特許 6789848 アイソレーション管理システムおよびアイソレーション管理方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6789848

(24)【登録日】2020年11月6日

(45)【発行日】2020年11月25日

(54)【発明の名称】アイソレーション管理システムおよびアイソレーション管理方法

(51)【国際特許分類】

   G05B 23/02 20060101AFI20201116BHJP

【ＦＩ】

   G05B23/02 E

【請求項の数】7

【全頁数】18

(21)【出願番号】特願2017-34494(P2017-34494)

(22)【出願日】2017年2月27日

(65)【公開番号】特開2018-142060(P2018-142060A)

(43)【公開日】2018年9月13日

【審査請求日】2019年3月11日

(73)【特許権者】

【識別番号】000003078

【氏名又は名称】株式会社東芝

(73)【特許権者】

【識別番号】317015294

【氏名又は名称】東芝エネルギーシステムズ株式会社

(74)【代理人】

【識別番号】110001380

【氏名又は名称】特許業務法人東京国際特許事務所

(72)【発明者】

【氏名】高倉 啓

(72)【発明者】

【氏名】内藤 晋

(72)【発明者】

【氏名】黒田 英彦

(72)【発明者】

【氏名】芝 広樹

【審査官】 藤崎 詔夫

(56)【参考文献】

【文献】 特開平０４−１９９３０９（ＪＰ，Ａ）

【文献】 特開２０１７−０３３５２５（ＪＰ，Ａ）

【文献】 特許第４０５９０１４（ＪＰ，Ｂ２）

【文献】 特開平０６−０４６５２８（ＪＰ，Ａ）

【文献】 特開平０２−２１３９４３（ＪＰ，Ａ）

【文献】 特開平０２−２９９００１（ＪＰ，Ａ）

【文献】 特開２００３−２０２９２０（ＪＰ，Ａ）

【文献】 特開２０１７−０３４８４４（ＪＰ，Ａ）

【文献】 特開２０１６−２１２８４９（ＪＰ，Ａ）

【文献】 米国特許出願公開第２０１７／００３２２４５（ＵＳ，Ａ１）

【文献】 特開２０１７−０３０１３７（ＪＰ，Ａ）

【文献】 米国特許第０９５３６１９１（ＵＳ，Ｂ１）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ０５Ｂ ２３／０２

(57)【特許請求の範囲】

【請求項1】

少なくとも遮断器と断路器と分電盤とから成る複数の要素を用いて構築されたプラントに関する少なくとも設計図書を含む情報が記憶されたデータベースと、
前記プラントにおけるアイソレーション作業の対象箇所の指定を受け付ける受付部と、
前記指定された対象箇所に関する前記要素の状態を変化させたときに、他の箇所の前記要素で生じる状態の変化のパターンを前記データベースに記憶された情報に基づいて解析する解析部と、
前記解析された変化のパターンが複数あり、これらの変化のパターンから特定のパターンを深層学習に基づいて抽出する深層学習部と、
前記抽出された特定のパターンに基づいて作業計画を生成する計画生成部と、
前記生成された作業計画を出力する出力部と、
を備え、
前記深層学習部は、
多層のニューラルネットワークから成る中間層と、
学習済みの前記多層のニューラルネットワークを構築するための学習データを生成する学習データ生成部と、
を備え、
前記学習データ生成部は、
前記解析部で解析された前記遮断器および前記断路器の開放状態または遮断状態を０または１で表現した第１行列データを生成する第１行列データ生成部と、
前記解析部で解析された前記遮断器および前記断路器の前記開放状態または前記遮断状態に対応する前記分電盤の導通状態または非導通状態を０または１で表現した第２行列データを生成する第２行列データ生成部と、
を備え、
前記深層学習部は、前記第１行列データおよび前記第２行列データを含む前記学習データを前記多層のニューラルネットワークに学習させて、この学習済みの前記多層のニューラルネットワークにより前記変化のパターンの特徴量を取得し、この特徴量に基づいて前記特定のパターンを抽出するアイソレーション管理システム。

【請求項2】

前記作業計画に従って前記対象箇所に関する前記要素の状態を変化させたときに、他の箇所の前記要素で生じる状態の変化のパターンを前記データベースに記憶された情報に基づいて検証する検証部を備える請求項１に記載のアイソレーション管理システム。

【請求項3】

過去のアイソレーション作業で用いた作業計画の情報が前記データベースに記憶されており、
前記学習データ生成部は、前記データベースに記憶された前記過去の作業計画に基づいて前記学習データを生成する請求項１または請求項２に記載のアイソレーション管理システム。

【請求項4】

前記深層学習部は、
前記データベースに記憶された情報に報酬関数を設定する報酬関数設定部と、
複数の前記特定のパターンを抽出し、これらの特定のパターンから前記報酬関数に基づいて価値が最も高くなるものを抽出する強化学習部と、
を備える請求項１から請求項３のいずれか１項に記載のアイソレーション管理システム。

【請求項5】

前記深層学習部は、前記抽出された特定のパターンに基づいて前記アイソレーション作業の操作手順を抽出する操作手順抽出部を備え、
前記計画生成部は、前記抽出された操作手順に基づいて前記作業計画を生成する請求項１から請求項４のいずれか１項に記載のアイソレーション管理システム。

【請求項6】

前記解析部は、アナログ回路の解析を行うアナログ回路解析部と、論理回路の解析を行う論理回路解析部と、経路探索の解析を行う経路探索解析部との少なくともいずれかを備える請求項１から請求項５のいずれか１項に記載のアイソレーション管理システム。

【請求項7】

少なくとも遮断器と断路器と分電盤とから成る複数の要素を用いて構築されたプラントに関する少なくとも設計図書を含む情報をデータベースに記憶する記憶ステップと、
前記プラントにおけるアイソレーション作業の対象箇所の指定を受け付ける受付ステップと、
前記指定された対象箇所に関する前記要素の状態を変化させたときに、他の箇所の前記要素で生じる状態の変化のパターンを前記データベースに記憶された情報に基づいて解析する解析ステップと、
前記解析された変化のパターンが複数あり、これらの変化のパターンから特定のパターンを深層学習に基づいて抽出する深層学習ステップと、
前記抽出された特定のパターンに基づいて作業計画を生成する計画生成ステップと、
前記生成された作業計画を出力する出力ステップと、
を含み、
多層のニューラルネットワークから成る中間層と、
学習済みの前記多層のニューラルネットワークを構築するための学習データを生成する学習データ生成部と、
を備える深層学習部が、
前記解析ステップで解析された前記遮断器および前記断路器の開放状態または遮断状態を０または１で表現した第１行列データを生成し、
前記解析ステップで解析された前記遮断器および前記断路器の前記開放状態または前記遮断状態に対応する前記分電盤の導通状態または非導通状態を０または１で表現した第２行列データを生成し、
前記第１行列データおよび前記第２行列データを含む前記学習データを前記多層のニューラルネットワークに学習させて、
前記深層学習ステップにて、前記学習済みの前記多層のニューラルネットワークにより前記変化のパターンの特徴量を取得し、この特徴量に基づいて前記特定のパターンを抽出するアイソレーション管理方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の実施形態は、プラントにおいて、工事、保守点検、修理などを行う際に、対象となる機器を一時的に隔離するアイソレーション作業を管理するアイソレーション管理技術に関する。

【背景技術】

【0002】

従来、発電所などのプラントにおけるアイソレーション作業を行う前に、専門のエンジニアが各機器の接続関係を示す展開接続図などを参照し、他の機器に対する影響を検討しながら作業計画を作成している。このようなアイソレーション作業に関わる手間を軽減するために、プラントの母線点検のための作業計画立案を自動化する技術が提案されている。また、設計図書から対象となる図面を抽出する技術が提案されている。さらに、アイソレーション作業の実施時に誤った作業が行われることを防ぐ技術が提案されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開平６−４６５２８号公報

【特許文献2】特開２０１１−９６０２９号公報

【特許文献3】特開２００８−１８１２８３号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

プラントには多数の機器が設けられており、全ての機器を考慮してアイソレーションの作業計画の立案をしようとすると、膨大な量の計算を行わなければならない。例えば、対象となる範囲に１００個の機器があり、その全てにＯＮ・ＯＦＦの２つの状態が存在する場合では、２の１００乗（１×１０の３０乗以上）のパターンが存在することになる。そのため、全てのパターンを計算して求めることは効率的ではなく、作業計画を効率的に立案することができないという課題がある。

【0005】

本発明の実施形態はこのような事情を考慮してなされたもので、アイソレーション作業に最も適した作業計画を効率的に生成することができるアイソレーション管理技術を提供することを目的とする。

【課題を解決するための手段】

【0006】

本発明の実施形態に係るアイソレーション管理システムは、少なくとも遮断器と断路器と分電盤とから成る複数の要素を用いて構築されたプラントに関する少なくとも設計図書を含む情報が記憶されたデータベースと、前記プラントにおけるアイソレーション作業の対象箇所の指定を受け付ける受付部と、前記指定された対象箇所に関する前記要素の状態を変化させたときに、他の箇所の前記要素で生じる状態の変化のパターンを前記データベースに記憶された情報に基づいて解析する解析部と、前記解析された変化のパターンが複数あり、これらの変化のパターンから特定のパターンを深層学習に基づいて抽出する深層学習部と、前記抽出された特定のパターンに基づいて作業計画を生成する計画生成部と、前記生成された作業計画を出力する出力部と、を備え、前記深層学習部は、多層のニューラルネットワークから成る中間層と、学習済みの前記多層のニューラルネットワークを構築するための学習データを生成する学習データ生成部と、を備え、前記学習データ生成部は、前記解析部で解析された前記遮断器および前記断路器の開放状態または遮断状態を０または１で表現した第１行列データを生成する第１行列データ生成部と、前記解析部で解析された前記遮断器および前記断路器の前記開放状態または前記遮断状態に対応する前記分電盤の導通状態または非導通状態を０または１で表現した第２行列データを生成する第２行列データ生成部と、を備え、前記深層学習部は、前記第１行列データおよび前記第２行列データを含む前記学習データを前記多層のニューラルネットワークに学習させて、この学習済みの前記多層のニューラルネットワークにより前記変化のパターンの特徴量を取得し、この特徴量に基づいて前記特定のパターンを抽出する。

【発明の効果】

【0007】

本発明の実施形態により、アイソレーション作業に最も適した作業計画を効率的に生成することができるアイソレーション管理技術が提供される。

【図面の簡単な説明】

【0008】

【図1】アイソレーション管理システムを示すブロック図。

【図2】多層のニューラルネットワークを示す説明図。

【図3】アイソレーション作業前の配電システムの状態を示す構成図。

【図4】アイソレーション作業中の配電システムの状態を示す構成図。

【図5】アイソレーション管理処理を示すフローチャート。

【図6】アイソレーション管理処理を示すフローチャート。

【図7】アイソレーション管理処理を示すフローチャート。

【図8】アイソレーション管理処理を示すフローチャート。

【発明を実施するための形態】

【0009】

以下、本実施形態を添付図面に基づいて説明する。まず、発電所などのプラントは、配電システム、運転機器、監視機器などの複数の要素を用いて構築される。このようなプラントにおいて、機器またはシステムなどの工事、保守点検、修理などを行う際に、作業員の安全確保、他の機器または他のシステムに与える影響を最小限に抑える必要がある。そのため、作業の対象となる機器またはシステムを、他の機器または他のシステムから電気的に隔離して停止（停電）させる。このような作業をアイソレーションと称する。

【0010】

従来では、アイソレーション作業の計画を立案する際に、各機器の接続関係を示す単線結線図、構成機器の制御関係を示すＥＣＷＤ（展開接続図）、ＩＢＤ（インターロックブロック線図）、ソフトロジック図などを含む設計図書を、専門のエンジニアが参照する。そして、影響を検討しながら計画の立案を行う。例えば、原子力発電所では、アイソレーション計画をエンジニアが策定する際に、数千から数万の関連図書を調査する必要がある。また、エンジニアには、専門性と熟練された経験が必要とされ、多くの労力が費やされる。さらに、エンジニアの検討不足または見落としなどに起因する計画のミスによって異常を知らせる警報が発生したり、プラントの運転が停止したりしてしまう事象も生じる。

【0011】

さらに、実際のアイソレーション作業には、所定の手順がある。この手順（順序）通りに作業を進めないと警報が発せられたり、インターロックが作動してプラントに影響を与えたりする事象が生じる。そのため、アイソレーション作業のために操作が必要となる機器について、専門のエンジニアが手順毎に、設計図書やプラントの状態を参照しながら評価する必要があり、多大な労力を要していた。このような人手による評価を、手順毎にシミュレーション評価する手法もあるが、シミュレーションには多くの計算コストが嵩む。

【0012】

また、アイソレーション作業の計画を立案する際に、例えば、ジャンパーする端子または遮断器について、予めルールを設けてシミュレーションパターンを大幅に減らすことも考えられる。しかし、シミュレータによってアイソレーションパターンを抽出した場合において、抽出されたアイソレーションパターンが最適な計画であるか否かが明確でない。この最適の定義は、管理者のマネジメント指針に依存する。例えば、作業員の被ばく線量を最小に抑えるアイソレーション計画および作業工数（時間）を最も短くするアイソレーション計画などが、最適なアイソレーション計画案として想定される。

【0013】

図１の符号１は、アイソレーション作業の計画を管理し、自動的に作業計画を生成する、アイソレーション管理システム１である。このアイソレーション管理システム１は、プラントの建屋、配置図、Ｐ＆ＩＤ、ＥＣＷＤ、ＩＢＤ、単結線図、ソフトロジック図などのプラントの設計図書と、プラントの運転、監視、計装機器などの運転状態に関する運転情報（プロセスデータ）と、プラント内での工事計画、進捗などの人員計画情報と、プラント内の各作業箇所の放射線量、温度、湿度などの環境情報と、現場での障害物、干渉物、高所作業などの作業性に関する工事情報と、過去のトラブル事象などを日時、場所、機器、システム、工事毎に対応付けて記憶したトラブル情報と、過去に作成したアイソレーション作業計画と、が記憶された統合データベース２を備える。

【0014】

なお、これらの各種情報は、統合データベース２上で相互に関連付けられている。すなわち、各種情報を示すデータが構造化されている。また、統合データベース２は、プラント内に設けたデータサーバ上に構築しても良いし、プラント外の施設に設けたサーバ上に構築しても良いし、ネットワーク上のクラウドサーバに構築しても良い。さらに、これらの各種情報は、事前に統合データベース２に入力される。

【0015】

また、アイソレーション管理システム１は、所定の機器または所定のシステムをアイソレーションした場合に、他の機器または他のシステムに与える影響の変化をシミュレートするプラントシミュレータ３を備える。なお、このプラントシミュレータ３は、アイソレーション作業の計画を生成するときにプラントをシミュレートすることに用いる解析部４と、生成された作業計画に従ってアイソレーション作業を実行した場合にプラントで生じる各種変化をシミュレートすることに用いる検証部５と、各種データを保持するデータ保持部８１とを備える。

【0016】

さらに、解析部４は、アナログ回路の解析を行うアナログ回路解析部６と、論理回路の解析を行う論理回路解析部７と、グラフ理論などに基づいた経路探索の解析を行う経路探索解析部８とを備える。なお、前述の３つの解析部６，７，８の他にも任意の解析手法(ロジック)を解析部４にインストールすることも可能である。なお、解析部４は、アイソレーション作業の対象箇所に関する機器またはシステムの状態を変化させたときに、他の機器またはシステムで生じる状態の変化のパターンを統合データベース２に記憶された情報に基づいて解析する。また、検証部５も解析部４と同一構成を成し、生成された作業計画を統合データベース２に記憶された情報に基づいて検証する。

【0017】

また、アイソレーション管理システム１は、統合データベース２のデータおよびプラントシミュレータ３の解析結果に基づいて、アイソレーション計画の生成に関わる処理を行う深層学習部９を備える。この深層学習部９は、多層のニューラルネットワーク１０を備える。なお、プラントシミュレータ３は、プラントの挙動をシミュレートするコンピュータである。一方、深層学習部９は、機械学習を行う人工知能を備えるコンピュータである。

【0018】

また、深層学習部９は、学習済みの多層のニューラルネットワーク１０を構築するために必要な学習データを生成するための学習データ生成部１１を備える。この学習データ生成部１１は、解析部４が解析した第１種類の機器（要素）の状態を入力量Ｘとする第１行列データを生成する第１行列データ生成部１２と、解析部４が解析した第２種類の機器（要素）の状態を出力量Ｙとする第２行列データを生成する第２行列データ生成部１３とを備える。

【0019】

さらに、深層学習部９は、統合データベース２に記憶された各種情報に報酬関数を設定する報酬関数設定部１４と、報酬関数に基づいてアイソレーション計画の価値が最も高くなるものを抽出する強化学習部１５と、アイソレーション作業の操作手順（実行順序）を抽出する操作手順抽出部１６とを備える。

【0020】

なお、プラントシミュレータ３および深層学習部９は、個別の機器上に実装しても良いし、プラントに関する施設内のコンピュータまたはサーバなどに実装しても良いし、プラントに関する施設外のクラウドサーバに実装しても良い。

【0021】

また、アイソレーション管理システム１は、深層学習部９にて抽出された所定のパターンに基づいて作業計画を生成する計画生成部１７と、アイソレーション管理システム１の管理者が用いるユーザインターフェース１８とを備える。

【0022】

なお、ユーザインターフェース１８は、例えば、プラントに関する施設内のパーソナルコンピュータまたはタブレット端末などで構成される。また、ユーザインターフェース１８は、プラントにおけるアイソレーション作業の対象となる機器などが存在する箇所の指定を受け付ける受付部１９と、生成された作業計画を出力する出力部２０とを備える。さらに、受付部１９は、管理者が入力作業を行うキーボードおよびマウスなどの入力機器を備える。また、出力部２０は、作業計画の出力先となる表示機器、印刷機器、またはデータ保存機器などを備える。

【0023】

また、アイソレーション管理システム１は、統合データベース２とプラントシミュレータ３と深層学習部９と計画生成部１７とユーザインターフェース１８とを統合的に制御するメイン制御部１００を備える。また、深層学習部９は、各種データを保持するデータ保持部８２を備える。

【0024】

次に、多層のニューラルネットワーク１０の一例を図２に示す。この多層のニューラルネットワーク１０では、ユニットが複数の層状に並べられ、それらが結合している。各ユニットは複数の入力ｕを受け、出力ｚを計算する。ユニットの出力ｚは総入力ｕの活性化関数ｆの出力として表される。活性化関数は重みやバイアスを有する。このニューラルネットワーク１０は、入力層２１と出力層２２と少なくとも１層以上の中間層２３とを備える。

【0025】

本実施形態では、６層のレイヤー２４を有する中間層２３が設けられたニューラルネットワーク１０を用いている。なお、中間層２３の各レイヤー２４は、３００個のユニットで構成されている。また、多層のニューラルネットワーク１０に学習データを予め学ばせておくことで、回路またはシステムの状態の変化のパターンの中にある特徴量を自動で抽出することができる。なお、多層のニューラルネットワーク１０は、ユーザインターフェース１８上で、任意の中間層数、ユニット数、学習率、学習回数、活性化関数を設定することができる。

【0026】

また、ニューラルネットワーク１０とは、脳機能の特性をコンピュータのシミュレーションによって表現した数学モデルである。例えば、シナプスの結合によりネットワークを形成した人工ニューロン（ノード）が、学習によってシナプスの結合強度を変化させ、問題解決能力を持つようになるモデルを示す。なお、本実施形態のニューラルネットワーク１０は、深層学習により問題解決能力を取得する。

【0027】

次に、本実施形態のアイソレーションの作業計画を生成するプロセスを説明する。本実施形態では、プラント内の電源供給システムの一部を成す配電システム２５の改造工事作業を例示する。

【0028】

図３は、アイソレーション作業前の配電システム２５の状態を示す構成図である。図４は、アイソレーション作業中の配電システム２５の状態を示す構成図である。なお、理解を助けるために、配電システム２５の回路を簡素化して図示している。

【0029】

図３および図４に示すように、配電システム２５は、複数の遮断器２６〜３４と複数の断路器３５〜４５と複数の変圧器４６〜５２と複数の分電盤５３〜６０とを備える。これらの要素を用いて配電システム２５が構築される。なお、遮断器２６〜３４と断路器３５〜４５とが第１種類の要素を成し、これらに接続される分電盤５３〜６０が第２種類の要素を成す。また、複数の母線６１〜６３が設けられ、これらの母線６１〜６３から分電盤５３〜６０を介して、プラントの各装置に電力供給がなされる。

【0030】

また、図３および図４において、紙面上方側が電源に近い上流側の要素であり、紙面下方側が電源から遠い下流側の要素である。本実施形態では、所定の１つの分電盤５３を修理するために、この分電盤５３を配電システム２５からアイソレーション（隔離）する例を示す。なお、図中の「×」の印が付いている遮断器２６〜３４または断路器３５〜４５は、開放されていること（絶縁状態：ＯＦＦ状態）を示す。一方、「×」の印が付いていない遮断器２６〜３４または断路器３５〜４５は、閉じていること（導通状態：ＯＮ状態）を示す。

【0031】

本実施形態では、３つの母線６１〜６３のそれぞれに対し、分電盤５３〜５５が接続される。なお、これらの分電盤５３〜５５は、遮断器２６〜２８および変圧器４６〜４７を介して母線６１〜６３に接続される。そして、これらの分電盤５３〜５５を介して、さらに下流側の分電盤５６〜６０に電力が供給される。なお、上流側の分電盤５３〜５５と下流側の分電盤５６〜６０とは、遮断器２９〜３４、断路器３５〜３９、および変圧器４８，４９，５１，５２を介して接続される。また、下流側の分電盤５６〜６０同士は、断路器４０〜４４を介して互いに接続される。

【0032】

なお、それぞれの遮断器２６〜３４および断路器３５〜４５は、ＯＮとＯＦＦとの２つの状態がある。さらに、分電盤５３〜６０は、動作と停止との２つの状態がある。本実施形態では、これらの要素の各状態を変化させたときのパターンが複数存在する。これらのパターンのうちでアイソレーションに最適な状態を示すパターンを特定する。なお、以下の説明において、アイソレーションの対象となる１つの分電盤５３を、本実施形態における対象箇所Ｔの分電盤５３と称する場合がある。

【0033】

図３に示すように、アイソレーション作業前において、所定の母線６１から対象箇所Ｔの分電盤５３に電力供給がなされている。さらに、この分電盤５３を介して下流側の分電盤５６，５７に電力供給がなされている。なお、他の１つの分電盤５４が停止しており、この分電盤５４に接続された遮断器２７，３３および断路器３８が開放されている。さらに他の分電盤５５は、動作しているものの、この分電盤５５の下流側の遮断器３４および断路器３９が開放されている。つまり、下流側の５つの分電盤５６〜６０に対しては、対象箇所Ｔの分電盤５３を介して電力供給がなされている。

【0034】

例えば、対象箇所Ｔの分電盤５３のアイソレーションを行う場合に、この分電盤５３に直接的に接続されている全ての遮断器２６，２９〜３２を開放し（図３において遮断器２９は既に開放された状態で図示してある）、さらに開放された遮断器２９〜３２の下流側の断路器３５，３６を開放する。すると、対象箇所Ｔの分電盤５３と、下流側の全ての分電盤５６〜６０とに対し、母線６１からの電力供給が停止される。つまり、対象箇所Ｔに関する遮断器２６，２９〜３２および断路器３５，３６の状態を変化させたときに、他の箇所の分電盤５６〜６０の状態が変化する。

【0035】

ここで、下流側の特定の分電盤５６は、通電状態を維持するという運用ルールがあるとする。この運用ルールに基づくと、対象箇所Ｔの分電盤５３のアイソレーションを行った時点で、特定の分電盤５６が停電状態になってしまうので、異常警報が発せられてしまう。このように、各要素の状態の変化のパターンが、異常警報が発せられてしまうパターンとならないように、別の電力供給ルートを通して特定の分電盤５６に電力供給を行うパターンを特定する必要がある。

【0036】

例えば、図４に示すように、別の電力供給ルートとして、他の母線６３からの電力供給を行うルートを確保する。この母線６３に対応する分電盤５５に接続された遮断器３４および断路器３９を閉じることで、下流側の分電盤６０に電力供給がなされる。そして、この分電盤６０から特定の分電盤５６に電力供給がなされる。この図４に示す状態が、アイソレーションが完了した最適な状態を示す特定のパターンである。

【0037】

なお、アイソレーション作業には、所定の機器の操作手順（順序）がある。例えば、特定の分電盤５６がある場合に、この分電盤５６に対する別の電力供給ルートが確保された後に、アイソレーション作業を行う。また、所定の遮断器３４および断路器３９を閉じた後に、他の遮断器２６〜３２および断路器３５，３６の開放を行うようにする。また、遮断器３０，３１および断路器３５，３６が互いに接続されている場合において、遮断器３０，３１の開放の後に、これに対応する断路器３５，３６の開放を行うようにする。

【0038】

本実施形態では、アイソレーションに最適な各要素の状態の変化のパターンを、プラントシミュレータ３および深層学習部９を用いて自動的に抽出する。まず、深層学習を行うために必要な学習済みの多層のニューラルネットワーク１０のモデルが無い場合について説明する。

【0039】

図１に示すように、作業計画を生成する際に、アイソレーション管理システム１は、まず、アイソレーションの対象箇所Ｔの指定を受け付ける。そして、管理者は、ユーザインターフェース１８を用いて対象箇所Ｔの分電盤５３を指定する入力操作を行う。この入力操作を受け付けたアイソレーション管理システム１は、対象箇所Ｔの分電盤５３が接続されている機器およびシステムに関連する設計図書などを統合データベース２から呼び込む。

【0040】

そして、設計図書に含まれる接続情報、機器情報、および属性情報をリスト化し、プラントシミュレータ３の解析部４に取り込む。さらに、統合データベース２に記憶された機器のプロセスおよび状態情報（例えば、遮断器２６〜３４が開放されているか閉じているかを示す情報）などを解析部４に取り込む。

【0041】

ここで、解析部４は、機器、属性、接続、状態情報がリストになったものに基づいて、アナログ回路解析部６、論理回路解析部７、若しくは、経路探索解析部８を用いたシミュレーションを行う。なお、これらの解析部６，７，８は、対象となる回路またはシステムに応じて、１つ若しくは２つ以上を組み合わせることが可能である。例えば、単結線図をベースにしたシステム図とＩＢＤとから成るシミュレーションを対象とする場合に、論理回路解析部７と経路探索解析部８とを組み合わせることが可能である。このようにすれば、アイソレーション作業を行ったときにプラントの各要素に与える影響および挙動をシミュレーションすることができる。

【0042】

また、解析部４では、各要素（機器）の状態、例えば、全ての遮断器２６〜３４および断路器３５〜４５の状態をそれぞれ変化させた場合の対象箇所Ｔの分電盤５３の導通状態を出力する。なお、それぞれの変化のパターンが多数存在する。これらの変化のパターンを、深層学習部９の学習データ生成部１１に送信する。

【0043】

また、学習データ生成部１１では、解析部４から出力された遮断器２６〜３４および断路器３５〜４５（第１種類の要素）の属性または状態を入力量Ｘとし、解析部４から出力された分電盤５３〜６０（第２種類の要素）の属性または状態を出力量Ｙとしてリスト化する。

【0044】

また、学習データ生成部１１の第１行列データ生成部１２では、遮断器２６〜３４および断路器３５〜４５のそれぞれの状態、すなわち開放状態または遮断状態を、０または１で表現し、入力量Ｘの第１行列データとして生成する。

【0045】

また、学習データ生成部１１の第２行列データ生成部１３では、遮断器２６〜３４および断路器３５〜４５がそれぞれ所定の状態であるときの分電盤５３〜６０の状態、すなわち導通状態または非導通状態を、０または１で表現し、出力量Ｙの第２行列データとして生成する。なお、本実施形態では、出力量として、０、１の離散値を出力しているが、出力層での活性化関数等を任意のものに設定することで、０、１以外の多クラスに分類することや、連続値を出力することも可能である。

【0046】

このリスト化された行列データを学習データとして、多層のニューラルネットワーク１０に学習させる。なお、深層学習部９では、出力結果の正答率が高くなるように、学習済みのニューラルネットワーク１０を構築する。例えば、検証用のデータを入力した場合の出力結果と答え（期待される出力）との齟齬が小さくなるように、学習済みのニューラルネットワーク１０を構築する。

【0047】

次に、学習済みの多層のニューラルネットワーク１０を用いて、アイソレーション計画を生成する手順を説明する。まず、ユーザインターフェース１８を用いて対象箇所Ｔの分電盤５３の指定を受け付ける。本実施形態では、工事の対象箇所Ｔの分電盤５３をＯＦＦにする指示が入力される。

【0048】

また、統合データベース２から対象箇所Ｔの分電盤５３と、この分電盤５３に接続されている機器およびシステムに設けられている要素であって、遮断器２６〜３４および断路器３５〜４５の状態情報を深層学習部９に出力する。この深層学習部９では、これらの入力量Ｘに基づいて構築された学習済みのニューラルネットワーク１０を用いて、対象箇所Ｔの分電盤５３がＯＦＦとなる遮断器２６〜３４および断路器３５〜４５の状態の組み合わせパターンを抽出する。

【0049】

本実施形態では、対象箇所Ｔの分電盤５３に関する遮断器２６〜３４および断路器３５〜４５のＯＮ／ＯＦＦの組み合わせのパターンを、入力量Ｘとして学習済みのニューラルネットワーク１０に入力する。そして、分電盤５３〜６０の状態のうち、対象箇所Ｔの分電盤５３がＯＦＦとなる遮断器２６〜３４および断路器３５〜４５のＯＮ／ＯＦＦの組み合わせのパターンを抽出する。

【0050】

ここで、遮断器２６〜３４および断路器３５〜４５の実際の操作に関して、その操作手順がない場合（現場の作業者がいずれの操作から開始しても良い場合）は、抽出されたＯＮ／ＯＦＦの組み合わせのパターンに基づいて作業計画の生成を行うことができる。一方、特定の操作手順がある場合（現場の作業者が特定の操作から開始しなければならない場合）に、深層学習部９は、抽出されたＯＮ／ＯＦＦの組み合わせのパターン（特定のパターン）と、操作手順のルールおよびロジックとを操作手順抽出部１６に入力する。この操作手順抽出部１６は、ルールおよびロジックに従った遮断器２６〜３４および断路器３５〜４５のＯＮ／ＯＦＦの操作手順を抽出し、抽出した操作手順を出力する。なお、操作手順のルールおよびロジックは、ユーザインターフェース１８上で入力することや、あらかじめ統合データベース２に記録しておくことができる。

【0051】

なお、操作手順抽出部１６では、アイソレーション作業の操作の過程で取り得る遮断器２６〜３４および断路器３５〜４５のＯＮ／ＯＦＦの組み合わせのパターンを入力量Ｘとして学習済みのニューラルネットワーク１０に入力し、分電盤５３〜６０の状態のパターンを出力量Ｙとして出力する。その際に、操作手順抽出部１６に入力された操作手順のルールまたはロジックに基づいて、入力量Ｘおよび出力量Ｙを絞り込む。そして、最終的に対象箇所Ｔの分電盤５３が目的の状態となる操作手順を抽出する（リスト化する）。

【0052】

また、抽出されたパターン（リスト）および操作手順には、複数の計画案（候補）が存在することが想定される。そこで、プラント内の環境情報などの任意の情報を用いて、複数の計画案の中から最適な計画案を、強化学習部１５を用いて抽出する。この強化学習部１５では、機械学習の一種である強化学習を用いる。この強化学習では、行動価値を表す価値関数を規定する必要がある。本実施形態では、価値関数を多層のニューラルネットワーク１０で表現する深層強化学習を用いる。

【0053】

なお、抽出されたパターンおよび操作手順が強化学習部１５に入力される。さらに、統合データベース２に記憶された環境情報を含む任意の情報が強化学習部１５に入力される。例えば、発電所内のエリア毎の放射線量、温度、湿度、位置情報（座標）、または作業者の移動距離などが入力される。さらに、これらの情報を報酬関数で定義する。例えば、対象箇所Ｔの分電盤５３が配置されるエリアの環境が、放射線量が１μＳｖ／ｈ、温度が２５℃、湿度が３０％、移動距離が１０ｍである場合に、これらに対応する報酬関数を、それぞれ−１点、−１点、−６点、−６点であると定義する。

【0054】

なお、これらの報酬関数の設定には、管理者が規定した任意の関数を用いることができる。例えば、遮断器３０，３１が配置されるエリア、断路器３５，３６が配置されるエリアなどのように、各要素が配置されるエリア毎に環境情報を報酬関数として定義する。これらの報酬関数と入力されたパターンと操作手順に関する少なくともいずれかの情報であって、遮断器２６〜３４および断路器３５〜４５のＯＮ／ＯＦＦの作業に伴う作業エリアの遷移を入力量Ｘとし、多層のニューラルネットワーク１０を用いて価値関数を表現する。このような価値関数を用いることで、複数の計画案のうち、最も価値が高くなる計画案を決定する。

【0055】

そして、決定された計画案に基づいて計画生成部１７が作業計画を生成する。この作業計画は、作業者が認識可能な文章および図面で構成される書類であっても良いし、作業を支援するデータであっても良い。この計画生成部１７にて生成された作業計画は、最終的にアウトプットされる前に、プラントシミュレータ３の検証部５に入力される。

【0056】

この検証部５では、作業計画に従ってアイソレーション作業を実施した場合のプラントへの影響を検証する。例えば、シミュレータをもとにした評価システムで、回路図またはシステム図などの物理モデルに基づいた検証を行う。そして、作業計画に従ってアイソレーション作業を実施した場合に、異常警報の発生、またはアイソレーション作業の間違いの発生などがないかを検証する。このようにすれば、深層学習部９が抽出した特定のパターンに基づく作業計画が適切であるか否かを、実際にアイソレーション作業を行う前に検証することができる。この検証の結果、作業計画に問題が無い場合は、ユーザインターフェース１８の出力部２０によってアウトプットされる。

【0057】

このように本実施形態では、多層のニューラルネットワーク１０を用いた深層学習部９とプラントシミュレータ３とを組み合わせることで、アイソレーションの作業計画を自動で生成することができる。さらに、シミュレータ単独でアイソレーションの作業計画を立てる場合と比較して、計算コストを抑えることができる。また、強化学習部１５を用いることで、作業を最も効率的に行うことが可能なアイソレーション作業の計画立案を自動で行うことができる。

【0058】

本実施形態では、多層のニューラルネットワーク１０により変化のパターンの特徴量が取得され、この特徴量に基づいて特定のパターンが抽出されることで、複数の変化のパターンから特定のパターンが抽出するための処理効率を向上させることができる。

【0059】

また、学習済みの多層のニューラルネットワーク１０により特定のパターンが抽出されることで、複数の変化のパターンから特定のパターンが抽出する時間を短縮することができる。

【0060】

また、学習データ生成部１１は、統合データベース２に記憶された過去の作業計画に基づいて学習データを生成することで、過去に行われたアイソレーション作業を踏襲した作業計画を生成することができ、作業計画の信頼性を高めることができる。

【0061】

また、深層学習部９は、第１行列データおよび第２行列データを含む学習データを多層のニューラルネットワーク１０に学習させることで、プラントを構成する各種類の要素に応じた学習データを生成することができ、プラントのアイソレーション作業に適した多層のニューラルネットワーク１０を構築することができる。

【0062】

また、強化学習部１５は、複数の特定のパターンからそれぞれ生成された複数の計画案から、報酬関数に基づいて価値が最も高くなる計画案を抽出することで、アイソレーション作業に最も適したパターンを抽出することができる。なお、強化学習部１５は、強化学習の１つのオプションとして、ニューラルネットワークを用いた深層強化学習機能１５Ａを有する。

【0063】

また、操作手順抽出部１６は、抽出された特定のパターンに基づいてアイソレーション作業の操作手順を抽出することで、アイソレーション作業に最も適した操作手順を抽出することができる。

【0064】

本実施形態のアイソレーション管理システム１は、ＣＰＵ、ＲＯＭ、ＲＡＭ、ＨＤＤなどのハードウェア資源を有し、ＣＰＵが各種プログラムを実行することで、ソフトウェアによる情報処理がハードウェア資源を用いて実現されるコンピュータで構成される。さらに、本実施形態のアイソレーション管理方法は、プログラムをコンピュータに実行させることで実現される。

【0065】

次に、アイソレーション管理システム１が実行する処理について図５から図８のフローチャートを用いて説明する。なお、フローチャートの各ステップの説明にて、例えば「ステップＳ１１」と記載する箇所を「Ｓ１１」と略記する。

【0066】

図５に示すように、まず、統合データベース２は、プラントに関する設計図書、運転情報、人員計画情報、環境情報、工事情報、トラブル情報、および過去の作業計画を含む各種情報を記憶する（Ｓ１１：図１の経路Ｒ１）。次に、ユーザインターフェース１８の受付部１９は、管理者の入力操作に基づいて、アイソレーション作業の対象箇所Ｔの指定を受け付ける（Ｓ１２：図１の経路Ｒ２，Ｒ３）。例えば、対象箇所Ｔの分電盤５３の指定を受け付ける。

【0067】

次に、アイソレーション管理システム１のメイン制御部１００は、ユーザインターフェース１８において指定された対象箇所Ｔの分電盤５３（要素）に関する情報であって、この分電盤５３の近傍の遮断器２６〜３４および断路器３５〜４５の情報、例えば各分電盤や遮断器２６〜３４、断路器３５〜４５のＯＮ・ＯＦＦや開閉の状態を、統合データベース２からプラントシミュレータ３のデータ保持部８１および深層学習部９のデータ保持部８２に呼び出す（Ｓ１３：図１の経路Ｒ６，Ｒ１１）。

【0068】

次に、メイン制御部１００は、ユーザインターフェース１８において指定された対象箇所に関して既に学習済みのニューラルネットワーク１０があるか否かを判定する（Ｓ１４：図１の経路Ｒ４）。ここで、学習済みのニューラルネットワーク１０が無い場合は、後述のＳ２０に進む。一方、学習済みのニューラルネットワーク１０が有る場合は、Ｓ１５に進む。

【0069】

Ｓ１５にてメイン制御部１００は、統合データベース２から呼び出した情報に基づいて、対象箇所Ｔの要素と状態を深層学習部９に設定する（図１の経路Ｒ６）。例えば、分電盤５３をＯＦＦにする設定を行う。

【0070】

次に、メイン制御部１００は、統合データベース２に記憶された情報に基づいて、対象箇所Ｔに関する要素の状態の組み合わせパターンのリストを生成する（Ｓ１６）。例えば、対象箇所Ｔの分電盤５３に直接的または間接的に接続されている遮断器２６〜３４および断路器３５〜４５のＯＮ／ＯＦＦの状態を示す組み合わせのリストを生成する。

【0071】

次に、メイン制御部１００は、メイン制御部１００が生成した対象箇所Ｔに関する要素の状態の組み合わせパターンのリストを学習済みの深層学習部９のニューラルネットワーク１０に入力する（Ｓ１７：図１の経路Ｒ７）。

【0072】

次に、ニューラルネットワーク１０は、対象箇所Ｔの要素の状態と、この要素に関する他の要素に対する影響および警報の有無などの解析結果を得る（Ｓ１８）。次に、メイン制御部１００は、ニューラルネットワーク１０の深層学習により特定のパターン、つまり、対象箇所Ｔの分電盤５３がＯＦＦとなる遮断器２６〜３４および断路器３５〜４５のＯＮ／ＯＦＦの組み合わせのパターンをデータ保持部８２に抽出し（Ｓ１９：図１の経路Ｒ２０）、後述のＳ３０に進む。

【0073】

図６に示すように、前述のＳ１４にて学習済みのニューラルネットワーク１０が無い場合に進むＳ２０において、学習データ生成部１１は、統合データベース２から取得した情報に含まれる各種情報をリスト化し、または既にリスト化されているものを呼び出す（図１の経路Ｒ８）。なお、リスト化とは、データをピックアップしたり、変換を行ったりする処理を示す。次に、プラントシミュレータ３の解析部４が各種情報のリストを取り込む（Ｓ２１：図１の経路Ｒ９）。次に、解析部４は、データ保持部８１に保持されたデータに基づいて（図１の経路Ｒ２１）、プラントの配電システム２５のシミュレーションモデルを生成する（Ｓ２２）。

【0074】

次に、メイン制御部１００は、深層学習を利用するか否かを判定する（Ｓ２３）。ここで、アイソレーション作業に適した特定のパターンの抽出のための計算量（判定値）が所定の閾値未満である場合、つまり、総当り方式のシミュレーションで処理が可能な場合は、深層学習を利用しないと判定し、後述のＳ２８に進む。一方、アイソレーション作業に適した特定のパターンの抽出のための計算量（判定値）が所定の閾値以上である場合、つまり、深層学習を利用した処理が必要である場合は、深層学習を利用すると判定し、Ｓ２４に進む。

【0075】

Ｓ２４にてプラントシミュレータ３の解析部４は、各要素の状態を示すデータの生成を行う。例えば、全ての遮断器２６〜３４および断路器３５〜４５の状態をそれぞれ変化させた場合の対象箇所Ｔの分電盤５３の導通状態を示すデータを生成し、学習データ生成部１１に送る（図１の経路Ｒ１０）。

【0076】

次に、深層学習部９の学習データ生成部１１は、学習データの生成を行う（Ｓ２５）。例えば、学習データ生成部１１は、遮断器２６〜３４および断路器３５〜４５のそれぞれの状態を示す第１行列データ、および分電盤５３〜６０の状態を示す第２行列データの生成を行う。

【0077】

次に、メイン制御部１００は、深層学習部９において、行列データを学習データとして多層のニューラルネットワーク１０に学習させる（Ｓ２６：図１の経路Ｒ５）。次に、深層学習部９では、学習済みのニューラルネットワーク１０を構築し（Ｓ２７）、前述のＳ１５に戻る。

【0078】

前述のＳ２３にて深層学習を利用しないと判定した場合に進むＳ２８において、解析部４のシミュレーションモデルに対象箇所Ｔの要素と状態を設定する（図１の経路Ｒ１１）。次に、総当り方式のシミュレーションを行い、アイソレーション作業に適した特定のパターンを抽出し（Ｓ２９）、Ｓ３０に進む。

【0079】

図７に示すように、Ｓ３０にてメイン制御部１００は、データ保持部８１に抽出した特定のパターンの操作、つまり、遮断器２６〜３４および断路器３５〜４５の実際の操作に関して特定の操作手順が必要であるか否かを判定する。ここで、特定の操作手順が必要ない場合は、後述のＳ３４に進む。一方、特定の操作手順が必要である場合は、Ｓ３１に進む。

【0080】

Ｓ３１にてメイン制御部１００は、データ保持部８１，８２に保持した特定のパターンを深層学習部９の操作手順抽出部１６に入力する（図１の経路Ｒ１２，Ｒ１３）。次に、メイン制御部１００は、遮断器２６〜３４および断路器３５〜４５の実際の操作に関する操作手順のルールおよびロジックを深層学習部９の操作手順抽出部１６に入力する（Ｓ３２：図１の経路Ｒ１２，Ｒ１３）。次に、操作手順抽出部１６は、ルールおよびロジックに従った操作手順を特定し、この操作手順を得る（Ｓ３３）。

【0081】

Ｓ３４にてメイン制御部１００は、深層学習部９において特定のパターンおよび操作手順に基づいて候補となる複数の計画案を生成する。次に、メイン制御部１００は、深層学習部９において候補となる複数の計画案を強化学習部１５に入力する（Ｓ３５：図１の経路Ｒ１５）。

【0082】

次に、メイン制御部１００は、プラントに関する任意の情報であって統合データベース２から取得した環境情報を含む情報を強化学習部１５に入力する（Ｓ３６：図１の経路Ｒ１５）。次に、メイン制御部１００は、入力されたプラントに関する任意の情報に報酬関数を深層学習部９の報酬関数設定部１４に設定し（Ｓ３７：図１の経路Ｒ１４）、Ｓ３８に進む。なお、報酬関数設定部１４に設定された報酬関数が強化学習部１５に入力される（図１の経路Ｒ２３）。また、操作手順に関する情報も強化学習部１５に入力される（図１の経路Ｒ２４）。

【0083】

図８に示すように、Ｓ３８にてメイン制御部１００は、複数の計画案の中から最適な計画案を抽出するために深層強化学習を利用するか否かを判定する。ここで、最適な計画案の抽出のための計算量（判定値）が所定の閾値未満である場合、つまり、総当り方式で最適な計画案の抽出処理が可能な場合は、深層強化学習を利用しないと判定し、総当り方式で価値関数を定義し（Ｓ４０）、Ｓ４１に進む。

【0084】

一方、最適な計画案の抽出のための計算量（判定値）が所定の閾値以上である場合、つまり、深層強化学習で最適な計画案の抽出処理が必要である場合は、深層強化学習を利用するとメイン制御部１００が判定し、多層のニューラルネットワーク１０を用いて価値関数を表現し（Ｓ３９）、Ｓ４１に進む。

【0085】

Ｓ４１にてメイン制御部１００は、深層学習部９の強化学習部１５において候補となる複数の計画案毎に価値関数で計算した報酬を特定し、この特定した報酬に関する情報を計画生成部１７に出力する（図１の経路Ｒ１６）。次に、計画生成部１７は、報酬が最も高い計画案に基づいて作業計画を生成し、この作業計画をプラントシミュレータ３の検証部５に出力する（Ｓ４２：図１の経路Ｒ１７）。

【0086】

次に、検証部５は、データ保持部８１に保持されたデータに基づいて（図１の経路Ｒ２２）、作業計画に従ってアイソレーション作業を実施した場合のプラントへの影響を検証する処理を行う（Ｓ４３）。次に、検証部５は、作業計画が適切であるか否かを判定する（Ｓ４４：図１の経路Ｒ１８）。ここで、作業計画が適切である場合は、計画生成部１７を介して、この作業計画がユーザインターフェース１８の出力部２０によってアウトプットされ（Ｓ４５：図１の経路Ｒ１９）、処理を終了する。一方、作業計画が適切でない場合は、ユーザインターフェース１８の出力部２０によって不適切報知を行い（Ｓ４６）、処理を終了する。

【0087】

なお、本実施形態の所定の値と判定値との判定において「判定値以上か否か」の判定をしているが、この判定は、「判定値を超えているか否か」の判定でも良いし、「判定値以下か否か」の判定でも良いし、「判定値未満か否か」の判定でも良い。

【0088】

なお、本実施形態のフローチャートにおいて、各ステップが直列に実行される形態を例示しているが、必ずしも各ステップの前後関係が固定されるものでなく、一部のステップの前後関係が入れ替わっても良い。また、一部のステップが他のステップと並列に実行されても良い。

【0089】

本実施形態のアイソレーション管理システム１は、専用のチップ、ＦＰＧＡ（Field Programmable Gate Array）、ＧＰＵ（Graphics Processing Unit）、またはＣＰＵ（Central Processing Unit）などのプロセッサを高集積化させた制御装置と、ＲＯＭ（Read Only Memory）またはＲＡＭ（Random Access Memory）などの記憶装置と、ＨＤＤ（Hard Disk Drive）またはＳＳＤ（Solid State Drive）などの外部記憶装置と、ディスプレイなどの表示装置と、マウスまたはキーボードなどの入力装置と、通信Ｉ／Ｆとを、備えており、通常のコンピュータを利用したハードウェア構成で実現できる。

【0090】

なお、本実施形態のアイソレーション管理システム１で実行されるプログラムは、ＲＯＭなどに予め組み込んで提供される。もしくは、このプログラムは、インストール可能な形式または実行可能な形式のファイルでＣＤ−ＲＯＭ、ＣＤ−Ｒ、メモリカード、ＤＶＤ、フレキシブルディスク（ＦＤ）などのコンピュータで読み取り可能な記憶媒体に記憶されて提供するようにしても良い。

【0091】

また、アイソレーション管理システム１で実行されるプログラムは、インターネットなどのネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせて提供するようにしても良い。また、このアイソレーション管理システム１は、構成要素の各機能を独立して発揮する別々のモジュールを、ネットワークまたは専用線で相互に接続し、組み合わせて構成することもできる。

【0092】

なお、本実施形態では、プラント内の電源供給システムの一部を成す配電システム２５の改造工事作業を例示しているが、配電システム以外のアイソレーションの作業計画を生成するために本発明を適用しても良い。

【0093】

なお、深層学習部９は、特定パターンとして他の箇所で生じる変化が最小となるパターンを抽出するようにしても良い。このようにすれば、他の箇所に与える影響が最も少なく、かつアイソレーション作業に最も適したパターンを抽出することができる。

【0094】

以上説明した実施形態によれば、指定された対象箇所に関する要素の状態を変化させたときに、他の箇所の要素で生じる状態の変化のパターンを解析する解析部と、解析された変化のパターンが複数あり、これらの変化のパターンから特定のパターンを深層学習に基づいて抽出する深層学習部とを備えることにより、アイソレーション作業に最も適した作業計画を効率的に生成することができる。

【0095】

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更、組み合わせを行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

【符号の説明】

【0096】

１…アイソレーション管理システム、２…統合データベース、３…プラントシミュレータ、４…解析部、５…検証部、６…アナログ回路解析部、７…論理回路解析部、８…経路探索解析部、９…深層学習部、１０…ニューラルネットワーク、１１…学習データ生成部、１２…第１行列データ生成部、１３…第２行列データ生成部、１４…報酬関数設定部、１５…強化学習部、１５Ａ…深層強化学習機能、１６…操作手順抽出部、１７…計画生成部、１８…ユーザインターフェース、１９…受付部、２０…出力部、２１…入力層、２２…出力層、２３…中間層、２４…レイヤー、２５…配電システム、２６〜３４…遮断器、３５〜４５…断路器、４６〜５２…変圧器、５３〜６０…分電盤、６１〜６３…母線、８１，８２…データ保持部、１００…メイン制御部、Ｔ…対象箇所。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】