JPH10122917A - 設備及び製品プロセス異常状態の診断方法及び診断装置 - Google Patents
設備及び製品プロセス異常状態の診断方法及び診断装置Info
- Publication number
- JPH10122917A JPH10122917A JP29784896A JP29784896A JPH10122917A JP H10122917 A JPH10122917 A JP H10122917A JP 29784896 A JP29784896 A JP 29784896A JP 29784896 A JP29784896 A JP 29784896A JP H10122917 A JPH10122917 A JP H10122917A
- Authority
- JP
- Japan
- Prior art keywords
- abnormal
- state
- equipment
- neural network
- variable
- 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.)
- Granted
Links
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
品プロセス異常状態の診断方法を提供する。 【解決手段】 測定した異常状態が、設備異常または品
質異常の問題とならないレベルに設定した所定の閾値を
超えた場合(S2)に、当該異常に関連する状態説明変
数及び異常目的変数を求め(S3)、ニューラルネット
ワークにより、1あるいは複数の異常要因分析を行っ
て、状態目的変数に対する状態説明変数の影響を同定し
(S4〜S7)、異常目的変数を所定の閾値内に抑える
ために修正すべき状態説明変数の1あるいは複数の解
を、組み合わせ最適化方法によって自動的に導き出す
(S8)。
Description
る設備及び製品プロセス異常状態の診断方法及び装置に
関し、特に異常原因と異常状態との因果関係を明確にす
ることができるようにしたものである。
態の診断を行うための方法や装置が種々提案されてい
る。
としては、線形多変量解析を行う方法が知られている。
対象設備の状態をオンラインで診断する設備診断方法及
び装置として、観測情報をニューラルネットワークに入
力し、ニューラルネットワークを使って原因の候補を求
め、ニューロンの重みを使って、確率の高い原因の候補
を絞り込み、さらにニューラルネットワークを使って、
原因の候補によって引き起こされる影響を求め、ニュー
ロンの重みを使って原因の候補によって引き起こされる
影響の中から重大な影響を及ぼす原因を求め、実際の設
備で影響の有無とその程度を確認し、真の原因を特定す
るものが開示されている。
備の状態を測定するセンサまたは運転者の観測情報をそ
の対象設備の状態とその状態を引き起こす原因との因果
関係を表すニューラルネットワークに入力し、そのニュ
ーラルネットワークの該当するパスを辿って、その状態
を引き起こす候補を求め、その状態を引き起こす原因の
候補が及ぼす状態をそのニューラルネットワークの該当
するパスを逆方向に辿ることによって求め、そのニュー
ラルネットワークで求められた状態を確認することによ
って真の原因を究明する構成となっていてる。
の装置は、対象設備の状態を測定するセンサまたは運転
者の観測情報と、学習装置からの学習情報とを、その対
象設備の状態とその状態を引き起こす原因との因果関係
を表すニューラルネットワークに入力する入力装置と、
その対象設備の状態とその状態を引き起こす原因との因
果関係を表すニューラルネットワークと、その対象設備
とその状態を引き起こす原因との因果関係の発生率及び
その状態を引き起こす原因の候補が及ぼすニューラルネ
ットワークの構造とニューロンの重みとを記憶する記憶
装置と、記憶装置に記憶されている因果関係の発生確率
と原因の候補が及ぼす影響の度合いとをニューロンの重
みとして、そのニューラルネットワークの該当するパス
と順方向と逆方向に辿るように制御する制御装置と、そ
のニューラルネットワークで求められた状態から真の原
因を推定する推定装置と、対象設備の状態を測定するセ
ンサまたは運転者の観測情報と推定の結果とを入力する
ことによってニューラルネットワークの構成とニューロ
ンの重みを学習する学習装置と、推論の経過とその結果
を表示する表示装置とから構成されている。
の設備診断方法や設備診断装置では、以下のような問題
点があった。
ロセス異常状態を診断するための方法では、非線形プロ
セス現象を取り扱うことが困難であり、異常状態を定量
的に式化することができないという問題点があった。
された、対象設備の状態をオンラインで診断する設備診
断方法及び装置では、ニューラルネットワークにより異
常要因を分析することが記述されているものの、異常原
因と異常状態との因果関係を具体的に導き出す方法が示
されていない。すなわち、ニューラルネットワークによ
る異常原因の同定だけでは、因果関係がブラックボック
ス化されていて、目的変数である答えから、未知数であ
る説明変数を求める課程が不明であり、実用化に乏しい
という問題点がある。
題点に鑑み提案されたもので、以下の点をその目的とす
る。
形プロセス現象を取り扱うことが可能で、関数の形状に
関係なく取り扱いが容易で、外乱の影響を受け難いとと
もに、局所解を避けるアルゴリズムを持って、最適化を
容易に行うことができる設備及び製品プロセス異常状態
の診断方法及び診断装置を提供することを目的とする。
明の目的に加えて、異常要因分析の効率化を図るととも
に、因果関係を式に表すことでニューラルネットワーク
のブラックボックス化を防止して、簡易に物理現象に照
らし合わせて、異常要因同定の信頼性を確認することが
できる製品プロセス異常状態の診断方法を提供すること
を目的とする。
記載の発明の目的に加えて、より迅速に解を求めること
ができる製品プロセス異常状態の診断方法を提供するこ
とを目的とする。
明の目的に加えて、異常状態を発見した場合に、警報を
発して当該異常状態を報知することができる製品プロセ
ス異常状態の診断装置を提供することを目的とする。
記載の発明の目的に加えて、より迅速に解を求めること
ができる製品プロセス異常状態の診断装置を提供するこ
とを目的とする。
を達成するためのものであり、以下にその内容を説明す
る。
プロセスの異常状態を、オンラインまたはオフラインで
診断する方法において、まず、測定した異常状態が、設
備異常または品質異常の問題とならないレベルに設定し
た所定の閾値を超えた場合に、当該異常に関連する状態
説明変数及び異常目的変数を求める。次に、ニューラル
ネットワークにより、1あるいは複数の異常要因分析を
行って、状態目的変数に対する状態説明変数の影響を同
定する。そして、異常目的変数を所定の閾値内に抑える
ために修正すべき状態説明変数の1あるいは複数の解
を、組み合わせ最適化方法によって自動的に導き出す。
延工場の捲取設備を対象設備として、捲取プロセスにお
ける鋼板の蛇行という異常状態を診断する。また、上記
した状態説明変数とは、設備の異常要因に関する変数の
ことであり、具体的には、捲取設備におけるピンチロー
ルのギャップや、ピンチロールの荷重等に関する変数で
ある。また、上記した状態目的変数とは、設備の稼働状
態に関する変数のことであり、具体的には、捲取設備に
おける鋼板の蛇行量に関する変数のことである。この状
態目的変数のうち、異常状態を示す変数が、異常目的変
数である。
記載の発明の構成に加えて、異常要因分析工程において
因果関係を表す方法では、ニューラルネットワークにお
けるニューロンに対応する要因が所定の重み以下である
場合には、当該ニューロンに対応する要因を状態説明変
数から除外して、判定に必要な要因のみを選別する。ま
た、評価関数DIを DI=1/Σ|(ニューラルネットワーク出力)−(自
己組織化式出力)|2 で表される遺伝的アルゴリズムによって、自己組織化に
よる式化を行う。
または2記載の発明の構成に加えて、組合せ最適化方法
では、遺伝的アルゴリズムを用いる。
の設備及び製品プロセス異常の診断方法を実現する診断
装置であって、診断に必要なデータを収集するデータ収
集手段と、収集したデータを状態説明変数及び異常目的
変数にそれぞれ変換して、異常兆候を所定の閾値と比較
する演算手段と、パラメータを蓄え、異常兆候が現れた
場合に、異常兆候パラメータと異常要因パラメータとか
らニューラルネットワークを作成して、現象を同定する
とともに、同定したニューラルネットワークをベースと
して異常要因パラメータを必要な個数だけ選別し、遺伝
的アルゴリズムを用いて自己組織化による式化を行う式
化手段と、異常兆候を所定の閾値内に抑えるために必要
な異常要因の選択を、組合せ最適化により求める演算処
理手段と、前記データ収集手段、演算手段、式化手段、
演算処理手段におけるデータを記憶する記憶手段と、演
算の課程及び診断結果を表示する表示手段とを備えてい
る。ここで、現象の同定にニューラルネットワークを用
い、異常要因パラメータを選別するのは、計算の効率化
を図るためであり、直接、遺伝的アルゴリズムを適用
し、式化と同定を同時に実行することも可能である。
ば、オペレータによるキーボードからの入力や、設備の
所定箇所に設けられたセンサーにより入力される。ま
た、データ収集装置、演算手段、式化手段、演算処理手
段は、例えば、CPU及び付属機器を備えたコンピュー
タにより構成され、予め設定されたプログラムに従って
コンピュータが動作することにより、コンピュータがこ
れらの手段として機能する。また、記憶手段は、例え
ば、RAM、ハードディスク記憶装置、その他の磁気的
あるいは光学的記憶装置により構成される。また、表示
手段は、例えば、CRT表示装置等により構成される。
明の構成に加えて、異常状態が発生した場合に、警報を
発生する警報手段を備えている。具体的には、警報手段
は、例えば、警報音を発生するアンプ及びスピーカや、
発光により警報を発生するランプにより構成される。
記載の発明の構成に加えて、演算処理手段では、遺伝的
アルゴリズムを用いた組み合わせ最適化により異常要因
の選択を行う。
実施の形態の一例を説明する。図1は、本発明に係る診
断装置の概略構成を示したブロック図、図2は、診断装
置を応用した熱延工場の捲取設備の概略構成を示した説
明図である。
に示すような熱延工場の捲取設備2に取り付けて使用さ
れる。そして、この捲取設備2では、圧延された鋼板3
をコイル状に捲き取る工程で生じる鋼板3の蛇行を異常
状態として検出し、必要な状態説明とその修正量とを表
示するようにしている。
に示すように、仕上圧延機(図示せず)で圧延されて送
り出された鋼板3の幅方向の両側に、鋼板3をガイディ
ングするガイド4,4をそれぞれ設け、ガイド4,4の
下流側に、鋼板3を上下方向から挟み込んで送出する上
下2対のピンチロール5…を設け、ピンチロール5…の
下流側に、捲取芯となるマンドレル6を設け、マンドレ
ル6の外周には、マンドレル6に鋼板3を捲き取るため
の補助ロールである4個のラッパーロール7…を配置し
てある。
ピンチロール駆動装置8に連絡して、回転駆動されてい
る。上記したマンドレル6は、減速装置9を介してモー
タ等のマンドレル駆動装置10に連絡して、回転駆動さ
れている。
ータが操作するキーボード等の入力装置11と、上記し
たピンチロール5…に取り付けら、鋼板3の蛇行量を測
定するセンサ12と、診断に必要なデータを収集するデ
ータ収集装置13と、収集したデータを加工演算するデ
ータ加工演算装置14と、ニューラルネットワークを作
成し、遺伝的アルゴリズムにより異常要因の同定演算を
行う同定演算装置15と、データ収集装置13、データ
加工演算装置14、同定演算装置15で取り扱うデータ
を記憶する記憶装置16と、演算の課程及び診断結果を
表示する表示装置17と、異常状態が発生した場合に、
警報を発生する警報装置18とを備えている。
等からなる入力装置11及びセンサ12がデータ収集手
段に対する入力装置として機能する。この場合、オペレ
ータからの入力は、オフラインで行われ、センサ12か
らの入力はオンラインで行われる。
算装置14、同定演算装置15は、例えば、CPU及び
付属機器を備えたコンピュータにより構成され、予め設
定されたプログラムに従ってコンピュータが動作するこ
とにより、コンピュータがこれらの装置として機能す
る。
が診断に必要なデータを収集するデータ収集手段として
機能する。また、データ加工演算装置14及び同定演算
装置15が、収集したデータを状態説明変数及び異常目
的変数にそれぞれ変換して、異常兆候を所定の閾値と比
較する演算手段と、パラメータを蓄え、異常兆候が現れ
た場合に、異常兆候パラメータと異常要因パラメータと
からニューラルネットワークを作成して、現象を同定す
るとともに、同定したニューラルネットワークをベース
として異常要因パラメータを必要な個数だけ選別し、遺
伝的アルゴリズムを用いて自己組織化による式化を行う
式化手段と、異常兆候を所定の閾値内に抑えるために必
要な異常要因の選択を、遺伝的アルゴリズムを用いた組
合せ最適化により求める演算処理手段としてそれぞれ機
能する。
ハードディスク記憶装置、その他の磁気的あるいは光学
的記憶装置により構成され、一連のデータを記憶する記
憶手段として機能する。
置等により構成され、演算の課程及び診断結果を表示す
る表示手段として機能する。
発生するアンプ及びスピーカや、発光により警報を発生
するランプにより構成され、異常状態が発生した場合
に、警報を発生する警報手段として機能する。
ネットワークとは、複数の比較的単純な要素が相互に連
結して、単純な信号をやり取りすることで情報処理を行
うシステムのことであり、神経細胞(ニューロン)の構
造や働きをハードウエアやソフトウエアで模倣し、人間
の脳が行っているような高度な情報処理を実現しようと
目指す技術のことをいう。このニューラルネットワーク
は、学習機能を備えていて、入力データと出力データの
間に一見して分かる関連性が見いだしにくい場合でも、
入力データと出力データの組み合わせを学習させれば、
システムは自分で内部に規則を作り出すことができる。
アルゴリズムとは、生物が淘汰、遺伝子の交叉あるいは
突然変異を繰り返しながら適応性を上げ進化しているこ
とを数学的に模した最適化手法の一つである。遺伝的ア
ルゴリズムを取り入れた最適化問題の解決法の従来技術
については、例えば、”Genetic Algorithms Serch Opt
imization, and Machine Learning” (David E. Goldbe
rg Addison Wesley)、あるいは、「日本設備管理学会春
季研究発表大会、論文集」(平成7年6月7日、日本設
備管理学会発行)に記載されいる。
系を決定する変数に初期値を設定しておき、最適化の目
的とする評価関数の善し悪しを判断しつつ、変数を改善
してゆく。遺伝的アルゴリズムでは、最適化の対象とす
る系を決定する変数を数列(数列を遺伝子、数列の一部
を染色体という)に表し、これにより定まる系を一個体
として複数の個体からなる個体群(世代)を発生させ、
評価関数より適応度を評価し、適応度の低い個体を減ら
し、その分、適応度の高い個体を増やし(淘汰)、続い
て個体群より幾組かの2個体を確率的に選択し、2個体
それぞれに対応した数列の一部同士を入れ替える操作
(交叉)を行い、あるいはその後、個体群よりいくつか
の個体を確率的に選択し、その各個体に対応した数列の
一部を他の数値に置き換える操作(突然変異)を行う。
の交代)してゆくと、個体群の中で適応度の高い個体の
占める割合が次第に高くなってくる。そこで、適応度の
高い個体の占める割合が、予め設定した限界割合を超え
た場合などを計算の終了判定条件として、最適解を得る
ことができる。本手法は、最適化する変数や評価関数を
離散的に定義することができ、感度解析が不要であり、
また局部的最適解の多い問題に対して大域的な最適解に
到達する可能性をもつなど、最適化の信頼性が高い。
を用いた診断方法の手順を説明する。図3は、本発明に
係る診断方法の手順の概略を説明したフローチャートで
ある。
と、まず、オペレータによる入力によるオフラインまた
はセンサ12ーからの入力によるオンラインで、状態目
的変数の測定を行う(S1)。具体的には、この状態目
的変数とは、異常状態を表す鋼板3の蛇行量である。す
なわち、鋼板3の蛇行は、捲取形状不良という異常状態
につながり、歩留まりを低下させる製品プロセスの異常
となる。
比較による判定を行う(S2)。ここで、状態目的変数
(蛇行量)が閾値を超えていない場合には、正常状態で
あると判定して、処理を終了する。
えている場合には、オフラインまたはオンラインでの状
態目的変数(蛇行量)の状態説明変数の測定を行う(S
3)。具体的には、この状態説明変数とは、ピンチロー
ル5の押し力、ピンチロール5の左右のgap差、ピン
チロール5の回転数、ピンチロール5のリード率、各ラ
ッパーロール7の押し力、各ラッパーロール7の左右の
gap差、各ラッパーロール7の回転数、各ラッパーロ
ール7のリード率、ガイド4のgap、板巾、板厚、各
ロールの噛み込み経過時間である。
要因分析及び状態変数の絞り込みを行う(S4)。具体
的には、状態説明変数の絞り込みで、ニューラルネット
ワークで閾値を設け、入力層の影響係数が低いものに対
しては、削除を行った結果、ピンチロール5の押し力、
ピンチロール5の左右のgap差、板巾、ロールの噛み
込み経過時間以外は削除した。
I=1/Σ|(ニューラルネットワーク出力)−(自己
組織化式出力)|2 )を行う(S5)。直接、同定及び
式化を実行する場合は、DI=1/Σ|(実出力)−
(自己組織化式出力)|2 とする。
を行い(S6)、異常状態の原因の特定を行うとともに
(S7)、閾値内に状態目的変数を抑えるために必要な
修正すべき状態説明変数を遺伝的アルゴリズムによる組
合せ最適化によって導出する(S8)。
7に表示し(S9)、警報装置18により異常状態の警
報を行って(S10)、処理を終了する。
性的評価を行った場合に(S6)、原因の特定が行える
程度に式化の結果が熟成していない場合には、状態説明
変数の測定以下の処理(S3〜S6)を繰り返して行
う。
する。まず、図4に基づいて、上記した状態説明変数の
測定(S3)で測定した各データを用いて、ニューラル
ネットワークによる異常要因分析(同定)(S4)の有
効性の検討結果を説明する。図4は、ニューラルネット
ワークによるプロセスの同定有効性の検討結果を示した
グラフで、縦軸にニューラルネットワーク出力の蛇行
量、横軸に鋼板3の蛇行角の実測値が示してある。
ータを用いて、ニューラルネットワークによる異常要因
分析(同定)結果と、鋼板3の蛇行角の実測値を比較し
たところ、図4に示すように、相関係数が99%とな
り、非常によい相関関係を示していて、ニューラルネッ
トワークによる同定が有効であることが分かった。
式化(S5)の手順をさらに詳しく説明する。遺伝的ア
ルゴリズムによる式化では、不明な現象(異常)を式に
表し、因果関係の普遍化を行うことを目的としている。
この遺伝的アルゴリズムによる式化の手順を順を追って
説明する。
を入力し、マクロプログラムによりテキストファイル化
する。ここで、各変数の基本統計量を算出し、各Pn平
均値±2.5×標準偏差>Pnのパラメータ以外のデー
タを抽出し、データナンバーとデータ内容を表示装置1
7に表示して、データの採用あるいは棄却の判断を行
う。
ズムのオペレーションの諸仕様を入力する。入力する諸
仕様は、例えば、一点あるいは複数交差、初期集団数、
突然変異率、禁制事項(制限、打ち切り条件)等であ
る。
る。 i)初期集団の生成を行う。初期集団の生成におけるツリ
ーの作成では、根に四則演算子あるいはn乗子を入力
し、入力した諸仕様の内容で文法に従って、ツリーの制
限まで、また乱数によって条件に当てはまるまで繰り返
し演算を行い、構造体を生成する。 ii)ツリーによって表現された式に、それぞれ予め作成
したテキストファイルの説明変数及び目的変数を代入し
て、式によって出力される結果(予測)と目的変数の2
乗差の総和の逆数を適応度(評価関数)として算出し、
遺伝的アルゴリズムオペレータに掛ける。 iii)淘汰に続いて、増殖を行う。 iv)交差の方法は、適応度の高い2組のツリーを適応度
の高い確率で選択し、一方を基準にして、基本的には同
じ節のランクでの交差を実行する。但し、下のランクで
も最大ツリー(節)制限にかからなければ交差を可能と
する。 v)突然変異は、ツリーで表された式が成立すれば良い。
成立しなければ、成立するまで繰り返す。但し、説明変
数係数Kで突然変異を起こす場合には、説明変数係数K
の数値のみを変異させる。 vi)相関係数及びF値検定により、最大適応度の式が所
定の数を超えるまで、または事前に設定した時間をオー
バーするまで計算を行う。 vii)上記したii)〜vi)を繰り返す。
経過を含めて出力する。出力する演算結果は、表示装置
17に表示され、表示内容は、以下の通りである。 i)最大適応度の式による予測と実績値の分布図、F値、
相関関数 ii)世代数を横軸にした最大適応度、平均適応度 iii)選出された平均、最大適応度の式 このようにして遺伝的アルゴリズムを用いて式化を行っ
た結果、以下の式を得た。
ンドレル6までの捲取工程全体でのニューラルネットワ
ークによる同定を行い、所定の閾値内に状態目的変数で
ある蛇行量を抑えるための必要な状態変数とその修正量
を求める手順(S8)をさらに詳しく説明する。この組
合せ最適化では、不明な現象(異常)を閾値内に抑える
ために、原因となる説明変数と修正量の抽出を行うこと
を目的としている。この組合せ最適化の手順を順を追っ
て説明する。
ワークで、異常目的変数、異常説明変数を入力し、異常
現象を目的変数として異常原因(説明変数)の同定を行
う。
ワークの入力層、中間層、出力層の各個数及び目的変
数、説明変数等を入力し、マクロプログラムによりテキ
ストファイル化する。ここで、各変数の基本統計量を算
出し、各Pn平均値±2.5×標準偏差>Pnのパラメ
ータ以外のデータを抽出し、データナンバーとデータ内
容を表示装置17に表示して、データの採用あるいは棄
却の判断を行う。
ズムのオペレーションの諸仕様を入力する。入力する諸
仕様は、例えば、一点あるいは複数交差、初期集団数、
突然変異率、禁制事項(制限、打ち切り条件)等であ
る。 i)ここで、説明変数修正量の修正が不可能な説明変数の
指定を行うことも可能とする。指定された説明変数修正
量は、遺伝的アルゴリズムオペレーションの対象から外
される。 ii)最小の説明変数修正量が出た説明変数が、主原因と
判定される。 iii)主原因が修正不可能な場合は、再度、主原因以外の
修正説明変数及び修正量を求める。 iv)修正量が大きすぎて修正不可能な場合は、複数の説
明変数の抽出を、1→2→3→・・・の順に求める。
る。 i)初期集団の生成を行う。(ここでは、遺伝的アルゴリ
ズムの対象を数値で表したフィルタα係数を対象とす
る。)0〜1の実数を8ビットで表現し、説明変数と同
じ数だけのビット列を作り、諸仕様で決定した数だけ生
成する。遺伝的アルゴリズムのオペレーションは、ビッ
ト列で行う。また、ビット列を数値に変換した値を、
(修正量)=1−(数値)として定義する。 ii)求めた修正量は、ニューラルネットワークにおける
入力層の入り側にフィルタとして設定し、ニューラルネ
ットワークによる演算を行う。 iii)淘汰→増殖→交差→突然変異の順序で、上記したi)
〜iii)を所定の適応度または時間まで繰り返す。
経過を含めて出力する。出力する演算結果は、表示装置
17に表示され、表示内容は、以下の通りである。 i)世代数を横軸にした最大適応度、平均適応度 ii)選出された平均、最大適応度の修正係数
ンチロール5…の押さえ力を10%下げることによっ
て、蛇行量が閾値内に収まることが導出された。これに
従って、実際に操業設定を変更したところ、蛇行量が閾
値内に収まることを確認した。
化の手法として、遺伝的アルゴリズムを用いたが、組合
せ最適化の手法は、他の手法、例えば、SA(シミュレ
ーテッド・アニーリング法)やLP(線形計画法)等を
用いることもできる。
以下に説明するような効果を奏することができる。
ューラルネットワークを用いたことにより、非線形プロ
セス現象を取り扱うことが可能で、関数の形状に関係な
く取り扱いが容易で、外乱の影響を受け難い。また、遺
伝的アルゴリズムを用いたことにより、局所解を避ける
アルゴリズムを持って、最適化を容易に行うことができ
る。
発明の効果に加えて、異常要因分析の効率化を図るとと
もに、因果関係を式に表すことでニューラルネットワー
クのブラックボックス化を防止して、簡易に物理現象に
照らし合わせて、異常要因同定の信頼性を確認すること
ができる。
2記載の発明の効果に加えて、組合せ最適化手法として
遺伝的アルゴリズムを用いることにより、より迅速に解
を求めることができる。
発明の効果に加えて、異常状態を発見した場合に、警報
を発して当該異常状態を報知することができる。
5記載の発明の効果に加えて、組合せ最適化手法として
遺伝的アルゴリズムを用いることにより、より迅速に解
を求めることができる。
ック図である。
構成を示した説明図である。
フローチャートである。
有効性の検討結果を示したグラフである。
Claims (6)
- 【請求項1】対象設備及び製品プロセスの異常状態を、
オンラインまたはオフラインで診断する方法において、 測定した異常状態が、設備異常または品質異常の問題と
ならないレベルに設定した所定の閾値を超えた場合に、
当該異常に関連する状態説明変数及び異常目的変数を求
め、 ニューラルネットワークにより、1あるいは複数の異常
要因分析を行って、状態目的変数に対する状態説明変数
の影響を同定し、 異常目的変数を所定の閾値内に抑えるために修正すべき
状態説明変数の1あるいは複数の解を、組み合わせ最適
化方法によって自動的に導き出すことを特徴とする設備
及び製品プロセス異常状態の診断方法。 - 【請求項2】異常要因分析工程において因果関係を表す
方法では、 ニューラルネットワークにおけるニューロンに対応する
要因が所定の重み以下である場合には、当該ニューロン
に対応する要因を状態説明変数から除外して、判定に必
要な要因のみを選別し、 評価関数DIを DI=1/Σ|(ニューラルネットワーク出力)−(自
己組織化式出力)|2 で表される遺伝的アルゴリズムによって、自己組織化に
よる式化を行うことを特徴とする請求項1記載の設備及
び製品プロセス異常状態の診断方法。 - 【請求項3】組合せ最適化方法では、 遺伝的アルゴリズムを用いることを特徴とする請求項1
または2記載の設備及び製品プロセス異常状態の診断方
法。 - 【請求項4】対象設備及び製品プロセスの異常状態を、
オンラインまたはオフラインで診断するとともに、その
診断結果を出力する設備及び製品プロセス異常状態の診
断装置において、 診断に必要なデータを収集するデータ収集手段と、 収集したデータを状態説明変数及び異常目的変数にそれ
ぞれ変換して、異常兆候を所定の閾値と比較する演算手
段と、 パラメータを蓄え、異常兆候が現れた場合に、異常兆候
パラメータと異常要因パラメータとからニューラルネッ
トワークを作成して、現象を同定するとともに、同定し
たニューラルネットワークをベースとして異常要因パラ
メータを必要な個数だけ選別し、遺伝的アルゴリズムを
用いて自己組織化による式化を行う式化手段と、 異常兆候を所定の閾値内に抑えるために必要な異常要因
の選択を、組合せ最適化により求める演算処理手段と、 前記データ収集手段、演算手段、式化手段、演算処理手
段におけるデータを記憶する記憶手段と、 演算の課程及び診断結果を表示する表示手段と、 を備えたことを特徴とする設備及び製品プロセス異常状
態の診断装置。 - 【請求項5】異常状態が発生した場合に、警報を発生す
る警報手段を備えたことを特徴とする請求項4記載の設
備及び製品プロセス異常状態の診断装置。 - 【請求項6】演算処理手段では、 遺伝的アルゴリズムを用いた組み合わせ最適化により異
常要因の選択を行うことを特徴とする請求項4または5
記載の設備及び製品プロセス異常状態の診断装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP29784896A JP3579553B2 (ja) | 1996-10-23 | 1996-10-23 | 設備及び製品プロセス異常状態の診断方法及び診断装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP29784896A JP3579553B2 (ja) | 1996-10-23 | 1996-10-23 | 設備及び製品プロセス異常状態の診断方法及び診断装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH10122917A true JPH10122917A (ja) | 1998-05-15 |
JP3579553B2 JP3579553B2 (ja) | 2004-10-20 |
Family
ID=17851941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP29784896A Expired - Fee Related JP3579553B2 (ja) | 1996-10-23 | 1996-10-23 | 設備及び製品プロセス異常状態の診断方法及び診断装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3579553B2 (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000288877A (ja) * | 1999-04-05 | 2000-10-17 | Toshiba Corp | データ間の因果関係導出システム及びデータベースに於ける因果関係導出方法 |
WO2016079972A1 (ja) * | 2014-11-19 | 2016-05-26 | 日本電気株式会社 | 要因分析装置、要因分析方法と記録媒体、及び、要因分析システム |
US9444392B2 (en) | 2014-04-02 | 2016-09-13 | Mitsubishi Electric Corporation | Motor control device and motor control system |
CN110333392A (zh) * | 2019-06-18 | 2019-10-15 | 重庆市轨道交通(集团)有限公司 | 司控器检测装置 |
JP2019179007A (ja) * | 2018-03-30 | 2019-10-17 | 株式会社トプコン | 測量システム |
JP2019179006A (ja) * | 2018-03-30 | 2019-10-17 | 株式会社トプコン | 測量機および測量システム |
WO2022085350A1 (ja) * | 2020-10-22 | 2022-04-28 | Jfeスチール株式会社 | 異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0674876A (ja) * | 1992-08-28 | 1994-03-18 | Kawasaki Steel Corp | 設備診断方法及び装置 |
JPH07200040A (ja) * | 1993-12-10 | 1995-08-04 | Eastman Kodak Co | 製造プロセスを制御する方法 |
JPH07278632A (ja) * | 1994-04-11 | 1995-10-24 | Nippon Steel Corp | 高炉炉底状況の推定方法 |
-
1996
- 1996-10-23 JP JP29784896A patent/JP3579553B2/ja not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0674876A (ja) * | 1992-08-28 | 1994-03-18 | Kawasaki Steel Corp | 設備診断方法及び装置 |
JPH07200040A (ja) * | 1993-12-10 | 1995-08-04 | Eastman Kodak Co | 製造プロセスを制御する方法 |
JPH07278632A (ja) * | 1994-04-11 | 1995-10-24 | Nippon Steel Corp | 高炉炉底状況の推定方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000288877A (ja) * | 1999-04-05 | 2000-10-17 | Toshiba Corp | データ間の因果関係導出システム及びデータベースに於ける因果関係導出方法 |
US9444392B2 (en) | 2014-04-02 | 2016-09-13 | Mitsubishi Electric Corporation | Motor control device and motor control system |
WO2016079972A1 (ja) * | 2014-11-19 | 2016-05-26 | 日本電気株式会社 | 要因分析装置、要因分析方法と記録媒体、及び、要因分析システム |
JPWO2016079972A1 (ja) * | 2014-11-19 | 2017-09-14 | 日本電気株式会社 | 要因分析装置、要因分析方法とプログラム、及び、要因分析システム |
JP2019179007A (ja) * | 2018-03-30 | 2019-10-17 | 株式会社トプコン | 測量システム |
JP2019179006A (ja) * | 2018-03-30 | 2019-10-17 | 株式会社トプコン | 測量機および測量システム |
CN110333392A (zh) * | 2019-06-18 | 2019-10-15 | 重庆市轨道交通(集团)有限公司 | 司控器检测装置 |
CN110333392B (zh) * | 2019-06-18 | 2021-07-13 | 重庆市轨道交通(集团)有限公司 | 司控器检测装置 |
WO2022085350A1 (ja) * | 2020-10-22 | 2022-04-28 | Jfeスチール株式会社 | 異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置 |
JP2022068595A (ja) * | 2020-10-22 | 2022-05-10 | Jfeスチール株式会社 | 異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置 |
Also Published As
Publication number | Publication date |
---|---|
JP3579553B2 (ja) | 2004-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113779496B (zh) | 一种基于设备全景数据的电力设备状态评估方法及系统 | |
CN111445103B (zh) | 一种基于工业互联网的输电线缆生产质量管理反馈系统 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN106682781A (zh) | 一种电力设备多指标预测方法 | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建系统 | |
CN116292367B (zh) | 基于一维卷积的电厂风机系统异常工况检测方法 | |
Amiri et al. | Multi-objective economic-statistical design of MEWMA control chart | |
CN111784061A (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
JP3579553B2 (ja) | 設備及び製品プロセス異常状態の診断方法及び診断装置 | |
Yu et al. | A framework to identify and respond to weak signals of disastrous process incidents based on FRAM and machine learning techniques | |
CN113868948A (zh) | 一种面向用户的动态阈值模型训练系统及方法 | |
CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
Shojaee et al. | Applying SVSSI sampling scheme to np-chart to decrease the time of detecting shifts using Markov chain approach and Monte Carlo simulation | |
Sharma | Fuzzy reliability analysis of repairable industrial systems using soft-computing based hybridized techniques | |
KR102499182B1 (ko) | 인공지능을 이용한 가계대출 사기/부실 상시감사지원시스템 | |
CN115457307A (zh) | 一种基于改进残差网络的化工过程故障诊断方法 | |
JP3892614B2 (ja) | 設備及び製品プロセス異常状態の診断方法及び装置 | |
CN113780852A (zh) | 一种板带轧制过程质量缺陷的诊断方法 | |
Schnelle et al. | A real-time expert system for quality control | |
Buceti et al. | Automatic validation of the five-channel DCN interferometer in ENEA-FTU based on soft-computing techniques | |
Najar et al. | Comparative Machine Learning Study for Estimating Peak Cladding Temperature in AP1000 Under LOFW | |
JP2022068690A (ja) | 意思決定支援装置 | |
CN114004360B (zh) | 基于模糊专家模型的智能装备诊断设备和方法 | |
Lajoie et al. | A data-driven framework to deal with intrinsic variability of industrial processes: An application in the textile industry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20040123 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040203 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040402 |
|
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: 20040706 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20040716 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20070723 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080723 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080723 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090723 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090723 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100723 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110723 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120723 Year of fee payment: 8 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130723 Year of fee payment: 9 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130723 Year of fee payment: 9 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130723 Year of fee payment: 9 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130723 Year of fee payment: 9 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130723 Year of fee payment: 9 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
LAPS | Cancellation because of no payment of annual fees |