WO2021111729A1 - 監視支援装置、および、監視支援方法 - Google Patents

監視支援装置、および、監視支援方法 Download PDF

Info

Publication number
WO2021111729A1
WO2021111729A1 PCT/JP2020/038023 JP2020038023W WO2021111729A1 WO 2021111729 A1 WO2021111729 A1 WO 2021111729A1 JP 2020038023 W JP2020038023 W JP 2020038023W WO 2021111729 A1 WO2021111729 A1 WO 2021111729A1
Authority
WO
WIPO (PCT)
Prior art keywords
monitoring
process value
control
plant
unit
Prior art date
Application number
PCT/JP2020/038023
Other languages
English (en)
French (fr)
Inventor
勇也 徳田
吉田　卓弥
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to US17/781,460 priority Critical patent/US20230004139A1/en
Publication of WO2021111729A1 publication Critical patent/WO2021111729A1/ja

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • 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
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34427—Diagnostic, monitoring incorporated in controller

Definitions

  • Managers of industrial plants are trying to improve the yield and efficiency of plants by introducing intelligent control that applies technologies in the field of artificial intelligence such as neural networks and reinforcement learning.
  • the intelligent control learning device derives the optimum control law from past plant operation data by statistical analysis.
  • a control device that operates according to the control law can realize high control performance only in the range where past plant operation data exists.
  • Patent Document 1 discloses a method of learning in advance the feature amount of a monitoring sensor signal by a predictive diagnosis function and creating a standard of the degree of deviation. When the degree of divergence reaches a certain threshold value, it is possible to switch to the degenerate operation.
  • the device can be protected by switching the control when the process value deviates from the margin.
  • it is difficult to set an appropriate margin If the margin is small, there is a risk of equipment damage, and if it is large, the operating time of artificial intelligence control will be shortened and plant efficiency will decrease.
  • the learned data is defined as an empirical range, and the control can be switched at an early stage by determining whether or not the artificial intelligence control can be supported based on the presence or absence of deviation from the range.
  • the main subject of the present invention is to provide useful information for reducing the monitoring load while monitoring the plant operator in an appropriate situation.
  • the monitoring support device of the present invention has the following features.
  • the present invention includes a control law storage unit that stores control rules that associate appropriate operation signals with process values that measure operation data of plant equipment.
  • a monitoring condition storage unit that stores monitoring conditions that correspond to the monitoring degree indicating the degree of necessity of monitoring with respect to the range of process values, and a monitoring condition storage unit. From the input process value, the plant control unit that obtains the operation signal to be output according to the control rule and outputs it to the plant equipment.
  • the monitoring necessity processing unit that notifies the plant operator of the monitoring degree to be output according to the monitoring conditions, and
  • the monitoring degree is associated with the current range of the process value based on the probability of transition from the current process value to the future process value. It is characterized by having a monitoring condition learning unit that creates the monitoring conditions and stores the monitoring conditions in the monitoring condition storage unit. Other means will be described later.
  • FIG. 1 It is a figure which shows the flow of the process performed by the monitoring necessity determination part which concerns on one Embodiment of this invention. It is a monitoring target table which shows an example of the normal range determination matrix R which concerns on one Embodiment of this invention. It is a table which shows the monitoring necessity signal about one Embodiment of this invention. It is a screen view displayed in the monitoring room which concerns on one Embodiment of this invention.
  • FIG. 1 is a block diagram of a plant control system.
  • the plant control system is configured by connecting the plant 29, the processing device 40, and the monitoring room 39 via a network.
  • the plant 29 is configured as, for example, a power plant or a chemical plant.
  • the plant 29 is an example of a control target, and may be applied to other control targets (automobiles, robots, trains, etc.).
  • the plant 29 operates by appropriately switching between machine learning control by the processing device 40 and manual control from the monitoring room 39. As a result, even when an unexpected situation occurs in which machine learning is not performed, the plant control system is stably controlled by intervening human judgment.
  • the processing device 40 is configured as a computer having a CPU (Central Processing Unit), a memory, a storage means (storage unit) such as a hard disk, and a network interface.
  • the CPU operates a control unit (control means) composed of each processing unit by executing a program (also called an application or an abbreviation for application) read in the memory.
  • the processing device 40 has a learning unit 41 that performs machine learning, and a control unit 42 that performs processing related to control of the plant 29 using the learning results of the learning unit 41.
  • the learning unit 41 includes an operation data storage unit 12, a control learning unit 21, a monitoring condition learning unit 31, and a state conversion table 31T.
  • the control unit 42 includes a control rule storage unit 23, a plant control unit 24, a monitoring condition storage unit 33, a monitoring necessity determination unit 34, and a monitoring target table 34T.
  • the components of these processing devices 40 are classified into the following two systems.
  • the system of automatic control is the operation data storage unit 12 ⁇ (operation data 13) ⁇ control learning unit 21 ⁇ (control rule 22) ⁇ control rule storage unit 23 ⁇ (control rule 22) ⁇ plant control unit 24 ⁇ ( Signals flow in the order of operation amount 25) ⁇ plant 29.
  • the relationship between the past process value 11 and the past control signal (operation amount 25) is learned in advance, and the optimum control signal (operation) for the process value 11 input from the plant 29 is learned. Signal) is output.
  • the manual control system consists of the operation data storage unit 12 ⁇ (operation data 13) ⁇ monitoring condition learning unit 31 ⁇ (monitoring condition signal 32) ⁇ monitoring condition storage unit 33 ⁇ (monitoring condition signal 32) ⁇ monitoring necessity. Signals flow in the order of determination unit 34 ⁇ (monitoring necessity signal 35) ⁇ monitoring room 39.
  • the relationship between the control signal (input process value 11 and output operation amount 25) and deviation from the range of the process value 11 for device protection (hereinafter, “protection range”) is established. Learn in advance. Then, when it is predicted that the control signal is out of the protection range as a result of monitoring the control signal, the plant operator is notified. As a result, the plant operator manually controls the plant 29 based on his / her own judgment.
  • the monitoring condition learning unit 31 inputs the operation data 13 stored in the operation data storage unit 12, refers to the state conversion table 31T, and outputs the monitoring condition signal 32.
  • the monitoring condition signal 32 is stored in the monitoring condition storage unit 33.
  • the monitoring condition signal 32 is a signal including information indicating the relationship that the control signals (process value 11 and operation amount 25) deviate from the protection range.
  • the monitoring necessity determination unit 34 inputs the monitoring condition signal 32 of the monitoring condition storage unit 33 and the process value 11 from the plant 29, and outputs the monitoring necessity signal 35.
  • the monitoring necessity signal 35 is a signal indicating the determination result of the monitoring necessity by the plant operator.
  • FIG. 2 is a flowchart showing the processing of the monitoring condition learning unit 31.
  • the monitoring condition learning unit 31 reads the process value 11 of the operation data 13 stored in the operation data storage unit 12 (S101).
  • the monitoring condition learning unit 31 converts the read process value 11 at each time into a state ID according to the state conversion table 31T (S102, details in FIGS. 3 and 4).
  • the monitoring condition learning unit 31 calculates the state transition matrix T one step ahead based on the state ID of each time converted in S102 (S103, details of FIG. 5).
  • the monitoring condition learning unit 31 calculates the attenuation type state transition matrix D from one step ahead to N step ahead from the state transition matrix T calculated in S103 (S104, details are FIG. 6).
  • the monitoring condition learning unit 31 stores the attenuation type state transition matrix D calculated in S104 as a monitoring condition signal 32 in the monitoring condition storage unit 33 (S105).
  • the monitoring condition learning unit 31 receives the time series graph of the process value 11, and by referring to the state conversion table 31T, the process value 11 is set for each step (total of 6 steps at times t1 to t6). Convert to state ID. For example, the process value 11 at time t1 is converted into the state ID “S1”, and the process value 11 at time t2 is converted into the state ID “S2”.
