JP7392895B1

JP7392895B1 - 運転支援装置、運転支援方法及びプログラム

Info

Publication number: JP7392895B1
Application number: JP2023106030A
Authority: JP
Inventors: 智志桐生; 聡鈴木; 馨新井
Original assignee: Fuji Electric Co Ltd
Current assignee: Fuji Electric Co Ltd
Priority date: 2023-06-28
Filing date: 2023-06-28
Publication date: 2023-12-06
Anticipated expiration: 2043-06-28

Abstract

【課題】異常から正常に戻すための最適な操作を短時間で得ることができる技術を提供すること。【解決手段】本開示の一態様による運転装置は、制御対象の運転データと、異常診断モデルとを用いて、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ための最適化問題を定式化する定式化部と、前記最適な操作を計算する操作量計算部と、前記最適な操作を所定の出力先に出力する出力部と、を有し、前記定式化部は、前記制御対象を正常に戻すための操作の大きさと、前記制御対象の正常時における過去の運転データを表す正常データの分布からの外れ度合いとを最小化する最適化問題であって、かつ、前記正常データと前記操作後の運転データとの距離が、前記操作後の運転データの最近傍の正常データと前記操作後の運転データとの距離以上となることを表す第１の制約条件を含む最適化問題を定式化する。【選択図】図１

Description

本開示は、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を対象として、異常やその兆候等が診断又は検知されたときに、正常時における過去の運転データを考慮して異常から正常に戻すための最適な操作を計算する技術が従来から知られている（特許文献１）。この従来技術では、データ分布を考慮したＣＥ（ＤＡＣＥ：Distribution-Aware Counterfactual Explanation）と呼ばれる手法を利用している（非特許文献１）。

特許第７１０３５３９号公報

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)

しかしながら、非特許文献１では最適な操作を求めるための最適化問題を定式化する際に多くの時間を要する場合があり、その結果、最適な操作を得るまでに多くの時間を要することがある。

本開示は、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短時間で得ることができる技術を提供する。

本開示の一態様による運転装置は、制御対象の運転データと、異常診断モデルとを用いて、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ための最適化問題を定式化する定式化部と、前記最適化問題を解くことにより、前記最適な操作を計算する操作量計算部と、前記最適な操作を所定の出力先に出力する出力部と、を有し、前記定式化部は、前記制御対象を正常に戻すための操作の大きさと、前記制御対象の正常時における過去の運転データを表す正常データの分布からの外れ度合いとを最小化する最適化問題であって、かつ、前記正常データと前記操作後の運転データとの距離が、前記操作後の運転データの最近傍の正常データと前記操作後の運転データとの距離以上となることを表す第１の制約条件を含む最適化問題を定式化する。

異常から正常に戻すための最適な操作を短時間で得ることができる技術が提供される。

最適操作の計算の一例を模式的に示す図である。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。従来手法と提案手法の計算時間の比較例を示す図である。

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当該プラントを正常に戻すための最適な操作を短時間でオペレータに提示できるプラント制御システム１について説明する。以下では、異常又はその兆候等をまとめて「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「異常等の発生有無を診断する」又は単に「異常等を診断する」ということにする。

＜問題設定＞
プラントの運転データをｘとする。プラントの運転データは一般に多変量データであるため、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Ｄとして、ｘ＝（ｘ_１，・・・，ｘ_Ｄ）と表す。また、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ｘ^（ｐ）と表す。なお、プロセスの状態としては、例えば、温度、圧力、流量、ガス濃度等が挙げられ、これらはプラントに設置等された各種センサによって計測される。状態変数ｘ_１，・・・，ｘ_Ｄ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。）。

また、異常診断モデルをＨ（・）で表し、Ｈ（ｘ^（ｐ））＝＋１のときプラントは正常（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。ここで、異常診断モデルとは、プラント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、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。

このとき、Ｈ（ｘ^（ｐ））＝－１であると診断されたときに、正常時におけるプラントの過去の運転データ（以下、「過去の正常データ」又は単に「正常データ」ともいう。）の分布を考慮してＨ（ｘ^（ｐ）＋ａ）＝＋１を満たす最適な操作量ａを計算することが目的である。なお、ａ＝（ａ_１，・・・，ａ_Ｄ）と表されるため、以下、各ａ_ｄ（ｄ＝１，・・・，Ｄ）を操作変数とも呼ぶことにする。

＜従来手法の定式化＞
非特許文献１や参考文献１等に記載されている従来手法では、離散的な値（離散値）が設定される各操作変数ａ_ｄ（ｄ＝１，・・・，Ｄ）に関してその操作変数ａ_ｄに設定し得る値（つまり、状態変数ｘ_ｄの変更の大きさを表す変更量）の集合が与えられる。以下、操作変数ａ_ｄに設定し得る変更量の総数をＩ_ｄ、ｉ番目の変更量をΔａ_ｄ，ｉとする。なお、各変更量Δａ_ｄ，ｉとしては、例えば、｛（Δａ_１，ｉ，・・・，Δａ_Ｄ，ｉ）｜ｉ＝１，・・・，Ｉ_ｄ｝がＤ次元空間内における所定の間隔の格子点の集合となるようなものを与えること等が考えられる。ただし、例えば、或る操作変数ａ_ｄが操作できない場合、その操作変数ａ_ｄの変更量はすべてのｉ＝１，・・・，Ｉ_ｄに対してΔａ_ｄ，ｉ＝０であるものとする。

なお、連続値が設定される操作変数ａ_ｄが存在する場合には、その連続値を離散化した上で定式化を行えばよい。ただし、操作変数ａ_ｄに離散値が設定されることは必須ではなく、例えば、各操作変数ａ_ｄの全部又は一部は連続値が設定されるものであってもよい。

このとき、従来手法では、目的関数をｄ（ａ）＋λｑ_ｋ（ｘ^（ｐ）＋ａ｜Ｘ）、制約条件を以下の式（１）～式（４）として最適化問題を定式化し、この目的関数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．式（１）～式（４）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、ｄ（・）は距離関数（例えば、ユークリッド距離やマハラノビス距離等）、Ｘは過去の正常データの集合、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。

また、π_ｄ，ｉは操作変数ａ_ｄにｉ番目の変更量Δａ_ｄ，ｉを設定するか否かを表すバイナリ変数、ｖ_ｎはｎ番目の正常データが操作後の運転データＱ：＝ｘ^（ｐ）＋ａの最近傍点になるか否かを表すバイナリ変数を表す。また、ｃ_ｄ，ｉ ^ｎは、操作変数ａ_ｄにｉ番目の変更量Δａ_ｄ，ｉを設定したときにおける操作後の運転データＱ＝ｘ^（ｐ）＋ａの状態変数ｘ_ｄの値と、ｎ番目の正常データの状態変数ｘ_ｄの値との間の距離を表す。更に、Ｃ_ｎは十分に大きな値を表す。ただし、π_ｄ，ｉは、π_ｄ，ｉ＝１のとき操作変数ａ_ｄにｉ番目の変更量Δａ_ｄ，ｉを設定することを表し、π_ｄ，ｉ＝０のとき操作変数ａ_ｄにｉ番目の変更量Δａ_ｄ，ｉを設定しないことを表すものとする。同様に、ｖ_ｎは、ｖ_ｎ＝１のときｎ番目の正常データが操作後の運転データＱの最近傍点であることを表し、ｖ_ｎ＝０のときｎ番目の正常データが操作後の運転データＱの最近傍点でないことを表すものとする。

一例として、Ｄ＝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１に示す。図１に示す例では、過去の正常データの密度も考慮して、操作量の距離（言い換えれば、操作量の大きさ）ができるだけ小さく、かつ、操作後の運転データＱ＝ｘ^（ｐ）＋ａの近傍の密度ができるだけ高く（つまり、外れ値度ｑ_ｋ（ｘ^（ｐ）＋ａ｜Ｘ）ができるだけ小さく）なるように最適な操作量ａが計算される。

しかしながら、従来手法では最適化問題の定式化に多くの時間を要する場合がある。具体的には、上記の式（２）に示す制約条件を定式化するにはＮの２乗に比例する時間が必要になるため、Ｎ（つまり、過去の正常データ数）が大きい場合には最適化問題の定式化に多くの時間を要する。このため、Ｎが大きい場合、従来手法では、異常診断モデルＨ（・）によって異常等が診断された後、最適な操作量ａがオペレータに提示されるまでに時間を要し、異常回避又は異常復旧を適切に行うことができない。

そこで、以下では、上記の式（２）～（３）に示す制約条件の代わりに、それと等価な制約条件によって最適化問題を定式化する。

＜提案手法の定式化＞
本提案手法では式（２）～（３）をより短時間で定式化できる制約条件に修正する。

具体的には、まず、操作後の運転データＱ＝ｘ^（ｐ）＋ａとその最近傍点となる正常データとの間の距離を表す変数ｄ^ｍｉｎを導入し、以下の式（５）で定義する。

すなわち、操作後の運転データＱとその最近傍点となるｎ番目の正常データとの距離ｃ_ｄ，ｉ ^ｎをｖ_ｎ及びπ_ｄ，ｉを含む形で表現し、これをｄ^ｍｉｎとする。

また、操作変数ａ_ｄにｉ番目の変更量Δａ_ｄ，ｉを設定したときにおける操作後の運転データＱ＝ｘ^（ｐ）＋ａの状態変数ｘ_ｄの値と、ｎ番目の正常データの状態変数ｘ_ｄの値との間の距離を表す変数ｄ^ｎを導入し、以下の式（６）で定義する。

すなわち、操作変数ａ_ｄにｉ番目の変更量Δａ_ｄ，ｉを設定したときにおける操作後の運転データＱ＝ｘ^（ｐ）＋ａの状態変数ｘ_ｄの値とｎ番目の正常データの状態変数ｘ_ｄの値との間の距離をπ_ｄ，ｉを含む形で表現し、これをｄ^ｎとする。

更に、以下の式（７）を満たすことを要請する。

すなわち、過去のすべての正常データ数に対してｄ^ｍｉｎ≦ｄ^ｎを満たすことを要請する。

そして、上記の式（２）～（３）の代わりに、上記の式（５）～式（７）を最適化計画問題の制約条件として定式化する。すなわち、Ｍｉｎ_ａｄ（ａ）＋λｑ_ｋ（ｘ^（ｐ）＋ａ｜Ｘ）ｓ．ｔ．式（１）、式（４）、式（５）～式（７）という最適化問題を定式化し、これを解くことにより最適な操作量ａを計算する。

本提案手法では、従来手法とは異なり、最適な操作量ａを求めるための最適化問題の制約条件をＮに比例する時間で定式化することができる。このため、Ｎが大きい場合であっても、従来手法と比較して短時間で定式化することが可能となり、その結果、最適な操作量ａをオペレータに短時間で提示し、異常回避又は異常復旧を迅速に行うことができるようになる。

なお、Ｍｉｎ_ａｄ（ａ）＋λｑ_ｋ（ｘ^（ｐ）＋ａ｜Ｘ）ｓ．ｔ．式（１）、式（４）、式（５）～式（７）という最適化問題は、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。

また、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。

＜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２に示す。図２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の異常等の発生有無を診断する。また、運転支援装置１０は、プラント３０の異常等が診断された場合、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。

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２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、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）等の各種演算装置である。

なお、図３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４に示す。図４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、定式化部２０３と、操作量計算部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、データベース２０６を有する。データベース２０６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（つまり、診断対象データｘ^（ｐ））を制御装置２０から取得（入力）する。

異常診断部２０２は、データベース２０６に格納されている異常診断モデルＨと、入力部２０１によって取得された診断対象データｘ^（ｐ）とを用いて、プラント３０における異常等の発生有無を診断する。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Ｈ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。

定式化部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、Ｍｉｎ_ａｄ（ａ）＋λｑ_ｋ（ｘ^（ｐ）＋ａ｜Ｘ）ｓ．ｔ．式（１）、式（４）、式（５）～式（７）という最適化問題を定式化する。

操作量計算部２０４は、定式化部２０３によって定式化された最適化問題を解くことにより、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２０４は、Ｍｉｎ_ａｄ（ａ）＋λｑ_ｋ（ｘ^（ｐ）＋ａ｜Ｘ）ｓ．ｔ．式（１）、式（４）、式（５）～式（７）という最適化問題を解くことにより、最適な操作量ａを計算する。

出力部２０５は、操作量計算部２０４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２０６は、異常診断モデルＨと過去の正常データの集合Ｘとを含む各種データを格納する。

＜運転支援処理＞
以下、本実施形態に係る運転支援処理について、図５を参照しながら説明する。なお、図５のステップＳ１０１～ステップＳ１０６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２０６に格納されている異常診断モデルＨ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における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、定式化部２０３は、Ｍｉｎ_ａｄ（ａ）＋λｑ_ｋ（ｘ^（ｐ）＋ａ｜Ｘ）ｓ．ｔ．式（１）、式（４）、式（５）～式（７）という最適化問題を定式化する。

ステップＳ１０５：次に、操作量計算部２０４は、上記のステップＳ１０４で定式化された最適化問題を解くことにより、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２０４は、Ｍｉｎ_ａｄ（ａ）＋λｑ_ｋ（ｘ^（ｐ）＋ａ｜Ｘ）ｓ．ｔ．式（１）、式（４）、式（５）～式（７）という最適化問題を解くことにより、最適な操作量ａを計算する。

ステップＳ１０６：出力部２０５は、上記のステップＳ１０５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。

＜従来手法と提案手法の計算時間の比較＞
ここで、従来手法と提案手法の計算時間について、図６を参照しながら説明する。図６は、正常データ数Ｎを横軸、最適化問題を解くのに要した計算時間〔ｓ〕を縦軸として、従来手法と提案手法のそれぞれで正常データ数Ｎと計算時間との関係をプロットしたグラフである。

このとき、横軸をｘ、縦軸をｙとすれば、従来手法における正常データ数Ｎと計算時間との関係はｙ＝０．００６８ｘ^２－０．２５６ｘ＋８．８２９９という二次式で近似された。一方で、提案手法では、における正常データ数Ｎと計算時間との関係はｙ＝０．３０５４ｘ－１６．０３２という１次式で近似できた。また、Ｎ＝５００のときを比較すると、提案手法では、従来手法と比較して、計算時間を１４．２倍高速化できた。

これにより、提案手法は、従来手法と比較して、計算時間を削減（特に、正常データ数Ｎが多い場合には大幅に削減）できることがわかる。

＜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ａを計算することができる。しかも、このとき、本実施形態に係る運転支援装置１０は、最適な操作量ａを求めるための最適化問題を従来手法によりも短時間で定式化することができる。このため、本実施形態に係る運転支援装置１０によれば、最適な操作量ａをオペレータに短時間で提示することが可能となり、迅速な異常回避又は異常復旧を実現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ａ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。

＜変形例＞
上記の実施形態では、プラント３０に異常等が発生したと診断された場合に当該プラント３０を異常から正常に戻すための最適な操作量ａを計算したが、これに加えて、その操作量ａに含まれる各要素ａ_ｄ（ｄ＝１，・・・，Ｄ）の操作順も計算してもよい。ここで、操作順とは、操作量ａ＝（ａ_１，・・・，ａ_Ｄ）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、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_Ｄ）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、本変形例では、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１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）＋γＣ_ｏｒｄ（ａ，σ｜Ｄ）、制約条件を式（１）、式（４）、式（５）～式（７）として、目的関数を最小化する操作量ａ及び写像σを計算する。すなわち、Ｍｉｎ_ａ，σｄ（ａ）＋λｑ_ｋ（ｘ^（ｐ）＋ａ｜Ｘ）＋γＣ_ｏｒｄ（ａ，σ｜Ｄ）ｓ．ｔ．式（１）、式（４）、式（５）～式（７）という最適化問題を定式化し、これを解くことにより最適な操作量ａと写像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。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。

なお、Ｍｉｎ_ａ，σｄ（ａ）＋λｑ_ｋ（ｘ^（ｐ）＋ａ｜Ｘ）＋γＣ_ｏｒｄ（ａ，σ｜Ｄ）ｓ．ｔ．式（１）、式（４）、式（５）～式（７）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、本変形例を用いる場合、図５のステップＳ１０６では最適な操作量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。

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：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
１０５ＲＡＭ
１０６ＲＯＭ
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定式化部
２０４操作量計算部
２０５出力部
２０６データベース

Claims

制御対象の運転データと、異常診断モデルとを用いて、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ための最適化問題を定式化する定式化部と、
前記最適化問題を解くことにより、前記最適な操作を計算する操作量計算部と、
前記最適な操作を所定の出力先に出力する出力部と、
を有し、
前記定式化部は、
前記制御対象を正常に戻すための操作の大きさと、前記制御対象の正常時における過去の運転データを表す正常データの分布からの外れ度合いとを最小化する最適化問題であって、かつ、前記正常データの数Ｎに比例する計算時間で定式化可能な制約条件のみを含む最適化問題を定式化し、
前記制約条件には、前記正常データと前記操作後の運転データとの距離が、前記操作後の運転データの最近傍の正常データと前記操作後の運転データとの距離以上となることを表す第１の制約条件が含まれ、
前記第１の制約条件は、
前記操作の操作量をａ＝（ａ _１，・・・，ａ _Ｄ）、π _ｄ，ｉをａ _ｄにｉ番目の変更量を設定するか否かを表すバイナリ変数、ｖ _ｎをｎ番目の正常データが前記操作後の運転データの最近傍であるか否かを表すバイナリ変数、ｃ _ｄ，ｉ ^ｎをａ _ｄにｉ番目の変更量を設定したときにおける前記操作後の運転データのｄ番目の状態変数の値とｎ番目の正常データのｄ番目の状態変数の値との距離としたとき、
前記最近傍の正常データと前記操作後の運転データとの距離ｄ ^ｍｉｎをｖ _ｎｃ _ｄ，ｉ ^ｎ π _ｄ，ｉのｉ＝１，・・・，Ｉ _ｄ（ただし、Ｉ _ｄはａ _ｄに設定可能な変更量の数）、ｄ＝１，・・・，Ｄ、及びｎ＝１，・・・，Ｎに関する和、ｎ番目の正常データと前記操作後の運転データとの距離ｄ ^ｎをｃ _ｄ，ｉ ^ｎ π _ｄ，ｉのｉ＝１，・・・，Ｉ _ｄ及びｄ＝１，・・・，Ｄに関する和として、ｄ ^ｍｉｎ ≦ｄ ^ｎ（ｎ＝１，・・・，Ｎ）と表される、運転支援装置。
前記制約条件には、
前記操作後の運転データを前記異常診断モデルに入力したときに正常と診断されることを表す第２の制約条件と、
前記バイナリ変数ｖ_１，・・・，ｖ_Ｎのうち、前記操作後の運転データの最近傍であることを表すバイナリ変数は１つのみであることを表す第３の制約条件と、が更に含まれる、請求項１に記載の運転支援装置。
前記定式化部は、
前記第１の制約条件、前記第２の制約条件、及び前記第３の制約条件の下で、ｄ（ａ）＋λｑ_ｋ（ｘ^（ｐ）＋ａ｜Ｘ）（ただし、ｄ（・）は距離関数、ｘ^（ｐ）は前記運転データ、ｑ_ｋ（ｘ^（ｐ）＋ａ｜Ｘ）は前記正常データの集合Ｘが与えられたときのｘ^（ｐ）＋ａの外れ値、λは重みパラメータ）を最小化する操作量ａを求める問題を前記最適化問題として定式化する、請求項２に記載の運転支援装置。
前記定式化部は、
前記操作量ａの各要素ａ_ｄが表す操作の操作順を更に求める問題を前記最適化問題として定式化する、請求項１乃至３の何れか一項に記載の運転支援装置。
制御対象の運転データと、異常診断モデルとを用いて、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、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ための最適化問題を定式化する定式化手順と、
前記最適化問題を解くことにより、前記最適な操作を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し、
前記定式化手順は、
前記制御対象を正常に戻すための操作の大きさと、前記制御対象の正常時における過去の運転データを表す正常データの分布からの外れ度合いとを最小化する最適化問題であって、かつ、前記正常データの数Ｎに比例する計算時間で定式化可能な制約条件のみを含む最適化問題を定式化し、
前記制約条件には、前記正常データと前記操作後の運転データとの距離が、前記操作後の運転データの最近傍の正常データと前記操作後の運転データとの距離以上となることを表す第１の制約条件が含まれ、
前記第１の制約条件は、
前記操作の操作量をａ＝（ａ _１，・・・，ａ _Ｄ）、π _ｄ，ｉをａ _ｄにｉ番目の変更量を設定するか否かを表すバイナリ変数、ｖ _ｎをｎ番目の正常データが前記操作後の運転データの最近傍であるか否かを表すバイナリ変数、ｃ _ｄ，ｉ ^ｎをａ _ｄにｉ番目の変更量を設定したときにおける前記操作後の運転データのｄ番目の状態変数の値とｎ番目の正常データのｄ番目の状態変数の値との距離としたとき、
前記最近傍の正常データと前記操作後の運転データとの距離ｄ ^ｍｉｎをｖ _ｎｃ _ｄ，ｉ ^ｎ π _ｄ，ｉのｉ＝１，・・・，Ｉ _ｄ（ただし、Ｉ _ｄはａ _ｄに設定可能な変更量の数）、ｄ＝１，・・・，Ｄ、及びｎ＝１，・・・，Ｎに関する和、ｎ番目の正常データと前記操作後の運転データとの距離ｄ ^ｎをｃ _ｄ，ｉ ^ｎ π _ｄ，ｉのｉ＝１，・・・，Ｉ _ｄ及びｄ＝１，・・・，Ｄに関する和として、ｄ ^ｍｉｎ ≦ｄ ^ｎ（ｎ＝１，・・・，Ｎ）と表される、運転支援方法。
制御対象の運転データと、異常診断モデルとを用いて、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、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ための最適化問題を定式化する定式化手順と、
前記最適化問題を解くことにより、前記最適な操作を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、
前記定式化手順は、
前記制御対象を正常に戻すための操作の大きさと、前記制御対象の正常時における過去の運転データを表す正常データの分布からの外れ度合いとを最小化する最適化問題であって、かつ、前記正常データの数Ｎに比例する計算時間で定式化可能な制約条件のみを含む最適化問題を定式化し、
前記制約条件には、前記正常データと前記操作後の運転データとの距離が、前記操作後の運転データの最近傍の正常データと前記操作後の運転データとの距離以上となることを表す第１の制約条件が含まれ、
前記第１の制約条件は、
前記操作の操作量をａ＝（ａ _１，・・・，ａ _Ｄ）、π _ｄ，ｉをａ _ｄにｉ番目の変更量を設定するか否かを表すバイナリ変数、ｖ _ｎをｎ番目の正常データが前記操作後の運転データの最近傍であるか否かを表すバイナリ変数、ｃ _ｄ，ｉ ^ｎをａ _ｄにｉ番目の変更量を設定したときにおける前記操作後の運転データのｄ番目の状態変数の値とｎ番目の正常データのｄ番目の状態変数の値との距離としたとき、
前記最近傍の正常データと前記操作後の運転データとの距離ｄ ^ｍｉｎをｖ _ｎｃ _ｄ，ｉ ^ｎ π _ｄ，ｉのｉ＝１，・・・，Ｉ _ｄ（ただし、Ｉ _ｄはａ _ｄに設定可能な変更量の数）、ｄ＝１，・・・，Ｄ、及びｎ＝１，・・・，Ｎに関する和、ｎ番目の正常データと前記操作後の運転データとの距離ｄ ^ｎをｃ _ｄ，ｉ ^ｎ π _ｄ，ｉのｉ＝１，・・・，Ｉ _ｄ及びｄ＝１，・・・，Ｄに関する和として、ｄ ^ｍｉｎ ≦ｄ ^ｎ（ｎ＝１，・・・，Ｎ）と表される、プログラム。