TWI805296B - 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 - Google Patents

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 Download PDF

Info

Publication number
TWI805296B
TWI805296B TW111112085A TW111112085A TWI805296B TW I805296 B TWI805296 B TW I805296B TW 111112085 A TW111112085 A TW 111112085A TW 111112085 A TW111112085 A TW 111112085A TW I805296 B TWI805296 B TW I805296B
Authority
TW
Taiwan
Prior art keywords
learning
data
learning model
additional
aforementioned
Prior art date
Application number
TW111112085A
Other languages
English (en)
Other versions
TW202247889A (zh
Inventor
郡司駿
須藤仁
金森信弥
吉田一貴
Original Assignee
日商三菱重工業股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 日商三菱重工業股份有限公司 filed Critical 日商三菱重工業股份有限公司
Publication of TW202247889A publication Critical patent/TW202247889A/zh
Application granted granted Critical
Publication of TWI805296B publication Critical patent/TWI805296B/zh

Links

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
    • 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
    • B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
    • B01D53/77—Liquid phase processes
    • B01D53/78—Liquid phase processes with gas-liquid contact
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Analytical Chemistry (AREA)
  • Software Systems (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Treating Waste Gases (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Feedback Control In General (AREA)
  • Selective Calling Equipment (AREA)

Abstract

本裝置是用以根據使用了學習模型的預測結果來實行工廠設備的控制之裝置。本裝置是當使用了學習模型的預測結果符合預定條件時，從運轉資料選定被用在學習模型的構築之來自的學習資料的乖離度大的資料作為追加學習資料。然後，利用包含學習資料及追加學習資料的新的學習資料，再構築學習模型。

Description

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
本案是有關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。
本案是根據2021年3月31日申請日本專利局的特願2021-061268號主張優先權，且將其內容援用於此。
就工廠設備(plant)之一例的濕式排煙脫硫裝置而言，是將在鍋爐(boiler)等的燃燒裝置產生的廢氣導入至脫硫裝置的吸收塔內，使與循環於吸收塔的吸收液氣液接觸。在氣液接觸的過程，藉由吸收液中的吸收劑(例如碳酸鈣)與廢氣中的二氧化硫(SO2)反應，廢氣中的SO2會被吸收於吸收液，從廢氣除去SO2(廢氣為脫硫)。另一方面，吸收SO2後的吸收液會落下，而被儲存於吸收塔下方的存積槽內。對存積槽供給吸收劑，以被供給的吸收劑來恢復吸收性能的吸收液是藉由循環泵來供給至吸收塔的上方，供以和廢氣的氣液接觸(SO2的吸收)。
就如此的濕式排煙脫硫裝置而言，吸收液的循環流量或吸收劑濃度的變化被反映在廢氣中的SO2濃度 為止需要不少時間。因此，就濕式排煙脫硫裝置的控制而言，是藉由機械學習來構築吸收液的循環流量或吸收劑濃度之類的控制參數與廢氣中的SO2濃度的關係，作為學習模型，根據藉由該學習模型而預測的廢氣中的SO2濃度來決定吸收液的循環流量或吸收劑濃度的控制目標值，藉此可將廢氣中的SO2濃度設為基準值以下。例如就專利文獻1而言，是揭示一種在如此的濕式排煙脫硫裝置的控制中，利用表示吸收液的循環量與廢氣中的SO2濃度的關係之第1學習模型來求取關於吸收液的循環量的控制目標值，且利用表示吸收液的吸收劑濃度與廢氣中的SO2濃度的關係之第2學習模型來求取關於吸收液的吸收劑濃度的控制目標值，藉此控制吸收液的循環流量或吸收劑濃度之方法。
[先前技術文獻] [專利文獻]
[專利文獻1]日本特開2020-11163號公報
就前述般的工廠設備控制而言，是預先準備用以預測控制目標值的學習模型。如此的學習模型的構築是藉由使用了從工廠設備的運轉資料選定的學習資料之機械學習來進行，但由於運轉資料是含有不少偏差，因此依學習資料的選法而有無法取得充分的預測誤差的情形。又，即使當初學習模型的預測誤差十分小，也會因為工廠設備的運轉條件跟學習模型的構築時有所變化，亦有後發性地預測誤差變大的情形。
如此學習模型的預測誤差不充分時，需要學習模型的再構築。學習模型的再構築是例如利用被追加新的資料的學習資料來進行，但由於運轉資料是含有不少偏差，因此亦有依追加的資料的選法而預測誤差變大的情況。又，由於成為學習資料的基礎的運轉資料龐大，因此被要求藉由學習模型的再構築來有效率地選定用以減低預測誤差的資料。
本案的至少一實施形態是有鑑於上述的情事而研發者，以提供一種藉由有效率地選定被用在學習模型的再構築的學習資料，可實現良好的控制精度之裝置、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為目的。
為了解決上述課題，本案之至少一實施形態的裝置，係用以根據使用了學習模型的預測結果來實行涉及工廠設備的控制的處理之裝置，其特徵係具備： 追加學習資料選定部，其係用以當使用了前述學習模型的預測結果符合預定條件時，從前述運轉資料選定被用在前述學習模型的構築之來自學習資料的乖離度大的資料作為追加學習資料；及 學習模型構築部，其係用以利用包含前述學習資料及前述追加學習資料的新的學習資料來再構築前述學習模型。
為了解決上述課題，本案之至少一實施形態的遠程監視系統，係由可與用以根據使用了學習模型的預測結果來實行涉及工廠設備的控制的處理的裝置通訊的終端裝置所組成之遠程監視系統，其特徵為前述裝置係具備： 追加學習資料選定部，其係用以依據來自前述終端裝置的要求，當使用了前述學習模型的預測結果符合預定條件時，從前述運轉資料選定被用在前述學習模型的構築之來自學習資料的乖離度大的資料作為追加學習資料；及 學習模型構築部，其係用以利用包含前述學習資料及前述追加學習資料的學習資料來再構築前述學習模型。
為了解決上述課題，本案之至少一實施形態的裝置的控制方法，係用以根據使用了學習模型的預測結果來實行涉及工廠設備的控制的處理的裝置的控制方法，其特徵係具備： 追加學習資料選定步驟，其係當使用了前述學習模型的預測結果符合預定條件時，從前述運轉資料選定被用在前述學習模型的構築之來自學習資料的乖離度大的資料作為追加學習資料；及 學習模型構築步驟，其係用以利用包含前述學習資料及前述追加學習資料的學習資料來再構築前述學習模型。
為了解決上述課題，本案之至少一實施形態的遠程監視系統的控制方法，係由可與用以根據使用了學習模型的預測結果來實行涉及工廠設備的控制的處理的裝置通訊的終端裝置所組成之遠程監視系統的控制方法，其特徵係具備： 追加學習資料選定步驟，其係依據來自前述終端裝置的要求，當使用了前述學習模型的預測結果符合預定條件時，從前述運轉資料選定被用在前述學習模型的構築之來自學習資料的乖離度大的資料作為追加學習資料；及 學習模型構築步驟，其係用以利用包含前述學習資料及前述追加學習資料的學習資料來再構築前述學習模型。
若根據本案的至少一實施形態，則可提供一種藉由有效率地選定被用在學習模型的再構築之學習資料，實現良好的控制精度之裝置，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。
以下，參照圖面說明有關本發明的幾個實施形態。但，本發明的範圍不是被限定於以下的實施形態者。以下的實施形態記載的構成零件的尺寸、材質、形狀及其相對配置等不是將本發明的範圍只限定於此，只不過是說明例。
首先，參照圖1來說明有關本案的至少一實施形態的工廠設備控制裝置的控制對象的工廠設備之一例的濕式排煙脫硫裝置10的構成。圖1是一實施形態的濕式排煙脫硫裝置10的構成圖。
另外，在以下的說明是敘述有關濕式排煙脫硫裝置10作為工廠設備的一例，但控制對象是不被限定於濕式排煙脫硫裝置10，可廣泛包含控制參數會根據利用學習模型而預測的控制目標值來控制的工廠設備。
濕式排煙脫硫裝置10是用以將在燃燒裝置1產生的廢氣脫硫的工廠設備設備。燃燒裝置1是例如用以產生蒸氣的鍋爐，作為藉由將在燃燒裝置1產生的蒸氣供給至發電機5而可發電的發電工廠設備的一部分構成。 濕式排煙脫硫裝置10是具備： 經由配管2來與燃燒裝置1連通的吸收塔11； 在循環於吸收塔11內的吸收液的循環用配管3所設的複數的循環泵12a，12b，12c(將該等總稱時是適當稱為「循環泵12」)； 用以將吸收液中所含的吸收劑亦即碳酸鈣(CaCO 3)的泥漿(slurry)(吸收劑泥漿)供給至吸收塔11內的吸收劑泥漿供給部13；及 用以回收吸收液中的石膏的石膏回收部14。 在吸收塔11設有用以使在後述的動作被脫硫的廢氣作為流出氣體從吸收塔11流出的流出配管16，在流出配管16設有用以測定流出氣體中的SO 2濃度的氣體分析計17。
吸收劑泥漿供給部13是具備： 用以製造吸收劑泥漿的吸收劑泥漿製造設備21； 將吸收劑泥漿製造設備21與吸收塔11連通的吸收劑泥漿供給用配管22； 用以控制流通於吸收劑泥漿供給用配管22的吸收劑泥漿的流量的吸收劑泥漿供給量控制閥23。 石膏回收部14是具備： 石膏分離器25； 將石膏分離器25與吸收塔11連通的石膏泥漿抽出用配管26；及 被設在石膏泥漿抽出用配管26的石膏泥漿抽出用泵27。
在濕式排煙脫硫裝置10是設有控制本案的至少一實施形態的工廠設備的裝置亦即控制裝置15。控制裝置15是具備與運轉資料取得部20電性連接的運轉資料接收部30，該運轉資料取得部20是包含用以取得燃燒裝置1及濕式排煙脫硫裝置10的各種運轉資料(例如各種部位的溫度或壓力、各種流體的流量等)的各種的檢測器。在運轉資料取得部20是含有氣體分析計17。
控制裝置15是具備： 被電性連接至運轉資料接收部30的第1學習模型構築部38； 被電性連接至第1學習模型構築部38的第1關係表作成部31； 被電性連接至第1關係表作成部31的循環流量決定部32；及 被電性連接至循環流量決定部32的循環泵調節部33。 循環泵調節部33是被電性連接至循環泵12a，12b，12c的各者。
控制裝置15是更具備： 被電性連接至運轉資料接收部30的第2學習模型構築部39； 被電性連接至第2學習模型構築部39的第2關係表作成部35； 被電性連接至第2關係表作成部35的吸收劑泥漿供給量決定部36；及 被電性連接至吸收劑泥漿供給量決定部36的吸收劑泥漿供給控制部37。 吸收劑泥漿供給控制部37是被電性連接至吸收劑泥漿供給量控制閥23。
控制裝置15更具備： 被電性連接至第1學習模型構築部38及第2學習模型構築部39的預測誤差算出部40；及 被電性連接至預測誤差算出部40的追加學習資料選定部42。
在圖2是顯示用以遠隔監視濕式排煙脫硫裝置10(參照圖1)的控制狀態的遠程監視系統44的構成。 遠程監視系統44是具備： 構成燃燒裝置1(參照圖1)及濕式排煙脫硫裝置10(參照圖1)之各機器的分散控制系統(DCS)46； 被電性連接至DCS46且搭載控制裝置15的邊緣伺服器48； 經由雲端或虛擬私人網路 (Virtual Private Network；VPN)來被電性連接至邊緣伺服器48的桌上型個人電腦或平板電腦等之類的遠隔監視裝置50。 通常是可藉由存在於離開邊緣伺服器48的場所的遠隔監視裝置50來遠隔監視濕式排煙脫硫裝置10的控制狀態。
