JP7273202B2 - 排煙脱硫（ｆｇｄ）ユニットの性能最適化のための方法およびシステム - Google Patents

Description

関連出願の相互参照および優先権
本出願は、2019年6月27日に出願したインド仮特許出願第201921025745号からの優先権を主張する、2020年4月11日に出願した国際出願第PCT/IN20/50346号からの優先権を主張する。

本明細書における開示は、概して、工業プロセスの監視に関し、より詳細には、排煙脱硫(FGD(Flue Gas Desulphurization))ユニットの性能最適化のための方法およびシステムに関する。

排煙脱硫(FGD)は、いくつかの産業、特に火力発電所において、化石燃料中の硫黄の燃焼などのプロセスから生成される燃焼ガスから硫黄酸化物を除去するために使用される技術である。それは、複雑で動的なプロセスであり、その効率および運用コストは、FGDの様々なサブシステムの複数のパラメータに依存する。FGDの運用コストは、原材料コスト(石灰、石灰石など)と、ユーティリティコスト(電気、水など)と、および労働、保守、修理などに関する他のコストとを含む。

現在の技術は、様々なサブシステムとそれに関連するサブシステムのパラメータとの間の関係を理解するには不十分である。吸収器内の石灰石スラリーの濃度および石膏スラリー転換などのFGDプロセスの主要なパラメータのいくつかのリアルタイム測定は、FGDの状態を判断する上で重要であるが、現在は実行できない。現在のシステムは、いくつかのパラメータ(たとえば、石灰石スラリーの流量、pH、および動作するポンプの数など)のみの制御を考慮する。さらに、FGDは、様々な機器で構成され、それらは、時間とともに劣化し、継続的な監視と保守とを必要とする。いくつかの機器は、頻繁に故障する傾向があり、プラントの完全な停止につながる。

インド特許出願第IN201621035461号

本開示の実施形態は、従来のシステムにおける上記の技法的問題のうちの1つまたは複数に対する解決策としての技術的改善を提供する。たとえば、一実施形態において、排煙脱硫(FGD)プロセスの最適化のためのプロセッサ実装方法が提供される。この方法において、監視されているFGDプロセスからの複数のプラントデータが、1つまたは複数のハードウェアプロセッサを介して入力データとして収集される。次いで、入力データは、前処理される。前処理の間、入力データからの1つまたは複数の不要な構成要素が、1つまたは複数のハードウェアプロセッサを介して削除される。さらに、1つまたは複数のハードウェアプロセッサを介して、前処理された入力データに対して次元削減が実行される。次元削減を実行することは、2つのステップを含む。第1のステップにおいて、特徴選択が実行され、特徴選択は、前処理された入力データを処理することによって、FGDプロセスの複数の重要業績評価指数(KPI(Key Performance Indicator)の各々に影響を与える複数の重要なプロセスパラメータを特定することを含む。第2のステップにおいて、特徴抽出を実行することによって、データから複数の特徴が抽出される。入力データの一部を処理することがその後の最適化ステップに必要でない場合があるので、次元削減は、データ全体の処理を回避するのに役立つ。次元削減の後、1つまたは複数のハードウェアプロセッサを介して、KPIごとに、抽出された複数の特徴に基づいて、複数の予測モデルが生成される。さらに、複数の予測モデルのうちの1つが、1つまたは複数のハードウェアプロセッサを介して、入力データを処理するための予測モデルとして選択される。特定のタイプのパラメータは、実際的な制限、または適切なセンサの欠如のためにリアルタイムで測定することができないので、予測モデルは、いくつかの未測定のパラメータを含む場合がある。未測定のパラメータのうちの1つまたは複数を補償するために、1つまたは複数のソフトセンサを使用して生成された情報が、1つまたは複数のハードウェアプロセッサを介して使用される。次いで、1つまたは複数のハードウェアプロセッサを介して、FGDプロセスの最適化が実行される。最適化の第1のステップにおいて、選択された予測モデルを使用して、FGDプロセスの動作がシミュ
レートされる。FGDプロセスの動作のシミュレーションは、選択された予測モデルによって複数のFGDプロセスパラメータを予測することを含む。次のステップにおいて、予測された複数のFGDプロセスパラメータから、複数の最適な動作設定点が推定される。さらに、推定された複数の最適な動作設定点に基づいて、FGDプロセスにおける少なくとも1つの性能喪失(performance lapse)が決定され、次いで、決定された少なくとも1つの性能喪失に応答して、FGDプロセスを最適化するために少なくとも1つの推奨が生成される。

別の態様において、排煙脱硫(FGD)プロセスの最適化のためのシステムが提供される。システムは、1つまたは複数のハードウェアプロセッサと、通信インターフェースと、複数の命令を記憶するメモリとを含む。複数の命令は、実行されると、1つまたは複数のハードウェアプロセッサに、監視されているFGDプロセスから複数のプラントデータを入力データとして収集させる。次いで、入力データは、システムによって前処理される。前処理の間、入力データからの1つまたは複数の不要な構成要素が、システムによって削除される。さらに、システムは、1つまたは複数のハードウェアプロセッサを介して、前処理された入力データに対して次元削減を実行する。次元削減を実行することは、2つのステップを含む。第1のステップにおいて、特徴選択が実行され、特徴選択は、前処理された入力データを処理することによって、FGDプロセスの複数の重要業績評価指数(KPI)の各々に影響を与える複数の特徴を特定することを含む。第2のステップにおいて、複数の特徴は、特徴抽出を実行することによって抽出される。次元削減は、入力データの一部を処理すること最適化プロセスに必要でない場合があるので、必要でない場合があるデータ全体の処理を回避するのに役立つ。次元削減の後、システムは、1つまたは複数のハードウェアプロセッサを介して、KPIごとに、抽出された複数の特徴に基づいて、複数の予測モデルを生成する。さらに、システムは、1つまたは複数のハードウェアプロセッサを介して、入力データを処理するための予測モデルとして、複数の予測モデルのうちの1つを選択する。特定のタイプのパラメータは、実際的な制限のために測定することができないので、予測モデルは、いくつかの未測定のパラメータを含む場合がある。未測定のパラメータのうちの1つまたは複数を補償するために、システムは、1つまたは複数のソフトセンサを使用して生成された情報を使用する。次いで、システムは、1つまたは複数のハードウェアプロセッサを介して、FGDプロセスの最適化を実行する。最適化の第1のステップにおいて、システムは、選択された予測モデルを使用して、FGDプロセスの動作をシミュレートする。FGDプロセスの動作のシミュレーションは、選択された予測モデルによって複数のFGDプロセスパラメータを予測することを含む。次のステップにおいて、システムは、予測された複数のFGDプロセスパラメータから、複数の最適な動作設定点を推定する。さらに、システムは、推定された複数の最適な動作設定点に基づいて、FGDプロセスにおける少なくとも1つの性能喪失を決定し、次いで、決定された少なくとも1つの性能喪失に応答して、FGDプロセスを最適化するために少なくとも1つの推奨が生成される。

さらに別の態様において、排煙脱硫(FGD)プロセスの最適化のための非一時的コンピュータ可読媒体が提供される。メモリ(記憶ユニット)内に記憶された複数の命令が、非一時的コンピュータ可読媒体を形成する。非一時的コンピュータ可読媒体内の複数の命令は、実行されると、非一時的コンピュータ可読媒体が格納されたシステムの1つまたは複数のハードウェアプロセッサに、FGDプロセスの最適化を実行するために以下のステップを実行させる。この方法において、監視されているFGDプロセスからの複数のプラントデータが、1つまたは複数のハードウェアプロセッサを介して入力データとして収集される。次いで、入力データは、前処理される。前処理の間、入力データからの1つまたは複数の不要な構成要素が、1つまたは複数のハードウェアプロセッサを介して削除される。さらに、1つまたは複数のハードウェアプロセッサを介して、前処理された入力データに対して次元削減が実行される。次元削減を実行することは、2つのステップを含む。第1のステップにおいて、特徴選択が実行され、特徴選択は、前処理された入力データを処理することによって、FGDプロセスの複数の重要業績評価指数(KPI)の各々に影響を与える複数の特徴を特定することを含む。第2のステップにおいて、特徴抽出を実行することによって、複数の特徴が抽出される。次元削減は、最適化ステップに必要でない場合があるデータ全体の処理を回避するのに役立つ。次元削減の後、1つまたは複数のハードウェアプロセッサを介して、KPIごとに、抽出された複数の特徴に基づいて、複数の予測モデルが生成される。さらに、複数の予測モデルのうちの1つが、1つまたは複数のハードウェアプロセッサを介して、入力データを処理するための予測モデルとして選択される。特定のタイプのパラメータは、実際的な制限のために測定することができないので、予測モデルは、いくつかの未測定のパラメータを含む場合がある。未測定のパラメータのうちの1つまたは複数を補償するために、1つまたは複数のソフトセンサを使用して生成された情報が、1つまたは複数のハードウェアプロセッサを介して使用される。次いで、1つまたは複数のハードウェアプロセッサを介して、FGDプロセスの最適化が実行される。最適化の第1のステップにおいて、選択された予測モデルを使用して、FGDプロセスの動作がシミュレートされる。FGDプロセスの動作のシミュレーションは、選択された予測モデルによって複数のFGDプロセスパラメータを予測することを含む。次のステップにおいて、予測された複数のFGDプロセスパラメータから、複数の最適な動作設定点が推定される。さらに、推定された複数の最適な動作設定点に基づいて、FGDプロセスにおける少なくとも1つの性能喪失が決定され、次いで、決定された少なくとも1つの性能喪失に応答して、FGDプロセスを最適化するために少なくとも1つの推奨が生成される。

前述の一般的な説明および以下の詳細な説明は、例示的かつ説明的なものに過ぎず、特許請求されるような発明を制限するものではないことが理解されるべきである。

本開示内に組み込まれ、本開示の一部を構成する添付図面は、例示的な実施形態を示し、説明とともに、開示されている原理を説明するのに役立つ。

本開示のいくつかの実施形態による、排煙脱硫(FGD)のための、図2Aのシステムによって監視されているFGDプラントのプロセスフロー図である。 本開示のいくつかの実施形態による、排煙脱硫(FGD)の性能最適化のための例示的なシステムを示す図である。 本開示のいくつかの実施形態による、リアルタイムFGDプラント監視およびプロセス最適化シナリオにおける図2Aのシステムの例示的なアーキテクチャ図である。 本開示のいくつかの実施形態による、図2のシステムを使用する、排煙脱硫(FGD)プロセスの性能最適化のプロセス内に含まれるステップを示すフロー図である。 本開示のいくつかの実施形態による、図2のシステムを使用する、排煙脱硫(FGD)プロセスの性能最適化のプロセス内に含まれるステップを示すフロー図である。 本開示のいくつかの実施形態による、図2のシステムを使用する、FGDプロセスを最適化するプロセス内に含まれるステップを示すフロー図である。 本開示のいくつかの実施形態による、図2のシステムを使用する、予測モデルを生成するプロセス内に含まれるステップを示すフロー図である。 本開示のいくつかの実施形態による、図2のシステムを使用する、複数の予測モデルの中から入力データを処理するための予測モデルを選択するプロセス内に含まれるステップを示すフロー図である。

例示的な実施形態について、添付図面を参照して説明される。図において、参照番号の左端の数字は、参照番号が最初に表示される図を特定する。都合がよい場合はいつでも、同じまたは同様の部分を指すために、同じ参照番号が図面全体を通して使用される。開示されている原理の例および特徴が本明細書で説明されているが、修正、適合、および他の実装形態が、開示されている実施形態の範囲から逸脱することなく可能である。以下の詳細な説明は、例示としてのみ考慮され、真の範囲は、以下の特許請求の範囲によって示されることが意図されている。

FGDプロセスの例示的な実例が図1において示されている。示されているように、プロセスは、排気ガスシステム(ブースターアップファン(BUF(Booster Up Fan))、ガス-ガス再熱器(GGH(Gas-Gas Reheater))など)、石灰石スラリー調整ユニット、吸収塔、石膏回収ユニット、水処理ユニットなどのような複数のサブシステムを含む。示されている概略図は、排煙脱硫器の典型的なレイアウトであり、構成およびレイアウトは、異なるユニットについては変わる可能性がある。ボイラーなどの任意の化石燃料燃焼ユニットから生成される燃焼ガスは、使用される石炭の量と種類とに依存して、典型的には100～1200ppmの範囲で変化する大量の硫黄酸化物(SOx)を含む。燃焼ガスは、過剰な熱を抽出するために、ガス-ガス再熱器(GGH)に通され得る。それはまた、吸収に有利な温度を下げるのに役立つ。GGHの後ろに位置する長い垂直の柱である吸収塔は、吸収ゾーンとタンクゾーンの2つのゾーンに分けられ得る。燃焼ガスは、タンクゾーンの上にある燃焼ガス入口ダクトを通って吸収塔に送られる。燃焼ガスは、上向きに流れ、燃焼ガス中のSOxを吸収するためにノズルを通って噴霧された石灰石スラリーと混ざり合い、重硫酸カルシウムを形成する。このスラリーは、タンクエリア内に落ち、再循環ポンプの組合せにより、様々な高さの吸収エリアに再び注入される。混合物が噴霧されるレベルは、脱硫プロセスの効率に大きく影響する。十分な保持時間の間石灰石スラリーを貯蔵するように設計されたタンクエリアは、石灰石の最適な消費、酸化(空気がブロワーを通過する)、および石膏への結晶化に役立つ。このように、形成された石膏は、タワーの底部から抽出される。石膏は、固形石膏を取得するために、脱水機内で乾燥される。

さらに、FGDユニットは、新鮮な石灰石スラリー調製ユニットを有する。サイロ内に貯蔵された固形石灰石は、微細粒子に粉砕された後、石灰石スラリー調製タンクに供給される。石灰石スラリーの必要な濃度を維持するために、適切な比率で水が混合される。吸収塔内に必要な石灰石を補充するために、新鮮な石灰石スラリーが最適な量で注入される。それはまた、タワー内の望ましいpHを維持するのに役立つ。

クリーンな燃焼ガスが、中央に位置する出口ダクトを通って吸収塔から排出される。吸収塔の他方の端において、水分を除去するために、燃焼ガスがミスト除去器に通される。静電集塵器を使用して、浮遊粉塵が除去される。燃焼ガスは、様々なプロセスを通過するときに、大きな圧力低下を受ける。燃焼ガスの煙突までの流れと環境への排出とを可能にするために、燃焼ガス圧力を高めるために、ブースターアップファン(BUF)が用いられる。

システム100の動作がFGDプロセスの性能監視および最適化を参照して説明されているが、本明細書で開示されている方法は、任意の他の工業プロセスの監視および最適化を実行するために一般化され得ることが留意されるべきである。

ここで図面、より具体的には図2Aから図6を参照すると、同様の参照文字が図全体を通して一貫して対応する特徴を示しており、好ましい実施形態が示されており、これらの実施形態について、以下の例示的なシステムおよび/または方法の文脈において説明されている。

図2Aは、本開示のいくつかの実施形態による、排煙脱硫(FGD)の性能最適化のための例示的なシステム100を示す。システム100は、メモリ101と、1つまたは複数のハードウェアプロセッサ102と、通信インターフェース103とを含む。

1つまたは複数のハードウェアプロセッサ102は、1つまたは複数のマイクロプロセッサ、マイクロコンピュータ、マイクロコントローラ、デジタル信号プロセッサ、中央処理装置、状態機械、グラフィックコントローラ、論理回路、および/または動作指示に基づいて信号を操作する任意のデバイスとして実装され得る。数ある能力の中で、ハードウェアプロセッサ102は、メモリ101内に記憶されたコンピュータ可読命令をフェッチして実行するように構成され、これは、ハードウェアプロセッサ102に、不純物を検出する目的のための図3に示されている作業を実行させる。一実施形態において、システム100は、ラップトップコンピュータ、ノートブック、ハンドヘルドデバイス、ワークステーション、メインフレームコンピュータ、サーバ、ネットワーククラウドなどの様々なコンピューティングシステムにおいて実装され得る。

通信インターフェース103は、様々なソフトウェアインターフェースおよびハードウェアインターフェース、たとえば、ウェブインタフェース、グラフィカルユーザインターフェースなどを含むことができ、有線ネットワーク、たとえば、LAN、ケーブルなど、およびWLAN、セルラー、または衛星などのワイヤレスネットワークを含む、多種多様なネットワークN/Wおよびプロトコルタイプ内の複数の通信を促進することができる。一実施形態において、通信インターフェース103は、いくつかのデバイスを互いにまたは別のサーバに接続するための1つまたは複数のポートを含むことができる。データ転送のために、通信インターフェース103は、限定はしないが、OPC UA、OPC DA、TCP/IP、およびMODBUSなどの任意の適切なプロトコルを使用し得る。通信インターフェース103は、データ転送のための適切なアプリケーションプログラミングインターフェース(API(Application Programming Interface))も使用し得る。

メモリ101は、たとえば、スタティックランダムアクセスメモリ(SRAM)およびダイナミックランダムアクセスメモリ(DRAM)などの揮発性メモリ、ならびに/または読み取り専用メモリ(ROM)、消去可能プログラマブルROM、フラッシュメモリ、ハードディスク、光ディスク、および磁気テープなどの不揮発性メモリを含む、当該技術分野で公知の任意のコンピュータ可読媒体を含み得る。メモリ101は、実行されると、1つまたは複数のハードウェアプロセッサ102に1つまたは複数のアクションを実行させ、システム100によって処理されるFGD最適化に対応する複数の命令を記憶し、その間、システム100は、図1に示されているものと同様のFGDプロセスの動作を監視し、FGDプロセスから様々なリアルタイムおよび非リアルタイムデータ(「プラントデータ」とも呼ばれる)を収集し、FGDプロセスの動作を最適化する。FGD最適化中にシステム100によって実行される様々なステップについて、図3Aから図6の説明とともに説明される。

本開示の実施形態によれば、FGDプラント/ユニットにおける排煙脱硫(FGD)プロセスの最適化を監視および実行するためのシステム100の例示的な実装形態が、図2Bのブロック図において示されている。システム100は、FGDプラントにおける様々なパラメータを監視および測定するために使用される複数のセンサ(図には示されていない)であって、このデータが、まとめて「プラントデータ」と呼ばれる、複数のセンサと、FGD自動化システム216と、FGDデータソース218と、サーバ220と、リアルタイムプロセス最適化モジュール222と、オフラインシミュレーションモジュール224と、モデルリポジトリ226と、知識データベース228と、静的および動的データベース230とを含む。モデルリポジトリ226、知識データベース228、ならびに静的および動的データベース230は、メモリ101の一部であり得ることが理解されるべきである。

本開示の実施形態によれば、図1においてFGDプロセスのフロー図が示されており、図1の説明として、FGDプロセスの動作について説明される。(図1に示されている)FGDプロセス202からの様々なデータが、リアルタイムデータとしてシステム100によって収集され、これのデータは次いで、推奨を生成するためにシステム100によって処理される。

本開示の実施形態によれば、図2Bを参照すると、静的および動的データベース230の静的データベースは、原材料、副産物、および最終生成物、排出物などの静的特性からなる材料データベース、機器設計データ、建設材料の詳細などからなる機器データベース、ならびにプロセスフローシート、機器レイアウト、制御および計装図などからなるプロセス構成データベースなどの、時間とともに変化しないデータおよび情報を記憶する。また、静的データベースは、データ駆動型モデル、物理ベースのモデル、およびハイブリッドモデルのアルゴリズムおよび技法からなるアルゴリズムデータベースと、物理ベースのモデル、ハイブリッドモデル、および最適化問題のソルバとからなる。

さらに、静的および動的データベース230の動的データベースは、本質的に動的であり、定期にまたはすべての適応学習サイクル後に更新されるデータおよび情報を含む。動的データベースは、プロセス変数、センサデータからなる動作データベース、実験室におけるテストを介して取得された原材料、副産物、および最終生成物の特性からなる実験室データベース、プロセスの状態、機器の正常性、様々な機器における是正処置または修復作業を示す保守記録などからなる保守データベース、周囲温度、大気圧、湿度、ダストレベルなどの気象および気候データからなる環境データベースなどを含む。

本開示の実施形態によれば、図2Bを参照すると、知識データベース228は、リアルタイムプロセス最適化モジュール222を実行している間に導出された知識を含み、動作の後の任意の段階において使用される潜在的に有用な情報である。これは、1つまたは複数の推奨を生成するためにシステム100によって使用される、オフラインシミュレーションモジュール224を使用する複数のオフラインシミュレーションを使用して履歴データから導出された主要性能曲線も含む。知識データベース228は、静的データベース内に記憶された様々なアルゴリズムの性能に関連する情報も含む。一実施形態において、システム100は、複数のアルゴリズムをホストし、リアルタイムで収集されたデータの特定の特性に一致するアルゴリズムを選択および使用するか、またはアルゴリズムの記録された以前の性能に基づいてアルゴリズムを選択および使用し、選択されたアルゴリズムをさらなるデータ処理のために使用するように構成される。

さらに、オフラインシミュレーションモジュール224は、システムの複雑さのためにリアルタイムにおいて必要とされないかまたは不可能であるが、一定の間隔で実行されることが有用であるFGDプロセスにおけるシミュレーションタスクを実行する。オフラインシミュレーションモジュール224は、高忠実度の物理ベースのモデルおよびデータ駆動型モデルを使用してシミュレートされるシミュレーションのための特定のテストインスタンスを生成する。これらのモジュールは、(図1に示されている)FGDプロセス202の全体的な動作への洞察を提供する。オフラインシミュレーションモジュール224は、特定のシミュレーションを実行するために、静的および動的データベース230、知識データベース228、およびモデルリポジトリ226と対話する。オフラインシミュレーションモジュール224は、情報とシミュレーション要求とを受信し、プロセス最適化を実行するために、システム100に関するオフラインシミュレーションに基づいてシミュレーション結果と洞察とを返すために、リアルタイムプロセス最適化モジュール222とも対話する。

様々なモジュールの出力は、ユーザインターフェース103を介してユーザに示される。システム100からの推奨は、FGDプロセス202(図1)の様々な構成要素の最適な設定を含む。

図3Aおよび図3B(まとめて図3と呼ばれる)は、本開示のいくつかの実施形態による、図2のシステムを使用する排煙脱硫(FGD)プロセスの性能最適化のプロセス内に含まれるステップを示すフロー図である。システム100は、入力として、監視されているプラントの複数のサブシステムに関連する様々なパラメータ(たとえば、温度、圧力などの測定値)に関係するデータを収集する(302)ために、適切なタイプの複数のセンサ(温度センサ、圧力センサなど)を使用する。「データ」ならびに「入力データ」という用語は、本明細書および特許請求の範囲全体を通して交換可能に使用される。システム100は、監視されるべきパラメータのタイプに基づいて、適切なセンサを選択および使用し得る。システム100は、1つまたは複数のデータベースから、監視されているプロセスに関して、履歴データを同様に収集し得る。1つまたは複数のデータベースは、システム100の内部または外部であり得る。

次いで、システム100は、収集されたデータを前処理することによって、データを調整する(304)。システム100は、入力データから任意の不要な構成要素を除去するために、データを前処理するための任意の適切な方法を使用し得る。たとえば、システム100は、データを前処理および調整するために、インド特許出願第IN201621035461号において説明されているデータ処理方法を使用する。データの前処理中に、システム100は、データから高い欠損率および低い四分位数範囲を有するパラメータを削除するために、最初にデータフィルタリング方法を使用する。次いで、このステップ後のフィルタリングされたデータは、外れ値分析を受け、その間、フィルタリングされたデータにおける外れ値が、ドメイン知識と1つまたは複数の適切な機械学習方法とに基づいて決定される。外れ値を削除した後、データ内の様々な変数が、データの可用性に基づいて分類される。さらに、このデータから、パターン分析を実行することによって、さらなる分析のために様々なパラメータが選択される。この段階において、欠損値が多変量代入プロセスを使用して推定された新しい値によって置き換えられ、このステップの出力における代入されたデータは、クラスタリングを受け、そこで、様々な動作レジームに基づいて、データが複数のクラスタに分離される。各クラスタ内の観測値およびポイントの数に基づいて、調整されたデータを生成するために、前処理段階における様々なステップがさらに繰り返され得る。そのような手法は、不要な構成要素を除去するためにシステム100によって行われ得、ここで、「不要な構成要素」という用語は、システム100がFGDプロセスの監視および最適化を実行するために必要とされない入力データの一部である情報を指す場合がある。

前処理中、データは、システム100によるデータフィルタリングを受け、その間、データから高い欠損率と低い四分位数範囲を有するパラメータが削除される。フィルタリングされたデータは、システム100の外れ値分析器(図示せず)を通過し、そこで、ドメイン知識と様々な機械学習方法とに基づいて、外れ値が決定される。外れ値の除去後、変数は、データの可用性に基づいて分類され、これらは、欠損パターン分析にリンクされ、重要なパラメータがさらなる分析のために選択される。欠損値は、多変量代入を使用して推定された新しい値によって置き換えられる。次いで、代入されたデータは、システム100によるクラスタリングを受け、そこでデータは、様々な動作レジームに基づいて複数のクラスタに分離される。各クラスタ内の観測値およびポイントの数に基づいて、フレームワークは、さらに反復するかどうかを決定する。最終的な前処理されたデータは、調整されたデータとして、メモリ101内の適切なデータベースに記憶される。

システム100は、次元削減を実行することによって、調整されたデータからプロセス変数(PV(Process Variable))をさらに測定する(306)。メモリ101内の調整されたデータは、より多くの特徴を含む場合があり、それらの多くは、その後の分析において重要である/必要とされる場合もあり、そうでない場合もある。次元削減は、特徴の数を減らすために実行される。前処理されたデータ内のノイズの存在に基づいて、次元削減を実行するために、特徴選択または特徴抽出のいずれかがトリガされる。特徴選択は、データ内の様々な重要業績評価指数(KPI)の変動性および傾向を説明することができる関連する特徴を見つけるプロセスである。この段階において、機械学習方法を使用して選択された特徴を検証するための入力として、プラントからの物理的知識およびドメイン知識が使用され得る。それに加えて、いくつかの重要な特徴が機械学習/統計ベースの特徴選択技法によって見落とされた場合、システム100は、さらなる分析のためにこれらの特徴を手動で追加するために、適切なインターフェースを提供するように構成され得る。特徴抽出が選択された場合、入力データを低次元空間に変換することによって、入力データを入力パターンの異なる特性を有する特徴に変換する。特徴選択または抽出は、予測モデルが構築される必要がある特定されたKPIごとに個別にまたは共同で行われる。次元削減後の推定された特徴は、メモリ101内に記憶される。

次いで、システム100は、選択されたパラメータを、「入力変数または独立変数」と「出力変数または応答変数」の2つのグループに分類する。出力変数または応答変数は、主に、KPIまたはプロセス変数(PV)であり、これは、FGDプラントの稼働状態を表し、ひいては監視されているFGDプロセスを表す。入力変数は、操作変数(MV)および外乱変数(DV)にさらに分類される。MVは、PVにおいて望ましい効果をもたらすために、1つまたは複数のプラントオペレータによってFGDプラントの制御システム(図1には示されていない)によって調整され得る。外乱変数も、PVに影響を及ぼすが、制御または調整することができない。

次いで、システム100は、FGDプロセスに関連する複数のプロセス変数を特定する。一実施形態において、システム100は、システム100が適切なユーザインターフェースを提供することによって受信/収集し得る主題の専門家からの入力に基づいてプロセス変数を特定する。そのようなプロセス変数のいくつかの例は、限定はしないが、煙突入口二酸化硫黄(SO₂)濃度、吸収塔レベル、吸収塔pH、ブースターアップファン電力消費、塔内の石灰石スラリー濃度、および石膏転換である。この情報(プロセス変数)を使用して、システム100は、これらのPVの各々について予測モデルを構築する。

次いで、システム100は、特定されたPVの各々について、以下のステップを含む、複数の予測モデルを構築する(308)。システム100は、予測モデルを構築するために、様々な機械学習(ML)または深層学習(DL)技法を使用する。予測モデルが構築される必要がある測定されたプロセスパラメータが特定される。「n」個のプロセス変数が、PV₁、PV₂、PV₃...PV_nとして特定されていることを考慮する。それらは、煙突入口SO₂濃度、吸収塔レベル、吸収塔pH、ブースターアップファン電力消費、または任意の他のパラメータであり得る。

プロセス変数PViを選択した後、システム100は、選択されたPViに関連するすべての特徴を取得する(504)。一実施形態において、PViの各々に関連する特徴は、メモリ101を用いて構成される。次いで、システム100は、メモリ101内に記憶された前処理されたデータをフェッチする。次いで、システム100は、様々な機械学習技法を使用して、予測モデルを構築する(506)ために、取得された特徴と前処理されたデータとを使用する。たとえば、「j」個の様々な機械学習技法が特定され、次いで、合計「j」個の予測モデルがPViについて構築されることを考慮する。次いで、各PViについて構築された予測モデルは、メモリ101内の1つまたは複数のデータベース内に記憶される(508)。システム100は、予測モデルの各々の性能指標も計算し、データベース内に記憶する。システム100は、すべてのPViについて予測モデルを構築するためにこの手法を使用する。

次いで、システム100は、入力データを選択するために、ステップ308において構築された複数の予測モデルから予測モデルのうちの1つを選択する(310)。予測モデルの中からの予測モデルの選択は、以下のステップを含む。PV_isの各々について、および対応するモデルについて、システム100は、モデルの精度、堅牢性、および感度を含む、これらの予測モデルの各々の様々な性能指標を計算または取得する(602)。次いで、システム100は、予測モデルの各々について、精度、堅牢性、および感度の加重平均をとることによって合成モデルスコアを推定する(604)。プロセス変数PV_iおよび機械学習技法ML_jに対するモデルスコア(MS_ij)は、MS_ij=a_i Acc_ij+bi R_ij + ci S_ijとして計算され得る。重みa_i、b_i、c_iは、主題の専門家からのドメイン知識に基づいて決定され、精度、堅牢性、および感度の指標が選択されている。最高スコアMS_ijを有する予測モデルML_ijは、最良のモデルML_iとして選択され、最良モデル記憶ユニット内に記憶される。このプロセスは、すべてのプロセス変数PV_iに対して繰り返される。次いで、システム100は、予測モデルの各々の合成モデルスコアを他の予測モデルの各々の合成モデルスコアと比較する(606)。予測モデルの合成モデルスコアを比較することによって、システム100は、予測モデルの中で合成モデルスコアの最も高い値を有する予測モデルを、入力データを処理するための予測モデルとして特定および選択する(608)。

説明されているように、予測モデルの各々は、収集されたプラントデータから抽出された、FGDプロセスに関連する様々なタイプのパラメータにおける情報を使用して構築される。しかしながら、センサを使用してプラントデータから直接測定することができない特定のパラメータが存在する場合がある。そのようなパラメータは、「未測定パラメータ」と呼ばれる。たとえば、塔内の石灰石スラリー濃度、吸収塔内の石膏転換などの重要なプロセス変数のうちのいくつかは、特定のハードウェア制限のために測定することができない。システム100は、これらの変数を推定するために、プロセスの物理学と組み合わされた運用データを使用する。そのような推定された変数は、ソフトセンサと呼ばれる。ソフトセンサは、他の測定された変数と一貫性があるリアルタイムの推定を提供する。そのようなソフトセンサからの情報は、予測モデルにおける未測定のパラメータ/データ、すなわち直接測定することができないデータ/パラメータを補償/置換する(312)するために使用される。

ソフトセンサを生成するために使用される1つまたは複数のソフトセンサモデルは、以下の入力、すなわち塔への入口燃焼ガスの温度、圧力、濃度、および流量、塔からの出口燃焼ガスの温度、圧力、濃度、および流量、塔内に供給された新鮮な石灰石スラリーの濃度、流量、および粒子サイズ分布、ポンプを通る再循環石灰石の濃度、組成、流量、および粒子サイズ分布、すべての入口水の温度および流量、酸化のために使用された空気の温度、圧力、および流量、吸収塔からパージされた石膏の温度、濃度、組成、および流量、ならびに各ゾーンの高さおよび直径などの吸収体の寸法パラメータを取り得る。様々なデータとは別に、ソフトセンサモデルは、限定はしないが、熱伝達モデル、物質移動モデル、ならびにシミュレーションのために開発されたシステムの流体力学モデルおよび反応速度論などの、物理ベースのモデルと対話する。開発されたソフトセンサモデルは、塔内の石灰石スラリー濃度および塔内の石膏転換などの重要なプロセス変数のリアルタイム推定を与える。開発されたソフトセンサは、メモリ101内に記憶され、プロセス最適化のためにシステム100によってアクセスされ得る。未測定データのタイプに応じて、データモデルにおける未測定データを補償するために使用され得るデータ/情報を生成するために、適切なソフトセンサおよび物理ベースのモデルが使用され得る。

次いで、選択された予測モデルは、FGDプロセスの最適化を実行するために、入力データを処理するためにシステム100によって使用される。選択された予測モデルは、FGDプロセスの動作/作業をシミュレートし(402)、シミュレートされているFGDプロセスに関連する複数のプロセスパラメータを予測する。「シミュレーション」は、FGDプロセスの作業/動作を模倣する選択された予測モデルを含む。次いで、システム100は、予測されたFGDプロセスパラメータから、プラントの複数の最適な動作設定点を推定する(404)。次いで、システム100は、最適な動作設定点に基づいて、FGDプロセスにおける性能喪失を決定する(406)。さらに、決定された性能喪失に応答して、システム100は、実行されると、決定された性能喪失を解決する1つまたは複数の推奨を生成する(408)。システム100によって実行されるFGDプロセス最適化のプロセス内に含まれるステップについて、以下に説明される。

最適化は、現在の瞬間tと次の瞬間t+1との間の時間の範囲(horizon)を考慮して行われる。2つの期間の間の時間ステップは、Δt=(t+1)-tとして示される。すべての事前定義されたDVのリアルタイムでの入力がプロセス最適化のためにとられる。様々なDVは、DV₁(t)、DV₂(t)、...、DV_p(t)として示されている。ここで、tは、現在のタイムスタンプを示す。さらに、様々な予測モデルML₁、ML₂、...、ML_nが、最良モデルストレージから取得される。これらは、様々なPV、PV₁(t+1)、PV₂(t+1)、...、PV_n(t+1)を予測するために使用される。同様に、ソフトセンサ記憶ユニット内に記憶されたソフトセンサが、塔内の石灰石スラリー濃度および塔内の石膏転換のリアルタイム予測を行うために使用される。

最適化は、制約、規則、および境界によって管理される。コスト関数は、様々な手段のコスト、たとえば、石灰石のコスト、再循環ポンプによって消費される電力、ブースターアップファンによって消費される電力などをさらに考慮する。総コストが、時間範囲Δtについて計算され、これは、最適化中に最小化される。次のステップについて予測された様々なPVが、様々な動作制約を満たすために使用される。任意の制約C_iは、PV₁(t+1)、PV₂(t+1)、...、PV_n(t+1)、MV₁(t)、MV₂(t)、...、MV_m(t)の関数である。各制約C_iは、下限C_ilと上限C_iuとを有する。たとえば、プロセス変数FGDの出口SOx濃度は、Y₁ppm未満であるべきである。同様に、吸収塔の液体の高さは、設定範囲内(たとえば、L₁mよりも大きく、L₂m未満)であるべきである。同時に、プラントのよりよく円滑な動作のためにいくつかの規則が指定されている。たとえば、2つ再循環ポンプがオンになる間の時間間隔は、最低τ₀分であるべきである。

最適化の一部として、システム100は、様々なMV、すなわち、MV₁(t)、MV₂(t)、...、MV_m(t)の最適な設定点を示唆する。そのようなMVのいくつかの例は、石灰石スラリー流量、石灰石スラリー濃度、酸化のための空気流、石膏のパージ、再循環ポンプの数、およびポンプのためのスプレーの高さなどである。これらの設定点は、リアルタイムで推定され、事前定義された間隔でプラントに継続的にプッシュされる。

データを使用して開発された予測モデルは、保守活動によるプラント内の変更、機器における変更、プラントの経年変化、プラントの動作レジームにおける変更、センサの誤作動などの様々な要因により、経時劣化する場合がある。したがって、これらの予測モデルの性能を継続的に監視する必要がある。様々な予測モデルからの予測された値は、システム100によって継続的にリアルタイムセンサ値に対して検証される。モデルの各々は、選択された期間におけるその性能に基づいてヘルススコアが与えられる。予測モデルの「ヘルススコア」という用語は、予測モデルがFGDプロセスに関連する様々な動作パラメータの値を予測する精度を示し/表し、この精度は、予測された値とセンサからのリアルタイム値との間の一致率として決定され得る。予測モデルのいずれかがヘルススコアの事前定義されたしきい値未満のヘルススコアを有すると特定された場合、システム100は、ある期間にわたって収集されたデータを使用して、予測モデルが自己更新し、予測モデルを適切に修正することを可能にする自己学習手法を使用する。ここで、「修正」という用語は、予測モデルがより正確な予測を生成することを可能にする、モデルを更新するプロセスを指す。

システム100は、突然の故障および破損を起こしやすい場合があり、それが次にプラントの完全な停止につながる場合があるプラント内の1つまたは複数の機器を特定/検出するために機器監視をさらに実行する。システム100は、FGDプラント内の1つまたは複数の機器のための予測モデルを生成するために方法300を使用する。機器に対して生成された予測モデルは、「機器監視モデル」と呼ばれる場合があり、メモリ101内に記憶され得る。システム100は、機器の作業状態を評価/監視するために、監視されている機器の各々の機器監視モデルを処理する。一実施形態において、任意の機器の機器監視モデルにおけるデータは、所与の時点において、分析されると機器の様々な動作特性における情報をシステム100に提供する機器の作業/動作をシミュレートすることができる。様々な動作特性は、合わせて機器の作業状態を表すことができる。システム100は、機器の1つまたは複数の「作業モデル」をメモリ101内に記憶していてもよく、1つまたは複数の作業モデルの各々は、機器の予想される/故障のない動作を表す。機器監視モデルを作業モデルのうちの1つまたは複数と比較することによって、システム100は、1つまたは複数の作業モデルと比較して機器監視モデルにおける任意の偏差についてチェックする。偏差のしきい値を超える任意の偏差は、機器の動作不良を示す/表す場合があり、または機器が故障しやすいことを示す場合がある。任意の不具合に気づいた場合、システム100は、潜在的な機器の故障についてユーザに警告するためにアラームを生成し得る。生成されるアラームは、任意の事前設定されたタイプのものであり得る。たとえば、システム100は、システム100の通信インターフェース103に関連付けられたディスプレイインターフェース上に、特定のフォーマットのエラーメッセージを表示し得る。別の例において、(たとえば、SMSまたはMMSフォーマットにおける)メッセージが、1人または複数のユーザの個人用携帯電話に送信され得る。

システム100はまた、検出された動作不良の原因を決定するために、問題/不具合に関する根本原因分析を実行し得る。システム100はまた、機器から収集されたリアルタイムデータを処理することによって、機器/プラントの残存耐用年数(RUL)を推定し得る。システム100は、根本原因分析のため、およびRULを推定するために、任意の適切な最新式の手法を使用し得る。機器の故障の根本原因分析に基づいて、プラントの作業状態が変更されると、1つまたは複数の機器監視モデルにおける様々な条件が変更され得る。

本明細書は、当業者が実施形態を作成および使用することを可能にするために、本明細書における主題について説明している。主題の実施形態の範囲は、特許請求の範囲によって定義され、当業者に生じる他の変更を含み得る。そのような他の変更は、特許請求の範囲の文言と異ならない同様の要素を有する場合、または特許請求の範囲の文言と実質的に異ならない同等の要素を含む場合、特許請求の範囲内にあることを意図している。

本明細書における本開示の実施形態は、排煙脱硫(FGD)監視の無解決の問題に対処する。したがって、実施形態は、FGDの様々なサブシステムの作業と性能評価とをシミュレートするためのメカニズムを提供する。

保護の範囲は、そのようなプログラムに拡張され、それに加えて、その中にメッセージを有するコンピュータ可読手段に拡張されることが理解されるべきであり、そのようなコンピュータ可読記憶手段は、プログラムがサーバまたはモバイルデバイスまたは任意の適切なプログラマブルデバイス上で実行されるときに、方法の1つまたは複数のステップを実施するためのプログラムコード手段を含む。ハードウェアデバイスは、たとえば、サーバもしくはパーソナルコンピュータなど、またはそれらの任意の組合せなどの任意の種類のコンピュータを含む、プログラムされ得る任意の種類のデバイスであり得る。デバイスは、たとえば、特定用途向け集積回路(ASIC)、フィールドプログラマブルゲートアレイ(FPGA)などのハードウェア手段、またはハードウェア手段およびソフトウェア手段の組合せ、たとえば、ASICおよびFPGA、または少なくとも1つのマイクロプロセッサ、およびソフトウェア処理構成要素がその中に配置された少なくとも1つのメモリであり得る手段も含み得る。したがって、手段は、ハードウェア手段とソフトウェア手段の両方を含むことができる。本明細書で説明されている方法の実施形態は、ハードウェアおよびソフトウェアにおいて実装され得る。デバイスは、ソフトウェア手段も含み得る。代替的には、実施形態は、様々なハードウェアデバイスにおいて、たとえば、複数のCPUを使用して実装され得る。

本明細書における実施形態は、ハードウェア要素とソフトウェア要素とを備えることができる。ソフトウェアにおいて実装される実施形態は、限定はしないが、ファームウェア、常駐ソフトウェア、マイクロコードなどを含む。本明細書で説明されている様々な構成要素によって実行される機能は、他の構成要素または他の構成要素の組合せにおいて実装され得る。この説明の目的のために、コンピュータ使用可能またはコンピュータ可読媒体は、命令実行システム、装置、またはデバイスによって、またはそれらに関連して使用するためのプログラムを含む、記憶する、通信する、伝播する、または転送することができる任意の装置であり得る。

図示されているステップは、示されている例示的な実施形態を説明するために設定されており、進行中の技術開発が、特定の機能が実行される方法を変更することが予測されるべきである。これらの例は、限定ではなく、説明の目的のために本明細書で提示されている。さらに、機能的構成要素の境界は、説明の便宜上、本明細書では任意に定義されている。指定された機能およびそれらの関係が適切に実行される限り、代替の境界が定義され得る。代替案(本明細書で説明されているものの同等物、拡張物、変形物、逸脱物などを含む)は、本明細書に包含される教示に基づいて、当業者には明らかであろう。そのような代替案は、開示されている実施形態の範囲内に入る。また、単語「備える」、「有する」、「包含する」および「含む」、ならびに他の類似の形は、意味において同等であり、これらの単語の任意の1つに続く項目がそのような項目の網羅的なリストであることを意味せず、またはリストされた項目のみに限定されることを意味しない点において自由であることが意図されている。本明細書および添付の特許請求の範囲で使用される場合、単数形「a」、「an」、および「the」は、文脈が明らかに他のことを示さない限り、複数形の参照を含むことも留意されるべきである。

さらに、本開示と一致する実施形態を実装する際に、1つまたは複数のコンピュータ可読記憶媒体が利用され得る。コンピュータ可読記憶媒体は、プロセッサによって読み取り可能な情報またはデータが記憶され得る任意のタイプの物理メモリを指す。したがって、コンピュータ可読記憶媒体は、プロセッサに本明細書で説明されている実施形態と一致するステップまたはステージを実行させるための命令を含む、1つまたは複数のプロセッサによる実行のための命令を記憶し得る。「コンピュータ可読媒体」という用語は、有形のアイテムを含み、搬送波および過渡的な信号を除外する、すなわち非一時的であると理解されるべきである。例は、ランダムアクセスメモリ(RAM)、読み取り専用メモリ(ROM)、揮発性メモリ、不揮発性メモリ、ハードドライブ、CD ROM、DVD、フラッシュドライブ、ディスク、および任意の他の公知の物理記憶媒体を含む。

本開示および例は、例示のみとして考慮され、開示されている実施形態の真の範囲は、以下の特許請求の範囲によって示されることが意図されている。

100 システム
101 メモリ
102 ハードウェアプロセッサ
103 通信インターフェース
216 FGD自動化システム
218 FGDデータソース
202 FGDプロセス
220 サーバ
222 リアルタイムプロセス最適化モジュール
224 オフラインシミュレーションモジュール
226 モデルリポジトリ
228 知識データベース
230 静的および動的データベース

Claims (12)

1. 排煙脱硫(FGD)プロセスの最適化のためのプロセッサ実装方法であって、
   1つまたは複数のハードウェアプロセッサを介して、入力データとして、監視されているFGDプラントから複数のプラントデータを収集するステップと、
   前記入力データを前処理するステップであって、前記1つまたは複数のハードウェアプロセッサを介して前記入力データから1つまたは複数の不要な構成要素を削除するステップを含む、ステップと、
   前記1つまたは複数のハードウェアプロセッサを介して、前記前処理された入力データに対して次元削減を実行するステップであって、
   特徴選択を実行するステップであって、前記特徴選択が、前記前処理された入力データから、前記FGDプロセスの複数の重要業績評価指数(KPI)の各々に影響を与える複数の特徴を特定するステップを含み、前記複数のKPIが、煙突入口二酸化硫黄(SO ₂ )濃度、吸収塔レベル、吸収塔pH、ブースターアップファン電力消費、塔内の石灰石スラリー濃度、および石膏転換である、ステップと、
   特徴抽出を実行することによって前記複数の特徴を抽出するステップであって、前記特徴抽出が、前記入力データを入力パターンの異なる特性を有する前記複数の特徴に変換するステップを含む、ステップと
   を含む、ステップと、
   前記1つまたは複数のハードウェアプロセッサを介して、KPIごとに、前記抽出された複数の特徴に基づいて複数の予測モデルを生成するステップと、
   前記1つまたは複数のハードウェアプロセッサを介して、前記入力データを処理するための予測モデルとして、前記複数の予測モデルのうちの1つを選択するステップであって、前記複数の予測モデルから前記予測モデルを選択するステップが、
   前記複数の予測モデルの様々な性能指標の値を計算するステップと、
   所与のテストデータセットについて、前記複数の予測モデルの各々の合成モデルスコアを推定するステップと、
   前記複数の予測モデルの各々の前記推定された合成モデルスコアを、他の予測モデルの各々の推定された合成モデルスコアと比較するステップと、
   前記入力データを処理するための前記予測モデルとして、前記複数の予測モデルの中で前記合成モデルスコアの最も高い値を有する予測モデルを選択するステップと
   を含む、ステップと、
   前記1つまたは複数のハードウェアプロセッサを介して、1つまたは複数のソフトセンサを使用して生成された情報を使用して、前記選択された予測モデルの1つまたは複数の未測定パラメータを補償するステップと、
   前記1つまたは複数のハードウェアプロセッサを介して前記FGDプロセスの前記最適化を実行するステップであって、
   前記選択された予測モデルを使用して前記FGDプロセスの動作をシミュレートするステップであって、前記選択された予測モデルによって複数のFGDプロセスパラメータを予測するステップを含む、ステップと、
   前記予測された複数のFGDプロセスパラメータから複数の最適な動作設定点を推定するステップと、
   前記推定された複数の最適な動作設定点に基づいて、前記FGDプロセスにおける少なくとも1つの性能喪失を決定するステップと、
   前記決定された少なくとも1つの性能喪失に応答して、前記FGDプロセスを最適化するための少なくとも1つの推奨を生成するステップと
   を含む、ステップと
   を含む、プロセッサ実装方法。
2. 前記選択された予測モデルが、前記FGDプロセスの動作をシミュレートしながら複数のFGDプロセスパラメータを生成する、請求項1に記載のプロセッサ実装方法。
3. 前記選択された予測モデルの性能が検証され、前記方法が、
   前記選択された予測モデルについて、前記複数のFGDプロセスパラメータの予測における誤差を推定するステップと、
   前記複数のFGDプロセスパラメータの予測における前記推定された誤差に基づいて、前記選択された予測モデルのヘルススコアを計算するステップと、
   前記計算されたヘルススコアをヘルススコアのしきい値と比較するステップと、
   前記計算されたヘルススコアが前記しきい値ヘルススコアを超えた場合、前記選択された予測モデルを修正するステップと
   を含む、請求項1に記載のプロセッサ実装方法。
4. 前記予測モデルのうちの1つまたは複数を使用して機器監視が実行され、
   前記1つまたは複数のハードウェアプロセッサを介して、少なくとも1つの機器の少なくとも1つの予測モデルからのデータに基づいて、前記FGDプロセス内の前記少なくとも1つの機器を動作不良について監視するステップと、
   前記1つまたは複数のハードウェアプロセッサを介して、前記動作不良の少なくとも1つのインスタンスが検出された場合、アラームを生成するステップと、
   前記1つまたは複数のハードウェアプロセッサを介して、前記機器の前記検出された動作不良の少なくとも1つの原因を決定するために根本原因分析を実行するステップと、
   前記1つまたは複数のハードウェアプロセッサを介して、前記機器の残存耐用年数(RUL)を推定するステップと
   を含む、請求項1に記載の方法。
5. 排煙脱硫(FGD)プロセスの最適化のためのシステムであって、
   1つまたは複数のハードウェアプロセッサと、
   通信インターフェースと、
   複数の命令を記憶するメモリとを備え、前記複数の命令が、実行されると、前記1つまたは複数のハードウェアプロセッサに、
   入力データとして、監視されているFGDプロセスから複数のプラントデータを収集することと、
   前記入力データから1つまたは複数の不要な構成要素を削除することによって、前記入力データを前処理することと、
   前処理された入力データに対して次元削減を実行することであって、
   特徴選択を実行することであって、前記特徴選択が、前記前処理された入力データから、前記FGDプロセスの複数の重要業績評価指数(KPI)の各々に影響を与える複数の特徴を特定することを含み、前記複数のKPIが、煙突入口二酸化硫黄(SO ₂ )濃度、吸収塔レベル、吸収塔pH、ブースターアップファン電力消費、塔内の石灰石スラリー濃度、および石膏転換である、特徴選択を実行すること、および
   特徴抽出を実行することによって前記複数の特徴を抽出することであって、前記特徴抽出が、前記入力データを入力パターンの異なる特性を有する前記複数の特徴に変換することを含む、前記複数の特徴を抽出すること
   を含む、次元削減を実行することと、
   KPIごとに、前記抽出された複数の特徴に基づいて複数の予測モデルを生成することと、
   前記入力データを処理するための予測モデルとして、前記複数の予測モデルのうちの1つを選択することであって、
   所与のテストデータセットについて、前記複数の予測モデルの各々の性能値を推定し、
   前記複数の予測モデルの各々の前記推定された性能値を、他の予測モデルの各々の推定された合成モデルスコアと比較し、
   前記入力データを処理するための前記予測モデルとして、前記複数の予測モデルの中で前記合成モデルスコアの最も高い値を有する予測モデルを選択する
   ことによって、前記複数の予測モデルから前記予測モデルを選択することと、
   1つまたは複数のソフトセンサを使用して生成された情報を使用して、前記選択された予測モデルの1つまたは複数の未測定パラメータを補償することと、
   前記FGDプロセスの前記最適化を実行することであって、
   前記選択された予測モデルを使用して前記FGDプロセスの動作をシミュレートすることであって、前記選択された予測モデルによって複数のFGDプロセスパラメータを予測することを含む、シミュレートすること、
   前記予測された複数のFGDプロセスパラメータから複数の最適な動作設定点を推定すること、
   前記推定された複数の最適な動作設定点に基づいて、前記FGDプロセスにおける少なくとも1つの性能喪失を決定すること、および
   前記決定された少なくとも1つの性能喪失に応答して、前記FGDプロセスを最適化するための少なくとも1つの推奨を生成すること
   を含む、前記最適化を実行することと
   を実行させる、システム。
6. 前記システムが、前記選択された予測モデルを使用して前記FGDプロセスの前記動作をシミュレートしながら複数のFGDプロセスパラメータを生成する、請求項5に記載のシステム。
7. 前記システムが、
   前記選択された予測モデルについて、前記複数のFGDプロセスパラメータの予測における誤差を推定し、
   前記複数のFGDプロセスパラメータの予測における前記推定された誤差に基づいて、前記選択された予測モデルのヘルススコアを計算し、
   前記計算されたヘルススコアをしきい値ヘルススコアと比較し、
   前記計算されたヘルススコアが前記しきい値ヘルススコアを超えた場合、前記選択された予測モデルを修正する
   ことによって、前記選択された予測モデルの性能を検証する、請求項5に記載のシステム。
8. 前記システムが、
   前記1つまたは複数のハードウェアプロセッサを介して、少なくとも1つの機器の少なくとも1つの予測モデルにおけるデータに基づいて、前記FGDプロセス内の前記少なくとも1つの機器を動作不良について監視し、
   前記1つまたは複数のハードウェアプロセッサを介して、前記動作不良の少なくとも1つのインスタンスが検出された場合、アラームを生成し、
   前記1つまたは複数のハードウェアプロセッサを介して、前記機器の前記検出された動作不良の少なくとも1つの原因を決定するために根本原因分析を実行し、
   前記1つまたは複数のハードウェアプロセッサを介して、前記機器の残存耐用年数(RUL)を推定する
   ことによって、前記予測モデルのうちの1つまたは複数を使用して機器監視を実行する、請求項5に記載のシステム。
9. 排煙脱硫(FGD)プロセスの最適化のための非一時的コンピュータ可読媒体であって、前記非一時的コンピュータ可読媒体が、
   1つまたは複数のハードウェアプロセッサを介して、入力データとして、監視されているFGDプラントから複数のプラントデータを収集することと、
   前記入力データを前処理することであって、前記1つまたは複数のハードウェアプロセッサを介して前記入力データから1つまたは複数の不要な構成要素を削除することを含む、前処理することと、
   前記1つまたは複数のハードウェアプロセッサを介して、前記前処理された入力データに対して次元削減を実行することであって、
   特徴選択を実行することであって、前記特徴選択が、前記前処理された入力データから、前記FGDプロセスの複数の重要業績評価指数(KPI)の各々に影響を与える複数の特徴を特定することを含み、前記複数のKPIが、煙突入口二酸化硫黄(SO ₂ )濃度、吸収塔レベル、吸収塔pH、ブースターアップファン電力消費、塔内の石灰石スラリー濃度、および石膏転換である、特徴選択を実行すること、および
   特徴抽出を実行することによって前記複数の特徴を抽出すること
   を含む、次元削減を実行することと、
   前記1つまたは複数のハードウェアプロセッサを介して、KPIごとに、前記抽出された複数の特徴に基づいて複数の予測モデルを生成することと、
   前記1つまたは複数のハードウェアプロセッサを介して、前記入力データを処理するための予測モデルとして、前記複数の予測モデルのうちの1つを選択することであって、前記複数の予測モデルから前記予測モデルを選択することが、
   前記複数の予測モデルの様々な性能指標の値を計算することと、
   所与のテストデータセットについて、前記複数の予測モデルの各々の合成モデルスコアを推定することと、
   前記複数の予測モデルの各々の前記推定された合成モデルスコアを、他の予測モデルの各々の推定された合成モデルスコアと比較することと、
   前記入力データを処理するための前記予測モデルとして、前記複数の予測モデルの中で前記合成モデルスコアの最も高い値を有する予測モデルを選択することと
   を含む、前記複数の予測モデルのうちの1つを選択することと、
   前記1つまたは複数のハードウェアプロセッサを介して、1つまたは複数のソフトセンサを使用して生成された情報を使用して、前記選択された予測モデルの1つまたは複数の未測定パラメータを補償することと、
   前記1つまたは複数のハードウェアプロセッサを介して前記FGDプロセスの前記最適化を実行することであって、
   前記選択された予測モデルを使用して前記FGDプロセスの動作をシミュレートすることであって、前記選択された予測モデルによって複数のFGDプロセスパラメータを予測する動作を含む、シミュレートすること、
   前記予測された複数のFGDプロセスパラメータから複数の最適な動作設定点を推定すること、
   前記推定された複数の最適な動作設定点に基づいて、前記FGDプロセスにおける少なくとも1つの性能喪失を決定すること、および
   前記決定された少なくとも1つの性能喪失に応答して、前記FGDプロセスを最適化するための少なくとも1つの推奨を生成すること
   を含む、前記最適化を実行することと
   によって、前記FGDプロセスの最適化を実行する、非一時的コンピュータ可読媒体。
10. 前記選択された予測モデルが、前記FGDプロセスの動作をシミュレートしながら複数のFGDプロセスパラメータを生成する、請求項9に記載の非一時的コンピュータ可読媒体。
11. 前記選択された予測モデルの性能が検証され、
    前記選択された予測モデルについて、前記複数のFGDプロセスパラメータの予測における誤差を推定することと、
    前記複数のFGDプロセスパラメータの予測における前記推定された誤差に基づいて、前記選択された予測モデルのヘルススコアを計算することと、
    前記計算されたヘルススコアをヘルススコアのしきい値と比較することと、
    前記計算されたヘルススコアが前記しきい値ヘルススコアを超えた場合、前記選択された予測モデルを修正することと
    を含む、請求項9に記載の非一時的コンピュータ可読媒体。
12. 前記予測モデルのうちの1つまたは複数を使用して機器監視が実行され、
    前記1つまたは複数のハードウェアプロセッサを介して、少なくとも1つの機器の少なくとも1つの予測モデルからのデータに基づいて、前記FGDプロセス内の前記少なくとも1つの機器を動作不良について監視することと、
    前記1つまたは複数のハードウェアプロセッサを介して、前記動作不良の少なくとも1つのインスタンスが検出された場合、アラームを生成することと、
    前記1つまたは複数のハードウェアプロセッサを介して、前記機器の前記検出された動作不良の少なくとも1つの原因を決定するために根本原因分析を実行することと、
    前記1つまたは複数のハードウェアプロセッサを介して、前記機器の残存耐用年数(RUL)を推定することと
    を含む、請求項9に記載の非一時的コンピュータ可読媒体。

Images