KR102430263B1 - 협조형 학습 시스템 및 감시 시스템 - Google Patents
협조형 학습 시스템 및 감시 시스템 Download PDFInfo
- Publication number
- KR102430263B1 KR102430263B1 KR1020217024315A KR20217024315A KR102430263B1 KR 102430263 B1 KR102430263 B1 KR 102430263B1 KR 1020217024315 A KR1020217024315 A KR 1020217024315A KR 20217024315 A KR20217024315 A KR 20217024315A KR 102430263 B1 KR102430263 B1 KR 102430263B1
- Authority
- KR
- South Korea
- Prior art keywords
- monitoring
- model
- time
- data
- learning
- Prior art date
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 365
- 238000000034 method Methods 0.000 claims abstract description 271
- 230000008569 process Effects 0.000 claims abstract description 260
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000007704 transition Effects 0.000 claims abstract description 34
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 238000010978 in-process monitoring Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 description 18
- 238000007726 management method Methods 0.000 description 18
- 238000001514 detection method Methods 0.000 description 15
- 230000006872 improvement Effects 0.000 description 14
- 238000011143 downstream manufacturing Methods 0.000 description 11
- 230000005856 abnormality Effects 0.000 description 10
- 238000010276 construction Methods 0.000 description 6
- 238000012806 monitoring device Methods 0.000 description 6
- 238000013523 data management Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000005273 aeration Methods 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
-
- 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
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- 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
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
-
- 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]
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
- H04L43/0817—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking functioning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/60—Network streaming of media packets
- H04L65/61—Network streaming of media packets for supporting one-way streaming services, e.g. Internet radio
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F2001/007—Processes including a sedimentation step
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/001—Upstream control, i.e. monitoring for predictive control
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/003—Downstream control, i.e. outlet monitoring, e.g. to check the treating agents, such as halogens or ozone, leaving the process
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/02—Temperature
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/02—Aerobic processes
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2605—Wastewater treatment
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Environmental & Geological Engineering (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Hydrology & Water Resources (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Organic Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- General Factory Administration (AREA)
Abstract
처리 프로세스의 보틀넥을 개선하고, 프로세스 전체의 효율 상승을 도모한다. 실시 형태의 협조형 학습 시스템은, 소정의 천이 시간 간격으로 시계열로 연속되는 복수의 공정별로 감시 모델이 마련된 프로세스 감시에 이용할 수 있다. 본 시스템은, 제1 공정의 제1 감시 데이터와, 제1 공정에 대한 상류 또는 하류의 제2 공정의 제2 감시 데이터와, 제1 감시 데이터를 입력 파라미터로 하여 제1 감시 모델이 출력하는 제1 공정의 감시 결과를 시계열로 기억한다. 그리고, 제1 감시 데이터와 제1 감시 모델의 감시 결과를 사용하여, 제1 감시 모델에 대한 친 모델 학습 처리와, 제1 시각의 제1 감시 모델의 감시 결과를 교사 데이터로서 사용하여, 제1 시각에 대하여 천이 시간만큼 다른 제2 시각에 있어서의 제2 감시 데이터를 입력 파라미터로 한 제2 감시 모델에 대한 자 모델 학습 처리를 행한다.
Description
본 발명의 실시 형태는, 시계열로 연속되는 처리 공정이나 제조 공정의 프로세스 개선 방법 및 감시 기술에 관한 것이다.
예를 들어, 수처리는, 시계열로 연속되는 복수의 처리 공정을 거쳐 수질을 개선한다. 연속해서 물이 유입되는 각 처리 공정에서는, 센서 기기 등으로 측정· 검지되는 감시 데이터가 수집된다. 수집된 감시 데이터는, 감시 시스템에 입력되고, 감시 시스템이 처리 공정별로 정상 가동/이상 가동을 판정한다.
시계열로 연속되는 복수의 공정의 프로세스 감시에 있어서, 프로세스 전체의 효율 개선을 실현하는 협조형 학습 시스템을 제공한다.
실시 형태의 협조형 학습 시스템은, 소정의 천이 시간 간격으로 시계열로 연속되는 복수의 공정별로 감시 모델이 마련된 프로세스 감시에 있어서의 컴퓨터 시스템이다. 협조형 학습 시스템은, 제1 공정의 제1 감시 데이터와, 상기 제1 공정에 대한 상류 또는 하류의 제2 공정의 제2 감시 데이터와, 상기 제1 감시 데이터를 입력 파라미터로 하여 제1 감시 모델이 출력하는 상기 제1 공정의 감시 결과를 시계열로 기억하는 기억부와, 상기 제1 감시 데이터와 상기 제1 감시 모델의 감시 결과를 사용하여, 상기 제1 감시 모델에 대한 친(親) 모델 학습 처리와, 제1 시각의 상기 제1 감시 모델의 감시 결과를 교사 데이터로서 사용하여, 상기 제1 시각에 대하여 천이 시간만큼 다른 제2 시각에 있어서의 상기 제2 감시 데이터를 입력 파라미터로 한 제2 감시 모델에 대한 자(子) 모델 학습 처리를 행하는 모델 학습부를 갖는다.
도 1은 제1 실시 형태의 감시 시스템의 기능 블록을 설명하기 위한 도면이다.
도 2는 제1 실시 형태의 협조형 학습 모델의 설명도이다.
도 3은 제1 실시 형태의 각 공정을 감시하는 협조형 학습 모델의 구축예(기점 프로세스에 대한 상류의 감시 모델)를 나타내는 도면이다.
도 4는 제1 실시 형태의 각 공정을 감시하는 협조형 학습 모델의 구축예(기점 프로세스에 대한 하류의 감시 모델)를 나타내는 도면이다.
도 5는 제1 실시 형태의 시계열로 연속되는 복수의 공정에 있어서, 기점 프로세스에 대한 각 협조형 학습 모델 간의 관계를 설명하기 위한 도면이다.
도 6은 제1 실시 형태의 협조형 학습 모델을 적용한 수처리에 있어서의 프로세스 개선예를 나타내는 도면이다.
도 7은 제1 실시 형태의 협조형 학습 모델에 의한 보틀넥 공정에 대한 프로세스 전체의 개선예를 설명하기 위한 도면이다.
도 8은 제1 실시 형태의 협조형 학습 모델의 구축 처리 및 갱신 처리를 나타내는 흐름도이다.
도 2는 제1 실시 형태의 협조형 학습 모델의 설명도이다.
도 3은 제1 실시 형태의 각 공정을 감시하는 협조형 학습 모델의 구축예(기점 프로세스에 대한 상류의 감시 모델)를 나타내는 도면이다.
도 4는 제1 실시 형태의 각 공정을 감시하는 협조형 학습 모델의 구축예(기점 프로세스에 대한 하류의 감시 모델)를 나타내는 도면이다.
도 5는 제1 실시 형태의 시계열로 연속되는 복수의 공정에 있어서, 기점 프로세스에 대한 각 협조형 학습 모델 간의 관계를 설명하기 위한 도면이다.
도 6은 제1 실시 형태의 협조형 학습 모델을 적용한 수처리에 있어서의 프로세스 개선예를 나타내는 도면이다.
도 7은 제1 실시 형태의 협조형 학습 모델에 의한 보틀넥 공정에 대한 프로세스 전체의 개선예를 설명하기 위한 도면이다.
도 8은 제1 실시 형태의 협조형 학습 모델의 구축 처리 및 갱신 처리를 나타내는 흐름도이다.
이하, 실시 형태에 대하여, 도면을 참조하여 설명한다.
(제1 실시 형태)
도 1 내지 도 8은, 제1 실시 형태의 협조형 학습 모델을 사용한 프로세스 개선 방법을 설명하기 위한 도면이며, 도 1은, 협조형 학습 시스템이 적용된 감시 시스템의 기능 블록을 나타내는 도면이다. 도 1에 도시한 바와 같이, 감시 장치(100)에는, 시계열로 연속되는 복수의 공정으로부터 수집된 감시 데이터가 입력되고, 복수의 공정별로 마련된 감시 모델에서의 감시 결과를 사용하여 프로세스 전체의 관리를 행한다.
시계열로 연속되는 복수의 공정을 포함하는 프로세스는, 일례로서, 수처리가 있다. 수처리는, 조정조, 폭기조, 침전조, 응집 반응조 등의 각 공정을 물을 흘려 정화시키는 것이다. 이들 각 조는, 소정의 천이 시간 간격으로 시계열로 연속되어 있으며, 각 조를 감시함으로써, 수처리 프로세스 전체의 관리를 행하고 있다.
또한, 본 실시 형태의 협조형 학습의 구조는, 수처리 프로세스의 개선 및 관리 이외에도, 다른 프로세스 관리에 적용할 수 있다. 예를 들어, 제품이나 재료의 제조 라인, 열처리나 화학 처리 등의 가공 라인, 먼지나 폐기물 등의 소각 라인 등, 2개 이상의 공정이 소정의 천이 시간 간격으로 시계열로 연속된 프로세스 감시에 협조형 학습 모델을 적용할 수 있다.
도 1의 예에 있어서, 처리 프로세스는, 공정 페이즈 n을 기점 프로세스로 하여 설정되어 있으며, 공정 페이즈 n을 기점으로, 상류측의 공정이 공정 페이즈 n-1, n-2, 하류측의 페이즈가 n+1, n+2로 표현되어 있다. 이들 공정 페이즈는, 시계열로 연속되는 복수의 공정이기 때문에, 공정 페이즈 n의 시각 t에 있어서 처리되는 대상은, 다른 공정에 있어서 각각의 천이 시간만큼 다른 시각에 처리되고 있다. 바꿔 말하면, 동일한 시각에 있어서, 공정 페이즈 n에서 처리되고 있는 대상은, 전단의 공정 페이즈 n-1에서는 처리 완료이며, 후단의 공정 페이즈 n+1에서는 처리 대기가 된다.
본 실시 형태에서는, 각 공정 페이즈별로 감시 모델이 설정되고, 각 공정 페이즈에 있어서 각 감시 모델에 의한 감시 결과 각각이 출력된다. 감시 모델이란, 감시 데이터를 입력 파라미터로 하여, 공정 페이즈가 정상 상태인지 이상 상태인지를 판정하는 판정 로직이다. 감시 모델은, 기계 학습에 의해 그 공정의 특수성이나 환경에 맞춰 커스터마이즈된다.
감시 데이터란, 각 공정에 마련된 센서 기기로부터 출력되는 센서 정보이다. 온도 정보나 설비의 가동 정보, 수질 정보 등의 값 이외에도, 예를 들어 카메라 등의 촬영 장치로 촬영된 화상 데이터도 감시 데이터로서 포함된다. 감시 모델은, 예를 들어 정상/이상을 판정하기 위한 임계값이나 기준 화상 데이터 등이 설정되고, 센서값이 임계값을 초과하고 있는지, 기준 화상 데이터와의 매칭율이 임계값을 초과해 낮은지 등을 판정하고, 그 판정 결과를 감시 결과로서 출력한다. 이들 감시 결과 및 그 감시 데이터(측정값)을 이용하여 기계 학습함으로써, 예를 들어 판정 기준이 갱신되어, 최적화된 감시 모델이 구축되게 된다.
본 실시 형태의 감시 장치(100)는, 처리 프로세스에 포함되는 각 공정 페이즈에서 취득된 감시 데이터가 입력된다. 데이터 수집 제어 장치(110)는, 복수의 공정 각각으로부터 출력되는 각 감시 데이터의 수집 제어를 행하여, 기억 장치(130)에 시계열로 기억한다. 감시 제어 장치(120)는, 복수의 공정별로 각 감시 모델을 설정함과 함께, 설정된 각 감시 모델을 사용하여, 공정별로 각 감시 데이터에 기초하는 감시 결과를 출력한다. 감시 결과는, 시계열로 기억 장치(130)에 기억된다. 이들 감시 제어는, 감시 제어부(121)에 의해 수행된다.
한편, 본 실시 형태의 감시 제어 장치(120)는, 공정별 감시 모델의 학습 제어를 행하는 협조형 학습 장치를 구비하고 있으며, 도 1의 예에서는, 감시 모델 관리부(122) 및 교사 데이터 관리부(123)에 의해 협조형 학습 시스템이 구축되어 있다. 또한, 본 실시 형태에서는, 협조형 학습 시스템이 감시 장치(100)에 내장된 양태를 일례로 들어 설명하고 있지만, 이에 한하는 것은 아니다. 예를 들어, 감시 장치(100)에 대하여 외적으로 접속된 개별의 협조형 학습 시스템으로서 구축할 수도 있다. 또한, 감시 장치(100)에 대하여 네트워크 등으로 접속된 학습 시스템으로서 적용할 수도 있다.
도 2는, 본 실시 형태의 협조형 학습 모델의 설명도이다. 협조형 학습 시스템의 학습 처리 및 교사 데이터의 생성 처리는, 임의의 타이밍에 행할 수 있다.
우선, 감시 모델 관리부(122)는, 기점 프로세스가 되는 친 모델을 설정한다. 예를 들어, 공정 페이즈 n의 감시 모델 Yn을 친 모델로서 설정하고, 감시 모델 Yn에 대해서는, 감시 데이터 A(제1 감시 데이터)와 감시 모델 Yn(제1 감시 모델)의 감시 결과와, 감시 모델 Yn에 대하여 미리 작성된 교사 데이터를 사용하여, 기계 학습에 의한 감시 모델 Yn에 대한 친 모델 학습 처리를 행한다. 친 모델 학습 처리는, 공지된 기술을 적용할 수 있고, 후술하는 자 모델 학습 처리에 있어서도, 교사 데이터를 사용한 기계 학습 자체는, 마찬가지로 공지된 방법을 적용할 수 있다.
기점 프로세스의 상류 또는 하류의 각 공정 페이즈의 각 감시 모델은, 친 모델인 감시 모델 Yn의 감시 결과를 교사 데이터로서 사용한 학습 처리에 의해 구축된다. 감시 모델 관리부(122)는, 친 모델 학습 처리를 거쳐 구축된 감시 모델 Yn의 감시 결과를 교사 데이터로 하여, 공정 페이즈 n-1, n+1의 각 감시 모델 Yn-1, Yn+1에 대한 각 자 모델 학습 처리를 행한다.
또한, 공정 페이즈 n-1의 상류 공정 페이즈 n-2에서는, 친 모델의 교사 데이터를 사용하여 자 모델 학습 처리에 의해 구축된 감시 모델 Yn-1의 감시 결과를 교사 데이터로 하여, 감시 모델 Yn-2에 대한 자 모델 학습 처리를 행한다. 공정 페이즈 n+1의 하류 공정 페이즈 n+2도 마찬가지이며, 친 모델의 교사 데이터를 사용하여 자 모델 학습 처리에 의해 구축된 감시 모델 Yn+1의 감시 결과를 교사 데이터로 하여, 감시 모델 Yn+2에 대한 자 모델 학습 처리를 행한다.
또한, 공정 페이즈 n-2 및 공정 페이즈 n+2의 각 공정에 있어서, 이점쇄선으로 나타낸 바와 같이, 친 모델 학습 처리를 거쳐서 구축된 감시 모델 Yn의 감시 결과를 교사 데이터로 하여, 공정 페이즈 n-2, n+2의 각 감시 모델 Yn-2, Yn+2에 대한 각 자 모델 학습 처리를 행하도록 구성해도 된다.
도 3은, 본 실시 형태의 각 공정을 감시하는 협조형 학습 모델의 구축예를 나타내는 도면이며, 기점 프로세스에 대한 상류의 감시 모델의 협조형 학습 처리를 설명하기 위한 도면이다.
공정 페이즈 n(제1 공정)의 감시 데이터 A와, 공정 페이즈 n에 대한 상류의 공정 페이즈 n-1(제2 공정)의 감시 데이터 B와, 감시 데이터 A를 입력 파라미터로 하여 감시 모델 Yn이 출력하는 공정 페이즈 n의 감시 결과와, 감시 데이터 B를 입력 파라미터로 하여 감시 모델 Yn-1이 출력하는 공정 페이즈 n-1의 감시 결과가 각각 시계열로 기억된다.
이때, 시각 t에 있어서 기점 프로세스인 공정 페이즈 n에서 이상이 검출된 경우, 상류의 공정 페이즈 n-1에서의 감시 결과는, 정상으로 된다. 즉, 공정 페이즈 n-1의 감시 결과는 「정상」이어도, 천이 시간 s1 경과 후의 하류 공정 페이즈 n에서는, 감시 결과가 「이상」으로 된다. 따라서, 공정 페이즈 n-1의 감시 결과가 시각 t-s1에 있어서 정상이어도, s1시간 경과하면, 하류의 공정 페이즈 n의 감시 결과가 이상으로 되므로, 감시 데이터 B만으로는 「정상」이라고 판정하는 공정 페이즈 n-1의 감시 모델 Yn-1을, 하류의 감시 모델 Yn의 감시 결과를 교사 데이터(해)로 하여 학습 처리를 행한다.
감시 모델 관리부(122)는, 시각 t(제1 시각)의 감시 모델 Yn(제1 감시 모델)의 감시 결과를 교사 데이터(해)로서 사용하고, 시각 t(제1 시각)에 대하여 천이 시간 s1만큼 다른 시각 t-s1(제2 시각)에 있어서의 감시 데이터 B(제2 감시 데이터)를 입력 파라미터로 한 감시 모델 Yn-1(제2 감시 모델)에 대한 자 모델 학습 처리를 행한다. 이때, 교사 데이터 관리부(123)는, 교사 데이터로서 사용되는 공정의 감시 결과와, 그 감시 결과에 대한 각 감시 데이터를, 공정 간의 천이 시간을 고려하여 시계열로 관리하고, 감시 모델 관리부(122)에, 학습 처리에 필요한 데이터를 제공한다.
이와 같이 구성함으로써, 감시 모델 Yn-1이, s1시간 경과하기 전에 감시 데이터 B로, 하류측의 공정 페이즈 n의 「이상」을 판정할 수 있다. 따라서, (1) 하류의 공정 페이즈 n이 「이상」으로 되기 전에 대처 가능하고, (2) 하류의 공정 페이즈 n이 「이상」으로 되기 전에 대처가 가능하므로, 그 후 「이상」으로 되어도 「정상」으로 될 때까지의 복귀 시간이 빨라지고, (3) 하류의 공정 페이즈 n의 「이상」 판정의 간과를 검지할 수도 있다. 상기 (3)은, 본래라면 s1시간 경과 후의 감시 결과에서는 이상이라고 판정해야 하는바, 어떠한 이유로 이상이라고 판정하지 않은 경우, s1시간 전의 감시 모델 Yn-1에서의 사전 「이상」 검지를 기록해 두고, s1시간 경과 후의 시각 t에 있어서의 감시 모델 Yn의 감시 결과가 「정상」이면, 이상 검지의 경고를 공정 페이즈 n에 있어서 출력하도록 구성할 수 있다.
도 4는, 본 실시 형태의 각 공정을 감시하는 협조형 학습 모델의 구축예를 나타내는 도면이며, 기점 프로세스에 대한 하류의 감시 모델의 협조형 학습 처리를 설명하기 위한 도면이다.
공정 페이즈 n(제1 공정)의 감시 데이터 A와, 공정 페이즈 n에 대한 하류의 공정 페이즈 n+1(제2 공정)의 감시 데이터 C와, 감시 데이터 A를 입력 파라미터로 하여 감시 모델 Yn이 출력하는 공정 페이즈 n의 감시 결과와, 감시 데이터 C를 입력 파라미터로 하여 감시 모델 Yn+1이 출력하는 공정 페이즈 n+1의 감시 결과가 각각 시계열로 기억된다.
그리고, 시각 t에 있어서 기점 프로세스인 공정 페이즈 n에 있어서 이상이 검출되어도, 동일한 시각 t에 있어서 하류의 공정 페이즈 n+1에서의 감시 결과는, 정상으로 된다. 즉, 공정 페이즈 n+1의 감시 결과는 「정상」이어도, 천이 시간 s2 전의 상류 공정 페이즈 n에서는, 감시 결과가 「이상」으로 되어 있다. 따라서, 공정 페이즈 n+1의 감시 결과가 시각 t에 있어서 정상이라도, s2시간 경과하면, 감시 결과가 이상으로 되므로, 감시 데이터 C만으로는 「정상」이라고 판정하는 공정 페이즈 n+1의 감시 모델 Yn+1을, 상류의 감시 모델 Yn의 감시 결과를 교사 데이터(해)로서 학습 처리를 행한다.
감시 모델 관리부(122)는, 시각 t(제1 시각)의 감시 모델 Yn(제1 감시 모델)의 감시 결과를 교사 데이터(해)로서 사용하고, 시각 t(제1 시각)에 대하여 천이 시간 s2만큼 다른 시각 t+s2(제2 시각)에 있어서의 감시 데이터 C(제2 감시 데이터)를 입력 파라미터로 한 감시 모델 Yn+1(제2 감시 모델)에 대한 자 모델 학습 처리를 행한다. 이때도 교사 데이터 관리부(123)는, 교사 데이터로서 사용되는 공정의 감시 결과와, 그 감시 결과에 대한 각 감시 데이터를, 공정 간의 천이 시간을 고려하여 시계열로 관리하고, 감시 모델 관리부(122)에, 학습 처리에 필요한 데이터를 제공한다.
따라서, 감시 모델 Yn+1이, s2시간 경과 전의 상류 공정 페이즈 n의 이상과 연동하여, 감시 데이터 C로 「이상」을 검지한다. 이 때문에, (4) 하류의 공정 페이즈 n+1에서, 상류의 공정 페이즈 n이 「이상」으로 되는 경향을 사전에 파악할 수 있고, (5) 상류의 공정 페이즈 n의 「이상」을 근거로 하여, 하류의 공정 페이즈 n+1에 대한 사전 대처를 행할 수 있으며, (6) 상류의 공정 페이즈 n의 「이상」 판정의 간과도 검지할 수 있다. 상기 (6)은, 본래라면 공정 페이즈 n에 있어서 시각 t의 감시 결과에서는 이상이라고 판정해야 하는바, 어떠한 이유로 이상이라고 판정하지 않은 경우, s2시간 전의 감시 모델 Yn+1에서의 사전 「이상」 검지를 기록해 두고, s2시간 경과 전의 시각 t에 있어서의 감시 모델 Yn의 감시 결과가 「정상」이면, 이상 검지의 경고를 공정 페이즈 n+1에 있어서 출력하도록 구성할 수 있다.
또한, 상술한 바와 같이, 공정 페이즈 n-1(제2 공정)에 대한 상류의 공정 페이즈 n-2에 대해서도, 공정 페이즈 n-2(제3 공정)의 감시 데이터 D(제3 감시 데이터)와, 감시 데이터 B(제2 감시 데이터)를 입력 파라미터로 하여 자 모델 학습 처리에 의해 구축된 감시 모델 Yn-1(제2 감시 모델)이 출력하는 공정 페이즈 n-1(제2 공정)의 감시 결과가 시계열로 기억되어 있으므로, 감시 모델 관리부(122)는, 시각 t-s1(제3 시각)에 있어서의 감시 모델 Yn-1(제2 감시 모델)의 감시 결과를 교사 데이터(해)로서 사용하고, 시각 t-s1(제3 시각)에 대하여 천이 시간 s3만큼 다른 시각 t-s1-s3(제4 시각)에 있어서의 감시 데이터 D(제3 감시 데이터)를 입력 파라미터로 한 감시 모델 Yn-2(제3 감시 모델)에 대한 자 모델 학습 처리를 행할 수 있다. 친 모델로부터 보자면, 감시 모델 Yn-2는, 손(孫) 모델이 된다. 공정 페이즈 Yn+2에 대해서도 마찬가지이다.
또한, 공정 페이즈 n-2의 자 모델 학습 처리의 교사 데이터로서, 공정 페이즈 Yn-1이 아니라, 공정 페이즈 Yn의 친 모델의 감시 결과를 사용할 수 있다. 이 경우, 공정 페이즈 n-1(제2 공정)에 대한 상류의 공정 페이즈 n-2(제3 공정)의 감시 데이터 D(제3 감시 데이터)가 감시 모델 Yn의 감시 결과와 함께 시계열로 기억되어 있으며, 감시 모델 관리부(122)는, 시각 t(제1 시각)의 감시 모델 Yn(제1 감시 모델)의 감시 결과를 교사 데이터로서 사용하여, 시각 t(제1 시각)에 대하여 천이 시간 s1+s3만큼 다른 시각 t-s1-s3(제5 시각)에 있어서의 감시 데이터 D(제3 감시 데이터)를 입력 파라미터로 한 감시 모델 Yn-2(제3 감시 모델)에 대한 자 모델 학습 처리를 행할 수 있다. 이 경우, 친 모델로부터 보자면, 감시 모델 Yn-2는, 감시 모델 Yn-1과 마찬가지로, 자 모델이 된다. 공정 페이즈 Yn+2에 대해서도 마찬가지이다.
도 5는, 본 실시 형태의 시계열로 연속되는 복수의 공정에 있어서, 기점 프로세스에 대한 각 협조형 학습 모델 간의 관계를 설명하기 위한 도면이다. 도 5에 도시한 바와 같이, 협조형 학습 모델의 구축에 의해, 각 공정 페이즈에서의 감시 모델이, 기점 프로세스를 중심으로 한 예조 검지 모델로서 구성된다. 기점 프로세스의 감시 모델 Yn은, 친으로서의 이상 검지 모델이며, 전공정의 감시 모델 Yn-1은, 공정 페이즈 n의 예조 검지 모델로서, 또한 전공정의 감시 모델 Yn-2는, 공정 페이즈 n-1의 예조 검지 모델로서 구축된다. 또한, 후공정의 감시 모델 Yn+1은, 공정 페이즈 n의 예조 검지 모델로서, 또한 후공정의 감시 모델 Yn+2는, 공정 페이즈 n+1의 예조 검지 모델로서 구축된다.
도 6은, 본 실시 형태의 협조형 학습 모델을 적용한 수처리에 있어서의 프로세스 개선예를 나타내는 도면이다. 도 7은, 본 실시 형태의 협조형 학습 모델에 의한 보틀넥 공정에 대한 프로세스 전체의 개선예를 설명하기 위한 도면이다.
본 실시 형태의 협조형 학습 모델은, 친 모델의 학습 처리에 의해 판정 정밀도가 향상되면, 자 모델의 판정 정밀도가 연동해서 향상된다. 도 7에 도시한 바와 같이, 수처리에서는, 보틀넥이 되는 보틀넥 공정이 존재하고, 이 보틀넥 공정에서의 처리 능력이 프로세스 전체의 처리 능력에 영향을 미친다. 이 때문에, 보틀넥 공정의 감시 모델의 정밀도를 향상시켜 스루풋을 향상시키는 것이 중요하지만, 보틀넥 공정의 스루풋 향상에 대하여 다른 공정의 감시 모델을 개별로 튜닝하는 것이 아니라, 연동된 협조형 학습으로 다른 공정의 감시 모델의 정밀도가 향상되고, 프로세스 전체의 스루풋이 향상된다. 도 7의 예에 있어서, 백색 영역이 스루풋의 개선(향상) 부분이며, 보틀넥 공정에 대하여 다른 공정의 스루풋이 연동해서 향상되어 있다.
친 모델의 감시 정밀도가 향상됨으로써, 공정 페이즈 n-1, n+1에 있어서, 친 모델의 공정 페이즈 n(보틀넥 공정)에 대한 예조 검지 모델이 구축되고, 예조 검지 모델의 구축에 의해, 공정 페이즈 n의 감시 정밀도가 더욱 향상되는 개선 순환이 형성된다. 이 때문에, 보틀넥이 되는 공정 페이즈 n의 감시 정밀도가 예조 검지 모델에 의해 향상되면, 공정 페이즈 n의 스루풋이 향상되므로, 공정 페이즈 n-1, n+1의 스루풋(처리능력)을 향상시킬 수 있어, 프로세스 전체의 스루풋의 수준 향상을 실현할 수 있다.
도 8은, 본 실시 형태의 협조형 학습 모델의 구축 처리 및 갱신 처리를 나타내는 흐름도이다. 우선, 소정의 천이 시간 간격으로 시계열로 연속되는 복수의 공정 중, 특정 공정을 친 모델이 되는 기점 프로세스(예를 들어, 보틀넥 공정)로서 설정한다. 그리고, 친 모델의 공정 페이즈의 감시 데이터 및 복수의 자 모델의 각 공정 페이즈의 감시 데이터를 시계열로 수집한다. 감시 데이터의 수집 처리는, 각 공정 페이즈에 대한 인터페이스인 데이터 수집 제어 장치(110)가 행하고, 기억 장치(130)(감시 데이터 보존부)에 기억된다(S101, S102).
이때, 감시 데이터의 수집과 함께, 감시 제어부(121)에서는, 각 공정별로 설정된 각 감시 모델을 사용한 감시 제어를 행하여, 감시 결과를 출력한다. 감시 결과는, 수집된 감시 데이터와 결부시켜 시계열로 기억 장치(130)에 기억된다.
다음으로, 감시 모델 관리부(122)는, 미리 설정된 임의의 타이밍에 모델 갱신 처리, 즉 모델 학습 처리를 행한다. 감시 모델 관리부(122)는, 우선, 친 모델의 갱신 처리를 행한다(S103의 "예")
감시 모델 관리부(122)는, 친 모델의 공정 페이즈의 감시 데이터와 친 모델의 감시 모델의 감시 결과를 사용하여 친 모델 학습 처리를 행하고(S104), 학습 완료 친 모델로서 당해 감시 모델을 갱신한다(S105).
교사 데이터 관리부(122)는, 친 모델의 학습 갱신에 수반하여, 자 모델 학습 처리에서 사용할 교사 데이터를 생성하고, 기억 장치(130)에 기억한다(S106, S107). 구체적으로는, 갱신된 친 모델과 시계열로 축적된 감시 데이터에 기초하여, 갱신된 친 모델의 검증을 행하고, 검증 결과를 추론 결과로서 출력한다. 예를 들어, 시각 t+s1에 있어서 판정 결과의 추론은, 「이상」이라고 검증할 수 있다. 이 시각 t+s1의 추론 결과가 교사 데이터로서 생성되고, 보존된다.
교사 데이터가 생성되면, 감시 모델 관리부(122)는, 자 모델 학습 처리를 행한다. 이때, 자 모델 학습 대상의 공정 페이즈에 있어서, 감시 데이터의 축적이 충분한지 여부를 체크하여, 감시 데이터의 축적량이 소정값(수 또는 양) 미만인 경우, 자 모델 학습 처리를 행하지 않고, 충분한 정보의 축적을 기다리고 나서 자 모델 학습 처리를 행하도록 구성할 수 있다.
감시 모델 관리부(122)는, 자 모델 학습 대상의 공정 페이즈에 있어서, 감시 데이터의 축적이 충분하다고 판별된 경우(S108의 "예"), 생성된 교사 데이터를 사용하여 자 모델 학습 처리를 행한다(S109). 구체적으로는, 시각 t+s1의 추론 결과를 해로 하여, 시각 t(친 모델에 대한 천이 시간이 s1시간 전)의 자 모델의 공정 페이즈의 감시 데이터를 기억 장치(130)로부터 취득하여, 시각 t에 있어서의 자 모델의 공정 페이즈의 감시 데이터에 대한 학습 처리를 행하고, 학습 완료 자 모델의 갱신 처리를 행한다(S110). 감시 모델 관리부(122)는, 모든 또는 선택된 자 모델에 대하여 순차 자 모델 학습 처리를 행하고, 자 모델 학습 처리를 종료한다(S111의 "예").
또한, 상기 설명에서는, 감시 모델이, 각 공정의 감시 데이터만으로 감시 결과를 출력하는 구성으로 하고 있지만, 이것에 한정되는 것은 아니다. 예를 들어, 친 모델의 감시 데이터도 사용하여 자 모델을 구축하도록 구성해도 된다.
예를 들어, 시각 t+s1의 감시 모델 Yn의 감시 결과를 교사 데이터로서 사용하여, 시각 t에 있어서의 감시 데이터 B와, 시각 t에 있어서의 감시 데이터 A를 입력 파라미터로 한 감시 모델 Yn-1에 대한 자 모델 학습 처리를 행하도록 구성할 수 있다. 이 경우, 감시 제어에 있어서의 감시 모델 Yn-1의 입력 파라미터는, 소정의 동일 시각에 있어서의 감시 데이터 B와 감시 데이터 A의 양쪽으로 된다.
따라서, 도 2의 예에 있어서, 일점쇄선으로 나타낸 바와 같이, 공정 페이즈 n-1의 감시 모델 Yn-1은, 동일 시각의 감시 데이터 B와 감시 데이터 A를 설명 변수로 하여, 공정 페이즈 n-1의 감시 결과(목적 변수) Yn-1을 얻는 감시 모델(Yn-1=f (B, A))로서 구성된다. 이때, 감시 모델 Yn-1의 학습은, 시각 t에 있어서의 감시 모델 Yn의 감시 결과를 교사 데이터로서 사용하여, 시각 t에 대하여 천이 시간 s1만큼 다른 시각 t-s1에 있어서의 감시 데이터 B 및 동일 시각 t-s1에 있어서의 감시 데이터 A의 2개의 입력 파라미터에 대한 학습 처리를 행하도록 구성된다. 또한, 소정 시각에 있어서의 감시 데이터와 그 감시 모델의 감시 결과가 세트가 된 것을 교사 데이터로서 사용하여 학습 처리를 행하도록 구성할 수도 있다.
본 실시 형태에 따르면, 시계열로 연속되는 복수의 공정의 프로세스 감시에 있어서, 프로세스 전체의 효율 개선을 실현할 수 있다.
특히, 보틀넥이 되는 기점 프로세스의 감시 결과가 출력된 시각 t에 대하여, 기점 프로세스의 상류 프로세스 또는 하류 프로세스가, 프로세스 간의 천이 시간 간격만큼 상이한 시각 t'에 있어서 어떠한 상황인지를 파악하고, 기점 프로세스의 감시 결과(대응하는 감시 데이터를 포함해도 됨)를, 천이 시간 간격만큼 거슬러 올라가거나 또는 천이 시간 간격만큼 앞당겨서(도 3, 도 4 참조), 상류 프로세스 또는 하류 프로세스의 각 감시 모델에 반영시키는 학습 처리를 행한다. 이 때문에, 각 프로세스를 감시하는 감시 모델은, 기점 프로세스의 감시 모델과 협조한 예조 검지 모델로서 구축되어, 프로세스 전체의 효율 개선을 실현할 수 있다.
이상, 실시 형태에 대하여 설명하였지만, 감시 장치(100)는, 하드웨어 구성으로서 상술 이외에도, 메모리(주기억 장치), 마우스, 키보드, 터치 패널, 스캐너 등의 조작 입력 수단, 프린터 등의 출력 수단, 보조 기억 장치(하드디스크 등) 등을 구비할 수 있다.
또한, 본 발명의 각 기능은, 프로그램에 의해 실현 가능하고, 각 기능을 실현하기 위해서 미리 준비된 컴퓨터 프로그램이 보조 기억 장치에 저장되고, CPU 등의 제어부가 보조 기억 장치에 저장된 프로그램을 주기억 장치로 판독하고, 주기억 장치로 판독된 해당 프로그램을 제어부가 실행하여, 컴퓨터에 본 발명의 각 부의 기능을 동작시킬 수 있다. 한편, 감시 장치(100)나 협조형 학습 시스템의 각 기능은, 각각 개별의 장치로 구성할 수도 있고, 복수의 장치를 직접 또는 네트워크를 통해 접속하여 컴퓨터 시스템을 구성할 수도 있다.
또한, 상기 프로그램은, 컴퓨터 판독 가능한 기록 매체에 기록된 상태로, 컴퓨터에 제공하는 것도 가능하다. 컴퓨터 판독 가능한 기록 매체로서는, CD-ROM 등의 광 디스크, DVD-ROM 등의 상변화형 광디스크, MO(Magnet Optical)나 MD(Mini Disk) 등의 광자기 디스크, 플로피(등록상표) 디스크나 리무버블 하드디스크 등의 자기 디스크, 컴팩트 플래시(등록상표), 스마트 미디어, SD 메모리 카드, 메모리 스틱 등의 메모리 카드를 들 수 있다. 또한, 본 발명의 목적을 위해 특별히 설계되어 구성된 집적 회로(IC 칩 등) 등의 하드웨어 장치도 기록 매체로서 포함된다.
또한, 본 발명의 실시 형태를 설명하였지만, 당해 실시 형태는, 예로서 제시한 것이며, 발명의 범위를 한정하는 것은 의도하고 있지 않다. 이 신규의 실시 형태는, 그 밖의 다양한 형태로 실시되는 것이 가능하며, 발명의 요지를 일탈하지 않는 범위에서, 다양한 생략, 치환, 변경을 행할 수 있다. 이들 실시 형태나 그의 변형은, 발명의 범위나 요지에 포함됨과 함께, 청구범위에 기재된 발명과 그 균등의 범위에 포함된다.
100: 감시 장치
110: 데이터 수집 제어 장치
120: 감시 제어 장치
121: 감시 제어부
122: 감시 모델 관리부
123: 교사 데이터 관리부
130: 기억 장치
n: 공정
Yn: 감시 모델
110: 데이터 수집 제어 장치
120: 감시 제어 장치
121: 감시 제어부
122: 감시 모델 관리부
123: 교사 데이터 관리부
130: 기억 장치
n: 공정
Yn: 감시 모델
Claims (9)
- 소정의 천이 시간 간격으로 시계열로 연속되는 복수의 공정별로 감시 모델이 마련된 프로세스 감시에 있어서의 협조형 학습 시스템이며,
제1 공정의 제1 감시 데이터와, 상기 제1 공정에 대한 상류 또는 하류의 제2 공정의 제2 감시 데이터와, 상기 제1 감시 데이터를 입력 파라미터로 하여 제1 감시 모델이 출력하는 상기 제1 공정의 감시 결과를 시계열로 기억하는 기억부와,
상기 제1 감시 데이터와 상기 제1 감시 모델의 감시 결과를 사용하여, 상기 제1 감시 모델에 대한 친(親) 모델 학습 처리와, 제1 시각의 상기 제1 감시 모델의 감시 결과를 교사 데이터로서 사용하여, 상기 제1 시각에 대하여 천이 시간만큼 다른 제2 시각에 있어서의 상기 제2 감시 데이터를 입력 파라미터로 한 제2 감시 모델에 대한 자(子) 모델 학습 처리를 행하는 모델 학습부
를 갖는 것을 특징으로 하는 협조형 학습 시스템. - 제1항에 있어서,
상기 모델 학습부는, 제1 시각에 있어서의 상기 제1 감시 모델의 감시 결과를 교사 데이터로서 사용하여, 상기 제1 시각에 대하여 천이 시간만큼 다른 제2 시각에 있어서의 상기 제2 감시 데이터와, 상기 제2 시각에 있어서의 상기 제1 감시 데이터를 입력 파라미터로 한 상기 제2 감시 모델에 대한 자 모델 학습 처리를 행하는 것을 특징으로 하는 협조형 학습 시스템. - 제1항 또는 제2항에 있어서,
상기 제2 공정에 대한 상류 또는 하류의 제3 공정의 제3 감시 데이터와, 상기 제2 감시 데이터를 입력 파라미터로 하여 상기 자 모델 학습 처리에 의해 구축된 제2 감시 모델이 출력하는 상기 제2 공정의 감시 결과가 시계열로 기억되어 있으며,
상기 모델 학습부는, 제3 시각에 있어서의 상기 제2 감시 모델의 감시 결과를 교사 데이터로서 사용하여, 상기 제3 시각에 대하여 천이 시간만큼 다른 제4 시각에 있어서의 상기 제3 감시 데이터를 입력 파라미터로 한 제3 감시 모델에 대한 상기 자 모델 학습 처리를 행하는 것을 특징으로 하는 협조형 학습 시스템. - 제1항 또는 제2항에 있어서,
상기 제2 공정에 대한 상류 또는 하류의 제3 공정의 제3 감시 데이터가 시계열로 기억되어 있으며,
상기 모델 학습부는, 제1 시각의 상기 제1 감시 모델의 감시 결과를 교사 데이터로서 사용하여, 상기 제1 시각에 대하여 천이 시간만큼 다른 제5 시각에 있어서의 상기 제3 감시 데이터를 입력 파라미터로 한 제3 감시 모델에 대한 상기 자 모델 학습 처리를 행하는 것을 특징으로 하는 협조형 학습 시스템. - 제1항 또는 제2항에 있어서,
상기 제1 공정은, 소정의 천이 시간 간격으로 시계열로 연속되는 복수의 공정에 있어서, 프로세스 전체의 보틀넥이 되는 공정인 것을 특징으로 하는 협조형 학습 시스템. - 소정의 천이 시간 간격으로 시계열로 연속되는 복수의 공정의 프로세스 감시를 행하는 감시 시스템이며,
복수의 공정 각각으로부터 출력되는 각 감시 데이터를 수집하는 데이터 수집 제어 장치와,
복수의 공정별로 설정되는 각 감시 모델을 사용하여, 공정별로 상기 감시 데이터에 기초하는 감시 결과를 출력하는 감시 제어 장치와,
상기 공정별의 감시 모델의 학습 제어를 행하는 협조형 학습 장치를 구비하고,
상기 협조형 학습 장치는,
제1 공정의 제1 감시 데이터와, 상기 제1 공정에 대한 상류 또는 하류의 제2 공정의 제2 감시 데이터와, 상기 제1 감시 데이터를 입력 파라미터로 하여 제1 감시 모델이 출력하는 상기 제1 공정의 감시 결과를 시계열로 기억하고,
상기 제1 감시 데이터와 상기 제1 감시 모델의 감시 결과를 사용한, 상기 제1 감시 모델에 대한 친 모델 학습 처리와, 제1 시각의 상기 제1 감시 모델의 감시 결과를 교사 데이터로서 사용한, 상기 제1 시각에 대하여 천이 시간만큼 다른 제2 시각에 있어서의 상기 제2 감시 데이터를 입력 파라미터로 한 제2 감시 모델에 대한 자 모델 학습 처리를 행하는 것을 특징으로 하는 감시 시스템. - 제6항에 있어서,
상기 제1 공정은, 소정의 천이 시간 간격으로 시계열로 연속되는 복수의 공정에 있어서, 프로세스 전체의 보틀넥이 되는 공정이며,
상기 복수의 공정은, 수처리 공정인 것을 특징으로 하는 감시 시스템. - 소정의 천이 시간 간격으로 시계열로 연속되는 복수의 공정별로 감시 모델이 마련된 프로세스 감시에 있어서의 협조형 학습 처리를 행하는 컴퓨터에 의해 실행되는, 컴퓨터 판독가능 기록 매체에 저장된 프로그램이며,
제1 공정의 제1 감시 데이터와, 상기 제1 공정에 대한 상류 또는 하류의 제2 공정의 제2 감시 데이터와, 상기 제1 감시 데이터를 입력 파라미터로 하여 제1 감시 모델이 출력하는 상기 제1 공정의 감시 결과를 시계열로 기억하는 제1 기능과,
상기 제1 감시 데이터와 상기 제1 감시 모델의 감시 결과를 사용하여, 상기 제1 감시 모델에 대한 친 모델 학습 처리와, 제1 시각의 상기 제1 감시 모델의 감시 결과를 교사 데이터로서 사용하여, 상기 제1 시각에 대하여 천이 시간만큼 다른 제2 시각에 있어서의 상기 제2 감시 데이터를 입력 파라미터로 한 제2 감시 모델에 대한 자 모델 학습 처리를 행하는 제2 기능
을 상기 컴퓨터에 실현시키기 위한, 컴퓨터 판독가능 기록 매체에 저장된 프로그램. - 소정의 천이 시간 간격으로 시계열로 연속되는 복수의 공정의 프로세스 감시를 행하는 컴퓨터에 의해 실행되는, 컴퓨터 판독가능 기록 매체에 저장된 프로그램이며,
복수의 공정 각각으로부터 출력되는 각 감시 데이터를 수집하는 제1 기능과,
복수의 공정별로 설정되는 각 감시 모델을 사용하여, 공정별로 상기 감시 데이터에 기초하는 감시 결과를 출력하는 제2 기능과,
상기 공정별의 감시 모델의 학습 제어를 행하는 제3 기능을 상기 컴퓨터에 실현시킴과 함께,
상기 제3 기능은,
제1 공정의 제1 감시 데이터와, 상기 제1 공정에 대한 상류 또는 하류의 제2 공정의 제2 감시 데이터와, 상기 제1 감시 데이터를 입력 파라미터로 하여 제1 감시 모델이 출력하는 상기 제1 공정의 감시 결과를 시계열로 기억하고,
상기 제1 감시 데이터와 상기 제1 감시 모델의 감시 결과를 사용한, 상기 제1 감시 모델에 대한 친 모델 학습 처리와, 제1 시각의 상기 제1 감시 모델의 감시 결과를 교사 데이터로서 사용한, 상기 제1 시각에 대하여 천이 시간만큼 다른 제2 시각에 있어서의 상기 제2 감시 데이터를 입력 파라미터로 한 제2 감시 모델에 대한 자 모델 학습 처리를 행하는 것을 특징으로 하는, 컴퓨터 판독가능 기록 매체에 저장된 프로그램.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019041166A JP6790154B2 (ja) | 2019-03-07 | 2019-03-07 | 協調型学習システム及び監視システム |
JPJP-P-2019-041166 | 2019-03-07 | ||
PCT/JP2020/002203 WO2020179264A1 (ja) | 2019-03-07 | 2020-01-23 | 協調型学習システム及び監視システム |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210110674A KR20210110674A (ko) | 2021-09-08 |
KR102430263B1 true KR102430263B1 (ko) | 2022-08-09 |
Family
ID=72337503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020217024315A KR102430263B1 (ko) | 2019-03-07 | 2020-01-23 | 협조형 학습 시스템 및 감시 시스템 |
Country Status (7)
Country | Link |
---|---|
US (1) | US11509550B2 (ko) |
EP (1) | EP3936958A4 (ko) |
JP (1) | JP6790154B2 (ko) |
KR (1) | KR102430263B1 (ko) |
CN (1) | CN113396370A (ko) |
SG (1) | SG11202108298TA (ko) |
WO (1) | WO2020179264A1 (ko) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11971796B2 (en) * | 2021-05-18 | 2024-04-30 | International Business Machines Corporation | Goal seek analysis based on status models |
JP2023067232A (ja) * | 2021-10-29 | 2023-05-16 | 株式会社Sumco | 監視方法、監視プログラム、監視装置、ウェーハの製造方法、及びウェーハ |
CN115826506B (zh) * | 2022-06-30 | 2023-08-08 | 东莞市金唐水处理设备有限公司 | 水处理控制系统及控制装置 |
JP2024011516A (ja) * | 2022-07-14 | 2024-01-25 | 株式会社日立製作所 | 特性予測装置、特性予測方法、および、特性予測プログラム |
Family Cites Families (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5022610B1 (ko) | 1971-02-19 | 1975-08-01 | ||
DE19914277B4 (de) * | 1999-03-20 | 2008-08-14 | Schütz, Klaus | Verfahren und Vorrichtung zur Erfassung der Klassen von System- oder Prozeßzuständen |
EP1200885A1 (en) * | 1999-06-22 | 2002-05-02 | Brooks Automation, Inc. | Run-to-run controller for use in microelectronic fabrication |
US7082338B1 (en) * | 1999-10-20 | 2006-07-25 | Caterpillar Inc. | Method for providing a process model for a material in a manufacturing process |
EP1543392A1 (en) * | 2002-06-28 | 2005-06-22 | Umetrics AB | Method and device for monitoring and fault detection in industrial processes |
US7283982B2 (en) * | 2003-12-05 | 2007-10-16 | International Business Machines Corporation | Method and structure for transform regression |
JP5022610B2 (ja) | 2006-02-27 | 2012-09-12 | 株式会社東芝 | 下水処理場運転支援装置 |
JP4585983B2 (ja) * | 2006-03-27 | 2010-11-24 | 株式会社日立製作所 | プラント制御方法及びプラント制御装置 |
CN100576117C (zh) * | 2007-03-27 | 2009-12-30 | 宝山钢铁股份有限公司 | 钢板冷却控制模拟系统 |
JP4876057B2 (ja) * | 2007-11-20 | 2012-02-15 | 株式会社日立製作所 | プラントの制御装置、及び火力発電プラントの制御装置 |
WO2011146914A2 (en) * | 2010-05-21 | 2011-11-24 | Fisher-Rosemount Systems, Inc. | Multi-stage process modeling method |
US8788067B2 (en) * | 2010-06-08 | 2014-07-22 | Rockwell Automation Technologies, Inc. | Systems and methods for modeling interdependencies in batch processes |
CN102033492A (zh) * | 2010-12-29 | 2011-04-27 | 国核电力规划设计研究院 | 无源系统的线性神经元在线学习自适应控制方法及控制器 |
JP5779906B2 (ja) * | 2011-02-25 | 2015-09-16 | オムロン株式会社 | 検査システム、管理サーバ、検査装置および検査データ管理方法 |
JP5759206B2 (ja) * | 2011-03-01 | 2015-08-05 | 東芝三菱電機産業システム株式会社 | 学習係数制御装置 |
US20150001161A1 (en) * | 2013-07-01 | 2015-01-01 | Rockwater Resource, LLC | Liquid treatment station including plural mobile units and methods for operation thereof |
CN107004060B (zh) * | 2014-11-25 | 2022-02-18 | Pdf决策公司 | 用于半导体制造工艺的经改进工艺控制技术 |
JP6330922B2 (ja) * | 2015-01-21 | 2018-05-30 | 三菱電機株式会社 | 情報処理装置および情報処理方法 |
JP6501593B2 (ja) * | 2015-04-03 | 2019-04-17 | 住友化学株式会社 | 予測ルール生成システム、予測システム、予測ルール生成方法及び予測方法 |
JP6613175B2 (ja) | 2016-03-03 | 2019-11-27 | 株式会社日立製作所 | 異常検出装置、系統安定度監視装置、及びそのシステム |
JP6714491B2 (ja) | 2016-10-14 | 2020-06-24 | 株式会社日立製作所 | 意思決定支援システムおよび意思決定支援方法 |
JP2018116545A (ja) * | 2017-01-19 | 2018-07-26 | オムロン株式会社 | 予測モデル作成装置、生産設備監視システム、及び生産設備監視方法 |
US10948831B2 (en) * | 2017-02-24 | 2021-03-16 | Asml Netherlands B.V. | Methods of determining process models by machine learning |
JP7017861B2 (ja) * | 2017-03-23 | 2022-02-09 | 株式会社日立製作所 | 異常検知システムおよび異常検知方法 |
US10968114B2 (en) * | 2017-06-13 | 2021-04-06 | Marcos VIELMA | Water recycling system and method |
US10579042B2 (en) * | 2018-07-02 | 2020-03-03 | Hitachi, Ltd. | Defect rate analytics to reduce defectiveness in manufacturing |
CN108983605B (zh) * | 2018-07-09 | 2021-03-26 | 南开大学 | 一种基于深度强化学习进行流体导向的刚体控制的方法 |
US20200097623A1 (en) * | 2018-09-26 | 2020-03-26 | The Boeing Company | Production system to model and analyze a manufacturing process |
-
2019
- 2019-03-07 JP JP2019041166A patent/JP6790154B2/ja active Active
-
2020
- 2020-01-23 CN CN202080012310.9A patent/CN113396370A/zh active Pending
- 2020-01-23 SG SG11202108298TA patent/SG11202108298TA/en unknown
- 2020-01-23 KR KR1020217024315A patent/KR102430263B1/ko active IP Right Grant
- 2020-01-23 US US17/428,840 patent/US11509550B2/en active Active
- 2020-01-23 EP EP20767448.2A patent/EP3936958A4/en active Pending
- 2020-01-23 WO PCT/JP2020/002203 patent/WO2020179264A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
KR20210110674A (ko) | 2021-09-08 |
SG11202108298TA (en) | 2021-08-30 |
US20220131772A1 (en) | 2022-04-28 |
CN113396370A (zh) | 2021-09-14 |
EP3936958A4 (en) | 2022-11-30 |
EP3936958A1 (en) | 2022-01-12 |
US11509550B2 (en) | 2022-11-22 |
WO2020179264A1 (ja) | 2020-09-10 |
JP2020144640A (ja) | 2020-09-10 |
JP6790154B2 (ja) | 2020-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102430263B1 (ko) | 협조형 학습 시스템 및 감시 시스템 | |
CN109382838B (zh) | 控制装置以及机器学习装置 | |
CN112231174B (zh) | 异常告警方法、装置、设备及存储介质 | |
CN109693354B (zh) | 状态判定装置 | |
CN112347692B (zh) | 不间断电源的电池预测性维护的实现方法、装置和电子装置 | |
CN109933500A (zh) | 设备故障告警方法、装置、可读介质及电子设备 | |
US10578667B2 (en) | Methods and systems for detecting, classifying and/or mitigating sensor error | |
US11347972B2 (en) | Training data generation method and information processing apparatus | |
CN112016689B (zh) | 信息处理装置、预测判别系统以及预测判别方法 | |
CN111061581A (zh) | 一种故障检测方法、装置及设备 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
JP6632941B2 (ja) | 設備監視装置及び設備監視方法 | |
WO2020175084A1 (ja) | 運営評価装置、運営評価方法、およびプログラム | |
CN113448807B (zh) | 告警监测方法、系统、电子设备及计算机可读存储介质 | |
US11308408B2 (en) | Fault signal recovery system and method | |
JPS6231430A (ja) | 帰納推論装置 | |
KR102110319B1 (ko) | 학습 데이터 생성 시스템 | |
Wang et al. | Reinforcement learning based predictive maintenance for a machine with multiple deteriorating yield levels | |
KR102047815B1 (ko) | 플랜트 이상 예측 장치 및 방법 | |
WO2020170304A1 (ja) | 学習装置及び方法、予測装置及び方法、並びにコンピュータ可読媒体 | |
US20180136641A1 (en) | Fault signal recovery apparatus and method | |
JP6896380B2 (ja) | 故障予兆判定方法、故障予兆判定装置および故障予兆判定プログラム | |
CN115879680A (zh) | 钢铁表面缺陷判定规则管理系统 | |
JP2022191680A (ja) | データ選択支援装置及びデータ選択支援方法 | |
CN106599568B (zh) | 一种温室异常温度诊断装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |