JP7510238B2 - COMBUSTION CONTROL SYSTEM, COMBUSTION CONTROL METHOD, INFORMATION PROCESSING DEVICE, PROGRAM, AND RECORDING MEDIUM - Google Patents
COMBUSTION CONTROL SYSTEM, COMBUSTION CONTROL METHOD, INFORMATION PROCESSING DEVICE, PROGRAM, AND RECORDING MEDIUM Download PDFInfo
- Publication number
- JP7510238B2 JP7510238B2 JP2021015794A JP2021015794A JP7510238B2 JP 7510238 B2 JP7510238 B2 JP 7510238B2 JP 2021015794 A JP2021015794 A JP 2021015794A JP 2021015794 A JP2021015794 A JP 2021015794A JP 7510238 B2 JP7510238 B2 JP 7510238B2
- Authority
- JP
- Japan
- Prior art keywords
- abnormality
- combustion
- prediction
- operator
- unit
- 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
- 238000002485 combustion reaction Methods 0.000 title claims description 206
- 238000000034 method Methods 0.000 title claims description 40
- 230000010365 information processing Effects 0.000 title claims description 22
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 title 1
- 230000005856 abnormality Effects 0.000 claims description 234
- 230000002159 abnormal effect Effects 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000005516 engineering process Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 9
- 230000007423 decrease Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008020 evaporation Effects 0.000 description 5
- 238000001704 evaporation Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004056 waste incineration Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Description
本発明は、ごみ焼却装置などの燃焼異常予測装置、燃焼異常予測プログラムおよびそれらを備える燃焼制御システムに関し、例えば、燃焼の異常を予測（推論）し、燃焼制御を行う燃焼制御システムに関する。 The present invention relates to a combustion abnormality prediction device for a waste incineration plant or the like, a combustion abnormality prediction program, and a combustion control system equipped with the same, for example, a combustion control system that predicts (infers) combustion abnormalities and controls combustion.
特許文献１から３では、機械学習モデルを利用した各種制御方法が開示されている。
特許文献１は、炉内の燃焼状態を判定可能な状態量を炉内の画像情報に基づいて推定する炉内状態量推定装置である。この炉内状態量推定装置は、炉内を撮像した画像に基づいて得られる画像情報であって過去の前記画像に基づいて得られる過去画像情報と、前記過去画像情報で示される燃焼状態に応じた状態量とが対応付けられた学習データの機械学習により作成された推定モデルを利用する。この推定モデルに入力画像情報が入力され、この入力画像情報で示される燃焼状態に応じた推定状態量がこの推定モデルで算出される。これにより、炉内の燃焼状態に応じて、例えば灰中未燃分や、ＮＯｘ濃度、ＣＯ濃度などの状態量は変化するが、炉内の燃焼時の画像情報と、その画像情報が撮像された際の状態量（計測値や推定値）とが対応付けられた学習データの機械学習により作成された推定モデルを用いて、燃焼時の炉内を撮像した画像情報から、その燃焼状態で生じる状態量（推定状態量）を推定する。
Patent Documents 1 to 3 disclose various control methods that utilize machine learning models.
Patent Document 1 is an in-furnace state quantity estimation device that estimates a state quantity that can determine the combustion state in the furnace based on image information in the furnace. This in-furnace state quantity estimation device uses an estimation model created by machine learning of learning data in which image information obtained based on an image of the furnace, which is past image information obtained based on the past image, and a state quantity corresponding to the combustion state shown in the past image information are associated. Input image information is input to this estimation model, and an estimated state quantity corresponding to the combustion state shown in the input image information is calculated by this estimation model. As a result, state quantities such as unburned fuel in ash, NOx concentration, and CO concentration change depending on the combustion state in the furnace, but a state quantity (estimated state quantity) occurring in the combustion state is estimated from image information captured inside the furnace during combustion using an estimation model created by machine learning of learning data in which image information during combustion in the furnace and state quantities (measured values and estimated values) at the time the image information is captured are associated.
特許文献２は、廃棄物焼却プラント又はバイオマス燃焼プラントを対象プラントとし、前記対象プラントの性能を示す少なくとも１つの性能管理指標を管理するためのプラント管理支援装置である。このプラント管理支援装置は、対象プラントの状態量及び／又は操作量を計測データとして収集し、収集された複数の第１の時点における前記計測データ及び／又は当該計測データから演算により得られる演算データを説明変数として、複数の前記第１の時点のいずれよりも後の第２の時点における前記性能管理指標を目的変数とする回帰モデルを構築し、この回帰モデルに対して、収集された複数の前記第１の時点のいずれよりも後の第３の時点及び前記第３の時点より前の複数の第４の時点における前記計測データ及び／又は当該計測データから演算により得られる演算データを入力することにより、前記少なくとも１つの性能管理指標の、前記第３の時点より後の第５の時点における予測値を算出する。この構成では、過去の時点ｔ及び該時点ｔから遡った時点（ｔ－Δｔ１）、（ｔ－２Δｔ１）、・・・、（ｔ－ｎΔｔ１）における前記説明変数と、前記過去の時点ｔに対して０より大きい時間幅Δｔ２を加えた、時点（ｔ＋Δｔ２）における前記性能管理指標との統計的な相関関係に基づいて、現在の時点ｔ０に対する、将来の時点（ｔ０＋Δｔ２）における前記性能管理指標の予測値を、プラントそのものの時間遅れや、計測装置のもつ時間遅れの影響を受けることなく算出する。 Patent Document 2 is a plant management support device for managing at least one performance management index indicating the performance of a target plant, which is a waste incineration plant or a biomass combustion plant. This plant management support device collects state quantities and/or operation quantities of the target plant as measurement data, constructs a regression model in which the collected measurement data at a plurality of first time points and/or calculation data obtained by calculation from the measurement data are used as explanatory variables, and the performance management index at a second time point after any of the plurality of first time points is used as a response variable, and calculates a predicted value of the at least one performance management index at a fifth time point after the third time point by inputting the measurement data at a third time point after any of the collected plurality of first time points and/or calculation data obtained by calculation from the measurement data into the regression model. In this configuration, the predicted value of the performance management index at a future time (t0+Δt2) relative to the current time t0 is calculated without being affected by the time delay of the plant itself or the time delay of the measuring device, based on the statistical correlation between the explanatory variables at a past time t and the times going back from the time t (t-Δt1), (t-2Δt1), ..., (t-nΔt1) and the performance management index at a time (t+Δt2) obtained by adding a time width Δt2 greater than 0 to the past time t.
特許文献３は、焼却施設に関する情報処理を行う情報処理装置である。この情報処理装置は、焼却施設の稼働状態に関する複数種類の所定のデータを取得し、上記焼却施設で発生が予測される所定の事象について、上記所定のデータの少なくとも一部を、過去に上記焼却施設で上記所定の事象が発生したときの上記所定のデータと当該所定の事象の発生要因との対応関係に基づいて構築された要因予測モデルに対して用いることにより、上記所定の事象の発生要因を特定する。予測対象として、例えば、蒸気量が低下する事象、焼却炉の炉内温度が閾値未満となる事象、焼却炉からの排出ガス中の有害物質（一酸化炭素および窒素酸化物等）の濃度が閾値以上となる事象等がある。確率予測モデルは、過去にゴミ焼却施設を稼働させたときの、ある時点の直前の所定時間（例えば数時間）の稼働状態に関するデータＤと、その時点から所定時間後の蒸気量の低下の発生確率との対応関係に基づいて構築されたモデルである。別の確率予測モデルとしては、過去にゴミ焼却施設を稼働させたときに取得、蓄積されたデータＤのうち、ある時点の直前の１時間分のデータＤと、その直後の３０分間に蒸気量が低下した確率との対応関係を特定する。 Patent Document 3 is an information processing device that processes information about an incineration facility. This information processing device acquires multiple types of predetermined data related to the operating state of the incineration facility, and for a predetermined event predicted to occur at the incineration facility, uses at least a part of the predetermined data for a factor prediction model constructed based on the correspondence between the predetermined data when the predetermined event occurred at the incineration facility in the past and the occurrence cause of the predetermined event, thereby identifying the occurrence cause of the predetermined event. Prediction targets include, for example, an event in which the amount of steam decreases, an event in which the temperature inside the incinerator falls below a threshold, and an event in which the concentration of harmful substances (carbon monoxide, nitrogen oxides, etc.) in the exhaust gas from the incinerator exceeds a threshold. The probability prediction model is a model constructed based on the correspondence between data D related to the operating state for a predetermined time (e.g., several hours) immediately before a certain point in time when the waste incineration facility was operated in the past, and the occurrence probability of a decrease in the amount of steam a predetermined time after that point in time. Another probability prediction model involves identifying the correspondence between data D from one hour immediately preceding a certain point in time, among data D acquired and accumulated when a waste incineration facility was operated in the past, and the probability that the amount of steam will decrease in the 30 minutes immediately following that point in time.
特許文献４は、廃棄物処理プラント設備の運転制御方法である。この運転制御方法は、廃棄物処理プラント設備の運転による各種プラントデータをニューラルネットワークに導き、該ニューラルネットワークで該廃棄物処理プラント設備の運転制御のモデルを学習して学習モデルを作成し、該学習モデルで所定時間後の予測運転制御を行う。、ニューラルネットワークは、各種プラントデータから制御目標の相関関係を導きだし、予測値が制御目標の実績値に近づくように学習モデルを再構築する。学習モデルを所定の設定周期で再構築した学習モデルと更新するか又は当該学習モデルの予測評価を行い該予測評価値が所定値以上外れたら再構築した学習モデルと更新する。接近する所定期間の実運転制御における各種プラントデータを収集しニューラルネットワークに導き、該ニューラルネットワークは該各種プラントデータから制御目標との相関関係を学習し、最新学習モデルを作成する。作成した最新学習モデルに接近する所定期間の運転制御における各種プラントデータを代入して運転制御シミュレーションを行い、該運転制御シミュレーションによる値と実運転制御による値が所定の範囲内か否かを判断し、所定の範囲内であったなら現在の学習モデルを最新学習モデルに切り換え、所定の範囲外であったなら現在の学習モデルで運転制御を継続する。 Patent Document 4 is a method for controlling the operation of a waste treatment plant facility. In this operation control method, various plant data from the operation of the waste treatment plant facility are introduced into a neural network, the neural network learns a model for the operation control of the waste treatment plant facility to create a learning model, and predictive operation control after a predetermined time is performed using the learning model. The neural network derives the correlation of the control target from the various plant data, and reconstructs the learning model so that the predicted value approaches the actual value of the control target. The learning model is updated with the reconstructed learning model at a predetermined set period, or a prediction evaluation of the learning model is performed, and if the predicted evaluation value deviates by a predetermined value or more, the learning model is updated with the reconstructed learning model. Various plant data in actual operation control for an approaching predetermined period is collected and introduced into the neural network, and the neural network learns the correlation with the control target from the various plant data, and creates the latest learning model. An operation control simulation is performed by substituting various plant data for operation control over a specified period that approaches the latest learning model that has been created, and it is determined whether the values from the operation control simulation and the values from the actual operation control are within a specified range. If they are within the specified range, the current learning model is switched to the latest learning model, and if they are outside the specified range, operation control is continued with the current learning model.
一般的に、ごみ焼却炉における燃焼制御運転では、各種の目標出力値（炉温度、蒸発量、Ｏ２濃度など）が予め設定されている。この目標出力値を基準とした運転を行いつつ、運転員が実計測値（「プラントデータ」ともいう。）が目標出力値（炉温度、蒸発量、Ｏ２濃度など）を基準とした上閾値および下閾値に近づいてきたら異常であると判断または異常になるだろうと予測し手動介入を行い、目標出力値に戻るように各種操作（空気量、空気温度、ごみ供給量などの制御）を行っている。
つまり、オペレータの熟練度、個人差（異常と判断する自分の基準）、オペレータの状態（健康状態、感情変化）などによって、異常予測には大きな差が生じていると考えられる。
上記特許文献１から４では、オペレータによるばらつきを機械学習によって補うことが期待されているが、機械学習モデルの予測精度にも大きな差がある。特許文献４では、再学習モデルの構築において、（１）所定期間のデータを２分割し一方データで学習して更新学習モデルを構築し、他方データでその更新学習モデルを評価し、良い結果であれば学習モデルを入れ替える手法と、（２）最新学習モデルのシミュレーションと実運転制御との比較で、シミュレーション結果の方がよい結果であれば最新学習モデルに入れ替える手法などを提案しているが、オペレータに起因した予測精度のバラツキを解消するには不十分である。
また、ごみは、季節によるごみ質の変動と、ごみ収集エリアのごみ質の差も大きく、オペレータはこれらの変動要因も考慮した手動介入、つまりは異常判断を行っている。
In general, in the combustion control operation of a waste incinerator, various target output values (furnace temperature, evaporation amount, O2 concentration, etc.) are set in advance. While operating based on this target output value, if the actual measurement value (also called "plant data") approaches an upper or lower threshold based on the target output value (furnace temperature, evaporation amount, O2 concentration, etc.), the operator judges that there is an abnormality or predicts that there will be an abnormality, and performs manual intervention and performs various operations (control of air volume, air temperature, waste supply volume, etc.) to return to the target output value.
In other words, it is believed that there are large differences in abnormality prediction depending on the operator's level of proficiency, individual differences (personal standards for determining whether an abnormality has occurred), the operator's condition (health condition, emotional changes), and other factors.
In the above Patent Documents 1 to 4, it is expected that the variation due to the operator will be compensated for by machine learning, but there is also a large difference in the prediction accuracy of the machine learning model. Patent Document 4 proposes a method for constructing a re-learning model, in which (1) data for a predetermined period is divided into two, learning is performed using one data to construct an updated learning model, the updated learning model is evaluated using the other data, and if the result is better, the learning model is replaced, and (2) a method is proposed for comparing a simulation of the latest learning model with actual operation control, and if the simulation result is better, the learning model is replaced with the latest learning model, but this is insufficient to eliminate the variation in prediction accuracy caused by the operator.
In addition, the quality of garbage varies greatly depending on the season and between collection areas, so operators must take these fluctuating factors into account and manually intervene to determine whether there are any abnormalities.
上記実情に鑑み、本発明は、オペレータの異常判断を教師データとする機械学習モデル（プログラム）を構築することで好適に異常を予測可能な燃焼異常予測装置、燃焼異常予測プログラムおよびそれらを備える燃焼制御システムを提供することを目的とする。 In view of the above situation, the present invention aims to provide a combustion abnormality prediction device, a combustion abnormality prediction program, and a combustion control system equipped with the same, which can appropriately predict abnormalities by constructing a machine learning model (program) that uses an operator's abnormality judgment as training data.
本発明者等は、オペレータの手動介入の実態について検討した結果、以下の知見を得た。
（１）オペレータは、目標出力値を基準とした正常範囲（「個別正常範囲」という。）を設定している。これはオペレータが独自の判断で設定していたり、または目標出力値を基準としたルールで予め設定されている場合もある。
個別正常範囲は、上記「目標出力値（炉温度、蒸発量、Ｏ２濃度など）を基準とした上閾値および下閾値」と同じであってもよく、上閾値よりも低く下限値よりも大きい値であってもよい。
（２）オペレータは、実計測値（プラントデータ（プロセスデータと称することもある））が、個別正常範囲の上限値または下限値に近づいていき、所定の間隔（差）まで近づいたら、運転員はこのまま同条件で運転をつづけていけば実計測値が個別正常範囲から外れるだろうと考える（異常運転になるだろうと予測する）。ここで、重要なのは、この判断時点では、まだ異常運転ではなく、正常運転の範囲であるということである。
そこで、本発明では、教師データとしてオペレータが「異常」と判断した時点までのプラントデータおよびその後の操作データを利用する。つまり、学習モデルは、異常運転となる将来時刻を予測（推定）するのではなく、このまま同条件で続ければ異常になるだろうと考えるオペレータの判断と、その判断をした後のオペレータの操作行動を予測（推定）する。
また、地域差、オペレータの状況、新しい事象の発生、経年変化の影響を考慮し、オペレータの操作ログを教師データに用いた再学習を頻繁に行う。
The present inventors have studied the actual state of manual intervention by an operator and have come to the following findings.
(1) The operator sets a normal range based on the target output value (called an "individual normal range"). This may be set by the operator at his/her own discretion, or it may be set in advance according to a rule based on the target output value.
The individual normal range may be the same as the above-mentioned "upper and lower threshold values based on the target output value (furnace temperature, evaporation amount, O2 concentration, etc.)" or may be a value lower than the upper threshold value and higher than the lower limit value.
(2) When the actual measurement value (plant data (sometimes called process data)) approaches the upper or lower limit of the individual normal range, approaching a certain interval (difference), the operator believes that if operation continues under the same conditions, the actual measurement value will go outside the individual normal range (predicts that abnormal operation will occur). What is important here is that at the time of this judgment, the operation is still within the normal operating range, not abnormal.
Therefore, in the present invention, the plant data up to the point when the operator judged the plant to be "abnormal" and the operation data thereafter are used as teacher data. In other words, the learning model does not predict (estimate) the future time when abnormal operation will occur, but predicts (estimates) the operator's judgment that an abnormality will occur if the plant continues under the same conditions, and the operator's operational behavior after making that judgment.
In addition, taking into account regional differences, the operator's situation, the occurrence of new events, and the effects of changes over time, re-learning is frequently performed using the operator's operation logs as training data.
本発明の燃焼異常予測装置は、
少なくとも燃焼炉に関する状態量（例えばプラントデータ、運転データなど）を含む学習データと、少なくともオペレータの手動介入データ（例えばオペレータが異常と判断したときの異常入力データ）を含む教師データとを用いて知的情報処理技術によって生成される燃焼異常を予測する異常予測プログラム、および／または、少なくとも燃焼炉に関する状態量（例えばプラントデータ、運転データなど）を含む学習データと、少なくともオペレータの手動介入データ（例えば手動介入した操作ログ）を含む教師データとを用いて知的情報処理技術によって生成される燃焼異常を予測し、異常を回避するための手段（異常回避手段）を予測する異常回避手段予測プログラム、を記憶する第一記憶部と、
前記燃焼異常予測プログラムを用いて、前記燃焼炉に関する状態量が異常か否かを予測する、および／または、異常回避手段予測プログラムを用いて、前記燃焼炉に関する状態量が異常か否かを予測し、および異常を回避するための手段を予測する異常予測部と、
前記異常予測部で予測された結果（異常の有無および／または異常回避手段）を出力する予測結果出力部と、を有する。
前記異常予測部または前記異常回避手段予測プログラムは、前記異常を回避するための手段と、その手段を推奨するレベルを示す優先度を予測してもよい。
The combustion abnormality prediction device of the present invention comprises:
a first storage unit for storing an abnormality prediction program for predicting a combustion abnormality generated by an intelligent information processing technology using learning data including at least state quantities related to the combustion furnace (e.g., plant data, operation data, etc.) and teacher data including at least an operator's manual intervention data (e.g., abnormal input data when the operator judges it to be abnormal), and/or an abnormality avoidance means prediction program for predicting a combustion abnormality generated by an intelligent information processing technology using learning data including at least state quantities related to the combustion furnace (e.g., plant data, operation data, etc.) and teacher data including at least an operator's manual intervention data (e.g., an operation log of manual intervention) and predicting a means for avoiding the abnormality (anomaly avoidance means);
an abnormality prediction unit that predicts whether a state quantity related to the combustion furnace is abnormal using the combustion abnormality prediction program, and/or predicts whether a state quantity related to the combustion furnace is abnormal using an abnormality avoidance means prediction program, and predicts a means for avoiding the abnormality;
and a prediction result output unit that outputs the result predicted by the abnormality prediction unit (presence or absence of an abnormality and/or abnormality avoidance means).
The abnormality prediction unit or the abnormality avoidance means prediction program may predict a means for avoiding the abnormality and a priority indicating a level at which the means is recommended.
前記異常予測部は、リアルタイムまたは予め設定されたタイミングで実行されてもよい。
前記予測結果出力部は、予測結果をリアルタイムに出力してもよく、予め設定されたタイミングで出力してもよく、出力命令または指示入力に応じて出力してもよい。
異常予測部がリアルタイムに実行している場合に、予測結果をリアルタイムに出力してもよく、異常である旨の予測結果が所定期間継続（例えば５分以上、１０分以上など）している場合に予測結果を出力してもよい。出力部は、異常である旨の予測結果が短い所定期間内であれば予測結果を出力しないようにできる。これにより、オペレータの手動介入数を低減できるとともに、手動介入した後で燃焼状態に反映されるまでのタイムラグを考慮できる。
The abnormality prediction unit may be executed in real time or at a preset timing.
The prediction result output unit may output the prediction result in real time, at a preset timing, or in response to an output command or instruction input.
When the anomaly prediction unit is running in real time, the prediction result may be output in real time, or when the prediction result indicating an anomaly continues for a predetermined period of time (e.g., 5 minutes or more, 10 minutes or more, etc.). The output unit may not output the prediction result if the prediction result indicating an anomaly continues for a short predetermined period of time. This reduces the number of manual interventions by the operator and takes into account the time lag between the manual intervention and the reflection on the combustion state.
上記燃焼異常予測装置は、
過去の所定期間の前記学習データと、前記過去の所定期間の前記教師データとを用いて燃焼異常予測プログラム、および／または、異常回避手段予測プログラムを所定の頻度で再学習（チューニング）する再学習部と、
前記再学習部で再学習された新たな燃焼異常予測プログラム、および／または、異常回避手段予測プログラムを記憶する第二記憶部と、をさらに有し、
前記異常予測部は、再学習されるたびに生成された新たな燃焼異常予測プログラムおよび／または異常回避手段予測プログラムを用いて予測する。
前記再学習部は、１日１回程度、所定の時刻で再学習を実行することが好ましい（これを「リアルタイム学習」という。）。
前記第二記憶部は、前記第一記憶部と同じでもよい。
The combustion abnormality prediction device is
a re-learning unit that re-learns (tunes) the combustion abnormality prediction program and/or the abnormality avoidance means prediction program at a predetermined frequency by using the learning data from a predetermined period in the past and the teacher data from the predetermined period in the past;
a second storage unit that stores a new combustion abnormality prediction program and/or an abnormality avoidance means prediction program that have been re-learned by the re-learning unit,
The abnormality prediction unit makes predictions using a new combustion abnormality prediction program and/or an abnormality avoidance means prediction program that are generated each time re-learning is performed.
It is preferable that the relearning unit executes relearning at a predetermined time about once a day (this is called "real-time learning").
The second storage unit may be the same as the first storage unit.
上記燃焼異常予測装置は、
学習データ生成部を有していてもよい。
学習データ生成部は、燃焼炉に関する状態量（例えばプラントデータ、運転データなど）のデータを、ノイズ除去などの前処理をしたり、特徴選択をしたり、特徴変換で特徴量を抽出して、学習データとしてもよい。特徴変換は、例えば、主成分分析、非負値行列因子分解、因子分析などが挙げられる。
The combustion abnormality prediction device is
The device may include a learning data generating unit.
The learning data generator may perform preprocessing such as noise removal on data of state quantities related to the combustion furnace (e.g., plant data, operation data, etc.), perform feature selection, and extract features by feature transformation to create learning data. Examples of feature transformation include principal component analysis, non-negative matrix factorization, and factor analysis.
上記燃焼異常予測装置は、
教師データ生成部を有していてもよい。
教師データ生成部は、前記燃焼異常予測プログラムおよび／または前記異常回避手段予測プログラムの予測結果と、オペレータにより判定された異常判定（またはオペレータの介入操作）とを比較していずれか一方を選択して教師データとしてもよい。
「比較しいずれか一方を選択」は、オペレータの指示入力した選択でもよく、教師データ生成部が所定の選択基準で選択してもよい。所定の選択基準は、例えば、決定木などを用いてもよい。また、選択した時刻より後の運転データと、選択した時刻を含みこれより前の運転データとを比較して、（燃焼炉に関する状態量が）良くなっていたときだけ教師データとして（選択した方を）採用してもよい。
上記燃焼異常予測装置は、
オペレータの操作入力を受け付けるユーザインターフェースを有し、
前記ユーザインターフェースは、オペレータにより判定された異常判定の入力を受け付ける異常判定入力部を有していてもよい。
上記燃焼異常予測装置は、
オペレータの操作入力を受け付けるユーザインターフェースを有し、
前記ユーザインターフェースは、オペレータによる介入操作の入力を受け付ける介入操作入力部を有していてもよい。
上記燃焼異常予測装置は、操作ログの表示に対応して、オペレータの判定理由（手動介入した操作項目を選択した理由）を入力する判定理由入力部を備えていてもよい。
前記オペレータの判定理由に、オペレータの操作間違い（誤操作）が含まれていてもよい。操作間違い（誤操作）に係る手動介入の操作は、リアルタイム学習または再学習に使用される教師データから除外するように構成されていてもよい。
The combustion abnormality prediction device is
The system may include a teacher data generating unit.
The teacher data generation unit may compare the prediction results of the combustion abnormality prediction program and/or the abnormality avoidance means prediction program with the abnormality judgment made by an operator (or the operator's intervention operation) and select one of them as the teacher data.
"Compare and select one of them" may be a selection input by an operator, or the teacher data generating unit may select based on a predetermined selection criterion. The predetermined selection criterion may be, for example, a decision tree. In addition, the operation data after the selected time may be compared with the operation data before and including the selected time, and the selected one may be adopted as the teacher data only when the state quantity related to the combustion furnace has improved.
The combustion abnormality prediction device is
a user interface that accepts an operation input from an operator;
The user interface may include an abnormality determination input section that receives an input of an abnormality determination made by an operator.
The combustion abnormality prediction device is
a user interface that accepts an operation input from an operator;
The user interface may include an intervention operation input unit that accepts input of an intervention operation by an operator.
The combustion abnormality prediction device may include a judgment reason input unit for inputting the operator's judgment reason (reason for selecting the operation item with manual intervention) in response to the display of the operation log.
The reason for the operator's judgment may include an operation error (operational error) of the operator. A manual intervention operation related to the operation error (operation error) may be configured to be excluded from the teacher data used for real-time learning or relearning.
上記燃焼異常予測装置は、
前記異常回避手段予測プログラムの予測結果と、オペレータにより判定された異常判定またはオペレータの介入操作とを比較し、前記予測結果の精度を算出する精度算出部を有していてもよい。
燃焼異常予測プログラムおよび／または前記異常回避手段予測プログラムの予測結果と、オペレータの判定（異常判定、介入操作）とを以下のように対応づける。「正常」は、「異常判定または介入操作」をしていない状態である。
ａ： 予測結果が「異常」、オペレータの判定が「異常」
ｂ： 予測結果が「異常」、オペレータの判定が「正常」
ｃ： 予測結果が「正常」、オペレータの判定が「異常」
ｄ： 予測結果が「正常」、オペレータの判定が「正常」
精度の評価指標として、正解率（全データの内、予測結果とオペレータの判定が一致したデータの割合）と再現率（オペレータの判定が異常だったデータの内、予測結果とオペレータの判定の両方が異常としたデータの割合）を使用する。
正解率＝（ａ＋ｄ）／（ａ＋ｂ＋ｃ＋ｄ） （１）
再現率＝ａ／（ａ＋ｃ） （２）
前記精度算出部は、上記正解率および／または再現率を算出してもよい。
前記精度算出部は、予測結果とオペレータの介入操作がいずれも、異常回避操作をするとの結果の場合に、オペレータの操作するタイミング、操作項目、操作量（増減）を比較してもよい。
（ｉ）オペレータの操作するタイミングが所定期間以内か否かを判断し、
（ｉｉ）上記（ｉ）で所定期間以内の場合に、お互いの操作項目の一致率を算出し、
（ｉｉｉ）上記（ｉｉ）で一致した操作項目の操作量の正解率を算出してもよい。
ここで正解は、例えば、オペレータの介入操作を基準にしてプログラムの予測結果が所定％以内の操作量であれば正解としてもよい。
上記燃焼異常予測装置は、
前記精度算出部で算出された前記精度の結果（例えば、正解率、再現率）を出力する精度結果出力部を有していてもよい。
The combustion abnormality prediction device is
The system may further include an accuracy calculation unit which compares a prediction result of the anomaly avoidance means prediction program with an anomaly determination made by an operator or an intervention operation by the operator, and calculates accuracy of the prediction result.
The prediction results of the combustion abnormality prediction program and/or the abnormality avoidance means prediction program are associated with the operator's judgment (abnormality judgment, intervention operation) as follows: "Normal" is a state in which "abnormality judgment or intervention operation" is not performed.
a: Prediction result is "abnormal", operator judgement is "abnormal"
b: Prediction result is "abnormal", operator judgement is "normal"
c: Prediction result is "normal", operator judgement is "abnormal"
d: Prediction result is "normal", operator's judgment is "normal"
The accuracy evaluation indices used are the accuracy rate (the percentage of all data for which the predicted result and the operator's judgment matched) and the recall rate (the percentage of data for which both the predicted result and the operator's judgment were abnormal, among data for which the operator's judgment was abnormal).
Correct answer rate = (a + d) / (a + b + c + d) (1)
Recall rate = a / (a + c) (2)
The accuracy calculation unit may calculate the accuracy rate and/or the recall rate.
The accuracy calculation unit may compare the timing, operation item, and operation amount (increase or decrease) of the operator's operation when both the prediction result and the operator's intervention result in an abnormality avoidance operation.
(i) determining whether the timing of the operator's operation is within a predetermined period;
(ii) if the period is within a predetermined period in (i), a matching rate between the operation items is calculated;
(iii) A rate of accuracy of the operation amount of the operation item that matches in (ii) above may be calculated.
Here, the correct answer may be, for example, if the program's prediction result is within a predetermined percentage of the operator's intervention.
The combustion abnormality prediction device is
The system may further include an accuracy result output unit that outputs the accuracy result (for example, accuracy rate, recall rate) calculated by the accuracy calculation unit.
他の発明の燃焼制御システムは、燃焼炉のメイン制御装置として機能する。
燃焼制御システムは、
上記の燃焼異常予測装置を備え、
前記異常結果および／または異常を回避するための手段に基づいて、燃焼炉の燃焼を制御する燃焼制御部と、を有する。
他の発明の燃焼制御システムは、
上記の燃焼異常予測装置から送られた各種データを受信する受信部と、各種データを記憶する記憶部と、
前記異常結果および／または異常を回避するための手段に基づいて、燃焼炉の燃焼を制御する燃焼制御部と、を有する。
上記燃焼制御システムは、
オペレータの操作入力を受け付けるユーザインターフェースを有し、
前記ユーザインターフェースは、オペレータにより判定された異常判定の入力を受け付ける異常判定入力部を有していてもよい。
上記燃焼制御システムは、
オペレータの操作入力を受け付けるユーザインターフェースを有し、
前記ユーザインターフェースは、オペレータによる介入操作の入力を受け付ける介入操作入力部を有していてもよい。
前記ユーザインターフェースは、操作ログの表示に対応して、オペレータの判定理由（手動介入した操作項目を選択した理由）を入力する判定理由入力部を有していてもよい。
前記オペレータの判定理由に、オペレータの操作間違いが含まれていてもよい。操作間違いに係る手動介入の操作は、リアルタイム学習または再学習に使用される教師データから除外するように構成されていてもよい。
上記燃焼制御システムは、上記精度算出部および上記精度結果出力部を備えていてもよい。
The combustion control system of the present invention functions as the main control device for the combustion furnace.
The combustion control system is
The above-mentioned combustion abnormality prediction device is provided,
and a combustion control unit that controls combustion in the combustion furnace based on the abnormal result and/or the means for avoiding the abnormality.
Another invention relates to a combustion control system.
A receiving unit that receives various data sent from the combustion abnormality prediction device, and a storage unit that stores the various data;
and a combustion control unit that controls combustion in the combustion furnace based on the abnormal result and/or the means for avoiding the abnormality.
The combustion control system includes:
a user interface that accepts an operation input from an operator;
The user interface may include an abnormality determination input section that receives an input of an abnormality determination made by an operator.
The combustion control system includes:
a user interface that accepts an operation input from an operator;
The user interface may include an intervention operation input unit that accepts input of an intervention operation by an operator.
The user interface may have a reason-for-determination input section for inputting the reason for the operator's determination (the reason for selecting the operation item for manual intervention) in response to the display of the operation log.
The reason for the determination of the operator may include an operation error of the operator. A manual intervention operation related to the operation error may be configured to be excluded from the teacher data used for real-time learning or relearning.
The combustion control system may include the accuracy calculation unit and the accuracy result output unit.
上記燃焼制御システムは、「異常予測」および／または「異常を回避するための手段」をオペレータに示し、オペレータがその手段を実行するか否かを判断する支援運転モードと、「異常を回避するための手段」を自動的に実行する完全自動運転モードと、「異常を回避するための手段」の内、一部の手段を実行するあるいは０％から１００％の重み付けを設定して実行する部分運転モードを有し、いずれかの運転モードが選択可能に構成されており、
選択された運転モードに従って、前記燃焼制御部が燃焼炉の燃焼を制御してもよい。
the combustion control system has an assisted operation mode in which "abnormality prediction" and/or "measures for avoiding abnormality" are displayed to an operator and the operator determines whether or not to execute the measures, a fully automatic operation mode in which the "measures for avoiding abnormality" are automatically executed, and a partial operation mode in which some of the "measures for avoiding abnormality" are executed or a weighting of 0% to 100% is set and the measures are executed, and any one of the operation modes can be selected;
The combustion control unit may control the combustion in the combustion furnace according to the selected operation mode.
また、他の発明の燃焼異常予測方法は、
少なくとも燃焼炉に関する状態量（例えばプラントデータ、運転データなど）を含む学習データと、少なくともオペレータの手動介入データ（例えばオペレータが異常と判断したときの異常入力データ）を含む教師データとを用いて知的情報処理技術によって生成される燃焼異常を予測する異常予測プログラムを用いて、前記燃焼炉に関する状態量が異常か否かを予測する、および／または、
少なくとも燃焼炉に関する状態量（例えばプラントデータ、運転データなど）を含む学習データと、少なくともオペレータの手動介入データ（例えば手動介入した操作ログ）を含む教師データとを用いて知的情報処理技術によって生成される燃焼異常を予測し、異常を回避するための手段を予測する異常回避手段予測プログラムを用いて、前記燃焼炉に関する状態量が異常か否かを予測し、および異常を回避するための手段を予測する、異常予測ステップと、
前記異常予測ステップで予測された結果（異常および／または異常回避手段の予測結果）を出力する出力ステップと、を含む。
上記燃焼異常予測方法は、過去の所定期間の前記学習データと、前記過去の所定期間の前記教師データとを用いて燃焼異常予測プログラム、および／または、異常回避手段予測プログラムを所定の頻度で再学習（チューニング）する再学習ステップを含み、
前記異常予測ステップは、再学習されるたびに生成された新たな燃焼異常予測プログラムおよび／または異常回避手段予測プログラムを用いて予測する。
上記燃焼異常予測方法は、
前記燃焼異常予測プログラムおよび／または前記異常回避手段予測プログラムの予測結果と、オペレータの判断結果とを比較しいずれか一方を選択して教師データを生成する教師データ生成ステップを含んでいてもよい。
前記教師データ生成ステップは、オペレータにより判定される異常判定（またはオペレータの介入操作）がない場合に、前記燃焼異常予測プログラムおよび／または前記異常回避手段予測プログラムの予測結果をそのまま教師データとしてもよい。
前記燃焼異常予測プログラムおよび／または前記異常回避手段予測プログラムの予測結果に基づく自動操作が適切であれば、オペレータは手動介入をする必要がなく、従って、前記燃焼異常予測プログラムおよび／または前記異常回避手段予測プログラムの予測結果が適切な（正しい）場合、データとして、この予測結果のみを教師データとして使用する。つまり、オペレータの介入操作がなければ、予測が正しいとしてそのまま教師データとして使用できる利点がある。
予測結果が正しいことを判断する方法としては、予測前または予測後の所定期間（例えば、数十秒から十数分間の範囲で設定されてもよい）にオペレータの手動介入がなければ、予測結果が正しいと判断し、教師データとして使用する。予測が間違えている場合は、それを補償（カバー）するために予測前または予測後の所定期間（例えば、数十秒から十数分間の範囲で設定されてもよい）にオペレータが手動介入を実施する。このようにして、予測結果が正しいことを判断してもよい。
上記燃焼異常予測方法は、
前記異常回避手段予測プログラムの予測結果と、オペレータにより判定された異常判定またはオペレータの介入操作とを比較し、前記予測結果の精度を算出する精度算出ステップを含んでいてもよい。
上記燃焼異常予測方法は、
精度算出ステップで算出された前記精度の結果を出力する精度結果出力ステップを含んでいてもよい。
In addition, a combustion abnormality prediction method according to another aspect of the present invention includes:
Using learning data including at least state quantities related to the combustion furnace (e.g., plant data, operation data, etc.) and teacher data including at least operator manual intervention data (e.g., abnormality input data when the operator judges the abnormality) generated by an intelligent information processing technology, an abnormality prediction program predicts whether the state quantities related to the combustion furnace are abnormal, and/or
an anomaly prediction step of predicting whether the state quantities related to the combustion furnace are abnormal and predicting the means for avoiding the abnormality using an anomaly avoidance means prediction program that predicts a combustion anomaly generated by an intelligent information processing technology using learning data including at least state quantities related to the combustion furnace (e.g., plant data, operation data, etc.) and teacher data including at least manual intervention data of an operator (e.g., an operation log of manual intervention), and predicting whether the state quantities related to the combustion furnace are abnormal or not and predicting the means for avoiding the abnormality;
and an output step of outputting the result predicted in the abnormality prediction step (the prediction result of the abnormality and/or the abnormality avoidance means).
The combustion abnormality prediction method includes a re-learning step of re-learning (tuning) a combustion abnormality prediction program and/or an abnormality avoidance means prediction program at a predetermined frequency using the learning data from a predetermined period in the past and the teacher data from the predetermined period in the past,
The abnormality prediction step makes predictions using a new combustion abnormality prediction program and/or an abnormality avoidance means prediction program that is generated each time re-learning is performed.
The combustion abnormality prediction method includes:
The method may include a teacher data generating step of comparing the prediction results of the combustion abnormality prediction program and/or the abnormality avoidance means prediction program with the judgment result of an operator, selecting one of them, and generating teacher data.
The teacher data generation step may involve using the prediction results of the combustion abnormality prediction program and/or the abnormality avoidance means prediction program as teacher data directly when there is no abnormality judgment made by an operator (or no operator intervention).
If the automatic operation based on the prediction results of the combustion abnormality prediction program and/or the abnormality avoidance means prediction program is appropriate, the operator does not need to manually intervene, and therefore, if the prediction results of the combustion abnormality prediction program and/or the abnormality avoidance means prediction program are appropriate (correct), only this prediction result is used as training data. In other words, if there is no operator intervention, the prediction is considered to be correct and can be used as training data as is, which is an advantage.
As a method of determining whether the prediction result is correct, if there is no manual intervention by an operator within a predetermined period before or after the prediction (which may be set within a range of, for example, several tens of seconds to several tens of minutes), the prediction result is determined to be correct and used as training data. If the prediction is incorrect, the operator performs manual intervention within a predetermined period before or after the prediction (which may be set within a range of, for example, several tens of seconds to several tens of minutes) to compensate (cover) it. In this way, the prediction result may be determined to be correct.
The combustion abnormality prediction method includes:
The method may include an accuracy calculation step of comparing a prediction result of the anomaly avoidance means prediction program with an anomaly determination made by an operator or an intervention operation by the operator, and calculating accuracy of the prediction result.
The combustion abnormality prediction method includes:
The method may include an accuracy result output step of outputting the result of the accuracy calculated in the accuracy calculation step.
また、他の発明の情報処理装置は、
少なくとも１つのプロセッサーと、
前記プロセッサーで実行可能な命令を記憶するためのメモリと、を含み、
前記プロセッサーは、実行可能な命令を実行することにより上記燃焼異常予測方法を実現する、情報処理装置である。
Further, an information processing device of another invention comprises:
At least one processor;
a memory for storing instructions executable by said processor;
The processor is an information processing device that implements the combustion abnormality prediction method by executing executable instructions.
また、他の発明の燃焼異常予測プログラムは、少なくとも１つのプロセッサーにより、上記燃焼異常予測方法を実現するプログラムである。
また、他の発明のコンピュータ命令が記憶されているコンピュータ読み取り可能な記録媒体であって、前記コンピュータ命令がプロセッサーにより実行されることで、上記記載の燃焼異常予測方法のステップを実現するコンピュータ読み取り可能な記録媒体である。
A combustion abnormality prediction program according to another aspect of the present invention is a program for implementing the above-mentioned combustion abnormality prediction method by at least one processor.
Another invention is a computer-readable recording medium having stored therein computer instructions, the computer-readable recording medium realizing the steps of the above-described combustion abnormality prediction method when the computer instructions are executed by a processor.
また、他の発明の異常予測プログラム生成方法は、
少なくとも燃焼炉に関する状態量を含む学習データを生成する学習データ生成ステップと、
少なくともオペレータの手動介入データを含む教師データを生成する教師データ生成ステップと、
前記学習データと前記教師データとを用いて知的情報処理技術によって生成される燃焼異常を予測する異常予測プログラムを生成するモデル生成ステップと、を含む。
また、他の発明の異常回避手段予測プログラム生成方法は、
少なくとも燃焼炉に関する状態量を含む学習データを生成する学習データ生成ステップと、
少なくともオペレータの手動介入データを含む教師データを生成する教師データ生成ステップと、
前記学習データと前記教師データとを用いて知的情報処理技術によって生成される燃焼異常を予測し、異常を回避するための手段を予測する異常回避手段予測プログラムを生成するモデル生成ステップと、を含む。
前記教師データ生成ステップは、前記燃焼異常予測プログラムおよび／または前記異常回避手段予測プログラムの予測結果と、オペレータにより判定された異常判定（またはオペレータの介入操作）とを比較していずれか一方を選択して教師データとしてもよい。
前記教師データ生成ステップは、オペレータにより判定される異常判定（またはオペレータの介入操作）がない場合に、前記燃焼異常予測プログラムおよび／または前記異常回避手段予測プログラムの予測結果をそのまま教師データとしてもよい。
前記燃焼異常予測プログラムおよび／または前記異常回避手段予測プログラムの予測結果に基づく自動操作が適切であれば、オペレータは手動介入をする必要がなく、従って、前記燃焼異常予測プログラムおよび／または前記異常回避手段予測プログラムの予測結果が適切な（正しい）場合、データとして、この予測結果のみを教師データとして使用する。つまり、オペレータの介入操作がなければ、予測が正しいとしてそのまま教師データとして使用できる利点がある。
予測結果が正しいことを判断する方法としては、予測前または予測後の所定期間（例えば、数十秒から十数分間の範囲で設定されてもよい）にオペレータの手動介入がなければ、予測結果が正しいと判断し、教師データとして使用する。予測が間違えている場合は、それを補償（カバー）するために予測前または予測後の所定期間（例えば、数十秒から十数分間の範囲で設定されてもよい）にオペレータが手動介入を実施する。このようにして、予測結果が正しいことを判断してもよい。
In addition, a method for generating an abnormality prediction program according to another aspect of the present invention includes the steps of:
A learning data generating step of generating learning data including at least a state quantity related to the combustion furnace;
A teacher data generating step of generating teacher data including at least manual intervention data of an operator;
and a model generation step of generating an abnormality prediction program for predicting a combustion abnormality generated by an intelligent information processing technique using the learning data and the teacher data.
Further, a method for generating an anomaly avoidance means prediction program according to another aspect of the present invention includes the steps of:
A learning data generating step of generating learning data including at least a state quantity related to the combustion furnace;
A teacher data generating step of generating teacher data including at least manual intervention data of an operator;
and a model generation step of generating an anomaly avoidance means prediction program that predicts combustion anomalies generated by intelligent information processing technology using the learning data and the teacher data, and predicts means for avoiding the anomaly.
The teacher data generation step may compare the prediction results of the combustion abnormality prediction program and/or the abnormality avoidance means prediction program with an abnormality judgment made by an operator (or an operator's intervention operation) and select one of them as the teacher data.
The teacher data generation step may involve using the prediction results of the combustion abnormality prediction program and/or the abnormality avoidance means prediction program as teacher data directly when there is no abnormality judgment made by an operator (or no operator intervention).
If the automatic operation based on the prediction results of the combustion abnormality prediction program and/or the abnormality avoidance means prediction program is appropriate, the operator does not need to manually intervene, and therefore, if the prediction results of the combustion abnormality prediction program and/or the abnormality avoidance means prediction program are appropriate (correct), only this prediction result is used as training data. In other words, if there is no operator intervention, the prediction is considered to be correct and can be used as training data as is, which is an advantage.
As a method of determining whether the prediction result is correct, if there is no manual intervention by an operator within a predetermined period before or after the prediction (which may be set within a range of, for example, several tens of seconds to several tens of minutes), the prediction result is determined to be correct and used as training data. If the prediction is incorrect, the operator performs manual intervention within a predetermined period before or after the prediction (which may be set within a range of, for example, several tens of seconds to several tens of minutes) to compensate (cover) it. In this way, the prediction result may be determined to be correct.
「予測結果出力部」および「精度結果出力部」が出力する形態は、例えば、表示装置への表示、プリンタへのプリント出力、スピーカへの音出力、外部装置へのデータ送信、記憶部へのデータ記憶などを含む。 The forms in which the "prediction result output unit" and the "accuracy result output unit" output include, for example, display on a display device, printout on a printer, sound output to a speaker, data transmission to an external device, data storage in a memory unit, etc.
「過去」は、例えば、当日から過去１年間は必要であり、それ以上（例えば、２年、５年、１０年など）でもよい。
「所定期間」は、例えば、１日～６０日などの一定期間として、自動または手動で設定する。
「燃焼炉に関する状態量」は、例えば、炉内ガス温度、主蒸気流量、炉出口ガス濃度（Ｏ２、ＣＯ、ＮＯｘ）、炉内の燃焼画像データなどが挙げられる。
予測される「燃焼異常」は、例えば、炉温上昇、炉温低下、蒸発量上昇、蒸発量低下、ＣＯ上昇、ＮＯｘ上昇などが挙げられる。
「手動介入データ」は、オペレータが異常と判断したときのオペレータの操作記録（手動介入操作ログ）を含む。データはいずれも時刻に紐づいている。
「異常を回避するための手段（異常回避手段）」は、オペレータの操作項目、および操作項目の操作量（増減）を含む。
操作項目は、例えば、空気量、空気温度、燃焼原料供給量、燃焼原料供給速度、給じん装置速度、燃焼ストーカ速度、炉内水噴霧量、排ガス処理用薬剤供給量等が挙げられる。
「知的情報処理技術」は、例えば、機械学習、深層学習、強化学習、深層強化学習などが挙げられる。
機械学習、深層学習、強化学習、深層強化学習のアルゴリズムは、特に制限されず、従来のアルゴリズムを用いてもよい。教師あり学習として、例えば、線形回帰、一般化線形モデル、サポートベクター回帰、ガウス過程回帰、アンサンブル法、決定木、ニューラルネットワーク、サポートベクターマシン、判別分析、単純ベイズ、最近傍法などの各種アルゴリズムを採用してもよい。
「表示装置」は、特に制限されず、液晶モニター、有機ＥＬモニター、ＣＲＴモニター、スマートフォン、タブレット、汎用パソコンのモニターなどが例示される。
The "past" must be, for example, one year from the current day, but may be longer (for example, two years, five years, ten years, etc.).
The "predetermined period" is set automatically or manually as a fixed period of time, such as 1 to 60 days.
Examples of the "state quantities related to the combustion furnace" include the furnace gas temperature, the main steam flow rate, the furnace outlet gas concentrations (O 2 , CO, NOx), and combustion image data inside the furnace.
Examples of predicted "combustion abnormalities" include an increase in furnace temperature, a decrease in furnace temperature, an increase in evaporation amount, a decrease in evaporation amount, an increase in CO, an increase in NOx, and the like.
The "manual intervention data" includes the operation record (manual intervention operation log) of the operator when the operator judged that an abnormality occurred. All data is linked to a time.
The "means for avoiding anomalies (anomaly avoidance means)" includes the operator's operation items and the operation amounts (increases and decreases) of the operation items.
Examples of the operational items include air volume, air temperature, combustion raw material supply amount, combustion raw material supply rate, dust feeder speed, combustion stoker speed, in-furnace water spray amount, and exhaust gas treatment chemical supply amount.
Examples of "intelligent information processing technology" include machine learning, deep learning, reinforcement learning, and deep reinforcement learning.
The algorithms of machine learning, deep learning, reinforcement learning, and deep reinforcement learning are not particularly limited, and conventional algorithms may be used. As supervised learning, various algorithms such as linear regression, generalized linear model, support vector regression, Gaussian process regression, ensemble method, decision tree, neural network, support vector machine, discriminant analysis, naive Bayes, nearest neighbor method, etc. may be adopted.
The "display device" is not particularly limited, and examples thereof include a liquid crystal monitor, an organic EL monitor, a CRT monitor, a smartphone, a tablet, and a monitor of a general-purpose personal computer.
上記構成要素は、メモリ、プロセッサー、ソフトウエアプログラムを有する情報処理装置（例えば、コンピュータ、サーバ）や、専用回路、ファームウエアなどで構成してもよい。情報処理装置は、オンプレミスまたはクラウドのいずか一方、あるいは両方の組み合わせであってもよい。 The above components may be configured as information processing devices (e.g., computers, servers) having memory, processors, and software programs, dedicated circuits, firmware, etc. The information processing devices may be either on-premise or cloud-based, or a combination of both.
（実施形態１）
図１は、燃焼異常予測装置３０および燃焼制御システム４０の構成例を示し、図２は、燃焼異常予測装置３０および燃焼制御システム４０の構成要素の機能ブロック図を示す。
実施形態１では、燃焼制御システム４０は、ストーカ式焼却炉１の燃焼を制御する。ストーカ式燃焼炉１には、各種センサや計測器（レーザ式Ｏ２分析計など）などが所定の場所に設置されており、測定された各データ（プラントデータ）や、炉内の燃焼状態をカメラで撮像した画像データなどが、通信部１１を介してデータサーバ２０に送られ、データサーバ２０は時系列データとして蓄積する。
燃焼制御システム４０は、燃焼に係る所定の目標出力値が設定されており、この目標出力値になるように自動運転されており、目標出力値から大きく外れそうになるとオペレータが手動介入できるようになっている。
燃焼制御システム４０は、運転データ（目標出力値）と、操作ログ（手動介入操作データ）とが不図示のメモリに記憶されて通信部４１を介してデータサーバ２０へ送られ、データサーバ２０は時系列データとして蓄積する。データサーバ２０は、プラントデータおよび画像データと、運転データおよび操作ログとを時系列データとして対応づけて蓄積する。
(Embodiment 1)
FIG. 1 shows an example of the configuration of a combustion abnormality prediction device 30 and a combustion control system 40, and FIG. 2 shows a functional block diagram of the components of the combustion abnormality prediction device 30 and the combustion control system 40.
In the first embodiment, the combustion control system 40 controls the combustion in the stoker-type incinerator 1. Various sensors and measuring instruments (such as a laser O2 analyzer) are installed in predetermined locations in the stoker-type incinerator 1, and the measured data (plant data) and image data captured by a camera of the combustion state in the incinerator are sent to the data server 20 via the communication unit 11, and the data server 20 accumulates the data as time-series data.
The combustion control system 40 is set with a predetermined target output value for combustion and is automatically operated to achieve this target output value, but is also capable of allowing an operator to manually intervene if the system is on the verge of deviating significantly from the target output value.
In the combustion control system 40, the operation data (target output value) and the operation log (manual intervention operation data) are stored in a memory (not shown) and sent to the data server 20 via the communication unit 41, and the data server 20 accumulates them as time-series data. The data server 20 accumulates the plant data and image data, the operation data and the operation log in association with each other as time-series data.
データサーバ２０に蓄積されたプラントデータ（画像データも含む）は、燃焼異常予測装置３０へ送られる。
燃焼異常予測装置３０は、学習データ生成部３１、教師データ生成部３２、モデル生成部３３を有する。
学習データ生成部３１は、プラントデータと運転データを含む学習データを生成する。学習データ生成部３１は、プラントデータ、運転データなどの各種データを、ノイズ除去などの前処理をしたり、特徴選択をしたり、特徴変換で特徴量を抽出して、学習データとする。
教師データ生成部３２は、オペレータの手動介入データ（例えばオペレータが異常と判断したときの異常入力データ）を含む教師データを生成する。
教師データ生成部３２は、オペレータの手動介入データ（例えば手動介入した操作ログ）を含む教師データを生成する。教師データは基本的にはオペレータの手動介入操作である。
別実施形態として、教師データ生成部３２は、燃焼異常予測プログラムおよび／または異常回避手段予測プログラムの予測結果と、オペレータにより判定された異常判定（またはオペレータの介入操作）とを比較していずれか一方を選択して教師データにする。選択方法としては、オペレータの指示入力した選択でもよく、教師データ生成部３２が所定の選択基準で選択してもよい。
The plant data (including image data) stored in the data server 20 is sent to a combustion abnormality prediction device 30 .
The combustion abnormality prediction device 30 includes a learning data generation unit 31 , a teacher data generation unit 32 , and a model generation unit 33 .
The learning data generating unit 31 generates learning data including plant data and operation data. The learning data generating unit 31 performs preprocessing such as noise removal on various data such as the plant data and operation data, performs feature selection, and extracts features by feature conversion to generate learning data.
The teacher data generating unit 32 generates teacher data including operator's manual intervention data (for example, abnormal input data when the operator judges an abnormality).
The teacher data generating unit 32 generates teacher data including manual intervention data of an operator (e.g., an operation log of manual intervention). The teacher data is basically a manual intervention operation of an operator.
In another embodiment, the teacher data generating unit 32 compares the prediction results of the combustion abnormality prediction program and/or the abnormality avoidance means prediction program with the abnormality judgment made by the operator (or the operator's intervention operation), and selects one of them to be used as the teacher data. The selection method may be a selection input by the operator, or the teacher data generating unit 32 may select according to a predetermined selection criterion.
モデル生成部３３は、ストーカ式焼却炉１に関する状態量（例えばプラントデータ、運転データなど）を含む学習データと、少なくともオペレータの手動介入データ（例えばオペレータが異常と判断したときの異常入力データ）を含む教師データとを用いて知的情報処理技術によって燃焼異常を予測する異常予測プログラムを生成する。学習データは学習データ生成部３１で生成され、教師データは教師データ生成部３２で生成される。
また、モデル生成部３３は、ストーカ式焼却炉１に関する状態量（例えばプラントデータ、運転データなど）を含む学習データと、少なくともオペレータの手動介入データ（例えば手動介入した操作ログ）を含む教師データとを用いて知的情報処理技術によって燃焼異常を予測し、異常を回避するための手段（異常回避手段）を予測する異常回避手段予測プログラムを生成する。学習データは学習データ生成部３１で生成され、教師データは教師データ生成部３２で生成される。
第一記憶部３４は、異常予測プログラムおよび異常回避手段予測プログラムを記憶する。
The model generation unit 33 generates an abnormality prediction program that predicts a combustion abnormality by intelligent information processing technology using learning data including state quantities (e.g., plant data, operation data, etc.) related to the stoker incinerator 1 and teacher data including at least the operator's manual intervention data (e.g., abnormal input data when the operator judges it to be abnormal). The learning data is generated by the learning data generation unit 31, and the teacher data is generated by the teacher data generation unit 32.
The model generation unit 33 generates an abnormality avoidance means prediction program that predicts a combustion abnormality by intelligent information processing technology using learning data including state quantities (e.g., plant data, operation data, etc.) related to the stoker incinerator 1 and teacher data including at least the operator's manual intervention data (e.g., an operation log of manual intervention) and predicts a means for avoiding the abnormality (anomaly avoidance means). The learning data is generated by the learning data generation unit 31, and the teacher data is generated by the teacher data generation unit 32.
The first storage unit 34 stores an abnormality prediction program and an abnormality avoidance means prediction program.
異常予測部３５は、燃焼異常予測プログラムを用いて、ストーカ式焼却炉１に関する状態量が異常か否かを予測する。
また、異常予測部３５は、異常回避手段予測プログラムを用いて、ストーカ式焼却炉１に関する状態量が異常か否かを予測し、異常回避手段を予測する。
また、異常予測部３５は、異常回避手段予測プログラムを用いて、異常回避手段と、その異常回避手段を推奨するレベルを示す優先度を予測する。
The abnormality prediction unit 35 uses a combustion abnormality prediction program to predict whether or not a state quantity related to the stoker type incinerator 1 is abnormal.
In addition, the abnormality prediction unit 35 uses an abnormality avoidance means prediction program to predict whether or not the state quantities related to the stoker type incinerator 1 are abnormal, and predicts abnormality avoidance means.
Furthermore, the abnormality prediction unit 35 uses an abnormality avoidance means prediction program to predict an abnormality avoidance means and a priority indicating a level at which the abnormality avoidance means is recommended.
予測結果出力部３６は、異常予測部３５で予測された結果（異常の有無、異常回避手段、優先度）を出力する。本実施形態では、予測された結果を燃焼制御システム４０へ送信し、燃焼制御システム４０において不図示の記憶部に記憶され、表示装置４５に所定の様式で表示される。
また、本実施形態において予測結果出力部３６は、予測結果をリアルタイムに出力する。異常予測部３５がリアルタイムに予測を実行している場合に、予測結果（例えば、図４のデータ）をリアルタイムに出力する。
また別実施形態として、異常予測部３５がリアルタイムに予測を実行している場合でも、予測結果出力部３６は、異常である旨の予測結果が所定期間継続（例えば５分以上、１０分以上など）している場合に予測結果を出力するようにしてもよい。予測結果出力部３６は、異常である旨の予測結果が短い所定期間内であれば予測結果を出力しないようにして、オペレータの手動介入数を低減できるとともに、手動介入した後で燃焼状態に反映されるまでのタイムラグを考慮できる。
The prediction result output unit 36 outputs the results (presence or absence of an abnormality, abnormality avoidance means, and priority) predicted by the abnormality prediction unit 35. In this embodiment, the predicted results are transmitted to the combustion control system 40, where they are stored in a storage unit (not shown) and displayed on the display device 45 in a predetermined format.
In the present embodiment, the prediction result output unit 36 outputs the prediction result in real time. When the abnormality prediction unit 35 executes prediction in real time, the prediction result output unit 36 outputs the prediction result (for example, the data in FIG. 4 ) in real time.
In another embodiment, even when the abnormality prediction unit 35 executes prediction in real time, the prediction result output unit 36 may output the prediction result when the prediction result indicating an abnormality continues for a predetermined period (e.g., 5 minutes or more, 10 minutes or more, etc.). The prediction result output unit 36 may not output the prediction result if the prediction result indicating an abnormality continues for a short predetermined period, thereby reducing the number of manual interventions by the operator and taking into consideration the time lag until the manual intervention is reflected in the combustion state.
（リアルタイム学習；再学習）
図３は、リアルタイム学習について説明するフローである。
時間軸が上から下に進む中で、燃焼異常予測プログラムおよび／または異常回避手段予測プログラムの予測結果（Ｓ１）と、オペレータにより判定された異常判定（Ｓ２）とが比較され判定（Ｓ３）される。判定方法は、オペレータの指示で選択してもよく、例えば、ランダムフォレストなどの分類や回帰処理を採用する機械学習手段を利用して、より良い方を選択し教師データとする（教師データ生成部３２の機能である）。これにより、より良い操作の方が教師データに選択されるため、再学習直前の教師データが正しいものと定義する。より良い方の操作を、手動介入で実行するか実行しないかは自由とする（Ｓ４）。例えば、午前０時に再学習を実行する（Ｓ５）。再学習を一定時刻に常に行うことで、昨日より精度が向上した燃焼異常予測プログラムおよび異常回避手段予測プログラムが生成される。
また、上記判定方法の別実施形態として、プログラムの予測結果とオペレータによる異常判定とのいずれか一方を選択し、選択した時刻より後の運転データと、選択した時刻を含みこれより前の運転データとを比較して、（燃焼炉に関する状態量が）良くなっていたときだけ教師データとして（選択した方を）採用してもよい。
(Real-time learning; re-learning)
FIG. 3 is a flow diagram illustrating real-time learning.
As the time axis progresses from top to bottom, the prediction results (S1) of the combustion abnormality prediction program and/or the abnormality avoidance means prediction program are compared with the abnormality judgment (S2) judged by the operator and judged (S3). The judgment method may be selected by the operator's instruction, and for example, a machine learning means employing classification or regression processing such as random forest is used to select the better operation and use it as the teacher data (this is a function of the teacher data generating unit 32). As a result, the better operation is selected as the teacher data, and the teacher data immediately before the re-learning is defined as correct. The better operation may be freely executed or not executed by manual intervention (S4). For example, the re-learning is executed at midnight (S5). By constantly performing the re-learning at a fixed time, a combustion abnormality prediction program and an abnormality avoidance means prediction program with improved accuracy compared to yesterday are generated.
As another embodiment of the above-mentioned judgment method, either the prediction result of the program or the abnormality judgment by the operator may be selected, and the operation data after the selected time may be compared with the operation data before and including the selected time, and only when the state quantity related to the combustion furnace has improved, the selected one may be used as the teacher data.
なお、別実施形態として教師データを以下のように生成してもよい。
教師データ生成部３２は、オペレータにより判定される異常判定（またはオペレータの介入操作）がない場合に、燃焼異常予測プログラムおよび／または異常回避手段予測プログラムの予測結果をそのまま教師データとしてもよい。
燃焼異常予測プログラムおよび／または異常回避手段予測プログラムの予測結果に基づく自動操作が適切であれば、オペレータは手動介入をする必要がなく、従って、燃焼異常予測プログラムおよび／または異常回避手段予測プログラムの予測結果が適切な（正しい）場合、データとして、この予測結果のみを教師データとして使用する。つまり、オペレータの介入操作がなければ、予測が正しいとしてそのまま教師データとして使用できる利点がある。
教師データ生成部３２は、予測前または予測後の所定期間（例えば、数十秒から十数分間の範囲で設定されてもよい）にオペレータの手動介入がなければ、予測結果が正しいと判断し、教師データとして使用する。教師データ生成部３２は、予測前または予測後の所定期間（例えば、数十秒から十数分間の範囲で設定されてもよい）にオペレータが手動介入を実施していれば、予測結果が間違えていると判断し、手動介入を教師データに使用する。
In another embodiment, the teacher data may be generated as follows.
When there is no abnormality judgment (or no operator intervention) made by the operator, the teacher data generating unit 32 may use the prediction results of the combustion abnormality prediction program and/or the abnormality avoidance means prediction program as teacher data as they are.
If the automatic operation based on the prediction results of the combustion abnormality prediction program and/or the abnormality avoidance means prediction program is appropriate, the operator does not need to manually intervene, and therefore, if the prediction results of the combustion abnormality prediction program and/or the abnormality avoidance means prediction program are appropriate (correct), only this prediction result is used as training data. In other words, if there is no intervention by the operator, the prediction is considered to be correct and can be used as training data as is, which is an advantage.
If there is no manual intervention by the operator within a predetermined period before or after the prediction (which may be set, for example, in a range from several tens of seconds to several tens of minutes), the teacher data generation unit 32 determines that the prediction result is correct and uses the prediction result as teacher data. If there is manual intervention by the operator within a predetermined period before or after the prediction (which may be set, for example, in a range from several tens of seconds to several tens of minutes), the teacher data generation unit 32 determines that the prediction result is incorrect and uses the manual intervention as teacher data.
再学習部３３１は、過去の所定期間（例えば、当日から３０日前）の学習データと、過去の所定期間の教師データとを用いて燃焼異常予測プログラム、および／または、異常回避手段予測プログラムを所定の頻度（例えば、１日１回）で再学習（チューニング）する。本実施形態では、直近のデータを使用して毎日チューニングを行うことをリアルタイム学習と称する。また、教師データは図３の方法で選択した教師データを用いる。チューニング時間は、短いほど好ましく、１時間以内、３０分以内、１０分が例示される。
第二記憶部３４１は、再学習部３３１で再学習された新たな燃焼異常予測プログラムおよび／または、異常回避手段予測プログラムを記憶する。第二記憶部３４１に記憶される過去のプログラムはそのまま記憶されていてもよく、所定のタイミングで削除されてもよい。第一記憶部３４のプログラムも同様である。
異常予測部３５は、再学習されるたびに生成された新たな燃焼異常予測プログラムおよび／または異常回避手段予測プログラムを用いて予測する。
The re-learning unit 331 re-learns (tunes) the combustion abnormality prediction program and/or the abnormality avoidance means prediction program at a predetermined frequency (e.g., once a day) using learning data from a predetermined period in the past (e.g., 30 days from the current day) and teacher data from a predetermined period in the past. In this embodiment, performing tuning every day using the most recent data is referred to as real-time learning. In addition, the teacher data used is teacher data selected by the method of FIG. 3. The shorter the tuning time, the more preferable it is, and examples of the time include within 1 hour, within 30 minutes, and 10 minutes.
The second storage unit 341 stores a new combustion abnormality prediction program and/or an abnormality avoidance means prediction program that have been re-learned by the relearning unit 331. The past programs stored in the second storage unit 341 may be stored as is, or may be deleted at a predetermined timing. The same applies to the programs in the first storage unit 34.
The abnormality prediction unit 35 makes predictions using a new combustion abnormality prediction program and/or an abnormality avoidance means prediction program that are generated each time re-learning is performed.
（予測結果の表示）
燃焼制御システム４０は、ユーザインターフェースを有し、ユーザインターフェースは、オペレータにより判定された異常判定の入力を受け付ける異常判定入力部４２と、オペレータによる介入操作の入力を受け付ける介入操作入力部４３と、操作ログの表示に対応して、オペレータの判定理由（手動介入した操作項目を選択した理由）を入力する判定理由入力部４４と、予測結果のデータを表示する表示装置４５を有する。異常判定入力部４２と介入操作入力部４３の具体的な入力画面は省略する。
(Display of prediction results)
The combustion control system 40 has a user interface, which has an abnormality judgment input unit 42 that accepts input of an abnormality judgment judged by an operator, an intervention operation input unit 43 that accepts input of an intervention operation by the operator, a judgment reason input unit 44 that inputs the operator's judgment reason (reason for selecting the operation item for manual intervention) in response to the display of the operation log, and a display device 45 that displays data on the prediction results. Specific input screens for the abnormality judgment input unit 42 and the intervention operation input unit 43 will be omitted.
図４は、燃焼異常予測プログラムおよび／または前記異常回避手段予測プログラムで予測された予測結果の一例を示す。
予測結果には、日時、異常の種類、優先度、操作項目、変更項目、増減の別、変化量、単位などが含まれる。
優先度は、異常回避手段を推奨するレベルを示す。
燃焼制御部４９は、異常結果および／または異常回避手段に基づいて、ストーカ式焼却炉１の燃焼を制御する。
ここで、オペレータは、異常回避手段の内、一部の手段を選択して介入操作をしてもよく、各手段を０％から１００％の重み付けをして介入操作してもよく、異常回避手段のいずれも介入操作に使用しなくともよい。オペレータの介入操作は、操作ログとして記録され、教師データとして使用される。
FIG. 4 shows an example of a prediction result predicted by the combustion abnormality prediction program and/or the abnormality avoidance means prediction program.
The prediction results include the date and time, type of anomaly, priority, operation items, change items, increase or decrease, amount of change, and unit.
The priority level indicates the level at which anomaly avoidance measures are recommended.
The combustion control unit 49 controls the combustion of the stoker type incinerator 1 based on the abnormality result and/or the abnormality avoidance means.
Here, the operator may select some of the anomaly avoidance means to perform an intervention operation, may weight each means from 0% to 100%, or may not use any of the anomaly avoidance means for the intervention operation. The operator's intervention operation is recorded as an operation log and used as training data.
図５は、操作ログの表示と、オペレータが選択した判定理由の入力画面の一例を示す。
Ｎｏ２において、「予測通り」にオペレータが介入操作をしたので、オペレータがチェック「■予測通り」をした。
Ｎｏ１において、「炉温低下」の異常があり、オペレータは「燃焼空気温度」を「増」とする介入操作を行ったので、オペレータがチェック「■炉温低下」をした。
オペレータの判定理由に、オペレータの「操作間違い」の項目が含まれている。「操作間違い」に係る手動介入操作は、リアルタイム学習に使用される教師データから除外するように構成される。
FIG. 5 shows an example of a screen for displaying an operation log and inputting a reason for a judgment selected by an operator.
In No. 2, the operator performed an intervention operation "as predicted," so the operator checked "■ As predicted."
In No. 1, an abnormality occurred in the "furnace temperature drop," and the operator performed an intervening operation to "increase" the "combustion air temperature," so the operator checked "■ Furnace temperature drop."
The operator's judgment reasons include an item of the operator's "operational error." Manual intervention operations related to "operational error" are configured to be excluded from the teacher data used for real-time learning.
（予測精度）
精度算出部４６は、異常回避手段予測プログラムの予測結果と、オペレータにより判定された異常判定またはオペレータの介入操作とを比較し、予測結果の精度を算出する。
図６Ａは、予測精度の算出方法について説明する一例である。燃焼異常予測プログラムおよび／または前記異常回避手段予測プログラムの予測結果と、オペレータの判定（異常判定、介入操作）とを以下のように対応づける。「正常」は、「異常判定または介入操作」をしていない状態である。
ａ： 予測結果が「異常」、オペレータの判定が「異常」
ｂ： 予測結果が「異常」、オペレータの判定が「正常」
ｃ： 予測結果が「正常」、オペレータの判定が「異常」
ｄ： 予測結果が「正常」、オペレータの判定が「正常」
精度の評価指標として、正解率（全データの内、予測結果とオペレータの判定が一致したデータの割合）と再現率（オペレータの判定が異常だったデータの内、予測結果とオペレータの判定の両方が異常としたデータの割合）を使用する。
正解率＝（ａ＋ｄ）／（ａ＋ｂ＋ｃ＋ｄ） （１）
再現率＝ａ／（ａ＋ｃ） （２）
(Prediction accuracy)
The accuracy calculation unit 46 compares the prediction result of the anomaly avoidance means prediction program with the anomaly determination made by the operator or the operator's intervention operation, and calculates the accuracy of the prediction result.
6A is an example for explaining a method for calculating prediction accuracy. The prediction results of the combustion abnormality prediction program and/or the abnormality avoidance means prediction program are associated with the operator's judgment (abnormality judgment, intervention operation) as follows: "Normal" is a state in which "abnormality judgment or intervention operation" is not performed.
a: Prediction result is "abnormal", operator judgement is "abnormal"
b: Prediction result is "abnormal", operator judgement is "normal"
c: Prediction result is "normal", operator judgement is "abnormal"
d: Prediction result is "normal", operator's judgment is "normal"
The accuracy evaluation indices used are the accuracy rate (the percentage of all data for which the predicted result and the operator's judgment matched) and the recall rate (the percentage of data for which both the predicted result and the operator's judgment were abnormal, among data for which the operator's judgment was abnormal).
Correct answer rate = (a + d) / (a + b + c + d) (1)
Recall rate = a / (a + c) (2)
本実施形態において、精度算出部４６は、正解率および再現率を算出する。図６Ｂは、実施形態１における予測精度の結果として、正解率および再現率を示す。正解率は９７％以上であり、再現率は６６％以上であった。
精度結果出力部４７は、精度算出部４６で算出された精度の結果（正解率、再現率）を出力（例えば、表示装置４５に表示）する。
In this embodiment, the accuracy calculation unit 46 calculates the accuracy rate and the recall rate. Fig. 6B shows the accuracy rate and the recall rate as the results of the prediction accuracy in embodiment 1. The accuracy rate was 97% or more, and the recall rate was 66% or more.
The accuracy result output unit 47 outputs (for example, displays on the display device 45) the accuracy results (correct rate, recall rate) calculated by the accuracy calculation unit 46.
（別実施形態）
データサーバ２０を省略し、データサーバの機能を、燃焼異常予測装置３０の記憶部、または燃焼制御システム４０の記憶部で実現してもよい。
モデル生成部３３は、異常予測プログラムおよび異常回避手段予測プログラムを生成したが、使用形態に応じていずれか一方を生成してもよい。
燃焼異常予測装置３０が、別構成ではなく、燃焼制御システム４０に組み込まれていてもよい。
燃焼制御システム４０は、異常予測プログラムおよび異常回避手段予測プログラムをメモリに記憶し、異常予測部を有していてもよい。
燃焼異常予測装置３０は、燃焼制御システム４０の異常判定入力部、介入操作入力部、判定理由入力部、精度算出部、精度結果出力部、表示装置の機能を有していてもよい。
(Another embodiment)
The data server 20 may be omitted, and the functions of the data server may be realized by a storage unit of the combustion abnormality prediction device 30 or a storage unit of the combustion control system 40.
The model generating unit 33 generates the abnormality prediction program and the abnormality avoidance means prediction program, but may generate either one of them depending on the usage mode.
The combustion abnormality prediction device 30 may be incorporated in the combustion control system 40 instead of being a separate component.
The combustion control system 40 may store an abnormality prediction program and an abnormality avoidance means prediction program in a memory, and may have an abnormality prediction unit.
The combustion abnormality prediction device 30 may have the functions of an abnormality judgment input unit, an intervention operation input unit, a judgment reason input unit, an accuracy calculation unit, an accuracy result output unit, and a display device of the combustion control system 40.
（実施形態２）
燃焼制御システム４０は、「異常予測」および／または「異常を回避するための手段」をオペレータに示し、オペレータがその手段を実行するか否かを判断する支援運転モードと、「異常を回避するための手段」を自動的に実行する完全自動運転モードと、「異常を回避するための手段」の内、一部の手段を実行するあるいは０％から１００％の重み付けを設定して実行する部分運転モードを有し、いずれかの運転モードが選択可能に構成されている。
燃焼制御部４９は、選択された運転モードに従って、ストーカ式焼却炉の燃焼を制御する。
(Embodiment 2)
The combustion control system 40 has an assisted operation mode in which "abnormality predictions" and/or "measures for avoiding abnormalities" are displayed to the operator and the operator decides whether or not to implement those measures, a fully automatic operation mode in which the "measures for avoiding abnormalities" are automatically implemented, and a partial operation mode in which some of the "measures for avoiding abnormalities" are implemented or a weighting of 0% to 100% is set and the measures are implemented, and any of the operation modes can be selected.
The combustion control unit 49 controls the combustion in the stoker incinerator in accordance with the selected operation mode.
１ ストーカ式焼却炉
２０ データサーバ
３０ 燃焼異常予測装置
３１ 学習データ生成部
３２ 教師データ生成部
３３ モデル生成部
３４ 第一記憶部
３３１ 再学習部
３４１ 第二記憶部
３５ 異常予測部
３６ 予測結果出力部
４０ 燃焼制御システム
４２ 異常判定入力部
４３ 介入操作入力部
４４ 表示装置
４５ 精度算出部
４６ 精度結果出力部
1 Stoker type incinerator 20 Data server 30 Combustion abnormality prediction device 31 Learning data generation unit 32 Teacher data generation unit 33 Model generation unit 34 First memory unit 331 Re-learning unit 341 Second memory unit 35 Abnormality prediction unit 36 Prediction result output unit 40 Combustion control system 42 Abnormality judgment input unit 43 Intervention operation input unit 44 Display device 45 Accuracy calculation unit 46 Accuracy result output unit
Claims (14)
前記異常回避手段予測プログラムを用いて、前記燃焼炉に関する状態量が異常か否かを予測し、および異常を回避するための手段を予測する異常予測部と、
前記異常予測部で予測された結果を出力する予測結果出力部と、を有する、燃焼異常予測装置と、
前記燃焼異常予測装置の異常予測部によって、予測された異常を回避するための手段に基づいて、燃焼炉の燃焼を制御する燃焼制御部と、を有し、
異常を回避するための手段の内、０％から１００％の重み付けを設定して実行する部分運転モードを少なくとも有し、前記部分運転モードに従って、前記燃焼制御部が燃焼炉の燃焼を制御する、燃焼制御システム。 a first storage unit that stores an anomaly avoidance means prediction program that predicts a combustion anomaly generated by an intelligent information processing technology using learning data including at least state quantities related to the combustion furnace and teacher data including manual intervention data including an operation record of an operator when the operator judges an anomaly to be occurring, and predicts a means for avoiding the anomaly;
an abnormality prediction unit that predicts whether a state quantity related to the combustion furnace is abnormal or not by using the abnormality avoidance means prediction program, and predicts a means for avoiding the abnormality;
A combustion abnormality prediction device having a prediction result output unit that outputs the result predicted by the abnormality prediction unit;
a combustion control unit that controls combustion in a combustion furnace based on a means for avoiding the abnormality predicted by the abnormality prediction unit of the combustion abnormality prediction device,
A combustion control system comprising at least a partial operation mode in which a weighting of 0 % to 100% is set and executed among means for avoiding an abnormality, and the combustion control unit controls the combustion in the combustion furnace in accordance with the partial operation mode.
前記異常回避手段予測プログラムを用いて、前記燃焼炉に関する状態量が異常か否かを予測し、および異常を回避するための手段を予測する異常予測部と、
前記異常予測部で予測された結果を出力する予測結果出力部と、を有する、燃焼異常予測装置と、
前記燃焼異常予測装置から送られた各種データを受信する受信部と、各種データを記憶する記憶部と、
前記予測された異常を回避するための手段に基づいて、燃焼炉の燃焼を制御する燃焼制御部と、を有し、
異常を回避するための手段の内、０％から１００％の重み付けを設定して実行する部分運転モードを少なくとも有し、前記部分運転モードに従って、前記燃焼制御部が燃焼炉の燃焼を制御する、燃焼制御システム。 a first storage unit that stores an anomaly avoidance means prediction program that predicts a combustion anomaly generated by an intelligent information processing technology using learning data including at least state quantities related to the combustion furnace and teacher data including manual intervention data including an operation record of an operator when the operator judges an anomaly to be occurring, and predicts a means for avoiding the anomaly;
an abnormality prediction unit that predicts whether a state quantity related to the combustion furnace is abnormal or not by using the abnormality avoidance means prediction program, and predicts a means for avoiding the abnormality;
A combustion abnormality prediction device having a prediction result output unit that outputs the result predicted by the abnormality prediction unit;
A receiving unit that receives various data sent from the combustion abnormality prediction device, and a storage unit that stores the various data;
A combustion control unit that controls combustion in the combustion furnace based on the means for avoiding the predicted abnormality,
A combustion control system comprising at least a partial operation mode in which a weighting of 0 % to 100% is set and executed among means for avoiding an abnormality, and the combustion control unit controls the combustion in the combustion furnace in accordance with the partial operation mode.
過去の所定期間の前記学習データと、前記過去の所定期間の前記教師データとを用いて異常回避手段予測プログラムを所定の頻度で再学習する再学習部と、
前記再学習部で再学習された新たな異常回避手段予測プログラムを記憶する第二記憶部と、をさらに有し、
前記異常予測部は、再学習されるたびに生成された新たな異常回避手段予測プログラムを用いて予測する、請求項１または２に記載の燃焼制御システム。 The combustion abnormality prediction device includes:
a re-learning unit that re-learns the anomaly avoidance means prediction program at a predetermined frequency using the learning data from a predetermined period of the past and the teacher data from the predetermined period of the past;
a second storage unit that stores a new abnormality avoidance means prediction program re-learned by the re-learning unit,
3. The combustion control system according to claim 1, wherein the abnormality prediction unit makes predictions using a new abnormality avoidance means prediction program that is generated each time re-learning is performed.
前記ユーザインターフェースは、オペレータにより判定された異常判定の入力を受け付ける異常判定入力部を有する、請求項１から３のいずれか１項に記載の燃焼制御システム。 a user interface that accepts an operation input from an operator;
The combustion control system according to claim 1 , wherein the user interface has an abnormality determination input unit that receives an input of an abnormality determination made by an operator.
前記異常予測部は、さらに、前記異常予測プログラムを用いて、前記燃焼炉に関する状態量が異常か否かを予測し、
前記燃焼制御部は、さらに、前記燃焼異常予測装置の異常予測部によって、予測された燃焼炉に関する状態量が異常か否かの予測結果に基づいて、燃焼炉の燃焼を制御し、
前記燃焼制御システムは、
前記部分運転モードと、さらに、異常予測および／または異常を回避するための手段をオペレータに示し、オペレータがその手段を実行するか否かを判断する支援運転モードおよび／または異常を回避するための手段を自動的に実行する完全自動運転モードとを有し、
いずれかの運転モードが選択可能に構成されており、
選択された運転モードに従って、前記燃焼制御部が燃焼炉の燃焼を制御する、請求項１から６のいずれか１項に記載の燃焼制御システム。 The first storage unit further stores an anomaly prediction program for predicting a combustion anomaly, which is generated by an intelligent information processing technology using learning data including at least state quantities related to the combustion furnace and teacher data including manual intervention data including an operation record of an operator when the operator judges that an abnormality has occurred;
The abnormality prediction unit further predicts whether a state quantity related to the combustion furnace is abnormal or not by using the abnormality prediction program,
The combustion control unit further controls the combustion of the combustion furnace based on a prediction result of whether or not a state quantity related to the combustion furnace predicted by the abnormality prediction unit of the combustion abnormality prediction device is abnormal,
The combustion control system includes:
The partial operation mode and further include an assisted operation mode in which an operator is presented with an abnormality prediction and/or a means for avoiding the abnormality and the operator determines whether or not to execute the means, and/or a fully automatic operation mode in which the means for avoiding the abnormality is automatically executed,
Any one of the driving modes is selectable.
The combustion control system according to claim 1 , wherein the combustion control unit controls combustion in the combustion furnace in accordance with a selected operation mode.
少なくとも燃焼炉に関する状態量を含む学習データと、オペレータが異常と判断したときのオペレータの操作記録を含む手動介入データを含む教師データとを用いて知的情報処理技術によって生成される燃焼異常を予測し、異常を回避するための手段を予測する異常回避手段予測プログラムを用いて、前記燃焼炉に関する状態量が異常か否かを予測し、および異常を回避するための手段を予測する、異常予測ステップと、
前記異常予測ステップで予測された結果を出力する出力ステップと、
前記異常予測ステップによって予測された異常を回避するための手段に基づいて、燃焼炉の燃焼を制御する燃焼制御ステップと、を備え、
異常を回避するための手段の内、０％から１００％の重み付けを設定して実行する部分運転モードを少なくとも有し、
前記部分運転モードに従って前記燃焼制御ステップを実行する、燃焼制御方法。 A combustion control method implemented by an information processing device, comprising:
an anomaly prediction step of predicting whether the state quantity related to the combustion furnace is abnormal and predicting the means for avoiding the abnormality using an anomaly avoidance means prediction program that predicts a combustion anomaly generated by an intelligent information processing technology using learning data including at least state quantities related to the combustion furnace and teacher data including manual intervention data including an operation record of an operator when the operator judges the abnormality to be occurring, and predicting whether the state quantity related to the combustion furnace is abnormal or not and predicting the means for avoiding the abnormality;
an output step of outputting a result predicted in the abnormality prediction step;
A combustion control step of controlling combustion in the combustion furnace based on a means for avoiding the abnormality predicted by the abnormality prediction step,
Among the means for avoiding abnormalities , at least a partial operation mode is provided in which a weighting from 0 % to 100% is set and executed;
a combustion control method comprising: executing the combustion control step in accordance with the partial operation mode.
前記異常予測ステップは、再学習されるたびに生成された新たな異常回避手段予測プログラムを用いて予測する、請求項８に記載の燃焼制御方法。 a re-learning step of re-learning the anomaly avoidance means prediction program at a predetermined frequency by using the learning data for a predetermined period of time in the past and the teacher data for the predetermined period of time in the past;
9. The combustion control method according to claim 8, wherein the abnormality predicting step performs prediction using a new abnormality avoidance means prediction program that is generated each time re-learning is performed.
オペレータにより判定される異常判定がない場合に、前記異常回避手段予測プログラムの予測結果をそのまま教師データとして使用する、教師データ生成ステップを含む、請求項８または９に記載の燃焼制御方法。 10. The combustion control method according to claim 8 or 9, further comprising a teacher data generating step of: comparing a prediction result of the anomaly avoidance means prediction program with a judgment result of an operator, selecting one of them, and generating teacher data; or, when no abnormality is judged by the operator, using the prediction result of the anomaly avoidance means prediction program as it is as the teacher data.
前記プロセッサーで実行可能な命令を記憶するためのメモリと、を含み、
前記プロセッサーは、実行可能な命令を実行することにより、請求項８から１１のいずれか１項の燃焼制御方法を実現する、情報処理装置。 At least one processor;
a memory for storing instructions executable by said processor;
The information processing device, wherein the processor implements the combustion control method according to any one of claims 8 to 11 by executing executable instructions.
少なくとも１つのプロセッサーにより、請求項８から１１のいずれか１項の燃焼制御方法を実現するプログラム。 A combustion control program,
A program for implementing the combustion control method according to any one of claims 8 to 11 by at least one processor.
前記コンピュータ命令がプロセッサーにより実行されることで、請求項８から１１のいずれか１項の燃焼制御方法のステップを実現するコンピュータ読み取り可能な記録媒体。
A computer-readable recording medium having computer instructions stored thereon,
A computer-readable recording medium that, when executed by a processor, implements the steps of the combustion control method of any one of claims 8 to 11.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019163584 | 2019-09-09 | ||
| JP2019163584 | 2019-09-09 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020066639A Division JP7044822B2 (en) | 2019-09-09 | 2020-04-02 | Combustion control system, combustion control method, information processing device, program and recording medium |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2021076371A JP2021076371A (en) | 2021-05-20 |
| JP2021076371A5 JP2021076371A5 (en) | 2023-06-09 |
| JP7510238B2 true JP7510238B2 (en) | 2024-07-03 |
Family
ID=
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001075635A (en) | 1999-09-02 | 2001-03-23 | Kubota Corp | Operation supporting device for plant |
| JP2001159915A (en) | 1999-12-03 | 2001-06-12 | Nkk Corp | Operation aide device |
| JP2005249349A (en) | 2004-03-05 | 2005-09-15 | Ebara Corp | Operation control method for waste treatment plant installation and its device |
| US20080233523A1 (en) | 2007-03-22 | 2008-09-25 | Honeywell International Inc. | Flare characterization and control system |
| JP2018180649A (en) | 2017-04-04 | 2018-11-15 | 公立大学法人大阪府立大学 | Information processing unit, control unit, control program, and storage medium |
| JP2019138517A (en) | 2018-02-08 | 2019-08-22 | 三菱日立パワーシステムズ株式会社 | Apparatus of determining condition controlling depositing amount of ash in combustion furnace, combustion system, and method of determining condition controlling depositing amount of ash |
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001075635A (en) | 1999-09-02 | 2001-03-23 | Kubota Corp | Operation supporting device for plant |
| JP2001159915A (en) | 1999-12-03 | 2001-06-12 | Nkk Corp | Operation aide device |
| JP2005249349A (en) | 2004-03-05 | 2005-09-15 | Ebara Corp | Operation control method for waste treatment plant installation and its device |
| US20080233523A1 (en) | 2007-03-22 | 2008-09-25 | Honeywell International Inc. | Flare characterization and control system |
| JP2018180649A (en) | 2017-04-04 | 2018-11-15 | 公立大学法人大阪府立大学 | Information processing unit, control unit, control program, and storage medium |
| JP2019138517A (en) | 2018-02-08 | 2019-08-22 | 三菱日立パワーシステムズ株式会社 | Apparatus of determining condition controlling depositing amount of ash in combustion furnace, combustion system, and method of determining condition controlling depositing amount of ash |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108875784B (en) | Method and system for data-based optimization of performance metrics in industry | |
| US20190318288A1 (en) | Computer Systems And Methods For Performing Root Cause Analysis And Building A Predictive Model For Rare Event Occurrences In Plant-Wide Operations | |
| US11860617B2 (en) | Forecasting industrial aging processes with machine learning methods | |
| JP6411769B2 (en) | Condition monitoring device | |
| JP6951101B2 (en) | Information processing device, control device, control method of information processing device, control program, and recording medium | |
| Pechenizkiy et al. | Online mass flow prediction in CFB boilers with explicit detection of sudden concept drift | |
| JP2009053938A (en) | Equipment diagnosing system and equipment-diagnosing method on the basis of multiple model | |
| JP2004178492A (en) | Plant simulation method using enhanced learning method | |
| JP6962042B2 (en) | Simulation equipment and simulation method | |
| CN113539382B (en) | Early warning positioning method and system for key technological parameters of dimethyl phosphite | |
| US11900223B2 (en) | Device and method for monitoring a system | |
| CN116050665A (en) | Heat supply equipment fault prediction method | |
| CN115222214A (en) | Carbon emission verification method, device, electronic equipment and storage medium | |
| JP7044822B2 (en) | Combustion control system, combustion control method, information processing device, program and recording medium | |
| CN116705272A (en) | Comprehensive evaluation method for equipment health state based on multidimensional diagnosis | |
| JP2006276924A (en) | Equipment diagnostic device and equipment diagnostic program | |
| JP7510238B2 (en) | COMBUSTION CONTROL SYSTEM, COMBUSTION CONTROL METHOD, INFORMATION PROCESSING DEVICE, PROGRAM, AND RECORDING MEDIUM | |
| Panjapornpon et al. | Improving energy efficiency prediction under aberrant measurement using deep compensation networks: A case study of petrochemical process | |
| Hasnen et al. | Semi-supervised adaptive PLS soft-sensor with PCA-based drift correction method for online valuation of NOx emission in industrial water-tube boiler | |
| US20210186266A1 (en) | Assessing a quality of a cooking medium in a fryer using artificial intelligence | |
| KR102108975B1 (en) | Apparatus and method for condition based maintenance support of naval ship equipment | |
| Tavares et al. | Monitoring, fault detection and operation prediction of msw incinerators using multivariate statistical methods | |
| JP7103539B1 (en) | Driving support equipment, driving support methods and programs | |
| Beduschi et al. | Optimizing rotating equipment maintenance through machine learning algorithm | |
| JP2016081104A (en) | Process diagnosis support device |