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 PDF

Info

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
Application number
JP2018156568A
Other languages
English (en)
Other versions
JP7143148B2 (ja
Inventor
野村　真澄
Masumi Nomura
真澄 野村
祐介 筈井
Yusuke Hazui
祐介 筈井
繁 阿野
Shigeru Ano
繁 阿野
健太 和田
Kenta Wada
健太 和田
皓士郎 福本
Koshiro Fukumoto
皓士郎 福本
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Power Ltd
Original Assignee
Mitsubishi Hitachi Power Systems Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Mitsubishi Hitachi Power Systems Ltd filed Critical Mitsubishi Hitachi Power Systems Ltd
Priority to JP2018156568A priority Critical patent/JP7143148B2/ja
Priority to KR1020217000312A priority patent/KR102458399B1/ko
Priority to CN201980045547.4A priority patent/CN112424715A/zh
Priority to DE112019004207.6T priority patent/DE112019004207T5/de
Priority to US17/258,823 priority patent/US20210287122A1/en
Priority to PCT/JP2019/029006 priority patent/WO2020039825A1/ja
Publication of JP2020030686A publication Critical patent/JP2020030686A/ja
Application granted granted Critical
Publication of JP7143148B2 publication Critical patent/JP7143148B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

【課題】予測モデルの予測誤差を考慮したプロセスデータの予測値を出力する予測装置を提供する。【解決手段】予測装置は、装置のプロセスデータを収集するデータ収集部と、データ収集部が収集した第１のプロセスデータに基づいて、第１のプロセスデータのうち所定の入力変数を入力値、所定の出力変数を出力値とする予測モデルと、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、データ収集部が収集した第２のプロセスデータのうち入力変数と予測モデルと誤差算出モデルと基づいて予測した第２のプロセスデータに対する出力変数の予測値と、出力変数の予測値に対する予測誤差と、に基づいて補正された予測値を出力する予測部と、を備える。【選択図】図１

Description

本発明は、予測装置、予測方法、及びプログラムに関する。
従来、プラントや機械装置では、監視等に役立てるために予測モデルが用いられることがある。例えば、プロセスデータを収集して、プラントが備える装置等の物理モデルや統計的手法によって、予測モデルを構築する。そして、構築した予測モデルによってプロセス量の規範となる値を求め、この値を利用して監視や制御、異常の判定を実施する。特許文献１には、種々のプロセスデータのうちの一部を選択したデータセットを複数取得し、それぞれのデータセットを用いて予測モデルを構築し、構築した複数の予測モデルによって算出した予測値を統合した値により、プラントの監視等を行う技術が開示されている。
特開２０１５−１２７９１４号公報
一般に予測モデルによる予測精度には誤差があり、予測値が誤差の分だけ、安全ではない側へずれる可能性がある。そのため、予測モデルによる予測値をそのまま用いてプラントの監視や制御を行うと、望ましくない結果に至る可能性がある。
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。
そこでこの発明は、上述の課題を解決することのできる予測装置、予測方法、及びプログラムを提供することを目的としている。
本発明の一態様によれば、予測装置は、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。
本発明の一態様によれば、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。
本発明の一態様によれば、前記予測装置は、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。
本発明の一態様によれば、前記予測装置は、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。
本発明の一態様によれば、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。
本発明の一態様によれば、予測方法は、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。
本発明の一態様によれば、プログラムは、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。
本発明の予測装置、予測方法、及びプログラムによれば、予測モデルの予測誤差の影響を踏まえた予測値を出力することができる。
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。 本発明の第一実施形態における予測装置のブロック図である。 予測誤差の算出に用いる表の一例である。 重回帰分析による予測モデルを説明する第１の図である。 重回帰分析による予測モデルを説明する第２の図である。 ランダムフォレスト回帰による予測モデルを説明する図である。 ガウス過程回帰による予測モデルを説明する図である。 本発明の第一実施形態における予測装置による出力例である。 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。 本発明の第一実施形態による予測値の算出処理の一例を示すフローチャートである。 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よる運転状態を改善する操作量を決定する処理の一例を示すフローチャートである。 本発明の第二実施形態による運転状態の改善を支援する情報の出力処理の一例を示すフローチャートである。 本発明の各実施形態における予測装置のハードウェア構成の一例を示す図である。
＜第一実施形態＞
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。
予測装置３０は、現在のガスタービン１０から種々のプロセスデータを取得し、取得したプロセスデータと予測モデルに基づいて、ガスタービン１０の運転状態を予測する。例えば、予測装置３０が予測する値は、所定時間だけ未来のガスタービン１０の運転状態を表すプロセスデータの値でもよいし、直接計測できない値を推定するための推定値であってもよい。ここで、プロセスデータとは、例えば、ガスタービン１０や発電機１５の各所に設けられたセンサが計測した温度、圧力などの計測データである。計測データには、ガスタービン１０の内部に取り込まれ、実際の運転に用いられる燃料ガスや大気などの物性データ、大気温度や湿度などの運転環境の計測データが含まれる。計測データには、各センサの識別情報、計測値、計測時刻等が含まれている。また、プロセスデータには、装置２０が、ガスタービン１０を制御するために生成した制御値（燃料流量調整弁１６Ａ〜１６Ｃの開度指令値など）が含まれる。また、プロセスデータには、取得したプロセスデータを変換した値や、複数のプロセスデータから演算された値が含まれる。本実施形態の予測装置３０は、一般的な予測装置が予測モデルによる予測値を出力するのに対し、予測モデルが有する予測誤差を考慮し、より安全側に補正された予測値を出力することができる。次に予測装置３０について説明する。
図２は、本発明の第一実施形態における予測装置のブロック図である。
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。
予測モデル構築部３４は、重回帰分析、ガウス過程回帰などの統計的手法、ランダムフォレストなどの機械学習、ニューラルネットワークなどの深層学習などによりプラントや機械装置の運転状態を予測する予測モデルを構築する。また、予測モデル構築部３４は、構築した予測モデルの誤差（予測のばらつき、不確かさ）を算出する誤差算出モデルを構築する。例えば、予測モデル構築部３４は、データ抽出部３３が抽出したプロセスデータのうち所定の入力変数の値を入力値とし、所定の出力変数を出力値として両者の関係を学習して予測モデル、誤差算出モデルを構築する。入力変数は、例えば、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、大気温度、大気湿度、ガスタービン１０の出力、車室圧力などである。出力変数は、例えば、燃焼器１２内部の燃焼空気の燃焼振動のレベルやＮｏｘ、Ｃｏ等のエミッション、出力効率等の性能指標等である。例えば、予測モデル構築部３４は、データ抽出部３３が抽出したプロセスデータのうち所定の入力変数（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）の値を入力値とし、所定の出力変数（燃焼振動の振動データ）を出力値として両者の関係を規定する燃焼振動についての予測モデル（関数など）を構築する。また、誤差算出モデルとは、例えば、教師データとして与えたプロセスデータと予測値の二乗平均の差分のような統計量を算出する計算式である。また、予測モデルが回帰分析の場合には予測値の信頼区間を利用してもよいし、ガウス過程回帰であれば、ガウス過程回帰手法により直接的に求められる誤差を利用してもよい。予測モデル、誤差算出モデルの例は、後に図３〜図７を用いて説明する。
予測部３５は、データ収集部３１が収集したプロセスデータのうちの入力変数と、予測モデルと、誤差算出モデルに基づいて、所定の出力変数についての予測誤差を踏まえた出力値を予測する。このとき、予測部３５は、予測モデルが予測する出力変数の値を、出力変数の値に対する予測誤差値で補正して最終的な予測値を生成する。より具体的には、予測部３５は、補正後の値が補正前の値よりも安全ではないことを示す値となるように、あるいは、補正後の値が補正前の値よりも非効率的であることを示す値となるように、予測値に予測誤差を加算、又は減算する。予測部３５は、加算後、又は減算後（補正後）の予測値を最終的な予測値として出力する。このようにして、予測部３５は、予測誤差を用いて、設備保護上、あるいは契約上の安全側の予測値を求めるようにする。例えば出力変数が、燃焼振動、ＮＯｘやＣｏの排出量であれば、予測部３５は、予測値に予測誤差を加算して増加させる方向で補正する。また、出力変数が効率に関する変数であれば、予測部３５は、予測値から予測誤差を減算して減少させる方向で補正して、最終的な予測値を算出する。
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。
ここで、予測モデル、誤差算出モデルについて説明する。
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。
図４は、回帰分析による予測モデルを説明する第１の図である。
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。
Figure 2020030686
ここで、ハット（＾）は推定値を、ｎはデータ数を、ｉはデータの番号を意味する。
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は、回帰分析による予測モデルを説明する第２の図である。
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。
図６は、ランダムフォレスト回帰による予測モデルを説明する図である。
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。
図７は、ガウス過程回帰による予測モデルを説明する図である。
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）
Figure 2020030686
このとき、例えば予測値ｙ（グラフ７ｂ）と予測値ｙ±２σ（ｙ＋２σはグラフ７ａ、ｙ−２σはグラフ７ｃ）は、ある説明変数ｘ1に対し、図７のように表される。
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は、本発明の第一実施形態における予測装置による出力例である。
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。
なお、図８に例示するグラフＣ１〜Ｃ３は、予測値について２σ分の誤差を加算した範囲を示している。例えば、予測モデル構築部３４は、誤差の範囲をσ、２σ、ｎσなどに切り替えて誤差算出モデルを構築し、出力部３６を介して予測モデルに誤差の範囲を加算したグラフを表示しても良い。また、図５〜図７に例示したグラフについても、予測モデル構築部３４は、誤差の範囲をσ、２σなど段階的に切り替えて誤差算出モデルを構築し、出力部３６は、例えば、ｙ±σ、ｙ±２σのグラフを切り替えて、それぞれに最終的な予測値を重畳した画像を表示しても良い。例えば、予測モデルの精度（予測誤差）が定かでないような場合、誤差の範囲を切り替えて最終的な予測値を生成し、最も安全側に評価した予測値と、楽観的に評価した予測値とを出力するようにしてもよい。
次に本実施形態の予測モデルの構築処理の流れについて説明を行う。
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。
図１０は、本発明の第一実施形態による予測値の算出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。
本実施形態によれば、複数のプロセスデータ（学習データ）から、予測値と共に予測誤差を算出するモデルを構築することができる。また、評価対象のプロセスデータを構築したモデルに入力することで、予測モデルの予測誤差の影響を最大限に考慮したとしても、プラント等を安全に運転できる補正後の予測値（最終的な予測値）を得ることができる。また、１つの予測値を得るために複数の予測モデルを構築する必要が無い。
＜第二実施形態＞
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。
図１２は、本発明の第二実施形態による運転状態を改善する操作量を決定する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は、本発明の第二実施形態による運転状態の改善を支援する情報の出力処理の一例を示すフローチャートである。
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。
本実施形態によれば、第一実施形態の効果に加え、予測部３５が予測した予測モデルの不確かさを踏まえた安全側の予測値に基づいて操作量決定部３９が決定した操作量や、出力部３６が出力した支援情報によって、プラントや機械装置を安定して運転することができる。
図１４は、本発明の各実施形態における予測装置のハードウェア構成の一例を示す図である。
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。
なお、少なくとも１つの実施形態において、補助記憶装置９０３は、一時的でない有形の媒体の一例である。一時的でない有形の媒体の他の例としては、入出力インタフェース９０４を介して接続される磁気ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、半導体メモリ等が挙げられる。また、このプログラムが通信回線によってコンピュータ９００に配信される場合、配信を受けたコンピュータ９００が当該プログラムを主記憶装置９０２に展開し、上記処理を実行しても良い。また、当該プログラムは、前述した機能の一部を実現するためのものであっても良い。さらに、当該プログラムは、前述した機能を補助記憶装置９０３に既に記憶されている他のプログラムとの組み合わせで実現するもの、いわゆる差分ファイル（差分プログラム）であっても良い。
その他、本発明の趣旨を逸脱しない範囲で、上記した実施の形態における構成要素を周知の構成要素に置き換えることは適宜可能である。また、この発明の技術範囲は上記の実施形態に限られるものではなく、本発明の趣旨を逸脱しない範囲において種々の変更を加えることが可能である。出力部３６は、第１出力部と第２出力部の一例である。
３０、３０Ａ・・・予測装置
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)

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。
  7. 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。
JP2018156568A 2018-08-23 2018-08-23 予測装置、予測方法、及びプログラム Active JP7143148B2 (ja)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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