TW202403484A - 狀態量預測裝置、狀態量預測方法、狀態量預測系統、以及狀態量預測系統的控制方法 - Google Patents
狀態量預測裝置、狀態量預測方法、狀態量預測系統、以及狀態量預測系統的控制方法 Download PDFInfo
- Publication number
- TW202403484A TW202403484A TW112119280A TW112119280A TW202403484A TW 202403484 A TW202403484 A TW 202403484A TW 112119280 A TW112119280 A TW 112119280A TW 112119280 A TW112119280 A TW 112119280A TW 202403484 A TW202403484 A TW 202403484A
- Authority
- TW
- Taiwan
- Prior art keywords
- prediction
- state quantity
- aforementioned
- prediction model
- model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 45
- 238000010801 machine learning Methods 0.000 claims abstract description 61
- 238000005259 measurement Methods 0.000 claims abstract description 54
- 238000010521 absorption reaction Methods 0.000 claims description 108
- 239000007788 liquid Substances 0.000 claims description 49
- 238000006477 desulfuration reaction Methods 0.000 claims description 38
- 230000023556 desulfurization Effects 0.000 claims description 38
- 230000010365 information processing Effects 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 34
- 235000019738 Limestone Nutrition 0.000 claims description 22
- 239000006028 limestone Substances 0.000 claims description 22
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 230000002745 absorbent Effects 0.000 claims description 13
- 239000002250 absorbent Substances 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 239000000779 smoke Substances 0.000 claims description 12
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical group [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 11
- 239000003546 flue gas Substances 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 11
- 239000002002 slurry Substances 0.000 claims description 11
- 230000003647 oxidation Effects 0.000 claims description 8
- 238000007254 oxidation reaction Methods 0.000 claims description 8
- 238000010248 power generation Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000003009 desulfurizing effect Effects 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 4
- 238000013526 transfer learning Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 26
- 239000007789 gas Substances 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 239000000428 dust Substances 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000003068 static effect Effects 0.000 description 9
- 230000004044 response Effects 0.000 description 5
- VTYYLEPIZMXCLO-UHFFFAOYSA-L Calcium carbonate Chemical compound [Ca+2].[O-]C([O-])=O VTYYLEPIZMXCLO-UHFFFAOYSA-L 0.000 description 4
- 230000001590 oxidative effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 229910000019 calcium carbonate Inorganic materials 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 239000010440 gypsum Substances 0.000 description 2
- 229910052602 gypsum Inorganic materials 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 239000011593 sulfur Substances 0.000 description 2
- 229910052717 sulfur Inorganic materials 0.000 description 2
- LSNNMFCWUKXFEE-UHFFFAOYSA-N Sulfurous acid Chemical group OS(O)=O LSNNMFCWUKXFEE-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000000706 filtrate Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-L sulfate group Chemical group S(=O)(=O)([O-])[O-] QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/46—Removing components of defined structure
- B01D53/48—Sulfur compounds
- B01D53/50—Sulfur oxides
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Chemical & Material Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Treating Waste Gases (AREA)
- Feedback Control In General (AREA)
Abstract
狀態量預測裝置係使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量。本裝置係記憶對應於第1工廠之第1預測模型,並使用第2工廠的量測數據來調整該第1預測模型而藉此製作對應於第2工廠之第2預測模型,然後使用第2預測模型來預測第2工廠的狀態量。第2預測模型的製作係藉由對第1預測模型以及第2預測模型之機械學習參數的差分施以正則化來進行學習。
Description
本揭示係關於狀態量預測裝置、狀態量預測方法、狀態量預測系統、以及狀態量預測系統的控制方法。
本申請案係根據2022年5月26日於日本國特許廳提出申請之日本特願2022-086146號主張優先權,並在此援引其內容。
於工廠般的機器中,以監視、控制或異常判定等為目的,有時會藉由採用了數值模型之運算來預測狀態量。此類數值模型例如有:根據從物理性發現所導出之靜態平衡式或狀態方程式等之物理模型,或是應用類神經網路或多元迴歸等之機械學習模型般的統計模型。
在使用物理模型作為數值模型之情形時,物理模型係假定真實預測式為線性以進行線性化等近似,或是假定例如為靜態時等的運轉條件以進行模型化,惟在此物理模型中,於未滿足所假定的前提條件之情形時,預測誤差有增大之疑慮。此外,在如機械學習模型般的統計模型中,於建構模型時所使用之學習數據的外推區域中,預測誤差有增大之疑慮。因此於專利文獻1中,係提出一種以機械學習來學習物理模型中所導出之狀態量與實測量之偏差,藉此以機械學習模型來修正物理模型中所預測之狀態量的誤差之預測手法。此手法是所謂組合了物理模型與機械學習模型之預測手法,惟在機械學習模型中並未考量到作為預測對象之狀態量的動態特性。因此,相對於狀態量具有動態特性之特性,會有無法得到充分得預測精度之疑慮。
相對於與此動態特性相關之課題的解決手法之一,可考量導入Recurrent Neural Network(RNN:遞迴類神經網路)作為機械學習手法。另一方面,於導入了微分構造之作為連續表現型類神經網路的類神經ODE (Neural Ordinary Differential Equation:類神經常微分方程式)中,與RNN相比,係具有記憶體效率高且可處理時間上呈連續的模型之優點。於非專利文獻1中,係揭示一種藉由組合類神經ODE與已知的微分方程式,可提升預測精度之預測手法。
[先前技術文獻]
[專利文獻]
[專利文獻1]日本特許第2882232號公報
[非專利文獻]
[非專利文獻1]Manuel A. Roehrl, Modelling System Dynamics with Physics Informed Neural Networks Based on Lagrangian Mechanics, IFAC, 2020
[發明所欲解決之課題]
如上述專利文獻1及非專利文獻1般,於使用組合了機械學習模型以及物理模型之預測模型來進行狀態量的預測之情形時,預測模型係使用在作為預測對象的工廠中所取得之學習數據來進行學習,以決定機械學習模型所包含之機械學習參數以及物理模型所包含之物理參數。使用在此預測模型的學習之學習數據係應用有:藉由設置在成為預測對象的工廠之感測器等量測裝置所得到之量測數據。
在此,關於未設置用以得到可應用作為學習數據之量測數據的感測器之工廠,在欲學習用以預測狀態量之預測模型之情形時,設置用以新取得學習數據之感測器等者,就成本而言為不利。在此情形時,於使用過去在其他類似的工廠中所取得之學習數據而得到已學習完畢的預測模型時,可考量將對應於該其他工廠之預測模型,應用作為對應於未設置感測器等之工廠的預測模型。惟由於工廠有其固有特性,若直接應用其他工廠的預測模型時,則預測精度會降低,必須進行預測模型的微調。
本揭示的至少一實施型態係鑑於上述情況而研創,該目的在於提供一種使用將對應於其他工廠之已學習完畢的預測模型進行調整所得到之預測模型,來抑制成本且可精度佳地預測狀態量之狀態量預測裝置、狀態量預測方法、狀態量預測系統、以及狀態量預測系統的控制方法。
[用以解決課題之技術手段]
為了解決上述課題,有關本揭示的數項實施型態之狀態量預測裝置,係用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測裝置,
係具備:第1預測模型記憶部,係用以記憶對應於第1工廠而分別學習了前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數之作為前述預測模型的第1預測模型,及
量測數據取得部,係用以取得第2工廠的量測數據,及
第2預測模型製作部,係用以使用前述量測數據來調整前述第1預測模型而藉此製作對應於前述第2工廠之作為前述預測模型的第2預測模型,以及
狀態量預測部,係用以使用前述第2預測模型來預測前述第2工廠的前述狀態量;
前述第2預測模型製作部係藉由對前述第1預測模型以及前述第2預測模型之前述機械學習參數的差分施以正則化來進行學習,而製作前述第2預測模型。
為了解決上述課題,有關本揭示的數項實施型態之狀態量預測系統,係由:用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測裝置、以及可與狀態量預測裝置進行通訊之資訊處理裝置所構成之狀態量預測系統,
前述狀態量預測裝置係具備:第1預測模型記憶部,係用以記憶對應於第1工廠而分別學習了前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數之作為前述預測模型的第1預測模型,及
量測數據取得部,係用以在經前述資訊處理裝置所要求後取得第2工廠的量測數據,及
第2預測模型製作部,係用以使用前述量測數據來調整前述第1預測模型而藉此製作對應於前述第2工廠之作為前述預測模型的第2預測模型,以及
狀態量預測部,係用以使用前述第2預測模型來預測前述第2工廠的前述狀態量;
前述第2預測模型製作部係藉由對前述第1預測模型以及前述第2預測模型之前述機械學習參數的差分施以正則化來進行學習,而製作前述第2預測模型。
為了解決上述課題,有關本揭示的數項實施型態之狀態量預測方法,係用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測方法,
係具備:記憶第1預測模型之步驟,係記憶對應於第1工廠而分別學習了前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數之作為前述預測模型的第1預測模型,及
取得第2工廠的量測數據之步驟,及
製作第2預測模型之步驟,係使用前述量測數據來調整前述第1預測模型,藉此製作對應於前述第2工廠之作為前述預測模型的第2預測模型,以及
預測狀態量之步驟,係使用前述第2預測模型來預測前述第2工廠的前述狀態量;
於製作前述第2預測模型之步驟中,係藉由對前述第1預測模型以及前述第2預測模型之前述機械學習參數的差分施以正則化來進行學習,而製作前述第2預測模型。
為了解決上述課題,有關本揭示的數項實施型態之狀態量預測系統的控制方法,係由:用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測裝置、以及可與狀態量預測裝置進行通訊之資訊處理裝置所構成之狀態量預測系統的控制方法,
前述狀態量預測裝置係執行:量測數據取得步驟,係用以在經前述資訊處理裝置所要求後取得第2工廠的量測數據,及
第2預測模型製作步驟,係用以使用前述量測數據,來調整用以記憶對應於第1工廠而分別學習了前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數之作為前述預測模型的第1預測模型之第1預測模型記憶部中所記憶之前述第1預測模型,藉此製作對應於前述第2工廠之作為前述預測模型的第2預測模型,以及
狀態量預測步驟,係使用前述第2預測模型來預測前述第2工廠的前述狀態量;
於前述第2預測模型製作步驟中,係藉由對前述第1預測模型以及前述第2預測模型之前述機械學習參數的差分施以正則化來進行學習,而製作前述第2預測模型。
為了解決上述課題,有關本揭示的數項實施型態之狀態量預測裝置,係用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測裝置,
係具備:預測模型製作部,係用以使用前述工廠中所取得之學習數據來學習前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數,藉此製作前述預測模型,以及
狀態量預測部,係用以使用前述預測模型來預測前述工廠的前述狀態量;
前述預測模型製作部係藉由對前述預測模型中之前述機械學習參數施以正則化來進行學習,而製作前述預測模型。
為了解決上述課題,有關本揭示的數項實施型態之狀態量預測系統,係由:用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測裝置、以及可與狀態量預測裝置進行通訊之資訊處理裝置所構成之狀態量預測系統,
前述狀態量預測裝置係具備:預測模型製作部,係用以使用前述工廠中所取得之學習數據來學習前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數,藉此製作前述預測模型,以及
狀態量預測部,係用以使用前述預測模型來預測前述工廠的前述狀態量;
前述預測模型製作部係藉由對前述預測模型中之前述機械學習參數施以正則化來進行學習,而製作前述預測模型。
為了解決上述課題,有關本揭示的數項實施型態之狀態量預測方法,係用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測方法,
係具備:製作預測模型之步驟,係用以使用前述工廠中所取得之學習數據來學習前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數,藉此製作前述預測模型,以及
預測狀態量之步驟,係用以使用前述預測模型來預測前述工廠的前述狀態量;
於製作前述預測模型之步驟中,係藉由對前述預測模型中之前述機械學習參數施以正則化來進行學習,而製作前述預測模型。
為了解決上述課題,有關本揭示的數項實施型態之狀態量預測系統的控制方法,係由:用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測裝置、以及可與狀態量預測裝置進行通訊之資訊處理裝置所構成之狀態量預測系統的控制方法,
前述狀態量預測裝置係具備:預測模型製作部,係用以在經前述資訊處理裝置所要求後,使用前述工廠中所取得之學習數據來學習前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數,藉此製作前述預測模型,以及
狀態量預測部,係用以使用前述預測模型來預測前述工廠的前述狀態量;
前述預測模型製作部係藉由對前述預測模型中之前述機械學習參數施以正則化來進行學習,而製作前述預測模型。
[發明之效果]
根據本揭示的至少一實施型態,可提供一種使用將對應於其他工廠之已學習完畢的預測模型進行調整所得到之預測模型,來抑制成本且可精度佳地預測狀態量之狀態量預測裝置、狀態量預測方法、狀態量預測系統、以及狀態量預測系統的控制方法。
以下係參照附加圖面來說明本發明的數項實施型態。惟實施型態所記載或圖面所示之構成等並非意指將本發明的範圍限定於此,而僅僅是說明例。
有關本揭示的至少一實施型態之狀態量預測裝置1,為用以使用預測模型M來預測對應於輸入參數u之工廠的狀態量x之裝置。用以實現狀態量預測裝置1之硬體構成並無限定,例如以具備CPU(Central Processing Unit:中央處理單元)、RAM(Random Access Memory:隨機存取記憶體)、ROM(Read Only Memory:唯讀記憶體)、以及電腦可讀取的記憶媒體等之資訊處理裝置來構成。此外,用以實現各種功能之一連串處理的一例,係以程式的形式記憶於記憶媒體等,然後CPU將此程式讀出於RAM等並進行資訊的加工及運算處理而藉此實現各種功能。程式可適用預先安裝於ROM或其他記憶媒體之型態,或是以記憶於電腦可讀取的記憶媒體之狀態來提供之型態,或是透過有線或無線之通訊手段來配送之型態等。所謂電腦可讀取的記憶媒體,為磁碟、光磁碟、CD-ROM、DVD-ROM、半導體記憶體等。
狀態量預測裝置1所使用之預測模型M包含機械學習模型M
N以及物理模型M
P。於以下實施型態中,係使具有用以預測工廠的動態狀態之機械學習模型M
N組合於用以預測處於靜態狀態之工廠的狀態量x之物理模型M
P,來構成預測模型M。此預測模型M所包含之機械學習模型M
N以及物理模型M
P的功能僅為一例,並無任何限定。
圖1為顯示有關一實施型態之狀態量預測裝置1A的構成之方塊圖。狀態量預測裝置1A係具有組合了機械學習模型M
N以及物理模型M
P之預測模型M,具體而言,係具備:用以使用機械學習模型M
N來算出第1預測值X1之第1預測值算出部4,及用以使用物理模型M
P來算出第2預測值X2之第2預測值算出部6,以及根據第1預測值X1以及第2預測值X2來算出狀態量x的預測值X之狀態量預測值算出部8。
物理模型M
P為對應於處於靜態狀態之工廠之物理模型,並且構成為輸出對應於靜態時的輸入參數u之作為工廠之狀態量x的靜態成分之第2預測值X2。此物理模型M
P一般而言係以下列式之靜態時的輸入參數u以及第2預測值X2之關係式來表示。
θ
P為物理模型M
P中所包含之至少1個物理參數,於本實施型態中,係包含k個物理參數θ
P1、θ
P2、‧‧‧、θ
Pk(以下適當地稱為「物理參數θ
P」;k為1以上的自然數)。f為以輸入參數u以及物理參數θ
P為變數之任意函數。
機械學習模型M
N為對應於處於動態狀態之工廠之機械學習模型,並且構成為輸出對應於動態時的輸入參數u之作為工廠之狀態量x的動態成分之第1預測值X1。此機械學習模型M
N例如以表示動態時的輸入參數u與作為工廠之狀態量x的動態成分之第1預測值X1的關係之類神經網路來構成。
圖2為顯示圖1之作為機械學習模型M
N之類神經網路的一例之示意圖。此類神經網路係具備:具有分別輸入有複數個輸入參數u1、u2、...之複數個節點之輸入層12,及具有輸出第1預測值X1作為預測結果之節點之輸出層14,以及包含位於輸入層12及輸出層14之間之複數個節點之中間層13(隱藏層)。於中間層13的各節點中,係設定有機械學習參數θ
N1、θ
N2、‧‧‧、θ
Nn(以下適當地稱為「機械學習參數θ
N」;n為1以上的自然數)作為加權係數。
第1預測值算出部4係藉由將輸入參數u賦予至機械學習模型M
N來算出第1預測值X1。第2預測值算出部6藉由將輸入參數u賦予至物理模型M
P來算出第2預測值X2。狀態量預測值算出部8係根據對應於狀態量x的動態成分之第1預測值算出部4中所算出的第1預測值X1、以及對應於狀態量x的靜態成分之第2預測值算出部6中所算出的第2預測值X2,來算出狀態量x的預測值X。如此,狀態量預測裝置1A可求取包含動態成分以及靜態成分之狀態量x的預測值X。
在此,預測模型M所包含之機械學習參數θ
N以及物理參數θ
P,係藉由採用學習數據之學習來決定(以下在總稱機械學習參數θ
N以及物理參數θ
P之情形時,係適當地稱為「學習參數θ」)。具體而言,於學習時係分別對機械學習參數θ
N及物理參數θ
P賦予初期值θ
N0、θ
P0,並且例如以下述式所定義之評估函數F1成為最小之方式來探索機械學習參數θ
N及物理參數θ
P。
X'為對應於學習數據所含有之預測值X'的真實值(例如實測值)。
在此,於前述狀態量預測裝置1A中,係使用用以預測狀態量x之預測模型M,為了得到預測精度佳之預測模型M,係以可充分多地取得預測模型M的學習所使用之學習數據者為前提。因此,例如在無法取得充分的學習數據之工廠中,藉由學習所得到之預測模型M的預測精度有降低之疑慮。為了解決此情況,雖可考量於工廠中增設用以取得充分的學習數據之感測器等,但成本上較為不利。為了解決此課題,於下一實施型態中,藉由調整對應於可取得充分的學習數據之第1工廠P1之已學習完畢的第1預測模型M1,來得到對應於與第1工廠P1不同的第2工廠P2之第2預測模型M2,藉此可預測第2工廠P2中的狀態量x。
圖3為顯示有關其他實施型態之狀態量預測裝置1B的構成之方塊圖。狀態量預測裝置1B為用以預測第2工廠P2的狀態量x之裝置,且係具備:第1預測模型記憶部15、及量測數據取得部16、及第2預測模型製作部17、以及狀態量預測部18。
第1預測模型記憶部15為用以記憶對應於與作為狀態量預測裝置1B的預測對象之第2工廠P2不同的第1工廠P1之第1預測模型M1之構成。第1預測模型M1係對應於第1工廠P1之前述預測模型M,如圖1所例示,為包含機械學習模型M
N以及物理模型M
P之預測模型。於第1工廠P1中,係可取得充分的運轉數據作為用以學習第1預測模型M1之學習數據,並且第1預測模型M1藉由使用此充分的運轉數據作為學習數據之學習,以具有充分的預測精度之方式來建構。如此地建構之第1預測模型M1係以可讀取之方式記憶於第1預測模型記憶部15。
第1工廠P1以及第2工廠P2相互類似。第1工廠P1以及第2工廠P2是否類似,例如可總體地考量工廠的設備構成或各設備之規格的類似度、作為學習數據以外所取得之狀態量(設置在工廠之感測器構成)的類似度等來判斷。
量測數據取得部16為在作為狀態量預測裝置1B的預測對象之第2工廠P2中,用以從第2工廠P2中取得運轉數據作為量測數據Dm之構成。於第2工廠P2中具備有用以量測運轉數據之量測機器,於此量測機器中,由於例如在每間工廠中所裝載之量測機器的種類或控制方式等之不同,關於狀態量x的實測值X',會有無法取得充分數目的數據之限制(關於排除實測值X'之其他運轉數據,則與第1工廠P1相同可取得充分數目的數據)。
