JP7054487B1 - 製造業における循環型・低炭素型生産システムの構築方法 - Google Patents
製造業における循環型・低炭素型生産システムの構築方法 Download PDFInfo
- Publication number
- JP7054487B1 JP7054487B1 JP2021083911A JP2021083911A JP7054487B1 JP 7054487 B1 JP7054487 B1 JP 7054487B1 JP 2021083911 A JP2021083911 A JP 2021083911A JP 2021083911 A JP2021083911 A JP 2021083911A JP 7054487 B1 JP7054487 B1 JP 7054487B1
- Authority
- JP
- Japan
- Prior art keywords
- deterioration
- value
- state
- time
- treatment
- 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 209
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 64
- 230000006866 deterioration Effects 0.000 claims abstract description 366
- 238000011282 treatment Methods 0.000 claims abstract description 295
- 230000007613 environmental effect Effects 0.000 claims abstract description 82
- 238000012423 maintenance Methods 0.000 claims abstract description 73
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 230000001364 causal effect Effects 0.000 claims description 178
- 230000006870 function Effects 0.000 claims description 150
- 230000008859 change Effects 0.000 claims description 132
- 238000000034 method Methods 0.000 claims description 123
- 230000007704 transition Effects 0.000 claims description 76
- 230000007423 decrease Effects 0.000 claims description 69
- 230000004087 circulation Effects 0.000 claims description 65
- 238000004458 analytical method Methods 0.000 claims description 56
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 51
- 238000013461 design Methods 0.000 claims description 49
- 238000011084 recovery Methods 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 41
- 238000005457 optimization Methods 0.000 claims description 41
- 230000006378 damage Effects 0.000 claims description 28
- 238000004064 recycling Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 24
- 238000005516 engineering process Methods 0.000 claims description 17
- 230000002829 reductive effect Effects 0.000 claims description 14
- 238000012552 review Methods 0.000 claims description 12
- 238000007726 management method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 5
- 238000012384 transportation and delivery Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 abstract description 50
- 238000010586 diagram Methods 0.000 abstract description 16
- 238000011369 optimal treatment Methods 0.000 abstract description 14
- 230000000737 periodic effect Effects 0.000 abstract description 2
- 239000012267 brine Substances 0.000 description 72
- HPALAKNZSZLMCH-UHFFFAOYSA-M sodium;chloride;hydrate Chemical compound O.[Na+].[Cl-] HPALAKNZSZLMCH-UHFFFAOYSA-M 0.000 description 72
- 239000013535 sea water Substances 0.000 description 50
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 40
- 230000002787 reinforcement Effects 0.000 description 35
- 238000000605 extraction Methods 0.000 description 33
- 239000011159 matrix material Substances 0.000 description 30
- 230000008569 process Effects 0.000 description 26
- 238000010612 desalination reaction Methods 0.000 description 24
- 230000009467 reduction Effects 0.000 description 23
- 239000013505 freshwater Substances 0.000 description 22
- 238000004140 cleaning Methods 0.000 description 21
- 238000012546 transfer Methods 0.000 description 21
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 20
- 238000009826 distribution Methods 0.000 description 20
- 238000003754 machining Methods 0.000 description 20
- 238000012544 monitoring process Methods 0.000 description 17
- 230000006399 behavior Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 13
- 238000001704 evaporation Methods 0.000 description 13
- 230000008020 evaporation Effects 0.000 description 13
- 230000006872 improvement Effects 0.000 description 12
- 238000007689 inspection Methods 0.000 description 12
- 239000002994 raw material Substances 0.000 description 12
- 239000013598 vector Substances 0.000 description 11
- 239000003990 capacitor Substances 0.000 description 10
- 229910002092 carbon dioxide Inorganic materials 0.000 description 10
- 238000012790 confirmation Methods 0.000 description 10
- 238000001816 cooling Methods 0.000 description 10
- 239000007789 gas Substances 0.000 description 10
- 230000009471 action Effects 0.000 description 9
- 238000010276 construction Methods 0.000 description 9
- 238000007405 data analysis Methods 0.000 description 8
- 230000003247 decreasing effect Effects 0.000 description 8
- 239000012530 fluid Substances 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 230000015556 catabolic process Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 239000011347 resin Substances 0.000 description 7
- 229920005989 resin Polymers 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000012937 correction Methods 0.000 description 6
- 230000002950 deficient Effects 0.000 description 6
- 238000013439 planning Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000005520 cutting process Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000005406 washing Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 239000000295 fuel oil Substances 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 239000010802 sludge Substances 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000013213 extrapolation Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 241001415288 Coccidae Species 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000009835 boiling Methods 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000009833 condensation Methods 0.000 description 2
- 230000005494 condensation Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 108010023321 Factor VII Proteins 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 101000585348 Rattus norvegicus Estrogen sulfotransferase, isoform 3 Proteins 0.000 description 1
- 235000010724 Wisteria floribunda Nutrition 0.000 description 1
- HMDDXIMCDZRSNE-UHFFFAOYSA-N [C].[Si] Chemical compound [C].[Si] HMDDXIMCDZRSNE-UHFFFAOYSA-N 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000011234 economic evaluation Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 238000013022 venting Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
例えば、前記プラントではシステムデータとして、各温度、各圧力、各流量、各液レベル、ならびにプラントの商品品質に関連するデータ等を取得し、取得されたデータの強さや分布を所定の閾値や分布と比較することにより通常劣化の進展や特異的な異常の判定もしくは不良発生の有無を判定している。しかし、所定の閾値や分布との比較による判定結果に基づく警報発令の時点では、検知時期が遅く、特異的異常の種別や発生の部位によっては故障もしくは事故、ならびに不良品の発生のリスクが大きくなり、特に複雑化したプラントにおいては、因果関係が多重になっていて異常もしくは不良の原因が不確定な場合も多い。従来技術では、定常からのズレを検知する手法が基本であるため、非定常状態における潜在異常の発生の検出が遅れること、当該異常もしくは不良事象の因果関係を効率的に探索できない、もしくは前記原因の確定及び生起確率を精度良く評価できず、商品の品質確保やプロセス異常の発生リスクの低減に限界があるという課題があった。
富士電機システムズ株式会社は、プラント運用費用最小化、ガス排出量最小化、およびメンテナンス費用最小化を総合的に考慮した運用計画を効率的に作成するプラント最適運用計画装置を提供するために、負荷予測手段、最適化手段(これはプラントの最適化問題を非線形混合整数計画問題として定式化したもの)、定常プラントシミュレータ手段を備え、最適化手段によりプラント運用費用最小化、ガス排出量最小化、および、メンテナンス費用最小化を考慮して各プラント構成機器の起動・停止状態および燃料注入量を計画し、定常プラントシミュレータ手段で各プラント構成機器の入出力をシミュレーションにより検証し、これら計画と検証とを交互に繰り返して最終的に最適なプラント運用計画を策定するプラント最適運用計画装置としている。
しかしながら、プラントの最適化問題を定式化により求めた計画と、定常シミュレータによる検証とを交互に繰り返すとしているが、プラントの経時的に変化する実データに基づく状態把握によりシミュレータの検証精度の向上などに関する考慮がなされておらず、劣化の発生時期やその劣化要因の分析によるメンテナンスの具体的な項目群とその選択、及び、当該メンテナンスの最適な実施と、その結果を設計や運転条件へ反映することへの配慮がなされていないこと、さらに、環境負荷についての配慮、及び関連企業群間での情報連携についての配慮もなされておらずプラント最適運用計画において、その効果は限定的である。
「プラント保守最適化プログラム、プラント保守最適化システム、及びプラント運転方法」
三菱重工業株式会社は、プラントにおけるメンテナンスのコスト対効果の評価を行いメンテナンスに関する意思決定の最適化を実現するための、プラント保守最適化プログラムであって、(a)前記プラントに含まれる部品を検査せずに取り替える場合に、前記部品に関連して発生するコストの期待値である非検査取替コスト期待値を算出するステップと、(b)前記部品を検査せずにそのまま使用を続ける場合に、前記部品に関連して生じるコストの期待値である非検査放置コスト期待値を算出するステップと、(c)前記部品の検査を行い、前記検査の結果に応じて前記部品の取り扱いを決定する場合に、前記部品に関連して生じるコストの期待値である検査コスト期待値を算出するステップと、(d)前記非検査放置コスト期待値、前記非検査取替コスト期待値、及び検査コスト期待値を出力するステップとをコンピュータに実行させるプラント保守最適化プログラムとしている。
しかしながら、前記部品の選定さらに当該部品を検査するか否かの判断についての考慮がなされておらず、また当該部品の検査取替確率PS1に基づき取り替えか、そのまま使用するかを決定するとしているが、前記検査取替確率PS1は前記部品の余寿命確率密度関数plifeや損傷確率密度関数p(t)に基づくものであり、当該部品の実態としての劣化状態の把握を行わないでトップダウン的に決められており、当該プラントを構成する多くの部品は、運転条件や環境状態により損傷の種類や損傷の程度は大きく変化するわけであり、物理的かつ機能的な寿命への配慮が不十分である。また、部品のリユースやリサイクルなどのEoL(End of Life)に対する言及がなく環境的な配慮もなされていない。
「ガスタービンのディスパッチオプティマイザのリアルタイム指令および動作」
ゼネラル・エレクトリック・カンパニイは、周囲および市場予測データならびに資産性能および部品寿命モデルを活用して、部品寿命制約を満たしながら実質的に利益を最大にするガスタービンまたは他の発電プラント資産の推奨動作スケジュールを生成するシステムを提案しており、メンテナンス間隔または他の動作期間内に、最適なピーク燃焼機会と最適な低温部分負荷機会をバランスさせる動作プロファイルを生成し、資産のリアルタイム動作中に行う最適化システムは、実際の市場、周囲および動作データに基づいて動作スケジュールを更新し、当該システムは、目標寿命制約に違反することなく最適に収益性の高い態様で資産を低温部分負荷またはピーク燃焼で動作させる適切な条件を決定する際にオペレータを支援することができる情報を提供する、としている。
しかしながら、基本となるメンテナンス間隔は予めトップダウン的に設定されており、寿命サイクルや部品寿命の決定に関しても経過時間が主なファクターであり、また使用時間に対する部品の実際の劣化進展の追跡は行っておらず、寿命価格値の実用性は限定的である。さらに、環境的な寿命についての配慮もなされていない。
「異常判定装置、異常判定システムおよび異常判定方法」
株式会社ジェイテクトは、工作機械に取り付けられたセンサにより検出されたデータを用いて、機械学習により正常/異常を判定する際に、正常および異常の判定予測を高精度にすることができる予備処理を行う異常判定装置、異常判定システムおよび異常判定方法を提供することを目的としている。
しかしながら、機械学習の判定精度を高めることができたとしても、加工精度の制御技術など加工状態を認識して加工トラブルを回避するとか、加工プロセスを制御して目標の加工品質を達成するといった機能向上には寄与することは困難であり、加工プロセス情報と加工結果情報との因果関係への配慮がなく、経済的・環境的な観点からの生産効率と環境効率の両立といった観点もなかった。
・大局的劣化判定により経過時間とともに進行する通常劣化(クラス1)と、使用時間に対して生じてくる特異的な劣化(クラス2)と、を判別してクラス1では、ライフサイクルコストに対するコスト有
効度と、環境負荷に対する環境効率と、を評価基準としたライフサイクル目標指標(以降、LC値と称す)の低下に対して、物理的・機能的・経済的・環境的な観点を配慮した“報酬関数”を定義し、通常劣
化の状態を追跡、かつ、LC値警告時期へ到達する状態予測を行いながら、強化学習の枠組みを応用して最適なSDM項目を探索し、既存のSDMを見直す。
・クラス2においても、前記クラス1と同様の枠組みによって、特異的劣化の状態を追跡し、かつ、警告域へ到達する状態予測を行いながら物理的・機能的・経済的・環境的な観点を配慮した“報酬関数”を
定義し、強化学習を応用して最適な処置方案を探索し決定する
・また、上記した通常劣化に対するSDMの方案と実施結果との比較結果、もしくは特異的劣化に対する最適処置の方案と実施結果との比較結果を「事後情報」として製造関連企業群間で共有することによ
り、当該商品仕様の見直し、性能・機能設計・生産技術等の見直しを行う。さらに運用方法などの改善・提案を含めて「フィードバック情報」として製造関連企業群間で共有し、循環型・低炭素型生産シ
ステムの機能を次第に向上することにより、商品や製品のライフサイクル全体にわたっての付加価値を最大化してゆく。なお、クラス1,2の表示は、混乱を避けるために、時にギリシャ数字で行ってい
る。
前記の大局的劣化判定ステップ6にて通常劣化に劣化有と判定する基準は、経済的なコスト有効度と、環境的な環境効率と、を評価するライフサイクルコスト評価値(以降、LC値と略す)が、予め設定したLC値閾値未満に低下した場合とすることを特徴とした循環型・低炭素型生産システム。
本発明による循環型・低炭素型生産システムの全体構成と関連企業間での情報連携による情報等の流れを、図1を用いて説明する。プラント1を運転して商品を製造する製造企業体Aと当該商品を最終顧客2へ販売する販売企業体Uからなるデータ等収集・情報取得ステップ3で得られたセンサデータやシステムデータおよび関連情報は、通信ステップ4を介してネットワーク5にて蓄積されビッグデータ化される。当該ネットワーク5では設備メーカ群B1、部品メーカ群B2、プラント1のメンテナンスを計画・実施するメンテナンス企業Mと通信ステップ4を介してネットワーク5と各種の関連情報をアップロードもしくはダウンロード(あるいは送受信)を行う。当該関連情報には処置実行後の事後情報やフィードバック情報を含んでいる。
(1)循環を支配する要因の中には、最終顧客2の行動やプラント1の構成機器の劣化・故障といった不確定な要素が含まれる。
(2)循環を構成する製造、販売、回収(リユース・リサイクル)などの各プロセスは、それぞれ独立の主体企業によって運用されるために、各プロセスの意思決定メカニズムが
独立に設定される。
つまり、この複雑系に対して各関連企業間での情報連携をリアルタイムに実行することと、プラント1の監視と状態予測及び劣化要因の推定を踏まえて、最適な処置方案を決定する
ことと、処置実施後の結果を当該商品の要求仕様の見直しや、設計条件及び製造条件の改良などへ反映すること、とがネットワーク及びビッグデータ化5にて関連企業群が連携する
ことで解決される。前記した関連情報の流れは、各企業体やLCM統括センター14がサーバ1およびサーバ2で関連処理を実行する上で、リアルタイムに、かつ適切に行われるの
で、本発明によるネットワーク5を介することによって循環型・低炭素型生産システムの実現が可能となるものである。
が判定閾値以上であるか否かにより特異的劣化の有無を判定2し、特異的劣化無の場合には「クラス1」の通常劣化3として運転情報5を参照してLC値を算出4する。そして、時間帯(ステップ)が進むにつれて当該LC値の大小を判定6し、予め設定した判定閾値未満となった場合には、通常劣化が注意領域に入ったものと判断するとともに、関連するメーカB1,B2へ情報適用を開始する。そして、警告域への到達時期予測、及び、当該劣化に関連する観測変数群の抽出7を実行する。当該LC値4が前記判定閾値以上の場合には、次の時間帯(ステップ)における大局的劣化判定1へと進む。
を実現できる。
D方式の考え方を図5に示す。D方式では、3個の連続した時間帯群(n-2),(n-1),nの中の前側の2個の時間帯(n-2)、(n-1)に対してデータ行列X1内における、データ行列X2内における、そしてデータ行列X1とX2間における3種類の相関係数Rx1x1、Rx2x2、Rx1x2を求め、固有方程式を解くことによって重み行列A,Bを得る。なお、Rx1x1、Rx2x2 では各変数群内における相互依存性を、Rx1x2では変数群間の相関関係という二つの違ったタイプの情報が含まれている。
[数1]
Fx1A = a1*x1(1) + a2*x2(1) + ・・・+ aq*xq(1)
[数2]
Fx2B = b1*x1(2) + b2*x2(2) + ・・・+ bq*xq(2)
上記の二つの線型結合Fx1A とFx2Bを、時間帯(n-2)、(n-1)におけるデータ行列X1、X2の二つの特徴量と定義する。
[数3]
