[go: up one dir, main page]

WO2019167656A1 - 予測システム、予測方法、およびプログラム - Google Patents

予測システム、予測方法、およびプログラム Download PDF

Info

Publication number
WO2019167656A1
WO2019167656A1 PCT/JP2019/005430 JP2019005430W WO2019167656A1 WO 2019167656 A1 WO2019167656 A1 WO 2019167656A1 JP 2019005430 W JP2019005430 W JP 2019005430W WO 2019167656 A1 WO2019167656 A1 WO 2019167656A1
Authority
WO
WIPO (PCT)
Prior art keywords
value
factory
input
variable
unit
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.)
Ceased
Application number
PCT/JP2019/005430
Other languages
English (en)
French (fr)
Inventor
哲平 手島
榎本　智之
秀伸 大津
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.)
Mitsubishi Heavy Industries Ltd
Original Assignee
Mitsubishi Heavy Industries 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 Mitsubishi Heavy Industries Ltd filed Critical Mitsubishi Heavy Industries Ltd
Priority to EP19760182.6A priority Critical patent/EP3745344A4/en
Priority to US16/971,996 priority patent/US20200380393A1/en
Publication of WO2019167656A1 publication Critical patent/WO2019167656A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks
    • H02J3/12—Circuit arrangements for AC mains or AC distribution networks for adjusting voltage in AC networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for AC mains or AC distribution networks for adjusting voltage in AC networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/58—The condition being electrical
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02B90/20—Smart grids as enabling technology in buildings sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Definitions

  • the present invention relates to a prediction system, a prediction method, and a program.
  • Patent Document 1 discloses a technique for predicting the total power demand of a group of factories equipped with a large number of production lines.
  • Patent Document 1 an operation schedule is input to a power management computer system in advance for each production line, and the power management computer system determines the energy demand of each of a plurality of production lines based on the operation schedule.
  • Ask. According to Patent Literature 1, when the power demand predicted by the power management computer system exceeds the upper limit of the contract power, the power usage is restricted.
  • managers of factories and the like have a desire to make an operation plan so that power demand does not exceed the upper limit of contract power.
  • An object of the present invention is to provide a prediction system, a prediction method, and a program capable of predicting operation of a factory based on input of an explanatory variable related to operation of an arbitrary facility in a factory including a plurality of facilities. It is in. In particular, it is to provide a prediction system, a prediction method, and a program capable of predicting the energy demand of a factory.
  • the prediction system includes a selection unit that receives selection of at least one explanatory variable from among a plurality of explanatory variable candidates related to factory operation, and a value related to the selected explanatory variable.
  • a value input unit that receives the input, a specifying unit that specifies the value of the objective variable related to the operation of the factory based on the input value, and an output unit that outputs the value of the specified objective variable.
  • the value of the objective variable related to the operation of the factory may be a value related to the energy demand of the factory.
  • the prediction system includes a plurality of explanatory variable candidate values related to factory operation and a value of at least one objective variable related to the factory operation.
  • a learning unit that learns the parameters of the model having the selected explanatory variable as an input and the objective variable as an output based on the historical data.
  • the specifying unit may specify the value of the objective variable by inputting the input value to the learned model.
  • the storage unit stores a plurality of explanatory variable candidate values related to operation of the factory and at least one related to operation of the factory.
  • a set of values of one objective variable is a set of a plurality of explanatory variable candidate values related to operation of the factory and a value of at least one objective variable related to energy demand of the factory, and the model outputs the The value of the objective variable may be a value related to the energy demand of the factory.
  • the prediction system includes a candidate input unit that receives input of values of explanatory variable candidates to be added to the history data. It's okay.
  • the value input unit accepts time-series input of values related to the explanatory variable, Good.
  • the prediction system according to the sixth aspect may further include a unit time changing unit that accepts a change in unit time in a time series of values related to the explanatory variable.
  • the output unit includes the specified value of the objective variable and the objective variable included in the history data. Or a comparison value of the objective variable may be output.
  • the input unit accepts input of a value related to the selected explanatory variable in a plurality of factories
  • the specifying unit may specify a value obtained by integrating values of objective variables related to operation of a plurality of factories based on the input value.
  • the prediction method includes a step of receiving selection of at least one explanatory variable from among a plurality of explanatory variable candidates related to factory operation, and a value of the selected explanatory variable.
  • the value of the objective variable related to the operation of the factory may be a value related to the energy demand of the factory.
  • the program relates to a step of accepting a selection of at least one explanatory variable from among a plurality of explanatory variable candidates related to factory operation, and the selected explanatory variable.
  • a step of receiving an input of a value, a step of specifying a value of an objective variable related to operation of the factory based on the input value, and a step of outputting the value of the specified objective variable are executed.
  • the value of the objective variable related to the operation of the factory may be a value related to the energy demand of the factory.
  • the energy demand prediction system can predict the energy demand of a factory based on the input of explanatory variables related to operation of any equipment in a factory having a plurality of equipment. it can.
  • “specify” is to define a second value that can take a plurality of values using the first value.
  • “specify” means calculating the second value from the first value, reading the second value corresponding to the first value with reference to the table, and using the first value as a query. Searching for a value of 2, selecting a second value from a plurality of candidates based on the first value, and estimating / predicting a second value from the first value.
  • “Acquire” means to obtain a new value.
  • “obtain” includes receiving a value, receiving an input of a value, reading a value from a table, and calculating another value from a certain value.
  • FIG. 1 is a schematic diagram illustrating a configuration of an energy demand prediction system according to the first embodiment.
  • the energy demand prediction system 1 includes a factory F including a plurality of facilities E and an energy demand prediction device 10.
  • Each facility E is operated by electric power supplied from the outside.
  • Each facility E operates according to the operation plan and stops.
  • the operation plan includes information related to the operating hours and operating days of the equipment. That is, the operation plan is a time series of the operating state of the equipment E.
  • the energy demand prediction device 10 predicts the energy demand of the factory F based on the operation plan of each equipment E, the actual power consumption value of each equipment E, and the actual power consumption value of the entire factory F.
  • the actual value of the power consumption of each equipment E is detected by a sensor (not shown) provided in the equipment E, for example.
  • the information related to the operation of the equipment E of the factory F is an explanatory variable candidate related to the operation of the factory, and the energy demand of the factory F is an objective variable related to the operation of the factory.
  • FIG. 2 is a schematic block diagram illustrating a configuration of the energy demand prediction apparatus according to the first embodiment.
  • the energy demand prediction apparatus 10 includes a history acquisition unit 101, a history storage unit 102, a selection unit 103, a model storage unit 105, a learning unit 104, a plan input unit 106, an energy demand specifying unit 107, an output unit 108, a candidate input unit 109, A unit time changing unit 110 is provided.
  • the history acquisition unit 101 acquires an operation plan and a time series of power consumption from each equipment E of the factory F.
  • the history acquisition unit 101 may read the operation plan from the control device of the facility E, or may acquire it by input from a user such as a manager of the factory F.
  • the history acquisition unit 101 acquires power consumption from a sensor provided in the facility E.
  • the operation plan of the plurality of facilities E that is, information related to the operation time zone and operation date of the plurality of facilities E is an example of a plurality of explanatory variable candidates related to the operation of the factory.
  • the power consumption of the some equipment E is an example of the objective variable which concerns on the energy demand of a factory.
  • the history storage unit 102 stores the operation plans and power consumption time series of the plurality of facilities E acquired by the history acquisition unit 101.
  • the selection unit 103 receives selection of at least one explanatory variable from the operation plan of the plurality of facilities E from the user.
  • the user can select, as an explanatory variable, an operation plan for one or a plurality of facilities E that are considered to have a high influence on the increase or decrease in power consumption in the operation of the factory F. That is, the user does not need to input an operation plan for all the facilities E included in the factory F in order to predict energy demand.
  • the user may select only one of the operating hours or operating days of the equipment E as an explanatory variable.
  • the model storage unit 105 stores a model used for specifying the total power consumption of the factory F based on the operation plan. Examples of models stored in the model storage unit 105 include a neural network model and a Bayesian model.
  • the learning unit 104 uses the information stored in the history storage unit 102 as teacher data, inputs an operation plan related to the equipment E selected by the user, and outputs a time series of the total power consumption of the factory F.
  • the model stored in the model storage unit 105 is learned. That is, the learning unit 104 assigns parameters to the model stored in the model storage unit 105 based on the information stored in the history storage unit 102.
  • the plan input part 106 receives the input of the operation plan which concerns on the selected installation E from a user.
  • the energy demand specifying unit 107 specifies the time series of the total power consumption of the factory F by inputting the operation plan input to the plan input unit 106 to the model stored in the model storage unit 105. That is, the energy demand specific
  • the time series of the total power consumption specified by the energy demand specifying unit 107 is also referred to as predicted energy demand.
  • the output unit 108 outputs the total power consumption of the factory F specified by the energy demand specifying unit 107.
  • the candidate input unit 109 receives an input of an operation plan related to the facility E in which the operation plan is not stored in the history storage unit 102 among the facilities E of the factory F.
  • the operation plan input to the candidate input unit 109 is stored in the history storage unit 102 as a new explanatory variable candidate. Thereby, the number of explanatory variable candidates can be increased.
  • the unit time change unit 110 accepts a change in unit time of the operation time zone in the operation plan of each facility E. For example, when the operation time zone is set in units of one hour for the operation plan stored in the history storage unit 102, the unit time changing unit 110 determines the operation plan to be input to the plan input unit 106 in accordance with the user input. The unit time of the operating time zone can be changed to 3 hours.
  • FIG. 3 is a flowchart showing the operation of the energy demand prediction apparatus according to the first embodiment.
  • the history acquisition unit 101 of the energy demand prediction apparatus 10 acquires an operation plan and power consumption from each facility E of the factory F and records them in the history storage unit 102 before performing the energy demand prediction process.
  • the selection unit 103 of the energy demand prediction apparatus 10 displays an explanatory variable selection screen including a list of facilities E as explanatory variable candidates (step S1).
  • FIG. 4 is a diagram illustrating an example of an explanatory variable selection screen.
  • the selection part 103 receives selection of the installation E used for the explanatory variable in the prediction process of energy demand from a user (step S2).
  • the user selects the equipment E used for the explanatory variable by turning on the check box in the column of the equipment E used for the explanatory variable. Further, the user may rewrite the name and rated output of each explanatory variable candidate.
  • the user can deselect the check box in the column of the equipment E, thereby deselecting the equipment E related to the check box that has been turned off, and as a result, remove it from the explanatory variable.
  • the learning unit 104 uses the information stored in the history storage unit 102 as teacher data, inputs the operation plan related to the facility E selected by the user, and the total of the factory F
  • the model stored in the model storage unit 105 is learned so that the time series of power consumption is output (step S3).
  • the energy demand prediction apparatus 10 can generate
  • the learning unit 104 learns the model based on the selection result of the equipment E, the energy demand prediction apparatus 10 stops each equipment E even if an operation plan is not input for the equipment E that has not been selected.
  • the total power consumption of the factory F can be appropriately predicted without being regarded as a thing.
  • the plan input unit 106 displays an operation plan input screen for each selected equipment E (step S4). That is, the plan input unit 106 displays the operation time zone input screen and the operation day input screen on the screen.
  • FIG. 5 is a diagram illustrating an example of an operation plan input screen. On the operation plan input screen, a check box indicating whether the selected facility E is operating or stopped is displayed for a plurality of time zones or a plurality of dates.
  • the plan input unit 106 receives input of an operation plan related to each selected facility E from the user (step S5).
  • the user inputs an operation plan for each facility E by combining ON / OFF of check boxes related to time zones or dates for each facility E.
  • the energy demand specifying unit 107 specifies the time series (predicted energy demand E1) of the total power consumption of the factory F by inputting the operation plan input to the plan input unit 106 to the model stored in the model storage unit 105. (Step S6).
  • the output unit 108 outputs the predicted energy demand E1 specified by the energy demand specifying unit 107 (step S7).
  • FIG. 6 is an example of an output screen of the energy demand prediction result according to the first embodiment.
  • the output unit 108 includes, in addition to the predicted energy demand E1 specified by the energy demand specifying unit 107, the time series of power consumption (measured energy demand E2) stored in the history storage unit 102, the contract power value Th (objective variable) of the factory F Comparison value) is output. Thereby, the user can visually recognize the difference between the predicted energy demand E1 and the actually measured energy demand E2, and visually confirm whether or not the total power consumption of the factory F will exceed the contracted power value Th in the future. Can do.
  • the user can add or change the facility E used as the explanatory variable to change the difference between the predicted energy demand E1 and the actually measured energy demand E2.
  • the model can be retrained so that becomes smaller. Thereby, the user can specify the equipment E that becomes the controlling factor of the total power consumption in the factory F.
  • the user can change the operation plan and cause the energy demand prediction apparatus 10 to predict the energy demand again. At this time, since it is not necessary to input an operation plan for all facilities, the user can easily change the operation plan for predicting energy demand.
  • the user can add explanatory variable candidates.
  • the candidate input unit 109 receives an input of an operation plan related to a new explanatory variable candidate from the user, the candidate input unit 109 records this in the history storage unit 102. Thereafter, the learning unit 104 can learn the model stored in the model storage unit 105 using the operation plan related to the added explanatory variable candidate.
  • the unit time changing unit 110 receives an input of the changed unit time from the user.
  • the unit time changing unit 110 converts the operation plan stored in the history storage unit 102 into an operation plan related to the input unit time. For example, the unit time changing unit 110 changes an operation plan in units of one hour to an operation plan in units of three hours.
  • the unit time changing unit 110 includes different states in the time zone related to the unit time after the change, such as when 2 hours of operation and 1 hour of stoppage in a certain time zone of 3 hours unit. If at least the operation is included in the time zone, the state of the equipment E in the time zone may be determined as the operation state, the more state of the operation and the stop may be applied, and the time zone If at least a stop is included, the state of the equipment E in the time zone may be determined as a stopped state.
  • plan input unit 106 displays an operation plan input screen related to the unit time after the change.
  • the energy demand prediction system 1 accepts the selection of at least one facility E from the plurality of facilities E of the factory F, and performs the operation plan related to the selected facility E. Accept input. And the energy demand prediction system 1 specifies the total power consumption of the factory F based on the input operation plan. Thereby, the user can obtain the energy demand of the whole factory F by inputting about the operation plan of arbitrary equipment E in the factory F provided with the some equipment E. Therefore, regardless of the number of facilities E provided in the factory F, the input of the operation plan is not complicated for the user.
  • the energy demand prediction system 1 calculates the total power consumption for one factory F.
  • the contract of electric power is not necessarily made in units of factories, and one contract electric power may be determined for a plurality of factories F.
  • the operation which shifts the operation day and the operation time zone of a plurality of factories F may be taken. That is, other factories are controlled based on the information of one factory F, and the entire factory F is controlled by mutually referring to information of a plurality of factories F. Therefore, the energy demand prediction system 1 according to the second embodiment calculates total power consumption related to a plurality of factories F.
  • the configuration of the energy demand prediction apparatus 10 according to the second embodiment is the same as that of the first embodiment.
  • the history acquisition unit 101 acquires an operation plan and a time series of power consumption from each facility E of a plurality of factories F.
  • the user selects the equipment E related to the explanatory variable from the plurality of equipment E in the plurality of factories F.
  • the equipment E may not be selected for some factories F.
  • the learning unit 104 learns the model so that the operation plan related to the selected equipment E is input and the total power consumption of all factories F is output.
  • the energy demand specifying unit 107 specifies the total power consumption of all factories F, that is, the predicted energy demand E1, based on the input operation plan.
  • the output unit 108 outputs the predicted energy demand E1 of all factories F specified by the energy demand specifying unit 107.
  • FIG. 7 is an example of an output screen of the energy demand prediction result according to the second embodiment.
  • the output unit 108 calculates the time series of power consumption (measured energy demand E2) for each factory F stored in the history storage unit 102 and the contract power value Th. Output.
  • the energy demand prediction system 1 inputs the operation plan related to the selected equipment E, and learns the model so that the total power consumption of all factories F is output, thereby Although the total power consumption of the factory F is specified, it is not limited to this.
  • the energy demand prediction system 1 according to another embodiment inputs an operation plan related to the selected equipment E, learns the model so that the total power consumption of each factory F is output, The total power consumption of all factories F may be specified by taking the total power consumption.
  • the operation plan of each facility E is used as the explanatory variable, but this is not a limitation.
  • a production plan of the factory F, a model of the equipment E, an arrangement plan of workers operating the equipment E, an event calendar of the factory F, and the like may be used as explanatory variables.
  • the prediction system is mounted on the energy demand prediction apparatus 10 that predicts the energy demand.
  • the present invention is not limited to this, and the prediction system according to another embodiment is other than the energy demand.
  • An objective variable may be specified.
  • the prediction system may use a parameter related to the manufacture of a product in the factory F as an explanatory variable, and may use the number of defective portions occurring in the finished product as a target variable.
  • the prediction system acquires data relating to at least one manufacturing for each of a plurality of manufacturing processes.
  • the prediction system may predict the number of defective portions occurring in the finished product instead of predicting the energy demand of the factory F using some or all of these data as explanatory variables.
  • the prediction system includes data related to manufacturing in each manufacturing process, such as the atmospheric temperature of the manufacturing process, the speed / quality parameters / temperature related to casting, the temperature / quality parameters of the material, and the time required for a specific operation in each process.
  • the number of defective parts of the finished casting as an explanatory variable as an explanatory variable, the number of defective parts of the finished product can be predicted in the middle of the manufacturing process related to casting. As a result, even if the work-in-process in each process satisfies the predetermined tolerance and quality defined in each process, the number of defective parts of the finished product is determined based on the data related to the manufacturing up to a predetermined threshold. If it exceeds, it is possible to determine that the production of the work-in-process is stopped. As a result, it is possible to suppress excessive man-hours and labor for the work-in-process in the subsequent manufacturing process, and to suppress energy consumption in the factory.
  • the parameters used as explanatory variables in the above can be used for management of the manufacturing process. More specifically, when the number of defective parts exceeds a predetermined threshold, if a parameter related to manufacturing with a high contribution to the number of defective parts is revealed, the number of defective parts can be managed by managing the parameters. Can be prevented from exceeding a predetermined threshold.
  • the data related to the manufacture of a specific manufacturing process for example, the atmospheric temperature of a specific manufacturing process is the most important in predicting the number of defective parts of a finished product.
  • the number of parameters to be managed is not necessarily one, and a plurality of parameters that contribute to the prediction of the number of defective portions may be managed as necessary.
  • the finished product in the present embodiment is not limited to a finished product as a product, and is a final product of a plurality of manufacturing processes targeted in the factory F, but the product includes an intermediate product.
  • the prediction system may predict a determination result as a defective product or a non-defective product instead of the number of defective portions as an objective variable.
  • the prediction system can obtain a predicted value that is a value of 0 or more and 1 or less, for example, by setting a parameter with 0 as a defective product and 1 as a non-defective product.
  • the administrator In the stage of work in progress in the process of completing the finished product, the administrator has a high probability that it is a defective product if this predicted value is smaller than the threshold value, and a high probability that it is a good product if it is larger than the threshold value.
  • the quality of the product can be predicted.
  • the prediction system may predict the location of the defective portion or the type of the defect instead of the number of defective portions as the objective variable.
  • the administrator predicts the probability that a predetermined location of a finished product will be defective, or the probability that a finished product will be a predetermined type of defect by causing the prediction system to learn the location of the defective part and the type of defect. Can be obtained as By referring to the predicted value output by the prediction system, the administrator can predict the quality of the finished product at the stage of the work-in-process in the manufacturing process on the way to completion of the finished product.
  • FIG. 8 is a schematic block diagram illustrating a configuration of a computer according to at least one embodiment.
  • the computer 90 includes a processor 91, a main memory 92, a storage 93, and an interface 94.
  • the energy demand prediction apparatus 10 described above is mounted on a computer 90.
  • the operation of each processing unit described above is stored in the storage 93 in the form of a program.
  • the processor 91 reads out a program from the storage 93, expands it in the main memory 92, and executes the above processing according to the program. Further, the processor 91 secures a storage area corresponding to the above-described history storage unit 102 in the main memory 92 according to the program.
  • Examples of storage 93 include HDD (Hard Disk Drive), SSD (Solid State Drive), magnetic disk, magneto-optical disk, CD-ROM (Compact Disc Read Only Memory), DVD-ROM (Digital Versatile Disc Read Only Memory). And semiconductor memory.
  • the storage 93 may be an internal medium directly connected to the bus of the computer 90, or may be an external medium connected to the computer 90 via an interface 94 or a communication line. When this program is distributed to the computer 90 via a communication line, the computer 90 that has received the distribution may develop the program in the main memory 92 and execute the above processing.
  • the storage 93 is a tangible storage medium that is not temporary.
  • the program may be for realizing a part of the functions described above. Further, the program may be a so-called difference file (difference program) that realizes the above-described function in combination with another program already stored in the storage 93.
  • difference file difference program
  • the energy demand prediction system can predict the energy demand of a factory based on the input of explanatory variables related to operation of any equipment in a factory having a plurality of equipment. it can.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Manufacturing & Machinery (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

選択部は、工場の稼働に係る複数の説明変数候補の中から少なくとも１つの説明変数の選択を受け付ける。値入力部は、選択された説明変数に係る値の入力を受け付ける。エネルギー需要特定部は、入力された値に基づいて工場の稼働に係る目的変数の値を特定する。出力部は、特定した目的変数の値を出力する。

Description

予測システム、予測方法、およびプログラム
　本発明は、予測システム、予測方法、およびプログラムに関する。
　本願は、２０１８年２月２７日に日本に出願された特願２０１８－０３３３６６号について優先権を主張し、その内容をここに援用する。
　特許文献１には、多数の製造ラインを備えた工場群のトータルの電力需要を予測する技術が開示されている。
特開２００４－１２９３２２号公報
　特許文献１に記載の技術においては、製造ラインそれぞれについて予め操業スケジュールが電力管理用計算機システムにインプットされ、電力管理用計算機システムは、当該操業スケジュールに基づいて、複数の製造ラインそれぞれのエネルギー需要を求める。特許文献１によれば、電力管理用計算機システムによって予測された電力需要が契約電力の上限を超える場合に、電力使用制限がなされる。他方、工場の管理者等においては、予め電力需要が契約電力の上限を超えないように操業計画を立てたいという要望がある。
　特許文献１に記載の技術において、操業計画を変更して再度エネルギー需要を求めるためには、管理者等は、すべての製造ラインについての細かな操業計画を電力管理用計算機システムにインプットする必要がある。しかしながら、製造ラインの数が多量である場合、再計算のために入力すべき操業計画の情報量が多くなるため、管理者等の負担が大きくなる。
　負荷の大きい設備の操業計画に基づいて計算を行うようにシミュレータを設計することも考えられるが、予めどの設備の負荷が大きいかが分からない場合、シミュレータを設計することができない。
　本発明の目的は、複数の設備を備える工場において、任意の設備の稼働に係る説明変数の入力に基づいて、工場の稼働を予測することができる予測システム、予測方法、およびプログラムを提供することにある。特に、工場のエネルギー需要を予測することができる予測システム、予測方法、およびプログラムを提供することにある。
　本発明の第１の態様によれば、予測システムは、工場の稼働に係る複数の説明変数候補の中から少なくとも１つの説明変数の選択を受け付ける選択部と、選択された前記説明変数に係る値の入力を受け付ける値入力部と、入力された前記値に基づいて前記工場の稼働に係る目的変数の値を特定する特定部と特定した前記目的変数の値を出力する出力部とを備える。
　本発明の第２の態様によれば、第１の態様に係る予測システムにおいて、前記工場の稼働に係る目的変数の値は、前記工場のエネルギー需要に係る値であるものであってよい。
　本発明の第３の態様によれば、第１または第２の態様に係る予測システムが、工場の稼働に係る複数の説明変数候補の値と前記工場の稼働に係る少なくとも１つの目的変数の値とのセットを含む履歴データを記憶する記憶部と、前記履歴データに基づいて、選択された前記説明変数を入力とし、前記目的変数を出力とするモデルのパラメータを学習する学習部と、を備え、前記特定部は、入力された前記値を学習された前記モデルに入力することで、前記目的変数の値を特定するものであってよい。
　本発明の第４の態様によれば、第３の態様に係る予測システムにおいて、前記記憶部が記憶する、前記工場の稼働に係る複数の説明変数候補の値と前記工場の稼働に係る少なくとも１つの目的変数の値とのセットは、前記工場の稼働に係る複数の説明変数候補の値と前記工場のエネルギー需要に係る少なくとも１つの目的変数の値とのセットであり、前記モデルが出力する前記目的変数の値は、前記工場のエネルギー需要に係る値であってよい。
　本発明の第５の態様によれば、第１から第３の何れかの態様に係る予測システムが、前記履歴データに追加する説明変数候補の値の入力を受け付ける候補入力部を備えるものであってよい。
　本発明の第６の態様によれば、第１から第５の何れかの態様に係る予測システムにおいて、前記値入力部は、前記説明変数に係る値の時系列の入力を受け付けるものであってよい。
　本発明の第７の態様によれば、第６の態様に係る予測システムが、前記説明変数に係る値の時系列における単位時間の変更を受け付ける単位時間変更部をさらに備えるものであってよい。
　本発明の第８の態様によれば、第１から第７の何れかの態様に係る予測システムにおいて、前記出力部は、特定した前記目的変数の値と、前記履歴データに含まれる前記目的変数の値または前記目的変数の比較値とを含む表示画面を出力するものであってよい。
　本発明の第９の態様によれば、第１から第８の何れかの態様に係る予測システムにおいて、前記入力部は、複数の工場における選択された前記説明変数に係る値の入力を受け付け、前記特定部は、入力された前記値に基づいて複数の工場の稼働に係る目的変数の値を統合した値を特定するものであってよい。
　本発明の第１０の態様によれば、予測方法は、工場の稼働に係る複数の説明変数候補の中から少なくとも１つの説明変数の選択を受け付けるステップと、選択された前記説明変数に係る値の入力を受け付けるステップと、入力された前記値に基づいて前記工場の稼働に係る目的変数の値を特定するステップと特定した前記目的変数の値を出力するステップとを含む。
　本発明の第１１の態様によれば、第１０の態様に係る予測方法において、前記工場の稼働に係る目的変数の値は、前記工場のエネルギー需要に係る値であってよい。
　本発明の第１２の態様によれば、プログラムは、コンピュータに、工場の稼働に係る複数の説明変数候補の中から少なくとも１つの説明変数の選択を受け付けるステップと、選択された前記説明変数に係る値の入力を受け付けるステップと、入力された前記値に基づいて前記工場の稼働に係る目的変数の値を特定するステップと特定した前記目的変数の値を出力するステップとを実行させる。
　本発明の第１３の態様によれば、第１２の態様に係るプログラムにおいて、前記工場の稼働に係る目的変数の値は、前記工場のエネルギー需要に係る値であってよい。
　上記態様のうち少なくとも１つの態様によれば、エネルギー需要予測システムは、複数の設備を備える工場において、任意の設備の稼働に係る説明変数の入力に基づいて、工場のエネルギー需要を予測することができる。
第１の実施形態に係るエネルギー需要予測システムの構成を示す概略図である。 第１の実施形態に係るエネルギー需要予測装置の構成を示す概略ブロック図である。 第１の実施形態に係るエネルギー需要予測装置の動作を示すフローチャートである。 説明変数の選択画面の例を示す図である。 操業計画の入力画面の例を示す図である。 第１の実施形態に係るエネルギー需要の予測結果の出力画面の例である。 第２の実施形態に係るエネルギー需要の予測結果の出力画面の例である。 少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
〈定義〉
　本明細書において「特定する」とは、第１の値を用いて複数の値を取り得る第２の値を定めることである。例えば、「特定する」は、第１の値から第２の値を算出すること、テーブルを参照して第１の値に対応する第２の値を読み出すこと、第１の値をクエリとして第２の値を検索すること、第１の値に基づいて複数の候補の中から第２の値を選択すること、第１の値から第２の値を推定・予測することを含む。
　「取得する」とは、新たに値を得ることである。例えば、「取得する」は、値を受信すること、値の入力を受け付けること、テーブルから値を読み出すこと、ある値から他の値を算出することを含む。
〈第１の実施形態〉
　以下、図面を参照しながら実施形態について詳しく説明する。
　図１は、第１の実施形態に係るエネルギー需要予測システムの構成を示す概略図である。
　エネルギー需要予測システム１は、複数の設備Ｅを備える工場Ｆと、エネルギー需要予測装置１０とを備える。
　各設備Ｅは、外部から供給される電力によって稼働する。各設備Ｅは、操業計画に従って稼働し、また停止する。操業計画には、設備の稼働時間帯および稼働日に係る情報が含まれる。つまり操業計画は、設備Ｅの稼働状態の時系列である。
　エネルギー需要予測装置１０は、各設備Ｅの操業計画と各設備Ｅの消費電力の実績値と工場Ｆ全体の消費電力の実績値とに基づいて、工場Ｆのエネルギー需要を予測する。各設備Ｅの消費電力の実績値は、例えば設備Ｅに設けられた図示しないセンサによって検出される。ここでは、工場Ｆの設備Ｅの稼働に係る情報が工場の稼働に係る説明変数候補であり、工場Ｆのエネルギー需要が工場の稼働に係る目的変数である。
《エネルギー需要予測装置の構成》
　図２は、第１の実施形態に係るエネルギー需要予測装置の構成を示す概略ブロック図である。
　エネルギー需要予測装置１０は、履歴取得部１０１、履歴記憶部１０２、選択部１０３、モデル記憶部１０５、学習部１０４、計画入力部１０６、エネルギー需要特定部１０７、出力部１０８、候補入力部１０９、単位時間変更部１１０を備える。
　履歴取得部１０１は、工場Ｆの各設備Ｅから、操業計画および消費電力の時系列を取得する。履歴取得部１０１は、操業計画を設備Ｅの制御装置から読み出してもよいし、工場Ｆの管理者等の利用者からの入力により取得してもよい。履歴取得部１０１は、消費電力を設備Ｅに設けられたセンサから取得する。複数の設備Ｅの操業計画、すなわち複数の設備Ｅの稼働時間帯および稼働日に係る情報は、工場の稼働に係る複数の説明変数候補の一例である。また、複数の設備Ｅの消費電力は、工場のエネルギー需要に係る目的変数の一例である。
　履歴記憶部１０２は、履歴取得部１０１が取得した複数の設備Ｅの操業計画および消費電力の時系列を記憶する。
　選択部１０３は、利用者から、複数の設備Ｅの操業計画の中から少なくとも１つの説明変数の選択を受け付ける。例えば、利用者は、工場Ｆの稼働において消費電力の増減への影響度が高いと思われる１つまたは複数の設備Ｅの操業計画を説明変数として選択することができる。つまり、利用者は、エネルギー需要の予測のために、工場Ｆが備えるすべての設備Ｅの操業計画を入力する必要がない。このとき、利用者は、設備Ｅの稼働時間帯または稼働日の一方のみを説明変数として選択してもよい。
　モデル記憶部１０５は、操業計画に基づいて工場Ｆの総消費電力を特定するために用いられるモデルを記憶する。モデル記憶部１０５が記憶するモデルの例としては、ニューラルネットワークモデルやベイジアンモデルなどが挙げられる。
　学習部１０４は、履歴記憶部１０２が記憶する情報を教師データとして、利用者に選択された設備Ｅに係る操業計画を入力とし、工場Ｆの総消費電力の時系列を出力とするように、モデル記憶部１０５が記憶するモデルを学習させる。すなわち、学習部１０４は、履歴記憶部１０２が記憶する情報に基づいて、モデル記憶部１０５が記憶するモデルにパラメータを割り当てる。
　計画入力部１０６は、利用者から、選択された設備Ｅに係る操業計画の入力を受け付ける。
　エネルギー需要特定部１０７は、計画入力部１０６に入力された操業計画を、モデル記憶部１０５が記憶するモデルに入力することで、工場Ｆの総消費電力の時系列を特定する。つまり、エネルギー需要特定部１０７は、工場Ｆが備える一部の設備Ｅに係る操業計画に基づいて、工場Ｆ全体のエネルギー需要を予測する。以下、エネルギー需要特定部１０７が特定した総消費電力の時系列を、予測エネルギー需要ともよぶ。
　出力部１０８は、エネルギー需要特定部１０７が特定した工場Ｆの総消費電力を出力する。
　候補入力部１０９は、工場Ｆの設備Ｅのうち、履歴記憶部１０２に操業計画が記憶されていない設備Ｅに係る操業計画の入力を受け付ける。候補入力部１０９に入力された操業計画は、新たな説明変数候補として履歴記憶部１０２に記憶される。これにより、説明変数候補の数を増加させることができる。
　単位時間変更部１１０は、各設備Ｅの操業計画における稼働時間帯の単位時間の変更を受け付ける。例えば、履歴記憶部１０２が記憶する操業計画について稼働時間帯が１時間単位で設定されている場合に、単位時間変更部１１０は、利用者の入力に従って、計画入力部１０６に入力する操業計画の稼働時間帯の単位時間を３時間単位に変更することができる。
《エネルギー需要予測装置の動作》
　図３は、第１の実施形態に係るエネルギー需要予測装置の動作を示すフローチャートである。
　エネルギー需要予測装置１０の履歴取得部１０１は、エネルギー需要の予測処理の実施前に、工場Ｆの各設備Ｅから操業計画および消費電力を取得し、履歴記憶部１０２に記録しておく。
　エネルギー需要の予測処理を開始すると、エネルギー需要予測装置１０の選択部１０３は、説明変数候補である設備Ｅの一覧を含む説明変数の選択画面を表示する（ステップＳ１）。図４は、説明変数の選択画面の例を示す図である。説明変数の選択画面には、各設備Ｅについて、名称と定格出力とチェックボックスとが表示される。選択部１０３は、利用者から、エネルギー需要の予測処理における説明変数に用いる設備Ｅの選択を受け付ける（ステップＳ２）。利用者は、説明変数に用いる設備Ｅの欄のチェックボックスをオンにすることで、説明変数に用いる設備Ｅを選択する。また、利用者は、各説明変数候補の名称および定格出力を書き換えてもよい。また、利用者は、設備Ｅの欄のチェックボックスをオフにすることで、オフにされたチェックボックスに係る設備Ｅを選択から外し、結果として説明変数から外すことができる。
　選択部１０３が設備Ｅの選択を受け付けると、学習部１０４は、履歴記憶部１０２が記憶する情報を教師データとして、利用者に選択された設備Ｅに係る操業計画を入力とし、工場Ｆの総消費電力の時系列を出力とするように、モデル記憶部１０５が記憶するモデルを学習させる（ステップＳ３）。これにより、エネルギー需要予測装置１０は、利用者が選択した設備Ｅの操業計画に基づいて工場Ｆの総消費電力を予測するためのモデルを生成することができる。学習部１０４が設備Ｅの選択結果に基づいてモデルを学習することで、エネルギー需要予測装置１０は、選択されなかった設備Ｅについて操業計画が入力されなくても、各設備Ｅが停止しているものとみなされずに適切に工場Ｆの総消費電力を予測することができる。
　次に、計画入力部１０６は、選択された各設備Ｅに係る操業計画の入力画面を表示する（ステップＳ４）。つまり、計画入力部１０６は、稼働時間帯の入力画面および稼働日の入力画面を画面に表示する。図５は、操業計画の入力画面の例を示す図である。操業計画の入力画面には、選択された各設備Ｅの複数の時間帯または複数の日付について、稼働か停止かを表すチェックボックスが表示される。計画入力部１０６は、利用者から、選択された各設備Ｅに係る操業計画の入力を受け付ける（ステップＳ５）。利用者は、各設備Ｅについて、時間帯または日付に係るチェックボックスのオン／オフを組み合わせることで、各設備Ｅの操業計画を入力する。
　エネルギー需要特定部１０７は、計画入力部１０６に入力された操業計画を、モデル記憶部１０５が記憶するモデルに入力することで、工場Ｆの総消費電力の時系列（予測エネルギー需要Ｅ１）を特定する（ステップＳ６）。出力部１０８は、エネルギー需要特定部１０７が特定した予測エネルギー需要Ｅ１を出力する（ステップＳ７）。図６は、第１の実施形態に係るエネルギー需要の予測結果の出力画面の例である。出力部１０８は、エネルギー需要特定部１０７が特定した予測エネルギー需要Ｅ１に加え、履歴記憶部１０２が記憶する消費電力の時系列（実測エネルギー需要Ｅ２）と、工場Ｆの契約電力値Ｔｈ（目的変数の比較値）とを出力する。これにより、利用者は、予測エネルギー需要Ｅ１と実測エネルギー需要Ｅ２との乖離を視認することができ、また工場Ｆの総消費電力が将来的に契約電力値Ｔｈを超えるか否かを視認することができる。
　なお、予測エネルギー需要Ｅ１と実測エネルギー需要Ｅ２との乖離が大きい場合、利用者は、説明変数に用いる設備Ｅを追加し、または変更することで、予測エネルギー需要Ｅ１と実測エネルギー需要Ｅ２との乖離が小さくなるように、モデルを再学習させることができる。これにより、利用者は、工場Ｆにおいて総消費電力の支配因子となる設備Ｅを特定することができる。
　また、予測エネルギー需要Ｅ１が契約電力値Ｔｈを超える場合、利用者は操業計画を変更し、再度エネルギー需要予測装置１０にエネルギー需要を予測させることができる。この際、全ての設備についての操業計画を入力する必要がないため、利用者は、エネルギー需要の予測のための操業計画の変更を容易に実施することができる。
　また、利用者は、エネルギー需要予測装置１０にさらに精度よくエネルギー需要の予測をさせたい場合、説明変数候補を追加することができる。候補入力部１０９は、利用者から新たな説明変数候補に係る操業計画の入力を受け付けると、これを履歴記憶部１０２に記録する。その後、学習部１０４は、モデル記憶部１０５が記憶するモデルを、追加された説明変数候補に係る操業計画を用いて学習させることができる。
　また、利用者は、ステップＳ５における操業計画の入力項目が多く煩雑である場合に、またより細かに操業計画を指定したい場合に、操業計画の単位時間を変更することができる。単位時間変更部１１０は、利用者から変更後の単位時間の入力を受け付ける。単位時間変更部１１０は、履歴記憶部１０２が記憶する操業計画を、入力された単位時間に係る操業計画に変換する。例えば、単位時間変更部１１０は、１時間単位の操業計画を３時間単位の操業計画に変更する。例えば、単位時間変更部１１０は、３時間単位のある時間帯において２時間が稼働を示し１時間が停止を示す場合など、変更後の単位時間に係る時間帯に異なる状態が含まれる場合、当該時間帯において少なくとも稼働が含まれていれば当該時間帯の設備Ｅの状態を稼働状態に決定してもよいし、稼働と停止のうち多い方の状態を適用してもよいし、当該時間帯において少なくとも停止が含まれていれば当該時間帯の設備Ｅの状態を停止状態に決定してもよい。単位時間変更部１１０が単位時間の変更を受け付けると、計画入力部１０６は、変更後の単位時間に係る操業計画の入力画面を表示する。
《作用・効果》
　このように、第１の実施形態によれば、エネルギー需要予測システム１は、工場Ｆの複数の設備Ｅの中から少なくとも１つの設備Ｅの選択を受け付け、選択された設備Ｅに係る操業計画の入力を受け付ける。そして、エネルギー需要予測システム１は、入力された操業計画に基づいて工場Ｆの総消費電力を特定する。これにより、利用者は、複数の設備Ｅを備える工場Ｆにおいて、任意の設備Ｅの操業計画について入力することで、工場Ｆ全体のエネルギー需要を得ることができる。したがって、工場Ｆが備える設備Ｅの数によらず、利用者にとって操業計画の入力が煩雑にならない。
〈第２の実施形態〉
　第１の実施形態に係るエネルギー需要予測システム１は、１つの工場Ｆについての総消費電力を算出する。ところで、電力の契約は、必ずしも工場単位でなされるとは限らず、複数の工場Ｆについて一の契約電力が定められる可能性がある。この場合、複数の工場Ｆの稼働日や稼働時間帯をずらす運用がとられることがある。つまり、一の工場Ｆの情報に基づいて他の工場を制御することや、複数の工場Ｆの情報を相互に参照して工場Ｆ全体を制御することなどがなされている。そこで、第２の実施形態に係るエネルギー需要予測システム１は、複数の工場Ｆに係る総消費電力を算出する。
　第２の実施形態に係るエネルギー需要予測装置１０の構成は、第１の実施形態と同様である。このとき、履歴取得部１０１は、複数の工場Ｆの各設備Ｅから操業計画および消費電力の時系列を取得する。利用者は、複数の工場Ｆの複数の設備Ｅから、説明変数に係る設備Ｅを選択する。このとき、一部の工場Ｆについて設備Ｅが選択されなくてもよい。学習部１０４は、選択された設備Ｅに係る操業計画を入力とし、全工場Ｆの総消費電力を出力とするように、モデルを学習させる。エネルギー需要特定部１０７は、入力された操業計画に基づいて、全工場Ｆの総消費電力すなわち予測エネルギー需要Ｅ１を特定する。出力部１０８は、エネルギー需要特定部１０７が特定した全工場Ｆの予測エネルギー需要Ｅ１を出力する。図７は、第２の実施形態に係るエネルギー需要の予測結果の出力画面の例である。出力部１０８は、エネルギー需要特定部１０７が特定した予測エネルギー需要Ｅ１に加え、履歴記憶部１０２が記憶する工場Ｆごとの消費電力の時系列（実測エネルギー需要Ｅ２）と、契約電力値Ｔｈとを出力する。
　なお、第２の実施形態に係るエネルギー需要予測システム１は、選択された設備Ｅに係る操業計画を入力とし、全工場Ｆの総消費電力を出力とするようにモデルを学習させ、これにより全工場Ｆの総消費電力を特定するが、これに限られない。例えば、他の実施形態に係るエネルギー需要予測システム１は、選択された設備Ｅに係る操業計画を入力とし、各工場Ｆの総消費電力を出力とするようにモデルを学習させ、各工場の総消費電力の総和をとることで全工場Ｆの総消費電力を特定してもよい。
　以上、図面を参照して一実施形態について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、様々な設計変更等をすることが可能である。
　例えば、上述した実施形態において、説明変数として各設備Ｅの操業計画を用いるが、これに限られない。例えば、他の実施形態においては、工場Ｆの生産計画、設備Ｅの機種、設備Ｅを操作する作業員の配置計画、工場Ｆのイベントカレンダーなどを説明変数に用いてもよい。
　また、上述の実施形態においては、予測システムがエネルギー需要を予測するエネルギー需要予測装置１０に実装される例について説明したが、これに限られず、他の実施形態に係る予測システムはエネルギー需要以外の目的変数を特定してもよい。例えば、他の実施形態においては、予測システムは、工場Ｆにおける製品の製造に係るパラメータを説明変数として用い、完成品に発生する不良箇所の数を目的変数としても良い。
　より詳細には、予測システムは、工場Ｆにおける完成品の不良箇所の数を予測するために、複数の製造工程のそれぞれについて少なくとも１つの製造に係るデータを取得する。予測システムは、これらのデータの一部もしくは全てを説明変数として、工場Ｆのエネルギー需要の予測に代わり、完成品に発生する不良箇所の数を予測してもよい。この場合、完成品の完成に至る途中の製造工程における仕掛の段階で収集されるデータから、完成品の不良箇所の数を予測することが可能となる。途中の製造工程において完成品の不良箇所の数が所定の閾値を超えると予測される場合は、その仕掛品の製造を中止することで、その仕掛品に必要以上の工数や労力を割くことを抑制できるのみならず、工場にてその工数や労力のためのエネルギーを消費することを抑制することが可能となる。
　工場Ｆが鋳造工場である場合、複数の設備による複数の製造工程を経て完成品としての鋳造物ができあがる。各工程の仕掛品が各工程で定められている所定の公差や品質を満たしていても、最後の製造工程を経た後に、完成品に複数の不良箇所（表面の欠陥等）が発生することがある。これらの不良箇所は、通常は別途修正を施すが、不良箇所の数が過剰である場合、大幅な工数の増加となるため、望ましくない場合がある。予測システムは、各製造工程の製造に係るデータ、例えば製造工程の雰囲気温度、鋳造に係る速度・品質パラメータ・温度、材料の温度・品質パラメータ、各工程中で特定の作業に要した時間等を説明変数とし、完成品である鋳造物の不良箇所の数を目的変数とすることで、鋳造に係る製造工程の途中段階で、完成品の不良箇所の数を予測することができる。これにより、各工程の仕掛品が、各工程で定められている所定の公差や品質を満たしている場合でも、それまでの製造に係るデータに基づいて完成品の不良箇所の数が所定の閾値を超える場合、その仕掛品の製造を中止するという判断が可能となる。結果として、その仕掛品に以後の製造工程で必要以上の工数や労力を割くことを抑制し、工場にてエネルギーを消費することを抑制できる。
　また、上記において説明変数に用いられるパラメータを製造工程の管理に利用することもできる。
　より詳細には、不良箇所の数が所定の閾値を越える際に、不良箇所の数について寄与度の高い製造に係るパラメータが明らかになった場合、そのパラメータを管理することで、不良箇所の数が所定の閾値を越えることを抑制することも可能となる。
　例えば、予測システムにおいて複数の説明変数候補から説明変数を選択する過程において、特定の製造工程の製造に係るデータ、例えば特定の製造工程の雰囲気温度が、完成品の不良箇所の数の予測時に最も寄与度の高いパラメータであり、その雰囲気温度が所定値以上になることで完成品の不良箇所の数が所定の閾値を越えることが明らかになった場合、管理者は、その製造工程の雰囲気温度を所定値以上にならないように管理することで、完成品の不良箇所の数が所定の閾値を越えないよう管理することが可能となる。これにより、不良箇所の修正に過剰な工数を割くことを抑制し、工場にて必要以上のエネルギーを消費することを抑制できる。この場合、管理するパラメータは１つである必要は無く、必要に応じて不良箇所の数の予測に寄与する複数のパラメータを管理しても良い。
　なお、本実施形態における完成品は、製品としての完成品に限られず、工場Ｆにおいて対象としている複数の製造工程の最終成果物ではあるが、製品としては中間生成物であるものも含まれる。
　また、予測システムは、目的変数として、不良箇所の数に代えて、不良品か良品かの判断結果を予測してもよい。製品の外観や形状不良を、不良品か良品かの判断基準とする場合、必ずしも完成品にて計測できるパラメータが存在するとは限らない。このような場合、予測システムは、例えば不良品を０、良品を１とするパラメータを目的変数することで、０以上、１以下の値となる予測値を得ることができる。管理者は、完成品の完成に至る途中の製造工程における仕掛品の段階で、この予測値が閾値より小さければ不良品である確率が高く、閾値より大きければ良品である確率が高いとして、完成品の品質を予想することができる。
　また、予測システムは、目的変数として、不良箇所の数に代えて、不良箇所の場所または不良の種類を予測しても良い。すなわち、管理者は、予測システムに不良箇所の場所や不良の種類を学習させることで、完成品の所定の場所が不良になる確率、または完成品が所定の種類の不良となる確率を予測値として得ることができる。管理者は、予測システムが出力する予測値を参照することで、完成品の完成に至る途中の製造工程における仕掛品の段階で、完成品の品質を予想することができる。
　図８は、少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
　コンピュータ９０は、プロセッサ９１、メインメモリ９２、ストレージ９３、インタフェース９４を備える。
　上述のエネルギー需要予測装置１０は、コンピュータ９０に実装される。そして、上述した各処理部の動作は、プログラムの形式でストレージ９３に記憶されている。プロセッサ９１は、プログラムをストレージ９３から読み出してメインメモリ９２に展開し、当該プログラムに従って上記処理を実行する。また、プロセッサ９１は、プログラムに従って、上述した履歴記憶部１０２に対応する記憶領域をメインメモリ９２に確保する。
　ストレージ９３の例としては、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＤＶＤ－ＲＯＭ（Digital Versatile Disc Read Only Memory）、半導体メモリ等が挙げられる。ストレージ９３は、コンピュータ９０のバスに直接接続された内部メディアであってもよいし、インタフェース９４または通信回線を介してコンピュータ９０に接続される外部メディアであってもよい。また、このプログラムが通信回線によってコンピュータ９０に配信される場合、配信を受けたコンピュータ９０が当該プログラムをメインメモリ９２に展開し、上記処理を実行してもよい。少なくとも１つの実施形態において、ストレージ９３は、一時的でない有形の記憶媒体である。
　また、当該プログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、当該プログラムは、前述した機能をストレージ９３に既に記憶されている他のプログラムとの組み合わせで実現するもの、いわゆる差分ファイル（差分プログラム）であってもよい。
　上記態様のうち少なくとも１つの態様によれば、エネルギー需要予測システムは、複数の設備を備える工場において、任意の設備の稼働に係る説明変数の入力に基づいて、工場のエネルギー需要を予測することができる。
　１　エネルギー需要予測システム
　１０　エネルギー需要予測装置
　１０１　履歴取得部
　１０２　履歴記憶部
　１０３　選択部
　１０４　学習部
　１０５　モデル記憶部
　１０６　計画入力部
　１０７　エネルギー需要特定部
　１０８　出力部
　１０９　候補入力部
　１１０　単位時間変更部
　Ｅ　設備
　Ｆ　工場
　Ｅ１　予測エネルギー需要
　Ｅ２　実測エネルギー需要
　Ｔｈ　契約電力値

Claims (13)

  1. 　工場の稼働に係る複数の説明変数候補の中から少なくとも１つの説明変数の選択を受け付ける選択部と、
    　選択された前記説明変数に係る値の入力を受け付ける値入力部と、
    　入力された前記値に基づいて前記工場の稼働に係る目的変数の値を特定する特定部と　特定した前記目的変数の値を出力する出力部と
    　を備える予測システム。
  2. 　前記工場の稼働に係る目的変数の値は、前記工場のエネルギー需要に係る値である
    　請求項１に記載の予測システム。
  3. 　工場の稼働に係る複数の説明変数候補の値と前記工場の稼働に係る少なくとも１つの目的変数の値とのセットを含む履歴データを記憶する記憶部と、
    　前記履歴データに基づいて、選択された前記説明変数を入力とし、前記目的変数を出力とするモデルのパラメータを学習する学習部と、
    　を備え、
    　前記特定部は、入力された前記値を学習された前記モデルに入力することで、前記目的変数の値を特定する
    　請求項１または請求項２に記載の予測システム。
  4. 　前記記憶部が記憶する、前記工場の稼働に係る複数の説明変数候補の値と前記工場の稼働に係る少なくとも１つの目的変数の値とのセットは、前記工場の稼働に係る複数の説明変数候補の値と前記工場のエネルギー需要に係る少なくとも１つの目的変数の値とのセットであり、
    　前記モデルが出力する前記目的変数の値は、前記工場のエネルギー需要に係る値である　請求項３に記載の予測システム。
  5. 　前記履歴データに追加する説明変数候補の値の入力を受け付ける候補入力部を備える　請求項１から請求項３の何れか１項に記載の予測システム。
  6. 　前記値入力部は、前記説明変数に係る値の時系列の入力を受け付ける
    　請求項１から請求項５の何れか１項に記載の予測システム。
  7. 　前記説明変数に係る値の時系列における単位時間の変更を受け付ける単位時間変更部をさらに備える
    　請求項６に記載の予測システム。
  8. 　前記出力部は、特定した前記目的変数の値と、前記履歴データに含まれる前記目的変数の値または前記目的変数の比較値とを含む表示画面を出力する
    　請求項１から請求項７の何れか１項に記載の予測システム。
  9. 　前記入力部は、複数の工場における選択された前記説明変数に係る値の入力を受け付け、
    　前記特定部は、入力された前記値に基づいて複数の工場の稼働に係る目的変数の値を統合した値を特定する
    　請求項１から請求項８の何れか１項に記載の予測システム。
  10. 　工場の稼働に係る複数の説明変数候補の中から少なくとも１つの説明変数の選択を受け付けるステップと、
    　選択された前記説明変数に係る値の入力を受け付けるステップと、
    　入力された前記値に基づいて前記工場の稼働に係る目的変数の値を特定するステップと　特定した前記目的変数の値を出力するステップと
    　を含む予測方法。
  11. 　前記工場の稼働に係る目的変数の値は、前記工場のエネルギー需要に係る値である
    　請求項１０に記載の予測方法。
  12. 　コンピュータに、
    　工場の稼働に係る複数の説明変数候補の中から少なくとも１つの説明変数の選択を受け付けるステップと、
    　選択された前記説明変数に係る値の入力を受け付けるステップと、
    　入力された前記値に基づいて前記工場の稼働に係る目的変数の値を特定するステップと　特定した前記目的変数の値を出力するステップと
    　を実行させるためのプログラム。
  13. 　前記工場の稼働に係る目的変数の値は、前記工場のエネルギー需要に係る値である
    　請求項１２に記載のプログラム。
PCT/JP2019/005430 2018-02-27 2019-02-14 予測システム、予測方法、およびプログラム Ceased WO2019167656A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP19760182.6A EP3745344A4 (en) 2018-02-27 2019-02-14 PREDICTION SYSTEM, PREDICTION METHOD AND PROGRAM
US16/971,996 US20200380393A1 (en) 2018-02-27 2019-02-14 Prediction system, prediction method, and program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-033366 2018-02-27
JP2018033366A JP6975073B2 (ja) 2018-02-27 2018-02-27 予測システム、予測方法、およびプログラム

Publications (1)

Publication Number Publication Date
WO2019167656A1 true WO2019167656A1 (ja) 2019-09-06

Family

ID=67805352

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/005430 Ceased WO2019167656A1 (ja) 2018-02-27 2019-02-14 予測システム、予測方法、およびプログラム

Country Status (5)

Country Link
US (1) US20200380393A1 (ja)
EP (1) EP3745344A4 (ja)
JP (1) JP6975073B2 (ja)
TW (1) TWI756515B (ja)
WO (1) WO2019167656A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021086405A (ja) * 2019-11-28 2021-06-03 ファナック株式会社 機械学習装置、消費電力予測装置、及び制御装置
JP7529334B1 (ja) 2023-03-23 2024-08-06 杭州電子科技大学 エネルギー時系列データ予測システム

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4239427A4 (en) * 2020-10-27 2024-05-08 JFE Steel Corporation Abnormality diagnosing model construction method, abnormality diagnosing method, abnormality diagnosing model construction device, and abnormality diagnosing device
JP7599329B2 (ja) * 2020-12-25 2024-12-13 三菱電機株式会社 需要予測装置、需要予測方法およびプログラム
JP2024515456A (ja) * 2021-03-19 2024-04-10 べルサム・マテリアルズ・ユーエス、エルエルシー 材料のための共有データ誘導品質管理システム
WO2022255374A1 (ja) * 2021-06-02 2022-12-08 株式会社Ihi エネルギー消費量予測装置、エネルギー消費量予測方法およびエネルギー消費量予測プログラム
JP2023006476A (ja) * 2021-06-30 2023-01-18 新東工業株式会社 情報表示システム、情報表示方法、及び、情報表示プログラム
JP7408028B2 (ja) * 2021-12-21 2024-01-04 三菱電機株式会社 電力管理支援装置、プログラム及び電力管理支援方法
JP2024003875A (ja) * 2022-06-28 2024-01-16 株式会社日立製作所 材料データ収集支援装置、材料開発支援システム及び材料開発支援方法
JP7718394B2 (ja) * 2022-11-24 2025-08-05 トヨタ自動車株式会社 排出量管理装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000217253A (ja) * 1999-01-19 2000-08-04 Sumitomo Metal Ind Ltd 使用電力量予測方法
JP2004129322A (ja) 2002-09-30 2004-04-22 Nippon Steel Corp 電力需要の予測制御システム
JP2009116842A (ja) * 2007-03-09 2009-05-28 Omron Corp 要因推定支援装置およびその制御方法、ならびに要因推定支援プログラム
JP2015012753A (ja) * 2013-07-01 2015-01-19 日新電設株式会社 オンデマンド型電力制御システム、オンデマンド型電力制御方法及びオンデマンド型電力制御プログラム
JP2017070167A (ja) * 2015-10-02 2017-04-06 Ｊｆｅスチール株式会社 電力使用量の予測方法および予測システム
JP2018033366A (ja) 2016-08-31 2018-03-08 ユーシーシー上島珈琲株式会社 コーヒー飲料の製造方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004173342A (ja) * 2002-11-18 2004-06-17 Hitachi Ltd 運転支援システム及び運転支援コンピュータプログラム
US11593817B2 (en) * 2015-06-30 2023-02-28 Panasonic Intellectual Property Corporation Of America Demand prediction method, demand prediction apparatus, and non-transitory computer-readable recording medium
TWI580145B (zh) * 2015-10-27 2017-04-21 財團法人資訊工業策進會 適用於加工機台之用電量預估系統與用電量預估方法
US10185298B2 (en) * 2016-03-29 2019-01-22 Applied Materials, Inc. Smart tool monitoring system
WO2017203601A1 (ja) * 2016-05-24 2017-11-30 三井情報株式会社 情報処理装置、情報処理方法、情報処理システム及びプログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000217253A (ja) * 1999-01-19 2000-08-04 Sumitomo Metal Ind Ltd 使用電力量予測方法
JP2004129322A (ja) 2002-09-30 2004-04-22 Nippon Steel Corp 電力需要の予測制御システム
JP2009116842A (ja) * 2007-03-09 2009-05-28 Omron Corp 要因推定支援装置およびその制御方法、ならびに要因推定支援プログラム
JP2015012753A (ja) * 2013-07-01 2015-01-19 日新電設株式会社 オンデマンド型電力制御システム、オンデマンド型電力制御方法及びオンデマンド型電力制御プログラム
JP2017070167A (ja) * 2015-10-02 2017-04-06 Ｊｆｅスチール株式会社 電力使用量の予測方法および予測システム
JP2018033366A (ja) 2016-08-31 2018-03-08 ユーシーシー上島珈琲株式会社 コーヒー飲料の製造方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3745344A4

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021086405A (ja) * 2019-11-28 2021-06-03 ファナック株式会社 機械学習装置、消費電力予測装置、及び制御装置
JP7424807B2 (ja) 2019-11-28 2024-01-30 ファナック株式会社 機械学習装置、消費電力予測装置、及び制御装置
JP7529334B1 (ja) 2023-03-23 2024-08-06 杭州電子科技大学 エネルギー時系列データ予測システム
JP7570747B1 (ja) 2023-03-23 2024-10-25 杭州電子科技大学 エネルギー量の時系列データを予測するための予測プラットフォーム

Also Published As

Publication number Publication date
TW201939326A (zh) 2019-10-01
EP3745344A1 (en) 2020-12-02
JP2019148999A (ja) 2019-09-05
US20200380393A1 (en) 2020-12-03
EP3745344A4 (en) 2021-03-31
TWI756515B (zh) 2022-03-01
JP6975073B2 (ja) 2021-12-01

Similar Documents

Publication Publication Date Title
WO2019167656A1 (ja) 予測システム、予測方法、およびプログラム
CN109870903B (zh) 参数优化方法、装置以及非瞬时计算机可读取介质
US10466689B2 (en) Maintenance optimization for asset performance management
TW202347062A (zh) 用於半導體廠房中之等待時間預測之方法
JP2019087030A (ja) 予測モデル生成装置、予測モデル生成方法及び予測モデル生成プログラム
JP7342833B2 (ja) 制御装置、コントローラ、制御システム、制御方法、および制御プログラム
US20230046379A1 (en) Factory Management Device, Factory Management Method, and Factory Management Program
JP6917288B2 (ja) 保守計画生成システム
Adams et al. The WEAR methodology for prognostics and health management implementation in manufacturing
JP6317910B2 (ja) 部品設備割付装置、部品設備割付方法、及びプログラム
US10222788B2 (en) Plan generating device and plan generating method
JP2024517150A (ja) 産業機器の動作及び保全の監視のためのシステム
Karakaya et al. A sensor-driven operations and maintenance planning approach for large-scale leased manufacturing systems
WO2022170127A1 (en) Risk-aware and strategy-adaptive consumption planning for process and manufacturing plants
JP7249875B2 (ja) 劣化推定装置、劣化推定システム、劣化推定方法および劣化推定プログラム
JP5924966B2 (ja) 需要予測装置、需要予測方法および需要予測プログラム
JP2022163293A (ja) 運用支援装置、運用支援方法及びプログラム
JP7364144B2 (ja) データ処理装置、データ処理方法及びプログラム
WO2016151639A1 (ja) 人数予測システム、人数予測方法および人数予測プログラム
US20190266682A1 (en) Calculating value of inspection information
JP2020191007A (ja) 製造制御装置、製造制御方法及びプログラム
López-Campos et al. Reliability Assessment Methodology for Massive Manufacturing Using Multi‐Function Equipment
Kiassat et al. Effects of operator learning on production output: a Markov chain approach
CN115190023B (zh) 组态管理策略处理方法、装置及通信设备
Kiesel et al. and Günther Schuh

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19760182

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019760182

Country of ref document: EP

Effective date: 20200824

NENP Non-entry into the national phase

Ref country code: DE