JPH0327401A - Supervisory system for production system - Google Patents
Supervisory system for production systemInfo
- Publication number
- JPH0327401A JPH0327401A JP16217589A JP16217589A JPH0327401A JP H0327401 A JPH0327401 A JP H0327401A JP 16217589 A JP16217589 A JP 16217589A JP 16217589 A JP16217589 A JP 16217589A JP H0327401 A JPH0327401 A JP H0327401A
- Authority
- JP
- Japan
- Prior art keywords
- inference
- sequence
- abnormality
- unscheduled
- processing
- 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
- 238000004519 manufacturing process Methods 0.000 title claims description 44
- 238000000034 method Methods 0.000 claims abstract description 105
- 230000008569 process Effects 0.000 claims abstract description 95
- 230000005856 abnormality Effects 0.000 claims abstract description 86
- 238000012545 processing Methods 0.000 claims abstract description 63
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims description 28
- 230000004913 activation Effects 0.000 claims description 18
- 238000011084 recovery Methods 0.000 claims description 6
- 230000003111 delayed effect Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 description 60
- 239000002994 raw material Substances 0.000 description 18
- 238000007726 management method Methods 0.000 description 16
- 230000002159 abnormal effect Effects 0.000 description 14
- 101100298222 Caenorhabditis elegans pot-1 gene Proteins 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000013480 data collection Methods 0.000 description 6
- 101100298225 Caenorhabditis elegans pot-2 gene Proteins 0.000 description 5
- 238000004886 process control Methods 0.000 description 5
- 238000002360 preparation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 238000003756 stirring Methods 0.000 description 3
- 241000555745 Sciuridae Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Landscapes
- Physical Or Chemical Processes And Apparatus (AREA)
- Safety Devices In Control Systems (AREA)
Abstract
Description
【発明の詳細な説明】
(産業上の利用分野)
本発明は、プラントの運転において異常の前兆を検知し
、異常の有無および異常があった場合のその原因を推論
して異常対策を実行すると共に、その異常対策が実行さ
れたことによってその後のスケジュールの実施に不都合
が生じるような場合にはスケジュールを再立案し、該再
立案されたスケジュールにしたがってプラントの制御を
行う生産システム監視システムに関する。[Detailed Description of the Invention] (Industrial Application Field) The present invention detects a sign of an abnormality in plant operation, infers the presence or absence of an abnormality and the cause of the abnormality, and takes measures against the abnormality. The present invention also relates to a production system monitoring system that re-drafts a schedule in the event that the execution of the abnormality countermeasures causes problems in the subsequent implementation of the schedule, and controls the plant in accordance with the re-drafted schedule.
(従来技術)
従来技術における生産管理システムには以下のようなも
のがあった。(Prior art) Production control systems in the prior art include the following.
(1)特開昭63−77537号公報に記載されるよう
に、コンピュータによって常にプロセスデータの監視を
行い、異常の有無の推論、および異常が有ると推論され
た場合にはその原因を推論させ、かつ、その結果をオペ
レータに通報するようにしたもの。(1) As described in Japanese Unexamined Patent Publication No. 63-77537, a computer constantly monitors process data, infers whether there is an abnormality or not, and if it is inferred that an abnormality exists, infers its cause. , and the results are reported to the operator.
(2)特開昭63−118907号公報に記載されるよ
うに、異常徴候を検知するための状況把握知識ベースと
、異常原因を推論するための診断知識ベースと、異常原
因に応じた対策を決定する対策決定知識ベースとを具備
し、異常が発生した場合には、診断知識ベースによって
異常原因を推論し、その後、対策決定知識ベースによっ
て該異常原因に応じた対策を決定し、その結果をオペレ
ータに通報するようにしたもの。(2) As described in Japanese Patent Application Laid-Open No. 63-118907, a knowledge base for understanding the situation for detecting abnormality symptoms, a diagnostic knowledge base for inferring the cause of the abnormality, and a countermeasure according to the cause of the abnormality. When an abnormality occurs, the diagnostic knowledge base is used to infer the cause of the abnormality, and then the countermeasure determination knowledge base is used to determine a countermeasure according to the cause of the abnormality, and the result is It is designed to notify the operator.
(3)特開昭62−282850号公報に記載されるよ
うに、ペトリネット手法によって生産ライン3
の稼動条件および設備情報を求め、その後、該稼動条件
および設備情報に基づいてシュミレーションを実施する
。そして、そのシュミレーションの結果と実際の生産ラ
インの稼動状態とを比較することによって異常原因を推
論し、その結果をオペレータに通報するようにしたもの
。(3) As described in Japanese Unexamined Patent Publication No. 62-282850, the operating conditions and equipment information of the production line 3 are obtained using the Petri net method, and then a simulation is performed based on the operating conditions and equipment information. By comparing the simulation results with the actual operating status of the production line, the cause of the abnormality is inferred, and the results are reported to the operator.
このように、従来技術においては、(a)異常の有無を
検知すること、(b)異常があった場合にその原因を推
論すること、(e)異常原因の推論結果に基づいて対策
を決定し、その結果をオペレータに通報すること、が行
われる。In this way, in the conventional technology, (a) detecting the presence or absence of an abnormality, (b) inferring the cause of the abnormality if it exists, and (e) determining countermeasures based on the result of inferring the cause of the abnormality. The results are then reported to the operator.
また、上記のようにして異常対策が決定し゛たならば、
オペレータはその異常対策を実行するための処理、すな
わち予定外シーケンスを割込み処理により実行して異常
対策をはかり、異常が回復すると、引き続いてそれまで
の処理を継続して実行させていた。Also, if the abnormality countermeasures are determined as described above,
The operator takes measures against the abnormality by executing processing to take measures against the abnormality, that is, an unscheduled sequence using interrupt processing, and when the abnormality is recovered, the previous processing continues to be executed.
なお、予定外シーケンスは、当初に立案されたスケジュ
ールには含まれない処理であるため、該予定外シーケン
スが実行されるとその後のスケ4
ジュールに乱れが生じ、生産ライン間において競合が発
生してしまう場合がある。このような場合には、予定外
シーケンス終了後にプラントにおける処理を一時中断し
、競合などの問題が発生する可能性がなくなるのを待っ
て、以後の処理を実行させていた。Note that an unscheduled sequence is a process that is not included in the originally planned schedule, so if the unscheduled sequence is executed, the subsequent schedule will be disrupted and conflicts will occur between production lines. There are cases where this happens. In such a case, the processing in the plant is temporarily suspended after the unscheduled sequence ends, and subsequent processing is executed after waiting for the possibility of problems such as conflicts to occur.
(発明が解決しようとする課題)
上記したように、従来技術における生産監視システムは
、予定生産量を生産するための生産計画(スケジュール
)、生産計画に基づいた生産工程実施機能、および工程
進捗状況によって起こり得る予定外処理の大きく3つの
処理機能から成り立っている。(Problems to be Solved by the Invention) As described above, the production monitoring system in the prior art includes a production plan (schedule) for producing a planned production amount, a production process execution function based on the production plan, and a process progress status. It consists of three main processing functions for unplanned processing that may occur due to
このような従来技術による生産監視システムでは、次の
ような問題が発生する。The following problems occur in such conventional production monitoring systems.
(1)予定外処理は、予め予想可能な処理、すなわち現
在生産している品種、生産量、生産設備状況等を予測し
た異常処理を多種用意しているものの、実施の可否は全
てオペレータの判断によるため、このシステムの運用に
はオペレータの存在が不可欠であり、また、その適確な
判断を実現するためにはオペレータに熟練が要求される
と共に、オペレータの負担が増大してしまう。(1) For unscheduled processing, we have prepared a variety of abnormal processing that can be predicted in advance, that is, abnormal processing that predicts the currently produced product type, production volume, production equipment status, etc., but whether or not to implement it is entirely at the discretion of the operator. Therefore, the presence of an operator is essential for the operation of this system, and in order to make accurate decisions, the operator is required to be skilled and the burden on the operator increases.
(2)1度でも予定外処理が実行されると、予め登録さ
れていた生産計画をそのまま利用できるケースは極めて
少なく、生産工程遅れによる生産量不足等が発生するこ
ともあり、それまでの生産計画を変更しなければならな
い場合があるが、従来技術においては予定外処理実行後
における生産計画の乱れに対する回復処理や、当初の生
産計画への復旧方法に関する考慮が全くなされていない
。(2) If unscheduled processing is performed even once, there are extremely few cases in which the previously registered production plan can be used as is, and there may be a shortage of production due to delays in the production process. There are cases where the plan has to be changed, but in the prior art, no consideration is given at all to recovery processing for disruptions in the production plan after execution of unscheduled processing or methods for restoring to the original production plan.
また、予定外処理実行後に生産計画を再立案しようとし
ても、立案にあたっては計画立案者の経験や勘に頼らざ
るを得す、適確な判断を実現するためにはオペレータに
熟練が要求される。さらに、複雑なシステムにおいては
再立案に長時間を要するために、制御対象への運用が遅
れてしまったり、特に複雑なシステムにおいては再立案
ができない可能性もある。In addition, even if an attempt is made to re-plan the production plan after executing unscheduled processing, the planning process must rely on the planner's experience and intuition, and operators need to be skilled in order to make accurate decisions. . Furthermore, in complex systems, it takes a long time to re-plan, so there is a possibility that the operation of the controlled object may be delayed, or in particularly complex systems, it may not be possible to re-plan.
このように、従来技術においては、プラン1・の異常発
生時における回避処理(予定外処理)が整備されている
にもかかわらず、その実行および実行後におけるプラン
ト安定化のための回復手段が十分でないところに問題が
ある。As described above, in the conventional technology, although the avoidance process (unscheduled process) in the event of an abnormality in Plan 1 is in place, the execution and recovery measures for stabilizing the plant after execution are insufficient. The problem is that it isn't.
本発明の目的は、上記した問題点を解決し、プラントの
異常発生時における回避処理および該回避処理実行後に
おけるプラント安定化のための回復手段が整った生産シ
ステム監視システムを提供することにある。An object of the present invention is to solve the above problems and provide a production system monitoring system that is equipped with avoidance processing when an abnormality occurs in a plant and recovery means for stabilizing the plant after execution of the avoidance processing. .
(課題を解決するための手段)
上記した問題点を解決するために、本発明は、対象プラ
ントにおいて複数のバッチ処理工程を予定のシーケンス
に従って実行し、異常発生時には予定外シーケンスを実
行して異常回復処理を実行する生産システム監視システ
ムにおいて、以下のような手段を講じた。(Means for Solving the Problems) In order to solve the above-mentioned problems, the present invention executes a plurality of batch processing steps in a target plant according to a scheduled sequence, and when an abnormality occurs, executes an unscheduled sequence to solve the problem. The following measures were taken in the production system monitoring system that executes the recovery process.
(1)対象プラントのプロセス量に基づいてプロセス項
目の異常を検知する異常検知手段と、前記異常内容に応
じて異常原因を推論し、該異常原因に応じた第1の予定
外シーケンス推論起動命令を発7
行する異常予測推論機構と、バッチ処理工程の開始タイ
ミングで、該バッチ処理工程に応じた第2の予定外シー
ケンス推論起動命令を発行し、終了タイミングでその推
論停止命令を発行する推論命令発行手段と、前記第1お
よび第2の推論起動命令に応じた推論を前記プロセス量
に基づいて実行し、異常が検知された場合に、該異常に
応じた予定外シーケンスを検索して実行する予定外シー
ケンス実行手段。(1) Abnormality detection means for detecting an abnormality in a process item based on the process amount of the target plant, and a first unscheduled sequence inference activation command that infers the cause of the abnormality according to the content of the abnormality and corresponds to the cause of the abnormality. an abnormality prediction inference mechanism that issues 7 and an inference mechanism that issues a second unscheduled sequence inference activation instruction corresponding to the batch processing step at the start timing of the batch processing step, and issues the inference stop instruction at the end timing. an instruction issuing means, and executes inference according to the first and second inference activation instructions based on the process amount, and when an abnormality is detected, searches for and executes an unscheduled sequence corresponding to the abnormality; means to execute an unscheduled sequence.
(2)予定外シーケンスの実行後に各工程の競合の有無
を検出し、競合が検出された場合に、互いに競合する工
程の少なくとも一方の工程開始時刻を、競合が解消され
るまでずらすリスケジュール手段。(2) Rescheduling means that detects whether there is a conflict between each process after the execution of the unscheduled sequence, and if a conflict is detected, shifts the process start time of at least one of the mutually conflicting processes until the conflict is resolved. .
(作用)
前記(1)の構或によれば、バッチ処理の工程ごとに最
適な推論が起動され、該工程の終了と共に前記推論が停
止されるので、監視時間、監視対象設備を限定した推論
が可能になり、その時々のシーケンス処理に最適な異常
検出推論が正確かつ短時間で行えるようになる。また、
最適な異常8
?出推論が可能となることによって、その異常を回避す
るために最適な予定外シーケンスを簡単に選択・実行で
きるようになる。(Operation) According to the structure (1) above, the optimal inference is activated for each batch processing step, and the inference is stopped at the end of the process, so that the inference can be performed with a limited monitoring time and equipment to be monitored. This makes it possible to accurately and quickly perform anomaly detection and inference that is optimal for the sequence processing at the time. Also,
Optimal anomaly 8? By enabling outgoing inference, it becomes possible to easily select and execute the optimal unplanned sequence to avoid the abnormality.
さらに、前記(2)の構成によれば、待機時間が少なく
競合の発生しないスケジュールの再立案が極めて容易に
行われるようになるので、予定外シーケンスが実行され
ても当初の生産スケジュールに近い内容で、その後の生
産を帰属することができるようになる。Furthermore, according to the configuration (2) above, it is extremely easy to re-plan a schedule with less waiting time and no conflicts, so even if an unscheduled sequence is executed, the production schedule will be close to the original production schedule. Then, subsequent production can be attributed.
(実施例)
第1図は本発明の一実施例であるプラントシステムのブ
ロッ■ク図、第2図は第1図のプラントシステムによっ
て管理され、バッチ処理によって製品を生産するプラン
ト10(第1図)の構成を示した図である。(Example) Fig. 1 is a block diagram of a plant system that is an embodiment of the present invention, and Fig. 2 is a block diagram of a plant 10 (10) that is managed by the plant system of Fig. 1 and produces products by batch processing. FIG.
第2図において、仕込みタンク30a,30bにはそれ
ぞれ原料XSYが格納されており、該仕込みタンクは輸
送管32a,32b,バルブ31a〜31fを介して重
合缶33a(釜1)、33b(釜2)に接続されている
。釜1、2内部には、原料を攪拌するための攪拌機34
a,34bが取り付けられている。なお、このような構
或のプラントでは、複数の釜に、同時に同じ原料を仕込
むことはできない。In FIG. 2, raw material XSY is stored in charging tanks 30a and 30b, respectively, and the charging tanks are connected to polymerization cans 33a (pot 1) and 33b (pot 2) via transport pipes 32a, 32b and valves 31a to 31f. )It is connected to the. Inside the pots 1 and 2, there is a stirrer 34 for stirring the raw materials.
a and 34b are attached. Note that in a plant with such a structure, it is not possible to charge the same raw material into multiple pots at the same time.
一方、第1図において、本実施例のプラントシステムは
、(1)対象プラントの運転スケジュールが登録された
バッチシーケンス情報部2と、(2)前記バッチシーケ
ンス情報部に登録されたスケジュールに基づいて対象プ
ラントを運転するプロセス制御機構3と、(3)対象プ
ラントの異常発生の有無を判断すると共に、異常が発生
した場合にはその回復処理を実行する知識処理機構1と
によって構成されている。On the other hand, in FIG. 1, the plant system of this embodiment includes (1) a batch sequence information unit 2 in which the operation schedule of the target plant is registered, and (2) a batch sequence information unit 2 based on the schedule registered in the batch sequence information unit. It is comprised of a process control mechanism 3 that operates the target plant, and (3) a knowledge processing mechanism 1 that determines whether or not an abnormality has occurred in the target plant and executes recovery processing if an abnormality occurs.
(1)パッチシーケンス情報部2において、バッチスケ
ジュールデータベース27には、第3図(a)に示した
ように、生産品種、生産開始時刻、生産量、使用釜、納
期といったバッチごとの生産スケ,ジュールが登録され
ている。(1) In the patch sequence information unit 2, the batch schedule database 27 contains the production schedule for each batch, such as production type, production start time, production amount, pot used, and delivery date, as shown in FIG. 3(a). module is registered.
処方マスクデータベース28には、同図(b)に示した
ように、前記バッチスケジュールデータべ−ス27に登
録された生産品種を生産するための工程順序、工程内容
、工程所要時間等のデータが登録されている。As shown in FIG. 2B, the prescription mask database 28 includes data such as process order, process content, and process time required to produce the product types registered in the batch schedule database 27. Registered.
バッチ実績データベース29には、同図(e)に示した
ように、生産スケジュールに従って生産されたバッチ実
績が登録されている。As shown in FIG. 2(e), the batch results database 29 stores the results of batches produced according to the production schedule.
なお、これらのデータベースは、それぞれアクセス機構
12−1〜12−3によってアクセスされる。Note that these databases are accessed by access mechanisms 12-1 to 12-3, respectively.
(2)プロセス制御機構3において、プロセスデータ入
出力装置9は制御対象となっているプラント10とのプ
ロセスデータの入出力を行う。プロセスデータ処理部8
はプロセスデータの収集および処理を実行する。プラン
トデータベース13には対象プラント10を制御するた
めのデータが登録されている。ヒストリ力ルデータ処理
部23はプロセスデータの一部を一定時間ごとに入力し
、これをヒストリカルデータとして後述するヒストリカ
ルデータベース24に出力する。ヒストリカルデータベ
ース24はヒストリカルデータを登録す11
る。(2) In the process control mechanism 3, the process data input/output device 9 inputs and outputs process data to and from the plant 10 to be controlled. Process data processing section 8
performs process data collection and processing. Data for controlling the target plant 10 is registered in the plant database 13. The historical data processing section 23 inputs part of the process data at regular intervals and outputs this as historical data to a historical database 24, which will be described later. The historical database 24 registers historical data.
プラントデータ収集機構部25は、前記プラントデータ
ベース13およびヒストリカルデータベース24に登録
されたデータを必要に応じて収集し、知識処理機構1に
出力する。シーケンス実行管理部6は、前記バッチシー
ケンス情報部2に登録されたバッチスケジュール27に
基づいてバッチ処理を起動し、起動後においては、前記
処方マスタ28から製品品種ごとに用意された制御パラ
メータを人手し、該制御パラメータに従ってバッチ処理
を実行する。The plant data collection mechanism unit 25 collects the data registered in the plant database 13 and the historical database 24 as necessary, and outputs the collected data to the knowledge processing mechanism 1. The sequence execution management section 6 starts batch processing based on the batch schedule 27 registered in the batch sequence information section 2, and after starting, manually inputs control parameters prepared for each product type from the prescription master 28. and execute batch processing according to the control parameters.
なお、バッチ処理の実行結果はバッチ実績29に出力さ
れ、そこで登録される。予定外シーケンス起動機構22
は、後述するリスケジュール推論機構20の推論結果に
従って異常回避のための予定外シーケンスを実行する。Note that the execution results of the batch processing are output to the batch record 29 and registered there. Unscheduled sequence activation mechanism 22
executes an unscheduled sequence for abnormality avoidance according to the inference result of the rescheduling inference mechanism 20, which will be described later.
(3)知識処理機構1は、異常予測推論機構18、予定
外シーケンス検索推論機構19、およびリスケジュール
推論機構20によって構成される推論機能部14と、前
記推論機構18〜20の知識べ12
−スであるプロセス監視異常予測知識15、予定外シー
ケンス起動知識16、およびリスケジュール知識17と
によって構成されている。(3) The knowledge processing mechanism 1 includes an inference function unit 14 constituted by an abnormality prediction inference mechanism 18, an unscheduled sequence search inference mechanism 19, and a rescheduling inference mechanism 20, and a knowledge base 12 of the inference mechanisms 18 to 20. It is composed of process monitoring abnormality prediction knowledge 15, unscheduled sequence activation knowledge 16, and rescheduling knowledge 17.
さらに、これらに付随するものとして、異常発生時にメ
ッセージを表示する表示手段4、各種推論の実行および
実行タイミングを管理する推論管理機構7を具備してい
る。この推論管理機構7はプロセス制御機構から送られ
てくる推論実行要求を一手に引き受け、推論実行要求が
複数あった場合には、どの推論実行要求を実行させるか
を推論要求優先度データベース5に基づいて決定し、常
に制御対象の動向に対して最適推論を行わせる。Further, as accompanying components, a display means 4 for displaying a message when an abnormality occurs, and an inference management mechanism 7 for managing execution and execution timing of various inferences are provided. The inference management mechanism 7 accepts all inference execution requests sent from the process control mechanism, and when there are multiple inference execution requests, it determines which inference execution request should be executed based on the inference request priority database 5. The optimal inference is always performed based on the trends of the controlled object.
以下、前記推論機能部14を構成する3つの推論機構に
ついて詳細に説明する。Hereinafter, the three inference mechanisms that constitute the inference function section 14 will be explained in detail.
(a)異常予測推論機構18は、プラントデータ収集機
構部25を介して前記プラントデータベース13、ヒス
トリカルデータベース24を、前記プロセス監視異常予
測知識15に基づいて活用することによって最新のプラ
ント状況を知識処理内で認識しながら、プラントのどこ
かに異常と思われ13
14
る事態が発生していないかどうかを、バッチシーケンス
の状態に拘らず検索推論する機構であって、対象プラン
トの各プロセス項目の状態を監視する部分的監視処理群
、制御対象全体を監蜆する全体監視処理群、およびプロ
セス情報を解析す.る解析処理群から戒っている。(a) The abnormality prediction inference mechanism 18 utilizes the plant database 13 and the historical database 24 via the plant data collection mechanism section 25 based on the process monitoring abnormality prediction knowledge 15 to process the latest plant status. It is a mechanism that searches and infers whether an abnormal situation has occurred somewhere in the plant, regardless of the status of the batch sequence, while recognizing it within the plant. A partial monitoring processing group monitors the status, an overall monitoring processing group monitors the entire controlled object, and analyzes process information. This is a warning from the analysis processing group.
部分的監視処理群は、対象プラントの各プロセス項目ご
とに設置されており、プロセス制御機構における最小プ
ロセスデータ単位であるプロセス変数(TAG)に対応
させることによって、常時プロセス変数単位に監視する
ことができる。A partial monitoring processing group is installed for each process item in the target plant, and by making it correspond to the process variable (TAG), which is the minimum process data unit in the process control mechanism, it is possible to constantly monitor each process variable. can.
この部分的監視処理において、対応するプロセス変数が
ある異常状態になった場合は、この処理が推論実行要求
をする。極端ではあるが、制御対象が異常状態の末期状
態であると仮定すると、制御対象に付けられた数多くの
プロセス変数では、各々の部分的監視処理が各々に推論
実行要求をする。In this partial monitoring process, if the corresponding process variable enters a certain abnormal state, this process issues an inference execution request. Although it is an extreme case, assuming that the controlled object is in the final stage of an abnormal state, each partial monitoring process requests the execution of inference for a large number of process variables attached to the controlled object.
そこで、このように複数の推論実行要求を管理するのが
前記推論管理機構7であり、この推論管理機構7では、
推論要求優先度データベース5に登録された知識に基づ
いて、全体監視処理群に格納されている推論群の中から
1111御対象にとって最適な推論がどれであるかを選
択して実行する。Therefore, it is the inference management mechanism 7 that manages a plurality of inference execution requests in this way, and in this inference management mechanism 7,
Based on the knowledge registered in the inference request priority database 5, the optimum inference for the target 1111 is selected and executed from among the inference groups stored in the overall monitoring processing group.
全体監視処理群は、制御対象全体を見渡すため、部分的
監視処理群から出されている推論要求の状態や、プラン
トデータ収集機構部25を介して前記プラントデータベ
ース13やヒストリカルデータベース24を参照したり
、これらのプロセス情報と解析処理群を使うことによっ
て、更に詳細な異常予測を行うことが可能となる。全体
監視処理群は、このようにして制御対象に対して異常事
態があるか否かを監視する。In order to look over the entire control target, the overall monitoring processing group refers to the state of the inference request issued by the partial monitoring processing group, and to the plant database 13 and historical database 24 via the plant data collection mechanism section 25. By using these process information and analysis processing groups, it becomes possible to perform more detailed abnormality prediction. In this way, the overall monitoring processing group monitors whether or not there is an abnormal situation with respect to the controlled object.
(b)予定外シーケンス検索推論機構19は、前記異常
予測推論機構18において異常事態が発見された場合に
その異常内容を理解し、制御対象に対して最も適切で、
かつ異常事態の波及効果が少なくなるような予定外処理
を、予定外シーケンス起動知識16に基づいて検索推論
すると共に、該予定外処理を前記予定外シーケンス起動
機構22に15
よって起動させる機構であって、予定外シーケンス群、
異常事態レベル(緊急度)知識群、異常事態レベルに対
応した回避処理検索推論群、回避処理実行群からなる。(b) The unscheduled sequence search inference mechanism 19 understands the content of the abnormality when an abnormal situation is discovered in the abnormality prediction and inference mechanism 18, and determines the most appropriate method for the control target.
The system also searches for and infers an unscheduled process that reduces the ripple effect of an abnormal situation based on the unscheduled sequence activation knowledge 16, and causes the unscheduled sequence activation mechanism 22 to activate the unscheduled process by the unscheduled sequence activation mechanism 22. , unplanned sequence group,
It consists of an abnormal situation level (urgency) knowledge group, an avoidance process search reasoning group corresponding to the abnormal situation level, and an avoidance process execution group.
予定外シーケンス群には、予め予想される制御対象のい
ろいろな異常事態に対応して実際に実施しなければなら
ない異常処理に関する知識が格納されている。The unscheduled sequence group stores knowledge regarding abnormal processes that must be actually performed in response to various abnormal situations of the control target that are predicted in advance.
異常事態レベルとは、前記異常予測推論によって導き出
された結論であり、その内容は、たとえば制御対象全部
の停止、制御対象の部分的停止等の緊急性と制御対象に
与える影響度合、製品の完成度等を十分に加味したもの
である。The abnormal situation level is the conclusion drawn by the above-mentioned abnormality prediction reasoning, and its contents include, for example, the urgency of stopping all controlled objects, partial stopping of controlled objects, etc., the degree of impact on controlled objects, and the completion of the product. This takes into account factors such as degree.
回避処理検索推論群は、異常事態レベルと異常発生場所
とに基づいて予定外シーケンス群の中のどの処理を実行
すれば、異常予測推論で出された結論に対して満足でき
るかを推論するものである。The avoidance process search inference group infers which process in the unplanned sequence group should be executed to satisfy the conclusion drawn by the abnormality prediction inference based on the abnormality level and the location of the abnormality occurrence. It is.
回避処理実行群は、回避処理検索結果に基づいて予定外
シーケンスを実行する。The avoidance process execution group executes an unscheduled sequence based on the avoidance process search results.
(e)リスヶジュール推論機構20は、異常事態発16
生後における制御対象の運用計画、すなわち生産スケジ
ュールの再編成処理をリスヶジュール知識17に基づい
て行い、新たな生産スケジュールにしたがって制御対象
運用を行わせるものである。(e) The squirrel module inference mechanism 20 performs the operation plan of the controlled object after the occurrence of an abnormal situation 16, that is, the reorganization process of the production schedule, based on the squirrel module knowledge 17, and causes the controlled object to be operated according to the new production schedule. It is.
本発明では、このような生産スケジュールを予めプロセ
ス制御機構3に入力し、生産計画を登録することにより
、人力されたデータにしたがって制御対象を運用してゆ
く。In the present invention, by inputting such a production schedule into the process control mechanism 3 in advance and registering the production plan, the controlled object is operated according to the manually inputted data.
以下に、第1図に示した本発明の一実施例であるプラン
トシステムの制御方法を・詳細に説明する。Below, a method for controlling a plant system, which is an embodiment of the present invention shown in FIG. 1, will be explained in detail.
第2図にその構成を例示した対象プラント10において
、バッチスケジュール27に登録されたバッチスケジュ
ールに従ってバッチ処理が開始されると、シーケンス実
行管理機構6は処方マスク28を検索し、これに登録さ
れた工程順序、工程内容にしたがって製品の生産を実行
する二このとき、処方マスク28に登録された個々の工
程の開始タイミングには、推論起動ブロックが設定され
ており、さらにその工程の終了タイミングには前記推論
起動ブロックに対応した推論停止ブロックが設定されて
おり、該推論ブロックによって推論要求の,発行、解除
等の推論操作が行われる。In the target plant 10 whose configuration is illustrated in FIG. 2, when batch processing is started according to the batch schedule registered in the batch schedule 27, the sequence execution management mechanism 6 searches for the prescription mask 28 and When manufacturing products according to the process order and process contents, an inference activation block is set at the start timing of each process registered in the prescription mask 28, and an inference activation block is set at the end timing of the process. An inference stop block corresponding to the inference activation block is set, and inference operations such as issuing and canceling an inference request are performed by the inference block.
また、推論起動ブロックおよび推論停止ブロックには、
それぞれの工程に最適な推論内容を指定するための推論
番号が付加されており、推論起動ブロックに実行トーク
ン(処理実施ポインタ)が到達すると、そのブロックに
設定された推論番号がシーケンス実行管理6を介して推
論管理機構7に出力される。In addition, the inference start block and inference stop block include
An inference number is added to specify the optimal inference content for each process, and when an execution token (process execution pointer) reaches an inference activation block, the inference number set for that block is assigned to the sequence execution management 6. It is output to the inference management mechanism 7 via the inference management mechanism 7.
推論起動ブロックに基づいて推論要求を受けた推論管理
機構7は、その推論番号に応じて推論を実行する推論機
構を選択する。上記した場合では、推論管理機構7は予
定外シーケンス検索推論機構19に対して推論要求を発
行する。The inference management mechanism 7, which receives an inference request based on the inference activation block, selects an inference mechanism to execute inference according to the inference number. In the above case, the inference management mechanism 7 issues an inference request to the unscheduled sequence search inference mechanism 19.
予定外シーケンス検索推論機構19には、前記推論番号
で指定された内容の推論を、対象プラントの各プロセス
項目の状態を表すTagデータ(プラントデータ)に基
づいて実行するためのルールが登録されている。なお、
対象プラントの各プロセス項目はTag名称で表され、
それぞれのTag名称は、たとえばT200、T201
、・・・Tnとして区別される。The unscheduled sequence search inference mechanism 19 has registered rules for executing the inference specified by the inference number based on the tag data (plant data) representing the status of each process item of the target plant. There is. In addition,
Each process item of the target plant is represented by a tag name,
For example, each tag name is T200, T201.
,...Tn.
推論要求を受けた予定外シーケンス検索推論機構19は
、前記推論番号で指定された内容の推論を実行し、実行
中の工程において何等かの異常が発生していないかどう
かを判断する。このとき、推論に必要なプラントデータ
およびヒストリカルデータは、プラントデータ収集機構
25を介して、それぞれプラントデータベース13およ
びヒストリカルデータベース24より人手される。Upon receiving the inference request, the unscheduled sequence search inference mechanism 19 executes the inference specified by the inference number and determines whether any abnormality has occurred in the process being executed. At this time, the plant data and historical data necessary for inference are manually obtained from the plant database 13 and the historical database 24, respectively, via the plant data collection mechanism 25.
以下、予定外シーケンス検索推論機構19による推論内
容を具体的に説明する。The content of the inference by the unscheduled sequence search inference mechanism 19 will be specifically explained below.
いま、釜内の原料を攪拌する工程の開始タイミングにお
いて実行トークンが推論起動ブロックを検知し、予定外
シーケンス検索推論機構19に推論要求が発行されると
、該予定外シーケンス検索推論機構19は以下のような
推論を実行する。Now, when the execution token detects the inference activation block at the start timing of the process of stirring the raw materials in the pot and an inference request is issued to the unscheduled sequence search inference mechanism 19, the unscheduled sequence search inference mechanism 19 performs the following. Perform inferences like .
IF(釜1で生産中の品種がA品種であり)・・・・・
・(1)
19
IF(釜1で実行中の工程が攪拌であり)・・・・・・
(2)
1F(TIOOの測定値〈40℃) ・・・・・・(3
)THEN (釜1の原料Yの投入量が不十分である)
そして、前記仮定条件(1)〜(3)が満足されたなら
ば、THEN以下に示された内容が中間結論として導ぎ
出される。IF (the variety being produced in pot 1 is variety A)...
・(1) 19 IF (the process being executed in pot 1 is stirring)...
(2) 1F (TIOO measurement value <40℃) ・・・・・・(3
) THEN (The amount of raw material Y input into pot 1 is insufficient.) If the above assumptions (1) to (3) are satisfied, then the contents shown below THEN will be derived as an intermediate conclusion. It will be done.
そして、2つの釜でのバッチ処理が平行して実行される
システムにおいては、さらに以下のような推論が実行さ
れる。In a system where batch processing in two pots is executed in parallel, the following reasoning is further executed.
IF(釜2で実行中の工程が原料Y仕込みでなく)
・・・・・・〈5)IF(釜
1の原料Yの投入量が不十分である)・・・・・・(6
)
THEN (釜1に原料Yを追加投入する予定外シーケ
ンスを起動する)
そして、前記仮定条件(5) 、(6)が満足されたな
らば、THEN以下に示された内容の予定外シーケンス
起動要求が予定外シーケンス起動機構20
22に発行され、バルブ31b,31eが開かれて原料
Yの追加投入が行われる。なお、予定外シーケンスの起
動によ゛る処理実績も、シーケンス実行管理6を介して
バッチ実績29に登録される。IF (the process being executed in pot 2 is not the preparation of raw material Y)
・・・・・・〈5) IF (Insufficient amount of raw material Y input into pot 1)・・・・・・(6
) THEN (Starts an unscheduled sequence to add raw material Y to pot 1) Then, if the above assumed conditions (5) and (6) are satisfied, the unscheduled sequence starts with the contents shown below THEN. A request is issued to the unscheduled sequence starting mechanism 2022, the valves 31b and 31e are opened, and the raw material Y is added. Note that the processing results resulting from the activation of unscheduled sequences are also registered in the batch results 29 via the sequence execution management 6.
本実施例によれば、バッチ処理の工程ごとに推論が起動
され、・該工程の終了と共に前記推論が停止されるよう
にしたので、監視時間、監視対象設備を限定した推論が
可能になる。According to this embodiment, the inference is activated for each step of batch processing, and the inference is stopped at the end of the step. Therefore, inference can be performed with a limited monitoring time and equipment to be monitored.
換言すれば、時刻をパラメータとして推論開始あるいは
推論停止を定義する必要がなく、また、監視する範囲を
限定することができるようになるので、その時々のシー
ケンス処理に最適な異常検出推論が正確かつ短時間で行
えるようになる。In other words, there is no need to define inference start or inference stop using time as a parameter, and the monitoring range can be limited, so anomaly detection inference that is optimal for the sequence processing at that time can be accurate and accurate. You can do it in a short time.
さらに、最適な異常検出推論が可能となることによって
、その異常を回避するために最適な予定外シーケンスを
簡単に選択・実行できるようになる。Furthermore, by making optimal anomaly detection inference possible, it becomes possible to easily select and execute the optimal unscheduled sequence to avoid the anomaly.
ところで、生産システムにおいては、直接バッチ処理と
は関係の無い部分において異常が発生する場合があるの
で、前記異常徴候を検出してオぺレークに警報等を発す
る弄常予測推論システムが必要となる。By the way, in a production system, an abnormality may occur in a part that is not directly related to batch processing, so a malfunction prediction inference system that detects the abnormality symptoms and issues a warning etc. to the operator is required. .
以下、異常予測推論方法について説明する。The abnormality prediction inference method will be explained below.
異常予測推論は、対象プラントにおいて異常が発生した
場合に、その異常原因がどこにあるのかを予測推論する
もので、第1図に示した本実施例の生産システムでは、
異常予測推論機構18がプロセス監視異常予測知識15
に登録されたルールにしたがって実行する。Abnormality prediction inference is to predict and infer where the cause of the abnormality is when an abnormality occurs in the target plant.In the production system of this embodiment shown in FIG.
The abnormality prediction inference mechanism 18 uses the process monitoring abnormality prediction knowledge 15
Execute according to the rules registered in .
前記プロセス監視異常予測知識15には、バッチシーケ
ンスの実行状態に拘らず対象プラントの異常内容に応じ
て異常原因を推論するためのルールが登録されている。The process monitoring abnormality prediction knowledge 15 has registered rules for inferring the cause of the abnormality according to the content of the abnormality in the target plant, regardless of the execution state of the batch sequence.
一方、対象プラント10の異常検知は、プロセスデータ
処理8がプラントデータベース13に登録された知識に
基づいて行う。該プラントデータベース13には、対象
プラント10の各プロセス項目の状態を表すTagデー
タに基づいて叉常を検知するためのルールが登録されて
いる。On the other hand, abnormality detection in the target plant 10 is performed by the process data processing 8 based on knowledge registered in the plant database 13. In the plant database 13, rules for detecting abnormalities are registered based on tag data representing the status of each process item of the target plant 10.
それぞれのTag名称におけるTagデータの下限値お
よび上限値は前記プラントデータベース13に登録され
ており、プロセスデータ処理8は、Tagデータがその
範囲を外れると、そのプロセス項目に異常が発生したも
のと判断する。The lower and upper limits of Tag data for each Tag name are registered in the plant database 13, and when the Tag data falls outside of that range, the process data processing 8 determines that an abnormality has occurred in that process item. do.
すなわち、Tag名称T200が温度に関するデータで
あるならば、たとえばその下限値が10℃、上限値が1
00℃としてプラントデータベース13に登録されてお
り、Tagデータが10℃〜100℃の範囲外になると
、そのプロセス項目に異常が発生したものと判断される
。In other words, if the Tag name T200 is data related to temperature, for example, the lower limit value is 10 degrees Celsius, and the upper limit value is 1
It is registered in the plant database 13 as 00°C, and if the Tag data falls outside the range of 10°C to 100°C, it is determined that an abnormality has occurred in that process item.
ただし、プラントの起動時および停止時のような過渡状
態においてはこの測定レンジが補償されるものではない
ため、異常予測推論の対象となるのは、プラントの運転
状態が定常状態にあるときである。However, this measurement range is not compensated for in transient states such as when the plant starts up and stops, so abnormality prediction inference is only applied when the plant is in a steady state. .
上記のようにして異常発生が検知されると、プロセスデ
ータ処理8は推論管理機構7に推論要求を発行する。こ
のとき、プロセスデータ処理8は推論要求と共に推論番
号も併せて発行する。この推論番号は一種のイベント番
号であり、Tag名23
称T200に関する推論を行わせるために用いられる。When the occurrence of an abnormality is detected as described above, the process data processing 8 issues an inference request to the inference management mechanism 7. At this time, the process data processing 8 issues an inference number together with an inference request. This inference number is a type of event number, and is used to infer the tag name 23 T200.
また、累常予測推論には複数の異なった推論を登録する
ことが可能であり、この推論番号は該複数の推論のうち
、どの推論を行わせるべきかを振り分けるためにも用い
られる。Further, it is possible to register a plurality of different inferences in the cumulative predictive inference, and this inference number is also used to allocate which inference should be performed among the plurality of inferences.
推論要求を受けた推論管理機構7は、その推論要求内容
(推論番号)に応じて推論を実行する機構を選択する。Upon receiving the inference request, the inference management mechanism 7 selects a mechanism for executing inference according to the inference request content (inference number).
上記した場合では、対象プラント10の異常発生に対す
る推論要求であるために、推論管理機構7は異常予測推
論機構18に対して推論要求を発行する。In the above case, the inference management mechanism 7 issues the inference request to the abnormality prediction inference mechanism 18 because the inference request is regarding the occurrence of an abnormality in the target plant 10 .
推論要求を受けた異常予測推論機構18は、前記推論番
号で指定された内容の推論を、プロセス監視異常予測知
識15に予め登録された知識に基づいて推論する。この
とき、推論に必要なプラントデータおよびヒストリカル
データは、プラントデータ収集機構25を介して、それ
ぞれプラントデータベース13およびヒストリカルデー
タベース24より入手する。Upon receiving the inference request, the abnormality prediction inference mechanism 18 infers the content specified by the inference number based on the knowledge registered in advance in the process monitoring abnormality prediction knowledge 15. At this time, plant data and historical data necessary for inference are obtained from the plant database 13 and historical database 24, respectively, via the plant data collection mechanism 25.
なお、プラントデータおよびヒストリカルデ−24
夕に基づく具体的な異常予測推論方法は、従来技術と同
様であり当業者にとっては明らかであるので、その説明
は省略する。Note that the specific abnormality prediction inference method based on plant data and historical data is the same as the prior art and is obvious to those skilled in the art, so a description thereof will be omitted.
また、上記のようにして推論が実行され穴常原因が判明
すると、異常予測推論機構18は、該異常原因を回復す
るための予定外シーケンスの実行要求を予定外シーケン
ス検索推論機構19に発行する。Furthermore, when the inference is executed as described above and the cause of the hole is found, the anomaly prediction and inference mechanism 18 issues a request to the unscheduled sequence search and inference mechanism 19 to execute an unscheduled sequence for recovering the cause of the anomaly. .
実行要求を受けた予定外シーケンス検索推論機構19は
、その実行要求の内容を判断して最適な予定外シーケン
スを推論によって検索し、その結果を予定外シーケンス
起動機構22に出力する。Upon receiving the execution request, the unscheduled sequence search inference mechanism 19 determines the content of the execution request, searches for an optimal unscheduled sequence by inference, and outputs the result to the unscheduled sequence activation mechanism 22.
予定外シーケンス起動機構22は、予定外シーケンスを
起動すると共に、それによる処理実績をシーケンス実行
管理6を介してバッチ実績29に登録する。The unscheduled sequence activation mechanism 22 activates the unscheduled sequence and registers the resulting processing results in the batch results 29 via the sequence execution management 6.
ところで、前記のようにして予定外シーケンスが起動さ
れると、それ以後の工程に遅れが発生し、当初の生産量
を確保できなくなったり、それぞれの工程間において競
合が発生するなどの問題が発生し、生産スケジュールを
再立案しなければならない場合が起こる。By the way, when an unscheduled sequence is activated as described above, subsequent processes will be delayed, causing problems such as not being able to secure the initial production volume and conflicts occurring between each process. However, there may be cases where the production schedule must be re-planned.
第4図は、予定外シーケンスが実行されたことによって
工程の開始時刻がずれ、それによって競合が発生する場
合を説明するための図である。FIG. 4 is a diagram for explaining a case where the start time of a process is shifted due to execution of an unscheduled sequence, which causes a conflict.
同図(a)は当初のスケジュールを示しており、製品A
を生産する釜1で原料Xの仕込み工程(図中、ハッチン
グ部分)が終了した後に、製品Bを生産する釜2で原料
Xの仕込み工程が行われるようになっており、原料Xの
仕込み工程が釜1、釜2において競合することはない。Figure (a) shows the initial schedule, with product A
After the preparation process of raw material There is no conflict in pots 1 and 2.
ところが、何等かの異常が発生し、同図(b)に示した
ように釜1の工程において予定外シーケンス(図中、斜
線部分)が実行された場合、その後、予定外シーケンス
に費やした時間だけ各工程の開始時刻を後にずらすと、
釜1の原料X仕込み工程と釜2の原料X仕込み工程とが
競合してしまう場合がある。However, if some kind of abnormality occurs and an unscheduled sequence (shaded area in the diagram) is executed in the process of pot 1 as shown in Figure (b), the time spent on the unscheduled sequence If you shift the start time of each process later by
The raw material X preparation process in pot 1 and the raw material X preparation process in pot 2 may conflict with each other.
このとき、競合を避けるためには同図(C)に示すよう
に、釜1の原料X仕込み工程を後へずらす方法と、同図
(d)に示すように釜2の原料X仕込み工程を後へずら
す方法があるが、いずれの工程゛を後へずらすかによっ
て、全体としての遅れ時間が変わる。At this time, in order to avoid competition, there is a method to move the raw material There is a method of moving the process backward, but the overall delay time changes depending on which process is moved backward.
すなわち、第4図に示した実施例では、同図(C)と同
図(d)との比較から明らかなように、釜2の工程を後
へずらした方が、全体としての遅れ時間が短くなる。That is, in the embodiment shown in FIG. 4, as is clear from the comparison between FIG. 4(C) and FIG. Becomes shorter.
そこで、本発明においては、競合が発生せず、かつ遅れ
時間が最も少なくなるようなスケジュールを推論によっ
て再立案する。Therefore, in the present invention, a schedule is re-designed by inference so that no conflicts occur and the delay time is minimized.
以下に、上記したようなスケジュールの再立案方法につ
いて詳細に説明する。The method of re-planning the schedule as described above will be explained in detail below.
予定外シーケンスが実行されると、初めにリスケジュー
ル推論機構20はリスヶジュール知識17に従って、競
合が発生したか否かを以下のようにして推論する。When an unscheduled sequence is executed, the rescheduling inference mechanism 20 first infers whether a conflict has occurred according to the reschedule knowledge 17 as follows.
1F(バッチスケジュールの使用釜が釜1であり)
27
1F(バッチスケジュールの品種名が八品種である)
THEN (A品種の原料X仕込みの開始時刻を81と
する)
THEN (A品種の原料X仕込みの終了時刻をE1と
する)
さらに、
IF(バッチスケジュールの使用釜が釜2であり)
1F(バッチスケジュールの品種名がB品柾である)
THEN (B品種の原料X仕込みの開始時刻を82と
する)
THEN (B品種の原料X仕込みの終了時刻をE2と
する)
さらに、
1F (S1<S2<Elまたは
Sl<E2<E1)
IF (S2<Sl<E2または
S2<El<E2)
28
THEN (A品種とB品種との原料X仕込み工程が競
合)
以上のような推論の結果、競合が発生していると判断さ
れると、リスヶジュール推論機構20は、さらに以下の
ような推論を実行する。1F (The pot used in the batch schedule is pot 1) 27 1F (The product name in the batch schedule is 8 products) THEN (The start time of preparing raw material In addition, IF (The pot used in the batch schedule is pot 2) 1F (The product name in the batch schedule is B product 柾) THEN (The start time of preparing raw material 82) THEN (The end time of preparing raw material 28 THEN (Conflict between raw material Execute.
1F(PiをEl−82とし)
1F(P2をE2−SLとし)
1F (Pi<P2)
THEN (バッチスケジュールの使用釜が釜2であり
、品種名がB品種であるバッ
チ開始時刻をP1だけ遅らせる)
IF(Pi≧P2)
THEN (バッチスケジュールの使用釜が釜1であり
、品種名がA品種であるバッ
チ開始時刻をP2だけ遅らせる)
第4図に示したように、PI<P2である場合には、釜
2の原料X仕込み工程をP1だけ後へずらし、同図〈e
)に示したスケジュールが再立案されることになる。1F (Pi is El-82) 1F (P2 is E2-SL) 1F (Pi<P2) THEN (The pot used in the batch schedule is pot 2, and the batch start time is B grade. Only P1 is set. IF (Pi≧P2) THEN (Delays the start time of a batch when pot 1 is used in the batch schedule and the product name is A product by P2) As shown in Figure 4, PI<P2. In this case, the raw material
) will be revised.
このように、本発明によれば共通工程が競合した場合で
も、該競合を避けるために後ろへずらす粒間が最短とな
るスケジューリングが可能になるので、待ち時間を最短
にするようなスケジューリングが可能になる。In this way, according to the present invention, even if there is a conflict between common processes, it is possible to perform scheduling that minimizes the interval between grains that are shifted backward to avoid the conflict, so it is possible to perform scheduling that minimizes the waiting time. become.
(発明の効果)
以上の説明から明らかなように、本発明によれば以下の
ような効果が達成される。(Effects of the Invention) As is clear from the above description, according to the present invention, the following effects are achieved.
(1)バッチ処理の工程ごとに最適な推論が起動され、
該工程の終了と共に前記推論が停止されるので、監視時
間、監視対象設備を限定した推論が可能になり、その時
々のシーケンス処理に最適な異常検出推論が正確かつ短
時間で行えるようになる。(1) Optimal inference is activated for each batch processing step,
Since the inference is stopped upon completion of the process, inference can be made with limited monitoring time and equipment to be monitored, and anomaly detection inference that is optimal for the sequence processing at the time can be performed accurately and in a short time.
また、最適な異常検出推論が可能となることによって、
その異常を回避するために最適な予定外シーケンスを簡
単に選択・実行できるようになる。In addition, by enabling optimal anomaly detection inference,
It becomes possible to easily select and execute the optimal unscheduled sequence to avoid the abnormality.
(2)予定外シーケンスの実行後に各工程の競合の杓゜
無を検出し、競合が検出されると互いに競合する工程の
少なくとも一方の工程開始時刻を、競合が解消され、か
つ待ち時間が最短となるようにずらすので、待機時間が
少なく、競合の発生しないスケジュールの再立案が極め
て容易に行われるようになる。(2) After execution of the unscheduled sequence, detect whether or not there is any conflict in each process, and when a conflict is detected, set the process start time of at least one of the mutually conflicting processes so that the conflict is resolved and the waiting time is the shortest. Since the schedule is shifted so that the waiting time is small, it is extremely easy to re-plan the schedule without causing conflicts.
第1図は本発明の一実施例であるプラントシステムのブ
ロック図である。
第2図は第1図のプラントシステムで管理されるプラン
トの構成を示した図である。
第3図はパッチシーケンス情報部に登録された情報の内
容を説明するための図である。
第4図はスケジュールの再立案方法を説明するための図
である。FIG. 1 is a block diagram of a plant system that is an embodiment of the present invention. FIG. 2 is a diagram showing the configuration of a plant managed by the plant system of FIG. 1. FIG. 3 is a diagram for explaining the contents of information registered in the patch sequence information section. FIG. 4 is a diagram for explaining a method for re-planning a schedule.
Claims (3)
異常発生時には予定外シーケンスを実行して異常回復処
理を実行する生産システム監視システムであって、 対象プラントにおいて複数のバッチ処理工程を予定のシ
ーケンスに従って実行するシーケンス実行手段と、 対象プラントからのプロセス量を取り込むためのプロセ
ス量入力装置と、 プロセス量に基づいてプロセス項目の異常を検知する異
常検知手段と、 前記異常内容に応じて異常原因を推論し、該異常原因に
応じた第1の予定外シーケンス推論起動命令を発行する
異常予測推論手段と、 前記バッチ処理工程の開始タイミングで、該バッチ処理
工程に応じた第2の予定外シーケンス推論起動命令を発
行し、終了タイミングでその推論停止命令を発行する推
論命令発行手段と、前記第1および第2の予定外シーケ
ンス推論起動命令に応じた推論を前記プロセス量に基づ
いて実行し、異常が検知された場合に、該異常に応じた
予定外シーケンスを検索する予定外シーケンス検索推論
手段と、 検索された予定外シーケンスを起動する予定外シーケン
ス起動手段とを具備した生産システム監視システム。(1) Execute batch processing according to the scheduled sequence,
A production system monitoring system that performs abnormality recovery processing by executing an unscheduled sequence when an abnormality occurs, comprising a sequence execution means for executing multiple batch processing steps in a target plant according to a scheduled sequence, and a process amount from the target plant. an abnormality detection means for detecting an abnormality in a process item based on the process amount; and an abnormality detection means for detecting an abnormality in a process item based on the process amount; an abnormality prediction inference means that issues a sequence inference start command; at the start timing of the batch processing step, issues a second unscheduled sequence inference start command corresponding to the batch processing step; and at the end timing, issues the second unscheduled sequence inference start command; An inference instruction issuing means to issue and inference according to the first and second unscheduled sequence inference activation instructions is executed based on the process amount, and when an abnormality is detected, unscheduled inference according to the abnormality is executed. A production system monitoring system comprising an unscheduled sequence search inference means for searching for a sequence, and an unscheduled sequence starting means for starting the retrieved unscheduled sequence.
を検出し、競合が検出された場合に、互いに競合する工
程の少なくとも一方の工程開始時刻を、競合が解消され
るまでずらすリスケジュール手段を、さらに具備したこ
とを特徴とする特許請求の範囲第1項記載の生産システ
ム監視システム。(2) Rescheduling means that detects whether there is a conflict between each process after the execution of the unscheduled sequence, and if a conflict is detected, shifts the process start time of at least one of the mutually conflicting processes until the conflict is resolved. The production system monitoring system according to claim 1, further comprising:
の工程の開始時刻および終了時刻をそれぞれS1、E1
、他方の工程の開始時刻および終了時刻をそれぞれS2
、E2としたときに、 (S1<S2<E1)、(S1<E2<E1)、(S2
<S1<E2)、および(S2<E1<E2)のいずれ
かの条件が満足された場合に互いの工程が競合したと判
断し、この場合に(E1−S2)<(E2−S1)の条
件が満足されると他方の工程の開始時刻を(E1−S2
)だけ遅らせ、(E1−S2)≧(E2−S1)の条件
が満足されると一方の工程の開始時刻を(E2−S1)
だけ遅らせることを特徴とする特許請求の範囲第2項記
載の生産システム監視システム。(3) The rescheduling means sets the start time and end time of one of the processes to be compared to S1 and E1, respectively.
, the start time and end time of the other process are set to S2, respectively.
, E2, (S1<S2<E1), (S1<E2<E1), (S2
<S1<E2) and (S2<E1<E2), it is determined that the processes conflict with each other, and in this case, (E1-S2)<(E2-S1). When the conditions are satisfied, the start time of the other process is changed to (E1-S2
), and when the condition (E1-S2)≧(E2-S1) is satisfied, the start time of one process is delayed by (E2-S1).
3. The production system monitoring system according to claim 2, wherein the production system monitoring system is delayed by a certain amount.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP16217589A JPH0697403B2 (en) | 1989-06-23 | 1989-06-23 | Production system monitoring system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP16217589A JPH0697403B2 (en) | 1989-06-23 | 1989-06-23 | Production system monitoring system |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH0327401A true JPH0327401A (en) | 1991-02-05 |
JPH0697403B2 JPH0697403B2 (en) | 1994-11-30 |
Family
ID=15749441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP16217589A Expired - Fee Related JPH0697403B2 (en) | 1989-06-23 | 1989-06-23 | Production system monitoring system |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH0697403B2 (en) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11327607A (en) * | 1998-05-12 | 1999-11-26 | Yokogawa Electric Corp | Scheduling system |
JP2005339544A (en) * | 2004-05-27 | 2005-12-08 | Palo Alto Research Center Inc | Exception handling in manufacturing system combining on-line planning and predetermined rule |
JP2007171496A (en) * | 2005-12-21 | 2007-07-05 | Canon Inc | Image forming apparatus and toner recovery device |
JP2008119694A (en) * | 2008-01-10 | 2008-05-29 | Akamatsu Denki Seisakusho:Kk | Lateral-type dust-removal device |
JP4690372B2 (en) * | 2007-09-03 | 2011-06-01 | 株式会社御池鐵工所 | Plant to increase bulk specific gravity of waste sheet material |
WO2024006126A1 (en) * | 2022-06-27 | 2024-01-04 | Kaneka Americas Holding, Inc. | Data-based soft sensing for chemical reactor to estimate variables and detect abnormalities |
-
1989
- 1989-06-23 JP JP16217589A patent/JPH0697403B2/en not_active Expired - Fee Related
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11327607A (en) * | 1998-05-12 | 1999-11-26 | Yokogawa Electric Corp | Scheduling system |
JP2005339544A (en) * | 2004-05-27 | 2005-12-08 | Palo Alto Research Center Inc | Exception handling in manufacturing system combining on-line planning and predetermined rule |
JP2007171496A (en) * | 2005-12-21 | 2007-07-05 | Canon Inc | Image forming apparatus and toner recovery device |
JP4690372B2 (en) * | 2007-09-03 | 2011-06-01 | 株式会社御池鐵工所 | Plant to increase bulk specific gravity of waste sheet material |
JP2008119694A (en) * | 2008-01-10 | 2008-05-29 | Akamatsu Denki Seisakusho:Kk | Lateral-type dust-removal device |
WO2024006126A1 (en) * | 2022-06-27 | 2024-01-04 | Kaneka Americas Holding, Inc. | Data-based soft sensing for chemical reactor to estimate variables and detect abnormalities |
Also Published As
Publication number | Publication date |
---|---|
JPH0697403B2 (en) | 1994-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0423287B1 (en) | Batch process control using expert systems | |
EP1727009B1 (en) | System for displaying alarms and related information for supporting process operation | |
US20070288414A1 (en) | System and method for selection of prediction tools | |
JP3573559B2 (en) | Maintenance support system | |
JPH09330861A (en) | Method and system for managing work | |
KR101018489B1 (en) | User-specified configuration of prediction services | |
CN102707701B (en) | Storage monitoring management system and method | |
JPH0327401A (en) | Supervisory system for production system | |
JPH0553641A (en) | Screen display method and man-machine interface device for process control system | |
Seok et al. | Digital-twin consistency checking based on observed timed events with unobservable transitions in smart manufacturing | |
JP6880343B1 (en) | Scheduler system, scheduler management device and machine learning device | |
CN101403913B (en) | Online recipe synchronization in a real-time batch executive environment | |
Stanley | Experiences using knowledge-based reasoning in online control systems | |
JP2001084034A (en) | Method for analyzing event record | |
CN115427907A (en) | Intelligent alarm management method for industrial process | |
JP2000259703A (en) | Engineering supporting method and its device | |
JP2770228B2 (en) | Knowledge-based plant information processing system | |
US5394512A (en) | Knowledge-base computer system with state information indicative of ambiguous applied conditions | |
Chaillet et al. | Specification of FMS real-time control based on Petri nets with objects and process failure monitoring | |
JPH1091450A (en) | Inference processing method | |
JP2541633B2 (en) | Preventive maintenance method and preventive maintenance apparatus for plant | |
JPH04178841A (en) | Abnormal apparatus diagnostic system | |
Pesin et al. | Proposal of an event filtering approach to improve the reactive management of complex industrial systems | |
JPH09282026A (en) | Plant operation guide system | |
JPH07129232A (en) | Plant monitor device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
LAPS | Cancellation because of no payment of annual fees | ||
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: R3D02 |