JP2018177869A - コークス炉の押出負荷予測装置、押出負荷予測方法、コンピュータプログラム及びコンピュータ読み取り可能な記憶媒体 - Google Patents

Abstract

【課題】押出負荷の突発増大の発生を予測するコークス炉の押出負荷予測装置を提供する。【解決手段】コークス炉の押出負荷の突発増大の発生を予測するコークス炉の押出負荷予測装置であって、操業実績データを入力情報、押出負荷の増加量が所定の値以上となる確率値を出力情報として、アンサンブル学習により、押出負荷の突発増大を検知する予測モデルを構築する予測モデル構築部と、オンラインにて測定された操業実績データを入力情報として、予測モデルに基づいて押出負荷の増加量が所定の値以上となる確率値を算出する突発増大確率値算出部と、確率値に基づいて、押出負荷の突発増大の発生を判定する判定部と、を備える。【選択図】図４

Description

本発明は、コークス炉の押出負荷の突発増大を予測する技術に関し、より詳細には、十分な予兆が見られず予測が難しい押出負荷の突発増大を予測するコークス炉の押出負荷予測装置、押出負荷予測方法、コンピュータプログラム及びコンピュータ読み取り可能な記憶媒体に関する。

コークス炉操業では、操業トラブルである押詰まり、および、炉体への損傷につながる押出負荷の高値（以下、「高負荷」ともいう。）の予測及び予防が要求される。押出負荷は、押出しトルクの最大値、または、押出機による押出時にコークスケーキが動き出すときのトルク値であり、これらの値が高くなると操業トラブルが発生する可能性が高くなる。また、押詰まりとは、炭化室内のコークスケーキが詰まって押出機のトルクの限界値でも押出せない状態をいう。押詰まり及び高負荷の一部は、押出機による直前の押出し時に高負荷であったりするため、直前の押出負荷から、独立成分分析（Independent component analysis；ＩＣＡ）による波形特徴量を用いた押詰まり予測や回帰モデルによる押出負荷推定等の従来技術を適用することで予測可能である。

独立成分分析による波形特徴量を用いた押詰まり予測としては、例えば特許文献１には、独立成分分析を用いて押出力チャートから特徴量を抽出し、その特徴量の時系列変化からコークス炉の押詰まりを予測する操業品質予測装置が開示されている。また、特許文献２には、押出力チャートの特徴量（ＩＣＡの独立成分）あるいは操業変数を二次元座標で視覚的に表示することで操業解析を行うデータ分析支援装置が開示されている。これらは、押出しトルク波形に現れる特徴的な変化を捉えて押詰まりの発生の有無を予測する手法である。

一方、回帰モデルによる押出負荷推定については、例えば特許文献３には、窯毎の線形回帰推定式に基づいて炭化室からコークスを押し出す際に必要な押出力を推定するコークスの押出力の推定方法が開示されている。また、特許文献４には、窯毎の線形回帰推定式を利用して炭化室からコークスを押し出す際にコークスの押詰りが発生する確率を算出して押詰まり発生を予測するコークスの押詰り確率推定方法が開示されている。

特許第５７７２５４６号公報 特許第５８３８８９６号公報 特許第５５８９６８２号公報 特許第５８５３３５４号公報

JH Friedman,"Greedy Function Approximation:A Gradient Boosting Machine"(1999) 元田浩ほか著、データマイニングの基礎、オーム社

しかし、発生件数は少ないが、図１１に示すように、直前の押出負荷までは正常な値でありながらも、次回の押出しにおいて突発的に押出負荷の値が大きくなったり（以下、「押出負荷の突発増大」ともいう。）、最悪の場合には押詰まりが発生してしまうようなケースも存在する。このような押出負荷の突発増大の発生予測は、押詰まりの予防及び炉体への負荷の低減につながるため、現場のニーズは高い。しかし、コークス炉のカーボン成長や煉瓦損傷等が要因で押出負荷が徐々に増大するケースとは異なり、発生前の押出負荷において押出負荷の高値や、押出しトルクのチャートにおける特徴的な波形変化等の予兆が十分に見られないため、従来技術では突発増大の予測が困難であった。上記特許文献１〜４においても、押詰まりまたは押出負荷の大きさ（絶対値）の予測を対象としており、押出負荷の突発増大を予測するのは難しい。

そこで、本発明は、上記問題に鑑みてなされたものであり、本発明の目的とするところは、押出負荷の突発増大の発生を予測することが可能な、新規かつ改良された、コークス炉の押出負荷予測装置、押出負荷予測方法、コンピュータプログラム及びコンピュータ読み取り可能な記憶媒体を提供することにある。

上記課題を解決するために、本発明のある観点によれば、コークス炉の押出負荷の突発増大の発生を予測するコークス炉の押出負荷予測装置であって、操業実績データを入力情報、押出負荷の増加量が所定の値以上となる確率値を出力情報として、アンサンブル学習により、押出負荷の突発増大を検知する予測モデルを構築する予測モデル構築部と、オンラインにて測定された操業実績データを入力情報として、予測モデルに基づいて押出負荷の増加量が所定の値以上となる確率値を算出する突発増大確率値算出部と、確率値に基づいて、押出負荷の突発増大の発生を判定する判定部と、を備える、コークス炉の押出負荷予測装置が提供される。

コークス炉の押出負荷予測装置は、予測モデル構築部における予測モデルの構築に用いる教師データを選定する教師データ選定部をさらに備え、教師データ選定部は、突発増大の発生する１回前の押出時の操業実績データを異常データとして教師データに選定してもよい。

また、教師データ選定部は、突発増大発生前のＬ回の押出時の押出負荷がいずれも高負荷でない場合に、突発増大の発生する１回前の押出時の操業実績データを異常データとして教師データに選定してもよい。

教師データ選定部は、突発増大の発生する１回前の押出時の操業実績データを異常データとすることに替えて、突発増大の発生する１回前からＭ回前までの押出時の操業実績データを異常データとし、突発増大の発生する１回前から遡る回数Ｍの値は、当該回数Ｍを変化させて構築された複数のモデルのうち、最も精度の高いモデルが得られる値に設定してもよい。

判定部は、確率値が閾値以上であるとき、押出負荷の突発増大が発生すると判定してもよい。

予測モデル構築部は、ＧＢＤＴ（Gradient Boosting Decision Tree）をモデリング手法として用いて予測モデルを構築してもよい。

予測モデル構築部は、予測モデルに入力される入力変数の寄与度を算出し、寄与度の高い順に入力変数を選定してもよい。

また、上記課題を解決するために、本発明の別の観点によれば、コークス炉の押出負荷の突発増大の発生を予測するコークス炉の押出負荷予測方法であって、操業実績データを入力情報、押出負荷の増加量が所定の値以上となる確率値を出力情報として、アンサンブル学習により、押出負荷の突発増大を検知する予測モデルを構築する予測モデル構築ステップと、オンラインにて測定された操業実績データを入力情報として、予測モデルに基づいて押出負荷の増加量が所定の値以上となる確率値を算出する突発増大確率値算出ステップと、確率値に基づいて、押出負荷の突発増大の発生を判定する判定ステップと、を含む、コークス炉の押出負荷予測方法が提供される。

さらに、上記課題を解決するために、本発明の別の観点によれば、コンピュータを、操業実績データを入力情報、コークス炉の押出負荷の増加量が所定の値以上となる確率値を出力情報として、アンサンブル学習により、押出負荷の突発増大を検知する予測モデルを構築する予測モデル構築部と、オンラインにて測定された操業実績データを入力情報として、予測モデルに基づいて押出負荷の増加量が所定の値以上となる確率値を算出する突発増大確率値算出部と、確率値に基づいて、押出負荷の突発増大の発生を判定する判定部と、を備える、コークス炉の押出負荷予測装置として機能させるコンピュータプログラムが提供される。

また、上記課題を解決するために、本発明の別の観点によれば、コンピュータに、操業実績データを入力情報、コークス炉の押出負荷の増加量が所定の値以上となる確率値を出力情報として、アンサンブル学習により、押出負荷の突発増大を検知する予測モデルを構築する予測モデル構築部と、オンラインにて測定された操業実績データを入力情報として、予測モデルに基づいて押出負荷の増加量が所定の値以上となる確率値を算出する突発増大確率値算出部と、確率値に基づいて、押出負荷の突発増大の発生を判定する判定部と、を備える、コークス炉の押出負荷予測装置として機能させるためのプログラムを記憶したコンピュータ読み取り可能な記憶媒体が提供される。

以上説明したように本発明によれば、押出負荷の突発増大の発生を予測することが可能となる。

コークス炉設備の概略構成を示す概略説明図である。 ＧＤＢＴによる突発増大発生確率の算出例を示す説明図である。 ＧＤＢＴを用いた突発増大の発生を予測する予測モデルの構築処理の概念を示す説明図である。 本発明の一実施形態に係る押出負荷予測装置の一構成例を示す機能ブロック図である。 教師データ選定において突発増大ケースが教師データとして採用される例を示す説明図である。 教師データ選定において突発増大ケースが教師データとして採用されない例を示す説明図である。 同実施形態に係る押出負荷予測装置による押出負荷の突発増大発生予測処理を示すフローチャートである。 複数のモデルについて、寄与度の高い順に入力変数を並べたときの一例を示す説明図である。 対策アクションの一例を示す説明図である。 本発明の一実施形態に係る押出負荷予測装置のハードウェア構成を説明するブロック図である。 コークス炉の押出負荷の突発増大が発生したときの押出負荷の変化を示す説明図である。

以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。

＜１．概要＞
まず、図１〜図３に基づいて、本発明の一実施形態に係るコークス炉の押出負荷予測装置の概要について説明する。図１は、コークス炉設備の概略構成を示す概略説明図である。図２は、ＧＤＢＴ（Gradient Boosting Decision Tree）による突発増大発生確率の算出例を示す説明図である。図３は、ＧＤＢＴを用いた突発増大の発生を予測する予測モデルの構築処理の概念を示す説明図である。

［１−１．目的］
本実施形態に係るコークス炉の押出負荷予測装置は、コークス炉において炭化室内のコークスを押出機によって押し出す際の押出負荷の突発増大を予測する。コークス炉設備１は、図１に示すように、原料となる石炭（原料炭）を乾留しコークスを製造するコークス炉３０を備える設備である。石炭ヤードからベルトコンベアによって搬送された原料炭は、コークス炉３０の上方に設置された石炭塔１０に一時的に貯蔵される。石炭塔１０は、コークス炉３０の各窯に石炭を搬送し装入する装入車２０に対して、適宜、石炭を補給する。装入車２０によって窯に挿入された石炭は、乾留された後、押出機４０の押出しラム４２によってガイド車５０側へ排出され、消火車６０により搬送される。コークス炉設備１の操業は、中央制御室のオペレータによって監視されている。

このようなコークス炉設備１の操業においては、操業トラブルとなる押詰まりや押出負荷の高値の予測及び予防が重要であり、従来から押出機による直前の押出し時の押出負荷に基づいて次回の押出負荷を予測する手法が提案されている。しかし、従来の手法では、押詰まり発生前に押出しトルクに予兆があるという前提で次回の押出負荷を予測しており、押出しトルクに十分な予兆が見られない突発増大の発生判定は難しく、判定基準を緩めると過検知数が多くなる。押出負荷の突発増大が予測される度にオペレータは対策の要否を実際に確認する必要があるが、過検知数が多くなると必要以上の作業が発生してしまう。このように、従来の手法では、実用性が低い予測モデルが構築されることになる。また、押出負荷の突発増大は、予兆が十分に現れないため予測が難しいことに加え、発生件数が少ないため、十分な教師データ数を確保できず予測モデルの構築が容易ではない。

そこで、本実施形態に係るコークス炉の押出負荷予測装置では、予測が難しい押出負荷の突発増大の発生を予測するため、押出負荷の突発増大発生の予測モデルを、アンサンブル学習を用いて構築する。押出負荷の突発増大の発生が予測可能となることで、当該予測により適切な対策アクションを行うことができる。また、高負荷または押詰まりの発生に対する予防が可能となり、炉体への負荷を低減し、炉体を延命することが可能となる。

［１−２．アンサンブル学習による予測モデル構築］
本実施形態に係るコークス炉の押出負荷予測装置による予測モデルの構築処理を、以下説明する。本実施形態では、押出負荷の突発増大が発生していた突発増大発生データと正常状態データとを過去実績データから選定し、選定したデータを教師データとして予測モデルを構築する。予測モデルの入力変数と出力変数との例としては、例えば以下の変数が考えられる。

［入力変数］
押出しトルク（チャートの代表値：最大値（押出負荷））、コークスケーキ温度（チャートの代表値：最大値、平均値）、炭化時間、火落ち時間、置き時間、装入量、装入炭膨張量、装入炭水分、装入炭揮発分、カーボンランス焼却時間、カーボンランス焼却時のＣＯ濃度等の操業実績データ
［出力変数］
次回押出し時に押出負荷の増大量ΔＰが所定の値以上となる確率

本実施形態においては、教師データは、正常データ数と異常データ数とが不均等である（すなわち、インバランスデータである）ということもあり、異常と正常を分ける判定曲面が複雑になる。そこで、本実施形態では予測モデルを構築するためのモデリング手法にＧＢＤＴ（Gradient Boosting Decision Tree；非特許文献１参照）を使用する。ＧＢＤＴは、Random Forestと類似手法であり、複数の決定木を組み合せるアンサンブル学習による学習モデルの１つである。なお、アンサブル学習は、別名コミッティー学習とも呼ばれ、分類器（モデル）を複数組み合わせ、それらの結果を統合することによって、個々の分類器よりも予測精度を向上させる方法である（非特許文献２参照）。アンサンブル学習では、複数の分類器を組み合せることにより、１つの分類器では作成できない複雑な判定曲面を作成することが可能とする。

なお、学習データのサブサンプリングを利用し、複数のモデルを組み合せる方法として、例えばバギングやブースティング等がある。バギングとは、復元抽出によってデータ集合を複数個作成し、おのおのに同じ学習アルゴリズムを適用し、構築された複数個のモデルを組み合せる手法であり、学習モデルとしては、例えばRandom Forest等がある。また、ブースティングとは、モデルが苦手とするデータを相補するように、逐次的に新たなモデルを構築し組み合わせていく手法であり、学習モデルとして、例えばＧＢＤＴ等がある。

以下では、説明を簡単にするため、図２及び図３に示すように、入力変数として押出負荷ｘ１と炉壁温度ｘ２との２変数を用いた場合について、ＧＢＤＴを用いた予測モデルの構築処理を説明する。なお、ｍは学習回数を示す。

［Ｓｔａｒｔ：教師データの用意］
まず、予測モデルを構築するために必要な教師データが用意される。教師データは、予測モデルの構築のために操業実績データｘ＝（ｘ１，ｘ２）から選択したデータであり、それぞれの操業実績データに対し、正常の場合に０、異常の場合に１を値として取る「異常有無変数」を加えたデータである。ここで、次回の押出し時に押出負荷の突発増大が発生した場合に異常とする。例えば図３に示すような正常データ（異常有無変数が０である教師データ）と異常データ（異常有無変数が１である教師データ）とが用意されたとする。操業実績データからの教師データの選定方法については後述する。

［学習０回目（ｍ＝０）：初期の確率値の算出］
まず、初期処理として、全教師データを用いて突発増大が発生する確率値を下記式（１）に基づきを算出する。このとき作成されるモデルｆ_０は、全体が操業実績データｘによらず一定値となるモデルである。

例えば、図３に示す例では、異常データ（×）の数と正常データ（○）の数とが同数であるので、ｆ_０（ｘ）は０．５となる。

［学習１回目（ｍ＝１）：誤差に対するモデルの追加］
次に、各操業実績データｘについてｆ_０（ｘ）とｙｔとの誤差（ｙｔ−ｆ_０（ｘ））を算出し、その誤差に基づきモデルｆ_０との誤差を補正するモデルｈ_１（ｘ）を算出し、モデルｆ_０（ｘ）へ追加する。かかるモデルｈ_１（ｘ）は、入力情報をｘ、出力情報を誤差値として決定木を構築して決定されるものであり、図２の学習２回目の決定木ｈ_１に相当する。学習１回目におけるモデルｆ_１（ｘ）は、下記式（２）により表される。すなわち、学習１回目におけるモデルｆ_１（ｘ）は、初期のモデルｆ_０（ｘ）に決定木ｈ_１が追加されたものとなる。

図２の決定木ｈ_１において、ｓ_１ ^ｍ＝１は押出負荷に対する分割条件の値であり、ｓ_２ ^ｍ＝１は炉壁温度に対する分割条件の値である。すなわち、押出負荷に関して各操業実績データｘの変数ｘ１を分割条件の値ｓ_１ ^ｍ＝１で切り分け、炉壁温度に関して各操業実績データｘの変数ｘ２を分割条件の値ｓ_２ ^ｍ＝１で切り分ける。これにより、操業実績データｘのうち、変数ｘ１が分割条件の値ｓ_１ ^ｍ＝１より大きく、かつ、変数ｘ２が分割条件の値ｓ_２ ^ｍ＝１より大きい領域Ａと、全体領域から領域Ａを除いた領域Ｂとを決定する決定木ｈ_１が構築される。図３においては、領域Ａはハッチングで表され、領域Ｂは領域Ａ以外の白領域で表されている。

ここで、図３の例では、領域Ａは異常データの存在領域、領域Ｂは正常データの存在領域としておおよそ区分されているが、領域Ｂ中には一部異常データが含まれている（枠Ｑの異常データ）。枠Ｑの異常データの確率値は、下記式（３）のように計算される。

図３において追加される決定木ｈ_１に関しては、まず誤差と入力変数から決定木ｈ_１’を構築する。決定木ｈ_１’の構築後、決定木ｈ_１’の分割条件を活用し、領域Ａ及び領域Ｂのそれぞれの領域における教師データに対する１つ学習前のモデルｆ_０（ｘ）と組み合わせたときのモデル誤差（誤差二乗値）を最小化するように、決定木ｈ_１’の下位のリーフに対応する値ｌｅａｆ１、ｌｅａｆ２、ｌｅａｆ３を算出する。すなわち、値ｌｅａｆ１、ｌｅａｆ２、ｌｅａｆ３は、下記式（３’）に基づき算出される。

このように学習１回目により構築されたモデルｆ_１（ｘ）は、図３の枠Ｑの異常データを適切に切り分けられておらず、誤差（１−０．２＝０．８）が残っているので、次の学習でその誤差を補正する。

［学習２回目（ｍ＝２）：更なる誤差補正のためのモデルの追加］
次に、各操業実績データｘについてｆ_１（ｘ）とｙｔとの誤差（ｙｔ−ｆ_１（ｘ））を算出し、その誤差に基づきモデルｆ_１（ｘ）との誤差を補正するモデルｈ_２（ｘ）を算出し、モデルｆ_１（ｘ）へ追加する。かかるモデルｈ_２（ｘ）は、入力情報をｘ、出力情報を誤差値として決定木を構築して決定されるものであり、図２の学習２回目の決定木ｈ_２に相当する。学習２回目におけるモデルｆ_２（ｘ）は、下記式（４）により表される。すなわち、学習２回目におけるモデルｆ_２（ｘ）は、学習１回目のモデルｆ_１（ｘ）に決定木ｈ_２が追加されたものとなる。

図２の決定木ｈ_２において、ｓ_１ ^ｍ＝２は押出負荷に対する分割条件の値であり、ｓ_２ ^ｍ＝２は炉壁温度に対する分割条件の値である。すなわち、押出負荷に関して各操業実績データｘの変数ｘ１を分割条件の値ｓ_１ ^ｍ＝２で切り分け、炉壁温度に関して各操業実績データｘの変数ｘ２を分割条件の値ｓ_２ ^ｍ＝２で切り分ける。これにより、操業実績データｘのうち、変数ｘ１が分割条件の値ｓ_１ ^ｍ＝２より大きく、かつ、変数ｘ２が分割条件の値ｓ_２ ^ｍ＝２以下の領域Ｄと、全体領域から領域Ｄを除いた領域Ｃとを決定する決定木ｈ_２が構築される。図３においては、領域Ｄはハッチングで表され、領域Ｃは領域Ｄ以外の白領域で表されている。

図３の例では、領域Ｄは、学習１回目のモデルでは切り分けられなかった枠Ｑの異常データが存在する領域として、全体領域から切り分けられている。学習２回目のモデルによる枠Ｑの異常データの確率値は、下記式（５）のように計算される。モデルｈ_２を追加することで、モデル精度が向上されていることがわかる。

なお、決定木ｈ_２は、上記式（３’）に示した決定木ｈ_１と同様な方法で、分割条件を導出した後に実績データとのモデル誤差に基づき決定木のリーフ値を算出し、構築される。このようなモデルの追加処理は、構築されたモデルに残る誤差の大きさが所定値以下となるまで行われ、所定のモデル精度が得られるまで繰り返し実行される。

［Ｅｎｄ：予測モデル確定］
構築されたモデルに残る誤差が所定値以下になった、または、学習回数が所定回数以上になった場合に、計算を終え、最終的に得られたモデルを予測モデルとする。図３の場合には、学習２回目で正常データと異常データとをほぼ区別するモデルが構築できたと判定し、学習２回目で得られたモデルを予測モデルとする（式（６））。

なお、図２及び図３では、操業実績データを比較的区別しやすい例で説明したが、多次元で正常データと異常データが散布図上では混ざり合う場合についても、アンサンブル学習を用いることで、精度の高い予測モデルを構築することが可能である。

［１−３．予測モデルの特徴］
（１）ＧＢＤＴの適用
上述のように、本実施形態では、押出負荷の突発増大の発生を予測する予測モデルを、アンサンブル学習であるＧＢＤＴを用いて構築する。本実施形態に係る押出負荷予測装置が予測対象とする押出負荷の突発増大については、実際は、正常データ数と異常データ数とが不均等（インバランスデータ）であり異常データ数が圧倒的に少ない上、正常データと異常データとが混在する。このような状況から、従来手法においては、教師データ数を増加させたとしても、適切な判定曲面を構築することが難しい。そこで、本実施形態ではＧＢＤＴを用いて予測モデルを構築する。

ＧＢＤＴはブースティングによって複数決定木を構築し組み合わせる手法で、ＧＢＤＴでは、学習の初期段階で比較的判定が容易な大半の正常データを適切に判定するモデルが構築された後に、誤差の残っている領域について適切なモデルを追加することにより、正常データと異常データとを正確に区別可能な複雑な判定曲面を構築することができる。これにより、過検知数が少なく、押出負荷の突発増大も予測可能なモデルを構築できる。

（２）押出負荷の増大有無予測
例えば、上記特許文献３、４等の統計回帰モデル推定を行う従来手法では、押出負荷の絶対値が予測されている。しかしながら、押出負荷の絶対値を精度よく予測することは容易ではない。なぜならば、窯毎に煉瓦摩耗状態やカーボン付着傾向等の炉内状態が異なるため、操業安定時の押出負荷の絶対値も窯毎で異なるからである。この予測は容易ではない。

そこで、本実施形態に係る押出負荷予測装置では、予測対象を押出しの１回前の押出負荷からの増大量（相対値）とすることで、窯の特徴による押出負荷への影響を低減し、予測精度を高める。さらに、相対値の予測において連続値の予測をするのではなく、所定の値以上の増大量となる確率を予測対象に扱うことで、特定の押出負荷の増大を精度よく検知することが可能となる。この点についての詳細は後述する。

＜２．構成例＞
以下、図４〜図９に基づいて、本実施形態に係るコークス炉の押出負荷の突発増大を予測する押出負荷予測装置の一構成例と、これにより実行される処理について説明する。

［２−１．押出負荷予測装置の機能構成］
まず、図４に基づいて、本実施形態に係る押出負荷予測装置１００の一構成例を説明する。図４は、本実施形態に係る押出負荷予測装置１００の一構成例を示す機能ブロック図である。本実施形態に係る押出負荷予測装置１００は、図４に示すように、モデル構築処理部１１０と、予測処理部１２０とを含む。

ここで、各機能部について説明する前に、本実施形態において予測対象とする、言い換えると予測モデルの学習対象とする「押出負荷の突発増大」について詳細に説明する。「押出負荷の突発増大」とは、直前（「Ｎ回目」とする。）の押出負荷までは「正常値」でありながらも、次回（「Ｎ＋１」回目とする。）の押出しにおいて「突発的に押出負荷の値が大きくなる」現象である。「正常値」とは、コークス炉毎に正常操業時の値として設定される値である。正常値のレベルの決め方は様々に選択しうるが、例えば、炉または窯を対象としたときの、一定期間（例えば、１か月間、１年間等）の押出負荷の平均値や中央値等を用いることができる。「突発的に押出負荷の値が大きくなる」とは、操業現場において押出負荷に問題が無いかどうかを管理するために設定された管理値と正常値との差分以上に押出負荷が増加することを指す。例えば、管理値が４５トンであり、正常値が３０トンである場合には、直前の押出負荷から１５トン以上増加する場合に「突発的に押出負荷の値が大きくなる」とする。

ただし、「押出負荷の突発増大」に該当するかどうかは、直前（Ｎ回目）の押出負荷が正常値である場合のみに限定するものではなく、正常値から一定の範囲以内である場合にも「押出負荷の突発増大」として取り扱ってもよい。例えば、直前（Ｎ回目）の押出負荷が正常値から２σ未満の範囲にある場合も、「押出負荷の突発増大」の判定対象としてもよい。押出負荷が正常値から２σ以上である場合は、いわゆる「高負荷」の状態であり、本実施形態では４０トンと設定している。したがって、「押出負荷の突発増大」とされるのは、直前（Ｎ回目）の押出負荷までは高負荷となっておらず、次回（Ｎ＋１回目）に管理値と正常値との差分以上に押出負荷が増加する場合となる。「押出負荷の突発増大」は、すなわち「異常」であり、前述の異常有無変数の値を１とする。「押出負荷の突発増大」以外のケースについては、前述の異常有無変数の値を０とする。

また、教師データの選定方法については、操業実績データのうちで、「押出負荷の突発増大」が生じたデータを全て教師データとすることも可能であるが、本実施形態においては、明確な予兆が現れないという突発増大の特徴に注目し、モデルの学習精度、すなわち突発増大発生の予測精度を向上させるために、以下の様に教師データを選定する。すなわち、直前（Ｎ回目）に高負荷になっていないだけではなく、更に遡って過去の複数回（Ｌ回とする）の押出においても高負荷になっていない場合に、そのときの実績データを教師データとして採用する。複数回（Ｌ回）としては、例えば２回（Ｎ回目、Ｎ−１回目、Ｎ−２回目）を選択することができる。この様に教師データが選択された中で、次回（Ｎ＋１回目）に「押出負荷の突発増大」が発生した場合には、異常有無変数の値を１とし、発生しなかった場合には０とする。

（モデル構築処理部）
モデル構築処理部１１０は、オフラインにて、過去の操業実績データに基づき、コークス炉の押出負荷の突発増大を予測する予測モデルを構築するための処理を実行する。モデル構築処理部１１０は、図４に示すように、教師データ選定部１１１と、予測モデル構築部１１３とを含む。

教師データ選定部１１１は、予測モデルを構築する際に教師データとして用いる過去の操業実績データを上記の様に選定する。過去の操業実績データとしては、例えば過去の一定期間の押出し負荷、コークスケーキ温度、押出負荷の増大量、コークスケーキ温度の増大量、および、装入量や炭化時間等の操業条件データ等が用いられ、データ蓄積部１０２に過去の操業実績データとして収集されている。

ここで、図５および図６の例に基づき、異常有無変数と教師データ採用変数との与え方を説明する。教師データ採用変数とは、教師データとして採用する操業実績データに対して「１」を与える変数をいう。まず、図５に示す例では、押出し回数Ｎ＝９において負荷増大が１５トン以上となる突発増大が発生している。このとき、押出し回数Ｎ＝８のデータが異常データに相当し、当該データの異常有無変数を「１」とする。一方、それ以外のデータに対しては、異常有無変数に「０」を与える。次に、教師データ採用変数としては、押出し回数Ｎ＝９のデータは負荷増大が１５トン以上となる突発増大が発生したときのデータであるため、当該データの教師データ採用変数は「０」とする。また、突発増大発生後の押出し回数Ｎ＝１０〜１３のデータについては、押出し回数Ｎ、Ｎ−１、Ｎ−２回の押出負荷が４０トン以上となる高負荷を含んでいるので、押出し回数Ｎ＝１０〜１３のデータについても教師データ採用変数は「０」とする。これら以外のデータに関しては教師データ採用変数に「１」を与える。

一方、図６では、押出し回数Ｎ＝１０のときに負荷増大が１５トン以上となる突発増大が発生しているので、図５と同様に、押出し回数Ｎ＝９のデータの異常有無変数に「１」を与え、それ以外のデータの異常有無変数に「０」を与える。しかしながら、その直前の押出し回数Ｎ＝８での押出負荷は４０トン以上で高負荷であり、押出負荷に予兆が見られる。このため、押出し回数Ｎ＝９のデータは教師データには採用せず、教師データ採用変数に「０」を与える。押出し回数Ｎ＝１０のデータは突発増大が発生したときのデータであることから教師データ採用変数に「０」を与える。また、突発増大発生後の押出し回数Ｎ＝１１〜１３のデータについては、押出し回数Ｎ、Ｎ−１、Ｎ−２回において４０トン以上の高負荷を含んでいるため、教師データには使用せず、教師データ採用変数を「０」とする。これら以外のデータについては、教師データ採用変数に「１」を与える。

予測モデル構築部１１３は、教師データ選定部１１１により選定された教師データを用いて、所定の値以上となる突発増大が発生する確率を予測する予測モデルを構築する。ここで、本実施形態では、突発増大を、１回前の押出しからの増大量（相対値）により規定する。これにより、窯の特徴による押出負荷への影響を低減し、予測精度を高める。予測モデル構築部１１３は、上述したように、ＧＢＤＴを用いて予測モデルを構築する。予測モデル構築部１１３は、モデルの入力変数の寄与度を算出し、寄与度が上位となるモデルの入力変数を選定し、クロスバリデーション評価によって適切なモデルパラメータを探索してから、精度の良いモデルを構築してもよい。ＧＢＤＴのパラメータとしては、例えば学習係数、学習回数、決定木の深さ、及び、サンプリング比率等がある。

（予測処理部）
予測処理部１２０は、モデル構築処理部１１０にて構築された予測モデルを用いて、オンラインにて押出負荷の突発増大を検知する。予測処理部１２０は、図４に示すように、突発増大発生確率算出部１２１と、判定部１２３とを含む。

突発増大発生確率算出部１２１は、オンラインデータとして入力される操業実績データに基づき、予測モデルを用いて突発増大の発生確率を算出する。オンラインデータとして入力される操業実績データとしては、例えば押出負荷、コークスケーキ温度、押出負荷の増大量、コークスケーキ温度の増大量、及び、装入量や炭化時間など操業条件データ等がある。突発増大発生確率算出部１２１は、予測モデル構築部１１３により構築された予測モデルに基づいて、入力されたオンラインデータを用いて、押出負荷の突発増大が発生する確率（以下、「発生確率」ともいう。）を算出する。

判定部１２３は、突発増大発生確率算出部１２１により算出された押出負荷の突発増大の発生確率を評価し、次回の押出しにて押出負荷の突発増大が発生する可能性を判定する。ここで、判定部１２３は、押出負荷の突発増大の発生確率をそのまま判定結果としてもよい。あるいは、判定部１２３は、算出された発生確率が、押出負荷の突発増大が発生する可能性が高いと判定するレベル（以下、「判定閾値」ともいう。）よりも高いか否かよって、次回の押出しにて押出負荷の突発増大が発生するかどうかを評価してもよい。判定部１２３は、判定結果をディスプレイやスピーカ等の出力部（図示せず。）に出力し、出力部を介してユーザに判定結果を通知する。

［２−２．押出負荷の突発増大発生予測処理］
図７に、本実施形態に係る押出負荷予測装置１００による押出負荷の突発増大発生予測処理を示す。押出負荷の突発増大発生予測処理は、図７に示すように、オフラインで実行されるモデル構築処理と、オンラインで実行される予測処理とを含む。

（１）モデル構築処理
本実施形態に係る押出負荷予測装置１００は、まず、オフラインにてモデル構築処理部１１０により予測モデルを構築する。図７に示すように、モデル構築処理部１１０は、まず、教師データ選定部１１１により、データ蓄積部１０２から過去の操業実績データを収集する（Ｓ１００）。教師データ選定部１１１により収集される操業実績データとしては、例えば過去の一定期間の押出しトルク、コークスケーキ温度、及び、装入量や炭化時間等の操業条件データ等がある。

次いで、教師データ選定部１１１は、収集した過去の操業実績データから、教師データを作成する（Ｓ１１０）。教師データ選定部１１１は、所定の押出負荷の突発増大が発生している直前のデータを異常データとして選定する。ここで、突発増大のデータ（Ｎ＋１回目）、および、突発増大発生直後（Ｎ＋２回目以降）で高負荷となるデータは教師データとしては使用せず、これらのデータと異常データを除いたデータを正常データとして選定する。教師データ選定部１１１は、異常データと正常データとを組み合わせて教師データを作成する。

なお、教師データにおける異常データを選定する際には、次回の押出しにおける突発増大発生の予測として、突発増大が発生した押出しから１回前の押出しにおける異常有無変数を「１」としたが、本発明はかかる例に限定されない。どれだけ過去にさかのぼって考慮するかは、上述のように１回前までと限定されるものではなく、例えば、過去Ｍ回前までを考慮し、これらの異常有無変数を「１」としてもよい。このとき、突発増大の発生する１回前から遡る回数Ｍは、例えば、その値を複数変更してそれぞれに対応するモデルを複数構築し、モデル毎にクロスバリデーション評価等を行うことで、最も精度の良いモデルが得られたときの値を採用してもよい。

教師データが選定されると、予測モデル構築部１１３は、教師データを用いて、所定の値以上となる突発増大が発生する確率を予測する予測モデルを構築する（Ｓ１２０）。予測モデル構築部１１３は、上述したように、ＧＢＤＴを用いて予測モデルを構築する。

ここで、予測モデル構築部１１３は、予測モデル構築にあたり、モデルの入力変数を、モデル精度への寄与度（重要度）に応じて選定してもよい。例えば、アンサンブル学習により構築されるモデルの寄与度として、例えばエントロピーやジニ係数等がある。例えば、ジニ係数は、分布の不純度の尺度（すなわち、正常データと異常データとの混在程度）を表す係数である。ジニ係数の値が大きいほど、領域分割結果のばらつきが大きく、正常データと異常データとが混在している状態であり、ジニ係数の値が小さいほど、領域分割結果のばらつきが小さく、正常データと異常データとがあまり混ざらず分別されている状態である。入力変数のモデルへの寄与度は、ある変数を用いて分割した場合に、ジニ係数がどこまで下がったかによって評価される。

予測モデル構築部１１３は、全入力変数を用いてモデルを作成し、各変数の寄与度を算出して寄与度の高い上位変数を入力変数として選定し、選定された入力変数を用いて予測モデルを再構築してもよい。あるいは、予測モデル構築部１１３は、選定された上位変数からモデルの入力変数を選定し、クロスバリデーション評価によって適切なモデルパラメータを探索することで、より高精度のモデルを構築してもよい。

また、本実施形態では、入力変数として、複数モデルに共通する入力変数を選定してもよい。ＧＢＤＴでは学習時にランダムサンプリングを活用しており、作成したモデル毎に変数の寄与度の順が異なってくる。そこで、入力変数の絞り込みにおいて、学習データを用いて全変数を入力変数とするモデルを複数個作成し、各モデルについて、各入力変数の寄与度を算出し、複数モデルに共通かつ寄与度の高い変数を、モデルの入力変数として再選定してもよい。

例えば、図８は、ある学習データについて全変数を入力変数として構築された５つのモデルについて、寄与度の高い順に入力変数を並べた例である。図８では、寄与度が上位６つの入力変数を示している。ここで、５つのモデルのうち４つ以上のモデルに共通であり、かつ、寄与度が上位６つ以内であるものを、複数モデルに共通かつ寄与度の高い変数として選定したとする。このとき、図８の例では、「押出負荷の増大量（押出し回数Ｎ回目）」、「置き時間（押出し回数Ｎ回目）」、「炭化時間（押出し回数Ｎ回目）」、「コークスケーキ温度平均値の増大量（押出し回数Ｎ回目）」、「コークスケーキ温度平均」及び「膨張圧（押出し回数Ｎ回目）」がモデルの入力変数として再選定されることになる。

予測モデル構築部１１３は、選定した入力変数を用いて、ＧＢＤＴにより予測モデルを構築する。構築された予測モデルは、オンラインでの予測処理に用いられる。

（２）予測処理
次に、オンラインにおいて、モデル構築処理にて構築された予測モデルを用いて、押出負荷の突発増大の予測が行われる。

まず、コークスの押出しが行われると、オンラインデータとして、今回のコークスの押出しにおける押出しトルク、コークスケーキ温度、及び、装入量や炭化時間等の操業条件データが、予測処理部１２０に入力される（Ｓ２００）。オンラインデータが入力されると、突発増大発生確率算出部１２１は、入力されたオンラインデータに基づき、構築された予測モデルを用いて、次回のコークス押出し時における押出負荷の突発増大の発生確率を算出する（Ｓ２１０）。

ここで、突発増大発生確率算出部１２１は、押出負荷の増大量（相対値とする）が所定の値以上となる確率を、押出負荷の突発増大の発生確率として取り扱うことで、特定の押出負荷の増大を精度よく検知することを可能とする。また、押出負荷の増大量を予測対象とすることで、従来手法のように予測対象を押出負荷の絶対値とした場合よりも、窯の特徴の押出負荷に対する影響を低減し、予測精度を高めることができる。突発増大発生確率算出部１２１は、予測モデルを用いて、押出負荷の増大量が所定の値以上となる確率を算出する。

その後、判定部１２３は、ステップＳ２１０にて算出された発生確率が、押出負荷の突発増大が発生すると判定する基準閾値より大きいか否かを判定し、押出負荷の突発増大の発生の有無を評価する（Ｓ２２０）。基準閾値は、例えば０．５程度としてもよい。ステップＳ２２０にて発生確率が基準閾値より高く、押出負荷の突発増大の発生の可能性があると判定された場合、押出負荷の突発増大の発生時の対策アクションが実施される（Ｓ２３０）。対策アクションの一例を図９に示す。

ステップＳ２２０にて押出負荷の突発増大の発生の可能性があると判定されると、作業者に対してアラートが通知され、各作業者はそれぞれの対応を実施する。例えば、押出機４０の運転手は、窯口の状況を目視点検する。また、コークス炉の燃焼管理を行う作業者は、当該窯の燃焼状況を確認し、必要に応じて燃焼室のフリューのガス量を調整する。コークス炉の操業管理者は、操業の状況や窯口の捕集状況等を確認する。そして、次の押出し時の押出負荷を確認し、依然として高負荷である場合には、当該窯への炭素装入量を軽減し、さらに改善が見られない場合には、当該窯を空窯にする。このような対策アクションにより、高負荷または押詰まりの発生を予防することができる。

一方、ステップＳ２２０にて発生確率は基準閾値以下であり、押出負荷の突発増大の発生の可能性は低いと判定された場合には、正常状態と判定される（Ｓ２４０）。この場合、操業をそのまま継続し、次回のデータ処理を実施する。

＜３．まとめ＞
以上、本発明の実施形態に係るコークス炉の押出負荷の突発増大を予測する押出負荷予測装置とこれによる押出負荷の突発増大の予測処理について説明した。本実施形態によれば、アンサンブル学習を用いて予測モデルを構築することで、教師データの正常データ数と異常データ数とが不均等で、かつ、正常データと異常データとが混在する状況においても、適切に判定曲面を構築することが可能となる。これにより、押出しトルクに予兆が十分に見られない押出負荷の突発増大を予測可能となり、予測により適切な対策アクションを行え、高負荷または押詰まりの発生を予防して炉体への負荷を低減し炉体延命が可能となる。

＜４．ハードウェア構成＞
次に、図１０を参照しながら、本発明の実施形態に係る押出負荷予測装置１００のハードウェア構成について、詳細に説明する。図１０は、本発明の実施形態に係る押出負荷予測装置１００のハードウェア構成を説明するためのブロック図である。

押出負荷予測装置１００は、主に、ＣＰＵ９０１と、ＲＯＭ９０３と、ＲＡＭ９０５と、を備える。また、押出負荷予測装置１００は、さらに、バス９０７と、入力装置９０９と、出力装置９１１と、ストレージ装置９１３と、ドライブ９１５と、接続ポート９１７と、通信装置９１９とを備える。

ＣＰＵ９０１は、演算処理装置および制御装置として機能し、ＲＯＭ９０３、ＲＡＭ９０５、ストレージ装置９１３、またはリムーバブル記録媒体９２１に記録された各種プログラムに従って、押出負荷予測装置１００内の動作全般またはその一部を制御する。ＲＯＭ９０３は、ＣＰＵ９０１が使用するプログラムや演算パラメータなどを記憶する。ＲＡＭ９０５は、ＣＰＵ９０１が使用するプログラムや、プログラムの実行において適宜変化するパラメータなどを一次記憶する。これらはＣＰＵバスなどの内部バスにより構成されるバス９０７により相互に接続されている。

バス９０７は、ブリッジを介して、ＰＣＩ（Ｐｅｒｉｐｈｅｒａｌ Ｃｏｍｐｏｎｅｎｔ Ｉｎｔｅｒｃｏｎｎｅｃｔ／Ｉｎｔｅｒｆａｃｅ）バスなどの外部バスに接続されている。

入力装置９０９は、例えば、マウス、キーボード、タッチパネル、ボタン、スイッチおよびレバーなどユーザが操作する操作手段である。また、入力装置９０９は、例えば、赤外線やその他の電波を利用したリモートコントロール手段（いわゆる、リモコン）であってもよいし、押出負荷予測装置１００の操作に対応したＰＤＡなどの外部接続機器９２３であってもよい。さらに、入力装置９０９は、例えば、上記の操作手段を用いてユーザにより入力された情報に基づいて入力信号を生成し、ＣＰＵ９０１に出力する入力制御回路などから構成されている。押出負荷予測装置１００のユーザは、この入力装置９０９を操作することにより、押出負荷予測装置１００に対して各種のデータを入力したり処理動作を指示したりすることができる。

出力装置９１１は、取得した情報をユーザに対して視覚的または聴覚的に通知することが可能な装置で構成される。このような装置として、ＣＲＴディスプレイ装置、液晶ディスプレイ装置、プラズマディスプレイ装置、ＥＬディスプレイ装置およびランプなどの表示装置や、スピーカおよびヘッドホンなどの音声出力装置や、プリンタ装置、携帯電話、ファクシミリなどがある。出力装置９１１は、例えば、押出負荷予測装置１００が行った各種処理により得られた結果を出力する。具体的には、表示装置は、押出負荷予測装置１００が行った各種処理により得られた結果を、テキストまたはイメージで表示する。他方、音声出力装置は、再生された音声データや音響データなどからなるオーディオ信号をアナログ信号に変換して出力する。

ストレージ装置９１３は、押出負荷予測装置１００の記憶部の一例として構成されたデータ格納用の装置である。ストレージ装置９１３は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）などの磁気記憶部デバイス、半導体記憶デバイス、光記憶デバイス、または光磁気記憶デバイスなどにより構成される。このストレージ装置９１３は、ＣＰＵ９０１が実行するプログラムや各種データ、および外部から取得した各種のデータなどを格納する。

ドライブ９１５は、記録媒体用リーダライタであり、押出負荷予測装置１００に内蔵、あるいは外付けされる。ドライブ９１５は、装着されている磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリなどのリムーバブル記録媒体９２１に記録されている情報を読み出して、ＲＡＭ９０５に出力する。また、ドライブ９１５は、装着されている磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリなどのリムーバブル記録媒体９２１に記録を書き込むことも可能である。リムーバブル記録媒体９２１は、例えば、ＣＤメディア、ＤＶＤメディア、Ｂｌｕ−ｒａｙ（登録商標）メディアなどである。また、リムーバブル記録媒体９２１は、コンパクトフラッシュ（登録商標）（ＣｏｍｐａｃｔＦｌａｓｈ：ＣＦ）、フラッシュメモリ、または、ＳＤメモリカード（Ｓｅｃｕｒｅ Ｄｉｇｉｔａｌ ｍｅｍｏｒｙ ｃａｒｄ）などであってもよい。また、リムーバブル記録媒体９２１は、例えば、非接触型ＩＣチップを搭載したＩＣカード（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ ｃａｒｄ）または電子機器などであってもよい。

接続ポート９１７は、機器を押出負荷予測装置１００に直接接続するためのポートである。接続ポート９１７の一例として、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）ポート、ＩＥＥＥ１３９４ポート、ＳＣＳＩ（Ｓｍａｌｌ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍ Ｉｎｔｅｒｆａｃｅ）ポート、ＲＳ−２３２Ｃポートなどがある。この接続ポート９１７に外部接続機器９２３を接続することで、押出負荷予測装置１００は、外部接続機器９２３から直接各種のデータを取得したり、外部接続機器９２３に各種のデータを提供したりする。

通信装置９１９は、例えば、通信網９２５に接続するための通信デバイスなどで構成された通信インターフェースである。通信装置９１９は、例えば、有線または無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、またはＷＵＳＢ（Ｗｉｒｅｌｅｓｓ ＵＳＢ）用の通信カードなどである。また、通信装置９１９は、光通信用のルータ、ＡＤＳＬ（Ａｓｙｍｍｅｔｒｉｃ Ｄｉｇｉｔａｌ Ｓｕｂｓｃｒｉｂｅｒ Ｌｉｎｅ）用のルータ、または、各種通信用のモデムなどであってもよい。この通信装置９１９は、例えば、インターネットや他の通信機器との間で、例えばＴＣＰ／ＩＰなどの所定のプロトコルに則して信号などを送受信することができる。また、通信装置９１９に接続される通信網９２５は、有線または無線によって接続されたネットワークなどにより構成され、例えば、インターネット、家庭内ＬＡＮ、赤外線通信、ラジオ波通信または衛星通信などであってもよい。

以上、本発明の実施形態に係る押出負荷予測装置１００の機能を実現可能なハードウェア構成の一例を示した。上記の各構成要素は、汎用的な部材を用いて構成されていてもよいし、各構成要素の機能に特化したハードウェアにより構成されていてもよい。従って、本実施形態を実施する時々の技術レベルに応じて、適宜、利用するハードウェア構成を変更することが可能である。

ある６か月の操業において取得された２５０１データを用いて、ロジスティック回帰、ＳＶＭ（Support Vector Machine）、Ｒａｎｄｏｍ Ｆｏｒｅｓｔ、および、ＧＢＤＴの４つのモデルを作成し、その後の約３か月の操業において取得された９１７データでモデルを評価した。予測モデルの突発増大の基準として、押出負荷が高負荷であるとの判断基準４５［ｔｏｎｆ］と押出負荷の平均値２８．５［ｔｏｎｆ］との差分値に相当する１５［ｔｏｎｆ］を、突発増大発生の基準閾値とした。表１に、上記４つのモデルによる予測結果を示す。

なお、表１において、ＴＰ、ＦＰ、ＦＮ、ＴＮは一般的な判別器の精度評価で用いられる分割表の整理結果に対応し、表２に示すとおりである。ここで、表２の「モデル−０」は、モデルにより次回の押出しが正常であると判定された場合、つまり突発増大が発生しないと判定された場合である。一方、「モデル−１」は、モデルにより次回の押出しが異常であると判定された場合、つまり突発増大が発生すると判定された場合である。また、適合率は、正常と予測したデータのうち実際に正常であるものの割合（ＴＰ／（ＴＰ＋ＦＰ））である。また、再現率は、実際に正常であるもののうち正常であると予測されたものの割合（ＴＰ／（ＴＰ＋ＦＮ））を示し、カバー率とほぼ同義である。また、表３に、表１のＧＢＤＴによるモデルにてＴＮとして判定された３件について、直近３回の押出負荷、予測された次回押出しにおける押出負荷の増大量、及び、予測モデルによる発生確率を示している。

本実施例では、一般的に判別モデルの性能評価として用いられる「Ｆ値」を用いて各モデルを評価した。Ｆ値は、適合率と再現率との調和平均（２×適合率×再現率／（適合率＋再現率））である。適合率と再現率とはトレードオフの関係にある。Ｆ値は両方のバランスを取った値であり、値が大きいほど判別モデルとしての性能が良好であることを示している。

表１の評価データでの各モデルの予測判定結果で示すように、ロジスティック回帰及びＳＶＭでは過検知数（ＦＮ）が２桁以上となっている。過検知のアラートが多く、実用性が低い。一方、Ｒａｎｄｏｍ Ｆｏｒｅｓｔ及びＧＢＤＴのアンサンブル学習に基づく学習モデルでは過検知数（ＦＮ）が一桁台であり、実用性のある結果を得た。特に、「モデル−１」におけるモデル検出の精度について低過検モデルを理想とした場合、ＧＢＤＴは押出負荷の突発増大の発生有無を７５％（＝３／４）の陰性的中度（ＴＮ／（ＦＮ＋ＴＮ））で予測できることが判った。表３にも示すように、適切な検出ができた３件は、直前の押出負荷は２４トン付近であり、従来手法による予測では検知が困難なケースであった。以上より、本発明により提案するＧＢＤＴにより予測モデルを構築することで、より判定制度の高いモデルを構築できることがわかる。これは、表１のＦ値からも明らかであり、ＧＢＤＴ、Ｒａｎｄｏｍ Ｆｏｒｅｓｔ、ＳＶＭ、ロジスティック回帰の順にモデル判定精度が良いことがわかる。

以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。

１００ 押出負荷予測装置
１０２ データ蓄積部
１１０ モデル構築処理部
１１１ 教師データ選定部
１１３ 予測モデル構築部
１２０ 予測処理部
１２１ 突発増大発生確率算出部
１２３ 判定部

Claims (10)

1. コークス炉の押出負荷の突発増大の発生を予測するコークス炉の押出負荷予測装置であって、
   操業実績データを入力情報、前記押出負荷の増加量が所定の値以上となる確率値を出力情報として、アンサンブル学習により、前記押出負荷の突発増大を検知する予測モデルを構築する予測モデル構築部と、
   オンラインにて測定された操業実績データを入力情報として、前記予測モデルに基づいて前記押出負荷の増加量が所定の値以上となる確率値を算出する突発増大確率値算出部と、
   前記確率値に基づいて、前記押出負荷の突発増大の発生を判定する判定部と、
   を備える、コークス炉の押出負荷予測装置。
2. 前記予測モデル構築部における予測モデルの構築に用いる教師データを選定する教師データ選定部をさらに備え、
   前記教師データ選定部は、前記突発増大の発生する１回前の押出時の操業実績データを異常データとして教師データに選定する、請求項１に記載のコークス炉の押出負荷予測装置。
3. 前記教師データ選定部は、突発増大発生前のＬ回の押出時の押出負荷がいずれも高負荷でない場合に、前記突発増大の発生する１回前の押出時の操業実績データを異常データとして教師データに選定する、請求項２に記載のコークス炉の押出負荷予測装置。
4. 前記教師データ選定部は、
   前記突発増大の発生する１回前の押出時の操業実績データを異常データとすることに替えて、前記突発増大の発生する１回前からＭ回前までの押出時の操業実績データを異常データとし、
   前記突発増大の発生する１回前から遡る回数Ｍの値は、当該回数Ｍを変化させて構築された複数のモデルのうち、最も精度の高い前記モデルが得られる値に設定する、請求項２または３に記載のコークス炉の押出負荷予測装置。
5. 前記判定部は、前記確率値が閾値以上であるとき、前記押出負荷の突発増大が発生すると判定する、請求項１〜４のいずれか１項に記載のコークス炉の押出負荷予測装置。
6. 前記予測モデル構築部は、ＧＢＤＴ（Gradient Boosting Decision Tree）をモデリング手法として用いて前記予測モデルを構築する、請求項１〜５のいずれか１項に記載のコークス炉の押出負荷予測装置。
7. 前記予測モデル構築部は、前記予測モデルに入力される入力変数の寄与度を算出し、前記寄与度の高い順に前記入力変数を選定する、請求項１〜６のいずれか１項に記載のコークス炉の押出負荷予測装置。
8. コークス炉の押出負荷の突発増大の発生を予測するコークス炉の押出負荷予測方法であって、
   操業実績データを入力情報、前記押出負荷の増加量が所定の値以上となる確率値を出力情報として、アンサンブル学習により、前記押出負荷の突発増大を検知する予測モデルを構築する予測モデル構築ステップと、
   オンラインにて測定された操業実績データを入力情報として、前記予測モデルに基づいて前記押出負荷の増加量が所定の値以上となる確率値を算出する突発増大確率値算出ステップと、
   前記確率値に基づいて、前記押出負荷の突発増大の発生を判定する判定ステップと、
   を含む、コークス炉の押出負荷予測方法。
9. コンピュータを、
   操業実績データを入力情報、コークス炉の押出負荷の増加量が所定の値以上となる確率値を出力情報として、アンサンブル学習により、前記押出負荷の突発増大を検知する予測モデルを構築する予測モデル構築部と、
   オンラインにて測定された操業実績データを入力情報として、前記予測モデルに基づいて前記押出負荷の増加量が所定の値以上となる確率値を算出する突発増大確率値算出部と、
   前記確率値に基づいて、前記押出負荷の突発増大の発生を判定する判定部と、
   を備える、コークス炉の押出負荷予測装置として機能させるコンピュータプログラム。
10. コンピュータに、
    操業実績データを入力情報、コークス炉の押出負荷の増加量が所定の値以上となる確率値を出力情報として、アンサンブル学習により、前記押出負荷の突発増大を検知する予測モデルを構築する予測モデル構築部と、
    オンラインにて測定された操業実績データを入力情報として、前記予測モデルに基づいて前記押出負荷の増加量が所定の値以上となる確率値を算出する突発増大確率値算出部と、
    前記確率値に基づいて、前記押出負荷の突発増大の発生を判定する判定部と、
    を備える、コークス炉の押出負荷予測装置として機能させるためのプログラムを記憶したコンピュータ読み取り可能な記憶媒体。
    

Images