JPWO2020196441A1 - プロセス状態監視装置及びプロセス状態監視方法 - Google Patents
プロセス状態監視装置及びプロセス状態監視方法 Download PDFInfo
- Publication number
- JPWO2020196441A1 JPWO2020196441A1 JP2020545819A JP2020545819A JPWO2020196441A1 JP WO2020196441 A1 JPWO2020196441 A1 JP WO2020196441A1 JP 2020545819 A JP2020545819 A JP 2020545819A JP 2020545819 A JP2020545819 A JP 2020545819A JP WO2020196441 A1 JPWO2020196441 A1 JP WO2020196441A1
- Authority
- JP
- Japan
- Prior art keywords
- value
- characteristic value
- state
- calculated
- calculation unit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 129
- 230000008569 process Effects 0.000 title claims abstract description 107
- 238000012806 monitoring device Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 title claims description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 53
- 238000000926 separation method Methods 0.000 claims abstract description 20
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 12
- 238000010923 batch production Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 238000002405 diagnostic procedure Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000005445 natural material Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 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
-
- 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
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/14—Digital output to display device ; Cooperation and interconnection of the display device with other functional units
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本発明に係るプロセス状態監視装置は、プロセスの状態を示す値の時系列データから２つ以上の成分を分離する成分分離演算部と、成分分離部によって分離された各成分から特性値を演算する特性値演算部と、特性値演算部によって演算された特性値に基づいてプロセスの状態を分類する状態判定部と、を備えることを特徴とする。このような構成によれば、プロセスの状態を詳細に特定できる。なお、プロセス状態監視装置は、特性値演算部によって演算された特性値に基づいて過去のデータベースからプロセスと類似した操業事例を検索する類似事例検索部を備えてもよい。
Description
本発明は、製造プロセス等のプロセスの状態を監視するプロセス状態監視装置及びプロセス状態監視方法に関する。
製造プロセス、発電プロセス、搬送プロセス、廃液処理プロセス等のプロセスの状態、特に異常状態を診断する方法としては、モデルベースアプローチとデータベースアプローチとがある。モデルベースアプローチは、プロセスにおける物理的又は化学的な現象を数式で表現したモデルを構築し、構築したモデルを用いてプロセスの状態を診断するアプローチである。一方、データベースアプローチは、プロセスで得られた操業データから統計解析的なモデルを構築し、構築したモデルを用いてプロセスの状態を診断するアプローチである。
鉄鋼プロセスのような製造プロセスでは、１つの製造ラインで多品種、多サイズの製品が製造されるため、操業パターンが無数に存在する。また、高炉プロセスのような製造プロセスでは、鉄鉱石やコークス等のような自然物を原材料として用いるために、製造プロセスのばらつきが大きい。このため、鉄鋼プロセスのような製造プロセスの製造状態を診断する場合には、モデルベースアプローチのみによるアプローチでは限界がある。
データベースアプローチとしては、過去の異常発生時の操業データをデータベース化して現在の操業データとの類似性を判定する診断方法や、逆に正常時の操業データをデータベース化して現在の操業データとの違いを判定する診断方法がある。ところが、鉄鋼プロセスのような製造プロセスでは、製造に用いられる設備点数が多い上に、特に日本のように老朽化が進んだ設備が多い場合、過去に前例のないトラブルが発生することが少なくない。このため、過去のトラブル事例をベースとする前者のような診断方法では異常状態の診断に限界がある。
一方、後者の診断方法としては、特許文献１，２に記載されているものがある。特許文献１，２には、正常時の操業データからパターンを抽出、ライブラリ化し、取得した操業データとライブラリ化されたパターンとの違いを判定することにより、いつもと違う状況を早期に検知する方法が記載されている。本法によれば、正常時の操業パターンが単独でない場合でも、いつもと違う状況を確実に検知することができる。但し、製造プロセスの操業パターンが無数に存在する場合、操業の度毎にパターンの数が増大し続ける懸念がある。そこで、このような問題を解決する方法として、特許文献３に記載されている方法がある。特許文献３には、複数のサブモデルの予測誤差から逸脱指標を一旦求めた上で、逸脱指標のパターンに基づきプロセスの状態を判定する方法が記載されている。本法によれば、サブモデルにより説明される部分は多様性が制限されるので、本質的にいつもと違う状況を効率的に整理することが可能となる。
しかしながら、逸脱指標の発生形態はトラブルの内容に応じて異なるため、上記方法ではプロセスの状態を十分に監視することはできない。例えば、プロセスの処理がバッチ処理の繰り返しとして実施される対象では、設備機械精度の経時的劣化の場合、その機械の状態に該当する逸脱指標はプロセスのバッチ処理間で緩慢に上昇する。これに対して、突発的な故障の場合には、該当する逸脱指標はプロセスのバッチ処理内で急峻に上昇する。なお、バッチ処理間で生じる突発的な故障は、次のバッチ処理が開始される前に、異常であることがわかり事前に処置可能なので大きな問題に至らない。また、制御系トラブルの場合、ハンチングを起こすことが多いため、該当する逸脱指標はバッチ処理内で特有の周波数で変動的となる。さらに、センサ故障や外乱変動の場合には、ノイズが増大し、ケーブル不良の場合はパルス的なノイズがのる。また、プロセスが連続的、継続的に操業が実施される対象である場合でも、プロセスの動特性を考慮して、定常操業が評価できるような所定期間を予め定義し、その所定期間毎に実績データ等を管理すれば、同様の状況が生じる。あるいは、プロセスの動特性を考慮したモデルを定義し、そのモデルにより演算される逸脱指標を利用することにより、分単位、時間単位、日単位等の予め定義した所定期間毎に管理すれば、同様の状況が生じる。このため、逸脱指標の発生形態を考慮することにより、さらに詳細にトラブルを特定可能な技術の提供が期待されていた。
本発明は、上記課題に鑑みてなされたものであって、その目的は、プロセスの状態を詳細に特定可能なプロセス状態監視装置及びプロセス状態監視方法を提供することにある。
本発明に係るプロセス状態監視装置は、プロセスの状態を示す値の時系列データから２つ以上の成分を分離する成分分離演算部と、前記成分分離演算部によって分離された各成分から特性値を演算する特性値演算部と、前記特性値演算部によって演算された特性値に基づいて前記プロセスの状態を分類する状態判定部と、を備える。
前記特性値演算部によって演算された特性値に基づいて過去のデータベースから前記プロセスと類似した操業事例を検索する類似事例検索部を備えるとよい。
前記時系列データは、前記値の予測値と実績値との差分値の時系列データであるとよい。
前記時系列データは、前記値について求められた、予め設定された前記プロセスの状態が正常である時の値からの差分値又は予め設定された前記プロセスの状態が正常である時の値に対する比の値の時系列データであるとよい。
前記成分分離演算部は、フィルタリング処理によって前記時系列データから前記成分を分離するとよい。
前記特性値演算部は、平均値、最大値、最大値と最小値との差分値、標準偏差、前半部と後半部との差分値、平均交差回数、及び最大値と最小値との差分値に基づく演算値を含む統計量のうちの少なくとも一つを前記特性値として演算するとよい。
前記状態判定部は、機械学習技術を利用して前記プロセスの状態を分類するとよい。
前記類似事例検索部は、前記類似事例検索部は、複数の特性値によって構成される変数空間において定義された前記プロセスとの間の距離及び／又は角度に基づいて各操業事例の類似度を判断し、前記類似度に寄与した成分を寄与度として演算するとよい。
前記類似事例検索部によって演算された各操業事例の類似度及び寄与度と共に、検索された操業事例においてなされたアクション及び操業状態を表示するガイダンス表示部を備えるとよい。
本発明に係るプロセス状態監視方法は、プロセスの状態を示す値の時系列データから２つ以上の成分を分離する成分分離演算ステップと、前記成分分離演算ステップにおいて分離された各成分から特性値を演算する特性値演算ステップと、前記特性値演算ステップにおいて演算された特性値に基づいて前記プロセスの状態を分類する状態判定ステップと、を含む。
本発明に係るプロセス状態監視装置及びプロセス状態監視方法によれば、プロセスの状態を詳細に特定することができる。
以下、図面を参照して、本発明の一実施形態であるプロセス状態監視装置の構成について説明する。
図１は、本発明の一実施形態であるプロセス状態監視装置の構成を示すブロック図である。図１に示すように、本発明の一実施形態であるプロセス状態監視装置１は、製造プロセス、発電プロセス、搬送プロセス、廃液処理プロセス等のプロセスの状態を診断するための装置であり、コンピュータ等の情報処理装置によって構成されている。本実施形態では、プロセス状態監視装置１には、入力部２、出力部３、及び操業データベース（操業ＤＢ）４が接続されている。
プロセス状態監視装置１は、情報処理装置の内部の演算処理装置がコンピュータプログラムを実行することにより、逸脱指標算出部１１、成分分離演算部１２、特性値演算部１３、状態判定部１４、類似事例検索部１５、及びガイダンス表示部１６として機能する。
逸脱指標算出部１１は、入力部２から入力されたプロセスの状態を示す値の時系列データを用いて、プロセスの状態が正常時の状態に対してどの程度逸脱しているかを示す逸脱指標を算出する。具体的には、プロセスの状態を示す値が、設備又は設備の近傍に設置されている振動センサ、音響センサ、及び温度センサのいずれかの検出値である場合、その検出値が設備の状態を示す値となる。よって、正常時の値と検出値との比較をする程度の演算でよい。一例として、逸脱指標算出部１１は、予め正常な期間を設定し、その期間における検出値の平均値及び標準偏差を演算する。これにより、逸脱指標は、(検出値−正常期間の平均値)／正常期間の標準偏差として演算することが可能となる。なお、プロセスの状態を示す値が、前述のように直接的に設備の状態を示す値ではない場合には、その値を予測するモデルを構築し、モデルの予測値と実績値との差を逸脱指標とすることができる。上記モデルとしては、理論モデルや重回帰モデル等の統計モデルを例示することができる。また、設備が圧延設備である場合、設備の状態を示す値としては、差荷重、和荷重、圧下位置、圧延設備間張力等を例示できる。
成分分離演算部１２は、プロセスのバッチ処理毎等を含む、予め定めた所定期間毎に、逸脱指標算出部１１によって演算された逸脱指標から少なくとも２つ以上の成分を分離する。ここで、以下の説明では、バッチ処理毎にデータを処理する例について説明を進めるが、予め別途定めた所定期間毎のデータ処理であっても同様の処理が可能である。成分分離演算部１２は、具体的には、指数平滑法やウェーブレット解析の１つである多重解像度解析等のフィルタリング処理を利用して、逸脱指標から時定数が異なる２つ以上の周波数成分を分離する。図２（ａ）〜（ｄ）は、一例として、指数平滑法を用いて逸脱指標から３つの成分（長期成分、中期成分、及び短期成分）を分離した場合の例を示す。図２（ｂ）に示す長期成分（低周波数成分）は、最も平滑化された逸脱指標のトレンドを示す成分である。また、図２（ｄ）に示す短期成分（高周波数成分）は、最も変動成分の多い成分である。また、図２（ｃ）に示す中期成分（中間周波数成分）は、長期成分と短期成分の中間に位置づけされる成分である。なお、図２（ｂ）〜（ｄ）の３つの成分を合計すれば図２（ａ）に示す元の逸脱指標となる。
特性値演算部１３は、プロセスのバッチ処理毎に、成分分離演算部１２によって演算された各成分から特性値を演算する。具体的には、特性値演算部１３は、成分分離演算部１２によって分離された各成分について、プロセスのバッチ処理毎にその平均値、最大値、最大値と最小値との差分値（ｍａｘ−ｍｉｎ）、標準偏差、波形のトレンドを明確化するための前半部と後半部との差分値、波形の周波数成分をとらえるための平均値を交差した回数（平均交差回数）や平均値を交差した回数をバッチ処理のデータ点数で割った平均交差の密度、及びパルス波形をとらえるための最大値と最小値との差分値に基づく演算値等を含む統計量のうちの少なくとも一つを演算する。特性値として演算する値はこれに限定されるものではなく、その他の周期的特徴等を抽出したものでも構わない。ここで、前半部と後半部との差分値とは、例えばバッチ処理のデータを時間的半分又はデータ点数の半分で区切ったときのそれぞれの平均値の差を意味するが、これに限定されるものでなく、発生現象等考慮して前半のデータと後半のデータの配分を変更しても構わない。このような特徴量は、機器の異常に起因する異常な制御入力の上昇傾向や、機器故障による急激な出力低下などをとらえることを可能とする。また、パルス波形をとらえるための最大値と最小値との差分値に基づく演算値とは、例えばバッチ処理のデータ内において“（最大値と最小値との差分値）／２＋最小値”を超えるデータ点数や、それを全データ点数で割った密度を意味する。これらの値は、データ点数が少なく周波数を正確に測れない場合にも特徴を抽出でき、また計算が簡易で容易に構成できるという利点がある。ここでは、例えば、特性値演算部１３は、図２（ｂ）に示す長期成分については、平均値及び最大値−最小値、前半部と後半部との差分値、図２（ｃ），（ｄ）に示す中期成分及び短期成分については、最大値−最小値及び標準偏差、平均交差回数、最大値と最小値との差分値に基づく演算値を演算する。
状態判定部１４は、特性値演算部１３によって演算された特性値を用いてプロセスの状態を分類する。具体的には、状態判定部１４は、予め用意した特性値とトラブル内容との関係を示す分類モデルを用いて、対象となるプロセスのバッチ処理にどのトラブルが含まれているのかを判定する。どの設備でどのようなトラブルが生じるのかは、対象データの変数名、成分、及び特性値によって決まるので、機械学習を用いて分類モデルを構築することができる。すなわち、変数別、成分別の特性値を機械学習の入力として与え、トラブル内容のラベルを与えることにより、分類モデルの構築が可能となる。機械学習手法としては、決定木、サポートベクターマシン、ニューラルネット等を用いることができる。
以下の表１に分類モデルの一例を示す。表１に示すように、図２（ｂ）に示す長期成分（成分１）に対して演算された平均値により、バッチ処理間の緩慢な変化を捉えることができる。この場合、主なトラブル例は、設備の機械精度の経時劣化である。また、成分１に対して演算された最大値と最小値との差分値により、バッチ処理内の急峻な変化を捉えることができる。この場合、主なトラブル例は、設備を構成するパーツの突発的な故障である。一方、図２（ｃ）に示す中期成分（成分２）に対して演算された標準偏差値及び最大値と最小値との差分値により、バッチ処理内の周期的変動を捉えることができる。この場合、主なトラブル例は、制御系ハンチング（例えば張力成分のハンチング）である。また、図２（ｄ）に示す短期成分（成分３）に対して演算された標準偏差値により、ノイズの増大を捉えることができる。この場合、主なトラブル例は、センサノイズや外乱変動である。また、成分３に対して演算された最大値と最小値との差分値により、パルス状ノイズを捉えることができる。この場合、主なトラブル例は、センサケーブルの不良等である。
類似事例検索部１５は、特性値演算部１３によって演算された特性値を用いて、処理対象のプロセスについて類似した操業事例のデータを操業ＤＢ４から検索する。具体的には、類似事例検索部１５は、変数別及び成分別に複数演算された特性値で構成される変数空間において距離を定義し、距離に基づいて処理対象のプロセスと操業ＤＢ４内に格納されている過去の操業事例との類似性を類似度として演算する。そして、類似事例検索部１５は、類似性の高い順に過去の操業事例を出力部３に出力する。距離の定義の例として、ユークリッド距離を例示することができる。類似度の演算方法としては、以下の表２に示すように、操業事例の特性値で構成される特性値ベクトル間のユークリッド距離に基づく類似度のほかに、特性値ベクトル間の角度に基づくコサイン類似度を例示することができる。コサイン類似度は２つのベクトルの内積（表２中のａ・ｂ）の公式から、２つのベクトルのなす角の余弦（コサイン）値を算出するものである。いずれの類似度を用いた検索方法を使用するかは、トラブルの状況によって使い分けることができる。使い分け方としては、例えば比較する特性値が少ない場合（トラブルの原因がはっきりしているケース）はユークリッド距離に基づく類似度を用い、比較する特性値が多い場合（トラブルの原因がはっきりしていないケース）はコサイン類似度を用いることが考えられる。あるいは、コサイン類似度は、角度を求める性質上、各特性値の大きさではなく出力の傾向をみることとなる。そのため、高次元で傾向を見ることに適している。これを利用すると、例えば圧延の例でいえば、１つの圧延機に係る信号全般の特性値の傾向を見て、装置全体としての異常傾向をつかみ、過去の類似の事例検索をすることが可能となる。これに対して、ユークリッド距離に基づく類似度は特性値の個々の大きさが重要視されるため、低次元で構成する特性値ベクトルで過去事例を検索するのに適している。
ガイダンス表示部１６は、類似事例検索部１５が演算した類似度が設定した閾値を越えた場合、過去のトラブルのデータからトラブル事例の詳細をガイダンス表示する。ガイダンス表示の内容としては、トラブル事例の操業状態を示す指定された観測データや設定値のほか、トラブル抑制のために行われたアクション（対象プロセスの操業で操作された操作端の項目とその操作量等）を例示することができる。また、ガイダンス表示には、登録された内容だけでなく、類似に寄与した特性値を寄与度として含める。ここで、トラブル事例の類似性に寄与した特性値を示す寄与度は、表２に示すようにそのトラブルの類似度演算手法に基づいて算出されるものである。表２において、ｄは類似検索する２点間のユークリッド距離、ｄｉはｉ番目の特性値の距離、ａ，ｂは検索する２点のベクトル、ａｉ，ｂｉはそれぞれのベクトルのｉ番目の要素を示している。このような寄与度をガイダンス表示することにより、類似している特徴に寄与する要因を定量的に示せるので、トラブルの原因を推定しやすくなる。このように、ガイダンス表示部１６は、類似度、寄与度、過去のトラブルでなされた実際のアクション、及び当時の操業状態を表示することによりガイダンスを行う。
以上の説明から明らかなように、本発明の一実施形態であるプロセス状態監視装置１は、逸脱指標から２つ以上の成分を分離する成分分離演算部１２と、プロセスのバッチ処理毎に成分分離演算部１２によって分離された各成分から特性値を演算する特性値演算部１３と、特性値演算部１３によって演算された特性値に基づいてプロセスの状態を分類する状態判定部１４と、を備えるので、プロセスの状態を詳細に特定することができる。
以上、本発明者らによってなされた発明を適用した実施の形態について説明したが、本実施形態による本発明の開示の一部をなす記述及び図面により本発明は限定されることはない。例えば、本実施形態では、プロセスの状態を示す値の時系列データ（例えば圧延材上の１点のデータ）から２つ以上の成分を分離したが、時系列データを長さ方向のデータ（例えば圧延材の長さ方向のデータ）に変換し、長さ方向のデータから２つ以上の成分を分離してもよい。また、本実施形態では、プロセスのバッチ処理毎のデータを利用する形態について説明しているが、前述のように、プロセスが連続的、継続的に操業が実施される対象である場合であっても、プロセスの動特性を考慮して、定常操業が評価できるような所定期間を予め設定し、その所定期間毎に実績データ等を管理すれば、同様に本願技術の適用は可能であり、本発明の範疇に含まれる。さらに、このような所定期間は必ずしも同一時間である必要は無く、逸脱指標が評価できる期間であれば、分単位、時間単位、日単位、バッチ単位等、様々に決定でき、本発明の範疇に含まれる。このように、本実施形態に基づいて当業者等によりなされる他の実施の形態、実施例、及び運用技術等は全て本発明の範疇に含まれる。
本発明によれば、プロセスの状態を詳細に特定可能なプロセス状態監視装置及びプロセス状態監視方法を提供することができる。
１ プロセス状態監視装置
２ 入力部
３ 出力部
４ 操業データベース（操業ＤＢ）
１１ 逸脱指標算出部
１２ 成分分離演算部
１３ 特性値演算部
１４ 状態判定部
１５ 類似事例検索部
１６ ガイダンス表示部
２ 入力部
３ 出力部
４ 操業データベース（操業ＤＢ）
１１ 逸脱指標算出部
１２ 成分分離演算部
１３ 特性値演算部
１４ 状態判定部
１５ 類似事例検索部
１６ ガイダンス表示部
Claims (10)
- プロセスの状態を示す値の時系列データから２つ以上の成分を分離する成分分離演算部と、
前記成分分離演算部によって分離された各成分から特性値を演算する特性値演算部と、
前記特性値演算部によって演算された特性値に基づいて前記プロセスの状態を分類する状態判定部と、
を備える、プロセス状態監視装置。 - 前記特性値演算部によって演算された特性値に基づいて過去のデータベースから前記プロセスと類似した操業事例を検索する類似事例検索部を備える、請求項１に記載のプロセス状態監視装置。
- 前記時系列データは、前記値の予測値と実績値との差分値の時系列データである、請求項１又は２に記載のプロセス状態監視装置。
- 前記時系列データは、前記値について求められた、予め設定された前記プロセスの状態が正常である時の値からの差分値又は予め設定された前記プロセスの状態が正常である時の値に対する比の値の時系列データである、請求項１又は２に記載のプロセス状態監視装置。
- 前記成分分離演算部は、フィルタリング処理によって前記時系列データから前記成分を分離する、請求項１〜４のうち、いずれか１項に記載のプロセス状態監視装置。
- 前記特性値演算部は、平均値、最大値、最大値と最小値との差分値、標準偏差、前半部と後半部との差分値、平均交差回数、及び最大値と最小値との差分値に基づく演算値を含む統計量のうちの少なくとも一つを前記特性値として演算する、請求項１〜５のうち、いずれか１項に記載のプロセス状態監視装置。
- 前記状態判定部は、機械学習技術を利用して前記プロセスの状態を分類する、請求項１〜６のうち、いずれか１項に記載のプロセス状態監視装置。
- 前記類似事例検索部は、複数の特性値によって構成される変数空間において定義された前記プロセスとの間の距離及び／又は角度に基づいて各操業事例の類似度を判断し、前記類似度に寄与した成分を寄与度として演算する、請求項２に記載のプロセス状態監視装置。
- 前記類似事例検索部によって演算された各操業事例の類似度及び寄与度と共に、検索された操業事例においてなされたアクション及び操業状態を表示するガイダンス表示部を備える、請求項８に記載のプロセス状態監視装置。
- プロセスの状態を示す値の時系列データから２つ以上の成分を分離する成分分離演算ステップと、
前記成分分離演算ステップにおいて分離された各成分から特性値を演算する特性値演算ステップと、
前記特性値演算ステップにおいて演算された特性値に基づいて前記プロセスの状態を分類する状態判定ステップと、
を含むことを特徴とするプロセス状態監視方法。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019057695 | 2019-03-26 | ||
| JP2019057695 | 2019-03-26 | ||
| PCT/JP2020/012821 WO2020196441A1 (ja) | 2019-03-26 | 2020-03-24 | プロセス状態監視装置及びプロセス状態監視方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2020196441A1 true JPWO2020196441A1 (ja) | 2021-04-08 |
| JP7180676B2 JP7180676B2 (ja) | 2022-11-30 |
Family
ID=72608828
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020545819A Active JP7180676B2 (ja) | 2019-03-26 | 2020-03-24 | プロセス状態監視装置及びプロセス状態監視方法 |
Country Status (6)
| Country | Link |
|---|---|
| EP (1) | EP3951530B1 (ja) |
| JP (1) | JP7180676B2 (ja) |
| KR (2) | KR20210124438A (ja) |
| CN (1) | CN113678074A (ja) |
| BR (1) | BR112021017758A2 (ja) |
| WO (1) | WO2020196441A1 (ja) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010128661A (ja) * | 2008-11-26 | 2010-06-10 | Fujitsu Ltd | 故障原因推測方法、故障原因推測装置、及びプログラム |
| JP2012155361A (ja) * | 2011-01-21 | 2012-08-16 | Toshiba Corp | プロセス監視装置 |
| JP2013114362A (ja) * | 2011-11-28 | 2013-06-10 | Nippon Steel & Sumitomo Metal | 操業品質予測装置、操業品質予測方法、コンピュータプログラムおよびコンピュータ読み取り可能な記憶媒体 |
| JP2016164772A (ja) * | 2015-02-26 | 2016-09-08 | 富士電機株式会社 | プロセス監視装置、プロセス監視方法及びプログラム |
| JP5996384B2 (ja) * | 2012-11-09 | 2016-09-21 | 株式会社東芝 | プロセス監視診断装置、プロセス監視診断プログラム |
| US20170052060A1 (en) * | 2014-04-24 | 2017-02-23 | Alstom Transport Technologies | Method and system for automatically detecting faults in a rotating shaft |
| JP2018014093A (ja) * | 2016-07-06 | 2018-01-25 | Ｊｆｅスチール株式会社 | プロセスの状態診断方法及び状態診断装置 |
| WO2018235807A1 (ja) * | 2017-06-19 | 2018-12-27 | Ｊｆｅスチール株式会社 | プロセスの異常状態診断装置および異常状態診断方法 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5445065A (en) | 1977-09-12 | 1979-04-10 | Kito Corp | Chain block frame in light alloy casting in which core plate in steel is buried |
| JPS5499900U (ja) | 1977-12-24 | 1979-07-14 | ||
| JPS6012880Y2 (ja) | 1979-09-29 | 1985-04-24 | 松下電工株式会社 | 門扉 |
| US6311130B1 (en) * | 1996-08-12 | 2001-10-30 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Computer implemented empirical mode decomposition method, apparatus, and article of manufacture for two-dimensional signals |
| KR20040064275A (ko) * | 2001-11-09 | 2004-07-16 | 소스 프리시전 메디슨, 인코포레이티드 | 유전자 발현 프로파일을 이용한 질병의 동정, 모니터링,치료 및 생물학적 상태의 확인 |
| WO2004034231A2 (en) * | 2002-10-11 | 2004-04-22 | Flint Hills Scientific, L.L.C. | Intrinsic timescale decomposition, filtering, and automated analysis of signals of arbitrary origin or timescale |
| JP4594869B2 (ja) * | 2006-01-24 | 2010-12-08 | 富士通株式会社 | 状態監視装置 |
| WO2009125627A1 (ja) * | 2008-04-11 | 2009-10-15 | 三菱電機株式会社 | 機器状態検出装置及び機器状態検出方法並びに生活者異常検知装置、生活者異常検知システム及び生活者異常検知方法 |
| JP5499900B2 (ja) | 2010-05-25 | 2014-05-21 | Ｊｆｅスチール株式会社 | パターン自動抽出方法およびパターン自動抽出システム |
| CN106844161B (zh) * | 2017-02-20 | 2020-03-17 | 重庆邮电大学 | 一种带状态流计算系统中的异常监控及预测方法和系统 |
| JP6885321B2 (ja) * | 2017-12-22 | 2021-06-16 | Ｊｆｅスチール株式会社 | プロセスの状態診断方法及び状態診断装置 |
| CN109308447A (zh) * | 2018-07-29 | 2019-02-05 | 国网上海市电力公司 | 在电力远程监控中自动提取设备运行参数和运行状态的方法 |
-
2020
- 2020-03-24 KR KR1020217028937A patent/KR20210124438A/ko not_active Application Discontinuation
- 2020-03-24 KR KR1020247008635A patent/KR20240042121A/ko unknown
- 2020-03-24 EP EP20777340.9A patent/EP3951530B1/en active Active
- 2020-03-24 WO PCT/JP2020/012821 patent/WO2020196441A1/ja unknown
- 2020-03-24 BR BR112021017758A patent/BR112021017758A2/pt unknown
- 2020-03-24 JP JP2020545819A patent/JP7180676B2/ja active Active
- 2020-03-24 CN CN202080023623.4A patent/CN113678074A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010128661A (ja) * | 2008-11-26 | 2010-06-10 | Fujitsu Ltd | 故障原因推測方法、故障原因推測装置、及びプログラム |
| JP2012155361A (ja) * | 2011-01-21 | 2012-08-16 | Toshiba Corp | プロセス監視装置 |
| JP2013114362A (ja) * | 2011-11-28 | 2013-06-10 | Nippon Steel & Sumitomo Metal | 操業品質予測装置、操業品質予測方法、コンピュータプログラムおよびコンピュータ読み取り可能な記憶媒体 |
| JP5996384B2 (ja) * | 2012-11-09 | 2016-09-21 | 株式会社東芝 | プロセス監視診断装置、プロセス監視診断プログラム |
| US20170052060A1 (en) * | 2014-04-24 | 2017-02-23 | Alstom Transport Technologies | Method and system for automatically detecting faults in a rotating shaft |
| JP2016164772A (ja) * | 2015-02-26 | 2016-09-08 | 富士電機株式会社 | プロセス監視装置、プロセス監視方法及びプログラム |
| JP2018014093A (ja) * | 2016-07-06 | 2018-01-25 | Ｊｆｅスチール株式会社 | プロセスの状態診断方法及び状態診断装置 |
| WO2018235807A1 (ja) * | 2017-06-19 | 2018-12-27 | Ｊｆｅスチール株式会社 | プロセスの異常状態診断装置および異常状態診断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210124438A (ko) | 2021-10-14 |
| EP3951530B1 (en) | 2023-12-20 |
| BR112021017758A2 (pt) | 2021-11-23 |
| EP3951530A4 (en) | 2022-05-18 |
| CN113678074A (zh) | 2021-11-19 |
| JP7180676B2 (ja) | 2022-11-30 |
| EP3951530A1 (en) | 2022-02-09 |
| US20220187809A1 (en) | 2022-06-16 |
| WO2020196441A1 (ja) | 2020-10-01 |
| KR20240042121A (ko) | 2024-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2905665B1 (en) | Information processing apparatus, diagnosis method, and program | |
| US10410116B2 (en) | System and method for calculating remaining useful time of objects | |
| Sugumaran et al. | Effect of number of features on classification of roller bearing faults using SVM and PSVM | |
| Kundu et al. | Multiple failure behaviors identification and remaining useful life prediction of ball bearings | |
| Sugumaran et al. | Feature selection using decision tree and classification through proximal support vector machine for fault diagnostics of roller bearing | |
| Li et al. | A rolling bearing fault diagnosis strategy based on improved multiscale permutation entropy and least squares SVM | |
| KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
| KR20140058501A (ko) | 패턴 시퀀스를 가지는 커널 회귀 모델링을 사용하는 모니터링 시스템 | |
| US20150276557A1 (en) | State monitoring system, state monitoring method and medium | |
| JP6200833B2 (ja) | プラントと制御装置の診断装置 | |
| JP6792746B2 (ja) | 周波数領域のセグメント特徴解析による状態識別法 | |
| US10921777B2 (en) | Automated machine analysis | |
| JP2013140135A (ja) | 周期的駆動系の異常検知装置、周期的駆動系を有する処理装置、周期的駆動系の異常検知方法、およびコンピュータプログラム | |
| KR102470763B1 (ko) | 데이터 이상치 탐색 장치 및 방법 | |
| Bator et al. | Feature extraction and reduction applied to sensorless drive diagnosis | |
| Oliveira-Santos et al. | Submersible motor pump fault diagnosis system: A comparative study of classification methods | |
| WO2023044770A1 (zh) | 干泵宕机的预警方法、装置、电子设备、存储介质及程序 | |
| Akcan et al. | Diagnosing bearing fault location, size, and rotational speed with entropy variables using extreme learning machine | |
| WO2020196441A1 (ja) | プロセス状態監視装置及びプロセス状態監視方法 | |
| JP6885321B2 (ja) | プロセスの状態診断方法及び状態診断装置 | |
| KR20200007083A (ko) | 품질 분석 장치 및 품질 분석 방법 | |
| JP6579163B2 (ja) | プロセスの状態診断方法及び状態診断装置 | |
| Seevers et al. | Automatic detection of manufacturing equipment cycles using time series | |
| US12007758B2 (en) | Process state monitoring device and process state monitoring method | |
| JP7127477B2 (ja) | 学習方法、装置及びプログラム、並びに設備の異常診断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200902 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211005 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211122 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220412 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220608 |
|
| 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: 20221018 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221031 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7180676 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |