CN114041095A - 预测系统 - Google Patents
预测系统 Download PDFInfo
- Publication number
- CN114041095A CN114041095A CN202080047121.5A CN202080047121A CN114041095A CN 114041095 A CN114041095 A CN 114041095A CN 202080047121 A CN202080047121 A CN 202080047121A CN 114041095 A CN114041095 A CN 114041095A
- Authority
- CN
- China
- Prior art keywords
- operation state
- prediction
- history
- attribute information
- unit
- 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
Links
- 239000000284 extract Substances 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 8
- 230000010365 information processing Effects 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 11
- 241000196324 Embryophyta Species 0.000 description 93
- 238000012545 processing Methods 0.000 description 29
- 238000004891 communication Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 7
- 239000000446 fuel Substances 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 244000256297 Euphorbia tirucalli Species 0.000 description 1
- 241000202567 Fatsia japonica Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- 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
- 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
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
-
- 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
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种预测系统，其具备：存储部，存储多个对象装置各自的运行状态的履历及表示多个对象装置各自的属性的属性信息；第1获取部，获取指定了预测对象装置的属性信息中所包含的至少一个属性信息的属性信息过滤条件；第2获取部，获取指定了预测对象装置的运行状态的履历中所包含的至少一个运行状态的运行状态过滤条件；提取部，参考存储部提取多个对象装置中的满足属性信息过滤条件及运行状态过滤条件的对象装置的运行状态的履历；及预测部，根据所提取的运行状态的履历来预测预测对象装置的运行状态。
Description
技术领域
本发明涉及一种预测对象装置的运行状态的预测系统。
背景技术
以往，提出了一种系统，该系统用于根据工厂设备等对象装置的运行相关数据来预测该对象装置或其零件等的将来的动作。
例如，在专利文献1中公开了一种特性变化预测系统，该特性变化预测系统学习多个工厂设备中的各种零件的特性的经时变化信息从而生成神经回路模型，并根据与各个经时特性变化模式的类似度来预测该零件的将来的经时特性变化模式。并且，例如，在专利文献2中公开了一种系统，该系统从多个工厂设备中选择类似的工厂设备，并根据运行数据来监视特定的性能指标。
以往技术文献
专利文献
专利文献1：日本专利第2758976号
专利文献2：日本特开2004-290774号公报
发明内容
发明要解决的技术课题
然而，工厂设备等对象装置的将来的动作不仅受过去的运行状态的影响，还受对象装置的规格、放置对象装置的环境等因素的影响的可能性大。这些因素也可以认为是表示根据各种基准对对象装置进行了分类时该对象装置所属的种类的信息(即，属性信息)。
因此，本发明的目的在于提供一种能够考虑对象装置的属性信息来对该对象装置的运行状态的将来进行预测的预测系统。
用于解决技术课题的手段
本发明的一种实施方式涉及一种预测系统，其特征在于，具备：存储部，存储多个对象装置各自的运行状态的履历及表示多个对象装置各自的属性的属性信息；第1获取部，获取指定了预测对象装置的属性信息中所包含的至少一个属性信息的属性信息过滤条件；第2获取部，获取指定了预测对象装置的运行状态的履历中所包含的至少一个运行状态的运行状态过滤条件；提取部，参考存储部提取多个对象装置中的满足属性信息过滤条件及运行状态过滤条件的对象装置的运行状态的履历；及预测部，根据所提取的运行状态的履历来预测所述预测对象装置的运行状态。
根据该方式，从多个对象装置各自的运行状态的履历中提取满足指定对象装置的属性信息的属性信息过滤条件的对象装置的运行状态的履历，并根据该运行状态的履历来预测预测对象装置的运行状态。因此，能够考虑对象装置的属性信息来对运行状态的将来进行预测。
发明效果
根据本发明，提供一种能够考虑对象装置的属性信息来对该对象装置的运行状态的将来进行预测的预测系统。
附图说明
图1是表示实施方式所涉及的预测系统1的结构的一例的概略图。
图2是表示属性信息表的一例的图。
图3是表示运行状态履历表的一例的图。
图4是表示实施方式所涉及的预测系统1的动作流程的一例的图。
图5是表示显示在显示部13上的画面500的一例的图。
图6A是表示显示在显示部13上的画面600的一例的图。
图6B是表示显示在显示部13上的画面700的一例的图。
具体实施方式
参考附图，对本发明的优选实施方式进行说明。(另外，在各附图中，对相同或同等的结构标注了相同的符号。)
(1)结构
(1-1)预测系统1
图1是表示本发明的实施方式所涉及的预测系统1的结构的一例的概略图。如图1所示，预测系统1具有服务器10和至少一个工厂设备20。在此，工厂设备20为“对象装置”的一例。工厂设备20的种类并不受特别限定，可以包括石油工厂设备、化学工厂设备、制药工厂设备、食品工厂设备及造纸工厂设备等。并且，构成工厂设备20的要件并不受特别限定，可以包括燃料或原材料等的存储设备、使用燃料或原材料等或者对燃料或原材料等进行处理或加工等的设备、连接各要件的配管系统等。另外，预测系统1可以应用的对象装置并不只限于各种工厂设备，也可以为工业用机械等任意装置。
服务器10经由互联网等通信网络与各工厂设备20通信连接。另外，在区分各工厂设备20时，有时将各工厂设备20称为“工厂设备20A”、“工厂设备20B”等，而在统称各工厂设备20时，有时简称为“工厂设备20”。
(1-2)服务器10
服务器10为管理各工厂设备20的运行状态的履历(运行状态履历)的信息处理装置的一例。在本例子中，服务器10例如由一个信息处理装置构成，但是，服务器10也可以由多个信息处理装置构成。在此，信息处理装置例如为具备处理器及存储区域的计算机等能够执行各种信息处理的装置。图1中所示的各部例如可以通过使用存储区域或由处理器执行存储在存储区域中的程序来实现。
服务器10例如具有服务器通信部11、操作部12、显示部13、存储部14及处理部15。
服务器通信部11具有用于将服务器10连接到通信网络的通信接口电路。服务器通信部11将从各工厂设备20接收到的运行状态的履历(运行状态履历)等数据供给至处理部15。
关于操作部12，只要能够操作服务器10，则可以使用任意设备，例如可以触控面板、键钮等。用户可以使用操作部12来输入文字、数字、符号等。关于操作部12，若用户操作操作部12，则产生对应于该操作的信号。然后，所产生的信号作为用户的指令而供给至处理部15。
关于显示部13，只要能够显示影像或图像等，则可以使用任意设备，例如液晶显示器、有机EL(Electro-Luminescence：电致发光)显示器等。显示部13显示与从处理部15供给过来的影像数据相对应的影像或与图像数据相对应的图像等。
存储部14例如具有半导体存储器、磁盘装置及光盘装置中的至少一个。存储部14存储用于处理部15的处理的驱动程序、操作系统程序、应用程序、数据等。例如，存储部14存储控制服务器通信部11的通信设备驱动程序等作为驱动程序。关于各种程序，例如可以使用公知的安装程序(SETUP PROGRAM)等从CD-ROM、DVD-ROM等计算机可读取的移动存储介质安装到存储部14中。
存储部14存储后述的属性信息表、运行状态履历表等作为数据。并且，存储部14存储各种画面的显示数据作为数据。而且，存储部14暂时存储规定的处理所涉及的数据。
图2是表示属性信息表的一例的图。属性信息表为用于管理各个工厂设备的属性信息的表。在此，工厂设备20的属性信息例如是表示根据各种基准对工厂设备20进行了分类时的该工厂设备20所属种类(属性)的信息。另外，“属性”有时还被称为“外部状态”、“附带状态”及“外部附带状态”等。
在属性信息表中例如记录有“工厂设备ID”、“地域”、“气候”、“制造时间”、“用户”、“燃料种类”、“机型”、“设计者”、“维修者”等工厂设备20的属性信息。“工厂设备ID”为用于识别工厂设备20的识别信息(ID)。“地域”为表示设置该工厂设备20的地域的信息。“气候”为表示设置该工厂设备20的地域的气候的信息。“制造时间”为表示制造该工厂设备20的时间的信息，例如可以表示为年、年月、年月日等。“机型”为该工厂设备20的机械种类，例如型号、方式、类型，“设计者”为表示该工厂设备20的设计者(个人、企业等)的信息。“维修者”为表示对该工厂设备20进行维修的维修者(个人、企业等)的信息。另外，属性信息表并不只限于上述项目，还可以包含其他属性信息。
图3是表示运行状态履历表的一例的图。运行状态履历表为用于管理各个工厂设备20的运行状态履历的表。如图3所示，在运行状态履历表中，按照工厂设备，以多个矩形单元C的形式表示有运行状态的履历。在运行状态履历表中，横轴表示自基准时刻起经过的时间。在此，基准时刻可以由管理人员等任意设定，例如可以设定为工厂设备20的运行开始时刻、启动时刻(除了包含最初的启动时刻以外，还包含经过了用于检修等的停止期间之后的重新启动时刻)等。并且，在运行状态履历表中，各个单元C表示该经过时间(可以为一个时刻，也可以为具有规定宽度的期间)中的工厂设备20的运行状态，根据单元C内的图案来区分其运行状态的种类。一个单元C所具有的时间长度例如可以设定为秒、分钟、小时、天、周等任意单位。运行状态例如可以包含正常运行期间、事故发生期间(燃料缺乏、出现异物、温度上升、温度下降、冷却器跳闸、燃料系统跳闸、爆裂及停电等事故发生期间)、警报发生期间(Balancing shoot level警报等其他警报发生期间)、运行停止期间及其他任意事件发生期间等。
处理部15具备一个或多个处理器及其外围电路。处理部15用于集中控制服务器10的整体动作，例如为CPU(Central Processing Unit：中央处理器)。处理部15控制服务器通信部11等的动作，以便根据存储于存储部14中的程序等以适当的顺序执行服务器10的各种处理。处理部15根据存储于存储部14中的程序(操作系统程序、驱动程序、应用程序等)来执行处理。并且，处理部15能够并行执行多个程序(应用程序等)。
处理部15具有收集部151、第1获取部152a、第2获取部152b、提取部153、预测部154及显示处理部155等。处理部15所具有的这些各部为通过使处理部15所具有的处理器执行程序而实现的功能模块。或者，处理部15所具有的这些各部也可以作为独立的集成电路、微处理器或固件而安装于服务器2。
收集部151从各工厂设备20收集(接收)该工厂设备20的运行状态履历，并将其记录于存储于存储部14等中的运行状态履历表中。收集部151执行该收集或记录处理的时刻并不受特别限定，例如可以按照预先确定的周期或者可以在非周期性的时刻、或者管理人员等经由操作部12输入执行该处理的指令的时刻执行。
接收部152例如接收由用户经由操作部12输入的各种过滤条件。在此，过滤条件是指：为了从运行状态履历表中提取(过滤出)所期望的运行状态履历而该工厂设备20或该工厂设备20的运行状态履历需要满足的条件。
第1获取部152a获取与工厂设备20的属性信息相关的条件(即，属性信息过滤条件)。在此，属性信息过滤条件是为了从运行状态履历表中提取(过滤出)所期望的运行状态履历而该工厂设备20需要满足的条件，并且是指定了预测对象装置的属性信息中所包含的至少一个属性信息的条件。属性信息过滤条件所包含的属性信息例如可以为在上述图2的说明中列举的属性信息，也可以为其他任意的属性信息。第1获取部152a例如接收用户经由操作部12输入的属性信息过滤条件从而获取该属性信息过滤条件。
第2获取部152b获取与工厂设备20的运行状态相关的条件(即，运行状态过滤条件)。在此，运行状态过滤条件是为了从运行状态履历表中提取(过滤出)所期望的运行状态履历而该工厂设备20的运行状态履历需要满足的条件。在运行状态过滤条件中，指定有预测对象装置的运行状态履历中所包含的至少一个运行状态。并且，在运行状态过滤条件中，也可以指定有各运行状态的发生顺序。
提取部153参考存储部14提取满足由第1获取部152a接收的属性信息过滤条件及由第2获取部152b接收的运行状态过滤条件的工厂设备20的运行状态履历。另外，在提取部153根据上述运行状态过滤条件来提取运行状态履历时，可以仅在指定为运行状态过滤条件的运行状态的持续时间(若该运行状态为间断性的，则可以是将各运行状态的履历合计的时间)为规定的阈值以上时提取。
预测部154根据由提取部153提取的运行状态履历来预测预测对象装置(工厂设备)的运行状态。预测部154的运行状态的预测方法并不受特别限定，例如可以为基于统计分析的预测、基于概率密度函数的预测、基于贝氏理论的预测等。更具体而言，预测部154例如可以对由提取部153提取的运行状态履历进行统计分析(例如，按照时间总计提取的运行状态履历后进行归一化)从而计算出按照时间的运行状态的发生概率。利用该发生概率，能够预测出将来某一时刻的预测对象装置(工厂设备)的运行状态。或者，预测部154例如可以执行将提取部153所提取的运行状态履历作为学习数据的机械学习从而生成学习模型，并将预测对象装置(工厂设备)的运行状态的履历输入到该学习模型中来输出预测对象装置的将来的运行状态。更具体而言，例如，预测部154可以将提取部153所提取的运行状态履历作为学习数据而学习循环神经网络(RNN)来生成输入运行状态履历的时序数据并输出将来的运行状态的学习模型。利用该将来的运行状态，能够预测出将来某一时刻的预测对象装置(工厂设备)的运行状态。
显示处理部155根据存储于存储部14中的各种画面的显示数据来使显示部13显示各种画面。
(1-3)工厂设备20
工厂设备20具有运行部21、各种传感器22、测量控制系统23及工厂设备通信部24。运行部21具有构成工厂设备20的主要装置，例如包括燃烧室及热交换室等各种模块、或连接各模块的配管系统等。传感器22设置于运行部21的各部位上，其检测运行部21的各种物理量，并将检测结果供给至测量控制系统23。测量控制系统23根据从传感器22供给过来的检测结果来生成运行状态履历。具体而言，测量控制系统23分析从传感器22供给过来的检测结果从而判断设置有该传感器22的运行部21的运行状态，然后生成经判断的运行状态的时序变化(即，运行状态履历)。然后，测量控制系统23经由工厂设备通信部24将运行部21的运行状态履历发送到服务器10。
(2)动作处理
接着，参考图4～图6，对实施方式所涉及的预测系统1的动作处理的一例进行说明。图4是表示实施方式所涉及的预测系统1的动作流程的一例的图。图5是表示显示在显示部13上的画面500的一例的图。图6是表示显示在显示部13上的画面600的一例的图。以下，有时将各个工厂设备20称为“工厂设备A”、“工厂设备B”等。
在此，假设工厂设备X从启动起经过了时间T1并且该工厂设备X的时间T1以后的运行状态为预测的对象。并且，服务器10的收集部151预先从各工厂设备20收集该工厂设备20的运行状态履历，并将该运行状态履历记录在了存储于存储部14中的运行状态履历表中。
(S100)
首先，服务器10的第1获取部152a获取属性信息过滤条件。具体而言，例如，第1获取部152a根据用户对操作部12的操作而接收属性信息过滤条件的输入从而获取该属性信息过滤条件。此时，服务器10的显示处理部155例如根据存储于存储部14中的显示数据来使显示部13显示图5中所示的画面500。如图5所示，画面500中包含属性信息过滤条件的显示部501、运行状态过滤条件的显示部502及提取的工厂设备20的运行状态履历的显示部503。在显示部501中显示有由第1获取部152a获取的属性信息过滤条件的内容。在图5所示的例子中，在该显示部501中显示有地域为“寒冷地区”、燃料为“水分大”、机型为“小型”的属性信息过滤条件。
(S101)
接着，提取部153参考存储于存储部14中的属性信息表来确定满足在S100中获取的属性信息过滤条件的工厂设备20，然后从运行状态履历表中提取所确定的工厂设备20的运行状态履历。
(S102)
接着，服务器10的第2获取部152b根据用户对操作部12的操作而接收成为预测对象装置的工厂设备20的指定。具体而言，第2获取部152b接收用于确定由用户指定为预测对象装置的工厂设备20的信息(例如，该工厂设备20的名称、识别信息等)的输入。
(S103)
接着，服务器10的第2获取部152b参考存储于存储部14中的运行状态履历表并根据所指定的工厂设备20的运行状态履历来生成运行状态过滤条件从而获取该运行状态过滤条件。例如，第2获取部152b可以选择成为预测对象装置的工厂设备20的运行状态的履历中所包含的至少一个运行状态并将所选择的运行状态设为运行状态过滤条件。尤其，第2获取部152b也可以将成为预测对象装置的工厂设备20的运行状态的履历中所包含的所有运行状态设为运行状态过滤条件。
如图5所示，在画面500的显示部502中显示有由第2获取部152b生成的运行状态过滤条件的内容。在显示部502中显示有由第2获取部152b获取的运行状态过滤条件的内容。在图5所示的例子中，在该显示部502中显示有“运行状态Φ”、“运行状态X”及“运行状态Ψ”作为运行状态过滤条件。这是因为在工厂设备X的运行状态履历中分别包含“运行状态Φ”、“运行状态X”及“运行状态Ψ”的履历。
(S104)
接着，提取部153从在S101中提取的运行状态履历中提取满足在S103中生成的运行状态过滤条件的运行状态履历。
如图5所示，在画面500的显示部503中显示有作为满足属性信息过滤条件及运行状态过滤条件而提取的工厂设备20的运行状态履历(具体而言，工厂设备A、工厂设备C、工厂设备E及工厂设备F的运行状态履历)。
(S105)
接着，预测部154根据在S101中提取的工厂设备20的运行状态履历来预测预测对象装置的运行状态。具体而言，例如，预测部154可以对提取的运行状态履历进行统计分析从而计算出按照时间的运行状态的发生概率。或者，例如，预测部154可以执行将由提取部153提取的运行状态履历作为学习数据的机械学习从而生成学习模型，并将预测对象装置(工厂设备)的运行状态的履历输入到该学习模型中来生成表示预测对象装置(工厂设备)的将来的运行状态的输出。
(S106)
接着，显示处理部155使显示部13显示预测部154的预测结果，并结束预测系统1的动作处理。
图6A是在预测部154计算出了运行状态的发生概率的情况下由显示处理部155显示于显示部13上的表示预测结果的画面600的一例。如图6A所示，画面600中包含由预测部154计算出的运行状态的发生概率的显示部601和预测对象装置的运行状态履历的显示部602。在显示部601中显示有由预测部154计算出的各运行状态的发生概率的时序变化。在图6A所示的例子中，显示有运行状态Φ的发生概率PΦ(t)、运行状态X的发生概率PX(t)、运行状态Ψ的发生概率PΨ(t)及运行状态Ω的发生概率PΩ(t)。
显示部602中显示有运行状态的预测对象装置(即，工厂设备X)的运行状态履历。具体而言，在显示部602中显示有从运行开始起经过时间T1为止的工厂设备X的运行状态履历。在此，针对时间T1以后，能够根据显示于显示部601上的发生概率来预测工厂设备X的特定的运行状态。在图6A所示的例子中，将来的时间T2(＞T1)处的工厂设备X成为运行状态Ω的概率为PΩ(T2)，成为运行状态Ψ的概率为PΨ(T2)。
图6B是在预测部154基于机械学习的学习模型进行预测的情况下由显示处理部155显示于显示部13上的表示预测结果的画面700的一例。如图6B所示，画面700中包含预测对象装置(即，工厂设备X)的运行状态的时序变化的显示部701。在显示部701中显示有工厂设备X的当前时刻T1为止的运行状态的履历。工厂设备X的当前时刻T1为止的运行状态的履历成为由预测部154执行的机械学习中的学习数据。而且，在显示部701中显示有通过将工厂设备X的运行状态履历输入到预测部154使用该学习数据生成的学习模型中而获得的输出(即，将来的运行状态)。
另外，在上述实施方式中，第2获取部152b在接收到成为预测对象装置的工厂设备20的指定之后(S102)根据所指定的工厂设备20的运行状态履历生成运行状态过滤条件(S103)从而获取了运行状态过滤条件。然而，第2获取部152b例如也可以获取用户对操作部12进行操作而输入的运行状态过滤条件。
以上说明的实施方式用于便于理解本发明，其并不用于对本发明进行限定性解释。实施方式所具备的各要件及其配置、材料、条件、形状及尺寸等并不只限于例示，可以进行适当的变更。并且，在不同的实施方式中示出的结构的一部分可以彼此替换或组合。
符号说明
1-预测系统，10-服务器，11-服务器通信部，12-操作部，13-显示部，14-存储部，15-处理部，151-收集部，152a-第1获取部，152b-第2获取部，153-提取部，154-预测部，155-显示处理部，20、20A、20B、20C-工厂设备，21-运行部，22-传感器，23-测量控制系统，24-工厂设备通信部。
Claims (14)
1.一种预测系统，其特征在于，具备：
存储部，存储多个对象装置各自的运行状态的履历及表示所述多个对象装置各自的属性的属性信息；
第1获取部，获取指定了预测对象装置的属性信息中所包含的至少一个属性信息的属性信息过滤条件；
第2获取部，获取指定了所述预测对象装置的运行状态的履历中所包含的至少一个运行状态的运行状态过滤条件；
提取部，参考所述存储部提取满足所述属性信息过滤条件及所述运行状态过滤条件的对象装置的运行状态的履历；及
预测部，根据所提取的所述运行状态的履历来预测所述预测对象装置的运行状态。
2.根据权利要求1所述的预测系统，其特征在于，
所述第1获取部接收所述属性信息过滤条件的输入从而获取所述属性信息过滤条件。
3.根据权利要求1或2所述的预测系统，其特征在于，
所述第2获取部接收对所述预测对象装置的指定并根据存储于所述存储部中的所述预测对象装置的运行状态的履历来生成所述运行状态过滤条件。
4.根据权利要求1或2所述的预测系统，其特征在于，
所述第2获取部接收所述运行状态过滤条件的输入从而获取所述属性信息过滤条件。
5.根据权利要求1至4中任一项所述的预测系统，其特征在于，
所述预测部对所提取的所述运行状态的履历进行统计分析从而计算出运行状态的发生概率。
6.根据权利要求5所述的预测系统，其特征在于，
还具备显示由所述预测部计算出的所述发生概率的显示部。
7.根据权利要求1至4中任一项所述的预测系统，其特征在于，
所述预测部执行将所提取的所述运行状态的履历作为学习数据的机械学习来生成学习模型，并将所述预测对象装置的运行状态输入到该学习模型中以使所述学习模型输出所述预测对象装置的将来的运行状态。
8.根据权利要求7所述的预测系统，其特征在于，
还具备显示所输出的所述预测对象装置的将来的运行状态的显示部。
9.根据权利要求1至8中任一项所述的预测系统，其特征在于，
在所述运行状态过滤条件中指定了多个运行状态，
所述运行状态过滤条件包含所述多个运行状态的发生顺序。
10.根据权利要求1至9中任一项所述的预测系统，其特征在于，
所述对象装置为工厂设备。
11.根据权利要求10所述的预测系统，其特征在于，
所述对象装置为锅炉。
12.一种显示装置，其用于掌握对象装置的运行状态，其特征在于，
显示根据从多个对象装置各自的运行状态的履历及属性信息中提取的满足属性信息过滤条件和运行状态过滤条件的对象装置的运行状态的履历而对所述预测对象装置的运行状态进行预测的结果，所述属性信息过滤条件指定了预测对象装置的属性信息中所包含的至少一个属性信息，所述运行状态过滤条件指定了所述预测对象装置的运行状态的履历中所包含的至少一个运行状态。
13.一种方法，其特征在于，
使信息处理装置执行如下步骤，所述信息处理装置具备存储部，所述存储部存储多个对象装置各自的运行状态的履历及表示所述多个对象装置各自的属性的属性信息，所述步骤如下：
获取指定了预测对象装置的属性信息中所包含的至少一个属性信息的属性信息过滤条件的步骤；
获取指定了所述预测对象装置的运行状态的履历中所包含的至少一个运行状态的运行状态过滤条件的步骤；
参考所述存储部提取所述多个对象装置中的满足所述属性信息过滤条件及所述运行状态过滤条件的对象装置的运行状态的履历的步骤；及
根据所提取的所述运行状态的履历来预测所述预测对象装置的运行状态的步骤。
14.一种程序，其特征在于，
使信息处理装置作为如下各部而发挥作用，所述信息处理装置具备存储部，所述存储部存储多个对象装置各自的运行状态的履历及表示所述多个对象装置各自的属性的属性信息，所述各部如下：
第1获取部，获取指定了预测对象装置的属性信息中所包含的至少一个属性信息的属性信息过滤条件；
第2获取部，获取指定了所述预测对象装置的运行状态的履历中所包含的至少一个运行状态的运行状态过滤条件；
提取部，参考所述存储部提取所述多个对象装置中的满足所述属性信息过滤条件及所述运行状态过滤条件的对象装置的运行状态的履历；及
预测部，根据所提取的所述运行状态的履历来预测所述预测对象装置的运行状态。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019122012 | 2019-06-28 | ||
| JP2019-122012 | 2019-06-28 | ||
| PCT/JP2020/021298 WO2020261875A1 (ja) | 2019-06-28 | 2020-05-29 | 予測システム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114041095A true CN114041095A (zh) | 2022-02-11 |
Family
ID=74061911
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080047121.5A Pending CN114041095A (zh) | 2019-06-28 | 2020-05-29 | 预测系统 |
Country Status (9)
| Country | Link |
|---|---|
| US (1) | US20220121189A1 (zh) |
| EP (1) | EP3992740A4 (zh) |
| JP (1) | JP7480141B2 (zh) |
| KR (1) | KR20220027841A (zh) |
| CN (1) | CN114041095A (zh) |
| AU (1) | AU2020302438A1 (zh) |
| BR (1) | BR112021026482A2 (zh) |
| TW (1) | TWI744909B (zh) |
| WO (1) | WO2020261875A1 (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7452509B2 (ja) * | 2021-09-30 | 2024-03-19 | 横河電機株式会社 | 監視装置、監視方法、および監視プログラム |
| EP4184267B1 (en) * | 2021-11-22 | 2024-08-28 | Abb Schweiz Ag | Method for determining the state of health of an industrial process |
| TWI836484B (zh) * | 2022-06-23 | 2024-03-21 | 中國鋼鐵股份有限公司 | 氮氣供需的預測系統 |
| JP7325695B1 (ja) * | 2023-01-23 | 2023-08-14 | 三菱電機株式会社 | データ処理装置、データ処理方法及びデータ処理プログラム |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000181526A (ja) * | 1998-12-16 | 2000-06-30 | Chugoku Electric Power Co Inc:The | プラント状態推定・予測装置及び方法 |
| JP2001101235A (ja) * | 1999-09-28 | 2001-04-13 | Tokyo Gas Co Ltd | 設備劣化診断方法及び設備劣化診断システム |
| CN1692671A (zh) * | 2002-10-10 | 2005-11-02 | 松下电器产业株式会社 | 信息取得方法、信息提供方法及信息取得装置 |
| CN103400310A (zh) * | 2013-08-08 | 2013-11-20 | 华北电力大学（保定） | 考虑历史数据趋势预测的配电网电气设备状态评估方法 |
| CN104793072A (zh) * | 2015-03-28 | 2015-07-22 | 合肥天海电气技术有限公司 | 基于热图谱分析法的电气设备故障诊断系统 |
| CN108491965A (zh) * | 2018-03-14 | 2018-09-04 | 广东省智能制造研究所 | 冲压设备的状态预测方法、装置、电子设备与存储介质 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2758976B2 (ja) * | 1990-06-07 | 1998-05-28 | 株式会社日立製作所 | 特性変化予測方法およびシステム |
| JP4341950B2 (ja) | 2003-03-26 | 2009-10-14 | メタウォーター株式会社 | 遠隔監視システム |
| JP2006072408A (ja) * | 2004-08-31 | 2006-03-16 | Yokogawa Electric Corp | 設備制御方法、設備制御装置および設備制御のためのプログラム |
| US8457908B2 (en) * | 2009-06-11 | 2013-06-04 | University Of Washington | Sensing events affecting liquid flow in a liquid distribution system |
| JP5364530B2 (ja) | 2009-10-09 | 2013-12-11 | 株式会社日立製作所 | 設備状態監視方法、監視システム及び監視プログラム |
| JP5960029B2 (ja) | 2012-10-31 | 2016-08-02 | 住友重機械工業株式会社 | 異常原因特定システム |
| US9405286B2 (en) * | 2013-03-01 | 2016-08-02 | Fisher-Rosemount Systems, Inc. | Use of predictors in process control systems with wireless or intermittent process measurements |
| EP4008934A3 (en) * | 2016-02-23 | 2023-03-29 | John Crane UK Ltd. | System and method for predictive diagnostics for mechanical systems |
| US10211634B2 (en) * | 2016-02-24 | 2019-02-19 | Mitsubishi Electric Research Laboratories, Inc. | Dynamic state estimation of power distribution system |
| JP6723669B2 (ja) | 2016-09-27 | 2020-07-15 | 東京エレクトロン株式会社 | 異常検知プログラム、異常検知方法および異常検知装置 |
| RU2649542C1 (ru) | 2016-12-06 | 2018-04-03 | Акционерное общество "РОТЕК" (АО "РОТЕК") | Способ и система удаленного мониторинга объектов |
| JPWO2018146768A1 (ja) * | 2017-02-09 | 2019-04-25 | 三菱電機株式会社 | 不良要因推定装置および不良要因推定方法 |
| CN108680244B (zh) * | 2018-04-26 | 2020-06-09 | 浙江大学 | 一种旋转机械振动无线监测装置及方法 |
| CN108763377B (zh) * | 2018-05-18 | 2021-08-13 | 郑州轻工业学院 | 基于卫星故障诊断多源遥测大数据特征提取预处理方法 |
-
2020
- 2020-05-22 TW TW109117078A patent/TWI744909B/zh active
- 2020-05-29 AU AU2020302438A patent/AU2020302438A1/en active Pending
- 2020-05-29 KR KR1020217040477A patent/KR20220027841A/ko unknown
- 2020-05-29 WO PCT/JP2020/021298 patent/WO2020261875A1/ja active Application Filing
- 2020-05-29 CN CN202080047121.5A patent/CN114041095A/zh active Pending
- 2020-05-29 JP JP2021527524A patent/JP7480141B2/ja active Active
- 2020-05-29 EP EP20833158.7A patent/EP3992740A4/en active Pending
- 2020-05-29 BR BR112021026482A patent/BR112021026482A2/pt unknown
-
2021
- 2021-12-23 US US17/561,292 patent/US20220121189A1/en active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000181526A (ja) * | 1998-12-16 | 2000-06-30 | Chugoku Electric Power Co Inc:The | プラント状態推定・予測装置及び方法 |
| JP2001101235A (ja) * | 1999-09-28 | 2001-04-13 | Tokyo Gas Co Ltd | 設備劣化診断方法及び設備劣化診断システム |
| CN1692671A (zh) * | 2002-10-10 | 2005-11-02 | 松下电器产业株式会社 | 信息取得方法、信息提供方法及信息取得装置 |
| CN103400310A (zh) * | 2013-08-08 | 2013-11-20 | 华北电力大学（保定） | 考虑历史数据趋势预测的配电网电气设备状态评估方法 |
| CN104793072A (zh) * | 2015-03-28 | 2015-07-22 | 合肥天海电气技术有限公司 | 基于热图谱分析法的电气设备故障诊断系统 |
| CN108491965A (zh) * | 2018-03-14 | 2018-09-04 | 广东省智能制造研究所 | 冲压设备的状态预测方法、装置、电子设备与存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 黄涛;周鹏;赖秋频;汪祝年;王亮;杨军;: "一种智能变电站保护装置寿命预测方法", 电测与仪表, no. 12, 25 June 2018 (2018-06-25) * |
Also Published As
| Publication number | Publication date |
|---|---|
| TWI744909B (zh) | 2021-11-01 |
| BR112021026482A2 (pt) | 2022-02-08 |
| EP3992740A1 (en) | 2022-05-04 |
| JP7480141B2 (ja) | 2024-05-09 |
| AU2020302438A1 (en) | 2022-01-27 |
| TW202117476A (zh) | 2021-05-01 |
| KR20220027841A (ko) | 2022-03-08 |
| WO2020261875A1 (ja) | 2020-12-30 |
| JPWO2020261875A1 (zh) | 2020-12-30 |
| US20220121189A1 (en) | 2022-04-21 |
| EP3992740A4 (en) | 2022-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114041095A (zh) | 预测系统 | |
| Paprocka | The model of maintenance planning and production scheduling for maximising robustness | |
| JP5996384B2 (ja) | プロセス監視診断装置、プロセス監視診断プログラム | |
| JP6411769B2 (ja) | 状態監視装置 | |
| CN108278719B (zh) | 检查管理系统和检查管理方法 | |
| JP6552500B2 (ja) | 航空機エンジンに行われるべきメンテナンス作業の予測 | |
| US20090216393A1 (en) | Data-driven anomaly detection to anticipate flight deck effects | |
| JP5387779B2 (ja) | 運用管理装置、運用管理方法、及びプログラム | |
| JP2018180759A (ja) | システム分析装置、及びシステム分析方法 | |
| JP2019212131A (ja) | 予測装置、電気機器、管理システム、予測方法、及び制御プログラム | |
| CN101414186A (zh) | 要因估计支持装置及其控制方法 | |
| JP6880560B2 (ja) | 故障予測装置、故障予測方法及び故障予測プログラム | |
| JP2009086896A (ja) | コンピュータの障害予測システムおよび障害予測方法 | |
| US11657321B2 (en) | Information processing device, non-transitory storage medium and information processing method | |
| JP2011170518A (ja) | 状態監視装置及び方法 | |
| Fong et al. | Methods for Assessing Product Reliability: Looking for enhancements by adopting condition-based monitoring | |
| AU2023203898B2 (en) | Method For Managing Plant, Plant Design Device, And Plant Management Device | |
| CN111796981A (zh) | 信息处理装置、信息处理方法和学习装置 | |
| JP2010134525A (ja) | 電子装置の障害監視装置、障害監視方法および障害監視プログラム | |
| KR20230093874A (ko) | 보일러 관리 장치 및 빅데이터 기반 보일러의 예측 모델 생성 방법 | |
| JP6096397B1 (ja) | 分析システム、及び、分析方法 | |
| Huang et al. | Design of effective inspection schema for imperfect production systems | |
| CA3070670C (en) | A method and system for automatic detection of inefficient household thermal insulation | |
| JP2017076164A (ja) | 機器監視装置およびアラート情報管理方法 | |
| Egan et al. | Data Center Facility Monitoring with Physics Aware Approach |
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 |