第2預測模型製作部17為用以使用量測數據取得部16中所取得之第2工廠P2的量測數據Dm,來調整從第1預測模型記憶部15所讀取之第1預測模型M1,藉此製作對應於第2工廠P2之第2預測模型M2之構成。第2預測模型M2的製作,係藉由將對應於與作為預測對象之第2工廠P2類似的第1工廠P1之第1預測模型M1中所包含的學習參數θ(前述機械學習參數θ
N以及物理參數θ
P)進行微調而進行。於各工廠中,由於輸入參數u與預測值X的關係和工廠之個別差異般的特性相依,故一般而言於每個工廠中預測模型M有所不同,惟於相互類似之第1工廠P1以及第2工廠P2中,係設成為預測模型M相對接近。因此,第2預測模型製作部17係將對應於已使用充分的學習數據而學習完畢之第1工廠P1之第1預測模型M1進行微調,藉此製作:對應於關於狀態量x的實測值X'難以取得充分的學習數據之第2工廠P2之第2預測模型M2。
由第2預測模型製作部17所進行之第2預測模型M2的製作,係對第1預測模型M1的機械學習參數θ
N1以及第2預測模型M2的機械學習參數θ
N2之差分的大小施以正則化來進行學習(轉移學習)而進行。具體而言,此學習係以下列式的評估函數F2成為最小之方式來進行。
此評估函數F2係具有與前述評估函數F1(參照上述(1)式)相同之第1項、以及作為正則項之第2項。第2項係作為第1預測模型M1以及第2預測模型M2的機械學習參數θ
N之差分的2範數來表現,並使用加權係數β來加算於第1項。於使此評估函數F2成為最小之學習中,在包含機械學習模型M
N以及物理模型M
P之預測模型M中,藉由限制機械學習參數θ
N的學習自由度,即使在關於狀態量x的實測值X'之學習數據較少時,亦可促進物理參數θ
P的更新以避免過度學習。其結果於第2預測模型製作部17中,即使在第2工廠P2中僅能得到少量的學習數據(量測數據Dm所包含之狀態量x的實測值X'),亦可使用該少量的學習數據將第1預測模型M1進行微調,藉此可製作具可靠度之第2預測模型M2。
第2預測模型製作部17在使用評估函數F2之學習中,可對物理參數θ
P設定容許範圍。此容許範圍可預先規定作為可取得物理參數θ
P之範圍。藉此,除了限制由前述正則化所進行之機械學習參數θ
N的學習自由度之外,亦限制物理參數θ
P的學習自由度,藉此可製作更具可靠度之第2預測模型M2。
狀態量預測部18為用以使用第2預測模型製作部17中所製作之第2預測模型M2,來對第2工廠P2算出狀態量x的預測值X之構成。具體而言,如參照圖1於先前所說明般,狀態量預測部18係藉由將第2工廠P2中所取得之作為運轉數據的輸入參數u輸入於第2預測模型M2,而得到所對應之狀態量x的預測值X。
構成圖3所示之狀態量預測裝置1B之各方塊,可作為單一裝置來構成或是涵蓋複數個裝置來構成。例如,關於第2預測模型M2的製作之構成(第1預測模型記憶部15、及量測數據取得部16、第2預測模型製作部17等),與用以使用第2預測模型M2來預測狀態量x之構成(狀態量預測部18等),可構成為不同的裝置。在此情形時,可於前者中製作第2預測模型M2,於後者中使用前者中所製作之第2預測模型M2來進行狀態量x的預測。
此外,第2預測模型製作部17亦可以由狀態量預測部18所預測之狀態量x的預測值X,成為例如由設置在第2工廠P2之機器所量測之狀態量x的實測值X'之方式來調整第2預測模型M2。在此,圖4為顯示根據藉由狀態量x的實測值X'所調整後之第2預測模型M2而算出之預測值X的變遷之圖。
在此,於圖4中,在每個預定或非預定的取樣週期Ts中所規定之時刻t1、t2、...中,係以由狀態量預測部18所預測之狀態量x的預測值X成為狀態量x的實測值X'之方式來調整第2預測模型M2。第2預測模型M2基本上是使用前述評估函數F2所製作,惟例如於中途時第2工廠P2的運用條件經變更(例如在參照圖5於之後所說明之實施型態中,附隨於脫硫裝置20之鍋爐中所使用之燃料的種類(煤炭種)等)之情形時,預測精度有降低之疑慮。於此樣態中,係在每個預定的取樣週期Ts中以狀態量x的預測值X成為實測值X'之方式來調整第2預測模型M2,如此,即使第2工廠P2的運用條件經變更亦可適合地維持第2預測模型M2的可靠度。
此外,在使用前述評估函數F1(參照上述(1)式)來進行預測模型M的學習之情形時,學習數據所含有之數據數量較少時,會有引起過度學習而使預測精度降低之疑慮。因此,可在預測模型M的學習時進行正則化以避免過度學習。具體而言,亦可使用下列式的評估函數F3來取代評估函數F1以作為於預測模型M的學習時所使用之評估函數。
於此評估函數F3中,第1項係與評估函數F1相同,表示預測平方誤差的總和,第2項則表示正則項。上述(3)式僅為一例,例如,亦可將第1項設成為將(3)式的第1項除以評估數據數目後之平均值,並且將第2項設成為將(3)式的第2項除以參數數目後之平均值等。藉由使用此評估函數F3來進行學習以避免過度學習,即使在學習數據所包含之數據數目較少時,亦可避免過度學習而得到精度佳的預測模型。
於如此地使用評估函數F3之學習中,於預測模型M所具有之學習參數θ中,機械學習參數θ
N的自由度相對於物理參數θ
P相對較高。因此,於使用評估函數F3之學習中,機械學習參數θ
N的學習處於支配性地位,而有產生物理參數θ
P的學習無法適切地進行或是不具有學習的重現性等問題之疑慮。
為了解決此課題,亦可使用如下列式所示,於學習參數θ中僅對機械學習參數θ
N施以正則化之評估函數F4來進行學習。
以使該評估函數F4成為最小之方式進行學習,來限制機械學習參數θ
N的學習自由度,並促進物理參數θ
P的更新以避免過度學習,其結果為即使於學習數據(量測數據Dm所包含之狀態量x的實測值X')的數據數目較少,亦可藉由學習來分別適合地決定機械學習參數θ
N以及物理參數θ
P。
於(4)式中,評估函數F4的第2項係藉由加權係數α加算機械學習參數θ
N的2範數來表現,惟此亦與前述評估函數F3相同僅為一例,例如,亦可將第1項設成為將(4)式的第1項除以評估數據數目後之平均值,並且將第2項設成為將(4)式的第2項除以參數數目後之平均值等。
於使用了前述評估函數F3以及評估函數F4之學習中,於預測模型M中亦可對物理參數θ
P設定容許範圍。藉此來限制物理參數的學習自由度,而得到能夠精度更佳地預測狀態量之預測模型M。
此外,藉由使用了前述評估函數F3以及評估函數F4之學習所製作之預測模型M,如參照圖4於先前所說明般,亦可以使用預測模型M所預測之狀態量x的預測值X,成為例如由設置在工廠之機器所量測之狀態量x的實測值X'之方式來進行調整。藉此,以使用預測模型M所預測之狀態量x的預測值X成為實測值X'之方式在預定時機下進行調整,即使工廠的運用條件(例如在參照圖5於之後所說明之實施型態中,附隨於脫硫裝置20之鍋爐中所使用之燃料的種類(煤炭種)等)產生變化,亦可適合地維持預測模型M的預測精度。
接著說明具有上述構成之狀態量預測裝置1A及1B的具體適用例。在此係例示地說明以排煙脫硫工廠的吸收塔中所使用之吸收液的吸收劑濃度作為狀態量x來進行預測之情形,以作為預測工廠的狀態量x時之具體的一例,惟其他例亦可以氣體渦輪機、蒸氣渦輪機、大型冷凍機、空調等為對象。
圖5為概略性顯示脫硫裝置20的構成之圖。脫硫裝置20係附隨於火力發電廠等工廠設備的鍋爐(圖中未顯示)而設置,並且具備:集塵裝置22,係收集在鍋爐的排氣通路23a中流通之排放氣體G0所含有的微粒,以及吸收塔24,係於集塵裝置22的下游側,設置在通過集塵裝置22之排放氣體G1所流通的排氣通路23b。
集塵裝置22係對被供給至外殼內之排放氣體G0進行電暈放電,使排放氣體G0所含有之微粒帶電,並藉由電吸引力而附著於帶正負電之附著部以進行集塵之電集塵器。藉由集塵裝置22進行集塵處理後之排放氣體G1,係經由排氣通路23b而被供給至吸收塔24。
吸收塔24係使含有石灰石30之吸收液26接觸於在集塵裝置22中進行集塵處理後之排放氣體G1,以吸收排放氣體G1中的SO
2(二氧化硫)而藉此進行脫硫處理。於吸收塔24的底部貯留有吸收液26。吸收液26係使從設置在吸收塔24的外部之石灰石進料器28所供給之石灰石30,與供給至吸收塔24的底部之水32進行混合而生成。
於本實施型態中,係例示從石灰石進料器28將石灰石30供給至水32而生成吸收液26之情形,惟亦可將含有石灰石之石灰石漿液供給至水32而生成吸收液26。
貯留於吸收塔24的底部之吸收液26係藉由吸收液循環泵34而被泵送,並經由設置在吸收塔24的外部之吸收液循環配管36而被供給至吸收塔24內的上部。吸收液循環泵34係由相互地並聯連接之複數台泵單元所構成,且各泵單元的運轉狀態受到控制。例如於泵單元為可變容量方式(動態葉輪方式)之情形時,可藉由可變地調整各泵單元的容量來控制從吸收液循環泵34所泵送之吸收液26的流量。此外,於泵單元為固定容量方式(固定葉輪方式)之情形時,可藉由調整泵單元的動作台數來控制從吸收液循環泵34所泵送之吸收液26的流量。如此地供給至吸收塔24內的上部之吸收液26,係在從設置於吸收塔24內的上部之噴嘴38被散布而落下之過程中與在吸收塔24內上升之排放氣體G1進行接觸。藉此,排放氣體G1所含有之SO
2與吸收液26中的石灰石30進行反應而進行脫硫處理。
吸收液26從噴嘴38之散布及落下方式可為格柵方式、液柱方式或噴霧方式。
下述(5)式為吸收塔24中所實施之脫硫處理的化學反應式。於脫硫反應中,石灰石30與排放氣體G1所含有之SO
2進行反應而生成作為副產物的石膏34(CaCO
4.2H
2O)。SO
2經去除後之排放氣體G2係從吸收塔24的頂部經由脫硫排放氣體管25排出至外部。
此外,貯留於吸收塔24的底部之吸收液26的一部分係一面藉由吸收液循環泵34而被泵送,一面經由從吸收塔24外部的吸收液循環配管36所分歧之提取管40而被傳送至脫水器42。脫水器42例如由皮帶過濾器所構成,在由該皮帶過濾器所運送之過程中,將吸收液26進行脫水處理並使所生成之石膏34被排出至系外。
於脫水器42的脫水處理中所生成之濾液,係作為水32被供給至吸收塔24的底部以進行再利用。
此外,於吸收塔24的底部供給有氧化用空氣46。藉此使吸收液26含有氧化用空氣46,而促進從SO
2排放氣體移往吸收液26中所生成之亞硫酸基往硫酸基之氧化,其結果亦提升排放氣體中之SO
2的去除效率。
於吸收液26從噴嘴38之散布及落下方式為格柵方式之情形時,由於吸收液26在落下的過程中被氧化,所以亦可省略氧化用空氣46的供給。
於此脫硫裝置20中,係配置有可選擇作為前述輸入參數u之至少1個感測器。於本實施型態中,係設置有:用以偵測吸收塔24的出口側之SO
2濃度u1(脫硫出口SO
2濃度[ppm])之SO
2濃度感測器50、及用以偵測吸收塔24的入口側之SO
2濃度u2(脫硫入口SO
2濃度[ppm])之SO
2濃度感測器52、及用以偵測吸收塔24中所生成之石灰石漿液的流量u3(吸收塔石灰石漿液流量[m
3/h])之石灰石漿液流量感測器54、及用以偵測鍋爐空氣流量u5[%]之鍋爐空氣流量感測器56、及用以偵測吸收塔24中所生成之石灰石漿液的濃度u6(吸收塔石灰石漿液濃度[wt%])之石灰石漿液濃度感測器58、及用以偵測供給至吸收塔24之氧化用空氣流量u7[m
3N/h]之氧化用空氣流量感測器60、及用以偵測吸收塔24中之吸收液26的pH之u8(吸收塔pH)之pH感測器62、及用以偵測吸收塔24中之吸收液26的水位u9(吸收塔水位[m])之水位感測器64。此等各感測器的偵測值被輸入於作為脫硫裝置20的控制單元之控制裝置200,而由控制裝置200來控制脫硫裝置20的各部。
此外,相對於藉由鍋爐(圖中未顯示)中所生成之蒸氣來進行發電之發電機(圖中未顯示)的發電指令訊號u4,亦構成為可作為輸入參數u來取得。
此等各感測器之偵測值的至少1個係作為輸入參數u而被輸入於前述狀態量預測裝置1A及1B,藉此,狀態量預測裝置1A及1B係預測吸收塔24中的吸收劑(碳酸鈣)濃度[mmol/L]作為狀態量x。
於狀態量預測裝置1A及1B中,物理模型M
P所具有之物理參數θ
P可使用關於脫硫裝置20之各種參數,惟亦可包含例如吸收液26中之石灰石的活性、吸收塔24之入口氣體中的水分率、吸收塔24中的增濕率之至少1種。
具有此構成之狀態量預測裝置1A及1B係藉由經由網路連接於配置在脫硫裝置20之各感測器,可取得各感測器所偵測之結果作為輸入參數u。藉此,於狀態量預測裝置1中可預測吸收劑(碳酸鈣)濃度[mmol/L]作為對應於輸入參數u之狀態量x,而活用在脫硫裝置20的運用中。
此外,亦可採用下列作為狀態量預測系統之構成,其係藉由以可與上述實施型態中的狀態量預測裝置1A或狀態量預測裝置1B進行通訊之方式所連接之資訊處理裝置70來執行。在此,圖6為顯示有關一實施型態之狀態量預測系統的構成之方塊圖。
資訊處理裝置70係具備顯示部71,其係顯示在狀態量預測裝置1A或狀態量預測裝置1B中所算出之預測值X。此外,資訊處理裝置70亦可具備下列構成:依循經由顯示部71所輸入之指示,因應來自資訊處理裝置70的要求而在狀態量預測裝置1A或狀態量預測裝置1B中執行各處理。
其他在不脫離本揭示之主旨的範圍內,可適當地將上述實施型態中的構成要素取代為眾所皆知的構成要素,此外,亦可適當地組合上述實施型態。
上述各實施型態所記載之內容例如可掌握如下。
(1)有關一樣態之狀態量預測裝置,係用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測裝置,
係具備:第1預測模型記憶部,係用以記憶對應於第1工廠而分別學習了前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數之作為前述預測模型的第1預測模型,及
量測數據取得部,係用以取得第2工廠的量測數據,及
第2預測模型製作部,係用以使用前述量測數據來調整前述第1預測模型而藉此製作對應於前述第2工廠之作為前述預測模型的第2預測模型,以及
狀態量預測部,係用以使用前述第2預測模型來預測前述第2工廠的前述狀態量;
前述第2預測模型製作部係藉由對前述第1預測模型以及前述第2預測模型之前述機械學習參數的差分施以正則化來進行學習,而製作前述第2預測模型。
根據上述(1)的樣態,藉由調整對應於第1工廠之第1預測模型,可製作對應於第2工廠之第2預測模型。此預測模型的調整係藉由對第1預測模型以及第2預測模型之機械學習參數的差分施以正則化來進行學習。例如,即使在第2工廠中僅能藉由簡易量測來得到少數的第2量測數據,亦可藉由限制機械學習參數的學習自由度並促進物理參數的更新,而根據第1預測模型來製作具有可靠度之第2預測模型。使用如此地製作之第2預測模型,即使在難以取得充足的量測數據之第2工廠中,亦可進行精度佳之狀態量的預測。
(2)於其他樣態中,於上述(1)的樣態中,前述第2預測模型製作部係以包含前述第1預測模型以及前述第2預測模型之前述機械學習參數的差分之損失函數成為最小之方式來進行轉移學習,藉此製作前述第2預測模型。
根據上述(2)的樣態,以包含第1預測模型以及第2預測模型之機械學習參數的差分的大小之損失函數成為最小之方式來進行轉移學習,藉此可進行以機械學習參數的學習自由度不會變得過大之方式來施以正則化之學習。
(3)於其他樣態中,於上述(1)或(2)的樣態中,前述第2預測模型製作部係對前述第1預測模型以及前述第2預測模型的前述物理參數設定容許範圍。
根據上述(3)的樣態,於學習時對物理參數設定容許範圍以限制物理參數的學習自由度,藉此得到能夠精度更佳地預測狀態量之第2學習模型。
(4)於其他樣態中,於上述(1)至(3)中任一樣態中,前述第2預測模型製作部係以前述狀態量預測部中所預測之前述狀態量的預測值成為前述狀態量的實測值之方式來調整前述第2預測模型。
根據上述(4)的樣態,以藉由第2預測模型所預測之狀態量的預測值成為實測值之方式來調整第2預測模型,即使第2工廠的運用條件產生變化,亦可適合地維持第2預測模型的預測精度。
(5)於其他樣態中,於上述(1)至(4)中任一樣態中,前述工廠為用以在吸收塔中使吸收液接觸於排煙而將前述排煙進行脫硫之排煙脫硫工廠,
前述狀態量為前述吸收塔中之前述吸收液的吸收劑濃度。
根據上述(5)的樣態,可適合地預測排煙脫硫工廠所具備之吸收塔中之吸收液的吸收劑濃度作為狀態量。
(6)於其他樣態中,於上述(5)的樣態中,前述輸入參數係包含:前述吸收塔的脫硫出口SO
2濃度、前述吸收塔的脫硫入口SO
2濃度、前述吸收塔中所生成之石灰石漿液的流量或濃度、相對於藉由在排出前述排煙之鍋爐中所生成的蒸氣來進行發電之發電機之發電指令訊號、排出前述排煙之鍋爐中的空氣流量、供給至前述吸收塔之氧化用空氣流量、前述吸收塔中之前述吸收液的pH、或是前述吸收塔中之前述吸收液的水位之至少1種。
根據上述(6)的樣態,於輸入參數中包含此等參數的至少1種,可適合地預測排煙脫硫工廠所具備之吸收塔中之吸收液的吸收劑濃度作為狀態量。
(7)有關一樣態之狀態量預測系統,係由:用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測裝置、以及可與狀態量預測裝置進行通訊之資訊處理裝置所構成之狀態量預測系統,
前述狀態量預測裝置係具備:第1預測模型記憶部,係用以記憶對應於第1工廠而分別學習了前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數之作為前述預測模型的第1預測模型,及
量測數據取得部,係用以在經前述資訊處理裝置所要求後取得第2工廠的量測數據,及
第2預測模型製作部,係用以使用前述量測數據來調整前述第1預測模型而藉此製作對應於前述第2工廠之作為前述預測模型的第2預測模型,以及
狀態量預測部,係用以使用前述第2預測模型來預測前述第2工廠的前述狀態量;
前述第2預測模型製作部係藉由對前述第1預測模型以及前述第2預測模型之前述機械學習參數的差分施以正則化來進行學習,而製作前述第2預測模型。
根據上述(7)的樣態,係實現:具備前述有關各樣態之狀態量預測裝置以及可與狀態量預測裝置進行通訊之資訊處理裝置之狀態量預測系統。於本系統中,係因應來自資訊處理裝置的要求而在狀態量預測裝置中如上述般地預測第2工廠的狀態量,並且可在資訊處理裝置中得到該預測結果。
(8)有關一樣態之狀態量預測方法,係用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測方法,
係具備:記憶第1預測模型之步驟,係記憶對應於第1工廠而分別學習了前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數之作為前述預測模型的第1預測模型,及
取得第2工廠的量測數據之步驟,及
製作第2預測模型之步驟,係使用前述量測數據來調整前述第1預測模型,藉此製作對應於前述第2工廠之作為前述預測模型的第2預測模型,以及
預測狀態量之步驟,係使用前述第2預測模型來預測前述第2工廠的前述狀態量;
於製作前述第2預測模型之步驟中,係藉由對前述第1預測模型以及前述第2預測模型之前述機械學習參數的差分施以正則化來進行學習,而製作前述第2預測模型。
根據上述(8)的樣態,藉由調整對應於第1工廠之第1預測模型,可製作對應於第2工廠之第2預測模型。此預測模型的調整係藉由對第1預測模型以及第2預測模型之機械學習參數的差分施以正則化來進行學習。例如,即使在第2工廠中僅能藉由簡易量測來得到少數的第2量測數據,亦可藉由限制機械學習參數的學習自由度並促進物理參數的更新,而根據第1預測模型來製作具有可靠度之第2預測模型。使用如此地製作之第2預測模型,即使在難以取得充足的量測數據之第2工廠中,亦可進行精度佳之狀態量的預測。
(9)有關一樣態之狀態量預測系統的控制方法,係由:用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測裝置、以及可與狀態量預測裝置進行通訊之資訊處理裝置所構成之狀態量預測系統的控制方法,
前述狀態量預測裝置係執行:量測數據取得步驟,係用以在經前述資訊處理裝置所要求後取得第2工廠的量測數據,及
第2預測模型製作步驟,係用以使用前述量測數據,來調整用以記憶對應於第1工廠而分別學習了前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數之作為前述預測模型的第1預測模型之第1預測模型記憶部中所記憶之前述第1預測模型,藉此製作對應於前述第2工廠之作為前述預測模型的第2預測模型,以及
狀態量預測步驟,係使用前述第2預測模型來預測前述第2工廠的前述狀態量;
於前述第2預測模型製作步驟中,係藉由對前述第1預測模型以及前述第2預測模型之前述機械學習參數的差分施以正則化來進行學習,而製作前述第2預測模型。
根據上述(9)的樣態,係控制:具備前述有關各樣態之狀態量預測裝置以及可與狀態量預測裝置進行通訊之資訊處理裝置之狀態量預測系統。狀態量預測裝置係因應來自資訊處理裝置的要求來實施狀態量預測方法,藉此如上述般地預測第2工廠的狀態量,並且可在資訊處理裝置中得到該預測結果。
(10)有關一樣態之狀態量預測裝置,係用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測裝置,
係具備:預測模型製作部,係用以使用前述工廠中所取得之學習數據來學習前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數,藉此製作前述預測模型,以及
狀態量預測部,係用以使用前述預測模型來預測前述工廠的前述狀態量;
前述預測模型製作部係藉由對前述預測模型中之前述機械學習參數施以正則化來進行學習,而製作前述預測模型。
根據上述(10)的樣態,於使用工廠中所取得之學習數據來進行預測模型的學習之情形時,係藉由對預測模型中之機械學習參數施以正則化來進行學習,而製作預測模型。一般而言,在使用較少的學習數據來進行預測模型的學習之情形時,機械學習參數的學習處於支配性地位,而有物理參數的學習無法適切地進行之疑慮。相對於此,於本樣態中,即使於學習數據的數目較少時,亦以機械學習參數不會變得過大之方式施以正則化來進行學習,藉此限制機械學習參數的自由度並促進物理參數的更新,而避免過度學習並得到精度佳的預測模型。
(11)於其他樣態中,於上述(10)的樣態中,前述預測模型製作部係以包含前述預測模型之前述機械學習參數的大小之損失函數成為最小之方式來進行學習。
根據上述(11)的樣態,以包含預測模型之機械學習參數的大小之損失函數成為最小之方式來進行學習,藉此可進行以預測模型的機械學習參數不會變得過大之方式來施以正則化之學習。
(12)於其他樣態中,於上述(10)或(11)的樣態中,前述預測模型製作部係於學習時對前述物理參數設定容許範圍。
根據上述(12)的樣態,於學習時對物理參數設定容許範圍以限制物理參數的學習自由度,藉此可製作能夠精度更佳地預測狀態量之學習模型。
(13)於其他樣態中,於上述(10)至(12)中任一樣態中,前述預測模型製作部係以前述狀態量預測部中所預測之前述狀態量的預測值成為前述狀態量的實測值之方式來調整前述預測模型。
根據上述(13)的樣態,以藉由預測模型所預測之狀態量的預測值成為實測值之方式來調整預測模型,即使工廠的運用條件產生變化,亦可適合地維持預測模型的預測精度。
(14)於其他樣態中,於上述(10)至(13)中任一樣態中,前述工廠為用以在吸收塔中使吸收液接觸於排煙而將前述排煙進行脫硫之排煙脫硫工廠,
前述狀態量為前述吸收塔中之前述吸收液的吸收劑濃度。
根據上述(14)的樣態,可適合地預測排煙脫硫工廠所具備之吸收塔中之吸收液的吸收劑濃度作為狀態量。
(15)於其他樣態中,於上述(14)的樣態中,前述輸入參數係包含:前述吸收塔的脫硫出口SO
2濃度、前述吸收塔的脫硫入口SO
2濃度、前述吸收塔中所生成之石灰石漿液的流量或濃度、相對於藉由在排出前述排煙之鍋爐中所生成的蒸氣來進行發電之發電機之發電指令訊號、排出前述排煙之鍋爐中的空氣流量、供給至前述吸收塔之氧化用空氣流量、前述吸收塔中之前述吸收液的pH、或是前述吸收塔中之前述吸收液的水位之至少1種。
根據上述(15)的樣態,於輸入參數中包含此等參數的至少1種,可適合地預測排煙脫硫工廠所具備之吸收塔中之吸收液的吸收劑濃度作為狀態量。
(16)有關一樣態之狀態量預測系統,係由:用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測裝置、以及可與狀態量預測裝置進行通訊之資訊處理裝置所構成之狀態量預測系統,
前述狀態量預測裝置係具備:預測模型製作部,係用以使用前述工廠中所取得之學習數據來學習前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數,藉此製作前述預測模型,以及
狀態量預測部,係用以使用前述預測模型來預測前述工廠的前述狀態量;
前述預測模型製作部係藉由對前述預測模型中之前述機械學習參數施以正則化來進行學習,而製作前述預測模型。
根據上述(16)的樣態,係實現:具備前述有關各樣態之狀態量預測裝置以及可與狀態量預測裝置進行通訊之資訊處理裝置之狀態量預測系統。於本系統中,係因應來自資訊處理裝置的要求而在狀態量預測裝置中如上述般地預測工廠的狀態量,並且可在資訊處理裝置中得到該預測結果。
(17)有關一樣態之狀態量預測方法,係用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測方法,
係具備:製作預測模型之步驟,係用以使用前述工廠中所取得之學習數據來學習前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數,藉此製作前述預測模型,以及
預測狀態量之步驟,係用以使用前述預測模型來預測前述工廠的前述狀態量;
於製作前述預測模型之步驟中,係藉由對前述預測模型中之前述機械學習參數施以正則化來進行學習,而製作前述預測模型。
根據上述(17)的樣態,於使用工廠中所取得之學習數據來進行預測模型的學習之情形時,係藉由對預測模型中之前述機械學習參數施以正則化來進行學習,而製作預測模型。一般而言,在使用較少的學習數據來進行預測模型的學習之情形時,機械學習參數的學習處於支配性地位,而有物理參數的學習無法適切地進行之疑慮。相對於此,於本樣態中,即使於學習數據的數目較少時,亦以機械學習參數不會變得過大之方式施以正則化來進行學習,藉此限制機械學習參數的自由度並促進物理參數的更新,而避免過度學習並得到精度佳的預測模型。
(18)有關一樣態之狀態量預測系統的控制方法,係由:用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測裝置、以及可與狀態量預測裝置進行通訊之資訊處理裝置所構成之狀態量預測系統的控制方法,
前述狀態量預測裝置係具備:預測模型製作部,係用以在經前述資訊處理裝置所要求後,使用前述工廠中所取得之學習數據來學習前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數,藉此製作前述預測模型,以及
狀態量預測部,係用以使用前述預測模型來預測前述工廠的前述狀態量;
前述預測模型製作部係藉由對前述預測模型中之前述機械學習參數施以正則化來進行學習,而製作前述預測模型。
根據上述(18)的樣態,係控制:具備前述有關各樣態之狀態量預測裝置以及可與狀態量預測裝置進行通訊之資訊處理裝置之狀態量預測系統。狀態量預測裝置係因應來自資訊處理裝置的要求來實施狀態量預測方法,藉此如上述般地預測工廠的狀態量,並且可在資訊處理裝置中得到該預測結果。
1(1A,1B):狀態量預測裝置
4:第1預測值算出部
6:第2預測值算出部
8:狀態量預測值算出部
12:輸入層
13:中間層
14:輸出層
15:第1預測模型記憶部
16:量測數據取得部
17:第2預測模型製作部
18:狀態量預測部
20:脫硫裝置
22:集塵裝置
23a,23b:排氣通路
24:吸收塔
25:脫硫排放氣體管
26:吸收液
28:石灰石進料器
30:石灰石
32:水
34:吸收液循環泵
36:吸收液循環配管
38:噴嘴
40:提取管
42:脫水器
46:氧化用空氣
50,52,58:濃度感測器
54:流量感測器
56:鍋爐空氣流量感測器
60:氧化用空氣流量感測器
62:感測器
64:水位感測器
Dm:量測數據
M:預測模型
M1:第1預測模型
M2:第2預測模型
M
P:物理模型
M
N:機械學習模型
P1:第1工廠
P2:第2工廠
u:輸入參數
x:狀態量
[圖1]為顯示有關一實施型態之狀態量預測裝置的構成之方塊圖。
[圖2]為顯示圖1之作為機械學習模型之類神經網路的一例之示意圖。
[圖3]為顯示有關其他實施型態之狀態量預測裝置的構成之方塊圖。
[圖4]為顯示根據藉由狀態量的實測值所調整後之第2預測模型而算出之預測值的變遷之圖。
[圖5]為概略性顯示脫硫裝置的構成之圖。
[圖6]為顯示有關一實施型態之狀態量預測系統的構成之方塊圖。
1A:狀態量預測裝置
4:第1預測值算出部
6:第2預測值算出部
8:狀態量預測值算出部
u:輸入參數
x:狀態量
X:預測值
X1:第1預測值
X2:第2預測值
Claims (18)
- 一種狀態量預測裝置,係用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測裝置, 係具備:第1預測模型記憶部,係用以記憶對應於第1工廠而分別學習了前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數之作為前述預測模型的第1預測模型,及 量測數據取得部,係用以取得第2工廠的量測數據,及 第2預測模型製作部,係用以使用前述量測數據來調整前述第1預測模型而藉此製作對應於前述第2工廠之作為前述預測模型的第2預測模型,以及 狀態量預測部,係用以使用前述第2預測模型來預測前述第2工廠的前述狀態量; 前述第2預測模型製作部係藉由對前述第1預測模型以及前述第2預測模型之前述機械學習參數的差分施以正則化來進行學習,而製作前述第2預測模型。
- 如請求項1所述之狀態量預測裝置,其中前述第2預測模型製作部係以包含前述第1預測模型以及前述第2預測模型之前述機械學習參數的差分之損失函數成為最小之方式來進行轉移學習,藉此製作前述第2預測模型。
- 如請求項1或2所述之狀態量預測裝置,其中前述第2預測模型製作部係對前述第1預測模型以及前述第2預測模型的前述物理參數設定容許範圍。
- 如請求項1或2所述之狀態量預測裝置,其中前述第2預測模型製作部係以前述狀態量預測部中所預測之前述狀態量的預測值成為前述狀態量的實測值之方式來調整前述第2預測模型。
- 如請求項1或2所述之狀態量預測裝置,其中前述工廠為用以在吸收塔中使吸收液接觸於排煙而將前述排煙進行脫硫之排煙脫硫工廠, 前述狀態量為前述吸收塔中之前述吸收液的吸收劑濃度。
- 如請求項5所述之狀態量預測裝置,其中前述輸入參數係包含:前述吸收塔的脫硫出口SO 2濃度、前述吸收塔的脫硫入口SO 2濃度、前述吸收塔中所生成之石灰石漿液的流量或濃度、相對於藉由在排出前述排煙之鍋爐中所生成的蒸氣來進行發電之發電機之發電指令訊號、排出前述排煙之鍋爐中的空氣流量、供給至前述吸收塔之氧化用空氣流量、前述吸收塔中之前述吸收液的pH、或是前述吸收塔中之前述吸收液的水位之至少1種。
- 一種狀態量預測系統,係由:用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測裝置、以及可與狀態量預測裝置進行通訊之資訊處理裝置所構成之狀態量預測系統, 前述狀態量預測裝置係具備:第1預測模型記憶部,係用以記憶對應於第1工廠而分別學習了前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數之作為前述預測模型的第1預測模型,及 量測數據取得部,係用以在經前述資訊處理裝置所要求後取得第2工廠的量測數據,及 第2預測模型製作部,係用以使用前述量測數據來調整前述第1預測模型而藉此製作對應於前述第2工廠之作為前述預測模型的第2預測模型,以及 狀態量預測部,係用以使用前述第2預測模型來預測前述第2工廠的前述狀態量; 前述第2預測模型製作部係藉由對前述第1預測模型以及前述第2預測模型之前述機械學習參數的差分施以正則化來進行學習,而製作前述第2預測模型。
- 一種狀態量預測方法,係用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測方法, 係具備:記憶第1預測模型之步驟,係記憶對應於第1工廠而分別學習了前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數之作為前述預測模型的第1預測模型,及 取得第2工廠的量測數據之步驟,及 製作第2預測模型之步驟,係使用前述量測數據來調整前述第1預測模型,藉此製作對應於前述第2工廠之作為前述預測模型的第2預測模型,以及 預測狀態量之步驟,係使用前述第2預測模型來預測前述第2工廠的前述狀態量; 於製作前述第2預測模型之步驟中,係藉由對前述第1預測模型以及前述第2預測模型之前述機械學習參數的差分施以正則化來進行學習,而製作前述第2預測模型。
- 一種狀態量預測系統的控制方法,係由:用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測裝置、以及可與狀態量預測裝置進行通訊之資訊處理裝置所構成之狀態量預測系統的控制方法, 前述狀態量預測裝置係執行:量測數據取得步驟,係用以在經前述資訊處理裝置所要求後取得第2工廠的量測數據,及 第2預測模型製作步驟,係用以使用前述量測數據,來調整用以記憶對應於第1工廠而分別學習了前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數之作為前述預測模型的第1預測模型之第1預測模型記憶部中所記憶之前述第1預測模型,藉此製作對應於前述第2工廠之作為前述預測模型的第2預測模型,以及 狀態量預測步驟,係使用前述第2預測模型來預測前述第2工廠的前述狀態量; 於前述第2預測模型製作步驟中,係藉由對前述第1預測模型以及前述第2預測模型之前述機械學習參數的差分施以正則化來進行學習,而製作前述第2預測模型。
- 一種狀態量預測裝置,係用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測裝置, 係具備:預測模型製作部,係用以使用前述工廠中所取得之學習數據來學習前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數,藉此製作前述預測模型,以及 狀態量預測部,係用以使用前述預測模型來預測前述工廠的前述狀態量; 前述預測模型製作部係藉由對前述預測模型中之前述機械學習參數施以正則化來進行學習,而製作前述預測模型。
