CN109254575A - 车间控制辅助装置、车间控制辅助方法及记录介质 - Google Patents

车间控制辅助装置、车间控制辅助方法及记录介质 Download PDF

Info

Publication number
CN109254575A
CN109254575A CN201810756313.8A CN201810756313A CN109254575A CN 109254575 A CN109254575 A CN 109254575A CN 201810756313 A CN201810756313 A CN 201810756313A CN 109254575 A CN109254575 A CN 109254575A
Authority
CN
China
Prior art keywords
segmentation
parameter
study
workshop
floor 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.)
Granted
Application number
CN201810756313.8A
Other languages
English (en)
Other versions
CN109254575B (zh
Inventor
鹿子木宏明
高见豪
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.)
Yokogawa Electric Corp
Original Assignee
Yokogawa Electric 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 Yokogawa Electric Corp filed Critical Yokogawa Electric Corp
Publication of CN109254575A publication Critical patent/CN109254575A/zh
Application granted granted Critical
Publication of CN109254575B publication Critical patent/CN109254575B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
    • 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
    • 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
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring 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
    • 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
    • G05B23/0294—Optimizing process, e.g. process efficiency, product quality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/023—Learning or tuning the parameters of a fuzzy 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics
    • 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
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Fuzzy Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Algebra (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Feedback Control In General (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

车间控制辅助装置具有：分段选择部，其从在车间内定义出的多个分段中，对进行求出表示运转状态的至少1个参数的最佳值的学习的一个分段进行选择；收益函数定义部，其对在所述学习中使用的收益函数进行定义；参数提取部，其基于在所述车间中使用的仪器的输入输出信息、及表示选择出的所述分段所包含的仪器的结构的分段信息，对选择出的所述分段中的成为所述学习的对象的至少1个参数进行提取；以及学习部，其基于所述收益函数及提取出的所述至少1个参数，针对所述每个分段进行求出表示所述运转状态的所述至少1个参数的最佳值的学习。

Description

车间控制辅助装置、车间控制辅助方法及记录介质
技术领域
本发明涉及车间控制辅助装置、车间控制辅助方法及记录介质。
本申请基于2017年7月13日在日本申请的特愿2017－136899号而主张优先权，在这里引用其内容。
背景技术
以往，在化学等的工业车间、工厂、对气田或油田等钻井或其周边进行管理控制的车间、对水力、火力、核能等的发电进行管理控制的车间、对太阳光或风力等的环境发电进行管理控制的车间、对给排水或水坝等进行管理控制的车间等车间或工厂等(下面，在对这些进行统称的情况下，称为“车间”)中，构建被称为现场仪器的测定器或操作器等现场仪器和对它们进行控制的控制装置经由通信单元连接而成的分散控制系统(DCS：DistributedControl System)，实现了通过DCS进行的高级的自动操作。
以往，在上述这样的车间的系统中，车间的收获量、运转状况、报警的发生状况等操作状态由传感器等测定器进行测定。而且，测定值经由DCS被收集，在操作面板、监视终端的监视器等监视装置中进行显示。对车间的操作状态进行监视的板操作者，在通过监视装置在车间中识别出异常的情况下，或者在使车间的收获量增减等情况下，针对被称为现场操作者的作业者，进行现场仪器的调查、检查、或者更换等的指示，或者进行阀等操作器的调整指示。
近来，研究出通过人工智能最优化地进行如上所述的操作器等的调整，使车间操作自动化的技术。例如，在日本特开2014－174993号公报(下面，称为“专利文献1”)中记载的车间控制系统，通过使用将传感器等的输入信息作为采样数据的判断模型而实现的人工智能，对作业者提供信息。
如果使用在上述的专利文献1等中公开的人工智能的技术，则还认为能够容易地将车间的运转状态进行最优化。但是，通常在车间的操作中，人工智能应该学习的范围广，成为学习的对象的参数的数量变得庞大，因此有时直至将表示车间的运转状态的参数的最佳值求出的学习收敛为止需要不现实的长时间，或者学习甚至不会收敛。
发明内容
本发明的一个方式提供能够容易地以更短时间使求出表示车间的运转状态的参数的最佳值的学习收敛的车间控制辅助装置、车间控制辅助方法及记录介质。
本发明的第1方式的车间控制辅助装置可以具有：分段选择部，其从在车间内定义出的多个分段中，对进行学习的一个分段进行选择，该学习是求出表示运转状态的至少1个参数的最佳值；收益函数定义部，其对在所述学习中使用的收益函数进行定义；参数提取部，其基于在所述车间中使用的仪器的输入输出信息、及表示选择出的所述分段所包含的仪器的结构的分段信息，对选择出的所述分段中的成为所述学习的对象的至少1个参数进行提取；以及学习部，其基于所述收益函数及提取出的所述至少1个参数，针对每个所述分段进行求出表示所述运转状态的所述至少1个参数的最佳值的学习。
上述的车间控制辅助装置可以还具有参数分类部，该参数分类部基于所述分段信息及所述输入输出信息，将通过所述参数提取部提取出的所述参数分类为选择出的所述分段内的可变参数、选择出的所述分段内的监视器参数、选择出的所述分段外的可变参数、或者选择出的所述分段外的固定参数。所述学习部可以基于通过所述参数分类部分类的所述参数而进行所述学习。
在上述的车间控制辅助装置中，所述学习部可以基于关联模型而进行所述学习，该关联模型表示基于所述分段信息的所述参数之间的相关。
在上述的车间控制辅助装置中，所述分段选择部可以对应于所述车间中的工序的流程，依次对在所述车间内定义出的所述多个分段进行选择。
上述的车间控制辅助装置还可以具有整体最优化部，该整体最优化部基于通过针对每个所述分段进行的所述学习而分别决定出的参数，进行针对所述车间的整体而用于所述参数的最优化的学习。
在上述的车间控制辅助装置中，所述收益函数定义部可以对惩罚函数进行定义，该惩罚函数是用于与基于在所述车间中发生的报警的值相对应地将所述收益函数的值减去的函数。所述学习部可以基于所述惩罚函数，针对每个所述分段进行所述学习。
上述的车间控制辅助装置还可以具有参数筛选部，该参数筛选部基于所述分段信息确定对将所述收益函数最大化的目的没有作出贡献的参数，将确定出的参数从通过所述参数提取部提取出的参数去除，由此进行通过所述参数提取部提取出的参数的筛选。
在上述的车间控制辅助装置中，所述多个分段可以包含：第1分段和在所述车间中的工序的流程中比所述第1分段靠上游的第2分段。所述分段选择部可以在对所述第1分段进行选择之后，对所述第2分段进行选择。
在上述的车间控制辅助装置中，所述多个分段可以包含：第1分段和在所述车间中的工序的流程中比所述第1分段靠上游的第2分段。所述分段选择部可以在对所述第1分段进行选择之后，对所述第2分段进行选择。在通过所述分段选择部将所述第1分段选择出的情况下通过所述参数分类部分类的所述分段外的可变参数，可以是在将所述第2分段选择出的情况下通过所述参数分类部分类的所述分段外的固定参数。
本发明的第2方式的通过计算机实现的车间控制辅助方法，可以从在车间内定义出的多个分段中，对进行学习的一个分段进行选择，该学习是求出表示运转状态的至少1个参数的最佳值，对在所述学习中使用的收益函数进行定义，基于在所述车间中使用的仪器的输入输出信息、及表示选择出的所述分段所包含的仪器的结构的分段信息，对选择出的所述分段中的成为所述学习的对象的至少1个参数进行提取，基于所述收益函数及提取出的所述至少1个参数，针对每个所述分段进行求出表示所述运转状态的所述至少1个参数的最佳值的学习。
上述的车间控制辅助方法还可以包含：基于所述分段信息及所述输入输出信息，将提取出的所述参数分类为选择出的所述分段内的可变参数、选择出的所述分段内的监视器参数、选择出的所述分段外的可变参数、或者选择出的所述分段外的固定参数。所述学习可以包含基于分类的所述参数进行学习。
在上述的车间控制辅助方法中，所述学习可以包含基于关联模型的学习，该关联模型表示基于所述分段信息的所述参数之间的相关。
在上述的车间控制辅助方法中，所述分段的选择可以包含：对应于所述车间中的工序的流程，依次对在所述车间内定义出的所述多个分段进行选择
上述的车间控制辅助方法，还可以包含：基于通过针对每个所述分段进行的所述学习而分别决定出的参数，进行针对所述车间的整体而用于所述参数的最优化的学习。
本发明的第3方式的记录介质可以记录有车间控制辅助程序，该车间控制辅助程序使计算机进行下述动作：从在车间内定义出的多个分段中，对进行学习的一个分段进行选择，该学习是求出表示运转状态的至少1个参数的最佳值，对在所述学习中使用的收益函数进行定义，基于在所述车间中使用的仪器的输入输出信息、及表示选择出的所述分段所包含的仪器的结构的分段信息，对选择出的所述分段中的成为所述学习的对象的至少1个参数进行提取，基于所述收益函数及提取出的所述至少1个参数，针对每个所述分段进行求出表示所述运转状态的所述至少1个参数的最佳值的学习。
发明的效果
根据本发明的一个方式，能够容易地以更短时间使求出表示车间的运转状态的参数的最佳值的学习收敛。
附图说明
图1是表示使用本发明的第1实施方式所涉及的车间控制辅助装置的车间的结构的概略图。
图2是表示本发明的第1实施方式所涉及的车间控制辅助装置的硬件结构的框图。
图3是表示本发明的第1实施方式所涉及的车间控制辅助装置的软件结构的框图。
图4是表示本发明的第1实施方式所涉及的车间控制辅助装置的动作的流程图。
图5是表示本发明的第1实施方式所涉及的车间控制辅助装置使用的I/O图的结构的图。
图6是表示本发明的第1实施方式所涉及的车间控制辅助装置使用的报警设定定义数据的结构的图。
图7是表示通过本发明的第1实施方式所涉及的车间控制辅助装置实现的参数的学习的概略图。
图8是用于对通过发明的第1实施方式所涉及的车间控制辅助装置实现的分段选择进行说明的图。
图9是用于对通过发明的第1实施方式所涉及的车间控制辅助装置实现的分段选择进行说明的图。
图10是用于对通过发明的第1实施方式所涉及的车间控制辅助装置实现的分段选择进行说明的图。
图11是表示本发明的第1实施方式所涉及的车间控制辅助装置1进行控制的车间仪器的分段的一个例子的图。
图12是表示本发明的第1实施方式所涉及的车间控制辅助装置1进行控制的车间仪器的分段的一个例子的图。
具体实施方式
＜第1实施方式＞
[车间的概要]
下面，参照附图，对使用车间控制辅助装置的车间的结构的一个例子进行说明。图1是表示使用本发明的第1实施方式所涉及的车间控制辅助装置1的车间100的结构的概略图。
如图所示，车间100具有车间控制辅助装置1、基干业务系统2、制造执行系统3、运转控制装置4、操作面板5、保养仪器6、现场操作者终端7、车间仪器P0。
车间仪器P0生成规定的生成物(最终成果物)。在图1中例示的车间仪器P0，是从原料盐水生成氢气、氯气的车间仪器。如图所示，车间仪器P0具有包含监视器M1～监视器M5及阀V1～阀V8在内的各种仪器。
监视器M1～监视器M5是例如将压差计、温度计或者流量计等的物理量(压力、温度、或者流量等)的信号输入至运转控制装置4的输入仪器。监视器M1是对由车间仪器P0生成的最终成果物的1个(氢气)的收获量进行测定的测定装置。在本实施方式中，车间100设为被进行控制以使得由监视器M1测定的生成物的收获量成为目标收获量的车间。
阀V1～阀V8是按照来自运转控制装置4的阀开度的指示而进行动作的输出仪器，通过使阀开度变化，从而对材料或者生成物等的流量、压力进行调整。
下面，在车间仪器P0中，将监视器M1～监视器M5及阀V1～阀V8称为“现场仪器”。现场仪器是成为车间控制辅助装置1的控制对象的仪器，车间控制辅助装置1对现场仪器进行控制，由此能够对由车间仪器P0生成的生成物的收获量等进行控制。在下面的说明中，在称为“车间仪器P0”的情况下，设为是车间仪器P0所包含的1个或者多个仪器(包含现场仪器)。
图1所图示出的车间仪器P0的结构作为一个例子而示出。车间仪器P0只要是基于由例如监视器M1～监视器M5等输入仪器测量出的物理量，进行通过例如阀V1～阀V8等输出仪器实现的调整操作，由此进行生成物的收获量等的控制的车间仪器即可，并不限定于图1所示的车间仪器P0的结构。
输入仪器、输出仪器并不限定于上述结构所包含的阀、监视器等。例如，车间仪器P0作为输入仪器，可以包含开关类等仪器。例如，车间仪器P0作为输出仪器，可以包含泵等致动器、加热器等仪器。
基干业务系统2是例如会计处理、生产管理及销售管理等用于对经营资源进行管理的面向过程制造的ERP(Enterprise Resource Planning：经营资源统合)系统。基干业务系统2可以将与车间的运转状态相关的信息作为经营资源的管理信息进行利用。基干业务系统2可以包含对车间的维护、修理的业务信息进行管理的维护管理系统等。基干业务系统2包含例如服务器装置、台式型个人计算机(PC)等通用计算机。
制造执行系统3是例如位于基干业务系统2和运转控制装置4之间的MES(Manufacturing Execution System；制造执行系统)。制造执行系统3对运转控制装置4取得的车间仪器P0的动作状态、作业者的作业状况等进行监视并管理。制造执行系统3与车间控制辅助装置1进行通信，例如，将从基干业务系统2取得的目标收获量等信息向车间控制辅助装置1输出。制造执行系统3从车间控制辅助装置1取得用于使车间仪器P0动作的运转指示。制造执行系统3包含例如服务器装置、台式型PC等通用计算机。
运转控制装置4从监视器M1～监视器M5等输入仪器取得测量值等，或将用于使阀V1～阀V8等输出仪器动作的运转指示输出，由此对现场仪器的动作进行控制。在本实施方式中，从监视器M1～监视器M5向运转控制装置4输入的输入值、从运转控制装置4向阀V1～阀V8等输出的输出值，是将车间的运转状态以数值表示的指标(数值指标)，在车间控制辅助装置1和运转控制装置4之间进行该数值指标的输入输出。运转控制装置4包含例如FA(Factory Automation)计算机、PLC(Programmable Logic Controller)等装置。
操作面板5是由车间的现场操作者对现场仪器的动作状态进行监视，用于对现场仪器进行操作的装置。操作面板5具有例如灯、显示器等显示仪器、或者按钮开关、键盘等操作仪器。例如，接收到从后面记述的车间控制辅助装置1输出的对车间的运转进行指示的运转指示的现场操作者，使用操作面板5的操作仪器对车间仪器P0的现场仪器进行操作。
保养仪器6是现场操作者用于进行现场仪器的保养的仪器。现场仪器的保养是指例如将在现场仪器中设定的仪器信息读出而进行确认的处理、针对现场仪器对新的仪器信息(参数)进行设定的处理、对在现场仪器中设定的仪器信息进行调整或者变更的处理、及在现场仪器中对仪器信息进行设定而执行规定的动作的处理等。
保养仪器6具有在与现场仪器之间使用例如有线通信或者无线通信而进行通信的通信功能。保养仪器6使用通信功能，进行现场仪器的保养。在保养仪器6使用通信功能进行的上述保养中，将与现场仪器进行收发的信息称为“保养信息”。在保养信息中，除了如上所述从现场仪器读出的信息以外，还可以包含现场操作者在保养仪器6中记录的文本信息、图像信息及声音信息等。保养仪器6将保养信息发送至车间控制辅助装置1。保养仪器6是笔记本型或者平板型的计算机、PDA(Personal Digital Assistant；便携信息终端)或者智能手机等。
现场操作者终端7是现场操作者所持的终端装置。现场操作者终端7取得从车间控制辅助装置1输出的对车间的运转进行指示的运转指示。现场操作者终端7通过例如电子邮件、日志，声音通话等通信单元而从车间控制辅助装置1取得运转指示，对现场操作者进行通知。现场操作者终端7是笔记本型或者平板型的计算机、PDA或者智能手机等。
车间控制辅助装置1与制造执行系统3、运转控制装置4、保养仪器6及现场操作者终端7进行通信。车间控制辅助装置1从运转控制装置4及保养仪器6取得现场仪器的状态。车间控制辅助装置1对运转控制装置4或者现场操作者终端7输出运转指示，由此对车间仪器P0进行控制。
车间控制辅助装置1基于在车间中专门的各种数据，例如I/O(Input/Output；输入输出)图、分段图、报警设定定义数据及参数暂定初始值数据等，关于车间仪器P0所具有的现场仪器的参数而进行通过人工智能实现的学习，进行参数值的最优化。
参数是指车间仪器P0内的现场仪器中的仪器信息，例如在现场仪器为传感器的情况下是传感器值、在现场仪器为阀的情况下是表示阀开度等的值。
I/O图(输入输出信息)是指包含车间仪器P0内的现场仪器的列表的数据，且是对现场仪器进行识别的标识符、现场仪器的类别(例如阀、传感器等)及对测量值的单位等进行定义的数据。
分段图(分段信息)是指将在车间仪器P0内铺设的配管的结构、构成车间仪器P0的块(分段)等视觉地图示出的数据。
报警设定定义数据是指例如将传感器的状态判定为异常的传感器值的阈值(上限值及下限值的至少任意者)、及对在判定为异常的情况下产生的报警的重要度等进行定义的数据。
参数暂定初始值数据是指在车间仪器P0正常地动作的情况下，该车间仪器P0的按照设计被预测的表示传感器值、阀开度等的大致的值的数据。
车间控制辅助装置1能够代替(或者协助)板操作者的作业而将运转指示输出，因此能够减少板操作者的人为的错误，能够提高车间的安全性。通过代替或者协助板操作者，从而车间控制辅助装置1能够消除(或者减轻)板操作者的负荷，因此能够减少板操作者的人工费用，减少车间运转的运行成本。
[车间控制辅助装置的硬件结构]
接下来，参照附图，对车间控制辅助装置1的硬件结构的一个例子进行说明。图2是表示本发明的第1实施方式所涉及的车间控制辅助装置1的硬件结构的框图。
如图所示，车间控制辅助装置1具有CPU(Central Processing Unit；中央运算处理装置)11、RAM(Random Access Memory；可读写的存储器)12、ROM(Read Only Memory；读出专用存储器)13、HDD(Hard Disk Drive)14、显示装置15、输入装置16、通信I/F(Interface)17及对这些进行连接的总线19。
车间控制辅助装置1例如包含服务器装置、台式型PC等通用计算机、FA计算机、PLC等装置、笔记本型或者平板型的计算机、PDA或者智能手机等。车间控制辅助装置1代替(或者协助)板操作者的作业。车间控制辅助装置1例如可以设置于板操作者进行监视的监视终端(未图示)的附近。
CPU 11通过执行在RAM 12、ROM 13或者HDD 14中存储的程序，从而进行车间控制辅助装置1的控制。CPU 11执行后面记述的用于实现车间控制辅助装置1的动作的车间控制辅助程序。车间控制辅助程序从例如记录有车间控制辅助程序的记录介质、或者经由网络提供车间控制辅助程序的服务器等取得，安装于HDD 14，以能够从CPU 11进行读出的方式存储于RAM 12。
显示装置15具有显示功能，例如是液晶显示器等装置。显示装置15可以通过头戴型显示器、眼镜型显示器、手表型显示器等各种方式的装置而实现。
输入装置16是具有输入功能的例如键盘或者鼠标等装置。输入装置16也可以是将声音信息输入的传声器、将图像信息输入的照相机等装置。
显示装置15和输入装置16也可以通过具有显示功能和输入功能的例如触摸面板等装置而实现。
通信I/F 17经由有线通信或者无线通信，对与制造执行系统3、运转控制装置4、保养仪器6、现场操作者终端7等其他装置的通信进行控制。通信I/F 17与连接的其他装置进行数据收发、声音通话、或者电子邮件收发等的通信控制。
通信I/F 17可以进行与作为例如ISA(International Society of Automation：国际测量控制学会)的无线通信标准的ISA100、HART(Highway Addressable RemoteTransducer)(注册商标)、BRAIN(注册商标)、FOUNDATION Fieldbus、PROFIBUS等工业仪表专用的通信标准相对应的通信控制。通信I/F 17也可以进行无线LAN通信、有线LAN通信、红外线通信及近距离无线通信等的与通用通信标准相对应的通信控制。
[车间控制辅助装置的软件结构]
接下来，参照附图，对车间控制辅助装置1的软件结构的一个例子进行说明。图3是表示本发明的第1实施方式所涉及的车间控制辅助装置1的软件结构的框图。
如图所示，车间控制辅助装置1包含：运转状态取得部101、用户数据取得部102、分段选择部103、收益函数定义部104、参数提取部105、参数分类部106、参数筛选部107、学习部108、运转指示部109和整体最优化部110。
运转状态取得部101取得车间仪器P0的运转状态。在本实施方式中，车间仪器P0的运转状态由监视器M1～监视器M5的测量值及阀V1～阀V8的阀开度等表示。运转状态取得部101例如针对监视器M1～监视器M5请求测量值的取得而取得测量值，针对阀V1～阀V8请求阀开度的取得而取得阀开度。运转状态取得部101对取得的运转状态进行逐次记录。
用户数据取得部102取得各种用户数据。在这里所谓的用户数据是指上述的I/O图、分段图、报警设定定义数据、参数暂定初始值数据及后面记述的收益函数定义数据等。
分段选择部103从构成车间仪器P0的分段中，对进行学习的分段进行选择，该学习求出表示运转状态的参数的最佳值。在这里所谓的分段是表示车间仪器P0的一部分的范围，例如，将车间仪器P0以控制环的单位划分分段而进行定义。
分段选择部103根据车间仪器P0中的工序的流程，依次对分段进行选择。即，分段选择部103在例如构成车间仪器P0的多个分段中，在该车间仪器P0中的一系列的处理工序中，从作为更下游的工序的分段向作为更上游的工序的分段，依次对相邻的分段进行选择。换言之，分段选择部103在构成车间仪器P0的多个分段中，对作为第1工序的第1分段进行选择，接下来对作为第1分段的上游的第2工序的分段进行选择。
分段选择部103可以是下述结构，即，从作为更上游的工序的分段向作为更下游的工序的分段，依次对相邻的分段进行选择。
关于车间仪器P0的分段划分及分段选择在后面进行详细说明。
收益函数定义部104对在学习中使用的收益·惩罚函数进行定义，该学习求出表示车间仪器P0中的现场仪器的运转状态的参数的最佳值。
关于收益·惩罚函数的定义在后面进行详细说明。
参数提取部105基于与参数相对应的表示现场仪器的输入输出信息的上述的I/O图、及表示现场仪器等的结构、配置的信息(分段信息)的上述的分段图等，对选择出的分段中的成为学习的对象的参数进行提取。
参数分类部106基于I/O图及分段图，将由参数提取部105提取出的参数分类为分段内的可变参数、分段内的监视器参数、分段外的可变参数或者分段外的固定参数。
参数筛选部107基于分段图，对由参数提取部105提取并由参数分类部106分类的参数中的、对将收益·惩罚函数最大化的目的没有作出贡献的参数进行确定而删除(去除)。或者，参数筛选部107进行在学习部108中求出最佳值的参数的优先等级赋予。由此，进行成为学习的对象的参数的筛选。
对将收益·惩罚函数最大化的目的没有作出贡献的参数，是指例如与没有连接于对车间仪器P0的生成物(最终成果物)的收获量进行测量的监视器(即，对该监视器的测量值没有影响或者影响小)的现场仪器相对应的参数。
参数筛选部107基于分段图而生成用于将通过学习部108进行的学习容易收敛的信息(促进收敛的信息)、且表示参数间的相关的关联模型。
