JP7473343B2 - 運転管理支援装置及び運転管理支援方法 - Google Patents
運転管理支援装置及び運転管理支援方法 Download PDFInfo
- Publication number
- JP7473343B2 JP7473343B2 JP2020001608A JP2020001608A JP7473343B2 JP 7473343 B2 JP7473343 B2 JP 7473343B2 JP 2020001608 A JP2020001608 A JP 2020001608A JP 2020001608 A JP2020001608 A JP 2020001608A JP 7473343 B2 JP7473343 B2 JP 7473343B2
- Authority
- JP
- Japan
- Prior art keywords
- unit
- control value
- value
- category
- reliability
- 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 67
- 238000012545 processing Methods 0.000 claims description 102
- 238000004364 calculation method Methods 0.000 claims description 89
- 238000005259 measurement Methods 0.000 claims description 79
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 description 26
- 238000013145 classification model Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 16
- 238000013215 result calculation Methods 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003278 mimic effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
特許文献1は、モデル同定装置、予測装置、監視システム、モデル同定方法および予測方法を提示している。モデル同定装置は、複数の入出力データのうち一部に、所属するモードのラベルを付加し、入出力データを各モードに分類(クラスタリング)後、各モードの数理モデルのパラメータを推定し、クラスタリングの結果に基づいて、入力データを前記数理モデルのそれぞれに分類することでモデル同定を行う装置が開示されている。
D = y2min -y1 ・・・(1)
D = y1 - y2max ・・・ (2)
D = |(y2ave - y1)/(y2max-y2min)| ・・・ (3)
ただし、式(1)~(3)において、Dは前記乖離度であり、y1は前記予測制御値算出部から出力される前記予測制御値であり、y2aveは前記カテゴリ情報の平均値であり、y2minは、前記カテゴリ情報の最小値であり、y2maxは前記カテゴリ情報の最大値である。
その他の解決手段は実施形態中において適宜記載する。
<装置構成>
図1は、第1実施形態に係る運転管理支援装置1の構成例を示す図である。
ここで、教師有学習モデルが第1のモデルとして使用され、教師無学習モデルが第2のモデルとして使用されるものとする。
運転管理支援装置1は、教師有学習処理部110と、教師無学習を行う教師無学習処理部120とを有する。また、運転管理支援装置1は、教師有学習処理部110の結果と、教師無学習処理部120の結果とを基に、信頼度232を算出する信頼度評価処理部130を有する。さらに、運転管理支援装置1は、信頼度評価処理部130から出力される信頼度232をモニタ142に表示する表示処理部141を有する。
そして、信頼度評価処理部130は、乖離度算出部131と、信頼度算出部132とを有する。乖離度算出部131及び信頼度算出部132で行われる処理については後記する。
図2は、図1に示す運転管理支援装置1が行う処理の手順を示すフローチャートである。
まず、予め収集されている過去におけるプラントPLの計測値(実績計測値)や、制御値(実績制御値)が実績データ201として実績DB101に格納されている。
そして、予測モデル構築部111は、実績DB101から実績データ201の一部又はすべてを取得する(S101)。実績データ201は、実績計測データ203の一部又はすべてと、実績制御データ202の一部又はすべてが含まれる。
続いて、予測モデル構築部111は、入力された実績計測データ203と、実績制御データ202とに対して、教師有学習を行い、予測モデル211を生成し(S102)、出力する。
分類モデル構築部121は、実績DB101に格納されている実績計測データ203を取得する(S111)。そして、分類モデル構築部121は、取得した実績計測データ203に対して、教師無学習を行うことにより分類モデル221を生成し(S112)、出力する。分類モデル221は、実績計測データ203を、所定の条件によるカテゴリに分類したものである。なお、カテゴリは、以前に生成したカテゴリが用いられてもよい。
そして、カテゴリ情報生成部123は、検索結果222を基に、カテゴリ情報y2を生成し、出力する(S114)。ここで出力されるカテゴリ情報y2は、計測データ204が属するカテゴリの最大値、最小値や、カテゴリに含まれるすべての実績制御値等、複数の値を含むものである。
まず、乖離度算出部131は、予測制御値算出部112から予測制御値y1を取得するとともに、カテゴリ情報生成部123からカテゴリ情報y2を取得する。
そして、乖離度算出部131は、取得した予測制御値y1と、カテゴリ情報y2との乖離度231を算出する(S121)。
D = y1 - y2max ・・・ (2)
D = |(y2ave - y1)/(y2max-y2min)| ・・・ (3)
第2実施形態では、教師有学習と教師無学習を含む3個以上のモデルが使用される運転管理支援装置1aについて説明する。
図3は、第2実施形態に係る運転管理支援装置1aの構成例を示す図である。
運転管理支援装置1aが図1に示す運転管理支援装置1と異なる点は以下の通りである。
(A1)教師有学習処理部110が2つ(第1教師有学習処理部110A及び第2教師有学習処理部110B)設けられている。第1教師有学習処理部110Aは、第1予測モデル構築部111A、第1予測制御値算出部112Aを有する。同様に、第2教師有学習処理部110Bは、第2予測モデル構築部111B、第2予測制御値算出部112Bを有する。
(A2)教師無学習処理部120が2つ(第1教師無学習処理部120A及び第2教師無学習処理部120B)設けられている。第1教師無学習処理部120Aは、第1分類モデル構築部121A、第1分類結果算出部122A、第1カテゴリ情報生成部123Aを有する。同様に、第2教師無学習処理部120Bは、第2分類モデル構築部121B、第2分類結果算出部122B、第2カテゴリ情報生成部123Bを有する。
(A3)第1教師有学習処理部110A及び第2教師有学習処理部110Bから出力される第1予測制御値y1A、第2予測制御値y1Bの代表値x1を算出する教師有学習代表値決定部151が設けられている。また、第1教師無学習処理部120A及び第2教師無学習処理部120Bから出力される第1カテゴリ情報y2A、第2カテゴリ情報y2Bの代表情報x2を算出する教師無学習代表値決定部152が設けられている。
図4は、図3に示す運転管理支援装置1が行う処理の手順を示すフローチャートである。
(第1教師有学習処理部110A及び第2教師有学習処理部110Bの処理)
第1教師有学習処理部110Aでは、図2のステップS101~S103と同様の処理が行われることにより、第1予測制御値y1Aが出力される。同様に、第2教師有学習処理部110Bでは、図2のステップS101~S103と同様の処理が行われることにより、第2予測制御値y1Bが出力される。
そして、教師有学習代表値決定部151は、第1予測制御値y1A及び第2予測制御値y1Bを取得する。続いて、教師有学習代表値決定部151は、第1予測制御値y1A及び第2予測制御値y1Bの代表値x1を算出し(S201)、出力する。代表値x1は、平均値、中央値、最大値、最小値のうち、いずれか等である。また、代表値x1は、予測制御値y1として取り扱われる。
第1教師無学習処理部120Aでは、図2のステップS111~S114と同様の処理が行われることにより、第1カテゴリ情報y2Aが出力される。同様に、第2教師無学習処理部120Bでは、図2のステップS111~S114と同様の処理が行われることにより、第2カテゴリ情報y2Bが出力される。
教師無学習代表値決定部152は、第1カテゴリ情報y2A及び第2カテゴリ情報y2Bを取得する。続いて、教師無学習代表値決定部152は、第1カテゴリ情報y2A及び第2カテゴリ情報y2Bの代表情報x2を算出し(S202)、出力する。代表情報x2は、例えば、第1カテゴリ情報y2A及び第2カテゴリ情報y2Bの最大値のうち、大きい方と、第1カテゴリ情報y2A及び第2カテゴリ情報y2Bの最小値のうち、小さい方との組等である。あるいは、第1カテゴリ情報y2A及び第2カテゴリ情報y2Bの平均値や、中央値の組が代表情報x2として出力されてもよい。また、第1カテゴリ情報y2A及び第2カテゴリ情報y2Bの標準偏差のうち、幅の広い方、あるいは、幅の狭い方の標準偏差が代表情報x2として出力されてもよい。また、代表情報x2は、カテゴリ情報y2として取り扱われる。
乖離度算出部131は、代表値x1、代表情報x2を取得し、代表値x1、代表情報x2を基に乖離度231を算出する(S121a)。ステップS121aの処理は、図2のステップS121の処理において、予測制御値y1の代わりに代表値x1、カテゴリ情報y2の代わりに代表情報x2が用いられる。
ステップS122以降は図2の処理と同様であるので、ここでの説明を省略する。
<装置構成>
図5は、第3実施形態に係る運転管理支援装置1bの構成例を示す図である。
運転管理支援装置1bが、図1に示す運転管理支援装置1と異なる点は、信頼度評価処理部130の後段に信頼度判定部161及び設定処理部143が設けられている点である。信頼度判定部161及び設定処理部143が行う処理については後記する。
図6は、図5に示す運転管理支援装置1bが行う処理の手順を示すフローチャートである。
図6に示すように、ステップS122の後、信頼度判定部161が信頼度判定処理を行っている(S301)。信頼度判定処理については後記する。
図7は、図6のステップS301における信頼度判定処理の詳細な手順を示すフローチャートである。
まず、信頼度判定部161は、信頼度算出部132から出力された信頼度232を取得する(S311)。
次に、信頼度判定部161は、取得した信頼度232に対し、閾値判定による信頼度232の分類を行う(S312)。ステップS312では、予め設定されている閾値に従い、信頼度232を「低/中/高」や、「適用否/要検討/適用可」等に分類する。ここでは、「低/中/高」に分類されるものとする。
<装置構成>
図8は、第4実施形態に係る運転管理支援装置1cの構成例を示す図である。
第4実施形態の運転管理支援装置1cは、信頼度評価処理部130の後段にトレンド判定部170が設けられている。トレンド判定部170は、制御範囲判定部171と、トレンド一致判定部172とを有する。また、設定処理部143が設けられている。制御範囲判定部171、トレンド一致判定部172及び設定処理部143が行う処理については後記する。
図9は、図8に示す運転管理支援装置1cが行う処理の手順を示すフローチャートである。
図9に示すように、ステップS122の後、トレンド判定部170がトレンド判定処理を行っている(S401)。トレンド判定処理については後記する。
図10A及び図10Bは、図9のステップS401におけるトレンド判定処理の詳細な手順を示すフローチャートである。
ここで、制御範囲判定部171は過去N時刻の実績制御データ202を使用し、トレンド一致判定部172は過去M時刻の実績制御データ202を使用する。このとき、必ずしもNとMは一致させる必要はない。
次に、制御範囲判定部171は、実績DB101から、過去N時刻の実績制御データ202を取得する(S412)。
次に、制御範囲判定部171は、取得した予測制御値y1のすべてが制御範囲に含まれている否かを判定する(S414)。例えば、任意のn時刻(n?N)における過去の弁開度(実績制御値)の変化量Δy以内(あるいはΔy%以内)でプラントPLの制御が行われるようにする。この場合、Δyが制御範囲となり、ステップS413において、制御範囲判定部171は、予測制御値y1が、Δyの範囲内にあるか否かを判定する。通常、プラントPLの制御値に関しては、このような制御範囲がルールとして定められている。本実施形態では、制御範囲が別途設定されてもよいし、既存のルールが制御範囲として流用されてもよい。
また、予測制御値y1が制御範囲外である場合(S414→否)、表示処理部141はモニタ142に制御範囲判定結果がエラーである旨を表示する(S415)。そして、運転管理支援装置1cは処理を終了する。
そして、入力装置(図15参照)411を介してトレンド一致判定部172が使用する過去の時刻Mが入力される(図10BのS421)。
次に、トレンド一致判定部172は、実績DB101から過去M時刻の実績制御データ202を取得する(S422)。
さらに、トレンド一致判定部172は、最新の予測制御値y1を取得する(S423)。
予測トレンドが現行トレンドと一致している場合(S431→一致)、表示処理部141は、トレンド判定結果として「トレンド一致」をモニタ142に表示する(S432)。
予測トレンドが現行トレンドと一致していない場合(S431→不一致)、表示処理部141は、警告をモニタ142に表示する(S433)。
設定条件を満たしている場合(S441→Yes)、設定処理部143は最新の予測制御値y1を制御値としてプラントPLに設定する(S442)。
設定条件を満たしていない場合(S441→No)、運転管理支援装置1cは図9のステップS131へ処理をリターンする。
また、ステップS441、S442の処理は省略可能である。また、トレンド一致判定部172が省略されてもよい。この場合、ステップS414で「可」と判定されれば、設定処理部143が最新の予測制御値y1を制御値としてプラントPLに設定してもよい。あるいは、制御範囲判定部171が省略されてもよい。この場合、ステップS431で「一致」と判定されれば、設定処理部143が最新の予測制御値y1を制御値としてプラントPLに設定してもよい。
<装置構成>
図11は、第5実施形態に係る運転管理支援装置1dの構成例を示す図である。
運転管理支援装置1dは、以下の点が図1に示す運転管理支援装置1と異なっている。
(C1)実績DB101から実績データ201が入力されるデータ特徴判定部181が設けられている。
(C2)データ特徴判定部181の下流に、データ選別分類部182及び乖離度算出方法選択部183が設けられている。
(C3)予測モデル構築部111d及び予測制御値算出部112dを有する教師有学習処理部110aが設けられている。また、分類モデル構築部121d、分類結果算出部122d、カテゴリ情報生成部123を有する教師無学習処理部120aが設けられている。
図12は、図11に示す運転管理支援装置1dが行う処理の手順を示すフローチャートである。
データ特徴判定部181は、はじめに実績データ201の特徴を抽出する(S501)。抽出される実績データ201の特徴は、実績DB101に格納されている、すべての実績データ201あるいは一部の実績データ201の平均値、分散、分布形状等の統計情報である。なお、データ特徴判定部181は、運転パターンのフラグ情報や、稼働期間に基づいて、例えば、プラントPLの定常運転期間等、一部の実績データ201を特徴抽出の対象としてもよい。この場合、対象となる一部の実績データ201の統計情報を実績データ201の特徴としてもよい。あるいは、一部の実績データ201の統計情報と、すべての実績データ201の統計情報との差異が実績データ201の特徴とされてもよい。
ステップS502における、データ選別分類部182による選別分類は、例えば、以下のようなものが考えられる。どのような条件で選別分類が行われるかは、運転員によって設定される。
(C11)データ特徴判定部181によって抽出された特徴に基づく選別分類。例えば、データ選別分類部182は、平均値がある値から所定範囲に入っている実績データ201のグループや、同様の分布形状を有する実績データ201のグループに選別分類する。
(C12)フラグ情報に基づく選別分類。例えば、データ選別分類部182は、フラグ情報に基づいてプラントPLの稼働開始~2時間後、2時間~5時間後、5時間後~プラントPLの稼働終了等で実績データ201を選別分類する。
(C21)予測モデル構築部111dは、ステップS502における選別分類で分けられた、実績データ201のグループ毎に予測モデル211を生成する(S102a)。
(C22)予測制御値算出部112dは、予測制御値y1を算出する(S103a)。この際、取得された計測データ204に対応するグループの予測モデル211が用いられる計測データ204に対応するグループとは、例えば、平均値を基にグループが形成されている場合、計測データ204の値に対応するグループである。また、フラグ情報に基づいてグループが形成されている場合、計測データ204のフラグ情報に対応するグループが計測データ204に対応するグループとなる。
(C32)分類結果算出部122dはカテゴリを検索する。この際、取得された計測データ204の値に対応するグループのカテゴリが検索される(S113a)。
なお、計測データ204の値に対応するグループとは、(C22)で前記したものと同様のものである。また、ステップS502の選別分類がデータの種類毎に行われている場合、カテゴリの検索は、データの種類が反映されたものとなる。例えば、分類結果算出部122dは、温度の計測データ204に対して、温度のグループにおけるカテゴリを検索する。
図13は、実績データ201の特徴と乖離度算出方法との対応表500の一例を示す図である。
図13に示すように、実績データ201の特徴と乖離度算出方法との対応表500は、「判定対象」、「比較対象」を有する「データ」、実績データ201の「データ特徴」、「乖離度算出方法」の各項目を有する。
例えば、符号501のレコードには、全データにおいて、データ特徴として統計分布が負側に偏在している場合、「A方式」の乖離度算出方法が適用されることが格納されている。
また、符号502のレコードには、「運転パターンA」のフラグが付されているデータの全データについて、データ特徴としてデータ量が少なければ、B方式の乖離度算出方法が適用されることが格納されている。
なお、データ選別分類部182は省略可能である。この場合、図12のステップS101a,S102a,S111a,S112aは、第1実施形態のステップS101,S102,S111,S112と同様の処理となる。
図14は、本実施形態における運転管理画面300の例を示す図である。
運転管理画面300は、制御対象表示領域311、予測制御値表示領域320を有する。また、運転管理画面300は、カテゴリ名表示領域331、信頼度表示領域332、カテゴリ情報表示領域333、制御値頻度情報表示領域334を有する。さらに、運転管理画面300は、信頼度判定結果表示領域341、トレンド判定結果表示領域342、データ特徴表示領域343、乖離度算出方法表示領域344、使用学習種類表示領域345、制御状態表示領域351を有している。
カテゴリ情報表示領域333には、教師無学習の結果、生成された各カテゴリに関する情報が表示される。図14の例では、制御値である弁開度が4つのカテゴリに分類されることが示されている。また、制御対象となる「弁A」の開度が白丸で示されていることで、制御対象となる制御値が、どのカテゴリに属すかが視認可能となっている。
制御値頻度情報表示領域334には、プラントPLにおけるすべての弁の開度の実績制御値の頻度がヒストグラムで示されている。そして、算出された予測制御値y1に相当するヒストグラムが斜線で示されている。
トレンド判定結果表示領域342には、図10BのステップS431の判定結果が示されている。なお、トレンド判定結果表示領域342において、図10AのステップS414の判定結果が、ステップS431の判定結果とともに表示されてもよい。
データ特徴表示領域343には、図11のデータ特徴判定部181によって判定されたデータ特徴の名称が示されている。データ特徴表示領域343において、図13に示す実績データ201の特徴と乖離度算出方法との対応表500の情報や、図13の「データ特徴」に示される統計分布がデータ特徴の名称とともに表示されてもよい。
乖離度算出方法表示領域344には、図11の乖離度算出方法選択部183によって決定された乖離度算出方法の名称が表示されている。
使用学習種類表示領域345には、予測制御値y1あるいはカテゴリ情報y2の導出に使用した学習の名称が表示されている。
自動運転モードが選択されている場合、信頼度判定部161、制御範囲判定部171、トレンド一致判定部172による判定結果と、判定結果が「可」以外であった場合の対処方法が、制御状態表示領域351に表示されてもよい。
図15は、運転管理支援装置1,1a~1dのハードウェア構成を示す図である。
運転管理支援装置1は、メモリ401、CPU(Central Processing Unit)402、記憶装置403、入力装置411、通信装置412、モニタ142を有する。通信装置412は、プラントPLとの情報の送受信を行う。
記憶装置403は、実績DB101を含むものであるとともに、各部110~112,110A~112A,110B~112B,120~123,120A~123A,120B~123B,130~132,141,143,151,152,161,170~172,181~182が具現化するためのプログラムが格納されている。つまり、まず、記憶装置403に格納されているプログラムが、メモリ401にロードされる。それから、メモリ401にロードされたプログラムが、CPU402によって実行されることにより、各部110~112,110A~112A,110B~112B,120~123,120A~123A,120B~123B,130~132,141,141,151,152,161,170~172,181~182が具現化する。
また、各実施形態において、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしもすべての制御線や情報線を示しているとは限らない。実際には、ほとんどすべての構成が相互に接続されていると考えてよい。
101 実績DB(記憶部)
110,110d 教師有学習処理部
110A 第1教師有学習処理部
110B 第2教師有学習処理部
111,111d 予測モデル構築部(第1のモデル生成部)
111A 第1予測モデル構築部(第1のモデル生成部)
111B 第2予測モデル構築部(第1のモデル生成部)
112,112a 予測制御値算出部
112A 第1予測制御値算出部(予測制御値算出部)
112B 第2予測制御値算出部(予測制御値算出部)
120,120d 教師無学習処理部
120A 第1教師無学習処理部
120B 第2教師無学習処理部
121,121d 分類モデル構築部(第2のモデル生成部)
121A 第1分類モデル構築部(第2のモデル生成部)
121B 第2分類モデル構築部(第2のモデル生成部)
122,122d 分類結果算出部(カテゴリ選択部)
122A 第1分類結果算出部(カテゴリ選択部)
122B 第2分類結果算出部(カテゴリ選択部)
123A 第1カテゴリ情報生成部(カテゴリ選択部)
123B 第2カテゴリ情報生成部(カテゴリ選択部)
123 カテゴリ情報生成部(カテゴリ選択部)
130 信頼度評価処理部(信頼度算出部)
131 乖離度算出部(信頼度算出部)
132 信頼度算出部
141 表示処理部
142 モニタ(表示部)
143 設定処理部
161 信頼度判定部(信頼度ランク判定部)
170 トレンド判定部
171 制御範囲判定部
172 トレンド一致判定部(トレンド比較部)
181 データ特徴判定部(データ特徴算出部)
182 データ選別分類部
183 乖離度算出方法選択部(乖離度算出方法決定部)
201 実績データ
202 実績制御データ(実績制御値)
203 実績計測データ(実績計測値)
204 計測データ(計測値)
211 予測モデル(第1のモデル)
221 分類モデル(第2のモデル)
232 信頼度
332 信頼度表示領域(信頼度が表示されている)
500 対応表(特徴と、乖離度算出方法との対応表)
PL プラント(機器)
y1 予測制御値
y1A 第1予測制御値(予測制御値)
y1B 第2予測制御値(予測制御値)
y2 カテゴリ情報(カテゴリ)
y2A 第1カテゴリ情報(カテゴリ)
y2B 第2カテゴリ情報(カテゴリ)
S102 予測モデルの生成(第1のモデル生成ステップ)
S103 予測制御値の算出・出力(予測制御値算出ステップ)
S112 カテゴリの生成(第2のモデル生成ステップ)
S113 検索(カテゴリ選択ステップ)
S114 カテゴリ情報y2の出力(カテゴリ情報出力ステップ)
S121 乖離度の算出(信頼度算出ステップ)
S122 信頼度の算出(信頼度算出ステップ)
S131 表示(表示ステップ)
S312 分類(信頼度ランク判定ステップ)
S332 予測制御値y1を制御値として設定(設定処理ステップ)
Claims (13)
- 記憶部に格納されている過去の実績データのうち、過去における機器の計測値である実績計測値、及び、過去における前記機器の制御値である実績制御値を用いて、予測制御値を算出するための第1のモデルを生成する第1のモデル生成部と、
前記第1のモデル生成部で生成された前記第1のモデルに、前記機器から入力される計測値を適用することにより、当該計測値に対応する前記予測制御値を算出する予測制御値算出部と、
前記記憶部に格納されている前記実績データのうち、前記実績計測値を所定のカテゴリに分類することで、第2のモデルを生成する第2のモデル生成部と、
前記機器から入力された計測値に対応する前記カテゴリを、前記第2のモデル生成部で分類された前記カテゴリを基に選択するカテゴリ選択部と、
前記予測制御値算出部によって算出された前記予測制御値と、前記カテゴリ選択部で選択された前記カテゴリにおける前記実績制御値とを比較することで前記予測制御値の信頼度を算出する信頼度算出部と、
前記信頼度算出部によって算出された前記信頼度を表示部に表示する表示処理部と、
前記信頼度算出部によって算出された前記信頼度のランク付けを行う信頼度ランク判定部と、
前記信頼度のランクが所定のランク以上であれば、前記予測制御値を前記機器の制御値として設定する設定処理部と、
を備え、
前記カテゴリ選択部は、前記計測値が属するカテゴリの最大値、最小値、及び、前記カテゴリに含まれるすべての前記実績制御値を含む複数の値を有するカテゴリ情報を出力し、
前記信頼度算出部は、前記予測制御値算出部が算出する前記予測制御値と、前記カテゴリ選択部によって選択された前記カテゴリとの乖離の度合いである乖離度を、式(1)~(3)のいずれか1つを用いて算出し、算出した当該乖離度を基に信頼度を算出する
ことを特徴とする運転管理支援装置。
D = y2min -y1 ・・・(1)
D = y1 - y2max ・・・ (2)
D = |(y2ave - y1)/(y2max-y2min)| ・・・ (3)
ただし、式(1)~(3)において、
Dは前記乖離度であり、
y1は前記予測制御値算出部から出力される前記予測制御値であり、
y2aveは前記カテゴリ情報の平均値であり、
y2minは、前記カテゴリ情報の最小値であり、
y2maxは前記カテゴリ情報の最大値である。 - 前記予測制御値が、過去の前記実績制御値から算出される制御範囲に収まっているか否かを判定する制御範囲判定部
を備えることを請求項1に記載の運転管理支援装置。 - 前記予測制御値が、過去の前記実績制御値から算出される制御範囲に収まっている場合、前記予測制御値を前記機器の制御値として設定する設定処理部
を備えることを特徴とする請求項2に記載の運転管理支援装置。 - 前記記憶部に格納されている過去の前記実績制御値から算出されるトレンドと、過去の前記実績制御値と前記予測制御値から算出されるトレンドとを比較するトレンド比較部
を備えることを特徴とする請求項1に記載の運転管理支援装置。 - 前記トレンド比較部によって、前記記憶部に格納されている過去の前記実績制御値から算出されるトレンドと、過去の前記実績制御値と前記予測制御値から算出されるトレンドとの一致率が所定の値以上であると判定された場合、前記予測制御値を前記機器の制御値として設定する設定処理部
を備えることを特徴とする請求項4に記載の運転管理支援装置。 - 前記記憶部に格納されている前記実績データの特徴を算出するデータ特徴算出部と、
前記データ特徴算出部によって算出された前記実績データの前記特徴をキーとして、記憶部から取得した前記特徴と、前記乖離度の算出方法との対応表を検索することによって前記乖離度の算出方法を決定する乖離度算出方法決定部と、
を備えることを特徴とする請求項1に記載の運転管理支援装置。 - 前記記憶部に格納されている前記実績データの特徴を算出するデータ特徴算出部と、
所定の条件に基づいて、前記実績データをグループに選別分類し、前記実績データを選別分類した結果である前記グループを前記第1のモデル生成部及び前記第2のモデル生成部に出力する前記実績データを選別するデータ選別分類部と
を備え、
前記第1のモデル生成部は、
前記グループに基づいて前記第1のモデルを生成し、
前記第2のモデル生成部は、
前記グループに基づいて前記第2のモデルを生成する
ことを特徴とする請求項1に記載の運転管理支援装置。 - 前記実績計測値、前記実績制御値、及び、前記計測値は、複数種類のデータを含んでおり、
前記データ選別分類部は、
前記実績計測値、及び、前記実績制御値の種類毎に前記グループの選別分類を行い、
前記予測制御値算出部は、
前記計測値におけるデータの種類に応じた前記グループに対して前記計測値を適用し、
前記カテゴリ選択部は、
前記計測値におけるデータの種類に応じた前記グループに対して前記計測値を適用する
ことを特徴とする請求項7に記載の運転管理支援装置。 - 前記第1のモデル生成部及び前記予測制御値算出部が複数備えられており、
前記予測制御値算出部によって算出された複数の前記予測制御値を基に、新たな予測制御値を生成し、生成した前記新たな予測制御値を前記信頼度算出部へ出力する予測制御値生成部
を備えることを特徴とする請求項1に記載の運転管理支援装置。 - 前記第2のモデル生成部及び前記カテゴリ選択部が複数備えられており、
前記カテゴリ選択部によって選択された複数の前記カテゴリに関する情報を基に、新たなカテゴリに関する情報を生成し、生成した新たなカテゴリに関する情報を前記信頼度算出部へ出力するカテゴリ情報生成部
を備えることを特徴とする請求項1に記載の運転管理支援装置。 - 前記第1のモデル生成部は、
回帰式、決定木、ランダムフォレスト、ニューラルネットワーク、階層型クラスタリング、K平均法を含む非階層型クラスタリングのうち、いずれかを用いて、前記第1のモデルを生成し、
前記ニューラルネットワークは、
自己組織化マップ、畳み込みニューラルネットワーク及び再帰型ニューラルネットワークを含む
ことを特徴とする請求項1に記載の運転管理支援装置。 - 前記第2のモデル生成部は、
階層型クラスタリング、K平均法を含む非階層型クラスタリング、自己組織化マップを含むニューラルネットワークのうち、いずれかを用いて前記第2のモデルを生成する
ことを特徴とする請求項1に記載の運転管理支援装置。 - 記憶部に格納されている過去の実績データのうち、過去における機器の計測値である実績計測値、及び、過去における前記機器の制御値である実績制御値を用いて、予測制御値を算出するための第1のモデルを生成する第1のモデル生成ステップと、
前記第1のモデル生成ステップで生成された前記第1のモデルに、前記機器から入力される計測値を適用することにより、当該計測値に対応する前記予測制御値を算出する予測制御値算出ステップと、
前記記憶部に格納されている前記実績データのうち、前記実績計測値を所定のカテゴリに分類することで、第2のモデルを生成する第2のモデル生成ステップと、
前記機器から入力された計測値に対応する前記カテゴリを、前記第2のモデル生成ステップで分類された前記カテゴリを基に選択するカテゴリ選択ステップと、
前記計測値が属するカテゴリの最大値、最小値、及び、前記カテゴリに含まれるすべての前記実績制御値を含む複数の値を有するカテゴリ情報を出力するカテゴリ情報出力ステップと、
前記予測制御値算出ステップによって算出された前記予測制御値と、前記カテゴリ選択ステップで選択された前記カテゴリにおける前記実績制御値とを比較することで前記予測制御値の信頼度を算出する信頼度算出ステップと、
前記信頼度算出ステップによって算出された前記信頼度のランク付けを行う信頼度ランク判定ステップと、
前記信頼度算出ステップによって算出された前記信頼度を表示部に表示する表示ステップと、
前記信頼度のランクが所定のランク以上であれば、前記予測制御値を前記機器の制御値として設定する設定処理ステップと、
を行い、
前記信頼度算出ステップでは、前記予測制御値算出ステップによって算出された前記予測制御値と、前記カテゴリ選択ステップによって選択された前記カテゴリとの乖離の度合いである乖離度を、式(1)~(3)のいずれか1つを用いて算出し、算出した当該乖離度を基に信頼度を算出する
ことを特徴とする運転管理支援方法。
D = y2min -y1 ・・・(1)
D = y1 - y2max ・・・ (2)
D = |(y2ave - y1)/(y2max-y2min)| ・・・ (3)
ただし、式(1)~(3)において、
Dは前記乖離度であり、
y1は前記予測制御値算出ステップにて算出される前記予測制御値であり、
y2aveは前記カテゴリ情報の平均値であり、
y2minは、前記カテゴリ情報の最小値であり、
y2maxは前記カテゴリ情報の最大値である。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020001608A JP7473343B2 (ja) | 2020-01-08 | 2020-01-08 | 運転管理支援装置及び運転管理支援方法 |
PCT/JP2020/042333 WO2021140742A1 (ja) | 2020-01-08 | 2020-11-12 | 運転管理支援装置及び運転管理支援方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020001608A JP7473343B2 (ja) | 2020-01-08 | 2020-01-08 | 運転管理支援装置及び運転管理支援方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021111057A JP2021111057A (ja) | 2021-08-02 |
JP7473343B2 true JP7473343B2 (ja) | 2024-04-23 |
Family
ID=76787861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020001608A Active JP7473343B2 (ja) | 2020-01-08 | 2020-01-08 | 運転管理支援装置及び運転管理支援方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7473343B2 (ja) |
WO (1) | WO2021140742A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023173706A (ja) * | 2022-05-26 | 2023-12-07 | 三菱重工業株式会社 | 状態量予測装置、状態量予測方法、状態量予測システム、及び状態量予測システムの制御方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004310492A (ja) | 2003-04-08 | 2004-11-04 | Nippon Steel Corp | プロセスの状態類似事例検索方法及び状態予測方法、並びにコンピュータ読み取り可能な記憶媒体 |
WO2016208315A1 (ja) | 2015-06-22 | 2016-12-29 | 株式会社日立製作所 | プラント診断装置及びプラント診断方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03216705A (ja) * | 1990-01-23 | 1991-09-24 | Hitachi Ltd | プラント運転支援方法及び装置 |
JPH04138502A (ja) * | 1990-09-29 | 1992-05-13 | Nippon Telegr & Teleph Corp <Ntt> | 操作量逐次予測運転システムおよび制御量逐次予測自動制御システム |
JP6458403B2 (ja) * | 2014-08-25 | 2019-01-30 | 富士電機株式会社 | 予測モデル生成装置、予測モデル生成方法及びプログラム |
JP6930195B2 (ja) * | 2017-04-17 | 2021-09-01 | 富士通株式会社 | モデル同定装置、予測装置、監視システム、モデル同定方法および予測方法 |
-
2020
- 2020-01-08 JP JP2020001608A patent/JP7473343B2/ja active Active
- 2020-11-12 WO PCT/JP2020/042333 patent/WO2021140742A1/ja active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004310492A (ja) | 2003-04-08 | 2004-11-04 | Nippon Steel Corp | プロセスの状態類似事例検索方法及び状態予測方法、並びにコンピュータ読み取り可能な記憶媒体 |
WO2016208315A1 (ja) | 2015-06-22 | 2016-12-29 | 株式会社日立製作所 | プラント診断装置及びプラント診断方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2021111057A (ja) | 2021-08-02 |
WO2021140742A1 (ja) | 2021-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200272909A1 (en) | Systems and methods for operating a data center based on a generated machine learning pipeline | |
KR20210118243A (ko) | 센서 계측 데이터 통합 | |
CN107168995B (zh) | 一种数据处理方法及服务器 | |
Pratt et al. | Employee attrition estimation using random forest algorithm | |
CN107111609B (zh) | 用于神经语言行为识别系统的词法分析器 | |
CN115577152B (zh) | 基于数据分析的在线图书借阅管理系统 | |
JP7473343B2 (ja) | 運転管理支援装置及び運転管理支援方法 | |
CN116091206B (zh) | 信用评价方法、装置、电子设备及存储介质 | |
Nguyen et al. | A comparison of feature-selection methods for intrusion detection | |
Cuadrado-Gallego et al. | Analogies and differences between machine learning and expert based software project effort estimation | |
CN113177642A (zh) | 一种针对数据不平衡的自动建模系统 | |
Koulinas et al. | A machine learning-based framework for data mining and optimization of a production system | |
JP7363910B2 (ja) | 表示方法、表示プログラム及び情報処理装置 | |
binti Oseman et al. | Data mining in churn analysis model for telecommunication industry | |
Lamba et al. | Ranking of classification algorithm in breast Cancer based on estrogen receptor using MCDM technique | |
WO2023093431A1 (zh) | 一种模型训练方法、装置、设备、存储介质和程序产品 | |
CN113447813B (zh) | 海上风力发电机组的故障诊断方法及设备 | |
JP2002278762A (ja) | データクラスタリング方法 | |
JP2023042919A (ja) | 機械学習モデル評価システム及び方法 | |
Rabuge et al. | A comparison of feature engineering techniques for hearing loss | |
Mohamad et al. | Analysis of oral cancer prediction with pairwise preprocessing techniques using hybrid feature selection and ensemble classification | |
Devi et al. | Prediction of Maintenance Time and IoT Device Failures using Artificial Intelligence | |
Radliński | Predicting Aggregated User Satisfaction in Software Projects | |
JP7507709B2 (ja) | 検索システム及び検索方法 | |
Shwetha et al. | Analysis of medical image and health informatics using bigdata |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220215 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230328 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230519 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230815 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231012 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240130 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240322 |
|
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: 20240402 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240411 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7473343 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |