JP7103539B1 - 運転支援装置、運転支援方法及びプログラム - Google Patents

Abstract

【課題】異常から正常に戻すための最適な操作を計算すること。【解決手段】一実施形態に係る運転支援装置は、制御対象の運転データを用いて、前記制御対象に異常又は前記異常の兆候が発生したか否かを診断するように構成されている異常診断部と、前記制御対象に異常又は前記異常の兆候が発生したと診断された場合、前記制御対象を正常に戻すための最適な操作を計算するように構成されている操作量計算部と、前記最適な操作を所定の出力先に出力するように構成されている出力部と、を有する。【選択図】図３

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。

ごみ焼却プラント等といったプラントでは、例えば、炉の燃焼状態等の計測値を踏まえて、炉への空気流量等をオペレータが操作してプラントを運転している。このようなプラントの運転を支援する技術の１つとして、プラントや設備、機器等の異常やその兆候等の発生有無を診断又は検知する技術が従来から知られている。例えば、特許文献１には、機器の運転状態を監視し、異常が発生したときに、その発生原因を特定する技術が開示されている。また、例えば、特許文献２には、主成分分析や離散ウェーブレット変換を用いて異常診断モデルを構築してプロセスやセンサの異常を検出する技術が開示されている。更に、非特許文献１には、ＳＶＭ（Support Vector Machine）、ＲＦ（Random Forest）、ＬｉｇｈｔＧＢＭ（Light Gradient Boosting Machine）等といった機械学習手法を用いて異常兆候を検知する技術が開示されている。

機械学習手法は様々な分野に応用されているが、近年では、機械学習手法による推論結果の説明可能性が重要となっている。これに対して、非特許文献２では、機械学習モデルの推論結果を説明するためのＬＩＭＥ（Local Interpretable Model-agnostic Explanations）と呼ばれるアルゴリズムが開示されている。

上記のＬＩＭＥはプラント等の異常診断にも応用されており、例えば、非特許文献３では、プラント等の異常診断で異常要因を同定する際に、ＬＩＭＥのような機械学習の説明技術を応用することが開示されている。

特開２００３－１０８２２５号公報 特開２０１２－１５５３６１号公報

堤 達朗，"油中ガス成分の類似性に基づく変圧器の異常様相分類および異常予兆検知の検討"，2019年電気学会電子・情報・システム部門大会pp1306-1311 Marco Tulio Ribeiro，Sameer Singh，Carlos Ernesto Guestrin，"Why Should I Trust You?": Explaining the Predictions of Any Classifier，Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining 2016 Pages 1135-1144 原 慎大，村上 賢哉，桐生 智志，飯坂 達也，松井 哲郎，"非線形プロセスを想定した異常要因の同定手法の評価"，2019年電気学会電子・情報・システム部門大会pp1327-1330

しかしながら、機械学習手法等により異常やその兆候等の発生有無を診断又は検知する場合、従来技術では、その診断又は検知結果を踏まえて、プラント等のオペレータがどのような操作を行えばよいかまではわからなかった。例えば、非特許文献３に開示されている技術では、どの計測値や操作変数が異常要因であるかはわかるものの、具体的にどのような操作を行えばプラントを異常から正常に戻すことができるかまではわからなかった。

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、異常から正常に戻すための最適な操作を計算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、制御対象の運転データを用いて、前記制御対象に異常又は前記異常の兆候が発生したか否かを診断するように構成されている異常診断部と、前記制御対象に異常又は前記異常の兆候が発生したと診断された場合、前記制御対象を正常に戻すための最適な操作を計算するように構成されている操作量計算部と、前記最適な操作を所定の出力先に出力するように構成されている出力部と、を有する。

異常から正常に戻すための最適な操作を計算することができる。

本実施形態に係るプラント制御システムの全体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。 本実施形態に係る運転支援処理の一例を示すフローチャートである。 最適操作の計算の一例を模式的に示す図（その１）である。 最適操作の計算の一例を模式的に示す図（その２）である。 一実施例におけるごみ焼却プラントを模式的に示す図である。 一実施例における最適操作前の蒸気流量及びＣＯ濃度を示す図である。 一実施例における最適操作後の蒸気流量及びＣＯ濃度を示す図である。 一実施例におけるごみ焼却プラントの因果モデルを示す図である。

以下、本発明の一実施形態について説明する。以下では、オペレータの操作によりプラントを制御する場合を対象として、当該プラントで異常又はその兆候等の発生が診断又は検知されたときにオペレータに対して当該プラントを正常に戻すための最適な操作を提示することができるプラント制御システム１について説明する。

＜プラント制御システム１の全体構成例＞
本実施形態に係るプラント制御システム１の全体構成例を図１に示す。図１に示すように、本実施形態に係るプラント制御システム１には、運転支援装置１０と、制御装置２０と、プラント３０とが含まれる。ここで、運転支援装置１０と制御装置２０は任意の通信ネットワークを介して通信可能に接続されており、同様に制御装置２０とプラント３０は任意の通信ネットワークを介して通信可能に接続されている。

運転支援装置１０は、プラント３０の運転データを制御装置２０から取得し、それらの運転データから当該プラント３０の異常又はその兆候等の発生有無を診断又は検知する。また、運転支援装置１０は、プラント３０の異常又はその兆候等の発生が診断又は検知された場合、当該プラント３０を正常に戻すための最適な操作をオペレータ等に提示する。これにより、オペレータによるプラント３０の運転が支援される。以下では、異常又はその兆候等をまとめて単に「異常等」といい、また異常等の発生有無を診断又は検知することをまとめて単に「異常等の発生有無を診断」ということにする。ここで、運転データとは、プラント３０によって実行されるプロセスの状態（例えば、温度、圧力、流量、ガス濃度等）を各種センサ等により計測した計測データのことであり、一般に多変量データ（つまり、多次元ベクトル）として表現される。

制御装置２０は、プラント３０から運転データを収集すると共に、オペレータによって設定された操作に応じて当該プラント３０を制御する。ここで、制御装置２０としては、例えば、ＰＬＣ（programmable logic controller）等が挙げられる。なお、オペレータは、制御装置２０に対して直接に操作を設定してもよいし、制御装置２０と通信ネットワークを介して通信可能な端末又は装置を用いて制御装置２０に対して操作を設定してもよい。特に、オペレータは、運転支援装置１０を用いて制御装置２０に対して操作を設定してもよい。

プラント３０は、制御装置２０の制御により各種プロセスの実行する機器や設備等である。プラント３０の具体例としては、例えば、ごみ焼却プラント、石油化学プラント、食品プラント、鉄鋼プラント等といったものが挙げられる。

なお、図１に示すプラント制御システム１の全体構成は一例であって、他の構成であってもよい。例えば、運転支援装置１０と制御装置２０とが一体で構成されていてもよいし、オペレータが利用する端末等がプラント制御システム１に含まれていてもよい。

＜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。

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）等の各種演算装置である。

図２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３に示す。図３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、異常診断部２０２と、操作量計算部２０３と、出力部２０４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、データベース２０５を有する。データベース２０５は、例えば、補助記憶装置１０７等により実現される。なお、データベース２０５は、例えば、運転支援装置１０と通信ネットワークを介して通信可能に接続される記憶装置等により実現されてもよい。

入力部２０１は、所定の時間毎（例えば、プラント３０の制御周期毎）に、異常診断対象の運転データ（以下、「診断対象データ」ともいう。）を制御装置２０から取得（入力）する。以下では、運転データを表す変数をｘで記載し、診断対象データをｘ^（ｐ）と表す。なお、運転データは、一般に多変量データであるため、例えば、プロセスの状態を表す変数（これは状態変数等とも呼ばれる。）の総数をＭ、状態変数をｘ_１，・・・，ｘ_Ｍとすればｘ＝（ｘ_１，・・・，ｘ_Ｍ）と表される。また、状態変数ｘ_１，・・・，ｘ_Ｍの中にはオペレータ等が操作可能な変数だけでなく操作できない変数も存在し得る（例えば、ごみ焼却プラントを考えた場合、ごみの投入量や空気流量は操作可能であるが、ＣＯ濃度等は操作することができない。）。

異常診断部２０２は、データベース２０５に格納されている異常診断モデルと、入力部２０１によって取得された診断対象データとを用いて、プラント３０に関して異常等の発生有無を診断する。ここで、異常診断モデルとは、プラント３０に関して異常等の発生有無を診断するためのモデルであり、例えば、過去の運転データを用いて機械学習手法等により予め作成される。なお、一般に、プラント３０では時間遅れ（つまり、何等かの操作を行ってからそれに対する応答が計測されるまでの時間的な遅れ）を考慮した異常診断モデルが作成されるため、以下でも同様に、異常診断モデルはプラント３０の時間遅れを考慮した機械学習モデルであるものとする。

また、以下では、異常診断モデルをＨ（・）で表し、Ｈ（ｘ^（ｐ））＝＋１のときプラント３０は正常（つまり、異常等の発生はない）、Ｈ（ｘ^（ｐ））＝－１のときプラント３０は異常（つまり、異常等が発生している）であると診断されるものとする。なお、異常診断モデルＨは、線形モデル（つまり、Ｈ（ｘ）＝＋１を満たす領域とＨ（ｘ）＝－１を満たす領域とを線形に分離可能なモデル）であってもよいし、非線形なモデルであってもよい。

操作量計算部２０３は、異常診断部２０２によってプラント３０が異常であると診断された場合、プラント３０を異常から正常に戻すための最適な操作量を計算する。すなわち、操作量計算部２０３は、Ｈ（ｘ^（ｐ）＋ａ）＝＋１を満たす最適な操作量ａを計算する。なお、操作量ａも多変量データであり、運転データがｘ＝（ｘ_１，・・・，ｘ_Ｍ）と表される場合は、ａ＝（ａ_１，・・・，ａ_Ｍ）と表される。

出力部２０４は、操作量計算部２０３によって計算された最適な操作量ａを所定の出力先に出力し、プラント３０のオペレータ等に提示する。これにより、オペレータによって最適な操作量ａが制御装置２０に設定され、プラント３０が当該操作量ａに従って制御される。なお、最適な操作量ａの出力先としては、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通信可能に接続される端末又は装置等であってもよい。

データベース２０５は、各種データ（例えば、異常診断モデル、過去の運転データ（特に、プラント３０の正常時における過去の運転データ）等）を格納する。

＜運転支援処理＞
本実施形態に係る運転支援処理について、図４を参照しながら説明する。なお、図４のステップＳ１０１～ステップＳ１０５は所定の時間毎（例えば、プラント３０の制御周期毎）に繰り返し実行される。

ステップＳ１０１：入力部２０１は、診断対象データｘ^（ｐ）を制御装置２０から取得する。

ステップＳ１０２：次に、異常診断部２０２は、データベース２０５に格納されている異常診断モデルと、上記のステップＳ１０１で取得された診断対象データｘ^（ｐ）とを用いて、プラント３０に関して異常等の発生有無を診断する。すなわち、異常診断部２０２は、Ｈ（ｘ^（ｐ））が＋１又は－１のいずれであるかを計算し、その値によりプラント３０の異常等の発生有無を診断する。

ステップＳ１０３：次に、異常診断部２０２は、上記のステップＳ１０２でプラント３０に異常等が発生したと診断されたか否かを判定する。プラント３０に異常等が発生したと診断された場合はステップＳ１０４に進み、そうでない場合は本繰り返しにおける処理を終了する。

ステップＳ１０４：上記のステップＳ１０３でプラント３０に異常等が発生したと診断された場合、操作量計算部２０３は、プラント３０を異常から正常に戻すための最適な操作量ａを計算する。すなわち、操作量計算部２０３は、Ｈ（ｘ^（ｐ）＋ａ）＝＋１を満たす最適な操作量ａを計算する。なお、最適な操作量ａの計算方法については後述する。

ステップＳ１０５：出力部２０４は、上記のステップＳ１０４で計算された最適な操作量ａを所定の出力先に出力し、プラント３０のオペレータ等に提示する。これにより、オペレータ等は当該操作量ａを制御装置２０に設定し、この操作量ａに従ってプラント３０が制御されるようにすることができる。

＜最適な操作量ａの計算方法＞
以下、上記のステップＳ１０４の最適な操作量ａの計算方法について説明する。

≪最適な操作量ａの計算方法その１≫
本計算方法では、Ｈ（ｘ^（ｐ）＋ａ）＝＋１を満たし、かつ、操作量ａの大きさが最も小さくなる操作量を最適な操作量ａとして計算する。これにより、プラント３０の現在の状態を考慮して最も少ない操作量で、当該プラント３０の状態を異常から正常に戻すことが可能となる。

具体的には、ｄ（・）を距離関数（例えば、ユークリッド距離等）としたときに、目的関数をｄ（ａ）、制約条件をＨ（ｘ^（ｐ）＋ａ）＝＋１として目的関数ｄ（ａ）を最小化する操作量ａを最適な操作量とする。すなわち、Ｍｉｎ_ａｄ（ａ） ｓ．ｔ． Ｈ（ｘ^（ｐ）＋ａ）＝＋１という最適化問題を解くことで、最適な操作量ａを計算する。なお、ｄ（・）はユークリッド距離に限られず、例えば、Ｌ１ノルム等であってもよい。

一例として、Ｍ＝２、Ｒ＝｛ｘ＝（ｘ_１，ｘ_２）｜Ｈ（ｘ）＝＋１｝、Ｈ（・）が線形モデルである場合における最適な操作量ａの計算例を図５に示す。図５に示す例では、Ｈ（ｘ^（ｐ）＋ａ）＝＋１を満たし、かつ、操作量ｄ（ａ）が最小となる点をＰとしたときに、Ｐ＝ｘ^（ｐ）＋ａとなる操作量ａが最適な操作量となる。

ここで、上記の最適化問題は、Ｈ（・）が線形モデル（例えば、線形回帰、上下限、決定木等）である場合には混合整数計画問題となり、既知の最適化手法により高速に解くことができる。一方で、Ｈ（・）が非線形モデルである場合には、既知のメタヒューリスティックス等により解けばよい。

なお、例えば、操作量ａの取り得る値の範囲を格子点に限定する等してもよい。これにより、最適化問題をより高速に解くことが可能となる。このことは、以下で説明するその他の計算方法についても同様である。

≪最適な操作量ａの計算方法その２≫
本計算方法では、Ｈ（ｘ^（ｐ）＋ａ）＝＋１を満たし、かつ、プラント３０の正常時における過去の運転データを考慮して操作量ａの大きさが最も小さくなる操作量を最適な操作量ａとして計算する。これにより、操作量が少ないだけでなく、過去の正常時の運用を考慮して実現可能性が高い操作量（つまり、過去の正常時における実際のプラント３０の状態に戻すような操作量）で、プラント３０の状態を異常から正常に戻ることが可能となる。

具体的には、ｄ（・）を距離関数（例えば、ユークリッド距離やマハラノビス距離等）としたときに、目的関数をｄ（ａ）＋λｑ_ｋ（ｘ^（ｐ）＋ａ｜Ｘ）、制約条件をＨ（ｘ^（ｐ）＋ａ）＝＋１として目的関数ｄ（ａ）＋λｑ_ｋ（ｘ^（ｐ）＋ａ｜Ｘ）を最小化する操作量ａを最適な操作量とする。すなわち、Ｍｉｎ_ａｄ（ａ）＋λｑ_ｋ（ｘ^（ｐ）＋ａ｜Ｘ） ｓ．ｔ． Ｈ（ｘ^（ｐ）＋ａ）＝＋１という最適化問題を解くことで、最適な操作量ａを計算する。ここで、Ｘはプラント３０の正常時における過去の運転データの集合、つまりＸ＝｛ｘ^（ｎ）｜Ｈ（ｘ^（ｎ））＝＋１，ｎ＝１，・・・，Ｎ＝｜Ｘ｜｝である。また、ｑ_ｋ（ｘ^（ｐ）＋ａ｜Ｘ）はＸが与えられたときのｘ^（ｐ）＋ａの外れ値度であり、λは重みパラメータ（ハイパーパラメータ）である。

外れ値度ｑ_ｋとしては近傍点密度（ＬＯＦ：local outlier factor）を用いることができる。Ｘが与えられたときの近傍点密度ｑ_ｋ（ｘ｜Ｘ）は以下により計算できる。

ここで、ｋは近傍点密度を計算する際に考慮する近傍点数、Ｎ_ｋ（ｘ）⊂Ｘはｋ近傍点集合である。また、ｌｒｄ_ｋ（ｘ）はｋ局所到達可能性密度であり、以下で表される。

ただし、ｒｄ_ｋ（ｘ，ｘ'）はｋ到達可能性であり、以下で表される。

なお、Δ（・，・）は距離関数であり、ｄと同様の指標を表す距離関数を用いればよい。

一例として、Ｍ＝２、Ｒ＝｛ｘ＝（ｘ_１，ｘ_２）｜Ｈ（ｘ）＝＋１｝、Ｈ（・）が線形モデルであり、運転データの集合Ｅ_１⊂Ｘでは密度が高く、運転データの集合Ｅ_２⊂Ｘでは密度が低い場合における最適な操作量ａの計算例を図６に示す。図６に示す例では、図５と異なり、点Ｐ＝ｘ^（ｐ）＋ａとなる操作量ａではなく、点Ｑ＝ｘ^（ｐ）＋ａとなる操作量ａが最適な操作量となる。これは、プラント３０の正常時における過去の運転データの密度も考慮してｘ^（ｐ）＋ａの近傍の密度が高く（つまり、外れ値度ｑ_ｋ（ｘ^（ｐ）＋ａ｜Ｘ）が小さく）なるように最適な操作量が計算されるためである。

ここで、上記の最適化問題も計算方法その１と同様に、Ｈ（・）が線形モデルである場合には混合整数計画問題となり、既知の最適化手法により高速に解くことができる。一方で、Ｈ（・）が非線形モデルである場合には、既知のメタヒューリスティックス等により解けばよい。

なお、距離関数ｄとしてユークリッド距離ではなく、マハラノビス距離を用いることで、運転データ間の相関を考慮することが可能となる。このため、例えば、過去の実際の運転やその運転の際の操作難易度等も考慮して最適な操作量を計算することができるようになる。

また、外れ値度ｑ_ｋを計算する際に、ｋ＝１として距離関数Δ（・，・）をｌ_１マハラノビス距離とすることで、混合整数計画問題を定式化する際の制約条件や補助変数の数を削減することができる。このため、この場合、混合整数計画問題が簡略化され、より高速に解くことができるようになる。

本計算方法では、参考文献１に開示されているＤＡＣＥと呼ばれる手法を用いる。

≪最適な操作量ａの計算方法その３≫
本計算方法では、Ｈ（ｘ^（ｐ）＋ａ）＝＋１を満たし、かつ、操作量ａの大きさが最も小さくなる操作量を最適な操作量ａとして計算すると共に、その操作量ａに含まれる各要素の最適な操作順も計算する。ここで、操作順とは、操作量ａ＝（ａ_１，・・・，ａ_Ｍ）の非零要素の順番のことである。これは、例えば、ａ＝（ａ_１，ａ_２）を考えた場合、ａ_１→ａ_２の順に操作した場合とａ_２→ａ_１の順に操作した場合とでプラント３０の状態が異なり得るためである。これにより、操作量が少ないだけでなく、最適な操作順で、プラント３０の状態を異常から正常に戻ることが可能となる。なお、操作量ａ＝（ａ_１，・・・，ａ_Ｍ）の零要素は操作不要又は操作できない状態変数を表すものとする。

以下では、オペレータ等が操作可能な状態変数の添え字を要素とするベクトルをＶ、Ｖの要素を並び替える写像をσ、そのような写像の全体をΣとする。例えば、ｘ＝（ｘ_１，ｘ_２，ｘ_３，ｘ_４，ｘ_５）である場合に操作可能な状態変数がｘ_１、ｘ_３であるとすれば、Ｖ＝（１，３）であり、Σ＝｛σ_１，σ_２｝、σ_１（（１，３））＝（１，３）、σ_２（（１，３））＝（３，１）である。

最適な操作量ａに対する操作量を計算するために、本計算方法では、状態変数間の因果関係を表す因果モデルを作成した上で、参考文献２に開示されているＯｒｄｅｒｅｄＣＥと呼ばれる手法を用いる。

因果モデルは、例えば、統計的因果探索の１つであるＬｉＮＧＡＭ（linear non-Gaussian acyclic model）と呼ばれる手法により、過去の運転データから作成すればよい。以下、この因果モデルをＤとして、例えば、隣接行列等といった形式で表されているものとする。

このとき、ｄ（・）を距離関数（例えば、ユークリッド距離等）としたときに、目的関数をｄ（ａ）＋γＣ_ｏｒｄ（ａ，σ｜Ｄ）、制約条件をＨ（ｘ^（ｐ）＋ａ）＝＋１として目的関数ｄ（ａ）＋γＣ_ｏｒｄ（ａ，σ｜Ｄ）を最小化する操作量ａ及び写像σを計算する。この写像σは最適な操作量ａの非零要素に対する並び替えであり、σ（Ｖ）が最適な操作量ａの非零要素の操作順を表している。すなわち、Ｍｉｎ_ａ，σｄ（ａ）＋γＣ_ｏｒｄ（ａ，σ｜Ｄ） ｓ．ｔ． Ｈ（ｘ^（ｐ）＋ａ）＝＋１という最適化問題を解くことで、最適な操作量ａと最適な操作順σとを計算する。ここで、γは重みパラメータ（ハイパーパラメータ）である。また、Ｃ_ｏｒｄ（ａ，σ｜Ｄ）は操作順の違いによるコストを表す関数であり、予め定義される。

ここで、上記の最適化問題は、Ｈ（・）が線形モデルである場合には混合整数計画問題となり、既知の最適化手法により高速に解くことができる。一方で、Ｈ（・）が非線形モデルである場合には、既知のメタヒューリスティックス等により解けばよい。

なお、本計算方法では、図４のステップＳ１０５で最適な操作量ａに加えて、その非零要素の操作順を表すσ（Ｖ）も出力される。

≪最適な操作量ａの計算方法その４≫
上記の計算方法その２とその３を組み合わせてもよい。すなわち、Ｍｉｎ_ａ，σｄ（ａ）＋γＣ_ｏｒｄ（ａ，σ｜Ｄ）＋λｑ_ｋ（ｘ^（ｐ）＋ａ｜Ｘ） ｓ．ｔ． Ｈ（ｘ^（ｐ）＋ａ）＝＋１という最適化問題を解いてもよい。

＜実施例＞
以下、本実施形態の一実施例について説明する。

≪実施例１≫
本実施例では、プラント３０としてごみ焼却プラントを想定し、最適な操作量ａをオペレータ等に提示する場合について説明する。

ごみ焼却プラントの模式図を図７に示す。図７に示すように、ごみ焼却プラントでは、ごみと空気を燃焼炉に投入し、その燃焼によって発生した熱が蒸気に変換され、蒸気と一酸化炭素（ＣＯ）等といった排気ガスとが出力される。一般に蒸気は発電等に利用されるため、蒸気の生成量を増やすと共にそれを安定化させることが求められる。一方で、蒸気の生成量を増やすためにはごみの投入量と空気の流量を増やす必要があるが、それにより不完全燃焼が発生し、その結果、ＣＯ濃度が高くなる可能性がある。このため、ごみの投入量と空気の流量とを適切に操作する必要がある。なお、ごみの投入量はフィーダと呼ばれる設備の動作速度により操作され、空気流量はバルブ等の開閉角度により操作される。また、蒸気流量とＣＯ濃度は一般に現在値だけでなく、その変化速度も計測される。

したがって、ごみ焼却プラントの状態変数は以下となる。

ｘ_１：蒸気流量（現在値）
ｘ_２：蒸気流量（速度）
ｘ_３：ＣＯ濃度（現在値）
ｘ_４：ＣＯ濃度（速度）
ｘ_５：空気流量
ｘ_６：フィーダ速度
すなわち、運転データはｘ＝（ｘ_１，ｘ_２，ｘ_３，ｘ_４，ｘ_５，ｘ_６）と表される。また、上記の状態変数のうち、オペレータ等が操作可能なものは空気流量ｘ_５とフィーダ速度ｘ_６である。このため、操作量はａ＝（０，０，０，０，ａ_５，ａ_６）と表される。ここで、ａ_５は空気流量に対する操作量、ａ_６はフィーダ速度に対する操作量である。

以上により、例えば、ｄ（・）としてユークリッド距離を用いて、上記の計算方法その１により最適な操作量ａを計算する場合、Ｍｉｎ_ａ（ａ_５ ^２＋ａ_６ ^２）^１／２ ｓ．ｔ． Ｈ（ｘ^（ｐ）＋ａ）＝＋１という最適化問題を解けばよい。

一例として、最適操作前の蒸気流量及びＣＯ濃度を図８に、最適操作後の蒸気流量及びＣＯ濃度を図９に示す。図８に示すように、蒸気流量が下限を下回ることが予測された場合（つまり、異常の兆候が診断された場合）に、最適な操作量ａを計算してその操作量ａを制御装置２０に設定することで、図９に示すように、蒸気流量が下限を下回ることを防止できている（つまり、ごみ焼却プラントを正常に戻すことができている）ことがわかる。

≪実施例２≫
実施例１と同様の設定において、上記の計算方法２により最適な操作量ａを計算する場合、Ｍｉｎ_ａ（ａ_５ ^２＋ａ_６ ^２）^１／２＋λｑ_ｋ（ｘ^（ｐ）＋ａ｜Ｘ） ｓ．ｔ． Ｈ（ｘ^（ｐ）＋ａ）＝＋１という最適化問題を解けばよい。これにより、実施例１と比較して、より実現可能性が高い操作量を計算することが可能となる。

≪実施例３≫
本実施例でもプラント３０としてごみ焼却プラントを想定し、上記の計算方法３により最適な操作量ａを計算する場合について説明する。

実施例１と異なり、本実施例におけるごみ焼却プラントでは、ごみを攪拌するストーカとストーカ及びフィーダを或る設定値（以下、自動制御設定値という。）により自動的に制御する制御器とが更に存在し、ストーカによるごみ攪拌量とフィーダによるごみ投入量は当該自動制御設定値により自動的に制御されるものとする。

このとき、本実施例におけるごみ焼却プラントの状態変数は以下となる。

ｘ_１：蒸気流量（現在値）
ｘ_２：蒸気流量（速度）
ｘ_３：ＣＯ濃度（現在値）
ｘ_４：ＣＯ濃度（速度）
ｘ_５：空気流量
ｘ_６：ストーカ速度
ｘ_７：フィーダ速度
ｘ_８：自動制御設定値
すなわち、運転データはｘ＝（ｘ_１，ｘ_２，ｘ_３，ｘ_４，ｘ_５，ｘ_６，ｘ_７，ｘ_８）と表される。また、上記の状態変数のうち、オペレータ等が操作可能なものは空気流量ｘ_５とストーカ速度ｘ_６とフィーダ速度ｘ_７と自動制御設定値ｘ_８である。このため、操作量はａ＝（０，０，０，０，ａ_５，ａ_６，ａ_７，ａ_８）と表される。ここで、ａ_５は空気流量に対する操作量、ａ_６はストーカ速度に対する操作量、ａ_７はフィーダ速度に対する操作量、ａ_８は自動制御設定値に対する操作量である。

また、本実施例におけるごみ焼却プラントの状態変数間の因果モデルＤは図１０に示すようなものであるとする。

以上により、例えば、ｄ（・）としてユークリッド距離を用いて最適な操作量ａを計算する場合、Ｍｉｎ_ａ，σ（ａ_５ ^２＋ａ_６ ^２＋ａ_７ ^２＋ａ_８ ^２）^１／２＋γＣ_ｏｒｄ（ａ，σ｜Ｄ） ｓ．ｔ． Ｈ（ｘ^（ｐ）＋ａ）＝＋１という最適化問題を解けばよい。その結果、例えば、最適な操作順σ（（５，６，７，８））＝（８，６，７，５）が得られた場合、ａ_８→ａ_６→ａ_７→ａ_５の順に操作が行われるように操作量を制御装置２０に設定すればよい。この例では、ストーカ速度やフィーダ速度を個別に操作するよりも、自動制御設定値を操作した後にストーカ速度やフィーダ速度を操作した方が全体の操作量を少なくすることができると考えられる。

＜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、プラント３０に異常等が発生した場合に、そのプラント３０を異常から正常に戻すための最適な操作量やその操作順をオペレータ等に提示することができる。このため、オペレータ等は、実際にその操作量や操作順を制御装置２０に設定し、プラント３０が正常に戻るように制御することが可能となる。

なお、上記の実施形態では、最適な操作量ａ（とその操作順）をオペレータ等に提示したが、これに限られず、例えば、その操作量（とその操作順）を運転支援装置１０が制御装置２０に設定し、プラント３０が自動的に正常に戻るようにしてもよい。

本発明、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。

［参考文献］
参考文献１：金森 憲太朗, 高木 拓也, 小林 健, 有村 博紀，"混合整数線形計画法に基づく実現可能性を考慮した反事実的説明法"，人工知能学会 第34回全国大会(2020)
参考文献２：Kentaro Kanamori, Takuya Takagi, Ken Kobayashi, Yuichi Ike, Kento Uemura, Hiroki Arimura, "Ordered Counterfactual Explanation by Mixed-Integer Linear Optimization"，35th AAAI Conference on Artificial Intelligence (AAAI 2021)

１ プラント制御システム
１０ 運転支援装置
２０ 制御装置
３０ プラント
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 異常診断部
２０３ 操作量計算部
２０４ 出力部
２０５ データベース

Claims (8)

1. 制御対象の運転データｘ ^（ｐ） と異常診断モデルＨ（・）とを用いてＨ（ｘ ^（ｐ） ）を計算し、Ｈ（ｘ ^（ｐ） ）＝＋１の場合は前記制御対象に異常又は前記異常の兆候が発生していないと診断し、Ｈ（ｘ ^（ｐ） ）＝－１の場合は前記制御対象に異常又は前記異常の兆候が発生していると診断するように構成されている異常診断部と、
   前記制御対象に異常又は前記異常の兆候が発生したと診断された場合、距離関数ｄ（・）を用いて、Ｍｉｎ _ａ ｄ（ａ） ｓ．ｔ． Ｈ（ｘ ^（ｐ） ＋ａ）＝＋１となる操作量ａで表される操作を、前記制御対象を正常に戻すための最適な操作として計算するように構成されている操作量計算部と、
   前記最適な操作を所定の出力先に出力するように構成されている出力部と、
   を有する運転支援装置。
2. 前記出力部は、
   前記運転支援装置が備える表示装置、又は、前記制御対象のオペレータが利用する端末に前記最適な操作を出力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. 前記出力部は、
   前記制御対象を制御する制御装置に前記最適な操作を出力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。
4. 前記操作量計算部は、
   前記制御対象の正常時における過去の運転データの集合Ｘを更に用いてＭｉｎ _ａ ｄ（ａ）＋λｑ _ｋ （ｘ ^（ｐ） ＋ａ｜Ｘ） ｓ．ｔ． Ｈ（ｘ ^（ｐ） ＋ａ）＝＋１（ただし、ｑ _ｋ （ｘ ^（ｐ） ＋ａ｜Ｘ）はＸが与えられたときのｘ ^（ｐ） ＋ａの外れ値度、λは重みパラメータ）となる操作量ａで表される操作を、前記最適な操作として計算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. 前記操作量ａは、前記制御対象の状態変数の総数をＭとして、ａ＝（ａ _１ ，・・・，ａ _Ｍ ）と表され、
   前記操作量計算部は、
   前記操作量ａの各要素ａ _ｉ （ｉ＝１，・・・，Ｍ）が表す操作の最適な操作順を更に計算するように構成されている、請求項１乃至４の何れか一項に記載の運転支援装置。
6. 前記異常診断モデルＨ（・）は、前記制御対象の操作に対する時間遅れを考慮して予め作成された機械学習モデルである、請求項１乃至５の何れか一項に記載の運転支援装置。
7. 制御対象の運転データｘ ^（ｐ） と異常診断モデルＨ（・）とを用いてＨ（ｘ ^（ｐ） ）を計算し、Ｈ（ｘ ^（ｐ） ）＝＋１の場合は前記制御対象に異常又は前記異常の兆候が発生していないと診断し、Ｈ（ｘ ^（ｐ） ）＝－１の場合は前記制御対象に異常又は前記異常の兆候が発生していると診断する異常診断手順と、
   前記制御対象に異常又は前記異常の兆候が発生したと診断された場合、距離関数ｄ（・）を用いて、Ｍｉｎ _ａ ｄ（ａ） ｓ．ｔ． Ｈ（ｘ ^（ｐ） ＋ａ）＝＋１となる操作量ａで表される操作を、前記制御対象を正常に戻すための最適な操作として計算する操作量計算手順と、
   前記最適な操作を所定の出力先に出力する出力手順と、
   をコンピュータが実行する運転支援方法。
8. 制御対象の運転データｘ ^（ｐ） と異常診断モデルＨ（・）とを用いてＨ（ｘ ^（ｐ） ）を計算し、Ｈ（ｘ ^（ｐ） ）＝＋１の場合は前記制御対象に異常又は前記異常の兆候が発生していないと診断し、Ｈ（ｘ ^（ｐ） ）＝－１の場合は前記制御対象に異常又は前記異常の兆候が発生していると診断する異常診断手順と、
   前記制御対象に異常又は前記異常の兆候が発生したと診断された場合、距離関数ｄ（・）を用いて、Ｍｉｎ _ａ ｄ（ａ） ｓ．ｔ． Ｈ（ｘ ^（ｐ） ＋ａ）＝＋１となる操作量ａで表される操作を、前記制御対象を正常に戻すための最適な操作として計算する操作量計算手順と、
   前記最適な操作を所定の出力先に出力する出力手順と、
   をコンピュータに実行させるプログラム。

Images