JP2020135374A - 情報処理装置、情報処理方法、および情報処理プログラム - Google Patents

Abstract

【課題】パラメータの予測において、信頼性と精度を両立させる。【解決手段】情報処理装置（１）は、数理モデルを用いて第１予測値を算出する第１予測部（１２）と、学習済みモデルを用いて、第２予測値を算出する第２予測部（１３）と、上記第１予測値および上記第２予測値に基づいてパラメータの予測値を決定する予測値決定部（１５）と、を備えている。【選択図】図１

Description

本発明は、プラントにおけるプロセスに関するパラメータ値を予測する情報処理装置等に関する。

各種プラントにおいては、その制御を適切に行うための様々な技術の研究・開発が進められている。例えば、下記の特許文献１には、廃棄物処理プラントや水処理プラント等の各種処理を行う処理プラント設備の運転制御において、ニューラルネットワークからなる学習済みモデルに各種プロセスデータを導入して予測運転制御を行う技術が開示されている。

特開２００５−２４２５２４号公報

上記特許文献１の技術によれば、ニューラルネットワークからなる学習済みモデルを用いることにより、非線形の挙動を示すプロセスについて高精度な予測を行うことができる。しかしながら、学習済みモデルの予測精度は、どのような学習を行ったかに依存するため、学習が全くなされていないか、または学習が不十分な範囲に属する入力データが学習済みモデルに入力された場合、予測精度は低下してしまう。

特に、学習済みモデルによる予測値は現実離れした値となる可能性がある。そして、そのような現実離れした値に基づいて制御を行ってしまうと、プラントの運営に大きな支障が生じることも危惧される。このように、学習済みモデルのみを用いた予測は信頼性に問題がある。

本発明の一態様は、上記の問題点に鑑みてなされたものであり、その目的は、プラントにおけるパラメータの予測において、信頼性と精度を両立させることができる情報処理装置等を実現することにある。

上記の課題を解決するために、本発明の一態様に係る情報処理装置は、プラントにおける所定のプロセスをモデル化した数理モデルを用いて当該プロセスに関する所定のパラメータの予測値である第１予測値を算出する第１予測部と、機械学習により上記プロセスをモデル化した学習済みモデルを用いて上記パラメータの予測値である第２予測値を算出する第２予測部と、上記第１予測値および上記第２予測値の少なくとも何れかに基づいて、上記パラメータの予測値を決定する予測値決定部と、を備えている。

上記の課題を解決するために、本発明の一態様に係る情報処理方法は、情報処理装置による情報処理方法であって、プラントにおける所定のプロセスをモデル化した数理モデルを用いて当該プロセスに関する所定のパラメータの予測値である第１予測値を算出する第１予測ステップと、機械学習により上記プロセスをモデル化した学習済みモデルを用いて上記パラメータの予測値である第２予測値を算出する第２予測ステップと、上記第１予測値および上記第２予測値の少なくとも何れかに基づいて、上記パラメータの予測値を決定する予測値決定ステップと、を含む。

本発明の一態様によれば、パラメータの予測において、信頼性と精度を両立させることができるという効果を奏する。

本発明の一実施形態に係る情報処理装置の要部構成の一例を示すブロック図である。 ３段階で蒸気を過熱する過熱器と該過熱器に対応する予測モデルの例を示す図である。 予測値決定部による予測結果の決定について説明する図である。 上記情報処理装置による蒸気出口温度の予測結果と蒸気出口温度の実測値を示す図である。 上記情報処理装置が実行する処理の一例を示すフローチャートである。 本発明の実施形態２に係る情報処理装置において予測に関与する各部を説明する図である。 通常運転期間とスートブロー運転期間における蒸気出口温度と高圧蒸気溜め内の圧力の時系列変化の例を示す図である。 ＦＢ制御部とＭＰＣ部による制御の詳細を説明する図である。 本発明の実施形態４に係る情報処理装置の要部構成の一例を示すブロック図である。

〔実施形態１〕
＜情報処理装置の構成＞
本実施形態に係る情報処理装置について、図１から図５に基づいて説明する。図１は、本実施形態に係る情報処理装置１の要部構成の一例を示すブロック図である。情報処理装置１は、プラントにおける所定のプロセスに関する所定のパラメータの予測値を算出する装置である。

本実施形態では、上記プラントが、ゴミを焼却すると共にその焼却で発生した熱を利用して発電するゴミ焼却施設である例を説明する。また、本実施形態では、上記所定のプロセスが、ボイラで発生させた蒸気を過熱器により所定の温度まで過熱するプロセス（以下、蒸気過熱プロセスと呼ぶ）であり、上記所定のパラメータが、上記過熱器の出口付近における蒸気温度（以下、蒸気出口温度と呼ぶ）である例を説明する。

図１に示すように、情報処理装置１は、情報処理装置１の各部を統括して制御する制御部１０と、情報処理装置１が使用する各種データを記憶する記憶部２０を備えている。また、情報処理装置１は、情報処理装置１に対する入力操作を受け付ける入力部３０と、情報処理装置１が他の装置と通信するための通信部４０とを備えている。

また、制御部１０には、入力データ生成部１１、第１予測部１２、第２予測部１３、運転モード特定部１４、予測値決定部１５、およびプラント制御部１６が含まれている。そして、プラント制御部１６には、ＦＢ制御部１６１とＭＰＣ部１６２が含まれている。なお、運転モード特定部１４については実施形態２で説明し、ＦＢ制御部１６１とＭＰＣ部１６２については実施形態３で説明する。つまり、運転モード特定部１４、ＦＢ制御部１６１、およびＭＰＣ部１６２は、備えていることが好ましい構成要素であるが、必須の構成要素ではない。

入力データ生成部１１は、第１予測部１２が予測に用いる入力データと、第２予測部１３が予測に用いる入力データを生成する。なお、第１予測部１２が予測に用いる入力データと、第２予測部１３が予測に用いる入力データをそれぞれ別の入力データ生成部が生成する構成としてもよい。入力データは、基本的にプラントに設置されたセンサ等で測定された実測データである。実測データは、入力部３０を介して入力してもよいし、通信部４０を介して受信してもよい。

ただし、入力データ生成部１１は、第１予測部１２が使用する数理モデルと、第２予測部１３が使用する学習済みモデルとの少なくとも何れかに対する入力データの少なくとも一部を、実測データを用いることなく数理モデルを用いて算出してもよい。これにより、実測することが困難なデータを入力データに含めて、予測値の精度をさらに高めることが可能になる。

例えば、過熱器内を流れる蒸気の流量が分かれば、該流量が分からない場合と比べて、過熱器の出口付近における蒸気温度をより正確に予測できるが、流量を実測することが難しい場合もある。このような場合、蒸気の流量と相関のある他のパラメータ（実測データを取得可能なもの）を用いて蒸気の流量を算出する数理モデルを生成しておけばよい。これにより、入力データ生成部１１は、その数理モデルを用いて蒸気の流量を算出し、算出した流量を入力データに含めることができる。

第１予測部１２は、プラントにおける所定のプロセスに関する所定のパラメータの予測値である第１予測値を、数理モデルを用いて算出する。この数理モデルは、上記プロセスをモデル化したものである。具体的には、第１予測部１２は、蒸気過熱プロセスにおける蒸気出口温度の予測値を算出する。第１予測部１２は、数理モデルを用いるので、現実離れした予測値が算出される可能性が低く、信頼性が高い予測値を安定して算出することができる。

第２予測部１３は、機械学習により上記プロセスをモデル化した学習済みモデルを用いて上記パラメータの予測値である第２予測値を算出する。第２予測部１３は、学習済みモデルを用いるため、非線形な挙動を示すプロセスについて、高精度な予測値を算出することができる。

上記学習済みモデルは、具体的には、蒸気過熱プロセスにおける蒸気出口温度の予測値を算出できるようにニューラルネットワーク（以下、ＮＮと呼ぶ）を機械学習して生成されたものである。このような学習済みモデルは、過熱器の蒸気入口付近における蒸気温度等の、蒸気出口温度と相関のある入力データと、そのときの蒸気出口温度を示す正解データとを対応付けた教師データを用いた機械学習により生成することができる。教師データに含まれる、蒸気出口温度や蒸気入口温度などの実測可能なデータについてはゴミ焼却施設で実測された実測データを用いればよい。また、入力データ生成部１１が生成するような所定の数理モデルで算出したデータを入力データに含めてもよい。

なお、学習済みモデルに利用するアルゴリズムは特に限定されず、例えば、畳み込みニューラルネットワークや、リカレントニューラルネットワーク、あるいはそれらを組み合わせたものを適用することもできる。また、機械学習が可能なＮＮ以外のアルゴリズムを利用してもよく、例えば、ＬＳＴＭ（Long Short-Term Memory）を適用することもできる。

予測値決定部１５は、第１予測部１２が算出する第１予測値と、第２予測部１３が算出する第２予測値の少なくとも何れかに基づいて、パラメータの予測値を決定する。パラメータの予測値を決定する方法については図３に基づいて後述する。

プラント制御部１６は、予測値決定部１５が決定した予測値に基づいてプラントを制御する。プラント制御部１６は、予測値決定部１５が決定した信頼性が高く高精度な予測値に基づいてプラントの制御を行うので、適切な制御を行うことができる。また、プラント制御部１６は、予測値に基づいて制御を行うので、実測値に基づくフィードバック制御よりも早いタイミングでの制御（例えばフィードフォワード制御）を行うことも可能になる。なお、詳細は実施形態３で説明するが、プラント制御部１６は、予測値に基づく上記制御に加えてフィードバック制御も行ってもよい。

＜過熱器の構成例と予測モデル＞
過熱器の構成例と該過熱器に対応する予測モデルについて図２に基づいて説明する。図２は、３段階で蒸気を過熱する過熱器Ｂと過熱器Ｂに対応する予測モデルの例を示す図である。また、図２には、ゴミの焼却により発生した熱により蒸気を発生させるボイラＡについても併せて示している。

ボイラＡが発生させた蒸気は過熱器Ｂの内部に導入されて所定の温度まで過熱される。そして、過熱器Ｂから排出された過熱蒸気は、図示しない高圧蒸気溜め（アキュムレータ）に一旦溜め置かれ、その後、図示しない蒸気タービン発電機に供給される。電気を安定して作り出すためには、蒸気タービン発電機に供給される蒸気の温度を所定の温度に維持する必要がある。

図示の過熱器Ｂは、一次過熱部１１Ｂ、一次調整弁１２Ｂ、二次過熱部２１Ｂ、二次調整弁２２Ｂ、および三次過熱部３１Ｂを備えている。過熱器Ｂの内部に導入された蒸気は一次過熱部１１Ｂ〜三次過熱部３１Ｂで順次過熱されて、過熱器Ｂの外部に排出される。一次調整弁１２Ｂは、一次過熱部１１Ｂによる過熱後の蒸気を冷却する冷却液（例えば水）の供給量を調整するための弁である。同様に、二次調整弁２２Ｂは、二次過熱部２１Ｂによる過熱後の蒸気を冷却する冷却液の供給量を調整するための弁である。プラント制御部１６が、予測値決定部１５が決定する蒸気出口温度の予測値に基づいて、これらの弁の開度を適切に調整することにより、過熱器Ｂの外部に排出される蒸気を所定の温度に維持することができる。

図２の例のように、蒸気過熱プロセスが、複数段階で蒸気を過熱するプロセスである場合、各段階に対応する予測モデルを組み合わせて蒸気出口温度を予測することが、予測精度を向上させるという観点から好ましい。例えば、図２に示すように、プロセスモデルＡ１〜Ａ３を組み合わせることによって、蒸気出口温度を予測してもよい。

プロセスモデルＡ１は、一次過熱部１１Ｂによる蒸気の過熱プロセスをモデル化したものである。より詳細には、プロセスモデルＡ１は、過熱器Ｂの入り口付近における蒸気温度などの上記過熱プロセスに相関のある入力データから、一次過熱部１１Ｂの出口付近における蒸気温度を予測するためのモデルである。なお、以下では、一次過熱部１１Ｂによる蒸気の過熱プロセスを一次過熱プロセスと呼ぶ。同様に、二次過熱部２１Ｂおよび三次過熱部３１Ｂによる過熱プロセスを、それぞれ二次過熱プロセスおよび三次過熱プロセスと呼ぶ。

プロセスモデルＡ２は、二次過熱プロセスをモデル化したものである。より詳細には、プロセスモデルＡ２は、一次過熱部１１Ｂの出口付近における蒸気温度や、一次調整弁１２Ｂの開度などの二次過熱プロセスに相関のある入力データから、二次過熱部２１Ｂの出口付近における蒸気温度を予測するためのモデルである。

プロセスモデルＡ３は、三次過熱プロセスをモデル化したものである。より詳細には、プロセスモデルＡ３は、二次過熱部２１Ｂの出口付近における蒸気温度や、二次調整弁２２Ｂの開度などの三次過熱プロセスに相関のある入力データから、過熱器Ｂの出口付近における蒸気温度を予測するためのモデルである。

ここで、プロセスモデルＡ１によって予測された、一次過熱部１１Ｂの出口付近における蒸気温度は、プロセスモデルＡ２の入力データとして用いる。また、プロセスモデルＡ２によって予測された、二次過熱部２１Ｂの出口付近における蒸気温度は、プロセスモデルＡ３の入力データとして用いる。このように、プロセスモデルＡ１の予測結果をプロセスモデルＡ２の予測に用い、プロセスモデルＡ２の予測結果をプロセスモデルＡ３の予測に用いることにより、蒸気過熱プロセス全体の予測（過熱器Ｂの出口付近における蒸気温度の予測）を行うことができる。

以上のように、パラメータ予測の対象となるプロセス（過熱器Ｂによる蒸気過熱プロセス）が複数のサブプロセス（一次〜三次過熱プロセス）を含む場合がある。このような場合、第１予測部１２および第２予測部１３は、各サブプロセスに対応するモデル（プロセスモデルＡ１〜Ａ３）を組み合わせて予測を行ってもよい。

この場合、第１予測部１２は、数理モデルであるプロセスモデルＡ１〜Ａ３を用いて予測を行う。これにより、蒸気過熱プロセスを１つの数理モデルで表現する場合と比べて、高精度な予測を行うことができる。

同様に、第２予測部１３は、機械学習により生成された学習済みモデルであるプロセスモデルＡ１〜Ａ３を用いて予測を行う。これにより、蒸気過熱プロセスを１つの学習済みモデルで表現する場合と比べて、高精度な予測を行うことができる。

＜パラメータの予測値の決定＞
蒸気過熱プロセスを含め、プラントにおける各種プロセスには、様々な因子が関与しているため、機械学習に用いる教師データにも様々な因子を含めることが望ましい。ただし、プラントで測定される実測データは、一部の数値範囲について欠損していたり、未記録であったりする場合がある。このため、教師データとして複数種類の実測データを用いることにより、様々な因子を反映させた学習済みモデルを生成した場合、一部の数値範囲の入力データに対する出力データの精度が落ちることがある。

そこで、予測値決定部１５は、第２予測部１３が第２予測値の算出に用いた実測データが、学習済みモデルの機械学習に用いた教師データの範囲内であれば、第２予測値をパラメータの予測値と決定する。一方、予測値決定部１５は、第２予測部１３が第２予測値の算出に用いた実測データが、学習済みモデルの機械学習に用いた教師データの範囲外であれば、第１予測値をパラメータの予測値と決定する。

これにより、学習済みモデルに入力した実測データが機械学習に用いた教師データの範囲内であって、算出された第２予測値の信頼性が高くかつ精度も高いことが期待される状況においては、第２予測値をパラメータの予測値と決定することができる。そして、学習済みモデルに入力した実測データが機械学習に用いた教師データの範囲外であって、算出された第２予測値の信頼性が高くかつ精度も高いことが期待し難い状況においては、第１予測値をパラメータの予測値と決定することができる。よって、上記の構成によれば、パラメータの予測において、信頼性と精度を両立させることができる。

パラメータの予測値の決定方法について、図３に基づいて説明する。図３は、予測値決定部１５による予測結果の決定について説明する図である。図３の（ａ）には、教師データに含まれる複数の因子に基づく、ＮＮを使用するか否か（学習済みモデルによる第２予測値を用いるか否か）の判定基準の例を示している。図示の因子１および２は、何れも学習済みモデルに対する入力データに含まれる因子である。これらの因子の例としては、例えば、過熱器Ｂの入口付近における蒸気温度や、過熱器Ｂの熱源として利用する、焼却炉で発生した排ガスの温度等が挙げられる。

予測値決定部１５は、図３の（ａ）に示すように、因子１の値と因子２の値の組み合わせに応じてＮＮを使用するか否かを判定することが好ましい。より詳細には、予測値決定部１５は、学習済みモデルに入力する入力データにおける因子１の値が学習済みの範囲に含まれており、かつ、同入力データにおける因子２の値も学習済みの範囲に含まれていれば、ＮＮを使用すると判定することが好ましい。この場合、予測値決定部１５は、第２予測値を蒸気出口温度の予測値と決定する。一方、予測値決定部１５は、学習済みモデルに入力する入力データにおける因子１の値が学習済みの範囲に含まれておらず、かつ、同入力データにおける因子２の値も学習済みの範囲に含まれていなければ、ＮＮを使用しないと判定することが好ましい。この場合、予測値決定部１５は、第１予測値を蒸気出口温度の予測値と決定する。

なお、３つ以上の因子が教師データに含まれている場合、それら因子のうち実測データ欠損の影響が相対的に大きい因子を選択して、予測値決定部１５がＮＮによる予測値を使用するか否かの判定基準とすればよい。影響が相対的に大きい因子の選択には、例えば主成分分析、クラスタリング、あるいは疎性モデリング等の手法を用いることができる。

また、予測値決定部１５は、入力データが、相対的に多くの教師データで機械学習ができている数値範囲に属するか否かに応じて予測値を決定してもよい。これについて、図３の（ｂ）（ｃ）に基づいて説明する。図３の（ｂ）には、過熱器Ｂの入口付近における蒸気温度（横軸）と、該蒸気温度の教師データの個数（縦軸）との対応関係を示している。また、図３の（ｃ）には、入力データに含まれる、過熱器Ｂの入口付近における蒸気温度（横軸）と、予測値決定部１５が決定する予測値における第２予測値の寄与度（縦軸）との対応関係を示している。

プラントでの実測データから教師データを生成した場合、全ての蒸気温度について均等な個数の教師データは得られず、図示のように教師データは蒸気温度の中央値あるいは平均値付近に偏り、蒸気温度の最大値付近および最小値付近は少なくなるのが通常である。

このため、予測値決定部１５は、入力データに含まれる蒸気温度が、教師データの数が相対的に多い蒸気温度の範囲内にあれば、第２予測値の寄与度を高くすることが好ましい。例えば、第２予測値を使用しない（第１予測値のみ使用する）場合の寄与度を０、第２予測値のみを使用する場合の寄与度を１とした場合、蒸気温度の中央値あるいは平均値付近の寄与度は１あるいはそれに近い値とすることが好ましい。

一方、予測値決定部１５は、入力データに含まれる蒸気温度が、教師データの数が相対的に少ない蒸気温度の範囲内にあれば、第２予測値の寄与度を低くすることが好ましい。そして、予測値決定部１５は、入力データに含まれる蒸気温度が、教師データが存在しない蒸気温度の範囲内にあれば、第２予測値の寄与度をゼロにすることが好ましい。

図３の（ｃ）の例では、蒸気温度の中央値あるいは平均値付近において寄与度が最大となるようにし、蒸気温度が中央値あるいは平均値付近から離れるにつれて寄与度を漸減させ、蒸気温度の範囲の端部付近で寄与度を急減させている。このように、入力データに応じた寄与度を設定することにより、パラメータの予測において、信頼性と精度を両立させることができる。

なお、予測値決定部１５は、寄与度に基づいてパラメータの予測値を決定する場合、第２予測値に寄与度を乗じることによってパラメータの予測値を決定する。例えば、第２予測値の寄与度が０．７であれば、予測値決定部１５は、第２予測値に０．７を乗じた値と、第１予測値に０．３を乗じた値との和をパラメータの予測値として決定してもよい。この演算は、第１予測値を第２予測値で補正する演算であるともいえる。

＜予測精度の検証＞
図４は、情報処理装置１による蒸気出口温度の予測結果と蒸気温度の実測値を示す図である。図示のように、情報処理装置１による蒸気出口温度の予測結果（実線）は、蒸気出口温度の実測値（破線）とよく整合しており、情報処理装置１の予測精度が高いことがわかる。なお、図４において、温度が大きく下がっている箇所が２カ所あり、これらの箇所においては予測結果と実測値とがやや乖離している。

上記２カ所における温度低下は過熱器Ｂの伝熱面に付着した煤などを除去するためのスートブロー運転を行ったことに起因するものである。より詳細には、スートブロー運転時には、上記伝熱面に蒸気を噴射することによって煤などを除去する。このため、伝熱面の温度が大きく下がり、これにより蒸気出口温度も低下する。このように、スートブロー運転時には、通常運転時では行われない蒸気噴射が行われるため、通常運転時を想定したプロセスモデルによる予測結果が、実測値から乖離することがある。このような乖離を防ぐ方策については実施形態２で説明する。

＜処理の流れ＞
次に、本実施形態に係る情報処理装置１が実行する処理の流れを図５に基づいて説明する。図５は、本実施形態に係る情報処理装置１が実行する処理（情報処理方法）の一例を示すフローチャートである。

Ｓ１では、入力データ生成部１１は、入力データの生成に必要な各種実測データを取得する。そして、入力データ生成部１１は、取得した実測データから、第１予測部１２が予測に用いる入力データと、第２予測部１３が予測に用いる入力データをそれぞれ生成する。

Ｓ２（第１予測ステップ）では、第１予測部１２が、入力データ生成部１１が生成した入力データを数理モデルに入力して蒸気出口温度の予測値である第１予測値を算出する。また、Ｓ３（第２予測ステップ）では、第２予測部１３が、入力データ生成部１１が生成した入力データを学習済みモデルに入力して蒸気出口温度の予測値である第２予測値を算出する。なお、Ｓ２とＳ３は並行して行ってもよいし、Ｓ３を先に行ってもよい。

Ｓ４（予測値決定ステップ）では、予測値決定部１５は、Ｓ２で算出された第１予測値およびＳ３で算出された第２予測値の少なくとも何れかに基づいて、蒸気出口温度の予測値を決定する。

Ｓ５では、プラント制御部１６は、予測値決定部１５が決定した予測値に基づいてプラントを制御する。例えば、Ｓ４で決定された蒸気出口温度の予測値が、所定の温度よりも高かった場合には、プラント制御部１６は、一次調整弁１２Ｂおよび二次調整弁２２Ｂの少なくとも何れかの開度を上げる制御を行う。また逆に、決定された蒸気出口温度の予測値が、所定の温度よりも低かった場合には、プラント制御部１６は、一次調整弁１２Ｂおよび二次調整弁２２Ｂの少なくとも何れかの開度を下げる制御を行う。これにより、蒸気出口温度が所定の温度よりも高い状態や低い状態となることを回避するか、または該状態が維持されるのを最小限の時間に抑えることができる。

以上のように、情報処理装置１は、蒸気過熱プロセスをモデル化した数理モデルを用いて蒸気出口温度の予測値である第１予測値を算出する第１予測部１２と、機械学習により蒸気過熱プロセスをモデル化した学習済みモデルを用いて蒸気出口温度の予測値である第２予測値を算出する第２予測部１３と、上記第１予測値および上記第２予測値の少なくとも何れかに基づいて蒸気出口温度の予測値を決定する予測値決定部１５と、を備えている。

上記学習済みモデルによる予測は、非線形な挙動を示すプロセスについての予測精度が高い。一方、上記数理モデルによる予測は線形予測であり、現実離れした予測値が算出される可能性が低い。よって、上記の構成によれば、信頼性と精度を両立した予測値を算出することができる。

〔実施形態２〕
本発明の他の実施形態について以下説明する。なお、説明の便宜上、上記実施形態１にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。これは実施形態３以降も同様である。

本実施形態では、運転モード特定部１４による運転モードの特定と、その特定結果に基づく蒸気出口温度の予測について説明する。図６は、本実施形態の情報処理装置１において予測に関与する各部を説明する図である。本実施形態の第２予測部１３には、通常運転時予測部１３１、ＳＢ運転時予測部１３２、および第２予測値決定部１３３が含まれている。

通常運転時予測部１３１は、通常運転時（スートブローを行うことなく過熱器Ｂで蒸気を過熱する運転時。以下、通常運転モードとも呼ぶ）に実測された実測データに基づく教師データで機械学習させた学習済みモデルを用いて蒸気出口温度の予測値を算出する。また、ＳＢ運転時予測部１３２は、スートブロー運転時（以下、ＳＢ運転モードとも呼ぶ）に実測された実測データに基づく教師データで機械学習させた学習済みモデルを用いて蒸気出口温度の予測値を算出する。通常運転時予測部１３１による予測と、ＳＢ運転時予測部１３２による予測は、何れも学習済みモデルを用いた非線形の予測である。

そして、第２予測値決定部１３３は、運転モード特定部１４が通常運転モードであると特定している場合、通常運転時予測部１３１が算出する予測値を第２予測値として決定する。一方、第２予測値決定部１３３は、運転モード特定部１４がＳＢ運転モードであると特定している場合、ＳＢ運転時予測部１３２が算出する予測値を第２予測値として決定する。つまり、第２予測部１３の全体としては、運転モード特定部１４が特定した運転モードに応じた学習済みモデルを用いて第２予測値を算出している。

このように、本実施形態の情報処理装置１は、プラントの運転モードを特定する運転モード特定部１４を備えており、第２予測部１３は、運転モード特定部１４が特定した運転モードに応じた学習済みモデルを用いて第２予測値を算出する。このように、運転モードの相違を考慮することにより、高精度な予測値を算出することができる。例えば、図４の例におけるスートブロー運転期間においても、実測値と近い値の予測値を算出することが可能である。

なお、運転モードに応じた数理モデルを予め用意しておけば、第１予測部１２も上記と同様にして、運転モード特定部１４が特定した運転モードに応じた数理モデルを用いて第１予測値を算出する構成とすることができる。第１予測部１２による予測は線形予測である。線形予測により第１予測値が算出されると共に、非線形予測により第２予測値が算出された後は、実施形態１の情報処理装置１と同様に、第１予測値および第２予測値の少なくとも何れかに基づいて予測値決定部１５が予測値を決定する。

＜運転モードの特定＞
運転モード特定部１４による運転モードの特定について図７に基づいて説明する。図７は、通常運転期間とスートブロー運転期間における蒸気出口温度と高圧蒸気溜め内の圧力（以下、単に圧力と呼ぶ）の時系列変化の例を示す図である。なお、同図の上側のグラフが圧力の時系列変化を示し、同図の下側のグラフが蒸気出口温度の時系列変化を示している。

図７の例では、スートブロー運転期間に、過熱器Ｂに対して３回の蒸気噴射を行っており、各蒸気噴射時に蒸気出口温度と圧力が急激に低下している。このように、スートブロー運転期間においては、蒸気出口温度と圧力について特有の時系列変化が観測される。よって、運転モード特定部１４は、蒸気出口温度と圧力の時系列変化に基づいて、運転モードが通常運転モードであるか、ＳＢ運転モードであるかを特定することができる。

例えば、運転モード特定部１４は、圧力が閾値（図７の例では例えば３．４［MPa］）未満となったときに、運転モードが通常運転モードからＳＢ運転モードに切り替わったと判定してもよい。そして、運転モード特定部１４は、圧力が上記閾値以上となり、かつ、ＳＢ運転モードの継続時間が所定の下限時間（一連のスートブロー運転に少なくとも要する時間）以上となっているときに通常運転モードに切り替わったと判定してもよい。

なお、運転モードの特定方法は上記の例に限定されない。例えば、運転モード特定部１４は、蒸気出口温度と圧力の時系列の実測データを、変分ベイズ法等によって、ＳＢ運転モードの実測データと、通常運転モードの実測データとにクラスタリングすることにより、現在の運転モードを特定してもよい。

〔実施形態３〕
本実施形態では、プラント制御部１６による制御の詳細、特にプラント制御部１６に含まれるＦＢ制御部１６１とＭＰＣ部１６２による制御の詳細について説明する。図８は、ＦＢ制御部１６１とＭＰＣ部１６２による制御の詳細を説明する図である。

ＦＢ制御部１６１は、プラントで実測された各種実測データに基づいてフィードバック制御（以下、ＦＢ制御とよぶ）を行う。本実施形態では、ＦＢ制御部１６１が、図８に破線で示す制御を行う例を説明する。ＦＢ制御部１６１による制御は、新たな実測データが得られる毎に行われるフィードバック制御である。

具体的には、ＦＢ制御部１６１は、蒸気出口温度の実測データが得られると、該実測データと蒸気出口温度の目標値との差分を算出する（一次演算）。そして、ＦＢ制御部１６１は、一次演算で算出した差分に応じた二次調整弁２２Ｂの開度を決定し、決定した開度となるように二次調整弁２２Ｂを制御する。この制御は、例えばＰＩＤ（Proportional-Integral-Differential）制御と呼ばれるものであってもよい。また、ＦＢ制御部１６１は、上記と同様にして一次調整弁１２Ｂの開度を決定し、決定した開度となるように一次調整弁１２Ｂを制御する。

ここで、図２に基づいて説明したように、過熱器Ｂによる蒸気の過熱プロセスには、一次〜三次過熱プロセスが含まれる。さらに、一次過熱プロセスに関連するプロセスとして、一次調整弁１２Ｂを介した蒸気温度の調整プロセスがあり、二次過熱プロセスに関連するプロセスとして、二次調整弁２２Ｂを介した蒸気温度の調整プロセスがある。以下では、一次過熱プロセスと一次調整弁１２Ｂを介した蒸気温度の調整プロセスとをまとめて第１のサブプロセスと呼び、二次過熱プロセスと二次調整弁２２Ｂを介した蒸気温度の調整プロセスとをまとめて第２のサブプロセスと呼ぶ。

ＭＰＣ部１６２は、予測値決定部１５が決定した予測値に基づいて状態予測制御（以下、ＭＰＣ：Model Predictive Controlと呼ぶ）を行う。このＭＰＣにおいて、ＭＰＣ部１６２は、上記第１のサブプロセスに関して、予測値決定部１５が決定した予測値を所定の目標値に近付けるための制御を行う。また、ＭＰＣ部１６２は、上記第２のサブプロセスに関して、予測値決定部１５が決定した上記予測値を所定の目標値に近付けるための制御を行う。これにより、各プロセスに対する制御量を適切に配分して、安定したプロセス制御を実現することが可能になる。

図８では、本実施形態のＭＰＣ部１６２が行う制御を一点鎖線で示している。ＭＰＣ部１６２は、予測値決定部１５が決定した蒸気出口温度の予測値に基づいて、一次調整弁１２Ｂと二次調整弁２２Ｂの開度をそれぞれ決定する。

各調整弁の開度の決定において、ＭＰＣ部１６２は、各調整弁による温度の調整幅に大きな偏りが生じないように各調整弁の開度を決定することが好ましい。例えば、ＭＰＣ部１６２は、蒸気出口温度の予測値と、蒸気出口温度の目標値との差、すなわち調整すべき温度幅を、一次調整弁１２Ｂと二次調整弁２２Ｂに均等に割り振ってもよい。

例えば、蒸気出口温度の予測値と目標値との差が−１０℃（目標値よりも予測値が１０℃低い）であったとする。この場合、ＭＰＣ部１６２は、二次過熱部２１Ｂの出口付近における蒸気温度が５℃上がるように一次調整弁１２Ｂの開度を下げると共に、過熱器Ｂの出口付近における蒸気温度が５℃上がるように二次調整弁２２Ｂの開度を下げる。

また、過熱器Ｂの熱源として用いる排ガスの温度は、過熱器Ｂによる過熱に対する影響が大きい因子であるが、この温度は焼却炉における焼却状態によって変動し、一定の値とならないことが多い。このため、ＭＰＣ部１６２は、所定の予測モデルを用いて、現在の排ガス温度（例えば、排ガスを焼却炉外に排出する煙突の出口付近における温度）の実測データから、各過熱部における過熱特性を特定し、その特定結果に応じて制御値を決定してもよい。

なお、予測値から開度を決定する方法は特に限定されず、例えばカルマンフィルタ、ＮＮ、線形重回帰、あるいはロジスティック回帰分析等の手法を用いて開度を決定することもできる。例えば、カルマンフィルタを用いる場合、排ガスの温度などのプロセスの変動から、蒸気出口温度を安定させることができる一次調整弁１２Ｂの開度を予測し、フィードフォワード制御を行うことができる。

また、上述のように、一次調整弁１２Ｂおよび二次調整弁２２Ｂの開度は、ＦＢ制御部１６１も決定する。このため、ＭＰＣ部１６２は、ＦＢ制御部１６１が決定した開度も考慮して、最終的に各調整弁をどのような開度とするかを決定する。例えば、ＭＰＣ部１６２は、自ら決定した開度と、ＦＢ制御部１６１が決定した開度の和を、最終的な開度としてもよい。

〔実施形態４〕
本発明のさらに他の実施形態について図９に基づいて説明する。図９は、本実施形態の情報処理装置１の要部構成の一例を示すブロック図である。本実施形態の情報処理装置１は、実施形態１の情報処理装置１（図１参照）と比べて、第１予測部１２、第２予測部１３、および予測値決定部１５が、第１制御値算出部２１、第２制御値算出部２２、および制御値決定部２３にそれぞれ変わっている点で異なる。

第１制御値算出部２１は、プラントにおける所定のプロセスの制御に用いる制御値を、数理モデルを用いて算出する。具体的には、第１制御値算出部２１は、実施形態１の第１予測部１２と同様に数理モデルを用いて蒸気出口温度の予測値（第１予測値）を算出する。そして、第１制御値算出部２１は、算出した第１予測値に基づいて、一次調整弁１２Ｂと二次調整弁２２Ｂに対する制御値をそれぞれ算出する。この制御値は、制御対象が調整弁であるため該調整弁の開度である。以下、第１制御値算出部２１が算出する制御値を第１制御値と呼ぶ。

第２制御値算出部２２は、上記プロセスを機械学習によりモデル化した学習済みモデルを用いて上記制御値を算出する。具体的には、第２制御値算出部２２は、実施形態１の第２予測部１３と同様の学習済みモデルを用いて蒸気出口温度の予測値（第２予測値）を算出する。そして、第２制御値算出部２２は、算出した第２予測値に基づいて、一次調整弁１２Ｂと二次調整弁２２Ｂに対する制御値（開度）をそれぞれ算出する。以下、第２制御値算出部２２が算出する制御値を第２制御値と呼ぶ。

制御値決定部２３は、上記第１制御値および上記第２制御値の少なくとも何れかに基づいて、上記プラントの制御に用いる制御値を決定する。なお、制御値決定部２３が制御値を決定する方法は、予測値決定部１５が予測値を決定する方法と同様である。

そして、本実施形態のプラント制御部１６は、制御値決定部２３が決定した制御値、すなわち上記第１制御値および上記第２制御値の少なくとも何れかに基づいて上記プラントを制御する。上述のように、上記学習済みモデルによる予測は、非線形な挙動を示すプロセスについての予測精度が高く、上記数理モデルによる予測は線形予測であり、現実離れした予測値が算出される可能性が低い。よって、本実施形態の構成によれば、信頼性と精度を両立した制御値を決定して、的確な制御を安定して行うことができる。

また、本実施形態のプラント制御部１６は、運転モード特定部１４が特定した運転モードに基づいてプラントを制御する。これにより、運転モードの相違を考慮しつつ、ＦＢ制御よりも早いタイミングで適切な制御を行うことができる。

具体的には、第２制御値算出部２２は、実施形態２で説明した第２予測部１３（図６参照）と同様に、通常運転モード用の学習済みモデルと、ＳＢ運転モード用の学習済みモデルのそれぞれによって第２予測値を算出する。そして、第２制御値算出部２２は、算出した各第２予測値に基づいて、通常運転モード用の第２制御値と、ＳＢ運転モード用の第２制御値を算出し、それらの第２制御値を制御値決定部２３に出力する。

そして、制御値決定部２３は、運転モード特定部１４が特定した運転モードがＳＢ運転モードであれば、ＳＢ運転モード用の第２制御値と、第１制御値算出部２１から出力される第１制御値の少なくとも何れかに基づいてプラントの制御に用いる制御値を決定する。これにより、運転モード特定部１４が特定した運転モードに基づいたプラントの制御が行われる。

なお、第１制御値算出部２１についても、第２制御値算出部２２と同様に、通常運転モード用の数理モデルにより通常運転モード用の第１制御値を算出すると共に、ＳＢ運転モード用の数理モデルによりＳＢ運転モード用の第１制御値を算出してもよい。

〔変形例〕
上記各実施形態では、通常運転モードとＳＢ運転モードとで使用するモデルを切り替える例を説明したが、対象となるプラントにおいて特徴的な任意の運転モードについて、同様の使用モデル切り替えを行う構成とすることができる。また、プラントにおけるパラメータ予測には、例えば、プラントにおいて行われる制御指令（上記実施形態の例では調整弁の開度の制御指令）を考慮したモデルと、制御指令を考慮しないモデルを用いてもよい。この場合、制御指令が行われている期間には制御指令を考慮したモデルを用いて予測を行い、制御指令が行われない期間には制御指令を考慮しないモデルを用いて予測を行えばよい。

上記各実施形態で説明した情報処理装置１の備える機能の一部を、情報処理装置１の外部の装置（例えばサーバ）に持たせ、該装置と情報処理装置１を含む情報処理システムを構成することもできる。このような情報処理システムであれば、情報処理装置１と同様の効果を奏する。例えば、ＮＮを用いた演算処理は一般に負荷が高いので、そのような演算処理機能を外部の装置に持たせることにより、情報処理装置１の負荷を軽減することができる。また、例えば、プラント制御部１６を設ける代わりに、情報処理装置１の外部のプラント制御装置にプラント制御を行わせる構成としてもよい。

また、上記各実施形態では、ゴミ焼却施設において、蒸気出口温度を予測する例や蒸気出口温度を目標値に近付けるための制御を行う例を説明した。しかしながら、これらは例にすぎず、本発明の予測あるいは制御の対象となるプラントはゴミ焼却施設に限られず、予測の対象は蒸気温度に限られず、制御は蒸気温度を目標値に近付けるための制御に限られない。

例えば、火力発電施設では、燃焼させるものがゴミから所定の燃料（石油や石炭）に変っただけで、ゴミ焼却施設と同様のプロセスが行われている。このため、上記各実施形態と同様にして、火力発電施設における各種プロセスについて、パラメータの予測値を算出することができる。また、過熱器Ｂにおけるプロセスは、過熱器以外の熱交換器におけるプロセスに置き換えることができる。

〔ソフトウェアによる実現例〕
情報処理装置１の制御ブロック（特に制御部１０に含まれる各部）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。

後者の場合、情報処理装置１は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

〔付記事項〕
本発明の一態様に係る情報処理装置は、プラントにおける所定のプロセスをモデル化した数理モデルを用いて当該プロセスに関する所定のパラメータの予測値である第１予測値を算出する第１予測部と、機械学習により上記プロセスをモデル化した学習済みモデルを用いて上記パラメータの予測値である第２予測値を算出する第２予測部と、上記第１予測値および上記第２予測値の少なくとも何れかに基づいて、上記パラメータの予測値を決定する予測値決定部と、を備えている。

上記情報処理装置において、上記予測値決定部は、上記第２予測部が上記学習済みモデルに入力した入力データが、上記学習済みモデルの機械学習に用いた教師データの範囲内であれば、上記第２予測値を上記パラメータの予測値と決定し、上記第２予測部が上記学習済みモデルに入力した入力データが、上記学習済みモデルの機械学習に用いた教師データの範囲外であれば、上記第１予測値を上記パラメータの予測値と決定してもよい。

また、上記情報処理装置は、上記プラントの運転モードを特定する運転モード特定部を備え、上記第１予測部は、上記運転モード特定部が特定した運転モードに応じた数理モデルを用いて上記第１予測値を算出し、上記第２予測部は、上記運転モード特定部が特定した運転モードに応じた学習済みモデルを用いて上記第２予測値を算出する構成としてもよい。

また、上記情報処理装置は、上記数理モデルおよび上記学習済みモデルの少なくとも何れかに対する入力データの少なくとも一部を他の数理モデルを用いて算出する入力データ生成部を備えていてもよい。

また、上記情報処理装置は、上記予測値決定部が決定した上記予測値に基づいて上記プラントを制御するプラント制御部を備えていてもよい。

また、上記所定のプロセスには、第１のサブプロセスと、該第１のサブプロセスの後に行われる第２のサブプロセスが含まれていてもよく、上記プラント制御部は、上記第１のサブプロセスに関して、上記予測値決定部が決定した上記予測値を所定の目標値に近付けるための制御を行うと共に、上記第２のサブプロセスに関して、上記予測値決定部が決定した上記予測値を所定の目標値に近付けるための制御を行う構成であってもよい。

また、本発明の他の態様に係る情報処理装置は、プラントにおける所定のプロセスの制御に用いる制御値を、数理モデルを用いて算出する第１制御値算出部と、上記プロセスを機械学習によりモデル化した学習済みモデルを用いて上記制御値を算出する第２制御値算出部と、上記第１制御値算出部および上記第２制御値算出部の少なくとも何れかが算出した上記制御値に基づいて上記プラントを制御するプラント制御部と、を備えている。

上記情報処理装置は、上記プラントの運転モードを特定する運転モード特定部を備え、上記プラント制御部は、上記運転モード特定部が特定した運転モードに基づいて上記プラントを制御する構成であってもよい。

また、本発明の一態様に係る情報処理方法は、情報処理装置による情報処理方法であって、プラントにおける所定のプロセスをモデル化した数理モデルを用いて当該プロセスに関する所定のパラメータの予測値である第１予測値を算出する第１予測ステップと、機械学習により上記プロセスをモデル化した学習済みモデルを用いて上記パラメータの予測値である第２予測値を算出する第２予測ステップと、上記第１予測値および上記第２予測値の少なくとも何れかに基づいて、上記パラメータの予測値を決定する予測値決定ステップと、を含む。

また、上述の情報処理装置としてコンピュータを機能させるための情報処理プログラムであって、上記第１予測部、上記第２予測部、および上記予測値決定部としてコンピュータを機能させるための情報処理プログラムも本発明の範疇に含まれる。

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

１ 情報処理装置
１１ 入力データ生成部
１２ 第１予測部
１３ 第２予測部
１４ 運転モード特定部
１５ 予測値決定部
１６ プラント制御部
２１ 第１制御値算出部
２２ 第２制御値算出部
２３ 制御値決定部

Claims (10)

1. プラントにおける所定のプロセスをモデル化した数理モデルを用いて当該プロセスに関する所定のパラメータの予測値である第１予測値を算出する第１予測部と、
   機械学習により上記プロセスをモデル化した学習済みモデルを用いて上記パラメータの予測値である第２予測値を算出する第２予測部と、
   上記第１予測値および上記第２予測値の少なくとも何れかに基づいて、上記パラメータの予測値を決定する予測値決定部と、を備えていることを特徴とする情報処理装置。
2. 上記予測値決定部は、
   上記第２予測部が上記学習済みモデルに入力した入力データが、上記学習済みモデルの機械学習に用いた教師データの範囲内であれば、上記第２予測値を上記パラメータの予測値と決定し、
   上記第２予測部が上記学習済みモデルに入力した入力データが、上記学習済みモデルの機械学習に用いた教師データの範囲外であれば、上記第１予測値を上記パラメータの予測値と決定することを特徴とする請求項１に記載の情報処理装置。
3. 上記プラントの運転モードを特定する運転モード特定部を備え、
   上記第１予測部は、上記運転モード特定部が特定した運転モードに応じた数理モデルを用いて上記第１予測値を算出し、
   上記第２予測部は、上記運転モード特定部が特定した運転モードに応じた学習済みモデルを用いて上記第２予測値を算出する、ことを特徴とする請求項１または２に記載の情報処理装置。
4. 上記数理モデルおよび上記学習済みモデルの少なくとも何れかに対する入力データの少なくとも一部を他の数理モデルを用いて算出する入力データ生成部を備えていることを特徴とする請求項１から３の何れか１項に記載の情報処理装置。
5. 上記予測値決定部が決定した上記予測値に基づいて上記プラントを制御するプラント制御部を備えていることを特徴とする請求項１から４の何れか１項に記載の情報処理装置。
6. 上記所定のプロセスには、第１のサブプロセスと、該第１のサブプロセスの後に行われる第２のサブプロセスが含まれており、
   上記プラント制御部は、上記第１のサブプロセスに関して、上記予測値決定部が決定した上記予測値を所定の目標値に近付けるための制御を行うと共に、上記第２のサブプロセスに関して、上記予測値決定部が決定した上記予測値を所定の目標値に近付けるための制御を行うことを特徴とする請求項５に記載の情報処理装置。
7. プラントにおける所定のプロセスの制御に用いる第１制御値を、数理モデルを用いて算出する第１制御値算出部と、
   上記プロセスを機械学習によりモデル化した学習済みモデルを用いて上記プロセスの制御に用いる第２制御値を算出する第２制御値算出部と、
   上記第１制御値および上記第２制御値の少なくとも何れかに基づいて、上記プラントの制御に用いる制御値を決定する制御値決定部と、
   上記制御値に基づいて、上記プラントを制御するプラント制御部と、を備えていることを特徴とする情報処理装置。
8. 上記プラントの運転モードを特定する運転モード特定部を備え、
   上記プラント制御部は、上記運転モード特定部が特定した運転モードに基づいて上記プラントを制御することを特徴とする請求項７に記載の情報処理装置。
9. 情報処理装置による情報処理方法であって、
   プラントにおける所定のプロセスをモデル化した数理モデルを用いて当該プロセスに関する所定のパラメータの予測値である第１予測値を算出する第１予測ステップと、
   機械学習により上記プロセスをモデル化した学習済みモデルを用いて上記パラメータの予測値である第２予測値を算出する第２予測ステップと、
   上記第１予測値および上記第２予測値の少なくとも何れかに基づいて、上記パラメータの予測値を決定する予測値決定ステップと、を含むことを特徴とする情報処理方法。
10. 請求項１に記載の情報処理装置としてコンピュータを機能させるための情報処理プログラムであって、上記第１予測部、上記第２予測部、および上記予測値決定部としてコンピュータを機能させるための情報処理プログラム。