソフトウェア・パッケージ、ファームウェア、または、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）または特定用途向け集積回路（ＡＳＩＣ）のチップなどのハードウェア構成要素として、任意の適切な形態で展開されてもよい。処理負荷は、制御装置１０２および／または計算装置１１０の処理装置の少なくとも一部の間で動的に分配され得る。

【0066】

図２には示していないが、制御装置１０２および計算装置１１０は、例えば、リアルタイム・オペレーティング・システム、Ｕｎｉｘ（登録商標）、Ｌｉｎｕｘ（登録商標）、Ｍｉｃｒｏｓｏｆｔ（登録商標） Ｗｉｎｄｏｗｓ ＮＴ、Ｍｉｃｒｏｓｏｆｔ（登録商標） Ｗｉｎｄｏｗｓ ２０００ Ｓｅｒｖｅｒ、Ｍｉｃｒｏｓｏｆｔ（登録商標） Ｗｉｎｄｏｗｓ Ｓｅｒｖｅｒ ２０１２などのオペレーティング・システムを各々実行する。概して、オペレーティング・システムは、様々なハードウェアおよびソフトウェアの構成要素を管理すると共にアプリケーション・プログラムの実行を支持するための処理装置によって実行されるコンピュータ読取可能コードのセットである。制御装置１０２および計算装置１１０は、同じ種類のオペレーティング・システムをすべて実行してもよい、または、必要に応じて異なる種類のオペレーティング・システムを実行してもよい。

【0067】

ほとんどの産業用制御装置の計算能力およびプログラム可能性が、典型的には、現代のＡＩ技術を実施するには限られているため、本明細書に記載されている計算装置の実施形態は、優先順位の基準において所与のプロセスで同期的または非同期的に実行できる人工知能方法を組み込んでいる複数のアルゴリズムまたはスレッドを実行しながら、制御解決策の一刻を争う局面の監視および制御に優先順位を付けることができるラン・ツー・コンプリーション（ｒｕｎ−ｔｏ−ｃｏｍｐｌｅｔｉｏｎ）でノンブロッキング・カーネルを備えたイベント駆動型オペレーティング・システムを組み込むことができる。

【0068】

さらに、システムの設計および実施に応じて、一部の計算装置は、オペレーティング・システムをまったく実行しなくてもよい。むしろ、これらの計算装置は、そのハードウェアおよび／またはソフトウェアの構成要素を管理するために、および、それら構成要素の運転を容易にするために、管理プログラムを実行するだけでよい。

【0069】

ソフトウェア構造１５０があれば、ＡＩＭＣシステム１００は、システム・オペレーション・プロセスを監視および制御するために、確率的方法およびパターン認識技術の集まりを利用する。ＡＩＭＣシステム１００は、不確実性の下でできるだけ確定的にプロセス制御決定を行うために、機械学習技術でのプロセスの確率論的理解を組み込んでいる。

【0070】

前述のように、ＡＩＭＣシステム１００は、システム・オペレーションのためのプロセス・モデルを確立および管理する。プロセス・モデルは、現在の運転条件を反映するために、および、最適に実施するために、正確に調整される。具体的には、システム１００は、プロセス運転を観察し、プロセス・パラメータのドリフトを検出するために、プロセス運転を過去または履歴の観察と比較する。プロセス・パラメータのドリフトから生じるプロセス・シミュレーションまたはプロセス出力の統計的表示が、現在の観察と比較され、プロセス・モデルへの変更を特定、有効化、および更新するために用いられる。

【0071】

プロセスに対する変更が、潜在的には機械学習技術を介して、確率的に決定されると共に、確率的グラフィカル・ネットワーク（ＰＧＮ）として表され得るように、プロセス・シミュレーションは、プロセス応答を包括的または選択的にマッピングして変数、変数の演算の範囲、および潜在的な逸脱を処理するために利用できる。プロセスの履歴観察と組み合わされるとき、リアルタイムでの包括的シミュレーションおよび／または数値法なしで、実際は極めて確定的であるパラメータ調整またはプロセス最適化が可能とされる。

【0072】

機械学習技術を用いると、エネルギー消費または生産高などのプロセス応答が、ＰＧＮで表され、数値最適化手段に案内を提供するために使用され得る。案内は、運転パラメータについての最適な解決策に収束するために、数値検索についての小さい範囲を特定することを含み得る、または、高いレベルの確実性のあるプロセスの場合には、最適な運転パラメータを制御へと直接的に提供し得る。代替の実施形態では、プロセス変数は、フーリエ級数または他の近似手段として表されてもよく、プロセスの大局的応答の確率的マッピングが、これらのフーリエ係数として生成されてもよい。これは、リアルタイムでプロセスのための局所的または大局的な最適条件を決定するために必要とされる時間を大幅に縮小できるため、他の最適化方法に対して比類のない利点を提供する。

【0073】

プロセスの確率的マッピングは、プロセスを制御する処理装置のバックグラウンドで、または、経過時間を減らすために並列計算法を利用することもできる別体の処理装置で計算でき、最適化ＰＧＮのための確率テーブルを生成できる。

【0074】

さらに、制御措置の決定は、不正確な分類または観察において制御措置を取る危険性を含んだ起こり得る決定の選択と関連するコストおよび危険性を含む決定分析に基づかれる。

【0075】

結果的として生じた技術は、自動医療診断ツールのものと同様の診断方法を可能にする。例えばポンプジャック１１４といった機器が運転している間、ＩＡは、機器およびプロセスの問題を特定することと、監視されているシステムの運転状態、正常な状態からの何らかの逸脱または問題の発生源、最良の一連の措置を許容可能な確実性で特定するために、試験および計算を実施することとをバックグラウンドで実行し、動作を実施する、および／または、操作者、監督者、もしくは他の自動化された制御装置に運転案内を提供する。

【0076】

ＡＩＭＣシステム１００は、プロセスを監視するために、プロセス・モデルおよび／もしくはサブ・モデルのうちの１つまたは複数、履歴プロセス情報、ならびに／または、プロセス由来の状態機械を利用する。ＡＩＭＣシステム１００は、プロセス逸脱および外乱を特定するために、同期的または非同期的に運転するベイジアン・ネットワークなどのＰＧＮを利用して、外乱についての性質または根本的な因果関係を分類、決定、および有効化するために、ＩＡの収集を用いる。ＡＩＭＣシステム１００は、最適化ルーティンを開始し、ＰＧＮまたはベイジアン・ネットワークによる危険性評価および決定分析を利用して、制御指示を決定する。ＡＩＭＣシステム１００の運転は、ＡＩマネージャ１５２によって調整される。

【0077】

知能エージェント（ＩＡ）の概要
前述のように、ＡＩＭＣシステム１００は、ＡＩマネージャ１５２と、診断エージェント１５４と、状況エージェント１５６と、データおよびモデル化のエージェント１５８、最適化エージェント１６０と、制御方策エージェント１６２と、モデル／パラメータ調整エージェント１６８とを含むが、それらに限定されることなく、様々なＩＡを備える。

【0078】

ＩＡの基本的な構造は、ＩＡの確率テーブルの更新、確率的グラフィカル・モデル（ＰＧＭ）のノード値についての状態の入力、および、問い合わせの実行を可能にするために、アルゴリズムおよびソフトウェア方法を支持している統計的または確率的な因果関係モデルである。エージェントまたはＩＡは、プロセス・パラメータを試算するために、または、プロセス運転を最適化するために、パターン認識、数値法などの追加のアルゴリズムおよび方法を備えてもよく、また、観察を監視、試験、および分類するために、そのようなアルゴリズムおよび方法を備えてもよい。本実施形態では、ＡＩＭＣシステム１００は、ベイジアン・ネットワークの形態でＰＧＭである因果関係モデル、または、マルコフ・ネットワークなどの無向確率的ネットワークを含む。しかしながら、当業者に知られているＰＧＮの他の実施が、これらの機能を実施するために用いられてもよい。

【0079】

ＡＩマネージャ１５２以外のＩＡの典型的な運転は、以下のことを含む。
・入力データを受信すること。
・必要な場合、データをさらに分析するためにアルゴリズムを用いること。
・いずれの確率テーブルも更新すること。
・統計的または確率的な因果関係モデルを計算または解決すること。
・決定または指示に至ったかどうかを決定すること。
・そうでない場合、必要とされる追加の試験またはデータを特定すること。
・ＡＩマネージャ１５２に報告すること。
・解決策に至るまで、ＡＩマネージャからのさらなる命令またはデータを待つこと。

【0080】

プロセスおよび異なる診断的複雑性に応じて、各々の種類のＩＡの複数のＩＡが展開されてもよい。ＩＡの作動および実行は、統計的または確率的に決定される優先順位の基準において制御される。代替で、ＩＡは、その複雑性を低減するために、および／または、その能力を高めるために、別体のサブ・エージェントへと分けられてもよい。例えば、データおよびモデル化のエージェント１５８は、履歴データを管理および試験するための別体のＩＡと、リアルタイムまたは流れデータを管理および試験するための別体のＩＡとに分けることができる。診断エージェント１５４およびそのＰＧＮは、オブジェクト指向の手法で構築でき、その場合、別体のエージェントとして、または、単一のエージェントでのより大きくさらに網羅的なＰＧＮの一部として、各々が個別に実行され得る潜在的な診断の範囲のための複数のサブＰＧＮから成る。網羅的なエージェントの下での複数のサブ・エージェントの一例は、オブジェクト指向ベイジアン・ネットワーク（ＯＯＢＮ）である。ＰＧＮが、より大きいＰＧＮネットワークにおける単一のノードとして表されてもよい。ＰＧＮは、それ自体において、または、他と併せて、実行され得る。

【0081】

実施
ＩＡは、任意の適切な方法およびプログラム言語を用いて実施されてもよい。図８〜図１１は、周期的な汲み出しプロセスの背景における一部のＩＡの機能図の一部の例を示す。図８は、データおよびモデル化のエージェント１５８の機能図を示している。図示しているように、データおよびモデル化のエージェント１５８は、ポンプジャック運転の履歴データ３７０を保存し、運転領域データ３８４と、統計的運転データ３８６と、理想的な運転モデルのデータ３８８とを管理する。運転領域データ３８４、統計的運転データ３８６、および理想的な運転モデルのデータ３８８は、参照３９０として状況エージェント１５６に供給される。

【0082】

通信モジュール１６４を介してポンプ制御装置１６６から受信されるセンサ・データ３７２は、地上運転についてのモデル化データ３７６を生成するための幾何学的モデルおよび運動学的モデル３７４を用いて、データおよびモデル化のエージェントで分析される。幾何学的モデルおよび運動学的モデル３７４を用いて分析された後、データ３７２は、油井の穴の運転についてのモデル化データ３８０を生成するために、プロセス・モデル３７８を用いてさらに分析される。地上運転についてのモデル化データ３７６と、油井の穴の運転についてのモデル化データ３８０とは、信号３８２として状況エージェント１５６へと供給される。

【0083】

図９は状況エージェント１５６の機能図を示している。状況エージェント１５６は、参照３９０および信号３８２をデータおよびモデル化のエージェント１５８から受信し、運転の逸脱が所定限界４０２以内であるかどうかを決定するために、受信した参照３９０および信号３８２を比較する。運転の逸脱が所定限界４０２以内でない場合、分類部４０４が、適切な診断エージェント１５４またはモデル／パラメータ調整エージェント１６８を起動して、システムを診断するために、および／または、運転モデルを調整するために、１つまたは複数の起動イベント４０６を生成するために用いられる。分類部４０４は、プロセス状態を追跡するためにサブ・モジュール４０８も起動する。

【0084】

運転の逸脱が所定限界４０２内である場合、サブ・モジュール４０８は、プロセス状態を追跡するために起動される。

【0085】

サブ・モジュール４０８は、起動されるとき、運転領域分析４１０とパターン認識４１２とを用いて、運転状態を追跡する。運転状態追跡の間、サブ・モジュール４０８は、運転状態追跡を容易にするために試験４１４を実施し得る。前述のように、プロセス状態はＡＩマネージャ１５２に報告される。

【0086】

図９の例では、プロセスは符号４１６を用いて集合的に示されている６つの状態Ｓ１からＳ６の間のループとして示されている。当業者は、状態のこのようなループが単に図示の目的のためだけであり、実際のプロセスは複雑な状態図を有し得ることは、理解するものである。

【0087】

図１０は診断エージェント１５４の機能図を示している。図示しているように、診断エージェント１５４は、既知数のノードのネットワーク、システム運転を診断するための条件および測定基準を含む因果ＰＧＭモデルを用いる。

【0088】

最上位レベル・ノード４４２は、プロセス・パラメータと、独立条件もしくは周囲条件と、例えば、直接的に測定される、もしくは、プロセスに適用されるといった、観察され得る、または、相対的な確実性で既知とされているプロセスの状態となど、既知もしくは既知変数である。既知４４２は、応力サイクルの数、故障となるロッド応力、故障または保守の履歴、累積生産または材料特性などの既知の生産測定基準、相対的確実性で既知とされているプロセス入力またはプロセス変数など、履歴データも含み得る。

【0089】

中間のレベルのノード４４４は、プロセスにおける逸脱に寄与している根本的な条件についての潜在的な診断である条件である。

【0090】

条件４４４は、流体レベルの変化か、構成要素の品質、故障、または劣化を示すパラメータか、制御措置を必要とし得る、または、プロセスの性能および／もしくは品質を確保するために追跡もしくは管理される必要があり得る関心または価値の他の条件かなど、変動プロセス・パラメータまたはその状態を含み得る。条件４４４は、例えば、疲労をもたらし、故障への時間または応力に影響を与える、多くのサイクルにわたっての累積応力といった、モデルおよび運転の調節への必要性を決定する運転の限界または閾値も含み得る。

【0091】

最下位のレベルのノード４４６は、試験の結果、観察可能なもの、兆候、または、許容可能な度合いの確実性で根本的な条件を特定するために固有の確率が用いられる根本的な条件に依存する測定基準を含む、測定基準である。測定基準４４６は、エネルギー節約、生産最適化、機器状態またはプロセス状況、計算されたポンプ・フィルエージ（ｆｉｌｌａｇｅ）、流体レベルの自動または手動の試験／確認による結果、コンピュータ分析、観察されたプロセス条件など、条件の診断または決定において支援するために、常にではないが通常開始される種類を含み得る。

【0092】

モデル／パラメータ調整エージェント１６８は、プロセス・モデルを修正するように少なくとも１つのパラメータを特定するために、確率的グラフィカル・モデルを利用する。図１１は、運転モデルが最後の既知の状態から大幅に逸脱されるときに作動されるモデル／パラメータ調整エージェント１６８の機能図を示している。図示しているように、運転モデルがその既知の状態４７２から大幅に逸脱されることが決定されるとき、モデル／パラメータ調整エージェント１６８は、既存のモデルが逸脱４７４に対処できるかどうかを確認する。対処できる場合は、モデル／パラメータ調整エージェント１６８は終了４７６をする。

【0093】

既存のモデルが逸脱に対処できない場合、モデル／パラメータ調整エージェント１６８は、複数の変動４８０、パラメータ４８２、および測定基準４８４のネットワークを含む因果ＰＧＭモデルを用いて、因果関係４７８を確認する。履歴データ４８６および要求測定基準４８８は、因果関係確認４７８でも用いられる。因果関係確認４７８の結果は、最大推定パラメータを調節４９０し、プロセス・モデル予測部を更新４９２するために用いられる。逸脱がなおも存在４９４する場合、プロセス・モデル予測部は、さらに最大推定パラメータを調節し、プロセス・モデル予測部を更新するために、因果関係確認４７８へと供給される。逸脱が排除されている場合（符号４９４の「いいえ」の分岐）、比較４９６が、試験結果を実際のプロセスと比較するために実施される。逸脱４９８が存在することを比較４９６が示す場合、次の最大推定パラメータが選択５００され、因果関係確認４７８が再び実施される。

【0094】

比較４９６が逸脱のないこと（符号４９８の「いいえ」の分岐）を示す場合、モデル／パラメータ調整エージェント１６８は、プロセス・モデル予測部を用いて、データおよびモデルのエージェント１５８を更新する（符号５０２）。

【0095】

周期的な汲み出しプロセスでの実施のためのタイミング図が図１２に示されており、「理想的な」領域から逸脱するパターンが追跡および学習されると共に、特定される、または、後の特定のために保管されるデータ・サンプル運転へのデータ・サンプルを示している。より良い図示の目的のために、図１２は図１３Ａ、図１３Ｂ、および図１３Ｃの３つの部分に区分けされている。

【0096】

概して、システムは、リアルタイム・データを、プロセスの統計的プロファイルおよび／もしくは履歴的プロファイル、または、プロセスの模擬的プロファイルと比較し、運転不一致を考慮することで逸脱を特定することを含む。状況エージェント１５６は、プロセスの進行および具体的状態を追跡する。パターン認識、運転領域からのドリフト、および逸脱の測定基準が、推定診断エージェントを特定してモデル／パラメータ調整エージェント１６８を含むことを起動するために、分類部にある。ＡＩマネージャ１５２は、適切な診断エージェント１５４を起動し、結果を受信する。因果関係のあるプロセス特有のＰＧＮを備えた診断エージェント１５４は、逸脱についてのあり得る原因と、その原因の可能性とを特定する。

【0097】

ＡＩマネージャ１５２は、様々な診断エージェント１５４の確率を比較し、高い確実性の診断の状況エージェント１５６を更新する、または、不確実性のレベルが高すぎて起こり得る原因を識別できない場合に、追加の診断試験を開始する。ＡＩマネージャ１５２は、診断エージェント１５４の出力に基づいてモデル／パラメータ調整エージェント１６８をさらに始動してもよい。制御方策エージェント１６２は、１つまたは複数の診断の確率に基づいて制御措置の機会および／または危険性を評価し、機会／危険性の分析に基づいて制御措置を推奨する。さらに、取られる正確な制御措置を最適化または決定するために、制御措置が実施される前に、最適化エージェント１６０が起動されてもよい。

【0098】

詳細なエージェントの説明
この実施形態では、システム１００のＩＡは、ポンプジャック運転を監視し、サッカー・ロッド・ポンプを動的に調節する。

【0099】

ＡＩマネージャ
ＡＩマネージャ１５２はすべてのＩＡを管理する。ＡＩマネージャ１５２は、優先順位を取り扱い、１つまたは複数のデータ＆モデル化のエージェント１５８および状況エージェント１５６から受信される観察および起動に基づいて、１つまたは複数の診断エージェント１５４を起動する。

【0100】

図１４に示しているように、ＡＩマネージャ１５２のプロセスは、異なるＩＡの実行および運転を調整するために、自律的で非同期的である。ＡＩマネージャ１５２の責任には、次のことが含まれる。

【0101】

− 状況エージェント１５６から出力を受信し、適切なエージェントを作動し、エージェントに動的に優先順位を付け、異なるエージェントからの結果を監視すること。
− すべてのアクティブな診断エージェント１５４、最適化エージェント１６０、および制御方策エージェント１６２の状況を追跡すること。
− データ＆モデル化のエージェント１５８および状況エージェント１５６によって使用される試験を有効化、無効化、または調節するために、診断エージェント１５４および制御エージェント１６２から受信される結果を使用すること。
− ベイジアン・ネットワークおよび／または他のＩＡなど、ＰＧＭを多くが含み得る、ＩＡなどの異なる計算スレッドへの起動およびデータ転送を監視すること。
− プロセス中のメッセージング（非埋め込み）またはイベント起動（埋め込み）を用いること。
− ベイジアン・ネットワークの自己学習運転とプロセス・パラメータの更新とを管理すること。

【0102】

データ＆モデル化のエージェント
データ＆モデル化のエージェント１５８の一役割は、プロセス情報を監視および追跡することと、他のエージェントによる使用のために、プロセス情報に基づいてプロセス・モデルを実行することとである。

【0103】

図１５に示しているように、データ＆モデル化のエージェント１５８は、リアルタイムで同期的に運転し、各々の時間データが受信される完了までか、周期的プロセスまたはバッチ・プロセスにおけるサイクルの各々の完了の後まで実行することで入力データを取り扱い、および／または、より長い期間／複数のサイクルにわたって実行することで、入力データを取り扱う。

【0104】

データ＆モデル化のエージェント１５８は、プロセス・モデルを実行し、リアルタイム分析を実施し、診断エージェントまたは決定エージェントのおかげで作用するＡＩマネージャ１５２によって指示される各々のデータ・サンプルおよび／またはサイクルにおいて試験する。データ・サンプル同士の間に設けられる時間より長い計算期間を必要とする試験またはアルゴリズムが、開始され、非同期的に実行される可能性がある。

【0105】

データ＆モデル化のエージェント１５８は、履歴データのロギング６２２も実施する。

【0106】

データ＆モデル化のエージェントは、リアルタイムで運転し、入力データを受信および条件付けし、必要により、より低い優先順位のデータをポーリングする。データ＆モデル化のエージェントは、機器の運動学的および動的のモデル６１０を実行することになり、プロセスの実際の性能を観察および試算するために、受信されたデータを利用して処理をする。そのために、データ＆モデル化のエージェントは、入力データに対する比較のために、性能参照を生成およびログを取ることになる。

【0107】

これらの参照は、プロセス・パラメータに基づき、プロセスの性能の静止モデル６２６を含むことになる。運転領域または参照は、静止測定または既知のプロセス・パラメータに基づかれ、例えば、システムが開始しているが調節され得ないこと、または、モデルがより高いレベルの能力および正確性を提供するのに十分な情報を有し得ないことといった、すべての条件の下で運転限界内にあることを確保するために依拠される。運転領域は、何のプロセス変数およびパラメータが正常運転にあるべきかの合理的な予想を提供する。

【0108】

参照は、プロセス・ノイズおよび外乱を除去するように一部で意図されている複数のプロセス・サイクルに基づいた重要な測定および導出されたプロセス・パラメータの標準偏差で統計的に生成された平均参照をさらに含む。統計的に生成された平均参照は、複数のサイクルにわたって生成され、周期的にログに記録され、現在のプロセス性能に対する比較のために限られた時間の周期にわたって用いられ、それから、より新しい参照が必要により生成されるとき、または、プロセス・パラメータが変化するとき、置き換えられることになる。各々のログに記録された参照は、履歴分析のために保管される。

【0109】

参照は、動的プロセスを組み込むと共に理想的または計画された出力を含み得るか含み得ない測定および導出されたプロセス・パラメータを利用する、モデルに基づいた予測参照６２４も含む。このモデルは、入力プロセス・データと比較および評価されることになり、同じくログに記録され、統計的な参照のように周期的に更新される。

【0110】

ポンプジャックなどの往復動システムの場合では、エージェントは、入力プロセス・データで地上および油井の穴の機器の運動学的および動的のモデル６１０を用いて、各々のポンプ・サイクルについて、地上および油井の穴の動力計カード６１４および６１６をそれぞれ生成６０６する。動力計カード６１４および６１６は、完全な下り行程が続く完全な上り行程から成る一連の一回のポンプ・サイクルの間のロッド位置の関数として、ロッド負荷を表している。次に、カード６１４および６１６の実際の値および形は、静止で統計的な予測のモデルと比較または相互に関連付けられる。

【0111】

配管およびケーシングの圧力や、ポンプ摩擦、ポンプ・フィルエージ、流体レベル、ロッド・ストリングに沿ってのロッド応力などの測定または導出される力およびパラメータ、または、様々なプロセス機器の構成要素、地上、もしくは油井の穴に加えられる測定または導出される力およびパラメータを含むが、それらに限定されない追加のプロセス・パラメータが、監視されてもよい。

【0112】

生産および運転の問題を特定するために、写真または動画などの視覚的情報を使用する可能性も認められる。例えば、動画センサまたはカメラ１０６によって捕らえられるサッカー・ロッド・ポンプの動作の動画は、プロセス入力の監視だけからは明らかとされ得ないベルトの滑り、化学物質の漏れ、または、壊れた構成要素などの機械的な問題を特定するために有用であり得る。ボイラなどの他のプロセスでは、熱画像が、ボイラ管路網における高温または低温の部位を特定して見つけるために利用され得る。エージェントは、他のエージェントによる使用のために、ＡＩマネージャ１５２によっておそらく要求される特定の試験のためのアルゴリズムを含むことになる。これらの試験は、データ・ストリームとして実施されることになり、サイクルの全部または一部に対して実施され得るか、所与のサイクルが完了すると実施され得る。周期的試験についての計算は、プロセッサ利用を最適化するために、流れてくるデータとサイクルの完了との間で分配されてもよい。試験は、それぞれプロセス／機器の運転領域および安全限界において、静止、参照、および、モデル予測の地上および油井の穴のカード６３８、６３４、および６３６との入力データの比較を含む。

【0113】

エージェントは、測定／導出されたデータと試験の結果とを状況エージェント１５６にまず送信するか、要求された場合には、ＡＩマネージャ１５２へと直接送信する。エージェントは、履歴データおよび参照の周期的ロギングを内部で管理することになる。エージェント特定の試験とデータの例外ロギングとが、ＡＩマネージャ１５２の要求で生じることになる。

【0114】

典型的な観察可能な条件と、サッカー・ロッド用途について構成された情報とには、ケーシングおよび配管の圧力、流体レベル、測定および計算された油井パラメータおよび構成、ロッド・ストリング完了データ、流体の粘度および組成、流れあり／なしの検出、振動感知レベル、モータ電圧、電流、トルク、速度、振動感知レベル、モータ電圧、電流、トルク、速度、静止および動的でのロッド負荷、ストローク参照位置、インターロック状況がある。

【0115】

状況エージェント
状況エージェント１５６の主な役割は、プロセス条件またはパラメータにおいて外乱または変化などを起こす正常運転または予測される運転からのあらゆる潜在的な変動または逸脱を特定することである。図１６は状況エージェント１５６の詳細を示している。状況エージェント１５６は、エージェント特定の試験６５６と選択的な試験６５８とを実施するために、複数の入力パラメータ６５４を用いるベイジアン・ネットワーク６５２を備えている。ベイジアン・ネットワーク６５２は、ＡＩマネージャ１５２のために複数の出力６６０を生成する。

【0116】

・状況エージェント１５６は、正常、理想的、または予測される運転からの逸脱を検出するための機構、ＰＧＭに基づいたプロセスの状態モデル、運転領域分析手段、パターン認識手段、適切な診断エージェント１５４および制御エージェント１６２を起動するための分類部と、必要な場合、機械学習技術を介して固有のＰＧＭを更新するための機構とから成る。

【0117】

・状況エージェント１５６は、リアルタイム・データと履歴データとの間でモデル予測を監視および特定する。

【0118】

・状況エージェント１５６は、変動が正常な運転から大幅に逸脱するかどうかを特定し、変動についての潜在的な発生源または発生源の種類を特定するために試験を開始し、調査のための優先順位を設定する。これは、貴重な限られた計算能力の使用を最適化する。

【0119】

・運転領域分析は、周期的に更新される履歴データ、および／または、プロセスの予測される／理想的なモデルに基づいて、プロセスの統計的手段を用いる。正常または理想的な運転からの逸脱は、それらの重大度に関して特定およびフラグ付けされる。

【0120】

・プロセスの状態は、現在の運転の状態を確率的に特定するために、リアルタイム・データでの試験を利用するＰＧＭに基づいた状態モデルを用いて、その運転サイクルを通じて進むときに追跡される。

【0121】

・例えば、サッカー・ロッド・ポンプの用途では、油井の穴のポンプは、ポンプの流体負荷が、上向き動作、移動弁の閉動作、および停止弁の開動作によって持ち上げられ、ポンプの下向き動作、移動弁の開動作、および停止弁の閉動作が続く上り行程を通じて循環する。弁の状態に加えて、流体および／またはガスの加圧および減圧の状態がある。プロセスが異なる状態を通じて進むにつれて、ＰＧＭは、観察および試験の結果に基づいて、各々の状態の可能性を決定する。ＰＧＭは、隠れマルコフ・モデル、ベイジアン・ネット、または同様の確率的グラフィカル・モデルであり得る。図１７を参照されたい。

