JP7137019B2 - インテントベースの自動化エンジニアリング方法 - Google Patents

Description

本発明は、生産プロセスを自動化するためのインテントベースの自動化エンジニアリング方法、ならびにそのような方法を実行するように構成されたデバイスに関する。

自動化エンジニアリングは、技術的および規制上の制約に従って生産目標を達成するために特定の生産プロセスを自動的に制御するように自動化システムの特性を設計することに関するものである。現在、これは、ベンダー固有のデバイスパラメーター、フィールドバス固有の設定、ＩＥＣ６１１３１制御ロジックなどのような、ベンダー固有またはテクノロジー固有の自動化デバイスおよびサブシステムのための構成データを記述することによって行われる。これにより、生産プロセスの要件が、配管および計装図、信号表、テキスト要件などのような、さまざまなタイプのプロセス設計ドキュメントから抽出される。これらのプロセス設計ドキュメントは、今度は、プロセスエキスパート、例えば化学技術者のもともとの知識およびインテントに基づいて作成される。これらの要件のエンジニアリングデータへの変換は、デバイス、コントローラーなどの専用エンジニアリングツールを使用して直接なされるか、あるいは事前に規定されたテンプレートの助けを借りて、これらのエンジニアリングデータを生成する事前設定バルクインポートツールを使用してなされる。これら全ての場合において、エンジニアリングプロセスは、特定の自動化ベンダーポートフォリオおよびそのテクノロジーに密接に関連している。

プロセスオペレーションは、製品品質、生産量、エネルギー消費などの操業目標を達成するために自動制御機能を監視および調整することに関するものである。今日、オペレーターは、クリティカルプロセス条件についての警告を出すためのアラームおよびイベントシステムによって補完される数千のインジケーターを備えた数十または数百のオペレーター画面と向かい合う。化学薬品の純度、紙の厚さ、板金の均一性などの製品ＫＰＩを測定して表示することはできるが、これらのＫＰＩから操業上の決定を直接推断することはできない。

今日の自動化エンジニアリングプロセスは、主に、プラントの機器レベル（ポンプ、ミキサー、タンク、反応器、熱交換器など）およびそれらを通る材料の流れをどのように制御するかに焦点を合わせている。この背後には、化学またはプロセスエンジニアに非常に詳細に知られている複雑な化学反応がしばしば存在する。しかしながら、この知識の一部は、顧客の自動化部門およびＥＰＣなどの中間者が情報の障壁として機能するために、化学実験室から自動化エンジニアリング会社へのパスで取得されないか失われる。

これはプラントが最初の起動後に稼働状態となると明らかとなるが、これは、それ自体が困難である可能性があり、生産効率の前でさえ顧客にとって最優先事項であることが多い。運用の初期段階では、オペレーターは実際のプロセスを理解しなければならず、品質およびパフォーマンスの問題が検出され、その根本原因が分析され、オペレーションストラテジーが作り上げられる。特に製品の品質、スループットの量および遅延、エネルギー消費などの観点からプロセスを効率的に実行するために、発生する特定の問題に応じてプロセスおよび生産の最適化ソリューションが追加される。これは、自動化エンジニアリング会社内の最適化のエキスパートと化学／プロセスのエキスパートとの間の反復的な対話で達成される。失われた情報の問題は、稼働中のプラントのアラームおよびイベントシステムを考慮すると見ることもできる。ＫＰＩクリティカルプロセス条件をオペレーターに警告することはプロセスアラームの特定の目的であるが、高品質のアラームシステムの形成は、今日、エンジニアリングプロセスで失われている、まさにこのプロセス知識によってのみ実現可能であり、これは、多くの顧客が最初に支払いたくない追加コストを意味する。この結果、オペレーターは、しばしば不明確な指示アクションを伴う大量のアラーム、いわゆるアラームフラッドに直面する可能性があり、これは、非標準条件下でも適切に対応し、プロセスを効率的に運用する能力を低下させる。

この時点でのみ、プロセスの初期計画段階中にかなりの程度既に存在していたが、交換設計および要件文書には記録されなかったエキスパート知識が獲得される。付加的な遅延に加えて、最適化アルゴリズムは、この目的のためにセンサーが計画、注文、インストールおよび統合されていないため、プロセス内からの必要な情報が利用できないことを検出する場合がある。それらを運用プロセス機器により深く追加することは、多くの場合、経済的に実現可能ではない。さらに、化学エンジニアと自動化エンジニアとの間には、機器中心のＰ＆ＩＤ図あるいは制御ナラティブ以外に共通の言葉は、ほとんど存在しない。

結論として、プロセス最適化はオプションではない。今日、ほとんどの顧客は、当初、生産効率よりも市場投入までの時間を優先しているが、最適化を運用段階へと延期し、問題が発生した場合にケースバイケースでそれを解決することは、ますます実行不可能になる。

設計された自動化ソリューションの移行に関する限り、ＩＥＣ６１１３１またはＩＥＣ６１４９９の標準化された制御ロジックでさえ、適合なしでは、同じベンダーからであっても、異なる世代の自動化システム間で移動することはできない。

したがって、本発明の目的は、生産プロセスの改善された制御を提供することである。この目的は、請求項１に記載の方法および請求項１５に記載のデバイスによって達成される。

さらに好ましい実施形態は従属請求項から明らかである。

本発明によれば、生産プロセスを自動化するためのインテントベースの自動化エンジニアリング方法は、
生産プロセス機能、この生産プロセス機能の測定可能なプロパティに対する制約、および／または生産プロセスに必要な生産プロセス機能シーケンスを含む、プロセスインテントに相関するインテントモデルを受け取るステップと、
生産プロセス特性を含むプロセス知識に相関するプロセスモデルを受け取るステップと、
受け取ったインテントモデルを受け取ったプロセスモデルに関連付ける機械可読生産モデルを決定するステップと、
提供された生産モデルに依存して生産プロセスを制御するための制御ストラテジーを決定するステップとを含む。

生産プロセスは、好ましくは、一連の連続的および／または個別の生産ステップを含む。生産プロセスは、好ましくは物理的材料変換に関連する物理的生産プロセス、好ましくはファームウェアテストに関連するデジタル生産プロセス、および／または好ましくは物理的生産プロセスとデジタル生産プロセスとの間の較正プロセスに関連する混合生産プロセスを含む。好ましい実施形態では、連続プロセスステップは、物理的生産プロセスに関係する。好ましくは、個別のプロセスステップは、物理的生産プロセスおよび／またはデジタル生産プロセスに関係する。

プロセスインテントは、好ましくは、生産プロセスで達成するべき所望の状態、生産プロセスで回避するべき望ましくない状態、達成するべき生産プロセスインプットのプロパティおよび／または達成するべき生産プロセスインプットのプロパティに関連する。

「制約」という用語は、生産プロセスおよび／または生産製品の測定可能なプロパティに関する定量化された目的に関する。例えば、制約は、変換される材料が失われることなく許容される最高温度を規定する。

好ましくは、生産プロセス機能は、プロセスインプットおよび／またはプロセスアウトプットを含む。

生産プロセスの特性は、好ましくは、自然法則の表現に関連する物理的特性、および／または設計されたソフトウェアロジックに関連するデジタル特性を含む。例えば、物理的特性は、特定の温度から１℃低くなるごとに材料の純度が２％低下することを規定する。例えば、デジタル特性は、規定された輝度レベルで発光するために、どのようにＬＥＤを制御しなければならないかを規定する。

制御ストラテジーはまた、生産プロセスのための最適化ストラテジーを含む。

好ましくは、プロセスモデルは、生産プロセスの知識を生産プロセス機能に関連付け、さらに好ましくは、生産プロセス機能に関連する生産プロセスのインテント、あるいは言い換えれば目標を評価することによって関連付ける。

好ましくは、プロセスインテントおよび／またはプロセス知識は、自動化エンジニアリングデータに関連する。

好ましくは、インテントモデルは、インテント言語を使用して記録される自動化エンジニアリングデータを含む。インテント言語は、理想的には生産プロセスまたは製品に関する原因または悪影響、つまり「何（what）」、「なぜ（why）」および／または「あるいはその他（or else）」がカバーされることに関するステートメントと共に、生産プロセスの一つ以上のコンポーネントの特性に関する定量化可能な期待値を定式化する。

プロセス／製品に焦点を当てた例では、プロセスインテントは、タンクＸ内の温度が１分よりも長い時間にわたって７０℃を決して超えてはならない「何」ステートメント、および、さもなければ製品が失われる「あるいはその他」ステートメントに関連する。

さらに、プロセス設計者のプロセス知識はプロセスモデルによって獲得される。

一例では、プロセス知識は、タンクＸ内の４０℃未満の１℃ごとに（これは「何」ステートメントである）、製品純度が２％減少するというステートメントに関連している（これは「あるいはその他」ステートメントである）。なぜなら、内因性化学反応はそれほど簡単には起こらないからであり、これは「なぜ」ステートメントである。

別の例では、プロセス知識は、タンクＸ内のｐＨ値が５を下回る場合（これは「何」ステートメントである）、次のプロセスステップにフォーミングが存在することになるステートメントに関連している（これは「あるいはその他」ステートメントである）。

原則として、上記方法が実行される自動化システムの構成要素についても同じアプローチをとることができる。

一例では、プロセス知識は、「何」ステートメントであるタイプＸのデバイスについて、５０℃を超える１℃のハウジング温度ごとに寿命が１ヶ月減少するステートメントに関連しており、これは「あるいはその他」ステートメントである。

別の例では、プロセス知識は、タンクＸが信頼性の高い緊急流出バルブを持たなければならないステートメントに関連しており（これは「何」ステートメントである）、高信頼性機能は、制御レベルで物理的に独立したインフラストラクチャを使用する必要がある（これは「なぜ」ステートメントである）。このことから、必要なバルブは専用のケーブルで接続する必要があると結論付けることができ、インテントシステムは、そのような場合に冗長コントローラーも使用すべきであるかどうかを指定することを検討する必要があることを示唆できる。

生産プロセス、特に連続生産プロセスにおける典型的なステップは、加熱、冷却、混合、圧送、安静などを含む。これらのステップは、センサー、例えば温度送信機、およびアクター、例えばポンプによって推進される。温度、圧力、流量、レベル、濃度などの対応する測定可能または構成可能な量を参照できる。製品の品質を自動化設計にさかのぼるための製品固有の品質指標についても同じことが言える。

好ましくは、制御ストラテジーは、少なくとも一つの提供されたキーパフォーマンス指標値に依存して決定される。

好ましくは、生産プロセスの不十分な製品品質の潜在的な根本原因は、生産モデルから収集することができる。これは、根本原因分析をサポートし、必要な目標に近い生産プロセスを運用することを可能にする。

例えば、より低い製品純度が顧客の注文を満たすのに十分である場合、生産プロセスの部品を加熱するためのエネルギーを節約することができる。

好ましくは、設計およびエンジニアリングデータが生成される。これにより、ＩＥＣ６１１３１などの一つ以上の制御言語が選択され、そして選択された制御およびオペレーションストラテジーが制御テクノロジーにマッピングされる。

好ましくは、ダウンロードアーティファクトが、特定の分散制御システム、例えばＡＣ８００Ｍを備えたシステム８００ｘＡ用に自動作成される。これにより、コードは展開のために分割され、コンパイルされ、ダウンロードされる。

好ましくは、プロセスは、所与のＫＰＩ値からトップダウンで運用される。したがって、生産プロセスの制御を改善することができる。

本発明の好ましい実施形態では、上記方法は、プロセス知識を抽象化することによってプロセスモデルを決定するステップを含む。

本明細書で使用される「抽象化」という用語は、プロセス知識、言い換えればプロセス特性に関する個々の、特に機械可読なエキスパートのステートメントを統合プロセスモデルに変換し、これによって好ましくはエネルギーおよび材料収支を計算することを含む。

プロセス知識の抽象化は自動化することができ、あるいはユーザーが手動で実行することができる。

したがって、プロセスモデルの決定を改善することができる。

好ましくは、プロセス知識は高度の複雑さを有し、高度の複雑さよりも複雑でない中程度の複雑さに抽象化される。

プロセス知識の高度な複雑さは、好ましくは、第一原理モデル、例えば、質量収支およびエネルギー方程式および／または問題固有のステートメントに関連する。

プロセス知識の複雑さが増すほど、生産プロセスの制御ストラテジーをより適切に決定することができる。しかしながら、プロセス知識が非常に複雑であると、特に計算能力の観点から、生産プロセスのリソースコストが高くなる。したがって、制御ストラテジーの品質を制限しながら、リソースを節約するために、高度に複雑なプロセスの知識が中程度の複雑さに抽象化される。しかしながら、一般に、リソースコストの節約は制御ストラテジーの制限を超える。

好ましくは、各ステップの挙動に関するプロセス知識は、低複雑プロセス知識と呼ばれる生産器機の基本機能を超えて、かつ、高度に複雑なプロセス知識と呼ばれる複雑で費用がかかる問題固有の第一原理モデルの下で必要とされる。したがって、例えば反応の定量的依存性あるいはプロセスの接続性がプロセスの安定性に与える影響をカバーする中間グラウンドは、中程度の複雑さのプロセス知識に関連して決定される。

したがって、モデルを手動で再開発ことを必要とせずに、いつでもプロセス知識を追加して、より良いモデルを生成することができる。

したがって、プロセス知識のより効率的な説明を見つけることができる。

したがって、生産プロセスの制御を改善することができる。

本発明の好ましい実施形態では、上記方法は、インテントモデルに依存してプロセスモデルを拡張することによって、機械可読の生産モデルを決定するステップを含む。

したがって、既存のプロセスモデルは、説明された方法に基づいて拡張することができる。

したがって、生産プロセスの制御を改善することができる。

本発明の好ましい実施形態では、生産モデルは、定常状態を維持および監視するためのデータ、特定の状態を維持および監視するためのデータ、生産プロセスの制御の安定性を最大化するためのデータおよび／または生産プロセスの動的な側面を理解するためのデータを含む。

好ましくは、生産プロセスの動的な側面は、生産プロセスの非定常状態に関係する。

本発明の好ましい実施形態では、プロセス知識は、プロセスエキスパートによって提供されるか、または既存の仕様書から、好ましくは既存のプロセス設計文書から、さらに好ましくはパターン認識アルゴリズム、自然言語処理および／またはＡＩベース分類を使用して抽出される。

抽出は、好ましくは、自然言語処理からの機械学習および／または知識抽出技術に基づく。制御ナラティブが解析され、解析されたテキストから対象のエンティティが認識される。インプットがテキスト形式でない場合、テキストは解析および光学記号／文字認識によって制御図から抽出される。

したがって、プロセスモデルのプロセス知識を自動的に決定することができる。

したがって、生産プロセスの制御を改善することができる。

本発明の好ましい実施形態では、生産モデルは、ステートメントの自動完了、典型的なプロセスインテントの自動提案、プロセス固有のプロセスインテントの自動提案、精製のための自動提案、および／または不純物非除去状態を解決するためのプロセスインテントおよび／またはコンシステンシーチェックの追加に依存して決定される。

したがって、生産プロセスの制御を改善できる。

本発明の好ましい実施形態では、インテントモデル、プロセスモデル、および／または生産モデルは、所定の用語の辞書を使用する。

好ましくは、所定の用語は、温度、寿命、製品、高／低信頼性などのような意味のある用語であり、これらは、好ましくは、プレースホルダーとして使用される。自動化デバイスのためのダウンロードアーティファクトの生成中に、これらの用語をデータ要素の特定の名前またはアドレスで置き換えることができる。

したがって、生産プロセスの制御を改善することができる。

本発明の好ましい実施形態では、上記方法は、既存の制御ストラテジーを拡張することによって制御ストラテジーを決定するステップを含む。

既存の制御ストラテジーは、好ましくは、説明された方法に従ってインテントベースのエンジニアリングによって決定されなかった制御ストラテジーである。

したがって、既存の制御ストラテジーを改善することができる。

本発明の好ましい実施形態では、プロセスモデルは、反応における定量的依存性および／またはプロセスの安定性に対するプロセス接続性の影響を含み、好ましくは、材料の流れのループおよび他のプロセスとの材料の共有を含む。

本発明の好ましい実施形態では、上記方法は、好ましくは仮想テストによって、生産モデルを実証および／または検証するステップを含む。

好ましくは、機械学習は、実証および／または検証プロセスのために使用される。

好ましくは、実証および／または検証は、生産プロセスの設計時に既に実行されている。

実証は、好ましくは、仕様が意図された特性の製品をカバーしているかどうかの高レベルのチェックを含み、特に所与のインテントおよび目的の安全性を実証する。これは、比較のために専用の安全性および製品固有の品質インテントを維持し、特に安全性関連モデルへのアクセスを制限することによって達成される。したがって、プロセス設計者はそれらを変更したり、自動的に再構成したりすることはできない。

検証は、好ましくは、設計が仕様に準拠しているかどうかの詳細レベルのチェックを含む。

仮想テストは、好ましくは、シミュレーションモデルを実行し、それらの動作を仕様と比較することを含む。十分なカバレッジを達成するには、モデル、初期条件および／または破壊的なイベントを使用して、代表的なシナリオを実行する必要がある。

したがって、生産プロセスの制御を改善することができる。

本発明の好ましい実施形態では、上記方法は、生産プロセスの操作が生産モデルに違反する場合にアラームを生成するステップを含み、アラームは、違反したプロセスインテントおよび／または違反したプロセス知識を示すことで違反の根本原因の指標として機能し、好ましくはアラームに対する推奨される対応アクションを決定する。

好ましくは、アラームの階層は、生産プロセス中にアラームメッセージを非表示にしかつ／または軽視することができるように、共通の根本原因に従ってアラームの定義付けを集約することによって決定される。

したがって、生産プロセスの制御を改善することができる。

本発明の好ましい実施形態では、上記方法は、アラームを生成するためのコンフィギュレーションを自動的に生成するステップを含み、アラームは、プロセスモデルに依存して測定またはシミュレートされたアラームトリガーを追跡することによって決定される根本原因および／または推奨された応答アクションを、好ましくは、プロセスモデルの基本的な特性、および／または、同じ根本原因で発生したアラームを相互に関連付けかつ重要度または生産ＫＰＩへの影響に応じてアラームに優先順位を付けることによって決定されるアラーム非表示ストラテジーを含む。

好ましくは、アラームは、生産プロセスを考慮してアラームおよび／またはイベントを信号で伝えるための自動アラームシステムに関連するアラームシステムによって生成される。

本発明の好ましい実施形態では、上記方法は、受け取ったキーパフォーマンス指標値に基づいてオペレーション設定値を決定するように構成された、プロセスモデルおよび／または生産モデルに依存して逆プロセスモデルおよび／または逆生産モデルを決定するステップを含む。

プロセスモデルおよび／または生産モデルは、生産プロセスのシミュレーションがキーパフォーマンス指標値を決定することを可能にするが、逆プロセスモデルおよび／または逆生産モデルは、キーパフォーマンス指標値を受け取り、オペレーション設定値を決定することを可能にする。

オペレーション設定値は、重要な変数に関する望ましい値または目標値、またはシステムのプロセス値である。例は、反応器内の所望の温度または反応器への投入材料の所望の流れである。プロセス制御のタスクは、これらの設定値を満たすように生産プロセスを調整することである。本質的に、プロセス制御は、設定値の背後にあるインテント、言い換えれば理由／合理性についての知識を持っていない。このインテントは、生産目標／ＫＰＩ、つまり運用で必要なもの、およびプロセスの知識、つまりプロセスの観点から可能なことから生じる。例えば、「最大の生産性」でプラントを稼働させるには、プロセスの特性を知って、材料投入フローの設定値を、十分な品質の製品を依然としてもたらす値に制限する必要がある。

好ましくは、上記方法は、制御ストラテジーを実行するように構成されるコンピュータープログラムを生成するステップを含む。

好ましくは、コンピュータープログラムの生成は、プログラムコードの生成、事前規定されたライブラリコードブロックの選択、プロセスモジュールまたは機械デフィニションの選択、制御ストラテジーの適切な部分の組み込みおよび／または生成および選択されたコードの統合を含む。

本発明の好ましい実施形態では、上記方法は、決定された制御ストラテジーに基づいて生産プロセスを運用するステップを含む。

本発明の一態様によれば、本明細書に記載されるように、方法を実行するように構成されたデバイスが提供される。

好ましくは、本明細書に記載されるように、プログラムがコンピューターによって実行されるとき、コンピューターに上記方法を実行させる命令を含むコンピュータープログラムが提供される。

好ましくは、本明細書に記載されるように、コンピュータープログラム上で、そこに格納されたコンピューター可読データキャリアが提供される。

本発明の主題は、添付図面に示されている好ましい例示的な実施形態を参照して、以下でより詳細に説明される。

生産プロセスの自動化のためのインテントベースの自動化エンジニアリング方法を実行するための自動化システムを示す概略図である。 生産プロセスの自動化のためのインテントベースの自動化エンジニアリング方法を示す概略図である。 発酵プロセスの例を示す概略図である。

図面で使用される参照符号、およびそれらの意味は、参照符号のリストに要約形式で列挙されている。原則として、図中では、同一の部品には同じ参照符号が付いている。

図１は、デバイス１０と、機械学習ユニット２０と、シミュレーションユニット３０と、生産プロセスモジュール４０とを含むシステムを示している。

デバイス１０は、モデルユニット１１および制御ユニット１２を備えている。デバイス１０は、インテントモデルＩおよびプロセスモデルＰを備えている。インテントモデルＩは、生産プロセス機能、生産プロセス機能の測定可能なプロパティに関する制約、および／または生産プロセスのために必要な生産プロセス機能シーケンスを含むプロセスインテントと相互に関連する。プロセスモデルＰは、生産プロセスの特性を含むプロセス知識と相互に関連する。モデルユニット１１は、インテントモデルＩをプロセスモデルＰに関連付ける生産モデルＭを決定する。

したがって、プロセスインテントは生産モデルＭに統合されるので、いわゆるインテントベースのエンジニアリングにより、設計者およびオペレーターが、プロセスが「何」を行うべきかに、言い換えれば、これが「どのように」達成されるべきであるかではなく目的に、言い換えれば実装に焦点を合わせることが可能となる。自動化テクノロジーの複雑さを隠すことにより、インテントベースの自動化は、非自動化エキスパートが運用の観点から自身のプロセスを効率的に自動化および最適化することを可能にする。さらに、形式化された目標を自動実証の対象とすることができ、それらは自動化されたカバレッジを改善するのに役立つ。

生産モデルＭは、生産プロセスモジュール４０を制御するための制御ストラテジーＳを決定する制御ユニット１２に提供される。生産プロセスモジュール４０自体は、投入材料４１が供給されかつ投入材料４１を排出材料４２へと処理する物理モジュールである。処理中に、温度などのいくつかの測定データ４３を、生産プロセスモジュール４０から取得することができる。

測定データ４３は機械学習ユニット２０に提供され、この機械学習ユニット２０は、現在の生産モデルＭを検証しかつ／または実証し、これにより、オンライン実証データＶonを生成する。これらのオンライン実証データＶonはモデルユニット１１に戻され、このモデルユニット１１は、続いて、オンライン実証データＶonに基づいて、現在の生産モデルＭを調整する。したがって、生産モデルＭは繰り返し改善することができる。

さらに、生産モデルＭはシミュレーションユニット３０に提供される。シミュレーションユニットは、生産プロセスモジュール４０のデジタルツインを含み、現在の生産モデルＭを検証および／または実証し、これによりオフライン実証データＶoffを生成する。オフライン実証データＶoffもまたモデルユニット１１に戻され、このモデルユニット１１は、オフライン実証データＶoffに基づいて、現在の生産モデルＭを調整する。したがって、生産モデルＭは繰り返し改善することができる。

図２は、生産プロセスの自動化のためのインテントベースの自動化エンジニアリング方法の概略図を示す。ステップＳ１０においては、生産プロセス機能、生産プロセス機能の測定可能な特性に対する制約、および／または生産プロセスのために必要な生産プロセス機能シーケンスを含む、プロセスインテントに相関するインテントモデルを受け取る。

ステップＳ２０においては、生産プロセスの特性を含むプロセス知識に相関するプロセスモデルを受け取る。

ステップＳ３０においては、受け取ったインテントモデルを受け取ったプロセスモデルに関連付ける機械可読生産モデルが決定される。

ステップＳ４０においては、提供される生産モデルに依存して生産プロセスを制御するための制御ストラテジーが決定される。

好ましくは、機能モジュールおよび／または構成メカニズムは、それぞれ、プログラムされたソフトウェアモジュールまたは手順として実装される。しかしながら、当業者は、機能モジュールおよび／または構成メカニズムが完全にまたは部分的にハードウェアに実装され得ることを理解するであろう。

図３は、発酵プロセスの例を示している。例示的な例では、生産プロセスモジュール４０は発酵タンクである。

生産プロセスモジュール４０は、特定の温度を維持し、発酵プロセスを過熱から保護することができると想定される。これは、温度が低すぎる場合には加熱回路を開く、あるいはそれが高すぎる場合には緊急バルブを開くなどの原因と影響を記述することによって実現される。そうした基本的な機器の制御および保護をカプセル化することは、生産プロセスモジュール４０のコア機能である。

推定される発酵プロセスについて、理想的な温度は５０℃であり、これは２日間維持されるべきである（第２の設定値Ｓ２参照）。このプロセスステップを２日間維持し、５０℃を維持するようにタンクモジュールの混合および加熱サービスをパラメーター化するために、対応する生産シーケンスを生成することができる（設定値Ｓ１参照）。

発酵製品の許容可能な品質を達成するために、プロセスは、決して、７０℃を超えても、４０℃を下回ってもならない。最初のケースでは、使用される酵母菌は死滅し、バッチは廃棄する必要がある。第二のケースでは、菌は不活性になり、発酵も停止する。しかしながら、過熱とは異なり、反応が２時間以上停止しなければ（この場合、製品が劣化し始める）、温度を再度上げることでプロセスを続行できる。モジュールは、これらの制限に従ってプロセスを保護するように構成され、指定されたデフォルトを上書きする。

許容温度範囲内で、発酵速度もまた特定の温度によって変化している。＋１℃ごとに、１時間の生産時間を得ることができる。この知識があれば、製品の品質を損なうことなく生産量を増やすことができる。これは設定値曲線ＳＣによって示される。

最後に、プロセストポロジーからの関連情報が獲得される。発酵タンクには、第２のモジュールである熱交換器によって提供される外部熱源が必要である。しかしながら、実際のインテントは、熱交換器が直接測定できる熱交換器内の特定の温度を達成することではなく、その温度を認識しているが熱交換プロセスで直接制御されない発酵タンク内の特定の温度を達成することである。これにより温度制御が不安定になる。これは不安定セクターInstで示される。結果として、発酵時間が温度と共に減少する速度を知ることは、生産量を最大化するのに十分ではない。なぜなら、良好な操業領域の端では、制御の不安定性により、温度が最高許容レベルを超えて上昇し、バッチが失われるからである。プロセスをその境界の近くで運用できるようにするには、例えば、熱交換器にタンクからの温度測定値を直接使用させることにより、温度制御を安定させる必要があるが、まず第一に、プロセスの接続性が制御の安定性に与える影響を明示的に捕捉する必要がある。

従来のまたはモジュール式の工学的アプローチは、５０℃の設定値および対応するアラーム限界、特にアラーム上限Ａｈおよびアラーム下限Ａｌのみを述べていたであろう。プロセス設計者が一つ以上のモジュールのトップにおいて簡単に捕捉できるプロセスモデルＰの形式の付加的なプロセス知識を組み合わせることにより、生産ＫＰＩなどのインテントモデルＩの形式のプロセスインテントに関連する生産モデルＭを構築できる。

そのような最適化がなければ、プロセスの運用範囲は、一連の試行錯誤によって決定されなければならない。これは、通常、最初のプラント始動後の初期の生産段階の間に、オペレーターとプロセスエキスパートとが協力して行うものである。なぜなら、プロセス特性に関するコード化された情報が提供されていないからである。

生産モデルＭに基づいて、自動化システムは、ボックスから、安定した制御がなくても製品品質のリスクなしに生産時間を３０％短縮できることを知っている（不安定性のために設定値曲線ＳＣ上にない第３の設定値Ｓ３参照）。温度制御の安定性も最適化することで、生産時間を５０％まで安全に短縮することさえできる（第４の設定値Ｓ４参照）。第二に、運用ストラテジーＳは、同じ会社のプロセスエキスパートによって提供されたプロセス知識へと、自動化された決定をさかのぼることによって動機付けられてもよい。

１０ デバイス
１１ モデルユニット
１２ 制御ユニット
２０ 機械学習ユニット
３０ シミュレーションユニット
４０ 生産プロセスモジュール
４１ 投入材料
４２ 排出材料
４３ 測定データ
Ｖon オンライン実証データ
Ｖoff オフライン実証データ
Ｉ インテントモデル
Ｐ プロセスモデル
Ｍ 生産モデル
Ｓ 制御ストラテジー
Ａｈ アラーム上限
Ａｌ アラーム下限
Ｓ１ 第１の設定値
Ｓ２ 第２の設定値
Ｓ３ 第３の設定値
Ｓ４ 第４の設定値
ＳＣ 設定値曲線
Inst 不安定性セクター
Ｓ１０ インテントモデルを受け取る
Ｓ２０ プロセスモデルを受け取る
Ｓ３０ 生産モデルを決定する
Ｓ４０ 制御ストラテジーを決定する

Claims (11)

1. 生産プロセスの自動化のためのインテントベースの自動化エンジニアリング方法であって、
   生産プロセス機能、前記生産プロセス機能の測定可能なプロパティに対する制約、および／または前記生産プロセスに必要な生産プロセス機能シーケンスを含む、プロセスインテントに相関するインテントモデル（Ｉ）を受け取るステップ（Ｓ１０）であって、前記プロセスインテントは、前記生産プロセスで達成するべき所望の状態、前記生産プロセスで回避するべき望ましくない状態、達成するべき生産プロセスインプットのプロパティおよび／または達成するべき生産プロセスインプットのプロパティに関連し、前記インテントモデル（Ｉ）は自動化エンジニアリングデータを含み、前記自動化エンジニアリングデータはインテント言語を使用して記録され、前記インテント言語は、前記生産プロセスの一つ以上のコンポーネントの特性に関する定量化可能な期待値を定式化する、ステップ（Ｓ１０）と、
   生産プロセスの特性を含むプロセス知識に相関するプロセスモデル（Ｐ）を受け取るステップ（Ｓ２０）であって、前記生産プロセスの特性は、自然法則の表現に関連する物理的特性および／または設計されたソフトウェアロジックに関連するデジタル特性を含み、前記プロセスモデルは前記プロセス知識を抽象化することによって決定され、前記抽象化は、プロセス知識に関する個々の機械可読なエキスパートのステートメントを前記プロセスモデルに変換することを含み、前記プロセス知識は、パターン認識アルゴリズム、自然言語処理および／またはＡＩベース分類を使用して、既存の仕様書から抽出される、ステップ（Ｓ２０）と、
   受け取ったインテントモデル（Ｉ）を受け取ったプロセスモデル（Ｐ）に関連付ける機械可読生産モデル（Ｍ）を決定するステップ（Ｓ３０）であって、前記生産モデル（Ｍ）は、前記生産プロセスの定常状態を維持および監視するためのデータ、前記生産プロセスの特定の状態を維持および監視するためのデータ、前記生産プロセスの制御の安定性を最大化するためのデータ、および／または前記生産プロセスの動的な側面を理解するためのデータを含む、ステップ（Ｓ３０）と、
   提供される生産モデル（Ｍ）に依存して前記生産プロセスを制御するための制御ストラテジー（Ｓ）を決定するステップ（Ｓ４０）であって、前記制御ストラテジー（Ｓ）は前記生産プロセスのための最適化ストラテジーを含む、ステップ（Ｓ４０）と、
   決定された制御ストラテジー（Ｓ）に基づいて前記生産プロセスを運用するステップであって、前記生産プロセスは、物理的材料変換に関連する物理的生産プロセス、ファームウェアテストに関連するデジタル生産プロセス、および／または前記物理的生産プロセスと前記デジタル生産プロセスとの間の較正プロセスに関連する混合生産プロセスを含む、ステップと
   を含む、方法。
2. 前記インテントモデル（Ｉ）に依存して前記プロセスモデル（Ｐ）を拡張することにより、前記機械可読生産モデル（Ｍ）を決定するステップを含む、請求項１に記載の方法。
3. 前記生産モデル（Ｍ）は、ステートメントの自動完了、一般的なプロセスインテントのための自動提案、プロセス固有のプロセスインテントのための自動提案、精製のための自動提案、および／または不純物非除去状態を解決するためのプロセスインテントおよび／またはコンシステンシーチェックの追加に依存して決定される、請求項１または請求項２に記載の方法。
4. 前記インテントモデル（Ｉ）、前記プロセスモデル（Ｐ）および／または前記生産モデル（Ｍ）は、所定の用語の辞書を使用する、請求項１ないし請求項３のいずれか１項に記載の方法。
5. 既存の制御ストラテジーを拡張することにより前記制御ストラテジー（Ｓ）を決定するステップを含む、請求項１ないし請求項４のいずれか１項に記載の方法。
6. 前記プロセスモデル（Ｐ）は、反応における定量的依存性および／またはプロセスの安定性に対するプロセスの接続性の影響を含み、好ましくは、材料の流れのループおよび他のプロセスとの材料の共有を含む、請求項１ないし請求項５のいずれか１項に記載の方法。
7. 好ましくは仮想テストによって、前記生産モデル（Ｍ）を実証および／または検証するステップを含む、請求項１ないし請求項６のいずれか１項に記載の方法。
8. 前記生産プロセスの運用が前記生産モデル（Ｍ）に違反する場合にアラームを生成するステップであって、前記アラームは、違反プロセスインテントおよび／または違反の根本原因の指標として機能する違反プロセス知識を示すステップと、
   好ましくは、前記アラームに対する推奨される応答アクションを決定するステップと
   を含む、請求項１ないし請求項７のいずれか１項に記載の方法。
9. 前記アラームを生成するためのコンフィギュレーションを自動的に生成するステップを含み、
   前記アラームは、前記プロセスモデルに依存して測定またはシミュレートされたアラームトリガーを追跡することによって決定される根本原因および／または推奨される応答アクション、および／または同じ根本原因で発生したアラームを相互に関連付けかつ重要度または生産ＫＰＩへの影響に応じてアラームに優先順位を付けることによって決定されるアラーム非表示ストラテジーを含む、請求項８に記載の方法。
10. オペレーション設定値を決定するように構成された、前記プロセスモデルおよび／または前記生産モデルに依存して逆プロセスモデルおよび／または逆生産モデルを決定するステップを含む、請求項１ないし請求項９のいずれか１項に記載の方法。
11. 請求項１ないし請求項１０のいずれか１項に記載の方法を実行するように構成されたデバイス。

Images