CN108508852B - 隔离管理系统与隔离管理方法 - Google Patents

隔离管理系统与隔离管理方法 Download PDF

Info

Publication number
CN108508852B
CN108508852B CN201810160566.9A CN201810160566A CN108508852B CN 108508852 B CN108508852 B CN 108508852B CN 201810160566 A CN201810160566 A CN 201810160566A CN 108508852 B CN108508852 B CN 108508852B
Authority
CN
China
Prior art keywords
circuit
learning
plan
deep learning
job
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.)
Active
Application number
CN201810160566.9A
Other languages
English (en)
Other versions
CN108508852A (zh
Inventor
高仓启
内藤晋
黑田英彦
芝广树
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.)
Toshiba Corp
Toshiba Energy Systems and Solutions Corp
Original Assignee
Toshiba Corp
Toshiba Energy Systems and Solutions 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 Toshiba Corp, Toshiba Energy Systems and Solutions Corp filed Critical Toshiba Corp
Publication of CN108508852A publication Critical patent/CN108508852A/zh
Application granted granted Critical
Publication of CN108508852B publication Critical patent/CN108508852B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Abstract

一种隔离管理系统与隔离管理方法，包括：数据库、接收器、分析器、深度学习电路、计划生成器及输出接口；数据库被配置为存储信息，所述信息与利用多个部件构建的工厂相关，并且所述信息包括所述多个部件之间的关系；接收器被配置为接收对在所述工厂中定义目标区域的目标区域信息的指定；分析器被配置为基于存储在所述数据库中的所述信息，分析与目标区域中的所述多个部件中的至少一个部件的变化状态相关的所述多个部件的相应状态的多个模式；深度学习电路被配置为从由分析器分析的所述多个模式中提取至少一个特定模式作为提取模式；计划生成器被配置为基于所述提取模式生成作业计划；并且输出接口被配置为输出由计划生成器生成的所述作业计划。

Description

隔离管理系统与隔离管理方法
技术领域
本文所描述的实施例总体上涉及用于管理在工厂中的事件(例如，建设、维护检查、和/或维修)期间临时隔离工厂中的目标设备的隔离作业的隔离管理技术。
背景技术
传统上，在诸如发电厂之类的工厂中进行隔离作业之前，专业工程师参考示出相应部件的连接关系的已开发的连接图，并在考虑隔离作业对其他部件的影响的同时设计作业计划。为了减少这种隔离作业中涉及的人力，已经提出了一种用于自动化用于检查工厂的每一条母线的作业计划的技术。另外，还提出了一种用于从设计文件中提取目标图的技术。此外，还提出了一种用于防止在执行隔离作业时的错误作业的技术。
[专利文献1]日本未审查专利申请公报No.H6-46528
[专利文献2]日本未审查专利申请公报No.2011-96029
[专利文献3]日本未审查专利申请公报No.2008-181283
在工厂中，作为整体安装了诸如各种类型的设备之类的大量的部件。因此，在通过考虑所有部件来设计隔离作业计划的情况下，需要进行大量的计算。例如，当在目标范围内存在100个设备并且这100个设备中的每一个都具有ON(开)/OFF(关)这两个状态时，存在2的100次方(1×1030或更多)的状态模式。由于该原因，计算并获得所有状态模式是没有效率的，并且存在不可能高效地设计作业计划的问题。
发明内容
鉴于上面所描述的问题，本发明的实施例目标在于提供隔离管理技术，其可以有效地生成最适合隔离作业的作业计划。
本发明的实施例提供一种隔离管理系统，包括：
数据库，所述数据库被配置为存储信息，所述信息与利用至少包括断路器、隔离开关和配电板的多个部件构建的工厂相关，并且所述信息包括所述多个部件之间的关系；
接收器，所述接收器被配置为接收对所述工厂中的隔离作业的目标区域进行指定的目标区域信息；
分析器，所述分析器被配置为基于存储在所述数据库中的所述信息，分析在使与所述目标区域相关的所述多个部件中的至少一个部件的状态变化时其他区域的所述多个部件的状态变化的多个模式；
深度学习电路，所述深度学习电路被配置为基于深度学习从由所述分析器分析的所述多个模式中提取至少一个特定模式作为提取模式；
计划生成器，所述计划生成器被配置为基于所述提取模式生成作业计划；以及
输出接口，所述输出接口被配置为输出由所述计划生成器生成的所述作业计划；
所述深度学习电路包括中间层，所述中间层包括多层神经网络；
所述深度学习电路还包括学习数据生成器，所述学习数据生成器被配置为生成学习数据，所述学习数据用于构建已学习完毕的所述多层神经网络；
所述学习数据生成器包括第1矩阵数据生成部和第2矩阵数据生成部；
所述第1矩阵数据生成部生成第1矩阵数据，所述第1矩阵数据将所述分析器分析出的所述断路器及所述隔离开关的导通状态或非导通状态以0或1进行表示；
所述第2矩阵数据生成部生成第2矩阵数据，所述第2矩阵数据将与所述分析器分析出的所述断路器及所述隔离开关的所述导通状态或所述非导通状态对应的所述配电板的导通状态或非导通状态以0或1进行表示；
所述深度学习电路使所述多层神经网络学习包括所述第1矩阵数据及所述第2矩阵数据的所述学习数据，通过已学习完毕的所述多层神经网络取得所述多个模式的特征量，基于该特征量提取所述特定模式。
附图说明
在附图中：
图1是示出了一个实施例的隔离管理系统的框图；
图2是示出了多层神经网络的示意图；
图3是示出了隔离作业前的配电系统的状态的配置图；
图4是示出了在隔离作业期间的配电系统的状态的配置图；
图5是示出了隔离管理处理的第一部分的流程图；
图6是示出了继图5之后的隔离管理处理的第二部分的流程图；
图7是示出了继图5或图6之后的隔离管理处理的第三部分的流程图；
图8是示出了继图7之后的隔离管理处理的最后部分的流程图。
具体实施方式
根据本发明的实施例提供了隔离管理技术，其可以有效地生成最适合于隔离作业的作业计划。
以下，参考附图对实施例进行描述。首先，诸如发电厂之类的工厂由诸如配电系统、驱动设备、监控设备之类的多个部件进行配置。当在这种工厂中执行诸如建设、维护检查或特定设备或系统的维修之类的事件时，有必要将事件对工作人员的安全和其他设备或系统的影响降至最小。因此，事件中的目标设备或目标系统与其他设备或系统被电隔离并被停止(断电)。这种作业被称为隔离。
在用传统技术设计隔离作业计划的情况下，专业工程师参考设计文件，该文件包括示出相应部件的连接关系的单线连接图、表示相应部件的控制关系的ECWD(基本控制布线图，即，一种开发电路图)、IBD(互锁框图)、以及软逻辑图。根据这些文件，专业工程师在考虑隔离作业的影响的同时设计隔离作业计划。例如，当工程师为核电厂制定隔离计划时，有必要对成千上万的相关文件进行调查。另外，工程师需要专业知识和丰富的经验，并且需要花费大量人力。此外，由于归因于工程师没有充分检查或漏看的计划的错误，因此出现通知异常的警报。针对同样的原因，还存在工厂的运转停止的事件。
而且，存在用于实际的隔离作业的预定的过程。当隔离作业没有完全根据该过程(顺序)进行时，将发布警报或激活互锁以触发影响工厂的事件。因此，对于需要针对隔离作业的操作的每一个设备，专业工程师有必要通过参考设计文件和工厂状态按每个过程评估这种设备。这需要大量的人力。虽然存在按每一个过程模拟和评估这种被手动评估的过程的方法，但是该模拟方法涉及很多计算成本。
此外，例如，在计划隔离作业的情况下，可以想到的是，为了大大减少模拟模式的数量，预先为跳线端子(jumper terminal)或断路器提供了规则。然而，当模拟器提取隔离模式时，提取的隔离模式是否是最佳计划还不清楚。上面所描述的“最佳”的定义取决于管理员的管理准则。例如，最小化工人暴露剂量的隔离计划被认为是一个最佳隔离计划的构思。类似地，最小化作业步骤(操作时间)的数量的隔离计划被认为是一个最佳隔离计划的构思。
图1中的附图标记1是管理隔离作业计划并自动生成作业计划的隔离管理系统1。隔离管理系统1配备有综合数据库2，该综合数据库2存储(a)工厂设计文件、(b)运转信息(即，过程数据)、(c)人员计划信息、(d)环境信息、(e)建设信息、(f)故障信息、以及(g)过去创建的隔离作业计划。工厂设计文件包括例如工厂建筑图、布局图、P&ID、ECWD、IBD、单个连接图、以及软逻辑图。运转信息例如是关于工厂运转、监控、以及仪器设备的运转状态的信息。人员计划信息包括例如工厂的建设计划和进度。环境信息包括例如工厂中每个作业现场的辐射剂量、温度、和湿度。建设信息是关于作业能力的信息，诸如作业现场的障碍物、作业现场的干扰物体、高海拔场所的作业。故障信息是关于过去故障事件的信息，故障信息中的每一个都包括其相关信息，诸如日期、时间、地点、设备名称、系统名称和建筑。
上面所描述的各种类型的信息项在综合数据库2上彼此相关联。换句话说，示出各种类型的信息项的数据被结构化。此外，综合数据库2可以建立在工厂中提供的数据服务器上，或者可以建立在工厂外部的设施中提供的服务器上。另外地或替代地，综合数据库2可以建立在网络上的云服务器上。而且，这些各种类型的信息项被预先输入到综合数据库2。
隔离管理系统1包括在隔离预定设备或预定系统的情况下模拟对其他设备或其他(多个)系统的影响的变化的工厂模拟器3。工厂模拟器3包括分析部分(即，分析器或任何其他类型的电路)4、验证部分(即，验证器或任何其他类型的电路)5、以及保持多种数据的数据保持部分(即，数据库、缓冲器、存储器或任何其他类型的电路)81。分析部分4用于在生成隔离作业计划的情况下模拟工厂。验证部分5用于模拟当根据所生成的隔离作业计划执行隔离作业时在工厂中发生的各种变化。
此外，分析部分4包括被配置为分析模拟电路的模拟电路分析电路6，被配置为分析逻辑电路的逻辑电路分析电路7、以及被配置为例如基于图形理论执行路径检索分析的路径检索分析电路8。除了上面所描述的三个分析电路6、7和8之外，还可以在分析部分4中安装任意分析方法(逻辑)。当与分离作业的目标区域(即，目标现场或目标部分)相关的设备或系统的状态变化时，分析部分4基于存储在综合数据库2中的信息，分析在其他设备或系统中出现的相应状态的变化模式。验证部分5也具有与分析部分4相同的配置，并且基于存储在综合数据库2中的信息以验证所生成的作业计划。
隔离管理系统1包括深度学习电路(例如，深度学习单元或深度学习模型)9，其基于存储在综合数据库2中的数据和工厂模拟器3的分析结果执行与生成隔离作业计划相关的处理。深层学习电路9包括多层神经网络10。工厂模拟器3是模拟工厂行为的计算机。深度学习电路9是配备有执行机器学习的人工智能的计算机。
深度学习电路9包括被配置为生成学习数据的学习数据生成部分(即，电路)11，该学习数据对于构建已经完成学习的多层神经网络10而言是必需的。学习数据生成部分11包括第一矩阵数据生成电路12和第二矩阵数据生成电路13。第一矩阵数据生成电路12生成第一矩阵数据，其中由分析部分4分析的第一类型的设备(部件)的状态被作为其输入量X。第二矩阵数据生成电路13生成第二矩阵数据，其中由分析部分4分析的第二类型的设备(部件)的状态被作为其输出量Y。
深度学习电路9还包括报酬设定部分(即，电路)14、增强学习部分(即，电路)15、以及操作过程提取部分(即，电路)16；报酬设定部分14被配置为设定存储在综合数据库2中的各种类型的信息项的相应报酬；增强学习部分15被配置为基于报酬提取用于最大化隔离计划的价值的模式，并且操作过程提取部分16被配置为提取隔离作业的操作过程(执行次序)。
工厂模拟器3和深度学习电路9可以安装在单独的设备上，或者安装在与工厂相关的设施中的计算机或服务器中。另外地或替代地，工厂模拟器3和深度学习电路9可以安装在与工厂相关的设施外部的云服务器中。
隔离管理系统1包括被配置为基于由深度学习电路9提取的预定模式生成作业计划的计划生成器17，并且还包括由隔离管理系统1的管理员使用的用户接口18。
用户接口18例如由与工厂相关的设施中的个人计算机或平板终端构成。另外，用户接口18包括接收部分(即，接收器或输入接口)19和输出部分(即，输出接口)20。接收部分19接收工厂中要接受隔离作业的目标设备(部件)所存在的场所(或区域)的指定作为目标区域信息。输出部分20输出所生成的作业计划。此外，接收部分19包括供管理员利用其执行输入作业的输入设备，诸如键盘和鼠标。而且，输出部分20包括要成为作业计划的目的地的部件，诸如显示设备、打印设备和数据存储设备。
另外，隔离管理系统1包括主控制器100，该主控制器100综合控制综合数据库2、工厂模拟器3、深度学习电路9、计划生成器17、和用户接口18。此外，深度学习电路9包括保持各种数据的数据保持部分(即，数据库、缓冲器、存储器或任何其他类型的电路)82。
图2示出了多层神经网络10的一种情况。在该多层神经网络10中，单元被布置在多个层中并且彼此连接。每一个单元接收多个输入U并计算输出Z。每一个单元的输出Z表示为总输入U的激活函数F的输出。激活函数F具有权重和偏置。神经网络10包括输入层21、输出层22、和至少一个中间层23。
在本实施例中，使用被提供有具有六个层24的中间层23的神经网络10。中间层23的每一个层24由300个单元组成。通过预先使多层神经网络10学习学习数据，可以自动提取电路或系统的变化状态的模式中的特征量。多层神经网络10可以在用户接口18上设定任意数量的中间层、任意数量的单元、任意学习速率、任意学习次数、以及任意激活函数。
神经网络10是通过计算机模拟来表达脑功能的特征的数学模型。例如，已经由突触连接形成网络的人造神经元(节点)通过学习改变突触耦合强度，并显示(即，构成)已经获得解决问题能力的模型。应当注意的是，本实施例的神经网络10通过深度学习获得问题解决能力。
接下来，将给出根据本实施例的生成隔离作业计划的过程的描述。在本实施例中，将给出构成工厂中的一部分供电系统的配电系统25的改造作业的描述。
图3是示出了隔离作业之前的配电系统25的状态的配置图。图4是示出了在隔离作业期间的配电系统25的状态的配置图。为了便于理解，图3和图4简化了配电系统25的电路。
如图3和图4所示，配电系统25包括多个断路器(circuit breaker)26至34、多个隔离开关(disconnector)35至45、多个变压器46至52、以及多个配电板53至60。配电系统25通过使用这些部件来构造。断路器26至34和隔离开关35至45构成第一类型的部件，并且连接到第一类型的部件上的配电板53至60构成第二类型的部件。此外，提供了多个母线61至63，并且从这些母线61至63经由配电板53～60向工厂的相应设备供应电力。
图3和图4的每一页的上侧显示了位于上游侧且靠近电源的部件。图3和图4的每一页的下侧显示了位于下游侧且远离电源的部件。在本实施例中，示出了为了维修一个预定的配电板53而将配电板53与配电系统25隔离的情况。在图3和图4中的所有的断路器26至34和隔离开关35至45中，那些标记“×”的部分是断开的(即，处于绝缘状态或OFF状态)，并且其余部分(即，那些未标记“×”的部分)是闭合的(即，处于导通状态或ON状态)。
在本实施例中，配电板53至55分别连接至三条母线61至63。配电板53至55经由断路器26至28和变压器46和47连接到母线61至63。电力通过配电板53至55被供应到更下游侧的配电板56至60。上游侧的配电板53至55经由断路器29至34、隔离开关35至39以及变压器48、49、51、52连接到下游侧的配电板56至60。另外，下游侧的配电板56至60经由隔离开关40至44彼此连接。
断路器26至34和隔离开关35至45中的每一个具有两种状态：断开(ON)和闭合(OFF)。此外，配电板53至60中的每一个具有两种状态：运转和停止。在本实施例中，当这些部件中的每一个的状态变化时，存在多个状态模式。在这些状态模式中，规定了示出隔离的最佳状态的状态模式。在以下的描述中，把要被隔离的一个配电板53适当地作为在本实施例中的目标区域T的配电板53。
如图3所示，在隔离作业之前，从预定的母线61向目标区域T的配电板53供应电力。此外，经由该配电板53向下游侧的配电板56和57供应电力。关于其他的配电板，配电板54停止，并且连接到该配电板54的断路器27、33和隔离开关38断开。另一个配电板55处于运转中，但该配电板55下游侧的断路器34和隔离开关39断开。换句话说，通过目标区域T的配电板53向下游侧的五个配电板56至60供应电力。
例如，在隔离了目标区域T的配电板53的情况下，直接连接到配电板53的所有断路器26和29至32断开(图3中断路器29被显示为断开状态)，并且断开的断路器29至32的下游侧的隔离开关35和36断开。在该情况下，针对目标区域T的配电板53和下游侧的所有配电板56至60，停止来自母线61的供电。换句话说，当断路器26、29至32以及断路器35和36的相应状态对应于目标区域T变化时，其他位置处的相应的配电板56至60的状态变化。
在此，假定存在下游侧的特定配电板56维持通电状态的运转规则。基于该运转规则，当执行目标场所T的配电板53的隔离时，特定配电板56进入电力故障状态，并且从而发布异常警报。如上面所描述的，需要指定通过另一个供电路径向特定配电板56供应电力的状态模式，以使每一个部件中的变化状态的模式不变成发布异常警报的模式。
例如，如图4所示，确保用于从母线63供应电力的路径作为其他的供电路径。通过使连接到与该母线63相对应的配电板55的断路器34以及隔离开关39闭合，向下游侧的配电板60供给电力。以这种方式，从配电板60向特定的配电板56供应电力。图4所示的状态是示出完成了隔离的最佳状态的特定模式。
另外，隔离作业包括预定设备的操作过程(顺序)。例如，当存在特定配电板56时，在确保用于该配电板56的另一个供电路径之后执行隔离作业。另外，在闭合预定的断路器34和隔离开关39之后，断开其他断路器26至32和隔离开关35和36。另外，当断路器30和31与隔离开关35和36彼此连接的情况下，断开断路器30和31，并且之后，断开与断路器30和31相对应的隔离开关35和36。
在本实施例中，通过使用工厂模拟器3和深度学习电路9，自动提取用于最佳隔离的每一个部件中的变化状态的模式。首先，将给出对不存在已经完成了深度学习所需的学习的多层神经网络10的模型的情况的描述。
如图1所示，当生成作业计划时，隔离管理系统1首先接收用于定义隔离的目标区域T的目标区域信息。之后，管理员通过使用用户接口18执行用于指定目标区域T的配电板53的输入操作。当接收到该输入操作时，隔离管理系统1从综合数据库2中获取诸如与目标区域T的配电板53所连接到的(多个)设备和系统相关的设计文档之类的数据。
此外，隔离管理系统1建立被包含在设计文档中的连接信息、设备信息和属性信息的列表，并将该列表取入工厂模拟器3的分析部分4。而且，隔离管理系统1将存储在综合数据库2中的设备的处理信息和状态信息(例如，示出相应的断路器26至34是断开还是闭合的信息)取入分析部分4中。
在此，分析部分4通过使用模拟电路分析电路6、逻辑电路分析电路7、和/或路径检索分析电路7来基于设备信息、属性信息、连接信息和状态信息的列表来执行模拟。应当注意的是，可以根据目标电路或目标系统来组合这些分析功能6、7、8中的一个、两个、或更多个。例如，在基于单个连接图的由IBD和系统图组成的目标模拟的情况下，可以组合逻辑电路分析电路7和路径检索分析功能8。在该种方式中，可以模拟在执行隔离作业的情况下工厂的每一个部件的行为以及对工厂的每一个部件的影响。
另外，在所有断路器26至34和所有的隔离开关35至45的相应状态分别变化的情况下，分析部分4输出每一个部件(设备)的状态，例如，目标区域T的配电板53的导通状态。在这些部件的相应状态中存在许多变化的模式。这些变化的模式被发送到深度学习电路9的学习数据生成部分11。
此外，学习数据生成部分11将断路器26至34和隔离开关35至45(第一类型部件)的属性或状态作为输入量X，并且建立配电板53至60(第二类型部件)的属性或状态的列表作为输出量Y。应当注意的是，从分析部分4输出第一类型部件和第二类型部件的属性或状态。
学习数据生成部分11的第一矩阵数据生成功能12将断路器26至34以及隔离开关35至45中的每一个的状态(即，断开状态或阻断状态)表示为0或1，并且由此生成输入量X的第一矩阵数据，其是这些部件26至34和35至45的相应状态的数据。
当断路器26至34和断路器35至45中的每一个处于预定状态时，学习数据生成部分11的第二矩阵数据生成功能13将0或1分配到配电板53至60中的每一个的状态(即，导通状态或非导通状态)。换句话说，第二矩阵数据生成功能13将配电板53至60中的每一个的状态表示为0或1，并且从而根据导通，生成输出量Y的第二矩阵数据作为这些部件26至34和35至45的相应状态的数据。在本实施例中，0和1的离散值作为输出量输出。然而，通过适当地设定函数和参数，诸如输出层中的激活函数，可以将它们分类为0和1以外的多个类别，并且也可以输出连续值。
隔离管理系统1使得多层神经网络10学习作为学习数据的这些列出的矩阵数据。深度学习电路9以输出结果的正确答案率变高的方式，构建已经完成学习的神经网络10。例如，深度学习电路9以在输入验证数据的情况下的输出结果与答案(预期输出)之间的差异变小的方式，构建已经完成学习的神经网络10。
接下来，将给出用于通过使用已经完成了学习的多层神经网络10来生成隔离作业计划的过程的说明。首先，通过使用用户接口18接收对目标区域T的配电板53的指定作为目标区域信息。在本实施例中，用于关闭安装区域T的配电板53的指令作为目标区域信息被输入。
另外，目标区域T的配电板53的状态信息以及断路器26至34和隔离开关35至45的状态信息从综合数据库2输出至深度学习电路9。断路器26至34和隔离开关35至45作为设备连接到配电板53，并且是该系统的部件。深度学习电路9使用已经基于输入量X构建并且已经完成学习的神经网络10，以便提取在关闭了目标区域T的配电板53时的断路器26至34和隔离开关35至45的状态的组合模式。
在本实施例中，与目标区域T的配电板53相应的断路器26至34和隔离开关35至45的闭合(ON)/断开(OFF)组合的模式作为输入量X输入到已经完成学习的神经网络10。深度学习电路9从配电板53至60的所有状态中提取在关闭了目标位置T的配电板53时的断路器26至34和隔离开关35至45的闭合(ON)/断开(OFF)组合的模式。
当不存在关于断路器26至34和隔离开关35至45的实际操作的操作过程时(即，当现场的工作人员可以从任何操作开始时)，可以基于提取的闭合(ON)/断开(OFF)组合的模式生成隔离作业计划。
相反，当存在特定操作过程时(即，当现场工作人员必须从特定操作开始时)，深度学习电路9将提取的闭合(ON)/断开(OFF)组合的模式(即，特定模式)和规则、以及操作过程的逻辑输入到操作过程提取部分16。操作过程提取部分16提取与规则和逻辑相匹配的断路器26至34和隔离开关35至45的闭合(ON)/断开(OFF)操作过程，并输出提取的操作过程。操作过程的规则和逻辑可以在用户接口18上输入或者预先存储在综合数据库2中。
操作过程提取部分16将在隔离作业的操作的过程中可以采取的断路器26至34以及隔离开关35至45的闭合(ON)/断开(OFF)组合的相应模式作为输入量X输入到已经完成学习的神经网络10。操作过程提取部分16输出配电板53至60的相应状态的模式作为输出量Y。在该处理中，操作过程提取部分16基于操作过程的输入规则或逻辑限缩了输入量X和输出量Y，并且然后最终提取(列出)其中将目标区域T的配电板53带入目标状态的操作过程。
此外，假定在提取的模式(列表)和操作过程中存在多个计划方案(选择)。因此，通过使用工厂中的任意信息，诸如环境信息，通过使用增强学习部分15从多个计划方案中提取最佳计划方案。增强学习部分15使用作为一种机器学习的增强学习。在增强学习中，作为学习的主体的代理，诸如软件代理进行学习，以使在给定的环境中的价值最大化。
当给出了环境时间t时的状态St时，代理感知这种环境的状态St，并在时间t选择动作(或动作集合)At。利用这种行动At，代理获得数值化报酬rt+1，并且环境的状态从状态St转换到状态St+1。通过增强学习，代理选择行动集合来使在这种行动集合的过程中获得的(或预期获得的)总报酬量最大化。在行动集合的过程中获得(或预期获得)的这种总报酬被称为价值，并且这种价值用公式表示为价值函数Q(s,a)，其中s表示环境的状态并且a表示可能采取或选择的动作。在本实施例中，使用表示多层神经网络10的价值函数的深度增强学习。
所提取的模式和所提取的操作过程被输入到增强学习部分15。另外，包括存储在综合数据库2中的环境信息的任意信息被输入到增强学习部分15中。例如，输入发电厂中的每个区域的辐射剂量、温度、湿度、位置信息(坐标)和/或工作人员的移动距离。此外，这些信息项通过报酬来定义。例如，当利用辐射剂量1μSv/h、温度25℃、湿度30％以及移动距离10m来示出其中布置目标区域T的配电板53的区域的环境时，与这四个参数值相对应的报酬被分别定义为-1分、-1分、-6分、和-6分。
为了设定这些报酬，可以使用由管理员定义的任意函数或转换公式。例如，环境信息被定义为对其中布置了每一个部件的每一个区域的报酬，诸如其中布置了断路器30和31的区域以及其中布置了隔离开关35和36的区域。
输入量X被设定为与断路器26至34以及隔离开关35至45的闭合(ON)/断开(OFF)操作相关联的作业区域的转变，该转变是与报酬s相关的信息项、输入模式和操作过程中的至少一个。通过使用多层神经网络10来表示价值函数。通过使用这种价值函数，确定了在多个计划方案中具有最高价值的计划。
基于确定的计划方案，计划生成器17生成作业计划。该作业计划可能是由操作员可识别的句子和图组成的文件或支持作业的数据。由计划生成器17生成的作业计划在其被最终输出之前被输入到工厂模拟器3的验证部分5。
在根据作业计划执行隔离作业的情况下，验证部分5验证对工厂的影响。例如，在基于模拟器的评估系统中，基于物理模型诸如电路图或系统图来执行验证。此外，验证在根据作业计划执行隔离作业的情况下是否发生诸如异常警报和隔离作业中的错误的问题。以该种方式，可以在实际执行隔离作业之前验证基于由深度学习电路9提取的特定模式的作业计划是否适当。当作为该验证的结果是在作业计划中不存在问题时，该作业计划由用户接口18的输出部分20输出。
在如上面所描述的本实施例中，可以通过组合工厂模拟器3和包括多层神经网络10的深度学习电路9，自动生成隔离作业计划。另外，与其中隔离作业计划由模拟器单独做出的情况相比，计算成本可以被抑制。此外，通过使用增强学习部分15，可以自动设计可以最有效地执行隔离作业的隔离作业计划。
在本实施例中，由多层神经网络10获取变化模式的特征量，并且基于特征量提取特定模式。因此，可以提高从多个变化模式提取特定模式的处理效率。
另外，可以通过使得已经完成学习的多层神经网络10提取特定模式，以缩短从多个变化模式提取特定模式的时间。
此外，学习数据生成部分11可以通过基于存储在综合数据库2中的过去的作业计划生成学习数据，以生成沿袭过去执行的隔离作业的作业计划。由此，可以提高作业计划的可靠性。
而且，深度学习电路9可以通过使得多层神经网络10学习包括第一矩阵数据和第二矩阵数据的学习数据，以生成与构建工厂的相应类型的部件相对应的学习数据。因此，可以建立适合于工厂中的隔离作业的多层神经网络10。
增强学习部分15可以通过基于报酬从根据多个特定模式生成的相应多个计划方案中提取具有最高价值的计划方案，以提取隔离作业的最适合的模式。另外，增强学习部分15包括作为增强学习的一个选项的深度增强学习功能15A，并且该深度增强学习功能15A使用神经网络。
此外，操作过程提取部分16可以通过基于所提取的特定模式提取隔离作业的操作过程，提取最适合于隔离作业的操作过程。
本实施例的隔离管理系统1包括硬件资源，诸如CPU(中央处理单元)、ROM(只读存储器)、RAM(随机存取存储器)和HDD(硬盘驱动器)，并且该隔离管理系统1被配置作为通过使得CPU执行各种程序、利用硬件资源实现通过软件进行信息处理的计算机。此外，通过使得计算机执行各种程序来实现本实施例的隔离管理方法。
接着，参考图5至图8的流程图，将给出由隔离管理系统1执行的处理的描述。
如图5所示，在与图1中的路径R1相对应的步骤S11中，综合数据库2首先存储包括关于工厂的设计文件、运转信息、人员计划信息、环境信息、建设信息、故障信息和过去的作业计划的各种信息。
在与图1中的路径R2和R3相对应的下一个步骤S12中，用户接口18的接收部分19基于管理员的输入操作，接收用于定义隔离作业的目标区域T的目标区域信息。例如，对目标区域T的配电板53的指定作为目标区域信息被接收。
在与图1中的路径R6和R11相对应的下一个步骤S13中，隔离管理系统1的主控制器100使得工厂模拟器3的数据保持部分81和深度学习电路9的数据保持部分82从综合数据库2中获取关于目标区域T的配电板53的信息。具体地，数据保持部分81和82获取与在用户接口18中指定的目标区域T的配电板53(部件)相关的信息，并且该信息也是关于配电板53附近的断路器26至34和隔离开关35至45的信息。例如，数据保持部分81和82获取配电板和断路器26至34以及隔离开关35至45中的每一个的预转(ON)/停止(OFF)状态或者断开/闭合状态。
在与图1中的路径R4相对应的下一个步骤S14中，主控制器100确定是否存在已经完成关于由用户接口18指定的目标区域的学习的神经网络10。当不存在这种已经完成学习的神经网络10时，处理继续下面将要描述的步骤S20。相反，当存在已经完成学习的神经网络10时，处理继续到步骤S15。
在与图1中的路径R6相对应的步骤S15中，主控制器100基于从综合数据库2中获取的信息，以在深度学习电路9中设定目标区域T的(多个)部件和状态。例如，主控制器100将配电板53设定为停止(OFF)。
在接下来的步骤S16中，主控制器100基于存储在综合数据库2中的信息来生成与目标区域T相关的相应部件的状态的组合模式的列表。例如，主控制器100生成示出直接或间接连接到目标区域T的配电板53上的断路器26至34以及隔离开关35至45的相应闭合(ON)/断开(OFF)状态的组合的列表。
在与图1中的路径R7相对应的下一个步骤S17中，主控制器100将所生成的关于目标区域T的部件的相应状态的组合模式的列表输出到已经完成学习并且属于深度学习电路9的神经网络10。
在接下来的步骤S18中，神经网络10获取目标区域T的部件(即，与目标区域T相关的部件)中的每一个的状态，并获得分析结果，诸如对其他部件(即，与目标区域T无关的部件)的影响、以及是否发布警报。
在与图1中的路径R20相对应的下一个步骤S19中，主控制器100通过神经网络10的深度学习提取相应部件的特定状态模式，并使得数据保持部分82保持提取的模式。具体地，主控制器100提取在目标区域T的配电板53关闭时的断路器26至34以及隔离开关35至45的相应状态的组合模式。之后，处理继续到下面将要描述的图7中的步骤S30。
图6中的步骤S20是当在步骤S14中不存在已经完成学习的神经网络10时，在步骤S14之后接下来执行的处理。在与图1中的路径R8相对应的步骤S20中，学习数据生成部分11列出从综合数据库2获取的信息中包括的各种信息项目，或者获取已经列出的信息。应当注意的是，上面所描述的动词“列出”在本实施例中意味着拾取数据或执行转换的处理。
在与图1中的路径R9相对应的下一个步骤S21中，工厂模拟器3的分析部分4获取各种信息项的列表。
在与图1中的路径R21相对应的下一个步骤S22中，分析部分4基于保持在数据保持部分81中的数据来生成工厂的配电系统25的模拟模型。
在接下来的步骤S23中，主控制器100确定是否使用深度学习。当用于提取适合于隔离作业的特定模式的计算量(即，确定的目标值)小于预定阈值时，即，当通过循环模拟能够执行处理时，主控制器100确定不使用深度学习，并将处理前进到下面将要描述的步骤S28。相反，当用于提取适合于隔离作业的特定模式的计算量(即，确定的目标值)等于或大于预定阈值时，即，当需要使用深度学习进行处理时，主控制器100确定使用深度学习并将处理前进到步骤S24。
在与图1的路径R10相对应的步骤S24中，工厂模拟器3的分析部分4生成示出每一个部件的状态的数据，并将生成的数据发送到学习数据生成部分11。例如，分析部分4在所有断路器26至34和隔离开关35至45的相应状态变化的情况下，生成示出目标区域T的配电板53的导通状态的数据。
在接下来的步骤S25中，深度学习电路9的学习数据生成部分11生成学习数据。例如，学习数据生成部分11生成示出断路器26至34以及隔离开关35至45的相应状态的第一矩阵数据，并且还生成示出配电板53至60的相应状态的第二矩阵数据。
在与图1中的路径R5相对应的下一个步骤S26中，主控制器100使得深度学习电路9的多层神经网络10执行其中将矩阵数据作为学习数据的学习。
在接下来的步骤S27中，深度学习电路9构建已经完成学习的神经网络10，并将处理返回到图5中的步骤S15。
图6中的步骤S28是当确定不使用深度学习时，在步骤S23之后接下来执行的处理。在与图1中的路径R11相对应的步骤S28中，工厂模拟器3在分析部分4的模拟模型中设定目标区域T的部件和状态。
在接下来的步骤S29中，执行循环模拟，并提取适合于隔离作业的特定模式，然后处理继续到图7中的步骤S30。
在图7的步骤S30中，主控制器100确定对于断路器26至34以及隔离开关35至45的实际操作而言是否需要特定操作过程(即，已经提取并被保持在数据保持部分81中的操作的特定模式)。当不需要特定操作过程时，处理继续到下面将描述的步骤S34。相反，当特定操作过程是必要的时，处理继续到步骤S31。
在与图1中的路径R12和R13相对应的步骤S31中，主控制器100将保持在数据保持部分81和82中的特定模式输入到深度学习电路9的操作过程提取部分16中。
在与图1中的路径R12和R13相对应的下一个步骤S32中，主控制器100将与断路器26至34和隔离开关35至45的实际操作相关的操作过程的规则和逻辑输入到深度学习电路9的操作过程提取部分16中。
在接下来的步骤S33中，操作过程提取部分16指定并获取与规则和逻辑匹配的操作过程。
在步骤S34中，主控制器100基于特定模式和操作过程，使得深度学习电路9生成作为选择的多个计划方案。
在与图1中的路径R15相对应的下一个步骤S35中，主控制器100将多个提出的方案作为选项输入到深度学习电路9的增强学习部分15中。
在与图1中的路径R15相对应的下一个步骤S36中，主控制器100向增强学习部分15输入任意信息，其中该任意信息涉及工厂并且包括从综合数据库2获取的环境信息。
在与图1中的路径R14相对应的下一个步骤S37中，主控制器100使得深度学习电路9的报酬设定部分14针对关于工厂所输入的任意信息设置报酬，然后使处理前进到图8中的步骤S38。已经由报酬设定部分14设定的报酬被输入到与图1中的路径R23相对应的增强学习部分15。关于操作过程的信息也被输入到增强学习部分15，其与图1中的路径R24相对应。
在图8的步骤S38中，主控制器100确定是否应该使用深度增强学习以便从多个计划方案中提取最佳计划。当用于提取最佳计划方案的计算量(即，确定的目标值)小于预定阈值时，主控制器100确定不需要深度增强学习，然后在步骤S40中通过诸如蒙特卡罗方法或者Q学习的方法定义价值函数，然后使处理前进到步骤S41。
相反，当用于提取最佳计划方案的计算量(即，确定目标值)等于或大于预定阈值时，即，当需要通过使用深度增强学习来执行提取最佳计划方案的处理时，主控制器100确定使用深度增强学习，然后在步骤S39中使得多层神经网络10表达价值函数，并且然后将处理前进到步骤S41。
在与图1中的路径R16相对应的步骤S41中，主控制器100使得深度学习电路9的增强学习部分15针对多个计划方案(即，选择)中的每一个指定由价值函数计算的价值，并将关于指定价值的信息输出到计划生成器17。
在与图1中的路径R17相对应的下一个步骤S42中，计划生成部17基于所指定的具有最高价值的计划方案生成作业计划，并将生成的作业计划输出到工厂模拟器3的验证部分5。
在与图1中的路径R22相对应的下一个步骤S43中，验证部分5基于在数据保存部分81中保持的数据，执行验证在根据作业计划执行隔离作业的情况下对工厂的影响的处理。
在与图1中的路径R18相对应的下一个步骤S44中，验证部分5确定作业计划是否适当。当作业计划被确定为适当时，处理前进到步骤S45，在该步骤S45中，如图1中的路径R19所示，该作业计划由用户接口18的输出部分20经由计划生成器17输出，然后整个处理完成。相反，当确定作业计划不适当时，用户接口18的输出部分20执行示出作业计划不适当的通知，然后完成整个处理。
在本实施例中，使用参考值(即，阈值)确定一个值(即，目标值)可以是确定目标值是否等于或大于参考值。
另外地或替代地，使用参考值确定目标值可以是确定目标值是否超过参考值。
另外地或替代地，使用参考值确定目标值可以是确定目标值是否等于或小于参考值。
另外地或替代地，使用参考值确定目标值可以是确定目标值是否小于参考值。
另外地或替代地，参考值不一定是固定的，并且参考值可以改变。因此，可以使用预定范围的值来替代参考值，并且确定目标值可以是确定目标值是否在预定范围内。
尽管在本实施例的流程图中示出了其中每个步骤被顺序执行的模式，但是相应步骤的执行顺序不一定是固定的，并且可以改变部分步骤中的执行顺序。另外，一些步骤可以与另一个步骤并行执行。
本实施例的隔离管理系统1包括诸如ROM(只读存储器)和RAM(随机存取存储器)之类的存储设备、诸如HDD(硬盘驱动器)和SSD(固态驱动器)之类的外部存储设备、诸如显示器之类的显示设备、诸如鼠标和键盘之类的输入设备、通信接口、以及具有诸如专用芯片、FPGA(现场可编程门阵列)、GPU(图形处理单元)和CPU(中央处理单元)之类的高度集成的处理器的控制设备。隔离管理系统1可以通过使用普通计算机的硬件配置来实现。
应当注意的是，在本实施例的隔离管理系统1中执行的每一个程序是通过预先取入诸如ROM的存储器而提供的。另外地或替代地，每一个程序可以通过作为可安装或可执行格式的文件存储在诸如CD-ROM、CD-R、存储卡、DVD以及软盘(FD)之类的非暂时性计算机可读存储介质中来提供。
另外，在隔离管理系统1中执行的每一个程序可以存储在连接到诸如因特网之类的网络的计算机上并且可以通过经由网络下载来提供。此外，隔离管理系统1也可以通过经由网络或专用线路将分别独立地展示部件的相应功能的单个模块互连并组合而进行配置。
尽管在本实施例中例示了构成工厂内的一部分供电系统的配电系统25的改造作业，但也可以应用本发明以便实现配电系统以外的隔离的作业计划。
应当注意的是，深度学习电路9可以提取使其他位置发生最小变化的模式作为特定模式。以该种方式，可以提取对其他部件(即，与目标区域T不相关的部件)具有最小影响并最适合于隔离作业的模式。
根据上面所描述的实施例，可以通过包括(a)分析器和(b)深度学习电路高效地生成最适合于隔离作业的作业计划，该分析器被配置为在与指定的目标区域相关的部件的状态变化的情况下在其他位置处的部件中发生的变化状态的模式，并且深度学习电路被配置为基于深度学习从由分析器分析的变化状态的多个模式中提取特定模式。
尽管已经描述了某些实施例，但是这些实施例仅以示例的方式呈现，并不旨在限制本发明的范围。实际上，本文所描述的新颖的方法和系统可以体现为各种其他形式；此外，在不脱离本发明的精神的情况下，可以以本文所描述的方法和系统的形式做出各种省略、替换和改变。所附权利要求书及其等同物旨在覆盖落入本发明的范围和精神内的这种形式或修改。

Claims (7)

1.一种隔离管理系统，包括：
数据库，所述数据库被配置为存储信息，所述信息与利用至少包括断路器、隔离开关和配电板的多个部件构建的工厂相关，并且所述信息包括所述多个部件之间的关系；
接收器，所述接收器被配置为接收对所述工厂中的隔离作业的目标区域进行指定的目标区域信息；
分析器，所述分析器被配置为基于存储在所述数据库中的所述信息，分析在使与所述目标区域相关的所述多个部件中的至少一个部件的状态变化时其他区域的所述多个部件的状态变化的多个模式；
深度学习电路，所述深度学习电路被配置为基于深度学习从由所述分析器分析的所述多个模式中提取至少一个特定模式作为提取模式；
计划生成器，所述计划生成器被配置为基于所述提取模式生成作业计划；以及
输出接口，所述输出接口被配置为输出由所述计划生成器生成的所述作业计划；
所述深度学习电路包括中间层，所述中间层包括多层神经网络；
所述深度学习电路还包括学习数据生成器，所述学习数据生成器被配置为生成学习数据，所述学习数据用于构建已学习完毕的所述多层神经网络；
所述学习数据生成器包括第1矩阵数据生成部和第2矩阵数据生成部；
所述第1矩阵数据生成部生成第1矩阵数据，所述第1矩阵数据将所述分析器分析出的所述断路器及所述隔离开关的导通状态或非导通状态以0或1进行表示；
所述第2矩阵数据生成部生成第2矩阵数据，所述第2矩阵数据将与所述分析器分析出的所述断路器及所述隔离开关的所述导通状态或所述非导通状态对应的所述配电板的导通状态或非导通状态以0或1进行表示；
所述深度学习电路使所述多层神经网络学习包括所述第1矩阵数据及所述第2矩阵数据的所述学习数据，通过已学习完毕的所述多层神经网络取得所述多个模式的特征量，基于该特征量提取所述特定模式。
2.根据权利要求1所述的隔离管理系统，还包括：
验证器，所述验证器被配置为基于存储在所述数据库中的所述信息，验证在按照所述作业计划使与所述目标区域相关的所述多个部件的状态变化时，其他区域的所述多个部件的状态变化的模式。
3.根据权利要求1或2所述的隔离管理系统，
所述数据库被配置为存储关于过去的隔离作业所使用的作业计划的信息；并且
所述学习数据生成器被配置为基于存储在所述数据库中的所述过去的作业计划来生成所述学习数据。
4.根据权利要求1或2所述的隔离管理系统，
所述深度学习电路具有：
报酬函数设定部，设定关于存储在所述数据库中的所述信息的报酬函数；
强化学习部，从由所述分析器分析的所述多个模式中提取多个特定模式作为多个提取模式，在所述多个提取模式中基于所述报酬函数提取具有最高价值的模式。
5.根据权利要求1或2所述的隔离管理系统，
所述深度学习电路具有：
操作顺序提取部，基于所述提取模式来提取隔离作业的操作过程；并且
所述计划生成器被配置为基于由所述深度学习电路提取的所述操作过程来生成所述作业计划。
6.根据权利要求1或2所述的隔离管理系统，
所述分析器至少具有执行模拟电路分析的模拟电路分析部、执行逻辑电路分析的逻辑电路分析部以及执行路径检索分析的路径检索分析部中的至少一个。
7.一种隔离管理方法，包括：
存储步骤，将信息存储至数据库，所述信息与利用至少包括断路器、隔离开关和配电板的多个部件构建的工厂相关，并且所述信息包括所述多个部件之间的关系；
接收步骤，接收对所述工厂中的隔离作业的目标区域进行指定的目标区域信息；
分析步骤，基于存储在所述数据库中的所述信息，分析在使与所述目标区域相关的所述多个部件中的至少一个部件的状态变化时其他区域的所述多个部件的状态变化的多个模式；
深度学习步骤，基于深度学习从在所述分析步骤中分析的所述多个模式中提取至少一个特定模式作为提取模式；
计划生成步骤，基于所述提取模式生成作业计划；以及
输出步骤，输出在所述计划生成步骤中生成的所述作业计划；
包括中间层和学习数据生成器的深度学习电路生成第1矩阵数据和第2矩阵数据，使所述多层神经网络学习包括所述第1矩阵数据及所述第2矩阵数据的所述学习数据；
所述中间层包括多层神经网络；
所述学习数据生成器被配置为生成学习数据，所述学习数据用于构建已学习完毕的所述多层神经网络；
所述第1矩阵数据将在所述分析步骤中分析出的所述断路器及所述隔离开关的导通状态或非导通状态以0或1进行表示；
所述第2矩阵数据将在所述分析步骤中分析出的与所述断路器及所述隔离开关的所述导通状态或所述非导通状态对应的所述配电板的导通状态或非导通状态以0或1进行表示；
在所述深度学习步骤中，通过已学习完毕的所述多层神经网络取得所述多个模式的特征量，基于该特征量提取所述特定模式。
CN201810160566.9A 2017-02-27 2018-02-27 隔离管理系统与隔离管理方法 Active CN108508852B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017034494A JP6789848B2 (ja) 2017-02-27 2017-02-27 アイソレーション管理システムおよびアイソレーション管理方法
JP2017-034494 2017-02-27

Publications (2)

Publication Number Publication Date
CN108508852A CN108508852A (zh) 2018-09-07
CN108508852B true CN108508852B (zh) 2021-08-03

Family

ID=61783751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810160566.9A Active CN108508852B (zh) 2017-02-27 2018-02-27 隔离管理系统与隔离管理方法

Country Status (8)

Country Link
US (1) US20180246478A1 (zh)
JP (1) JP6789848B2 (zh)
KR (2) KR20180099469A (zh)
CN (1) CN108508852B (zh)
CA (1) CA2996576A1 (zh)
FR (1) FR3063369B1 (zh)
GB (1) GB2561073B (zh)
RU (1) RU2678146C1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018234945A1 (ja) * 2017-06-22 2018-12-27 株式会社半導体エネルギー研究所 レイアウト設計システム及びレイアウト設計方法
JP7141320B2 (ja) * 2018-12-05 2022-09-22 株式会社日立製作所 強化学習支援装置、保守計画立案装置、及び強化学習支援方法
JP7179600B2 (ja) * 2018-12-07 2022-11-29 株式会社東芝 アイソレーション管理装置、方法及びプログラム
JP7118916B2 (ja) * 2019-03-20 2022-08-16 株式会社東芝 アイソレーション作業の計画立案支援装置、方法及びプログラム
CN110221926B (zh) * 2019-05-27 2021-11-16 中国电建集团华东勘测设计研究院有限公司 一种高拱坝浇筑进度仿真的隔离计算管理方法
CN116308887B (zh) * 2023-05-12 2023-08-11 北京迅巢科技有限公司 一种智能配电集成平台模型构建方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0646528A (ja) * 1992-07-22 1994-02-18 Toshiba Corp 母線用自動アイソレーション装置
JPH10319180A (ja) * 1997-05-14 1998-12-04 Toshiba Corp プラント異常時復旧支援システム
JP2003202920A (ja) * 2002-01-04 2003-07-18 Fujitsu Ltd 保守管理システム、方法及びプログラム
CN1648922A (zh) * 2005-03-03 2005-08-03 南京科远控制工程有限公司 企业管控一体化管理信息控制方法
JP4059014B2 (ja) * 2001-06-19 2008-03-12 富士電機システムズ株式会社 プラントの最適運用方法及びプラントの最適設計方法
JP2008181283A (ja) * 2007-01-24 2008-08-07 Toshiba Corp 誤アイソレーション防止装置
JP2009223771A (ja) * 2008-03-18 2009-10-01 Toshiba Corp 隔離管理機能を有する工程管理システム及びその方法
JP2011096029A (ja) * 2009-10-30 2011-05-12 Hitachi Ltd 保守作業計画支援方法及びシステム
CN104951905A (zh) * 2015-07-16 2015-09-30 中国神华能源股份有限公司 一种设备动态台账管理系统

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1019723B (zh) * 1985-06-11 1992-12-30 三菱电机株式会社 开关装置的电气联锁回路
JPH0646528B2 (ja) 1989-02-08 1994-06-15 富士電機株式会社 多相無接点接触器
JPH02213943A (ja) * 1989-02-15 1990-08-27 Hitachi Ltd 装置の監視診断方法
JPH02299001A (ja) * 1989-05-12 1990-12-11 Toshiba Corp 制御対象同定方法
JPH04199309A (ja) * 1990-11-29 1992-07-20 Hitachi Ltd 計装制御系保守支援装置
JP3058462B2 (ja) * 1991-03-01 2000-07-04 中部電力株式会社 母線点検用電力供給経路推論装置
KR100380308B1 (ko) * 2000-12-12 2003-04-16 한국전기연구원 신경회로망을 이용한 동기 차단기의 개폐 제어장치
DE102012023424B4 (de) * 2012-11-29 2019-08-14 Kostal Industrie Elektrik Gmbh Energieverteilungsanlage mit einer Steuervorrichtung
US10539934B2 (en) * 2014-03-17 2020-01-21 General Electric Technology Gmbh Outage and switch management for a power grid system
KR20150118456A (ko) * 2014-04-14 2015-10-22 엘에스산전 주식회사 감시 장치의 부분방전 진단 방법
CN104156766A (zh) * 2014-07-28 2014-11-19 山东山大世纪科技有限公司 针对高压开关动作时间智能记忆与自学习系统的应用
CN104538222B (zh) * 2014-12-27 2016-09-28 中国西电电气股份有限公司 基于人工神经网络的高压开关选相控制器及方法
US20160241031A1 (en) * 2015-02-18 2016-08-18 Nec Laboratories America, Inc. Dynamic probability-based power outage management system
US10243397B2 (en) * 2015-02-20 2019-03-26 Lifeline IP Holdings, LLC Data center power distribution
US10164431B2 (en) * 2015-03-17 2018-12-25 General Electric Technology Gmbh Outage management and prediction for a power grid system
US10089204B2 (en) * 2015-04-15 2018-10-02 Hamilton Sundstrand Corporation System level fault diagnosis for the air management system of an aircraft
KR101541808B1 (ko) * 2015-04-30 2015-08-04 한국해양과학기술원 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템 및 그 제어 방법
US20170032245A1 (en) * 2015-07-01 2017-02-02 The Board Of Trustees Of The Leland Stanford Junior University Systems and Methods for Providing Reinforcement Learning in a Deep Learning System
JP6106226B2 (ja) * 2015-07-31 2017-03-29 ファナック株式会社 ゲインの最適化を学習する機械学習装置及び機械学習装置を備えた電動機制御装置並びに機械学習方法
JP6174669B2 (ja) * 2015-07-31 2017-08-02 ファナック株式会社 複数の製造機械を有する製造セルを制御するセルコントロールシステム、生産システム、制御方法及び制御プログラム
JP6240689B2 (ja) * 2015-07-31 2017-11-29 ファナック株式会社 人の行動パターンを学習する機械学習装置、ロボット制御装置、ロボットシステム、および機械学習方法
CN105321039B (zh) * 2015-09-24 2022-03-01 国家电网公司 一种隔离开关在线监测数据管理系统及方法
US9536191B1 (en) * 2015-11-25 2017-01-03 Osaro, Inc. Reinforcement learning using confidence scores
CN105787557B (zh) * 2016-02-23 2019-04-19 北京工业大学 一种计算机智能识别的深层神经网络结构设计方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0646528A (ja) * 1992-07-22 1994-02-18 Toshiba Corp 母線用自動アイソレーション装置
JPH10319180A (ja) * 1997-05-14 1998-12-04 Toshiba Corp プラント異常時復旧支援システム
JP4059014B2 (ja) * 2001-06-19 2008-03-12 富士電機システムズ株式会社 プラントの最適運用方法及びプラントの最適設計方法
JP2003202920A (ja) * 2002-01-04 2003-07-18 Fujitsu Ltd 保守管理システム、方法及びプログラム
CN1648922A (zh) * 2005-03-03 2005-08-03 南京科远控制工程有限公司 企业管控一体化管理信息控制方法
JP2008181283A (ja) * 2007-01-24 2008-08-07 Toshiba Corp 誤アイソレーション防止装置
JP2009223771A (ja) * 2008-03-18 2009-10-01 Toshiba Corp 隔離管理機能を有する工程管理システム及びその方法
JP2011096029A (ja) * 2009-10-30 2011-05-12 Hitachi Ltd 保守作業計画支援方法及びシステム
CN104951905A (zh) * 2015-07-16 2015-09-30 中国神华能源股份有限公司 一种设备动态台账管理系统

Also Published As

Publication number Publication date
KR20200074936A (ko) 2020-06-25
GB201802549D0 (en) 2018-04-04
JP2018142060A (ja) 2018-09-13
FR3063369A1 (fr) 2018-08-31
RU2678146C1 (ru) 2019-01-23
US20180246478A1 (en) 2018-08-30
CA2996576A1 (en) 2018-08-27
JP6789848B2 (ja) 2020-11-25
FR3063369B1 (fr) 2023-12-01
CN108508852A (zh) 2018-09-07
GB2561073A (en) 2018-10-03
GB2561073B (en) 2020-10-14
KR20180099469A (ko) 2018-09-05

Similar Documents

Publication Publication Date Title
CN108508852B (zh) 隔离管理系统与隔离管理方法
Zio Reliability engineering: Old problems and new challenges
Aizpurua et al. Supporting group maintenance through prognostics-enhanced dynamic dependability prediction
US9606902B2 (en) Malfunction influence evaluation system and evaluation method using a propagation flag
US10521550B2 (en) Planning and engineering method, software tool and simulation tool for an automation solution
Yang et al. Development of a risk monitoring system for nuclear power plants based on GO-FLOW methodology
Blancke et al. A holistic multi-failure mode prognosis approach for complex equipment
Zille et al. Modelling multicomponent systems to quantify reliability centred maintenance strategies
Zhu et al. A system-of-systems framework for performance assessment in complex construction projects
Ma et al. Condition-based maintenance optimization for multicomponent systems under imperfect repair—based on RFAD model
Basirat et al. System dynamics meta-modelling for reliability considerations in maintenance
Raghavan et al. State diagram-based life cycle management plans for power plant components
Nozhenkova et al. Creation of the base of a simulation model’s precedents for analysis of the spacecraft onboard equipment testing results
Kumar A model-based safety-security risk analysis framework for interconnected critical infrastructures
Löfstrand et al. Modelling and simulation of functional product system availability and support costs
Danhel et al. Predictive analysis of mission critical systems dependability
RU2725783C1 (ru) Способ испытаний электронной аппаратуры на основе аппаратно-программного внесения неисправностей с маршрутизацией
Zille et al. Simulation of maintained multicomponent systems for dependability assessment
Aizpurua et al. A cost-benefit approach for the evaluation of prognostics-updated maintenance strategies in complex dynamic systems
Nejad et al. Hierarchical planning and multi-level scheduling for simulation-based probabilistic risk assessment
Altuger et al. Manual assembly line operator scheduling using hierarchical preference aggregation
Velykiene Applications of Dependable Computing Concepts to National Infrastructure Systems
McIntire et al. Safety-informed design: Using subgraph analysis to elicit hazardous emergent failure behavior in complex systems
Chew Systems reliability modelling for phased missions with maintenance-free operating periods
Al-suod et al. Software Quality Assessment Technique for the Autonomous Power Plants Automated Control Systems.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant