JP7392895B1 - 運転支援装置、運転支援方法及びプログラム - Google Patents
運転支援装置、運転支援方法及びプログラム Download PDFInfo
- Publication number
- JP7392895B1 JP7392895B1 JP2023106030A JP2023106030A JP7392895B1 JP 7392895 B1 JP7392895 B1 JP 7392895B1 JP 2023106030 A JP2023106030 A JP 2023106030A JP 2023106030 A JP2023106030 A JP 2023106030A JP 7392895 B1 JP7392895 B1 JP 7392895B1
- Authority
- JP
- Japan
- Prior art keywords
- data
- normal
- abnormality
- controlled object
- distance
- 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
- 238000000034 method Methods 0.000 title claims description 37
- 230000005856 abnormality Effects 0.000 claims abstract description 82
- 238000005457 optimization Methods 0.000 claims abstract description 42
- 238000003745 diagnosis Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000009472 formulation Methods 0.000 claims abstract description 19
- 239000000203 mixture Substances 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims description 24
- 238000010586 diagram Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000007796 conventional method Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000001364 causal effect Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000004056 waste incineration Methods 0.000 description 1
Images
Abstract
Description
プラントの運転データをxとする。プラントの運転データは一般に多変量データであるため、プロセスの状態を表す変数(これは状態変数等とも呼ばれる。)の総数Dとして、x=(x1,・・・,xD)と表す。また、異常診断対象の運転データ(以下、「診断対象データ」ともいう。)をx(p)と表す。なお、プロセスの状態としては、例えば、温度、圧力、流量、ガス濃度等が挙げられ、これらはプラントに設置等された各種センサによって計測される。状態変数x1,・・・,xDの中にはオペレータ等が操作可能な変数だけでなく、操作できない変数も存在し得る(例えば、ごみ焼却プラントを考えた場合、ごみの投入量や空気流量は操作可能であるが、CO濃度等は操作することができない。)。
非特許文献1や参考文献1等に記載されている従来手法では、離散的な値(離散値)が設定される各操作変数ad(d=1,・・・,D)に関してその操作変数adに設定し得る値(つまり、状態変数xdの変更の大きさを表す変更量)の集合が与えられる。以下、操作変数adに設定し得る変更量の総数をId、i番目の変更量をΔad,iとする。なお、各変更量Δad,iとしては、例えば、{(Δa1,i,・・・,ΔaD,i)|i=1,・・・,Id}がD次元空間内における所定の間隔の格子点の集合となるようなものを与えること等が考えられる。ただし、例えば、或る操作変数adが操作できない場合、その操作変数adの変更量はすべてのi=1,・・・,Idに対してΔad,i=0であるものとする。
ここで、d(・)は距離関数(例えば、ユークリッド距離やマハラノビス距離等)、Xは過去の正常データの集合、つまりX={x(n)|H(x(n))=+1,n=1,・・・,N:=|X|}である。また、qk(x(p)+a|X)はXが与えられたときのx(p)+aの外れ値度であり、λは重みパラメータ(ハイパーパラメータ)である。
本提案手法では式(2)~(3)をより短時間で定式化できる制約条件に修正する。
本実施形態に係るプラント制御システム1の全体構成例を図2に示す。図2に示すように、本実施形態に係るプラント制御システム1には、運転支援装置10と、制御装置20と、プラント30とが含まれる。ここで、運転支援装置10と制御装置20は任意の通信ネットワークを介して通信可能に接続されており、同様に制御装置20とプラント30は任意の通信ネットワークを介して通信可能に接続されている。
本実施形態に係る運転支援装置10のハードウェア構成例を図3に示す。図3に示すように、本実施形態に係る運転支援装置10は、入力装置101と、表示装置102と、外部I/F103と、通信I/F104と、RAM(Random Access Memory)105と、ROM(Read Only Memory)106と、補助記憶装置107と、プロセッサ108とを有する。これらの各ハードウェアは、それぞれがバス109を介して通信可能に接続される。
本実施形態に係る運転支援装置10の機能構成例を図4に示す。図4に示すように、本実施形態に係る運転支援装置10は、入力部201と、異常診断部202と、定式化部203と、操作量計算部204と、出力部205とを有する。これら各部は、例えば、運転支援装置10にインストールされた1以上のプログラムが、プロセッサ108等に実行させる処理により実現される。また、本実施形態に係る運転支援装置10は、データベース206を有する。データベース206は、例えば、補助記憶装置107等により実現される。なお、データベース206は、例えば、運転支援装置10と通信ネットワークを介して通信可能に接続される記憶装置等により実現されてもよい。
以下、本実施形態に係る運転支援処理について、図5を参照しながら説明する。なお、図5のステップS101~ステップS106は所定の時間毎(例えば、プラント30の制御周期毎)に繰り返し実行される。
ここで、従来手法と提案手法の計算時間について、図6を参照しながら説明する。図6は、正常データ数Nを横軸、最適化問題を解くのに要した計算時間〔s〕を縦軸として、従来手法と提案手法のそれぞれで正常データ数Nと計算時間との関係をプロットしたグラフである。
以上のように、本実施形態に係る運転支援装置10は、プラント30に異常等が発生した場合に、そのプラント30を異常から正常に戻すための最適な操作量aを計算することができる。しかも、このとき、本実施形態に係る運転支援装置10は、最適な操作量aを求めるための最適化問題を従来手法によりも短時間で定式化することができる。このため、本実施形態に係る運転支援装置10によれば、最適な操作量aをオペレータに短時間で提示することが可能となり、迅速な異常回避又は異常復旧を実現することが可能となる。
上記の実施形態では、プラント30に異常等が発生したと診断された場合に当該プラント30を異常から正常に戻すための最適な操作量aを計算したが、これに加えて、その操作量aに含まれる各要素ad(d=1,・・・,D)の操作順も計算してもよい。ここで、操作順とは、操作量a=(a1,・・・,aD)の非零要素の順番のことである。これは、例えば、a=(a1,a2)を考えた場合、a1→a2の順に操作した場合とa2→a1の順に操作した場合とでプラント30の状態が異なり得るためである。これにより、最適な操作順でプラント30の状態を異常から正常に戻ることが可能となる。なお、操作量a=(a1,・・・,aD)の零要素は操作不要又は操作できない状態変数を表すものとする。
参考文献1:Kentaro Kanamori, Takuya Takagi, Ken Kobayashi, Yuichi Ike, Kento Uemura, Hiroki Arimura, "Ordered Counterfactual Explanation by Mixed-Integer Linear Optimization",35th AAAI Conference on Artificial Intelligence (AAAI 2021)
10 運転支援装置
20 制御装置
30 プラント
101 入力装置
102 表示装置
103 外部I/F
103a 記録媒体
104 通信I/F
105 RAM
106 ROM
107 補助記憶装置
108 プロセッサ
109 バス
201 入力部
202 異常診断部
203 定式化部
204 操作量計算部
205 出力部
206 データベース
Claims (6)
- 制御対象の運転データと、異常診断モデルとを用いて、前記制御対象に異常又は前記異常の兆候が発生したか否かを診断する異常診断部と、
前記制御対象に異常又は前記異常の兆候が発生したと診断された場合、前記制御対象を正常に戻すための最適な操作を計算するための最適化問題を定式化する定式化部と、
前記最適化問題を解くことにより、前記最適な操作を計算する操作量計算部と、
前記最適な操作を所定の出力先に出力する出力部と、
を有し、
前記定式化部は、
前記制御対象を正常に戻すための操作の大きさと、前記制御対象の正常時における過去の運転データを表す正常データの分布からの外れ度合いとを最小化する最適化問題であって、かつ、前記正常データの数Nに比例する計算時間で定式化可能な制約条件のみを含む最適化問題を定式化し、
前記制約条件には、前記正常データと前記操作後の運転データとの距離が、前記操作後の運転データの最近傍の正常データと前記操作後の運転データとの距離以上となることを表す第1の制約条件が含まれ、
前記第1の制約条件は、
前記操作の操作量をa=(a 1 ,・・・,a D )、π d,i をa d にi番目の変更量を設定するか否かを表すバイナリ変数、v n をn番目の正常データが前記操作後の運転データの最近傍であるか否かを表すバイナリ変数、c d,i n をa d にi番目の変更量を設定したときにおける前記操作後の運転データのd番目の状態変数の値とn番目の正常データのd番目の状態変数の値との距離としたとき、
前記最近傍の正常データと前記操作後の運転データとの距離d min をv n c d,i n π d,i のi=1,・・・,I d (ただし、I d はa d に設定可能な変更量の数)、d=1,・・・,D、及びn=1,・・・,Nに関する和、n番目の正常データと前記操作後の運転データとの距離d n をc d,i n π d,i のi=1,・・・,I d 及びd=1,・・・,Dに関する和として、d min ≦d n (n=1,・・・,N)と表される、運転支援装置。 - 前記制約条件には、
前記操作後の運転データを前記異常診断モデルに入力したときに正常と診断されることを表す第2の制約条件と、
前記バイナリ変数v1,・・・,vNのうち、前記操作後の運転データの最近傍であることを表すバイナリ変数は1つのみであることを表す第3の制約条件と、が更に含まれる、請求項1に記載の運転支援装置。 - 前記定式化部は、
前記第1の制約条件、前記第2の制約条件、及び前記第3の制約条件の下で、d(a)+λqk(x(p)+a|X)(ただし、d(・)は距離関数、x(p)は前記運転データ、qk(x(p)+a|X)は前記正常データの集合Xが与えられたときのx(p)+aの外れ値、λは重みパラメータ)を最小化する操作量aを求める問題を前記最適化問題として定式化する、請求項2に記載の運転支援装置。 - 前記定式化部は、
前記操作量aの各要素adが表す操作の操作順を更に求める問題を前記最適化問題として定式化する、請求項1乃至3の何れか一項に記載の運転支援装置。 - 制御対象の運転データと、異常診断モデルとを用いて、前記制御対象に異常又は前記異常の兆候が発生したか否かを診断する異常診断手順と、
前記制御対象に異常又は前記異常の兆候が発生したと診断された場合、前記制御対象を正常に戻すための最適な操作を計算するための最適化問題を定式化する定式化手順と、
前記最適化問題を解くことにより、前記最適な操作を計算する操作量計算手順と、
前記最適な操作を所定の出力先に出力する出力手順と、
をコンピュータが実行し、
前記定式化手順は、
前記制御対象を正常に戻すための操作の大きさと、前記制御対象の正常時における過去の運転データを表す正常データの分布からの外れ度合いとを最小化する最適化問題であって、かつ、前記正常データの数Nに比例する計算時間で定式化可能な制約条件のみを含む最適化問題を定式化し、
前記制約条件には、前記正常データと前記操作後の運転データとの距離が、前記操作後の運転データの最近傍の正常データと前記操作後の運転データとの距離以上となることを表す第1の制約条件が含まれ、
前記第1の制約条件は、
前記操作の操作量をa=(a 1 ,・・・,a D )、π d,i をa d にi番目の変更量を設定するか否かを表すバイナリ変数、v n をn番目の正常データが前記操作後の運転データの最近傍であるか否かを表すバイナリ変数、c d,i n をa d にi番目の変更量を設定したときにおける前記操作後の運転データのd番目の状態変数の値とn番目の正常データのd番目の状態変数の値との距離としたとき、
前記最近傍の正常データと前記操作後の運転データとの距離d min をv n c d,i n π d,i のi=1,・・・,I d (ただし、I d はa d に設定可能な変更量の数)、d=1,・・・,D、及びn=1,・・・,Nに関する和、n番目の正常データと前記操作後の運転データとの距離d n をc d,i n π d,i のi=1,・・・,I d 及びd=1,・・・,Dに関する和として、d min ≦d n (n=1,・・・,N)と表される、運転支援方法。 - 制御対象の運転データと、異常診断モデルとを用いて、前記制御対象に異常又は前記異常の兆候が発生したか否かを診断する異常診断手順と、
前記制御対象に異常又は前記異常の兆候が発生したと診断された場合、前記制御対象を正常に戻すための最適な操作を計算するための最適化問題を定式化する定式化手順と、
前記最適化問題を解くことにより、前記最適な操作を計算する操作量計算手順と、
前記最適な操作を所定の出力先に出力する出力手順と、
をコンピュータに実行させ、
前記定式化手順は、
前記制御対象を正常に戻すための操作の大きさと、前記制御対象の正常時における過去の運転データを表す正常データの分布からの外れ度合いとを最小化する最適化問題であって、かつ、前記正常データの数Nに比例する計算時間で定式化可能な制約条件のみを含む最適化問題を定式化し、
前記制約条件には、前記正常データと前記操作後の運転データとの距離が、前記操作後の運転データの最近傍の正常データと前記操作後の運転データとの距離以上となることを表す第1の制約条件が含まれ、
前記第1の制約条件は、
前記操作の操作量をa=(a 1 ,・・・,a D )、π d,i をa d にi番目の変更量を設定するか否かを表すバイナリ変数、v n をn番目の正常データが前記操作後の運転データの最近傍であるか否かを表すバイナリ変数、c d,i n をa d にi番目の変更量を設定したときにおける前記操作後の運転データのd番目の状態変数の値とn番目の正常データのd番目の状態変数の値との距離としたとき、
前記最近傍の正常データと前記操作後の運転データとの距離d min をv n c d,i n π d,i のi=1,・・・,I d (ただし、I d はa d に設定可能な変更量の数)、d=1,・・・,D、及びn=1,・・・,Nに関する和、n番目の正常データと前記操作後の運転データとの距離d n をc d,i n π d,i のi=1,・・・,I d 及びd=1,・・・,Dに関する和として、d min ≦d n (n=1,・・・,N)と表される、プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023106030A JP7392895B1 (ja) | 2023-06-28 | 2023-06-28 | 運転支援装置、運転支援方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023106030A JP7392895B1 (ja) | 2023-06-28 | 2023-06-28 | 運転支援装置、運転支援方法及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP7392895B1 true JP7392895B1 (ja) | 2023-12-06 |
Family
ID=89023316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023106030A Active JP7392895B1 (ja) | 2023-06-28 | 2023-06-28 | 運転支援装置、運転支援方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7392895B1 (ja) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6837612B1 (ja) | 2020-05-28 | 2021-03-03 | 三菱電機株式会社 | 機器状態監視装置および機器状態監視方法 |
JP7103539B1 (ja) | 2022-01-17 | 2022-07-20 | 富士電機株式会社 | 運転支援装置、運転支援方法及びプログラム |
-
2023
- 2023-06-28 JP JP2023106030A patent/JP7392895B1/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6837612B1 (ja) | 2020-05-28 | 2021-03-03 | 三菱電機株式会社 | 機器状態監視装置および機器状態監視方法 |
JP7103539B1 (ja) | 2022-01-17 | 2022-07-20 | 富士電機株式会社 | 運転支援装置、運転支援方法及びプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ge | Review on data-driven modeling and monitoring for plant-wide industrial processes | |
JP6095732B2 (ja) | コンピュータベースの方法及びコンピュータベースのモデル | |
JP5538597B2 (ja) | 異常検知方法及び異常検知システム | |
JP5301310B2 (ja) | 異常検知方法及び異常検知システム | |
US20090149981A1 (en) | System and methods for continuous, online monitoring of a chemical plant or refinery | |
Moghaddass et al. | A parameter estimation method for a condition-monitored device under multi-state deterioration | |
JP2010506256A (ja) | 多変量データの監視および解析のための単変量方法 | |
EP3859455B1 (en) | Learning apparatus, learning method, learning program, determination apparatus, determination method, determination program, and computer readable medium | |
JP6647473B1 (ja) | 異常検知装置および異常検知方法 | |
Golmakani | Optimal age-based inspection scheme for condition-based maintenance using A* search algorithm | |
JP2023106037A (ja) | 運転支援装置、運転支援方法及びプログラム | |
JP6917805B2 (ja) | データフィルタリング装置および方法 | |
Yeardley et al. | Integrating machine learning techniques into optimal maintenance scheduling | |
JP6702297B2 (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
Ye et al. | Markov chain MINLP model for reliability optimization of system design and maintenance | |
JP7103539B1 (ja) | 運転支援装置、運転支援方法及びプログラム | |
JP7392895B1 (ja) | 運転支援装置、運転支援方法及びプログラム | |
Testik et al. | An algorithmic approach to outlier detection and parameter estimation in Phase I for designing Phase II EWMA control chart | |
Hajarian et al. | An improved approach for fault detection by simultaneous overcoming of high-dimensionality, autocorrelation, and time-variability | |
Ershadi et al. | An economic-statistical design of simple linear profiles with multiple assignable causes using a combination of MOPSO and RSM | |
US10394255B2 (en) | Diagnostic device and method for monitoring frictional behavior in a control loop | |
JP6662222B2 (ja) | 製造プロセスの異常状態診断方法及び異常状態診断装置 | |
JP7441768B2 (ja) | 保全シミュレーション装置、および、保全シミュレーション方法 | |
EP3048613B1 (en) | Method for analysis of plant disturbance propagations | |
Ison et al. | Fault diagnosis of plasma etch equipment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230628 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230628 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230801 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230830 |
|
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: 20231024 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231106 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7392895 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |