JP7413534B2 - 産業におけるタイム・ラグ特定方法及びシステム - Google Patents

産業におけるタイム・ラグ特定方法及びシステム Download PDF

Info

Publication number
JP7413534B2
JP7413534B2 JP2022532627A JP2022532627A JP7413534B2 JP 7413534 B2 JP7413534 B2 JP 7413534B2 JP 2022532627 A JP2022532627 A JP 2022532627A JP 2022532627 A JP2022532627 A JP 2022532627A JP 7413534 B2 JP7413534 B2 JP 7413534B2
Authority
JP
Japan
Prior art keywords
time lag
parameters
data
identification
techniques
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.)
Active
Application number
JP2022532627A
Other languages
English (en)
Other versions
JP2023510480A (ja
Inventor
クマール、ラジャン
シン パリハール、マネンドラ
クマール、ヴィヴェク
ランカナ、ヴェンカタラマナ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tata Consultancy Services Ltd
Original Assignee
Tata Consultancy Services Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tata Consultancy Services Ltd filed Critical Tata Consultancy Services Ltd
Publication of JP2023510480A publication Critical patent/JP2023510480A/ja
Application granted granted Critical
Publication of JP7413534B2 publication Critical patent/JP7413534B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Description

本出願は、２０２０年１月２９日に出願されたインド仮特許出願第２０２０２１００４０４２号からの優先権を主張する、２０２０年８月２８日に出願された国際出願第ＰＣＴ／ＩＮ２０２０／０５０７５１号の日本国への国内移行出願である。
本明細書の開示は、概して、産業におけるタイム・ラグ特定の分野に関するものであり、より具体的には、１つ又は複数のパラメータの特定、及び特定対象のパラメータが産業における複数の重要業績評価指標（ＫＰＩ：Ｋｅｙ Ｐｅｒｆｏｒｍａｎｃｅ Ｉｎｄｉｃａｔｏｒ）に及ぼすタイム・ラグ又は遅延パフォーマンス若しくは機能上の影響の特定に関するものである。
様々な産業／製造ユニットにおけるシステムは、その産業／製造ユニットに最大限の機能上の効率を与える重要業績評価指標（ＫＰＩ）の特定＆モニタリングに基づき望ましい効率域で働くように設計されている。ＫＰＩとしては、生産性、具体的なエネルギー消費、燃料消費、製品品質、緊急作業、故障間の平均時間が挙げられるがこれらに限らない。
産業／製造ユニットが、さらに複数の工程を含む１つ又は複数のソースで構成されていることから、ＫＰＩの望ましい使用域は、複数の要因／パラメータで決まってくるものであり、複数の工程のそれぞれは、複数のユニットを含む。このようなユニット及び工程は、瞬時にＫＰＩに影響を及ぼすことも及ぼさないこともあり、いくつかのパラメータは、タイム・ラグと言われてもよい遅延の影響をＫＰＩの働きに及ぼす可能性があり、タイム・ラグとしては、処理時間、反応時間、あるユニットから他のユニットへの移行ラグ、センサの応答時間、構内における原材料の滞留時間などのようなパラメータが挙げられる。したがって、望ましい効率域で働く産業では、タイム・ラグ＆ＫＰＩにタイム・ラグ作用をもたらす可能性のあるパラメータを特定することが重要である。
タイム・ラグ特定の既存の技法では、同じプラント／ユニットからのパラメータを１回しか巧みに扱うことができず、様々なプラント＆ユニットからの様々な標本抽出頻度及びタイムスタンプの変数／パラメータを巧みに扱うことにおいてそれほど有効ではない場合がある。また、既存のタイム・ラグ特定は、ドメイン知識のうちの１つ、又は様々な機械学習モデル若しくは統計モデルを使用して産業データから発展したデータ駆動式技法の物理ベースのモデルに基づいて行われる。
本開示の実施例は、従来型システムにおいて本発明者らが認識する上に述べた技術的課題の１つ又は複数に解決策として技術上の改善を提示する。例えば、ある実施例では、産業におけるタイム・ラグ特定のための方法及びシステムが提供される。本開示では、産業をリアルタイムで絶えずモニタして、複数のソース（工程／ユニット／プラント）から少なくとも１つ又は複数のパラメータ、及び特定対象のパラメータが複数の重要業績評価指標（ＫＰＩ）に及ぼす時間遅延、又は遅延パフォーマンス若しくは機能上の影響を特定することを提案する。提案するタイム・ラグ特定は、個別タイム・ラグ特定技法、グループ単位タイム・ラグ特定技法、及びグループ単位／個別タイム・ラグ特定技法を含む提案された複数のタイム・ラグ特定技法からの１つのタイム・ラグ特定を使いて行われる。また、タイム・ラグ特定は、ドメイン知識ととともにデータ駆動式技法にも基づいて行われる。
別の態様において、産業におけるタイム・ラグ特定のための方法が提供される。この方法は、１つ又は複数のソースから入力として複数のデータを受信することであって、複数のデータは、複数の入力パラメータを含み、１つ又は複数のソースのそれぞれは、複数のプラントを含み、複数のプラントのそれぞれが複数のユニットを含む、受信することを含む。方法はさらに、複数の受信データを前処理することを含む。方法はさらに、複数のドメイン知識及び複数のデータに基づく技法に基づき、複数の前処理済みデータの中にグループの存在を特定することを含む。方法はさらに、複数の特徴選択技法を使用して、ドメイン知識に基づき複数のグループ化データから一連のパラメータを選択することであって、選択した一連のパラメータが数値データとして表される、選択することを含む。方法はさらに、ユーザ要件に基づき選択される複数のタイム・ラグ特定技法のうちの少なくとも１つに基づき、選択した一連のパラメータの中から少なくとも１つのタイム・ラグ・パラメータを特定することであって、複数のタイム・ラグ特定技法が、個別タイム・ラグ特定技法、グループ単位タイム・ラグ特定技法、及びグループ単位／個別タイム・ラグ特定技法である、特定することを含む。方法はさらに、表示モジュールに特定されたタイム・ラグ・パラメータを表示することであって、特定されたラグ・パラメータがその産業におけるタイム・ラグ特定を表す、表示することを含む。
別の態様において、産業におけるタイム・ラグ特定のためのシステムを提供する。このシステムは、１つ又は複数のソースから入力として複数のデータを受信するように構成された入力モジュールであって、複数のデータは、複数の入力パラメーを含み、１つ又は複数のソースのそれぞれは、複数のプラントを含み、複数のプラントのそれぞれは複数のユニットを含む、入力モジュールを含む。システムにはさらに、複数の受信データを前処理するように構成された前処理モジュールを含む。システムはさらに、複数のドメイン知識及び複数のデータに基づく技法に基づき、複数の前処理済みデータの中にグループの存在を特定するために構成されたグループ化モジュールを含む。システムはさらに、特徴選択技法を使用して、ドメイン知識及びデータに基づく技法に基づき、複数のグループ化データから一連のパラメータを選択するために構成された特徴選択モジュールであって、選択した一連のパラメータが数値データとして表される、特徴選択モジュールを含む。システムはさらに、ユーザ要件に基づき選択される複数のタイム・ラグ特定技法のうちの少なくとも１つに基づき、選択した一連のパラメータの中から少なくとも１つのタイム・ラグ・パラメータを特定するタイム・ラグ特定モジュールであって、複数のタイム・ラグ特定技法が、個別タイム・ラグ特定技法、グループ単位タイム・ラグ特定技法、及びグループ単位／個別タイム・ラグ特定技法である、タイム・ラグ特定モジュールを含む。システムにはさらに、表示モジュールに特定されたタイム・ラグ・パラメータを表示するために構成された表示モジュールであって、特定されたタイム・ラグ・パラメータが、その産業におけるタイム・ラグ特定を表す、表示モジュールを含む。
また別の態様において、産業におけるタイム・ラグ特定のための非一時的コンピュータ可読媒体が提供される。このプログラムは、１つ又は複数のソースから入力として複数のデータを受信することであって、複数のデータは、複数の入力パラメータを含み、１つ又は複数のソースのそれぞれは、複数のプラントを含み、複数のプラントのそれぞれは複数のユニットを含む、受信することを含む。プログラムはさらに、複数の受信データを前処理することを含む。プログラムはさらに、複数のドメイン知識及び複数のデータに基づく技法に基づき、複数の前処理済みデータの中にグループの存在を特定することを含む。プログラムはさらに、複数の特徴選択技法を使用して、ドメイン知識に基づき、複数のグループ化データから一連のパラメータを選択することであって、選択した一連のパラメータが数値データとして表される、選択することを含む。プログラムはさらに、ユーザ要件に基づき選択される複数のタイム・ラグ特定技法のうちの少なくとも１つに基づき、選択した一連のパラメータから少なくとも１つのタイム・ラグ・パラメータを特定することであって、複数のタイム・ラグ特定技法が、個別タイム・ラグ特定技法、グループ単位タイム・ラグ特定技法、及びグループ単位／個別タイム・ラグ特定技法である、特定することを含む。プログラムはさらに、表示モジュールに特定されたタイム・ラグ・パラメータを表示することであって、特定されたラグ・パラメータが、その産業におけるタイム・ラグ特定を表す、表示することを含む。
これまでの概要も以下の詳細な説明も例示であり、説明に役立つに過ぎないものであり、請求項に記載されるように本発明を限定するものでない、ということが理解されるべきである。
本開示に組み込まれ、本開示の一部を成す添付図面は、例示的な実施例を表し、明細書とともに、本開示の原理を説明するのに役立つものである。
本開示のいくつかの実施例による、複数の入力ソースとともに産業におけるタイム・ラグ特定システム（タイム・ラグ特定装置）の例示的なブロック図を示す。 本開示のいくつかの実施例による、図１のシステム（タイム・ラグ特定装置）に収められた様々なモジュールの機能ブロック図である。 本開示のいくつかの実施例による、複数のドメイン知識及び複数のデータに基づく技法に基づき、前処理済みデータを対象にグループを特定するユースケース例である。 本開示のいくつかの実施例による、個別タイム・ラグ特定技法のステップのための例示的な流れ図である。 本開示のいくつかの実施例による、個別タイム・ラグ特定技法のステップのための例示的な流れ図である。 本開示のいくつかの実施例による、アンサンブル特徴選択技法のステップのための例示的な流れ図である。 本開示のいくつかの実施例による、グループ単位／個別タイム・ラグ特定技法のステップのための例示的な流れ図である。 本開示のいくつかの実施例による、産業におけるタイム・ラグ特定（タイム・ラグ特定装置）のための例示的な流れ図である。 本開示のいくつかの実施例による、産業におけるタイム・ラグ特定（タイム・ラグ特定装置）のための例示的な流れ図である。 表示モジュールに特定されたタイム・ラグ・パラメータを表示するためのユースケース例図である。
添付図面を参照しながら例示的な実施例について述べる。図では、参照番号の最左数字がその参照番号が最初に現れる図を識別する。便宜上、同じ部分又は似た部分を参照するのに、図面すべてにわたり同じ参照番号が使用される。本明細書では本開示の原理の実例及び特徴が述べられているが、本開示の実施例の趣旨及び範囲から逸脱しない限り、修正形態、適合形態、及び他の実装形態も可能である。以下の発明を実施するための形態が単に例示として見なされ、実際の範囲及び趣旨が以下の特許請求の範囲で示されることが意図される。
産業におけるタイム・ラグ特定に対して本開示の提案が与えられる。本開示は、産業をリアルタイムで絶えずモニタして、複数のソース（工程／ユニット／プラント）から少なくとも１つ又は複数のパラメータを特定し、及び特定対象のパラメータが複数の重要業績評価指標（ＫＰＩ）に及ぼすタイム・ラグ又は遅延パフォーマンス若しくは機能上の影響を特定し、何も時間遅延をもたらさないパラメータも特定され、モニタされる。重要業績評価指標（ＫＰＩ）は、パフォーマンスの目的を満たすことに対してシステム／工程／産業プラント／組織の成功を評価するのに使用される定量化可能な手段である。産業／製造ユニットが、さらに複数の工程を含む１つ又は複数のソースから構成されているので、望ましいＫＰＩ使用域は、複数の要因／パラメータで決まってくるものであり、複数の工程のそれぞれが複数のユニットを含む。これらのユニット及び工程は、瞬時にＫＰＩに影響を及ぼすことも及ぼさないこともあり、いくつかのパラメータは、タイム・ラグと称されてもよいＫＰＩの働きに遅延の影響を及ぼす可能性がある。提案されるタイム・ラグ特定は、個別タイム・ラグ特定技法、グループ単位タイム・ラグ特定技法、及びグループ単位／個別タイム・ラグ特定技法を含む提案された複数のタイム・ラグ特定技法から１つのタイム・ラグ特定を使用して行われる。また、タイム・ラグ特定は、ドメイン知識ととともにデータ駆動式技法にも基づき行われる。特定されたタイム・ラグは、工程及び製造業における異常の予測及び見通し又は検出に使用される。
ここで図面、より具体的には図１～図９を参照すると、同様の参照文字が、好ましい実施例を表す図全部にわたり対応する特徴を一貫して示し、これらの実施例は、以下の例示的なシステム及び／又は方法の文脈において説明される。
図１は、例示的な一実施例による、複数の入力ソースとともに産業におけるタイム・ラグ特定のためのシステム１００のブロック図である。
システム１００は、タイム・ラグ特定の特定用のタイム・ラグ特定装置（１０２）を含む。タイム・ラグ特定とは、１つ又は複数のパラメータの特定、及び特定対象のパラメータが、複数の重要業績評価指標（ＫＰＩ）に及ぼすタイム・ラグ又は遅延パフォーマンス若しくは機能上の影響の特定のことであり、特定対象のパラメータは、処理時間、反応時間、あるユニットから他のユニットへの移行ラグ、センサの応答時間、構内における原材料の滞留時間を含む複数のパラメータから構成される。タイム・ラグ特定装置（１０２）は、１つ又は複数のソースから入力として複数のデータを受信し、複数のデータは、複数の入力パラメータを含み、１つ又は複数のソースのそれぞれは、図１ではプラント－１（１０４）、プラント－２（１０６）、プラント－３（１０８）と表される複数のプラントを含む。また、複数の工程のそれぞれは、工程－１（１０４）ではＰ１＿ユニット－１（１１０）、Ｐ１＿ユニット－１（１１２）、ＰＮ＿ユニット－１（１１４）、工程－２（１０６）ではＰ２＿ユニット－１（１１６）、Ｐ２＿ユニット－２（１１８）、ＰＮ＿ユニット－Ｎ（１２０）、工程－Ｎ（１０８）ではＰＮ＿ユニット－Ｎ（１２２）、ＰＮ＿ユニット－Ｎ（１２４）で表される複数のユニットを含む。
一実施例において、溶鉱炉のユースケース例を考えてみると、原材料の質や組成、工程パラメータ、製品品質、生産量、流出物などのようなデータを、原材料寝かせ・配合、コークス・プラント、焼結プラント、ペレット・プラントなどを含む複数のプラントから入力として受信する。さらに、上記プラントは、コークス・プラントを６個、焼結プラントを３個、ペレット・プラントを２個含む複数のユニットを含む。
図１に関連する図２は、本開示の一実施例による、図１のシステム１００のタイム・ラグ特定装置（１０２）の様々なモジュールのブロック図である。本開示の一実施例において、システム（１００）は、１つ又は複数のソースから入力として複数のデータを受信するように構成された入力モジュール（２０２）を含み、複数のデータは、複数の入力パラメータを含み、１つ又は複数のソースのそれぞれは、複数のプラントを含み、複数のプラントのそれぞれは、複数のユニットを含む。システム１００のタイム・ラグ特定装置（１０２）はさらに、複数の受信データを前処理するために構成された前処理モジュール（２０４）を含む。システム１００のタイム・ラグ特定装置（１０２）はさらに、タイム・ラグが特定される対象となる産業の動的に更新されるドメイン知識を共有するように構成されているドメイン知識データベース（２０６）から得られる複数のドメイン知識を備える。システム１００のタイム・ラグ特定装置（１０２）はさらに、複数のドメイン知識及び複数のデータに基づく技法に基づき、複数の前処理済みデータの中にグループの存在を特定するために構成されたグループ化モジュール（２０８）を含み、グループ化モジュール（２０８）はさらに、ドメイン知識データベース（２０６）から受信される複数のドメイン知識に基づき複数の前処理済みデータの中にグループの存在を特定するために構成されたドメイン知識グループ化ユニット（２１０）と、複数のデータに基づく技法に基づき、複数の前処理済みデータの中にグループの存在を特定するために構成されたデータに基づく技法ユニット（２１２）とから構成される。システム１００のタイム・ラグ特定装置（１０２）はさらに、特徴選択技法を使用して、ドメイン知識及びデータに基づく技法に基づき、複数のグループ化データから一連のパラメータを選択するように構成された特徴選択モジュール（２１４）を含み、選択した一連のパラメータは、数値データとして表される。システム１００のタイム・ラグ特定装置（１０２）はさらに、ユーザ要件に基づき選択される複数のタイム・ラグ特定技法のうちの少なくとも１つに基づき、選択した一連のパラメータの中から少なくとも１つのタイム・ラグ・パラメータを特定するタイム・ラグ特定モジュール（２１６）を含み、複数のタイム・ラグ特定技法は、個別タイム・ラグ特定技法、グループ単位タイム・ラグ特定技法、グループ単位／個別タイム・ラグ特定技法である。タイム・ラグ特定モジュール（２１６）はさらに、個別タイム・ラグ特定のために構成された個別タイム・ラグ特定ユニット（２１８）と、グループ単位タイム・ラグ特定のために構成されたグループ単位タイム・ラグ特定ユニット（２２０）と、グループ単位／個別タイム・ラグ特定のために構成されたグループ単位／個別タイム・ラグ特定ユニット（２２２）とから構成される。システム１００のタイム・ラグ特定装置（１０２）はさらに、表示モジュールに特定されたタイム・ラグ・パラメータを表示するために構成された表示モジュール（２２４）を含み、特定されたタイム・ラグ・パラメータは、その産業におけるタイム・ラグ特定を表す。システム１００のタイム・ラグ特定装置（１０２）の様々なモジュールは、実行されると本明細書でこれまで述べた方法を行う、ソフトウェア・プログラムの論理的自己完結部、自己完結ハードウェア・コンポーネント、及び／又は、ハードウェア・コンポーネントのそれぞれにソフトウェア・プログラムの論理的自己完結部が埋め込まれた自己完結ハードウェア・コンポーネントのうちの少なくとも１つとして実装されている。
本開示の一実施例によれば、システム１００のタイム・ラグ特定装置（１０２）は、１つ又は複数のソースから入力として複数のデータを受信するために構成された入力モジュール（２０２）を含み、複数のデータは、複数の入力パラメータを含み、１つ又は複数のソースのそれぞれは、複数のプラントを含み、複数のプラントのそれぞれは、図１に示す通り、複数のユニットを含む。１つ又は複数のソースからの受信データは、ソース、プラント、又はユニットごとの原材料の質－組成、工程パラメータ、製品品質、生産量、設備条件、及び流出物を含む複数のパラメーを含む。
本開示の一実施例によれば、システム１００のタイム・ラグ特定装置（１０２）はさらに、複数の受信入力データ、及び複数のリアルタイム入力データを前処理するために構成されている前処理モジュール（２０４）を含む。前処理の一実施例ステップは、それぞれ、マルチレベル外れ値モデルに基づき外れ値を取り除き、クラスタリング分類に基づき見失った入力データを元に戻すことを含む。
ある実施例において、前処理は、製造工程に関わる入力データを前処理するために繰り返すことを含む。それぞれの繰り返しは、マルチレベル外れ値モデルを使用して、入力データから外れ値を取り除き、フィルタ掛け済みデータを得る。フィルタ掛け済みデータを複数のカテゴリに分類して、様々なパラメータの発生頻度に基づき、見失ったデータを特定する。事前規定の基準に基づき様々なデータ・クラスタにクラスタ化される帰属データを得るのに、複数のカテゴリに基づき見失ったデータが選択的に帰属される。繰り返しのたびに、その時の繰り返しに伴う帰属データが、前回の繰り返しに伴うのと同じデータ・クラスタにクラスタ化されているかどうか判断される。前回の繰り返しにおけるデータ・クラスタとその時の繰り返しにおけるデータ・クラスタとが、同様になり、終には前処理済み入力データとなるまで、様々な繰り返しが行われる。
本開示の一実施例によれば、システム１００のタイム・ラグ特定装置（１０２）はさらに、タイム・ラグ特定装置と、動的に更新されるドメイン知識を共有するために構成されているドメイン知識データベース（２０６）を含む。ドメイン知識データベース（２０６）は、タイム・ラグが特定される対象となる産業の包括的ドメイン知識により動的に更新される。ドメイン知識データベース（２０６）は、複数の産業のドメイン知識、特定技法でもたらされ、確認される最大タイム・ラグ回数などに基づき特定され得るあり得るグループに関する包括的詳細から構成される。
本開示の一実施例によれば、システム１００のタイム・ラグ特定装置（１０２）はさらに、複数のドメイン知識及び複数のデータに基づく技法に基づき、複数の前処理済みデータの中にグループの存在を特定するために構成されたグループ化モジュール（２０８）を含む。グループ化モジュール（２０８）はさらに、ドメイン知識データベース（２０６）から受信される複数のドメイン知識に基づき、複数の前処理済みデータの中にグループの存在を特定するために構成されたドメイン知識グループ化ユニット（２１０）と、複数のデータに基づく技法に基づき、複数の前処理済みデータの中にグループがあるかどうか特定するように構成されたデータに基づく技法ユニット（２１２）とから構成される。
一実施例において、ドメイン知識グループ化ユニット（２１０）において行われる前処理済みデータのグループ化に関するドメイン知識は、企業階層や受信データの種類を含むいくつかの基準に基づき、企業階層としては、プラント単位、ユニット単位、装置単位、センサの場所及び任意の他のレベルを含み、受信データの種類は、原材料、工程パラメータ、及び計器型式を含む。また、原材料はさらに、組成、供給、質＆状態を含み、工程パラメータはさらに、温度、圧力、及び流量を含む。
一実施例において、データに基づく技法ユニット（２１２）において行われる前処理済みデータのグループ化のためのデータに基づく技法は、相関技法、クラスタリング技法、及びいくつかの他の知られているデータに基づく技法を含むいくつかの技法に基づいている。
表１は、複数のドメイン知識及び複数のデータに基づく技法に基づき、前処理済みデータを対象としてグループを特定するユースケース例を示す。
表２は、複数のドメイン知識及び複数のデータに基づく技法に基づき、前処理済みデータを対象としてグループを特定する別のユースケース例を示す。
本開示の一実施例によれば、システム１００のタイム・ラグ特定装置（１０２）はさらに、特徴選択技法を使用して、ドメイン知識及びデータに基づく技法に基づき、複数のグループ化データから一連のパラメータを選択するように構成された特徴選択モジュール（２１４）を含み、選択した一連のパラメータは、数値データとして表される。特徴選択は、ランク付けと統合が後に続く、相関技法、統計技法、及び機械学習技法を含む複数の技法に基づき実施される。特徴選択は、サポート・ベクター回帰（ＳＶＲ）、ランダム・フォレスト回帰（ＲＦ）、線形回帰（ＬＲ）、リッジ回帰、Ｌａｓｓｏ回帰、余分木回帰（ＥＴＲ）、相互情報回帰（ＭＩＲ）を含むがこれらに限るわけではない複数の技法を使用して行われる。また、一連のパラメータを選択する様々な技法から得られた個々のスコアに基づき、全体的なスコアが算出される。
一実施例において、特徴選択を実施するための「場所」に基づきグループ化された例示的なパラメータ－「ガス温度」を考えてみる。サポート・ベクター回帰（ＳＶＲ）、ランダム・フォレスト回帰（ＲＦ）、線形回帰（ＬＲ）、リッジ回帰、Ｌａｓｓｏ回帰、余分木回帰（ＥＴＲ）、相互情報回帰（ＭＩＲ）のうちの少なくとも１つを含む特徴選択技法が適用され、下表に示すようなスコアを技法ごとに生成する。
最後に、最高の結果を考えると、最高ラグ技法に最大限の重さを与えることによって、個々のスコアに基づき全体的なスコアが算出される。上の実例では、ガス温度のタイム・ラグは、最高ラグ技法で繰り返される最大値を考えると、「０」になると推定される。
本開示の一実施例によれば、システム１００のタイム・ラグ特定装置（１０２）はさらに、ユーザ要件に基づき選択される複数のタイム・ラグ特定技法のうちの少なくとも１つに基づき、選択した一連のパラメータから少なくとも１つのタイム・ラグ・パラメータを特定するタイム・ラグ特定モジュール（２１６）を含み、複数のタイム・ラグ特定技法は、個別タイム・ラグ特定技法、グループ単位タイム・ラグ特定技法、及びグループ単位／個別タイム・ラグ特定技法である。タイム・ラグ特定モジュール（２１６）はさらに、個別タイム・ラグ特定のために構成された個別タイム・ラグ特定ユニット（２１８）と、クループ単位タイム・ラグ特定のために構成されたグループ単位タイム・ラグ特定ユニット（２２０）とグループ単位／個別タイム・ラグ特定のために構成されたグループ単位／個別タイム・ラグ特定ユニット（２２２）とから構成される。
一実施例において、タイム・ラグ特定モジュール（２１６）はさらに、個別タイム・ラグ特定のために構成された個別タイム・ラグ特定ユニット（２１８）から構成される。個別タイム・ラグ特定技法のステップを流れ図として図４に描く。
ステップ４０２では、新たな一連のグループとその対応する一連の説明変数が特定される。特定された新たな一連のグループは、（Ｇ１、Ｇ２．．．Ｇｎ）として表され、特定された説明変数は、（Ｖｉ１、Ｖｉ２．．．ＶｉＧｎ）で表され、ここで、Ｇｉは、任意のグループ「ｉ」における変数の総数である。一実施例において、新たな一連のグループは、タイム・ラグをさらに特定するループを使用して順番に１つずつ特定／選択される。
次のステップ４０４では、特定された一連の説明変数のすべてに対する最大タイム・ラグ値をユーザから受信する。最大タイム・ラグ値は、ｌａｇｍａｘで表される。
次のステップ４０６では、アンサンブル特徴選択技法を使用して、新たな一連のグループとその対応する一連の説明変数に基づき、一番良いタイム・ラグ・パラメータが特定される。グループの中では、説明変数を１つずつ選択し、１～ｌａｇｍａｘのラグが作り出される。また、ｌａｇｍａｘ＋１の作り出された特徴のある各変数で個々に、以下に説明する複数の技法を使用してアンサンブル特徴選択が行われる。
一実施例において、アンサンブル特徴選択技法のステップを流れ図として図５に描く。
ステップ５０２では、サポート・ベクター回帰（ＳＶＲ）、ランダム・フォレスト回帰（ＲＦ）、線形回帰（ＬＲ）、リッジ回帰、Ｌａｓｓｏ回帰、余分木回帰（ＥＴＲ）、相互情報回帰（ＭＩＲ）を含む特徴選択技法に基づき、一連のあり得るタイム・ラグ・パラメータが特定され、特徴選択技法は、グループ間の関係に基づき選択される。一実施例において、共通スコアに基づき、グループごとに、一連のあり得るタイム・ラグ・パラメータが特定される。
次のステップ５０４では、対数技法、算術技法を含む平均化技法及びスコア付け技法に基づき、特定されたあり得るタイム・ラグ・パラメータのすべてに対して特徴スコアが算出される。特徴選択技法に基づき、特定されたあり得るタイム・ラグ・パラメータのすべてに対して特徴スコアが算出される（ステップ５０２）。また、特徴スコアの対数和を算出して、もたらされた各タイム・ラグに対応する最終スコアを得る。
次のステップ５０６では、算出した特徴スコアに基づき、一連のあり得るタイム・ラグ・パラメータをランク付けして、一番良いタイム・ラグ・パラメータとなる。一実施例において、最高スコア付け特徴スコアが一番良いタイム・ラグとして選ばれる簡単並べ替え工程を含むよく知られたランク付けアルゴリズムに基づき、特徴スコアがランク付けされる。
一実施例において、タイム・ラグ特定モジュール（２１６）はさらに、グループ単位タイム・ラグ特定のために構成されたグループ単位タイム・ラグ特定ユニット（２２０）から構成される。グループ単位タイム・ラグ特定は、グループすべてに対して別個に行われる。
一実施例において、個別タイム・ラグ特定のためのユースケース例を、「場所」に基づきグループ化されたパラメータ実例－「圧力」を考えて説明する。サポート・ベクター回帰（ＳＶＲ）、ランダム・フォレスト回帰（ＲＦ）、線形回帰（ＬＲ）、リッジ回帰、Ｌａｓｓｏ回帰、余分木回帰（ＥＴＲ）、相互情報回帰（ＭＩＲ）のうちの少なくとも１つを含む特徴選択技法を適用し、下表に表すようなスコアを技法ごとに生成する。
最後に、最高の結果を考えると、個別スコアに基づき全体的なスコアが算出される。上の実例では、圧力のタイム・ラグは、「０」になると推定される。また、同じ工程をいくつかのパラメータに対して行って、下表に示すようなタイム・ラグを推定する。
グループ単位タイム・ラグ特定技法のステップを流れ図として図６に描く。
ステップ６０２では、新たな一連のグループとその対応する一連の説明変数が特定される。特定された新たな一連のグループは、（Ｇ１、Ｇ２．．．Ｇｎ）と表わされ、特定された説明変数は、（Ｖｉ１、Ｖｉ２．．．ＶｉＧｎ）と表され、ここで、Ｇｉは、任意のグループ「ｉ」における変数の総数である。また、グループの中に１つしか変数がない場合、唯一の変数は、それ自体、要素が１つだけのグループと見なされ、一番良いタイム・ラグが、複数の変数があるグループと同様に特定される。グループとその中の変数は、グループ化手法に基づき選択され、それにより、ループ内でのラグ特定のために１つずつ取り出される。
次のステップ６０４では、特定された一連の説明変数すべてに対して、最大タイム・ラグ値をユーザから受信する。最大タイム・ラグ値は、ｌａｇｍａｘと表される。
次のステップ６０６では、特定された新たな一連のグループから、グループ単位モデルが特定される。グループすべてに対して、グループ単位タイム・ラグ特定が別個に行われる。したがって、グループを、初めにすべての変数の場合で考え、ラグが０～ｌａｇｍａｘでもたらされ、グループ単位モデルとされる予測モデルをビルドする。サポート・ベクター・マシン及びランダム・フォレストを含む機械学習技法又は統計技法を使用して、タイム・ラグすべてに対して、グループ単位モデルが別個にビルドされる。最初に、タイム・ラグに対応する基底グループ単位モデルが、始めに、一番良いモデルと仮に考えてビルドされる。
次のステップ６０８では、二乗平均平方根誤差（ＲＭＳＥ）、平均絶対誤差（ＭＡＥ）、平均絶対パーセント誤差（ＭＡＰＥ）、Ｒ二乗（Ｒ２）、ヒット率を含む技法を使用して、グループ単位精度項が算出される。
一実施例において、実値や予測値を含む個々の定義に従って、グループ単位精度項が算出される。また、タイム・ラグ・パラメータごとにモデルがビルドされるのでタイム・ラグ・パラメータが作り出されるたびにグループ単位精度項が算出される。グループ単位精度項を算出するための二乗平均平方根誤差（ＲＭＳＥ）の実例を以下に示す。
次のステップ６１０では、算出したグループ単位精度に基づき、特定された新たな一連のグループのグループ単位モデルから一番良いタイム・ラグ・パラメータが特定され、新たな一連のグループ内のグループすべてに対して少なくとも一番良いタイム・ラグ・パラメータが見極けられる。０タイム・ラグに対応して最初にビルドされた基底グループ単位モデルを、その他のラグごとに２番目のグループ単位モデルと繰り返し比較し、パフォーマンスがより良いグループ単位モデルに取り替える。そのグループが得られるタイム・ラグに対応する一番良いグループ単位モデルにおける繰り返しの終わりに、ラグ特定工程は、次のグループに移る。すべてのグループに対してこれまでのステップを繰り返し、すべてのグループとその変数に対してタイム・ラグを別個に得る。
一実施例において、グループ単位タイム・ラグ特定のユースケース例を下表に基づき示す。上で説明した通り、グループが作り出され、グループ単位モデルが特定され、下表６に示すようなグループ単位精度項が算出される。
また、算出したグループ単位精度に基づき、特定された新たな一連のグループのグループ単位モデルから一番良いタイム・ラグ・パラメータが特定され、下表７に示すような少なくとも一番良いタイム・ラグバラメータが新たな一連のグループ内のすべてのグループに対して特定される。
一実施例において、タイム・ラグ特定モジュール（２１６）がさらに、グループ単位／個別タイム・ラグ特定のために構成されたグループ単位／個別タイム・ラグ特定ユニット（２２２）から構成される。グループ単位／個別タイム・ラグ特定技法のステップを図７に流れ図として描く。
ステップ７０２では、新たな一連のグループとその対応する一連の説明変数が特定される。特定された新たな一連のグループは、（Ｇ１、Ｇ２．．．Ｇｎ）と表わされ、特定された説明変数は、（Ｖｉ１、Ｖｉ２．．．ＶｉＧｎ）と表わされ、ここで、Ｇｉは、任意のグループ「ｉ」における変数の総数である。また、グループの中に１つしか変数がない場合、唯一の変数は、それ自体、１つだけの要素しかないグループと見なされ、一番良いタイム・ラグが、複数の変数があるグループと同様に特定される。グループとその中の変数は、グループ化手法に基づき選択され、それにより、ループでのラグ特定のために１つずつ取り出される。
次のステップ７０４では、特定された一連の説明変数すべてに対して、ユーザから最大タイム・ラグ値が受信される。最大タイム・ラグ値は、ｌａｇｍａｘと表される。
次のステップ７０６では、特定された新たな一連のグループから、グループ単位／個別モデルが生成される。グループとその個々の変数のすべてに対して、グループ単位／個別タイム・ラグ特定が別個に行われる。したがって、グループを、初めにすべての変数の場合で考え、ラグが０～ｌａｇｍａｘでもたらされ、グループ単位／／個別モデルとされる予測モデルをビルドする。サポート・ベクター・マシン及びランダム・フォレストを含むよく知られている機械学習技法又は統計技法を使用して、タイム・ラグすべてに対して、グループ単位／個別モデルが別個にビルドされる。まず、タイム・ラグに対応する基底グループ単位モデルが始めに、仮に一番良いモデルと考えてビルドされる。
次のステップ７０８では、二乗平均平方根誤差（ＲＭＳＥ）、平均絶対誤差（ＭＡＥ）、平均絶対パーセント誤差（ＭＡＰＥ）、Ｒ二乗（Ｒ２）、ヒット率を含む技法に基づき、グループ単位／個別精度項が算出される。一実施例において、実値や予測値を含む個々の定義に従って、グループ単位／個別精度項が算出される。また、タイム・ラグ・パラメータごとにモデルがビルドされるのでタイム・ラグ・パラメータが作り出されるたびにグループ単位／個別精度項が算出される。グループ単位／個別精度項を算出するための二乗平均平方根誤差（ＲＭＳＥ）技法法の実例を以下に示す。
次のステップ７１０では、算出したグループ単位／個別精度に基づき、特定された新たな一連のグループのグループ単位／個別モデルから一番良いタイム・ラグ・パラメータが繰り返し特定され、この場合、パフォーマンス精度を含む複数の比較パラメータであるタイム・ラグに基づく２番目に良いタイム・ラグ・パラメータが一番良いタイム・ラグ・パラメータに取って代わる。タイム・ラグに対応して最初にビルドされた基底グループ単位／個別モデル（仮に一番良いと考えられる）が、その他のラグとともにその他のグループに対して２番目のグループ単位／個別モデルと繰り返し比較され、パフォーマンスがより良いグループ単位／個別モデルに取って代わられる。この繰り返し（グループ内での、また他のグループとの比較）の終わりに、そのグループに対してタイム・ラグに対応する一番良いグループ単位／個別モデルが得られ、タイム・ラグ特定工程が次のグループに移る。グループすべてに対してこれまでのステップを繰り返し、すべてのグループとその変数に対して別個にタイム・ラグを得る。ＲＭＳＥ、ＭＡＥ、ＭＡＰＥなどに基づき測定されるモデル・パフォーマンス・スコアに基づき、一番良いタイム・ラグが特定される。そのグループとその説明変数に対して、最も低い誤差スコアが最も良いタイム・ラグに対応するであろう。
一実施例において、グループ単位／個別タイム・ラグ特定のユースケース例を下表に基づき示す。これまで説明した通り、グループが作り出され、グループ単位／個別モデルが特定され、下表８に示すようなグループ単位／個別精度項が算出される。
また、算出したグループ単位／個別精度に基づき、特定された新たな一連のグループのグループ単位／個別モデルから、一番良いタイム・ラグ・パラメータが繰り返し特定され、下表９に示すようなパフォーマンス精度を含む複数の比較パラメータであるタイム・ラグに基づく２番目に良いタイム・ラグ・パラメータが一番良いタイム・ラグ・パラメータに取って代わる。
本開示の一実施例によれば、システム１００のタイム・ラグ特定装置（１０２）がさらに、表示モジュールに特定されたタイム・ラグ・パラメータを表示するように構成された表示モジュール（２２４）を含み、この特定されたタイム・ラグ・パラメータは、その産業におけるタイム・ラグ特定を表す。一実施例において、図９は、表示モジュール（２２４）のユースケース実例を示し、この表の左側には、グループのそれぞれを対象に特定されたタイム・ラグを示し、表の右側には、強調表示のグループの場合の個々のパラメータに対して特定されたラグを示す。
図１及び図２に関連して図８Ａ及び図８Ｂは、本開示の一実施例による、産業における図１のシステム１００を使用するタイム・ラグ特定のための方法を示す例示的な流れ図である。ここで、本開示の方法のステップについて、図１及び図２に描写のシステム１００のタイム・ラグ特定装置（１０２）及びモジュール（２０２～２２４）の構成要素と図８Ａ及び図８Ｂに描写の流れ図を参照しながら説明する。
ステップ８０２では、入力モジュール（２０２）において１つ又は複数のソースから入力として複数のデータを受信することを含み、複数のデータは、複数の入力パラメータを含み、１つの又は複数のソースのそれぞれは、複数のプラントを含み、複数のプラントのそれぞれは、図１に示す通り、複数のユニットを含む。１つ又は複数のソースからの受信データは、ソース、プラント、又はユニットごとの原材料の質－組成、工程パラメータ、製品品質、生産量、設備条件、及び流出物を含む複数のパラメータを含む。
次のステップ８０４では、前処理モジュール（２０４）において、受信した複数の入力データ及び複数のリアルタイム入力データを前処理することを含む。一実施例において、前処理のステップは、それぞれ、マルチレベル外れ値モデルに基づき外れ値を取り除き、クラスタリング分類に基づき見失った入力データを元に戻すことを含む。
次のステップ８０６では、グループ化モジュール（２０８）において、複数のドメイン知識及び複数のデータに基づく技法に基づき、複数の前処理済みデータの中にグループの存在を特定することを含む。グループ化モジュール（２０８）はさらに、ドメイン知識データベース（２０６）から受信される複数のドメイン知識に基づき、複数の前処理済みデータの中にグループの存在を特定するために構成されたドメイン知識グループ化ユニット（２１０）と、複数のデータに基づく技法に基づき、複数の前処理済みデータの中にグループの存在を特定するために構成されたデータに基づく技法ユニット（２１２）とから構成される。
次のステップ３０８では、特徴選択モジュール（２１４）において、複数の特徴選択技法を使用して、ドメイン知識に基づき、複数のグループ化データから一連のパラメータを選択し、選択した一連のパラメータは、数値データとして表される。
次のステップ３１０では、タイム・ラグ特定モジュール（２１６）において、ユーザ要件に基づき選択される複数のタイム・ラグ特定技法のうちの少なくとも１つに基づき、選択した一連のパラメータの中から少なくとも１つのタイム・ラグ・パラメータを特定することを含み、複数のタイム・ラグ特定技法は、個別タイム・ラグ特定技法、グループ単位タイム・ラグ特定技法、及びグループ単位／個別タイム・ラグ特定技法である。タイム・ラグ特定モジュール（２１６）はさらに、個別タイム・ラグ特定のために構成された個別タイム・ラグ特定ユニット（２１８）と、グループ単位タイム・ラグ特定のために構成されたグループ単位タイム・ラグ特定ユニット（２２０）と、グループ単位／個別タイム・ラグ特定のために構成されたグループ単位／個別タイム・ラグ特定ユニット（２２２）とから構成される。
次のステップ３１２では、表示モジュール（２２４）に特定されたタイム・ラグ・パラメータを表示することを含み、特定されたラグ・パラメータは、その産業におけるタイム・ラグ特定を表す。
本明細書は、当業者であれば実施例を作成し、それを使用することができるように、主題を記載している。本主題の実施例の範囲は、特許請求の範囲によって定められ、当業者であれば気が付く他の修正形態を含み得る。このような他の修正形態は、特許請求の範囲の文字通りの言葉とは違わない同様の要素を有する場合、又は特許請求の範囲の文字通りの言葉とはそれほど違わない同等の要素を含む場合、特許請求の範囲にあるものとする。
したがって、産業におけるタイム・ラグ特定のための方法及びシステムが提供される。本開示では、産業をリアルタイムで絶えずモニタして、複数の重要業績評価指標（ＫＰＩ）に時間遅延又は遅延パフォーマンス若しくは機能上の影響を及ぼす少なくとも１つ又は複数のパラメータを複数のソース（工程／ユニット／プラント）から特定することを提案する。提案するタイム・ラグ特定は、個別タイム・ラグ技法、グループ単位タイム・ラグ特定技法、及びグループ単位／個別タイム・ラグ特定技法を含む提案する複数のタイム・ラグ特定技法から１つのタイム・ラグ特定を使用して行われる。また、タイム・ラグ特定は、ドメイン知識とともにデータ駆動式技法にも基づき行われる。
この保護の範囲は、このようなプログラムにまで及び、またさらにメッセージが入っているコンピュータ可読手段にも及び、このようなコンピュータ可読記憶手段は、プログラムがサーバ、モバイルデバイス、又は如何なる適切なプログラマブルデバイス上でも展開する際のこの方法の１つ又は複数のステップの実施のプログラム－コード手段を含む、ということが理解されるべきである。ハードウェア・デバイスは、サーバやパーソナル・コンピュータなどのような種類を問わないコンピュータ、又はそのあらゆる組合せも含む、プログラム可能である種類を問わないデバイスであってもよい。このデバイスは、例えば、例えば特定用途向け集積回路（ＡＳＣＩ：Ａｐｐｌｉｃａｔｉｏｎ－Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、フィールド－プログラマブル・ゲート・アレイ（ＦＰＧＡ：Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）のようなハードウェア手段、又はハードウェア手段とソフトウェア手段との組合せ、例えばＡＳＩＣやＦＰＧＡ、又は少なくとも１つのマイクロプロセッサや、内部にソフトウェア・モジュールがある少なくとも１つのメモリ、である場合がある手段も含んでもよい。このように、手段には、ハードウェア手段もソフトウェア手段も含めることができる。本明細書に記載の方法実施例は、ハードウェア及びソフトウェアにおいて実施され得る。デバイスは、ソフトウェア手段も含むことができる。代替として、この実施例が、例えば複数のＣＰＵを使用して、様々なハードウェア・デバイスにおいて実施されてもよい。
本明細書における実施例は、ハードウェア要素及びソフトウェア要素を含む場合がある。ソフトウェアにおいて実施される実施例は、ファームウェア、常駐ソフトウェア、マイクロコードなどを含むが、これらに限るわけではない。本明細書に記載の様々なモジュールによって果たされる機能は、他のモジュールや他のモジュールの組合せにおいて実施されてもよい。この説明の便宜上、コンピュータ使用可能媒体又はコンピュータ可読媒体は、命令実行システム、命令実行装置、又は命令実行デバイスが使用するか、又はそれに接続されたプログラムを備える、格納する、やり取りする、伝える、又は移すことができる如何なる装置でもあり得る。
表した例示的な実施例を説明するのに、説明に役立つステップを提示しているが、現在進行中の技術的展開が、特定の機能が果たされるように変わってくる、ということが分かるであろう。本明細書では、図示の目的で、このような実例を提示しているが、限定するものではない。また、本明細書では、説明の便宜上、機能構築ブロックの境界を任意に定めている。具体的な機能とその関係が適宜果たされる限り、代わりの境界を定めることができる。当業者であれば、本明細書に含まれる教示に基づき、代替形態（本明細書に記載の形態の均等物、拡張形態、変形形態、導出形態などを含む）が明らかであろう。このような代替形態は、本開示の実施例の範囲及び趣旨の中にある。また、「ｃｏｍｐｒｉｓｉｎｇ（備える）」、「ｈａｖｉｎｇ（有する）」、「ｃｏｎｔａｉｎｉｎｇ（入っている）」、及び「ｉｎｃｌｕｄｉｎｇ（含む）」の語、またその他の同様の形態は、意味が同等であり、これらの語のいずれか１つに続く１つ又は複数の項目を、このような１つ又は複数の項目の包括的羅列にするつもりはなく、挙げた１つ又は複数の項目だけに限るつもりはない、というオープン・エンドとする。また、本明細書や添付の特許請求の範囲で使用する際、単数形「ａ」、「ａｎ」、及び「ｔｈｅ」は、文脈上はっきりそうではないことが分からない限り、複数形基準も含むことに留意されたい。
また、本開示と合致している実施例を実施する際に、１つ又は複数のコンピュータ可読記憶媒体を利用する場合がある。コンピュータ可読記憶媒体とは、プロセッサが読み取れる情報やデータが格納され得る型式を問わない物理メモリのことである。このように、コンピュータ可読記憶媒体は、プロセッサに本明細書に記載の実施例に合致しているステップや段階を行わせる命令を含む、１つ又は複数のプロセッサによる実行の命令を格納することができる。「コンピュータ可読媒体」という用語は、有形の製品を含み、搬送波や過渡信号を除外し、すなわち非一過性のものであるということが理解されるべきである。実例は、ランダム・アクセス・メモリ（ＲＡＭ：Ｒａｎｄａｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、読み取り専用メモリ（ＲＯＭ：Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、揮発性メモリ、不揮発性メモリ、ハードドライブ、ＣＤ ＲＯＭ、ＤＶＤ、フラッシュ・ドライブ、ディスク、その他あらゆる知られている物理記憶媒体を含む。
本開示及び実例は、単に例示と見なされるものであり、本開示の実施例の実際の範囲及び趣旨は、以下の特許請求の範囲によって示されることが意図される。

Claims (12)

  1. 産業におけるタイム・ラグ特定のためのプロセッサ実施方法であって、
    １つ又は複数のソースから入力として複数のデータを受信することであって、前記複数のデータは、複数の入力パラメータを備え、前記１つ又は複数のソースのそれぞれは、複数のプラントを備え、前記複数のプラントのそれぞれが複数のユニットを備え、前記１つ又は複数のソースからの複数の受信データは、ソース、プラント、又はユニットごとの原材料の質－組成、工程パラメータ、製品品質、生産量、設備条件、及び流出物を含む複数のパラメータを備える、受信すること（８０２）と、
    前記複数の受信データを前処理すること（８０４）と、
    複数のドメイン知識及び複数のデータに基づく技法に基づき、前処理済みデータの中にグループの存在を特定すること（８０６）と、
    複数の特徴選択技法を使用して、前記ドメイン知識に基づき、複数のグループ化された前記前処理済みデータから一連のパラメータを選択することであって、前記選択した一連のパラメータが数値データとして表される、選択すること（８０８）と、
    ユーザ要件に基づき選択される複数のタイム・ラグ特定技法のうちの１つに基づき、前記選択した一連のパラメータの中から少なくとも１つのタイム・ラグ・パラメータを特定することであって、前記複数のタイム・ラグ特定技法が、個別タイム・ラグ特定技法、グループ単位タイム・ラグ特定技法、及びグループ単位／個別タイム・ラグ特定技法であり、タイム・ラグ特定とは、１つ又は複数のパラメータの特定、及び特定対象のパラメータが複数の重要業績評価指標（ＫＰＩ）に及ぼす時間遅延又は遅延パフォーマンス若しくは機能上の影響の特定のことであり、前記特定対象のパラメータが、処理時間、反応時間、あるユニットから他のユニットへの移行ラグ、センサの応答時間、構内における原材料の滞留時間を含む複数のパラメータを備える、特定すること（８１０）と、
    表示モジュールに前記特定されたタイム・ラグ・パラメータを表示することであって、前記特定されたラグ・パラメータが前記産業におけるタイム・ラグ特定を表す、表示すること（８１２）と、を含む、方法。
  2. 前記複数の受信データの前処理のステップは、それぞれ、マルチレベル外れ値モデル技法に基づき外れ値ノイズを取り去り、クラスタリング分類技法に基づき見失った受信データを元に戻す、請求項１に記載の方法。
  3. 前処理済みデータをグループ化することについての前記ドメイン知識が、企業階層及び前記受信データの種類を含むいくつかの基準に基づき、前記企業階層が、プラント単位、ユニット単位、設備単位、センサの場所及び任意の他のレベルを備え、前記受信データの種類はさらに、原材料、工程パラメータ、及び計器型式を備える、請求項１に記載の方法。
  4. 前処理データをグループ化する前記データに基づく技法が、相関技法、クラスタリング技法、及びいくつかの他の知られているデータを含むいくつかの技法に基づいている、請求項１に記載の方法。
  5. 前記個別タイム・ラグ特定技法が、さらに、
    新たな一連のグループとその対応する一連の説明変数を特定すること（４０２）と、
    前記特定された一連の説明変数のすべてに対する最大タイム・ラグ値をユーザから受信すること（４０４）と、
    アンサンブル特徴選択技法を使用して、前記新たな一連のグループと前記その対応する一連の説明変数に基づき、一番良いタイム・ラグ・パラメータを特定すること（４０６）と、を含む、請求項１に記載の方法。
  6. 前記アンサンブル特徴選択技法はさらに、
    サポート・ベクター回帰（ＳＶＲ）、ランダム・フォレスト回帰（ＲＦ）、線形回帰（ＬＲ）、リッジ回帰、Ｌａｓｓｏ回帰、余分木回帰（ＥＴＲ）、相互情報回帰（ＭＩＲ）を含む特徴選択技法に基づき、一連のあり得るタイム・ラグ・パラメータを特定することであって、前記特徴選択技法が、グループにわたる関係に基づき選択される、特定すること（５０２）と、
    対数技法、算術技法を含む平均化技法及びスコア付け技法に基づき、前記特定されたあり得るタイム・ラグ・パラメータのすべてに対して特徴スコアを算出すること（５０４）と、
    前記算出した特徴スコアに基づき前記一連のあり得るタイム・ラグ・パラメータをランク付けして、一番良いタイム・ラグ・パラメータとなること（５０６）と、を含む、請求項５に記載の方法。
  7. グループ単位タイム・ラグ特定技法のステップがさらに、
    新たな一連のグループとその対応する一連の説明変数を特定すること（６０２）と、
    前記特定された一連の説明変数のすべてに対する最大タイム・ラグ値をユーザから受信すること（６０４）と、
    前記特定された新たな一連のグループからグループ単位モデルを生成すること（６０６）と、
    二乗平均平方根誤差（ＲＭＳＥ）、平均絶対誤差（ＭＡＥ）、平均絶対パーセント誤差（ＭＡＰＥ）、Ｒ二乗（Ｒ２）、ヒット率を含む技法を使用して、グループ単位精度項を算出すること（６０８）と、
    前記算出したグループ単位精度に基づき、特定された新たな一連のグループの前記グループ単位モデルから一番良いタイム・ラグ・パラメータを特定することであって、前記新たな一連のグループ内のグループのすべてに対して、少なくとも一番良いタイム・ラグ・パラメータが特定される、特定すること（６１０）と、を含む、請求項１に記載の方法。
  8. グループ単位／個別タイム・ラグ特定技法のステップはさらに、
    新たな一連のグループとその対応する一連の説明変数を特定すること（７０２）と、
    前記特定された一連の説明変数のすべてに対する最大タイム・ラグ値をユーザから受信すること（７０４）と、
    前記特定された新たな一連のグループからグループ単位／個別モデルを生成すること（７０６）と、
    二乗平均平方根誤差（ＲＭＳＥ）、平均絶対誤差（ＭＡＥ）、平均絶対パーセント誤差（ＭＡＰＥ）、Ｒ二乗（Ｒ２）、ヒット率を含む技法に基づき、グループ単位／個別精度項を算出すること（７０８）と、
    前記算出したグループ単位／個別精度に基づき、特定された新たな一連のグループの前記グループ単位／個別モデルから一番良いタイム・ラグ・パラメータを繰り返し特定することであって、一番良いタイム・ラグ・パラメータが、パフォーマンス精度を含む複数の比較パラメータであるタイム・ラグに基づく２番目に良いタイム・ラグ・パラメータに取って代わられる、特定すること（７１０）とを含む、請求項１に記載の方法。
  9. 産業におけるタイム・ラグ特定のためのシステムであって、
    １つ又は複数のソースから入力として複数のデータを受信するために構成された入力モジュール（２０２）であって、前記複数のデータは、複数の入力パラメータを備え、前記１つ又は複数のソースのそれぞれは、複数のプラントを備え、前記複数のプラントのそれぞれが複数のユニットを備え、前記１つ又は複数のソースからの複数の受信データは、ソース、プラント、又はユニットごとの原材料の質－組成、工程パラメータ、製品品質、生産量、設備条件、及び流出物を含む複数のパラメータを備える、入力モジュール（２０２）と、
    前記複数の受信データを前処理するために構成された前処理モジュール（２０４）と、
    複数のドメイン知識及び複数のデータに基づく技法に基づき、複数の前処理済みデータの中にグループの存在を特定するために構成されたグループ化モジュール（２０８）と、
    特徴選択技法を使用して、前記ドメイン知識及び前記データに基づく技法に基づき、複数のグループ化された前記前処理済みデータから一連のパラメータを選択するために構成された特徴選択モジュール（２１４）であって、前記選択した一連のパラメータが数値データとして表される、特徴選択モジュール（２１４）と、
    ユーザ要件に基づき選択される複数のタイム・ラグ特定技法のうちの少なくとも１つに基づき、前記選択した一連のパラメータの中から少なくとも１つのタイム・ラグ・パラメータを特定するタイム・ラグ特定モジュール（２１６）であって、前記複数のタイム・ラグ特定技法が、個別タイム・ラグ特定技法、グループ単位タイム・ラグ特定技法、及びグループ単位／個別タイム・ラグ特定技法であり、タイム・ラグ特定とは、１つ又は複数のパラメータの特定、及び特定対象のパラメータが複数の重要業績評価指標（ＫＰＩ）に及ぼす時間遅延又は遅延パフォーマンス若しくは機能上の影響の特定のことであり、前記特定対象のパラメータが、処理時間、反応時間、あるユニットから他のユニットへの移行ラグ、センサの応答時間、構内における原材料の滞留時間を含む複数のパラメータを備える、タイム・ラグ特定モジュール（２１６）と、
    前記特定されたタイム・ラグ・パラメータを表示するように構成された表示モジュール（２２４）であって、特定されたタイム・ラグ・パラメータが、前記産業におけるタイム・ラグ特定を表す、表示モジュール（２２４）とを備える、システム。
  10. 複数のドメイン知識が、タイム・ラグが特定される対象の産業の動的に更新されるドメイン知識を共有するために構成されているドメイン知識データベース（２０６）から得られる、請求項９に記載のシステム。
  11. 前記グループ化モジュール（２０８）がさらに、前記ドメイン知識データベース（２０６）から受信される複数のドメイン知識に基づき、前記複数の前処理済みデータの中にグループの存在を特定するために構成されたドメイン知識グループ化ユニット（２１０）と、複数のデータに基づく技法に基づき、前記複数の前処理済みデータの中にグループの存在を特定するために構成されたデータに基づく技法ユニット（２１２）とから構成される、請求項１０に記載のシステム。
  12. 産業におけるタイム・ラグ特定のためのコンピュータ可読プログラムを具体化している非一時的コンピュータ可読媒体であって、前記コンピュータ可読プログラムが、１つ又は複数のハードウェア・プロセッサにより実行されると、
    １つ又は複数のソースから入力として複数のデータを受信することであって、前記複数のデータは、複数の入力パラメータを備え、前記１つ又は複数のソースのそれぞれは、複数のプラントを備え、前記複数のプラントのそれぞれが複数のユニットを備え、前記１つ又は複数のソースからの複数の受信データは、ソース、プラント、又はユニットごとの原材料の質－組成、工程パラメータ、製品品質、生産量、設備条件、及び流出物を含む複数のパラメータを備える、受信することと、
    複数の受信データを前処理することと、
    複数のドメイン知識及び複数のデータに基づく技法に基づき、複数の前処理済みデータの中にグループの存在を特定することと、
    複数の特徴選択技法を使用して、前記ドメイン知識及び前記データに基づく技法に基づき、複数のグループ化された前記前処理済みデータから一連のパラメータを選択することであって、前記選択した一連のパラメータが数値データとして表される、選択することと、
    ユーザ要件に基づき選択される複数のタイム・ラグ特定技法のうちの少なくとも１つに基づき、前記選択した一連のパラメータの中から少なくとも１つのタイム・ラグ・パラメータを特定することであって、前記複数のタイム・ラグ特定技法が、個別タイム・ラグ特定技法、グループ単位タイム・ラグ特定技法、及びグループ単位／個別タイム・ラグ特定技法であり、タイム・ラグ特定とは、１つ又は複数のパラメータの特定、及び特定対象のパラメータが複数の重要業績評価指標（ＫＰＩ）に及ぼす時間遅延又は遅延パフォーマンス若しくは機能上の影響の特定のことであり、前記特定対象のパラメータが、処理時間、反応時間、あるユニットから他のユニットへの移行ラグ、センサの応答時間、構内における原材料の滞留時間を含む複数のパラメータを備える、特定することと、
    表示モジュールに前記特定されたタイム・ラグ・パラメータを表示することであって、前記特定されたラグ・パラメータが前記産業におけるタイム・ラグ特定を表す、表示することと、をもたらす、非一時的コンピュータ可読媒体。
JP2022532627A 2020-01-29 2020-08-28 産業におけるタイム・ラグ特定方法及びシステム Active JP7413534B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
IN202021004042 2020-01-29
IN202021004042 2020-01-29
PCT/IN2020/050751 WO2021152606A1 (en) 2020-01-29 2020-08-28 Method and system for time lag identification in an industry

Publications (2)

Publication Number Publication Date
JP2023510480A JP2023510480A (ja) 2023-03-14
JP7413534B2 true JP7413534B2 (ja) 2024-01-15

Family

ID=77078629

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022532627A Active JP7413534B2 (ja) 2020-01-29 2020-08-28 産業におけるタイム・ラグ特定方法及びシステム

Country Status (4)

Country Link
US (1) US20220398521A1 (ja)
EP (1) EP4097560A4 (ja)
JP (1) JP7413534B2 (ja)
WO (1) WO2021152606A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080201397A1 (en) 2007-02-20 2008-08-21 Wei Peng Semi-automatic system with an iterative learning method for uncovering the leading indicators in business processes
JP2013109762A (ja) 2011-11-23 2013-06-06 General Electric Co <Ge> 実時間状況対応ｋｐｉに基づく自律警報エージェント
JP2018195308A (ja) 2017-05-15 2018-12-06 タタ コンサルタンシー サービシズ リミテッドＴＡＴＡ Ｃｏｎｓｕｌｔａｎｃｙ Ｓｅｒｖｉｃｅｓ Ｌｉｍｉｔｅｄ プロセス及び製造業における業績評価指標のデータに基づく最適化のための方法及びシステム
JP2019192107A (ja) 2018-04-27 2019-10-31 株式会社シーイーシー 管理装置、及び、管理装置のプログラム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006039760A1 (en) * 2004-10-15 2006-04-20 Ipom Pty Ltd Method of analysing data
RU2008104411A (ru) * 2005-08-05 2009-09-10 Пфайзер Продактс Инк. (Us) Автоматизированное серийное производство
US7822697B2 (en) * 2006-09-29 2010-10-26 Globvision Inc. Method and apparatus for infrastructure health monitoring and analysis wherein anomalies are detected by comparing measured outputs to estimated/modeled outputs by using a delay
US8374982B2 (en) * 2010-01-14 2013-02-12 Hewlett-Packard Development Company, L.P. System and method for constructing forecast models
US10031510B2 (en) * 2015-05-01 2018-07-24 Aspen Technology, Inc. Computer system and method for causality analysis using hybrid first-principles and inferential model
US20180107450A1 (en) * 2016-10-17 2018-04-19 Tata Consultancy Services Limited System and method for data pre-processing

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080201397A1 (en) 2007-02-20 2008-08-21 Wei Peng Semi-automatic system with an iterative learning method for uncovering the leading indicators in business processes
JP2013109762A (ja) 2011-11-23 2013-06-06 General Electric Co <Ge> 実時間状況対応ｋｐｉに基づく自律警報エージェント
JP2018195308A (ja) 2017-05-15 2018-12-06 タタ コンサルタンシー サービシズ リミテッドＴＡＴＡ Ｃｏｎｓｕｌｔａｎｃｙ Ｓｅｒｖｉｃｅｓ Ｌｉｍｉｔｅｄ プロセス及び製造業における業績評価指標のデータに基づく最適化のための方法及びシステム
JP2019192107A (ja) 2018-04-27 2019-10-31 株式会社シーイーシー 管理装置、及び、管理装置のプログラム

Also Published As

Publication number Publication date
EP4097560A1 (en) 2022-12-07
WO2021152606A1 (en) 2021-08-05
EP4097560A4 (en) 2024-01-31
US20220398521A1 (en) 2022-12-15
JP2023510480A (ja) 2023-03-14

Similar Documents

Publication Publication Date Title
Munirathinam et al. Predictive models for equipment fault detection in the semiconductor manufacturing process
Pham et al. Manufacturing cell formation using the Bees Algorithm
Khoshgoftaar et al. Fault prediction modeling for software quality estimation: Comparing commonly used techniques
CN110956224A (zh) 评估模型生成、评估数据处理方法、装置、设备及介质
Azim et al. Hybrid model for data imputation: using fuzzy c means and multi layer perceptron
Mandala et al. Machine Learning Techniques and Big Data Tools in Design and Manufacturing
Prasasti et al. Applicability of machine-learning techniques in predicting customer defection
Muniategui et al. Spot welding monitoring system based on fuzzy classification and deep learning
Dhandayudam et al. Customer behavior analysis using rough set approach
Chilukuri et al. Effective predictive maintenance to overcome system failures—A machine learning approach
Jittawiriyanukoon et al. Simulation for predictive maintenance using weighted training algorithms in machine learning.
Arif et al. An Improved Prediction System of Students' Performance Using Classification model and Feature Selection Algorithm
JP7413534B2 (ja) 産業におけるタイム・ラグ特定方法及びシステム
Szelążek et al. Semantic data mining‐based decision support for quality assessment in steel industry
WO2021059291A1 (en) Method and system for identification and analysis of regime shift
Dimoudis et al. Utilizing an adaptive window rolling median methodology for time series anomaly detection
Ray et al. Performance Evaluation using Online Machine Learning Packages for Streaming Data
Lim et al. Manufacturing lead time classification using support vector machine
Ashtaiwi Artificial intelligence is transforming the world development indicators
Yu et al. A hybrid learning-based model for on-line monitoring and diagnosis of out-of-control signals in multivariate manufacturing processes
Riesener et al. Identification of evaluation criteria for algorithms used within the context of product development
Alkhatri et al. The use of data mining techniques to predict the ranking of e-government services
JP2015228182A (ja) 変化点検出装置、変化点検出方法、及びコンピュータプログラム
Filiberto et al. A new method for personnel selection based on ranking aggregation using a reinforcement learning approach
Nwaogu et al. Customer churn prediction for business intelligence using machine learning

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220726

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220726

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230712

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230830

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231130

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: 20231221

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231227

R150 Certificate of patent or registration of utility model

Ref document number: 7413534

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150