CN102999020A - 过程监视·诊断·支援装置 - Google Patents
过程监视·诊断·支援装置 Download PDFInfo
- Publication number
- CN102999020A CN102999020A CN2012103422788A CN201210342278A CN102999020A CN 102999020 A CN102999020 A CN 102999020A CN 2012103422788 A CN2012103422788 A CN 2012103422788A CN 201210342278 A CN201210342278 A CN 201210342278A CN 102999020 A CN102999020 A CN 102999020A
- Authority
- CN
- China
- Prior art keywords
- variable
- mentioned
- data
- countermeasure
- unusual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供过程监视·诊断·支援装置。根据实施方式,上述异常检测机构生成与规定时刻的时间序列数据对应的异常检测用数据,并诊断该规定时刻的数据有无异常。上述异常主要因素变量分离机构从该规定时刻的时间序列数据中分离提取出异常主要因素候补变量。上述异常对策支援信息提供机构基于上述分离提取出的异常主要因素候补变量、上述相关信息、上述第2以及上述第3规则来提供上述对策支援信息。
Description
本申请基于2011年9月14日在日本申请的申请号为No.2011-200587的申请主张优先权,将其所有内容援引到本说明书中。
技术领域
实施方式涉及在污水处理过程、排水处理过程、污泥消化过程、净水过程、给配水过程、化学过程、钢铁过程等过程系统的监视中,能够在异常时等非稳定时对工厂设备操作人员进行支援的过程(process)监视·诊断·支援装置。
背景技术
在污水处理过程、污泥消化过程、净水过程、给配水过程等水处理/水运用过程,石油化学过程、钢铁过程、或者半导体制造过程等过程系统的工厂设备中,设置有对多个过程状态进行测定的多个联机传感器。过程监视装置(SCADA:Supervisory Control And Data Acquisition)通常将能够通过设置于过程系统的传感器组的计测而得到的过程数据(流量、温度、水质、操作量等)变换成时间序列数据(趋势图)。工厂设备管理者(经营管理者)、运行人员(操作人员)通过监视该时间序列数据来掌握过程的状态,进行过程的运转变更、控制。通常对各个过程数据的时间序列数据设定了被称为管理极限等的上下限值。在超过了该上下限值的情况下发出警报。工厂设备经营管理者、操作人员基于该警报来进行工厂设备运用的确认、重新设置。该样的基于警报发出的运行管理是工厂设备运用的根本。
在更先进的工厂设备的运行管理中,不仅要求单纯在过程非稳定时采取应对措施,而且还要求在达到了过程的规定目标性能的基础上实现节能、节省成本的运用。这里,例如若是污水处理,则规定目标对应于放出水质限制的遵守等。如果是净水处理,则净水中的残留氯浓度为规定上限以下、不存在由隐孢子虫(cryptosporidium)所代表的各种病原性微生物等成为规定目标。另外,在化学过程、钢铁过程中,将制品(石油精制品、钢铁)的品质(例如纯度、强度等)维持为规定范围的做法对应于规定目标。此时,为了不陷入没有达到规定目标的状态而监视与目标性能有关的过程的状态,迅速检测出阻碍规定目标的实现的各种状态变化、异常状态,并事先采取对策成为运转管理上的重点。并且,为了在将规定目标的实现作为条件的基础上进行节能、节省成本的运用,需要将与目标性能、节能、节省成本相关的过程状态总是保持为良好的状态,迅速检测出即将从良好的状态脱离的过程状态变化。
作为诊断这样的过程的状态变化、异常的方法,公知有一种采用了在石油化学过程、钢铁工厂设备的领域中利用的“多变量统计解析方法”的被称为多变量统计过程监视(MSPC:Multi-Variate Statistical ProcessControl)的方法。
作为在MSPC中最常利用的方法,公知有主成分分析(PCA:PrincipalComponent Analysis)和潜在变量射影法/偏最小二乘法(PLS:Projectionto Latent Structure/Partial Least Square)。
在MSPC中,主要目的在于利用PCA或PLS等多变量解析,来进行(1)工厂设备的异常征兆的检测(Fault Detection)、(2)成为异常主要因素的过程变量(数据)的推定(Fault Isolation)。
关于上述(1),通过利用多个过程变量的相关信息,能够检测出基于一个变量无法检测的轻微的异常征兆。
关于上述(2),在基于由多个过程变量合成得到的异常检测用数据(被称为Q统计量或霍特林(Hotelling)的T2统计量)检测到异常后,通过利用表示各过程数据对该异常检测用数据的贡献度的贡献量这一信息,来推定作为异常主要因素的候补的过程变量(数据)。
这样,如果使用MSPC,则与以往的针对个别过程变量的单纯的基于管理极限的监视(在生产线等的监视中,与MPSC对照有时也被称为SPC(Statistical Process Control))相比,能够进行对工厂设备经营管理者、操作人员而言更有用的先进的监视·诊断。
另一方面,在工厂设备经营管理者、操作人员等用户侧,不仅存在上述的(1)异常征兆的检测、(2)异常主要因素变量推定,还存在当在过程中发生了某些异常时他们应该采取什么样的对策这一针对对策支援信息的更先进的强烈潜在需求。该需求尤其在工厂设备操作人员不熟练的情况下强烈,只有“发现异常的征兆。”这一信息或“表示异常的过程变量是○○与△△。”这一诊断信息是不充分的,要求“发现异常征兆,由于认为成为其主要因素的变量是○○与△△,所以推荐采取□□这一对策。”这一形式的支援信息。
这样的支援信息的需求与上述(1)(2)的FDI(Fault Detection andIsolation)之间存在大的差异。其理由在于,FDI利用“多变量解析等统计方法”,能够不依赖于对象过程地某种程度机械式地(≈不经由工程(engineering)而自动地)诊断,与之相对,在对策支援信息的提供中一般需要对象过程的知识和使用了该知识的管理。
用于发出对策支援信息的异常原因推定方法大多被分类成[1]经验方法(决策树、模示学习等)、[2]逻辑方法(物理模型、故障树等利用)、[3]知识工学方法(专家系统、技术提取)等。不过,在使用每一种方法时,都需要以某种形式具备与对象过程有关的知识、或者运用对象过程的操作人员的知识等。因此,如果进行过程的非稳定状态(异常状态)的真因查明和对策支援,则需要用于对每个对象过程进行诊断系统的制造的大量工程。这样的需要依赖于对象过程的特征的开发成为对非稳定时的对策支援系统开发的进展加以妨碍的一个重要阻碍因素。
发明内容
本发明想要解决的课题在于,提供一种能够以不依赖于对象过程的形式,提供异常时的对策支援信息的过程监视·诊断·支援装置。
实施方式的过程监视·诊断支援装置具备:数据收集保存机构、过程变量分类机构、过程变量相关定义机构、异常检测用数据定义机构、异常检测用数据贡献量定义机构、异常时对策支援信息定义机构、异常检测机构、异常主要因素变量分离机构以及异常对策支援信息提供机构。
上述数据收集保存机构从计测对象过程的状态量或者操作量的n个(其中,n≥2)传感器收集表示计测结果的n个过程变量的时间序列数据并进行保存。
上述过程变量分类机构存储对将上述n个过程变量分类成p个(其中,1≤p<n)输出变量Y、L个(其中,1≤L<n)输入变量U和m个(其中,0≤m<n)中间变量Z的结果进行表示的分类信息,上述输出变量Y表示作为上述状态量的性能指标,上述输入变量U表示上述操作量,上述中间变量Z表示作为上述状态量的管理·监视值。
上述过程变量相关定义机构根据上述分类信息以及上述n个过程变量的遍及规定期间的时间序列数据,来对包括上述分类后的结果在内地表示该n个过程变量相互间的相关的相关信息进行定义。
上述异常检测用数据定义机构,定义根据上述n个过程变量的遍及规定期间的时间序列数据来生成比上述n个少的q个(其中,1≤q《n)异常检测用数据的公式、和基于上述异常检测用数据来对异常的有无或者异常强度进行判断的判断基准。
上述异常检测用数据贡献量定义机构定义上述n个过程变量的时间序列数据各自对上述异常检测用数据的贡献量。
上述异常时对策支援信息定义机构定义下述规则:第1规则,提取出成为异常时的异常主要因素候补的过程变量即异常主要因素候补变量中的规定的上位的异常主要因素候补变量;第2规则,基于上述相关信息将上述提取出的异常主要因素候补变量分类成上述输出变量Y、上述输入变量U和上述中间变量Z;以及第3规则,根据该分类后的结果,提供包括对异常时的对策进行支援的消息的对策支援信息。
上述异常检测机构根据上述保存的规定时刻的上述n个过程变量的时间序列数据、以及上述异常检测用数据定义机构的定义,生成与该规定时刻的时间序列数据对应的异常检测用数据,并基于该异常检测用数据来诊断该规定时刻的数据有无异常。
上述异常主要因素变量分离机构在上述诊断的结果为有异常的情况下基于上述贡献量的定义来计算该规定时刻的时间序列数据的贡献量,基于上述计算出的贡献量以及上述第1规则从该规定时刻的时间序列数据分离提取出异常主要因素候补变量。
上述异常对策支援信息提供机构基于上述分离提取出的异常主要因素候补变量、上述相关信息、上述第2规则以及上述第3规则来提供上述对策支援信息。
附图说明
图1是表示第1实施方式涉及的过程监视·诊断·支援装置的基本系统构成的示意图。
图2是表示过程变量分类用户接口部的例子的示意图。
图3是表示相关判定规则的例1的示意图。
图4是表示相关判定规则的例2的示意图。
图5是表示相关判定规则的例3的示意图。
图6是表示过程变量相关定义接口部的例子的示意图。
图7是表示异常主要因素候补分类规则的示意图。
图8是表示异常对策支援消息生成规则的一个例子的示意图。
图9是表示异常对策支援消息生成规则的一个例子的示意图。
图10是用于对异常产生时生成异常对策支援消息的作用进行说明的示意图。
图11是表示对策支援消息的一个例子的示意图。
图12是表示其他实施方式中的系统构成的一个例子的概要图。
图13是表示其他实施方式中的系统构成的一个例子的概要图。
图14是表示其他实施方式中的系统构成的一个例子的概要图。
具体实施方式
以下,参照附图对各实施方式进行说明。其中,以下的过程监视·诊断·支援装置能够通过硬件构成、或者硬件资源与软件的组合构成中的任意一方来实施。作为组合构成的软件,可使用被预先从网络或者计算机可读取的存储介质安装到成为过程监视·诊断·支援装置的计算机、用于实现过程监视·诊断·支援装置的功能的程序。
<第1实施方式>
图1是表示第1实施方式涉及的应用了过程监视·诊断·支援装置的过程监视系统的基本构成的示意图。
该过程监视系统具有下述的过程监视·诊断·支援装置,该过程监视·诊断·支援装置包括例如将以除去氮以及磷为目的的污水高度处理过程1作为对象过程,从计测该对象过程的状态量或者操作量的n个(其中,n≥2)传感器收集表示计测结果的n个过程变量的时间序列数据并对其进行保存的过程计测数据收集·保存部2。本实施方式虽然从其目的来说不依赖于对象过程,但为了更明确实施印象,以污水处理过程为对象进行说明。即,以污水处理过程为对象的实施不是本质性的制约。
污水高度处理过程1具有:最初沉淀池101、厌氧槽102、无氧槽103、需氧槽104以及最终沉淀池105。而且,污水高度处理过程1具有最初沉淀池剩余污泥脱除泵以及其脱除流量传感器111、向需氧槽104供给氧的鼓风机以及其供给空气流量传感器112、循环泵以及其循环流量传感器113、回送污泥泵以及其回送流量传感器114、和最终沉淀池剩余污泥脱除泵以及其脱除流量传感器115分别作为致动器以及其操作量传感器。
并且,污水高度处理系统1具有:雨量传感器121、计测流入污水量的污水流入量传感器122、计测流入污水中含有的所有氮量的流入TN传感器123、计测流入污水中含有的所有磷量的流入TP传感器124、计测流入污水中含有的有机物量的流入UV传感器或者流入COD传感器125、计测厌氧槽102的ORP的厌氧槽ORP传感器126、计测厌氧槽102的pH的厌氧槽PH传感器127、计测无氧槽103的ORP的无氧槽ORP传感器128、计测无氧槽103的pH的无氧槽pH传感器129、计测需氧槽104的磷酸浓度的磷酸传感器1210、计测需氧槽104的溶解氧浓度的DO传感器1211、计测需氧槽104的氨浓度的氨传感器1212、在反应槽102~104的至少1处槽中计测活性污泥量的MLSS传感器1213、在反应槽102~104的至少1处槽中计测水温的水温传感器1214、对从最终沉淀池105脱除的污泥量的固形物浓度进行计测的剩余污泥SS传感器1215、对从最终沉淀池105放出的放出水的SS浓度进行计测的放出SS传感器1216、计测最终沉淀池105的污泥界面高度(level)的污泥界面传感器1217、计测放出污水量的污水放出量传感器1218、计测放出污水中含有的所有氮量的放出TN传感器1219、计测放出污水中含有的所有磷量的放出TP传感器1220、以及计测放出污水中含有的有机物量的放出UV传感器或者放出COD传感器1221分别作为过程传感器。
这里,前述的各种致动器111~115以规定的周期动作。而且,各种致动器111~115的操作量传感器组、以及各种过程传感器121~1221以规定的周期进行计测。
过程监视·诊断·支援装置具有对从各种致动器111~115的操作量传感器组、以及各种过程传感器121~1221以规定的周期得到的过程变量的时间序列数据(过程数据)进行收集并保持到存储器中的过程计测数据收集·保存部2。
并且,过程监视·诊断·支援装置还具备过程变量登记部3、过程变量分类用户接口部4、异常诊断模型构建部5、过程变量相关定义接口部6、异常监视·诊断·对策支援部7、异常对策记录保持部8以及用户接口部9。
过程变量登记部3从由各种致动器111~115的操作量传感器组、以及各种过程传感器121~1221计测得到的各过程变量之中,登记为了构建本实施方式的过程监视·诊断·支援装置所需要的过程变量的名称。
过程变量分类用户接口部4是显示由过程变量登记部3登记的过程变量的一览,用于将其中的过程变量分类成输入变量U和输出变量Y以及中间变量Z的用户接口。如果补充说明,则过程变量分类用户接口部4显示n个过程变量的名称,根据用户的操作在该显示中选择过程变量分类部51中的输入变量和输出变量以及中间变量。
异常诊断模型构建部5,将由各种致动器111~115的操作量传感器组、以及各种过程传感器121~1221计测的过程变量之中、由过程变量登记部3登记了的过程变量的过去的时间序列数据,从过程计测数据收集·保存部2提取出,构建异常诊断模型。
过程变量相关定义接口部6是向用户提示由异常诊断模型构建部5定义的过程变量间的相关信息,能够由用户修正该信息的用户接口。
异常监视·诊断·对策支援部7,将由各种致动器111~115的操作量传感器组、以及各种过程传感器121~1221计测的过程变量之中、由过程变量登记部3登记了的过程变量的当前的时间序列数据,从过程计测数据收集·保存部2提取出,使用由异常诊断模型构建部5定义的功能,来提供异常征兆的检测、其主要因素变量候补的提取和异常对策的支援信息。
异常对策记录保持部8保持根据来自异常监视·诊断·对策支援部7的信息实际上进行的对策结果。如果补充说明,则异常对策记录保持部8在提示了由异常对策支援信息提供部74提供的对策支援信息之后,记录用户进行的操作。这里,如果异常对策记录保持部8被提供对策支援信息,则基于时间序列数据以及分类信息,提示当前时刻以前的输入变量U的值、输出变量Y的值以及中间变量Z的值、和有关对策支援信息。另外,异常对策记录保持部8在提示了对策支援信息之后,连续记录作为用户进行的操作的输入变量U的操作记录、输出变量Y的值、中间变量Z的值。
用户接口部9包括:过程变量登记部3、过程变量分类用户接口部4和过程变量相关定义接口部6,将来自异常监视·诊断·对策支援部7的信息通知给工厂设备经营管理者、操作人员,将基于对策支援信息的对策的指示作为指令信号发送给工厂设备,并且能够对异常对策记录保持部8发送记录操作的指示。
异常诊断模型构建部5具备:过程变量分类部51、过去(脱机)数据提取部52、过程变量相关定义部53、异常检测用数据定义部54、异常检测用数据贡献量定义部55以及异常时对策支援信息定义部56。
过程变量分类部51如图2所示,根据过程变量分类用户接口部4的输入,将过程变量分类成输入变量、输出变量和中间变量,并在异常对策时供给该信息。如果补充说明,则过程变量分类部51具有存储分类信息的功能,该分类信息表示将n个过程变量分类成表示作为状态量的性能指标的p个(其中,1≤p<n)输出变量Y、表示操作量的L个(其中,1≤L<n)输入变量U、表示作为状态量的管理·监视值的m个(其中,0≤m<n)中间变量Z的结果。
过去(脱机)数据提取部52从过程计测数据收集·保存部2中提取由过程变量登记部3登记的变量的过去的脱机数据。
过程变量相关定义部53使用由过去(脱机)数据提取部52提取出的脱机数据,对由过程变量登记部3定义的过程变量间的相关信息进行定义。如果补充说明,则过程变量相关定义部53根据分类信息以及n个过程变量的遍布规定期间的时间序列数据,如图3~图6所示那样,对包括该分类信息表示的分类后的结果在内地表示该n个过程变量相互间的相关的相关信息进行定义。此外,过程变量相关定义部53也可以基于n个过程变量的遍布规定期间的时间序列数据的相关矩阵或者主成分载荷矩阵,来定义相关信息。另外,过程变量相关定义部53可以具备表示n个过程变量相互间的相关的有无或者强度的n行n列的表作为相关信息。该情况下,过程变量相关定义接口部6根据用户的操作来显示该相关信息的表,同时对该表的内容进行修正。
异常检测用数据定义部54使用由过去(脱机)数据提取部52提取出的脱机数据,来定义异常检测用数据的合成方法。如果补充说明,则异常检测用数据定义部54根据n个过程变量的遍布规定期间的时间序列数据,来定义生成少于n个的q个(其中,1≤q《n)异常检测用数据的公式、和基于异常检测用数据进行异常的有无或者异常强度的判断的判断基准。
这里,异常检测用数据定义部54可以使用主成分分析(PCA)、潜在变量射影法(PLS)、主成分回归(PCR)、典型相关解析(CVA)、马氏距离、稳健主成分分析(Robust PCA)、核主成分分析(Kernel PCA)、判别分析、模糊c-均值聚类、k均值聚类、支持向量机(SVM)、相关向量机(RVM)以及局部空间法中的至少一个以上方法,来定义生成异常检测用数据的公式。
异常检测用数据贡献量定义部55定义由过程变量登记部3登记的过程变量相对由异常检测用数据定义部54定义的异常检测用数据的贡献量(n个过程变量的时间序列数据各自的贡献量)。此外,异常检测用数据贡献量定义部55也可以通过以下的[a]、[b]或[c]来定义n个过程变量中的受关注的过程变量k的贡献量(其中,k=1,2,…,n)。
[a]通过从由异常检测用数据定义部54定义的异常检测用数据向过程变量k伸展的空间射影来进行定义。
[b]将异常检测用数据分解成n个成分之和,定义为仅过程变量k造成影响的第k个成分。
[c]利用独立性成分分析来进行定义。
异常时对策支援信息定义部56根据来自过程变量分类部51的输入变量和输出变量以及中间变量的分类信息、由过程变量相关定义部53定义的过程变量间的相关信息、由异常检测用数据贡献量定义部55定义的与贡献量有关的信息,来定义用于发出支援信息的规则,该支援信息用于建议异常时的对策方法。
如果补充说明,则异常时对策支援信息定义部56定义:第1规则,提取出成为异常时的异常主要因素候补的过程变量即异常主要因素候补变量中的规定的上位的异常主要因素候补变量;第2规则,如图7所示,基于相关信息将提取出的异常主要因素候补变量分类成输出变量Y、输入变量U和中间变量Z;第3规则,如图8以及图9所示,根据该分类的结果来提供包括对异常时的对策进行支援的消息的对策支援信息。
这里,作为第2规则,也可以包括基于分类信息将提取出的异常主要因素候补变量分类成属于输入变量U的输入主要因素变量FU、属于输出变量Y的输出主要因素变量FY、属于中间变量Z的中间主要因素变量FZ的规则。
作为第3规则,也可以包括第4规则A、第5规则B以及第6规则C。
第4规则A规定了提供下述对策支援信息,所述对策信息包括:在异常主要因素候补变量包括输出主要因素变量FY的情况下,对该输出主要因素变量FY恶化这一情况进行通知,并且进行催促以便对根据相关信息被定义为与该输出主要因素变量FY具有相关的输入变量U的值重新确认这一消息。
另外,作为第4规则A,优选规定了提供下述对策支援信息,所述对策支援信息包括:在该输入变量U中含有输入主要因素变量FU的情况下,进行催促以便重点重新审视该输入主要因素变量FU这一消息。
另外,作为第4规则A,更优选规定了提供下述对策支援信息,所述对策支援信息包括:在对根据相关信息被定义为与该输出主要因素变量FY具有相关的中间变量Z(一般为多个)进行管理,且中间变量Z含有中间主要因素变量FZ的情况下,进行催促以便将该中间主要因素变量FZ的值的管理返回到正常值这一消息。
第5规则B规定了提供下述对策支援信息,所述对策支援信息包括在异常主要因素候补变量不含有输出主要因素变量FY但含有输入主要因素变量FU的情况下,该输入主要因素变量FU是从通常时脱离的异常状态,进行催促以便重新审视(見直す)由该输入主要因素变量FU表示的操作量,并且对根据相关信息被定义为与该输入主要因素变量FU具有相关的输出变量Y今后存在恶化的可能性进行通知的消息。
另外,作为第5规则B,除了该规定之外,还优选规定了提供下述对策支援信息,所述对策支援信息包括对下述情况进行通知的消息:根据相关信息被定义为与该输入主要因素变量FU具有相关的中间变量Z今后也有恶化的可能性;当中间变量Z中含有中间主要因素变量FZ时,存在该恶化主要因素由该输入主要因素变量FU引起的可能性。
第6规则C规定了提供下述对策支援信息,所述对策支援信息包括在异常主要因素变量只是中间主要因素变量FZ的情况下,对该中间主要因素变量FZ正在恶化进行通知,并且对根据相关信息被定义为与该中间主要因素变量FZ具有相关的输出变量Y今后有恶化的可能性进行通知的消息。
另外,作为第6规则C,除了该规定以外,还优选规定了包含下述消息,所述消息用于催促对根据相关信息被定义为与该中间主要因素变量FZ具有相关的输入变量U的值进行确认,研究操作变更的必要性。
另一方面,异常监视·诊断·对策支援部7具备:当前(联机)数据提取部71、异常检测部72、异常主要因素变量分离部73以及异常对策支援信息提供部74。
当前(联机)数据提取部71从过程计测数据收集·保存部2所保存的各种时间序列数据中,提取出由过程变量登记部3登记的变量的当前的联机数据。
异常检测部72通过将由当前(联机)数据提取部71提取出的联机数据输入到由异常检测用数据定义部54定义的异常检测用数据的运算式,生成异常检测用数据,来调查当前的异常度,并按照预先设定的异常·正常的判断基准来检测异常的有无。如果补充说明,则异常检测部72按照所保存的规定时刻的n个过程变量的时间序列数据、以及异常检测用数据定义机构的定义生成与该规定时刻的时间序列数据对应的异常检测用数据,并基于该异常检测用数据来检测(诊断)该规定时刻的数据有无异常。
当在异常检测部72中检测到异常时,异常主要因素变量分离部73计算由异常检测用数据贡献量定义部55定义的各过程变量针对异常的贡献度。如果补充说明,则异常主要因素变量分离部73在异常检测部72的检测(诊断)的结果为存在异常时基于贡献量的定义来计算该规定时刻的时间序列数据的贡献量,并基于该计算出的贡献量以及异常时对策支援信息定义部56的第1规则,从该规定时刻的时间序列数据分离提取出异常主要因素候补变量。
异常对策支援信息提供部74如图10以及图11所示,按照由异常主要因素变量分离部73提取出的作为规定的上位的异常主要因素候补的过程变量的信息、相关信息、由异常时对策支援信息定义部56定义的第2规则以及第3规则,通过用户接口部9向操作人员提供异常时的对策支援信息。
接下来,对如上述那样构成的过程监视系统的作用进行说明。
首先,在污水高度处理过程1中,利用各种致动器111~115的操作量传感器组、以及各种过程传感器121~1221,以规定的周期计测了过程的信息。这些计测信息由过程计测数据收集·保存部2按照预先决定的格式保存为时间序列数据。
在构建过程监视·诊断·支援装置时,首先通过过程变量登记部3定义在过程计测数据收集·保存部2中预先保存,并由各种致动器111~115的操作量传感器组以及各种过程传感器121~1221计测的项目中,当构成过程监视·诊断·支援装置时利用什么变量。
例如,登记为利用与向需氧槽104供给氧的鼓风机以及其供给空气流量传感器112对应的“[1]空气供给量”、与循环泵以及其循环流量传感器113对应的“[2]循环流量”、与回送污泥泵以及其回送流量传感器114对应的“[3]回送流量”、与最终沉淀池剩余污泥脱除泵以及其脱除流量传感器115对应的“[4]剩余流量”、与雨量传感器121对应的“[5]雨量”、与对流入污水量进行计测的污水流入量传感器122对应的“[6]污水流入量”、与对流入污水中含有的所有氮量进行计测的流入TN传感器123对应的“[7]流入TN”、与对流入污水中含有的所有磷量进行计测的流入TP传感器124对应的“[8]流入TP”、与对流入污水中含有的有机物量进行计测的流入UV传感器或者流入COD传感器125对应的“[9]流入UV”、与对厌氧槽102的ORP进行计测的厌氧槽ORP传感器126对应的“[10]厌氧槽ORP”、与对厌氧槽102的pH进行计测的厌氧槽PH传感器127对应的“[11]厌氧槽pH”、与对无氧槽103的ORP进行计测的无氧槽ORP传感器128对应的“[12]无氧槽ORP”、与对无氧槽103的pH进行计测的无氧槽pH传感器129对应的“[13]无氧槽pH”、与对需氧槽104的磷酸浓度进行计测的磷酸传感器1210对应的“[14]需氧PO4-P”、与对需氧槽104的溶解氧浓度进行计测的DO传感器1211对应的“[15]需氧槽DO”、与对需氧槽104的氨浓度进行计测的氨传感器1212对应的“[16]需氧槽NH4-N”、与在反应槽102~104的至少一处槽中计测活性污泥量的MLSS传感器1213对应的“[17]需氧槽MLSS”、与在反应槽102~104的至少一处槽中计测水温的水温传感器1214对应的“[18]反应槽水温”、与对放出污水中含有的所有氮量进行计测的放出TN传感器1219对应的“[19]放出TN”、与对放出污水中含有的所有磷量进行计测的放出TP传感器1220对应的“[20]放出TP”的变量。优选按照用户能够容易地实施该登记的方式,将登记画面构建为监视画面上等的GUI。
这样的登记过程变量的功能是过程变量登记部3的作用。
接着,由过程变量分类用户接口部4将图2所示那样的被登记的过程变量的一览表显示为监视画面上的GUI,可以在其中选择输入变量、输出变量和中间变量。在图2中,对输入变量、输出变量、中间变量的栏写入了○来进行表示,但在实际的监视画面(GUI)构建时,利用如复选框那样的工具进行核对。另外,预先将默认状态设为中间变量,能够从该中间变量之中开始只选择输入变量和输出变量,可节省核对的劳力,比较高效。这样的GUI是与技术方案2对应的过程分类用户接口的例子,是过程变量分类用户接口部4的作用的例子。
接下来,在过程变量分类部51中,按照由过程变量分类用户接口部4对通过过程变量登记部3登记的变量进行核对的基准,将登记的过程变量分类成表示过程的操作量的输入变量、表示过程的性能指标的输出变量、和与过程的管理值等对应的中间变量这三个变量。
在上述例子的情况下,例如如下述那样进行分类。
输入变量:[1]空气供给量、[2]循环流量、[3]回送流量、[4]剩余流量。
输出变量:[19]放出TN、[20]放出TP。
中间变量:[5]雨量、[6]污水流入量、[7]流入TN、[8]流入TP、[9]流入UV、[10]厌氧槽ORP、[11]厌氧槽pH、[12]无氧槽ORP、[13]无氧槽pH、[14]需氧槽PO4-P、[15]需氧槽DO、[16]需氧槽NH4-N、[17]需氧槽MLSS、[18]反应槽水温。
输入变量是能够通过对鼓风机(送风机)、泵进行操作而直接变化的变量。除了这样的变量以外,药品类的注入量、在污水处理过程中抽取水的抽水量(抽水泵)等也可以成为输入变量。
对输出变量而言,由于污水处理的直接目的是将放出水质维持在限制值范围内,所以成为上述那样的放出水质成为输出变量。除了上述以外,如果存在应该监视的放出水质,则该应该监视的放出水质也可成为输出变量。并且,对放出水质乘以放出水量而得到的放出水质载荷量等也可成为输出变量。进而,在监视电力量等的情况下,功耗量、其除以处理量而得到的能量原单位等也可成为输出变量。
中间变量如上述那样,是对过程的状态、向过程输入的干扰要素进行表示的变量,不仅可以将上述那样的直接的管理·监视值定义为中间变量,还可以将使用它们进行变换的管理值定义为中间变量。作为典型的例子,是HRT(水力滞留时间)、SRT(污泥滞留时间)、A-SRT(需氧槽污泥滞留时间)、或者BOS-SS载荷等污水处理过程特有的管理值。也可以通过将这些值代入到预先计算出的公式,来将它们作为中间变量。
此外,中间变量与输出变量的分类没有客观的基准,是稍带主观性的分类,可以根据构建该过程监视·诊断·支援装置的当事者的判断来适当定义。
这是过程变量分类部51的作用。
接下来,在过去(脱机)数据提取部52中,从过程计测数据收集·保存部2所保存的过去的过程数据之中提取出由过程变量登记部3登记的变量的遍及规定期间的过去的数据。此时,优选“规定期间”按照用户适宜选择的方式,与过程变量登记部3一同作为监视画面上等的GUI来预先安装。以下,将在此提取出的过去的时间序列数据记为X。该X是在行方向具有变量(在上述的情况下为[1]~[20]的变量)、在列方向具有上述定义的遍及“规定期间”的时间序列样本(时间序列数据)的矩阵,以下在说明时,将变量的数设为n,将时间序列数据数设为m。因此,X是m×n的时间序列数据。这是过去(脱机)数据提取部52的作用。
接下来,在过程变量相关定义部53中,在适当地进行了从由过去(脱机)数据提取部52提取出的X除去欠测数据、异常值(outlier)、物理性维度不同的多个监视项目(监视模型构成变量)的正规化(=减去平均值并除以方差)等的基础上,求出X的相关矩阵。此时,也可以根据需要还进行抽选(Decimation)(以规定的周期间隔剔除时间序列样本)等,该情况下,时间序列数据数m发生变化。总之,以下将这样适当处理后的数据重新记作X。X的相关矩阵在各变量被正规化的情况下与方差协方差矩阵一致,可以简单地通过以下的公式计算。
相关矩阵S=XTX(1)
(1)式表示过程变量的数n×n的矩阵,其各要素成为表示从-1到1的相关系数的实数。而且,根据相关系数的定义,成为对角要素全部为1(与自身的相关系数为1)的对称矩阵(a与b的相关和b与a的相关相同)。对该(1)式的相关系数设置适当的基准,预先定义相关的有无、强度。最简单的定义是将相关的有无作为基准的定义,例如,可以如图3所示那样定义相关判定规则(例1)。
这里,Th是判断相关的有无的基准,例如只要设为Th=0.5或Th=0.7(Th2≈0.5)等即可。而且,使用如相关有=1、相关无=0或相关有=○、相关无=×那样适当的表现形式。另外,SS是表示相关的有无的矩阵,这是由过程变量相关定义部53定义的矩阵的例子。
作为其他的例子,遍布几个阶段来判断相关的强度,例如,在分成3个阶段的情况下,可以如图4所示那样设定相关判定规则(例2)。
这里,Th1与Th2是满足0<Th2<Th1<1的阈值,例如只要设定为Th1=0.7,Th2=0.5等即可。而且,可以使用如强相关=2、弱相关=1、相关无=0或强相关=◎、弱相关=○、相关无=×那样适当的表现形式。
并且,不仅能够单纯从各变量彼此的相关这一观点出发,还能够使用后述的主成分分析的载荷(loading)矩阵来定义各变量间的关系的有无(或者强度)。将考虑了所有变量的尺寸n×n主成分载荷设为Pa,将其k行j列记载为Pa(k,j)。
对Pa(k,j)而言,根据载荷矩阵Pa成为正规正交矩阵这一性质,其要素取-1到1的范围的值,而且,由Pa的k行定义的第i主成分(以下记述为Pa(k,:))的平方和Σ_{j=1}^{15}Pa(k,j)2为1。这意味着Pa(k,j)2的平均值为1/n。如果利用该性质,则能够以图5所示那样的相关判定规则(例3)来决定各个变量的关系的有无。
在上述说明中,主成分载荷矩阵(主成分载荷矩阵)的第k行所示的比第k主成分的平均值大的彼此以相互相关这一基准规定了关系性。当然,也可以适当地修正平均值1/n来设为不同的阈值,还可以如相关判定规则的例2那样以多个阈值定义关系的强度。
图6表示了如此定义了过程变量间的关系(或者相关)的强度的例子。在过程变量相关定义部53中,通过某些机械式的机构,结果如图6所示那样定义了过程变量间的相关。此时,应该注意的是将由过程变量分类部51分类后的输入变量、中间变量和输出变量如图6所示那样分类而保持。这成为进行后述的异常时对策支援时的重点。
上述的实施方式成为与技术方案5对应的过程变量定义机构的例子。以上是过程变量相关定义部53的作用。
此时,优选图6所示那样的表示过程变量间的相关的表通过监视画面上的GUI向用户提示。该情况下,用户预先利用过程变量相关定义接口部6将该表中的相关的有无、强度适当改写。于是,在用户感到疑问而想要对如上述那样以机械方式决定的相关关系适当修正的情况下,能够容易地将用户的要求反映到系统中。此时,在不是预先对用户要求定义相关的有无,而是用户想要针对以机械方式定义的相关进行定制(customize)的情况下,构成为能够定制的点是本实施方式的重点。
该作用是与技术方案6对应的用户接口的例子,是过程变量相关定义接口部6的作用例。
接下来,在异常检测用数据定义部54中,通过将多变量解析或机械学习各种方法应用到由过去(脱机)数据提取部52提取出的X,来生成少数的异常检测用数据。这里重要的是:由于该异常检测用数据根据X生成,所以包含n个过程变量的信息;和异常检测用数据成为一直比n少的1~2个左右的少数。
作为这样的方法,作为过程诊断技术而经常使用的方法被称为MSPC(多变量统计过程管理),利用通常主成分分析(PCA)或潜在变量射影法(PLS)将被称为Q统计量、T2统计量的异常检测用数据合成。
PCA将n个全部的变量作为同等的变量进行处理,与之相对,PLS将n个变量分离成输入变量和输出变量来处理。
在本实施方式中,预先将过程变量分类成输入变量、输出变量和中间变量,这里,为了在诊断后的异常对策支援中使用,对过程变量进行了分类。因此,本实施方式也能够与该分类无关地使用PCA或者PLS中的某一方法。在应用PCA的情况下,只要不对已经定义的输入变量、输出变量和中间变量进行区别地加以应用即可。在应用PLS的情况下,通过将分类完毕的中间变量重新分成输入变量或输出变量来加以应用。也可以取代PLS而利用将PCA与多元回归分析组合得到的PCR。除此之外,当在不同的场所反复计测多个过程变量时等,也可以使用典型相关解析(CVA)。作为这样的例子,例如可举出在水处理过程的多处反复测定水温、pH、导电率、硝酸、混浊度这5个变量那样的情况。
另外,在设想数据之中大量含有异常值等的情况下,例如也可以采用文献1「Mia Hubert,Peter J.Rousseeuw,Karlien V,“ROBPCA:a NewApproach to Robust Principal Component Analysis(2005)”Technometrics」以及文献2「C Croux,A Ruiz-Gazen,High breakdown estimators for principalcomponents:the projection-pursuit approach revisited,Journal of MultivariateAnalysis 」等考虑了针对异常值的鲁棒性的各种稳健PCA算法。或者,也可以对稳健PCA进行扩展而作为稳健PLS进行使用。
并且,在设想数据间存在强的非线性相关那样的情况下,例如可以采用文献3「K.-R.Muller,S.Mika,G.Ratsch,K.Tsuda,and B.Scholkopf,An introduction to kernel-based learning algorithms.IEEE Trans.Pattern Anal.Machine Intell.,12(2):181.201,March 2001.」以及文献4「B.Scholkopf,A.J.Smola,and K.-R.Muller,Nonlinear component analysis as a kerneleigenvalue problem.Neural Computation,10(5):1299.1319,1998.」等中记载的核PCA等考虑了非线形性的PCA、或者将其扩展而作为核PLS使用。并且,当存在非线形性和异常值的问题双方时,还能够使用将稳健PCA与核PCA组合的方法。
另外,作为与MSPC类似的技术,也可以通过在品质工学的领域中使用的田口(Taguchi)法等基于马氏距离来生成检测用数据。其中,使用了马氏距离的检测用数据与后述的使用了PCA的霍特林的T2统计量本质上相同。不同之处在于,使用了PCA的方法与PCA相比,将维度降低为低维。不过,在使用了马氏距离的方法中,有时为了数值的稳定化也进行低维化。因此,使用了马氏距离的检测用数据本质上与T2统计量几乎相同。
另外,通过将异常检测把握成将某个数据识别为正常类和异常类的2类的聚类问题,能够采用在机械学习的领域中利用的各种聚类的技术。作为这样的技术,可以使用判别分析、k均值聚类、模糊c-均值聚类那样的聚类,也可以将利用了支持向量机(SVM)、贝氏推论的相关向量机(RVM)作为2类的聚类进行应用。再利用这些聚类的情况下,需要适当定义异常检测用数据。在最单纯的方法中,可以将距离通过聚类分离出的正常类的中心的距离定义为异常检测用数据。
作为其他的机械学习领域的技术,也可以应用在图像识别的领域经常使用的局部空间法的技术。此时,可以将由局部空间法定义的“类似度”这一概念作为异常检测用数据来使用。即,可以将类似度与正常数据较远的数据定义为异常数据来利用。其中,类似度的概念是与后述的基于PCA的Q统计量非常接近的概念。Q统计量表示对从诊断对象的某个数据向低维空间的距离加以表现的“异常度”。与此相对,类似度是将诊断对象的某个数据向低维空间射影的量,表示对某个数据与低维空间如何接近加以表现的“正常度”。由于异常度与正常度成为相互正交的补空间的量,能够相互变换,所以是原理上大致相同的概念。
除此之外,还可以将上述的方法以各种形式组合来合成异常检测用数据。例如,可以进行将PCA与多元回归分析组合得到的PCR的多元回归分析的部分置换成将支持向量机扩张为回归分析的支持向量回归(SVR)、或置换成回归问题所采用的RVM等的组合。
总之,在异常检测用数据定义部54中,重要的是少数的异常检测用数据根据X生成,作为生成的方法,可以采用任意的方法。
以下,为了说明后续的作用,对使用了通常的PCA时的异常检测用数据生成的具体计算式进行记载。如果使用PCA,则X可以如以下那样分解。
Ta∈Rm×n是由m个样本(或者时间序列数据)和n个主成分数构成的被称为评分(score)矩阵的矩阵。Pa∈Rn×n是表示n个构成变量与n个主成分的关系的被称为载荷矩阵的矩阵。T∈Rm×p是以p《n个主成分舍去的Ta的部分矩阵,通常被称为评分矩阵。同样,P∈Rn×p是表示与针对n个变量以p《n个舍去的主成分的关系的Pa的部分矩阵,通常将该P称为载荷矩阵。另外,E∈Rm×n是由m个样本(或者时间序列数据)与n个变量构成的误差矩阵,表示以p《n舍去主成分时的误差。
以下为了明确区别Ta和T、Pa和P,将Ta与Pa分别称为评分矩阵、载荷矩阵,将T与P分别称为主要评分矩阵、主要载荷矩阵。使用它们将以下的Q统计量与霍特林(Hotelling)的T2统计量定义为异常检测用数据。
Q统计量:
Q(x(t))=xT(t)(I-PPT)x(t)(3)
霍特林的T2统计量:
T2(x(t))=xT(t)PTΛ-1Px(t)(4)
这里,Λ是将具有主成分的方差作为对角要素的矩阵,意味着对方差进行了正规化。I是适当尺寸的单位矩阵。x(t)是矩阵X的第t个要素。在后述的异常监视·诊断时,该x(t)通过置换成联机计测出的过程数据来计算。(3)式与(4)式是由异常检测用数据定义部54定义的异常检测用数据的例子,这里,使用2个异常检测用数据。
并且,针对这些统计量预先设定了作为识别异常与正常的判断基准的阈值。由于该阈值的设定值与状态变化、异常征兆的检测大幅相关,所以其设定方法很重要。但是,阈值的设定方法与本实施方式的构思无关,所以仅记载典型的设定方法。
在针对过去的脱机数据没有任何预先信息的情况下,作为阈值的默认的设定法,可以采用Q统计量的统计可靠极限值和与霍特林的T2统计量有关的统计可靠极限值(文献5:C.Rosen“Monitoring Wastewater TreatmentSystems",Lic.Thesis,Dept.of Industrial Electrical Engineering andAutomation,Lund University,Lund,Sweden(1998))。
这些值可以如以下那样描绘。
Qlimit的理论计算式:
这里,p是模型中残留的变量的数。cα是可靠区间的极限为1-α时的标准正规分布的标准偏差的错移(例:α=0.01的情况下为2.53,α=0.05的情况下为1.96)。另外,λi是Λ的对角要素(即,Θi是误差项中含有的各成分的i乘和)。
T2 limit的理论计算式:
这里,p是所选择的(=模型中残留的)变量的数。m是所有变量的数。F(p,m-p,α)是自由度为(p,m-p)、将可靠极限设为α(=0.01或者大多设为0.05)时的F分布。
以上是异常检测用数据定义部54的作用的例子,对应于技术方案3。
接下来,在异常检测用数据贡献量定义部55中,设定针对由(3)式、(4)式定义的统计量(异常检测用数据)的各诊断模型的输入变量的贡献量的定义式。
贡献量的定义方法也有多个,例如可如以下那样定义。
Q统计量的贡献量:
Qcont(n,t)=xT(t,n)F(:,n)TF(:,n)x(t,n)(7)
F=(I-PPT)
霍特林的T2统计量的贡献量:
T2cont(n,t)=xT(t)PTΛ-1P(:,n)x(t,n)(8)
这里,n是指第n个变量。t是表示某个时刻的变量。如果使用(7)式与(8)式,则能够计算出过程变量分别对异常检测用数据的值贡献的程度。(7)式成为向Q统计量的第n个过程变量的轴的射影。(8)式不是单纯的射影,而是将T2统计量巧妙地分解成n个各变量成分之和的公式。
在使用不是Q统计量或T2统计量的数据作为异常检测用数据的情况下,需要以与(7)式、(8)式类似的想法来恰当地定义贡献量。
在采用品质工学中使用的马氏距离的情况下,可以利用田口法中使用的灵敏度解析方式的方法来定义贡献量。
在应用聚类方法的情况下,只要如前述那样将异常检测用数据定义为距离正常类的中心的距离,便能够将对应该距离的各过程变量所贡献的成分定义为贡献量。例如,在以欧氏距离进行定义的情况下,如果将从正常类的中心到诊断数据的距离设为D,则D2=D12+D22+D32+…+Dn2、Di2、i=1,2,…,n分解为诊断数据的各成分的距离,可以将Di2定义为贡献量。
此外,也可以在异常检测后利用独立性成分分析(ICA)来分析哪个数据引起异常的可能性高,即使不将贡献量定义为阳,也能够提取出结果成为几个异常主要因素候补的过程变量。
无论采用什么方法,在异常检测用数据贡献量定义部55中,需要具有如果针对某个诊断数据,输入了按照由异常检测用数据定义部54定义的方法计算出的该诊断数据的异常检测用数据,则能够按顺序输出哪个过程变量成为异常主要因素的可能性高那样的构造。只要能够实现这样的构造即可,可以是任意的方法。
上述的作用对应于技术方案4,是异常检测用数据贡献量定义部55的作用例。
接着,在异常时对策支援信息定义部56中,基于作为异常检测用数据贡献量定义部55的输出而供给的按异常主要因素的可能性由高到低的顺序而被排序的过程变量的信息、和来自过程变量相关定义部53的信息,构建用于提供成为异常对策的支援的信息的规则。被赋予
首先,从被排序的异常主要因素的候补变量之中,按照某一规定的规则来提取出上位的主要因素候补。最单纯的规则是提取出上位数个(例如三个)异常主要因素候补作为上位主要因素候补的规则。但是,最单纯的规则仅使用了异常主要因素候补的顺序信息,没有考虑异常度如何之高。因此,更优选采用提取出具有高的异常度的候补变量的规则。例如,只要预先计算出贡献量的平均值μ和标准偏差σ,并设定将离平均μ的距离超过k σ(例如k=3)的变量设为异常主要因素候补等的规则即可。此时,可以针对异常检测时的诊断对象数据计算出μ与σ,也可以根据某一规定期间的贡献量数据预先计算μ与σ。在前者的情况下,由于伴随着异常检测时必然包括异常数据,所以优选实施舍去几个数据来计算的修正(trim)平均、修正方差等某些稳健化处理。另外,也可以采用将上述2个规则组合而从异常度高的变量中举出最大三个变量作为主要因素候补这一规则。总之,提取出几个上位异常主要因素候补的做法是由异常时对策支援信息定义部56定义的第1个规则。
接着,设定将提取出的异常主要因素候补变量分类成图6所示的输入变量、输出变量和中间变量这一规则。例如,当在第1个规则中采用了提取出上位3个变量这一定义时,通过与图6的表对应来分类该3个变量属于输入变量、输出变量和中间变量中的哪一个。这可以容易地实现,如果将异常主要因素候补变量(向量)设为FX,将其中的输入变量(向量)设为FU,将中间变量(向量)设为FZ,将输出变量(向量)设为FY,则只要单纯地如图7所示那样应用异常主要因素候补分类规则即可。
这里,[]表示空向量,[A B]表示将向量A与向量B连接的向量。
这样在第2个规则中将异常主要因素候补变量FX分类成输入变量FU、输出变量FY、中间变量FZ。
接下来,使用这些输入变量FU、输出变量FY、中间变量FZ来生成用于提供对对策进行支援的信息的模板。这是第3个规则。这里的重点在于使输入变量FU、输出变量FY、中间变量FZ与图6的相关矩阵对应,具有发出支援消息的构造,尤其是编入操作人员进行怎样的对策才好这一支援消息。对操作人员而言,异常时自己当前应该进行什么样的操作这一信息、和操作人员重视的性能指标处于什么样的状态且存在如何变化的可能性这一信息是重要的。因此,例如生成图8以及图9所示那样的异常对策支援消息生成规则的模板。
作为这样的消息模板,重点在于完全不需要与对象工厂设备有关的特别知识,通过仅将过程变量分类成输入变量、输出变量和中间变量;和仅使用对各过程变量间的关系的有无进行表示的表便能够生成。另外,如前述那样,对过程变量间的关系的有无进行表示的表制作也可以根据相关矩阵、主成分载荷矩阵等自动地生成。因此,如果生成这样的消息模板,则能够根据该模板自动地提供异常时的对策支援信息。
以上的实施方式对应于技术方案7,是异常时对策支援信息定义部56的作用例。
根据上述的步骤,完成了异常诊断模型构建部5中的异常监视·诊断·对策支援模型的构建。接下来,在异常监视·诊断·对策支援部7中供给由异常诊断模型构建部5构建的异常监视·诊断·对策支援模型,使用该模型来进行异常的检测·主要因素变量推定以及对策支援信息的提供。
首先,利用当前数据(联机数据)提取部71提取出由过程计测数据收集·保存部2收集的想要进行诊断的时刻(以下称为当前时刻或者当前)的联机数据。使用由该当前(联机)数据提取部71提取出的当前数据,在异常监视·诊断·对策支援部7中进行过程状态的监视,当状态存在变化、或认为是异常的征兆时对其进行检测。
接着,在异常检测部72中,首先取出与由过程变量登记部3登记的变量对应的当前时刻的数据,使用各变量的平均、方差等适当地进行正规化。另外,根据需要,进行异常值的除去。然后,通过代入到由(3)式和(4)式定义的Q统计量与T2统计量的X(t),来监视当前时刻的Q统计量和T2统计量。由于该统计量随着时间的经过时刻发生变化,所以也可以通过时间序列图(趋势图)那样的形式进行监视。然后,在当前时刻的Q统计量或者T2统计量超过了由(5)式和(6)式定义的阈值的情况下,判断为过程产生了状态变化。这是异常检测部72的作用例。
接下来,在异常主要因素变量分离部73中,当由异常检测部72检测出过程的异常时,输入该时刻下的异常检测用数据、即该时刻的(3)式和(4)式的Q统计量与T2统计量,计算出(7)式与(8)式的贡献量。然后,针对各过程变量,对哪个变量的贡献量大进行排序。这是异常主要因素变量分离部73的作用的例子。
异常检测部72的作用与异常主要因素变量分离部73的作用是使用了通常的PCA的MSPC的作用本身。
接下来,在异常对策支援信息提供部74中,提供使用了由异常主要因素变量分离部73排序的过程变量的数据和由异常时对策支援信息定义部56定义的异常时的对策支援消息模板的异常时的对策支援信息。
为了展示具体的实施印象,使用图10对简化情况下的生成消息的作用进行叙述。在图10中,为了容易理解,使用了将图6的过程变量相关图简化后的图。
首先,作为上位的异常主要因素候补FX,提取出放出TP、风量和溶解氧浓度DO。放出TP被分类为输出变量FY。风量被分类为输入变量FU。溶解氧浓度DO被分类为中间变量FZ。于是,利用由异常时对策支援信息定义部56定义的异常时的对策支援消息模板,如图11所示,生成对策支援消息。
在本实施方式中,表示了异常主要因素候补变量FX被一个一个地分类为输出变量FY、中间变量FZ、输入变量FU且它们全部相关的最简单的情况。并不限定于此,在其他的情况下,也按照由异常时对策支援信息定义部56定义的异常时的对策支援消息模板,将支援消息自动地通过用户接口部9向操作人员等用户提供。提供这样的消息的作用是异常对策支援信息提供部74的实施方式的作用。由此,异常监视·诊断·对策支援部7的作用结束。
接下来,被提供异常对策支援信息的用户基于支援信息进行某些操作。这里,更优选保存好用户的操作记录等对策记录。这是异常对策记录保持部8的作用。例如,在按照上述消息调整了风量的情况下,自动保存风量和进行了调整这一记录。并且,将操作人员能够输入那样的栏设置在用户接口部9上,能够记录好如何调整风量且结果使得放出TP获得什么程度的改善的记录、与调整风量相伴的弊端(副作用)等的记录。在该异常对策记录保持部8中,优选残留什么操作量被调整了这一记录、是什么样性能指标的对策的记录、是什么管理项目的对策的记录而具有以操作量、性能指标、管理项目来进行检索那样的功能。另外,还可以具有针对操作人员的记录能够以关键字进行检索的功能。这是异常对策记录保持部8的实施方式的作用例。
另外,当带有该功能时,在异常对策支援信息提供部74中,能够对该功能进行自动检索,显示某一操作量、性能指标、管理指标的过去的记录一览。例如,能够提示放出磷浓度时的过去的异常对策列表、风量异常时的过去的异常对策列表、溶解氧浓度DO异常时的过去的异常对策列表的一览。这是与技术方案8对应的作用例。
通过以上步骤,完成了异常的监视·诊断·对策支援的作用。
如上所述,根据本实施方式,能够通过过程监视·诊断·支援装置具备异常诊断模型构建部5以及异常监视·诊断·对策支援部7的构成,以不依赖于对象过程的形式,提供异常时的对策支援信息。
如果补充说明,则在以前的监视·诊断方法中,只能进行异常征兆的检测和主要因素变量的分离,或者如果想要提供对策支援信息则需要大量的工程。与此相对,如果使用本实施方式的方法,则能够在几乎不产生工程的情况下,除了异常检测·主要因素变量分离之外,几乎机械式地提供异常时的对策支援信息。
即,根据本实施方式,几乎不存在除了定义对诊断系统输入的过程变量,并将该过程变量分类成输入变量、输出变量和中间变量以外的工程,能够通过仅根据由SCADA等收集的工厂设备的监视数据而仅机械式地(≈不存在工程而自动地)经由数据处理的处理,以不依赖于对象过程的形式,在过程的异常时·非稳定时对工厂设备操作人员、工厂设备经营管理者等用户提供对策支援信息。
另外,在具备显示n个过程变量的名称并在其显示中根据用户的操作来选择过程变量分类部51中的输入变量、输出变量和中间变量的过程变量分类用户接口部4的情况下,用户能够在GUI上容易地实施过程变量的分类。
并且,作为异常检测用数据定义部54,在对使用主成分分析(PCA)、潜在变量射影法(PLS)、主成分回归(PCR)、典型相关解析(CVA)、马氏距离、稳健主成分分析(Robust PCA)、核主成分分析(Kernel PCA)、判别分析、模糊c-均值聚类、k均值聚类、支持向量机(SVM)、相关向量机(RVM)以及局部空间法中的至少一个以上方法来生成异常检测用数据的公式进行定义的情况下,能够以不依赖于对象过程的形式,援用现有的多变量解析或机械学习的技术,系统地提供对非稳定时的对策支援信息进行提供的前述效果。另外,能够以不需要与对象过程有关的知识的作为统计学FDI方法的MSPC为基础,在过程的非稳定时·异常时,向操作人员、经营管理者提供表示采取怎样的对策的具体对策支援信息。
另外,作为异常检测用数据贡献量定义部55,在将n个过程变量中的所关注的过程变量k的贡献量(其中,k=1,2,…,n),[a]通过从由异常检测用数据定义部54定义的异常检测用数据向该过程变量k伸展的空间射影来定义,或[b]把异常检测用数据分解成n个成分之和,定义为只有该过程变量k造成影响的第k个成分,或者[c]使用独立性成分分析来定义的情况下,能够不依赖于对象过程的形式,更加系统地提供对非稳定时的对策支援信息进行提供的前述效果。
另外,作为过程变量相关定义部53,在基于n个过程变量的遍及规定期间的时间序列数据的相关矩阵或者主成分载荷矩阵来定义相关信息的情况下,能够根据数据机械式且系统、容易地定义过程变量间的关系的有无或者强度。另外,由于异常检测用数据定义部54中的多变量解析等方法大多在异常检测用数据制作时进行生成方差协方差矩阵、主成分载荷矩阵的操作,所以在诊断模型构建时,仅稍微施加修正便能够机械式地定义过程变量间的关系。
另外,过程变量相关定义部53具有对n个过程变量相互间的相关的有无或者强度进行表示的n行n列的表作为相关信息。过程变量相关定义接口部6能够根据用户的操作来显示该表,并且容易地修正表的内容。作为修正该表的内容的情况,有通过数据驱动来构建的过程监视·诊断·支援装置的前述效果不能满足工厂设备经营管理者、操作人员等用户的情况、用户想要进行修正的情况等。
另外,在由异常时对策支援信息定义部56定义了第2~第6规则的情况下,作为前述效果的更具体的形式,可以在异常时赋予用户确认哪个操作量并根据需要进行调整即可这一支援信息,并且,可以向用户提供什么样的过程监视数据容易因该操作量受到影响(例如放出水质等性能指标具有今后如何变化的可能性)这一信息。
另外,在具备异常对策记录保持部8的情况下,当被提供支援信息时,能够使工厂设备操作人员、经营管理者参照在过去的类似事例中进行了怎样的对策,从而容易地进行具体的对策。
<其他实施方式的构成>
图12~图14分别表示了通过因特网、电话等公用线路或者专用线路等通信线路来实现将第1实施方式中叙述的图1的污水高度处理过程1作为对象的监视系统的系统构成的一个例子。通信线路为有线或者无线,在该例子中,假定为主要通过无线线路来实现。图12~图14的实施方式的构成中的构成要素与图1的构成的构成要素大致相同,不同之处在于通过通信线路分割了功能。与之相伴,在图13以及图14所示的构成中,具有新的远程监视操作终端10。
在图12所示的构成中,污水高度处理过程1中计测的数据的收集和基于污水高度处理过程1的各种致动器111~115的各操作量的操作在该处理工厂中实施,但其他的功能由通过通信线路而在物理上存在于远离的场所的中心装置11实施。
即,图12所示的构成还具备与过程计测数据收集·保存部2通过有线或者无线的通信线路连接的中心装置11。各部3、4、5、6、7、9被安装于中心装置11。中心装置11通过通信线路来收集过程计测数据收集·保存部2中保存的n个过程变量的时间序列数据并向用户提示,在根据用户的操作对输入变量U进行操作的情况下,通过通信线路将该输入变量U的操作信号向污水高度处理过程1发送。
图13所示的构成与图12不同,成为具有远程监视操作终端10的构成,该远程监视操作终端10通过通信线路接收异常时的对策支援信息,并将基于该信息判断的结果再次通过通信线路向污水高度处理过程1发送。该远程监视操作终端10可以存在多个,进行污水高度处理过程1的运转管理的多个工厂设备经营管理者、操作人员可以保有该终端。
即,图13所示的构成还具备与异常对策支援信息提供部74以及污水高度处理过程1通过有线或者无线的通信线路连接的远程监视操作终端10。监视操作终端10将通过通信线路由异常对策支援信息提供部74提供的对策支援信息向用户提示,在根据用户的操作对输入变量U进行操作的情况下,通过通信线路将该输入变量U的操作信号发送给污水高度处理过程1。
图14所示的构成成为将图12与图13合成而发展得到的构成。在污水高度处理过程1中进行数据的收集和操作量的操作,通过通信线路在中心装置11中进行诊断。在该中心装置11中,进行针对多个处理过程的诊断。图14所示的构成还具有远程监视操作终端10,通过通信线路将由中心装置11诊断得到的对策支援信息发送给远程监视操作终端10,并从远程监视操作终端10再次通过通信线路进行针对任一处理过程的操作指令。
即,图14所示的构成在污水高度处理过程1位于w处的情况下(其中,w=1,2,…w),设置w个过程计测数据收集·保存部2,将该w个过程计测数据收集·保存部2分别独立地配置给w处的污水高度处理过程1。另外,还具备与各过程计测数据收集·保存部2通过有线或者无线的通信线路连接的中心装置11、和与异常对策支援信息提供部74以及各污水高度处理过程1通过有线或者无线的通信线路分别独立地连接的w个以上远程监视操作终端10。中心装置11通过通信线路收集各过程计测数据收集·保存部2中保存的n个过程变量的时间序列数据并向第1用户(中心装置11的用户)提示。中心装置11在根据第1用户的操作对输入变量U进行操作的情况下,通过通信线路将该输入变量U的操作信号发送给污水高度处理过程1。各远程监视操作终端10将通过通信线路由异常对策支援信息提供部74提供的对策支援信息向第2用户(远程监视操作终端10的用户)提示。各远程监视操作终端10在根据该第2用户的操作对输入变量U进行操作的情况下,通过通信线路将该输入变量U的操作信号发送给污水高度处理过程1。
接下来,对如以上那样构成的其他实施方式的作用进行说明。
需要说明的是,由于其他实施方式的基本作用与第1实施方式的作用相同,所以以不同的部分为中心进行叙述。
首先,对图12所示的构成的实施方式的作用进行说明。在中心装置11中,预先在过程变量登记部3中登记异常诊断模型构建所需要的过程变量,并将该登记信息向处理工厂发送。在处理工厂中保持该登记的过程变量的信息,能够适当地进行参照。另外,异常诊断模型构建部5的过去(脱机)数据提取部52与异常监视·诊断·对策支援部7的当前(联机)数据提取部71以附随于污水高度处理过程1侧的过程计测数据收集·保存部2的形式被保有。
接着,进行异常诊断模型构建。由过去(脱机)数据提取部52提取出的遍及规定期间的登记变量的时间序列数据通过通信线路被发送给中心装置11。在中心装置11中,按照第1实施方式的作用所表示的步骤来构建异常诊断模型。
接下来,在异常监视·诊断·对策支援部7中,在进行诊断的时刻(以下称为“当前”)进行诊断。这里,首先在处理工厂中利用当前(联机)数据提取部71提取出当前的登记变量的数据,并将该数据通过通信线路发送给中心装置11。在中心装置11中,按照第1实施方式的作用所表示的步骤来生成异常的检测·主要因素分离·支援信息,并将生成的信息通过用户接口部9向操作人员等用户提示。
接下来,操作人员在基于对策支援信息确认对象过程的性能指标、管理值的同时,当需要变更操作量时,决定操作量的变更指令,通过通信线路将该信息传递给污水高度处理过程1。
在污水高度处理过程1中,基于接收到的指令信息,通过自动或者手动来变更操作量。在处理工厂无人的情况下,自动变更操作量,在有人的情况下,当处理工厂的操作人员确认了指令信息后,手动或者自动变更操作量。
其中,设想中心装置11是在物理上与处理工厂远离的场所设置的监视室中配置的计算机。不过,由于中心装置11只要具有各部3~7、9的功能即可,所以例如也可以作为移动电话、便携PC那样的移动终端。
这是图12所示的构成的实施方式的作用。
接着,对图13所示的构成的实施方式的作用进行说明。
首先,在污水高度处理过程1的某个处理工厂中,按照第1实施方式的作用所示的步骤构建异常诊断模型。接着,在相同的污水高度处理过程1的某个处理工厂中,按照第1实施方式的作用所示的步骤,生成异常的检测·主要因素分离·支援信息。到此为止与第1实施方式的作用完全相同。
接下来,仅将生成的对策支援信息通过通信线路发送给工厂设备操作人员、经营管理者所保有的远程监视操作终端10。此时,多个操作人员、经营管理者可以分别保有远程监视操作终端10。该情况下,以广播方式将对策支援信息向各远程监视操作终端10提供。
接下来,远程监视操作终端10将接收到的对策支援信息向操作人员、工厂设备经营管理者提示。操作人员、工厂设备经营管理者基于对策支援信息来判断有无变更操作量的必要性,在需要的情况下决定操作量的变更指令,对远程监视操作终端10进行操作。远程监视操作终端10根据操作人员、工厂设备经营管理者的操作,将变更指令的信息通过通信线路传递给污水高度处理过程1。此时,在多人保有远程监视操作终端10的情况下,优选具有使来自哪个终端的指令优先这一针对操作量指令优先顺序。另外,在该方式中,由于只接收对策支援信息,所以无法确认对象过程的性能指标、管理值。因此,在只接收对策支援信息时,优选是具有下述功能的方式:通过远程监视操作终端10对处理工厂进行操作人员想要确认的性能指标、管理值的数据的发送请求。
最后,在污水高度处理过程1中,基于接收到的指令信息自动或者手动变更操作量。在处理工厂无人的情况下,自动变更操作量,在有人的情况下,当处理工厂的操作人员确认了指令信息后,手动或者自动变更操作量。
在该实施方式中,将远程监视操作终端10主要设想为移动电话、便携PC等移动终端。不过,远程监视操作终端10也可以具有上述的构成且在物理上被固定的场所中存在的监视室等中心中存在的固定终端。图13所示的实施方式与图12所示的实施方式的本质不同点在于功能分担的划分方式。
这是图13所示的构成的实施方式的作用。
接着,对图14所示的构成的实施方式的作用进行说明。
在中心装置11中,预先在过程变量登记部3中登记异常诊断模型构建所需要的过程变量,并将该登记信息发送给处理工厂。与图12所示的实施方式的不同点在于存在多个处理工厂。中心装置11统一对多个处理工厂进行远程监视。因此,过程变量的登记进行与处理工厂的数量对应的次数。此时,可以按各个处理工厂来定义过程变量,也可以登记公共的过程变量。在各处理工厂中,保持该登记的过程变量的信息,能够适当地进行参照。另外,异常诊断模型构建部5的过去(脱机)数据提取部52和异常监视·诊断·对策支援部7的当前(联机)数据提取部71以附随于污水高度处理过程1侧的过程计测数据收集·保存部2的形式被保有。
接着,进行异常诊断模型构建。从各处理工厂通过通信线路向中心装置11发送由过去(脱机)数据提取部52提取出的遍及规定期间的登记变量的时间序列数据。在中心装置11中,按照第1实施方式的作用所示的步骤,构建各个处理工厂的异常诊断模型。
接下来,在异常监视·诊断·对策支援部7中,在进行诊断的时刻(以下称为“当前”)进行诊断。这里,首先在各个处理工厂中由当前(联机)数据提取部71提取出当前的登记变量的数据,该数据通过通信线路被发送给中心装置11。在中心装置11中,按照第1实施方式的作用所示的步骤,生成异常的检测·主要因素分离·支援信息。此时,应该参照的异常诊断模型需要按处理工厂来切换。对于检测·诊断·对策支援的操作而言,除了诊断模型的切换以外,可以作为一个算法来安装。
如果生成了对策支援信息,则该生成的信息通过用户接口部9向操作人员等用户提示。此时,位于配置有中心装置11的监视室以外的场所的操作人员、经营管理者也可以保有远程监视操作终端10。该情况下,对策支援信息通过通信线路还向保有远程监视操作终端10的工厂设备操作人员、经营管理者发送。此时,多个操作人员、经营管理者可以分别保有远程监视操作终端10。该情况下,以广播方式将对策支援信息向各远程监视操作终端10提供。
接下来,操作人员基于由远程监视操作终端10提示的对策支援信息来确认对象过程的性能指标、管理值,同时在需要变更操作量的情况下决定操作量的变更指令,对远程监视操作终端10进行操作。远程监视操作终端10根据操作人员的操作,将变更指令的信息通过通信线路传递给污水高度处理过程1。优选当存在保有远程监视操作终端10的操作人员、经营管理者时,使中心装置11或者远程监视操作终端10的某一个的指令优先,或者在远程监视操作终端10的保有者为多人的情况下,具有使哪个指令优先这一针对操作量指令的优先顺序。
最后,在污水高度处理过程1中,基于接收到的指令信息自动或者手动变更操作量。在处理工厂无人的情况下,自动变更操作量,在有人的情况下,当处理工厂的操作人员确认了指令信息后,手动或者自动变更操作量。
以上是图14所示的构成的实施方式的作用。
图12~图14所示的构成的实施方式的效果如下所述。
根据图12所示的构成,即使在污水处理工厂设备和运用管理其的工厂设备操作人员、工厂设备经营管理者位于物理上远离的场所的情况下,也能够获得与第1实施方式的效果相同的效果。
根据图13所示的构成,由于在图12的构成中谋求中心侧的计算载荷降低,所以除了第1实施方式的效果之外,即使在难以处理大的计算载荷的便携式简易终端中,也能够提供过程监视最需要的异常时的信息和实现该对策的远程实施。另外,由于仅在异常时利用通信线路,所以还能够同时降低通信线路的载荷,对避免通信线路的通信混乱做出贡献,而且,即使在通信混乱的情况下,也容易确保重要的信息(异常时的信息)的通信。
如果补充说明,则根据图13所示的构成,即使在工厂设备操作人员、工厂设备经营管理者与对象工厂设备物理上远离的情况下、且预料到通信线路的通信混乱那样的情况下,也能够检测出对象过程中产生的重要异常,对其进行相应的处理(但是,作为其代价,不间断进行所计测的过程变量全部的时间序列数据的监视)。
根据图14所示的构成,对图12和图13的构成进一步功能分割,而且,由于谋求一并进行多个处理工厂的监视,所以作为远程服务(客户端服务),能够提供第1实施方式的作用效果。
即,根据图14所示的构成,能够在1处或者少数位置的监视室中配置的中心装置11中实施多个位置的工厂设备的监视·诊断·支援,可以作为客户端服务等来实现第1实施方式的效果。另外,即使在工厂设备操作人员、工厂设备经营管理者与对象工厂设备物理上远离的情况下,也能够进行工厂设备的监视·诊断·对策支援。
根据以上说明的至少一个实施方式,通过过程监视·诊断·支援装置具备异常诊断模型构建部5以及异常监视·诊断·对策支援部7的构成,能够以不依赖于对象过程的形式,提供异常时的对策支援信息。
此外,对本发明的几个实施方式进行了说明,但这些实施方式只是例示,并不意图对发明的范围进行限定。这些新颖的实施方式能够以其他各种方式加以实施,在不脱离发明主旨的范围能够进行各种省略、置换、变更。这些实施方式和其变形属于发明的范围、主旨,并且,包含在技术方案的范围所记载的发明和其等同的范围。
Claims (11)
1.一种过程监视·诊断·支援装置,其特征在于,具有:
数据收集保存机构,从计测对象过程的状态量或者操作量的n个传感器收集表示计测结果的n个过程变量的时间序列数据并进行保存,其中,n≥2;
过程变量分类机构,存储对将上述n个过程变量分类成p个输出变量Y、L个输入变量U和m个中间变量Z的结果进行表示的分类信息,上述输出变量Y表示作为上述状态量的性能指标,上述输入变量U表示上述操作量,上述中间变量Z表示作为上述状态量的管理·监视值,其中,1≤p<n,1≤L<n,0≤m<n;
过程变量相关定义机构,根据上述分类信息以及上述n个过程变量的遍及规定期间的时间序列数据,来对包括上述分类后的结果在内地表示该n个过程变量相互间的相关的相关信息进行定义;
异常检测用数据定义机构,定义根据上述n个过程变量的遍及规定期间的时间序列数据来生成比上述n个少的q个异常检测用数据的公式、和基于上述异常检测用数据来对异常的有无或者异常强度进行判断的判断基准,其中,1≤q≤n;
异常检测用数据贡献量定义机构,定义上述n个过程变量的时间序列数据各自对上述异常检测用数据的贡献量;
异常时对策支援信息定义机构,定义下述规则:第1规则,提取出成为异常时的异常主要因素候补的过程变量即异常主要因素候补变量中的规定的上位的异常主要因素候补变量;第2规则,基于上述相关信息将上述提取出的异常主要因素候补变量分类成上述输出变量Y、上述输入变量U和上述中间变量Z;以及第3规则,根据该分类后的结果,提供包括对异常时的对策进行支援的消息的对策支援信息;
异常检测机构,根据上述保存了的规定时刻的上述n个过程变量的时间序列数据、以及上述异常检测用数据定义机构的定义,生成与该规定时刻的时间序列数据对应的异常检测用数据,并基于该异常检测用数据来诊断该规定时刻的数据有无异常;
异常主要因素变量分离机构,在上述诊断的结果为有异常的情况下基于上述贡献量的定义来计算该规定时刻的时间序列数据的贡献量,基于上述计算出的贡献量以及上述第1规则从该规定时刻的时间序列数据分离提取出异常主要因素候补变量;和
异常对策支援信息提供机构,基于上述分离提取出的异常主要因素候补变量、上述相关信息、上述第2规则以及上述第3规则来提供上述对策支援信息。
2.根据权利要求1所述的过程监视·诊断·支援装置,其特征在于,
还具备过程变量分类用户接口机构,该过程变量分类用户接口机构显示上述n个过程变量的名称,并在该显示中根据用户的操作,来选择上述过程变量分类机构中的输入变量、输出变量和中间变量。
3.根据权利要求1所述的过程监视·诊断·支援装置,其特征在于,
上述异常检测用数据定义机构,利用主成分分析PCA、潜在变量射影法PLS、主成分回归PCR、典型相关解析CVA、马氏距离、稳健主成分分析、核主成分分析、判别分析、模糊c-均值聚类、k均值聚类、支持向量机SVM、相关向量机RVM以及局部空间法中的至少一个以上方法,来对生成上述异常检测用数据的公式进行定义。
4.根据权利要求3所述的过程监视·诊断·支援装置,其特征在于,
上述异常检测用数据贡献量定义机构,对上述n个过程变量中的受关注的过程变量k的贡献量,其中,k=1,2,…,n,
[a]从由上述异常检测用数据定义机构定义了的异常检测用数据向上述过程变量k伸展的空间射影,从而进行定义,或者
[b]将异常检测用数据分解成n个成分之和,定义为仅上述过程变量k造成影响的第k个成分,或者
[c]利用独立性成分分析来进行定义。
5.根据权利要求1所述的过程监视·诊断·支援装置,其特征在于,
上述过程变量相关定义机构基于上述n个过程变量的遍及规定期间的时间序列数据的相关矩阵或者主成分载荷矩阵,来定义上述相关信息。
6.根据权利要求1所述的过程监视·诊断·支援装置,其特征在于,
上述过程变量相关定义机构具备对上述n个过程变量相互间的相关的有无或者强度进行表示的n行n列的表作为上述相关信息,
还具备根据上述用户的操作来显示该表,并且对上述表的内容进行修正的过程变量相关定义接口机构。
7.根据权利要求1所述的过程监视·诊断·支援装置,其特征在于,
上述第2规则包括下述规则,该规则为,基于上述分类信息,将上述提取出的异常主要因素候补变量分类成属于上述输入变量U的输入主要因素变量FU、属于上述输出变量Y的输出主要因素变量FY、属于上述中间变量Z的中间主要因素变量FZ的规则,
上述第3规则包括:
第4规则A,提供包括下述消息的对策支援信息,该消息为,在上述异常主要因素候补变量包括上述输出主要因素变量FY的情况下,对该输出主要因素变量FY正在恶化这一情况进行通知,并且进行催促以便对根据上述相关信息被定义为与该输出主要因素变量FY具有相关的输入变量U的值重新确认的消息;
第5规则B,提供包括下述消息的对策支援信息,该消息为,在上述异常主要因素候补变量不含有上述输出主要因素变量FY但含有上述输入主要因素变量FU的情况下,该输入主要因素变量FU是从通常时脱离的异常状态,进行催促以便重新审视由该输入主要因素变量FU表示的操作量,并且对根据上述相关信息被定义为与该输入主要因素变量FU具有相关的输出变量Y今后存在恶化的可能性进行通知的消息;和
第6规则C,提供包括下述消息的对策支援信息,该消息为,在上述异常主要因素变量只是上述中间主要因素变量FZ的情况下,对该中间主要因素变量FZ正在恶化进行通知,并且对根据上述相关信息被定义为与该中间主要因素变量FZ具有相关的输出变量Y今后有恶化的可能性进行通知的消息。
8.根据权利要求1所述的过程监视·诊断·支援装置,其特征在于,
还具备异常对策记录保持机构,该异常对策记录保持机构在提示了由上述异常对策支援信息提供机构提供的对策支援信息之后,对上述用户执行的操作进行记录,
上述异常对策记录保持机构,
在被提供上述对策支援信息时,基于上述时间序列数据以及上述分类信息,提示当前时刻以前的输入变量U的值、输出变量Y的值以及中间变量Z的值、和该对策支援信息,
在提示了上述对策支援信息之后,持续记录作为上述用户执行的操作的输入变量U的操作记录、输出变量Y的值、中间变量Z的值。
9.根据权利要求1所述的过程监视·诊断·支援装置,其特征在于,
还具备与上述数据收集保存机构通过有线或者无线的通信线路连接了的中心装置,
上述过程变量分类机构、上述过程变量相关定义机构、上述异常检测用数据定义机构、上述异常检测用数据贡献量定义机构、上述异常时对策支援信息定义机构、上述异常检测机构、上述异常主要因素变量分离机构以及上述异常对策支援信息提供机构被安装于上述中心装置,
上述中心装置通过上述通信线路收集上述数据收集保存机构中保存了的n个过程变量的时间序列数据并向用户提示,在根据上述用户的操作对上述输入变量U进行操作的情况下,通过上述通信线路将该输入变量U的操作信号发送给上述对象过程。
10.根据权利要求1所述的过程监视·诊断·支援装置,其特征在于,
还具备监视操作终端,该监视操作终端已通过有线或者无线的通信线路与上述异常对策支援信息提供机构以及上述对象过程连接,
上述监视操作终端将由上述异常对策支援信息提供机构通过上述通信线路提供的对策支援信息向用户提示,在根据上述用户的操作对上述输入变量U进行操作的情况下,通过上述通信线路将该输入变量U的操作信号发送给上述对象过程。
11.根据权利要求1所述的过程监视·诊断·支援装置,其特征在于,
在上述对象过程存在w处的情况下,设置w个上述数据收集保存机构,将该w个数据收集保存机构分别独立地配置于上述w处的对象过程,其中,w=1,2,…w,
还具备与上述各数据收集保存机构通过有线或者无线的通信线路连接了的中心装置、和通过有线或者无线的通信线路与上述异常对策支援信息提供机构以及上述各对象过程分别独立地连接的w个以上监视操作终端,
上述中心装置通过上述通信线路收集上述各数据收集保存机构中保存的n个过程变量的时间序列数据并向第1用户提示,在根据上述第1用户的操作对上述输入变量U进行操作的情况下,通过上述通信线路将该输入变量U的操作信号发送给上述对象过程,
上述各监视操作终端将由上述异常对策支援信息提供机构通过上述通信线路提供的对策支援信息向第2用户提示,在根据上述第2用户的操作对上述输入变量U进行操作的情况下,通过上述通信线路将该输入变量U的操作信号发送给上述对象过程。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011200587A JP5284433B2 (ja) | 2011-09-14 | 2011-09-14 | プロセス監視・診断・支援装置 |
JP200587/2011 | 2011-09-14 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102999020A true CN102999020A (zh) | 2013-03-27 |
CN102999020B CN102999020B (zh) | 2015-04-01 |
Family
ID=47927716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210342278.8A Active CN102999020B (zh) | 2011-09-14 | 2012-09-14 | 过程监视·诊断·支援装置 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP5284433B2 (zh) |
CN (1) | CN102999020B (zh) |
SG (1) | SG188751A1 (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104423366A (zh) * | 2013-08-23 | 2015-03-18 | 阿自倍尔株式会社 | 控制装置及控制方法 |
CN105278494A (zh) * | 2014-05-30 | 2016-01-27 | 三星Sds株式会社 | 系统监控装置及方法 |
CN105403807A (zh) * | 2015-09-29 | 2016-03-16 | 昆明理工大学 | 一种三段线缆混合直流输电线路故障区段识别的智能方法 |
CN105653835A (zh) * | 2014-11-14 | 2016-06-08 | 北京宇航系统工程研究所 | 一种基于聚类分析的异常检测方法 |
CN110275506A (zh) * | 2018-03-14 | 2019-09-24 | 欧姆龙株式会社 | 异常检测系统、支持装置以及模型生成方法 |
TWI678602B (zh) * | 2017-07-14 | 2019-12-01 | 日商東芝股份有限公司 | 異常檢測裝置、異常檢測方法以及電腦可讀取記錄媒體 |
CN110632900A (zh) * | 2018-06-25 | 2019-12-31 | 东芝三菱电机产业系统株式会社 | 钢铁厂用监视作业支援系统 |
CN111531830A (zh) * | 2019-02-07 | 2020-08-14 | 发那科株式会社 | 状态判定装置以及状态判定方法 |
CN114258513A (zh) * | 2020-03-11 | 2022-03-29 | 株式会社日立制作所 | 设备运行优化辅助装置、设备运行优化控制装置及方法 |
TWI789699B (zh) * | 2020-07-01 | 2023-01-11 | 日商東芝三菱電機產業系統股份有限公司 | 製造設備的診斷支援裝置 |
TWI802887B (zh) * | 2020-05-28 | 2023-05-21 | 日商住友重機械工業股份有限公司 | 顯示裝置、評估方法及評估系統 |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6211802B2 (ja) * | 2013-05-29 | 2017-10-11 | 日本電産サンキョー株式会社 | データ処理装置およびデータ処理方法 |
WO2014207789A1 (ja) * | 2013-06-24 | 2014-12-31 | 株式会社 日立製作所 | 状態監視装置 |
CN103471849A (zh) * | 2013-09-25 | 2013-12-25 | 东华大学 | 基于双重组合模式的多层相关向量机的轴承故障诊断系统 |
US20170103148A1 (en) * | 2014-03-27 | 2017-04-13 | Nec Corporation | System-analyzing device, analysis-model generation method, system analysis method, and system-analyzing program |
JP6474564B2 (ja) * | 2014-08-25 | 2019-02-27 | 東日本旅客鉄道株式会社 | 設備の劣化状態判定システムおよび設備の劣化状態判定方法 |
KR101562623B1 (ko) | 2014-11-06 | 2015-10-26 | 가천대학교 산학협력단 | 반도체 생산 공정의 이상 감지 장치 및 방법 |
JP6367103B2 (ja) * | 2014-12-11 | 2018-08-01 | 株式会社東芝 | 情報作成装置、情報作成システム、及び情報作成方法 |
EP3391160B1 (en) * | 2015-12-18 | 2020-09-09 | Vertiv Corporation | System and method for rapid input and configuration of sensors for a hvac monitoring system |
CN107153395B (zh) * | 2016-03-02 | 2020-06-19 | 百米马(天津)有限公司 | 一种单户联户收集、专业化运输、移动式多点ctm-bmm处理方法 |
CN105718432B (zh) * | 2016-03-16 | 2019-02-01 | 北京睿新科技有限公司 | 一种用于电网运行设备的信息挖掘与数据质量的校验方法 |
WO2017184073A1 (en) * | 2016-04-18 | 2017-10-26 | Sembcorp Industries Ltd | System and method for wastewater treatment process control |
JP6862190B2 (ja) * | 2017-01-24 | 2021-04-21 | 株式会社東芝 | プロセス診断装置、プロセス診断方法及びプロセス診断システム |
JP6880864B2 (ja) * | 2017-03-16 | 2021-06-02 | 富士電機株式会社 | エネルギー管理システムおよびエネルギー管理方法 |
JP6872444B2 (ja) * | 2017-07-13 | 2021-05-19 | 東京瓦斯株式会社 | サーバおよびプログラム |
US10838413B2 (en) * | 2017-10-02 | 2020-11-17 | Fisher-Rosemount Systems, Inc. | Systems and methods for multi-site performance monitoring of process control systems |
CN107540169B (zh) * | 2017-10-16 | 2020-09-11 | 合肥清原自控科技有限公司 | 一种污水处理控制系统及其处理方法 |
JP7063022B2 (ja) * | 2018-03-14 | 2022-05-09 | オムロン株式会社 | 異常検知システム、サポート装置およびモデル生成方法 |
JP7101084B2 (ja) * | 2018-08-29 | 2022-07-14 | 株式会社東芝 | 情報処理装置、情報処理システム及び情報処理方法 |
JP7214417B2 (ja) * | 2018-09-20 | 2023-01-30 | 株式会社Screenホールディングス | データ処理方法およびデータ処理プログラム |
JP7188950B2 (ja) | 2018-09-20 | 2022-12-13 | 株式会社Screenホールディングス | データ処理方法およびデータ処理プログラム |
JP7179663B2 (ja) * | 2019-03-28 | 2022-11-29 | 三菱重工業株式会社 | プラント監視装置、プラント監視方法、及びプログラム |
JP7183131B2 (ja) * | 2019-09-11 | 2022-12-05 | 日立造船株式会社 | 情報処理装置、運転支援システム、情報処理方法、および情報処理プログラム |
JP7298414B2 (ja) * | 2019-09-20 | 2023-06-27 | 株式会社明電舎 | 回転機の異常予兆診断システム、回転機の異常予兆診断方法 |
JP7551425B2 (ja) * | 2020-09-25 | 2024-09-17 | 株式会社東芝 | プラント監視支援装置 |
US20240289169A1 (en) | 2021-06-09 | 2024-08-29 | Ultimatrust Co., Ltd. | Information processing device, program, and data processing method |
JP2023108255A (ja) * | 2022-01-25 | 2023-08-04 | オムロン株式会社 | 制御装置および制御方法 |
CN117992859B (zh) * | 2024-04-03 | 2024-06-07 | 华侨大学 | 配备scada系统的机电装备早期故障预警与辨识方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01320506A (ja) * | 1988-06-23 | 1989-12-26 | Toshiba Corp | プラント監視装置 |
JPH04136795A (ja) * | 1990-09-28 | 1992-05-11 | Toshiba Corp | 異常原因診断方法 |
JP2003058242A (ja) * | 2001-08-10 | 2003-02-28 | Mitsubishi Electric Corp | プラント運転支援システム |
JP2003114713A (ja) * | 2001-10-09 | 2003-04-18 | Nippon Steel Corp | 品質不良の原因解析方法 |
CN1416076A (zh) * | 2001-08-31 | 2003-05-07 | 株式会社东芝 | 生产装置的故障诊断方法和故障诊断系统 |
JP2007066058A (ja) * | 2005-08-31 | 2007-03-15 | Toshiba Corp | 時系列データ分析装置、時系列データ分析方法、及び時系列データ分析プログラム |
JP2007310665A (ja) * | 2006-05-18 | 2007-11-29 | Toshiba Corp | プロセス監視装置 |
JP2008059270A (ja) * | 2006-08-31 | 2008-03-13 | Toshiba Corp | プロセス異常診断装置及びプロセス監視システム |
JP2010218301A (ja) * | 2009-03-17 | 2010-09-30 | Taiyo Nippon Sanso Corp | 異常診断装置、異常診断方法及び異常診断プログラム |
TW201113657A (en) * | 2009-10-09 | 2011-04-16 | Tong Dean Tech Co Ltd | Error diagnosis and classification monitoring and controlling system |
-
2011
- 2011-09-14 JP JP2011200587A patent/JP5284433B2/ja active Active
-
2012
- 2012-09-12 SG SG2012067765A patent/SG188751A1/en unknown
- 2012-09-14 CN CN201210342278.8A patent/CN102999020B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01320506A (ja) * | 1988-06-23 | 1989-12-26 | Toshiba Corp | プラント監視装置 |
JPH04136795A (ja) * | 1990-09-28 | 1992-05-11 | Toshiba Corp | 異常原因診断方法 |
JP2003058242A (ja) * | 2001-08-10 | 2003-02-28 | Mitsubishi Electric Corp | プラント運転支援システム |
CN1416076A (zh) * | 2001-08-31 | 2003-05-07 | 株式会社东芝 | 生产装置的故障诊断方法和故障诊断系统 |
JP2003114713A (ja) * | 2001-10-09 | 2003-04-18 | Nippon Steel Corp | 品質不良の原因解析方法 |
JP2007066058A (ja) * | 2005-08-31 | 2007-03-15 | Toshiba Corp | 時系列データ分析装置、時系列データ分析方法、及び時系列データ分析プログラム |
US7437266B2 (en) * | 2005-08-31 | 2008-10-14 | Kabushiki Kaisha Toshiba | Time-series data analyzing apparatus |
JP2007310665A (ja) * | 2006-05-18 | 2007-11-29 | Toshiba Corp | プロセス監視装置 |
JP2008059270A (ja) * | 2006-08-31 | 2008-03-13 | Toshiba Corp | プロセス異常診断装置及びプロセス監視システム |
JP2010218301A (ja) * | 2009-03-17 | 2010-09-30 | Taiyo Nippon Sanso Corp | 異常診断装置、異常診断方法及び異常診断プログラム |
TW201113657A (en) * | 2009-10-09 | 2011-04-16 | Tong Dean Tech Co Ltd | Error diagnosis and classification monitoring and controlling system |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104423366A (zh) * | 2013-08-23 | 2015-03-18 | 阿自倍尔株式会社 | 控制装置及控制方法 |
CN104423366B (zh) * | 2013-08-23 | 2017-06-09 | 阿自倍尔株式会社 | 控制装置及控制方法 |
CN105278494A (zh) * | 2014-05-30 | 2016-01-27 | 三星Sds株式会社 | 系统监控装置及方法 |
CN105653835A (zh) * | 2014-11-14 | 2016-06-08 | 北京宇航系统工程研究所 | 一种基于聚类分析的异常检测方法 |
CN105653835B (zh) * | 2014-11-14 | 2018-07-27 | 北京宇航系统工程研究所 | 一种基于聚类分析的异常检测方法 |
CN105403807A (zh) * | 2015-09-29 | 2016-03-16 | 昆明理工大学 | 一种三段线缆混合直流输电线路故障区段识别的智能方法 |
CN105403807B (zh) * | 2015-09-29 | 2018-11-27 | 昆明理工大学 | 一种三段线缆混合直流输电线路故障区段识别的智能方法 |
TWI678602B (zh) * | 2017-07-14 | 2019-12-01 | 日商東芝股份有限公司 | 異常檢測裝置、異常檢測方法以及電腦可讀取記錄媒體 |
CN110275506A (zh) * | 2018-03-14 | 2019-09-24 | 欧姆龙株式会社 | 异常检测系统、支持装置以及模型生成方法 |
US11163277B2 (en) | 2018-03-14 | 2021-11-02 | Omron Corporation | Abnormality detection system, support device, and model generation method |
CN110632900A (zh) * | 2018-06-25 | 2019-12-31 | 东芝三菱电机产业系统株式会社 | 钢铁厂用监视作业支援系统 |
CN110632900B (zh) * | 2018-06-25 | 2023-02-28 | 东芝三菱电机产业系统株式会社 | 钢铁厂用监视作业支援系统 |
CN111531830A (zh) * | 2019-02-07 | 2020-08-14 | 发那科株式会社 | 状态判定装置以及状态判定方法 |
US11731332B2 (en) | 2019-02-07 | 2023-08-22 | Fanuc Corporation | State determination device and state determination method |
CN114258513A (zh) * | 2020-03-11 | 2022-03-29 | 株式会社日立制作所 | 设备运行优化辅助装置、设备运行优化控制装置及方法 |
CN114258513B (zh) * | 2020-03-11 | 2023-12-05 | 株式会社日立制作所 | 设备运行优化辅助装置、设备运行优化控制装置及方法 |
TWI802887B (zh) * | 2020-05-28 | 2023-05-21 | 日商住友重機械工業股份有限公司 | 顯示裝置、評估方法及評估系統 |
TWI789699B (zh) * | 2020-07-01 | 2023-01-11 | 日商東芝三菱電機產業系統股份有限公司 | 製造設備的診斷支援裝置 |
Also Published As
Publication number | Publication date |
---|---|
SG188751A1 (en) | 2013-04-30 |
CN102999020B (zh) | 2015-04-01 |
JP5284433B2 (ja) | 2013-09-11 |
JP2013061853A (ja) | 2013-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102999020A (zh) | 过程监视·诊断·支援装置 | |
Asadi et al. | Wastewater treatment aeration process optimization: A data mining approach | |
CN104781741B (zh) | 工序监视诊断装置及工序监视诊断程序 | |
Xiao et al. | Data mining in building automation system for improving building operational performance | |
Ge et al. | Online monitoring of nonlinear multiple mode processes based on adaptive local model approach | |
Ge | Distributed predictive modeling framework for prediction and diagnosis of key performance index in plant-wide processes | |
Dairi et al. | Deep learning approach for sustainable WWTP operation: A case study on data-driven influent conditions monitoring | |
Hachicha et al. | A survey of control-chart pattern-recognition literature (1991–2010) based on a new conceptual classification scheme | |
Torregrossa et al. | A data-driven methodology to support pump performance analysis and energy efficiency optimization in Waste Water Treatment Plants | |
Núnez et al. | A comparative study on the use of similarity measures in case-based reasoning to improve the classification of environmental system situations | |
KR102440372B1 (ko) | 빅데이터 및 인공지능 기반의 하수처리시설의 유입수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 | |
JP6214889B2 (ja) | プロセス監視診断装置 | |
Cheng et al. | Monitoring influent conditions of wastewater treatment plants by nonlinear data-based techniques | |
Corona et al. | Monitoring nitrate concentrations in the denitrifying post-filtration unit of a municipal wastewater treatment plant | |
Li et al. | Ensemble model of wastewater treatment plant based on rich diversity of principal component determining by genetic algorithm for status monitoring | |
Yel et al. | Prediction of primary treatment effluent parameters by Fuzzy Inference System (FIS) approach | |
Yacout | Fault detection and diagnosis for condition based maintenance using the logical analysis of data | |
Khosrowpour et al. | Occupant workstation level energy-use prediction in commercial buildings: Developing and assessing a new method to enable targeted energy efficiency programs | |
Liukkonen et al. | Advanced monitoring platform for industrial wastewater treatment: Multivariable approach using the self-organizing map | |
KR101237444B1 (ko) | 하폐수 처리장의 공정진단 시스템 및 방법 | |
Zhao et al. | Seasonal artificial neural network model for water quality prediction via a clustering analysis method in a wastewater treatment plant of China | |
Li et al. | Complex dynamic process monitoring method based on slow feature analysis model of multi-subspace partitioning | |
Yang et al. | Quality-related monitoring of distributed process systems using dynamic concurrent partial least squares | |
Klanderman et al. | Fault isolation for a complex decentralized waste water treatment facility | |
JP2009294731A (ja) | 運用ノウハウを自動抽出するプラント制御装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |