JP2020129338A - Ｋｐｉ改善支援システム及びｋｐｉ改善支援方法 - Google Patents

Abstract

【課題】リアルタイムに応答特性を予測しながら、リアルタイムに変化する目標値に追従して最適に操作することで、トータルで最適な運転を可能とするＫＰＩ改善支援システム及びＫＰＩ改善支援方法を提供する。【解決手段】一定運転状態と変動運転状態が繰り返し実行される適用対象からの運転データを得、前記適用対象の操作条件を与えるＫＰＩ改善支援システムであって、少なくとも変動運転状態における操作条件と運転データを用いて適用対象の変動運転状態におけるＫＰＩの動特性を評価する動特性評価手段と、動特性評価手段における評価結果から適用対象の操作条件を学習する学習手段と、学習手段による学習結果に従って適用対象の操作条件を生成する操作条件信号生成手段を備えることを特徴とするＫＰＩ改善支援システム。【選択図】図１

Description

本発明は各種機器のＫＰＩ改善を支援するＫＰＩ改善支援システム及びＫＰＩ改善支援方法に関する。

近年、ＩＣＴ（Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ ）、ＩｏＴ（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇ）の技術革新に伴い、高速な計算機やネットワーク通信、大容量なデータ保存装置を利用できる環境が整いつつある。多くの産業分野で大量に蓄積したデータの利活用に注目が集まるなか、機器の計測データや点検・保全データなどの現地サイトで収集したデータと、企業の経営及び資産情報を管理するシステムの統合により、重要業績評価指標（ＫＰＩ：Ｋｅｙ Ｐｅｒｆｏｒｍａｎｃｅ Ｉｎｄｉｃａｔｏｒｓ）を改善する運用が求められている。

例えば発電事業の分野では、風力発電や太陽光発電などの再生可能エネルギーの利用増加に伴う発電量の変動が電力系統の安定性を低下させるという懸念から、バックアップ電源としての火力発電プラントの重要性が増している。また、火力発電プラントは負荷調整としての役割だけでなく、ベースロード電源としての役割も担っており、効率、環境性能、稼働率などの運用性能をＫＰＩとして考慮した運用が求められている。

火力発電プラントの運用性能を改善するため、特許文献１、特許文献２には環境性能である窒素酸化物濃度、一酸化炭素濃度を低減させる制御装置が開示されている。

特開２０１２−１４１８６２号公報 特開２００９−２４４９３３号公報

先行技術文献に記載した技術では、静特性を模擬するモデルと、このモデルを対象に最適な操作方法を学習する学習手段を組み合わせて、操作信号を生成する。この技術を用いることで、機器で使用する燃料の種類、生成する製品の内容、製造量が変化して最適な操作条件の変化に追従して、操作条件を最適値に移動させることができる。しかし、移動時の過渡的な変化を考慮していないため、一時的にＫＰＩが悪化して、トータルでは最適な運転にならない場合がある。

本発明の目的は、リアルタイムに応答特性を予測しながら、リアルタイムに変化する目標値に追従して最適に操作することで、トータルで最適な運転を可能とするＫＰＩ改善支援システム及びＫＰＩ改善支援方法を提供することにある。

以上のことから本発明においては、「一定運転状態と変動運転状態が繰り返し実行される適用対象からの運転データを得、前記適用対象の操作条件を与えるＫＰＩ改善支援システムであって、少なくとも変動運転状態における操作条件と運転データを用いて適用対象の変動運転状態におけるＫＰＩの動特性を評価する動特性評価手段と、動特性評価手段における評価結果から適用対象の操作条件を学習する学習手段と、学習手段による学習結果に従って適用対象の操作条件を生成する操作条件信号生成手段を備えることを特徴とするＫＰＩ改善支援システム」としたものである。

また本発明においては、「一定運転状態と変動運転状態が繰り返し実行される適用対象からの運転データを用いて、適用対象の操作条件を与えるＫＰＩ改善支援方法であって、少なくとも変動運転状態における操作条件と運転データを用いて適用対象の変動運転状態におけるＫＰＩの動特性を評価し、動特性の評価結果から適用対象の操作条件を学習し、学習結果に従って適用対象の操作条件を生成することを特徴とするＫＰＩ改善支援方法」としたものである。

本発明のＫＰＩ改善支援システム及びＫＰＩ改善支援方法を用いることで、各種機器のＫＰＩを改善できる。特に、火力、発電プラントへ適用した場合、プラント効率を改善し、石炭消費量を削減できる。

本発明の実施例に係るＫＰＩ改善支援システムの構成例を説明するブロック図。 ＫＰＩ改善支援システムにおける学習動作を説明するフローチャート図。 ＫＰＩ改善支援システムにおける学習結果に基づいて操作条件信号を生成するフローチャート図。 適用対象１００の運転とＫＰＩの関係を説明する図。 静特性評価手段３００をニューラルネットワークモデルで構築することを示す図。 ニューラルネットワークモデルの入力と出力の関係を示す図。 学習手段４００を動作させた結果の実施例を示す図。 運転データベースＤＢ１に保存されるデータの態様を説明する図。 運転計画データベースＤＢ２に保存されるデータの態様を説明する図。 図２の処理をさらに静特性側と動特性側に分けて具体的に示したフローチャート。 評価値計算手段５００にて静特性評価結果Ｓｇ８のみを用いて評価値Ｓｇ１０を計算した時のプラントの操作結果例を示す図。 評価値計算手段５００にて静特性評価結果Ｓｇ８のみを用いて評価値Ｓｇ１０を計算した時のプラントの操作結果例を示す図。 評価値計算手段５００にて静特性評価結果Ｓｇ８と動特性評価結果Ｓｇ９の両方を用いて評価値Ｓｇ１０を計算した時のプラントの操作結果例を示す図。 評価値計算手段５００にて静特性評価結果Ｓｇ８と動特性評価結果Ｓｇ９の両方を用いて評価値Ｓｇ１０を計算した時のプラントの操作結果例を示す図。 適用対象１００の実施例である石炭火力プラントの構成を示す概略図。 操作条件変更幅とプロセス値のオーバーシュート幅の関係を示す図。 静特性評価結果Ｓｇ８のみを用いて評価値Ｓｇ１０を計算した時のプラントの操作結果例を示す図。 静特性評価結果Ｓｇ８と動特性評価結果Ｓｇ９の両方を用いて評価値Ｓｇ１０を計算した場合を示す図。 運転計画連携手段６２０で用いる運転計画データＳｇ６の内容を説明する図。 運転計画連携評価手段６２０を動作させた評価値を用いて学習手段４００を動作させた結果を説明する図。

以下本発明の実施例について図面を参照して説明する。

図１は本発明の実施例に係るＫＰＩ改善支援システム２００の構成例を説明するブロック図である。本実施例では、ＫＰＩ改善支援システム２００は本システムの適用対象１００及び外部装置９００と接続されている。

図１のＫＰＩ改善支援システム２００は、一般には計算機装置により構成されており、その演算装置における処理機能を模式的に示すならば、静特性評価手段３００、学習手段４００、評価値計算手段５００、動特性評価手段６００、操作条件信号生成手段７００を備えたものということができる。さらに動特性評価手段６００には、過渡特性評価手段６１０と運転計画連携評価手段６２０が備えられている。ＫＰＩ改善支援システム２００における各部の動作については、図２以降で説明する。

ＫＰＩ改善支援システム２００は、データベースＤＢとして運転データデータベースＤＢ１、運転計画データベースＤＢ２、学習結果データベースＤＢ３を備える。データベースＤＢには、電子化された情報が保存されており、通常電子ファイル（電子データ）と呼ばれる形態で情報が保存される。

またＫＰＩ改善支援システム２００は、外部とのインターフェイスとして外部入力インターフェイス２１０及び外部出力インターフェイス２２０を備え、インターフェイスを介して本システムの適用対象１００及び外部装置９００に接続している。

係るインターフェイス構成により、外部装置９００に備えられている外部入力装置９１０（キーボード９１０及びマウス９２０）の操作で作成する外部入力信号Ｓｇ１と、外部入力インターフェイス２１０を介して適用対象１００にて収集している運転データＳｇ２がＫＰＩ改善支援システム２００に取り込まれる。

適用対象１００は制御装置１８０と機器１９０で構成され、機器１９０から制御装置１８０に計測信号Ｓｇ７０が送信され、制御装置１８０から機器１９０には操作信号Ｓｇ８０を送信する。先に述べた運転データＳｇ２は、計測信号Ｓｇ７０及び操作信号Ｓｇ８０を含むデータである。ＫＰＩ改善支援システム２００に取り込まれた運転データＳｇ２及び外部入力信号Ｓｇ１に含まれる運転に関するデータは運転データＳｇ３として運転データデータベースＤＢ１に保存され、外部入力信号Ｓｇ１に含まれる運転計画に関するデータは運転計画データＳｇ４として運転計画データベースＤＢ２に保存される。

ここで運転計画データＳｇ４は、適用対象１００の運転計画に関するデータであり、例えば適用対象１００で使用する燃料の種類、適用対象１００で生成する製品の内容、製造量の計画値である。

またＫＰＩ改善支援装置２００は、外部出力インターフェイス２２０を介して、操作条件信号Ｓｇ１４を適用対象１００内の制御装置１８０と適用対象１００内の画像表示装置９４０に出力する。

なお、本実施例のＫＰＩ改善支援システム２００においては、計算機装置を構成する演算装置、およびデータベースＤＢがＫＰＩ改善支援システム２００の内部に備えられている例を示しているが、これらの一部の装置をＫＰＩ改善支援システム２００の外部に配置し、データのみを装置間で通信するようにしてもよい。

また、各データベースＤＢに保存されている信号である信号データベース情報５０は、その全ての情報が外部出力インターフェイス２２０を介して画像表示装置９４０に表示でき、これらの情報は外部入力装置９１０を操作して生成する外部入力信号Ｓｇ１で修正できる。

本実施例では、外部入力装置９１０をキーボード９２０とマウス９３０で構成しているが、音声入力のためのマイク、タッチパネルなど、データを入力するための装置であれば良い。

また、本発明の実施形態として、運転支援装置あるいは方法としても実施可能であることは言うまでもない。また、本実施例ではＫＰＩ改善支援システム２００の適用対象をプラントとしているが、適用対象をプラント以外の設備としても実施可能であることは言うまでもない。

図２（ａ）と図２（ｂ）は、ＫＰＩ改善支援システム２００の動作を説明するフローチャート図である。このうち図２（ａ）はＫＰＩ改善方法を学習する際のフローチャート図である。

図２（ａ）における学習フローの最初の処理ステップＳ１００では、図１の学習手段４００で生成する操作条件Ｓｇ７の初期値を設定し、操作条件Ｓｇ７を静特性評価手段３００と動特性評価手段６００に送信する。

処理ステップＳ１１０では、静特性評価手段３００にて、操作条件Ｓｇ７の入力に基づいて静特性評価結果Ｓｇ８を計算し、静特性評価結果Ｓｇ８を評価値計算手段５００に送信する。

処理ステップＳ１２０では、動特性評価手段６００にて、操作条件Ｓｇ７の入力に基づいて動特性評価結果Ｓｇ９を計算し、動特性評価結果Ｓｇ９を評価値計算手段５００に送信する。

動特性評価手段６００には、操作条件Ｓｇ７の変化幅もしくは変化率の少なくとも１つと、ＫＰＩの動的な変化の関係を評価する過渡特性評価手段６１０が備えられており、本評価結果が動特性評価結果Ｓｇ９に含まれる。

また、動特性評価手段６００には、適用対象１００で使用する燃料の種類、適用対象で生成する製品の内容、製造量の計画値の少なくとも１つを含む運転計画を変更した際に、現在の操作条件Ｓｇ７に近い操作条件Ｓｇ７の評価値を高くする運転計画連携評価手段６２０が備えられており、本評価結果が動特性評価結果Ｓｇ９に含まれる。

処理ステップＳ１３０では、評価値計算手段５００にて、静特性評価結果Ｓｇ８と動特性評価結果Ｓｇ９の入力に基づいて評価値Ｓｇ１０を計算し、評価値Ｓｇ１０を学習手段４００に送信する。

処理ステップＳ１４０では、学習手段４００にて、評価値Ｓｇ１０が最大となるような操作条件Ｓｇ７の生成方法を学習する。そして、次の操作条件Ｓｇ７を生成し、操作条件Ｓｇ７を静特性評価手段３００と動特性評価手段６００に送信する。

学習手段４００では、適用対象１００の運用性が所望の特性となるような操作量の算出方法を学習する。学習手段４００は強化学習、遺伝的アルゴリズム、非線形計画法などの最適化アルゴリズムを用いて実装できるが、本発明では学習手段４００の実装方法を限定しない。

学習手段４００で参照する評価値Ｓｇ１０は評価値計算手段５００で計算するが、計算方法は静特性評価結果Ｓｇ８に基づいて計算する（１）式の方法、動特性評価結果Ｓｇ９に基づいて計算する（２）式の方法、静特性評価結果Ｓｇ８と動特性評価結果Ｓｇ９の両方に基づいて計算する（３）式の方法の３種類がある。尚、Ｒは評価値Ｓｇ１０、ｐは静特性評価結果Ｓｇ８、ｑは動特性評価結果Ｓｇ９、ｗ１、ｗ２は重み係数である。
[数１]
Ｒ＝Σｐ （１）
[数２]
Ｒ＝∫ｑｄｔ （２）
[数３]
Ｒ＝ｗ１×Σｐ＋ｗ２×∫ｑｄｔ （３）
処理ステップＳ１５０では、処理ステップＳ１４０の動作回数が予め定めた閾値を超えるかどうかを判定し、超えない場合は処理ステップＳ１１０に戻り、超えた場合は処理ステップＳ１６０に進む。

処理ステップＳ１６０では、処理ステップＳ１００の動作回数が予め定めた閾値を超えるかどうかを判定し、超えない場合は処理ステップＳ１００に戻り、超えた場合は終了に進む。

尚、各処理ステップで演算装置を動作させた結果は、処理結果Ｓｇ１１として処理結果データベースＤＢ３に送信され、保存する。また、各処理ステップで演算装置を動作させる際、必要に応じて処理結果データベースＤＢ３に保存されている情報を使用できる。

図２（ｂ）は学習結果に基づいて操作条件信号を生成する際のフローチャート図である。

図２（ｂ）において処理ステップＳ１７０では、操作条件信号生成手段７００にて、処理結果Ｓｇ１２の入力に基づいて操作条件信号Ｓｇ１３を計算し、外部出力インターフェイス２２０に送信する。その後、操作条件信号Ｓｇ１４は制御装置１８０と画像表示装置９４０に送信する。操作条件信号Ｓｇ１４を用いて、直接適用対象１００を操作することが可能である。また、操作条件信号Ｓｇ１４の値を操作ガイダンスとして画像表示装置９４０に表示することが可能である。

また、処理ステップＳ１４０で学習した３種類の学習結果について、各操作条件信号Ｓｇ１４の値を画像表示装置９４０に表示し、任意の操作条件を選択できるようにしても良い。

図１、図２（ａ）、図２（ｂ）に示すように、本発明の実施例においては静特性と動特性に分けて適用対象１００のＫＰＩを予測的に評価しようとしている。そのため以降の説明の前提として適用対象１００の運転とＫＰＩの関係について図３を用いて説明する。

図３において横軸は時間、縦軸は適用対象１００の例えば負荷を表している。この図に示すように本発明が適用される適用対象１００は、負荷が一気に１００％まで増加されるわけではなく、例えば増加段階の途中で一定を保持する段階を1つ以上有する。この増加段階において、一定を保持する段階のタイミングｔ１、ｔ２、ｔ３において適用対象１００の静特性を評価して静特性評価結果Ｓｇ８を得、増加段階の期間Ｔ１、Ｔ２、Ｔ３において適用対象１００の動特性を評価して動特性評価結果Ｓｇ９を得る。なお図３では増加段階において一定を保持する段階を設けた例を示しているが、この一定を保持する段階は、負荷の減少段階においても同様に設定される。

なお静特性評価結果Ｓｇ８及び動特性評価結果Ｓｇ９は、適用対象１００のＫＰＩを示す指標であり、例えば効率、環境性能、稼働率などの運用性能を直接的にあるいは間接的に示す指標である。これらの指標は計測対象とした時点、期間ごとに求められ、かつ各時点、期間での指標はそれぞれにおいて複数のものが設定されていてもよい。

また図２の学習手段４００が与える操作条件Ｓｇ７は、図３に例示される負荷の増加、減少段階である負荷パターンを定めたものであり、あるいはその場合の各種のプロセス量や操作量を定めたものである。これらの操作条件Ｓｇ７は、その後の学習により適正な操作条件Ｓｇ７に収束をしていくことになり、この結果として最初に与えた操作条件Ｓｇ７としての負荷パターンは、学習後の別の負荷パターンとされる。本発明の実施例に係るＫＰＩ改善支援システム２００は、ＫＰＩを最適化するための運転態様を追求するものということができる。

上記したように本発明のＫＰＩ改善支援システム２００は、例えば図３の起動前の段階において定格負荷に達するまでの負荷パターンとして実線で示す操作条件Ｓｇ７の初期値（各段階の負荷の大きさ、継続時間や変化幅もしくは変化率など）が与えられ、操作条件に従って運転した時の運転状態を予測しかつ静特性並びに動特性を評価し、双方の観点から評価した最適な評価値に基づいて作成した新たな負荷パターンとして点線で示す操作条件Ｓｇ１３により適用対象１００を制御することを提案していくことになる。

なおＫＰＩ改善支援システム２００における上記予測に基づく制御は、起動前に予測負荷パターンとして操作条件Ｓｇ１３を決定していまい、以降は操作条件Ｓｇ１３に従い運転するものとすることもできるし、あるいは起動過程において次段階あるいは次々段階までの予測を行い逐次予測負荷パターンとして操作条件Ｓｇ１３を決定しながら運転していくものとすることもできる。

次に、図４（ａ）、図４（ｂ）、図４（ｃ）により、静特性評価手段３００と学習手段４００の動作を説明する。

図４（ａ）、図４（ｂ）は、静特性評価手段３００の実施例を説明する図である。静特性評価手段３００は、図４（ａ）に示すようなニューラルネットワークモデルで構築し、例えば空気流量設定値などの操作量の入力に対して、効率、環境負荷物質などの運用性を評価する指標を出力する。

図４（ｂ）は、ニューラルネットワークモデルの入力と出力の関係を示す図であり、ニューラルネットワークモデルによれば入力である運転データを補間し、任意の操作条件に対する運用性を評価する指標の値を求めることができる。本実施例では、運用性を評価する指標を燃料の消費量、環境負荷物質の排出量と仮定しており、この指標が低い程ＫＰＩは高くなるという関係にあるものとする。

図４（ｃ）は、学習手段４００を動作させた結果の実施例である。本実施例では、現在の操作条件と操作条件の変化幅の関係を学習した結果を示している。図４（ｃ）の例では、現在の操作量が領域Ａにある時は操作条件を増加させ、領域Ｂにある時は操作条件を減少させる。このように操作条件を変化させることで、図４（ｂ）の運用性を評価する指標が極小値となり、ＫＰＩを向上できる。

なお以上の説明においては、図４（ａ）、図４（ｂ）、図４（ｃ）により、静特性評価手段３００と学習手段４００の動作を説明したが、同様にして動特性評価手段６００をニューラルネットワークモデルそのほかの技術により構築できることは言うまでもない。なお本発明は動特性評価手段６００の具体的な構成手法に係る発明ではないので、動特性評価手段６００の詳細な説明は割愛する。

図５（ａ）、図５（ｂ）は、ＫＰＩ改善支援システム２００に備えられているデータベースＤＢに保存されるデータの態様を説明する図である。

図５（ａ）は運転データベースＤＢ１に保存されるデータの態様を説明する図である。図５（ａ）に示すようにセンサで計測した項目Ａ、Ｂ、Ｃなどの運転データがサンプリング周期毎に保存される。運転データのトレンドグラフは、画像表示装置９４０に表示可能である。

図５（ｂ）は運転計画データベースＤＢ２に保存されるデータの態様を説明する図である。図５（ｂ）に示すように、運転条件Ａ、Ｂ、Ｃとしてプラントで使用する材料、プラントで生成する製品などの計画などが時系列的に保存される。なお運転計画データベースＤＢ２に保存される、プラントで使用する材料、プラントで生成する製品などの計画データは、図３の負荷一定状態あるいは負荷変化状態として例えば各段階の負荷の大きさ、継続時間や変化幅もしくは変化率などを反映した時系列的なデータである。

尚、図示していないが、処理結果データベースＤＢ３には図４（ａ）に示したニューラルネットワークモデルの重み係数、図４（ｂ）、図４（ｃ）に示した結果を得るために必要な情報などが保存されている。

図６は、図２の処理をさらに静特性側と動特性側に分けて具体的に示したフローチャートである。

図６のフローによれば、最初の処理ステップＳ２００において、運転データデータベースＤＢ１と運転計画データベースＤＢ２からＫＰＩ算出に必要な各種のデータＳｇ５、Ｓｇ６を取り込む。これは例えば適用対象１００の過去の運転経験からデータベースＤＢに蓄積されたデータの中から、図３に示す運転区間に関与して得られたデータを以降の演算のために取り込んだものである。あるいは、適用対象１００の現在の運転状態を反映するオンライン情報である。

これらのデータは、処理ステップＳ２０１Ｓ、Ｓ２０１Ｄにおいて、静特性側データと動特性側データに振り分けられる。ごく簡便には、静特性側データとは、図３の静止状態にある時刻ｔ１、ｔ２、ｔ３において入手されたデータであり、動特性側データとは、図３の動作状態にある時間帯Ｔ１、Ｔ２、Ｔ３において入手されたデータである。なお、図６では右側の処理が動特性側の処理（Ｄを付して記載）、左側が静特性側の処理（Ｓを付して記載）、中央部が共通して行われる処理を表している。

次に処理ステップＳ２０２Ｓ、Ｓ２０２Ｄにおいて、静特性モデルと動特性モデルについての操作条件Ｓｇ７を設定する。初期状態であれば、例えば静止状態にある時刻ｔ１、ｔ２、ｔ３について、この時の負荷パターンである時刻や負荷の大きさなどが例えば設定され、動作状態にある期間Ｔ１、Ｔ２、Ｔ３について、この時の負荷パターンである変化幅もしくは変化率、負荷の大きさなどが例えば設定される。なお、必要に応じて他のファクターが設定されるものであってもよい。

処理ステップＳ２０３Ｓ、Ｓ２０３Ｄでは、与えられたデータおよび操作条件の下で静特性モデルと動特性モデルによる演算を実行し、静特性評価と動特性評価をおこなう。この処理は図１の静特性評価手段３００と動特性評価手段６００に対応する。処理ステップＳ２０３Ｓ、Ｓ２０３Ｄの処理結果として、それぞれ静特性評価結果Ｓｇ８と動特性評価結果Ｓｇ９が得られるが、これらはいずれも１つまたは複数であってもよい。例えば効率、環境性能、稼働率などの複数の運用性能をＫＰＩとして考慮するのであれば、静特性評価と動特性評価の夫々において、効率、環境性能、稼働率などの観点でのＫＰＩを求めるものであってもよい。

処理ステップＳ２０４では、静特性評価と動特性評価の観点で算出した複数のＫＰＩについて例えば（３）式により複数のＫＰＩを１つのＫＰＩに束ね、あるいは重要ないくつかの指標を代表指標とする。この代表指標は、静特性評価と動特性評価の双方を考慮した指標である。

処理ステップＳ２０５では、代表指標を達成する新たな操作条件Ｓｇ７を生成し、再度それぞれ処理ステップＳ２０２Ｓ、Ｓ２０２Ｄに条件設定を行い、以降当初目的としたＫＰＩを達成するまで繰り返し処理を実行する。処理ステップＳ２０６では、満足すべき結果が得られた場合に外部出力する。なお、最終的に得られた結果は、例えば新たな負荷パターンを設定するものであり、例えば図３の負荷パターンを点線のようにすべきことを教示するものである。点線の負荷パターンは、図１の操作信号Ｓｇ１３に対応する。

次に図７（ａ）、図７（ｂ）、図７（ｃ）、図７（ｄ）により、本発明の効果について説明する。

図７（ａ）、図７（ｂ）は、評価値計算手段５００にて静特性評価結果Ｓｇ８のみを用いて評価値Ｓｇ１０を計算した時のプラントの操作結果例である。図７（ｃ）、図７（ｄ）は、評価値計算手段５００にて静特性評価結果Ｓｇ８と動特性評価結果Ｓｇ９の両方を用いて評価値１０を計算した時のプラントの操作結果例である。

図７（ａ）はＫＰＩ（縦軸）の時間推移(横軸)を示したものであり、ＫＰＩを静的な状態（ＫＰＩが一定な状態）において評価してその後の動作に反映させたことを表している。この例では最初の静的な状態において操作条件をＳｐ１０からＳｐ１１に変更し、次の静的な状態において操作条件をＳｐ１１からＳｐ２０に変更している。この結果としてＫＰＩは次の静的な状態に移行するにあたり、まず低下傾向を示しその後に増加して安定状態に推移した。

図７（ｂ）は、例えば起動時における前後する操作条件間の関係を示しており、操作条件を状態Ａ(１００％負荷)の最適ポイントであるＳｐ１０から状態Ｂ(８０％負荷)の最適ポイントであるＳｐ２０に移行するにあたり、運転上の制限などを考慮して中間ポイントを設定し、その操作条件としてＳｐ１１を選択し、経由したことを表している。

この事例に示すように、静特性評価結果Ｓｇ８のみを用いて評価値Ｓｇ１０を計算した場合、ＫＰＩ改善支援システム２００を動作させた結果に基づいて操作条件を変更することによりＫＰＩは改善する。図７（ｂ）に示すように、１回の操作で変更できる操作条件幅に制限、制約があるため、何回か操作条件を変更してＫＰＩを改善させている。

なお操作を繰り返すことでＫＰＩは改善するが、操作条件を変更したタイミングに一時的にＫＰＩが悪化する。これは、適用対象のプロセス値が過渡的に変動することに伴い、ＫＰＩも変動するためである。

これに対し、静特性評価結果Ｓｇ８と動特性評価結果Ｓｇ９の両方を用いて評価値１０を計算した時には、以下のようである。

図７（ｃ）はＫＰＩ（縦軸）の時間推移(横軸)を示したものであり、ＫＰＩを動的な状態（ＫＰＩが一定な状態）において評価してその後の動作に反映させたことを表している。この例では最初の状態において操作条件をＳｐ１０からＳｐ１２に変更し、次の状態において操作条件をＳｐ１２からＳｐ２０に変更している。この結果としてＫＰＩは次の状態に移行するにあたり、まず低下傾向を示しその後に増加して安定状態に推移しているが、図７（ａ）に示すような大幅な低下傾向は軽減されていることがわかる。

図７（ｄ）は、例えば起動時における前後する操作条件間の関係を示しており、操作条件を状態Ａ(１００％負荷)の最適ポイントであるＳｐ１０から状態Ｂ(８０％負荷)の最適ポイントであるＳｐ２０に移行するにあたり、運転上の制限などを考慮して中間ポイントを設定し、その操作条件としてＳｐ１２を選択し、経由したことを表している。Ｓｐ１２を経由するこの操作ルートは、動特性が優れた操作ルートである。

これらの比較によれば、図７（ｃ）に示すように、静特性評価結果Ｓｇ８と動特性評価結果Ｓｇ９の両方を用いて評価値Ｓｇ１０を計算した場合、ＫＰＩ改善支援システム２００を動作させた結果に基づいて操作条件を変更することにより図７（ａ）と同様にＫＰＩは改善する。最終的なＫＰＩの値は図７（ａ）と図７（ｃ）とで同じであるが、過渡的なＫＰＩの悪化は図７（ｃ）の方が小さく、時間積分するとトータルでは図７（ａ）と比較して図７（ｃ）の方が優れる。これは、図７（ｃ）では動特性評価結果Ｓｇ９も用いて評価値Ｓｇ１０を計算するため過渡的なＫＰＩ低下を抑制するように操作条件を決定しているためである。

このように、本発明のＫＰＩ改善支援システム２００を用いることで、過渡的なＫＰＩ低下を抑制するように操作条件を決定でき、時間積分したトータルでの最適化が可能となる。

本発明に係るＫＰＩ改善支援システム及びＫＰＩ改善支援方法についての基本概念を実施例１で説明したので、実施例２では適用対象が石炭火力プラントである場合について説明する。

図８は適用対象１００の実施例である石炭火力プラントの構成を示す概略図である。まず、石炭火力プラントによる発電の仕組みについて簡単に説明する。

図８において、適用対象１００である石炭火力プラントを構成するボイラ１０１には、ミル１３４で石炭を細かく粉砕した燃料である微粉炭と、微粉炭搬送用の１次空気及び燃焼調整用の２次空気とを供給する複数のバーナ１０２が設けられており、このバーナ１０２を通じて供給した微粉炭を、ボイラ１０１の内部で燃焼させる。バーナ１０２の構造は、図示しているようにボイラ１０１の前後に複数段配置され、各段は複数のバーナが１列に配置される。図８に示されたバーナ構造、配置により、ボイラ１０１の内部ではボイラの前面（以降、缶前と表記）と背面（以降、缶後と表記）から微粉炭を燃焼させる。缶前後のバーナ燃焼バランスを改善することにより、ボイラの熱回収効果が向上し、プラントの熱効率も改善する。

尚、微粉炭と１次空気は配管１３９から、２次空気は配管１４１から夫々バーナ１０２に導かれる。１次空気は、ファン１２０から配管１３０に導かれ、途中でボイラ１０１の下流側に設置されたエアーヒーター１０４を通過する配管１３２と、エアーヒーター１０４を通過せずにバイパスする配管１３１とに分岐するが、エアーヒーター１０４の下流側に配設した配管１３３となって再び合流し、バーナ１０２の上流側に設置された微粉炭を製造するミル１３４に導かれる。エアーヒーター１０４を通過する１次空気は、ボイラ１０１を流下する燃焼ガスと熱交換することによって加熱される。この加熱された１次空気と共に、エアーヒーター１０４をバイパスした１次空気は、ミル１３４において粉砕した微分炭をバーナ１０２に搬送する。

ミル１３４は各バーナ段に対応するように配置され（図８では４台）、各段を構成するバーナへ微粉炭と１次空気を供給する。すなわち、発電出力低下時など石炭供給量を低下させる場合にはミルを停止してバーナ段毎にバーナ休止させることができる。ミル１３４では、ボイラ１０１の燃焼性を考慮し、使用する石炭の性質に応じて望ましい粒度の微粉炭が得られるよう、ミルの回転数を調整する。また、石炭バンカ１３６に貯蔵された石炭は石炭コンベア１３７を経由して給炭機１３５へ導かれ給炭機１３５によって供給量を調整される。その後、石炭コンベア１３８を介してミル１３４に供給される。

また、ボイラ１０１には、２段燃焼用の空気をボイラ１０１に投入するアフタエアポート１０３が設けられている。２段燃焼用の空気は、配管１４２からアフタエアポート１０３に導かれる。図８に示したボイラ１０１において、ファン１２１を用いて配管１４０から投入された空気は、エアーヒーター１０４で同様にして加熱された後に、２次空気用の配管１４１とアフタエアポート用の配管１４２とに分岐して、夫々、ボイラ１０１のバーナ１０２とアフタエアポート１０３とに導かれる。この、バーナ１０２及びアフタエアポート１０３へ供給される空気流量は、夫々の配管１４１及び１４２に設置された空気ダンパ（図示せず）の操作によって調整できる。

ボイラ１０１の内部で微粉炭を燃焼することによって発生した高温の燃焼ガスは、ボイラ１０１の内部の経路に沿って下流側に流下して、ボイラ１０１の内部に配置された熱交換器１０６で給水と熱交換して蒸気を発生させた後に、排ガスとなってボイラ１０１の下流側に設置されたエアーヒーター１０４に流入し、このエアーヒーター１０４で熱交換してボイラ１０１に供給する空気を昇温する。

そして、このエアーヒーター１０４を通過した排ガスは、図示していない排ガス処理を施した後に、煙突から大気に放出される。

ボイラ１０１の熱交換器１０６を循環する給水は、給水ポンプ１０５を介して熱交換器１０６に供給され、熱交換器１０６においてボイラ１０１を流下する燃焼ガスによって過熱され、高温高圧の蒸気となる。尚、本実施例では熱交換器の数を１つとしているが、熱交換器を複数配置するようにしてもよい。

熱交換器１０６で発生した高温高圧の蒸気は、タービンガバナ１０７を介して蒸気タービン１０８に導かれ、蒸気の持つエネルギーによって蒸気タービン１０８を駆動して発電機１０９で発電する。

上記した実施例２の適用対象１００である石炭火力プラントには、その運転状態を示す状態量を検出する様々な計測器が配置されている。

前記適用対象１００に配置された計測器から取得された石炭火力プラントの計測信号は、図１に示すよう運転データデータベースＤＢ１に保存される。

計測器としては、例えば図８に示すように、熱交換器１０６から蒸気タービン１０８に供給される高温高圧の蒸気の温度を計測する温度計測器１５１、蒸気の圧力を計測する圧力計測器１５２、発電機１０９で発電される電力量を計測する発電出力計測器１５３がある。

蒸気タービン１０８の復水器（図示せず）によって蒸気を冷却して生じた給水は、給水ポンプ１０５によってボイラ１０１の熱交換器１０６に供給されるが、この給水の流量は流量計測器１５０によって計測されている。

ボイラ１０１から排出する燃焼ガスである排ガス中に含まれている成分（窒素酸化物（ＮＯｘ）、一酸化炭素（ＣＯ）、及び硫化水素（Ｈ_２Ｓ）など）の濃度に関する状態量の計測信号は、ボイラ１０１の下流側に設けた濃度計測器１５４によって計測される。

また、給炭系統に関する計測器としては、配管１３３を通ってミル１３４へ供給される１次空気の流量を計測する１次空気流量計１５５、給炭機１３５より石炭コンベア１３８を通りミル１３４へ供給される石炭の給炭量を計測する給炭量計１５６、及びミル１３４の回転数を計測する回転数計１５７があり、夫々のミル及び給炭機について上記情報を計測できる構成となっている。

即ち、本発明の運転データデータベースＤＢ１には、上記各計測器によって計測した適用対象１００である石炭火力プラントの状態量であるボイラ１０１に供給される石炭流量、ミル１３４の回転数、ボイラ１０１に供給される１次及び２次空気流量、ボイラ１０１の熱交換器１０６に供給される給水流量、ボイラ１０１の熱交換器１０６で発生して蒸気タービン１０８に供給される蒸気温度、ボイラ１０１の熱交換器１０６に供給される給水の給水圧力、ボイラ１０１から排出される排ガスのガス温度、前記排ガスのガス濃度、及びボイラ１０１から排出される排ガスの一部をボイラ１０１に再循環させる排ガス再循環流量等が含まれる。

尚、一般的には図８に図示した以外にも多数の計測器が石炭火力適用対象１００に配置されるが、ここでは図示を省略する。

火力発電プラントにＫＰＩ改善支援システム２００を適用した場合、具体的なＫＰＩとしては、以下のものを考慮するのがよい。これらは例えば火力発電プラントで消費する石炭流量、火力発電プラントから排出される灰中未燃分、一酸化炭素、窒素酸化物、硫化酸化物、水銀、フッ素、煤塵またはミストから成る微粒子類、揮発性有機化合物のいずれかの状態量であり、これらの値を低減することがＫＰＩ改善に繋がる。

図９（ａ）、図９（ｂ）、図９（ｃ）は、図１の過渡特性評価手段６１０の動作を説明する図である。過渡特性評価手段６１０では、操作条件である空気流量の変化幅、変化率と、石炭流量、灰中未燃分、一酸化炭素、窒素酸化物、硫化酸化物、水銀、フッ素、煤塵またはミストから成る微粒子類、揮発性有機化合物のいずれかの状態量の動的な変化の関係を評価する。

図９（ａ）に示すように、過渡特性評価手段６１０には操作条件変更幅とプロセス値のオーバーシュート幅の関係が保存されている。この関係は、過去のプラントの操作結果、プラントの特性を模擬するモデルを用いたシミュレーションの結果に基づいて作成する。

オーバーシュート幅が大きいとＫＰＩ低下の要因となるため、評価値が下がる。その結果、学習手段４００ではオーバーシュートが小さい操作を学習できる。

図９（ｂ）は、評価値計算手段５００にて静特性評価結果Ｓｇ８のみを用いて評価値Ｓｇ１０を計算した時のプラントの操作結果例である。また、図９（ｃ）は、評価値計算手段５００にて静特性評価結果Ｓｇ８と動特性評価結果Ｓｇ９の両方を用いて評価値Ｓｇ１０を計算した時のプラントの操作結果例である。

図９（ｂ）に示すように、静特性評価結果Ｓｇ８のみを用いて評価値Ｓｇ１０を計算した場合、ＫＰＩ改善支援システム２００を動作させた結果に基づいて操作条件を変更することによりＫＰＩは改善する。操作を繰り返すことでＣＯ濃度が低下するが、操作条件を変更したタイミングに一時的にＣＯ濃度が上昇する。

図９（ｃ）に示すように、静特性評価結果Ｓｇ８と動特性評価結果Ｓｇ９の両方を用いて評価値Ｓｇ１０を計算した場合、ＫＰＩ改善支援システム２００を動作させた結果に基づいて操作条件を変更することにより図９（ｂ）と同様にＣＯ濃度は改善する。最終的なＣＯ濃度の値は図９（ｂ）と図９（ｃ）とで同じであるが、過渡的なＣＯ濃度の上昇は図９（ｃ）の方が小さく、時間積分するとトータルでは図９（ｂ）と比較して図９（ｃ）の方が優れる。これは、図９（ｃ）では動特性評価結果Ｓｇ９も用いて評価値Ｓｇ１０を計算するため過渡的なＫＰＩ低下、すなわちＣＯ濃度の上昇を抑制するように操作条件を決定しているためである。

図１０（ａ）、図１０（ｂ）は、運転計画連携評価手段６２０の動作を説明する図である。

図１０（ａ）は運転計画連携手段６２０で用いる運転計画データＳｇ６の内容を説明する図である。発電プラントでは、電力の需要に合わせて負荷を調整しており、負荷条件が変わるとプラントに供給する石炭の流量を変更する。この変更に伴い、火炉内の燃焼状態も変化し、最適な操作条件も変化する。運転計画データＳｇ６には、時間と負荷の計画の関係が含まれる。

図１０（ｂ）は、運転計画連携評価手段６２０を動作させた評価値を用いて学習手段４００を動作させた結果を説明する図である。８０％負荷の運転時間が短い場合、最適ポイントに到達させるために複数回操作条件を変更して時間をかけるよりも、準最適な条件でも早く到達した方がトータルではＫＰＩが高くなる。

本発明の運転計画連携手段６２０を用いることで、トータルで良い操作方法を見つけることが可能となる。また、複数の操作ルートを画像表示装置９４０に表示し、操作ルートを選択できる構成としても良い。

実施例１、２には本発明のＫＰＩ改善支援装置をプラントに適用した場合について述べたが、適用対象はプラントに限定されない。

例えば、熱サイクルを有する機器を運用する際には、環境への負荷をできるだけ下げ、燃料使用量を削減をすることが求められている。車両においては、排ガスに含まれる環境負荷物質を低減すること、燃費を向上させことを両立したいという課題がある。このような課題についても、本発明のＫＰＩ改善支援システムを用いた操作量を決定することで、環境負荷物質、燃費などのＫＰＩを改善することが可能となる。

本発明は、各種機器のＫＰＩ改善支援システムとして、幅広く活用可能である。

Ｓｇ１：外部入力信号、Ｓｇ２：運転データ、Ｓｇ３：運転データ、Ｓｇ４：運転計画データ、Ｓｇ５：運転データ、Ｓｇ６：運転計画データ、Ｓｇ７：操作条件、Ｓｇ８：静特性評価結果、Ｓｇ９：動特性評価結果、Ｓｇ１０：評価値、Ｓｇ１１：処理結果、Ｓｇ１２：処理結果、Ｓｇ１３：操作条件信号、Ｓｇ１４：操作条件信号、Ｓｇ７０：計測信号、Ｓｇ８０：操作信号、１００：適用対象、１８０：制御装置、１９０：機器、２００：ＫＰＩ改善支援システム、２１０：外部入力インターフェイス、２２０：外部出力インターフェイス、ＤＢ１：運転データＤＢ、ＤＢ２：運転計画ＤＢ、ＤＢ３：処理結果ＤＢ、３００：静特性評価手段、４００：学習手段、５００：評価値計算手段、６００：動特性評価手段、６１０：過渡特性評価手段、６２０:運転計画連携評価手段、７００：操作条件信号生成手段、９００:外部装置、９１０：外部入力装置、９２０：キーボード、９３０：マウス、９４０：画像表示装置

Claims (20)

1. 一定運転状態と変動運転状態が繰り返し実行される適用対象からの運転データを得、前記適用対象の操作条件を与えるＫＰＩ改善支援システムであって、
   少なくとも前記変動運転状態における操作条件と前記運転データを用いて適用対象の変動運転状態におけるＫＰＩの動特性を評価する動特性評価手段と、前記動特性評価手段における評価結果から前記適用対象の操作条件を学習する学習手段と、前記学習手段による学習結果に従って前記適用対象の操作条件を生成する操作条件信号生成手段を備えることを特徴とするＫＰＩ改善支援システム。
2. 請求項1に記載のＫＰＩ改善支援システムであって、
   少なくとも前記一定運転状態における操作条件と前記運転データを用いて適用対象の一定運転状態におけるＫＰＩの静特性を評価する静特性評価手段と、前記動特性評価手段における評価結果と前記静特性評価手段における評価結果とから静特性と動特性についての評価結果を得る評価値算出手段とを備え、
   前記学習手段は、前記評価値算出手段が与える評価結果から前記適用対象の操作条件を学習することを特徴とするＫＰＩ改善支援システム。
3. 請求項1に記載のＫＰＩ改善支援システムであって、
   前記動特性評価手段は、前記学習手段における学習の結果定められた前記変動運転状態における操作条件を用いて、適用対象の前記変動運転状態におけるＫＰＩの動特性を評価することを特徴とするＫＰＩ改善支援システム。
4. 請求項２に記載のＫＰＩ改善支援システムであって、
   前記静特性評価手段は、前記学習手段における学習の結果定められた前記一定運転状態における操作条件を用いて、適用対象の前記一定運転状態におけるＫＰＩの静特性を評価することを特徴とするＫＰＩ改善支援システム。
5. 請求項1から請求項４のいずれか1項に記載のＫＰＩ改善支援システムであって、
   前記動特性評価手段は、前記操作条件として変化幅もしくは変化率の少なくとも１つと、ＫＰＩの動的な変化の関係を評価する過渡特性評価手段を備えることを特徴とするＫＰＩ改善支援システム。
6. 請求項５に記載のＫＰＩ改善支援システムであって、
   前記動特性評価手段は、前記適用対象で使用する燃料の種類、前記適用対象で生成する製品の内容、製造量の計画値の少なくとも１つを含む運転計画を変更した際に、現在の操作条件に近い操作条件の評価値を高くする運転計画連携評価手段を備えることを特徴とするＫＰＩ改善支援システム。
7. 前記一定運転状態における操作条件と前記運転データを用いて適用対象の一定運転状態におけるＫＰＩの静特性を評価する静特性評価手段を備えた請求項1から請求項６のいずれか1項に記載のＫＰＩ改善支援システムであって、
   前記学習手段で参照する評価値は、前記静特性評価手段における静特性評価結果に基づいて計算する場合、前記動特性評価手段における動特性評価結果に基づいて計算する場合、前記静特性評価結果と前記動特性評価結果の両方に基づいて計算する場合の３種類があり、３種類の計算方法に対して評価結果が最大もしくは最小となる操作条件を３種類生成し、任意の操作条件を選択できるようにすることを特徴とするＫＰＩ改善支援システム。
8. 前記一定運転状態における操作条件と前記運転データを用いて適用対象の一定運転状態におけるＫＰＩの静特性を評価する静特性評価手段を備えた請求項1から請求項６のいずれか1項に記載のＫＰＩ改善支援システムであって、
   前記前記静特性評価手段および動特性評価手段は、それぞれ複数のおよびＫＰＩを評価し、前記学習手段は複数のＫＰＩの評価結果の代表値を評価結果として学習を行うことを特徴とするＫＰＩ改善支援システム。
9. 請求項1から請求項８のいずれか1項に記載のＫＰＩ改善支援システムであって、
   前記適用対象が火力発電プラントであり、
   前記ＫＰＩは火力発電プラントで消費する石炭流量、火力発電プラントから排出される灰中未燃分、一酸化炭素、窒素酸化物、硫化酸化物、水銀、フッ素、煤塵またはミストから成る微粒子類、揮発性有機化合物のいずれかの状態量であることを特徴とするＫＰＩ改善支援システム。
10. 請求項９に記載のＫＰＩ改善支援システムであって、
    前記動特性評価手段は、空気流量の変化幅または変化率と、石炭流量、灰中未燃分、一酸化炭素、窒素酸化物、硫化酸化物、水銀、フッ素、煤塵またはミストから成る微粒子類、揮発性有機化合物のいずれかの状態量の動的な変化の関係を評価する過渡特性評価手段を備えることを特徴とするＫＰＩ改善支援システム。
11. 請求項１０に記載のＫＰＩ改善支援システムであって、
    前記動特性評価手段は、石炭運用計画、負荷計画を変更した際、現在の操作条件に近い操作条件の評価値を高くする運転計画連携評価手段を備えることを特徴とするＫＰＩ改善支援システム。
12. 請求項９から請求項１１のいずれか1項に記載のＫＰＩ改善支援システムであって、
    火力発電プラントの静特性を予測して静定時のＫＰＩを評価する静特性評価手段を備え、前記学習手段で参照する評価値は、前記静特性評価手段における静特性評価結果に基づいて計算する場合、前記動特性評価手段における動特性評価結果に基づいて計算する場合、前記静特性評価結果と前記動特性評価結果の両方に基づいて計算する場合の３種類があり、３種類の計算方法に対して評価結果が最大もしくは最小となる操作条件を３種類生成し、任意の操作条件を選択できるようにすることを特徴とするＫＰＩ改善支援システム。
13. 請求項９から請求項１２のいずれか1項に記載のＫＰＩ改善支援システムであって、
    前記動特性評価手段は過去のプラントの操作結果、プラントの特性を模擬するモデルを用いたシミュレーションの結果に基づいて、操作条件変更幅から状態量のオーバーシュート幅を計算することを特徴とするＫＰＩ改善支援システム。
14. 一定運転状態と変動運転状態が繰り返し実行される適用対象からの運転データを用いて、前記適用対象の操作条件を与えるＫＰＩ改善支援方法であって、
    少なくとも前記変動運転状態における操作条件と前記運転データを用いて適用対象の変動運転状態におけるＫＰＩの動特性を評価し、前記動特性の評価結果から前記適用対象の操作条件を学習し、前記学習の結果に従って前記適用対象の操作条件を生成することを特徴とするＫＰＩ改善支援方法。
15. 請求項1４に記載のＫＰＩ改善支援方法であって、
    少なくとも前記一定運転状態における操作条件と前記運転データを用いて適用対象の一定運転状態におけるＫＰＩの静特性を評価し、前記動特性の評価結果と前記静特性の評価結果とから静特性と動特性についての評価結果を得、前記評価から前記適用対象の操作条件を学習することを特徴とするＫＰＩ改善支援方法。
16. 請求項1４に記載のＫＰＩ改善支援方法であって、
    前記学習の結果定められた前記変動運転状態における操作条件を用いて、適用対象の前記変動運転状態におけるＫＰＩの動特性を評価することを特徴とするＫＰＩ改善支援方法。
17. 請求項１５に記載のＫＰＩ改善支援方法であって、
    前記学習の結果定められた前記一定運転状態における操作条件を用いて、適用対象の前記一定運転状態におけるＫＰＩの静特性を評価することを特徴とするＫＰＩ改善支援方法。
18. 請求項1４から請求項１７のいずれか1項に記載のＫＰＩ改善支援方法であって、
    前記動特性を評価するにあたり、前記操作条件として変化幅もしくは変化率の少なくとも１つと、ＫＰＩの動的な変化の関係を評価することを特徴とするＫＰＩ改善支援方法。
19. 請求項１８に記載のＫＰＩ改善支援方法であって、
    前記動特性を評価するにあたり、前記適用対象で使用する燃料の種類、前記適用対象で生成する製品の内容、製造量の計画値の少なくとも１つを含む運転計画を変更した際に、現在の操作条件に近い操作条件の評価値を高くすることを特徴とするＫＰＩ改善支援方法。
20. 前記一定運転状態における操作条件と前記運転データを用いて適用対象の一定運転状態におけるＫＰＩの静特性を評価する請求項1４から請求項１９のいずれか1項に記載のＫＰＩ改善支援方法であって、
    前記学習において参照する評価値は、前記静特性の評価結果に基づいて計算する場合、前記動特性の評価結果に基づいて計算する場合、前記静特性の評価結果と前記動特性の評価結果の両方に基づいて計算する場合の３種類があり、３種類の計算方法に対して評価結果が最大もしくは最小となる操作条件を３種類生成し、任意の操作条件を選択できるようにすることを特徴とするＫＰＩ改善支援方法。

Images