TW202117476A - 預測系統 - Google Patents
預測系統 Download PDFInfo
- Publication number
- TW202117476A TW202117476A TW109117078A TW109117078A TW202117476A TW 202117476 A TW202117476 A TW 202117476A TW 109117078 A TW109117078 A TW 109117078A TW 109117078 A TW109117078 A TW 109117078A TW 202117476 A TW202117476 A TW 202117476A
- Authority
- TW
- Taiwan
- Prior art keywords
- operating state
- prediction
- history
- target device
- unit
- Prior art date
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
- 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
- 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
-
- 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
- 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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
- G05B23/0254—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 model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
[課題]提供一種能夠考慮對象裝置的屬性資訊來進行該對象裝置的運轉狀態的將來預測之預測系統。
[解決手段]本發明的一樣態之預測系統為具備:記憶部,其係記憶複數個對象裝置中的每一個的運轉狀態的履歷、和顯示複數個對象裝置中的每一個的屬性的屬性資訊;第1取得部,其係取得指定了預測對象裝置的屬性資訊中所包含之至少1個屬性資訊之屬性資訊過濾條件;第2取得部,其係取得指定了預測對象裝置的運轉狀態的履歷中所包含之至少1個運轉狀態的運轉狀態過濾條件;抽出部,其係參閱記憶部,抽出複數個對象裝置中滿足屬性資訊過濾條件及運轉狀態過濾條件之對象裝置的運轉狀態的履歷;及預測部,其係依據所抽出之運轉狀態的履歷來預測預測對象裝置的運轉狀態。
Description
本發明係有關一種預測對象裝置的運轉狀態之預測系統。
一直以來,提出了一種系統,該系統用於依據與設備等的對象裝置的運轉相關之資料來預測該對象裝置、其零件等的將來行為。
例如,在專利文獻1中揭示了一種特性變化預測系統,該特性變化預測系統藉由學習複數個設備中的各種零件的特性的時間性的變化資訊來生成神經迴路模型,並依據與複數個時間性的特性變化模式中的每一個的類似度來預測該零件的將來的時間性的特性變化模式。又,例如,在專利文獻2中揭示了一種系統,該系統從複數個設備中選擇類似的設備,並依據運轉資料來監視特定的性能指標。
[先前技術文獻]
[專利文獻1]日本專利第2758976號專利公報
[專利文獻2]日本特開2004-290774號專利公報
[發明所欲解決之問題]
然而,設備等的對象裝置的將來行為不僅受過去運轉狀態的影響,還受對象裝置的規格、放置對象裝置之環境等主要原因的影響之可能性大。該等主要原因係指顯示依據各種基準對對象裝置進行分類時的該對象裝置所屬之類別之資訊亦即屬性資訊。
因此,本發明的目的為提供一種能夠考慮對象裝置的屬性資訊來進行該對象裝置的運轉狀態的將來預測之預測系統。
[解決課題之手段]
本發明的一樣態之預測系統為具備:記憶部,其係記憶複數個對象裝置中的每一個的運轉狀態的履歷、和顯示複數個對象裝置中的每一個的屬性的屬性資訊;第1取得部,其係取得指定了預測對象裝置的屬性資訊中所包含之至少1個屬性資訊之屬性資訊過濾條件;第2取得部,其係取得指定了預測對象裝置的運轉狀態的履歷中所包含之至少1個運轉狀態的運轉狀態過濾條件;抽出部,其係參閱記憶部,抽出複數個對象裝置中滿足屬性資訊過濾條件及運轉狀態過濾條件之對象裝置的運轉狀態的履歷;及預測部,其係依據所抽出之運轉狀態的履歷來預測預測對象裝置的運轉狀態。
依據該樣態,從複數個對象裝置中的每一個的運轉狀態的履歷中抽出滿足指定對象裝置的屬性資訊之屬性資訊過濾條件之對象裝置的運轉狀態的履歷,並依據該運轉狀態的履歷來預測預測對象裝置的運轉狀態。因此,能夠考慮對象裝置的屬性資訊來進行運轉狀態的將來預測。
[發明效果]
依據本發明,能夠提供一種能夠考慮對象裝置的屬性資訊來進行該對象裝置的運轉狀態的將來預測之預測系統。
參閱圖式,對本發明的適合的實施方式進行說明。(另外,各圖式中,標註相同符號者具有相同或同等的構成。)
(1)構成
(1-1)預測系統1
圖1為表示本發明的實施方式之預測系統1的構成的一例之概略圖。如圖1所示,預測系統1具有伺服器10和至少1個設備20。在此,設備20為「對象裝置」的一例。設備20的種類並無特別限定,可以包含石油設備、化學設備、製藥設備、食品設備及造紙設備等。又,構成設備20之要件並無特別限定,可以包含燃料或原材料等的儲存設備、使用燃料或原材料等或者對燃料或原材料等進行處理/加工等之設備、連接各要件之配管系統等。另外,預測系統1能夠應用之對象裝置並不限於各種設備,可以為工業機械等任意裝置。
伺服器10與各設備20經由網際網路等通訊網路以能夠相互資訊通訊之方式連接。另外,在區分各設備20之情形下,有時將各設備20稱為「設備20A」、「設備20B」等,在將各設備20統稱之情形下,有時簡稱為「設備20」。
(1-2)伺服器10
伺服器10為管理各設備20的運轉狀態的履歷(運轉狀態履歷)之資訊處理裝置的一例。本例中,伺服器10例如由1個資訊處理裝置構成,但是伺服器10可以由複數個資訊處理裝置構成。在此,資訊處理裝置例如為具備處理器及記憶區域之電腦等、能夠執行各種資訊處理之裝置。圖1中所示之各部例如能夠藉由使用記憶區域、或由處理器執行記憶在記憶區域中之程式來實現。
伺服器10例如具有伺服器通訊部11、操作部12、顯示部13、記憶部14及處理部15。
伺服器通訊部11具有用於將伺服器10連接到通訊網路之通訊介面電路。伺服器通訊部11將從各設備20接收之運轉狀態的履歷(運轉狀態履歷)等資料供給至處理部15。
關於操作部12,只要能夠操作伺服器10,則可以為任何設備,例如為觸控面板、鍵鈕等。用戶能夠使用操作部12來輸入文字、數字、符號等。關於操作部12,若由用戶操作,則產生對應於其操作之訊號。然後,所產生之訊號作為用戶的指示而供給至處理部15。
關於顯示部13,只要能夠顯示影像、圖像等,則可以為任何設備,例如,為液晶顯示器、有機EL(Electro-Luminescence:電致發光)顯示器等。顯示部13顯示從處理部15供給之與影像資料相對應之影像、與圖像資料相對應之圖像等。
記憶部14例如具有半導體記憶體、磁碟裝置及光碟裝置中的至少一個。記憶部14記憶用於基於處理部15之處理之驅動程式、作業系統程式、應用程式、資料等。例如,記憶部14記憶控制伺服器通訊部11之通訊設備驅動程式等作為驅動程式。對於各種程式,例如可以使用公知的設定程式等從CD-ROM、DVD-ROM等電腦可讀取之可攜型記錄媒體安裝到記憶部14中。
記憶部14記憶後述之屬性資訊表、運轉狀態履歷表等作為資料。又,記憶部14記憶各種畫面的顯示資料作為資料。進而,記憶部14暫時記憶既定的處理之暫時資料。
圖2為表示屬性資訊表的一例之圖。屬性資訊表為用於管理每一個設備的屬性資訊之表。在此,設備20的屬性資訊例如係指顯示依據各種基準對設備20進行分類時的該設備20所屬之類別(屬性)之資訊。另外,「屬性」有時稱為「外部狀態」、「附帶狀態」及「外部附帶狀態」等。
在屬性資訊表中例如記錄「設備ID」、「地域」、「氣候」、「製造年份」、「用戶」、「燃料類別」、「機型」、「設計者」、「維修人員」等設備20的屬性資訊。「設備ID」為用於識別設備20之識別資訊(ID)。「地域」為顯示設置該設備20之地域之資訊。「地域」為顯示設置該設備20之地域的氣候之資訊。「製造時期」為顯示製造該設備20之時期之資訊,例如可以由年、年月、年月日等表示。「機型」為作為該設備20的機械的類別,例如為型號、方式、類型,「設計者」為顯示設置該設備20者(個人、企業等)之資訊。「維修人員」為顯示進行該設備20的維修者(個人、企業等)之資訊。另外,屬性資訊表並不限於上述之項目,可以包含其他屬性資訊。
圖3為表示運轉狀態履歷表的一例之圖。運轉狀態履歷表為用於管理每一個設備20的運轉狀態履歷之表。如圖3所示,在運轉狀態履歷表中,按每一個設備,由複數個矩形單元C表現運轉狀態的履歷。在運轉狀態履歷表中,橫軸表示自基準時刻起經過之時間。在此,基準時刻能夠由管理人員等任意設定,例如可以為設備20的運轉開始時刻、啟動時刻(除了第一次啟動時刻以外,還包含經由用於檢驗等的停止期間之重新啟動時刻)等。又,在運轉狀態履歷表中,每一個單元C表示該經過時間(可以為1個時點,亦可以為具有既定的寬度之期間)中的設備20的運轉狀態,依據單元C內的模樣來區分該運轉狀態的種類。1個單元C所具有之時間的長度例如能夠以秒、分鐘、小時、天、週等單位任意設定。運轉狀態並不限於此,但是例如,可以包含正常運轉期間、發生事故期間(發生燃料缺乏、出現異物、溫度上升、溫度下降、冷却器跳閘、燃料系統跳閘、爆裂及停電等事故期間)、發生警報期間(發生Balancing shoot level警報等其他警報期間)、運轉停止期間及發生其他任意事件期間等。
處理部15具備一個或複數個處理器及其周邊電路。處理部15為統一控制伺服器10的整體動作者,例如為CPU(Central Processing Unit:中央處理器)。處理部15控制伺服器通訊部11等的動作,以使依據記憶於記憶部14中之程式等以適當的步驟執行伺服器10的各種處理。處理部15依據記憶於記憶部14中之程式(作業系統程式、驅動程式、應用程式等)來執行處理。又,處理部15能夠並列執行複數個程式(應用程式等)。
處理部15具有收集部151、第1取得部152a、第2取得部152b、抽出部153、預測部154及顯示處理部155等。處理部15所具有之該等各部為藉由在處理部15所具有之處理器上執行之程式安裝之功能模組。或者,處理部15所具有之該等各部可以作為獨立的積體電路、微處理器或韌體而安裝於伺服器2。
收集部151從各設備20收集(接收)該設備20的運轉狀態履歷,並記錄於記憶於記憶部14等中之運轉狀態履歷表中。收集部151執行該收集/記錄的處理之時點並無特別限定,例如可以為預先確定之週期性或非週期性時點、由管理人員等經由操作部12輸入該處理的執行指令之時刻。
接收部152例如接收由用戶經由操作部12輸入之各種過濾條件。在此,過濾條件係指為了從運轉狀態履歷表中抽出(過濾)所期望的運轉狀態履歷而該設備20或該設備20的運轉狀態履歷應滿足之條件。
第1取得部152a取得與設備20的屬性資訊相關之條件之屬性資訊過濾條件。在此,屬性資訊過濾條件係為了從運轉狀態履歷表中抽出(過濾)所期望的運轉狀態履歷而該設備20應滿足之條件,並且為指定了預測對象裝置的屬性資訊中所包含之至少1個屬性資訊之條件。屬性資訊過濾條件所包含之屬性資訊例如可以為在上述之圖2的說明中列舉之屬性資訊,亦可以為其他任意屬性資訊。第1取得部152a例如藉由接收用戶經由操作部12輸入之屬性資訊過濾條件來取得該屬性資訊過濾條件。
第2取得部152b取得與設備20的運轉狀態相關之條件之運轉狀態過濾條件。在此,運轉狀態過濾條件係為了從運轉狀態履歷表中抽出(過濾)所期望的運轉狀態履歷而該設備20的運轉狀態履歷應滿足之條件。在運轉狀態過濾條件中,指定預測對象裝置的運轉狀態履歷中所包含之至少1個運轉狀態。又,在運轉狀態過濾條件中,可以指定各運轉狀態的發生順序。
抽出部153參閱記憶部14,抽出滿足由第1取得部152a接收之屬性資訊過濾條件、由第2取得部152b接收之運轉狀態過濾條件之設備20的運轉狀態履歷。另外,抽出部153在依據上述之運轉狀態過濾條件來抽出運轉狀態履歷時,可以僅在指定為運轉狀態過濾條件之運轉狀態的持續時間(在該運轉狀態為間斷性之情形下,可以為合算各運轉狀態的履歷而得之時間)為既定的臨限值以上之情形下抽出。
預測部154依據由抽出部153抽出之運轉狀態履歷來預測預測對象裝置(設備)的運轉狀態。基於預測部154之運轉狀態的預測方法並無特別限定,例如可以為基於統計分析之預測、基於概率密度函數之預測、基於貝氏理論之預測等。更具體而言,預測部154例如可以藉由對由抽出部153抽出之運轉狀態履歷進行統計分析(例如,按每小時統計所抽出之運轉狀態履歷之後進行標準化)來計算每小時的運轉狀態的發生概率。利用該發生概率,能夠預測將來某一時點的預測對象裝置(設備)的運轉狀態。或者,預測部154例如可以藉由執行將由抽出部153抽出之運轉狀態履歷作為學習資料之機械學習來生成學習模型,並將預測對象裝置(設備)的運轉狀態的履歷輸入到該學習模型中來輸出預測對象裝置的將來運轉狀態。更具體而言,例如,預測部154可以藉由將由抽出部153抽出之運轉狀態履歷作為學習資料學習迴歸型神經網路(RNN)來生成輸入運轉狀態履歷的時序資料並輸出將來運轉狀態之學習模型。利用該將來運轉狀態,能夠預測將來某一時點的預測對象裝置(設備)的運轉狀態。
顯示處理部155依據記憶於記憶部14中之各種畫面的顯示資料來使顯示部13顯示各種畫面。
(1-3)設備20
設備20具有運轉部21、各種感測器22、測量控制系統23及設備通訊部24。運轉部21具有構成設備20之主要裝置,例如,包含燃燒室及熱交換室等各種模組、連接各模組之配管系統等。感測器22設置於運轉部21的各位置上,檢測運轉部21的各種物理量,並將檢測結果供給至測量控制系統23。測量控制系統23依據從感測器22供給之檢測結果來生成運轉狀態履歷。具體而言,測量控制系統23藉由解析從感測器22供給之檢測結果來判斷設置有該感測器22之運轉部21的運轉狀態之後,生成經判斷之運轉狀態的時序變化亦即運轉狀態履歷。然後,測量控制系統23經由設備通訊部24將運轉部21的運轉狀態履歷發送到伺服器10。
(2)動作處理
接著,參閱圖4~圖6,對實施方式之預測系統1的動作處理的一例進行說明。圖4為表示基於實施方式之預測系統1之動作流程的一例之圖。圖5為表示顯示在顯示部13上之畫面500的一例之圖。圖6為表示顯示在顯示部13上之畫面600的一例之圖。以下,有時將個別設備20稱為「設備A」、「設備B」等。
在此,設備X從啟動起經過時間T1,該設備X的時間T1以後的運轉狀態係預測的對象。又,伺服器10的收集部151預先從各設備20收集該設備20的運轉狀態履歷,並將該運轉狀態履歷記錄於記憶於記憶部14中之運轉狀態履歷表中。
(S100)
首先,伺服器10的第1取得部152a取得屬性資訊過濾條件。具體而言,例如,第1取得部152a藉由依據由用戶進行之操作部12的操作接收屬性資訊過濾條件的輸入來取得該屬性資訊過濾條件。此時,伺服器10的顯示處理部155例如依據記憶於記憶部14中之顯示資料來使顯示部13顯示圖5中所示之畫面500。如圖5所示,畫面500包含屬性資訊過濾條件的顯示部501、運轉狀態過濾條件的顯示部502及所抽出之設備20的運轉狀態履歷的顯示部503。在顯示部501中顯示由第1取得部152a取得之屬性資訊過濾條件的內容。在圖5所示之例子中,在該顯示部501中顯示地域為「寒冷地區」、燃料為「水分大」、機型為「小型」之屬性資訊過濾條件。
(S101)
接著,抽出部153參閱記憶於記憶部14中之屬性資訊表,確定滿足在S100中取得之屬性資訊過濾條件之設備20之後,從運轉狀態履歷表中抽出所確定之設備20的運轉狀態履歷。
(S102)
接著,伺服器10的第2取得部152b依據由用戶進行之操作部12的操作來接收成為預測對象裝置之設備20的指定。具體而言,第2取得部152b接收用於確定由用戶指定之設備20作為預測對象裝置之資訊(例如,該設備20的名稱、識別資訊等)的輸入。
(S103)
接著,伺服器10的第2取得部152b藉由參閱記憶於記憶部14中之運轉狀態履歷表,依據所指定之設備20的運轉狀態履歷生成運轉狀態過濾條件來取得該運轉狀態過濾條件。例如,第2取得部152b可以選擇成為預測對象裝置之設備20的運轉狀態的履歷中所包含之至少1個運轉狀態,並將所選擇之運轉狀態設為運轉狀態過濾條件。尤其,第2取得部152b可以將成為預測對象裝置之設備20的運轉狀態的履歷中所包含之所有運轉狀態設為運轉狀態過濾條件。
如圖5所示,在畫面500的顯示部502中顯示由第2取得部152b生成之運轉狀態過濾條件的內容。在顯示部502中顯示由第2取得部152b取得之運轉狀態過濾條件的內容。圖5所示之例子中,在該顯示部502中顯示「運轉狀態Φ」、「運轉狀態Χ」及「運轉狀態Ψ」作為運轉狀態過濾條件。這是因為在設備X的運轉狀態履歷中分別包含「運轉狀態Φ」、「運轉狀態Χ」及「運轉狀態Ψ」的履歷。
(S104)
接著,抽出部153從在S101中抽出之運轉狀態履歷中抽出滿足在S103中生成之運轉狀態過濾條件之運轉狀態履歷。
如圖5所示,在畫面500的顯示部503中顯示作為滿足屬性資訊過濾條件及運轉狀態過濾條件者而抽出之設備20的運轉狀態履歷(具體而言,設備A、設備C、設備E及設備F的運轉狀態履歷)。
(S105)
接著,預測部154依據在S101中抽出之設備20的運轉狀態履歷來預測預測對象裝置的運轉狀態。具體而言,例如,預測部154可以藉由對所抽出之運轉狀態履歷進行統計分析來計算每小時的運轉狀態的發生概率。或者是,例如預測部154可以藉由執行將由抽出部153抽出之運轉狀態履歷作為學習資料之機械學習來生成學習模型,並將預測對象裝置(設備)的運轉狀態的履歷輸入到該學習模型中來生成顯示預測對象裝置(設備)的將來運轉狀態之輸出。
(S106)
接著,顯示處理部155使顯示部13顯示基於預測部154之預測結果,預測系統1的動作處理結束。
圖6A係在預測部154計算運轉狀態的發生概率之情形下藉由顯示處理部155顯示於顯示部13上之、顯示預測結果之畫面600的一例。如圖6A所示,畫面600包含由預測部154計算出之運轉狀態的發生概率的顯示部601和預測對象裝置的運轉狀態履歷的顯示部602。在顯示部601中顯示由預測部154計算之各運轉狀態的發生概率的時序變化。圖6A所示之例子中,顯示出運轉狀態Φ的發生概率PΦ
(t)、運轉狀態Χ的發生概率PΧ
(t)、運轉狀態Ψ的發生概率PΨ
(t)及運轉狀態Ω的發生概率PΩ
(t)。
顯示部602中顯示作為運轉狀態的預測對象裝置之設備X的運轉狀態履歷。具體而言,在顯示部602中顯示從運轉開始起經過時間T1為止的設備X的運轉狀態履歷。在此,在時間T1以後,能夠依據顯示於顯示部601上之發生概率,預測設備X的特定的運轉狀態。圖6A所示之例子中,將來的時間T2(>T1)處的設備X中,成為運轉狀態Ω之確率係PΩ(T2),成為運轉狀態Ψ之確率係PΨ(T2)。
圖6B係在預測部154藉由基於機械學習之學習模型進行預測之情形下藉由顯示處理部155顯示於顯示部13上之、顯示預測結果之畫面700的一例。如圖6B所示,畫面700包含作為預測對象裝置之設備X的運轉狀態的時序變化的顯示部701。在顯示部701中顯示設備X的當前時刻T1為止的運轉狀態的履歷。設備X的當前時刻T1為止的運轉狀態的履歷成為由預測部154執行之機械學習中的學習資料。進而,在顯示部701中顯示藉由將設備X的運轉狀態履歷輸入到預測部154使用該學習資料生成之學習模型中而獲得之作為輸出的將來運轉狀態。
另外,上述之實施方式中,第2取得部152b藉由接收成為預測對象裝置之設備20的指定之後(S102)依據所指定之設備20的運轉狀態履歷生成運轉狀態過濾條件(S103)來取得了運轉狀態過濾條件。然而,第2取得部152b例如可以取得藉由用戶操作操作部12而輸入之運轉狀態過濾條件。
以上說明之實施方式係為了容易理解本發明者,而不是用於限定性地解釋本發明者。實施方式所具備之各要件以及其配置、材料、條件、形狀及尺寸等並不限定於例示者,能夠適當地進行變更。又,能夠將不同的實施方式中所示之構成彼此局部替換或組合。
1:預測系統
10:伺服器
11:伺服器通訊部
12:操作部
13:顯示部
14:記憶部
15:處理部
151:收集部
152a:第1取得部
152b:第2取得部
153:抽出部
154:預測部
155:顯示處理部
20,20A,20B,20C:設備
21:運轉部
22:感測器
23:測量控制系統
24:設備通訊部
[圖1]為表示實施方式之預測系統1的構成的一例之概略圖。
[圖2]為表示屬性資訊表的一例之圖。
[圖3]為表示運轉狀態履歷表的一例之圖。
[圖4]為表示基於實施方式之預測系統1之動作流程的一例之圖。
[圖5]為表示顯示在顯示部13上之畫面500的一例之圖。
[圖6A]為表示顯示在顯示部13上之畫面600的一例之圖。
[圖6B]為表示顯示在顯示部13上之畫面700的一例之圖。
10:伺服器
11:伺服器通訊部
12:操作部
13:顯示部
14:記憶部
15:處理部
20A:設備A
20B:設備B
20C:設備C
20X:設備X
23A:測量控制系統
24A:設備通訊部
151:收集部
152a:第1取得部
152b:第2取得部
153:抽出部
154:預測部
155:顯示處理部
Claims (14)
- 一種預測系統,具備: 記憶部,其係記憶複數個對象裝置中的每一個的運轉狀態的履歷、和顯示前述複數個對象裝置中的每一個的屬性的屬性資訊; 第1取得部,其係取得指定了預測對象裝置的屬性資訊中所包含之至少1個屬性資訊之屬性資訊過濾條件; 第2取得部,其係取得指定了前述預測對象裝置的運轉狀態的履歷中所包含之至少1個運轉狀態的運轉狀態過濾條件; 抽出部,其係參閱前述記憶部,抽出滿足前述屬性資訊過濾條件及前述運轉狀態過濾條件之對象裝置的運轉狀態的履歷;及 預測部,其係依據所抽出之前述運轉狀態的履歷來預測前述預測對象裝置的運轉狀態。
- 如請求項1所述之預測系統,其中, 前述第1取得部藉由接收前述屬性資訊過濾條件的輸入來取得前述屬性資訊過濾條件。
- 如請求項1或請求項2所述之預測系統,其中, 前述第2取得部接收前述預測對象裝置的指定,並依據記憶於前述記憶部中之前述預測對象裝置的運轉狀態的履歷來生成前述運轉狀態過濾條件。
- 如請求項1或請求項2所述之預測系統,其中, 前述第2取得部藉由接收前述運轉狀態過濾條件的輸入來取得前述屬性資訊過濾條件。
- 如請求項1或請求項2所述之預測系統,其中, 前述預測部對前述所抽出之前述運轉狀態的履歷進行統計分析來計算運轉狀態的發生概率。
- 如請求項5所述之預測系統,其中, 還具備顯示由前述預測部計算之前述發生概率之顯示部。
- 如請求項1或請求項2所述之預測系統,其中, 前述預測部藉由執行將前述所抽出之前述運轉狀態的履歷作為學習資料之機械學習來生成學習模型,並將前述預測對象裝置的運轉狀態輸入到該學習模型中來輸出前述預測對象裝置的將來運轉狀態。
- 如請求項7所述之預測系統,其中, 還具備顯示前述所輸出之前述預測對象裝置的將來運轉狀態之顯示部。
- 如請求項1或請求項2所述之預測系統,其中, 在前述運轉狀態過濾條件下,指定複數個運轉狀態; 前述運轉狀態過濾條件包含前述複數個運轉狀態的發生順序。
- 如請求項1或請求項2所述之預測系統,其中, 前述對象裝置為設備。
- 如請求項10所述之預測系統,其中, 前述對象裝置為鍋爐。
- 一種用於掌握對象裝置的運轉狀態之顯示裝置,其中,顯示基於從複數個對象裝置中的每一個的運轉狀態的履歷及屬性資訊中,作為滿足指定了預測對象裝置的屬性資訊中所包含之至少1個屬性資訊之屬性資訊過濾條件、和指定了前述預測對象裝置的運轉狀態的履歷中所包含之至少1個運轉狀態之運轉狀態過濾條件者而抽出之對象裝置的運轉狀態的履歷之前述預測對象裝置的運轉狀態的預測結果。
- 一種方法,乃是在資訊處理裝置執行如下步驟,該資訊處理裝置具備記憶部,該記憶部記憶複數個對象裝置中的每一個的運轉狀態的履歷和顯示前述複數個對象裝置中的每一個的屬性的屬性資訊: 取得指定了預測對象裝置的屬性資訊中所包含之至少1個屬性資訊之屬性資訊過濾條件之步驟; 取得指定了前述預測對象裝置的運轉狀態的履歷中所包含之至少1個運轉狀態之運轉狀態過濾條件之步驟; 參閱前述記憶部,抽出前述複數個對象裝置中滿足前述屬性資訊過濾條件及前述運轉狀態過濾條件之對象裝置的運轉狀態的履歷之步驟;及 依據所抽出之前述運轉狀態的履歷來預測前述預測對象裝置的運轉狀態之步驟。
- 一種程式,係使資訊處理裝置作為如下發揮作用,該資訊處理裝置具備記憶部,該記憶部記憶複數個對象裝置中的每一個的運轉狀態的履歷和顯示前述複數個對象裝置中的每一個的屬性的屬性資訊: 第1取得部,其係取得指定了預測對象裝置的屬性資訊中所包含之至少1個屬性資訊之屬性資訊過濾條件; 第2取得部,其係取得指定了前述預測對象裝置的運轉狀態的履歷中所包含之至少1個運轉狀態的運轉狀態過濾條件; 抽出部,其係參閱前述記憶部,抽出前述複數個對象裝置中滿足前述屬性資訊過濾條件及前述運轉狀態過濾條件之對象裝置的運轉狀態的履歷;及 預測部,其係依據所抽出之前述運轉狀態的履歷來預測前述預測對象裝置的運轉狀態。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019122012 | 2019-06-28 | ||
JP2019-122012 | 2019-06-28 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202117476A true TW202117476A (zh) | 2021-05-01 |
TWI744909B TWI744909B (zh) | 2021-11-01 |
Family
ID=74061911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109117078A TWI744909B (zh) | 2019-06-28 | 2020-05-22 | 用於預測對象裝置的運轉狀態之預測系統、其之預測、其之預測程式、以及用於掌握對象裝置的運轉狀態之顯示裝置 |
Country Status (9)
Country | Link |
---|---|
US (1) | US20220121189A1 (zh) |
EP (1) | EP3992740A4 (zh) |
JP (1) | JP7480141B2 (zh) |
KR (1) | KR20220027841A (zh) |
CN (1) | CN114041095A (zh) |
AU (1) | AU2020302438A1 (zh) |
BR (1) | BR112021026482A2 (zh) |
TW (1) | TWI744909B (zh) |
WO (1) | WO2020261875A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI836484B (zh) * | 2022-06-23 | 2024-03-21 | 中國鋼鐵股份有限公司 | 氮氣供需的預測系統 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7452509B2 (ja) * | 2021-09-30 | 2024-03-19 | 横河電機株式会社 | 監視装置、監視方法、および監視プログラム |
EP4184267A1 (en) * | 2021-11-22 | 2023-05-24 | Abb Schweiz Ag | Method for determining the state of health of an industrial process |
JP7325695B1 (ja) * | 2023-01-23 | 2023-08-14 | 三菱電機株式会社 | データ処理装置、データ処理方法及びデータ処理プログラム |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2758976B2 (ja) * | 1990-06-07 | 1998-05-28 | 株式会社日立製作所 | 特性変化予測方法およびシステム |
JP4017272B2 (ja) * | 1998-12-16 | 2007-12-05 | 中国電力株式会社 | プラント状態推定・予測装置及び方法 |
JP3274110B2 (ja) * | 1999-09-28 | 2002-04-15 | 東京瓦斯株式会社 | 設備劣化診断方法及び設備劣化診断システム |
CN100429953C (zh) * | 2002-10-10 | 2008-10-29 | 松下电器产业株式会社 | 信息取得方法、信息提供方法及信息取得装置 |
JP4341950B2 (ja) | 2003-03-26 | 2009-10-14 | メタウォーター株式会社 | 遠隔監視システム |
JP2006072408A (ja) * | 2004-08-31 | 2006-03-16 | Yokogawa Electric Corp | 設備制御方法、設備制御装置および設備制御のためのプログラム |
US8457908B2 (en) * | 2009-06-11 | 2013-06-04 | University Of Washington | Sensing events affecting liquid flow in a liquid distribution system |
JP5364530B2 (ja) | 2009-10-09 | 2013-12-11 | 株式会社日立製作所 | 設備状態監視方法、監視システム及び監視プログラム |
JP5960029B2 (ja) | 2012-10-31 | 2016-08-02 | 住友重機械工業株式会社 | 異常原因特定システム |
US9405286B2 (en) * | 2013-03-01 | 2016-08-02 | Fisher-Rosemount Systems, Inc. | Use of predictors in process control systems with wireless or intermittent process measurements |
CN103400310B (zh) * | 2013-08-08 | 2017-04-26 | 华北电力大学(保定) | 考虑历史数据趋势预测的配电网电气设备状态评估方法 |
CN104793072A (zh) * | 2015-03-28 | 2015-07-22 | 合肥天海电气技术有限公司 | 基于热图谱分析法的电气设备故障诊断系统 |
US10545120B2 (en) * | 2016-02-23 | 2020-01-28 | John Crane Uk Ltd. | Systems and methods for predictive diagnostics for mechanical systems |
US10211634B2 (en) * | 2016-02-24 | 2019-02-19 | Mitsubishi Electric Research Laboratories, Inc. | Dynamic state estimation of power distribution system |
US20200333777A1 (en) | 2016-09-27 | 2020-10-22 | Tokyo Electron Limited | Abnormality detection method and abnormality detection apparatus |
RU2649542C1 (ru) | 2016-12-06 | 2018-04-03 | Акционерное общество "РОТЕК" (АО "РОТЕК") | Способ и система удаленного мониторинга объектов |
US20200125970A1 (en) | 2017-02-09 | 2020-04-23 | Mitsubishi Electric Corporation | Defect factor estimation device and defect factor estimation method |
CN108491965B (zh) * | 2018-03-14 | 2021-11-05 | 广东省智能制造研究所 | 冲压设备的状态预测方法、装置、电子设备与存储介质 |
CN108680244B (zh) * | 2018-04-26 | 2020-06-09 | 浙江大学 | 一种旋转机械振动无线监测装置及方法 |
CN108763377B (zh) * | 2018-05-18 | 2021-08-13 | 郑州轻工业学院 | 基于卫星故障诊断多源遥测大数据特征提取预处理方法 |
-
2020
- 2020-05-22 TW TW109117078A patent/TWI744909B/zh active
- 2020-05-29 CN CN202080047121.5A patent/CN114041095A/zh active Pending
- 2020-05-29 WO PCT/JP2020/021298 patent/WO2020261875A1/ja active Application Filing
- 2020-05-29 JP JP2021527524A patent/JP7480141B2/ja active Active
- 2020-05-29 KR KR1020217040477A patent/KR20220027841A/ko unknown
- 2020-05-29 EP EP20833158.7A patent/EP3992740A4/en active Pending
- 2020-05-29 AU AU2020302438A patent/AU2020302438A1/en active Pending
- 2020-05-29 BR BR112021026482A patent/BR112021026482A2/pt unknown
-
2021
- 2021-12-23 US US17/561,292 patent/US20220121189A1/en active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI836484B (zh) * | 2022-06-23 | 2024-03-21 | 中國鋼鐵股份有限公司 | 氮氣供需的預測系統 |
Also Published As
Publication number | Publication date |
---|---|
AU2020302438A1 (en) | 2022-01-27 |
EP3992740A1 (en) | 2022-05-04 |
JPWO2020261875A1 (zh) | 2020-12-30 |
EP3992740A4 (en) | 2022-08-17 |
US20220121189A1 (en) | 2022-04-21 |
TWI744909B (zh) | 2021-11-01 |
CN114041095A (zh) | 2022-02-11 |
JP7480141B2 (ja) | 2024-05-09 |
KR20220027841A (ko) | 2022-03-08 |
BR112021026482A2 (pt) | 2022-02-08 |
WO2020261875A1 (ja) | 2020-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI744909B (zh) | 用於預測對象裝置的運轉狀態之預測系統、其之預測、其之預測程式、以及用於掌握對象裝置的運轉狀態之顯示裝置 | |
CN112101662B (zh) | 设备健康状况和生命周期检测方法、存储介质及电子设备 | |
Kim et al. | Which crashes should i fix first?: Predicting top crashes at an early stage to prioritize debugging efforts | |
JP6364800B2 (ja) | 監視装置及び監視方法 | |
US10699248B2 (en) | Inspection management system and inspection management method | |
JP5387779B2 (ja) | 運用管理装置、運用管理方法、及びプログラム | |
JP7221644B2 (ja) | 機器故障診断支援システムおよび機器故障診断支援方法 | |
JP2018180759A (ja) | システム分析装置、及びシステム分析方法 | |
Pandey et al. | A methodology for simultaneous optimisation of design parameters for the preventive maintenance and quality policy incorporating Taguchi loss function | |
CN103189849A (zh) | 显示处理系统、显示处理方法和程序 | |
TW202004573A (zh) | 學習裝置、學習推論裝置、方法及程式 | |
US20200408566A1 (en) | Automatic Diagnostics Generation in Building Management | |
JP2019212131A (ja) | 予測装置、電気機器、管理システム、予測方法、及び制御プログラム | |
JP6880560B2 (ja) | 故障予測装置、故障予測方法及び故障予測プログラム | |
JP6767203B2 (ja) | 保守支援装置、保守支援方法およびコンピュータプログラム | |
JP2020087251A (ja) | モデル作成装置、モデル作成方法及びプログラム | |
Wang | An imperfect software debugging model considering irregular fluctuation of fault introduction rate | |
Brandt et al. | OVIS-2: A robust distributed architecture for scalable RAS | |
Fong et al. | Methods for Assessing Product Reliability: Looking for enhancements by adopting condition-based monitoring | |
US20190362262A1 (en) | Information processing device, non-transitory storage medium and information processing method | |
Amorós et al. | Statistical methods for detecting the onset of influenza outbreaks: a review | |
JP7329753B2 (ja) | 情報処理装置、情報処理方法、および、学習装置 | |
JP2008075990A (ja) | 監視装置 | |
US20210372647A1 (en) | Method and system for automatic detection of malfunctions/inefficient household electronic heating device | |
CN103189848A (zh) | 显示处理系统、显示处理方法和程序 |