KR20180099469A - 아이솔레이션 관리 시스템 및 아이솔레이션 관리 방법 - Google Patents

아이솔레이션 관리 시스템 및 아이솔레이션 관리 방법 Download PDF

Info

Publication number
KR20180099469A
KR20180099469A KR1020180016036A KR20180016036A KR20180099469A KR 20180099469 A KR20180099469 A KR 20180099469A KR 1020180016036 A KR1020180016036 A KR 1020180016036A KR 20180016036 A KR20180016036 A KR 20180016036A KR 20180099469 A KR20180099469 A KR 20180099469A
Authority
KR
South Korea
Prior art keywords
plan
isolation
circuit
unit
patterns
Prior art date
Application number
KR1020180016036A
Other languages
English (en)
Inventor
게이 다카쿠라
스스무 나이토
히데히코 구로다
히로키 시바
Original Assignee
가부시끼가이샤 도시바
도시바 에너지시스템즈 가부시키가이샤
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 가부시끼가이샤 도시바, 도시바 에너지시스템즈 가부시키가이샤 filed Critical 가부시끼가이샤 도시바
Publication of KR20180099469A publication Critical patent/KR20180099469A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • 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], computer integrated manufacturing [CIM]
    • G05B19/41885—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], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • 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
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Abstract

아이솔레이션 관리 시스템은, 복수의 요소(component)로 구축된 플랜트에 관한 정보를 기억하도록 구성된 데이터베이스 ― 상기 정보는 상기 복수의 요소 간의 관계를 포함함 ―, 상기 플랜트에 있어서의 대상 개소를 지정하는 대상 개소 정보의 지정을 접수하도록 구성된 접수부와, 상기 대상 개소에서의 상기 복수의 요소 중 적어도 하나의 변화 상태와 관련하여 상기 복수의 요소의 각 상태의 복수의 패턴을, 상기 데이터베이스에 기억된 정보에 의거하여 해석하도록 구성된 해석부와, 상기 해석부에 의해 해석된 복수의 패턴으로부터 적어도 하나의 특정의 패턴을 추출 패턴으로서 추출하도록 구성된 심층 학습 회로와, 상기 추출 패턴에 의거하여 작업 계획을 생성하도록 구성된 계획 생성부와, 상기 계획 생성부에 의해 생성된 작업 계획을 출력하도록 구성된 출력 인터페이스를 구비한다.

Description

아이솔레이션 관리 시스템 및 아이솔레이션 관리 방법{ISOLATION MANAGEMENT SYSTEM AND ISOLATION MANAGEMENT METHOD}
본 발명의 실시형태는, 일반적으로 플랜트에 있어서, 공사, 보수 점검, 수리 등을 행할 때, 대상으로 되는 기기를 일시적으로 격리하는 아이솔레이션 작업을 관리하는 아이솔레이션 관리 기술에 관한 것이다.
종래, 발전소 등의 플랜트에 있어서의 아이솔레이션 작업을 행하기 전에, 전문 엔지니어가 각 기기의 접속 관계를 나타내는 전개 접속도 등을 참조하여, 다른 기기에 대한 아이솔레이션 작업의 영향을 검토하면서 작업 계획을 작성하고 있다. 이러한 아이솔레이션 작업에 관계되는 수고를 경감하기 위해, 플랜트의 모선 점검을 위한 작업 계획 입안을 자동화하는 기술이 제안되어 있다. 또한, 설계 도서로부터 대상으로 되는 도면을 추출하는 기술이 제안되어 있다. 또한, 아이솔레이션 작업의 실시 시에 잘못된 작업이 행해지는 것을 막는 기술이 제안되어 있다.
일본국 특개평6-46528호 공보 일본국 특개2011-96029호 공보 일본국 특개2008-181283호 공보
플랜트에는 전체적으로 다수의 기기가 설치되어 있다. 따라서, 모든 기기를 고려하여 아이솔레이션의 작업 계획의 입안을 하고자 하면, 방대한 양의 계산을 행하지 않으면 안 된다. 예를 들면, 대상으로 되는 범위에 100개의 기기가 있고, 그 모두에 ON/OFF의 2개의 상태가 존재할 경우에는, 2의 100승(1×1030 이상)의 상태 패턴이 존재하게 된다. 그 때문에, 모든 패턴을 계산하여 구하는 것은 효율적이지 않아, 작업 계획을 효율적으로 입안할 수 없다라는 과제가 있다.
본 발명의 실시형태는 이러한 사정을 고려해서 이루어진 것으로, 아이솔레이션 작업에 가장 적합한 작업 계획을 효율적으로 생성할 수 있는 아이솔레이션 관리 기술을 제공하는 것을 목적으로 한다.
본 발명의 일 실시형태에 있어서, 아이솔레이션 관리 시스템은,
복수의 요소(component)로 구축된 플랜트에 관한 정보를 기억하도록 구성된 데이터베이스 ― 상기 정보는 상기 복수의 요소 간의 관계를 포함함 ―,
상기 플랜트에 있어서의 대상 개소를 지정하는 대상 개소 정보를 접수하도록 구성된 접수부와,
상기 대상 개소에서의 상기 복수의 요소 중 적어도 하나의 변화 상태와 관련하여 상기 복수의 요소의 각 상태의 복수의 패턴을, 상기 데이터베이스에 기억된 정보에 의거하여 해석하도록 구성된 해석부와,
상기 해석부에 의해 해석된 복수의 패턴으로부터 적어도 하나의 특정의 패턴을 추출 패턴으로서 추출하도록 구성된 심층 학습 회로와,
상기 추출 패턴에 의거하여 작업 계획을 생성하도록 구성된 계획 생성부와,
상기 계획 생성부에 의해 생성된 작업 계획을 출력하도록 구성된 출력 인터페이스를 구비한다.
본 발명의 다른 실시형태에 있어서, 아이솔레이션 관리 방법은,
복수의 요소로 구축된 플랜트에 관련되고 복수의 요소 간의 관계를 정의하는 정보를 데이터베이스에 기억하는 스텝과,
상기 플랜트에 있어서의 대상 개소를 지정하는 대상 개소 정보를 접수하는 스텝과,
상기 대상 개소에서의 상기 복수의 요소 중 적어도 하나의 변화 상태와 관련하여 상기 복수의 요소의 각 상태의 복수의 패턴을, 상기 데이터베이스에 기억된 정보에 의거하여 해석하는 스텝과,
상기 해석부에 의해 해석된 복수의 패턴으로부터 특정의 패턴을 추출 패턴으로서 추출하는 스텝과,
상기 추출 패턴에 의거하여 작업 계획을 생성하는 스텝과,
작업 계획을 출력하는 스텝을 포함한다.
본 발명의 실시형태에 따라, 아이솔레이션 작업에 가장 적합한 작업 계획을 효율적으로 생성할 수 있는 아이솔레이션 관리 기술이 제공된다.
도 1은 일 실시형태의 아이솔레이션 관리 시스템을 나타내는 블록도.
도 2는 다층의 뉴럴 네트워크를 나타내는 설명도.
도 3은 아이솔레이션 작업 전의 배전 시스템의 상태를 나타내는 구성도.
도 4는 아이솔레이션 작업 중의 배전 시스템의 상태를 나타내는 구성도.
도 5는 아이솔레이션 관리 처리의 제 1 부분을 나타내는 플로우차트.
도 6은 도 5에 이어서 아이솔레이션 관리 처리의 제 2 부분을 나타내는 플로우차트.
도 7은 도 5 또는 도 6에 이어서 아이솔레이션 관리 처리의 제 3 부분을 나타내는 플로우차트.
도 8은 도 7에 이어서 아이솔레이션 관리 처리의 최종 부분을 나타내는 플로우차트.
이하, 본 실시형태를 첨부 도면에 의거하여 설명한다. 우선, 발전소 등의 플랜트는, 배전 시스템, 운전 기기, 감시 기기 등의 복수의 요소로 구축된다. 이러한 플랜트에 있어서, 특정 기기 또는 시스템 등의 공사, 보수 점검, 또는 수리 등을 행할 때, 작업원의 안전 확보, 다른 기기 또는 다른 기기 또는 시스템에 주는 영향을 최소한으로 억제할 필요가 있다. 그 때문에, 상기 경우에, 작업의 대상으로 되는 기기 또는 시스템을, 다른 기기 또는 다른 시스템으로부터 전기적으로 격리해서 정지(정전)시킨다. 이러한 작업을 아이솔레이션이라고 한다.
종래 기술에서는, 아이솔레이션 작업의 계획을 입안할 때에, 각 기기의 접속 관계를 나타내는 단선(單線) 결선도, 각 구성 기기의 제어 관계를 나타내는 ECWD(기본 제어 배선도, 즉 전개 회로도 형태), IBD(인터로크 블록 선도), 소프트 로직도 등을 포함하는 설계 도서를, 전문의 엔지니어가 참조한다. 전문의 엔지니어는, 설계 도서를 참조하여, 아이솔레이션 작업의 영향을 검토하면서 아이솔레이션 작업의 계획의 입안을 행한다. 예를 들면, 원자력 발전소에서는, 아이솔레이션 계획을 엔지니어가 책정할 때에, 수천 내지 수만의 관련 도서를 조사할 필요가 있다. 또한, 엔지니어에게는, 전문성과 방대한 경험이 필요로 되고, 많은 노력이 든다. 또한, 엔지니어의 검토 부족 또는 간과 등에 기인하는 계획의 미스에 의해 이상을 알리는 경보가 발생한다. 또한, 동일한 이유로, 플랜트의 운전이 정지하거나 해 버리는 사상(事象)도 생긴다.
또한, 실제의 아이솔레이션 작업에는, 소정의 수순이 있다. 이 수순(순서)을 통해 아이솔레이션 작업을 진행시키지 않는다고 경보가 발해지거나, 인터로크가 작동하여 플랜트에 영향을 주거나 하는 사상이 생긴다. 그 때문에, 아이솔레이션 작업을 위해 조작이 필요해지는 각 기기에 대해, 전문의 엔지니어가 수순마다, 설계 도서나 플랜트의 상태를 참조하면서 평가할 필요가 있다. 이로 인해, 다대한 노력을 요하고 있었다. 이러한 일손에 의한 평가를, 수순마다 이러한 수동 평가 수순을 시뮬레이션 및 평가하는 방법도 있지만, 이 시뮬레이션에는 많은 계산 비용이 늘어난다.
또한, 아이솔레이션 작업의 계획을 입안할 때에, 예를 들면, 점퍼 단자 또는 차단기(circuit breaker)에 대해, 미리 룰을 마련하여 시뮬레이션 패턴의 수를 대폭 줄이는 것도 생각할 수 있다. 그러나, 시뮬레이터에 의해 아이솔레이션 패턴을 추출했을 경우에 있어서, 추출된 아이솔레이션 패턴이 최적인 계획인지의 여부가 명확하지 않다. 이 "최적"의 정의는, 관리자의 매니지먼트 지침에 의존하다. 예를 들면, 작업원의 피폭 선량을 최소로 억제하는 아이솔레이션 계획이 하나의 아이디어로서 최적인 아이솔레이션 계획안으로서 상정된다. 마찬가지로, 작업 스텝들의 수(시간)를 가장 짧게 하는 아이솔레이션 계획 등이, 하나의 아이디어로서 최적인 아이솔레이션 계획안으로서 상정된다.
도 1의 부호 1은, 아이솔레이션 작업의 계획을 관리하고, 자동적으로 작업 계획을 생성하는 아이솔레이션 관리 시스템(1)이다. 이 아이솔레이션 관리 시스템(1)은, (a) 플랜트의 설계 도서와, (b) 운전 정보(즉, 프로세스 데이터)와, (c) 인원 계획 정보와, (d) 환경 정보와, (e) 공사 정보와, (f) 트러블 정보와, (g) 과거에 작성한 아이솔레이션 작업 계획이 기억된 통합 데이터베이스(2)를 구비한다. 플랜트의 설계 도서는, 예를 들면, 플랜트의 건물도, 배치도, P&ID, ECWD, IBD, 단결선도, 및 소프트 로직도를 포함한다. 운전 정보는, 예를 들면, 플랜트의 운전, 감시, 및 계장 기기의 운전 상태데 관한 정보이다. 인원 계획 정보는, 예를 들면, 플랜트 내에서의 공사 계획 및 진척을 포함한다. 환경 정보는, 예를 들면, 플랜트 내의 각 작업 개소의 방사선량, 온도, 및 습도를 포함한다. 공사 정보는, 예를 들면, 현장에서의 장해물, 간섭물, 및 고소(高所) 작업 등의 작업성에 관한 정보이다. 트러블 정보는, 예를 들면, 과거의 트러블 사상 등을 일시, 장소, 기기명, 시스템명, 공사마다 대응지어 기억한 트러블 정보이다.
또한, 이들 상술한 각종 정보 항목은, 통합 데이터베이스(2) 상에서 상호 관련지어져 있다. 즉, 각종 정보 항목을 나타내는 데이터가 구조화되어 있다. 또한, 통합 데이터베이스(2)는, 플랜트 내에 설치한 데이터 서버 상에 구축해도 되고, 플랜트 밖의 시설에 설치한 서버 상에 구축해도 된다. 추가적으로 또는 대안으로, 통합 데이터베이스(2)는 네트워크 상의 클라우드 서버에 구축해도 된다. 또한, 이들 각종 정보 항목은, 사전에 통합 데이터베이스(2)에 입력된다.
또한, 아이솔레이션 관리 시스템(1)은, 소정의 기기 또는 소정의 시스템을 아이솔레이션했을 경우에, 다른 기기 또는 다른 시스템에 주는 영향의 변화를 시뮬레이션하는 플랜트 시뮬레이터(3)를 구비한다. 이 플랜트 시뮬레이터(3)는, 해석부(즉, 애널라이저 또는 다른 임의의 형태의 회로)(4), 검증부(즉, 베러파이어 또는 다른 임의의 형태의 회로)(5), 및 데이터 유지부(즉, 데이터베이스, 버퍼, 메모리 또는 다른 임의의 형태의 회로)(81)를 포함한다. 해석부(4)는, 아이솔레이션 작업의 계획을 생성할 때 플랜트를 시뮬레이션하는데 사용된다. 검증부(5)는, 생성된 작업 계획에 따라 아이솔레이션 작업을 실행했을 경우에 플랜트에서 생기는 각종 변화를 시뮬레이션하는데 사용된다.
또한, 해석부(4)는, 아날로그 회로의 해석을 행하도록 구성된 아날로그 회로 해석 회로(6)와, 논리 회로의 해석을 행하도록 구성된 논리 회로 해석 회로(7)와, 예를 들면, 그래프 이론 등에 의거한 경로 탐색의 해석을 행하도록 구성된 경로 탐색 해석 회로(8)를 구비한다. 또한, 상술한 3개의 해석 회로(6, 7, 8) 외에도 임의의 해석 방법(로직)을 해석부(4)에 인스톨하는 것도 가능하다. 또한, 해석부(4)는, 아이솔레이션 작업의 대상 개소(즉, 대상 사이트 또는 대상 부분)에 관한 기기 또는 시스템의 상태를 변화시켰을 때, 다른 기기 또는 시스템에서 생기는 상태의 변화의 패턴을 통합 데이터베이스(2)에 기억된 정보에 의거하여 해석한다. 또한, 검증부(5)도 해석부(4)와 동일 구성을 이루고, 생성된 작업 계획을 통합 데이터베이스(2)에 기억된 정보에 의거하여 검증한다.
또한, 아이솔레이션 관리 시스템(1)은, 통합 데이터베이스(2)에 기억된 데이터 및 플랜트 시뮬레이터(3)의 해석 결과에 의거하여, 아이솔레이션 작업 계획의 생성에 관계되는 처리를 행하는 심층 학습 회로(예를 들면, 심층 학습 유닛 또는 심층 학습 모델)(9)를 구비한다. 이 심층 학습 회로(9)는, 다층의 뉴럴 네트워크(10)를 구비한다. 또한, 플랜트 시뮬레이터(3)는, 플랜트의 거동을 시뮬레이션하는 컴퓨터이다. 한편, 심층 학습 회로(9)는, 기계 학습을 행하는 인공 지능을 구비하는 컴퓨터이다.
심층 학습 회로(9)는, 학습 완료의 다층의 뉴럴 네트워크(10)를 구축하기 위해 필요한 학습 데이터를 생성하도록 구성된 학습 데이터 생성부(예를 들면, 회로)(11)를 구비한다. 이 학습 데이터 생성부(11)는 제1 행렬 데이터 생성 회로(12)와 제2 행렬 데이터 생성 회로(13)를 구비한다. 제1 행렬 데이터 생성 회로(12)는, 해석부(4)가 해석한 제1 종류의 기기(요소)의 상태를 입력량(Ⅹ)으로서 처리하는 제1 행렬 데이터를 생성한다. 제2 행렬 데이터 생성 회로(13)는, 해석부(4)가 해석한 제2 종류의 기기(요소)의 상태를 출력량(Y)으로서 처리하는 제2 행렬 데이터를 생성한다.
심층 학습 회로(9)는, 통합 데이터베이스(2)에 기억된 각종 정보 항목에 각각의 보수(報酬)를 설정하도록 구성된 보수 설정부(즉, 회로)(14)와, 보수에 의거하여 아이솔레이션 계획의 가치가 가장 높아지는 패턴을 추출하도록 구성된 강화 학습부(즉, 회로)(15)와, 아이솔레이션 작업의 조작 수순(실행 순서)을 추출하도록 구성된 조작 수순 추출부(즉, 회로)(16)를 더 구비한다.
플랜트 시뮬레이터(3) 및 심층 학습 회로(9)는, 개별 기기 상에 실장해 되고, 플랜트에 관련된 시설 내의 컴퓨터 또는 서버에 설치해도 된다. 추가적으로 또는 대안으로, 플랜트 시뮬레이터(3) 및 심층 학습 회로(9)는 플랜트에 관련된 시설 밖의 클라우드 서버에 설치해도 된다.
또한, 아이솔레이션 관리 시스템(1)은, 심층 학습 회로(9)에서 추출된 소정의 패턴에 의거하여 작업 계획을 생성하도록 구성된 계획 생성부(17)와, 아이솔레이션 관리 시스템(101)의 관리자가 사용하는 유저 인터페이스(18)를 더 구비한다.
또한, 유저 인터페이스(18)는, 예를 들면, 플랜트에 관련된 시설 내의 퍼스널 컴퓨터 또는 태블릿 단말 등으로 구성된다. 또한, 유저 인터페이스(18)는 접수부(즉, 수신기 또는 입력 인터페이스)(19)와 출력부(20)(즉, 출력 인터페이스)를 구비한다. 접수부(19)는 대상 개소 정보로서 플랜트에 있어서의 아이솔레이션 작업의 대상으로 되는 기기(요소) 등이 존재하는 개소의 지정을 접수한다. 출력부(20)는 생성된 작업 계획을 출력한다. 또한, 접수부(19)는, 관리자가 입력 작업을 행하는 키보드 및 마우스 등의 입력 기기를 구비한다. 또한, 출력부(20)는, 작업 계획의 출력처로 되는 표시 기기, 인쇄 기기, 또는 데이터 보존 기기 등의 요소를 구비한다.
또한, 아이솔레이션 관리 시스템(1)은, 통합 데이터베이스(2)와, 플랜트 시뮬레이터(3)와, 심층 학습 회로(9)와, 계획 생성부(17)와, 유저 인터페이스(18)를 통합적으로 제어하는 메인 제어부(100)를 구비한다. 또한, 심층 학습 회로(9)는, 각종 데이터를 유지하는 데이터 유지부(즉, 데이터베이스, 버퍼, 메모리 또는 다른 임의의 형태의 회로)(82)를 구비한다.
다음으로, 다층의 뉴럴 네트워크(10)의 일례를 도 2에 나타낸다. 이 다층의 뉴럴 네트워크(10)에서는, 유닛이 복수의 층 형상으로 나열되어, 그들이 결합되어 있다. 각 유닛은 복수의 입력(u)을 받고, 출력(z)을 계산한다. 각 유닛의 출력(z)은 총 입력(u)의 활성화 함수(f)의 출력으로서 나타난다. 활성화 함수는 가중이나 바이어스를 갖는다. 이 뉴럴 네트워크(10)는, 입력층(21)과, 출력층(22)과, 적어도 1층의 중간층(23)을 구비한다.
본 실시형태에서는, 6층의 레이어(24)를 갖는 중간층(23)이 설치된 뉴럴 네트워크(10)를 사용하고 있다. 또한, 중간층(23)의 각 레이어(24)는, 300개의 유닛으로 구성되어 있다. 또한, 다층의 뉴럴 네트워크(10)에 학습 데이터를 미리 학습해 둠으로써, 회로 또는 시스템의 상태의 변화의 패턴 중에 있는 특징량을 자동으로 추출할 수 있다. 또한, 다층의 뉴럴 네트워크(10)는, 유저 인터페이스(18) 상에서, 임의의 중간층 수, 임의의 유닛 수, 임의의 학습률, 임의의 학습 횟수, 및 임의의 활성화 함수를 설정할 수 있다.
또한, 뉴럴 네트워크(10)란, 뇌 기능의 특성을 컴퓨터의 시뮬레이션에 의해 표현한 수학 모델이다. 예를 들면, 시냅스의 결합에 의해 네트워크를 형성한 인공 뉴런(노드)이, 학습에 의해 시냅스의 결합 강도를 변화시켜, 문제 해결 능력을 갖게 되는 모델을 나타낸다(즉, 구축한다). 또한, 본 실시형태의 뉴럴 네트워크(10)는, 심층 학습에 의해 문제 해결 능력을 취득한다.
다음으로, 본 실시형태에 따른 아이솔레이션의 작업 계획을 생성하는 프로세스를 설명한다. 본 실시형태에서는, 플랜트 내의 전원 공급 시스템의 일부를 이루는 배전 시스템(25)의 리모델링 작업을 예시한다.
도 3은, 아이솔레이션 작업 전의 배전 시스템(25)의 상태를 나타내는 구성도이다. 도 4는, 아이솔레이션 작업 중의 배전 시스템(25)의 상태를 나타내는 구성도이다. 또한, 이해를 돕기 위해, 도 3 및 도 4는 배전 시스템(25)의 회로를 간소화하여 도시하고 있다.
도 3 및 도 4에 나타내는 바와 같이, 배전 시스템(25)은, 복수의 회로 차단기(26-34)와, 복수의 단로기(35-45)와, 복수의 변압기(46-52)와, 복수의 분전반(53-60)을 구비한다. 이들 요소를 사용해서 배전 시스템(25)이 구축된다. 차단기(26-34)와, 단로기(35-45)가 제1 종류의 요소를 이루고, 제1 종류의 요소에 접속되는 분전반(53-60)이 제2 종류의 요소를 이룬다. 또한, 복수의 모선(61-63)이 설치되고, 이들 모선(61-63)으로부터 분전반(53-60)을 통해, 플랜트의 각 장치에 전력 공급이 이루어진다.
도 3 및 도 4에 있어서, 지면(紙面) 상방 측이 전원에 가까운 상류 측의 요소이다. 도 3 및 도 4의, 지면 하방 측이 전원으로부터 먼 하류 측의 요소이다. 본 실시형태에서는, 소정의 하나의 분전반(53)을 수리하기 위해, 이 분전반(53)을 배전 시스템(25)으로부터 아이솔레이션(격리)하는 예를 나타낸다. 도 3 및 도 4 중의 모든 차단기(26-34) 또는 단로기(35-45)에 대해, "X"의 표시가 부여되고 있는 는 것은 개방되어 있음(즉, 절연 상태:OFF 상태)을 나타내고, 나머지(즉, "X"의 표시가 부여되어 있지 않은 것)는 닫혀 있음(도통 상태:ON 상태)을 나타낸다.
본 실시형태에서는, 3개의 모선(61-63)의 각각에 대해, 분전반(53-55)이 접속된다. 또한, 이들 분전반(53-55)은, 차단기(26-28) 및 변압기(46-47)를 통해 모선(61-63)에 접속된다. 이들 분전반(53-55)을 통해, 더 하류 측의 분전반(56-60)에 전력이 공급된다. 상류 측의 분전반(53-55)과, 하류 측의 분전반(56-60)은, 차단기(29-34), 단로기(35-39), 및 변압기(48, 49, 51, 52)를 통해 접속된다. 또한, 하류 측의 분전반(56-60)끼리는, 단로기(40-44)를 통해 서로 접속된다.
각각의 차단기(26-34) 및 단로기(35-45)는, ON과 OFF의 2개의 상태가 있다. 또한, 각 분전반(53-60)은, 동작과 정지의 2개의 상태가 있다. 본 실시형태에서는, 이들 요소의 각 상태를 변화시켰을 때의 상태 패턴이 복수 존재한다. 이들 상태 패턴 중에서 아이솔레이션에 최적임을 나타내는 상태 패턴을 특정한다. 또한, 이하의 설명에 있어서, 아이솔레이션의 대상으로 되는 하나의 분전반(53)을, 적절히 본 실시형태에 있어서의 대상 개소(T)의 분전반(53)이라고 할 경우가 있다.
도 3에 나타내는 바와 같이, 아이솔레이션 작업 전에 있어서, 소정의 모선(61)으로부터 대상 개소(T)의 분전반(53)에 전력 공급이 이루어지고 있다. 또한, 이 분전반(53)을 통해 하류 측의 분전반(56, 57)에 전력 공급이 이루어지고 있다. 또한, 다른 분전반들에 대해서는, 분전반(54)이 정지해 있고, 이 분전반(54)에 접속된 회로 차단기(27, 33) 및 단로기(38)가 개방되어 있다. 또 다른 분전반(55)은 동작하고 있지만, 이 분전반(55)의 하류 측의 회로 차단기(34) 및 단로기(39)가 개방되어 있다. 즉, 하류 측의 5개의 분전반(56-60)에 대해서는, 대상 개소(T)의 분전반(53)을 통해 전력 공급이 이루어지고 있다.
예를 들면, 대상 개소(T)의 분전반(53)의 아이솔레이션을 행할 경우에, 이 분전반(53)에 직접적으로 접속되어 있는 모든 회로 차단기(26, 29-32)를 개방하고(도 3에 있어서 회로 차단기(29)는 개방된 상태로 도시하고 있음), 또한 개방된 차단기(29-32)의 하류 측의 단로기(35, 36)를 개방한다. 그러면, 대상 개소(T)의 분전반(53)과, 하류 측의 모든 분전반(56-60)에 대해, 모선(61)으로부터의 전력 공급이 정지된다. 즉, 대상 개소(T)에 관한 차단기(26, 29-32) 및 단로기(35, 36)의 각 상태를 변화시켰을 때, 다른 개소의 각 분전반(56-60)의 상태가 변화된다.
여기에서, 하류 측의 특정의 분전반(56)은 통전 상태를 유지한다는 운용 룰이 있는 것으로 한다. 이 운용 룰에 의거하면, 대상 개소(T)의 분전반(53)의 아이솔레이션을 행한 시점에서, 특정의 분전반(56)이 정전(停電) 상태로 되어 버리므로, 이상 경보가 발해져 버린다. 이렇게, 각 요소의 상태의 변화의 패턴이, 이상 경보가 발해져 버리는 패턴으로 되지 않도록, 다른 전력 공급 루트를 통해서 특정의 분전반(56)에 전력 공급을 행하는 상태 패턴을 특정할 필요가 있다.
예를 들면, 도 4에 나타내는 바와 같이, 다른 전력 공급 루트로서, 다른 모선(63)으로부터의 전력 공급을 행하는 루트를 확보한다. 이 모선(63)에 대응하는 분전반(55)에 접속된 차단기(34) 및 단로기(39)를 닫음으로써, 하류 측의 분전반(60)에 전력 공급이 이루어진다. 이렇게, 이 분전반(60)으로부터 특정의 분전반(56)에 전력 공급이 이루어진다. 이 도 4에 나타내는 상태가, 아이솔레이션이 완료된 최적인 상태를 나타내는 특정의 패턴이다.
또한, 아이솔레이션 작업에는, 소정의 기기의 조작 수순(순서)이 있다. 예를 들면, 특정의 분전반(56)이 있을 경우에, 이 분전반(56)에 대한 다른 전력 공급 루트가 확보된 후, 아이솔레이션 작업을 행한다. 또한, 소정의 회로 차단기(34) 및 단로기(39)를 닫은 후에, 다른 회로 차단기(26-32) 및 단로기(35, 36)의 개방을 행하도록 한다. 또한, 회로 차단기(30, 31) 및 단로기(35, 36)가 서로 접속되어 있을 경우에 있어서, 회로 차단기(30, 31)의 개방 후에, 회로 차단기(30, 31)에 대응하는 각 단로기(35, 36)의 개방을 행하도록 한다.
본 실시형태에서는, 아이솔레이션에 최적인 각 요소의 상태의 변화의 패턴을, 플랜트 시뮬레이터(3) 및 심층 학습 회로(9)를 사용해서 자동적으로 추출한다. 우선, 심층 학습을 행하기 위해 필요한 학습 완료의 다층의 뉴럴 네트워크(10)의 모델이 없는 경우에 대해 설명한다.
도 1에 나타내는 바와 같이, 작업 계획을 생성할 때에, 아이솔레이션 관리 시스템(1)은, 우선, 아이솔레이션의 대상 개소(T)를 지정하는 대상 개소 정보를 접수한다. 그리고, 관리자는, 유저 인터페이스(18)를 사용해서 대상 개소(T)의 분전반(53)을 지정하는 입력 조작을 행한다. 이 입력 조작을 접수한 아이솔레이션 관리 시스템(1)은, 대상 개소(T)의 분전반(53)이 접속되어 있는 기기(들) 및 시스템에 관련되는 설계 도서 등을 통합 데이터베이스(2)로부터 취득한다.
그리고, 설계 도서에 포함되는 연결 정보, 기기 정보, 및 속성 정보를 리스트화하고, 그 리스트를 플랜트 시뮬레이터(3)의 해석부(4)에 도입한다. 또한, 아이솔레이션 관리 시스템(1)은, 통합 데이터베이스(2)에 기억된 기기의 프로세스 정보 및 상태 정보(예를 들면, 차단기(26-34)가 개방되어 있는지 닫혀 있는지를 나타내는 정보) 등을 해석부(4)에 도입한다.
여기에서, 해석부(4)는, 기기 정보, 속성 정보, 접속 정보, 및 상태 정보가 리스트로 된 것에 의거하여, 아날로그 회로 해석 회로(6), 논리 회로 해석 회로(7), 및/또는, 경로 탐색 해석 회로(8)를 사용한 시뮬레이션을 행한다. 또한, 이들 해석부(6, 7, 8)는, 대상으로 되는 회로 또는 시스템에 따라, 하나 혹은 2개 이상을 조합하는 것이 가능하다. 예를 들면, 단결선도를 베이스로 한 시스템도와, IBD로 이루어지는 시뮬레이션을 대상으로 할 경우에, 논리 회로 해석 회로(7)와, 경로 탐색 해석 회로(8)를 조합하는 것이 가능하다. 이렇게 하면, 아이솔레이션 작업을 행했을 때에 플랜트의 각 요소에 주는 영향 및 플랜트의 각 요소의 거동을 시뮬레이션할 수 있다.
또한, 해석부(4)에서는, 각 요소(기기)의 상태, 예를 들면, 모든 회로 차단기(26-34) 및 단로기(35-45)의 각 상태를 각각 변화시킨 경우의 대상 개소(T)의 분전반(53)의 보통 상태를 출력한다. 또한, 이들 요소의 각각의 변화의 패턴이 다수 존재할 수 있다. 이들 변화의 패턴을, 심층 학습 회로(9)의 학습 데이터 생성부(11)에 송신한다.
또한, 학습 데이터 생성부(11)에서는, 회로 차단기(26-34) 및 단로기(35-45)(제1 종류의 요소)의 속성 또는 상태를 입력량(Ⅹ)으로서 처리하고, 분전반(53-60)(제2 종류의 요소)의 속성 또는 상태를 출력량(Y)으로서 리스트화한다. 제1 종류의 요소 및 제2 종류의 요소의 속성 또는 상태는 해석부(4)로부터 출력된다.
또한, 학습 데이터 생성부(11)의 제1 행렬 데이터 생성 펑션(12)에서는, 회로 차단기(26-34) 및 단로기(35-45)의 각각의 상태(즉, 개방 상태 또는 차단 상태)를, 0 또는 1로 표현하여, 해당 요소(26-34 및 35-45)의 각 상태의 데이터인 입력량(Ⅹ)의 제1 행렬 데이터를 생성한다.
학습 데이터 생성부(11)의 제2 행렬 데이터 생성 펑션(13)에서는, 회로 차단기(26-34) 및 단로기(35-45)가 각각 소정의 상태일 때의 각 분전반(53-60)의 상태(즉, 도통 상태 또는 비도통 상태)에, 0 또는 1을 할당한다. 즉, 제2 행렬 데이터 생성 펑션(13)은, 각 분전반(53-60)의 상태를 0 또는 1로 표현하여, 도통과 관련하여 해당 요소(26-34 및 35-45)의 각 상태의 데이터인 출력량(Y)의 제2 행렬 데이터로서 생성한다. 본 실시형태에서는, 출력량으로서, 0, 1의 이산값을 출력하고 있다. 그러나, 출력층에서의 활성화 함수 등의 함수 및 파라미터를 적절히 설정함으로써, 0, 1 이외의 다(多) 클래스로 분류하는 것이나, 연속값을 출력하는 것도 가능하다.
이 리스트화된 행렬 데이터를 학습 데이터로서, 다층의 뉴럴 네트워크(10)에 학습시킨다. 또한, 심층 학습 회로(9)에서는, 출력 결과의 정답률이 높아지도록, 학습 완료의 뉴럴 네트워크(10)를 구축한다. 예를 들면, 검증용의 데이터를 입력했을 경우의 출력 결과와 대답(기대되는 출력) 사이의 저어(齟齬)가 작아지도록, 학습 완료의 뉴럴 네트워크(10)를 구축한다.
다음으로, 학습 완료의 다층의 뉴럴 네트워크(10)를 사용해서, 아이솔레이션 작업 계획을 생성하는 수순을 설명한다. 우선, 유저 인터페이스(18)를 사용해서 대상 개소(T)의 분전반(53)의 지정을 대상 개소로서 접수한다. 본 실시형태에서는, 공사의 대상 개소(T)의 분전반(53)을 OFF로 하는 지시가 대상 개소 정보로서 입력된다.
또한, 통합 데이터베이스(2)로부터 대상 개소(T)의 분전반(53)의 상태 정보와, 회로 차단기(26-34) 및 단로기(35-45)의 상태 정보를 심층 학습 회로(9)에 출력한다. 회로 차단기(26-34) 및 단로기(35-45)는 분전반(53)에 접속되어 있는 기기로서 연결되고 이 시스템의 요소이다. 이 심층 학습 회로(9)에서는, 이들 입력량(Ⅹ)에 의거하여 구축된 학습 완료의 뉴럴 네트워크(10)를 사용해서, 대상 개소(T)의 분전반(53)이 OFF로 되는 회로 차단기(26-34) 및 단로기(35-45)의 상태의 조합 패턴을 추출한다.
본 실시형태에서는, 대상 개소(T)의 분전반(53)에 관한 회로 차단기(26-34) 및 단로기(35-45)의 ON/OFF의 조합의 패턴을, M량(Ⅹ)으로서 학습 완료의 뉴럴 네트워크(10)에 입력한다. 심층 학습 회로(9)는 분전반(53-60)의 모든 상태 중, 대상 개소(T)의 분전반(53)이 OFF로 되는 회로 차단기(26-34) 및 단로기(35-45)의 ON/OFF의 조합의 패턴을 추출한다.
회로 차단기(26-34) 및 단로기(35-45)의 실제의 조작에 관해서, 그 조작 수순이 없는 경우(즉, 현장의 작업자가 어느 조작으로부터 개시해도 될 경우)는, 추출된 ON/0FF의 조합의 패턴에 의거하여 아이솔레이션 작업 계획의 생성을 행할 수 있다.
반대로, 특정의 조작 수순이 있을 경우(즉, 현장의 작업자가 특정의 조작으로부터 개시하지 않으면 안 될 경우)에, 심층 학습 회로(9)는, 추출된 ON/OFF의 조합의 패턴(25)(즉, 특정의 패턴)과, 조작 수순의 룰 및 로직을 조작 수순 추출부(16)에 입력한다. 이 조작 수순 추출부(16)는, 룰 및 로직에 따른 회로 차단기(26-34) 및 단로기(35-45)의 ON/OFF의 조작 수순을 추출하고, 추출한 조작 수순을 출력한다. 조작 수순의 룰 및 로직은, 유저 인터페이스(18) 상에서 입력하는 것이나, 미리 통합 데이터베이스(2)에 기록해 둘 수 있다.
조작 수순 추출부(16)에서는, 아이솔레이션 작업의 조작의 과정에서 취할 수 있는 회로 차단기(26-34) 및 단로기(35-45)의 ON/OFF의 조합의 각 패턴을 입력량(Ⅹ)으로서 학습 완료의 뉴럴 네트워크(10)에 입력한다. 조작 수순 추출부(16)는 분전반(53-60)의 각 상태의 패턴을 출력량(Y)으로서 출력한다. 이 수순에서, 조작 수순 추출부(16)는 입력된 조작 수순의 룰 또는 로직에 의거하여, 입력량(Ⅹ) 및 출력량(Y)을 좁히고, 그리고, 최종적으로 대상 개소(T)의 분전반(53)이 목적의 상태로 되는 조작 수순을 추출한다(리스트화함).
또한, 추출된 패턴(리스트) 및 조작 수순에는, 복수의 계획안(후보)이 존재하는 것이 상정된다. 그래서, 플랜트 내의 환경 정보 등의 임의의 정보를 사용해서, 복수의 계획안 중에서 최적인 계획안을, 강화 학습부(15)를 사용해서 추출한다. 이 강화 학습부(15)에서는, 기계 학습의 일종인 강화 학습을 사용한다. 이 강화 학습에서는, 소프트웨어 에이전트 등의 학습의 실체인 에이전트가 주어진 환경에서 가치를 극대화하도록 학습한다.
환경의 시간(t)에서 상태(St)가 주어지면, 에이전트는 환경의 이 상태(St)를 인지하고 시간(t)에서 동작(또는 동작 세트)(At)을 선택한다. 이 동작에서, 에이전트는 수치 보수(rt+1)를 얻고 환경 상태는 상태(St)로부터 상태(St+1)로 이동된다. 강화 학습에서, 에이전트는 이러한 동작 세트의 과정에서 획득된(또는 획득이 예상되는) 총 보수의 양을 최대화하도록 동작 세트를 선택한다. 동작 세트의 과정에서 획득된(또는 획득이 예상되는) 이 총 보수는 가치를 말하며, 이 가치는 가치 함수 Q(s, a)로 수식화되고, 여기서 s는 환경의 상태를 나타내고, a는 취해지거나 선택될 수 있는 동작을 나타낸다. 본 실시형태에서는, 가치 함수를 다층의 뉴럴 네트워크(10)에 의해 표현하는 심층 강화 학습을 사용한다.
추출된 패턴 및 추출된 조작 수순이 강화 학습부(15)에 입력된다. 또한, 통합 데이터 베이스(2)에 기억된 환경 정보를 포함하는 임의의 정보가 강화 학습부(15)에 입력된다. 예를 들면, 발전소 내의 에어리어마다의 방사선량, 온도, 습도, 위치 정보(좌표), 및/또는 작업자의 이동 거리가 입력된다. 또한, 이들 정보 항목을 보수에 의해 정의한다. 예를 들면, 대상 개소(T)의 분전반(53)이 배치되는 에어리어의 환경이, 방사선량이 1μSv/h, 온도가 25℃, 습도가 30%, 이동 거리가 10m인 경우에, 이들 4개의 파라미터 값에 대응하는 보수를, 각각 -1점, -1점, -6점, -6점이라고 정의한다.
또한, 이들 보수의 설정에는, 관리자가 규정한 임의의 함수 또는 변환식을 사용할 수 있다. 예를 들면, 회로 차단기(30, 31)가 배치되는 에어리어, 단로기(35, 36)가 배치되는 에어리어 등과 같이, 각 요소가 배치되는 에어리어마다 환경 정보를 보수로서 정의한다.
천이를 이들 보수(s)와, 입력된 패턴과, 조작 수순에 관한 적어도 어느 하나의 정보 항목으로 하여, 회로 차단기(26-34) 및 단로기(35-45)의 ON/OFF의 작업에 수반하는 작업 에어리어의 천이를 입력량(Ⅹ)으로 설정한다. 다층의 뉴럴 네트워크(10)를 사용해서 가치 함수를 표현한다. 이러한 가치 함수를 사용함으로써, 복수의 계획안 중, 가장 가치가 높아지는 계획안을 결정한다.
결정된 계획안에 의거하여, 계획 생성부(17)가 작업 계획을 생성한다. 이 작업 계획은, 작업자가 인식 가능한 문장 및 도면으로 구성되는 서류여도 되고, 작업을 지원하는 데이터여도 된다. 이 계획 생성부(17)에서 생성된 작업 계획은, 최종적으로 아웃풋되기 전에, 플랜트 시뮬레이터(3)의 검증부(5)에 입력된다.
이 검증부(5)에서는, 작업 계획에 따라 아이솔레이션 작업을 실시했을 경우의 플랜트의 영향을 검증한다. 예를 들면, 시뮬레이터를 바탕으로 한 평가 시스템에서, 회로도 또는 시스템도 등의 물리 모델에 의거한 검증을 행한다. 또한, 작업 계획에 따라 아이솔레이션 작업을 실시했을 경우에, 이상 경보의 발생, 또는 아이솔레이션 작업 간 차이의 발생 등이 없는지를 검증한다. 이렇게 하면, 심층 학습 회로(9)가 추출한 특정의 패턴에 의거하는 작업 계획이 적절한지의 여부를, 실제 아이솔레이션 작업을 행하기 전에 검증할 수 있다. 이 검증의 결과, 작업 계획에 문제가 없는 경우는, 유저 인터페이스(18)의 출력부(20)에 의해 작업 계획이 아웃풋된다.
이렇게 본 실시형태에서는, 다층의 뉴럴 네트워크(10)를 포함하는 심층 학습 회로(9)와, 플랜트 시뮬레이터(3)를 조합함으로써, 아이솔레이션의 작업 계획을 자동으로 생성할 수 있다. 또한, 시뮬레이터 단독으로 아이솔레이션의 작업 계획을 세울 경우와 비교해서, 계산 비용을 억제할 수 있다. 또한, 강화 학습부(15)를 사용함으로써, 아이솔레이션 작업을 가장 효율적으로 행하는 것이 가능한 아이솔레이션 작업의 계획 입안을 자동으로 행할 수 있다.
본 실시형태에서는, 다층의 뉴럴 네트워크(10)에 의해 변화의 패턴의 특징량이 취득되고, 이 특징량에 의거하여 특정의 패턴이 추출된다. 따라서, 복수의 변화의 패턴으로부터 특정의 패턴을 추출하기 위한 처리 효율을 향상시킬 수 있다.
또한, 학습 완료의 다층의 뉴럴 네트워크(10)에 의해 특정의 패턴이 추출됨으로써, 복수의 변화의 패턴으로부터 특정의 패턴을 추출하는 시간을 단축할 수 있다.
또한, 학습 데이터 생성부(11)는, 통합 데이터베이스(2)에 기억된 과거의 작업 계획에 의거하여 학습 데이터를 생성함으로써, 과거에 행해진 아이솔레이션 작업을 답습한 작업 계획을 생성할 수 있다. 결과적으로, 작업 계획의 신뢰성을 높일 수 있다.
또한, 심층 학습 회로(9)는, 제1 행렬 데이터 및 제2 행렬 데이터를 포함하는 학습 데이터를 다층의 뉴럴 네트워크(10)에 학습시킴으로써, 플랜트를 구성하는 각 종류의 요소에 따른 학습 데이터를 생성할 수 있다. 따라서, 플랜트의 아이솔레이션 작업에 적합한 다층의 뉴럴 네트워크(10)를 구축할 수 있다.
강화 학습부(15)는, 복수의 특정의 패턴으로부터 각각 생성된 복수의 계획안으로부터, 보수에 의거하여 가치가 가장 높은 계획안을 추출함으로써, 아이솔레이션 작업에 가장 적합한 패턴을 추출할 수 있다. 또한, 강화 학습부(15)는, 강화 학습의 하나의 옵션으로서, 뉴럴 네트워크를 사용하는 심층 강화 학습 기능(15A)을 갖는다.
또한, 조작 수순 추출부(16)는, 추출된 특정의 패턴에 의거하여 아이솔레이션 작업의 조작 수순을 추출함으로써, 아이솔레이션 작업에 가장 적합한 조작 수순을 추출할 수 있다.
본 실시형태의 아이솔레이션 관리 시스템(1)은, CPU, ROM, RAM, HDD 등의 하드웨어 자원을 갖고, CPU가 각종 프로그램을 실행함으로써, 소프트웨어에 의한 정보 처리가 하드웨어 자원을 사용해서 실현되는 컴퓨터로서 구성된다. 또한, 본 실시형태의 아이솔레이션 관리 방법은, 다양한 프로그램을 컴퓨터에 실행시키는 것으로 실현된다.
다음으로, 아이솔레이션 관리 시스템(1)이 실행하는 처리에 대해 도 5 내지 도 8의 플로우차트를 사용해서 설명한다.
도 5에 나타내는 바와 같이, 우선, 도 1의 경로(R1)에 대응하는 스텝 S11에서, 통합 데이터베이스(2)는, 플랜트에 관한 설계 도서, 운전 정보, 인원 계획 정보, 환경 정보, 공사 정보, 트러블 정보, 및 과거의 작업 계획을 포함하는 각종 정보를 기억한다.
다음으로, 도 1의 경로(R2, R3)에 대응하는 스텝 S12에서, 유저 인터페이스(18)의 접수부(19)는, 관리자의 입력 조작에 의거하여, 아이솔레이션 작업의 대상 개소(T)를 지정하는 대상 개소 정보를 접수한다. 예를 들면, 대상 개소(T)의 분전반(53)의 지정을 대상 개소 정보로서 접수한다.
다음으로, 도 1의 경로(R6, R11)에 대응하는 스텝 S13에서, 아이솔레이션 관리 시스템(1)의 메인 제어부(100)는, 통합 데이터베이스(2)로부터 플랜트 시뮬레이터(3)의 데이터 유지부(81) 및 심층 학습 회로(9)의 데이터 유지부(82)가 대상 개소(T)의 분전반(53)에 관한 정보를 취도하게 한다. 구체적으로, 데이터 유지부(81 및 82)는, 유저 인터페이스(18)에 있어서 지정된 대상 개소(T)의 분전반(53)(요소)에 관한 정보로서, 이 분전반(53)의 근방의 회로 차단기(26-34) 및 단로기(35-45)의 정보를 취득한다. 예를 들면, 데이터 유지부(81 및 82)는, 각 분전반이나 회로 차단기(26-34), 단로기(35-45)의 ON/OFF 상태나 개폐의 상태를 취득한다.
다음으로, 도 1의 경로(R4)에 대응하는 스텝 S14에서, 메인 제어부(100)는, 유저 인터페이스(18)에 있어서 지정된 대상 개소에 관해서 이미 학습 완료의 뉴럴 네트워크(10)가 있는지의 여부를 판정한다. 여기에서, 학습 완료의 뉴럴 네트워크(10)가 없는 경우는, 처리는 후술하는 S20으로 진행한다. 한편, 학습 완료의 뉴럴 네트워크(10)가 있을 경우는, 처리는 S15로 진행한다.
도 1의 경로(R6)에 대응하는 스텝 S15에서, 메인 제어부(100)는, 통합 데이터베이스(2)로부터 취득한 정보에 의거하여, 대상 개소(T)의 요소(들)와, 상태를 심층 학습 회로(9)에 설정한다. 예를 들면, 메인 제어부(100)는, 분전반(53)을 OFF로 하는 설정을 행한다.
다음으로, 스텝 S16에서, 메인 제어부(100)는, 통합 데이터베이스(2)에 기억된 정보에 의거하여, 대상 개소(T)에 관한 각 요소의 상태의 조합 패턴의 리스트를 생성한다(S16). 예를 들면, 메인 제어부(100)는, 대상 개소(T)의 분전반(53)에 직접적 또는 간접적으로 접속되어 있는 회로 차단기(26-34) 및 단로기(35-45)의 각 ON/OFF의 상태를 나타내는 조합의 리스트를 생성한다.
다음으로, 도 1의 경로(R7)에 대응하는 스텝 S17에서, 메인 제어부(100)는, 대상 개소(T)에 관한 요소의 각 상태의 조합 패턴의 생성 리스트를 학습 완료의 심층 학습 회로(9)에 속하는 뉴럴 네트워크(10)에 출력한다.
다음으로, 스텝 S18에서, 뉴럴 네트워크(10)는, 대상 개소(T)의 각 요소(즉, 대상 개소(T)에 관한 요소)의 상태와, 다른 요소(즉, 대상 개소(T)에 관련되지 않은 요소)에 대한 영향 및 경보의 유무 등의 해석 결과를 얻는다(S18).
다음으로, 도 1의 경로(R20)에 대응하는 스텝 S19에서, 메인 제어부(100)는, 뉴럴 네트워크(10)의 심층 학습에 의해 각 요소의 특정의 상태 패턴을 추출하고, 데이터 유지부(82)에 추출된 패턴을 유지시킨다. 구체적으로, 메인 제어부(100)는, 대상 개소(T)의 분전반(53)이 OFF로 되는 회로 차단기(26-34) 및 단로기(35-45)의 각 상태의 조합의 패턴을 추출한다. 이 후, 처리는 후술하는 도 7의 스텝 S30으로 진행한다.
도 6에 나타내는 스텝 S20은, 스텝 S14에서 학습 완료의 뉴럴 네트워크(10)가 없는 경우에 스텝 S14 직후 행하지는 처리이다. 도 1의 경로(R8)에 대응하는 스텝 S20에 있어서, 학습 데이터 생성부(11)는, 통합 데이터베이스(2)로부터 취득한 정보에 포함되는 각종 정보 항목을 리스트화하거나, 또는 이미 리스트화되어 있는 정보를 취득한다. 본 실시형태에서, "리스트화"란, 데이터를 픽업하거나, 변환을 행하거나 하는 처리를 나타낸다.
다음으로, 도 1의 경로(R9)에 대응하는 스텝 S21에서, 플랜트 시뮬레이터(3)의 해석부(4)가 각종 정보 항목의 리스트를 도입한다.
다음으로, 도 1의 경로(R21)에 대응하는 스텝 S22에서, 해석부(4)는, 데이터 유지부(81)에 유지된 데이터에 의거하여, 플랜트의 배전 시스템(25)의 시뮬레이션 모델을 생성한다.
다음으로, 메인 제어부(100)는, 심층 학습을 이용할지의 여부를 판정한다(S23). 아이솔레이션 작업에 적합한 특정의 패턴의 추출을 위한 계산량(즉, 대상 판정값)이 소정의 역치 미만인 경우, 즉, 라운드-로빈 방식의 시뮬레이션으로 처리가 가능했을 경우는, 메인 제어부(100)는, 심층 학습을 이용하지 않는다고 판정하고, 후술하는 S28로 처리를 진행한다. 한편, 아이솔레이션 작업에 적합한 특정의 패턴의 추출을 위한 계산량(즉, 대상 판정값)이 소정의 역치 이상인 경우, 즉, 심층 학습을 이용한 처리가 필요한 경우는, 메인 제어부(100)는 심층 학습을 이용하는 것으로 판정하고, 처리를 S24로 진행한다.
도 1의 경로(R10)에 대응하는 스텝 S24에서, 플랜트 시뮬레이터(3)의 해석부(4)는, 각 요소의 상태를 나타내는 데이터의 생성을 행하고 생성된 데이터를 학습 데이터 생성부(11)에 보낸다. 예를 들면, 해석부(4)는, 모든 회로 차단기(26-34) 및 단로기(35-45)의 상태를 각각 변화시킨 경우의 대상 개소(T)의 분전반(53)의 도통 상태를 나타내는 데이터를 생성한다.
다음으로, 스텝 S25에서, 심층 학습 회로(9)의 학습 데이터 생성부(11)는, 학습 데이터의 생성을 행한다. 예를 들면, 학습 데이터 생성부(11)는, 회로 차단기(26-34) 및 단로기(35-45)의 각각의 상태를 나타내는 제1 행렬 데이터를 생성하고, 또한 분전반(53-60)의 각 상태를 나타내는 제2 행렬 데이터의 생성을 행한다.
다음으로, 도 1의 경로(R5)에 대응하는 스텝 S26에서, 메인 제어부(100)는, 심층 학습 회로(9)에 있어서, 행렬 데이터를 학습 데이터로서 처리하는 학습을 다층의 뉴럴 네트워크(10)에 시킨다.
다음으로, 스텝 S27에서, 심층 학습 회로(9)에서는, 학습 완료의 뉴럴 네트워크(10)를 구축하고, 도 5의 스텝 S15로 처리를 되돌린다.
도 6의 스텝 S28은, 심층 학습을 이용하지 않는다고 판정했을 경우에, 스텝 S23 직후에 행해지는 처리이다. 도 1의 경로(R11)에 대응하는 스텝 S28에 있어서, 해석부(4)의 시뮬레이션 모델에 대상 개소(T)의 요소 및 상태를 설정한다.
다음으로, 스텝 S29에서, 라운드-로빈 방식의 시뮬레이션을 행하여, 아이솔레이션 작업에 적합한 특정의 패턴을 추출하고, 도 7의 스텝 S30으로 처리를 진행한다.
도 7의 스텝 S30에서, 메인 제어부(100)는, 회로 차단기(26-34) 및 단로기(35-45)의 실제의 조작에 관해서 특정의 조작 수순(즉, 데이터 유지부(81)에 추출 유지한 특정의 패턴의 조작)이 필요한지의 여부를 판정한다. 특정의 조작 수순이 필요 없는 경우, 처리는 후술하는 스텝 S34로 진행한다. 한편, 특정의 조작 수순이 필요한 경우, 처리는 스텝 S31로 진행한다.
도 1의 경로(R12, R13)에 대응하는 스텝 S31에서, 메인 제어부(100)는, 데이터 유지부(81, 82)에 유지한 특정의 패턴을 심층 학습 회로(9)의 조작 수순 추출부(16)에 입력한다.
다음으로, 도 1의 경로(R12, R13)에 대응하는 스텝 S32에서, 메인 제어부(100)는, 회로 차단기(26-34) 및 단로기(35-45)의 실제의 조작에 관한 조작 수순의 룰 및 로직을 심층 학습 회로(9)의 조작 수순 추출부(16)에 입력한다.
다음으로, 스텝 S33에서, 조작 수순 추출부(16)는, 룰 및 로직에 따른 조작 수순을 특정하고, 이 조작 수순을 얻는다(S33).
스텝 S34에서, 메인 제어부(100)는, 심층 학습 회로(9)에 있어서 특정의 패턴 및 조작 수순에 의거하여 후보로 되는 복수의 계획안을 생성한다.
다음으로, 도 1의 경로(R15)에 대응하는 스텝 S35에서, 메인 제어부(100)는, 심층 학습 회로(9)에 있어서 후보로 되는 복수의 계획안을 강화 학습부(15)에 입력한다.
다음으로, 도 1의 경로(R15)에 대응하는 스텝 S36에서, 메인 제어부(100)는, 플랜트에 관한 임의의 정보로서 통합 데이터베이스(2)로부터 취득한 환경 정보를 포함하는 정보를 강화 학습부(15)에 입력한다.
다음으로, 도 1의 경로(R14)에 대응하는 스텝 S37에서, 메인 제어부(100)는, 입력된 플랜트에 관한 임의의 정보에 대해 보수를 심층 학습 회로(9)의 보수 설정부(14)로 설정하고, 처리를 스텝 S38로 진행한다. 보수 설정부(14)에 설정된 보수가 강화 학습부(15)에 입력된다(도 1의 경로(R23)에 대응함). 또한, 조작 수순에 관한 정보도 강화 학습부(15)에 입력된다(도 1의 경로(R24)에 대응함).
도 8의 스텝 S3에서, 메인 제어부(100)는, 복수의 계획안 중에서 최적인 계획안을 추출하기 위해 심층 강화 학습을 이용할지의 여부를 판정한다. 여기에서, 최적인 계획안의 추출을 위한 계산량(즉, 대상 판정값)이 소정의 역치 미만인 경우, 메인 제어부(100)는, 심층 강화 학습이 불필요하다고 판정하고, 스텝 S40에서는 몬테카를로법(Monte Carlo Method) 또는 Q-학습(Q-learning)과 같은 방법으로 가치 함수를 정의하고, 처리를 스텝 S41로 진행시킨다.
한편, 최적인 계획안의 추출을 위한 계산량(즉, 대상 판정값)이 소정의 역치 이상인 경우, 즉, 심층 강화 학습으로 최적인 계획안의 추출 처리가 필요한 경우는, 심층 강화 학습을 이용한다고 메인 제어부(100)가 판정하고, 다층의 뉴럴 네트워크(10)를 사용해서 가치 함수를 표현하고(스텝 S39), 처리를 S41로 진행한다.
도 1의 경로(R16)에 대응하는 스텝 S41에서, 메인 제어부(100)는, 심층 학습 회로(9)의 강화 학습부(15)에 있어서 복수의 계획안(즉, 후보)마다 가치 함수로 계산한 가치를 특정하고, 이 특정한 가치에 관한 정보를 계획 생성부(17)에 출력한다.
다음으로, 도 1의 경로(R17)에 대응하는 스텝 S42에서, 계획 생성부(17)는, 가치가 가장 높은 특정한 계획안에 의거하여 작업 계획을 생성하고, 이 생성한 작업 계획을 플랜트 시뮬레이터(3)의 검증부(5)에 출력한다.
다음으로, 도 1의 경로(R22)에 대응하는 스텝 S43에서, 검증부(5)는, 데이터 유지부(81)에 유지된 데이터에 의거하여, 작업 계획에 따라 아이솔레이션 작업을 실시했을 경우의 플랜트의 영향을 검증하는 처리를 행한다(S43).
다음으로, 도 1의 경로(R18)에 대응하는 스텝 S44에서, 검증부(5)는, 작업 계획이 적절한지의 여부를 판정한다. 여기에서, 작업 계획이 적절하다고 판정된 경우는, 도 1의 경로(R19)로 나타낸 바와 같이, 계획 생성부(17)를 통해, 이 작업 계획이 유저 인터페이스(18)의 출력부(20)에 의해 아웃풋되는 스텝 S45로 처리가 진행되고, 전체 처리를 종료한다. 한편, 작업 계획이 적절하지 않다고 판정된 경우는, 유저 인터페이스(18)의 출력부(20)에 의해 작업 계획의 불적절 통지를 행하고, 전체 처리를 종료한다.
본 실시형태에서, 참조 값(즉, 역치)을 이용한 하나의 값(즉, 대상 값)의 판정은 대상 값이 참조 값 이상인지의 여부의 판정일 수 있다.
추가적으로 또는 대안으로, 참조 값을 이용한 대상 값의 판정은, 대상 값이 참조 값을 넘고 있는지의 여부의 판정일 수 있다.
추가적으로 또는 대안으로, 참조 값을 이용한 대상 값의 판정은, 대상 값이 참조 값 이하인지의 여부의 판정일 수 있다.
추가적으로 또는 대안으로, 참조 값을 이용한 하나의 값의 판정은, 대상 값이 참조 값 이하인지의 여부의 판정일 수 있다.
추가적으로 또는 대안으로, 참조 값은 반드시 고정된 것은 아니고 참조 값은 변할 수 있다. 따라서, 참조 값을 대신하여 소정 범위의 값이 사용될 수 있고, 대상 값의 판정은, 대상 값이 이 소정 범위 내인지의 여부의 판정일 수 있다.
또한, 본 실시형태의 플로우차트에 있어서, 각 스텝이 직렬로 실행되는 형태를 예시하고 있지만, 반드시 각 스텝의 전후 관계가 고정되지는 않고, 일부의 스텝의 전후 관계가 바뀌어도 된다. 또한, 일부의 스텝이 다른 스텝과, 병렬로 실행되어도 된다.
본 실시형태의 아이솔레이션 관리 시스템(1)은, 전용의 칩, FPGA(Field Programmable Gate Array), GPU(Graphics Processing Unit), 또는 CPU(Central Processing Unit) 등의 프로세서를 고집적화시킨 제어 장치와, ROM(Read Only Memory) 또는 RAM(Random Access Memory) 등의 기억 장치와, HDD(Hard Disk Drive) 또는 SSD(Solid State Drive) 등의 외부 기억 장치와, 디스플레이 등의 표시 장치와, 마우스 또는 키보드 등의 입력 장치와, 통신 I/F를 구비하고 있다. 아이솔레이션 관리 시스템(1)은 통상의 컴퓨터를 이용한 하드웨어 구성으로 실현할 수 있다.
또한, 본 실시형태의 아이솔레이션 관리 시스템(1)에서 실행되는 프로그램은, ROM 등의 메모리에 미리 도입해서 제공된다. 추가적으로 또는 대안으로, 이 프로그램은, 인스톨 가능한 형식 또는 실행 가능한 형식의 파일로 CD-ROM, CD-R, 메모리 카드, DVD, 플렉시블 디스크(FD) 등의 비일시적 컴퓨터로 판독 가능한 기억 매체에 기억되어 제공하도록 해도 된다.
또한, 아이솔레이션 관리 시스템(1)에서 실행되는 각 프로그램은, 인터넷 등의 네트워크에 접속된 컴퓨터 상에 저장하여, 네트워크 경유로 다운로드시켜서 제공하도록 해도 된다. 또한, 이 아이솔레이션 관리 시스템(1)은, 구성 요소의 각 기능을 독립적으로 발휘하는 개별 모듈을, 네트워크 또는 전용선으로 상호 접속하고, 조합해서 구성할 수도 있다.
본 실시형태에서는, 플랜트 내의 전원 공급 시스템의 일부를 이루는 배전 시스템(25)의 개조 공사 작업을 예시하고 있지만, 배전 시스템 이외의 아이솔레이션의 작업 계획을 생성하기 위해 본 발명을 적용해도 된다.
심층 학습 회로(9)는, 특정 패턴으로서 다른 개소에서 생기는 변화가 최소로 되는 패턴을 추출하도록 해도 된다. 이렇게 하면, 다른 요소(즉, 대상 개소(T)에 관련된 요소)에 주는 영향이 가장 적고 또한 아이솔레이션 작업에 가장 적합한 패턴을 추출할 수 있다.
이상 설명한 실시형태에 따르면, 지정된 대상 개소에 관한 요소의 상태를 변화시켰을 때, (a) 다른 개소의 요소로 생기는 상태의 변화의 패턴을 해석하도록 구성된 해석부와, (b) 해석부에 의해 해석된 복수의 변화의 패턴으로부터 특정의 패턴을 심층 학습에 의거하여 추출하도록 구성된 심층 학습 회로를 구비함에 의해, 아이솔레이션 작업에 가장 적합한 작업 계획을 효율적으로 생성할 수 있다.
본 발명의 몇 가지 실시형태를 설명했지만, 이들 실시형태는, 예로서 제시한 것이고, 발명의 범위를 한정하는 것은 의도하고 있지 않다. 실제, 본원에서 설명하는 신규한 방법 및 시스템은, 그 밖의 다양한 형태로 실시되는 것이 가능하고, 발명의 요지를 일탈하지 않는 범위에서, 다양한 생략, 치환 및 변경을 행할 수 있다. 이들 실시형태나 그 변형은, 발명의 범위나 요지에 포함되고, 마찬가지로, 특허청구범위 및 그 균등한 범위에 포함되는 것이다.

Claims (10)

  1. 복수의 요소(component)로 구축된 플랜트에 관한 정보를 기억하도록 구성된 데이터베이스 ― 상기 정보는 상기 복수의 요소 간의 관계를 포함함 ―,
    상기 플랜트에 있어서의 대상 개소를 지정하는 대상 개소 정보를 접수하도록 구성된 접수부와,
    상기 대상 개소에서의 상기 복수의 요소 중 적어도 하나의 변화 상태와 관련하여 상기 복수의 요소의 각 상태의 복수의 패턴을, 상기 데이터베이스에 기억된 정보에 의거하여 해석하도록 구성된 해석부와,
    상기 해석부에 의해 해석된 복수의 패턴으로부터 적어도 하나의 특정의 패턴을 추출 패턴으로서 추출하도록 구성된 심층 학습 회로와,
    상기 추출 패턴에 의거하여 작업 계획을 생성하도록 구성된 계획 생성부와,
    상기 계획 생성부에 의해 생성된 작업 계획을 출력하도록 구성된 출력 인터페이스를 구비하는 아이솔레이션 관리 시스템.
  2. 제1항에 있어서,
    상기 작업 계획에 따라 상기 대상 개소에서의 각 요소의 변화 상태와 관련하여, 상기 대상 개소 외의 요소의 각 상태의 패턴을 검증하도록 구성된 검증부를 더 구비하는 아이솔레이션 관리 시스템.
  3. 제1항에 있어서,
    상기 심층 학습 회로는 다층의 뉴럴 네트워크를 포함하는 중간층을 구비하여 상기 복수의 패턴 각각의 특징량을 취득하도록 구성되고,
    상기 심층 학습 회로는 상기 복수의 패턴 각각의 특징량에 의거하여 상기 추출 패턴을 추출하도록 더 구성된 아이솔레이션 관리 시스템.
  4. 제3항에 있어서,
    상기 심층 학습 회로는, 상기 다층의 뉴럴 네트워크를 구축하도록 구성된 학습 데이터를 생성하도록 구성된 학습 데이터 생성부를 구비하는 아이솔레이션 관리 시스템.
  5. 제4항에 있어서,
    상기 데이터베이스는, 적어도 하나의 과거의 작업 계획에 대한 정보를 기억하도록 구성되고,
    상기 학습 데이터 생성부는, 상기 데이터베이스에 기억된 상기 과거의 작업 계획에 의거하여 상기 학습 데이터를 생성하도록 구성된 아이솔레이션 관리 시스템.
  6. 제4항에 있어서,
    상기 복수의 요소는, 소정의 제1 종류의 요소와, 상기 제1 종류의 요소에 접속되는 제2 종류의 요소를 포함하고,
    상기 학습 데이터 생성부는, 상기 해석부가 해석한 상기 제1 종류의 요소의 상태가 입력량으로서 처리되는 제1 행렬 데이터를 생성하고, 상기 해석부가 해석한 상기 제2 종류의 요소의 상태가 출력량으로서 처리되는 제2 행렬 데이터를 생성하도록 구성되고,
    상기 심층 학습 회로는, 상기 제1 행렬 데이터 및 상기 제2 행렬 데이터를 포함하는 상기 학습 데이터를 상기 다층의 뉴럴 네트워크에 학습시키도록 구성된 아이솔레이션 관리 시스템.
  7. 제3항에 있어서,
    상기 심층 학습 회로는,
    상기 데이터베이스에 기억된 정보에 대해 보수(報酬)를 설정하고,
    상기 해석부에 의해 해석된 상기 복수의 패턴으로부터 복수의 특정의 패턴을 복수의 추출 패턴으로서 추출하고,
    상기 복수의 추출 패턴 중에서 상기 보수의 가치가 가장 높은 패턴을 추출하도록 구성된 아이솔레이션 관리 시스템.
  8. 제1항에 있어서,
    상기 심층 학습 회로는, 상기 추출 패턴에 의거하여 상기 아이솔레이션 작업의 조작 수순을 추출하도록 구성되고,
    상기 계획 생성부는, 상기 심층 학습 회로에 의해 추출된 조작 수순에 의거하여 상기 작업 계획을 생성하도록 구성된 아이솔레이션 관리 시스템.
  9. 제1항에 있어서,
    상기 해석부는, 아날로그 회로 해석, 논리 회로 해석, 및 경로 탐색 해석 중 적어도 하나를 행하도록 구성된 아이솔레이션 관리 시스템.
  10. 복수의 요소로 구축된 플랜트에 관련되고 상기 복수의 요소 간의 관계를 정의하는 정보를 데이터베이스에 기억하는 스텝과,
    상기 플랜트에 있어서의 대상 개소를 지정하는 대상 개소 정보를 접수하는 스텝과,
    상기 대상 개소에서의 상기 복수의 요소 중 적어도 하나의 변화 상태와 관련하여 상기 복수의 요소의 각 상태의 복수의 패턴을, 상기 데이터베이스에 기억된 정보에 의거하여 해석하는 스텝과,
    상기 해석된 복수의 패턴으로부터 특정의 패턴을 추출 패턴으로서 추출하는 스텝과,
    상기 추출 패턴에 의거하여 작업 계획을 생성하는 스텝과,
    작업 계획을 출력하는 스텝을 포함하는 아이솔레이션 관리 방법.
KR1020180016036A 2017-02-27 2018-02-09 아이솔레이션 관리 시스템 및 아이솔레이션 관리 방법 KR20180099469A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JPJP-P-2017-034494 2017-02-27
JP2017034494A JP6789848B2 (ja) 2017-02-27 2017-02-27 アイソレーション管理システムおよびアイソレーション管理方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020200074438A Division KR20200074936A (ko) 2017-02-27 2020-06-18 아이솔레이션 관리 시스템 및 아이솔레이션 관리 방법

Publications (1)

Publication Number Publication Date
KR20180099469A true KR20180099469A (ko) 2018-09-05

Family

ID=61783751

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020180016036A KR20180099469A (ko) 2017-02-27 2018-02-09 아이솔레이션 관리 시스템 및 아이솔레이션 관리 방법
KR1020200074438A KR20200074936A (ko) 2017-02-27 2020-06-18 아이솔레이션 관리 시스템 및 아이솔레이션 관리 방법

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020200074438A KR20200074936A (ko) 2017-02-27 2020-06-18 아이솔레이션 관리 시스템 및 아이솔레이션 관리 방법

Country Status (8)

Country Link
US (1) US20180246478A1 (ko)
JP (1) JP6789848B2 (ko)
KR (2) KR20180099469A (ko)
CN (1) CN108508852B (ko)
CA (1) CA2996576A1 (ko)
FR (1) FR3063369B1 (ko)
GB (1) GB2561073B (ko)
RU (1) RU2678146C1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018234945A1 (ja) * 2017-06-22 2018-12-27 株式会社半導体エネルギー研究所 レイアウト設計システム及びレイアウト設計方法
JP7141320B2 (ja) * 2018-12-05 2022-09-22 株式会社日立製作所 強化学習支援装置、保守計画立案装置、及び強化学習支援方法
JP7179600B2 (ja) * 2018-12-07 2022-11-29 株式会社東芝 アイソレーション管理装置、方法及びプログラム
JP7118916B2 (ja) * 2019-03-20 2022-08-16 株式会社東芝 アイソレーション作業の計画立案支援装置、方法及びプログラム
CN110221926B (zh) * 2019-05-27 2021-11-16 中国电建集团华东勘测设计研究院有限公司 一种高拱坝浇筑进度仿真的隔离计算管理方法
CN116308887B (zh) * 2023-05-12 2023-08-11 北京迅巢科技有限公司 一种智能配电集成平台模型构建方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0646528A (ja) 1992-07-22 1994-02-18 Toshiba Corp 母線用自動アイソレーション装置
JP2008181283A (ja) 2007-01-24 2008-08-07 Toshiba Corp 誤アイソレーション防止装置
JP2011096029A (ja) 2009-10-30 2011-05-12 Hitachi Ltd 保守作業計画支援方法及びシステム

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1019723B (zh) * 1985-06-11 1992-12-30 三菱电机株式会社 开关装置的电气联锁回路
JPH0646528B2 (ja) 1989-02-08 1994-06-15 富士電機株式会社 多相無接点接触器
JPH02213943A (ja) * 1989-02-15 1990-08-27 Hitachi Ltd 装置の監視診断方法
JPH02299001A (ja) * 1989-05-12 1990-12-11 Toshiba Corp 制御対象同定方法
JPH04199309A (ja) * 1990-11-29 1992-07-20 Hitachi Ltd 計装制御系保守支援装置
JP3058462B2 (ja) * 1991-03-01 2000-07-04 中部電力株式会社 母線点検用電力供給経路推論装置
JPH10319180A (ja) * 1997-05-14 1998-12-04 Toshiba Corp プラント異常時復旧支援システム
KR100380308B1 (ko) * 2000-12-12 2003-04-16 한국전기연구원 신경회로망을 이용한 동기 차단기의 개폐 제어장치
JP4059014B2 (ja) * 2001-06-19 2008-03-12 富士電機システムズ株式会社 プラントの最適運用方法及びプラントの最適設計方法
JP3619998B2 (ja) * 2002-01-04 2005-02-16 富士通株式会社 保守管理システム、方法及びプログラム
CN1648922A (zh) * 2005-03-03 2005-08-03 南京科远控制工程有限公司 企业管控一体化管理信息控制方法
JP5268400B2 (ja) * 2008-03-18 2013-08-21 株式会社東芝 工程管理システム
DE102012023424B4 (de) * 2012-11-29 2019-08-14 Kostal Industrie Elektrik Gmbh Energieverteilungsanlage mit einer Steuervorrichtung
US10539934B2 (en) * 2014-03-17 2020-01-21 General Electric Technology Gmbh Outage and switch management for a power grid system
KR20150118456A (ko) * 2014-04-14 2015-10-22 엘에스산전 주식회사 감시 장치의 부분방전 진단 방법
CN104156766A (zh) * 2014-07-28 2014-11-19 山东山大世纪科技有限公司 针对高压开关动作时间智能记忆与自学习系统的应用
CN104538222B (zh) * 2014-12-27 2016-09-28 中国西电电气股份有限公司 基于人工神经网络的高压开关选相控制器及方法
US20160241031A1 (en) * 2015-02-18 2016-08-18 Nec Laboratories America, Inc. Dynamic probability-based power outage management system
US10243397B2 (en) * 2015-02-20 2019-03-26 Lifeline IP Holdings, LLC Data center power distribution
US10164431B2 (en) * 2015-03-17 2018-12-25 General Electric Technology Gmbh Outage management and prediction for a power grid system
US10089204B2 (en) * 2015-04-15 2018-10-02 Hamilton Sundstrand Corporation System level fault diagnosis for the air management system of an aircraft
KR101541808B1 (ko) * 2015-04-30 2015-08-04 한국해양과학기술원 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템 및 그 제어 방법
US20170032245A1 (en) * 2015-07-01 2017-02-02 The Board Of Trustees Of The Leland Stanford Junior University Systems and Methods for Providing Reinforcement Learning in a Deep Learning System
CN104951905A (zh) * 2015-07-16 2015-09-30 中国神华能源股份有限公司 一种设备动态台账管理系统
JP6174669B2 (ja) * 2015-07-31 2017-08-02 ファナック株式会社 複数の製造機械を有する製造セルを制御するセルコントロールシステム、生産システム、制御方法及び制御プログラム
JP6106226B2 (ja) * 2015-07-31 2017-03-29 ファナック株式会社 ゲインの最適化を学習する機械学習装置及び機械学習装置を備えた電動機制御装置並びに機械学習方法
JP6240689B2 (ja) * 2015-07-31 2017-11-29 ファナック株式会社 人の行動パターンを学習する機械学習装置、ロボット制御装置、ロボットシステム、および機械学習方法
CN105321039B (zh) * 2015-09-24 2022-03-01 国家电网公司 一种隔离开关在线监测数据管理系统及方法
US9536191B1 (en) * 2015-11-25 2017-01-03 Osaro, Inc. Reinforcement learning using confidence scores
CN105787557B (zh) * 2016-02-23 2019-04-19 北京工业大学 一种计算机智能识别的深层神经网络结构设计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0646528A (ja) 1992-07-22 1994-02-18 Toshiba Corp 母線用自動アイソレーション装置
JP2008181283A (ja) 2007-01-24 2008-08-07 Toshiba Corp 誤アイソレーション防止装置
JP2011096029A (ja) 2009-10-30 2011-05-12 Hitachi Ltd 保守作業計画支援方法及びシステム

Also Published As

Publication number Publication date
CN108508852B (zh) 2021-08-03
RU2678146C1 (ru) 2019-01-23
GB2561073A (en) 2018-10-03
JP6789848B2 (ja) 2020-11-25
JP2018142060A (ja) 2018-09-13
GB2561073B (en) 2020-10-14
CN108508852A (zh) 2018-09-07
KR20200074936A (ko) 2020-06-25
US20180246478A1 (en) 2018-08-30
GB201802549D0 (en) 2018-04-04
FR3063369B1 (fr) 2023-12-01
FR3063369A1 (fr) 2018-08-31
CA2996576A1 (en) 2018-08-27

Similar Documents

Publication Publication Date Title
KR20180099469A (ko) 아이솔레이션 관리 시스템 및 아이솔레이션 관리 방법
Zio Reliability engineering: Old problems and new challenges
Pukite et al. Modeling for reliability analysis: Markov modeling for reliability, maintainability, safety, and supportability analyses of complex systems
Yang et al. Development of a risk monitoring system for nuclear power plants based on GO-FLOW methodology
Blancke et al. A holistic multi-failure mode prognosis approach for complex equipment
Matos et al. COST Action TU 1406 quality specifications for roadway bridges (BridgeSpec)
Zille et al. Modelling multicomponent systems to quantify reliability centred maintenance strategies
Zhu et al. A system-of-systems framework for performance assessment in complex construction projects
Basirat et al. System dynamics meta-modelling for reliability considerations in maintenance
Ma et al. Condition-based maintenance optimization for multicomponent systems under imperfect repair—based on RFAD model
Chalishazar Evaluating the seismic risk and resilience of an electrical power system
KR101405567B1 (ko) 원전설비 건전성과 엔지니어링프로세스 유효성 평가를 위한 관리시스템 및 방법
Ait Mokhtar et al. Imperfect preventive maintenance policy for complex systems based on Bayesian networks
Carnevali et al. A novel layered approach to evaluate reliability of complex systems
Nelson et al. Methodology for supporting the determination of human error probabilities from simulator sourced data
Zille et al. Simulation of maintained multicomponent systems for dependability assessment
Altuger et al. Manual assembly line operator scheduling using hierarchical preference aggregation
JP2020154820A (ja) アイソレーション作業の計画立案支援装置、方法及びプログラム
Rabah et al. Optimization of safety instrumented system performance and maintenance costs in Algerian oil and gas facilities
Blancke et al. A predictive maintenance approach for complex equipment based on a failure mechanism propagation model
Jorgensen et al. Cyber Security-Understanding Your Threat Landscape
Bautista et al. First hitting time distribution in a two-component system subject to a degradation and imperfect maintenance
Hall et al. Automated Generation of Service Procedure Content from IVHM Fault Model
Henry et al. Applications of statistical assessment of power system security under uncertainty
Brådenmark et al. BESEP

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E90F Notification of reason for final refusal
E601 Decision to refuse application
AMND Amendment
X601 Decision of rejection after re-examination
A107 Divisional application of patent
J201 Request for trial against refusal decision
J301 Trial decision

Free format text: TRIAL NUMBER: 2020101001591; TRIAL DECISION FOR APPEAL AGAINST DECISION TO DECLINE REFUSAL REQUESTED 20200618

Effective date: 20210322

S601 Decision to reject again after remand of revocation