JP5107974B2

JP5107974B2 - パーベイシブ診断法のための方法およびシステム

Info

Publication number: JP5107974B2
Application number: JP2009163423A
Authority: JP
Inventors: デクリアーヨハン; アールプライスロバート; クーンルーカス; ジョウロン; ビンドウミン
Original assignee: Palo Alto Research Center Inc
Current assignee: Palo Alto Research Center Inc
Priority date: 2008-07-10
Filing date: 2009-07-10
Publication date: 2012-12-26
Anticipated expiration: 2029-07-10
Also published as: US7937175B2; JP2010020772A; EP2144129B1; US20100010654A1; EP2144129A2; EP2144129A3

Description

本発明は、生産ゴール（ｐｒｏｄｕｃｔｉｏｎｇｏａｌ）を達成するための、多数のリソースを有するシステムにおける自動診断および生産に関する。

下記の特許文献１には、複数のモジュールを備え、再構成可能な生産システムのワークフローを自動的に計画しスケジューリングするためのシステムが開示されている。システムは、システムコントローラと、通常及び診断のワークユニットの同時生成を計画する計画機能、通常及び診断のワークユニットの同時生成をスケジューリングするスケジューリング機能を備える。

米国特許第７２３３４０５号

限られたセンサしか配備されない生産システムにおいて、長期および短期の生産性ゴールをともに達成できる、改良された制御システムおよび技法が、依然として必要とされている。

本発明は、１つ以上の生産ゴールを達成できるプラントを有する生産システムの動作を制御するための生産制御システムであって、少なくとも１つの生産ゴールに基づいて前記プラントで実施される１つ以上の計画を提供するために、前記生産システムと動作可能に結合されるプランナと、前記プランナと動作可能に結合され、前記プラントのモデルを含むプラントモデルと、前記プランナ、前記生産システム、および前記モデルと動作可能に結合され、以前に実施された計画、前記プラントからの少なくとも１つの対応する観測、および前記プラントモデルに少なくとも部分的に基づいて現在のプラントコンディションを決定するように動作する診断エンジンと、を備え、前記現在のプラントコンディションおよび前記プラントモデルが、前記少なくとも１つの生産ゴールを達成すると同時に、少なくとも１つの診断目標を容易にする、前記プラントのための少なくとも１つの計画を構成するために、前記プランナによって少なくとも部分的に使用される。

本発明は、生産システムにおいてオンラインパーベイシブ診断法（ｐｅｒｖａｓｉｖｅｄｉａｇｎｏｓｔｉｃｓ）を実施するためのシステムおよび方法を提供し、それにおいては、プランナ（ｐｌａｎｎｅｒ）が、生産ゴールに基づいて、また生産目標（ｐｒｏｄｕｃｔｉｏｎｏｂｊｅｃｔｉｖｅ）またはメトリックおよび診断目標（ｄｉａｇｎｏｓｔｉｃｏｂｊｅｃｔｉｖｅ）またはメトリックの一方または両方に少なくとも部分的に基づいて、プラント内の１つ以上のリソースによって取られる一連のアクションの形で、計画を構成／生成する。モデルベース生産制御システムおよび生産計画構成／生成方法が、生産システムの動作を制御するために提供され、それにおいては、プランナが、生産ゴールおよび診断目標に基づいて、プラントで実施される計画を構成し、診断エンジンが、以前に実施された計画と、プラントからの対応する観測とに基づいて、現在のプラントコンディションを決定し、予想情報獲得データ（ｉｎｆｏｒｍａｔｉｏｎｇａｉｎｄａｔａ）をプランナに提供する。

生産システムと、プランナ、プラントモデル、診断エンジンを備える例示的なモデルベース制御システムと、オペレータインタフェースを示す図である。図１の生産システム内の例示的なモジュラ印刷システムプラントをさらに詳細に示す図である。図１および図２の制御システム内の例示的なプランナおよび診断エンジンをさらに詳細に示す図である。生産および診断計画を含む、生産システムのための計画空間（ｐｌａｎｓｐａｃｅ）を示す図である。生産システムで実施される計画を構成するための例示的な方法を示す図である。Ａ^＊探索を使用して、プラントで実施される計画を評価および生成する例示的な方法を示す図である。システム状態を開始状態からゴール状態まで遷移させるための可能な計画を示す例示的な状態／アクション図である。図１〜図３のシステムにおけるパッシブ（ｐａｓｓｉｖｅ）、エクスプリシット（ｅｘｐｌｉｃｉｔ）、およびパーベイシブ診断技法についてシミュレートされたコスト対時間曲線を示す図である。図１〜図３のシステムにおけるパッシブ、エクスプリシット、およびパーベイシブ診断技法についてシミュレートされたコスト対時間曲線を示す図である。図１〜図３のシステムにおけるパッシブ、エクスプリシット、およびパーベイシブ診断技法についてシミュレートされたコスト対時間曲線を示す図である。図１〜図３のシステムにおけるパッシブ、エクスプリシット、およびパーベイシブ診断技法についてシミュレートされたコスト対時間曲線を示す図である。図１〜図３のシステムにおけるパッシブ、エクスプリシット、およびパーベイシブ診断技法についてシミュレートされたコスト対時間曲線を示す図である。図１〜図３のシステムにおけるパッシブ、エクスプリシット、およびパーベイシブ診断技法についてシミュレートされたコスト対時間曲線を示す図である。図１〜図３のシステムにおけるパッシブ、エクスプリシット、およびパーベイシブ診断技法についてシミュレートされたコスト対時間曲線を示す図である。図１〜図３のシステムにおけるパッシブ、エクスプリシット、およびパーベイシブ診断技法についてシミュレートされたコスト対時間曲線を示す図である。図１〜図３のシステムにおけるパッシブ、エクスプリシット、およびパーベイシブ診断技法についてシミュレートされたコスト対時間曲線を示す図である。ＳＡＴソルバ（ＳＡＴｓｏｌｖｅｒ）を使用した、図１〜図３のシステムにおける計画の構成を示す図である。

本開示は、異なるリソースの使用（例えば、各々が所定の所望の印刷アクションを実行できる２つ以上の印刷エンジン、所定の印刷済基板を１つのシステムロケーションから別のシステムロケーションに輸送するために利用できる２つの異なる基板配送経路など）、および／または異なる動作パラメータ値での所定のシステムリソースの動作（例えば、異なるスピードで基板供給コンポーネントを動作させる、異なる電圧、温度、スピードで印刷エンジンを動作させるなど）を含む、２つ以上の異なる方法で所定の生産ゴールを達成できるシステムにおいて、計画を構成およびスケジュールする際に特定の有用性を見出す。

図１〜図３は、生産システム６が示されたシステム１を示しており、生産システム６は、生産ジョブ４９をカスタマ４から受け取るプロデューサコンポーネント１０と、プロデューサ１０によってカスタマ４に提供される１つ以上の製品５２を生産するために、１つ以上の計画５４に従って始動および動作させ得る、複数のリソース２１〜２４を有するプラント２０とを含み、ここで、製品の「生産」は、製品のパッケージングまたはラッピングを含む、製品、物体などの変形を含むことができる。図２は、１つの例示的なプラント２０をさらに詳細に示しており、図３は、例示的なモデルベース制御システム２に関してさらに詳細に示している。プロデューサ１０は、カスタマジョブ４９を満たすために出力製品５２を実際に生産する１つ以上のプラント２０を管理する。プロデューサ１０は、ジョブおよび目標５１をモデルベース制御システム２の多目標プランナ３０に提供し、生産システム６は、プラント２０で実施される計画５４をプランナ３０から受け取る。ジョブ５１は、生産ゴールおよび診断ゴールの一方または両方を含むことができる。制御システム２はさらに、プラント２０のモデルを有するプラントモデル５０と、ビリーフモデル（ｂｅｌｉｅｆｍｏｄｅｌ）４２を有する診断エンジン４０とを含む。診断エンジン４０は、１つ以上の以前に実施された計画５４、プラント２０からの対応する観測５６、およびモデル５０に基づいて、プラントコンディション推定／更新コンポーネント４４（図３）を介して、現在のプラントコンディション５８を決定および更新する。診断エンジン４０はまた、現在のプラントコンディション５８およびモデル５０に基づいて、１つ以上の可能な計画５４についての予想情報獲得データ７０をプランナ３０に提供する。

モデルベース制御システム２およびそのコンポーネントは、ハードウェア、ソフトウェア、ファームウェア、プログラマブルロジック、またはそれらの組合せとして実施することができ、一体方式または分散方式で実施することができる。可能な一実施では、プランナ３０、診断エンジン４０、およびモデル５０は、ソフトウェアコンポーネントであり、１つ以上のプロセッサ、データストア、メモリなどを含む１つ以上のコンピュータなど、１つ以上のハードウェアプラットフォーム上で動作する、コンピュータ実行可能命令およびコンピュータ可読データを含む、１組のサブコンポーネントまたはオブジェクトとして実施することができる。コンポーネント３０、４０、５０およびそれらのサブコンポーネントは、同一コンピュータ上で動作させることができ、または本明細書で説明される機能および動作を提供するために互いに動作可能に結合された２つ以上の処理コンポーネントにおいて分散方式で動作させることができる。同様に、プロデューサ１０は、単一のシステムコンポーネントにおいて、または多数の相互運用可能なコンポーネントにおいて分散方式で、任意の適切なハードウェア、ソフトウェア、ファームウェア、ロジック、またはそれらの組合せで実施することができる。制御システム２は、デバッグおよびテストをより容易にし、最新モジュールを任意の役割に結び付ける能力を促進し、多数のサーバ、コンピュータ、ハードウェアコンポーネントなどへの動作の分散を容易にするために、モジュラソフトウェアコンポーネント（例えば、モデル５０、プランナ３０、診断エンジン４０、および／またはそれらのサブコンポーネント）を使用して実施することができる。

図１の実施形態は、制御システム２の他のコンポーネントが実施される、コンピュータまたは他のプラットフォームにおいて実施される、任意選択のオペレータインタフェース８も含む。例示的なオペレータインタフェース８は、オペレータ観測５６ａを診断エンジン４０に提供するために、診断エンジン４０に動作可能に結合され、診断エンジン４０は、ある実施ではオペレータ観測５６ａに少なくとも部分的に基づいて、現在のプラントコンディション５８を決定する。さらに、例示的なオペレータインタフェース８は、オペレータが診断ジョブ記述言語８ａを使用して診断ジョブ８ｂを定義することを可能にし、診断エンジン４０は、診断ジョブ６０をプロデューサ１０に提供する。診断エンジン４０は、１つ以上の自己生成診断ジョブ６０および／またはオペレータ定義診断ジョブ８ｂをプロデューサ１０に選択的に提供するように動作し、それを受けて、プロデューサ１０は、ジョブおよび目標５１をプランナ３０に提供する。

また図２および図３を参照すると、プランナ３０は、少なくとも１つの出力目標３４（図３）、およびプロデューサ１０からの到着ジョブ５１によって指示される生産ゴールに基づいて、プラント２０で実施される１つ以上の計画５４を生産システム６に提供する。プランナ３０は、生産目標３４ａおよび診断目標３４ｂを含む計画５４を構成する際に、ジョブおよび目標５１から導き出された１つ以上の出力目標３４を選択的に考慮する。生産目標３４ａは、生産システム６から取得されたジョブおよび目標５１に従って生成され、それらに従って更新され、診断目標３４ｂは、診断エンジン４０によって提供される現在のプラントコンディション５８および予想情報獲得データ７０から導き出され、それらに従って更新される。生産目標３４ａは、生産される製品５２（図１）の順序のスケジューリングに関係し、生産の優先順位、在庫の最小化、ならびに大部分はコストおよびカスタマの必要に起因する他の考慮および制約を含むことができる。生産目標３４ａの例は、所定の製品出力ゴール（単純な生産基準）の達成、ならびに単純な時間効率のよい生産、コスト効率のよい生産、および堅牢な生産など、２次的な考慮の達成に関する、計画構成／生成の優先順位付けを含む。例えば、コスト効率のよい生産目標３４ａは、プロデューサ１０から受け取ったジョブ５１によって指示される生産ゴールを満たす計画のうちで最もコスト効率のよい計画５４の構成／生成をもたらす。診断目標３４ｂは、所定の生産関係タスクを実行し、プラント２０の動作における保守および修理コストを最小化し、間欠的または持続的な障害を引き起こすリソース２１〜２４を識別するためなどの、生成された計画５４における好ましいアクションシーケンスの決定に関する目標を含むことができる。

制御システム２は、１つ以上の生産目標または診断目標３４を容易にするために、プランナ３０によって選択可能なプラント２０で実施される計画５４を保存するために使用される計画データストアまたはデータベース３６を任意選択で含むことができ、本明細書で使用される計画５４の構成／生成は、１つ以上の事前保存された計画５４をデータストア３６から選択することを含むことができる。プランナ３０は、情報獲得の可能性を改善するために、ジョブ待ち行列を選択的に並べ直すことができる。計画データストア３６は、プランナ３０に組み込まれるものとして示されているが、プランナ３０と動作可能に結合される１つ以上の別個のコンポーネントにおいて提供することができ、プランナ３０は、そこから１つ以上の（全体および／または部分）計画５４を取得することができる。代替として、プランナ３０は、所定の生産目標および／または診断目標３４を容易にするために必要とされる状態およびアクションを決定するために、プラントモデル５０と、プロデューサ１０および診断エンジン４０からの情報とを使用して、必要とされる１つ以上の計画５４を合成（例えば、構成または生成）することができる。

プランナ３０は、プラント２０で実施される計画５４を生成し、提供する。計画５４は、ジョブ５１に従って生産ゴールを達成しながら、１つ以上の生産目標および／または診断目標３４を容易にするための一連のアクションを含み、その中には所定のアクションが１回以上出現し得る。アクションは、例えば、図２に示されるように、所定の基板を開始状態から終了状態までモジュラ印刷システム２０の中を配送するために、プラント２０のモデル５０において定義された状態およびリソース２１〜２４に関して取られる。動作中、プランナ３０は、診断目標３４ｂと、診断エンジン４０からの予想情報獲得データ７０とに少なくとも部分的に基づいて、所定の生産ゴールを達成する計画５４を生成または構成する。図示の実施形態におけるプランナ３０は、プラント２０で実施される計画５４を生成する際に、診断エンジン４０からの現在のプラントコンディション５８を評価するゴールベース計画構成コンポーネント３２を含む。コンポーネント３２は、観測５６と、システム障害の原因であることが疑われる１つ以上のプラントコンポーネント２１〜２４を指示する現在のプラントコンディション５８とに基づいて、計画５４を構成する際に障害コンポーネント２１〜２４またはそれらの組の識別を容易にすることもできる。

また図４を参照すると、これから開示されるインテリジェント計画構成技法は、生産計画１０２および診断計画１０４の両方を含む計画空間１００内における、プラント２０で実施される計画５４の生成を有利に提供する。計画集合１０２および１０４の合併は、（例えば、図３の１つ以上の診断目標３４ｂを容易にすることができる）診断値を有する生産計画１０６を含み、プランナ３０は、診断目標３４ｂに従って有用な診断情報を取得しながら生産ゴールを達成する計画１０６を優先的に構成するために、診断エンジン４０からの情報を有利に利用する。

診断エンジン４０は、プラント２０の現在の状態を表すビリーフモデル４２と、以前の計画５４および対応するプラント観測５６に基づいてプラント２０の現在のコンディションをプランナ３０に提供するコンポーネント４４とを含む。コンポーネント４４はまた、プラント観測５６、プラントモデル５０、および以前に実施された計画５４に従って、ビリーフモデル４２のプラントコンディションを推定し、更新する。インタフェース８からのオペレータ観測５６ａも、コンポーネント４４による現在のプラントコンディションの推定および更新を補足するために使用することができる。推定／更新コンポーネント４４は、プラント２０（図１）の１つ以上のリソース２１〜２４または他のコンポーネントの確認されたまたは疑わしいコンディションについてプランナ３０に通知するために、コンディション情報５８を提供する。このコンディション情報５８は、所定の生産ジョブまたはゴール５１を実施するための計画５４を提供する際に、生産目標３４ａおよび診断目標３４ｂに鑑みて、プラントモデル５０からのプラント２０についての情報と一緒に、計画構成コンポーネント３２によって検討することができる。診断エンジン４０は、モデル５０およびビリーフモデル４２に基づいて、予想情報獲得データ７０をプランナ３０に提供するコンポーネント４６も含む。予想情報獲得データ７０は、オペレータインタフェース８からのオペレータ定義診断ジョブ８ｂに鑑みて、任意選択で決定することができる。

図２は、生産システム６における例示的なモジュラ印刷システムプラント２０をさらに詳細に示しており、モジュラ印刷システムプラント２０は、２つの供給源２１ａ、２１ｂの一方から印刷可能なシート基板を提供する材料供給コンポーネント２１と、複数の印刷またはマーキングエンジン２２と、出力仕上げステーション２３と、（図２では点線の円で示される）複数の双方向基板輸送／配送コンポーネント２４を含むモジュラ基板輸送システムと、輸送システム２４と仕上げ２３の間に配置される１つ以上の出力センサ２６と、プラント２０の様々なアクチュエータリソース２１〜２４を動作させるための制御信号を提供するコントローラ２８とを含む。例示的な印刷システムプラント２０は、４つの印刷エンジン２２ａ、２２ｂ、２２ｃ、２２ｄを含むが、そのようなマーキングエンジンはいくつ含まれてもよく、また印刷システムプラント２０はさらに、個々の基板シートを供給２１から（双方向両面印刷のために反転されるまたは反転されない）１つ以上のマーキングエンジン２２を介して最終的に所定の印刷ジョブが出力製品５２として提供される出力仕上げステーション２３まで輸送するために、３つの双方向基板輸送経路２５ａ、２５ｂ、２５ｃを有する多経路輸送ハイウェイを、コントローラ２８からの適切な配送信号によって動作可能な輸送コンポーネント２４に提供する。さらに、印刷エンジン２２の各々は、ローカル双方向配送および媒体反転を個別に提供することができ、またコントローラ２８からの信号を介して動作可能な単色または多色印刷エンジンとすることができる。モデルベース制御システム２は、ある実施形態では、プラントコントローラ２８に組み込むことができる。

ここで図１〜図３を参照すると、動作中、プランナ３０は、例えば、計画を形成するための一連のアクションの区分的（ｐｉｅｃｅ−ｗｉｓｅ）決定によって、ならびに／または１つ以上の生産目標３４ａおよび診断目標３４ｂに鑑みて到着ジョブ５１から導き出される出力生産ゴールの記述に基づいて、印刷システムプラント２０のコンポーネントリソース２１〜２４のための全体もしくは部分計画５４をデータストア３６から取得することによって、計画５４を自動的に生成する。特に、所望の製品５２を生産するために２つ以上の可能な計画５４が使用できる場合など、どのように出力ゴールを達成できるか（例えば、どのように所望の製品５２を作成し、変形し、パッケージし、ラップできるかなど）について、プラント２０が柔軟性を有する場合、診断エンジン４０は、最も情報提供的な観測５６をもたらすことが期待される計画５４を生成するために、プランナ３０の計画構成動作を変更すること、または計画構成動作に影響を及ぼすことができる。構成された計画５４は、この点に関して、（例えば、ジョブ時間の増加、または僅かな品質の低下など）短期生産目標３４ａを損なう計画をもたらすこともあり、またはもたらさないこともあるが、それにも関わらず、システムが学習するために、生産を停止させる必要はない。構成された計画５４の実施から獲得される付加的情報は、障害コンポーネントリソース２１〜２４に対処するため、効果的な修理／保守をスケジュールするため、および／またはシステム状態をさらに診断するため（例えば、あるシステムリソース２１〜２４をセンサ２６によって以前に検出された障害の発生源として確認もしくは除外するため）、プロデューサ１０によって、ならびに／またはプランナ３０および診断エンジン４０によって使用することができる。このようにして、構成された計画５４から収集された情報（例えば、プラント観測５６）は、現在のビリーフモデル４２の正確性をさらに改善するために、推定および更新コンポーネント４４によって使用することができる。

さらに、プラント２０が限定されたセンシング能力しか含まない場合（例えば、印刷エンジン２２の下流の輸送システム２４の出力にのみセンサ２６を有する図２のシステムなど）、パッシブ診断は、システム２０で起こり得るすべての障害を曖昧さなしに識別することができず、それに対して、ダイレクト診断法の試みは、システム休止時間と、生産性の観点からそれに関連するコストをもたらす。他方、本開示の制御システム２は、プラントコンディション５８および／または予想情報獲得７０に従って拡張診断情報を提供する計画５４の構成および実施を介した、インテリジェントオンライン診断の選択的な利用を有利に容易にし、少なくとも１つの診断目標３４ｂおよびプラントコンディション５８に基づいた、プラント２０で実施される１つ以上の専用診断計画５４の生成をさらに有利に容易にすることができ、専用診断計画５４および生産計画５４は、現在のプラントコンディション５８に従い、生産目標および診断目標３４に基づいて、インテリジェントに交互実施される。特に、計画から獲得された情報７０が、将来における生産性の著しい増大、障害リソース２１〜２４を識別する能力の増強、または他の長期生産性目標３４ａおよび／もしくは診断目標３４ｂをもたらすことが予想される場合、プランナ３０は、生産停止を伴うエクスプリシット診断計画５４の実施を引き起こすことができる。

さらに、専用診断計画５４を利用しなくても、制御システム２は、生産の最中に本開示のパーベイシブ診断態様によってオンラインで行うことができる診断の範囲を著しく（例えば、システムの純粋にパッシブな診断能力を超えて）拡大し、それによって、停止時間、サービス来訪（ｓｅｒｖｉｃｅｖｉｓｉｔ）の数、および実際にはセンサによる完全なカバーを必要とせず動作するシステム２０内のコンポーネント２１〜２４の不要な取替えコストを軽減することによって、診断情報の全体的コストを低下させる。プランナ３０はさらに、プラント２０で実施される計画５４を生成する際に、生産目標３４ａと診断目標３４ｂの間でトレードオフを行う場合、現在のプラントコンディション５８を使用するように動作し、プラント２０の障害リソース２１〜２４を分離するにあたって診断を実行する場合、コンディション５８を考慮することもできる。

診断エンジン４０のプラントコンディション推定および更新コンポーネント４４は、限定されたセンサ２６から取り出された観測５６の形の情報から少なくとも部分的に、プラント２０の内部コンポーネント２１〜２４のコンディションを推論し、一実施形態では、診断エンジン４０は、プラント２０の個々のリソース２１〜２４またはコンポーネントのコンディション（例えば、正常、消耗、故障）および現在の動作状態（例えば、オン、オフ、使用中、空きなど）の両方を表すプラントコンディション５８を構成し、ビリーフモデル４２は、リソースまたはコンポーネント２１〜２４のコンディションおよび／または状態の信頼性を表すために、しかるべく更新することができる。プロデューサ１０が１つ以上の計画５４の生産を開始すると、診断エンジン４０は、実施計画５４および対応する観測５６のコピーを（任意のオペレータ入力観測５６ａとともに）受け取る。コンディション推定および更新コンポーネント４４は、内部コンポーネント／リソース２１〜２４のコンディション５８を推論および推定するために、プラントモデル５０とともに観測５６、５６ａを使用し、ビリーフモデル４２をしかるべく更新する。推論されたプラントコンディション情報５８は、障害中であることが知られている（もしくは高い確率で信じられる）１つ以上のリソース／コンポーネント２１〜２４の使用を回避する計画５４を選択的に構成することなどによって、システム２０の生産性を直接的に改善するために、プランナ３０によって使用され、および／またはプロデューサ１０は、障害リソース２１〜２４のそのような回避を達成するようにジョブ５１をスケジュールする際に、コンディション情報５８を利用することができる。例示的な診断エンジン４０は、多数の冗長コンポーネント２１〜２４に利用負荷を拡散させて、耐久性（ｗｅａｒ）さえ生み出し、または他の長期目標３４を容易にするために、プランナ３０によって使用され得る、診断目標３４ｂを更新するための将来の予測情報も提供する。

さらに、将来の生産性を向上させるため、診断エンジン４０は、様々な可能な生産計画５４の予想情報獲得に関するデータ７０をプランナ３０に提供する。プランナ３０は、それを受けて、最も診断的な（例えば、診断値が最も高い情報をもたらす可能性が最も高い）生産計画５４を構成するために、このデータ７０を使用することができる。このようにして、プランナ３０は、生産中の情報を増大させるために慎重に生成または変更された生産計画５４を使用する（例えば、「診断的」生産計画を使用する）ことによって、アクティブ診断法またはアクティブ監視を実施することができる。一実施では、プロデューサ１０は、要求されたカスタマジョブ４９および診断ジョブ６０を並べたジョブ待ち行列を操作することができ、プロデューサ１０は、コンポーネントコンディション更新５８を診断エンジン４０から受け取る。プロデューサ１０は、カスタマジョブ４９と診断ジョブ６０の間で選択を行うため、生産計画５４において生産効率と診断値とをトレードオフするため、また互いに互換性がある場合、カスタマジョブ４９と専用診断ジョブ６０を合併（例えば交互実施）するためにコンディション５８を使用し、ジョブを合併する場合、それらのスケジューリングは、１つ以上の診断目標および生産目標３４を容易にすることができる。診断エンジン４０は、ある基準に関する計画５４の質の向上を助けるために、予測情報もプランナ３０に提供することができる。

また図５を参照すると、１つ以上の生産ゴールを達成ために、複数のリソース２１〜２４を有するプラント２０を備えた生産システム６で実施される計画５４を構成するための、例示的な方法２００が示されている。

２０２において、診断目標３４ｂが受け取られ、２０４において、プラントモデル５０を使用して、以前に実施された計画５４と、プラント２０からの少なくとも１つの対応する観測５６とに少なくとも部分的に基づいて、現在のプラントコンディション５８が決定される。２０６において、現在のプラントコンディション５８と、モデル５０とに基づいて、予想情報獲得データ７０が決定される。プランナ３０は、２０８において、プラントコンディション５８を診断エンジン４０から受け取り、２１０において、生産ジョブおよび目標５１をプロデューサ１０から受け取る。２１２において、プランナ３０は、診断目標３４ｂと、予想情報獲得データ７０とに少なくとも部分的に基づいて、計画５４を構成する。２１４において、プランナ３０は、構成された計画５４を実施のためにプラント２０に送り、２１６において、診断エンジン４０は、計画５４およびプラント観測５６を受け取る。２１８において、診断エンジン４０は、プラントコンディション５８を更新し、また予想情報獲得データ７０を更新し、その後で、さらなるジョブおよび目標５１が提供され、プロセス２００は、２１０から再び上述のように継続される。

２１２における計画構成は、現在のプラントコンディション５８に少なくとも部分的に基づくことができ、現在のプラントコンディション５８に少なくとも部分的に基づいて、生産目標３４ａと診断目標３４ｂの間でトレードオフを行うことを含むことができる。さらに、２１２における計画構成は、現在のプラントコンディション５８に少なくとも部分的に基づいて、プラント２０内の障害リソース２１〜２４を分離するために、予測を実行することを含むことができる。プラント２０で実施される専用診断計画５４は、少なくとも１つの診断目標３４ｂと、診断ジョブ６０、８ｂと、現在のプラントコンディション５８とに少なくとも部分的に基づいて、構成することができ、計画構成は、少なくとも１つの生産目標３４ａと、少なくとも１つの診断目標３４ｂとに基づいて、専用診断および生産計画５４の選択的な交互実施を提供することができる。方法２００はまた、オペレータが診断ジョブ記述言語８ａを使用して診断ジョブ８ｂを定義することを可能にすることと、オペレータ観測５６ａを受け取ることとを含むことができ、２１６における計画選択／生成は、オペレータ観測５６ａに少なくとも部分的に基づいている。

ここで図６および図７を参照すると、一実施形態では、診断生産計画５４を構成する際に、ヒューリスティック探索が、プランナ３０によって利用される。図６は、Ａ^＊探索を使用して、プラント２０で実施される計画を評価および構成するための例示的な方法３００を示している。一実施形態では、コンポーネント４４が、プラントコンディションについてビリーフモデル４２内のビリーフを確立および更新し、またプラントモデル５０を更新する。コンポーネント４４は、図６の３０２において、プラント２０における各障害仮説について失敗または障害確率を導き出し、３０４において、ビリーフモデル４２と現在のプラントコンディション５８とに基づいて、上界および下界計画失敗確率ヒューリスティック（ｕｐｐｅｒａｎｄｌｏｗｅｒｐｌａｎｆａｉｌｕｒｅｐｒｏｂａｂｉｌｉｔｙｂｏｕｎｄｉｎｇｈｅｕｒｉｓｔｉｃ）を生成するために、動的プログラミングを利用する。３０６において、プランナ３０は、好ましくはＡ^＊探索手法を使用して、最も情報提供的な計画５４を構成するために、ヒューリスティックを使用して部分計画５４を評価する。その後、３０８において、診断エンジン４０は、構成された計画５４と、プラント２０における構成された計画５４の実施から取得された出力観測５６とを使用して、ビリーフモデル４２を更新する。

診断エンジン４０は、システム２０の診断にとって価値ある情報を取り出すために、プランナ３０による探索に入力を有利に提供する。単一持続的障害のための診断値に関して最良の計画５４は、成功または失敗について等しい確率を有する計画である。診断エンジン４０は、プラント２０で実施される計画５４を構成するために部分計画５４を評価する際に、この概念を使用して、プランナ３０による探索を導くためのヒューリスティックを開発する。加えて、計画構成探索は、探索パフォーマンスを改善するために、刈り込み技法を利用することができる。制御システム２は、プランナ３０における効率的なヒューリスティックターゲット探索を使用して、診断エンジン４０におけるモデルベースの確率的推論と、所定の計画５４の実施に関連する情報獲得の分解（ｄｅｃｏｍｐｏｓｉｔｉｏｎｏｆｉｎｆｏｒｍａｔｉｏｎｇａｉｎ）との組合せを通して、プラント２０を制御する際に、効率的なオンラインアクティブまたはパーベイシブ診断を実施する。このアクティブ診断技法では、制御されるシステムプラント２０から取得される診断情報の量および／または品質を最大化または増大させるために、計画５４の形の特定の入力または制御アクションが、診断エンジン４０の助けを借りて、プランナ３０によって構成される。情報生産（アクティブまたはパーベイシブ診断）技法は、生産ゴールを達成する部分計画の組を、潜在的な情報獲得によって構成プロセスにおける任意の所定のポイントにランク付け、プランナ３０は、他の可能な生産目標３４ａおよび診断目標３４ｂに鑑みて、その点に関して最も有望な戦略を選択的に生成するように動作する。

プランナ３０は、計画構成を支援するためのパーベイシブ診断を使用して、基板シートをシステム２０を通して移動させて、所定の印刷ジョブについて要求された出力を生成する（例えば、生産ゴールを満たす）、アクションの列（計画５４）を構成するように動作する。このシステム２０における１つの特定の生産目標３４ａは、印刷エンジン２２のいくつかが故障を起こし、または用紙処理モジュール２４のいくつかが故障もしくは紙詰まりを起こしたとしても、印刷を継続することである。この印刷システム２０では、仕上げ２３の手前に出力タイプセンサ２６が存在するだけであり、結果として、多くのアクションから成る計画５４は、有益な観測５６が行われ得る前に実施されなければならない。診断エンジン４０は、実施された計画５４および観測５６に一致するように、そのビリーフモデル４２および現在のコンディション５８を更新する。診断エンジン４０は、更新されたコンディション情報５８および予想情報獲得データ７０をプランナ３０に転送する。

例示的なプランナ３０では、計画５４を見出し、構成するために、探索アルゴリズムを利用することができる。モデル５０は、プラントシステム２０を、プラント２０が対応できるすべての可能なアクションＡを有する状態機械として記述する。アクションは、システム状態に関する事前条件および事後条件によって定義される。そのため、アクションは、実行可能であるために、ある状態にあることをシステム２０に要求し、実行された場合、システム状態を変更する。システム２０は、可能なアクションの集合Ａから取り出された一連のアクションａ_１，ａ_２，・・・ａ_ｎから成る計画ｐ（５４）によって制御される。アクションの実行は、システム状態を変化させる可能性があり、アクションが生産計画５４の部分である場合は特に、システム状態の部分は、任意の所与の時間における製品５２の状態を表すことができる。さらに、システム２０の内部制約が、計画５４の集合を、すべての可能な列の部分集合（例えば、上述の図４の計画空間１００）に制限する。さらに、システム２０における所定の計画ｐについてのアクションの実行は、ただ１つの観測可能な計画結果または観測Ｏ（例えば、センサ２６からの観測５６）をもたらすことができる。

観測結果５６の１つのタイプは、異常として定義されて、ａｂ（ｐ）と表記され、その場合、計画５４はその生産ゴールの達成に失敗する。別のタイプは、正常（非異常）結果であって、
と表記され、その場合、計画５４は関連する生産ゴールを達成する。例示的な制御システム２では、プラント２０についての情報は、ビリーフモデル４２内に構成された、様々な可能な仮説についての診断エンジンのビリーフによって表すことができ、そのような仮説ｈは、例えば、
のような、システムアクションの各々に対する異常または正常の割り当てである。単一のプラントリソース／コンポーネントにおける障害の事例（単一障害事例）では、正確に１つのアクションが異常となる。すべてのアクションが正常である状況のための１つの仮説（「障害なし」仮説ｈ_０）を除外した仮説の集合としてＨ_ｓｙｓを定義すると、すべての仮説は、各アクションへの異常性の割り当ての全体であり、すべては一意的で、相互に排他的（例えば、∀ｈ_ｉ，ｈ_ｊ∈ Ｈ_ｓｙｓ，ｈ_ｉ≠ｈ_ｊ）である。ビリーフモデル４２内のシステムのビリーフは、仮説空間Ｈ_ｓｙｓ上の確率分布Ｐｒ（Ｈ）として表すことができ、ビリーフモデル４２は、観測Ｏと計画Ｐが与えられた場合に未知の仮説Ｈに関する事後分布を取得するために、ベイズの公式Ｐｒ（Ｈ｜Ｏ，Ｐ）＝αＰｒ（Ｏ｜Ｈ，Ｐ）Ｐｒ（Ｈ）を使用して、過去の観測５６から、診断エンジン４０によって更新される。

計画ｐは、診断エンジンのビリーフ４２に情報を与える（例えば、その不確実性を低下させる）場合、診断エンジン４０およびプランナ３０によって、情報提供的と見なされ、情報値は、システムビリーフＰｒ（Ｈ）と実施された計画に左右される計画結果Ｉ（Ｈ；Ｏ｜Ｐ＝ｐ）の間の相互情報として測定することができる。この相互情報は、確率分布によって暗示されるエントロピまたは不確実性の観点から定義することができ、一様確率分布は高い不確実性を有し、決定論的分布は低い不確実性を有する。診断的な情報値の文脈では、情報提供的な計画５４は、システムのビリーフ４２の不確実性を低下させ、したがって、予測が困難な結果を有する計画５４は、最も情報提供的であり、一方、成功することが分かっている（または失敗することが分かっている）計画５４の実施は、診断的な情報獲得をもたらさない。この点に関して、予想情報値に関して計画５４を格付けするために、最適な（例えば「ターゲット」）不確実性Ｔを使用することができ、それによって、診断エンジン４０は、計画５４をしかるべく評価することができ、計画選択／生成に影響を与えて、情報提供的な計画５４を優先的に選択／生成するために、予想情報獲得データ７０をプランナ３０に提供することができる。

持続的な単一障害の場合、結果についての最適な不確実性として、Ｔ＝０．５という値を使用することができ、間欠的障害の場合の不確実性は、例示的な一実施では、約０．３６≦Ｔ≦０．５の範囲内で最大化させることができる。所定量の不確実性Ｔを有する計画５４を見出す際、診断エンジン４０は、所与の計画ｐ＝［ａ_１，ａ_２，．．．，ａ_ｎ］に関連する不確実性を予測するように動作し、計画内の一意的なアクションの集合は、Ａ_ｐ＝Ｕ_ｉ｛ａ_ｉ∈ｐ｝である。失敗が観測されたと仮定すると、以下の式（１）に示されるように、１つ以上のアクションが異常である場合に、計画５４は異常ａｂ（ｐ）となる。

［数１］

ここで、ａ_ｉ∈Ａ_ｐであり、_ｐは計画である。異常である計画５４のアクションの予測確率は、すべての関連する仮説に割り当てられた確率の関数であり、計画ｐの結果の不確実性に影響を与える仮説の集合は、Ｈ_ｐで表され、以下の式（２）で定義される。

［数２］

仮説に関する分布と、所定の計画ｐの説明的な仮説の集合Ｈ_ｐが与えられると、計画ｐが失敗する確率を計算することが可能である。すべての仮説ｈ∈Ｈ_ｐは、計画ｐ内のものでもある少なくとも１つの異常アクションを含むので、仮設ｈが真であることは、ａｂ（ｐ）を含意する。

［数３］

仮説は定義により相互に排他的であるので、計画失敗確率Ｐｒ（ａｂ（ｐ））は、以下の式（４）のように、計画が失敗することを含意する仮説のすべての確率の総和として定義することができる。

［数４］

情報提供的でもありながら、生産ゴールを達成する計画を見出すため、プランナ３０は、確率Ｔの観点から計画５４を評価し、これと現在のプラントコンディション５８を使用して、正の失敗確率を有しながら、生産ゴールを達成する計画５４を優先的に構成する。短期的には、これはシステム２０の生産性をより低下させる可能性があるが、獲得した情報が、長期的な生産性の向上を可能にする。さらに、プランナ３０は、個々には最も情報提供的でなくても、一緒にすれば最も情報提供的となり得る、プラント２０で実施される一連の計画５４を構成することができる。

上述したように、本開示の範囲内においては、有用な診断情報をもたらしながら、所定の生産ゴールを達成する適切な計画から区分的選択／生成を行うプランナ３０において、任意の形態の探索が利用できる。すべての可能なアクション列を生成するために、単純な力づく探索が利用でき、以下の式（５）のように、情報提供的でありながら、生産ゴールを達成する計画５４をもたらすために、結果リストをフィルタリングすることができる。

［数５］

しかし、計画空間Ｐが非常に大きい場合、リアルタイム制御アプリケーションでは、これは非現実的なこともある。例示的なシステム２で利用される別の可能な手法は、初期状態Ｉから中間状態Ｓ_１，Ｓ_２，．．．，Ｓ_ｎに進む部分計画の集合

を使用するＡ^＊ターゲット探索を利用することなどによって、構造を共用する計画５４の集合またはファミリをプランナ３０がそれによって考えるヒューリスティックを、診断エンジン４０が確立することである。この手法では、ステップ毎に、プランナ３０は、最良の（例えば、最も情報提供的な）方法で生産ゴールを達成する可能性が最も高くなるよう計画の拡張を試みるために、Ａ^＊ターゲット探索を使用する。この点に関して理想的な計画ｐは、システム２０を状態Ｓ_ｎにするプレフィックス（ｐｒｅｆｉｘ）

で開始し、状態Ｓ_ｎからゴール状態Ｇに到るサフィックス（ｓｕｆｆｉｘ）計画

を続行する。このＡ^＊技法は、診断エンジン４０によって提供されるヒューリスティック関数ｆ（Ｓ_ｎ）を使用して拡張するために、部分計画

を選択し、ヒューリスティック関数ｆ（Ｓ_ｎ）は、以下の式（６）によって、計画プレフィックス

の品質（ｇ（Ｓ_ｎ）と書かれる）に、サフィックス

の予測品質（ｈ（Ｓ_ｎ）と書かれる）を加算したものとして全経路品質を推定する。

［数６］

ヒューリスティック関数ｆ（Ｓ_ｎ）が全計画の真の品質を決して過大に推定しない場合、ヒューリスティックｆ（Ｓ_ｎ）は、容認可能であると言われ、プランナ３０によるＡ^＊ターゲット探索は、最適な計画５４を返すべきである。この点に関して、過少な推定は、不確実性にも関わらず、Ａ^＊探索手法を最適なものにし、それによって、品質が高いことが知られている完全な計画にかかわる前に、不確実な計画が探索されることを保証する。結果として、ヒューリスティック関数がより正確になるほど、Ａ^＊ターゲット探索は、高度に情報提供的な計画５４により多くの焦点をおく。したがって、示された実施形態では、プランナ３０は、プラントモデル５０におけるシステムアーキテクチャおよびダイナミクスの記述に少なくとも部分的に基づいて、診断エンジン４０によって導き出されたヒューリスティック関数を利用する。

図７は、プラント２０においてシステム状態を開始状態Ｓからゴール状態Ｇまで遷移させるための可能な計画を表す、例示的な状態／アクション図４００を示している。システム状態ノード４０２は、開始状態Ｓ４０２ｓ、ゴール状態Ｇ４０２ｇ、およびノードＡ〜Ｄにそれぞれ対応する４つの中間状態４０２ａ〜４０２ｄを含む。この例のための所定の計画５４は、最終的にゴールＧ４０２ｇに到達する図４００の以下のアクション４０４によって進行する。そのような生産ゴールを満たす１つの可能な計画５４は、図７に示されるように、アクション４０４ｓａ、４０４ａｃ、および４０４ｃｇを通る状態列［Ｓ，Ａ，Ｃ，Ｇ］によってシステムを動かす。説明目的で、この計画５４が、システムリソース２１〜２４の１つにおける単一持続的障害に起因する、ノードＡとノードＣの間の障害アクション４０４ａｃ（アクションａ_Ａ，Ｃ）によって引き起こされる異常結果をもたらすと仮定すると、診断エンジン４０は、計画５４および結果の障害観測５６から、計画経路沿いのアクション４０４ｓａ、４０４ａｃ、および４０４ｃｇのすべては、（さらなる情報なしに）障害を起こしていることが疑われると決定する。単一持続的障害が仮定されるので、疑わしいアクション｛｛ａ_Ｓ，Ａ｝，｛ａ_Ａ，Ｃ｝，｛ａ_Ｃ，Ｇ｝｝に対応する３つの正の確率の仮説が存在する。付加的な情報が存在しない場合、診断エンジン４０は最初、３つの疑わしいアクションに等しい確率｛１／３｝、｛１／３｝、｛１／３｝を割り当てる。

診断エンジン４０は、この例では、図７において右から左にヒューリスティックを構築することによって、任意の計画サフィックスによって計画に与えることができる、不確実性のヒューリスティック境界を構成するために、グラフ構造および確率推定を使用する。特に、例示的な診断エンジン４０は、図７に示されるように、下界および上界［Ｌ，Ｕ］をノード４０２に割り当て、一実施では、これらの境界値は、プランナ３０に送られる。説明的な一例として、図７において状態Ｄからゴール状態Ｇに到るアクションａ_Ｄ，Ｇは、失敗した観測された計画５４の部分ではなく、したがって、候補仮説ではなく、このアクションは、仮定された単一持続的システム障害の発生源であることに関してゼロ確率を有する。結果として、任意のプレフィックス計画５４を延長して、アクションａ_Ｄ，Ｇを有する状態Ｄで終わらせても、アクションａ_Ｄ，Ｇは異常であることに関してゼロ確率を有するので、延長された計画５４の失敗確率は増加しない。この例では、ＤからＧへの他の可能な計画５４は存在しないので、状態Ｄで終わる任意の計画の上界および下界はともにゼロであり、したがって、図７では、ノードＤは、［０，０］とラベル付けされる。状態Ｂを通過する計画５４は、疑わしいアクション４０４を使用せず、ゼロ下界を有する状態Ｄで終わる、アクションａ_Ｂ，Ｄ４０４ｂｄによって完成することができるので、状態Ｂ４０２ｂも同様に、ゼロの下界を有する。状態Ｂは、状態Ｃ４０２ｃに到る疑わしくないアクションａ_Ｂ，Ｃ４０４ｂｃによって完成することができ、状態Ｃ４０２ｃは、異常であることに関して１／３の確率を有する上界および下界の両方を有するので、この例の状態Ｂは、１／３の上界を有する。診断エンジン４０は、サフィックスサブ計画が異常である確率の境界を決定するために、この解析を再帰的に継続し、これらを情報獲得データ７０の部分としてプランナ３０に送る。

プランナ３０は、ターゲット確率Ｔを達成する、またはそれに最もよく接近する計画５４を識別し、構成するために、これらの境界を前方Ａ^＊ターゲット探索とともに使用する。１つの可能な計画５４は、開始ノードＳ４０２ｓから開始し、異常であることが観測された計画５４の部分である第１のアクションａ_Ｓ，Ａを含む。アクションａ_Ｓ，Ａ４０４ｓａが部分計画に追加される場合、それ自体が候補であるので、それは失敗の可能性に１／３の確率を追加しなければならない。ａ_Ｓ，Ａの後、システム２０は状態Ａにあり、計画５４は、ゴール状態Ｇ４０２ｇに到達するためにアクション４０４ａｄおよび４０４ｄｇを含むことによって、Ｄを経由して完成することができる。アクションａ_Ａ，Ｄ自体は、以前に観測された障害のある計画に含まれないので、異常であることに関してゼロ確率を有する。したがって、ヒューリスティック境界を使用することで、状態ノードＤ４０２ｄを経由する完成は、異常であることに関してゼロ確率を追加する。ノードＡ４０２ａから、計画５４は、代替として、最初に観測された計画５４でのように、ノードＣを経由して完成することができる。対応するアクションａ_Ａ，Ｃ４０４ａｃは、１／３の失敗確率をそのような計画に追加し、ヒューリスティック境界に基づいて、ノードＣ４０２ｃを経由する完成は、異常であることに関して別の１／３の確率を追加しなければならない。

ヒューリスティックは、システム２０を状態ノード列［Ｓ，Ａ，Ｃ，Ｇ］または［Ｓ，Ａ，Ｄ，Ｇ］を経由して動かす可能な計画５４についての全計画異常性確率の予測を可能にする。全計画の下界は、ａ_Ｓ，Ａからの１／３と完成ａ_Ａ，Ｄ、ａ_Ｄ，Ｇからの０との和によって決定される１／３であり、上界は、ａ_Ｓ，Ａからの１／３とａ_Ａ，Ｃ、ａ_Ｃ，Ｇの各々からの１／３との和に等しい３／３である。この計画が［ａ_Ａ，Ｃ，ａ_Ｃ，Ｇ］経由で計算される場合、確率１となって、全計画５４は失敗し、したがって、そのような計画完成を構成することからは何も学べない。代わりに、計画５４がサフィックス［ａ_Ａ，Ｄ，ａ_Ｄ，Ｇ］経由で完成される場合、全計画の失敗確率は１／３であり、それは最適な情報提供的確率Ｔ＝０．５により近い。この場合、プランナ３０は、プラント２０で実施される計画５４［Ｓ，Ａ，Ｄ，Ｇ］を構成する。計画５４は、成功しても、または成功しなくてもよく、いずれの場合でも、診断的な観点から何かを学ぶことができる。例えば、計画［Ｓ，Ａ，Ｄ，Ｇ］が失敗した場合、診断エンジン４０は、（単一持続的障害のシナリオを仮定した場合）アクションａ_Ｓ，Ａが失敗アクションであったことを学び、計画５４が成功した場合、エンジン４０は、アクション４０４ｓａを障害容疑ありとして排除することによって、ビリーフモデル４２をさらに改良することができる。

境界の間に任意の所与の値の計画５４が存在することの保証はないことに留意されたい。診断エンジン４０は、すべてのゴール状態から開始してヒューリスティック境界を再帰的に計算し、ゴール状態は空集合のサフィックス計画Ｐ_Ｇ→Ｇ＝φを有し、したがって、Ｌ_Ｇ＝０の設定下界と、Ｕ_Ｇ＝０の設定上界を有する。新しい各状態Ｓ_ｍについて、診断エンジン４０は、すべての可能な後続状態ＳＵＣ（Ｓ_ｍ）の境界と、Ｓ_ｍと後続状態Ｓ_ｎの間の接続アクションａ_Ｓｍ，_Ｓｎの失敗確率とに少なくとも部分的に基づいて、対応する境界を計算する。状態Ｓ_ｍの後続状態Ｓ_ｎは、状態Ｓ_ｍから開始する単一ステップで到達し得る任意の状態である。単一障害が仮定される場合、アクション

を連結することによって計画

に追加される失敗確率は、

である場合、計画

から独立である。診断エンジン４０は、Ｓ_ｍをその直接の後続状態に連結するアクション確率と、これらの後続状態の下界によって、Ｓ_ｍの下界を決定し、診断エンジン４０は、Ｌ_Ｓｍ＝ｍｉｎ_{Ｓｎ∈ＳＵＣ（Ｓｍ）}［Ｐｒ（ａｂ（ａ_{Ｓｍ，Ｓｎ}））＋Ｌ_Ｓｎ］と類似した方法であるＵ_Ｓｍ＝ｍａｘ_{Ｓｎ∈ＳＵＣ（Ｓｍ）}［Ｐｒ（ａｂ（ａ_{Ｓｍ，Ｓｎ}））＋Ｕ_Ｓｎ］で上界を計算する。

プランナ３０による情報提供的生産計画の探索は、初期開始状態Ｓ４０２ｓから開始し、ゴール状態４０２ｇへと順方向に再帰的に作業する。初期状態Ｓで開始する空計画の異常性確率は、ゼロと最良完成の和である。プランナ３０は、現在の状態までの計画確率と最良完成ルートの異常性確率の和として異常性確率を計算する。プランナ３０は最初は完成について確信がないので、異常性の確率は、下界および上界と、その間の値を含む区間である。結果として、全異常性確率も、以下の式（７）で示される区間である。

［数７］
（７）Ｉ（ｐ_Ｉ→Ｓｎ）＝［Ｐｒ（ａｂ（ｐ_Ｉ→Ｓｎ））＋Ｌ_Ｓｎ，Ｐｒ（ａｂ（ｐ_Ｉ→Ｓｎ））＋Ｕ_Ｓｎ）］

最も情報提供的な計画５４は、全失敗確率がＴである計画であり、持続的な単一障害が仮定される好ましい実施では、Ｔ＝０．５である。計画の全異常性確率に関する境界を表す区間

が与えられた場合、したがって、プランナ３０は、以下の式（８）に従って、異常性確率がＴにどれだけ近いかを表す区間を構成することができる。

［数８］

式（８）のこの絶対値は、Ｔの周りの範囲を折り畳んでおり、計画５４の推定全異常性確率がターゲット確率Ｔを跨ぐ場合、区間

はゼロを跨ぎ、区間はゼロから

の絶対最大値にわたる。例示的なプランナ３０は、予想情報獲得データ７０の部分として、診断エンジン４０によって提供される探索ヒューリスティック

を使用するが、ターゲット探索が相対的に高い情報値を有する計画５４を構成することを可能にする他のヒューリスティックも、開示の範囲内で企図されている。例示的な関数Ｆは、いくつかの有利な特性を有する。例えば、予測全計画異常性確率がＬとＵの間に存在する場合、Ｆはゼロである。また、異常性確率が正確にターゲット確率Ｔを達成する計画５４が存在できる。さらに、すべての場合で、

は、状態Ｓ_ｎを通過する任意の最も近い計画が、ターゲット異常性確率Ｔに正確になり得ることを表す。

プランナ３０は、（例えば、プランナ３０、データストア３６、もしくはシステム２内の他のどこか、またはプランナ３０によってアクセス可能な外部データストアに保存された）部分計画の集合全体

から探索することができる。部分計画毎に、プランナ３０は、

を評価し、最低値を用いて計画を拡張する。

は過少推定であるので、この推定を使用するＡ^＊探索は、生産ゴールを達成する最も情報提供的な計画を返す。

プランナ３０は、選択的な刈り込みを使用して、ターゲット計画探索の効率を改善することができる。ヒューリスティックは、同じ値、すなわちゼロを返すことができ、それは選択を行う際にプランナ３０に僅かなガイダンスしか提供しない。プランナ３０は、探索を集束させることができる。第１の集束手法では、プランナ３０は、探索空間の優勢な部分を刈り込む。例えば、ターゲット値Ｔを跨がない異常性確率区間を有する所定の部分計画

を、プランナ３０によって識別することができる。この区間内の最良の可能な計画は、ターゲット値Ｔに最も近い、区間の２つの境界の一方の上にある。例えば、

および

を異常性確率区間

の下界および上界とする。プランナ３０は、そのような場合、最良計画の値

を以下の式（９）に従って決定する。

［数９］

計画

は、

である場合、すべての計画

より優勢である。プランナ３０は、いくつかの計画または好ましくはすべての優勢な計画をＡ^＊探索空間から刈り込む（さらなる考察から除外する）ようにしかるべく動作する。

プランナ３０は、他の集束技法を使用することもできる。ヒューリスティック値は、どの状態ノードが次に拡張されるかを決定するが、２つ以上のノードが同じヒューリスティック値を受け取ることも可能である。したがって、プランナ３０は、規則を利用して、どのノードを最初に拡張すべきかを決定することができる。これに関する１つの適切な規則は、単にノードを無作為に選ぶことである。

開示のこの態様によれば、プランナ３０におけるさらなる改善は、（上記の式（９）の）

は、プレフィックスとしての部分計画

で開始する全計画Ｐ_Ｉ→Ｇについての保証された下界を表すという事実を使用して、実施することができる。上界および下界は実現可能であるが、区間の内点はどれも存在することを保証されない。したがって、プランナ３０は、２つの部分計画のどちらが最も近い実現可能解であるかを決定するために、有利にＶを比較することができる。２つの部分計画がこのパラメータについても同一である場合、情報獲得は同じであり、したがって、プランナ３０は、失敗する可能性がより低い部分計画を選択し、それによって、短期生産性を促進する。プランナ３０は、順次決定手順において、これら２つの手法を組み合わせることができる。

および

が、同じ最小値、すなわち

を有する２つの部分計画である場合、プランナ３０は、以下の規則リストに基づいて適用する第１の規則を選択することによって、均衡を破ることができる。

７それ以外ならば、無作為に選ぶ。

プランナ３０は、生産中に観測された障害の発生源の決定を助けるための計画５４の生成ばかりでなく、コンポーネント３２ｂを介して、プラント２０内の既知の障害リソース２１〜２４の選択的回避も容易にすることができる。さらに、開示のパッシブ診断態様は、確率ベースのＡ^＊探索に限定されず、節が失敗した計画を表し、満足のゆく各割り当てが有効な診断と解釈される、ＳＡＴソルバ手法などの、他の計画構成技法を利用することができる。

また図８〜図１６を参照すると、図２の印刷プラント２０に基づいたモジュラデジタル印刷プレスのモデルにおいて、パーベイシブ診断のコスト面の利点を評価するために、プランナ３０によるヒューリスティック探索がシミュレートされた。プランナ３０は、システム２０を通って動く用紙の物理的ダイナミクスをモデル化し、結果を決定する、印刷システム２０のシミュレーションに計画５４を送る。計画５４がどのような障害（例えば、折れた角またはしわ）もなく完了し、要求された仕上げトレイ２３に置かれた場合、計画５４は成功した（異常ではない）と見なされ、それ以外の場合、計画５４の結果は、異常であると決定される。元の計画５４および観測された結果５６は、診断エンジン４０に送られ、診断エンジン４０は、ビリーフモデル４２の仮説確率を更新する。

印刷エンジン２２の１つは、計画失敗をもたらす障害挙動を何らかの確率ｑ（間欠性レート（ｉｎｔｅｒｍｉｔｔｅｎｃｙｒａｔｅ）とも呼ばれる）でみせることができ、持続的障害リソース２１〜２４（例えば、時間ｙおきに障害を起こすモジュールが使用される）は、１の間欠性を有する。このモデルにおけるコストは、障害による逸失生産の予想総量を表す。障害が最初に観測された場合、コストは１であり（生産の逸失単位）、ビリーフ状態４２は、すべての手法のすべての障害仮説に関して一様分布である。パッシブ診断手法を用いる場合、プラント２０は、通常レートｒ_ｎｏｍで生産を続けるが、シミュレーションの専用（エクスプリシット）診断の場合、プラント２０は、診断中は低減レートｒ_ｐｅｒｖ≦ｒ_ｄｉａｇで製品５２を生産し、障害製品が生産され得るので、コストは以下の式（１０）によって計算される。

［数１０］

単一のモジュール２２を交換するための交換時間は、１０分と仮定され、この交換は、１度に１つの印刷エンジン２２だけのシャットダウンを引き起こす。例示的なプラント２０は４つの印刷エンジン２２を使用するので、シミュレート交換時間は、ｔ_ｅｘｃ＝１５０秒と設定された。シミュレーションはまた、公称印刷レートｒ_ｎｏｍ＝３．１枚／秒を利用し、シミュレーションは、パーベイシブ診断について低減レートｒ_ｐｅｒｖ＝１．９枚／秒を示した。実験結果は、統計的ばらつきを減少させるために、１００回の試行についての平均が取られた。以下の表１は、３つの異なる間欠性レートｑ＝０．０１、０．１０、および１．００のそれぞれについて、シミュレート結果を要約したものであるが、上述のパーベイシブ診断が、最も低い逸失生産レート（例えば、交換モジュール２２の数、最小レスポンスコストでの交換モジュールの数）をもたらしている。

図８〜図１０は、間欠性レートｑ＝０．０１の場合のシミュレーションの、コスト対時間のグラフ５１０、５２０、５３０を示している。ｑ＝０．０１の場合、障害アクションだけが、１／１００の統計的平均で、計画の失敗を引き起こす。図８のグラフ５１０は、パッシブ診断５１１、エクスプリシット（専用）診断５１２、およびパーベイシブ診断５１３の場合について、即時修理コストを示している。累積診断コスト対時間が、図９のグラフ５２０に示されており、パッシブ、エクスプリシット、およびパーベイシブ診断技法についての曲線５２１、５２２、５２３を含む。図１０のグラフ５３０は、レスポンスコスト（診断および修理）対時間について、パッシブ、エクスプリシット、およびパーベイシブ診断コスト曲線５３１、５３２、５３３をそれぞれ示している。間欠性がより小さい（ｑ＝０．１０）障害の場合、図１１〜図１３が、時間の関数として、即時修理コスト、累積診断コスト、およびレスポンスコストのグラフ６１０、６２０、６３０をそれぞれ示している。図１１のグラフ６１０は、即時修理コストについて、パッシブ、エクスプリシット、およびパーベイシブコスト曲線６１１、６１２、６１３をそれぞれ示している。図１２では、累積診断コスト曲線６２１、６２２、６２３が、パッシブ、エクスプリシット、およびパーベイシブ診断技法について示されており、図１３のグラフ６３０は、レスポンスコスト対時間について、パッシブ、エクスプリシット、およびパーベイシブコスト曲線６３１、６３２、６３３を示している。図１４〜図１６は、持続的障害（ｑ＝１．００）の場合の、即時修理コスト、累積診断コスト、およびレスポンスコストについてのコスト対時間のグラフ７１０、７２０、７３０をそれぞれ示している。図１４のグラフ７１０は、パッシブ、エクスプリシット、およびパーベイシブ即時修理コスト曲線７１１、７１２、７１３をそれぞれ示している。ｑ＝１．００における累積診断コストについては、図１５が、パッシブ、エクスプリシット、およびパーベイシブ診断についての曲線７２１、７２２、７２３をそれぞれ示している。図１６では、グラフ７３０が、パッシブ、エクスプリシット、およびパーベイシブ診断レスポンスコスト曲線７３１、７３２、７３３をそれぞれ示している。

シミュレーションでは、パーベイシブ診断の最適レスポンスコストは、他の２つの手法のものを下回っており、診断期間が最短なのはエクスプリシットであり、パーベイシブ、パッシブ診断技法の順に長くなる。しかし、エクスプリシット診断技法は、診断中は生産が停止されるので、最も高い生産損失を伴い、それによって、エクスプリシット診断は、最小のレスポンスコストをもたらさない。パッシブ診断は、最低レートの逸失生産を有するが、計画５４が診断目標３４ｂとは無関係に生産ゴールおよび目標３４ａだけに基づいて構成および実施されることに起因する、その低い診断品質のために、最も高い予想修理コストを招く。パーベイシブ診断は、プランナ３０および診断エンジン４０の柔軟性を使用することによって、診断目標３４ｂを生産計画にインテリジェントに統合し、シミュレート結果は、パッシブおよびエクスプリシット診断手法と比較して、より低い最小予想生産損失を示す。

ここで図３および図１７を参照すると、プランナ３０は、診断エンジン４０のガイダンスを使用して、プラント２０で実施される計画５４を選択する際に、ブーリアン充足可能性問題（ＳＡＴ：Ｓａｔｉｓｆｉａｂｉｌｉｔｙｐｒｏｂｌｅｍ）ソルバ３８（図３）を利用することができる。パーベイシブ診断タスクは、すべての可能な有界長の計画を含むように、論理コード化（例えば、ＣＮＦ、ＤＮＮＦ、ＢＤＤ、ＰＩ、ＨＴＭＳ）に変換され、コード化は、プラント２０内のある１組のモジュール２２を使用する計画を見つけるなどの診断問い合わせに答えるために、プランナ３０においてＳＡＴソルバ３８を使用して解くことができる。この技法は、上述のようなＡ^＊ヒューリスティック探索または単純な力づく探索技法を介して計画５４を探索しなければならない代わりに、プランナがＳＡＴソルバ３８に問い合わせを送ることを可能にする。

図１７は、図８００でこの手法を示している。プロセスは、境界を固定してすべての可能な計画をカプセル化する（すなわち、所定のシステムによって実行可能な一連の有界長のアクション）、ＣＮＦ定式化で開始する。モジュールに対応する付加的な変数がコード化に含められる。そのモジュールを使用する何らかのアクションが実行される場合にのみモジュール変数が真となることを保証するため、付加的な式が含められる。図１７の８０２において、計画構成コンポーネント３２が、生産ゴールおよび診断目標３４ｂに基づいて、計画生成問題を定式化し、診断エンジン４０からの現在のプラントコンディション５８を使用して、８１２において、疑わしいアクションおよび／またはプラントモジュール２２のリストを導き出す。これらは、ＳＡＴ定式化８１４を生成する、プランナ３０内の変換コンポーネント８０４に提供される。

その後、ＳＡＴ問題定式化８１４は、図３のソルバコンポーネント３８への問い合わせなどによって、ＳＡＴソルバ３８に提供され、ソルバ３８は、ＳＡＴ解８１６を生成する。その後、解８１６は、８０８において、変換されて、８１８において、プラント２０で実施される生成された計画５４をもたらす。診断目標３４ｂは、プラント２０内の疑わしいモジュール２２の組を減少させることができるので、ソルバ３８は、次の計画実施において使用すべき１組のモジュール２２を生成し、そのために、最大化エントロピヒューリスティックを使用して、ソルバ３８によって１組のモジュールを識別することができる。この場合、計画構成コンポーネント３２は、０．５に近い失敗確率を有する１組のモジュール２２を構成するために、ＳＡＴソルバ３８に問い合わせを行う。生成された計画５４がソルバ３８によって識別されると、それはプランナ３０によってプラント２０に提供され、実施される。計画５４および対応する観測５６は、診断エンジン４０に提供され、診断エンジン４０は、疑わしいモジュール２２の組を減少させるために、現在のコンディション５８およびビリーフモデル４２を更新し、それらの変更を反映させるために、診断エンジン４０またはプランナ３０が、適切な式をＳＡＴコード化に追加する。このプロセスは、一実施では、疑わしいモジュールの組が減少できなくなるまで継続される。

１システム、２モデルベース制御システム、４カスタマ、６生産システム、８オペレータインタフェース、８ａ診断ジョブ記述言語、８ｂオペレータ定義診断ジョブ、１０プロデューサ、２０プラント、２１リソース，材料供給、２１ａ供給１、２１ｂ供給２、２２リソース，マーキングエンジン、２３出力仕上げ、２４リソース，双方向基板輸送／配送コンポーネント、２５双方向基板輸送経路、２６センサ、２８コントローラ、３０多目標プランナ、３２ゴールベース計画構成、３４出力目標、３４ａ生産目標、３４ｂ診断目標、３６計画ＤＢ、３８ＳＡＴソルバ、４０診断エンジン、４２ビリーフモデル、４４プラントコンディション推定／更新、４６予想情報獲得決定／更新、４９生産ジョブ、５０プラントモデル、５１ジョブ＆目標、５２製品、５４計画、５６観測、５６ａオペレータ観測、５８コンディション、６０診断ジョブ、７０情報獲得データ、１００計画空間、１０２生産計画、１０４診断計画、１０６診断値を有する生産計画。

Claims

１つ以上の生産ゴールを達成できるプラントを有する生産システムの動作を制御するための生産制御システムであって、
前記生産システムと機能的に結合され、少なくとも１つの生産ゴールに基づいて前記プラントで実施される１つ以上の計画を提供するプランナと、
前記プランナと機能的に結合され、前記プラントのモデルを含むプラントモデルと、
前記プランナ、前記生産システム、および前記モデルと機能的に結合され、以前に実施された計画、前記プラントからの少なくとも１つの対応する観測、および前記プラントモデルに少なくとも部分的に基づいて現在のプラントコンディションを決定し、該現在のプラントコンディションと前記モデルとに基づいて１つ以上の可能な計画または部分計画のための診断値を表す予想情報獲得データを決定することができる診断エンジンと、を備え、
前記プランナは、現在のプラントコンディション、前記プラントモデル、及び前記診断エンジンからの前記予想情報獲得データに少なくとも部分的に基づいて、少なくとも１つの生産ゴールと、間欠的または持続的な障害を発生させるリソースの識別に関連する少なくとも１つの診断目標とを同時に達成する前記プラントのための少なくとも１つの生産計画を構成または選択することができる、
ことを特徴とする制御システム。
請求項１に記載の制御システムであって、
前記プランナは、少なくとも１つの診断目標と前記現在のプラントコンディションとに少なくとも部分的に基づいて、前記プラントで実施される専用診断計画を選択的に提供することができる、制御システム。
請求項２に記載の制御システムであって、
前記プランナは、少なくとも１つの生産目標と少なくとも１つの診断目標とに少なくとも部分的に基づいて、前記プラントで交互実施される専用診断計画と生産計画とを選択的に提供することができる、制御システム。
請求項１に記載の制御システムであって、
前記診断エンジンが、前記計画の構成に関連するヒューリスティックを定式化し、前記プランナは、前記ヒューリスティックを使用する部分計画探索を利用し、前記プラントで実施される前記計画を構成する、ことを特徴とする制御システム。
請求項１に記載の制御システムであって、
前記プランナが、前記プラント内の障害リソースを分離する際の診断を実行するために実施される計画を構成または選択する際に、前記現在のプラントコンディションを使用することができる、制御システム。
請求項１に記載の制御システムであって、
前記プランナが、プラントのコンポーネントまたはリソースの残りの有用な寿命について予測を行うために実施される計画を構成または選択する際に、前記現在のプラントコンディションを使用することができる、制御システム。
請求項１に記載の制御システムであって、さらに
前記プラントの実行において１つまたはそれ以上の生産または診断目標を容易化するために前記プランナによって選択可能な複数の全プラン又は部分プランを含むプランデータストア
を備える制御システム。
請求項１に記載の制御システムにおいて、さらに、
オペレータの観察を診断エンジンに供給するために診断エンジンに動作可能に結合されるオペレータインタフェースを備え、
前記診断エンジンは、少なくとも部分に前記オペレータの観察に基づいて現在のプラントコンディションを決定する、制御システム。
１つ以上の生産ゴールを達成するためにプラントを有する生産システムで実施される計画を生成する方法であって、
以前に実施された計画、前記プラントからの少なくとも１つの対応する観測、およびプラントモデルに少なくとも部分的に基づいて現在のプラントコンディションを決定するステップと、
前記現在のプラントコンディションおよび前記モデルに基づいて、複数の可能な計画または部分計画のための診断値を表す予想情報獲得データを決定するステップと、
プロセッサを用いて、前記現在のプラントコンディション及び前記予想情報獲得データに少なくとも部分的に基づいて、所与の生産ゴールと、間欠的または持続的な障害を発生させるリソースの識別に関連する診断目標とを同時に達成する生産計画を構成または選択するステップと、
を含むことを特徴とする方法。
請求項９記載の方法であって、前記計画を構成または選択するステップが、前記現在のプラントコンディションに少なくとも部分的に基づいて、前記プラント内の障害リソースを分離する診断を行うステップを含む、
方法。
請求項９記載の方法であって、さらに、少なくとも１つの診断目標と前記現在のプラントコンディションとに少なくとも部分的に基づいて、前記プラントで実施される専用診断計画を構成または選択するステップを含む、
方法。