CN112805732A - 计划装置、计划方法以及计划程序 - Google Patents
计划装置、计划方法以及计划程序 Download PDFInfo
- Publication number
- CN112805732A CN112805732A CN201980066040.7A CN201980066040A CN112805732A CN 112805732 A CN112805732 A CN 112805732A CN 201980066040 A CN201980066040 A CN 201980066040A CN 112805732 A CN112805732 A CN 112805732A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- model
- change
- unit
- plan
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012423 maintenance Methods 0.000 claims abstract description 429
- 230000008859 change Effects 0.000 claims abstract description 127
- 230000005856 abnormality Effects 0.000 claims description 150
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 36
- 239000001257 hydrogen Substances 0.000 claims description 36
- 229910052739 hydrogen Inorganic materials 0.000 claims description 36
- 238000005868 electrolysis reaction Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 8
- 230000006866 deterioration Effects 0.000 abstract description 14
- 238000003860 storage Methods 0.000 description 56
- 230000002159 abnormal effect Effects 0.000 description 40
- 230000015654 memory Effects 0.000 description 24
- 230000008569 process Effects 0.000 description 21
- 230000002787 reinforcement Effects 0.000 description 16
- 230000003044 adaptive effect Effects 0.000 description 15
- 238000007726 management method Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 12
- 239000003792 electrolyte Substances 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000012546 transfer Methods 0.000 description 7
- 239000007789 gas Substances 0.000 description 6
- 150000003839 salts Chemical class 0.000 description 5
- 239000007864 aqueous solution Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 239000003595 mist Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 229910001514 alkali metal chloride Inorganic materials 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000498 cooling water Substances 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004092 self-diagnosis Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 150000008044 alkali metal hydroxides Chemical class 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000003014 ion exchange membrane Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000008400 supply water Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
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
- G06Q10/20—Administration of product repair or maintenance
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B1/00—Electrolytic production of inorganic compounds or non-metals
- C25B1/01—Products
- C25B1/02—Hydrogen or oxygen
- C25B1/04—Hydrogen or oxygen by electrolysis of water
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B15/00—Operating or servicing cells
- C25B15/02—Process control or regulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/36—Hydrogen production from non-carbon containing sources, e.g. by water electrolysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Chemical & Material Sciences (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Electrochemistry (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Organic Chemistry (AREA)
- Artificial Intelligence (AREA)
- Metallurgy (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Development Economics (AREA)
- Materials Engineering (AREA)
- Inorganic Chemistry (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
- General Factory Administration (AREA)
Abstract
存在以下问题:在定期对装置进行保养作业的情况下,有时在保养作业前发生装置的劣化等,而若缩短保养作业的周期,则因多余的保养作业而导致成本增加。提供计划装置、计划方法以及计划程序,该计划装置具备:状态获取部,其获取对象设备的状态;变更案生成部,其使用保养时期模型,生成进行保养作业的时期的变更案,该保养时期模型根据对象设备的状态,输出进行对象设备的维护以及更换中的至少一个保养作业的时期的变更案;以及变更案输出部,其输出变更案。
Description
技术领域
本发明涉及计划装置、计划方法以及计划程序。
背景技术
以往,已知有通过对水进行电分解而生成氢的电解装置或通过对碱金属氯化物水溶液进行电分解而生成氯、氢以及碱金属氢氧化物的电解装置。这样的电解装置为了避免随着运行产生的劣化或者故障等而定期进行保养作业。
发明要解决的课题
但是,存在以下问题:在定期进行装置的保养作业的情况下,有时在保养作业前发生装置的劣化等,而若缩短保养作业的周期,则因多余的保养作业而导致装置的运营成本增加。
发明内容
为了解决上述课题,在本发明的第一方式中,提供一种计划装置。计划装置可以具备获取对象设备的状态的状态获取部。计划装置可以具备变更案生成部,所述变更案生成部使用保养时期模型,生成进行保养作业的时期的变更案,所述保养时期模型根据对象设备的状态而输出对对象设备进行维护以及更换中的至少一个保养作业的时期的变更案。计划装置可以具备输出变更案的变更案输出部。
并且,保养时期模型可以根据状态获取部获取的对象设备的状态,建议是否可以以延期以及提前中的至少一个方式变更在预先设定的第一期间之后预定的保养作业。变更案生成部可以以建议保养作业的延期以及提前中的至少一方为条件,建议变更保养作业的周期。计划装置可以具备保养时期模型更新部,所述保养时期模型更新部使用学习数据并通过学习来对保养时期模型进行更新,所述学习数据包含对象设备的状态以及进行保养作业的时期的目标变更案。计划装置可以具备获取对象设备的运行状况的运行状况获取部。计划装置可以具备异常预测生成部,所述异常预测生成部使用异常预测模型生成对象设备的异常预测,所述异常预测模型根据对象设备的运行状况而预测对象设备的异常发生。计划装置可以具备保养计划生成部,所述保养计划生成部根据异常预测生成部生成的对象设备的异常预测,生成对象设备的保养计划。计划装置可以具备输出保养计划的保养计划输出部。变更案生成部可以生成进行在保养计划中计划的保养作业的时期的变更案。计划装置可以具备异常预测模型更新部,所述异常预测模型更新部使用学习数据并通过学习来对异常预测模型进行更新,所述学习数据包含对象设备的运行状况以及对象设备的异常发生状况。计划装置可以具备保养计划模型更新部,所述保养计划模型更新部使用学习数据并通过学习来对保养计划模型进行更新,所述学习数据包含对象设备的异常预测以及应为目标的对象设备的保养计划。保养计划生成部可以使用保养计划模型生成对象设备的保养计划。保养计划模型可以还根据进行保养作业的操作员的技能、实绩以及配置中的至少一个生成对象设备的保养计划。对象设备可以包含电解装置。对象设备可以包含通过电分解而产生氢的氢产生装置。
为了解决上述课题,在本发明的第二方式中,提供一种计划方法。计算机可以获取对象设备的状态。计算机可以使用保养时期模型,生成进行保养作业的时期的变更案,所述保养时期模型根据对象设备的状态而输出对对象设备进行维护以及更换中的至少一个保养作业的时期的变更案。计算机可以输出变更案。
为了解决上述课题,在本发明的第三方式中,提供一种计划程序。计划程序可以通过计算机执行,使计算机作为获取对象设备的状态的状态获取部发挥功能。计划程序可以通过计算机执行,使计算机作为变更案生成部发挥功能,所述变更案生成部使用保养时期模型生成进行保养作业的时期的变更案,所述保养时期模型根据对象设备的状态输出对对象设备进行维护以及更换中的至少一个保养作业的时期的变更案。计划程序可以通过计算机执行,使计算机作为输出变更案的变更案输出部发挥功能。
另外,上述发明的概要并非列举了本发明的所有必要特征。并且,这些特征组的子组合也能够另外构成发明。
附图说明
图1示出本实施方式所涉及的***10。
图2示出本实施方式所涉及的计划装置30的结构例。
图3示出本实施方式所涉及的计划装置30的保养计划生成流程的一例。
图4示出本实施方式所涉及的计划装置30的变更案生成流程的一例。
图5示出能够将本实施方式的多个方式整体或者局部地具体化的计算机1900的例。
具体实施方式
以下,通过发明的实施方式对本发明进行说明,但是以下的实施方式并非对权利要求书所涉及的发明进行限定。并且,实施方式中说明的特征的组合并不全是本发明的解决方案所必需的。
图1示出本实施方式所涉及的***10。***10生成保养计划,根据运行中的对象设备20的状态而进行该保养计划的保养作业的时期的变更。***10具备对象设备20、保养管理装置40以及计划装置30。
对象设备20与计划装置30连接。对象设备20可以是电解装置或者包含电解装置的***,作为一例,是通过电分解而产生氢的氢产生装置或者包含氢产生装置的***。对象设备20例如是进行食盐电解或者碱水电解的氢产生装置。作为一例,进行食盐电解的氢产生装置是通过碱金属氯化物水溶液等水溶液的电分解而产生氢的装置,该装置具备:配置有阳极的阳极室;配置有阴极的阴极室;以及将阳极室以及阴极室分隔的离子交换膜等隔膜。并且,作为一例,进行碱水电解的氢产生装置是如下装置:在阳极与阴极之间配置有隔膜,并通过氢氧化钾水溶液或者氢氧化钠水溶液等电解液的电分解而产生氢。对象设备20例如为了避免异常动作或者故障等而进行保养作业,所述异常动作有随着运行产生的每单位时间的生成物的生成量降低等。
保养管理装置40与计划装置30连接。保养管理装置40可以是保养以及管理对象设备20的运营商或者操作员等所拥有的装置。可以通过进行保养的操作员等对保养管理装置40输入关于对象设备20的状态以及保养的信息。
计划装置30生成并输出对象设备20的保养计划,并根据运行中的对象设备20的状态变更进行该保养计划的保养作业的时期。计划装置30可以使用通过机器学***板型计算机、智能手机、工作站、服务器计算机或者通用计算机等计算机,也可以是多个计算机相连接的计算机***。计划装置30可以通过计算机的CPU、GPU(Graphics Processing Unit)和/或TPU(Tensor Processing Unit)的处理而生成保养计划以及变更案。并且,计划装置30可以在通过服务器计算机提供的云上进行各种处理。计划装置30具备获取部100、存储部110、学习部120、生成部130以及输出部140。
获取部100可以与对象设备20、保养管理装置40以及存储部110连接,从对象设备20和/或保养管理装置40获取用于学习的参数等。获取部100可以每隔预先设定的期间获取信息并进行更新。获取部100可以根据应获取的信息每隔大致相同或者不同的期间获取信息,并分别对它们进行追加或者更新。并且,获取部100可以与网络等连接,并经由该网络获取数据。在应获取的数据的至少一部分存储于外部的数据库等的情况下,获取部100可以访问该数据库等来进行获取。获取部100将所获取的数据提供给存储部110。
存储部110与学习部120和生成部130连接,存储有获取部100获取的信息以及由生成部130生成的信息。存储部110可以存储该计划装置30所处理的数据。存储部110可以分别存储有在计划装置30生成保养计划以及变更案的过程中计算(或者利用)的中间数据、计算结果以及参数等。并且,存储部110可以响应计划装置30内的各部分的请求,将存储的数据提供给请求源。作为一例,存储部110响应学习部120的请求,将存储的数据提供给该学习部120。
学习部120与生成部130连接。学习部120生成一个或者多个学习模型,学习并更新该学习模型。学习部120可以根据存储于存储部110的学习数据使所生成的学习模型进行学习。学习部120可以执行强化学习来更新学习模型。学习部120将更新后的学习模型提供给生成部130。
生成部130与输出部140连接。生成部130根据学习部120所更新的学习模型而生成对象设备20的异常预测、保养计划以及变更案。生成部130将所生成的对象设备20的保养计划以及变更案提供给输出部140。并且,生成部130可以将所生成的异常预测、保养计划以及变更案中的至少一个存储于存储部110。
在此,对象设备20的异常预测包含预测了将来的对象设备20的异常动作的发生的结果。异常预测可以包含将来的异常动作的发生日以及异常动作的内容中的至少一个。异常预测例如包含在将来的一个或者多个期间(例如,规定的天数以内、规定的月数以内或者规定的年数以内)对象设备20的异常动作发生的概率以及将来的对象设备20的异常动作发生的概率超过阈值的期间中的至少一个。并且,对象设备20的异常动作是指对象设备20没有正常动作。对象设备20的异常动作例如包含以下情况中的至少一个:对象设备20的每单位时间的生成物的生成量降低至阈值以下;因对象设备20的零件等的劣化、故障等而导致对象设备20停止运行;对象设备20的温度超过温度阈值而变成高温;以及对象设备20的温度小于温度阈值而变成低温。
在对象设备20是进行食盐电解的氢产生装置的情况下,对象设备20的异常预测可以包含氢产生装置中的因阴极或者阳极劣化导致的电压上升、因分隔阴极室和阳极室的隔膜的针孔导致的电压变化、电流效率降低、生成物的纯度降低、以及因在隔膜中沉积水溶液中的杂质导致的电压上升以及电流效率降低中的至少一个。
并且,在对象设备20是进行碱水电解的氢产生装置的情况下,对象设备20的异常预测可以包含氢产生装置中的电极劣化、短路、冷却能力下降、气体泄漏、液体泄漏、调整阀不良、配管堵塞、纯水供给阀不良、电解液泄漏、供给水纯度不良、隔膜破裂、调整阀劣化、冷却水温度上升、在阳极侧生成的氢的压力与在阴极侧生成的氧气的压力之间的差压异常、氢产生装置的电解槽的后级中的雾量增加、以及氢产生装置的电解槽的后级中的雾的捕获不良中的至少一个。
并且,保养计划包含对于对象设备20进行保养作业的将来的计划。保养计划例如计划进行对象设备20的保养作业的时期、保养作业的内容、保养作业中使用的装置、以及进行保养作业的操作员的人数、技能、实绩以及配置中的至少一个。并且,保养作业可以包含对象设备20或者其零件的维护(例如,对象设备20的维修、检查以及护理等)以及更换中的至少一方。
并且,变更案可以是变更在保养计划中计划的进行保养作业的时期的提案。变更案可以建议延期或者提前进行保养作业的时期。并且,变更案可以建议变更进行保养作业的周期。并且,变更案可以建议变更仅与保养计划中计划的保养作业中的一部分保养作业有关的实施时期。并且,变更案可以建议与保养作业的时期一同变更保养计划中计划的保养作业的内容、操作员、操作员的人数或者操作员的配置等。
输出部140与保养管理装置40连接,将在生成部130中生成的保养计划以及变更案输出到保养管理装置40。
根据以上的本实施方式的计划装置30,能够在生成对象设备20的保养计划并执行该保养计划的过程中,获取对象设备20的状态并根据所获取的状态变更保养计划。接下来,对这样的计划装置30的更具体的结构例进行说明。
图2示出本实施方式所涉及的计划装置30的结构例。在图2的计划装置30中,对与图1所示的本实施方式所涉及的计划装置30的动作大致相同的要素标记相同符号并省略说明。
计划装置30具备运行状况获取部200、异常预测模型生成部210、异常预测模型更新部220以及异常预测生成部230,计划装置30预测将来的对象设备20的异常发生。计划装置30具备保养信息获取部240、保养计划模型生成部250、保养计划模型更新部260、保养计划生成部270以及保养计划输出部280,计划装置30生成将来的对象设备20的保养计划并输出。计划装置30具备状态获取部290、保养时期模型生成部300、保养时期模型更新部310、变更案生成部320以及变更案输出部330,计划装置30生成保养计划的变更案并输出。在此,存储部110存储有获取部100所获取的第一因子、第二因子以及第三因子。
第一因子(异常预测因子)可以包含影响对象设备20的异常发生的信息。第一因子包含异常预测的对象期间之前的对象设备20的运行率等运行状况。第一因子可以包含对象设备20的在过去发生的劣化等异常动作的履历。第一因子例如包含劣化等异常动作的发生时间、修理期间、发生了异常动作的时间前后的对象设备20的运行率以及异常动作的内容等。并且,第一因子可以包含对象设备20的零件厂商推荐的零件的更换时期的信息、对象设备20的零件使用时间或者将该零件搭载于对象设备20后经过的时间等信息。并且,第一因子可以包含从安装于对象设备20的传感器等获得的对象设备20的自我诊断结果。第一因子可以包含表示对象设备20的生成效率等对象设备20的运营状态的参数。
在对象设备20是进行食盐电解的氢产生装置的情况下,第一因子可以包含氢产生装置中的阴极和/或阳极的电压值、电压变化、电流效率以及生成物的纯度中的至少一个。
并且,在对象设备20是进行碱水电解的氢产生装置的情况下,第一因子可以包含氢产生装置中的阴极和/或阳极的电压值(例如电压变化等)、电流值、温度、压力(在阳极侧生成的氢的压力、在阴极侧生成的氧气的压力或者这两者的差压)、电解液密度、生成物的纯度、电解液的流量、仪表空气压、气体温度、电解液量(例如罐液位等)以及氢产生装置的电解槽的后级(例如,水封或者清洗塔等)的pH中的至少一个。
作为一例,氢产生装置中的电极的电压值以及电流值中的至少一个可以用作包含电极劣化以及短路中的至少一个的异常预测因子。氢产生装置的任意结构的温度可以用作包含电极劣化以及冷却能力降低中的至少一个的异常预测因子。压力可以用作包含气体泄漏、液体泄漏、调整阀的不良以及配管堵塞中的至少一个的异常预测因子。电解液密度可以用作包含纯水提供不良以及电解液泄漏中的至少一个的异常预测因子。生成物的纯度可以用作包含供给水纯度不良以及隔膜破裂中的至少一个的异常预测因子。电解液的流量可以用作包含气体泄漏、液体泄漏、调整阀的不良以及配管堵塞中的至少一个的异常预测因子。仪表空气压可以用作包含配管堵塞以及调整阀劣化中的至少一个的异常预测因子。气体温度可以用作包含冷却能力降低以及冷却水温度上升中的至少一个的异常预测因子。电解液量可以用作包含配管堵塞、调整阀劣化以及差压异常中的至少一个的异常预测因子。氢产生装置的电解槽的后级的pH可以用作包含雾量增加以及捕获不良中的至少一个的异常预测因子。
第二因子(保养预测因子)可以包含关于对象设备20的保养的信息。第二因子可以包含通过异常预测生成部230生成的异常预测。并且,第二因子可以包含对象设备20的过去的保养计划。第二因子可以包含能够执行对象设备20的保养作业的操作员、能够执行保养作业的装置以及对象设备20的更换零件等的配置的信息。并且,第二因子可以包含过去执行了对象设备20的保养作业的时期、期间、内容以及因保养作业导致的对象设备20的运行率的变化等信息。并且,获取部100可以从外部等获取预测对象设备20的异常动作的预测数据并作为第二因子的信息存储于存储部110。在该情况下,预测数据可以是预测在与从过去的对象设备20运行之后至发生异常动作为止的期间等同的期间发生下一次异常动作的数据。并且,预测数据可以是将通过使不同的同型对象设备运行的结果所获取的异常动作的履历用作对象设备20的预测数据的数据。
第三因子(状态预测因子)可以包含从对象设备20或者保养管理装置40接收的关于对象设备20的状态的信息。第三因子可以包含根据对象设备20的检查结果以及维护结果获得的对象设备20的零件等的磨损、疲劳以及劣化的程度等信息。第三因子可以包含保养作业时的操作员的输入。第三因子可以包含对象设备20的每单位时间的生成物的生成量(生成效率)的信息或者对象设备20的运行率。第三因子可以包含从安装于对象设备20的传感器等获得的对象设备20的自我诊断结果。第三因子可以包含表示对象设备20的状态的状态寄存器的值等。并且,第三因子可以包含由保养计划生成部270生成的保养计划。
在对象设备20是进行食盐电解的氢产生装置的情况下,第三因子可以包含氢产生装置中的阴极和/或阳极的电压值、电压变化、电流效率以及生成物的纯度中的至少一个。
并且,在对象设备20是进行碱水电解的氢产生装置的情况下,第三因子可以包含氢产生装置中的阴极和/或阳极的电压值(例如电压变化等)、电流值、温度、压力(在阳极侧生成的氢的压力、在阴极侧生成的氧气的压力或者这两者的差压)、电解液密度、生成物的纯度、电解液的流量、仪表空气压、气体温度、电解液量(例如罐液位等)以及氢产生装置的电解槽的后级的水封或者清洗塔等的pH中的至少一个。
第一因子、第二因子以及第三因子的信息可以是每个大致一定时间的时间序列的信息。可以随着时间的经过而同时分别追加或者更新第一因子、第二因子以及第三因子的信息。例如,第一因子、第二因子以及第三因子的信息可以包含从外部装置等提供的信息。
运行状况获取部200与存储部110连接,获取对象设备20的运行状况(第一因子)并存储于存储部110。运行状况获取部200可以从对象设备20或者该对象设备20的厂商等的数据库获取运行状况。
异常预测模型生成部210与异常预测模型更新部220连接。异常预测模型生成部210生成根据对象设备20的运行状况而预测对象设备20的异常发生的异常预测模型。异常预测模型生成部210可以使用所预测的对象期间之前的信息,通过被称作事前学习或者离线学习等的处理而生成异常预测模型。异常预测模型生成部210例如使用回归分析、贝叶斯推理、神经网络、高斯混合模型以及隐马尔可夫模型等生成异常预测模型。并且,只要异常预测模型例如使用LSTM(Long short-term memory、长短期记忆网络)、RNN(RecurrentNeural Network、循环神经网络)以及具有其他存储的模型,则还能够根据第一因子的时间序列而预测异常动作。异常预测模型生成部210将所生成的异常预测模型提供给异常预测模型更新部220。
异常预测模型更新部220与异常预测生成部230连接。异常预测模型更新部220使用学习数据并通过学习来更新异常预测模型,所述学习数据包含对象设备20的运行状况以及对象设备20的异常发生状况。异常预测模型更新部220例如可以根据过去期间的第一因子的值和过去期间以后实际产生的异常发生状况,通过学习来更新异常预测模型。异常预测模型更新部220例如可以每隔预先设定的第一更新期间或者按照实际产生的每一次异常发生,通过学习来更新为新的异常预测模型。代替于此,异常预测模型更新部220也可以根据进行了预先设定次数的学习的条件或者学习产生的误差差分低于预先设定的阈值的条件等诸多条件而更新异常预测模型。
异常预测模型更新部220可以通过被称作自适应学习或者在线学习等的处理来使异常预测模型进行学习。异常预测模型更新部220例如通过将任意的机器学习模型作为识别模型执行强化学习,来使异常预测模型学习。通过进行这样的机器学习,异常预测模型更新部220能够以第一因子为输入,以与应用的模型对应的精度预测与第一因子对应的异常动作。
优选异常预测模型更新部220还使用在时间上比异常预测模型生成部210在异常预测模型的生成中使用的第一因子的信息靠后的信息进行学习。异常预测模型更新部220使用根据实际产生的异常动作而更新的第一因子的信息来使异常预测模型学习。异常预测模型更新部220可以根据第一因子的信息被更新的情况来执行异常预测模型的学习。异常预测模型更新部220可以在第一更新期间内执行一次或者多次学习。异常预测模型更新部220将更新后的异常预测模型提供给异常预测生成部230。
异常预测生成部230与存储部110连接。异常预测生成部230使用异常预测模型生成对象设备20的异常预测。异常预测生成部230例如每隔预先设定的期间预测将来的该预先设定的期间内的对象设备20的异常动作的发生。异常预测生成部230使用异常预测模型和第一因子的信息预测异常动作的发生。异常预测生成部230例如将即将成为应预测异常动作的期间之前的期间内的第一因子的信息应用于异常预测模型来预测对象设备20的异常动作。异常预测生成部230将预测结果提供给存储部110,并作为第二因子存储。并且,异常预测生成部230也可以直接将预测结果提供给保养计划生成部270。
保养信息获取部240与存储部110连接,获取关于对象设备20的保养的信息(第二因子)。保养信息获取部240可以从对象设备20或者保养该对象设备20的运营商等的数据库获取保养状况。保养信息获取部240获取关于对象设备20的保养的信息并存储于存储部110。
保养计划模型生成部250与保养计划模型更新部260连接。保养计划模型生成部250可以根据第一因子以及第二因子生成保养计划模型。保养计划模型可以是通过学习并根据对象设备20的异常预测、进行保养作业的操作员的技能、实绩以及配置中的至少一个来生成对象设备20的保养计划的模型。保养计划模型生成部250可以使用过去的信息并通过被称作事前学习或者离线学习等的学习处理来生成保养计划模型。
保养计划模型生成部250例如通过将任意的机器学习模型作为识别模型执行强化学习来生成保养计划模型,所述任意的机器学习模型有回归分析、贝叶斯推理、神经网络、高斯混合模型以及隐马尔可夫模型等。并且,只要作为保养计划模型例如使用LSTM、RNN以及具有其他存储的模型,则还能够根据第二因子的时间序列来预测对象设备20的保养计划等。保养计划模型生成部250将所生成的保养计划模型提供给保养计划模型更新部260。
保养计划模型更新部260与保养计划生成部270连接。保养计划模型更新部260使用学习数据并通过学习来更新保养计划模型,所述学习数据包含对象设备20的异常预测以及应为目标的对象设备20的保养计划。在此,应为目标的对象设备20的保养计划可以是从过去的实际数据中导出的理想的保养计划。作为一例,在过去期间根据对象设备20的异常预测而设定的时期的保养作业之前发生了对象设备20的异常动作的情况下,应为目标的对象设备20的保养计划是将发生该异常动作的前一天或者几天前设定为保养作业的时期的保养计划。保养计划模型更新部260可以还使用其他第二因子并通过学习来更新保养计划生成模型。
保养计划模型更新部260例如可以每隔预先设定的第二更新期间更新为学习后的新的保养计划模型。代替于此,保养计划模型更新部260也可以根据进行了预先设定次数的学习的条件或者学习产生的误差差分低于预先设定的阈值的条件等诸多条件而更新保养计划模型。
保养计划模型更新部260可以通过被称作自适应学习或者在线学习等的处理来学习保养计划模型。保养计划模型更新部260例如通过将任意的机器学习模型作为识别模型执行强化学习,学习保养计划生成模型。通过进行这样的机器学习,保养计划模型更新部260能够以第二因子为输入,以与应用的模型对应的精度预测与第二因子对应的值。
优选保养计划模型更新部260还使用在时间上比保养计划模型生成部250在保养计划模型的生成中使用的信息靠后的信息进行学习。例如,保养计划模型更新部260使用通过实际的对象设备20的保养作业等而更新的第二因子的信息来学习保养计划模型。
保养计划模型更新部260可以根据第二因子的信息被更新的情况来执行保养计划模型的学习。保养计划模型更新部260在第二更新期间内执行一次或者多次学习。保养计划模型更新部260将更新后的保养计划模型提供给保养计划生成部270。
保养计划生成部270与保养计划输出部280连接。保养计划生成部270根据异常预测生成部230生成的对象设备20的异常预测来生成对象设备20的保养计划。保养计划生成部270可以使用保养计划模型生成对象设备20的保养计划。保养计划生成部270可以根据包含对象期间的对象设备20的异常预测的第二因子的值而生成该对象期间内的对象设备20的保养计划。
保养计划生成部270例如每隔预先设定的期间生成将来的该预先设定的期间的保养计划。保养计划生成部270例如将即将开始将来的预先设定的期间之前的期间的第二因子的信息应用于保养计划模型来生成保养计划。保养计划生成部270例如生成几天或者十几天、一周或者几周、一个月或者几个月、一年或者几年这样的期间的保养计划。作为一例,保养计划生成部270生成N天的保养计划。保养计划生成部270将所生成的保养计划提供给保养计划输出部280。保养计划生成部270还可以将所生成的保养计划提供给存储部110,作为第三因子存储。
保养计划输出部280与对象设备20连接。保养计划输出部280将在保养计划生成部270中生成的保养计划输出到保养管理装置40。
状态获取部290与存储部110连接,获取对象设备20的状态(第三因子)。状态获取部290可以从对象设备20或者保养该对象设备20的运营商等的数据库获取对象设备20的状态信息。状态获取部290获取关于对象设备20的状态的信息,并作为第三因子存储于存储部110。
保养时期模型生成部300与保养时期模型更新部310连接。保养时期模型生成部300根据第三因子生成保养时期模型。保养时期模型可以是通过学习并根据对象设备20的状态输出进行对象设备20的维护以及更换中的至少一个保养作业的时期的变更案的模型。保养时期模型例如是根据状态获取部290获取的对象设备20的状态建议是否可以以延期以及提前中的至少一个方式变更在预先设定的第一期间之后预定的保养作业的模型。
保养时期模型生成部300可以使用过去的信息并通过被称作事前学习或者离线学习等的学习处理来生成保养时期模型。保养时期模型生成部300例如通过将如下的任意的机器学习模型作为识别模型执行强化学习来生成保养时期模型,所述任意的机器学习模型有回归分析、贝叶斯推理、神经网络、高斯混合模型以及隐马尔可夫模型等。并且,只要保养时期模型例如使用LSTM、RNN以及具有其他存储的模型,则还能够根据第三因子的时间序列来预测对象设备20的保养时期。保养时期模型生成部300将所生成的保养时期模型提供给保养时期模型更新部310。
保养时期模型更新部310与变更案生成部320连接。保养时期模型更新部310使用学习数据并通过学习来更新保养时期模型,所述学习数据包含对象设备20的状态以及进行保养作业的时期的目标变更案。在此,进行保养作业的时期的目标变更案可以是从过去的实际数据中导出的理想的变更案。作为一例,在过去按照根据对象设备20的状态生成的变更案变更的保养作业时期之前发生了对象设备20的异常动作的情况下,目标变更案成为将保养作业的时期变更为该异常动作发生的前一天或者几天前的变更案。并且,在通过操作员等判断因对象设备20的劣化较小而不需要进行过去按照根据对象设备20的状态生成的变更案变更的时期的保养作业的情况下,目标变更案成为将保养作业的时期变更为比该变更的时期靠后的日期(例如一天后或者几天后)的变更案。目标变更案可以从第一因子、第二因子以及第三因子中的至少一个中导出。
保养时期模型更新部310例如可以每隔预先设定的第三更新期间更新为学习后的新的保养时期模型。代替于此,保养时期模型更新部310也可以根据进行了预先设定次数的学习的条件或者学习产生的误差差分低于预先设定的阈值的条件等诸多条件更新保养时期模型。
保养时期模型更新部310可以通过被称作自适应学习或者在线学习等的处理来学习保养时期模型。保养时期模型更新部310例如通过将任意的机器学习模型作为识别模型执行强化学习,来学习保养时期模型。通过进行这样的机器学习,保养时期模型更新部310能够将第三因子作为输入,以与应用的模型对应的精度预测与第三因子对应的值。
优选保养时期模型更新部310还使用在时间上比保养时期模型生成部300在保养时期模型的生成中使用的第三因子的信息靠后的信息进行学习。保养时期模型更新部310使用通过实际的对象设备20的保养作业等而更新的第三因子的信息来学习保养时期模型。
保养时期模型更新部310可以根据第三因子的信息被更新的情况来执行保养时期模型的学习。保养时期模型更新部310在保养时期模型更新部310的第三更新期间内执行一次或者多次学习。保养时期模型更新部310将更新后的保养时期模型提供给变更案生成部320。
变更案生成部320与变更案输出部330连接。变更案生成部320使用保养时期模型生成进行对象设备20的保养作业的时期的变更案。变更案生成部320可以以建议保养作业的延期以及提前中的至少一方为条件,建议变更保养作业的周期。变更案生成部320可以根据存储于存储部110的第三因子的值而生成保养作业的时期的变更案。
变更案生成部320例如每隔预先设定的期间生成将来的该预先设定的期间的变更案。变更案生成部320例如将即将开始将来的预先设定的期间之前的期间的第三因子的信息应用于保养时期模型来生成变更案。变更案生成部320可以生成分别变更保养计划中的保养作业的多个时期的多个变更案。变更案生成部320将所生成的变更案输出到变更案输出部330。
变更案输出部330与对象设备20连接。变更案输出部330将在变更案生成部320中生成的变更案输出到保养管理装置40。
以上的本实施方式所涉及的计划装置30使用通过学习而生成的模型来生成对象设备20的保养计划,并根据对象设备20的当前状态变更该保养计划的保养作业的时期。接下来,对这样的计划装置30的动作进行说明。
图3示出本实施方式所涉及的计划装置30的保养计划生成流程的一例。
获取部100获取成为与对象设备20的运行状况以及对象设备20的保养有关的过去趋势的第一因子以及第二因子的信息(S310)。获取部100例如获取从时刻t0至时刻t1的第一因子以及第二因子的信息。获取部100将获取的第一因子以及第二因子的信息存储于存储部110。并且,获取部100也可以直接将第一因子以及第二因子的信息提供给学习部120以及生成部130。
接下来,学习部120生成学习模型(S320)。学习部120根据时刻t0至时刻t1期间内的第一因子以及第二因子的值生成学习模型。例如,异常预测模型生成部210使用时刻t0至时刻t1期间内的第一因子的值生成异常预测模型。保养计划模型生成部250使用时刻t0至时刻t1期间的第二因子的值生成保养计划模型。
并且,异常预测模型生成部210以及保养计划模型生成部250可以将基于对象设备20的物理模型的假想数据作为预测数据,并对该预测数据与在过去的对象设备20的运行中获取的实际数据进行比较,由此生成保养计划模型以及异常预测模型。例如,异常预测模型生成部210以及保养计划模型生成部250以预测数据与从过去的实际数据中导出的目标数据之间的误差为误差最小(例如,0)或者小于预先设定的值的方式执行强化学习而生成模型。
作为一例,异常预测模型生成部210以及保养计划模型生成部250将时刻t0至时刻t1期间的M天的期间作为假设的预测期间。另外,M天例如可以是几天或者十几天、一周或者几周这样的期间。而且,异常预测模型生成部210以及保养计划模型生成部250以如下两个部分之间的误差为最小的方式进行强化学习,所述两个部分分别是:根据比时刻t0至时刻t1期间的预测期间靠前的期间的第一因子以及第二因子的值生成的预测期间的预测结果;以及预测期间的实际数据或者假想数据。
另外,可以在计划装置30随着对象设备20的运行而获取该对象设备20的实际数据之前,通过这样的学习部120执行学习模型的生成。
接下来,学习部120使所生成的学习模型进行自适应学习(S330)。在此,获取部100还可以获取第一因子以及第二因子的信息。获取部100例如获取从时刻t2至时刻t3的第一因子以及第二因子的信息。另外,时刻t2至时刻t3的期间设定为时刻t0至时刻t1期间之后的期间。学习部120可以使用获取部100重新获取的第一因子以及第二因子的信息进行自适应学习。
例如,异常预测模型更新部220根据第一因子的值对异常预测模型进行自适应学习。异常预测模型更新部220可以使用时刻t2至时刻t3的期间内的对象设备20的运行状况以及对象设备20的异常发生状况中的至少一个使异常预测模型进行自适应学习。异常预测模型更新部220可以以如下方式进行强化学习:使用异常预测模型预测时刻t2至时刻t3的期间内的对象设备20的异常动作而得到的结果与所获取的时刻t2至时刻t3的期间内的对象设备20的运行状况或者异常发生状况一致。
作为一例,异常预测模型更新部220将时刻t2至时刻t3的期间的M天期间作为假想的预测期间。另外,M天例如可以是几天或者十几天、一周或者几周、一个月或者几个月、一年或者几年这样的期间。作为一例,异常预测模型更新部220以如下两个部分之间的误差为误差最小(例如,0)或者小于预先设定的值的方式进行强化学习,所述两个部分分别是:根据比时刻t2至时刻t3的期间内的预测期间靠前的期间的第一因子的值生成的预测期间的预测结果;以及预测期间的实际数据。
并且,保养计划模型更新部260可以根据第一因子以及第二因子的值对保养计划模型进行自适应学习。例如,保养计划模型更新部260可以使用学习数据来学习保养计划模型,所述学习数据包含时刻t2至时刻t3的期间内的对象设备20的异常预测以及应为目标的对象设备20的保养计划。保养计划模型更新部260可以以如下两个部分之间的误差为误差最小(例如,0)或者小于预先设定的值的方式执行强化学习,所述两个部分分别是:使用保养计划模型而预测了时刻t2至时刻t3的期间内的对象设备20的保养状况(例如,保养作业的时期等)而得到的结果;以及所获取的时刻t2至时刻t3的期间内的实际数据(或者从实际数据中导出的目标值)。
作为一例,保养计划模型更新部260将时刻t2至时刻t3的期间内的M天期间作为假想的预测期间。另外,M天例如可以是几天或者十几天、一周或者几周、一个月或者几个月、一年或者几年这样的期间。而且,保养计划模型更新部260以如下两个部分之间的误差为误差最小(例如,0)或者小于预先设定的值的方式进行强化学习,所述两个部分分别是:根据比时刻t2至时刻t3的期间内的预测期间靠前的期间的第一因子以及第二因子的值生成的预测期间的保养状况的预测结果;以及预测期间的实际数据(或者从实际数据中导出的目标值)。
接下来,学习部120更新学习模型(S340)。学习部120可以每隔预先设定的时间更新学习模型。例如,学习部120在开始了自适应学习后使自适应学习持续用于更新所需的初始更新期间,然后执行学习模型的最初更新,之后每隔一定期间反复更新。在此,优选初始更新期间是作为在应生成的保养计划中计划的期间(或者从保养计划的输出至最初的保养作业为止的期间等)的N天以上。并且,反复更新的一定期间可以是几个小时、十几个小时、一天、几十个小时或者几天等。
例如,异常预测模型更新部220在初始更新期间后,每隔第一更新期间更新异常预测模型。并且,保养计划模型更新部260在初始更新期间后,每隔第二更新期间更新保养计划模型。作为一例,第一更新期间以及第二更新期间是一天、一个月或者一年。
接下来,异常预测生成部230使用更新后的异常预测模型生成对象设备20的异常预测(S350)。例如,异常预测生成部230使用更新后的异常预测模型以及第一因子的值,预测从时刻t4至时刻t5的对象设备20的异常动作的发生。另外,时刻t4至时刻t5的期间是时刻t2至时刻t3的期间之后的期间,可以是预测时间点的将来的期间。作为一例,异常预测生成部230将获取部100在初始更新期间获取的N天的第一因子的值应用于异常预测模型,来预测在初始更新期间后的N天内的异常发生。异常预测生成部230可以将所生成的异常预测提供给存储部110,作为第二因子存储。
接下来,保养计划生成部270使用更新后的学习模型而生成对象设备20的保养计划(S360)。保养计划生成部270可以将包含异常预测生成部230生成的异常预测的第二因子的值应用于更新后的保养计划模型,来生成从时刻t4至时刻t5的保养计划。作为一例,保养计划生成部270将获取部100在初始更新期间获取的N天的第二因子的值应用于保养计划模型,来生成初始更新期间后的N天的保养计划。
保养计划生成部270可以在时刻t4至时刻t5,以在按照异常预测生成部230生成的异常预测来预测了发生异常动作的时间点之前的日期进行保养作业的方式生成保养计划。保养计划生成部270可以根据按照异常预测来预测的异常动作的种类或者规模等生成保养计划,该保养计划设定保养作业的内容、操作员、操作员的技能、操作员的人数、保养作业的期间以及更换零件等中的至少一个。
并且,保养计划生成部270可以生成分别针对多个对象设备20的保养计划。在多个对象设备20大致相同的情况下,保养计划生成部270可以分别生成大致相同的保养计划。并且,保养计划生成部270可以分别与不同种类的对象设备20、不同时期购入的对象设备20、不同制造厂商的对象设备20或者包含它们的组合的多个对象设备20对应地生成不同的保养计划。
在该情况下,保养计划模型生成部250可以按照多个对象设备20的每一个或者多个对象设备20的每个组合而生成分别对应的多个保养计划模型。并且,保养计划模型更新部260可以分别学习多个保养计划生成模型并分别更新。
输出部140输出保养计划生成部270生成的保养计划(S370)。由此,进行保养作业的运营商等能够按照通过保养管理装置40接收的保养计划来保养对象设备20。
当计划装置30在输出保养计划后或者经过时刻t4至时刻t5的期间后继续生成保养计划的情况下(S380:否),返回S330,学习部120对学习模型进行自适应学习。在该情况下,获取部100依次获取在该时刻t4至时刻t5的期间内因对象设备20的运行而变动的第一因子以及第二因子的信息,并依次存储于存储部110。即,计划装置30将时刻t4至时刻t5的期间内的信息包含于过去的信息中,将应预测的对象期间设定为时刻t4至时刻t5的期间之后的期间。
然后,计划装置30反复进行模型的自适应学习,随着一定期间的经过而更新模型,生成保养计划并输出。这样,本实施方式所涉及的计划装置30通过反复进行对象设备20的对象期间的保养计划的生成和该对象期间的运行以及保养,能够不断更新学习模型,同时能够持续输出对象设备20的保养计划。
在以上的计划装置30的动作流程中,说明了以时刻t0~t5的顺序使计划装置30按照时间序列进行动作的例。在此,各期间可以是在时间上连续的期间。
本实施方式所涉及的计划装置30能够通过学习来预测对象设备20的异常动作并制作适当的保养计划。接下来,对变更对象设备20的保养计划的变更案的生成进行说明。
图4示出本实施方式所涉及的计划装置30的变更案生成流程的一例。
获取部100获取成为与对象设备20的状态有关的过去趋势的第三因子的信息(S410)。获取部100例如获取从时刻t10至时刻t11的第三因子的信息。获取部100将获取的第三因子的信息存储于存储部110。并且,获取部100也可以直接将第三因子的信息提供给学习部120以及生成部130。
接下来,保养时期模型生成部300生成保养时期模型(S420)。保养时期模型生成部300根据时刻t10至时刻t11的期间的第三因子的值而生成学习模型。
并且,保养时期模型生成部300可以将基于对象设备20的物理模型的假想数据作为预测数据,对该预测数据与在过去的对象设备20的运行中获取的实际数据进行比较,由此生成保养时期模型。例如,保养时期模型生成部300以预测数据与从过去的实际数据中导出的目标数据之间的误差为误差最小(例如,0)或者小于预先设定的值的方式执行强化学习并生成模型。
作为一例,保养时期模型生成部300将从时刻t10至时刻t11的期间内的M天期间作为假想的预测期间。另外,M天例如可以是几天或者十几天、一周或者几周、一年或者几年这样的期间。而且,保养时期模型生成部300以如下两个部分之间的误差为最小的方式进行强化学习,所述两个部分分别是:根据比从时刻t10至时刻t11的期间内的预测期间靠前的期间的第三因子的值生成的预测期间的预测结果;以及预测期间的实际数据。
接下来,保养时期模型更新部310使所生成的保养时期模型进行自适应学习(S430)。在此,获取部100还可以获取第三因子的信息。获取部100例如获取从时刻t12至时刻t13的第三因子的信息。另外,设从时刻t12至时刻t13的期间设定为比从时刻t10至时刻t11期间之后的期间。保养时期模型更新部310可以使用获取部100重新获取的第三因子的信息进行自适应学习。
例如,保养时期模型更新部310可以使用学习数据来学习保养时期模型,所述学习数据包含在从时刻t12至时刻t13期间内获取的对象设备20的状态以及进行保养作业的时期的目标变更案。保养时期模型更新部310可以以如下两个部分之间的误差为误差最小(例如,0)或者小于预先设定的值的方式执行强化学习,所述两个部分分别是:使用保养时期模型预测需要进行从时刻t12至时刻t13的期间内的对象设备20的保养的时期而得到的结果;以及所获取的从时刻t12至时刻t13的期间的实际数据(或者从实际数据中导出的目标值)。
作为一例,保养时期模型更新部310将从时刻t12至时刻t13的期间内的M天的期间作为假想的预测期间。另外,M天例如可以是几天或者十几天、一周或者几周、一个月或者几个月、一年或者几年这样的期间。而且,保养时期模型更新部310以如下两个部分之间的误差为误差最小(例如,0)或者小于预先设定的值的方式进行强化学习,所述两个部分分别是:基于比从时刻t12至时刻t13的期间内的预测期间靠前的期间的第三因子的值生成的预测期间的需要保养的时期的预测结果;以及预测期间的实际数据(或者从实际数据中导出的目标值)。
接下来,保养时期模型更新部310更新保养时期模型(S440)。保养时期模型更新部310可以每隔预先设定的时间更新保养时期模型。例如,保养时期模型更新部310在开始自适应学习后起使自适应学习持续用于更新所需的初始更新期间,然后执行学习模型的最初更新,之后每隔一定期间反复更新。在此,优选初始更新期间是作为从保养计划的生成至该保养计划的最初的保养作业为止的期间的N天以上。并且,反复更新的一定期间可以是几个小时、十几个小时、一天、几十个小时或者几天等。
例如,保养时期模型更新部310在初始更新期间后每隔第三更新期间更新保养时期模型。第一更新期间、第二更新期间以及第三更新期间可以是不同的期间,代替于此,也可以是大致相同的期间。作为一例,第三更新期间是一天、一个月或者一年。
接下来,变更案生成部320使用更新后的保养时期模型生成进行在对象设备20的保养计划中计划的保养作业的时期的变更案(S460)。变更案生成部320可以将第三因子所包含的从时刻t12至时刻t13期间的对象设备20的状态、从上一次保养作业至当前的期间的对象设备20的状态和/或当前时间点的对象设备20的状态应用于更新后的保养时期模型,生成被预定为预先设定的第一期间后的时刻t14的保养作业的时期的变更案。例如,时刻t14可以是从时刻t12至时刻t13期间之后的期间。
变更案生成部320可以在保养计划中的连续的保养作业之间生成变更案。变更案生成部320可以生成保养计划中的最近的保养作业的时期的变更案。
变更案生成部320例如若预测为在保养作业的预定时刻t14之前发生对象设备20的异常动作,则可以生成以在该预测的异常发生时间点或者比时刻t14靠前的日期进行保养作业的方式提前进行保养计划的保养作业的变更案。并且,变更案生成部320例如若预测为在时刻t14之后发生对象设备20的异常动作,则可以生成以在该预测的异常发生时间点之前且比时刻t14靠后的日期进行保养作业的方式延期进行保养计划的保养作业的变更案。
变更案输出部330输出变更案生成部320所生成的变更案(S370)。由此,拥有对象设备20的运营商或者进行对象设备20的保养作业的运营商等能够按照根据变更案变更的保养计划保养对象设备20。
当计划装置30在输出变更案后还继续生成变更案的情况下(S470:否),返回S430,学习部120对学习模型进行自适应学习。在该情况下,获取部100获取因对象设备20的运行而变动的第三因子的信息,并存储于存储部110。
以上的本实施方式的计划装置30针对按照保养计划保养的对象设备20,能够根据该对象设备20的当前状态变更保养计划,从而能够避免异常动作的发生以及多余的维护,从而减少对象设备20的运营成本。
另外,计划装置30可以不具备运行状况获取部200、异常预测模型生成部210、异常预测模型更新部220、异常预测生成部230、保养信息获取部240、保养计划模型生成部250、保养计划模型更新部260、保养计划生成部270以及保养计划输出部280中的至少一个。在该情况下,计划装置30可以针对从对象设备20的厂商等外部输入的保养计划或者预先设定的保养计划生成对保养作业的时期进行变更的变更案。
并且,异常预测模型生成部210、异常预测模型更新部220、异常预测生成部230、保养计划模型生成部250、保养计划模型更新部260、保养计划生成部270、保养时期模型生成部300、保养时期模型更新部310以及变更案生成部320能够为了生成模型、更新模型、生成异常预测、生成保养计划或者生成变更案等而使用存储部110中存储的第一因子、第二因子以及第三因子中的任意一个。
并且,计划装置30也可以不向保养管理装置40输出计划以及变更案,而是输出计划以及变更案并显示在该计划装置30的画面上。
本发明的各种实施方式可以参照流程图以及框图来记载,在此,框可以表示:(1)执行操作的工序的阶段、或者(2)具有执行操作的功能的装置的部分。特定的阶段以及部分可以通过专用电路、与存储在计算机可读介质上的计算机可读命令一起提供的可编程电路和/或与存储在计算机可读介质上的计算机可读命令一起提供的处理器来实现。专用电路可以包含数字和/或模拟硬件电路,也可以包含集成电路(IC)和/或分立电路。可编程电路可以包含可重构的硬件电路,该可重构的硬件电路包含逻辑与(AND)、逻辑或(OR)、逻辑异或(XOR)、逻辑与非(NAND)、逻辑或非(NOR)以及其他逻辑操作、触发器、寄存器、现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)等这样的存储器要素等。
计算机可读介质可以包含能够存储由适当的设备执行的命令的任意有形的设备,其结果是,具有存储在该设备中的命令的计算机可读介质包括产品,该产品包含为了创建用于执行流程图或者框图中指定的操作的单元而能够执行的命令。作为计算机可读介质的例,可以包含电子存储介质、磁存储介质、光存储介质、电磁存储介质、半导体存储介质等。作为计算机可读介质的更具体的例,也可以包含软盘(注册商标)、磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或者闪速存储器)、电可擦除可编程只读存储器(EEPROM)、静态随机存取存储器(SRAM)、光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)、蓝光(RTM)光盘、记忆棒、集成电路卡等。
计算机可读命令可以包含通过一种或者多种编程语言的任意组合描述的源代码和对象代码中的任一代码,所述一种或者多种编程语言包括汇编命令、指令集架构(ISA)命令、机器命令、机器相关命令、微代码、固件命令、状态设定数据或者Smalltalk、JAVA(注册商标)、C++等这种面向对象的编程语言、Python以及“C”编程语言或者同样的编程语言这种现有的程序型编程语言。
计算机可读命令可以经由本地或者局域网(LAN)、因特网等这种广域网(WAN)被提供给通用计算机、特殊目的的计算机或者其他可编程的数据处理装置的处理器或可编程电路,为了创建用于执行流程图或者框图中指定的操作的单元而执行计算机可读命令。作为处理器的例,包含计算机处理器、处理单元、微处理器、数字信号处理器、控制器、微控制器等。
图5示出能够将本发明的多个方式整体或者局部地具体化的计算机1900的例。安装于计算机1900的程序能够使计算机1900作为与本发明的实施方式所涉及的装置相关联的操作或者该装置的一个或者多个部分发挥功能;或者能够使计算机1900执行该操作或者该一个或者多个部分;和/或能够使计算机1900执行本发明的实施方式所涉及的工序或者执行该工序的阶段。像这样的程序可以为了使计算机1900执行与本说明书中记载的流程图以及框图的框中的几个或者全部相关联的特定操作而由CPU2000来执行。
本实施方式所涉及的计算机1900具备:CPU周边部,其具有通过主控制器2082相互连接的CPU2000、RAM2020、图形控制器2075以及显示装置2080;输入输出部,其具有通过输入输出控制器2084与主控制器2082连接的通信接口2030、硬盘驱动器2040以及DVD驱动器2060;以及传统(regacy)输入输出部,其具有与输入输出控制器2084连接的ROM2010、闪存驱动器2050以及输入输出芯片2070。
主控制器2082将RAM2020与以高传输速率访问RAM2020的CPU2000以及图形控制器2075连接起来。CPU2000根据存储于ROM2010以及RAM2020的程序进行动作并进行各部分的控制。图形控制器2075获取CPU2000等在设置于RAM2020内的帧缓存器上生成的图像数据,并显示在显示装置2080上。代替于此,图形控制器2075也可以在内部包含存储有CPU2000等所生成的图像数据的帧缓存器。
输入输出控制器2084将主控制器2082与作为比较高速的输入输出装置的通信接口2030、硬盘驱动器2040以及DVD驱动器2060连接起来。通信接口2030通过有线或者无线方式并经由网络而与其他装置进行通信。并且,通信接口作为进行通信的硬件发挥功能。硬盘驱动器2040存储有计算机1900内的CPU2000所使用的程序以及数据。DVD驱动器2060从DVD2095读取程序或者数据,并经由RAM2020提供给硬盘驱动器2040。
并且,输入输出控制器2084与ROM2010、闪存驱动器2050以及输入输出芯片2070等比较低速的输入输出装置连接。ROM2010存储有计算机1900在启动时执行的启动程序和/或依赖于计算机1900的硬件的程序等。闪存驱动器2050从闪速存储器2090读取程序或者数据,并经由RAM2020提供给硬盘驱动器2040。输入输出芯片2070将闪存驱动器2050与输入输出控制器2084连接,并且例如经由并行端口、串行端口、键盘端口、鼠标端口等将各种输入输出装置与输入输出控制器2084连接。
经由RAM2020提供到硬盘驱动器2040的程序存储在闪速存储器2090、DVD2095或者IC卡等存储介质中,由使用者提供。程序被从存储介质读取出来,并经由RAM2020安装于计算机1900内的硬盘驱动器2040,由CPU2000执行。这些程序内所描述的信息处理被读取到计算机1900中而实现软件和上述各种类型的硬件资源之间的协作。装置或者方法可以通过随着计算机1900的使用而实现信息的操作或者处理来构成。
作为一例,在计算机1900与外部装置等之间进行通信的情况下,CPU2000执行加载于RAM2020上的通信程序,根据通信程序中描述的处理内容,指示通信接口2030进行通信处理。通信接口2030在CPU2000的控制下读取RAM2020、硬盘驱动器2040、闪速存储器2090或者DVD2095等存储装置上设置的发送缓存区域等中存储的发送数据,并发送至网络,或者将从网络接收的接收数据写入到存储装置上设置的接收缓存区域等。如此一来,通信接口2030可以通过DMA(Direct Memory Access(直接存储器访问))方式与存储装置之间进行收发数据的传输,代替于此,也可以由CPU2000从作为传输源的存储装置或者通信接口2030读取数据,并将数据写入到作为传输目的地的通信接口2030或者存储装置,由此进行收发数据的传输。
并且,CPU2000从硬盘驱动器2040、DVD驱动器2060(DVD2095)、闪存驱动器2050(闪速存储器2090)等外部存储装置中存储的文件或数据库等中,通过DMA传输等将全部或者所需部分读取至RAM2020中,并对RAM2020上的数据进行各种处理。然后,CPU2000通过DMA传输等将结束处理后的数据重新写入到外部存储装置。在这样的处理中,能够将RAM2020视作临时保存外部存储装置的内容的装置,因此在本实施方式中,将RAM2020以及外部存储装置等统称为存储器、存储部或者存储装置等。
本实施方式中的各种程序、数据、表格、数据库等各种信息存储在这样的存储装置上,成为信息处理对象。另外,CPU2000还能够将RAM2020的一部分保存在缓存中,并在缓存上进行读写。即使在这样的方式中,缓存也负责RAM2020功能的一部分,因此在本实施方式中,除了区分表示的情况以外,缓存也包含在RAM2020、存储器和/或存储装置中。
并且,CPU2000对从RAM2020读取的数据进行由程序的命令序列指定的、包括本实施方式中记载的各种运算、信息加工、条件判断、信息检索/替换等在内的各种处理,并重新写入到RAM2020。例如,CPU2000在进行条件判断的情况下,判断是否满足本实施方式中示出的各种变量比其他变量或者常数大、小、以上、以下、相同等条件,当条件成立时(或者不成立时),分支为不同的命令序列,或者调用子程序。
并且,CPU2000能够对存储于存储装置内的文件或者数据库等中的信息进行检索。例如,在存储装置中存储有第二属性的属性值分别与第一属性的属性值相关联的多个条目的情况下,CPU2000从存储装置中存储的多个条目中检索与指定第一属性的属性值的条件一致的条目,并读取该条目中存储的第二属性的属性值,由此能够获得满足规定条件的与第一属性相关联的第二属性的属性值。
并且,在实施方式的说明中列举多个要素的情况下,也可以使用所列举的要素以外的要素。例如,在记载“X使用A、B以及C执行Y”的情况下,X除了使用A、B以及C以外,还可以使用D执行Y。
以上,利用实施方式说明了本发明,但本发明的技术范围不限定于上述实施方式所记载的范围。本领域技术人员应该清楚的是,能够对上述实施方式施加各种变更或者改进。根据权利要求书的记载可以明确的是,施加了这样的变更或者改进的方式也能够包含在本发明的技术范围内。
要注意的是,关于权利要求书、说明书以及附图中示出的装置、***、程序以及方法中的动作、过程、步骤以及阶段等各个处理的执行顺序,只要没有特别注明“在…之前”、“先于…”等,并且不是将之前的处理的输出用于之后的处理”,就能够以任意的顺序实现上述执行顺序。关于权利要求书、说明书以及附图中的动作流程,为了方便起见使用“首先,”、“接下来,”等进行了说明,但是并不意味着必须按照此顺序来实施。
符号说明
10 ***
20 对象设备
30 计划装置
40 保养管理装置
100 获取部
110 存储部
120 学习部
130 生成部
140 输出部
200 运行状况获取部
210 异常预测模型生成部
220 异常预测模型更新部
230 异常预测生成部
240 保养信息获取部
250 保养计划模型生成部
260 保养计划模型更新部
270 保养计划生成部
280 保养计划输出部
290 状态获取部
300 保养时期模型生成部
310 保养时期模型更新部
320 变更案生成部
330 变更案输出部
1900 计算机
2000 CPU
2010 ROM
2020 RAM
2030 通信接口
2040 硬盘驱动器
2050 闪存驱动器
2060 DVD驱动器
2070 输入输出芯片
2075 图形控制器
2080 显示装置
2082 主控制器
2084 输入输出控制器
2090 闪速存储器
2095 DVD
Claims (13)
1.一种计划装置,其具备:
状态获取部,其获取对象设备的状态;
变更案生成部,其使用保养时期模型,生成进行保养作业的时期的变更案,所述保养时期模型根据所述对象设备的状态而输出对所述对象设备进行维护以及更换中的至少一个所述保养作业的时期的变更案;以及
变更案输出部,其输出所述变更案。
2.根据权利要求1所述的计划装置,其中,
所述保养时期模型根据所述状态获取部获取的所述对象设备的状态,建议是否可以以延期以及提前中的至少一个方式变更被预定在预先设定的第一期间之后的所述保养作业。
3.根据权利要求2所述的计划装置,其中,
所述变更案生成部以建议所述保养作业的延期以及提前中的至少一方为条件,建议变更所述保养作业的周期。
4.根据权利要求1至3中任意一项所述的计划装置,其中,
所述计划装置还具备保养时期模型更新部,所述保养时期模型更新部使用学习数据并通过学习来对所述保养时期模型进行更新,所述学习数据包含所述对象设备的状态以及进行所述保养作业的时期的目标变更案。
5.根据权利要求1至4中任意一项所述的计划装置,其中,
所述计划装置还具备:
运行状况获取部,其获取所述对象设备的运行状况;
异常预测生成部,其使用异常预测模型,生成所述对象设备的异常预测,所述异常预测模型根据所述对象设备的运行状况而预测所述对象设备的异常发生;
保养计划生成部,其根据所述异常预测生成部生成的所述对象设备的异常预测,生成所述对象设备的保养计划;以及
保养计划输出部,其输出所述保养计划。
6.根据权利要求5所述的计划装置,其中,
所述变更案生成部生成进行在所述保养计划中计划的所述保养作业的时期的变更案。
7.根据权利要求5或6所述的计划装置,其中,
所述计划装置还具备异常预测模型更新部,所述异常预测模型更新部使用学习数据并通过学习来对所述异常预测模型进行更新,所述学习数据包含所述对象设备的运行状况以及所述对象设备的异常发生状况。
8.根据权利要求5至7中任意一项所述的计划装置,其中,
所述计划装置还具备保养计划模型更新部,所述保养计划模型更新部使用学习数据并通过学习来对保养计划模型进行更新,所述学习数据包含所述对象设备的异常预测以及应作为目标的所述对象设备的保养计划,
所述保养计划生成部使用所述保养计划模型而生成所述对象设备的保养计划。
9.根据权利要求8所述的计划装置,其中,
所述保养计划模型还根据进行所述保养作业的操作员的技能、实绩以及配置中的至少一个而生成所述对象设备的保养计划。
10.根据权利要求1至9中任意一项所述的计划装置,其中,
所述对象设备包含电解装置。
11.根据权利要求1至10中任意一项所述的计划装置,其中,
所述对象设备包含通过电分解产生氢的氢产生装置。
12.一种计划方法,其中,
计算机获取对象设备的状态,
所述计算机使用保养时期模型,生成进行保养作业的时期的变更案,所述保养时期模型根据所述对象设备的状态而输出对所述对象设备进行维护以及更换中的至少一个所述保养作业的时期的变更案,
所述计算机输出所述变更案。
13.一种计划程序,其中,
该计划程序由计算机执行,使所述计算机作为以下三个部分发挥功能,所述三个部分分别是:
状态获取部,其获取对象设备的状态;
变更案生成部,其使用保养时期模型,生成进行保养作业的时期的变更案,所述保养时期模型根据所述对象设备的状态而输出对所述对象设备进行维护以及更换中的至少一个所述保养作业的时期的变更案;以及
变更案输出部,其输出所述变更案。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018192072 | 2018-10-10 | ||
JP2018-192072 | 2018-10-10 | ||
JP2019082193 | 2019-04-23 | ||
JP2019-082193 | 2019-04-23 | ||
PCT/JP2019/039858 WO2020075767A1 (ja) | 2018-10-10 | 2019-10-09 | 計画装置、計画方法、および計画プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112805732A true CN112805732A (zh) | 2021-05-14 |
Family
ID=70164504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980066040.7A Pending CN112805732A (zh) | 2018-10-10 | 2019-10-09 | 计划装置、计划方法以及计划程序 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20210216974A1 (zh) |
EP (1) | EP3848861A1 (zh) |
JP (1) | JP7190502B2 (zh) |
CN (1) | CN112805732A (zh) |
AU (2) | AU2019356338A1 (zh) |
CA (1) | CA3116047C (zh) |
DE (1) | DE202019005903U1 (zh) |
WO (1) | WO2020075767A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114112446A (zh) * | 2021-09-27 | 2022-03-01 | 北京市地铁运营有限公司 | 一种轨道交通车辆走行部健康状态监测维护***和方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220112612A1 (en) * | 2020-10-13 | 2022-04-14 | Analog Devices, Inc. | Parallel configuration of electrolysis cells |
CN112765894B (zh) * | 2020-11-25 | 2023-05-05 | 北方工业大学 | 一种基于k-lstm的铝电解槽状态预测方法 |
EP4372127A1 (en) * | 2021-07-16 | 2024-05-22 | Asahi Kasei Kabushiki Kaisha | Analysis system, analysis method, and analysis program |
JP2023176106A (ja) * | 2022-05-31 | 2023-12-13 | 横河電機株式会社 | 設備を保守するための装置、方法、およびプログラム |
WO2024069801A1 (ja) * | 2022-09-28 | 2024-04-04 | 株式会社日立製作所 | 制御装置、制御方法、水素製造システム及び電力・水素供給システム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004240642A (ja) * | 2003-02-05 | 2004-08-26 | Hitachi Ltd | プラント機器の保守支援装置 |
US20080133178A1 (en) * | 2006-11-30 | 2008-06-05 | Solar Turbines Incorporated | Maintenance management of a machine |
US20140195184A1 (en) * | 2011-08-17 | 2014-07-10 | Hitachi, Ltd | Anomaly Detection/Diagnostic Method and Anomaly Detection/Diagnostic System |
US20170344897A1 (en) * | 2016-05-31 | 2017-11-30 | The Boeing Company | Monitored machine performance as a maintenance predictor |
US20180136616A1 (en) * | 2016-11-11 | 2018-05-17 | Yokogawa Electric Corporation | Information processing device, information processing method, and storage medium |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003114294A (ja) * | 2001-10-04 | 2003-04-18 | Toshiba Corp | 発電プラントの監視・診断・検査・保全システム |
JP2016200928A (ja) * | 2015-04-09 | 2016-12-01 | ファナック株式会社 | 工作機械の管理システム |
JP5992087B1 (ja) * | 2015-12-28 | 2016-09-14 | ファナック株式会社 | 機械の保全計画を作成する予防保全管理システム |
US20180284745A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for self-organization of collected data using 3rd party data from a data marketplace in an industrial internet of things environment |
JP6767203B2 (ja) | 2016-08-24 | 2020-10-14 | 株式会社東芝 | 保守支援装置、保守支援方法およびコンピュータプログラム |
US20190147413A1 (en) * | 2017-11-13 | 2019-05-16 | Ge Energy Power Conversion Technology Ltd | Maintenance optimization system through predictive analysis and usage intensity |
US10445673B1 (en) * | 2018-03-15 | 2019-10-15 | American Public Power Assocation Inc. | Predictive models for electric power grid maintenance |
-
2019
- 2019-10-09 WO PCT/JP2019/039858 patent/WO2020075767A1/ja unknown
- 2019-10-09 CA CA3116047A patent/CA3116047C/en active Active
- 2019-10-09 AU AU2019356338A patent/AU2019356338A1/en not_active Abandoned
- 2019-10-09 EP EP19870111.2A patent/EP3848861A1/en not_active Withdrawn
- 2019-10-09 CN CN201980066040.7A patent/CN112805732A/zh active Pending
- 2019-10-09 JP JP2020551205A patent/JP7190502B2/ja active Active
- 2019-10-09 DE DE202019005903.2U patent/DE202019005903U1/de active Active
-
2021
- 2021-04-01 US US17/219,923 patent/US20210216974A1/en active Pending
-
2023
- 2023-04-14 AU AU2023202316A patent/AU2023202316A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004240642A (ja) * | 2003-02-05 | 2004-08-26 | Hitachi Ltd | プラント機器の保守支援装置 |
US20080133178A1 (en) * | 2006-11-30 | 2008-06-05 | Solar Turbines Incorporated | Maintenance management of a machine |
US20140195184A1 (en) * | 2011-08-17 | 2014-07-10 | Hitachi, Ltd | Anomaly Detection/Diagnostic Method and Anomaly Detection/Diagnostic System |
US20170344897A1 (en) * | 2016-05-31 | 2017-11-30 | The Boeing Company | Monitored machine performance as a maintenance predictor |
US20180136616A1 (en) * | 2016-11-11 | 2018-05-17 | Yokogawa Electric Corporation | Information processing device, information processing method, and storage medium |
Non-Patent Citations (1)
Title |
---|
丁世飞: "高级人工智能", vol. 2015, 31 January 2015, 中国矿业大学出版社, pages: 146 - 147 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114112446A (zh) * | 2021-09-27 | 2022-03-01 | 北京市地铁运营有限公司 | 一种轨道交通车辆走行部健康状态监测维护***和方法 |
Also Published As
Publication number | Publication date |
---|---|
CA3116047A1 (en) | 2020-04-16 |
EP3848861A4 (en) | 2021-07-14 |
EP3848861A1 (en) | 2021-07-14 |
JPWO2020075767A1 (ja) | 2021-09-02 |
AU2023202316A1 (en) | 2023-05-11 |
DE202019005903U1 (de) | 2023-04-12 |
AU2019356338A1 (en) | 2021-05-13 |
CA3116047C (en) | 2023-08-01 |
WO2020075767A1 (ja) | 2020-04-16 |
JP7190502B2 (ja) | 2022-12-15 |
US20210216974A1 (en) | 2021-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112805732A (zh) | 计划装置、计划方法以及计划程序 | |
US11620545B2 (en) | Planning apparatus, method of generating operating plan, hydrogen production method, and computer readable storage medium | |
US20210399575A1 (en) | Planning apparatus, controlling apparatus, method, and rcording medium | |
JP2018152052A (ja) | 信頼性監視のためのシステムおよび方法 | |
US8560106B2 (en) | Predictive maintenance for third party support equipment | |
US20220121164A1 (en) | Control apparatus, controller, control system, control method, and computer-readable medium having recorded thereon control program | |
CN112257745A (zh) | 基于隐马尔可夫的煤矿井下***健康度预测方法及装置 | |
WO2020075771A1 (ja) | 計画装置、計画方法、および計画プログラム | |
JP2015530641A (ja) | ヒューマンマシンインターフェース(hmi)デバイスの健康評価のためのシステムおよび方法 | |
CN115803858A (zh) | 半导体制造设备的预测性维护 | |
EP3991001B1 (en) | Method and system for performance optimization of flue gas desulphurization (fgd) unit | |
GB2593604A (en) | Prediction model enhancement | |
CN114219129A (zh) | 基于任务和mtbf的武器***随行备件需求预测及评估*** | |
CN110750455B (zh) | 基于***日志分析的智能在线自更新故障诊断方法和*** | |
WO2020059741A1 (ja) | 計画装置、方法、およびプログラム | |
CN112749453B (zh) | 基于改进svr的复杂设备剩余使用寿命预测方法 | |
CN116981798A (zh) | 运转支援装置、运转支援***、运转支援方法和运转支援程序 | |
EP4214584A1 (en) | Systems and methods for an automated data science process | |
WO2020196889A1 (ja) | 計画装置、稼働計画の生成方法、水素製造方法、およびプログラム | |
CN117971246A (zh) | 一种车辆升级方法、平台、设备及存储介质 | |
WO2023003545A1 (en) | Graph-driven production process monitoring | |
CN117932437A (zh) | 预测设备故障的方法、装置和存储介质 | |
CN110703733A (zh) | 一种基于遗传算法前馈处理的神经网络在故障预测中的应用方法和*** |
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 |