JP2021111057A - Operation management assisting device and operation management assisting method - Google Patents
Operation management assisting device and operation management assisting method Download PDFInfo
- Publication number
- JP2021111057A JP2021111057A JP2020001608A JP2020001608A JP2021111057A JP 2021111057 A JP2021111057 A JP 2021111057A JP 2020001608 A JP2020001608 A JP 2020001608A JP 2020001608 A JP2020001608 A JP 2020001608A JP 2021111057 A JP2021111057 A JP 2021111057A
- Authority
- JP
- Japan
- Prior art keywords
- control value
- unit
- actual
- value
- reliability
- 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
- 238000000034 method Methods 0.000 title claims description 58
- 238000012545 processing Methods 0.000 claims abstract description 124
- 238000004364 calculation method Methods 0.000 claims abstract description 87
- 238000005259 measurement Methods 0.000 claims abstract description 55
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims 2
- 238000010276 construction Methods 0.000 abstract description 28
- 238000013145 classification model Methods 0.000 abstract description 23
- 238000013215 result calculation Methods 0.000 abstract description 14
- 238000011156 evaluation Methods 0.000 abstract description 9
- 230000013016 learning Effects 0.000 description 107
- 238000010586 diagram Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010494 dissociation reaction Methods 0.000 description 2
- 230000005593 dissociations Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
本発明は、運転管理支援装置及び運転管理支援方法の技術に関する。 The present invention relates to a technique of an operation management support device and an operation management support method.
計測値に基づき制御値を設定するプラント等の運転管理を行うことが行われている。このような運転管理では、一般的に、物理現象を模擬したシミュレーションモデルを利用し予測制御値を導く手法や、実績データを基に統計や機械学習を活用し予測制御値を導く手法等が用いられる。 Operation management of plants and the like that set control values based on measured values is performed. In such operation management, generally, a method of deriving a predicted control value by using a simulation model simulating a physical phenomenon or a method of deriving a predicted control value by utilizing statistics or machine learning based on actual data is used. Be done.
プラント等における反応や、流体の移動等といった現象は複雑であるため、シミュレーションモデルによる模擬が困難である。そのため、近年は、過去に取得された実績データを基に、統計や、機械学習を活用した予測制御値の導出が広く行われている。この手法では、実績データの計測値と制御値との関係を統計や、機械学習で再現したモデルが作成され、新しく得られた計測値が、このモデルに入力されることで適切な予測制御値が得られる。 Since phenomena such as reactions in plants and the movement of fluids are complicated, it is difficult to simulate using a simulation model. Therefore, in recent years, statistics and prediction control values using machine learning have been widely derived based on the actual data acquired in the past. In this method, a model that reproduces the relationship between the measured value of the actual data and the control value by statistics and machine learning is created, and the newly obtained measured value is input to this model to obtain an appropriate predicted control value. Is obtained.
実績データから好適な予測制御値を算出する手法として、例えば、特許文献1に記載する手法が開示されている。
特許文献1は、モデル同定装置、予測装置、監視システム、モデル同定方法および予測方法を提示している。モデル同定装置は、複数の入出力データのうち一部に、所属するモードのラベルを付加し、入出力データを各モードに分類(クラスタリング)後、各モードの数理モデルのパラメータを推定し、クラスタリングの結果に基づいて、入力データを前記数理モデルのそれぞれに分類することでモデル同定を行う装置が開示されている。
As a method for calculating a suitable predictive control value from actual data, for example, the method described in
過去の実績データを基に統計や機械学習を活用して予測制御値を導出する場合、導出される予測制御値の信頼性は、使用する実績データの特徴に大きく左右される。例えば、実績データを取得した時と異なる条件でプラントを運転している際の計測値を、学習によって得られたモデルに入力した場合、実績データを基に作成したモデルによる予測制御値の信頼性は低くなる。しかし、統計や機械学習を活用して予測制御値を算出した際には、予測制御値が数値として算出されることから、その信頼性を把握することが困難である。特許文献1に記載の技術では、このような課題を解決することができない。
When a predictive control value is derived by utilizing statistics or machine learning based on past actual data, the reliability of the derived predictive control value greatly depends on the characteristics of the actual data used. For example, when the measured values when the plant is operated under different conditions from when the actual data was acquired are input to the model obtained by learning, the reliability of the predicted control values by the model created based on the actual data. Will be low. However, when the predictive control value is calculated by utilizing statistics and machine learning, it is difficult to grasp its reliability because the predictive control value is calculated as a numerical value. The technique described in
このような背景に鑑みて本発明がなされたのであり、本発明は、機器の効率的な運転管理を行うことを課題とする。 The present invention has been made in view of such a background, and an object of the present invention is to perform efficient operation management of an apparatus.
前記した課題を解決するため、本発明は、記憶部に格納されている過去の実績データのうち、過去における機器の計測値である実績計測値、及び、過去における前記機器の制御値である実績制御値を用いて、予測制御値を算出するための第1のモデルを生成する第1のモデル生成部と、前記第1のモデル生成部で生成された前記第1のモデルに、前記機器から入力される計測値を適用することにより、当該計測値に対応する前記予測制御値を算出する予測制御値算出部と、前記記憶部に格納されている前記実績データのうち、前記実績計測値を所定のカテゴリに分類することで、第2のモデルを生成する第2のモデル生成部と、前記機器から入力された計測値に対応する前記カテゴリを、前記第2のモデル生成部で分類された前記カテゴリを基に選択するカテゴリ選択部と、前記予測制御値算出部によって算出された前記予測制御値と、前記カテゴリ選択部で選択された前記カテゴリにおける前記実績制御値とを比較することで前記予測制御値の信頼度を算出する信頼度算出部と、前記信頼度算出部によって算出された信頼度を表示部に表示する表示処理部と、を備えることを特徴とする。
その他の解決手段は実施形態中において適宜記載する。
In order to solve the above-mentioned problems, the present invention presents the actual measurement value which is the measured value of the device in the past and the actual result which is the control value of the device in the past among the past actual data stored in the storage unit. From the device, the first model generation unit that generates a first model for calculating the prediction control value using the control value and the first model generated by the first model generation unit. Of the predictive control value calculation unit that calculates the predictive control value corresponding to the measured value by applying the input measured value and the actual data stored in the storage unit, the actual measured value is used. By classifying into a predetermined category, the second model generation unit that generates the second model and the category corresponding to the measured value input from the device are classified by the second model generation unit. The category selection unit selected based on the category, the prediction control value calculated by the prediction control value calculation unit, and the actual control value in the category selected by the category selection unit are compared. It is characterized by including a reliability calculation unit for calculating the reliability of the prediction control value and a display processing unit for displaying the reliability calculated by the reliability calculation unit on the display unit.
Other solutions will be described as appropriate in the embodiments.
本発明によれば、機器の効率的な運転管理を行うことができる。 According to the present invention, efficient operation management of the device can be performed.
次に、本発明を実施するための形態(「実施形態」という)について、適宜図面を参照しながら詳細に説明する。なお、同一又は類似の構成には同一の符号を付し、説明が重複する場合には、その説明を省略する場合がある。また、各フローチャートについても、同様の処理については同一のステップ番号を付し、説明が重複する場合には、その説明を省略する場合がある。 Next, an embodiment (referred to as “embodiment”) for carrying out the present invention will be described in detail with reference to the drawings as appropriate. The same or similar configurations are designated by the same reference numerals, and if the explanations are duplicated, the explanations may be omitted. Further, also for each flowchart, the same step number may be assigned to the same processing, and if the description is duplicated, the description may be omitted.
本実施形態では、教師有学習及び教師無学習の2種類の学習が使用される。これらの学習によってモデルが生成される。本実施形態中において、目的変数として実績制御値の入力がモデル作成に必須であるものを教師有学習とする。また、目的変数として実績制御値の入力は必須ではなく実績計測値より選定した入力項目(説明変数)のみでモデル作成するものを教師無学習とする。実績制御値及び実績計測値については後記する。 In this embodiment, two types of learning, supervised learning and unsupervised learning, are used. A model is generated by these learnings. In this embodiment, the input of the actual control value as the objective variable is indispensable for model creation is defined as supervised learning. In addition, it is not essential to input the actual control value as the objective variable, and unsupervised learning is to create a model using only the input items (explanatory variables) selected from the actual measurement values. The actual control value and the actual measurement value will be described later.
さらに、本実施形態は、プラントPL、特に発電プラントや化学プラントを対象として記載されているが、適用にあたって対象を限定するものではない。例えば、水処理システム等、プラントPL以外にも、本実施形態の運転管理支援装置1を適用することができる。
Further, although the present embodiment is described for a plant PL, particularly a power plant or a chemical plant, the application is not limited to the subject. For example, the operation
[第1実施形態]
<装置構成>
図1は、第1実施形態に係る運転管理支援装置1の構成例を示す図である。
ここで、教師有学習モデルが第1のモデルとして使用され、教師無学習モデルが第2のモデルとして使用されるものとする。
運転管理支援装置1は、教師有学習処理部110と、教師無学習を行う教師無学習処理部120とを有する。また、運転管理支援装置1は、教師有学習処理部110の結果と、教師無学習処理部120の結果とを基に、信頼度232を算出する信頼度評価処理部130を有する。さらに、運転管理支援装置1は、信頼度評価処理部130から出力される信頼度232をモニタ142に表示する表示処理部141を有する。
[First Embodiment]
<Device configuration>
FIG. 1 is a diagram showing a configuration example of the operation
Here, it is assumed that the supervised learning model is used as the first model and the unsupervised learning model is used as the second model.
The operation
教師有学習処理部110は、教師有学習処理部110は、実績DB101に格納されている実績データ201のうち、実績制御データ202及び実績計測データ203に対して教師有学習を行う。そして、教師有学習処理部110は、予測モデル構築部111と、予測制御値算出部112とを有する。予測モデル構築部111及び予測制御値算出部112で行われる処理については後記する。なお、実績制御データ202は、過去の実績制御値を複数含むデータであり、実績計測データ203は、過去の実績計測値を複数含むデータである。
In the supervised learning processing unit 110, the supervised learning processing unit 110 performs supervised learning on the performance control data 202 and the
ここで、計測値とは、例えば、プラントPLにおけるA地点における温度、B地点における流量、C地点における流量、原料D中の成分Eの濃度、原料Dの投入量等である。また、運転パターンがフラグ情報として計測値に残されていてもよい。運転パターンとは、例えば、稼働開始時、定常運転時、稼働停止時等である。一方、制御値は、例えば、プラントPLにおけるある弁の弁開度や、原料Cの投入量設定値等である。本実施形態では、制御値の一例として弁開度が用いられるものとする。実績制御値とは、実績DB101に収集されている過去の制御値であり、実績計測値とは、実績DB101に収集されている過去の計測値である。
Here, the measured values are, for example, the temperature at the point A, the flow rate at the point B, the flow rate at the point C, the concentration of the component E in the raw material D, the input amount of the raw material D, and the like in the plant PL. Further, the operation pattern may be left in the measured value as flag information. The operation pattern is, for example, at the start of operation, at steady operation, at stop of operation, and the like. On the other hand, the control value is, for example, the valve opening degree of a certain valve in the plant PL, the input amount setting value of the raw material C, and the like. In the present embodiment, the valve opening degree is used as an example of the control value. The actual control value is a past control value collected in the
教師無学習処理部120は、実績DB101に格納されている実績データ201のうち、実績計測データ203に対して教師無学習を行う。そして、教師無学習処理部120は、分類モデル構築部121と、分類結果算出部122と、カテゴリ情報生成部123とを有する。分類モデル構築部121、分類結果算出部122及びカテゴリ情報生成部123で行われる処理については後記する。
そして、信頼度評価処理部130は、乖離度算出部131と、信頼度算出部132とを有する。乖離度算出部131及び信頼度算出部132で行われる処理については後記する。
The unsupervised learning processing unit 120 performs unsupervised learning on the
The reliability
第1実施形態の運転管理支援装置1は、実績データ201を基に教師有学習による予測モデル211により予測制御値y1を導出する。合わせて、運転管理支援装置1は、実績計測データ203を基に教師無学習によってカテゴリ情報y2を算出し、予測制御値y1との比較により信頼度232を算出する。なお、計測データ204、分類モデル221、検索結果222、乖離度231については後記する。
The operation
<フローチャート>
図2は、図1に示す運転管理支援装置1が行う処理の手順を示すフローチャートである。
まず、予め収集されている過去におけるプラントPLの計測値(実績計測値)や、制御値(実績制御値)が実績データ201として実績DB101に格納されている。
<Flowchart>
FIG. 2 is a flowchart showing a procedure of processing performed by the operation
First, the past measured values (actual measured values) and control values (actual control values) of the plant PL collected in advance are stored in the
(教師有学習処理部110での処理)
そして、予測モデル構築部111は、実績DB101から実績データ201の一部又はすべてを取得する(S101)。実績データ201は、実績計測データ203の一部又はすべてと、実績制御データ202の一部又はすべてが含まれる。
続いて、予測モデル構築部111は、入力された実績計測データ203と、実績制御データ202とに対して、教師有学習を行い、予測モデル211を生成し(S102)、出力する。
(Processing in the supervised learning processing unit 110)
Then, the prediction
Subsequently, the prediction
次に、予測制御値算出部112に、予測モデル構築部111で生成された予測モデル211が入力されるとともに、プラントPLから計測データ204が入力される。そして、予測制御値算出部112は、予測モデル211に計測データ204を代入することで、予測制御値y1を算出し、出力する(S103)。なお、計測データ204には、プラントPLによって、計測された計測値が含まれている。
Next, the
ここで、教師有学習として、例えば、回帰式や、決定木、ランダムフォレスト、畳み込みニューラルネットワーク、再帰型ニューラルネットワークを含むニューラルネットワーク等が利用可能である。教師有学習に入力する入力項目は、実績計測データ203の実績計測値が、そのまま使用されてもよいし、実績計測データ203の値から所定の条件で選別された項目が使用されてもよい。他にも、2つの項目の差分や合算値、1つの項目の一定期間の積算値や平均値が入力項目として教師有学習処理部110に入力されてもよい。ここで、項目とは、温度や、流量等、計測値の種類である。予測モデル構築部111で生成される予測モデル211とは、生成されたモデルの構造及び最適化されたモデル中の各変数を意味する。
Here, as supervised learning, for example, a regression equation, a decision tree, a random forest, a convolutional neural network, a neural network including a recurrent neural network, and the like can be used. As the input items to be input to the supervised learning, the actual measurement values of the
(教師無学習処理部120の処理)
分類モデル構築部121は、実績DB101に格納されている実績計測データ203を取得する(S111)。そして、分類モデル構築部121は、取得した実績計測データ203に対して、教師無学習を行うことにより分類モデル221を生成し(S112)、出力する。分類モデル221は、実績計測データ203を、所定の条件によるカテゴリに分類したものである。なお、カテゴリは、以前に生成したカテゴリが用いられてもよい。
(Processing of unsupervised learning processing unit 120)
The classification
続いて、分類結果算出部122は、プラントPLから取得した計測データ204が属するカテゴリを検索する(S113)。分類結果算出部122は、検索結果222をカテゴリ情報生成部123へ出力する。検索結果222には、計測データ204が属するカテゴリの情報が含まれている。なお、計測データ204にはプラントPLで計測された計測値が含まれている。
そして、カテゴリ情報生成部123は、検索結果222を基に、カテゴリ情報y2を生成し、出力する(S114)。ここで出力されるカテゴリ情報y2は、計測データ204が属するカテゴリの最大値、最小値や、カテゴリに含まれるすべての実績制御値等、複数の値を含むものである。
Subsequently, the classification
Then, the category
ここで、教師無学習として、例えば、階層型クラスタリングや、K平均法を含む非階層型クラスタリング、自己組織化マップを含むニューラルネットワーク等が利用可能である。教師無学習に入力する実績計測データ203は、前記したような過去の実績計測値をそのまま入力項目としてもよいし、選別された所定の項目の実績計測値を使用してもよい。他にも、実績計測値における2つの項目の差分や合算値、1つの項目の一定期間の積算値や平均値が、実績計測データ203の代わりとして入力されてもよい。
Here, as unsupervised learning, for example, hierarchical clustering, non-hierarchical clustering including the K-means method, a neural network including a self-organizing map, and the like can be used. As the
(信頼度評価処理部130の処理)
まず、乖離度算出部131は、予測制御値算出部112から予測制御値y1を取得するとともに、カテゴリ情報生成部123からカテゴリ情報y2を取得する。
そして、乖離度算出部131は、取得した予測制御値y1と、カテゴリ情報y2との乖離度231を算出する(S121)。
(Processing of reliability evaluation processing unit 130)
First, the deviation
Then, the deviation
乖離度231の算出は、以下の式(1)〜(3)のいずれかが用いられる。あるいは、式(1)〜(3)のうち、少なくとも2つが組み合わされてもよい。また、予測制御値y1と、カテゴリ情報y2との乖離の度合を示す値であれば、式(1)〜(3)以外の式が乖離度231の算出式として用いられてもよい。
Any of the following equations (1) to (3) is used to calculate the degree of
D = y2min −y1 ・・・(1)
D = y1 − y2max ・・・ (2)
D = |(y2ave − y1)/(y2max−y2min)| ・・・ (3)
D = y2min −y1 ・ ・ ・ (1)
D = y1-y2max ... (2)
D = | (y2ave-y1) / (y2max-y2min) | ... (3)
ここで、式(1)〜(3)において、Dは乖離度231である。そして、y1は予測制御値算出部112から出力される予測制御値である。また、y2aveはカテゴリ情報y2の平均値である。そして、y2minは、カテゴリ情報y2の最小値である。また、y2maxはカテゴリ情報y2の最大値である。なお、前記したように、カテゴリ情報y2は、一般的に所定の幅を有する値として出力される。
Here, in the equations (1) to (3), D is the degree of
信頼度算出部132は、乖離度算出部131から出力された乖離度231を基に、信頼度232を算出し(S122)、出力する。信頼度232は、乖離度231が大きければ低くなり、乖離度231が小さければ高くなるように算出される。信頼度算出部132は、例えば、任意の換算式、あるいは、所定の基準値を設定し、任意の範囲の乖離度231に対する信頼度232の対応表を使用することで信頼度232を算出する。例えば、乖離度231として式(1)が用いられている場合、以下の式(11)が信頼度232の換算式として用いられる。
The
T = 1 − (D/y1) ・・・ (11) T = 1 − (D / y1) ・ ・ ・ (11)
なお、乖離度231が大きければ低くなり、乖離度231が小さければ高くなるようになれば、乖離度231として式(11)以外の式が用いられてもよい。
If the degree of
表示処理部141は、算出された信頼度232を、予測制御値y1、カテゴリ情報y2とともにモニタ142に表示する(S131)。これにより、運転員は、予測制御値y1のみではなく、信頼度232を参照してプラントPLに設定する制御値を決定することができる。
The
なお、本実施形態では、予測制御値y1を教師有学習によって算出しているが、教師無学習によって予測制御値y1が算出されてもよい。つまり、教師有学習処理部110が、教師無学習によって予測制御値y1を出力するものに交換されてもよい。ここで、教師無学習として、階層型クラスタリングや、K平均法を含む非階層型クラスタリング、自己組織化マップを含むニューラルネットワーク等が利用される。この場合、実績制御データ202をカテゴリに分類し、プラントPLから取得された制御値が、どの実績制御データ202のカテゴリに属しているかが検索される。なお、ここでは、分類モデルが予測モデルとなる。そして、取得された制御値が属しているカテゴリにおける実績制御値の平均値、中央値、最小値、最大値等が予測制御値y1として出力される。これは、以下の第2実施形態以下でも同様である。 In the present embodiment, the predictive control value y1 is calculated by supervised learning, but the predictive control value y1 may be calculated by unsupervised learning. That is, the supervised learning processing unit 110 may be replaced with one that outputs the predictive control value y1 by unsupervised learning. Here, as unsupervised learning, hierarchical clustering, non-hierarchical clustering including the K-means method, a neural network including a self-organizing map, and the like are used. In this case, the actual control data 202 is classified into categories, and it is searched which category of the actual control data 202 the control value acquired from the plant PL belongs to. Here, the classification model is the prediction model. Then, the average value, the median value, the minimum value, the maximum value, and the like of the actual control values in the category to which the acquired control value belongs are output as the predicted control value y1. This also applies to the following second embodiment and below.
第1実施形態の運転管理支援装置1によれば、教師有学習処理部110によって算出された予測制御値y1と、教師無学習処理部120によって算出されたカテゴリ情報y2との比較に基づいて、予測制御値y1の信頼度232が算出される。そして、予測制御値y1の信頼度232から予測制御値y1の適用可否を運転員が判断することができる。従って、信頼性の低い予測制御値y1を用いて制御することによる運転効率の低下、製品の品質低下、不具合等を防ぐことができる。
According to the operation
[第2実施形態]
第2実施形態では、教師有学習と教師無学習を含む3個以上のモデルが使用される運転管理支援装置1aについて説明する。
[Second Embodiment]
In the second embodiment, the driving
<装置構成>
図3は、第2実施形態に係る運転管理支援装置1aの構成例を示す図である。
運転管理支援装置1aが図1に示す運転管理支援装置1と異なる点は以下の通りである。
(A1)教師有学習処理部110が2つ(第1教師有学習処理部110A及び第2教師有学習処理部110B)設けられている。第1教師有学習処理部110Aは、第1予測モデル構築部111A、第1予測制御値算出部112Aを有する。同様に、第2教師有学習処理部110Bは、第2予測モデル構築部111B、第2予測制御値算出部112Bを有する。
(A2)教師無学習処理部120が2つ(第1教師無学習処理部120A及び第2教師無学習処理部120B)設けられている。第1教師無学習処理部120Aは、第1分類モデル構築部121A、第1分類結果算出部122A、第1カテゴリ情報生成部123Aを有する。同様に、第2教師無学習処理部120Bは、第2分類モデル構築部121B、第2分類結果算出部122B、第2カテゴリ情報生成部123Bを有する。
(A3)第1教師有学習処理部110A及び第2教師有学習処理部110Bから出力される第1予測制御値y1A、第2予測制御値y1Bの代表値x1を算出する教師有学習代表値決定部151が設けられている。また、第1教師無学習処理部120A及び第2教師無学習処理部120Bから出力される第1カテゴリ情報y2A、第2カテゴリ情報y2Bの代表情報x2を算出する教師無学習代表値決定部152が設けられている。
<Device configuration>
FIG. 3 is a diagram showing a configuration example of the operation
The differences between the operation
(A1) Two supervised learning processing units 110 are provided (first supervised learning processing unit 110A and second supervised
(A2) Two teacher-unsupervised processing units 120 (first teacher-unsupervised processing unit 120A and second teacher-
(A3) Determination of a supervised learning representative value for calculating the representative value x1 of the first predictive control value y1A and the second predictive control value y1B output from the first supervised learning processing unit 110A and the second supervised
第1教師有学習処理部110A及び第2教師有学習処理部110Bで使用される教師有学習は、第1実施形態と同様、回帰式、決定木やランダムフォレスト、畳み込みニューラルネットワークや再帰型ニューラルネットワークを含むニューラルネットワーク等が用いられる。この時、第1教師有学習処理部110A及び第2教師有学習処理部110Bで使用される教師有学習は同種の学習が用いられてもよいし、別種の学習が用いられてもよい。また、教師有学習に入力される入力項目は、同一としてもよいし、異なる項目としてもよい。
The supervised learning used in the first supervised learning processing unit 110A and the second supervised
第1教師無学習処理部120A及び第2教師無学習処理部120Bで使用される教師無学習は、第1実施形態と同様、階層型クラスタリングや、K平均法を含む非階層型クラスタリング、自己組織化マップを含むニューラルネットワーク等が用いられる。この時、第1教師無学習処理部120A及び第2教師無学習処理部120Bで使用される教師無学習は同種の学習が利用されてもよいし、別種の学習が使用されてもよい。また、教師無学習入力される入力項目は、同一としてもよいし、異なる項目としてもよい。
The unsupervised learning used in the first unsupervised learning processing unit 120A and the second unsupervised
<フローチャート>
図4は、図3に示す運転管理支援装置1が行う処理の手順を示すフローチャートである。
(第1教師有学習処理部110A及び第2教師有学習処理部110Bの処理)
第1教師有学習処理部110Aでは、図2のステップS101〜S103と同様の処理が行われることにより、第1予測制御値y1Aが出力される。同様に、第2教師有学習処理部110Bでは、図2のステップS101〜S103と同様の処理が行われることにより、第2予測制御値y1Bが出力される。
<Flowchart>
FIG. 4 is a flowchart showing a procedure of processing performed by the operation
(Processing of the first supervised learning processing unit 110A and the second supervised
The first supervised learning processing unit 110A outputs the first predictive control value y1A by performing the same processing as in steps S101 to S103 of FIG. Similarly, in the second supervised
(教師有学習代表値決定部151の処理)
そして、教師有学習代表値決定部151は、第1予測制御値y1A及び第2予測制御値y1Bを取得する。続いて、教師有学習代表値決定部151は、第1予測制御値y1A及び第2予測制御値y1Bの代表値x1を算出し(S201)、出力する。代表値x1は、平均値、中央値、最大値、最小値のうち、いずれか等である。また、代表値x1は、予測制御値y1として取り扱われる。
(Processing of teachered learning representative value determination unit 151)
Then, the supervised learning representative
(第1教師無学習処理部120A及び第2教師無学習処理部120Bの処理)
第1教師無学習処理部120Aでは、図2のステップS111〜S114と同様の処理が行われることにより、第1カテゴリ情報y2Aが出力される。同様に、第2教師無学習処理部120Bでは、図2のステップS111〜S114と同様の処理が行われることにより、第2カテゴリ情報y2Bが出力される。
(Processing of 1st teacher unsupervised processing unit 120A and 2nd teacher
In the first unsupervised learning processing unit 120A, the first category information y2A is output by performing the same processing as in steps S111 to S114 of FIG. Similarly, in the second unsupervised
(教師無学習代表値決定部152の処理)
教師無学習代表値決定部152は、第1カテゴリ情報y2A及び第2カテゴリ情報y2Bを取得する。続いて、教師無学習代表値決定部152は、第1カテゴリ情報y2A及び第2カテゴリ情報y2Bの代表情報x2を算出し(S202)、出力する。代表情報x2は、例えば、第1カテゴリ情報y2A及び第2カテゴリ情報y2Bの最大値のうち、大きい方と、第1カテゴリ情報y2A及び第2カテゴリ情報y2Bの最小値のうち、小さい方との組等である。あるいは、第1カテゴリ情報y2A及び第2カテゴリ情報y2Bの平均値や、中央値の組が代表情報x2として出力されてもよい。また、第1カテゴリ情報y2A及び第2カテゴリ情報y2Bの標準偏差のうち、幅の広い方、あるいは、幅の狭い方の標準偏差が代表情報x2として出力されてもよい。また、代表情報x2は、カテゴリ情報y2として取り扱われる。
(Processing of unsupervised learning representative value determination unit 152)
The unsupervised learning representative
(信頼度評価処理部130)
乖離度算出部131は、代表値x1、代表情報x2を取得し、代表値x1、代表情報x2を基に乖離度231を算出する(S121a)。ステップS121aの処理は、図2のステップS121の処理において、予測制御値y1の代わりに代表値x1、カテゴリ情報y2の代わりに代表情報x2が用いられる。
ステップS122以降は図2の処理と同様であるので、ここでの説明を省略する。
(Reliability Evaluation Processing Unit 130)
The deviation
Since step S122 and subsequent steps are the same as the process of FIG. 2, the description here will be omitted.
第2実施形態では、複数の教師有学習、及び/又は、複数の教師無学習が行われることで、より確度の高い予測制御値y1(代表値x1)及び信頼度232を得ることができる。
In the second embodiment, more accurate predictive control value y1 (representative value x1) and
なお、第2実施形態では、教師有学習処理部110及び教師無学習処理部120がそれぞれ2つずつ設けられているが、教師有学習処理部110が3つ以上設けられてもよい。また、教師無学習処理部120が3つ以上設けられてもよい。あるいは、教師有学習処理部110及び教師無学習処理部120のうち、一方が1つ設けられる形態としてもよい。これらの形態でも、図4に示す手順と同様の手順で信頼度232の算出が可能である。
In the second embodiment, two teachered learning processing units 110 and two unsupervised learning processing units 120 are provided, but three or more teachered learning processing units 110 may be provided. Further, three or more teacher non-learning processing units 120 may be provided. Alternatively, one of the supervised learning processing unit 110 and the unsupervised learning processing unit 120 may be provided. Also in these forms, the
[第3実施形態]
<装置構成>
図5は、第3実施形態に係る運転管理支援装置1bの構成例を示す図である。
運転管理支援装置1bが、図1に示す運転管理支援装置1と異なる点は、信頼度評価処理部130の後段に信頼度判定部161及び設定処理部143が設けられている点である。信頼度判定部161及び設定処理部143が行う処理については後記する。
[Third Embodiment]
<Device configuration>
FIG. 5 is a diagram showing a configuration example of the operation
The operation
<フローチャート>
図6は、図5に示す運転管理支援装置1bが行う処理の手順を示すフローチャートである。
図6に示すように、ステップS122の後、信頼度判定部161が信頼度判定処理を行っている(S301)。信頼度判定処理については後記する。
<Flowchart>
FIG. 6 is a flowchart showing a procedure of processing performed by the operation
As shown in FIG. 6, after step S122, the
(信頼度判定処理)
図7は、図6のステップS301における信頼度判定処理の詳細な手順を示すフローチャートである。
まず、信頼度判定部161は、信頼度算出部132から出力された信頼度232を取得する(S311)。
次に、信頼度判定部161は、取得した信頼度232に対し、閾値判定による信頼度232の分類を行う(S312)。ステップS312では、予め設定されている閾値に従い、信頼度232を「低/中/高」や、「適用否/要検討/適用可」等に分類する。ここでは、「低/中/高」に分類されるものとする。
(Reliability judgment processing)
FIG. 7 is a flowchart showing a detailed procedure of the reliability determination process in step S301 of FIG.
First, the
Next, the
ステップS312の結果、信頼度232が「低」及び「中」である場合(S312→「低」及び「中」)、表示処理部141は、警告をモニタ142に表示する(S321)。その後、表示処理部141は、信頼度232、予測制御値y1、及び、カテゴリ情報y2をモニタ142に表示する(S322)。
As a result of step S312, when the
また、ステップS312の結果、信頼度232が「高」である場合(S312→高)、表示処理部141は、信頼度232、予測制御値y1、及び、カテゴリ情報y2をモニタ142に表示する(S331)。そして、設定処理部143が、予測制御値y1をプラントPLの制御値として設定する(S332)。なお、ステップS332の処理は省略可能である。
Further, when the
なお、ステップS322や、ステップS331において、信頼度232、予測制御値y1、カテゴリ情報y2と合わせてステップS312で用いられた閾値が表示されてもよい。
In step S322 and step S331, the threshold value used in step S312 may be displayed together with the
第3実施形態によれば、信頼度判定部161が信頼度232の閾値判定を行うことで、信頼度232のランク付けを行う。このようにすることで、運転員が予測制御値y1をプラントPLに設定する制御値として採用するか否かの基準を得ることができる。また、閾値判定の結果、信頼度232が「高」であると判定されれば、設定処理部143が予測制御値y1を制御値としてプラントPLに設定する。このようにすることで、予測制御値y1の適用を自動化でき、運転員の負担を軽減することができる。
According to the third embodiment, the
[第4実施形態]
<装置構成>
図8は、第4実施形態に係る運転管理支援装置1cの構成例を示す図である。
第4実施形態の運転管理支援装置1cは、信頼度評価処理部130の後段にトレンド判定部170が設けられている。トレンド判定部170は、制御範囲判定部171と、トレンド一致判定部172とを有する。また、設定処理部143が設けられている。制御範囲判定部171、トレンド一致判定部172及び設定処理部143が行う処理については後記する。
[Fourth Embodiment]
<Device configuration>
FIG. 8 is a diagram showing a configuration example of the operation
The operation
<フローチャート>
図9は、図8に示す運転管理支援装置1cが行う処理の手順を示すフローチャートである。
図9に示すように、ステップS122の後、トレンド判定部170がトレンド判定処理を行っている(S401)。トレンド判定処理については後記する。
<Flowchart>
FIG. 9 is a flowchart showing a procedure of processing performed by the operation
As shown in FIG. 9, after step S122, the
(トレンド判定処理)
図10A及び図10Bは、図9のステップS401におけるトレンド判定処理の詳細な手順を示すフローチャートである。
ここで、制御範囲判定部171は過去N時刻の実績制御データ202を使用し、トレンド一致判定部172は過去M時刻の実績制御データ202を使用する。このとき、必ずしもNとMは一致させる必要はない。
(Trend judgment processing)
10A and 10B are flowcharts showing a detailed procedure of the trend determination process in step S401 of FIG.
Here, the control
まず、入力装置(図15参照)411を介して、制御範囲判定部171が使用する過去の時刻Nが指定される(図10AのS411)。なお、Nは対象となっているプラントPLの時定数や経験知等が参照されることで運転員によって決定される。
次に、制御範囲判定部171は、実績DB101から、過去N時刻の実績制御データ202を取得する(S412)。
First, the past time N used by the control
Next, the control
また、制御範囲判定部171は、過去N時刻の予測制御値y1を取得する(S413)。
次に、制御範囲判定部171は、取得した予測制御値y1のすべてが制御範囲に含まれている否かを判定する(S414)。例えば、任意のn時刻(n?N)における過去の弁開度(実績制御値)の変化量Δy以内(あるいはΔy%以内)でプラントPLの制御が行われるようにする。この場合、Δyが制御範囲となり、ステップS413において、制御範囲判定部171は、予測制御値y1が、Δyの範囲内にあるか否かを判定する。通常、プラントPLの制御値に関しては、このような制御範囲がルールとして定められている。本実施形態では、制御範囲が別途設定されてもよいし、既存のルールが制御範囲として流用されてもよい。
また、予測制御値y1が制御範囲外である場合(S414→否)、表示処理部141はモニタ142に制御範囲判定結果がエラーである旨を表示する(S415)。そして、運転管理支援装置1cは処理を終了する。
Further, the control
Next, the control
Further, when the predicted control value y1 is out of the control range (S414 → No), the
予測制御値y1が過去N時刻の実績制御データ202から見て制御範囲に入っている場合(S414→可)、表示処理部141は、制御範囲判定結果が「可」である旨をモニタ142に表示する(S416)。
そして、入力装置(図15参照)411を介してトレンド一致判定部172が使用する過去の時刻Mが入力される(図10BのS421)。
次に、トレンド一致判定部172は、実績DB101から過去M時刻の実績制御データ202を取得する(S422)。
さらに、トレンド一致判定部172は、最新の予測制御値y1を取得する(S423)。
When the predicted control value y1 is within the control range as viewed from the actual control data 202 at the past N time (S414 → Yes), the
Then, the past time M used by the trend matching
Next, the trend
Further, the trend matching
次に、トレンド一致判定部172は、ステップS422で取得した過去M時刻の実績制御データ202から現行トレンドを取得する(S424)。現行トレンドは、例えば、実績制御データ202における現在から過去の時刻Mの期間の差分又は傾きを算出後、閾値に基づいて減少/維持/増大を判定することで抽出される。現行トレンドを差分で抽出する場合、m1時刻前とm2時刻前の実績制御値の差分や、m1時刻前の実績制御値と過去M時刻の実績制御値の平均値との差分等が利用できる。現行トレンドを傾きで抽出する場合、m1時刻からm2時刻までの実績制御値の変化を時刻に対する傾きとして算出した値が利用できる。ここで、m1,m2は、m1<m2<Mである。
Next, the trend
また、トレンド一致判定部172は、過去M−1時刻の実績制御データ202、及び、最新の予測制御値y1より、差分又は傾きを算出し閾値判定に基づき予測制御値y1の予測トレンドを抽出する(S425)。予測トレンドは、現行トレンドと同様の手法で取得される。
Further, the trend
次に、トレンド一致判定部172は、予測トレンドが現行トレンドと一致しているか否かを判定する(S431)。具体的には、トレンド一致判定部172は、予測トレンドと、現行トレンドの一致率が所定の値以上であるか否かを判定する。予測トレンドと、現行トレンドの一致率が所定の値以上であれば、トレンド一致判定部172はステップS431で「一致」と判定する。予測トレンドと、現行トレンドの一致率が所定の値未満であれば、トレンド一致判定部172はステップS431で「不一致」と判定する。
予測トレンドが現行トレンドと一致している場合(S431→一致)、表示処理部141は、トレンド判定結果として「トレンド一致」をモニタ142に表示する(S432)。
予測トレンドが現行トレンドと一致していない場合(S431→不一致)、表示処理部141は、警告をモニタ142に表示する(S433)。
Next, the trend matching
When the predicted trend matches the current trend (S431 → match), the
When the predicted trend does not match the current trend (S431 → mismatch), the
ステップS432及びステップS433の後、設定処理部143は設定条件を満たしているか否かを判定する(S441)。設定条件は、ステップS414で「可」と判定され、かつ、ステップS431で「一致」と判定されていることである。
設定条件を満たしている場合(S441→Yes)、設定処理部143は最新の予測制御値y1を制御値としてプラントPLに設定する(S442)。
設定条件を満たしていない場合(S441→No)、運転管理支援装置1cは図9のステップS131へ処理をリターンする。
After step S432 and step S433, the setting
When the setting condition is satisfied (S441 → Yes), the setting
If the setting condition is not satisfied (S441 → No), the operation
ステップS415、S416,S432,S433で示したように、制御範囲判定結果と、トレンド判定結果とが、モニタ142に出力される。
また、ステップS441、S442の処理は省略可能である。また、トレンド一致判定部172が省略されてもよい。この場合、ステップS414で「可」と判定されれば、設定処理部143が最新の予測制御値y1を制御値としてプラントPLに設定してもよい。あるいは、制御範囲判定部171が省略されてもよい。この場合、ステップS431で「一致」と判定されれば、設定処理部143が最新の予測制御値y1を制御値としてプラントPLに設定してもよい。
As shown in steps S415, S416, S432, and S433, the control range determination result and the trend determination result are output to the
Further, the processes of steps S441 and S442 can be omitted. Further, the trend matching
なお、プラントPLの運転パターンがフラグ情報として存在する場合、運転パターン毎に予測トレンドや、現行トレンドが取得されてもよい。また、本実施形態では制御範囲判定(S414)、トレンド一致性判定(S431)の順で判定が実行されているが、トレンド一致性判定、制御範囲判定の順で判定が実行されてもよい。 When the operation pattern of the plant PL exists as flag information, the predicted trend or the current trend may be acquired for each operation pattern. Further, in the present embodiment, the determination is executed in the order of the control range determination (S414) and the trend match determination (S431), but the determination may be executed in the order of the trend match determination and the control range determination.
第4実施形態によれば、現在の稼働状況の制御範囲や、トレンドを考慮した予測制御値y1の採用可否の判断を運転員が行うことができる。また、制御範囲や、トレンドを基に、予測制御値y1をプラントPLの制御値として設定するか否かが判定される。そして、予測制御値y1が、制御範囲に入っていたり、現行トレンドと、予測トレンドが一致していたりすれば、設定処理部143が予測制御値y1をプラントPLの制御値として設定する。これにより、運転員の作業負担を軽減することができる。
According to the fourth embodiment, the operator can determine whether or not to adopt the predicted control value y1 in consideration of the control range of the current operating state and the trend. Further, based on the control range and the trend, it is determined whether or not the predicted control value y1 is set as the control value of the plant PL. Then, if the predicted control value y1 is within the control range or the current trend and the predicted trend match, the setting
[第5実施形態]
<装置構成>
図11は、第5実施形態に係る運転管理支援装置1dの構成例を示す図である。
運転管理支援装置1dは、以下の点が図1に示す運転管理支援装置1と異なっている。
(C1)実績DB101から実績データ201が入力されるデータ特徴判定部181が設けられている。
(C2)データ特徴判定部181の下流に、データ選別分類部182及び乖離度算出方法選択部183が設けられている。
(C3)予測モデル構築部111d及び予測制御値算出部112dを有する教師有学習処理部110aが設けられている。また、分類モデル構築部121d、分類結果算出部122d、カテゴリ情報生成部123を有する教師無学習処理部120aが設けられている。
[Fifth Embodiment]
<Device configuration>
FIG. 11 is a diagram showing a configuration example of the operation
The operation
(C1) A data feature
(C2) A data selection /
(C3) A supervised learning processing unit 110a having a prediction
ここで、予測モデル構築部111d、予測制御値算出部112d、分類モデル構築部121d、分類結果算出部122d、データ特徴判定部181、データ選別分類部182、乖離度算出方法選択部183が行う処理については、後記する。
Here, the processing performed by the prediction
<フローチャート>
図12は、図11に示す運転管理支援装置1dが行う処理の手順を示すフローチャートである。
データ特徴判定部181は、はじめに実績データ201の特徴を抽出する(S501)。抽出される実績データ201の特徴は、実績DB101に格納されている、すべての実績データ201あるいは一部の実績データ201の平均値、分散、分布形状等の統計情報である。なお、データ特徴判定部181は、運転パターンのフラグ情報や、稼働期間に基づいて、例えば、プラントPLの定常運転期間等、一部の実績データ201を特徴抽出の対象としてもよい。この場合、対象となる一部の実績データ201の統計情報を実績データ201の特徴としてもよい。あるいは、一部の実績データ201の統計情報と、すべての実績データ201の統計情報との差異が実績データ201の特徴とされてもよい。
<Flowchart>
FIG. 12 is a flowchart showing a procedure of processing performed by the operation
The data feature
そして、データ選別分類部182は、実績データ201を選別分類し(S502)、選別分類した結果である実績データ201のグループを教師有学習処理部110及び教師無学習処理部120へ送る。
ステップS502における、データ選別分類部182による選別分類は、例えば、以下のようなものが考えられる。どのような条件で選別分類が行われるかは、運転員によって設定される。
(C11)データ特徴判定部181によって抽出された特徴に基づく選別分類。例えば、データ選別分類部182は、平均値がある値から所定範囲に入っている実績データ201のグループや、同様の分布形状を有する実績データ201のグループに選別分類する。
(C12)フラグ情報に基づく選別分類。例えば、データ選別分類部182は、フラグ情報に基づいてプラントPLの稼働開始〜2時間後、2時間〜5時間後、5時間後〜プラントPLの稼働終了等で実績データ201を選別分類する。
Then, the data
As the sorting classification by the data sorting
(C11) Sorting and classification based on the features extracted by the data feature
(C12) Sorting classification based on flag information. For example, the data selection /
なお、前記したように、実績データ201は、温度や、圧力(実績計測値)、弁の開度や、原料の投入量設定値(実績制御値)等、様々な種類のデータが含まれる。ステップS502の選別分類は、これらデータの種類毎に行うこともできる。
As described above, the
また、乖離度算出方法選択部183は、あらかじめ定めておいた実績データ201の特徴と乖離度算出方法との対応表500と、データ特徴判定部181によって算出された実績データ201の特徴とに基づいて、乖離度算出方法を決定する(S511)。乖離度算出方法選択部183は、データ特徴判定部181によって算出された実績データ201の特徴に基づいて、乖離度算出の際のパラメータを調整してもよい。
Further, the divergence degree calculation
なお、ステップS101〜S103,S111〜S114,S121〜S122、S131は、概ね第1実施形態と同様であるが、以下の点で異なっている。
(C21)予測モデル構築部111dは、ステップS502における選別分類で分けられた、実績データ201のグループ毎に予測モデル211を生成する(S102a)。
(C22)予測制御値算出部112dは、予測制御値y1を算出する(S103a)。この際、取得された計測データ204に対応するグループの予測モデル211が用いられる計測データ204に対応するグループとは、例えば、平均値を基にグループが形成されている場合、計測データ204の値に対応するグループである。また、フラグ情報に基づいてグループが形成されている場合、計測データ204のフラグ情報に対応するグループが計測データ204に対応するグループとなる。
Steps S101 to S103, S111 to S114, S121 to S122, and S131 are substantially the same as those of the first embodiment, but are different in the following points.
(C21) The prediction
(C22) The predictive control
なお、計測データ204も温度や、圧力等、様々な種類のデータが含まれるが、ステップS502の選別分類がデータの種類毎に行われている場合、算出される予測制御値y1は、データの種類毎の選別分類が反映されることになる。つまり、予測制御値算出部112dは、温度の計測データ204に対して、温度のグループを基に予測制御値y1を算出する。
The
(C31)分類モデル構築部121dは、ステップS502における選別分類で分けられた、実績データ201のグループ毎に分類モデル221を生成する(S112a)。
(C32)分類結果算出部122dはカテゴリを検索する。この際、取得された計測データ204の値に対応するグループのカテゴリが検索される(S113a)。
なお、計測データ204の値に対応するグループとは、(C22)で前記したものと同様のものである。また、ステップS502の選別分類がデータの種類毎に行われている場合、カテゴリの検索は、データの種類が反映されたものとなる。例えば、分類結果算出部122dは、温度の計測データ204に対して、温度のグループにおけるカテゴリを検索する。
(C31) The classification
(C32) The classification
The group corresponding to the value of the
(実績データ201の特徴と乖離度算出方法との対応表500)
図13は、実績データ201の特徴と乖離度算出方法との対応表500の一例を示す図である。
図13に示すように、実績データ201の特徴と乖離度算出方法との対応表500は、「判定対象」、「比較対象」を有する「データ」、実績データ201の「データ特徴」、「乖離度算出方法」の各項目を有する。
例えば、符号501のレコードには、全データにおいて、データ特徴として統計分布が負側に偏在している場合、「A方式」の乖離度算出方法が適用されることが格納されている。
また、符号502のレコードには、「運転パターンA」のフラグが付されているデータの全データについて、データ特徴としてデータ量が少なければ、B方式の乖離度算出方法が適用されることが格納されている。
(Correspondence table 500 between the characteristics of the
FIG. 13 is a diagram showing an example of a correspondence table 500 between the features of the
As shown in FIG. 13, the correspondence table 500 between the characteristics of the
For example, in the record of
Further, in the record of
第5実施形態によれば、所定の条件で選別分類され、グループに分けられた実績データ201を基に、予測モデル211や、分類モデル221が生成される。そして、これらの予測モデル211や、分類モデル221を基に予測制御値y1や、カテゴリ情報y2が算出される。これにより、予測制御値y1や、カテゴリ情報y2の算出は、ステップS502の選別分類によるグループが反映される。つまり、計測データ204と同様の性質を有する実績データ201のグループに基づいて予測制御値y1や、カテゴリ情報y2が算出される。このため、予測制御値y1及びカテゴリ情報y2を基に算出される信頼度232の精度を向上させることができる。また、予測制御値y1や、カテゴリ情報y2には、計測データ204におけるデータの種類(温度)毎に算出・出力される。このようにすることで、データの種類毎における信頼度232の算出を行うことができる。
なお、データ選別分類部182は省略可能である。この場合、図12のステップS101a,S102a,S111a,S112aは、第1実施形態のステップS101,S102,S111,S112と同様の処理となる。
According to the fifth embodiment, the
The data selection /
[画面例]
図14は、本実施形態における運転管理画面300の例を示す図である。
運転管理画面300は、制御対象表示領域311、予測制御値表示領域320を有する。また、運転管理画面300は、カテゴリ名表示領域331、信頼度表示領域332、カテゴリ情報表示領域333、制御値頻度情報表示領域334を有する。さらに、運転管理画面300は、信頼度判定結果表示領域341、トレンド判定結果表示領域342、データ特徴表示領域343、乖離度算出方法表示領域344、使用学習種類表示領域345、制御状態表示領域351を有している。
[Screen example]
FIG. 14 is a diagram showing an example of the
The
制御対象表示領域311には制御対象となるプラントPL中の機器、機器における部品、制御値が表示される。図14の例では、制御対象となる機器が「熱交換器A」の「弁A」であり、「熱交換器A」の「弁A」の「開度」が制御対象となっていることが示されている。
In the control
予測制御値表示領域320には、実績制御値と、予測制御値y1とのグラフが示されている。図14の例では、実績制御値が実線グラフで示され、予測制御値y1が破線グラフで示されている。また、予測制御値y1を示す破線グラフにおいて星印は最新の予測制御値y1を示す。また、予測制御値表示領域320は、最新予測制御値表示領域321を備えている。最新予測制御値表示領域321に表示されている値は、予測制御値表示領域320の星印に相当する予測制御値y1である。なお、図14の例では、弁の開度が制御対象となっているため、予測制御値y1もパーセント表示となっている。
In the predicted control
カテゴリ名表示領域331には、教師無学習で分類され、プラントPLから取得された計測値が属するカテゴリが表示されている。図14の例では、対象となる「弁A」の「開度」が「カテゴリA」の属すことが示されている。
In the category
信頼度表示領域332には、信頼度算出部132によって算出された信頼度232が表示されている。
カテゴリ情報表示領域333には、教師無学習の結果、生成された各カテゴリに関する情報が表示される。図14の例では、制御値である弁開度が4つのカテゴリに分類されることが示されている。また、制御対象となる「弁A」の開度が白丸で示されていることで、制御対象となる制御値が、どのカテゴリに属すかが視認可能となっている。
制御値頻度情報表示領域334には、プラントPLにおけるすべての弁の開度の実績制御値の頻度がヒストグラムで示されている。そして、算出された予測制御値y1に相当するヒストグラムが斜線で示されている。
In the
Information about each category generated as a result of unsupervised learning is displayed in the category information display area 333. In the example of FIG. 14, it is shown that the valve opening degree, which is a control value, is classified into four categories. Further, since the opening degree of the "valve A" to be controlled is indicated by a white circle, it is possible to visually recognize which category the control value to be controlled belongs to.
In the control value frequency
信頼度判定結果表示領域341には、図6のステップS301の判定結果が示されている。なお、信頼度判定結果表示領域341において、図6のステップS301で用いられた閾値が判定結果とともに表示されてもよい。
トレンド判定結果表示領域342には、図10BのステップS431の判定結果が示されている。なお、トレンド判定結果表示領域342において、図10AのステップS414の判定結果が、ステップS431の判定結果とともに表示されてもよい。
データ特徴表示領域343には、図11のデータ特徴判定部181によって判定されたデータ特徴の名称が示されている。データ特徴表示領域343において、図13に示す実績データ201の特徴と乖離度算出方法との対応表500の情報や、図13の「データ特徴」に示される統計分布がデータ特徴の名称とともに表示されてもよい。
乖離度算出方法表示領域344には、図11の乖離度算出方法選択部183によって決定された乖離度算出方法の名称が表示されている。
使用学習種類表示領域345には、予測制御値y1あるいはカテゴリ情報y2の導出に使用した学習の名称が表示されている。
The determination result in step S301 of FIG. 6 is shown in the reliability determination
The trend determination
In the data feature
In the divergence degree calculation
In the learning
制御状態表示領域351には、制御対象となっているプラントPLにおいて、どのような制御が行われているかについての情報が表示されている。図14の例では、制御状態表示領域351が、予測制御値y1を制御値として設定する自動運転モードが行われている旨の表示となっているが、予測制御値y1をモニタ142で確認して運転員が予測制御値y1を制御値としてプラントPLに設定する手動運転モードも表示可能である。また、制御状態表示領域351において、運転員が入力装置(図15参照)411を介して入力する情報によって、自動運転モード、手動運転モードの切り替えが可能としてもよい。なお、自動運転モードは、第3実施形態、第4実施形態で実行することができる。
自動運転モードが選択されている場合、信頼度判定部161、制御範囲判定部171、トレンド一致判定部172による判定結果と、判定結果が「可」以外であった場合の対処方法が、制御状態表示領域351に表示されてもよい。
In the control
When the automatic operation mode is selected, the judgment result by the
図14の画面例では、第1実施形態、第3〜第5実施形態におけるすべての結果が表示されているが、それぞれの実施形態の結果のみが適宜表示されてもよい。 In the screen example of FIG. 14, all the results in the first embodiment and the third to fifth embodiments are displayed, but only the results of each embodiment may be displayed as appropriate.
[ハードウェア構成]
図15は、運転管理支援装置1,1a〜1dのハードウェア構成を示す図である。
運転管理支援装置1は、メモリ401、CPU(Central Processing Unit)402、記憶装置403、入力装置411、通信装置412、モニタ142を有する。通信装置412は、プラントPLとの情報の送受信を行う。
記憶装置403は、実績DB101を含むものであるとともに、各部110〜112,110A〜112A,110B〜112B,120〜123,120A〜123A,120B〜123B,130〜132,141,143,151,152,161,170〜172,181〜182が具現化するためのプログラムが格納されている。つまり、まず、記憶装置403に格納されているプログラムが、メモリ401にロードされる。それから、メモリ401にロードされたプログラムが、CPU402によって実行されることにより、各部110〜112,110A〜112A,110B〜112B,120〜123,120A〜123A,120B〜123B,130〜132,141,141,151,152,161,170〜172,181〜182が具現化する。
[Hardware configuration]
FIG. 15 is a diagram showing the hardware configurations of the operation
The operation
The
本発明は前記した実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、前記した実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明したすべての構成を有するものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。 The present invention is not limited to the above-described embodiment, and includes various modifications. For example, the above-described embodiment has been described in detail in order to explain the present invention in an easy-to-understand manner, and is not necessarily limited to those having all the described configurations. Further, it is possible to replace a part of the configuration of one embodiment with the configuration of another embodiment, and it is also possible to add the configuration of another embodiment to the configuration of one embodiment. Further, it is possible to add / delete / replace a part of the configuration of each embodiment with another configuration.
また、本実施形態では、実績DB101が運転管理支援装置1,1a〜1dに備えられているものとしている。しかし、これに限らず、実績DB101はクラウド上等に設置され、運転管理支援装置1,1a〜1dはクラウド上に設置されている実績DB101から実績データ201を取得してもよい。
Further, in the present embodiment, it is assumed that the
また、前記した各構成、機能、各部110〜112,110A〜112A,110B〜112B,120〜123,120A〜123A,120B〜123B,130〜132,141,151,152,161,170〜172,181〜182、実績DB101等は、それらの一部又はすべてを、例えば集積回路で設計すること等によりハードウェアで実現してもよい。また、図15に示すように、前記した各構成、機能等は、CPU402等のプロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、HD(Hard Disk)に格納すること以外に、メモリ401や、SSD(Solid State Drive)等の記録装置、又は、IC(Integrated Circuit)カードや、SD(Secure Digital)カード、DVD(Digital Versatile Disc)等の記録媒体に格納することができる。
また、各実施形態において、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしもすべての制御線や情報線を示しているとは限らない。実際には、ほとんどすべての構成が相互に接続されていると考えてよい。
Further, each configuration and function described above, each part 110-112, 110A-112A, 110B-112B, 120-123, 120A-123A, 120B-123B, 130-132, 141, 151, 152, 161, 170-172. 181 to 182,
Further, in each embodiment, the control lines and information lines are shown as necessary for explanation, and not all the control lines and information lines are necessarily shown in the product. In practice, almost all configurations can be considered interconnected.
1,1a〜1d 運転管理支援装置
101 実績DB(記憶部)
110,110d 教師有学習処理部
110A 第1教師有学習処理部
110B 第2教師有学習処理部
111,111d 予測モデル構築部(第1のモデル生成部)
111A 第1予測モデル構築部(第1のモデル生成部)
111B 第2予測モデル構築部(第1のモデル生成部)
112,112a 予測制御値算出部
112A 第1予測制御値算出部(予測制御値算出部)
112B 第2予測制御値算出部(予測制御値算出部)
120,120d 教師無学習処理部
120A 第1教師無学習処理部
120B 第2教師無学習処理部
121,121d 分類モデル構築部(第2のモデル生成部)
121A 第1分類モデル構築部(第2のモデル生成部)
121B 第2分類モデル構築部(第2のモデル生成部)
122,122d 分類結果算出部(カテゴリ選択部)
122A 第1分類結果算出部(カテゴリ選択部)
122B 第2分類結果算出部(カテゴリ選択部)
123A 第1カテゴリ情報生成部(カテゴリ選択部)
123B 第2カテゴリ情報生成部(カテゴリ選択部)
123 カテゴリ情報生成部(カテゴリ選択部)
130 信頼度評価処理部(信頼度算出部)
131 乖離度算出部(信頼度算出部)
132 信頼度算出部
141 表示処理部
142 モニタ(表示部)
143 設定処理部
161 信頼度判定部(信頼度ランク判定部)
170 トレンド判定部
171 制御範囲判定部
172 トレンド一致判定部(トレンド比較部)
181 データ特徴判定部(データ特徴算出部)
182 データ選別分類部
183 乖離度算出方法選択部(乖離度算出方法決定部)
201 実績データ
202 実績制御データ(実績制御値)
203 実績計測データ(実績計測値)
204 計測データ(計測値)
211 予測モデル(第1のモデル)
221 分類モデル(第2のモデル)
232 信頼度
332 信頼度表示領域(信頼度が表示されている)
500 対応表(特徴と、乖離度算出方法との対応表)
PL プラント(機器)
y1 予測制御値
y1A 第1予測制御値(予測制御値)
y1B 第2予測制御値(予測制御値)
y2 カテゴリ情報(カテゴリ)
y2A 第1カテゴリ情報(カテゴリ)
y2B 第2カテゴリ情報(カテゴリ)
S102 予測モデルの生成(第1のモデル生成ステップ)
S103 予測制御値の算出・出力(予測制御値算出ステップ)
S112 カテゴリの生成(第2のモデル生成ステップ)
S113 検索(カテゴリ選択ステップ)
S122 信頼度の算出(信頼度算出ステップ)
S131 表示(表示ステップ)
1,1a to 1d Operation
110,110d Supervised learning processing unit 110A 1st supervised learning
111A 1st prediction model construction unit (1st model generation unit)
111B Second prediction model construction unit (first model generation unit)
112, 112a Prediction control
112B 2nd Predictive Control Value Calculator (Predictive Control Value Calculator)
120, 120d Unsupervised learning processing unit 120A 1st unsupervised
121A First classification model construction unit (second model generation unit)
121B Second classification model construction unit (second model generation unit)
122,122d Classification result calculation unit (category selection unit)
122A 1st classification result calculation unit (category selection unit)
122B Second classification result calculation unit (category selection unit)
123A 1st category information generation unit (category selection unit)
123B Second category information generation unit (category selection unit)
123 Category information generation unit (category selection unit)
130 Reliability evaluation processing unit (reliability calculation unit)
131 Deviation degree calculation unit (reliability calculation unit)
132
143
170
181 Data feature determination unit (Data feature calculation unit)
182 Data selection and
201 Actual data 202 Actual control data (actual control value)
203 Actual measurement data (actual measurement value)
204 Measurement data (measured value)
211 Prediction model (first model)
221 Classification model (second model)
232
500 correspondence table (correspondence table between features and divergence degree calculation method)
PL plant (equipment)
y1 Predictive control value y1A 1st Predictive control value (Predictive control value)
y1B 2nd predictive control value (predictive control value)
y2 category information (category)
y2A 1st category information (category)
y2B 2nd category information (category)
S102 Generation of prediction model (first model generation step)
S103 Calculation / output of predicted control value (predicted control value calculation step)
S112 Category generation (second model generation step)
S113 search (category selection step)
S122 Reliability calculation (reliability calculation step)
S131 display (display step)
Claims (15)
前記第1のモデル生成部で生成された前記第1のモデルに、前記機器から入力される計測値を適用することにより、当該計測値に対応する前記予測制御値を算出する予測制御値算出部と、
前記記憶部に格納されている前記実績データのうち、前記実績計測値を所定のカテゴリに分類することで、第2のモデルを生成する第2のモデル生成部と、
前記機器から入力された計測値に対応する前記カテゴリを、前記第2のモデル生成部で分類された前記カテゴリを基に選択するカテゴリ選択部と、
前記予測制御値算出部によって算出された前記予測制御値と、前記カテゴリ選択部で選択された前記カテゴリにおける前記実績制御値とを比較することで前記予測制御値の信頼度を算出する信頼度算出部と、
前記信頼度算出部によって算出された信頼度を表示部に表示する表示処理部と、
を備えることを特徴とする運転管理支援装置。 Of the past actual data stored in the storage unit, the predicted control value is calculated using the actual measured value which is the measured value of the device in the past and the actual control value which is the control value of the device in the past. A first model generator that generates a first model for
Predictive control value calculation unit that calculates the predictive control value corresponding to the measured value by applying the measured value input from the device to the first model generated by the first model generation unit. When,
A second model generation unit that generates a second model by classifying the actual measurement values into a predetermined category among the actual data stored in the storage unit.
A category selection unit that selects the category corresponding to the measured value input from the device based on the category classified by the second model generation unit.
Reliability calculation for calculating the reliability of the predicted control value by comparing the predicted control value calculated by the predicted control value calculation unit with the actual control value in the category selected by the category selection unit. Department and
A display processing unit that displays the reliability calculated by the reliability calculation unit on the display unit,
An operation management support device characterized by being equipped with.
を備えることを特徴とする請求項1に記載の運転管理支援装置。 The operation management support device according to claim 1, further comprising a reliability rank determination unit that ranks the reliability calculated by the reliability calculation unit.
を備えることを特徴とする請求項2に記載の運転管理支援装置。 The operation management support device according to claim 2, further comprising a setting processing unit that sets the predicted control value as a control value of the device if the reliability rank is equal to or higher than a predetermined rank.
を備えることを請求項1に記載の運転管理支援装置。 The operation management support device according to claim 1, further comprising a control range determination unit for determining whether or not the predicted control value falls within the control range calculated from the past actual control value.
を備えることを特徴とする請求項4に記載の運転管理支援装置。 4. A claim 4 comprising a setting processing unit that sets the predicted control value as a control value of the device when the predicted control value falls within a control range calculated from the past actual control value. Operation management support device described in.
を備えることを特徴とする請求項1に記載の運転管理支援装置。 It is characterized by including a trend comparison unit that compares a trend calculated from the past actual control value stored in the storage unit with a trend calculated from the past actual control value and the predicted control value. The operation management support device according to claim 1.
を備えることを特徴とする請求項6に記載の運転管理支援装置。 The trend comparison unit determines a concordance rate between the trend calculated from the past actual control value stored in the storage unit and the trend calculated from the past actual control value and the predicted control value. The operation management support device according to claim 6, further comprising a setting processing unit that sets the predicted control value as a control value of the device when it is determined that the value is equal to or higher than the value.
前記記憶部に格納されている前記実績データの特徴を算出するデータ特徴算出部と、
前記データ特徴算出部によって算出された前記実績データの前記特徴をキーとして、記憶部から取得した前記特徴と、前記乖離度の算出方法との対応表を検索することによって前記乖離度の算出方法を決定する乖離度算出方法決定部と、
を備えることを特徴とする請求項1に記載の運転管理支援装置。 The reliability calculation unit calculates the degree of deviation, which is the degree of deviation between the prediction control value calculated by the prediction control value calculation unit and the category selected by the category selection unit, and the calculated degree of deviation. Calculate the reliability based on
A data feature calculation unit that calculates the features of the actual data stored in the storage unit, and a data feature calculation unit.
Using the feature of the actual data calculated by the data feature calculation unit as a key, the calculation method of the deviation degree can be obtained by searching the correspondence table between the feature acquired from the storage unit and the calculation method of the deviation degree. Determining degree of divergence calculation method determination unit and
The operation management support device according to claim 1, wherein the operation management support device is provided.
所定の条件に基づいて、前記実績データをグループに選別分類し、前記実績データを選別分類した結果である前記グループを前記第1のモデル生成部及び前記第2のモデル生成部に出力する前記実績データを選別するデータ選別分類部と
を備え、
前記第1のモデル生成部は、
前記グループに基づいて前記第1のモデルを生成し、
前記第2のモデル生成部は、
前記グループに基づいて前記第2のモデルを生成する
ことを特徴とする請求項1に記載の運転管理支援装置。 A data feature calculation unit that calculates the features of the actual data stored in the storage unit, and a data feature calculation unit.
Based on a predetermined condition, the actual data is sorted into groups, and the group, which is the result of sorting and classifying the actual data, is output to the first model generation unit and the second model generation unit. Equipped with a data sorting and sorting unit that sorts data
The first model generation unit
Generate the first model based on the group and
The second model generation unit
The operation management support device according to claim 1, wherein the second model is generated based on the group.
前記データ選別分類部は、
前記実績計測値、及び、前記実績制御値の種類毎に前記グループの選別分類を行い、
前記予測制御値算出部は、
前記計測値におけるデータの種類に応じた前記グループに対して前記計測値を適用し、
前記カテゴリ選択部は、
前記計測値におけるデータの種類に応じた前記グループに対して前記計測値を適用する
ことを特徴とする請求項9に記載の運転管理支援装置。 The actual measurement value, the actual control value, and the measurement value include a plurality of types of data.
The data sorting and sorting unit
The group is sorted and classified according to the type of the actual measurement value and the actual control value.
The predictive control value calculation unit
Applying the measured value to the group according to the type of data in the measured value,
The category selection unit
The operation management support device according to claim 9, wherein the measured value is applied to the group according to the type of data in the measured value.
前記予測制御値算出部によって算出された複数の前記予測制御値を基に、新たな予測制御値を生成し、生成した前記新たな予測制御値を前記信頼度算出部へ出力する予測制御値生成部
を備えることを特徴とする請求項1に記載の運転管理支援装置。 A plurality of the first model generation unit and the prediction control value calculation unit are provided.
Prediction control value generation that generates a new prediction control value based on a plurality of the prediction control values calculated by the prediction control value calculation unit and outputs the generated new prediction control value to the reliability calculation unit. The operation management support device according to claim 1, further comprising a unit.
前記カテゴリ選択部によって選択された複数の前記カテゴリに関する情報を基に、新たなカテゴリに関する情報を生成し、生成した新たなカテゴリに関する情報前記信頼度算出部へ出力するカテゴリ情報生成部
を備えることを特徴とする請求項1に記載の運転管理支援装置。 A plurality of the second model generation unit and the category selection unit are provided.
It is provided with a category information generation unit that generates information on a new category based on information on a plurality of the categories selected by the category selection unit and outputs information on the generated new category to the reliability calculation unit. The operation management support device according to claim 1.
回帰式、決定木、ランダムフォレスト、ニューラルネットワーク、階層型クラスタリング、K平均法を含む非階層型クラスタリングのうち、いずれかを用いて、前記第1のモデルを生成し、
前記ニューラルネットワークは、
自己組織化マップ、畳み込みニューラルネットワーク及び再帰型ニューラルネットワークを含む
ことを特徴とする請求項1に記載の運転管理支援装置。 The first model generation unit
The first model is generated using any of regression equations, decision trees, random forests, neural networks, hierarchical clustering, and non-hierarchical clustering including K-means clustering.
The neural network
The operation management support device according to claim 1, further comprising a self-organizing map, a convolutional neural network, and a recurrent neural network.
階層型クラスタリング、K平均法を含む非階層型クラスタリング、自己組織化マップを含むニューラルネットワークのうち、いずれかを用いて前記第2のモデルを生成する
ことを特徴とする請求項1に記載の運転管理支援装置。 The second model generation unit
The operation according to claim 1, wherein the second model is generated by using any one of hierarchical clustering, non-hierarchical clustering including K-means clustering, and a neural network including a self-organizing map. Management support device.
前記第1のモデル生成ステップで生成された前記第1のモデルに、前記機器から入力される計測値を適用することにより、当該計測値に対応する前記予測制御値を算出する予測制御値算出ステップと、
前記記憶部に格納されている前記実績データのうち、前記実績計測値を所定のカテゴリに分類することで、第2のモデルを生成する第2のモデル生成ステップと、
前記機器から入力された計測値に対応する前記カテゴリを、前記第2のモデル生成ステップで分類された前記カテゴリを基に選択するカテゴリ選択ステップと、
前記予測制御値算出ステップよって算出された前記予測制御値と、前記カテゴリ選択ステップ選択された前記カテゴリにおける前記実績制御値とを比較することで前記予測制御値の信頼度を算出する信頼度算出ステップと、
前記信頼度算出ステップよって算出された信頼度を表示部に表示する表示ステップと、
を行うことを特徴とする運転管理支援方法。 Of the past actual data stored in the storage unit, the predicted control value is calculated using the actual measured value which is the measured value of the device in the past and the actual control value which is the control value of the device in the past. The first model generation step to generate the first model for
Predictive control value calculation step of calculating the predictive control value corresponding to the measured value by applying the measured value input from the device to the first model generated in the first model generation step. When,
A second model generation step of generating a second model by classifying the actual measurement values into a predetermined category among the actual data stored in the storage unit, and
A category selection step for selecting the category corresponding to the measured value input from the device based on the category classified in the second model generation step, and
A reliability calculation step for calculating the reliability of the predicted control value by comparing the predicted control value calculated by the predicted control value calculation step with the actual control value in the selected category. When,
A display step that displays the reliability calculated by the reliability calculation step on the display unit,
A driving management support method characterized by performing.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020001608A JP7473343B2 (en) | 2020-01-08 | 2020-01-08 | Operation management support device and operation management support method |
PCT/JP2020/042333 WO2021140742A1 (en) | 2020-01-08 | 2020-11-12 | Operation management support device and operation management support method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020001608A JP7473343B2 (en) | 2020-01-08 | 2020-01-08 | Operation management support device and operation management support method |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021111057A true JP2021111057A (en) | 2021-08-02 |
JP7473343B2 JP7473343B2 (en) | 2024-04-23 |
Family
ID=76787861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020001608A Active JP7473343B2 (en) | 2020-01-08 | 2020-01-08 | Operation management support device and operation management support method |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7473343B2 (en) |
WO (1) | WO2021140742A1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023228901A1 (en) * | 2022-05-26 | 2023-11-30 | 三菱重工業株式会社 | State quantity prediction device, state quantity prediction method, state quantity prediction system, and method for controlling state quantity prediction system |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03216705A (en) * | 1990-01-23 | 1991-09-24 | Hitachi Ltd | Method and device for supporting plant operation |
JPH04138502A (en) * | 1990-09-29 | 1992-05-13 | Nippon Telegr & Teleph Corp <Ntt> | Manipulated variable sequential forecasting operation system and control variable sequential forecasting |
JP2004310492A (en) * | 2003-04-08 | 2004-11-04 | Nippon Steel Corp | Method for searching case similar to state of process, method for predicting state of process, and computer-readable storage medium |
WO2016208315A1 (en) * | 2015-06-22 | 2016-12-29 | 株式会社日立製作所 | Plant diagnosis device and plant diagnosis method |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6458403B2 (en) * | 2014-08-25 | 2019-01-30 | 富士電機株式会社 | Prediction model generation device, prediction model generation method, and program |
JP6930195B2 (en) * | 2017-04-17 | 2021-09-01 | 富士通株式会社 | Model identification device, prediction device, monitoring system, model identification method and prediction method |
-
2020
- 2020-01-08 JP JP2020001608A patent/JP7473343B2/en active Active
- 2020-11-12 WO PCT/JP2020/042333 patent/WO2021140742A1/en active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03216705A (en) * | 1990-01-23 | 1991-09-24 | Hitachi Ltd | Method and device for supporting plant operation |
JPH04138502A (en) * | 1990-09-29 | 1992-05-13 | Nippon Telegr & Teleph Corp <Ntt> | Manipulated variable sequential forecasting operation system and control variable sequential forecasting |
JP2004310492A (en) * | 2003-04-08 | 2004-11-04 | Nippon Steel Corp | Method for searching case similar to state of process, method for predicting state of process, and computer-readable storage medium |
WO2016208315A1 (en) * | 2015-06-22 | 2016-12-29 | 株式会社日立製作所 | Plant diagnosis device and plant diagnosis method |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023228901A1 (en) * | 2022-05-26 | 2023-11-30 | 三菱重工業株式会社 | State quantity prediction device, state quantity prediction method, state quantity prediction system, and method for controlling state quantity prediction system |
Also Published As
Publication number | Publication date |
---|---|
JP7473343B2 (en) | 2024-04-23 |
WO2021140742A1 (en) | 2021-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mersmann et al. | Exploratory landscape analysis | |
US7213174B2 (en) | Provision of process related information | |
Rawat et al. | Software defect prediction models for quality improvement: a literature study | |
Idri et al. | Fuzzy analogy: A new approach for software cost estimation | |
Bai et al. | Inexact genetic algorithm approach to target values setting of engineering requirements in QFD | |
Bouchachia et al. | Towards incremental fuzzy classifiers | |
WO2021140742A1 (en) | Operation management support device and operation management support method | |
CN116485020A (en) | Supply chain risk identification early warning method, system and medium based on big data | |
CN117875724B (en) | Purchasing risk management and control method and system based on cloud computing | |
Hsu et al. | The hybrid of association rule algorithms and genetic algorithms for tree induction: an example of predicting the student course performance | |
Cuadrado-Gallego et al. | Analogies and differences between machine learning and expert based software project effort estimation | |
US20220404778A1 (en) | Intellectual quality management method, electronic device and computer readable storage medium | |
Rosli et al. | The design of a software fault prone application using evolutionary algorithm | |
Ma et al. | Inductive data mining based on genetic programming: Automatic generation of decision trees from data for process historical data analysis | |
Koulinas et al. | A machine learning-based framework for data mining and optimization of a production system | |
Grichi et al. | Optimization of obsolescence forecasting using new hybrid approach based on the RF method and the meta-heuristic genetic algorithm | |
Ashtaiwi | Artificial intelligence is transforming the world development indicators | |
Razi | A Hybrid Grey Relational Analysis and Nondominated Sorting Genetic Algorithm‐II for Project Portfolio Selection | |
Pattnaik et al. | A survey on machine learning techniques used for software quality prediction | |
CN113743461B (en) | Unmanned aerial vehicle cluster health degree assessment method and device | |
CN112382395B (en) | Integrated modeling system based on machine learning | |
Rotovei et al. | A methodology for improving complex sales success in CRM Systems | |
Devos et al. | Profit maximizing logistic regression modeling for credit scoring | |
Cintra et al. | On rule learning methods: a comparative analysis of classic and fuzzy approaches | |
Titova et al. | Non-destructive diagnosis of food products using neural-genetic algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220215 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230328 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230519 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230815 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231012 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240130 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240322 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240402 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240411 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7473343 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |