JP2021089505A - 監視支援装置、および、監視支援方法 - Google Patents
監視支援装置、および、監視支援方法 Download PDFInfo
- Publication number
- JP2021089505A JP2021089505A JP2019218643A JP2019218643A JP2021089505A JP 2021089505 A JP2021089505 A JP 2021089505A JP 2019218643 A JP2019218643 A JP 2019218643A JP 2019218643 A JP2019218643 A JP 2019218643A JP 2021089505 A JP2021089505 A JP 2021089505A
- Authority
- JP
- Japan
- Prior art keywords
- monitoring
- process value
- plant
- control
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000008569 process Effects 0.000 claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000007704 transition Effects 0.000 claims description 81
- 239000011159 matrix material Substances 0.000 description 31
- 230000007774 longterm Effects 0.000 description 12
- 238000013500 data storage Methods 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- ZRHANBBTXQZFSP-UHFFFAOYSA-M potassium;4-amino-3,5,6-trichloropyridine-2-carboxylate Chemical compound [K+].NC1=C(Cl)C(Cl)=NC(C([O-])=O)=C1Cl ZRHANBBTXQZFSP-UHFFFAOYSA-M 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- 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
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- 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
- G05B2219/34—Director, elements to supervisory
- G05B2219/34427—Diagnostic, monitoring incorporated in controller
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
特許文献1には、プラントのシミュレータと制御装置のイタレーション計算によって将来のプラント状態を予測し、プラント構成機器の保護機能を起動させず尚且つプラント状態を正常とするように、操作量の制限値を最適に選択する方法が開示されている。
特許文献2には、監視用センサ信号の特徴量を予兆診断機能によって予め学習させ、乖離度の基準を作成する方法が開示されている。乖離度がある閾値に達していた場合には、縮退運転に切り替えることができる。
特許文献2に記載のように、学習したデータを経験範囲と定義し、その範囲の逸脱有無によって人工知能制御が対応可能か否かを判定することで、早い段階で制御を切り替えることができる。しかし、人的に設定した制約との関連性を定義することが困難であり、判定精度の向上が難しい。
一方で、プラント運転員が特に警戒する場面も存在する。例えば、知的制御システムをプラントへ適用した初期段階では、想定したレベルへ制御性能を上げるためにシステムを微調整する。この際、例えば新たに取得したデータで再学習する必要がある場合、調整に要する時間は予測困難である。この調整期間は、プラント運転員が特に警戒して、プラントの安定制御に努める必要がある。
本発明は、プラント機器の運転データを計測したプロセス値に対して適した操作信号を対応づけた制御則が記憶される制御則記憶部と、
前記プロセス値の範囲に対して監視要否の度合いを示す監視度を対応づけた監視条件が記憶される監視条件記憶部と、
入力された前記プロセス値から、前記制御則に従って出力する前記操作信号を求めてプラント機器に出力するプラント制御部と、
入力された前記プロセス値から、前記監視条件に従って出力する監視度を求めてプラント運転員に通知する監視要否処理部と、
前記プロセス値の履歴データが学習データとして入力されると、現在の前記プロセス値から将来の前記プロセス値へ遷移する確率をもとに、現在の前記プロセス値の範囲に対して監視度を対応づけて前記監視条件を作成し、その監視条件を前記監視条件記憶部に記憶させる監視条件学習部と、を有することを特徴とする。
その他の手段は、後記する。
プラント制御システムは、プラント29と、処理装置40と、監視室39とがネットワークで接続されて構成される。
プラント29は、例えば、発電プラントや化学プラントとして構成される。なお、プラント29は、制御対象の一例であり、その他の制御対象(自動車、ロボット、電車など)に応用してもよい。プラント29は、処理装置40による機械学習制御、および、監視室39からの手動制御を適宜切り替えて動作する。これにより、機械学習が行われていない想定外の状況が発生したときでも、人間の判断を介入させることで、プラント制御システムは、安定して制御される。
このコンピュータは、CPUが、メモリ上に読み込んだプログラム(アプリケーションや、その略のアプリとも呼ばれる)を実行することにより、各処理部により構成される制御部(制御手段)を動作させる。
処理装置40は、機械学習を行う学習部41と、学習部41の学習結果を用いてプラント29の制御に関する処理を行う制御部42とを有する。学習部41は、運転データ記憶部12と、制御学習部21と、監視条件学習部31と、状態変換テーブル31Tとを有する。制御部42は、制御則記憶部23と、プラント制御部24と、監視条件記憶部33と、監視要否判定部34と、監視対象テーブル34Tとを有する。
(1)自動制御の系統は、運転データ記憶部12→(運転データ13)→制御学習部21→(制御則22)→制御則記憶部23→(制御則22)→プラント制御部24→(操作量25)→プラント29の順に信号が流れる。
この自動制御の系統では、過去のプロセス値11と、過去の制御信号(操作量25)との関係を事前に学習し、プラント29から入力されたプロセス値11に対して最適な制御信号(操作信号)を出力する。
この手動制御の系統では、制御信号(入力されるプロセス値11および出力する操作量25)と、機器保護用のプロセス値11の範囲(以下、「保護範囲」)を逸脱することとの関係を事前に学習しておく。そして、制御信号を監視した結果、保護範囲を逸脱すると予測した場合に、プラント運転員へ通知する。これにより、プラント運転員は、自身の判断を元にプラント29を手動制御する。
制御学習部21は、運転データ記憶部12に記憶された運転データ13を入力とし、制御則22を学習して制御則記憶部23に出力する。制御学習部21は、例えば、運転データ13を学習データとしたニューラルネットワーク理論に基づいて構築した学習済みネットワークを最適な制御則22とする。または、制御学習部21は、プロセス値11に対する操作量25の関数を求め、その関数を制御則22としてもよい。
プラント制御部24は、制御則記憶部23の制御則22に対して、プロセス値11を入力信号とすることで、その出力信号を操作量25として計算する。この操作量25は、制御信号としてプラント29に入力される。
監視条件記憶部33には、監視条件信号32が記憶される。監視条件信号32は、制御信号(プロセス値11および操作量25)がそれぞれ保護範囲を逸脱することの関係性を表す情報を含む信号である。
監視要否判定部34は、監視条件記憶部33の監視条件信号32と、プラント29からのプロセス値11とを入力とし、監視要否信号35を出力する。監視要否信号35は、プラント運転員による監視要否の判定結果を示す信号である。
監視条件学習部31は、運転データ記憶部12に記憶された運転データ13のプロセス値11を読み込む(S101)。監視条件学習部31は、読み込んだ各時刻のプロセス値11を、状態変換テーブル31Tに従い状態IDに変換する(S102、詳細は図3,図4)。
監視条件学習部31は、S102で変換された各時刻の状態IDをもとに、1ステップ先の状態遷移行列Tを計算する(S103、詳細は図5)。監視条件学習部31は、S103で計算された状態遷移行列Tから、1ステップ先からNステップ先までの減衰型状態遷移行列Dを計算する(S104、詳細は図6)。監視条件学習部31は、S104で計算した減衰型状態遷移行列Dを監視条件信号32として監視条件記憶部33に記憶させる(S105)。
温度などのプロセス値11の計測データは、時系列グラフとして運転データ記憶部12に記憶される。ここで、計測データは、図4の状態変換テーブル31Tに事前に登録された数値範囲に応じて、いずれかの状態IDに区分される。
状態変換テーブル31Tは、温度、圧力、流量などのプロセス値11の種別ごとに、その数値範囲と状態IDとを対応づける。プロセス値11は、ある任意のプラント29を構成する機器内部の計測データである。状態IDとは、プロセス値11のパターンを番号で分類したものである。
状態ID「S1」は、温度が295−300[℃]、かつ、圧力が3.4−3.5[MPa]、かつ、流量が0.0−0.5[t/h]の範囲内にある状態である。状態ID「S2」は、温度が300−305[℃]、かつ、圧力が3.4−3.5[MPa]、かつ、流量が0.0−0.5[t/h]の範囲内にある状態である。
なお、図4では上限から下限までの数値範囲に区切って状態IDを割り当てたが、プラント29の内部状態を示すデータとして、例えば連続値を用いてもよい。
つまり、監視条件学習部31は、図3のプロセス値11を、時刻t1から順に「S1→S2→S1→S2→S3→S2」という状態IDの遷移リストに変換する。
状態IDで示されたある状態を遷移元とし、次ステップの状態を遷移先としたときの確率を「次遷移率」とする。遷移先の状態は、遷移元の状態と同じ状態に留まることもあるし、遷移元の状態とは異なる状態に変化することもある。
状態遷移行列Tは、遷移元の各状態ID(S1,S2,…,Sn)と、その次ステップの遷移先の各状態ID(S1,S2,…,Sn)との組み合わせにおける次遷移率を示す。各セル値には0〜1までの次遷移率が入力されるが、以下の説明では、次遷移率を0%〜100%として説明する。
監視条件学習部31は、例えば、図3から作成した遷移リスト「S1→S2→S1→S2→S3→S2」から、遷移元の状態ID「S1」に着目すると、その次ステップでは状態ID「S2」に2回遷移するなどの集計を行うことで、状態遷移行列Tを作成する。
減衰型状態遷移行列Dは、状態遷移行列Tと同様に、遷移元の状態と、遷移先の状態との組み合わせごとの遷移率が記憶されたテーブルである(符号321は図9の説明で後記する)。減衰型状態遷移行列Dと状態遷移行列Tとの違いは、状態遷移行列Tが1ステップ先の次遷移率を格納するのに対し、状態遷移行列TがNステップ先(理想的には無限大ステップ先)までの長期遷移率を格納する。
D=T+γT2+γ2T3+γ3T4+…+γ∞−1T∞ …(数式1)
ここで、γは減衰率とよぶ0以上で1未満の定数である。数式1の右辺第1項(T)は次ステップを示す項、右辺第2項(γT2)は2ステップ先を示す項である。
なお、(数式1)は以下のように(数式2)に変形できる。ここで、Eは単位行列である。
D=T(E−γT)−1 …(数式2)
監視要否判定部34は、プラント29からプロセス値11を読み込み(S201)、監視条件記憶部33から監視条件信号32を読み込み(S202)、事前に管理者から入力された監視対象テーブル34Tを正常範囲判定行列Rとして読み込む(S203、詳細は図8)。
そして、監視要否判定部34は、現在のプロセス値11からS102と同様に現在の状態IDを求め、その現在の状態IDを遷移元としたときの、監視要否信号35を計算する(S204、詳細は図9)。この監視要否信号35の計算には、監視条件信号32と、正常範囲判定行列Rとが用いられる。
さらに、監視要否判定部34は、S204で計算した監視要否信号35の結果を監視室39へ転送して画面に表示させる(S205、詳細は図10)。
正常範囲判定行列Rは、遷移元の各状態IDについて、プラント構成機器の正常範囲(保護範囲)内か範囲外の異常状態かを記憶した行列である。異常行の値「0.00」が正常範囲内、値「1.00」が正常範囲外を示しており、図8では状態ID「S3」がプラント構成機器の正常範囲外である。
このテーブルには、現在の状態ID(遷移元)と、正常範囲外の状態ID「S3」を遷移先としたときの長期遷移率と、その長期遷移率に対応した現在の状態の監視度とが、監視要否信号35として、対応づけられている。つまり、現在の状態IDが状態ID「S3」以外であっても、将来的な状態ID「S3」への長期遷移率が高い状態IDほど、プラント運転員による監視を必要とする。
なお、監視要否判定部34は、監視要否信号35が「要監視」のときなど、保護範囲を逸脱すると予測した場合に、プラント制御部24を介してプラント29に「保護制御回路へ切り替える」旨の制御信号を送信してもよい。
V=DRtr …(数式3)
ここで、数式3の左辺「V」は正常範囲外へ長期遷移率を示し、trは行列の転置記号を示す。例えば、図8の正常範囲判定行列Rは、状態ID「S3」だけが値「1.00」なので、図6の遷移先がS3の列(符号321)を(数式3)により転置して正規化した結果が、図9の監視要否信号35の遷移率となる。
表示画面には、プラント29ごとに(またはプラント29内の機器ごとに)、図9で示した3段階の監視度の表示欄(3つのボタンのうち現在の監視度が強調されたもの)と、監視要否信号35の長期遷移率の表示欄(棒グラフ)とが対応づけられている。
この表示画面により、プラント運転員は、プラント29全体の制御の状況を効率的に確認できる。例えば、図10では、プラント運転員は、第3プラントを最も警戒し、その次の第1プラント、第2プラントの順に警戒度合いを落としていくように、現状のプラント29に合った集中力の配分が可能となる。
(1)ディープラーニングのRNN(Recurrent Neural Network)やシミュレータを用いることで計算した、数分程度の先のプロセス値11の予測値。この予測値が保護範囲からの逸脱を確認したプラント運転員は、早い段階で自動制御から手動制御への切替を判断できる。
(2)制御学習部21により学習された制御則22(内部モデル)の精度をリアルタイムに評価した情報。これにより、プラント運転員は、内部モデルの精度が劣化したときには、人工知能制御の更新タイミングや、保護回路への切替判定を実行するように指示することができる。
(3)フルブレーキ操作やフルスロットル操作などで最大操作量を継続して入力したと仮定した場合の、各プロセス値11のピーク値の算出結果。これにより、プラント運転員は、ピーク値が保護範囲を逸脱している場合にも、制御を切り替えることができる。
これにより、プラント運転員は、常時集中して監視する必要性が下がるため、プラント運転員の監視負荷を軽減することができる。
これにより、制御学習部21が第1の学習部として導入済みの知的制御システムに対して、新たに監視条件学習部31を第2の学習部として追加した場合でも、新たな運転データや物理シミュレータを開発する必要がなくなり、追加の導入に必要な工数を削減することができる。
また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。
また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。また、上記の各構成、機能、処理部、処理手段などは、それらの一部または全部を、例えば集積回路で設計するなどによりハードウェアで実現してもよい。
また、前記の各構成、機能などは、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。
また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際にはほとんど全ての構成が相互に接続されていると考えてもよい。
さらに、各装置を繋ぐ通信手段は、無線LANに限定せず、有線LANやその他の通信手段に変更してもよい。
12 運転データ記憶部
13 運転データ
21 制御学習部
22 制御則
23 制御則記憶部
24 プラント制御部
25 操作量(操作信号)
29 プラント
31 監視条件学習部
31T 状態変換テーブル
32 監視条件信号(監視条件)
33 監視条件記憶部
34 監視要否判定部(監視要否処理部)
34T 監視対象テーブル
35 監視要否信号
39 監視室
40 処理装置(監視支援装置)
42 制御部
41 学習部
Claims (5)
- プラント機器の運転データを計測したプロセス値に対して適した操作信号を対応づけた制御則が記憶される制御則記憶部と、
前記プロセス値の範囲に対して監視要否の度合いを示す監視度を対応づけた監視条件が記憶される監視条件記憶部と、
入力された前記プロセス値から、前記制御則に従って出力する前記操作信号を求めてプラント機器に出力するプラント制御部と、
入力された前記プロセス値から、前記監視条件に従って出力する監視度を求めてプラント運転員に通知する監視要否処理部と、
前記プロセス値の履歴データが学習データとして入力されると、現在の前記プロセス値から将来の前記プロセス値へ遷移する確率をもとに、現在の前記プロセス値の範囲に対して監視度を対応づけて前記監視条件を作成し、その監視条件を前記監視条件記憶部に記憶させる監視条件学習部と、を有することを特徴とする
監視支援装置。 - 前記監視支援装置は、さらに、前記監視条件学習部に対して学習データとして入力された前記プロセス値の履歴データをもとに、出力された前記操作信号を対応づけた前記制御則を作成し、その制御則を前記制御則記憶部に記憶させる制御学習部を有することを特徴とする
請求項1に記載の監視支援装置。 - 前記監視要否処理部は、監視度を求めて前記プラント運転員に通知する制御として、要監視および監視不要を含む3段階以上の監視度を区別できるようにして表示装置に表示させることを特徴とする
請求項1に記載の監視支援装置。 - 前記監視要否処理部は、監視度が要監視のときに、前記プラント制御部を介してプラント機器に保護制御の信号を出力させることを特徴とする
請求項3に記載の監視支援装置。 - 監視支援装置は、制御則記憶部と、監視条件記憶部と、プラント制御部と、監視要否処理部と、監視条件学習部とを有しており、
前記制御則記憶部には、プラント機器の運転データを計測したプロセス値に対して適した操作信号を対応づけた制御則が記憶されており、
前記監視条件記憶部には、前記プロセス値の範囲に対して監視要否の度合いを示す監視度を対応づけた監視条件が記憶されており、
前記プラント制御部は、入力された前記プロセス値から、前記制御則に従って出力する前記操作信号を求めてプラント機器に出力し、
前記監視要否処理部は、入力された前記プロセス値から、前記監視条件に従って出力する監視度を求めてプラント運転員に通知し、
前記監視条件学習部は、前記プロセス値の履歴データが学習データとして入力されると、現在の前記プロセス値から将来の前記プロセス値へ遷移する確率をもとに、現在の前記プロセス値の範囲に対して監視度を対応づけて前記監視条件を作成し、その監視条件を前記監視条件記憶部に記憶させることを特徴とする
監視支援方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019218643A JP2021089505A (ja) | 2019-12-03 | 2019-12-03 | 監視支援装置、および、監視支援方法 |
PCT/JP2020/038023 WO2021111729A1 (ja) | 2019-12-03 | 2020-10-07 | 監視支援装置、および、監視支援方法 |
US17/781,460 US20230004139A1 (en) | 2019-12-03 | 2020-10-07 | Monitoring support device and monitoring support method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019218643A JP2021089505A (ja) | 2019-12-03 | 2019-12-03 | 監視支援装置、および、監視支援方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021089505A true JP2021089505A (ja) | 2021-06-10 |
JP2021089505A5 JP2021089505A5 (ja) | 2022-10-28 |
Family
ID=76220656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019218643A Pending JP2021089505A (ja) | 2019-12-03 | 2019-12-03 | 監視支援装置、および、監視支援方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230004139A1 (ja) |
JP (1) | JP2021089505A (ja) |
WO (1) | WO2021111729A1 (ja) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0954611A (ja) * | 1995-08-18 | 1997-02-25 | Hitachi Ltd | プロセス制御装置 |
WO2012025968A1 (ja) * | 2010-08-27 | 2012-03-01 | 株式会社 日立製作所 | 機器状態診断システム |
JP2012146269A (ja) * | 2011-01-14 | 2012-08-02 | Nippon Steel Corp | 製造プロセスの操業支援装置、方法及びプログラム |
US20150106058A1 (en) * | 2013-10-15 | 2015-04-16 | General Electric Company | Systems and methods for improved reliability operations |
JP2016091139A (ja) * | 2014-10-31 | 2016-05-23 | 株式会社日立ハイテクノロジーズ | 故障原因分類装置 |
JP2018067065A (ja) * | 2016-10-17 | 2018-04-26 | 三菱重工業株式会社 | 情報処理方法、情報処理装置、プログラム、及び情報処理システム |
-
2019
- 2019-12-03 JP JP2019218643A patent/JP2021089505A/ja active Pending
-
2020
- 2020-10-07 WO PCT/JP2020/038023 patent/WO2021111729A1/ja active Application Filing
- 2020-10-07 US US17/781,460 patent/US20230004139A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0954611A (ja) * | 1995-08-18 | 1997-02-25 | Hitachi Ltd | プロセス制御装置 |
WO2012025968A1 (ja) * | 2010-08-27 | 2012-03-01 | 株式会社 日立製作所 | 機器状態診断システム |
JP2012146269A (ja) * | 2011-01-14 | 2012-08-02 | Nippon Steel Corp | 製造プロセスの操業支援装置、方法及びプログラム |
US20150106058A1 (en) * | 2013-10-15 | 2015-04-16 | General Electric Company | Systems and methods for improved reliability operations |
JP2016091139A (ja) * | 2014-10-31 | 2016-05-23 | 株式会社日立ハイテクノロジーズ | 故障原因分類装置 |
JP2018067065A (ja) * | 2016-10-17 | 2018-04-26 | 三菱重工業株式会社 | 情報処理方法、情報処理装置、プログラム、及び情報処理システム |
Also Published As
Publication number | Publication date |
---|---|
WO2021111729A1 (ja) | 2021-06-10 |
US20230004139A1 (en) | 2023-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7104121B2 (ja) | 故障予知装置、故障予知システム及び故障予知方法 | |
US11275345B2 (en) | Machine learning Method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device | |
US11442416B2 (en) | Plant control supporting apparatus, plant control supporting method, and recording medium | |
JP7201844B2 (ja) | グラディエントベースのセンサ識別を利用した障害予測 | |
Aggarwal et al. | Availability analysis and performance optimization of a butter oil production system: a case study | |
JP7342833B2 (ja) | 制御装置、コントローラ、制御システム、制御方法、および制御プログラム | |
KR20220081872A (ko) | 디지털트윈 기반 의사결정 지원 최적 정보 산출 자동화 장치 | |
Kumar et al. | Development of parameter based fault detection and diagnosis technique for energy efficient building management system | |
JP2019053474A (ja) | クラウドベースサービスのデータ保護方法 | |
JP2011159103A (ja) | プラント運転支援装置 | |
Weber et al. | Fault-Tolerant Control Design for over-actuated System conditioned by Reliability: a Drinking Water Network Application. | |
JP6764486B2 (ja) | 水処理プラント | |
WO2021111729A1 (ja) | 監視支援装置、および、監視支援方法 | |
Al-Dabbagh et al. | Sounding off on industrial alarm systems | |
JPWO2016203757A1 (ja) | 制御装置、それを使用する情報処理装置、制御方法、並びにコンピュータ・プログラム | |
Lu et al. | Multivariable self-organizing fuzzy logic control using dynamic performance index and linguistic compensators | |
JP7277254B2 (ja) | 消費電力予測装置 | |
JP6884287B1 (ja) | 機械学習システム | |
CA3173315A1 (en) | Method for an intelligent alarm management in industrial processes | |
Casado-Vara et al. | Adaptive fault-tolerant tracking control algorithm for iot systems: Smart building case study | |
US20210065056A1 (en) | Parameter calculating device, parameter calculating method, and recording medium having parameter calculating program recorded thereon | |
JPH02260002A (ja) | ファジィ制御装置 | |
Ahmed et al. | Conceptual framework for an event-based plant alarm system | |
Orouskhani et al. | Integration of cat swarm optimization and Borda ranking method for solving dynamic multi-objective problems | |
JP6912760B2 (ja) | 関連情報改善装置、関連情報改善方法、および関連情報改善プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221020 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221020 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230627 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230828 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230901 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20231205 |