技術 プラント監視装置

0001

本発明は、プラントの変動を監視するプラント監視装置に関する。

0002

本願の発明者は、プラントの調節装置として、プラントの変動をニューラルネットワーク（以降、ＮＮと略す）によって分類問題として推論する技術を提案している（特許文献１）。

0003

また、プラントの監視装置として、複数の機器の１つ１つに対するプロセスデータを収集し、深層学習による予測モデル（ブラックボックスモデル）を構築したり、あるいは、物理モデル（ホワイトボックスモデル）を中間層に組み入れた予測モデル（グレーボックスモデル）を構築したり、それらをモデルリダクションしたりすることが提案されている（特許文献２）。

0004

特願２０１９−００１８７３号
特開２０１８−０９２５１１号公報

0005

上記の特許文献１では、制御装置の性能に応じてシミュレーションしたデータを基に分類しているので、プラントごとにシステム同定と複数回のシミュレーションを必要とする。

0006

また、上記の特許文献２において、このグレーボックスモデルでは、ホワイトボックスモデルの入力部分をブラックボックスモデルでフィルタ又は変換するような構成となっているため、コアとなる物理モデル、即ち、数式が必要である。

0007

本発明は、上記課題に鑑みなされたもので、制御装置やプラントによらない評価が可能であると共に、データを学習してモデルを構築する際に、物理モデルや数式が必要なく、ブラックボックスモデルのみで構築することができるプラント監視装置を提供することを目的とする。

0008

上記課題を解決する第１の発明に係るプラント監視装置は、
制御装置がプラントをフィードバック制御する制御系から、前記制御装置で使用するプロセスデータと前記プロセスデータをフィードバック制御する際の制御パラメータとを取得して、前記プラントを監視するプラント監視装置において、
前記プロセスデータの変化を示すステップ信号の１つ又は２つのパラメータを変動させた複数のステップ応答波形の画像からなる画像データセットを作成する作成部と、
バリエーショナルオートエンコーダを用いて、前記画像データセットを学習してモデルを構築する学習部と、
前記制御装置から前記プロセスデータを受信する入出力部と、
前記プロセスデータをプロセスデータ波形画像に画像化する収集部と、
前記モデルのエンコーダと同じエンコーダを用いて、前記プロセスデータ波形画像の評価を行い、初期の前記プロセスデータ波形画像を評価した初期評価と最新の前記プロセスデータ波形画像を評価した最新評価とを比較し、前記初期評価と前記最新評価との差分が所定の閾値を超えていた場合には、前記制御パラメータを確認し、前記制御パラメータが更新されていない場合には、プラント変動と判定して、前記制御パラメータの調整を要請する推論部とを有する
ことを特徴とする。

0009

上記課題を解決する第２の発明に係るプラント監視装置は、
上記第１の発明に記載のプラント監視装置において、
前記作成部及び前記学習部は、当該プラント監視装置とは独立して通信可能に設けられているか、又は、前記モデルのエンコーダを前記推論部に複製した後は当該プラント監視装置から切り離される
ことを特徴とする。

0010

上記課題を解決する第３の発明に係るプラント監視装置は、
上記第１又は第２の発明に記載のプラント監視装置において、
前記作成部は、複数の前記画像データセットを作成し、
前記学習部は、複数の前記画像データセットに各々対応したバリエーショナルオートエンコーダを用いて、複数の前記画像データセットに各々対応するモデルを構築し、
前記推論部は、各々の前記モデルのエンコーダと同じエンコーダを各々用いて、前記プロセスデータ波形画像の評価を行い、各々の前記エンコーダによる前記初期評価と前記最新評価とを比較し、各々の前記差分の１つでも所定の閾値を超えていた場合には、前記制御パラメータを確認し、前記制御パラメータが更新されていない場合には、プラント変動と判定して、前記制御パラメータの調整を要請する
ことを特徴とする。

0011

上記課題を解決する第４の発明に係るプラント監視装置は、
上記第１又は第２の発明に記載のプラント監視装置において、
前記作成部は、各分岐条件に対応するモデルを生成するための複数の前記画像データセットと、いずれの前記分岐条件に分岐するかを判別する判別用モデルを生成するための判別用の前記画像データセットとを作成し、
前記学習部は、複数の前記画像データセットと判別用の前記画像データセットに各々対応したバリエーショナルオートエンコーダを用いて、複数の前記画像データセットに各々対応するモデルを構築すると共に、判別用の前記画像データセットに対応する判別用モデルを構築し、
前記推論部は、前記判別用モデルのエンコーダと同じエンコーダを用いて、前記プロセスデータ波形画像に適合する前記分岐条件を判別し、当該分岐条件に対応する前記モデルを選択し、選択した前記モデルのエンコーダと同じエンコーダを用いて、前記プロセスデータ波形画像の評価を行い、前記初期評価と前記最新評価とを比較し、前記差分が所定の閾値を超えていた場合には、前記制御パラメータを確認し、前記制御パラメータが更新されていない場合には、プラント変動と判定して、前記制御パラメータの調整を要請する
ことを特徴とする。

0012

本発明によれば、プロセスデータを変動させたステップ応答波形そのものを学習するので、制御装置やプラントによらない評価が可能となり、また、データを学習してモデルを構築する際に、物理モデルや数式が必要なく、ブラックボックスモデルのみでプラント監視装置を構築することができる。そして、制御装置やプラントによらない評価が可能となるため、事前に学習しておくことが可能となり、現場での学習期間を設ける必要がなく、また、ブラックボックスモデルのみで構築しても、プロセスデータのステップ応答波形の特徴量のみを押さえることができる。

0013

制御装置とプラントとプラント調節装置と本発明に係るプラント監視装置を有するシステムを示すブロック図である。
実施例１、実施例２におけるプラント監視装置を説明するブロック図である。
ＶＡＥを説明する図である。
ＶＡＥへ入力する入力画像を示す図である。
実施例３を説明する図である。
実施例４を説明する図である。

0014

以下、本発明に係るプラント監視装置（以降、監視装置と略す）について、図１〜図６を参照して、その実施形態のいくつかを説明する。

0015

［実施例１］
（構成・構造）
最初に、図１を参照して、本実施例の監視装置を含むシステムの構成・構造について説明する。図１は、制御装置Ｅ、プラントＰ、調節装置１０及び監視装置２０を有するシステムを示すブロック図であり、監視装置２０の位置づけを示すものである。

0016

制御装置ＥのコントローラＣとプラントＰとは、コントローラＣがプラントＰのフィードバック制御を行う制御系となっている。具体的には、設定値ＳＶに基づく操作量ＭＶをコントローラＣからプラントＰへ送信し、操作量ＭＶにより操作されたプラントＰの計測値ＰＶをコントローラＣへ送信して、コントローラＣが設定値ＳＶと計測値ＰＶに基づく操作量ＭＶをフィードバック制御している。

0017

監視装置２０は、制御装置Ｅから、プロセスデータ（操作量ＭＶ、計測値ＰＶ、設定値ＳＶの時系列データ）と、操作量ＭＶをフィードバック制御する際のコントローラＣの制御パラメータ（ＰＩＤパラメータ）とを受信している。詳細は後述するが、監視装置２０は、プラント変動と判定した場合、制御装置Ｅに対して、制御パラメータを確認し、制御パラメータの更新が必要な場合には、調節装置１０にプロセスデータと制御パラメータを送信している。そして、調節装置１０は、受信したプロセスデータを基に、新たな制御パラメータを調整し、制御装置Ｅへ送信しており、調節装置１０により制御パラメータの更新が実施されている。

0018

なお、図１に示したシステムは一例であり、制御装置Ｅは、ＰＬＣ（プログラマブルロジックコントローラ、通称シーケンサ）を一例として示しているが、ＰＩＤ制御を行うものであれば、ＰＬＣ以外の制御装置、例えば、ループコントローラやマイコンなどでもよい。また、コントローラＣやプラントＰは複数あってもよい。また、調節装置１０や監視装置２０は、制御装置Ｅとは別の装置となっているが、調節装置１０や監視装置２０が持つ機能は、ＰＬＣの持つ機能と共に、同一装置内で実現してもよい。例えば、後述の推論部２５などは、ＦＰＧＡ（Field Programmable Gate Array）を利用すれば、ＰＬＣの一部として実装することができる。

0019

次に、監視装置２０の構成・構造について、図１と共に図２も参照して説明を行う。

0020

監視装置２０は、入出力部２１、収集部２２、通信部２３、保存部２４、推論部２５、展開部２６、作成部２７及び学習部２８を有している。

0021

入出力部２１は、図１に示す制御装置Ｅ、調節装置１０に対する入出力を制御するものである。具体的には、制御装置Ｅからのプロセスデータと制御パラメータの受信、調節装置１０へのプロセスデータと制御パラメータの送信、調節装置１０からの制御パラメータの受信を行っている。

0022

収集部２２は、制御装置Ｅから受信したプロセスデータの中からステップ応答データを切り出し、切り出したデータを正規化した後、プロセスデータ波形画像として画像化している。ここで、ステップ応答データとしては、設定値ＳＶを監視して、設定値ＳＶの変動をトリガとして、トリガの前後のプロセスデータ（操作量ＭＶ、計測値ＰＶ、設定値ＳＶの時系列データ）を切り出している。

0023

通信部２３は、後述するように、推論部２５で最新評価が初期評価に対して所定の閾値を超えていた場合に、図１に示す制御装置Ｅに対して、制御パラメータを確認するための通信を行っている。つまり、制御パラメータの更新確認を行うための通信を行っている。なお、上記の所定の閾値は、以降の記載を含めて、ユーザーが予め指定した閾値のことである。

0024

保存部２４は、入出力部２１が受信したプロセスデータ及び制御パラメータと、収集部２２が画像化したプロセスデータ波形画像と、後述の推論部２５が推論した評価（初期評価、最新評価）と、後述の作成部２７が作成した画像データセットと、後述の学習部２８が構築したモデルの保存を行っている。

0025

推論部２５は、展開部２６と対になった内部モデルを有している。具体的には、後述する学習部２８で学習したモデルの前半層（エンコーダ）と同じエンコーダを有している。そして、このエンコーダを用いて、収集部２２で画像化したプロセスデータ波形画像から特徴量の抽出を行い、この評価を行っている。更に、推論部２５では、最新のプロセスデータ波形画像の評価を行った場合には、この最新評価が初期評価に対して所定の閾値を超えていないか判定している。更に具体的には、最新評価と初期評価において、ユーザーが予め指定したパラメータを比較し、当該パラメータについて、所定の閾値を超えていないか判定している。所定の閾値を超えていた場合には、上述したように、通信部２３が、図１に示す制御装置Ｅの制御パラメータの確認を行っており、制御パラメータが更新されていない場合には、推論部２５がプラント変動と判定して、制御パラメータの調整を要請している。

0026

展開部２６は、推論部２５と対になった内部モデルを有している。具体的には、後述する学習部２８で学習したモデルの後半層（デコーダ）と同じデコーダを有している。そして、このデコーダを用いて、推論部２５で推論した特徴量から波形画像への展開を行っている。

0027

作成部２７は、プロセスデータの変化を示すステップ信号（ステップ状に変化する信号）の１つ又は２つのパラメータを変動させた複数のステップ応答波形の画像からなる画像データセットの作成を行っている。画像データセットについては後述する。

0028

学習部２８は、後述の図３で説明するように、砂時計型構造を持つＮＮを用いるバリエーショナルオートエンコーダ（ＶＡＥ）を有しており、ＶＡＥを用いて、作成部２７により作成された画像データセットを学習してモデルを構築している。モデルの構築後、その前半層（エンコーダ）は、推論部２５に送信されて複製されており、また、その後半層（デコーダ）は、展開部２６に送信されて複製されている。

0029

このような構成を有する監視装置２０には、モデルの学習・構築を行うフェイズ１と、構築後のモデルを利用した監視・運用支援を行うフェイズ２の２段階の実施形態がある。図２で示した作成部２７及び学習部２８はフェイズ１でのみ動作し、一度モデルを構築してしまえば、フェイズ２では不要となるため破線で示している。図１に示したシステムにおいては、監視・運用支援を行うことから、監視装置２０は、主に、フェイズ２が実施される。フェイズ２については、実施例２以降で説明するので、本実施例では、フェイズ１についての説明を行う。

0030

なお、図２に示した監視装置２０において、作成部２７及び学習部２８は、フェイズ１でのみ使用するため、フェイズ２では切り離すことができる。切り離す場合には、保存部２４の保存容量も同時に縮小してもよい。また、このようなことができることから、作成部２７及び学習部２８の機能と保存部２４の一部をクラウドサーバ上に構築することも考えられる。その場合は、通信部２３がクラウドサーバとの通信も行い、学習部２８で学習したモデルを受信すればよい。あるいは、出荷前にフェイズ１を実施し、学習済みのモデルを搭載して、監視装置２０を出荷し、フェイズ２でのみ動作する製品とすることも考えられる。

0031

（作用・動作）
監視装置２０の作用・動作のうち、フェイズ１について、図２と共に図３及び図４も参照して説明を行う。

0032

フェイズ１では、作成部２７は、プロセスデータの変化を示すステップ信号において、既定の伝達関数に従って、時定数などの後述する少数のパラメータを変動させたステップ応答波形の画像を大量に生成して画像データセットを作成し、保存部２４がこれを保存している。

0033

学習部２８は、図３に示すＶＡＥを用いて、保存部２４に保存された画像データセットのステップ応答波形を次々に読み込んで学習する。

0034

ＶＡＥを説明する前に、まず、オートエンコーダ（ＡＥ）を説明する。ＡＥは、ＮＮの応用手法で、入力と出力が同一となるように学習させるのが特徴であり、レイヤー構成が一度縮んでまた広がる構造、所謂、砂時計型ＮＮ構造を取ると、入力された画像が次元圧縮されて、特徴量が抽出され、それが再び元の画像もしくはよく似た画像に展開される。この圧縮までを司るＮＮの前半層をエンコーダと言い、展開を司る後半層をデコーダと呼ぶ。ＡＥでは、図３に示す入力層ｉ、畳み込み層ｑ１がエンコーダに該当し、第１逆畳み込み層ｐ１、第２逆畳み込み層ｐ２がデコーダに該当する。

0035

ＶＡＥは、更に、エンコーダの終点が図３に示すように２つの全結合層ｑ２ａ、ｑ２ｂに分岐しており、全結合層ｑ２ａの出力ベクトルと全結合層ｑ２ｂの出力ベクトルとから正規分布を形成して、特徴ベクトルと呼ばれる確率空間Ｓに落とし込むことに特徴がある。なお、ここでは、全結合層ｑ２ａの出力ベクトルを平均ベクトルμとみなし、全結合層ｑ２ｂの出力ベクトルを分散ベクトルΣとみなし、これらから正規分布を形成している。また、このときの特徴ベクトルは、抽出された特徴量によって定義されるいわば辞書のような空間となる。ただし、この辞書は、ＮＮ独自の概念、即ち、人間に定義されない大量のパラメータで多次元構成されているため、物理的意味を成さない。

0036

確率空間Ｓから１点だけをサンプリングした座標（潜在変数Ｚ）をデコーダにかけると、元の画像に近似したデータが復元される。復元された近似画像と元の画像との各ピクセルの平均絶対誤差が一定値以下になるまで精度が上がったら学習は完了する。

0037

通常、ＶＡＥで圧縮した特徴ベクトルは、ＮＮが独自に獲得した概念であるので、デコードして画像に戻すことによって、初めて特徴量が何を意味していたかが人間にも多少理解できる仕組みである。

0038

一方で、ＶＡＥは、どの次元まで圧縮するかを、即ち、レイヤー構成を人が決定することができるので、低次元まで圧縮し、その次元に対応した数のパラメータのみを変動させたデータを用意して学習に用いることで、強制的に特徴ベクトルの空間軸を変動させたパラメータに割り振って、本来物理的意味を持たない特徴ベクトルに物理的意味を持たせることができる。具体的には、ステップ応答波形の制御パラメータや物理パラメータを、例えば、時定数やむだ時間、温度などに変動パラメータを絞って学習する。このとき、可視化したい場合も考えて、変動パラメータは多くても２つまでにする。この変動パラメータ数にノイズ成分の次元は含まれない。

0039

どの特徴量をいくつ選択するかは、作成部２７が作る画像データセットのステップ応答波形で変動させた変動パラメータによって決まる。この変動パラメータはユーザーが予め設定する。一例として、図４は、ある画像データセットを学習した特徴ベクトルからデコードしたマップを示す図であり、この画像データセットは、時定数とノイズ成分のみを変化させた複数のステップ応答波形と、それらを上下反転したステップ応答波形とから作られている。図４においては、縦軸が時定数の逆数に対応し、縦軸の符号がステップ応答波形のエッジの向きに対応し、横軸がノイズ成分に対応するが、ノイズ成分自体は極めて小さいので、その変化はほとんど見えない。また、図４中の点線は設定値ＳＶを示し、実線は計測値ＰＶを示している。

0040

このようにして、学習が完了したモデルに対して、学習部２８は最後に既定の画像データセットを用いて確率空間Ｓの座標系設定を行って、特徴量が対応する軸と正規化範囲を明らかにする。この座標系とモデルを保存部２４に送って保存する。保存されたモデルは、更にエンコーダとデコーダに分割され、エンコーダ部分は推論部２５に、デコーダ部分は展開部２６に送られる。展開部２６は、送られたデコーダを用いることで、図４に示すマップを表示することができるが、本実施例では不必要な機能であるため省略する。ここまでがフェイズ１であり、これ以降、作成部２７と学習部２８は不要となる。

0041

本実施例において、監視装置２０は、フェイズ２も実施可能であるが、フェイズ２については、実施例２で説明する。

0042

以上説明したように、監視装置２０は、プロセスデータのパラメータを変動させた複数のステップ応答波形からなる画像データセットを作成する作成部２７と、作成部２７により作成された画像データセットを学習する学習部２８とを備えているので、ステップ応答波形そのものを物理的意味に基づいた空間で学習することができる。

0043

このように、監視装置２０は、ステップ応答波形そのものを学習するので、制御装置ＥやプラントＰによらない評価が可能となり、また、データを学習してモデルを構築する際に、物理モデルや数式が必要なく、ブラックボックスモデルのみで構築することができる。そして、制御装置ＥやプラントＰによらない評価が可能となるため、事前に学習しておくことが可能となり、現場での学習期間を設ける必要がなく、また、ブラックボックスモデルのみで構築しても、プロセスデータの応答波形の特徴量のみを押さえることができる。

0044

［実施例２］
（構成・構造）
本実施例の監視装置の構成・構造について、図２を参照して説明を行う。

0045

本実施例において、監視装置２０は、入出力部２１、収集部２２、通信部２３、保存部２４、推論部２５及び展開部２６を有する構成、つまり、実施例１で説明した監視装置２０から作成部２７及び学習部２８を除いた構成であり、フェイズ２のみを実施する構成となっている。そのため、保存部２４は、実施例１の場合よりも保存容量が小さくてもよい。

0046

本実施例において、監視装置２０は、出荷前にフェイズ１を実施して、学習済みのモデルを複製しておき、その後、作成部２７及び学習部２８を切り離して、フェイズ２でのみ動作する製品とすればよい。また、作成部２７及び学習部２８は、監視装置２０とは独立して通信可能に設けてもよく、例えば、作成部２７及び学習部２８の機能と保存部２４の一部をクラウドサーバ上に構築しておき、通信部２３がクラウドサーバとの通信を行い、学習部２８で学習したモデルを受信して複製するようにすればよい。

0047

（作用・動作）
監視装置２０の作用・動作、つまり、フェイズ２について、図２と共に図４も参照して説明を行う。

0048

フェイズ２では、まず、入出力部２１が制御装置Ｅからプロセスデータと制御パラメータを受信し、これらを保存部２４に一度保存している。このとき、入出力部２１は、次々とプロセスデータを受信している。

0049

収集部２２は、保存部２４に保存したプロセスデータからステップ応答データを探して抽出し、推論部２５のエンコーダに合わせたデータ長に収め、正規化を施した上で、プロセスデータ波形画像に変換する。変換したプロセスデータ波形画像は保存部２４が保存する。

0050

推論部２５は、保存部２４に保存されたプロセスデータ波形画像をエンコーダでエンコードして、フェイズ１で学習した特徴ベクトル（確率空間Ｓ）に座標出力する。出力された座標は、ステップ応答データの特徴量を示すことになる。図４を参照して説明すると、その縦軸が時定数の逆数に対応し、その縦軸の符号がエッジの向きに対応するので、時定数とエッジの向きがわかることになる。ここで、推論部２５から得られた初回の座標は、初期評価として保存部２４によって保存される。この初期評価は、初回の１回に限らず、初期の複数回の評価の平均としてもよい。

0051

そして、収集部２２は、常に新しいステップ応答データを探して、プロセスデータ波形画像への変換を行い、保存部２４は、元のプロセスデータと紐づけてプロセスデータ波形画像を保存する。このとき、保存部２４は、初期評価に用いたプロセスデータ波形画像と最新のプロセスデータ波形画像と対応するプロセスデータ以外は古いものから消していく。

0052

推論部２５は、初期以降は、設定したインターバルごとに新しいプロセスデータ波形画像の確認を行い、最新のプロセスデータ波形画像を評価し、その最新評価と初期評価との比較を行う。図１に示したシステムに変化があれば応答が変化するため、推論部２５は、最新評価と初期評価とにおいて、予め指定したパラメータの差分が所定の閾値を超えていないかを判定する。

0053

所定の閾値を超えていた場合、通信部２３により制御装置Ｅの制御パラメータの確認が行われ、制御パラメータに変化がない場合、つまり、制御パラメータが更新されていない場合、推論部２５ひいては監視装置２０は、プラント変動と判定する。この場合、入出力部２１により新しいプロセスデータと現在の制御パラメータを調節装置１０に送信し、調節装置１０に制御パラメータの調整を要請し、その結果を用いて、制御パラメータを更新するように制御装置Ｅに指令を出す。このときに調節装置１０に出力するプロセスデータは、最新のプロセスデータ波形画像に対応する。

0054

このように、監視装置２０は、学習後のモデルに基づいて、プロセスデータを評価しており、評価の変化に基づいて、制御パラメータの調整を要請することができる。

0055

［実施例３］
本実施例の監視装置について、図５を参照して説明を行う。

0056

本実施例において、監視装置２０は、実施例１、実施例２で説明した監視装置２０と基本的に同じ構成である。但し、本実施例では、実施例１、実施例２とは、いくつかの構成に以下の相違がある。

0057

具体的には、作成部２７は、複数の画像データセットを作成している。また、学習部２８は、複数の画像データセットに各々対応するＶＡＥを有し、各ＶＡＥを用いて学習を行って、複数の画像データセットに各々対応するモデルを構築している。また、推論部２５は、各モデルの前半層（エンコーダ）と同じエンコーダを有している。また、展開部２６は、各モデルの後半層（デコーダ）と同じデコーダを有している。

0058

例えば、作成部２７が、２つの画像データセットを作成する場合には、学習部２８は、２つの画像データセットに各々対応する２つのＶＡＥを有し、推論部２５は、２つのエンコーダを有し、展開部２６は、２つのデコーダを有することになる。

0059

実施例１や実施例２では、変動パラメータが２つまでに制限されていたが、本実施例であれば、もっと多数のパラメータであっても、モデル数を増やすことで、低次元のまま扱うことが可能である。従って、モデルを３つ以上にしてもよい。

0060

本実施例において、推論部２５では、複数のエンコーダの並列処理が行われており、複数の評価が得られることになる。例えば、実施例１で学習したモデルをモデルＡとすると、むだ時間など別の変動パラメータで学習したモデルＢを用意しておき、図５に示すように、モデルＡのエンコーダと同じエンコーダ３１ａとモデルＢのエンコーダと同じエンコーダ３１ｂとを各々用い、入力画像（プロセスデータ波形画像）に対する評価を並列処理で行う。

0061

ここで、図５において、エンコーダ３１ａでは、入力層ｉ−Ａ、畳み込み層ｑ１−Ａ、全結合層ｑ２ａ−Ａ、ｑ２ｂ−Ａにより次元圧縮が行われ、全結合層ｑ２ａ−Ａの出力ベクトルと全結合層ｑ２ｂ−Ａの出力ベクトルとから確率空間Ｓ−Ａが求められ、確率空間Ｓ−Ａからのサンプリングにより入力画像に対する座標（潜在変数Ｚ−Ａ）が求められる。同時に、エンコーダ３１ｂでは、入力層ｉ−Ｂ、畳み込み層ｑ１−Ｂ、全結合層ｑ２ａ−Ｂ、ｑ２ｂ−Ｂにより次元圧縮が行われ、全結合層ｑ２ａ−Ｂの出力ベクトルと全結合層ｑ２ｂ−Ｂの出力ベクトルとから確率空間Ｓ−Ｂが求められ、確率空間Ｓ−Ｂからのサンプリングにより入力画像に対する座標（潜在変数Ｚ−Ｂ）が求められる。

0062

そして、推論部２５は、各々のエンコーダが出力した初期評価を保存部２４に保存しており、初期以降は、最新のプロセスデータ波形画像を複数のエンコーダの並列処理により評価し、各々の最新評価を対応する初期評価と比較している。つまり、全てのエンコーダで評価、比較を行っている。なお、ここでも、最新評価と初期評価とにおいては、予め指定したパラメータ同士を比較している。これらの比較において、各々の差分のどれか１つでも所定の閾値を超えた判定がある場合には、単一の閾値を超えた場合と同様に、つまり、実施例２と同様に、制御パラメータの更新確認、調整及び更新処理が行われる。但し、各特徴量は互いに独立である必要がある。

0063

つまり、推論部２５では、モデルＡ、Ｂのエンコーダと同じエンコーダ３１ａ、３１ｂを各々用いて、プロセスデータ波形画像の評価を行い、各々のエンコーダ３１ａ、３１ｂによる初期評価と最新評価とを比較し、各々の差分の１つでも所定の閾値を超えていた場合には、制御パラメータを確認し、制御パラメータが更新されていない場合には、プラント変動と判定して、制御パラメータの調整を要請するようにしている。

0064

このように、監視装置２０は、学習するモデルを１つに限っておらず、また、複数のモデルを同時に運用しており、互いに独立な特徴量であれば、モデルを増やして、並列に評価することができる。

0065

［実施例４］
本実施例の監視装置について、図６を参照して説明を行う。

0066

本実施例において、監視装置２０は、実施例３で説明した監視装置２０と基本的に同じ構成である。但し、本実施例では、実施例３とは、いくつかの構成に以下の相違がある。

0067

具体的には、作成部２７は、各分岐条件に対応するモデルを生成するための複数の画像データセットと、いずれの分岐条件に分岐するかを判別する判別用モデルを生成するための判別用の画像データセットとを作成している。これらを作成する際には、分岐条件が予め指定される。また、学習部２８は、判別用の画像データセットを含めて、複数の画像データセットに各々対応するＶＡＥを有し、各ＶＡＥを用いて学習を行って、複数の画像データセットに各々対応するモデルと判別用の画像データセットに対応する判別用モデルを構築している。また、推論部２５は、判別用モデルを含めて、各モデルの前半層（エンコーダ）と同じエンコーダを有している。また、展開部２６は、判別用モデルを含めて、各モデルの後半層（デコーダ）と同じデコーダを有している。

0068

推論部２５は、実施例３では、複数のエンコーダの並列処理を行っていたが、本実施例では、図６に示すように、複数のエンコーダを切り替えて運用するようにしている。具体的には、実施例１で学習したモデルをモデルＡとし、モデルＡではオーバーシュート（ＯＳ）がほぼ発生しないとすると、モデルＡに比べて更に時定数を短くしてＯＳが発生した画像データセットで学習を行ったモデルＢと、ＯＳ量自体を変動パラメータとする画像データセットで学習を行って、ＯＳの発生を特徴量で判定するモデルＣとを用意しておく。そして、モデルＣ（対応するエンコーダ３１ｃ）による判定に応じて、表１に示すように、モデルＡ（対応するエンコーダ３１ａ）又はモデルＢ（対応するエンコーダ３１ｂ）に切り替える。

0069

0070

このように、エンコーダ３１ａ又はエンコーダ３１ｂの利用時に、指定した条件分岐パラメータ（ここでは、ＯＳ）を判別するエンコーダ３１ｃから先に適用される。例えば、プロセスデータにＯＳが発生すると、ＯＳの部分が振動して、時定数が不明となってしまい、ＯＳ無しのモデルＡに基づくエンコーダ３１ａでは正しい評価ができないため、ＯＳ無し／有りを判定するモデルＣに基づくエンコーダ３１ｃが必要となってくる。このようにすると、非線形な変化をするモデルであったり、あるいは、特徴量が互いに独立していないモデルであったりしても扱うことができる。

0071

上述した動作は、シーケンシャル動作であるので、推論部２５では、エンコーダ３１ｃがまず先に評価を行い、その結果に基づいて、エンコーダ３１ａ又はエンコーダ３１ｂによる評価を行うが、どちらとも初期評価を保存する必要があるので、双方の動作領域で制御装置Ｅの試運転などを行う必要がある。また、作成部２７での分岐条件パラメータと推論部２５での分岐構造（エンコーダ３１ｃをエンコーダ３１ａ及びエンコーダ３１ｂの前に挟む構造）は、画像データセット作成の時点で決定している必要があるため、ＯＳ量、操作量ＭＶの領域、むだ時間など、あらかじめ決められた設定に基づいて決定し、動作するようにしている。

0072

つまり、推論部２５では、判別用モデルＣのエンコーダと同じエンコーダ３１ｃを用いて、プロセスデータ波形画像に適合する分岐条件を判別し、当該分岐条件に対応するモデルを選択し、選択したモデルのエンコーダと同じエンコーダを用いて、プロセスデータ波形画像の評価を行い、初期評価と最新評価について、ユーザーが予め指定したパラメータを比較し、当該パラメータの差分が所定の閾値を超えていた場合には、制御パラメータを確認し、制御パラメータが更新されていない場合には、プラント変動と判定して、制御パラメータの調整を要請するようにしている。

0073

このように、監視装置２０は、互いに独立ではない特徴量や非線形な特徴量を扱うモデルであっても、条件分岐で複数のモデルを切り替えて評価することができる。

0074

本発明は、プラントを制御するシステムの監視・運用支援に好適なものである。

0075

１０調節装置
２０監視装置
２１入出力部
２２収集部
２３通信部
２４ 保存部
２５推論部
２６展開部
２７ 作成部
２８ 学習部
３１ａ、３１ｂ、３１ｃ エンコーダ