CN103246212A - 系统控制装置及系统控制方法 - Google Patents

系统控制装置及系统控制方法 Download PDF

Info

Publication number
CN103246212A
CN103246212A CN2013100498900A CN201310049890A CN103246212A CN 103246212 A CN103246212 A CN 103246212A CN 2013100498900 A CN2013100498900 A CN 2013100498900A CN 201310049890 A CN201310049890 A CN 201310049890A CN 103246212 A CN103246212 A CN 103246212A
Authority
CN
China
Prior art keywords
status data
estimation range
predicted value
upper limit
system control
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.)
Pending
Application number
CN2013100498900A
Other languages
English (en)
Inventor
八竹英纪
服部玲子
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Omron Corp
Original Assignee
Omron Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Omron Corp filed Critical Omron Corp
Publication of CN103246212A publication Critical patent/CN103246212A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/026—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system using a predictor
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
    • F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
    • F24F11/77—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity by controlling the speed of ventilators
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/32—Responding to malfunctions or emergencies
    • F24F11/39—Monitoring filter performance
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/50—Air quality properties
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
    • 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
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
    • 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
    • Y02P90/80—Management or planning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Fluid Mechanics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)
  • Air Conditioning Control Device (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供一种系统控制装置及系统控制方法，该系统控制装置及系统控制方法，在将制造系统中的状态保持在基准值或基准范围内时，能够避免浪费能量，并且能够可靠地控制系统的状态，而且能够使用户了解到节能程度。针对表示影响在系统中制造的产品品质的状态的数据（“状态数据”），导出将干扰的影响也予以考虑的预测范围，并基于该预测范围和基准值之间的关系，来控制设备。由此，能够将因干扰的影响而引起的状态数据的变动也予以考虑的基础上控制设备。

Description

系统控制装置及系统控制方法
技术领域
本发明涉及对系统的控制，特别地涉及基于对系统特性的检测结果来对用于调整该系统的特性的设备进行控制的系统控制装置及系统控制方法。
背景技术
以往，在一些用于生产产品等的系统中，设置有如下设备，该设备是指，将表示对该系统所制造的产品品质带来影响的状态的数据（下面，称为“状态数据”），保持在预先决定的基准值或基准范围内的设备。此外，作为如上述那样的数据，例如，可例举设置有系统的室内的温度及湿度、设置有系统的室内和室外之间的差压、作为系统的控制对象的室内的噪声等级、在系统中生产的产品（或半成品）的尺寸、圆度、球度及平行度。
而且，公开了在这样的系统中抑制如上述那样的设备的耗电的同时维持如上述那样的状态数据的各种技术。
例如，在专利文献1（日本特开2005－249243号公报）中公开了如下技术，即，设置用于对空调对象室进行空气调节的风机和用于检测空调的状态的传感器（温度传感器及湿度传感器等），并根据该传感器的检测值来阶段性地提高风机的转速。
另外，在专利文献2（日本特开2002－357346号公报）中公开了如下技术，即，设置用于检测空调对象室的清洁度的传感器（微粒传感器（particlesensor）），在该传感器的检测值大幅低于上限值时，将用于对该空调对象室的空气进行调节的空调机的输出抑制为最低输出。
另外，在专利文献3（日本特开2006－29771号公报）中，在热电联合（cogeneration）系统中，执行用于判别由多个单位时间构成的各设定周期内的耗能是否有规则性的规则性判别处理，在判别为耗能有规则性时，执行负荷设置条件运转处理，而在判别为耗能没有规则性时，执行与负荷设置条件运转处理不同的预备运转处理。
另外，在专利文献4（日本特开2011-27408号公报）中公开了如下技术，即，在热电联合系统中，基于过去的热负荷数据和过去的电负荷数据来判断耗能是否有规则性，在有规则性的情况下，基于该规则性来预测负荷的产生，并以维持所预测的这些负荷的运转的方式控制热电联产装置的运转。
另外，在专利文献5（日本特开2011－69601号公报）中公开了与设备管理装置对设备进行控制相关的技术。在该技术中，设备管理装置基于传感器的检测输出来推定用户的客观性的舒适性程度，另外，基于用户的声明来推定该用户的主观性的舒适性程度。然后，基于这样推定出的这些舒适度，来求出用户的当前的舒适度。然后，在要变更设备的动作的控制内容时，针对每个控制内容，推定事后的电费的预测值和对利用者事前给予的功效值，然后，基于它们，来推定设备的事后的功效值。然后，以使设备的事后的功效值成为最大的方式，决定设备的控制内容。
现有技术文献
专利文献
专利文献1：日本特开2005－249243号公报
专利文献2：日本特开2002－357346号公报
专利文献3：日本特开2006－29771号公报
专利文献4：日本特开2011－27408号公报
专利文献5：日本特开2011－69601号公报
然而，在专利文献1及专利文献2所述的技术中，通过将传感器的检测值与固定的控制用值进行比较来进行控制，从而在传感器的检测值相对于上述控制用值存在余量的情况下认为驱动装置被过剩控制而浪费能量。另外，在这样的技术中，在干扰对系统带来大的影响的情况下，来不及控制驱动装置，会导致如上述那样的状态数据超过基准值或基准范围。另外，在这样的技术中，由于以系统的管理人员等的经验及感觉来进行设定，因而还存在如下问题，即，不能在事前掌握利用了如上述那样的状态数据的控制的安全程度如何以及能够实现何种程度的节能。
在专利文献3所述的技术中，在判断为有规则性时，按照该规则性来进行控制，但此时难以考虑突发性干扰带来的影响。另外，在专利文献4及专利文献5所述的技术中，根据以前的状态数据来对将来的状态数据进行预测，但在该预测中也难以考虑干扰的影响。由此，仍然难以使系统的状态数据可靠地收敛在基准值或基准范围内。
发明内容
本发明是鉴于该实际情况而做出的，其目的在于，提供一种系统控制装置及其控制程序、设备的控制方法，在将系统中的状态数据保持在基准值或基准范围内时，能够避免浪费能量，并且能够可靠地控制系统的状态，而且能够使用户了解到节能的程度。
本发明的一个技术方案的系统控制装置，基于用于表示影响由制造系统制造的产品的制造品质的状态的状态数据，来对为了调整该制造系统的所述状态而消耗能量的设备的动作进行控制，该系统控制装置的特征在于，具有：获取单元，其连续获取所述状态数据；导出单元，其基于时间序列的多个所述状态数据，来连续地导出所述状态数据的稳定性的指标；预测单元，其基于所述状态数据和所述指标来导出预测范围，该预测范围是能够预测到的所述状态数据的变化的范围；控制单元，其基于所述预测单元所导出的所述预测范围，来控制所述设备的动作以使所述状态数据属于保证所述制造品质的基准范围。
优选地，导出单元基于时间序列的多个状态数据来求出该状态数据的移动标准偏差来作为指标。
优选地，预测单元导出状态数据所到达的概率分别不同的多个预测范围。
优选地，在预测范围的至少一部分变得在基准范围外的情况下，控制单元将设备的动作进行切换，其切换方向为在状态数据变得在基准范围外时使状态数据返回基准范围内的方向。
优选地，每当多个预测范围中的各预测范围在基准范围外时，控制单元都切换设备的动作。
优选地，还具有显示控制单元，该显示控制单元用于在显示装置上显示预测范围的随时间的变化。
优选地，还具有如下的单元，该单元基于预测范围，来导出上述预测范围的上限预测值及/或下限预测值超过基准范围的比例，并预测状态数据超过基准范围的风险。
优选地，在状态数据超过预测范围的情况下，预测单元仅在预先决定的时间内增大预测幅度，来修正预测范围。
本发明的另一技术方案的系统控制装置，基于用于表示影响由制造系统制造的产品的制造品质的状态的状态数据，来对为了调整该制造系统的所述状态而消耗能量的设备的动作进行控制，其中，所述状态数据是从用于计测所述状态数据的传感器输出的，该系统控制装置的特征在于，具有：接收单元，其连续地接收所述状态数据；导出单元，其基于时间序列的多个所述状态数据来连续地导出所述状态数据的稳定性的指标；预测单元，其基于所述状态数据和所述指标来导出预测范围，该预测范围是能够预测到的所述状态数据的变化的范围；控制单元，其基于所述预测单元所导出的所述预测范围，来控制所述设备的动作以使所述状态数据属于保证所述制造品质的基准范围。
本发明的又一技术方案的系统控制方法，基于用于表示影响由制造系统制造的产品的制造品质的状态的状态数据，来对为了调整该制造系统的所述状态而消耗能量的设备的动作进行控制，其中，所述状态数据是从用于计测该状态数据的传感器输出的，该系统控制方法的特征在于，包括：接收步骤，连续地接收所述状态数据；导出步骤，基于时间序列的多个所述状态数据来连续地导出所述状态数据的稳定性的指标；预测步骤，基于所述状态数据和所述指标来导出预测范围，该预测范围是能够预测到的所述状态数据的变化的范围；控制步骤，基于在所述预测步骤中导出的所述预测范围，来控制所述设备的动作以使所述状态数据属于保证所述制造品质的基准范围。
本发明的其他技术方案的系统控制装置，基于用于表示影响由无尘室内制造的产品的制造品质的状态的清洁度，来对为了调整该无尘室的清洁度而消耗能量的过滤器风机的动作进行控制，该系统控制装置的特征在于，具有：微粒传感器，其获取所述清洁度；导出单元，其基于时间序列的多个所述清洁度来连续地导出所述清洁度的移动标准偏差；预测单元，其基于所述清洁度的移动平均值和所述移动标准偏差来导出预测范围，该预测范围是能够预测到的所述清洁度的变化的范围；控制单元，其基于所述预测单元所导出的所述预测范围，来控制所述过滤器风机的动作以使所述清洁度属于保证所述制造品质的基准范围。
本发明的另一其他技术方案的系统控制装置，基于用于表示影响在炉内制造的产品的制造品质的状态的温度，来对为了调整该炉的所述状态而消耗能量的加热器的动作进行控制，该系统控制装置的特征在于，具有：温度传感器，其获取所述温度；导出单元，其基于时间序列的多个所述温度来连续地导出所述温度的移动标准偏差；预测单元，其基于所述温度的移动平均值和所述移动标准偏差来导出预测范围，该预测范围是能够预测到的所述温度的变化的范围；控制单元，其基于所述预测单元所导出的所述预测范围，来控制所述加热器的动作以使所述温度属于保证所述制造品质的基准范围。
根据本发明，针对表示影响在制造系统中制造的产品的制造品质的状态的状态数据，基于时间序列的多个该状态数据，来连续地导出该状态数据的稳定性的指标。而且，基于该状态数据和该指标，来导出预测范围，该预测范围是能够预测到的该状态数据变化的范围。而且，基于导出的该预测范围，来控制设备的动作，以使上述状态数据属于保证制造品质的基准范围。
由此，在基于状态数据的控制中，能够基于该状态数据的预测范围来控制设备。因此，能够避免浪费能量，并且能够可靠地控制系统的特性，而且能够使用户了解到节能程度。
附图说明
图1是示意性示出了包含作为本发明的第一实施方式的系统控制装置的制造系统的概略结构的图。
图2是用于说明制造系统中的预测值的计算方式的图。
图3是示意性示出了制造系统中的状态数据和预测范围的一个例子的图。
图4是分别示意性示出了在图3的时刻T1、T2、T3的移动平均、上限预测值及下限预测值的图。
图5是用于说明预测值的修正方式的图。
图6是用于说明预测值的修正方式的图。
图7是示意性示出了控制器的硬件结构的图。
图8是示意性示出了控制器的功能结构的图。
图9是在控制器中执行的风机过滤器单元（FFU）的控制处理的流程图。
图10是示出了利用本实施方式的控制器对风机过滤器单元的动作进行控制的制造系统中的、由微粒传感器检测输出信号的实测值和基于该实测值来计算出的上限预测值的一个例子的图。
图11是用于说明对本实施方式的比较例的图。
图12是用于说明对本实施方式的比较例的图。
图13是用于说明本发明的第二实施方式的控制的概要的图。
图14是用于说明本发明的第二实施方式的控制的概要的图。
图15是用于说明本发明的第二实施方式的控制的概要的图。
图16是用于说明本发明的第二实施方式的控制的概要的图。
图17是用于说明本发明的第二实施方式的控制的概要的图。
图18是用于说明本发明的第二实施方式的控制的概要的图。
图19是本发明的第二实施方式中的用于对风机过滤器单元的转速进行控制的处理的流程图。
图20是示出了状态数据的实测值及第一上限预测值～第四上限预测值以及风机过滤器单元的风量等级的随时间的变化的具体例的图。
图21是概略地示出了本发明的第三实施方式的制造系统的结构的图。
图22是本发明的第三实施方式的制造系统的框图。
图23是图22的PC（个人计算机）的硬件框图。
图24是用于说明本发明的第三实施方式中的预测值的修正方式的图。
图25是用于说明本发明的第三实施方式中的利用了预测值的控制方式的图。
图26是本发明的第三实施方式中的控制的流程图。
图27是示出了本发明的第三实施方式中的控制结果的一个例子的图。
图28是示出了在本发明的第三实施方式中在与控制器相连接的PC上显示的画面的一个例子的图。
具体实施方式
下面，参照附图，说明本发明的加热炉的实施方式。此外，对同一结构要素，在各图中标注同一附图标记，不重复详细说明。
［第一实施方式］
＜系统的结构＞
图1是示意性示出了包含作为本发明的第一实施方式的系统控制装置的制造系统的概略结构的图。
参照图1，制造系统包括作为用于制造产品的空间的清洁室（clean booth）500。在清洁室500内设置有用于对该清洁室500内的清洁度进行检测的微粒传感器200。虽然在图1中省略了图示，但在清洁室500内设置有用于制造产品的生产线，并且安排有对该生产线进行管理等的工作人员。
在清洁室500的顶棚部分形成有框体501，在各框体501上设置有过滤器风机单元（FFU）300，该过滤器风机单元300包括用于将清洁室500内的灰尘排出到该清洁室500外的风机。
在图1中，虚线箭头表示空气的流动。在清洁室500中，借助过滤器风机单元300的风机（下面，有时记述为“过滤器风机单元300”来表示包含在过滤器风机单元300中的“风机”）的运转，来向清洁室500内导入空气，由此，清洁室500内的空气经由设置在清洁室500的底面的通气孔排出到清洁室500外。
图1的制造系统包括基于微粒传感器200的检测输出信号来控制过滤器风机单元300的动作的控制器100。控制器100与监视器111相连接。监视器111由液晶显示装置等通用的显示装置来实现。
在本实施方式中，由微粒传感器200检测的清洁室500内的清洁度，是表示对在制造系统中制造出的产品的制造品质带来影响的状态的状态数据的一个例子。另外，过滤器风机单元300是为了调整该系统的状态而运转并由此消耗能量的设备的一个例子。而且，控制器100是基于上述状态数据来控制上述设备的动作的系统控制装置的一个例子。
＜控制的概要＞
（基于连续获取的状态数据来导出预测范围的处理）
在本实施方式中，例如，如图2所示，由微粒传感器200连续检测出清洁室500内的清洁度。此外，在图2中，示出了由微粒传感器200检测出的清洁度（状态数据）的随时间的变化。控制器100连续获取微粒传感器200的检测输出信号，另外，利用在针对某一时间点预先决定的设定期间内的过去的状态数据，来针对该某一时间点，导出能够预测到的清洁度变化的范围（预测范围）。
而且，控制器100基于预测范围，控制过滤器风机单元300的运转，使得状态数据（清洁度）不超过制造系统所要求的范围。
图3是示意性示出了制造系统中的状态数据和预测范围的一个例子的图。
在图3中，状态数据的实测值（实测值RV）用实线表示，预测范围的上限值（上限预测值PH）和下限值（下限预测值PL）用虚线表示，另外，预测范围的平均值（平均值AV）用单点划线表示。
就各时间点上的预测范围而言，利用相对于该时间点的图2的设定期间内的状态数据的移动平均μ和该设定期间内的状态数据的移动偏差σ来导出。具体而言，预测范围的上限值PH和下限值PL按照下面的公式（1）及公式（2）来导出。
PH＝μ＋3σ…（1）
PL＝μ－3σ…（2）
（上限预测值及下限预测值的说明）
图4是分别示意性示出了在图3的时刻T1、T2、T3的移动平均、上限预测值及下限预测值的图。
在图4的（A）中，针对时刻T1，用实线示出了该时刻T1之前的设定期间内的实测值的状态数据的分布。另外，在图4的（A）中，移动平均用AV1表示，而且，对该AV1加上3σ（σ是根据该设定期间内的实测值来求出的移动偏差）而得到的值为上限预测值PH1，另外，从该AV1减去3σ而得到的值为下限预测值PL1。
在图4的（B）中，针对时刻T2，用实线示出了该时刻T2之前的设定期间内的实测值的状态数据的分布。另外，在图4的（B）中，该设定期间内的移动平均用AV2表示，并且，对AV2加上3σ而得到的值为上限预测值PH2，从AV2减去3σ而得到的值为下限预测值PL2。
并且，在图4的（C）中，针对时刻T3，用实线示出了该时刻T3之前的设定期间内的实测值的状态数据的分布。另外，在图4的（C）中，该设定期间内的移动平均用AV3表示，并且，对AV3加上3σ而得到的值为上限预测值PH3，从AV3减去3σ而得到的值为下限预测值PL3。
在本实施方式中，时时刻刻导出预测范围。即，就时刻T1的预测范围而言，基于刚要到该时刻T1之前的设定期间内的状态数据来导出，另外，就各个时刻T2、T3的预测范围而言，分别基于刚要到该时刻T2、T3之前的设定期间内的状态数据来导出。由此，能够将时时刻刻变化的清洁室500的状况反映到预测范围。
而且，在本实施方式中，基于预测范围的上限值及/或下限值与对状态数据的基准值（为了保持产品的制造品质而需要保持的状态数据的值）之间的关系，来控制过滤器风机单元300的动作（转速等）。在图3中，基准值SV用双点划线表示。
此外，在本实施方式中，说明对于状态数据仅设定上方侧的基准值的系统。
（上限预测值及/或下限预测值的修正）
控制器100在状态数据的实测值超过了预测范围的上限值或下限值的情况下，将该上限值向上方进行修正或者将该下限值向下方进行修正。在图5中，示出了状态数据的实测值在表示为“异常检测”的时间点超过了预测范围的上限值的情况。于是，在图5中，与此相应地，将此后的上限预测值向上方进行了修正。修正前的上限预测值PH用虚线表示，修正后的上限预测值PHX用点线表示。就此时的修正而言，例如基于针对各时刻的设定期间内的过去的实测值的状态数据，例如对按照公式（1）或公式（2）计算出的上限值（或下限值）加上（或减去）预先决定的值来实现。
此外，这样的预测范围的上限值或下限值的修正，例如仅在从检测到异常起预先决定的期间内进行。
另外，在修正预测范围的上限值/下限值时，也可以改变对移动平均μ加上或减去移动偏差σ的方式。
具体而言，例如，在基本的上限预测值PH及下限预测值PL的计算式分别用图6中的公式（3A）及公式（3B）来表示时，修正后的上限预测值PHX及下限预测值PLX例如用图6中的公式（4A）及公式（4B）来表示。在公式（3A）的右边，第一项与移动平均相对应，第二项与移动偏差相对应。此外，在公式（3A）中，右边第二项的系数A是有关移动偏差的系数，与上述公式（1）的移动偏差σ的系数“3”相对应。另外，公式（3B）的右边第二项的系数A与上述公式（2）的移动偏差σ的系数“3”相对应。
公式（4A）及公式（4B）分别相对于公式（3A）及公式（3B），有关移动偏差的系数从“A”修改成为“A1”。此外，A和A1均是正（＋）值，具有“A1＞A”的关系。例如，A是“3”，A1是“4”。由此，修正后的上限预测值PHX相对于修正前的上限预测值PH而修正成为上方的值。另外，修正后的下限预测值PLX相对于修正前的下限预测值PL而修正成为下方的值。
图6中的公式（5A）及公式（5B）示出了如下的修正方式，即，通过加上预先决定的值来修正上限预测值，另外，通过减去预先决定的值来修正下限预测值。在公式（5A）及公式（5B）中，预先决定的值用“B”表示。
此外，预测范围的修正至少对设定有基准值的一侧进行即可。在本实施方式中，由于仅对上限侧设定有基准值，因而至少仅在实测值超过了上限预测值的情况下进行上限预测值的修正即可。
＜硬件结构＞
图7是示意性示出了控制器100的硬件结构的图。
参照图7，控制器100包括：CPU（Central Processing Unit：中央处理单元）10，其是用于对控制器100整体进行控制的运算装置；ROM（Read OnlyMemory：只读存储器）11，其用于存储由CPU10执行的程序等；RAM（RandomAccess Memory：随机存取存储器）12，其发挥CPU10执行程序时的工作区域的功能；通信装置18，其由调制解调器等来实现，该调制解调器等进行接收来自微粒传感器200的检测输出信号或向过滤器风机单元300发送控制数据等通信；显示用接口14，其是向监视器111发送图像数据时的接口；操作部15，其用于接收对控制器100的操作输入；存储装置16，其用于保存由CPU10执行的程序等；介质控制器17，其用于通过访问能够装拆到控制器100上的存储介质900来从该存储介质900读取文件或向该存储介质900写入文件。
显示用接口14可以由用于驱动监视器111的基板来以硬件方式实现，也可以由用于驱动的软件来以软件方式实现。操作部15例如由键盘、鼠标等输入装置来实现。此外，在本实施方式中，操作部15由触摸传感器来实现，与监视器111一体地由触摸面板来实现。
在本实施方式中，例如通过由CPU10执行适当的程序来实现本说明书所记载的控制器100的功能的至少一部分。
由CPU10执行的程序的至少一部分也可以存储在上述存储介质900中。作为存储介质900，可例举CD－ROM（Compact Disc-Read Only Memory：只读光盘）、DVD－ROM（Digital Versatile Disk-Read Only Memory：数字多功能光盘-只读存储器）、USB（Universal Serial Bus：通用串行总线）存储器、存储卡、FD（Flexible Disk：软盘）、硬盘、磁带、盒式记录带、MO（Magnetic Optical Disc：磁光盘）、MD（Mini Disc：迷你光盘）、IC（IntegratedCircuit：集成电路）卡（除了存储卡之外）、光卡、掩模型（mask）ROM、EPROM、EEPROM（Electronically Erasable Programmable Read-Only Memory：电可擦可编程只读存储器）等非易失性地保存程序的介质。另外，还有通过网络下载CPU10所执行的程序来安装到存储装置16上的情况。
＜功能结构＞
图8是示意性示出了控制器100的功能结构的图。
参照图8，控制器100包括数据储存部101、稳定性指标导出部102、上限预测值计算部103、设备控制部104及显示控制部105。数据储存部101例如由RAM12及/或存储装置16来实现。上限预测值计算部103、设备控制部104及显示控制部105例如通过由CPU10执行适当的程序来实现。
数据储存部101接收并储存来自微粒传感器200的连续的检测输出信号（状态数据）。
稳定性指标导出部102基于储存在数据储存部101中的状态数据的履历来计算稳定性指标（上述的标准偏差σ）。
上限预测值计算部103利用由稳定性指标导出部102导出的稳定性指标来计算上限预测值。
设备控制部104利用如上述那样计算出的上限预测值向设备（过滤器风机单元300）适宜地发送控制信号。
显示控制部105向监视器111发送用于显示储存在数据储存部101中的状态数据、向数据储存部101发送的实时的状态数据、由上限预测值计算部103计算出的上限预测值等的数据。
控制器100还包括上限预测值修正部106。上限预测值修正部106例如通过由CPU10执行适当的程序来实现。
上限预测值修正部106对从微粒传感器200输入（接收）到的某一时刻的状态数据的实测值和由上限预测值计算部103计算出的该某一时刻的上限预测值进行比较，在状态数据的值超过了上限预测值的情况下，以上述的方式修正上限预测值。若修正了上限预测值，则设备控制部104利用修正后的上限预测值，来控制过滤器风机单元300的动作。此外，如上述那样，上限预测值修正部106的修正仅持续从状态数据超过了上限预测值的时间点起的预先决定的期间。经过了该期间之后，设备控制部104基于由上限预测值计算部103计算出的上限预测值，来控制过滤器风机单元300的动作。
＜设备的控制流程＞
图9是在控制器100中执行的对过滤器风机单元300的控制处理的流程图。
参照图9，CPU10首先在步骤S10中，利用在其时间点起设定期间内的过去的状态数据，来计算该期间的状态数据的移动平均μ，并进入步骤S20的处理。此外，在步骤S10中，在计算移动平均μ时，例如利用包含在设定期间内的20个时间点上的状态数据。
在步骤S20中，CPU10利用在步骤S10中计算移动平均μ时利用的过去的状态数据，来计算移动偏差σ，并进入步骤S30的处理。
在步骤S30中，CPU10利用在步骤S10中计算出的移动平均μ和在步骤S20中计算出的移动偏差σ，来计算对该时间点的状态数据的上限预测值，并进入步骤S40的处理。
在步骤S40中，CPU10判断从微粒传感器200接收到的该时间点的状态数据是否小于在步骤S30中计算出的对该时间点的上限预测值，在判断为小于上限预测值时进入步骤S60的处理，在判断为状态数据在上限预测值以上时进入步骤S50的处理。
在步骤S50中，CPU10如上述那样修正上限预测值，并进入步骤S60的处理。
在步骤S60中，CPU10判断上限预测值是否超过了基准值（图3等中的基准值SV）。而且，在判断为超过了基准值时进入步骤S100的处理，在判断为上限预测值在基准值以下时进入步骤S70的处理。
在步骤S100中，CPU10向过滤器风机单元300发送用于增加风量的控制信号，并返回步骤S10的处理。
另一方面，在步骤S70中，CPU10判断上限预测值是否小于基准值，在判断为小于基准值时进入步骤S80的处理，在判断为上限预测值与基准值相同时进入步骤S90的处理。
在步骤S80中，CPU10向过滤器风机单元300发送用于减少风量的控制信号，并返回步骤S10的处理。另一方面，在步骤S90中，CPU10执行用于保持过滤器风机单元300的风量等级的处理，并返回步骤S10的处理。
根据上面说明的本实施方式中的控制处理，针对由微粒传感器200检测的状态数据，导出上限预测值。然后，不与检测出的状态数据本身进行对比，而是对上限预测值和基准值进行对比。而且，根据对比结果，来控制过滤器风机单元300的动作（风量等级），使得清洁室500内的清洁度保持在基准值以下。
＜小结＞
图10是示出了利用本实施方式的控制器100控制过滤器风机单元300的动作的制造系统中的、微粒传感器200的检测输出信号的实测值和基于该实测值来计算出的上限预测值的一个例子的图。
如可从图10了解到那样，计算出的上限预测值总是位于实测值的上方。此外，由于上限预测值是如上述那样利用标准偏差σ来计算出的，所以实测值与上限预测值之差取决于各时间点的刚刚之前的设定期间内的实测值的变动的大小。具体而言，在刚刚之前的设定期间内的实测值的变动大的情况下，计算出的上限预测值相对于实测值而具有比较大的余地。另一方面，在刚刚之前的设定期间内的实测值的变动小的情况下，计算出的上限预测值是与实测值比较接近的值。
即，根据本实施方式，在干扰大而实测值紊乱的情况下，计算出相对于实测值而具有比较大的余地的值来作为上限预测值。由此，根据本实施方式，能够考虑干扰的影响来计算预测值。由此，在干扰大的情况下，能够实现对设备的具有余量的控制。
而且，根据本实施方式，实时计算上限预测值，并利用该上限预测值和基准值来控制设备。因此，能够以在不浪费的范围内将设备的动作量抑制为最小限的方式控制该设备的动作。对该内容，参照表示比较例的系统的动作的图11及图12，进行更具体的说明。
图11示出了对状态数据仅设定上方侧的基准值的系统的控制方式。
首先，图11的（A）示出了在对系统的干扰小即系统在比较稳定的环境下被控制的情况下的状态数据的随时间的变化。在这样的状况下，状态数据的变化比较小。因此，在状态数据相对于基准值SV的余量较大的情况下，如图11的（C）所示，还可以考虑以使状态数据的平均值TV更接近基准值SV的方式放慢控制。在此，“放慢控制”是指，对设备减少为了使该设备进行用于保持系统的动作而供给的能量（电力等）的控制。更具体地讲，“放慢控制”是指，例如在作为设备采用过滤器风机单元300的情况下，通过降低向过滤器风机单元300供给的电流量来使过滤器风机单元300的风机的转速下降的控制。
然而，在比较例中，在未进行如本实施方式那样考虑了干扰的影响的控制的情况下，如图11的（B）所示，即使在因干扰的影响而状态数据的变动大的情况下，也不能获取这样的干扰的影响。而且，若在不能获取这样的干扰的影响的状态下如上述那样放慢控制，则如图11的（D）所示，可能会发生状态数据超过基准值的事态。此外，在图11的（D）中，状态数据超过了基准值的点用“E”来表示。
在图12中示出了对状态数据设定了上方侧和下方侧这双方的基准值的系统的控制方式。在图12的（A）～（D）的各部分中，上限侧的基准值用HL表示，下限侧的基准值用LL表示。
此时，若不能如本实施方式那样考虑干扰的影响，则不管在如图12的（A）示出那样状态数据稳定的情况下，还是在如图12的（B）示出那样因干扰的影响而状态数据的变动大的情况下，都不能变更控制方式。因此，尽管在如图12的（A）示出那样的情况下能够通过放慢对状态数据的控制来如图12的（C）示出那样使状态数据向下方侧变动，由于不能区分图12的（A）的状态和图12的（B）的状态来进行控制，因而不能够这样放慢控制。这是因为，在图12的（B）的状态下放慢了控制的结果，如图12的（D）示出那样可能会发生状态数据小于基准值LL的事态。
另一方面，在本实施方式中，实时导出将干扰的影响也予以考虑的预测范围，并基于该预测范围和基准值之间的关系，来对设备进行控制。由此，由于能够考虑因干扰的影响而产生的状态数据的变动来对设备进行控制，因而能够不浪费地放慢控制来高效地抑制设备的消耗能量，并且能够可靠地避免状态数据超过基准值的情况。
［第二实施方式］
＜控制的概要＞
在本实施方式中，在由控制器100实现的对设备（过滤器风机单元300）的控制中，导出阶段性的多个预测值。图13是用于说明本实施方式的控制的概要的图。
在图13中示出了过滤器风机单元300的风机的风量的设定条件和该风机的被控制的风量。此外，在图13中，就基准值而言，与第一实施方式同样地，说明仅设定上方侧的基准值的情况。
在本实施方式中，对利用如上述那样求出的移动平均μ和移动偏差σ来计算出的多个预测值和基准值进行比较，并基于该比较结果来决定过滤器风机单元300的风量。
具体而言，导出状态数据能够到达的概率不同的多个预测值（“μ＋6σ”、“μ＋5σ”、“μ＋4σ”、“μ＋3σ”）。此外，在这些预测值中，按照状态数据能够到达的概率低到高的顺序，依次为“μ＋6σ”、“μ＋5σ”、“μ＋4σ”、“μ＋3σ”。即，其中，“μ＋6σ”是能够到达的概率最低的预测值，“μ＋3σ”是能够到达的概率最高的预测值。
而且，如图14所示，在“μ＋6σ”在基准值以下的情况下，将过滤器风机单元300的风量控制为最低等级的“1”。如图15所示，在“μ＋6σ”比基准值高并且“μ＋5σ”为基准值以下的情况下，将过滤器风机单元300的风量控制为下一个比等级“1”高的等级“2”。如图16所示，在“μ＋5σ”比基准值高并且“μ＋4σ”为基准值以下的情况下，将过滤器风机单元300的风量控制为下一个比等级“2”高的等级“3”。如图17所示，在“μ＋4σ”比基准值高并且“μ＋3σ”为基准值以下的情况下，将过滤器风机单元300的风量控制为下一个比等级“3”高的等级“4”。而且，如图18所示，在“μ＋3σ”变得比基准值高的情况下，将过滤器风机单元300的风量控制为最高等级的“5”。在图15～图18中，各预测值超过了基准值的点用空心箭头表示。
此外，在本实施方式中，过滤器风机单元300的风量等级“高”是指，过滤器风机单元300所消耗的能量多、过滤器风机单元300的风机更快地旋转的情况。
图19是本实施方式中的用于控制过滤器风机单元300的转速的处理的流程图。
参照图19，在本实施方式中，CPU10首先在步骤S10中，利用其时间点起过去的设定期间内的状态数据，来计算该期间的状态数据的移动平均μ，然后，在步骤S20中，利用在步骤S10中计算移动平均μ时利用的过去的状态数据，来计算移动偏差σ。
接着，CPU10在步骤S31中利用在步骤S10中计算出的移动平均μ和在步骤S20中计算出的移动偏差σ，来计算相对于该时间点的状态数据的上限预测值（μ＋3σ），并进入步骤S32的处理。
在步骤S32中，CPU10计算与在步骤S31中计算出的上限预测值相比状态数据能够到达的概率更低的上限预测值（“μ＋6σ”、“μ＋5σ”、“μ＋4σ”），并进入步骤S33的处理。
下面，在本说明书中，将在步骤S31中计算出的“μ＋3σ”称为第一上限预测值，将在步骤S32中计算出的“μ＋4σ”、“μ＋5σ”、“μ＋6σ”分别称为第二上限预测值、第三上限预测值、第四上限预测值。
在步骤S33中，CPU10判断在步骤S31及步骤S32中计算出的各预测值是否超过了实测值，在至少一个预测值在实测值以下的情况下进入步骤S34的处理。另一方面，在各预测值均超过实测值的情况下，CPU10进入步骤S61的处理。
在步骤S34中，CPU10对实测值以下的预测值加上移动偏差σ来进行修正，并进入步骤S61的处理。例如，在实测值超过第二上限预测值、第三上限预测值、第四上限预测值的情况下，将第二上限预测值、第三上限预测值、第四上限预测值分别更新为“＋4σ＋σ（即，μ＋5σ）”、“μ＋5σ＋σ（即，μ＋6σ）”及“μ＋6σ＋σ（即，μ＋7σ）”。
在步骤S61中，CPU10判断第一上限预测值是否超过了基准值，在判断为未超过基准值时，即，在判断为第一上限预测值在基准值以下时，进入步骤S63的处理。另一方面，在判断为第一上限预测值超过基准值时，进入步骤S62的处理。
在步骤S62中，CPU10将过滤器风机单元300的风量等级设定为最大（等级＝5），并返回步骤S10的处理。由此，过滤器风机单元300的风量等级变更为“5”。
在步骤S63中，CPU10判断第二上限预测值是否超过了基准值，在判断为未超过基准值时，即，在判断为第二上限预测值在基准值以下时，进入步骤S65的处理。另一方面，在判断为第二上限预测值超过了基准值时，进入步骤S64的处理。
在步骤S64中，CPU10将过滤器风机单元300的风量等级设定为“4”，并进入步骤S71的处理。
在步骤S65中，CPU10判断第三上限预测值是否超过了基准值，在判断为未超过基准值时，即，在判断为第三上限预测值在基准值以下时，进入步骤S67的处理。另一方面，在判断为第三上限预测值超过了基准值时，进入步骤S66的处理。
在步骤S66中，CPU10将过滤器风机单元300的风量等级设定为“3”，并进入步骤S71的处理。
在步骤S67中，CPU10判断第四上限预测值是否超过了基准值，在判断为未超过基准值时，即，在判断为第四上限预测值在基准值以下时，进入步骤S69的处理。另一方面，在判断为第四上限预测值超过了基准值时，进入步骤S68的处理。
在步骤S68中，CPU10将过滤器风机单元300的风量等级设定为“2”，并进入步骤S71的处理。
在步骤S71中，CPU10将在步骤S64、S66、S68、S69中分别设定的过滤器风机单元300的新的风量等级设定为水平（Level）（2），并进入步骤S72的处理。此外，此时，现状的过滤器风机单元300的风量等级被设定为水平（1）。
在步骤S72中，CPU10判断水平（2）是否超过了水平（1），在判断为超过了水平（1）时进入步骤S73的处理，而在判断为未超过水平（1）的情况下，即，在判断为新设定的风量等级在现状的风量等级以下的情况下，进入步骤S74的处理。
在步骤S73中，CPU10将过滤器风机单元300的风量等级变更为在步骤S64、S66、S68、S69中的某个步骤中设定的风量等级，并返回步骤S10的处理。由此，过滤器风机单元300的风量等级变更为在步骤S64、S66、S68、S69中的某个步骤中设定的等级。
另一方面，在步骤S74中，CPU10使过滤器风机单元300的风量等级保持现状的等级（水平（1）），保持5秒钟之后，变更为在步骤S64、S66、S68、S69中的某个步骤中设定的等级（水平（2）），并返回步骤S10的处理。由此，过滤器风机单元300的风量等级保持5秒钟目前的等级之后，变更为在步骤S64、S66、S68、S69中的某个步骤中设定的等级。
（实施例）
图20是示出了状态数据的实测值及第一上限预测值～第四上限预测值以及过滤器风机单元300的风量等级的随时间的变化的具体例的图。在图20中，在上段表示了风量等级的随时间的变化，在下段表示了状态数据的实测值及预测值。
另外，在下段的曲线图中，作为状态数据的具体例，示出了用微粒传感器200检测出的每单位体积内含有的异物量。而且，针对该异物量，实测值用线R来表示，第一上限预测值用线D1来表示，第二上限预测值用线D2来表示，第三上限预测值用线D3来表示，而且，第四上限预测值用线D4来表示。另外，图20的上段和下段的曲线图的横轴分别表示时刻，例如，表示测定开始时起经过的秒数。并且，在下段的曲线图中，基准值用单点划线来表示。
参照图20，在时刻363秒，第四上限预测值超过了基准值。由此，在时刻363秒，过滤器风机单元300的风量等级从1切换成为2。
另外，在时刻368，第三上限预测值超过了基准值。由此，在时刻369秒，过滤器风机单元300的风量等级从2切换成为3。
另外，在时刻373秒，第二上限预测值超过了基准值。由此，在时刻373秒，过滤器风机单元300的风量等级从3切换成为4。
此外，在时刻374秒，第二上限预测值变得小于基准值。然而，由于步骤S74的处理，在5秒后，即，在时刻379秒，过滤器风机单元300的风量等级从4切换成为3。
另外，在时刻376秒，第三上限预测值变得小于基准值，在5秒后的时刻381秒，过滤器风机单元300的风量等级从3切换成为2。
另外，在时刻379.5秒，第四上限预测值变得小于基准值，在5秒后的时刻384.5秒，过滤器风机单元300的风量等级从2切换成为1。
［第三实施方式］
在本实施方式中，系统控制装置利用于控制温度的制造系统的控制中。
＜系统的结构＞
图21是概略地示出了本实施方式的制造系统的结构的图。
参照图21，制造系统包括回流炉700，而且，利用加热器702来加热该回流炉700内的空气。控制器100基于用于检测回流炉700内的温度的温度传感器701的检测输出信号，来决定对加热器702的输出的控制内容。而且，控制器100经由操作器750控制加热器702的输出。
此外，在本实施方式中，控制器100与个人计算机（PC）400相连接。在本实施方式中，在PC400中，基于由控制器100输出的温度传感器701的检测温度等，来模拟制造系统的安全性，并显示其结果。
图22是本实施方式的制造系统的框图。
参照图22，与第一实施方式同样地，控制器100包括数据储存部101、稳定性指标导出部102、设备控制部104及显示控制部105。此外，在本实施方式中，控制器100包括预测值计算部103A和预测值修正部106A来取代上限预测值计算部103和上限预测值修正部106。预测值计算部103A针对状态数据，如参照图3等说明的那样，计算上限预测值和下限预测值。预测值修正部106A如在后面参照图25叙述那样地修正上限预测值及下限预测值。
此外，在本实施方式中，数据储存部101将状态数据的实测值与上限预测值一起发送至PC400。
PC400包括数据获取部401、模拟部402及显示部403。
参照图23，PC400包括：CPU410，其是用于对PC400整体进行控制的运算装置；ROM411，其用于存储由CPU410执行的程序等；RAM412，其发挥CPU410执行程序时的工作区域的功能；通信装置418，其由与控制器100等其他设备进行通信的调制调解器等来实现；显示部414，其由液晶显示装置等显示装置来实现；操作部415，其接受对PC400的操作输入；存储装置416，其用于存储由CPU10执行的程序等；介质控制器417，其通过访问能够装拆到PC400上的存储介质来从该存储介质读取文件或向该存储介质写入文件。
由CPU410执行的程序的至少一部分也可以存储在上述存储介质中。作为存储介质，可例举CD－ROM、DVD－ROM、USB存储器、存储卡、FD、硬盘、磁带、盒式记录带、MO、MD、IC卡（除了存储卡之外）、光卡、掩模型ROM、EPROM、EEPROM等非易失性地保存程序的介质。另外，还有通过网络下载CPU410所执行的程序并安装到存储装置416上的情况。
显示部403由显示部414来实现。数据获取部401例如由通信装置418来实现。模拟部402例如通过使CPU410执行特定程序来实现。
＜上限预测值及下限预测值＞
在本实施方式中，针对回流炉700内的温度，设定上限侧的基准值和下限侧的基准值。而且，在本实施方式中，控制加热器702的动作，使得回流炉700内的温度不超过这些范围。
在本实施方式中，控制器100获取温度传感器701的检测温度作为状态数据。而且，在本实施方式中，也如图24所示，控制器100基于检测温度的履历和其移动平均μ及移动偏差σ，来导出上限预测值和下限预测值。在图24中，示出了时时刻刻发生变化的状态数据的实测值、上限预测值及下限预测值。此外，在本实施方式中，也在实测值超过了预测值的情况下，修正该预测值。具体而言，在实测值变得小于下限预测值时，变更下限预测值，使其具有更下方的值（图24中的“异常检测（1）”）。另外，在实测值超过了上限预测值时，变更上限预测值，使其具有更上方的值（图24中的“异常检测（2）”）。
而且，如图25所示，在本实施方式中，基于上限预测值和上限侧的基准值之间的关系以及下限预测值和下限侧的基准值之间的关系，来控制加热器702的动作。
具体而言，在下限预测值变得小于下限侧的基准值（在图25中，是“下限侧的阈值”）时，加热器702的输出上升。此外，加热器702的输出上升是指，为了提高加热器702的加热能力而增大由加热器702消耗的能量。
另外，在上限预测值超过了上限侧的基准值（在图25中，是“上限侧的阈值”）时，加热器702的输出下降。此外，加热器702的输出下降是指，为了降低加热器702的加热能力而减少由加热器702消耗的能量。
＜控制流程＞
参照图26，控制器100的CPU10首先在步骤SA10中，利用其时间点起过去的设定期间内的状态数据，来计算该期间的状态数据的移动平均μ，并进入步骤SA20的处理。此外，在步骤SA10中，在计算移动平均μ时，利用例如包含在设定期间内的20个时间点的状态数据。
在步骤SA20中，CPU10利用在步骤SA10中计算移动平均μ时利用的过去的状态数据，来计算移动偏差σ，并进入步骤SA30及步骤SA51的处理。
在步骤SA30中，CPU10利用在步骤SA10中计算出的移动平均μ和在步骤SA20中计算出的移动偏差σ，来计算对该时间点的状态数据的上限预测值，并进入步骤SA40的处理。
在步骤SA40中，CPU10判断从温度传感器701接收到的该时间点的状态数据是否小于在步骤SA30中计算出的对该时间点的上限预测值，在判断为小于上限预测值时进入步骤SA60的处理，在判断为状态数据在上限预测值以上时进入步骤SA50的处理。
在步骤SA50中，CPU10如上述那样修正上限预测值，并进入步骤SA60的处理。
在步骤SA51中，CPU10利用在步骤SA10中计算出的移动平均μ和在步骤SA20中计算出的移动偏差σ，来计算对该时间点的状态数据的下限预测值，并进入步骤SA52的处理。
在步骤SA52中，CPU10判断从温度传感器701接收到的该时间点的状态数据是否超过了在步骤SA51中计算出的对该时间点的下限预测值，在判断为超过了下限预测值时进入步骤SA60的处理，在判断为状态数据在下限预测值以下时进入步骤SA53的处理。
在步骤SA53中，CPU10如上述那样修正下限预测值，并进入步骤SA60的处理。
在步骤SA60中，CPU10判断上限预测值是否超过了上限侧的基准值（图25的上限侧的阈值）。而且，在判断为超过了上限侧的基准值时进入步骤SA100的处理，在判断为上限预测值在基准值以下时进入步骤SA70的处理。
在步骤SA100中，CPU10通过进行控制来关闭（OFF）加热器702的输出，并返回步骤SA10的处理。
在步骤SA70中，CPU10判断下限预测值是否小于下限侧的基准值（图25的下限侧的阈值），在判断为小于下限侧的基准值时进入步骤SA80的处理，在判断为上限预测值与基准值相同时进入步骤SA90的处理。
在步骤SA80中，CPU10进行控制来打开（ON）加热器702的输出，并返回步骤SA10的处理。
另一方面，在步骤SA90中，进行控制来关闭（OFF）加热器702的输出，并返回步骤SA10的处理。
＜控制结果＞
根据参照了图26的本实施方式的流程，在回流炉700中，基于作为状态数据的温度传感器701的检测温度，来导出针对该检测温度的上限侧和下限的预测值。而且，基于上限侧及下限侧各自的预测值和基准值之间的关系，来控制加热器702的动作。
图27是示出了控制结果的一个例子的图。
在图27中，在上段示出了状态数据的实测值（Temperature）、上限侧的预测值及下限侧的预测值的随时间的变化。另外，在图27的上段，设定230℃来作为上限侧的基准值，另外，设定210℃来作为下限侧的基准值。而且，在图27的下段示出了加热器702的打开（ON）/关闭（OFF）的切换状态。在回流炉700中，在上限侧的预测值超过了上限侧的基准值时，关闭（OFF）加热器702的输出。另一方面，在上限侧的预测值在上限侧的基准值以下并且下限侧的预测值小于下限侧的基准值时，打开（ON）加热器702的输出。此外，在上限侧的预测值在上限侧的基准值以下并且下限侧的预测值在下限侧的基准值以上的情况下，关闭（OFF）加热器702的输出。
＜PC上的模拟＞
在本实施方式中，PC400能够从控制器100获取状态数据的实测值、上限侧及下限侧的基准值。这些值有时例如如图28示出那样以曲线图状显示在显示部414上。
在PC400中，基于这些信息，能够进行对制造系统的各种模拟。
作为模拟的一个例子，例如，能够示出制造系统中的状态的安全性的程度。
在制造系统中，上限侧及下限侧的预测值与状态数据的实测值之差，在系统稳定时变小，在系统因受到干扰等而变得不稳定时变大。因此，CPU410能够将上限侧的预测值与实测值之差的积分值等作为制造系统的稳定性的指标，来进行各种模拟。
另外，CPU410能够将这样的指标、模拟的结果显示在显示部414上，或者发送至其他设备。
应该认为本次公开的各实施方式及其变形例在所有点上是例示，而并非用于限定。本发明的范围并非由上述说明来表示，而是由权利要求书来表示，与权利要求书等同的意思及其范围内的所有的变更都包含在本发明的范围内。
例如，为了导出稳定性指标，可以不使用标准偏差，而利用能够根据状态数据的频率分布来计算出的值、对平均值乘以系数而得到的值等能够利用统计方法导出的值。
另外，成为对象的系统是与产品的制造相关的系统，而且是消耗能量的系统，因此，除了在本实施方式中说明的例子之外，也可以是如下的系统，在该系统中，将氧气浓度作为氮气置换炉中的状态数据，另外将通过消耗能量来制造出的能够定义为二次能量的氮气设定为所消耗的能量。另外，作为另一例，可例举设置有空气促动器及真空吸盘的制造装置的制造系统，在该系统中，采用压力来作为状态数据，并且采用在压缩机制造出的压缩空气来作为在制造中利用的能量。作为又一例，可例举利用了需要冷却水或热水的制造装置的系统。在这样的系统的情况下，状态数据是温度，在制造中利用的能量是生成冷却水或热水的装置所消耗的热能量。作为再一例，可例举设置有制造设备的空调系统，在该空调系统中，将温度作为状态数据，将空调机的功率作为所消耗的能量。
另外，可以单独实施各实施方式及其变形例，也可以根据需要适宜组合各实施方式及其变形例来实施。

Claims (12)

1.一种系统控制装置，基于用于表示影响由制造系统制造的产品的制造品质的状态的状态数据，来对为了调整该制造系统的所述状态而消耗能量的设备的动作进行控制，
该系统控制装置的特征在于，具有：
获取单元，其连续获取所述状态数据；
导出单元，其基于时间序列的多个所述状态数据，来连续地导出所述状态数据的稳定性的指标；
预测单元，其基于所述状态数据和所述指标来导出预测范围，该预测范围是能够预测到的所述状态数据的变化的范围；
控制单元，其基于所述预测单元所导出的所述预测范围，来控制所述设备的动作以使所述状态数据属于保证所述制造品质的基准范围。
2.如权利要求1所述的系统控制装置，其特征在于，
所述导出单元基于所述时间序列的多个状态数据来求出该状态数据的移动标准偏差来作为所述指标。
3.如权利要求2所述的系统控制装置，其特征在于，
所述预测单元导出所述状态数据所到达的概率分别不同的多个所述预测范围。
4.如权利要求1至3中任一项所述的系统控制装置，其特征在于，
在所述预测范围的至少一部分在所述基准范围外的情况下，所述控制单元将所述设备的动作进行切换，其切换方向为在所述状态数据在所述基准范围外时使所述状态数据返回所述基准范围内的方向。
5.如权利要求3所述的系统控制装置，其特征在于，
每当多个所述预测范围中的各所述预测范围在所述基准范围外时，所述控制单元都切换所述设备的动作。
6.如权利要求1至5中任一项所述的系统控制装置，其特征在于，
还具有显示控制单元，该显示控制单元用于在显示装置上显示所述预测范围的随时间的变化。
7.如权利要求6所述的系统控制装置，其特征在于，
还具有如下的单元，该单元基于所述预测范围，来导出上述预测范围的上限预测值及/或下限预测值超过所述基准范围的比例，并预测所述状态数据超过基准范围的风险。
8.如权利要求1至7中任一项所述的系统控制装置，其特征在于，
在所述状态数据超过所述预测范围的情况下，所述预测单元仅在预先决定的时间内增大预测幅度，来修正所述预测范围。
9.一种系统控制装置，基于用于表示影响由制造系统制造的产品的制造品质的状态的状态数据，来对为了调整该制造系统的所述状态而消耗能量的设备的动作进行控制，其中，所述状态数据是从用于计测所述状态数据的传感器输出的，
该系统控制装置的特征在于，具有：
接收单元，其连续地接收所述状态数据；
导出单元，其基于时间序列的多个所述状态数据来连续地导出所述状态数据的稳定性的指标；
预测单元，其基于所述状态数据和所述指标来导出预测范围，该预测范围是能够预测到的所述状态数据的变化的范围；
控制单元，其基于所述预测单元所导出的所述预测范围，来控制所述设备的动作以使所述状态数据属于保证所述制造品质的基准范围。
10.一种系统控制方法，基于用于表示影响由制造系统制造的产品的制造品质的状态的状态数据，来对为了调整该制造系统的所述状态而消耗能量的设备的动作进行控制，其中，所述状态数据是从用于计测该状态数据的传感器输出的，
该系统控制方法的特征在于，包括：
接收步骤，连续地接收所述状态数据；
导出步骤，基于时间序列的多个所述状态数据来连续地导出所述状态数据的稳定性的指标；
预测步骤，基于所述状态数据和所述指标来导出预测范围，该预测范围是能够预测到的所述状态数据的变化的范围；
控制步骤，基于在所述预测步骤中导出的所述预测范围，来控制所述设备的动作以使所述状态数据属于保证所述制造品质的基准范围。
11.一种系统控制装置，基于用于表示影响在无尘室内制造的产品的制造品质的状态的清洁度，来对为了调整该无尘室的清洁度而消耗能量的过滤器风机的动作进行控制，
该系统控制装置的特征在于，具有：
微粒传感器，其获取所述清洁度；
导出单元，其基于时间序列的多个所述清洁度来连续地导出所述清洁度的移动标准偏差；
预测单元，其基于所述清洁度的移动平均值和所述移动标准偏差来导出预测范围，该预测范围是能够预测到的所述清洁度的变化的范围；
控制单元，其基于所述预测单元所导出的所述预测范围，来控制所述过滤器风机的动作以使所述清洁度属于保证所述制造品质的基准范围。
12.一种系统控制装置，基于用于表示影响在炉内制造的产品的制造品质的状态的温度，来对为了调整该炉的所述状态而消耗能量的加热器的动作进行控制，
该系统控制装置的特征在于，具有：
温度传感器，其获取所述温度；
导出单元，其基于时间序列的多个所述温度来连续地导出所述温度的移动标准偏差；
预测单元，其基于所述温度的移动平均值和所述移动标准偏差来导出预测范围，该预测范围是能够预测到的所述温度的变化的范围；
控制单元，其基于所述预测单元所导出的所述预测范围，来控制所述加热器的动作以使所述温度属于保证所述制造品质的基准范围。
CN2013100498900A 2012-02-14 2013-02-07 系统控制装置及系统控制方法 Pending CN103246212A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2012029324A JP5842654B2 (ja) 2012-02-14 2012-02-14 システム制御装置およびシステム制御方法
JP2012-029324 2012-02-14

Publications (1)

Publication Number Publication Date
CN103246212A true CN103246212A (zh) 2013-08-14

Family

ID=48082826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2013100498900A Pending CN103246212A (zh) 2012-02-14 2013-02-07 系统控制装置及系统控制方法

Country Status (6)

Country Link
US (1) US20130211599A1 (zh)
EP (1) EP2629161A3 (zh)
JP (1) JP5842654B2 (zh)
KR (1) KR20130093556A (zh)
CN (1) CN103246212A (zh)
TW (1) TW201339512A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108292860A (zh) * 2015-12-10 2018-07-17 三菱电机株式会社 电力控制装置、运转计划制定方法以及程序
CN109146236A (zh) * 2018-07-06 2019-01-04 东软集团股份有限公司 指标异常检测方法、装置、可读存储介质及电子设备
CN109870992A (zh) * 2019-03-26 2019-06-11 合肥工业大学 一种不考虑延时等待的csps系统控制方法
CN110736227A (zh) * 2018-07-20 2020-01-31 江森自控科技公司 具有在线可配置系统标识的建筑物管理系统
CN112384316A (zh) * 2019-03-28 2021-02-19 新东工业株式会社 显示装置
CN113627660A (zh) * 2021-07-30 2021-11-09 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 一种陶瓷过滤机的生产率的预测方法和装置

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5953792B2 (ja) * 2012-02-14 2016-07-20 オムロン株式会社 システム監視装置およびその制御方法
CN104857798A (zh) * 2015-05-06 2015-08-26 京东方科技集团股份有限公司 显示装置
CN109269027B (zh) * 2018-06-20 2023-04-07 广东海悟科技有限公司 一种自动寻优的空调制冷控制方法、系统及装置
JP7139734B2 (ja) * 2018-07-09 2022-09-21 日新電機株式会社 異常検知方法及び異常検知システム
CN110873393A (zh) * 2018-08-31 2020-03-10 青岛海尔空调器有限总公司 一种空调及其自清洁的控制方法
JP7106413B2 (ja) * 2018-09-27 2022-07-26 三菱重工業株式会社 異常監視装置、及びその異常監視方法並びに異常監視プログラム
JP6618227B1 (ja) * 2019-04-24 2019-12-11 有限会社 ソフトロックス データ処理装置及びデータ監視システム
US11326800B2 (en) * 2019-10-17 2022-05-10 Honeywell International Inc. Apparatuses and methods for air quality maintenance by ventilation based on pollutant forecast
WO2021176631A1 (ja) * 2020-03-05 2021-09-10 三菱電機株式会社 熱負荷推定装置、空調制御システムおよび熱負荷推定方法
JP7491049B2 (ja) 2020-05-19 2024-05-28 富士通株式会社 異常検出方法、及び異常検出プログラム
WO2023090080A1 (ja) * 2021-11-18 2023-05-25 富士フイルム株式会社 製造条件設定支援装置、製造条件設定支援装置の作動方法、および製造条件設定支援装置の作動プログラム
JP7278496B1 (ja) * 2022-05-18 2023-05-19 三菱電機株式会社 冷凍サイクル状態予測装置、冷凍サイクル制御装置、及び冷凍サイクル装置
KR20230162254A (ko) * 2022-05-20 2023-11-28 주식회사 엘지에너지솔루션 과열 진단 방법, 그 방법을 제공하는 과열 진단 장치 및 배터리 시스템
CN115854498A (zh) * 2022-12-13 2023-03-28 南京祥泰系统科技有限公司 一种人工智能自适应节能系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070215574A1 (en) * 2006-03-16 2007-09-20 Tokyo Electron Limited Prediction method and apparatus for substrate processing apparatus

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0564905U (ja) * 1992-01-30 1993-08-27 横河電機株式会社 プロセス制御装置における警報機構
JPH06131026A (ja) * 1992-10-19 1994-05-13 Okuma Mach Works Ltd 加工完了日時予測機能を有する数値制御装置
JP5048820B2 (ja) * 2004-06-15 2012-10-17 大阪瓦斯株式会社 コージェネレーションシステム
JP4659525B2 (ja) * 2004-06-15 2011-03-30 大阪瓦斯株式会社 コージェネレーションシステム
US7979380B2 (en) * 2008-02-22 2011-07-12 Applied Materials, Inc. Dynamically updated predictive model
JP5294980B2 (ja) * 2009-05-20 2013-09-18 株式会社日立製作所 プラント運転データ予測システム及び方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070215574A1 (en) * 2006-03-16 2007-09-20 Tokyo Electron Limited Prediction method and apparatus for substrate processing apparatus

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108292860A (zh) * 2015-12-10 2018-07-17 三菱电机株式会社 电力控制装置、运转计划制定方法以及程序
CN108292860B (zh) * 2015-12-10 2022-04-08 三菱电机株式会社 电力控制装置、运转计划制定方法以及记录介质
CN109146236A (zh) * 2018-07-06 2019-01-04 东软集团股份有限公司 指标异常检测方法、装置、可读存储介质及电子设备
CN110736227A (zh) * 2018-07-20 2020-01-31 江森自控科技公司 具有在线可配置系统标识的建筑物管理系统
US11243503B2 (en) 2018-07-20 2022-02-08 Johnson Controls Tyco IP Holdings LLP Building management system with online configurable system identification
CN110736227B (zh) * 2018-07-20 2022-02-15 江森自控科技公司 具有在线可配置系统标识的建筑物管理系统
CN109870992A (zh) * 2019-03-26 2019-06-11 合肥工业大学 一种不考虑延时等待的csps系统控制方法
CN112384316A (zh) * 2019-03-28 2021-02-19 新东工业株式会社 显示装置
CN113627660A (zh) * 2021-07-30 2021-11-09 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 一种陶瓷过滤机的生产率的预测方法和装置
CN113627660B (zh) * 2021-07-30 2023-11-10 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 一种陶瓷过滤机的生产率的预测方法和装置

Also Published As

Publication number Publication date
EP2629161A3 (en) 2014-10-22
JP2013167933A (ja) 2013-08-29
KR20130093556A (ko) 2013-08-22
EP2629161A2 (en) 2013-08-21
JP5842654B2 (ja) 2016-01-13
TW201339512A (zh) 2013-10-01
US20130211599A1 (en) 2013-08-15

Similar Documents

Publication Publication Date Title
CN103246212A (zh) 系统控制装置及系统控制方法
Drgoňa et al. All you need to know about model predictive control for buildings
Yoon et al. Performance based thermal comfort control (PTCC) using deep reinforcement learning for space cooling
US8924026B2 (en) Energy-optimal control decisions for systems
Wang et al. Model-based optimal control of VAV air-conditioning system using genetic algorithm
US10371405B2 (en) Building power management systems
TWI435038B (zh) 空調控制裝置與方法
CN103246245A (zh) 系统监视装置及其控制方法
Nassif et al. Self-tuning dynamic models of HVAC system components
Maasoumy et al. Selecting building predictive control based on model uncertainty
JP6252673B2 (ja) パラメータ学習装置およびパラメータ学習方法
Huchuk et al. Development and evaluation of data-driven controls for residential smart thermostats
Moon et al. Improving sustainability of ever-changing building spaces affected by users’ fickle taste: A focus on human comfort and energy use
US20090210094A1 (en) Apparatus and method for controlling an air supply for drying painted vehicles and other objects
Mayer et al. A branch and bound approach for building cooling supply control with hybrid model predictive control
CN114556027B (zh) 空调控制装置、空调系统、空调控制方法和记录介质
CN114110824B (zh) 一种恒湿机智能控制方法及装置
CN118031385B (zh) 基于强化学习和数字孪生模型的空调节能控制方法及系统
Naug et al. Online energy management in commercial buildings using deep reinforcement learning
Nguyen et al. Modelling building HVAC control strategies using a deep reinforcement learning approach
WO2021192279A1 (ja) 空調制御の学習装置および推論装置
CN115983438A (zh) 数据中心末端空调系统运行策略确定方法及装置
Hou et al. Real-time optimal control of HVAC systems: Model accuracy and optimization reward
Aldakheel et al. Indoor environmental quality evaluation of smart/artificial intelligence techniques in buildings–a review
Sakuma et al. Airflow direction control of air conditioners using deep reinforcement learning

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20130814