JP2024513621A

JP2024513621A - 産業施設の電力消費を最適化するシステム及びその方法

Info

Publication number: JP2024513621A
Application number: JP2023513646A
Authority: JP
Inventors: グルラジデサイアマル
Original assignee: Robert Bosch GmbH; Robert Bosch Engineering and Business Solutions Pvt Ltd
Current assignee: Robert Bosch GmbH; Bosch Global Software Technologies Pvt Ltd
Priority date: 2020-08-28
Filing date: 2021-09-20
Publication date: 2024-03-27
Also published as: WO2022043976A1

Abstract

本開示は、産業施設（１０１）の電力消費を最適化するためのシステム及びその方法を提案する。産業施設（１０１）は、複数のプロセスを実行する複数の機械を含む。本システムは、複数の機械の各々に関連付けられた複数のエネルギー測定装置（１０２）と、処理モジュール（１０３）と、少なくとも出力インタフェース（１０４）とによって特徴付けられる。処理モジュール（１０３）は、データ処理手段（１０３１）と、ＡＩモジュール（１０３３）と、少なくともデータベース（１０３２）と、を備える。処理モジュール（１０３）は、処理モジュール（１０３）を用いて各機械に供給される電力を最適化し、処理モジュール（１０３）を用いて複数の機械についての機械動作パラメータを最適化し、プロセスにおけるコスト削減を予測するように構成されている。

Description

完全明細書
以下の明細書は、本発明の性質及びそれが実施される方法を説明し確認するためのものである。

発明の分野
本開示は、産業施設の電力消費を最適化するためのシステム及びその方法に関する。より具体的には、１つ又は複数の産業用エネルギー最適化プロセスを特定の手法によって実施することによるコスト削減についての洞察を与えるものである。

発明の背景
第４次産業革命（又はインダストリ４．０）は、モノのインタネット（ＩｏＴ）及び人工知能（ＡＩ）などの最新技術を使用して、従来の製造業及び産業界の慣習を変革している。そのような技術は、自動化の促進、通信及び自己監視の改善、並びに、人の介入の必要性なしに問題を分析及び診断し得るスマート機械の生産のために現代の産業施設に統合されている。しかしながら、そのようなデジタル化の採用においては、まだ大きなボトルネックがあり、特に、産業又は企業サイトの施設／設備管理などのバックエンドサポートプロセスにおいて、投資収益率（ＲＯＩ）又はコスト削減の可視化が必要である。これは、多くの場合、長い意思決定プロセスと低い変換率とに結び付く。

米国特許出願公開第２０１５０１９５１３６号明細書

米国特許出願公開第２０１５０１９５１３６号明細書の特許出願「学習されたネットワークパフォーマンスモデルに基づくネットワークパラメータの最適化」においては、複数のネットワーク特性を複数のネットワークパフォーマンスメトリクスにマッピングすることによって予測モデルが構築されることが開示されている。次いで、ネットワーク内のノードに関連付けられたネットワークパフォーマンスメトリクスが、構築された予測モデルと、ノードに関連付けられた１つ又は複数のネットワーク特性とに基づいて予測される。ノードの局所的パラメータも、予測されたネットワークパフォーマンスメトリクスに基づいて最適化される。

以下においては、本発明の一実施形態を添付の図面を参照して説明する。

産業施設の電力消費を最適化するためのシステムを示した図である。産業施設の電力消費を最適化するための方法ステップを示した図である。機械の電力パターンのバンドパスフィルタリングを示した図である。機械の電力パターンのクラスタリングを示した図である。

図面の詳細な説明
図１は、産業施設１０１の電力消費を最適化するためのシステム１００を示している。産業施設１０１の電力消費を最適化するためのシステムにおいては、産業施設１０１は、複数のプロセスを実行する複数の機械を含む。電力消費を最適化するためのシステムは、複数のエネルギー測定装置１０２と、処理モジュール１０３と、少なくとも出力インタフェース１０４とを備える。

少なくとも１つのエネルギー測定装置１０２は、複数の機械の各々に関連付けられる。複数のエネルギー測定装置１０２は、処理モジュール１０３と通信する。複数の機械の各々に関連付けられた複数のエネルギー測定装置１０２は、各機械の電気的ドメイン署名を処理モジュール１０３に送信する。各機械の電気的ドメイン署名は、複数の機械の各々から収集された電力プロファイルパターンを含む。

処理モジュール１０３は、データ処理手段１０３１と、ＡＩモジュール１０３３と、少なくともデータベース１０３２とを備える。データ処理手段１０３１は、大量のデータを処理することが可能なハイエンドプロセッサである。本発明に関連するＡＩモジュール１０３３は、モデルを実行するコンポーネントとして説明することができる。モデルは、相関行列の異なる形式を使用するデータの参照又は推論セットと定義することができる。本発明において言及するモデルとは、複数の機械の入力パラメータと、複数の機械によるプロセスの実行における所望のコスト削減との間の相関関係を見出すために使用される最適化モデルを指す。これらのモデル及びこれらのモデルからのデータを使用して、データの何らかの論理的理解に到達するために異なるタイプのデータ間で相関関係を確立することができる。データベース１０３２は、過去のケーススタディ及びトレーニングされた最適化モデルの収納場所を含む。換言すれば、特定の機械及びプロセス特性に対応して使用される最適化モデルのタイプに関する情報を格納する。

処理モジュール１０３は、当業者に公知の有線及び無線通信の１つ又は複数の手段によって、複数の機械と通信している。出力インタフェース１０４は、処理モジュール１０３によって分析された様々なコスト削減予測を表示する。

産業施設１０１の電力消費を最適化するためのシステムの各構成ブロックは、用途に応じて異なるアーキテクチャのフレームワークにおいて実装され得ることを理解されたい。アーキテクチャフレームワークの一実施形態においては、システムの全ての構成ブロックは、ハードウェアにおいて実装され、即ち、各構成ブロックは、マイクロプロセッサチップにハードコードされるものとしてよい。これは、構成ブロックがネットワーク上に物理的に分散され、ここで各構成ブロックがネットワークにわたる個々のコンピュータシステム上にある場合に、特に可能である。システムのアーキテクチャフレームワークの他の実施形態においては、ハードウェアとソフトウェアとの組合せとして実装され、即ち、いくつかの構成ブロックは、マイクロプロセッサチップにハードコードされるが、他の構成ブロックは、マイクロプロセッサチップ又はクラウド上のいずれにも常駐し得るソフトウェアにおいて実装される。

図２は、産業施設１０１の電力消費を最適化するための方法ステップ２００を示している。当業者であれば、上記の前段落において説明した産業施設１０１の電力消費を最適化するためのシステムが、方法ステップを実行するために使用されるものであることは明らかであろう。産業施設１０１は、複数のエネルギー測定装置１０２と、処理モジュール１０３と、少なくとも出力インタフェース１０４とを含むシステムと共に、複数のプロセスを実行する複数の機械を含む。

ステップ２０１においては、処理モジュール１０３は、複数のエネルギー測定装置１０２を用いて複数の機械の各々に固有の電気的ドメイン署名を受信する。これらの電気的ドメイン署名は、少なくとも複数の機械の各々から収集された電力パターンを含む。これは、図３ａのグラフを通して説明される。

ステップ２０２においては、処理モジュール１０３は、各機械に供給される電力を最適化する。この方法ステップは、さらに少なくとも２つのサブステップを有する。ステップ２０２１においては、ノイズを除去するために、電気的ドメイン署名のバンドパスフィルタリングが行われる。使用されるバンドパスフィルタの特性は、識別された機械タイプごとにデータベース１０３２から収集される（ステップ２０３を参照）。特性は、バンドパスフィルタの帯域幅を含む。これは、通過を許可される周波数と、この範囲外の拒絶される周波数とを指す。ステップ２０２２においては、アクティブ領域とアイドル領域とを区別するために電気的ドメイン署名のクラスタリングが行われる。Ｋ平均法のようなクラスタリングアルゴリズムは、振動の程度、電力レベル、並びに、時間帯及び機械メタモデルなどの要因に基づいて、（図３ｂに示すように）アクティブ領域とアイドル領域とを区別するために使用される。メタモデルは、機械の性質（モーター負荷／熱負荷／スイッチング負荷／照明負荷）、最小動作制約、ネームプレートの詳細、感知されたパラメータ（エネルギー／電力／圧力／温度など）からなる。

ステップ２０３においては、処理モジュール１０３は、複数の機械に対して機械動作パラメータを最適化する。このステップは、さらに少なくとも２つのサブステップを含む。ステップ２０３１においては、処理モジュール１０３内のデータ処理手段１０３１が、機械メタデータに基づいて機械タイプを識別する。機械タイプ分類に使用される機械メタデータは、少なくとも電力パターンと機械負荷タイプとを含む。メタデータには、さらに、熱ベース、モータベース、スイッチング、照明負荷などに機械ＩＤタグを含めて、電力パターン及び機械メタデータに基づく負荷タイプや評価が含まれるがこれらに限定されるものではない。さらに、電力パターンを正確に処理するために、タイプからサブタイプへの負荷のサブ分類を解読するサブタイプ分類がある。

ステップ２０３２においては、ＡＩモジュール１０３３が、データベース１０３２から、識別された機械タイプに対して転移学習を適用する。機械タイプ及びサブタイプが識別されると、次のステップは、複数の機械によって実行されるプロセスの制約を受ける最適化の傾向があるかを見出すことである。これらの制約には、スケジュールの柔軟性、生産量（生産する部品数）などが含まれる。これらの制約に基づいて、処理モジュール１０３は、データベース１０３２内の過去のケーススタディの収納場所を検索し、データベース１０３２内のトレーニングされた最適化モデルから移転学習を通じて最適化モデルを適用する。例えば、機械が圧縮機として識別された場合、圧縮機に関連付けられた過去のケーススタディの収納場所から、適当な「圧力設定点最適化モデル」などが適用される。

ステップ２０３においては、プロセスにおける予測されたコスト削減が、出力インタフェース１０４に表示される。このプロセスは、供給される電力の最適化（即ち、ステップ２０２）及び機械動作パラメータの最適化（即ち、ステップ２０３）に基づいて、複数の機械によって実行される。処理モジュール１０３による分析（ステップ２０２，２０３）は、可視化のために出力インタフェース１０４のダッシュボード上に提示される（追加例）。

産業施設１０１の電力消費を最適化するシステム及びその方法を開発するこの構想は、費用便益分析の容易な可視化及び算出に役立つ。当業者であれば、出力インタフェース１０４に表示されるようなメトリクスを実装することによって、産業施設１０１の所有者がそのエネルギー効率目標を達成するように最適化された主要パフォーマンス指標のセットとして最終出力が与えられることは明らかであろう。これは、例えば、鉄製錬所レベルなどの産業施設１０１におけるコスト及び資源の節約が、各炉に浸透し、次いで最下層、即ち、各ヒータに浸透するというトリクルダウン効果を伴うトップダウンアプローチである。同様に、施設内の他の産業プロセスにも適用される。

上記の発明の詳細な説明において説明した実施形態は、例示に過ぎず、本発明の範囲を限定するものではないことを理解されたい。産業施設１０１の電力消費を最適化するためのシステム１００及びその方法２００の任意の変更も予見され、本発明の一部を形成する。本発明の範囲は、特許請求の範囲によってのみ限定される。

Claims

産業施設（１０１）の電力消費を最適化するためのシステムであって、前記産業施設（１０１）は、複数のプロセスを実行する複数の機械を含む、産業施設（１０１）の電力消費を最適化するためのシステムにおいて、
前記システムは、前記複数の機械の各々に関連付けられた複数のエネルギー測定装置（１０２）を備え、
前記複数のエネルギー測定装置（１０２）は、処理モジュール（１０３）と通信し、
前記処理モジュール（１０３）は、データ処理手段（１０３１）と、ＡＩモジュール（１０３３）と、少なくともデータベース（１０３２）とを備え、
前記処理モジュール（１０３）は、前記複数の機械と通信し、
前記処理モジュール（１０３）は、
各前記機械に供給される電力を最適化し、
前記複数の機械についての機械動作パラメータを最適化し、
プロセスにおけるコスト削減を予測する
ように構成され、
前記システムは、前記処理モジュール（１０３）と通信する出力インタフェース（１０４）を少なくとも備え、
前記出力インタフェース（１０４）は、前記予測を表示する、
ことを特徴とする、産業施設（１０１）の電力消費を最適化するためのシステム。
前記機械の各々に関連付けられた前記複数のエネルギー測定装置（１０２）は、各前記機械の電気的ドメイン署名を前記処理モジュール（１０３）に送信する、請求項１に記載の、産業施設（１０１）の電力消費を最適化するためのシステム。
前記データベース（１０３２）は、過去のケーススタディ及び最適化モデルの収納場所を含む、請求項１に記載の、産業施設（１０１）の電力消費を最適化するためのシステム。
各前記機械に供給される電力を最適化することは、
ノイズを除去するために前記電気的ドメイン署名をバンドパスフィルタリングすることと、
アクティブ領域とアイドル領域とを区別するために前記電気的ドメイン署名をクラスタリングすることと、
をさらに含む、請求項１に記載の、産業施設（１０１）の電力消費を最適化するためのシステム。
前記複数の機械についての前記機械動作パラメータを最適化することは、
機械メタデータに基づいて機械タイプを識別することと、
前記データベース（１０３２）から、識別された前記機械タイプに対して転移学習を適用することと、
をさらに含む、請求項１に記載の、産業施設（１０１）の電力消費を最適化するためのシステム。
産業施設（１０１）の電力消費を最適化するための方法であって、前記産業施設（１０１）は、複数のプロセスを実行する複数の機械を含み、前記方法は、複数のエネルギー測定装置（１０２）を用いて前記複数の機械の各々に固有の電気的ドメイン署名を受信することを含み、前記電気的ドメイン署名は、機械から収集した少なくとも電力パターンを含む、産業施設（１０１）の電力消費を最適化するための方法において、
前記方法は、処理モジュール（１０３）を用いて各前記機械に供給される電力を最適化することを含み、
前記最適化することは、
ノイズを除去するために前記電気的ドメイン署名をバンドパスフィルタリングすることと、
アクティブ領域とアイドル領域とを区別するために前記電気的ドメイン署名をクラスタリングすることと、
前記処理モジュール（１０３）を用いて前記複数の機械についての機械動作パラメータを最適化することと、
をさらに含み、
前記最適化するステップは、
機械メタデータに基づいて機械タイプを識別することと、
データベース（１０３２）から、識別された前記機械タイプに対して転移学習を適用することと、
供給される電力の最適化及び前記機械動作パラメータの最適化に基づいて前記複数の機械によって実行されるプロセスにおけるコスト削減を予測することと、
をさらに含む、
ことを特徴とする、産業施設（１０１）の電力消費を最適化するための方法。
使用されるバンドパスフィルタの特性が、前記データベース（１０３２）から収集される、請求項６に記載の、産業施設（１０１）の電力消費を最適化するための方法。
前記機械メタデータは、電力パターン及び少なくとも機械負荷タイプを含む、請求項６に記載の、産業施設（１０１）の電力消費を最適化するための方法。