其次，說明有關濕式排煙脫硫裝置10將在燃燒裝置1產生的廢氣脫硫的動作。如圖1所示般，在燃燒裝置1產生的廢氣是流通於配管2而流入吸收塔11，上昇於吸收塔11內。藉由循環泵12的至少1台運轉，吸收液會流動於循環用配管3而流入至吸收塔11，在吸收塔11內吸收液流下。在吸收塔11內流下的吸收液是積存於吸收塔11內，藉由循環泵12從吸收塔11流出，流通於循環用配管3。如此一來，吸收液會循環於吸收塔11內。
在吸收塔11內，上昇的廢氣與流下的吸收液會氣液接觸。廢氣中所含的SO 2是如以下的反應式般，與吸收液中的CaCO 3反應，而石膏(CaSO 4･2H 2O)析出於吸收液中。 SO 2+CaCO 3+2H 2O+1/2O 2→CaSO 4･2H 2O+CO 2
如此一來，廢氣中的SO 2的一部分會在吸收液中作為石膏被除去，亦即廢氣會被脫硫，因此經由流出配管16來從吸收塔11流出的流出氣體中的SO 2濃度是比經由配管2來流入至吸收塔11的廢氣中的SO 2濃度更低。從吸收塔11流出的流出氣體是流通於流出配管16而被放出至大氣中，但其途中藉由氣體分析計17來測定SO 2濃度，其測定結果會被傳送至控制裝置15的運轉資料接收部30。
流出氣體中的SO 2濃度是若在吸收液中的CaCO 3濃度無大的變動，則有循環於吸收塔11內的吸收液的循環流量越增加則越降低的傾向。藉由控制裝置15依據後述的控制方法來控制循環泵12的運轉台數而控制循環流量，藉此可控制流出氣體中的SO 2濃度，例如以成為預先被設定的設定值以下之方式控制流出氣體中的SO 2濃度。
在吸收塔11內析出於吸收液中的石膏是作為石膏泥漿藉由石膏泥漿抽出用泵27來從吸收塔11抽出，石膏泥漿是流通於石膏泥漿抽出用配管26來流入至石膏分離器25。在石膏分離器25中，石膏與水會被分離，石膏會被回收，水則是被送至未圖示的排水設備。
由於吸收液中的CaCO 3是與SO 2反應而成為石膏，因此隨著廢氣的脫硫進行，吸收液中的CaCO 3濃度會降低。控制裝置15是依據後述的控制方法來控制吸收劑泥漿供給量控制閥23的開度，經由吸收劑泥漿供給用配管22來將在吸收劑泥漿製造設備21製造的吸收劑泥漿供給至吸收塔11內。藉此，吸收液中的CaCO 3濃度會成為預先被設定的設定範圍內，廢氣的脫硫中的CaCO 3濃度的大的變動會被抑制。
其次，說明有關控制裝置15之濕式排煙脫硫裝置10的基本控制。圖3是表示藉由圖1的控制裝置15來實施的濕式排煙脫硫裝置10的基本控制的流程圖。
就基本控制而言，首先在步驟S1中收集燃燒裝置1及濕式排煙脫硫裝置10的各種運轉資料之後，在步驟S2中，針對各種運轉資料與從吸收塔11流出的流出氣體中的將來的SO 2濃度的關係，藉由機械學習來構築第1學習模型。其次，在步驟S3中，利用被構築的第1學習模型來作成後述的第1關係表。在接續的步驟S4中，根據第1關係表來決定流出氣體中的SO 2濃度成為預先被設定的設定值以下的吸收液的循環流量，在步驟S5中，根據被決定的循環流量來調節循環泵12的運轉條件。藉此，流出氣體中的SO 2濃度會被控制，使得成為預先被設定的設定值以下。
又，步驟S1之後，步驟S2～S5之外，還在步驟S12中，針對各種運轉資料與吸收液中的將來的CaCO 3濃度的關係，藉由機械學習來構築第2學習模型。其次，在步驟S13中，利用被構築的第2學習模型來作成後述的第2關係表。在接續的步驟S14中，根據第2關係表來決定CaCO 3濃度成為預先被設定的設定範圍內的吸收劑泥漿的供給量，在步驟S15中，藉由控制吸收劑泥漿供給部13亦即吸收劑泥漿供給量控制閥23的開度，以被決定的供給量來將吸收劑泥漿供給至吸收塔11內。藉此，吸收液中的CaCO 3濃度會成為預先被設定的設定範圍內，廢氣的脫硫中的CaCO 3濃度的大的變動會被抑制。
其次，詳細說明有關控制裝置15之濕式排煙脫硫裝置10的控制方法的各步驟。 就步驟S1而言，如圖1所示般，運轉資料取得部20取得燃燒裝置1及濕式排煙脫硫裝置10的各種運轉資料之後，被取得的各種運轉資料會被傳送至控制裝置15而運轉資料接收部30接收，藉此控制裝置15收集各種運轉資料。如前述般，運轉資料取得部20是包含氣體分析計17，因此各種運轉資料是包含流出氣體中的SO 2濃度。
就步驟S2而言，第1學習模型構築部38是針對控制裝置15所收集的各種運轉資料與流出氣體中的將來的SO 2濃度的關係，藉由機械學習來構築第1模型。就步驟S3而言，第1關係表作成部31是利用被構築的第1學習模型，作成第1時間的吸收液的循環流量與比第1時間更將來的時間的第2時間流出氣體中的SO 2濃度的預測值的互相關聯的第1關係表。由於利用藉由機械學習所構築的第1學習模型來作成第1關係表，因此可迅速地作成第1關係表。
在第1關係表中，吸收液的循環流量與流出氣體中的SO 2濃度的預測值是時間不同，若將吸收液的循環流量設為現在的值，則流出氣體中的SO 2濃度的預測值是例如成為從現在起到數分鐘後的SO 2濃度的預測值。因此，在各種運轉資料是至少含有任意的時間的流出氣體中的SO 2濃度及僅從第2時間減去第1時間的時間間隔比任意的時間更過去的時間的吸收液的循環流量。由於從含有任意的時間的流出氣體中的SO 2濃度及僅從第2時間減去第1時間的時間間隔比任意的時間更過去的時間的吸收液的循環流量之實際的運轉資料來直接預測將來的SO 2濃度，因此可提升將來的SO 2濃度的預測性能。另外，第1時間與第2時間的間隔越短，將來的SO 2濃度的預測性能越提升。因此，第1時間與第2時間的間隔是流出氣體中的SO 2濃度起因於吸收液的循環流量的變化而變化所要的時間與氣體分析計17測定SO 2濃度所要的時間的和為理想。
在圖4是顯示將第1時間與第2時間的間隔設為流出氣體中的SO 2濃度起因於吸收液的循環流量的變化而變化為止所要的時間與氣體分析計17測定SO 2濃度所要的時間的和時之SO 2濃度的預測值的推移(a)、根據氣體分析計17的SO 2濃度的測定值的推移(b)及SO 2濃度的真值的推移(c)。在各個的圖表中，越右側越是過去的值，最左側為最新值。根據氣體分析計17的SO 2濃度的測定值的最新值是第1時間的值，SO 2濃度的預測值的最新值是第2時間的值。根據氣體分析計17的SO 2濃度的測定值的最新值與SO 2濃度的真值的最新值的間隔(i)是相當於氣體分析計17測定SO 2濃度所要的時間亦即計測延遲，SO 2濃度的真值的最新值與SO 2濃度的預測值的最新值的間隔(ii)是相當於流出氣體中的SO 2濃度起因於吸收液的循環流量的變化而變化為止所要的時間。
在圖5顯示第1關係表的一例。就此實施形態而言，第1關係表是在橫軸取流出氣體中的SO 2濃度的預測值，且在縱軸取吸收液的循環流量的圖表，但不一定要是如此的形態，亦可為矩陣或數學式等的形態。就步驟S4而言，循環流量決定部32是根據此第1關係表來決定將來的流出氣體中的SO 2濃度成為預先被設定的設定值SV的吸收液的循環流量Q(控制目標值)。
就步驟S5而言，如圖1所示般，循環泵調節部33是以形成被決定的循環流量Q(控制目標值)以上之方式決定循環泵12a～12c的運轉台數，使被決定的運轉台數的循環泵運轉。例如，當3台的循環泵12a～12c各個的運轉時的供給量為相同時，可為3階段的循環流量的調節。只要增加循環泵的台數，便可成為更細的循環流量的調節。又，例如，當3台的循環泵12a～12c各個的運轉時的供給量為彼此不同時，可藉由使運轉的循環泵的組合來最大調節6階段的循環流量。進一步，例如，若3台的循環泵12a～12c各者可調節供給量，則可為更細的循環流量的調節。
另外，循環流量的調節是不限於藉由循環泵的台數控制來進行者。亦可使用可調節供給量的1台的循環泵來調節循環泵的供給量，使得成為依據循環流量決定部32而決定的循環流量。
藉由如此調節循環於吸收塔11內的吸收液的循環流量，可控制將來的流出氣體中的SO 2濃度成為預先被設定的設定值以下，但為此，需要吸收液中的CaCO 3濃度無大的變動。因此，就此實施形態而言，如前述般，步驟S2～S5之外，還藉由步驟S12～S15，控制吸收液中的CaCO 3濃度成為預先被設定的設定範圍內。其次，詳細說明步驟S12～S15各者。
就步驟S12而言，第2學習模型構築部39是針對控制裝置15所收集的各種運轉資料與吸收塔11內的吸收液中的將來的CaCO 3濃度的關係，藉由機械學習來構築第2學習模型。就步驟S13而言，是利用被構築的第2學習模型，第2關係表作成部35作成第3時間的往吸收塔11的吸收劑泥漿的供給量與比第3時間更將來的時間的第4時間的CaCO 3濃度的預測值的互相關聯的第2關係表。由於利用藉由機械學習所構築的第2學習模型來作成第2關係表，因此可迅速地作成第2關係表。
在第2關係表中，往吸收塔11的吸收劑泥漿的供給量與CaCO 3濃度的預測值是時間不同，若將吸收劑泥漿的供給量設為現在的值，則CaCO 3濃度的預測值是例如成為從現在起到數分鐘後的CaCO 3濃度的預測值。因此，在各種運轉資料是至少含有任意的時間的CaCO 3濃度及僅從第4時間減去第3時間的時間間隔比前述任意的時間更過去的時間的吸收劑泥漿的供給量。由於從含有任意的時間的CaCO 3濃度及僅從第4時間減去第3時間的時間間隔比前述任意的時間更過去的時間的吸收劑泥漿的供給量之實際的運轉資料來直接預測將來的CaCO 3濃度，因此可提升將來的CaCO 3濃度的預測性能。
就此實施形態而言，任意的時間的CaCO 3濃度是使用利用根據質量平衡計算的模擬模型來算出的值。由於用以檢測出CaCO 3濃度的感測器一般為高價，因此若設置如此的感測器，則濕式排煙脫硫裝置10的成本會上昇。但，若利用根據質量平衡計算的模擬模型來算出CaCO 3濃度，則不需要高價的感測器，可抑制濕式排煙脫硫裝置10的成本的上昇。
另外，第3時間與第4時間的間隔越短，將來的CaCO 3濃度的預測性能越提升。因此，第3時間與第4時間的間隔是設為起因於吸收劑泥漿的供給量的變化而CaCO 3濃度變化為止所要的時間為理想。吸收劑泥漿的供給量的預測值的推移及真值的推移是分別形成與圖4的SO 2濃度的預測值的推移(a)及真值的推移(c)同樣的關係。就此實施形態而言，CaCO 3濃度是利用根據質量平衡計算的模擬模型來算出，但藉由感測器來測定CaCO 3濃度時，吸收劑泥漿的供給量的預測值的推移及根據感測器的測定值的推移和真值的推移是分別形成與圖4的SO 2濃度的各種推移(a)～(c)同樣的關係。
一般，從吸收塔11流出的流出氣體中的SO 2濃度變化所必要的步驟數是比CaCO 3濃度變化所必要的步驟數更多，因此相較於CaCO 3濃度的控制，SO 2濃度的控制的延遲大。為此，藉由將從第3時間到第4時間的時間設為比從第1時間到第2時間的時間更短，可適切地考慮控制延遲的影響，因此可更提升將來的CaCO 3濃度的預測性能。
在圖6顯示第2關係表的一例。就此實施形態而言，第2關係表示在橫軸取CaCO 3濃度的預測值，且在縱軸取吸收劑泥漿的供給量的圖表，但不一定要是如此的形態，亦可為矩陣或數學式等的形態。就步驟S14而言，吸收劑泥漿供給量決定部36是根據此第2關係表，決定將來的CaCO 3濃度成為預先被設定的設定範圍R內的吸收劑泥漿的供給量F(控制目標值)。
就步驟S15而言，如圖1所示般，吸收劑泥漿供給控制部37是控制吸收劑泥漿供給量控制閥23的開度，使得經由吸收劑泥漿供給用配管22來供給至吸收塔11內的吸收劑泥漿的供給量會接近被決定的吸收劑泥漿的供給量F(控制目標值)。藉由如此調節往吸收塔11的吸收劑泥漿的供給量，可控制將來的CaCO 3濃度成為預先被設定的設定範圍內。
藉由如此從燃燒裝置1的運轉資料及濕式排煙脫硫裝置10的包含吸收液的循環流量的運轉資料，來作成第1時間的吸收液的循環流量與比第1時間更將來的時間的第2時間從吸收塔11流出的流出氣體中的SO 2濃度之間的第1關係表，從實際的運轉資料直接預測將來的SO 2濃度，因此可取得提升了將來的SO 2濃度的預測性能的第1關係表，根據此第1關係表來決定第2時間的流出氣體中的SO 2濃度成為預先被設定的設定值以下般的第1時間的吸收液的循環流量，而在第1時間，根據被決定的循環流量來調節循環泵12a～12c的運轉條件，因此可適當地調節循環泵12a～12c的運轉條件。
就此實施形態而言，是吸收液中的CaCO 3濃度會藉由步驟S12～S15來成為預先被設定的設定範圍內，但例如若藉由感測器來實測吸收液中的CaCO 3濃度，根據此實測值來随時調節往吸收塔11的吸收劑泥漿的供給量，則可不需要步驟S12～S15的各步驟。此情況，控制裝置15是亦可不具備第2學習模型構築部39、第2關係表作成部35、吸收劑泥漿供給量決定部36及吸收劑泥漿供給控制部37。
接著，說明有關圖3所示的基本控制再加上在控制裝置15實施的一實施形態的工廠設備控制方法。圖7是表示一實施形態的工廠設備控制方法的流程圖。
就本工廠設備控制而言，圖3所示的步驟S2～S5之外，還在步驟S100中算出第1學習模型的預測值。其次，在步驟S101中，取得根據氣體分析計17的分析結果。在接續的步驟S102中，藉由比較在步驟S100算出的預測值與在步驟S101取得的分析結果，來算出第1學習模型的預測結果，亦即預測誤差。在接續的步驟S103中，當在步驟S102算出的預測誤差符合預定的條件時，例如判定預測誤差會比臨界值大。當預測誤差比臨界值大時(步驟S103：YES)，在接續的步驟S104中選定追加學習資料，在步驟S105中利用在步驟S104被選定的追加學習資料來進行第1學習模型的再構築。然後，在步驟S106中，針對在步驟S105被再構築的第1學習模型算出預測誤差，在步驟S107中判定該預測誤差是否為臨界值以下。當在步驟S106被算出的預測誤差依然比臨界值大時(步驟S107：NO)，使處理回到步驟S104而重複實施追加學習資料的選定與學習模型的再構築。如此的重複處理是被實施至被再構築的第1學習模型的預測值形成臨界值以下為止。 另外，在步驟S103預測誤差為臨界值以下時(步驟S103：NO)，處理結束，但圖7所示的一連串的處理是亦可在預定的時機重複被實施。
其次，詳細說明有關圖7的各步驟。 就步驟S100而言，是利用在第1學習模型構築部38被構築的第1學習模型來算出流出氣體中的SO 2濃度的預測值。步驟S100的根據第1學習模型的預測值的算出是與在前述的步驟S3中為了作成第1關係表而算出流出氣體中的SO 2濃度的預測值的情況同樣，針對對於第1學習模型輸入的第1時間的吸收液的循環流量，算出比第1時間更將來的時間的第2時間的流出氣體中的SO 2濃度的預測值。
就步驟S101而言，是根據氣體分析計17的分析結果來取得流出氣體中的SO 2濃度的實測值。此實測值是對應於在步驟S100算出的流出氣體中的SO 2濃度的預測值之第2時間的實際的流出氣體中的SO 2濃度。
就步驟S102而言，預測誤差算出部40是算出預測誤差，作為在步驟S100被算出的流出氣體中的SO 2濃度的預測值與在步驟S101取得的流出氣體中的SO 2濃度的實測值的差。此預測誤差是對應於在第1學習模型構築部38被構築的第1學習模型的預測精度之誤差，含有各種的因素。例如，在藉由運轉資料接收部30所接收的運轉資料是具有不少偏差，因此以該運轉資料作為學習資料藉由機械學習來構築的第1學習模型是有起因於該偏差的學習誤差。又，因為工廠設備的運轉條件自模型構築時變化，亦有後發性地預測誤差變大的情形。
就步驟S103而言，是判定如此的預測誤差是否比預先被設定的臨界值ε大。步驟S103的成否判定是亦可被進行為當預測誤差為預定時間以上持續比臨界值ε大時成立。預測誤差的大小是依濕式排煙脫硫裝置10的運轉狀態，亦有變動的情形，若假設藉由短期性的判定在步驟S103中進行成立判定，則第1學習模型的再構築會被頻繁地實施，模型管理的負擔恐有增加之虞。因此，就步驟S103而言，是在預測誤差比臨界值ε大的狀態跨越預定時間以上持續的情況，在步驟S103中進行成立判定，藉此可適當地實施第1學習模型的再構築，成為有效率的模型管理。
就步驟S104而言，是在步驟S103判定成立時，藉由追加學習資料選定部42，選定為了第1學習模型的再構築而被使用的學習資料中所含的追加學習資料。被用在再構築的學習資料是相對於被用在前次的第1學習模型的構築時的舊的初期學習資料，含有新的追加學習資料(亦即，被用在再構築的學習資料=初期學習資料+追加學習資料)。在運轉資料接收部30是持續性地進行運轉資料的接收，從前次的第1學習模型被構築之後接收的運轉資料來選定適當的追加學習資料。
又，步驟S104的追加學習資料的選定是亦可以在工廠設備的定常運轉時取得的運轉資料為對象實施。例如在工廠設備的異常發生時、運轉起動時、運轉停止時等的非定常運轉時取得的運轉資料是從追加學習資料的選定對象除外。並且，在運轉資料中含有在該等的非定常運轉時取得的資料時，亦可藉由對於運轉資料實施前處理來除外。
在此參照圖8來具體說明有關追加學習資料選定部42之追加學習資料的選定方法。圖8是表示圖7的步驟S104的追加學習資料的選定方法的流程圖。
就步驟S200而言，首先藉由解析在運轉資料接收部30接收的運轉資料，從運轉資料中所含的複數的參數至少選擇1個第1學習模型的說明變數。如此的說明變數的選擇是例如亦可針對運轉資料中所含的複數的運轉資料的各者，藉由重迴歸等的手法來對於第1學習模型的目的變數亦即流出氣體中的SO 2濃度分別算出貢獻度，根據該貢獻度來進行。例如，亦可依貢獻度大的順序選擇Z個的參數作為說明變數。藉由如此選擇運轉資料中所含的複數的參數的一部分作為第1學習模型的說明變數，相較於將運轉資料中所含的全參數設為學習對象的情況，可邊抑制學習精度的下降，邊有效地減低學習時的運算量。
就步驟S201而言，是選定被用在第1學習模型的前次構築的學習資料(運轉資料)之中在步驟S200被選擇的說明變數，作為初期學習資料。此時，亦可針對從被用在第1學習模型的前次構築的學習資料(運轉資料)選定的V個，使用跨越W時間的平均值作為初期學習資料。此情況，藉由針對運轉資料中所含的特定的參數，以跨越預定時間的平均值作為學習資料，可邊抑制學習精度的下降，邊有效地減低學習時的運算量。
就步驟S202而言，是針對在步驟S200被選定的說明變數，從在運轉資料接收部30接收的運轉資料選定追加學習資料候補。追加學習資料候補是在從第1學習模型的前次構築時到現在的期間，從在運轉資料接收部30接收的新的運轉資料選定，包含對應於在步驟S201被選定的初期學習資料的參數。例如，如上述般使用跨越W時間的平均值作為初期學習資料時，追加學習資料候補也可使用跨越W時間的平均值。
就步驟S203而言，是針對在步驟S201選定的初期學習資料及在步驟S202選定的追加學習資料候補來算出乖離度。乖離度的算出是可使用例如K-近鄰演算法(k-nearest neighbor algorithm)、馬哈拉諾比斯距離等，用以評價乖離度的各種手法。然後，在步驟S204，根據在步驟S203算出的乖離度來選定應追加於學習資料的追加學習資料。
在此，圖9A及圖9B是表示選定圖8的步驟S204的追加學習資料的過程的圖。
就圖9A的形態而言，是在以第1學習模型的說明變數中所含的任意的變數1、變數2來規定的空間中，對於某初期學習資料Ds，顯示複數的追加學習資料候補Dc1、Dc2、Dc3、、･･･，分別算出表示初期學習資料Ds與各追加學習資料候補Dc1、Dc2、Dc3、、･･･的乖離度的距離。就此例而言，追加學習資料選定部42是選定複數的追加學習資料候補之中該距離最大的追加學習資料候補Dc5作為追加學習資料。
又，就圖9B的形態而言，是在以第1學習模型的說明變數中所含的任意的變數1、變數2來規定的空間中，對於在步驟S202被選定的複數的追加學習資料候補Dc1、Dc2、Dc3、、･･･，顯示在步驟S201被選定的複數的初期學習資料Ds1、Ds2、･･･。然後，對於各追加學習資料候補Dc1、Dc2、Dc3、、･･･，算出至最近的初期學習資料的距離。追加學習資料選定部42是選定複數的追加學習資料候補之中該距離最大者作為追加學習資料。在圖9A及圖9B中，用在學習資料的追加判定的變數的數量是設為2個，但不是限定本發明的範圍者，在實施時是亦可設為1個或3個以上。
追加學習資料選定部42是如此算出初期學習資料與追加學習資料候補的乖離度，根據該乖離度來選定應追加於用以再構築第1學習模型的學習資料的學習資料候補。被新追加的追加學習資料的數量可為任意，例如，藉由從運轉資料選定乖離度成為預定值以上的追加學習資料，可選定從乖離度大者決定的個數(A個)的追加學習資料。
另外，就本實施形態而言，是以第1學習模型已經藉由第1學習模型構築部38來構築為前提，以被用在第1學習模型的前次構築時的學習資料作為初期學習資料處理，但當無第1學習模型的構築履歴時(例如第1學習模型的初次構築時)，亦可以從運轉資料任意選定的1個以上的參數作為初期學習資料處理。此情況，在第1學習模型的初次構築時也可成為預測誤差少的學習模型的構築。
回到圖7，在步驟S105中，藉由將在步驟S104選定的追加學習資料追加於初期學習資料而作成新的學習資料，再構築第1學習模型。藉此，可利用對於被用在第1學習模型的前次構築時的初期學習資料加上了從之後取得的運轉資料選定的追加學習資料的新的學習資料，來進行第1學習模型的再構築。
然後，在步驟S106是利用在步驟S105被再構築的第1學習模型來算出預測誤差。步驟S106的預測誤差的算出是與前述的步驟S102同樣。
就步驟S107而言，是與步驟S103同樣，判定在步驟S106被算出的預測誤差是否為臨界值ε以下。亦即，判定第1學習模型的預測誤差是否藉由再構築來充分地被改善。其結果，當第1學習模型的預測誤差被改善成臨界值ε以下時，當作改善了第1學習模型的預測精度，結束處理。另一方面，當第1學習模型的預測誤差依然比臨界值ε大時(步驟S107：NO)，處理會回到步驟S104。亦即，即使藉由再構築，第1學習模型的預測誤差的改善也不充分時，藉由再度於步驟S104進行追加學習資料的選定，進行學習資料的重新修改，重複實施第1學習模型的構築。如此的第1學習模型的再構築是被重複實施至在步驟S107預測誤差形成臨界值ε以下為止。
在此具體地說明有關伴隨再構築的實施次數之第1學習模型的預測值的變化。圖10是按再構築的每個實施次數來表示被用在第1學習模型的再構築的學習資料(目的變數的流出氣體中的SO 2濃度及用在學習模型的說明變數X之學習資料)的分佈的圖，圖11是表示利用圖10所示的各學習資料來再構築的第1學習模型的預測值的推移的圖。
就圖10而言，是表示隨著再構築的實施次數增加，在步驟S104選定新的追加學習資料，藉此學習資料中所含的資料數增加的情況。利用如此的學習資料而被再構築的第1學習模型的預測誤差是如圖11所示般，隨著再構築的實施次數增加而減少。這表示藉由每次再構築適當地選定追加學習資料，第1學習模型的預測精度被改善。
另外，若再構築的實施次數變多，則第1學習模型的預測誤差會收斂於預定值(就圖11的例子而言是0.7附近)。因此，就步驟S107而言，針對第1學習模型的預測值，除了形成臨界值以下之外，亦可加上或取而代之，根據預測誤差是否充分地收斂，來進行步驟S104以後的重複處理的結束判定。
藉由如此選定追加學習資料來追加於用以構築第1學習模型的學習資料而作成新的學習資料，利用該學習資料來進行第1學習模型的再構築。此時，藉由根據與以往學習資料中所含的初期學習資料的乖離度來適當地選定被追加於學習資料的追加學習資料，可有效地減低第1學習模型的預測誤差。藉此，即使第1學習模型的預測誤差因為某些的因素而下降時，還是可藉由第1學習模型的再構築來取得良好的預測精度。
控制裝置15是藉由在第1學習模型構築部38中再構築如此預測精度被改善的第1學習模型，可根據第1學習模型的預測值來精度佳設定關於循環流量的控制目標值。其結果，循環泵調節部33是可根據該控制目標值來調整循環泵12的台數而適宜地控制循環流量。
藉由如此的學習模型的再構築之預測誤差的減低是針對在第2學習模型構築部39處理的第2學習模型也同樣地進行。亦即，當藉由預測誤差算出部40所算出的第2學習模型的預測誤差成為臨界值以下時，藉由追加學習資料選定部42來進行被追加於用以再構築第2學習模型的學習資料之追加學習資料的選定，進行使用了包含該追加 學習資料的新的學習資料之第2學習模型的再構築。此時，藉由根據與以往學習資料中所含的初期學習資料的乖離度來適當地選定被追加於學習資料的追加學習資料，可有效地減低第2學習模型的預測誤差。藉此，即使第2學習模型的預測誤差因為某些的因素而下降時，還是可藉由第2學習模型的再構築來取得良好的預測精度。
控制裝置15是藉由在第2學習模型構築部39中再構築如此預測精度被改善的第2學習模型，可根據第2學習模型的預測值來精度佳設定關於吸收劑泥漿供給量的控制目標值。其結果，吸收劑泥漿供給控制部37是可根據該控制目標值來控制吸收劑泥漿供給量控制閥23而適宜地控制吸收劑泥漿的供給量。
另外，就上述實施形態而言，是使用CaCO3作為SO2的吸收劑，但不限定於CaCO3。亦可使用例如氫氧化鎂(Mg(OH)2)等，作為SO2的吸收劑。
另外，可取雲端環境上或經由VPN來以電性通訊可能的方式將圖12所示的資訊處理裝置52連接至邊緣伺服器48的構成，作為實行控制裝置15的各處理的裝置。此情況，資訊處理裝置52是具備：運轉資料接收部30、第1關係表作成部31、循環流量決定部32、第2關係表作成部35、吸收劑泥漿供給量決定部36、第1學習模型構築部38、第2學習模型構築部39、預測誤差算出部40及追加學習資料選定部42，亦可透過通訊來將在循環流量決定部32及吸收劑泥漿供給量決定部36所決定的控制目標值賦予控制裝置15的循環泵調節部33及吸收劑泥漿供給控制部37而控制循環泵或吸收劑的供給量。 又，運轉資料接收部30是亦可經由控制裝置15的運轉資料中繼部43來接收各種運轉資料，或亦可如前述般從運轉資料取得部20接收各種運轉資料。
尤其，在雲端環境上運算時，從保全的觀點，有設為不直接控制循環泵或吸收劑的控制目標值，僅顯示的情況。例如，經由專用應用程式來將在雲端環境上產生的運轉指標圖發送信･圖示給顧客所有的裝置(終端裝置54)，現地的運轉指標圖的更新是有藉由顧客的手來進行的情況。 另一方面，資訊處理裝置52是亦可具備循環泵調節部33及吸收劑泥漿供給控制部37，遠隔控制循環泵或吸收劑的供給量。 進一步，資訊處理裝置52是亦可具備依據來自終端裝置54的要求，在資訊處理裝置52中實行各處理的構成。
其他，可在不脫離本案的主旨的範圍，適當將上述的實施形態的構成要素置換成周知的構成要素，又，亦可適當組合上述的實施形態。
在上述各實施形態記載的內容是例如以下般被掌握。
(1)一實施形態的裝置，係用以根據使用了學習模型的預測結果來實行涉及工廠設備的控制的處理之裝置，其特徵係具備： 追加學習資料選定部，其係用以當使用了前述學習模型的預測結果符合預定條件時，從前述運轉資料選定被用在前述學習模型的構築之來自學習資料的乖離度大的資料作為追加學習資料；及 學習模型構築部，其係用以利用包含前述學習資料及前述追加學習資料的新的學習資料來再構築前述學習模型。
若根據上述(1)的形態，則藉由選定追加學習資料追加於用以構築學習模型的學習資料，做成新的學習資料，利用該學習資料來進行學習模型的再構築。此時，藉由以含有和學習資料的乖離度大者之方式選定被追加於新的學習資料的追加學習資料，可適當地實施學習模型的再構築。然後，藉由根據如此被適當地再構築的學習模型的預測結果來實行涉及工廠設備的控制的處理，可取得良好的控制精度。
(2)就其他的形態而言，是在上述(1)的形態中，當使用了被再構築的前述新的學習模型的預測結果符合預定的條件時，前述追加學習資料選定部係從作為前述追加學習資料未被選定的前述運轉資料，進一步選定作為包含前述乖離度大的資料的前述追加學習資料， 前述學習資料構築部係利用包含在前述追加學習資料選定部進一步被選定的前述追加學習資料之前述新的學習資料來實施前述學習模型的再構築。
若根據上述(2)的形態，則當使用了被再構築的新的學習模型的預測結果符合預定的條件時，將新的追加學習資料更追加於學習資料而作成新的學習資料，利用該新的學習資料來再度實施學習模型的再構築。藉由重複實施如此的追加學習資料的選定及學習模型的再構築，可充分地減低學習模型的預測誤差。
(3)就其他的形態而言，是在上述(1)或(2)的形態中，前述追加學習資料選定部係選定前述運轉資料中所含的參數的預定期間的平均值作為前述追加學習資料。
若根據上述(3)的形態，則藉由使用預定期間的平均值作為追加學習參數，可邊確保學習精度，邊有效地減低學習模型的再構築時的運算量。
(4)就其他的形態而言，是在上述(1)～(3)的任一形態中，前述學習模型構築部係前述預測結果為預定時間以上持續符合前述預定條件時，進行前述學習模型的再構築。
若根據上述(4)的形態，則預測結果是否符合預定條件的判定是根據預測結果是否符合跨越預定時間持續性地符合預定條件而進行。預測結果是有也會依工廠設備的運轉狀態而變動的情形，若假設進行短期性的判定，則學習模型的再構築會被頻繁地實施，模型管理的負擔恐有增加之虞。因此，如本形態般藉由進行跨越預定時間的持續性的判定，可適當地實施學習模型的再構築，成為有效率的模型管理。
(5)就其他的形態而言，是在上述(1)～(4)的任一形態中，前述學習資料為前述學習模型的構築前的資料或被用在前次構築的資料。
若根據上述(5)的形態，則對於學習模型的構築前的資料或被用在學習模型的前次構築的學習資料，利用追加了追加學習資料而作成的新的學習資料來實施學習模型的再構築。
(6)就其他的形態而言，是在上述(1)～(5)的任一形態中，前述追加學習資料選定部係從在前述工廠設備的定常運轉時取得的前述運轉資料來選定前述追加學習資料。
若根據上述(6)的形態，則追加學習資料的選定是以在工廠設備的定常運轉時取得的運轉資料為對象實施。例如在工廠設備的異常發生時、運轉起動時、運轉停止時等的非定常運轉時取得的運轉資料是從追加學習資料的選定對象除外，藉此可適當地取得學習模型的預測結果。並且，在運轉資料中含有在該等的非定常運轉時取得的資料時，亦可藉由對於運轉資料實施前處理來除外。
(7)就其他的形態而言，是在上述(1)～(6)的任一形態中，使用了前述學習模型的預測結果符合預定條件時，係表示依據利用前述學習模型來取得的預測值之預測誤差符合臨界值時。
若根據上述(7)的形態，則預測結果是否符合預定條件的判定會根據依據利用學習模型而取得的預測值之預測誤差是否符合臨界值來進行。藉此，即使學習模型的預測誤差因為某些的因素而下降時，還是可利用含有被有效地選定的追加學習資料的新的學習資料來再構築學習模型，取得良好的預測精度。然後，根據如此預測精度被改善的學習模型的預測值來實行涉及工廠設備的控制的處理，藉此可取得良好的控制精度。
(8)就其他的形態而言，是在上述(7)的形態中，前述追加學習資料選定部係根據對於前述預測值的貢獻度，從前述運轉資料選定前述追加學習資料中所含的參數。
若根據上述(8)的形態，則藉由將從運轉資料選定的一部分的參數含在追加學習資料中，可邊確保學習精度，邊有效地減低學習模型的再構築時的運算量。
(9)就其他的形態而言，在上述(7)或(8)的形態中，前述工廠設備為使在燃燒裝置產生的廢氣及被循環於吸收塔內的吸收液氣液接觸而進行脫硫的濕式排煙脫硫裝置， 前述預測值為前述吸收塔的出口部的前述廢氣的二氧化硫濃度。
若根據上述(9)的形態，則藉由針對用以預測濕式排煙脫硫裝置的吸收塔出口部的廢氣的二氧化硫濃度的學習模型，當預測誤差比預定值大時實施再構築，可合適地確保根據學習模型的預測精度。
(10)就其他的形態而言，是在上述(9)的形態中，根據以前述學習模型所算出的前述預測值來決定前述吸收液的循環流量的控制目標值。
若根據上述(10)的形態，則藉由再構築，利用預測誤差被減低的學習模型來算出預測值，根據該預測值來決定吸收液的循環量的控制目標值，藉此可取得良好的控制精度。
(11)就其他的形態而言，是在上述(9)或(10)的形態中，根據以前述學習模型所算出的前述預測值來決定對於前述吸收塔的吸收劑供給量的控制目標值。
若根據上述(11)的形態，則藉由再構築，利用預測誤差被減低的學習模型來算出預測值，根據該預測值來決定吸收劑供給量的控制目標值，藉此可取得良好的控制精度。
(12)一形態的遠程監視系統，係由可與用以根據使用了學習模型的預測結果來實行涉及工廠設備的控制的處理的裝置通訊的終端裝置所組成之遠程監視系統，其特徵為前述裝置係具備： 追加學習資料選定部，其係用以依據來自前述終端裝置的要求，當使用了前述學習模型的預測結果符合預定條件時，從前述運轉資料選定被用在前述學習模型的構築之來自學習資料的乖離度大的資料作為追加學習資料；及 學習模型構築部，其係用以利用包含前述學習資料及前述追加學習資料的學習資料來再構築前述學習模型。
若根據上述(12)的形態，則藉由選定追加學習資料追加於用以構築學習模型的學習資料，做成新的學習資料，利用該學習資料來進行學習模型的再構築。此時，藉由以含有和學習資料的乖離度大者之方式選定被追加於新的學習資料的追加學習資料，可適當地實施學習模型的再構築。然後，藉由根據如此被適當地再構築的學習模型的預測結果來實行涉及工廠設備的控制的處理，可取得良好的控制精度。
(13)一形態的裝置的控制方法，係用以根據使用了學習模型的預測結果來實行涉及工廠設備的控制的處理的裝置的控制方法，其特徵係具備： 追加學習資料選定步驟，其係當使用了前述學習模型的預測結果符合預定條件時，從前述運轉資料選定被用在前述學習模型的構築之來自學習資料的乖離度大的資料作為追加學習資料；及 學習模型構築步驟，其係用以利用包含前述學習資料及前述追加學習資料的學習資料來再構築前述學習模型。
若根據上述(13)的形態，則藉由選定追加學習資料追加於用以構築學習模型的學習資料，做成新的學習資料，利用該學習資料來進行學習模型的再構築。此時，藉由以含有和學習資料的乖離度大者之方式選定被追加於新的學習資料的追加學習資料，可適當地實施學習模型的再構築。然後，藉由根據如此被適當地再構築的學習模型的預測結果來實行涉及工廠設備的控制的處理，可取得良好的控制精度。
(14)一形態的遠程監視系統的控制方法，係由可與用以根據使用了學習模型的預測結果來實行涉及工廠設備的控制的處理的裝置通訊的終端裝置所組成之遠程監視系統的控制方法，其特徵係具備： 追加學習資料選定步驟，其係依據來自前述終端裝置的要求，當使用了前述學習模型的預測結果符合預定條件時，從前述運轉資料選定被用在前述學習模型的構築之來自學習資料的乖離度大的資料作為追加學習資料；及 學習模型構築步驟，其係用以利用包含前述學習資料及前述追加學習資料的學習資料來再構築前述學習模型。
若根據上述(14)的形態，則藉由選定追加學習資料追加於用以構築學習模型的學習資料，做成新的學習資料，利用該學習資料來進行學習模型的再構築。此時，藉由以含有和學習資料的乖離度大者之方式選定被追加於新的學習資料的追加學習資料，可適當地實施學習模型的再構築。然後，藉由根據如此被適當地再構築的學習模型的預測結果來實行涉及工廠設備的控制的處理，可取得良好的控制精度。
1:燃燒裝置 2:配管 3:循環用配管 5:發電機 10:濕式排煙脫硫裝置 11:吸收塔 12:循環泵 13:吸收劑泥漿供給部 14:石膏回收部 15:控制裝置 16:流出配管 17:氣體分析計 20:運轉資料取得部 21:吸收劑泥漿製造設備 22:吸收劑泥漿供給用配管 23:吸收劑泥漿供給量控制閥 25:石膏分離器 26:石膏泥漿抽出用配管 27:石膏泥漿抽出用泵 30:運轉資料接收部 31:第1關係表作成部 32:循環流量決定部 33:循環泵調節部 35:第2關係表作成部 36:吸收劑泥漿供給量決定部 37:吸收劑泥漿供給控制部 38:第1學習模型構築部 39:第2學習模型構築部 40:預測誤差算出部 42:追加學習資料選定部 43:運轉資料中繼部 44:遠程監視系統 48:邊緣伺服器 50:遠隔監視裝置 52:資訊處理裝置 54:終端裝置 55:資訊處理系統
[圖1]是一實施形態的排煙脫硫裝置的構成圖。 [圖2]是一實施形態的遠程監視系統的構成模式圖。 [圖3]是表示一實施形態的濕式排煙脫硫裝置的基本控制的流程圖。 [圖4]是表示流出氣體中的SO 2濃度的預測值、根據氣體分析計的SO 2濃度的測定值及SO 2濃度的預測值的真值的各個的推移的圖表。 [圖5]是模式性地表示在一實施形態的濕式排煙脫硫裝置的基本控制中被作成的第1關係表之一例的圖。 [圖6]是模式性地表示在一實施形態的濕式排煙脫硫裝置的基本控制中被作成的第2關係表之一例的圖。 [圖7]是表示一實施形態的工廠設備控制方法的流程圖。 [圖8]是表示圖7的步驟S104的追加學習資料的選定方法的流程圖。 [圖9A]是表示圖8的步驟S204的選定追加學習資料的過程的圖。 [圖9B]是表示圖8的步驟S204的選定追加學習資料的過程的圖。 [圖10]是按再構築的實施次數顯示被用在第1學習模型的再構築的學習資料的分佈的圖。 [圖11]是表示利用圖10所示的各學習資料來再構築的第1學習模型的預測值的推移的圖。 [圖12]是一實施形態的資訊處理系統的構成圖。 [圖13]是與控制裝置一起顯示圖12的資訊處理裝置的內部構成的圖。
1:燃燒裝置
2:配管
3:循環用配管
5:發電機
10:濕式排煙脫硫裝置
11:吸收塔
12,12a,12b,12c:循環泵
13:吸收劑泥漿供給部
14:石膏回收部
15:控制裝置
16:流出配管
17:氣體分析計
20:運轉資料取得部
21:吸收劑泥漿製造設備
22:吸收劑泥漿供給用配管
23:吸收劑泥漿供給量控制閥
25:石膏分離器
26:石膏泥漿抽出用配管
27:石膏泥漿抽出用泵
30:運轉資料接收部
31:第1關係表作成部
32:循環流量決定部
33:循環泵調節部
35:第2關係表作成部
36:吸收劑泥漿供給量決定部
37:吸收劑泥漿供給控制部
38:第1學習模型構築部
39:第2學習模型構築部
40:預測誤差算出部
42:追加學習資料選定部

Claims (14)

  1. 一種藉由學習資料的選定之控制裝置，係用以根據使用了學習模型的預測結果來實行涉及工廠設備的控制的處理之裝置，其特徵係具備：追加學習資料選定部，其係用以當使用了前述學習模型的預測結果符合預定條件時，從運轉資料選定被用在前述學習模型的構築之來自學習資料的乖離度大的資料作為追加學習資料；及學習模型構築部，其係用以利用包含前述學習資料及前述追加學習資料的新的學習資料來再構築前述學習模型，前述追加學習資料選定部，係在以學習模型的說明變數中所含的任意的數的變數來規定的空間中，算出來自1個或複數的初期學習資料之表示乖離度的距離遠的任意的數的資料作為追加學習資料。
  2. 如請求項1記載的藉由學習資料的選定之控制裝置，其中，當使用了被再構築的前述新的學習模型的預測結果符合預定的條件時，前述追加學習資料選定部係從作為前述追加學習資料未被選定的前述運轉資料，進一步選定作為包含前述乖離度大的資料的前述追加學習資料，前述學習資料構築部係利用包含在前述追加學習資料選定部進一步被選定的前述追加學習資料之前述新的學習資料來實施前述學習模型的再構築。
  3. 如請求項1或2記載的藉由學習資料的選定之控制裝置，其中，前述追加學習資料選定部係選定前述運轉資料中所含的參數的預定期間的平均值作為前述追加學習資料。
  4. 如請求項1或2記載的藉由學習資料的選定之控制裝置，其中，前述學習模型構築部係前述預測結果為預定時間以上持續符合前述預定條件時，進行前述學習模型的再構築。
  5. 如請求項1或2記載的藉由學習資料的選定之控制裝置，其中，前述學習資料為前述學習模型的構築前的資料或被用在前次構築的資料。
  6. 如請求項1或2記載的藉由學習資料的選定之控制裝置，其中，前述追加學習資料選定部係從在前述工廠設備的定常運轉時取得的前述運轉資料來選定前述追加學習資料。
  7. 如請求項1或2記載的藉由學習資料的選定之控制裝置，其中，使用了前述學習模型的預測結果符合預定條件時，係表示利用前述學習模型來取得的預測值之預測誤差為符合臨界值時。
  8. 如請求項7記載的藉由學習資料的選定之控制裝置，其中，前述追加學習資料選定部係根據對於前述預測值的貢獻度，從前述運轉資料選定前述追加學習資料中所含的參數。
  9. 如請求項7記載的藉由學習資料的選定之 控制裝置，其中，前述工廠設備為使在燃燒裝置產生的廢氣及被循環於吸收塔內的吸收液氣液接觸而進行脫硫的濕式排煙脫硫裝置，前述預測值為前述吸收塔的出口部的前述廢氣的二氧化硫濃度。
  10. 如請求項9記載的藉由學習資料的選定之控制裝置，其中，根據以前述學習模型所算出的前述預測值來決定前述吸收液的循環流量的控制目標值。
  11. 如請求項9記載的藉由學習資料的選定之控制裝置，其中，根據以前述學習模型所算出的前述預測值來決定對於前述吸收塔的吸收劑供給量的控制目標值。
  12. 一種遠程監視系統，係由可與用以根據使用了學習模型的預測結果來實行涉及工廠設備的控制的處理的裝置通訊的終端裝置所組成之遠程監視系統，其特徵為前述裝置係具備：追加學習資料選定部，其係用以依據來自前述終端裝置的要求，當使用了前述學習模型的預測結果符合預定條件時，從運轉資料選定被用在前述學習模型的構築之來自學習資料的乖離度大的資料作為追加學習資料；及學習模型構築部，其係用以利用包含前述學習資料及前述追加學習資料的學習資料來再構築前述學習模型，前述追加學習資料選定部，係在以學習模型的說明變數中所含的任意的數的變數來規定的空間中，算出來自1 個或複數的初期學習資料之表示乖離度的距離遠的任意的數的資料作為追加學習資料。
  13. 一種裝置的控制方法，係用以根據使用了學習模型的預測結果來實行涉及工廠設備的控制的處理的裝置的控制方法，其特徵係具備：追加學習資料選定步驟，其係當使用了前述學習模型的預測結果符合預定條件時，從運轉資料選定被用在前述學習模型的構築之來自學習資料的乖離度大的資料作為追加學習資料；及學習模型構築步驟，其係用以利用包含前述學習資料及前述追加學習資料的學習資料來再構築前述學習模型，前述追加學習資料選定步驟，係在以學習模型的說明變數中所含的任意的數的變數來規定的空間中，算出來自1個或複數的初期學習資料之表示乖離度的距離遠的任意的數的資料作為追加學習資料。
  14. 一種遠程監視系統的控制方法，係由可與用以根據使用了學習模型的預測結果來實行涉及工廠設備的控制的處理的裝置通訊的終端裝置所組成之遠程監視系統的控制方法，其特徵係具備：追加學習資料選定步驟，其係依據來自前述終端裝置的要求，當使用了前述學習模型的預測結果符合預定條件時，從運轉資料選定被用在前述學習模型的構築之來自學習資料的乖離度大的資料作為追加學習資料；及學習模型構築步驟，其係用以利用包含前述學習資料 及前述追加學習資料的學習資料來再構築前述學習模型，前述追加學習資料選定步驟，係在以學習模型的說明變數中所含的任意的數的變數來規定的空間中，算出來自1個或複數的初期學習資料之表示乖離度的距離遠的任意的數的資料作為追加學習資料。
TW111112085A 2021-03-31 2022-03-30 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 TWI805296B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021061268A JP2022157180A (ja) 2021-03-31 2021-03-31 装置、遠隔監視システム、装置の制御方法、及び、遠隔監視システムの制御方法
JP2021-061268 2021-03-31

Publications (2)

Publication Number Publication Date
TW202247889A TW202247889A (zh) 2022-12-16
TWI805296B true TWI805296B (zh) 2023-06-11

Family

ID=83456489

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111112085A TWI805296B (zh) 2021-03-31 2022-03-30 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

Country Status (3)

Country Link
JP (1) JP2022157180A (zh)
TW (1) TWI805296B (zh)
WO (1) WO2022210866A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7428288B1 (ja) 2023-04-25 2024-02-06 富士電機株式会社 プラント応答推定装置、プラント応答推定方法、及びプログラム
CN116907764B (zh) * 2023-09-14 2023-12-26 国能龙源环保有限公司 脱硫设备气密性检测方法、装置、设备及存储介质
CN117228972B (zh) * 2023-11-10 2024-01-23 一夫科技股份有限公司 一种α型半水石膏的制备监测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007205001A (ja) * 2006-02-01 2007-08-16 Fuji Electric Systems Co Ltd 流量予測装置
TW201901428A (zh) * 2017-03-29 2019-01-01 日商三菱日立電力系統股份有限公司 徵兆偵測系統及徵兆偵測方法
JP2019028565A (ja) * 2017-07-26 2019-02-21 安川情報システム株式会社 故障予知方法、故障予知装置および故障予知プログラム
WO2019216975A1 (en) * 2018-05-07 2019-11-14 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
JP2020011163A (ja) * 2018-07-13 2020-01-23 三菱日立パワーシステムズ株式会社 湿式排煙脱硫装置の制御方法、湿式排煙脱硫装置の制御装置、及びこの湿式排煙脱硫装置の制御装置を備えた遠隔監視システム
US20200133256A1 (en) * 2018-05-07 2020-04-30 Strong Force Iot Portfolio 2016, Llc Methods and systems for sampling and storing machine signals for analytics and maintenance using the industrial internet of things

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019208773A1 (ja) * 2018-04-27 2019-10-31 三菱日立パワーシステムズ株式会社 プラントの運転支援装置、プラントの運転支援方法、プラントの学習モデルの作成方法、プラントの運転支援プログラム、プラントの運転支援プログラムを記録した記録媒体、プラントの学習モデルの作成プログラム、及びプラントの学習モデルの作成プログラムを記録した記録媒体

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007205001A (ja) * 2006-02-01 2007-08-16 Fuji Electric Systems Co Ltd 流量予測装置
TW201901428A (zh) * 2017-03-29 2019-01-01 日商三菱日立電力系統股份有限公司 徵兆偵測系統及徵兆偵測方法
JP2019028565A (ja) * 2017-07-26 2019-02-21 安川情報システム株式会社 故障予知方法、故障予知装置および故障予知プログラム
WO2019216975A1 (en) * 2018-05-07 2019-11-14 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
US20200133256A1 (en) * 2018-05-07 2020-04-30 Strong Force Iot Portfolio 2016, Llc Methods and systems for sampling and storing machine signals for analytics and maintenance using the industrial internet of things
US20200133257A1 (en) * 2018-05-07 2020-04-30 Strong Force Iot Portfolio 2016, Llc Methods and systems for detecting operating conditions of an industrial machine using the industrial internet of things
JP2020011163A (ja) * 2018-07-13 2020-01-23 三菱日立パワーシステムズ株式会社 湿式排煙脱硫装置の制御方法、湿式排煙脱硫装置の制御装置、及びこの湿式排煙脱硫装置の制御装置を備えた遠隔監視システム

Also Published As

Publication number Publication date
WO2022210866A1 (ja) 2022-10-06
JP2022157180A (ja) 2022-10-14
TW202247889A (zh) 2022-12-16

Similar Documents

Publication Publication Date Title
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
JP7193261B2 (ja) 湿式排煙脱硫装置の制御方法、湿式排煙脱硫装置の制御装置、及びこの湿式排煙脱硫装置の制御装置を備えた遠隔監視システム
CN101776258B (zh) 用于控制容器中的液位的系统和方法
CN108869173B (zh) 风电机组的功率控制方法和设备
Hu et al. Online performance assessment method for a model-based prognostic approach
US20080140352A1 (en) System and method for equipment life estimation
CN102183699B (zh) 化工过程多变量预测控制系统模型失配检测与定位方法
US8407027B2 (en) Online diagnostic method and online diagnostic system for geothermal generation facility
US20150269293A1 (en) Diagnostic model generating apparatus and method, and abnormality diagnostic apparatus
CN107076113A (zh) 基于操作轨迹验证的风力涡轮机的控制手段
CN112183835B (zh) 基于机器学习的水导瓦温度趋势预警方法、装置及系统
CN107169616B (zh) 矿井未采区构造相对复杂程度的相对熵预测方法
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
WO2024046086A1 (zh) 基于RU-Net和LSTM神经网络模型的自动历史拟合方法及装置
CN113392527A (zh) 操纵序列适用性评价方法、装置、计算机设备和存储介质
Wang et al. Particle filtering-based system degradation prediction applied to jet engines
CN117348439A (zh) 抽水蓄能机组工况的动态模拟仿真测试方法及系统
Lacasta et al. Simulation of PID control applied to irrigation channels
CN114923287A (zh) 一种高压加热器故障预警方法、系统和介质
CN103310073B (zh) 一种考虑软件测试与运行环境差别的软件成本模型建模方法
US20230212030A1 (en) Device and method for selecting optimal water treatment model for chemical dosing optimization
BR112021001550A2 (pt) gerenciamento de saúde de sistemas de separação de gás de membrana
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
CN112070399B (zh) 一种大型工程结构安全风险评估方法及系统
CN113177369B (zh) 一种能源调度评估方法及系统