TWI710873B - 支援裝置、學習裝置以及廠房運轉條件設定支援系統 - Google Patents
支援裝置、學習裝置以及廠房運轉條件設定支援系統 Download PDFInfo
- Publication number
- TWI710873B TWI710873B TW108110188A TW108110188A TWI710873B TW I710873 B TWI710873 B TW I710873B TW 108110188 A TW108110188 A TW 108110188A TW 108110188 A TW108110188 A TW 108110188A TW I710873 B TWI710873 B TW I710873B
- Authority
- TW
- Taiwan
- Prior art keywords
- aforementioned
- value
- state
- unit
- control target
- 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
- 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
-
- 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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本發明之運轉條件設定支援裝置30係用於支援廠房3的運轉條件的設定,且具備:狀態值取得部,係於複數個控制對象裝置10的運轉中取得顯示複數個控制對象裝置10的狀態的複數個狀態值;預測部,係基於從前述狀態值取得部所取得的複數個狀態值之各者而推定將來的預定的時間點中各狀態值的預測值;以及通報部,係在指標已與預定的條件一致的情形下通報已一致的意旨,指標係基於各狀態值與各預測值之間的差或差的變化率來進行計算而得,各狀態值係藉由狀態值取得部所取得的於預定的時間點中的各者的狀態值,各預測值係藉由預測部所推定的在預定的時間點或比預定的時間點更後面的時間點中的各者的預測值。
Description
本發明係關於一種支援廠房的運轉條件的設定用的支援裝置、廠房運轉條件設定支援系統、以及可用於廠房運轉條件設定支援系統中的學習裝置。
用於生產化學製品或工業製品等的廠房中,係藉由反應器或加熱爐等多數個裝置來執行一連串的程序,並藉由用於分別控制多數個裝置的多數個操作量來設定運轉條件。在執行多階段的程序的廠房中,由於多數個操作量有可能複雜地相互作用,因此要對操作量的變更所造成的影響進行預測並不容易,所以操作量多是藉由熟練的操作員來設定從而使廠房運轉。
為了使這樣的廠房安全且穩定地運轉,正確地對廠房的危險性進行評價乃是不可或缺的,故提出使用了HAZOP(Hazard and Operability Studies;危害及可操作性分析)等手法的風險評價技術(例如參照專利文獻1以及專利文獻2)。
專利文獻1:日本特開2012-98820號公報。
專利文獻2:國際公開第2015/152317號。
也如同專利文獻1以及專利文獻2中所揭示的,以往的風險評價技術主要是利用於設計廠房的階段或檢閱廠房的運轉條件的階段等。又,隨著近年來因熟練操作員的高齡化而使熟練操作員減少,作為課題,本發明人等認識到在廠房的運轉中也需要有以適用前述風險評價的結果從而對安全且穩定的廠房的運轉進行支援的技術,從而想到本發明。
本發明係有鑑於如此的狀況而開發完成者,其目的在於提供一種能支援實現廠房的較佳的運轉的運轉條件的設定之技術。
為了解決上述課題,本發明之一態樣之支援裝置,具備:狀態值取得部,係於複數個控制對象裝置的運轉中取得顯示前述複數個控制對象裝置的狀態的複數個狀態值;預測部,係基於從狀態值取得部所取得的複數個狀態值之各者而推定將來的預定的時間點中各狀態值的預測值;以及通報部,係在指標已與預定的條件一致的情形下通報已一致的意旨,前述指標係基於各狀態值與各預測值之間的差或差的變化率來進行計算而得,前述各狀態值係藉由前述狀態值取得部所取得的於前述預定的時間點中的各者的狀態值,前述各預測值係藉由前述預測部所推定的在前述預定的時間點或比前述預定的時間點更後面的時間點中的各者的預測值。
根據該態樣,由於在已觀測到與從過去的運轉實績所推定的預定的時間點中的狀態值的預測值為不同的狀態值的情形下,能將狀態值已不同的意旨通報給操作者從而適切地促進操作者的對應,因此能即時地準確地支援與熟練的操作者同樣地對廠房的較佳的運轉條件的設定。
預測部亦可藉由推定演算法對預測值進行推定,前述推定演算法係藉由基於複數個狀態值各者的過去的實績值所進行的機械學習來獲得。根據該態樣,由於能使將來的預定的時間點中的狀態值的預測值進行推定的精度提升,因此能更精確地檢測與過去的運轉實績不同的舉動。
亦可更具備計算部,係藉由預定的指標計算演算法來計算指標,前述預定的指標計算演算法係基於針對各狀態值計算出的差或差的變化率給予特定的控制對象裝置的運轉舉動的影響的大小而對各者的差或差的變化率附加加權。根據該態樣,由於能使給予特定的控制對象裝置的運轉舉動的影響予以指標化來對操作者進行提示,因此能即時地準確地支援與熟練的操作者同樣地對廠房的較佳的運轉條件的設定。
指標計算演算法亦可基於針對各狀態值計算出的差或差的變化率的實績值的履歷、與特定的控制對象裝置的運轉舉動的評價所學習而得。根據該態樣,由於能更精確地使給予特定的控制對象裝置的運轉舉動的影響予以指標化來對操作者進行提示,因此能更即時地準確地支援與熟練的操作者同樣地對廠房的較佳的運轉條件的設定。
亦可更具備:學習部,係基於針對各狀態值計算出的差或差的變化率
的實績值的履歷、與特定的控制對象裝置的運轉舉動的評價而機械學習計算演算法。根據該態樣,由於能更精確地使給予特定的控制對象裝置的運轉舉動的影響予以指標化來對操作者進行提示,因此能更即時地準確地支援與熟練的操作者同樣地對廠房的較佳的運轉條件的設定。
指標亦可包含重要度以及緊急度,前述重要度係顯示給予特定的控制對象裝置的影響的大小,前述緊急度係顯示給予特定的控制對象裝置的影響的緊急性。根據該態樣,由於能將給予特定的控制對象裝置的運轉舉動的影響分為重要度與緊急度來進行指標化且對操作者進行提示,因此能更即時地準確地支援與熟練的操作者同樣地對廠房的較佳的運轉條件的設定。
亦可更具備:顯示部,係於表示裝置表示重要度與緊急度。顯示部亦可表示取前述重要度與前述緊急度作為縱軸及橫軸描繪而成的矩陣。根據該態樣,由於能以視覺上容易理解相對於特定的控制對象裝置的影響的重要度與緊急度的態樣對操作者進行提示,因此能更即時地準確地支援與熟練的操作者同樣地對廠房的較佳的運轉條件的設定。
顯示部亦可將針對複數個狀態值各者計算出的差或差的變化率分別表示於表示裝置。根據該態樣,由於能使有可能對給予特定的控制對象裝置的運轉舉動的影響的狀態值對操作者進行提示,因此能更即時地準確地支援與熟練的操作者同樣地對廠房的較佳的運轉條件的設定。
本發明之另一態樣係學習裝置。前述學習裝置具備:評價取得部,係取
得顯示複數個控制對象裝置的狀態的複數個狀態值的預測值以及實績值的履歷與特定的控制對象裝置的運轉舉動的評價;以及學習部,係基於履歷以及評價而機械學習指標計算演算法,前述指標計算演算法係用於計算指標,前述指標係表示在前述複數個控制對象裝置的運轉中複數個狀態值的預測值與實績值之間的差或差的變化率給予特定的控制對象裝置的運轉舉動的影響的大小。
根據該態樣,由於在已觀測到與從過去的運轉實績所推定的預定的時間點中的狀態值的預測值為不同的狀態值的情形下,能將狀態值已一致的意旨通報給操作者從而適切地促進操作者的對應,因此能即時地準確地支援與熟練的操作者同樣地對廠房的較佳的運轉條件的設定。
本發明之又一態樣亦係廠房運轉條件設定支援系統。前述廠房運轉條件設定支援系統具備:支援裝置,係對廠房的運轉條件的設定進行支援;以及學習裝置,係學習前述支援裝置中使用的指標計算演算法。支援裝置具備:狀態值取得部,係於廠房所包含的複數個控制對象裝置的運轉中取得顯示複數個控制對象裝置的狀態的複數個狀態值;預測部,係基於從狀態值取得部所取得的複數個狀態值之各者而推定將來的預定的時間點中各狀態值的預測值;以及通報部,係在指標已與預定的條件一致的情形下通報已一致的意旨,前述指標係基於各狀態值與各預測值之間的差或差的變化率藉由指標計算演算法來進行計算而得,各狀態值係藉由狀態值取得部所取得的於預定的時間點中的各者的狀態值,各預測值係藉由預測部所推定的在預定的時間點或比預定的時間點更後面的時間點中的各者的預測值。學習裝置具備:評價取得部,係取得顯示複數個控制對象裝置的狀態的複數個狀態值的預測
值以及實績值的履歷、與特定的控制對象裝置的運轉舉動的評價;以及學習部,係基於履歷以及評價學習指標計算演算法。
根據該態樣,由於在已觀測到與從過去熟練的操作者已進行對應的運轉實績所推定的預定的時間點中的狀態值的預測值為不同的狀態值的情形下,能將狀態值已不同的意旨通報給操作者從而適切地促進操作者的對應,因此能即時地準確地支援與熟練的操作者同樣地對廠房的較佳的運轉條件的設定。
又,即使將以上的構成要素的任意的組合、本發明的表現在方法、裝置、系統、記錄媒介、電腦程式等之間進行變換,作為本發明的態樣仍有效。
根據本發明,可提供能支援實現廠房的較佳的運轉的運轉條件的設定之技術。
1:廠房運轉條件設定支援系統
2:通訊網
3:廠房
4:學習裝置
10:控制對象裝置
20:控制裝置
21、31:控制部
22:操作面板
23:操作量設定部
24、32:狀態值取得部
25:狀態值發送部
26:實績值發送部
27、44:指標評價取得部
28:指標評價發送部
29:實績值記憶部
30:運轉條件設定支援裝置
33、33a、33b:預測部
34:指標計算部
35:重要度計算部
36:緊急度計算部
37:通報部
38:顯示部
39:學習部
41:實績值取得部
42、42a、42b:推定演算法學習部
43、43a、43b:推定演算法
45:重要度計算演算法學習部
46:重要度計算演算法
47:緊急度計算演算法學習部
48:緊急度計算演算法
49:提供部
50:推定演算法學習單元
51:指標計算演算法學習單元
圖1係顯示實施形態的廠房運轉條件設定支援系統的整體構成的示意圖。
圖2係顯示實施形態的學習裝置的構成的示意圖。
圖3係顯示實施形態的運轉條件設定支援裝置以及控制裝置的構成的示意圖。
圖4係顯示於操作面板的表示裝置中所表示的表示畫面的例子的示意圖。
圖1係顯示實施形態的廠房運轉條件設定支援系統的整體構成。廠房運轉條件設定支援系統1具備:用於生產化學製品或工業製品等的廠房3以及學習裝置4,係用於學習廠房3中用於支援運轉條件的設定而使用的演算法。廠房3與學習裝置4係藉由網路或公司內連接系統等任意的通訊網2而連接,而能以內建(on-premise)、邊緣運算(edge computing)等任意的運用形態來進行運用。
廠房3具備:設置於廠房3的反應器或加熱爐等的控制對象裝置10、控制裝置20,係對用於控制對象裝置10的運轉條件進行控制的操作量進行設定以及運轉條件設定支援裝置30,係使用從學習裝置4學習到的演算法且對廠房3的運轉條件的設定進行支援。
如上所述,由複數個控制對象裝置10所構成的程序有可能會複雜的干涉,所以要安全且穩定的運轉廠房3並不容易。尤其是,在啟動廠房3時與使廠房3停止時,由於會經過與正常的運轉中不同的狀態,因而會伴隨更多困難。表示廠房3的狀態的複數個狀態量之中,熟練的操作者於廠房3的舉動有可能變的不穩定時會根據經驗對應優先監視的狀態量的種類或重要度進行掌握,在這些狀態量顯示與過去的運轉不同的舉動的情形下,熟練的操作者會因應已變化的狀態量的種類、重要度、變化量以及變化率等來嘗試用以恢復正常運轉的控制量的變更。並且,一邊注視已變更控制量後的狀態量的變化,一邊對複數個控制量的變更進行試行錯誤,最後恢復正常舉動。對這樣的異常進行對應處理的經驗也會對下一次發生同樣的
異常時的對應處理有所助益。
本實施形態的廠房運轉條件設定支援系統1會汲取此種熟練的操作者的經驗,為了安全且穩定地對用於運轉廠房3的運轉條件的設定進行適切地支援,在應監視的狀態量的值顯示與過去的運轉有不同的異常的舉動時,計算顯示該異常的重要度以及緊急度的指標且即時地對操作者進行提示。藉此,即使在產生了可能導致廠房3的舉動變的不穩定的異常的情形下,由於能將該異常的重要度以及緊急度作為客觀的指標即時地提示給操作者,所以能進行準確地支援而使操作者進行適切的對應處理。
作為應監視的狀態量,本實施形態的廠房運轉條件設定支援系統1會對有可能變成特定的控制對象裝置(以下稱「重要裝置」)的停止或故障的原因的複數個狀態量進行設定,前述特定的控制對象裝置係廠房3中所運轉的複數個控制對象裝置10中的當因為某些因素而停止或故障的情形時有可能導致重大的損害或發生危險之類的裝置。
為了決定應監視的複數個狀態量,首先全面提取重要裝置的停止或故障的因素,再從這些因素中特定出直接且短時間會與重要裝置的停止或故障有關聯的重要因子。接下來,對已特定的重要因子實施作為上位事象的故障樹分析(Fault Tree Analysis;FTA),從而掌握成為上位事象的原因的下位事象的發生原因、發生路徑以及發生機率。藉由此類的分析來決定用於降低廠房3的運轉中重要裝置的停止或故障的應監視複數個狀態量。
決定了應監視的複數個狀態量之後,因應這些狀態量的發生機率、往
上位事象的發生路徑以及作為上位事象的重要因子之給予重要裝置的運轉舉動上的影響的大小等,來製作對各狀態量的與過去的舉動之間的差或差的變化率附加加權的指標計算演算法。指標計算演算法係根據各者的狀態量的過去的舉動與現在的舉動之間的差或差的變化率計算顯示往重要裝置的影響的重要度以及緊急度的指標。
為了使應監視的複數個狀態量的過去的舉動與現在的舉動之間的差進行數值化,於廠房3的運轉中,事先基於複數個狀態量各者的現在值推定將來的預定的時間點中各者的狀態量的預測值,進而計算出預定的時間點或比預定的時間點更後面的時間點中各狀態量的預測值與現在值之間的差或差的變化率。成為預測值的計算的對象的將來的預定的時間點亦可由構成廠房3的控制對象裝置10的種類、程序的種類、狀態量的變化率以及因控制量的值的變更所造成之狀態量的值進行變化的速度等來決定,例如亦可為從數秒後至數分鐘後的程度。
本實施形態中,為了精確地推定將來的預定的時間點中各狀態量的預測值係使用推定演算法,前述推定演算法係藉由基於複數個狀態值的各者之過去的實績值所為之機械學習而獲得。其他的例子中,預測值亦可使用基於過去的實績值進行設定之數學式或資料庫等來進行計算。
如上所述,本實施形態中,係利用藉由對熟練的操作者的個人經驗進行系統化的機械學習而學習到的人工智能,迅速且確實地對與過去的運轉實績不同的舉動進行檢測,從而即時地對操作者提示指標,前述指標係顯示因該舉動所導致之對於重要裝置的影響的重要度以及緊急度。藉此,能
不拘於操作者的技能或經驗等,以能適切地設定用於使廠房3安全且穩定的運轉的條件的方式準確地進行支援。
圖2係顯示實施形態的學習裝置的構成。學習裝置4具備:實績值取得部41、推定演算法學習單元50、指標評價取得部44、指標計算演算法學習單元51以及提供部49。這些構成在硬體組件方面雖可由任意的電腦的CPU(Central Processing Unit;中央處理器)、記憶體、以及載入至記憶體的電腦軟體等來實現,在此係對藉由這些軟硬體的合作而能實現的功能區塊進行描述。從而,對於所屬技術領域中具有通常知識者而言應理解為這些功能區塊能僅以硬體、僅以軟體或藉由這些硬體或軟體的組合而以各種形態來實現。
推定演算法學習單元50包含:複數個推定演算法43a、43b…,係用於計算可能成為重要裝置的停止或故障的因素的複數個狀態量各者的預測值;以及複數個推定演算法學習部42a、42b…(以下總稱為推定演算法學習部42),係學習複數個推定演算法43a、43b…(以下總稱為推定演算法43)各者。
推定演算法43係被使用在用於基於顯示廠房3的狀態的複數個狀態值之各者而推定將來的預定的時間點中各狀態值的預測值。
實績值取得部41係從廠房3取得複數個狀態值與複數個控制量的設定值各者的過去的實績值。
推定演算法學習部42係基於從實績值取得部41所取得的複數個狀態值與複數個控制量的設定值各者的過去的實績值來藉由機械學習而學習推定演算法43。推定演算法學習部42用以下方式學習學習推定演算法43:於將某一時間點中之複數個狀態值以及複數個操作量的設定值的實績值輸入至推定演算法43時,能計算出接近從該時間點起經過預定時間之時間點中之複數個狀態值的實績值的值。推定演算法學習部42既可藉由將從實績值取得部41所取得的過去的實績值定為教學資料的教學學習模式來學習推定演算法43,亦可藉由其他已知的任意的機械學習技術來學習推定演算法43。
由於藉由使用多數個實績值來學習推定演算法43能提升推定演算法43的精度,所以能更精確地產生可計算出顯示廠房3的狀態的狀態值的預測值的推定演算法43。又,由於沒有必要開發用於重現複雜程序的高度模擬器,所以能大幅地降低用於產生推定演算法43所需要的時間以及負荷。又,由於也能考慮到難以在模擬器中重現的因素,所以更能精確地計算輸出的預測值。
指標計算演算法係被使用在計算用於表示對給予重要裝置的運轉舉動的影響的大小以及緊急性的指標,前述指標係基於預定的時間點或比預定的時間點更後面的時間點中各狀態值的預測值與預定的時間點中實際的狀態值之間的差或差的變化率計算而得。指標包含重要度以及緊急度,前述重要度係顯示給予重要裝置的影響的大小,前述緊急度係顯示給予重要裝置的影響的緊急性。重要度主要反映各狀態值的預測值與實際的狀態值之間的差以及差的變化率的大小,緊急度主要反映各狀態值的現在時間點的預測值與現
在時間點的實際的狀態值之間的差的變化率的大小或各狀態值的將來的預測值與現在時間點的實際的狀態值之間的差或差的變化率。
指標評價取得部44係取得針對各狀態值計算出的預測值與實際的狀態值的實績值的履歷與重要裝置的運轉舉動的評價。重要裝置的運轉舉動的評價既可由狀態值的履歷等進行計算,亦可由操作者輸入。指標評價取得部44亦可取得對於指標的評價,前述指標係藉由針對各狀態值計算出的預測值與實際的狀態值的實績值的履歷、重要度計算演算法46以及緊急度計算演算法48而被計算出。對於指標的評價亦可為操作者已進行評價的結果。
指標計算演算法學習單元51係包含:重要度計算演算法46、重要度計算演算法學習部45、緊急度計算演算法48以及緊急度計算演算法學習部47,前述重要度計算演算法46係用於計算對給予重要裝置的影響的大小進行顯示的重要度,前述重要度計算演算法學習部45係學習重要度計算演算法46,前述緊急度計算演算法48係用於計算對給予重要裝置的影響的緊急性進行顯示的緊急度,前述緊急度計算演算法學習部47係學習緊急度計算演算法48。
重要度計算演算法學習部45以及緊急度計算演算法學習部47係基於從指標評價取得部44所取得的預測值與狀態值的實績值的履歷以及重要裝置的運轉舉動的評價來學習重要度計算演算法46以及緊急度計算演算法48各者。重要度計算演算法學習部45以及緊急度計算演算法學習部47係基於從指標評價取得部44所取得的預測值以及實績值的履歷以及重要裝
置的運轉舉動的評價,於藉由將某一時間點或其後面的時間點中之預測值與狀態值之間的差或差的變化率代入重要度計算演算法46以及緊急度計算演算法48而計算出指標,且根據後面的重要裝置的運轉舉動的評價而判定指標是否正確地評價了給予重要裝置的運轉舉動的影響的重要度以及緊急度。重要度計算演算法學習部45以及緊急度計算演算法學習部47在其後的重要裝置的運轉舉動評價為比預定還要差的情形下,以計算出更差的值的指標的方式使重要度計算演算法46以及緊急度計算演算法48進行學習;在其後的重要裝置的運轉舉動評價為比預定還要佳的情形下,以計算出更佳的值的指標的方式使重要度計算演算法46以及緊急度計算演算法48進行學習。如此,重要度計算演算法學習部45以及緊急度計算演算法學習部47即可藉由將從指標評價取得部44所取得的重要裝置的運轉舉動的評價定為教學資料的教學學習模式來學習重要度計算演算法46以及緊急度計算演算法48,亦可藉由其他已知的任意的機械學習技術來學習重要度計算演算法46以及緊急度計算演算法48。
指標評價取得部44亦可將操作者不依靠重要度計算演算法46以及緊急度計算演算法48而是自行計算或進行評價出的指標的值作為教學資料進行取得。此情形下,重要度計算演算法學習部45以及緊急度計算演算法學習部47於將某一時間點或其後面的時間點中的預測值與狀態值之間的差或差的變化率輸入至重要度計算演算法46以及緊急度計算演算法48時,以計算出從指標評價取得部44所取得的指標的值的方式,使重要度計算演算法46以及緊急度計算演算法48進行學習。
提供部49係將從推定演算法學習部42學習到的推定演算法43與從重
要度計算演算法學習部45以及緊急度計算演算法學習部47學習到的重要度計算演算法46以及緊急度計算演算法48提供至運轉條件設定支援裝置30。
由於致使重要裝置停止的事件不常發生,故基於此種事件的過去的實績來學習發生這類事件時的廠房3的舉動是有其難度的,然而由於本實施形態中乃是將根據過去的運轉實績與現在的運轉狀態的差給予重要裝置的運轉舉動的影響的大小進行指標化,因此即使沒有重要裝置停止的實績仍能提供可準確檢測重要裝置有可能停止的狀態的人工智能。
為了說明的簡單化,本圖中雖將學習裝置4作為單獨的裝置進行顯示,但學習裝置4亦可藉由利用雲端計算(cloud computing)技術或分散處理技術等的複數個伺服器來實現。藉此,由於能將從廠房3所收集到的大量的資訊進行高速的處理來使推定演算法43、重要度計算演算法46以及緊急度計算演算法48進行學習,所以能大幅的縮短用於提升推定演算法43、重要度計算演算法46以及緊急度計算演算法48的精度所需要的時間。
圖3係顯示實施形態的運轉條件設定支援裝置以及控制裝置的構成。控制裝置20具備控制部21、操作面板22以及實績值記憶部29。
操作面板22係將顯示廠房3的運轉狀態的各種的狀態值、由控制裝置20所設定的各種的操作量的設定值以及顯示廠房3的運轉結果的輸出的值等表示於表示裝置,並且受理來自操作者的各種的操作量的設定值的輸入。
控制部21具備:操作量設定部23、狀態值取得部24、狀態值發送部25、實績值發送部26、指標評價取得部27以及指標評價發送部28。這些功能區塊亦能僅以硬體、僅以軟體或藉由這些硬體或軟體的組合而以各種形態來實現。
操作量設定部23係藉由操作面板22對來自操作者所受理的各種的操作量的設定值進行設定,且對控制對象裝置10進行控制並且表示於操作面板22的表示裝置。狀態值取得部24係從被設置於控制對象裝置10等的各種的感測器或測定器等取得顯示廠房3的運轉狀況以及運轉結果的各種的狀態值,且表示於操作面板22的表示裝置並記錄於實績值記憶部29。狀態值發送部25係將從狀態值取得部24所取得的狀態值發送至運轉條件設定支援裝置30。實績值發送部26係將從操作量設定部23所設定的操作量的值以及記憶於實績值記憶部29的狀態值發送至學習裝置4。
指標評價取得部27係從操作者取得對於表示於操作面板22的指標的評價。指標評價取得部27既可從操作者取得對表示於操作面板22的指標顯示過大或過小的評價,也可從操作者取得已表示於操作面板22之指標的修正值。指標評價發送部28係將指標評價取得部27已從操作者取得之對於指標的評價發送至學習裝置4。如上所述,對於指標的評價係被使用在學習裝置4中用於學習重要度計算演算法46以及緊急度計算演算法48。
運轉條件設定支援裝置30具備:控制部31、推定演算法43、重要度計算演算法46以及緊急度計算演算法48。
控制部31具備:狀態值取得部32、預測部33a、33b…(以下總稱為預測部33)、指標計算部34、通報部37、顯示部38以及學習部39。這些功能區塊亦能僅以硬體、僅以軟體或藉由這些硬體或軟體的組合而以各種形態來實現。
推定演算法43、重要度計算演算法46以及緊急度計算演算法48能從學習裝置4取得且儲存於記憶裝置。
狀態值取得部32係從控制裝置20的狀態值發送部25取得複數個狀態值。預測部33係使用推定演算法43根據從狀態值取得部32所取得的複數個狀態值對將來的預定的時間點中各狀態量的預測值進行計算且儲存於記憶裝置。
指標計算部34包含重要度計算部35以及緊急度計算部36。重要度計算部35以及緊急度計算部36係對從狀態值取得部32取得的狀態值與從預測部33計算出且儲存於記憶裝置的狀態值的預測值之間的差或差的變化率進行計算,且使用重要度計算演算法46以及緊急度計算演算法48對顯示重要度以及緊急度的指標進行計算。
通報部37在已從指標計算部34計算出的指標與預定的條件一致的情形下通報已一致的意旨。通報部37既可在廠房3的運轉中始終將計算出的指標表示於操作面板22且對操作者進行通報,亦可在指標為比預定的值還要差的值的情形下才將指標比預定的值還要差的意旨表示於操作面板22且對操作者進行通報。藉此,能將有可能對重要裝置帶來影響的狀態已發生
的情形對操作者進行通報。
顯示部38係將取重要度與緊急度作為縱軸及橫軸描繪而成的矩陣表示於操作面板22,前述重要度與前述緊急度係從指標計算部34所計算出。藉此,能以視覺上容易理解現在的狀態給予重要裝置的影響的重要度與緊急度的態樣對操作者進行提示。顯示部38係於操作面板22各自表示針對複數個狀態值各者計算出的預測值與狀態值之間的差或差的變化率。藉此,由於能將有可能對重要裝置給予影響的複數個狀態值之中的何狀態值顯示異常以及該狀態值的異常的程度提示給操作者,因此能適切地對操作者提供為了變更操作量的設定值所應參照的資訊。
學習部39係學習推定演算法43、重要度計算演算法46、或緊急度計算演算法48。學習部39亦可藉由與學習裝置4的推定演算法學習部42、重要度計算演算法學習部45、或緊急度計算演算法學習部47相同的方法使推定演算法43、重要度計算演算法學習部45、或緊急度計算演算法學習部47進行再學習。於學習裝置4中使推定演算法43、重要度計算演算法46、或緊急度計算演算法48進行再學習的情形下,亦可不設置學習部39。
圖4係顯示於操作面板的表示裝置中所表示的表示畫面的例子。表示畫面中係表示有廠房3的程序流程圖、複數個狀態值、這些狀態值的預定時間後的預測值、已描繪重要度以及緊急度的矩陣以及狀態值的推移。操作者係參考已提示的資訊決定操作量的設定值且輸入至操作面板22。操作量設定部23係基於已輸入的設定值對控制對象裝置10進行控制。
指標計算部34係以預定的間隔計算指標,顯示部38係將以預定的間隔計算出的指標的重要度與緊急度描繪於矩陣。亦即,能使重要度與緊急度的矩陣即時地更新,並將該時間點的廠房3的狀態進行顯示。專利文獻1以及專利文獻2中雖然也揭示有矩陣表示,但皆是使一邊的軸設為重要度或影響度,而另一邊的軸設為發生頻率,並非是在廠房3的操作面板22進行表示且即時地進行更新。由於本實施形態的矩陣表示與狀態值以及預測值的推移乃是始終表示於操作面板22,因此即使在已發生異常的情形下,操作者依然能一邊即時地確認其變更所導致的矩陣表示、狀態值以及預測值的推移的變化,一邊變更操作量的設定值而對廠房3的運轉狀態進行調整。
以上,雖基於實施例進行了本發明之說明。所屬技術領域中具有通常知識者應當了解到,此實施例為例示,該等各構成要素或各處理程序的組合可以有各種的變形例,而且該等變形例亦屬於本發明之範圍。
本發明的技術既可適用於連續步驟的廠房也可適用於批次步驟的廠房。
本發明係可以利用於支援廠房的運轉條件的設定用的支援裝置。
1:廠房運轉條件設定支援系統
2:通訊網
3:廠房
4:學習裝置
10:控制對象裝置
20:控制裝置
30:運轉條件設定支援裝置
Claims (10)
- 一種支援裝置,具備:狀態值取得部,係於複數個控制對象裝置的運轉中取得顯示前述複數個控制對象裝置的狀態的複數個狀態值;預測部,係基於從前述狀態值取得部所取得的複數個狀態值之各者而推定將來的預定的時間點中各狀態值的預測值;通報部,係在指標已與預定的條件一致的情形下通報已一致的意旨,前述指標係基於各狀態值與各預測值之間的差或差的變化率來進行計算而得,前述各狀態值係藉由前述狀態值取得部所取得的於前述預定的時間點中的各者的狀態值,前述各預測值係藉由前述預測部所推定的在前述預定的時間點或比前述預定的時間點更後面的時間點中的各者的預測值;以及計算部,係藉由預定的指標計算演算法來計算前述指標,前述預定的指標計算演算法係基於針對各狀態值計算出的前述差或差的變化率給予特定的控制對象裝置的運轉舉動的影響的大小而對各者的差或差的變化率附加加權。
- 如請求項1所記載之支援裝置,其中前述預測部係藉由推定演算法對前述預測值進行推定,前述推定演算法係藉由基於前述複數個狀態值各者的過去的實績值所進行的機械學習來獲得。
- 如請求項2所記載之支援裝置,其中前述指標計算演算法係基於針對各狀態值計算出的前述預測值以及實績值的履歷、與前述特定的控制對象裝置的運轉舉動的評價所學習而得。
- 如請求項3所記載之支援裝置,其中更具備:學習部,係基於針對各狀態值計算出的前述預測值以及實績值的履歷、與前述特定的控制對象裝置的運轉舉動的評價而機械學習前述指標計算演算法。
- 如請求項2至4中任一項所記載之支援裝置,其中前述指標包含 重要度以及緊急度,前述重要度係顯示給予前述特定的控制對象裝置的影響的大小,前述緊急度係顯示給予前述特定的控制對象裝置的影響的緊急性。
- 如請求項5所記載之支援裝置,其中更具備:顯示部,係於表示裝置表示前述重要度與前述緊急度。
- 如請求項6所記載之支援裝置,其中前述顯示部係表示取前述重要度與前述緊急度作為縱軸及橫軸描繪而成的矩陣。
- 如請求項6所記載之支援裝置,其中前述顯示部係將針對前述複數個狀態值各者計算出的前述差或差的變化率各自表示於前述表示裝置。
- 一種學習裝置,具備:評價取得部,係取得顯示複數個控制對象裝置的狀態的複數個狀態值的預測值以及實績值的履歷與特定的控制對象裝置的運轉舉動的評價;以及學習部,係基於前述履歷以及前述評價而機械學習指標計算演算法,前述指標計算演算法係用於計算指標,前述指標係表示在前述複數個控制對象裝置的運轉中前述複數個狀態值的預測值與實績值之間的差或差的變化率給予前述特定的控制對象裝置的運轉舉動的影響的大小。
- 一種廠房運轉條件設定支援系統,具備:支援裝置,係對廠房的運轉條件的設定進行支援;以及學習裝置,係學習前述支援裝置中使用的指標計算演算法;前述支援裝置係具備:狀態值取得部,係於前述廠房所包含的複數個控制對象裝置的運轉中取得顯示前述複數個控制對象裝置的狀態的複數個狀態值; 預測部,係基於從前述狀態值取得部所取得的複數個狀態值之各者而推定將來的預定的時間點中各狀態值的預測值;以及通報部,係在指標已與預定的條件一致的情形下通報已一致的意旨,前述指標係基於各狀態值與各預測值之間的差或差的變化率藉由前述指標計算演算法來進行計算而得,前述各狀態值係藉由前述狀態值取得部所取得的於前述預定的時間點中的各者的狀態值,前述各預測值係藉由前述預測部所推定的在前述預定的時間點或比前述預定的時間點更後面的時間點中的各者的預測值;前述學習裝置係具備:評價取得部,係取得顯示複數個控制對象裝置的狀態的複數個狀態值的預測值以及實績值的履歷、與特定的控制對象裝置的運轉舉動的評價;以及學習部,係基於前述履歷以及前述評價而學習前述指標計算演算法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
WOPCT/JP2018/022018 | 2018-06-08 | ||
PCT/JP2018/022018 WO2019234913A1 (ja) | 2018-06-08 | 2018-06-08 | 支援装置、学習装置、及びプラント運転条件設定支援システム |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202013110A TW202013110A (zh) | 2020-04-01 |
TWI710873B true TWI710873B (zh) | 2020-11-21 |
Family
ID=66821623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108110188A TWI710873B (zh) | 2018-06-08 | 2019-03-25 | 支援裝置、學習裝置以及廠房運轉條件設定支援系統 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210088986A1 (zh) |
JP (1) | JP6529690B1 (zh) |
AU (1) | AU2018426458B2 (zh) |
TW (1) | TWI710873B (zh) |
WO (1) | WO2019234913A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FI20195892A1 (en) * | 2019-10-16 | 2021-04-17 | Kemira Oyj | Diagnostic arrangement |
AU2020461851A1 (en) | 2020-08-05 | 2022-05-26 | Chiyoda Corporation | Method for managing plant, plant design device, and plant management device |
KR102594827B1 (ko) * | 2021-01-20 | 2023-10-26 | 한국수력원자력 주식회사 | 복수의 장치에 대한 작동예측시스템 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5748496A (en) * | 1993-06-04 | 1998-05-05 | Hitachi, Ltd. | Diagnosis system |
TW201024945A (en) * | 2008-12-16 | 2010-07-01 | Ind Tech Res Inst | A system for maintaining and analyzing manufacturing equipment and method therefor |
TW201202876A (en) * | 2010-01-29 | 2012-01-16 | Tokyo Electron Ltd | Method and system for self-learning and self-improving a semiconductor manufacturing tool |
JP2013145548A (ja) * | 2011-12-13 | 2013-07-25 | Yokogawa Electric Corp | アラーム表示装置およびアラーム表示方法 |
US20160202693A1 (en) * | 2015-01-09 | 2016-07-14 | Hitachi Power Solutions Co., Ltd. | Anomaly Diagnosis System and Anomaly Diagnosis Method |
TW201816530A (zh) * | 2016-09-27 | 2018-05-01 | 日商東京威力科創股份有限公司 | 異常檢測程式、異常檢測方法及異常檢測裝置 |
TW201819061A (zh) * | 2016-11-28 | 2018-06-01 | 東芝三菱電機產業系統股份有限公司 | 壓延設備的異常診斷之方法及裝置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5581459A (en) * | 1990-09-26 | 1996-12-03 | Hitachi, Ltd. | Plant operation support system |
JP2007536634A (ja) * | 2004-05-04 | 2007-12-13 | フィッシャー−ローズマウント・システムズ・インコーポレーテッド | プロセス制御システムのためのサービス指向型アーキテクチャ |
EP2891931B1 (en) * | 2012-08-29 | 2017-07-19 | Toyota Jidosha Kabushiki Kaisha | Plant control device |
JP5827426B1 (ja) * | 2015-01-09 | 2015-12-02 | 株式会社日立パワーソリューションズ | 予兆診断システム及び予兆診断方法 |
WO2016151744A1 (ja) * | 2015-03-24 | 2016-09-29 | 三菱電機株式会社 | プラント監視制御装置 |
JP6332154B2 (ja) * | 2015-06-11 | 2018-05-30 | 横河電機株式会社 | プラント運転支援装置、プラント運転支援方法、及びプログラム |
JP6682411B2 (ja) * | 2016-09-16 | 2020-04-15 | 横河電機株式会社 | プラント状態表示装置、プラント状態表示システム、及びプラント状態表示方法 |
JP6933899B2 (ja) * | 2017-01-12 | 2021-09-08 | 横河電機株式会社 | プラント運転支援装置、プラント運転支援方法、及びプラント運転支援プログラム |
-
2018
- 2018-06-08 JP JP2018558257A patent/JP6529690B1/ja active Active
- 2018-06-08 WO PCT/JP2018/022018 patent/WO2019234913A1/ja active Application Filing
- 2018-06-08 AU AU2018426458A patent/AU2018426458B2/en active Active
-
2019
- 2019-03-25 TW TW108110188A patent/TWI710873B/zh active
-
2020
- 2020-12-07 US US17/113,400 patent/US20210088986A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5748496A (en) * | 1993-06-04 | 1998-05-05 | Hitachi, Ltd. | Diagnosis system |
TW201024945A (en) * | 2008-12-16 | 2010-07-01 | Ind Tech Res Inst | A system for maintaining and analyzing manufacturing equipment and method therefor |
TW201202876A (en) * | 2010-01-29 | 2012-01-16 | Tokyo Electron Ltd | Method and system for self-learning and self-improving a semiconductor manufacturing tool |
JP2013145548A (ja) * | 2011-12-13 | 2013-07-25 | Yokogawa Electric Corp | アラーム表示装置およびアラーム表示方法 |
US20160202693A1 (en) * | 2015-01-09 | 2016-07-14 | Hitachi Power Solutions Co., Ltd. | Anomaly Diagnosis System and Anomaly Diagnosis Method |
TW201816530A (zh) * | 2016-09-27 | 2018-05-01 | 日商東京威力科創股份有限公司 | 異常檢測程式、異常檢測方法及異常檢測裝置 |
TW201819061A (zh) * | 2016-11-28 | 2018-06-01 | 東芝三菱電機產業系統股份有限公司 | 壓延設備的異常診斷之方法及裝置 |
Also Published As
Publication number | Publication date |
---|---|
US20210088986A1 (en) | 2021-03-25 |
JP6529690B1 (ja) | 2019-06-12 |
WO2019234913A1 (ja) | 2019-12-12 |
JPWO2019234913A1 (ja) | 2020-06-18 |
TW202013110A (zh) | 2020-04-01 |
AU2018426458B2 (en) | 2023-12-21 |
AU2018426458A1 (en) | 2020-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6810097B2 (ja) | 異常検出器 | |
CN107463161B (zh) | 预测飞行器中的故障的方法和系统以及监控系统 | |
JP6956028B2 (ja) | 故障診断装置及び機械学習装置 | |
US10809704B2 (en) | Process performance issues and alarm notification using data analytics | |
JP6276732B2 (ja) | 設備保全管理システムおよび設備保全管理方法 | |
TWI710873B (zh) | 支援裝置、學習裝置以及廠房運轉條件設定支援系統 | |
JP6933899B2 (ja) | プラント運転支援装置、プラント運転支援方法、及びプラント運転支援プログラム | |
US11175976B2 (en) | System and method of generating data for monitoring of a cyber-physical system for early determination of anomalies | |
US11152126B2 (en) | Abnormality diagnosis system and abnormality diagnosis method | |
US11687058B2 (en) | Information processing method and information processing apparatus used for detecting a sign of malfunction of mechanical equipment | |
JP6781594B2 (ja) | プラント監視装置及びプラント監視方法 | |
CN111867806A (zh) | 用于基于件的过程(批量制造)、特别是注射成型过程的自动的过程监控和过程诊断的方法和实施所述过程的机器或实施所述过程的机器总成 | |
CN110506244B (zh) | 用于在工业过程控制和自动化系统中合理化并且解决警报的装置和方法 | |
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 | |
JPWO2018216197A1 (ja) | 異常重要度算出システム、異常重要度算出装置、及び異常重要度算出プログラム | |
WO2021127646A1 (en) | Device and method for monitoring a system | |
US20180129947A1 (en) | Method and system for predicting the realization of a predetermined state of an object | |
JP6702297B2 (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
JP2011107760A (ja) | プラント異常検出装置 | |
US11665193B2 (en) | Method for managing plant, plant design device, and plant management device | |
CN116997867A (zh) | 用于预测技术设施的运行的方法和系统 | |
CN115427907A (zh) | 用于工业过程中的智能报警管理方法 | |
US11809175B2 (en) | Alarm management apparatus, alarm management method, and computer-readable recording medium | |
JP7416015B2 (ja) | 情報処理装置、アラーム予測方法およびアラーム予測プログラム | |
US20230152759A1 (en) | Information processing apparatus, information processing method, and computer program product |