CN114929366A - 预测装置、成套设备、预测方法、程序以及配置程序 - Google Patents
预测装置、成套设备、预测方法、程序以及配置程序 Download PDFInfo
- Publication number
- CN114929366A CN114929366A CN202080092582.4A CN202080092582A CN114929366A CN 114929366 A CN114929366 A CN 114929366A CN 202080092582 A CN202080092582 A CN 202080092582A CN 114929366 A CN114929366 A CN 114929366A
- Authority
- CN
- China
- Prior art keywords
- plant
- catalyst
- degree
- prediction
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 38
- 239000003054 catalyst Substances 0.000 claims abstract description 273
- 230000006866 deterioration Effects 0.000 claims abstract description 146
- 230000015556 catabolic process Effects 0.000 claims description 64
- 238000006731 degradation reaction Methods 0.000 claims description 64
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 40
- 229910021529 ammonia Inorganic materials 0.000 claims description 20
- 230000003321 amplification Effects 0.000 claims description 9
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 9
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 60
- 238000003860 storage Methods 0.000 description 41
- 238000013528 artificial neural network Methods 0.000 description 26
- 238000012545 processing Methods 0.000 description 21
- TXKMVPPZCYKFAC-UHFFFAOYSA-N disulfur monoxide Inorganic materials O=S=S TXKMVPPZCYKFAC-UHFFFAOYSA-N 0.000 description 16
- 239000000446 fuel Substances 0.000 description 16
- XTQHKBHJIVJGKJ-UHFFFAOYSA-N sulfur monoxide Chemical compound S=O XTQHKBHJIVJGKJ-UHFFFAOYSA-N 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 239000000428 dust Substances 0.000 description 13
- 238000006243 chemical reaction Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 10
- 239000011148 porous material Substances 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 239000007789 gas Substances 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 230000002378 acidificating effect Effects 0.000 description 5
- BFNBIHQBYMNNAN-UHFFFAOYSA-N ammonium sulfate Chemical compound N.N.OS(O)(=O)=O BFNBIHQBYMNNAN-UHFFFAOYSA-N 0.000 description 5
- 229910052921 ammonium sulfate Inorganic materials 0.000 description 5
- 235000011130 ammonium sulphate Nutrition 0.000 description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 5
- 239000001301 oxygen Substances 0.000 description 5
- 229910052760 oxygen Inorganic materials 0.000 description 5
- 231100000572 poisoning Toxicity 0.000 description 5
- 230000000607 poisoning effect Effects 0.000 description 5
- 239000002956 ash Substances 0.000 description 4
- 239000000567 combustion gas Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- AKEJUJNQAAGONA-UHFFFAOYSA-N sulfur trioxide Chemical compound O=S(=O)=O AKEJUJNQAAGONA-UHFFFAOYSA-N 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 3
- OGIDPMRJRNCKJF-UHFFFAOYSA-N titanium oxide Inorganic materials [Ti]=O OGIDPMRJRNCKJF-UHFFFAOYSA-N 0.000 description 3
- 229910004298 SiO 2 Inorganic materials 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- GNTDGMZSJNCJKK-UHFFFAOYSA-N divanadium pentaoxide Chemical compound O=[V](=O)O[V](=O)=O GNTDGMZSJNCJKK-UHFFFAOYSA-N 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229910018072 Al 2 O 3 Inorganic materials 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000010881 fly ash Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000004408 titanium dioxide Substances 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
- B01D53/86—Catalytic processes
- B01D53/8621—Removing nitrogen compounds
- B01D53/8625—Nitrogen oxides
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
- B01D53/77—Liquid phase processes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
- B01D53/86—Catalytic processes
- B01D53/8696—Controlling the catalytic process
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2251/00—Reactants
- B01D2251/20—Reductants
- B01D2251/206—Ammonium compounds
- B01D2251/2062—Ammonia
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2252/00—Absorbents, i.e. solvents and liquid materials for gas absorption
- B01D2252/10—Inorganic absorbents
- B01D2252/103—Water
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2255/00—Catalysts
- B01D2255/20—Metals or compounds thereof
- B01D2255/207—Transition metals
- B01D2255/20707—Titanium
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2255/00—Catalysts
- B01D2255/20—Metals or compounds thereof
- B01D2255/207—Transition metals
- B01D2255/20723—Vanadium
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2255/00—Catalysts
- B01D2255/20—Metals or compounds thereof
- B01D2255/207—Transition metals
- B01D2255/20776—Tungsten
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2255/00—Catalysts
- B01D2255/30—Silica
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2258/00—Sources of waste gases
- B01D2258/02—Other waste gases
- B01D2258/0283—Flue gases
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Exhaust Gas Treatment By Means Of Catalyst (AREA)
Abstract
劣化预测装置具备：模型生成部，其基于包含第1成套设备的过去的运转中的触媒所涉及的第1数据和所述过去的运转的状态所涉及的第2数据的学习数据，来生成预测与所述第1成套设备不同的第2成套设备中的触媒的劣化度的第1预测模型；和劣化度预测部，其基于所述模型生成部所生成的所述第1预测模型，来预测所述第2成套设备中的所述劣化度。
Description
技术领域
本公开涉及预测装置、成套设备、预测方法、程序以及配置程序。
本申请对于在2020年2月4日在日本申请的特愿2020-017156号以及在2020年6月19日在日本申请的特愿2020-106496号主张优先权，将其内容引用于此。
背景技术
在具备锅炉等的成套设备中使用触媒。在使用触媒的成套设备中，随着运转成套设备，触媒发生劣化。为此，在使用触媒的成套设备中，期望掌握触媒的劣化度。
在专利文献1中，作为关联的技术，公开了预测触媒的劣化度的技术。
现有技术文献
专利文献
专利文献1：JP专利第6278296号公报
发明内容
发明要解决的课题
然而，为了预测成套设备中的触媒的劣化度，一般在成套设备的用户进行预测时，需要每次进行分析废气的性状等复杂的处理。
为此，在成套设备中，谋求用户不执行复杂的处理就能获知触媒的劣化度的技术。
本公开目的在于，提供能解决上述的课题的预测装置、成套设备、预测方法、程序以及配置程序。
用于解决课题的手段
为了解决上述课题，本公开所涉及的劣化预测装置具备：模型生成部，其基于包含第1成套设备的过去的运转中的触媒所涉及的第1数据和所述过去的运转的状态所涉及的第2数据的学习数据，来生成预测与所述第1成套设备不同的第2成套设备中的触媒的劣化度的第1预测模型；和劣化度预测部，其基于所述模型生成部所生成的所述第1预测模型，来预测所述第2成套设备中的所述劣化度。
本公开所涉及的差压预测装置具备：上述的劣化预测装置；和差压推定部，其基于所述劣化预测装置所预测的所述劣化度，来推定空气预热器的输入输出间的差压。
本公开所涉及的成套设备是使用触媒的成套设备，具备：引起所述触媒的劣化的装置；和预测所述触媒的劣化度的上述的劣化预测装置。
本公开所涉及的劣化预测方法包含：基于包含第1成套设备的过去的运转中的触媒所涉及的第1数据和所述过去的运转的状态所涉及的第2数据的学习数据，来生成预测与所述第1成套设备不同的第2成套设备中的触媒的劣化度的第1预测模型；基于所生成的所述第1预测模型，来预测所述第2成套设备中的所述劣化度。
本公开所涉及的差压预测方法包含：基于包含第1成套设备的过去的运转中的触媒所涉及的第1数据和所述过去的运转的状态所涉及的第2数据的学习数据，来生成预测与所述第1成套设备不同的第2成套设备中的触媒的劣化度的第1预测模型；基于所生成的所述第1预测模型，来预测所述第2成套设备中的所述劣化度；和基于所预测的所述劣化度，来推定空气预热器的输入输出间的差压。
本公开所涉及的程序使计算机执行：基于包含第1成套设备的过去的运转中的触媒所涉及的第1数据和所述过去的运转的状态所涉及的第2数据的学习数据，来生成预测与所述第1成套设备不同的第2成套设备中的触媒的劣化度的第1预测模型；基于所生成的所述第1预测模型，来预测所述第2成套设备中的所述劣化度。
用于使计算机执行本公开所涉及的配置的处理的程序分别将如下要素构成为硬件：模型生成部，其基于包含第1成套设备的过去的运转中的触媒所涉及的第1数据和所述过去的运转的状态所涉及的第2数据的学习数据，来生成预测与所述第1成套设备不同的第2成套设备中的触媒的劣化度的第1预测模型；和劣化度预测部，其基于所述模型生成部所生成的所述第1预测模型，来预测所述第2成套设备中的所述劣化度。
发明的效果
根据本公开的实施方式的预测装置、成套设备、预测方法、程序以及配置程序，成套设备的用户不执行复杂的处理，就能获知触媒的劣化度。
附图说明
图1是表示本公开的第1实施方式的成套设备的结构的一例的图。
图2是表示本公开的第1实施方式的传感器装置的结构的一例的图。
图3是表示本公开的第1实施方式的劣化预测装置的结构的一例的图。
图4是表示本公开的第1实施方式中的种种成套设备中的过去的实绩数据的一例的图。
图5是用于说明本公开的第1实施方式中的第1模型以及第2模型的生成的图。
图6是表示来自本公开的第1实施方式中的第1模型以及第2模型的数据的输入的一例的图。
图7是表示本公开的第1实施方式的劣化预测装置的处理流程的第1图。
图8是表示本公开的第1实施方式的劣化预测装置的处理流程的第2图。
图9是表示本公开的第1实施方式中的实施例的比较结果的一例的图。
图10是表示本公开的第2实施方式的差压预测装置的结构的一例的图。
图11是表示本公开的第2实施方式的成套设备的结构的一例的图。
图12是表示本公开的第2实施方式的差压预测装置的处理流程的图。
图13是用于说明本公开的第2实施方式的差压预测装置的处理的图。
图14是表示本公开的第2实施方式中的实施例的比较结果的一例的图。
图15是表示至少1个实施方式所涉及的计算机的结构的概略框图。
具体实施方式
<第1实施方式>
以下参考附图来详细说明实施方式。
本公开的第1实施方式所涉及的劣化预测系统，基于预测对象的成套设备1的运转数据来预测该成套设备1所具备的脱硝装置20的劣化状态。劣化预测系统具备数据服务器装置50以及劣化预测装置40。数据服务器装置50是存储成套设备1的数据的装置。成套设备1的数据例如是包含燃料性状、运转数据等的数据。劣化预测装置40基于数据服务器装置50所存储的数据来预测成套设备1所具备的脱硝装置20的劣化状态。
(成套设备的结构)
说明第1实施方式的成套设备1(第2成套设备的一例、成套设备的一例)的结构。
第1实施方式的成套设备1是预测相对于成套设备1的总运转时间的触媒的性能的劣化度的成套设备。
成套设备1如图1所示那样，具备锅炉10、脱硝装置20(发生触媒的劣化的装置的一例)、传感器装置30。
锅炉10是以煤炭等为燃料的锅炉。锅炉10将焚烧燃料时的燃烧气体排出到脱硝装置20。
脱硝装置20是通过将燃烧气体中所含的NOx(氮氧化物)分解来使燃烧气体中的NOx浓度减低的装置。为了成套设备1的稳定的工作，优选将脱硝装置20的脱硝率大致保持固定。
例如，脱硝装置20通过在脱硝装置20的入口注入氨(NH3)，来将由于中毒成分导致的触媒的性能的劣化而成为降低倾向的脱硝率保持固定。所谓中毒成分，是与触媒的主成分不同的从外部进来的成分。
在脱硝装置20，从外部进来中毒成分。为此，在脱硝装置20中，伴随中毒成分的增加，活性点减少。其结果，表示触媒的性能的高度(良好度)的反应速度常数K的值降低。即，触媒的性能劣化。
第1实施方式的成套设备1是该触媒的性能的劣化度的预测对象。
传感器装置30如图2所示那样具备第1传感器301、第2传感器302、第3传感器303、第4传感器304。传感器装置30装在脱硝装置20的入口。
第1传感器301检测脱硝装置20的入口处的粉尘浓度。
第2传感器302检测脱硝装置20的入口处的NOx(氮氧化物)浓度。
第3传感器303检测脱硝装置20的入口处的SOx(硫氧化物)浓度。
第4传感器304检测脱硝装置20的入口处的O2(氧)浓度。
传感器装置30测量到的数据经由因特网等网络发送到数据服务器装置50。由此，在数据服务器装置50中蓄积成套设备1的数据。
(劣化预测装置的结构)
劣化预测装置40是预测相对于成套设备1的总运转时间的触媒的性能的劣化度的装置。
劣化预测装置40如图3所示那样，具备存储部401、计划值取得部402、成套设备数据取得部403、第1模型生成部404(模型生成部的一例)、第2模型生成部405(模型生成部的一例)、中毒后数据取得部406、触媒劣化度取得部407(劣化度预测部的一例)。
存储部401存储劣化预测装置40的处理所需的种种信息。
例如，存储部401存储各种成套设备(第1成套设备的一例)中的过去的实绩数据D1。
具体地，存储部401例如存储图4所示的计划值、成套设备数据、中毒后的触媒数据。
另外，关于伴随时间的经过而变化的数据，存储部401与时刻建立关联进行存储。
如图4所示那样，在计划值中包含触媒性能、触媒规格、装置规格。
作为触媒性能的示例，能举出反应速度常数的初始值K0、经过某运转时间后的反应速度常数K与反应速度常数的初始值K0之比(K/K0)(反应速度常数的劣化度、即触媒的劣化度)等。另外，反应速度常数的初始值K0是预先给出的值。
此外，作为触媒规格的示例，能举出触媒的初始的比表面积、触媒的初始的孔隙容积、触媒的初始的组成(例如TiO2(二氧化钛)、WO3(三氧化二钨)、V2O5(五氧化二钒)、SiO2(二氧化硅)等)等。另外，触媒的规格例如能通过对实际的触媒进行采样、分析来得到。
此外，作为装置规格的示例，能举出流速、脱硝装置20的入口处的粉尘浓度、脱硝装置20的入口处的NOx(氮氧化物)浓度、脱硝装置20的入口处的SOx(硫氧化物)浓度、脱硝装置20的入口处的O2(氧)浓度等。
另外，流速是按每个装置决定的值。脱硝装置20的入口处的粉尘浓度、脱硝装置20的入口处的NOx浓度、脱硝装置20的入口处的SOx浓度、脱硝装置20的入口处的O2浓度分别是由设于脱硝装置20的入口的传感器装置30测定的值。脱硝装置20的入口处的粉尘浓度、脱硝装置20的入口处的NOx浓度、脱硝装置20的入口处的SOx浓度、脱硝装置20的入口处的O2浓度分别可以根据燃料性状通过计算来求取。这里的燃料性状是表示灰中的各成分向触媒的流入量的数据，是按每个成套设备对燃料进行分析而带有的数据。
此外，如图4所示那样，在成套设备数据中包含燃料性状、运转数据。
作为燃料性状的示例，能举出SiO2、Al2O3等飞尘中成分向触媒的流入量。
此外，作为运转数据的示例，能举出成套设备的运转时间。
此外，如图4所示那样，在中毒后的触媒数据中包含中毒后的触媒物性、中毒后的触媒组成。
作为中毒后的触媒物性的示例，能举出中毒后的触媒的比表面积、中毒后的触媒的孔隙容积等。
此外，作为中毒后的触媒组成的示例，能举出将中毒后的触媒中的TiO2的比例用WO3的比例进行归一化得到的值(TiO2/WO3)、将中毒后的触媒中的SiO2的比例用WO3的比例进行归一化得到的值(SiO2/WO3)等。
另外，中毒后的触媒数据是脱硝装置20的内部的触媒的数据，是难以在成套设备的运转中取得的数据。为此，中毒后的触媒数据在成套设备1的维修保养时等取得。
此外，具体地，存储部401存储对过去的成套设备的运转求得的触媒的劣化度(即，比(K/K0))。
此外，例如，存储部401存储使用模型预测成套设备1中的触媒的劣化度时所用的数据。
具体地，存储部401存储使用过去的实绩数据D1生成的第1模型(第2预测模型的一例)、使用过去的实绩数据D1生成的第2模型(第1预测模型的一例)、成套设备1的触媒性能、成套设备1的触媒规格、成套设备1的装置规格、成套设备1的燃料性状。第1模型是预测成套设备1中的中毒后的触媒数据的模型。第2模型是根据第1模型所预测的中毒后的触媒数据来预测触媒的劣化度的模型。第1模型和第2模型分别是使用各种成套设备中的过去的实绩数据学习得到的学习完毕模型。
作为成套设备1的触媒性能的示例，能举出成套设备1的反应速度常数的初始值K0。
此外，作为成套设备1的触媒规格的示例，能举出成套设备1中的触媒的初始的比表面积、成套设备1中的触媒的初始的孔隙容积等。
此外，作为成套设备1的装置规格的示例，能举出成套设备1中的流速等。
此外，作为成套设备1的燃料性状的示例，能举出成套设备1中的灰中成分向触媒的流入量(例如TiO2、SiO2等向触媒的流入量)。
另外，关于第1模型的生成、第2模型的生成，之后叙述。
计划值取得部402取得成套设备1的计划值。
例如，计划值取得部402从存储部401读出成套设备1的触媒性能、成套设备1的触媒规格、成套设备1的装置规格。
具体地，计划值取得部402从存储部401读出成套设备1的反应速度常数的初始值K0、触媒的初始的比表面积、触媒的初始的孔隙容积、触媒的初始的组成、流速等。
此外，例如，计划值取得部402从传感器装置30取得传感器装置30检测到的粉尘浓度、脱硝装置20的入口处的NOx(氮氧化物)浓度、脱硝装置20的入口处的SOx(硫氧化物)浓度、脱硝装置20的入口处的O2(氧)浓度各自的检测值。
另外，也可以将计划值取得部402所取得的检测值存储在存储部401，在求取其他成套设备中的触媒的劣化度时，将该存储的检测值作为实绩数据来使用。
成套设备数据取得部403从数据服务器装置50取得成套设备1的成套设备数据，将所取得的成套设备数据记录在存储部401。
(第1模型的生成)
第1模型生成部404生成第1模型。作为第1模型的示例，能举出神经网络、随机森林、支持向量机等机器学习模型。另外，在以下的说明中，以神经网络为例来说明第1模型的生成。
第1模型生成部404通过将各种成套设备中的过去的实绩数据(计划值、成套设备数据、中毒后的触媒数据)作为学习数据，对模型化的神经网络进行机器学习，来生成学习完毕的第1模型。
神经网络例如是具有输入层、中间层和输出层的卷积神经网络。此外，这里的学习数据是计划值、成套设备数据、中毒后的触媒数据分别一对一建立对应的数据。
具体地，第1模型生成部404将多个学习数据(计划值、成套设备数据、中毒后的触媒数据)分成训练数据、评价数据和测试数据。第1模型生成部404如图5所示那样，将训练数据的计划值以及成套设备数据输入到神经网络。神经网络(图5中的学习前的第1模型)输出中毒后的触媒数据。第1模型生成部404每当训练数据的计划值以及成套设备数据被输入到神经网络并从神经网络输出中毒后的触媒数据，就通过对应于该输出进行反向传播，来变更节点间的数据的结合的加权(即，变更神经网络的模型)。接下来，第1模型生成部404对通过训练数据的计划值以及成套设备数据进行了变更的模型的神经网络输入评价数据的计划值以及成套设备数据。神经网络输出与所输入的计划值以及成套设备数据相应的中毒后的触媒数据。第1模型生成部404根据需要，基于神经网络的输出来变更节点间的数据的结合的加权。如此地通过第1模型生成部404生成的神经网络是学习完毕的第1模型。接下来，第1模型生成部404对学习完毕的第1模型的神经网络输入测试数据的计划值以及成套设备数据，作为最终确认。学习完毕的第1模型的神经网络输出与所输入的测试数据的计划值以及成套设备数据相应的中毒后的触媒数据。在针对全部测试数据，学习完毕的第1模型的神经网络所输出的中毒后的触媒数据相对于与所输入的测试数据的计划值以及成套设备数据建立关联的中毒后的触媒数据处于给定的误差的范围内的情况下，判定为学习完毕的第1模型的神经网络是所期望的模型。此外，即使是对于测试数据当中的1个，在学习完毕的第1模型的神经网络所输出的中毒后的触媒数据相对于与所输入的测试数据的计划值以及成套设备数据建立关联的中毒后的触媒数据未处于给定的误差的范围内的情况下，也使用新的学习数据来生成学习完毕的第1模型。
上述的第1模型生成部404的学习完毕模型的生成重复直到得到所期望的学习完毕的第1模型为止。
第1模型生成部404将所生成的学习完毕的第1模型写入到存储部401。
(第2模型的生成)
第2模型生成部405生成第2模型。
例如，第2模型生成部405通过将各种成套设备中的过去的实绩数据(计划值、成套设备数据、中毒后的触媒数据、触媒劣化数据)作为学习数据，对模型化的神经网络进行机器学习，来生成学习完毕的第2模型。
神经网络例如是具有输入层、中间层和输出层的卷积神经网络。此外，这里的学习数据是计划值、成套设备数据、中毒后的触媒数据、触媒劣化数据分别一对一建立对应的数据。
具体地，第2模型生成部405将多个学习数据(计划值、成套设备数据、中毒后的触媒数据、触媒劣化数据)分成训练数据、评价数据和测试数据。第2模型生成部405如图5所示那样，将训练数据的计划值、成套设备数据以及中毒后的触媒数据输入到神经网络。神经网络输出触媒劣化数据。然后，与第1模型生成部404生成第1模型的情况同样地，对于全部测试数据，在学习完毕的第2模型的神经网络所输出的触媒劣化数据相对于与所输入的计划值、成套设备数据以及中毒后的触媒数据建立关联的触媒劣化数据处于给定的误差的范围内的情况下，第2模型生成部405判定为学习完毕的第2模型的神经网络是所期望的模型。此外，对于即使测试数据当中有1个，在学习完毕的第2模型的神经网络所输出的触媒劣化数据相对于与所输入的测试数据的计划值、成套设备数据以及中毒后的触媒数据建立关联的触媒劣化数据未处于给定的误差的范围内的情况下，也使用新的学习数据来生成学习完毕的第2模型。
上述的第2模型生成部405的学习完毕模型的生成重复至得到所期望的学习完毕的第2模型为止。
第2模型生成部405将生成的学习完毕的第2模型写入到存储部401。
中毒后数据取得部406基于计划值、成套设备数据和学习完毕的第1模型来取得中毒后的触媒数据。
例如，中毒后数据取得部406从存储部401读出成套设备1的触媒性能(例如成套设备1的反应速度常数的初始值K0)、成套设备1的触媒规格(例如成套设备1中的触媒的初始的比表面积、成套设备1中的触媒的初始的孔隙容积等)、成套设备1的装置规格(例如成套设备1中的流速等)、成套设备1的燃料性状(例如成套设备1中的灰中成分向触媒的流入量)、学习完毕的第1模型。
此外，中毒后数据取得部406在成套设备1的运转中从传感器装置30取得分别表示脱硝装置20的入口处的粉尘浓度、脱硝装置20的入口处的NOx浓度、脱硝装置20的入口处的SOx浓度、脱硝装置20的入口处的O2浓度的信息。
中毒后数据取得部406如图6所示那样，将分别表示从存储部401读出的成套设备1的触媒性能、成套设备1的触媒规格、成套设备1的装置规格、成套设备1的燃料性状、从传感器装置30取得的脱硝装置20的入口处的粉尘浓度、脱硝装置20的入口处的NOx浓度、脱硝装置20的入口处的SOx浓度、脱硝装置20的入口处的O2浓度的信息、以及表示运转时间的信息，输入到学习完毕的第1模型。
然后，中毒后数据取得部406，取得学习完毕的第1模型所输出的中毒后的触媒数据(例如中毒后的触媒物性、中毒后的触媒组成)。
中毒后数据取得部406所取得的该中毒后的触媒数据，是通过在由计划值以及成套设备数据表示的条件下将成套设备1运转由成套设备数据表示的时间的情况的预测得到的中毒后的触媒数据。
触媒劣化度取得部407基于计划值、成套设备数据、中毒后的触媒数据和学习完毕的第2模型，来取得触媒劣化数据。
例如，触媒劣化度取得部407从存储部401读出成套设备1的触媒规格(例如成套设备1中的触媒的初始的比表面积、成套设备1中的触媒的初始的孔隙容积等)、成套设备1的装置规格(例如成套设备1中的流速等)、学习完毕的第2模型。
此外，触媒劣化度取得部407在成套设备1的运转中从传感器装置30取得分别表示脱硝装置20的入口处的粉尘浓度、脱硝装置20的入口处的NOx浓度、脱硝装置20的入口处的SOx浓度、脱硝装置20的入口处的O2浓度的信息。
此外，触媒劣化度取得部407从中毒后数据取得部406取得中毒后数据取得部406所预测的中毒后的触媒数据。
触媒劣化度取得部407如图6所示那样，将分别表示从存储部401读出的成套设备1的触媒规格、成套设备1的装置规格、成套设备1的燃料性状、从传感器装置30取得的脱硝装置20的入口处的粉尘浓度、脱硝装置20的入口处的NOx浓度、脱硝装置20的入口处的SOx浓度、脱硝装置20的入口处的O2浓度的信息、中毒后数据取得部406所预测的中毒后的触媒数据以及运转时间的息，输入到学习完毕的第2模型。
然后，触媒劣化度取得部407取得学习完毕的第2模型所输出的触媒劣化数据。
触媒劣化度取得部407所取得的该触媒劣化数据是通过在由计划值、成套设备数据表示的条件下运转成套设备1由成套设备数据表示的时间的情况的预测得到的触媒劣化数据。
(模型的学习处理)
以下说明劣化预测装置40的动作。首先，说明为了劣化预测装置40预测触媒的劣化而用的机器学习模型的学习处理。
劣化预测装置40的管理者等，预先在与预测对象的成套设备1不同的成套设备的维修保养时取得该成套设备所具备的脱硝装置20的触媒的触媒劣化数据。触媒劣化数据通过测量脱硝装置20的输入处的气体的NOx浓度和输出处的气体的NOx浓度来求取。此外，劣化预测装置40的管理者等预先在与预测对象的成套设备1不同的成套设备的维修保养时，通过破坏检查取得包含触媒物性以及触媒组成的中毒后的触媒数据。中毒后的触媒数据是脱硝装置20的内部的触媒的数据，是难以在成套设备的运转中取得的数据。
第1模型生成部404对于作为机器学习模型的第1模型，使其以各种成套设备中的过去的实绩数据(计划值、成套设备数据、中毒后的触媒数据)为学习数据进行机器学习。计划值以及成套设备数据从数据服务器装置50取得。
具体地，第1模型生成部404生成训练数据，其以实绩数据当中的计划值以及成套设备数据为输入样本，以中毒后的触媒数据为输出样本。第1模型生成部404基于该训练数据来使第1模型学习，以使得通过输入计划值以及成套设备数据，来输出中毒后的触媒的状态的预测值。
第1模型生成部404将学习完毕的第1模型写入到存储部401。
第2模型生成部405对于作为机器学习模型的第2模型，使其以各种成套设备中的过去的实绩数据(计划值、成套设备数据、中毒后的触媒数据、触媒劣化数据)为学习数据进行机器学习。
具体地，第2模型生成部405生成训练数据，其以实绩数据当中的计划值、成套设备数据以及中毒后的触媒数据为输入样本，以触媒劣化数据为输出样本。第2模型生成部405基于该训练数据来使第2模型学习，以使得通过输入计划值、成套设备数据以及中毒后的触媒数据，来输出触媒劣化数据的预测值。
第2模型生成部405将学习完毕的第2模型写入到存储部401。
(触媒的劣化预测处理)
接下来，使用图7以及图8所示的劣化预测装置40的处理流程来说明劣化预测装置40预测触媒的劣化的处理。劣化预测装置40基于计划值和成套设备数据来预测中毒后的触媒数据，使用所预测的中毒后的触媒数据来预测触媒劣化数据。
(预测中毒后的触媒数据的处理)
首先，劣化预测装置40参考图7来说明基于计划值、成套设备数据和学习完毕的第1模型预测中毒后的触媒数据的处理。
中毒后数据取得部406从存储部401读出成套设备1的触媒性能(例如成套设备1的反应速度常数的初始值K0)、成套设备1的触媒规格(例如成套设备1中的触媒的初始的比表面积、成套设备1中的触媒的初始的孔隙容积等)、成套设备1的装置规格(例如成套设备1中的流速等)、成套设备1的燃料性状(例如成套设备1中的灰中成分向触媒的流入量)、学习完毕的第1模型(步骤S1)。
中毒后数据取得部406，在成套设备1的运转中，从传感器装置30取得分别表示脱硝装置20的入口处的粉尘浓度、脱硝装置20的入口处的NOx浓度、脱硝装置20的入口处的SOx浓度、脱硝装置20的入口处的O2浓度的信息(步骤S2)。
中毒后数据取得部406将分别表示从存储部401读出的成套设备1的触媒性能、成套设备1的触媒规格、成套设备1的装置规格、成套设备1的燃料性状、从传感器装置30取得的脱硝装置20的入口处的粉尘浓度、脱硝装置20的入口处的NOx浓度、脱硝装置20的入口处的SOx浓度、脱硝装置20的入口处的O2浓度的信息、以及表示运转时间的信息输入到学习完毕的第1模型(步骤S3)。
中毒后数据取得部406取得学习完毕的第1模型所输出的中毒后的触媒数据(例如中毒后的触媒物性、中毒后的触媒组成)(步骤S4)。
(预测触媒劣化数据的处理)
接下来，参考图8来说明劣化预测装置40基于计划值、成套设备数据、中毒后的触媒数据和学习完毕的第2模型预测触媒劣化数据的处理。
触媒劣化度取得部407从存储部401读出成套设备1的触媒规格(例如成套设备1中的触媒的初始的比表面积、成套设备1中的触媒的初始的孔隙容积等)、成套设备1的装置规格(例如成套设备1中的流速等)、学习完毕的第2模型(步骤S11)。
触媒劣化度取得部407，在成套设备1的运转中，从传感器装置30取得分别表示脱硝装置20的入口处的粉尘浓度、脱硝装置20的入口处的NOx浓度、脱硝装置20的入口处的SOx浓度、脱硝装置20的入口处的O2浓度的信息(步骤S12)。
触媒劣化度取得部407，从中毒后数据取得部406取得中毒后数据取得部406所预测的中毒后的触媒数据(步骤S13)。
触媒劣化度取得部407如图6所示那样，将分别表示从存储部401读出的成套设备1的触媒规格、成套设备1的装置规格、成套设备1的燃料性状、从传感器装置30取得的脱硝装置20的入口处的粉尘浓度、脱硝装置20的入口处的NOx浓度、脱硝装置20的入口处的SOx浓度、脱硝装置20的入口处的O2浓度的信息、中毒后数据取得部406所预测的中毒后的触媒数据、以及表示运转时间的信息，输入到学习完毕的第2模型(步骤S14)。
触媒劣化度取得部407取得学习完毕的第2模型所输出的触媒劣化数据(步骤S15)。
(实施例)
对于某成套设备，进行上述的本公开的第1实施方式的劣化预测装置40的触媒的劣化度的预测，与该成套设备中的触媒的劣化度的实测进行比较。
准备关于制造年和运转时间不同的11个成套设备的127个数据，将这当中的7成作为学习数据，将3成作为精度验证用的数据。
图9是触媒的劣化度的预测与触媒的劣化度的实测的比较结果。
在图9中，横轴是运转时间。此外，纵轴是触媒的劣化度。另外，触媒的劣化度是用各运转时间中的反应速度常数K除以初始的反应速度常数K0求得的值。
关于触媒的劣化度的预测的精度，能得到RMSE(Root Mean Squared Error；均方根误差)0.05这样的结果。
以上说明了本公开的第1实施方式的成套设备1。
劣化预测装置(40)具备模型生成部(404、405)、劣化度预测部(407)。
模型生成部基于包含第1成套设备的过去的运转中的触媒所涉及的第1数据和所述过去的运转的状态所涉及的第2数据的学习数据，来生成预测与所述第1成套设备不同的第2成套设备(1)中的触媒的劣化度的第1预测模型。
劣化度预测部(407)，基于所述模型生成部(404、405)所生成的所述第1预测模型来预测所述第2成套设备(1)中的所述劣化度。
通过该劣化预测装置(40)，仅将关于第2成套设备(1)的数据输入到第1预测模型，就能预测第2成套设备(1)中的触媒的劣化度。其结果，第2成套设备(1)的用户不执行关于触媒的复杂的解析，就能获知触媒的劣化度。
<第2实施方式>
本公开的第2实施方式所涉及的劣化预测系统，基于预测对象的成套设备1的运转数据来预测该成套设备1所具备的脱硝装置20的劣化状态，根据所预测的劣化状态来预测后述的空气预热器60的输入输出间的差压。劣化预测系统具备数据服务器装置50以及差压预测装置70。
(差压预测装置的结构)
差压预测装置70是基于所预测的触媒的性能的劣化度来预测空气预热器60的差压的装置。
差压预测装置70如图10所示那样，除了劣化预测装置40以外，还具备比例放大因子推定部701、泄漏推定部702、闭塞度推定部703、差压推定部704。
比例放大因子推定部701，求取对实验室中求得的触媒的性能特性与实际的成套设备1中的触媒的性能特性的差进行补正的补正系数。该补正系数是比例放大因子。
例如，对于各种的气体温度、气体浓度、氧浓度的组合，在实验室中取得触媒的性能特性。然后，将所取得的触媒的性能特性通过包含气体温度、气体浓度、氧浓度的算式来表征。其中在实际的成套设备1中，相对于实验室中取得的触媒的性能特性，触媒的性能降低。比例放大因子推定部701为了能将表示实验室中取得的触媒的性能特性的算式运用于实际的成套设备1，决定对该式进行补正的比例放大因子。另外，比例放大因子通过根据实验室中取得的触媒的性能特性和实际的成套设备1中的触媒的性能特性得到的经验法则来求取。
泄漏推定部702基于对表示实验室中取得的触媒的性能特性的算式运用了比例放大因子的经验式、脱硝装置20的入口处的NOx浓度、脱硝装置20的出口处的NOx浓度、触媒劣化数据，来推定泄漏氨的量。根据经验式求取触媒的性能特性，根据该性能特性和脱硝装置20的输入输出中的NOx浓度来推定未反应的氨的量。
闭塞度推定部703使用基于实际的成套设备1中的空气预热器60的差压上升时的差压数据和成套设备1的运转数据而求得的经验式，来推定空气预热器60中的闭塞度。
例如，在实际的成套设备1中的空气预热器60的差压上升时监控空气预热器60的要素中的输入输出间的差压，计算差压。根据该差压来计算闭塞度，使用这时的成套设备1的运转数据求取经验式。
这是基于如下的思路的：能根据运转数据来推定泄漏氨浓度是何种程度，若该泄漏氨在空气预热器60作为酸性硫酸铵(NH4HSO4)析出，则由于酸性硫酸铵的量和空气预热器60的闭塞度存在相关关系，因此能推定空气预热器60的要素中的闭塞度。
差压推定部704基于泄漏推定部702所推定的泄漏氨的量、和闭塞度推定部703所推定的空气预热器60的要素中的闭塞度，来推定空气预热器60的输入输出间的差压。
(成套设备的结构)
说明第2实施方式的成套设备1的结构。
第2实施方式的成套设备1如图11所示那样，具备锅炉10、脱硝装置20、传感器装置30、空气预热器60。
空气预热器60是用于将燃烧用空气事前加温来使锅炉的燃烧效率提升的设备。若在脱硝装置20中产生泄漏氨，该泄漏氨就与空气预热器60中的燃烧气体中的三氧化硫(SO3)反应，生成酸性硫酸铵。酸性硫酸铵的析出成为闭塞的要因。另外，为了除去该酸性硫酸铵，需要停止成套设备1，用水清洗空气预热器60。
(预测空气预热器60中的差压的处理)
接下来，参考图12、图13来说明差压预测装置70预测空气预热器60的输入输出间的差压的处理。
劣化预测装置40执行步骤S11～步骤S15所示的处理来取得触媒劣化数据。
比例放大因子推定部701求取对实验室中求得的触媒的性能特性与实际的成套设备1中的触媒的性能特性之差进行补正的比例放大因子(步骤S21)。
泄漏推定部702基于对表示实验室中取得的触媒的性能特性的算式运用比例放大因子得到的经验式、脱硝装置20的入口处的NOx浓度、脱硝装置20的出口处的NOx浓度、触媒劣化数据，来推定泄漏氨的量(步骤S22)。
闭塞度推定部703使用基于实际的成套设备1中的空气预热器60的差压上升时的差压数据、和成套设备1的运转数据求得的经验式，来推定空气预热器60中的闭塞度(步骤S23)。
差压推定部704基于泄漏推定部702所推定的泄漏氨的量、和闭塞度推定部703所推定的空气预热器60的要素中的闭塞度来推定空气预热器60的输入输出间的差压(步骤S24)。
另外，差压推定部704可以将所推定的差压报知给触媒工程的关系者、成套设备1的担当者。可以基于该报知来进行触媒更换工程的计划、成套设备1的运转支援。
(实施例)
对于某成套设备，通过上述的本公开的第2实施方式的差压预测装置70来推定空气预热器60的输入输出间的差压。
图14是该成套设备中的差压的预测与实测的比较结果。
在图14中，横轴是运转时间。此外，纵轴是空气预热器60的输入输出间的差压。另外，在图14中，空气预热器60示出为AH(Air Heater、空气加热器)。并且，空气预热器60用水清洗1次。
如从图14获知的那样，根据差压预测装置70，空气预热器60的输入输出间的差压的预测能得到接近于实测值的结果。
以上说明了本公开的第2实施方式的成套设备1。
差压预测装置(70)具备劣化预测装置(40)、比例放大因子推定部(701)、泄漏推定部(702)、闭塞度推定部(703)、差压推定部(704)。
比例放大因子推定部(701)求取对实验室中求得的触媒的性能特性与实际的成套设备(1)中的触媒的性能特性之差进行补正的比例放大因子。泄漏推定部(702)基于对表示实验室中取得的触媒的性能特性的算式运用比例放大因子得到的经验式、脱硝装置(20)的入口处的NOx浓度、脱硝装置(20)的出口处的NOx浓度、触媒劣化数据，来推定泄漏氨的量。闭塞度推定部(703)使用基于实际的成套设备(1)中的空气预热器(60)的差压上升时的差压数据和成套设备(1)的运转数据求得的经验式，来推定空气预热器60中的闭塞度。差压推定部(704)基于泄漏推定部(702)所推定的泄漏氨的量和闭塞度推定部(703)所推定的空气预热器(60)的要素中的闭塞度，来推定空气预热器(60)的输入输出间的差压。
根据该差压预测装置(70)，在脱硝装置(20)中产生泄漏氨的情况下，推定空气预热器(60)的输入输出间的差压。其结果，能在合适的定时进行触媒更换工程的计划、成套设备1的运转支援。
另外，本公开的实施方式中的处理可以在进行合适的处理的范围内替换处理的顺序。
另外，本发明的各实施方式中的存储部401、其他存储装置等(包含寄存器、锁存器)，在进行合适的信息的收发的范围内，在哪里具备都可以。此外，存储部401、其他存储装置等可以在进行合适的信息的收发的范围内存在多个，来分散存储数据。
另外，在本公开的各实施方式中，说明为第1模型生成部404将学习完毕的第1模型生成为软件，并存储在存储部401中。此外，在本公开的各实施方式中，说明为第2模型生成部405将学习完毕的第2模型生成为软件，并存储在存储部401。
但在本公开的其他实施方式中，也可以将学习完毕的第1模型、学习完毕的第2模型分别实现为硬件。
例如，第1模型生成部404可以将使存储部401所存储的学习完毕的第1模型所进行的处理实现的配置程序写入到FPGA(Field-Programmable Gate Array，现场可编程门阵列)等可编程的硬件中。
此外，例如，第2模型生成部405可以将使存储部401所存储的学习完毕的第2模型所进行的处理实现的配置程序写入到FPGA(Field-Programmable Gate Array，现场可编程门阵列)等可编程的硬件。
对本公开的实施方式进行了说明，但上述的劣化预测装置40、差压预测装置70、其他控制装置也可以在内部具有计算机装置。并且，上述的处理的过程以程序的形式存储于计算机可读的记录介质，通过计算机将该程序读出并执行，来进行上述处理。以下示出计算机的具体例。
图10是表示至少1个实施方式所涉及的计算机的结构的概略框图。
计算机5如图10所示那样，具备CPU6、主存储器7、贮存器8、接口9。
例如，上述的劣化预测装置40、差压预测装置70、其他控制装置分别安装在计算机5。然后，将上述的各处理部的动作以程序的形式存储在贮存器8。CPU6将程序从贮存器8读出并在主存储器7展开，按照该程序来执行上述处理。此外，CPU6按照程序来在主存储器7中确保与上述的各存储部对应的存储区域。
作为贮存器8的示例，能举出HDD(Hard Disk Drive，硬盘驱动器)、SSD(SolidState Drive，固态硬盘)、磁盘、光磁盘、CD-ROM(Compact Disc Read Only Memory，光盘只读存储器)、DVD-ROM(Digital Versatile Disc Read Only Memory，数字多功能盘只读存储器)、半导体存储器等。贮存器8可以是与计算机5的总线直接连接的内部介质，也可以是经由接口9或通信线路与计算机5连接的外部介质。此外，也可以在该程序通过通信线路发布到计算机5的情况下，接受到发布的计算机5将该程序在主存储器7展开，执行上述处理。在至少1个实施方式中，贮存器8是非临时的有形的存储介质。
此外，上述程序可以实现前述的功能的一部分。进而，上述程序可以是能通过与将前述的功能已经记录于计算机装置的程序的组合实现的文件、即所谓的差分文件(差分程序)。
对本公开的几个实施方式进行了说明，但这些实施方式是示例，并不限定公开的范围。这些实施方式可以在不脱离公开的要旨的范围内进行种种追加、种种省略、种种置换、种种变更。
<附记>
本公开的各实施方式记载的劣化预测装置40、成套设备1、劣化预测方法、用于使计算机执行程序以及配置的处理的程序例如如以下那样掌握。
(1)第1方式所涉及的劣化预测装置(40)具备：模型生成部(404、405)，其基于包含第1成套设备的过去的运转中的触媒所涉及的第1数据和所述过去的运转的状态所涉及的第2数据的学习数据，来生成预测与所述第1成套设备不同的第2成套设备(1)中的触媒的劣化度的第1预测模型；和劣化度预测部(407)，其基于所述模型生成部(404、405)所生成的所述第1预测模型，来预测所述第2成套设备(1)中的所述劣化度。
根据该劣化预测装置(40)，仅将关于第2成套设备(1)的数据输入到第1预测模型，就能预测第2成套设备(1)中的触媒的劣化度。其结果，第2成套设备(1)的用户不执行关于触媒的复杂的解析，就能获知触媒的劣化度。
(2)第2方式所涉及的劣化预测装置(40)在(1)的劣化预测装置(40)基础上，所述学习数据包含所述第1成套设备的过去的运转中的中毒后的触媒所涉及的数据和所述第1成套设备的过去的运转中的所述劣化度所涉及的数据，所述模型生成部(404、405)具备：第1模型生成部(404)，其基于所述学习数据，来生成预测所述第2成套设备(1)中的所述中毒后的触媒所涉及的数据的第2预测模型；第2模型生成部(405)，其基于所述第2预测模型所预测的所述第2成套设备(1)中的所述中毒后的触媒所涉及的数据，来生成预测所述第2成套设备(1)中的所述劣化度的所述第1预测模型，所述劣化度预测部(407)基于所述第1预测模型和所述第2预测模型来预测所述第2成套设备(1)中的所述劣化度。
根据该劣化预测装置(40)，能对第2成套设备(1)预测难以预测的装置内的触媒所涉及的数据。其结果，第2成套设备(1)的用户能容易地判定哪个数据给第2成套设备(1)中的触媒的劣化度带来影响。
(3)第3方式所涉及的差压预测装置(70)具备：第1方式或第2方式所涉及的劣化预测装置(40)；和差压推定部(704)，其基于所述劣化预测装置(40)所预测的所述劣化度，来推定空气预热器(60)的输入输出间的差压。
根据该差压预测装置(70)，在脱硝装置(20)中产生泄漏氨的情况下，推定空气预热器(60)的输入输出间的差压。其结果，能在合适的定时进行触媒更换工程的计划、成套设备1的运转支援。
(4)第4方式所涉及的差压预测装置(70)在(3)的差压预测装置(70)基础上，具备：闭塞度推定部(703)，其基于所述劣化预测装置(40)所预测的所述劣化度，来推定所述空气预热器(60)中的闭塞度，所述差压推定部(704)基于所述闭塞度推定部(703)所推定的所述闭塞度，来推定所述空气预热器(60)的输入输出间的差压。
根据该差压预测装置(70)，差压预测装置(70)的结构变得更加明确，在脱硝装置(20)中产生泄漏氨的情况下，推定空气预热器(60)的输入输出间的差压。其结果，能在合适的定时进行触媒更换工程的计划、成套设备1的运转支援。
(5)第5方式所涉及的差压预测装置(70)是(3)或(4)基础上的差压预测装置(70)，具备：泄漏推定部(702)，其基于所述劣化预测装置(40)所预测的所述劣化度，来推动泄漏氨的量，所述差压推定部(704)基于所述泄漏推定部(702)所推定的所述泄漏氨的量，来推定所述空气预热器(60)的输入输出间的差压。
根据该差压预测装置(70)，差压预测装置(70)的结构变得更加明确，在脱硝装置(20)中产生了泄漏氨的情况下，推定空气预热器(60)的输入输出间的差压。其结果，能在合适的定时进行触媒更换工程的计划、成套设备1的运转支援。
(6)第5方式所涉及的差压预测装置(70)，在(3)到(5)任一者差压预测装置(70)基础上，具备：比例放大因子推定部(701)，其基于所述劣化预测装置(40)所预测的所述劣化度，来求取比例放大因子，所述差压推定部(704)基于所述比例放大因子推定部(701)所求得的所述比例放大因子，来推动所述空气预热器(60)的输入输出间的差压。
根据该差压预测装置(70)，差压预测装置(70)的结构变得更加明确，在脱硝装置(20)中产生泄漏氨的情况下，推定空气预热器(60)的输入输出间的差压。其结果，能在合适的定时进行触媒更换工程的计划、成套设备1的运转支援。
(7)第7方式所涉及的成套设备(1)是使用触媒的成套设备，具备：使所述触媒劣化的装置(20)；和预测所述触媒的劣化度的(1)或(2)的劣化预测装置(40)。
根据该成套设备(1)，仅将关于成套设备(1)的数据输入到第1预测模型，就能预测成套设备(1)中的触媒的劣化度。其结果，成套设备(1)的用户不执行关于触媒的复杂的解析，就能获知触媒的劣化度。
(8)第8方式所涉及的劣化预测方法包含：基于包含第1成套设备的过去的运转中的触媒所涉及的第1数据和所述过去的运转的状态所涉及的第2数据的学习数据，来生成预测与所述第1成套设备不同的第2成套设备中的触媒的劣化度的第1预测模型；和基于所生成的所述第1预测模型，来预测所述第2成套设备中的所述劣化度。
根据该劣化预测方法，仅将关于第2成套设备(1)的数据输入到第1预测模型，就能预测第2成套设备(1)中的触媒的劣化度。其结果，第2成套设备(1)的用户不执行关于触媒的复杂的解析，就能获知触媒的劣化度。
(9)第10方式所涉及的程序使计算机执行：基于包含第1成套设备的过去的运转中的触媒所涉及的第1数据和所述过去的运转的状态所涉及的第2数据的学习数据，来生成预测与所述第1成套设备不同的第2成套设备中的触媒的劣化度的第1预测模型；和基于所生成的所述第1预测模型，来预测所述第2成套设备中的所述劣化度。
根据该程序，仅将关于第2成套设备(1)的数据输入到第1预测模型，就能预测第2成套设备(1)中的触媒的劣化度。其结果，第2成套设备(1)的用户不执行关于触媒的复杂的解析，就能获知触媒的劣化度。
(10)用于使计算机执行第11方式所涉及的配置的处理的程序，分别构成为如下那样的硬件：模型生成部(404、405)，其基于包含第1成套设备的过去的运转中的触媒所涉及的第1数据和所述过去的运转的状态所涉及的第2数据的学习数据，来生成预测与所述第1成套设备不同的第2成套设备(1)中的触媒的劣化度的第1预测模型；和劣化度预测部(407)，其基于所述模型生成部(404、405)所生成的所述第1预测模型，来预测所述第2成套设备(1)中的所述劣化度。
通过用于使计算机执行该配置的处理的程序，仅将关于第2成套设备(1)的数据输入到第1预测模型，就能预测第2成套设备(1)中的触媒的劣化度。其结果，第2成套设备(1)的用户不执行关于触媒的复杂的解析，就能获知触媒的劣化度。
产业上的可利用性
根据本公开的实施方式的预测装置、成套设备、预测方法、程序以及配置程序，成套设备的用户不执行复杂的处理，就能获知触媒的劣化度。
附图标记的说明
1…成套设备
5…计算机
6…CPU
7…主存储器
8…贮存器
9…接口
10…锅炉
20…脱硝装置
30…传感器装置
40…劣化预测装置
50…数据服务器装置
60…空气预热器
70…差压预测装置
301…第1传感器
302…第2传感器
303…第3传感器
304…第4传感器
401…存储部
402…计划值取得部
403…成套设备数据取得部
404…第1模型生成部
405…第2模型生成部
406…中毒后数据取得部
407…触媒劣化度取得部
701…比例放大因子推定部
702…泄漏推定部
703…闭塞度推定部
704…差压推定部
Claims (11)
1.一种劣化预测装置，其特征在于，具备：
模型生成部，其基于包含第1成套设备的过去的运转中的触媒所涉及的第1数据和所述过去的运转的状态所涉及的第2数据的学习数据，来生成预测与所述第1成套设备不同的第2成套设备中的触媒的劣化度的第1预测模型；和
劣化度预测部，其基于所述模型生成部所生成的所述第1预测模型，来预测所述第2成套设备中的所述劣化度。
2.根据权利要求1所述的劣化预测装置，其特征在于，
所述学习数据包含所述第1成套设备的过去的运转中的中毒后的触媒所涉及的数据和所述第1成套设备的过去的运转中的所述劣化度所涉及的数据，
所述模型生成部具备：
第1模型生成部，其基于所述学习数据，来生成预测所述第2成套设备中的所述中毒后的触媒所涉及的数据的第2预测模型；和
第2模型生成部，其基于所述第2预测模型所预测的所述第2成套设备中的所述中毒后的触媒所涉及的数据，来生成预测所述第2成套设备中的所述劣化度的所述第1预测模型，
所述劣化度预测部基于所述第1预测模型和所述第2预测模型，来预测所述第2成套设备中的所述劣化度。
3.一种差压预测装置，其特征在于，具备：
权利要求1或2所述的劣化预测装置；和
差压推定部，其基于所述劣化预测装置所预测的所述劣化度，来推定空气预热器的输入输出间的差压。
4.根据权利要求3所述的差压预测装置，其特征在于，
所述差压预测装置具备：
闭塞度推定部，其基于所述劣化预测装置所预测的所述劣化度，来推定所述空气预热器中的闭塞度，
所述差压推定部基于所述闭塞度推定部所推定的所述闭塞度，来推定所述空气预热器的输入输出间的差压。
5.根据权利要求3或4所述的差压预测装置，其特征在于，
所述差压预测装置具备：
泄漏推定部，其基于所述劣化预测装置所预测的所述劣化度，来推定泄漏氨的量，
所述差压推定部基于所述泄漏推定部所推定的所述泄漏氨的量，来推定所述空气预热器的输入输出间的差压。
6.根据权利要求3～5中任一项所述的差压预测装置，其特征在于，
所述差压预测装置具备：
比例放大因子推定部，其基于所述劣化预测装置所预测的所述劣化度，来求取比例放大因子，
所述差压推定部基于所述比例放大因子推定部所求得的所述比例放大因子，来推动所述空气预热器的输入输出间的差压。
7.一种成套设备，使用触媒，所述成套设备的特征在于，具备：
引起所述触媒的劣化的装置；和
预测所述触媒的劣化度的权利要求1或2所述的劣化预测装置。
8.一种劣化预测方法，其特征在于，包含：
基于包含第1成套设备的过去的运转中的触媒所涉及的第1数据和所述过去的运转的状态所涉及的第2数据的学习数据，来生成预测与所述第1成套设备不同的第2成套设备中的触媒的劣化度的第1预测模型；和
基于所生成的所述第1预测模型，来预测所述第2成套设备中的所述劣化度。
9.一种差压预测方法，其特征在于，包含：
基于包含第1成套设备的过去的运转中的触媒所涉及的第1数据和所述过去的运转的状态所涉及的第2数据的学习数据，来生成预测与所述第1成套设备不同的第2成套设备中的触媒的劣化度的第1预测模型；
基于所生成的所述第1预测模型，来预测所述第2成套设备中的所述劣化度；和
基于所预测的所述劣化度，来推定空气预热器的输入输出间的差压。
10.一种程序，其特征在于，使计算机执行：
基于包含第1成套设备的过去的运转中的触媒所涉及的第1数据和所述过去的运转的状态所涉及的第2数据的学习数据，来生成预测与所述第1成套设备不同的第2成套设备中的触媒的劣化度的第1预测模型；和
基于所生成的所述第1预测模型，来预测所述第2成套设备中的所述劣化度。
11.一种程序，其特征在于，用于使计算机执行配置的处理，分别使如下要素构成为硬件：
模型生成部，其基于包含第1成套设备的过去的运转中的触媒所涉及的第1数据和所述过去的运转的状态所涉及的第2数据的学习数据，来生成预测与所述第1成套设备不同的第2成套设备中的触媒的劣化度的第1预测模型；和
劣化度预测部，其基于所述模型生成部所生成的所述第1预测模型，来预测所述第2成套设备中的所述劣化度。
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020017156 | 2020-02-04 | ||
| JP2020-017156 | 2020-02-04 | ||
| JP2020-106496 | 2020-06-19 | ||
| JP2020106496A JP2021125196A (ja) | 2020-02-04 | 2020-06-19 | 予測装置、プラント、予測方法、プログラム、及び、コンフィギュレーションプログラム |
| PCT/JP2020/048257 WO2021157240A1 (ja) | 2020-02-04 | 2020-12-23 | 予測装置、プラント、予測方法、プログラム、及び、コンフィギュレーションプログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114929366A true CN114929366A (zh) | 2022-08-19 |
Family
ID=77200147
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080092582.4A Pending CN114929366A (zh) | 2020-02-04 | 2020-12-23 | 预测装置、成套设备、预测方法、程序以及配置程序 |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN114929366A (zh) |
| DE (1) | DE112020006667T5 (zh) |
| WO (1) | WO2021157240A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117196109B (zh) * | 2023-09-15 | 2024-04-05 | 中煤科工集团重庆研究院有限公司 | 一种基于多源信息融合的煤矿井下粉尘浓度预测修正方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH01242127A (ja) * | 1988-03-18 | 1989-09-27 | Mitsubishi Heavy Ind Ltd | 排煙脱硝プリントの性能管理装置 |
| JP2018173217A (ja) * | 2017-03-31 | 2018-11-08 | 中国電力株式会社 | 空気予熱器差圧上昇予測装置 |
| CN110082474A (zh) * | 2019-05-24 | 2019-08-02 | 国家能源投资集团有限责任公司 | 一种脱硝催化剂的性能诊断系统和性能诊断方法 |
| CN110094251A (zh) * | 2019-05-05 | 2019-08-06 | 东南大学 | 基于分时段多模型建模的scr催化剂性能劣化分析方法 |
| WO2019159883A1 (ja) * | 2018-02-13 | 2019-08-22 | 三菱日立パワーシステムズ株式会社 | モデル作成方法、プラントの運転支援方法、モデル作成装置、モデル、プログラム、及びプログラムを記録した記録媒体 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6278296B2 (ja) * | 2013-07-17 | 2018-02-14 | 三菱重工環境・化学エンジニアリング株式会社 | 排ガス処理設備管理装置、排ガス処理設備、排ガス処理設備管理方法及びプログラム |
| JP6251201B2 (ja) * | 2015-01-08 | 2017-12-20 | 三菱重工業株式会社 | 稼動率予測装置及び稼動率予測方法 |
| JP2020017156A (ja) | 2018-07-27 | 2020-01-30 | 富士通株式会社 | 文字認識装置、文字認識プログラムおよび文字認識方法 |
| JP2020106496A (ja) | 2018-12-28 | 2020-07-09 | 日本製鉄株式会社 | 品質予測装置、品質予測方法、およびプログラム |
-
2020
- 2020-12-23 DE DE112020006667.3T patent/DE112020006667T5/de active Pending
- 2020-12-23 WO PCT/JP2020/048257 patent/WO2021157240A1/ja active Application Filing
- 2020-12-23 CN CN202080092582.4A patent/CN114929366A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH01242127A (ja) * | 1988-03-18 | 1989-09-27 | Mitsubishi Heavy Ind Ltd | 排煙脱硝プリントの性能管理装置 |
| JP2018173217A (ja) * | 2017-03-31 | 2018-11-08 | 中国電力株式会社 | 空気予熱器差圧上昇予測装置 |
| WO2019159883A1 (ja) * | 2018-02-13 | 2019-08-22 | 三菱日立パワーシステムズ株式会社 | モデル作成方法、プラントの運転支援方法、モデル作成装置、モデル、プログラム、及びプログラムを記録した記録媒体 |
| CN110094251A (zh) * | 2019-05-05 | 2019-08-06 | 东南大学 | 基于分时段多模型建模的scr催化剂性能劣化分析方法 |
| CN110082474A (zh) * | 2019-05-24 | 2019-08-02 | 国家能源投资集团有限责任公司 | 一种脱硝催化剂的性能诊断系统和性能诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021157240A1 (ja) | 2021-08-12 |
| DE112020006667T5 (de) | 2023-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Murguia et al. | Characterization of a cusum model-based sensor attack detector | |
| US10612444B2 (en) | System and method for fault diagnosis in emission control system | |
| US20080154811A1 (en) | Method and system for verifying virtual sensors | |
| JP2010530179A (ja) | 仮想センサ・システムおよび方法 | |
| CN110121708B (zh) | 设计虚拟传感器的过程、对应的虚拟传感器、系统和计算机程序产品 | |
| CN102565274A (zh) | 一种电厂scr脱硝系统中催化剂活性的修正方法 | |
| JP5186278B2 (ja) | 外れ値検出方法、外れ値検出装置およびプログラム | |
| CN114929366A (zh) | 预测装置、成套设备、预测方法、程序以及配置程序 | |
| CN112461995A (zh) | 一种预测火电厂氨逃逸的方法 | |
| JP2021125196A (ja) | 予測装置、プラント、予測方法、プログラム、及び、コンフィギュレーションプログラム | |
| KR102281488B1 (ko) | 데이터 보정 기술을 적용한 화력발전소의 연료 발열량 보정 방법 | |
| CN112016248A (zh) | 一种基于Elman神经网络SCR脱硝系统不良数据辨识方法 | |
| US7840391B2 (en) | Model-diversity technique for improved proactive fault monitoring | |
| JP5656746B2 (ja) | 脱硝触媒の劣化判断方法 | |
| JP5773620B2 (ja) | センサ異常判定装置及びセンサ異常判定方法 | |
| JP6278296B2 (ja) | 排ガス処理設備管理装置、排ガス処理設備、排ガス処理設備管理方法及びプログラム | |
| CN112862180A (zh) | 一种脱硝系统入口NOx浓度预测方法 | |
| RU2306592C1 (ru) | Способ активной идентификации линейных объектов управления | |
| CN116272360A (zh) | 基于scr脱硝系统出口氮氧化物浓度预测的脱硝方法及系统 | |
| CN117552859A (zh) | 一种dpf故障的诊断方法、装置、设备及存储介质 | |
| KR20230044668A (ko) | 딥러닝을 활용한 scr 촉매의 nh3 슬립 예측 시스템 및 그 방법 | |
| CN115114857A (zh) | 脱硝催化剂性能在线评估方法、装置、设备及存储介质 | |
| Li et al. | Data-Enabled Real-Time Modeling for Production Systems with Variable Cycle Time | |
| Mohammadnia et al. | A New Comprehensive Sensor Network Design Methodology for Complex Nonlinear Process Plants | |
| TW202424803A (zh) | 氮氧化物的預測方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |