知財求人 - 知財ポータルサイト「IP Force」
(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】
(24)【登録日】2024-08-13
(45)【発行日】2024-08-21
(54)【発明の名称】業務支援システム、業務支援方法
(51)【国際特許分類】
G05B 13/02 20060101AFI20240814BHJP
【ＦＩ】
G05B13/02 M
【請求項の数】
15
(21)【出願番号】P 2020206596
(22)【出願日】2020-12-14
(65)【公開番号】P2022093878
(43)【公開日】2022-06-24
【審査請求日】2023-05-25
(73)【特許権者】
【識別番号】301078191
【氏名又は名称】株式会社日立ハイテクソリューションズ
(74)【代理人】
【識別番号】110000350
【氏名又は名称】ポレール弁理士法人
(72)【発明者】
【氏名】メドラノ カテレア
(72)【発明者】
【氏名】岡部 淳
(72)【発明者】
【氏名】相川 竜一
(72)【発明者】
【氏名】河村 幸生
(72)【発明者】
【氏名】徳田 勇也
(72)【発明者】
【氏名】吉田 卓弥
【審査官】田中 友章
(56)【参考文献】
【文献】国際公開第２０１９／０８７３７４（ＷＯ，Ａ１）
【文献】特開２０２０－３０１３８（ＪＰ，Ａ）
【文献】特開２０２０－１４０２２６（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０５Ｂ １３／０２
(57)【特許請求の範囲】
【請求項1】
機械学習により業務を支援するＡＩコントローラと、前記ＡＩコントローラの状態を判定するＡＩエクスプレイナーと、
前記ＡＩエクスプレイナーの判定基準を生成する基準ジェネレータと、を備え、
前記基準ジェネレータは、前記ＡＩコントローラの入出力値の学習経験値及びＡＩ信頼度を判定する判定基準を生成するとともに、前記ＡＩコントローラの事前学習データに基づき学習済み又は未学習を判定する学習範囲を設定し、
前記学習範囲の上限及び下限の各々に所定のマージンを付加した拡張範囲を設定し、
前記ＡＩエクスプレイナーは、前記基準ジェネレータが生成した判定基準に基づき、前記ＡＩコントローラの状態を判定するとともに、前記ＡＩコントローラの入出力値を前記学習範囲及び前記拡張範囲と比較することで、前記ＡＩコントローラの状態を分類することを特徴とする業務支援システム。
【請求項2】
請求項１に記載の業務支援システムであって、前記ＡＩエクスプレイナーは、前記ＡＩコントローラの入出力値の学習経験値を学習済み又は未学習の２つに分類し、かつ、前記ＡＩコントローラの入出力値のＡＩ信頼度を高低の２つに分類し、
前記ＡＩコントローラの入出力値を、学習済みかつＡＩ信頼度高とする判定、未学習かつＡＩ信頼度高とする判定、未学習かつＡＩ信頼度低とする判定、の３つの内のいずれかに分類することを特徴とする業務支援システム。
【請求項3】
請求項２に記載の業務支援システムであって、前記学習範囲の上限及び下限の各々に、前記所定のマージンとは異なる別のマージンをさらに付加した別の拡張範囲を設定し、
前記ＡＩコントローラの入出力値を、前記拡張範囲及び前記別の拡張範囲に基づき、３つを超える分類の内のいずれかに分類することを特徴とする業務支援システム。
【請求項4】
請求項１に記載の業務支援システムであって、前記基準ジェネレータは、前記学習範囲の上下限が、自然数Ｎｏによって規定される場合に、前記ＡＩコントローラの前記事前学習データのデータカウントに基づいて、前記学習範囲と前記拡張範囲とを規定することにより、学習経験値及びＡＩ信頼度を判定する基準を生成することを特徴とする業務支援システム。
【請求項5】
請求項１に記載の業務支援システムであって、前記基準ジェネレータは、前記ＡＩコントローラの事前学習データのデータ分布の標準偏差に基づいて、前記学習範囲及び前記拡張範囲を設定することを特徴とする業務支援システム。
【請求項6】
請求項１に記載の業務支援システムであって、ＰＩコントローラおよびＰＩＤコントローラの少なくともいずれか一方と、
前記ＰＩコントローラおよびＰＩＤコントローラの少なくともいずれか一方と前記ＡＩコントローラの内、いずれの処理を実行するか選択するスイッチと、を備え、
前記ＡＩコントローラの状態の判定結果に基づき、前記ＰＩコントローラおよびＰＩＤコントローラの少なくともいずれか一方または前記ＡＩコントローラを選択することを特徴とする業務支援システム。
【請求項7】
請求項１から５のいずれか１項に記載の業務支援システムであって、オペレータが前記所定のマージンを入力する入力装置を備えることを特徴とする業務支援システム。
【請求項8】
請求項１から７のいずれか１項に記載の業務支援システムであって、前記ＡＩコントローラの状態の判定結果を表示するディスプレイを備えることを特徴とする業務支援システム。
【請求項9】
請求項８に記載の業務支援システムであって、前記ディスプレイは、前記ＡＩコントローラの入出力値の状態を、学習経験値とＡＩ信頼度を区別して表示することを特徴とする業務支援システム。
【請求項10】
機械学習により業務を支援するＡＩコントローラと、
前記ＡＩコントローラの状態を判定するＡＩエクスプレイナーと、
前記ＡＩエクスプレイナーの判定基準を生成する基準ジェネレータと、を備え、
前記基準ジェネレータは、前記ＡＩコントローラの入出力値の学習経験値及びＡＩ信頼度を判定する判定基準を生成し、
前記ＡＩエクスプレイナーは、前記基準ジェネレータが生成した判定基準に基づき、前記ＡＩコントローラの状態を判定するとともに、前記ＡＩコントローラの入出力値の学習経験値を学習済み又は未学習の２つに分類し、かつ、前記ＡＩコントローラの入出力値のＡＩ信頼度を高低の２つに分類し、
前記ＡＩコントローラの入出力値を、学習済みかつＡＩ信頼度高とする判定、未学習かつＡＩ信頼度高とする判定、未学習かつＡＩ信頼度低とする判定、の３つの内のいずれかに分類することを特徴とする業務支援システム。
【請求項11】
ＡＩコントローラを利用した機械学習により業務を支援する業務支援方法であって、（ａ）ＡＩコントローラの入出力値の学習経験値及びＡＩ信頼度を判定する判定基準を生成するステップ、
（ｂ）前記（ａ）ステップにおいて生成した判定基準に基づき、前記ＡＩコントローラの状態を判定するステップ、
を有し、
前記（ａ）ステップにおいて、前記ＡＩコントローラの事前学習データに基づき学習済み又は未学習を判定する学習範囲を設定し、かつ、前記学習範囲の上限及び下限の各々に所定のマージンを付加した拡張範囲を設定し、
前記（ｂ）ステップにおいて、前記ＡＩコントローラの入出力値を前記学習範囲及び前記拡張範囲と比較することで、前記ＡＩコントローラの状態を分類することを特徴とする業務支援方法。
【請求項12】
請求項１１に記載の業務支援方法であって、前記（ｂ）ステップにおいて、前記ＡＩコントローラの入出力値の学習経験値を学習済み又は未学習の２つに分類し、かつ、前記ＡＩコントローラの入出力値のＡＩ信頼度を高低の２つに分類し、
前記ＡＩコントローラの入出力値を、学習済みかつＡＩ信頼度高とする判定、未学習かつＡＩ信頼度高とする判定、未学習かつＡＩ信頼度低とする判定、の３つの内のいずれかに分類することを特徴とする業務支援方法。
【請求項13】
請求項１２に記載の業務支援方法であって、前記学習範囲の上限及び下限の各々に、前記所定のマージンとは異なる別のマージンをさらに付加した別の拡張範囲を設定し、
前記ＡＩコントローラの入出力値を、前記拡張範囲及び前記別の拡張範囲に基づき、３つを超える分類の内のいずれかに分類することを特徴とする業務支援方法。
【請求項14】
請求項１１に記載の業務支援方法であって、前記学習範囲の上下限が、自然数Ｎｏによって規定される場合に、前記ＡＩコントローラの前記事前学習データのデータカウントに基づいて、前記学習範囲と前記拡張範囲とを規定することにより、学習経験値及びＡＩ信頼度を判定する基準を生成することを特徴とする業務支援方法。
【請求項15】
ＡＩコントローラを利用した機械学習により業務を支援する業務支援方法であって、
（ａ）ＡＩコントローラの入出力値の学習経験値及びＡＩ信頼度を判定する判定基準を生成するステップ、
（ｂ）前記（ａ）ステップにおいて生成した判定基準に基づき、前記ＡＩコントローラの状態を判定するステップ、
を有し、
前記（ｂ）ステップにおいて、前記ＡＩコントローラの入出力値の学習経験値を学習済み又は未学習の２つに分類し、かつ、前記ＡＩコントローラの入出力値のＡＩ信頼度を高低の２つに分類し、
前記ＡＩコントローラの入出力値を、学習済みかつＡＩ信頼度高とする判定、未学習かつＡＩ信頼度高とする判定、未学習かつＡＩ信頼度低とする判定、の３つの内のいずれかに分類することを特徴とする業務支援方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、機械学習を利用したＡＩ制御システムの構成とその制御に係り、特に、機械学習により業務を支援する業務支援システム及び業務支援方法に関する。
【背景技術】
【0002】
火力発電プラントや化学製品製造プラントなどの産業プラントは、相互に依存して動作するさまざまな機器を備えるシステムで構成されている。これらのプラントの全体的な効率及び安全性を確保するには、稼働条件及び環境の変化に対して、これらの相互依存システムの動作を適切に制御することが重要である。
【0003】
しかしながら、専門家による定期的な微調整を必要とするＰＩコントローラ（Proportional-Integral Controller）やＰＩＤコントローラ（Proportional-Integral-Differential Controller）などの従来のプラント制御システムを使用する場合、正確な制御プランを作成するために産業プラントの複雑なシステムや、想定可能な多数の動作シナリオを取り込むのは困難である。
【0004】
最適な動作効率を実現すると同時に、専門知識の必要性を最小限に抑えるために、従来のコントローラからより高度でインテリジェントなＡＩコントローラ（人工知能：Artificial Intelligence Controller）へと移行していく中で、いくつかの発展が見られている。従来のコントローラとは異なり、ＡＩコントローラの制御モデルは、従来の制御理論を適用する代わりに、例えば強化学習などによってプラントの実動作を学習することで構築されている。
【0005】
本技術分野の背景技術として、例えば、特許文献１のような技術がある。特許文献１には、火力発電プラント用のＡＩコントローラを実装するために強化学習を利用する方法が開示されている。本文献では、専門家の補助を受けずに、ＡＩコントローラが変動するプラント条件に迅速に適応できるようにする高速再学習方法もさらに導入している。特許文献１によれば、従来のコントローラを使用した場合、達成するのに相当の時間や専門知識を必要とするのに対し、極めて効率的なプラント制御を期待することができる。
【0006】
また、特許文献２には、ＡＩモデルを用いて、ＡＩ機器が正常に動作しているか、又は誤動作しているかを診断する方法が開示されている。この方法は、制御オペレータがＡＩコントローラの状態を把握するのに役立つ可能性がある。
【先行技術文献】
【特許文献】
【0007】
【文献】特開２００８－３０５１９４号公報
【文献】米国特許出願公開第２０１９／０３８４２７３号明細書
【発明の概要】
【発明が解決しようとする課題】
【0008】
上述したように、ＡＩコントローラは従来のコントローラに比べて著しい利点をもたらしているが、ブラックボックス的性質や説明可能性が低いことにより、安全性に関する疑問が生じ、このために、制御オペレータがそれらへの依存に消極的になってしまう恐れがある。
【0009】
とりわけ制御オペレータは、ＡＩコントローラが安全かつ正確な制御範囲内で動作しているかどうかについて、通常はほとんど把握しておらず、それもプラント故障が既に発生してしまってから初めて認識することになる。このような状況を回避するために、制御オペレータは、ＡＩコントローラから従来のコントローラへの不必要な切替えや頻繁な切替えを行う場合がある。このため、ＡＩコントローラの説明可能性の欠如が原因で、制御オペレータによって行われる意思決定プロセスが非効果的なものになる。
【0010】
特許文献１では、ユーザが極めて効率的なＡＩ制御方法を獲得できているが、上記のような課題に対処できる説明可能性を備えたＡＩコントローラについては記載されていない。
【0011】
また、特許文献２では、診断は別のＡＩモデルによって実行されるため、特許文献１と同様に、上記のような説明可能性の課題は完全には解決されていない。
【0012】
さらに、正常又は異常とする２つのレベルの診断を使用しても、ＡＩコントローラの動作を正確に判定することはできない。このことは同様に、制御オペレータによって行われる意思決定が非効果的なものになることにつながり得る。
【0013】
そこで、本発明の目的は、機械学習により業務を支援する業務支援システムにおいて、高度な説明可能性を有するＡＩコントローラを備えた信頼性の高い業務支援システム及び業務支援方法を提供することにある。
【課題を解決するための手段】
【0014】
上記課題を解決するために、本発明は、機械学習により業務を支援するＡＩコントローラと、前記ＡＩコントローラの状態を判定するＡＩエクスプレイナーと、前記ＡＩエクスプレイナーの判定基準を生成する基準ジェネレータと、を備え、前記基準ジェネレータは、前記ＡＩコントローラの入出力値の学習経験値及びＡＩ信頼度を判定する判定基準を生成するとともに、前記ＡＩコントローラの事前学習データに基づき学習済み又は未学習を判定する学習範囲を設定し、前記学習範囲の上限及び下限の各々に所定のマージンを付加した拡張範囲を設定し、前記ＡＩエクスプレイナーは、前記基準ジェネレータが生成した判定基準に基づき、前記ＡＩコントローラの状態を判定するとともに、前記ＡＩコントローラの入出力値を前記学習範囲及び前記拡張範囲と比較することで、前記ＡＩコントローラの状態を分類することを特徴とする。
【0015】
また、本発明は、ＡＩコントローラを利用した機械学習により業務を支援する業務支援方法であって、（ａ）ＡＩコントローラの入出力値の学習経験値及びＡＩ信頼度を判定する判定基準を生成するステップ、（ｂ）前記（ａ）ステップにおいて生成した判定基準に基づき、前記ＡＩコントローラの状態を判定するステップ、を有し、前記（ａ）ステップにおいて、前記ＡＩコントローラの事前学習データに基づき学習済み又は未学習を判定する学習範囲を設定し、かつ、前記学習範囲の上限及び下限の各々に所定のマージンを付加した拡張範囲を設定し、前記（ｂ）ステップにおいて、前記ＡＩコントローラの入出力値を前記学習範囲及び前記拡張範囲と比較することで、前記ＡＩコントローラの状態を分類することを特徴とする。
【発明の効果】
【0016】
本発明によれば、機械学習により業務を支援する業務支援システムにおいて、高度な説明可能性を有するＡＩコントローラを備えた信頼性の高い業務支援システム及び業務支援方法を実現することができる。
【0017】
これにより、ＡＩコントローラの状態を正確に判定し、かつＡＩコントローラから従来のコントローラへの不必要な切替え又は遅延切替えを回避するなど、制御オペレータがより効果的な制御決定を行うのを支援することができる。
【0018】
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
【図面の簡単な説明】
【0019】
【図1】本発明の実施例１に係る高度な説明可能性を有するＡＩコントローラを備えた業務支援システムの概略構成を示す図である。
【図2】ＡＩコントローラの入出力データの具体例を示す図である。
【図7】本発明の実施例２に係るＡＩエクスプレイナー７１が識別する３つを超える分類タイプの例を示す図である。
【図8】本発明の実施例４に係る基準ジェネレータ７２により生成される基準７２ａを示す図である。
【図9】本発明の実施例５に係るディスプレイ７３の表示例を示す図である。
【発明を実施するための形態】
【0020】
以下、図面を用いて本発明の実施例を説明する。なお、各図面において同一の構成については同一の符号を付し、重複する部分についてはその詳細な説明は省略する。
【0021】
本明細書では、本発明の実施形態として５つの実施例を説明する。詳細は後述するが、実施例１と実施例２との相違は、ＡＩエクスプレイナー７１が識別できる分類タイプの数にある。また、実施例１と実施例３及び４との相違は、基準ジェネレータ７２が基準７２ａを生成する方法にある。また、実施例５では、経験値及びＡＩ信頼度の結果を別々に視覚化する表示方法を示している。
【0022】
先ず、実施例１を説明し、他の実施例については、主に実施例１との相違点について説明する。
【0023】
なお、本明細書において、「経験値」とは、ＡＩコントローラの入出力データが当該ＡＩコントローラによって既に学習されているか、又はいまだに学習されていないか（以下、未学習とも呼ぶ）を示すものである。
【0024】
また、「ＡＩ信頼度」とは、ＡＩコントローラの入出力データにより、安全かつ正確な推奨制御動作又は制御推定を行うＡＩコントローラの能力が確定されるかどうかを示すものである。
【実施例1】
【0025】
【0026】
図１は、本実施例の高度な説明可能性を有するＡＩコントローラを備えた業務支援システムの概略構成を示す図である。図１に示すように、本実施例の業務支援システムは、火力発電プラントや化学製品製造プラントなどの産業プラントであるプラント３を制御するためのバックアップ制御システムとして構成されており、例えばＰＩコントローラなどの従来のコントローラ４と共に、ＡＩコントローラ２を主制御装置として実装している業務支援システム１に組み込まれた、ＡＩからオペレータへのアシスタント７の構成である。
【0027】
業務支援システム１の制御は、例えばスイッチ５を介してＡＩコントローラ２又は従来のコントローラ４のどちらを実行するかを決定する、プラント制御オペレータ６（以下、オペレータとも呼ぶ）によって管理されている。
【0028】
ＡＩからオペレータへのアシスタント７は、ＡＩコントローラ２の高度な説明可能性を確保することにより、オペレータ６によるＡＩコントローラ２と従来のコントローラ４との間の効率的な切替えをガイドする。より具体的には、ＡＩからオペレータへのアシスタント７は、経験値及びＡＩ信頼度に基づいて、ＡＩコントローラの入出力データ２１ｂ（以下、ＡＩ Ｉ／Ｏとも呼ぶ）の分類タイプに関する正確な情報を提供する。分類タイプと処理に関する詳細は後述する。
【0029】
≪ＡＩ Ｉ／Ｏ≫
図２に、ＡＩ Ｉ／Ｏ ２１ｂの一例を示す。ＡＩ Ｉ／Ｏ ２１ｂは、ＡＩコントローラ２の入力データである計測データ３ａと、ＡＩコントローラ２の出力データであるＡＩ制御信号２１ａとで構成されている。計測データ３ａは、例えばプラント３内の温度、圧力、又は流量の現在のセンサ測定値であり、ＡＩ制御信号２１ａは、例えばバルブ角度について、ＡＩコントローラ２によって計算された制御条件値である。計測データ３ａはプラント３の現在状態も示しているが、ＡＩ制御信号２１ａは、プラント３の現在のプラント状態に対するＡＩコントローラ２による推奨制御動作である。
図２に、ＡＩ Ｉ／Ｏ ２１ｂの一例を示す。ＡＩ Ｉ／Ｏ ２１ｂは、ＡＩコントローラ２の入力データである計測データ３ａと、ＡＩコントローラ２の出力データであるＡＩ制御信号２１ａとで構成されている。計測データ３ａは、例えばプラント３内の温度、圧力、又は流量の現在のセンサ測定値であり、ＡＩ制御信号２１ａは、例えばバルブ角度について、ＡＩコントローラ２によって計算された制御条件値である。計測データ３ａはプラント３の現在状態も示しているが、ＡＩ制御信号２１ａは、プラント３の現在のプラント状態に対するＡＩコントローラ２による推奨制御動作である。
【0030】
≪ＡＩからオペレータへのアシスタント≫
図３は、ＡＩからオペレータへのアシスタント７の構成を示す図である。ＡＩからオペレータへのアシスタント７は、図３に示すように、ＡＩエクスプレイナー７１と、基準ジェネレータ７２と、ディスプレイ７３と、入力装置７４とで構成されている。
図３は、ＡＩからオペレータへのアシスタント７の構成を示す図である。ＡＩからオペレータへのアシスタント７は、図３に示すように、ＡＩエクスプレイナー７１と、基準ジェネレータ７２と、ディスプレイ７３と、入力装置７４とで構成されている。
【0031】
≪基準ジェネレータ≫
基準ジェネレータ７２は、ＡＩ Ｉ／Ｏ ２１ｂの経験値と信頼度とを区別する基準として基準７２ａを生成し、次いで生成された基準７２ａをＡＩエクスプレイナー７１へと送信する。
基準ジェネレータ７２は、ＡＩ Ｉ／Ｏ ２１ｂの経験値と信頼度とを区別する基準として基準７２ａを生成し、次いで生成された基準７２ａをＡＩエクスプレイナー７１へと送信する。
【0032】
本発明では、ＡＩ Ｉ／Ｏ ２１ｂの分類基準として経験値を使用することにより、ＡＩコントローラ２がその事前学習データ８内で入力データを使用しているか、又は出力データを生成しているかをオペレータ６に具体的に示すことができる。
【0033】
「事前学習データ」とは、例えば当該プラントで制御されている温度や圧力の過去のセンサデータであり、ＡＩコントローラの制御モデルを構築するために使用されたものなど、事前に学習したデータを指す。
【0034】
さらに、分類基準としてＡＩ信頼度を使用することにより、本発明は、ＡＩコントローラ２がその厳密な範囲内若しくは範囲外で入力データを使用しているか、又は出力データを生成しているかをオペレータ６に具体的に示すことができる。
【0035】
学習済みのＡＩ Ｉ／Ｏ ２１ｂは、ＡＩコントローラ２がその厳密な範囲内で動作していることを常時示しているが、未学習のＡＩ Ｉ／Ｏ ２１ｂは、ＡＩコントローラ２がその厳密な範囲外で動作していることを必ずしも意味するものではない。
【0036】
具体的には、このことは、未学習のＡＩ Ｉ／Ｏ ２１ｂが、安全かつ正確な推定を行う能力が低下することや、ＡＩ信頼度が低下することに必ずしもつながるとは限らないことを意味する。そのような仮定はオペレータ６がより効果的な制御決定を行うのにも不可欠であるが、経験値及びＡＩ信頼度の両方を組み合わせる基準を生成することにより、本発明ではそのような仮定を行うことを回避している。
【0037】
基準ジェネレータ７２が基準７２ａを生成する方法の詳細について、図４に沿って説明する。基準ジェネレータ７２は、事前学習データ８の最大値及び最小値を、それぞれ上限ＢＶａ ８２及び下限ＢＶｂ ８１として設定することにより、学習範囲８３を生成する。例えば、ＡＩ Ｉ／Ｏ ２１ｂの温度Ｉ１の事前学習データ８が最大値２２０°Ｃと最小値１８０°Ｃとで構成されている場合、基準ジェネレータ７２はＢＶａ ８２を２２０°Ｃに、ＢＶｂ ８１を１８０°Ｃに設定する。詳細については後述するが、ＡＩエクスプレイナー７１は学習範囲８３を確認することで、ＡＩ Ｉ／Ｏ ２１ｂの経験値を区別することができる。
【0038】
基準ジェネレータ７２は、ＢＶａ ８２及びＢＶｂ ８１からのマージン７４ａだけ学習範囲８３を拡張することにより、拡張範囲８４をさらに生成する。具体的には、ＡＩ Ｉ／Ｏ ２１ｂの温度においてマージン７４ａが１０°Ｃであり、なおかつＢＶａ ８２が２２０°ＣであってＢＶｂ ８１が１８０°Ｃであった場合、拡張範囲８４は１７０°Ｃ～２３０°Ｃになる。マージン７４ａは、オペレータ６が入力装置７４を介して設定することができ、その値は、拡張範囲８４の上限及び下限を計算する上で異なる可能性がある。
【0039】
本発明は、拡張範囲８４を通じて、学習範囲８３外の値に近接している、あるいはこれから離隔しているものとして定義することができる。具体的には、拡張範囲８４のスパンを超える値は、学習範囲８３から離隔している。これに対して、学習範囲８３を超えてはいるが拡張範囲８４内にある値は、学習範囲８３に近接していることを示す。詳細については後述するが、拡張範囲８４を設けることにより、ＡＩエクスプレイナー７はＡＩ Ｉ／Ｏ ２１ｂのＡＩ信頼度を区別することができる。
【0040】
≪ＡＩエクスプレイナー≫
ＡＩエクスプレイナー７１は、基準ジェネレータ７２で生成された基準７２ａを適用して、ＡＩ Ｉ／Ｏ ２１ｂの経験値を学習済みと未学習とに区別し、またＡＩ信頼度の高低を区別する。
ＡＩエクスプレイナー７１は、基準ジェネレータ７２で生成された基準７２ａを適用して、ＡＩ Ｉ／Ｏ ２１ｂの経験値を学習済みと未学習とに区別し、またＡＩ信頼度の高低を区別する。
【0041】
具体的には、ＡＩエクスプレイナー７１は学習範囲８３を確認して経験値を区別する一方で、拡張範囲８４を確認してＡＩ信頼度を区別する。なお、拡張範囲８４を確認することによるＡＩ信頼度の判定は、未学習のＡＩ Ｉ／Ｏ ２１ｂにのみ適用される。前述のように、学習済みのＡＩ Ｉ／Ｏ ２１ｂは、ＡＩコントローラ２が厳密な範囲内で動作していることを常時示しているため、学習済みのＡＩ Ｉ／Ｏ ２１ｂ全てのＡＩ信頼度は、拡張範囲８４を確認する必要もなく常時高いと判定されることになる。
【0042】
ＡＩエクスプレイナー７１は、ＡＩ Ｉ／Ｏ ２１ｂの値が学習範囲８３内にある場合、その経験値を学習済みと判定する。そうでない場合、ＡＩエクスプレイナー７１は当該経験値を未学習と判定する。
【0043】
ＡＩエクスプレイナー７１は、未学習のＡＩ Ｉ／Ｏ ２１ｂの値が拡張範囲８４内にある場合、そのＡＩ信頼度を高いと判定する。拡張範囲８４内にあることが学習範囲８３への近接を意味することを想起すれば、拡張範囲８４内に値があるとＡＩ信頼度が高くなることが予想される。学習範囲８３に近接していると、ＡＩコントローラ２が正確な推定を行えるだけの高い能力を有していることが保証されるためである。そうならずに、ＡＩ Ｉ／Ｏ ２１ｂの値が拡張範囲８４外にある場合、ＡＩエクスプレイナー７は当該ＡＩ信頼度を低いと判定する。
【0044】
上記で説明した基準７２ａに基づくＡＩエクスプレイナー７１による処理の詳細について、図５に沿って説明する。
【0045】
先ず、ステップＳ１では、ＡＩエクスプレイナー７１は、ＡＩ Ｉ／Ｏ ２１ｂが学習範囲８３内にあるかどうかを判定する。
【0046】
具体的には、ＡＩ Ｉ／Ｏ ２１ｂがＢＶｂ ８１以上であり、なおかつＢＶａ ８２以下である場合、ＡＩ Ｉ／Ｏ ２１ｂは学習範囲８３内にあることになる。ＡＩエクスプレイナー７１は、ＡＩ Ｉ／Ｏ ２１ｂが学習範囲８３内にある場合、ステップＳ６へと進む。そうでない場合、処理はステップＳ２へと進む。
【0047】
ステップＳ６では、ＡＩエクスプレイナー７１は、ＡＩ Ｉ／Ｏ ２１ｂの経験値とＡＩ信頼度とを、それぞれ学習済みであり、かつＡＩ信頼度が高いと判定する。次いで、処理はステップＳ６１へと進む。
【0048】
一方、ステップＳ２では、ＡＩエクスプレイナー７１は、ＡＩ Ｉ／Ｏ ２１ｂの経験値を未学習と判定する。次いで、処理はステップＳ３へと進む。
【0049】
ステップＳ３では、ＡＩエクスプレイナー７１は、ステップＳ２で未学習と判定したＡＩ Ｉ／Ｏ ２１ｂが拡張範囲８４内にあるかどうかを判定する。
【0050】
具体的には、ここで判定するＡＩ Ｉ／Ｏ ２１ｂがＢＶｂ ８１とマージン７４ａとの差よりも大きく（＞（ＢＶｂ－マージン））、なおかつＢＶａ ８２とマージン７４ａとの合計よりも小さい（＜（ＢＶａ－マージン））場合、ＡＩ Ｉ／Ｏ ２１ｂは拡張範囲８４内にあることになる。
【0051】
ステップＳ２で未学習と判定したＡＩ Ｉ／Ｏ ２１ｂが拡張範囲８４内にある場合、ＡＩエクスプレイナー７１は、ステップＳ４の判定へと進む。そうでない場合、ステップＳ５の判定へと進む。なお、ステップＳ３で、未学習のＡＩ Ｉ／Ｏ ２１ｂの信頼度を即座に低いと判定する代わりに、この信頼度をさらに区別することにより、ＡＩ Ｉ／Ｏ ２１ｂのより正確な分類が可能になる。
【0052】
ステップＳ４では、ＡＩエクスプレイナー７１は、ＡＩ Ｉ／Ｏ ２１ｂのＡＩ信頼度を高いと判定し、ステップＳ２で未学習とした判定と組み合わせる。この判定は、未学習のＡＩ Ｉ／Ｏ ２１ｂがＡＩコントローラ２による安全かつ正確な推定、又は高いＡＩ信頼度をもたらす可能性があることを、オペレータ６に具体的に示している。これにより、ＡＩコントローラ２の操作可能範囲も広がることになる。
【0053】
ステップＳ５では、ＡＩエクスプレイナー７１は、ＡＩ Ｉ／Ｏ ２１ｂのＡＩ信頼度を低いと判定し、ステップＳ２で経験値を未学習とした判定と組み合わせる。具体的には、本ステップでは、ＡＩ Ｉ／Ｏ ２１ｂに対する１つの判定として、未学習と低いＡＩ信頼度とを組み合わせる。この判定により、ＡＩコントローラ２の不正確かつ安全でない動作によりプラントで誤動作が発生する可能性を早期に検出することができる。
【0054】
ステップＳ６１では、ＡＩエクスプレイナー７１は、ステップＳ６で判定したＡＩ Ｉ／Ｏ ２１ｂを緑色に分類する。この分類は、判定したＡＩ Ｉ／Ｏ ２１ｂについて、学習済みであり、なおかつＡＩ信頼度が高いことを示している。
【0055】
また、ステップＳ４１では、ＡＩエクスプレイナー７１は、ステップＳ４で判定したＡＩ Ｉ／Ｏ ２１ｂを黄色に分類する。この分類は、判定したＡＩ Ｉ／Ｏ ２１ｂについて、未学習であり、なおかつＡＩ信頼度が高いことを示している。
【0056】
また、ステップＳ５１では、ＡＩエクスプレイナー７１は、ステップＳ５で判定したＡＩ Ｉ／Ｏ ２１ｂを赤色に分類する。この分類は、判定したＡＩ Ｉ／Ｏ ２１ｂについて、未学習であり、なおかつＡＩ信頼度が低いことを示している。
【0057】
ＡＩ Ｉ／Ｏ ２１ｂの分類において、例えば「緑色」、「赤色」、又は「黄色」と識別した時点で処理が完了する。
【0058】
≪ディスプレイ≫
ディスプレイ７３の表示例を図６に沿って説明する。ディスプレイ７３は、計測データ３ａ及びＡＩ制御信号２１ａを含むＡＩ Ｉ／Ｏ ２１ｂに関する情報を表示する。また、ＡＩ Ｉ／Ｏ ２１ｂの状態Ｄ１を、ＡＩエクスプレイナー７１からの分類結果に応じて、「緑色」、「黄色」、又は「赤色」として表示する。ＡＩ Ｉ／Ｏ ２１ｂの状態Ｄ１を表示して、ＡＩコントローラ２から従来のコントローラ４へと操作を切り替える必要があるかどうかをオペレータ６に通知する。
ディスプレイ７３の表示例を図６に沿って説明する。ディスプレイ７３は、計測データ３ａ及びＡＩ制御信号２１ａを含むＡＩ Ｉ／Ｏ ２１ｂに関する情報を表示する。また、ＡＩ Ｉ／Ｏ ２１ｂの状態Ｄ１を、ＡＩエクスプレイナー７１からの分類結果に応じて、「緑色」、「黄色」、又は「赤色」として表示する。ＡＩ Ｉ／Ｏ ２１ｂの状態Ｄ１を表示して、ＡＩコントローラ２から従来のコントローラ４へと操作を切り替える必要があるかどうかをオペレータ６に通知する。
【0059】
「緑色」は、ＡＩ Ｉ／Ｏ ２１ｂが学習済みであり、なおかつＡＩ信頼度が高いため、ＡＩコントローラ２から従来のコントローラ４へと切り替える必要がないことを、オペレータ６が認識するのを補助する。
【0060】
「黄色」は、ＡＩ Ｉ／Ｏ ２１ｂが未学習であってもＡＩ信頼度を維持しているため、必ずしもＡＩコントローラ２から従来のコントローラ４へと切り替える必要がないことを、オペレータ６が認識するのを補助する。
【0061】
「赤色」は、ＡＩ Ｉ／Ｏ ２１ｂが未学習であり、なおかつＡＩ信頼度が低いため、ＡＩコントローラ２から従来のコントローラ４へと切り替える必要があることを、オペレータ６が認識するのを補助する。
【0062】
こうした情報を表示することで、その学習済みで厳密な範囲外でＡＩコントローラ２が非効率的に動作してプラントの誤動作が発生する前に、オペレータ６が操作を従来のコントローラ４へと早期に切り替えることができる。
【0063】
ディスプレイ７３は、マージン７４ａの値と、オペレータ６がＡＩ Ｉ／Ｏ ２１ｂをＡＩエクスプレイナー７１への情報として使用できるか、又は使用できないかを示す列Ｄ２とをさらに表示する。
【0064】
また、ディスプレイ７３は、ＡＩ Ｉ／Ｏ ２１ｂの状態を、経験値とＡＩ信頼度とに区別して表示する。
【実施例2】
【0065】
【0066】
実施例１では、ＡＩ Ｉ／Ｏ ２１ｂの状態を３つのタイプへと分類し、オペレータ６がＡＩコントローラ２の動作を把握できるようにしている。但し、そのような分類はまた、オペレータ６がＡＩ Ｉ／Ｏ ２１ｂの状態を把握する際、その状態を学習済み又は未学習とし、かつＡＩ信頼度が低い又は高いとすることに限定してしまう。
【0067】
そこで、実施例２では、より多くの分類タイプを導入することにより、ＡＩ Ｉ／Ｏ ２１ｂのより正確な分類が達成される。
【0068】
≪ＡＩエクスプレイナー≫
ＡＩエクスプレイナー７１がＡＩ Ｉ／Ｏ ２１ｂを分類する際に実行される、３つのタイプに限定されない方法の詳細を、図７に沿って説明する。ＡＩエクスプレイナー７１は、ケース１００で示す発生順に従ってＡＩ Ｉ／Ｏ ２１ｂを判定する。
ＡＩエクスプレイナー７１がＡＩ Ｉ／Ｏ ２１ｂを分類する際に実行される、３つのタイプに限定されない方法の詳細を、図７に沿って説明する。ＡＩエクスプレイナー７１は、ケース１００で示す発生順に従ってＡＩ Ｉ／Ｏ ２１ｂを判定する。
【0069】
より具体的には、ＡＩエクスプレイナー７１は、最初にケース１の条件を判定し、次いでケース２を、となるように判定する。例えば、ＡＩ Ｉ／Ｏ ２１ｂがケース１の条件１０１を満たしている場合、ＡＩエクスプレイナー７１は、経験値及びＡＩ信頼度について該当する判定１０２を行い、分類１０３に従ってＡＩ Ｉ／Ｏ ２１ｂの分類へと進む。ＡＩ Ｉ／Ｏ ２１ｂがケース１の条件を満たさなかった場合、ＡＩエクスプレイナー７１はケース２の条件に従ってＡＩ Ｉ／Ｏ ２１ｂを判定し始める。
【0070】
各ケースの条件は重複しないため、１つのケースの条件を満たせば、ＡＩエクスプレイナー７１の処理が完了したことを意味する。これはまた、先行のケースの条件が満たされなかった場合、ＡＩエクスプレイナー７１が後続のケースを判定し続けることを意味する。
【0071】
≪基準ジェネレータ≫
ＡＩ Ｉ／Ｏ ２１ｂの３つを超えるタイプへの分類を実行する方法は、拡張範囲８４よりも広い拡張範囲を規定することによって行われる。例えば、拡張範囲８４よりも広い拡張範囲８４ａは、基準ジェネレータ７２が、拡張範囲８４の上限及び下限にマージン７４ａを付加することによって生成される。さらに、拡張範囲８４ａよりも広い拡張範囲８４ｂ（図示せず）は、拡張範囲８４ａの上限及び下限にマージン７４ａを付加することにより、基準ジェネレータ７２によって生成することができる。
ＡＩ Ｉ／Ｏ ２１ｂの３つを超えるタイプへの分類を実行する方法は、拡張範囲８４よりも広い拡張範囲を規定することによって行われる。例えば、拡張範囲８４よりも広い拡張範囲８４ａは、基準ジェネレータ７２が、拡張範囲８４の上限及び下限にマージン７４ａを付加することによって生成される。さらに、拡張範囲８４ａよりも広い拡張範囲８４ｂ（図示せず）は、拡張範囲８４ａの上限及び下限にマージン７４ａを付加することにより、基準ジェネレータ７２によって生成することができる。
【0072】
複合的な拡張範囲８４，８４ａ，８４ｂを生成することにより、ＡＩエクスプレイナー７１は単にＡＩ信頼度の高低だけではなく、ＡＩ Ｉ／Ｏ ２１ｂのどの拡張範囲に当たるかに応じて、高－高、高、低、低－低に区分するなど、ＡＩ信頼度をより正確に判定することもできる。そのような区分を行うと、表示する分類タイプを３つのみにしないことで、ＡＩコントローラ２の操作についてより深い洞察もオペレータ６にもたらされるようになる。
【実施例3】
【0073】
本発明の実施例３に係る業務支援システム及び業務支援方法について説明する。
【0074】
実施例１では、基準ジェネレータ７２は、事前学習データ８内の最大値及び最小値をそれぞれＢＶａ ８２及びＢＶｂ ８１として単に使用することにより、学習範囲８３の上下限を定めている。従って、ＡＩエクスプレイナー７１は、ＡＩ Ｉ／Ｏ ２１ｂの経験値が事前学習データ８の最小値及び最大値の範囲内にある限り、これを学習済みであると判定し、これが実際に学習データとして使用されたかどうかは無視する。
【0075】
そこで、実施例３では、ＡＩコントローラ２の学習データとしてのＡＩ Ｉ／Ｏ ２１ｂ値の実際の使用、又はその重みを考慮して、カウントベースの方法を適用して、学習範囲８３と拡張範囲８４とを規定する。ＡＩエクスプレイナー７１は、ＡＩコントローラ２の制御モデルの訓練であまり使用されなかったＡＩ Ｉ／Ｏ ２１ｂを識別できるため、学習済みと未学習、及びＡＩ信頼度の高低をより正確に区別することができる。
【0076】
以下では、ＡＩ Ｉ／Ｏ ２１ｂを３つのタイプに分類するものとして、実施例３について説明する。なお、本実施例は、実施例２と同様に、３つを超えるＡＩ Ｉ／Ｏ ２１ｂの分類タイプを生成する際にも適用することができる。
【0077】
≪基準ジェネレータ≫
基準ジェネレータ７２は、数Ｎｏを下限として設定し、なおかつ上限を無限大の数に拡張し続けることにより、基準７２ａの学習範囲８３を生成する。具体的には、学習範囲８３はＮｏから正の無限大までとなる。Ｎｏは、オペレータ６が入力装置７４を介して設定できる自然数である。
基準ジェネレータ７２は、数Ｎｏを下限として設定し、なおかつ上限を無限大の数に拡張し続けることにより、基準７２ａの学習範囲８３を生成する。具体的には、学習範囲８３はＮｏから正の無限大までとなる。Ｎｏは、オペレータ６が入力装置７４を介して設定できる自然数である。
【0078】
また、基準ジェネレータ７２は、例えば０などの非常に小さい数を下限として設定し、なおかつＮｏを上限として設定することにより、基準７２ａの拡張範囲８４を生成する。拡張範囲８４の下限は、オペレータ６が入力装置７４を介して設定することができる。
【0079】
基準ジェネレータ７２は、事前学習データ８における各データのカウントを示す情報を含むカウントデータベースをさらに作成する。例えば、１８０℃となる温度センサ測定値を事前学習データ８が５つのカウントを含む場合、基準ジェネレータ７２は、１８０℃の温度カウントを５つとして記録する。このカウントデータベースは、基準７２ａと共にＡＩエクスプレイナー７１へと送信される。
【0080】
≪ＡＩエクスプレイナー≫
ＡＩエクスプレイナー７１のステップＳ１（図５参照）では、ＡＩ Ｉ／Ｏ ２１ｂのカウントがＮｏ以上である場合、ＡＩ Ｉ／Ｏ ２１ｂは学習範囲８３内にあることになる。
ＡＩエクスプレイナー７１のステップＳ１（図５参照）では、ＡＩ Ｉ／Ｏ ２１ｂのカウントがＮｏ以上である場合、ＡＩ Ｉ／Ｏ ２１ｂは学習範囲８３内にあることになる。
【0081】
ＡＩエクスプレイナー７１は、基準ジェネレータ７２によって作成されたカウントデータベースを確認することにより、ＡＩ Ｉ／Ｏ ２１ｂのカウントを確認する。
【0082】
ＡＩエクスプレイナー７１のステップＳ３（図５参照）では、ＡＩ Ｉ／Ｏ ２１ｂのカウントがＮｏ未満であり、なおかつ拡張範囲８４の下限以上である場合、ＡＩ Ｉ／Ｏ ２１ｂは拡張範囲８４内にあることになる。
【0083】
カウントに基づいて学習範囲８３及び拡張範囲８４を使用すると、経験値とＡＩ信頼度とを判定するときに、事前学習データ８におけるＡＩ Ｉ／Ｏ ２１ｂの重みが考慮され、ＡＩエクスプレイナー７１によるより正確な判定を行うことができる。
【実施例4】
【0084】
【0085】
実施例３においては、経験値の判定で事前学習データ８におけるＡＩ Ｉ／Ｏ ２１ｂの重みを考慮できるが、この場合その実際の値の代わりに、ＡＩ Ｉ／Ｏ ２１ｂのカウントを評価する必要がある。従って、学習範囲８３及び拡張範囲８４の上下限の設定は、直観的に行うことができない可能性がある。
【0086】
この課題に対処するために、実施例４では、事前学習データ８の分布の標準偏差値（以下、σとも呼ぶ）を使用して、学習範囲８３と拡張範囲８４とを規定している。この方法では、σがデータ分布に基づいているため、事前学習データ８におけるＡＩ Ｉ／Ｏ ２１ｂの重みを同様に考慮することができる。これは、正規分布を有する事前学習データ８においてはとりわけ有効である。この方法では、カウントベースの方法とは異なり、そのカウントの代わりにＡＩ Ｉ／Ｏ ２１ｂの値を評価することにより、学習範囲８３及び拡張範囲８４の上下限を設定することができる。
【0087】
以下では、ＡＩ Ｉ／Ｏ ２１ｂを３つのタイプに分類するものとして、実施例４について説明する。なお、本実施例は、実施例２と同様に、３つを超えるＡＩ Ｉ／Ｏ ２１ｂの分類タイプを生成する際にも適用することができる。
【0088】
≪基準ジェネレータ≫
事前学習データ８の標準偏差値σに基づいて基準ジェネレータ７２が基準７２ａを生成する方法の詳細を、図８に沿って説明する。
事前学習データ８の標準偏差値σに基づいて基準ジェネレータ７２が基準７２ａを生成する方法の詳細を、図８に沿って説明する。
【0089】
基準ジェネレータ７２は、事前学習データ８の平均値（以下、Ｘ-とも呼ぶ）を中心とする学習範囲８３を伴う基準７２ａを生成する。基準ジェネレータ７２は、σと係数ｋ１との積をＸ-に加算することにより、学習範囲８３の上限８２ａを設定し（＝Ｘ-＋ｋ１σ）、またＸ-からσと係数ｋ１との積を減算することにより、下限８１ａを設定する（＝Ｘ-－ｋ１σ）。
【0090】
基準ジェネレータ７２は、学習範囲８３の上下限を設定する方法と同様の方法を使用して、拡張範囲８４の上限８２ｂ及び下限８１ｂを設定するが、ここでは係数ｋ１を係数ｋ２に置き換える。
【0091】
係数ｋ１及び係数ｋ２は、オペレータ６が入力装置７４を介して設定することができる。
【0092】
なお、事前学習データ８の平均値Ｘ-及び標準偏差値σの単位はＡＩ Ｉ／Ｏ ２１ｂと同じであるため、ＡＩ Ｉ／Ｏ ２１ｂのカウントの代わりに実際の値を使用して、学習範囲８３と拡張範囲８４とを確認することができる。
【0093】
≪ＡＩエクスプレイナー≫
ＡＩエクスプレイナー７１のステップＳ１（図５参照）では、ＡＩ Ｉ／Ｏ ２１ｂが下限８１ａ以上であり、なおかつ上限８２ａ以下である場合、ＡＩ Ｉ／Ｏ ２１ｂは学習範囲８３内にあることになる。
ＡＩエクスプレイナー７１のステップＳ１（図５参照）では、ＡＩ Ｉ／Ｏ ２１ｂが下限８１ａ以上であり、なおかつ上限８２ａ以下である場合、ＡＩ Ｉ／Ｏ ２１ｂは学習範囲８３内にあることになる。
【0094】
ＡＩエクスプレイナー７１のステップＳ３（図５参照）では、ＡＩ Ｉ／Ｏ ２１ｂが下限８１ｂより大きく、なおかつ上限８２ｂより小さい場合、ＡＩ Ｉ／Ｏ ２１ｂは拡張範囲８４内にあることになる。
【実施例5】
【0095】
【0096】
実施例１では、判定された経験値及びＡＩ信頼度によるＡＩ Ｉ／Ｏ ２１ｂの分類は、緑色、黄色、及び赤色として表示される。この方法では、経験値の結果とＡＩ信頼度の結果とを組み合わせるので、その色がそれぞれ何を表しているかについて混乱が生じる可能性がある。
【0097】
そこで、実施例５では、ＡＩ信頼度の結果と経験値の結果とを別々に示すことにより、ＡＩ Ｉ／Ｏ ２１ｂの分類結果が表示される。
【0098】
以下では、ＡＩ Ｉ／Ｏ ２１ｂを３つのタイプに分類するものとして、実施例５について説明する。なお、本実施例は、３つを超えるＡＩ Ｉ／Ｏ ２１ｂの分類タイプを表示する際にも適用することができる。
【0099】
≪ディスプレイ≫
経験値の結果とＡＩ信頼度の結果とを別々に表示しているディスプレイを、図９に沿って説明する。このディスプレイには、ＡＩエクスプレイナー７１による経験値及び信頼度の判定結果を示す情報Ｄ１が含まれる。例えば、緑色に分類されたＡＩ Ｉ／Ｏ ２１ｂに対する経験値の列は「学習済み」という語句を示し、その一方で信頼度の列は「高い」という語句を示す。また、黄色に分類されたＡＩ Ｉ／Ｏ ２１ｂに対する経験値の列は「未学習」という語句を示し、その一方で信頼度の列は「高い」という語句を示す。また、赤色に分類されたＡＩ Ｉ／Ｏ ２１ｂに対する経験値の列は「未学習」という語句を示し、その一方で信頼度の列は「低い」という語句を示す。ＡＩ信頼度及び経験値の個別の結果を示す際、語句の代わりに記号を使用することもできる。
経験値の結果とＡＩ信頼度の結果とを別々に表示しているディスプレイを、図９に沿って説明する。このディスプレイには、ＡＩエクスプレイナー７１による経験値及び信頼度の判定結果を示す情報Ｄ１が含まれる。例えば、緑色に分類されたＡＩ Ｉ／Ｏ ２１ｂに対する経験値の列は「学習済み」という語句を示し、その一方で信頼度の列は「高い」という語句を示す。また、黄色に分類されたＡＩ Ｉ／Ｏ ２１ｂに対する経験値の列は「未学習」という語句を示し、その一方で信頼度の列は「高い」という語句を示す。また、赤色に分類されたＡＩ Ｉ／Ｏ ２１ｂに対する経験値の列は「未学習」という語句を示し、その一方で信頼度の列は「低い」という語句を示す。ＡＩ信頼度及び経験値の個別の結果を示す際、語句の代わりに記号を使用することもできる。
【0100】
なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記の実施例は本発明に対する理解を助けるために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
【符号の説明】
【0101】
１…業務支援システム
２…ＡＩコントローラ
２１ａ…ＡＩ制御信号
２１ｂ…ＡＩ Ｉ／Ｏ
３…プラント
３ａ…計測データ
４…従来のコントローラ
５…スイッチ
６…オペレータ
７…ＡＩからオペレータへのアシスタント
７１…ＡＩエクスプレイナー
７２…基準ジェネレータ
７２ａ…基準
７３…ディスプレイ
７４…入力装置
７４ａ…マージン
８…事前学習データ
８１…ＢＶｂ（学習範囲８３の下限）
８１ａ…学習範囲８３の下限
８１ｂ…拡張範囲８４の下限
８２…ＢＶａ（学習範囲８３の上限）
８２ａ…学習範囲８３の上限
８２ｂ…拡張範囲８４の上限
８３…学習範囲
８４，８４ａ，８４ｂ…拡張範囲
１００…想定されるＡＩ Ｉ／Ｏ ２１ｂのケース
１０１…ＡＩ Ｉ／Ｏ ２１ｂを判定するためにＡＩエクスプレイナー７１によって適用される条件
１０２…条件１０１を満たしていることで、ＡＩエクスプレイナー７１によってＡＩ Ｉ／Ｏ ２１ｂに付与される判定
１０３…条件１０１を満たしていることで、ＡＩエクスプレイナー７１によってＡＩ Ｉ／Ｏ ２１ｂに適用される分類
Ｄ１…ＡＩ Ｉ／Ｏ ２１ｂの状態
Ｄ２…計測データ３ａ又はＡＩ制御信号２１ａをＡＩ Ｉ／Ｏとして使用する選択肢
Ｉ１…温度（データ）。
２…ＡＩコントローラ
２１ａ…ＡＩ制御信号
２１ｂ…ＡＩ Ｉ／Ｏ
３…プラント
３ａ…計測データ
４…従来のコントローラ
５…スイッチ
６…オペレータ
７…ＡＩからオペレータへのアシスタント
７１…ＡＩエクスプレイナー
７２…基準ジェネレータ
７２ａ…基準
７３…ディスプレイ
７４…入力装置
７４ａ…マージン
８…事前学習データ
８１…ＢＶｂ（学習範囲８３の下限）
８１ａ…学習範囲８３の下限
８１ｂ…拡張範囲８４の下限
８２…ＢＶａ（学習範囲８３の上限）
８２ａ…学習範囲８３の上限
８２ｂ…拡張範囲８４の上限
８３…学習範囲
８４，８４ａ，８４ｂ…拡張範囲
１００…想定されるＡＩ Ｉ／Ｏ ２１ｂのケース
１０１…ＡＩ Ｉ／Ｏ ２１ｂを判定するためにＡＩエクスプレイナー７１によって適用される条件
１０２…条件１０１を満たしていることで、ＡＩエクスプレイナー７１によってＡＩ Ｉ／Ｏ ２１ｂに付与される判定
１０３…条件１０１を満たしていることで、ＡＩエクスプレイナー７１によってＡＩ Ｉ／Ｏ ２１ｂに適用される分類
Ｄ１…ＡＩ Ｉ／Ｏ ２１ｂの状態
Ｄ２…計測データ３ａ又はＡＩ制御信号２１ａをＡＩ Ｉ／Ｏとして使用する選択肢
Ｉ１…温度（データ）。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】