参数筛选部107也可以不进行如上述这样的基于分段图而确定出的参数的删除(去除)，或者参数的优先等级赋予，而是针对由参数分类部106分类的全部参数，基于分段图而生成表示生成参数间的相关的关联模型。
学习部108基于收益·惩罚函数，针对每个分段而执行学习，该学习用于求出由参数提取部105提取出的参数的最佳值。学习部108基于由参数筛选部107生成的关联模型，执行参数之间的相关概率的学习。学习部108基于该相关概率，执行用于求出上述的参数的最佳值的学习。
运转指示部109基于通过由学习部108进行的学习而决定出的参数的参数值，输出对车间仪器P0的运转进行指示的运转指示。运转指示部109针对现场仪器或者针对现场操作者，将运转指示输出。例如，运转指示部109对应于在学习部108中决定的阀V1～V8的阀开度，针对运转控制装置4而输出4～20mA的电流值或者数字信号。运转指示部109输出表示通过由学习部108进行的学习而决定出的阀V1～V8的阀开度的运转指示。
运转指示的输出是在规定的定时执行的。例如，针对运转控制装置4的运转指示的输出，是在决定出参数的时刻立即执行的。另一方面，例如，针对现场操作者的运转指示的输出，是以恒定的间隔向现场操作者终端7发送(例如，电子邮件等)而执行的。
运转指示部109针对现场仪器或者现场操作者而输出运转指示，由此车间控制辅助装置1能够减轻(或者消除)板操作者的作业负荷。运转指示部109将运转指示的内容在图2所图示出的显示装置15进行显示，由此可以对板操作者进行通知。
板操作者在判断为通知的运转指示中存在问题的情况下，可以经由输入装置16，针对运转指示部109进行运转指示的变更或者中止的指示。
整体最优化部110基于通过针对每个分段的学习而分别决定出的参数的参数值，执行车间整体的(全部分段的)、求出表示运转状态的参数的整体最佳值的学习。
在图3中，对运转状态取得部101、用户数据取得部102、分段选择部103、收益函数定义部104、参数提取部105、参数分类部106、参数筛选部107、学习部108、运转指示部109及整体最优化部110的各功能通过软件实现的情况进行了说明。但是，上述各功能中的大于或等于1个的功能也可以通过硬件实现。
上述的各功能可以是被分割为多个功能而被实施的结构。上述的各功能中的大于或等于2个的功能可以是集成为1个功能而被实施的结构。
[车间控制辅助装置的动作]
接下来，参照附图，对车间控制辅助装置1的动作的一个例子进行说明。图4是表示本发明的第1实施方式所涉及的车间控制辅助装置1的动作的流程图。
本流程图所示的处理，例如在车间控制辅助装置1的电源接通时开始。
(步骤S001)分段选择部103从构成车间仪器(例如，图1所图示出的车间仪器P0)的多个分段中，将成为求出表示运转状态的参数的最佳值的学习的执行对象的分段选择出1个。然后，向步骤S002进入。
(步骤S002)收益函数定义部104对在求出表示运转状态的参数的最佳值的学习中使用的收益·惩罚函数进行定义。然后，向步骤S003进入。
(步骤S003)参数提取部105基于I/O图及分段图，对在步骤S001中选择出的分段所包含的、成为学习的对象的参数(参数的项目，例如参数名)进行提取。参数提取部105针对提取出的参数而设定参数值(例如，基于参数暂定初始值数据而设定参数值)。然后，向步骤S004进入。
(步骤S004)参数分类部106基于I/O图及分段图，将在步骤S003中提取出的参数分类为“分段内的可变参数”、“分段内的监视器参数”、“分段外的可变参数”或者“分段外的固定参数”。然后，向步骤S005进入。
(步骤S005)参数筛选部107基于分段图，将在步骤S002中定义出的收益·惩罚函数的最大化中不有效的参数删除(去除)，由此筛选出有效的参数。或者，参数筛选部107在学习部108中进行求出最佳值的参数的优先等级赋予，进一步提高有效的参数的优先等级。参数筛选部107基于分段图，生成成为用于使由学习部108进行的学习容易收敛的信息的、表示参数间的相关的关联模型。然后，向步骤S006进入。
(步骤S006)学习部108取得在步骤S002中定义出的收益·惩罚函数、在步骤S004中分类并在步骤S005中筛选出的参数的参数名、该参数各自的(在步骤S003中所设定的)参数值、在步骤S005中生成的关联模型。而且，学习部108使用上述取得的信息，进行用于求出表示运转状态的参数的最佳值的、通过人工智能实现的强化学习。然后，向步骤S007进入。
(步骤S007)针对车间仪器的全部分段，在求出表示运转状态的参数的最佳值的学习完成的情况下，向步骤S008进入。在没有完成的情况下，向步骤S001返回。
(步骤S008)整体最优化部110使用通过步骤S006中的学习而决定出的参数的参数值而执行学习，该学习求出表示针对车间仪器整体的运转状态的参数的整体最佳值。
以上，本流程图的处理结束。
[I/O图的结构]
接下来，参照附图对I/O图的结构的一个例子进行说明。图5是表示本发明的第1实施方式所涉及的车间控制辅助装置1使用的I/O图的结构的图。
如图所示，本实施方式所涉及的I/O图是包含“仪器ID”、“仪器类别”、“设置场所”、“控制环名”、“I/O类型”、“IOP下限值”、“IOP上限值”、“单位”及“仪器重要度”这9个项目的列的2维的表形式的数据。
“仪器ID”示出对车间仪器P0所包含的现场仪器进行识别的标识符(ID)。
“仪器类别”示出通过仪器ID进行识别的现场仪器的种类。现场仪器的种类是指例如压力计、温度计等监视器及阀等。
“设置场所”示出在车间中，通过仪器ID进行识别的现场仪器所设置的场所。
“控制环名”示出车间仪器P0所包含的控制环中的、包含通过仪器ID进行识别的现场仪器的控制环的名称。在本实施方式中，车间仪器P0以控制环的单位进行分段划分。
“I/O类型”示出通过仪器ID进行识别的现场仪器是将参数值向车间控制辅助装置1输入的输入装置(例如监视器)，或者取得从车间控制辅助装置1输出的参数值而动作的输出装置(例如阀等的操作)。
“IOP(Input/Output Processor；输入输出处理器)下限值”示出通过仪器ID进行识别的现场仪器的参数值(例如，监视器值)判定为异常的下限的阈值。即，在现场仪器的参数值低于该IOP下限值的情况下，基于规定的条件而发出规定的报警。
“IOP上限值”示出通过仪器ID进行识别的现场仪器的参数值(例如，监视器值)判定为异常的上限的阈值。即，在现场仪器的参数值超过该IOP上限值的情况下，基于规定的条件而发出规定的报警。
“单位”示出通过仪器ID进行识别的现场仪器的参数值(例如，监视器值或者阀开度)的单位。在现场仪器为压力计的情况下，单位为例如“hPa(hectopascal；百帕)”等。在现场仪器为温度计的情况下，单位为例如“℃(摄氏度)”等。在现场仪器为阀的情况下，单位为例如“％(百分比)”(表示相对于最大开度的比例)。
“仪器重要度”示出通过仪器ID进行识别的现场仪器的重要度。基于该重要度，对后面记述的报警重要度进行设定，该报警重要度反映在后面记述的惩罚函数的定义中。
仪器重要度是根据例如仪器的参数的向车间仪器P0、各分段的收获量的影响程度，或者车间仪器P0、各分段停止的可能性的影响程度而设定的。
[报警设定定义数据的结构]
接下来，参照附图，对报警设定定义数据的结构的一个例子进行说明。图6是表示本发明的第1实施方式所涉及的车间控制辅助装置1使用的报警设定定义数据的结构的图。如图6所图示的那样，本实施方式所涉及的报警设定定义数据是2维的表形式的数据，定义有对应于在图5所图示出的I/O图中定义出的“仪器重要度”和“控制环”而决定的报警的重要度。
报警的重要度例如针对每个控制环，向车间仪器P0、各分段的收获量的影响程度，或者车间仪器P0、各分段停止的可能性的影响程度不同，因此在仪器重要度的基础上，还考虑包含仪器的控制环的重要度而进行定义。
例如，在图5所图示出的I/O图中，包含“仪器ID”为“P1234”的现场仪器的控制环的控制环名为“环1”，“仪器ID”为“P1234”的现场仪器的“仪器重要度”为“低”。在图6所图示的报警设定定义数据中，在“控制环名”为“环1”，且“仪器重要度”为“低”的情况下，报警重要度为“低”。由此，车间控制辅助装置1能够识别出“仪器ID”为“P1234”且“环1”所包含的现场仪器中的报警重要度为“低”。
同样地，例如，在图5所图示出的I/O图中，包含“仪器ID”为“P1245”的现场仪器的控制环的控制环名为“环4”，“仪器ID”为“P1245”的现场仪器的“仪器重要度”为“高”。在图6所图示的报警设定定义数据中，在“控制环名”为“环4”，且“仪器重要度”为“高”的情况下，报警重要度为“中”。由此，车间控制辅助装置1能够识别出“仪器ID”为“P1245”且“环4”所包含的现场仪器中的报警重要度为“中”。
在图6所图示的报警设定定义数据中，在例如“控制环名”为“环3”，且“仪器重要度”为“低”的情况下，报警重要度成为“非显示”。在某现场仪器中的报警重要度成为“非显示”的情况下，关于该现场仪器的报警，收益函数定义部104在收益·惩罚函数的定义中不包含于惩罚函数。
[求出表示运转状态的参数的最佳值的学习]
接下来，参照附图，对求出表示运转状态的参数的最佳值的学习的处理进行更详细的说明。图7是表示通过本发明的第1实施方式所涉及的车间控制辅助装置1实现的参数的学习的概略图。
如图所示，通过本实施方式所涉及的车间控制辅助装置1实现的参数的学习，是通过表示该学习中的处理的处理pr1～处理pr7、表示被用户(系统管理者、操作者等)赋予的信息的用户数据ud1～用户数据ud5、通过处理pr1～处理pr7生成的计算数据cd1～cd7及车间控制辅助装置1的电源pw而执行的。
本实施方式所涉及的车间仪器(例如，图1所图示出的车间仪器P0)包含多个分段。分段如上所述，表示车间仪器的一部分的范围。在本实施方式中，分段是将车间仪器通过以控制环的单位进行分段划分而定义的。
分段可以通过用户(系统管理者、操作者等)进行定义，也可以通过计算机程序(例如，根据I/O及分段图等对控制环进行识别，以控制环单位对车间仪器进行分段划分)进行定义。
如图7所图示的那样，首先，如果车间控制辅助装置1的电源pw接通，则分段选择部103执行从构成车间仪器(例如，图1所图示出的车间仪器P0)的多个分段中，将成为求出表示运转状态的参数的最佳值的学习的执行对象的分段选择出1个的处理pr1。
在初次的选择时，由用户对指定的分段进行选择。例如，通过用户(板操作者)经由图2所图示出的输入装置16而进行输入，或者用户(现场操作者)经由图1所图示出的现场操作者终端7而进行输入，从而对分段进行指定。
在本实施方式中在初次时选择的分段，是包含对车间仪器P0的生成物(最终成果物)的收获量进行测量的监视器的分段。例如，在初次时被选择的分段，是在图1所图示的车间仪器P0中，包含对最终成果物即“氢气”的收获量进行测量的监视器M1的分段。
如果对分段进行了选择，则收益函数定义部104执行对在求出表示运转状态的参数的最佳值的学习中使用的收益·惩罚函数进行定义的处理pr2。
收益·惩罚函数是指收益函数和惩罚函数组合得到的函数。
收益函数定义部104将通过处理pr2定义出的收益·惩罚函数向学习部108输出。
收益函数是指在成为最优化的对象的车间仪器中对将何者最优化(例如，是将成果物的收获量最大化，还是将成果物的品质变得最良好，或者将车间操作的稳定度(安全度)变得最高)进行定义的函数。
收益函数由用户预先定义于用户数据ud3(收益函数定义数据)。例如，通过用户(板操作者)经由图2所图示出的输入装置16进行输入，或者用户(现场操作者)经由图1所图示出的现场操作者终端7进行输入，从而在用户数据ud3(收益函数定义数据)中对收益函数进行定义。
例如，通过将m1、m2设为成果物的收获量的测量值，将a1设为报警的值，从而例如能够将使成果物的收获量最大化的收益函数定义为“Max(m1)”，或者将使成果物的品质变得最良好的收益函数定义为“m1/m2＝50％”，或者将使车间的操作的稳定度(安全度)变得最高的收益函数定义为“10＜m1＜20、a1＝0”。
车间控制辅助装置1可以以将多个收益的组合作为1个收益函数而对该多个收益的组合进行最优化的方式执行学习。例如，通过将收益函数定义为“m1+1/(m1/m2－50％)”，从而能够对使m1最大(收获量最大)，并使m1/m2最接近50％的状态(品质最良好)为最良好的状态的收益函数进行定义。
惩罚函数是指用于与发出报警(报警的值)相对应地对收益函数的值进行减法运算的函数。惩罚函数是根据用户数据ud2(报警设定定义数据)自动或者半自动地创建的。
例如，报警的值a1～a3在用户数据ud2(报警设定定义数据)中进行了定义，a1设为“(报警优先级)高”，a2设为“(报警优先级)中”、及a3设为“(报警优先级)低”。在该情况下，例如，通过将惩罚函数定义为“－a1＊100－a2＊10－a3＊1”，从而能够定义以报警优先级越高则越多地对收益函数进行减法运算的方式赋予权重的惩罚函数。
收益函数定义部104通过使上述的收益函数和惩罚函数进行组合，从而例如将收益·惩罚函数F(x)定义为“F(x)＝m1+/(m1/m2－50％)－a1＊100－a2＊10－a3＊1”。
如果收益·惩罚函数决定，则参数提取部105执行对(在处理pr1中)选择出的分段所包含的成为学习的对象的参数进行提取的处理pr3。参数是基于用户数据ud1(分段图)及用户数据ud4(I/O图)所包含的“控制环名”、“设置场所”等信息进行提取的。参数的提取可以由用户(系统管理者、操作者等)进行。
在初次时，参数提取部105从用户数据ud5(参数暂定初始值数据)取得针对提取出的参数而预先设定的参数暂定初始值。
如果参数被提取，取得了提取出的参数的参数暂定初始值，则参数提取部105将该参数的列表和各个参数的参数暂定初始值向参数分类部106输出。
参数分类部106执行基于用户数据ud1(分段图)及用户数据ud4(I/O图)对取得的参数进行分类的处理pr4。
参数分类部106将取得的参数分类为“分段内的可变参数”、“分段内的监视器参数”、“分段外的可变参数”或者“分段外的固定参数”。
“分段内的可变参数”是指存在于分段内的、能够对参数值进行控制的参数。“分段内的可变参数”主要在用户数据ud4(I/O图)中，适于例如示出为“阀”的现场仪器(输出仪器)，但此外也可以包含例如手动阀的仪器。
“分段内的监视器参数”是指存在于分段内的、监视器用的(无法对参数值进行控制的)参数。“分段内的监视器参数”主要在用户数据u4d(I/O图)中，适于例如示出为“温度计”、“压力计”或者“流量计”的现场仪器(输入仪器)。
“分段外的可变参数”及“分段外的固定参数”是指表示与相邻的其他分段的交换的参数。
“分段外的可变参数”是通过对其他分段进行调整而能够对参数值进行控制的参数。在“分段外的可变参数”中存在表示从相邻的其他分段向选择出的分段的输入值的参数、和表示从选择出的分段向相邻的其他分段的输出值的参数。
“分段外的固定参数”是无法对参数值进行控制的参数。在“分段外的固定参数”中存在表示从相邻的其他分段向选择出的分段的输入值的参数、从选择出的分段向相邻的其他分段的输出值的参数、或者表示学习的最优化对象即最终成果物的收获量的参数。
关于分段选择和参数的分类，在后面进行详细说明。
如果参数被分类，则参数筛选部107基于分段图，通过将在收益·惩罚函数的最大化中不有效的参数删除(去除)而筛选出有效的参数。或者，参数筛选部107在学习部108中进行求出最佳值的参数的优先等级赋予，进一步提高有效的参数的优先等级。参数筛选部107基于分段图，执行生成成为用于使由学习部108进行的学习容易收敛的信息的、表示参数间的相关的关联模型的处理pr5。
在通过学习部108执行求出表示运转状态的参数的最佳值的学习的情况下，如果通过参数筛选部107实现的参数的筛选、表示参数间的相关的关联模型的生成没有进行，则学习部108必须针对能够对参数值进行控制的全部参数(可变参数)，分别一边使参数值变更一边对最佳值进行探索。
但是，在该情况下，有时能够以比较短的时间求出最佳值，但根据情况，如果可变参数的数量变多，则进行调整的参数值的组合变得庞大，因此有时直至学习收敛为止需要长时间，或者学习不会收敛，或者局部最佳地收敛。因此，参数筛选部107如上所述，执行将在收益·惩罚函数的最大化中不有效的参数删除(去除)(或者，在学习部108中进行求出最佳值的参数的优先等级赋予)而筛选出有效的参数，生成表示参数间的相关的关联模型的处理pr5，将筛选出的参数和生成的关联模型向学习部108输出。
关于通过关联模型实现的参数间的相关概率计算，在后面进行详细说明。
学习部108从参数筛选部107取得计算数据cd1～计算数据cd4(计算数据cd1～计算数据cd3也能够从参数分类部106取得)。而且，学习部108使用这些取得的数据和从收益函数定义部104取得的收益·惩罚函数，执行进行通过人工智能实现的强化学习的处理pr6。在这里，计算数据cd1是分段内的可变参数名和参数值。计算数据cd2是分段内的监视器参数名和参数值。计算数据cd3是分段外的可变参数名及固定参数名和各自的参数值。计算数据cd4是表示参数间的相关的关联模型。
通过人工智能实现的强化学习是使用已有的技术进行的。学习部108基于计算数据cd1～计算数据cd4，进行一边使分段内及分段外的可变参数的参数值变更、一边学习的处理，对该参数值进行最优化。
如果通过学习部108而最初选择出的分段中的参数的参数值的最优化完成，则学习部108将计算数据cd5～计算数据cd7向参数提取部105输出。在这里，计算数据cd5是分段内的可变参数的最佳值(最优化后的参数值)。计算数据cd6是分段外的可变参数的输出最佳值(向分段外输出的现场仪器的可变参数的最佳值)。计算数据cd7是分段外的可变参数的输入最佳值(从分段外输入的现场仪器的可变参数的最佳值)。
如果通过学习部108而最初选择出的分段中的参数的参数值的最优化完成，则分段选择部103再次执行将与在上述中最初选择出的分段相邻的分段(即，作为在车间仪器P0中上游一个阶段的工序的分段)选择出1个的处理pr1。
如果分段被选择，则收益函数定义部104再次执行对在求出表示运转状态的参数的最佳值的学习中使用的收益·惩罚函数进行决定的处理pr2。
如果决定出收益·惩罚函数，则参数提取部105再次执行对(在处理pr1中)选择出的分段所包含的、成为学习的对象的参数进行提取的处理pr3。
如果参数被提取，取得了提取出的参数的参数值，则参数提取部105将该参数的列表和各自参数的参数值向参数分类部106输出。参数分类部106再次执行基于用户数据ud1(分段图)及用户数据ud4(I/O图)对取得的参数进行分类的处理pr4。
参数分类部106将取得的参数分类为“分段内的可变参数”、“分段内的监视器参数”、“分段外的可变参数”或者“分段外的固定参数”。
与在前次(在这里是初次)选择出的分段中的学习时最优化后的“分段外的可变参数”相对应的参数，分类为本次选择出的分段中的学习中的“分段外的固定参数”。即，在本次分段中的学习中，以满足在前次选择出的相邻的分段的学习中最优化后的参数的参数值为条件，通过学习部108对可变参数的参数值进行最优化。
如果参数被分类，则参数筛选部107基于分段图，将在收益·惩罚函数的最大化中不有效的参数删除(去除)，由此筛选出有效的参数。或者，参数筛选部107进行在学习部108中求出最佳值的参数的优先等级赋予，进一步提高有效的参数的优先等级。参数筛选部107基于分段图，再次执行生成成为用于将通过学习部108进行的学习容易收敛的信息的、表示参数间的相关的关联模型的处理pr5。
学习部108如果从参数筛选部107取得计算数据cd1～计算数据cd4，则使用这些取得的数据，再次执行进行通过人工智能实现的强化学习的处理pr6。
如果通过学习部108选择出的分段中的可变参数的参数值的最优化完成，则学习部108将计算数据cd5～计算数据cd7向参数提取部105输出。
如上所述，直至针对车间仪器所包含的全部分段执行学习为止，重复上述的处理p1～处理p6。
如果针对全部分段而各自的学习执行完成，则整体最优化部110使用通过该学习而决定出的参数的参数值，执行求出表示针对车间仪器整体的运转状态的参数的整体最佳值的学习的处理pr7。
如上所述，如果可变参数的数量变多，则进行调整的参数值的组合成为庞大的数量，因此有时直至学习收敛为止需要长时间，或者学习不会收敛，或者局部最佳地收敛。
但是，本实施方式所涉及的车间控制辅助装置1，首先将车间仪器进行分段划分，针对每个分段分别实现参数的参数值的最优化。然后，车间控制辅助装置1将针对每个分段最优化后的参数的参数值设定为各个参数的初始值，本次针对包含全部分段的车间仪器整体，进行参数的参数值的整体最优化。由此，能够将针对每个分段已经进行了部分最优化的参数值作为参数暂定初始值而进行学习，因此本实施方式所涉及的车间控制辅助装置1能够使求出表示针对车间仪器整体的运转状态的参数的整体最佳值的学习以更短时间变得容易收敛。
[分段选择]
接下来，参照附图对分段选择进行说明。图8～图10是用于对通过本发明的第1实施方式所涉及的车间控制辅助装置1实现的分段选择进行说明的图。图8～图10均示出图1所图示出的车间100中的车间仪器P0的结构。下面，以图1所图示出的车间仪器P0为例，对分段选择进行说明。
如上所述，分段选择部103例如以控制环的单位对车间仪器P0进行分段划分。
首先，分段选择部103将图8所图示的分段SG1的范围作为进行最优化的最初的分段而选择。分段SG1是下述控制环，即，通过对阀V1及阀V2的阀开度进行调整，从而进行车间仪器P0的最终成果物的收获量(即，监视器M1的监视器值)、表示从相邻的其他分段向分段SG1的输入的分段外的可变参数即监视器M2的监视器值、及表示从分段SG1向相邻的其他分段的输出的分段外的可变参数即监视器M3的监视器值的控制。
学习部108分别使分段内的可变参数即阀V1及阀V2的阀开度、及分段外的可变参数即监视器M2及监视器M3的监视器值变更，以使得将对最终成果物的收获量进行测量的监视器M1的监视器值最大化。学习部108如果使将监视器M1的监视器值最大化的分段内的可变参数的参数值(阀开度)及分段外的可变参数的参数值(监视器值)的探索完成，则使各个参数值存储于存储区域(例如，RAM 12)。
接下来，分段选择部103将图9所图示的分段SG2的范围作为进行最优化的下一个分段而选择。在分段SG1中的学习中，分段外的可变参数即监视器M2及监视器M3在分段SG2中的学习中成为分段外的固定参数。即，学习部108使分段内的可变参数即阀V3的参数值(阀开度)、及分段外的可变参数即监视器M4的参数值(监视器值)变化，以使得成为分段SG1中的通过学习探索出的监视器M2及监视器M3的参数值(监视器值)。
分段SG2是下述控制环，即，通过对阀V3的参数值(阀开度)进行调整，从而进行表示从分段SG2向分段SG1的输出的分段外的固定参数即监视器M2的参数值(监视器值)、表示从分段SG1向分段SG2的输入的分段外的固定参数即监视器M3的参数值(监视器值)、及表示从相邻的其他分段向分段SG2的输入的分段外的可变参数即监视器M4的参数值(监视器值)的控制。
学习部108如果使分段内的可变参数即阀V3的参数值(阀开度)、及分段外的可变参数即监视器M4的参数值(监视器值)的探索完成，则使各个参数值存储于存储区域(例如，RAM 12)。
接下来，分段选择部103将图10所图示的分段SG3的范围作为进行最优化的下一个分段而选择。在分段SG2中的学习中，分段外的可变参数即监视器M4，在分段SG3中的学习中成为分段外的固定参数。即，学习部108使分段内的可变参数即阀V4～阀V8的参数值(阀开度)、及分段外的可变参数即监视器M5的参数值(监视器值)变化，以使得成为通过分段SG2中的学习而探索出的监视器M4的参数值(监视器值)。
分段SG3是下述控制环，即，通过对阀V4～阀V8的参数值(阀开度)进行调整，从而进行表示从分段SG3向分段SG2的输出的分段外的固定参数即监视器M4的参数值(监视器值)、及表示从相邻的其他分段向分段SG3的输入的分段外的可变参数即监视器M5的参数值(监视器值)的控制。
学习部108如果使分段内的可变参数即阀V4～阀V8的参数值(阀开度)、及分段外的可变参数即监视器M5的参数值(监视器值)的探索完成，则使各个参数值存储于存储区域(例如，RAM 12)。
如上所述，分段选择部103基于I/O图及分段图，将生成车间仪器P0的最终成果物的控制环作为最初进行最优化的分段而选择，然后，基于I/O图及分段图，将选择出的分段的上游一个阶段的工序的分段(控制环)作为接下来进行最优化的分段而依次进行选择。由此，学习部108基于I/O图及分段图，在构成车间仪器P0的多个分段中，能够向该车间仪器P0中的比作为最下游的工序的分段靠上游的分段，依次执行针对每个分段而求出表示运转状态的参数的最佳值的学习。
如果通过学习部108而针对车间仪器P0的全部分段的最优化完成，则整体最优化部110将在上述的处理中存储于存储区域(例如，RAM 12)存储的参数值作为初始值，将车间仪器P0整体作为对象，执行求出表示运转状态的参数的整体最佳值的学习。
[参数间的相关概率计算]
接下来，参照附图对参数间的相关概率计算进行说明。图11～图12是表示本发明的第1实施方式所涉及的车间控制辅助装置1进行控制的车间仪器的分段的一个例子的图。
如图11所图示的那样，分段SG4包含监视器M01～监视器M05和阀V01～阀V04。
通常来说，在针对如图11所图示的那样的分段，进行求出表示运转状态的参数的最佳值的学习的情况下，一边使可变参数即阀V01～阀V04的全部参数值(阀开度)变化，一边执行对最佳值进行探索的处理。但是，如上所述，随着可变参数的数量变多，取得的参数值的组合的数量变得庞大，因此有时直至学习收敛为止需要长时间，或者学习不会收敛，或者局部最佳地收敛。
通常来说，在车间的情况下，例如图10所示的图示出分段的分段图预先存在，因此能够根据该分段图，对哪个可变参数的参数值对哪个监视器参数的参数值造成影响(或者，更容易造成影响)进行推定。
例如，基于图11所图示的分段图，例如，在希望使监视器M04的监视器值变化的情况下，能够不仅对阀V03或者阀V04的阀开度进行变更，还由用户(系统管理者、操作者等)对阀V01或者阀V02的阀开度不对监视器M04的监视器值造成影响(或者，影响小)的情况进行推测。
参数筛选部107能够根据图11所图示的分段图，逻辑性地创建如图12所图示的表示参数间的相关的关联模型。
图12所图示的关联模型的各节点分别相当于图11所示的现场仪器。即，例如，节点“M01”相当于监视器M01，节点“V01”相当于阀V01。而且，针对将各个节点间连结的实线所赋予的p1～p10表示与各个节点相对应的参数(即，监视器值、阀开度)间的相关概率。
参数筛选部107将关联模型向学习部108输出。学习部108使用关联模型进行通过人工智能实现的学习，如果使哪个阀的阀开度可变，则对监视器的监视器值更大幅地变动的可能性是否高等进行学习，对参数的相关概率(贝叶斯概率)进行计算。
例如，如图12所示，关于监视器M01的监视器值针对监视器M05的监视器值造成多大影响，能够通过P0501＝(P7＊P3+P8＊P4)＊P1进行计算。例如，关于监视器M03的监视器值针对监视器M05的监视器值造成多大影响，能够通过P0503＝P1进行计算。由此，可知成为P0501≤P0503，因此能够识别到与使监视器M01变化相比，使监视器M03变化而使监视器M05变化的概率更高。(P1～P10的初始值全部为1，但在进行学习的阶段逐渐变化为实际的值)。
如上所述，本实施方式所涉及的车间控制辅助装置1为了针对监视器参数的参数值而引起所需的变化，能够从分段图而取得使哪个可变参数的参数值变化是更有效(概率更高)的信息。由此，车间控制辅助装置1能够使求出表示运转状态的参数的最佳值的学习以更短时间收敛，或者以不成为局部最佳的方式收敛。
如以上说明所述，本实施方式所涉及的车间控制辅助装置1，将通常在车间的设计时必须存在的信息，作为人工智能所涉及的学习的输入数据(参数)而自动或者半自动地设定，执行学习。在这里所谓的必须存在的信息是指如上所述I/O图、分段图、报警设定定义数据及参数暂定初始值数据等。
由此，本实施方式所涉及的车间控制辅助装置1，无论车间是已设的车间或者是新设的车间、无论车间的领域如何，都能够针对多种多样的种类的车间而应用。
如以上说明所述，本实施方式所涉及的车间控制辅助装置1，基于分段图、I/O图而对车间仪器进行分段化，针对每个分段而执行求出表示运转状态的参数的最佳值的学习。车间控制辅助装置1基于分段图所示的车间内的现场仪器的结构信息，能够将成为学习的对象的参数的数量削减，或者将通过概率表示参数的有效度、关联性的信息用于学习。由此，本实施方式所涉及的车间控制辅助装置1，能够以更短时间使学习容易收敛。
通常在通过人工智能对车间进行控制的情况下，对车间整体同时进行控制大多是困难的，但根据本实施方式所涉及的车间控制辅助装置1，通过针对每个分段进行控制，从而能够对车间整体进行控制。
＜第2实施方式＞
在第1实施方式中，针对具有DCS的功能的车间控制辅助装置，具有执行通过人工智能实现的学习的功能，车间控制辅助装置执行了求出表示现场仪器的运转状态的参数的最佳值的学习。由此，车间控制辅助装置能够基于学习的收敛结果对现场仪器的参数进行调整，对车间进行自动控制。
另一方面，在第2实施方式中，针对车间模拟器，具有执行通过人工智能实现的学习的功能。由此，车间模拟器例如将车间中的故障发生时的状态设定为参数暂定初始值，能够对实际的车间仪器的动作进行模拟(执行仿真)。
由此，车间模拟器能够进行针对故障发生的最佳的(例如，以最短时间的)恢复顺序的发现。
由此，本实施方式所涉及的车间模拟器能够在实际车间上应用在学习的过程中设定的参数的参数值前，事先在车间模拟器中安全地进行模拟(仿真)。根据本实施方式，能够提供下述机制，即，在车间模拟器上确认到车间仪器的稳定的动作后，将作为学习结果的参数的参数值在实际车间上进行应用。
在车间模拟器中，也能够将时间的标度自由地设定(例如，设定为2倍速或者10倍速等)。通常来说，在通过由人工智能实现的强化学习而进行参数值的最优化的情况下，需要考虑针对参数值的变更而系统进行反应为止的时滞。但是，根据本实施方式，能够一边观察系统的稳定，一边将时间的标度自由地变更，因此即使是伴随长时间的时滞的车间的控制，也能够以更短时间执行仿真。
可以将上述的实施方式中的车间100及车间控制辅助装置1的一部分或者全部通过计算机实现。在该情况下，可以将用于实现该控制功能的程序记录于计算机可读取的记录介质，使在该记录介质中记录的程序由计算机系统读入并执行而实现。
在这里所谓的“计算机系统”是指在车间100及车间控制辅助装置1中内置的计算机系统，包含OS、周边仪器等的硬件。“计算机可读取的记录介质”是指软盘、光磁盘、ROM、CD－ROM等移动介质、在计算机系统中内置的硬盘等存储装置。
并且，“计算机可读取的记录介质”是指如成为经由互联网等网络、电话线路等通信线路而发送出程序的情况下的通信线路这样以短时间、动态地对程序进行保持，如成为该情况下的服务器、客户端的计算机系统内部的易失性存储器这样的设备，以一定时间保持有程序。另外，上述程序可以用于实现前述的功能的一部分，并且也可以能够通过与将前述的功能已经记录于计算机系统的程序的组合而实现。
可以将上述的实施方式中的车间100及车间控制辅助装置1的一部分或者全部作为LSI(Large Scale Integration)等集成电路而实现。车间100及车间控制辅助装置1的各功能块可以单独地处理器化，也可以将一部分或者全部集成而处理器化。集成电路化的方法并不限定于LSI，也可以通过专用电路或者通用处理器而实现。在由于半导体技术的进步而出现代替LSI的集成电路化的技术的情况下，可以使用通过该技术得到的集成电路。

Claims (15)

1.一种车间控制辅助装置，其具有：
分段选择部，其从在车间内定义出的多个分段中，对进行学习的一个分段进行选择，该学习是求出表示运转状态的至少1个参数的最佳值；
收益函数定义部，其对在所述学习中使用的收益函数进行定义；
参数提取部，其基于在所述车间中使用的仪器的输入输出信息、及表示选择出的所述分段所包含的仪器的结构的分段信息，对选择出的所述分段中的成为所述学习的对象的至少1个参数进行提取；以及
学习部，其基于所述收益函数及提取出的所述至少1个参数，针对每个所述分段进行求出表示所述运转状态的所述至少1个参数的最佳值的学习。
2.根据权利要求1所述的车间控制辅助装置，其中，
还具有参数分类部，该参数分类部基于所述分段信息及所述输入输出信息，将通过所述参数提取部提取出的所述参数分类为选择出的所述分段内的可变参数、选择出的所述分段内的监视器参数、选择出的所述分段外的可变参数、或者选择出的所述分段外的固定参数，
所述学习部基于通过所述参数分类部分类的所述参数而进行所述学习。
3.根据权利要求2所述的车间控制辅助装置，其中，
所述学习部基于关联模型而进行所述学习，该关联模型表示基于所述分段信息的所述参数之间的相关。
4.根据权利要求1至3中任一项所述的车间控制辅助装置，其中，
所述分段选择部对应于所述车间中的工序的流程，依次对在所述车间内定义出的所述多个分段进行选择。
5.根据权利要求1至3中任一项所述的车间控制辅助装置，其中，
还具有整体最优化部，该整体最优化部基于通过针对每个所述分段进行的所述学习而分别决定出的参数，进行针对所述车间的整体而用于所述参数的最优化的学习。
6.根据权利要求1至3中任一项所述的车间控制辅助装置，其中，
所述收益函数定义部对惩罚函数进行定义，该惩罚函数是用于与基于在所述车间中发生的报警的值相对应地对所述收益函数的值进行减法运算的函数，
所述学习部基于所述惩罚函数，针对每个所述分段进行所述学习。
7.根据权利要求1至3中任一项所述的车间控制辅助装置，其中，
还具有参数筛选部，该参数筛选部基于所述分段信息确定对将所述收益函数最大化的目的没有作出贡献的参数，将确定出的参数从通过所述参数提取部提取出的参数去除，由此进行通过所述参数提取部提取出的参数的筛选。
8.根据权利要求1至3中任一项所述的车间控制辅助装置，其中，
所述多个分段包含第1分段和在所述车间中的工序的流程中比所述第1分段靠上游的第2分段，
所述分段选择部在对所述第1分段进行选择之后，对所述第2分段进行选择。
9.根据权利要求2所述的车间控制辅助装置，其中，
所述多个分段包含第1分段和在所述车间中的工序的流程中比所述第1分段靠上游的第2分段，
所述分段选择部在对所述第1分段进行选择之后，对所述第2分段进行选择，
在通过所述分段选择部将所述第1分段选择出的情况下通过所述参数分类部分类的所述分段外的可变参数，是在将所述第2分段选择出的情况下通过所述参数分类部分类的所述分段外的固定参数。
10.一种车间控制辅助方法，其是通过计算机实现的，
在该车间控制辅助方法中，
从在车间内定义出的多个分段中，对进行学习的一个分段进行选择，该学习是求出表示运转状态的至少1个参数的最佳值，
对在所述学习中使用的收益函数进行定义，
基于在所述车间中使用的仪器的输入输出信息、及表示选择出的所述分段所包含的仪器的结构的分段信息，对选择出的所述分段中的成为所述学习的对象的至少1个参数进行提取，
基于所述收益函数及提取出的所述至少1个参数，针对每个所述分段进行求出表示所述运转状态的所述至少1个参数的最佳值的学习。
11.根据权利要求10所述的车间控制辅助方法，其中，
还包含：基于所述分段信息及所述输入输出信息，将提取出的所述参数分类为选择出的所述分段内的可变参数、选择出的所述分段内的监视器参数、选择出的所述分段外的可变参数、或者选择出的所述分段外的固定参数，
所述学习包含基于分类的所述参数进行学习。
12.根据权利要求11所述的车间控制辅助方法，其中，
所述学习包含基于关联模型的学习，该关联模型表示基于所述分段信息的所述参数之间的相关。
13.根据权利要求10至12中任一项所述的车间控制辅助方法，其中，
所述分段的选择包含：对应于所述车间中的工序的流程，依次对在所述车间内定义出的所述多个分段进行选择。
14.根据权利要求10至12中任一项所述的车间控制辅助方法，其中，
还包含：基于通过针对每个所述分段进行的所述学习而分别决定出的参数，进行针对所述车间的整体而用于所述参数的最优化的学习。
15.一种记录介质，其记录有车间控制辅助程序，该车间控制辅助程序使计算机进行下述动作：
从在车间内定义出的多个分段中，对进行学习的一个分段进行选择，该学习是求出表示运转状态的至少1个参数的最佳值，
对在所述学习中使用的收益函数进行定义，
基于在所述车间中使用的仪器的输入输出信息、及表示选择出的所述分段所包含的仪器的结构的分段信息，对选择出的所述分段中的成为所述学习的对象的至少1个参数进行提取，
基于所述收益函数及提取出的所述至少1个参数，针对每个所述分段进行求出表示所述运转状态的所述至少1个参数的最佳值的学习。
CN201810756313.8A 2017-07-13 2018-07-11 车间控制辅助装置、车间控制辅助方法及记录介质 Active CN109254575B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017136899A JP6939162B2 (ja) 2017-07-13 2017-07-13 プラント制御支援装置、プラント制御支援方法、プラント制御支援プログラム及び記録媒体
JP2017-136899 2017-07-13

Publications (2)

Publication Number Publication Date
CN109254575A true CN109254575A (zh) 2019-01-22
CN109254575B CN109254575B (zh) 2023-04-25

Family

ID=62916554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810756313.8A Active CN109254575B (zh) 2017-07-13 2018-07-11 车间控制辅助装置、车间控制辅助方法及记录介质

Country Status (4)

Country Link
US (1) US11442416B2 (zh)
EP (1) EP3428744B1 (zh)
JP (1) JP6939162B2 (zh)
CN (1) CN109254575B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033815A (zh) * 2021-02-07 2021-06-25 广州杰赛科技股份有限公司 一种阀门智能协作控制方法、装置、设备及存储介质
CN116724276A (zh) * 2021-03-18 2023-09-08 三菱电机株式会社 运转改善辅助程序、运转改善辅助装置及运转改善辅助方法

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3654123B1 (en) * 2018-11-14 2022-02-16 ABB Schweiz AG Method of comissioning a field device in an industrial system network
WO2020225883A1 (ja) * 2019-05-08 2020-11-12 三菱電機株式会社 工程管理装置、工程管理方法および工程管理プログラム
US20220197230A1 (en) * 2019-05-22 2022-06-23 Nec Corporation Operation rule determination device, operation rule determination method, and recording medium
US11676064B2 (en) * 2019-08-16 2023-06-13 Mitsubishi Electric Research Laboratories, Inc. Constraint adaptor for reinforcement learning control
JP7181849B2 (ja) * 2019-10-31 2022-12-01 横河電機株式会社 装置、方法およびプログラム
US20230097885A1 (en) * 2021-09-24 2023-03-30 Rockwell Automation Technologies, Inc. Machine learning models for asset optimization within industrial automation environments
US20230126567A1 (en) 2021-10-27 2023-04-27 Yokogawa Electric Corporation Operation system, operation method and recording medium having recorded thereon operation program
JP2023149010A (ja) * 2022-03-30 2023-10-13 横河電機株式会社 情報処理装置、プラント制御方法およびプラント制御プログラム
JP2023161707A (ja) 2022-04-26 2023-11-08 横河電機株式会社 制御装置、制御方法、および、制御プログラム
JP2024017443A (ja) * 2022-07-28 2024-02-08 株式会社日立製作所 制御装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040049299A1 (en) * 2002-09-11 2004-03-11 Wilhelm Wojsznis Integrated model predictive control and optimization within a process control system
CN101320252A (zh) * 2007-06-07 2008-12-10 株式会社日立制作所 成套设备的控制装置
US20140257526A1 (en) * 2013-03-07 2014-09-11 General Electric Company Plant control systems and methods
US20170003676A1 (en) * 2015-06-30 2017-01-05 Mitsubishi Hitachi Power Systems, Ltd. Control Parameter Optimizing System and Operation Control Optimizing Apparatus Equipped Therewith
CN106462401A (zh) * 2014-06-19 2017-02-22 富士通株式会社 程序生成装置、程序生成方法和程序

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7418301B2 (en) * 1996-05-06 2008-08-26 Pavilion Technologies, Inc. Method and apparatus for approximating gains in dynamic and steady-state processes for prediction, control, and optimization
JP2000276206A (ja) * 1999-03-24 2000-10-06 Yamaha Motor Co Ltd 総合特性最適化方法及び装置
US7587804B2 (en) * 2004-12-20 2009-09-15 General Motors Corporation System and method for optimization of product throughput
CA2592908A1 (en) * 2006-06-30 2007-12-30 Hitachi, Ltd. Line diagnostic device, bus system, line diagnostic method, bus system control method, and line diagnostic program
DE102014212747A1 (de) * 2014-07-01 2016-01-07 Siemens Aktiengesellschaft Interaktives Assistenzsystem und Verfahren zur rechnergestützten Steuerungsoptimierung für ein technisches System
US10140585B2 (en) * 2016-04-01 2018-11-27 Demand Energy Networks, Inc. Control systems and methods for economical optimization of an electrical system including battery degradation
US10534328B2 (en) * 2016-06-21 2020-01-14 General Electric Company Methods and systems for enhancing control of power plant generating units

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040049299A1 (en) * 2002-09-11 2004-03-11 Wilhelm Wojsznis Integrated model predictive control and optimization within a process control system
CN101320252A (zh) * 2007-06-07 2008-12-10 株式会社日立制作所 成套设备的控制装置
US20140257526A1 (en) * 2013-03-07 2014-09-11 General Electric Company Plant control systems and methods
CN106462401A (zh) * 2014-06-19 2017-02-22 富士通株式会社 程序生成装置、程序生成方法和程序
US20170003676A1 (en) * 2015-06-30 2017-01-05 Mitsubishi Hitachi Power Systems, Ltd. Control Parameter Optimizing System and Operation Control Optimizing Apparatus Equipped Therewith
CN106325066A (zh) * 2015-06-30 2017-01-11 三菱日立电力系统株式会社 控制参数最佳化系统及具备该系统的运行控制最佳化装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033815A (zh) * 2021-02-07 2021-06-25 广州杰赛科技股份有限公司 一种阀门智能协作控制方法、装置、设备及存储介质
CN116724276A (zh) * 2021-03-18 2023-09-08 三菱电机株式会社 运转改善辅助程序、运转改善辅助装置及运转改善辅助方法

Also Published As

Publication number Publication date
JP2019020885A (ja) 2019-02-07
US11442416B2 (en) 2022-09-13
EP3428744B1 (en) 2021-09-15
JP6939162B2 (ja) 2021-09-22
US20190018374A1 (en) 2019-01-17
EP3428744A1 (en) 2019-01-16
CN109254575B (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
CN109254575A (zh) 车间控制辅助装置、车间控制辅助方法及记录介质
JP5179086B2 (ja) 工業プロセスの監視方法及び監視システム
CN108255649B (zh) 一种基于建模仿真协同分析的诊断策略设计方法
EP2732349B1 (en) Method of monitoring an industrial process
JP2019527413A (ja) 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法
CN113011085B (zh) 一种设备数字孪生建模方法及系统
JP2019520659A (ja) 時系列パターンモデルを用いて主要パフォーマンス指標（ｋｐｉ）を監視するコンピュータシステム及び方法
RU2724716C1 (ru) Система и способ формирования данных для мониторинга кибер-физической системы с целью раннего определения аномалий в системе графического интерфейса пользователя
JP5778087B2 (ja) プロセス監視システム及び方法
EP3291035B1 (en) Plant control device, plant control method, and recording medium
EP3039595B1 (en) System and method for multi-domain structural analysis across applications in industrial control and automation system
JP2010506258A (ja) 分散型プロセス制御システムにおけるオンライン多変量解析
CN1926489A (zh) 用于在加工厂中预防异常状况的数据呈现系统
JPH0844423A (ja) プラント支援装置
KR102660544B1 (ko) 제어 장치, 컨트롤러, 제어 시스템, 제어 방법, 및 제어 프로그램
JP5963579B2 (ja) ショベルの管理装置及びショベルの異常検出方法
JP7392566B2 (ja) 制御支援装置、制御支援方法、制御支援プログラム、および制御システム
WO2021127646A1 (en) Device and method for monitoring a system
JP2023106444A (ja) 情報処理システム、情報処理方法及び情報処理装置
JP2014067262A (ja) アラーム設定の最適化支援装置および最適化支援プログラム
WO2017046906A1 (ja) データ分析装置および分析方法
EP4206838A1 (en) Forecasting and anomaly detection method for low density polyethylene autoclave reactor
JP2017091485A (ja) 監視支援装置、監視支援方法、及びプログラム
CN113673600A (zh) 一种工业信号异常预警方法、系统、存储介质及计算设备
CN112990682A (zh) 一种基于大数据的化工装置控制参数优化方法和系统

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