WO2022097385A1 - データ解析装置、プログラムおよびデータ解析手法 - Google Patents

データ解析装置、プログラムおよびデータ解析手法 Download PDF

Info

Publication number
WO2022097385A1
WO2022097385A1 PCT/JP2021/035223 JP2021035223W WO2022097385A1 WO 2022097385 A1 WO2022097385 A1 WO 2022097385A1 JP 2021035223 W JP2021035223 W JP 2021035223W WO 2022097385 A1 WO2022097385 A1 WO 2022097385A1
Authority
WO
WIPO (PCT)
Prior art keywords
state
correlation
data
process data
data analysis
Prior art date
Application number
PCT/JP2021/035223
Other languages
English (en)
French (fr)
Inventor
朋史 白石
嘉成 堀
晃弘 近藤
Original Assignee
株式会社日立製作所
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 株式会社日立製作所 filed Critical 株式会社日立製作所
Publication of WO2022097385A1 publication Critical patent/WO2022097385A1/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 present invention relates to a data analysis device, a program, and a data analysis method for analyzing plant operation data.
  • DCS distributed control system
  • measuring devices and control devices installed at the site have been connected. It has been done.
  • operations by operators are also performed. For example, in the start operation to start the plant, the stop operation to stop the plant, the raw material type switching operation to switch the raw material type to be supplied to the plant, and the product type switching operation to switch the product type to be manufactured in the plant, the operator intervenes. Perform manual operation.
  • the DCS collects and records the values measured at the site as process data, and also collects and records the contents of the operation operation (operation) performed by the operator as an event log (event data).
  • the event analysis device described in Patent Document 1 analyzes an operation method or operation intention of an operation event based on an event collection unit that collects log data of operation events by a plant operator (operator) and the collected log data.
  • the event analysis unit to be analyzed the operation column extraction unit that extracts the analyzed operation method or operation intention for each predetermined period as a time-series operation sequence, and the operation sequence in which the operation order is similar from the extracted operation columns.
  • Based on the operation column classification unit that classifies It is provided with an operation condition estimation unit that estimates an execution condition in which the operation of the constructed operation procedure is executed.
  • the event analysis device of Patent Document 1 constructs an operator's operation procedure and estimates an execution condition in which the operation of the constructed operation procedure is executed. As a result, it is possible to assist the operator in automatically extracting the judgment criteria for performing the next operation in the series of operations and standardizing the operations. However, the event analysis device of Patent Document 1 does not extract the operation (operation) of a veteran operator according to the process data.
  • the present invention has been made in view of such a background, and an object of the present invention is to provide a data analysis device, a program, and a data analysis method capable of extracting operations according to the process data of an operator.
  • the data analysis apparatus has an event data collection unit that collects operation operation information for a plant and a process that collects process data that is a measured value acquired from the plant.
  • the data collection unit and the process data classification unit that divides the collection period of the process data into classification unit periods and classifies the process status of the plant indicated by the process data acquired within one classification unit period into status categories.
  • a correlation detection unit for detecting the correlation between the driving operation information and the transition of the state category.
  • the data analysis device collects process data, which are measured values in the plant, and classifies the plant states (process states) indicated by the process data into state categories based on the degree of similarity. Further, the data analysis device acquires event data (driving operation information) which is operation information of the operator, detects the correlation between the transition of the state category and the event data, and outputs the event data.
  • the output format includes, for example, a directed graph in which the state category is a node and the event data is an edge. It can be said that this directed graph is a state transition diagram in which a state category is a state and event data is an event.
  • the data analysis device first divides the collection period between the plant state and event data into a period of a predetermined length (see the classification unit period described later). The data analyzer then classifies the state of the plant into state categories. Subsequently, the data analysis device repeatedly calculates the correlation value between the transition of the state category and the presence / absence of event data (see the overall correlation value described later) while shifting the period of the state category and the period of the event data, and the correlation value. Find the correlation (causal relationship) that maximizes.
  • FIG. 1 is a functional block diagram of the data analysis device 100 according to the present embodiment.
  • the data analysis device 100 is a computer and includes a control unit 110, a storage unit 120, and an input / output unit 180.
  • a measuring device 250 and a control device 260 are connected to the input / output unit 180, and include physical quantities (measured values, process data) such as pressure and temperature measured by sensors installed in the plant 200 and operation contents of an operator. Receive communication data.
  • a user interface device such as a display, a keyboard, and a mouse is connected to the input / output unit 180, and signals including image data displayed on the display and operation contents of the user of the data analysis device 100 are transmitted and received.
  • the control unit 110 includes a CPU (Central Processing Unit).
  • the control unit 110 includes a process data collection unit 111, an event data collection unit 112, a process data classification unit 113, a correlation detection unit 114, an evaluation unit 115, and an analysis result output unit 116.
  • the storage unit 120 is composed of a ROM (Read Only Memory), a RAM (Random Access Memory), an SSD (Solid State Drive), and the like.
  • the storage unit 120 stores the process data database 130, the event data database 140, the state category database 150, the state transition database 160, the program 121, and the like.
  • the program 121 describes the procedure of the data analysis process (see FIG. 13 described later) executed by the data analysis device 100.
  • FIG. 2 is a schematic view of the plant 200 according to the present embodiment.
  • the plant 200 is, for example, a plant that produces a product C by reacting a raw material A and a raw material B.
  • the plant 200 includes a tank 211 for storing the raw material A and a tank 221 for storing the raw material B at the uppermost stream of the process, and a tank 236 for storing the product C at the most downstream of the process.
  • upstream refers to the process at the beginning of the process of producing the product C
  • downstream refers to the process toward the end.
  • the raw material A is sent from the tank 211 to the reactor 231 via the pump 212 and the valve 213.
  • the raw material B is sent from the tank 221 to the reactor 231 via the pump 222 and the valve 223.
  • the reaction apparatus 231 reacts the raw material A and the raw material B to produce the product C.
  • Product C is sent to tank 236.
  • the reaction rate in the reaction device 231 changes depending on the temperature of the reaction device 231.
  • the reaction device 231 includes a cooling device 232.
  • the flow rate of the cooling water flowing in the cooling device 232 is controlled by the opening degree of the valve 233.
  • the plant 200 includes a flow meter 214, 224, a pressure gauge 234, and a thermometer 235 as the measuring device 250.
  • the flow meter 214 is arranged in the pipe between the valve 213 and the reaction device 231.
  • the flow meter 214 measures the flow rate of the raw material A flowing to the reaction device 231.
  • the control device 260 (see FIG. 1) controls the opening degree of the valve 213 based on the flow rate of the raw material A measured by the flow meter 214.
  • the flow meter 224 is located in the pipe between the valve 223 and the reactor 231.
  • the flow meter 224 measures the flow rate of the raw material B flowing to the reaction device 231.
  • the control device 260 controls the opening degree of the valve 223 based on the flow rate of the raw material B measured by the flow meter 224.
  • thermometer 235 is arranged at the outlet of the reaction device 231.
  • the pressure gauge 234 measures the internal pressure of the reactor 231.
  • the thermometer 235 measures the temperature at the outlet of the reactor 231.
  • the control device 260 controls the opening degree of the valve 233 based on the measured value of the thermometer 235. As the opening degree of the valve 233 changes, the flow rate of the cooling water flowing into the cooling device 232 in the reaction device 231 changes.
  • the process data collection unit 111 collects the measured values acquired by the measuring device 250 and stores them in the process data database 130 as process data.
  • FIG. 3 is a data configuration diagram of the process data database 130 according to the present embodiment.
  • the process data database 130 is, for example, tabular data, one row (record) shows one measured process data, and columns (attributes) of measurement target 131, time 132, and measurement value 133. including.
  • the measurement target 131 is the measured process data.
  • the measurement target 131 includes the "raw material A flow rate” measured by the flow meter 214, the “raw material B flow rate” measured by the flow meter 224, the “reactor pressure” measured by the pressure gauge 234, and the “reaction” measured by the thermometer 235.
  • Time 132 is the measurement time.
  • the measured value 133 is the measured value (process data) itself.
  • the process data database 130 records the measured values of the raw material A flow rate, the raw material B flow rate, the reaction device pressure, and the reaction device outlet temperature every 5 minutes.
  • the event data collection unit 112 collects the operation content of the operation operation from the control device 260 and stores it in the event data database 140 as event data (operation operation information).
  • FIG. 4 is a data structure diagram of the event data database 140 according to the present embodiment.
  • the event data database 140 is, for example, tabular data, one row (record) indicates one event data (operation operation information), operation number 141, operation target 142, time 143, and operation content. Contains 144 columns (attributes).
  • the operation number 141 is the identification information of the record (event data).
  • the operation target 142 has the raw material A flow rate, the raw material B flow rate, the reaction device pressure, and the reaction device outlet temperature, which are the targets of the operation, and is also a measurement target by the measuring device 250 (see the measurement target 131 in FIG. 3).
  • Time 143 is the operation time.
  • the operation content 144 is an operation content for the operation target 142. For example, the operation in which the operation number 141 is indicated by "0001" indicates that the "raw material A flow rate" was increased from 20 to 30 at 10:20 on March 1, 2020.
  • the operation content 144 is not limited to the measured value of the operation target 142 before and after the operation, and may be an operation itself such as "two rotations of the valve clockwise".
  • the process data classification unit 113 classifies the process data stored in the process data database 130 (see FIG. 3) into the state categories. Specifically, the process data classification unit 113 regards a collection of process data in the same time zone (classification unit period) as the process state of the classification unit period, and determines the process state based on the degree of similarity (closeness of measured values). Classify into categories.
  • the process state can also be regarded as the state of the production process of the product C in the plant 200.
  • the classified results are recorded in the state category database 150 (see FIG. 6 below).
  • four types of process data of raw material A flow rate, raw material B flow rate, reactor pressure, and reactor outlet temperature are simultaneously acquired every 5 minutes. Therefore, the four process data acquired at the same time are regarded as a collection of process data (measured value vector) in the same classification unit period, and are regarded as the process state in the classification unit period.
  • the length (width) of the classification unit period is 5 minutes.
  • FIG. 5 is a diagram for explaining a state category according to the present embodiment.
  • the process data classification unit 113 describes the process of classifying the process states into the state categories.
  • the process data database 130 includes four types of process data: raw material A flow rate, raw material B flow rate, reactor pressure, and reactor outlet temperature (see measurement target 131 in FIG. 3).
  • the measurement target is two types of process data, the raw material A flow rate and the raw material B flow rate.
  • the horizontal axis is the measured time 132 (see FIG. 3)
  • the vertical axis is the measured value 133
  • the raw material A flow rate is shown by the solid line 311
  • the raw material B flow rate is shown by the broken line 312. It is a graph shown.
  • the measured value on the vertical axis is a normalized value of the measured value 133, and is adjusted so that the measured value is between the lower limit value L and the upper limit value U.
  • the process data classification unit 113 divides the range from the lower limit value L to the upper limit value U into a plurality of areas. For example, the process data classification unit 113 divides two regions of "large” and “small” based on the average value of the lower limit value L and the upper limit value U, and each of the raw material A flow rate and the raw material B flow rate is , Classify process states according to which area they belong to. In the present embodiment, each of the raw material A flow rate and the raw material B flow rate is "large” or "small”, and the process states are (large, small), (small, small), (large, large), (small,). It is classified into four state categories (large). Each of these four categories will be referred to as categories 1 to 4.
  • the process data classification unit 113 records the classification result in the state category database 150 (see FIG. 6 described later). In this example, (large, small) is category 1, (small, small) is category 2, (large, large) is category 3, and (small, large) is category 4.
  • the graph 320 at the bottom of FIG. 5 is a graph in which the horizontal axis is the measured time 151 (see FIG. 6 described later), the vertical axis is the state category 152, and the state category of the process state is shown by a black circle.
  • the interval between black circles is 5 minutes, which is the length of the classification unit period.
  • the raw material A flow rate is large, the raw material B flow rate is small (that is, (large, small)), and the state category of the process state is category 1.
  • the flow rate of the raw material A is small, the flow rate of the raw material B is small (that is, (small, small)), and the state category of the process state is category 2.
  • the flow rate of the raw material A is large, the flow rate of the raw material B is small (that is, (large, small)), and the state category of the process state is category 1.
  • the flow rate of the raw material A is large, the flow rate of the raw material B is large (that is, (large, large)), and the state category of the process state is category 3.
  • the flow rate of the raw material A is small, the flow rate of the raw material B is large (that is, (small, large)), and the state category of the process state is category 4.
  • the process data classification unit 113 classifies by the combination of large and small process data, but it may be further classified and combined to classify instead of the two large and small.
  • the process data classification unit 113 may further classify using another method.
  • the process data classification unit 113 may classify the process states into state categories by using, for example, a clustering method such as an adaptive resonance theory (ART), a shortest distance method, or a k-means method.
  • ART adaptive resonance theory
  • a shortest distance method a shortest distance method
  • k-means method a k-means method.
  • classification may be performed based on the difference between the two types of process data (for example, the difference between the flow rate of the raw material A and the flow rate of the raw material B).
  • FIG. 6 is a diagram showing a data structure of the state category database 150 in this embodiment.
  • the state category database 150 is, for example, tabular data, where one row (record) indicates the state category of the process state in the classification unit period, the time 151, the state category 152, and the columns of the measured value vector 153 ( Attribute) is included. In this embodiment, the measurement is performed every 5 minutes, and the length of the classification unit period is 5 minutes.
  • Time 151 is the start time of the classification unit period.
  • the state category 152 is a state category of the process state in the classification unit period.
  • the measured value vector 153 is a collection of measured values (process data), includes measured values of the raw material A flow rate and the raw material B flow rate, and indicates the process state.
  • the process data classification unit 113 records the state category 152, which is the result of classifying the process states indicated by the measured value vector 153, in the state category database 150.
  • the correlation detection unit 114 detects the correlation between the event data (driving operation information) and the transition of the state category. Specifically, the correlation detection unit 114 calculates the correlation value between the event data and the transition of the state category of the process state, and detects the event data considered to be the cause of the transition of the state category.
  • the correlation detection unit 114 divides each of the period in which the process data is acquired and the period in which the event data is acquired into a detection unit period having a predetermined length. Next, the correlation detection unit 114 calculates a unit correlation value between the presence / absence of a state category transition (change) in each detection unit period and the presence / absence of event data.
  • the length of the detection unit period will be described as 10 minutes.
  • the correlation value (overall correlation value) is the sum of unit correlation values.
  • FIG. 7 is a diagram (1) for explaining the correlation value calculation table 340 used for the correlation value calculation according to the present embodiment.
  • the state category start time 341 indicates the start time of the detection unit period related to the state category of the process state.
  • the presence / absence 342 of the state category transition is “1” if there is a transition of the state category of the process state during the detection unit period, and “0” if there is no transition.
  • the event start time 343 indicates the start time of the detection unit period related to the event data.
  • the presence / absence of an event 344 is "1" if there is event data (driving operation information) in the detection unit period, and is "0" if there is no event data.
  • the unit correlation value 345 is a correlation value between the state category transition and the event data, and is the product of the presence / absence 342 (value) of the state category transition in the same row and the presence / absence 344 (value) of the event.
  • the state category start time 341 and the event start time 343 match, and the correlation detection unit 114 is a unit of the detection unit period of the process data and the detection unit period of the event data at the same start time.
  • the correlation value is calculated.
  • the correlation value (overall relative value) over the entire period is the sum of the unit correlation values 345, which is 2 in the correlation value calculation table 340.
  • FIG. 8 is a diagram (2) for explaining the correlation value calculation table 350 used for the correlation value calculation according to the present embodiment.
  • the correlation value calculation table 350 has the same configuration as the correlation value calculation table 340 (see FIG. 7), but has a unit correlation value between the detection unit period of the process data and the detection unit period of the event data at different start times. It is calculated. Specifically, when calculating the unit correlation value 355, the start time of the detection unit period of the state category (see the state category start time 351) is compared with the start time of the detection unit period of the event data (see the event start time 353). 20 minutes late. This means that the correlation detection unit 114 calculates the unit correlation value between the event occurrence (operation) and the transition of the state category of the process state 20 minutes after the event occurrence.
  • the correlation value calculation table 350 the columns of the event start time 353 and the presence / absence of the event 354 are shifted by 20 minutes from the columns of the state category start time 351 and the presence / absence of the state category transition 352.
  • the correlation value (overall relative value) in the correlation value calculation table 350 is the sum of the unit correlation values 355 and is 0.
  • the correlation detection unit 114 changes the time difference between the start time of the detection unit period of the process data (see the state category start times 341 and 351) and the start time of the detection unit period of the event data (see the event start times 343 and 353). Calculate the correlation value (while shifting the detection unit period), and search for the maximum correlation value (overall relative value) throughout the entire period.
  • FIG. 9 shows a correlation value (overall relative value) when the difference (time difference) between the start time of the detection unit period of the process data and the start time of the detection unit period of the event data according to the present embodiment is changed.
  • Graph 370 The horizontal axis is the time difference (unit is minutes), and the vertical axis is the correlation value (overall relative value).
  • the correlation value at a time difference of 0 minutes is 2.
  • the correlation value calculation table 350 see FIG. 8
  • the correlation value at a time difference of 20 minutes is 0. From the graph 370, when the time difference is 0 minutes, the correlation value (overall relative value) is the maximum, and the correlation detection unit 114 determines that there is a causal relationship between the event (operation) and the transition of the state category.
  • the correlation detection unit 114 stores the event data (operation) having a correlation (causal relationship) and the transition of the state category in the state transition database 160 (see FIG. 10 described later).
  • the correlation detection unit 114 has a section in which the start time when the unit correlation value 345 becomes 1 in the correlation value calculation table 340 (see FIG. 7) is “10:30:00” and “11:30”.
  • the event data corresponding to the interval ": 00" and the transition of the state category are stored in the state transition database 160.
  • FIG. 10 is a data structure diagram of the state transition database 160 according to the present embodiment.
  • the state transition database 160 is, for example, tabular data, and one row (record) indicates one event data and the transition of the state category, and the operation number 161 (described as “operation #” in FIG. 10). , Transition source state category 162, and transition destination state category 163 (attributes).
  • the operation number 161 is the identification information of the operation corresponding to the event data, and corresponds to the operation number 141 (see FIG. 4).
  • the transition source state category 162 indicates the state category before the transition.
  • the transition destination state category 163 indicates the state category after the transition.
  • Record 168 corresponds to an interval in which the start time is 10:30 in the correlation value calculation table 340 (see FIG. 7).
  • the operation is an operation for the "reactor outlet temperature” in which the operation number 141 (see FIG. 4) is "0002", and the state category has changed from 2 to 1 (time 151 in FIG. 6 is "2020”. / 03/01 10:35:00 "see the record). Record 169 corresponds to an interval in which the start time is 11:30 in the correlation value calculation table 340 (see FIG. 7).
  • the operation is an operation for the "reactor outlet temperature” in which the operation number 141 (see FIG. 4) is "0006", and the state category has changed from 1 to 3 (time 151 in FIG. 6 is "2020". / 03/01 11:35:00 "see the record).
  • FIG. 11 is a state transition diagram 381 according to the present embodiment.
  • the state where the state category is 2 is changed to the state where the state category is 1 by the operation whose operation number is 0002 (edge action in the directed graph), and further, the state category is changed by the operation whose operation number is 0006. Transition to the state of 3.
  • FIG. 12 is a state transition diagram 382 according to the present embodiment.
  • the distance between the states (state categories) before and after the transition was the same, but in the state transition diagram 382, the distance between the states is changed according to the degree of similarity between the state categories.
  • the analysis result output unit 116 may arrange the states using, for example, a multidimensional scaling method. According to the state transition diagram 382, it can be seen that the state categories 1 and 2 are similar, but the state categories 1 and 2 and the state category 3 are not similar.
  • the evaluation unit 115 evaluates whether or not the correlation (causal relationship) detected by the correlation detection unit 114 is appropriate.
  • the evaluation unit 115 evaluates the causal relationship with reference to the state transition database 160. For example, it is evaluated as appropriate if one operation corresponds to one transition source state category 162. This means that in the state transition diagram, there is only one state to which the transition is made from one state, and there is no branching.
  • the evaluation unit 115 may evaluate it as appropriate if the transition destination state category 163 when an operation is performed on one operation target (see the operation target 142 in FIG. 4) in one transition source state category 162 is uniquely determined. .. This means that in the state transition diagram, the destination state to which the transition is made from one state to the same operation target is determined to be one.
  • the evaluation unit 115 may evaluate by adding the operation content (see the operation content 144) to the operation target. Specifically, the evaluation unit 115 may evaluate that it is appropriate if the transition destination state category 163 when the same operation content is operated on one operation target in one transition source state category 162 is uniquely determined.
  • the same operation content is, for example, an operation of increasing or decreasing an operation target.
  • the evaluation unit 115 may confirm that there is one or less transition source state categories 162 that are not in the transition destination state category 163 and evaluate them. This means that there is only one state transition diagram and it is connected as a graph, and it is not separated into a plurality of state transition diagrams such as "5 ⁇ 6 ⁇ 7" and "8 ⁇ 9".
  • FIG. 13 is a flowchart of the data analysis process according to the present embodiment.
  • the data analysis process executed by the data analysis apparatus 100 will be described with reference to FIG.
  • the control unit 110 sets the analysis range. Specifically, the control unit 110 asks the user (operator) for the analysis period and sets it as the analysis range.
  • the control unit 110 may inquire of the user about the operation target 142 (see FIG. 4) to be analyzed and set it as an analysis range together with the period.
  • control unit 110 may inquire of the user about the measurement target 131 (see FIG. 3) to be analyzed and set it as an analysis range together with the analysis period. If all the measurement targets (measurement values / types of process data) that can be acquired by the measurement device 250 are the analysis targets, the processing time of the process data classification unit 113 may increase. From the viewpoint of processing time, it is desirable that the number of measurement targets is small.
  • the control unit 110 may set the length of the classification unit period when the process data classification unit 113 classifies into the state category. Further, the control unit 110 may set the length of the detection unit period in which the correlation detection unit 114 detects the correlation between the transition of the state category and the event data.
  • step S12 the process data collection unit 111 collects process data (measured values) from the measuring device 250 and stores them in the process data database 130 (see FIG. 3).
  • step S13 the process data classification unit 113 classifies the process data stored in the process data database 130 into state categories and records them in the state category database 150 (see FIG. 6).
  • step S14 the event data collection unit 112 collects event data from the control device 260 and stores it in the event data database 140 (see FIG. 4).
  • step S15 the correlation detection unit 114 detects the correlation between the event data and the transition of the state category, and stores the correlated operation and the transition of the state category in the state transition database 160 (see FIG. 10).
  • step S16 the analysis result output unit 116 creates a state transition diagram from the state transition database 160.
  • step S17 the evaluation unit 115 evaluates the causal relationship between the operation and the transition of the state category with reference to the state transition database 160 (state transition diagram). If the evaluation is appropriate (step S17 ⁇ OK), the process proceeds to step S18, and if the evaluation is unsuitable (step S17 ⁇ NG), the process proceeds to step S19.
  • step S18 the analysis result output unit 116 displays the state transition diagram created in step S16 on the display.
  • step S19 the control unit 110 as the parameter adjustment unit makes a setting for changing the parameter, and returns to step S13.
  • the parameters are the length of the classification unit period when the process data classification unit 113 classifies into the state category in step S13, and the number of classifying each process data (two large and small, three large, medium and small, etc.).
  • Other parameters include the length of the detection unit period in which the correlation detection unit 114 detects the correlation between the transition of the state category and the event data in step S15.
  • there is a parameter of the clustering method used by the process data classification unit 113 in step S13 As a method of selecting the changed value, there is a changed value determined for each parameter, and the combination of the changed values may be set in order. Alternatively, you may contact the user and set it.
  • the data analysis device 100 classifies the process states (see the measured value vector 153 shown in FIG. 6) represented by a collection of process data into state categories, and detects the correlation between the event data (driving operation information) and the transition of the state categories. do. In other words, the data analysis device 100 detects the correlation (causal relationship) of the transition of the state category by what operation. The detected causal relationship is output in the form of a state transition diagram as the operation know-how of the plant 200.
  • the data analysis device 100 divides each collection period of process data and event data into a detection unit period, and calculates a unit correlation value between the presence / absence of an operation in the detection unit period and the presence / absence of a state category transition.
  • the data analysis device 100 shifts the detection unit period of the process data and the detection unit period of the event data (while changing the time difference between the two detection unit periods), and obtains the maximum correlation value (sum of the overall correlation value and the unit correlation value). ), And detect the causal relationship between the event data (driving operation information) and the transition of the state category.
  • the data analysis device 100 detects the correlation while changing various parameters such as the length of the classification unit period, the length of the detection unit period, and the parameters when classifying the process state into the state categories (cranstering) (Fig.). 10
  • the state transition database 160 and the state transition diagram 381 described in FIG. 11) are evaluated. By this evaluation, a more probable correlation (causal relationship) can be detected.
  • This state transition diagram is an operation know-how of a veteran operator and can be passed on to an inexperienced operator.
  • a series of operations >>
  • 0 or 1 event data is included in one detection unit period at the time of correlation detection by the correlation detection unit 114.
  • the interval of continuous event data is shorter than a predetermined value, it may be regarded as one operation in a series.
  • the label given to the edge between the states in the state transition diagram is a plurality of operation numbers indicating a series of operations (see operation number 141 in FIG. 4).
  • Process state there are four measurement targets of the raw material A flow rate, the raw material B flow rate, the reaction device pressure, and the reaction device outlet temperature, and the measured values are acquired at the same timing.
  • This timing interval (cycle) is the time width (length of the classification unit period) of one process state.
  • the process data may be divided into fixed length classification unit periods and the average value of the measured values included in one classification unit period may be used as the process data in the classification unit period. ..
  • the measured values for one classification unit period are 3, 5, and 4, it may be 4.
  • the median or mode of the measured values in the classification unit period may be used as the process data in the classification unit period.
  • ⁇ Transformation example Set the difference in time difference according to the type of event data ⁇
  • the correlation detection unit 114 in the above-described embodiment calculates the correlation value while uniformly changing the time difference regardless of the type (see the operation target 142 in FIG. 4) and the content (see the operation content 144) of the event data. (See FIG. 8). Specifically, the time difference between the start time 351 of all the state categories and the event start time 353 is the same. On the other hand, the time difference may be changed according to the type of event data.
  • the correlation detection unit 114 may calculate the correlation value by changing the time difference of the event data in which the operation target 142 is the flow rate of the raw material A to the time difference of other event data.
  • the time difference (shift time, state category start time-event start time) is set to 0 minutes, 10 minutes, 20 minutes (corresponding to FIG. 8), 30 minutes, ...
  • the correlation value is calculated while changing to.
  • event data related to operations where the operation target is other than the raw material A flow rate the event related to the operation where the operation target is the raw material A flow rate while changing the time difference to 0 minutes, 10 minutes, 20 minutes, ...
  • the time difference between 10 minutes, 20 minutes, 30 minutes, ..., And other event data is changed (the time difference differs depending on the type of process data). In this way, the maximum correlation value may be searched for while changing the time difference depending on the operation target.
  • the correlation detection unit 114 may inquire of the user to set the type (measurement target) of the event data having a different time difference from the others and the difference in time difference. Further, the correlation detection unit 114 may search for the maximum correlation value while changing the combination of various measurement targets and the difference in time difference.
  • the time until the effect of the process state (transition of the state category) due to the operation appears after the operation may depend on the operation target.
  • the time until the influence of the process state appears may change depending on the operation content (whether the operation target is increased or decreased).
  • Classification unit period and detection unit period >>
  • the classification unit period length is 5 minutes and the detection unit period length is 10 minutes.
  • the detection unit period length is not limited to twice the classification unit period length, but may be an integer multiple such as 3 times or 4 times, or may be an integer multiple such as 2.5 times if it is longer than the classification unit period length. good.
  • each collection period of process data and event data is divided into detection unit periods, and the correlation between the presence / absence of an operation in the detection unit period and the presence / absence of a state category transition is changed by changing the time difference between the two detection unit periods. While detecting. Another method may be adopted.
  • the correlation detection unit 114 is, for example, the type of event data having the highest frequency among the event data generated in the period of a predetermined length before the transition of the equivalent state category (for example, the transition from category 2 to category 1).
  • the operation target 142 (see FIG. 4) may be searched for the same operation operation information), and there may be a correlation (causal relationship) between the event data of the type and the transition of the state category.
  • a condition that the operation contents 144 are the same for example, addition or decrease by a predetermined number or more
  • the plant 200 is not limited to a factory that produces chemical products, but may be various other factories such as an automobile production factory.
  • the operation target is also a measurement target (raw material A flow rate, etc.), but the operation target is not limited to this, and a measurement target other than the measurement target may be operated.
  • the process data and the event data are collected after the analysis range is set (see steps S11, S12, and S13 in FIG. 13), but the analysis range is collected after the process data, the event data, and the event data are collected. May be set.
  • the present invention can take various other embodiments, and further, various changes such as omission and replacement can be made without departing from the gist of the present invention.
  • These embodiments and variations thereof are included in the scope and gist of the invention described in the present specification and the like, and are also included in the scope of the invention described in the claims and the equivalent scope thereof.
  • Control unit (parameter adjustment unit) 111 Process data collection unit 112 Event data collection unit 113 Process data classification unit 114 Correlation detection unit 115 Evaluation unit 116 Analysis result output unit 130 Process data database (database in which process data is stored) 140 Event data database (database in which event data (driving operation information) is stored) 150 State category database 152 State category 153 Measured value vector (process state) 200 Plants 381,382 State transition diagram (directed graph)

Landscapes

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

Abstract

データ解析装置（１００）は、プラント（２００）を対象とした運転操作情報を収集するイベントデータ収集部（１１２）と、プラント（２００）から取得される計測値であるプロセスデータを収集するプロセスデータ収集部（１１１）とを備える。データ解析装置（１００）は、さらに、プロセスデータの収集期間を分類単位期間に区切り、１つの分類単位期間内に取得されたプロセスデータで示されるプラントのプロセス状態を状態カテゴリに分類するプロセスデータ分類部（１１３）と、運転操作情報と前記状態カテゴリの遷移との相関を検出する相関検出部（１１４）とを備える。

Description

データ解析装置、プログラムおよびデータ解析手法
　本発明は、プラントの運転データを解析するデータ解析装置、プログラムおよびデータ解析手法に関する。
　従来から、石油化学プラント、発電プラント、水処理プラントなど様々な施設においては、現場に設置されている計測装置と制御装置とが接続された分散制御システム（ＤＣＳ：Distributed Control System）によって自動運転がなされている。また、自動運転に加え、運転員による操作も行われている。例えば、プラントを起動する起動運転、プラントを停止する停止運転、プラントに供給する原料種を切り替える原料種切り替え運転、プラントで製造する製品種を切り替える製品種切り替え運転などでは、運転員が介入して手動による操作を行う。ＤＣＳは、現場で計測された値をプロセスデータとして収集して記録するとともに、運転員が行った運転操作（操作）の内容をイベントログ（イベントデータ）として収集して記録している。
　これら手動による運転操作について、運転員の技量により運転に掛かる時間が異なる。ベテラン運転員が行えば短時間で完了できる運転であっても、未熟な運転員が行うと長時間を要する場合がある。そこで、ベテラン運転員の操作ノウハウを抽出して参考にすることで、これらの運転に掛かる時間の短縮を図る試みが行われている。
　特許文献１に記載のイベント解析装置は、プラントのオペレータ（運転員）による操作イベントのログデータを収集するイベント収集部と、収集されたログデータに基づき、操作イベントの操作方法または操作意図を解析するイベント解析部と、解析された所定期間ごとの操作方法又は操作意図を、時系列の操作列として抽出する操作列抽出部と、抽出された操作列の中から操作の順序が類似した操作列を分類する操作列分類部と、分類された操作列に基づき、オペレータの操作手順を構築する操作手順構築部と、プラントのプロセスデータを収集するプロセスデータ収集部と、収集されたプロセスデータに基づき、構築された操作手順の操作が実行される実行条件を推定する操作条件推定部とを備える。
特開２０１８－１２８８５４号公報
　特許文献１のイベント解析装置は、運転員の操作手順を構築するとともに、構築された操作手順の操作が実行される実行条件を推定する。これにより、運転員が一連の操作のなかで次の操作を行うための判断基準を自動的に抽出し、操作を標準化することを支援することができる。しかしながら、特許文献１のイベント解析装置は、プロセスデータに応じたベテラン運転員の操作（運転）を抽出するものではない。
　本発明は、このような背景を鑑みてなされたものであり、運転員のプロセスデータに応じた操作を抽出可能とするデータ解析装置、プログラムおよびデータ解析手法を提供することを課題とする。
　上記した課題を解決するため、本発明に係るデータ解析装置は、プラントを対象とした運転操作情報を収集するイベントデータ収集部と、前記プラントから取得される計測値であるプロセスデータを収集するプロセスデータ収集部と、前記プロセスデータの収集期間を分類単位期間に区切り、１つの前記分類単位期間内に取得された前記プロセスデータで示される前記プラントのプロセス状態を状態カテゴリに分類するプロセスデータ分類部と、前記運転操作情報と前記状態カテゴリの遷移との相関を検出する相関検出部と、を備える。
　本発明によれば、運転員のプロセスデータに応じた操作を抽出可能とするデータ解析装置、プログラムおよびデータ解析手法を提供することができる。上記した以外の課題、構成および効果は、以下の実施形態の説明により明らかにされる。
本実施形態に係るデータ解析装置の機能ブロック図である。 本実施形態に係るプラントの概略図である。 本実施形態に係るプロセスデータデータベースのデータ構成図である。 本実施形態に係るイベントデータデータベースのデータ構成図である。 本実施形態に係る状態カテゴリを説明するための図である。 本実施形態における状態カテゴリデータベースのデータ構成を示す図である。 本実施形態に係る相関値算出に用いる相関値算出テーブルを説明するための図（１）である。 本実施形態に係る相関値算出に用いる相関値算出テーブルを説明するための図（２）である。 本実施形態に係るプロセスデータの検出単位期間の開始時刻とイベントデータの検出単位期間の開始時刻との差（時間差）を変化させたときの相関値（全体相対値）を示したグラフである。 本実施形態に係る状態遷移データベースのデータ構成図である。 本実施形態に係る状態遷移図である。 本実施形態に係る状態遷移図である。 本実施形態に係るデータ解析処理のフローチャートである。
≪データ解析装置の概要≫
　以下に本発明を実施するための形態（実施形態）であるデータ解析装置を説明する。データ解析装置は、プラントでの計測値であるプロセスデータを収集し、プロセスデータによって示されるプラントの状態（プロセス状態）を類似度に基づいて状態カテゴリに分類する。また、データ解析装置は、運転員の操作情報であるイベントデータ（運転操作情報）を取得し、状態カテゴリの遷移とイベントデータとの相関を検出して、出力する。出力形式には、例えば、状態カテゴリをノードとし、イベントデータをエッジとする有向グラフがある。この有向グラフは、状態カテゴリを状態とし、イベントデータをイベントとする状態遷移図であるといってもよい。
　相関検出手法としては、データ解析装置は、最初にプラントの状態とイベントデータとの収集期間を所定長の期間に分割する（後記する分類単位期間参照）。次にデータ解析装置は、プラントの状態を状態カテゴリに分類する。続いて、データ解析装置は、状態カテゴリの期間とイベントデータの期間とをずらしながら状態カテゴリの遷移とイベントデータの有無との相関値（後記する全体相関値参照）を繰り返し算出して、相関値が最大となる相関（因果関係）を求める。
　ベテラン運転員が操作しているときの状態カテゴリの遷移とイベントデータとの相関が得られることで、ある状態カテゴリ（計測値で示されるプラントの状態）のときに、運転員がどのような操作（運転）をしているのかが解るようになる。また、有向グラフ（換言すると状態遷移図）として、ベテラン運転員の操作ノウハウ（運転ノウハウ）が可視化されることで、ベテラン運転員から経験が浅い運転員へのノウハウ伝承が容易になる。
≪データ解析装置の構成≫
　図１は、本実施形態に係るデータ解析装置１００の機能ブロック図である。データ解析装置１００は、コンピュータであって、制御部１１０、記憶部１２０、および入出力部１８０を備える。入出力部１８０には計測装置２５０や制御装置２６０が接続され、プラント２００に設置されたセンサにより計測された圧力や温度などの物理量（計測値、プロセスデータ）や運転員の操作内容を含んだ通信データを受信する。また、入出力部１８０にはディスプレイやキーボード、マウスなどのユーザインターフェイス機器が接続され、ディスプレイに表示される画像データやデータ解析装置１００の利用者の操作内容を含んだ信号を送受信する。
　制御部１１０は、ＣＰＵ（Central Processing Unit）を含んで構成される。制御部１１０は、プロセスデータ収集部１１１、イベントデータ収集部１１２、プロセスデータ分類部１１３、相関検出部１１４、評価部１１５、および解析結果出力部１１６を備える。
　記憶部１２０は、ＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）、ＳＳＤ（Solid State Drive）などから構成される。記憶部１２０には、プロセスデータデータベース１３０、イベントデータデータベース１４０、状態カテゴリデータベース１５０、状態遷移データベース１６０、およびプログラム１２１などが記憶される。プログラム１２１には、データ解析装置１００が実行するデータ解析処理（後記する図１３参照）の手順が記述される。
　制御部１１０が備える各機能部、および記憶部１２０に記憶される各データベースの詳細を説明する前に、本実施形態において解析対象となるプラント２００の概要を説明する。
≪プラントの概要≫
　図２は、本実施形態に係るプラント２００の概略図である。プラント２００は、例えば、原料Ａおよび原料Ｂを反応させることにより製品Ｃを生産するプラントである。
　プラント２００は、原料Ａを貯蔵するタンク２１１と原料Ｂを貯蔵するタンク２２１とを工程の最上流に備え、製品Ｃを貯蔵するタンク２３６を工程の最下流に備える。なお、上流とは、製品Ｃを生産する工程のうちで始めの方の工程を示し、下流とは、終わりの方の工程を示す。
　原料Ａは、タンク２１１からポンプ２１２およびバルブ２１３を経由して反応装置２３１に送られる。原料Ｂは、タンク２２１からポンプ２２２およびバルブ２２３を経由して反応装置２３１に送られる。
　反応装置２３１は、原料Ａおよび原料Ｂを反応させて製品Ｃを生産する。製品Ｃは、タンク２３６に送られる。反応装置２３１での反応速度は、反応装置２３１の温度によって変化する。反応装置２３１は、冷却装置２３２を備える。冷却装置２３２内に流れる冷却水の流量は、バルブ２３３の開度によって制御される。
　プラント２００は、計測装置２５０として、流量計２１４，２２４、圧力計２３４、および温度計２３５を備える。
　流量計２１４は、バルブ２１３と反応装置２３１との間の配管に配置される。流量計２１４は、反応装置２３１へ流れる原料Ａの流量を計測する。制御装置２６０（図１参照）は、流量計２１４が計測する原料Ａの流量に基づいて、バルブ２１３の開度を制御する。
　流量計２２４は、バルブ２２３と反応装置２３１との間の配管に配置される。流量計２２４は、反応装置２３１へ流れる原料Ｂの流量を計測する。制御装置２６０は、流量計２２４が計測する原料Ｂの流量に基づいて、バルブ２２３の開度を制御する。
　反応装置２３１の出口には、温度計２３５が配置されている。圧力計２３４は、反応装置２３１の内部圧力を計測する。温度計２３５は、反応装置２３１の出口の温度を計測する。制御装置２６０は、温度計２３５の計測値に基づいて、バルブ２３３の開度を制御する。バルブ２３３の開度が変化することにより、反応装置２３１内の冷却装置２３２に流入する冷却水の流量が変化する。
≪プロセスデータの取得≫
　図１に戻って、データ解析装置１００の処理内容に沿って、制御部１１０、および記憶部１２０の構成を詳しく説明する。プロセスデータ収集部１１１は、計測装置２５０で取得された計測値を収集し、プロセスデータとしてプロセスデータデータベース１３０に格納する。
　図３は、本実施形態に係るプロセスデータデータベース１３０のデータ構成図である。プロセスデータデータベース１３０は、例えば表形式のデータであって、１つの行（レコード）は、１件の計測されたプロセスデータを示し、計測対象１３１、時刻１３２、および計測値１３３の列（属性）を含む。
　計測対象１３１は、計測されたプロセスデータである。計測対象１３１には、流量計２１４が計測した「原料Ａ流量」、流量計２２４が計測した「原料Ｂ流量」、圧力計２３４が計測した「反応装置圧力」および温度計２３５が計測した「反応装置出口温度」がある。
　時刻１３２は、計測時刻である。計測値１３３は、計測値（プロセスデータ）そのものである。
　本実施形態においては図３に示されたとおり、プロセスデータデータベース１３０には、５分おきの原料Ａ流量、原料Ｂ流量、反応装置圧力、および反応装置出口温度の計測値が記録される。
≪イベントデータの取得≫
　図１に戻って、運転員は、制御装置２６０を介してプラントを運転する。イベントデータ収集部１１２は、運転操作の操作内容を制御装置２６０から収集し、イベントデータ（運転操作情報）としてイベントデータデータベース１４０に格納する。
　図４は、本実施形態に係るイベントデータデータベース１４０のデータ構成図である。イベントデータデータベース１４０は、例えば表形式のデータであって、１つの行（レコード）は、１件のイベントデータ（運転操作情報）を示し、操作番号１４１、操作対象１４２、時刻１４３、および操作内容１４４の列（属性）を含む。
　操作番号１４１は、レコード（イベントデータ）の識別情報である。操作対象１４２は、運転操作の対象である原料Ａ流量、原料Ｂ流量、反応装置圧力、および反応装置出口温度があって、計測装置２５０による計測対象（図３の計測対象１３１参照）でもある。
　時刻１４３は、操作時刻である。操作内容１４４は、操作対象１４２に対する操作内容である。例えば、操作番号１４１が「０００１」で示される操作は、２０２０年３月１日１０時２０分に「原料Ａ流量」を２０から３０に増やしたことを示す。操作内容１４４は、操作前後における操作対象１４２の計測値とは限らず、例えば「バルブを時計回りに２回転」のような操作そのものであってもよい。
≪プロセス状態の分類（状態カテゴリ）≫
　図１に戻って、プロセスデータ分類部１１３は、プロセスデータデータベース１３０（図３参照）に記憶されるプロセスデータを状態カテゴリに分類する。詳しくは、プロセスデータ分類部１１３は、同じ時間帯（分類単位期間）のプロセスデータの集まりを当該分類単位期間のプロセス状態と見なし、プロセス状態を類似度（計測値の近さ）に基づいて状態カテゴリに分類する。プロセス状態とは、プラント２００における製品Ｃの生産処理の状態とも見なせる。分類された結果は、状態カテゴリデータベース１５０（後記する図６参照）に記録される。
　本実施形態では、原料Ａ流量、原料Ｂ流量、反応装置圧力、および反応装置出口温度の４種類のプロセスデータが５分おきに同時に取得されている。このため、同時に取得される４つのプロセスデータを、同じ分類単位期間のプロセスデータの集まり（計測値のベクトル）と見なし、当該分類単位期間のプロセス状態と見なす。分類単位期間の長さ（幅）は５分である。
　図５は、本実施形態に係る状態カテゴリを説明するための図である。図５を参照しながら、プロセスデータ分類部１１３が、プロセス状態を状態カテゴリに分類する処理を説明する。プロセスデータデータベース１３０には、原料Ａ流量、原料Ｂ流量、反応装置圧力、および反応装置出口温度の４種類のプロセスデータが含まれる（図３の計測対象１３１参照）。以下の図５の説明では、説明を簡単にするために計測対象は、原料Ａ流量および原料Ｂ流量の２種類のプロセスデータであるとして説明を続ける。
　図５の上のグラフ３１０は、横軸が計測した時刻１３２（図３参照）であり、縦軸が計測値１３３であって、原料Ａ流量を実線３１１で示し、原料Ｂ流量を破線３１２で示したグラフである。なお、縦軸の計測値は、計測値１３３を正規化した値であって、計測値が下限値Ｌと上限値Ｕの間にあるように調整されている。
　プロセスデータ分類部１１３は、下限値Ｌから上限値Ｕまでの範囲を複数の領域に分割する。例えば、プロセスデータ分類部１１３は、下限値Ｌと上限値Ｕとの平均値を基準にして、「大」および「小」の２つの領域を分割し、原料Ａ流量および原料Ｂ流量のそれぞれが、どの領域に属するかでプロセス状態を分類する。本実施形態では、原料Ａ流量および原料Ｂ流量のそれぞれが、「大」か「小」かで、プロセス状態が（大，小）、（小，小）、（大，大）、（小，大）の４つの状態カテゴリに分類される。この４つのカテゴリそれぞれをカテゴリ１～４と記すこととする。プロセスデータ分類部１１３は、分類した結果を状態カテゴリデータベース１５０（後記する図６参照）に記録する。この例では、（大，小）がカテゴリ１、（小，小）がカテゴリ２、（大，大）がカテゴリ３、（小，大）がカテゴリ４である。
　図５の下のグラフ３２０は、横軸が計測した時刻１５１（後記する図６参照）であり、縦軸が状態カテゴリ１５２であって、プロセス状態の状態カテゴリを黒丸で示したグラフである。黒丸の間隔は分類単位期間の長さである５分である。期間３２１は、原料Ａ流量が大で、原料Ｂ流量が小であり（つまり（大，小）であり）、プロセス状態の状態カテゴリはカテゴリ１である。期間３２２は、原料Ａ流量が小で、原料Ｂ流量が小であり（つまり（小，小）であり）、プロセス状態の状態カテゴリはカテゴリ２である。期間３２３は、原料Ａ流量が大で、原料Ｂ流量が小であり（つまり（大，小）であり）、プロセス状態の状態カテゴリはカテゴリ１である。期間３２４は、原料Ａ流量が大で、原料Ｂ流量が大であり（つまり（大，大）であり）、プロセス状態の状態カテゴリはカテゴリ３である。期間３２５は、原料Ａ流量が小で、原料Ｂ流量が大であり（つまり（小，大）であり）、プロセス状態の状態カテゴリはカテゴリ４である。
　図５では、プロセスデータ分類部１１３は、プロセスデータの大小の組み合わせにより分類しているが、大小の２つではなく、さらに細かく分類して組み合わせて分類してもよい。プロセスデータ分類部１１３は、さらに他の手法を用いて分類してもよい。プロセスデータ分類部１１３は、例えば、適応共鳴理論（ＡＲＴ：Adaptive Resonance Theory）や最短距離法、ｋ平均法などのクラスタリング手法を用いて、プロセス状態を状態カテゴリに分類してもよい。他に、２種類のプロセスデータの差分（例えば原料Ａ流量と原料Ｂ流量の差）に基づいて分類してもよい。
　図６は、本実施形態における状態カテゴリデータベース１５０のデータ構成を示す図である。状態カテゴリデータベース１５０は、例えば表形式のデータであって、１つの行（レコード）は、分類単位期間におけるプロセス状態の状態カテゴリを示し、時刻１５１、状態カテゴリ１５２、および計測値ベクトル１５３の列（属性）を含む。本実施形態においては、５分おきに計測しており、分類単位期間の長さは５分である。
　時刻１５１は、分類単位期間の開始時刻である。状態カテゴリ１５２は、分類単位期間におけるプロセス状態の状態カテゴリである。計測値ベクトル１５３は、計測値（プロセスデータ）の集まりであって、原料Ａ流量と原料Ｂ流量との計測値を含み、プロセス状態を示す。
　プロセスデータ分類部１１３は、計測値ベクトル１５３で示されるプロセス状態を分類した結果である状態カテゴリ１５２を状態カテゴリデータベース１５０に記録する。
≪イベントデータと状態カテゴリ遷移との相関の検出≫
　図１に戻って、相関検出部１１４は、イベントデータ（運転操作情報）と状態カテゴリの遷移との相関を検出する。詳しくは、相関検出部１１４は、イベントデータと、プロセス状態の状態カテゴリの遷移との相関値を算出し、状態カテゴリの遷移の原因となったと考えられるイベントデータを検出する。
　相関検出部１１４は、プロセスデータが取得された期間、およびイベントデータが取得された期間それぞれを所定長の検出単位期間に区切る。次に相関検出部１１４は、それぞれの検出単位期間における状態カテゴリの遷移（変化）の有無と、イベントデータの有無との単位相関値を算出する。以下では、検出単位期間の長さを１０分であるとして説明する。相関値（全体相関値）は、単位相関値の和である。
　図７は、本実施形態に係る相関値算出に用いる相関値算出テーブル３４０を説明するための図（１）である。状態カテゴリ開始時刻３４１は、プロセス状態の状態カテゴリに係る検出単位期間の開始時刻を示す。状態カテゴリ遷移の有無３４２は、当該検出単位期間にプロセス状態の状態カテゴリの遷移があれば「１」であり、なければ「０」である。
　イベント開始時刻３４３はイベントデータに係る検出単位期間の開始時刻を示す。イベントの有無３４４は、当該検出単位期間にイベントデータ（運転操作情報）があれば「１」であり、なければ「０」である。
　単位相関値３４５は、状態カテゴリの遷移とイベントデータとの相関値であって、同じ行の状態カテゴリ遷移の有無３４２（の値）とイベントの有無３４４（の値）との積である。
　相関値算出テーブル３４０において、状態カテゴリ開始時刻３４１とイベント開始時刻３４３とは一致しており、相関検出部１１４は、同じ開始時刻のプロセスデータの検出単位期間とイベントデータの検出単位期間との単位相関値を算出している。全体の期間をとおしての相関値（全体相対値）は、単位相関値３４５の和であり、相関値算出テーブル３４０では２となる。
　図８は、本実施形態に係る相関値算出に用いる相関値算出テーブル３５０を説明するための図（２）である。相関値算出テーブル３５０は、相関値算出テーブル３４０（図７参照）と同様の構成をしているが、異なる開始時刻のプロセスデータの検出単位期間とイベントデータの検出単位期間との単位相関値を算出している。詳しくは、単位相関値３５５を算出する際、イベントデータの検出単位期間の開始時刻（イベント開始時刻３５３参照）と比べて状態カテゴリの検出単位期間の開始時刻（状態カテゴリ開始時刻３５１参照）は、２０分遅れている。これは、相関検出部１１４が、イベント発生（操作）と、当該イベント発生から２０分後におけるプロセス状態の状態カテゴリの遷移との単位相関値を算出することを意味する。このため、相関値算出テーブル３５０は、イベント開始時刻３５３とイベントの有無３５４の欄を、状態カテゴリ開始時刻３５１と状態カテゴリ遷移の有無３５２の欄よりも２０分ずらしている。この相関値算出テーブル３５０においての相関値（全体相対値）は、単位相関値３５５の和であって、０である。
　相関検出部１１４は、プロセスデータの検出単位期間の開始時刻（状態カテゴリ開始時刻３４１，３５１参照）とイベントデータの検出単位期間の開始時刻（イベント開始時刻３４３，３５３参照）との時間差を変えながら（検出単位期間をずらしながら）相関値を算出し、全体の期間をとおして最大となる相関値（全体相対値）を探す。
　図９は、本実施形態に係るプロセスデータの検出単位期間の開始時刻とイベントデータの検出単位期間の開始時刻との差（時間差）を変化させたときの相関値（全体相対値）を示したグラフ３７０である。横軸は時間差（単位は分）であり、縦軸は相関値（全体相対値）である。相関値算出テーブル３４０（図７参照）で示したとおり、時間差０分における相関値は２である。相関値算出テーブル３５０（図８参照）で示したとおり、時間差２０分における相関値は０である。グラフ３７０より、時間差が０分であるときに相関値（全体相対値）が最大であって、相関検出部１１４は、イベント（操作）と状態カテゴリの遷移とに因果関係があると判定する。
　相関検出部１１４は、相関（因果関係）があったイベントデータ（操作）と状態カテゴリの遷移とを状態遷移データベース１６０（後記する図１０参照）に格納する。いまの例では、相関検出部１１４は、相関値算出テーブル３４０（図７参照）において単位相関値３４５が１となった開始時刻が「10:30:00」である区間と、「11:30:00」である区間とに対応するイベントデータと状態カテゴリの遷移とを状態遷移データベース１６０に格納する。
　図１０は、本実施形態に係る状態遷移データベース１６０のデータ構成図である。状態遷移データベース１６０は、例えば表形式のデータであって、１つの行（レコード）は、１つのイベントデータと状態カテゴリの遷移とを示し、操作番号１６１（図１０では「操作＃」と記載）、遷移元状態カテゴリ１６２、および遷移先状態カテゴリ１６３の列（属性）を含む。
　操作番号１６１は、イベントデータに対応する操作の識別情報であって、操作番号１４１（図４参照）に対応する。遷移元状態カテゴリ１６２は、遷移前の状態カテゴリを示す。遷移先状態カテゴリ１６３は、遷移後の状態カテゴリを示す。
　レコード１６８は、相関値算出テーブル３４０（図７参照）において開始時刻が１０：３０：００である区間に対応する。詳しくは、操作は操作番号１４１（図４参照）が「０００２」である「反応装置出口温度」に対する操作であり、状態カテゴリは２から１に遷移している（図６の時刻１５１が「2020/03/01 10:35:00」のレコード参照）。
　レコード１６９は、相関値算出テーブル３４０（図７参照）において開始時刻が１１：３０：００である区間に対応する。詳しくは、操作は操作番号１４１（図４参照）が「０００６」である「反応装置出口温度」に対する操作であり、状態カテゴリは１から３に遷移している（図６の時刻１５１が「2020/03/01 11:35:00」のレコード参照）。
≪相関の出力≫
　図１に戻って、解析結果出力部１１６は、状態遷移データベース１６０を状態遷移図３８１，３８２（後記する図１１、図１２参照）として可視化して、入出力部１８０に接続されるディスプレイに表示する。
　図１１は、本実施形態に係る状態遷移図３８１である。状態カテゴリが２である状態（有向グラフにおけるノード）から操作番号が０００２の操作（有向グラフにおけるエッジ・アクション）により状態カテゴリが１である状態に遷移し、さらに、操作番号が０００６の操作により状態カテゴリが３である状態に遷移する。
　図１２は、本実施形態に係る状態遷移図３８２である。状態遷移図３８１は、遷移前後の状態（状態カテゴリ）間の距離が同じであったが、状態遷移図３８２では、状態カテゴリ間の類似度に応じて、状態間の距離を変えている。解析結果出力部１１６は、例えば多次元尺度構成法を用いて、状態を配置してもよい。状態遷移図３８２によれば、状態カテゴリ１，２は類似しているが、状態カテゴリ１，２と状態カテゴリ３とは類似していないことが解る。
≪因果関係の評価≫
　図１に戻って、評価部１１５は、相関検出部１１４が検出した相関（因果関係）が適切か否かを評価する。評価部１１５は、状態遷移データベース１６０を参照して因果関係を評価する。例えば、１つの遷移元状態カテゴリ１６２に対して、操作が１つに対応すれば適切と評価する。これは、状態遷移図において、１つの状態から遷移する先の状態は１つであって、枝分かれがないことを意味する。
　評価部１１５は、１つの遷移元状態カテゴリ１６２における１つの操作対象（図４の操作対象１４２参照）に対する操作を行ったときの遷移先状態カテゴリ１６３が一意に決まれば適切と評価してもよい。これは、状態遷移図において、１つの状態から同じ操作対象に対する操作で遷移する先の状態が１つに決まることを意味する。
　評価部１１５は、操作対象に操作内容（操作内容１４４参照）を加えて評価してもよい。詳しくは、評価部１１５は、１つの遷移元状態カテゴリ１６２における１つの操作対象に同様の操作内容の操作を行ったときの遷移先状態カテゴリ１６３が一意に決まれば適切と評価してもよい。同様の操作内容とは、例えば、操作対象を加増する操作、ないしは削減する操作である。
　評価部１１５は、遷移先状態カテゴリ１６３にない遷移元状態カテゴリ１６２が、１つ以下であることを確認して評価してもよい。これは、状態遷移図が１つであってグラフとして連結しており、「５→６→７」と「８→９」というように複数の状態遷移図に分離していないということである。
≪データ解析処理≫
　図１３は、本実施形態に係るデータ解析処理のフローチャートである。図１３を参照しながら、データ解析装置１００が実行するデータ解析処理を説明する。
　ステップＳ１１において制御部１１０は、解析範囲を設定する。詳しくは、制御部１１０は、利用者（運転員）に解析する期間を問い合わせて、解析範囲として設定する。制御部１１０は、解析対象となる操作対象１４２（図４参照）を利用者に問い合わせて、期間と合わせて解析範囲として設定してもよい。
　また、制御部１１０は、解析対象となる計測対象１３１（図３参照）を利用者に問い合わせて、解析する期間と合わせて解析範囲として設定してもよい。計測装置２５０で取得可能な全ての計測対象（計測値・プロセスデータの種別）を解析対象とすると、特にプロセスデータ分類部１１３の処理時間が増大する可能性がある。処理時間の観点からすると、計測対象は少ない方が望ましい。
　他に、制御部１１０は、プロセスデータ分類部１１３が状態カテゴリに分類するときの分類単位期間の長さを設定するようにしてもよい。さらに、制御部１１０は、相関検出部１１４が状態カテゴリの遷移とイベントデータとの相関を検出する検出単位期間の長さを設定するようにしてもよい。
　ステップＳ１２においてプロセスデータ収集部１１１は、計測装置２５０からプロセスデータ（計測値）を収集して、プロセスデータデータベース１３０（図３参照）に格納する。
　ステップＳ１３においてプロセスデータ分類部１１３は、プロセスデータデータベース１３０に記憶されるプロセスデータを状態カテゴリに分類して、状態カテゴリデータベース１５０（図６参照）に記録する。
　ステップＳ１４においてイベントデータ収集部１１２は、制御装置２６０からイベントデータを収集して、イベントデータデータベース１４０（図４参照）に格納する。
　ステップＳ１５において相関検出部１１４は、イベントデータと状態カテゴリの遷移との相関を検出し、相関関係があった操作と状態カテゴリの遷移とを状態遷移データベース１６０（図１０参照）に格納する。
　ステップＳ１６において解析結果出力部１１６は、状態遷移データベース１６０から状態遷移図を作成する。
　ステップＳ１７において評価部１１５は、状態遷移データベース１６０（状態遷移図）を参照して、操作と状態カテゴリの遷移との因果関係を評価する。評価が適ならば（ステップＳ１７→ＯＫ）ステップＳ１８に進み、不適ならば（ステップＳ１７→ＮＧ）ステップＳ１９に進む。
　ステップＳ１８において解析結果出力部１１６は、ステップＳ１６で作成した状態遷移図をディスプレイに表示する。
　ステップＳ１９においてパラメータ調整部としての制御部１１０は、パラメータを変更する設定を行い、ステップＳ１３に戻る。パラメータとは、ステップＳ１３においてプロセスデータ分類部１１３が状態カテゴリに分類するときの分類単位期間の長さや、各プロセスデータを分類する数（大小の２つか、大中小の３つかなど）である。他のパラメータとして、ステップＳ１５において相関検出部１１４が状態カテゴリの遷移とイベントデータとの相関を検出する検出単位期間の長さなどがある。さらに、ステップＳ１３においてプロセスデータ分類部１１３が用いるクラスタリング手法のパラメータがある。
　変更値の選択手法としては、パラメータごとに決められた変更値があって、この変更値の組み合わせを順に設定するようにしてもよい。または、利用者に問い合わせて設定してもよい。
≪データ解析処理の特徴≫
　データ解析装置１００は、プロセスデータの集まりで示されるプロセス状態（図６記載の計測値ベクトル１５３参照）を状態カテゴリに分類し、イベントデータ（運転操作情報）と状態カテゴリの遷移との相関を検出する。換言すればデータ解析装置１００は、何の操作により状態カテゴリが遷移したかの相関（因果関係）を検出する。検出された因果関係は、プラント２００の操作ノウハウとして状態遷移図の形式で出力される。
　データ解析装置１００は、プロセスデータやイベントデータの収集期間それぞれを検出単位期間に区切り、検出単位期間における操作の有無と状態カテゴリの遷移の有無との単位相関値を算出する。データ解析装置１００は、プロセスデータの検出単位期間とイベントデータの検出単位期間をずらしながら（２つの検出単位期間の時間差を変えながら）、最大となる相関値（全体相関値、単位相関値の和）を探し出し、イベントデータ（運転操作情報）と状態カテゴリの遷移との因果関係を検出する。
　また、データ解析装置１００は、分類単位期間の長さや検出単位期間の長さ、プロセス状態を状態カテゴリに分類（クランスタリング）するときのパラメータなど、各種パラメータを変更しながら検出した相関（図１０記載の状態遷移データベース１６０、図１１記載の状態遷移図３８１参照）を評価する。この評価により、より確からしい相関（因果関係）を検出することができる。
　データ解析装置１００を用いることで、ベテラン運転員がプラント２００を運転しているときの運転操作と状態カテゴリの遷移との因果関係が状態遷移図として取得できる。この状態遷移図は、ベテラン運転員の操作ノウハウであり、経験の浅い運転員へ継承することができる。
≪変形例：一連の操作≫
　上記した実施形態では、相関検出部１１４による相関検出時において１つの検出単位期間には、０または１つのイベントデータが含まれている。連続するイベントデータの間隔が所定値より短い場合には、一連の１つの操作と見なしてもよい。この場合、状態遷移図における状態間のエッジに付与されるラベルは、一連の操作を示す複数の操作番号（図４の操作番号１４１参照）となる。
≪変形例：プロセス状態≫
　上記した実施形態では、原料Ａ流量、原料Ｂ流量、反応装置圧力、および反応装置出口温度の４つの計測対象があり、同じタイミングで計測値が取得されている。このタイミングの間隔（周期）が、１つのプロセス状態の時間幅（分類単位期間の長さ）になっている。計測対象によって計測周期が異なるなどタイミングがずれている場合には、一定長の分類単位期間に区切り、１つの分類単位期間に含まれる計測値の平均値を当該分類単位期間におけるプロセスデータとしてもよい。例えば、１つの分類単位期間の計測値が３，５，４であったならば、４としてもよい。または、当該分類単位期間における計測値の中央値ないしは最頻値を当該分類単位期間におけるプロセスデータとしてもよい。他に、分類単位期間において計測値がない場合には、前後の分類単位期間における計測値の平均値としてもよい。
≪変形例：イベントデータの種別に応じて時間差に差を設定≫
　上記した実施形態における相関検出部１１４は、イベントデータの種別（図４記載の操作対象１４２参照）や内容（操作内容１４４参照）に依らず、一律に時間差を変えながら相関値を算出している（図８参照）。詳しくは、全ての状態カテゴリ開始時刻３５１とイベント開始時刻３５３との時間差は、同一である。これに対して、イベントデータの種別に応じて時間差を変えてもよい。例えば、相関検出部１１４は、操作対象１４２が原料Ａ流量であるイベントデータの時間差を、他のイベントデータの時間差とは変えて、相関値を算出してもよい。
　より詳しくは、上記した実施形態では、時間差（ずらす時間、状態カテゴリ開始時刻－イベント開始時刻）を全てのイベントデータについて、０分、１０分、２０分（図８に対応）、３０分、…と変えながら相関値を算出している。これに替えて、操作対象が原料Ａ流量以外の操作に係るイベントデータについては、時間差を０分、１０分、２０分、…、と変えつつ、操作対象が原料Ａ流量である操作に係るイベントデータについては、１０分、２０分、３０分、…、と他のイベントデータとの時間差を変える（プロセスデータの種別に応じて時間差が異なる）。このように、操作対象によって時間差を変えながら、最大となる相関値を探してもよい。
　相関検出部１１４は、他と時間差が異なるイベントデータの種別（計測対象）や時間差の差は、利用者に問い合わせて設定してもよい。また、相関検出部１１４は、様々な計測対象と時間差の差との組み合わせを変えながら、最大となる相関値を探してもよい。
　操作後に当該操作によるプロセス状態の影響（状態カテゴリの遷移）が現れるまでの時間は、操作対象に依存する場合がある。また、操作内容（操作対象を加増するか、削減するか）によって、プロセス状態の影響が現れるまでの時間が変わる場合がある。イベントデータの種別（操作対象）や操作内容に応じて時間差を変えることにより、操作後に状態カテゴリが遷移するまでの時間が異なる場合でもあっても、相関（因果関係）が検出できるようになる。
≪変形例：分類単位期間と検出単位期間≫
　上記した実施形態においては、分類単位期間長は５分であり、検出単位期間長は１０分である。検出単位期間長は、分類単位期間長の２倍に限らず、３倍、４倍など整数倍であってもよいし、分類単位期間長より長ければ２．５倍など整数倍でなくてもよい。
≪変形例：相関の検出≫
　上記した実施形態では、プロセスデータやイベントデータの収集期間それぞれを検出単位期間に区切り、検出単位期間における操作の有無と状態カテゴリの遷移の有無との相関を、２つの検出単位期間の時間差を変えながら検出している。別の手法を採用してもよい。相関検出部１１４は、例えば、同等の状態カテゴリの遷移（例えば、カテゴリ２からカテゴリ１への遷移）前の所定長の期間に発生したイベントデータのなかで、頻度が最も高いイベントデータの種別（操作対象１４２（図４参照）が同じ運転操作情報）を探し出して、当該種別のイベントデータと当該状態カテゴリの遷移に相関（因果関係）があるとしてもよい。同じ種別のイベントデータとしては、操作対象１４２が同じであるという条件に、さらに操作内容１４４が同様である（例えば所定数以上加増または削減）という条件を加えてもよい。
≪その他の変形例≫
　以上、本発明のいくつかの実施形態について説明したが、これらの実施形態は、例示に過ぎず、本発明の技術的範囲を限定するものではなく、その趣旨を逸脱しない範囲で変更することができる。例えば、プラント２００は、化学製品を生産する工場に限らず、自動車生産工場など他の様々な工場であってもよい。
　上記した実施形態では、操作対象は、計測対象（原料Ａ流量など）にもなっているが、これに限定されるものではなく、計測対象以外のものを操作してもよい。上記した実施形態では、解析範囲を設定した後にプロセスデータやイベントデータを収集している（図１３のステップＳ１１，Ｓ１２，Ｓ１３参照）が、プロセスデータやイベントデータやイベントデータを収集した後に解析範囲を設定してもよい。
　本発明はその他の様々な実施形態を取ることが可能であり、さらに、本発明の要旨を逸脱しない範囲で、省略や置換等種々の変更を行うことができる。これら実施形態やその変形は、本明細書等に記載された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。
１００　データ解析装置
１１０　制御部（パラメータ調整部）
１１１　プロセスデータ収集部
１１２　イベントデータ収集部
１１３　プロセスデータ分類部
１１４　相関検出部
１１５　評価部
１１６　解析結果出力部
１３０　プロセスデータデータベース（プロセスデータが格納されるデータベース）
１４０　イベントデータデータベース（イベントデータ（運転操作情報）が格納されるデータベース）
１５０　状態カテゴリデータベース
１５２　状態カテゴリ
１５３　計測値ベクトル（プロセス状態）
２００　プラント
３８１，３８２　状態遷移図（有向グラフ）

Claims (10)

  1. 　プラントを対象とした運転操作情報を収集するイベントデータ収集部と、
    　前記プラントから取得される計測値であるプロセスデータを収集するプロセスデータ収集部と、
    　前記プロセスデータの収集期間を分類単位期間に区切り、１つの前記分類単位期間内に取得された前記プロセスデータで示される前記プラントのプロセス状態を状態カテゴリに分類するプロセスデータ分類部と、
    　前記運転操作情報と前記状態カテゴリの遷移との相関を検出する相関検出部と、を備える
    　ことを特徴とするデータ解析装置。
  2. 　前記相関検出部は、前記運転操作情報の収集期間と前記プロセスデータの収集期間それぞれを検出単位期間に区切り、検出単位期間における操作の有無と状態カテゴリの遷移の有無との相関から相関値を算出する
    　ことを特徴とする請求項１に記載のデータ解析装置。
  3. 　前記相関検出部は、前記プロセスデータの検出単位期間と前記運転操作情報の検出単位期間との時間差を変えながら、最大となる前記相関値を探し出して、相関を検出する
    　ことを特徴とする請求項２に記載のデータ解析装置。
  4. 　前記運転操作情報の種別に応じて前記時間差が異なる
    　ことを特徴とする請求項３に記載のデータ解析装置。
  5. 　検出された前記相関に基づいて、前記状態カテゴリをノードとし、前記運転操作情報をエッジとする有向グラフを出力する解析結果出力部を、さらに備える
    　ことを特徴とする請求項１に記載のデータ解析装置。
  6. 　前記プロセスデータ分類部は、適応共鳴理論を用いて前記プロセス状態を前記状態カテゴリに分類する
    　ことを特徴とする請求項１に記載のデータ解析装置。
  7. 　１つの前記状態カテゴリの遷移と相関する前記運転操作情報が複数検出された場合に、前記プロセスデータ分類部が分類するときに参照するパラメータを変更するパラメータ調整部を、さらに備え、
    　前記プロセスデータ分類部は、当該パラメータの変更後に再び前記プロセス状態を分類し、
    　前記相関検出部は、再び相関を検出する
    　ことを特徴とする請求項１に記載のデータ解析装置。
  8. 　１つの前記状態カテゴリの遷移と相関する前記運転操作情報が複数検出された場合に、前記相関検出部が検出するときに参照するパラメータを変更するパラメータ調整部を、さらに備え、
    　前記相関検出部は、当該パラメータの変更後に再び相関を検出する
    　ことを特徴とする請求項１に記載のデータ解析装置。
  9. 　コンピュータを請求項１～８の何れか１項に記載のデータ解析装置として機能させるためのプログラム。
  10. 　データ解析装置のデータ解析手法であって、
    　前記データ解析装置は、
    　プラントを対象とした運転操作情報を収集するステップと、
    　前記プラントから取得される計測値であるプロセスデータを収集するステップと、
    　前記プロセスデータの収集期間を分類単位期間に区切り、１つの前記分類単位期間内に取得された前記プロセスデータで示される前記プラントのプロセス状態を状態カテゴリに分類するステップと、
    　前記運転操作情報と前記状態カテゴリの遷移との相関を検出するステップと
    　を実行することを特徴とするデータ解析手法。
PCT/JP2021/035223 2020-11-05 2021-09-27 データ解析装置、プログラムおよびデータ解析手法 WO2022097385A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020185263A JP7519272B2 (ja) 2020-11-05 2020-11-05 データ解析装置、プログラムおよびデータ解析手法
JP2020-185263 2020-11-05

Publications (1)

Publication Number Publication Date
WO2022097385A1 true WO2022097385A1 (ja) 2022-05-12

Family

ID=81457852

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/035223 WO2022097385A1 (ja) 2020-11-05 2021-09-27 データ解析装置、プログラムおよびデータ解析手法

Country Status (2)

Country Link
JP (1) JP7519272B2 (ja)
WO (1) WO2022097385A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170139382A1 (en) * 2015-11-17 2017-05-18 Rockwell Automation Technologies, Inc. Predictive monitoring and diagnostics systems and methods
JP6765577B1 (ja) * 2019-11-20 2020-10-07 三菱電機株式会社 運用ノウハウ推定装置、運用ノウハウ推定方法
JP2020177571A (ja) * 2019-04-22 2020-10-29 株式会社日立製作所 異常予兆診断装置、異常予兆診断方法及び異常予兆診断プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170139382A1 (en) * 2015-11-17 2017-05-18 Rockwell Automation Technologies, Inc. Predictive monitoring and diagnostics systems and methods
JP2020177571A (ja) * 2019-04-22 2020-10-29 株式会社日立製作所 異常予兆診断装置、異常予兆診断方法及び異常予兆診断プログラム
JP6765577B1 (ja) * 2019-11-20 2020-10-07 三菱電機株式会社 運用ノウハウ推定装置、運用ノウハウ推定方法

Also Published As

Publication number Publication date
JP7519272B2 (ja) 2024-07-19
JP2022074860A (ja) 2022-05-18

Similar Documents

Publication Publication Date Title
US10152879B2 (en) Method, apparatus, and system for monitoring manufacturing equipment
US7761172B2 (en) Application of abnormal event detection (AED) technology to polymers
US8761909B2 (en) Batch process monitoring using local multivariate trajectories
US20150276557A1 (en) State monitoring system, state monitoring method and medium
CN107533560A (zh) 用于推断原料成分的数据清理系统和方法
Pani et al. A survey of data treatment techniques for soft sensor design
CN103699514B (zh) 一种火力发电厂水处理流程稳态检测及运行工况判别方法
Bi et al. Large-scale chemical process causal discovery from big data with transformer-based deep learning
WO2022038804A1 (ja) 診断装置及びパラメータ調整方法
WO2017159016A1 (ja) 異常診断システム
KR20220137931A (ko) 산업 플랜트 모니터링
CN105425777B (zh) 一种基于主动学习的化工过程故障监控方法
CN115047839B (zh) 一种甲醇制烯烃工业过程的故障监测方法和系统
WO2022097385A1 (ja) データ解析装置、プログラムおよびデータ解析手法
Zhou et al. Online abnormal interval detection and classification of industrial time series data based on multi-scale deep learning
WO2021241578A1 (ja) 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム
JP6904331B2 (ja) 要因分析装置、要因分析方法、およびプログラム
JP2023518537A (ja) 製油所の単数または複数の蒸留塔の目詰まりの予測方法、コンピュータプログラムおよび関連する予測システム
JP7189859B2 (ja) プラント運転支援システム
Orantes et al. A new support methodology for the placement of sensors used for fault detection and diagnosis
JP2008204282A (ja) プロセスデータ予測システム及びそれを用いたプロセス管理装置
Shardt et al. Advanced Soft-Sensor Systems for Process Monitoring, Control, Optimisation, and Fault Diagnosis
CN104503441B (zh) 一种基于改进动态可见图的过程故障监测方法
JP7502096B2 (ja) 解析装置、解析方法及びコンピュータプログラム
EP4036752B1 (en) Method for analysing process data related to a segment of a production process

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: 21888938

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: 21888938

Country of ref document: EP

Kind code of ref document: A1