- 如請求項10所述之狀態量預測裝置,其中前述預測模型製作部係以包含前述預測模型之前述機械學習參數的大小之損失函數成為最小之方式來進行學習。
- 如請求項10或11所述之狀態量預測裝置,其中前述預測模型製作部係於學習時對前述物理參數設定容許範圍。
- 如請求項10或11所述之狀態量預測裝置,其中前述預測模型製作部係以前述狀態量預測部中所預測之前述狀態量的預測值成為前述狀態量的實測值之方式來調整前述預測模型。
- 如請求項10或11所述之狀態量預測裝置,其中前述工廠為用以在吸收塔中使吸收液接觸於排煙而將前述排煙進行脫硫之排煙脫硫工廠, 前述狀態量為前述吸收塔中之前述吸收液的吸收劑濃度。
- 如請求項14所述之狀態量預測裝置,其中前述輸入參數係包含:前述吸收塔的脫硫出口SO 2濃度、前述吸收塔的脫硫入口SO 2濃度、前述吸收塔中所生成之石灰石漿液的流量或濃度、相對於藉由在排出前述排煙之鍋爐中所生成的蒸氣來進行發電之發電機之發電指令訊號、排出前述排煙之鍋爐中的空氣流量、供給至前述吸收塔之氧化用空氣流量、前述吸收塔中之前述吸收液的pH、或是前述吸收塔中之前述吸收液的水位之至少1種。
- 一種狀態量預測系統,係由:用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測裝置、以及可與狀態量預測裝置進行通訊之資訊處理裝置所構成之狀態量預測系統, 前述狀態量預測裝置係具備:預測模型製作部,係用以使用前述工廠中所取得之學習數據來學習前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數,藉此製作前述預測模型,以及 狀態量預測部,係用以使用前述預測模型來預測前述工廠的前述狀態量; 前述預測模型製作部係藉由對前述預測模型中之前述機械學習參數施以正則化來進行學習,而製作前述預測模型。
- 一種狀態量預測方法,係用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測方法, 係具備:製作預測模型之步驟,係用以使用前述工廠中所取得之學習數據來學習前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數,藉此製作前述預測模型,以及 預測狀態量之步驟,係用以使用前述預測模型來預測前述工廠的前述狀態量; 於製作前述預測模型之步驟中,係藉由對前述預測模型中之前述機械學習參數施以正則化來進行學習,而製作前述預測模型。
- 一種狀態量預測系統的控制方法,係由:用以使用包含機械學習模型以及物理模型之預測模型來預測對應於輸入參數之工廠的狀態量之狀態量預測裝置、以及可與狀態量預測裝置進行通訊之資訊處理裝置所構成之狀態量預測系統的控制方法, 前述狀態量預測裝置係具備:預測模型製作部,係用以在經前述資訊處理裝置所要求後,使用前述工廠中所取得之學習數據來學習前述機械學習模型所包含之機械學習參數以及前述物理模型所包含之物理參數,藉此製作前述預測模型,以及 狀態量預測部,係用以使用前述預測模型來預測前述工廠的前述狀態量; 前述預測模型製作部係藉由對前述預測模型中之前述機械學習參數施以正則化來進行學習,而製作前述預測模型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022086146A JP2023173706A (ja) | 2022-05-26 | 2022-05-26 | 状態量予測装置、状態量予測方法、状態量予測システム、及び状態量予測システムの制御方法 |
JP2022-086146 | 2022-05-26 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202403484A true TW202403484A (zh) | 2024-01-16 |
TWI848719B TWI848719B (zh) | 2024-07-11 |
Family
ID=
Also Published As
Publication number | Publication date |
---|---|
WO2023228901A1 (ja) | 2023-11-30 |
JP2023173706A (ja) | 2023-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8577822B2 (en) | Data-driven approach to modeling sensors wherein optimal time delays are determined for a first set of predictors and stored as a second set of predictors | |
US10565522B2 (en) | System modeling, control and optimization | |
EP3336425B1 (en) | Water quality management device, water treatment system, water quality management method, and water treatment system optimization program | |
US20230166211A1 (en) | State quantity prediction device and state quantity prediction method | |
TWI805296B (zh) | 藉由學習資料的選定之控制裝置,遠程監視系統,裝置的控制方法及遠程監視系統的控制方法 | |
CN112506162B (zh) | 一种基于数据模型和机理运算的氧化风系统控制方法 | |
CN112742187A (zh) | 一种脱硫系统中pH值的控制方法及装置 | |
JP7273202B2 (ja) | 排煙脱硫(fgd)ユニットの性能最適化のための方法およびシステム | |
TW202403484A (zh) | 狀態量預測裝置、狀態量預測方法、狀態量預測系統、以及狀態量預測系統的控制方法 | |
WO2019172088A1 (ja) | 脱硫装置の運転支援システム及び運転支援方法 | |
TWI848719B (zh) | 狀態量預測裝置、狀態量預測方法、狀態量預測系統、以及狀態量預測系統的控制方法 | |
JP7161855B2 (ja) | 脱硫装置の運転監視システム | |
CN107561944A (zh) | 一种基于拉盖尔模型的脱硝系统自适应预测控制方法 | |
JP2008217055A (ja) | マルチホップ無線システムの電力制御方法およびその電力制御システム | |
TW202306634A (zh) | 濕式排煙脫硫裝置的控制方法,濕式排煙脫硫裝置的控制裝置,具備此濕式排煙脫硫裝置的控制裝置的遠程監視系統,資訊處理裝置及資訊處理系統 | |
JP7456312B2 (ja) | 情報処理装置、情報処理方法、プログラム、薬剤供給装置、排ガス処理装置、および排ガス処理方法 | |
Polupan et al. | Genetic algorithm usage for optimization of saturator operation | |
CN113094992A (zh) | 基于神经网络判别的脱硫塔优化方法 | |
WO2023234103A1 (ja) | 湿式排煙脱硫装置の制御装置、遠隔監視システム、遠隔監視システムの制御方法、及び、湿式排煙脱硫装置の制御方法 | |
JPH1066825A (ja) | 脱硫制御装置 | |
CN114321722B (zh) | 蒸汽管网的压力平衡方法、装置、存储介质以及处理器 | |
CN118068871A (zh) | 水库智能水位调整方法 | |
Zhang et al. | Study on condition monitoring method of slurry circulating pump based on support vector machine | |
Letia et al. | Cooperative Control of Hydro-Power Systems | |
Detyuk et al. | A SYSTEM OF AUTOMATED OPTIMAL CONTROL OF EVAPORATION PLANTS WITH A STUDY OF THEIR EFFICIENCY |