JP2022115643A - 分析方法、分析プログラムおよび情報処理装置 - Google Patents
分析方法、分析プログラムおよび情報処理装置 Download PDFInfo
- Publication number
- JP2022115643A JP2022115643A JP2021012314A JP2021012314A JP2022115643A JP 2022115643 A JP2022115643 A JP 2022115643A JP 2021012314 A JP2021012314 A JP 2021012314A JP 2021012314 A JP2021012314 A JP 2021012314A JP 2022115643 A JP2022115643 A JP 2022115643A
- Authority
- JP
- Japan
- Prior art keywords
- plant
- data
- variables
- analysis
- 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.)
- Granted
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 45
- 238000004458 analytical method Methods 0.000 title claims description 81
- 230000001364 causal effect Effects 0.000 claims abstract description 88
- 238000000034 method Methods 0.000 claims description 113
- 230000008569 process Effects 0.000 claims description 89
- 238000012545 processing Methods 0.000 claims description 34
- 230000001419 dependent effect Effects 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 25
- 238000010801 machine learning Methods 0.000 description 13
- 238000007726 management method Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000013480 data collection Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000000556 factor analysis Methods 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- -1 petrochemical Substances 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
図1は、実施形態1にかかるシステム構成を説明する図である。図1に示すように、このシステムは、プラント1、ヒストリアンデータベース12、情報処理装置10を有する。なお、プラント1とヒストリアンデータベース12とは、有線や無線を問わず、専用線などを用いて通信可能に接続される。同様に、ヒストリアンデータベース12と情報処理装置10は、有線や無線を問わず、インターネットや専用線などのネットワークNを介して、通信可能に接続される。
プラントにおける品質などのPQCDS(Productivity(生産性)、Quality(品質)、Cost(原価)、Delivery(納期)、Safety(安全性))に繋がる要因を精度良く分析するためには、何らかの規則性や共通項に基づき類似する運転状態ごとにデータを分解することによりデータの質を高めた上で、分解した運転状態ごとに各種機械学習モデルによって要因分析する手順がとられている。
上述した状態の分解技術に関して、一般的に次元圧縮は、有用な情報をなるべく残したまま新たな成分(軸)に写像することで低次元空間に要約、すなわち特徴量として抽出する方法であるが、新たな成分自体に必ずしも物理的な意味があるとは限らず、その解釈が困難な場合も多い。例えば、異常検知において、物理的意味が希薄な特徴空間内での異常要因の説明は困難であり、要因の説明を重要視されるケースでは理由不十分のため誤検出として扱われることもある。
なお、実施形態1で用いる生産4要素とは、Machine(設備)、Method(工程や手順)、Man(オペレータ)、Material(原材料)などのことである。確率的潜在意味解析とは、ソフトクラスタリング手法の一つで、確率的な出現頻度で類似性を判断し、クラスタの所属度合いを確率で表現できる。また、確率的潜在意味解析は、行と列を同時にクラスタリング可能である。この確率的潜在意味解析は、PLSA(Probabilistic Latent Semantic Analysis)とも呼ばれる。
次に、図1に示したシステムを有する各装置の機能構成を示す機能ブロック図である。なお、制御システム11およびヒストリアンデータベース12は、プラント1の制御管理で通常利用される制御システムやヒストリアンデータベースと同様の構成を有するので、詳細な説明は省略する。ここでは、プラント1の制御管理で通常利用される監視装置や管理装置とは異なる機能を有する情報処理装置10について説明する。
図12は、実施形態1の処理の流れを説明するフローチャートである。図12に示すように、管理者やオペレータなどを含むユーザにより分析処理の開始が指示されると、プロセスデータ収集部111は、ヒストリアンデータベース12からプロセスデータを取得する(S101)。
上述したように、情報処理装置10は、確率的潜在意味解析およびベイジアンネットワークを活用し、プラント1における製品の生産4要素などの環境変化を含む複雑な操業データから、品質といった生産管理指標に影響を与える要因を機械学習によって抽出する。また、情報処理装置10は、機械学習結果をオペレータにとって考察および理解し易い形式に変換して提示することにより、操業時におけるオペレータの迅速な意思決定を支援することができる。
例えば、図6に示した因果関係は一例であり、他の要素を追加することもでき、階層も増減させることができる。図15は、因果関係の応用例を説明する図である。図15に示すように、例えば孫候補として、設備Eの温度に関する情報である「TagM」を、因果関係(親子関係)に追加することもできる。別例としては、図6に示すすべての設備の親候補として外気温などを追加することもできる。このように、新たな要素を追加することで、ベイジアンネットワークの学習対象となる次元数を増やすことができるので、ベイジアンネットワークの精度向上を図ることができる。なお、温度に限定されず、例えば、外気温、人の操作介入や設備メンテナンスの有無などのように影響を与え得る環境の変化や、夜間に品質が悪いことが多いなどのようなオペレータ等の経験に基づく因果関係候補を加えてもよい。
上記実施形態で用いたプロセスデータの種類、Tag数、クラスタ数、閾値、データ数などは、あくまで一例であり、任意に変更することができる。また、目的の一例として「品質」を例にして説明したが、これに限定されるものではない。例えば、プラント1内の障害種別やプラント1の装置Xの状態など、より詳細な目的を設定することもでき、オペレータのミスなど人為的な要因を設定することもできる。
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。また、図6に示した各設備は、構成機器の一例である。また、図11の表示形式は、あくまで一例であり、プルダウン形式など任意に変更することができ、比較情報の選択も任意に変更することができる。また、情報処理装置10は、プラントデータをプラント1から直接取得することもできる。
次に、情報処理装置10のハードウェア構成例を説明する。図16は、ハードウェア構成例を説明する図である。図16に示すように、情報処理装置10は、通信装置10a、HDD(Hard Disk Drive)10b、メモリ10c、プロセッサ10dを有する。また、図16に示した各部は、バス等で相互に接続される。
100 通信部
101 記憶部
110 制御部
111 プロセスデータ収集部
112 クラスタリング部
113 因果関係候補決定部
114 因果モデル構築部
115 分析部
116 表示部
Claims (7)
- コンピュータが、
プラントの操業に関する複数の変数を有する因果モデルに、前提条件を与えたときの推論結果を取得し、
前記推論結果に基づき前記複数の変数から前記前提条件に依存する関連変数を特定し、
前記関連変数について、前記推論結果で得られた前記関連変数の状態に関する情報、および、前記プラントで発生するプラントデータのうち前記関連変数に該当するプラントデータの統計量を表示する、
処理を実行することを特徴とする分析方法。 - 前記表示する処理は、前記関連変数の状態に関する情報として、前記推論結果で得られた条件および確率値と、前記条件が前記プラントの操業で守られている程度を定量的に示した程度情報とを表示する、ことを特徴とする請求項1に記載の分析方法。
- 前記プラントから出力される前記複数の変数を含む複数のプロセスデータを収集し、
前記複数のプロセスデータを前記プラントの運転状態で分類するクラスタリングを実行し、
前記プロセスデータと前記クラスタリングの結果とを用いた学習データを用いて、前記因果モデルの構造学習を実行する、
処理を前記コンピュータが実行することを特徴とする請求項1または2に記載の分析方法。 - 前記実行する処理は、
前記プラントを構成する構成機器の関連性に基づき前記構成機器の親子関係を特定し、
前記プロセスデータと前記クラスタリングの結果と前記親子関係とを前記学習データに用いて、前記因果モデルの構造学習を実行する、
ことを特徴とする請求項3に記載の分析方法。 - 前記実行する処理は、前記学習データと前記プラントの状態を示す目的変数とを用いて、ベイジアンネットワークの構造学習を実行し、
前記取得する処理は、目的となる前記変数および前記プラントの状態を指定した前記前提条件を学習済みのベイジアンネットワークに入力した推論により、前記推論結果を取得し、
前記特定する処理は、前記ベイジアンネットワーク内の各ノードが属する各クラスタにおいて、前記推論により得られる確率値が最も高いノードを前記関連変数として特定し、
前記表示する処理は、前記関連変数について、前記推論結果で得られた条件と確率値と前記程度情報、および、前記統計量を比較可能に表示する、
ことを特徴とする請求項4に記載の分析方法。 - コンピュータに、
プラントの操業に関する複数の変数を有する因果モデルに、前提条件を与えたときの推論結果を取得し、
前記推論結果に基づき前記複数の変数から前記前提条件に依存する関連変数を特定し、
前記関連変数について、前記推論結果で得られた前記関連変数の状態に関する情報、および、前記プラントで発生するプラントデータのうち前記関連変数に該当するプラントデータの統計量を表示する、
処理を実行させることを特徴とする分析プログラム。 - プラントの操業に関する複数の変数を有する因果モデルに、前提条件を与えたときの推論結果を取得する取得部と、
前記推論結果に基づき前記複数の変数から前記前提条件に依存する関連変数を特定する特定部と、
前記関連変数について、前記推論結果で得られた前記関連変数の状態に関する情報、および、前記プラントで発生するプラントデータのうち前記関連変数に該当するプラントデータの統計量を表示する表示部と、
を有することを特徴とする情報処理装置。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021012314A JP7188470B2 (ja) | 2021-01-28 | 2021-01-28 | 分析方法、分析プログラムおよび情報処理装置 |
CN202180091783.7A CN116745716A (zh) | 2021-01-28 | 2021-12-06 | 分析方法、分析程序和信息处理装置 |
US18/272,293 US20240142922A1 (en) | 2021-01-28 | 2021-12-06 | Analysis method, analysis program and information processing device |
PCT/JP2021/044709 WO2022163132A1 (ja) | 2021-01-28 | 2021-12-06 | 分析方法、分析プログラムおよび情報処理装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021012314A JP7188470B2 (ja) | 2021-01-28 | 2021-01-28 | 分析方法、分析プログラムおよび情報処理装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022115643A true JP2022115643A (ja) | 2022-08-09 |
JP7188470B2 JP7188470B2 (ja) | 2022-12-13 |
Family
ID=82653284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021012314A Active JP7188470B2 (ja) | 2021-01-28 | 2021-01-28 | 分析方法、分析プログラムおよび情報処理装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20240142922A1 (ja) |
JP (1) | JP7188470B2 (ja) |
CN (1) | CN116745716A (ja) |
WO (1) | WO2022163132A1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7506208B1 (ja) | 2023-02-22 | 2024-06-25 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
CN117221134A (zh) * | 2023-09-19 | 2023-12-12 | 合肥尚廷电子科技有限公司 | 一种基于互联网的状态分析方法及系统 |
CN117539223B (zh) * | 2023-11-30 | 2024-06-04 | 西安好博士医疗科技有限公司 | 一种用于恒温箱的智能电加热控制系统及方法 |
CN117575108B (zh) * | 2024-01-16 | 2024-05-14 | 山东三岳化工有限公司 | 一种化工厂能源数据分析系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020052714A (ja) * | 2018-09-27 | 2020-04-02 | 株式会社日立製作所 | 監視システム及び監視方法 |
JP2020149289A (ja) * | 2019-03-13 | 2020-09-17 | オムロン株式会社 | 表示システム、表示方法、及び表示プログラム |
WO2020235194A1 (ja) * | 2019-05-22 | 2020-11-26 | 株式会社 東芝 | 製造条件出力装置、品質管理システム及びプログラム |
-
2021
- 2021-01-28 JP JP2021012314A patent/JP7188470B2/ja active Active
- 2021-12-06 US US18/272,293 patent/US20240142922A1/en active Pending
- 2021-12-06 CN CN202180091783.7A patent/CN116745716A/zh active Pending
- 2021-12-06 WO PCT/JP2021/044709 patent/WO2022163132A1/ja active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020052714A (ja) * | 2018-09-27 | 2020-04-02 | 株式会社日立製作所 | 監視システム及び監視方法 |
JP2020149289A (ja) * | 2019-03-13 | 2020-09-17 | オムロン株式会社 | 表示システム、表示方法、及び表示プログラム |
WO2020235194A1 (ja) * | 2019-05-22 | 2020-11-26 | 株式会社 東芝 | 製造条件出力装置、品質管理システム及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP7188470B2 (ja) | 2022-12-13 |
US20240142922A1 (en) | 2024-05-02 |
WO2022163132A1 (ja) | 2022-08-04 |
CN116745716A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7188470B2 (ja) | 分析方法、分析プログラムおよび情報処理装置 | |
JP7162442B2 (ja) | プロセス及び製造業における業績評価指標のデータに基づく最適化のための方法及びシステム | |
JP7009438B2 (ja) | 時系列パターンモデルを用いて主要パフォーマンス指標(kpi)を監視するコンピュータシステム及び方法 | |
US10809704B2 (en) | Process performance issues and alarm notification using data analytics | |
US9842302B2 (en) | Population-based learning with deep belief networks | |
US8732100B2 (en) | Method and apparatus for event detection permitting per event adjustment of false alarm rate | |
EP3183622B1 (en) | Population-based learning with deep belief networks | |
JP2019527413A (ja) | 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法 | |
JP2009536971A (ja) | 異常事象検出(aed)技術のポリマープロセスへの適用 | |
TWI841793B (zh) | 用於異常設備痕跡偵測及分類的程序及電腦可讀取媒體 | |
US20140336788A1 (en) | Method of operating a process or machine | |
Wang et al. | Sensor data based system-level anomaly prediction for smart manufacturing | |
da Silva Arantes et al. | A novel unsupervised method for anomaly detection in time series based on statistical features for industrial predictive maintenance | |
Hagedorn et al. | Understanding unforeseen production downtimes in manufacturing processes using log data-driven causal reasoning | |
Goknil et al. | A systematic review of data quality in CPS and IoT for industry 4.0 | |
Leukel et al. | Machine learning-based failure prediction in industrial maintenance: improving performance by sliding window selection | |
Menegozzo et al. | Cipcad-bench: Continuous industrial process datasets for benchmarking causal discovery methods | |
US20220147039A1 (en) | Event analytics in modular industrial plants | |
Orantes et al. | A new support methodology for the placement of sensors used for fault detection and diagnosis | |
Romagnoli | Real-Time Chemical Process Monitoring with UMAP | |
Duan et al. | A data scientific approach towards predictive maintenance application in manufacturing industry | |
US20240232713A1 (en) | Detection and visualization of novel data instances for self-healing ai/ml model-based solution deployment | |
Yang | An Integrated Physics-Informed Process Control Framework and Its Applications to Semiconductor Manufacturing | |
JP7502096B2 (ja) | 解析装置、解析方法及びコンピュータプログラム | |
Rashidi | Data-Driven Process Monitoring, Fault Detection And Fault Diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220228 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220906 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221018 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221101 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221114 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7188470 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |