JP7474208B2 - 運転支援装置、運転支援方法および運転支援プログラム - Google Patents

Description

本発明は、各種機器、プラント、システム（以下、単に機器という）の操作を支援する運転支援装置、運転支援方法、および運転支援プログラムに関する。

近年、ＩＣＴ（Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ ）、ＩｏＴ（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇ）の技術革新に伴い、高速な計算機やネットワーク通信、大容量なデータ保存装置を利用できる環境が整いつつある。多くの産業分野で大量に蓄積したデータの利活用に注目が集まるなか、機器の計測データや点検・保全データなどの現地サイトで収集したデータと、企業の経営及び資産情報を管理するシステムの統合により、重要業績評価指標を改善する運用が求められている。

例えば、発電事業の分野では、風力発電や太陽光発電などの再生可能エネルギーの利用増加に伴う発電量の変動が電力系統の安定性を低下させるという懸念から、バックアップ電源としての火力発電プラントの重要性が増している。また、火力発電プラントは負荷調整としての役割だけでなく、ベースロード電源としての役割も担っており、効率、環境性能、稼働率などの運用性能を考慮した運用が求められている。

係る火力発電プラントの運用性能を改善するため、特許文献１には環境性能である窒素酸化物濃度、一酸化炭素濃度を低減させる制御装置が開示されている。特許文献１に記載された技術によれば、プラントの特性を模擬するモデルと、このモデルを対象に最適な操作方法を学習する学習手段を組み合わせて、操作信号を生成する。この技術を用いることで、操作条件を最適値に移動させることができる。ここで、操作条件とは操作信号の生成に用いる値である。

特開２００９－１２８９７２号公報

火力発電プラントでは、火力発電プラント内各所の各種の状態量（運転データ）を計測し、この計測データを用いた処理を実行する。具体的な例で述べると火力発電プラントでは、石炭を燃焼した際に発生する灰が熱交換器、炉壁に付着すると、伝熱の特性が変化し、熱吸収量が低下する。また、熱交換器に付着した灰は、スートブロワ（蒸気噴射）により除去している。

然るに、灰付着の状況を前記の計測した火力発電プラント内の各所の各種の状態量（運転データ）のみから把握するのが難しい。さらには、伝熱特性の変化、熱吸収量低下によりヒートバランスが変化する、あるいはスートブロワにより蒸気を使用すると、一時的には効率が低下するという問題がある。

他方、各種機器の監視場面において、カメラを用いることが従来から行われている。例えば機器が火力発電プラントであればバーナの燃焼状態を撮影して監視することが行われている。然るに従来のカメラ監視は、取得画像の時系列的な変化分に着目して燃焼状態を監視するものである。また火力発電プラントの各所でカメラによる監視が行われているが、これらは当該撮影場所の監視に用いられるのみであって、異なる場所で撮影された画像間での関係性に着目したものではない。

なお特許文献１あるいは監視カメラの適用の技術は、火力発電プラントのみならず、一般的な機器に適用可能であることは言うまでもない。

以上のことから本発明においては、機器を制御装置により運転するにあたり、機器の各部状態を監視する複数カメラからの画像情報を利用して有効なガイダンスを与えることを可能とする運転支援装置、運転支援方法および運転支援プログラムを提供することを目的とする。

以上のことから本発明においては、「機器をカメラで撮影した画像データを入手し、画像データを用いた最適制御アルゴリズムにより機器の運転に関するガイダンスを与える運転支援装置であって、最適制御アルゴリズムは、画像データを特徴量として数値化して用いるとともに、画像データは機器の異なる場所、時間に撮影した画像データであることを特徴とする運転支援装置。」としたものである。

また本発明においては、「機器をカメラで撮影した画像データを用いた最適制御アルゴリズムにより機器の運転に関するガイダンスを与える運転支援方法であって、最適制御アルゴリズムは、画像データを特徴量として数値化して用いるとともに、画像データは機器の異なる場所、時間に撮影した画像データであることを特徴とする運転支援方法。
」としたものである。

また本発明においては、「機器の複数個所をカメラで撮影した複数の画像データを用いて機器の運転に関するガイダンスを与える運転支援プログラムであって、数値化した特徴量とした画像データに基づいて状態を認識する状態認識プログラムと、数値化した特徴量として他の画像データに基づいて状態を評価し評価値を得る状態評価プログラムと、評価値が最大となる状態に遷移するための行動を学習する学習プログラムを含むことを特徴とする運転支援プログラム。」としたものである。

本発明によれば、機器を制御装置により運転するにあたり、機器の各部状態を監視する複数カメラからの画像情報を利用して有効なガイダンスを与えることができる。

例えば本発明の火力発電プラントへの適用により、灰付着の状況を、画像データに基づき把握し、そして、灰付着量の増加幅が大きくならないように、燃焼状態を制御することができる。すなわち、各部状態を監視する複数カメラからの画像情報として、燃焼領域の画像データと、灰付着状況の画像データを関連付けして学習し、所望の灰付着状況になるような燃焼状態になるように、空気流量のバランスを制御できる。また、灰が付着している所を局所的にスートブロワすることにより、不必要な所へのスートブロワをなくして、消費する蒸気量を減らすことが可能となる。上記により、ボイラプラントの効率を向上できる有効なガイダンスを与えることができる。

本発明の実施例に係る運転支援装置の構成例を説明するブロック図。 本発明の実施例に係る運転支援装置の動作を説明するフローチャート。 運転データデータベースＤＢ１１に保存される運転データＤ１１の例を示す図。 画像データデータベースＤＢ２に保存される画像データＤ１２の例を示す図。 特に画像データＤ１２について前処理手段４０の処理動作例を説明する図。 データ収録周期が異なる時の前処理手段４０の動作を説明する図。 画像データＤ１２から特徴量を抽出した結果を示す図。 学習手段７０に含まれるモデルとしてニューラルネットワークモデルを示す図。 ニューラルネットワークモデルの入力と出力の関係を示す図。 学習手段７０を動作させた結果例を示す図。 図１の機器１９として、石炭火力プラントを用いた場合の構成例を示す図。 ボイラ１０１の燃焼領域であるバーナ１０２の近辺をカメラ７１ａにより撮影した画像データＤ１２ａの一例を示す図。 ボイラ１０１の熱交換器１０６の近辺をカメラ７１ｂにより撮影した画像データＤ１２ｂの一例を示す図。 状態認識手段６００にて燃焼領域の画像データＤ１２ａを処理して抽出した特徴量の例を示す図。 状態評価手段にて熱交換器１０６の画像データＤ１２ｂを処理して抽出した特徴量の例を示す図。 機器として石炭火力プラントを用いた場合の学習手段７００の動作内容を説明するフローチャート。 機器として石炭火力プラントを用いた場合の学習結果を説明する図。

以下、本発明の実施例について図面を参照して説明する。

図１は、本発明の実施例に係る運転支援装置２０およびこれに関連する装置の構成例を説明するブロック図である。本実施例では、運転支援装置２０は制御装置１８や制御対象である機器１９を含む対象装置１０、及び外部装置９０と接続されている。

図１の運転支援装置２０は、一般には計算機装置（コンピュータ）により構成されている。つまり、ＣＰＵの如き演算装置が最適制御アルゴリズムを実現するためのプログラムに従って各種処理機能を実行する。その演算装置における処理機能（最適制御アルゴリズム）を模式的に示すならば、前処理手段４０、状態評価手段５０、状態認識手段６０、学習手段７０、行動決定手段８０、ならびにこれらの処理機能を動作させる運転支援装置動作制御手段２５を備えたものということができる。なお、本実施例で説明する各プログラムについては、ネットワーク経由で各装置に配信したり、記憶媒体に格納されて配布したりすることが可能である。運転支援装置２０における各部の動作である処理機能の詳細については、図２以降で説明する。なお、上述した各手段は、ハードウェアとしても実現できる。ここで、本実施例では、各構成要素を「～手段」と表現しているが、「～部」「～ユニット」などとその表現は問わない。

運転支援装置２０は、データベースＤＢとして計測信号データベースＤＢ１、処理結果データベースＤＢ２を備える。計測信号データベースＤＢ１には、運転データデータベースＤＢ１１、画像データデータベースＤＢ１２（ＤＢ１２ａ、ＤＢ１２ｂ、ＤＢ１２ｎ）が備えられている。各データベースＤＢには、電子化された情報が保存されており、通常電子ファイル（電子データ）と呼ばれる形態で情報が保存される。尚、これらデータベースＤＢについては、運転支援装置２０の外部に設け、ネットワークを介して接続可能な構成でもよい。

また、運転支援装置２０は、外部とのインターフェイスとして外部入力インターフェイス２１及び外部出力インターフェイス２２を備える。そして、運転操作支援装置２０は、これらを介して、適用対象である対象装置１０、及び外部装置９０に接続している。

運転支援装置２０の実装には、以下に述べる各態様が含まれる。１つ目は、運転支援装置２０のクラウド化である。これは、運転支援装置２０を、公衆のネットワーク上に構成し、外部装置９０で利用可能とする構成である。２つ目は、運転支援装置２０を、対象装置１０の運用会社で運用・管理する態様である。これは、運転支援装置２０を、対象装置１０の運用会社の社内ネットワークに接続し、当該運用会社でこれらを運用・管理する構成である。本発明はこれらのいずれの態様によるものであってもよい。

次に、外部装置９０は、計算機装置（コンピュータ）により構成されている。つまり、ＣＰＵの如き演算装置がプログラムに従って以下に示す各種処理機能を実行する。また、外部装置９０は、端末装置として実現でき、タブレット、スマートフォン、ノートＰＣなどが含まれる。外部装置９０には、キーボード９２やマウス９３で実現される外部入力装置９１と、画像表示装置９４が備えられている。対象装置１０の運転員は、画像表示装置９４に表示された情報に基づいて、外部入力装置９１へ操作を行い、対象装置１０に対する操作を実施できる。

また、対象装置１０は、制御装置１８と機器１９で構成される。ここで、機器１９から制御装置１８に計測信号Ｓｇ７０を送信し、制御装置１８から機器１９に操作信号Ｓｇ８０を送信する。機器１９には画像を撮影するカメラ７１（７１ａ、７１ｂ、７１ｎ）が互いに相違する場所に複数備えられている。計測信号Ｓｇ７０は、機器１９の動作を示す運転データ（機器に備えられているセンサで収集した時系列のプロセス値データ）、カメラで撮影した画像データが含まれる。また、操作信号Ｓｇ８０は、操作に応じて制御装置１８がどのような信号を出力しているか示すことになる。

運転支援装置２０は、外部入力インターフェイス２１を介して外部入力信号Ｓｇ１、計測信号Ｓｇ２を取り込み、これらの計測信号Ｓｇ３は計測信号データベースＤＢ１に保存される。計測信号Ｓｇ３には運転データＤ１１と画像データＤ１２があり、それぞれ運転データデータベースＤＢ１１、画像データデータベースＤＢ１２に保存される。尚、画像データデータベースＤＢ１２は、撮影した地点毎に画像データＤ１２を管理している。本実施例では、カメラ７１ａで撮影した画像データＤ１２ａはａ地点画像データベースＤＢ１２ａ、カメラ７１ｂで撮影した画像データＤ１２ｂはｂ地点画像データベースＤＢ１２ｂ、カメラ７１ｎで撮影した画像データＤ１２ｎはｎ地点画像データベースＤＢ１２ｎにそれぞれ保存される。

保存される画像データＤＢ１２は、定点カメラ、ドローン、水中ドローン、人によるカメラなどで撮影された画像であり、目的に応じて種々の画像データが保存される。また、撮影するカメラは高感度ＣＭＯＳカメラ、赤外線カメラ、レーザーカメラなど、種々のカメラ、もしくはこれらを組み合わせたカメラであっても良い。

前処理手段４０は、計測信号データベースＤＢ１に保存されている計測信号Ｓｇ４を取得し、適宜必要に応じたデータ前処理を施した後、状態評価に使用する前処理後データＳｇ５を状態評価手段５０、状態認識に使用する前処理後データＳｇ６を状態認識手段６０に送信する。前処理手段４０では、機器における無駄時間や遅れ時間を考慮して、計測信号データベースに保存されている計測信号の補正処理を実施する。

状態評価手段５０は、状態評価に使用する前処理後データＳｇ５から特徴量を抽出し、この特徴量が望ましい値であるかどうかを評価し、状態評価結果Ｓｇ７を出力する。状態評価結果Ｓｇ７は学習手段７０、および処理結果データベースＤＢ２に送信する。

状態認識手段６０は、状態認識に使用する前処理後データＳｇ６から特徴量を抽出し、この特徴量に基づいて対象装置の運転状態を認識し、状態認識結果Ｓｇ８を出力する。状態認識結果Ｓｇ８は学習手段７０、行動決定手段８０、および処理結果データベースＤＢ２に送信する。

状態評価手段５０、状態認識手段６０で抽出する特徴量は、画像に映っている物体を特定し、その内容を符号化した値、大きさ、色、濃度、温度、輝度、波長、およびこれらの変化率などが挙げられる。

学習手段７０では、状態評価結果Ｓｇ７が所望の値となるような操作方法を学習し、学習結果Ｓｇ９を出力する。学習結果Ｓｇ９は処理結果データベースＤＢ２に送信する。学習結果Ｓｇ９は、現在の状態認識結果に適する行動に関する情報が含まれる。学習手段７０は、強化学習、遺伝的アルゴリズム、非線形計画法などの最適化アルゴリズムを用いて実装できるが、本発明では学習手段７０の実装方法を限定しない。

処理結果データベースＤＢ２には、状態評価手段５０、状態認識手段６０、学習手段７０を動作させた結果として得られる状態評価結果Ｓｇ７、状態認識結果Ｓｇ８、学習結果Ｓｇ９が保存される。

行動決定手段８０では、学習結果Ｓｇ１０を参照し、現在の状態認識結果Ｓｇ８に適する行動を決定し、行動Ｓｇ１１を出力する。行動Ｓｇ１１は外部出力インターフェイス２２に送信する。

外部出力インターフェイス２２では、行動Ｓｇ１１を操作推奨信号Ｓｇ１２に変換し、制御装置１８、もしくは画像表示装置９４に送信する。これにより、操作推奨信号Ｓｇ１２を用いて直接対象装置１０を制御すること、もしくは画像表示装置９４に表示された操作推奨信号Ｓｇ１２を参照して、対象機器１０を手動で操作することが可能である。

尚、本実施例の運転支援装置２０においては、計算機装置を構成する演算装置、およびデータベースＤＢが運転操作支援装置２０の内部に備えられている例を示している。但し、これらの一部の装置を運転支援装置２０の外部に配置し、データのみを装置間で通信するようにしてもよい。

また、各データベースＤＢに保存されている信号であるデータベース信号は、それら各信号を外部出力インターフェイス２２を介して画像表示装置９４に表示できる。また、これらの信号の値は外部入力装置９１を操作して生成する外部入力信号Ｓｇ１で修正できる。

本実施例では、外部入力装置９１をキーボード９２とマウス９３で構成しているが、音声入力のためのマイク、タッチパネルなど、データを入力するための装置であれば良い。

また、本実施例には、運転支援装置２０を用いた方法も含まれることは言うまでもない。また、本実施例では運転支援装置２０の適用対象であるガイダンス対象装置１０を制御装置１８と機器１９で構成しているが、この構成以外の設備としても実施可能であることは言うまでもない。

図２は運転支援装置２０の動作を説明するフローチャート図である。本フローチャートは、運転支援装置動作制御手段２５が各演算装置を動作させることによって実現する。演算装置における動作は、学習に関する機能と行動に関する機能に分けることができ、図２左は、過去に蓄積した計測信号を用いて、対象装置１０の操作方法を学習するためのフローチャートであり、図２右は学習結果に基づいて対象装置１０に対する操作推奨信号を生成するためのフローチャートである。

まず、図２左の学習に関する機能の動作を説明する。処理ステップＳ１０では、過去の計測信号を計測信号データベースＤＢ１に取り込み、保存する。処理ステップＳ１１では、前処理手段４０を動作させることにより、計測信号Ｓｇ４から状態評価に使用する前処理後データＳｇ５、状態認識に使用する前処理後データＳｇ６を生成する。ステップＳｇ１２では、状態評価手段５０、状態認識手段６０を動作させて、状態評価結果Ｓｇ７、状態認識結果Ｓｇ８を生成する。最後に、処理ステップＳ１３では、学習手段７０を動作させて、学習結果Ｓｇ９を生成する。本フローチャートで生成した状態評価結果Ｓｇ７、状態認識結果Ｓｇ８、学習結果Ｓｇ９は、処理結果データベースＤＢ２に保存する。

次に、図２右の行動に関する機能の動作を説明する。処理ステップＳ２０では、最新の計測信号Ｓｇ２を計測信号データベースＤＢ１に取り込み、保存する。処理ステップＳ２１では、最新の計測信号Ｓｇ４に対して、前処理手段４０を動作させ、状態認識に使用する前処理後データＳｇ６を生成する。処理ステップＳ２２では、状態認識手段６０を動作させ、状態認識結果Ｓｇ８を生成する。処理ステップＳ２３では、行動決定手段８０を動作させ、行動Ｓｇ１１を生成する。そして、外部出力インターフェイス２２を介して、操作推奨信号Ｓｇ１２を制御装置１８、もしくは画像表示装置９４に送信する。

処理ステップＳ２４では、運転支援装置２０による運転支援継続要否を判定し、要の場合は処理ステップＳ２０に戻り、否の場合は終了する。尚、処理ステップＳ２４で運転支援継続要否の判定方法としては、対象装置１０の運転員が運転支援継続要否に関する情報を外部入力装置９１を用いて入力し、その内容に従って判定する方法がある。

図３、図４は計測信号データベースＤＢ１に保存されたデータの態様を説明する図である。図３は運転データデータベースＤＢ１１に保存される運転データＤ１１を示す一例であり、図４は画像データデータベースＤＢ２に保存される画像データＤ１２を示す一例である。

図３に示すように、運転データデータベースＤＢ１１には、例えばデータ項目（項目Ａ、項目Ｂ、項目Ｃ…）毎の時系列データがサンプリング周期毎に保存されている。項目Ａは例えば温度、項目Ｂは流量、項目Ｃは圧力である。また、図４に示すように、画像データデータベースＤＢ２には、例えば機器１９のある断面で計測した温度の分布がサンプリング周期毎に保存されている。なお、対象装置１０の運転データ及び画像データは、画像表示装置９４に表示可能となっている。

図５、図６は、前処理手段４０の処理動作例を説明する図である。まず図５は、特に画像データＤ１２に関する。ここでは、ａ地点で撮影した画像とｂ地点で撮影した画像がある場合の補正方法の概要を説明する。ａ地点からｂ地点へ流体などの物質が到達するのに必要な時間（無駄時間と遅れ時間）が運転条件１の時にはΔｔ１２である場合、ｂ地点で撮影した画像をΔｔ１２分だけ前方向に補正した上で処理する。これにより、因果関係を正確に学習できる。またａ地点からｂ地点へ流体などの物質が到達するのに必要な時間（無駄時間と遅れ時間）を運転条件２の時にはΔｔ３４にするなど、運転条件を判断しながら適宜遅れ補整時間を修正するのがよい。

本発明においては対象機器内の流体などの移動の上下流関係にある少なくとも２点間の画像を学習することで対象機器の状態把握をしようとしている。この時は、同時刻に計測した画像間の比較ではなく、上流側で計測した時の画像とこの時の流体が下流側計測点に到達した状態での画像について学習する必要があることから、前処理においては遅れ時間補整を行うのがよい。

図６はデータ収録周期が異なる時の前処理手段４０の動作を説明する図である。ここで、データ収録周期は１秒間に１回、１日に１回、１週間に１回、検査周期（数か月ｏｒ１年）に一回など、種々のバリエーションがある。例えば、ａ地点では１秒間に一回（リアルタイム）に収録、ｎ地点では１週間に１回に収録しているような場合、ａ地点のｔ５－ｔ６の期間の平均的な特徴量の値と、ｎ地点のｔ６における特徴量の値と関係づける。

次に状態評価手段５０、状態認識手段６０の動作について説明する。ここでの処理では最初に複数個所で撮影した複数画像データＤ１２（Ｄ１２ａ、Ｄ１２ｂ、Ｄ１２ｎ）の夫々について、画像データＤ１２からその特徴量Ｃｉを抽出し、その抽出結果に基づいて状態評価手段５０において撮像された機器の状態を評価し、状態認識手段６０において撮像された機器の状態を認識する。ここで、ｉは特徴量の項目を識別するための符号である。従って、特徴量Ｃｉは画像データＤ１２の取得時刻情報を含み、さらに画像データＤ１２ａの特徴量、画像データＤ１２ｂの特徴量、画像データＤ１２ｎの特徴量のいずれをも含む時系列的情報であり、これらは符号ｉにより特徴量の項目が識別されている。

画像データＤ１２（Ｄ１２ａ、Ｄ１２ｂ、Ｄ１２ｎ）から特徴量を抽出した結果を図７に示す。特徴量としては、画像に映っている物体を特定し、その内容を符号化した値、大きさ、色、濃度、温度、輝度、波長、およびこれらの変化率などが挙げられ、これらの値が時系列データとして抽出される。このことは、画像データが示す機器の状態を、数値化された特徴量として把握し直したことを意味している。なお図７の例では、物体１の例を示しているが、複数個所で撮影した複数画像データＤ１２が複数の物体を撮影しているのであれば、物体ごとに図７のデータ群が生成されている。

状態評価手段５０では、例えば（１）式を用いて評価値Ｅを計算する。
［数１］
Ｅ ＝ ｆ（Ｃｉ） ＝ Σ Ｗｉ × Ｃｉ （１）
ここで、ｆ（Ｃｉ）は評価値Ｅを計算する関数である。（１）式では、重みパラメータＷｉと特徴量Ｃｉを乗じた総和を評価値としている。尚、関するｆ（Ｃｉ）の形態については上記に述べた計算式だけでなく、目的に応じて任意に設定可能である。

ここで、状態評価手段５０と状態認識手段６０はいずれも、画像データＤ１２からその特徴量Ｃｉを抽出し、利用するものであるが、機器内において一方の画像の状態（例えば画像データＤ１２ａ）が他方の画像の状態（例えば画像データＤ１２ｂ）に影響を与える関係にある場合には、状態認識手段６０が原因側の画像データＤ１２ａを取り扱い、状態評価手段５０が結果側の画像データＤ１２ｂを取り扱うようにするのがよい。これにより状態評価手段５０では、結果側における状態を評価値とすることで、結果を最適化するときの原因側の状態を明確に区別して把握することが可能となる。

次に、学習手段７０の動作を説明する。この学習手段７０の学習には、運転データデータベースＤＢ１１に蓄積された運転データＤ１１の他に、画像データデータベースＤＢ１２（ＤＢ１２ａ、ＤＢ１２ｂ、ＤＢ１２ｎ）に蓄積された複数個所で得られた画像データＤ１２（Ｄ１２ａ、Ｄ１２ｂ、Ｄ１２ｎ）を数値化して得られた特徴量のデータが使用される。

実施例１では、状態評価手段５０で算出した評価値Ｅが最小になるような行動を学習することを目的とした場合について説明する。図８（ａ）、図８（ｂ）は、学習手段７０に含まれるモデルの詳細を説明する図である。モデルは、図８（ａ）に示すようなニューラルネットワークモデルで構築され、状態の入力に対して、評価値を出力する。

図８（ｂ）は、ニューラルネットワークモデルの入力と出力の関係を示す図であり、ニューラルネットワークモデルによれば入力である評価値を補間し、任意の状態に対する評価値を求めることができる。

図８（ｃ）は、学習手段７０を動作させた結果を示す例である。図８（ｃ）の例では、現在の状態が領域Ａにある時は状態の値を増加させるように行動を決定し、領域Ｂにある時は状態の値を減少させるように行動を決定する。このように状態を変化させることで、評価値が極小値となり、評価値を改善できる。

尚、以上の説明においては、図８（ａ）、図８（ｂ）、図８（ｃ）により、学習手段７０に搭載するモデル、学習手段７０をニューラルネットワークモデルそのほかの技術により構築できることは言うまでもない。

実施例１によれば、機器の異なる場所で撮影したカメラ画像の情報を数値化して、学習に提供しているので、機器を制御装置により運転するにあたり、機器の各部状態を監視する複数カメラからの画像情報を利用して有効なガイダンスを与えることができる。

更に述べると、本発明によればセンサで計測した運転データのみでは得られない情報を、画像データから取得することが可能であり、これは画像データを数値化した特徴量として把握しなおして学習に使用したことによるものである。特に、異なる場所の複数個所で撮影した画像を用いることで、例えば流体の上下流における関係であるとか、原因と結果の事象などを学習により取得することが可能となる効果がある。

実施例２では、実施例１で述べた運転支援装置、運転支援方法を石炭火力プラントに適用する事例について説明する。図９に、図１の機器１９として、石炭火力プラントを用いた場合の構成例を示す。まず、図９を用いて、石炭火力プラントによる発電の仕組みについて簡単に説明する。

図９において、機器１９である石炭火力プラントを構成するボイラ１０１の壁面には、ミル１３４で石炭を細かく粉砕した燃料である微粉炭と、微粉炭搬送用の１次空気及び燃焼調整用の２次空気とを供給する複数のバーナ１０２が設けられている。そして、このバーナ１０２を通じて供給した微粉炭を、ボイラ１０１の内部で燃焼させる。

バーナ１０２の構造は、図示しているようにボイラ１０１の壁面の上下方向に複数段配置され、かつ各段には複数のバーナが１列に配置されている。図９に示されたバーナ構造、配置により、ボイラ１０１の内部ではボイラ壁面の前面（以降、缶前と表記）と背面（以降、缶後と表記）から微粉炭を燃焼させる。缶前後のバーナ燃焼バランスを改善することにより、ボイラの熱回収効果が向上し、プラントの熱効率も改善する。

尚、微粉炭と１次空気は配管１３９から、２次空気は配管１４１から夫々バーナ１０２に導かれる。１次空気は、ファン１２０から配管１３０に導かれ、途中でボイラ１０１の下流側に設置されたエアーヒーター１０４を通過する配管１３２と、エアーヒーター１０４を通過せずにバイパスする配管１３１とに分岐する。但し、エアーヒーター１０４の下流側に配設した配管１３３となって再び合流し、バーナ１０２の上流側に設置された微粉炭を製造するミル１３４に導かれる。エアーヒーター１０４を通過する１次空気は、ボイラ１０１を流下する燃焼ガスと熱交換することによって加熱される。この加熱された１次空気と共に、エアーヒーター１０４をバイパスした１次空気は、ミル１３４において粉砕した微分炭をバーナ１０２に搬送する。

ミル１３４は、各バーナ段に対応するように配置され（図９では４台）、各段を構成するバーナへ微粉炭と１次空気を供給する。すなわち、発電出力低下時など石炭供給量を低下させる場合にはミルを停止してバーナ段毎にバーナ休止させることができる。ミル１３４では、ボイラ１０１の燃焼性を考慮し、使用する石炭の性質に応じて望ましい粒度の微粉炭が得られるよう、ミルの回転数を調整する。また、石炭バンカ１３６に貯蔵された石炭は石炭コンベア１３７を経由して給炭機１３５へ導かれ給炭機１３５によって供給量を調整される。その後、石炭コンベア１３８を介してミル１３４に供給される。

また、ボイラ１０１には、２段燃焼用の空気をボイラ１０１に投入するアフタエアポート１０３が設けられている。２段燃焼用の空気は、配管１４２からアフタエアポート１０３に導かれる。図９に示したボイラ１０１において、ファン１２１を用いて配管１４０から投入された空気は、エアーヒーター１０４で同様にして加熱される。そしてその後に、２次空気用の配管１４１とアフタエアポート用の配管１４２とに分岐して、夫々、ボイラ１０１のバーナ１０２とアフタエアポート１０３とに導かれる。この、バーナ１０２及びアフタエアポート１０３へ供給される空気流量は、夫々の配管１４１及び１４２に設置された空気ダンパ（図示せず）の操作によって調整できる。

ボイラ１０１の内部で微粉炭を燃焼することによって発生した高温の燃焼ガスは、ボイラ１０１の内部の経路に沿って下流側に流下して、ボイラ１０１の内部に配置された熱交換器１０６で給水と熱交換して蒸気を発生させる。そしてその後に、排ガスとなってボイラ１０１の下流側に設置されたエアーヒーター１０４に流入し、このエアーヒーター１０４で熱交換してボイラ１０１に供給する空気を昇温する。この結果、このエアーヒーター１０４を通過した排ガスは、図示していない排ガス処理を施した後に、煙突から大気に放出される。

また、ボイラ１０１の熱交換器１０６を循環する給水は、給水ポンプ１０５を介して熱交換器１０６に供給され、熱交換器１０６においてボイラ１０１を流下する燃焼ガスによって過熱され、高温高圧の蒸気となる。尚、本実施例では熱交換器の数を１つとしているが、熱交換器を複数配置するようにしてもよい。また、熱交換器１０６で発生した高温高圧の蒸気は、タービンガバナ１０７を介して蒸気タービン１０８に導かれ、蒸気の持つエネルギーによって蒸気タービン１０８を駆動して発電機１０９で発電する。

ここで、本実施例の石炭火力プラントには、その運転状態を示す状態量を検出する様々な計測器が配置されている。石炭火力プラントに配置された計測器から取得された石炭火力プラントの計測信号である運転データＤ１は、図１に示す計測信号データベースＤＢ１内の運転データベースＤＢ１１に保存される。石炭火力プラントの場合に、運転データＤ１を取得するセンサ（計測器）としては、例えば図９に示すものがある。つまり、熱交換器１０６から蒸気タービン１０８に供給される高温高圧の蒸気の温度を計測する温度計測器１５１、蒸気の圧力を計測する圧力計測器１５２、発電機１０９で発電される電力量を計測する発電出力計測器１５３などがある。

また、蒸気タービン１０８の復水器（図示せず）によって蒸気を冷却して生じた給水は、給水ポンプ１０５によってボイラ１０１の熱交換器１０６に供給されるが、この給水の流量は流量計測器１５０によって計測されている。そして、ボイラ１０１から排出する燃焼ガスである排ガス中に含まれている成分の濃度に関する状態量の計測信号は、ボイラ１０１の下流側に設けた濃度計測器１５４によって計測される。なお、排ガス中に含まれている成分には、窒素酸化物（ＮＯｘ）、一酸化炭素（ＣＯ）、及び硫化水素（Ｈ_２Ｓ）などが含まれる。

また、給炭系統に関する計測器としては、以下のものがある。配管１３３を通ってミル１３４へ供給される１次空気の流量を計測する１次空気流量計１５５、給炭機１３５より石炭コンベア１３８を通りミル１３４へ供給される石炭の給炭量を計測する給炭量計１５６及びミル１３４の回転数を計測する回転数計１５７がある。これらは夫々のミル及び給炭機について上記情報を計測できる構成となっている。

即ち、石炭火力プラントに適用する実施例２において運転データデータベースＤＢ１１に蓄積する運転データＤ１１として、例えば、以下の情報を用いる。これらは、上記各計測器によって計測した石炭火力プラントである対象装置１０の状態量であるボイラ１０１に供給される石炭流量、ミル１３４の回転数およびボイラ１０１に供給される１次及び２次空気流量、ボイラ１０１の熱交換器１０６に供給される給水流量、ボイラ１０１の熱交換器１０６で発生して蒸気タービン１０８に供給される蒸気温度、ボイラ１０１の熱交換器１０６に供給される給水の給水圧力、ボイラ１０１から排出される排ガスのガス温度および排ガスのガス濃度、ボイラ１０１から排出される排ガスの一部をボイラ１０１に再循環させる排ガス再循環流量等である。

以上は、計測信号データベースＤＢ１内の運転データベースＤＢ１１に保存される運転データＤ１１を例示したものであるが、本発明においてはこればかりではなく、計測信号データベースＤＢ１内の画像データベースＤＢ１２に複数個所で撮影した複数組の画像データＤ１２を保存する。

石炭火力プラントに適用する実施例２において、画像データデータベースＤＢ１２に保存する画像データＤ１２としては、例えばボイラ１０１の壁面の燃焼領域を撮影するカメラ７１ａによる画像データＤ１２ａ、ボイラ１０１の熱交換器１０６を撮影するカメラ７１ａによる画像データＤ１２ｂ、ボイラ１０１の配管を撮影した画像データＤ１２ｃ等がある。尚、一般的には図９に図示した以外にも多数の計測器、あるいはカメラが石炭火力プラントに配置されるが、ここでは図示を省略する。

ここで、石炭火力発電プラントにおける問題点を明らかにしておく。石炭火力発電プラントでは、石炭を燃焼した際に発生する灰が熱交換器、炉壁に付着すると、伝熱の特性が変化し、熱吸収量が低下する。また、熱交換器に付着した灰は、スートブロワ（蒸気噴射）により除去している。スートブロワは、熱交換器毎に蒸気を噴射するようになっている。

係る問題について、従来からセンサで検出した火力発電プラントの各所における運転データＤ１１を用いた解析がなされているが、灰付着の状況を運転データＤ１１のみから把握するのが難しい。また、伝熱特性の変化、熱吸収量低下によりヒートバランスが変化する。スートブロワにより蒸気を使用すると、一時的には効率が低下する。

このことから、本発明の運転支援装置２０を石炭火力プラントに適用するにあたり、熱交換器１０６の灰付着の画像データＤ１２ｂを処理する際は、熱交換器１０６に灰が付着していない時に撮影した画像を基準に、灰付着量を評価するのがよい。

また、画像データＤ１２で把握できた情報と、プロセスデータＤ１１から把握できた情報の整合性を取ることで精度向上を図ることも可能である。すなわちプロセスデータＤ１１から推定した汚れ度合いを、画像データＤ１２ｂで把握した灰付着の状況で補正することで汚れ度合いの推定精度を向上できる。

本発明の運転支援装置２０は、灰付着の状況を、画像データＤ１２ｂに基づき把握する。そして、灰付着量が増加しないように、燃焼状態を制御できる。すなわち、燃焼領域の画像データＤ１２ａと、灰付着状況の画像データＤ１２ｂを関連付けして学習し、所望の灰付着状況になるような燃焼状態になるように、空気流量のバランスを制御できる。また、灰が付着している位置を画像データＤ１２ｂにより把握できるので、局所的にスートブロワすることにより、不必要な所へのスートブロワをなくして、消費する蒸気量を減らすことが可能となる。上記の効果により、ボイラプラントの効率を向上できる。

次に機器として石炭火力プラントを用いた場合の画像データＤ１２の例を説明する。図１０ａはボイラ１０１の燃焼領域であるバーナ１０２の近辺をカメラ７１ａにより撮影した画像データＤ１２ａの一例である。本画像により、ボイラ１０１の壁面に縦横に配置されたバーナ１０２の付近が最も高温の１０５０度であり、その外縁部が適宜１０００度、９５０度の領域を示しており、かつ各フレームの位置や方向といった燃焼領域における温度分布を把握することができる。本実施例では温度分布について記載したが、色、濃度、輝度、波長などの情報を画像データに含めても良い。

また、図１０ｂはボイラ１０１の熱交換器１０６の近辺をカメラ７１ｂにより撮影した画像データＤ１２ｂの一例である。本画像により、熱交換器１０６に付着している灰の量を把握できる。

この例は、熱流体における上流側の燃焼領域と下流側の熱交換領域に着目したものであり、上流側の状態が下流側の状態に影響を及ぼす原因と結果の因果関係を有している。カメラはこれらの位置に配置されることで、燃焼状態と熱交換状態を撮影可能であり、かつ数値化された特徴量に変換されることで初めて、学習に利用可能となり、明確にされていなかった上記の因果関係を把握可能とする。

次に、機器として石炭火力プラントを用いた場合の画像データＤ１２から抽出した特徴量の例を説明する。図１１ａは、状態認識手段６０にて燃焼領域の画像データＤ１２ａを処理して抽出した特徴量の例である。缶左側と缶右側の温度の平均値などが特徴量として抽出され、時系列データとして保存される。

図１１ｂは、状態評価手段５０にて熱交換器１０６の画像データＤ１２ｂを処理して抽出した特徴量の例である。１次過熱器（１ＳＨ）、２次過熱器（２ＳＨ）などの熱交換器１０６における灰付着量などが特徴量として抽出され、時系列データとして保存される。

図１２は、機器として石炭火力プラントを用いた場合の学習手段７０の動作内容を説明するフローチャートである。まず、処理ステップＳ３０では負荷計画を取り込む。ここで負荷計画とは、火力発電プラントの発電出力（負荷）の計画であり、電力の需要を満足するように決定される。

次に、処理ステップＳ３１では運用計画変更案を作成する。ここで、運用計画とはスートブロワを噴射するタイミング、空気量の設定値、石炭の種類（炭種）などである。

処理ステップＳ３２では、運用計画変更案を実施した時の灰付着量を推定する。本処理ステップＳ３２では、運用計画に対応する状態（過去の画像データを処理した際に状態認識手段６０で把握した状態）と灰付着量を関連付けて学習し、その結果に基づいて灰付着量を推定する。

処理ステップＳ３３では、灰付着量に基づいて効率を推定値し、評価値を計算する。ここで、効率は灰付着量に応じて計算される。また、評価値は効率を入力とした関数によって計算され、効率が高いほど評価値は高くなる。

処理ステップＳ３４では、処理ステップＳ３１で作成した運用計画変更案の良し悪しを学習する。すなわち、評価値が高くなる運用計画変更案は良い変更案、評価値が低くなる運用計画変更案は悪い変更案であることを学習し、次に運用計画変更案を作成する際は評価値が高くなるような案を作成する。

処理ステップＳ３５では、学習終了判定を実施する。ＹＥＳの場合は学習を終了し、ＮＯの場合は処理ステップＳ３１に戻る。例えば、処理ステップＳ３０から処理ステップＳ３５をあらかじめ定められた回数繰り返した場合に、学習を終了する。

図１３は、機器として石炭火力プラントを用いた場合の学習結果を説明する図である。図１３は、横軸に時間、縦軸に上から順に例えばある月の負荷計画、スートブロワ噴射のタイミング、空気量設定値の例である２段燃焼比率、炭種を示している。

図１３のスートブロワ噴射は、噴射領域を一次熱交換器１ＳＨと二次熱交換器２ＳＨについて熱交換器の缶右、缶左の４領域に分割して行う事例を示している。各領域について適宜のタイミングで蒸気を熱交換器に噴射し、熱交換器に付着した灰を除去することで熱交換器の収熱量を改善することができ、効率を向上できる。他方、スートブロワ噴射にはプラント内の高温の蒸気を使用するため、その後には補給水（純水など）を補充し、かつ高温の蒸気とする必要があることから、スートブロワ噴射により蒸気を使用すると、一時的に効率が低下する。

したがって、スートブロワ噴射は熱交換器全体を一度に行うのではなく、小領域に分割したうえで各領域を適切なタイミングで実施することが望ましい。また熱交換器の灰が付着している位置にスートブロワ噴射することが望ましい。本発明の運転支援装置２０では、灰が付着している位置を画像データにより把握し、その位置にスートブロワ噴射することが可能であり、効率改善に寄与できる。

また、空気操作により、灰付着量が少なくなるような燃焼状態を維持すること、灰付着を考慮した炭種を選定することが可能となり、これも効率改善に寄与する。

以上述べた通り、石炭火力プラントに本発明の運転支援装置２０を用いることにより、プラントの効率改善が可能となる。

実施例３では、計算機を用いて構成される運転支援装置がＲＯＭに備えるべきプログラムについて説明する。

ＲＯＭに備えるべきプログラムは、図１の各処理機能に対応したものとされればよいが、ここで主要なものは機器における流体上流側の状態を撮影した画像データを処理する状態認識プログラムと、流体下流側の状態を撮影した画像データを処理して評価値を得る状態評価プログラムと、画像処理結果を用いて学習を行い行動として機器の運転手法を得る学習プログラムを備えるものである。

これらの個々のプログラムにより構成される運転支援プログラムは、対象装置により適宜特化されたものとして利用される。

Ｓｇ１：外部入力信号、Ｓｇ２：計測信号、Ｓｇ３：計測信号、Ｓｇ４：計測信号、Ｓｇ５：状態評価に使用する前処理後データ、Ｓｇ６：状態認識に使用する前処理後データ、Ｓｇ７：状態評価結果、Ｓｇ８：状態認識結果、Ｓｇ９：学習結果、Ｓｇ１０：学習結果、Ｓｇ１１：行動、Ｓｇ１２：操作推奨信号、Ｓｇ７０：計測信号、７１：カメラ、Ｓｇ８０：操作信号、１０：対象装置、１８：制御装置、１９：機器、２０：運転支援装置、２１：外部入力インターフェイス、２２：外部出力インターフェイス、ＤＢ１：計測信号データベース、ＤＢ１１：運転データデータベース、ＤＢ１２：画像データデータベース、ＤＢ２：処理結果データベース、４０：前処理手段、５０：状態評価手段、６０：状態認識手段、７０：学習手段、８０：行動決定手段、９０：外部装置、９１：外部入力装置、９２：キーボード、９３：マウス、９４：画像表示装置

Claims (7)

1. ボイラプラントの熱流体の上流側の燃焼部と、熱流体の下流側をカメラで撮影した画像データを入手し、前記画像データを用いた最適制御アルゴリズムにより熱流体の下流側の状況が所望の特性となるような前記ボイラプラントの運転に関するガイダンスを与える運転支援装置であって、
   前記最適制御アルゴリズムは、前記画像データを特徴量として数値化して用いるとともに前記画像データに基づいて状態を認識し、前記画像データに基づいて評価値を計算し、評価値が最大となる状態に遷移するための行動を学習するアルゴリズムであり、
   前記画像データは前記ボイラプラントの異なる場所、時間に撮影した画像データであるとともに前記状態の認識に用いる画像データと、評価値の計算に用いる画像データは前記ボイラプラントの異なる位置で撮影した画像データであり、
   前記状態は、前記ボイラプラントの熱流体の上流側の燃焼部の画像データを用いて認識し、前記評価値は、前記熱流体の下流側の画像データを用いて計算し、強化学習における行動として定めるガイダンスは、ボイラのパラメータ、もしくはスートブロワの操作方法であり、
   前記熱流体の下流側の画像データが熱交換器の灰付着の画像データであるとき、熱交換器に灰が付着していない時に撮影した画像を基準に、灰付着量を評価することを特徴とする運転支援装置。
2. 請求項１に記載の運転支援装置であって、
   前記最適制御アルゴリズムは、前記画像データを前処理したデータを用いて学習し、
   前記前処理では、前記ボイラプラントにおける無駄時間や遅れ時間を考慮して画像データを補正することを特徴とする運転支援装置。
3. 請求項１に記載の運転支援装置であって、
   前記ガイダンスは、ボイラのパラメータ、もしくはスートブロワの操作方法であることを特徴とする運転支援装置。
4. ボイラプラントの熱流体の上流側の燃焼部と、熱流体の下流側をカメラで撮影した画像データを入手し、前記画像データを用いた最適制御アルゴリズムにより熱流体の下流側の状況が所望の特性となるような前記ボイラプラントの運転に関するガイダンスを与える計算機を用いた運転支援方法であって、
   前記最適制御アルゴリズムは、前記画像データを特徴量として数値化して用いるとともに前記画像データに基づいて状態を認識し、前記画像データに基づいて評価値を計算し、評価値が最大となる状態に遷移するための行動を学習するアルゴリズムであり、
   前記画像データは前記ボイラプラントの異なる場所、時間に撮影した画像データであるとともに前記状態の認識に用いる画像データと、評価値の計算に用いる画像データは前記ボイラプラントの異なる位置で撮影した画像データであり、
   前記状態は、前記ボイラプラントの熱流体の上流側の燃焼部の画像データを用いて認識し、前記評価値は、前記熱流体の下流側の画像データを用いて計算し、強化学習における行動として定めるガイダンスは、ボイラのパラメータ、もしくはスートブロワの操作方法であり、
   前記熱流体の下流側の画像データが熱交換器の灰付着の画像データであるとき、熱交換器に灰が付着していない時に撮影した画像を基準に、灰付着量を評価することを特徴とする運転支援方法。
5. 請求項４に記載の運転支援方法であって、
   前記最適制御アルゴリズムは、前記画像データを前処理したデータを用いて学習し、
   前記前処理では、前記ボイラプラントにおける無駄時間や遅れ時間を考慮して画像データを補正するこ
   とを特徴とする運転支援方法。
6. 請求項４に記載の運転支援方法であって、
   前記ガイダンスは、ボイラのパラメータ、もしくはスートブロワの操作方法であることを特徴とする運転支援方法。
7. ボイラプラントの熱流体の上流側の燃焼部と、熱流体の下流側をカメラで撮影した画像データを用いて熱流体の下流側の状況が所望の特性となるような前記ボイラプラントの運転に関するガイダンスを与える計算機を用いた運転支援プログラムであって、
   運転支援プログラムは、前記画像データを特徴量として数値化して用いるとともに前記画像データに基づいて状態を認識する状態認識プログラムと、前記画像データに基づいて評価値を計算し、評価値が最大となる状態に遷移するための行動を学習する学習プログラムを備え、
   前記画像データは前記ボイラプラントの異なる場所、時間に撮影した画像データであるとともに前記状態の認識に用いる画像データと、評価値の計算に用いる画像データは前記ボイラプラントの異なる位置で撮影した画像データであり、
   前記状態は、前記ボイラプラントの熱流体の上流側の燃焼部の画像データを用いて認識し、前記評価値は、前記熱流体の下流側の画像データを用いて計算し、強化学習における行動として定めるガイダンスは、ボイラのパラメータ、もしくはスートブロワの操作方法であり、
   前記熱流体の下流側の画像データが熱交換器の灰付着の画像データであるとき、熱交換器に灰が付着していない時に撮影した画像を基準に、灰付着量を評価することを特徴とする運転支援プログラム。

Images