【0122】

・パターン認識機構が含まれる。好ましい実施は、ＰＧＭによるプロセス状態追跡を支援するために、データベースから既知のパターンへの入力データ・ストリームの確率的マッチを提供する時間系列のパターン認識である。ユークリッドの動的時間伸縮および動的逸脱時間伸縮が、多くの機構が存在するにもかかわらず、実施についての好ましいマッチング基準である。また、パターン認識は、プロセス逸脱と関連付けられる反復パターンを特定および分類することができ、これらのパターンを保管し、プロセス変動と併せてそれらの再発を追跡できる分類機構を備えることで、その再発と関連付けられるパターンおよびデータ観察を用いて、手作業の診断、または、機械学習技術に基づく診断を支援する。

【0123】

・最後に、分類部が、起動する適切な診断エージェントおよび／または制御エージェントを特定および優先順位付けをするために用いられる。

【0124】

・ＰＧＭおよび分類部の確率テーブルが、診断が確定され、性能を向上するのに有効であるとされるとき、更新される。

【0125】

状況エージェント１５６は、予測または正常の運転からの逸脱を特定するために、プロセス・モデル予測および／または統計的履歴データに対してプロセス・データを比較する分類部として、ＰＧＭを利用する。

【0126】

逸脱の性質に基づいて、特定のプロセス・パラメータの診断または評価が、発生源および因果関係を特定するために、起動および優先順位付けされ得る。

【0127】

試験および試験の結果の完了の通知が、ＡＩマネージャ１５２に直接的に送られることになり、これは、適切な診断エージェント１５４、モデル／パラメータ調整エージェント１６８、最適化エージェント１６０、および制御エージェント１６２を起動および優先順位付けすることになる。例えば、プロセス・モデルのパラメータにおいてあり得る逸脱は、モデル／パラメータ調整エージェント１６８の作動を起動することになる。

【0128】

様々なエージェントによる診断試験の結果および診断の確定は、状況エージェント１５６をさらに調教するために、ＡＩマネージャ１５２を介して状況エージェント１５６へと通信される。状況エージェント１５６についての事前確率は、手作業で設定され得る、または、同様の油井によって確立された確率から導出され得る。

【0129】

隠れまたは潜在の変数／ノードが、展開される確率的グラフィカル・ネットワークの元の設計で検討されていないモード、依存性、関係、または問題の特定を容易にするために、状況エージェント１５６へと組み込まれることになることが意図されている。

【0130】

最初に、状況エージェント１５６は、事実上反復である必要があり、プロセス条件が行程から行程へと持続または発展するときに監視する。ＡＩマネージャ１５２へと中継されることが、状況の条件および警報を発生することになり、これは、診断および一連の措置を容易にする。何回かの行程の後に持続する逸脱は、一部の条件の確率と、したがって処理装置の計算優先順位の再割り当てとを増加させ得る。

【0131】

状況エージェント１５６は、一連の時、日、または月にわたる漸進的なレベルで進行するプロセスまたは油井の条件への変化を認識できる必要があり、油井の条件の履歴傾向へのアクセスを必要とする。状況エージェント１５６は、短い期間およびより長い期間のプロセス変動に対処するために、２つの別体のエージェントへと分割されてもよい。

【0132】

このエージェントが、決定論的または論理的な種類の制御にとってより良好にされたままとなる一部のシステム状況について発生する警報を除外するために、範囲が狭められ得ることも認められる。

【0133】

既知の逸脱を是正するための制御措置の存在または不在は、いくつかの行程以上を取り得る、または、追加のプロセス変動を生成し得る条件を解決するとして、ベイジアン・ネットワークに組み込まれてもよい。

【0134】

診断エージェント
診断エージェント１５４の役割は、プロセス条件またはパラメータにおいて外乱または変化などを起こす正常運転または予測される運転からのあらゆる潜在的な変動または逸脱を特定することである。図１８Ａに示しているように、１つまたは複数の診断エージェント１５４が、ＡＩマネージャ１５２と通信してもよい。

【0135】

− 診断エージェント１５４は、正常な運転またはＭＰＣからの変動の因果関係を診断する。起動された後に非同期的に運転する。
− 診断エージェント１５４は、試験および既知のデータに基づいて、機器のあり得る条件および／または逸脱のための因果関係を特定する。
− 診断エージェント１５４は、ＡＩマネージャを介して、データ＆モデル化エージェントによる試験を要求してもよい。
− 診断エージェントからの出力は、プロセス・パラメータにおける変動を特定および定量化することになるモデル／パラメータ調整エージェント１６８などの追加のエージェントを起動するために用いられてもよい。

【0136】

図１０も参照すると、好ましい診断エージェント実施では、臨床の診断で見い出される特徴を共有する３つの主要なレベルまたは種類のノードを持つ因果ＰＧＭモデルが用いられる。

【0137】

前述のように、最上位レベル・ノード４４２は、プロセス・パラメータと、独立条件もしくは周囲条件と、観察され得る（直接的に測定され得る、もしくは、プロセスに適用され得る）、または、相対的な確実性（傾向）で既知とされるプロセスの状態とから成る。

【0138】

中間のレベルのノード４４４は、プロセスにおける逸脱（疾患）に寄与している根本的な条件についての潜在的な診断である条件である。

【0139】

最下位のレベルのノード４４６は、試験の結果、観察可能なもの、兆候、または、許容可能な度合いの確実性で根本的な条件を特定するために固有の確率が用いられる根本的な条件に依存する測定基準である（診断試験、兆候）。

【0140】

診断エージェントの例１：外乱によるプロセス逸脱：ガス干渉
図１７および図１８Ｂに示しているように、診断エージェント１５４Ａが、ガス干渉モデルを適用するために、条件を有効化および定量化するために、ならびに、モデル予測制御への更新または調節を容易にするために、徴用または開始される。診断エージェント１５４Ａは、ガス干渉モデル７０１とベイジアン・ネットワーク７０２とを備えており、ベイジアン・ネットワーク７０２は、エージェント特定試験７０６および選択的試験７０８を実施するために、適切な方法を用いて得られる複数の入力パラメータ７０４を用いる。ベイジアン・ネットワーク７０２は、ＡＩマネージャ１５２のために複数の出力７１０を生成する。診断エージェント１５４Ａは、ポンプ・フィルエージ７１２の静止データも含んでいる。

【0141】

モデルに適用される試験は、十分な負荷が流体の荷重および摩擦、位置および時間に対する負荷の変化の速さのために低下されているかどうか、油井の穴のポンプ負荷における他の観察される逸脱と、潜在的には地上におけるロッド負荷とを仮定して、負荷の変化のタイミング、位置、および速さが、ガスおよび流体の圧縮のモデルと一致しているかどうか、油井の穴の荷重位置のプロファイルにおけるガス干渉のパターン認識を含むことになる。図１７では、様々な動力計が示されており、運転の様々な段階が、次のもの、すなわち、ＰＰＲＬ−ピーク研磨ロッド負荷、ＭＰＲＬ−最小研磨ロッド負荷、ＣＢＥ−平衡効果、ＴＶ−移動弁、ＳＶ−低止弁と、１−ＤＨ上り行程、２−流体負荷上昇、ＳＶ開、ＴＶ閉、３−ＤＨ行程の最上位／ＤＨ下り行程の開始、４−流体負荷が低下される、ＴＶ＆ＳＶ閉、５−ガスおよび流体の圧縮完了、ＳＶ開、６−進行中のガス圧縮、ＴＶ＆ＳＶ閉、ポンプ・フィルエージ特定可能、７−流体負荷上昇、ＴＶ開、ＳＶ閉、８−ポンプ・プランジャがポンプの最上位に衝突、および、９−ポンプ・プランジャがポンプの最下位に衝突を特定する数字で表したプロセス点とによって特定されている。ガス干渉に関するサンプル逸脱は、点線で示されている。

【0142】

著しいガス干渉は、ロッド・ストリングおよび機器に圧力を与える流体強打をもたらす可能性がある、または、油井における流体レベルを汲み出しが再開するのに十分となるように上昇させるために、機器の停止を必要とするガス・ロックまたはポンプオフの条件を指し示す。診断エージェント１５４Ａは、機器疲労への寄与を評価するために、さらに他の別体の診断エージェント１５４Ａを起動してもよい。

【0143】

診断の確率は、他の条件のための独立した診断の結果に基づいて、正確な診断の可能性を評価するために、ＡＩマネージャ１５２によって比較されることになる。

【0144】

診断エージェントの例：疲労監視
さらに、ＡＩマネージャ１５２によって要求されるとき、ロッド・ストリング機器の疲労を監視、評価、および追跡する、疲労監視のためのさらなる診断エージェント１５４Ｂが、採用され得る。図１８Ｃに示しているように、診断エージェント１５４Ｂは、油井穴モデル７４０とベイジアン・ネットワーク７４２とを備えており、ベイジアン・ネットワーク７４２は、エージェント特定試験７４６および選択的試験７４８を実施するために、適切な方法を用いて得られる複数の入力パラメータ７４４を用いる。ベイジアン・ネットワーク７４２は、ＡＩマネージャ１５２のために複数の出力７５０を生成する。診断エージェント１５４Ｂは疲労追跡データ７５２も含む。診断エージェント１５４Ｂは、診断履歴を監視およびロギングするための監視／ロギング・サブ・モジュール７５４を管理する。

【0145】

運転の間にロッドに加えられる力は、油井穴モデル７４０によって計算される。これらの力から生じる応力および疲労が定量化および追跡される。グッドマン分析方法７４４が、各々の行程で加えられる応力が、ロッド・ストリングの疲労およびライフ・サイクルに影響を与える。図１９Ａおよび図１９Ｂは、全体サイクルにわたってのロッド・ストリングにおける応力および疲労の負荷の三次元プロットを示している。地上は、典型的には、ロッド・ストリングが行程におけるどこで過度に応力が掛けられるのかを使用者に容易に特定させることができる、サイクルを通じてロッド・ストリングの各々の区域についてのグッドマン負荷を示すためにカラー化されている。

【0146】

短い期間および長い期間でのロッド・ストリングへの損傷の可能性が、機器についての故障ごとの平均時間（ＭＴＢＦ：Ｍｅａｎ Ｔｉｍｅ Ｂｅｔｗｅｅｎ Ｆａｉｌｕｒｅｓ）への影響を含め、評価される。

【0147】

許容できないレベルの応力は、フラグ付けまたは警告され、特定の制御措置が決定および実施され得るように、ＡＩおよびアラーム・マネージャに戻される。

【0148】

診断エージェントの例：油井パラメータ
図１８Ｄは、油井パラメータを監視、評価、および追跡する、油井パラメータ監視のためのさらなる診断エージェント１５４Ｃを示している。図示しているように、診断エージェント１５４Ｃは、油井穴モデル７８０とベイジアン・ネットワーク７８２とを備えており、ベイジアン・ネットワーク７８２は、エージェント特定試験７８６および選択的試験７８８を実施するために、適切な方法を用いて得られる複数の入力パラメータ７８４を用いる。ベイジアン・ネットワーク７８２は、ＡＩマネージャ１５２のために複数の出力７９０を生成する。診断エージェント１５４は、更新された油井パラメータ７９２も含む。

【0149】

モデル／パラメータ調整エージェント
モデル／パラメータ調整エージェント１６８は、診断試験の結果に基づいて、確率的プロセス・モデルを修正し、プロセスを調節するために１つまたは複数のパラメータを特定する。モデル／パラメータ調整エージェント１６８は、試験および既知のデータに基づくプロセス・モデルに寄与するプロセス・パラメータおよび／または機器条件の起こり得る変動を特定するＰＧＭを採用する。

【0150】

プロセス・パラメータ変動のための確率を用いて、モデル／パラメータ調整エージェント１６８は、観察される逸脱への可能性のある寄与を特定および定量化し、それらをプロセスから観察される現在のデータに対して有効化するために、数値法または反復法を開始および優先順位付けすることができる。潜在的な発生源が定量化されると、プロセス・モデルを補正するために必要とされる変動の確率が、不正確な診断と関連付けられる危険性を考慮する決定ネットを用いて確率的に検討される。

【0151】

通常の運転外である特定の測定基準、試験、または測定が、プロセス・モデルの診断および調整において支援するために必要であってもよく、必要により実施されることになるが、「調整」されると、これらの試験に対する必要性は、生産に悪影響を与えないように、または、限られた計算能力を消費しないように、最小限にされるべきである。

【0152】

プロセス・モデル・パラメータ調整例：
サッカー・ロッド・ポンプの油井の穴の観察部モデルのための油井パラメータ調整エージェント

【0153】

プロセス・モデルは、「自己調整」または学習である。これは、それ自体の特化されたＩＡで対処されるように意図されている機器の故障また外乱を除く。

【0154】

プロセス・モデル・パラメータ調整エージェントの役割は、プロセス・モデルが実際のプロセスを正確に反映することを確保するものである。状況エージェント１５６および診断エージェント１５４によって起動されると、調整エージェント１６８は、プロセスとプロセス・モデルとの間で逸脱に寄与するモデル・パラメータ、プロセス変数、および機器条件において潜在的な変動を特定、評価、および定量化する。

【0155】

油井の条件における変化が、行程から行程へと持続する、または、漸次的なレベルで進行するとき、プロセス・モデルが正確なままであることを確保する必要がある。プロセス・モデルのパラメータにおいてあり得る逸脱は、調整エージェント１６８の作動を起動することになる。

【0156】

運転の基本的概念
普通の、平均的な、または典型的なプロセス・サイクルの履歴変遷を用い、プロセス・モデル調整エージェント１６８は、履歴変遷において観察される逸脱について起こり得る原因を特定し、原因を有効化し、モデルにおけるパラメータを補正する。

【0157】

サッカー・ロッド・ポンプ／油井の場合、多くの異なるパラメータが変化する、または、条件がプロセス逸脱に寄与し得る。

【0158】

油井の条件は、機械的システムの故障、ポンプオフまたはガス・ロック、ロッド・ストリングの粘着の場合にあるとき、ある行程から次の行程までに非常に素早く変化する可能性がある。これらは、警報、制御モードの変更、または、条件の性質に応じた措置のために、特定およびフラグ付けされる必要があり得る。ガス圧力、温度、ポンプ速度、ロッド負荷など、他の条件が測定されてもよい。

【0159】

プロセス・モデル・パラメータは、より漸次的に変化するが、変化するにつれて油井の条件によって影響もされ得る。例えば、配管における漏れは、配管における流体レベルおよび圧力に影響を与え得る。

【0160】

これらの油井条件の一部は、複数のパラメータに影響を与える可能性がある。例えば、温度は、流体粘度に影響を与え、ワックスに摩擦の増加を促進させてしまう可能性がある。流体レベルは油井の穴の圧力に影響を与え、浮力のあるロッド重量が摩擦、粘度、および他の観察される力に影響を与える可能性がある。

【0161】

一部のパラメータは、行程から行程へに対して、時を追うごとに、または、日を追うごとに、ゆっくりと変化する。エージェントは、パラメータの変化の速さを評価し、時間と共に明らかになると観察される誤差に最も影響を与えそうなものを追跡する。

【0162】

エージェントの運転の範囲は、油井穴モデルの調整に限定されることになるが、機器故障または一部の外乱など、（モデルから独立して）その範囲を超えている変化を特定することもできる。したがって、ＩＡは、他のエージェント、アルゴリズム、制御モード、または警報マネージャに、モデルからのプロセスにおける逸脱を解決することに従事させるように指示する。

【0163】

モデルを調整するために、アルゴリズムが大局的な検索ではなく補正値をより迅速に検索できるように、どのパラメータおよびそれらパラメータについての値の範囲に関しての指示をＩＡに提供させることは、有利であり得る。１つまたは複数のパラメータが調節を必要とするかどうかを特定することに、支援があってもよい。

【0164】

エージェント実施
プロセス・モデル調整エージェント１６８は、プロセスの履歴記録を現在の記録と比較することになり、どのモデル・パラメータが変化したかを特定および有効化し、補正された値を決定するために、プロセス変数の現在の測定値と導出されたプロセス測定基準とを取る。

【0165】

ポンプジャックの場合、プロセス・モデル・パラメータにおける変化を隠し得る、ある動力計カードから次の動力計カードへの大幅な変動がある。これを克服するために、複数の動力計カードがそれらの分配を生成するために用いられることになり、平均および分散／標準偏差が高速フーリエ変換（ＦＦＴ）の形態で周期的な原則で保存される。履歴の「平均」カードは、測定基準における推移を特定するために、直近の平均、または、プロセス・モデルの現在の出力と比較される。

【0166】

図１０を参照すると、好ましいＩＡ実施では、３つの主要なレベルまたは種類のノードを持つ因果ＰＧＭモデルが、臨床の診断で用いられるのと同様の手法で用いられることになる。

【0167】

前述のように、最上位レベル・ノード４４２は、プロセス・パラメータと、観察され得る（直接的に測定され得る、もしくは、プロセスに適用され得る）、または、相対的な確実性で既知とされる独立条件もしくは周囲条件とを含み、パラメータが変化した可能性に影響を与え得る（傾向）。

【0168】

中間のレベルのノード４４４は、確実性を持って直接的に測定できず、変動（疾患）を受けるプロセス・モデル・パラメータである。

【0169】

最下位のレベルのノード４４６は、観察可能なもの、兆候、または、モデルおよび油井の条件、もしくは、プロセス・モデル・パラメータおよび変動の範囲（診断試験、兆候）をさらに解決するために適用され得る試験の結果に依存する測定基準である。

【0170】

図２０は、プロセス、モデル８２４、および測定基準８２６において値８２２を表すために用いられ得る様々なノードのグループ化を示している。

【0171】

エージェントについての確率的グラフィカル・モデルは、２つの主要な構成要素、すなわち、プロセス測定基準の可能な範囲のマッピングと、プロセス・モデル・パラメータが変化した可能性の確率テーブルとを含んでいる。

【0172】

第１の構成要素は、プロセス変数の範囲およびプロセス・モデル・パラメータから生じるプロセス測定基準の可能な範囲のマッピングである。このマッピングは、必要により、変数もしくはパラメータについての名目値から絶対値または逸脱のものであってよい。プロセス変数の所与の例または範囲について本質的に、モデル・パラメータおよび測定基準の特定の例が、モデルに基づいて決定される。変数、パラメータ、または測定基準の一部または全部が、離散的な範囲または連続的な分配として表され、すべての値についてモデルの包括的な反復を通じて決定され得る。代替で、マッピングは、可能な変数およびパラメータの範囲にわたってのプロセスの機械学習および包括的なシミュレーションを介して完全に導出される依存性に反して、様々な変数とプロセス・モデルとの間の因果関係に基づくことができる。

【0173】

第２の構成要素は、最後の履歴記録が取られてからプロセス・モデル・パラメータが変化した可能性の確率テーブルまたは分配を含む。これは、履歴データに基づかれ得るが、計算も含み得る。計算の一例は、現在と履歴記録との間の時間を前提として生成される流体量の可能な範囲に基づく流体レベル変化の可能性であり得る。

【0174】

学習された構造でプロセス・モデルが学習した感度を示す図２１を参照すると、変化のマッピングおよび可能性が組み合わされ、構造を学習することが因果ＰＧＭを提供している。

【0175】

所与のセットのプロセス変数８２２および測定基準８２６について、ＰＧＭは、特定の数値法を変更してから起動して、モデルを正確に調整するために必要とされる正確な値を導出するために、最大推定モデル・パラメータ８２４を特定する。ＰＧＭおよび関連する「調整」アルゴリズムは、複数のモデル・パラメータが変化した可能性がある状況で運転することができる。これは、改訂されたプロセス・パラメータに収束するために、実際または履歴の結果で予測モデルを反復することを伴い得る。

【0176】

エージェントが、逸脱の発生源が診断および有効化され得るように捕捉試験を開始または要求することも、可能である。

【0177】

目標は、プロセスがバックグラウンドで実行しているとき、モデルを効率的および自動的に調整することである。ＩＡは、改訂されたパラメータにおける固定の前に、調整を有効化するために、試行の一部としてリアルタイム・データを利用してもよい。変化した特定のプロセス・パラメータは、プロセス・モデルおよびリアルタイム・データを用いて定量化および有効化され、すべての関連するＩＡについてプロセス・パラメータおよび確率テーブルを更新するために、ＡＩマネージャ１５２が参照される。

【0178】

ここで記載しているエージェントは、制御ループに直接的に入るように意図されていない。このエージェントは、逸脱の発生源がプロセス・モデル・パラメータにおける変動と関連されそうもないことを決定することで、他のエージェントをキューに入れてより高いレベルの油井の運転および条件への調査を開始するために、リソース・マネージャとしても作用できる。

【0179】

ポンプジャックの場合、速度の変動が相当の複雑さを加え、プロセス・モデル・パラメータを特定および補正するために、測定基準および学習された構造に大きな影響を与え得るため、可変行程内速度を用いる運転は固定行程内速度のものと異なるＰＧＭを必要としてもよい。この増加した封雑さは、プロセスが最適化され得る程度と、全体の方法および装置から加えられる値とを同じく大きく増加させる。

【0180】

モデル構成
油井「完了」に関連する特定のデータが知られている。それはそれとして、運転の過程で、初期モデルが、提供される構成情報に対して有効化されることになる。これは、設置される機器の種類とその特定の構成とに関連することになる。構成情報は、運転の間に変化する可能性が高い。周期的なポンプ制御装置の背景におけるこのような情報には、次のものがある。

【0181】

・ロッド・ストリングの種類、長さ、特定、全体ロッド・ストリング内の配置。
・ポンプジャックの種類、形状、ギア比、運転限度。
・油井の穴のポンプ、種類、寸法、運転限度、他の情報。
・配管の種類および固定。
・穿孔される油井の配向および偏向。
・動的モデル性能に影響を与え得る油井の穴または地上における他の機器。
・ロッドのスクラッパ、スペーサなど。
・プロセス変数。
・プロセス変数には、限定され得ないが、次のものがあり得る。
・ポンプの速度および位置。
・ケーシングおよび配管におけるガス圧力。
・地上における温度：大気、流れ経路。
・実際の生産。

【0182】

プロセス・モデル・パラメータ
流体が生成されていることについての情報があることになる。これらの値は、時間および生産率と共に徐々に変化する可能性がある。

【0183】

・ケーシングおよび配管における流体レベル。
・流体密度、粘度（静的および動的）。

【0184】

これらの値は、幅／圧力、温度、オイルの百分率、水性ガスまた他の流体（つまり、含水率）。

【0185】

プロセス測定基準
油井の状況と油井の穴の条件とについての他の情報があることになる。この情報の一部は、油井構成、直接の測定、または、分かっている場合には他の条件に基づいて、測定、計算、または推定／概算され得る。

【0186】

− ポンプ行程における時間および／または位置に対する地上および油井の穴の負荷測定。
− 油井の穴の温度、および、地上までの勾配。
− 油井の穴の静止ロッド負荷、および、地上までの勾配。
− 表面および油井の穴のカード流体重量、摩擦などの相対的な寄与および絶対的な寄与。
− オペレータ入力または手動試験が必要とされてもよい。

【0187】

制御方策エージェント
制御方策エージェント１６２の主要な役割は、最適化エージェント１６０および診断エージェント１５４からの診断結果および入力に基づいて、適切な制御措置を評価および推奨することである。制御方策エージェント１６２は、制御措置に関連付けられる危険性を考慮する確率的決定ネットを使用することを典型的には用いる。図２２は制御方策エージェント１６２の詳細を示している。図示しているように、制御方策エージェント５０３は、エージェント特定試験８５６を実施するために、最適化案内部８５８と、適切な方法を用いて得られた複数の入力パラメータ８５４とを用いるベイジアン・ネットワーク８５２を備えている。ベイジアン・ネットワーク８５２は、ＡＩマネージャ１５２のために複数の出力８６０を生成する。制御方策エージェント１６２の出力８６０は、ポンプジャック運転プロセスを修正するために、ポンプ制御装置１６６へも供給される。

【0188】

制御方策エージェント例：
サッカー・ロッド・ポンプの油井の穴の観察部モデルのためのポンプオフ・エージェント

【0189】

制御方策エージェント１６２は、診断エージェント１５４および他のエージェントからの情報に基づいて、正常運転からの変動を監視および特定し、適切な制御措置を推奨する。措置は、オフ／オン指示８６０、または、オンおよびオフの期間など、ポンプオフ・サイクル・パラメータ８６０の調整を含んでもよい。

【0190】

例えば、ガス干渉は、許容可能なロッド応力限度内にあり得る、または、あり得ないある流体強打をもたらす可能性がある。疲労監視エージェント（図示せず）は、ロッド・ストリングにより被られる疲労と、ＭＴＢＦへのその影響とを定量化することになる。条件、重大度、および外部条件の持続は、単一または複数の一連の措置を指図し得る。以前に遭遇した動作または条件の複数の流れの事象では、制御方策エージェント１６２は、最良の策略をアクセスおよび推奨するために、最適化エージェント１６０を起動し得る。

【0191】

疲労の重大度、故障の確率、修理のコスト、疲労を軽減するための制御選択肢、失われた生産の機会費用、または増加する生産の価値が、一連の措置を評価するために、危険性および機会に基づいて、ＰＧＮ決定ネットに影響される。ＰＧＮについての可能な構成が図２３に示されている。エージェントは、様々な診断エージェント１５４の結果を統合し、制御指示決定を行う。エージェントは、設計の問題、または、汲み出し速度を低くさせるなどの潜在的な軽減を、運転者に警告してもよい。制御方策エージェント１６２は、最適化エージェント１６０の推奨とより以前の推奨の成功とから、様々な条件についての最良の制御措置を学習するための学習エージェントである。

【0192】

最適化エージェント
最適化エージェント１６０は、プロセスを調節するように制御措置を決定するための最適化方策を特定するために、最適化方策に従って最適化されるパラメータの数値検索領域を特定するために、および、パラメータの大局的または最良適合の局所的な最適条件を検索するために数値最適化を実施するために、ＰＧＭを利用する。図２４は最適化エージェント１６０の詳細を示している。図示しているように、最適化エージェント１６０はベイジアン・ネットワーク８８２を備えており、ベイジアン・ネットワーク８８２は、エージェント特定試験８８６および選択的試験８８８を実施するために、適切な方法を用いて得られる複数の入力パラメータ８８４を用いる。ベイジアン・ネットワーク８８２は、ＡＩマネージャ１５２のために複数の出力８９０を生成する。最適化エージェント１６０は、生産潜在部８９２および最適化案内部８９４のデータの管理もする。

【0193】

最適化エージェント１６０の役目は、潜在的な最適化方策を評価し、案内を提供するために、モデルと計算されたパラメータとを用いることである。エージェント１６０は、典型的には、異なる最適化方策措置に関連付けられる機会または危険性を考慮する確率的決定ネットを使用する。

【0194】

また、プロセスに対する変更が、潜在的には機械学習技術を介して、確率的に決定されると共にＰＧＮとして表され得るように、プロセス・シミュレーションは、プロセス応答を包括的または選択的にマッピングして変数、変数の演算の範囲、および潜在的な逸脱を処理するために利用できる。プロセスの履歴観察と組み合わされるとき、これは、リアルタイムでの包括的シミュレーションおよび／または数値法なしで、実際は極めて確定的であるプロセス最適化の手段を可能とする。

【0195】

機械学習技術を用いると、エネルギー消費または生産高などのプロセス応答が、ＰＧＮで表され、数値最適化手段に案内を提供するために使用され得る。案内は、数値検索領域における大局的最適条件または最良適合の局所的な最適条件である、運転パラメータについての最適な解決策に収束するために、最適化される運転パラメータの、数値検索についての小さい数値検索領域を特定することを含み、または、高いレベルの確実性のあるプロセスの場合には、最適な運転パラメータを制御へと直接的に提供する。代替の実施形態では、プロセス変数は、フーリエ級数または他の近似手段として表されてもよく、プロセスの大局的応答の確率的マッピングが、これらのフーリエ係数として生成されてもよい。これは、リアルタイムでプロセスのための局所的または大局的な最適条件を決定するために必要とされる時間を大幅に縮小できるため、他の最適化方法に対して比類のない利点を提供する。

【0196】

プロセスの確率的マッピングは、プロセスを制御する処理装置のバックグラウンドで、または、経過時間を減らすために並列計算法を利用することもできる別体の処理装置で計算でき、最適化ＰＧＮのための確率テーブルを生成できる。

【0197】

油井のポンプ・システムの場合、本明細書においてその内容が参照によりその全体において組み込まれているＷａｔｓｏｎへの米国特許第６，８９０，１５６号のものなど、油井を最適化するためにポンプ原動力速度の複雑な行程中の変動の局所的または大局的な最適化は、他の数値最適化手段と比較して、計算が大幅に低減されて実施され得る。

【0198】

− 潜在的な最適化方策を評価し、案内を提供するために、数値法または反復法と併せてプロセス・モデルおよび計算されたパラメータを用いる。起動された後に非同期的に運転する。

【0199】

− 例えば、固定速度モータによって制御されるサッカー・ロッド・ポンプ用途において、エージェントは、良好な流入速度を確立し、それらを最適なポンプのオン・サイクルおよびオフ・サイクルを決定するために利用して、サッカー・ロッド・ストリングへの許容可能な疲労限度に基づいて生産を最大化するために、および／または、１分間あたりの最適なストロークを設定するための案内を提供してポンプを運転するために、統計的または累積的なポンプ・フィルエージおよびラン・タイムを用いてもよい。これは、生産要件、エネルギー要件、エネルギー節約、疲労、冬季の間の配管の凍結などの性能に影響を与え得る外部温度を含むがそれらに限定されない複数の条件に基づいて、ポンプオフなどの制御方策が用いられ得る、または、用いられ得ない状況を特定できる。

【0200】

− モータ速度が、可変速度または可変周波数の駆動部を介して複数のサイクルにわたって変更可能であるサッカー・ロッド・ポンプ用途では、制御エージェントに駆動部の速度を変更するように指示できる。

【0201】

− モータ速度が、（Ｗａｔｓｏｎの米国特許第６，８９０，１５６号）のものなど、行程内で変更可能であるサッカー・ロッド・ポンプ用途では、異なる速度のプロファイルが、プロセス・モデルと、開始または調整され、実施のために制御方策エージェント１６２に提供される所定の速度プロファイルとに基づいて決定されてもよい。

【0202】

当業者は、他の実施形態が容易に利用可能であることを理解する。例えば、代替の実施形態では、プロセスを制御するための制御システムは、少なくとも１つの処理装置と、少なくとも１つの処理装置に結合された少なくとも１つのセンサと、少なくとも１つの処理装置に結合されると共に、少なくとも１つの処理装置によって読取可能であり、少なくとも１つの処理装置によって実行されるとき、処理装置に措置を実施させる一式の命令を保管する記憶装置とを備え、その措置は、少なくとも１つのセンサから、プロセスによって生成されるリアルタイム・プロセス・データを受信することと、正常な運転からのあらゆる逸脱を確立するために予測目的関数および／または履歴手段および／または予測運転領域および／または所定静的関数と比較することと、逸脱の発生源および起こり得る原因を分類するために、状況エージェントにおいて確率的モデル化を適用することと、監督マネージャにおいて、逸脱の因果関係に関する少なくとも１つまたは複数の診断エージェントの作動に優先順位を付けることと、１つまたは複数の診断エージェントからの結果から、状況エージェントの確率的モデルを修正することと、危険性を評価し、プロセスに対する適切な制御措置を推奨するために、制御エージェントにおいて確率的モデルを適用することとを含む。

【0203】

別の実施形態では、プロセスを制御するためのコンピュータ実行可能な命令を備えるコンピュータ読取可能記憶装置が提供され、その命令は、実行されるとき、処理装置に措置を実施させ、その措置は、少なくとも１つのセンサから、プロセスによって生成されるリアルタイム・プロセス・データを受信することと、正常な運転からのあらゆる逸脱を確立するために予測目的関数および／または履歴手段および／または予測運転領域および／または所定静的関数と比較することと、逸脱の発生源および起こり得る原因を分類するために、状況エージェントにおいて確率的モデル化を適用することと、監督マネージャにおいて、逸脱の因果関係に関する少なくとも１つまたは複数の診断エージェントの作動に優先順位を付けることと、１つまたは複数の診断エージェントからの結果から、状況エージェントの確率的モデルを修正することと、危険性を評価し、プロセスに対する適切な制御措置を推奨するために、制御エージェントにおいて確率的モデルを適用することとを含む。

【0204】

監督制御およびデータ取得（ＳＣＡＤＡ：Ｓｕｐｅｒｖｉｓｏｒｙ Ｃｏｎｔｒｏｌ Ａｎｄ Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ）マネージャ
代替の実施形態では、同じ現場または異なる現場に分配され得る複数の前述のシステム１００が、適切な手段を介して相互連結され、大きな制御システムを形成する。このような大きな制御システムは、そのドメイン内の各々のシステム１００のＡＩマネージャの機能を組み込み得る、または、油田の背景において、個々の油井においてフィールド・スケール・パラメータとそれらの効果とを監視する追加の方法またはエージェントを組み込み得るＳＣＡＤＡマネージャをさらに備えてもよい。

【0205】

ＳＣＡＤＡマネージャは、機械学習技術の確率テーブルを更新するために油井に機械学習技術を利用させることができるように、他の油井の確率テーブルを更新するために、または、これらの油井の履歴ケース情報を提供するために、個々の油井からの確率テーブルまたは履歴データを利用できる。

【0206】

さらに、油田など、分配された独立のプロセスでの用途では、各々の個々の油井におけるＡＩマネージャは、直接的に、または、中央ＳＣＡＤＡマネージャを介して、学習された診断または制御方策を共有するために、他の油井における他のＡＩマネージャとネットワークで結んでもよい、または、そのようなＡＩマネージャと協調してもよい。

【0207】

例えば、システム１００の複数の用途が、油田の場合などにおいて、協働的に作用するように行われてもよく、その場合、各々の油井は、他の油井およびより高いレベルのシステムと知識および学習を共有するＡＩＭＣシステムを有する。同じ受台にない油井は、販売データ、ポンプ・ダイナ・カード、およびパターンが標準化され得るとき、恩恵を受ける。知識は、ＰＧＮ内の確率テーブルを更新することで、他の機械学習技術を用いる他の油井におけるＰＧＮを養成するために他の油井のケース履歴を用いることで、また、プロセス・データで観察される学習されたプロセス・パラメータまたはパターンの共有を通じて、共有され得る。ＳＣＡＤＡは、ＳＣＡＤＡが個別の油井から集合的に受信するデータおよび知識に基づいて、制御指示を提供もし得る。

【0208】

他の用途
しかし前述の実施形態では、ＡＩＭＣシステム１００は、大まかには、油井の運転を制御および最適化するための油井についてのサッカー・ロッド・ポンプ制御装置の背景で説明されている。当業者は、ここで教示している実施形態に基づいて、ＡＩＭＣシステムが、サッカー・ロッド・ポンプを制御するためだけに限定されることは決してなく、幅広い様々な産業において多くの異なる種類の動的プロセスでの使用に向けて特化され得ることを理解するものである。

【0209】

ここで記載しているシステムおよび方法論は、一般的な背景と、ポンプジャックの具体的な背景との両方において、蒸気メタン改質装置、ボイラ、熱処理炉、水処理、圧縮機スキッド／システム、および医療システムなど、幅広い様々な他の処理に適用可能でもある。ここで開示している技術が、生産、保守、および経済的な観点からシステムの最適な運転を確保するためにプロセス・モデルが利用され得る様々な他のプロセスに適用され得ることは、認められる。

【0210】

他の状況の結び付けについてのいくらかの追加の詳細では、このような他のプロセスの性質とエージェントの役目とが、次のように説明される。

【0211】

モデル予測制御装置
モデル予測制御技術は、典型的には、制御指示を提供してプロセスをその正常な運転領域内へと戻すために、外乱の性質をあらかじめ知っておくことを必要とする。これらは、モデルへの入力が正確で関連性のある出力を生成するように、モデルのパラメータを正確に調整する必要もある。このような適用は、非常に安定している場合を除いて、かなりの熟練した知識の豊富な人員による相当の維持を必要とする。モデル予測制御装置のあるバッチ・プロセス用途では、エージェントについて実施される役目は、モデル予測制御装置に帰属されるため、制御措置がより限定されることを除いて、油井ポンプジャック用途におけるものと同様の役目である。エージェントの役目は、データおよびモデル化のエージェント１５８、状況エージェント１５６、ＡＩマネージャ１５２、様々な診断エージェント１５４を含み、ＡＩマネージャ１５２は、様々な診断エージェント１５４の確率を比較し、高い確実性の診断の状況エージェント１５６を更新する、または、不確実性のレベルが高すぎて起こり得る原因を識別できない場合に、追加の診断試験を開始する。ＡＩマネージャ１５２は、診断エージェント１５４の出力に基づいてモデル／パラメータ調整エージェント１６８を始動してもよい。

【0212】

制御方策エージェント１６２は、１つまたは複数の診断の確率に基づいて機会および／または危険性を評価し、機会／危険性の分析に基づいて、モデル予測制御装置にモデルの変更または制御措置を推奨する。

【0213】

圧縮機スキッド／システム
圧縮機スキッドは、この場合、プロセスへと供給されるガスの圧縮、または、吸引を維持するためにプロセスから取り出されるガスの圧縮である、より狭い範囲のタスクを実施するために設計されている典型的な一纏めにされたシステムを表している。プロセスから取り出されるガスの圧縮は、油井の流入を増加させるために、ケーシング圧力が大気圧下で低減される油井において、見い出すことができる。

【0214】

これらの用途は、ポンプ、弁、およびプロセス運転が特定の運転のための大きさとされ、容易にモデル化される、典型的な流体および熱力学的なプロセスである。機器故障、プロセス外乱、および運転限界は、プロセスにおける変動の多くの原因となる。

【0215】

ここでも、役目は油井ポンプジャック用途のものと非常に似通っており、主な違いはプロセス・モデルであり、運転状況が、状況エージェントとプロセス特有である診断エージェントの性質とによって追跡される。この場合、プロセスの実際の圧力、流れ、および温度に対して命令を監視することは、確率を定める。危険性および安全性の関連事項に応じて、制御装置は、プロセス設定点に小さい変更を行うことと、外乱を立証することとによって実際の試験を実施するように利用されてもよく、結果生じる制御措置は、プロセス外乱の発生源をさらに隔離するための適切な運転を示している。

【0216】

スキッドが制御しているプロセスはモデル化されてもよく、ＡＩＭＣについての幅広い領域の範囲を可能にする。

【0217】

他のプロセス・システム
炉もしくはボイラなどの他のプロセス、圧縮機、または、蒸気改質装置または精油所などの複雑なシステムへと組み合わされるプロセスの集合への用途は、基本的に、ＡＩＭＣおよびそのエージェントの基本的な運転をどのようにも変化させない。システムが不確実な条件の下で運転するように設計されるため、制御措置の範囲は、安全性および危険性の許容範囲に基づいて抑制されてもよい。この多くは、必要な安全性のインターロックと、すべての状況において安全な運転を確保する許容とを組み込む標準的な産業用制御装置への制御推奨をＡＩＭＣに行わせることである好ましい実施によって取り扱われ得る。

【0218】

ＡＩの設計および構成は、産業用途または使用される背景に応じて変わる可能性があり、システムは、診断エージェントまたは制御方策エージェントなど、異なる数および設計の機能エージェントをおそらく必要とする。

【0219】

しかし前述の実施形態では、システム１００は１つの状況エージェント１５６を備えているが、代替の実施形態では、システム１００は複数の状況エージェント１５６を備えてもよい。

【0220】

一部の代替の実施形態では、システム１００は、ローカルもしくは遠隔で埋め込まれようが、ＰＣ計算プラットフォームであろうが、計算が追加の処理装置に分配され得るような拡張可能な手法で実施されてもよい。

【0221】

このような制御システム１００は、プロセス・データにアクセスして監視するために、および、診断タスクおよび最適化タスクを実施するために、既存または所有の制御装置ネットワークにさらに連結できる。これは、ここで記載している技術を、既存のシステム、または、特別設計されたシステム、およびＯＥＭ製品に組み込ませることを可能にする。代替で、ＡＩＭＣシステムは、既存の制御装置または遠隔のデジタルまたはアナログ入力（Ｉ／Ｏ）モジュールへのアクセスに加えて、それ自体のＩ／Ｏモジュールを組み込むことができる。ある実施では、制御指示は、Ｉ／Ｏの監視を提供し、基本的な制御運転に、独立した安全性のインターロックと、そのプロセスの典型である許容とを提供する産業用制御装置に提供される。

【0222】

当業者は、前述のエージェントの各々は、別体のエージェントとして、または代替で、網羅的なエージェントのサブ・エージェントとして、個別に機能できることを理解する。例えば、一実施形態では、１つまたは複数の診断エージェントは、網羅的な診断エージェントのサブ・エージェントである。

【0223】

しかし前述の実施形態では、ＡＩＭＣシステム１００はモデル／パラメータ調整エージェント１６８を備えている。代替の実施形態では、モデル／パラメータ調整エージェント１６８の機能はデータおよびモデル化のエージェント１５８で実施され、したがって、ＡＩＭＣシステム１００は、モデル／パラメータ調整エージェント１６８を備えていない。

【0224】

代替の実施形態では、モデル／パラメータ調整エージェント１６８およびデータおよびモデル化のエージェント１５８の機能はＡＩマネージャ１５２で実施され、したがって、ＡＩＭＣシステム１００は、いずれのモデル／パラメータ調整エージェント１６８も、いずれのデータおよびモデル化のエージェント１５８も備えていない。

【0225】

しかし前述の実施形態では、ＡＩＭＣシステム１００は複数のＩＡを備えており、代替の実施形態では、ＡＩＭＣシステム１００は、エージェントをまったく用いずに実施される。それどころか、この実施形態のＡＩＭＣシステム１００は、従来のプログラミング方法を用いて実施される。

【符号の説明】

【0226】

１００ 人工知能モデルに基づいた制御装置（ＡＩＭＣ）システム
１０２ 制御装置
１０４ 現場
１０６ センサ、動画センサ、カメラ
１０８ 措置装置
１１０、１１０Ａ、１１０Ｂ 計算装置
１１２ ネットワーク
１１４ ポンプジャック
１５０ ソフトウェア構造
１５２ ＡＩマネージャ、監督マネージャ、監督エージェント
１５４、１５４Ａ、１５４Ｂ、１５４Ｃ 診断エージェント
１５６ 状況エージェント
１５８ データおよびモデル化のエージェント
１６０ 最適化エージェント
１６２ 制御方策エージェント
１６４ 通信モジュール
１６６ ポンプ制御装置
１６８ モデル／パラメータ調整エージェント、プロセス・モデル調整エージェント
２０２ リアルタイム・センサ・データ
２０４ 幾何学的動力計カード（ダイナ・カード）生成モジュール
２０６ モデル化モジュール
２０８ 監視およびロギングのモジュール
２１０ モジュール予測制御（ＭＰＣ）モジュール
２１４ データ
２１６ 警報マネージャ
２５２ 状況方法
２５４ 状況試験
２５６ ベイジアン・ネットワーク
２７２ 診断方法
２７４ 診断試験
２７６ ベイジアン・ネットワーク
３０２ 制御方策方法
３０４ 制御方策試験
３０６ ベイジアン・ネットワーク
３３２ 最適化方策方法
３３４ 最適化方策試験
３３６ ベイジアン・ネットワーク
３７０ 履歴データ
３７２ センサ・データ
３７４ 幾何学的モデルおよび運動学的モデル
３７６ 地上運転についてのモデル化データ
３７８ プロセス・モデル
３８０ 油井の穴の運転についてのモデル化データ
３８２ 信号
３８４ 運転領域データ
３８６ 統計的運転データ
３８８ 理想的な運転モデルのデータ
３９０ 参照
４０２ 所定限界
４０４ 分類部
４０６ 起動イベント
４０８ サブ・モジュール
４１０ 運転領域分析
４１２ パターン認識
４１６ プロセス
４４２ 最上位レベル・ノード、既知
４４４ 中間のレベルのノード、条件
４４６ 最下位のレベルのノード、測定基準
４７２ 既知の状態
４７４ 逸脱
４７８ 因果関係確認
４８０ 変数
４８２ パラメータ
４８４ 測定基準
４８６ 履歴データ
４８８ 要求測定基準
４９０ 最大推定パラメータ
４９２ プロセス・モデル予測部
４９６ 比較
４９８ 逸脱
５０２ 更新
６０６ 生成
６１０ 運動学的および動的のモデル
６１４ 地上の動力計カード
６１６ 油井の穴の動力計カード
６２２ 履歴データのロギング
６２４ 予測参照
６２６ 静止モデル
６５２ ベイジアン・ネットワーク
６５６ エージェント特定の試験
６５８ 選択的な試験
７０２ ベイジアン・ネットワーク
７０４ 入力パラメータ
７０６ エージェント特定試験
７０８ 選択的試験
７１０ 出力
７１２ ポンプ・フィルエージ
７４０ 油井穴モデル
７４２ ベイジアン・ネットワーク
７４６ エージェント特定試験
７４８ 選択的試験
７４４ 入力パラメータ
７５０ 出力
７５２ 疲労追跡データ
７５４ 監視／ロギング・サブ・モジュール
７８０ 油井穴モデル
７８２ ベイジアン・ネットワーク
７８４ 入力パラメータ
７８６ エージェント特定試験
７８８ 選択的試験
７９０ 出力
７９２ 油井パラメータ
８２２ プロセス変数
８２２ 値
８２４ モデル、最大推定モデル・パラメータ
８２６ 測定基準
８５２ ベイジアン・ネットワーク
８５４ 入力パラメータ
８５６ エージェント特定試験
８５８ 最適化案内部
８６０ 出力
８８２ ベイジアン・ネットワーク
８８４ 入力パラメータ
８８６ エージェント特定試験
８８８ 選択的試験
８９０ 出力
８９２ 生産潜在部
８９４ 最適化案内部
Ｓ１、Ｓ２、Ｓ３、Ｓ４、Ｓ５、Ｓ６ 状態

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13A】

【図13B】

【図13C】

【図14】

【図15】

【図16】

【図17】

【図18A】

【図18B】

【図18C】

【図18D】

【図19A】

【図19B】

【図20】

【図21】

【図22】

【図23】

【図24】