JP2021125196A - 予測装置、プラント、予測方法、プログラム、及び、コンフィギュレーションプログラム - Google Patents
予測装置、プラント、予測方法、プログラム、及び、コンフィギュレーションプログラム Download PDFInfo
- Publication number
- JP2021125196A JP2021125196A JP2020106496A JP2020106496A JP2021125196A JP 2021125196 A JP2021125196 A JP 2021125196A JP 2020106496 A JP2020106496 A JP 2020106496A JP 2020106496 A JP2020106496 A JP 2020106496A JP 2021125196 A JP2021125196 A JP 2021125196A
- Authority
- JP
- Japan
- Prior art keywords
- plant
- deterioration
- catalyst
- degree
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 27
- 239000003054 catalyst Substances 0.000 claims abstract description 273
- 230000006866 deterioration Effects 0.000 claims abstract description 213
- 238000012545 processing Methods 0.000 claims abstract description 24
- 231100000572 poisoning Toxicity 0.000 claims description 51
- 230000000607 poisoning effect Effects 0.000 claims description 51
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 40
- 238000013341 scale-up Methods 0.000 claims description 23
- 229910021529 ammonia Inorganic materials 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 description 40
- 238000013528 artificial neural network Methods 0.000 description 27
- 239000000446 fuel Substances 0.000 description 16
- 239000000428 dust Substances 0.000 description 13
- 229910052815 sulfur oxide Inorganic materials 0.000 description 13
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 12
- 238000006243 chemical reaction Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 11
- 239000011148 porous material Substances 0.000 description 8
- 239000007789 gas Substances 0.000 description 7
- ZNOKGRXACCSDPY-UHFFFAOYSA-N tungsten(VI) oxide Inorganic materials O=[W](=O)=O ZNOKGRXACCSDPY-UHFFFAOYSA-N 0.000 description 7
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 239000000377 silicon dioxide Substances 0.000 description 6
- 230000002378 acidificating effect Effects 0.000 description 5
- BFNBIHQBYMNNAN-UHFFFAOYSA-N ammonium sulfate Chemical compound N.N.OS(O)(=O)=O BFNBIHQBYMNNAN-UHFFFAOYSA-N 0.000 description 5
- 229910052921 ammonium sulfate Inorganic materials 0.000 description 5
- 235000011130 ammonium sulphate Nutrition 0.000 description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 5
- 229910052681 coesite Inorganic materials 0.000 description 5
- 229910052906 cristobalite Inorganic materials 0.000 description 5
- 229910052760 oxygen Inorganic materials 0.000 description 5
- 239000001301 oxygen Substances 0.000 description 5
- 235000012239 silicon dioxide Nutrition 0.000 description 5
- 229910052682 stishovite Inorganic materials 0.000 description 5
- 229910052905 tridymite Inorganic materials 0.000 description 5
- 239000002956 ash Substances 0.000 description 4
- 239000000567 combustion gas Substances 0.000 description 4
- GNTDGMZSJNCJKK-UHFFFAOYSA-N divanadium pentaoxide Chemical compound O=[V](=O)O[V](=O)=O GNTDGMZSJNCJKK-UHFFFAOYSA-N 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- AKEJUJNQAAGONA-UHFFFAOYSA-N sulfur trioxide Chemical compound O=S(=O)=O AKEJUJNQAAGONA-UHFFFAOYSA-N 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000001784 detoxification Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 231100000614 poison Toxicity 0.000 description 2
- 230000007096 poisonous effect Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 1
- BIGPRXCJEDHCLP-UHFFFAOYSA-N ammonium bisulfate Chemical compound [NH4+].OS([O-])(=O)=O BIGPRXCJEDHCLP-UHFFFAOYSA-N 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 229910052593 corundum Inorganic materials 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 239000010881 fly ash Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 229910001845 yogo sapphire Inorganic materials 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
【課題】プラントのユーザが複雑な処理を実行することなく、触媒の劣化度を知ることができる劣化予測装置を提供する。【解決手段】劣化予測装置は、第１プラントの過去の運転における触媒に係る第１データと、前記過去の運転の状態に係る第２データとを含む学習データに基づいて、前記第１プラントと異なる第２プラントにおける触媒の劣化度を予測する第１予測モデルを生成するモデル生成部と、前記モデル生成部が生成した前記第１予測モデルに基づいて、前記第２プラントにおける前記劣化度を予測する劣化度予測部と、を備える。【選択図】図３
Description
本開示は、予測装置、プラント、予測方法、プログラム、及び、コンフィギュレーションプログラムに関する。
ボイラなどを備えるプラントでは、触媒が使用される。触媒が使用されるプラントでは、プラントを運転するにつれて、触媒が劣化する。そのため、触媒が使用されるプラントでは、触媒の劣化度を把握することが望まれる。
特許文献１には、関連する技術として、触媒の劣化度を予測する技術が開示されている。
特許文献１には、関連する技術として、触媒の劣化度を予測する技術が開示されている。
ところで、プラントにおける触媒の劣化度を予測するには、一般的にプラントのユーザが予測するときに、毎回排ガスの性状を分析するなど複雑な処理を行う必要がある。
そのため、プラントでは、ユーザが複雑な処理を実行することなく、触媒の劣化度を知ることができる技術が求められている。
そのため、プラントでは、ユーザが複雑な処理を実行することなく、触媒の劣化度を知ることができる技術が求められている。
本開示は、上記の課題を解決することのできる予測装置、プラント、予測方法、プログラム、及び、コンフィギュレーションプログラムを提供することを目的としている。
上記課題を解決するために、本開示に係る劣化予測装置は、第１プラントの過去の運転における触媒に係る第１データと、前記過去の運転の状態に係る第２データとを含む学習データに基づいて、前記第１プラントと異なる第２プラントにおける触媒の劣化度を予測する第１予測モデルを生成するモデル生成部と、前記モデル生成部が生成した前記第１予測モデルに基づいて、前記第２プラントにおける前記劣化度を予測する劣化度予測部と、を備える。
本開示に係る差圧予測装置は、上記の劣化予測装置と、前記劣化予測装置が予測した前記劣化度に基づいて、空気予熱器の入出力間の差圧を推定する差圧推定部と、を備える。
本開示に係るプラントは、触媒が用いられるプラントであって、前記触媒の劣化が起こる装置と、前記触媒の劣化度を予測する上記の劣化予測装置と、を備える。
本開示に係る劣化予測方法は、第１プラントの過去の運転における触媒に係る第１データと、前記過去の運転の状態に係る第２データとを含む学習データに基づいて、前記第１プラントと異なる第２プラントにおける触媒の劣化度を予測する第１予測モデルを生成することと、生成した前記第１予測モデルに基づいて、前記第２プラントにおける前記劣化度を予測することと、を含む。
本開示に係る差圧予測方法は、第１プラントの過去の運転における触媒に係る第１データと、前記過去の運転の状態に係る第２データとを含む学習データに基づいて、前記第１プラントと異なる第２プラントにおける触媒の劣化度を予測する第１予測モデルを生成することと、生成した前記第１予測モデルに基づいて、前記第２プラントにおける前記劣化度を予測することと、予測した前記劣化度に基づいて、空気予熱器の入出力間の差圧を推定することと、を含む。
本開示に係るプログラムは、コンピュータに、第１プラントの過去の運転における触媒に係る第１データと、前記過去の運転の状態に係る第２データとを含む学習データに基づいて、前記第１プラントと異なる第２プラントにおける触媒の劣化度を予測する第１予測モデルを生成することと、生成した前記第１予測モデルに基づいて、前記第２プラントにおける前記劣化度を予測することと、を実行させる。
本開示に係るコンフィギュレーションの処理をコンピュータに実行させるためのプログラムは、第１プラントの過去の運転における触媒に係る第１データと、前記過去の運転の状態に係る第２データとを含む学習データに基づいて、前記第１プラントと異なる第２プラントにおける触媒の劣化度を予測する第１予測モデルを生成するモデル生成部、前記モデル生成部が生成した前記第１予測モデルに基づいて、前記第２プラントにおける前記劣化度を予測する劣化度予測部のそれぞれをハードウェアとして構成させる。
本開示の実施形態による予測装置、プラント、予測方法、プログラム、及び、コンフィギュレーションプログラムによれば、プラントのユーザが複雑な処理を実行することなく、触媒の劣化度を知ることができる。
＜第１実施形態＞
以下、図面を参照しながら実施形態について詳しく説明する。
本開示の第１実施形態に係る劣化予測システムは、予測対象のプラント１の運転データに基づいて、当該プラント１が備える脱硝装置２０の劣化状態を予測する。劣化予測システムは、データサーバ装置５０および劣化予測装置４０を備える。データサーバ装置５０は、プラント１のデータを記憶する装置である。プラント１のデータは、例えば、燃料性状、運転データなどを含むデータである。劣化予測装置４０は、データサーバ装置５０が記憶するデータに基づいて、プラント１が備える脱硝装置２０の劣化状態を予測する。
以下、図面を参照しながら実施形態について詳しく説明する。
本開示の第１実施形態に係る劣化予測システムは、予測対象のプラント１の運転データに基づいて、当該プラント１が備える脱硝装置２０の劣化状態を予測する。劣化予測システムは、データサーバ装置５０および劣化予測装置４０を備える。データサーバ装置５０は、プラント１のデータを記憶する装置である。プラント１のデータは、例えば、燃料性状、運転データなどを含むデータである。劣化予測装置４０は、データサーバ装置５０が記憶するデータに基づいて、プラント１が備える脱硝装置２０の劣化状態を予測する。
（プラントの構成）
第１実施形態によるプラント１（第２プラントの一例、プラントの一例）の構成について説明する。
第１実施形態によるプラント１は、プラント１の総運転時間に対する触媒の性能の劣化度を予測するプラントである。
プラント１は、図１に示すように、ボイラ１０、脱硝装置２０（触媒の劣化が起こる装置の一例）、センサ装置３０を備える。
第１実施形態によるプラント１（第２プラントの一例、プラントの一例）の構成について説明する。
第１実施形態によるプラント１は、プラント１の総運転時間に対する触媒の性能の劣化度を予測するプラントである。
プラント１は、図１に示すように、ボイラ１０、脱硝装置２０（触媒の劣化が起こる装置の一例）、センサ装置３０を備える。
ボイラ１０は、石炭などを燃料とするボイラである。ボイラ１０は、燃料を焚いたときの燃焼ガスを脱硝装置２０に排出する。
脱硝装置２０は、燃焼ガスに含まれるＮＯｘ（ノックス）を分解することで、燃焼ガスにおけるＮＯｘ濃度を低減させる装置。プラント１の安定的な稼働のために、脱硝装置２０の脱硝率をほぼ一定に保つことが好ましい。
例えば、脱硝装置２０は、被毒成分による触媒の性能の劣化によって低下傾向となる脱硝率を、脱硝装置２０の入口でアンモニア（ＮＨ３）を注入することにより、その脱硝率を一定に保つ。被毒成分とは、触媒の主成分とは異なる、外部から入ってくる成分である。
脱硝装置２０には、外部から被毒成分が入ってくる。そのため、脱硝装置２０では、被毒成分の増加に伴って、活性点が減少する。その結果、触媒の性能の高さ（良さ）を示す反応速度定数Ｋの値が低下する。すなわち、触媒の性能が劣化する。
第１実施形態によるプラント１は、この触媒の性能の劣化度の予測対象である。
例えば、脱硝装置２０は、被毒成分による触媒の性能の劣化によって低下傾向となる脱硝率を、脱硝装置２０の入口でアンモニア（ＮＨ３）を注入することにより、その脱硝率を一定に保つ。被毒成分とは、触媒の主成分とは異なる、外部から入ってくる成分である。
脱硝装置２０には、外部から被毒成分が入ってくる。そのため、脱硝装置２０では、被毒成分の増加に伴って、活性点が減少する。その結果、触媒の性能の高さ（良さ）を示す反応速度定数Ｋの値が低下する。すなわち、触媒の性能が劣化する。
第１実施形態によるプラント１は、この触媒の性能の劣化度の予測対象である。
センサ装置３０は、図２に示すように、第１センサ３０１、第２センサ３０２、第３センサ３０３、第４センサ３０４を備える。センサ装置３０は、脱硝装置２０の入口に備えられる。
第１センサ３０１は、脱硝装置２０の入口におけるダスト濃度を検出する。
第２センサ３０２は、脱硝装置２０の入口におけるＮＯｘ（ノックス）濃度を検出する。
第３センサ３０３は、脱硝装置２０の入口におけるＳＯｘ（ソックス）濃度を検出する。
第４センサ３０４は、脱硝装置２０の入口におけるＯ２（酸素）濃度を検出する。
センサ装置３０が計測したデータは、インターネット等のネットワークを介してデータサーバ装置５０に送信される。これにより、データサーバ装置５０にはプラント１のデータが蓄積される。
第１センサ３０１は、脱硝装置２０の入口におけるダスト濃度を検出する。
第２センサ３０２は、脱硝装置２０の入口におけるＮＯｘ（ノックス）濃度を検出する。
第３センサ３０３は、脱硝装置２０の入口におけるＳＯｘ（ソックス）濃度を検出する。
第４センサ３０４は、脱硝装置２０の入口におけるＯ２（酸素）濃度を検出する。
センサ装置３０が計測したデータは、インターネット等のネットワークを介してデータサーバ装置５０に送信される。これにより、データサーバ装置５０にはプラント１のデータが蓄積される。
（劣化予測装置の構成）
劣化予測装置４０は、プラント１の総運転時間に対する触媒の性能の劣化度を予測する装置である。
劣化予測装置４０は、図３に示すように、記憶部４０１、計画値取得部４０２、プラントデータ取得部４０３、第１モデル生成部４０４（モデル生成部の一例）、第２モデル生成部４０５（モデル生成部の一例）、被毒後データ取得部４０６、触媒劣化度取得部４０７（劣化度予測部の一例）を備える。
劣化予測装置４０は、プラント１の総運転時間に対する触媒の性能の劣化度を予測する装置である。
劣化予測装置４０は、図３に示すように、記憶部４０１、計画値取得部４０２、プラントデータ取得部４０３、第１モデル生成部４０４（モデル生成部の一例）、第２モデル生成部４０５（モデル生成部の一例）、被毒後データ取得部４０６、触媒劣化度取得部４０７（劣化度予測部の一例）を備える。
記憶部４０１は、劣化予測装置４０の処理に必要な種々の情報を記憶する。
例えば、記憶部４０１は、さまざまなプラント（第１プラントの一例）における過去の実績データＤ１を記憶する。
具体的には、記憶部４０１は、例えば、図４に示す計画値、プラントデータ、被毒後の触媒データを記憶する。
なお、時間の経過に伴って変化するデータについては、記憶部４０１は、時刻と関連付けて記憶している。
例えば、記憶部４０１は、さまざまなプラント（第１プラントの一例）における過去の実績データＤ１を記憶する。
具体的には、記憶部４０１は、例えば、図４に示す計画値、プラントデータ、被毒後の触媒データを記憶する。
なお、時間の経過に伴って変化するデータについては、記憶部４０１は、時刻と関連付けて記憶している。
図４に示すように、計画値には、触媒性能、触媒仕様、装置仕様が含まれる。
触媒性能の例としては、反応速度定数の初期値Ｋ０、ある運転時間が経過した後の反応速度定数Ｋと反応速度定数の初期値Ｋ０との比（Ｋ／Ｋ０）（反応速度定数の劣化度、すなわち、触媒の劣化度）などが挙げられる。なお、反応速度定数の初期値Ｋ０は、予め与えられる値である。
触媒性能の例としては、反応速度定数の初期値Ｋ０、ある運転時間が経過した後の反応速度定数Ｋと反応速度定数の初期値Ｋ０との比（Ｋ／Ｋ０）（反応速度定数の劣化度、すなわち、触媒の劣化度）などが挙げられる。なお、反応速度定数の初期値Ｋ０は、予め与えられる値である。
また、触媒仕様の例としては、触媒の初期の比表面積、触媒の初期の細孔容積、触媒の初期の組成（例えば、ＴｉＯ２（チタニア）、ＷＯ３（三酸化タングステン）、Ｖ２Ｏ５（五酸化バナジウム）、ＳｉＯ２（シリカ）など）などが挙げられる。なお、触媒の仕様は、例えば、実際の触媒をサンプリングし、分析することによって得られる。
また、装置仕様の例としては、流速、脱硝装置２０の入口におけるダスト濃度、脱硝装置２０の入口におけるＮＯｘ（ノックス）濃度、脱硝装置２０の入口におけるＳＯｘ（ソックス）濃度、脱硝装置２０の入口におけるＯ２（酸素）濃度などが挙げられる。
なお、流速は、装置ごとに決まる値である。脱硝装置２０の入口におけるダスト濃度、脱硝装置２０の入口におけるＮＯｘ濃度、脱硝装置２０の入口におけるＳＯｘ濃度、脱硝装置２０の入口におけるＯ２濃度のそれぞれは、脱硝装置２０の入口に設けられているセンサ装置３０によって測定された値である。脱硝装置２０の入口におけるダスト濃度、脱硝装置２０の入口におけるＮＯｘ濃度、脱硝装置２０の入口におけるＳＯｘ濃度、脱硝装置２０の入口におけるＯ２濃度のそれぞれについては、燃料性状から計算により求めるものであってもよい。ここでの燃料性状は、灰中の各成分の触媒への流入量を示すデータであり、プラントごとに燃料を分析して、所持されているデータである。
なお、流速は、装置ごとに決まる値である。脱硝装置２０の入口におけるダスト濃度、脱硝装置２０の入口におけるＮＯｘ濃度、脱硝装置２０の入口におけるＳＯｘ濃度、脱硝装置２０の入口におけるＯ２濃度のそれぞれは、脱硝装置２０の入口に設けられているセンサ装置３０によって測定された値である。脱硝装置２０の入口におけるダスト濃度、脱硝装置２０の入口におけるＮＯｘ濃度、脱硝装置２０の入口におけるＳＯｘ濃度、脱硝装置２０の入口におけるＯ２濃度のそれぞれについては、燃料性状から計算により求めるものであってもよい。ここでの燃料性状は、灰中の各成分の触媒への流入量を示すデータであり、プラントごとに燃料を分析して、所持されているデータである。
また、図４に示すように、プラントデータには、燃料性状、運転データが含まれる。
燃料性状の例としては、ＳｉＯ２、Ａｌ２Ｏ３などのフライアッシュ中成分の触媒への流入量が挙げられる。
また、運転データの例としては、プラントの運転時間が挙げられる。
燃料性状の例としては、ＳｉＯ２、Ａｌ２Ｏ３などのフライアッシュ中成分の触媒への流入量が挙げられる。
また、運転データの例としては、プラントの運転時間が挙げられる。
また、図４に示すように、被毒後の触媒データには、被毒後の触媒物性、被毒後の触媒組成が含まれる。
被毒後の触媒物性の例としては、被毒後の触媒の比表面積、被毒後の触媒の細孔容積などが挙げられる。
また、被毒後の触媒組成の例としては、被毒後の触媒におけるＴｉＯ２の割合をＷＯ３の割合で正規化した値（ＴｉＯ２／ＷＯ３）、被毒後の触媒におけるＳｉＯ２の割合をＷＯ３の割合で正規化した値（ＳｉＯ２／ＷＯ３）などが挙げられる。
なお、被毒後の触媒データは、脱硝装置２０の内部における触媒のデータであり、プラントの運転中に取得することは困難なデータである。そのため、被毒後の触媒データは、プラント１の保守点検時などに取得されることになる。
被毒後の触媒物性の例としては、被毒後の触媒の比表面積、被毒後の触媒の細孔容積などが挙げられる。
また、被毒後の触媒組成の例としては、被毒後の触媒におけるＴｉＯ２の割合をＷＯ３の割合で正規化した値（ＴｉＯ２／ＷＯ３）、被毒後の触媒におけるＳｉＯ２の割合をＷＯ３の割合で正規化した値（ＳｉＯ２／ＷＯ３）などが挙げられる。
なお、被毒後の触媒データは、脱硝装置２０の内部における触媒のデータであり、プラントの運転中に取得することは困難なデータである。そのため、被毒後の触媒データは、プラント１の保守点検時などに取得されることになる。
また、具体的には、記憶部４０１は、過去のプラントの運転について、求められた触媒の劣化度（すなわち、比（Ｋ／Ｋ０））を記憶する。
また、例えば、記憶部４０１は、モデルを用いてプラント１における触媒の劣化度を予測するときに用いるデータを記憶する。
具体的には、記憶部４０１は、過去の実績データＤ１を用いて生成された第１モデル（第２予測モデルの一例）、過去の実績データＤ１を用いて生成された第２モデル（第１予測モデルの一例）、プラント１の触媒性能、プラント１の触媒仕様、プラント１の装置仕様、プラント１の燃料性状を記憶する。第１モデルは、プラント１における被毒後の触媒データを予測するモデルである。第２モデルは、第１モデルが予測した被毒後の触媒データから触媒の劣化度を予測するモデルである。第１モデルと第２モデルのそれぞれは、さまざまなプラントにおける過去の実績データを用いて学習した学習済みモデルである。
プラント１の触媒性能の例としては、プラント１の反応速度定数の初期値Ｋ０が挙げられる。
また、プラント１の触媒仕様の例としては、プラント１における触媒の初期の比表面積、プラント１における触媒の初期の細孔容積などが挙げられる。
また、プラント１の装置仕様の例としては、プラント１における流速などが挙げられる。
また、プラント１の燃料性状の例としては、プラント１における灰中成分の触媒への流入量（例えば、ＴｉＯ２、ＳｉＯ２などの触媒への流入量）が挙げられる。
なお、第１モデルの生成、第２モデルの生成については、後述する。
具体的には、記憶部４０１は、過去の実績データＤ１を用いて生成された第１モデル（第２予測モデルの一例）、過去の実績データＤ１を用いて生成された第２モデル（第１予測モデルの一例）、プラント１の触媒性能、プラント１の触媒仕様、プラント１の装置仕様、プラント１の燃料性状を記憶する。第１モデルは、プラント１における被毒後の触媒データを予測するモデルである。第２モデルは、第１モデルが予測した被毒後の触媒データから触媒の劣化度を予測するモデルである。第１モデルと第２モデルのそれぞれは、さまざまなプラントにおける過去の実績データを用いて学習した学習済みモデルである。
プラント１の触媒性能の例としては、プラント１の反応速度定数の初期値Ｋ０が挙げられる。
また、プラント１の触媒仕様の例としては、プラント１における触媒の初期の比表面積、プラント１における触媒の初期の細孔容積などが挙げられる。
また、プラント１の装置仕様の例としては、プラント１における流速などが挙げられる。
また、プラント１の燃料性状の例としては、プラント１における灰中成分の触媒への流入量（例えば、ＴｉＯ２、ＳｉＯ２などの触媒への流入量）が挙げられる。
なお、第１モデルの生成、第２モデルの生成については、後述する。
計画値取得部４０２は、プラント１の計画値を取得する。
例えば、計画値取得部４０２は、プラント１の触媒性能、プラント１の触媒仕様、プラント１の装置仕様を記憶部４０１から読み出す。
具体的には、計画値取得部４０２は、プラント１の反応速度定数の初期値Ｋ０、触媒の初期の比表面積、触媒の初期の細孔容積、触媒の初期の組成、流速などを、記憶部４０１から読み出す。
例えば、計画値取得部４０２は、プラント１の触媒性能、プラント１の触媒仕様、プラント１の装置仕様を記憶部４０１から読み出す。
具体的には、計画値取得部４０２は、プラント１の反応速度定数の初期値Ｋ０、触媒の初期の比表面積、触媒の初期の細孔容積、触媒の初期の組成、流速などを、記憶部４０１から読み出す。
また、例えば、計画値取得部４０２は、センサ装置３０が検出したダスト濃度、脱硝装置２０の入口におけるＮＯｘ（ノックス）濃度、脱硝装置２０の入口におけるＳＯｘ（ソックス）濃度、脱硝装置２０の入口におけるＯ２（酸素）濃度それぞれの検出値を、センサ装置３０から取得する。
なお、計画値取得部４０２が取得した検出値を記憶部４０１に記憶し、別のプラントにおける触媒の劣化度を求めるときに、その記憶した検出値を実績データとして使用するものであってもよい。
なお、計画値取得部４０２が取得した検出値を記憶部４０１に記憶し、別のプラントにおける触媒の劣化度を求めるときに、その記憶した検出値を実績データとして使用するものであってもよい。
プラントデータ取得部４０３は、データサーバ装置５０からプラント１のプラントデータを取得し、取得したプラントデータを記憶部４０１に記録する。
（第１モデルの生成）
第１モデル生成部４０４は、第１モデルを生成する。第１モデルの例としては、ニューラルネットワーク、ランダムフォレスト、サポートベクターマシンなどの機械学習モデルが挙げられる。なお、以下の説明では、ニューラルネットワークを例に第１モデルの生成について説明する。
第１モデル生成部４０４は、第１モデルを生成する。第１モデルの例としては、ニューラルネットワーク、ランダムフォレスト、サポートベクターマシンなどの機械学習モデルが挙げられる。なお、以下の説明では、ニューラルネットワークを例に第１モデルの生成について説明する。
第１モデル生成部４０４は、モデル化されたニューラルネットワークを、さまざまなプラントにおける過去の実績データ（計画値、プラントデータ、被毒後の触媒データ）を学習データとして機械学習することにより学習済みの第１モデルを生成する。
ニューラルネットワークは、例えば、入力層と、中間層と、出力層とを有する折り畳みニューラルネットワークである。また、ここでの学習データは、計画値、プラントデータ、被毒後の触媒データのそれぞれが一対一で対応付けられたデータである。
ニューラルネットワークは、例えば、入力層と、中間層と、出力層とを有する折り畳みニューラルネットワークである。また、ここでの学習データは、計画値、プラントデータ、被毒後の触媒データのそれぞれが一対一で対応付けられたデータである。
具体的には、第１モデル生成部４０４は、複数の学習データ（計画値、プラントデータ、被毒後の触媒データ）を、訓練データと、評価データと、テストデータとに分ける。第１モデル生成部４０４は、図５に示すように、訓練データの計画値及びプラントデータをニューラルネットワークに入力する。ニューラルネットワーク（図５における学習前の第１モデル）は、被毒後の触媒データを出力する。第１モデル生成部４０４は、訓練データの計画値及びプラントデータがニューラルネットワークに入力され、被毒後の触媒データがニューラルネットワークから出力される度に、その出力に応じてバックプロパゲーションを行うことにより、ノード間のデータの結合の重み付けを変更する（すなわち、ニューラルネットワークのモデルを変更する）。次に、第１モデル生成部４０４は、訓練データの計画値及びプラントデータによって変更されたモデルのニューラルネットワークに、評価データの計画値及びプラントデータを入力する。ニューラルネットワークは、入力された計画値及びプラントデータに応じた被毒後の触媒データを出力する。第１モデル生成部４０４は、必要に応じてニューラルネットワークの出力に基づいてノード間のデータの結合の重み付けを変更する。このように第１モデル生成部４０４によって生成されたニューラルネットワークが、学習済みの第１モデルである。次に、第１モデル生成部４０４は、最終確認として、学習済みの第１モデルのニューラルネットワークに、テストデータの計画値及びプラントデータを入力する。学習済みの第１モデルのニューラルネットワークは、入力されたテストデータの計画値及びプラントデータに応じた被毒後の触媒データを出力する。すべてのテストデータに対して、学習済みの第１モデルのニューラルネットワークが出力する被毒後の触媒データが、入力されたテストデータの計画値及びプラントデータに関連付けられている被毒後の触媒データに対して所定の誤差の範囲内にある場合、学習済みの第１モデルのニューラルネットワークが所望のモデルであると判定する。また、テストデータのうちの１つでも、学習済みの第１モデルのニューラルネットワークが出力する被毒後の触媒データが、入力されたテストデータの計画値及びプラントデータに関連付けられている被毒後の触媒データに対して所定の誤差の範囲内にない場合、新たな学習データを用いて学習済みの第１モデルを生成する。
上記の第１モデル生成部４０４による学習済みモデルの生成は、所望の学習済みの第１モデルが得られるまで繰り返される。
第１モデル生成部４０４は、生成した学習済みの第１モデルを記憶部４０１に書き込む。
上記の第１モデル生成部４０４による学習済みモデルの生成は、所望の学習済みの第１モデルが得られるまで繰り返される。
第１モデル生成部４０４は、生成した学習済みの第１モデルを記憶部４０１に書き込む。
（第２モデルの生成）
第２モデル生成部４０５は、第２モデルを生成する。
例えば、第２モデル生成部４０５は、モデル化されたニューラルネットワークを、さまざまなプラントにおける過去の実績データ（計画値、プラントデータ、被毒後の触媒データ、触媒劣化データ）を学習データとして機械学習することにより学習済みの第２モデルを生成する。
ニューラルネットワークは、例えば、入力層と、中間層と、出力層とを有する折り畳みニューラルネットワークである。また、ここでの学習データは、計画値、プラントデータ、被毒後の触媒データ、触媒劣化データのそれぞれが一対一で対応付けられたデータである。
第２モデル生成部４０５は、第２モデルを生成する。
例えば、第２モデル生成部４０５は、モデル化されたニューラルネットワークを、さまざまなプラントにおける過去の実績データ（計画値、プラントデータ、被毒後の触媒データ、触媒劣化データ）を学習データとして機械学習することにより学習済みの第２モデルを生成する。
ニューラルネットワークは、例えば、入力層と、中間層と、出力層とを有する折り畳みニューラルネットワークである。また、ここでの学習データは、計画値、プラントデータ、被毒後の触媒データ、触媒劣化データのそれぞれが一対一で対応付けられたデータである。
具体的には、第２モデル生成部４０５は、複数の学習データ（計画値、プラントデータ、被毒後の触媒データ、触媒劣化データ）を、訓練データと、評価データと、テストデータとに分ける。第２モデル生成部４０５は、図５に示すように、訓練データの計画値、プラントデータ、及び、被毒後の触媒データをニューラルネットワークに入力する。ニューラルネットワークは、触媒劣化データを出力する。そして、第１モデル生成部４０４が第１モデルを生成する場合と同様に、第２モデル生成部４０５は、すべてのテストデータに対して、学習済みの第２モデルのニューラルネットワークが出力する触媒劣化データが、入力された計画値、プラントデータ、及び、被毒後の触媒データに関連付けられている触媒劣化データに対して所定の誤差の範囲内にある場合、学習済みの第２モデルのニューラルネットワークが所望のモデルであると判定する。また、テストデータのうちの１つでも、学習済みの第２モデルのニューラルネットワークが出力する触媒劣化データが、入力されたテストデータの計画値、プラントデータ、及び、被毒後の触媒データに関連付けられている触媒劣化データに対して所定の誤差の範囲内にない場合、新たな学習データを用いて学習済みの第２モデルを生成する。
上記の第２モデル生成部４０５による学習済みモデルの生成は、所望の学習済みの第２モデルが得られるまで繰り返される。
第２モデル生成部４０５は、生成した学習済みの第２モデルを記憶部４０１に書き込む。
上記の第２モデル生成部４０５による学習済みモデルの生成は、所望の学習済みの第２モデルが得られるまで繰り返される。
第２モデル生成部４０５は、生成した学習済みの第２モデルを記憶部４０１に書き込む。
被毒後データ取得部４０６は、計画値と、プラントデータと、学習済みの第１モデルとに基づいて、被毒後の触媒データを取得する。
例えば、被毒後データ取得部４０６は、プラント１の触媒性能（例えば、プラント１の反応速度定数の初期値Ｋ０）、プラント１の触媒仕様（例えば、プラント１における触媒の初期の比表面積、プラント１における触媒の初期の細孔容積など）、プラント１の装置仕様（例えば、プラント１における流速など）、プラント１の燃料性状（例えば、プラント１における灰中成分の触媒への流入量）、学習済みの第１モデルを記憶部４０１から読み出す。
また、被毒後データ取得部４０６は、プラント１の運転中に、脱硝装置２０の入口におけるダスト濃度、脱硝装置２０の入口におけるＮＯｘ濃度、脱硝装置２０の入口におけるＳＯｘ濃度、脱硝装置２０の入口におけるＯ２濃度のそれぞれを示す情報を、センサ装置３０から取得する。
被毒後データ取得部４０６は、図６に示すように、記憶部４０１から読み出したプラント１の触媒性能、プラント１の触媒仕様、プラント１の装置仕様、プラント１の燃料性状、センサ装置３０から取得した脱硝装置２０の入口におけるダスト濃度、脱硝装置２０の入口におけるＮＯｘ濃度、脱硝装置２０の入口におけるＳＯｘ濃度、脱硝装置２０の入口におけるＯ２濃度のそれぞれを示す情報、及び、運転時間を示す情報を、学習済みの第１モデルに入力する。
そして、被毒後データ取得部４０６は、学習済みの第１モデルが出力する被毒後の触媒データ（例えば、被毒後の触媒物性、被毒後の触媒組成）を取得する。
被毒後データ取得部４０６が取得するこの被毒後の触媒データが、計画値及びプラントデータによって示される条件でプラントデータによって示される時間だけプラント１を運転した場合の予測によって得られた被毒後の触媒データである。
また、被毒後データ取得部４０６は、プラント１の運転中に、脱硝装置２０の入口におけるダスト濃度、脱硝装置２０の入口におけるＮＯｘ濃度、脱硝装置２０の入口におけるＳＯｘ濃度、脱硝装置２０の入口におけるＯ２濃度のそれぞれを示す情報を、センサ装置３０から取得する。
被毒後データ取得部４０６は、図６に示すように、記憶部４０１から読み出したプラント１の触媒性能、プラント１の触媒仕様、プラント１の装置仕様、プラント１の燃料性状、センサ装置３０から取得した脱硝装置２０の入口におけるダスト濃度、脱硝装置２０の入口におけるＮＯｘ濃度、脱硝装置２０の入口におけるＳＯｘ濃度、脱硝装置２０の入口におけるＯ２濃度のそれぞれを示す情報、及び、運転時間を示す情報を、学習済みの第１モデルに入力する。
そして、被毒後データ取得部４０６は、学習済みの第１モデルが出力する被毒後の触媒データ（例えば、被毒後の触媒物性、被毒後の触媒組成）を取得する。
被毒後データ取得部４０６が取得するこの被毒後の触媒データが、計画値及びプラントデータによって示される条件でプラントデータによって示される時間だけプラント１を運転した場合の予測によって得られた被毒後の触媒データである。
触媒劣化度取得部４０７は、計画値と、プラントデータと、被毒後の触媒データと、学習済みの第２モデルとに基づいて、触媒劣化データを取得する。
例えば、触媒劣化度取得部４０７は、プラント１の触媒仕様（例えば、プラント１における触媒の初期の比表面積、プラント１における触媒の初期の細孔容積など）、プラント１の装置仕様（例えば、プラント１における流速など）、学習済みの第２モデルを記憶部４０１から読み出す。
また、触媒劣化度取得部４０７は、プラント１の運転中に、脱硝装置２０の入口におけるダスト濃度、脱硝装置２０の入口におけるＮＯｘ濃度、脱硝装置２０の入口におけるＳＯｘ濃度、脱硝装置２０の入口におけるＯ２濃度のそれぞれを示す情報を、センサ装置３０から取得する。
また、触媒劣化度取得部４０７は、被毒後データ取得部４０６が予測した被毒後の触媒データを、被毒後データ取得部４０６から取得する。
触媒劣化度取得部４０７は、図６に示すように、記憶部４０１から読み出したプラント１の触媒仕様、プラント１の装置仕様、プラント１の燃料性状、センサ装置３０から取得した脱硝装置２０の入口におけるダスト濃度、脱硝装置２０の入口におけるＮＯｘ濃度、脱硝装置２０の入口におけるＳＯｘ濃度、脱硝装置２０の入口におけるＯ２濃度のそれぞれを示す情報、被毒後データ取得部４０６が予測した被毒後の触媒データ、及び、運転時間を示す情報を、学習済みの第２モデルに入力する。
そして、触媒劣化度取得部４０７は、学習済みの第２モデルが出力する触媒劣化データを取得する。
触媒劣化度取得部４０７が取得するこの触媒劣化データが、計画値、プラントデータによって示される条件でプラントデータによって示される時間だけプラント１を運転した場合の予測によって得られた触媒劣化データである。
また、触媒劣化度取得部４０７は、プラント１の運転中に、脱硝装置２０の入口におけるダスト濃度、脱硝装置２０の入口におけるＮＯｘ濃度、脱硝装置２０の入口におけるＳＯｘ濃度、脱硝装置２０の入口におけるＯ２濃度のそれぞれを示す情報を、センサ装置３０から取得する。
また、触媒劣化度取得部４０７は、被毒後データ取得部４０６が予測した被毒後の触媒データを、被毒後データ取得部４０６から取得する。
触媒劣化度取得部４０７は、図６に示すように、記憶部４０１から読み出したプラント１の触媒仕様、プラント１の装置仕様、プラント１の燃料性状、センサ装置３０から取得した脱硝装置２０の入口におけるダスト濃度、脱硝装置２０の入口におけるＮＯｘ濃度、脱硝装置２０の入口におけるＳＯｘ濃度、脱硝装置２０の入口におけるＯ２濃度のそれぞれを示す情報、被毒後データ取得部４０６が予測した被毒後の触媒データ、及び、運転時間を示す情報を、学習済みの第２モデルに入力する。
そして、触媒劣化度取得部４０７は、学習済みの第２モデルが出力する触媒劣化データを取得する。
触媒劣化度取得部４０７が取得するこの触媒劣化データが、計画値、プラントデータによって示される条件でプラントデータによって示される時間だけプラント１を運転した場合の予測によって得られた触媒劣化データである。
（モデルの学習処理）
以下、劣化予測装置４０の動作について説明する。まず、劣化予測装置４０が触媒の劣化を予測するために用いる機械学習モデルの学習処理について説明する。
劣化予測装置４０の管理者等は、予め、予測対象のプラント１とは異なるプラントの保守点検の際に、当該プラントが備える脱硝装置２０の触媒の触媒劣化データを取得しておく。触媒劣化データは、脱硝装置２０の入力端におけるガスのＮＯｘ濃度と出力端におけるガスのＮＯｘ濃度を計測することによって求められる。また、劣化予測装置４０の管理者等は、予め、予測対象のプラント１とは異なるプラントの保守点検の際に、破壊検査によって、触媒物性および触媒組成を含む被毒後の触媒データを取得しておく。被毒後の触媒データは、脱硝装置２０の内部における触媒のデータであり、プラントの運転中に取得することは困難なデータである。
以下、劣化予測装置４０の動作について説明する。まず、劣化予測装置４０が触媒の劣化を予測するために用いる機械学習モデルの学習処理について説明する。
劣化予測装置４０の管理者等は、予め、予測対象のプラント１とは異なるプラントの保守点検の際に、当該プラントが備える脱硝装置２０の触媒の触媒劣化データを取得しておく。触媒劣化データは、脱硝装置２０の入力端におけるガスのＮＯｘ濃度と出力端におけるガスのＮＯｘ濃度を計測することによって求められる。また、劣化予測装置４０の管理者等は、予め、予測対象のプラント１とは異なるプラントの保守点検の際に、破壊検査によって、触媒物性および触媒組成を含む被毒後の触媒データを取得しておく。被毒後の触媒データは、脱硝装置２０の内部における触媒のデータであり、プラントの運転中に取得することは困難なデータである。
第１モデル生成部４０４は、機械学習モデルである第１モデルに対し、さまざまなプラントにおける過去の実績データ（計画値、プラントデータ、被毒後の触媒データ）を学習データとして機械学習させる。計画値およびプラントデータは、データサーバ装置５０から取得される。
具体的には、第１モデル生成部４０４は、実績データのうち、計画値およびプラントデータを入力サンプルとし、被毒後の触媒データを出力サンプルとする訓練データを生成する。第１モデル生成部４０４は、当該訓練データに基づいて、計画値およびプラントデータを入力することで、被毒後の触媒の状態の予測値を出力するように、第１モデルを学習させる。
第１モデル生成部４０４は、学習済みの第１モデルを記憶部４０１に書き込む。
具体的には、第１モデル生成部４０４は、実績データのうち、計画値およびプラントデータを入力サンプルとし、被毒後の触媒データを出力サンプルとする訓練データを生成する。第１モデル生成部４０４は、当該訓練データに基づいて、計画値およびプラントデータを入力することで、被毒後の触媒の状態の予測値を出力するように、第１モデルを学習させる。
第１モデル生成部４０４は、学習済みの第１モデルを記憶部４０１に書き込む。
第２モデル生成部４０５は、機械学習モデルである第２モデルに対し、さまざまなプラントにおける過去の実績データ（計画値、プラントデータ、被毒後の触媒データ、触媒劣化データ）を学習データとして機械学習させる。
具体的には、第２モデル生成部４０５は、実績データのうち、計画値、プラントデータおよび被毒後の触媒データを入力サンプルとし、触媒劣化データを出力サンプルとする訓練データを生成する。第２モデル生成部４０５は、当該訓練データに基づいて、計画値、プラントデータおよび被毒後の触媒データを入力することで、触媒劣化データの予測値を出力するように、第２モデルを学習させる。
第２モデル生成部４０５は、学習済みの第２モデルを記憶部４０１に書き込む。
具体的には、第２モデル生成部４０５は、実績データのうち、計画値、プラントデータおよび被毒後の触媒データを入力サンプルとし、触媒劣化データを出力サンプルとする訓練データを生成する。第２モデル生成部４０５は、当該訓練データに基づいて、計画値、プラントデータおよび被毒後の触媒データを入力することで、触媒劣化データの予測値を出力するように、第２モデルを学習させる。
第２モデル生成部４０５は、学習済みの第２モデルを記憶部４０１に書き込む。
（触媒の劣化予測処理）
次に、図７及び図８に示す劣化予測装置４０の処理フローを用いて劣化予測装置４０が触媒の劣化を予測する処理について説明する。劣化予測装置４０は、計画値とプラントデータとに基づいて被毒後の触媒データを予測し、予測された被毒後の触媒データを用いて触媒劣化データを予測する。
次に、図７及び図８に示す劣化予測装置４０の処理フローを用いて劣化予測装置４０が触媒の劣化を予測する処理について説明する。劣化予測装置４０は、計画値とプラントデータとに基づいて被毒後の触媒データを予測し、予測された被毒後の触媒データを用いて触媒劣化データを予測する。
（被毒後の触媒データを予測する処理）
まず、劣化予測装置４０が、計画値と、プラントデータと、学習済みの第１モデルとに基づいて、被毒後の触媒データを予測する処理について、図７を参照して説明する。
まず、劣化予測装置４０が、計画値と、プラントデータと、学習済みの第１モデルとに基づいて、被毒後の触媒データを予測する処理について、図７を参照して説明する。
被毒後データ取得部４０６は、プラント１の触媒性能（例えば、プラント１の反応速度定数の初期値Ｋ０）、プラント１の触媒仕様（例えば、プラント１における触媒の初期の比表面積、プラント１における触媒の初期の細孔容積など）、プラント１の装置仕様（例えば、プラント１における流速など）、プラント１の燃料性状（例えば、プラント１における灰中成分の触媒への流入量）、学習済みの第１モデルを記憶部４０１から読み出す（ステップＳ１）。
被毒後データ取得部４０６は、プラント１の運転中に、脱硝装置２０の入口におけるダスト濃度、脱硝装置２０の入口におけるＮＯｘ濃度、脱硝装置２０の入口におけるＳＯｘ濃度、脱硝装置２０の入口におけるＯ２濃度のそれぞれを示す情報を、センサ装置３０から取得する（ステップＳ２）。
被毒後データ取得部４０６は、記憶部４０１から読み出したプラント１の触媒性能、プラント１の触媒仕様、プラント１の装置仕様、プラント１の燃料性状、センサ装置３０から取得した脱硝装置２０の入口におけるダスト濃度、脱硝装置２０の入口におけるＮＯｘ濃度、脱硝装置２０の入口におけるＳＯｘ濃度、脱硝装置２０の入口におけるＯ２濃度のそれぞれを示す情報、及び、運転時間を示す情報を、学習済みの第１モデルに入力する（ステップＳ３）。
被毒後データ取得部４０６は、学習済みの第１モデルが出力する被毒後の触媒データ（例えば、被毒後の触媒物性、被毒後の触媒組成）を取得する（ステップＳ４）。
（触媒劣化データを予測する処理）
次に、劣化予測装置４０が、計画値と、プラントデータと、被毒後の触媒データと、学習済みの第２モデルとに基づいて、触媒劣化データを予測する処理について、図８を参照して説明する。
次に、劣化予測装置４０が、計画値と、プラントデータと、被毒後の触媒データと、学習済みの第２モデルとに基づいて、触媒劣化データを予測する処理について、図８を参照して説明する。
触媒劣化度取得部４０７は、プラント１の触媒仕様（例えば、プラント１における触媒の初期の比表面積、プラント１における触媒の初期の細孔容積など）、プラント１の装置仕様（例えば、プラント１における流速など）、学習済みの第２モデルを記憶部４０１から読み出す（ステップＳ１１）。
触媒劣化度取得部４０７は、プラント１の運転中に、脱硝装置２０の入口におけるダスト濃度、脱硝装置２０の入口におけるＮＯｘ濃度、脱硝装置２０の入口におけるＳＯｘ濃度、脱硝装置２０の入口におけるＯ２濃度のそれぞれを示す情報を、センサ装置３０から取得する（ステップＳ１２）。
触媒劣化度取得部４０７は、被毒後データ取得部４０６が予測した被毒後の触媒データを、被毒後データ取得部４０６から取得する（ステップＳ１３）。
触媒劣化度取得部４０７は、図６に示すように、記憶部４０１から読み出したプラント１の触媒仕様、プラント１の装置仕様、プラント１の燃料性状、センサ装置３０から取得した脱硝装置２０の入口におけるダスト濃度、脱硝装置２０の入口におけるＮＯｘ濃度、脱硝装置２０の入口におけるＳＯｘ濃度、脱硝装置２０の入口におけるＯ２濃度のそれぞれを示す情報、被毒後データ取得部４０６が予測した被毒後の触媒データ、及び、運転時間を示す情報を、学習済みの第２モデルに入力する（ステップＳ１４）。
触媒劣化度取得部４０７は、学習済みの第２モデルが出力する触媒劣化データを取得する（ステップＳ１５）。
（実施例）
あるプラントについて、上述の本開示の第１実施形態による劣化予測装置４０による触媒の劣化度の予測を行い、そのプラントにおける触媒の劣化度の実測と比較した。
製造年と運転時間の異なる１１のプラントについての１２７のデータを用意し、そのうちの７割を学習データとし、３割を精度検証用のデータとした。
図９は、触媒の劣化度の予測と触媒の劣化度の実測との比較結果である。
図９において、横軸は、運転時間である。また、縦軸は、触媒の劣化度である。なお、触媒の劣化度は、各運転時間における反応速度定数Ｋを初期の反応速度定数Ｋ０で除算して求めた値である。
触媒の劣化度の予測の精度は、ＲＭＳＥ（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅｄ Ｅｒｒｏｒ；二乗平均平方根誤差）０．０５という結果が得られた。
あるプラントについて、上述の本開示の第１実施形態による劣化予測装置４０による触媒の劣化度の予測を行い、そのプラントにおける触媒の劣化度の実測と比較した。
製造年と運転時間の異なる１１のプラントについての１２７のデータを用意し、そのうちの７割を学習データとし、３割を精度検証用のデータとした。
図９は、触媒の劣化度の予測と触媒の劣化度の実測との比較結果である。
図９において、横軸は、運転時間である。また、縦軸は、触媒の劣化度である。なお、触媒の劣化度は、各運転時間における反応速度定数Ｋを初期の反応速度定数Ｋ０で除算して求めた値である。
触媒の劣化度の予測の精度は、ＲＭＳＥ（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅｄ Ｅｒｒｏｒ；二乗平均平方根誤差）０．０５という結果が得られた。
以上、本開示の第１実施形態によるプラント１について説明した。
劣化予測装置（４０）は、モデル生成部（４０４、４０５）、劣化度予測部（４０７）を備える。
モデル生成部は、第１プラントの過去の運転における触媒に係る第１データと、前記過去の運転の状態に係る第２データとを含む学習データに基づいて、前記第１プラントと異なる第２プラント（１）における触媒の劣化度を予測する第１予測モデルを生成する。
劣化度予測部（４０７）は、前記モデル生成部（４０４、４０５）が生成した前記第１予測モデルに基づいて、前記第２プラント（１）における前記劣化度を予測する。
劣化予測装置（４０）は、モデル生成部（４０４、４０５）、劣化度予測部（４０７）を備える。
モデル生成部は、第１プラントの過去の運転における触媒に係る第１データと、前記過去の運転の状態に係る第２データとを含む学習データに基づいて、前記第１プラントと異なる第２プラント（１）における触媒の劣化度を予測する第１予測モデルを生成する。
劣化度予測部（４０７）は、前記モデル生成部（４０４、４０５）が生成した前記第１予測モデルに基づいて、前記第２プラント（１）における前記劣化度を予測する。
この劣化予測装置（４０）により、第２プラント（１）についてのデータを第１予測モデルに入力するだけで、第２プラント（１）における触媒の劣化度を予測することができる。その結果、第２プラント（１）のユーザは、触媒についての複雑な解析を実行することなく、触媒の劣化度を知ることができる。
＜第２実施形態＞
本開示の第２実施形態に係る劣化予測システムは、予測対象のプラント１の運転データに基づいて、当該プラント１が備える脱硝装置２０の劣化状態を予測し、予測した劣化状態から後述する空気予熱器６０の入出力間の差圧を予測する。劣化予測システムは、データサーバ装置５０および差圧予測装置７０を備える。
本開示の第２実施形態に係る劣化予測システムは、予測対象のプラント１の運転データに基づいて、当該プラント１が備える脱硝装置２０の劣化状態を予測し、予測した劣化状態から後述する空気予熱器６０の入出力間の差圧を予測する。劣化予測システムは、データサーバ装置５０および差圧予測装置７０を備える。
（差圧予測装置の構成）
差圧予測装置７０は、予測した触媒の性能の劣化度に基づいて空気予熱器６０の差圧を予測する装置である。
差圧予測装置７０は、図１０に示すように、劣化予測装置４０に加えて、スケールアップファクタ推定部７０１、リーク推定部７０２、閉塞度推定部７０３、差圧推定部７０４を備える。
差圧予測装置７０は、予測した触媒の性能の劣化度に基づいて空気予熱器６０の差圧を予測する装置である。
差圧予測装置７０は、図１０に示すように、劣化予測装置４０に加えて、スケールアップファクタ推定部７０１、リーク推定部７０２、閉塞度推定部７０３、差圧推定部７０４を備える。
スケールアップファクタ推定部７０１は、実験室において求めた触媒の性能特性と、実際のプラント１における触媒の性能特性との差を補正する補正係数を求める。この補正係数がスケールアップファクタである。
例えば、さまざまなガス温度、ガス濃度、酸素濃度の組み合わせに対して実験室において触媒の性能特性を取得している。そして、取得した触媒の性能特性をガス温度、ガス濃度、酸素濃度を含む式によって表す。ただし、実際のプラント１では、実験室において取得した触媒の性能特性に対して触媒の性能が低下する。スケールアップファクタ推定部７０１は、実験室において取得した触媒の性能特性を示す式を実際のプラント１に適用できるようにするためにその式を補正するスケールアップファクタを決定する。なお、スケールアップファクタは、実験室において取得した触媒の性能特性と実際のプラント１における触媒の性能特性とから得られる経験則によって求められる。
例えば、さまざまなガス温度、ガス濃度、酸素濃度の組み合わせに対して実験室において触媒の性能特性を取得している。そして、取得した触媒の性能特性をガス温度、ガス濃度、酸素濃度を含む式によって表す。ただし、実際のプラント１では、実験室において取得した触媒の性能特性に対して触媒の性能が低下する。スケールアップファクタ推定部７０１は、実験室において取得した触媒の性能特性を示す式を実際のプラント１に適用できるようにするためにその式を補正するスケールアップファクタを決定する。なお、スケールアップファクタは、実験室において取得した触媒の性能特性と実際のプラント１における触媒の性能特性とから得られる経験則によって求められる。
リーク推定部７０２は、実験室において取得した触媒の性能特性を示す式にスケールアップファクタを適用した経験式、脱硝装置２０の入口におけるＮＯｘ濃度、脱硝装置２０の出口におけるＮＯｘ濃度、触媒劣化データに基づいて、リークアンモニアの量を推定する。これは、経験式から触媒の性能特性を求め、その性能特性と脱硝装置２０の入出力におけるＮＯｘ濃度から未反応のアンモニアの量を推定するものである。
閉塞度推定部７０３は、実際のプラント１における空気予熱器６０の差圧が上昇しているときの差圧データと、プラント１の運転データとに基づいて求められた経験式を用いて、空気予熱器６０における閉塞度を推定する。
例えば、実際のプラント１における空気予熱器６０の差圧が上昇しているときに空気予熱器６０のエレメントにおける入出力間の差圧をモニタし、差圧を計算する。その差圧から閉速度を計算し、そのときのプラント１の運転データを用いて経験式を求める。
これは、運転データからリークアンモニア濃度がどのくらいかを推定でき、このリークアンモニアは空気予熱器６０に酸性硫安（ＮＨ４ＨＳＯ４）として析出されるものとすれば、酸性硫安の量と空気予熱器６０の閉塞度とに相関関係があるため、空気予熱器６０のエレメントにおける閉塞度が推定できるという考えに基づくものである。
例えば、実際のプラント１における空気予熱器６０の差圧が上昇しているときに空気予熱器６０のエレメントにおける入出力間の差圧をモニタし、差圧を計算する。その差圧から閉速度を計算し、そのときのプラント１の運転データを用いて経験式を求める。
これは、運転データからリークアンモニア濃度がどのくらいかを推定でき、このリークアンモニアは空気予熱器６０に酸性硫安（ＮＨ４ＨＳＯ４）として析出されるものとすれば、酸性硫安の量と空気予熱器６０の閉塞度とに相関関係があるため、空気予熱器６０のエレメントにおける閉塞度が推定できるという考えに基づくものである。
差圧推定部７０４は、リーク推定部７０２が推定したリークアンモニアの量と、閉塞度推定部７０３が推定した空気予熱器６０のエレメントにおける閉塞度とに基づいて、空気予熱器６０の入出力間の差圧を推定する。
（プラントの構成）
第２実施形態によるプラント１の構成について説明する。
第２実施形態によるプラント１は、図１１に示すように、ボイラ１０、脱硝装置２０、センサ装置３０、空気予熱器６０を備える。
空気予熱器６０は、燃焼用空気を事前に温めて、ボイラの燃焼効率を向上させるための機器である。脱硝装置２０においてリークアンモニアが生じると、そのリークアンモニアが空気予熱器６０における燃焼ガス中の三酸化硫黄（ＳＯ３）と反応し、酸性硫安が生成される。酸性硫安の析出が閉塞の要因になる。なお、この酸性硫安を除去するためには、プラント１を停止し、空気予熱器６０を水で洗浄する必要がある。
第２実施形態によるプラント１の構成について説明する。
第２実施形態によるプラント１は、図１１に示すように、ボイラ１０、脱硝装置２０、センサ装置３０、空気予熱器６０を備える。
空気予熱器６０は、燃焼用空気を事前に温めて、ボイラの燃焼効率を向上させるための機器である。脱硝装置２０においてリークアンモニアが生じると、そのリークアンモニアが空気予熱器６０における燃焼ガス中の三酸化硫黄（ＳＯ３）と反応し、酸性硫安が生成される。酸性硫安の析出が閉塞の要因になる。なお、この酸性硫安を除去するためには、プラント１を停止し、空気予熱器６０を水で洗浄する必要がある。
（空気予熱器６０における差圧を予測する処理）
次に、差圧予測装置７０が、空気予熱器６０の入出力間の差圧を予測する処理について、図１２、図１３を参照して説明する。
劣化予測装置４０は、ステップＳ１１〜ステップＳ１５に示す処理を実行して、触媒劣化データを取得する。
次に、差圧予測装置７０が、空気予熱器６０の入出力間の差圧を予測する処理について、図１２、図１３を参照して説明する。
劣化予測装置４０は、ステップＳ１１〜ステップＳ１５に示す処理を実行して、触媒劣化データを取得する。
スケールアップファクタ推定部７０１は、実験室において求めた触媒の性能特性と、実際のプラント１における触媒の性能特性との差を補正するスケールアップファクタを求める（ステップＳ２１）。
リーク推定部７０２は、実験室において取得した触媒の性能特性を示す式にスケールアップファクタを適用した経験式、脱硝装置２０の入口におけるＮＯｘ濃度、脱硝装置２０の出口におけるＮＯｘ濃度、触媒劣化データに基づいて、リークアンモニアの量を推定する（ステップＳ２２）。
閉塞度推定部７０３は、実際のプラント１における空気予熱器６０の差圧が上昇しているときの差圧データと、プラント１の運転データとに基づいて求められた経験式を用いて、空気予熱器６０における閉塞度を推定する（ステップＳ２３）。
差圧推定部７０４は、リーク推定部７０２が推定したリークアンモニアの量と、閉塞度推定部７０３が推定した空気予熱器６０のエレメントにおける閉塞度とに基づいて、空気予熱器６０の入出力間の差圧を推定する（ステップＳ２４）。
なお、差圧推定部７０４は、推定した差圧を触媒工事の関係者やプラント１の担当者に報知するものであってもよい。この報知に基づいて、触媒交換工事の計画やプラント１の運転支援が行われてもよい。
なお、差圧推定部７０４は、推定した差圧を触媒工事の関係者やプラント１の担当者に報知するものであってもよい。この報知に基づいて、触媒交換工事の計画やプラント１の運転支援が行われてもよい。
（実施例）
あるプラントについて、上述の本開示の第２実施形態による差圧予測装置７０により空気予熱器６０の入出力間の差圧を推定した。
図１４は、そのプラントにおける差圧の予測と実測との比較結果である。
図１４において、横軸は、運転時間である。また、縦軸は、空気予熱器６０の入出力間の差圧である。なお、図１４では、空気予熱器６０はＡＨ（Ａｉｒ Ｈｅａｔｅｒ、エアヒータ）と示されている。そして、空気予熱器６０は、１度水で洗浄されている。
図１４からわかるように、差圧予測装置７０により空気予熱器６０の入出力間の差圧の予測は、実測値に近い結果が得られた。
あるプラントについて、上述の本開示の第２実施形態による差圧予測装置７０により空気予熱器６０の入出力間の差圧を推定した。
図１４は、そのプラントにおける差圧の予測と実測との比較結果である。
図１４において、横軸は、運転時間である。また、縦軸は、空気予熱器６０の入出力間の差圧である。なお、図１４では、空気予熱器６０はＡＨ（Ａｉｒ Ｈｅａｔｅｒ、エアヒータ）と示されている。そして、空気予熱器６０は、１度水で洗浄されている。
図１４からわかるように、差圧予測装置７０により空気予熱器６０の入出力間の差圧の予測は、実測値に近い結果が得られた。
以上、本開示の第２実施形態によるプラント１について説明した。
差圧予測装置（７０）は、劣化予測装置（４０）、スケールアップファクタ推定部（７０１）、リーク推定部（７０２）、閉塞度推定部（７０３）、差圧推定部（７０４）を備える。
スケールアップファクタ推定部（７０１）は、実験室において求めた触媒の性能特性と、実際のプラント（１）における触媒の性能特性との差を補正するスケールアップファクタを求める。リーク推定部（７０２）は、実験室において取得した触媒の性能特性を示す式にスケールアップファクタを適用した経験式、脱硝装置（２０）の入口におけるＮＯｘ濃度、脱硝装置（２０）の出口におけるＮＯｘ濃度、触媒劣化データに基づいて、リークアンモニアの量を推定する。閉塞度推定部（７０３）は、実際のプラント（１）における空気予熱器（６０）の差圧が上昇しているときの差圧データと、プラント（１）の運転データとに基づいて求められた経験式を用いて、空気予熱器６０における閉塞度を推定する。差圧推定部（７０４）は、リーク推定部（７０２）が推定したリークアンモニアの量と、閉塞度推定部（７０３）が推定した空気予熱器（６０）のエレメントにおける閉塞度とに基づいて、空気予熱器（６０）の入出力間の差圧を推定する。
差圧予測装置（７０）は、劣化予測装置（４０）、スケールアップファクタ推定部（７０１）、リーク推定部（７０２）、閉塞度推定部（７０３）、差圧推定部（７０４）を備える。
スケールアップファクタ推定部（７０１）は、実験室において求めた触媒の性能特性と、実際のプラント（１）における触媒の性能特性との差を補正するスケールアップファクタを求める。リーク推定部（７０２）は、実験室において取得した触媒の性能特性を示す式にスケールアップファクタを適用した経験式、脱硝装置（２０）の入口におけるＮＯｘ濃度、脱硝装置（２０）の出口におけるＮＯｘ濃度、触媒劣化データに基づいて、リークアンモニアの量を推定する。閉塞度推定部（７０３）は、実際のプラント（１）における空気予熱器（６０）の差圧が上昇しているときの差圧データと、プラント（１）の運転データとに基づいて求められた経験式を用いて、空気予熱器６０における閉塞度を推定する。差圧推定部（７０４）は、リーク推定部（７０２）が推定したリークアンモニアの量と、閉塞度推定部（７０３）が推定した空気予熱器（６０）のエレメントにおける閉塞度とに基づいて、空気予熱器（６０）の入出力間の差圧を推定する。
この差圧予測装置（７０）により、脱硝装置（２０）においてリークアンモニアが発生した場合に、空気予熱器（６０）の入出力間の差圧を推定する。その結果、触媒交換工事の計画やプラント１の運転支援を適切なタイミングで行うことができる。
なお、本開示の実施形態における処理は、適切な処理が行われる範囲において、処理の順番が入れ替わってもよい。
なお、本発明の各実施形態における記憶部４０１、その他の記憶装置等（レジスタ、ラッチを含む）は、適切な情報の送受信が行われる範囲においてどこに備えられていてもよい。また、記憶部４０１、その他の記憶装置等は、適切な情報の送受信が行われる範囲において複数存在しデータを分散して記憶していてもよい。
なお、本開示の各実施形態では、第１モデル生成部４０４は、学習済みの第１モデルをソフトウェアとして生成し、記憶部４０１に記憶するものとして説明した。また、本開示の各実施形態では、第２モデル生成部４０５は、学習済みの第２モデルをソフトウェアとして生成し、記憶部４０１に記憶するものとして説明した。
しかしながら、本開示の別の実施形態では、学習済みの第１モデル、学習済みの第２モデルのそれぞれをハードウェアとして実現するものであってもよい。
例えば、第１モデル生成部４０４が、記憶部４０１の記憶する学習済みの第１モデルが行う処理を実現させるコンフィギュレーションプログラムを、ＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）などのプログラム可能なハードウェアに書き込むものであってもよい。
また、例えば、第２モデル生成部４０５が、記憶部４０１の記憶する学習済みの第２モデルが行う処理を実現させるコンフィギュレーションプログラムを、ＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）などのプログラム可能なハードウェアに書き込むものであってもよい。
しかしながら、本開示の別の実施形態では、学習済みの第１モデル、学習済みの第２モデルのそれぞれをハードウェアとして実現するものであってもよい。
例えば、第１モデル生成部４０４が、記憶部４０１の記憶する学習済みの第１モデルが行う処理を実現させるコンフィギュレーションプログラムを、ＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）などのプログラム可能なハードウェアに書き込むものであってもよい。
また、例えば、第２モデル生成部４０５が、記憶部４０１の記憶する学習済みの第２モデルが行う処理を実現させるコンフィギュレーションプログラムを、ＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）などのプログラム可能なハードウェアに書き込むものであってもよい。
本開示の実施形態について説明したが、上述の劣化予測装置４０、差圧予測装置７０、その他の制御装置は内部に、コンピュータ装置を有していてもよい。そして、上述した処理の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムをコンピュータが読み出して実行することによって、上記処理が行われる。コンピュータの具体例を以下に示す。
図１０は、少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
コンピュータ５は、図１０に示すように、ＣＰＵ６、メインメモリ７、ストレージ８、インターフェース９を備える。
例えば、上述の劣化予測装置４０、差圧予測装置７０、その他の制御装置のそれぞれは、コンピュータ５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ストレージ８に記憶されている。ＣＰＵ６は、プログラムをストレージ８から読み出してメインメモリ７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、ＣＰＵ６は、プログラムに従って、上述した各記憶部に対応する記憶領域をメインメモリ７に確保する。
図１０は、少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
コンピュータ５は、図１０に示すように、ＣＰＵ６、メインメモリ７、ストレージ８、インターフェース９を備える。
例えば、上述の劣化予測装置４０、差圧予測装置７０、その他の制御装置のそれぞれは、コンピュータ５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ストレージ８に記憶されている。ＣＰＵ６は、プログラムをストレージ８から読み出してメインメモリ７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、ＣＰＵ６は、プログラムに従って、上述した各記憶部に対応する記憶領域をメインメモリ７に確保する。
ストレージ８の例としては、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、磁気ディスク、光磁気ディスク、ＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ−ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、半導体メモリ等が挙げられる。ストレージ８は、コンピュータ５のバスに直接接続された内部メディアであってもよいし、インターフェース９または通信回線を介してコンピュータ５に接続される外部メディアであってもよい。また、このプログラムが通信回線によってコンピュータ５に配信される場合、配信を受けたコンピュータ５が当該プログラムをメインメモリ７に展開し、上記処理を実行してもよい。少なくとも１つの実施形態において、ストレージ８は、一時的でない有形の記憶媒体である。
また、上記プログラムは、前述した機能の一部を実現してもよい。さらに、上記プログラムは、前述した機能をコンピュータ装置にすでに記録されているプログラムとの組み合わせで実現できるファイル、いわゆる差分ファイル（差分プログラム）であってもよい。
本開示のいくつかの実施形態を説明したが、これらの実施形態は、例であり、開示の範囲を限定しない。これらの実施形態は、開示の要旨を逸脱しない範囲で、種々の追加、種々の省略、種々の置き換え、種々の変更を行ってよい。
＜付記＞
本開示の各実施形態に記載の劣化予測装置４０、プラント１、劣化予測方法、プログラム、及び、コンフィギュレーションの処理をコンピュータに実行させるためのプログラムは、例えば以下のように把握される。
本開示の各実施形態に記載の劣化予測装置４０、プラント１、劣化予測方法、プログラム、及び、コンフィギュレーションの処理をコンピュータに実行させるためのプログラムは、例えば以下のように把握される。
（１）第１の態様に係る劣化予測装置（４０）は、
第１プラントの過去の運転における触媒に係る第１データと、前記過去の運転の状態に係る第２データとを含む学習データに基づいて、前記第１プラントと異なる第２プラント（１）における触媒の劣化度を予測する第１予測モデルを生成するモデル生成部（４０４、４０５）と、
前記モデル生成部（４０４、４０５）が生成した前記第１予測モデルに基づいて、前記第２プラント（１）における前記劣化度を予測する劣化度予測部（４０７）と、
を備える。
第１プラントの過去の運転における触媒に係る第１データと、前記過去の運転の状態に係る第２データとを含む学習データに基づいて、前記第１プラントと異なる第２プラント（１）における触媒の劣化度を予測する第１予測モデルを生成するモデル生成部（４０４、４０５）と、
前記モデル生成部（４０４、４０５）が生成した前記第１予測モデルに基づいて、前記第２プラント（１）における前記劣化度を予測する劣化度予測部（４０７）と、
を備える。
この劣化予測装置（４０）により、第２プラント（１）についてのデータを第１予測モデルに入力するだけで、第２プラント（１）における触媒の劣化度を予測することができる。その結果、第２プラント（１）のユーザは、触媒についての複雑な解析を実行することなく、触媒の劣化度を知ることができる。
（２）第２の態様に係る劣化予測装置（４０）は、（１）の劣化予測装置（４０）であって、
前記学習データは、前記第１プラントの過去の運転における被毒後の触媒に係るデータと、前記第１プラントの過去の運転における前記劣化度に係るデータとを含み、
前記モデル生成部（４０４、４０５）は、
前記学習データに基づいて、前記第２プラント（１）における前記被毒後の触媒に係るデータを予測する第２予測モデルを生成する第１モデル生成部（４０４）と、
前記第２予測モデルが予測した前記第２プラント（１）における前記被毒後の触媒に係るデータに基づいて、前記第２プラント（１）における前記劣化度を予測する前記第１予測モデルを生成する第２モデル生成部（４０５）と、
を備え、
前記劣化度予測部（４０７）は、
前記第１予測モデルと、前記第２予測モデルとに基づいて、前記第２プラント（１）における前記劣化度を予測する。
前記学習データは、前記第１プラントの過去の運転における被毒後の触媒に係るデータと、前記第１プラントの過去の運転における前記劣化度に係るデータとを含み、
前記モデル生成部（４０４、４０５）は、
前記学習データに基づいて、前記第２プラント（１）における前記被毒後の触媒に係るデータを予測する第２予測モデルを生成する第１モデル生成部（４０４）と、
前記第２予測モデルが予測した前記第２プラント（１）における前記被毒後の触媒に係るデータに基づいて、前記第２プラント（１）における前記劣化度を予測する前記第１予測モデルを生成する第２モデル生成部（４０５）と、
を備え、
前記劣化度予測部（４０７）は、
前記第１予測モデルと、前記第２予測モデルとに基づいて、前記第２プラント（１）における前記劣化度を予測する。
この劣化予測装置（４０）により、第２プラント（１）について予測困難な装置内における触媒に係るデータを予測することができる。その結果、第２プラント（１）のユーザは、第２プラント（１）における触媒の劣化度に対してどのデータが影響を及ぼすかを容易に判定することができるようになる。
（３）第３の態様に係る差圧予測装置（７０）は、
第１の態様または第２の態様に係る劣化予測装置（４０）と、
前記劣化予測装置（４０）が予測した前記劣化度に基づいて、空気予熱器（６０）の入出力間の差圧を推定する差圧推定部（７０４）と、
を備える。
第１の態様または第２の態様に係る劣化予測装置（４０）と、
前記劣化予測装置（４０）が予測した前記劣化度に基づいて、空気予熱器（６０）の入出力間の差圧を推定する差圧推定部（７０４）と、
を備える。
この差圧予測装置（７０）により、脱硝装置（２０）においてリークアンモニアが発生した場合に、空気予熱器（６０）の入出力間の差圧を推定する。その結果、触媒交換工事の計画やプラント１の運転支援を適切なタイミングで行うことができるようになる。
（４）第４の態様に係る差圧予測装置（７０）は、（３）の差圧予測装置（７０）であって、
前記劣化予測装置（４０）が予測した前記劣化度に基づいて、前記空気予熱器（６０）における閉塞度を推定する閉塞度推定部（７０３）、
を備え、
前記差圧推定部（７０４）は、
前記閉塞度推定部（７０３）が推定した前記閉塞度に基づいて、前記空気予熱器（６０）の入出力間の差圧を推定する。
前記劣化予測装置（４０）が予測した前記劣化度に基づいて、前記空気予熱器（６０）における閉塞度を推定する閉塞度推定部（７０３）、
を備え、
前記差圧推定部（７０４）は、
前記閉塞度推定部（７０３）が推定した前記閉塞度に基づいて、前記空気予熱器（６０）の入出力間の差圧を推定する。
この差圧予測装置（７０）により、差圧予測装置（７０）の構成がより明確になり、脱硝装置（２０）においてリークアンモニアが発生した場合に、空気予熱器（６０）の入出力間の差圧を推定する。その結果、触媒交換工事の計画やプラント１の運転支援を適切なタイミングで行うことができるようになる。
（５）第５の態様に係る差圧予測装置（７０）は、（３）または（４）の差圧予測装置（７０）であって、
前記劣化予測装置（４０）が予測した前記劣化度に基づいて、リークアンモニアの量を推定するリーク推定部（７０２）、
を備え、
前記差圧推定部（７０４）は、
前記リーク推定部（７０２）が推定した前記リークアンモニアの量に基づいて、前記空気予熱器（６０）の入出力間の差圧を推定する。
前記劣化予測装置（４０）が予測した前記劣化度に基づいて、リークアンモニアの量を推定するリーク推定部（７０２）、
を備え、
前記差圧推定部（７０４）は、
前記リーク推定部（７０２）が推定した前記リークアンモニアの量に基づいて、前記空気予熱器（６０）の入出力間の差圧を推定する。
この差圧予測装置（７０）により、差圧予測装置（７０）の構成がより明確になり、脱硝装置（２０）においてリークアンモニアが発生した場合に、空気予熱器（６０）の入出力間の差圧を推定する。その結果、触媒交換工事の計画やプラント１の運転支援を適切なタイミングで行うことができるようになる。
（６）第５の態様に係る差圧予測装置（７０）は、（３）から（５）のいずれかの差圧予測装置（７０）であって、
前記劣化予測装置（４０）が予測した前記劣化度に基づいて、スケールアップファクタを求めるスケールアップファクタ推定部（７０１）、
を備え、
前記差圧推定部（７０４）は、
前記スケールアップファクタ推定部（７０１）が求めた前記スケールアップファクタに基づいて、前記空気予熱器（６０）の入出力間の差圧を推定する。
前記劣化予測装置（４０）が予測した前記劣化度に基づいて、スケールアップファクタを求めるスケールアップファクタ推定部（７０１）、
を備え、
前記差圧推定部（７０４）は、
前記スケールアップファクタ推定部（７０１）が求めた前記スケールアップファクタに基づいて、前記空気予熱器（６０）の入出力間の差圧を推定する。
この差圧予測装置（７０）により、差圧予測装置（７０）の構成がより明確になり、脱硝装置（２０）においてリークアンモニアが発生した場合に、空気予熱器（６０）の入出力間の差圧を推定する。その結果、触媒交換工事の計画やプラント１の運転支援を適切なタイミングで行うことができるようになる。
（７）第７の態様に係るプラント（１）は、
触媒が用いられるプラントであって、
前記触媒を劣化させる装置（２０）と、
前記触媒の劣化度を予測する（１）または（２）の劣化予測装置（４０）と、
を備える。
触媒が用いられるプラントであって、
前記触媒を劣化させる装置（２０）と、
前記触媒の劣化度を予測する（１）または（２）の劣化予測装置（４０）と、
を備える。
このプラント（１）により、プラント（１）についてのデータを第１予測モデルに入力するだけで、プラント（１）における触媒の劣化度を予測することができる。その結果、プラント（１）のユーザは、触媒についての複雑な解析を実行することなく、触媒の劣化度を知ることができる。
（８）第８の態様に係る劣化予測方法は、
第１プラントの過去の運転における触媒に係る第１データと、前記過去の運転の状態に係る第２データとを含む学習データに基づいて、前記第１プラントと異なる第２プラントにおける触媒の劣化度を予測する第１予測モデルを生成することと、
生成した前記第１予測モデルに基づいて、前記第２プラントにおける前記劣化度を予測することと、
を含む。
第１プラントの過去の運転における触媒に係る第１データと、前記過去の運転の状態に係る第２データとを含む学習データに基づいて、前記第１プラントと異なる第２プラントにおける触媒の劣化度を予測する第１予測モデルを生成することと、
生成した前記第１予測モデルに基づいて、前記第２プラントにおける前記劣化度を予測することと、
を含む。
この劣化予測方法により、第２プラント（１）についてのデータを第１予測モデルに入力するだけで、第２プラント（１）における触媒の劣化度を予測することができる。その結果、第２プラント（１）のユーザは、触媒についての複雑な解析を実行することなく、触媒の劣化度を知ることができる。
（９）第１０の態様に係るプログラムは、
コンピュータに、
第１プラントの過去の運転における触媒に係る第１データと、前記過去の運転の状態に係る第２データとを含む学習データに基づいて、前記第１プラントと異なる第２プラントにおける触媒の劣化度を予測する第１予測モデルを生成することと、
生成した前記第１予測モデルに基づいて、前記第２プラントにおける前記劣化度を予測することと、
を実行させる。
コンピュータに、
第１プラントの過去の運転における触媒に係る第１データと、前記過去の運転の状態に係る第２データとを含む学習データに基づいて、前記第１プラントと異なる第２プラントにおける触媒の劣化度を予測する第１予測モデルを生成することと、
生成した前記第１予測モデルに基づいて、前記第２プラントにおける前記劣化度を予測することと、
を実行させる。
このプログラムにより、第２プラント（１）についてのデータを第１予測モデルに入力するだけで、第２プラント（１）における触媒の劣化度を予測することができる。その結果、第２プラント（１）のユーザは、触媒についての複雑な解析を実行することなく、触媒の劣化度を知ることができる。
（１０）第１１の態様に係るコンフィギュレーションの処理をコンピュータに実行させるためのプログラムは、
第１プラントの過去の運転における触媒に係る第１データと、前記過去の運転の状態に係る第２データとを含む学習データに基づいて、前記第１プラントと異なる第２プラント（１）における触媒の劣化度を予測する第１予測モデルを生成するモデル生成部（４０４、４０５）、
前記モデル生成部（４０４、４０５）が生成した前記第１予測モデルに基づいて、前記第２プラント（１）における前記劣化度を予測する劣化度予測部（４０７）、
のそれぞれをハードウェアとして構成させる。
第１プラントの過去の運転における触媒に係る第１データと、前記過去の運転の状態に係る第２データとを含む学習データに基づいて、前記第１プラントと異なる第２プラント（１）における触媒の劣化度を予測する第１予測モデルを生成するモデル生成部（４０４、４０５）、
前記モデル生成部（４０４、４０５）が生成した前記第１予測モデルに基づいて、前記第２プラント（１）における前記劣化度を予測する劣化度予測部（４０７）、
のそれぞれをハードウェアとして構成させる。
このコンフィギュレーションの処理をコンピュータに実行させるためのプログラムにより、第２プラント（１）についてのデータを第１予測モデルに入力するだけで、第２プラント（１）における触媒の劣化度を予測することができる。その結果、第２プラント（１）のユーザは、触媒についての複雑な解析を実行することなく、触媒の劣化度を知ることができる。
１・・・プラント
５・・・コンピュータ
６・・・ＣＰＵ
７・・・メインメモリ
８・・・ストレージ
９・・・インターフェース
１０・・・ボイラ
２０・・・脱硝装置
３０・・・センサ装置
４０・・・劣化予測装置
５０・・・データサーバ装置
６０・・・空気予熱器
７０・・・差圧予測装置
３０１・・・第１センサ
３０２・・・第２センサ
３０３・・・第３センサ
３０４・・・第４センサ
４０１・・・記憶部
４０２・・・計画値取得部
４０３・・・プラントデータ取得部
４０４・・・第１モデル生成部
４０５・・・第２モデル生成部
４０６・・・被毒後データ取得部
４０７・・・触媒劣化度取得部
７０１・・・スケールアップファクタ推定部
７０２・・・リーク推定部
７０３・・・閉塞度推定部
７０４・・・差圧推定部
５・・・コンピュータ
６・・・ＣＰＵ
７・・・メインメモリ
８・・・ストレージ
９・・・インターフェース
１０・・・ボイラ
２０・・・脱硝装置
３０・・・センサ装置
４０・・・劣化予測装置
５０・・・データサーバ装置
６０・・・空気予熱器
７０・・・差圧予測装置
３０１・・・第１センサ
３０２・・・第２センサ
３０３・・・第３センサ
３０４・・・第４センサ
４０１・・・記憶部
４０２・・・計画値取得部
４０３・・・プラントデータ取得部
４０４・・・第１モデル生成部
４０５・・・第２モデル生成部
４０６・・・被毒後データ取得部
４０７・・・触媒劣化度取得部
７０１・・・スケールアップファクタ推定部
７０２・・・リーク推定部
７０３・・・閉塞度推定部
７０４・・・差圧推定部
Claims (11)
- 第１プラントの過去の運転における触媒に係る第１データと、前記過去の運転の状態に係る第２データとを含む学習データに基づいて、前記第１プラントと異なる第２プラントにおける触媒の劣化度を予測する第１予測モデルを生成するモデル生成部と、
前記モデル生成部が生成した前記第１予測モデルに基づいて、前記第２プラントにおける前記劣化度を予測する劣化度予測部と、
を備える劣化予測装置。 - 前記学習データは、前記第１プラントの過去の運転における被毒後の触媒に係るデータと、前記第１プラントの過去の運転における前記劣化度に係るデータとを含み、
前記モデル生成部は、
前記学習データに基づいて、前記第２プラントにおける前記被毒後の触媒に係るデータを予測する第２予測モデルを生成する第１モデル生成部と、
前記第２予測モデルが予測した前記第２プラントにおける前記被毒後の触媒に係るデータに基づいて、前記第２プラントにおける前記劣化度を予測する前記第１予測モデルを生成する第２モデル生成部と、
を備え、
前記劣化度予測部は、
前記第１予測モデルと、前記第２予測モデルとに基づいて、前記第２プラントにおける前記劣化度を予測する、
請求項１に記載の劣化予測装置。 - 請求項１または請求項２に記載の劣化予測装置と、
前記劣化予測装置が予測した前記劣化度に基づいて、空気予熱器の入出力間の差圧を推定する差圧推定部と、
を備える差圧予測装置。 - 前記劣化予測装置が予測した前記劣化度に基づいて、前記空気予熱器における閉塞度を推定する閉塞度推定部、
を備え、
前記差圧推定部は、
前記閉塞度推定部が推定した前記閉塞度に基づいて、前記空気予熱器の入出力間の差圧を推定する、
請求項３に記載の差圧予測装置。 - 前記劣化予測装置が予測した前記劣化度に基づいて、リークアンモニアの量を推定するリーク推定部、
を備え、
前記差圧推定部は、
前記リーク推定部が推定した前記リークアンモニアの量に基づいて、前記空気予熱器の入出力間の差圧を推定する、
請求項３または請求項４に記載の差圧予測装置。 - 前記劣化予測装置が予測した前記劣化度に基づいて、スケールアップファクタを求めるスケールアップファクタ推定部、
を備え、
前記差圧推定部は、
前記スケールアップファクタ推定部が求めた前記スケールアップファクタに基づいて、前記空気予熱器の入出力間の差圧を推定する、
請求項３から請求項５の何れか一項に記載の差圧予測装置。 - 触媒が用いられるプラントであって、
前記触媒の劣化が起こる装置と、
前記触媒の劣化度を予測する請求項１または請求項２に記載の劣化予測装置と、
を備えるプラント。 - 第１プラントの過去の運転における触媒に係る第１データと、前記過去の運転の状態に係る第２データとを含む学習データに基づいて、前記第１プラントと異なる第２プラントにおける触媒の劣化度を予測する第１予測モデルを生成することと、
生成した前記第１予測モデルに基づいて、前記第２プラントにおける前記劣化度を予測することと、
を含む劣化予測方法。 - 第１プラントの過去の運転における触媒に係る第１データと、前記過去の運転の状態に係る第２データとを含む学習データに基づいて、前記第１プラントと異なる第２プラントにおける触媒の劣化度を予測する第１予測モデルを生成することと、
生成した前記第１予測モデルに基づいて、前記第２プラントにおける前記劣化度を予測することと、
予測した前記劣化度に基づいて、空気予熱器の入出力間の差圧を推定することと、
を含む差圧予測方法。 - コンピュータに、
第１プラントの過去の運転における触媒に係る第１データと、前記過去の運転の状態に係る第２データとを含む学習データに基づいて、前記第１プラントと異なる第２プラントにおける触媒の劣化度を予測する第１予測モデルを生成することと、
生成した前記第１予測モデルに基づいて、前記第２プラントにおける前記劣化度を予測することと、
を実行させるプログラム。 - 第１プラントの過去の運転における触媒に係る第１データと、前記過去の運転の状態に係る第２データとを含む学習データに基づいて、前記第１プラントと異なる第２プラントにおける触媒の劣化度を予測する第１予測モデルを生成するモデル生成部、前記モデル生成部が生成した前記第１予測モデルに基づいて、前記第２プラントにおける前記劣化度を予測する劣化度予測部のそれぞれをハードウェアとして構成させる、
コンフィギュレーションの処理をコンピュータに実行させるためのプログラム。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE112020006667.3T DE112020006667T5 (de) | 2020-02-04 | 2020-12-23 | Vorhersagevorrichtung, Anlage, Vorhersageverfahren, Programm und Konfigurationsprogramm |
| PCT/JP2020/048257 WO2021157240A1 (ja) | 2020-02-04 | 2020-12-23 | 予測装置、プラント、予測方法、プログラム、及び、コンフィギュレーションプログラム |
| CN202080092582.4A CN114929366A (zh) | 2020-02-04 | 2020-12-23 | 预测装置、成套设备、预测方法、程序以及配置程序 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020017156 | 2020-02-04 | ||
| JP2020017156 | 2020-02-04 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2021125196A true JP2021125196A (ja) | 2021-08-30 |
Family
ID=77459345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020106496A Pending JP2021125196A (ja) | 2020-02-04 | 2020-06-19 | 予測装置、プラント、予測方法、プログラム、及び、コンフィギュレーションプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2021125196A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023228901A1 (ja) * | 2022-05-26 | 2023-11-30 | 三菱重工業株式会社 | 状態量予測装置、状態量予測方法、状態量予測システム、及び状態量予測システムの制御方法 |
-
2020
- 2020-06-19 JP JP2020106496A patent/JP2021125196A/ja active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023228901A1 (ja) * | 2022-05-26 | 2023-11-30 | 三菱重工業株式会社 | 状態量予測装置、状態量予測方法、状態量予測システム、及び状態量予測システムの制御方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6610987B2 (ja) | 異常診断方法及び異常診断システム | |
| KR102283207B1 (ko) | 인공지능을 이용한 화력발전소의 배가스 처리방법 및 인공지능을 이용한 화력발전소의 배가스 처리장치 | |
| WO2021157240A1 (ja) | 予測装置、プラント、予測方法、プログラム、及び、コンフィギュレーションプログラム | |
| CN110121708B (zh) | 设计虚拟传感器的过程、对应的虚拟传感器、系统和计算机程序产品 | |
| JP2021125196A (ja) | 予測装置、プラント、予測方法、プログラム、及び、コンフィギュレーションプログラム | |
| US20220246248A1 (en) | Method and system for performance optimization of flue gas desulphurization (fgd) unit | |
| Hasnen et al. | Semi-supervised adaptive PLS soft-sensor with PCA-based drift correction method for online valuation of NOx emission in industrial water-tube boiler | |
| JP2011069296A (ja) | 脱硝触媒の劣化予測方法、劣化対策方法、劣化対策システム及び排ガス処理システムの設計方法 | |
| KR102281488B1 (ko) | 데이터 보정 기술을 적용한 화력발전소의 연료 발열량 보정 방법 | |
| Qiu et al. | An energy‐efficiency evaluation method for high‐sulfur natural gas purification system using artificial neural networks and particle swarm optimization | |
| JP5656746B2 (ja) | 脱硝触媒の劣化判断方法 | |
| US11204838B2 (en) | Runtime model validation for partially-observable hybrid systems | |
| JP5773620B2 (ja) | センサ異常判定装置及びセンサ異常判定方法 | |
| JP6278296B2 (ja) | 排ガス処理設備管理装置、排ガス処理設備、排ガス処理設備管理方法及びプログラム | |
| CN111927606B (zh) | 对诊断的评估时间点的确定 | |
| JPH09324681A (ja) | 内燃機関の空燃比制御装置 | |
| Gelmini et al. | Design and experimental validation of three way catalyst age estimator and Fisher information analysis for optimal sensor selection | |
| Krejza et al. | Cascade mpc approach to automotive scr multi-brick systems | |
| Gupta et al. | Physics-assisted long-short-term-memory network for forecasting of fouling in a regenerative heat exchanger | |
| TWI811167B (zh) | 氮氧化物的預測方法 | |
| KR102372729B1 (ko) | 플랜트 수명 예지 장치 및 방법 | |
| Jain | Model-based on-board diagnostics for scr-asc | |
| RU2190875C2 (ru) | Способ определения величины массовых выбросов загрязняющих веществ в окружающую среду и система для его осуществления | |
| CN116486925A (zh) | 脱硝系统出口氮化物浓度预测方法、装置、介质及设备 | |
| CN115114857A (zh) | 脱硝催化剂性能在线评估方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20220124 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230329 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240109 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240311 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240611 |