  • the time length of one step here is, for example, one hour. That is, the monitoring condition learning unit 31 converts the process value 11 in FIG. 3 into a transition list of state IDs of “S1 ⁇ S2 ⁇ S1 ⁇ S2 ⁇ S3 ⁇ S2” in order from time t1.
  • FIG. 5 is a table showing an example of the state transition matrix T.
  • the probability when a certain state indicated by the state ID is set as the transition source and the state of the next step is set as the transition destination is defined as the "next transition rate".
  • the state of the transition destination may remain the same as the state of the transition source, or may change to a state different from the state of the transition source.
  • the state transition matrix T determines the next transition rate in the combination of each state ID (S1, S2, ..., Sn) of the transition source and each state ID (S1, S2, ..., Sn) of the transition destination of the next step. Shown.
  • the next transition rate from 0 to 1 is input to each cell value, but in the following description, the next transition rate will be described as 0% to 100%.
  • the states that become the transition destination in the next step from the state ID “S1” have the next transition rate of 50% that remains in the same state ID "S1" and another state ID “S2".
  • the next transition rate is 50%.
  • Focusing on the state ID "S2" of the transition source the state that becomes the transition destination in the next step from the state ID "S2” has the next transition rate of 25% that remains in the same state ID "S2" and the state ID "S3". The case is divided into a transition rate of 50% and a transition rate of 25% for the state ID “S4”.
  • the state transition matrix T is created by performing aggregation such as transitioning to "S2" twice.
  • FIG. 6 is a diagram showing an example of the attenuation type state transition matrix D.
  • the attenuation type state transition matrix D is a table in which the transition rate for each combination of the transition source state and the transition destination state is stored, as in the state transition matrix T (reference numeral 321 is described later in FIG. 9). To do).
  • the difference between the decaying state transition matrix D and the state transition matrix T is that the state transition matrix T stores the next transition rate one step ahead, while the state transition matrix T stores N steps ahead (ideally infinite). Store the long-term transition rate up to the step destination).
  • the monitoring condition learning unit 31 calculates the long-term transition rate of the attenuation type state transition matrix D from the next transition rate of the state transition matrix T according to the following (Formula 1).
  • D T + ⁇ T 2 + ⁇ 2 T 3 + ⁇ 3 T 4 + ... + ⁇ ⁇ -1 T ⁇ ...
  • ⁇ is a constant called the attenuation factor, which is 0 or more and less than 1.
  • the first term (T) on the right side of the equation 1 is a term indicating the next step
  • the second term ( ⁇ T 2 ) on the right side is a term indicating two steps ahead.
  • FIG. 7 is a diagram showing a flow of processing performed by the monitoring necessity determination unit 34.
  • the monitoring necessity determination unit 34 reads the process value 11 from the plant 29 (S201), reads the monitoring condition signal 32 from the monitoring condition storage unit 33 (S202), and normally reads the monitoring target table 34T input in advance from the administrator. It is read as a range determination matrix R (S203, details are shown in FIG. 8). Then, the monitoring necessity determination unit 34 obtains the current state ID from the current process value 11 in the same manner as in S102, and calculates the monitoring necessity signal 35 when the current state ID is used as the transition source (S204). The details are shown in Fig. 9). The monitoring condition signal 32 and the normal range determination matrix R are used in the calculation of the monitoring necessity signal 35. Further, the monitoring necessity determination unit 34 transfers the result of the monitoring necessity signal 35 calculated in S204 to the monitoring room 39 and displays it on the screen (S205, details of FIG. 10).
  • FIG. 9 is a table showing the monitoring necessity signal 35.
  • the current state ID transition source
  • the long-term transition rate when the state ID "S3" outside the normal range is set as the transition destination
  • the monitoring degree of the current state corresponding to the long-term transition rate are displayed.
  • the monitoring necessity signal 35 it is associated with the monitoring necessity signal 35. That is, even if the current state ID is other than the state ID “S3”, the higher the long-term transition rate to the future state ID “S3”, the more the plant operator needs to monitor.
  • the equipment of the plant 29 whose current state IDs are S1, S2, and S6 is excluded from the monitoring target, and the monitoring can be performed in a sharp manner according to the degree of monitoring.
  • the monitoring necessity determination unit 34 switches to the plant 29 via the plant control unit 24 when it predicts that the monitoring necessity signal 35 deviates from the protection range, such as when the monitoring necessity signal 35 is “monitoring required”. A control signal to that effect may be transmitted.
  • the monitoring necessity determination unit 34 calculates the monitoring necessity signal 35 by the following (formula 3).
  • V DR tr ...
  • tr indicates the transpose symbol of the matrix.
  • the column (reference numeral 321) whose transition destination in FIG. 6 is S3 is transposed and normalized by (Formula 3). The result is the transition rate of the monitoring necessity signal 35 in FIG.
  • FIG. 10 is a screen view displayed in the monitoring room 39.
  • On the display screen for each plant 29 (or for each device in the plant 29), there is a display column for the three levels of monitoring degree shown in FIG. 9 (three buttons in which the current monitoring degree is emphasized). , The display column (bar graph) of the long-term transition rate of the monitoring necessity signal 35 is associated with. From this display screen, the plant operator can efficiently confirm the control status of the entire plant 29. For example, in FIG. 10, the plant operator is most vigilant for the third plant, and then decreases the degree of vigilance in the order of the first plant and the second plant. Allocation is possible.
  • the monitoring necessity determination unit 34 notifies the monitoring room 39 not only the monitoring necessity signal 35 but also various signals (1) to (3) illustrated below as signals to be notified to the monitoring room 39. You may ask the plant operator to confirm it as appropriate.
  • the processing device 40 that mainly performs intellectual control and intelligent monitoring for industrial plants has been described.
  • the monitoring condition learning unit 31 of the processing device 40 learns in advance the relationship between the control signal and the deviation from the protection range, and stores it in the monitoring condition storage unit 33.
  • the monitoring necessity determination unit 34 refers to the monitoring condition storage unit 33, obtains a monitoring necessity signal 35 indicating the degree of necessity of monitoring in the state of the current process value 11, and obtains the monitoring necessity signal 35. Is notified to the monitoring room 39.
  • the plant operator does not need to be centrally monitored at all times, so that the monitoring load of the plant operator can be reduced.
  • the learning unit 41 of the processing device 40 shares the operation data 13 read from the operation data storage unit 12 between the automatic control system (control learning unit 21) and the manual control system (monitoring condition learning unit 31). It is used as training data.
  • the monitoring condition learning unit 31 is newly added as the second learning unit to the intellectual control system introduced by the control learning unit 21 as the first learning unit, new operation data and physics There is no need to develop a simulator, and the man-hours required for additional installation can be reduced.
  • the present invention is not limited to the above-described embodiment, and includes various modifications.
  • the above-described embodiment has been described in detail in order to explain the present invention in an easy-to-understand manner, and is not necessarily limited to those having all the described configurations.
  • it is possible to replace a part of the configuration of one embodiment with the configuration of another embodiment and it is also possible to add the configuration of another embodiment to the configuration of one embodiment.
  • each of the above configurations, functions, processing units, processing means and the like may be realized by hardware by designing a part or all of them by, for example, an integrated circuit.
  • each of the above configurations, functions, and the like may be realized by software by the processor interpreting and executing a program that realizes each function.
  • control lines and information lines indicate those that are considered necessary for explanation, and do not necessarily indicate all the control lines and information lines in the product. In practice, it can be considered that almost all configurations are interconnected.
  • the communication means for connecting each device is not limited to the wireless LAN, and may be changed to a wired LAN or other communication means.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

処理装置（４０）は、入力されたプロセス値（１１）から、制御則（２２）に従って出力する操作量（２５）を求めてプラント機器に出力するプラント制御部（２４）と、入力されたプロセス値（１１）から、監視条件信号（３２）に従って出力する監視度を求めてプラント運転員に通知する監視要否判定部（３４）と、プロセス値（１１）の履歴データが学習データとして入力されると、現在のプロセス値（１１）から将来のプロセス値（１１）へ遷移する確率をもとに、現在のプロセス値（１１）の範囲に対して監視度を対応づけた監視条件信号（３２）を監視条件記憶部（３３）に記憶させる監視条件学習部（３１）と、を有する。

Description

監視支援装置、および、監視支援方法
　本発明は、監視支援装置、および、監視支援方法に関わる。
　産業プラント（発電・化学など）の管理者は、ニューラルネットワーク、強化学習などの人工知能分野の技術を応用した知的制御を導入することによって、プラントの収率・効率向上を試みている。知的制御の学習装置は、過去のプラント運転データから統計的な解析によって最適な制御則を導出する。制御則に沿って動作する制御装置は、過去のプラント運転データが存在する範囲に限り、高い制御性能を実現できる。
　一方、過去のプラント運転データが存在しない範囲では、プラント構成機器の保護が必要となる。
　特許文献１には、プラントのシミュレータと制御装置のイタレーション計算によって将来のプラント状態を予測し、プラント構成機器の保護機能を起動させず尚且つプラント状態を正常とするように、操作量の制限値を最適に選択する方法が開示されている。
　特許文献２には、監視用センサ信号の特徴量を予兆診断機能によって予め学習させ、乖離度の基準を作成する方法が開示されている。乖離度がある閾値に達していた場合には、縮退運転に切り替えることができる。
特開昭６０－９３５０７号公報 特開２０１８－０６０３８７号公報
　特許文献１に記載のように、プロセス値がマージンを逸脱した際に制御を切り替えることで機器の保護が可能となる。その一方、適切なマージンを設定が困難である。マージンが小さいと機器が損傷するリスクがあり、大きいと人工知能制御の作動時間が短くなり、プラント効率が落ちる。
　特許文献２に記載のように、学習したデータを経験範囲と定義し、その範囲の逸脱有無によって人工知能制御が対応可能か否かを判定することで、早い段階で制御を切り替えることができる。しかし、人的に設定した制約との関連性を定義することが困難であり、判定精度の向上が難しい。
　そのため、プラント運転員がプロセス値を監視して、通常制御モードか保護制御モードかの切り替えを判断することで、その場に応じた最適な制御モードが採用されることが期待される。しかし、プラント運転員が全ての時間帯で全てのプラントの制御モードを判断すると、プラント運転員の監視負荷が大きくなってしまい、人的疲労が発生する。
　一方で、プラント運転員が特に警戒する場面も存在する。例えば、知的制御システムをプラントへ適用した初期段階では、想定したレベルへ制御性能を上げるためにシステムを微調整する。この際、例えば新たに取得したデータで再学習する必要がある場合、調整に要する時間は予測困難である。この調整期間は、プラント運転員が特に警戒して、プラントの安定制御に努める必要がある。
　そこで、本発明は、プラント運転員を適切な状況で監視させつつ、その監視負荷を削減するために役立つ情報を提供することを、主な課題とする。
　前記課題を解決するために、本発明の監視支援装置は、以下の特徴を有する。
　本発明は、プラント機器の運転データを計測したプロセス値に対して適した操作信号を対応づけた制御則が記憶される制御則記憶部と、
　前記プロセス値の範囲に対して監視要否の度合いを示す監視度を対応づけた監視条件が記憶される監視条件記憶部と、
　入力された前記プロセス値から、前記制御則に従って出力する前記操作信号を求めてプラント機器に出力するプラント制御部と、
　入力された前記プロセス値から、前記監視条件に従って出力する監視度を求めてプラント運転員に通知する監視要否処理部と、
　前記プロセス値の履歴データが学習データとして入力されると、現在の前記プロセス値から将来の前記プロセス値へ遷移する確率をもとに、現在の前記プロセス値の範囲に対して監視度を対応づけて前記監視条件を作成し、その監視条件を前記監視条件記憶部に記憶させる監視条件学習部と、を有することを特徴とする。
　その他の手段は、後記する。
　本発明によれば、プラント運転員を適切な状況で監視させつつ、その監視負荷を削減するために役立つ情報を提供することができる。
本発明の一実施形態に関するプラント制御システムの構成図である。 本発明の一実施形態に関する監視条件学習部の処理を示すフローチャートである。 本発明の一実施形態に関する運転データのプロセス値を示す時系列グラフである。 本発明の一実施形態に関する状態変換テーブルの構成図である。 本発明の一実施形態に関する状態遷移行列Ｔの一例を示すテーブルである。 本発明の一実施形態に関する減衰型状態遷移行列Ｄの一例を示す図である。 本発明の一実施形態に関する監視要否判定部が行う処理のフローを示す図である。 本発明の一実施形態に関する正常範囲判定行列Ｒの一例を示す監視対象テーブルである。 本発明の一実施形態に関する監視要否信号を示すテーブルである。 本発明の一実施形態に関する監視室で表示される画面図である。
　以下、本発明の一実施形態を、図面を参照して詳細に説明する。
　図１は、プラント制御システムの構成図である。
　プラント制御システムは、プラント２９と、処理装置４０と、監視室３９とがネットワークで接続されて構成される。
　プラント２９は、例えば、発電プラントや化学プラントとして構成される。なお、プラント２９は、制御対象の一例であり、その他の制御対象（自動車、ロボット、電車など）に応用してもよい。プラント２９は、処理装置４０による機械学習制御、および、監視室３９からの手動制御を適宜切り替えて動作する。これにより、機械学習が行われていない想定外の状況が発生したときでも、人間の判断を介入させることで、プラント制御システムは、安定して制御される。
　処理装置４０は、ＣＰＵ（Central Processing Unit）と、メモリと、ハードディスクなどの記憶手段（記憶部）と、ネットワークインタフェースとを有するコンピュータとして構成される。
　このコンピュータは、ＣＰＵが、メモリ上に読み込んだプログラム（アプリケーションや、その略のアプリとも呼ばれる）を実行することにより、各処理部により構成される制御部（制御手段）を動作させる。
　処理装置４０は、機械学習を行う学習部４１と、学習部４１の学習結果を用いてプラント２９の制御に関する処理を行う制御部４２とを有する。学習部４１は、運転データ記憶部１２と、制御学習部２１と、監視条件学習部３１と、状態変換テーブル３１Ｔとを有する。制御部４２は、制御則記憶部２３と、プラント制御部２４と、監視条件記憶部３３と、監視要否判定部３４と、監視対象テーブル３４Ｔとを有する。
　これらの処理装置４０の構成要素は、以下の２系統に分類される。
　（１）自動制御の系統は、運転データ記憶部１２→（運転データ１３）→制御学習部２１→（制御則２２）→制御則記憶部２３→（制御則２２）→プラント制御部２４→（操作量２５）→プラント２９の順に信号が流れる。
　この自動制御の系統では、過去のプロセス値１１と、過去の制御信号（操作量２５）との関係を事前に学習し、プラント２９から入力されたプロセス値１１に対して最適な制御信号（操作信号）を出力する。
　（２）手動制御の系統は、運転データ記憶部１２→（運転データ１３）→監視条件学習部３１→（監視条件信号３２）→監視条件記憶部３３→（監視条件信号３２）→監視要否判定部３４→（監視要否信号３５）→監視室３９の順に信号が流れる。
　この手動制御の系統では、制御信号（入力されるプロセス値１１および出力する操作量２５）と、機器保護用のプロセス値１１の範囲（以下、「保護範囲」）を逸脱することとの関係を事前に学習しておく。そして、制御信号を監視した結果、保護範囲を逸脱すると予測した場合に、プラント運転員へ通知する。これにより、プラント運転員は、自身の判断を元にプラント２９を手動制御する。
　運転データ記憶部１２には、プラント２９の運転状態を表すプロセス値１１が運転データ１３として記憶される。運転データ１３とは、プロセス値１１の時系列データである。
　制御学習部２１は、運転データ記憶部１２に記憶された運転データ１３を入力とし、制御則２２を学習して制御則記憶部２３に出力する。制御学習部２１は、例えば、運転データ１３を学習データとしたニューラルネットワーク理論に基づいて構築した学習済みネットワークを最適な制御則２２とする。または、制御学習部２１は、プロセス値１１に対する操作量２５の関数を求め、その関数を制御則２２としてもよい。
　プラント制御部２４は、制御則記憶部２３の制御則２２に対して、プロセス値１１を入力信号とすることで、その出力信号を操作量２５として計算する。この操作量２５は、制御信号としてプラント２９に入力される。
　監視条件学習部３１は、運転データ記憶部１２に記憶された運転データ１３を入力とし、状態変換テーブル３１Ｔを参照して、監視条件信号３２を出力する。
　監視条件記憶部３３には、監視条件信号３２が記憶される。監視条件信号３２は、制御信号（プロセス値１１および操作量２５）がそれぞれ保護範囲を逸脱することの関係性を表す情報を含む信号である。
　監視要否判定部３４は、監視条件記憶部３３の監視条件信号３２と、プラント２９からのプロセス値１１とを入力とし、監視要否信号３５を出力する。監視要否信号３５は、プラント運転員による監視要否の判定結果を示す信号である。
　図２は、監視条件学習部３１の処理を示すフローチャートである。
　監視条件学習部３１は、運転データ記憶部１２に記憶された運転データ１３のプロセス値１１を読み込む（Ｓ１０１）。監視条件学習部３１は、読み込んだ各時刻のプロセス値１１を、状態変換テーブル３１Ｔに従い状態ＩＤに変換する（Ｓ１０２、詳細は図３，図４）。
　監視条件学習部３１は、Ｓ１０２で変換された各時刻の状態ＩＤをもとに、１ステップ先の状態遷移行列Ｔを計算する（Ｓ１０３、詳細は図５）。監視条件学習部３１は、Ｓ１０３で計算された状態遷移行列Ｔから、１ステップ先からＮステップ先までの減衰型状態遷移行列Ｄを計算する（Ｓ１０４、詳細は図６）。監視条件学習部３１は、Ｓ１０４で計算した減衰型状態遷移行列Ｄを監視条件信号３２として監視条件記憶部３３に記憶させる（Ｓ１０５）。
　図３は、運転データ１３のプロセス値１１を示す時系列グラフである。
　温度などのプロセス値１１の計測データは、時系列グラフとして運転データ記憶部１２に記憶される。ここで、計測データは、図４の状態変換テーブル３１Ｔに事前に登録された数値範囲に応じて、いずれかの状態ＩＤに区分される。
　図４は、状態変換テーブル３１Ｔの構成図である。
　状態変換テーブル３１Ｔは、温度、圧力、流量などのプロセス値１１の種別ごとに、その数値範囲と状態ＩＤとを対応づける。プロセス値１１は、ある任意のプラント２９を構成する機器内部の計測データである。状態ＩＤとは、プロセス値１１のパターンを番号で分類したものである。
　状態ＩＤ「Ｓ１」は、温度が２９５－３００［℃］、かつ、圧力が３．４－３．５［MPa］、かつ、流量が０．０－０．５［t/h］の範囲内にある状態である。状態ＩＤ「Ｓ２」は、温度が３００－３０５［℃］、かつ、圧力が３．４－３．５［MPa］、かつ、流量が０．０－０．５［t/h］の範囲内にある状態である。
　なお、図４では上限から下限までの数値範囲に区切って状態ＩＤを割り当てたが、プラント２９の内部状態を示すデータとして、例えば連続値を用いてもよい。
　図３に戻って、監視条件学習部３１は、プロセス値１１の時系列グラフを受け、状態変換テーブル３１Ｔを参照することで、ステップごとに（時刻ｔ１～ｔ６なら合計６ステップ）プロセス値１１を状態ＩＤに変換する。例えば、時刻ｔ１のプロセス値１１は状態ＩＤ「Ｓ１」に変換され、時刻ｔ２のプロセス値１１は状態ＩＤ「Ｓ２」に変換される。ここでの１ステップの時間長は、例えば１時間である。
　つまり、監視条件学習部３１は、図３のプロセス値１１を、時刻ｔ１から順に「Ｓ１→Ｓ２→Ｓ１→Ｓ２→Ｓ３→Ｓ２」という状態ＩＤの遷移リストに変換する。
　図５は、状態遷移行列Ｔの一例を示すテーブルである。
　状態ＩＤで示されたある状態を遷移元とし、次ステップの状態を遷移先としたときの確率を「次遷移率」とする。遷移先の状態は、遷移元の状態と同じ状態に留まることもあるし、遷移元の状態とは異なる状態に変化することもある。
　状態遷移行列Ｔは、遷移元の各状態ＩＤ（Ｓ１，Ｓ２，…，Ｓｎ）と、その次ステップの遷移先の各状態ＩＤ（Ｓ１，Ｓ２，…，Ｓｎ）との組み合わせにおける次遷移率を示す。各セル値には０～１までの次遷移率が入力されるが、以下の説明では、次遷移率を0%～100%として説明する。
　遷移元の状態ＩＤ「Ｓ１」に着目すると、その状態ＩＤ「Ｓ１」から次ステップで遷移先となる状態は、同じ状態ＩＤ「Ｓ１」に留まる次遷移率50%と、別の状態ＩＤ「Ｓ２」に遷移する次遷移率50%とに場合分けされる。遷移元の状態ＩＤ「Ｓ２」に着目すると、その状態ＩＤ「Ｓ２」から次ステップで遷移先となる状態は、同じ状態ＩＤ「Ｓ２」に留まる次遷移率25%と、状態ＩＤ「Ｓ３」に遷移する次遷移率50%と、状態ＩＤ「Ｓ４」に遷移する次遷移率25%とに場合分けされる。
　監視条件学習部３１は、例えば、図３から作成した遷移リスト「Ｓ１→Ｓ２→Ｓ１→Ｓ２→Ｓ３→Ｓ２」から、遷移元の状態ＩＤ「Ｓ１」に着目すると、その次ステップでは状態ＩＤ「Ｓ２」に２回遷移するなどの集計を行うことで、状態遷移行列Ｔを作成する。
　図６は、減衰型状態遷移行列Ｄの一例を示す図である。
　減衰型状態遷移行列Ｄは、状態遷移行列Ｔと同様に、遷移元の状態と、遷移先の状態との組み合わせごとの遷移率が記憶されたテーブルである（符号３２１は図９の説明で後記する）。減衰型状態遷移行列Ｄと状態遷移行列Ｔとの違いは、状態遷移行列Ｔが１ステップ先の次遷移率を格納するのに対し、状態遷移行列ＴがＮステップ先（理想的には無限大ステップ先）までの長期遷移率を格納する。
　監視条件学習部３１は、１ステップ分の次遷移率を累積することで、長期遷移率を計算する。例えば、状態遷移行列Ｔにおいて、時刻ｔ１での遷移元の状態ＩＤ「Ｓ１」に着目すると、時刻ｔ２での次遷移率は状態ＩＤ「Ｓ１」（50%）または状態ＩＤ「Ｓ２」（50%）となる。仮に、時刻ｔ２で状態ＩＤ「Ｓ２」に遷移したとすると、遷移元の状態ＩＤ「Ｓ２」から状態遷移行列Ｔにおいて、時刻ｔ３での遷移先の状態ＩＤ「Ｓ３」（50%）が高い次遷移率である。よって、時刻ｔ１での遷移元の状態ＩＤ「Ｓ１」から、遷移先の状態ＩＤ「Ｓ３」への長期遷移率は、50%×50%＝25%である（正確には、25%に対して下記の減衰率γを乗算する）。
　つまり、監視条件学習部３１は、以下の（数式１）に従って、状態遷移行列Ｔの次遷移率から減衰型状態遷移行列Ｄの長期遷移率を計算する。
　Ｄ＝Ｔ＋γＴ２＋γ２Ｔ３＋γ３Ｔ４＋…＋γ∞－１Ｔ∞　…（数式１）
　ここで、γは減衰率とよぶ０以上で１未満の定数である。数式１の右辺第１項（Ｔ）は次ステップを示す項、右辺第２項（γＴ２）は２ステップ先を示す項である。
　（数式１）で示したように、現在のステップ（時刻）から、遷移先までのステップ数が多くなるほど（遠い未来になるほど）、減衰率γの重みが大きくなることで、１ステップ当たりの次遷移率の影響が減衰する。よって、状態遷移行列Ｔと区別するために、減衰型状態遷移行列Ｄと呼ぶことにした。
　なお、（数式１）は以下のように（数式２）に変形できる。ここで、Ｅは単位行列である。
　Ｄ＝Ｔ（Ｅ－γＴ）－１　…（数式２）
　図７は、監視要否判定部３４が行う処理のフローを示す図である。
　監視要否判定部３４は、プラント２９からプロセス値１１を読み込み（Ｓ２０１）、監視条件記憶部３３から監視条件信号３２を読み込み（Ｓ２０２）、事前に管理者から入力された監視対象テーブル３４Ｔを正常範囲判定行列Ｒとして読み込む（Ｓ２０３、詳細は図８）。
　そして、監視要否判定部３４は、現在のプロセス値１１からＳ１０２と同様に現在の状態ＩＤを求め、その現在の状態ＩＤを遷移元としたときの、監視要否信号３５を計算する（Ｓ２０４、詳細は図９）。この監視要否信号３５の計算には、監視条件信号３２と、正常範囲判定行列Ｒとが用いられる。
　さらに、監視要否判定部３４は、Ｓ２０４で計算した監視要否信号３５の結果を監視室３９へ転送して画面に表示させる（Ｓ２０５、詳細は図１０）。
　図８は、正常範囲判定行列Ｒの一例を示す監視対象テーブル３４Ｔである。
　正常範囲判定行列Ｒは、遷移元の各状態ＩＤについて、プラント構成機器の正常範囲（保護範囲）内か範囲外の異常状態かを記憶した行列である。異常行の値「0.00」が正常範囲内、値「1.00」が正常範囲外を示しており、図８では状態ＩＤ「Ｓ３」がプラント構成機器の正常範囲外である。
　図９は、監視要否信号３５を示すテーブルである。
　このテーブルには、現在の状態ＩＤ（遷移元）と、正常範囲外の状態ＩＤ「Ｓ３」を遷移先としたときの長期遷移率と、その長期遷移率に対応した現在の状態の監視度とが、監視要否信号３５として、対応づけられている。つまり、現在の状態ＩＤが状態ＩＤ「Ｓ３」以外であっても、将来的な状態ＩＤ「Ｓ３」への長期遷移率が高い状態ＩＤほど、プラント運転員による監視を必要とする。
　そこで、監視度は３段階とし、監視が必要な順に、長期遷移率80%以上の状態ＩＤを「要監視」とし、長期遷移率60%以上の状態ＩＤを「要警戒」とし、長期遷移率60%未満の状態ＩＤを「通常運転」とした。これにより、監視室３９のプラント運転員は、現在の状態ＩＤがＳ３，Ｓ５であるプラント２９の機器を最優先に監視し、現在の状態ＩＤがＳ４であるプラント２９の機器を次に監視し、現在の状態ＩＤがＳ１，Ｓ２，Ｓ６であるプラント２９の機器を監視対象から外すなど、監視度に応じたメリハリのある監視ができる。
　なお、監視要否判定部３４は、監視要否信号３５が「要監視」のときなど、保護範囲を逸脱すると予測した場合に、プラント制御部２４を介してプラント２９に「保護制御回路へ切り替える」旨の制御信号を送信してもよい。
　監視要否判定部３４は、以下の（数式３）により、監視要否信号３５を計算する。
　Ｖ＝ＤＲｔｒ　…（数式３）
　ここで、数式３の左辺「Ｖ」は正常範囲外へ長期遷移率を示し、ｔｒは行列の転置記号を示す。例えば、図８の正常範囲判定行列Ｒは、状態ＩＤ「Ｓ３」だけが値「1.00」なので、図６の遷移先がＳ３の列（符号３２１）を（数式３）により転置して正規化した結果が、図９の監視要否信号３５の遷移率となる。
　図１０は、監視室３９で表示される画面図である。
　表示画面には、プラント２９ごとに（またはプラント２９内の機器ごとに）、図９で示した３段階の監視度の表示欄（３つのボタンのうち現在の監視度が強調されたもの）と、監視要否信号３５の長期遷移率の表示欄（棒グラフ）とが対応づけられている。
　この表示画面により、プラント運転員は、プラント２９全体の制御の状況を効率的に確認できる。例えば、図１０では、プラント運転員は、第３プラントを最も警戒し、その次の第１プラント、第２プラントの順に警戒度合いを落としていくように、現状のプラント２９に合った集中力の配分が可能となる。
　なお、監視要否判定部３４は、監視室３９に通知する信号として、監視要否信号３５だけでなく、以下に例示する各種信号（１）～（３）を監視室３９に通知して、適宜プラント運転員に確認させてもよい。
　（１）ディープラーニングのＲＮＮ（Recurrent Neural Network）やシミュレータを用いることで計算した、数分程度の先のプロセス値１１の予測値。この予測値が保護範囲からの逸脱を確認したプラント運転員は、早い段階で自動制御から手動制御への切替を判断できる。
　（２）制御学習部２１により学習された制御則２２（内部モデル）の精度をリアルタイムに評価した情報。これにより、プラント運転員は、内部モデルの精度が劣化したときには、人工知能制御の更新タイミングや、保護回路への切替判定を実行するように指示することができる。
　（３）フルブレーキ操作やフルスロットル操作などで最大操作量を継続して入力したと仮定した場合の、各プロセス値１１のピーク値の算出結果。これにより、プラント運転員は、ピーク値が保護範囲を逸脱している場合にも、制御を切り替えることができる。
　以上説明した本実施形態では、主として産業プラント向けの知的制御および知的監視を行う処理装置４０を説明した。処理装置４０の監視条件学習部３１が制御信号と保護範囲を逸脱することの関係を事前に学習して監視条件記憶部３３に記憶させる。そして、監視要否判定部３４は、監視条件記憶部３３を参照して、現在のプロセス値１１の状態における監視の必要性の程度を示す監視要否信号３５を求め、その監視要否信号３５を監視室３９に通知する。
　これにより、プラント運転員は、常時集中して監視する必要性が下がるため、プラント運転員の監視負荷を軽減することができる。
　また、処理装置４０の学習部４１は、運転データ記憶部１２から読み取った運転データ１３を、自動制御の系統（制御学習部２１）と、手動制御の系統（監視条件学習部３１）とで共通した学習データとして用いる。
　これにより、制御学習部２１が第１の学習部として導入済みの知的制御システムに対して、新たに監視条件学習部３１を第２の学習部として追加した場合でも、新たな運転データや物理シミュレータを開発する必要がなくなり、追加の導入に必要な工数を削減することができる。
　なお、本発明は前記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、前記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。
　また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。
　また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。また、上記の各構成、機能、処理部、処理手段などは、それらの一部または全部を、例えば集積回路で設計するなどによりハードウェアで実現してもよい。
　また、前記の各構成、機能などは、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。
　各機能を実現するプログラム、テーブル、ファイルなどの情報は、メモリや、ハードディスク、ＳＳＤ（Solid State Drive）などの記録装置、または、ＩＣ（Integrated Circuit）カード、ＳＤカード、ＤＶＤ（Digital Versatile Disc）などの記録媒体におくことができる。
　また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際にはほとんど全ての構成が相互に接続されていると考えてもよい。
　さらに、各装置を繋ぐ通信手段は、無線ＬＡＮに限定せず、有線ＬＡＮやその他の通信手段に変更してもよい。
　１１　　プロセス値
　１２　　運転データ記憶部
　１３　　運転データ
　２１　　制御学習部
　２２　　制御則
　２３　　制御則記憶部
　２４　　プラント制御部
　２５　　操作量（操作信号）
　２９　　プラント
　３１　　監視条件学習部
　３１Ｔ　状態変換テーブル
　３２　　監視条件信号（監視条件）
　３３　　監視条件記憶部
　３４　　監視要否判定部（監視要否処理部）
　３４Ｔ　監視対象テーブル
　３５　　監視要否信号
　３９　　監視室
　４０　　処理装置（監視支援装置）
　４２　　制御部
　４１　　学習部

Claims (5)

  1. 　プラント機器の運転データを計測したプロセス値に対して適した操作信号を対応づけた制御則が記憶される制御則記憶部と、
    　前記プロセス値の範囲に対して監視要否の度合いを示す監視度を対応づけた監視条件が記憶される監視条件記憶部と、
    　入力された前記プロセス値から、前記制御則に従って出力する前記操作信号を求めてプラント機器に出力するプラント制御部と、
    　入力された前記プロセス値から、前記監視条件に従って出力する監視度を求めてプラント運転員に通知する監視要否処理部と、
    　前記プロセス値の履歴データが学習データとして入力されると、現在の前記プロセス値から将来の前記プロセス値へ遷移する確率をもとに、現在の前記プロセス値の範囲に対して監視度を対応づけて前記監視条件を作成し、その監視条件を前記監視条件記憶部に記憶させる監視条件学習部と、を有することを特徴とする
    　監視支援装置。
  2. 　前記監視支援装置は、さらに、前記監視条件学習部に対して学習データとして入力された前記プロセス値の履歴データをもとに、出力された前記操作信号を対応づけた前記制御則を作成し、その制御則を前記制御則記憶部に記憶させる制御学習部を有することを特徴とする
    　請求項１に記載の監視支援装置。
  3. 　前記監視要否処理部は、監視度を求めて前記プラント運転員に通知する制御として、要監視および監視不要を含む３段階以上の監視度を区別できるようにして表示装置に表示させることを特徴とする
    　請求項１に記載の監視支援装置。
  4. 　前記監視要否処理部は、監視度が要監視のときに、前記プラント制御部を介してプラント機器に保護制御の信号を出力させることを特徴とする
    　請求項３に記載の監視支援装置。
  5. 　監視支援装置は、制御則記憶部と、監視条件記憶部と、プラント制御部と、監視要否処理部と、監視条件学習部とを有しており、
    　前記制御則記憶部には、プラント機器の運転データを計測したプロセス値に対して適した操作信号を対応づけた制御則が記憶されており、
    　前記監視条件記憶部には、前記プロセス値の範囲に対して監視要否の度合いを示す監視度を対応づけた監視条件が記憶されており、
    　前記プラント制御部は、入力された前記プロセス値から、前記制御則に従って出力する前記操作信号を求めてプラント機器に出力し、
    　前記監視要否処理部は、入力された前記プロセス値から、前記監視条件に従って出力する監視度を求めてプラント運転員に通知し、
    　前記監視条件学習部は、前記プロセス値の履歴データが学習データとして入力されると、現在の前記プロセス値から将来の前記プロセス値へ遷移する確率をもとに、現在の前記プロセス値の範囲に対して監視度を対応づけて前記監視条件を作成し、その監視条件を前記監視条件記憶部に記憶させることを特徴とする
    　監視支援方法。
PCT/JP2020/038023 2019-12-03 2020-10-07 監視支援装置、および、監視支援方法 WO2021111729A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/781,460 US20230004139A1 (en) 2019-12-03 2020-10-07 Monitoring support device and monitoring support method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-218643 2019-12-03
JP2019218643A JP2021089505A (ja) 2019-12-03 2019-12-03 監視支援装置、および、監視支援方法

Publications (1)

Publication Number Publication Date
WO2021111729A1 true WO2021111729A1 (ja) 2021-06-10

Family

ID=76220656

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/038023 WO2021111729A1 (ja) 2019-12-03 2020-10-07 監視支援装置、および、監視支援方法

Country Status (3)

Country Link
US (1) US20230004139A1 (ja)
JP (1) JP2021089505A (ja)
WO (1) WO2021111729A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0954611A (ja) * 1995-08-18 1997-02-25 Hitachi Ltd プロセス制御装置
WO2012025968A1 (ja) * 2010-08-27 2012-03-01 株式会社 日立製作所 機器状態診断システム
JP2012146269A (ja) * 2011-01-14 2012-08-02 Nippon Steel Corp 製造プロセスの操業支援装置、方法及びプログラム
US20150106058A1 (en) * 2013-10-15 2015-04-16 General Electric Company Systems and methods for improved reliability operations
JP2016091139A (ja) * 2014-10-31 2016-05-23 株式会社日立ハイテクノロジーズ 故障原因分類装置
JP2018067065A (ja) * 2016-10-17 2018-04-26 三菱重工業株式会社 情報処理方法、情報処理装置、プログラム、及び情報処理システム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0954611A (ja) * 1995-08-18 1997-02-25 Hitachi Ltd プロセス制御装置
WO2012025968A1 (ja) * 2010-08-27 2012-03-01 株式会社 日立製作所 機器状態診断システム
JP2012146269A (ja) * 2011-01-14 2012-08-02 Nippon Steel Corp 製造プロセスの操業支援装置、方法及びプログラム
US20150106058A1 (en) * 2013-10-15 2015-04-16 General Electric Company Systems and methods for improved reliability operations
JP2016091139A (ja) * 2014-10-31 2016-05-23 株式会社日立ハイテクノロジーズ 故障原因分類装置
JP2018067065A (ja) * 2016-10-17 2018-04-26 三菱重工業株式会社 情報処理方法、情報処理装置、プログラム、及び情報処理システム

Also Published As

Publication number Publication date
US20230004139A1 (en) 2023-01-05
JP2021089505A (ja) 2021-06-10

Similar Documents

Publication Publication Date Title
JP7104121B2 (ja) 故障予知装置、故障予知システム及び故障予知方法
US10317853B2 (en) Machine learning method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device
Alexandridis Evolving RBF neural networks for adaptive soft-sensor design
JP7201844B2 (ja) グラディエントベースのセンサ識別を利用した障害予測
JP2005267633A (ja) 延命制御を有するモデル予測制御器
Aggarwal et al. Availability analysis and performance optimization of a butter oil production system: a case study
CN107003644A (zh) 用于使用冗余本地监督控制器来控制过程工厂的方法
KR102660544B1 (ko) 제어 장치, 컨트롤러, 제어 시스템, 제어 방법, 및 제어 프로그램
JP6902487B2 (ja) 機械学習システム
KR20220081872A (ko) 디지털트윈 기반 의사결정 지원 최적 정보 산출 자동화 장치
Kumar et al. Development of parameter based fault detection and diagnosis technique for energy efficient building management system
WO2021111729A1 (ja) 監視支援装置、および、監視支援方法
JP2019053474A (ja) クラウドベースサービスのデータ保護方法
Weber et al. Fault-Tolerant Control Design for over-actuated System conditioned by Reliability: a Drinking Water Network Application.
JP2011159103A (ja) プラント運転支援装置
JP6764486B2 (ja) 水処理プラント
AU2018426458B2 (en) Assistance device, learning device, and plant operation condition setting assistance system
JPWO2019004476A1 (ja) 制御装置及び制御装置の設計方法
WO2016203757A1 (ja) 制御装置、それを使用する情報処理装置、制御方法、並びにコンピュータ・プログラムが格納されているコンピュータ読み取り可能な記憶媒体
Lu et al. Multivariable self-organizing fuzzy logic control using dynamic performance index and linguistic compensators
Koprinkova-Hristova Reinforcement learning for predictive maintenance of industrial plants
JP7277254B2 (ja) 消費電力予測装置
CA3173315A1 (en) Method for an intelligent alarm management in industrial processes
US20210065056A1 (en) Parameter calculating device, parameter calculating method, and recording medium having parameter calculating program recorded thereon
Ahmed et al. Conceptual framework for an event-based plant alarm system

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20895477

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20895477

Country of ref document: EP

Kind code of ref document: A1