JP7542487B2 - 感度カーブ学習装置、その学習方法、性能値算出装置、および、その性能値算出方法 - Google Patents

Description

本発明は、ガスタービンの感度カーブ学習装置、その学習方法、性能値算出装置、および、その性能値算出方法に関する。

ガスタービンの性能は、大気温度、大気圧力などの外部条件により大きく変化する。このため、基準となる外部条件下における性能値で、性能が評価される。しかし、基準となる外部条件下における性能値を測定しようとしても、外部条件を、基準となる外部条件に合わせるのが困難なことがある。その場合、測定した性能値を、測定時の外部条件に基づく補正係数で割るなどして、基準となる外部条件下における性能値を推定している。従来、外部条件と補正係数の関係を表す感度カーブとして、様々な外部条件における測定値から、一次関数や二次関数で近似して求めたカーブを用いているものがある。

特開２０１３－０４０５６５号公報 国際公開第２０１７／１６３４８９号

しかしながら、上述の基準となる外部条件下における性能値の推定においては、外部条件と補正係数の関係を示す感度カーブを、一次関数や二次関数による近似を用いて求めると、精度の高いガスタービン性能の推定値が得られないことがあるという問題がある。

本発明は、このような事情に鑑みてなされたもので、より精度の高いガスタービン性能の推定値が得られる感度カーブ学習装置、その学習方法、性能値算出装置、および、その性能値算出方法を提供する。

この発明は上述した課題を解決するためになされたもので、本発明の一態様は、ガスタービンの性能値に影響を与える外部条件を表す複数の第１の説明変数各々に対応するニューラルネットワークであって、対応する前記第１の説明変数の値を入力とし、前記性能値を補正する第１の補正係数を表す補正情報を出力とするニューラルネットワークと、前記ニューラルネットワーク各々が出力した前記補正情報が表す前記第１の補正係数を、基準となる性能値に乗じた値を、前記外部条件における性能値とする性能値算出部と、前記複数の第１の説明変数各々の値と、前記値に対応する前記外部条件における性能値とを含む教師データの複数のセットを用いて、前記ニューラルネットワークの各々に、対応する前記第１の説明変数に応じた前記第１の補正係数を表す感度カーブを学習させる教師データ提供部とを備える感度カーブ学習装置である。

また、本発明の一態様は、上述の感度カーブ学習装置であって、前記外部条件を表す複数の第１の説明変数、大気温度、大気圧力、湿度、運転時間、入口案内翼開度、大気温度により決まる基準の入口案内翼開度からの差分、ガスタービンの個体識別のうち、いずれかを含む。

また、本発明の一態様は、上述の感度カーブ学習装置であって、前記性能値は、ガスタービンの出力、ガスタービンの効率、圧力比、吸気流量、排ガス温度、圧縮機効率のいずれかである。

また、本発明の一態様は、上述の感度カーブ学習装置であって、外部条件を表す第２の説明変数の値を入力とし、既知の感度カーブに基づく、前記性能値を補正する第２の補正係数を表す補正情報を出力とする既知感度部を備え、前記性能値算出部は、前記ニューラルネットワーク各々が出力した補正情報が表す前記第１の補正係数に加えて、前記既知感度部が出力した補正情報が表す前記第２の補正係数を、前記基準となる性能値に乗じた値を、前記外部条件における性能値とし、前記教師データは、前記第２の説明変数の値を含む。

また、本発明の一態様は、上述の感度カーブ学習装置であって、外部条件を表す第３の説明変数の値を入力とし、ガウス過程回帰に基づく、前記性能値を補正する第３の補正係数を表す補正情報を出力とするガウス過程回帰部を備え、前記性能値算出部は、前記ニューラルネットワーク各々が出力した補正情報が表す前記第１の補正係数に加えて、前記ガウス過程回帰部が出力した補正情報が表す前記第３の補正係数を、前記基準となる性能値に乗じた値を、前記外部条件における性能値とし、前記教師データは、前記第３の説明変数の値を含み、前記教師データ提供部は、さらに、前記第３の説明変数に応じた前記第３の補正係数を表す感度カーブを学習させる。

また、本発明の一態様は、上述の感度カーブ学習装置であって、前記教師データ提供部は、前記教師データの複数のセットを用いて前記ニューラルネットワークの各々に前記感度カーブを学習させる前に、少なくとも１つの前記ニューラルネットワークに、既知の感度カーブを学習させる。

また、本発明の一態様は、感度カーブ学習装置のための学習方法であって、前記感度カーブ学習装置は、ガスタービンの性能値に影響を与える、外部条件を表す複数の第１の説明変数各々に対応するニューラルネットワークであって、対応する前記第１の説明変数の値を入力とし、前記性能値を補正する第１の補正係数を表す補正情報を出力とするニューラルネットワークと、前記ニューラルネットワーク各々が出力した前記補正情報が表す前記第１の補正係数を、基準となる性能値に乗じた値を、前記外部条件における性能値とする性能値算出部と、を備え、前記複数の第１の説明変数各々の値と、前記値に対応する前記外部条件における性能値とを含む教師データの複数のセットを用いて、前記ニューラルネットワークの各々が、対応する前記第１の説明変数に応じた前記第１の補正係数を表す感度カーブを学習するステップ、を有する。

また、本発明の一態様は、ガスタービンの性能値に影響を与える、外部条件を表す複数の第１の説明変数各々に対応する感度カーブであって、上述した学習方法により学習した感度カーブに基づき、対応する前記第１の説明変数の値を入力とし、前記性能値を補正する第１の補正係数を表す補正情報を出力とする感度カーブ部と、前記感度カーブ部各々が出力した前記補正情報が表す前記第１の補正係数の逆数を、前記外部条件における性能値に乗じた値を、基準となる外部条件における性能値とする基準時性能値算出部とを備える性能値算出装置である。

また、本発明の一態様は、性能値算出装置による性能値算出方法であって、ガスタービンの性能値に影響を与える、外部条件を表す複数の第１の説明変数各々に対応する感度カーブであって、上述した学習方法により学習した感度カーブに基づき、対応する前記第１の説明変数の値を入力とし、前記性能値を補正する第１の補正係数を表す補正情報を出力とする第１のステップと、前記性能値算出装置が、前記ニューラルネットワーク各々が出力した前記補正情報が表す前記第１の補正係数の逆数を、前記外部条件における性能値に乗じた値を、基準となる外部条件における性能値とする第２のステップとを有する。

この発明によれば、より精度の高いガスタービン性能の推定値が得られる。

この発明の一実施形態による感度カーブ学習装置１００の構成を示す概略ブロック図である。 同実施形態による大気温度の感度カーブの例を示すグラフである。 同実施形態による大気圧力の感度カーブの例を示すグラフである。 同実施形態による湿度の感度カーブの例を示すグラフである。 同実施形態による運転時間の感度カーブの例を示すグラフである。 同実施形態によるデルタ入口案内翼開度の感度カーブの例を示すグラフである。 同実施形態によるガスタービンの個体識別の感度カーブの例を示すグラフである。 同実施形態による性能値算出装置２００の構成を示す概略ブロック図である。 同実施形態の第１の変形例における感度カーブ学習装置１００ａの構成を示す概略ブロック図である。 同実施形態の第２の変形例における感度カーブ学習装置１００ｂの構成を示す概略ブロック図である。 同変形例における入口案内翼開度の感度カーブの例を示すグラフである。

以下、図面を参照して、本発明の実施の形態について説明する。図１は、この発明の一実施形態による感度カーブ学習装置１００の構成を示す概略ブロック図である。感度カーブ学習装置１００は、ガスタービンの性能値に影響を与える外部条件を表す第１の説明変数各々と、対応する第１の補正係数との関係を表す感度カーブを学習する。ここで、ガスタービンの性能値は、出力[MW]、ガスタービンの効率、圧力比（圧縮機出口圧力/圧縮機入口圧力）、吸気流量、排ガス温度、圧縮機効率などであるが、これらに限らない。また、第１の説明変数は、大気温度、大気圧力、湿度、運転時間、入口案内翼開度、入口案内翼開度、ガスタービンの個体識別、および、他、ガスタービンの状態に影響するもののうち、いずれか、もしくは全てを含む。

なお、入口案内翼開度は、大気温度により決まることが多いため、代わりにデルタ入口案内翼開度を用いてもよい。ここで、大気温度により決まる値を基準値とし、基準値との差をデルタ入口案内翼開度とする。第１の説明変数に、大気温度と入口案内翼開度のように、互いに相関関係の強いものが含まれていると、感度カーブを学習する際に、演算が不安定になり易い。しかし、デルタ入口案内翼開度のように、一方の値に対応した基準値との差を用いて、相関関係を弱くする、あるいは無くすことで、演算が不安定になるのを抑えることが出来る。

感度カーブ学習装置１００は、ニューラルネットワーク部１１０、１１１、１１２、性能値算出部１２０、教師データ提供部１３０を備える。なお、図１において、感度カーブ学習装置１００は、ニューラルネットワーク部１１０、１１１、１１２の３つを備えるが、３つに限らず、第１の説明変数の数だけ備えていてよい。

ニューラルネットワーク部１１０、１１１、１１２は、それぞれが、いずれかの第１の説明変数と対応しており、対応する第１の説明変数の値を入力とし、ガスタービンの性能値を補正する第１の補正係数を表す補正情報を出力とするニューラルネットワークである。性能値算出部１２０は、ニューラルネットワーク部１１０、１１１、１１２の各々が出力した補正情報が表す第１の補正係数を、基準となる性能値（基準性能値Ｓ）に乗じた値を、第１の説明変数が表す外部条件における性能値とする。基準性能値Ｓは、設計値、標準規格などの基準となる外部条件における性能値である。

例えば、ニューラルネットワーク部１１０、１１１、１１２の各々が対応する第１の説明変数が、大気温度、大気圧力、湿度であるとき、ニューラルネットワーク部１１０、１１１、１１２は、それぞれ、大気温度による第１の補正係数ＦＴ、大気圧力による第１の補正係数ＦＢ、湿度による第１の補正係数ＦＨを出力とする。性能値算出部１２０は、基準性能値Ｓに、大気温度による第１の補正係数ＦＴと、大気圧力による第１の補正係数ＦＢと、湿度による第１の補正係数ＦＨとを乗じた値を、第１の説明変数が表す外部条件における性能値とする。

教師データ提供部１３０は、教師データの複数のセットを用いて、ニューラルネットワーク部１１０、１１１、１１２の各々に、対応する第１の説明変数に応じた第１の補正係数を表す感度カーブを学習させる。ここで、教師データの各セットは、複数の第１の説明変数各々の値と、その値に対応する外部条件における性能値とを含む。この教師データの各セットは、測定した性能値と、そのときの外部条件から構成されている。

すなわち、教師データ提供部１３０は、性能値を測定したときの外部条件を表す複数の第１の説明変数各々の値を、ニューラルネットワーク部１１０、１１１、１１２各々の入力とし、性能値算出部１２０が算出する性能値が、測定した性能値となるように、ニューラルネットワーク部１１０、１１１、１１２に感度カーブを学習させる。なお、設計値など、既知の感度カーブがある場合は、教師データを用いて学習させる前に、ニューラルネットワーク部１１０、１１１、１１２に、該既知の感度カーブを学習させておいてもよい。

図２から図７に、感度カーブ学習装置１００が学習して得られた感度カーブの例を示す。図２から図７の各々において、教師データである測定値は、グレーでプロットされており、感度カーブは黒色でプロットされている。なお、ここで、感度カーブとして、プロットされている値は、ニューラルネットワーク部１１０、１１１、１１２の出力である補正係数に、基準性能値Ｓを乗じた値である。

図２は、大気温度の感度カーブの例を示すグラフである。図２の横軸は、大気温度[℃]であり、縦軸は、ガスタービンの出力[ＭＷ]である。図３は、大気圧力の感度カーブの例を示すグラフである。図３の横軸は、大気圧力[ｋＰａ]であり、縦軸は、ガスタービンの出力[ＭＷ]である。図４は、湿度の感度カーブの例を示すグラフである。図４の横軸は、湿度[％]であり、縦軸は、ガスタービンの出力[ＭＷ]である。図５は、運転時間の感度カーブの例を示すグラフである。図５の横軸は、運転時間[ｈ]であり、縦軸は、ガスタービンの出力[ＭＷ]である。図６は、デルタ入口案内翼開度の感度カーブの例を示すグラフである。図６の横軸は、デルタ入口案内翼開度[度]であり、縦軸は、ガスタービンの出力[ＭＷ]である。図７は、ガスタービンの個体識別の感度カーブの例を示すグラフである。図７の横軸は、ガスタービンの個体識別番号であり、縦軸は、ガスタービンの出力[ＭＷ]である。各図における教師データは、感度カーブの説明変数以外の外部条件も、測定値によって異なっているため、性能値は様々な値となっている。感度カーブ学習装置１００は、このような教師データからも、感度カーブを算出することができる。また、第１の説明変数に、ガスタービンの個体識別を含めることにより、同一の機種であっても、個体に依る感度カーブの変化を反映させることができる。

図８は、性能値算出装置２００の構成を示す概略ブロック図である。性能値算出装置２００は、感度カーブ学習装置１００が学習した感度カーブを用いて、任意の外部条件において測定された性能値を、基準となる外部条件における性能値に変換する。性能値算出装置２００は、測定値・外部条件入力部２１０、感度カーブ部２２０、２２１、２２２、基準時性能値算出部２３０を備える。なお、図８において、性能値算出装置２００は、感度カーブ部２２０、２２１、２２２の３つを備えるが、３つに限らず、第１の説明変数の数だけ備えていてよい。

測定値・外部条件入力部２１０は、外部条件を表す複数の第１の説明変数の値を、それぞれ対応する感度カーブ部２２０、２２１、２２２に入力する。また、測定値・外部条件入力部２１０は、測定された性能値を、基準時性能値算出部２３０に入力する。感度カーブ部２２０、２２１、２２２は、それぞれ、感度カーブ学習装置１００のニューラルネットワーク部１１０、１１１、１１２が学習した感度カーブを格納している。感度カーブ部２２０、２２１、２２２は、それぞれが、いずれかの第１の説明変数と対応しており、対応する第１の説明変数の値を入力とし、記憶している感度カーブに基づく、ガスタービンの性能値を補正する第１の補正係数を表す補正情報を出力とする。

基準時性能値算出部２３０は、測定値・外部条件入力部２１０から入力された性能値と、感度カーブ部２２０、２２１、２２２の各々から入力された第１の補正係数を表す補正情報とから、基準となる外部条件における性能値を算出する。具体的には、基準時性能値算出部２３０は、入力された性能値に、各第１の補正係数の逆数を乗じることで、基準条件における性能値を算出する。

このように、感度カーブ学習装置１００は、説明変数毎のニューラルネットワークを備えるので、各説明変数の精度良い感度カーブを学習することができる。性能値算出装置２００は、感度カーブ学習装置１００が学習した感度カーブを用いて、任意の外部条件において測定した性能値を、基準となる外部条件における性能値に、精度良く変換することができる。

＜第１の変形例＞
図９は、本実施形態の第１の変形例における感度カーブ学習装置１００ａの構成を示す概略ブロック図である。感度カーブ学習装置１００ａは、図１の感度カーブ学習装置１００とは、ニューラルネットワーク部１１２に代えて、既知感度カーブ部１４０を備える点が異なる。既知感度カーブ部１４０は、外部条件のうち、感度カーブが既知である第２の説明変数を入力とし、既知の感度カーブに基づく、性能値を補正する第２の補正係数を表す補正情報を出力とする。性能値算出部１２０には、ニューラルネットワーク部１１２の出力に代えて、既知感度カーブ部１４０の出力が入力される。教師データの各セットには、第２の説明変数の値が含まれる。

なお、本変形例では、感度カーブ学習装置１００ａが備える既知感度カーブ部１４０は、１つのみであるが、複数であってもよい。すなわち、感度カーブ学習装置１００が備えるニューラルネットワーク部１１０、１１１、１１２のうち、複数が既知感度カーブ部１４０に置き換えられていてもよい。また、性能値算出装置２００の感度カーブ部２２０、２２１、２２２のうち、一部が既知感度カーブ部１４０に置き換えられていてもよい。

これにより、高精度な感度カーブが既知であれば、高精度な感度カーブを用いることができる。また、教師データが存在しない領域があっても、該領域の感度カーブが得られる。また、感度カーブ学習装置１００ａは、感度カーブ学習装置１００に比べて、学習する感度カーブの数を減らし、学習に必要な演算量（演算時間）を減らすことができる。

＜第２の変形例＞
図１０は、本実施形態の第２の変形例における感度カーブ学習装置１００ｂの構成を示す概略ブロック図である。感度カーブ学習装置１００ｂは、図１の感度カーブ学習装置１００とは、ニューラルネットワーク部１１２に代えて、ガウス過程回帰部１５０を備える点が異なる。ガウス過程回帰部１５０は、ニューラルネットワーク部１１２と同様に、対応する説明変数（第３の説明変数）の値を入力とし、ガスタービンの性能値を補正する補正係数（第３の補正係数）を表す補正情報を出力とする。ガウス過程回帰部１５０は、ガウス過程回帰により、感度カーブを学習する点が、ニューラルネットワーク部１１２と異なる。性能値算出部１２０には、ニューラルネットワーク部１１２の出力に代えて、ガウス過程回帰部１５０の出力が入力される。教師データの各セットには、第３の説明変数の値が含まれる。

なお、本変形例では、感度カーブ学習装置１００ｂが備えるガウス過程回帰部１５０は、１つのみであるが、複数であってもよい。すなわち、感度カーブ学習装置１００が備えるニューラルネットワーク部１１０、１１１、１１２のうち、複数がガウス過程回帰部１５０に置き換えられていてもよい。また、性能値算出装置２００の感度カーブ部２２０、２２１、２２２のうち、一部がガウス過程回帰部１５０に置き換えられていてもよい。また、ガウス過程回帰以外の機械学習手法を用いてもよい。

図１１は、本変形例における入口案内翼開度の感度カーブの例を示すグラフである。図１１において、横軸は、入口案内翼開度（IGV開度）であり、縦軸は、出力である。図１１の実線は、ガウス過程回帰部１５０により算出された感度カーブの例を示す。ハッチング部は、その幅が狭いほど、信頼性が高いことを示す。例えば、Ａ部分は、ハッチング部が狭いので、該部分の感度カーブの信頼性が高い。一方、Ｂ部分は、ハッチング部が広いので、該部分の感度カーブの信頼性が低い。ユーザは、ハッチング部が広いところの信頼性を上げるために、該部分の外部条件を含む教師データが得られるような測定計画を立てることができる。

なお、上述の各実施形態において、教師データとして用いる測定値は、ガスタービンの定期検査と定期検査の間のデータのみを用いることが望ましい。これにより、定期検査による性能の変化の影響を受けることが避けられるため、精度の良い感度カーブを得ることができる。
また、上述の各実施形態において、教師データとして用いる測定値は、同一の仕様のガスタービンのデータのみを用いることが望ましい。これにより、ガスタービンの仕様差による影響を受けることが避けられるため、精度の良い感度カーブを得ることができる。

また、図１、８、９、１０における感度カーブ学習装置１００、１００ａ、１００ｂ、性能値算出装置２００の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより感度カーブ学習装置１００、１００ａ、１００ｂ、性能値算出装置２００を実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。

また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含むものとする。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。

以上、この発明の実施形態を図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計変更等も含まれる。

１００、１００ａ、１００ｂ…感度カーブ学習装置
１１０、１１１、１１２…ニューラルネットワーク部
１２０…性能値算出部
１３０…教師データ提供部
１４０…既知感度カーブ部
１５０…ガウス過程回帰部
２００…性能値算出装置
２１０…測定値・外部条件入力部
２２０、２２１、２２２…感度カーブ部
２３０…基準時性能値算出部

Claims (9)

1. ガスタービンの性能値に影響を与える外部条件を表す複数の第１の説明変数各々に対応する複数のニューラルネットワークであって、各々のニューラルネットワークが、対応する前記第１の説明変数の値を入力とし、各々のニューラルネットワークが、前記性能値を補正する第１の補正係数を表す補正情報を出力とする複数のニューラルネットワークと、
   前記ニューラルネットワーク各々が出力した前記補正情報が表す前記第１の補正係数を、基準となる性能値に乗じた値を、前記外部条件における性能値とする性能値算出部と、
   前記複数の第１の説明変数各々の値と、前記値に対応する前記外部条件における性能値とを含む教師データの複数のセットを用いて、前記ニューラルネットワークの各々に、対応する前記第１の説明変数に応じた前記第１の補正係数を表す感度カーブを学習させる教師データ提供部と
   を備える感度カーブ学習装置。
2. 前記外部条件を表す複数の第１の説明変数は、大気温度、大気圧力、湿度、運転時間、入口案内翼開度、大気温度により決まる基準の入口案内翼開度からの差分、ガスタービンの個体識別のうち、いずれかを含む、
   請求項１に記載の感度カーブ学習装置。
3. 前記性能値は、ガスタービンの出力、ガスタービンの効率、圧力比、吸気流量、排ガス温度、圧縮機効率のいずれかである、請求項１または請求項２に記載の感度カーブ学習装置。
4. 外部条件を表す第２の説明変数の値を入力とし、既知の感度カーブに基づく、前記性能値を補正する第２の補正係数を表す補正情報を出力とする既知感度部を備え、
   前記性能値算出部は、前記ニューラルネットワーク各々が出力した補正情報が表す前記第１の補正係数に加えて、前記既知感度部が出力した補正情報が表す前記第２の補正係数を、前記基準となる性能値に乗じた値を、前記外部条件における性能値とし、
   前記教師データは、前記第２の説明変数の値を含む、
   請求項１に記載の感度カーブ学習装置。
5. 外部条件を表す第３の説明変数の値を入力とし、ガウス過程回帰に基づく、前記性能値を補正する第３の補正係数を表す補正情報を出力とするガウス過程回帰部を備え、
   前記性能値算出部は、前記ニューラルネットワーク各々が出力した補正情報が表す前記第１の補正係数に加えて、前記ガウス過程回帰部が出力した補正情報が表す前記第３の補正係数を、前記基準となる性能値に乗じた値を、前記外部条件における性能値とし、
   前記教師データは、前記第３の説明変数の値を含み、
   前記教師データ提供部は、さらに、前記第３の説明変数に応じた前記第３の補正係数を表す感度カーブを学習させる、
   請求項１に記載の感度カーブ学習装置。
6. 前記教師データ提供部は、前記教師データの複数のセットを用いて前記ニューラルネットワークの各々に前記感度カーブを学習させる前に、少なくとも１つの前記ニューラルネットワークに、既知の感度カーブを学習させる、
   請求項１に記載の感度カーブ学習装置。
7. 感度カーブ学習装置のための学習方法であって、
   前記感度カーブ学習装置は、
   ガスタービンの性能値に影響を与える、外部条件を表す複数の第１の説明変数各々に対応する複数のニューラルネットワークであって、各々のニューラルネットワークが、対応する前記第１の説明変数の値を入力とし、各々のニューラルネットワークが、前記性能値を補正する第１の補正係数を表す補正情報を出力とする複数のニューラルネットワークと、
   前記ニューラルネットワーク各々が出力した前記補正情報が表す前記第１の補正係数を、基準となる性能値に乗じた値を、前記外部条件における性能値とする性能値算出部と、
   を備え、
   前記複数の第１の説明変数各々の値と、前記値に対応する前記外部条件における性能値とを含む教師データの複数のセットを用いて、前記ニューラルネットワークの各々が、対応する前記第１の説明変数に応じた前記第１の補正係数を表す感度カーブを学習するステップ、
   を有する学習方法。
8. ガスタービンの性能値に影響を与える、外部条件を表す複数の第１の説明変数各々に対応する感度カーブであって、請求項７に記載の学習方法により学習した感度カーブに基づき、対応する前記第１の説明変数の値を入力とし、前記性能値を補正する第１の補正係数を表す補正情報を出力とする感度カーブ部と、
   前記感度カーブ部各々が出力した前記補正情報が表す前記第１の補正係数の逆数を、前記外部条件における性能値に乗じた値を、基準となる外部条件における性能値とする基準時性能値算出部と
   を備える性能値算出装置。
9. 性能値算出装置による性能値算出方法であって、
   ガスタービンの性能値に影響を与える、外部条件を表す複数の第１の説明変数各々に対応する感度カーブであって、請求項７に記載の学習方法により学習した感度カーブに基づき、対応する前記第１の説明変数の値を入力とし、前記性能値を補正する第１の補正係数を表す補正情報を出力とする第１のステップと、
   前記性能値算出装置が、前記ニューラルネットワーク各々が出力した前記補正情報が表す前記第１の補正係数の逆数を、前記外部条件における性能値に乗じた値を、基準となる外部条件における性能値とする第２のステップと
   を有する性能値算出方法。

Images