JP7371805B1 - 運転支援装置、運転支援方法及びプログラム - Google Patents
運転支援装置、運転支援方法及びプログラム Download PDFInfo
- Publication number
- JP7371805B1 JP7371805B1 JP2023093787A JP2023093787A JP7371805B1 JP 7371805 B1 JP7371805 B1 JP 7371805B1 JP 2023093787 A JP2023093787 A JP 2023093787A JP 2023093787 A JP2023093787 A JP 2023093787A JP 7371805 B1 JP7371805 B1 JP 7371805B1
- Authority
- JP
- Japan
- Prior art keywords
- scenario
- value
- variable
- prediction error
- target
- 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 43
- 230000007613 environmental effect Effects 0.000 claims abstract description 24
- 238000010276 construction Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 6
- 238000009826 distribution Methods 0.000 description 22
- 238000004891 communication Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
Description
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。
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、シミュレータ構築部202と、予測誤差幅推定モデル構築部203と、操作変数シナリオ作成部204と、状態変数シナリオ作成部205と、予測誤差幅シナリオ作成部206と、最適化部207と、出力部208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209を有する。記憶部209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209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。
yj (err_lower)=fj(x(t),z(t))+μj (i')-kσj (i') (2)
ここで、μj (i')は決定木gjにx(t),z(t)を入力したときにx(t),z(t)が属するターミナルノードi'の予測誤差yj (err)の平均、σj (i')は決定木gjにx(t),z(t)を入力したときにx(t),z(t)が属するターミナルノードi'の予測誤差yj (err)の標準偏差である。また、kはパーセント点であり、その値は予め設定される。これにより、予測誤差幅dyj:=yj (err_upper)-yj (err_lower)が得られる。
以下、運転シナリオ作成フェーズで実行される運転シナリオ作成処理について、図3を参照しながら説明する。なお、運転シナリオ作成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。
α〔%〕を予め決められた値とする。このとき、x(n)に対して±α〔%〕だけ加算したもの(つまり、x(n)+(x(n)×α)とx(n)-(x(n)×α))を計算する。そして、n=1,・・・,Nに対して、x(n)、x(n)+(x(n)×α)、x(n)-(x(n)×α))をそれぞれ操作変数シナリオとする。この作成方法では、例えば、1つの操作変数実績値x(n)から2つの操作変数値が得られるため、S=N+2N=3Nとなる。これにより、N個の操作変数実績値x(n)の分布領域から乖離しない操作変数シナリオ(つまり、各操作変数が取り得る値や操作変数間で実行可能な組み合わせ等を考慮して、対象を実際に運転可能な操作変数値)を得ることができる。
操作変数実績値間の相関を考慮することが可能な多次元正規乱数を用いる。多次元正規乱数とは、多次元正規分布に従う乱数のことである。Σを操作変数実績値{x(n)|n=1,・・・,N}の分散共分散行列、μを操作変数実績値{x(n)|n=1,・・・,N}の平均ベクトル、Cを下三角行列、Rを標準正規乱数(標準正規分布に従う乱数)とする。このとき、以下により操作変数シナリオx(s)を生成する。
Σ=C・Cτ
ここで、τは行列の転置を表す。なお、Σ=C・CτとなるCは、Σは正定値である場合はコレスキー分解により求めることができる。
N個の操作変数実績値{x(n)|n=1,・・・,N}の分布に近い分布を持つデータを生成することが可能な生成モデルを用いる。すなわち、この生成モデルにより、任意のS個の操作変数シナリオx(s)(s=1,・・・,S)を生成する。このような生成モデルは、例えば、GAN(Generative Adversarial Network)等といった手法により構築することができる。これにより、上記の作成方法その2と同様に、N個の操作変数実績値x(n)の分布領域から乖離しない操作変数シナリオを得ることができる。
以下、運転支援フェーズで実行される最適操作量算出処理について、図7を参照しながら説明する。なお、最適操作量算出処理は、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=t0の環境変数値z(t0)が対象から取得され、記憶部209に記憶されているものとする。また、以下では、M個の運転シナリオ集合{{(x(s),zm,y(s),dy(s))|s=1,・・・,S}|m=1,・・・,M}が記憶部209に記憶されているものとする。
以上のように、本実施形態に係る運転支援装置10は、対象の実際の運転データ(実績データ)を利用してシミュレータfの予測誤差幅(つまり、シミュレータfの不確実性)を考慮した運転シナリオを作成し、その運転シナリオにより対象の最適な運転を支援することができる。したがって、例えば、プラント等の対象のオペレータ等は、シミュレータfの不確実性も考慮された最適な操作量により当該対象の最適な運転を実現す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 シミュレータ構築部
203 予測誤差幅推定モデル構築部
204 操作変数シナリオ作成部
205 状態変数シナリオ作成部
206 予測誤差幅シナリオ作成部
207 最適化部
208 出力部
209 記憶部
Claims (7)
- 対象から収集した複数の実績データを用いて、前記対象の操作変数の値と前記対象の環境変数の値とを入力として前記対象の状態変数の値を予測するシミュレータを構築するシミュレータ構築部と、
前記複数の実績データを用いて、前記シミュレータによって前記状態変数の値を予測したときの不確実性を表す予測誤差幅を推定する予測誤差幅推定モデルを構築する予測誤差幅推定モデル構築部と、
前記実績データに含まれる操作変数の値を用いて、前記対象で実現可能な操作変数の値を表す操作変数シナリオを作成する第1のシナリオ作成部と、
前記シミュレータと、前記操作変数シナリオと、与えられた環境変数の所定値とを用いて、前記操作変数シナリオに含まれる前記操作変数の値と前記環境変数の所定値とを前記シミュレータに入力することで予測した状態変数の値を前記操作変数シナリオに対応付けた状態変数シナリオを作成する第2のシナリオ作成部と、
前記予測誤差幅推定モデルと、前記状態変数シナリオとを用いて、前記状態変数シナリオに含まれる状態変数の値の不確実性を表す予測誤差幅を前記状態変数シナリオに対応付けた予測誤差幅シナリオを作成する第3のシナリオ作成部と、
前記環境変数の所定値と前記状態変数の目標値とが与えられたときに、前記予測誤差幅シナリオを用いて、前記予測誤差幅シナリオに含まれる操作変数の値のうち、前記予測誤差幅が小さく、かつ、前記対象の状態変数の値が前記目標値に近付く値を操作変数最適値として算出する最適化部と、
を有する運転支援装置。 - 前記予測誤差幅推定モデルは、前記シミュレータによる状態変数の値の予測誤差を推定する決定木が含まれるモデルである、請求項1に記載の運転支援装置。
- 前記予測誤差幅推定モデルは、
前記シミュレータによる状態変数の値と、前記決定木のターミナルノードのうち、前記シミュレータに入力された操作変数の値と環境変数の値が属するターミナルノードの統計量とを用いて、前記予測誤差幅を推定するモデルである、請求項2に記載の運転支援装置。 - 前記統計量は、前記ターミナルノードに属する予測誤差の平均及び標準偏差である、請求項3に記載の運転支援装置。
- 前記最適化部は、
前記予測誤差幅シナリオに含まれる操作変数の値のうち、前記予測誤差幅の絶対値と、前記対象の状態変数の値と前記目標値との差の絶対値との和が最小となる値を前記操作変数最適値として算出する、請求項1乃至4の何れか一項に記載の運転支援装置。 - 対象から収集した複数の実績データを用いて、前記対象の操作変数の値と前記対象の環境変数の値とを入力として前記対象の状態変数の値を予測するシミュレータを構築するシミュレータ構築手順と、
前記複数の実績データを用いて、前記シミュレータによって前記状態変数の値を予測したときの不確実性を表す予測誤差幅を推定する予測誤差幅推定モデルを構築する予測誤差幅推定モデル構築手順と、
前記実績データに含まれる操作変数の値を用いて、前記対象で実現可能な操作変数の値を表す操作変数シナリオを作成する第1のシナリオ作成手順と、
前記シミュレータと、前記操作変数シナリオと、与えられた環境変数の所定値とを用いて、前記操作変数シナリオに含まれる前記操作変数の値と前記環境変数の所定値とを前記シミュレータに入力することで予測した状態変数の値を前記操作変数シナリオに対応付けた状態変数シナリオを作成する第2のシナリオ作成手順と、
前記予測誤差幅推定モデルと、前記状態変数シナリオとを用いて、前記状態変数シナリオに含まれる状態変数の値の不確実性を表す予測誤差幅を前記状態変数シナリオに対応付けた予測誤差幅シナリオを作成する第3のシナリオ作成手順と、
前記環境変数の所定値と前記状態変数の目標値とが与えられたときに、前記予測誤差幅シナリオを用いて、前記予測誤差幅シナリオに含まれる操作変数の値のうち、前記予測誤差幅が小さく、かつ、前記対象の状態変数の値が前記目標値に近付く値を操作変数最適値として算出する最適化手順と、
をコンピュータが実行する運転支援方法。 - 対象から収集した複数の実績データを用いて、前記対象の操作変数の値と前記対象の環境変数の値とを入力として前記対象の状態変数の値を予測するシミュレータを構築するシミュレータ構築手順と、
前記複数の実績データを用いて、前記シミュレータによって前記状態変数の値を予測したときの不確実性を表す予測誤差幅を推定する予測誤差幅推定モデルを構築する予測誤差幅推定モデル構築手順と、
前記実績データに含まれる操作変数の値を用いて、前記対象で実現可能な操作変数の値を表す操作変数シナリオを作成する第1のシナリオ作成手順と、
前記シミュレータと、前記操作変数シナリオと、与えられた環境変数の所定値とを用いて、前記操作変数シナリオに含まれる前記操作変数の値と前記環境変数の所定値とを前記シミュレータに入力することで予測した状態変数の値を前記操作変数シナリオに対応付けた状態変数シナリオを作成する第2のシナリオ作成手順と、
前記予測誤差幅推定モデルと、前記状態変数シナリオとを用いて、前記状態変数シナリオに含まれる状態変数の値の不確実性を表す予測誤差幅を前記状態変数シナリオに対応付けた予測誤差幅シナリオを作成する第3のシナリオ作成手順と、
前記環境変数の所定値と前記状態変数の目標値とが与えられたときに、前記予測誤差幅シナリオを用いて、前記予測誤差幅シナリオに含まれる操作変数の値のうち、前記予測誤差幅が小さく、かつ、前記対象の状態変数の値が前記目標値に近付く値を操作変数最適値として算出する最適化手順と、
をコンピュータに実行させるプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023093787A JP7371805B1 (ja) | 2023-06-07 | 2023-06-07 | 運転支援装置、運転支援方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023093787A JP7371805B1 (ja) | 2023-06-07 | 2023-06-07 | 運転支援装置、運転支援方法及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP7371805B1 true JP7371805B1 (ja) | 2023-10-31 |
Family
ID=88509968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023093787A Active JP7371805B1 (ja) | 2023-06-07 | 2023-06-07 | 運転支援装置、運転支援方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7371805B1 (ja) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017010436A (ja) * | 2015-06-25 | 2017-01-12 | 富士電機株式会社 | 誤差幅推定装置、誤差幅推定システム、誤差幅推定方法及びプログラム |
WO2021240905A1 (en) * | 2020-05-29 | 2021-12-02 | Mitsubishi Electric Corporation | Nonlinear optimization method for stochastic predictive control |
JP7081728B1 (ja) * | 2022-01-20 | 2022-06-07 | 富士電機株式会社 | 運転支援装置、運転支援方法及びプログラム |
JP7088427B1 (ja) * | 2022-01-20 | 2022-06-21 | 富士電機株式会社 | 運転支援装置、運転支援方法及びプログラム |
JP7207596B1 (ja) * | 2022-06-16 | 2023-01-18 | 富士電機株式会社 | 運転支援装置、運転支援方法及びプログラム |
-
2023
- 2023-06-07 JP JP2023093787A patent/JP7371805B1/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017010436A (ja) * | 2015-06-25 | 2017-01-12 | 富士電機株式会社 | 誤差幅推定装置、誤差幅推定システム、誤差幅推定方法及びプログラム |
WO2021240905A1 (en) * | 2020-05-29 | 2021-12-02 | Mitsubishi Electric Corporation | Nonlinear optimization method for stochastic predictive control |
JP7081728B1 (ja) * | 2022-01-20 | 2022-06-07 | 富士電機株式会社 | 運転支援装置、運転支援方法及びプログラム |
JP7088427B1 (ja) * | 2022-01-20 | 2022-06-21 | 富士電機株式会社 | 運転支援装置、運転支援方法及びプログラム |
JP7207596B1 (ja) * | 2022-06-16 | 2023-01-18 | 富士電機株式会社 | 運転支援装置、運転支援方法及びプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gokhale et al. | Physics informed neural networks for control oriented thermal modeling of buildings | |
JP7207596B1 (ja) | 運転支援装置、運転支援方法及びプログラム | |
Zapater et al. | Runtime data center temperature prediction using Grammatical Evolution techniques | |
Zeng et al. | A regularized SNPOM for stable parameter estimation of RBF-AR (X) model | |
Alfred | A genetic-based backpropagation neural network for forecasting in time-series data | |
JP6730340B2 (ja) | 因果推定装置、因果推定方法、及びプログラム | |
JP7057761B2 (ja) | 計算機システム及び情報の提示方法 | |
Bryan et al. | Integrating predictive analytics into a spatiotemporal epidemic simulation | |
Krishna | An integrated approach for weather forecasting based on data mining and forecasting analysis | |
JP7119820B2 (ja) | 予測プログラム、予測方法および学習装置 | |
JP7371805B1 (ja) | 運転支援装置、運転支援方法及びプログラム | |
JP7088427B1 (ja) | 運転支援装置、運転支援方法及びプログラム | |
Zhuang et al. | Semi-supervised variational autoencoders for regression: application to soft sensors | |
WO2020003374A1 (ja) | 学習装置、情報処理システム、学習方法、および学習プログラム | |
Dan et al. | Application of machine learning in forecasting energy usage of building design | |
Sirin et al. | Batch Mode TD ($\lambda $) for Controlling Partially Observable Gene Regulatory Networks | |
JP2017539027A (ja) | 物理システムの経時変化プロファイリングエンジン | |
Eren | Forecasting of the fuzzy univariate time series by the optimal lagged regression structure determined based on the genetic algorithm | |
Zhang | Anomaly detecting and ranking of the cloud computing platform by multi-view learning | |
Ninagawa | AI time series control system modelling | |
Shaik et al. | Integrating Random Forest and Support Vector Regression Models for Optimized Energy Consumption Evaluation in Cloud Computing Data Centers | |
van Huijgevoort et al. | Direct data-driven signal temporal logic control of linear systems | |
Ji et al. | Data preprocessing method and fault diagnosis based on evaluation function of information contribution degree | |
JP7327623B1 (ja) | 予測装置、予測方法及びプログラム | |
KR20190120729A (ko) | 빅데이터 기계학습을 이용한 시스템 모델링방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230607 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230607 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230704 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230801 |
|
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: 20230919 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231002 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7371805 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |