JP2018077757A - 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体 - Google Patents

情報処理装置、情報処理方法、情報処理プログラム及び記録媒体 Download PDF

Info

Publication number
JP2018077757A
JP2018077757A JP2016220524A JP2016220524A JP2018077757A JP 2018077757 A JP2018077757 A JP 2018077757A JP 2016220524 A JP2016220524 A JP 2016220524A JP 2016220524 A JP2016220524 A JP 2016220524A JP 2018077757 A JP2018077757 A JP 2018077757A
Authority
JP
Japan
Prior art keywords
maintenance
information
measurement data
sensor
information processing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2016220524A
Other languages
English (en)
Inventor
豪 ▲高▼見
豪 ▲高▼見
Go Takami
祐一 野坂
Yuichi Nosaka
祐一 野坂
宏紹 後藤
Hirotsugu Goto
宏紹 後藤
萌 徳岡
Moe Tokuoka
萌 徳岡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yokogawa Electric Corp
Original Assignee
Yokogawa Electric Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yokogawa Electric Corp filed Critical Yokogawa Electric Corp
Priority to JP2016220524A priority Critical patent/JP2018077757A/ja
Priority to EP17200693.4A priority patent/EP3321756B1/en
Priority to US15/808,048 priority patent/US11126150B2/en
Priority to CN201711096952.8A priority patent/CN108073154B/zh
Publication of JP2018077757A publication Critical patent/JP2018077757A/ja
Priority to JP2019181973A priority patent/JP6950727B2/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • 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
    • G05B13/029—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 and expert systems
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • G01D18/008—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00 with calibration coefficients stored in memory
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/16—Error detection or correction of the data by redundancy in hardware
    • G06F11/1608—Error detection by comparing the output signals of redundant hardware
    • 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
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/149—Network analysis or design for prediction of maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

【課題】センサの保全時期を正しく判断して保全コストの低減を図ることができる情報処理装置、情報処理方法、情報処理プログラム及び記録媒体を提供する。
【解決手段】情報処理装置は、センサの測定データを取得する測定データ取得部と、作業者によって実施されたセンサの保全に係る保全情報を取得する保全情報取得部と、取得された測定データに対して、取得された保全情報をラベル情報として対応付けた教師データを学習して判定モデルを生成する学習部と、生成された判定モデルを記憶する判定モデル記憶部とを備える。
【選択図】図４

Description

本発明は、情報処理装置、情報処理方法、情報処理プログラム及び記録媒体に関する。
従来から、化学等の工業プラント、ガス田や油田等の井戸元やその周辺を管理制御するプラント、水力・火力・原子力等の発電を管理制御するプラント、太陽光や風力等の環境発電を管理制御するプラント、上下水やダム等を管理制御するプラント等のプラントや工場等（以下、これらを総称する場合には「プラント」という）においては、フィールド機器と呼ばれる測定器又は操作器等の現場機器と、これらを制御する制御装置とが通信手段を介して接続された分散制御システム（ＤＣＳ：Ｄｉｓｔｒｉｂｕｔｅｄ Ｃｏｎｔｒｏｌ Ｓｙｓｔｅｍ）が構築されており、高度な自動操業が実現されている。
上記のような高度な自動操業を実現するために構築されるプラントのシステム等においては、プラントの収量、運転状況、アラームの発生状況等のプラントの状態は、プラント内に配置されているセンサ（計測機器等を含む）で測定される。センサによって測定された測定データは、ＤＣＳ等の制御装置によって取得されてプラントの制御に使用される。測定データを測定するセンサは、使用時間や使用環境によって故障したり測定値がシフトしたりする。センサが故障等した場合、プラントの操業に影響を与える可能性があるため、プラントを保全する作業者は、センサが故障等する前に定期的にセンサを調整し又は交換したりする保全作業（メンテナンス）を実施している。
一方、プラントの制御において、センサの測定データを教師データとして機械学習させて判定モデルを作成して、判定モデルによってセンサの故障や劣化を診断する機械学習システムがある（例えば、特許文献１〜２、非特許文献１を参照）。
特開２０１４−１７４９９３号公報 特表２０１５−５３０６５２号公報
▲高▼見 豪、外３名、「機械学習を用いたセンサデータ解析の可能性」、横河技報、横河電機株式会社、Ｖｏｌ．５９ Ｎｏ．１（２０１６）ｐ．２７−３０
しかし、センサの劣化の進行状況や寿命は、センサの使用状況や設置環境によって大きく異なるため、センサを定期的に保全する場合、調整や交換の未だ必要でないセンサにおいても保全作業が実施されることになり、保全作業に伴うコストが上昇してしまう場合があった。また、作業者がセンサの使用状況を個別に判断して、センサの保全時期が決定される場合があった。
また、センサの測定データを教師データとして学習させて故障や劣化を機械学習によって判定する場合、教師データが定期的な保全作業によって影響を受けるため、単に測定データを時系列で取得するだけでは故障等の前兆を示す教師データの取得が困難になり、故障等を判定する判定モデルの生成ができない場合があった。
本発明は上記事情に鑑みてなされたものであり、センサの保全時期を正しく判断して保全コストの低減を図ることができる情報処理装置、情報処理方法、情報処理プログラム及び記録媒体を提供することを目的とする。
（１）上記の課題を解決するため、本発明の情報処理装置は、センサの測定データを取得する測定データ取得部と、作業者によって実施された前記センサの保全に係る保全情報を取得する保全情報取得部と、取得された前記測定データに対して、取得された前記保全情報をラベル情報として対応付けた教師データを学習して判定モデルを生成する学習部と、生成された前記判定モデルを記憶する判定モデル記憶部とを備える。
（２）また、本発明の情報処理装置において、記憶された前記判定モデルを用いて取得された前記測定データに基づき、前記センサの保全計画を生成する保全計画生成部と、生成された前記保全計画を報知する保全計画報知部とをさらに備える。
（３）また、本発明の情報処理装置において、前記測定データ取得部は、複数種類の前記測定データを取得して、前記学習部は、取得された前記複数種類の測定データに対して前記保全情報をラベル情報として対応付けて学習する。
（４）また、本発明の情報処理装置において、前記学習部は、前記保全の実施状況に基づき、前記測定データと前記ラベル情報を対応付けて学習する。
（５）また、本発明の情報処理装置において、前記作業者が記録した保全記録の画像情報を文字情報に変換するＯＣＲ処理部をさらに備え、前記保全情報取得部は、文字情報に変換された前記保全記録を取得することにより前記保全情報を取得する。
（６）また、本発明の情報処理装置において、前記学習部は、取得された前記測定データを教師データとするか否かを選択し、選択した教師データを学習する。
（７）上記の課題を解決するため、本発明の情報処理方法は、センサの測定データを取得する測定データ取得ステップと、作業者によって実施された前記センサの保全に係る保全情報を取得する保全情報取得ステップと、取得された前記測定データに対して、取得された前記保全情報をラベル情報として対応付けた教師データを学習して判定モデルを生成する学習ステップと、生成された前記判定モデルを記憶する判定モデル記憶ステップと、記憶された前記判定モデルを用いて取得された前記測定データに基づき、前記センサの保全計画を生成する保全計画生成ステップと、生成された前記保全計画を報知する保全計画報知ステップとを含む。
（８）上記の課題を解決するため、本発明の情報処理プログラムは、センサの測定データを取得する測定データ取得処理と、作業者によって実施された前記センサの保全に係る保全情報を取得する保全情報取得処理と、取得された前記測定データに対して、取得された前記保全情報をラベル情報として対応付けた教師データを学習して判定モデルを生成する学習処理と、生成された前記判定モデルを記憶する判定モデル記憶処理と、記憶された前記判定モデルを用いて取得された前記測定データに基づき、前記センサの保全計画を生成する保全計画生成処理と、生成された前記保全計画を報知する保全計画報知処理とをコンピュータに実行させる。
（９）上記の課題を解決するため、本発明の記録媒体は、センサの測定データを取得する測定データ取得処理と、作業者によって実施された前記センサの保全に係る保全情報を取得する保全情報取得処理と、取得された前記測定データに対して、取得された前記保全情報をラベル情報として対応付けた教師データを学習して判定モデルを生成する学習処理と、生成された前記判定モデルを記憶する判定モデル記憶処理と、記憶された前記判定モデルを用いて取得された前記測定データに基づき、前記センサの保全計画を生成する保全計画生成処理と、生成された前記保全計画を報知する保全計画報知処理とをコンピュータに実行させる情報処理プログラムを記録している。
本発明によれば、センサの保全時期を正しく判断して保全コストの低減を図ることができる情報処理装置、情報処理方法、情報処理プログラム及び記録媒体を提供することを提供することができる。
実施形態の情報処理装置を用いるプラントの構成例を示す図である。 実施形態の情報処理装置の入力情報と出力情報の一例を示す図である。 実施形態の情報処理装置のハードウェア構成の一例を示すブロック図である。 実施形態の情報処理装置のソフトウェア構成の一例を示すブロック図である。 実施形態の情報処理装置における学習フェーズの動作の一例を示すフローチャートである。 実施形態の情報処理装置における実行フェーズの動作の一例を示すフローチャートである。 実施形態の情報処理装置が保全情報を取得する点検簿の一例を示す図である。 実施形態の情報処理装置１が生成する教師データの一例を示す図である。 実施形態の情報処理装置における測定データに対するラベルの対応付けの一例を示す図である。
以下、図面を参照して本発明の一実施形態における情報処理装置、情報処理方法、情報処理プログラム及び記録媒体について詳細に説明する。
先ず、図１を用いて、情報処理装置を用いるプラントの概要を説明する。図１は、実施形態の情報処理装置を用いるプラントの構成例を示す図である。図１において、プラント１００は、情報処理装置１、基幹業務システム２、製造実行システム３、運転制御装置４、操作盤５、保全機器６、フィールドオペレータ端末７、プラント機器Ｐ０を有する。プラント機器Ｐ０は、反応器Ｐ１、センサＳ１を有する。プラント機器Ｐ０は、所定の生成物（生産物）を生成する。図１においては、プラントにおいて複数設置されるセンサの一例としてセンサＳ１を保全作業の対象とする場合を例示する。
反応器Ｐ１は、例えば投入された材料を化学反応させて生成物を生成させる装置である。センサＳ１は、反応器Ｐ１の運転状態を示す測定データを測定する。反応器Ｐ１の運転状態を示す測定データとは、例えば、反応器Ｐ１内部における圧力、温度、ｐＨ、生成物の流量等の物理量のデータである。センサＳ１は、パラメータ１、パラメータ２及びパラメータ３の３種類の測定値を運転制御装置４に入力する。
センサＳ１は使用状況によって経年的に劣化し又は故障する。プラントを保全する保全作業者は、センサＳ１の測定値等の状態を定期的又は不定期にチェックして、必要に応じてセンサＳ１の保全作業を実施する。本実施形態においてセンサＳ１に実施する保全作業は、センサの清掃、センサのゼロ点調整、及びセンサの交換の３種類であるものとして説明する。
例えば、センサの検知部（測定素子）に汚れが付着した場合、センサＳ１が出力するパラメータ１からパラメータ３の測定値に異常が生じる場合がある。保全作業者は、センサＳ１の洗浄の保全作業を行った結果測定値が正常に戻った場合、測定値の異常が検知部に汚れが付着していたことが原因であることを確認することができる。
また、センサＳ１は経年変化によってゼロ点（スパンを含む）がずれて測定値に異常が生じる場合がある。保全作業者は、ゼロ点調整の保全作業を実施して、測定値が正常に戻った場合、測定値の異常がゼロ点調整の不良が原因であることを確認することができる。
また、センサＳ１は、劣化等によって回復不能な故障状態となって測定値に異常が生じる場合がある。保全作業者は、センサを交換する保全作業を実施して、測定値が正常に戻った場合、測定値の異常がゼロ故障が原因であることを確認することができる。
センサＳ１の測定値の異常のこれらの原因は、作業者の経験によって推測されて、保全作業によって確認される。測定値の異常の原因の推測力は、保全作業者の経験レベルによって異なる。従って、例えばセンサＳ１の現在の測定値のみを測定しても異常の原因の特定が困難な場合がある。また、センサＳ１のようにパラメータ１〜パラメータ３のような複数の測定値を出力するセンサにおいては、異常の原因によってパラメータ毎の測定値に対する影響が異なる場合がある。複数の測定値（測定データ）を出力するセンサＳ１においては、測定値間の関係から異常の原因が判断するためには、保全作業者の高い経験レベルが要求される。保全作業者は、保全作業を実施して測定値が正常に戻ることにより異常の原因を確認して、その結果を記録する。例えば、保全機器６を使用して保全作業を行った場合には保全機器６に保全作業の履歴（実績）が記録される。すなわち、保全機器６には、保全作業の内容と、保全作業の実施前後における測定値の変化が記録される。また、保全作業者は、実施した保全内容を点検簿等に記入して記録する。すなわち、保全機器６や点検簿には、センサＳ１の故障判断におけるノウハウが記録される場合がある。
一方、センサＳ１が経年変化する前にセンサＳ１のゼロ点調整や交換が行われる場合がある。センサＳ１の異常によるプラントの操業への影響が大きい場合、まだ経年変化や劣化していないセンサを予め定められた期間毎に定期的に調整又は交換する予防的な保全が行われる。センサは使用状況等によって劣化の進行等が異なるため、保全作業を定期的に一律に実施した場合、保全作業がまた不要である正常なセンサに対しても保全作業が実施されることになる。
本実施形態においては、測定値に異常が発生する前に行われる予防的な保全と、異常が発生してから行われる事後的な保全が混在する場合を例示する。また、センサＳ１に対して実施される保全作業として、上述した、（１）ゼロ点調整、（２）センサ洗浄、及び（３）センサ交換の３つを例示して後述する。
情報処理装置１は、運転制御装置４を介してセンサＳ１で測定された、パラメータ１〜パラメータ３の測定データを時系列で取得する。情報処理装置１は、取得した測定データを教師データとして学習して判定モデルを生成し、生成した判定モデルを利用して、取得した測定データに基づきセンサＳ１の保全時期を判定する。情報処理装置１は、判定した判定結果を製造実行システム３、保全機器６、及びフィールドオペレータ端末７に出力するようにしてもよい。情報処理装置１の動作の詳細は後述する。
なお、保全作業を行う作業者は、プラントを操作するフィールドオペレータであってもよい。また、図１においてはプラント機器Ｐ０は、反応器Ｐ１、センサＳ１を有する場合を説明したが、プラント機器Ｐ０の機器構成はこれに限定されるものではない、例えば、プラント機器Ｐ０がタンク、バルブ、ポンプ、他のセンサ等の機器を有するものであってもよい。プラント機器Ｐ０が有するセンサＳ１、バルブ又はポンプ等を、以下「フィールド機器」という。また、図１で図示する各機器を接続する線は、有線又は無線の通信線を示している。有線通信又は無線通信は、図示しない通信機器及びネットワークを介して行われるようにしてもよい。
基幹業務システム２は、例えば、会計処理、生産管理、販売管理等の経営資源を管理するためのプロセス製造業向けＥＲＰ（Ｅｎｔｅｒｐｒｉｓｅ Ｒｅｓｏｕｒｃｅ Ｐｌａｎｎｉｎｇ：経営資源統合）システムである。基幹業務システム２は、プラントの運転状態の情報を経営資源の管理情報として利用してもよい。また、基幹業務システム２は、プラントの保全や修理の業務情報を管理する保全管理システム等を含んでいてもよい。基幹業務システム２は、例えば、サーバ装置、デスクトップ型ＰＣ等の汎用コンピュータである。
製造実行システム３は、例えば、基幹業務システム２と運転制御装置４との間に位置するＭＥＳ（Ｍａｎｕｆａｃｔｕｒｉｎｇ Ｅｘｅｃｕｔｉｏｎ Ｓｙｓｔｅｍ）であり、運転制御装置４が取得したプラント機器Ｐ０の動作状態や作業者の作業状況等を監視し、又は管理する。製造実行システム３は、例えば、サーバ装置、デスクトップ型ＰＣ等の汎用コンピュータである。製造実行システムには、ＰＩＭＳ（Ｐｌａｎｔ Ｉｎｆｏｒｍａｔｉｏｎ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ：プラント情報管理システム）、又はＣＭＭＳ（Ｃｏｍｐｕｔｅｒｉｓｅｄ Ｍａｉｎｔｅｎａｎｃｅ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ：プラント保全管理システム）等の機能を有しているものとする。
ＰＩＭＳは、運転制御装置４から、センサＳ１の測定データ等のプラントの状態情報を収集して記録する。ＰＩＭＳは、センサＳ１の測定データを時系列で収集してヒストリーデータ（履歴データ）として記録する。本実施形態では、ＰＩＭＳは情報処理装置１に対して測定データの履歴データを提供する。情報処理装置１は、後述する機械学習において判定したセンサＳ１の保全予測時期をＰＩＭＳに対して提供する。
ＣＭＭＳは、プラント機器Ｐ０の保全履歴を記録し、保全計画を管理する。ＣＭＭＳは、例えば、保全機器６で実施されて記録されたフィールド機器に対する保全操作の操作履歴を、複数の保全機器６から取得して保全情報として記録する。また、ＣＭＭＳは、フィールドオペレータによって実施された保全作業を手動で入力可能として保全情報として記録してもよい。ＣＭＭＳは、情報処理装置１に対して記録したセンサＳ１の保全情報の履歴を提供する。保全情報の詳細は後述する。
運転制御装置４は、センサＳ１から取得した測定データに基づき、図示しないポンプやバルブを制御して、反応器Ｐ１における生成物の生成を制御する。また、運転制御装置４は、センサＳ１から取得した測定データを情報処理装置１に対して提供する。運転制御装置４は、情報処理装置１において判定されたセンサＳ１の測定値の判定結果を取得して、判定結果に基づいてプラント機器Ｐ０を制御してもよい。運転制御装置４は、例えば、ＦＡ（Ｆａｃｔｏｒｙ Ａｕｔｏｍａｔｉｏｎ）コンピュータ、ＰＬＣ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｃｏｎｔｒｏｌｌｅｒ）等の装置である。
操作盤５は、プラントのフィールドオペレータがフィールド機器の動作状態を監視し、フィールド機器を操作するための装置である。操作盤５は、例えば、ランプ、ディスプレイ等の表示機器、又は押しボタンスイッチ、キーボード等の操作機器を有する。本実施形態において操作盤５は、情報処理装置１において判定されたセンサＳ１の測定値の判定結果を取得して、判定結果をフィールドオペレータに対して報知してもよい。
保全機器６は、フィールドオペレータがフィールド機器の保全を行うための機器である。フィールド機器の保全とは、例えば、フィールド機器に設定された機器情報を読み出して確認する処理、フィールド機器に対して新たな機器情報（パラメータ）を設定する処理、フィールド機器に設定された機器情報を調整又は変更する処理、ならびにフィールド機器に機器情報を設定して所定の動作を実行させる処理等である。保全機器６は、保全機器６において実行されたフィールド機器に対する保全を機器操作履歴として記録する。保全機器６は、情報処理装置１に対して記録した機器操作履歴の情報を提供する。保全機器６は、情報処理装置１において判定されたセンサＳ１の測定値の判定結果に基づく保全計画を取得して、取得した保全計画に基づきフィールドオペレータに対してセンサＳ１の保全作業を指示してもよい。保全機器６は、ノート型又はタブレット型のコンピュータ、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ）、又はスマートフォン等である。
フィールドオペレータ端末７は、フィールドオペレータが所持する端末装置である。フィールドオペレータ端末７は、情報処理装置１において判定されたセンサＳ１の測定値の判定結果を取得して、判定結果に基づきフィールドオペレータに対してセンサＳ１の保全作業を指示してもよい。フィールドオペレータ端末７は、ノート型又はタブレット型のコンピュータ、ＰＤＡ、又はスマートフォン等である。
情報処理装置１は、製造実行システム３、運転制御装置４、操作盤５、保全機器６及びフィールドオペレータ端末７と通信して、センサＳ１の保全に係る機械学習に必要な情報を入力情報として取得して、機械学習の判定結果に基づく情報を出力情報として運転制御装置４等に提供する。
次に、図２を用いて、情報処理装置１が取得する入力情報と情報処理装置１が提供する出力情報を説明する。図２は、実施形態の情報処理装置の入力情報と出力情報の一例を示す図である。
＜入力情報＞
図２にいて、情報処理装置１は、入力情報としてＰＩＭＳ３Ａから、センサＳ１の測定データの履歴（測定データ履歴）を取得する。測定データ履歴は、センサＳ１のパラメータ１〜パラメータ３の測定値とその測定値が測定された測定日時を、測定日時に順に記憶したヒストリーデータである。測定データ履歴に含まれる測定日時が記録された測定データの一部は、後述する保全情報と対応付けられて機械学習の教師データとされる。すなわち、測定データ履歴には、教師データとなる測定データと教師データとしない測定データが含まれる。
また、情報処理装置１は、入力情報としてＣＭＭＳ３Ｂから、センサＳ１の保全作業を記録した保全情報の履歴（保全履歴）を取得する。保全履歴は、センサＳ１に対して実施した保全作業の内容と、その実施日時の情報を含む。図１において説明したように、センサＳ１に対して実施される保全作業は、（１）ゼロ点調整、（２）センサ洗浄、及び（３）センサ交換の３つである。保全履歴には、これらの保全作業のいずれかの保全情報が含まれる。
また、情報処理装置１は、入力情報として運転制御装置４からセンサＳ１の測定データを取得する。運転制御装置４から取得するセンサＳ１の測定データは、例えば、略リアルタイムで取得されたデータである。運転制御装置４から取得された測定データは、機械学習の実行フェーズで判定の対象として用いられる。但し、運転制御装置４から取得された測定データを教師データとして用いてもよい。
また、情報処理装置１は、入力情報として保全機器６から機器操作履歴の保全情報を取得する。保全機器６の機器操作履歴は、ＣＭＭＳ３Ｂを介して取得されるが、情報処理装置１は、保全機器６から直接機器操作履歴を取得するようにしてもよい。
また、情報処理装置１は、保全作業者が記録した点検簿に記入された作業履歴を保全情報として取得する。例えば、情報処理装置１は、点検簿に記入された作業履歴の画像を図３で後述する入力装置１６の一例であるスキャナ１６Ａを光学的に読取り、読み取った画像に対してＯＣＲ（Ｏｐｔｉｃａｌ Ｃｈａｒａｃｔｅｒ Ｒｅｃｏｇｎｉｔｉｏｎ）処理して文字情報を電子データに変換して、保全情報を取得する。点検簿は所定の書式を有し、保全作業者は実施した保全作業を所定の書式に従って記入する。なお、点検簿から取得された保全情報と保全機器６から取得された保全情報はいずれか一方を使用するものであってもよい。
＜出力情報＞
情報処理装置１は、ＰＩＭＳ３Ａに対して、機械学習の判定に基づき、センサＳ１の保全予測時期の情報を提供する。保全予測時期は、例えば、センサＳ１の測定値に異常が発生する時期、又は、センサＳ１に対する保全作業を次回に実施するべき時期等である。フィールドオペレータは、提供された保全予測時期の情報に基づき、センサＳ１の保全計画をすることが可能となる。
また、情報処理装置１は、運転制御装置４に対して、機械学習の判定結果を提供する。運転制御装置４は、提供された判定結果に基づき、プラントの運転を制御する。例えば、運転制御装置４は、判定結果がセンサ交換であった場合、プラントの運転を中止又は中断する制御を行う。
また、情報処理装置１は、保全機器６に対して、機械学習の判定結果に基づき、保全計画の情報を提供する。保全計画の情報は、例えば、センサＳ１の保全作業を含む実施すべき保全作業をＴｏＤｏリストとした情報である。保全作業者は保全機器６を携行し、保全機器６に表示されたＴｏＤｏリストを確認しながら保全作業を実施する。
また、情報処理装置１は、フィールドオペレータ端末７に対して、機械学習の判定結果を提供する。保全作業者はフィールドオペレータ端末７を携行し、フィールドオペレータ端末７に表示された、例えばセンサ交換等の判定結果に基づき保全作業を実施する。
また、情報処理装置１は、フィールドオペレータ端末７同様に、操作盤５に対して、機械学習の判定結果を提供する。保全作業者は、操作盤５に表示された、例えばセンサ交換等の判定結果に基づき保全作業を実施する。
なお、情報処理装置１が出力する判定結果と上述したいずれかの出力の内容を、以下、「保全計画」という。保全計画は保全作業者に報知する保全に関する情報を含むものであればよく、その内容は任意である。保全計画には、例えば判定結果のみを含むものであってもよい。
次に、図３を用いて、情報処理装置１のハードウェア構成を説明する。図３は、実施形態における情報処理装置１のハードウェア構成の一例を示すブロック図である。
図３において、情報処理装置１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１２、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１３、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）１４、表示装置１５、入力装置１６、通信Ｉ／Ｆ（Ｉｎｔｅｒｆａｃｅ）１７、通信Ｉ／Ｆ１８及びこれらを接続するバス１９を有する。
情報処理装置１は、例えば、サーバ装置、デスクトップ型ＰＣ等の汎用コンピュータ、ＦＡコンピュータ、ＰＬＣ等の装置、ノート型又はタブレット型のコンピュータ、ＰＤＡ、又はスマートフォン等である。情報処理装置１のハードウェアは、単体装置として構成されてもよく、また、複数の装置の組合せで構成されるシステムであってもよい。また、情報処理装置１は、他の装置とハードウェアを共用するものであってもよい。
ＣＰＵ１１は、ＲＡＭ１２、ＲＯＭ１３又はＨＤＤ１４に記憶されたプログラムを実行することにより、情報処理装置１の制御を行う。ＣＰＵ１１は、後述する情報処理装置１の動作を実現するための情報処理プログラムを実行する。情報処理プログラムは、例えば、情報処理プログラムを記録した記録媒体、又はネットワークを介した情報処理プログラムを提供するサーバ等から取得されて、ＨＤＤ１４にインストールされ、ＣＰＵ１１から読出し可能にＲＡＭ１２に記憶される。
表示装置１５は、表示機能を有する例えば液晶ディスプレイである。表示装置１５は、ヘッドマウント型ディスプレイ、メガネ型ディスプレイ、腕時計型ディスプレイ等の種々の形態によって実現されてもよい。入力装置１６は、入力機能を有する例えばキーボード又はマウスである。入力装置１６は、音声情報を入力するマイク、画像情報を入力するカメラ又はスキャナ等であってもよい。本実施形態では、入力装置１６としてスキャナ１６Ａを用いるものとする。なお、表示装置１５と入力装置１６は、タッチパネル等、表示機能と入力機能を有する装置によって実現されてもよい。
通信Ｉ／Ｆ１７は、有線通信又は無線通信を介して、図１で説明した、製造実行システム３、運転制御装置４、保全機器６、フィールドオペレータ端末７等の他の装置との通信を制御する。通信Ｉ／Ｆ１７は、接続された他の装置と、データ送受信、音声通話又はメール送受信等の通信制御を行う。通信Ｉ／Ｆ１７は、例えば、無線ＬＡＮ通信、有線ＬＡＮ通信、赤外線通信、近距離無線通信等の汎用通信規格に対応した通信制御を行う。
通信Ｉ／Ｆ１８は、有線通信又は無線通信を介して、運転制御装置４、操作盤５、保全機器６、図示しないフィールド機器等の他の装置との通信を制御する。通信Ｉ／Ｆ１８は、例えば、ＩＳＡ（Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｏｃｉｅｔｙ ｏｆ Ａｕｔｏｍａｔｉｏｎ：国際計測制御学会）の無線通信規格であるＩＳＡ１００、ＨＡＲＴ（Ｈｉｇｈｗａｙ Ａｄｄｒｅｓｓａｂｌｅ Ｒｅｍｏｔｅ Ｔｒａｎｓｄｕｃｅｒ）（登録商標）、ＢＲＡＩＮ（登録商標）、ＦＯＵＮＤＡＴＩＯＮ Ｆｉｅｌｄｂｕｓ、ＰＲＯＦＩＢＵＳ等の工業計器専用の通信規格に対応した通信制御を行う。
次に、図４を用いて、情報処理装置１のソフトウェア構成を説明する。図４は、実施形態における情報処理装置１のソフトウェア構成の一例を示すブロック図である。
図４において、情報処理装置１は、測定データ取得部１０１、保全情報取得部１０２、ＯＣＲ処理部１０３、学習部１０４、判定モデル記憶部１０５、保全計画生成部１０６及び保全計画報知部１０７の各機能を有する。情報処理装置１の上記各機能は、情報処理装置１を制御する情報処理プログラムによって実現される機能モジュールである。情報処理プログラムは、プログラムを提供するサーバから提供され、又は記録媒体から提供されてもよい。
測定データ取得部１０１は、運転制御装置４からセンサＳ１の測定データを取得する。また、測定データ取得部１０１は、ＰＩＭＳ３ＡからセンサＳ１の測定データ履歴を取得する。運転制御装置４から取得される測定データは、センサＳ１から略リアルタイムで取得される。略リアルタイムで取得されるとは、センサＳ１で測定された後直ちに取得される場合、又は所定の遅延時間後に取得される場合である。略リアルタイムには、数秒間等の短時間の周期毎に測定データを取得する場合を含む。一方、ＰＩＭＳ３Ａから取得される測定データ履歴は、例えば１時間、１日、１週間等、所定の期間記録された複数の測定データの履歴である。測定データ履歴は、後述する学習フェーズで利用される。一方、測定データは、実行フェーズ（又は学習フェーズ）で利用される。
なお、測定データ取得部１０１は、プリプロセッサの機能を有するものであってもよい。プリプロセッサは、取得された測定データの中から教師データを選択及び調整して、生成される判定モデルの精度を高める。プリプロセッサは、例えば、外れ値除外処理とノーマライズ処理を行う。外れ値除外処理とは、取得された測定データの中で学習に適さない外れ値を除外する処理である。測定データが外れ値であるか否かは、例えば測定データを標本とした場合の標準偏差や所定の検定方法によって判断することができる。プリプロセッサは、例えば、プラントの立ち上げ時、立下げ時又は休止時等、異常な測定データが取得されることが見込まれるときの測定データを外れ値として除外するようにしてもよい。ノーマライズ処理とは、取得した測定データを分析して測定データの振幅を調整（正規化）する処理である。ノーマライズは、例えば測定データの振幅を取得された振幅の最大値に揃えることにより行う。
保全情報取得部１０２は、保全情報を取得する。保全情報は、保全作業の実績を記録した情報であり、保全作業の実施日時の情報を含む。保全情報取得部１０２は、ＣＭＭＳ３Ｂから、ＣＭＭＳ３Ｂが有する保全情報を取得する。また、保全情報取得部１０２は、保全機器６から機器操作履歴の保全情報を取得する。ＯＣＲ処理部１０３は、スキャナ１６Ａにおいて光学的に読込まれた点検簿の作業履歴の画像情報を文字情報に変換する。保全情報取得部１０２は、文字情報に変換された作業履歴の保全情報を取得する。保全情報取得部１０２は、これらの保全情報のいずれかを取得するものでもよく、また、これらの保全情報の中から複数の保全情報を取得するものであってもよい。
学習部１０４は、測定データ取得部１０１において取得された測定データに対して、保全情報取得部１０２において取得された保全情報をラベル情報として対応付けた教師データを機械学習して判定モデルを生成する。
学習部１０４は、機械学習の手法として、例えば、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）等の非線形分類手法を用いることができる。ＳＶＭは、測定データを入力データとして、測定データをクラスタリングするための判定線（判定モデル）を生成して、生成した判定モデルを用いて測定データのクラスを判定する。判定線とは、測定データをクラスタリングするための境界線である。判定線は測定データを教師データをして学習することによって生成される。
学習部１０４は、分類するクラスがｎクラス（マルチクラス）であるマルチクラスＳＶＭ（ＭＭＳＶＭ）の手法を用いる。ＭＭＳＶＭにおいては、ｎクラスに対して「ｎＣ２」個のＳＶＭが用意される。クラスは対応付けられるラベルによって分類される。ラベルとは、入力された入力データをクラスタリングするためのフラグである。教師データを用いた機械学習においては、入力データの中から教師データとして学習させるデータに対してラベルを対応付けて、ラベル付きの教師データを学習させる。学習部１０４は、教師データを学習して、入力データをどのラベルにクラスタリングするかを判定するための判定モデルを生成する。本実施形態において学習部１０４は、測定データに対して、予め用意された、（１）ゼロ点調整要、（２）センサ洗浄要、（３）センサ交換要、及び（０）問題なしの４つのラベルの中からいずれかのラベルが対応付けられた教師データを学習する。
なお、学習部１０４で用いられる機械学習の手法は、ＳＶＭに限定されるものではなく、例えば、Ｄｅｅｐ Ｌｅａｒｎｉｎｇ等のニューラルネットワークの手法を用いるものであってもよい。
判定モデル記憶部１０５は、学習部１０４において生成された判定モデルを、例えば、図３のＲＯＭ１３又はＨＤＤ１４に読出し可能に記憶する。判定モデル記憶部１０５は、センサＳ１に対して複数の判定モデルを記憶してもよい。
保全計画生成部１０６は、機械学習の実行フェーズにおいて判定モデル記憶部１０５に記憶された判定モデルを読み出し、読み出した判定モデルを用いて、測定データ取得部１０１で取得された測定データを判定する。判定結果は、測定データが上記４つのラベルのいずれかに対応付けられるか（クラスタリングされるか）である。保全計画生成部１０６は、判定結果に基づき、センサＳ１の保全計画を生成する。
例えば、判定結果は、（０）問題なし、（１）ゼロ点調整要、（２）センサ洗浄要及び（３）センサ交換要の４種類である。判定結果が（０）問題なしの場合、保全計画生成部１０６は、保全計画を生成しない又は保全不要の保全計画を生成する。判定結果が（１）ゼロ点調整要の場合、保全計画生成部１０６は、ゼロ点調整の保全計画を生成する。判定結果が（２）センサ洗浄要の場合、保全計画生成部１０６は、センサ洗浄の保全計画を生成する。また、判定結果が（３）センサ交換要の場合、保全計画生成部１０６は、センサ交換の保全計画を生成する。
なお、保全計画生成部１０６が生成する保全計画には、例えば保全が必要となる保全予測時期（予測日時）を含む。保全予測時期は、例えば、測定データと判定モデルの判定線との距離の経時的変化から算出することができる。また、保全計画には、例えば、センサＳ１の保全作業を含む実施すべき保全作業をＴｏＤｏリストとした情報を含んでいてもよい。ＴｏＤｏリストは、例えば、ＣＭＭＳ３Ｂから取得したＴｏＤｏリストの情報に対して判定結果に基づくセンサＳ１の保全項目を追加することで生成することができる。また、保全計画生成部１０６が生成する保全計画には、劣化レベル、緊急度等の情報を含んでいてもよい。劣化レベルは、例えば、判定モデルにおけるクラスタリングに用いる判定線との距離から算出することができる。また、緊急度は測定データを取得したセンサのプラントにおける予め定められた重要度等によって決定することができる。重要度は、例えば、プラントの安全性、プラントで生成される製品の品質への影響の大きさ等において定めてもよい。
保全計画報知部１０７は、保全計画生成部１０６において生成された保全計画を、ＰＩＭＳ３Ａ、運転制御装置４、操作盤５、保全機器６、フィールドオペレータ端末７、表示装置１５等に対して提供することにより、保全者業者に対して保全計画を報知する。
保全計画報知部１０７は、例えば、ＰＩＭＳ３Ａに対して、保全計画として、判定結果（ラベル）とセンサＳ１の保全予測時期の情報を提供する。保全作業者は、ＰＩＭＳ３Ａに提供された保全予測時期の情報の報知に基づき、センサＳ１を保全する計画を立案することができる。
また、保全計画報知部１０７は、例えば、運転制御装置４に対して、保全計画として、判定結果のみを提供する。運転制御装置４は、提供された判定結果に基づき、プラントの運転を制御する。
また、保全計画報知部１０７は、例えば、保全機器６に対して、保全計画として、判定結果とセンサＳ１の保全作業を含むＴｏＤｏリストを提供する。保全作業者は、保全機器６に提供されたＴｏＤｏリストを確認しながら保全作業を実施することができる。
また、保全計画報知部１０７は、例えば、操作盤５又はフィールドオペレータ端末７に対して、保全計画として、判定結果のみを提供する。保全作業者は、操作盤５又はフィールドオペレータ端末７に提供された判定結果に基づきセンサＳ１の保全作業を実施することができる。
なお、図４における情報処理装置１の、測定データ取得部１０１、保全情報取得部１０２、ＯＣＲ処理部１０３、学習部１０４、判定モデル記憶部１０５、保全計画生成部１０６及び保全計画報知部１０７の各機能は、ソフトウェアによって実現される場合を説明した。しかし、上記各機能の中の１つ以上の機能は、ハードウェアによって実現されるものであっても良い。また、上記各機能は、１つの機能を複数の機能に分割して実施してもよい。また、上記各機能は、２つ以上の機能を１つの機能に集約して実施してもよい。
次に、図５を用いて情報処理装置１における学習フェーズの動作を説明する。図５は、実施形態の情報処理装置１における学習フェーズの動作の一例を示すフローチャートである。
学習フェーズは、測定データに基づき判定モデルを生成して登録するまでの処理である。図５に示すフローチャートの動作は、図４で説明した。情報処理装置１の各機能において実行されるものとする。従って、以下の処理の動作主体は情報処理装置１であるものとして説明する。
図５において、情報処理装置１は、測定データを取得したか否かを判断する（ステップＳ１１）。測定データを取得したか否かの判断は、例えば、測定データ取得部１０１がセンサＳ１から測定データを取得したか否かで判断することができる。測定データは、例えばプラントの運転中において毎正時のように定期的に取得される。また、測定データは、不定期に実施される保全作業実施時に保全情報とともに取得される。例えば、ＰＩＭＳ３Ａから取得される測定データ履歴又はＣＭＭＳ３Ｂから保全履歴とともに取得される測定データには、これら定期的に取得された測定データと不定期に取得された測定データを含む。測定データを取得していないと判断した場合（ステップＳ１１：ＮＯ）、情報処理装置１は、ステップＳ１１の処理を繰り返して、測定データが取得されるのを待機する。
一方、測定データを取得したと判断した場合（ステップＳ１１：ＹＥＳ）、情報処理装置１は、保全情報を取得する（ステップＳ１２）。保全情報の取得は、例えば、保全情報取得部１０２が、ＣＭＭＳ３Ｂから取得してＨＤＤ１４等に記憶した保全履歴の保全情報を読み出すことにより取得することができる。
ステップＳ１２の処理を実行後、情報処理装置１は、ＯＣＲ処理を実行する（ステップＳ１３）。ＯＣＲ処理は、例えば、ＯＣＲ処理部１０３が、スキャナ１６Ａによって光学的に読取られた点検簿の保全記録の画像情報を文字情報に変換することにより実行される。ＯＣＲ処理によって点検簿の保全記録を取得することにより、ＣＭＭＳ３Ｂ等から取得される保全履歴等の電子的な情報と、紙等に記録された保全記録の情報の一元化をすることができる。
ステップＳ１３の処理を実行後、情報処理装置１は、教師データを生成する（ステップＳ１４）。教師データの生成は、保全の実施状況に基づき、測定データに対して保全情報のラベル情報を対応付けて教師データとする。ここで、保全の実施状況とは、例えば、保全が実施されたか否か（保全の実施の有無）、又は保全が実施された時間等である。
＜保全の実施の有無に基づく教師データの生成＞
学習部１０４は、保全の実施の有無に基づき、測定データに対して保全情報のラベル情報を対応付けて教師データとすることができる。教師データは、測定データと測定データに対応付けられたラベルを含む。測定データに対応付けられるラベルは、（０）問題なし、（１）ゼロ点調整要、（２）センサ洗浄要及び（３）センサ交換要の４種類である。例えば、学習部１０４は、保全が実施されていないときに取得された測定データに対して、（０）問題なしのラベルを対応付けて教師データとする。一方、学習部１０４は、保全が実施されたときには実施された保全の内容に基づき、（１）ゼロ点調整要、（２）センサ洗浄要又は（３）センサ交換要のいずれかのラベルを対応付けて教師データとする。対応付けるラベルの種類や数は保全の内容に応じて任意に設定してもよい。
＜保全が実施された時間に基づく教師データの生成＞
学習部１０４は、保全が実施された時間に基づき、測定データに対して保全情報のラベル情報を対応付けて教師データとすることができる。測定データに対応付けられるラベルは、同様に、（０）問題なし、（１）ゼロ点調整要、（２）センサ洗浄要及び（３）センサ交換要の４種類である。学習部１０４は、保全が実施された時間と測定データが測定された時間とを対比して、保全が実施された時間と測定データが測定された時間が一致していない場合、（０）問題なしのラベルを対応付けて教師データとする。時間の一致とは、例えば測定データが測定された時刻が保全が実施された時間帯に含まれる場合、又は近接している場合等である。一方、学習部１０４は、保全が実施された時間と測定データが測定された時間が一致している場合、時間が一致している保全の内容に応じて（１）ゼロ点調整要、（２）センサ洗浄要又は（３）センサ交換要のいずれかのラベルを対応付けて教師データとする。
また、学習部１０４は、取得された測定データを教師データとするか否かを選択し、選択した教師データを学習するようにしてもよい。測定データの選択については図８を用いて後述する。
測定データとラベルの対応付けを保全の実施状況によって行うことにより、図２に示したように個別の装置等から取得される入力情報の対応付けを自動的に行うことが可能となる。但し、測定データとラベルの対応付けは、他の方法によって行われるものであってもよい。例えば、測定データとラベルの対応付けを手動で実施するようにしてもよい。また、測定データの保全場所と保全情報の保存場所（ファイルシステムにおけるフォルダ等）を一致させることにより対応付けを実施するようにしてもよい。
ステップＳ１４の処理を実行後、情報処理装置１は、ステップＳ１４において生成された学習データを機械学習する（ステップＳ１５）。機械学習は、例えば学習部１０４がＳＶＭの手法を用いて行う。学習部１０４は、ラベルが対応付けられた測定データを機械学習することにより、判定モデルを生成する（ステップＳ１６）。判定モデルは、（０）問題なしの測定データを、（１）ゼロ点調整要、（２）センサ洗浄要又は（３）センサ交換要の測定データと分類する判定線を定めるものである。
ステップＳ１６の処理を実行後、情報処理装置１は、生成した判定モデルを記憶する（ステップＳ１７）。判定モデルの記憶は、例えば、判定モデル記憶部１０５が学習部１０４が生成した判定モデルをＨＤＤ１４等に記憶することによって実行される。
ステップＳ１７の処理を実行後、情報処理装置１は、図５に示すフローチャートにおける学習フェーズの動作を終了する。
次に、図６を用いて、情報処理装置１における実行フェーズの動作を説明する。図６は、実施形態の情報処理装置１における実行フェーズの動作の一例を示すフローチャートである。
実行フェーズは、図５で説明した学習フェーズにおいて生成された判定モデルに基づき、取得した測定データを判定する処理である。図６に示すフローチャートの動作においても、図５で説明した情報処理装置１の各機能において実行されるものとし、以下の処理の動作主体は情報処理装置１であるとする。
図６において、情報処理装置１は、測定データを取得したか否かを判断する（ステップＳ２１）。測定データを取得したか否かの判断は、図５のステップＳ１１処理と同様に行うことができる。測定データを取得していないと判断した場合（ステップＳ２１：ＮＯ）、情報処理装置１は、ステップＳ２１の処理を繰り返して、測定データが取得されるのを待機する。
一方、測定データを取得したと判断した場合（ステップＳ２１：ＹＥＳ）、情報処理装置１は、判定処理を実行する（ステップＳ２２）。判定処理は、ステップＳ２１において取得した測定データが、学習フェーズで作成された判定モデルを適用したときにいずれの判定領域に含まれるかを判定する処理である。判定処理は、複数のラベルで判定される判定領域が複数ある場合、いずれの領域に含まれるかの判定を行う。判定処理は、例えば、保全計画生成部１０６が実行する。保全計画生成部１０６は、測定データが（０）問題なし、（１）ゼロ点調整要、（２）センサ洗浄要及び（３）センサ交換要の４つのラベルのいずれかに対応付けられるかを判定する。
ステップＳ２２の処理を実行後、情報処理装置１は、判定結果に基づき、センサＳ１の保全計画を生成する（ステップＳ２３）。保全計画の生成は、例えば保全計画生成部１０６が実行する。保全計画生成部１０６は、（１）ゼロ点調整要、（２）センサ洗浄要及び（３）センサ交換要の判定結果に基づき、それぞれに対応した保全計画を生成する。なお、保全計画の内容は任意であり、例えば、判定結果が（０）問題なしの場合、判定結果の情報のみを含むものであってもよい。
ステップＳ２３の処理を実行後、情報処理装置１は、ステップＳ２３の処理で生成した保全計画を報知する（ステップＳ２４）。保全計画の報知は、例えば、保全計画報知部１０７が実行する。保全計画報知部１０７は、保全計画生成部１０６で生成された保全計画を、ＰＩＭＳ３Ａ、運転制御装置４、操作盤５、保全機器６、フィールドオペレータ端末７、表示装置１５等に対して提供することにより、保全者業者に対して保全計画の内容を報知する。
なお、保全計画報知部１０７は、ＰＩＭＳ３Ａ等の提供先に応じて保全計画の内容、データ形式等を変更するようにしてもよい。保全計画報知部１０７は、例えば、ＰＩＭＳ３Ａ等に対しては、保全予測時期等の予防保全が可能な内容の情報を提供したり、操作盤５等に対しては、直ちに保全作業を実施することを促す内容の情報を提供する。保全計画報知部１０７は、保全計画の内容等を提供先に応じて変更することにより、保全作業の効率とプラントの可用性を向上させることが可能となる。
ステップＳ２４の処理を実行後、情報処理装置１は、図６に示すフローチャートにおける実行フェーズの動作を終了する。
次に、図７を用いて、情報処理装置１が保全情報を取得する点検簿について説明する。図７は、実施形態の情報処理装置１が保全情報を取得する点検簿の一例を示す図である。
図７において、点検簿は、作業者が必要事項を記入するフォーマットを有している。点検簿は、作業履歴として、通し番号、実施日時、担当者、実施場所、点検対象、点検項目の事項を有している。実施日時は測定データを教師データにするために、保全作業開始直前の日時を記入する。点検項目は、該当する箇所に保全作業者がチェックするチェックボックスを有する。本実施形態において測定データを教師データとするのはこの点検簿においては「センサ検知部が汚れている」に関するものであるため、この項目にチェックがある点検簿が情報処理装置１において取得される保全情報となる。備考欄には、保全作業者が手書きで任意な内容を記入する。
点検簿は、保全作業者が保全機器６等を用いて保全作業を実施する毎に作成される。点検簿は、保全機器６によって自動的に作成される電子的な点検簿であっても、保全作業者が手書きで作成する紙面を用いたものであってもよい。作成された点検簿は、スキャナ１６Ａによって光学的に読取られ、ＯＣＲ処理部で文字情報に変換される。ここで、点検項目の「センサ検知部が汚れている」にチェックがあるか否かが判別されて、チェックがある点検簿の作業履歴が保全情報として情報処理装置１に取得される。その際に備考欄に手書きされた内容も文字情報に変換されて取得される。
なお、図７では保全者業者が保全作業毎に１枚の点検簿を作成する場合を示したが、点検簿は、例えば複数の保全項目がリスト化されたものであってもよい。また、点検簿は、タッチパネル等から直接文字等を入力するものであってもよい。また、点検簿には、フィールド機器等を撮影した画像、保全作業実施時の録音データ、又は測定器等から出力される印字紙等の付随的な情報を含んでいてもよい。付随的な情報は、例えば通し番号で管理され、情報処理装置１が取得してもよい。
次に、図８を用いて、情報処理装置１が取得した保全情報に基づき生成される教師データを説明する。図８は、実施形態の情報処理装置１が生成する教師データの一例を示す図である。教師データは、例えばＣＭＭＳ３Ｂから取得された保全履歴に基づき、図５のステップＳ１４において生成される。
図８において、教師データは、測定日時、パラメータ１〜パラメータ３の測定値、保全内容、教師データ選択、ラベル（判定値）及び備考の項目を有する。測定日時、パラメータ１〜パラメータ３の測定値及び保全内容は、例えばＣＭＭＳ３Ｂから取得された保全履歴に基づく測定データである。教師データ選択は、取得した測定データの中で教師データとするか否かを選択するものである。教師データ選択にチェックがある測定データが教師データとして選択されている。教師データの選択は、学習部１０４において自動的に行うことができ、また手動で修正が可能であるものとする。ラベルは測定データに対応付けるラベルである。備考はそれぞれの測定データに任意に付加される情報である。
例えば、１行目の測定日時が「２０１６／１０／１０ ０８：００：００」の測定データは、毎正時に取得された測定データであって、測定値が保全作業の必要でない正常な状態であったとする。この測定データは学習部１０４によって（０）問題なしのラベルが対応付けられて、教師データとして選択されている。このデータのように測定値が正常であって定期的に取得される測定データは自動的に教師データとして選択してもよい。同様に、２行目及び３行目の測定データについても（０）問題なしのラベルが対応付けられて教師データとして選択されている。
４行目の「２０１６／１０／１０ １１：１３：００」の測定データは、定期調整によってゼロ点調整が行われたことを示している。保全作業においては、予防保全の観点から異常の有無に拘わらず保全作業を実施する場合がある。この場合、測定データの測定値は正常である場合もあるため、この測定データを教師データとしてゼロ点調整のラベルを対応付けると、ゼロ点調整の判定精度が低下してしまう。このように、定期調整で保全作業を実施した場合、学習部１０４は測定データを教師データに選択しないようにする。
一方、「２０１６／１０／１１ １３：２５：１０」の測定データは、測定値（パラメータ）に異常が発見されてゼロ点調整が行われたことを示している。パラメータ異常は、例えば測定値が所定の閾値を越えたか否かで判断することができる。保全内容のゼロ点調整は、ゼロ点調整によってパラメータ異常が解消されたことを示す。すなわち、パラメータ異常の原因がゼロ点のずれであったことを示している。この場合、測定データ及びこの測定データの測定日時の所定時間前までの測定データに対して、手動で又は学習部１０４による自動で、（１）ゼロ点調整要のラベル対応付けて教師データとして学習させる。この測定データの測定日時の所定時間前までの測定データについてもゼロ点調整要の特徴を有する可能性が高いからである。なお、教師データとして選択する測定データの範囲（測定日時の所定時間前まで）は、生成される判定モデルの精度を検証することによって増減させてもよい。
「２０１６／１０／１３ １５：４５：２０」の測定データは、保全作業によってセンサ検知部の汚れが確認されて、センサ洗浄の保全作業が実施されたことを示している。この場合においても、測定データ及びこの測定データの測定日時の所定時間前までの測定データに対して手動で又は学習部１０４による自動で、（２）センサ洗浄要のラベル対応付けて教師データとして学習させる。この測定データの測定日時の所定時間前までの測定データについてもセンサ洗浄要の特徴を有する可能性が高いからである。
「２０１６／１０／２５ １１：０３：４５」の測定データは、パラメータ異常によって、センサ交換の保全作業が実施されたことを示している。この場合においても、測定データ及びこの測定データの測定日時の所定時間前までの測定データに対して手動で又は学習部１０４による自動で、（３）センサ交換要のラベル対応付けて教師データとして学習させる。この測定データの測定日時の所定時間前までの測定データについてもセンサ交換要の特徴を有する可能性が高いからである。
本実施形態においては、センサＳ１は、パラメータ１〜パラメータ３の３種類の測定値をそれぞれ教師データとして学習させる。上述のように、センサＳ１の異常の原因によってそれぞれの測定値に対して与える影響が異なるため、パラメータ１〜パラメータ３の測定値をそれぞれ教師データとすることにより、センサＳ１の異常の原因の判定の精度を向上させることが可能となる。
なお、図８において説明した教師データの選択方法は任意である。例えば、ラベルの対応付を自動で行うか手動で行うかは変更ができるようにしてもよい。また、教師データとして選択するか否かについて所定のアルゴリズムで決定するようにしてもよい。
次に、図９を用いて、情報処理装置１における測定データに対するラベルの対応付けを説明する。図９は、実施形態の情報処理装置における測定データに対するラベルの対応付けの一例を示す図である。
図９は、ガラス電極、比較電極及び温度の３つのパラメータを有するｐＨセンサの測定値の時間的な推移を示している。横軸に示す測定日時は、２０１６／１／３０〜２０１６／２／９である。
日時Ｔ２においてパラメータ異常が検知されて日時Ｔ３においてセンサ交換の保全作業が実施された場合、日時Ｔ２から所定時間前の日時Ｔ１から日時Ｔ３の間の測定データに対して（３）センサ交換要のラベルを対応付けて教師データとする。日時Ｔ１は、例えば図９に示す測定値の推移を確認しながら手動で前後させることができる。測定値を確認しながら教師データの範囲を選択することにより、判定モデルの精度を向上させることが可能となる。
以上説明した様に、本実施形態の情報処理装置は、センサの測定データを取得する測定データ取得部と、作業者によって実施された前記センサの保全に係る保全情報を取得する保全情報取得部と、取得された前記測定データに対して、取得された前記保全情報をラベル情報として対応付けた教師データを学習して判定モデルを生成する学習部と、生成された前記判定モデルを記憶する判定モデル記憶部とを備えることにより、センサの保全時期を正しく判断して保全コストの低減を図ることができる。
なお、上述した情報処理装置１は、上述した機能を有する装置であればよく、例えば、複数の装置の組合せで構成されてそれぞれの装置を通信可能に接続したシステムで実現されるものであってもよい。また、情報処理装置１は、図１で説明した、製造実行システム３、運転制御装置４、保全機器６等の機能の一部として実現されるものであってもよい。
また、本実施形態の情報処理方法は、センサの測定データを取得する測定データ取得ステップと、作業者によって実施された前記センサの保全に係る保全情報を取得する保全情報取得ステップと、取得された前記測定データに対して、取得された前記保全情報をラベル情報として対応付けた教師データを学習して判定モデルを生成する学習ステップと、生成された前記判定モデルを記憶する判定モデル記憶ステップとを含むことにより、センサの保全時期を正しく判断して保全コストの低減を図ることができる。
なお、本実施形態の情報処理方法における各ステップの実行順序は上記ステップの記載順序に限定されるものではなく、任意の順序で実行されるものであってもよい。
また、本実施形態で説明した装置を構成する機能を実現するためのプログラムを、コンピュータ読取り可能な記録媒体に記録して、当該記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより、本実施形態の上述した種々の処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものであってもよい。また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、フラッシュメモリ等の書き込み可能な不揮発性メモリ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。
さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（例えばＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ））のように、一定時間プログラムを保持しているものも含むものとする。また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。また、上記プログラムは、前述した機能の一部を実現するためのものであっても良い。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組合わせで実現するもの、いわゆる差分ファイル（差分プログラム）であっても良い。
以上、本発明の実施形態について、図面を参照して説明してきたが、具体的な構成はこの実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲においての種々の変更も含まれる。
１ 情報処理装置
２ 基幹業務システム
３ 製造実行システム
３Ａ ＰＩＭＳ
３Ｂ ＣＭＭＳ
４ 運転制御装置
５ 操作盤
６ 保全機器
７ フィールドオペレータ端末
１１ ＣＰＵ
１２ ＲＡＭ
１３ ＲＯＭ
１４ ＨＤＤ
１５ 表示装置
１６ 入力装置
１６Ａ スキャナ
１７ 通信Ｉ／Ｆ
１８ 通信Ｉ／Ｆ
１９ バス
１０１ 測定データ取得部
１０２ 保全情報取得部
１０３ ＯＣＲ処理部
１０４ 学習部
１０５ 判定モデル記憶部
１０６ 保全計画生成部
１０７ 保全計画報知部

Claims (9)

  1. センサの測定データを取得する測定データ取得部と、
    作業者によって実施された前記センサの保全に係る保全情報を取得する保全情報取得部と、
    取得された前記測定データに対して、取得された前記保全情報をラベル情報として対応付けた教師データを学習して判定モデルを生成する学習部と、
    生成された前記判定モデルを記憶する判定モデル記憶部と
    を備える、情報処理装置。
  2. 記憶された前記判定モデルを用いて取得された前記測定データに基づき、前記センサの保全計画を生成する保全計画生成部と、
    生成された前記保全計画を報知する保全計画報知部と
    をさらに備える、請求項１に記載の情報処理装置。
  3. 前記測定データ取得部は、複数種類の前記測定データを取得して、
    前記学習部は、取得された前記複数種類の測定データに対して前記保全情報をラベル情報として対応付けて学習する、請求項１又は２に記載の情報処理装置。
  4. 前記学習部は、前記保全の実施状況に基づき、前記測定データと前記ラベル情報を対応付けて学習する、請求項１から３のいずれか一項に記載の情報処理装置。
  5. 前記作業者が記録した保全記録の画像情報を文字情報に変換するＯＣＲ処理部をさらに備え、
    前記保全情報取得部は、文字情報に変換された前記保全記録を取得することにより前記保全情報を取得する、請求項１から４のいずれか一項に記載の情報処理装置。
  6. 前記学習部は、取得された前記測定データを教師データとするか否かを選択し、選択した教師データを学習する、請求項１から５のいずれか一項に記載の情報処理装置。
  7. センサの測定データを取得する測定データ取得ステップと、
    作業者によって実施された前記センサの保全に係る保全情報を取得する保全情報取得ステップと、
    取得された前記測定データに対して、取得された前記保全情報をラベル情報として対応付けた教師データを学習して判定モデルを生成する学習ステップと、
    生成された前記判定モデルを記憶する判定モデル記憶ステップと
    を含む、情報処理方法。
  8. センサの測定データを取得する測定データ取得処理と、
    作業者によって実施された前記センサの保全に係る保全情報を取得する保全情報取得処理と、
    取得された前記測定データに対して、取得された前記保全情報をラベル情報として対応付けた教師データを学習して判定モデルを生成する学習処理と、
    生成された前記判定モデルを記憶する判定モデル記憶処理と
    をコンピュータに実行させる、情報処理プログラム。
  9. センサの測定データを取得する測定データ取得処理と、
    作業者によって実施された前記センサの保全に係る保全情報を取得する保全情報取得処理と、
    取得された前記測定データに対して、取得された前記保全情報をラベル情報として対応付けた教師データを学習して判定モデルを生成する学習処理と、
    生成された前記判定モデルを記憶する判定モデル記憶処理と
    をコンピュータに実行させる情報処理プログラムを記録した記録媒体。
JP2016220524A 2016-11-11 2016-11-11 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体 Pending JP2018077757A (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2016220524A JP2018077757A (ja) 2016-11-11 2016-11-11 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体
EP17200693.4A EP3321756B1 (en) 2016-11-11 2017-11-08 Information processing device, information processing method, program, and storage medium
US15/808,048 US11126150B2 (en) 2016-11-11 2017-11-09 Information processing device, information processing method, and storage medium
CN201711096952.8A CN108073154B (zh) 2016-11-11 2017-11-09 信息处理装置、信息处理方法及记录介质
JP2019181973A JP6950727B2 (ja) 2016-11-11 2019-10-02 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016220524A JP2018077757A (ja) 2016-11-11 2016-11-11 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2019181973A Division JP6950727B2 (ja) 2016-11-11 2019-10-02 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体

Publications (1)

Publication Number Publication Date
JP2018077757A true JP2018077757A (ja) 2018-05-17

Family

ID=60301812

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016220524A Pending JP2018077757A (ja) 2016-11-11 2016-11-11 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体

Country Status (4)

Country Link
US (1) US11126150B2 (ja)
EP (1) EP3321756B1 (ja)
JP (1) JP2018077757A (ja)
CN (1) CN108073154B (ja)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020030194A (ja) * 2018-08-25 2020-02-27 株式会社チノー 熱電対センサ装置、熱電対交換タイミング算出方法、熱電対交換タイミング算出プログラム、熱電対センサシステム
JP2020140482A (ja) * 2019-02-28 2020-09-03 コマツ産機株式会社 学習データを収集するためのシステム、及び方法
JP2020166690A (ja) * 2019-03-29 2020-10-08 株式会社日立製作所 ストレージシステム、及び、データ記録方法
JP2021051052A (ja) * 2019-09-26 2021-04-01 株式会社チノー センサ管理システム
JP2021144484A (ja) * 2020-03-12 2021-09-24 横河電機株式会社 アラーム発生システム、及びアラーム発生方法
EP3889850A1 (en) 2020-03-31 2021-10-06 Yokogawa Electric Corporation Learning data processing device, learning data processing method and non-transitory computer-readable medium
JP2023075592A (ja) * 2021-11-19 2023-05-31 ヤフー株式会社 推定装置、推定方法、学習装置、学習方法、およびプログラム

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6436148B2 (ja) * 2016-11-18 2018-12-12 横河電機株式会社 情報処理装置、保全機器、情報処理方法、情報処理プログラム及び記録媒体
AU2018306059B2 (en) * 2017-07-26 2021-03-11 Daikin Industries, Ltd. Environmental equipment control apparatus
JP6763910B2 (ja) * 2018-05-30 2020-09-30 横河電機株式会社 異常検出装置、異常検出方法、異常検出プログラム及び記録媒体
CN109219002B (zh) * 2018-08-10 2021-09-03 广东工业大学 一种提醒短信发送方法、装置、设备及可读存储介质
CA3116047C (en) * 2018-10-10 2023-08-01 Asahi Kasei Kabushiki Kaisha A planning system and method for generating and changing a maintenance work period
CN109710347B (zh) * 2018-10-16 2021-12-31 北京天地和兴科技有限公司 一种基于mvc框架高效开发带过滤功能生成列表页的方法
JP7046786B2 (ja) * 2018-12-11 2022-04-04 株式会社日立製作所 機械学習システム、ドメイン変換装置、及び機械学習方法
EP3671385B1 (en) * 2018-12-20 2023-08-09 Endress+Hauser Group Services AG Method of determining the time interval until a service action is required
JP6806384B2 (ja) * 2019-01-16 2021-01-06 株式会社三葉電熔社 故障予測システム
JP6897701B2 (ja) * 2019-03-19 2021-07-07 ダイキン工業株式会社 保守作業支援装置、保守作業支援方法及び保守作業支援プログラム
WO2020193330A1 (en) * 2019-03-23 2020-10-01 British Telecommunications Public Limited Company Automated device maintenance
JP7162560B2 (ja) * 2019-03-28 2022-10-28 日立造船株式会社 情報処理装置、情報処理方法、情報処理プログラム、およびゴミ焼却プラント
WO2020217644A1 (ja) * 2019-04-22 2020-10-29 パナソニックＩｐマネジメント株式会社 学習済みモデルの生成方法、保全表示装置、及びプログラム
JP2021082385A (ja) * 2019-11-14 2021-05-27 パナソニックＩｐマネジメント株式会社 表示方法、学習済みモデルの生成方法、装置、およびプログラム
JP2021082384A (ja) * 2019-11-14 2021-05-27 パナソニックＩｐマネジメント株式会社 学習済みモデルの生成方法、装置、およびプログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0997285A (ja) * 1995-09-29 1997-04-08 Toshiba Corp 機器及び部品の保守周期調整システムと調整方法
JP2015018389A (ja) * 2013-07-10 2015-01-29 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
JP2015148867A (ja) * 2014-02-05 2015-08-20 株式会社日立パワーソリューションズ 情報処理装置、診断方法、およびプログラム
JP2015203646A (ja) * 2014-04-15 2015-11-16 三菱重工業株式会社 工作機械の診断方法及びシステム

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09197285A (ja) * 1996-01-12 1997-07-31 Nikon Corp 位相差顕微鏡用対物レンズ
US20030046382A1 (en) * 2001-08-21 2003-03-06 Sascha Nick System and method for scalable multi-level remote diagnosis and predictive maintenance
JP5048625B2 (ja) * 2008-10-09 2012-10-17 株式会社日立製作所 異常検知方法及びシステム
JP5301310B2 (ja) * 2009-02-17 2013-09-25 株式会社日立製作所 異常検知方法及び異常検知システム
US8484150B2 (en) * 2010-02-26 2013-07-09 General Electric Company Systems and methods for asset condition monitoring in electric power substation equipment
JP5605863B2 (ja) * 2010-09-30 2014-10-15 株式会社日立製作所 センサシステム、計算機、及び、機器
JP5484591B2 (ja) 2010-12-02 2014-05-07 株式会社日立製作所 プラントの診断装置及びプラントの診断方法
CA2832950C (en) * 2011-04-15 2019-07-02 Abb Technology Ag Dynamic assessment system for high-voltage electrical components
JP5081999B1 (ja) 2011-06-22 2012-11-28 株式会社日立エンジニアリング・アンド・サービス 異常予兆診断結果の表示方法
JP5639546B2 (ja) * 2011-08-05 2014-12-10 株式会社東芝 情報処理装置及び情報処理方法
CN102436590A (zh) * 2011-11-04 2012-05-02 康佳集团股份有限公司 一种基于在线学习的实时跟踪方法及跟踪系统
US9411326B2 (en) 2012-08-21 2016-08-09 General Electric Company Plant control optimization system including visual risk display
CN103853144B (zh) * 2012-11-29 2017-09-08 沈阳工业大学 基于采油生产数据的现场传感器故障检测方法
US9477214B2 (en) * 2013-03-07 2016-10-25 General Electric Company Plant control systems and methods
US9374629B2 (en) * 2013-03-15 2016-06-21 The Nielsen Company (Us), Llc Methods and apparatus to classify audio
DE102013108478A1 (de) * 2013-08-06 2015-02-12 Endress+Hauser Process Solutions Ag Verfahren zur Erweiterung einer eingebetteten Softwarekomponente eines Feldgerätes
CN103400123A (zh) * 2013-08-21 2013-11-20 山东师范大学 基于三轴加速度传感器及神经网络的步态类型鉴别方法
CN103514458B (zh) * 2013-09-29 2016-08-24 北京理工大学 基于纠错编码与支持向量机相结合的传感器故障辨识方法
WO2015048981A1 (en) * 2013-10-04 2015-04-09 Volvo Truck Corporation A method for monitoring the operation of a sensor
US10466283B2 (en) * 2014-03-31 2019-11-05 Nec Corporation Training data generation device, electrical device monitoring system, training data generation method, and non-transitory storage medium
CN104268397A (zh) * 2014-09-24 2015-01-07 杭州电子科技大学 基于舰船辐射噪声优化特征的水声目标识别方法
US20160140263A1 (en) * 2014-11-18 2016-05-19 General Electric Company System and method for determining the current and future state of health of a power transformer
CN104596780B (zh) 2015-02-12 2017-04-26 清华大学 一种动车组制动系统传感器故障的诊断方法
CN106033425A (zh) 2015-03-11 2016-10-19 富士通株式会社 数据处理设备和数据处理方法
CN105043593B (zh) * 2015-06-30 2017-10-24 株洲南车时代电气股份有限公司 一种机车温度传感器故障诊断及容错估计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0997285A (ja) * 1995-09-29 1997-04-08 Toshiba Corp 機器及び部品の保守周期調整システムと調整方法
JP2015018389A (ja) * 2013-07-10 2015-01-29 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
JP2015148867A (ja) * 2014-02-05 2015-08-20 株式会社日立パワーソリューションズ 情報処理装置、診断方法、およびプログラム
JP2015203646A (ja) * 2014-04-15 2015-11-16 三菱重工業株式会社 工作機械の診断方法及びシステム

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020030194A (ja) * 2018-08-25 2020-02-27 株式会社チノー 熱電対センサ装置、熱電対交換タイミング算出方法、熱電対交換タイミング算出プログラム、熱電対センサシステム
JP7065556B2 (ja) 2018-08-25 2022-05-12 株式会社チノー 熱電対センサ装置、熱電対交換タイミング算出方法、熱電対交換タイミング算出プログラム、熱電対センサシステム
JP2020140482A (ja) * 2019-02-28 2020-09-03 コマツ産機株式会社 学習データを収集するためのシステム、及び方法
WO2020174827A1 (ja) * 2019-02-28 2020-09-03 コマツ産機株式会社 学習データを収集するためのシステム、及び方法
JP7357450B2 (ja) 2019-02-28 2023-10-06 コマツ産機株式会社 学習データを収集するためのシステム、及び方法
JP2020166690A (ja) * 2019-03-29 2020-10-08 株式会社日立製作所 ストレージシステム、及び、データ記録方法
JP7140705B2 (ja) 2019-03-29 2022-09-21 株式会社日立製作所 ストレージシステム、及び、データ記録方法
JP2021051052A (ja) * 2019-09-26 2021-04-01 株式会社チノー センサ管理システム
JP2021144484A (ja) * 2020-03-12 2021-09-24 横河電機株式会社 アラーム発生システム、及びアラーム発生方法
EP3889850A1 (en) 2020-03-31 2021-10-06 Yokogawa Electric Corporation Learning data processing device, learning data processing method and non-transitory computer-readable medium
JP2023075592A (ja) * 2021-11-19 2023-05-31 ヤフー株式会社 推定装置、推定方法、学習装置、学習方法、およびプログラム
JP7428862B2 (ja) 2021-11-19 2024-02-07 Ｌｉｎｅヤフー株式会社 推定装置、推定方法、学習装置、学習方法、およびプログラム

Also Published As

Publication number Publication date
CN108073154B (zh) 2021-05-18
EP3321756B1 (en) 2021-01-27
US20180136616A1 (en) 2018-05-17
US11126150B2 (en) 2021-09-21
EP3321756A1 (en) 2018-05-16
CN108073154A (zh) 2018-05-25

Similar Documents

Publication Publication Date Title
JP2018077757A (ja) 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体
Nemeth et al. PriMa-X: A reference model for realizing prescriptive maintenance and assessing its maturity enhanced by machine learning
EP3336639B1 (en) Asset management of field devices
US11215967B2 (en) Predictive troubleshooting for abnormal plant operations
EP3312695B1 (en) Information processing system, information processing method, information processing program, and recording medium
CN1761919A (zh) 过程工厂中的资产优化报告
US10564617B2 (en) Plant control device, plant control method, and recording medium
US20180052835A1 (en) Multimodal search input for an industrial search platform
JP6702180B2 (ja) 保全管理装置、保全管理方法、保全管理プログラム及び記録媒体
KR20220062329A (ko) 제조 프로세스 위험을 예측하기 위한 시스템 및 방법
US20170053224A1 (en) System and method for providing multi-site visualization and scoring of performance against service agreement
US20180181923A1 (en) Maintenance management device, maintenance management method, and non-transitory computer readable storage medium
US10634528B2 (en) Information processing device, maintenance apparatus, information processing method, and storage medium
US10657199B2 (en) Calibration technique for rules used with asset monitoring in industrial process control and automation systems
JP6950727B2 (ja) 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体
US20170052957A1 (en) System and method for providing high-level graphical feedback related to overall site performance and health
Saboo et al. Enhancing Predictive Maintenance in an Oil & Gas Refinery Using IoT, AI & ML: An Generative AI Solution
Sølvsberg Extending Statistical Process Control using quantitative methods in Industry 4.0 approaches
WO2023250186A1 (en) Supply chain visualization and control
Gonzalez Santacruz et al. Integrated quality 4.0 framework for quality improvement based on Six Sigma and machine learning techniques towards zero-defect manufacturing
CN117808192A (zh) 工业产业生命周期可视化管理方法及系统
Santacruz et al. Integrated Quality 4.0 Framework for Quality Improvement Based on Six Sigma and Machine Learning Techniques Towards Zero-Defect Manufacturing

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20171205

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20181017

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20181113

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190110

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20190702