Fx2<A> = <a1>*x1(2) + <a2>*x2(2) + ・・・+ <aq>*xq(2)
[数4]
Fx3<B> = <b1>*x1(3) + <b2>*x2(3) + ・・・+ <bq>*xq(3)
上記のFx2<A> とFx3<B>を、時間帯(n-1)、nにおけるデータ行列X2、X3の二つの特徴量と定義する。
て算出する。なお、ここでは時間帯(n-2),(n-1),n をそれぞれ〇1、〇2、〇3と表現する。
[数5]
DI〇1/〇2/〇3(A) = ABS(Fx1A-Fx2A)/SQRT(σFx1A2+σFx2A2)
[数6]
DI〇1/〇2/〇3(B) = ABS(Fx2B-Fx3B)/SQRT(σFx2B2+σFx3B2)
ここで、
Fx1A:2つの時間帯〇1、〇2で得た重み行列Aを用いて、表1のn個のデータに対する特徴量Fx1A の平均値
Fx2A:2つの時間帯〇1、〇2で得た重み行列Aを用いて、表2のn個のデータに対する特徴量Fx2A の平均値
Fx2B:2つの時間帯〇1、〇2で得た重み行列Bを用いて、表2のn個のデータに対する特徴量Fx2B の平均値
Fx3B:2つの時間帯〇1、〇2で得た重み行列Bを用いて、表3のn個のデータに対する特徴量Fx3B の平均値
σFx1A :上記の特徴量Fx1Aの標準偏差
σFx2A :上記の特徴量Fx2Aの標準偏差 ABS:絶対値処理を示す。
σFx2B :上記の特徴量Fx2Bの標準偏差 SQRT:平方根処理を示す。
σFx3B :上記の特徴量Fx3Bの標準偏差
S方式の考え方を図6に示す。S方式では、初期基準時間帯〇1’と2個の時間帯(n-1),nの中の前側の2個の時間帯〇2’、(n-1)に対してデータ行列X1内における、データ行列X2内における、そしてデータ行列X1とX2間における、3種類の相関係数Rx1x1、Rx2x2、Rx1x2を求め、固有方程式を解くことによって重み行列A,Bを得る。時間帯〇1’のデータ行列X1と時間帯(n-1)のデータ行列X2における各変数を、それらの変数から成るいくつかの線型結合の組に置き換えることによって、この変数群間のパターン分析を行うことができる。上記の線型結合の中で変数群X1の線型結合が変数群X2の線型結合と最大の相関をもつように重み係数AとBを決定する。上記の重み係数ベクトルA;a1,a2,・・・aq、B;b1,b2,・・・bqと表すと、データ行列X1(x1(1)・・・xi(1)・・・xq(1))とX2(x1(2)・・・xi(2)・・・xq(2))に対して、二つの線型結合Fx1A と Fx2B はそれぞれ[数7]および[数8]となる。
[数7]
Fx1A = a1*x1(1) + a2*x2(1) + ・・・+ aq*xq(1)
[数8]
Fx2B = b1*x1(2) + b2*x2(2) + ・・・+ bq*xq(2)
上記の二つの線型結合Fx1A とFx2Bを、時間帯〇1’、(n-1)におけるデータ行列X1、X2の二つの特徴量と定義する。次に、後側2個の時間帯〇1’とnにおいて、上記した前
側と同様に、時間帯〇1’のデータ行列X1 と時間帯n のデータ行列X3 における重み係数ベクトル<A>;<a1>,<a2>,・・・<aq>と<B>;<b1>,<b2>,・・・<bq>が求まり、データ行列X1(x1(1)・・・xi(1)・・・xq(1))とX3(x1(3)・・・xi(3)・・・xq(3))に対する二つの線型結合Fx1<A> とFx3<B> は[数9]および[数10]となる。
[数9]
Fx1<A> = <a1>*x1(1) + <a2>*x2(1) + ・・・+ <aq>*xq(1)
[数10]
Fx3<B> = <b1>*x1(3) + <b2>*x2(3) + ・・・+ <bq>*xq(3)
上記の二つの線型結合Fx1<A> とFx3<B>を、時間帯〇1’、nにおけるデータ行列X1、X3の二つの特徴量と定義する。
[数11]
DI〇1/〇2(A) = ABS(Fx1A-Fx2A)/SQRT(σFx1A2+σFx2A2)
[数12]
DI〇1/〇3(B) = ABS(Fx1B-Fx3B)/SQRT(σFx1B2+σFx3B2)
ここで、
Fx1A:2つの時間帯〇1、〇2で得た重み行列Aを用いて、表1のn個のデータに対する特徴量Fx1Aの平均値
Fx2A :2つの時間帯〇1、〇2で得た重み行列Aを用いて、表2のn個のデータに対する特徴量Fx2Aの平均値
Fx1B :2つの時間帯〇1、〇2で得た重み行列Bを用いて、表1のn個のデータに対する特徴量Fx1Bの平均値
Fx3B :2つの時間帯〇1、〇2で得た重み行列Bを用いて、表3のn個のデータに対する特徴量Fx3Bの平均値
σFx1A :上記の特徴量Fx1Aの標準偏差
σFx2A :上記の特徴量Fx2Aの標準偏差 ABS:絶対値処理を示す。
σFx1B :上記の特徴量Fx1Bの標準偏差 SQRT:平方根処理を示す。
σFx3B :上記の特徴量Fx3Bの標準偏差
前記にて求めた特徴量と元の観測変数群との相関関係を調べることによって特徴量の内容を解釈するための情報を構造行列と呼ぶことにする。一般的に、2つの時間帯でのデータX1とX2 についての構造行列SX1,SX2 は、それぞれの特徴量FX1A、FX2Bと、対応するデータ行列X1、X2との積で定義され、以下の[数13]および[数14]で算出する。
[数13]
Sx1= Fx1A*X1=(A*X1)*X1=(X1*X1)*A=Rx1x1*A
[数14]
Sx2= Fx2B*X2=(B*X2)*X2=(X2*X2)*B=Rx2x2*B
なお、A,Bはそれぞれ特徴量Fx1AとFx2Bに対応する重み係数ベクトルを示す。そして、上記の構造行列SX1,SX2を書き下すと以下の[数15]のようになる。
上記の関与度閾値を超え要因に関連のある観測変数群の中で、プラントの運転条件変更に関連した観測変数に相当する場合には、当該観測変数は要因関連候補から除外する。この場合には当該プラントは通常劣化(クラス1)である。(図4の7,8、10)
<1>コスト有効度Ec(ΔT)を、経済的な面での評価として以下の[数16]により定義する。
[数16]
Ec(ΔT) =
(生産高)/(取得・廃棄コスト+エネルギ・原材料費+その他固定費)
ここで、取得・廃棄コストとは、プラントもしくは対象設備に関する取得・廃棄に係る金額を耐用年数で除した値とする。なお、ΔT:時間帯(ステップ)当りを算出する。
<2>環境効率Vef(ΔT)を、環境面での評価はエネルギ消費量のCO2換算量及び3R(リデュース・リユース・リサイクル)の資源循環によるCO2削減量を考慮して、以下の[数17]により定義する。
[数17]
Vef(ΔT)=
(生産高)/(ΔT時間帯当りの環境負荷)
ここで、分母の環境負荷はエネルギ消費量及び3Rを考慮したCO2排出削減量(マイナス)を価格化した数値とする。なお、ΔT:時間帯(ステップ)当りを算出する
明らかに、プラントの運転が進むにつれて様々な劣化が進行するので、前記したコスト有効度や環境効率は低下してゆくことが分かる。そして、3Rの適切な実施により資源循環を行うとともに、CO2排出量の削減効果も得られる。
次に、図3の本発明による循環型・低炭素型生産システムの全体フローにおいて、点線で囲んだ部分7,8,9,11についての詳細な手順を図8に示す。
図8において、特異的劣化の有無判定2の結果、特異的劣化ではなく通常劣化の「クラス1」であり、しかもLC値を算出し判定閾値と比較3した結果、当該判定閾値より低下している場合は3Rに関して注意領域にあると判定する、もしくは前記特異的劣化の有無判定2の結果、特異的劣化有の場合には「クラス2」と判定し、LCMデータベース15を参照し当該「クラス1」もしくは「クラス2」の劣化に関連する、現時刻nでの潜在変数群及び関連する観測変数群の抽出5を行う。まず、クラス1/LC値低下もしくはクラス2が確定したときの、要因に関連する観測変数群の抽出方法について説明する。
D方式によりn時間帯において、クラス1/LC値低下もしくはクラス2が確定した場合の、直近時の(n-2)、(n-1)時間帯を合わせた3個の時間帯データにおいて、図5に示す各特徴量Fx1(A)、Fx2(B)、Fx2<A>、Fx3<B>と対応するデータX1、X2、X3との相関関係を求めた特徴種別S値SX1、SX2、S’X2、SX3は、以下の[数18]、[数19]、[数20]、[数21]によって求めることができる。
[数18]
Sx1=Rx1x1*A データX1と特徴量FX1(A)との特徴種別S値(第一関与度値)
[数19]
Sx2=Rx2x2*B データX2と特徴量FX2(B)との特徴種別S値(第二関与度値)
[数20]
S’x2=Rx2x2*<A> データX2と特徴量FX2<A>との特徴種別S値(第三関与度値)
[数21]
Sx3=Rx3x3*<B> データX3と特徴量FX3<B>との特徴種別S値(第四関与度値)
上記の4種類の特徴種別S値は、D方式にてクラス1/LC値低下もしくはクラス2の確定時に、それぞれ観測変数名f1,f2,・・,fi,・・,fqの、当該特徴量への関与度値を示すもので、順に、第一関与度値、第二関与度値、第三関与度値および第四関与度値と定義する。そして、すべての観測変数群の中で最大の関与度値にて正規化し、さらに、数段階に離散化する。例えば5段階に分類し3段階以上の関与度値を有する観測変数群を当該要因に関連する観測変数とする。
[数22]
Sx1=Rx1x1*A データX1と特徴量FX1(A)との特徴種別S値(第一関与度値)
[数23]
S’x1=Rx1x1*B データX1と特徴量FX1(B)との特徴種別S値(第二関与度値)
[数24]
Sx2=Rx2x2*<A> データX2と特徴量FX2<A>との特徴種別S値(第三関与度値)
[数25]
Sx3=Rx3x3*<B> データX3と特徴量FX3<B>との特徴種別S値(第四関与度値)
S方式によるクラス1/LC値低下もしくはクラス2の確定時において、上記の4種類の特徴種別S値は、それぞれ観測変数名f1,f2,・・,fi,・・,fqの、当該特徴量への関与度値を示すもので、順に、第一関与度値、第二関与度値、第三関与度値および第四関与度値と定義する。そして、すべての観測変数群の中で最大の関与度値にて正規化し、さらに、数段階に離散化する。例えば5段階に分類し3段階以上の関与度値を有する観測変数群を当該要因に関連する観測変数とする。
図7に、クラス1/LC値低下、もしくはクラス2の確定後における先行時間帯での要因に関連する観測変数群を抽出する際の時間軸を示している。当該クラス1/LC値低下、もしくはクラス2が確定したn時間帯と、その直近の(n-1)時間帯では、前記した直近での要因に関連する観測変数群として抽出した。そして、当該(n-2)時間帯から以前の先行時間帯jにおける要因に関連する可能性がある観測変数群の抽出は、以下に示す[数26]にて算出する。そして、すべての観測変数群の中で最大の関与度値にて正規化し、さらに、数段階に離散化する。例えば5段階に分類し3段階以上の関与度値を有する観測変数群を当該要因に関連する観測変数とする。なお、上記のクラス1/LC値低下、もしくはクラス2の確定時の、n時間帯及び直近の(n-1)時間帯データで求めた重み係数ベクトル<A>を固定して、順次、j時間帯データXjの相関行列RXjXjとの積を求めることにより特徴種別S値SXjを算出してゆく。
[数26]
SXj=RXjXj * <A>
ここで、RXjXj は、先行時間におけるj時間帯データXjの相関行列を示す。順次、遡ってj=n-2(初期時間帯)まで各j時間帯での特徴種別S値SXjを求める。
次に、図8において具体的な、現時刻nにおける潜在変数群及び関連する観測変数群の抽出5について、まず、通常劣化の「クラス1」に関して説明する。一例として蒸発式海水淡水化プラントの運転・保守の経験や設計上の知識を活用した通常劣化の項目・推定要因・処置候補名や内容・関連メーカ等の関連を[表5]に示す。
次に、「クラス2」について説明する。LCMデータベース15から劣化要因ノウハウ集を引用して、要因項目と関連する観測変数群との定性的な対応表を、当該観測変数の関連度合いの大きさに応じて、例えば5段階評定を行い点数化して、[表6]に示す劣化要因ノウハウ集(点数化)を作成する。ここでは、蒸発式海水淡水化プラントにおける観測変数群をV1,・・・,V10とした場合の事例を示す。
し、現時刻nにおける前記にて選択した潜在変数群f1、f3、f4とから因果モデル構築を行うこととなる。以上、図8の「現時刻nにおける潜在変数群及び関連する観測変数群の抽
出」5に関する、クラス2の場合の具体的な手順を示した。なお、プラントが新設時もしくは大きな改造を行った時には、予め、劣化要因ノウハウ集が存在しないか、もしくは既存
の劣化要因ノウハウ集が適用性に欠ける場合がある。このような場合には、特許第6154523号の段落[0041]以降に記載している因果モデル創出ステップによるものとする。
(通常劣化「クラス1」の場合nL(1))
前記した通常劣化の状態に対する経済面と環境面における評価方法であるコスト有効度Ec(ΔT)及び環境効率Vef(ΔT)を算出し、時刻nと1ステップ前の(n-1)での、それぞれの差異を変化率δE(n) 及びδV(n)とし、以下の[数27]にて算出する。
[数27]
δE(n)=Ec(n)(ΔT)― Ec(n-1)(ΔT)
δV(n)=Vef(n)(ΔT)―Vef(n-1)(ΔT)
ここで、上付き(n)と(n-1)は、それぞれ時刻nと時刻(n-1)での値であることを意味する。
[数28]
TEc (n) =(Ecth―Ec(n)) /δE(n)
TVef(n)=(Vefth―Vef(n)) /δV(n)
[数29]
nL(1) (Ec) = n + TEc(n)
nL(1) (Vef) = n + TVef(n)
なお、当該直線外挿は、1ステップ時間が進むにつれて当該変化率δV(n)及びδE(n)を更新するので、プラント運転の時間が経過するにつれて予測精度が向上してゆく。
次に、特異的劣化「クラス2」の場合を説明する。現時刻nにおける当該特異的劣化の程度を表す統括DI値を、監視時間が進むに際して、その都度外挿して警告閾値へ到達する
時期の予測6を行う。具体的には、図9に示すように現時刻n(〇1、〇2、〇3の3個の時間帯)にて得られたD方式での2個の統括DI値[数5] 、[数6]及び、S方式では基準時間帯〇1’、(n-1)、nにて得られた2個の統括DI値[数11]、[数12]の合計4個の統括DI値が、次の1ステップ進んだ時刻(n+1)(〇2、〇3、〇4の3個の時間帯)にて得られるD方式、S方式それぞれ対応する4個の統括DI値へ変化する。
[数30]
δ(n) = {δd n-1(A) + δd n(B) + δs n-1(A) + δs n(B)} / 4
ここで、 δd n-1(A) = DId (n)(A) ―DId (n-2)(A)
δd n(B) = DId (n+1)(B)―DId (n+1)(B)
δS n-1(A) = DIS (n)(A) ―DIS (n-1)(A)
δS n(B) = DIS (n+1)(B)―DIS (n)(B) にて算出する。
[数31]
nL(2) (n) =(DIth―DImax(n)) /δ(n) + n
と考えられる。さらに、1ステップ時間が進むにつれて当該変化速度の平均値を更新するから、時間が経過するにつれて予測精度が向上してゆくので、前記した統括DI値の変化速
度の平均処理が実用的であることを補償するものである。
まず、クラス1の場合の警告域到達予測時期nL(1)における要因に関連する観測変数群について説明する。前記した現時刻nでの[数5]、[数6]で算出したD方式での統括DI値、及び、[数11]、[数12]で算出したS方式での2個の統括DI値との合計4個の統括DI値に、[数30]に示す統括DI値の変化速度の平均値δ(n)に、当該到達時期までの経過時間(nL(1)-n)を乗じ、現時刻nでの各統括DI値に加算することによって、警告域到達時期nL(1)での対応する4個の統括DI値の予測値DI〇1〇2〇3(A)@nL、DI〇1〇2〇3(B)@nL、DI〇1〇2(A)@nL、DI〇1〇3(B)@nL を得る。
[数32]
Sx@nL(2) = Sx(n) + Small(TEc (n)、TVef(n))* δ(n)
ここで、Sx@nL(1)は、8個の特徴種別S値の予測値を代表的に表示し、Small(A,B)はAとBの小さい方を選ぶことを意味する。
[数33]
Sx@nL(2) = Sx(n) + (nL(2)- n)*δ(n)
ここで、Sx@nL(2)は8個の特徴種別S値の予測値を代表的に表示している。
前記にて、現時刻n及び警告閾値到達予測時期nL(2)における、潜在変数群と関連する観測変数群との組合せを決めたが、次に潜在変数間の方向性、つまり、潜在変数群の中で、
どの潜在変数が上位の原因側であるか、あるいは下位の結果側であるかを設定して因果モデルを構築する。
として蒸発式海水淡水化プラントの場合について[表6]の下部に記載しているような付則を適用する。そして、現時刻nにおける[表7]の潜在変数群及び観測変数群の抽出(パター
ン間距離)の結果に対して、図11に示す因果モデルを得ることができ、同様に、前記した警告域到達予測時期nL(2)における、潜在変数群と関連する観測変数群との組合せと潜在変数間の方向性から因果モデルを構築する。なお、前記した経験則や設計上の知見が存在しない場合には、双方向の潜在変数間の上位・下位を有する複数の因果モデルを構築する。
[数34]
CE(f)=ΣvV*Pr(V|F=f)+Σff*Pr(f|F=fb)
ここで、右辺第一項は潜在変数から結果群の観測データへの因果効果を、右辺第二項は潜在変数(原因)間の因果効果を示す。また、Pr(V│F=f) は、fを固定したときに、Vが得られる確率を示しており、当該fとVとのパス係数に相当する。また、Pr(f│F=fb)は、ある潜在変数fbを固定したときに、他方の潜在変数fが得られる確率を示しており、当該fbとfとのパス係数に相当する。
[数35]
CE(f2) = V1*α12 + V2*α22 + V3*α32 + f3*β32
さて、次に、図8の処置候補群の選定@n,nLおよび対象設備、部品の抽出9を行う。プラント1の運転や保全に関する過去からの経験や設計条件などから製造企業体Aやメンテナ
ンス企業体Mが有しているトラブルシューティング集から、海水淡水化プラントでの適用例[表7]に対応した事例を抜粋した処置候補群の内容などを[表8]に示す。
[表8]
上記の[表8]には、各処置候補に関連するメーカ名B1-1,B1-2,B2や保守業者M,M1,M2が登録されており、各処置候補が抽出されたことを契機にして関連メーカの自動選定@n,@nL
10を行うことができる。また、同表右欄には後工程にて行う強化学習における状態価値関数22、23の算出に必要な、処置選択確率18、19のπの初期値およびND/SDもしくは3Rの分類も記載されている。なお、特異的劣化に対する処置の最適化をSDとし、通常劣化もしくは環境負荷を考慮した処置の最適化をND/3Rと表現している。
現時刻nにおいて、警告閾値に至る時期を予測し、現時刻nと当該予測時期nLにおける当該プラントの性能もしくは機能の状態予測13を行うための、図8の状態空間モデルと因果モデルとの融合による状態変化率Fnの算出12について説明する。
[数36]
dx/dt=G(x,t) x(0)=x0:初期値
この時間発展性を、例えばシミュレーション等で模擬して将来の状態予測を行う場合に、前記支配方程式[数36]を差分近似することによる誤差の拡大や実際の現象には時間・空間
スケールが異なるものが混在しているために、前記した微分方程式自体が不完全である場合が多い。
するのに適した線形状態空間モデルは、[数37]のシステムモデルと[数38]の観測モデルとから成る。
[数37]
xt = Ft*xt-1 + vt
[数38]
yt = Ht*xt + wt
ここで、xt は状態変数、yt は観測データ、F(t ) はシステムモデル係数、Ht は観測モデル係数、vt はシステムノイズ、ωt は観測ノイズである。
慮しないで線形モデルとし、[数38]の観測モデルから観測モデル係数Hnを、ベイズ公式を用いて変形すると[数41]の関係式が得られる。
[数42]にて定義する。
また、[数41]のPr(yn│xn ) を、フィルタ分布[数40]右辺分子の先頭項に代入して変形し、かつ[数41]を適用することによって状態変化率Fnを、以下の[数43]のように導出することができる。
(1)Pr(xn)・・・データyjから、ある状態xnが生起する確率を示す。
ベイズの定理を応用して、データyjが得られた条件下で、状態xnが生起する確率を、データ種類j についての総和で算出できる。つまり、データ種類の総和をJ個として
[数44]にて算出する。
[数44]
Pr(xn)=Σ1 J Pr(xn|yj)Pr(yj)
(2)Pr(yn)・・・ある状態xnから派生するデータynの生起確率を示す。
同じくベイズ公式を応用して、状態数の総和Kとして[数45]にて算出する。
[数45]
Pr(yn)=Σ1 K Pr(yn|xk)Pr(xk)
一般的に、データには複数の背景や状態が関係した要素が混在しているので、データyn-1とynそのものを用いた遷移確率の推定は難しく実用的ではない。そこで、データに
内在する特徴量を抽出し、時間帯(n-1)とnとにおける当該特徴量の乖離度を用いて遷移確率を求める。つまり、大局的劣化判定法1で得た時間帯(n-1)と時間帯nでの統括DI
値TDIの比率を採用し、[数46]によって算出する。
[数46]
Pr(yn|yn-1)=TDIn/TDIn-1
データyn-1を入手したときの状態xn-1の条件付確率分布を求めるわけであるが、プラントのダイナミックな挙動においては、劣化要因f・ミクロ状態s・マクロ状態x・デー
タy・特徴量Zには図12に示すような連関があり、直接的に前記の条件付確率分布を求めることは困難である。一方、当該因果モデルにおける要因群fからデータ群yへ
の因果効果CE(f)は、当該要因群fからデータ群yに与える影響度合いを表している。そして、前記要因群fがミクロ状態sを介してマクロ状態xに影響を及ぼし、当該マ
クロ状態xがデータ群yを生成していることから、前記因果モデルにおける因果効果CE(f)と、データ群yが得られたときのマクロ状態xが生起している前記の条件付確率
とは比例しているものと推定できる。つまり、因果分析と状態空間モデルと、を融合することによって解決できる。
のデータ群への因果効果CEn(fi)を変化させる。これは、当該因果モデル1における要因群f(n-1)からデータ群y(n-1)への影響度が、時間帯nでは要因群f(n)からデータ群y(n)へ
の影響度に変化し、状態空間モデル2に沿って関連する状態xn-1から状態xnへの変化を生じさせ、当該状態変化がデータyn-1からデータynへの変化へと結びついているから
である。以上のことから、時間帯(n-1)におけるデータyn-1からマクロ状態xn-1を生起する確率を算出する際には、時間帯(n-1)における因果効果CEn-1(fi)に比例するとして、
その比例係数をγとすれば[数47]にて条件付確率Pr(xn-1|yn-1)を算出することが可能となる。このことが、因果モデルと状態空間モデルとの融合という発案である。
[数47]
Pr(xn-1|yn-1)= γ*CEn-1(fi)
現時刻nにおける状態変化率Fn と同様に、警告閾値到達予測時刻nLにおける状態変化率FnL も[数43]を用いて算出することができる。すなわち、前記した[数44]から[数47]の適用において、警告閾値到達予想時期nLでの予測値を用いることで状態変化率FnLを得る。
前記によって、現時刻nでの状態変化率Fnと、警告閾値到達予測時刻nLでの状態変化率FnLが得られたから、現時刻から当該予測時刻までの時間間隔を(nL-n)として、以下の[数48]により幾何平均値を求める。そして、現時刻nでの状態に対して、当該警告閾値到達予測時刻nLでの状態は、[数49]により推定することができる。
次に、前記した[数44]~[数47]を用いて、時間間隔ΔΤn=1とおいて算出した現時刻nにおける状態変化率Fn と、警告閾値到達予測時期nLにおける状態変化率FnLとの幾何平均 及び、1時間帯後(n+1)における状態の予測値xn+1を算出する。そして、次の時刻(n+1)での実データから得た状態xa n+1に基づくデータ同化により、時刻nでの幾何平均値を更新する。つまり、以下に示す[数51]により新たな幾何平均値を得る。
る支配方程式の不完全性を実用的な観点において補償することにもなっている。
[表7]には要因項目fi について処置候補名が挙げられており、前記した図8の9にて選定された処置候補群を処置シナリオamとして設定14する。当該事例では、要因項目は、f1とf3とf4であるから、それぞれ処置候補a1,a2とa5,a6とa7 が、該当する処置シナリオamとなる。そして、[表8]には強化学習の分類、つまり、特異的劣化(SD)事象に関するものか、通常劣化(ND)もしくは環境負荷(3R)を考慮したものかを分類している。
通常劣化(クラス1)では、さまざまな装置や部位において摩耗や汚れなどが進行するので、要因に関連する観測変数群のパターンと、劣化項目のパターンとのパターン間距離は、クラス2の特異的な劣化の場合とは異なって、明確ではない。そこで、ある処置を実行したときの当該劣化状態の回復度合いを考えてみる。通常劣化項目の要因変数fiに対応する処置内容を実行した場合の当該劣化項目の回復度は、対応する要因fiの関与度値qjから、以下に示す[数53]によって評価できる。
次に、クラス2の場合と同様に処置候補群の選定及び対象設備、部品の抽出9を行う。プラントの運転や保全に関する過去からの経験や設計条件などから製造企業体Aやメンテナ
ンス企業体Mが有している通常劣化要因集に基づいて前記選定や抽出を行う。海水淡水化プラントでの適用例を抜粋した処置候補群の内容などを前記[表5]に示している。
~推定要因fi(si)~処置候補名am及び内容と、の関連性から処置候補群・対象設備・部品が決定される。そして、LCMデータベース15に登録されている設備・部品メーカの中か
ら、前記[表5]の右側から2番目の欄に示すメーカもしくは保守業者の記号を引数として、関連メーカの自動選定10が実行される。
プラントを運転して当該商品を製造する全体のプロセスを循環型・低炭素型生産システムに転換もしくは新規に循環型・低炭素型生産システムとして設計する際に、当該プラントの状態遷移・劣化程度の判断・劣化要因の推定・警告域到達時期の予測・処置方案候補の選択・最適処置方案の探索と決定・当該処置実行による効果の予測と実績との比較・当該処置方案の改良などを実施するわけであるが、予め設計者や運転員が蓄積してきた知識や経験則を以てしても、当該プラントに関する必要なすべての情報を入手して利活用することは不可能である。また、当該プラントの挙動は、さまざまな要素が複雑に絡んでおり未知な部分が多い。つまり、要求仕様・設計条件・製作条件などが同じであるプラントを設置しても、当該設置先における運用方法、運転条件および過去の運転・保全履歴などによって当該プラントの挙動は異なる上に、経時的な状態変化には不確定な要素が大きく、確率的な取り扱いが求められる。
予測時期nLにおいて、処置候補案にそって処置を実施した場合の各報酬関数を見積り、関連する状態遷移確率や処置選択確率を求めて状態価値関数を算出する。そして、当該時
刻が1時間帯(1ステップ)進むにつれて、クラス1/LC値低下もしくはクラス2において対応した警告閾値に到達するまで強化学習を進めてゆく。
ここで、上記の各数式右辺の各項は、以下を意味している。
P(si’|si);状態siの時に処置amを実施した場合に状態がsi’に遷移する確率
πs(am|si’)、πL(am|si);状態siの時に、方策πSもしくはπLに沿って処置amを選択する確率(サフィックス;SはND/SD、Lは3Rを指す)
rs(si,am,si’)、rL(si,am,si’);状態siの時に、SもしくはLにおいて処置amを実施した場合に、当該状態siがsi’へ回復するときに得る報酬関数
24を定義する。なお、α+β=1.0と正規化しておく。
循環型・低炭素型生産システムの運用においては、ND/SDの物理的・機能的な観点と、3Rという環境的観点の両方を同じような重要度ではなく、当該企業群の経営方針や社会的環
境などの変化に基づき、ある時期には3Rという観点を重視する場合もあるし、また、ある時期にはND/SDな観点を重視しなければならない場合もある。したがって、本発明では
ND/SDな状態価値関数と3Rの状態価値関数との重みを柔軟に変更できる統合価値関数を発案した。そして、図8の大局的劣化判定1の結果が警告時期に達していた(25でYES)
場合には、各処置方案am についての前記統合価値関数TVπ(s) の期待値が最大となる方策aopt を、最適な処置方案aopt26として選択する。
境などの変化に基づき、ある時期には3Rという観点を重視する場合もあるし、また、ある時期にはND/SDな観点を重視しなければならない場合もある。したがって、本発明では
ND/SDな状態価値関数と3Rの状態価値関数との重みを柔軟に変更できる統合価値関数を発案した。そして、図8の大局的劣化判定1の結果が警告時期に達していた(25でYES)
場合には、各処置方案am についての前記統合価値関数TVπ(s) の期待値が最大となる方策aopt を、最適な処置方案aopt26として選択する。
時刻nにおける状態siの時に処置amを実施した場合に、時刻(n+1)において当該状態siが状態si’に遷移する確率は、状態遷移確率Pr(Sn+1=si’|Sn=si,An=am)と表現される。
ここで、Anは全ての処置群を示しており、ある処置方案amを固定して記述すると [数58]の右辺となる。
[数58]
Pr(Sn+1=si’|Sn=si,An=am) = P(Sn+1=si’|Sn=si) = P(si’|si)
施すと、要因fi(si)2が変化すると、同時に図12の点線で囲む因果モデルでの因果効果であるCE(f)も変化し、図13に示すミクロ状態は、si_jjからs’i_jj3へと遷移するわけであり、その遷移過程は当該因果モデルを分析することによって定量化される。当該s’i_jj3は、行動(処置)1による要因iの変化に呼応したミクロ状態(種類jj)の変化を表し、単一もしくは複数の要因種類iが、ミクロ状態(種類jj)に影響している。そして、当該変化後のミクロ状態s’i_jj から派生してマクロ状態(種類k)xkはx’kに変化するのである。
処置aiを実施した後でのパターン間距離δfiは大きくなり、要因パターンから乖離し、当該要因が解消されることを拠り所としている。なお、上記定義式の係数(1/2)は、3個の要因項目についての状態遷移確率の総和が1.0になるように正規化するためのものである。
次に、要因項目iについての、ND/SDもしくは3Rの処置選択確率18もしくは19の算出方法について説明する。まず、ND/SD、3Rにおいて、各要因項目iについてそれぞれ処置
選択確率の総和は1.0になるように前記した[表8]に示すように初期値を設定する。そして、強化学習における次のステップ以降では、後述するND/SDの報酬関数20、もしくは 3Rの報酬関数21が大きいほど、それぞれの当該処置選択確率も大きくなるように割振るものとする。つまり、[数60]に示すように1ステップ前(n-1)での、ND/SDもしくは3Rでの報酬関数をそれぞれの右辺に代入して当該処置選択確率を更新する。
さて、次にND/SDにおける報酬関数20の算出のための劣化回復度について、通常劣化(クラス1)もしくは特異的劣化(クラス2)の場合を説明する。生産高、原料費、粗利益などの経営関連指標、性能・機能低下による損失関連、故障もしくは事故ならびに不良品発生による損害リスク、当該プラントの取得・運用・廃棄にかかる費用及び処置実行時の費用といったコスト関連、処置実行による性能・機能回復によるメリット、劣化設備・部品のリユースもしくはリサイクルによる再資源化メリット、省エネルギによるコスト低減や間接的環境負荷の低減メリットなどのメリット関連について報酬関数を算出する。各現時刻nに対応する警告閾値到達予測時期nLにおいて、前記にて設定した処置シナリオak14に沿って各処置を実行した場合に、当該予測時期nLでのマクロ状態xk(nL);
から、当該通常劣化もしくは特異的劣化が解消して当該劣化直前のマクロ状態xk0;
へ回復することを基本として、その回復度に基づいて行う。なお、当該処置による劣化の回復が、それぞれの劣化直前のマクロ状態xk0;si’ へ回復することは、時間ステップの進展における、すべての現時刻nと対応した予測時期nLに共通している。
[数61]
rs(si,am,si’)=
変化分[<生産高>+<投入エネルギ>+<原材料>+<損害リスク>+<間接的環境負荷コスト>]+<取得コスト>+<廃棄コスト>+<処置実施コスト>+<監視・評価コスト>
上記右辺の第一項の変化分は、クラス1(ND)では処置am後の状態が運転開始時での状態に回復し、クラス2(SD)では処置am後の状態がクラス2直前での状態に回復するも
のとして、当該劣化の進行期間全体における変化量を積分する。なお、間接的環境負荷コストについては、3Rの報酬関数を適用する場合には、当該ではrs(si,am,si’)を考慮
しないものとする。具体的な数値を挙げた算出は、後述する実施例において説明する。
次に、3Rの報酬関数rL(s,am,s’)21の算出ための、劣化回復度rbL(si,am,si’)について説明する。3Rに関連する処置方案amについて、各処置前後での劣化回復度は、ND/SDの場合とは異なり、3Rの処置種類であるリデュース・リユース・リサイクルによる処置の実施前後によって決まる。リデュースの場合をrbpL(si,am,si’)、リユースの場合をrbuL(si,am,si’)、リサイクルの場合をrbyL(si,am,si’)と表して、それぞれ[数62]、[数63]および[数64]にて算出する。
[数62]
rbpL(si,am,si’)=<リデュース前後のメリット>―<リデュースに係るコスト・損失>
ここで、<リデュース前後のメリット>には経済的なメリットと環境負荷の低減効果を含み、<リデュースに係るコスト・損失>にはプラントの停止による損失分を含む。
[数63]
rbuL(si,am,si’)=<リユースによるメリット>―<リユースに係るコスト・損失>
ここで、<リユースによるメリット>には経済的なメリットと環境負荷の低減効果を含み、<リユースに係るコスト・損失>にはプラントの停止による損失分を含む。
[数64]
rbyL(si,am,si’)=<リサイクルによるメリット>―<リサイクルに係るコスト・損失>
ここで、<リサイクルによるメリット>には経済的なメリットと環境負荷の低減効果を含み、<リサイクルに係るコスト・損失>にはプラントの停止による損失分を含む。
そして、処置am実施直前での状態に回復するものとして、当該劣化の進行期間全体における変化量を積分する
[数65]
rL(si,am,si’)=rbpL(si,am,si’)+rbuL(si,am,si’)+rbyL(si,am,si’)
ここで3Rのうち処置方案に該当する項のみを採用し、該当しない項はゼロである。具体的な数値を挙げた算出は、後述する実施例において説明する。
図14に蒸発式海水淡水化プラントの系統図を示す。
蒸発装置本体は、海水の蒸発・冷却・凝縮器として熱回収部1は3段、排熱部2は1段の合計4段からなる。ブライン(各段内で蒸発してゆくので、やや塩分濃度が高い海水を指す)は、ブラインヒータ3(B/Hと略す)にて最高温度Tmaxに加熱されたのち熱回収部1の初段下部へ流入する。B/H3では、ボイラー4からの加熱用蒸気が伝熱管の外面で凝縮することによって伝熱管内のブラインを加熱し、凝縮したドレンは、復水ポンプ8によってボイラー4へ戻される。当該蒸気流量Fsは、ブライン最高温度Tmaxが一定になるように蒸気流量制御弁9によって制御される。
そして、各段内下部でのブラインレベルは適切な範囲になるように、最終段(第4段)のブラインレベルが制御されている。これはブラインブロー量を制御弁11によって制御されている。各段内のブラインレベルが高くなるとフラッシュ蒸発する蒸気に、海水(ブライン)飛沫が同伴してしまい淡水純度が悪くなり、逆に規定以下にブラインレベルが低下してしまうと隣の段内とのシールが破れてしまい、当該段内の圧力が保持できず、各段に設計された蒸発量の分配がうまくいかなくなり、淡水製造量とB/Hでの蒸気消費量の比率、つまり造水効率が低下するといった性能低下が生じてしまう。
蒸発式海水淡水化プラントの運転を継続してゆくと、蒸発装置本体の上部に設置されている伝熱管の内部に流れているブライン中の不純物や酸化物などが、当該伝熱管内面に汚れとして付着してゆくので、管外から管内へ伝達する熱の流れの抵抗が大きくなり熱伝達係数の低下となってしまう。このことから、当該蒸発段の下部にてフラッシュ蒸発した蒸気が、当該伝熱管外面にて凝縮する効率の低下を招き、造水効率の低下、及び、B/Hでの加熱蒸気量の増加となる。
図15に、運転開始時からの主な流量データを示す。造水量が一定となるようにブライン循環流量Fbrが制御されており、必要な海水流量Fseaは、ほぼ増減は見られないが、B/Hでの蒸気流量Fsは次第に増加しているのが分かる。なお、横軸は運転開始時からの時間経過をステップ数として60までを示している。
となり、予め注意閾値を0.98と設定しているのでステップ25以降においてLC値警告域への到達時期の予測・各状態推定・因果分析などを行なって、各ステップでの状態価値関数NDVπ(s)を算出して強化学習を開始することになる。
応する離散化した数値の差の2乗と定義する。
要因fiから3個の要因f1、f3、f5を選択する。なぜならば、n=30における観測変数群vjの関与度パターンが、劣化要因ノウハウ集の要因fiに関連する観測変数群vjの離散化パターンに近いほど真の要因
fiである確度が高いからである。
間距離が最小の観測変数を、要因fiと関連した観測変数群と特定する。つまり、f1はv1、v8と、f3はv5、v9と、f5はv5、v8、v9、v13、v14、v15と因果関係があるものとする。なぜならば、観測変数の
関与度値の離散化値と、劣化要因ノウハウ集での離散化値と近い方が、当該要因との関連性が高い観測変数であるからである。
築に適用する。
ルに対して、[数34]を用いて算出した各要因f1、f3、f5からの因果効果CE(f1)、CE(f3)、CE(f5)を[表17]に記載している。これらの因果効果の大きさから、要因f3(0.091)より要因f1(0.343)とf5(0.566)
の影響度が、相対的に大きいと推定できる。なお、因果分析については、例えば特許第6154523号の中の[数12]の構造方程式を適用することで可能である。
は[数45]にて算出するわけであるが、具体的に現時刻nにおいては前記した[表16]に記載しているように、[表15]に示す観測変数群の関与度値パターン距離から得られるxn及びvjの生起確率から算
出することができる。
係数であるγが不明であるが、次に記述する幾何平均化により解決する。
とから、γ=1とおいて解決する。
に基づき因果モデルの構築と因果分析の実行、因果効果の算出、及び、各生起確率の算出手順と同様に、[表12]の代わりに[表13]に示す関与度値(予測値)の離散化結果を用い、現時刻nでの[表15]、
[表16]、[表17]の代わりに、それぞれ[表18]の関与度値パターンとの距離、[表19]の各生起確率の算出を行い、nL=51での因果モデル図28を構築・因果分析を経て、[表20]要因毎の因果効果
CE(fi)を用いることによって予測時刻nLにおける状態変化率FnLを得ることができる。
を[表21]に示す。
状態変化率、さらに幾何平均値の更新についての実施例を説明する。
段に予測値、及び、次の時刻n=31における当該関与度値の実績値を示す。表中に双方矢印で示している。
化率Fn(fi)を算出する。次に予測時刻nL=40での[表26]、[表27]から各生起確率の算出と図30の因果モデルを得る。そして、[表28]に示す因果効果CE(fi)を用いて状態変化率FnL(fi)を算出するこ
とによって、状態変化率のn=31とnL=40における幾何平均値が求められ、同化前の幾何平均値を更新する。
因f1とf5の幾何平均値は同じ値であったが、f3についての幾何平均値は1.056から1.003へ更新された。
ている。そして、同化前後において共通した要因fiが存在する場合にのみ状態変化率Fn及びFnLを適用して状態推移を行う。以上にて、図8の状態変化率Fn、FnLの算出・更新12の実施例の説明を完了
する。
造水量(これは一定に制御)、B/H蒸気量Fs(要因f1に関連する場合と要因f3、f5に関連する場合)、造水倍率(関連する観測変数群の違いにより2種類)、及びポンプ総消費電力とを、データ同化前を
[表34]及び、図32に、データ同化後を[表35]及び、図33に示す。
である。本実施例では、造水量は一定であるので生産高の変化分はゼロ、原材料は海水であるのでコストは無し、もしくは変化分は無し、特異的な劣化ではなく通常劣化であるので故障・事故発生のリスク
は無視できるとした。また、設備取得コストは取得総額を耐用年数で割るものとし、廃棄コストは考慮せず、処置実施コストは処置候補am毎に見積り、監視・評価コストも予め見積もるものとした。
施のコスト、監視・評価のためのコストを、1ステップ毎の報酬関数として算出し、[表38]に示す。
度値の逆数の和を算出し、[数59]によって図8の要因fi(si)毎の状態遷移確率P(si’|si)17を求める。その結果を[表41]に示す。
と、当該報酬関数の総和である[表40]と、を用いて算出する。その結果を[表42]に示す。
の結果を[表43]に示す。カッコ表示はマイナスであることを示す。
る。
=1とし、状態sを各要因fiとおいて[数66]となる。
[数66]
TVπ(fi) = NDVπ(fi)
容と強化学習の結果を含んだ処置最適化の情報を企業体A,Mに伝達する12。
した実施計画内容との相違点や不具合内容などの照合13を行う。
専用座から、配管内へ供給され、本体1のNO.1~NO.3段のコンデンサーの伝熱配管群の内部を通過しながら、内面に付着したスラッジやスケールを除去する。
回目の洗浄のために前記したブライン循環ポンプの出口配管内へスポンジボールを供給する。
しては、管内面に付着するスケール種類であるスラッジ(海水汚れ等)、ソフトスケール(CaCO3、Mg(OH)2)、及びハードスケール(CaSO4)に対応してそれぞれ、標準スポンジボール、樹脂コーティング
ボール、及び、全面カーボランダム(炭素珪素)ボールが適用される。
へ増やすと、洗浄開始後のスケール除去率の増加程度は大きくなる。一方、ボール個数BMが200個くらいで少ない場合には洗浄時間を増やしても、スケール除去率は0.7~0.8より大きくはならない。
浄時間が経過するにしたがい回復し、やがて収斂してゆく。
スとともに図38に示す。ボール個数BMは400個であるが、洗浄時間が約40分までは、当該回復率は前記データベースのボール個数BMが200個と400個の中間を推移し、その後はBMが200個の場
合の回復率とほぼ同様の推移を示しており、食い違ったパターンを示した。
に示す。
く一致していることが分かることから、本実施例でのスケール除去率の推移に基づきデータベースを修正もしくは追加する必要がある。
び、フィードバック情報の確定20に相当する。そして、次回のSDMでの実施内容の見直しとなる。
蒸発式海水淡水化プラントの重要な回転機械であるブライン循環ポンプBRPの製作において、当該プラントオーナーもしくはエンジニアリング会社では、当該海水淡水化プロセスに必要かつ十分な性能や
機能を発揮すべく基本設計を行い、当該基本設計に対して、ある余裕を持たせた要求仕様を外注先の機械メーカに課す。そして、当該BRPの設計、製造を担当する機械メーカにおいては、前記したオーナー
もしくはエンジニアリング会社から与えられた要求仕様に、さらなる余裕を持った詳細設計を行っている。
けだが、この大きな余裕のエネルギ分は前記した流量制御弁での絞りにより消耗され、投入エネルギの無駄となるばかりではなく、BRPの機構上の損傷や部品の摩耗を早めたり、前記流量制御弁の内部摩耗
を早めて寿命を短くするという欠点を有する。
態予測、劣化要因の推定及び処置実行により得られる情報抽出に基づき設計条件の更新手法も大きな課題となっている。
は安定して推移しているが、出口圧力Pbrpは他のポンプの場合とは異なり、運転開始後から変動が比較的大きく、ステップ数が約55くらいからは一意的に上昇しているのが分かる。(図44の中、丸枠で
囲んでいる部分)
認できる。
率が0.98に低下した時点、ここではステップ24を注意域突入時とし、状態予測・因果分析を介して状態価値関数を求め強化学習を開始し、LC値低下比率が0.92未満となる、ここではステップ55の警告
域に達したら、蓄積してきた強化学習の結果を評価して最適処置方案aoptを決定する。
とした)・原材料(海水淡水化プラントでは海水なので無料とした)・その他固定費(本実施例ではコスト有効度の絶対値ではなく運開時からの低下比率に着目するため適用せず)・電気消費量と重油消費
量とを加算してエネルギ投入費用を算出、及び、当該電気消費量と重油消費量をCO2総量に換算し、さらに価格化した。
なお、当該CO2量の価格化については、実施例クラス1ケース1の場合と同様、「二酸化炭素に対する価格設定について」 総合資源エネルギー調査会 発電コスト検証ワーキンググループ(第2回会合)
資料8によった。
Vefjの低下比率は0.976となり、予め注意閾値を0.98と設定しているのでステップ24以降においてLC値警告域への到達時期の予測・状態推定・因果分析などを行なって、各ステップでの状態価値関数
NDVπ(s)を算出して強化学習を開始することになる。
29]にて警告域到達の予測時期nLを求めた結果を図示したものである。予測開始後でのステップnが32、42では到達予測時期nLが118、112となっており、実際の警告域到達時期ステップ55
と大きく異なっているが、その後次第に実際の到達時期55に近づいているのが分かる。このように、当該直線近似でも、1ステップ時間が進むにつれて当該LC値の実測値にて変化率を更新することによ
り予測精度が向上していることが分かる。これは実施例クラス1ケース1の場合の図22と同様である。
0,45,50、55についての解析・推定状況、及び、その結果を示すものとする。図48に、各観測変数(造水量も加えて22個)の関与度値の最大値の実測値を示す。B/H蒸気流量Fs、ブライン循環
流量Fbr、NO.1ブラインレベルL1、及びBRP吐出圧力Pbrpという観測変数群が当該LC値低下の事象に関する関与度が大きいことがわかる。
及び、BRP吐出圧力Pbrpが抽出された背景は、BRPの過剰性能、つまりプロセスに必要十分な全揚程や流量に対して大きな余裕をもって設計製造されていることにある。なお、前記したBRP吐出圧力Pbrp
の関与度値が比較的大きいのは、前記の実施例クラス1ケース1(通常劣化)での関与度値を示す図25でも現れていたものである。
化装置本体の初段(NO.1段)へのブライン流入の変動が大きくなることにある。
9に示す各観測変数の関与度値予測に基づき、予測時期ステップnLが48、37、47、49、55、60での関与度値の予測値を正規化後、5段階に離散化した結果を[表47]に示す。なお、全観測変数
群の離散化値を「関与度値パターン」と称す。
の大きさにより、0~0.2:1、0.2~0.4:2、0.4~0.6:3、0.6~0.8:4、0.8~1:5、と離散化している。
さい要因fiから3個の要因f1、f3、f7を選択する。なぜならば、n=30における観測変数群vjの関与度パターンが、劣化要因ノウハウ集の要因fiに関連する観測変数群vjの離散化パターンに近いほど真の要因fiである確度が高いからである。
パターン間距離が最小の観測変数を、要因fiと関連した観測変数群と特定する。つまり、f1はv1、v5、v6、v8、v9と、f3はv4、v6、v7、v8と、f7はv2、v5、v9、v12と因果関係があるものとする。なぜ
ならば、観測変数の関与度値の離散化値と、劣化要因ノウハウ集での離散化値と近い方が、当該要因との関連性が高い観測変数であるからである。
構築に適用する。
因果モデルに対して[数34]を用いて算出した各要因f1、f3、f7からの因果効果CE(f1)、CE(f3)、CE(f7)を[表51]に記載している。なお、因果分析については、例えば特許第6154523号の中の[数12]の
構造方程式を適用することで可能である。
Pr(yn)は[数45]にて算出するわけであるが、具体的に現時刻nにおいては前記した[表50]に記載しているように、[表49]に示す観測変数群の関与度値パターン距離から得られるxn及びvjの生起確率
から算出することができる。
記述する幾何平均化により解決するのは、実施例クラス1ケース1の場合と同様である。
期nL=48の場合の因果モデルを構築し図51に示す。実時刻n=30では、要因群はf1,f3,f7であったが予測時期nL=48での要因群はf3,f6,f7と変化し、要因f1(ベント不良)は無くなりf3(各段管内汚れ偏
り)が現れている。ベント不良という特異的劣化ではなく、管内汚れという通常劣化の進展に対応していることから予測時期での因果モデルでは、物理的に妥当な状態遷移を行っていることが分かる。
確定していることが分かる。
ース1の場合と同様、造水量は一定で、特に実時刻n=35(nL=37)ではB/H蒸気流量FsやBR系制御不安定は大きくなっているが、時間経過とともに警告域到達時期に近づくにつれて安定した推定値とな
っていることが確認できた。
して、nL時刻までの劣化度合いの積分量を、各警告域到達予測時刻nLについて算出した劣化回復量を[表60]に示す。なお、各処置特有の初期有効度を[表60]下部枠内に示している。
の状態遷移確率P(si’|si)とから、各n(nL)での状態価値関数NDVπ(fi)を得る。その結果を[表63]の中の点線で囲んだ部分に、横に処置候補ak(k=1,・・16)を、縦に時刻=30,35,40,45,50,55に対して示す。
いる。また、当該ポンプメ ーカB1-1でも、さらに10~15%程度の余裕を持たせた機能としているので、製造した当該ポンプの機能は、前記の基本設計時に必要な機能に対して25~35%の余裕を持つこと
になる。特に、汎用ポンプでは1ランク上の型式を選定する。
[数67]
DC/DA = QC/QA
ここで、QA:定格吐出流量、QC:インペラカット後の吐出流量、DA、DC:カット前、後のインペラ直径を示す。
[数68]
DB/DA = (0.5*(1+DA/DC)1/2) * DC/DA
ここで、DB:[数67]のDCを補正した加工後のインペラ外径を示す。
本実施例では、第2段でのベント不良により第2段での蒸発・伝熱性能が低下する事例を特異的劣化事象とし、「クラス2」として劣化進展を追跡しながら、処置方案を最適化する場合をとり挙げて説明する。
[数69]
TVπ(fi) = SDVπ(fi)
[数70]
Qv = α*πd2/4*SQRT(2*Δp/ρ)
ここで、Qv:オリフィス部を通過する流量 (m3/sec)
α :流量係数 d:オリフィス孔径(mm)
Δp:オリフィス部前後での圧力差(kg*sec2/m4)
ρ:流体密度(kg/m3) なお、SQRTは平方根を示す。
前記の流量係数αは、配管内のオリフィス部の絞り面積比mによって求める。この絞り面積比mと流量係数αとの関係は、以下の[数71]によって示されている。
[数71]
α=0.598-0.003*m+0.404*m3
1.ベントするためのエジェクタ-(図14、図66の14)からの吸引能力をデルタPとして1.5倍(オリフィス孔径としては1.2倍)に強化させることにより、前記した[数70]で示すベント量を増大
できるような設備とする。
2.オリフィス孔径を1.2倍(50mm⇒60mm)としておき、エジェクターの圧力設定を修正してデルタPを0.8倍にした運転とする。
3.固定したオリフィスではなく、バルブによるベント量調整機構とする。
以上の新たな設計指針においては、当該プラントの運転パターン、コスト、保守の容易さなどの観点から決定することとした。
本発明にはその等価物が含まれることはもちろんである。
Claims (15)
- 商品を製造する製造企業体Aと、当該商品を製造するための製造用プラントもしくは生産ライン(以降、総称してプラントと略す)に関する要求仕様や基本設計条件等を記載した発注書に基づき当該プラントを構成する設備類及び部品類を、当該製造企業体Aへ納入する複数の設備メーカ群B1と、複数の部品メーカ群B2と、当該プラントの運用において劣化した設備類及び部品類の保全・処置を行うメンテナンス企業Mと、を合わせて製造関連企業群とし、また最終顧客へ当該商品を販売する販売企業体Uは商品の種類、販売量、機能・品質のレベル、単価、納期などの要求事項の最新情報を製造企業体Aに伝達、発注し、当該製造企業体Aは、受注した商品を製造するプラントの運転状態とメンテナンスの要求度合いとを勘案し、かつ、ライフサイクルメンテナンス(以降、LCMと略す)を実現するための循環型・低炭素型生産システムにおいて、
商品を製造する製造企業体Aにおけるプラントの運転状態を把握するセンサデータ(観測変数群)と、当該プラントのシステム制御の目標値及び実データ(観測変数群)と、販売企業Uからの商品の要求事項等の最新情報と、を得るデータ等収集・情報取得ステップと、当該収集・取得されたデータ・情報等をネットワークへ通信する通信ステップと、当該通信されたデータ・情報等を、セキュリティレイヤーを介してクラウドもしくはエッジコンピュータにて蓄積するビッグデータ化ステップと、当該センサデータ及びシステムの実データを時間分割し、少なくとも3つの時間帯単位において特徴抽出を行い、当該プラントの運転継続における当該特徴量の乖離度の大きさ(統括DI値)と当該判定閾値との比較により、通常劣化であるか、あるいは特異的劣化であるかを判別する大局的劣化判定ステップと、前記した通常劣化もしくは特異的劣化のいずれかに劣化有と判定された場合には、当該劣化状態が警告域に到達する時期を予測し、前記した劣化有と判定した時点から当該劣化の警告域到達予測時までにおける状態変化率を推定する状態予測ステップと、当該劣化事象に潜在する要因群、及び、当該要因群に関連する観測変数群を抽出して因果モデルを構築し、因果分析を行って劣化要因群を特定する因果分析ステップと、当該因果分析ステップにより特定した劣化要因群に関係する観測変数群と、前記ネットワーク上のLCMデータベースにある通常劣化要因集、もしくは特異的劣化に対する劣化要因ノウハウ集との照合により、処置候補群及び処置対象の設備もしくは部品を選定する処置候補群選定ステップと、当該処置候補群に基づき、前記複数の設備メーカ群B1もしくは複数の部品メーカ群B2の中から当該処置候補群に関連する設備メーカB1"もしくは部品メーカB2"を選定する劣化関連メーカ選定ステップと、環境的にも経済的にも持続可能な循環型・低炭素型生産システムを実現するというLCMの観点、及び、当該プラントの運転状態とメンテナンスの要求度合いとを勘案する観点において、最適な処置方案を探索し、当該最適処置方案を実行するための意思決定を支援する運用最適化ステップと、当該運用最適化ステップにて決定した処置方案に関する物理的、機能的、経済的かつ環境的方案情報、及び、当該処置の実施結果に基づく物理的、機能的、経済的かつ環境的事後情報と、を製造企業体Aもしくはメンテナンス企業Mから前記ネットワークへ伝達することにより、前記の販売企業U、及び当該劣化に関連する設備メーカB1"もしくは部品メーカB2"との間で、上記した方案情報と事後情報とを共有し、当該販売企業U、及び当該設備メーカB1"もしくは部品メーカB2"内にて、当該事後情報に基づき当該商品に関する要求仕様、設計仕様、生産技術等を見直し、改良して構築したフィードバック情報を、前記ネットワークを介して販売企業体U、製造企業体A及びメンテナンス企業Mと共有・連携する情報連携ステップと、前記したすべてのステップの処理の実行統括、及び、前記ネットワークの管理を行うLCM統括センターとからなることを特徴とした循環型・低炭素型生産システム。 - 前記請求項1に記載の大局的劣化判定ステップにて通常劣化に劣化有と判定する基準は、経済的なコスト有効度と、環境的な環境効率と、を評価するライフサイクルコスト評価値(以降、LC値と略す)を、LC値の低下率が、予め設定したLC値低下率閾値未満に低下した場合とすることを特徴とした循環型・低炭素型生産システム。
- 前記請求項1に記載の状態予測ステップにおける警告域を、通常劣化の場合には前記した請求項2に記載のLC値に対して設定し、特異的劣化の場合には前記した当該プラントの運転継続における当該特徴量の乖離度の大きさ(統括DI値)に対して設定することを特徴とした循環型・低炭素型生産システム。
- 前記請求項1に記載の状態予測ステップにおいて、状態空間モデルと、因果分析結果による因果効果と、ベイズ推論と、を組み合わせて当該時間帯nでの状態と1ステップ(時間帯)後の状態との比率である状態変化率Fnを算出し、一方、前記した通常劣化に対する警告域もしくは特異的劣化に対する警告域に到達予測時期nLでの状態変化率FnLを算出し、上記にて算出したFnを初期値とし、FnLを終端値とした幾何平均値を用いることにより、前記した各警告域到達予測時における状態を推定することを特徴とした循環型・低炭素型生産システム。
- 前記請求項4に記載の状態予測ステップにおいて、当該時間帯nにて得られた状態変化率Fnにより推定した1ステップ(時間帯)先の状態値と、実際に1ステップ(時間帯)後に得られた状態値と、を比較することによって前記した状態変化率の幾何平均値を更新することを特徴とした循環型・低炭素型生産システム。
- 前記請求項4に記載の状態予測ステップにおける状態変化率Fnを求める際の、データ群を得たもとで、物理的に関連する状態が生起している条件付確率は、当該因果モデルにおける平均的な因果効果と比例関係にあることを利用して前記状態変化率Fnを推定することを特徴とした循環型・低炭素型生産システム。
- 前記請求項1に記載の因果分析ステップにおいて、劣化要因である潜在変数群から関連する観測変数群への平均的な因果効果を算出し、当該因果効果の大きさに基づき、当該潜在変数に対応する要因の生起可能性に順位付けを行うことを特徴とした循環型・低炭素型生産システム。
- 前記請求項1の運用最適化ステップにおいて、プラントの運転状態として通常劣化有と判定された時点、もしくは特異的な劣化有と判定された時点から、状態遷移確率と処置選択確率と報酬関数との積で定義される状態価値関数を、各処置方案候補について、当該通常劣化もしくは特異的劣化の進展に沿って各時間帯において算出してゆき、プラント運転状態の通常劣化が当該警告閾値に達した時点、もしくは特異的劣化状態が当該警告閾値に達した時点において、前記状態価値関数の期待値が最大となる処置方案を最適な処置方案として選択することを特徴とした循環型・低炭素型生産システム。
- 前記請求項1に記載の運用最適化ステップにおいて、同請求項1記載の大局的劣化判定ステップにて算出した統括DI値の大小に基づき通常劣化の程度を推定し、また当該統括DI値が最大値となっている次数での固有ベクトルと、関連するデータとの積により求めた関与度値が大きい観測変数群を、当該通常劣化の進展特性を反映する構造変数群とみなし、当該構造変数群の中から、SDMの実施結果により判明した損傷項目等の情報と合致する構造変数群を抽出し、当該構造変数群を当該通常劣化により生じた損傷項目等との関連情報として、設備、部位もしくは部品に対して、予め計画していたSDMの実施項目を見直すことを特徴とした循環型・低炭素型生産システム。
- 前記請求項8の運用最適化ステップにおける状態価値関数を算出する場合の報酬関数において、少なくとも、当該プラントでの商品の生産高などの経営関連指標と、性能・機能の低下による損失や処置実行のために当該プラントの停止による損失といった損失関連と、故障もしくは事故発生による損害リスク関連と、処理実行時のコストやライフサイクルコストとしての当該プラントの取得コスト・運用コスト・廃棄コストといったコスト関連と、処置実行による性能・機能の回復メリット、前記劣化設備・部品のリユースもしくはリサイクルによる再資源化率の向上もしくは環境負荷の低減メリット、省エネルギによるコストおよび間接的環境負荷低減のメリットといったメリット関連とからなることを特徴とした循環型・低炭素型生産システム。
- 前記請求項10の報酬関数の中の故障もしくは事故発生による損害リスクの算出において、各時間帯での当該プラントの運転状態として、物理的な、もしくは機能的な特異的劣化度合いの時間的な推移に基づき、時間帯が進行する、その都度、警告閾値に到達するまでの経過時間を予測し、別途のLCMデータベースに予め登録された故障もしくは事故発生時の損害額を、運用開始時から前記警告閾値到達への予測時刻までの経過時間にて除して得る、時間当たりの損害リスクを各時間帯において算出することを特徴とした循環型・低炭素型生産システム。
- 前記請求項8の運用最適化ステップの状態価値関数の算出において、前記請求項1記載の処置候補群選定ステップによって決定した処置候補群及び処置対象の設備もしくは部品の中に、別途当該製造企業体Aが設定したライフサイクルオプションにより指定されたリユースもしくはリサイクル等のEnd of Life(以降、EoLと略す)もしくは環境負荷を考慮するLife Cycle Assessment(以降、LCAと略す)などLCMの対象となる処置対象の設備もしくは部品が含まれている場合には、当該処置対象の設備もしくは部品に対する環境面状態価値関数を含むことを特徴とした循環型・低炭素型生産システム。
- 前記請求項8の運用最適化ステップの状態価値関数は、前記請求項12に記載の環境面状態価値関数と、通常劣化に対する、もしくは特異的劣化に対する物理的・機能的・経済的状態価値関数と、からなる統合価値関数とすることを特徴とした循環型・低炭素型生産システム。
- 前記請求項1に記載の情報連携ステップにおいて、前記の運用最適化ステップにて決定した処置方案に基づき当該製造企業体Aおよびメンテナンス企業Mが実施した処置・保全の方案詳細と、当該処置の実施結果とを合わせた事後情報を、前記ネットワークを介して、当該通常劣化もしくは特異的劣化に関連する設備メーカB1"もしくは部品メーカB2"が受け取る際に、少なくとも運用開始時からの運転時間・負荷等の経過履歴と当該劣化度合いの進展との関係性を示す劣化関係情報1と、上記運転経過の履歴と、通常劣化有もしくは特異的劣化有と判定してからの要因群の変遷とを示す因果関係情報2と、通常劣化もしくは特異的な劣化程度の予測において最適化した処置方案と、各警告閾値に達した時点以降にて実施した処置結果との比較を示す裏付関係情報3と、を示す情報を含み、そして、当該設備メーカB1"もしくは部品メーカB2"が受け取った上記事後情報に基づき、少なくとも各メーカB1"、B2"が、当該商品に関する設計仕様や製造方法等の改善等の再検討を行い、および製造企業体Aが当該プラントの運用における最適条件等を見直して得た再検討結果の情報と、当該再検討結果の情報に基づき当該商品の要求仕様を見直した情報と、をフィードバック情報として前記ネットワークを介して製造関連企業群および販売企業体Uにおいて共有することを特徴とした循環型・低炭素型生産システム。
- 前記請求項1に記載のLCM統括センターにおいて、少なくとも2個のサーバを有し、サーバ1では請求項1に記載の大局的劣化判定ステップと、状態予測ステップと、因果分析ステップと、処置候補選定ステップと、劣化関連メーカ選定ステップと、運用最適化ステップと、により当該プラントにおける物理的、機能的、経済的、環境的寿命に関連した経時的な推移を把握するとともに、特異的な劣化進展に対処しつつ、運用の全体最適化を図り、サーバ2では請求項1に記載の情報連携ステップにて、前記サーバ1における大局的劣化判定からの一連のステップ実行により得た、前記請求項14に記載の事後情報及びフィードバック情報を、当該製造関連企業群や販売企業体U、及び、最終顧客を含めたサプライチェーン全体の連携を行うことを特徴とした循環型・低炭素型生産システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021083911A JP7054487B1 (ja) | 2021-05-18 | 2021-05-18 | 製造業における循環型・低炭素型生産システムの構築方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021083911A JP7054487B1 (ja) | 2021-05-18 | 2021-05-18 | 製造業における循環型・低炭素型生産システムの構築方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7054487B1 true JP7054487B1 (ja) | 2022-04-14 |
JP2022177561A JP2022177561A (ja) | 2022-12-01 |
Family
ID=81260140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021083911A Active JP7054487B1 (ja) | 2021-05-18 | 2021-05-18 | 製造業における循環型・低炭素型生産システムの構築方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7054487B1 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023140281A1 (ja) * | 2022-01-24 | 2023-07-27 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 生産支援装置、方法およびプログラム |
CN116822917A (zh) * | 2023-08-31 | 2023-09-29 | 国网湖北省电力有限公司经济技术研究院 | 一种基于电力碳足迹的输变电设备减排优化方法及系统 |
CN117077979A (zh) * | 2023-10-13 | 2023-11-17 | 江苏甬金金属科技有限公司 | 一种钛带生产管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011227706A (ja) | 2010-04-20 | 2011-11-10 | Hitachi Ltd | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム |
JP2016038856A (ja) | 2014-08-11 | 2016-03-22 | 山本 隆義 | プラント装置の統括診断方法、及び、プラント装置の統括診断装置 |
JP2018005645A (ja) | 2016-07-05 | 2018-01-11 | 山本 隆義 | 対象物の状態変化の原因探索方法 |
JP2020061109A (ja) | 2018-10-04 | 2020-04-16 | 山本 隆義 | 生産ラインにおける品質と設備の統合的監視方法 |
-
2021
- 2021-05-18 JP JP2021083911A patent/JP7054487B1/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011227706A (ja) | 2010-04-20 | 2011-11-10 | Hitachi Ltd | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム |
JP2016038856A (ja) | 2014-08-11 | 2016-03-22 | 山本 隆義 | プラント装置の統括診断方法、及び、プラント装置の統括診断装置 |
JP2018005645A (ja) | 2016-07-05 | 2018-01-11 | 山本 隆義 | 対象物の状態変化の原因探索方法 |
JP2020061109A (ja) | 2018-10-04 | 2020-04-16 | 山本 隆義 | 生産ラインにおける品質と設備の統合的監視方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023140281A1 (ja) * | 2022-01-24 | 2023-07-27 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 生産支援装置、方法およびプログラム |
CN116822917A (zh) * | 2023-08-31 | 2023-09-29 | 国网湖北省电力有限公司经济技术研究院 | 一种基于电力碳足迹的输变电设备减排优化方法及系统 |
CN116822917B (zh) * | 2023-08-31 | 2023-11-21 | 国网湖北省电力有限公司经济技术研究院 | 一种基于电力碳足迹的输变电设备减排优化方法及系统 |
CN117077979A (zh) * | 2023-10-13 | 2023-11-17 | 江苏甬金金属科技有限公司 | 一种钛带生产管理方法及系统 |
CN117077979B (zh) * | 2023-10-13 | 2023-12-26 | 江苏甬金金属科技有限公司 | 一种钛带生产管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
JP2022177561A (ja) | 2022-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7054487B1 (ja) | 製造業における循環型・低炭素型生産システムの構築方法 | |
US7395188B1 (en) | System and method for equipment life estimation | |
Yan | Machinery prognostics and prognosis oriented maintenance management | |
Ben-Daya et al. | Maintenance, modeling and optimization | |
Cline et al. | Predictive maintenance applications for machine learning | |
EP2500787B1 (en) | Transparent models for large scale optimization and control | |
Giantomassi et al. | Hidden Markov model for health estimation and prognosis of turbofan engines | |
US7933754B2 (en) | System and method for damage propagation estimation | |
Pourjavad et al. | Selecting maintenance strategy in mining industry by analytic network process and TOPSIS | |
Chin et al. | Asset maintenance optimisation approaches in the chemical and process industries–A review | |
CN101393619A (zh) | 改善工程系统决策和转让风险的方法和系统 | |
Pitarch et al. | Optimisation of the resource efficiency in an industrial evaporation system | |
Rødseth et al. | Data-driven predictive maintenance for green manufacturing | |
Tajadod et al. | A comparison of multi-criteria decision making approaches for maintenance strategy selection (a case study) | |
Yin et al. | A new health estimation model for CNC machine tool based on infinite irrelevance and belief rule base | |
US11328226B2 (en) | Dispensing chemistry to a process control asset | |
Hong et al. | Maintenance policy selection: a review towards building proper selection model | |
Soares et al. | Framework for maintenance planning | |
Ben Hmida et al. | Inventory management and maintenance in offshore vessel industry | |
Kim et al. | Data-analytics-based factory operation strategies for die-casting quality enhancement | |
Ing et al. | Approach for integrating condition monitoring information and forecasting methods to enhance spare parts supply chain planning | |
Einabadi et al. | Dashboard proposition for health monitoring of production system in the automotive industry | |
Galeazzi et al. | Predicting the performance of an industrial furnace using Gaussian process and linear regression: A comparison | |
Gupta | Economic Design of X-bar control chart using particle swarm optimization | |
Wuest et al. | State-based representation of a product's middle of life |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20210519 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210720 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211221 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220111 |
|
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: 20220301 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220318 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7054487 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |