KR20210124438A - 프로세스 상태 감시 장치 및 프로세스 상태 감시 방법 - Google Patents

프로세스 상태 감시 장치 및 프로세스 상태 감시 방법 Download PDF

Info

Publication number
KR20210124438A
KR20210124438A KR1020217028937A KR20217028937A KR20210124438A KR 20210124438 A KR20210124438 A KR 20210124438A KR 1020217028937 A KR1020217028937 A KR 1020217028937A KR 20217028937 A KR20217028937 A KR 20217028937A KR 20210124438 A KR20210124438 A KR 20210124438A
Authority
KR
South Korea
Prior art keywords
value
state
characteristic value
characteristic
component
Prior art date
Application number
KR1020217028937A
Other languages
English (en)
Inventor
타케히데 히라타
타츠히로 스에
마사후미 마츠시타
요헤이 하라다
Original Assignee
제이에프이 스틸 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 제이에프이 스틸 가부시키가이샤 filed Critical 제이에프이 스틸 가부시키가이샤
Priority to KR1020247008635A priority Critical patent/KR20240042121A/ko
Publication of KR20210124438A publication Critical patent/KR20210124438A/ko

Links

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)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Human Computer Interaction (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명에 따른 프로세스 상태 감시 장치는, 프로세스의 상태를 나타내는 값의 시계열 데이터로부터 2개 이상의 성분을 분리하는 성분 분리 연산부와, 성분 분리부에 의해 분리된 각 성분으로부터 특성값을 연산하는 특성값 연산부와, 특성값 연산부에 의해 연산된 특성값에 기초하여 프로세스의 상태를 분류하는 상태 판정부를 구비하는 것을 특징으로 한다. 이와 같은 구성에 의하면, 프로세스의 상태를 상세하게 특정할 수 있다. 또한, 프로세스 상태 감시 장치는, 특성값 연산부에 의해 연산된 특성값에 기초하여 과거의 데이터 베이스로부터 프로세스와 유사한 조업 사례를 검색하는 유사 사례 검색부를 구비해도 좋다.

Description

프로세스 상태 감시 장치 및 프로세스 상태 감시 방법
본 발명은, 제조 프로세스 등의 프로세스의 상태를 감시하는 프로세스 상태 감시 장치 및 프로세스 상태 감시 방법에 관한 것이다.
제조 프로세스, 발전 프로세스, 반송 프로세스, 폐액 처리 프로세스 등의 프로세스의 상태, 특히 이상(異常) 상태를 진단하는 방법으로서는, 모델 베이스 어프로치와 데이터 베이스 어프로치가 있다. 모델 베이스 어프로치는, 프로세스에 있어서의 물리적 또는 화학적인 현상을 수식으로 표현한 모델을 구축하고, 구축한 모델을 이용하여 프로세스의 상태를 진단하는 어프로치이다. 한편, 데이터 베이스 어프로치는, 프로세스에서 얻어진 조업 데이터로부터 통계 해석적인 모델을 구축하고, 구축한 모델을 이용하여 프로세스의 상태를 진단하는 어프로치이다.
철강 프로세스와 같은 제조 프로세스에서는, 1개의 제조 라인에서 다품종, 다사이즈의 제품이 제조되기 때문에, 조업 패턴이 무수히 존재한다. 또한, 고로 프로세스와 같은 제조 프로세스에서는, 철광석이나 코크스 등과 같은 자연물을 원재료로서 이용하기 때문에, 제조 프로세스의 편차가 크다. 이 때문에, 철강 프로세스와 같은 제조 프로세스의 제조 상태를 진단하는 경우에는, 모델 베이스 어프로치만에 의한 어프로치로는 한계가 있다.
데이터 베이스 어프로치로서는, 과거의 이상 발생 시의 조업 데이터를 데이터 베이스화하여 현재의 조업 데이터와의 유사성을 판정하는 진단 방법이나, 반대로 정상 시의 조업 데이터를 데이터 베이스화하여 현재의 조업 데이터와의 차이를 판정하는 진단 방법이 있다. 그러나, 철강 프로세스와 같은 제조 프로세스에서는, 제조에 이용되는 설비 점수가 많은 데다가, 특히 일본과 같이 노후화가 진행된 설비가 많은 경우, 과거에 전례가 없는 트러블이 발생하는 경우가 적지 않다. 이 때문에, 과거의 트러블 사례를 베이스로 하는 전자와 같은 진단 방법에서는 이상 상태의 진단에 한계가 있다.
한편, 후자의 진단 방법으로서는, 특허문헌 1, 2에 기재되어 있는 것이 있다. 특허문헌 1, 2에는, 정상 시의 조업 데이터로부터 패턴을 추출, 라이브러리화하여, 취득한 조업 데이터와 라이브러리화된 패턴의 차이를 판정함으로써, 평소와 다른 상황을 조기에 검지하는 방법이 기재되어 있다. 본 방법에 의하면, 정상 시의 조업 패턴이 단독이 아닌 경우라도, 평소와 다른 상황을 확실히 검지할 수 있다. 단, 제조 프로세스의 조업 패턴이 무수히 존재하는 경우, 조업할 때마다 패턴의 수가 계속 증대할 우려가 있다. 그래서, 이러한 문제를 해결하는 방법으로서, 특허문헌 3에 기재되어 있는 방법이 있다. 특허문헌 3에는, 복수의 서브 모델의 예측 오차로부터 일탈 지표를 일단 구한 후에, 일탈 지표의 패턴에 기초하여 프로세스의 상태를 판정하는 방법이 기재되어 있다. 본 방법에 의하면, 서브 모델에 의해 설명되는 부분은 다양성이 제한되기 때문에, 본질적으로 평소와 다른 상황을 효율적으로 정리하는 것이 가능해진다.
일본특허 제5651998호 공보 일본특허 제5499900호 공보 일본공개특허공보 2018-014093호
그러나, 일탈 지표의 발생 형태는 트러블의 내용에 따라서 상이하기 때문에, 상기 방법으로는 프로세스의 상태를 충분히 감시할 수 없다. 예를 들면, 프로세스의 처리가 배치 처리의 반복으로서 실시되는 대상에서는, 설비 기계 정밀도의 시간 경과에 따른 열화의 경우, 그 기계의 상태에 해당하는 일탈 지표는 프로세스의 배치 처리 사이에서 완만하게 상승한다. 이에 대하여, 돌발적인 고장의 경우에는, 해당하는 일탈 지표는 프로세스의 배치 처리 내에서 급준하게 상승한다. 또한, 배치 처리 사이에서 생기는 돌발적인 고장은, 다음의 배치 처리가 개시되기 전에, 이상인 것을 알 수 있어 사전에 처치 가능하기 때문에 큰 문제에 이르지 않는다. 또한, 제어계 트러블의 경우, 헌팅을 일으키는 경우가 많기 때문에, 해당하는 일탈 지표는 배치 처리 내에서 특유의 주파수로 변동적으로 된다. 또한, 센서 고장이나 외란 변동의 경우에는, 노이즈가 증대하고, 케이블 불량의 경우는 펄스적인 노이즈가 생긴다. 또한, 프로세스가 연속적, 계속적으로 조업이 실시되는 대상인 경우라도, 프로세스의 동특성(動特性)을 고려하여, 정상 조업을 평가할 수 있는 바와 같은 소정 기간을 미리 정의하여, 그 소정 기간마다 실적 데이터 등을 관리하면, 동일한 상황이 생긴다. 혹은, 프로세스의 동특성을 고려한 모델을 정의하여, 그 모델에 의해 연산되는 일탈 지표를 이용함으로써, 분 단위, 시간 단위, 일 단위 등의 미리 정의한 소정 기간마다 관리하면, 동일한 상황이 생긴다. 이 때문에, 일탈 지표의 발생 형태를 고려함으로써, 더욱 상세하게 트러블을 특정 가능한 기술의 제공이 기대되고 있었다.
본 발명은, 상기 과제를 감안하여 이루어진 것으로서, 그의 목적은, 프로세스의 상태를 상세하게 특정 가능한 프로세스 상태 감시 장치 및 프로세스 상태 감시 방법을 제공하는 것에 있다.
본 발명에 따른 프로세스 상태 감시 장치는, 프로세스의 상태를 나타내는 값의 시계열 데이터로부터 2개 이상의 성분을 분리하는 성분 분리 연산부와, 상기 성분 분리 연산부에 의해 분리된 각 성분으로부터 특성값을 연산하는 특성값 연산부와, 상기 특성값 연산부에 의해 연산된 특성값에 기초하여 상기 프로세스의 상태를 분류하는 상태 판정부를 구비한다.
상기 특성값 연산부에 의해 연산된 특성값에 기초하여 과거의 데이터 베이스로부터 상기 프로세스와 유사한 조업 사례를 검색하는 유사 사례 검색부를 구비하면 좋다.
상기 시계열 데이터는, 상기 값의 예측값과 실적값의 차분값의 시계열 데이터이면 좋다.
상기 시계열 데이터는, 상기 값에 대해서 구해진, 미리 설정된 상기 프로세스의 상태가 정상일 때의 값으로부터의 차분값 또는 미리 설정된 상기 프로세스의 상태가 정상일 때의 값에 대한 비의 값의 시계열 데이터이면 좋다.
상기 성분 분리 연산부는, 필터링 처리에 의해 상기 시계열 데이터로부터 상기 성분을 분리하면 좋다.
상기 특성값 연산부는, 평균값, 최대값, 최대값과 최소값의 차분값, 표준 편차, 전반부와 후반부의 차분값, 평균 교차 회수 및, 최대값과 최소값의 차분값에 기초하는 연산값을 포함하는 통계량 중의 적어도 하나를 상기 특성값으로 하여 연산하면 좋다.
상기 상태 판정부는, 기계 학습 기술을 이용하여 상기 프로세스의 상태를 분류하면 좋다.
상기 유사 사례 검색부는, 상기 유사 사례 검색부는, 복수의 특성값에 의해 구성되는 변수 공간에 있어서 정의된 상기 프로세스와의 사이의 거리 및/또는 각도에 기초하여 각 조업 사례의 유사도를 판단하고, 상기 유사도에 기여한 성분을 기여도로 하여 연산하면 좋다.
상기 유사 사례 검색부에 의해 연산된 각 조업 사례의 유사도 및 기여도와 함께, 검색된 조업 사례에 있어서 이루어진 액션 및 조업 상태를 표시하는 가이던스 표시부를 구비하면 좋다.
본 발명에 따른 프로세스 상태 감시 방법은, 프로세스의 상태를 나타내는 값의 시계열 데이터로부터 2개 이상의 성분을 분리하는 성분 분리 연산 스텝과, 상기 성분 분리 연산 스텝에 있어서 분리된 각 성분으로부터 특성값을 연산하는 특성값 연산 스텝과, 상기 특성값 연산 스텝에 있어서 연산된 특성값에 기초하여 상기 프로세스의 상태를 분류하는 상태 판정 스텝을 포함한다.
본 발명에 따른 프로세스 상태 감시 장치 및 프로세스 상태 감시 방법에 의하면, 프로세스의 상태를 상세하게 특정할 수 있다.
도 1은, 본 발명의 일 실시 형태인 프로세스 상태 감시 장치의 구성을 나타내는 블록도이다.
도 2는, 일탈 지표로부터 3개의 성분을 분리한 예를 나타내는 도면이다.
(발명을 실시하기 위한 형태)
이하, 도면을 참조하여, 본 발명의 일 실시 형태인 프로세스 상태 감시 장치의 구성에 대해서 설명한다.
도 1은, 본 발명의 일 실시 형태인 프로세스 상태 감시 장치의 구성을 나타내는 블록도이다. 도 1에 나타내는 바와 같이, 본 발명의 일 실시 형태인 프로세스 상태 감시 장치(1)는, 제조 프로세스, 발전 프로세스, 반송 프로세스, 폐액 처리 프로세스 등의 프로세스의 상태를 진단하기 위한 장치로서, 컴퓨터 등의 정보 처리 장치에 의해 구성되어 있다. 본 실시 형태에서는, 프로세스 상태 감시 장치(1)에는, 입력부(2), 출력부(3) 및, 조업 데이터 베이스(조업 DB)(4)가 접속되어 있다.
프로세스 상태 감시 장치(1)는, 정보 처리 장치의 내부의 연산 처리 장치가 컴퓨터 프로그램을 실행함으로써, 일탈 지표 산출부(11), 성분 분리 연산부(12), 특성값 연산부(13), 상태 판정부(14), 유사 사례 검색부(15) 및, 가이던스 표시부(16)로서 기능한다.
일탈 지표 산출부(11)는, 입력부(2)로부터 입력된 프로세스의 상태를 나타내는 값의 시계열 데이터를 이용하여, 프로세스의 상태가 정상 시 상태에 대하여 어느 정도 일탈하고 있는지를 나타내는 일탈 지표를 산출한다. 구체적으로는, 프로세스의 상태를 나타내는 값이, 설비 또는 설비의 근방에 설치되어 있는 진동 센서, 음향 센서 및, 온도 센서 중 어느 하나의 검출값인 경우, 그 검출값이 설비 상태를 나타내는 값이 된다. 따라서, 정상 시의 값과 검출값의 비교를 하는 정도의 연산이면 좋다. 일 예로서, 일탈 지표 산출부(11)는, 미리 정상적인 기간을 설정하여, 그 기간에 있어서의 검출값의 평균값 및 표준 편차를 연산한다. 이에 따라, 일탈 지표는, (검출값－정상 기간의 평균값)/정상 기간의 표준 편차로서 연산하는 것이 가능해진다. 또한, 프로세스의 상태를 나타내는 값이, 전술과 같이 직접적으로 설비 상태를 나타내는 값이 아닌 경우에는, 그 값을 예측하는 모델을 구축하여, 모델의 예측값과 실적값의 차를 일탈 지표로 할 수 있다. 상기 모델로서는, 이론 모델이나 중회귀 모델 등의 통계 모델을 예시할 수 있다. 또한, 설비가 압연 설비인 경우, 설비의 상태를 나타내는 값으로서는, 하중차, 하중합, 압하 위치, 압연 설비 간 장력 등을 예시할 수 있다.
성분 분리 연산부(12)는, 프로세스의 배치 처리마다 등을 포함하는, 미리 정한 소정 기간마다, 일탈 지표 산출부(11)에 의해 연산된 일탈 지표로부터 적어도 2개 이상의 성분을 분리한다. 여기에서, 이하의 설명에서는, 배치 처리마다 데이터를 처리하는 예에 대해서 설명을 진행시키지만, 미리 별도 정한 소정 기간마다의 데이터 처리라도 동일한 처리가 가능하다. 성분 분리 연산부(12)는, 구체적으로는, 지수 평활법이나 웨이브 렛 해석 중 하나인 다중 해상도 해석 등의 필터링 처리를 이용하여, 일탈 지표로부터 시정수가 상이한 2개 이상의 주파수 성분을 분리한다. 도 2(a)∼(d)는, 일 예로서, 지수 평활법을 이용하여 일탈 지표로부터 3개의 성분(장기 성분, 중기 성분 및, 단기 성분)을 분리한 경우의 예를 나타낸다. 도 2(b)에 나타내는 장기 성분(저주파수 성분)은, 가장 평활화된 일탈 지표의 트랜드를 나타내는 성분이다. 또한, 도 2(d)에 나타내는 단기 성분(고주파수 성분)은, 가장 변동 성분이 많은 성분이다. 또한, 도 2(c)에 나타내는 중기 성분(중간 주파수 성분)은, 장기 성분과 단기 성분의 중간에 위치되는 성분이다. 또한, 도 2(b)∼(d)의 3개의 성분을 합계하면 도 2(a)에 나타내는 원의 일탈 지표가 된다.
특성값 연산부(13)는, 프로세스의 배치 처리마다, 성분 분리 연산부(12)에 의해 연산된 각 성분으로부터 특성값을 연산한다. 구체적으로는, 특성값 연산부(13)는, 성분 분리 연산부(12)에 의해 분리된 각 성분에 대해서, 프로세스의 배치 처리마다 그 평균값, 최대값, 최대값과 최소값의 차분값(max-min), 표준 편차, 파형의 트랜드를 명확화하기 위한 전반부와 후반부의 차분값, 파형의 주파수 성분을 파악하기 위한 평균값을 교차한 회수(평균 교차 회수)나 평균값을 교차한 회수를 배치 처리의 데이터 점수로 나눈 평균 교차의 밀도 및, 펄스 파형을 파악하기 위한 최대값과 최소값의 차분값에 기초하는 연산값 등을 포함하는 통계량 중의 적어도 하나를 연산한다. 특성값으로 하여 연산하는 값은 이에 한정되는 것이 아니라, 그 외의 주기적 특징 등을 추출한 것이라도 상관 없다. 여기에서, 전반부와 후반부의 차분값이란, 예를 들면 배치 처리의 데이터를 시간적 절반 또는 데이터 점수의 절반으로 구분했을 때의 각각의 평균값의 차를 의미하지만, 이에 한정되는 것이 아니라, 발생 현상 등 고려하여 전반의 데이터와 후반의 데이터의 배분을 변경해도 상관 없다. 이러한 특징량은, 기기의 이상에 기인하는 이상인 제어 입력의 상승 경향이나, 기기 고장에 의한 급격한 출력 저하 등을 파악하는 것을 가능하게 한다. 또한, 펄스 파형을 파악하기 위한 최대값과 최소값의 차분값에 기초하는 연산값이란, 예를 들면 배치 처리의 데이터 내에 있어서 "(최대값과 최소값의 차분값)/2＋최소값"을 초과하는 데이터 점수나, 그것을 전체 데이터 점수로 나눈 밀도를 의미한다. 이들 값은, 데이터 점수가 적고 주파수를 정확하게 측정할 수 없는 경우에도 특징을 추출할 수 있고, 또한 계산이 간이하여 용이하게 구성할 수 있다는 이점이 있다. 여기에서는, 예를 들면, 특성값 연산부(13)는, 도 2(b)에 나타내는 장기 성분에 대해서는, 평균값 및 최대값-최소값, 전반부와 후반부의 차분값, 도 2(c), (d)에 나타내는 중기 성분 및 단기 성분에 대해서는, 최대값-최소값 및 표준 편차, 평균 교차 회수, 최대값과 최소값의 차분값에 기초하는 연산값을 연산한다.
상태 판정부(14)는, 특성값 연산부(13)에 의해 연산된 특성값을 이용하여 프로세스의 상태를 분류한다. 구체적으로는, 상태 판정부(14)는, 미리 준비한 특성값과 트러블 내용의 관계를 나타내는 분류 모델을 이용하여, 대상이 되는 프로세스의 배치 처리에 어떤 트러블이 포함되어 있는지를 판정한다. 어느 설비에 어떠한 트러블이 생기는지는, 대상 데이터의 변수 이름, 성분 및, 특성값에 따라 정해지기 때문에, 기계 학습을 이용하여 분류 모델을 구축할 수 있다. 즉, 변수별, 성분별의 특성값을 기계 학습의 입력으로서 부여하고, 트러블 내용의 라벨을 부여함으로써, 분류 모델의 구축이 가능해진다. 기계 학습 수법으로서는, 결정목, 서포트 벡터 머신, 뉴럴 네트워크 등을 이용할 수 있다.
이하의 표 1에 분류 모델의 일 예를 나타낸다. 표 1에 나타내는 바와 같이, 도 2(b)에 나타내는 장기 성분(성분 1)에 대하여 연산된 평균값에 의해, 배치 처리 사이의 완만한 변화를 파악할 수 있다. 이 경우, 주된 트러블 예는, 설비의 기계 정밀도의 시간 경과에 따른 열화이다. 또한, 성분 1에 대하여 연산된 최대값과 최소값의 차분값에 의해, 배치 처리 내의 급준한 변화를 파악할 수 있다. 이 경우, 주된 트러블 예는, 설비를 구성하는 파츠의 돌발적인 고장이다. 한편, 도 2(c)에 나타내는 중기 성분(성분 2)에 대하여 연산된 표준 편차값 및 최대값과 최소값의 차분값에 의해, 배치 처리 내의 주기적 변동을 파악할 수 있다. 이 경우, 주된 트러블 예는, 제어계 헌팅(예를 들면 장력 성분의 헌팅)이다. 또한, 도 2(d)에 나타내는 단기 성분(성분 3)에 대하여 연산된 표준 편차값에 의해, 노이즈의 증대를 파악할 수 있다. 이 경우, 주된 트러블 예는, 센서 노이즈나 외란 변동이다. 또한, 성분 3에 대하여 연산된 최대값과 최소값의 차분값에 의해, 펄스 형상 노이즈를 파악할 수 있다. 이 경우, 주된 트러블 예는, 센서 케이블의 불량 등이다.
Figure pct00001
유사 사례 검색부(15)는, 특성값 연산부(13)에 의해 연산된 특성값을 이용하여, 처리 대상의 프로세스에 대해서 유사한 조업 사례의 데이터를 조업 DB4로부터 검색한다. 구체적으로는, 유사 사례 검색부(15)는, 변수별 및 성분별로 복수 연산된 특성값으로 구성되는 변수 공간에 있어서 거리를 정의하고, 거리에 기초하여 처리 대상의 프로세스와 조업 DB4 내에 격납되어 있는 과거의 조업 사례의 유사성을 유사도로 하여 연산한다. 그리고, 유사 사례 검색부(15)는, 유사성이 높은 순서로 과거의 조업 사례를 출력부(3)에 출력한다. 거리의 정의의 예로서, 유클리드 거리를 예시할 수 있다. 유사도의 연산 방법으로서는, 이하의 표 2에 나타내는 바와 같이, 조업 사례의 특성값으로 구성되는 특성값 벡터 간의 유클리드 거리에 기초하는 유사도 외에, 특성값 벡터 간의 각도에 기초하는 코사인 유사도를 예시할 수 있다. 코사인 유사도는 2개의 벡터의 내적(표 2 중의 a·b)의 공식으로부터, 2개의 벡터가 이루는 각의 여현(코사인)값을 산출하는 것이다. 어떤 유사도를 이용한 검색 방법을 사용할지는, 트러블의 상황에 따라 구분하여 사용할 수 있다. 구분하여 사용하는 방법으로서는, 예를 들면 비교하는 특성값이 적은 경우(트러블의 원인이 뚜렷한 케이스)는 유클리드 거리에 기초하는 유사도를 이용하고, 비교하는 특성값이 많은 경우(트러블의 원인이 뚜렷하지 않은 케이스)는 코사인 유사도를 이용하는 것이 고려된다. 혹은, 코사인 유사도는, 각도를 구하는 성질 상, 각 특성값의 크기가 아닌 출력의 경향을 보게 된다. 그 때문에, 고차원으로 경향을 보는 것에 적합하다. 이를 이용하면, 예를 들면 압연의 예로 말하면, 1개의 압연기에 따른 신호 전반의 특성값의 경향을 보고, 장치 전체로서의 이상 경향을 파악하여, 과거의 유사한 사례 검색을 하는 것이 가능해진다. 이에 대하여, 유클리드 거리에 기초하는 유사도는 특성값의 개개의 크기가 중요시되기 때문에, 저차원으로 구성하는 특성값 벡터로 과거 사례를 검색하는 데에 적합하다.
Figure pct00002
가이던스 표시부(16)는, 유사 사례 검색부(15)가 연산한 유사도가 설정한 문턱값을 초과한 경우, 과거의 트러블의 데이터로부터 트러블 사례의 상세를 가이던스 표시한다. 가이던스 표시의 내용으로서는, 트러블 사례의 조업 상태를 나타내는 지정된 관측 데이터나 설정값 외에, 트러블 억제를 위해 행해진 액션(대상 프로세스의 조업으로 조작된 조작단(端)의 항목과 그의 조작량 등)을 예시할 수 있다. 또한, 가이던스 표시에는, 등록된 내용 뿐만 아니라, 유사에 기여한 특성값을 기여도로서 포함한다. 여기에서, 트러블 사례의 유사성에 기여한 특성값을 나타내는 기여도는, 표 2에 나타내는 바와 같이 그 트러블의 유사도 연산 수법에 기초하여 산출되는 것이다. 표 2에 있어서, d는 유사 검색하는 2점 간의 유클리드 거리, di는 i번째의 특성값의 거리, a, b는 검색하는 2점의 벡터, ai, bi는 각각의 벡터의 i번째의 요소를 나타내고 있다. 이러한 기여도를 가이던스 표시함으로써, 유사한 특징에 기여하는 요인을 정량적으로 나타냄으로써, 트러블의 원인을 추정하기 쉬워진다. 이와 같이, 가이던스 표시부(16)는, 유사도, 기여도, 과거의 트러블로 이루어진 실제의 액션 및, 당시의 조업 상태를 표시함으로서 가이던스를 행한다.
이상의 설명으로부터 분명한 바와 같이, 본 발명의 일 실시 형태인 프로세스 상태 감시 장치(1)는, 일탈 지표로부터 2개 이상의 성분을 분리하는 성분 분리 연산부(12)와, 프로세스의 배치 처리마다 성분 분리 연산부(12)에 의해 분리된 각 성분으로부터 특성값을 연산하는 특성값 연산부(13)와, 특성값 연산부(13)에 의해 연산된 특성값에 기초하여 프로세스의 상태를 분류하는 상태 판정부(14)를 구비하기 때문에, 프로세스의 상태를 상세하게 특정할 수 있다.
이상, 본 발명자들에 의해 이루어진 발명을 적용한 실시 형태에 대해서 설명했지만, 본 실시 형태에 의한 본 발명의 개시된 일부를 이루는 기술 및 도면에 의해 본 발명은 한정되는 일은 없다. 예를 들면, 본 실시 형태에서는, 프로세스의 상태를 나타내는 값의 시계열 데이터(예를 들면 압연재 상의 1점의 데이터)로부터 2개 이상의 성분을 분리했지만, 시계열 데이터를 길이 방향의 데이터(예를 들면 압연재의 길이 방향의 데이터)로 변환하여, 길이 방향의 데이터로부터 2개 이상의 성분을 분리해도 좋다. 또한, 본 실시 형태에서는, 프로세스의 배치 처리 마다의 데이터를 이용하는 형태에 대해서 설명하고 있지만, 전술과 같이, 프로세스가 연속적, 계속적으로 조업이 실시되는 대상인 경우라도, 프로세스의 동특성을 고려하여, 정상 조업을 평가할 수 있는 바와 같은 소정 기간을 미리 설정하여, 그 소정 기간마다 실적 데이터 등을 관리하면, 동일하게 본원 기술의 적용은 가능하고, 본 발명의 범주에 포함된다. 또한, 이러한 소정 기간은 반드시 동일 시간일 필요는 없고, 일탈 지표를 평가할 수 있는 기간이면, 분 단위, 시간 단위, 일 단위, 배치 단위 등, 여러 가지로 결정할 수 있어, 본 발명의 범주에 포함된다. 이와 같이, 본 실시 형태에 기초하여 당업자 등에 의해 이루어지는 다른 실시 형태, 실시예 및, 운용 기술 등은 모두 본 발명의 범주에 포함된다.
(산업상의 이용 가능성)
본 발명에 의하면, 프로세스의 상태를 상세하게 특정 가능한 프로세스 상태 감시 장치 및 프로세스 상태 감시 방법을 제공할 수 있다.
1 : 프로세스 상태 감시 장치
2 : 입력부
3 : 출력부
4 : 조업 데이터 베이스(조업 DB)
11 : 일탈 지표 산출부
12 : 성분 분리 연산부
13 : 특성값 연산부
14 : 상태 판정부
15 : 유사 사례 검색부
16 : 가이던스 표시부

Claims (10)

  1. 프로세스의 상태를 나타내는 값의 시계열 데이터로부터 2개 이상의 성분을 분리하는 성분 분리 연산부와,
    상기 성분 분리 연산부에 의해 분리된 각 성분으로부터 특성값을 연산하는 특성값 연산부와,
    상기 특성값 연산부에 의해 연산된 특성값에 기초하여 상기 프로세스의 상태를 분류하는 상태 판정부
    를 구비하는, 프로세스 상태 감시 장치.
  2. 제1항에 있어서,
    상기 특성값 연산부에 의해 연산된 특성값에 기초하여 과거의 데이터 베이스로부터 상기 프로세스와 유사한 조업 사례를 검색하는 유사 사례 검색부를 구비하는, 프로세스 상태 감시 장치.
  3. 제1항 또는 제2항에 있어서,
    상기 시계열 데이터는, 상기 값의 예측값과 실적값의 차분값의 시계열 데이터인, 프로세스 상태 감시 장치.
  4. 제1항 또는 제2항에 있어서,
    상기 시계열 데이터는, 상기 값에 대해서 구해진, 미리 설정된 상기 프로세스의 상태가 정상일 때의 값으로부터의 차분값 또는 미리 설정된 상기 프로세스의 상태가 정상일 때의 값에 대한 비의 값의 시계열 데이터인, 프로세스 상태 감시 장치.
  5. 제1항 내지 제4항 중 어느 한 항에 있어서,
    상기 성분 분리 연산부는, 필터링 처리에 의해 상기 시계열 데이터로부터 상기 성분을 분리하는, 프로세스 상태 감시 장치.
  6. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 특성값 연산부는, 평균값, 최대값, 최대값과 최소값의 차분값, 표준 편차, 전반부와 후반부의 차분값, 평균 교차 회수 및, 최대값과 최소값의 차분값에 기초하는 연산값을 포함하는 통계량 중의 적어도 하나를 상기 특성값으로 하여 연산하는, 프로세스 상태 감시 장치.
  7. 제1항 내지 제6항 중 어느 한 항에 있어서,
    상기 상태 판정부는, 기계 학습 기술을 이용하여 상기 프로세스의 상태를 분류하는, 프로세스 상태 감시 장치.
  8. 제2항에 있어서,
    상기 유사 사례 검색부는, 복수의 특성값에 의해 구성되는 변수 공간에 있어서 정의된 상기 프로세스와의 사이의 거리 및/또는 각도에 기초하여 각 조업 사례의 유사도를 판단하고, 상기 유사도에 기여한 성분을 기여도로 하여 연산하는, 프로세스 상태 감시 장치.
  9. 제8항에 있어서,
    상기 유사 사례 검색부에 의해 연산된 각 조업 사례의 유사도 및 기여도와 함께, 검색된 조업 사례에 있어서 이루어진 액션 및 조업 상태를 표시하는 가이던스 표시부를 구비하는, 프로세스 상태 감시 장치.
  10. 프로세스의 상태를 나타내는 값의 시계열 데이터로부터 2개 이상의 성분을 분리하는 성분 분리 연산 스텝과,
    상기 성분 분리 연산 스텝에 있어서 분리된 각 성분으로부터 특성값을 연산하는 특성값 연산 스텝과,
    상기 특성값 연산 스텝에 있어서 연산된 특성값에 기초하여 상기 프로세스의 상태를 분류하는 상태 판정 스텝
    을 포함하는 것을 특징으로 하는 프로세스 상태 감시 방법.

KR1020217028937A 2019-03-26 2020-03-24 프로세스 상태 감시 장치 및 프로세스 상태 감시 방법 KR20210124438A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020247008635A KR20240042121A (ko) 2019-03-26 2020-03-24 프로세스 상태 감시 장치 및 프로세스 상태 감시 방법

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JPJP-P-2019-057695 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

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020247008635A Division KR20240042121A (ko) 2019-03-26 2020-03-24 프로세스 상태 감시 장치 및 프로세스 상태 감시 방법

Publications (1)

Publication Number Publication Date
KR20210124438A true KR20210124438A (ko) 2021-10-14

Family

ID=72608828

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020217028937A KR20210124438A (ko) 2019-03-26 2020-03-24 프로세스 상태 감시 장치 및 프로세스 상태 감시 방법
KR1020247008635A KR20240042121A (ko) 2019-03-26 2020-03-24 프로세스 상태 감시 장치 및 프로세스 상태 감시 방법

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020247008635A KR20240042121A (ko) 2019-03-26 2020-03-24 프로세스 상태 감시 장치 및 프로세스 상태 감시 방법

Country Status (7)

Country Link
US (1) US12007758B2 (ko)
EP (1) EP3951530B1 (ko)
JP (1) JP7180676B2 (ko)
KR (2) KR20210124438A (ko)
CN (1) CN113678074A (ko)
BR (1) BR112021017758A2 (ko)
WO (1) WO2020196441A1 (ko)

Family Cites Families (27)

* Cited by examiner, † Cited by third party
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 (ko) 1977-12-24 1979-07-14
JPS6012880Y2 (ja) 1979-09-29 1985-04-24 松下電工株式会社 門扉
JP3234064B2 (ja) * 1993-09-02 2001-12-04 キヤノン株式会社 画像検索方法並びにその装置
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
US6616759B2 (en) * 2001-09-06 2003-09-09 Hitachi, Ltd. Method of monitoring and/or controlling a semiconductor manufacturing apparatus and a system therefor
EP1451340B1 (en) 2001-11-09 2014-01-08 Life Technologies Corporation Identification, monitoring and treatment of disease and characterization of biological condition using gene expression profiles
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
JP5293115B2 (ja) 2008-11-26 2013-09-18 富士通株式会社 故障原因推測方法、故障原因推測装置、及びプログラム
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
JP5651998B2 (ja) 2010-05-25 2015-01-14 Ｊｆｅスチール株式会社 パターンライブラリを用いた異常診断方法および異常診断システム
JP2012155361A (ja) * 2011-01-21 2012-08-16 Toshiba Corp プロセス監視装置
US8994359B2 (en) * 2011-08-29 2015-03-31 General Electric Company Fault detection based on current signature analysis for a generator
JP5772546B2 (ja) 2011-11-28 2015-09-02 新日鐵住金株式会社 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
US9104942B2 (en) * 2012-12-19 2015-08-11 Hong Kong Applied Science and Technology Research Institute Company Limited Perceptual bias level estimation for hand-drawn sketches in sketch-photo matching
EP2930579A3 (en) 2014-03-28 2016-06-22 Hitachi High-Technologies Corporation State monitoring system, state monitoring method and state monitoring program
ES2549652B1 (es) * 2014-04-24 2016-10-07 Alstom Transporte, S.A. Método y sistema para detectar automáticamente fallos en un eje rotatorio
JP6733164B2 (ja) 2015-02-26 2020-07-29 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
JP6579163B2 (ja) 2016-07-06 2019-09-25 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
US10375098B2 (en) * 2017-01-31 2019-08-06 Splunk Inc. Anomaly detection based on relationships between multiple time series
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
KR102355777B1 (ko) 2017-06-19 2022-01-25 제이에프이 스틸 가부시키가이샤 프로세스의 이상 상태 진단 장치 및 이상 상태 진단 방법
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

Also Published As

Publication number Publication date
US12007758B2 (en) 2024-06-11
EP3951530A1 (en) 2022-02-09
US20220187809A1 (en) 2022-06-16
EP3951530A4 (en) 2022-05-18
EP3951530B1 (en) 2023-12-20
JPWO2020196441A1 (ja) 2021-04-08
BR112021017758A2 (pt) 2021-11-23
WO2020196441A1 (ja) 2020-10-01
KR20240042121A (ko) 2024-04-01
CN113678074A (zh) 2021-11-19
JP7180676B2 (ja) 2022-11-30

Similar Documents

Publication Publication Date Title
US10410116B2 (en) System and method for calculating remaining useful time of objects
KR101842347B1 (ko) 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
Lieber et al. Quality prediction in interlinked manufacturing processes based on supervised & unsupervised machine learning
US8732100B2 (en) Method and apparatus for event detection permitting per event adjustment of false alarm rate
KR20140058501A (ko) 패턴 시퀀스를 가지는 커널 회귀 모델링을 사용하는 모니터링 시스템
Carino et al. Remaining useful life estimation of ball bearings by means of monotonic score calibration
CN110543907A (zh) 一种基于微机监测功率曲线的故障分类方法
KR102618023B1 (ko) 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법
CN113424119A (zh) 作业效率评价方法、作业效率评价装置以及程序
CN117312972A (zh) 一种刮板输送机减速器健康状态识别方法
JP6579163B2 (ja) プロセスの状態診断方法及び状態診断装置
KR20210124438A (ko) 프로세스 상태 감시 장치 및 프로세스 상태 감시 방법
KR20190041836A (ko) 설비 상태 평가 장치 및 방법
JP6885321B2 (ja) プロセスの状態診断方法及び状態診断装置
Juuso et al. Intelligent trend indices and recursive modelling in prognostics
WO2022091639A1 (ja) 異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置
Geramifard et al. Continuous health assessment using a single hidden Markov model
Aimiyekagbon et al. Rule-based diagnostics of a production line
Singh et al. Predicting the remaining useful life of ball bearing under dynamic loading using supervised learning
Latham et al. Root Cause Classification of Temperature-related Failure Modes in a Hot Strip Mill.
Weiss et al. Product quality monitoring in hydraulic presses using a minimal sample of sensor and actuator data
Choi et al. Prognostics by classifying degradation stage on Lambda architecture
EP4261641A1 (en) Anomaly determination device, method for generating anomaly determination model, and anomaly determination method
Kumar et al. Belt Drive Condition Monitoring using Generalised Gaussian Distribution based Entropy Features

Legal Events

Date Code Title Description
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
E801 Decision on dismissal of amendment
E601 Decision to refuse application
J201 Request for trial against refusal decision