TW202338542A - 支援裝置、支援方法及支援程式 - Google Patents
支援裝置、支援方法及支援程式 Download PDFInfo
- Publication number
- TW202338542A TW202338542A TW112110452A TW112110452A TW202338542A TW 202338542 A TW202338542 A TW 202338542A TW 112110452 A TW112110452 A TW 112110452A TW 112110452 A TW112110452 A TW 112110452A TW 202338542 A TW202338542 A TW 202338542A
- Authority
- TW
- Taiwan
- Prior art keywords
- aforementioned
- statistical model
- factory
- data
- condition list
- Prior art date
Links
- 238000013179 statistical model Methods 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 174
- 230000008569 process Effects 0.000 claims abstract description 140
- 238000004088 simulation Methods 0.000 claims abstract description 86
- 238000009826 distribution Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 16
- 238000013500 data storage Methods 0.000 description 12
- 230000005856 abnormality Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 238000003825 pressing Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 101100116191 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) DCS2 gene Proteins 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Stored Programmes (AREA)
Abstract
[課題]提供一種高精度地判定工廠的運轉狀態之支援裝置、支援方法及支援程式。
[解決手段]一種用於支援工廠的運轉的支援裝置(10),具備:資料取得部,其係取得與藉由將包含預定的條件列表之資料輸入到物理模型模擬器而計算出之工廠的運轉狀態相關之模擬資料,並且預定的條件列表中,決定工廠的運轉狀態之因素及針對因素之指標建立有關聯;統計模型產生部(14c),其係依據模擬資料產生第1統計模型;及運轉狀態判定部(14f),其係參閱第1統計模型,依據工廠的製程資料而判定工廠的運轉狀態。
Description
本發明有關一種用於支援工廠的運轉的支援裝置、顯示裝置、支援方法及支援程式。
在工廠的中央監測室中,始終對藉由製程資料的監控和DCS(分散控制系統)發出之警報進行監視。對於工廠的運轉狀態,依據統計模型來判定由安裝在工廠上之感測器取得到之製程資料,其結果,在判定為異常的情況下,向運轉人員進行通知。判定中所使用之統計模型能夠藉由學習實際運行工廠而取得到之製程資料來產生。
[先前技術文獻]
[專利文獻]
[專利文獻1]日本特開2011-253275號專利公報
[發明所欲解決之課題]
但是,在工廠的剛開始運轉等,在還未蓄積足夠量的製程資料的情況下,無法充分地執行學習,從而基於統計模型的運轉狀態的判定的精度會降低。
本發明的一態樣的例示性的目的之一在於提供一種高精度地判定工廠的運轉狀態之支援裝置、支援方法及支援程式。
[用於解決課題之手段]
為了解決上述課題,本發明的一態樣的支援裝置是一種用於支援工廠的運轉之支援裝置,具備:資料取得部,其係取得與藉由將包含預定的條件列表之資料輸入到物理模型模擬器而計算出之工廠的運轉狀態相關之模擬資料,並且預定的條件列表中,決定前述工廠的運轉狀態之因素及針對因素之指標建立有關聯;統計模型產生部,其係依據模擬資料產生第1統計模型;及運轉狀態判定部,其係參閱第1統計模型,依據工廠的製程資料而判定前述工廠的運轉狀態。
依據上述態樣,由於藉由物理模型模擬來取得統計模型的學習中所使用之資料,因此能夠產生即使未充分地蓄積有從工廠實際取得到之製程資料,亦能夠高精度地判定運轉狀態之統計模型。
本發明的又一態樣是統計模型產生裝置。該裝置為產生判定工廠的運轉狀態之統計模型之裝置,具備:資料取得部,其係取得與藉由將包含預定的條件列表之資料輸入到物理模型模擬器而計算出之前述工廠的運轉狀態相關之模擬資料,並且前述預定的條件列表中,決定前述工廠的運轉狀態之因素及針對前述因素之指標建立有關聯;及統計模型產生部,其係依據前述模擬資料產生第1統計模型。
本發明的又一態樣是支援方法。該方法是一種用於支援工廠的運轉之支援方法,包括如下步驟:資料取得步驟,其係取得與藉由將包含預定的條件列表之資料輸入到物理模型模擬器而計算出之前述工廠的運轉狀態相關之模擬資料,並且前述預定的條件列表中,決定前述工廠的運轉狀態之因素及針對前述因素之指標建立有關聯;統計模型產生步驟,其係依據前述模擬資料產生第1統計模型;及運轉狀態判定步驟,其係參閱前述第1統計模型,依據前述工廠的製程資料而判定前述工廠的運轉狀態。
本發明的另一態樣是支援程式。該程式是一種用於支援工廠的運轉之支援程式,該支援程式使電腦作為如下手段發揮功能:資料取得手段,其係取得與藉由將包含預定的條件列表之資料輸入到物理模型模擬器而計算出之前述工廠的運轉狀態相關之模擬資料,並且前述預定的條件列表中,決定前述工廠的運轉狀態之因素及針對前述因素之指標建立有關聯;統計模型產生手段,其係依據前述模擬資料產生第1統計模型;及運轉狀態判定手段,其係參閱前述第1統計模型,依據前述工廠的製程資料而判定前述工廠的運轉狀態。
另外,將以上的構成要素的任意組合或本發明的構成要素或表現在方法、裝置、系統、電腦程式、資料結構、記錄媒體等之間相互替換者,亦作為本發明的態樣而有效。
[發明效果]
依據本發明,能夠高精度地判定工廠的運轉狀態。
以下,參考圖式並透過發明的實施方式對本發明進行說明,但以下實施方式並不限定發明申請專利範圍之發明,又,在實施方式中說明之特徵的所有組合未必係發明的解決手段所必須的。對示於各圖式之相同或是相等的構成要件、構件、處理標註相同元件符號,並適當省略重複之說明。
圖1~圖4為用於說明本發明的實施方式之支援裝置10之圖。具體而言,圖1為表示本發明的一實施方式之支援裝置10的構成之圖,圖2為表示支援裝置10的硬體構成的一例之圖。圖3及圖4為表示記憶於條件列表記憶部18c中之條件列表的一例之圖。
支援裝置10是支援工廠1的運轉之裝置。作為工廠1的一例,可以舉出發電工廠、焚化工廠或化學工廠等。在工廠1中使用任意的製程資料。製程資料例如為溫度、壓力、空氣量、濃度或成分等製程值的資料。
支援裝置10經由DCS(分散控制系統)2而與工廠1連接,取得設置於工廠1內之感測器的製程資料。依據支援裝置10,即使在未充分地蓄積有製程資料的情況下,亦能夠進行基於統計模型的高精度的運轉狀態的判定。
支援裝置10中,事先安裝有用於執行本實施方式之支援方法所需的預定的程式,在圖2中示出有其硬體構成的一例。具體而言,支援裝置10能夠運用具備CPU100、ROM102、RAM104、外部記憶裝置106、使用者介面108、顯示器110、通訊介面112之通用或專用的電腦。依據藉由使用者介面108由工廠的運轉人員輸入之資訊,CPU100進行運算並將該運算結果輸出至顯示器110,運轉人員能夠一邊識別該輸出,一邊藉由使用者介面108對支援裝置10輸入所需的資訊。
支援裝置10可以由單一的電腦來構成,亦可以由分散在網絡上之複數個電腦來構成。支援裝置10中,例如藉由CPU執行記憶在上述之ROM、RAM、外部記憶裝置等中或經由通訊網絡下載之預定的程式(規定了本實施方式之支援方法之程式),能夠使支援裝置10作為待留後述的各種功能方塊或各種步驟發揮功能。
以下,使用圖1對支援裝置10的各種功能方塊進行說明。
本實施方式之支援裝置10具備:具有輸入受理部12a及操作受理部12b之輸入部12、處理部14、具有顯示器16a之顯示部16及記憶部18。在此,處理部14具有控制部14a、製程資料取得部14b、統計模型產生部14c、亂數產生部14d、物理模型模擬器部14e、運轉狀態判定部14f、顯示控制部14g。又,記憶部18具有製程資料記憶部18a、模擬資料記憶部18b、條件列表記憶部18c、區別資訊記憶部18d、統計模型記憶部18e、物理模型記憶部18f及判定結果記憶部18g。
控制部14a由包括CPU及半導體記憶體之微電腦構成,進行處理部14中所包含之其他功能方塊不執行之一般的運算處理。例如,進行經由通訊介面110與外部機器的時刻同步或DNS(Domain Name System:網域名稱系統)的名稱解析等。
製程資料取得部14b從DCS2取得工廠1的製程資料。製程資料係表示工廠的運轉狀態之資料,亦能夠稱為運轉資料。製程資料例如係表示感測器的測定值的逐漸變化之資料。在該情況下,製程資料亦可以係預定時間間隔中的連續的感測器的測定值的變化。製程資料亦可以係多維資料。由製程資料取得部14b取得到之製程資料記憶在製程資料記憶部18a中。
統計模型產生部14c藉由學習預定的資料來產生統計模型。預定的資料例如是指製程資料或由待留後述之物理模擬輸出之模擬資料。學習中所使用之製程資料亦可以為與運轉狀態判定中所使用之評量用的製程資料區別開的學習用的製程資料。所產生之統計模型記憶在統計模型記憶部18e中。
再者,產生統計模型包括產生機械學習模型,該機械學習模型在將某資料作為輸入時輸出預定的判定。該機械學習模型亦可以藉由任意的方法來產生。機械學習模型的演算法例如能夠使用,支援向量機(support-vector machine)、邏輯式迴歸(Logistic regression)、類神經網路(neural network)、深度類神經網路(deep neural network)、k平均法等,其種類並沒有特別限定。
亂數產生部14d產生按照預定的幾率分布之亂數。預定的幾率分布例如是指平均M、標準偏差σ的正規分布。再者,M及σ為任意的實數。除此以外,幾率分布亦可以為均勻分布、指數分布、伽馬分布等。
物理模型模擬器部14e依據記憶在物理模型記憶部18f中之物理模型及記憶在條件列表記憶部18c中之條件列表來執行物理模型模擬,取得模擬資料。模擬資料記憶在模擬資料記憶部18b中。
模擬資料是指由物理模型模擬計算出之模擬製程資料。模擬資料亦可以具有與從工廠取得之製程資料相同的資料結構或維度。具體而言,模擬資料能夠在統計模型產生部14c中實施相同的運算處理,而不與製程資料區別。更具體而言,統計模型產生部14c無論學習模擬資料和製程資料中的哪一種,都能夠產生與之相對應之統計模型。
再者,基於物理模型模擬器部14e的物理模型模擬能夠不取決於工廠的運轉狀況而實施。例如,即使在工廠開始運行之前、運行中及暫時停止運行的期間等亦能夠執行。
記憶在條件列表記憶部18c中之條件列表包含與物理模型模擬的執行條件相關之資訊。對於條件列表的一例,在後文中使用圖3及圖4進行說明。
運轉狀態判定部14f參閱統計模型來判定成為判定對象的製程資料是否在閾值的範圍內。閾值例如是指在產生統計模型的同時決定之值,是記憶在統計模型記憶部18e中之資訊。判定結果記憶在判定結果記憶部18g中。
顯示控制部14g將資訊顯示於顯示器16a,該資訊包含記憶在判定結果記憶部18g中之判定結果及記憶在區別資訊記憶部18d中之區別資訊。對於顯示內容的一例,在後文中使用圖10進行說明。
輸入受理部12a及操作受理部12b經由使用者介面108從使用者受理輸入及操作。顯示控制部14g亦可以依據所受理之輸入及操作來變更顯示器16a的顯示內容。對於顯示內容的變更的一例,在後文中使用圖10進行說明。除此以外,亦可以依據所受理之輸入或操作來製作或變更條件列表。
接著,使用圖3及圖4對條件列表的一例進行說明。
條件列表是指物理模型模擬的執行條件的集合。具體而言,條件列表包含一個以上的因素,並且包含針對各個因素關聯建立有一個以上的指標的資訊。在此,因素例如是指對工廠的運轉狀態產生影響之要素。作為一例,圖3所示之條件列表包含因素202(燃料)、因素212(外部氣溫)及因素222(鍋爐負載),針對因素202關聯建立有7個指標204(顆粒100%、顆粒50%+PKS50%等),針對因素212關聯建立有2個指標214(夏季平均氣溫、全年平均氣溫),針對因素222關聯建立有5個指標216(100%、90%等)。條件列表被輸入到 物理模型模擬器以指定模擬的執行條件。
除此以外,如圖4所示,條件列表亦可以為包含複數個紀錄之資訊。在此,紀錄包括針對一個以上的因素分別關聯建立有一個指標者。例如,紀錄322針對因素310b(燃料)、因素310c(外部氣溫)及因素310d(鍋爐負載)分別關聯建立有指標322b(顆粒100%)、指標322c(夏季平均氣溫)、指標322d(100%),條件列表是由包含紀錄322之8個紀錄320組成的資訊。
物理模型模擬依據條件列表中所包含之物理模型模擬的執行條件來進行。對於具體的執行方法的例,在後文中使用圖6進行說明。
條件列表中所包含之資訊的一部分亦可以為對物理模型模擬的結果不產生實質性影響者。例如,在圖4的條件列表中,條件編號310a的列僅表示針對各紀錄之序列號,對物理模型模擬的結果不產生影響。
條件列表亦可以是藉由如下態樣等記憶在條件列表記憶部18c中者:經由使用者介面108受理來自使用者的感測器資料的輸入;經由通訊介面112從其他裝置接收;或者經由RAM104或外部記憶裝置106進行讀取。
又,條件列表的指標的至少一部分亦可以依據在亂數產生部14d中產生之按照預定的幾率分布的亂數來進行設定。例如,與因素310d(鍋爐負載)建立有關聯之各指標亦可以依據按照平均70%、標準偏差5%的正規分布的亂數中的不超過100%之值來進行設定。
條件列表不限於藉由圖3的列表形式或圖4的表格形式來表述。例如,亦可以藉由適當地結合表格而能夠製作與圖4的表格等價的表格之複數個表格來表述。除此以外,亦可以藉由樹結構、JSON(JavaScript Object Notation:程式語言)形式、YAML形式(YAML Ain’t Markup Language:YAML不是標記語言)及XML (Extensible Markup Language:可延伸標記語言)形式等表格以外的資料結構來表述。
以下,作為本發明的支援裝置的一實施方式,使用圖5~圖8對支援裝置的動作的一例進行說明。圖5的流程圖係本實施方式之支援裝置的動作全體的一例。圖6的流程圖係基於使用模擬資料之統計模型產生部14c的統計模型的產生方法的一例。圖7及圖8分別係藉由學習製程資料及模擬資料而產生統計模型的過程的一例。
圖5係表示支援裝置10的動作的一例之流程圖。
在圖5中,首先,藉由製程資料取得部14b取得工廠1的製程資料,並記憶在製程資料記憶部18a中(S10)。製程資料的取得可以從DCS2直接取得,亦可以經由使用者介面108受理來自使用者的感測器資料的輸入來進行,亦可以經由通訊介面112從其他裝置接收,或者,亦可以經由RAM104或外部記憶裝置106讀取來進行。又,製程資料可以逐次(例如,每秒)取得,亦可以一併取得一定期間(例如,一天)的製程資料。
接著,產生有作為依據模擬資料所產生之統計模型的第1統計模型,判定是否為已經能夠使用之狀態(S12)。在未產生的情況下(S12否),在統計模型產生部14c中產生第1統計模型,並將與之相關之資訊記憶在統計模型記憶部18e中(S14)。對於第1統計模型的產生方法的一例,在後文中使用圖6的流程圖進行說明。
再者,由於第1統計模型為依據模擬資料所產生者,因此能夠不取決於工廠的運轉狀態而產生並用於運轉狀態的判定。例如,即使在工廠開始運行之前、運行中及暫時停止運行的期間等亦能夠在支援裝置內產生第1統計模型。
在已經產生有第1統計模型的情況下(S12是)或在步驟S14中產生第1統計模型的情況下,在運轉狀態判定部14f中判定工廠的運轉狀態(S16)。依據記憶在製程資料記憶部18a中之製程資料,並參閱記憶在統計模型記憶部18e中之第1統計模型來判定運轉狀態。判定結果記憶在判定結果記憶部18g中。
已經產生有第1統計模型的情況是指,除了已經由支援裝置10的統計模型產生部14c產生的情況之外,例如,還包括,在工廠開始運行之前經由通訊介面112接收與第1統計模型相關之資訊的情況、或經由RAM104或外部記憶裝置106讀取的情況。
接著,判定作為依據製程資料所產生之統計模型的第2統計模型是否處於能夠使用之狀態(S18)。與第2統計模型相關之資訊和與第1統計模型相關之資訊區別開來記憶在統計模型記憶部18e中。
由於第2統計模型藉由充分學習製程資料來提高精度,因此例如在工廠剛開始運轉之後或剛大幅度變更工廠的運轉條件之後等在該運轉狀態下的製程資料還未充分地蓄積之狀況下,無法高精度地判定運轉狀態
在如上所述之狀況下,在第2統計模型的使用不實際的情況下(S18否),在統計模型產生部14c中,藉由學習記憶在製程資料記憶部18a中之製程資料而更行第2統計模型(S20)。藉由步驟S20的處理,更新與記憶在統計模型記憶部18e中之第2統計模型相關之資訊。
再者,即使在進行了第2統計模型的更新的情況下(S20),亦不一定能夠學習到足夠量的製程資料,因此將第2統計模型用於工廠的運轉狀態的判定之準備不一定完成。因此,在本實施方式中,在進行了第2統計模型的更新的情況下(S20),不進行參閱第2統計模型之運轉狀態的判定(S22),而轉移到運轉狀態判定結果的顯示(S24)。
另一方面,在使第2統計模型學習足夠量的製程資料而使其處於已經能夠使用的狀態的情況下(S18是),在運轉狀態判定部14f中判定工廠的運轉狀態(S22)。依據記憶在製程資料記憶部18a中之製程資料,並參閱第2統計模型來判定運轉狀態。判定結果與在步驟S16中所記憶之判定結果區別開來記憶在判定結果記憶部18g中。
判定結果的種類例如為「正常」及「異常」,「異常」中亦可以存在「注意」、「警告」及「要監測」等階段。所謂異常,不限於需要停止工廠運轉的狀態,還包括雖然能夠繼續運轉但已經脫離良好的運轉狀態的狀態。
最後,依據在步驟S16或步驟S22中所記憶之判定結果,顯示控制部14g在顯示器16a上顯示與運轉狀態相關之資訊(S24)。所顯示之資訊能夠根據來自使用者的輸入受理部12a或對操作受理部12b之輸入來變更。使用圖10,對顯示畫面的一例另外進行說明。在步驟S24之後,支援裝置10結束動作。
在本實施方式的一例中,即使在未充分地蓄積有製程資料之期間,亦能夠高精度地判定工廠的運轉狀態。具體而言,第2統計模型在充分地學習到製程資料之前,在運轉狀態的判定中並不實用,但若使用依據模擬資料所產生之第1統計模型,則能夠進行高精度的運轉狀態的判定。更具體而言,即使在第2統計模型的使用準備未完成且需要進一步學習製程資料的情況下(S20),亦能夠在第1統計模型中判定(S16)運轉狀態,並將其判定結果提示給運轉人員(S24)。
依據該效果,例如,以往,為了長期間蓄積使統計模型學習之製程資料而不得不進行工廠的試運轉,但是依據本實施方式的一例中所示之支援裝置,能夠在剛開始運行之後參閱由模擬資料產生之統計模型而進行運轉狀態判定,因此不需要該試運轉。
再者,作為其他效果,能夠將第1統計模型與第2統計模型進行比較來判斷製程資料的學習的有效性。具體而言,在由製程資料產生之統計模型中,例如存在因工廠內的工廠的暫時故障而將本來發生異常時的製程資料作為正常的製程資料而學習的情況時,運轉人員能夠藉由與由模擬資料產生之統計模型相比較,從而發現該資料,並從學習對象中刪除。
以上的本發明的實施方式的動作僅為一例,並不限於此。例如,該動作亦可以在支援裝置10的運行中被反覆執行。亦即,以可以在動作結束之後,再度開始。又,各個步驟可以在動作不發生矛盾的範圍內替換順序,亦可以將一部分反覆執行(例如,在步驟S24之後,不結束而返回到步驟S10等)。
除此以外,一部分的步驟亦可以並行進行。例如,亦可以在步驟S10中取得製程資料之後,並行執行與第1統計模型相關之處理(對應於S12~S16)和與第2統計模型相關之處理(對應於S18~S22)。在該情況下,亦可以催促使用者選擇是否進行與第1統計模型及第2統計模型中的任一模型相關之處理。
除此以外,運轉狀態的判定亦可以暫時不在第1統計模型及第2統計模型中的任一方進行。例如,在第2統計模型學習到了足夠量的製程資料,並且處於已經能夠使用的狀態的情況下,亦可以暫時停止與第1統計模型相關之處理(S12~S16)。
除此以外,運轉狀態的判定(S16、S22)及第2統計模型的學習(S20)中所使用之製程資料不限於在對應於緊前進行之步驟S10的處理中所取得之製程資料,可以為在該處理之前述憶在製程資料記憶部18a中之製程資料。例如,當每秒進行製程資料的取得(S10)時,第2統計模型的更新(S20)中所使用之製程資料可以為從更新的處理開始算起前一天所取得的製程資料。
除此以外,亦可以藉由任意的規則將製程資料分為評量用製程資料和學習用製程資料而進行處理。例如,以可以在製程資料記憶部18a中,將最近一周以內所取得之製程資料分為評量用製程資料,將在那之前的製程資料分為學習用製程資料,並僅使用學習用製程資料來學習(S20)第2統計模型,僅使用評量用製程資料來判定(S16、S22)運轉狀態。
除此以外,亦可以學習製程資料和模擬資料這兩者來製作一個統計模型。例如,亦可以藉由在工廠開始運行之前執行物理模型模擬而產生第1統計模型,在開始運行之後使第1統計模型學習製程資料。
接著,使用圖6的流程圖及圖4的條件列表的一例,對伴隨物理模型模擬之第1統計模型的產生方法(S14)的一例進行說明。
首先,在控制部14a中,將變數N的初始值設定為「1」(S14a)。變數N是根據反覆處理而遞增之變數。
接著,從記憶在條件列表記憶部18c中之條件列表讀入條件編號310a與變數N為相同的值的紀錄(S14b)。例如,在變數N為1的情況下,讀入條件編號為「1」的紀錄322。
接著,將所讀入之紀錄322輸入到物理模型模擬器部14e,並依據該紀錄的因素及指標執行物理模型模擬(S14c)。在該情況下,依據作為燃料(因素310b)的「顆粒100%(指標322b)」、作為外部氣溫(因素310c)的「夏季平均氣溫(指標322c)」及作為鍋爐負載(因素310d)的「100%(指標322d)」的因素及指標,執行物理模型模擬。作為執行結果所計算出的模擬製程資料亦即模擬資料被記憶在模擬資料記憶部18b中。
再者,所謂物理模型模擬,例如,輸入預定的動作參數,在計算機內再現該動作參數中的工廠的運轉狀態。在進行物理模型模擬之物理模型模擬器中,包含進行工廠的設計時所使用之程式。
之後,將記憶在模擬資料記憶部18b中之模擬資料輸入到統計模型產生部14c,並使第1統計模型學習該資料。伴隨此,更新與記憶在統計模型記憶部18e中之第1統計模型相關之資訊(S14d)。
依據複數個紀錄分別執行以上的步驟S14b~步驟S14d的處理。具體而言,判定儲存在變數N中之值是否為條件編號310a的最後的編號(S14e),在不是的情況下(S14e否),對變數N加1(S14f)並返回到步驟S14b。例如,在變數N為「1」的情況下,由於它不是條件編號310a的最後的編號「8」,因此將變數N遞增到「2」並返回到步驟14b。
在步驟14b中,讀入記憶在條件列表記憶部18c中之條件列表中的條件編號310a與變數N為相同的值的紀錄,因此讀入條件編號為「2」的紀錄324。
藉由以相同的方式反覆以上的處理,並依據所有的紀錄而執行步驟S14b~步驟S14d的處理之後,結束第1統計模型的產生。
以上的第1統計模型的產生方法僅為一例,並不限於此。例如,亦可以並行執行依據複數個紀錄之物理模型模擬。
接著,使用圖7及圖8,對第1統計模型及第2統計模型的學習過程的一例進行說明。
圖7係依據製程資料來設定第2統計模型的理想線和閾值之過程的一例。
圖7的圖表416係以橫軸為製程變數A、縱軸為製程變數B而繪製了複數個製程資料之散佈圖。製程變數A及製程變數B均為製程資料中所包含之變數,例如,是吸熱量或鍋爐負載等。白色空心圓所表示之複數個打點分別與1個製程資料相對應地繪製。如圖表416所示,在未蓄積有足夠量的製程資料的情況下,無法決定實用的理想線及閾值,從而無法用於運轉狀態的判定。
相對於此,圖表418係經過一定期間並某種程度蓄積有製程資料時的散佈圖。藉由學習所蓄積之資料,能夠設定第2統計模型中的理想線418a。理想線例如藉由非線性最小二乘法等數學模型產生方法來進行設定。
圖表420係進一步經過一定期間並充分地蓄積有製程資料時的散佈圖。除了理想線之外,還能夠設定閾值420a及閾值420b,在製程資料超過該值的情況下,能夠判定為運轉狀態中存在異常。再者,可以將閾值例如設定為用於學習之製程資料的95%被判定為「沒有異常」。除此以外,例如,亦可以假設製程資料為按照預定的分布者,依據該分布設定閾值。
第2統計模型藉由學習製程資料來設定理想線及閾值,因此在剛開始運轉之後(例如,圖表416的狀態)無法判定工廠的運轉狀態,直到從運轉開始起經過某種程度的期間之後(例如,圖表420的狀態)才能開始高精度地判定工廠的運轉狀態。
圖8係依據模擬資料來設定第1統計模型的理想線和閾值之過程的一例。
圖8的圖表516係以橫軸為製程變數A、縱軸為製程變數B而繪製了複數個模擬資料之散佈圖。方形所表示之複數個打點分別與1個模擬資料相對應地繪製。在此,由於1個模擬資料依據條件列表中的1個紀錄來算出,因此1個打點亦能夠對應於條件列表中的1個紀錄。例如,打點516a能夠對應於紀錄322,打點516b能夠對應於紀錄324。
又,製程變數A及製程變數B中的任意一者亦可以是作為物理模型模擬器的輸入而設定之變數。例如,在物理模型模擬器的輸入中包含與「鍋爐負載」相關之值,並且在作為輸出的模擬資料中包含與「吸熱量」相關之值的情況下,可以將製程變數A設為鍋爐負載,將製程變數B設為吸熱量。
圖表518係與圖表516相比進行更多的物理模型模擬,並將所計算出之模擬資料進行繪製之散佈圖。藉由學習模擬資料,能夠設定第1統計模型中的理想線518a。
圖表520係與圖表518相比進行更多的物理模型模擬,並將所計算出之模擬資料進行繪製之散佈圖。藉由學習依據足夠的組合的執行條件所計算出之模擬資料,不僅能夠設定理想線,還能夠設定閾值520a及閾值520b,在製程資料超過該值的情況下,能夠判定為運轉狀態存在異常。再者,閾值例如亦可以設定為學習用資料的95%判定為「沒有異常」。除此以外,例如,亦可以假設製程資料為按照預定的分布者,依據該分布設定閾值。
在計算模擬資料時,執行條件的一部分亦可以在一部分的物理模型模擬中共通。例如,由3個打點組成的打點組520c均共用製程變數A(例如,共用「鍋爐負載」為70%),是變更其他執行條件而進行之模擬的模擬資料。
通常,難以嚴格預測工廠的現實狀況來規劃物理模型模擬。因此,物理模型模擬的模擬資料與現實的製程資料存在乖離的情況亦不佔少數,根據該模擬的執行結果不一定能夠正確地判定工廠的運轉狀態。
因此,如本實施方式所示,藉由依據作為對應於各種運轉狀況之執行條件的集合的條件列表來執行物理模型模擬,並蓄積模擬資料,能夠產生考慮了在現實的工廠運行時能夠產生的各種因素的變動之統計模型。
使用圖7及圖8所說明之第1統計模型及第2統計模型的產生過程及製程資料的判定方法為一例,並不限定本發明的適用對象。亦即,本發明只要是能夠學習資料並且對資料進行判定之統計模型,則能夠使用任意的統計模型來實施。例如,統計模型可以使用3個以上的製程變數來判定運轉狀態,亦可以依據藉由深度學習而產生之模型來判定運轉狀態。
又,各個統計模型的閾值亦可以根據判定結果的種類而設定有複數個。例如,可以分別設定將判定結果設為「注意」之閾值和將判定結果設為「要監測」之閾值。
接著,使用圖9~圖11對支援裝置10的顯示畫面的一例進行說明。圖9為顯示運轉狀態的判定結果之畫面的一例,圖10及圖11為同時顯示複數個統計模型之畫面的一例。各畫面藉由顯示控制部14g而顯示於顯示器16a。顯示內容可以依據記憶在記憶部18中之資訊而顯示,並依據由輸入受理部12a及操作受理部12b受理之輸入及操作而變更。
首先,使用圖9對運轉診斷畫面600進行說明。運轉診斷畫面600包括時序圖表顯示區域610、運轉狀態判定結果顯示區域620、模型比較按鈕630、圖例顯示區域640、指引顯示區域650、警報列表顯示區域660。
時序圖表顯示區域610中與滾動條616一起顯示有橫軸為測定時刻614、縱軸為製程變數B的測定值612的時序圖表。製程變數B可以是在判定工廠的運轉狀態時尤其重視的製程變數。
圖例顯示區域640顯示有在運轉狀態判定結果顯示區域620中所顯示之各資訊的圖例。
運轉狀態判定結果顯示區域620中與學習資料及評量資料一起顯示有依據模擬資料所產生之統計模型(第1統計模型)的理想線及閾值。區別資訊624中顯示有當前所參閱之統計模型的種類。在該例中,由於所參閱之統計模型是依據模擬資料所產生者,因此學習資料為模擬資料,評量資料為製程資料。
運轉狀態判定結果顯示區域620的顯示內容亦可以依據使用者的操作而變更。例如,可以藉由從使用者經由使用者介面108受理滑鼠的操作,按下圖例顯示區域640的學習資料642的部分,來切換運轉狀態判定結果顯示區域620中的學習資料的顯示的有無。除此以外,亦可以藉由後文中使用圖10及圖11說明之方法,切換由製程資料產生之統計模型(第2統計模型)並進行顯示。
指引顯示區域650根據時序圖表顯示區域610的顯示內容顯示該圖表的查看方法654和判定運轉狀態為異常時的應對方法656。雖然在圖9中進行了省略,但是在圖表的查看方法654及應對方法656中分別顯示有提示給使用者之文章。
警報列表顯示區域660中顯示有最近發生警報(判定為運轉狀態存在異常之通知)之日期時間及解除成為警報的原因的異常之日期時間。其中,例如,可以強調顯示在警報之後異常未解除者。
接著,使用圖9~圖11,對根據使用者的操作對第1統計模型和第2統計模型進行比較,並切換顯示在運轉狀態判定結果顯示區域620中之統計模型之方法的一例進行說明。
第1例是將第1統計模型及第2統計模型並排比較之方法。具體而言,在圖9的運轉診斷畫面600中,藉由按下模型比較按鈕630,將畫面過渡到圖10的第1統計模型比較畫面700。
圖10中包括:顯示設定區域710、包含運轉狀態判定結果圖表742及運轉狀態判定結果圖表746之統計模型比較顯示區域740、對應於運轉狀態判定結果區域742之圖例顯示區域720、及對應於運轉狀態判定結果區域746之圖例顯示區域730。
運轉狀態判定結果圖表742係參閱依據製程資料所產生之統計模型(第2統計模型)來進行運轉狀態的判定時的散佈圖。另一方面,運轉狀態判定結果圖表746係參閱依據模擬資料所產生之統計模型(第1統計模型)來進行運轉狀態的判定時的散佈圖。
第2例是將第1統計模型及第2統計模型重疊比較之方法。具體而言,在圖9的運轉診斷畫面600中,藉由按下模型比較按鈕630,將畫面過渡到圖11的第2統計模型比較畫面800。
圖11中包括顯示設定區域810、統計模型比較顯示區域830及圖例顯示區域820。
統計模型比較顯示區域830是將以下散佈圖重疊顯示者:參閱依據製程資料所產生之統計模型(第2統計模型)來進行運轉狀態的判定時的散佈圖、參閱依據模擬資料所產生之統計模型(第1統計模型)來進行運轉狀態的判定時的散佈圖。
顯示在運轉狀態判定結果顯示區域620中之統計模型能夠藉由按下正式模型設定按鈕714d及正式模型設定按鈕716d來進行切換。例如,在初始狀態下,如圖9所示在運轉狀態判定結果顯示區域620中顯示有依據模擬資料所產生之統計模型之情況下,藉由按下正式模型設定按鈕714d,能夠將所顯示之圖表切換為依據製程資料所產生之統計模型。
如圖10的統計模型比較顯示區域740及圖11的統計模型比較顯示區域830所示,藉由比較統計模型並進行顯示,使用者能夠判斷從第1統計模型切換為第2統計模型之時期。具體而言,如下利用比較顯示。
首先,對於還未充分地蓄積有製程資料之期間,如上所述,由模擬資料產生之統計模型(第1統計模型)能夠更高精度地判定運轉狀態。另一方面,若充分地蓄積有製程資料,則利用由製程資料產生之統計模型(第2統計模型)能夠更高精度地判定運轉狀態,該製程資料還包括在工廠的衰老退化等物理模型模擬中無法表述之影響。因此,需要在適當的時間點將所使用之統計模型從第1統計模型切換為第2統計模型,但藉由將統計模型進行比較顯示能夠容易地判斷該時間點。
本發明不限定於上述實施方式,能夠進行各種變形而運用。在支援裝置10的動作中,不限於全部藉由電腦的運算處理自動化,亦包括至少一部分經由運轉人員進行的人工作業。又,在上述實施方式中,在圖9~圖11中所說明之顯示畫面僅為一例,並不限於此。
藉由上述發明的實施方式所說明之實施態樣能夠根據用途適當地進行組合或變更或者加以改良而使用,本發明不限定於上述之實施方式的記載。
本申請案係主張基於2022年3月29日申請之日本專利申請第2022-052955號的優先權。該日本申請案的全部內容係藉由參照而援用於本說明書中。
1:工廠
10:支援裝置
12:輸入部
14:處理部
14a:控制部
14b:製程資料取得部
14c:統計模型產生部
14e:物理模型模擬器部
14f:運轉狀態判定部
14g:顯示控制部
16:顯示部
18:記憶部
106:外部記憶裝置
108:使用者介面
110:顯示器
112:通訊介面
600:運轉診斷畫面
660:警報列表顯示區域
700:第1統計模型比較畫面
800:第2統計模型比較畫面
[圖1]為表示有關本發明的一實施方式之支援裝置10的構成之圖。
[圖2]為表示支援裝置10的硬體構成的一例之圖。
[圖3]為表示條件列表的一例之圖。
[圖4]為表示條件列表的一例之圖。
[圖5]為表示基於支援裝置10的支援方法的一例之流程圖。
[圖6]為表示基於支援裝置10的支援方法的一例之流程圖。
[圖7]為表示統計模型的產生過程的一例之圖。
[圖8]為表示統計模型的產生過程的一例之圖。
[圖9]為用於說明支援裝置10的支援方法之圖。
[圖10]為用於說明支援裝置10的支援方法之圖。
[圖11]為用於說明支援裝置10的支援方法之圖。
1:工廠
2:DCS(分散控制系統)
10:支援裝置
12:輸入部
12a:輸入受理部
12b:操作受理部
14:處理部
14a:控制部
14b:製程資料取得部
14c:統計模型產生部
14d:亂數產生部
14e:物理模型模擬器部
14f:運轉狀態判定部
14g:顯示控制部
16:顯示部
16a:顯示器
18:記憶部
18a:製程資料記憶部
18b:模擬資料記憶部
18c:條件列表記憶部
18d:區別資訊記憶部
18e:統計模型記憶部
18f:物理模型記憶部
18g:判定結果記憶部
Claims (12)
- 一種用於支援工廠的運轉之支援裝置,具備: 資料取得部,其係取得與藉由將包含預定的條件列表之資料輸入到物理模型模擬器而計算出之前述工廠的運轉狀態相關之模擬資料,並且前述預定的條件列表中,決定前述工廠的運轉狀態之因素及針對前述因素之指標建立有關聯; 統計模型產生部,其係依據前述模擬資料產生第1統計模型;及 運轉狀態判定部,其係參閱前述第1統計模型,依據前述工廠的製程資料而判定前述工廠的運轉狀態。
- 如請求項1之支援裝置,其中, 前述預定的條件列表包含一個以上的前述因素,並且針對各個前述因素關聯建立有一個以上的前述指標。
- 如請求項2之支援裝置,其中, 前述預定的條件列表包含複數個紀錄; 前述紀錄中針對一個以上的前述因素分別關聯建立有一個前述指標。
- 如請求項1至3中任一項之支援裝置,其中還具備: 輸入受理部,其係受理來自使用者的前述指標的輸入; 前述預定的條件列表中,前述指標的至少一部分依據前述輸入而設定。
- 如請求項1至3中任一項之支援裝置,其中, 前述預定的條件列表中,前述指標的至少一部分依據按照預定的幾率分布之亂數而設定。
- 如請求項1至3中任一項之支援裝置,其中還具備: 顯示部,其係顯示前述運轉狀態判定部所判定之基於前述第1統計模型的第1判定結果。
- 如請求項6之支援裝置,其中, 前述統計模型產生部進一步依據與前述工廠的運轉狀態相關之製程資料產生第2統計模型; 前述運轉狀態判定部進一步參閱前述第2統計模型判定前述工廠的運轉狀態; 前述顯示部顯示前述第1判定結果及前述運轉狀態判定部所判定之基於前述第2統計模型的第2判定結果中的至少一者。
- 如請求項7之支援裝置,其中, 前述顯示部將對前述第1判定結果及前述第2判定結果分別相互區別之區別資訊與前述第1判定結果及前述第2判定結果中的至少一者建立關聯而顯示。
- 如請求項7之支援裝置,其中還具備: 操作受理部,其係受理來自使用者的與判定結果的顯示方法的切換相關之操作; 前述顯示部根據來自前述使用者的操作而顯示前述第1判定結果和前述第2判定結果這兩者。
- 一種統計模型產生裝置,乃是產生判定工廠的運轉狀態之統計模型之裝置,具備: 資料取得部,其係取得與藉由將包含預定的條件列表之資料輸入到物理模型模擬器而計算出之前述工廠的運轉狀態相關之模擬資料,並且前述預定的條件列表中,決定前述工廠的運轉狀態之因素及針對前述因素之指標建立有關聯;及 統計模型產生部,其係依據前述模擬資料產生第1統計模型。
- 一種用於支援工廠的運轉之支援方法,包括如下步驟: 資料取得步驟,其係取得與藉由將包含預定的條件列表之資料輸入到物理模型模擬器而計算出之前述工廠的運轉狀態相關之模擬資料,並且前述預定的條件列表中,決定前述工廠的運轉狀態之因素及針對前述因素之指標建立有關聯; 統計模型產生步驟,其係依據前述模擬資料產生第1統計模型;及 運轉狀態判定步驟,其係參閱前述第1統計模型,依據前述工廠的製程資料而判定前述工廠的運轉狀態。
- 一種用於支援工廠的運轉之支援程式,該支援程式使電腦作為如下手段發揮功能: 資料取得手段,其係取得與藉由將包含預定的條件列表之資料輸入到物理模型模擬器而計算出之前述工廠的運轉狀態相關之模擬資料,並且前述預定的條件列表中,決定前述工廠的運轉狀態之因素及針對前述因素之指標建立有關聯; 統計模型產生手段,其係依據前述模擬資料產生第1統計模型;及 運轉狀態判定手段,其係參閱前述第1統計模型,依據前述工廠的製程資料而判定前述工廠的運轉狀態。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022052955 | 2022-03-29 | ||
JP2022-052955 | 2022-03-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202338542A true TW202338542A (zh) | 2023-10-01 |
Family
ID=88202540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112110452A TW202338542A (zh) | 2022-03-29 | 2023-03-21 | 支援裝置、支援方法及支援程式 |
Country Status (2)
Country | Link |
---|---|
TW (1) | TW202338542A (zh) |
WO (1) | WO2023190457A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4546332B2 (ja) * | 2005-06-09 | 2010-09-15 | 株式会社日立製作所 | 運転支援装置および運転支援方法 |
JP7105556B2 (ja) * | 2017-11-14 | 2022-07-25 | 千代田化工建設株式会社 | プラント管理システム及び管理装置 |
JP7127477B2 (ja) * | 2018-10-23 | 2022-08-30 | 日本製鉄株式会社 | 学習方法、装置及びプログラム、並びに設備の異常診断方法 |
-
2023
- 2023-03-21 TW TW112110452A patent/TW202338542A/zh unknown
- 2023-03-28 WO PCT/JP2023/012396 patent/WO2023190457A1/ja unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023190457A1 (ja) | 2023-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA3007973C (en) | System and method for monitoring manufacturing | |
US10809704B2 (en) | Process performance issues and alarm notification using data analytics | |
JP4046309B2 (ja) | プラント監視装置 | |
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 | |
US20120239179A1 (en) | Work support system, work support method, and storage medium | |
US11493912B2 (en) | Unsteadiness detection device, unsteadiness detection system and unsteadiness detection method | |
JP6538057B2 (ja) | プロセスユニットの中の全プロセスセグメントの状態を自動的に監視し決定するための、コンピュータで実装される方法およびシステム | |
JP2005346655A (ja) | 工程管理装置、工程管理方法、工程管理プログラム、および該プログラムを記録した記録媒体 | |
JP6706034B2 (ja) | 故障予兆シミュレーション装置、故障予兆シミュレーション方法、故障予兆シミュレーションシステム、及びプログラム | |
JP4922265B2 (ja) | プラント監視装置およびプラント監視方法 | |
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 | |
JP2012018623A (ja) | 異常データ分析システム | |
JP5502002B2 (ja) | プラント機器の異常診断装置 | |
Fruggiero et al. | The role of human fatigue in the uncertainty of measurement | |
TWI710873B (zh) | 支援裝置、學習裝置以及廠房運轉條件設定支援系統 | |
CN117556366B (zh) | 基于数据筛选的数据异常检测系统及方法 | |
TW202338542A (zh) | 支援裝置、支援方法及支援程式 | |
JP2010225029A (ja) | 製造履歴分析支援装置および製造履歴分析支援方法 | |
JP2019159365A (ja) | 状態変動検出装置及び状態変動検出用プログラム | |
CN111243059B (zh) | 图形实时绘制方法、装置、设备及计算机可读介质 | |
JP2023028393A (ja) | データ処理装置、方法及びプログラム | |
CN110771101B (zh) | 入侵检测装置、入侵检测方法以及入侵检测系统 | |
JP5278082B2 (ja) | シミュレーションシステム | |
JP5133267B2 (ja) | 構造データ解析システム | |
Mittas et al. | StatREC: A graphical user interface tool for visual hypothesis testing of cost prediction models |