CN115081785A - 作业风险评价***、模型生成装置、作业风险评价方法、作业风险评价程序 - Google Patents
作业风险评价***、模型生成装置、作业风险评价方法、作业风险评价程序 Download PDFInfo
- Publication number
- CN115081785A CN115081785A CN202210116851.7A CN202210116851A CN115081785A CN 115081785 A CN115081785 A CN 115081785A CN 202210116851 A CN202210116851 A CN 202210116851A CN 115081785 A CN115081785 A CN 115081785A
- Authority
- CN
- China
- Prior art keywords
- risk evaluation
- uncertainty
- input
- feature
- problem event
- 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
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供作业风险评价***、模型生成装置、作业风险评价方法、作业风险评价程序。作业风险评价***具有:存储代理模型的模型存储部,代理模型以作业的第一特征量为输入,以通过工序的预定模拟而计算出的作业的第二特征量为输出,代理模型是输入与输出的关系的已学习模型,其代理具有不定性的预定模拟,不定性是指对于每个输入与同一值的输入相对的输出不同;预测部,针对同一值的第一特征量反复预定试行次数来执行将第一特征量作为输入从代理模型取得第二特征量作为输出的处理,由此预测工序中的对于同一值的第一特征量具有不定性的多个第二特征量;风险评价部,根据预测部预测出的具有不定性的多个第二特征量,进行工序中的作业的风险评价。
Description
技术领域
本发明涉及作业风险评价***、模型生成装置、作业风险评价方法、作业风险评价程序。
背景技术
存在一种***,其基于将来的预测来评价由多个工序构成的作业计划。例如,存在一种模拟***,其使用到当前时刻为止的实绩信息和将来的预测信息来预测由多个工序构成的项目的将来动向,基于预测结果进行项目的风险评价,并向用户提示评价结果(参照专利文献1)。
并且,近年来跨不同种类的***或多个组织构建供应链。在这样的状况下,在由于人工作业、***间的不匹配、设备故障等问题而导致任意一个工序的生产率降低从而发生了延迟的情况下,需要对整体作业计划进行修正。
并且,存在一种监视***,在发生了作业计划的修正时,对其影响会变得怎样的将来动向进行模拟,并将模拟结果提示给用户(参照非专利文献1)。
在这些现有技术中,假定各工序以标准的步调进展来模拟将来动向。
在此,存在由于各种问题的产生而导致的各工序的延迟会使后级的工序受到影响从而整个作业计划延迟这样的不确定性。但是,在上述现有技术中,由于未考虑这样的不确定性,因此难以在现实的计算时间内迅速地进行由于考虑不确定性的波动从而导致模式复杂化的作业计划的模拟和风险评价。另外,由于考虑不确定性的波动,难以直观地以用户能够掌握的方式向用户提示基于模式复杂化的模拟而得到的作业计划的风险评价结果。
专利文献
专利文献1:日本特开2004-192109号公报
非专利文献
非专利文献1:“実例から学ぶ|経営ダッシュボード作成の際に押さえるべきポイント”,[online],帆軟ソフトウェア株式会社,[2021年3月10日检索],互联网<https://www.finereport.com/jp/analysis/northstarmetrics/>
发明内容
本发明是考虑到上述情况而作出的,其一个目的在于在由工序构成的作业的风险评价中,迅速地进行考虑了由于产生问题而导致的不确定性的模拟以及风险评价。
为了解决上述课题,在本发明的一个方式中,作业风险评价***进行由工序构成的作业的风险评价,其具有:模型存储部,其存储代理模型,该代理模型将所述作业的第一特征量作为输入,将通过所述工序的预定模拟而计算出的所述作业的第二特征量作为输出,并且,该代理模型是该输入与该输出之间的关系的已学习模型,其代理具有不定性的所述预定模拟,其中,该不定性是指对于每个输入,与同一值的输入相对的输出不同;预测部,其通过针对同一值的所述第一特征量反复预定试行次数来执行将所述第一特征量作为输入而从所述代理模型取得所述第二特征量作为输出的处理,由此预测所述工序中的对于该同一值的所述第一特征量具有不定性的多个所述第二特征量;以及风险评价部,其根据由所述预测部预测出的具有不确定性的多个所述第二特征量,进行所述工序中的所述作业的风险评价。
根据本发明,例如在由工序构成的作业的风险评价中,能够迅速地进行考虑了由于产生问题而导致的不确定性的模拟以及风险评价。
附图说明
图1表示通过具有分层结构的多个工序进行的作业的例子。
图2概要地表示具有不确定性的作业的进展状况的一例。
图3概要地表示在实施方式中使用2个方法进行的作业时间表的预测模拟的一例。
图4表示问题事件的例子。
图5表示各工序的代理模拟的输入输出的例子。
图6表示实施方式的整个***的结构。
图7是表示事先阶段中的代理模型生成处理的一例的流程图。
图8是表示运用阶段中的风险分析处理的一例的流程图。
图9表示风险分析结果的仪表盘的终端显示例。
图10表示风险分析结果的仪表盘的终端显示例。
图11表示风险分析结果的仪表盘的终端显示例。
图12是表示计算机的结构例的硬件图。
具体实施方式
以下,使用文章或附图对本发明的实施方式进行说明。但是,本发明所示的结构、处理、数据的具体的项目以及各要素的数量等并不限于在此所举出的实施方式,能够在不变更主旨的范围内适当组合、改进。另外,对于与本实施方式没有直接关系的要素省略图示。
在以下的说明中,用附加了下标的符号来区分相同或类似的构成要素,通过去除了下标的符号主体来作为相同或类似的构成要素的总称。
(具有分层结构的多个工序)
图1表示通过具有分层结构的多个工序进行的作业(例如,仓库业务中的作业、产品制造业务中的作业等)的例子。如图1所示,按照SCM(Supply Chain Management供应链管理)工序S(1)、S(2)、S(3)、S(4)的顺序进行各作业。例如在SCM工序S(2)中,按照下位层的工序P(1)、P(2)、P(3)、P(4)、P(5)的顺序进行各作业。并且,例如在工序P(3)中,按照下位层的作业工序M(1)、M(2)、M(3)的顺序进行各作业。将各工序的输出输出给后续的工序。在图1中,对于SCM工序S(2)、工序P(3)分别示出下位层的工序,但其他的SCM工序以及工序也相同。以下,以工序P(n)(n=1、2、3、4、5)为例进行说明。
(具有不确定性的作业的进展状况)
图2概要性地表示具有不确定性的作业的进展状况的一例。按照最佳化的作业时间表进行由1个以上的工序构成的作业。作业时间表包含:基于包含预测值的作业计划而生成的作业设备以及作业人员的资源分配、以及各作业设备以及作业人员的作业开始时刻等。
但是,实际上有时在各工序中产生问题,产生相对于作业时间表的多个模式的偏离(实际的作业进展的提前和延迟、图2的时间表偏离的虚线包围部分)。该多个模式的偏离成为作业进展(作业所需时间、作业结束时刻等)的不确定性(不定性)。在相对于作业时间表的偏离中,相比于作业时间表作业时间变长的时间表延迟成为问题。
在一般的工序管理中,在各工序阶段设置余裕缓冲,进行调度管理使得在缓冲范围内吸收所决定的范围内的误差。有时仅在延迟导致的计划偏离超过缓冲范围时,判断为调度延迟,通过动态管理余裕缓冲来进行作业时间表的细微的最优化。
在此,一般而言,各工序中的时间表延迟与前后的工序有关系。即,在某个工序中产生的时间表延迟有时会波及后级的工序,引起后级工序的时间表延迟。而且,不仅是紧后的工序,有时还波及更后级的工序,引起连锁性的时间表延迟,由于这样的连锁风险需要重新评估作业时间表本身。
为了事先避免该连锁风险,期望考虑可能成为作业时间表的各工序中的作业时间表延迟的主要原因的各种问题的发生来进行代理模拟,进行包括作业时间表偏离在内的将来预测。但是,当考虑发生多个问题中的哪个问题这样的不确定性,使其具有各种变化通过代理模拟进行作业时间表的将来预测时,计算量变得庞大,因此产生计算机的计算速度不足而无法在实用的时间内进行应用这样的计算时间的问题。
(使用两种方法进行的模拟)
因此,在本实施方式中,针对上述计算时间的问题,使用分层模拟结构中的上位层的代理模拟和下位层的代理模拟这2个模拟方法来解决问题。图3概要性地表示在实施方式中使用2个方法进行的作业时间表的预测模拟的一例。在本实施方式中,将工序P(1)~P(5)作为上位层的工序,将作业工序M(1)~M(3)作为下位层的工序。
代理模拟能够以人能够理解的形式表现动作逻辑以及内部状态,能够在预定的制约条件下模拟各工序中的由于代理的行为以及相互作用而出现的各工序P(n)的多样的内部状态及其迁移。
具体而言,在代理模拟中,以要素为单位分解作业,沿着时间轴分配要素的所需时间,由此计算作业时间。另外,有时还基于作业的关系性考虑随机性来进行作业精度和失败率等的模拟计算。
这样,在代理模拟中,能够再现在作业时产生的各种现象或问题的一部分。例如,根据由于多个自主体的作业时刻的重叠而产生的等待行列、物理上计算出的作业对象物体的条件、要求精度和作业难易度来计算作业失败率等,并计算作为其结果而产生的所需时间的差异。但是,在代理模拟中,作业时产生的问题越多样化,越难以在实用的计算时间内完成预测。
另一方面,代理模拟使用各工序P(n)的代理模型(Surrogate Model)来对代理模拟的计算进行代理,能够高速地模拟同样的计算结果,其中,上述代理模型学习了与输入相对的代理模拟的输出。
代理模型在代理的行为或相互作用中包含概率性的不定要素(随机变量等)的情况下,对同一输入概率性地动作,返回多个模式的输出。例如,在对工序P(n)输入的任务具有特定的特征量(例如作业开始时刻、产品精度等)的情况下,重复进行将同一任务作为代理模型的输入的计算。于是,作为该同一任务的处理结果,输出重复次数的多个模式的特征量(作业结束时刻、作业结果精度等)。当该多个模式的特征量成为下一个工序P(n+1)的输入时,保持特征量(作业结束时刻、作业结果精度等)的波动。
例如,如图3所示,考虑对于工序P(3)的代理模型输入了输入1:假定条件、以及根据输入2:作业开始时刻(基本值的时间序列)和误差模型生成的多个模式中的1个作业开始时刻的情况。在该情况下,代理模型根据输入,一同输出了输出1:内部状态的迁移和多个(K(n+1)种类)的输出2:作业结束时刻(时间序列)。针对代理模型,通过对K(n)种类的输入重复进行从该输入到输出的处理,能够得到与多个模式的输入相对的多个模式的输出。
成为各工序的输入输出的特征量(作业结束时刻、作业结果精度等)的波动能够作为由多个模式的值构成的事例列表或概率分布模型来保持。在本实施方式中,针对1个输入使用以下的集合来表现各工序的特征量(作业结束时刻、作业结果精度等)的波动,其中,上述集合是通过包含概率性的动作要素的代理模型进行计算处理而得到的多个模式的结果的集合。
关于包含这样的概率性的动作要素的已学习模型,例如已知通过贝叶斯神经网络安装的方法。在通常的神经网络中,作为机器学习的结果,对同一输入始终返回相同的输出。在贝叶斯神经网络中,耦合系数不是数值而是表现为分布,对同一输入返回不同的输出结果。使用该特性,能够对同一输入再现使结果概率性地呈现波动的行为(概率分布)。
但是,在本实施方式中,只要是与代理模拟同样地能够模拟各工序P(n)的多样内部状态及其迁移的方法,则不限于代理模拟。另外,只要学习方法以及已学习模型能够对同一输入返回伴有基于概率性分布的行为的多个输出,则不限于贝叶斯神经网络。
(问题事件的例子)
图4表示问题事件的例子。在本实施方式中,具体地预先定义了典型的“问题事件”的模式。“问题事件”是指相当于以下状态变量的内部状态,该状态变量是作为在执行工序P(n)的处理方面存在引起生产率恶化等问题的风险而预先指定的状态变量。在学习代理模型时,对于预定的假定条件下的代理模拟中的符合问题事件的各工序的状态变量的状态赋予标志来进行学习。
具体而言,保持用于将各工序P(n)的行为中的特征性状态分组为“问题事件”来进行管理的信息。对每个工序P(n)保持1个以上的问题事件Qn,j(j=1、2、……)。n是识别工序的索引,j是在同一工序P(n)内识别问题事件的索引。
如图4所示,在问题事件表17T中,作为问题事件的定义,将工序名171、问题事件名172、昵称173、事例检索链接174以及向发现测量函数的指针175对应起来存储。昵称173是以人能够理解的形式表示该问题事件的信息。事例检索链接174存储代理模拟中的该问题事件的具体事例的检索链接。向发现测量函数的指针175存储在代理模拟中用于对该问题事件的发现进行测量的过程函数的指针。问题事件的信息形式并不限于表格形式。
以下,列举工厂或仓库的作业管理中的问题事件的一例。在问题事件中,具有由于输入量等输入原因而发生的事例、由于完全偶然的概率而发生的事例。
·因输送机的拥堵而导致的生产率的降低
·由于设置为能够吸收作业时间表延迟的作业缓冲的溢出而产生暂时避让作业
·相对于预定时刻延迟预定时间(例如15分钟)以上
·到最终出货时刻为止的所需时间小于预定时间(例如30分钟)
·由于暂时的资源不足导致的作业生产率的延迟
·由于对象物损坏而返回到前面工序重新进行作业
·设备磨损引起的部分设备的局部停止
(各工序的代理模拟的输入输出)
图5表示各工序的代理模拟的输入输出的例子。如图5所示,将向工序P(n)(n=1~5)输入的任务的信息保持为时间序列数据(时间迁移模型)An,k(k=1、2、……)。各工序P(n)具有内部状态的变量(s1、s2、s3、……),生产率根据该变量而变化。向用于预测工序P(1)的作业结果的代理模型输入的任务Ta1是单一的,但是向工序P(n)(n=2~5)输入的任务Tan是K(n)种类(K(n)>1)的模式的集合。这是因为由于工序P(n)(n=2~5)之前的工序的期间中的不确定性而产生状态波动。
作为向用于分别预测工序P(n)(n=2~5)的作业结果的各代理模型输入的任务的候补,存在K(n)种类的任务Tan。各个任务是表示了一系列的批量作业的任务,是反映了随着时间经过进行的各作业的开始时刻和状态的时间序列数据。并且,从任务Tan中随机地采样向工序P(n)输入的1个任务。对于1个采样数据多次执行工序P(n)的代理模拟(代理模型的神经网络处理),由此能够得到一点一点不同的行为事例。
这样,作为工序P(n)(n=1~5)的输出,对从输入的任务Tan中采样到的数据追加工序P(n)内的波动来输出K(n+1)种类的数据。一般为K(n+1)≥K(n)。所得到的输出数据被用作下一工序P(n+1)的输入数据。
另外,作为工序P(n)的代理模拟的结果,还输出工序P(n)的内部状态的迁移。暗示在执行工序P(n)的处理的方面,有可能由于表示内部状态的状态变量的变化引起生产率恶化等问题。这样的内部状态中的以预先指定的状态变量表示的内部状态是上述“问题事件”。
(整个***S的结构)
图6表示实施方式的整个***S的结构。在本实施方式中,作为整个***S,示出了将对工厂、仓库这样的作业环境E进行控制的***作为对象,应用了进行作业环境E中的作业时间表的风险分析以及风险分析结果的可视化的***的例子。
作业环境E包括用于对对象物实施各工序作业的作业区域、作业设备以及作业人员。对每个工序配置作业设备和作业人员。在作业环境E中,按照工序P(1)~P(5)(图1)的作业的执行顺序,经由输送机50(50-1、50-2、50-3以及50-4)将作业设备(工序P(1))40-1、作业设备(工序P(2))40-2、作业设备(工序P(3))40-3、作业设备(工序P(4))40-4以及作业设备(工序P(5))40-5串联连接。
作业设备40表示包含进行各工序P(n)(n=1~5)的作业的人员在内的作业设备。在图6中,表示了通过并联连接的多个作业设备(工序P(2))40-2中的任意一个作业设备进行工序P(2)的作业。工序P(4)和作业设备(工序P(4))40-4也是同样的。
整个***S构成为包含控制***1、计划***2、控制日志存储部3、风险评价***10、模拟日志存储部15、代理模型存储部16、问题事件存储部17以及终端18。控制***1、计划***2、控制日志存储部3以及风险评价***10经由网络N以能够通信的方式连接。
控制日志存储部3、模拟日志存储部15、代理模型存储部16以及问题事件存储部17是数据库等存储区域。控制日志存储部3保持由控制***1以及计划***2执行的处理以及控制的执行日志。模拟日志存储部15保存由代理模拟执行部11和预测部13进行的模拟的执行结果,用于风险评价等统计分析等。代理模型存储部16存储代理模型16M。问题事件存储部17存储问题事件表17T(图4)以及关联的各种信息。
终端18是经由无线通信线路或者有线通信线路与风险评价***10连接的、具备触摸面板以及显示器的平板终端等管理者的计算机。
控制***1及计划***2构成MES(Manufacturing Execution System制造执行***)或WCS(Warehouse Control System仓库控制***)这样的作业调度指示***。控制***1按照由计划***2计算出的作业时间表,对各作业设备40实时地输出作业指示来进行控制。计划***2计算用于表示在工序P(1)~P(5)中进行作业的最佳步骤的作业时间表。
风险评价***10对控制***1按照作业时间表执行的作业进行模拟,并且评价作业的风险。风险评价***10包含代理模拟执行部11、代理模型生成部12、预测部13和风险评价部14。风险评价***10与接受管理者的操作并输出处理的状况以及结果的控制台(未图示)连接。
代理模拟执行部11在预定的假定条件下,执行由于各工序中的代理的行为以及相互作用而呈现的各工序的内部状态的迁移的模拟。
代理模型生成部12在事先阶段生成预测部13使用的代理模型16M,使得能够高速地模仿代理模拟执行部11的行为。对每个工序生成代理模型16M。
代理模型生成部12将对代理模拟执行部11随机地赋予了各种数据而得到的动作结果保存在模拟日志存储部15中。作为动作结果的数据,具有设备运转条件的参数、各任务的所需时间(作业导致的延迟)、各任务的执行精度等。
代理模型生成部12为了学习内部状态的迁移模型,包括动作结果以及动作结果的顺序在内进行代理模型16M的学习。另外,还一并学习相当于“问题事件”的内部状态,代理模型16M能够输出问题事件发生的判断结果。
关于代理模型16M的生成,学习需要大量时间,因此在整个***S的实际时间运用(将***作为CPS(Cyber-Physical System信息物理***)使用)阶段之前的事先阶段执行代理模型的生成。预测部13在实际时间运用时,使用代理模型16M来执行代理模拟执行部11的代理计算模拟。
风险评价部14基于预测部13的处理结果进行评价对象作业的风险评价,并将评价结果发送到终端18。
(代理模型生成处理)
图7是表示事先阶段中的代理模型生成处理的一例的流程图。代理模型生成处理由接受了管理者指示的代理模型生成部12执行。
首先,在步骤S11中,代理模型生成部12随机地对代理模拟执行部11赋予数据来使其执行代理模拟。接着,在步骤S12中,代理模型生成部12使模拟日志存储部15积蓄在步骤S11中使代理模拟执行部11执行代理模拟的动作结果。接着,在步骤S13中,代理模型生成部12基于在模拟日志存储部15中积蓄的动作结果及其执行顺序,学习作为各工序的内部状态的迁移模型即代理模型16M。接着,在步骤S14中,代理模型生成部12将在步骤S13中学习到的代理模型16M保存在代理模型存储部16中。
(风险分析处理)
图8是表示运用阶段的风险分析处理的一例的流程图。在运用阶段,一边按照作业时间表实际地控制作业设备40来执行各工序,一边进行针对作业时间表的问题的风险分析以及报告的输出。风险分析处理由风险评价***10的预测部13和风险评价部14以预定周期(例如数分钟1次)频繁地执行,将结果发送到管理者的终端18。
在工厂或仓库等的实际运用中,将对于该设备所要求的1天的任务划分为数十个批量单位来进行处理。设为在该批量作业中混合存在预先确定了作业内容的确定要素、以及当日的作业要素数及内容到现在未确定而由预测值定义的不确定要素。由于存在不确定要素,所以即使暂时生成基于当前的假定条件的作业时间表,也需要频繁地进行风险分析来掌握问题事件,进行作业时间表的重新评估等应对。
首先,在步骤S21中,预测部13输入当前状况(无假定条件)。接着,在步骤S22中,预测部13对工序的索引n设置1。接着,在步骤S23中,预测部13启动计划***2的调度器(未图示),生成当前的假定条件下的基于包含预测值的作业计划作出的最佳的作业时间表(开始时刻、作业设备40以及人员的最佳资源分配等)。各作业设备40根据作业计划,按照来自控制***1的调度器的信息进行动作。并且,从各作业设备40所具备的传感器反馈当前的状况。控制***1基于来自该传感器的反馈信息,一边修正作业时间表的开始时刻以及资源分配等一边推进工序。
步骤S24~S31是为了预测在步骤S23中生成的作业时间表的将来推移而执行的步骤。预测部13接收在步骤S23中由调度器生成的作业时间表。在作业时间表中包含对各任务的批量单位的分配和顺序、具体分配各任务的作业设备编号、记载了资源的分配定时的信息等。在这些信息中,仅将在学习代理模型16M时作为参数而使用的信息作为向预测工序P(n)的作业结果的代理模型16M输入的任务Tan的时间序列数据An,k(k=1、2、……)(图5)来使用。
在步骤S24中,预测部13对工序P(n)设定初始条件。接着,在步骤S25中,预测部13对工序P(n)设定假定条件。假定条件是指在工序P(n)中引起生产率降低等的问题事件等的条件。
接着,在步骤S26中,预测部13将工序P(n)的数据(任务)作为向代理模型16M的输入。工序P(n)的输入数据是工序P(n-1)的输出数据,基于工序P(n-1)的输出的误差分布,以基本值+随机误差来生成大量的输入模式。以输入模式的数量来重复步骤S26。将工序P(1)的输入数据(任务)设为给定的初始值。
接着,在步骤S27中,预测部13在当前的假定条件下,以预定试行次数执行使用了代理模型16M的代理计算模拟,生成多个输出例。该预定试行次数与在步骤S26中生成的输入模式的数量相同。在输出中包含作业结束时刻、与生产率相关的信息、问题事件发生信息等。对于步骤S26中的各输入执行多次步骤S27,代理模型16M进行概率性的行为,对各输入分别输出多个模式,生成大量的输出例。即,通过针对同一值使用代理模型16M执行多次预测,再现预测结果的波动。
接着,在步骤S28中,风险评价部14计算步骤S27中的代理模拟中的每个工序P(n)的各问题事件Qn,j的发生概率。基于代理模型16M的输出中包含的问题事件发生的判断结果来计算各问题事件Qn,j的发生概率。
接着,在步骤S29中,预测部13得到步骤S27的工序P(n)的各输出,与包含用于检索的试行编号的标签关联起来保存在模拟日志存储部15中。工序P(n)的各输出成为工序P(n+1)的输入。
接着,在步骤S30中,预测部13将索引n设为+1。接着,在步骤S31中,预测部13判定n是否满足结束条件。在本实施方式中,对象为工序P(1)~P(5)(n=1~5),因此当n=6时,步骤S31的判定为“是”,处理转移到步骤S32,在n<6的情况下,处理返回到步骤S24。
在步骤S32中,预测部13将步骤S24~S31的循环的模拟执行结果与假定条件一起作为事例登记在模拟日志存储部15中。在步骤S32中,针对步骤S22~S34的每1次循环,将假定条件与执行结果对应起来进行登记。由此,能够以时间序列确认在将发现的问题事件依次编入假定条件的过程中,执行结果如何变化。
接着,在步骤S33中,风险评价部14基于在步骤S28中计算出并在步骤S32中作为事例登记在模拟日志存储部15中的各工序P(n)的各问题事件Qn,j的发生概率pn,j,根据式(1)计算各问题事件Qn,j的风险KPI(Key Performance Index:关键绩效指标)即KPIn,j。式(1)中的A、B、C、ka、kb为预定常数。
[数式1]
式(1)是一个例子,只要KPIn,j是发生概率pn,j越高则越大,直到处置方案动作为止的剩余时间t越短则越大,产生时的负担成本c越高则越大的指标,则也可以是基于其他式子的指标。
接着,在步骤S34中,风险评价部14判定在步骤S33中计算出的全部风险KPI是否为阈值Θ以下。风险评价部14在全部的风险KPI为阈值Θ以下的情况下(步骤S34“是”)将处理转移至步骤S35,在即使存在1个大于阈值Θ的风险KPI时(步骤S34“否”),将处理转移至步骤S36。
在步骤S35中,风险评价部14进行在步骤S32中在模拟日志存储部15中作为事例登记的模拟执行结果的合计处理,从而进行作业的风险评价。然后,风险评价部14生成对管理者提示风险评价结果的报告画面的数据,并向终端18发送。在合计处理中将假定条件、问题事件发生概率、发生了问题事件时向作业时间表的“应对计划”的链接信息、发生了问题事件时的“应对成本”、向发生问题事件时“波及的其他问题事件”的链接等作为对象。“应对计划”、“应对成本”、“波及的其他问题事件”等合计时的所需信息例如存储在问题事件存储部17中,在合计时进行参照。关于报告画面的详细例,参照图9、图10以及图11在后面叙述。
另一方面,在步骤S36中,风险评价部14为了将在步骤S34中超过阈值Θ的风险KPI所对应的问题事件追加到假定条件而加入到再计算候选列表中。在再计算候选列表中,例如包含问题事件的识别编号、风险KPI的值、执行时数据等,以风险KPI的降序对问题事件进行排序。风险评价部14从再计算候选列表的上位开始按顺序(风险KPI从大到小的顺序)取出预定数的问题事件追加到假定条件中。
之后,在再次执行的步骤S23的处理中,基于纳入了问题事件的假定条件来生成作业时间表。在步骤S23的处理中,在针对问题事件定义了应对方案的情况下,沿着应对方案重新生成作业计划,在未定义应对方案的情况下,通过调度器的最优化处理(资源重新分配等)来重新生成作业计划。然后,执行步骤S24~S34的处理,追加事例。
另外,除了将步骤S34为“是”作为条件执行步骤S35以外,也可以将成为计算结束时刻作为条件来执行步骤S35。
另外,在步骤S26中,用多个模式表示输入的不确定性(不定性),但不限于此,也可以用概率密度函数所表示的概率分布来表示输入的不确定性(不定性)。同样地,在步骤S29中,用多个模式表示了输出的不确定性(不定性),但不限于此,也可以用概率密度函数表示的概率分布来表示输出的不确定性(不定性)。即,代理模型16M的输入输出可以是多个模式的值和概率分布中的任意一个。
(风险分析结果的仪表盘显示)
图9、图10及图11表示风险分析结果的仪表盘的终端显示例。图9、图10及图11是在步骤S35(图8)中输出的每个工序P(n)的风险评价结果的报告画面例。所谓风险,例如是代理模拟上的问题事件的发生概率、发生了问题事件时的损坏成本、可能由于该问题事件而发生的其他问题事件等的各项目。风险分析结果的仪表盘通过由终端18执行的应用程序或浏览器来实现。
如图9所示,在终端18的显示画面181上显示工序显示182和报告显示183。在工序显示182中,与作业顺序一起显示了例如本例示中的风险分析对象即SCM工序S(2)的全部工序(工序P(1)~P(5))(图1)。在工序显示182中,作为风险分析的结果,在被判定为可能产生问题事件的工序中显示用于通知“有风险”的识别标记1821(在图9中为星号)。“有一定程度以上的风险”例如是指风险KPIn,j的值为阈值Θ以上。
当点击了识别标记1821时,展开显示与每个种类的问题事件对应的报告显示183。报告显示183具有SCM影响显示按钮1831和设备详细显示按钮1832。
当点击了SCM影响显示按钮1831时,显示被预测为对在工序显示182中显示的SCM工序S(2)造成影响的问题事件的报告显示1833。另外,与报告显示1833配合在一起显示应对方案确认按钮1834和报告传送功能显示1835。在此显示的问题事件例如是在步骤S33(图8)中计算出的风险KPI为从上位开始预定数的问题事件。
在报告显示1833中,作为将来可能发生的设想问题事件而举出“码垛停滞延迟”,在试行了2500次的代理模拟执行(图8的步骤S27)的过程中为“发生次数4次”(发生概率为4/2500)。工序P(3)中的“码垛停滞延迟”的“影响”为工序P(3)延迟“平均延迟32秒”,作为向后级的工序P(4)以及P(5)波及的附带风险具有工序P(4)的“缓冲拥堵”以及工序P(5)的“发车时刻延迟”的风险。“平均延迟32秒”的数值是在“发生次数4次”的各试行中模拟出的延迟时间的平均值。
另外,作为工序P(3)中的“码垛停滞延迟”的“影响”,通过对假定条件追加工序P(3)的“平均延迟32秒”(步骤S36(图8))来再次执行步骤S22~S34(图8)的处理,作为进一步的“影响”而预测工序P(4)的“缓冲拥堵”。并且,通过对假定条件追加工序P(4)的“缓冲拥堵”来再次执行步骤S22~S34的处理,作为进一步的“影响”而预测工序P(5)的“发车时刻延迟”。这样,通过将问题事件追加到假定条件来执行步骤S22~S34,能够预测跨工序连锁波及的问题事件。
虽然省略了图示,但是当点击了设备详细显示按钮1832时,与作业顺序一起显示构成显示有识别标记1821的工序P(3)的作业设备(工序P(3))40-3(图6)的设备以及人员的布局显示。
当点击了应对方案确认按钮1834时,如图10所示,显示应对方案显示18341,该应对方案显示18341表示用于避免在报告显示1833中显示的问题事件的应对方案。应对方案作为与该问题事件对应的信息被存储在问题事件存储部17中。关于应对方案的详细显示,参照图10在后面叙述。
在应对方案确认按钮1834中显示的“可实施时刻”是通过执行应对方案而能够将问题事件防患于未然的执行期限。在应对方案确认按钮1834中显示的“影响”表示采用了应对方案时的风险KPI的大小程度。
在对于问题事件未定义应对方案的情况下,不显示应对方案确认按钮1834。
报告传送功能显示1835接受启动以下功能的指示,该功能是指定负责人来将报告显示183中正在显示的风险分析结果的报告与消息一起发送的功能。终端18的用户确认应对方案,在判断为需要的情况下执行向相关人员的联络。
当点击了应对方案确认按钮1834(图9)时,如图10所示,显示应对方案显示18341、详细显示18342以及关联问题事件确认按钮18343。
在应对方案显示18341中,作为将来可能发生的问题事件而举出“码垛停滞延迟”,作为应对方案,举出了“(设备的)维护”和“(作业时间表的)再调度”。表示了这些应对方案的可实施时刻为12:35,发生了问题事件时的损害成本为13800,发生了问题事件时的延迟预估为“30p/1小时×0.35小时”的码垛停滞延迟。这些信息是例如基于在问题事件存储部17中存储的各种信息对代理模拟的动作结果进行合计处理而得到的信息。
在详细显示18342中显示在应对方案显示18341中显示的应对方案的具体内容,显示应对者、内容以及影响等。这些信息例如存储在问题事件存储部17中。根据详细显示18342,示出了“常陆太郎”将“机器人AXX-VV”从“码垛机”转用为“卸垛机”的应对内容。另外,由于该转用“工序P(5)的码垛生产率降低”,因此举出了“需要工序P(4)及其以后的作业时间表的变更的修正”。这些信息是例如基于在问题事件存储部17中存储的各种信息对代理模拟的动作结果进行合计处理而得到的信息。
当点击了关联问题事件确认按钮18343时,如图11所示那样显示在应对方案显示18341中显示的问题事件所派生的问题事件(即,在本示例中,在报告显示1833中显示的附带风险“工序P(4):缓冲拥堵”、“工序P(5):发车时刻延迟”)(图9)的详细信息。
另外,通过点击关联问题事件确认按钮18343,与“工序P(4):缓冲拥堵”的问题事件对应地显示识别标记1822,与“工序P(5):发车时刻延迟”)的问题事件对应地显示识别标记1823。
图11表示通过点击关联问题事件确认按钮18343而显示的工序P(4)的设想关联问题事件的报告显示1836以及工序P(5)的设想关联问题事件的报告显示1838。
在报告显示1836中,作为与工序P(3)的“码垛停滞延迟”相关联地将来可能发生的工序P(4)的关联问题事件而举出“作业缓冲拥堵”,在试行了1500次的代理模拟执行(图8的步骤S27)的过程中为“发生次数4次”(发生概率4/1500)。在报告显示1838中,作为与工序P(3)的“码垛停滞延迟”以及工序P(4)的“作业缓冲拥堵”相关联地可能发生的工序P(5)的关联问题事件而举出“发车时刻延迟”,在试行了1500次的代理模拟执行(图8的步骤S27)的过程中为“发生次数2次”(发生概率2/1500)。在报告显示1836及1838中也能够显示其他信息,但省略图示。
在报告传送功能显示1837中,接受指定负责人将在报告显示1836中正在显示的风险分析结果的报告与消息一起进行发送的指示。同样的功能也设置在报告显示1838,但省略图示。
(实施方式的效果)
在本实施方式中,将在代理模拟上发现的引起作业生产率降低的特定的内部状态定义为问题事件,构建代理模拟的代理计算模型从而能够再现问题事件。然后,将具有波动(不定性)的输入值输入到工序的代理模型,将由于输入值的不定性和代理模型的概率性的行为而具有波动(不定性)的输出值作为下一工序的代理模型的输入值。因此,针对庞大的模式能够迅速地模拟作业的将来动向和问题事件的发生,由此能够迅速地预测和评价包含具有不确定性的事件的作业风险。
另外,能够将作业进展相对于作业时间表的偏离、作业中的问题产生的预测结果可视化,能够向用户直观地以能够掌握的方式提示以作业时间表的再调度为首的代替计划的有无和影响等,针对问题的产生能够帮助迅速且准确地作出决定。
(计算机1000的硬件)
图12是表示计算机1000的结构例的硬件图。例如,由计算机1000来实现包含代理模拟执行部11以及代理模型生成部12的模型生成装置、包含预测部13以及风险评价部14的作业风险评价***、终端18或者将它们适当合并而成的各装置。
计算机1000是具备经由总线等内部通信线1009相互连接的以CPU为首的处理器1001、主存储装置1002、辅助存储装置1003、网络接口1004、输入装置1005以及输出装置1006的计算机。
处理器1001负责整个计算机1000的动作控制。另外,主存储装置1002例如由易失性的半导体存储器构成,被用作处理器1001的工作存储器。辅助存储装置1003由硬盘装置、SSD(Solid State Drive固态驱动器)或者闪存等大容量的非易失性的存储装置构成,用于长时间保持各种程序和数据。
存储在辅助存储装置1003中的可执行程序1100在计算机1000启动时或需要时被加载到主存储装置1002中,处理器1001执行加载到主存储装置1002中的可执行程序1100,由此实现执行各种处理的上述装置。
可执行程序1100也可以记录在非暂时性的记录介质中,通过介质读取装置从非暂时性的记录介质中读出,并加载到主存储装置1002中。或者,可执行程序1100也可以经由网络从外部的计算机取得,并加载到主存储装置1002。
网络接口1004是用于将计算机1000与***内的各网络连接或者与其他计算机进行通信的接口装置。网络接口1004例如由有线LAN(Local Area Network:局域网)、无线LAN等NIC(Network Interface Card:网络接口卡)构成。
输入装置1005由键盘、鼠标等指示设备等构成,用于用户向计算机1000输入各种指示或信息。输出装置1006例如由液晶显示器或有机EL(Electro Luminescence:电致发光)显示器等显示装置、扬声器等声音输出装置构成,用于在需要时向用户提示所需的信息。
本发明并不限于上述实施方式,包括各种变形例。例如,上述实施方式是为了容易理解地说明本发明而详细说明的实施方式,并不限于必须具备所说明的全部结构。另外,只要不矛盾,也可以用其他实施方式的结构置换某实施方式的一部分结构,在某实施方式的结构中添加其他实施方式的结构。另外,对于各实施方式的一部分结构,能够进行结构的追加、删除、置换、合并或分散。另外,实施方式所示的结构以及处理能够基于处理效率或者安装效率而适当地分散、合并或者替换。
附图标记的说明
1:控制***、2:计划***、3:控制日志存储部、10:风险评价***、11:代理模拟执行部、12:代理模型生成部、13:预测部、14:风险评价部、15:模拟日志存储部、16:代理模型存储部、17:问题事件存储部、18:终端。
Claims (18)
1.一种作业风险评价***,其进行由工序构成的作业的风险评价,其特征在于,
所述作业风险评价***具有:
存储代理模型的模型存储部,该代理模型将所述作业的第一特征量作为输入,将通过所述工序的预定模拟而计算出的所述作业的第二特征量作为输出,并且,该代理模型是该输入与该输出的关系的已学习模型,其代理具有不定性的所述预定模拟,其中,该不定性是指对于每个输入,与同一值的输入相对的输出不同;
预测部,其针对同一值的所述第一特征量反复预定试行次数来执行将所述第一特征量作为输入而从所述代理模型取得所述第二特征量作为输出的处理,由此预测所述工序中的对于该同一值的所述第一特征量具有不定性的多个所述第二特征量;以及
风险评价部,其根据由所述预测部预测出的具有不定性的多个所述第二特征量,进行所述工序中的所述作业的风险评价。
2.根据权利要求1所述的作业风险评价***,其特征在于,
所述预定模拟是代理模拟,
所述代理模型是贝叶斯神经网络。
3.根据权利要求1所述的作业风险评价***,其特征在于,
所述作业包含多个所述工序,
所述代理模型代理每个所述工序的所述预定模拟,
所述预测部对所述工序的所述代理模型输入具有不定性的多个所述第一特征量来预测所述工序中的具有不定性的多个所述第二特征量,将预测出的所述工序中的具有不定性的多个所述第二特征量作为具有不定性的多个所述第一特征量输入到下一个所述工序的所述代理模型来预测下一个所述工序中的具有不定性的多个所述第二特征量。
4.根据权利要求3所述的作业风险评价***,其特征在于,
多个所述第一特征量的不定性以及多个所述第二特征量的不定性由概率分布表示。
5.根据权利要求3所述的作业风险评价***,其特征在于,
多个所述第一特征量的不定性以及多个所述第二特征量的不定性由多个模式值的集合来表示。
6.根据权利要求1所述的作业风险评价***,其特征在于,
所述代理模型将所述第一特征量作为输入,将通过所述预定模拟计算出的所述工序的内部状态的迁移作为输出,进一步进行了该输入与该输出的关系的学习,
所述预测部在预定的假定条件下生成的作业时间表中,使用所述代理模型来对所述工序中的具有不定性的多个所述第二特征量和所述内部状态的迁移一同进行预测,
所述风险评价部判定由所述预测部预测为进行迁移的所述内部状态是否相当于作为使所述工序的生产率降低的特定的内部状态而预先定义的问题事件。
7.根据权利要求6所述的作业风险评价***,其特征在于,
所述风险评价部计算所述问题事件的发生概率,该发生概率用于评价该问题事件的风险,在基于该发生概率的预定指标超过阈值时,所述风险评价部向调度器通知在将该问题事件追加到所述预定的假定条件后重新生成所述作业时间表,
所述预测部基于追加了所述问题事件的所述预定的假定条件,对所述工序中的包含不定性的多个所述第二特征量和所述内部状态的迁移一同进行再预测。
8.根据权利要求7所述的作业风险评价***,其特征在于,
所述风险评价部在所述内部状态相当于所述问题事件时,生成用于将该问题事件的名称、该问题事件的发生频率、所述预定试行次数、该问题事件的发生概率、与该问题事件连锁产生的其他问题事件以及该问题事件的应对方案中的至少任意一个信息通知给用户的数据并发送给该用户的终端,
所述终端显示基于接收到的所述数据的画面。
9.一种模型生成装置,其生成用于预测由工序构成的作业的特征量的预测模型,其特征在于,
所述模型生成装置具备:
模拟执行部,其执行将所述作业的第一特征量作为输入,将所述工序的内部状态的迁移以及所述作业的第二特征量作为输出的所述工序的预定模拟;以及
代理模型生成部,其生成代理模型来作为所述预测模型,所述代理模型是所述输入与所述输出的关系的已学习模型,代理具有不定性的所述预定模拟,其中,该不定性是指对于每个输入,与同一值的所述第一特征量的输入相对的输出不同,
通过所述预测模型,将所述第一特征量作为输入,在所述工序的内部状态迁移到作为使所述工序的生产率降低的特定的内部状态而预先定义的问题事件时,测量所述工序中的所述问题事件的发现。
10.一种作业风险评价***进行的作业风险评价方法,所述作业风险评价***进行由工序构成的作业的风险评价,其特征在于,
所述作业风险评价***具有存储代理模型的模型存储部,该代理模型将所述作业的第一特征量作为输入,将通过所述工序的预定模拟而计算出的所述作业的第二特征量作为输出,并且,代理模型是该输入与该输出的关系的已学习模型,其代理具有不定性的所述预定模拟,其中,该不定性是指对于每个输入,与同一值的输入相对的输出不同,
所述作业风险评价方法具有以下步骤:
预测步骤,其针对同一值的所述第一特征量反复预定试行次数来执行将所述第一特征量作为输入而从所述代理模型取得所述第二特征量作为输出的处理,由此预测所述工序中的相对于该同一值的所述第一特征量具有不定性的多个所述第二特征量,
风险评价步骤,其根据通过所述预测步骤预测出的具有不定性的多个所述第二特征量,进行所述工序中的所述作业的风险评价。
11.根据权利要求10所述的作业风险评价方法,其特征在于,
所述预定模拟是代理模拟,
所述代理模型是贝叶斯神经网络。
12.根据权利要求10所述的作业风险评价方法,其特征在于,
所述作业包含多个所述工序,
所述代理模型代理每个所述工序的所述预定模拟,
在所述预测步骤,对所述工序的所述代理模型输入具有不定性的多个所述第一特征量来预测所述工序中的具有不定性的多个所述第二特征量,将预测出的所述工序中的具有不定性的多个所述第二特征量作为具有不定性的多个所述第一特征量而输入到下一个所述工序的所述代理模型来预测下一个所述工序中的具有不定性的多个所述第二特征量。
13.根据权利要求12所述的作业风险评价方法,其特征在于,
多个所述第一特征量的不定性以及多个所述第二特征量的不定性由概率分布来表示。
14.根据权利要求12所述的作业风险评价方法,其特征在于,
多个所述第一特征量的不定性以及多个所述第二特征量的不定性由多个模式值的集合来表示。
15.根据权利要求10所述的作业风险评价方法,其特征在于,
所述代理模型将所述第一特征量作为输入,将通过所述预定模拟计算出的所述工序的内部状态的迁移作为输出,进一步进行了该输入与该输出的关系的学习,
在所述预测步骤,在预定的假定条件下生成的作业时间表中,使用所述代理模型来对所述工序中的具有不定性的多个所述第二特征量和所述内部状态的迁移一同进行预测,
在所述风险评价步骤,判定通过所述预测步骤预测为进行迁移的所述内部状态是否相当于作为使所述工序的生产率降低的特定的内部状态而预先定义的问题事件。
16.根据权利要求15所述的作业风险评价方法,其特征在于,
在所述风险评价步骤,计算所述问题事件的发生概率,该发生概率用于评价该问题事件的风险,在基于该发生概率的预定指标超过阈值时,向调度器通知在将该问题事件追加到所述预定的假定条件后重新生成所述作业时间表,
在所述预测步骤中,基于追加了所述问题事件的所述预定的假定条件,对所述工序中的包含不定性的多个所述第二特征量和所述内部状态的迁移一同进行再预测。
17.根据权利要求16所述的作业风险评价方法,其特征在于,
在所述风险评价步骤,在所述内部状态相当于所述问题事件时,生成用于将该问题事件的名称、该问题事件的发生频率、所述预定试行次数、该问题事件的发生概率、与该问题事件连锁产生的其他问题事件以及该问题事件的应对方案中的至少任意一个信息通知给用户的数据并发送给该用户的终端,
所述终端显示基于接收到的所述数据的画面。
18.一种作业风险评价程序,其特征在于,
所述作业风险评价程序用于使计算机作为权利要求1~8中的任意一项所述的作业风险评价***发挥功能。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021041620A JP2022141362A (ja) | 2021-03-15 | 2021-03-15 | 作業リスク評価システム、モデル作成装置、作業リスク評価方法、作業リスク評価プログラム |
JP2021-041620 | 2021-03-15 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115081785A true CN115081785A (zh) | 2022-09-20 |
Family
ID=83193795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210116851.7A Pending CN115081785A (zh) | 2021-03-15 | 2022-02-07 | 作业风险评价***、模型生成装置、作业风险评价方法、作业风险评价程序 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220292418A1 (zh) |
JP (1) | JP2022141362A (zh) |
CN (1) | CN115081785A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2024072559A (ja) * | 2022-11-16 | 2024-05-28 | 株式会社日立製作所 | 演算装置、計画立案支援方法及びプログラム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4467880B2 (ja) * | 2002-12-09 | 2010-05-26 | 株式会社日立製作所 | プロジェクトの評価システムおよび方法 |
US20170323239A1 (en) * | 2016-05-06 | 2017-11-09 | General Electric Company | Constrained time computing control system to simulate and optimize aircraft operations with dynamic thermodynamic state and asset utilization attainment |
US20190340548A1 (en) * | 2018-05-02 | 2019-11-07 | International Business Machines Corporation | System for building and utilizing risk models for long range risk |
US11120147B2 (en) * | 2018-09-11 | 2021-09-14 | International Business Machines Corporation | Operating system garbage-collection with integrated clearing of sensitive data |
WO2020170020A1 (en) * | 2019-02-21 | 2020-08-27 | Koch Industries, Inc. | Feedback mining with domain-specific modeling |
JP2022131393A (ja) * | 2021-02-26 | 2022-09-07 | 富士通株式会社 | 機械学習プログラム、機械学習方法及び推定装置 |
-
2021
- 2021-03-15 JP JP2021041620A patent/JP2022141362A/ja active Pending
-
2022
- 2022-02-07 CN CN202210116851.7A patent/CN115081785A/zh active Pending
- 2022-02-23 US US17/678,778 patent/US20220292418A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220292418A1 (en) | 2022-09-15 |
JP2022141362A (ja) | 2022-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xia et al. | Recent advances in prognostics and health management for advanced manufacturing paradigms | |
Ghaleb et al. | Real-time integrated production-scheduling and maintenance-planning in a flexible job shop with machine deterioration and condition-based maintenance | |
Upasani et al. | Distributed maintenance planning in manufacturing industries | |
Choueiri et al. | An extended model for remaining time prediction in manufacturing systems using process mining | |
Hasegan et al. | Predicting performance–a dynamic capability view | |
TW201835821A (zh) | 工作計劃最佳化裝置及工作計劃最佳化方法 | |
Subramaniyan et al. | A prognostic algorithm to prescribe improvement measures on throughput bottlenecks | |
US20190317761A1 (en) | Orchestration of elastic value-streams | |
Khan et al. | Agent-based fault tolerant framework for manufacturing process automation | |
Zhai et al. | Formulation and solution for the predictive maintenance integrated job shop scheduling problem | |
Pfeiffer | Novel methods for decision support in production planning and control | |
WO2023049378A1 (en) | Ai training and auto-scheduler for scheduling multiple work projects with a shared resource and multiple scheduling objectives | |
CN115081785A (zh) | 作业风险评价***、模型生成装置、作业风险评价方法、作业风险评价程序 | |
Confalonieri et al. | An AI based decision support system for preventive maintenance and production optimization in energy intensive manufacturing plants | |
Tseremoglou et al. | Condition-Based Maintenance scheduling of an aircraft fleet under partial observability: A Deep Reinforcement Learning approach | |
Löfstrand et al. | Evaluating availability of functional products through simulation | |
Manzano et al. | A software service supporting software quality forecasting | |
Dehghanimohammadabadi et al. | Tradeoffs between objective measures and execution speed in Iterative Optimization-based Simulation (IOS) | |
Baisch et al. | Comparison of conventional approaches and soft-computing approaches for software quality prediction | |
US20230102494A1 (en) | Ai training to produce task schedules | |
US20230094381A1 (en) | Ai auto-scheduler | |
Li et al. | Challenges in developing a computational platform to integrate data analytics with simulation-based optimization | |
Ribeiro et al. | Resilience in industry 4.0 digital infrastructures and platforms | |
Morel et al. | Reliability, maintainability, and safety | |
Mayo-Alvarez et al. | Innovation by integration of Drum-Buffer-Rope (DBR) method with Scrum-Kanban and use of Monte Carlo simulation for maximizing throughput in agile project management |
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 |