CN109840671A - 运行改进效果计算设备、运行改进效果计算方法和记录介质 - Google Patents
运行改进效果计算设备、运行改进效果计算方法和记录介质 Download PDFInfo
- Publication number
- CN109840671A CN109840671A CN201811423949.7A CN201811423949A CN109840671A CN 109840671 A CN109840671 A CN 109840671A CN 201811423949 A CN201811423949 A CN 201811423949A CN 109840671 A CN109840671 A CN 109840671A
- Authority
- CN
- China
- Prior art keywords
- factory
- data
- evaluation index
- operation data
- confidence interval
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
- 230000000694 effects Effects 0.000 title claims abstract description 400
- 238000011161 development Methods 0.000 title claims abstract description 315
- 238000004364 calculation method Methods 0.000 title claims abstract description 91
- 230000006872 improvement Effects 0.000 claims abstract description 244
- 238000011156 evaluation Methods 0.000 claims abstract description 126
- 238000013179 statistical model Methods 0.000 claims description 91
- 238000000034 method Methods 0.000 claims description 44
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 79
- 241000196324 Embryophyta Species 0.000 description 30
- 235000013399 edible fruits Nutrition 0.000 description 16
- 230000008859 change Effects 0.000 description 15
- 238000013481 data capture Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 13
- 238000007689 inspection Methods 0.000 description 12
- 238000004134 energy conservation Methods 0.000 description 11
- 239000000203 mixture Substances 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 10
- 239000000126 substance Substances 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000002906 microbiologic effect Effects 0.000 description 7
- 238000002360 preparation method Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011157 data evaluation Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000008512 biological response Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种运行改进效果计算方法包括:从与工厂的运行有关的输入的工厂运行数据的数据点中检索比较目标工厂运行数据,所述比较目标工厂运行数据包括不止一个类似于由是评估目标的工厂运行数据的评估目标工厂运行数据指示的工厂运行的工厂运行数据点;计算基于所述评估目标工厂运行数据的改进后评估指标以及基于每个所述比较目标工厂运行数据的改进前评估指标;基于每个所述比较目标工厂运行数据的数据点来计算置信区间;基于所述置信区间来计算基线,所述基线是当比较所述改进后评估指标和所述改进前评估指标时的参考,并且对应于所述改进前评估指标;以及基于所述改进后评估指标和所述基线来计算关于所述工厂的评估结果。
Description
技术领域
本公开涉及一种运行改进效果计算设备、运行改进效果计算方法、运行改进效果计算程序以及记录介质。
背景技术
在相关领域中,对于诸如石油工厂、石油化工厂、制浆造纸厂、钢铁厂、污水处理厂等的工厂,已进行诸如节能和生产效率改进的各种改进措施,以便改进运行。作为节能措施的具体实例,可以例示现存的设施到节能设施的改变、运行安排的优化以及设备的停止等等。另外,作为用于提高生产效率的改进措施的具体实例,可以例示改变为高效设施、引入诸如分布式控制***(DCS)的控制***等等。
对于工厂而言,必须估计(确认)由于改进措施而获得的节能效果和生产效率改进效果,以便衡量在引入改进措施之后的效果。在此,作为衡量改进措施的效果的指标,可以例示诸如生产成本和产量、能量效率等的关键性能指标(KPI)。
然而,在执行改进措施之后的当前运行条件下,很难衡量(检查)当工厂特性保持不变时在执行改进措施之前的KPI是什么级别。也就是说,与执行改进措施之前的情况相比,执行改进措施,使得不可能容易地获悉已实现了多少改进。由于在各种外部因素的影响下在工厂中进行运行,因此不会发生其中在执行改进措施之前的运行条件与在执行改进措施之后的运行条件完全彼此一致的情况,包括各种外部因素的影响。另外,当设施一旦通过执行改进措施而改变(更新)时,不可能容易地将设施返回到原始设施,即在执行改进措施之前的状态。因此,在执行工厂的改进措施之后的运行条件下,需要用于估计KPI的任何方法,所述方法是在执行改进措施之前的工厂特性。
因此,例如,专利文献1(日本专利申请公开号2012-38054)和专利文献2(日本专利申请公开号2017-118795)公开了用于评估改进措施的效果的技术。专利文献1公开了一种工厂运行评估设备的技术,所述技术被配置为在通过使用统计模型执行节能措施之前估计工厂运行并且在执行节能措施之后比较估计的工厂运行和实际的工厂运行,从而评估节能效果。更具体地,根据专利文献1中公开的技术,在节能措施之前基于与工厂运行有关的工厂运行值来准备工厂运行估计模型,所述模型是统计模型。在此,根据专利文献1中公开的技术,预先定义在节能措施之前的工厂运行的相关公式、特性公式以及质量平衡公式,以准备工厂运行估计模型。根据专利文献1中公开的技术,将与在节能措施之后的工厂运行有关的工厂运行值应用于准备的工厂运行估计模型,使得在节能措施之后在预定时间段期间估计节能措施之前的工厂运行。此后,根据专利文献1中公开的技术,比较节能措施之前的估计的工厂运行和节能措施之后的工厂运行值,以评估工厂中的节能效果。
另外,专利文献2公开了一种电力管理设备的技术,所述电力管理设备被配置为通过使用特性公式来评估与发电设施的运行改进相关联的能量成本的减少量。更具体地,根据专利文献2中公开的技术,基于常规控制的电力需求的变化以及常规控制的能量成本的变化,获得工厂中的燃料消耗特性的特性公式。随后,根据专利文献2中公开的技术,将运行改进日期的电力需求值应用于所获得的特性公式,使得在对运行改进日期的电力需求执行常规控制时计算能量成本。另外,根据专利文献2中公开的技术,将计算的能量成本设定为比较参考的基线。
以这种方式,根据专利文献1或专利文献2中公开的技术,从在执行改进措施之前的运行条件获得的工厂的统计模型或特性公式被应用于在执行改进措施之后的运行条件,使得估计(检查)在执行改进措施之后的改进效果。
存在多种工厂,例如被配置为通过锅炉、蒸汽涡轮机、发电机等来制造产品的所谓的BTG工厂,被配置为通过使用化学品的复杂化学反应来制造产品的化学工厂,被配置成通过进行使用微生物的处理过程来制造产品的微生物工厂等等。
由于BTG工厂是关于运行条件(需求、产品质量、原材料质量等)的生产特性相对清楚的工厂,因此关于运行条件的KPI特性具有较强的线性。因此,在BTG工厂的情况下,在通过使用专利文献1或专利文献2中公开的统计模型或特性公式的方法来执行改进措施之前,根据工厂特性改进前KPI的变化很小,使得在以足够的精度执行改进措施之后,可能估计(检查)改进效果。
另一方面,在化学工厂或微生物工厂的情况下,由于关于运行条件(需求、产品质量、原材料质量等)的特性具有较大的变化,因此难以准备具有高精度的统计模型或特性公式,并且根据在执行改进措施之前的工厂特性改进前KPI的变化也增加。描述了原因。在化学工厂或微生物工厂中,由于使用了无法检查内部状态的复杂化学反应或生物响应,所以即使在相同的运行条件下,将要生产的产品的量和质量也会有变化。因此,在化学工厂或微生物工厂的情况下,不可能以足够的精度准备专利文献1或专利文献2中公开的统计模型或特性公式。因此,在化学工厂或微生物工厂的情况下,即使在通过基于执行改进措施之前的数据利用使用在专利文献1或专利文献2中公开的统计模型或特性公式的方法来对特性进行建模来估计KPI时,也不可能以足够的精度估计(检查)改进效果。另外,在化学工厂或微生物工厂的情况下,由于上述原因,难以准备指示工厂特性的物理模型。因此,在相关技术的化学工厂或微生物工厂的情况下,在执行改进措施之前的预定时间段期间的改进后KPI和在执行改进措施之后的相同时间段期间的改进后KPI的直接比较结果被视为改进效果。然而,如上所述,在工厂中,不会产生在执行改进措施之前以及执行改进措施之后的运行条件完全彼此一致的情况,并且不可能再现相同的运行条件。因此,在大多数情况下,运行条件已在改进后KPI彼此进行比较的时间点发生了变化。因此,不能说改进后KPI的比较是用于估计(检查)改进效果的适当比较。
鉴于上述情况做出本公开,并且本公开的目的是提供一种能够检查在工厂中进行的改进措施的效果的运行改进效果计算设备、运行改进效果计算方法、运行改进效果计算程序以及记录介质。
发明内容
与一个方面有关的一种运行改进效果计算设备包括:相似数据检索单元,被配置为从与工厂的运行有关的输入的工厂运行数据中检索包括多于一个工厂运行数据点的比较目标工厂运行数据,所述数据点类似于由是评估目标的工厂运行数据的评估目标工厂运行数据指示的工厂运行,以及计算基于评估目标工厂运行数据的第一改进后评估指标和基于每个比较目标工厂运行数据的数据点的第一改进前评估指标;置信区间计算单元,被配置为基于比较目标工厂运行数据来计算第一置信区间;基线计算单元,被配置为基于第一置信区间来计算第一基线,所述第一基线是当比较第一改进后评估指标和第一改进前评估指标时的参考,并且对应于第一改进前评估指标;以及评估计算单元,被配置为基于第一改进后评估指标和第一基线来计算关于工厂的第一评估结果。
与一个方面有关的一种运行改进效果计算方法包括:从与工厂的运行有关的输入的工厂运行数据中检索包括多于一个工厂运行数据点的比较目标工厂运行数据,所述数据点类似于由是评估目标的工厂运行数据的评估目标工厂运行数据指示的工厂运行;计算基于评估目标工厂运行数据的第一改进后评估指标和基于每个比较目标工厂运行数据的数据点的第一改进前评估指标;基于比较目标工厂运行数据来计算第一置信区间;基于第一置信区间来计算第一基线,所述第一基线是当比较第一改进后评估指标和第一改进前评估指标时的参考,并且对应于第一改进前评估指标;以及基于第一改进后评估指标和基线来计算关于工厂的第一评估结果。
与一个方面有关的一种运行改进效果计算程序引起计算机执行过程包括:从与工厂的运行有关的输入的工厂运行数据中检索包括多于一个工厂运行数据点的比较目标工厂运行数据,所述数据点类似于由是评估目标的工厂运行数据的评估目标工厂运行数据指示的工厂运行;计算基于评估目标工厂运行数据的第一改进后评估指标和基于每个比较目标工厂运行数据的数据点的第一改进前评估指标;基于比较目标工厂运行数据来计算第一置信区间;基于第一置信区间来计算第一基线,所述第一基线是当比较第一改进后评估指标和第一改进前评估指标时的参考,并且对应于第一改进前评估指标;以及基于第一改进后评估指标和基线来计算关于工厂的第一评估结果。
与一个方面有关的一种非暂时性计算机可读记录介质,并且程序存储在其中以用于引起计算机执行过程包括:从与工厂的运行有关的输入的工厂运行数据中检索包括多于一个工厂运行数据点的比较目标工厂运行数据,所述数据点类似于由是评估目标的工厂运行数据的评估目标工厂运行数据指示的工厂运行;计算基于评估目标工厂运行数据的第一改进后评估指标和基于每个比较目标工厂运行数据的数据点的第一改进前评估指标;基于比较目标工厂运行数据来计算第一置信区间;基于第一置信区间来计算第一基线,所述第一基线是当比较第一改进后评估指标和第一改进前评估指标时的参考,并且对应于第一改进前评估指标;以及基于第一改进后评估指标和基线来计算关于工厂的第一评估结果。
提供能够检查在工厂中进行的改进措施的效果的运行改进效果计算设备、运行改进效果计算方法、运行改进效果计算程序以及记录介质变得可能。
附图简述
将基于以下附图详细描述本发明的示例性实施例,其中:
图1是描绘了根据本公开的第一说明性实施例的运行改进效果计算设备的示意性配置的框图;
图2是描绘了将要在根据本公开的第一说明性实施例的运行改进效果计算设备中执行的处理顺序的实例的流程图;
图3描绘了在根据本公开的第一说明性实施例的运行改进效果计算设备上的结果显示的实例;
图4是描绘了根据本公开的第二说明性实施例的运行改进效果计算设备的示意性配置的框图;
图5是描绘了将要在根据本公开的第二说明性实施例的运行改进效果计算设备中执行的处理顺序的实例的流程图;以及
图6描绘了其中使用本公开的说明性实施例的运行改进效果计算设备的工厂的配置的实例。
具体实施方式
<第一说明性实施例>
在下文中,将参考附图描述本公开的说明性实施例。根据本公开的第一说明性实施例的运行改进效果计算设备是用于当关键绩效指标(KPI)是通过在工厂中执行改进措施之后在运行条件中当工厂特性保持不变时衡量在执行改进措施之前的KPI是什么级别来估计(检查)由于改进措施而获得的改进效果的设备。
图1是描绘了根据本公开的第一说明性实施例的运行改进效果计算设备的示意性配置的框图。运行改进效果计算设备10包括处理接收单元101、数据获取单元102、预处理单元103、相似数据检索单元104、置信区间计算单元105、基线计算单元106以及运行改进效果计算单元107。同时,在图1中,还示出了工厂运行数据库20和天气数据库30,将要由运行改进效果计算设备10使用以便计算改进措施的数据存储在其中,以及被配置为呈现由运行改进效果计算设备10计算的改进措施的效果(下文中,称为“运行改进效果”)的数据的显示设备50。
工厂运行数据库20是其中存储与工厂运行有关的从过去到现在的各种数据的数据库。在工厂运行数据库20中,存储有诸如当在工厂中制造产品时使用的原料的类型和使用量等的原料数据、由传感器检测到的提供给设施的运行条件(例如流量、压力、温度等)的数据以及其中制造产品的生产量和质量彼此相关联的工厂运行的数据(在下文中,称为“工厂运行数据”)。工厂运行数据也可以包括用于在制造产品时控制设施的控制数据。本公开不特别限制存储在工厂运行数据库20中的工厂运行数据的类型。
天气数据库30是其中存储有天气数据(以下称为“天气数据”)的数据库,天气被认为是影响工厂运行的外部因素。在天气数据库30中,存储有天气数据,其中诸如“温度”、“大气压力”、“湿度”、“大气条件”等的天气数据与诸如“日期”、“时间”等的时间数据彼此相关联。本公开不特别限制存储在天气数据库30中的天气数据的类型。
网络40是运行改进效果计算设备10经由其来获取存储在工厂运行数据库20中的工厂运行数据以及存储在天气数据库30中的天气数据的网络。在此,网络40可以是通用网络或在工厂中建立的专用网络。另外,网络40可以是各种网络,包括有线和无线网络。例如,当网络40是通用网络时,它可以是互联网、Wi Fi(注册商标)、云计算***中的网络等。另外,例如,当网络40是在工厂中建立的专用网络时,它可以是诸如ISA 100.11a的工业无线标准的网络、无线标准诸如传感器网络***、通信标准诸如其中无线通信和有线通信混合的无线/有线HART(注册商标)、主/从类型的通信标准诸如MODBUS(注册商标),等等。
显示设备50被配置为将由运行改进效果计算设备10计算的运行改进效果的数据呈现(显示)给使用运行改进效果计算设备10的用户。例如,显示设备50包括诸如液晶监视器(液晶显示器:LCD)等的显示设备。在图1中,显示设备50连接到运行改进效果计算设备10的外部。然而,显示设备50可以是在运行改进效果计算设备10中提供的构成元件。
运行改进效果计算设备10被配置为通过网络40从工厂运行数据库20和天气数据库30获取在计算运行改进效果时将要使用的各种数据,并且在显示设备50上显示运行改进效果的计算数据。
处理接收单元101是由使用运行改进效果计算设备10的用户操作的用户界面,并且被配置为接收在运行改进效果计算设备10计算运行改进效果时将要使用的各种条件。用户操作处理接收单元101以指定各种条件,诸如运行改进效果计算设备10将计算运行改进效果的时间段以及在计算运行改进效果时将要使用的参数。例如,用户指定估计(评估)由于改进措施而获得的改进效果的时间段,以及在估计(评估)改进效果时检索工厂运行数据和天气数据的目标的时间段。同时,在下文中,将估计(评估)改进效果的时间段被称为“评估时间段”,并且检索工厂运行数据和天气数据的目标的时间段被称为“检索目标时间段”。另外,用户指定用于检索在计算评估时间段的运行改进效果时将要使用的数据的条件(下文中,称为“检索参数”)。另外,用户指定运行改进效果的置信区间的条件(下文中,称为“置信区间参数”)。
处理接收单元101被配置为接收在计算运行改进效果时将要使用的从用户指定的各种条件,并且将接收的各种条件的信息输出到数据获取单元102、相似数据检索单元104以及置信区间计算单元105。
当显示设备50是在运行改进效果计算设备10中提供的构成元件时,可以组合处理接收单元101和显示设备50。作为处理接收单元101和显示设备50的组合配置,例如可以是触摸面板。
数据获取单元102是用于经由网络40从工厂运行数据库20和天气数据库30获取在计算运行改进效果时将要使用的各种数据的网络接口。数据获取单元102被配置为基于从处理接收单元101输出的评估时间段和检索目标时间段的信息(在下文中,称为“时间段信息Ip”)从工厂运行数据库20和天气数据库30获取包括在由用户指定的时间段内的工厂运行数据和天气数据。时间段信息Ip包括指示特定设施中的时间段、运行状态、停止等的信息(所谓的时间戳),诸如商标的特定产品的信息等。
数据获取单元102可以被配置为从工厂运行数据库20和天气数据库30实时地获取在计算运行改进效果时将要使用的工厂运行数据和天气数据。在这种情况下,运行改进效果计算设备10不仅可以实时地计算每个评估时间段(诸如一小时和一天)的运行改进效果,并且还可以实时地计算当前的运行改进效果。
数据获取单元102被配置为向预处理单元103输出工厂运行数据和天气数据,即经由网络40从工厂运行数据库20和天气数据库30获取的评估时间段和检索目标时间段的原始数据。在下文中,当不区分工厂运行数据和天气数据时,它们被称为“原始数据Dr”。
预处理单元103是被配置为对从数据获取单元102输出的原始数据Dr执行以下处理的处理单元:去除异常值(例如,被认为是传感器检测到的提供给设施的噪声的数据的值)的处理、归一化变量(原始数据Dr中包括的每个数据集)的处理、将时间划分为特定时间(例如,一小时、一天等)的处理、所谓的结算处理等。
在此,可以想到各种方法作为由预处理单元103执行的每个处理的方法。例如,作为其中预处理单元103去除包括在原始数据Dr中的异常值的处理方法,可以想到通过使用马哈拉诺比斯距离仅提取可以作为正常值处理的数据的方法。在这种情况下,其中平均值为μ并且协方差矩阵为Σ的数据x的马哈拉诺比斯距离DM(x)可以通过以下等式(1)获得。
[等式1]
另外,作为其中预处理单元103对变量进行归一化的处理方法,可以想到执行归一化以使得原始数据Dr中包括的各个变量(数据)值的平均值为0并且方差为1的方法。
在下面的说明中,将要由预处理单元103对原始数据Dr执行的每个处理被不加区分地称为“预处理”。运行改进效果计算设备10被配置为在预处理单元103执行预处理之后基于原始数据Dr(在下文中,称为“预处理数据Dp”)执行计算运行改进效果的处理。预处理单元103被配置为将预处理数据Dp输出到相似数据检索单元104和运行改进效果计算单元107。
相似数据检索单元104是处理单元,其被配置为从包括在从预处理单元103输出的预处理数据Dp中的每个数据点中检索相似的数据点。相似数据检索单元104被配置为基于从处理接收单元101输出的检索参数(在下文中,称为“检索参数Ps”)检索在执行改进措施之前的预处理数据Dp(即,比较目标的预处理数据Dp),其与在执行改进措施之后的预处理数据Dp(即,评估目标的预处理数据Dp)具有高度相似性。更具体地,相似数据检索单元104被配置为检索在执行改进措施之前的工厂运行数据(在下文中,称为改进前数据)。包括在执行改进措施之后的工厂运行数据中的至少运行条件和生产量是相似的。从处理接收单元101输出的检索参数Ps包括用户指定的数字,通过所述数字从以上检索相似的预处理数据Dp(比较目标的预处理数据Dp),并且阈值用于确定数据是否足够相似(具有高度相似性)。相似数据检索单元104被配置以相似性的顺序检索与检索参数Ps指定的数量一样多的类似的改进前数据。
在此,可以想到各种方法作为相似数据检索单元104检索包括在工厂运行数据中的相似数据的方法。例如,在一种方法中,计算在评估目标的任何时间(在下文中,称为“评估目标时间”)的改进后数据和每次包括在预处理数据Dp中的改进前数据之间的距离。然后,将在执行改进措施之前具有最短计算距离的工厂运行数据设定为改进前数据,其在评估目标时间处与改进后数据具有最高相似性。相似数据检索单元104被配置为不止一次地检索具有包括在检索参数Ps中的数量的近距离的在执行改进措施之前的工厂运行数据作为具有高度相似性的工厂运行数据,以便形成具有最短计算距离(最高相似性)的在执行改进措施之前的工厂运行数据。也就是说,相似数据检索单元104被配置为不止一次地检索改进前数据,所述改进前数据具有不同的运行条件和生产量数据,但是在一个评估目标时间类似于运行后数据。在此,作为相似数据检索单元104计算工厂运行数据之间的距离的方法,可以例示计算欧几里德距离的方法。在这种情况下,可以使用以下等式(2)获得数据x与数据y之间的欧几里德距离。
[等式2]
另外,作为相似数据检索单元104计算工厂运行数据之间的距离的方法,可以使用相关系数。在这种情况下,可以使用以下等式(3)获得数据x与数据y之间的相关系数。
[等式3]
作为在确定预处理数据Dp是否彼此相似时将要使用的变量(数据),除了包括在工厂运行数据中的运行条件和生产量的数据之外,相似数据检索单元104可以包括确定目标数据中的天气数据(例如,“温度”、“时间”等)。在这种情况下,考虑到包括季节和时间,相似数据检索单元104可以检索多个相似的改进前数据,。
另外,相似数据检索单元104确定预处理数据Dp是否彼此相似的评估目标时间不限于将任何时间设定为评估目标时间的上述情况,即将瞬时时间设定为评估目标时间,并且可以将具有预定时间宽度的时间段设定为评估目标时间。例如,可以使用一天的平均值、积分值、运行条件模式(趋势)等。在此,运行条件模式意味着相似数据检索单元104通过确定包括在预定时间宽度中的时间序列的预处理数据Dp的变化模式是否彼此相似来检索在执行改进措施之前的具有高度相似性的预处理数据Dp。在这种情况下,用户通过操作处理接收单元101来指定具有预定时间宽度的时间段(下文中,称为“评估目标时间段”),所述时间段被设定为评估目标时间。当评估目标时间段包括在从处理接收单元101输出的检索参数Ps中时,相似数据检索单元104在评估目标时间确定在执行改进措施之后的预处理数据Dp,并且如果包括在评估目标时间段的时间宽度中的时间序列的预处理数据Dp的变化模式彼此相似,那么在执行改进措施之前的预处理数据Dp彼此相似。
相似数据检索单元104被配置为基于在评估目标时间执行改进措施之后的预处理数据Dp(评估目标的预处理数据Dp)来计算改进后KPI。另外,相似数据检索单元104被配置为在执行在评估目标时间处执行改进措施之后关于预处理数据Dp检索的改进措施(比较目标的预处理数据Dp)之前基于预处理数据Dp来计算改进前KPI,所述改进前KPI在相对于在执行改进措施之后的预处理数据Dp检索,即计算的改进后KPI。此时,相似数据检索单元104被配置为通过对在执行改进措施之前的多个检测到的预处理数据Dp的相应KPI求平均来计算平均KPI,并且将计算的平均KPI设定为改进前KPI。相似数据检索单元104被配置为计算评估时间段中包括的每个评估目标时间处的改进后KPI以及对应于每个改进后KPI的改进前KPI。
相似数据检索单元104被配置为向置信区间计算单元105和基线计算单元106输出计算的估计KPI和多个预处理数据Dp作为检索结果的数据(以下称为“检索结果Rs”),所述预处理数据用于计算改进前KPI,即在改进措施之前多个检索的预处理数据Dp,所述预处理数据类似于在执行针对其已计算改进后KPI的改进措施之后的预处理数据Dp。
置信区间计算单元105是被配置为基于从相似数据检索单元104输出的检索结果Rs来获得改进前KPI的置信区间的处理单元。置信区间计算单元105被配置为通过基于从处理接收单元101输出的置信水平(以下称为“置信区间参数Pc”)来计算从相似数据检索单元104输出的检索结果Rs中包括的改进前KPI中存在多少错误来获得改进前KPI的置信区间。更具体地,置信区间计算单元105被配置为在执行检索结果Rs中包括的改进措施之前,基于多个预处理数据Dp中的每一个来从数据的数量和置信区间参数获得置信区间。在此,可以使用以下等式(4)来获得在任何相似时间处的KPI的数据x的置信区间。
[等式4]
在等式(4)中,t表示由自由度(数据的数量-1)和置信度(置信区间参数)确定的常数,等式(5)表示数据的平均值,S表示数据的无偏方差的平方根,并且n表示数据的数量。
[等式5]
置信区间计算单元105被配置为将置信区间的上限值与改进前KPI之间的差异设定为置信区间的上限宽度,并且将置信区间的下限值与改进前KPI之间的差异设定为置信区间的下限宽度。置信区间计算单元105被配置为将置信区间的上限宽度的信息以及置信区间的下限宽度的信息输出到基线计算单元106,作为置信区间的信息(以下称为“置信区间信息Ic”)。
基线计算单元106是被配置为基于从相似数据检索单元104输出的检索结果Rs和从置信区间计算单元105输出的置信区间信息Ic来计算基线的处理单元,所述基线是用于计算和比较运行改进效果的参考。基线计算单元106被配置为通过将置信区间的上限宽度和置信区间的下限宽度中的每个宽度应用到包括在从相似数据检索单元104输出的检索结果Rs中的改进前KPI来计算基线,所述基线包括在从置信区间计算单元105输出的置信区间信息Ic中。更具体地,当从相似数据检索单元104输出的检索结果Rs中包括的改进后KPI是诸如表示KPI越大改进效果越高的质量的指标时,基线计算单元106计算“改进前KPI+置信区间的上限宽度”作为基线。另一方面,当从相似数据检索单元104输出的检索结果Rs中包括的改进后KPI是诸如表示KPI越小改进效果越高的耗能的指标时,基线计算单元106计算“改进前KPI-置信区间的下限宽度”作为基线。由此,运行改进效果计算设备10可以通过比较由基线计算单元106计算的基线和由相似数据检索单元104计算的改进后KPI来检查由于改进措施而获得的最小改进效果。
基线计算单元106被配置为将从相似数据检索单元104输出的每个检索结果Rs和计算的基线数据输出到运行改进效果计算单元107。
运行改进效果计算单元107是被配置为至少基于从基线计算单元106输出的检索结果Rs和基线数据来计算由于改进措施而获得的运行改进效果的处理单元。更具体地,运行改进效果计算单元107被配置为计算改进后KPI与基线数据(值)之间的差异来作为运行改进效果。也就是说,运行改进效果计算单元107被配置为计算“改进后KPI-基线”来作为运行改进效果。此时,运行改进效果计算单元107被配置为通过使用对应的改进后KPI和基线数据(值)来计算每个评估目标时间处的运行改进效果。另外,此时,运行改进效果计算设备10可以被配置为通过使用从预处理单元103输出的预处理数据Dp来执行数据计算,以便详细地指示所计算的运行改进效果。
由于通过运行改进效果计算设备10在评估时间段期间评估的运行改进效果,运行改进效果计算单元107被配置为在评估目标时间处输出每个计算的运行改进效果的数据(以下称为“运行改进效果数据De”)。
运行改进效果计算设备10被配置为在显示设备50上输出并显示运行改进效果数据De。为此,运行改进效果计算单元107可以被配置为生成图像数据,所述图像数据用于通过运行改进效果数据De明确地表示在每个评估目标时间处指示的改进效果、改进后KPI、改进前KPI、基线等,并且在显示设备50上输出和显示所生成的图像数据作为评估的运行改进效果的结果。
随后,描述运行改进效果计算设备10的运行。图2是描绘了将要在根据本公开的第一说明性实施例的运行改进效果计算设备10中执行的处理顺序的实例的流程图。
在描绘了运行改进效果计算设备10的运行的图2的流程图中,运行改进效果计算设备10具有嵌入其中的显示设备50,并且在显示设备50上显示图像数据,所述图像数据将明确地表示所计算的运行改进效果数据De,以用于使用运行改进效果计算设备10的用户。另外,在下文中,假设已由使用运行改进效果计算设备10的用户指定了时间段、检索参数以及置信区间参数。
当指示运行改进效果计算设备10实现用户对运行改进效果的评估时,运行改进效果计算设备10开始评估对应于指定时间段、检索参数和置信区间参数的运行改进效果。
当运行改进效果计算设备10开始评估运行改进效果时,数据获取单元102首先获取包括在由时间段Ip指示的检索目标时间段和评估时间段中的工厂运行数据和天气数据,所述信息经由网络40从处理接收单元101、从工厂运行数据库20和天气数据库30输出(步骤S100)。随后,数据获取单元102将其中包括所获取的工厂运行数据和天气数据的原始数据Dr输出到预处理单元103。
接下来,预处理单元103对从数据获取单元102输出的原始数据Dr执行预处理(步骤S110)。更具体地,例如,预处理单元103通过使用马哈拉诺比斯距离执行去除原始数据Dr的异常值的处理,并且对原始数据Dr执行归一化,使得包括在原始数据Dr中的变量(数据)值的平均值为9并且方差为1。随后,预处理单元103将其中包括已执行预处理的每个原始数据Dr的数据点的预处理数据Dp输出到相似的数据检索单元104和运行改进效果计算单元107。
接下来,在包括在从预处理单元103输出的预处理数据Dp中的每个评估目标时间处,基于从处理接收单元101输出的检索参数Ps,相似数据检索单元104检索在执行改进措施之前的预处理数据Dp(比较目标的预处理数据Dp),所述预处理数据类似于在执行改进措施之后的预处理数据Dp(评估目标的预处理数据Dp)(步骤S120)。在此,从处理接收单元101输出的检索参数Ps包括n(n:自然数、正整数)的情况作为检索相似的预处理数据Dp的数量(比较目标的预处理数据Dp)是可能的。在这种情况下,在步骤S120的处理中,相似数据检索单元104检索在执行改进措施之前的n个相似的预处理数据Dp,所述预处理数据与在每个评估目标时间处在执行改进措施之后的预处理数据Dp具有最高度相似性。
此后,相似数据检索单元104计算改进后KPI(这是第一改进后KPI的示例)和改进前KPI(这是第一改进前KPI的示例)(步骤S130)。在此,在步骤S120的处理中,考虑相似数据检索单元104检索在执行改进措施之前的n个相似的预处理数据Dp的情况,所述预处理数据对应于在每个评估目标时间处在执行改进措施之后的预处理数据Dp。在这种情况下,在步骤S130的处理中,相似数据检索单元104在每个评估目标时间处,针对在执行改进措施之后的每个预处理数据Dp计算评估目标时间处的改进后KPI。另外,在步骤S130的处理中,相似数据检索单元104计算通过对在执行改进措施之前的n个相似的预处理数据Dp的KPI求平均而获得的平均KPI作为在每个评估目标时间处对应于改进后KPI的每个改进前KPI,所述预处理数据对应于在每个评估目标时间处在执行改进措施之后的预处理数据Dp。随后,将相似数据检索单元104在每个评估目标时间处计算的改进后KPI输出到置信区间计算单元105和基线计算单元106作为检索结果Rs,每个改进前KPI对应于每个评估目标时间处的改进后KPI,以及已针对其分别计算改进前KPI的在执行改进措施之前的n个相似的预处理数据Dp。
接下来,置信区间计算单元105基于从处理接收单元101输出的置信区间参数Pc来计算包括在从相似数据检索单元104输出的检索结果Rs中的改进前KPI的置信区间(这是第一置信区间的示例)(步骤S140)。在此,其中已针对其分别计算改进前KPI的在执行改进措施之前的n个相似的预处理数据Dp被包括在从相似数据检索单元104输出的检索结果Rs中的情况是可能的。在这种情况下,置信区间计算单元105在执行改进措施之前通过使用等式(4)基于n个相似的预处理数据Dp中的每一个从数据的数量和置信区间参数Pc针对每个改进前KPI获得置信区间。随后,置信区间计算单元105将包括所获得的置信区间的上限宽度(这是第一上限宽度的示例)的信息和所获得的置信区间的下限宽度(这是第一下限宽度的示例)的信息的置信区间信息Ic输出到基线计算单元106。
接下来,基线计算单元106基于从置信区间计算单元105输出的置信区间信息Ic来计算基线(这是第一基线的示例)(步骤S150),所述基线对应于包括在从相似数据检索单元104输出的检索结果Rs中的每个改进前KPI。随后,基线计算单元106至少将包括在从相似数据检索单元104输出的检索结果Rs中的改进后KPI和改进前KPI以及计算的基线数据输出到运行改进效果计算单元107。
接下来,运行改进效果计算单元107基于从基线计算单元106输出的检索结果Rs和基线数据来计算每个评估目标时间(这是第一评估结果的示例)处的运行改进效果(步骤S160)。随后,运行改进效果计算单元107生成用于在每个评估目标时间处明确地表示所计算的运行改进效果的图像数据,并且将生成的图像数据输出到显示设备50作为运行改进效果数据De。
接下来,显示设备50显示从运行改进效果计算单元107输出的运行改进效果数据De的图像(步骤S170)。
通过上述配置和处理顺序,第一说明性实施例的运行改进效果计算设备10通过使用包括在由用户指定的检索目标时间段和评估时间段中的工厂运行数据和天气数据来评估在工厂中在由用户指定的条件下执行的改进措施的效果(运行改进效果)。此时,第一说明性实施例的运行改进效果计算设备10不止一次地检索改进前数据,所述改进前数据类似于改进后数据,计算改进前KPI和基线,并且根据基线和改进后KPI来计算由于改进措施而获得的最小改进效果(运行改进效果)。由此,即使当应用运行改进效果计算设备10所应用到的工厂是难以通过统计模型或特性公式明确指示的诸如化学工厂和微生物工厂的工厂时,第一说明性实施例的运行改进效果计算设备10也可以评估改进效果(运行改进效果)。另外,第一说明性实施例的运行改进效果计算设备10向用户呈现改进措施的评估效果(运行改进效果)。由此,使用第一说明性实施例的运行改进效果计算设备10的用户可以检查由于在工厂中执行的改进措施而获得的改进效果。
在此,描述了其中在显示设备50上显示由运行改进效果计算设备10评估的运行改进效果的结果的实例。图3描绘了根据本公开的第一说明性实施例的运行改进效果计算设备10的结果(运行改进效果的结果)的显示的实例。图3描绘了其中当评估目标的改进后KPI是能量效率时,运行改进效果计算设备10在显示设备50上显示改进后KPI、改进前KPI以及基线的时间变化来作为运行改进效果的结果的实例。在图3中,改进后KPI、改进前KPI以及基线的时间变化由曲线图上的多边形曲线表示,其中纵轴表示能量效率的大小,并且水平轴表示时间。
能量效率是指示KPI的值越小改进效果越高的指标。在运行改进效果计算设备10中,基线计算单元106将“改进前KPI-置信区间的下限宽度”计算为基线。因此,在作为运行改进效果的结果在显示设备50上显示的图3的曲线图中,基线是位于改进前KPI下方的基线(下限基线)。另外,在图3中,下限基线与改进后KPI之间的差异是由于在工厂中执行的改进措施而获得的最小运行改进效果。
使用运行改进效果计算设备10的用户可以通过检查如图3所示的最小运行改进效果来检查由于在工厂中执行的改进措施而获得的改进效果。
如上所述,能量效率是指示KPI的值越小改进效果越高的指标。因此,作为运行改进效果的结果,由运行改进效果计算设备10在显示设备50上显示的基线仅是下限基线。然而,在图3中,为了明确地指示由置信区间计算单元105计算的改进前KPI的置信区间,“改进前KPI+置信区间的上限宽度”,即位于改进前KPI上方的基线(上限基线)也显示以供参考。在图3中,下限基线与上限基线之间的宽度是由置信区间计算单元105计算的置信区间。
在图3中,作为将要在显示设备50上显示的运行改进效果的结果的实例,通过线形图来显示改进后KPI、改进前KPI以及基线的时间变化。然而,将要由运行改进效果计算设备10在显示设备50上显示的运行改进效果的结果的类型不限于如图3所示的线形图。例如,运行改进效果计算设备10可以被配置为通过数值来指示包括在运行改进效果的结果中的每个时间(评估目标时间)以及在对应时间处的运行改进效果的数据(值)。
运行改进效果计算设备10被配置为通过不止一次地检索改进前数据,所述改进前数据类似于改进后数据。然而,在由数据获取单元102从工厂运行数据库20获取的检索目标时间段的工厂运行数据中,与改进后数据足够相似(具有与其高度的相似性)的改进前数据可能不包括在内或者可能较少地包括在内,所述工厂运行数据足够类似于在执行改进措施之后的工厂运行数据。在这种情况下,在由用户指定并且由相似数据检索单元104检索的改进前数据中,不够相似(具有较低的相似度)的改进前数据也包括在内。另外,准备统计模型等并且评估运行改进效果的配置优于利用所包括的工厂运行数据评估运行改进效果的配置,所述工厂运行数据不够相似(具有较低的相似度)是可能的。因此,运行改进效果计算设备的配置可以改变为基于可以被检索的改进前数据的数量、与改进后数据的高度相似性等来切换评估运行改进效果的方法的配置。
<第二说明性实施例>
随后,描述本公开的第二说明性实施例。根据本公开的第二说明性实施例的运行改进效果计算设备也是用于当KPI是在执行改进措施之前的工厂特性时,通过在工厂中执行改进措施之后在运行条件中衡量KPI处于何种水平来估计(检查)由于改进措施而获得的改进效果的设备,如同第一说明性实施例的运行改进效果计算设备10。为此,第二说明性实施例的运行改进效果计算设备的构成元件也包括与图1所示的第一说明性实施例的运行改进效果计算设备10的构成元件相似的构成元件。因此,在下文中,第二说明性实施例的运行改进效果计算设备的构成元件中的与第一说明性实施例的运行改进效果计算设备10的构成元件相似的构成元件用相同的附图标记表示并且省略其详细描述。
图4是描绘了根据本公开的第二说明性实施例的运行改进效果计算设备的示意性配置的框图。运行改进效果计算设备12包括处理接收单元101、数据获取单元102、预处理单元103、相似数据检索单元124、计算方法确定单元128、统计模型准备单元129、置信区间计算单元125、基线计算单元126以及运行改进效果计算单元107。
如同图1,还在图4中,还示出了连接到网络40和显示设备50的工厂运行数据库20和天气数据库30。图4所示的工厂运行数据库20、天气数据库30以及网络40与图1中所示的对应的构成元件相同。另外,图4所示的显示设备50与图1所示的显示设备50相同。因此,如同第一说明性实施例的运行改进效果计算设备10,显示设备50可以是在运行改进效果计算设备12中提供的构成元件。另外,显示设备50与处理接收单元101组合,使得其可以被配置为触摸面板,例如,如同第一说明性实施例的运行改进效果计算设备10。
在运行改进效果计算设备12中,计算方法确定单元128和统计模型准备单元129被添加到图1所示的第一说明性实施例的运行改进效果计算设备10中。因此,在运行改进效果计算设备12中,被提供给图1所示的第一说明性实施例的运行改进效果计算设备10的相似数据检索单元104被用相似数据检索单元124替换,置信区间计算单元105被用置信区间计算单元125替换,并且基线计算单元106被用基线计算单元126替换。通过所述配置,在运行改进效果计算设备12中,也可以通过使用统计模型来估计(评估)由于改进措施而获得的改进效果。
预处理单元103被配置为向相似数据检索单元124、统计模型准备单元129以及运行改进效果计算单元107输出通过对从数据获取单元102输出的原始数据Dr执行预处理而获得的预处理数据Dp。
相似数据检索单元124被配置为不止一次地检索在执行改进措施之前的预处理数据Dp(比较目标的预处理数据Dp),所述预处理数据具有与包括在从预处理单元103输出的预处理数据Dp中的在执行改进措施之后的预处理数据Dp(评估目标的预处理数据Dp)的高度相似性,如同提供给第一说明性实施例的运行改进效果计算设备10的相似数据检索单元104。另外,相似数据检索单元124被配置为计算改进后KPI和改进前KPI,如同提供给第一说明性实施例的运行改进效果计算设备10的相似数据检索单元104。
相似数据检索单元124被配置为将包括计算的改进后KPI和改进前KPI以及在执行改进措施之前的多个检索的预处理数据Dp的检索结果Rs输出到计算方法确定单元128,如同提供给第一说明性实施例的运行改进效果计算设备10的相似数据检索单元104。然而,在运行改进效果计算设备12中,稍后描述的计算方法确定单元128被配置为基于在执行改进措施之前的每个预处理数据Dp与在执行改进措施之后的预处理数据Dp的相似度来确定基线计算方法。为此,相似数据检索单元124被配置为将信息添加到在执行改进措施之前的多个检索到的预处理数据Dp中,所述信息指示与在执行改进措施之后的预处理数据Dp的相似度,并且随后输出其中包含相同内容的检索结果Rs。当相似数据检索单元124通过计算到在执行改进措施之后的预处理数据Dp的距离来检索在执行改进措施之前的预处理数据Dp时,指示相似度的信息是在检索时计算的距离的信息。因此,在图4中,为了区分将要由提供给第一说明性实施例的运行改进效果计算设备10的相似数据检索单元104输出的检索结果Rs和将要由相似数据检索单元124输出的检索结果Rs,将要由相似数据检索单元124输出的检索结果Rs被表示为“检索结果Rs1”。
计算方法确定单元128是处理单元,所述处理单元被配置为基于从相似数据检索单元124输出的检索结果Rs1来确定计算用于计算运行改进效果的基线的方法。计算方法确定单元128被配置为基于在执行改进措施之前包括在检索结果Rs1中的预先处理的数据Dp来切换是计算由相似数据检索单元124计算的改进前KPI的基线,还是计算由统计模型准备单元129计算的改进前KPI的基线。更具体地,计算方法确定单元128被配置为基于指示添加到在执行改进措施之前包括在检索结果Rs1中的每个预处理数据Dp中的相似度的信息来确定足够类似于在执行改进措施之后的预处理数据Dp的在执行改进措施之前的预处理数据Dp是否充分包括在检索结果Rs1中。换句话说,计算方法确定单元128被配置为确定足够类似于在执行改进措施之后的预处理数据Dp的在执行改进措施之前的足够数量预处理数据Dp是否已由相似数据检索单元124检索。
在此,可以想到多种方法作为计算方法确定单元128确定在执行改进措施之前的相似的预处理数据Dp是否充分包括在检索结果Rs1中的方法。例如,可以想到一种方法,其中计算方法确定单元128通过比较添加到在执行改进措施之前包括在检索结果Rs1中的每个预处理数据Dp的距离中的最大距离和预定距离阈值来执行确定。在这种情况下,当最大距离小于预定距离阈值时,计算方法确定单元128确定在执行改进措施之前的相似的预处理数据Dp充分包括在检索结果Rs1中。当最大距离等于或大于预定距离阈值时,计算方法确定单元128确定在执行改进措施之前的相似的预处理数据Dp未充分包括在检索结果Rs1中。另外,例如,可以想到一种方法,其中计算方法确定单元128通过对在执行改进措施之前包括在检索结果Rs1中的预处理数据Dp的数量进行计数并且将信息添加到其来执行确定,所述信息指示小于预定距离阈值的距离。在这种情况下,当在执行改进措施之前的预处理数据Dp的计数等于或大于预定数量的阈值时,计算方法确定单元128确定在执行改进措施之前的相似的预处理数据Dp充分包括在检索结果Rs1中。当计数小于预定数量的阈值时,计算方法确定单元128确定在执行改进措施之前的相似的预处理数据Dp未充分包括在检索结果Rs1中。另外,例如,可以想到一种方法,其中计算方法确定单元128通过对添加到在执行改进措施之前包括在检索结果Rs1中的每个预处理数据Dp的距离求平均(即计算在执行改进措施之前的相应的预处理数据Dp的平均距离)来执行确定。在这种情况下,当计算的平均距离等于或小于预定平均距离阈值时,计算方法确定单元128确定在执行改进措施之前的相似的预处理数据Dp充分包括在检索结果Rs1中。当计算的平均距离大于预定平均距离阈值时,计算方法确定单元128确定在执行改进措施之前的相似的预处理数据Dp未充分包括在检索结果Rs1中。
当确定与在执行改进措施之后的预处理数据Dp足够相似的在执行改进措施之前的预处理数据Dp充分包括在检索结果Rs1中时,计算方法确定单元128确定将要针对由相似数据检索单元124计算的改进前KPI来计算基线。另一方面,当确定与在执行改进措施之后的预处理数据Dp足够相似的在执行改进措施之前的预处理数据Dp未充分包括在检索结果Rs1中时,计算方法确定单元128确定将要针对由统计模型准备单元129计算的改进前KPI来计算基线。计算方法确定单元128被配置为将基线计算方法的确定结果输出到统计模型准备单元129、置信区间计算单元125以及基线计算单元126。
另外,计算方法确定单元128被配置为将从相似数据检索单元124输出的检索结果Rs1原样输出到置信区间计算单元125和基线计算单元126。然而,如上所述,计算方法确定单元128被配置为确定在执行改进措施之前的相似的预处理数据Dp是否充分包括在检索结果Rs1中。因此,当计算方法确定单元128确定在执行改进措施之前的相似的预处理数据Dp充分包括在检索结果Rs1中时,未被确定为与在执行改进措施之后的预处理数据Dp足够相似的在执行改进措施之前的预处理数据Dp也可以包括在内。为此,计算方法确定单元128可以被配置为添加信息以用于确定在执行改进措施之前的预处理数据Dp,所述预处理数据未被确定为与在执行改进措施之后的预处理数据Dp足够相似。换句话说,计算方法确定单元128可以被配置为添加信息以用于确定在执行改进措施之前的预处理数据Dp(即,有效比较目标的预处理数据Dp),这将要用于将要由置信区间计算单元125和基线计算单元126执行的处理中,并且随后输出其中包含相同内容的检索结果Rs1。另外,例如,计算方法确定单元128可以被配置为从检索结果Rs1中删除在执行改进措施之前的预处理数据Dp,所述预处理数据未被确定为与在执行改进措施之后的预处理数据Dp足够相似,使得对应的数据不被输出到置信区间计算单元125和基线计算单元126。换句话说,计算方法确定单元128可以被配置为输出检索结果Rs1,其中仅包括在执行改进措施之前的预处理数据Dp(即,有效比较目标的预处理数据Dp),这将要用于将要由置信区间计算单元125和基线计算单元126执行的处理中。另外,当计算方法确定单元128已执行用于确定在执行改进措施之前的预处理数据Dp的处理(添加或删除信息)时,所述预处理数据未被确定为与在执行改进措施之后的预处理数据Dp足够相似,计算方法确定单元128可以再次基于在执行改进措施之前的预处理数据Dp来计算改进前KPI,所述预处理数据已被确定为与在执行改进措施之后的预处理数据Dp足够相似,并且输出其中包含相同内容的检索结果Rs1。也就是说,计算方法确定单元128可以被配置为仅基于在执行改进措施之前的预处理数据Dp(即,有效比较目标的预处理数据Dp)来计算改进前KPI,这将要用于将要由置信区间计算单元125和基线计算单元126执行的处理中,并且被配置为利用由计算方法确定单元128计算的改进前KPI来改变将要包括在检索结果Rs中的改进前KPI。因此,在图4中,为了区分将要输入到计算方法确定单元128的检索结果Rs1,即从相似数据检索单元124输出的检索结果Rs1以及将要从计算方法确定单元128输出的检索结果Rs1,将要由计算方法确定单元128输出的检索结果Rs1被表示为“检索结果Rs2”。
统计模型准备单元129是处理单元,被配置为基于从预处理单元103输出的预处理数据Dp来准备统计模型,并且基于准备的统计模型来估计KPI。统计模型准备单元129被配置为基于在执行检索目标时间段的改进措施之前包括在预处理数据Dp中并且由用户指定的预处理数据Dp来准备统计模型。在此,可以想到各种模型作为由统计模型准备单元129准备的统计模型。例如,统计模型准备单元129被配置为通过使用偏最小二乘回归(PLS回归)来准备回归模型作为统计模型。
统计模型准备单元129被配置为基于在评估目标时间处执行改进措施之后包括在从预处理单元103输出的预处理数据Dp中的预处理数据Dp(评估目标的预处理数据Dp)来计算改进后KPI。将要由统计模型准备单元129计算的改进后KPI是类似于将要由相似数据检索单元124计算的改进后KPI的KPI。另外,统计模型准备单元129被配置为计算(估计)改进前KPI,所述改进前KPI对应于在评估目标时间处执行改进措施之后的预处理数据Dp,即通过使用准备的统计模型而计算的改进后KPI。统计模型准备单元129被配置为计算(估计)评估时间段中包括的每个评估目标时间处的改进后KPI以及对应于每个改进后KPI的改进前KPI。
统计模型准备单元129被配置为将使用统计模型计算(估计)的改进前KPI、在执行改进措施之前的用于准备统计模型的预处理数据Dp、检索目标时间段的用于准备统计模型的预处理数据Dp以及使用统计模型计算(估计)的改进前KPI作为估计结果的数据(以下称为“估计结果Re”)输出到置信区间计算单元125和基线计算单元126。
置信区间计算单元125是处理单元,所述处理单元被配置为基于从计算方法确定单元128输出的检索结果Rs2来获得由相似数据检索单元124计算的改进前KPI的置信区间,如同提供给第一说明性实施例的运行改进效果计算设备10的置信区间计算单元105。另外,置信区间计算单元125是处理单元,所述处理单元被配置为基于从统计模型准备单元129输出的估计结果Re来获得由统计模型准备单元129计算的改进前KPI的置信区间。置信区间计算单元125被配置为获得由相似数据检索单元124计算的改进前KPI的置信区间以及由统计模型准备单元129计算的改进前KPI的置信区间中的任何一个置信区间,对应于从计算方法确定单元128输出的基线计算方法的确定结果。
当获得由相似数据检索单元124计算的改进前KPI的置信区间时,置信区间计算单元125基于从处理接收单元101输出的置信区间参数Pc通过计算在包括在从计算方法确定单元128输出的检索结果Rs2中的改进前KPI中存在多少错误来获得改进前KPI的置信区间,如同提供给第一说明性实施例的运行改进效果计算设备10的置信区间计算单元105。置信区间计算单元125获得包括在从计算方法确定单元128输出的检索结果Rs2中的改进前KPI的置信区间的方法与提供给第一说明性实施例的运行改进效果计算设备10的置信区间计算单元105相同。因此,省略了置信区间计算单元125获得包括在从计算方法确定单元128输出的检索结果Rs2中的改进前KPI的置信区间的方法的详细描述。
另一方面,当获得由统计模型准备单元129计算的改进前KPI的置信区间时,在通过使用由统计模型准备单元129准备的统计模型来计算(估计)改进前KPI时,置信区间计算单元125基于估计的误差量来通过等式(4)获得置信区间。然而,当置信区间计算单元125获得由统计模型准备单元129计算的改进前KPI的置信区间时,用于计算的数据是不同的。更具体地,置信区间计算单元125被配置为基于检索目标时间段的预处理数据Dp来获得在每个检索目标时间处的改进后KPI和改进前KPI与使用统计模型计算(估计)改进前KPI之间的差异(估计的误差量),其在准备包括在估计结果Re中的统计模型时使用。也就是说,置信区间计算单元125被配置为在每个检索目标时间处计算“置信区间计算的KPI-改进前KPI”。随后,置信区间计算单元125被配置为通过将所获得的评估误差量代入等式(4)的数据x来获得估计误差量的置信区间。随后,置信区间计算单元125被配置为将获得的置信区间的上限值原样设定为置信区间的上限宽度,并且将获得的置信区间的下限值原样设定为置信区间的下限宽度。
置信区间计算单元125被配置为将对应于从计算方法确定单元128输出的基线计算方法的确定结果的置信区间的上限宽度的信息和置信区间的下限宽度的信息作为置信区间信息Ic输出到基线计算单元126。
基线计算单元126是被配置为基于从计算方法确定单元128输出的检索结果Rs2和从置信区间计算单元125输出的置信区间信息Ic来计算基线的处理单元,所述基线是用于计算和比较运行改进效果的参考,如同提供给第一说明性实施例的运行改进效果计算设备10的基线计算单元106。另外,基线计算单元126是被配置为基于从统计模型准备单元129输出的估计结果Re和从置信区间计算单元125输出的置信区间信息Ic来计算基线的处理单元,所述基线用于计算运行改进效果。基线计算单元126被配置为计算基线,所述基线对应于包括在从计算方法确定单元128输出的检索结果Rs2中的改进前KPI和包括在从统计模型准备单元129输出的估计结果Re中的改进前KPI中的任何一个改进前KPI,对应于从计算方法确定单元128输出的基线计算方法的确定结果。
除了包括在从置信区间计算单元125输出的置信区间信息Ic中的置信区间的上限宽度和置信区间的下限宽度中的任何宽度被应用到的改进前KPI不同之外,基线计算单元126计算对应于改进前KPI的基线的方法与提供给第一说明性实施例的运行改进效果计算设备10的基线计算单元106相同,对应于从计算方法确定单元128输出的基线计算方法的确定结果。因此,省略了基线计算单元126计算对应于改进前KPI的基线的方法的详细描述。
基线计算单元126被配置为将从计算方法确定单元128输出的检索结果Rs2或从统计模型准备单元129输出的估计结果Re和计算的基线数据中的每一个输出到运行改进效果计算单元107,对应于从计算方法确定单元128输出的基线计算方法的确定结果。
由此,同样在运行改进效果计算设备12中,由于在评估时间段期间通过运行改进效果计算设备12评估的运行改进效果,运行改进效果计算单元107将在每个评估目标时间处的运行改进效果数据De输出到显示设备50,如同第一说明性实施例的运行改进效果计算设备10。由此,同样利用运行改进效果计算设备12,使用运行改进效果计算设备12的用户可以通过将由基线计算单元126计算的基线与由相似数据检索单元124或统计模型准备单元129计算的改进后KPI进行比较来检查由于改进措施而获得的最小改进效果,如同第一说明性实施例的运行改进效果计算设备10。
随后,描述运行改进效果计算设备12的运行。图5是描绘了将要在根据本公开的第二说明性实施例的运行改进效果计算设备12中执行的处理顺序的实例的流程图。描绘了运行改进效果计算设备12的运行的图5中示出的流程图的处理包括与图2中所示的流程图的处理相同的处理,图2描绘了第一说明性实施例的运行改进效果计算设备10的运行。因此,在下文中,与图2中所示的流程图的处理相同的处理用相同的步骤编号表示,并且主要描述不同的处理,图2描绘了图5所示的流程图的各个处理的第一说明性实施例的运行改进效果计算设备10的运行,图5描绘了运行改进效果计算设备12的运行。
如同图2所示的流程图,图2描绘了图5所示的流程图中的第一说明性实施例的运行改进效果计算设备10的运行,在描绘了运行改进效果计算设备12的运行的图5所示的流程图中,运行改进效果计算设备12具有嵌入其中的显示设备50,并且在显示设备50上显示图像数据,所述图像数据将明确地表示所计算的运行改进效果数据De,以用于使用运行改进效果计算设备10的用户。另外,在下文中,如同图2所示的流程图,图2描绘了第一说明性实施例的运行改进效果计算设备10的运行,假设已由使用运行改进效果计算设备12的用户指定了时间段、检索参数和置信区间参数。
在步骤S100的处理中,当运行改进效果计算设备12根据用户的指令开始评估运行改进效果时,数据获取单元102将经由网络40从工厂运行数据库20和天气数据库30获取的并且包括在检索目标时间段和由时间段信息Ip指示的评估时间段中的原始数据Dr输出到预处理单元10。随后,在步骤S110的处理中,预处理单元103将通过对从数据获取单元102输出的原始数据Dr执行预处理而获得的预处理数据Dp输出到相似数据检索单元124、统计模型准备单元129以及运行改进效果计算单元107。
接下来,在包括在从预处理单元103输出的预处理数据Dp中的每个评估目标时间处,基于从处理接收单元101输出的检索参数Ps,相似数据检索单元124检索在执行改进措施之前的预处理数据Dp(比较目标的预处理数据Dp),所述预处理数据类似于在执行改进措施之后的预处理数据Dp(评估目标的预处理数据Dp)(步骤S220)。在此,在步骤S220的处理中,当从处理接收单元101输出的检索参数Ps包括n(n:自然数、正整数)时,作为检索相似的预处理数据Dp(比较目标的预处理数据Dp)的数量,相似数据检索单元124检索在执行改进措施之前的n个相似的预处理数据Dp,并且将指示相似度的信息添加到在执行改进措施之前的n个检索的相似预处理数据Dp中的每一个。
此后,在步骤S130的处理中,相似数据检索单元124计算每个评估目标时间处的改进后KPI以及对应于每个评估目标时间处的改进后KPI的每个改进前KPI。随后,相似数据检索单元124将检索结果Rs1输出到计算方法确定单元128,所述检索结果包括计算的改进后KPI和改进前KPI以及在执行改进措施之前的多个预处理数据Dp,所述检索结果在步骤S220的处理中已被检索并且指示相似度的信息已添加到其。在此,在步骤S220的处理中,相似数据检索单元124检索在执行改进措施之前的n个相似的预处理数据Dp的情况,所述预处理数据对应于在每个评估目标时间处在执行改进措施之后的预处理数据Dp是可能的。在这种情况下,相似数据检索单元124将检索结果Rs1输出到计算方法确定单元128,所述检索结果包括计算的改进后KPI和改进前KPI以及在执行改进措施之前的n个相似的预处理数据Dp,在步骤S220的处理中已针对其计算改进前KPI并且指示相似度的信息已添加到其。
接下来,计算方法确定单元128确定在执行改进措施之前的相似的预处理数据Dp是否充分包括在从相似数据检索单元124输出的检索结果Rs1中(步骤S231)。也就是说,计算方法确定单元128基于在执行改进措施之前包括在检索结果Rs1中的预先处理的数据Dp来确定是计算由相似数据检索单元124计算的改进前KPI的基线,还是计算由统计模型准备单元129计算的改进前KPI的基线。在此,例如,其中在执行改进措施之前的m(m:自然数、正整数,mSn)个相似的预处理数据Dp被包括在从相似数据检索单元124输出的检索结果Rs1中并且预定量的阈值是Th(Th=自然数、正整数)的情况是可能的。在这种情况下,当在执行改进措施之前的相似的预处理数据Dp的数量m等于或大于阈值数Th时,计算方法确定单元128确定在执行改进措施之前的相似的预处理数据Dp充分包括在检索结果Rs1中。另一方面,当在执行改进措施之前的相似的预处理数据Dp的数量m小于阈值数Th时,计算方法确定单元128确定在执行改进措施之前的相似的预处理数据Dp未充分包括在检索结果Rs1中。
阈值数Th可以由用户指定。在这种情况下,考虑到在评估通过运行改进效果计算设备12的最小改进效果时的准确性,用户可以指定计算改进前KPI的基线所需的数量作为阈值数Th。
作为步骤S231中的确定的结果,当在执行改进措施之前的类似的预处理数据Dp充分包括在检索结果Rs1中时(步骤S231中为“是”),计算方法确定单元128确定将要针对由相似数据检索单元124计算的改进前KPI来计算基线。随后,计算方法确定单元128将指示将要针对由相似数据检索单元124计算的改进前KPI来计算基线的确定结果输出到统计模型准备单元129、置信区间计算单元125和基线计算单元126,并且将检索结果Rs2输出到置信区间计算单元125和基线计算单元126。在此,例如,其中在执行改进措施之前的m个相似的预处理数据Dp被包括在从相似数据检索单元124输出的检索结果Rs1中的情况是可能的。在这种情况下,计算方法确定单元128将其中包括在执行改进措施之前的至少m个相似的预处理数据Dp的检索结果Rs2输出到置信区间计算单元125和基线计算单元126。此后,运行改进效果计算设备12前进到步骤S140。
另一方面,作为步骤S231中的确定的结果,当在执行改进措施之前的类似的预处理数据Dp未充分包括在检索结果Rs1中时(步骤S231中为“否”),计算方法确定单元128确定将要针对由统计模型准备单元129计算的改进前KPI来计算基线。随后,计算方法确定单元128将指示将要针对由统计模型准备单元129计算的改进前KPI来计算基线的确定结果输出到统计模型准备单元129、置信区间计算单元125和基线计算单元126。此时,计算方法确定单元128可以不将检索结果Rs2输出到置信区间计算单元125和基线计算单元126。此后,运行改进效果计算设备12前进到步骤S232。
在这种情况下,统计模型准备单元129基于在检索目标时间段中在执行改进措施之前的预处理数据Dp来准备统计模型,所述预处理数据包括在从预处理单元103输出的预处理数据Dp中(步骤S232)。在此,统计模型准备单元129例如通过使用PLS回归来准备统计模型。
接下来,统计模型准备单元129分别计算改进后KPI(这是第二改进后KPI的示例)和改进前KPI(这是第二改进前KPI的示例)(步骤S233)。在此,统计模型准备单元129基于在评估时间段中的评估目标时间处在执行改进措施之后的预处理数据Dp来计算改进后KPI,所述预处理数据包括在从预处理单元103输出的预处理数据Dp中。另外,统计模型准备单元129通过使用在步骤SS232的处理中准备的统计模型(回归系数)来计算(估计)对应于计算的改进后KPI的改进前KPI。随后,统计模型准备单元129将估计结果Re输出到置信区间计算单元125和基线计算单元126,所述评估结果包括在每个评估目标时间处计算的改进后KPI、对应于在每个评估目标时间处的改进后KPI的每个改进前KPI以及在检索目标时间段中在执行改进措施之前的预处理数据Dp,所述评估结果已用于在步骤S232的处理中准备统计模型。
接下来,置信区间计算单元125获得置信区间(这是第二置信区间的示例),对应于从计算方法确定单元128输出的基线计算方法的确定结果(步骤S240)。在此,在步骤S240的处理中,当从计算方法确定单元128输出指示将要针对由相似数据检索单元124计算的改进前KPI来计算基线的确定结果时,置信区间计算单元125基于从处理接收单元101输出的置信区间参数Pc来获得包括在从计算方法确定单元128输出的检索结果Rs2中的改进前KPI的置信区间。另一方面,在步骤S240的处理中,当从计算方法确定单元128输出指示将要针对由统计模型准备单元129计算的改进前KPI来计算基线的确定结果时,置信区间计算单元125获得包括在从统计模型准备单元129输出的估计结果Re中的改进前KPI的置信区间。随后,置信区间计算单元125将包括所获得的置信区间的上限宽度(这是第二上限宽度的示例)的信息和所获得的置信区间的下限宽度(这是第二下限宽度的示例)的信息的置信区间信息Ic输出到基线计算单元126。
接下来,基线计算单元126基于从置信区间计算单元125输出的置信区间信息Ic来计算用于计算运行改进效果的基线(这是第二基线的示例),对应于从计算方法确定单元128输出的基线计算方法的确定结果(步骤S250)。在此,在步骤S250的处理中,当从计算方法确定单元128输出指示将要针对由相似数据检索单元124计算的改进前KPI来计算基线的确定结果时,基线计算单元126计算基线,所述基线对应于包括在从计算方法确定单元128输出的检索结果Rs2中的改进前KPI。另一方面,在步骤S250的处理中,当从计算方法确定单元128输出指示将要针对由统计模型准备单元129计算的改进前KPI来计算基线的确定结果时,基线计算单元126计算基线,所述基线对应于包括在从统计模型准备单元129输出的估计结果Re中的改进前KPI。随后,基线计算单元126至少将包括在从计算方法确定单元128输出的检索结果Rs2或从统计模型准备单元129输出的估计结果Re和计算的基线数据中的改进后KPI和改进前KPI输出到运行改进效果计算单元107,对应于从计算方法确定单元128输出的基线计算方法的确定结果。
接下来,在步骤S160的处理中,运行改进效果计算单元107基于检索结果Rs或估计结果Re以及从基线计算单元126输出的基线数据来计算在每个评估目标时间(这是第二评估结果的示例)处的运行改进效果,生成用于明确表达每个评估目标时间处的计算的运行改进效果的图像数据,并且将其作为运行改进效果数据De输出到显示设备50。由此,在步骤S170的处理中,显示设备50显示从运行改进效果计算单元107输出的运行改进效果数据De的图像。
通过上述配置和处理顺序,如同第一说明性实施例的运行改进效果计算设备10,第二说明性实施例的运行改进效果计算设备12通过使用包括在由用户指定的检索目标时间段和评估时间段中的工厂运行数据和天气数据来评估在工厂中在由用户指定的条件下执行的改进措施的效果(运行改进效果)。此时,如同第一说明性实施例的运行改进效果计算设备10,第二说明性实施例的运行改进效果计算设备12不止一次地检索改进前数据,所述改进前数据类似于改进后数据。当与改进后数据充分相似的改进前数据被充分检索时,第二说明性实施例的运行改进效果计算设备12计算由于改进措施通过从改进前KPI和从检索的改进前数据计算的基线获得的最小改进效果(运行改进效果)。由此,如同第一说明性实施例的运行改进效果计算设备10,第二说明性实施例的运行改进效果计算设备12即使当应用运行改进效果计算设备10所应用到的工厂是难以通过统计模型或特性公式明确指示的诸如化学工厂和微生物工厂的工厂时,也可以评估改进效果(运行改进效果)。
另外,当与改进后数据充分相似的改进前数据未被充分检索时,第二说明性实施例的运行改进效果计算设备12准备统计模型并且计算由于改进措施从改进前KPI和使用准备的统计模型计算(估计)的基线获得的最小改进效果(运行改进效果)。也就是说,当认为准备统计模型比使用不够相似(具有较低的相似度)的运行前数据更好时,第二说明性实施例的运行改进效果计算设备12通过使用统计模型来计算(估计)由于改进措施而获得的最小改进效果(运行改进效果)。由此,即使在未执行其中改进前数据与改进后数据相似的运行时,第二说明性实施例的运行改进效果计算设备12也可以评估改进效果(运行改进效果)。
另外,如同第一说明性实施例的运行改进效果计算设备10,第二说明性实施例的运行改进效果计算设备12向用户呈现改进措施的评估效果(运行改进效果)。由此,使用第二说明性实施例的运行改进效果计算设备12的用户可以通过最佳方法检查由于在工厂中执行的改进措施而获得的改进效果,所述最佳方法对应于改进前数据。
在此,描述其中将本公开的说明性实施例的运行改进效果计算设备用于工厂的实例。图6描绘了其中使用本公开的说明性实施例的运行改进效果计算设备的工厂的配置的实例。图6描绘了工厂100的实例,其中布置了设施110A、设施110B以及设施110C的三个设施,并且诸如分布式控制***(DCS)的控制***120被配置为通过在工厂100中建立的专用网络130来监视和控制相应设施的运行。在工厂100中,由控制***120监视的设施的运行状态和设施的控制内容的数据被存储在连接到专用网络130的工厂运行数据库20中。
例如,当将本公开的说明性实施例的运行改进效果计算设备用于如上所述配置的工厂100时,运行改进效果计算设备被连接到专用网络130。图6描绘了其中第一说明性实施例的运行改进效果计算设备10被连接到专用网络130的情况。在工厂100中,通过将运行改进效果计算设备12连接到专用网络130,可以使用第二说明性实施例的运行改进效果计算设备12来代替运行改进效果计算设备10。
在如上所述配置的工厂100中,运行改进效果计算设备10被配置为经由专用网络130从工厂运行数据库20获取包括在由用户指定的检索目标时间段和评估时间段中的工厂运行数据。运行改进效果计算设备10被配置为经由专用网络130从天气数据库30获取包括在由用户指定的检索目标时间段和评估时间段中的天气数据。如上所述,运行改进效果计算设备10被配置为通过使用工厂运行数据和天气数据来评估在由用户指定的条件下在工厂中执行的改进措施的效果(运行改进效果)并且向用户呈现评估结果。由此,使用运行改进效果计算设备10的用户可以检查由于在工厂100中执行的改进措施而获得的最小改进效果(运行改进效果)。
如上所述,根据用于实现本公开的说明性实施例,运行改进效果计算设备被配置为通过使用从过去到现在的不同的工厂运行相关数据(工厂运行数据)和天气相关数据(天气数据)来评估在由用户指定的条件下在工厂中执行的改进措施的效果(运行改进效果),所述工厂运行相关数据包括在用户指定的检索目标时间段和评估时间段中,所述天气相关数据可以被认为是影响工厂运行的外部因素。此时,根据用于实现本公开的说明性实施例,运行改进效果计算设备被配置为通过不止一次地检索与改进后数据相似的改进前数据来计算改进前KPI和基线。随后,在用于实现本公开的说明性实施例中,运行改进效果计算设备被配置为根据计算的基线和改进后KPI计算作为改进措施的结果而获得的最小改进效果(运行改进效果)。因此,根据用于实现本公开的说明性实施例,即使当应用运行改进效果计算设备所应用到的工厂是难以通过统计模型或特性公式明确指示的诸如化学工厂和微生物工厂的工厂时,也可能评估改进效果(运行改进效果)并且向用户呈现改进措施的评估效果(运行改进效果)。由此,在用于实现本公开的说明性实施例的运行改进效果计算设备所应用到的工厂中,使用运行改进效果计算设备的用户可以检查由于在工厂中进行的改进措施而获得的改进效果。
另外,根据用于实现本公开的说明性实施例,运行改进效果计算设备被配置为确定与改进后数据相似的改进前数据是否已被充分检索。换句话说,根据用于实现本公开的说明性实施例,运行改进效果计算设备被配置为检查具有低相似度的工厂运行数据是否大多数包括在检索改进前数据中。另外,根据用于实现本公开的说明性实施例,当与改进后数据相似的改进前数据未被充分检索时,运行改进效果计算设备准备统计模型并且计算由于改进措施从改进前KPI和使用准备的统计模型计算(估计)的基线获得的最小改进效果(运行改进效果)。也就是说,根据用于实现本公开的说明性实施例,当尚未充分检索具有高度相似性的工厂运行数据时,运行改进效果计算设备将评估改进效果(运行改进效果)的方法改变成准备用于评估的统计模型并且随后计算由于改进措施而获得的最小改进效果(运行改进效果)的方法。由此,根据用于实现本公开的说明性实施例,在运行改进效果计算设备所应用到的工厂中,即使在未充分执行其中改进前数据与改进后数据相似的运行时,也可能评估改进效果(运行改进效果)并且向用户呈现改进措施的评估效果(运行改进效果)。由此,在用于实现本公开的说明性实施例的运行改进效果计算设备所应用到的工厂中,使用运行改进效果计算设备的用户可以通过最佳方法检查由于在工厂中进行的改进措施而获得的改进效果,所述最佳方法对应于在执行改进措施之前存储的工厂运行数据。
同时,在用于实现本公开的说明性实施例中,运行改进效果计算设备10或运行改进效果计算设备12被配置为经由网络40或专用网络130从工厂运行数据库20获取工厂运行数据。然而,将要使用以便用于运行改进效果计算设备10或运行改进效果计算设备12以评估改进措施的效果(运行改进效果)的工厂运行数据不限于从工厂运行数据库20获取。例如,运行改进效果计算设备10或运行改进效果计算设备12可以被配置为读取文件(例如,CSV格式的文件),其中从过去到现在的各种工厂运行相关数据被记录为工厂运行数据。
另外,在用于实现本公开的说明性实施例中,运行改进效果计算设备10或运行改进效果计算设备12被配置为通过检索与改进后数据相似的改进前数据来评估由于改进措施而获得的改进效果(运行改进效果),所述工厂运行数据类似于在执行改进措施之后的工厂运行数据。也就是说,在用于实现本公开的说明性实施例中,运行改进效果计算设备10或运行改进效果计算设备12被配置为通过在同一工厂中比较改进前数据和改进后数据来评估由于改进措施而获得的改进效果(运行改进效果)。然而,将要由运行改进效果计算设备10或运行改进效果计算设备12执行的评估不限于在同一工厂中执行的改进措施之前和之后的比较。例如,运行改进效果计算设备10或运行改进效果计算设备12可以被配置为获取与相同类型的其他工厂或设施的运行有关的工厂运行数据,而不是改进前数据。在这种情况下,运行改进效果计算设备10或运行改进效果计算设备12可以通过检索另一个工厂或设施中的相似的工厂运行数据来执行比较在哪个相同类型的工厂或设施中更有效地执行运行的评估。更具体地,在图6的工厂100中,其中使用运行改进效果计算设备10或运行改进效果计算设备12,当设施110A和设施110B是相同类型的设施时,运行改进效果计算设备10或运行改进效果计算设备12可以获取设施110B的当前工厂运行数据而不是设施110A的过去工厂运行数据。在这种情况下,在图6的工厂100中,运行改进效果计算设备10或运行改进效果计算设备12可以通过类似于设施110A的当前工厂运行数据的检索设施110B的当前工厂运行数据来执行比较设施110A和设施110B中的哪一个更有效地执行运行的评估。
另外,在用于实现本公开的说明性实施例中,未描述运行改进效果计算设备10或运行改进效果计算设备12的配置方面。然而,可以不同地配置运行改进效果计算设备10或运行改进效果计算设备12。例如,运行改进效果计算设备10或运行改进效果计算设备12可以被配置在由用户使用的个人计算机(PC)中或者配置在诸如具有便携式信息终端(个人数字助理:PDA)的功能的平板计算机终端的便携式终端设备中。另外,例如,运行改进效果计算设备10或运行改进效果计算设备12可以配置在布置在工厂中的分布式控制***或服务器装置中。在这种情况下,运行改进效果计算设备10或运行改进效果计算设备12的功能以及配置运行改进效果计算设备10或运行改进效果计算设备12的构成元件的功能可以被实现为在个人计算机上、在便携式信息终端、分布式控制***或服务器装置上执行的运行改进效果计算程序的软件。另外,被配置为执行运行改进效果计算程序的软件的个人计算机或服务器装置可以合并到云计算***中。
例如,可以通过将用于实现处理的程序(运行改进效果计算方法)记录在计算机可读记录介质中并且使得计算机***能够读取并执行记录在记录介质中的程序来执行与说明性实施例的运行改进效果计算设备有关的各种处理,所述程序将要由用于实现运行改进效果计算设备的功能的相应的构成元件来执行,所述构成元件诸如预处理单元103、相似数据检索单元104(包括提供给运行改进效果计算设备12的相似数据检索单元124)、置信区间计算单元105(包括提供给运行改进效果计算设备12的置信区间计算单元125)、基线计算单元106(包括提供给运行改进效果计算设备12的基线计算单元126)以及提供给运行改进效果计算设备10的运行改进效果计算单元107,以及提供给运行改进效果计算设备12的计算方法确定单元128、统计模型准备单元129等。“计算机***”可以包括操作***和硬件,诸如***设备。另外,“计算机***”包括主页提供环境(或显示环境),因为使用了WWW***。另外,“计算机可读记录介质”包括软盘、光盘、ROM,诸如闪存的可写非易失性存储器、诸如CD-ROM的便携式介质以及诸如将要嵌入计算机***中的硬盘驱动器的存储设备。
另外,“计算机可读记录介质”包括被配置为将程序保持预定时间的介质,诸如当程序经由诸如互联网的网络或诸如电话线的通信线路传输时,成为服务器或客户端的计算机***中的易失性存储器(例如,DRAM(动态随机存取存储器))。另外,程序可以从具有存储在存储设备中的程序的计算机***经由传输介质或通过传输介质中的载波而传输到另一计算机***。在此,用于发送程序的“传输介质”是指具有发送信息功能的介质,例如诸如互联网的网络(通信网络)或者诸如电话线的通信线路。另外,程序可以是用于实现上述功能的一部分的程序。另外,通过与已记录在计算机***中的程序的组合来实现上述功能的所谓的差异文件(差异程序)是可能的。
尽管已经参考附图描述了本公开的说明性实施例,但是具体配置不限于说明性实施例,并且在不脱离本公开的主旨的情况下可以进行各种改变。
上述实施例总结如下。
根据本公开,运行改进效果计算设备包括相似数据检索单元、置信区间计算单元、基线计算单元以及评估计算单元。相似数据检索单元被配置为从与工厂运行有关的输入工厂运行数据中检索工厂运行数据点作为比较目标工厂运行数据,所述工厂运行数据类似于由评估目标工厂运行数据指示的工厂运行,所述工厂运行数据是评估目标的工厂运行数据。另外,相似数据检索单元被配置为基于评估目标工厂运行数据和基于每个比较目标工厂运行数据的数据点的改进前评估指标来计算第一改进后评估指标。置信区间计算单元被配置为基于由相似数据检索单元检索的比较目标工厂运行数据来计算第一置信区间。然后,基线计算单元被配置为基于由置信区间计算单元计算的第一置信区间来计算第一基线,所述第一基线是在比较第一改进后评估指标和第一改进前评估指标时的参考并且对应于第一改进前评估指标。然后,评估计算单元被配置为基于由相似数据检索单元计算的第一改进后评估指标和由基线计算单元计算的第一基线来计算对工厂的第一评估结果。
由此,根据运行改进效果计算设备,可能从与工厂运行有关的从过去到现在的工厂运行数据中检索类似于当前的工厂运行的过去的工厂运行的工厂运行数据,并且通过使用检索的工厂运行数据来在当前的工厂运行中评估评估指标在过去的工厂运行中处于何种水平。由此,即使对于难以通过统计模型或特性公式明确指示的工厂,运行改进效果计算设备也可以检查当前工厂运行的评估指标已从过去工厂运行的评估指标改进了多少。
根据本公开,提供给运行改进效果计算设备的相似数据检索单元被配置为基于评估目标工厂运行数据与每个工厂运行数据的数据点之间的距离来检索包括指定数量的数据点的比较目标工厂运行数据。相似数据检索单元被配置为将通过对各个比较目标工厂运行数据的数据点的评估指标进行求平均而获得的平均评估指标设定为改进前评估指标。
由此,运行改进效果计算设备可以检索具有与评估目标工厂运行数据的高度相似性的工厂运行数据来作为第一改进前评估指标,并且计算通过对多个检索的比较目标工厂运行数据数据点的的各个评估指标进行求平均而获得的评估指标来作为改进前评估指标。
根据本公开,提供给运行改进效果计算设备的置信区间计算单元被配置为计算对应于每个比较目标工厂运行数据的数据点的评估指标来作为置信区间计算的评估指标,并且计算用于置信区间计算的每个计算的评估指标的置信区间。置信区间计算单元被配置为将计算的第一置信区间的上限值与第一改进前评估指标之间的差异设定为第一置信区间的第一上限宽度,并且将第一置信区间的下限值与第一改进前评估指标之间的差异设定为第一置信区间的第一下限宽度。
由此,运行改进效果计算设备可以计算第一置信区间,在所述第一置信区间中,每个检索的比较目标工厂运行数据的数据点的评估指标的变化宽度被设置在预定比率的范围内。运行改进效果计算设备可以将计算的第一置信区间的宽度划分为第一改进前评估指标的上限侧宽度和下限侧宽度。
根据本公开,提供给运行改进效果计算设备的基线计算单元被配置为通过将第一上限宽度或第一下限宽度应用于第一改进前评估指标来计算第一基线,对应于由第一改进后评估指标指示的工厂的评估指标。例如,在指示第一改进后评估指标的值越大效果越高的指标的情况下,运行改进效果计算设备通过将第一上限宽度应用于第一改进前评估指标来计算第一基线,并且在指示第一改进后评估指标的值越小效果越高的指标的情况下,运行改进效果计算设备通过将第一下限宽度应用于第一改进前评估指标来计算第一基线。
由此,运行改进效果计算设备可以计算适用于第一改进后评估指标的第一基线。
根据本公开,提供给运行改进效果计算设备的评估计算单元被配置为计算第一改进后评估指标与第一基线之间的差异来作为第一评估结果。
由此,运行改进效果计算设备可以检查当前工厂运行的评估指标已相对于过去工厂运行的评估指标改进了多少。
根据本公开,本公开的运行改进效果计算设备还包括统计模型准备单元和确定单元。统计模型准备单元被配置为基于输入的工厂运行数据来准备指示工厂运行的统计模型。另外,统计模型准备单元被配置为基于评估目标工厂运行数据来计算类似于第一改进后评估指标的第二改进后评估指标,并且通过使用准备的统计模型来计算对应于第二改进后评估指标的第二改进前评估指标。另外,确定单元被配置为基于每个比较目标工厂运行数据的数据点与评估目标工厂运行数据的相似度来确定是否已检索到类似于评估目标工厂运行数据的足够数量的比较目标工厂运行数据的数据点并且输出确定结果。置信区间计算单元被配置为计算第二置信区间而不是第一置信区间,对应于由确定单元确定的确定结果。随后,基线计算单元被配置为基于由置信区间计算单元计算的第二置信区间计算第二基线而不是第一基线,所述第二基线对应于第二改进前评估指标并且是当比较第二改进后评估指标和第二改进前评估指标时的参考,对应于由确定单元确定的确定结果。随后,评估计算单元被配置为将关于工厂的第二评估结果设定为第一评估结果,所述第二评估结果是基于由统计模型准备单元计算的第二改进后评估指标和由基线计算单元计算的第二基线来计算。
由此,运行改进效果计算设备可以从与工厂运行有关的过去的工厂运行数据来准备统计模型,并且通过使用准备的统计模型来在当前的工厂运行中评估评估指标在过去的工厂运行中处于何种水平。由此,即使当未充分地检索到具有与当前工厂运行的工厂运行数据的高度相似性的过去工厂运行的工厂运行数据时,运行改进效果计算设备也可以检查当前工厂运行的评估指标已从过去工厂运行的评估指标改进了多少。
根据本公开,当确定结果指示未检索到类似于评估目标工厂运行数据的比较目标工厂运行数据的足够数量时,提供给运行改进效果计算设备的置信区间计算单元计算第二置信区间作为第一置信区间。另外,当确定结果指示未检索到类似于评估目标工厂运行数据的比较目标工厂运行数据的足够数量时,提供给运行改进效果计算设备的基线计算单元计算第二基线作为第一基线。
由此,当确定未充分检索到具有与当前工厂运行的工厂运行数据的高度相似性的过去工厂运行的工厂运行数据时,运行改进效果计算设备可以使将要由置信区间计算单元执行的第一置信区间计算切换到对应于使用由统计模型准备单元准备的统计模型来计算的第二改进前评估指标的置信区间的计算。另外,当确定未充分检索到具有与当前工厂运行的工厂运行数据的高度相似性的过去工厂运行的工厂运行数据时,运行改进效果计算设备可以使将要由基线计算单元执行的第一基线计算切换到第二基线的计算,以用于比较使用由统计模型准备单元准备的统计模型计算的第二改进后评估指标和第二改进前评估指标。
根据本公开,提供给运行改进效果计算设备的置信区间计算单元基于用于准备统计模型和第二改进前评估指标的工厂运行数据来计算第二改进后评估指标与第二改进前评估指标之间的差异作为估计的误差量,并且当确定结果指示未检索到类似于评估目标工厂运行数据的足够数量的比较目标工厂运行数据时,计算估计的误差量的置信区间作为第二置信区间。随后,置信区间计算单元被配置为将计算的第二置信区间的上限值设定为第二置信区间的第二上限宽度,并且将计算的第二置信区间的下限值设定为第二置信区间的第二下限宽度。另外,当确定结果指示未检索到类似于评估目标工厂运行数据的足够数量的比较目标工厂运行数据时,提供给运行改进效果计算设备的基线计算单元通过将第二上限宽度或第二下限宽度应用于第二改进前评估指标来计算第二基线作为第一基线,对应于由第二改进后评估指标指示的工厂的评估指标。
由此,即使当确定未充分检索到具有与当前工厂运行的工厂运行数据的高度相似性的过去工厂运行的工厂运行数据时,运行改进效果计算设备也可以基于用于准备统计模型和第二改进前评估指标的工厂运行数据使用由统计模型准备单元准备的统计模型来计算第二改进后评估指标与第二改进前评估指标之间的差异作为估计的误差量,并且计算估计的误差量的置信区间作为第二置信区间,所述第二置信区间可以类似于第一改进前评估指标的第一置信区间来处理。另外,运行改进效果计算设备可以将计算的第二置信区间的宽度划分为第二改进前评估指标的上限侧宽度和下限侧宽度。另外,即使当确定未充分地检索到具有与当前工厂运行的工厂运行数据的高度相似性的过去工厂运行的工厂运行数据时,运行改进效果计算设备也可以计算适用于第二第一改进后评估指标的基线,所述基线可以类似于用于第一改进前评估指标的基线来处理。
Claims (10)
1.一种运行改进效果计算设备,包括:
相似数据检索单元,被配置为从与工厂的运行有关的输入的工厂运行数据中检索比较目标工厂运行数据,所述比较目标工厂运行数据包括不止一个类似于由是评估目标的工厂运行数据的评估目标工厂运行数据指示的工厂运行的工厂运行数据点,并且被配置为计算基于所述评估目标工厂运行数据的第一改进后评估指标以及基于每个所述比较目标工厂运行数据的数据点的第一改进前评估指标;
置信区间计算单元,被配置为基于所述比较目标工厂运行数据来计算第一置信区间;
基线计算单元,被配置为基于所述第一置信区间来计算第一基线,所述第一基线是当比较所述第一改进后评估指标和所述第一改进前评估指标时的参考,并且对应于所述第一改进前评估指标;以及
评估计算单元,被配置为基于所述第一改进后评估指标和所述第一基线来计算关于所述工厂的第一评估结果。
2.根据权利要求1所述的运行改进效果计算设备,其中所述相似数据检索单元被配置为:
基于所述评估目标工厂运行数据与每个所述工厂运行数据的数据点之间的距离来检索其中包括指定数量的数据点的所述比较目标工厂运行数据,以及
将通过对各个所述比较目标工厂运行数据的数据点的评估指标进行求平均而获得的平均评估指标设定为所述第一改进前评估指标。
3.根据权利要求2所述的运行改进效果计算设备,其中所述置信区间计算单元被配置为:
计算对应于每个所述比较目标工厂运行数据的数据点的置信区间计算的评估指标,并且计算用于置信区间计算的每个所述计算的评估指标的所述第一置信区间,
将所述第一置信区间的上限值与所述第一改进前评估指标之间的差异设定为所述第一置信区间的第一上限宽度,以及
将所述第一置信区间的下限值与所述第一改进前评估指标之间的差异设定为所述第一置信区间的下限宽度。
4.根据权利要求3所述的运行改进效果计算设备,其中所述基线计算单元被配置为根据由所述第一改进后评估指标指示的所述工厂的评估指标通过将所述第一上限宽度或所述第一下限宽度应用于所述第一改进前评估指标来计算所述第一基线。
5.根据权利要求4所述的运行改进效果计算设备,其中所述评估计算单元被配置为计算所述第一改进后评估指标与所述第一基线之间的差异来作为第一评估结果。
6.根据权利要求5所述的运行改进效果计算设备,其还包括:
统计模型准备单元,被配置为基于所述输入的工厂运行数据来准备指示工厂运行的统计模型、基于所述评估目标工厂运行数据来计算类似于所述第一改进后评估指标的第二改进后评估指标以及通过使用所述统计模型来计算对应于所述第二改进后评估指标的第二改进前评估指标;以及
确定单元,被配置为基于每个所述比较目标工厂运行数据的数据点与所述评估目标工厂运行数据的相似度来确定是否已检索到类似于所述评估目标工厂运行数据的足够数量的所述比较目标工厂运行数据的数据点并且输出确定结果,
其中所述置信区间计算单元被配置为根据所述确定结果来计算第二置信区间而不是所述第一置信区间,
其中所述基线计算单元被配置为根据所述确定结果基于所述第二置信区间来计算第二基线而不是所述第一基线,所述第二基线对应于所述第二改进前评估指标并且是当比较所述第二改进后评估指标和所述第二改进前评估指标时的参考,以及
其中所述评估计算单元被配置为将基于所述第二改进后评估指标和所述第二基线计算的第二评估结果设定为所述第一评估结果。
7.根据权利要求6所述的运行改进效果计算设备,其中当所述确定结果指示未检索到类似于所述评估目标工厂运行数据的所述足够数量的比较目标工厂运行数据的数据点时,所述置信区间计算单元计算所述第二置信区间作为所述第一置信区间,以及
其中当所述确定结果指示未检索到类似于所述评估目标工厂运行数据的所述足够数量的比较目标工厂运行数据的数据点时,所述基线计算单元计算所述第二基线作为所述第一基线。
8.根据权利要求7所述的运行改进效果计算设备,其中所述置信区间计算单元基于用于准备所述统计模型和所述第二改进前评估指标的所述工厂运行数据来计算所述第二改进后评估指标与所述第二改进前评估指标之间的差异作为估计的误差量,并且当所述确定结果指示未检索到类似于所述评估目标工厂运行数据的所述足够数量的比较目标工厂运行数据的数据点时,计算所述估计的误差量的置信区间作为所述第二置信区间,
其中所述置信区间计算单元被配置为:
将所述第二置信区间的上限值设定为所述第二置信区间的第二上限宽度,以及
将所述第二置信区间的下限值设定为所述第二置信区间的第二下限宽度,以及
其中当所述确定结果指示未检索到类似于所述评估目标工厂运行数据的所述足够数量的比较目标工厂运行数据的数据点时,所述基线计算单元根据由所述第二改进后评估指标指示的所述工厂的评估指标通过将所述第二上限宽度或所述第二下限宽度应用于所述第二改进前评估指标来计算所述第二基线作为所述第一基线。
9.一种运行改进效果计算方法,包括:
从与工厂的运行有关的输入的工厂运行数据中检索比较目标工厂运行数据,所述比较目标工厂运行数据包括不止一个类似于由是评估目标的工厂运行数据的评估目标工厂运行数据指示的工厂运行的工厂运行数据点;
计算基于所述评估目标工厂运行数据的第一改进后评估指标以及基于每个所述比较目标工厂运行数据的数据点的第一改进前评估指标;
基于所述比较目标工厂运行数据来计算第一置信区间;
基于所述第一置信区间来计算第一基线,所述第一基线是当比较所述第一改进后评估指标和所述第一改进前评估指标时的参考,并且对应于所述第一改进前评估指标;以及
基于所述第一改进后评估指标和所述第一基线来计算关于所述工厂的第一评估结果。
10.一种非暂时性计算机可读记录介质,程序存储在其中以用于引起计算机执行过程,所述过程包括:
从与工厂的运行有关的输入的工厂运行数据中检索比较目标工厂运行数据,所述比较目标工厂运行数据包括不止一个类似于由是评估目标的工厂运行数据的评估目标工厂运行数据指示的工厂运行的工厂运行数据点;
计算基于所述评估目标工厂运行数据的第一改进后评估指标以及基于每个所述比较目标工厂运行数据的数据点的第一改进前评估指标;
基于所述比较目标工厂运行数据来计算第一置信区间;
基于所述第一置信区间来计算第一基线,所述第一基线是当比较所述第一改进后评估指标和所述第一改进前评估指标时的参考,并且对应于所述第一改进前评估指标;以及
基于所述第一改进后评估指标和所述第一基线来计算关于所述工厂的第一评估结果。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017227129A JP6773012B2 (ja) | 2017-11-27 | 2017-11-27 | 操業改善効果算出装置、操業改善効果算出方法、操業改善効果算出プログラム、および記録媒体 |
JP2017-227129 | 2017-11-27 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109840671A true CN109840671A (zh) | 2019-06-04 |
CN109840671B CN109840671B (zh) | 2023-12-05 |
Family
ID=64572084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811423949.7A Active CN109840671B (zh) | 2017-11-27 | 2018-11-27 | 运行改进效果计算设备、运行改进效果计算方法和记录介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20190164102A1 (zh) |
EP (1) | EP3495905A3 (zh) |
JP (1) | JP6773012B2 (zh) |
CN (1) | CN109840671B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112750500A (zh) * | 2019-10-31 | 2021-05-04 | 横河电机株式会社 | 装置、方法及存储介质 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7364382B2 (ja) * | 2019-07-19 | 2023-10-18 | 三菱重工業株式会社 | 運転比較装置、運転比較方法およびプログラム |
JP7359608B2 (ja) * | 2019-09-12 | 2023-10-11 | アズビル株式会社 | 情報提示装置、情報提示方法、および情報提示システム |
JP7470608B2 (ja) | 2020-09-23 | 2024-04-18 | 株式会社日立製作所 | 作業改善支援装置、作業改善支援システム |
JP7487704B2 (ja) * | 2021-04-28 | 2024-05-21 | 横河電機株式会社 | 評価装置、評価方法、評価プログラム、制御装置、および、制御プログラム |
JP2024060757A (ja) * | 2022-10-20 | 2024-05-07 | 株式会社日立システムズ | 使用リソース設定方法および使用リソース設定装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130185120A1 (en) * | 2010-10-01 | 2013-07-18 | Abb Research Ltd | Method and a system for energy benchmarking for gap analysis for a plant in a paper industry |
US20140297357A1 (en) * | 2011-11-21 | 2014-10-02 | Jun Zeng | Recommending production plans |
US20150185716A1 (en) * | 2013-12-31 | 2015-07-02 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
US20160281607A1 (en) * | 2015-03-27 | 2016-09-29 | General Electric Company | Methods and systems for enhancing operation of power plant generating units and systems |
US20160364543A1 (en) * | 2014-02-13 | 2016-12-15 | The Cleveland Clinic Foundation | Predicting and mitigating risk of ectasia and optimizing therapeutic outcomes |
US20160379319A1 (en) * | 2012-05-31 | 2016-12-29 | Johnson Controls Technology Company | Systems and methods for measuring and verifying energy usage in a building |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2001247336B2 (en) * | 2000-03-10 | 2006-02-02 | Smiths Detection, Inc. | Control for an industrial process using one or more multidimensional variables |
US7853431B2 (en) * | 2006-09-29 | 2010-12-14 | Fisher-Rosemount Systems, Inc. | On-line monitoring and diagnostics of a process using multivariate statistical analysis |
JP5501893B2 (ja) | 2010-08-06 | 2014-05-28 | 三菱電機株式会社 | プラント運転評価装置 |
CN106537429A (zh) * | 2014-05-28 | 2017-03-22 | 西门子瑞士有限公司 | 用于针对一个或多个建筑物提供优化或改进措施的***和方法 |
JP2017118795A (ja) | 2015-12-25 | 2017-06-29 | 株式会社東芝 | 電力管理装置、電力管理プログラム、及び電力管理方法 |
US10636007B2 (en) * | 2017-05-15 | 2020-04-28 | Tata Consultancy Services Limited | Method and system for data-based optimization of performance indicators in process and manufacturing industries |
-
2017
- 2017-11-27 JP JP2017227129A patent/JP6773012B2/ja active Active
-
2018
- 2018-11-21 US US16/198,501 patent/US20190164102A1/en not_active Abandoned
- 2018-11-26 EP EP18208196.8A patent/EP3495905A3/en active Pending
- 2018-11-27 CN CN201811423949.7A patent/CN109840671B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130185120A1 (en) * | 2010-10-01 | 2013-07-18 | Abb Research Ltd | Method and a system for energy benchmarking for gap analysis for a plant in a paper industry |
US20140297357A1 (en) * | 2011-11-21 | 2014-10-02 | Jun Zeng | Recommending production plans |
US20160379319A1 (en) * | 2012-05-31 | 2016-12-29 | Johnson Controls Technology Company | Systems and methods for measuring and verifying energy usage in a building |
US20150185716A1 (en) * | 2013-12-31 | 2015-07-02 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
US20160364543A1 (en) * | 2014-02-13 | 2016-12-15 | The Cleveland Clinic Foundation | Predicting and mitigating risk of ectasia and optimizing therapeutic outcomes |
US20160281607A1 (en) * | 2015-03-27 | 2016-09-29 | General Electric Company | Methods and systems for enhancing operation of power plant generating units and systems |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112750500A (zh) * | 2019-10-31 | 2021-05-04 | 横河电机株式会社 | 装置、方法及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109840671B (zh) | 2023-12-05 |
EP3495905A3 (en) | 2019-07-03 |
EP3495905A2 (en) | 2019-06-12 |
JP6773012B2 (ja) | 2020-10-21 |
JP2019096227A (ja) | 2019-06-20 |
US20190164102A1 (en) | 2019-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840671A (zh) | 运行改进效果计算设备、运行改进效果计算方法和记录介质 | |
CN107357275B (zh) | 非高斯工业过程故障检测方法及*** | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN106505557B (zh) | 一种遥测错误辨识方法及装置 | |
CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
CN106404441B (zh) | 一种基于非线性相似度指标的故障分类诊断方法 | |
CN106121622B (zh) | 一种基于示功图的有杆泵抽油井的多故障诊断方法 | |
CN106647650B (zh) | 基于变量加权pca模型的分散式工业过程监测方法 | |
CN109992921A (zh) | 一种燃煤电厂锅炉热效率的在线软测量方法及*** | |
US10416661B2 (en) | Apparatuses, systems and methods of secure cloud-based monitoring of industrial plants | |
CN106663086A (zh) | 用于核回归模型的集体的设备和方法 | |
CN109993232A (zh) | 基于深度学习人工神经网络的汽轮机振动故障诊断方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及*** | |
CN107679089A (zh) | 一种用于电力传感数据的清洗方法、装置和*** | |
CN110874685A (zh) | 基于神经网络的智能电能表运行状态判别方法及*** | |
CN108132423B (zh) | 一种基于状态转移概率电力***监测数据失真的快速定位方法 | |
CN108090318A (zh) | 传感器数据生成和响应处理堆栈 | |
CN111598165A (zh) | 一种基于极限学习机的密度聚类离群点检测方法 | |
Evans et al. | Multivariate data analytics in PV manufacturing—Four case studies using manufacturing datasets | |
CN104067232A (zh) | 基于时间的设备传感器数据与基于物质的计量统计过程控制数据的双向关联及图形化取得 | |
CN106874676B (zh) | 一种电能计量装置状态评估方法 | |
KR102059112B1 (ko) | 사물 인터넷 스트림 데이터 품질 측정 지표 및 프로파일링 방법 및 그 시스템 | |
CN103885867A (zh) | 一种模拟电路性能的在线评价方法 | |
CN114912364A (zh) | 天然气井流量预测方法、装置、设备及计算机可读介质 | |
CN102252709A (zh) | 一种非电量测量***故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |