JP2024507159A - オペレータアクションに基づく分散制御システムの制御戦略の改善 - Google Patents

Abstract

産業プラント（１）の分散制御システム（５）内の１つ以上のコントローラ（４）上で実行されるとき、産業プラント（１）を、アプリケーションコード（３）内に実装された制御戦略に従って制御させるアプリケーションコード（３）を生成するように構成されたエンジニアリングツール（２）を修正及び／または拡張するためのコンピュータ実装方法（１００ａ）であって、方法は、－少なくとも１つの産業プラント（１）の動作状態（１ａ）を特徴付ける状態変数（６）を取得すること（１１０）と、－ヒューマンマシンインターフェースを介して産業プラント（１）の分散制御システム（５）と対話する少なくとも１人のプラントオペレータの対話イベント（７）のセットを取得すること（１２０）と、－入力データとして、対話イベント（７）、状態変数（６）、及び任意選択で分散制御システム（５）の所定の設計情報に少なくとも部分的に基づいて、１つ以上の対話イベント（７）が、プラントオペレータが分散制御システム（５）の現在の設計によって十分にカバーされていないタスクを実行していることを示すかどうかを決定すること（１３０）と、－この決定が肯定的である場合、アプリケーションコード（３）が修正及び／または拡張されたエンジニアリングツール（２）によって再生成され、分散制御システム（５）において実行されるときに、プラントオペレータが分散制御システムと手動で対話する頻度が低くなり、および／または分散制御システムと対話する時間が短くなるように、入力データを、分散制御システム（５）のためのアプリケーションコード（３）を生成したエンジニアリングツール（２）のための修正および／または拡張（２ａ）にマッピングすること（１４０）とを含む。【選択図】図１

Description

本発明は、産業プラントの、特に、分散制御システムを有するプラントの自動制御に関する。

産業プラントの自動制御は、通常、効率的な方法でプラントの通常動作を行うための設計された制御戦略（engineered control strategy）に従って行われる。しかしながら、そのような設計された制御戦略は、プラントの動作中に生じるかもしれないすべての状況を予測することができない。そのような状況では、プラントオペレータは、手動で介入し、プラントまたはその一部の制御を行い、設計された制御戦略を無効にすることができる。

ＷＯ２０１２／１４２ ３５３Ａ１は、プロセス制御システムを監視する方法を開示している。本方法は、不満足であるプラントの重要業績評価指標（ＫＰＩ）を視覚化することを含む。

発明の目的
本発明の目的は、産業プラントの動作中の手動介入の必要性、および／またはプラントオペレータがこれらの介入に費やさなければならない時間量を低減することである。

この目的は、独立請求項に記載の分散制御システム用のエンジニアリングツールを修正および／または拡張するための２つのコンピュータ実装方法と、別の独立請求項に記載の機械学習モデルをトレーニングするための別のコンピュータ実装方法とによって達成される。

発明の開示
本発明は、エンジニアリングツールを修正および／または拡張するための２つのコンピュータ実装方法を提供する。エンジニアリングツールは、アプリケーションコードを生成するように構成される。このアプリケーションコードが産業プラントの分散制御システム内の１つ以上のコントローラ上で実行されるとき、産業プラントを、アプリケーションコード内に実装された制御戦略に従って制御させる。

どちらの方法も、分散制御システム用のアプリケーションコードを生成したエンジニアリングツールの修正および／または拡張を生成する。アプリケーションコードが、修正および／または拡張されたエンジニアリングツールによって再生成され、分散制御システム内で実行されるとき、修正の効果は、プラントオペレータが、分散制御システムと手動で対話する頻度が低くなる、および／または分散制御システムと対話する時間が短くなる可能性が高いことである。

第１の方法は、ヒューマンマシンインターフェースを介してプラントの分散制御システムと対話するプラントオペレータの過去の対話イベントに基づいて、この修正および／または拡張を取得する。第２の方法は、プラントの現在の状態に基づいてプラントオペレータが開始する可能性が高い対話イベントの予測に基づいて修正および／または拡張を取得する。この予測は、トレーニングされた機械学習モデルから得られる。第１の方法は、具体的には、プラントオペレータの特定の既知の挙動パターンから修正および／または拡張を得ることを容易にするのに対して、第２の方法は、具体的には、挙動パターンの先験的知識なしに、最初から修正および／または拡張を得ることを容易にする。

第１の方法の過程において、少なくとも１つの産業プラントの動作状態を特徴付ける状態変数が取得される。また、ヒューマンマシンインターフェースを介して産業プラントの分散制御システムと対話する少なくとも１人のプラントオペレータの対話イベントのセットが取得される。

入力データとして、対話イベント、状態変数、および任意選択で分散制御システムの所定の設計情報に少なくとも部分的に基づいて、１つ以上の対話イベントが、プラントオペレータが分散制御システムの設計によって十分にカバーされていないタスクを実行していることを示すかどうかが決定される。この決定が肯定的である場合、入力データは、分散制御システムのためのアプリケーションコードを生成したエンジニアリングツールのために求められた修正および／または拡張にマッピングされる。

制御システムは、設計段階中に要求仕様に基づいて設計される。しかし、この設計段階では、プラントの動作中に発生するすべての状況を予測することができるわけではない。人間のプラントオペレータは、設計された制御戦略における任意のギャップを埋めるための対話部分として制御ループ内に留まる。制御戦略において予見されず、再発生する可能性が非常に低いまれな状況がプラントオペレータの介入によって対処される場合、これは、この状況も同様に対処するために制御戦略を修正するよりも良い方法である。しかし、状況が再び発生する可能性が高い場合には、プラントオペレータが同じまたは実質的に同様の介入を何度も実行しなければならないことから解放するように、プラントの設計を修正した方がよい。設計自動化された方法で修正される場合、これは複数の利点を有する：
・自動的に対処することができるあらゆる状況において、正しい動作は、プラントオペレータが適切な時間に正しい介入を行うことにもはや依存しないので、プラントの動作がより安全になる。
・プラントオペレータをルーチン介入から解放することは、そうでなければ機械によって処理されることができない問題解決タスクのためにこれらのルーチン介入に費やされたであろう時間を解放する。
・プラントオペレータの知識が捕捉され、同様のプラントにも転送可能な形式で文書化される。
・プラントの設計がプラント内で実際に発生する動作状況をどれだけうまくカバーしているかを定量的に測定することができる。

分散制御システムの現在の設計によって十分にカバーされないタスクは、任意の適切な方法でパターンとして指定することができる。特に有利な実施形態では、分散制御システムの現在の設計によって十分にカバーされないタスクは、具体的には、以下を含む：
・分散制御システムの現在の設計によってカバーされない動作問題に対するソリューションを手動で実行すること、および／または、
・等しいまたは実質的に同様の動作状態から開始して１つ以上のアクションを繰り返し実行すること、および／または、
・少なくとも閾値頻度でアクセスするために少なくとも閾値数のステップを必要とする少なくとも１つの機能にアクセスすること。

例えば、廃棄物焼却プラントでは、燃焼プロセスは廃棄物の組成に非常に依存する。
プラントは、特定の範囲の組成について設計されるが、この設計を超える組成の有意な変化が突然起こるかもしれない。例えば、紙、プラスチックまたは他の材料は、家庭廃棄物の通常の成分であるかもしれないので、プラントの設計は、この成分が常に存在すると仮定するかもしれない。しかし、更新された環境規制は、紙またはプラスチックがリサイクルのために別のビンに収集されるべきであることを急に規定する可能性があり、急にこの成分は家庭廃棄物からなくなる。次いで、プラントオペレータは、燃焼が突然悪化に転じたことに気付き、炉内の空気流および廃棄物の撹拌を微調整することによって燃焼をどのように改善するかを見出すことができる。この解決策が更新されたエンジニアリングツールに組み込まれ、プラントの設計がそれに応じて更新される場合、この解決策は、同様の組成の廃棄物が将来プラントに供給されるときはいつでも再使用することができる。

プラントオペレータが動作問題に対する解決策を手動で実行した状況は、例えば、状態変数および対話イベントデータにおけるパターン認識によって検出されてもよい。例えば、
・状態変数は、プラントの問題のある状態または準最適な状態を示し、
・対話イベントのシーケンスが続いて検出され、
・それに応じて、状態変数は、プラントの状態の改善を示す、パターンがある場合、
プラントオペレータによる介入がプラントにおける動作問題を解決したことが推測されることができる。

１つ以上のアクションが、等しいまたは実質的に同様の動作状態から開始して繰り返し実行される場合、このツールによって生成された新しいアプリケーションコードに従って、同じまたは実質的に同様の動作状態が再び発生することに応答して、１つ以上のアクションが将来自動的に実行されるように、エンジニアリングツールは修正されてもよい。これは、ワードプロセッシングプログラムにおけるマクロレコーダと同様に、プラントオペレータを反復的な手作業から解放する。

少なくとも機能が、少なくとも閾値頻度でアクセスするために少なくとも閾値数のステップを必要とする場合、エンジニアリングツールは、機能がより少ない数のステップでアクセス可能であるように修正されてもよい。例えば、ヒューマンマシンインターフェースにおける制御およびディスプレイの配置は、大きすぎて画面上に収まらないかもしれず、したがって、いくつかのページに分割されるかもしれない。ヒューマンマシンインターフェースは、デフォルトで１ページ目にあってもよく、５ページ目にある機能にアクセスするために、プラントオペレータは、２ページ目、３ページ目、４ページ目、次いで５ページ目をめくらなければならないかもしれない。異なるページへの制御およびディスプレイの初期割り当ては、プラントオペレータがそれぞれの制御またはディスプレイにアクセスする必要があるかもしれない推定確率によって動機付けされてもよい。しかし、プラントのある場合には、いくつかの制御およびディスプレイが、プラントの他の場合よりも重要になるかもしれない。これは実行時に変化することさえあるかもしれない。例えば、プラントの複数の居住隣人が、そのプラントから発する騒音、臭い、または別の迷惑について自治体当局に苦情を言う場合、プラントオペレータは、この迷惑を低減することを余儀なくされるかもしれない。それぞれのセンサ読み取りは、より頻繁に監視されなければならず、したがって、それらをページ５から、それらはほとんどの時間スクリーン上で可視であるページ１に移動させることが適切であるかもしれない。

これらの例では、エンジニアリングツールの修正が適切である状況は、プラントからのデータ内の特定のパターンを検索または監視することによって検出されることができる。しかし、プラントオペレータの介入によって満たされなければならない、プラントの以前の設計における「ギャップ」が存在することが明らかになるかもしれない、より多くの事例が存在するかもしれない。したがって、本発明は、エンジニアリングツールを修正および／または拡張するための第２のコンピュータ実装方法も提供する。

第１の方法と同様に、この第２の方法の過程において、少なくとも１つの産業プラントの動作状態を特徴付ける状態変数が取得される。次いで、少なくとも１つのトレーニングされた機械学習モデルを使用して、状態変数に基づいて、少なくとも１人のプラントオペレータが動作状態に応答してヒューマンマシンインターフェースを介して分散制御システム上で開始する可能性が高い１つ以上の対話イベントを予測する。１つ以上の予測された対話イベントは、分散制御システムのためのアプリケーションコードを生成したエンジニアリングツールのための修正および／または拡張にマッピングされる。第１の方法と同様に、修正は、アプリケーションコードが修正および／または拡張されたエンジニアリングツールによって再生成され、分散制御システム内で実行されるときに、プラントオペレータが分散制御システムと手動で対話する頻度が低くなり、および／または分散制御システムと対話する時間が短くなるように構成される。マッピングは、例えば、対話イベントも予測する機械学習モデルによって、別の機械学習モデルによって、または任意の他の適切な方法で、実行されてもよい。

このようにエンジニアリングツールのための修正および／または拡張を生成することは、動作状況のための、および／またはプラントオペレータによる介入のための特定のパターンが事前に知られることを必要としない。むしろ、エンジニアリングツールは、プラントオペレータから動的に学習することができ、初期設計時に予見できなかった新しいクラスの状況にも適応することができる。

例えば、以前は特定の設計で最適に動作していた廃棄物焼却プラントは、プラントで生成された熱が別の用途に使用されてもよいように、地域暖房ネットワークに後で接続されてもよい。その後、地域暖房の信頼性を維持するために、地域暖房ネットワークに送達される熱の量および温度を予め定められた範囲内に維持することが必要になるかもしれない。これらの新しい目標は、以前の目標に少なくとも部分的に取って代わることができる。例えば、廃棄物の発熱量が低下した場合に熱供給を維持するために、廃棄物の燃焼を補うために燃料バーナーを点火することが必要になるかもしれない。従来の設計によれば、廃棄物焼却プラントの連続運転に必要でない限り、燃料が運転コストを増加させるので、バーナーは点火されていない。機械学習モデルのトレーニングは、地域暖房ネットワークへの接続後に、増加する状況において手動介入が必要になったことを捕捉することができる。トレーニング後、機械学習モデルは、どの動作状況において手動介入が生じる可能性が高いかを予測することができる。次いで、エンジニアリングツールは、新たに生成されたアプリケーションコードに従って、熱送達を維持するための介入が将来自動的に開始されてもよいように修正されてもよい。

両方の方法は、１つの同じプラントにおいて同時に有効であってもよい。すなわち、既知のパターンに従って、エンジニアリングツールがある場所で修正および／または拡張を必要とすることが検出された場合、この修正および／または拡張が決定され、実施されてもよい。それに加えて、機械学習モデルは、以前に知られたパターンに適合しない介入から修正および／または拡張を生成するために使用されてもよい。

いずれかの方法で使用される入力データは、例えば、以下の１つ以上をさらに含むことができる：
・分散制御システムによって報告されるアラームおよびイベント、
・産業プラントのトポロジーモデル、
・分散制御システムのヒューマンマシンインターフェースのレイアウト、および
・分散制御システムの制御ロジック。
入力データがより詳細である場合、現在の設計における「ギャップ」の検出のためのより精巧なパターンが使用されることができ、および／または機械学習モデルがプラントオペレータ介入をより正確に予測できる。

さらなる特に有利な実施形態では、入力データおよび／または対話イベントがエンジニアリングツールの修正および／または拡張にマッピングされるとき、所定の制御ライブラリ内の関数が、検出および／または予測されたアクションまたはアクションのシーケンスの結果と実質的に同様の結果を達成することが決定されてもよい。この場合、検出および／または予測されたアクションまたはアクションのシーケンスは、エンジニアリングツールのための修正および／または拡張を生成するときに、制御ライブラリ内の決定された関数への呼び出しで置き換えられてもよい。このようにして、制御ライブラリにすでに凝縮されている知識を、適切な状況で使用することができる。例えば、プラントオペレータは、このような標準アクションに対して、自動化プロトコルが制御ライブラリに既に規定されていることを知らずに容器内の温度を新しい目標温度にするための特定の手動プロトコルに従うことができる。

さらなる特に有利な実施形態では、修正および／または拡張は、アプリケーションコードが、修正されたエンジニアリングツールによって再生成され、分散制御システムにおいて実行されるとき、分散制御システムのヒューマンマシンインターフェースにおいて、
・プラントオペレータによって以前に連続して繰り返し実行された一連のアクションが、この新しい制御要素の作動時に実行されるように現れる新しい制御要素、および／または、
・アクセスするために第２のより少ない数のステップを必要とするように、ヒューマンマシンインターフェース内で移動するようにアクセスするために第１の数のステップを以前に必要とした制御要素、
をもたらすように構成される。
これは、プラントオペレータが、プラントオペレータと分散制御システムのヒューマンマシンインターフェースとの間のより少ない対話で同じ介入を達成することを可能にする。

前述したように、さらなる特に有利な実施形態では、エンジニアリングツール拡張のための修正および／または拡張は、アプリケーションコードが修正されたエンジニアリングツールによって再生成され、分散制御システム内で実行されるときに、プラントオペレータによって以前に実行された１つ以上のアクションが、等しいまたは実質的に同様の動作状態から繰り返し開始して、特定の動作状態の発生に応答して自動的に実行されるように構成される。これは、プラントオペレータを日常的な介入から解放することができ、プラントオペレータが代わりに問題解決タスクに集中することを可能にする。

さらなる有利な実施形態では、予め定められたカタログ内のビルディングブロックから分散制御システムを組み立てるように構成されたエンジニアリングツールが選択される。少なくとも１つのそのようなビルディングブロックは、プログラマブルロジックコントローラ（ＰＬＣ）である。エンジニアリングツールは、このＰＬＣのための制御コードを含むアプリケーションコードを生成するように構成される。そのようなエンジニアリングツールが修正および／または拡張されるとき、ビルディングブロックからのプラントのアセンブリは、変更されないままであってもよいが、ＰＬＣのための制御コードは、再コンパイルされてもよく、それによって、新しい機能を用いてそれをアップグレードする。

したがって、いずれの方法も、修正および／または拡張されたエンジニアリングツールによって、分散制御システムのためのアプリケーションコードを再生成することをさらに含んでもよい。次いで、再生成されたアプリケーションコードは、分散制御システムにおいて実行されてもよい。このようにして、産業プラントは、再生成されたアプリケーションコードに実装された修正および／または拡張された制御戦略に従って制御される。

任意選択で、アプリケーションコードの再生成の前に、制御エンジニアは、エンジニアリングツールの修正および／または拡張の承認を促されてもよい。このようにして、制御エンジニアは、アプリケーションコードが次に再生成されるときに何が変化するかを知る。また、制御エンジニアは、提案された変更が他の制約に違反しているかどうかをチェックすることができる。

本発明はまた、上述の第２の方法で使用するための少なくとも１つの機械学習モデルをトレーニングするためのコンピュータ実装方法を提供する。

この方法は、少なくとも１つの産業プラントの動作状態を特徴付ける状態変数を有するトレーニング入力データのレコードから始まる。前記動作状態に応答して、少なくとも１人のプラントオペレータが分散制御システムにおいてどの対話イベントを開始したかに関するラベルが提供される。トレーニングされる機械学習モデルは、トレーニング入力データのレコードを、少なくとも１人のプラントオペレータがトレーニング入力データ内の動作状態に応答して開始する１つ以上の対話イベントの予測にマッピングする。

予め定められたコスト関数によって、機械学習モデルによる予測がトレーニング入力データのそれぞれのレコードのラベルにどの程度良好に対応するかが評価される。機械学習モデルの挙動を特徴付けるパラメータは、トレーニング入力データのさらなるレコードが機械学習モデルによって処理されるときに、これがコスト関数によるより良い評価をもたらすという目標に向けて最適化される。このようにして、プラントオペレータ介入の予測は、トレーニングが進むにつれてますます正確になる。

対話イベントによる動作状態のラベル付けのために、プラントから収集された実際の対話イベントは、例えば、これらの対話イベントがプラントオペレータによる介入の成功または不成功をもたらしたかどうかに従ってフィルタリングされてもよい。例えば、対話イベントは、それらが所定の目的に関してどれだけ有益であることが証明されたかに関する任意の適切なメトリックに従ってグレード付けされてもよい。実際の対話イベントは、例えば、これらのグレードに従って重み付けされてもよい。対話イベントは、例えば、それらのグレードがある閾値を下回る場合、ラベルに含まれることから除外されてもよい。

特に有利な実施形態では、トレーニング入力データのレコードは、複数の産業プラントから収集される。このようにして、オペレータ知識は、少なくとも類似のプラント間で転送されてもよい。廃棄物焼却プラントなどの多くのタイプのプラントでは、これらのプラントの例はある程度互いに異なるが、基本的な機能はすべての例で同じである。廃棄物焼却プラントの異なる例には、異なる組成の廃棄物が供給されてもよい。一方の廃棄物焼却プラントは地域暖房ネットワークに接続されてもよいが、他方はそうではない。しかし、全ての例は、廃棄物の燃焼のための特定のタイプの炉が存在し、この燃焼は、特定のパラメータのセットを操作することによって制御される点で共通している。

産業プラントの任意の所定の事例において、トレーニングは最初から開始する必要はない。むしろ、機械学習モデルは、最初に一般的なトレーニングを受信し、後でプラントの特定の例のためにより具体的な方法でさらにトレーニングされてもよい。このようにして、プラントの多数の異なる例が配備されるとき、トレーニング時間および時間の一般的な部分を再び繰り返す必要はない。

上述の方法のコンピュータ実装は、方法がコンピュータプログラムにおいて具現化されてもよいことを意味する。したがって、本発明はまた、１つ以上のコンピュータによって実行されるとき、１つ以上のコンピュータに上述の方法のうちの１つを実行させる機械読取可能命令を有するコンピュータプログラムを提供する。本発明はまた、コンピュータプログラムを有する非一時的機械読取可能記憶媒体および／またはダウンロード製品を提供する。ダウンロード製品は、ダウンロードによる即時の履行のためにオンラインショップで販売されてもよい製品である。本発明はまた、コンピュータプログラムを有する、ならびに／または非一時的機械読取可能記憶媒体および／もしくはダウンロード製品を有する、１つ以上のコンピュータを提供する。

以下において、図面を用いて本発明を図示するが、本発明の範囲を限定するものではない。

図１は、エンジニアリングツール２を修正および／または拡張する方法１００ａ、１００ｂの例示的な実施形態である。 図２ａは、方法１００ａ（図２ａ）による例示的な情報の流れである。 図２ｂは、方法１００ｂ（図２ｂ）による例示的な情報の流れである。 図３は、方法１００ｂで使用する機械学習モデル８をトレーニングする方法２００の例示的な実施形態である。

図１は、エンジニアリングツール２を修正および／または拡張する方法１００ａ、１００ｂの一実施形態の概略フローチャートである。両方の方法１００ａ、１００ｂは、ステップ１１０において、少なくとも１つの産業プラント１の動作状態１ａを特徴付ける状態変数６を取得することから開始する。

方法１１０ａの過程で、ステップ１２０において、ヒューマンマシンインターフェースを介して産業プラント１の分散制御システム５と対話する少なくとも１人のプラントオペレータの対話イベント７のセットが取得される。ステップ１３０では、入力データとして、対話イベント７、状態変数６、および任意選択で分散制御システム５の所定の設計情報に少なくとも部分的に基づいて、１つ以上の対話イベント７が、分散制御システム５の現在の設計によって十分にカバーされていないタスクをプラントオペレータが実行していることを示すかどうかが決定される。そうである場合（真理値１）、ステップ１４０において、入力データは、分散制御システム５のためのアプリケーションコード３を生成したエンジニアリングツール２のための修正および／または拡張２ａにマッピングされる。

方法１１０ｂの過程で、ステップ１５０において、状態変数６に基づいて、少なくとも１人のプラントオペレータが、プラント１の動作状態１ａに応答してヒューマンマシンインターフェースを介して分散制御システム５上で開始する可能性が高い１つ以上の対話イベント７が、少なくとも１つの機械学習モデル８を使用して予測される。ステップ１６０において、１つ以上の予測された対話イベント７は、分散制御システム５のためのアプリケーションコード３を生成したエンジニアリングツール２のための修正および／または拡張２ａにマッピングされる。

方法１１０ａまたは１００ｂのいずれかで実行されるマッピング１４０、１６０中に、ブロック１４１（１６１それぞれ）に従って、検出および／または予測されたアクションまたはアクションのシーケンスの結果と実質的に同様の結果を達成する所定の制御ライブラリ内の関数を決定することができる。ブロック１４２、１６２のそれぞれによれば、このアクションまたはアクションのシーケンスは、制御ライブラリ内の決定された関数への呼び出しと置き換えられてもよい。このようにして、プラントオペレータが、すでに利用可能なライブラリ関数が存在する何かを手動で行う場合、試験済みのライブラリ関数が使用される。

ブロック１０５によれば、方法１００ａおよび１００ｂの両方に対して、エンジニアリングツール２が選択されてもよく、エンジニアリングツール２は、
・予め定められたのカタログ内のビルディングブロックから分散制御システム（５）を組み立て、ここで、少なくとも１つのそのようなビルディングブロックはプログラマブルロジックコントローラ（ＰＬＣ）である、
・このＰＬＣのための制御コードを含むアプリケーションコードを生成するように構成されている。

方法１００ａおよび１００ｂの両方の過程において、エンジニアリングツール２の修正２ａは、ステップ１７０において、承認のために制御オペレータに提示されてもよい。承認が与えられた場合（真理値１）、エンジニアリングツール２は、ステップ１８０において、分散制御システム５のためのアプリケーションコード３を再生成することができる。ステップ１９０において、この再生成されたアプリケーションコード３は、分散制御システム５において実行されてもよい。この結果、産業プラント１は、再生成されたアプリケーションコード３において実施される更新された制御戦略に従って制御される。

この情報の流れは、方法１００ａについては図２ａに、方法１００ｂについては図２ｂにさらに詳述されている。

図２ａによれば、分散制御システム５内のコントローラ４から、およびこの制御システム５から全体として状態変数６が取得される。また、制御システム５と対話する少なくとも１人のプラントオペレータの対話イベント７が取得される。状態変数６および１つ以上の対話イベント７に基づいて、方法１００ａのステップ１３０において、これが、プラントオペレータが分散制御システム５の現在の設計によって十分にカバーされていないタスクを実行していることを示すかどうかが決定される。方法１００ａのステップ１４０において、状態変数６および対話イベント７は、機械学習モデル、ルックアップテーブル、または任意の他の適切な手段を使用して、エンジニアリングツール２のために求められた修正および／または拡張２ａにマッピングされる。この修正および／または拡張が実施されるとき、エンジニアリングツール２は、新しいアプリケーションコード３を生成することができ、次いで、新しいアプリケーションコード３は、分散制御システム５内のコントローラ４上で実行することができる。

図２ｂによれば、分散制御システム５内のコントローラ４から、およびこの制御システム５から全体として状態変数６が取得される。状態変数６に基づいて、少なくとも１つの機械学習モデル８は、少なくとも１人のプラントオペレータが分散制御システム５上で開始する可能性が高い１つ以上の対話イベント７を予測する。これらの予測された対話イベント７は、方法１００ｂのステップ１６０において、エンジニアリングツール２のために求められた修正および／または拡張２ａにマッピングされる。この修正および／または拡張が実施されるとき、エンジニアリングツール２は、新しいアプリケーションコード３を生成することができ、次いで、新しいアプリケーションコード３は、分散制御システム５内のコントローラ４上で実行することができる。

図３は、機械学習モデル８をトレーニングする方法２００の一実施形態の概略フローチャートである。ステップ２１０において、少なくとも１つの産業プラント１の動作状態１ａを特徴付ける状態変数６を有するトレーニング入力データのレコード６ａが提供される。ステップ２２０において、少なくとも１人のプラントオペレータが前記動作状態１ａに応答して分散制御システム５においてどの対話イベント７を開始したかに関するラベル９が提供される。

ステップ２３０において、トレーニング入力データのレコード６ａは、トレーニングされるべき機械学習モデル８によって、少なくとも１人のプラントオペレータがトレーニング入力データにおける動作状態１ａに応答して開始する１つ以上の対話イベント７の予測７’にマッピングされる。ステップ２４０において、予め定められたコスト関数１０によって、この予測７’がトレーニング入力データのそれぞれのレコード６ａのラベル９にどれだけ良好に対応するかが評価される。ステップ２５０において、機械学習モデル８の挙動を特徴付けるパラメータ８ａは、トレーニング入力データのさらなるレコード６ａが機械学習モデル８によって処理されるときに、これがコスト関数１０によるより良い評価１０ａをもたらすという目標に向けて再最適化される。最終的に得られたパラメータ８ａのトレーニングされた状態は、参照符号８ａ＊でラベル付けされている。

参照符号のリスト
１ 産業プラント
１ａ 産業プラント１の動作状態
２ 分散制御システム５のためのエンジニアリングツール
２ エンジニアリングツール２のための修正／拡張
３ 分散制御システム５のためのアプリケーションコード
４ 分散制御システム５におけるコントローラ
５ 分散制御システム
６ 動作状態１ａを特徴付ける状態変数
６ａ 状態変数を有するトレーニングデータレコード
７ プラントオペレータと制御システム５との間の対話イベント
７’ モデル８のトレーニング中の対話イベント７の予測
８ 機械学習モデル
８ａ 機械学習モデル８の挙動を特徴付けるパラメータ
８ａ＊ パラメータ８ａの最終的にトレーニングされた状態
９ トレーニングデータレコード６ａのためのラベル
１０ 機械学習モデル８のトレーニングのためのコスト関数
１０ａ コスト関数による評価
１００ａ パターンに基づいて修正２ａを取得する方法
１００ｂ 対話学習に基づいて修正２ａを取得する方法
１０５ 特定の分散制御システム５を選択
１１０ 状態変数６を取得
１２０ 対話イベント７を取得
１３０ カバーされていないタスクの実行を決定
１４０ 修正／拡張２ａへの入力データのマッピング
１４１ 制御ライブラリ関数を決定
１４２ 手動アクションの代わりにライブラリ関数を使用
１５０ 対話イベント７を予測
１６０ 予測された対話イベントを修正／拡張２ａにマッピング
１６１ 制御ライブラリ関数を決定
１６２ 手動アクションの代わりにライブラリ関数を使用
１７０ 制御エンジニアによる承認のために修正２ａを提出
１８０ アプリケーションコード３を再生成
１９０ 新しいアプリケーションコード３を実行
２００ 機械学習モデル８をトレーニングする方法
２１０ トレーニング入力データのレコード６ａを提供
２１１ 複数のプラント１からレコード６ａを取得
２２０ ラベル９を提供
２３０ レコード６ａを予測７’にマッピング
２４０ コスト関数１０を使用する予測７’を評価
２５０ パラメータ８ａを最適化

Claims (15)

1. 産業プラント（１）の分散制御システム（５）内の１つ以上のコントローラ（４）上で実行されるとき、前記産業プラント（１）を、アプリケーションコード（３）内に実装された制御戦略に従って制御させる前記アプリケーションコード（３）を生成するように構成されたエンジニアリングツール（２）を修正及び／又は拡張するためのコンピュータ実装方法（１００ａ）であって、前記方法が、
   ・少なくとも１つの産業プラント（１）の動作状態（１ａ）を特徴付ける状態変数（６）を取得すること（１１０）と、
   ・ヒューマンマシンインターフェースを介して前記産業プラント（１）の前記分散制御システム（５）と対話する少なくとも１人のプラントオペレータの対話イベント（７）のセットを取得すること（１２０）と、
   ・入力データとして、前記対話イベント（７）、前記状態変数（６）、及び任意選択で前記分散制御システム（５）の所定の設計情報に少なくとも部分的に基づいて、１つ以上の対話イベント（７）が、前記プラントオペレータが前記分散制御システム（５）の現在の設計によって十分にカバーされていないタスクを実行していることを示すかどうかを決定すること（１３０）と、
   ・この決定が肯定的である場合、前記アプリケーションコード（３）が前記修正及び／又は拡張されたエンジニアリングツール（２）によって再生成され、前記分散制御システム（５）において実行されるときに、前記プラントオペレータが前記分散制御システムと手動で対話する頻度が低くなるように、及び／又は前記分散制御システムと対話する時間が短くなるように、前記入力データを、前記分散制御システム（５）のための前記アプリケーションコード（３）を生成した前記エンジニアリングツール（２）のための修正及び／又は拡張（２ａ）にマッピングすること（１４０）と、を備える、方法（１００ａ）。
2. 前記分散制御システム（５）の現在の設計によって十分にカバーされていない前記タスクは、具体的には、
   ・前記分散制御システム（５）の現在の設計によってカバーされない動作問題に対するソリューションを手動で実行すること、及び／又は、
   ・等しい又は実質的に同様の動作状態（１ａ）から開始して１つ以上のアクションを繰り返し実行すること、及び／又は、
   ・少なくとも閾値頻度でアクセスするために少なくとも閾値数のステップを必要とする少なくとも１つの機能にアクセスすることを含む、請求項１に記載の方法（１００）。
3. 産業プラント（１）の分散制御システム（５）内の１つ以上のコントローラ（４）上で実行されるとき、前記産業プラント（１）を、アプリケーションコード（３）内に実装された制御戦略に従って制御させる前記アプリケーションコード（３）を生成するように構成されたエンジニアリングツール（２）を修正及び／又は拡張するためのコンピュータ実装方法（１００ｂ）であって、前記方法が、
   ・少なくとも１つの産業プラント（１）の動作状態（１ａ）を特徴付ける状態変数（６）を取得すること（１１０）と、
   ・前記状態変数（６）に基づいて、少なくとも１つのトレーニングされた機械学習モデル（８）を使用して、少なくとも１人のプラントオペレータが前記動作状態（１ａ）に応答してヒューマンマシンインターフェースを介して前記分散制御システム（５）上で開始する可能性が高い１つ以上の対話イベント（７）を予測すること（１５０）と、
   ・前記アプリケーションコード（３）が前記修正及び／又は拡張されたエンジニアリングツール（２）によって再生成され、前記分散制御システム（５）内で実行されるときに、前記プラントオペレータが前記分散制御システム（５）と手動で対話する頻度が低くなるように、及び／又は前記分散制御システム（５）と対話する時間が短くなるように、前記１つ以上の予測された対話イベント（７）を、前記分散制御システム（５）の前記アプリケーションコード（３）を生成した前記エンジニアリングツール（２）の修正及び／又は拡張（２ａ）にマッピングすること（１６０）とを備える、方法（１００ｂ）。
4. 前記入力データは、
   ・前記分散制御システム（５）によって報告されるアラーム及びイベントと、
   ・前記産業プラント（１）のトポロジーモデルと、
   ・前記分散制御システム（５）のヒューマンマシンインターフェースのレイアウトと、
   ・前記分散制御システム（５）の制御ロジックとのうちの１つ以上をさらに含む、請求項１から３のいずれか一項に記載の方法（１００ａ、１００ｂ）。
5. 前記マッピングすること（１４０、１６０）は、
   ・検出及び／又は予測されたアクション又はアクションのシーケンスの結果と実質的に同様の結果を達成する所定の制御ライブラリ内の関数を決定すること（１４１、１６１）と
   ・前記エンジニアリングツール（２）のための前記修正及び／又は拡張（２ａ）において、前記検出及び／又は予測されたアクション又はアクションのシーケンスを、前記制御ライブラリ内の前記決定された関数への呼び出しと置き換えること（１４２、１６２）とを含む、請求項１から４のいずれか一項に記載の方法（１００ａ、１００ｂ）。
6. 前記修正及び／又は拡張（２ａ）は、
   前記アプリケーションコード（３）が前記修正されたエンジニアリングツール（２）によって再生成され、前記分散制御システム（５）において実行されるときに、前記分散制御システム（５）のヒューマンマシンインターフェースにおいて、
   ・前記プラントオペレータによって以前に連続して繰り返し実行された一連のアクションが、この新しい制御要素の作動時に実行されるように現れる新しい制御要素、及び／又は、
   ・アクセスするために第２のより少ない数のステップを必要とするように、前記ヒューマンマシンインターフェース内で移動するようにアクセスするための第１の数のステップを以前に必要とした制御要素、
   をもたらすように構成される、請求項１から５のいずれか一項に記載の方法（１００ａ、１００ｂ）。
7. 前記修正及び／又は拡張（２ａ）は、前記アプリケーションコード（３）が修正エンジニアリングツール（２）によって再生成され、前記分散制御システム（５）において実行されるときに、等しい又は実質的に同様の動作状態（１ａ）から開始して前記プラントオペレータによって以前に繰り返し実行された１つ以上のアクションを、特定の動作状態（１ａ）の発生に応答して自動的に実行させるように構成される、請求項１から６のいずれか一項に記載の方法（１００ａ、１００ｂ）。
8. エンジニアリングツール（２）が選択され（１０５）、前記エンジニアリングツール（２）は、
   ・予め定められたカタログ内のビルディングブロックから前記分散制御システム（５）を組み立て、ここで、少なくとも１つのそのようなビルディングブロックはプログラマブルロジックコントローラ（ＰＬＣ）であり、
   ・このＰＬＣのための制御コードを含むアプリケーションコードを生成するように構成される、請求項１から７のいずれか一項に記載の方法（１００ａ、１００ｂ）。
9. ・前記修正及び／又は拡張されたエンジニアリングツール（２）によって、前記分散制御システム（５）のためのアプリケーションコード（３）を再生成すること（１８０）と、
   ・前記分散制御システム（５）において前記再生成されたアプリケーションコード（３）を実行し（１９０）、それによって、前記再生成されたアプリケーションコード（３）において実装された前記制御戦略に従って前記産業プラント（１）を制御することと、をさらに備える、請求項１から８のいずれか一項に記載の方法（１００ａ、１００ｂ）。
10. 前記アプリケーションコード（３）を再生成する（１８０）前に、制御エンジニアが前記エンジニアリングツール（２）に対する前記修正及び／又は拡張（２ａ）の承認を促すこと（１７０）をさらに備える、請求項９に記載の方法（１００ａ、１００ｂ）。
11. 請求項３に記載の、及び任意選択で請求項４から１０のいずれか一項に記載の方法（１００ｂ）で使用するための少なくとも１つの機械学習モデル（８）をトレーニングするためのコンピュータ実装方法（２００）であって、前記方法が、
    ・前記少なくとも１つの産業プラント（１）の動作状態（１ａ）を特徴付ける状態変数（６）を有するトレーニング入力データのレコード（６ａ）を提供すること（２１０）と、
    ・前記動作状態（１ａ）に応答して、少なくとも１人のプラントオペレータが前記分散制御システム（５）においてどの対話イベント（７）を開始したかに関するラベル（９）を提供すること（２２０）と、
    ・前記機械学習モデル（８）によって、前記トレーニング入力データのレコード（６ａ）を、少なくとも１人のプラントオペレータが前記トレーニング入力データ内の前記動作状態（１ａ）に応答して開始する１つ以上の対話イベント（７）の予測（７’）にマッピングすること（２３０）と、
    ・予め定められたコスト関数（１０）によって、前記機械学習モデル（８）による前記予測（７’）が前記トレーニング入力データのそれぞれのレコード（６ａ）の前記ラベル（９）にどの程度良好に対応するかを評価すること（２４０）と、
    ・前記機械学習モデル（８）の挙動を特徴付けるパラメータ（８ａ）を、トレーニング入力データのさらなるレコード（６ａ）が前記機械学習モデル（８）によって処理されるときに、これが前記コスト関数（１０）によるより良好な評価（１０ａ）をもたらすという目標に向けて最適化すること（２５０）と、を備える、方法（２００）。
12. 前記トレーニング入力データのレコード（６ａ）が、複数の産業プラント（１）から収集される（２１１）、請求項１１に記載の方法（２００）。
13. １つ以上のコンピュータによって実行されるとき、前記１つ以上のコンピュータに、請求項１から１２のいずれか一項に記載の方法（１００ａ、１００ｂ、２００）を実行させる機械読取可能命令を含む、コンピュータプログラム。
14. 請求項１３に記載のコンピュータプログラムを有する、非一時的機械読取可能記憶媒体及び／又はダウンロード製品。
15. 請求項１３に記載のコンピュータプログラムを有する、並びに／又は、請求項１４に記載の非一時的機械読取記憶媒体及び／若しくはダウンロード製品を有する、１つ以上のコンピュータ。

Images