JP2023106043A - 運転支援装置、運転支援方法及びプログラム - Google Patents

Abstract

【課題】シミュレータを構築する際に人手による事前分析を不要とすること。【解決手段】一実施形態に係る運転支援装置は、対象から収集した複数の実績データを用いて、前記実績データに含まれる変数間の関係を表すグラフ構造を抽出するように構成されている抽出部と、複数の前記実績データと前記グラフ構造とを用いて、前記変数のうちの操作変数及び環境変数の値から、前記変数のうちの状態変数の値を予測するシミュレータを表すモデルを構築するように構成されているモデル構築部と、前記モデルと前記環境変数の値と前記状態変数の目標値とを用いて、前記対象の状態変数の値を前記目標値に近付けるための前記操作変数の最適値を算出するように構成されている最適化部と、を有する。【選択図】図２

Description

本発明は、運転支援装置、運転支援方法及びプログラムに関する。

近年、産業分野では熟練オペレータの不足等を背景に、ＡＩ（Artificial Intelligence）や機械学習技術等を活用したプラント運転支援システムへのニーズが高まっている。一般に、発電プラント、鉄鋼プラント、化学プラント等といったプラントでは、その時の環境に応じて、オペレータが過去の知見から将来の製品品質に寄与する状態変数が目標値となるように最適な操作量を計画した上で、その操作量によりプラントを運転している。これに対して、予測技術によるシミュレータと最適化技術とを組み合わせたプラント運転支援システムが従来から提案されている。

例えば、水処理プラントを対象に、水処理施設の物理特性に基づいた物理モデルをシミュレータとして最適化技術と組み合わせることで、運転目標を満たす複数の操作量を算出する技術が提案されている（例えば、特許文献１）。

また、例えば、発電プラントを対象に、プラント仕様やユーザニーズに基づいた機械学習モデルをシミュレータとして最適化技術と組み合わせることで、運転目標を満たす操作条件を算出する技術が提案されている（例えば、特許文献２）。

特開２００６－１５１８０号公報 国際公開第２０１９／２０８７７３号

しかしながら、従来では、操作量の解精度に直結するシミュレータの精度を高めるために、プラントの変数（環境変数、状態変数、操作変数）間の関係を人手で事前に分析する必要がある。すなわち、例えば、水処理施設の物理特性から変数間の関係を人手で分析したり、プラント仕様やユーザニーズから変数間の関係を人手で分析したりする必要がある。

本発明の一実施形態は、上記の点に鑑みてなされたもので、シミュレータを構築する際に人手による事前分析を不要とすることを目的とする。

上記目的を達成するため、一実施形態に係る運転支援装置は、対象から収集した複数の実績データを用いて、前記実績データに含まれる変数間の関係を表すグラフ構造を抽出するように構成されている抽出部と、複数の前記実績データと前記グラフ構造とを用いて、前記変数のうちの操作変数及び環境変数の値から、前記変数のうちの状態変数の値を予測するシミュレータを表すモデルを構築するように構成されているモデル構築部と、前記モデルと前記環境変数の値と前記状態変数の目標値とを用いて、前記対象の状態変数の値を前記目標値に近付けるための前記操作変数の最適値を算出するように構成されている最適化部と、を有する。

シミュレータを構築する際に人手による事前分析が不要となる。

本実施形態に係る運転支援装置のハードウェア構成の一例を示す図である。 本実施形態に係る運転支援装置の機能構成の一例を示す図である。 本実施形態に係るモデル構築処理の一例を示すフローチャートである。 グラフ構造の一例を示す図である。 本実施形態に係る最適操作算出処理の一例を示すフローチャートである。

以下、本発明の一実施形態について説明する。本実施形態では、人手による事前分析を必要とせずに対象のシミュレータを構築し、そのシミュレータと最適化技術により当該対象の運転を支援することができる運転支援装置１０について説明する。ここで、本実施形態に係る運転支援装置１０には、対象のシミュレータを表すモデルを構築するモデル構築フェーズと、このモデルと最適化技術により当該対象に対する最適な操作量を計算する運転支援フェーズとが存在する。

なお、対象とは、オペレータが操作する対象のことであり、例えば、プラント、設備、機器、装置等が挙げられる。対象には各種センサが設置されており、これらのセンサにより当該対象の状態や環境、当該対象に対する操作等が計測される。以下、対象の状態を表す変数を「状態変数」、環境を表す変数を「環境変数」、操作を表す変数を「操作変数」といい、また状態変数、環境変数、操作変数をまとめて単に「変数」ともいう。

状態変数の具体例としては、例えば、温度、圧力、流量等が挙げられる。環境変数の具体例としては、例えば、外気温、設備番号等が挙げられる。操作変数の具体例としては、例えば、空気弁や燃料バルブの開閉量等が挙げられる。なお、プラントを対象とした場合、これらの変数はプラントのプロセスを表すため、プロセス変数等とも呼ばれる。

以下、操作変数の総数をＩとして、各操作変数をｘ_ｉ（１≦ｉ≦Ｉ）と表す。同様に、状態変数の総数をＪとして、各状態変数をｙ_ｊ（１≦ｊ≦Ｊ）と表す。同様に、環境変数の総数をＫとして、各環境変数をｚ_ｋ（１≦ｋ≦Ｋ）と表す。

また、時刻ｔの操作変数値をｘ_ｉ（ｔ）、時刻ｔの状態変数値をｙ_ｊ（ｔ）、時刻ｔの環境変数値をｚ_ｋ（ｔ）と表す。なお、時刻ｔは時刻ステップとも呼ばれ、例えば、対象の制御周期をΔｔとすれば、制御周期Δｔ毎にｔ←ｔ＋Δｔと更新される時刻である。

＜運転支援装置１０のハードウェア構成例＞
本実施形態に係る運転支援装置１０のハードウェア構成例を図１に示す。図１に示すように、本実施形態に係る運転支援装置１０は、入力装置１０１と、表示装置１０２と、外部Ｉ／Ｆ１０３と、通信Ｉ／Ｆ１０４と、ＲＡＭ（Random Access Memory）１０５と、ＲＯＭ（Read Only Memory）１０６と、補助記憶装置１０７と、プロセッサ１０８とを有する。これらの各ハードウェアは、それぞれがバス１０９を介して通信可能に接続される。

入力装置１０１は、例えば、キーボード、マウス、タッチパネル、物理ボタン等である。表示装置１０２は、例えば、ディスプレイ、表示パネル等である。なお、運転支援装置１０は、例えば、入力装置１０１及び表示装置１０２のうちの少なくとも一方を有していなくてもよい。

外部Ｉ／Ｆ１０３は、記録媒体１０３ａ等の外部装置とのインタフェースである。記録媒体１０３ａとしては、例えば、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disk）、ＳＤメモリカード（Secure Digital memory card）、ＵＳＢ（Universal Serial Bus）メモリカード等が挙げられる。

通信Ｉ／Ｆ１０４は、運転支援装置１０を通信ネットワークに接続するためのインタフェースである。ＲＡＭ１０５は、プログラムやデータを一時保持する揮発性の半導体メモリ（記憶装置）である。ＲＯＭ１０６は、電源を切ってもプログラムやデータを保持することができる不揮発性の半導体メモリ（記憶装置）である。補助記憶装置１０７は、例えば、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等の不揮発性の記憶装置であり、プログラムやデータが格納される。プロセッサ１０８は、例えば、ＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）等の各種演算装置である。

なお、図１に示すハードウェア構成は一例であって、運転支援装置１０は、他のハードウェア構成を有していてもよい。例えば、運転支援装置１０は、複数の補助記憶装置１０７や複数のプロセッサ１０８を有していてもよいし、図示したハードウェア以外の種々のハードウェアを有していてもよい。

＜運転支援装置１０の機能構成例＞
本実施形態に係る運転支援装置１０の機能構成例を図２に示す。図２に示すように、本実施形態に係る運転支援装置１０は、入力部２０１と、グラフ構造抽出部２０２と、モデル構築部２０３と、最適化部２０４と、出力部２０５とを有する。これら各部は、例えば、運転支援装置１０にインストールされた１以上のプログラムが、プロセッサ１０８等に実行させる処理により実現される。また、本実施形態に係る運転支援装置１０は、記憶部２０６を有する。記憶部２０６は、例えば、補助記憶装置１０７等により実現される。ただし、記憶部２０６は、例えば、運転支援装置１０と通信ネットワークを介して接続されるデータベースサーバ等の記憶装置により実現されてもよい。

入力部２０１は、モデル構築フェーズにおいて、モデル（シミュレータ）構築に用いる過去の運転データ（以下、実績データともいう。）を記憶部２０６から取得する。運転データとは各時刻ｔの操作変数値と状態変数値と環境変数値で構成されるデータである。すなわち、或る時刻ｔの運転データは（ｘ_１（ｔ），・・・，ｘ_Ｉ（ｔ），ｙ_１（ｔ），・・・，ｙ_Ｊ（ｔ），ｚ_１（ｔ），・・・，ｚ_Ｋ（ｔ））と表される。以下、モデル構築フェーズにおいて、実績データ集合Ｄ＝｛（ｘ_１（ｔ），・・・，ｘ_Ｉ（ｔ），ｙ_１（ｔ），・・・，ｙ_Ｊ（ｔ），ｚ_１（ｔ），・・・，ｚ_Ｋ（ｔ））｜ｔ∈Ｔ｝が記憶部２０６から取得されるものとする。ここで、Ｔはモデル構築に用いる実績データの時刻集合である。

また、入力部２０１は、運転支援フェーズにおいて、現在時刻ｔ＝ｔ_０の環境変数値と状態変数の目標値を記憶部２０６から取得する。すなわち、時刻ｔの状態変数の目標値をｙ_ｊ'（ｔ）（１≦ｊ≦Ｊ）とすれば、入力部２０１は、現在時刻ｔ＝ｔ_０の環境変数値ｚ_１（ｔ_０），・・・，ｚ_Ｋ（ｔ_０）と状態変数の目標値ｙ_１'（ｔ_０），・・・，ｙ_Ｊ'（ｔ_０）を記憶部２０６から取得する。

グラフ構造抽出部２０２は、モデル構築フェーズにおいて、入力部２０１によって取得された実績データ集合Ｄを用いて、変数間の関係を表すグラフ構造を抽出する。なお、グラフ構造抽出部２０２は、一般的な既知の分析手法（例えば、相関分析、グラフィカルモデリング、共分散構造分析、ＬｉＮＧＡＭ等）により変数間の関係を表すグラフ構造を抽出する。

モデル構築部２０３は、モデル構築フェーズにおいて、入力部２０１によって取得された実績データ集合Ｄと、グラフ構造抽出部２０２によって抽出されたグラフ構造とを用いて、対象のシミュレータを表すモデルを構築する。ここで、シミュレータとは、環境変数値と操作変数値を入力として状態変数値を出力する関数で表現されるモデル（つまり、環境変数値と操作変数値から状態変数値を予測するモデル）のことである。具体的には、ｊ＝１，・・・，Ｊに対してｙ_ｊ＝ｆ_ｊ（ｘ_１，・・・，ｘ_Ｉ，ｚ_１，・・・，ｚ_Ｋ）と表現されるモデルがシミュレータである。このような関数ｆ_ｊとして、本実施形態では、グラフ構造を入力可能なグラフニューラルネットワーク（ＧＮＮ：Graph Neural Network）を用いる。

グラフニューラルネットワークを用いることで、グラフ構造を考慮して関係がある変数のみの特徴量が学習されるため、高精度なシミュレータを得ることが可能となる。ｆ＝（ｆ_１，・・・，ｆ_Ｊ）とした場合、例えば、グラフニューラルネットワークｆは以下で定義することができる。

ここで、Ｈ^（ｌ）はグラフニューラルネットワークｆのｌ層目の出力、σ（・）は活性化関数、Ｖは入力データ（つまり、ｘ_１，・・・，ｘ_Ｉ，ｚ_１，・・・，ｚ_Ｋを要素に持つベクトル形式の入力データ）である。また、Ｐ'はグラフ構造抽出部２０２によって抽出されたグラフ構造を表す隣接行列Ｐに対して単位行列Ｅを加えた行列、Ｑ'はＰ'の次数行列、Ｗは重み行列である。

このとき、最終層の出力Ｈ^（L）が、グラフニューラルネットワークｆの出力となる。このようなグラフニューラルネットワークｆは、既知の学習手法によりｆ（ｘ_１（ｔ），・・・，ｘ_Ｉ（ｔ），ｚ_１（ｔ），・・・，ｚ_Ｋ（ｔ））が（ｙ_１（ｔ），・・・，ｙ_Ｊ（ｔ））を精度良く予測するように重み行列Ｗを更新することで学習される。これにより、環境変数値と操作変数値から状態変数値を予測する高精度なシミュレータが得られる。

最適化部２０４は、運転支援フェーズにおいて、モデル構築部２０３によって構築されたモデル（つまり、例えば、学習済みのグラフニューラルネットワークｆ）と、入力部２０１によって取得された現在時刻ｔ＝ｔ_０の環境変数値及び状態変数の目標値とを用いて、対象の状態変数値を当該目標値に近付けるための最適な操作量を算出する。すなわち、最適化部２０４は、（ｙ_１'（ｔ_０），・・・，ｙ_Ｊ'（ｔ_０））＝ｆ（ｘ_１，・・・，ｘ_Ｉ，ｚ_１（ｔ_０），・・・，ｚ_Ｋ（ｔ_０））となる操作変数ｘ_１，・・・，ｘ_Ｉの値を最適な操作量として算出する。これは、例えば、一般的な数理計画法やメタヒューリスティックス等により算出することができる。

出力部２０５は、最適化部２０４によって算出された最適な操作量を予め決められた所定の出力先に出力する。このような出力先は、例えば、表示装置１０２であってもよいし、通信ネットワークを介して接続される端末（特に、オペレータが利用する端末）であってもよい。

記憶部２０６は、モデル構築フェーズにおいて、対象から収集された各時刻ｔの実績データの集合｛（ｘ_１（ｔ），・・・，ｘ_Ｉ（ｔ），ｙ_１（ｔ），・・・，ｙ_Ｊ（ｔ），ｚ_１（ｔ），・・・，ｚ_Ｋ（ｔ））｝を少なくとも記憶する。これらの実績データは、例えば、時刻ｔ毎に通信ネットワークを介して対象から収集される。

なお、記憶部２０６には、例えば、対象の稼働日／停止日、状態変数値の正常範囲／異常範囲等といった情報が含まれるデータ（以下、補助データともいう。）が更に記憶されていてもよい。これらの補助データは、例えば、入力装置１０１等を介してユーザにより入力されてもよいし、通信ネットワークを介してユーザ端末等から受信してもよい。

また、記憶部２０６は、運転支援フェーズにおいて、対象から収集された現在時刻ｔ＝ｔ_０の環境変数値ｚ_１（ｔ_０），・・・，ｚ_Ｋ（ｔ_０）と、対象の各時刻ｔの状態変数の目標値の集合｛（ｙ_１ ^'（ｔ），・・・，ｙ_Ｊ ^'（ｔ））｝とを少なくとも記憶する。現在時刻ｔ＝ｔ_０の環境変数値ｚ_１（ｔ_０），・・・，ｚ_Ｋ（ｔ_０）は、例えば、通信ネットワークを介して対象から取得される。なお、現在時刻ｔ＝ｔ_０の状態変数値ｙ_１（ｔ_０），・・・，ｙ_Ｊ（ｔ_０）が更に取得され、記憶部２０６に記憶されてもよい。一方で、各時刻ｔの状態変数の目標値の集合は予め作成又は決定され、記憶部２０６に記憶される。

＜モデル構築処理＞
以下、モデル構築フェーズで実行されるモデル構築処理について、図３を参照しながら説明する。なお、モデル構築処理は一般に対象のオフライン時に実行されるが、これに限られず、例えば、オフラインで一度実行した後、オンライン時にバックグラウンドで定期的に実行されてもよい。

まず、入力部２０１は、モデル構築に用いる実績データ集合Ｄを記憶部２０６から取得する（ステップＳ１０１）。

次に、グラフ構造抽出部２０２は、上記のステップＳ１０１で取得された実績データ集合Ｄを用いて、変数間の関係を表すグラフ構造を抽出する（ステップＳ１０２）。これにより、変数をノード、変数間の関係をエッジとするグラフ構造が、例えば、隣接行列等の形式で抽出される。ここで、Ｉ＝３、Ｊ＝２、Ｋ＝２である場合のグラフ構造の一例を示す図４に示す。図４に示す例では、エッジで接続された変数同士（例えば、操作変数ｘ_１と状態変数ｙ_１、状態変数ｙ_１と状態変数ｙ_２、環境変数ｚ_１と状態変数ｙ_１等）に関係があることを表している。なお、図４に示す例は無向グラフであるが、グラフ構造の抽出に用いられる分析手法によっては有向グラフとしてグラフ構造が抽出されてもよい。

そして、モデル構築部２０３は、上記のステップＳ１０１で取得された実績データ集合Ｄと、上記のステップＳ１０２で抽出されたグラフ構造（具体的には、そのグラフ構造を表す隣接行列等）とを用いて、対象のシミュレータを表すモデルを構築する（ステップＳ１０３）。これにより、環境変数値と操作変数値から状態変数値を予測する高精度なシミュレータが得られる。このシミュレータを表すモデルは、例えば、記憶部２０６に記憶される。

なお、上記のステップＳ１０３でモデルを構築する際に、例えば、補助データも用いてモデルを構築してもよい。これにより、より高精度なシミュレータの構築が期待できる。

＜最適操作算出処理＞
以下、運転支援フェーズで実行される最適操作算出処理について、図５を参照しながら説明する。なお、最適操作算出処理は、例えば、制御周期Δｔ毎に繰り返し実行される。以下では、現在時刻ｔ＝ｔ_０の環境変数値が対象から取得され、記憶部２０６に記憶されているものとする。

まず、入力部２０１は、現在時刻ｔ＝ｔ_０の環境変数値と状態変数の目標値を記憶部２０６から取得する（ステップＳ２０１）。

次に、最適化部２０４は、モデル構築フェーズで構築されたモデル（つまり、例えば、学習済みのグラフニューラルネットワークｆ）と、上記のステップＳ２０１で取得された現在時刻ｔ＝ｔ_０の環境変数値及び状態変数の目標値とを用いて、対象の状態変数値を当該目標値に近付けるための最適な操作量を算出する（ステップＳ２０２）。

そして、出力部２０５は、上記のステップＳ２０２で算出された最適な操作量を予め決められた所定の出力先に出力する（ステップＳ２０３）。これにより、オペレータは、この最適な操作量（又は、この最適な操作量を参考に決定した操作量）によりプラント等の対象を運転することができる。

＜まとめ＞
以上のように、本実施形態に係る運転支援装置１０は、人手による事前分析を行うことなく、対象の変数（状態変数、環境変数、操作変数）間の関係を自動的に分析し、その関係性を表すグラフ構造からシミュレータを構築することができる。このため、本実施形態に係る運転支援装置１０を用いることで、対象に関する知識（例えば、対象の物理的な特性等）を知らなくてもシミュレータを構築することが可能となり、特定の対象に限定されずに汎用的にシミュレータを構築することができるようになる。

また、本実施形態に係る運転支援装置１０によって構築されたシミュレータは、対象の変数間の関係も考慮しているため、対象を精度良くシミュレーションすることが可能となり、当該対象の運転を効果的に支援することが可能となる。

なお、上記のモデル構築処理は、例えば、定期的に実行されてもよい。これにより、シミュレータを表すモデルを再構築することが可能となる。また、この際に、現在のモデルを修正又は更新することで、モデルを構築してもよい。

上記の実施形態では、最適操作算出処理で算出された操作量をオペレータ等に提示したが、これに限られず、例えば、対象の運転を制御する制御装置に対して最適な操作量を出力してもよい。これにより、その操作量により自動的に対象を運転させることが可能となる。

本発明は、具体的に開示された上記の実施形態に限定されるものではなく、特許請求の範囲の記載から逸脱することなく、種々の変形や変更、既知の技術との組み合わせ等が可能である。

１０ 運転支援装置
１０１ 入力装置
１０２ 表示装置
１０３ 外部Ｉ／Ｆ
１０３ａ 記録媒体
１０４ 通信Ｉ／Ｆ
１０５ ＲＡＭ
１０６ ＲＯＭ
１０７ 補助記憶装置
１０８ プロセッサ
１０９ バス
２０１ 入力部
２０２ グラフ構造抽出部
２０３ モデル構築部
２０４ 最適化部
２０５ 出力部
２０６ 記憶部

Claims (6)

1. 対象から収集した複数の実績データを用いて、前記実績データに含まれる変数間の関係を表すグラフ構造を抽出するように構成されている抽出部と、
   複数の前記実績データと前記グラフ構造とを用いて、前記変数のうちの操作変数及び環境変数の値から、前記変数のうちの状態変数の値を予測するシミュレータを表すモデルを構築するように構成されているモデル構築部と、
   前記モデルと前記環境変数の値と前記状態変数の目標値とを用いて、前記対象の状態変数の値を前記目標値に近付けるための前記操作変数の最適値を算出するように構成されている最適化部と、
   を有する運転支援装置。
2. 前記モデル構築部は、
   前記モデルとしてグラフニューラルネットワークを構築するように構成されている、請求項１に記載の運転支援装置。
3. 前記抽出部は、
   相関分析、グラフィカルモデリング、共分散構造分析、又はＬｉＮＧＡＭのいずれかにより前記グラフ構造を抽出するように構成されている、請求項１又は２に記載の運転支援装置。
4. 前記最適化部は、
   前記環境変数の値を前記対象から取得する毎に、前記モデルと、前記環境変数の値と、現在時刻の前記目標値とを用いて、前記最適値を算出するように構成されている、請求項１乃至３の何れか一項に記載の運転支援装置。
5. 対象から収集した複数の実績データを用いて、前記実績データに含まれる変数間の関係を表すグラフ構造を抽出するように構成されている抽出手順と、
   複数の前記実績データと前記グラフ構造とを用いて、前記変数のうちの操作変数及び環境変数の値から、前記変数のうちの状態変数の値を予測するシミュレータを表すモデルを構築するように構成されているモデル構築手順と、
   前記モデルと前記環境変数の値と前記状態変数の目標値とを用いて、前記対象の状態変数の値を前記目標値に近付けるための前記操作変数の最適値を算出するように構成されている最適化手順と、
   をコンピュータが実行する運転支援方法。
6. 対象から収集した複数の実績データを用いて、前記実績データに含まれる変数間の関係を表すグラフ構造を抽出するように構成されている抽出手順と、
   複数の前記実績データと前記グラフ構造とを用いて、前記変数のうちの操作変数及び環境変数の値から、前記変数のうちの状態変数の値を予測するシミュレータを表すモデルを構築するように構成されているモデル構築手順と、
   前記モデルと前記環境変数の値と前記状態変数の目標値とを用いて、前記対象の状態変数の値を前記目標値に近付けるための前記操作変数の最適値を算出するように構成されている最適化手順と、
   をコンピュータに実行させるプログラム。

Images