WO2022064801A1 - プラント監視支援装置 - Google Patents

プラント監視支援装置 Download PDF

Info

Publication number
WO2022064801A1
WO2022064801A1 PCT/JP2021/024297 JP2021024297W WO2022064801A1 WO 2022064801 A1 WO2022064801 A1 WO 2022064801A1 JP 2021024297 W JP2021024297 W JP 2021024297W WO 2022064801 A1 WO2022064801 A1 WO 2022064801A1
Authority
WO
WIPO (PCT)
Prior art keywords
similarity
variable
time
data
monitoring
Prior art date
Application number
PCT/JP2021/024297
Other languages
English (en)
French (fr)
Inventor
理 山中
由紀夫 平岡
Original Assignee
株式会社 東芝
東芝インフラシステムズ株式会社
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 東芝, 東芝インフラシステムズ株式会社 filed Critical 株式会社 東芝
Publication of WO2022064801A1 publication Critical patent/WO2022064801A1/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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring

Definitions

  • the embodiment of the present invention relates to a plant monitoring support device.
  • Multiple process states are measured in water treatment / water operation processes such as sewage treatment processes, sludge digestion processes, water purification processes, water supply and distribution processes, petrochemical processes, steel processes, semiconductor manufacturing processes, or pharmaceutical manufacturing process plants.
  • Multiple online sensors are installed.
  • the process monitoring device (SCADA: Supervisory Control And Data Acquisition) is a time-series data (trend graph) of process data (flow rate, temperature, pressure, water quality, manipulated variable, etc.) obtained by measuring the sensor group installed in the normal process system. ). By monitoring this by the plant manager (manager) and operator (operator), the state of the process is grasped, and the operation of the process is changed and controlled.
  • SCADA Supervisory Control And Data Acquisition
  • Plant monitoring is generally performed for the purpose of operating the plant safely and efficiently while maintaining good process output performance, saving energy as much as possible, and avoiding plant troubles.
  • control limits are set in the time series data of each process data, and an alarm is issued when this control limit is exceeded. Plant managers and operators confirm and review plant operations based on this alarm. In the operation management based on the alarm issuance as described above, the method of managing with statistics such as 2 ⁇ and 3 ⁇ ( ⁇ is the standard deviation of the data to be monitored) is often statistical process control (SPC: Statistical Process Control). ).
  • SPC statistical Process Control
  • MSPC Multi-Variate Statistical Process Control
  • PCA principal component analysis
  • PLS latent variable projection method / partial least square method
  • the main purpose is to perform (Fault Detection) and estimation (Fault Isolation) of process monitoring variables (data) that cause abnormalities.
  • anomaly detection is performed by time-series data monitoring using trend graphs and SPC using management limits.
  • a new advanced multivariate analysis technology such as MSPC
  • discontinuous changes such as completely replacing SPC with MSPC will occur for plant operation managers. , Will cause unnecessary confusion to the operator who is the actual user.
  • plant monitoring is not always performed only during abnormal times, but also during normal operation, and it can be said that most of the monitoring time zones are normal operation states that are not abnormal. Having such a trend monitoring navigation system that is useful even during normal operation makes it possible to monitor the plant more efficiently, and at the same time, for unskilled operators who do not necessarily have a wealth of knowledge about the plant to be monitored. , It is considered to be extremely useful information.
  • An embodiment of the present invention has been made in view of the above circumstances, and an object of the present invention is to provide a plant monitoring support device that provides useful navigation information to a manager who monitors a process.
  • the plant monitoring support device has a data collection / storage unit that collects two or more variable values from the process data of the target process measured at a predetermined cycle and stores the time-series data of the variable values, and the data collection unit.
  • -Similarity that calculates a plurality of similarities using the data extraction unit that can extract single or multivariable time series data from the storage unit and the single or multivariate time series data extracted by the data extraction unit. It includes a degree calculation unit and a similarity map generation unit that generates data for displaying a similarity map that visualizes a similarity matrix having the plurality of similarity as elements.
  • FIG. 1 is a diagram schematically showing a configuration example of a plant monitoring support device according to an embodiment.
  • FIG. 2 is a diagram schematically showing an example of a variable similarity map displayed on the monitoring screen.
  • FIG. 3 is a diagram schematically showing another example of the variable similarity map displayed on the monitoring screen.
  • FIG. 4 is a diagram schematically showing another example of the variable similarity map displayed on the monitoring screen.
  • FIG. 5 is a diagram schematically showing another example of the variable similarity map displayed on the monitoring screen.
  • FIG. 6 is a diagram for explaining an example of a function of selecting a trend monitoring variable in the variable similarity map shown in FIG.
  • FIG. 7A is a diagram for explaining another example of the function of selecting a trend monitoring variable in the variable similarity map shown in FIG.
  • FIG. 1 is a diagram schematically showing a configuration example of a plant monitoring support device according to an embodiment.
  • FIG. 2 is a diagram schematically showing an example of a variable similarity map displayed on the monitoring screen.
  • FIG. 7B is a diagram for explaining another example of the function of selecting the trend monitoring variable in the variable similarity map shown in FIG.
  • FIG. 8 is a diagram showing an example in which the trend graph of the variable selected by the trend monitoring variable selection unit is displayed on the monitoring screen.
  • FIG. 9 is a diagram showing an example in which the trend graph of the variable selected by the trend monitoring variable selection unit is displayed on the monitoring screen.
  • FIG. 10 is a diagram for explaining the canonical angle of the loading submatrix.
  • FIG. 11 is a diagram schematically showing an example of a time similarity map displayed on the monitoring screen.
  • FIG. 12 is a diagram schematically showing an example of a time similarity map displayed on the monitoring screen.
  • FIG. 13 is a diagram for explaining an example of the operation of the trend monitoring period selection unit.
  • FIG. 14 is a diagram for explaining another example of the operation of the trend monitoring period selection unit.
  • FIG. 15 is a diagram schematically showing an example in which a trend graph of the current monitoring data and the
  • the plant monitoring support device described below can be applied to process-based monitoring devices such as sewage treatment processes, wastewater treatment processes, sludge digestion processes, water purification processes, water supply and distribution processes, chemical processes, and steel processes. be.
  • the operation manager / operator In plant monitoring, the operation manager / operator usually monitors the data of "a certain monitoring variable" selected at his / her own discretion with a trend graph. At that time, monitoring is often performed while referring to "past data of the selected variable” and "data related to the selected variable". For example, the operation manager / operator monitors the trend graph of the selected variable, such as "data at the same time yesterday", “data at the same time last week", or "data around the same day one year ago”. Monitoring may be performed while referring to.
  • the operation manager / operator monitors the "pump discharge flow rate"
  • the "water level” of the distribution reservoir pumped by the pump or the distribution reservoir to which the water is sent by the pump is used. May be monitored at the same time.
  • the operation manager / operator simultaneously monitors the "blower rotation speed” and “blower power” together with the "blower air volume” in the sewage treatment, or exists in the reaction tank at the same time as the "blower air volume”.
  • the "dissolved oxygen concentration” and various "water quality concentrations” affected by the dissolved oxygen concentration may be monitored at the same time.
  • FIG. 1 is a diagram schematically showing a configuration example of a plant monitoring support device according to an embodiment.
  • the plant monitoring support device of the embodiment is applied to a monitoring system for a sewage advanced treatment process for the purpose of removing nitrogen and phosphorus.
  • the plant monitoring support device of the present embodiment is not limited to the one that targets the advanced sewage treatment process, but targets any process that has time-series data of one type or two or more types of measurement items. Can be.
  • the sewage advanced treatment process 1 has a first settling pond 101, an anaerobic tank 102, an oxygen-free tank 103, an aerobic tank 104, and a final settling pond 105.
  • the sewage to be treated (hereinafter referred to as “water to be treated”) is first sent to the sedimentation tank 101, the anaerobic tank 102, the oxygen-free tank 103, the aerobic tank 104, and the final sedimentation tank 105 in this order for treatment.
  • the first sedimentation reservoir 101 is a reservoir for the water to be treated, which is sent to the sewage advanced treatment process 1.
  • the anaerobic tank 102 is a water tank for putting microorganisms that decompose organic substances into the water to be treated.
  • the water to be treated is stirred in a state where air is not supplied. This causes the microorganisms to exhale phosphorus in the body. Generally, this process is called phosphorus discharge.
  • the oxygen-free tank 103 is a water tank for removing nitrogen from the water to be treated. Specifically, in the oxygen-free tank 103, the water to be treated returned from the aerobic tank 104 in the subsequent stage is mixed with the water to be treated sent from the anaerobic tank 102 and stirred in a state where air is not supplied. In the oxygen-free tank 103, nitric acid in the water to be treated is decomposed into nitrogen by the action of microorganisms and released into the atmosphere. This process is generally called denitrification.
  • the aerobic tank 104 is a water tank for decomposing organic substances in the water to be treated, removing phosphorus and nitrifying ammonia. Specifically, air is supplied to the water to be treated to activate the microorganisms, the microorganisms decompose organic substances, and the microorganisms absorb phosphorus in the water to be treated. Microorganisms that discharge phosphorus in an anaerobic state and instead accumulate organic matter absorb more phosphorus than they have discharged by being activated, so that phosphorus in the water to be treated is removed. Further, in the aerobic tank 104, ammonia is decomposed into nitric acid by supplying air to the water to be treated. This process is generally called nitrification.
  • the final sedimentation reservoir 105 is a reservoir for treated water from which phosphorus has been removed and ammonia has been nitrified.
  • the sewage advanced treatment process 1 includes a first settling pond surplus sludge drawing pump 111, a blower 112, a circulation pump 113, a return sludge pump 114, and a final settling pond surplus sludge pulling pump 115.
  • the first settling pond excess sludge extraction pump 111 is a pump that pulls out and removes the settled sludge from the first settling pond 101.
  • the first settling pond excess sludge extraction pump 111 has a flow rate sensor that measures the flow rate of the extracted sludge.
  • the blower 112 is a blower that supplies oxygen to the aerobic tank 104.
  • the blower 112 has a flow rate sensor that measures the flow rate of the supplied air.
  • the circulation pump 113 is a pump that returns the water to be treated from the aerobic tank 104 to the oxygen-free tank 103.
  • the circulation pump 113 has a flow rate sensor that measures the flow rate of the returned water to be treated.
  • the return sludge pump 114 is a pump that extracts a part of the sludge that has settled from the final settling pond 105 and returns it to the anaerobic tank 102.
  • the return sludge pump 114 has a flow rate sensor that measures the flow rate of the returned sludge.
  • the final settling pond excess sludge extraction pump 115 is a pump that draws out and removes the settled sludge from the final settling pond 105.
  • the final sedimentation pond excess sludge extraction pump 115 has a flow rate sensor that measures the flow rate of the extracted sludge.
  • the sewage advanced treatment process 1 includes a rain amount sensor 121, a sewage inflow sensor 122, an inflow TN sensor 123, an inflow TP sensor 124, an inflow organic substance sensor 125, an ORP sensor 126, an anaerobic tank pH sensor 127, and an oxygen-free tank ORP sensor 128.
  • Anoxic tank pH sensor 129 Phosphoric acid sensor 130, DO sensor 131, Ammonia sensor 132, MLSS sensor 133, Water temperature sensor 134, Excess sludge SS sensor 135, Discharge SS sensor 136, Sludge interface sensor 137, Sewage discharge sensor 138 , A discharge TN sensor 139, a discharge TP sensor 140, and a discharge organic substance sensor 141.
  • the rainfall sensor 121 is a sensor that measures the amount of rainfall in the vicinity of flowing into the sewage altitude treatment process 1.
  • the sewage inflow sensor 122 is a sensor that measures the flow rate of sewage (hereinafter referred to as “inflow sewage”) flowing into the sewage advanced treatment process 1.
  • the inflow TN sensor 123 is a sensor that measures the total amount of nitrogen (TN) contained in the inflow sewage.
  • the inflow TP sensor 124 is a sensor that measures the total amount of phosphorus (TP) contained in the inflow sewage.
  • the inflow organic matter sensor 125 is a UV (absorbance) sensor or a COD (chemical oxygen demand) sensor that measures the amount of organic matter contained in the inflow sewage.
  • the ORP sensor 126 is a sensor that measures the ORP (oxidation-reduction potential) of the anaerobic tank 102.
  • the anaerobic tank pH sensor 127 is a sensor that measures the pH of the anaerobic tank 102.
  • the oxygen-free tank ORP sensor 128 is a sensor that measures the ORP of the oxygen-free tank 103.
  • the oxygen-free tank pH sensor 129 is a sensor that measures the pH of the oxygen-free tank 103.
  • the phosphoric acid sensor 1210 is a sensor that measures the phosphoric acid concentration in the aerobic tank 104.
  • the DO sensor 1211 is a sensor that measures the dissolved oxygen concentration (DO) of the aerobic tank 104.
  • the ammonia sensor 1212 is a sensor that measures the ammonia concentration in the aerobic tank 104.
  • the MLSS sensor 1213 is a sensor that measures the activated sludge concentration (MLSS) at at least one of the anaerobic tank 102, the oxygen-free tank 103, or the aerobic tank 104.
  • FIG. 1 shows an example in which the MLSS sensor 1213 is installed in the anaerobic tank 102.
  • the water temperature sensor 1214 is a sensor that measures the water temperature at at least one of the oxygen-free tank 103 or the aerobic tank 104.
  • FIG. 1 shows an example in which the water temperature sensor 1214 is installed in the oxygen-free tank 103.
  • the surplus sludge SS sensor 1215 is a sensor that measures the solid matter (SS) concentration of sludge extracted from the final sedimentation pond 105.
  • the discharge SS sensor 1216 is a sensor that measures the SS concentration of water discharged from the final sedimentation pond 105.
  • the sludge interface sensor 1217 is a sensor that measures the sludge interface level of the final sedimentation pond 105.
  • the sewage discharge sensor 1218 is a sensor that measures the flow rate of discharged water.
  • the effluent TN sensor 1219 is a sensor that measures the total amount of nitrogen contained in the effluent water.
  • the discharged TP sensor 1220 is a sensor that measures the total amount of phosphorus contained in the discharged water.
  • the discharged organic matter sensor 1221 is a UV sensor or a COD sensor that measures the amount of organic matter contained in the discharged water.
  • Each of the above-mentioned devices such as the first settling pond excess sludge drawing pump 111, the blower 112, the circulation pump 113, the return sludge pump 114, and the final settling pond surplus sludge pulling pump 115 operates under the control of a predetermined cycle. Further, each of the above sensors including the flow rate sensors of the devices of the first settling pond surplus sludge drawing pump 111, the blower 112, the circulation pump 113, the return sludge pump 114 and the final settling pond surplus sludge pulling pump 115 senses at a predetermined cycle. Measure the target.
  • the flow rate sensors of each of the first settling pond surplus sludge drawing pump 111, the blower 112, the circulation pump 113, the return sludge pump 114, and the final settling pond surplus sludge pulling pump 115 are collectively referred to as an operation amount sensor, and other sensors. Are collectively referred to as a process sensor.
  • the plant monitoring support device of the present embodiment includes a data collection / storage unit 2, a data extraction unit 3, a variable similarity calculation unit 4, a variable similarity map generation unit 5, a trend monitoring variable selection unit 6, and data. It includes a division unit 7, a time similarity calculation unit 8, a time similarity map generation unit 9, a trend monitoring period selection unit 10, and a trend graph display unit 11.
  • the plant monitoring support device of the present embodiment includes at least one processor and a memory in which a program executed by the processor is stored, and may be described below by software or by combining software and hardware. It is configured to be feasible for the various functions described.
  • the data collection / storage unit 2 periodically receives measurement data (process data) from each operation amount sensor and each process sensor of the sewage advanced treatment process 1. That is, the data collection / storage unit 2 periodically receives a plurality of variable values.
  • the data collection / storage unit 2 may directly receive the process data measured by each operation amount sensor and each process sensor, and the process data measured by each operation amount sensor and each process sensor at a predetermined cycle may be received.
  • a plurality of variable values may be acquired via a recorded recording medium or the like.
  • the data extraction unit 3 includes a similarity calculation data extraction unit 31 and a process monitoring data extraction unit 21.
  • the similarity calculation data extraction unit 31 extracts process data (time-series data) of a predetermined period and a predetermined variable (one or multiple variables) from the data collection / storage unit 2 at a predetermined cycle or by a request from the outside. ..
  • the process data extracted by the similarity calculation data extraction unit 31 is used for calculating the variable similarity and the time similarity, which will be described later.
  • the process monitoring data extraction unit 32 extracts the trend monitoring process data (time-series data) from the data collection / storage unit 2 at a predetermined cycle or by a request from the outside.
  • the process data extracted by the process monitoring data extraction unit 32 can be presented to the operation manager / operator as a trend graph by the trend graph display unit 11 described later.
  • the variable similarity calculation unit 4 includes a predetermined number (for example, m (positive integer)) of M or less in the data of M (positive integers) of variables extracted by the data extraction unit 31 for similarity calculation.
  • the similarity between variables (variable similarity) is calculated by the method described later using the data of the variables.
  • the variable similarity map generation unit 5 has a function of visualizing the variable similarity calculated by the variable similarity calculation unit 4.
  • the variable similarity map generation unit 5 expresses the variable similarity as a similarity matrix of m rows and m columns, and generates data for visualizing this similarity matrix as a map such as an m ⁇ m contour map. ..
  • the variable similarity map generation unit 5 is, for example, a variable similarity degree corresponding to each region in a map in which rectangular regions corresponding to the elements of the similarity matrix are arranged in a grid pattern so as to correspond to an array of matrices. Generates data to be displayed in a color according to the value of.
  • the trend monitoring variable selection unit 6 receives the data generated by the variable similarity map generation unit 5, and selects a plurality of variables (variable group) of the trend graph to be monitored at the same time as the variable similarity map.
  • the trend monitoring variable selection unit 6 transmits data for displaying a variable similarity map for the selected variable group to the trend graph display unit 11.
  • the trend monitoring variable selection unit 6 may select a variable group from the process data based on a command input by a user operation, and a plurality of preset variables are automatically set as a variable group from the process data. You may choose.
  • the data division unit 7 includes a data division number designation unit 71 and a data division unit 72.
  • the data separation unit 72 uses the time-series data of m variables in a predetermined cycle in the time direction, and the time-series data of k sets of m variables (second time-series data) set by the data division number designation unit 71. Separate into.
  • the time similarity calculation unit 8 calculates the similarity (time similarity) in the time direction of k pieces from the time series data of k sets of m variables divided by the data division unit 7. The method of calculating the time similarity will be described in detail later.
  • the time similarity map generation unit 9 expresses the similarity in the time direction calculated by the time similarity calculation unit 8 as a similarity matrix of a k ⁇ k matrix, and expresses this as a k ⁇ k equivalence diagram or the like. Generates data that can be displayed as a map of.
  • the time similarity map generation unit 9 is, for example, in a map in which rectangular regions corresponding to elements of a similarity matrix are arranged in a grid pattern so as to correspond to an array of matrices, and the time similarity map generation unit 9 corresponds to each region. Generates data to be displayed in a color according to the value of.
  • the trend monitoring period selection unit 10 receives the data generated by the time similarity map generation unit 9, and selects a period for trend monitoring on the time similarity map generation unit 9.
  • the trend monitoring period selection unit 10 transmits data for displaying the time similarity map to the trend graph display unit 11 for the selected period.
  • the trend monitoring period selection unit 10 may, for example, select a period from the process data based on a command input by the user's operation, or may automatically select a preset period from the process data.
  • the trend graph display unit 11 can display the variable similarity map of the selected variable group using the data received from the trend monitoring variable selection unit 6. Further, the trend graph display unit 11 can display the time similarity map of the selected period by using the data received from the trend graph monitoring period selection unit 10. The trend graph display unit 11 can also display the trend graph by using, for example, the data received from the process monitoring data extraction unit 32.
  • the trend graph display unit 11 may include display means. Further, the trend graph display unit 11 may display a similarity map or a trend graph on an external display means.
  • the data collection / storage unit 2 periodically acquires the measured process information (measurement information) and stores it as time-series data according to a predetermined format.
  • the data extraction unit 31 for calculating the similarity of the data extraction unit 3 includes data of items corresponding to the manipulated variable sensors 111 to 115 and various process sensors 121 to 1221, and their name labels (“inflow TN” and “anaerobic tank ORP”. Etc.) and are acquired as time-series data of a predetermined period T0 to T1 or a predetermined period TL specified separately.
  • a predetermined period 1 minute
  • the similarity calculation data extraction unit 31 can periodically extract data every 30 days (or 1 month). ..
  • the data set extracted in this way will be described as X0 as an L ⁇ M matrix, and the name label of the corresponding variable will be described as X0 label as a 1 ⁇ M vector.
  • the similarity calculation data extraction unit 31 provides an alarm for each variable at the same time as the matrix X0 as information accompanying the matrix X0.
  • the L ⁇ M alarm matrix F0 is also extracted at the same time as the digital time series information of the alarm).
  • M 25.
  • multiple water treatment series in a medium-sized or larger treatment plant, water treatment is often performed in parallel like a pool course (lane), which corresponds to each course.
  • system for example, 1 system, 2 system, etc.
  • the plant monitoring support device of the present embodiment can exert its effect particularly when performing such "multivariate" monitoring.
  • the similarity calculation data extraction unit 31 can extract the similarity calculation matrix X0 and the variable label X0 label as described above.
  • variable similarity calculation unit 4 can calculate the variable similarity using at least one of the matrix X0 and the variable label X0label.
  • the variable similarity is an index showing how similar each variable (the above 25 variables in this embodiment) is to each other, and is typically defined based on the time series data of the two variables.
  • the variable similarity calculation unit 4 can calculate a variable similarity index based on the "distance" or "inner product" of two time-series data as the variable similarity.
  • x T y is used to represent the inner product of x and y.
  • ) normalized by the norm of each vector can be used as the internal product value.
  • the cosine similarity calculated so that the average of each data is zero corresponds to the so-called (Pearson's) correlation coefficient, and this correlation coefficient may be used as the variable similarity.
  • the absolute value of the correlation coefficient or the coefficient of determination defined by the square of the correlation coefficient as the index of variable similarity. It can also be used.
  • Pearson's correlation coefficient is taken as a nonparametric correlation coefficient such as Spearman's rank correlation, various robust correlation coefficients, or their absolute value or square. Therefore, a correlation index in which the code information is erased can be used as a variable similarity index.
  • variable similarity index does not necessarily have to be calculated from the time series data (matrix X0).
  • the edit distance (Levenshtein distance) is calculated from the variable label X0label as the similarity of the variable names, and this is calculated. It may be used as a variable similarity index.
  • the alarm similarity indicating how much the alarms of each variable are issued at the same time is calculated by using the alarm matrix F0, and the variable similarity is calculated. It can also be used as an index.
  • the range of values that can be taken for each of the above variable similarity indexes differs depending on the index used.
  • the directions of similarity and dissimilarity are opposite, such as "distance” and "correlation coefficient". That is, when the "distance” is 0, it is a perfect match, and when the value of the "distance” is large, it is dissimilar, whereas when the "correlation coefficient" is 1, it is a perfect match, and when it is 0, it is a perfect match.
  • the criteria the range of possible values of the index and the direction of similarity and dissimilarity
  • variable similarity index will be described as an index normalized so that when it is 0, it is a perfect match, and when it is 1, it is a perfect match.
  • d' exp (-d / ⁇ ) ................2016................................................ « (3)
  • ⁇ is a positive adjustable parameter.
  • the variable similarity index b in which a plurality of types of similarity indexes are combined can be generated by the following equations (5a) and (5b).
  • variable similarity map generation unit 5 arranges (M-1) ⁇ M / 2 variable similarity calculated by the variable similarity calculation unit 4 so as to be symmetrical with respect to the diagonal line, and arranges each variable itself.
  • the variable similarity between the first variable and the M variable is arranged in the first column of the first row, and the first variable and the first (M) are arranged in the second column of the first row.
  • -1) Variable similarity is arranged up to the (M-1) column of the first row so that the variable similarity with the variable is arranged, and the first variable and the first variable are arranged in the M column of the first row.
  • the first row and the Mth column correspond to the same variable
  • the second row and the (M-1) th column correspond to the same variable
  • the variable similarity is sequentially arranged so that the eyes correspond to the same variable.
  • the variable similarity map generation unit 5 generates data for displaying a variable similarity map corresponding to the similarity matrix as described above, for example.
  • FIG. 2 is a diagram schematically showing an example of a variable similarity map displayed on the monitoring screen.
  • the variable similarity map is a map in which rectangular areas corresponding to each element of the variable similarity constituting the similarity matrix of M rows and M columns are arranged in a grid pattern at positions corresponding to each element.
  • the rectangular area is color-coded with a color corresponding to the value of the corresponding variable similarity.
  • the area where the variable similarity value is 1 is displayed in red
  • the area where the variable similarity value is 0 is displayed in blue, depending on the variable similarity value.
  • Each area is color-coded so that it gradually changes to green, yellow, and red.
  • the operation manager / operator can see how similar the variable values are on the presented monitoring screen. It can be visually grasped, and for example, the behavior of variables that are difficult to notice from the trend graph can be confirmed.
  • FIG. 3 is a diagram schematically showing another example of the variable similarity map displayed on the monitoring screen.
  • a predetermined threshold is set for the similarity, and the value below the threshold is set to 0 (or the color is the same as 0). Is shown as an example.
  • the threshold value of the similarity is set to 0.5, and the value of 0.5 or less is set to 0 (or the same color as 0) is displayed.
  • the expression in order to make the expression simpler, for example, those having a similarity of 0.5 or more are set to 1 (or the same color as 1), and those having a similarity of less than 0.5 are set to 0 (or 0).
  • the map may be color-coded in two colors (so that they have the same color). By doing so, although the amount of information on the similarity between variables is reduced, the operation manager / operator can easily find the variable having strong similarity.
  • variables with high similarity and variables with low similarity are scattered on this map.
  • each variable is selected in the order registered on the monitoring system, and if the map is created in this order, it is considered that the map is often as shown in FIGS. 2 and 3. Therefore, it is also preferable to rearrange the order of the variables and display the variable groups having a high relationship together.
  • FIG. 4 is a diagram schematically showing another example of the variable similarity map displayed on the monitoring screen.
  • FIG. 2 an example of the variable similarity map in which the order of the variables is rearranged so that the variable groups with high similarity are displayed together is shown.
  • FIG. 5 is a diagram schematically showing another example of the variable similarity map displayed on the monitoring screen.
  • FIG. 3 an example of the variable similarity map in which the order of the variables is rearranged so that the variable groups with high similarity are displayed together is shown.
  • variable group can be easily rearranged in this way by using, for example, a spectrum clustering method.
  • variable similarity map generation unit 5 can rearrange the variables according to the following procedure.
  • Appropriate clustering techniques such as K-means clustering are applied to classify each row of the submatrix V (:, 1: K) into any of the K classes.
  • the notation of the above submatrix is the matrix variable name (row start position: row end position, column start position: column end position).
  • Each row number of the submatrix V corresponds to each variable of the similarity matrix (the first row is the first variable, the second row is the second variable, etc.), so they are in the same class.
  • the display as shown in FIGS. 4 and 5 becomes possible.
  • the trend monitoring variable selection unit 6 presents a variable similarity map to, for example, an operation manager / operator using the map data created by the variable similarity map generation unit 5, and can be used by the operation manager / operator. Based on this, select the variables to be trend-monitored at the same time. At this time, for example, as shown in FIGS. 4 and 5, when related (highly similar) variables are clustered, the trend monitoring variable selection unit 6 uses the clustered information. At the same time, it is preferable to select variables for trend monitoring.
  • FIG. 6 is a diagram for explaining an example of a function of selecting a trend monitoring variable in the variable similarity map shown in FIG.
  • the color coding of the variable similarity map is omitted.
  • the part surrounded by each of the frames AR1, AR2, and AR3 on the variable similarity map represents each cluster.
  • the operation manager / operator can mouse over or finger the vicinity of the variable name portion corresponding to the area surrounded by the frames AR1, AR2, and AR3 in the figure on the monitoring screen.
  • the display is controlled so that the block in which the variable name of the corresponding cluster is enclosed in a frame and the block in which the corresponding frames AR1, AR2, and AR3 on the similarity map are enclosed are automatically displayed when they come into contact with each other. Therefore, when the operation manager / operator selects by clicking the mouse or tapping the screen with a finger, the trend monitoring variable selection unit 6 acquires the operation information (including the position information of the clicked or tapped screen). Variables of the clicked or tapped class can be collectively selected as variables to be monitored simultaneously on the trend graph.
  • the trend monitoring variable selection unit 6 transmits information for displaying the trend graph of the selected variable group to the trend graph display unit 11.
  • variable group surrounded by the frame AR1 when the variable group surrounded by the frame AR1 is collectively selected by the operation manager / operator, these variable groups having a high degree of similarity to each other are collectively displayed in the trend graph. Therefore, the operation manager / operator can simultaneously monitor variables having a high degree of similarity.
  • the trend monitoring variable selection unit 6 receives, for example, two variables corresponding to this unit block when one block (hereinafter referred to as a unit block) having high similarity surrounded by the frame AR1 and the frame AR2 is selected. It may be configured so that the trend graph of can be further compared and monitored. In this case, the trend monitoring variable selection unit 6 provides information for displaying the trend graph of the variable corresponding to the selected unit block together with the information for displaying the trend graph of the selected variable group. It can be transmitted to the trend graph display unit 11.
  • FIG. 7A and 7B are diagrams for explaining another example of the function of selecting a trend monitoring variable in the variable similarity map shown in FIG.
  • the operation manager / operator pays attention to a specific monitoring variable, the operation manager / operator may require the trend graph of the variable group related to the variable to be monitored at the same time.
  • the trend monitoring variable selection unit 6 arranges this variable at the lower left corner (or upper right corner) of the similarity map, and sorts the variable names in descending order of similarity to this variable, and is similar. Change the layout of the degree map and display it. For example, FIGS. 7A and 7B show display examples when an operation of selecting "variable 10" is performed by an operation manager / operator.
  • variable similarity map shown in FIG. 2 for example, as shown in FIG. 7A, when the operation manager / operator selects the “variable 10”, the trend monitoring variable selection unit 6 shows in FIG. 7B. Update the display of the variable similarity map so that.
  • the variable 10 is arranged, for example, at the left end on the horizontal axis of the variable similarity map and at the lower end on the vertical axis.
  • the variable names of the other variables are rearranged so that they are arranged closer to the "variable 10" in descending order of similarity to the "variable 10".
  • the trend monitoring variable selection unit 6 displays a square range designation frame AR at the lower left of the updated variable similarity map.
  • the size of the range designation frame AR is variable by operation, and the operation manager / operator moves the corners and sides of the range designation frame AR by dragging with a mouse or the like and displays them at the same time as the selected "variable 10". You can perform an operation to specify a group of variables to be used. In this way, the operation manager / operator can perform an operation of selecting a variable group for trend monitoring at the same time as the selected variable. In this case, the trend monitoring variable selection unit 6 can transmit information for displaying the trend graph of the selected variable and the variable group to the trend graph display unit 11.
  • variable similarity map shown in FIG. 2 has been described as an example, but it is specific in the variable similarity map shown in FIG. 4 (or FIG. 5) in which clustering has been performed in advance.
  • the operation of selecting a variable may be possible.
  • the trend monitoring variable selection unit 6 may be configured to be able to switch and display various variable similarity maps.
  • FIGS. 6, 7A, and 7B illustrate tabs T1-T4 for switching the display of the variable similarity map.
  • the type of similarity to be displayed as a variable similarity map can be selected from among correlation similarity, Euclidean similarity, alarm similarity, and name similarity.
  • the trend monitoring variable selection unit 6 can acquire the operation information selected by the tabs T1-T4 by the operation manager / operator and switch the variable similarity map to be displayed.
  • the trend graph display unit 11 can collectively display the trend graph of the selected variable group on the monitoring screen monitored by the operation manager / operator of the plant.
  • FIG. 8 and 9 are diagrams showing an example in which the trend graph of the variable selected by the trend monitoring variable selection unit is displayed on the monitoring screen.
  • FIG. 8 shows a display example of a trend graph when eight variables are selected by the trend monitoring variable selection unit 6.
  • the so-called trend graph of each monitoring variable is displayed in real time, and the normal fluctuation range is also displayed, so that the trend at the time of monitoring is in what state as compared with the normal time. I try to tell at a glance if there is one.
  • Such a display method is more preferable, but the display of the normal fluctuation range may be omitted.
  • FIG. 9 shows an example in which two variables are simultaneously displayed on the monitoring screen when the selected variable is one unit block calculated by the variable similarity map generation unit 5.
  • the trend graph display unit 11 can display the trend graph in the display modes of the "real time” mode and the "historical” mode.
  • the "real-time” mode is a display mode for monitoring the operation status of the plant at the time of actual monitoring.
  • the "historical” mode is a display mode for checking the status of the plant at a specific time in the past.
  • the trend graph display unit 11 may be configured to display the trend graph in the "replay” mode as the display mode.
  • the "replay” mode is a mode for monitoring the movement of the trend graph over a certain period in the past while shifting the monitoring time point (usually by fast-forwarding).
  • Comparative monitoring in the time direction is, for example, comparative monitoring with data at the same time yesterday at the time of monitoring, comparative monitoring with data at the same time on the same day of the week one week ago, same time on the same day one year ago, or almost one year. It is a comparative monitoring with the data of the same day and the same time of the same time before. These comparative monitoring can be useful information, for example, in determining the quality or tendency of the current operating state.
  • the mechanism for presenting the information for comparative monitoring in the time direction will be described as an example of the method using the similarity calculation data of the equation (1).
  • the data division unit 7 divides the data X0 of the equation (1) in the time direction.
  • X0_1 to X0_365 are submatrixes having a size of 1440 ⁇ M (26), each of which is composed of data for one day in units of one minute. This is an example of the action of the 72 data separation function.
  • the time similarity calculation unit 8 calculates the similarity in the time direction.
  • This method can be roughly divided into the following two methods. One is a method of appropriately defining the similarity of each matrix of X0_1 to X0_365 and obtaining the similarity between the matrices. The other is a method in which the representative value of each day is calculated from X0_1 to X0_365 to form a 1 ⁇ M vector, and then the vector similarity is calculated in the same manner as the variable similarity calculation.
  • the time similarity calculation unit 8 can calculate the time similarity as follows, for example. First, principal component analysis is applied to each submatrix of X0_1 to X0_365 to obtain a matrix called a loading matrix.
  • the loading matrix is a matrix composed of vectors representing directions called principal component axes from the first principal component to the M principal component, and usually, when principal component analysis is performed, the value is smaller than M. Most of the data can be explained by M'( ⁇ M) principal components.
  • the time similarity calculation unit 8 determines M'by an index such as the cumulative contribution rate generally performed in ordinary principal component analysis, and the direction from the first principal component to the M'principal component of the loading matrix. Find the submatrix (loading submatrix) of the loading matrix composed of vectors.
  • FIG. 10 is a diagram for explaining the canonical angle of the loading submatrix.
  • a method using a canonical angle is known as the similarity of the 365 loading submatrix obtained in this way, and the canonical angle of each is obtained and used as the similarity.
  • the canonical angle is an index showing the angle ⁇ between the subspace SPAs and SPBs composed of the axes of the first to M'principal components, and it seems that the cosine similarity, which is the similarity of the vectors, is expanded into a matrix. It is an index and is used in fields such as anomaly detection.
  • the time similarity calculation unit 8 can define the similarity between submatrixes of a specific day and another day.
  • the time similarity calculation unit 8 can calculate the time similarity by calculating for all day combinations, that is, K (K-1) / 2 combinations by the above method.
  • the time similarity calculation unit 8 Apart from the method of directly comparing such submatrix, it is also possible to define the time similarity as the similarity between vectors as in the latter case.
  • the time similarity calculation unit 8 first, the time similarity calculation unit 8 generates daily representative data. Since the submatrix of X0_1 to X0_365 is composed of 1440 points of data for one day for each variable (column), the time similarity calculation unit 8 first obtains daily representative data for each variable. Generate. The simplest method is to calculate the daily representative value from the average value of each column, but since it may contain abnormal values, the time similarity calculation unit 8 may appropriately calculate the daily representative value.
  • the time similarity calculation unit 8 may use each method of robust statistics to use a more robust and efficient estimation method, for example, a method such as Hodges-Lehmann estimation or bootstrap estimation. Further, the time similarity calculation unit 8 takes two steps (multi-step), for example, after finding the representative value of the time unit at the median every 60 minutes and then finding the average of each time of 24 points. You may make an estimate.
  • the 1440 ⁇ M size submatrix of X0_1 to X0_365 can be replaced with a 1 ⁇ M size vector.
  • the time similarity calculation unit 8 defines the calculated 1 ⁇ M size vector as Xd as shown in the following equation (7). Since this vector Xd is a matrix in which each row is a daily representative value vector, the time similarity calculation unit 8 is exactly the same as the definition of the variable similarity except for the editing similarity which is the similarity of the names. , The degree of similarity for each vector can be defined.
  • the similarity in the time direction can be calculated by the similarity based on the inner product.
  • each element of xri in the above equation (7) is the value of each of M variables, and since the physical dimensions are generally different from each other, each variable. In addition, it is generally preferable to normalize using standard deviation, mean, and the like. Further, when calculating the similarity of vectors in this way, the calculation may be performed for each vector, but for example, it is also possible to calculate the correlation coefficient matrix collectively like the correlation coefficient. In the case of batch calculation, the time similarity calculation unit 8 performs the same calculation as in equation (1) after performing a transpose operation in which the rows and columns of the matrix in equation (7) are exchanged. By doing so, the calculation of the correlation coefficient matrix can be executed.
  • the time similarity calculation unit 8 has described that equations (6) and (7) calculate the similarity of the vector including all M variables, but the equations (6) and (7) are used for monitoring from among the M variables. It is also possible to calculate the similarity by selecting only M' ⁇ M variables. In particular, when performing variable selection and trend monitoring, it is better not to always calculate the time similarity including all M variables, but to change the calculation of time similarity in conjunction with the selected variable. , May be more preferred.
  • the time similarity map generation unit 9 arranges (K-1) ⁇ K / 2 time-direction similarities calculated by the time similarity calculation unit 8 so as to be symmetrical with respect to the diagonal line.
  • the time similarity between the first time and the K time is arranged in the first column of the first row, and the first time and the first (K) are arranged in the second column of the first row.
  • the time similarity is arranged up to the (K-1) column of the first row so that the time similarity with the time is arranged, and the first time and the first time are arranged in the K column of the first row.
  • the first row and the Kth column correspond to the same time
  • the second row and the (K-1) th column correspond to the same time
  • Time similarity is sequentially arranged so that the eyes correspond to the same time.
  • the time similarity map generation unit 9 generates data for displaying a time similarity map corresponding to the similarity matrix as described above, for example.
  • the time similarity map is a map in which rectangular areas corresponding to each element of time similarity constituting the similarity matrix of K rows and K columns are arranged in a grid pattern at positions corresponding to each element.
  • the rectangular area is color-coded with a color corresponding to the corresponding time similarity value.
  • the variable similarity value is displayed in red, for example, the region where the time similarity value is 1 is displayed in red, and the region where the variable similarity value is 0 is displayed in blue.
  • Each area is color-coded so as to gradually change to blue, green, yellow, and red according to.
  • the operation manager / operator can see how similar the values at each time are on the presented monitoring screen. You can visually grasp whether or not it is, for example, you can check the behavior of variables that are difficult to notice from the trend graph.
  • the time similarity map as shown in FIG. 11 is typical when the operation status of the plant is stable, but the operation of the plant is changed at a certain timing, or there is a downtime such as a plant shutdown. It is a similar degree map, and it can be seen that the state has changed significantly after a certain day.
  • the operation manager / operator can get a glimpse of how the operational status of the plant is changing by looking at the time similarity map, and this time similarity map. You can get an overview of how your daily operations are going by just monitoring.
  • a predetermined threshold is set for the similarity, and values below the threshold are displayed as 0 or similar. It is also possible to set a threshold value for determining the presence or absence of the above and display it in two colors (two colors color-coded according to the presence or absence of similarity).
  • the time similarity map has the character of grasping the whole picture of how the similarity changes with the passage of time as described above, such processing is not necessarily the time similarity map. It does not make it easier to see.
  • variable similarity we have introduced a process that sorts specific variables in descending order of similarity, or performs clustering to group variables with high similarity, but the time similarity map In the case of, since it has one axis of the passage of time, it is generally considered appropriate to keep this information as it is, but if necessary, clustering processing or sorting It does not prevent you from processing and modifying the map.
  • the trend monitoring period selection unit 10 selects a period for trend comparison monitoring using the data generated by the time similarity map generation unit 9.
  • FIG. 13 is a diagram for explaining an example of the operation of the trend monitoring period selection unit.
  • the bar 206 extending along the row direction (horizontal axis) on the time similarity map is a position corresponding to the time point at which the trend is currently monitored on the column direction (vertical axis) of the time similarity map. Is located in. For example, when real-time monitoring is performed by trend monitoring, this bar 206 is always located at the "current" position (top of the map).
  • the manager / operator can specify the date and time to be compared and monitored on the bar 206 indicating the day when the trend is being monitored by sliding the date and time designation unit 207. For example, when the manager / operator is performing real-time monitoring, for example, by moving the date / time designation unit 207 to a position as shown in FIG. 13, a date considered to be in a different state from the current one can be specified. Can be done. Alternatively, after moving the bar 206 downward from the "current" position so that the administrator / operator performs historical monitoring, slide the position of the date / time designation unit 207 to the position of the date / time to be compared and monitored on the bar 206. By doing so, it is possible to select the part where the change is considered to have occurred as the target of comparative monitoring.
  • the trend monitoring period selection unit 10 identifies the positions of the bar 206 and the date / time designation unit 207 based on the operation information of the administrator / operator, and the date / time for trend monitoring (or historical monitoring) and the date / time for comparative monitoring. Can be selected.
  • the trend monitoring period selection unit 10 also be provided with a function capable of switching a plurality of time similarity maps.
  • FIG. 13 illustrates tabs T5-T9 for switching the display of the time similarity map.
  • the tabs T1-T8 make it possible to select the type of similarity to be displayed as a time similarity map from the canonical angle similarity, the L ⁇ similarity, the L2 similarity, and the correlation similarity.
  • the trend monitoring period selection unit 10 can acquire the operation information selected by any of the tabs T5-T8 by the operation manager / operator and switch the variable similarity map to be displayed. In this way, it becomes easier to select a date and time when it is better to monitor the trend at the same time using the similarity defined by a plurality of different criteria.
  • time similarity map is an annual map
  • FIG. 13 illustrates a tab T9 for selecting a year to be compared in trend monitoring.
  • the operation manager / operator switches the time similarity map to be displayed by selecting the year displayed on the tab T9.
  • the trend monitoring period selection unit 10 can acquire the operation information for which any of the monitoring years is selected on the tab T9 by the operation manager / operator, and can switch the variable similarity map to be displayed. With such a function, it becomes easier for the operation manager / operator to select the day to be compared in the trend monitoring.
  • FIG. 14 is a diagram for explaining another example of the operation of the trend monitoring period selection unit.
  • the trend monitoring period selection unit 10 folds the time similarity map and displays it as a one-line map at the time when trend monitoring is performed, that is, at the time corresponding to the bar 206 in FIG. You may.
  • the trend monitoring period selection unit 10 may have a function of being able to switch between a map display in one line and a grid-like map display as shown in FIG.
  • the operation manager / operator can more easily perform comparative monitoring by sliding the date / time designation unit 107 in the row direction on the one-line map. It will be possible to select.
  • the time similarity map is usually based on the assumption that it will be updated over time, so when going back to the past like a historical display, Does not show the bar 206 indicating the monitoring time point as shown in FIG. 13, but has a time similarity degree that shifts the time without changing the shape of the map so that the date specified as the historical display becomes the present. You may use a map so that you can specify the day you want to perform comparative monitoring.
  • the day to be the target of comparative monitoring is specified assuming the day selected by sliding one date / time designation unit 207, but a plurality of days are provided by setting a predetermined upper limit value.
  • the day may be selectable as the day to be compared.
  • the trend monitoring period selection unit 10 arranges, for example, a plurality of date and time designation units 207 on the bar 206, and slides each of them so that the day to be compared can be selected.
  • the trend graph display unit 11 Next, an example of the operation of the trend graph display unit 11 will be described. The operation of the trend graph display unit 11 that overlaps with the description already described will be omitted in detail below.
  • the trend graph display unit 11 the data selected as the comparison target and the data currently being trend-monitored are simultaneously displayed, and display data for comparing and monitoring the trend of the selected variable is generated.
  • FIG. 15 is a diagram schematically showing an example in which a trend graph of the current monitoring data and the data to be compared and monitored is displayed on the monitoring screen.
  • the example shown here is a display example when a date and time with a high degree of similarity is selected as a comparison target by the trend monitoring period selection unit 10 for two variables, and the trend graph G4 of the data to be compared and monitored and the current monitoring. This is a case where the movement of the data is similar to that of the trend graph G3.
  • the trend monitoring period selection unit 10 selects data on a date and time with a low degree of similarity, the behavior of the data to be compared and monitored and the current monitoring data are generally significantly different.
  • FIG. 15 also shows the fluctuation width G1 of the trend data and the typical fluctuation pattern G2 at the same time, and such data may be displayed at the same time.
  • the fluctuation range G1 of the trend data and the typical fluctuation pattern G2 may be omitted.
  • the data to be compared is selected by "day", but the time is set to be synchronized with the "current" monitoring time by default.
  • the comparison data can be displayed so as to change in synchronization with this.
  • the trend graph at the specified time is displayed with the time stopped, the data to be compared and monitored can also be displayed with the time stopped at the specified time.
  • the trend graph of the data at the time of monitoring and the data to be compared and monitored may be displayed so as to change synchronously for a specified period.
  • the trend monitoring variable selection unit 6 assumes that one unit block is selected and two variables are compared and monitored, but the display is not necessarily based on the variable similarity map. It is not necessary that the variable to be selected is selected, and even when a specific variable is monitored by normal trend monitoring, the trend monitoring period selection unit 10 can specify the data of the period to be compared and monitored. ..
  • the variable group that should be monitored at the same time is visualized and presented to the plant operation manager / operator who monitors the plant. Therefore, it is possible to facilitate the selection of variables for comparative monitoring. Further, according to the plant monitoring support device of the present embodiment, the period during which it is considered better to perform comparative monitoring is visualized and presented to the plant operation manager / operator who performs plant monitoring. It is possible to easily select the date and time for comparative monitoring.
  • the operation manager / operator by visualizing and presenting the entire information regarding the "plant monitoring variable" and the "plant monitoring period” on the similarity map, the operation manager / operator Makes it possible to get a macroscopic and bird's-eye view of the overall picture of the plant's operational status, which was difficult to grasp with conventional microscopic trend monitoring.
  • providing a framework for plant monitoring that mutually exchanges bird's-eye view information of the plant and detailed information by trend monitoring can indirectly accelerate the awareness of abnormalities in the plant, and more. It can lead to discovering efficient plant operation methods. Therefore, by presenting the above visualization information to the operation manager, not only the efficiency of plant monitoring is improved, but also the target plant monitoring can be easily performed even by an unskilled plant operator. Will be possible.

Abstract

プロセスの監視を行う管理者に有用なナビゲーション情報を与えるプラント監視支援装置を提供する。実施形態によるプラント監視支援装置は、所定周期で計測された対象プロセスのプロセスデータから２以上の変数値を収集し、前記変数値の時系列データを保存するデータ収集・保存部と、前記データ収集・保存部から、一又は多変数の時系列データを抽出可能なデータ抽出部と、前記データ抽出部によって抽出された一又は多変数の前記時系列データを用いて複数の類似度を算出する類似度算出部と、　前記複数の類似度を要素とする類似度行列を視覚化した類似度マップを表示するためのデータを生成する類似度マップ生成部と、を備える。

Description

プラント監視支援装置
　本発明の実施形態は、プラント監視支援装置に関する。
　下水処理プロセス、汚泥消化プロセス、浄水プロセス、給配水プロセスなどの水処理/水運用プロセスや石油化学プロセス、鉄鋼プロセス、半導体製造プロセス、あるいは医薬品製造プロセス系のプラントでは、複数のプロセス状態を測定する複数のオンラインセンサが設置されている。
　プロセス監視装置（SCADA: Supervisory Control And Data Acquisition）は、通常プロセス系に設置されたセンサ群の計測により得られるプロセスデータ（流量、温度、圧力、水質、操作量など）を時系列データ（トレンドグラフ）に変換する。これをプラント管理者（マネージャー）や運転員（オペレータ）が監視することにより、プロセスの状態を把握し、プロセスの運転変更や制御を行っている。
　プラント監視は、一般に、プロセスのアウトプットの性能を良好に維持しながら、できる限り省エネルギーで、かつ、プラントのトラブルを回避しながら安全かつ効率的にプラントを運用することを目的に行われる。
　例えば、下水処理プロセスにおいては、アウトプットである放流水質を良好な状態に維持しながらできる限り省電力・省薬品コストで運用することが望まれる。同時に、プロセスの過程での何らかのトラブルにより、水処理ができない状況になることを回避する様に気を付けて運用が行われる。また、石油化学プロセスや鉄鋼の圧延プロセスなどでは、製品（石油精製製品や圧延された鉄材など）の品質を担保しながら、できる限り省エネ・省コストで効率的に生産することが望まれる。この際、プラントが何らかのトラブルなどで停止するダウンタイムを最小化しながら、良品質の製品の歩留まり（収率）を上げて生産することが省コスト運用にもつながる。
　このようなプラント監視における異常兆候の検出と対応は、プラントのトラブルを回避して安全に運用することを実現するだけでなく、上述した様にトラブル回避によりダウンタイムを最小化して省コスト運用することにも間接的につながる。
　プラント監視において、例えば各々のプロセスデータの時系列データには、管理限界等と呼ばれる上下限値が設定されており、この管理限界を超えた場合にアラームが発報される。プラントマネージャーやオペレータは、このアラームに基づいてプラント運用の確認・見直しを行う。上述の様なアラーム発報に基づく運転管理において、統計を用いて2σ、3σ（σは監視したいデータの標準偏差）などの基準で管理する方法は、しばしば統計的プロセス管理（SPC：Statistical Process Control）と呼ばれる。
　アラーム発報に基づく運転管理を行う場合には、設定した管理限界値に応じて、軽故障（軽警報）、重故障（重警報）などが発報されるが、管理限界値を厳しく設定した場合に頻繁に誤アラーム(False Alarm)が発生するいわゆる「アラームの洪水」の問題や、逆に管理限界値を緩く設定した場合に異常兆候の検出を見逃す未アラーム（Missed Alarm）による異常時の対応遅れやそれに伴う重大な故障やプラントの停止リスクの問題がある。
　このような状況に対応するための技術として、石油化学プロセスや鉄鋼プラントの分野で利用されてきた「多変量統計解析手法」を用いた多変量統計的プロセス監視（MSPC：Multi-Variate Statistical Process Control）と呼ばれる方法が知られている。MSPCでは、主成分分析（PCA：Principal Component Analysis）や潜在変数射影法／部分最小二乗法（PLS：Projection to Latent Structure/Partial Least Square）などの多変量解析を用いて、プラントの異常兆候の検出(Fault Detection)と、異常要因となるプロセス監視変数（データ）の推定(Fault Isolation)とを行うことを主な目的としている。
　実際のプラント運用の現場の多くでは、トレンドグラフによる時系列データ監視と、管理限界を用いたSPCにより異常検知が行われている。この状況において、新たにMSPCの様なアドバンストな多変量解析技術をプラント運用の現場に組み込んでいく際には、SPCをMSPCで完全に置き換えるという様な、プラント運転管理者にとって不連続な変化は、実際のユーザである運転員に不必要な混乱を与えることになる。
　そのため、従来のトレンドグラフによる時系列データ監視やSPCによるプラント監視と、MSPCとを連続的に（シームレス）につなげる仕組みとして、MSPCで検出した異常兆候をトレンド監視に結びつけるプラント監視方法が提案されている。具体的には、MSPCと従来から行っているトレンド監視とを関連づけ、異常兆候が検出されたときに、運転員に「今トレンド監視すべき変数は何か」という情報を付加したトレンド監視を実現することが提案されている。この様に、「異常兆候の検出」という情報をトリガーとして、運転管理者が見るべきデータをガイダンスするトレンド監視のナビゲーションシステムによれば、プラント監視をより効率的に行うことが出来るとともに、非熟練運転員に対して有用なナビゲーションを行うことができる。
日本国特開２００４－３０３００７号公報
W.Hu et al、 An Application of Advanced Alarm Management Tools to an Oil Sand Extraction Plant、 Preprints of 9th International Symposium on Advanced Control of Chemical Process、 IFAC 2015
　一方、プラント監視は必ずしも異常時にだけ行われるだけでなく、通常運用時にも行われており、監視している大半の時間帯は異常ではない通常運用状態であるといってよい。このような通常運用時においても有用なトレンド監視のナビゲーションシステムがあると、プラント監視をより効率的に行うことが可能になると同時に、必ずしも監視対象のプラントの知識が豊富でない非熟練運転員にとっては、きわめて有用な情報となると考えられる。
　本発明の実施形態は上記事情を鑑みて成されたものであって、プロセスの監視を行う管理者に有用なナビゲーション情報を与えるプラント監視支援装置を提供することを目的とする。
　実施形態によるプラント監視支援装置は、所定周期で計測された対象プロセスのプロセスデータから２以上の変数値を収集し、前記変数値の時系列データを保存するデータ収集・保存部と、前記データ収集・保存部から、一又は多変数の時系列データを抽出可能なデータ抽出部と、前記データ抽出部によって抽出された一又は多変数の前記時系列データを用いて複数の類似度を算出する類似度算出部と、前記複数の類似度を要素とする類似度行列を視覚化した類似度マップを表示するためのデータを生成する類似度マップ生成部と、を備える。
図１は、一実施形態のプラント監視支援装置の一構成例を概略的に示す図である。 図２は、監視画面上に表示された変数類似度マップの一例を概略的に示す図である。 図３は、監視画面上に表示された変数類似度マップの他の例を概略的に示す図である。 図４は、監視画面上に表示された変数類似度マップの他の例を概略的に示す図である。 図５は、監視画面上に表示された変数類似度マップの他の例を概略的に示す図である。 図６は、図５に示す変数類似度マップにおいて、トレンド監視変数を選択する機能の一例を説明するための図である。 図７Ａは、図２に示す変数類似度マップにおいて、トレンド監視変数を選択する機能の他の例を説明するための図である。 図７Ｂは、図２に示す変数類似度マップにおいて、トレンド監視変数を選択する機能の他の例を説明するための図である。 図８は、トレンド監視変数選択部により選択された変数のトレンドグラフを監視画面上に表示した例を示す図である。 図９は、トレンド監視変数選択部により選択された変数のトレンドグラフを監視画面上に表示した例を示す図である。 図１０は、ローディング部分行列の正準角について説明するための図である。 図１１は、監視画面上に表示された時間類似度マップの一例を概略的に示す図である。 図１２は、監視画面上に表示された時間類似度マップの一例を概略的に示す図である。 図１３は、トレンド監視期間選択部の動作の一例について説明するための図である。 図１４は、トレンド監視期間選択部の動作の他の例について説明するための図である。 図１５は、現在の監視データと比較監視対象のデータとのトレンドグラフを監視画面上に表示した一例を概略的に示す図である。
実施形態
　以下、複数の実施形態のプラント監視支援装置について図面を参照して詳細に説明する。以下で説明するプラント監視支援装置は、例えば、下水処理プロセス、排水処理プロセス、汚泥消化プロセス、浄水プロセス、給配水プロセス、化学プロセス、鉄鋼プロセスなどのプロセス系の監視装置に適用することが可能である。
　プラントの監視において、通常、運転管理者・運転員は、自身の判断で選択した「ある監視変数」のデータをトレンドグラフで監視している。その際、「選択した変数の過去のデータ」や「選択した変数と関連のあるデータ」を参照しながら、監視を行うことが多い。例えば、運転管理者・運転員は、選択した変数のトレンドグラフを監視しながら、「昨日の同時刻のデータ」、「先週の同時刻のデータ」もしくは「１年前の同日付近のデータ」などを参照しながら監視を行う場合がある。
　また、例えば浄水・配水処理において、運転管理者・運転員が「ポンプ吐出流量」を監視している場合に、そのポンプで汲み出す配水池、あるいはポンプで送水する先の配水池の「水位」を同時監視することがある。
　あるいは、運転管理者・運転員は、下水処理において、「ブロワの風量」と一緒に「ブロワ回転数」や「ブロワ電力」を同時に監視したり、「ブロワの風量」と同時に反応槽内に存在する「溶存酸素濃度」、さらには、溶存酸素濃度に影響を受ける各種の「水質濃度」を同時に監視したりすることがある。
　このように、同一変数の異なる時間帯のデータの同時監視や、ある変数と関連を持つ変数の同時監視は、プラントを適切に運用するうえで、きわめて重要な意味を持つ。この際、例えば「昨日」「一週間前」「一年前」といった規則的に時間をずらしたデータは検索もしやすく、これを同時に監視することは容易である。一方で、例えば、任意のプラント監視時点と同じような運用を行っていた過去のデータを検索することは必ずしも容易でない。
　また、何らかの関連を持つ変数を同時監視する場合、例えば、「流量」と「水位」、「ブロワ／ポンプの電力」と「回転数」と「流量」、など直接的に因果関係や相関関係を持つことが大多数の運転管理者・運転員にとって明らかなときには、これらを同時監視することは比較的容易である。一方で、例えば、「ブロワ風量」と「水質」、などの様に、対象プロセスに関するある程度の知識を持つ運転管理者・運転員でないと理解できない何らかの関係性を持つ変数の同時監視は、特に非熟練の運転管理者や運転員にとって容易ではない。
　そこで、以下に説明する実施形態では、このように、非熟練の運転管理者や運転員によってプラント監視が行われる様な状況で、「選択した変数の過去のデータ」や「選択した変数と関連のあるデータ」の参照が必ずしも容易でないようなときに、監視すべきトレンドデータのナビゲーション情報を運転管理者・運転員に提供し、ガイダンスする機能を備えたプラント監視支援装置について説明する。
　以下、実施形態のプラント監視支援装置について、図面を参照して説明する。
　図１は、一実施形態のプラント監視支援装置の一構成例を概略的に示す図である。
　ここでは、実施形態のプラント監視支援装置を、窒素およびリン除去を目的とした下水高度処理プロセスを対象とする監視システムに適用した一例を示している。なお、本実施形態のプラント監視支援装置は、下水高度処理プロセスを対象とするものに限定されるものではなく、１種類又は２種類以上の計測項目の時系列データが存在する任意のプロセスを対象とすることができる。
　下水高度処理プロセス１は、最初沈澱池１０１、嫌気槽１０２、無酸素槽１０３、好気槽１０４及び最終沈澱池１０５を有する。処理対象の下水（以下「被処理水」という。）は、最初沈澱池１０１、嫌気槽１０２、無酸素槽１０３、好気槽１０４、最終沈澱池１０５の順に送水され処理される。
　最初沈澱池１０１は、下水高度処理プロセス１に送られてくる被処理水の貯水池である。最初沈澱池１０１では、沈澱により比重の重い固形物が被処理水から分離される。
　嫌気槽１０２は、有機物を分解する微生物を被処理水に投入するための水槽である。嫌気槽１０２において、被処理水は空気が供給されない状態で攪拌される。これにより、微生物に体内のリンを吐き出させる。一般にこの処理をリン吐出という。
　無酸素槽１０３は、被処理水から窒素を除去するための水槽である。具体的には、無酸素槽１０３では、後段の好気槽１０４から戻された被処理水が嫌気槽１０２から送られてきた被処理水に混ぜられ、空気を供給されない状態で攪拌される。無酸素槽１０３では、微生物の働きにより被処理水中の硝酸が窒素に分解され、大気に放出される。一般にこの処理を脱窒という。
　好気槽１０４は、被処理水中の有機物の分解と、リンの除去及びアンモニアの硝化とを行うための水槽である。具体的には、被処理水に空気を供給して微生物を活性化させ、微生物に有機物を分解させるとともに、微生物に被処理水中のリンを吸収させる。嫌気状態でリンを吐出しその代りに有機物を蓄積した状態の微生物は、活性化されることにより吐き出した以上のリンを吸収するため、被処理水中のリンが除去される。また、好気槽１０４では、被処理水に空気が供給されることによりアンモニアが硝酸に分解される。一般にこの処理を硝化という。
　最終沈澱池１０５は、リンの除去及びアンモニアの硝化が行われた被処理水の貯水池である。最終沈澱池１０５では沈澱によって被処理水に残存する固形物が分離され、上澄みの清澄水が処理済みの水として放流される。
　下水高度処理プロセス１は、最初沈澱池余剰汚泥引き抜きポンプ１１１、ブロワ１１２、循環ポンプ１１３、返送汚泥ポンプ１１４、及び、最終沈澱池余剰汚泥引き抜きポンプ１１５を備える。
　最初沈澱池余剰汚泥引き抜きポンプ１１１は、最初沈澱池１０１から沈澱した汚泥を引き抜いて除去するポンプである。最初沈澱池余剰汚泥引き抜きポンプ１１１は、引き抜いた汚泥の流量を計測する流量センサを有する。
　ブロワ１１２は、好気槽１０４に酸素を供給する送風機である。ブロワ１１２は、供給した空気の流量を計測する流量センサを有する。
　循環ポンプ１１３は、被処理水を好気槽１０４から無酸素槽１０３に返送するポンプである。循環ポンプ１１３は、返送した被処理水の流量を計測する流量センサを有する。
　返送汚泥ポンプ１１４は、最終沈澱池１０５から沈澱した汚泥の一部を引き抜いて嫌気槽１０２に返送するポンプである。返送汚泥ポンプ１１４は、返送した汚泥の流量を計測する流量センサを有する。
　最終沈澱池余剰汚泥引き抜きポンプ１１５は、最終沈澱池１０５から沈澱した汚泥を引き抜いて除去するポンプである。最終沈澱池余剰汚泥引き抜きポンプ１１５は、引き抜いた汚泥の流量を計測する流量センサを有する。
　また、下水高度処理プロセス１は、雨量センサ１２１、下水流入量センサ１２２、流入ＴＮセンサ１２３、流入ＴＰセンサ１２４、流入有機物センサ１２５、ＯＲＰセンサ１２６、嫌気槽ｐＨセンサ１２７、無酸素槽ＯＲＰセンサ１２８、無酸素槽ｐＨセンサ１２９、リン酸センサ１３０、ＤＯセンサ１３１、アンモニアセンサ１３２、ＭＬＳＳセンサ１３３、水温センサ１３４、余剰汚泥ＳＳセンサ１３５、放流ＳＳセンサ１３６、汚泥界面センサ１３７、下水放流量センサ１３８、放流ＴＮセンサ１３９、放流ＴＰセンサ１４０、及び、放流有機物センサ１４１を備える。
　雨量センサ１２１は、下水高度処理プロセス１に流入する付近の雨量を計測するセンサである。下水流入量センサ１２２は、下水高度処理プロセス１に流入する下水（以下「流入下水」という。）の流量を計測するセンサである。流入ＴＮセンサ１２３は、流入下水に含まれる全窒素量（ＴＮ）を計測するセンサである。流入ＴＰセンサ１２４は、流入下水に含まれる全リン量（ＴＰ）を計測するセンサである。流入有機物センサ１２５は、流入下水に含まれる有機物量を計測するＵＶ（吸光度）センサ又はＣＯＤ（化学的酸素要求量）センサである。
　ＯＲＰセンサ１２６は、嫌気槽１０２のＯＲＰ（酸化－還元電位）を計測するセンサである。嫌気槽ｐＨセンサ１２７は、嫌気槽１０２のｐＨを計測するセンサである。
　無酸素槽ＯＲＰセンサ１２８は、無酸素槽１０３のＯＲＰを計測するセンサである。無酸素槽ｐＨセンサ１２９は、無酸素槽１０３のｐＨを計測するセンサである。
　リン酸センサ１２１０は、好気槽１０４のリン酸濃度を計測するセンサである。ＤＯセンサ１２１１は、好気槽１０４の溶存酸素濃度（ＤＯ）を計測するセンサである。アンモニアセンサ１２１２は、好気槽１０４のアンモニア濃度を計測するセンサである。
　ＭＬＳＳセンサ１２１３は、嫌気槽１０２、無酸素槽１０３又は好気槽１０４の少なくとも一箇所で活性汚泥濃度（ＭＬＳＳ）を計測するセンサである。図１では、ＭＬＳＳセンサ１２１３は嫌気槽１０２に設置された例を示している。
　水温センサ１２１４は、無酸素槽１０３又は好気槽１０４の少なくとも一箇所で水温を計測するセンサである。図１では、水温センサ１２１４は無酸素槽１０３に設置された例を示している。
　余剰汚泥ＳＳセンサ１２１５は、最終沈澱池１０５から引き抜かれる汚泥の固形物（ＳＳ）濃度を計測するセンサである。放流ＳＳセンサ１２１６は、最終沈澱池１０５から放流される水のＳＳ濃度を計測するセンサである。汚泥界面センサ１２１７は、最終沈澱池１０５の汚泥界面レベルを計測するセンサである。
　下水放流量センサ１２１８は、放流水の流量を計測するセンサである。放流ＴＮセンサ１２１９は、放流水に含まれる全窒素量を計測するセンサである。放流ＴＰセンサ１２２０は、放流水に含まれる全リン量を計測するセンサである。放流有機物センサ１２２１は、放流水に含まれる有機物量を計測するＵＶセンサ又はＣＯＤセンサである。
　なお、上記の最初沈澱池余剰汚泥引き抜きポンプ１１１、ブロワ１１２、循環ポンプ１１３、返送汚泥ポンプ１１４及び最終沈澱池余剰汚泥引き抜きポンプ１１５など機器のそれぞれは所定周期の制御で動作する。また、最初沈澱池余剰汚泥引き抜きポンプ１１１、ブロワ１１２、循環ポンプ１１３、返送汚泥ポンプ１１４及び最終沈澱池余剰汚泥引き抜きポンプ１１５の機器それぞれが有する流量センサを含む上記の各センサは、所定周期でセンシング対象を計測する。以下、最初沈澱池余剰汚泥引き抜きポンプ１１１、ブロワ１１２、循環ポンプ１１３、返送汚泥ポンプ１１４及び最終沈澱池余剰汚泥引き抜きポンプ１１５のそれぞれが有する流量センサを総称して操作量センサと称し、その他のセンサを総称してプロセスセンサと称する。
　下水高度処理プロセス１や他の多くのプラント（鉄鋼プラント、石油化学プラント、食品プラント、製薬プロセス、半導体製造プロセス、発電プラント、交通監視設備、空調監視設備、など）では、プロセスの状態を表す量や運転操作に関わる量など多数のセンサが設置され所定の周期で計測を行っているものが多い。各操作量センサ及び各プロセスセンサは、所定周期のセンシングによって得られた計測データをプロセスデータとしてデータ収集・保存部２に送信する。
　本実施形態のプラント監視支援装置は、データ収集・保存部２と、データ抽出部３と、変数類似度算出部４と、変数類似度マップ生成部５と、トレンド監視変数選択部６と、データ分割部７と、時間類似度算出部８と、時間類似度マップ生成部９と、トレンド監視期間選択部１０と、トレンドグラフ表示部１１と、を備えている。
　なお、本実施形態のプラント監視支援装置は、少なくとも１つのプロセッサと、プロセッサにより実行されるプログラムが記憶されたメモリと、を備え、ソフトウエアにより若しくはソフトウエアとハードウエアとの組み合わせにより、以下に説明する種々の機能を実現可能に構成されている。
　データ収集・保存部２は、下水高度処理プロセス１の各操作量センサ及び各プロセスセンサから、計測データ（プロセスデータ）を周期的に受信する。すなわち、データ収集・保存部２は、複数の変数値を周期的に受信する。なお、データ収集・保存部２は、各操作量センサ及び各プロセスセンサで計測されたプロセスデータを直接受信してもよく、各操作量センサ及び各プロセスセンサにより所定周期で計測されたプロセスデータが記録された記録媒体等を介して、複数の変数値を取得してもよい。
　データ抽出部３は、類似度計算用データ抽出部３１と、プロセス監視用データ抽出部２１と、を備えている。
　類似度計算用データ抽出部３１は、所定の周期で若しくは外部からの要求により、データ収集・保存部２から所定期間および所定変数（一又は多変数）のプロセスデータ（時系列データ）を抽出する。なお、類似度計算用データ抽出部３１で抽出されたプロセスデータは、後述の変数類似度および時間類似度の算出に用いられる。
　プロセス監視用データ抽出部３２は、所定の周期で若しくは外部からの要求により、データ収集・保存部２からトレンド監視用のプロセスデータ（時系列データ）を抽出する。なお、プロセス監視用データ抽出部３２で抽出されたプロセスデータは、後述のトレンドグラフ表示部１１により、トレンドグラフとして運転管理者・運転員に提示され得る。
　変数類似度算出部４は、類似度計算用データ抽出部３１により抽出されたＭ（正の整数）個の変数のデータの中のＭ個以下の所定の数（例えばｍ（正の整数）とする）の変数のデータを用いて、後述する方法で変数間の類似度（変数類似度）を計算する。
　変数類似度マップ生成部５は、変数類似度算出部４において計算された変数類似度を可視化する機能を備える。変数類似度マップ生成部５は、例えば、変数類似度をｍ行ｍ列の類似度行列として表現し、この類似度行列をｍ×ｍの等値線図などのマップとして可視化するデータを生成する。変数類似度マップ生成部５は、例えば、類似度行列の要素に対応する矩形状の領域を、行列の配列に対応するように格子状に並べたマップにおいて、それぞれの領域に対応する変数類似度の値に応じた色で表示するためのデータを生成する。
　トレンド監視変数選択部６は、変数類似度マップ生成部５で生成されたデータを受信し、変数類似度マップと同時に監視すべきトレンドグラフ複数の変数（変数郡）を選択する。トレンド監視変数選択部６は、選択した変数郡についての変数類似度マップを表示するデータを、トレンドグラフ表示部１１へ送信する。トレンド監視変数選択部６は、例えば、ユーザの操作により入力された指令に基づいてプロセスデータから変数郡を選択してもよく、予め設定された複数の変数をプロセスデータから自動的に変数郡として選択してもよい。
　データ分割部７は、データ分割数指定部７１と、データ分離部７２と、を備えている。　データ分割数指定部７１は、類似度計算用データ抽出部３１により抽出されたプロセスデータの中から所定の数（＝ｍ）の変数のデータを、時間方向において分割する数（＝ｋ）を設定する。
　データ分離部７２は、ｍ個の変数の時系列データを、時間方向における所定の周期で、データ分割数指定部７１により設定されたｋセットのｍ変数の時系列データ（第２時系列データ）に分離する。
　時間類似度算出部８は、データ分割部７で分割されたｋセットのｍ変数の時系列データから、ｋ個の時間方向の類似度（時間類似度）を算出する。なお、時間類似度の算出方法については、後に詳細に説明する。
　時間類似度マップ生成部９は、時間類似度算出部８により算出された時間方向の類似度を、ｋ×ｋの行列の類似度行列として表現し、これをｋ×ｋの等値線図などのマップとして表示可能なデータを生成する。時間類似度マップ生成部９は、例えば、類似度行列の要素に対応する矩形状の領域を、行列の配列に対応するように格子状に並べたマップにおいて、それぞれの領域に対応する時間類似度の値に応じた色で表示するためのデータを生成する。
　トレンド監視期間選択部１０は、時間類似度マップ生成部９で生成されたデータを受信し、時間類似度マップ生成部９上でトレンド監視を行う期間を選択する。トレンド監視期間選択部１０は、選択した期間について、時間類似度マップを表示するデータを、トレンドグラフ表示部１１へ送信する。トレンド監視期間選択部１０は、例えば、ユーザの操作により入力された指令に基づいてプロセスデータから期間を選択してもよく、予め設定された期間をプロセスデータから自動的に選択してもよい。
　トレンドグラフ表示部１１は、トレンド監視変数選択部６から受信したデータを用いて、選択された変数郡の変数類似度マップを表示させることができる。また、トレンドグラフ表示部１１は、トレンドグラフ監視期間選択部１０から受信したデータを用いて、選択された期間の時間類似度マップ表示させることができる。なお、トレンドグラフ表示部１１は、例えばプロセス監視用データ抽出部３２から受信したデータを用いて、トレンドグラフを表示させることも可能である。トレンドグラフ表示部１１は、表示手段を備えていてもよい。また、トレンドグラフ表示部１１は、外部の表示手段に類似度マップやトレンドグラフを表示させてもよい。
　次に、上述のプラント監視支援装置の動作の一例について説明する。
　なお、本実施形態のプラント監視支援装置では、下水高度処理プロセス１の操作量センサ１１１～１１５と各種プロセスセンサ１２１～１２２１とによって、所定の周期ＴＨ（例：ＴＨ＝１分）でプロセスの情報が計測されているものとする。
　データ収集・保存部２は、計測されたプロセス情報（計測情報）を周期的に取得し、予め決められたフォーマットに従って時系列データとして保存する。
　データ抽出部３の類似度計算用データ抽出部３１は、操作量センサ１１１～１１５と各種プロセスセンサ１２１～１２２１とに対応する項目のデータと、その名称ラベル（「流入ＴＮ」「嫌気槽ＯＲＰ」など）とを、別途指定する所定の期間Ｔ０～Ｔ１、もしくは、所定の周期ＴＬの時系列データとして取得する。
　所定の期間（ＴＨ＝１分として）の一例として、類似度計算用データ抽出部３１は、Ｔ０＝２０１９年１月１日０：００、Ｔ１＝２０１９年１２月３１日２３：５９とした場合、２０１９年の１年間分の時系列データを指定することができる。また、類似度計算用データ抽出部３１は、所定の周期ＴＬを例えば３０日（もしくは１か月）と指定すると、３０日（もしくは１か月）毎のデータを定期的に抽出することができる。
　以下では、このようにして抽出されたデータセットをＬ×Ｍの行列としてＸ０、対応する変数の名称ラベルを１×ＭのベクトルとしてＸ０ｌａｂｅｌと記載することにする。また、後述する変数類似度や時間類似度の算出にアラーム類似度を用いる場合には、類似度計算用データ抽出部３１は、行列Ｘ０に付随する情報として、行列Ｘ０と同時に各変数に対する警報（アラーム）のデジタル時系列情報としてＬ×Ｍの警報行列Ｆ０も同時に抽出しておく。
　ここで、Ｌは抽出した時系列データのデータ点数、Ｍは変数の数である。本実施形態のプラント監視支援装置では、Ｍは、最初沈澱池余剰汚泥引き抜きポンプ（引き抜き流量センサを含む）１１１～１２２１、放流下水に含まれる有機物量を計測する放流ＵＶセンサあるいは放流ＣＯＤセンサ、までの２５変数に相当する数であり、Ｍ＝２５である。実際の中規模以上の下水処理施設では、複数の水処理系列（中規模以上の処理場では、水処理はプールのコース（レーン）の様に並列して行われる場合が多く、各コースに相当するものを「系」と呼び、例えば１系、２系、・・・と名付けている）から成っている事が多いため、例えば、大規模処理場で１０系列あるとすると、プラント監視支援装置により監視可能な変数の数ｍは、２５０（＝２５×１０）となる。
　また、下水処理以外の他のプラント（発電プラント、石油化学プラントなど）においても数百～数千変数になることはまれでない。本実施形態のプラント監視支援装置は、そのような「多変量」の監視を行う場合に、特にその効果を発揮することができる。
　また、データ点数Ｌについては、オンラインセンサの計測周期ＴＨが、例えば１分の場合で、１年間分のデータを選択した場合、行列Ｘ０の行数Ｌは、５２５,６００（＝６０×２４×３６５）となる。
　なお、以降の説明において、行列Ｘ０と変数ラベルＸ０ｌａｂｅｌとは以下の様に表すものとする。
Figure JPOXMLDOC01-appb-M000001
 　類似度計算用データ抽出部３１は、上記のように類似度計算用の行列Ｘ０と変数ラベルＸ０ｌａｂｅｌとを抽出することができる。
　次に、変数類似度算出部４の動作の一例について説明する。
　変数類似度算出部４は、行列Ｘ０と変数ラベルＸ０ｌａｂｅｌとの少なくとも一方を用いて変数類似度を算出することができる。変数類似度は、各変数（本実施形態では上記の２５変数）のそれぞれが互いにどの程度類似しているかを表す指標であり、典型的には、２つの変数の時系列データに基づいて定義される。例えば、変数類似度算出部４は、２つの時系列データの「距離」あるいは「内積」に基づく変数類似度指標を、変数類似度として算出することが可能である。
　前者の「距離」に基づく変数類似度指標を算出する方法では、行列Ｘ０の中の２つの時系列データベクトルをｘ＝ｘｃｉとｙ＝ｘｃｊとすると、例えば、この２つのベクトルのユークリッド距離（Ｌ２距離）、マンハッタン距離（Ｌ１距離）、チェビシェフ距離（Ｌ∞距離）、などを含むミンコフスキー距離（Ｌｐ（ｐ＝１、２、…、∞）距離）を｜ｘ－ｙ｜ｐとすることができる。ここで、｜・｜はベクトルのノルムを表すことにし、｜・｜ｐはｐノルムを意味することとする。また、データ間の物理的な大きさのばらつきを考慮する場合には、各変数のデータを標準偏差で割って標準化した標準化ユークリッド距離、あるいは、変数間の相関を考慮して調整したマハラノビス距離を用いることも可能である。
　次に、後者の「内積」に基づく変数類似度指標を算出する方法について説明する。なお、以下の説明において、「ｘTｙ」によりｘとｙとの内積を表すものとする。データ間のばらつきを調整するために、例えば、各ベクトルのノルムで正規化した、ｘＴｙ／（｜ｘ｜｜ｙ｜）を内積値として用いることができる。これは、コサイン類似度と呼ばれる指標である。さらに、各データの平均をゼロにする様にしてコサイン類似度を計算したものは、いわゆる（ピアソンの）相関係数に相当し、この相関係数を変数類似度としてもよい。あるいは、相関係数の符号を無視して相関の強弱を類似度指標としたいときには、相関係数の絶対値もしくは相関係数の２乗で定義される決定係数などを、変数類似度の指標として用いることも可能である。さらに、必ずしも内積に基づく指標とはならないが、ピアソンの相関係数を、スピアマンの順位相関などのノンパラメトリック相関係数や、各種のロバスト相関係数、あるいは、それらの絶対値や２乗をとることで符号情報を消去した相関指標、などを変数類似度指標とすることもできる。
　また、変数類似度指標は、必ずしも時系列データ（行列Ｘ０）から算出する必要はなく、例えば、変数の名称の類似度として変数ラベルＸ０ｌａｂｅｌから編集距離（レーベンシュタイン距離）を算出して、これを変数類似度指標としてもよい。
　また、例えば非特許文献１などに記載されているような、各変数のアラームがどの程度同時に発報されていたかを示すアラーム類似度を、警報行列Ｆ０を用いて算出して、変数類似度の指標として用いることもできる。
　また、上記の各変数類似度指標は、採用する指標によりとりうる値の存在範囲が異なり。さらに、例えば「距離」と「相関係数」との様に、類似と非類似との方向性が逆である場合もある。すなわち、「距離」は０である場合が完全一致であり、「距離」の値が大きくなると非類似であるのに対し、「相関係数」は１であるときに完全一致であり、０であるときに完全不一致である。このため、何等かの方法で基準（指標の取りうる値の範囲と、類似と非類似との方向性）を揃えておく方が好ましい。
　以下の説明では、変数類似度指標は、０のときに完全不一致、１のときに完全一致となる様に正規化した指標として説明する。このような変換の例は、例えば、以下の様にすることができる。すなわち、距離の様に０で完全一致し正の値しかとらない指標の場合には、その指標値をｄとすると、下記式（３）により、ｄ＝０の場合にｄ´＝１、ｄ＝∞の場合にｄ’＝０となる様に変換することができる。
　ｄ´＝ｅｘｐ（－ｄ／σ)…………………………………………………………………（３）
　ここで、σは正の可調整パラメータである。
　また、相関係数の様に正負の符号を両方とる場合には、この指標をｒとすると、下記式（４）により、とり得る値の範囲を０以上１以下となるように変換することができる。　ｒ´＝（ｍａｘ（ｒ）－ｒ）／（ｍａｘ（ｒ）－ｍｉｎ（ｒ））
　　　＝（１－ｒ）／２……………………………………………………………………（４）
　上記ように指標を正規化することにより、複数種類の指標を適切に組み合わせて、変数の類似度を定義することも可能となる。一例として、例えば、データの絶対値相関の近さとデータの名称の近さとを組み合わせて類似度を定義したい場合、各指標として、各々、相関係数絶対値をｒ、正規化した編集距離をｌとすると、下記式（５ａ）および式（５ｂ）により、複数種類の類似度指標を組み合わせた変数類似度指標ｂを生成することができる。
　ｂ＝ｒ×ｌ………………………………………………………………………………（５ａ）　ｂ＝（α×ｒ＋（１－α）×ｌ）（０＜α＜１、α＝０．５で通常の平均）…（５ｂ）
　なお、複数種類の類似度指標を組み合わせるのではなく、複数種類の変数類似度を各々定義して同時に（並列に）監視したい場合には、例えば後述する変数類似度マップの表示において、表示する変数類似度を切り替えられるようにしておくことが好ましい。
　以上の様な操作により、変数類似度算出部４は、ｘとｙとの類似度を定義することができ、これをＭ個の変数の全ての組み合わせ（＝（Ｍ－１）×Ｍ／２）について計算することができる。
　次に、変数類似度マップ生成部５の動作の一例について説明する。
　変数類似度マップ生成部５は、変数類似度算出部４で算出した（Ｍ－１）×Ｍ／２個の変数類似度を、対角線に対して対称になるように配置し、各変数自身の類似度（上記の正規化を行った場合には、必ず１となる）を対角に配置して、Ｍ×Ｍ（＝（Ｍ－１）×Ｍ／２×２＋Ｍ）の類似度行列として表す。
　類似度行列において、例えば、１行目の１列目には、第１変数と第Ｍ変数との変数類似度が配置され、１行目の２列目には、第１変数と第（Ｍ－１）変数との変数類似度が配置されるように、順次１行目の（Ｍ－１）列目まで変数類似度が並び、１行目のＭ列目には、第１変数と第１変数との類似度（＝１）が配置される。２行目からＭ行目までの各行についても同様である。換言すると、類似度行列において、１行目とＭ列目とが同じ変数に対応し、２行目と（Ｍ－１）列目とが同じ変数に対応し、…、Ｍ行目と１列目とが同じ変数に対応するように、順次、変数類似度が配置される。
　変数類似度マップ生成部５は、例えば上記のような類似度行列に対応する変数類似度マップを表示するためのデータを生成する。
　図２は、監視画面上に表示された変数類似度マップの一例を概略的に示す図である。　この例では、変数類似度マップは、Ｍ行Ｍ列の類似度行列を構成する変数類似度の各要素に対応する矩形状の領域を、それぞれの要素に対応する位置に格子状に並べたマップであり、対応する変数類似度の値に応じた色で矩形状の領域が色分けされている。図２の例では、変数類似度の値が１である領域が赤色で表示され、変数類似度の値が０である領域が青色で表示されるように、変数類似度の値に応じて青色、緑色、黄色、赤色と徐々に変化するように各領域が色分けされている。
　このように、変数類似度の値に応じて、マップ上の対応する領域を色分けすることにより、運転管理者・運転員は、提示される監視画面上にて変数値同士がどの程度似ているか視覚的に把握でき、例えば、トレンドグラフからは気づくことが難しいような変数の挙動を確認することができる。
　図３は、監視画面上に表示された変数類似度マップの他の例を概略的に示す図である。
　ここでは、ある程度類似度の高い変数間の関係を強調するために、類似度に所定の閾値を設け、その閾値以下の値は０として(又は０と同じ色となるように)変数類似度マップを表示した例を示している。例えば図３では、類似度の閾値を０．５とし、０．５以下の値のものを０として（又は０と同じ色となるように）表示している。
　また、よりシンプルな表現にするために、例えば、類似度が０．５以上のものを１とし（又は１と同じ色となるように）、０．５未満のものを０として（又は０と同じ色となるように）、２色でマップを色分けして表示してもよい。このようにすると、変数間の類似性の情報量は低下するものの、運転管理者・運転員は類似性の強い変数を簡単に見つけることが可能になる。
　図２や図３の様な表示形式では、類似性の高い変数と類似性の低い変数がこのマップ上に散在している。通常、各変数は、監視システム上に登録された順番などで選択されていると考えられ、この順序でマップを作成すると、図２や図３のようなマップになることが多いと考えられる。そこで、変数の順序を並べ替えて、関係性の高い変数群をまとめて表示することも好ましい。
　図４は、監視画面上に表示された変数類似度マップの他の例を概略的に示す図である。　ここでは、図２に示した変数類似度マップにおいて、類似度の高い変数郡がまとめて表示されるように変数の順序を並び替えた変数類似度マップの一例を示している。
　図５は、監視画面上に表示された変数類似度マップの他の例を概略的に示す図である。　ここでは、図３に示した変数類似度マップにおいて、類似度の高い変数郡がまとめて表示されるように変数の順序を並び替えた変数類似度マップの一例を示している。
　このように変数群の並べ替えは、例えば、スペクトルクラスタリング手法を使えば容易に行うことができる。具体的には、変数類似度マップ生成部５は、以下の様な手順で変数の並べ替えを行うことができる。
　まず、変数類似度マップ生成部５は、変数類似度マップに用いた類似度行列をスペクトルクラスタリングで用いる隣接行列Ｗと見なして、この隣接行列Ｗの各行の和を対角要素として持つ次数行列Ｄを作成する。そして、グラフラプラシアンＬをＬ＝Ｄ－Ｗで定義する。
　次に、変数類似度マップ生成部５は、必要に応じて、グラフラプラシアンＬを対称化グラフラプラシアンＬｓ（＝Ｄ－１／２ＬＤ－１／２）、あるいはランダムウォークグラフラプラシアンＬｒ（＝Ｄ－１Ｌ）などの変換を行った上で、固有値分解を行い、グラフラプラシアンＬあるいはＬｓあるいはランダムウォークグラフラプラシアンＬｒの固有ベクトルからなる行列Ｖを求める。
　そして、クラスタリングのクラス数Ｋを指定した上で、行列Ｖの全ての行について、１列目からＫ列目までを取り出した部分行列Ｖ（：、１：Ｋ）に対して、一般的に使われる適切なクラスタリング手法、例えば、Ｋ－ｍｅａｎｓクラスタリングなどを適用して、部分行列Ｖ（：、１：Ｋ）の各行をＫ個のクラスのいずれかに分類する。なお、上記部分行列の表記は、行列変数名（行開始位置：行終了位置、列開始位置：列終了位置）としたものである。
　部分行列Ｖ（：、１：Ｋ）の各行番号は、類似度行列の各変数に対応する（１行目は１番目の変数、２行目は２番目の変数、など）ので、同じクラスに分類された変数をまとめるように並べ替えると、図４および図５の様な表示が可能になる。
　上記のように変数を並び替えることで、関連性の高い（類似度の高い）変数群をまとめたマップとしてプラント監視画面上に表示することができる。また、類似度の高い変数郡をまとめて表示するマップとすることで、後述するようにトレンド監視変数選択部６における変数選択も容易になる。
　次に、トレンド監視変数選択部６の動作の一例について説明する。
　トレンド監視変数選択部６は、変数類似度マップ生成部５で作成したマップのデータを用いて、例えば運転管理者・運転員に変数類似度マップを提示し、運転管理者・運転員の操作に基づいて、同時にトレンド監視すべき変数群を選択する。
　この際、例えば図４および図５に示すように、関連のある（類似度の高い）変数がクラスタ化されている場合は、トレンド監視変数選択部６は、このクラスタ化された情報を利用して、同時にトレンド監視すべき変数を選択することが好ましい。
　図６は、図５に示す変数類似度マップにおいて、トレンド監視変数を選択する機能の一例を説明するための図である。
　なお図６では、説明のため変数類似度マップの色分けを省略して表示している。変数類似度マップ上の枠ＡＲ１、ＡＲ２、ＡＲ３の各々で囲んだ箇所は、各クラスタを表している。このケースでは、変数を３つのクラスに分類している（上記のクラス数Ｋ＝３に対応）。
　トレンド監視変数選択部６は、例えば、運転管理者・運転員が、監視画面上において図中の各枠ＡＲ１、ＡＲ２、ＡＲ３で囲んだ領域に対応する変数名称箇所の付近をマウスオーバー又は指で接触したときに、対応するクラスタの変数の名称を枠で囲んだブロックと、類似度マップ上の対応する枠ＡＲ１、ＡＲ２、ＡＲ３で囲んだブロックとが自動表示されるように表示を制御する。そこで、運転管理者・運転員がマウスをクリック又は指で画面をタップして選択すると、トレンド監視変数選択部６は、操作情報（クリック又はタップされた画面の位置情報を含む）を取得し、クリック又はタップされたクラスの変数群をトレンドグラフで同時監視する変数として一括して選択することができる。トレンド監視変数選択部６は、選択された変数郡のトレンドグラフを表示するための情報をトレンドグラフ表示部１１へ送信する。
　この例において、例えば、運転管理者・運転員により枠ＡＲ１で囲んだ変数群が一括して選択されると、これらの相互に類似度の高い変数群が一括してトレンドグラフで表示される。従って、運転管理者・運転員は、類似度の高い変数を同時に監視することが可能になる。
　一方、図６中の枠ＡＲ３で囲んだ部分の変数も一つのクラスとして分類されているが、図５を参照すると、これらの変数間には互いに強い類似性は見られない。これは、クラス数Ｋ＝３として分類したときに、強い類似性を持つ枠ＡＲ１と枠ＡＲ２とに囲まれた変数郡のクラスに入らなかった変数群が残りのクラスとして選択されたからであると考えられる。このような場合には、枠ＡＲ３により囲まれた変数群を同時に監視しても、特に強い関連性がみられないと思われる。
　また、図５を参照すると、枠ＡＲ１、ＡＲ２、ＡＲ３のいずれにも囲まれなかった変数にも、ところどころ類似性の高い箇所が認められる。そこで、トレンド監視変数選択部６は、例えば枠ＡＲ１や枠ＡＲ２に囲まれた類似性の高い一つのブロック（以下単位ブロック）を一つが選択されたときに、この単位ブロックに対応する２つの変数のトレンドグラフを更に比較監視することができるように構成されてもよい。この場合には、トレンド監視変数選択部６は、選択された変数郡のトレンドグラフを表示するための情報と合わせて、選択された単位ブロックに対応する変数のトレンドグラフを表示するための情報をトレンドグラフ表示部１１へ送信することができる。
　図７Ａおよび図７Ｂは、図２に示す変数類似度マップにおいて、トレンド監視変数を選択する機能の他の例を説明するための図である。
　運転管理者・運転員がある特定の監視変数に着目しているときには、運転管理者・運転員はその変数に関連する変数群のトレンドグラフを同時に監視することを要求すると考えられる。
　そこで、本実施形態のプラント監視支援装置では、運転管理者・運転員が類似度マップの横軸もしくは縦軸にある着目したい特定の変数名をマウス等でクリック（若しくは指でタップ）した操作情報を取得したときに、トレンド監視変数選択部６は、この変数が類似度マップの左下端（もしくは右上端）に配置するとともに、この変数に対して類似度の高い順に変数名称を並べ替え、類似度マップの配置を変更して表示させる。例えば図７Ａおよび図７Ｂでは、運転管理者・運転員により「変数１０」を選択する操作が行われた際の表示例を示している。
　図２に示す変数類似度マップにおいて、例えば図７Ａに示すように、運転管理者・運転員により「変数１０」を選択する操作が行われると、トレンド監視変数選択部６は、図７Ｂに示すように変数類似度マップの表示を更新する。図７Ｂでは、変数１０は、例えば変数類似度マップの横軸における左端であって縦軸における下端に配置されている。他の変数は、「変数１０」との類似度の高い順に「変数１０」の近くに配置されるように変数名称が並べ替えられる。
　更に、トレンド監視変数選択部６は、更新した変数類似度マップの左下端に、正方形の範囲指定枠ＡＲを表示させる。範囲指定枠ＡＲのサイズは操作により可変であり、運転管理者・運転員は、範囲指定枠ＡＲの角や辺をマウス等でドラッグすることにより移動させて、選択した「変数１０」と同時に表示する変数群を指定する操作を行うことができる。このようにして、運転管理者・運転員は、選択した変数と同時にトレンド監視する変数群を選択する操作を行うことができる。この場合、トレンド監視変数選択部６は、選択された変数および変数郡のトレンドグラフを表示するための情報をトレンドグラフ表示部１１へ送信することができる。
　なお、この例では、図２に示す変数類似度マップにおいて特定の変数を選択する動作を一例として説明したが、予めクラスタリングを行った図４（もしくは図５）に示す変数類似度マップにおいて特定の変数を選択する操作を可能としてもよい。
　また、トレンド監視変数選択部６は、様々な変数類似度マップを切り替えて表示可能に構成されていてもよい。例えば、図６、図７Ａ、および、図７Ｂでは、変数類似度マップの表示を切り替えるためのタブＴ１－Ｔ４を例示している。これらの例では、例えば、相関類似度と、ユークリッド類似度と、アラーム類似度と、名称類似度との中から、変数類似度マップとして表示させる類似度の種類を選択可能としている。トレンド監視変数選択部６は、運転管理者・運転員によりタブＴ１－Ｔ４が選択された操作情報を取得し、表示させる変数類似度マップを切り替えることができる。
　このようにすると、「相関係数の意味で相互に関連のあるもの」、「距離の意味で相互に関連のあるもの」、「アラームを同時に発報しやすいもの」、「変数の名称が近いもの」、など複数の異なる基準で定義された類似度を用いて、同時にトレンド監視を行った方が良い変数群の選択が容易になる。
　次に、トレンドグラフ表示部１１の動作の一例について説明する。
　トレンドグラフ表示部１１は、選択された変数群のトレンドグラフが、プラントの運転管理者・運転員などが監視する監視画面上に一括して表示し得る。
　図８および図９は、トレンド監視変数選択部により選択された変数のトレンドグラフを監視画面上に表示した例を示す図である。
　図８では、トレンド監視変数選択部６により８つの変数が選択されたときの、トレンドグラフの表示例を示している。なお、図８に示す例では、各監視変数のいわゆるトレンドグラフをリアルタイムで表示するととともに、その通常の変動幅も合わせて表示して監視時点のトレンドが通常時と比較してどのような状態であるかを一目でわかるようにしている。この様な表示方法がより好ましいが、通常の変動幅の表示は省略しても構わない。
　図９では、選択した変数が変数類似度マップ生成部５により算出された一つの単位ブロックである場合に、２つの変数を同時に監視画面に表示した例を示している。
　なお、図８および図９に示す例では、トレンドグラフ表示部１１は、「リアルタイム」モードと「ヒストリカル」モードとの表示モードにて、トレンドグラフを表示させることが可能である。「リアルタイム」モードは、実際の監視時におけるプラントの運用状況を監視するための表示モードである。「ヒストリカル」モードは、過去の特定の時点におけるプラントの状況を確認するための表示モードである。また、トレンドグラフ表示部１１は、さらに、表示モードとして「リプレイ」モードでトレンドグラフを表示するよう構成されていてもよい。「リプレイ」モードは、過去のある期間のトレンドグラフの動きを、監視時点をずらしながら（通常は早送りで）監視するためのモードである。
　次に、任意の変数について時間方向の比較監視を行う際の、本実施形態のプラント監視支援装置の動作の一例について説明する。
　時間方向の比較監視は、例えば、監視時点の一昨日の同時刻のデータとの比較監視、一週間前の同曜日同時刻のデータとの比較監視、一年前の同日の同時刻もしくはほぼ一年前の同時期の同曜日同時刻のデータとの比較監視などである。これらの比較監視は、例えば、現在の運用状態の良否や傾向を判断する上で有用な情報となり得る。そこで本実施形態のプラント監視支援装置では、例えば、現在の運用状況と似たような過去の状況における変数値との比較監視、あるいは、逆に似ていない過去の状況における変数値との比較監視、などを行いたい場合に、運転管理者・運転員に比較監視のための情報を提供することを可能としている。
　以下では、上記時間方向の比較監視のための情報を提示する仕組みについて、（１）式の類似度計算用データを用いる方法を一例として説明する。
　まず、データ分割部７の動作の一例について説明する。データ分割部７は、（１）式のデータＸ０を時間方向に分割する。
　先に述べたように、例えば、１分単位の計測データを１年分集めたデータがＸ０であるとすると、データ分割数指定部７１では、時間方向のデータの類似性を調べる時間単位を考慮してデータの分割数を指定する。具体的には、例えば、１日単位で類似性を調べたい場合には、データ分割数ＫをＫ＝３６５と指定する。
　次に、データ分離部７２では、データＸ０を、データ分割数指定部７１により指定されたＫ（＝３６５）セットのデータになる様に分割する。すなわち、下記（６）式に示す様に、データＸ０をＸ０＿１～Ｘ０＿３６５の３６５個の部分行列に分割する。
Figure JPOXMLDOC01-appb-M000002
 　ここで、Ｘ０＿１～Ｘ０＿３６５は、各々１分単位の１日分のデータから構成される１４４０×Ｍ（２６）のサイズの部分行列である。これが、７２データ分離機能の作用の例である。
　次に、時間類似度算出部８の動作の一例について説明する。時間類似度算出部８は、時間方向の類似度を計算する。
　この方法としては、大きく分けて、以下の２つの方法がある。一つは、Ｘ０＿１～Ｘ０＿３６５の各行列の類似度を適宜定義して、行列同士の類似度を求める方法である。もう一つは、Ｘ０＿１～Ｘ０＿３６５から各日の代表値を算出して１×Ｍのベクトルにした上で、変数類似度の計算と同じ様にベクトルの類似度を算出する方法である。
　前者の場合、時間類似度算出部８は、例えば、以下の様に時間類似度を計算することができる。はじめに、Ｘ０＿１～Ｘ０＿３６５の各部分行列に対して主成分分析を適用し、ローディング行列と呼ばれる行列を各々求める。ローディング行列は、第１主成分～第Ｍ主成分までの主成分軸と呼ばれる方向を表すベクトルから構成される行列になっており、通常は、主成分分析を行うと、Ｍよりも小さい値のＭ’（＜＜Ｍ）個の主成分でデータの大半を説明することができる。時間類似度算出部８は、通常の主成分分析で一般的に行われている累積寄与率などの指標でＭ’を決定し、ローディング行列の第１主成分から第Ｍ’主成分方向の方向ベクトルから構成されるローディング行列の部分行列（ローディング部分行列）を求める。
　図１０は、ローディング部分行列の正準角について説明するための図である。
　このようにして求めた３６５個のローディング部分行列の類似度として、正準角を用いる方法が知られており、各々の正準角を求めることでこれを類似度とする。正準角は、第１～第Ｍ’主成分の各軸が構成する部分空間ＳＰＡ、ＳＰＢ同士の角度θを表す指標であって、ベクトルの類似度であるコサイン類似度を行列に拡張した様な指標であり、異常検出などの分野で用いられる。
　以上の方法により、時間類似度算出部８は、ある特定の日と別の日との部分行列同士の類似度を定義することができる。時間類似度算出部８は、上記方法によりすべての日の組み合わせ、すなわちＫ（Ｋ－１）／２個の組み合わせについて計算することで、時間類似度を算出することができる。
　このような部分行列を直接比較する方法とは別に、後者の様にベクトル同士の類似度として時間類似度を定義することもできる。この場合は、まず、はじめに、時間類似度算出部８は、日単位の代表データを生成する。Ｘ０＿１～Ｘ０＿３６５の部分行列は、各々変数（列）毎に、１日分の１４４０点のデータで構成されているので、時間類似度算出部８は、まず、変数毎に日単位の代表データを生成する。最も単純な方法は、各列の平均値で日単位の代表値を算出するものであるが、異常値などを含んでいる可能性があるため、時間類似度算出部８は、適宜一日の中央値や刈込平均（トリム平均）などの異常値に対してロバストな方法で代表値を求める方法を採用することができる。あるいは、時間類似度算出部８は、ロバスト統計の各手法を使って、よりロバスト性が高く効率の良い推定法、例えばホッジス・レーマン推定やブートストラップ推定などの方法を用いてもよい。また、時間類似度算出部８は、例えば６０分毎に時間単位の代表値を中央値で求めたうえで、２４点の各時間の平均を求めるなど、２段階（多段階）のステップを踏む推定を行ってもよい。
　どのような手法を用いる場合でも、Ｘ０＿１～Ｘ０＿３６５の１４４０×Ｍのサイズの部分行列は１×Ｍのサイズのベクトルに置き換えることができる。時間類似度算出部８は、算出した１×Ｍのサイズのベクトルを、下記（７）式の様にＸｄとして定義する。
Figure JPOXMLDOC01-appb-M000003
 　このベクトルＸｄは、各行が日単位の代表値ベクトルである行列であるので、時間類似度算出部８は、名称の類似度である編集類似度を除いて、変数類似度の定義と全く同様に、ベクトル毎の類似度を定義することができる。
　なお、アラーム類似度については、時間類似度算出部８は、時間方向を見ることで時間類似度を定義することも可能である。すなわち、対象のデータベクトルをｘ＝ｘｒ＿ｉとｙ＝ｘｒ＿ｊとすると、時間類似度算出部８は、この２つのベクトルのユークリッド距離（Ｌ２距離）、マンハッタン距離（Ｌ１距離）、チェビシェフ距離（Ｌ∞距離）、などを含むミンコフスキー距離（Ｌｐ距離）、などの距離に基づく類似度や、コサイン類似度、相関係数、相関係数の絶対値もしくは相関係数の２乗で定義される決定係数などの内積に基づく類似度、で時間方向の類似度を計算することができる。
　なお、時間方向の類似度を計算する場合は、上記（７）式におけるｘｒｉの各要素はＭ個の各変数の値であり、一般的には物理的な次元が互いに異なるため、変数毎に、標準偏差や平均などを用いて正規化しておくことが一般的には好ましい。また、このようにベクトルの類似度を計算する場合は、ベクトル毎に計算を行ってもよいが、例えば、相関係数の様に一括して相関係数行列を計算することも可能である。一括して計算する場合、時間類似度算出部８は、時間類似度の計算は、（７）式の行列の行と列を入れ替える転置操作を行った上で、（１）式と同じ計算を行うことで相関係数行列の計算を実行できる。
　上記では、時間類似度算出部８は、（６）式や（７）式はＭ個の全ての変数を含むベクトルの類似度を算出するものとして説明したが、Ｍ個の中から監視に用いる変数Ｍ’≦Ｍ個のみを選択して類似度を計算することも可能である。特に、変数選択を行ってトレンド監視を行う場合には、必ずしもＭ個全ての変数を含む時間類似度を計算するのではなく、選択した変数に連動して時間類似度の計算を変化させる方が、より好ましい場合がある。
　次に、時間類似度マップ生成部９の動作の一例について説明する。
　時間類似度マップ生成部９は、例えば、時間類似度算出部８で算出した（Ｋ－１）×Ｋ／２個の時間方向の類似度を、対角線に対して対称になるよう配置し、各日（又は時間）自身の類似度（上述の正規化を行った場合には、必ず１となる）を対角に配置して、Ｋ×Ｋ（＝（Ｋ－１）×Ｋ／２×２＋Ｋ）の類似度行列として表す。
　類似度行列において、例えば、１行目の１列目には、第１時間と第Ｋ時間との時間類似度が配置され、１行目の２列目には、第１時間と第（Ｋ－１）時間との時間類似度が配置されるように、順次１行目の（Ｋ－１）列目まで時間類似度が並び、１行目のＫ列目には、第１時間と第１時間との類似度（＝１）が配置される。２行目からＫ行目までの各行についても同様である。換言すると、類似度行列において、１行目とＫ列目とが同じ時間に対応し、２行目と（Ｋ－１）列目とが同じ時間に対応し、…、Ｋ行目と１列目とが同じ時間に対応するように、順次、時間類似度が配置される。
　時間類似度マップ生成部９は、例えば上記のような類似度行列に対応する時間類似度マップを表示するためのデータを生成する。
　図１１および図１２は、監視画面上に表示された時間類似度マップの一例を概略的に示す図である。図１１および図１２では、Ｋ＝５５（５５日）とした場合の時間類似度マップの一例を示している。
　この例では、時間類似度マップは、Ｋ行Ｋ列の類似度行列を構成する時間類似度の各要素に対応する矩形状の領域を、それぞれの要素に対応する位置に格子状に並べたマップであり、対応する時間類似度の値に応じた色で矩形状の領域が色分けされている。図１１および図１２の例では、例えば時間類似度の値が１である領域が赤色で表示され、変数類似度の値が０である領域が青色で表示されるように、変数類似度の値に応じて青色、緑色、黄色、赤色と徐々に変化するように各領域が色分けされている。
　このように、変数類似度の値に応じて、マップ上の対応する領域を色分けすることにより、運転管理者・運転員は、提示される監視画面上にて各時間における値同士がどの程度似ているか視覚的に把握でき、例えば、トレンドグラフからは気づくことが難しいような変数の挙動を確認することができる。
　例えば図１１の様な時間類似度マップは、プラントの運用状態が安定しているが、あるタイミングでプラントの運用を変更した場合や、プラント停止などのダウンタイムがあるような場合に見られる典型的な類似度マップであり、ある特定の日を境に状態が大きく変わっていることがわかる。
　一方、図１２の様な時間類似度マップは、類似度マップの左下から右上にかけての対角方向の付近だけの類似度だけが高くなっており、プラントの運用状態が日々少しずつ変化していく様な場合に典型的に見られる類似度マップである。
　このように、運転管理者・運転員は、時間類似度マップを見ることにより、プラントの運用状態がどのように変化してきているかの全体像を一見してとらえることができ、この時間類似度マップを監視するだけでも、日々の運用がどうなっているかの概要を把握することができる。
　なお、図１１や図１２では、Ｋ＝５５日とした例を示したが、例えば、Ｋ＝３６５日として１年間の動きを全体でとらえられる様にしておくことや、Ｋ＝１か月としておき１か月の動きを全体で把握できるようにしておくことなどができる。
　もちろん、変数類似度マップの場合と同様に、ある程度類似度の高い変数間の関係を強調するために、類似度に所定の閾値を設け、その閾値以下の値は０として表示することや、類似の有無の判定閾値を設けて２色（類似有と類似無とで色分けした２色）で表示することも可能である。しかしながら、時間類似度マップは、上述のように時間経過とともに、どのように類似度が変化していくかの全体像を把握する性格のものであるため、必ずしもこのような処理が時間類似度マップを見やすくするものではない。
　また、変数類似度の場合は、ある特定の変数について類似度の高い順にソーティングを行ったり、クラスタリングを行って類似度の高い変数群をまとめたりする処理を導入しているが、時間類似度マップの場合は、時間経過という一つの軸を持っているので、この情報を維持したそのままのマップにしておく方が一般的には適切であると考えられるが、必要に応じて、クラスタリング処理やソーティング処理を行ってマップを修正することを妨げるものではない。
　次に、トレンド監視期間選択部１０の動作の一例について説明する。
　トレンド監視期間選択部１０は、時間類似度マップ生成部９で生成されたデータを利用して、トレンドの比較監視を行う期間の選択を行う。
　図１３は、トレンド監視期間選択部の動作の一例について説明するための図である。　図１３において、時間類似度マップ上において行方向（横軸）に沿って延びたバー２０６は、時間類似度マップの列方向（縦軸）上で現在トレンド監視を行っている時点に対応する位置に配置されている。例えば、トレンド監視でリアルタイム監視を行っている場合は、このバー２０６は常に「現在」の位置（マップの上端）に配置されている。
　なお、時間類似度マップは変数類似度マップとは異なり、時間の経過とともに、常に更新されていくことを前提としている。すなわち、時間類似度マップを１日単位の時間刻みで作成している場合には、１日単位でこの時間類似度マップは更新され、マップの上部と右部の端は常に「現在（＝当日）」となっている。このため、リアルタイム監視の場合には、常に「現在」の箇所にバー２０６が表示されている。一方、ヒストリカル監視を行う場合や、リプレイ監視を行う場合には、管理者・運転員などのユーザは、指定した日時に対応する位置にバー２０６を移動させる。また、時間類似度マップは、トレンド監視機能と連動するので、管理者・運転員が時間類似度マップ上でバー２０６の位置をずらすことにより、リアルタイム監視とヒストリカル監視とのモードを切り替え可能としてもよい。
　さらに、管理者・運転員は、トレンド監視を行っている日を表すバー２０６上で、比較監視したい日時を、日時指定部２０７をスライドさせることで指定することができる。例えば、管理者・運転員がリアルタイム監視を行っているときに、例えば図１３に示す様な位置に日時指定部２０７を移動することで、現在と異なる状態であると考えられる日を指定することができる。あるいは、管理者・運転員がヒストリカル監視を行う様にバー２０６を「現在」の位置から下側に移動させた後に、日時指定部２０７の位置をバー２０６上で比較監視したい日時の位置にスライドさせることで、変化が起こったと考えられる箇所を比較監視の対象として選定することができる。
　トレンド監視期間選択部１０は、管理者・運転員の操作情報に基づいて、バー２０６および日時指定部２０７の位置を特定し、トレンド監視（若しくはヒストリカル監視）を行う日時と比較監視を行う日時とを選択することができる。
　なお、図１３に示す様に、トレンド監視期間選択部１０においても、複数の時間類似度マップを切り替えることができるような機能を設けることが好ましい。
　例えば図１３では、時間類似度マップの表示を切り替えるためのタブＴ５－Ｔ９を例示している。例えばタブＴ１－Ｔ８は、正準角類似度と、Ｌ∞類似度と、Ｌ２類似度と、相関類似度とから、時間類似度マップとして表示させる類似度の種類を選択可能としている。トレンド監視期間選択部１０は、運転管理者・運転員によりタブＴ５－Ｔ８のいずれかが選択された操作情報を取得し、表示させる変数類似度マップを切り替えることができる。このようにすると、複数の異なる基準で定義された類似度を用いて、同時にトレンド監視を行った方が良い日時の選択が容易になる。
　また、例えば、時間類似度マップを年間のマップとした場合には、年度を切り替えて過去の年度に遡ることができる機能を有していることが好ましく、時間類似度マップを月単位で表示する場合には、過去の月に遡ることができる機能を有していることが好ましい。
　そこで図１３では、トレンド監視で比較対象としたい年度を選択するためのタブＴ９を例示している。運転管理者・運転員は、タブＴ９に表示される年度を選択することにより、表示する時間類似度マップを切り替える。トレンド監視期間選択部１０は、運転管理者・運転員によりタブＴ９で監視年度のいずれかが選択された操作情報を取得し、表示させる変数類似度マップを切り替えることができる。このような機能により、運転管理者・運転員がトレンド監視で比較対象としたい日を選択することがより容易になる。
　図１４は、トレンド監視期間選択部の動作の他の例について説明するための図である。　トレンド監視期間選択部１０は、図１４に示す様に、トレンド監視を行っている時点、すなわち、図１３のバー２０６に対応する時点で、時間類似度マップを折りたたんで、一行のマップとして表示してもよい。また、トレンド監視期間選択部１０は、一行でのマップ表示と、図１３の様な格子状のマップ表示とを相互に切り替え可能な機能を有していてもよい。図１４の様に一行のマップを表示することにより、運転管理者・運転員は、日時指定部１０７を一行のマップ上で行方向にスライドさせることにより、比較監視を行いたい日をより容易に選択することが可能になる。
　また、先に述べた様に、時間類似度マップは、変数類似度マップと異なり、通常は、時間の経過とともに更新していくことを前提としているので、ヒストリカル表示の様に過去にさかのぼる場合には、図１３に示した様な監視時点を表すバー２０６を示すのではなく、ヒストリカル表示として指定した日を現在になるように、マップの形状を変えずに時間をシフトするような時間類似度マップとし、比較監視を行いたい日を指定できるようにしてもよい。
　さらに、上記の例では、比較監視の対象としたい日を指定するのは、一つの日時指定部２０７をスライドさせて選択した日を想定して記載したが、所定の上限値を設けて、複数日を比較対象の日として選定可能としておいてもよい。その場合には、トレンド監視期間選択部１０は、例えばバー２０６上に複数の日時指定部２０７を配置して、それぞれをスライドさせて比較対象の日を選択可能とする。
　次に、トレンドグラフ表示部１１の動作の一例について説明する。
　なお、トレンドグラフ表示部１１について、既に記載した説明と重複する動作については、以下では詳細な説明は省略する。トレンドグラフ表示部１１において、比較対象として選定したデータと、現在トレンド監視をしているデータを同時に表示して、選択した変数のトレンドを比較監視するための表示データを生成する。
　図１５は、現在の監視データと比較監視対象のデータとのトレンドグラフを監視画面上に表示した一例を概略的に示す図である。
　ここで示した例は、２つの変数について、トレンド監視期間選択部１０により類似度の高い日時を比較対象として選択したときの表示例であり、比較監視対象のデータのトレンドグラフＧ４と現在の監視データのトレンドグラフＧ３との動きが似ている場合である。トレンド監視期間選択部１０において、類似度の低い日時のデータを選択した場合には、一般には、比較監視対象のデータと現在の監視データとの挙動は大きく異なるものとなる。なお、図１５では、トレンドデータの変動幅Ｇ１と典型的な変動パターンＧ２も同時に示しており、この様なデータも同時に表示してもよい。トレンドデータの変動幅Ｇ１と典型的な変動パターンＧ２は省略しても構わない。
　また、トレンド監視期間選択部１０で示した作用の例では、比較対象のデータを「日」で選択したが、時刻については、「現在」の監視時刻と同期するようにしておくことがデフォルトであり、リアルタイム表示の場合は、「現在」がリアルタイムで変化していくため、これに同期して、比較データも変化していくように表示され得る。また、ヒストリカル表示の場合は、指定した時刻におけるトレンドグラフは時刻を止めたまま表示されるので、比較監視対象のデータも指定した時刻で止まったままで表示され得る。また、リプレイモードの場合には、指定した期間、監視時点のデータと比較監視対象のデータとのトレンドグラフは同期して変化するように表示され得る。
　また、図１５では、例えばトレンド監視変数選択部６で、一つの単位ブロックが選定されて２つの変数を比較監視する場合を想定した表示となっているが、必ずしも変数類似度マップに基づいて監視する変数が選択されている必要はなく、通常のトレンド監視で、ある特定の変数を監視している場合にでも、トレンド監視期間選択部１０により、比較監視する期間のデータを指定することができる。
　上記のように、本実施形態のプラント監視支援装置によれば、プラント監視を行うプラント運転管理者・運転員に対して、同時に監視を行う方が良いと思われる変数群を可視化して提示して、比較監視を行う変数の選択を容易にすることが出来る。また、本実施形態のプラント監視支援装置によれば、プラント監視を行うプラント運転管理者・運転員に対して、比較して監視を行う方が良いと考えられる期間を可視化して提示して、比較監視を行う日時の選択を容易にすることができる。
　すなわち、本実施形態のプラント監視支援装置によれば、「プラントの監視変数」と「プラントの監視期間」に関する全体の情報を類似度マップで可視化して提示することで、運転管理者・運転員は、従来の微視的なトレンド監視では、把握することが難しかったプラントの運用状態の全体像を巨視的、俯瞰的にとらえることが可能になる。また、プラントの俯瞰情報とトレンド監視による詳細な情報を相互に行き来するプラント監視のフレームワークを提供することは、間接的に、プラントで異常が発生した場合の気づきを早める事ができたり、より効率的なプラント運用の方法を発見したりすることにつながり得る。したがって、上記の様な可視化情報を運転管理者に対して提示することで、プラント監視の効率が良くなるだけでなく、特に非熟練のプラント運転員でも、対象とするプラント監視を容易に行うことが可能になる。
　上記のように、本実施形態によれば、プロセスの監視を行う管理者に有用なナビゲーション情報を与えるプラント監視支援装置を提供することができる。
　本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

Claims (8)

  1. 　所定周期で計測された対象プロセスのプロセスデータから２以上の変数値を収集し、前記変数値の時系列データを保存するデータ収集・保存部と、
    　前記データ収集・保存部から、一又は多変数の前記時系列データを抽出可能なデータ抽出部と、
    　前記データ抽出部によって抽出された一又は多変数の前記時系列データを用いて複数の類似度を算出する類似度算出部と、
    　前記複数の類似度を要素とする類似度行列を視覚化した類似度マップを表示するためのデータを生成する類似度マップ生成部と、を備えたプラント監視支援装置。
  2. 　前記類似度算出部は、多変数の前記時系列データに含まれる監視時点における複数の前記変数の情報から、前記複数の変数同士の変数類似度を算出する変数類似度算出部を含み、
    　前記類似度マップ生成部は、前記変数類似度算出部にて生成された複数の前記変数類似度を要素とする変数類似度行列を視覚化した変数類似度マップを表示するためのデータを生成する変数類似度マップ生成部を含み、
    　ユーザが前記変数類似度マップ上で前記変数を選択する操作情報に基づいて、同時に監視する複数の前記変数を選択するトレンド監視変数選択部と、
    　前記トレンド監視変数選択部により選択された複数の前記変数のトレンドグラフを表示するデータを生成するトレンドグラフ表示部と、を更に備える請求項１記載のプラント監視支援装置。
  3. 　前記変数類似度の算出に用いられる複数の前記変数の情報は、複数の前記変数の前記時系列データに含まれる前記変数値、複数の前記変数の名称、および、前記対象プロセスのアラーム情報の少なくともいずれかを含む、請求項２記載のプラント監視支援装置。
  4. 　前記変数類似度マップ生成部は、任意の一つの前記変数と他の複数の前記変数との前記変数類似度の値に応じて複数の前記変数に対応する要素を配置した前記変数類似度行列を可視化した前記変数類似度マップのデータを生成し、
    　前記トレンド監視変数選択部は、任意の一つの前記変数に対して前記変数類似度の高い順に所定数の前記変数を更に選択する、請求項２記載のプラント監視支援装置。
  5. 　前記変数類似度マップ生成部は、前記変数類似度の高い変数群によるクラスタを生成し、前記クラスタ毎に変数が並ぶように前記要素を配置した前記変数類似度行列を可視化する前記変数類似度マップのデータを生成し
    　前記トレンド監視変数選択部は、前記クラスタに含まれる複数の前記変数を同時監視する変数を選択する、請求項２記載のプラント監視支援装置。
  6. 　前記類似度算出部は、前記多変数の前記時系列データに含まれる任意の変数の前記時系列データを、時間方向における所定の周期で複数期間に分割した第２時系列データの、前記複数期間のそれぞれに対応する値同士の時間類似度を算出する時間類似度算出部を含み、
    　前記類似度マップ生成部は、前記時間類似度算出部にて生成された複数の前記時間類似度を要素とする時間類似度行列を視覚化した時間類似度マップを表示するためのデータを生成する時間類似度マップ生成部を含み、
    　ユーザが前記時間類似度マップ上で監視期間を選択する操作情報に基づいて、前記複数期間の少なくとも一つを選択するトレンド監視期間選択部と、
    　前記トレンド監視期間選択部により選択された前記期間を前記監視期間とするトレンドグラフを表示するデータを生成するトレンドグラフ表示部と、を更に備える請求項１又は請求項２記載のプラント監視支援装置。
  7. 　前記時間類似度は、前記第２時系列データに基づく行列の正準角類似度、前記第２時系列データに基づく行列の代表値のベクトル間の相関係数による類似度、および、ミンコフスキー距離に基づく類似度、の少なくともいずれかを含む、請求項６記載のプラント監視支援装置。
  8. 　前記トレンド監視期間選択部は、前記操作情報に基づいて、基準とする前記監視期間と、基準とする前記監視期間と比較監視を行う前記監視期間とを選択する、請求項６記載のプラント監視支援装置。
PCT/JP2021/024297 2020-09-25 2021-06-28 プラント監視支援装置 WO2022064801A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020160705A JP2022053847A (ja) 2020-09-25 2020-09-25 プラント監視支援装置
JP2020-160705 2020-09-25

Publications (1)

Publication Number Publication Date
WO2022064801A1 true WO2022064801A1 (ja) 2022-03-31

Family

ID=80845242

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/024297 WO2022064801A1 (ja) 2020-09-25 2021-06-28 プラント監視支援装置

Country Status (2)

Country Link
JP (1) JP2022053847A (ja)
WO (1) WO2022064801A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013061853A (ja) * 2011-09-14 2013-04-04 Toshiba Corp プロセス監視・診断・支援装置
WO2013051101A1 (ja) * 2011-10-04 2013-04-11 株式会社日立製作所 時系列データ管理システム，および方法
WO2021049506A1 (ja) * 2019-09-11 2021-03-18 日立造船株式会社 情報処理装置、運転支援システム、情報処理方法、および情報処理プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013061853A (ja) * 2011-09-14 2013-04-04 Toshiba Corp プロセス監視・診断・支援装置
WO2013051101A1 (ja) * 2011-10-04 2013-04-11 株式会社日立製作所 時系列データ管理システム，および方法
WO2021049506A1 (ja) * 2019-09-11 2021-03-18 日立造船株式会社 情報処理装置、運転支援システム、情報処理方法、および情報処理プログラム

Also Published As

Publication number Publication date
JP2022053847A (ja) 2022-04-06

Similar Documents

Publication Publication Date Title
JP5284433B2 (ja) プロセス監視・診断・支援装置
JP6214889B2 (ja) プロセス監視診断装置
CN104781741B (zh) 工序监视诊断装置及工序监视诊断程序
CN105027010B (zh) 控制参数调整方法及控制参数调整系统
JP5813317B2 (ja) プロセス状態監視装置
JP4468269B2 (ja) プロセス監視装置及びその方法
JP4762088B2 (ja) プロセス異常診断装置
KR940005029B1 (ko) 프로세스 운전지원방법 및 시스템
DE60007750T2 (de) Allgemeines graphisches anzeigegerät für prozessvariablen und verfahren für dasselbe
JP5793299B2 (ja) プロセス監視診断装置
DE60019349T2 (de) Multivariable Prozesstrendanzeige und darauf abgestimmtes Verfahren
Aguado et al. Multivariate SPC of a sequencing batch reactor for wastewater treatment
Wikström et al. Multivariate process and quality monitoring applied to an electrolysis process: Part I. Process supervision with multivariate control charts
JP2018120343A (ja) プロセス診断装置、プロセス診断方法及びプロセス診断システム
JP6606003B2 (ja) プロセス診断装置、プロセス診断方法及びコンピュータプログラム
JP2024001315A (ja) プロセス監視装置、プロセス監視方法及びプログラム
Albazzaz et al. Multidimensional visualisation for process historical data analysis: a comparative study with multivariate statistical process control
Beck Operational water quality management: beyond planning and design
WO2022064801A1 (ja) プラント監視支援装置
Barbagallo et al. Discovering reservoir operating rules by a rough set approach
JP4537140B2 (ja) Ｂｏｄ推定装置および方法
Bick et al. Boron removal from seawater reverse osmosis permeate: A Hasse diagram analysis of current technologies
JP7163117B2 (ja) プロセス監視支援装置、プロセス監視支援システム、プロセス監視支援方法及びプロセス監視支援プログラム
JP2022025364A (ja) プロセス監視支援装置、プロセス監視支援方法、プロセス監視支援プログラム及び端末装置
DE10108928A1 (de) Verfahren zum Ermitteln von Fertigungs- und/oder Prozessierungsschwächen, Verfahren zum Ermitteln von Maschinentrends sowie zugehörige Komponenten

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: 21871933

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: 21871933

Country of ref document: EP

Kind code of ref document: A1