FR3063369A1 - Dispositif de gestion de l'isolement et procede de gestion de l'isolement - Google Patents

Dispositif de gestion de l'isolement et procede de gestion de l'isolement Download PDF

Info

Publication number
FR3063369A1
FR3063369A1 FR1851684A FR1851684A FR3063369A1 FR 3063369 A1 FR3063369 A1 FR 3063369A1 FR 1851684 A FR1851684 A FR 1851684A FR 1851684 A FR1851684 A FR 1851684A FR 3063369 A1 FR3063369 A1 FR 3063369A1
Authority
FR
France
Prior art keywords
components
isolation
target area
profiles
profile
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
FR1851684A
Other languages
English (en)
Other versions
FR3063369B1 (fr
Inventor
Kei TAKAKURA
Susumu Naito
Hidehiko Kuroda
Hiroki Shiba
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 FR3063369A1 publication Critical patent/FR3063369A1/fr
Application granted granted Critical
Publication of FR3063369B1 publication Critical patent/FR3063369B1/fr
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
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • 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
    • 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] or 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] or 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
    • 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
    • G05B23/0259—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
    • G06Q10/10—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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Automation & Control Theory (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Manufacturing & Machinery (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

Un dispositif de gestion de l'isolement (1) comprenant : une base de données (2) configurée de manière à mémoriser des informations qui se rapportent à une usine construite avec une pluralité de composants (26), les informations comprenant une relation entre la pluralité de composants (26) ; un récepteur configuré de manière à recevoir une désignation des informations de zone cible définissant une zone cible sur l'usine ; un analyseur configuré de manière à analyser une pluralité de profils d'états respectifs de la pluralité de composants (26) en liaison avec un changement d'état d'au moins l'un de la pluralité de composants (26) dans la zone cible, sur la base des informations mémorisées dans la base de données; des circuits d'apprentissage approfondi (9) configurés de manière à extraire au moins un profil spécifique à partir de la pluralité de profils analysés par l'analyseur en tant que profil d'extraction ; un générateur de plan (17) configuré de manière à produire un plan de travail sur la base du profil d'extraction ; et une interface de sortie (18) configurée de manière à délivrer le plan de travail produit par le générateur de plan.

Description

Titulaire(s) : KABUSHIKI KAISHA TOSHIBA, TOSHIBA ENERGY SYSTEMS & SOLUTIONS CORPORATION.
Demande(s) d’extension
Mandataire(s) : CABINET FEDIT LORIOT.
p4) DISPOSITIF DE GESTION DE L'ISOLEMENT ET PROCEDE DE GESTION DE L'ISOLEMENT.
FR 3 063 369 - A1 (57) un dispositif de gestion de l'isolement (1) comprenant: une base de données (2) configurée de manière à mémoriser des informations qui se rapportent à une usine construite avec une pluralité de composants (26), les informations comprenant une relation entre la pluralité de composants (26); un récepteur configuré de manière à recevoir une désignation des informations de zone cible définissant une zone cible sur l'usine; un analyseur configuré de manière à analyser une pluralité de profils d'états respectifs de la pluralité de composants (26) en liaison avec un changement d'état d'au moins l'un de la pluralité de composants (26) dans la zone cible, sur la base des informations mémorisées dans la base de données; des circuits d'apprentissage approfondi (9) configurés de manière à extraire au moins un profil spécifique à partir de la pluralité de profils analysés par l'analyseur en tant que profil d'extraction; un générateur de plan (17) configuré de manière à produire un plan de travail sur la base du profil d'extraction ; et une interface de sortie (18) configurée de manière à délivrer le plan de travail produit par le générateur de plan.
Figure FR3063369A1_D0001
Figure FR3063369A1_D0002
DISPOSITIF DE GESTION DE L’ISOLEMENT ET PROCEDE DE GESTION DE L'ISOLEMENT
Dans le domaine de l'invention, des modes de réalisation décrits ci-dessus se rapportent, de manière générale, à une technologie de gestion de l'isolement destinée à assurer la gestion du travail d'isolement afin d'isoler temporairement un dispositif cible dans une usine au cours d'un événement dans l'usine, tel que la construction, le contrôle d'entretien et/ou la réparation.
Dans l'arrière-plan, de manière classique, avant un travail d'isolement dans une usine telle qu'une centrale de production d'énergie, un ingénieur spécialisé se réfère à un schéma de liaison développé représentatif d'une relation de liaison de composants respectifs et crée un plan de travail tout en considérant l'influence du travail d'isolement sur d'autres composants. Dans le but de réduire la tâche impliquée par un tel travail d'isolement, un procédé d'automatisation du planning des travaux permettant d'assurer l'inspection de chaque bus de l'usine a été proposé. De plus, un procédé d'extraction du dessin cible à partir de documents de conception a été proposé. En outre, un procédé de prévention d'opération erronée au moment de l'exécution du travail d'isolement a été proposé.
[Document de brevet 1] Publication de demande de brevet Japonaise non examinée ΝΉ6-46528 [Document de brevet 2] Publication de demande de brevet Japonaise non examinée N°2011-96029 [Document de brevet 3] Publication de demande de brevet Japonaise non
-2examinée N°2008-181283
Dans une usine, un grand nombre de composants, tels que différents types de dispositifs, sont installés sous la forme d'un ensemble. Ainsi, dans le cas de la création d'un plan de travail d'isolement prenant tous les composants en considération, un nombre important de calculs est requis. Par exemple, lorsqu'il existe 100 dispositifs sur la zone cible et que chacun de ces 100 dispositifs présente deux états ACTIF/INACTIF, il existe 2 à la puissance 100 profils d'état (ΙχΙΟ^θ ou plus). Pour cette raison, il n'est pas efficace de calculer et d'obtenir l'ensemble des profils d'état et il existe un problème en ce qu'il n'est pas possible de créer un plan de travail de manière efficace.
Au vu du problème décrit ci-dessus, des modes de réalisation de la présente invention ont pour objectif de créer une technologie de gestion de l'isolement qui permet de produire de manière efficace un plan de travail qui est le plus approprié au travail d'isolement.
Afin de résoudre les problèmes cités ci-dessus, il est créé un dispositif de gestion de l’isolement comprenant : une base de données configurée de manière à mémoriser des informations qui se rapportent à une usine construite avec une pluralité de composants, les informations comprenant une relation entre la pluralité de composants ; un récepteur configuré de manière à recevoir des informations de zone cible définissant une zone cible sur l'usine ; un analyseur configuré de manière à analyser une pluralité de profils d'état respectifs de la pluralité de composants en liaison avec un changement d'état d'au moins l'un de la pluralité de composants dans la zone cible, sur la base des informations mémorisées dans la base de données ; des circuits d'apprentissage approfondi configurés de manière à extraire au moins un profil spécifique à partir de la pluralité de profils analysés par l'analyseur en tant que profil d'extraction ; un générateur de plan configuré de manière à produire un plan de travail sur la base du profil d'extraction ; et une interface de sortie configurée de manière à délivrer le plan de travail produit par le générateur de plan.
Le dispositif de gestion de l'isolement peut, en outre, comprendre un vérificateur configuré de manière à vérifier le profil d'états respectifs sur les
-3composants à l'extérieur de la zone cible en liaison avec le changement d'état de chaque composant dans la zone cible en fonction du plan de travail.
De préférence, les circuits d'apprentissage approfondi comportent une couche intermédiaire comprenant un réseau de neurones multicouche et sont configurés de manière à acquérir une grandeur caractéristique de chacun de la pluralité de profils ; et les circuits d'apprentissage approfondi sont, en outre, configurés de manière à extraire le profil d'extraction en fonction la grandeur caractéristique de chacun de la pluralité de profils.
De préférence, les circuits d'apprentissage approfondi comportent un générateur de données d'apprentissage configuré de manière à produire des données d'apprentissage configurées afin de construire le réseau de neurones multicouche.
De préférence, la base de données est configurée de manière à mémoriser des informations sur au moins un plan de travail antérieur ; et le générateur de données d'apprentissage est configuré de manière à produire les données d'apprentissage sur la base du plan de travail antérieur mémorisé dans la base de données.
De préférence, la pluralité de composants comprend un premier type de composant prédéterminé et un second type de composant lié au premier type de composant ;
le générateur de données d'apprentissage est configuré de manière à produire des premières données de matrice, dans lesquelles un état du premier type de composant analysé par l'analyseur est traité en tant que grandeur d'entrée, et des deuxièmes données de matrice, dans lesquelles un état du second type de composant analysé par l'analyseur est traité en tant que grandeur de sortie ; et les circuits d'apprentissage approfondi sont configurés de manière à provoquer l'apprentissage par le réseau de neurones multicouche des données d'apprentissage qui comportent les premières données de matrice et les deuxièmes données de matrice.
De préférence, les circuits d'apprentissage approfondi sont configurés de manière à définir une récompense par rapport aux informations mémorisées dans
-4la base de données, extraire une pluralité de profils spécifiques à partir de la pluralité de profils analysés par l'analyseur, sous la forme d'une pluralité de profils d'extraction, et extraire un profil présentant une valeur de la récompense la plus élevée parmi la pluralité de profils d'extraction.
De préférence, les circuits d'apprentissage approfondi sont configurés de manière à extraire une procédure opérationnelle du travail d'isolement sur la base du profil d’extraction ; et le générateur de plan est configuré de manière à générer le plan de travail sur la base de la procédure opérationnelle extraite par les circuits d'apprentissage approfondi.
De préférence, l'analyseur est configuré de manière à exécuter au moins l'un d'une analyse de circuit analogique, d'une analyse de circuit logique et d’une analyse de recherche de trajet.
La présente invention se rapporte, en outre, à un procédé de gestion de l'isolement comprenant : la mémorisation d'informations, qui se rapportent à une usine construite avec une pluralité de composants et définissent la relation entre la pluralité de composants dans une base de données ; la réception d'informations de zone cible définissant une zone cible sur l'usine ; l'analyse d'une pluralité de profils d'états respectifs de la pluralité des composants en liaison avec un changement d'état d'au moins un de la pluralité de composants dans la zone cible, sur la base des informations mémorisées dans la base de données ; l'extraction d'un profil spécifique à partir de la pluralité de profils analysés par l'analyseur, en tant que profil d'extraction ; la génération d'un plan de travail sur la base du profil d'extraction ; et la production du plan de travail.
Une brève description des dessins annexés est faite ci-dessous, parmi lesquels :
la figure 1 est un schéma fonctionnel représentant un dispositif de gestion de l'isolement d'un premier mode de réalisation ;
la figure 2 est un schéma simplifié représentant un réseau de neurones multicouche ;
la figure 3 est un schéma de configuration représentant un état d'un dispositif de distribution d'énergie avant le travail d'isolement ;
-5la figure 4 est un schéma de configuration représentant un état d'un dispositif de distribution d'énergie pendant le travail d'isolement ;
la figure 5 est un algorithme représentant la première partie de traitement de gestion de l'isolement ;
la figure 6 est un algorithme représentant la deuxième partie du traitement de gestion de l'isolement consécutif à celui de la figure 5 ;
la figure 7 est un algorithme représentant la troisième partie du traitement de gestion de l'isolement consécutif à ceux des figures 5 ou 6 ;
la figure 8 est un algorithme représentant la partie finale du traitement de gestion de l'isolement consécutif à celui de la figure 7.
Une description détaillée va maintenant être faite ci-dessous.
Dans un mode de réalisation de la présente invention, un dispositif de gestion de l'isolement comprend :
une base de données configurée de manière à mémoriser des informations qui se rapportent à une usine construite avec une pluralité de composants, les informations comprenant une relation entre la pluralité de composants ;
un récepteur configuré de manière à recevoir des informations de zone cible définissant une zone cible sur l'usine ;
un analyseur configuré de manière à analyser une pluralité de profils d'états respectifs de la pluralité de composants en liaison avec un changement d'état d'au moins l'un de la pluralité de composants dans la zone cible, sur la base des informations mémorisées dans la base de données ;
des circuits d'apprentissage approfondi configurés de manière à extraire au moins un profil spécifique à partir de la pluralité de profils analysés par l'analyseur en tant que profil d’extraction ;
un générateur de plan configuré de manière à produire un plan de travail sur la base du profil d'extraction ; et une interface de sortie configurée de manière à délivrer le plan de travail produit par le générateur de plan.
Dans un autre mode de réalisation de la présente invention, un procédé de gestion de l'isolement comprend :
-6la mémorisation d'informations, qui se rapportent à une usine construite avec une pluralité de composants et définissent la relation entre la pluralité de composants dans une base de données ;
la réception d'informations de zone cible définissant une zone cible sur l'usine ;
l'analyse d'une pluralité de profils d'états respectifs de la pluralité des composants en liaison avec un changement d'état d'au moins un de la pluralité de composants dans la zone cible, sur la base des informations mémorisées dans la base de données ;
l'extraction d'un profil spécifique à partir de la pluralité de profils analysés par l'analyseur, en tant que profil d'extraction ;
la génération d'un plan de travail sur la base du profil d'extraction ; et la production du plan de travail.
Selon des modes de réalisation de la présente invention il est créé une technologie de gestion de d'isolement qui permet de produire de manière efficace un plan de travail qui est des plus approprié pour le travail d'isolement.
Ci-dessous, des modes de réalisation vont être décrits en se référant aux dessins annexés. En premier, une usine telle qu'une centrale de production d'énergie est configurée à partir de plusieurs composants tels qu'un dispositif de distribution d'énergie, un dispositif de commande et un dispositif de contrôle. Lorsqu'un événement tel qu'une construction, un contrôle de maintenance ou une réparation d'un dispositif ou ensemble spécifique est exécuté dans une telle usine, il est nécessaire de minimiser l'influence de l'événement sur la sécurité des travailleurs et des autres dispositifs ou ensembles. Ainsi, le dispositif cible ou ensemble cible dans l'événement est isolé électriquement des autres dispositifs ou ensembles et arrêté (mis hors tension). Un tel travail est appelé isolement.
Dans le cas de la création d'un plan de travail d'isolement en technologie classique, un ingénieur spécialisé se réfère à des documents de conception qui comportent un schéma de liaison filaire simple représentatif d'une relation de liaison de composants respectifs, un schéma ECWD (schéma de câblage de commande élémentaire, c'est-à-dire, un type de schéma de circuit développé)
-7représentatif d'une relation de commande de composants respectifs, un schéma IBD (schéma fonctionnel imbriqué), et un schéma logique programmé. Au vu de ces documents, l'ingénieur spécialisé crée un plan de travail d'isolement tout en considérant l'influence du travail d'isolement. Par exemple, lorsqu'un ingénieur formule un plan d'isolement pour une installation de production d'énergie nucléaire, il est nécessaire d'étudier des milliers à des dizaines de milliers de documents associés. De plus, un ingénieur doit posséder une expertise et expérience extensive et un travail important est dépensé. En outre, une alarme informant qu'une anomalie se produit du fait d'une erreur sur le plan qui peut être attribuée à un examen ou supervision insuffisants par un ingénieur. Pour la même raison, il existe aussi un événement pour lequel le fonctionnement de l’usine s'arrête.
En outre, il existe une procédure prédéterminée pour un travail d'isolement réel. Lorsque le travail d'isolement ne se déroule pas exactement selon cette procédure (séquence), une alarme est délivrée ou un verrouillage est activé afin de déclencher un événement qui affecte l'usine. Ainsi, concernant chaque dispositif qui requiert une opération pour le travail d'isolement, il est nécessaire à un ingénieur spécialisé d'évaluer un tel dispositif pour chaque procédure en se référant à des documents de conception et à l'état de l'usine. Ceci nécessite un travail important. Bien qu'il existe un procédé de simulation et d'évaluation de telles procédures évaluées manuellement pour chaque procédure, ce procédé de simulation implique un coût de calcul important.
En outre, dans le cas d’une planification de travail d'isolement, il est, par exemple, concevable qu'une règle soit prévue préalablement pour une borne de cavalier ou disjoncteur de circuit dans le but de réduire fortement le nombre de profils de simulation. Toutefois, lorsqu'un profil d'isolement est extrait par un simulateur, le fait que le profil d'isolement extrait soit ou non le plan optimum n'est pas évident. La définition du terme optimum décrit précédemment dépend des principes de gestion de l'administrateur. Par exemple, un plan d'isolement qui minimise la dose d'exposition de travailleurs est supposé être une idée principale du plan d'isolement optimum. De manière similaire, un plan d'isolement qui
-8minimise le nombre d'étapes de travaux (durée d'opération) est supposé être une idée principale du plan d'isolement optimum.
La référence numérique 1 sur la figure 1 est un dispositif de gestion de l'isolement 1 qui gère un plan de travail d'isolement et produit automatiquement un plan de travail. Le dispositif de gestion de l'isolement 1 est équipé d'une base de données intégrée 2 qui mémorise (a) des documents de conception d'usine, (b) des informations d'opération (c'est-à-dire, des données de traitement), (c) des informations de planification de personnel, (d) des informations d'environnement, (e) des informations de construction, (f) des informations d'incident et (g) un plan de travail d'isolement créé dans le passé. Les documents de conception d'usine comportent, par exemple, un schéma de construction d'usine, un schéma d'agencement, un schéma P&ID, un schéma ECWD, un schéma IBD, un schéma de liaison simple, et un schéma logique programmé. Les informations d'opération sont, par exemple, des informations sur un état opérationnel d'un équipement de commande d'usine, de contrôle et d'instrumentation. Les informations de planification de personnel comportent, par exemple, un plan de construction et de progression dans l'usine. Les informations d'environnement comportent, par exemple, une dose de radiation, une température et une humidité au niveau de chaque site de travail dans l'usine. Les informations de construction sont des informations sur la faisabilité telles que sur des obstacles sur le site de travail, des objets interférant au niveau du site travail et sur le travail à un emplacement avec une altitude élevée. Les informations d'incidents sont des informations sur les événements d'incidents antérieurs, chacun desquels comporte ses informations associées, telles qu'une date, une durée, un emplacement, un nom de dispositif, un nom d'ensemble et une construction.
Les différents types d'élément d'information décrits précédemment sont associés les uns aux autres sur la base de données intégrée 2. En d'autres termes, des données représentatives de différents types d'élément d'information sont structurées. En outre, la base de données intégrée 2 peut être construite sur un serveur de données agencé dans l'usine ou peut être construite sur un serveur agencé sur une installation externe à l'usine. En plus ou en variante, la base de
-9données intégrée 2 peut être construite sur un serveur réparti sur un réseau. En outre, ces différents types d'éléments d'information sont entrés au préalable sur la base de données intégrée 2.
Le dispositif de gestion de l'isolement 1 comporte un simulateur d'usine 3 qui simule un changement de l'influence sur d'autres dispositifs ou d'autres ensembles dans le cas de l'isolement d'un dispositif prédéterminé ou d'un ensemble prédéterminé. Le simulateur d'usine 3 comporte une section d'analyse (c'est-à-dire, un analyseur ou tous autres types de circuits) 4, une section de vérification (c'est-à-dire, un vérificateur ou tous autres types de circuits) 5, et une section de mémorisation de données (c'est-à-dire, une base de données, un tampon, une mémoire ou tous autres types de circuits) 81 qui mémorise différentes données. La section d'analyse 4 est utilisée afin de simuler l'usine dans le cas de production d'un plan de travail d'isolement. La section de vérification 5 est utilisée afin de simuler différents changements se produisant dans l'usine lorsque le travail d'isolement est exécuté selon le plan de travail d'isolement produit.
En outre, la section d'analyse 4 comporte des circuits d'analyse de circuit analogique 6 configurés de manière à analyser un circuit analogique, des circuits d'analyse de circuit logique 7 configurés de manière à analyser un circuit logique et les circuits d'analyse de recherche de trajet 8 configurés de manière à exécuter une analyse de recherche de trajet, par exemple, sur la base de la théorie des graphes. Il est aussi possible d'installer un procédé d'analyse arbitraire (logique) dans la section d'analyse 4 en plus des trois circuits d'analyse 6, 7 et 8 décrits précédemment. Lors du changement d'un état d'un dispositif ou d'un ensemble associé à une zone cible (c'est-à-dire, un site cible ou une partie cible) du travail d'isolement, la section d'analyse 4 analyse des profils de changement d'états respectifs se produisant sur d'autres dispositifs ou ensembles sur la base des informations mémorisées dans la base de données intégrée 2. La section de vérification 5 présente aussi la même configuration que la section d'analyse 4, et vérifie le plan de travail produit sur la base des informations mémorisées dans la base de données intégrée 2.
-10Le dispositif de gestion de l'isolement 1 comporte des circuits d'apprentissage approfondi (par exemple, une unité d'apprentissage approfondi ou un modèle d'apprentissage approfondi) 9 qui exécute un traitement associé à la production d'un plan de travail d'isolement sur la base des données mémorisées dans la base de données intégrée 2 et du résultat d'analyse du simulateur d'usine 3. Les circuits d'apprentissage approfondi 9 comportent un réseau de neurones multicouche 10. Le simulateur d'usine 3 est un ordinateur qui simule le comportement de t'usine. Le circuit d'apprentissage approfondi 9 est un ordinateur équipé d'une intelligence artificielle qui met en œuvre l'apprentissage de machine.
Les circuits d'apprentissage approfondi 9 comportent une section de génération de données d'apprentissage (c'est-à-dire, des circuits) 11 configurés de manière à produire des données d'apprentissage qui sont nécessaires afin d'assurer la construction du réseau de neurones multicouche 10 qui a achevé l'apprentissage. La section de génération de données d'apprentissage 11 comporte des circuits de génération de deuxièmes données de matrice 12 et des circuits de génération de deuxièmes données de matrice 13. Les circuits de génération de premières données de matrice 12 produisent des premières données de matrice dans lesquelles l'état du premier type Je dispositif (composant) analysé par la section d'analyse 4 est traité comme sa grandeur d'entrée X. Les circuits de génération de deuxièmes données de matrice 13 produisent les deuxièmes données de matrice dans lesquelles l'état du second type de dispositif (composant) analysé par la section d'analyse 4 est traité comme sa grandeur de sortie Y.
Les circuits d'apprentissage approfondi 9 comportent, en outre, une section de définition de récompense (c'est-à-dire, des circuits) 14 configurée de manière à définir des récompenses respectives à différents types d'éléments d'information mémorisés dans la base de données intégrée 2, une section d'apprentissage de renforcement (c'est-à-dire, des circuits) 15 configurée de manière à extraire le modèle maximisant la valeur du plan d'isolement sur la base des récompenses, et une section d'extraction de procédure opérationnelle (c'est-à-dire, des circuits) 16 configurée de manière à extraire la procédure opérationnelle (ordre d'exécution) du travail d'isolement.
- il Le simulateur d'usine 3 et les circuits d'apprentissage approfondi 9 peuvent être montés sur des dispositifs individuels ou installés dans un ordinateur ou un serveur sur une installation associée à fusine. En plus, ou en variante, le simulateur d'usine 3 et les circuits d'apprentissage approfondi 9 peuvent être installés sur un serveur réparti à l'extérieur de l'installation associée à l'usine.
Le dispositif de gestion de l'isolement 1 comporte un générateur de plan 17 configuré de manière à produire un plan de travail sur la base d'un modèle prédéterminé extrait par les circuits d'apprentissage approfondi 9 et comporte, en outre, une interface d'utilisateur 18 utilisée par un administrateur du dispositif de gestion de l'isolement L
L'interface d'utilisateur 18 est constituée, par exemple, par un ordinateur personnel ou un terminal sur tablette dans une installation associée à une usine. De plus, l'interface d'utilisateur 18 comporte une section de réception (c'est-à-dire, un récepteur ou une interface d'entrée) 19 et une section de sortie (c'est-à-dire, une interface de sortie) 20. La section de réception 19 reçoit la désignation d'un emplacement (ou zone) dans lequel un dispositif cible (composant) à soumettre à un travail d'isolement dans une usine existe, en tant qu'information de zone cible. La section de sortie 20 délivre le plan de travail produit. En nuire, la section de réception 19 comporte des dispositifs d'entrée tels qu'un clavier et une souris avec lesquels l'administrateur exécute un travail de saisie. En outre, la section de sortie 20 comporte des composants destinés à former une destination d'un plan de travail tel qu'un dispositif d'affichage, un dispositif d'impression et un dispositif de mémorisation de données.
De plus, le dispositif de gestion de l'isolement 1 comporte une unité de commande principale 100 qui commande de manière unitaire la base de données intégrée 2, le simulateur d'usine 3, les circuits d'apprentissage approfondi 9, le générateur de plan 17, et l'interface d'utilisateur 18. En outre, les circuits d'apprentissage approfondi 9 comportent une section de mémorisation de données (c'est-à-dire, base de données, tampon, mémoire ou tous autres types de circuits) 82 qui mémorise différentes données.
La figure 2 représente un premier cas du réseau de neurones multicouche
-12 10. Dans ce réseau de neurones multicouche 10, des unités sont agencées en couches multiples et sont raccordées les unes aux autres. Chaque unité reçoit des entrées multiples U et calcule une sortie Z. La sortie Z de chaque unité est exprimée sous la forme d'une sortie d'une fonction d'activation F de l'entrée totale U. La fonction d'activation F présente un poids et un décalage. Le réseau de neurones 10 comporte une couche d'entrée 21, une couche de sortie 22 et au moins une couche intermédiaire 23.
Dans le présent mode de réalisation, le réseau de neurones 10 comportant la couche intermédiaire 23 comprenant six couches 24 est utilisé. Chaque couche 24 de la couche intermédiaire 23 est composée de 300 unités. En amenant le réseau de neurones multicouche 10 à apprendre les données d'apprentissage au préalable, il est possible d'extraire automatiquement une grandeur caractéristique sur le profil d'un changement d'état du circuit ou de l'ensemble. Le réseau de neurones multicouche 10 peut définir un nombre arbitraire de couches intermédiaires, un nombre arbitraire d'unités, un taux d'apprentissage arbitraire, un nombre d'apprentissage arbitraire et une fonction d'activation arbitraire sur l'interface d'utilisateur 18.
Le réseau de neurones 10 est un modèle mathématique qui exprime des caractéristiques d'une fonction cérébrale par simulation informatique. Par exemple, un neurone artificiel (noeud) qui a formé un réseau par liaison synaptique change de force de couplage synaptique par apprentissage et présente (c’est-à-dire, constitue) un modèle qui a acquis une capacité de résolution de problème. On peut noter que le réseau de neurones 10 du présent mode de réalisation acquiert la capacité de résolution de problème par apprentissage approfondi.
Ensuite, une description des procédés de production d’un plan de travail d'isolement selon le présent mode de réalisation va être donnée. Dans le présent mode de réalisation, une description du travail de remodelage de l'ensemble de distribution d'énergie 25 qui constitue une partie du dispositif d'alimentation en énergie dans l'usine, va être donnée.
La figure 3 est un diagramme représentant l'état de l'ensemble de
-13distribution d'énergie 25 avant le travail d'isolement. La figure 4 est un schéma de configuration représentant l'état de l'ensemble de distribution d'énergie 25 au cours du travail d'isolement. Pour des questions de facilité de compréhension, les circuits de l'ensemble de distribution d'énergie 25 sont simplifiés sur les figures 3 et 4.
Comme cela est montré sur figures 3 et 4, l'ensemble de distribution d'énergie 25 comporte plusieurs disjoncteurs de circuit 26 à 34, plusieurs sectionneurs 35 à 45, plusieurs transformateurs 46 à 52, et plusieurs panneaux de distribution d'énergie 53 à 60. L'ensemble de distribution d'énergie 25 est construit en utilisant ces composants. Les disjoncteurs de circuit 26 à 34 et les sectionneurs 35 à 45 constituent le premier type de composants et les panneaux de distribution d'énergie 53 à 60 raccordés au premier type de composants constituent le deuxième type de composants. En outre, plusieurs bus 61 à 63 sont présents et l'énergie électrique est délivrée aux dispositifs respectifs de l'usine à partir de ces bus 61 à 63 par l'intermédiaire des panneaux de distribution d'énergie 53 à 60.
Le côté supérieur de la feuille de chacune des figures 3 et 4 montre des composants qui sont sur le côté amont et à proximité de la source d'énergie. Le côté inférieur de la feuille de chacune des figures 3 et 4 montre des composants qui sont sur le côté aval et loin de la source d'énergie. Dans le présent mode de réalisation, un cas d'isolement du panneau de distribution d'énergie 53 à partir de l'ensemble de distribution d'énergie 25 est représenté afin de réparer l'un des panneaux de distribution d'énergie 53 prédéterminé. Parmi l'ensemble des disjoncteurs de circuit 26 à 34 et des sectionneurs 35 à 45 sur les figures 3 et 4, ceux marqués par X sont ouverts (c'est-à-dire, dans un état isolé ou un état hors service) et le reste (c'est-à-dire, ceux non marqués par X) sont fermés (c'est-àdire, dans un état conducteur ou un état actif).
Dans le présent mode de réalisation, les panneaux de distribution d'énergie 53 à 55 sont raccordés respectivement aux trois bus 61 à 63. Les panneaux de distribution d'énergie 53 à 55 sont raccordés aux bus 61 à 63 par l'intermédiaire des disjoncteurs de circuit 26 à 28 et des transformateurs 46 et 47. L'énergie électrique est délivrée aux panneaux de distribution d'énergie 56 à 60 sur le côté le
-14plus en aval par l'intermédiaire des panneaux de distribution d'énergie 53 à 55. Les panneaux de distribution d'énergie 53 à 55 sur le côté amont sont raccordés aux panneaux de distribution d'énergie 56 à 60 sur le côté aval par l'intermédiaire des disjoncteurs de circuit 29 à 34, des sectionneurs 35 à 39 et des transformateurs 48, 49, 51, et 52. De plus, les panneaux de distribution d'énergie 56 à 60 sur le côté aval sont raccordés l'un à l'autre par l'intermédiaire des sectionneurs 40 à 44.
Chacun des disjoncteurs de circuit 26 à 34 et des sectionneurs 35 à 45 présente deux états : Actif et Inactif. En outre, chacun des panneaux de distribution d'énergie 53 à 60 présente deux états : fonctionnement et arrêt. Dans le présent mode de réalisation, il existe plusieurs profils d'état lorsque l'état de chacun de ces composants est changé. Parmi ces profils d'état, le profil d'état indicatif de l'état optimum pour l'isolement est spécifié. Dans la description suivante, le premier des panneaux de distribution d'énergie 53 à isoler est désigné de manière appropriée comme le panneau de distribution d'énergie 53 de la zone cible T dans le présent mode de réalisation.
Comme cela est montré à la figure 3, avant le travail d'isolement, l'énergie électrique est délivrée à partir du bus prédéterminé 61 au panneau de distribution d'énergie 53 de la zone cible T. En outre, l'énergie électrique est délivrée aux panneaux de distribution d’énergie 56 et 57 sur le côté aval par l'intermédiaire du panneau de distribution d'énergie 53. Comme pour d'autres panneaux de distribution d'énergie, le panneau de distribution d'énergie 54 est arrêté et les disjoncteurs de circuit 27, 33 et le sectionneur 38 qui sont reliés à ce panneau de distribution d'énergie 54 sont ouverts. Un autre panneau de distribution d'énergie 55 est en fonctionnement, mais le disjoncteur de circuit 34 et le sectionneur 39 sur le côté aval de ce panneau de distribution d'énergie 55 sont ouverts. En d'autres termes, l'énergie électrique est délivrée aux cinq panneaux de distribution d'énergie 56 à 60 sur le côté aval par l'intermédiaire du panneau de distribution d'énergie 53 sur la zone cible T.
Par exemple, dans le cas de l'isolement du panneau de distribution d'énergie 53 de la zone cible T, tous les disjoncteurs de circuit 26 et 29 à 32 raccordés directement au panneau de distribution d'énergie 53 sont ouverts (le disjoncteur de
-15circuit 29 est montré à l'état ouvert à la figure 3) et les sectionneurs 35 et 36 sur le côté aval des disjoncteurs de circuit 29 à 32 ouverts sont ouverts. Dans ce cas, l'alimentation en énergie électrique à partir du bus 61 est arrêtée pour le panneau de distribution d'énergie 53 de la zone cible T et tous les panneaux de distribution d'énergie 56 à 60 sur le côté aval. En d'autres termes, lorsque les états respectifs des disjoncteurs de circuit 26, 29 à 32 et des sectionneurs 35 et 36 sont modifiés par rapport à la zone cible T, les états des panneaux de distribution d'énergie 56 à 60 respectifs au niveau des autres emplacements changent.
Ici, il est supposé qu'il existe une règle opérationnelle de telle sorte que le panneau de distribution d'énergie 56 particulier sur le côté aval conserve l'état alimenté. Sur la base de cette règle opérationnelle, lorsque l’isolement du panneau de distribution d'énergie 53 de l'emplacement cible T est mis en œuvre, le panneau de distribution d'énergie 56 particulier est placé dans un état de défaut d'alimentation et ainsi une alarme d'anomalie est délivrée. Comme cela a été décrit précédemment, il est requis de spécifier le profil d'état de l'alimentation en énergie électrique au panneau de distribution d'énergie 56 particulier par l'intermédiaire d'un autre trajet d'alimentation en énergie d'une telle manière que le profil du changement d'état sur chaque composant ne devienne pas un profil dans lequel une alarme d'anomalie est délivrée.
Par exemple, un trajet d'alimentation en énergie électrique à partir du bus 63 est sécurisé en tant qu'autre trajet d'alimentation en énergie comme cela est montré à la figure 4. L'énergie électrique est délivrée au panneau de distribution d'énergie 60 sur le côté aval en fermant le disjoncteur de circuit 34 et le sectionneur 39 qui sont raccordés au panneau de distribution d'énergie 55 correspondant à ce bus 63. De cette manière, l'énergie électrique est délivrée au panneau de distribution d'énergie 56 particulier à partir du panneau de distribution d'énergie 60. L'état montré sur la figure 4 est le profil spécifique représentatif de l'état optimum dans lequel l'isolement est achevé.
Incidemment, le travail d'isolement comporte une procédure opérationnelle (séquence) des dispositifs prédéterminés. Par exemple, lorsqu'il existe un panneau de distribution d'énergie 56 particulier, le travail d'isolement est mis en œuvre
-16après fixation d'un autre trajet d'alimentation en énergie pour ce panneau de distribution d'énergie 56. De plus, après fermeture des disjoncteur de circuit 34 et sectionneur 39 prédéterminés, les autres disjoncteurs de circuit 26 à 32 et sectionneurs 35 et 36 sont ouverts. En outre, lorsque les disjoncteurs de circuit 30 et 31 et les sectionneurs 35 et 36 sont raccordés l'un à l'autre, les disjoncteurs de circuit 30 et 31 sont ouverts, et après cela, les sectionneurs 35 et 36 respectifs correspondant aux disjoncteurs de circuit 30 et 31 sont ouverts.
Dans le présent mode de réalisation, le profil du changement d'état dans chaque composant optimum pour l'isolement est extrait automatiquement en utilisant le simulateur d'usine 3 et les circuits d'apprentissage approfondi 9. En premier, il va être donné une description d'un cas dans lequel il n'existe pas de modèle du réseau de neurones multicouche 10 qui a achevé l'apprentissage nécessaire pour un apprentissage approfondi.
Comme cela est montré à la figure 1, lors de la production d'un plan de travail, le dispositif de gestion de l'isolement 1 reçoit en premier des informations de zone cible définissant la zone cible T d'isolement. Après cela, un administrateur réalise une opération d'entrée afin de spécifier le panneau de distribution d'énergie 53 de la zone cible T en utilisant l'interface d'utilisateur 18. Lors de la réception de cette opération d'entrée, le dispositif de gestion de l'isolement 1 acquiert des données telles que des documents de conception associés au ou aux dispositifs et à l'ensemble, auxquels le tableau de distribution d'énergie 53 de la zone cible T est raccordé, à partir de la base de données intégrée 2.
En outre, le dispositif de gestion de l'isolement 1 construit des listes des informations de liaison, des informations de dispositif et des informations d'attribut contenues dans les documents de conception, et incorpore les listes dans la section d'analyse 4 du simulateur d'usine 3. En outre, le dispositif de gestion de l'isolement 1 incorpore les informations de procédé et les informations d'état des dispositifs mémorisés dans la base de données intégrée 2 (par exemple, des informations indiquant si les disjoncteurs de circuit 26 à 34 respectifs sont ouverts ou fermés) de la section d'analyse 4.
-17Ici, la section d'analyse 4 exécute une simulation sur la base des listes des informations de dispositif, des informations d'attribut, des informations de liaison et des informations d'état en utilisant les circuits d'analyse de circuit analogique 6, les circuits d'analyse de circuit logique 7 et/ou les circuits· d'analyse de recherche de trajet 8. On peut noter que deux, ou plusieurs de ces fonctions d'analyse 6, 7, 8 peuvent être associées en fonction du circuit cible ou de l'ensemble cible. Par exemple, il est possible d'associer les circuits d'analyse de circuit logique 7 et la fonction d'analyse de recherche de trajet 8 dans le cas d'une simulation de ciblage qui est composée d'un schéma IBD et d'un schéma de dispositif basé sur un schéma de liaison simple. De cette manière, il est possible de simuler le comportement de chaque composant de l'usine et l'influence sur chaque composant de l'usine dans le cas de l'exécution d'un travail d'isolement.
De plus, la section d'analyse 4 délivre l'état de chaque composant (dispositif), par exemple, l'état de conduction du panneau de distribution d'énergie 53 de la zone cible T dans le cas du changement distinct des états respectifs de l'ensemble des disjoncteurs de circuit 26 à 34 et l'ensemble des sectionneurs 35 à 45. Il existe de nombreux profils de changement sur les états respectifs de ces composants. Ces profils de changement sont transmis à la section de génération de données d'apprentissage 11 des circuits d'apprentissage approfondi 9.
En outre, la section de génération de données d'apprentissage 11 traite les attributs ou états des disjoncteurs de circuit 26 à 34 et des sectionneurs 35 à 45 (le premier type de composants) en tant que grandeur d'entrée X et construit des listes des attributs ou états des panneaux de distribution d'énergie 53 à 60 (le second type de composants) en tant que grandeur de sortie Y. On peut noter que les attributs ou états du premier type de composants et du second type de composants sont délivrés à partir de la section d'analyse 4.
La fonction de génération de premières données de matrice 12 de la section de génération de données d'apprentissage 11 exprime l'état (c'est-à-dire, état ouvert ou état bloqué) de chacun des disjoncteurs de circuit 26 à 34 et sectionneurs 35 à 45 sous la forme de 0 ou de 1, et produit ainsi les premières données de matrice de la grandeur d'entrée X qui sont des données des états
-18respectifs de ces composants 26 à 34 et 35 à 45.
La fonction de génération de deuxièmes données de matrice 13 de la section de génération de données d'apprentissage 11 assigne 0 ou 1 à l'état (c'est-à-dire, état conducteur ou état non-conducteur) de chacun des panneaux de distribution d'énergie 53 à 60 lorsque chacun des disjoncteurs de circuit 26 à 34 et sectionneur 35 à 45 est dans un état prédéterminé. En d'autres termes, la fonction de génération de deuxièmes données de matrice 13 exprime l'état de chacun des panneaux de distribution d'énergie 53 à 60 sous la forme de 0 ou de 1, et produit ainsi les deuxièmes données de matrice de la grandeur de sortie Y qui sont des données des états respectifs de ces composants 26 à 34 et 35 à 45 en termes de conduction. Dans le présent mode de réalisation, des valeurs discrètes 0 et 1 sont délivrées en tant que grandeur de sortie. Toutefois, en définissant de manière appropriée des fonctions et paramètres tels que la fonction d'activation dans la couche de sortie, ii est possible de les classer dans des classes multiples autres que 0 et 1 et il est aussi possible de délivrer des valeurs continues.
Le dispositif de gestion de l'isolement 1 amène le réseau de neurones multicouche 10 à apprendre ces données de matrice listées en tant que données d'apprentissage. Les circuits d'apprentissage approfondi 9 construisent le réseau de neurones 10 qui a achevé l'apprentissage, d'une telle manière que le taux de réponse correct du résultat de sortie devienne élevé. Par exemple, les circuits d'apprentissage approfondi 9 construisent le réseau de neurones 10 qui a achevé l'apprentissage, d'une telle-manière que l'incertitude entre le résultat de sortie et la réponse (sortie attendue) dans le cas de l'entrée de données de vérification devient faible.
Ensuite, une description d'une procédure de production d'un plan de travail d'isolement en utilisant le réseau de neurones multicouche 10 qui a achevé l'apprentissage va être donnée. En premier, la désignation du panneau de distribution d’énergie 53 de la zone cible T est reçue en tant qu'information de zone cible en utilisant l'interface d'utilisateur 18. Dans le présent mode de réalisation, une instruction destinée à désactiver le panneau de distribution d'énergie 53 de l'emplacement d'installation T est entrée en tant qu'information de
-19zone cible.
De plus, les informations d'état du panneau de distribution d'énergie 53 de la zone cible T et les informations d'état des disjoncteurs de circuit 26 à 34 et des sectionneurs 35 à 45 sont délivrées à partir de la base de données intégrée 2 aux circuits d'apprentissage approfondi 9. Les disjoncteurs de circuit 26 à 34 et les sectionneurs 35 à 45 sont raccordés en tant que dispositifs au panneau de distribution d'énergie 53 et sont des composants de cet ensemble. Les circuits d'apprentissage approfondi 9 utilisent le réseau de neurones 10, qui a été construit sur la base de la grandeur d'entrée X et a achevé l'apprentissage, de manière à extraire un tel profil d'association des états des disjoncteurs de circuit 26 à 34 et des sectionneurs 35 à 45 dans lequel le panneau de distribution d'énergie 53 de la zone cible T est désactivé.
Dans le présent mode de réalisation, des profils d'associations actif/inactif' des disjoncteurs de circuit 26 à 34 et des sectionneurs 35 à 45 concernant le panneau de distribution d'énergie 53 de la zone cible T sont entrés en tant que grandeur d'entrée X sur le réseau de neurones 10 qui a achevé l'apprentissage. Les circuits d'apprentissage approfondi 9 extraient un tel profil d'associations ACTIF/INACTIF des disjoncteurs de circuit 26 à 3.4 et des sectionneurs 35 à 45 dans lequel le panneau de distribution d'énergie 53 de l'emplacement de cible T est désactivé, à partir de tous les états des panneaux de distribution d'énergie 53 à 60.
Lorsqu'il n'existe pas de procédure opérationnelle (c'est-à-dire, lorsque l'opérateur sur le site peut démarrer à partir d'une opération quelconque) concernant le fonctionnement réel des disjoncteurs de circuit 26 à 34 et des sectionneurs 35 à 45, il est possible de produire le plan de travail d'isolement sur la base du profil extrait de l'association ACTIF/INACTIF.
Au contraire, lorsqu'il existe une procédure opérationnelle spécifique (c'està-dire, lorsque l'opérateur sur le site doit démarrer à partir d'une opération spécifique), les circuits d'apprentissage approfondi 9 introduisent le profil d'association ACTIF/INACTIF extrait (c'est-à-dire, un profil spécifique) et les règles et logique de la procédure opérationnelle dans la section d'extraction de
-20procédure opérationnelle 16. La section d'extraction de procédure opérationnelle 16 extrait la procédure opérationnelle ACTIF/INACTIF des disjoncteurs de circuit 26 à 34 et des sectionneurs 35 à 45 qui correspond aux règles et logique et délivre la procédure opérationnelle extraite. Les règles et logique de la procédure opérationnelle peuvent être entrées sur l'interface d'utilisateur 18 ou être mémorisées au préalable dans la base de données intégrée 2.
La section d’extraction de procédure opérationnelle 16 introduit des profils d'associations ACTIF/INACTIF respectifs des disjoncteurs de circuit 26 à 34 et des sectionneurs 35 à 45, qui peuvent être prélevés au cours du traitement du travail d'isolement, en tant que grandeur d'entrée X dans le réseau de neurones 10 qui a achevé l'apprentissage. La section d'extraction de procédure opérationnelle 16 délivre des profils d'états respectifs des panneaux de distribution d'énergie 53 à 60 en tant que grandeur de sortie Y. Dans ce traitement, la section d'extraction de procédure opérationnelle 16 limite la grandeur d'entrée X et la grandeur de sortie Y sur la base des règles ou logique de la procédure opérationnelle entrées, et ensuite, extrait finalement (liste) la procédure opérationnelle dans laquelle le panneau de distribution d'énergie 53 de la zone cible T est amené dans l'état cible.
En outre, il est supposé que plusieurs plans proposés (choix) existent dans les profils extraits (liste) et la procédure opérationnelle. Ainsi, en utilisant des informations arbitraires telles que des informations d'environnement dans l'usine, le plan optimum proposé est extrait à partir des différents plans proposés en utilisant la section d'apprentissage de renforcement 15. La section d'apprentissage de renforcement 15 utilise l'apprentissage de renforcement qui est un type d'apprentissage de machine. Dans l'apprentissage de renforcement, un agent, qui est un corps conséquent de l'apprentissage, tel qu'un agent logiciel, apprend à maximiser la valeur dans un environnement donné.
Lorsqu'un état St à l'instant t de l'environnement est donné, l'agent perçoit un tel état St de l'environnement et sélectionne une action (ou un ensemble d'actions) A| à l'instant t. Avec une telle action A^, l'agent obtient une récompense numérique q+j et l'état de l'environnement transite de l'état à l'état S^+p Avec
-21 l'apprentissage de renforcement, l'agent sélectionne un ensemble d'actions afin de maximiser une valeur de la récompense totale obtenue (ou dont l'obtention est espérée) au cours d'un tel ensemble d'actions. Une telle récompense totale obtenue (ou dont l'obtention est espérée) au cours d'un ensemble d'actions est appelée une valeur et une telle valeur est formulée comme une fonction de valeur Q(s, a), dans laquelle s représente un état de l'environnement et a représente une action éventuellement prise ou sélectionnée. Dans le présent mode de réalisation, l'apprentissage de renforcement approfondi qui exprime la fonction de valeur par le réseau de neurones multicouche 10 est utilisé.
Le profil extrait et la procédure opérationnelle extraite sont entrés dans la section d'apprentissage de renforcement 15. De plus, les informations arbitraires comportant les informations d'environnement mémorisées dans la base de données intégrée 2 sont entrées dans la section d'apprentissage de renforcement 15. Par exemple, les informations de dose de radiation, de température, d'humidité, de position (coordonnées) pour chaque zone dans la centrale de production d'énergie et/ou la distance de déplacement d'un opérateur sont entrées. En outre, ces éléments d'information sont définis par des récompenses. Par exemple, lorsque l'environnement de la zone dans laquelle le panneau de distribution d'énergie 53 de la zone cible T est agencé est indiqué avec une dose de radiation 1 pSv/h, une température de 25°C, une humidité de 30% et une distance de mouvement de 10 m, les récompenses correspondant à ces quatre valeurs de paramètre sont définies respectivement comme -1 point, -1 point, -6 points et -6 points.
Pour définir ces récompenses, une fonction arbitraire ou formule de conversion définie par l'administrateur peut être utilisée. Par exemple, les informations d'environnement sont définies comme une récompense pour chaque zone dans laquelle chaque composant est agencé, telle que la zone dans laquelle les disjoncteurs de circuit 30 et 31 sont agencés et la zone dans laquelle les sectionneurs 35 et 36 sont agencés.
La grandeur d'entrée X est définie comme la transition de la zone de travail associée au fonctionnement ACTIF/INACTIF des disjoncteurs de circuit 26 à 34 et des sectionneurs 35 à 45, laquelle transition est au moins un des éléments
-22d'information associés à la récompense s, au profil d'entrée, et à la procédure opérationnelle. Une fonction de valeur est exprimée en utilisant le réseau de neurones multicouche 10. En utilisant une telle fonction de valeur, le plan qui présente la valeur la plus élevée parmi les différents plans proposés est déterminé.
Sur la base du plan proposé déterminé, le générateur de plan 17 produit un plan de travail. Ce plan de travail peut être un document composé de phrases et de figures pouvant être identifiées par un opérateur ou des données de support du travail. Le plan de travail produit par le générateur de plan 17 est entré dans la section de vérification 5 du simulateur d'usine 3 avant d'être éventuellement délivré.
La section de vérification 5 vérifie l'influence sur l'usine dans le cas de l'exécution du travail d'isolement en fonction du plan de travail. Par exemple, dans le principe d'évaluation basé sur le simulateur, la vérification est réalisée sur la base de modèles physiques tels que des schémas de circuit et schémas d'ensemble. En outre, il est vérifié si un problème, tel qu'une alarme d'anomalie et une erreur sur le travail d'isolation se produit ou non, dans le cas de l'exécution du travail d'isolement en fonction du plan de travail. De cette manière, il est possible de vérifier si le plan de travail sur la base du profil spécifique extrait par les circuits d'apprentissage approfondi 9 est approprié ou non, avant d'exécuter réellement le travail d'isolement. Lorsqu'il n'existe pas de problème sur le plan de travail en résultat de cette vérification, ce plan de travail est délivré par la section de sortie 20 de l'interface d'utilisateur 18.
Dans le présent mode de réalisation, comme cela a été décrit précédemment, il est possible de produire de manière automatique un plan de travail d'isolement en associant le simulateur d'usine 3 et les circuits d'apprentissage approfondi 9 qui comportent le réseau de neurones multicouche 10. De plus, par comparaison avec le cas dans lequel un plan de travail d'isolement est réalisé par le simulateur seul, le coût de calcul peut être supprimé. En outre, en utilisant la section d'apprentissage de renforcement 15, il est possible de créer automatiquement le plan de travail d'isolement par lequel le travail d'isolement peut être mis en œuvre plus efficacement.
-23Dans le présent mode de réalisation, une grandeur caractéristique de profils de changement est acquise par le réseau de neurones multicouche 10 et un profil spécifique est extrait sur la base de la grandeur caractéristique. Ainsi, l'efficacité de traitement afin d'extraire un profil spécifique à partir de plusieurs profils de changement peut être améliorée.
De plus, il est possible de raccourcir une durée d'extraction d'un profil spécifique à partir de plusieurs profils de changement en amenant le réseau de neurones multicouche 10, qui a achevé l'apprentissage à extraire le profil spécifique.
En outre, la section de génération de données d'apprentissage 11 peut produire un plan de travail qui suit le travail d'isolement exécuté dans le passé, en produisant des données d'apprentissage sur la base des plans de travail antérieurs mémorisés dans la base de données intégrée 2. En résultat, la fiabilité du plan de travail peut être améliorée.
En outre, les circuits d'apprentissage approfondi 9 peuvent produire des données d'apprentissage qui correspondent aux types de composants respectifs constituant l'usine, en amenant le réseau de neurones multicouche 10 à apprendre les données d'apprentissage qui comportent les premières données de matrice et les deuxièmes données de matrice. Ainsi, il est possible de construire le réseau de neurones multicouche 10 approprié pour le travail d'isolement dans l'usine.
La section d'apprentissage de renforcement 15 peut extraire le profil le plus approprié pour le travail d'isolement en extrayant le plan proposé avec la valeur la plus élevée sur la base de la récompense à partir de plusieurs plans proposés respectifs qui sont produits à partir de plusieurs profils spécifiques. Incidemment, la section d'apprentissage de renforcement 15 comporte une fonction d'apprentissage de renforcement approfondi 15A en tant qu'option de l'apprentissage de renforcement, et cette fonction d'apprentissage de renforcement approfondi 15A utilise un réseau de neurones.
En outre, la section d'extraction de procédure opérationnelle 16 peut extraire la procédure opérationnelle la plus appropriée pour le travail d'isolement, en extrayant la procédure opérationnelle du travail d'isolement sur la base des profils
-24spécifiques extraits.
Le dispositif de gestion de l'isolement 1 du présent mode de réalisation comporte des ressources matérielles telles qu'une unité CPU (unité centrale de traitement), une mémoire ROM (mémoire morte), une mémoire RAM (mémoire vive) et un disque HDD (disques dur), et est configuré comme un ordinateur dans lequel un traitement d'informations par logiciel est assuré avec utilisation des ressources matérielles en amenant l'unité CPU à exécuter différents programmes. En outre, le procédé de gestion de l'isolement du présent mode de réalisation est obtenu en amenant l'ordinateur à exécuter les différents programmes.
Ensuite, une description du traitement exécuté par le dispositif de gestion de l'isolement 1 va être donnée en se référant aux algorithmes des figures 5 à 8.
Comme cela est montré à la figure 5, dans l'étape Sll correspondant au trajet RI sur la figure 1, la base de données intégrée 2 mémorise en premier différentes informations comportant des documents de conception de l'usine, des informations de commande, des informations de planification de personnel, des informations d'environnement, des informations de construction, des informations d'incident et des plans de travail antérieurs.
Dans l'étape S12 suivante correspondant aux trajets R2 et R3 sur la figure 1, la section de réception 19 de l'interface d'utilisateur 18 reçoit des informations de zone cible définissant la zone cible T du travail d'isolement sur la base de l'opération entrée par l'administrateur. Par exemple, la désignation du panneau de distribution d'énergie 53 de la zone cible T est reçue en tant qu'information de zone cible.
Dans l'étape SI3 suivante correspondant aux trajets R6 et Rll sur la figure 1, l'unité de commande principale 100 du dispositif de gestion de l'isolement 1 provoque l'acquisition, par la section de mémorisation de données 81 du simulateur d'usine 3 et la section de mémorisation de données 82 des circuits d'apprentissage approfondi 9, d'informations sur le panneau de distribution d'énergie 53 de la zone cible T à partir de la base de données intégrée 2. De manière plus spécifique, les sections de mémorisation de données 81 et 82 acquièrent des informations qui se rapportent au panneau de distribution d'énergie
-2553 (composant) de la zone cible T spécifiée sur l'interface d'utilisateur 18 et constituent aussi des informations sur les disjoncteurs de circuit 26 à 34 et les sectionneurs 35 à 45 à proximité du panneau de distribution d'énergie 53. Par exemple, les sections de mémorisation de données 81 et 82 acquièrent l'état ACTIF/INACTIF ou l'état ouvert/fermé de chacun des panneaux de distribution d'énergie ainsi que des disjoncteurs de circuit 26 à 34 et des sectionneurs 35 à 45.
Dans l'étape S14 suivante correspondant au trajet R4 sur la figure 1, l'unité de commande principale 100 détermine s'il existe ou non un réseau de neurones 10 qui a achevé l'apprentissage par rapport à la zone cible spécifiée par l'interface d'utilisateur 18. Lorsqu'il n'existe pas un tel réseau de neurones 10 qui a achevé l'apprentissage, le traitement passe à l'étape S20 qui va être décrite ultérieurement. Au contraire, lorsqu’il existe un réseau de neurones 10 qui a achevé l'apprentissage, le traitement passe à l'étape S15.
A l'étape S15 correspondant au trajet R6 sur la figure 1, l'unité de commande principale 100 définit le ou les composants et état de la zone cible T dans les circuits d'apprentissage approfondi 9 sur la base des informations acquises à partir de la base de données intégrée 2. Par exemple, l'unité de commande principale 100 définit le panneau de distribution d'énergie 53 à l'état DÉSACTIVÉ.
Dans l'étape S16 suivante, l'unité de commande principale 100 produit une liste de profils d'association des états des composants respectifs associés à la zone cible T sur la base des informations mémorisées dans la base de données intégrée 2. Par exemple, l'unité de commande principale 100 produit une liste d'associations représentatives des états ACTIVÉ/DÉSACTIVÉ respectifs des disjoncteurs de circuit 26 à 34 et des sectionneurs 35 à 45 qui sont raccordés directement ou indirectement au panneau de distribution d'énergie 53 de la zone cible T.
Dans l'étape SI7 suivante correspondant au trajet R7 sur la figure 1, l'unité de commande principale 100 délivre la liste produite des profils d'association des états respectifs des composants concernant la zone cible T au réseau de neurones 10, qui a achevé l'apprentissage et appartient aux circuits d'apprentissage
-26approfondi 9.
Dans l'étape S18 suivante, le réseau de neurones 10 acquiert l'état de chacun des composants de la zone cible T (c'est-à-dire, les composants en rapport avec la zone cible T), et acquiert les résultats d'analyse tels que l'influence sur d'autres composants (c'est-à-dire, des composants sans rapport avec la zone cible T) et le fait qu'une alarme est ou non délivrée.
Dans l'étape S19 suivante correspondant au trajet R20 sur la figure 1, l'unité de commande principale 100 extrait un profil d'état spécifique des composants respectifs par l'apprentissage approfondi du réseau de neurones 10 et provoque la mémorisation, par la section de mémorisation de données 82, du profil extrait. De manière plus spécifique, l'unité de commande principale 100 extrait un tel profil d'association des états respectifs des disjoncteurs de circuit 26 à 34 et des sectionneurs 35 à 45 lorsque le panneau de distribution d'énergie 53 de la zone cible T est amené à être désactivé. Après cela, le traitement passe à l'étape S30 sur la figure 7 qui va décrite ultérieurement.
L'étape S20 sur la figure 6 est le traitement à exécuter immédiatement après l'étape S14 lorsqu'il n'existe pas de réseau de neurones 10 qui a achevé l'apprentissage à l'étape S14. Dans l'étape S20 correspondant au trajet R8 sur la figure 1, la section de génération de données d'apprentissage 11 liste différents éléments d'information contenus dans les informations acquises à partir de la base de données intégrée 2 ou fait l'acquisition des informations qui ont déjà été listées. On peut noter que le verbe lister mentionné précédemment signifie le traitement de données acquises ou l'exécution d'une conversion, dans le présent mode de réalisation.
Dans l'étape S21 suivante correspondant au trajet R9 sur la figure 1, la section d'analyse 4 du simulateur d'usine 3 fait l'acquisition de la liste de différents éléments d'information.
Dans l'étape S22 suivante correspondant au trajet R21 sur la figure 1, la section d'analyse 4 produit un modèle de simulation du dispositif de distribution d'énergie 25 de l'usine sur la base des données mémorisées dans la section de mémorisation de données 81.
-27Dans l'étape S23 suivante, l'unité de commande principale 100 détermine s'il faut utiliser l'apprentissage approfondi. Lorsque la quantité de calculs (c'est-à-dire, la valeur cible de détermination) afin d'assurer l'extraction d'un profil spécifique approprié pour le travail d'isolement est inférieure à une valeur de seuil prédéterminée, c'est-à-dire, lorsque le traitement peut être exécuté par une simulation de Round-Robin, l'unité de commande principale 100 détermine de ne pas utiliser l'apprentissage approfondi et fait avancer le traitement à l'étape S28 qui va être décrite ultérieurement. Au contraire, lorsque la quantité de calculs (c'est-à-dire, valeur cible de détermination) afin d'assurer l'extraction d'un profil spécifique approprié pour le travail d'isolement est supérieure ou égale à la valeur de seuil prédéterminée, c'est-à-dire, lorsque le traitement avec l'utilisation de l'apprentissage approfondi est nécessaire, l'unité de commande principale 100 détermine l'utilisation de l'apprentissage approfondi et fait avancer le traitement à l'étape S24.
Dans l'étape S24 correspondant au trajet RIO sur la figure 1, la section d'analyse 4 du simulateur d'usine 3 produit des données représentatives de l'état de chaque composant et transmet les données produites à la section de génération de données d'apprentissage 11. Par exemple, la section d'analyse 4 produit des données représentatives de l'état de conduction du panneau de distribution d'énergie 53 de la zone cible T dans le cas de changement des états respectifs de l'ensemble des disjoncteurs de circuit 26 à 34 et sectionneurs 35 à 45.
Dans l'étape S25 suivante, la section de génération de données d'apprentissage 11 des circuits d'apprentissage approfondi 9 produit des données d'apprentissage. Par exemple, la section de génération de données d'apprentissage 11 produit les premières données de matrice représentatives des états respectifs des disjoncteurs de circuit 26 à 34 et des sectionneurs 35 à 45, et produit, en outre, les deuxièmes données de matrice représentatives des états respectifs des panneaux de distribution d’énergie 53 à 60.
Dans l'étape S26 suivante correspondant au trajet R5 sur la figure 1, l'unité de commande principale 100 provoque l'exécution par le réseau de neurones
-28multicouche 10 des circuits d'apprentissage approfondi 9 d'un apprentissage dans lequel les données de matrice sont traitées en tant que données d'apprentissage.
Dans l'étape S27 suivante, lès circuits d'apprentissage approfondi 9 construisent le réseau de neurones 10 qui a achevé l'apprentissage et renvoient le traitement à l'étape S15 sur la figure 5.
L'étape S28 sur la figure 6 est le traitement à exécuter immédiatement après l'étape S23 lorsqu'il est déterminé de ne pas utiliser l'apprentissage approfondi. Dans l'étape S28 correspondant au trajet RI 1 sur la figure 1, le simulateur d'usine 3 positionne les composants et état de la zone cible T dans le modèle de simulation de la section d'analyse 4.
Dans l'étape S29 suivante, la simulation de Round-Robin est mise en œuvre et un profil spécifique approprié pour le travail d'isolement est extrait, et ensuite le traitement passe à l'étape S30 sur la figure 7.
Dans l'étape S30 de la figure 7, l'unité de commande principale 100 détermine si une procédure opérationnelle spécifique (c'est-à-dire, un profil spécifique de fonctionnement qui a été extrait et a été mémorisé dans la section de mémorisation de données 81) est nécessaire pour le fonctionnement réel des disjoncteurs de circuit 26 à 34 et des sectionneurs 35 à 45 ou. pas. Lorsque la procédure opérationnelle spécifique n'est pas nécessaire, le traitement passe à l'étape S34 qui va être décrite ultérieurement. Au contraire, lorsque la procédure opérationnelle spécifique est nécessaire, le traitement passe à l'étape S31.
Dans l'étape S31 correspondant aux trajets RI 2 et RI 3 sur la figure 1, l'unité de commande principale 100 entre le profil spécifique mémorisé dans les sections de mémorisation de données 81 et 82 dans la section d'extraction de procédure opérationnelle 16 des circuits d'apprentissage approfondi 9.
Dans l'étape S32 suivante correspondant aux trajets R12 et R13 sur la figure 1, l'unité de commande principale 100 délivre les règles et logique de la procédure opérationnelle se rapportant au fonctionnement réel des disjoncteurs de circuit 26 à 34 et des sectionneurs 35 à 45 dans la section d'extraction de procédure opérationnelle 16 des circuits d'apprentissage approfondi 9.
Dans l'étape S33 suivante, la section d'extraction de procédure
-29opérationnelle 16 spécifie et fait l'acquisition de la procédure opérationnelle qui correspond aux règles et logique.
Dans l'étape S34, l'unité de commande principale 100 amène les circuits d'apprentissage approfondi 9 à produire plusieurs plans proposés en tant que choix sur la base du profil spécifique et de la procédure opérationnelle.
Dans l’étape S35 suivante correspondant au trajet RI 5 sur la figure 1, l'unité de commande principale 100 délivre les différents plans proposés en tant que choix à la section d'apprentissage de renforcement 15 des circuits d'apprentissage approfondi 9.
Dans l'étape S36 suivante correspondant au trajet RI 5 sur la figure 1, l'unité de commande principale 100 entre des informations arbitraires dans la section d'apprentissage de renforcement 15, lesquelles informations arbitraires se rapportent à l'usine et comportent les informations d'environnement acquises à partir de la base de données intégrée 2.
Dans l'étape S37 suivante correspondant au trajet RI4 sur la figure 1, l'unité de commande principale 100 amène la section de définition de récompense 14 des circuits d'apprentissage approfondi 9 à définir une récompense par rapport aux informations arbitraires entrées sur l'usine, et fait ensuite avancer le traitement à l'étape S38 sur la figure 8. La récompense ayant été définie par la section de définition de récompense 14 est entrée dans la section d'apprentissage de renforcement 15, qui correspond au trajet R23 sur la figure 1. Les informations sur la procédure opérationnelle sont aussi entrées dans la section d'apprentissage de renforcement 15, qui correspond au trajet R24 sur la figure 1.
Dans l'étape S38 de la figure 8, l'unité de commande principale 100 détermine si l'apprentissage de renforcement approfondi doit être utilisé afin d'assurer l'extraction du plan optimum à partir des différents plans proposés ou pas. Lorsque la quantité de calculs (c'est-à-dire, une valeur cible de détermination) afin d'assurer l'extraction du plan optimum proposé est. inférieure au seuil prédéterminé, l'unité de commande principale 100 détermine que l'apprentissage de renforcement approfondi est inutile, puis définit une fonction de valeur par des procédés tels que le procédé de Monte Carlo ou l'apprentissage de valeur Q à
-30l'étape S40 et fait ensuite avancer le traitement à l'étape S41.
Au contraire, lorsque la quantité de calculs (c'est-à-dire, une valeur cible de détermination) afin d'assurer l'extraction du plan proposé optimum est supérieure ou égale à la valeur au seuil prédéterminée, c'est-à-dire, lorsqu'il est nécessaire de réaliser le traitement d'extraction du plan proposé optimum en utilisant l'apprentissage de renforcement, l'unité de commande principale 100 détermine futilisation de l'apprentissage de renforcement approfondi, puis amène le réseau de neurones multicouche 10 à exprimer une fonction de valeur dans étape S39, et fait ensuite avancer le traitement à l'étape S41.
Dans l'étape S41 correspondant au trajet R16 sur la figure 1, l'unité de commande principale 100 amène la section d'apprentissage de renforcement 15 des circuits d'apprentissage approfondi 9 à spécifier une valeur calculée par la fonction de valeur pour chacun des différents plans proposés (c'est-à-dire, des choix) et délivre les informations sur la valeur spécifiée au générateur de plan 17.
Dans l'étape S42 suivante correspondant au trajet R17 sur la figure 1, le générateur de plan 17 produit le plan de travail sur la base du plan proposé spécifié qui présente la valeur la plus élevée, et délivre le plan de travail produit à la section de vérification 5 du simulateur d'usine 3.
Dans l'étape S43 suivante correspondant au trajet R22 sur la figure 1, la section de vérification 5 exécute un traitement de vérification de l'influence sur l'usine dans le cas de l'exécution du travail d'isolement en fonction du plan de travail, sur la base des données mémorisées dans la section de mémorisation de données 81.
Dans l'étape S44 suivante correspondant au trajet R18 sur la figure 1, la section de vérification 5 détermine si le plan de travail est approprié ou pas. Lorsqu'il est déterminé que le plan de travail est approprié, le traitement passe à l'étape S45 dans laquelle ce plan de travail est délivré par la section de sortie 20 de l'interface d'utilisateur 18 par l'intermédiaire du générateur de plan 17 comme cela est indiqué par le trajet R19 sur la figure 1, et ensuite l'ensemble du traitement est achevé. Au contraire, lorsqu'il est déterminé que le plan de travail n'est pas approprié, la section de sortie 20 de l'interface d'utilisateur 18 réalise une
-31 notification indiquant que le plan de travail n'est pas approprié, et ensuite l'ensemble du traitement est achevé.
Dans le présent mode de réalisation, la détermination d'une première valeur (c'est-à-dire, une valeur cible) en utilisant une valeur de référence (c'est-à-dire, une valeur de seuil) peut être une détermination du fait que la valeur cible est supérieure ou égale à la valeur de référence ou non.
En plus, ou en variante, la détermination de la valeur cible en utilisant la valeur de référence peut être une détermination du fait que la valeur cible excède la valeur de référence ou non.
En plus, ou en variante, la détermination de la valeur cible en utilisant la valeur de référence peut être une détermination du fait que la valeur cible est inférieure ou égale à la valeur de référence ou non.
En plus, ou en variante, la détermination de la première valeur en utilisant la valeur de référence peut être une détermination du fait que la valeur de cible est inférieure à la valeur de référence ou non.
En plus, ou en variante, la valeur de référence n'est pas nécessairement fixée et la valeur de référence peut être modifiée. Ainsi, une plage prédéterminée de valeurs peut être utilisée plutôt que la valeur de référence, et la détermination de la valeur cible peut être une détermination du fait que la valeur cible est comprise dans la plage prédéterminée ou non.
Bien qu'un mode dans lequel chaque étape est exécutée en série soit représenté sur les algorithmes du présent mode de réalisation, l'ordre d'exécution des étapes respectives n'est pas nécessairement fixé et l'ordre d'exécution d'une partie des étapes peut être modifié. De plus, certaines étapes peuvent être exécutées en parallèle avec une autre étape.
Le dispositif de gestion de l'isolement 1 du présent mode de réalisation comporte un dispositif de mémorisation tel qu'une mémoire ROM (mémoire morte) et une mémoire RAM (mémoire vive), un dispositif de mémorisation externe tel qu'un disque HDD (disque dur) et un disque SDD (disque à semiconducteur), un dispositif d'affichage tel qu'un écran d'affichage, un dispositif d'entrée tel qu'une souris et un clavier, une interface de communication, et un
-32dîspositif de commande qui comporte une unité de traitement à niveau d'intégration élevé telle qu'une puce électronique à usage spécifique, un réseau FPGA (réseau de portes programmable sur site), une unité GPU (unité de traitement graphique) et une unité CPU (unité centrale de traitement). Le dispositif de gestion de l'isolement 1 peut être mis en œuvre par une configuration matérielle en utilisant un ordinateur normal.
On peut noter que chaque programme exécuté sur le dispositif de gestion de l'isolement 1 du présent mode de réalisation est proposé en étant incorporé au préalable dans une mémoire, telle qu'une mémoire ROM. En plus, ou en variante, chaque programme peut être proposé en étant mémorisé sous la forme d'un fichier présentant un format pouvant être installé ou exécuté sur un support de mémorisation non volatile pouvant être lu par ordinateur, tel qu'un disque CDROM, un disque CD-R, une carte de mémoire, un disque DVD et un disque flexible (FD).
De plus, chaque programme exécuté dans le dispositif de gestion de l'isolement 1 peut être mémorisé sur un ordinateur raccordé à un réseau tel qu'Intemet et peut être proposé en téléchargement par l'intermédiaire d'un réseau. En outre, le dispositif de gestion de l'isolement 1 peut aussi être configuré par interconnexion et association de modules distincts, qui présentent indépendamment les fonctions respectives des composants, par l'intermédiaire d'un réseau ou d'une ligne spécifique.
Bien qu'un travail de remodelage du dispositif de distribution d'énergie 25 constituant une partie du dispositif d'alimentation en énergie de l'usine soit décrit à titre d'exemple dans le présent mode de réalisation, la présente invention peut être appliquée dans le but de produire un plan de travail d'isolement autre que pour le dispositif de distribution d'énergie.
On peut noter que les circuits d'apprentissage approfondi 9 peuvent extraire le profil présentant le plus faible changement se produisant à d'autres emplacements sous la forme d'un profil spécifique. De cette manière, il est possible d'extraire le profil qui présente la moindre influence sur d'autres composants (c'est-à-dire, des composants sans rapport avec la zone cible T) et est
-33le plus approprié pour le travail d'isolement.
Selon les modes de réalisation décrits précédemment, il est possible de produire de manière efficace un plan de travail plus approprié au travail d'isolement en intégrant (a) un analyseur configuré de manière à analyser des profils de changement d'état se produisant sur des composants à d'autres emplacements dans le cas du changement de l'état d'un composant se rapportant à une zone cible définie et (b) des circuits d'apprentissage approfondi configurés de manière à extraire un profil spécifique à partir de plusieurs profils du changement d'état analysé par l'analyseur sur la base de l'apprentissage approfondi.
Bien que certains modes de réalisation aient été décrits, ces modes de réalisation ont été présentés uniquement à titre d'exemple et ne sont pas destinés à limiter la portée de l'invention. Evidemment, les nouveaux procédés et dispositifs décrits ici peuvent être mis en œuvre suivant une variété d'autres formes ; en outre, différentes omissions, substitutions et modifications sur la forme des procédés et dispositifs décrits ici peuvent être réalisées sans s'écarter de l'esprit de l'invention.

Claims (10)

  1. REVENDICATIONS
    1. Dispositif de gestion de l'isolement (1) comprenant :
    une base de données (2) configurée de manière à mémoriser des informations qui se rapportent à une usine construite avec une pluralité de composants (26), les informations comprenant une relation entre la pluralité de composants (26) ;
    un récepteur configuré de manière à recevoir des informations de zone cible définissant une zone cible sur l'usine ;
    un analyseur configuré de manière à analyser une pluralité de profils d'états respectifs de la pluralité de composants (26) en liaison avec un changement d'état d'au moins l'un de la pluralité de composants (26) dans la zone cible, sur la base des informations mémorisées dans la base de données (2) ;
    des circuits d'apprentissage approfondi (9) configurés de manière à extraire au moins un profil spécifique à partir de la pluralité de profils analysés par l'analyseur en tant que profil d'extraction ;
    un générateur de plan (17) configuré de manière à produire un plan de travail sur la base du profil d'extraction ; et une interface de sortie (18) configurée de manière à délivrer le plan de travail produit par le générateur de plan.
  2. 2. Dispositif de gestion de l'isolement (1) selon la revendication 1, comprenant, en outre, un vérificateur configuré de manière à vérifier le profil d'états respectifs sur les composants (26) à l'extérieur de la zone cible en liaison avec le changement d'état de chaque composant dans la zone cible en fonction du plan de travail.
  3. 3. Dispositif de gestion de l'isolement (1) selon la revendication 1 ou
    2, dans lequel les circuits d'apprentissage approfondi (9) comportent une couche intermédiaire comprenant un réseau de neurones multicouche et sont configurés de manière à acquérir une grandeur caractéristique de chacun de la
    -35pluralité de profils ; et les circuits d'apprentissage approfondi (9) sont, en outre, configurés de manière à extraire le profil d'extraction en fonction la grandeur caractéristique de chacun de la pluralité de profils.
  4. 4. Dispositif de gestion de l'isolement (1) selon la revendication 3, dans lequel les circuits d'apprentissage approfondi (9) comportent un générateur de données d'apprentissage configuré de manière à produire des données d'apprentissage configurées afin de construire le réseau de neurones multicouche.
  5. 5. Dispositif de gestion de l'isolement (1) selon la revendication 4, dans lequel la base de données (2) est configurée de manière à mémoriser des informations sur au moins un plan de travail antérieur ; et le générateur de données d'apprentissage est configuré de manière à produire des données d'apprentissage sur la base du plan de travail antérieur mémorisé dans la base de données.
  6. 6. Dispositif de gestion de l'isolement (1) selon la revendication 4 ou 5, dans lequel la pluralité de composants (26) comprend un premier type de composant prédéterminé et un second type de composant lié au premier type de composant ;
    le générateur de données d'apprentissage est configuré de manière à produire des premières données de matrice, dans lesquelles un état du premier type de composant analysé par l'analyseur est traité en tant que grandeur d'entrée, et des deuxièmes données de matrice, dans lesquelles un état du second type de composant analysé par l'analyseur est traité en tant que grandeur de sortie ; et les circuits d’apprentissage approfondi (9) sont configurés de manière à provoquer l'apprentissage par le réseau de neurones multicouche des données d'apprentissage qui comportent les premières données de matrice et les deuxièmes données de matrice.
  7. 7. Dispositif de gestion de l'isolement (1) selon l'une quelconque des revendications 3 à 6,
    -36dans lequel les circuits d'apprentissage approfondi (9) sont configurés de manière à :
    définir une récompense par rapport aux informations mémorisées dans la base de données, extraire une pluralité de profils spécifiques à partir de la pluralité de profils analysés par l'analyseur, sous la forme d'une pluralité de profils d’extraction, et extraire un profil présentant une valeur de la récompense la plus élevée parmi la pluralité de profils d'extraction.
  8. 8. Dispositif de gestion de l'isolement (1) selon l'une quelconque des revendications 1 à 7, dans lequel les circuits d'apprentissage approfondi (9) sont configurés de manière à extraire une procédure opérationnelle du travail d'isolement sur la base du profil d'extraction ; et le générateur de plan (17) est configuré de manière à générer le plan de travail sur la base de la procédure opérationnelle extraite par les circuits d'apprentissage approfondi.
  9. 9. Dispositif de gestion de l'isolement (1) selon l'une quelconque des revendications 1 à 8, dans lequel l'analyseur est configuré de manière à exécuter au moins l'un d'une analyse de circuit analogique, d'une analyse de circuit logique et d'une analyse de recherche de trajet.
  10. 10. Procédé de gestion de l'isolement comprenant :
    la mémorisation d'informations, qui se rapportent à une usine construite avec une pluralité de composants (26) et définissent la relation entre la pluralité des composants (26) dans une base de données ;
    la réception d'informations de zone cible définissant une zone cible sur l'usine ;
    l'analyse d'une pluralité de profils d'états respectifs de la pluralité des composants (26) en liaison avec un changement d'état d'au moins un de la pluralité de composants (26) dans la zone cible, sur la base des informations mémorisées dans la base de données ;
    -37l'extraction d'un profil spécifique à partir de la pluralité de profils analysés par l'analyseur, en tant que profil d'extraction ;
    la génération d'un plan de travail sur la base du profil d'extraction ; et la production du plan de travail.
    1/8 i
    U*
    2/8
FR1851684A 2017-02-27 2018-02-27 Dispositif de gestion de l'isolement et procede de gestion de l'isolement Active FR3063369B1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017034494 2017-02-27
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

Publications (2)

Publication Number Publication Date
FR3063369A1 true FR3063369A1 (fr) 2018-08-31
FR3063369B1 FR3063369B1 (fr) 2023-12-01

Family

ID=61783751

Family Applications (1)

Application Number Title Priority Date Filing Date
FR1851684A Active FR3063369B1 (fr) 2017-02-27 2018-02-27 Dispositif de gestion de l'isolement et procede de gestion de l'isolement

Country Status (8)

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

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110998585B (zh) * 2017-06-22 2024-07-16 株式会社半导体能源研究所 布局设计系统及布局设计方法
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
JP7548099B2 (ja) * 2021-03-26 2024-09-10 横河電機株式会社 解析装置、解析方法およびプログラム
CN115098626B (zh) * 2022-06-10 2024-08-09 中核核电运行管理有限公司 一种核电厂隔离信息精准匹配方法
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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0646528B2 (ja) 1989-02-08 1994-06-15 富士電機株式会社 多相無接点接触器
JP2008181283A (ja) 2007-01-24 2008-08-07 Toshiba Corp 誤アイソレーション防止装置
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

Family Cites Families (30)

* 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
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
JP3231403B2 (ja) * 1992-07-22 2001-11-19 株式会社東芝 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
KR100380308B1 (ko) * 2000-12-12 2003-04-16 한국전기연구원 신경회로망을 이용한 동기 차단기의 개폐 제어장치
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
JP3619998B2 (ja) * 2002-01-04 2005-02-16 富士通株式会社 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
JP5268400B2 (ja) * 2008-03-18 2013-08-21 株式会社東芝 工程管理システム
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
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
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
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
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
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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0646528B2 (ja) 1989-02-08 1994-06-15 富士電機株式会社 多相無接点接触器
JP2008181283A (ja) 2007-01-24 2008-08-07 Toshiba Corp 誤アイソレーション防止装置
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MAHMOUD HUSSAN ET AL: "Intelligent techniques for electrical power system restoration", POWER SYSTEMS CONFERENCE, 2006. MEPCON 2006. ELEVENTH INTERNATIONAL MIDDLE EAST, IEEE, PISCATAWAY, NJ, USA, 19 December 2006 (2006-12-19), pages 498 - 502, XP031595199, ISBN: 978-1-4244-5111-1 *
NAITO SUSUMU ET AL: "APPLICATIONS OF DATA MINING TECHNOLOGY TO ENHANCE O&M: AUTOMATIC PLANNING OF ELECTRICAL ISOLATION WITH DEEP LEARNING", 11 June 2017 (2017-06-11) - 15 June 2017 (2017-06-15), pages 1142 - 1148, XP055830386, Retrieved from the Internet <URL:http://npic-hmit2017.org/wp-content/data/pdfs/255-20208.pdf> *
VESCIO GIOVANNI ET AL: "A Petri Net model for electrical power systems operating procedures", 2015 ANNUAL RELIABILITY AND MAINTAINABILITY SYMPOSIUM (RAMS), IEEE, 26 January 2015 (2015-01-26), pages 1 - 6, XP032775729, DOI: 10.1109/RAMS.2015.7105063 *
ZHOU YANGPING ET AL: "A Human Interface Toolkit for Developing Operation Support System of Complex Industrial Systems with IVI-COM Technology", 26 January 2015, ADVANCES IN INTELLIGENT DATA ANALYSIS XIX; [LECTURE NOTES IN COMPUTER SCIENCE; LECT.NOTES COMPUTER], PAGE(S) 82 - 89, ISBN: 978-3-540-28540-3, ISSN: 0302-9743, XP047542910 *

Also Published As

Publication number Publication date
KR20180099469A (ko) 2018-09-05
FR3063369B1 (fr) 2023-12-01
CN108508852A (zh) 2018-09-07
US20180246478A1 (en) 2018-08-30
JP6789848B2 (ja) 2020-11-25
CN108508852B (zh) 2021-08-03
GB2561073B (en) 2020-10-14
JP2018142060A (ja) 2018-09-13
CA2996576A1 (fr) 2018-08-27
RU2678146C1 (ru) 2019-01-23
KR20200074936A (ko) 2020-06-25
GB201802549D0 (en) 2018-04-04
GB2561073A (en) 2018-10-03

Similar Documents

Publication Publication Date Title
FR3063369A1 (fr) Dispositif de gestion de l&#39;isolement et procede de gestion de l&#39;isolement
Groth et al. A hybrid algorithm for developing third generation HRA methods using simulator data, causal models, and cognitive science
US10057144B2 (en) Remote system data collection and analysis framework
Boyko et al. Concept implementation of decision support software for the risk management of complex technical system
US20170248944A1 (en) A method for managing subsystems of a process plant using a distributed control system
Davila-Frias et al. A deep neural network and Bayesian method based framework for all-terminal network reliability estimation considering degradation
US10545465B2 (en) System and method for selecting controllable parameters for equipment operation safety
Meena et al. Performance and cost comparative analysis for M/G/1 repairable machining system with N-policy vacation
Vanderschueren et al. Optimizing the preventive maintenance frequency with causal machine learning
Zhu et al. A system-of-systems framework for performance assessment in complex construction projects
Shirley et al. Development of a quantitative Bayesian network mapping objective factors to subjective performance shaping factor evaluations: An example using student operators in a digital nuclear power plant simulator
US10997513B1 (en) Dynamic, risk informed decision support systems and methods
Alshawish et al. Risk mitigation in electric power systems: Where to start?
EP3729302B1 (fr) Procédé et système d&#39;aide au dépannage d&#39;un système complexe
Tamura et al. Software reliability assessment and optimal version-upgrade problem for open source software
WO2020077051A1 (fr) Système et procédé de gestion de cycle de vie d&#39;automatisation de robot
Chakraborty et al. ESRO: Experience Assisted Service Reliability against Outages
Jordan et al. Predicting KC-135R aircraft availability with aircraft metrics
Petkov et al. Safety investigation of team performance in accidents
Jongsawat et al. Developing a Bayesian network model based on a state and transition model for software defect detection
Bouchart et al. Is rational decision making appropriate for management of irrigation reservoirs?
Melo et al. Dependability approach for evaluating software development risks
Brad et al. Smart deployment of demonstrators into successful commercial solutions
Jackson et al. The challenge of measuring emergency preparedness: integrating component metrics to build system-level measures for strategic national stockpile operations
Yang et al. Reliability Analysis of Model-Driven Process in Cloud Manufacturing Systems

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 3

PLFP Fee payment

Year of fee payment: 4

PLSC Publication of the preliminary search report

Effective date: 20210924

PLFP Fee payment

Year of fee payment: 5

PLFP Fee payment

Year of fee payment: 6

PLFP Fee payment

Year of fee payment: 7