JP7327623B1 - 予測装置、予測方法及びプログラム - Google Patents
予測装置、予測方法及びプログラム Download PDFInfo
- Publication number
- JP7327623B1 JP7327623B1 JP2022176246A JP2022176246A JP7327623B1 JP 7327623 B1 JP7327623 B1 JP 7327623B1 JP 2022176246 A JP2022176246 A JP 2022176246A JP 2022176246 A JP2022176246 A JP 2022176246A JP 7327623 B1 JP7327623 B1 JP 7327623B1
- Authority
- JP
- Japan
- Prior art keywords
- variable
- value
- learning
- prediction
- predicted
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000007613 environmental effect Effects 0.000 claims abstract description 39
- 238000012937 correction Methods 0.000 claims abstract description 27
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 10
- 238000013500 data storage Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
Description
本実施形態に係るプラント状態予測装置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、本実施形態に係るプラント状態予測装置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。
本実施形態に係るプラント状態予測装置10の機能構成例を図2に示す。図2に示すように、本実施形態に係るプラント状態予測装置10は、入力部201と、第1の予測モデル学習部202と、第2の予測モデル学習部203と、予測部204と、出力部205とを有する。これら各部は、例えば、プラント状態予測装置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、本実施形態に係るプラント状態予測装置10は、実績データ記憶部206と、第1の予測モデル記憶部207と、第2の予測モデル記憶部208とを有する。これら各部は、例えば、補助記憶装置107等により実現される。ただし、実績データ記憶部206、第1の予測モデル記憶部207及び第2の予測モデル記憶部208の少なくとも1つが、プラント状態予測装置10と通信ネットワークを介して接続される記憶装置(例えば、データベースサーバ等)により実現されていてもよい。
以下、モデル学習フェーズで実行されるモデル学習処理について、図3を参照しながら説明する。なお、モデル学習処理は一般にプラント等の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。
以下、予測フェーズで実行される予測処理について、図4を参照しながら説明する。なお、予測処理は、例えば、制御周期Δt毎に繰り返し実行される。
以下、本実施形態に係るプラント状態予測装置10の評価について説明する。
ここで、cは、z1=1のときは5、z2=1のときは0、z3=1のときは-5とした。
以上のように、本実施形態に係るプラント状態予測装置10では、プラント状態を予測する第1の予測モデルfと、第1の予測モデルの学習誤差を予測する第2の予測モデルgとを学習した上で、第2の予測モデルgが予測した学習誤差に基づく補正量を用いて、第1の予測モデルfの予測結果を補正する。これにより、精度の良い予測値を高速に得ることが可能となる。
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 第1の予測モデル学習部
203 第2の予測モデル学習部
204 予測部
205 出力部
206 実績データ記憶部
207 第1の予測モデル記憶部
208 第2の予測モデル記憶部
Claims (7)
- 対象の過去の運転実績データを学習データとして、前記学習データに基づいて、前記対象の状態を表す状態変数を目的変数、前記対象に対する操作を表す操作変数と前記対象の環境を表す環境変数とを説明変数として、前記操作変数と前記環境変数から前記状態変数を予測する第1の予測モデルを学習するように構成されている第1の学習部と、
前記学習データに基づいて、前記第1の学習部によって学習された学習済み第1の予測モデルに対して前記学習データに含まれる操作変数の値及び環境変数の値を入力したときの状態変数の予測値と前記学習データに含まれる状態変数の値との誤差を表す学習誤差を目的変数、前記操作変数と前記環境変数とを説明変数として、前記操作変数と前記環境変数から前記学習誤差を予測する第2の予測モデルを学習するように構成されている第2の学習部と、
前記操作変数の値と前記環境変数の値とが与えられたときに、前記操作変数の値と前記環境変数の値から前記学習済み第1の予測モデルによって予測した前記状態変数の予測値を、前記操作変数の値と前記環境変数の値から、前記第2の学習部によって学習された学習済み第2の予測モデルによって予測した前記学習誤差の予測値に基づく補正量により補正し、前記状態変数の補正後の予測値を算出するように構成されている予測部と、
を有し、
前記学習済み第2の予測モデルは、決定木を含む木構造を用いる学習済みモデルであり、
前記予測部は、
前記操作変数の値と前記環境変数の値を、前記木構造を用いる学習済みモデルに入力したときに、前記操作変数の値と前記環境変数の値が分類される終端ノードに属する前記学習誤差の値の統計量を、前記学習誤差の予測値として算出するように構成されている、予測装置。 - 前記予測部は、
前記状態変数の予測値に対して前記補正量を加算することで、前記状態変数の補正後の予測値を算出するように構成されている請求項1に記載の予測装置。 - 前記予測部は、
前記学習誤差の予測値を前記補正量とするように構成されている請求項1又は2に記載の予測装置。 - 前記統計量は、前記操作変数の値と前記環境変数の値が分類される終端ノードに属する前記学習誤差の値の平均値である、請求項3に記載の予測装置。
- 前記予測部は、
前記操作変数の値と前記環境変数の値が分類される終端ノードに属する前記学習誤差の値のうち、前記学習誤差の絶対値が大きい順に上位所定の数の前記学習誤差の値を除いた上で、前記終端ノードに属する前記学習誤差の値の平均値を算出するように構成されている請求項4に記載の予測装置。 - 対象の過去の運転実績データを学習データとして、前記学習データに基づいて、前記対象の状態を表す状態変数を目的変数、前記対象に対する操作を表す操作変数と前記対象の環境を表す環境変数とを説明変数として、前記操作変数と前記環境変数から前記状態変数を予測する第1の予測モデルを学習する第1の学習手順と、
前記学習データに基づいて、前記第1の学習手順によって学習された学習済み第1の予測モデルに対して前記学習データに含まれる操作変数の値及び環境変数の値を入力したときの状態変数の予測値と前記学習データに含まれる状態変数の値との誤差を表す学習誤差を目的変数、前記操作変数と前記環境変数とを説明変数として、前記操作変数と前記環境変数から前記学習誤差を予測する第2の予測モデルを学習する第2の学習手順と、
前記操作変数の値と前記環境変数の値とが与えられたときに、前記操作変数の値と前記環境変数の値から前記学習済み第1の予測モデルによって予測した前記状態変数の予測値を、前記操作変数の値と前記環境変数の値から、前記第2の学習手順によって学習された学習済み第2の予測モデルによって予測した前記学習誤差の予測値に基づく補正量により補正し、前記状態変数の補正後の予測値を算出する予測手順と、
をコンピュータが実行し、
前記学習済み第2の予測モデルは、決定木を含む木構造を用いる学習済みモデルであり、
前記予測手順は、
前記操作変数の値と前記環境変数の値を、前記木構造を用いる学習済みモデルに入力したときに、前記操作変数の値と前記環境変数の値が分類される終端ノードに属する前記学習誤差の値の統計量を、前記学習誤差の予測値として算出する、予測方法。 - 対象の過去の運転実績データを学習データとして、前記学習データに基づいて、前記対象の状態を表す状態変数を目的変数、前記対象に対する操作を表す操作変数と前記対象の環境を表す環境変数とを説明変数として、前記操作変数と前記環境変数から前記状態変数を予測する第1の予測モデルを学習する第1の学習手順と、
前記学習データに基づいて、前記第1の学習手順によって学習された学習済み第1の予測モデルに対して前記学習データに含まれる操作変数の値及び環境変数の値を入力したときの状態変数の予測値と前記学習データに含まれる状態変数の値との誤差を表す学習誤差を目的変数、前記操作変数と前記環境変数とを説明変数として、前記操作変数と前記環境変数から前記学習誤差を予測する第2の予測モデルを学習する第2の学習手順と、
前記操作変数の値と前記環境変数の値とが与えられたときに、前記操作変数の値と前記環境変数の値から前記学習済み第1の予測モデルによって予測した前記状態変数の予測値を、前記操作変数の値と前記環境変数の値から、前記第2の学習手順によって学習された学習済み第2の予測モデルによって予測した前記学習誤差の予測値に基づく補正量により補正し、前記状態変数の補正後の予測値を算出する予測手順と、
をコンピュータに実行させ、
前記学習済み第2の予測モデルは、決定木を含む木構造を用いる学習済みモデルであり、
前記予測手順は、
前記操作変数の値と前記環境変数の値を、前記木構造を用いる学習済みモデルに入力したときに、前記操作変数の値と前記環境変数の値が分類される終端ノードに属する前記学習誤差の値の統計量を、前記学習誤差の予測値として算出する、プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022176246A JP7327623B1 (ja) | 2022-11-02 | 2022-11-02 | 予測装置、予測方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022176246A JP7327623B1 (ja) | 2022-11-02 | 2022-11-02 | 予測装置、予測方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7327623B1 true JP7327623B1 (ja) | 2023-08-16 |
JP2024066678A JP2024066678A (ja) | 2024-05-16 |
Family
ID=87562991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022176246A Active JP7327623B1 (ja) | 2022-11-02 | 2022-11-02 | 予測装置、予測方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7327623B1 (ja) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021141637A (ja) | 2020-03-02 | 2021-09-16 | 富士電機株式会社 | 情報処理装置、情報処理方法及びプログラム |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6492555B2 (ja) * | 2014-11-07 | 2019-04-03 | 株式会社Ihi | 異常診断方法、異常診断装置及び異常診断プログラム |
JP7143148B2 (ja) * | 2018-08-23 | 2022-09-28 | 三菱重工業株式会社 | 予測装置、予測方法、及びプログラム |
-
2022
- 2022-11-02 JP JP2022176246A patent/JP7327623B1/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021141637A (ja) | 2020-03-02 | 2021-09-16 | 富士電機株式会社 | 情報処理装置、情報処理方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2024066678A (ja) | 2024-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180136617A1 (en) | Systems and methods for continuously modeling industrial asset performance | |
KR102042165B1 (ko) | 미세먼지의 농도 예측 방법 및 장치 | |
TW202232356A (zh) | 用於訓練強化學習模型以為高爐熱控制提供操作指令的計算機實施的方法和對應的計算機系統 | |
JP7081728B1 (ja) | 運転支援装置、運転支援方法及びプログラム | |
US20210090552A1 (en) | Learning apparatus, speech recognition rank estimating apparatus, methods thereof, and program | |
CN113033861A (zh) | 一种基于时间序列模型的水质预测方法及系统 | |
JP7207596B1 (ja) | 運転支援装置、運転支援方法及びプログラム | |
WO2022009010A1 (en) | Model fidelity monitoring and regeneration for manufacturing process decision support | |
CN116594601A (zh) | 一种基于知识库和多步提示的预训练大模型代码生成方法 | |
Osman et al. | Soft Sensor Modeling of Key Effluent Parameters in Wastewater Treatment Process Based on SAE‐NN | |
CN115062528A (zh) | 一种针对工业过程时序数据的预测方法 | |
Lee et al. | A dynamic regret analysis and adaptive regularization algorithm for on-policy robot imitation learning | |
CN113537614A (zh) | 电网工程造价预测模型的构建方法、系统、设备及介质 | |
JP7327623B1 (ja) | 予測装置、予測方法及びプログラム | |
Zhang et al. | An online transfer kernel recursive algorithm for soft sensor modeling with variable working conditions | |
JP7088427B1 (ja) | 運転支援装置、運転支援方法及びプログラム | |
KR101967524B1 (ko) | 커널 회귀 모델을 통하여 시변 신호를 검증하는 온라인 검증 장치 및 방법 | |
JP2022163293A (ja) | 運用支援装置、運用支援方法及びプログラム | |
JP7525032B1 (ja) | 性能評価装置、性能評価方法、及びプログラム | |
JP7371805B1 (ja) | 運転支援装置、運転支援方法及びプログラム | |
JP2021135683A (ja) | 学習装置、推論装置、学習方法及び推論方法 | |
JP7384311B1 (ja) | 運転支援装置、運転支援方法及びプログラム | |
EP4296800A1 (en) | Estimation apparatus, estimation method, and estimation program | |
CN112015081B (zh) | Siso紧格式无模型控制器基于pso-lstm协同算法的参数自整定方法 | |
EP4283412A1 (en) | Model selection apparatus, model selection method, and model selection program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221102 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20221102 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230104 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230201 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230404 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230510 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230704 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230717 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7327623 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |