协调型学习系统以及监视系统的制作方法

1.本发明的实施方式涉及按时间序列连续的处理工序、制造工序的工艺改善方法以及监视技术。


背景技术：

2.例如，水处理经过按时间序列连续的多个处理工序来改善水质。在连续地流入水的各处理工序中，收集由传感器设备等测定、检测出的监视数据。收集到的监视数据被输入监视系统，监视系统按照各个处理工序来判定正常运转/异常运转。
3.现有技术文献
4.专利文献
5.专利文献1：日本特开2016
‑
195974号公报
6.专利文献2：日本特开2017
‑
157072号公报
7.专利文献3：日本特开2018
‑
63656号公报
8.专利文献4：日本专利第5022610号


技术实现要素：

9.发明要解决的课题
10.提供一种协调型学习系统，在按时间序列连续的多个工序的工艺监视中实现工艺整体的效率改善。
11.用于解决课题的手段
12.实施方式的协调型学习系统是按照以规定的过渡时间间隔按时间序列连续的多个工序分别设置有监视模型的工艺监视中的协调型学习系统。协调型学习系统具有：存储部，按时间序列存储第1工序的第1监视数据、相对于上述第1工序为上游或者下游的第2工序的第2监视数据、以及第1监视模型将上述第1监视数据作为输入参数而输出的上述第1工序的监视结果；以及模型学习部，使用上述第1监视数据和上述第1监视模型的监视结果，对上述第1监视模型进行母模型学习处理，将第1时刻的上述第1监视模型的监视结果用作为教师数据，对将相对于上述第1时刻相差过渡时间量的第2时刻的上述第2监视数据作为输入参数的第2监视模型进行子模型学习处理。
附图说明
13.图1是用于说明第1实施方式的监视系统的功能块的图。
14.图2是第1实施方式的协调型学习模型的说明图。
15.图3是表示监视第1实施方式的各工序的协调型学习模型的构建例(相对于起点工艺为上游的监视模型)的图。
16.图4是表示监视第1实施方式的各工序的协调型学习模型的构建例(相对于起点工艺为下游的监视模型)的图。
17.图5是用于说明在第1实施方式的按时间序列连续的多个工序中，相对于起点工艺的各协调型学习模型间的关系的图。
18.图6是表示应用了第1实施方式的协调型学习模型的水处理中的工艺改善例的图。
19.图7是用于说明第1实施方式的协调型学习模型对于瓶颈工序的工艺整体的改善例的图。
20.图8是表示第1实施方式的协调型学习模型的构建处理以及更新处理的流程图。
具体实施方式
21.以下，参照附图对实施方式进行说明。
22.(第1实施方式)
23.图1至图8是用于说明使用了第1实施方式的协调型学习模型的工艺改善方法的图，图1是表示应用了协调型学习系统的监视系统的功能块的图。如图1所示，向监视装置100输入从按时间序列连续的多个工序收集到的监视数据，使用按照多个工序分别设置的监视模型中的监视结果来进行工艺整体的管理。
24.包括按时间序列连续的多个工序的工艺，作为一例而存在水处理。在水处理中，水在调整槽、曝气槽、沉淀槽、凝集反应槽等各工序中流动而被净化。这些各槽以规定的过渡时间间隔按时间序列连续，通过监视各槽来进行水处理工艺整体的管理。
25.另外，本实施方式的协调型学习的结构，除了水处理工艺的改善以及管理以外，还能够应用于其他工艺管理。例如，能够在产品、材料的制造生产线、热处理、化学处理等加工生产线、垃圾、废弃物等的焚烧生产线等，两个以上工序以规定的过渡时间间隔按时间序列连续的工艺监视中应用协调型学习模型。
26.在图1的例子中，处理工艺将工序阶段n设定为起点工艺，以工序阶段n为起点，将上游侧的工序表现为工序阶段n
‑
1、n
‑
2，将下游侧的阶段表现为n 1、n 2。这些工序阶段是按时间序列连续的多个工序，因此在工序阶段n的时刻t被处理的对象，在其他工序中在相差各自的过渡时间量的时刻被处理。换言之，在相同时刻，在工序阶段n中正在被处理的对象，在前段的工序阶段n
‑
1中为处理完成，在后段的工序阶段n 1中为等待处理。
27.在本实施方式中，按照各工序阶段分别设定监视模型，并在各工序阶段中分别输出各监视模型的监视结果。所谓监视模型是指，将监视数据作为输入参数而判定工序阶段是正常状态还是异常状态的判定逻辑。通过机器学习根据其工序的特殊性、环境来定制监视模型。
28.监视数据是从设置于各工序的传感器设备输出的传感器信息。除了温度信息、设备的运转信息、水质信息等的值以外，例如，作为监视数据还包含由摄像机等摄影装置所摄影的图像数据。监视模型例如设定有用于判定正常/异常的阈值、基准图像数据等，对传感器值是否超过阈值、与基准图像数据的匹配率是否超过阈值地低等进行判定，并将其判定结果作为监视结果输出。通过使用这些监视结果及其监视数据(测定值)来进行机器学习，例如，判定基准被更新，并构建最优化的监视模型。
29.本实施方式的监视装置100被输入在处理工艺所包括的各工序阶段取得的监视数据。数据收集控制装置110进行从多个工序分别输出的各监视数据的收集控制，并按时间序列存储到存储装置130中。监视控制装置120按照多个工序分别设定各监视模型，并且使用
所设定的各监视模型，按照工序分别输出基于各监视数据的监视结果。监视结果按时间序列存储在存储装置130中。这些监视控制由监视控制部121执行。
30.另一方面，本实施方式的监视控制装置120具备进行按照工序不同的监视模型的学习控制的协调型学习装置，在图1的例子中，通过监视模型管理部122以及教师数据管理部123来构建协调型学习系统。另外，在本实施方式中，以协调型学习系统被内置于监视装置100的方式作为一例进行说明，但并不限定于此。例如，也能够构建为相对于监视装置100外在地连接的分别独立的协调型学习系统。此外，也能够作为相对于监视装置100通过网络等连接的学习系统加以应用。
31.图2是本实施方式的协调型学习模型的说明图。协调型学习系统的学习处理以及教师数据的生成处理能够在任意定时进行。
32.首先，监视模型管理部122对作为起点工艺的母模型进行设定。例如，将工序阶段n的监视模型yn设定为母模型，对于监视模型yn，使用监视数据a(第1监视数据)和监视模型yn(第1监视模型)的监视结果、以及对监视模型yn预先制作的教师数据，基于机器学习进行针对监视模型yn的母模型学习处理。母模型学习处理能够应用公知的技术，在后述的子模型学习处理中，使用了教师数据的机器学习本身也同样能够应用公知的方法。
33.起点工艺的上游或者下游的各工序阶段的各监视模型，通过将母模型即监视模型yn的监视结果用作为教师数据的学习处理来构建。监视模型管理部122将经过母模型学习处理而构建的监视模型yn的监视结果作为教师数据，针对工序阶段n
‑
1、n 1的各监视模型yn
‑
1、yn 1进行各子模型学习处理。
34.进而，在工序阶段n
‑
1上游的工序阶段n
‑
2中，将使用母模型的教师数据通过子模型学习处理而构建的监视模型yn
‑
1的监视结果作为教师数据，针对监视模型yn
‑
2进行子模型学习处理。工序阶段n 1下游的工序阶段n 2也同样，将使用母模型的教师数据通过子模型学习处理而构建的监视模型yn 1的监视结果作为教师数据，针对监视模型yn 2进行子模型学习处理。
35.另外，在工序阶段n
‑
2以及工序阶段n 2的各工序中，如双点划线所示，也可以构成为，将经过母模型学习处理而构建的监视模型yn的监视结果作为教师数据，针对工序阶段n
‑
2、n 2的各监视模型yn
‑
2、yn 2进行各子模型学习处理。
36.图3是表示本实施方式的监视各工序的协调型学习模型的构建例的图，且是用于说明相对于起点工艺为上游的监视模型的协调型学习处理的图。
37.工序阶段n(第1工序)的监视数据a、相对于工序阶段n为上游的工序阶段n
‑
1(第2工序)的监视数据b、监视模型yn将监视数据a作为输入参数而输出的工序阶段n的监视结果、以及监视模型yn
‑
1将监视数据b作为输入参数而输出的工序阶段n
‑
1的监视结果，分别被按时间序列存储。
38.此时，当在时刻t在作为起点工艺的工序阶段n中检测到异常的情况下，上游的工序阶段n
‑
1中的监视结果为正常。即，即使工序阶段n
‑
1的监视结果为“正常”，在经过过渡时间s1之后的下游的工序阶段n中，监视结果也成为“异常”。因而，即使工序阶段n
‑
1的监视结果在时刻t
‑
s1为正常，如果经过s1时间，则下游的工序阶段n的监视结果也成为异常，因此，对于仅通过监视数据b判定为“正常”的工序阶段n
‑
1的监视模型yn
‑
1，将下游的监视模型yn的监视结果作为教师数据(解)来进行学习处理。
39.监视模型管理部122将时刻t(第1时刻)的监视模型yn(第1监视模型)的监视结果用作为教师数据(解)，对于将相对于时刻t(第1时刻)相差过渡时间s1量的时刻t
‑
s1(第2时刻)的监视数据b(第2监视数据)用作为输入参数的监视模型yn
‑
1(第2监视模型)进行子模型学习处理。此时，教师数据管理部123将工序间的过渡时间考虑在内，而按时间序列来管理被用作为教师数据的工序的监视结果以及针对该监视结果的各监视数据，并向监视模型管理部122提供学习处理所需要的数据。
40.通过如此地构成，监视模型yn
‑
1能够在s1时间经过之前通过监视数据b判定出下游侧的工序阶段n的“异常”。因而，(1)能够在下游的工序阶段n成为“异常”之前进行应对，(2)由于能够在下游的工序阶段n成为“异常”之前进行应对，因此即使之后成为“异常”，也能够加快成为“正常”为止的恢复时间，(3)还能够检测出下游的工序阶段n的“异常”判定的遗漏。上述(3)能够构成为，当原本根据s1时间经过后的监视结果必须判定为异常，但由于某些理由而未判定为异常的情况下，记录s1时间前的监视模型yn
‑
1中的事先“异常”检测，如果s1时间经过后的时刻t的监视模型yn的监视结果为“正常”，则在工序阶段n中输出异常检测的警告。
41.图4是表示本实施方式的监视各工序的协调型学习模型的构建例的图，且是用于说明相对于起点工艺为下游的监视模型的协调型学习处理的图。
42.工序阶段n(第1工序)的监视数据a、相对于工序阶段n为下游的工序阶段n 1(第2工序)的监视数据c、监视模型yn将监视数据a作为输入参数而输出的工序阶段n的监视结果、以及监视模型yn 1将监视数据c作为输入参数而输出的工序阶段n 1的监视结果，分别被按时间序列存储。
43.然后，即使在时刻t在作为起点工艺的工序阶段n中检测到异常，在相同时刻t在下游的工序阶段n 1中监视结果成为正常。即，即使工序阶段n 1的监视结果为“正常”，在过渡时间s2之前的上游的工序阶段n中监视结果也成为“异常”。因而，即使工序阶段n 1的监视结果在时刻t为正常，如果s2时间经过，则监视结果也成为异常，因此，对于仅通过监视数据c判定为“正常”的工序阶段n 1的监视模型yn 1，将上游的监视模型yn的监视结果作为教师数据(解)来进行学习处理。
44.监视模型管理部122将时刻t(第1时刻)的监视模型yn(第1监视模型)的监视结果用作为教师数据(解)，对将相对于时刻t(第1时刻)相差过渡时间s2量的时刻t s2(第2时刻)的监视数据c(第2监视数据)作为输入参数的监视模型yn 1(第2监视模型)进行子模型学习处理。此时，教师数据管理部123也将工序间的过渡时间考虑在内，而按时间序列来管理被用作为教师数据的工序的监视结果以及针对该监视结果的各监视数据，并向监视模型管理部122提供学习处理所需要的数据。
45.因而，监视模型yn 1与s2时间经过前的上游工序阶段n的异常联动，通过监视数据c来检测“异常”。因此，(4)在下游的工序阶段n 1中，能够事先掌握上游的工序阶段n成为“异常”的倾向，(5)能够根据上游的工序阶段n的“异常”，针对下游的工序阶段n 1进行事先应对，(6)还能够检测上游的工序阶段n的“异常”判定的遗漏。上述(6)能够构成为，当原本在工序阶段n中通过时刻t的监视结果必须判定为异常，但由于某些理由而未判定为异常的情况下，记录s2时间前的监视模型yn 1中的事先“异常”检测，如果s2时间经过前的时刻t的监视模型yn的监视结果为“正常”，则在工序阶段n 1中输出异常检测的警告。
46.另外，如上所述，对于相对于工序阶段n
‑
1(第2工序)为上游的工序阶段n
‑
2，工序阶段n
‑
2(第3工序)的监视数据d(第3监视数据)、以及将监视数据b(第2监视数据)作为输入参数并通过子模型学习处理而构建的监视模型yn
‑
1(第2监视模型)所输出的工序阶段n
‑
1(第2工序)的监视结果，也被按时间序列存储，因此，监视模型管理部122能够将时刻t
‑
s1(第3时刻)的监视模型yn
‑
1(第2监视模型)的监视结果用作为教师数据(解)，对将相对于时刻t
‑
s1(第3时刻)相差过渡时间s3量的时刻t
‑
s1
‑
s3(第4时刻)的监视数据d(第3监视数据)作为输入参数的监视模型yn
‑
2(第3监视模型)进行子模型学习处理。当从母模型观察时，监视模型yn
‑
2成为孙模型。对于工序阶段yn 2也同样。
47.此外，作为工序阶段n
‑
2的子模型学习处理的教师数据，能够不使用工序阶段yn
‑
1而使用工序阶段yn的母模型的监视结果。在该情况下，相对于工序阶段n
‑
1(第2工序)为上游的工序阶段n
‑
2(第3工序)的监视数据d(第3监视数据)与监视模型yn的监视结果一起按时间序列存储，监视模型管理部122能够将时刻t(第1时刻)的监视模型yn(第1监视模型)的监视结果用作为教师数据，对将相对于时刻t(第1时刻)相差过渡时间s1 s3量的时刻t
‑
s1
‑
s3(第5时刻)的监视数据d(第3监视数据)作为输入参数的监视模型yn
‑
2(第3监视模型)进行子模型学习处理。在该情况下，当从母模型观察时，监视模型yn
‑
2与监视模型yn
‑
1同样成为子模型。对于工序阶段yn 2也同样。
48.图5是用于说明在本实施方式的按时间序列连续的多个工序中，相对于起点工艺的各协调型学习模型间的关系的图。如图5所示，通过协调型学习模型的构建，各工序阶段中的监视模型构成为以起点工艺为中心的预兆检测模型。起点工艺的监视模型yn是作为母的异常检测模型，前工序的监视模型yn
‑
1被构建为工序阶段n的预兆检测模型，更前工序的监视模型yn
‑
2被构建为工序阶段n
‑
1的预兆检测模型。此外，后工序的监视模型yn 1被构建为工序阶段n的预兆检测模型，更后工序的监视模型yn 2被构建为工序阶段n 1的预兆检测模型。
49.图6是表示应用了本实施方式的协调型学习模型的水处理的工艺改善例的图。图7是用于说明本实施方式的协调型学习模型对于瓶颈工序的工艺整体的改善例的图。
50.本实施方式的协调型学习模型为，当通过母模型的学习处理而判定精度提高时，子模型的判定精度联动地提高。如图7所示，在水处理中，存在成为瓶颈的瓶颈工序，该瓶颈工序中的处理能力对工艺整体的处理能力造成影响。因此，重要的是提高瓶颈工序的监视模型的精度而提高生产能力，但对于瓶颈工序的生产能力提高，并不是分别独立地调整其他工序的监视模型，而是通过联动的协调型学习来提高其他工序的监视模型的精度，并使工艺整体的生产能力提高。在图7的例子中，白色区域是生产能力的改善(提高)部分，相对于瓶颈工序而其他工序的生产能力联动地提高。
51.形成如下的改善循环：通过使母模型的监视精度提高，由此在工序阶段n
‑
1、n 1中，构建针对母模型的工序阶段n(瓶颈工序)的预兆检测模型，通过预兆检测模型的构建，由此工序阶段n的监视精度进一步提高。因此，当成为瓶颈的工序阶段n的监视精度由于预兆检测模型而提高时，工序阶段n的生产能力提高，因此能够提高工序阶段n
‑
1、n 1的生产能力(处理能力)，能够实现工艺整体的生产能力的底线升高。
52.图8是表示本实施方式的协调型学习模型的构建处理以及更新处理的流程图。首先，将以规定的过渡时间间隔按时间序列连续的多个工序中的特定工序设定为成为母模型
的起点工艺(例如，瓶颈工序)。然后，按时间序列收集母模型的工序阶段的监视数据以及多个子模型的各工序阶段的监视数据。作为针对各工序阶段的接口的数据收集控制装置110进行监视数据的收集处理，并存储于存储装置130(监视数据保存部)(s101、s102)。
53.此时，在收集监视数据的同时，在监视控制部121中进行使用了按各工序分别设定的各监视模型的监视控制，并输出监视结果。监视结果与收集到的监视数据被建立关联地按时间序列存储于存储装置130。
54.接着，监视模型管理部122在预先设定的任意定时进行模型更新处理、即模型学习处理。监视模型管理部122首先进行母模型的更新处理(s103的“是”)
55.监视模型管理部122使用母模型的工序阶段的监视数据以及母模型的监视模型的监视结果来进行母模型学习处理(s104)，并将该监视模型更新为学习完成母模型(s105)。
56.教师数据管理部122随着母模型的学习更新而生成在子模型学习处理中使用的教师数据，并存储于存储装置130(s106、s107)。具体而言，基于更新后的母模型以及按时间序列蓄积的监视数据，对更新后的母模型进行验证，并将验证结果作为推理结果输出。例如，在时刻t s1，判定结果的推理能够验证为“异常”。该时刻t s1的推理结果被生成为教师数据而保存。
57.当生成教师数据时，监视模型管理部122进行子模型学习处理。此时，能够构成为，在子模型学习对象的工序阶段中，检查监视数据的蓄积是否足够，在监视数据的蓄积量低于规定值(数或者量)的情况下，不进行子模型学习处理，等到蓄积了足够的信息之后进行子模型学习处理。
58.监视模型管理部122在子模型学习对象的工序阶段中，在判别为监视数据的蓄积足够的情况下(s108的“是”)，使用所生成的教师数据来进行子模型学习处理(s109)。具体而言，将时刻t s1的推理结果作为解，从存储装置130取得时刻t(相对于母模型的过渡时间为s1时间前)的子模型的工序阶段的监视数据，针对时刻t的子模型的工序阶段的监视数据进行学习处理，并进行学习完成子模型的更新处理(s110)。监视模型管理部122对全部或者选择出的子模型依次进行子模型学习处理，并结束子模型学习处理(s111的“是”)。
59.另外，在上述说明中，监视模型构成为仅通过各工序的监视数据来输出监视结果，但并不限定于此。例如，也可以构成为，还使用母模型的监视数据来构建子模型。
60.例如，能够构成为，将时刻t s1的监视模型yn的监视结果用作为教师数据，对将时刻t的监视数据b以及时刻t的监视数据a作为输入参数的监视模型yn
‑
1进行子模型学习处理。在该情况下，监视控制中的监视模型yn
‑
1的输入参数，成为规定的相同时刻的监视数据b以及监视数据a的双方。
61.因而，在图2的例子中，如单点划线所示，工序阶段n
‑
1的监视模型yn
‑
1构成为将相同时刻的监视数据b以及监视数据a作为说明变量、而得到工序阶段n
‑
1的监视结果(目的变量)yn
‑
1的监视模型(yn
‑
1＝f(b、a))。此时，监视模型yn
‑
1的学习构成为，将时刻t的监视模型yn的监视结果用作为教师数据，对相对于时刻t相差过渡时间s1量的时刻t
‑
s1的监视数据b以及相同时刻t
‑
s1的监视数据a这两个输入参数进行学习处理。另外，也能够构成为，将规定时刻的监视数据以及该监视模型的监视结果成为组的数据用作为教师数据来进行学习处理。
62.根据本实施方式，在按时间序列连续的多个工序的工艺监视中，能够实现工艺整
体的效率改善。
63.尤其是，相对于输出了成为瓶颈的起点工艺的监视结果的时刻t，掌握起点工艺的上游工艺或者下游工艺在相差工艺间的过渡时间间隔量的时刻t
′
处于怎样的状况，进行将起点工艺的监视结果(也可以包含对应的监视数据)反映到回溯了过渡时间间隔量或者提前了过渡时间间隔量(参照图3、图4)的上游工艺或者下游工艺的各监视模型中的学习处理。因此，监视各工艺的监视模型被构建为与起点工艺的监视模型相协调的预兆检测模型，能够实现工艺整体的效率改善。
64.以上，对实施方式进行了说明，但监视装置100作为硬件构成，除了上述以外，还能够具备存储器(主存储装置)、鼠标、键盘、触摸面板、扫描仪等操作输入单元、打印机等输出单元、辅助存储装置(硬盘等)等。
65.此外，本发明的各功能能够通过程序来实现，为了实现各功能而预先准备的计算机程序被保存在辅助存储装置中，cpu等控制部将保存在辅助存储装置中的程序读出到主存储装置中，控制部执行读出到主存储装置中的该程序，能够使计算机执行本发明的各部的功能。另一方面，监视装置100、协调型学习系统的各功能也能够分别由个别的装置构成，也能够将多个装置直接或者经由网络连接而构成计算机系统。
66.此外，上述程序还能够以记录于计算机可读取的存储介质的状态提供给计算机。作为计算机可读取的存储介质，能够列举cd
‑
rom等光盘、dvd
‑
rom等相变光盘、mo(magnet optical)、md(mini disk)等光磁盘、软盘(注册商标)、可移动硬盘等磁盘、cf卡(注册商标)、sm卡、sd卡、记忆棒等存储卡。此外，作为记录介质，也包含为了本发明的目的而特别设计构成的集成电路(ic芯片等)等硬件装置。
67.另外，对本发明的实施方式进行了说明，但该实施方式是作为例子而提示的，并不意图对发明的范围进行限定。该新的实施方式能够以其他各种方式加以实施，在不脱离发明的主旨的范围内能够进行各种省略、置换、变更。这些实施方式、其变形包含于发明的范围、主旨中，并且包含于专利请求范围所记载的发明和与其等同的范围中。
68.符号的说明
69.100：监视装置；110：数据收集控制装置；120：监视控制装置；121：监视控制部；122：监视模型管理部；123：教师数据管理部；130：存储装置；n：工序；yn：监视模型。