JP2020030686A - 予測装置、予測方法、及びプログラム - Google Patents
予測装置、予測方法、及びプログラム Download PDFInfo
- Publication number
- JP2020030686A JP2020030686A JP2018156568A JP2018156568A JP2020030686A JP 2020030686 A JP2020030686 A JP 2020030686A JP 2018156568 A JP2018156568 A JP 2018156568A JP 2018156568 A JP2018156568 A JP 2018156568A JP 2020030686 A JP2020030686 A JP 2020030686A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- process data
- value
- unit
- error
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 131
- 238000004364 calculation method Methods 0.000 claims abstract description 38
- 238000010276 construction Methods 0.000 claims abstract description 25
- 238000013480 data collection Methods 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000002485 combustion reaction Methods 0.000 description 26
- 239000000446 fuel Substances 0.000 description 22
- 239000007789 gas Substances 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000000611 regression analysis Methods 0.000 description 9
- 238000013075 data extraction Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 230000010355 oscillation Effects 0.000 description 6
- 238000013500 data storage Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 239000002737 fuel gas Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000000567 combustion gas Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000004570 mortar (masonry) Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
- G05B23/0289—Reconfiguration to prevent failure, e.g. usually as a reaction to incipient failure detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
特許文献1では、複数の予測モデルのうち、誤差の小さい予測モデルから算出された予測値には大きな重みを付し、誤差の大きい予測モデルから算出された予測値には小さな重みを付してそれらの加重平均を算出することで予測値の統合を行い、予測モデルが有する誤差の影響を小さくするようにしている。しかし、例えば、適切な予測モデルが複数構築できない場合等には、特許文献1に記載の方法を用いることができない。
以下、本発明の第一実施形態による予測装置を図1〜図10を参照して説明する。
図1は、本発明に係る予測装置を用いて監視を行うプラントの一例を示す図である。
図1に示すプラントは、ガスタービン10と、発電機15と、ガスタービン10の動作の制御や監視を行う装置20と、予測装置30と、を備えている。ガスタービン10と発電機15はロータ14で連結されている。ガスタービン10は、空気を圧縮して圧縮空気を生成する圧縮機11と、圧縮空気中で燃料ガスを燃焼させ高温の燃焼ガスを生成する燃焼器12と、燃焼ガスにより駆動するタービン13と、を備えている。なお、燃焼器12は、複数の燃焼器を含んでいてもよい。燃焼器12は、燃焼器12に燃料を供給する各系統(メイン系統、パイロット系統、トップハット系統)ごとにそれぞれの燃料供給装置(図示せず)と接続されている。燃料供給装置と燃焼器12の間には、メイン系統の燃料の流量を調節する燃料流量調整弁16A、パイロット系統の燃料の流量を調節する燃料流量調整弁16B、トップハット系統の燃料の流量を調節する燃料流量調整弁16Cが設けられている。装置20は、1台又は複数台のコンピュータで構成された制御装置等である。装置20は、IGV(IGV:inlet guide vane)17の角度制御により圧縮機11に流入する空気の流量を調節したり、燃料流量調整弁16A〜16Cの開度制御によって燃焼器12への燃料ガスの供給量を制御したりして、燃焼器12の燃焼振動レベルやタービン13から排出される排ガスのNox、Co等を許容範囲に抑えつつ、ガスタービン10を運転して発電機15を稼働させる。
図2に示すように予測装置30は、データ収集部31と、データ格納部32と、データ抽出部33と、予測モデル構築部34と、予測部35と、出力部36と、記憶部37とを備える。
データ収集部31は、監視対象のプラントや機械装置からプロセスデータを収集する。
データ格納部32は、データ収集部31が収集したプロセスデータを記憶部37に格納する。
データ抽出部33は、データ収集部31が収集したプロセスデータから予測モデルの構築に必要なデータを抽出する。例えば、データ抽出部33は、予測モデルの構築に必要な種類のデータの抽出や、必要な範囲の値の抽出(外れ値の除去など)を行う。予測モデルの構築に必要な種類のデータとは、燃焼器12の燃焼振動を予測する予測モデルの場合、例えば、燃焼器12内部の燃焼空気の振動を計測した振動データ(あるいは、振動データを高速フーリエ解析により周波数解析したデータ)、燃料流量調整弁16A〜16Cの開度指令値、タービン13の入口温度、IGV17の角度などである。
出力部36は、予測結果を出力する。
記憶部37は、プロセスデータ、予測モデル、誤差算出モデル等を記憶する。
図3は、予測誤差の算出に用いる表の一例である。図3にt値の分布表を示す。図3の表の縦軸は自由度(標本数−1)、横軸は信頼度、表中の値はt値である。例えば、自由度が10で信頼度が0.900の場合のt値は1.812、自由度が25で信頼度が0.950(2σ相当)の場合のt値は2.060である。図3に示す分布表を用いて信頼区間を算出する方法が一般に知られている。例えば、プロセスデータの95%が含まれる範囲を算出するためには、信頼係数=0.950の列の自由度に応じたt値を用いて信頼区間95%を算出する。なお、信頼区間95%の場合のばらつき(誤差)を2σ、表には記載しない信頼区間68%の場合のばらつきをσと記載する。また、ここでは信頼区間を両側で評価しているが、片側で評価しても良い。
重回帰分析の場合、予測値yは複数の説明変数x1、x2、・・・を用いた式で表される。説明の便宜のため単回帰で考えると、予測値yは説明変数xを用いて、以下の式で求められる。
y=α+βx ・・・(1)
このときyの予測値のバラつき(誤差)σe^は、次式(2)で推定される。
従って、予測値(平均値)とそのばらつき(誤差)の分布は図4のようになり、各x座標でのバラつきは同じとなる。横軸にx、縦軸に予測値yを取ると、次の図5に示すグラフのようになる。
なお、予測モデルとして多変量対応型回帰スプライン、フィードフォワード型のニューラルネットワーク等を用いた場合も同様の考え方になる。
図5の横軸は予測モデルの入力値、縦軸は予測モデルの出力値を示す。図5のグラフの四角印の点はプロセスデータ、グラフ5bは予測モデル、グラフ5a、5cは誤差算出モデルを示している。予測モデル構築部34は、プロセスデータを回帰分析して、式(1)の予測モデルと式(2)の誤差算出モデルを構築する。図5は、これらのモデルをグラフとして可視化したものである。ここで、例えば、説明変数xをトップハット系統の燃料の流量比、予測値yを燃焼振動とする。予測部35は、説明変数xとしてxaを入力すると、予測モデルに基づいて予測値ya1を算出し、誤差算出モデルに基づいて誤差ya2を算出し、ya1にya2を加算してya3を最終的な予測値として生成する。ya1にya2を加算するのは、予測誤差を考慮すると、燃焼振動のレベルがya2だけ予測値ya1より高い可能性があり、燃焼振動をya3(ya1+ya2)として予測した方が、安全にプラントを運転することができるためである。出力部36は、最終的な予測値ya3を、予測装置30に接続されたディスプレイ等に表示する。
予測モデル構築部34がランダムフォレスト回帰により予測モデルを構築した場合、予測モデル構築部34は、図6に示すようにある説明変数X1に対し、階段状の予測値Y(グラフ6b)とYを中心とする2σのばらつき(誤差)を示すグラフ6a、6cで可視化される予測モデルおよび誤差算出モデルを算出する。予測部35は、図5で説明した例と同様に、予測モデル(グラフ6b)に基づいて予測値を算出し、誤差算出モデル(グラフ6a、6c)に基づいて予測誤差を算出する。そして、例えば、燃焼振動やNox、Coの排出量を予測する場合、予測値に予測誤差を加算して最終的な予測値を算出する。一方、運転効率などを算出する場合には、予測部35は、予測値から予測誤差を減算して控えめな効率を最終的な予測値として算出する。
予測モデル構築部34がガウス過程回帰により予測モデルを構築した場合、予測モデル構築部34は、予測モデルを示すグラフ7bに対して、ばらつきを示すグラフ7a、7cを算出することができる。ガウス過程回帰の場合、図示するように説明変数X1の大きさに応じて異なる誤差を算出することができる。
なお、ガウス過程回帰の場合、応答曲面の分布f(x)は、データD(説明変数xと出力yの組の集合)から以下の式(3)のように得られる。
p(f(x)|D)=N(kt(K+σ2IN)−1y,
K0−kt(K+σ2IN)−1k)・・・(3)
ここで、σは観測ノイズの分散で、σPを予測対象の事前分布の分散、θをスケーリングパラメータとすると、p(y|x,σ2),K0,k,K(x,x´)は以下の通りである。
p(y|x,σ2)=N(y|f(x),σ2) ・・・(4)
K0=K(x,x),k=(K(x,x1),・・・,K(x,xN))t
・・・(5)
以上、図3〜図7で示すように様々な予測モデルとその予測誤差を本実施形態の予測モデル、誤差算出モデルとして用いることができる。何れのモデルの場合にも、ガスタービン10の運転状態について安全側に評価することができる。
図8に出力部36による最終的な予測値の表示例を示す。出力部36は、図5〜図7で例示したような予測モデルとその予測誤差を可視化したグラフと重畳して、予測部35が予測した特定の説明変数Xと最終的な予測値Yの関係を表示してもよいが、図8に例示するように複数の説明変数X1、X2と予測値Yとの関係を2次元空間に表示することが可能である。例えば、ガスタービン10の場合、複数の燃焼器12を搭載することから、精度の良い予測モデルを構築するためには、各燃焼器の個体差を勘案した予測モデルを構築する必要がある。そのためには、個体差を区別する複数のパラメータが必要になる。また、燃焼振動は、振動の周波数ごとに特性が異なることが分かっている。従って、燃焼振動の予測モデルを構築する場合には、振動の周波数に応じて予測モデルを分ける必要がある。この場合、燃焼振動は、複数の予測モデルで全体の特性を示すことになる。例えば、図8は、燃焼振動レベルの管理値Zと、燃焼振動に関係する入力変数X1、X2の関係を示している。等高線のようにして表示されるグラフC1〜C3は、ある大きさの燃焼振動レベルが生じるときの説明変数X1、X2の関係を示している。いちばん外側のグラフC3は、管理値Z(許容できる最大の振動レベル)に対して100%の燃焼振動レベルに対応している。また、グラフC2は、管理値Zに対して75%の燃焼振動レベルに対応している。グラフC1は、管理値Zに対して50%の燃焼振動レベルに対応している。つまり、X1とX2の値をグラフC1内部の点が示すような値に制御できれば、燃焼振動は管理値Zの50%以下に抑えられることを意味する。図8に示すグラフは、2つの説明変数X1、X2と予測値Yの関係を規定する予測モデル(すり鉢状の3次元で可視化される)、誤差算出モデルを構築し、Z軸方向の管理値Zの値の100%、75%、50%に相当する深さにおける説明変数X1、X2の関係式を、2次元に投影することで得られる。出力部36は、このような過程で図8に例示するマップ状のグラフを表示した画像を生成することができる。
図9は、本発明の第一実施形態による予測モデルの構築処理の一例を示すフローチャートである。
まず、データ収集部31が予測モデルの構築に必要な入力変数と出力変数の値を含んだプロセスデータを取得する(ステップS11)。次にデータ格納部32は、取得したプロセスデータを記憶部37に格納する(ステップS12)。次にデータ抽出部33が所定の予測モデルについて必要なプロセスデータを記憶部37から抽出して読み出し、予測モデル構築部34へ抽出したプロセスデータを出力する(ステップS13)。予測モデル構築部34は、抽出されたプロセスデータから入力変数と出力変数を設定する(ステップS14)。予測モデル構築部34は、重回帰分析、ランダムフォレスト回帰、ガウス過程回帰、ニューラルネットワークなどの手法を用いて、例えば、図5〜図7で例示した予測モデル、誤差算出モデルを構築する(ステップS15)。なお、図5〜図7では、入力変数と出力変数が、それぞれ1変数ずつの例を挙げたが、入力変数は複数種類設定されていてよい。予測モデル構築部34は、構築した予測モデル、誤差算出モデルを記憶部37に格納する。
まず、データ収集部31が所定の入力変数を含む評価対象のプロセスデータを取得する(ステップS21)。データ格納部32は取得したプロセスデータを記憶部37に格納する。次にデータ抽出部33が、記憶部37から予測値の算出に必要なプロセスデータを抽出して読み出す。次に予測部35が、評価対象の予測値を予測する所定の予測モデルと誤差算出モデルとを記憶部37から読み出す。予測部35は、プロセスデータを予測モデルに入力して予測値を算出する(ステップS22)。また、予測部35は、予測値やプロセスデータを誤差算出モデルに入力して予測誤差を算出する(ステップS23)。なお、予測モデルの構築手法がガウス過程回帰の場合、予測モデルにプロセスデータを入力することで、プロセスデータの値に応じた予測値と予測誤差が同時に得られる。予測部35は、予測値と予測誤差を加算または減算して、最終的な予測値を算出する(ステップS24)。このとき、予測部35は、最終的な予測値に加え、補正前の予測値と、予測誤差を出力してもよい。
第二実施形態の予測装置30Aは、予測部35が予測した予測値が所定の許容範囲内かどうかを判定し、許容範囲内でなければ、予測値を許容範囲内へ収束させる操作量や、そのような操作量の決定を支援する情報を提供するいわば運転支援装置である。
図11は、本発明の第二実施形態における予測装置のブロック図である。
本発明の第二実施形態に係る構成のうち、本発明の第一実施形態に係る予測装置30を構成する機能部と同じものには同じ符号を付し、それらの説明を省略する。第二実施形態に係る予測装置30Aは、第一実施形態の構成に加え、状態監視部38と、操作量決定部39とを備える。
状態監視部38は、プロセスデータを監視する。具体的には、状態監視部38は、プロセスデータと、プロセスデータごとに設定された閾値とを比較して、プロセスデータが閾値を逸脱していれば、異常と判定する。なお、判定に用いる閾値は、予測モデル構築部34が構築した予測モデルに基づいて設定されたものであってもよい。また、状態監視部38は、プロセスデータに基づいて予測部35が予測した最終的な予測値を監視対象として閾値判定を行ってもよい。
操作量決定部39は、状態監視部38が異常と判定した場合に、異常を回避するためのプラントや機械装置の操作量、制御値を決定する。例えば、操作量決定部39は、燃焼振動のレベルが高い場合、燃焼振動のレベルを低下させる方向の操作量(例えば、燃料流量調整弁16Aの開度をどの程度絞るか、又は、開くかなど)を決定する。また、例えば、NoxやCoの排出量が多い場合、操作量決定部39は、それらの排出量を低減する操作量を決定する。また、例えば、ガスタービン10の出力効率が低い場合、操作量決定部39は、出力効率を向上する操作量である。なお、後述するように操作量の決定には、それらの操作量または操作量に関するプロセスデータ(例えば、操作量が燃料流量調整弁16Aの開度の場合のメイン系統から供給される燃料流量)を説明変数(入力変数)とする予測モデルを用いることができる。
出力部36は、操作量決定部39が決定した操作量を装置20へ出力する。あるいは、出力部36は、操作量決定部39が決定した操作量を予測装置30Aのディスプレイ等に表示する。
まず、データ収集部31が所定の入力変数を含む評価対象のプロセスデータを取得する(ステップS31)。データ収集部31は、プロセスデータを状態監視部38へ出力する。状態監視部38は、複数のプロセスデータのそれぞれを対応する閾値と比較する(ステップS32)。閾値を逸脱するプロセスデータが存在する場合(ステップS33;Yes)、状態監視部38は、異常の検出を操作量決定部39へ通知する。操作量決定部39は、異常が検出された入力変数を含むプロセスデータ(ステップS31で取得されたプロセスデータ)を取得し、安全な操作量を決定する(ステップS34)。例えば、操作量決定部39は、予測部35へ最終的な予測値の出力を指示する。予測部35は、ステップS31で取得されたプロセスデータを入力モデルへ入力し、予測値を出力する。ここで、図8を参照する。予測値がP3で閾値が管理値Z(グラフC3)に設定されていたとする。すると、操作量決定部39は、予測値がグラフC3の境界からなるべく遠い位置(より燃焼振動レベルが低くなる側、例えば、管理値Zの50%に対応するグラフC1の内側であって、グラフC1の境界線からなるべく遠い位置)になるような操作量を決定する。図8のP3の場合であれば、説明変数X1に対応する操作量が同じ値で、説明変数X2を現在のY1からY2へと変化させたときの説明変数X2に対応する操作量を決定する。説明変数X2がバルブの開度等であれば、操作量決定部39は、決定した操作量Y2を、出力部36を介して、装置20へ出力する(ステップS35)。説明変数X2が燃料流量などのプロセスデータであれば、操作量決定部39は、変更後Y2の燃料流量を実現する弁開度を算出して、その値を装置20へ出力する。装置20では、取得した操作量に基づいて、機器を制御する。例えば、変化のあった操作量Y2が、燃料流量調整弁16Cの開度指令値であれば、装置20は、燃料流量調整弁16Cの開度をY2とするよう制御してもよい。あるいは、出力部36が操作量Y2をディスプレイに表示し、監視員が、この表示を参考にして、装置20へ燃焼振動レベルを低下させる操作量を入力するようにしてもよい。
なお、ステップS33の判定で閾値内に収まっていた場合、次のプロセスデータに対してステップS31からの処理を繰り返す。
図13を用いて、予測装置30Aが、操作量の代わりに運転状態を改善する操作量の決定を支援する支援情報を表示する処理について説明する。図13のフローチャートのステップS43までは、図12の処理と同様である。つまり、データ収集部31が評価対象のプロセスデータを取得する(ステップS41)。そして、状態監視部38は、プロセスデータの値と閾値とを比較する(ステップS42)。そして、閾値を逸脱する場合(ステップS43;Yes)、状態監視部38は、異常の検出を予測部35へ通知する。予測部35は、異常が検出された入力変数を含むプロセスデータを取得して予測モデルへ入力し、最終的な予測値を出力する。そして、出力部36は、操作量の決定を支援する支援情報を出力する(ステップS44)。例えば、出力部36は、予測値と、予測モデルを可視化したグラフやマップとを重ね合わせた画像を生成する。出力部36は、生成した画像をディスプレイに出力し、表示させる(ステップS44)。ここで、予測値と、予測モデルを可視化したグラフとを重ね合わせた画像とは、図5〜図8の上に予測部35による予測結果を表示した画像である。予測結果は、最終的な予測値のみを表示しても良いし、予測モデルによる予測値と誤差算出モデルによる予測誤差とを表示してもよい。例えば、図8に例示する支援情報の表示を行った場合、監視員は、図8のP3と矢印を参考にして、運転状態を正常化する操作量を決定することができる。
コンピュータ900は、CPU901、主記憶装置902、補助記憶装置903、入出力インタフェース904、通信インタフェース905を備える例えばPC(Personal Computer)やサーバ端末装置である。上述の予測装置30、30Aは、コンピュータ900に実装される。そして、上述した各処理部の動作は、プログラムの形式で補助記憶装置903に記憶されている。CPU901は、プログラムを補助記憶装置903から読み出して主記憶装置902に展開し、当該プログラムに従って上記処理を実行する。また、CPU901は、プログラムに従って、記憶部37に対応する記憶領域を主記憶装置902に確保する。また、CPU901は、プログラムに従って、処理中のデータを記憶する記憶領域を補助記憶装置903に確保する。
31・・・データ収集部
32・・・データ格納部
33・・・データ抽出部
34・・・予測モデル構築部
35・・・予測部
36・・・出力部
37・・・記憶部
38・・・状態監視部
39・・・操作量決定部
Claims (7)
- 装置のプロセスデータを収集するデータ収集部と、
前記データ収集部が収集した第1の前記プロセスデータに基づいて、第1の前記プロセスデータのうち所定の入力変数を入力値、前記プロセスデータのうち所定の出力変数を出力値とする予測モデルと、前記予測モデルの予測誤差を算出する誤差算出モデルとを構築する予測モデル構築部と、
前記データ収集部が収集した第2の前記プロセスデータのうち前記入力変数と前記予測モデルとに基づいて算出した前記出力変数の予測値を、前記誤差算出モデルに基づいて算出した予測誤差で補正した補正後の予測値を出力する予測部と、
を備える予測装置。 - 前記予測部は、補正後の前記予測値が補正前に比べ安全ではないことを示す値となるように、又は、非効率的であることを示す値となるように、前記予測値に前記予測誤差を加算又は減算して前記予測値の補正を行う、
請求項1に記載の予測装置。 - 前記プロセスデータと、所定の閾値とを比較して、前記プロセスデータが異常か否かを判定する状態監視部と、
前記状態監視部が異常と判定した場合、補正後の前記予測値を改善する操作量を算出する操作量決定部と、
をさらに備える請求項1または請求項2に記載の予測装置。 - 前記操作量決定部が算出した操作量を、前記装置の制御装置へ出力する第1出力部、
をさらに備える請求項3に記載の予測装置。 - 補正後の前記予測値と、前記予測モデルを可視化したグラフとを重畳して表示する第2出力部、
をさらに備える請求項1から請求項4の何れか1項に記載の予測装置。 - 装置のプロセスデータを収集するステップと、
前記プロセスデータを収集するステップで収集した第1の前記プロセスデータに基づいて、第1の前記プロセスデータのうち所定の入力変数を入力値、前記プロセスデータのうち所定の出力変数を出力値とする予測モデルと、前記予測モデルの予測誤差を算出する誤差算出モデルとを構築するステップと、
評価対象の第2の前記プロセスデータを収集するステップと、
収集した第2の前記プロセスデータのうち前記入力変数と前記予測モデルとに基づいて算出した前記出力変数の予測値を、前記誤差算出モデルに基づいて算出した予測誤差で補正した補正後の予測値を出力するステップと、
を有する予測方法。 - コンピュータを、
装置のプロセスデータを収集する手段、
前記プロセスデータを収集するステップで収集した第1の前記プロセスデータに基づいて、第1の前記プロセスデータのうち所定の入力変数を入力値、前記プロセスデータのうち所定の出力変数を出力値とする予測モデルと、前記予測モデルの予測誤差を算出する誤差算出モデルとを構築する手段、
評価対象の第2の前記プロセスデータを収集する手段、
収集した第2の前記プロセスデータのうち前記入力変数と前記予測モデルとに基づいて算出した前記出力変数の予測値を、前記誤差算出モデルに基づいて算出した予測誤差で補正した補正後の予測値を出力する手段、
として機能させるためのプログラム。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018156568A JP7143148B2 (ja) | 2018-08-23 | 2018-08-23 | 予測装置、予測方法、及びプログラム |
KR1020217000312A KR102458399B1 (ko) | 2018-08-23 | 2019-07-24 | 예측 장치, 예측 방법, 및 프로그램 |
CN201980045547.4A CN112424715A (zh) | 2018-08-23 | 2019-07-24 | 预测装置、预测方法及程序 |
DE112019004207.6T DE112019004207T5 (de) | 2018-08-23 | 2019-07-24 | Vorhersagevorrichtung, Vorhersageverfahren und Programm |
US17/258,823 US20210287122A1 (en) | 2018-08-23 | 2019-07-24 | Prediction device, prediction method, and program |
PCT/JP2019/029006 WO2020039825A1 (ja) | 2018-08-23 | 2019-07-24 | 予測装置、予測方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018156568A JP7143148B2 (ja) | 2018-08-23 | 2018-08-23 | 予測装置、予測方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020030686A true JP2020030686A (ja) | 2020-02-27 |
JP7143148B2 JP7143148B2 (ja) | 2022-09-28 |
Family
ID=69592485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018156568A Active JP7143148B2 (ja) | 2018-08-23 | 2018-08-23 | 予測装置、予測方法、及びプログラム |
Country Status (6)
Country | Link |
---|---|
US (1) | US20210287122A1 (ja) |
JP (1) | JP7143148B2 (ja) |
KR (1) | KR102458399B1 (ja) |
CN (1) | CN112424715A (ja) |
DE (1) | DE112019004207T5 (ja) |
WO (1) | WO2020039825A1 (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11568208B2 (en) | 2018-11-09 | 2023-01-31 | Canary Capital Llc | Solution for machine learning system |
WO2023090144A1 (ja) * | 2021-11-18 | 2023-05-25 | アズビル株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
JP2023084165A (ja) * | 2021-12-07 | 2023-06-19 | 日本電気株式会社 | データ分析装置、データ分析方法、データ取引システム、およびプログラム |
WO2023145387A1 (ja) * | 2022-01-27 | 2023-08-03 | 株式会社日立製作所 | 制御装置および制御方法 |
JP2024066678A (ja) * | 2022-11-02 | 2024-05-16 | 富士電機株式会社 | 予測装置、予測方法及びプログラム |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7275023B2 (ja) * | 2019-12-27 | 2023-05-17 | 富士フイルム株式会社 | 品質管理装置、品質管理方法、およびプログラム |
CN111639842B (zh) * | 2020-05-20 | 2023-06-20 | 湖北博华自动化系统工程有限公司 | 一种设备健康评估方法、评估系统以及设备健康预测方法 |
CN113899557B (zh) * | 2020-06-22 | 2023-11-28 | 中国航发商用航空发动机有限责任公司 | 确定航空发动机空气系统特性的方法和装置 |
WO2024043337A1 (ja) * | 2022-08-25 | 2024-02-29 | 国立研究開発法人理化学研究所 | 推定装置、推定方法、及び推定プログラム |
CN116755477B (zh) * | 2023-08-16 | 2023-11-03 | 西安倍得新数据科技有限公司 | 流体通道的流量自动控制调节方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000259223A (ja) * | 1999-03-12 | 2000-09-22 | Toshiba Corp | プラント監視装置 |
JP2010182142A (ja) * | 2009-02-06 | 2010-08-19 | Yokogawa Electric Corp | 予測アラームを用いたプラント運転支援装置および処理方法 |
JP2018077823A (ja) * | 2016-10-31 | 2018-05-17 | 新日鐵住金株式会社 | 物理モデルのパラメータ同定装置、方法及びプログラム、並びに製造プロセスの制御システム |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100232482B1 (ko) * | 1997-06-09 | 1999-12-01 | 정순착 | 혼성 예측 방법을 이용한 공정 제어기 및 방법 |
US20070088550A1 (en) * | 2005-10-13 | 2007-04-19 | Dimitar Filev | Method for predictive maintenance of a machine |
JP4568790B1 (ja) * | 2009-04-14 | 2010-10-27 | シャープ株式会社 | 出来映え予測装置、出来映え予測方法、出来映え予測プログラム、及び、プログラム記録媒体 |
US8571696B2 (en) * | 2009-06-10 | 2013-10-29 | Fisher-Rosemount Systems, Inc. | Methods and apparatus to predict process quality in a process control system |
KR101588851B1 (ko) * | 2011-12-26 | 2016-01-28 | 주식회사 케이티 | 오차 보정 알고리즘을 이용한 수용가 수요전력 예측 방법 및 시스템 |
CN102694800A (zh) * | 2012-05-18 | 2012-09-26 | 华北电力大学 | 网络安全态势预测的高斯过程回归方法 |
CN103616734B (zh) * | 2013-12-11 | 2015-11-18 | 山东大学 | 大范围同步实时气象数据测量及风速风向预测系统与方法 |
JP6143667B2 (ja) | 2013-12-27 | 2017-06-07 | 三菱重工業株式会社 | 予測システム、監視システム、運転支援システム、ガスタービン設備及び予測方法 |
CN103824137B (zh) * | 2014-03-20 | 2016-08-17 | 北京信息科技大学 | 一种复杂机械设备多工况故障预测方法 |
CN104950681A (zh) * | 2015-06-25 | 2015-09-30 | 安徽工业大学 | 一种石灰窑燃烧过程的模糊预测控制系统及其控制方法 |
BR112018008377A2 (ja) * | 2015-12-10 | 2018-10-23 | Mitsubishi Electric Corporation | A power control unit, an operation planning method, and a program |
CN106548285B (zh) * | 2016-11-04 | 2020-11-03 | 广西电网有限责任公司电力科学研究院 | 计及小水电出力的趸售电量预测方法 |
CN106682763B (zh) * | 2016-11-25 | 2020-12-29 | 云南电网有限责任公司昆明供电局 | 一种用于大量样本数据的电力负荷优化预测方法 |
CN107677343A (zh) * | 2017-09-05 | 2018-02-09 | 天津市电力科技发展有限公司 | 一种智能水表运行误差远程校准方法 |
-
2018
- 2018-08-23 JP JP2018156568A patent/JP7143148B2/ja active Active
-
2019
- 2019-07-24 WO PCT/JP2019/029006 patent/WO2020039825A1/ja active Application Filing
- 2019-07-24 CN CN201980045547.4A patent/CN112424715A/zh active Pending
- 2019-07-24 DE DE112019004207.6T patent/DE112019004207T5/de active Pending
- 2019-07-24 KR KR1020217000312A patent/KR102458399B1/ko active IP Right Grant
- 2019-07-24 US US17/258,823 patent/US20210287122A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000259223A (ja) * | 1999-03-12 | 2000-09-22 | Toshiba Corp | プラント監視装置 |
JP2010182142A (ja) * | 2009-02-06 | 2010-08-19 | Yokogawa Electric Corp | 予測アラームを用いたプラント運転支援装置および処理方法 |
JP2018077823A (ja) * | 2016-10-31 | 2018-05-17 | 新日鐵住金株式会社 | 物理モデルのパラメータ同定装置、方法及びプログラム、並びに製造プロセスの制御システム |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11568208B2 (en) | 2018-11-09 | 2023-01-31 | Canary Capital Llc | Solution for machine learning system |
WO2023090144A1 (ja) * | 2021-11-18 | 2023-05-25 | アズビル株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
JP2023084165A (ja) * | 2021-12-07 | 2023-06-19 | 日本電気株式会社 | データ分析装置、データ分析方法、データ取引システム、およびプログラム |
WO2023145387A1 (ja) * | 2022-01-27 | 2023-08-03 | 株式会社日立製作所 | 制御装置および制御方法 |
JP2024066678A (ja) * | 2022-11-02 | 2024-05-16 | 富士電機株式会社 | 予測装置、予測方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
KR102458399B1 (ko) | 2022-10-24 |
KR20210016614A (ko) | 2021-02-16 |
WO2020039825A1 (ja) | 2020-02-27 |
US20210287122A1 (en) | 2021-09-16 |
JP7143148B2 (ja) | 2022-09-28 |
DE112019004207T5 (de) | 2021-05-27 |
CN112424715A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020039825A1 (ja) | 予測装置、予測方法、及びプログラム | |
JP6050599B2 (ja) | 装置の動作監視のための方法およびシステム | |
JP6116466B2 (ja) | プラントの診断装置及び診断方法 | |
JP5715377B2 (ja) | タービン運転劣化判定システム及び方法 | |
JP5260343B2 (ja) | プラント運転状態監視方法 | |
US9317249B2 (en) | Operations support systems and methods for calculating and evaluating turbine temperatures and health | |
JP2011090382A (ja) | 監視システム | |
JP2009041565A (ja) | モデルベースのセンサ障害検出及び分離用システム及び方法 | |
US10352825B2 (en) | Systems and methods related to detecting blowout occurrences in gas turbines | |
EP2317082A2 (en) | Turbine life assessment and inspection system and methods | |
EP3584656A1 (en) | Risk assessment device, risk assessment method, and risk assessment program | |
KR20150054974A (ko) | 기술 시스템, 특히 전기 에너지-발생 설비의 동작의 컴퓨터-보조 모니터링을 위한 방법 | |
JP2018073316A (ja) | プラントの診断システム及び診断方法 | |
CN107315403B (zh) | 用校准的性能模型控制机械 | |
US8874415B2 (en) | System and method for forming failure estimates for a heat recovery steam generator | |
JP2018163645A (ja) | 故障診断装置、監視装置、故障診断方法、および故障診断プログラム | |
US11327470B2 (en) | Unit space generating device, plant diagnosing system, unit space generating method, plant diagnosing method, and program | |
JP2013137797A (ja) | プラント運転状態監視方法 | |
JP6129508B2 (ja) | 異常検出前処理装置および方法ならびにプログラム、それを備えた異常検出装置 | |
EP3385804B1 (en) | Failure diagnosis apparatus, failure diagnosis method and recording medium | |
JP2015518104A (ja) | 過渡状態期間における発電装置の不具合の分類および検出 | |
CN114051581B (zh) | 成套设备监视装置、成套设备监视方法及存储介质 | |
JP6347771B2 (ja) | 異常診断装置、異常診断方法及び異常診断プログラム | |
JP5817323B2 (ja) | 異常診断装置 | |
US11300058B2 (en) | Signal processing apparatus, turbine system, signal processing method, and program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A625 | Written request for application examination (by other person) |
Free format text: JAPANESE INTERMEDIATE CODE: A625 Effective date: 20210317 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20220124 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220405 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220512 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220906 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220914 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7143148 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |