JP2022069608A - プラント管理システム、プラント管理サーバ、プラント管理装置、推定用モデルの生成方法、及び学習用データの生成方法 - Google Patents

Abstract

【課題】プラントの状態を判断するのに有用なプラント管理システム、プラント管理サーバ、プラント管理装置、推定用モデルの生成方法、及び学習用データの生成方法を提供する。【解決手段】プラント管理システム１は、複数の時区間を含む時間軸５１ｔと、複数の状態項目を含む項目軸５１ｐとの二次元空間において、時区間及び状態項目の組み合わせにより特定されるセル５１ｃごとのデータを含むマップデータ５１を生成するマップデータ生成部１０３と、マップデータ５１に対応するプラント１０の状態を示す教師データ５２を生成する教師データ生成部１０５と、マップデータ５１と教師データ５２とを組み合わせた学習用データに基づく機械学習により、プラント１０の状態の推定用モデルを構築するモデル構築部２０３と、マップデータ５１を推定用モデルに入力してプラント１０の状態を示す推定データ５３を導出する推定部１０６と、を備える。【選択図】図２

Description

本開示は、プラント管理システム、プラント管理サーバ、プラント管理装置、推定用モデルの生成方法、及び学習用データの生成方法に関する。

特許文献１には、セメントキルンの制御方法が開示されている。この制御方法は、ファジー制御を用いて、セメントキルンの各位置の温度、酸素濃度、及び一酸化炭素濃度等の測定値に基づきセメントキルンの自動運転を実行する。

米国特許第４９１０６８４号公報

ところで、上記のセメントキルンといったプラントにおいては、プラントの内部の状態が不規則に変化する場合がある。例えば、セメント製造に関するセメントクリンカ焼成工程においてセメントキルンを用いる際、焼成によって融けた原料のセメントキルンの内部への付着及び剥離が繰り返される。この原料の付着物（リング）は、原料を滞留させたり、燃焼ガスの流れ、燃料の燃焼状態等に影響を与えたりする。このように制御対象としてのモデルが大きく変化する程にプラントの状態に変化が生じると、特許文献１に記載の制御方法等によっては、実行していた制御が適さなくなり自動運転が継続できない場合があった。

一方で、熟練した人間のオペレータは、プラントの継続運転を高水準に維持している。そこで、本発明者は、プラントの状態を適切に反映させることにより、プラントの自動運転を高水準に維持できることを見出した。

しかしながら、プラントの状態はプラントの運転状態に関する多くの要素から総合的に影響を受けて変化し、プラントの状態を適切に判断するためにこれらの多くの要素の情報を十分に反映させ続ける制御処理は過度に煩雑化した。

本開示は、プラントの状態を判断するのに有用なプラント管理システム、プラント管理サーバ、プラント管理装置、推定用モデルの生成方法、及び学習用データの生成方法を提供することを目的とする。

本開示の一側面に係るプラント管理システムは、時系列に並ぶ複数の時区間を含む時間軸と、プラントの運転状態に関する複数の状態項目を含む項目軸との二次元空間において、時区間及び状態項目の組み合わせにより特定されるセルごとのデータを含むマップデータを生成するマップデータ生成部と、マップデータに対応するプラントの状態を示す教師データを生成する教師データ生成部と、マップデータと、当該マップデータに対応する教師データとを組み合わせた学習用データを蓄積する学習用データ管理部と、学習用データ管理部に蓄積された学習用データに基づく機械学習により、プラントの状態の推定用モデルを構築するモデル構築部と、マップデータを推定用モデルに入力してプラントの状態を示す推定データを導出する推定部と、を備える。

このプラント管理システムによれば、プラントの運転状態に関する複数の要素の変化のパターンをマップデータ化して機械学習するので、計器異常のようなノイズもある程度許容した運転状態の総合的な変化に基づくプラントの状態の変化を高精度に反映させることが可能な推定用モデルが構築される。この推定用モデルに基づいてマップデータから得られた推定データにより、プラントの状態を適切に判断することができる。したがって、本プラント管理システムは、プラントの状態を判断するのに有用である。

プラント管理システムは、学習用データのマップデータを推定用モデルに入力して導出した推定データと、当該学習用データの教師データとの乖離が所定の範囲を超えている場合に、当該学習用データを除外する学習用データ選択部を更に備え、モデル構築部は、学習用データ選択部によりいずれかの学習用データが除外された場合に、残った学習用データに基づく機械学習により、推定用モデルを再構築するように構成されていてもよい。この場合、例えば、サンプリング誤差等によって教師データの変化とプラントの状態の変化とが対応していない場合等、学習用データに適さないものが学習用データに含まれていた場合には、当該学習用データに適さないものを除外して機械学習し直すので、推定用モデルをブラッシュアップすることができる。これにより、より適切にプラントの状態を判断することができる。

マップデータ生成部は、マップデータの少なくとも一部のデータにファジー集合のメンバーシップ関数を適用してマップデータを生成してもよい。この場合、マップデータのセルごとのデータをファジー化することにより、マップデータに熟練した人間のオペレータが感じている各運転状態の変化の特徴が現れやすい。このため、機械学習の処理負担を軽減しつつ適切にプラントの状態を判断することができる。

マップデータ生成部は、少なくとも二つの状態項目に対し異なるメンバーシップ関数を適用するように構成されていてもよい。プラントの運転状態に関する複数の要素において、当該運転状態の変化の特徴の現れ方が互いに異なることが考えられる。このように異なる運転状態に関する状態項目に対して異なるメンバーシップ関数を適用することで、各運転状態に対して機械学習の処理負担を軽減し得る程度に応じたファジー化が可能となる。

マップデータ生成部は、プラントに投入される原料の状態及びプラントの運転環境の少なくともいずれかを含む外部要因に応じて、マップデータのデータに適用するメンバーシップ関数を変更するように構成されていてもよい。この場合、各運転状態の変化の特徴がマップデータにいっそう現れやすくなる。このため、機械学習の処理負担をより軽減することができる。

学習用データ管理部は、少なくとも二つの状態項目同士の間で、データの変動時刻のずれを縮小するように、当該二つの状態項目間で時間をずらしてマップデータを補正してもよい。この場合、変動時刻のずれによってプラントの運転状態に関する複数の要素による複合的な特徴が現れにくくなることを抑制することができる。

項目軸は、少なくとも、第１の状態項目と、第２の状態項目と、第２の状態項目に比較して第１の状態項目に対する相関の強い第３の状態項目とを含み、学習用データ管理部は、第３の状態項目が第１の状態項目及び第２の状態項目の間に位置するようにマップデータを補正してもよい。この場合、プラントの運転状態に関する複数の要素による複合的な特徴をより現れやすくすることができる。

項目軸は、いずれかの状態項目の微分値を示す状態項目を含んでいてもよい。これにより、例えば、プラントの運転状態に関する要素が系統誤差を含んでいる場合等に当該系統誤差をキャンセルでき、運転状態の変化傾向を特徴としてマップデータに現すことができる。

マップデータ生成部は、セルのデータのフォーマットが、画素用のデータフォーマットであるマップデータを生成することができる。この場合、画像処理用の機械学習エンジンを利用し得るので、機械学習の処理負担の軽減に寄与する。

例えば、プラントは、セメントキルンを含み、項目軸は、セメントキルン内の温度に関する状態項目と、セメントキルン内のガスの濃度に関する状態項目と、を含み、教師データは、セメントキルン内におけるフリーライムの量に関する評価値を含んでいてもよい。

本開示の他の側面に係るプラント管理サーバは、時系列に並ぶ複数の時区間を含む時間軸と、プラントの運転状態に関する複数の状態項目を含む項目軸との二次元空間において、時区間及び状態項目の組み合わせにより特定されるセルごとのデータを含むマップデータと、マップデータに対応するプラントの状態を示す教師データとを組み合わせた学習用データを蓄積する学習用データ管理部と、学習用データ管理部に蓄積された学習用データに基づく機械学習により、プラントの状態の推定用モデルを構築するモデル構築部と、を備える。

また、本開示の他の側面に係るプラント管理装置は、時系列に並ぶ複数の時区間を含む時間軸と、プラントの運転状態に関する複数の状態項目を含む項目軸との二次元空間において、時区間及び状態項目の組み合わせにより特定されるセルごとのデータを含むマップデータと、マップデータに対応するプラントの状態を示す教師データと、を生成するためのデータを取得する少なくとも一つのデータ取得部と、マップデータと、当該マップデータに対応する教師データとを組み合わせた学習用データに基づく機械学習により構築されたプラントの状態の推定用モデルにマップデータを入力してプラントの状態の推定データを導出する推定部と、を備える。

このプラント管理サーバ及びプラント管理装置は、それぞれ、上述したプラント管理システムと同様のプラントの状態の適切な判断に寄与する。

プラント管理装置は、推定用モデルに入力したマップデータと、当該マップデータが推定用モデルに入力されて導出された推定データとを画像データとして表示する表示部を更に備えていてもよい。この場合、画像データを表示することで、推定データが示す運転状態の総合的な変化に基づくプラントの状態の変化と人間のオペレータの視覚による認識とを対比することができる。

本開示の他の側面に係る推定用モデルの生成方法は、時系列に並ぶ複数の時区間を含む時間軸と、プラントの運転状態に関する複数の状態項目を含む項目軸との二次元空間において、時区間及び状態項目の組み合わせにより特定されるセルごとのデータを含むマップデータと、マップデータに対応するプラントの状態を示す教師データとを組み合わせた学習用データを蓄積することと、蓄積した学習用データに基づく機械学習により、プラントの状態の推定用モデルを生成することと、を含む。

また、推定用モデルの生成方法は、学習用データのマップデータを推定用モデルに入力して導出した推定データと、当該学習用データの教師データとの乖離が所定の範囲を超えている場合に、当該学習用のデータを除外することと、いずれかの学習用データを除外した場合に、残った学習用データに基づく機械学習により、推定用モデルを再構築することと、を更に含んでいてもよい。

これらの推定用モデルの生成方法は、上述したプラント管理システムと同様のプラントの状態の適切な判断に寄与する。

本開示の他の側面に係る学習用データの生成方法は、時系列に並ぶ複数の時区間を含む時間軸と、プラントの運転状態に関する複数の状態項目を含む項目軸との二次元空間において、時区間及び状態項目の組み合わせにより特定されるセルごとのデータを含むマップデータを、機械学習の入力側データとして生成することと、当該マップデータに対応するプラントの状態に関する教師データを、機械学習の出力側データとして生成することと、を含む。

また、学習用データの生成方法は、マップデータの少なくとも一部のデータにファジー集合のメンバーシップ関数を適用してマップデータを生成してもよい。

これらの学習用データの生成方法は、上述したプラント管理システムと同様のプラントの状態の適切な判断に寄与する。

本開示によれば、プラントの状態を判断するのに有用なプラント管理システム、プラント管理サーバ、プラント管理装置、推定用モデルの生成方法、及び学習用データの生成方法を提供することができる。

図１は、プラント管理システムの全体構成を示す模式図である。 図２は、プラント管理装置及びプラント管理サーバの機能上の構成を示すブロック図である。 図３は、マップデータの例を示す図である。 図４は、プラントの状態を示す教師データの例を示す図である。 図５は、ファジー集合のメンバーシップ関数の例を示す図である。 図６は、プラント管理システムのハードウェア構成を示すブロック図である。 図７は、学習用データ生成プロセスを示すフローチャートである。 図８は、マップデータ生成プロセスを示すフローチャートである。 図９は、モデル構築プロセスを示すフローチャートである。 図１０は、プラントの状態の推定プロセスを示すフローチャートである。

以下、実施形態について、図面を一例として参照しつつ詳細に説明する。説明において、同一要素又は同一機能を有する要素には同一の符号を付し、重複する説明を省略する場合がある。

〔プラント管理システム〕
本実施形態に係るプラント管理システムは、プラントを管理するためのシステムであり、プラントの状態を判断するのに用いられる。図１に示されるプラント管理システム１は、例えばセメントクリンカ製造用のプラントに適用される。プラント管理システム１は、プラント管理装置１００と、プラント管理サーバ２００とを備える。

プラント管理装置１００は、機械学習用のデータ（以下、「学習用データ」という。）を生成するためのデータを取得することと、機械学習により構築されたプラントの状態の推定用モデルに基づいてプラントの状態の推定データを導出することと、を実行する。学習用データは、下記入力側データ及び出力側データを含む。

入力側データは、上記推定データを導出する際に、推定用モデルに入力されるデータに相当する。入力側データは、時系列に並ぶ複数の時区間を含む時間軸と、プラントの運転状態に関する複数の状態項目を含む項目軸との二次元空間において、時区間及び状態項目の組み合わせにより特定されるセルごとのデータを含むマップデータである。

出力側データは、入力側データの入力に応じて推定モデルが出力すべきデータを予め教えるためのデータである。出力側データは、マップデータに対応するプラントの状態を示す教師データである。マップデータに対応するとは、マップデータに相関するものの、当該マップデータから直接的には導出されない関係にあることを意味する。教師データの具体例としては、マップデータを構成するデータの取得期間よりも未来のプラントの状態を示すデータ、又はマップデータを構成するデータの取得期間中のプラントの状態であって、マップデータを構成するデータから直接的には導出されない状態を示すデータ等が挙げられる。なお、「プラントの状態を示す」とは、「プラントの状態を評価している」ことを意味し、必ずしもプラントの状態を適切に示している場合に限定されない。

プラント管理装置１００は、取得したデータに基づいてマップデータを機械学習の入力側データとして生成することと、取得したデータに基づいて教師データを機械学習の出力側データとして生成することと、を更に実行するように構成されていてもよい。また、プラント管理装置１００は、推定用モデルに入力したマップデータと、当該マップデータが推定用モデルに入力されて導出された推定データとを画像データとして表示することを更に実行するように構成されていてもよい。

プラント管理サーバ２００は、マップデータと教師データとを組み合わせた学習用データを蓄積することと、蓄積された学習用データに基づく機械学習により、プラントの状態の推定用モデルを構築することと、を実行する。

また、プラント管理サーバ２００は、学習用データのマップデータを推定用モデルに入力して導出した推定データと、当該学習用データの教師データとの乖離が所定の範囲を超えている場合に、当該学習用データを除外することと、いずれかの学習用データが除外された場合に、残った学習用データに基づく機械学習により、推定用モデルを再構築することと、を更に実行するように構成されていてもよい。以下、プラント管理装置１００及びプラント管理サーバ２００の具体的な構成を詳細に例示する。

（プラント管理装置）
プラント管理装置１００は、セメントクリンカ製造用のプラント１０におけるセメントキルン１２の状態を管理するための装置である。プラント１０は、プレヒーター１１と、セメントキルン１２と、冷却機１３と、複数のセンサ１４とを有する。なお、図１においては、セメントクリンカの原料の流れを実線矢印で示し、高温ガスの流れを破線矢印で示している。

プレヒーター１１は、前工程（原料粉砕工程）の装置（不図示）から供給されたセメントクリンカの原料を予熱する。プレヒーター１１は、例えば、多段サイクロンを構成する複数のサイクロン１１ａ及びボトムサイクロン１１ｃを有する。プレヒーター１１は、サイクロン１１ａ（例えば、最上段サイクロンの入口）の投入口から投入されたセメントクリンカの原料を順次下方のサイクロン１１ａへ落下させて、セメントクリンカの原料が徐々に高温になるように予熱する。

プレヒーター１１は、仮焼炉１１ｂを更に有していてもよい。すなわち、プレヒーター１１は、ＳＰ方式（Ｓｕｓｐｅｎｓｉｏｎ Ｐｒｅｈｅａｔｅｒ方式：多段サイクロン予熱方式）であってもよく、ＮＳＰ方式（Ｎｅｗ Ｓｕｓｐｅｎｓｉｏｎ Ｐｒｅｈｅａｔｅｒ方式：仮焼炉を併設した多段サイクロン予熱方式）であってもよい。仮焼炉１１ｂは、ボトムサイクロン１１ｃのガス側入口に位置し、セメントクリンカの原料をバーナ１１ｄによって仮焼する。ボトムサイクロン１１ｃは、仮焼炉１１ｂとセメントキルン１２との間に位置し、予熱されたセメントクリンカの原料をセメントキルン１２に供給する。

セメントキルン１２は、プレヒーター１１から供給されたセメントクリンカの原料を焼成する。セメントキルン１２は、例えば回転窯（ロータリーキルン）であり、回転軸方向に沿う原料下流側に傾斜したドラム本体１２ａと、バーナ１２ｂとを有する。ドラム本体１２ａは、原料の供給を受ける窯尻１２ｃと、焼成したセメントクリンカを排出する窯前１２ｄとを含む。ドラム本体１２ａは、例えば窯尻１２ｃよりも窯前１２ｄが下方に位置するように、水平面に対して２°～５°傾斜した回転軸まわりに回転する。これにより、ドラム本体１２ａは、供給されたセメントクリンカの原料を移動させながら撹拌し、バーナ１２ｂによって焼成し、セメントクリンカを生成する。

冷却機１３は、セメントキルン１２から排出されたセメントクリンカを冷却する。冷却機１３は、例えばエアークエンチングクーラー（クリンカクーラー）であり、高温のセメントクリンカを空気によって冷却するとともに、冷却によって発生した高温ガスを仮焼炉１１ｂに供給する。

複数のセンサ１４は、プラント１０の運転状態に関する各要素の値を測定する。例えば、複数のセンサ１４は、センサ１４ａ，１４ｂ，１４ｃ，１４ｄ，１４ｅを含む。センサ１４ａ，１４ｄは、例えば熱電対であって、ガス（空気又は抽気）の温度を測定する。センサ１４ｂ，１４ｃは、例えばガス分析器であって、それぞれ酸素濃度、一酸化炭素濃度を測定する。センサ１４ｅは、例えばフリーライム検出器であって、セメントクリンカ中のフリーライムの量を測定する。なお、フリーライムとは、反応してセメント鉱物にならなかったライム（ＣａＯ）をいう。センサ１４ａ，１４ｂ，１４ｃは、プレヒーター１１（例えば、ガス側の、ボトムサイクロン１１ｃの出口又は仮焼炉１１ｂの出口又はプレヒーター１１の出口）に配置されていてもよく、セメントキルン１２の窯尻１２ｃにも配置されていてもよい。センサ１４ｄは、例えば冷却機１３から仮焼炉１１ｂへの高温ガスの流路に配置されている。センサ１４ｅは、例えば冷却機１３の出口に配置されている。

なお、複数のセンサ１４は、上記に限定されず、プレヒーター１１に供給されたセメントクリンカの原料の量を量るセンサ又はセメントクリンカの生産量を量るセンサ、又、二酸化炭素の濃度を測定するセンサ、窒素酸化物の濃度を測定するセンサ、セメントクリンカの原料の温度を測定するセンサ、セメントキルン１２の回転の電力又はトルク又は回転数を検出するセンサ、プレヒーター１１の排気ガスファン（不図示）の回転数を検出するセンサ、バーナ１１ｄ，１２ｂの燃料量を測定するセンサ、及びセメントクリンカの容重を測定するセンサ等を含んでいてもよい。

図２に示されるように、プラント管理装置１００は、機能上の構成（以下、「機能モジュール」という。）として、管理部１１０と、データ取得部１０１と、マップデータ生成部１０３と、教師データ生成部１０５と、推定部１０６と、表示部１０７と、を備える。

管理部１１０は、データの管理を行う。管理部１１０は、マップデータ及び教師データを学習用データ記憶部１０２に保存することと、マップデータの少なくとも一部のデータに適用させるためのメンバーシップ関数をメンバーシップ関数記憶部１０４に記憶することとを実行する。

データ取得部１０１は、マップデータ及び教師データを生成するためのデータを取得し、取得したデータをデータ記憶部１０１ａに保存する。例えばデータ取得部１０１は、プラントの状態を示すデータをセンサ１４等から取得する。データ取得部１０１は、天気の情報、オペレータの識別情報等、センサ１４によっては直接取得されない情報をオペレータの入力に基づいて取得してもよい。データ取得部１０１は、データ記憶部１０１ａのデータを管理部１１０の学習用データ記憶部１０２に保存する。

マップデータ生成部１０３は、学習用データ記憶部１０２に蓄積されたデータに基づいてマップデータを生成し、生成したマップデータをマップデータ記憶部１０３ａに保存する。

図３は、マップデータ生成部１０３が生成するマップデータを例示する図である。図３に示されるように、マップデータ５１は、時系列に並ぶ複数の時区間を含む時間軸５１ｔと、プラント１０の運転状態に関する複数の状態項目を含む項目軸５１ｐとの二次元空間において、時区間及び状態項目の組み合わせにより特定されるセル５１ｃごとのデータを含む。マップデータ５１においては、時間軸５１ｔが横軸とされ、項目軸５１ｐが縦軸とされているがこれに限られず、時間軸５１ｔが縦軸とされ、項目軸５１ｐが横軸とされていてもよい。時間軸５１ｔにおいては、項目軸５１ｐから遠ざかる方向（例えば図示右方向）が時間の経過方向とされているがこれに限られず、項目軸５１ｐに近付く方向（例えば図示左方向）が時間の経過方向とされていてもよい。また、複数の時区間は連続的に並んでいてもよいし、断続的に並んでいてもよい。なお、「時区間」は、特定の一瞬を示す一つの時刻であってもよく、開始時刻及び終了時刻により特定される期間であってもよい。

項目軸５１ｐは、温度等、数値データで示される状態項目を含む他、天気の情報、オペレータの識別情報等、プラントの運転状態に関するあらゆる状態項目を含み得る。項目軸５１ｐは、いずれかの状態項目の微分値を示す状態項目を含んでいてもよい。例えば項目軸５１ｐの状態項目ａは、地点Ａ（例えばプレヒータ－１１の出口）の空気の温度である。状態項目ｂは、地点Ａの第一ガス（例えば酸素）の濃度である。状態項目ｃは、地点Ａの第二ガス（例えば一酸化炭素）の濃度である。状態項目ｄは、状態項目ｃの微分値である。状態項目ｅは、地点Ｂ（例えば冷却機１３から仮焼炉１１ｂへの高温ガスの流路）の抽気の温度である。状態項目ｆは、セメントクリンカ中のフリーライムの量である。

なお、マップデータ５１において、ある状態項目に関するデータとして、特定の時区間のデータがない場合には、同じ状態項目における当該時区間に近接する時区間のデータそのもの、又は周辺の複数の時区間のデータから近似される計算値によって得られたデータが代用されてもよい。また、データが無いことが示されていてもよい。データが無いことを示す場合は、対応するセル５１ｃのデータをデータが無いことを表すデータ（例えば、後述するデータｂ１）によって表したマップデータ５１を生成してもよく、当該セル５１ｃが欠けた外形のマップデータ５１を生成してもよい。

マップデータ生成部１０３は、マップデータ５１の少なくとも一部のデータにファジー集合のメンバーシップ関数を適用してマップデータ５１を生成してもよい。図５は、ファジー集合のメンバーシップ関数を例示する図である。図５の２つのグラフＧは、いずれもメンバーシップ関数Ｆを示している。例えばグラフＧ１は、データの程度に関するファジー集合（例えば温度の高さに関するファジー集合）のメンバーシップ関数Ｆ１を示している。また、図５のグラフＧ２は、データの有無に関するファジー集合（クリスプ集合）のメンバーシップ関数Ｆ２を示している。なお、グラフＧ１の縦軸はファジー集合のグレード（温度が高いことに対する一致度）を示し、横軸はデータの値を示す。グラフＧ２の縦軸はファジー集合のグレード（データが有ることに対する一致度）を示し、横軸はデータの有無（データが有る場合が正であり、データが無い場合が偽であること）を示す。正と偽の中間的なデータは存在しない。なお、グレードの範囲としては、ファジー集合では０から１の範囲の全てを使ってもよいし、一部しか使わなくてもよい。

マップデータ生成部１０３は、時間軸５１ｔ及び項目軸５１ｐの組み合わせにより特定されるセル５１ｃごとのデータが画素用のデータフォーマットで、マップデータ５１を生成してもよい。例えば、マップデータ生成部１０３は、画素用のデータフォーマットでグレードを示すメンバーシップ関数Ｆを用いてマップデータ５１を生成してもよい。画素用のデータフォーマットとしては、６桁の１６進数（００００００～ＦＦＦＦＦＦ）の先頭２桁によりＲ（赤）の明度（強さ）を示し、中間の２桁によりＧ（緑）の明度を示し、末尾の２桁によりＢ（青）の明度（強さ）を示すＲＧＢカラーコードが挙げられる。グレードの範囲に対応させる色相の範囲としては、可視光の波長に相当する約４００ｎｍから約７００ｎｍの一部又は全部を、波長の短い順、又は、その逆順で使うと、虹と同一となり人間であるオペレータにも分かり易い。波長とグレードとを線形に対応させて色相を決めると、人間には色が急に変わって不自然に見えるので、いくつかある色空間で定義されるような方法で決めてもよい。その際、彩度が高い方が変化が分かり易い。

彩度及び明度の少なくとも一方を、０から１に正規化し、その全部又は一部をグレードの範囲に予め対応させておいてもよい。一般的なコンピュータ用のカラーディスプレイは、明度の範囲を調整して加色混合して表示する構造なので、グレードをそのような明度の範囲に対応させると表示の計算が容易になる。フルレンジの明度の範囲を使うと、暗めの画像となり易いが、慣れれば違和感なく視認可能である。この違和感を軽減するために、フルレンジではなく、明度の高い範囲のみをグレードの範囲に対応させてもよい。色相の数は、色相の数のメモリを用意して、別の原色として機械が認識できるようにしておくことにより、任意の数に設定することが可能である。人間においても、赤・緑・青の３原色に加えて、黄を４番目の独立色として感じる人がおり、必ずしも色相は３原色に限られていない。人間の視覚に親和性が高いのは、赤・緑・青、又は、シアン（水色）・マゼンタ・イエロー（黄）の３原色に白や黒の無色の原色を加えて混合した色の範囲である。そこで、人間の視認性をも考慮する場合、色相の数は、３原色の３つか、３原色を直線上に並べた時にできる２つの間にも中間色を対応させた５色の５つであってもよい。５色の具体例としては、赤、イエロー、緑、シアン及び青が挙げられる。

複数種類の色相をそれぞれ対応させた複数種類のメンバーシップ関数Ｆを同一のデータに適用し、それにより得られる複数種類の色を合成してセル５１ｃごとのデータを導出してもよい。例えばマップデータ生成部１０３は、赤、緑、及び青等の３原色をそれぞれ対応させた「大」、「中」及び「小」の３つのファジー集合のメンバーシップ関数Ｆを同一のデータに適用し、それにより得られる３種類の色を合成してセル５１ｃごとのデータを導出してもよい。３つのファジー集合は、データの値（数字）を感覚的（定性的）に表現するものであればよく、大・中・小の他に、高い・丁度良い・低い、及び多い・普通・少ない等であってもよい。

３つのファジー集合を用いる場合、「大」と「中」との間、及び「中」と「小」との間では明度や彩度が低くなる。これに対し、３原色及び中間色を含む５色をそれぞれ対応させた「大」、「やや大」、「中」、「やや小」及び「小」等の５つのファジー集合を用いると、「大」と「中」との間、及び「中」と「小」との間においても彩度や明度を高くすることができる。５つのファジー集合は、「非常に大」、「大」、「中」、「小」及び「非常に小」であってもよい。

更に、上記のメンバーシップ関数Ｆ１，Ｆ２に色の要素を対応させて用いてもよい。例えば、図５に示す例では、マップデータ生成部１０３は、各セルのデータにメンバーシップ関数Ｆ１，Ｆ２を適用し、グラフＧ１，Ｇ２の各グレードを対応させたチャートＣ１，Ｃ２から求まる色の要素ｃ０１，ｃ０２を、データフォーマットに沿って混合したデータを各セルの色とすることによってマップデータ５１を生成する。チャートＣ１は、例えばカラーチャートであり、ＨＳＶ（Ｈｕｅ，Ｓａｔｕｒａｔｉｏｎ，Ｖａｌｕｅ）色空間の最も彩度が高い色環を所定の色相順（例えば青から緑を経由して赤に至る順）に並べて構成される。なお、チャートＣ１は、連続のカラーチャートであってもよく、不連続のカラーチャートであってもよい。チャートＣ２は、例えばカラーチャートであり、色の要素ｃ０２（例えば透明）と指定色の塗りつぶし（例えば黒色ｂ０１）とから構成される。一例として、図５では、時区間ｔ３における状態項目ａ（地点Ａの温度）が３８０℃であった場合（データの値：３８０、データが有ること：正）に、メンバーシップ関数Ｆ１，Ｆ２が適用されたデータが、それぞれチャートＣ１，Ｃ２で評価されて色の要素ｃ０１，ｃ０２が求まり、更に、色の要素ｃ０１とｃ０２が混合されて、セルの画素がデータｃ１となることを示している。また、図３のマップデータ５１の時区間ｔ８及び状態項目ｆ（セメントクリンカ中のフリーライムの量）で特定されるセル５１ｃのように、例えば対応するデータがまだ取得されていない場合（データの値：無し、データが有ること：偽）、メンバーシップ関数Ｆ１，Ｆ２が適用されることによって、当該セル５１ｃの画素がデータｂ１となる。

マップデータ生成部１０３は、少なくとも二つの状態項目に対し異なるメンバーシップ関数Ｆを適用するように構成されていてもよい。例えば、温度の高さのようにアナログ的な評価が必要とされる状態項目には、温度等の値の上昇に応じてグレードが緩やかに上昇するメンバーシップ関数を適用し、「正常」及び「異常」のように二値的な評価が必要とされる状態項目には、値の変化に応じてグレードがステップ上に変化するメンバーシップ関数を適用してもよい。

マップデータ生成部１０３は、プラント１０に投入される原料の状態や製品及びプラント１０の運転環境の少なくともいずれかを含む外部要因に応じて、マップデータ５１のデータに適用するメンバーシップ関数Ｆを変更するように構成されていてもよい。例えばマップデータ生成部１０３は、上記外部要因に対応したメンバーシップ関数Ｆをメンバーシップ関数記憶部１０４から取得して用いる。メンバーシップ関数記憶部１０４は、外部要因に対応して使い分けられるように予め設定された複数種類のメンバーシップ関数を状態項目ごとに記憶している。この場合、メンバーシップ関数Ｆの使い分けにより、外部環境の影響を抑制し、いずれの外部環境においても概ね似た傾向のマップデータ５１を生成することができる。

図２に戻り、教師データ生成部１０５は、マップデータ５１に対応するプラント１０の状態を評価して、教師データを生成する。例えば教師データ生成部１０５は、学習用データ記憶部１０２からマップデータ５１と、当該マップデータ５１よりも未来のデータを取得し、マップデータ５１に対応するプラント１０の状態を示す教師データを生成し、生成した教師データを教師データ記憶部１０５ａに保存する。

図４は、教師データ生成部１０５が生成する教師データを例示する図である。図４に示される教師データ５２は、例えばマップデータ５１よりも未来のマップデータ５１Ａにおけるフリーライムの量の評価値（例えば時区間ｔ１，ｔ２，ｔ３，ｔ４，ｔ５，ｔ６，ｔ７に続く時区間ｔ８，ｔ９，ｔ１０におけるフリーライムの量の評価値）を含む。評価値は、例えば「良い」、「普通」又は「悪い」等の定性的な評価値である。評価値は、「改善傾向」又は「悪化傾向」等、変化傾向に対する定性的な評価値であってもよい。また評価値は、フリーライムの量自体、所定数の時区間に亘るフリーライムの量を加重平均した値等、定量的な評価値であってもよい。評価対象データは、フリーライムの量以外のデータであってもよい。例えば評価対象データは、セメントクリンカ中の塩素（Ｃｌ^－）の濃度、セメントクリンカ中の硫黄（ＳＯ３^２－）の濃度等であってもよく、また、結果が出るのはかなり後になるが、当該セメントクリンカによって製造されたセメントの強度のようなもの（例えば当該セメントを含むモルタル又はコンクリートの所定材齢における強度）が含まれていてもよい。

また、教師データ５２は、上記の評価値を複数個含んでいてもよく、上記の評価値を評価関数のようなもので評価したデータを含んでいてもよい。また、教師データ５２は、未来のデータを含まなくてもよい。また、教師データ５２として、例えば「良い」又は「悪い」のような二値的な評価値を使えば、「悪い」の評価のマップデータ５１を除いて機械学習を行うことで、いわゆる教師無しの学習も可能である。

なお、教師データ５２は、サンプリングの誤差等で学習用データとして適さない場合もあり、そのようなデータは、後述する学習用データ選択部２０４で、マップデータと共に学習用データから破棄されるようになっているので、教師データ生成部１０５が適切な教師かどうか判断する必要はない。

図２に戻り、推定部１０６は、学習用データに基づく機械学習により構築されたプラント１０の状態のモデル記憶部２０５の推定用モデルに基づいて、プラント１０の状態を示す推定データ５３を出力する。推定用モデルは、マップデータ５１の入力に応じて、プラント１０の状態を示す推定データ５３を出力するプログラムモジュールである。推定用モデルの具体例としては、マップデータ５１を含む入力ベクトルと、教師データ５２を含む出力ベクトルとを結ぶニューラルネットが挙げられる。例えば推定部１０６は、推定用モデルの導出に用いられたマップデータ５１とは異なるマップデータ５１を学習用データ記憶部１０２から取得し、当該マップデータ５１を推定用モデルに入力して（例えば後述の推定処理部に送信して）推定データ５３を導出する（例えば後述の推定処理部から取得する）。

表示部１０７は、推定部１０６が推定用モデルに入力したマップデータ５１と、推定部１０６が導出した推定データ５３とを画像データとして表示する。表示部１０７は、時系列に並ぶ複数のマップデータ５１を動画表示してもよい。動画表示により、オペレータによる変化の気付きを促すことができる。

（プラント管理サーバ）
プラント管理サーバ２００は、機能モジュールとして、学習用データ管理部２１０と、学習用データ取得部２０１と、データ蓄積部２０２と、モデル構築部２０３と、学習用データ選択部２０４と、モデル記憶部２０５と、推定処理部２０６とを備える。

学習用データ取得部２０１は、プラント管理装置１００の学習用データ記憶部１０２から、マップデータ５１と教師データ５２とを組み合わせた学習用データを取得する。

学習用データ管理部２１０は、学習用データ取得部２０１が取得した学習用データをデータ蓄積部２０２に蓄積することと、マップデータ５１を補正することと、を実行する。

学習用データ管理部２１０は、少なくとも二つの状態項目同士の間で、マップデータ５１のデータの変動時刻のずれを縮小するように、当該二つの状態項目間で時間をずらしてマップデータ５１を補正する。例えば、学習用データ管理部２１０は、共通の現象に起因するデータの変動が時間差をもって出現する二つの状態項目同士の間で、マップデータ５１のデータの変動時刻のずれを縮小するように時間をずらしてマップデータ５１を補正してもよい。なお、ずらすべき時間（以下、「シフト量」という。）は、標準的な遅れ時間として予め設定されている。例えば、状態項目ａのデータ（地点Ａの温度）に対し、データｃ２を含む状態項目ｅのデータ（地点Ｂの温度）が標準的な遅れ時間Δｔ（いわゆる無駄時間）を含む場合、遅れ時間Δｔにて状態項目ｅのデータ全体を過去側にずらしてもよい。反対に、遅れ時間Δｔにて状態項目ａのデータ全体を未来側にずらしてもよい。

シフト量は、統計的解析等を使って一定値に定められていてもよい。一方の状態項目（例えば状態項目ｅ）をずらしながら、他方の状態項目（例えば状態項目ａ）との相関関係が極大となるようにシフト量を変化させてもよい。

なお、例えばセメントキルン１２の場合、リング（焼成によって融けた原料のキルン内部の付着物）の堰によって、標準的な遅れ時間Δｔが大きく変化する場合がある。このような場合、遅れ時間Δｔの大きさ自体がセメントキルン１２の状態の重要な指標となりうる。遅れ時間Δｔの大きさも、セメントキルン１２の状態の指標として活用する場合には、遅れ時間Δｔの変化に追随してシフト量を変化させずに一定に保つ方が有効となり得る。

状態項目の時間をシフトさせると、時間軸５１ｔの端部におけるデータが欠落することとなる。このようなデータの欠落は、データ無しとして扱ってもよいし（例えば上記のデータｂ１）、当該欠落に合わせてマップデータ５１の外形を変更してもよい。

項目軸５１ｐが、第１の状態項目と、第２の状態項目と、第２の状態項目に比較して第１の状態項目に対する相関の強い第３の状態項目とを含む場合に、学習用データ管理部２１０は、第３の状態項目が第１の状態項目及び第２の状態項目の間に位置するようにマップデータ５１を調節してもよい。例えば図３のマップデータ５１の項目軸５１ｐは、状態項目ａ（第１の状態項目）と、状態項目ｂ（第２の状態項目）と、状態項目ｂに比較して状態項目ａに対する相関の強い状態項目ｅとを含んでいる。このような場合、学習用データ管理部２１０は、状態項目ｅが、状態項目ａ及び状態項目ｂの間に位置するようにマップデータ５１を調節してもよい。また、学習用データ管理部２１０は、上流で取得されるデータに関する状態項目（例えば地点Ａで取得される温度である状態項目ａ）から下流で取得されるデータに関する状態項目（例えば地点Ｂで取得される温度である状態項目ｅ）の順に状態項目が並ぶようにマップデータ５１を調節してもよい。或いは、各種現象のトリガとなる情報に関する状態項目が互いに近接したマップデータ５１を調節してもよい。

また、学習用データ管理部２１０は、マップデータ５１を補正した際に用いたデータ（以下、「補正用パラメータ」という。）をデータ蓄積部２０２に保存する。

モデル構築部２０３は、データ蓄積部２０２に蓄積された学習用データに基づく機械学習により、プラント１０の状態の推定用モデルを構築し、モデル記憶部２０５に保存する。例えばモデル構築部２０３は、ニューラルネットのノードの重み付けパラメータをディープラーニングによりチューニングする。

学習用データ選択部２０４は、モデル記憶部２０５に保存された推定用モデルに、モデル構築部２０３を通して、学習用データのマップデータ５１を入力して推定データ５３を導出し、当該推定データ５３と、当該学習用データの教師データ５２との乖離が所定の範囲を超えている場合に、当該学習用データを学習対象から除外する。例えば学習用データ選択部２０４は、当該学習用データの除外を示すフラグデータをデータ蓄積部２０２に書き込み、学習用データを除外した旨をモデル構築部２０３に通知する。これに応じ、モデル構築部２０３は、フラグデータの付された学習用データを除外して、モデル記憶部２０５に保存された推定用モデルを再構築する。

推定処理部２０６は、プラント管理装置１００の推定部１０６からマップデータ５１を取得し、当該マップデータ５１をモデル記憶部２０５の推定用モデルに入力して推定データ５３を導出し、当該推定データ５３を推定部１０６に送信する。例えば推定処理部２０６は、学習用データ管理部２１０が記憶した補正用パラメータをマップデータ５１に適用した上で、補正後のマップデータ５１を推定用モデルに入力し、導出した推定データ５３を推定部１０６に送信する。

（プラント管理システムのハードウェア構成）
図６は、プラント管理システム１のハードウェア構成を示すブロック図である。図６に示されるように、プラント管理装置１００は、回路１２１を有する。回路１２１は、少なくとも一つのプロセッサ１２２と、メモリ１２３と、ストレージ１２４と、ネットワークアダプタ１２５と、入出力ポート１２６と、モニタ１２７と、入力デバイス１２８と、タイマ１２９とを有する。

ストレージ１２４は、コンピュータによって読み取り可能な不揮発型の記憶媒体（例えばハードディスク又はフラッシュメモリ）である。ストレージ１２４は、プラント管理装置１００の各機能モジュールを構成するためのプログラムの記憶領域と、上記学習用データ記憶部１０２等の記憶部に割り当てられる記憶領域とを含む。メモリ１２３は、ストレージ１２４からロードしたプログラム及びプロセッサ１２２による演算結果等を一時的に記録する。プロセッサ１２２は、メモリ１２３と協働して上記プログラムを実行することで、プラント管理装置１００の各機能モジュールを構成する。

ネットワークアダプタ１２５は、プロセッサ１２２からの指令に応じて、ネットワーク回線ＮＷを介したネットワーク通信を行う。入出力ポート１２６は、センサ１４等との間で電気信号の入出力を行う。モニタ１２７は、例えば液晶モニタ等の画像表示装置であり、例えば上記表示部１０７等として、オペレータに対する情報表示に用いられる。入力デバイス１２８は、例えばキーパッド等の情報入力装置であり、例えば上記データ取得部１０１へのプラント１０に投入される原料の状態、プラント１０の運転環境等の外部要因の入力等に用いられる。タイマ１２９は、例えば一定周期の基準パルスをカウントすることで経過時間を計測する。

プラント管理サーバ２００は、回路２２１を有する。回路２２１は、少なくとも一つのプロセッサ２２２と、メモリ２２３と、ストレージ２２４と、ネットワークアダプタ２２５と、タイマ２２６とを有する。

ストレージ２２４は、コンピュータによって読み取り可能な不揮発型の記憶媒体（例えばハードディスク又はフラッシュメモリ）である。ストレージ２２４は、プラント管理サーバ２００の各機能モジュールを構成するためのプログラムの記憶領域と、上記データ蓄積部２０２及び上記モデル記憶部２０５に割り当てられる記憶領域とを含む。メモリ２２３は、ストレージ２２４からロードしたプログラム及びプロセッサ２２２による演算結果等を一時的に記録する。プロセッサ２２２は、メモリ２２３と協働して上記プログラムを実行することで、プラント管理サーバ２００の各機能モジュールを構成する。ネットワークアダプタ２２５は、プロセッサ２２２からの指令に応じて、ネットワーク回線ＮＷを介したネットワーク通信を行う。タイマ２２６は、例えば一定周期の基準パルスをカウントすることで経過時間を計測する。

なお、プラント管理システム１のハードウェア構成は、必ずしもプログラムにより各機能モジュールを構成するものに限られない。例えばプラント管理装置１００及びプラント管理サーバ２００の各機能モジュールは、専用の論理回路又はこれを集積したＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）により構成されていてもよい。

〔学習用データ生成方法〕
続いて、学習用データ生成方法の一例として、プラント管理装置１００が実行する学習用データ生成プロセスの内容を説明する。

図７は、学習用データ生成プロセスを示すフローチャートである。図７に示されるように、プラント管理装置１００は、まずステップＳ０１を実行する。ステップＳ０１では、マップデータ生成部１０３がマップデータ５１を生成するためのデータが、データ取得部１０１から学習用データ記憶部１０２に蓄積されるのを管理部１１０が待機する。

次に、プラント管理装置１００は、ステップＳ０２を実行する。ステップＳ０２では、マップデータ生成部１０３が、マップデータ５１を生成するためのデータを学習用データ記憶部１０２から取得して、マップデータ５１を生成し保存する。なお、マップデータ５１の生成プロセスの詳細については後述する。

次に、プラント管理装置１００は、ステップＳ０３を実行する。ステップＳ０３では、教師データ生成部１０５が、教師データ５２を生成するためのデータを学習用データ記憶部１０２から取得して、教師データ５２を生成し保存する。

以上により生成されたマップデータ５１と教師データ５２は管理部１１０に送信され、学習用データ記憶部１０２に保存されて、学習用データ生成プロセスが完了する。プラント管理装置１００は、以上の学習用データ生成プロセスを繰り返し実行する。

（マップデータ生成プロセス）
続けて、図８を参照し、マップデータ生成プロセスの詳細について説明する。図８に示されるように、プラント管理装置１００は、まずステップＳ１１を実行する。ステップＳ１１では、管理部１１０が、各状態項目に適用するメンバーシップ関数Ｆを選択する。例えば、プラント１０に投入される原料の状態及びプラント１０の運転環境の少なくともいずれかを含む外部要因に応じて、マップデータ５１のデータに適用するメンバーシップ関数Ｆを選択する。

次に、プラント管理装置１００は、ステップＳ１２を実行する。ステップＳ１２では、管理部１１０が、データ取得部１０１からマップデータ５１及び教師データ５２を生成するために必要なデータを全て取得する。

次に、プラント管理装置１００は、ステップＳ１３，Ｓ１４を順に実行する。ステップＳ１３では、マップデータ生成部１０３が、ステップＳ１２において取得されたデータにメンバーシップ関数Ｆを適用して、対応するセル５１ｃのデータを生成する。ステップＳ１４では、各セル５１ｃの生成したデータを、マップデータ生成部１０３のマップデータ記憶部１０３ａに保存する。

次に、プラント管理装置１００は、ステップＳ１５を実行する。ステップＳ１５では、マップデータ生成部１０３が、所定期間（例えば、上記時区間ｔ１～ｔ８）のデータの保存が完了したか否かを確認する。プラント管理装置１００は、所定期間のデータの保存が完了していないと判断したときは、処理をステップＳ１３に戻す。以後、所定期間のデータの保存が完了したと判断するまで、プラント管理装置１００は、ステップＳ１３，Ｓ１４の処理を繰り返し実行する。これにより、時間軸５１ｔと項目軸５１ｐとの組み合わせにより特定する各セル５１ｃのデータが全て保存される。以上により、マップデータ生成プロセスが完了する。プラント管理装置１００は、以上のマップデータ生成プロセスを繰り返し実行する。

〔モデル構築方法〕
次に、モデル構築方法の一例として、プラント管理サーバ２００が実行するモデル構築プロセスの内容を説明する。図９は、モデル構築プロセスを示すフローチャートである。図９に示されるように、プラント管理サーバ２００は、まずステップＳ２１を実行する。ステップＳ２１では、学習用データ取得部２０１が、プラント管理装置１００から学習用データを取得し、当該学習用データをデータ蓄積部２０２に保存する。

次に、プラント管理サーバ２００は、ステップＳ２２を実行する。ステップＳ２２では、モデル構築部２０３が、データ蓄積部２０２に所定数の学習用データが蓄積されたか否かを確認する。プラント管理サーバ２００は、所定数の学習用データが蓄積されていないと判断したときは、処理をステップＳ２１に戻す。以後、所定数の学習用データが蓄積されたと判断するまで、プラント管理サーバ２００は、学習用データの取得及び保存を繰り返し実行する。

ステップＳ２２において、所定数の学習用データが蓄積されたと判断したときは、プラント管理サーバ２００は、ステップＳ２３を実行する。ステップＳ２３では、学習用データ管理部２１０が、マップデータ５１の少なくとも二つの状態項目同士の間で、データの変動時刻のずれを縮小するように時間を調節する。例えば、図３の状態項目ａ，ｅ同士の間で、データｃ２を含む状態項目ｅのデータの全体を、遅れ時間Δｔだけずらした時区間に調節する。学習用データ管理部２１０は、蓄積された学習用データのマップデータ５１を、当該調節で補正したマップデータ５１に書き換えてもよい。

次に、プラント管理サーバ２００は、ステップＳ２４を実行する。ステップＳ２４では、項目軸５１ｐが、第１の状態項目と、第２の状態項目と、第２の状態項目に比較して第１の状態項目に対する相関の強い第３の状態項目とを含む場合に、第３の状態項目が第１の状態項目及び第２の状態項目の間に位置するように、学習用データ管理部２１０がマップデータ５１を調節する。例えば、図３のマップデータ５１の項目軸５１ｐは、状態項目ａ（第１の状態項目）と、状態項目ｂ（第２の状態項目）と、状態項目ｂに比較して状態項目ａに対する相関の強い状態項目ｅとを含んでいる。このような場合、学習用データ管理部２１０は、状態項目ｅが、状態項目ａ及び状態項目ｂの間に位置するようにマップデータ５１を調節する。また、学習用データ管理部２１０は、上流で取得されるデータに関する状態項目（例えば地点Ａで取得される温度である状態項目ａ）から下流で取得されるデータに関する状態項目（例えば地点Ｂで取得される温度である状態項目ｅ）の順に状態項目が並ぶようにマップデータ５１を調節してもよい。或いは、学習用データ管理部２１０は、各種現象のトリガとなる情報に関する状態項目が互いに近接したマップデータ５１を調節してもよい。学習用データ管理部２１０は、蓄積された学習用データのマップデータ５１を、当該調節で補正したマップデータ５１に書き換えてもよい。

また、学習用データ管理部２１０は、ステップＳ２３及びステップＳ２４で使用したデータ蓄積部２０２のマップデータ５１の補正に用いた、遅れ時間と状態項目の順番とのデータ（上記補正用パラメータ）を記憶しておく。

次に、プラント管理サーバ２００は、ステップＳ２５を実行する。ステップＳ２５では、モデル構築部２０３が、データ蓄積部２０２に蓄積され補正された学習用データに基づく機械学習により、プラント１０の状態の推定用モデルを構築し、モデル記憶部２０５に保存する。

次に、プラント管理サーバ２００は、ステップＳ２６，Ｓ２７を順に実行する。ステップＳ２６では、学習用データ選択部２０４が、モデル記憶部２０５の推定用モデルに学習用データのマップデータ５１を入力して推定データ５３を導出する。ステップＳ２７では、学習用データ選択部２０４が、推定データ５３と、当該推定データ５３の導出に用いた学習用データの教師データ５２との乖離が所定の範囲を超えているか否かを判断する。

ステップＳ２７において推定データ５３と教師データ５２との乖離が範囲を超えていると判断したときは、プラント管理サーバ２００は、ステップＳ２８を実行する。ステップＳ２８では、学習用データ選択部２０４が、当該推定データ５３の導出に用いた学習用データを学習対象から除外する。例えば学習用データ選択部２０４は、当該学習用データの除外を示すフラグデータをデータ蓄積部２０２に書き込む。

次に、プラント管理サーバ２００は、ステップＳ２９を実行する。ステップＳ２７において推定データ５３と教師データ５２との乖離が範囲を超えていないと判断したときは、プラント管理サーバ２００は、ステップＳ２８を省略してステップＳ２９を実行する。ステップＳ２９では、学習用データ選択部２０４が、データ蓄積部２０２に蓄積された全ての学習用データのチェックが完了したか否かを確認する。

ステップＳ２９において、データ蓄積部２０２に蓄積された全ての学習用データのチェックが完了していないと判断したときは、プラント管理サーバ２００は、処理をステップＳ２６に戻す。以後、データ蓄積部２０２に蓄積された全ての学習用データのチェックが完了したと判断するまで、プラント管理サーバ２００は、ステップＳ２６～Ｓ２８の処理を繰り返し実行する。

ステップＳ２９においてデータ蓄積部２０２に蓄積された全ての学習用データのチェックが完了したと判断したときは、プラント管理サーバ２００は、ステップＳ３０を実行する。ステップＳ３０では、モデル構築部２０３が、データ蓄積部２０２に蓄積されたいずれかの学習用データが学習対象から除外されたか否か（例えば学習用データ選択部２０４からデータ除外の通知があるか否か）を判断する。

ステップＳ３０において、データ蓄積部２０２に蓄積されたいずれかの学習用データが学習対象から除外されたと判断したときは、プラント管理サーバ２００は、ステップＳ３１を実行する。ステップＳ３１では、モデル構築部２０３が、残った学習用データに基づく機械学習により、推定用モデルを再構築する。例えばモデル構築部２０３は、フラグデータが付された学習用データを除外し、フラグデータが付されていない学習用データに基づく機械学習により推定用モデルを再構築する。その後、プラント管理サーバ２００は処理をステップＳ２６に戻す。以後、除外すべき学習用データがなくなるまで、学習用データの除外と推定用モデルの再構築とが繰り返される。ステップＳ３０において、除外された学習用データはないと判定した場合、プラント管理サーバ２００はモデル構築プロセスを完了する。プラント管理サーバ２００は、以上のモデル構築プロセスを繰り返し実行する。

〔プラントの状態の推定方法〕
次に、プラント１０の状態の推定方法の一例として、プラント管理装置１００が実行する推定プロセスの内容を説明する。図１０は、プラントの状態の推定プロセスを示すフローチャートである。図１０に示されるように、プラント管理装置１００は、まずステップＳ４１を実行する。ステップＳ４１では、マップデータ生成部１０３が、マップデータ５１を生成するためのデータが学習用データ記憶部１０２に蓄積されるのを待機する。

次に、プラント管理装置１００は、ステップＳ４２を実行する。ステップＳ４２では、マップデータ生成部１０３が、学習用データ記憶部１０２からマップデータ５１を生成するためのデータを取得して、マップデータ５１を生成する。マップデータ生成部１０３は、生成したマップデータ５１を学習用データ記憶部１０２に保存する。

次に、プラント管理装置１００は、ステップＳ４３を実行する。ステップＳ４３では、推定部１０６が、学習用データ記憶部１０２から取得したマップデータ５１を推定処理部２０６に送信し、補正用パラメータによって補正されたマップデータ５１を推定用モデルに入力して導出された推定データ５３を推定処理部２０６から取得する。この時、推定処理部２０６は、学習用データ管理部２１０が記憶した補正用パラメータをマップデータ５１に適用した上で、補正後のマップデータ５１を推定用モデルに入力し、導出した推定データ５３を推定部１０６に送信する。

次に、プラント管理装置１００は、ステップＳ４４を実行する。ステップＳ４４では、推定処理部２０６が推定用モデルに入力したマップデータ５１と、推定処理部２０６が導出した推定データ５３とを推定部１０６が受け取り、表示部１０７が画像データとして表示する。以上により、推定プロセスが完了する。プラント管理装置１００は、以上の推定プロセスを繰り返し実行する。

〔本実施形態の効果〕
本開示の一側面に係るプラント管理システム１は、時系列に並ぶ複数の時区間（例えば時区間ｔ１，ｔ２，ｔ３，ｔ４，ｔ５，ｔ６，ｔ７，ｔ８）を含む時間軸５１ｔと、プラント１０の運転状態に関する複数の状態項目（例えば状態項目ａ，ｂ，ｃ，ｄ，ｅ，ｆ）を含む項目軸５１ｐとの二次元空間において、時区間及び状態項目の組み合わせにより特定されるセル５１ｃごとのデータを含むマップデータ５１を生成するマップデータ生成部１０３と、マップデータ５１に対応するプラント１０の状態を示す教師データ５２を生成する教師データ生成部１０５と、マップデータ５１と、当該マップデータ５１に対応する教師データ５２とを組み合わせた学習用データを蓄積する学習用データ管理部２１０と、学習用データ管理部２１０に蓄積された学習用データに基づく機械学習により、プラント１０の状態の推定用モデルを構築するモデル構築部２０３と、マップデータ５１を推定用モデルに入力してプラント１０の状態を示す推定データ５３を導出する推定部１０６と、を備える。

このプラント管理システム１によれば、プラント１０の運転状態に関する複数の要素の変化のパターンをマップデータ化して機械学習するので、計器異常のようなノイズもある程度許容した運転状態の総合的な変化に基づくプラント１０の状態の変化を高精度に反映させることが可能な推定用モデルが構築される。この推定用モデルに基づいてマップデータから得られた推定データ５３により、プラント１０の状態を適切に判断することができる。このため、運転の正常や異常、また故障といった運転状態の判断を適切に行うことができる。したがって、プラント管理システム１は、プラント１０の状態を判断するのに有用である。

プラント管理システム１は、学習用データのマップデータ５１を推定用モデルに入力して導出した推定データ５３と、当該学習用データの教師データ５２との乖離が所定の範囲を超えている場合に、当該学習用データを除外する学習用データ選択部２０４を更に備え、モデル構築部２０３は、学習用データ選択部２０４によりいずれかの学習用データが除外された場合に、残った学習用データに基づく機械学習により、推定用モデルを再構築するように構成されていてもよい。この場合、例えば、サンプリング誤差等によって教師データの変化とプラント１０の状態の変化とが対応していない場合等、学習用データに適さないものが学習用データに含まれていた場合には、当該学習用データに適さないものを除外して機械学習し直すので、推定用モデルをブラッシュアップすることができる。これにより、より適切にプラント１０の状態を判断することができる。

マップデータ生成部１０３は、マップデータ５１の少なくとも一部のデータにファジー集合のメンバーシップ関数Ｆを適用してマップデータ５１を生成してもよい。この場合、マップデータ５１のセル５１ｃごとのデータをファジー化することにより、マップデータ５１に熟練した人間のオペレータが感じているような各運転状態の変化の特徴が現れやすい。このため、機械学習の処理負担を軽減しつつ適切にプラント１０の状態を判断することができる。

マップデータ生成部１０３は、少なくとも二つの状態項目に対し異なるメンバーシップ関数Ｆを適用するように構成されていてもよい。プラント１０の運転状態に関する複数の要素において、当該運転状態の変化の特徴の現れやすさが互いに異なることが考えられる。このように異なる運転状態に関する状態項目に対して異なるメンバーシップ関数Ｆを適用することで、各運転状態に対して機械学習の処理負担を軽減し得る程度に応じたファジー化が可能となる。

マップデータ生成部１０３は、プラント１０に投入されるセメントクリンカの原料の状態及びプラント１０の運転環境の少なくともいずれかを含む外部要因に応じて、マップデータ５１のデータに適用するメンバーシップ関数Ｆを変更するように構成されていてもよい。この場合、各運転状態の変化の特徴がマップデータ５１にいっそう現れやすくなる。このため、機械学習の処理負担をより軽減することができる。

学習用データ管理部２１０は、少なくとも二つの状態項目（例えば状態項目ａ，ｅ）同士の間で、データの変動時刻のずれを縮小するように、当該二つの状態項目ａ，ｅの間で時間をずらしてマップデータ５１を補正してもよい。この場合、変動時刻のずれによってプラント１０の運転状態に関する複数の要素による複合的な特徴が現れにくくなることを抑制することができる。

項目軸５１ｐは、少なくとも、第１の状態項目（例えば状態項目ａ）と、第２の状態項目（例えば状態項目ｂ）と、第２の状態項目に比較して第１の状態項目に対する相関の強い第３の状態項目（例えば状態項目ｅ）とを含み、学習用データ管理部２１０は、第３の状態項目が第１の状態項目及び第２の状態項目の間に位置するようにマップデータ５１を補正してもよい。この場合、プラント１０の運転状態に関する複数の要素による複合的な特徴をより現れやすくすることができる。

項目軸５１ｐは、いずれかの状態項目（例えば状態項目ｃ）の微分値を示す状態項目（例えば状態項目ｄ）を含んでいてもよい。これにより、例えば、プラント１０の運転状態に関する要素が系統誤差を含んでいる場合等に当該系統誤差をキャンセルでき、運転状態の変化傾向を特徴としてマップデータ５１に現すことができる。

マップデータ生成部１０３は、データのフォーマットが、画素用のデータフォーマットであるマップデータ５１を生成してもよい。この場合、汎用化された画素認識用の機械学習エンジンを利用し得るので、機械学習の処理負担の軽減に寄与する。

プラント管理装置１００は、推定用モデルに入力したマップデータ５１と、当該マップデータ５１が推定用モデルに入力されて導出された推定データ５３とを画像データとして表示する表示部１０７を更に備えていてもよい。この場合、画像データを表示することで、推定データが示す運転状態の総合的な変化に基づくプラント１０の状態の変化と人間のオペレータの視覚による認識とを対比することができる。

以上、実施形態について説明したが、本発明は必ずしも上述した実施形態に限定されるものではなく、その要旨を逸脱しない範囲で様々な変更が可能である。例えば、本発明は、セメントキルン１２を含むプラント１０のみならず、種々のプラントに適用することができる。

なお、プラント管理システム１は、上記のマップデータ生成プロセスを含む学習用データ生成プロセスをプラント管理サーバ２００が実行するように構成されていてもよい。プラント管理サーバ２００のモデル構築部２０３は、プラント１０に投入される原料の状態や原料及びプラント１０の運転環境の少なくともいずれかを含む外部要因に応じて、複数種類の推定用モデルを構築するように構成されていてもよく、推定部１０６は、外部要因に応じて複数種類の推定用モデルを使い分けるように構成されていてもよい。

１…プラント管理システム、１０…プラント、１２…セメントキルン、５１，５１Ａ…マップデータ、５１ｔ…時間軸、５１ｐ…項目軸、５１ｃ…セル、５２…教師データ、５３…推定データ、１００…プラント管理装置、１０１…データ取得部、１０３…マップデータ生成部、１０５…教師データ生成部、１０６…推定部、１０７…表示部、２００…プラント管理サーバ、２０３…モデル構築部、２０４…学習用データ選択部、２１０…学習用データ管理部、ｔ１～ｔ１０…時区間、ａ～ｆ…状態項目。

Claims (17)

1. 時系列に並ぶ複数の時区間を含む時間軸と、プラントの運転状態に関する複数の状態項目を含む項目軸との二次元空間において、前記時区間及び前記状態項目の組み合わせにより特定されるセルごとのデータを含むマップデータを生成するマップデータ生成部と、
   前記マップデータに対応する前記プラントの状態を示す教師データを生成する教師データ生成部と、
   前記マップデータと、当該マップデータに対応する前記教師データとを組み合わせた学習用データを蓄積する学習用データ管理部と、
   前記学習用データ管理部に蓄積された前記学習用データに基づく機械学習により、前記プラントの状態の推定用モデルを構築するモデル構築部と、
   前記マップデータを前記推定用モデルに入力して前記プラントの状態を示す推定データを導出する推定部と、を備えるプラント管理システム。
2. 前記学習用データの前記マップデータを前記推定用モデルに入力して導出した前記推定データと、当該学習用データの前記教師データとの乖離が所定の範囲を超えている場合に、当該学習用データを除外する学習用データ選択部を更に備え、
   前記モデル構築部は、前記学習用データ選択部によりいずれかの前記学習用データが除外された場合に、残った前記学習用データに基づく機械学習により、前記推定用モデルを再構築するように構成されている、請求項１に記載のプラント管理システム。
3. 前記マップデータ生成部は、前記マップデータの少なくとも一部の前記データにファジー集合のメンバーシップ関数を適用して前記マップデータを生成する、請求項１又は２に記載のプラント管理システム。
4. 前記マップデータ生成部は、少なくとも二つの状態項目に対し異なる前記メンバーシップ関数を適用するように構成されている、請求項３に記載のプラント管理システム。
5. 前記マップデータ生成部は、前記プラントに投入される原料の状態及び前記プラントの運転環境の少なくともいずれかを含む外部要因に応じて、前記マップデータの前記データに適用する前記メンバーシップ関数を変更するように構成されている、請求項３又は４に記載のプラント管理システム。
6. 前記学習用データ管理部は、少なくとも二つの前記状態項目同士の間で、前記データの変動時刻のずれを縮小するように、当該二つの状態項目間で時間をずらして前記マップデータを補正する、請求項１～５のいずれか一項に記載のプラント管理システム。
7. 前記項目軸は、少なくとも、第１の状態項目と、第２の状態項目と、前記第２の状態項目に比較して前記第１の状態項目に対する相関の強い第３の状態項目とを含み、
   前記学習用データ管理部は、前記第３の状態項目が前記第１の状態項目及び前記第２の状態項目の間に位置するように前記マップデータを補正する、請求項１～６のいずれか一項に記載のプラント管理システム。
8. 前記項目軸は、いずれかの前記状態項目の微分値を示す状態項目を含む、請求項１～７のいずれか一項に記載のプラント管理システム。
9. 前記マップデータ生成部は、前記セルのデータのフォーマットが、画素用のデータフォーマットである前記マップデータを生成する、請求項１～８のいずれか一項に記載のプラント管理システム。
10. 前記プラントは、セメントキルンを含み、
    前記項目軸は、前記セメントキルン内の温度に関する状態項目と、前記セメントキルン内のガスの濃度に関する状態項目と、を含み、
    前記教師データは、前記セメントキルン内におけるフリーライムの量に関する評価値を含む、請求項１～９のいずれか一項に記載のプラント管理システム。
11. 時系列に並ぶ複数の時区間を含む時間軸と、プラントの運転状態に関する複数の状態項目を含む項目軸との二次元空間において、前記時区間及び前記状態項目の組み合わせにより特定されるセルごとのデータを含むマップデータと、前記マップデータに対応する前記プラントの状態を示す教師データとを組み合わせた学習用データを蓄積する学習用データ管理部と、
    前記学習用データ管理部に蓄積された前記学習用データに基づく機械学習により、前記プラントの状態の推定用モデルを構築するモデル構築部と、を備える、プラント管理サーバ。
12. 時系列に並ぶ複数の時区間を含む時間軸と、プラントの運転状態に関する複数の状態項目を含む項目軸との二次元空間において、前記時区間及び前記状態項目の組み合わせにより特定されるセルごとのデータを含むマップデータと、前記マップデータに対応する前記プラントの状態を示す教師データと、を生成するためのデータを取得する少なくとも一つのデータ取得部と、
    前記マップデータと、当該マップデータに対応する前記教師データとを組み合わせた学習用データに基づく機械学習により構築された前記プラントの状態の推定用モデルに前記マップデータを入力して前記プラントの状態の推定データを導出する推定部と、を備える、プラント管理装置。
13. 前記推定用モデルに入力した前記マップデータと、当該マップデータが前記推定用モデルに入力されて導出された前記推定データとを画像データとして表示する表示部を更に備える、請求項１２に記載のプラント管理装置。
14. 時系列に並ぶ複数の時区間を含む時間軸と、プラントの運転状態に関する複数の状態項目を含む項目軸との二次元空間において、前記時区間及び前記状態項目の組み合わせにより特定されるセルごとのデータを含むマップデータと、前記マップデータに対応する前記プラントの状態を示す教師データとを組み合わせた学習用データを蓄積することと、
    蓄積した前記学習用データに基づく機械学習により、前記プラントの状態の推定用モデルを生成することと、を含む、推定用モデルの生成方法。
15. 前記学習用データの前記マップデータを前記推定用モデルに入力して導出した推定データと、当該学習用データの前記教師データとの乖離が所定の範囲を超えている場合に、当該学習用のデータを除外することと、
    いずれかの前記学習用データを除外した場合に、残った前記学習用データに基づく機械学習により、前記推定用モデルを再構築することと、を更に含む、請求項１４に記載の推定用モデルの生成方法。
16. 時系列に並ぶ複数の時区間を含む時間軸と、プラントの運転状態に関する複数の状態項目を含む項目軸との二次元空間において、前記時区間及び前記状態項目の組み合わせにより特定されるセルごとのデータを含むマップデータを、機械学習の入力側データとして生成することと、
    当該マップデータに対応する前記プラントの状態に関する教師データを、機械学習の出力側データとして生成することと、を含む、学習用データの生成方法。
17. 前記マップデータの少なくとも一部の前記データにファジー集合のメンバーシップ関数を適用して前記マップデータを生成する、請求項１６に記載の学習用データの生成方法。
    
    

Images