WO2020166126A1 - Ｋｐｉ改善支援システム及びｋｐｉ改善支援方法 - Google Patents

Ｋｐｉ改善支援システム及びｋｐｉ改善支援方法 Download PDF

Info

Publication number
WO2020166126A1
WO2020166126A1 PCT/JP2019/039569 JP2019039569W WO2020166126A1 WO 2020166126 A1 WO2020166126 A1 WO 2020166126A1 JP 2019039569 W JP2019039569 W JP 2019039569W WO 2020166126 A1 WO2020166126 A1 WO 2020166126A1
Authority
WO
WIPO (PCT)
Prior art keywords
kpi
improvement support
support system
evaluation
application target
Prior art date
Application number
PCT/JP2019/039569
Other languages
English (en)
French (fr)
Inventor
孝朗 関合
嘉成 堀
光浩 丹野
拓実 滑川
義幸 黒羽
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to CN201980056051.7A priority Critical patent/CN112602024A/zh
Publication of WO2020166126A1 publication Critical patent/WO2020166126A1/ja

Links

Images

Classifications

    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling

Definitions

  • the present invention relates to a KPI improvement support system and a KPI improvement support method for supporting KPI improvement of various devices.
  • thermal power plants are important for a concern because fluctuations in the amount of power generation that accompany the increase in the use of renewable energy such as wind power generation and solar power generation reduce the stability of the power system. Is increasing. Further, the thermal power plant has a role not only as a load adjustment but also as a base load power source, and it is required to operate in consideration of operational performance such as efficiency, environmental performance, and operating rate as a KPI.
  • Patent Documents 1 and 2 disclose control devices that reduce the environmental performance nitrogen oxide concentration and carbon monoxide concentration.
  • an operation signal is generated by combining a model that simulates static characteristics and a learning means that learns the optimum operation method for this model.
  • An object of the present invention is to predict a response characteristic in real time, and to optimally operate by following a target value that changes in real time, thereby enabling a KPI improvement support system and a KPI improvement support method that enable total optimum operation. Is to provide.
  • a KPI improvement support system that obtains operation data from an application object in which a constant operation state and a variable operation state are repeatedly executed and gives an operation condition of the application object, at least a variable operation state
  • a dynamic characteristic evaluation means for evaluating the dynamic characteristic of the KPI in the variable driving state of the application target by using the operating condition and the operating data in the state
  • a learning means for learning the operational condition of the application target from the evaluation result of the dynamic characteristic evaluation means
  • the KPI improvement support system is characterized by including operation condition signal generation means for generating operation conditions to be applied according to the learning result by the learning means.
  • a KPI improvement support method for giving an operation condition of an application target by using operation data from the application target in which a constant operation state and a variable operation state are repeatedly executed, which is at least an operation in the variable operation state. It is possible to evaluate the dynamic characteristics of the KPI in the fluctuating driving state of the application target using the conditions and the operation data, learn the operation condition of the application target from the evaluation result of the dynamic characteristics, and generate the operation condition of the application target according to the learning result.
  • the characteristic KPI improvement support method is possible to evaluate the dynamic characteristics of the KPI in the fluctuating driving state of the application target using the conditions and the operation data, learn the operation condition of the application target from the evaluation result of the dynamic characteristics, and generate the operation condition of the application target according to the learning result.
  • the KPI improvement support system and the KPI improvement support method of the present invention By using the KPI improvement support system and the KPI improvement support method of the present invention, the KPI of various devices can be improved. In particular, when applied to thermal power and power generation plants, plant efficiency can be improved and coal consumption can be reduced.
  • the figure explaining the mode of the data stored in operation plan database DB2. 3 is a flowchart showing the processing of FIG.
  • FIG. 1 is a block diagram illustrating a configuration example of a KPI improvement support system 200 according to an embodiment of the present invention.
  • the KPI improvement support system 200 is connected to the application target 100 of this system and the external device 900.
  • the KPI improvement support system 200 of FIG. 1 is generally composed of a computer device, and if the processing function of the arithmetic device is schematically shown, static characteristic evaluation means 300, learning means 400, evaluation value calculation means 500, It can be said that the dynamic characteristic evaluation means 600 and the operation condition signal generation means 700 are provided. Further, the dynamic characteristic evaluation means 600 includes a transient characteristic evaluation means 610 and an operation plan cooperation evaluation means 620. The operation of each unit in the KPI improvement support system 200 will be described with reference to FIG.
  • the KPI improvement support system 200 includes a driving data database DB1, a driving plan database DB2, and a learning result database DB3 as databases DB.
  • Computerized information is stored in the database DB, and information is usually stored in a form called an electronic file (electronic data).
  • the KPI improvement support system 200 includes an external input interface 210 and an external output interface 220 as an interface with the outside, and is connected to the application target 100 of this system and the external device 900 via the interface.
  • the external input signal Sg1 created by the operation of the external input device 910 (keyboard 910 and mouse 920) provided in the external device 900 and the application target 100 collected via the external input interface 210 are collected.
  • the driving data Sg2 present is taken into the KPI improvement support system 200.
  • the application target 100 includes a control device 180 and a device 190.
  • the device 190 transmits a measurement signal Sg70 to the control device 180, and the control device 180 transmits an operation signal Sg80 to the device 190.
  • the operation data Sg2 described above is data including the measurement signal Sg70 and the operation signal Sg80.
  • the operation data Sg2 taken into the KPI improvement support system 200 and the data regarding the operation included in the external input signal Sg1 are stored in the operation data database DB1 as the operation data Sg3, and the data regarding the operation plan included in the external input signal Sg1 is the operation plan.
  • the data Sg4 is stored in the operation plan database DB2.
  • the operation plan data Sg4 is data relating to the operation plan of the application target 100, and is, for example, the type of fuel used by the application target 100, the content of the product generated by the application target 100, and the planned value of the production amount.
  • the KPI improvement support device 200 outputs the operation condition signal Sg14 to the control device 180 in the application target 100 and the image display device 940 in the application target 100 via the external output interface 220.
  • KPI improvement support system 200 of the present embodiment an example is shown in which an arithmetic unit that constitutes a computer device and a database DB are provided inside the KPI improvement support system 200, but some of them are shown.
  • the devices may be arranged outside the KPI improvement support system 200 and only the data may be communicated between the devices.
  • the signal database information 50 which is a signal stored in each database DB, can be displayed on the image display device 940 via the external output interface 220, and all the information can be operated by the external input device 910. It can be corrected by the external input signal Sg1 generated in this way.
  • the external input device 910 is composed of the keyboard 920 and the mouse 930, but any device for inputting data such as a microphone for voice input or a touch panel may be used.
  • the embodiment of the present invention can be implemented as a driving support device or method.
  • the application target of the KPI improvement support system 200 is a plant, but it goes without saying that the application target can be implemented as equipment other than the plant.
  • FIG. 2A and 2B are flowcharts for explaining the operation of the KPI improvement support system 200. Of these, FIG. 2A is a flowchart for learning the KPI improving method.
  • the initial value of the operating condition Sg7 generated by the learning means 400 in FIG. 1 is set, and the operating condition Sg7 is set to the static characteristic evaluating means 300 and the dynamic characteristic evaluating means 600. Send to.
  • the static characteristic evaluation means 300 calculates the static characteristic evaluation result Sg8 based on the input of the operation condition Sg7, and transmits the static characteristic evaluation result Sg8 to the evaluation value calculation means 500.
  • the dynamic characteristic evaluation means 600 calculates the dynamic characteristic evaluation result Sg9 based on the input of the operation condition Sg7, and transmits the dynamic characteristic evaluation result Sg9 to the evaluation value calculation means 500.
  • the dynamic characteristic evaluation means 600 is provided with a transient characteristic evaluation means 610 that evaluates the relationship between at least one of the change width or change rate of the operating condition Sg7 and the dynamic change of the KPI, and this evaluation result is the dynamic characteristic. It is included in the evaluation result Sg9.
  • the dynamic characteristic evaluation unit 600 indicates the current value when the operation plan including at least one of the type of fuel used in the application target 100, the content of the product generated in the application target, and the planned value of the production amount is changed.
  • the operation plan cooperation evaluation means 620 for increasing the evaluation value of the operation condition Sg7 close to the operation condition Sg7 is provided, and this evaluation result is included in the dynamic characteristic evaluation result Sg9.
  • the evaluation value calculation means 500 calculates the evaluation value Sg10 based on the input of the static characteristic evaluation result Sg8 and the dynamic characteristic evaluation result Sg9, and transmits the evaluation value Sg10 to the learning means 400.
  • the learning means 400 learns a method of generating the operation condition Sg7 that maximizes the evaluation value Sg10. Then, the next operation condition Sg7 is generated, and the operation condition Sg7 is transmitted to the static characteristic evaluation means 300 and the dynamic characteristic evaluation means 600.
  • the learning means 400 learns a method of calculating an operation amount such that the operability of the application target 100 has a desired characteristic.
  • the learning means 400 can be implemented using an optimization algorithm such as reinforcement learning, a genetic algorithm, or a nonlinear programming method, but the present invention does not limit the implementation method of the learning means 400.
  • the evaluation value Sg10 referred to by the learning means 400 is calculated by the evaluation value calculation means 500, and the calculation method is based on the static characteristic evaluation result Sg8 and the dynamic characteristic evaluation result Sg9.
  • the method of the equation (2) and the method of the equation (3) which is calculated based on both the static characteristic evaluation result Sg8 and the dynamic characteristic evaluation result Sg9.
  • R is an evaluation value Sg10
  • p is a static characteristic evaluation result Sg8
  • q is a dynamic characteristic evaluation result Sg9
  • w1 and w2 are weighting factors.
  • processing step S150 it is determined whether or not the number of operations in processing step S140 exceeds a predetermined threshold value. If not, the process returns to processing step S110, and if it exceeds, the process proceeds to processing step S160.
  • processing step S160 it is determined whether or not the number of operations in processing step S100 exceeds a predetermined threshold value. If it does not exceed, the process returns to processing step S100, and if it exceeds, the process ends.
  • the result of operating the arithmetic unit in each processing step is transmitted to the processing result database DB3 as the processing result Sg11 and stored. Further, when operating the arithmetic unit in each processing step, the information stored in the processing result database DB3 can be used as necessary.
  • FIG. 2B is a flow chart when the operation condition signal is generated based on the learning result.
  • the operation condition signal generation means 700 calculates the operation condition signal Sg13 based on the input of the processing result Sg12, and transmits it to the external output interface 220. Then, the operation condition signal Sg14 is transmitted to the control device 180 and the image display device 940. It is possible to directly operate the application target 100 by using the operation condition signal Sg14. Further, the value of the operation condition signal Sg14 can be displayed on the image display device 940 as operation guidance.
  • each operation condition signal Sg14 may be displayed on the image display device 940 for the three types of learning results learned in processing step S140 so that any operation condition can be selected.
  • the KPI of the application target 100 is attempted to be predictively divided into static characteristics and dynamic characteristics. Therefore, as a premise of the following description, the relationship between the operation of the application target 100 and the KPI will be described with reference to FIG.
  • the horizontal axis represents time and the vertical axis represents, for example, the load of the application target 100.
  • the application object 100 to which the present invention is applied does not increase the load all at once to 100%, and has, for example, one or more stages that keep the load constant during the increase stage.
  • the static characteristics of the application target 100 are evaluated at timings t1, t2, and t3 at which the application target 100 is maintained at a constant timing, and the static property evaluation result Sg8 is obtained, and the static characteristics of the application target 100 are increased during the increasing stages T1, T2, and T3.
  • the dynamic characteristic is evaluated to obtain the dynamic characteristic evaluation result Sg9.
  • FIG. 3 shows an example in which a step of holding a constant value is provided in the increasing step, the step of holding the constant value is similarly set in the load reducing step.
  • the static characteristic evaluation result Sg8 and the dynamic characteristic evaluation result Sg9 are indexes indicating the KPI of the application target 100, and are indexes that directly or indirectly indicate operational performance such as efficiency, environmental performance, and operating rate. These indexes are obtained for each measurement time point and each period, and a plurality of indexes may be set for each time point and each period.
  • the operation condition Sg7 given by the learning means 400 in FIG. 2 defines a load pattern at the load increasing/decreasing stage illustrated in FIG. 3, or determines various process amounts and operation amounts in that case. It is a thing. These operation conditions Sg7 will be converged to the appropriate operation condition Sg7 by the subsequent learning. As a result, the load pattern as the operation condition Sg7 initially given is different from the load pattern after learning. To be done. It can be said that the KPI improvement support system 200 according to the embodiment of the present invention pursues a driving mode for optimizing the KPI.
  • the initial value of the operating condition Sg7 indicated by the solid line as the load pattern until reaching the rated load in the stage before activation in FIG. 3 (the magnitude of the load in each stage, Given the duration, change width, change rate, etc.), predict the driving state when driving according to operating conditions, evaluate static characteristics and dynamic characteristics, and create based on the optimum evaluation value evaluated from both viewpoints As a new load pattern, it is proposed to control the application target 100 according to the operation condition Sg13 indicated by the dotted line.
  • the operation condition Sg13 may be determined as the predicted load pattern before starting, and thereafter, the operation may be performed according to the operation condition Sg13, or in the starting process. It is also possible to perform the prediction in the next stage or the next stage, and to operate while determining the operating condition Sg13 as the sequentially predicted load pattern.
  • FIG. 4A and 4B are diagrams for explaining an embodiment of the static characteristic evaluation means 300.
  • the static characteristic evaluation means 300 is constructed by a neural network model as shown in FIG. 4A, and evaluates the operability such as efficiency and environmental load substances with respect to the input of the manipulated variable such as the air flow rate set value. Output the index.
  • FIG. 4B is a diagram showing the relationship between the input and the output of the neural network model.
  • the operating data that is the input is interpolated, and the value of the index for evaluating the operability for arbitrary operating conditions. Can be asked.
  • the indexes for evaluating the operability are the fuel consumption amount and the environmental load substance emission amount, and that the lower the index, the higher the KPI.
  • FIG. 4C shows an example of the result of operating the learning means 400.
  • the result of learning the relationship between the current operation condition and the change width of the operation condition is shown.
  • the operation condition when the current operation amount is in the area A, the operation condition is increased, and when it is in the area B, the operation condition is decreased.
  • the index for evaluating the operability in FIG. 4B becomes a minimum value, and the KPI can be improved.
  • the dynamic characteristic evaluation unit 600 is also similar. Needless to say, can be constructed by a neural network model and other techniques. Since the present invention is not an invention relating to a specific configuration method of the dynamic characteristic evaluation unit 600, a detailed description of the dynamic characteristic evaluation unit 600 will be omitted.
  • FIG. 5A and FIG. 5B are diagrams for explaining modes of data stored in the database DB included in the KPI improvement support system 200.
  • FIG. 5(a) is a diagram for explaining a mode of data stored in the driving database DB1.
  • the operation data of items A, B, C, etc. measured by the sensor are stored for each sampling cycle.
  • the trend graph of the driving data can be displayed on the image display device 940.
  • FIG. 5( b) is a diagram illustrating a form of data stored in the operation plan database DB2.
  • materials such as materials used in the plant and plans of products produced in the plant are stored in chronological order as the operating conditions A, B, and C.
  • the plan data such as the materials used in the plant and the products generated in the plant, which are stored in the operation plan database DB2 are, for example, the magnitude of the load at each stage, the duration, and the load constant state or the load change state in FIG. It is time-series data that reflects the amount of change or the rate of change.
  • processing result database DB3 is necessary to obtain the weighting coefficient of the neural network model shown in FIG. 4A and the results shown in FIGS. 4B and 4C. Information is stored.
  • FIG. 6 is a flowchart specifically showing the processing of FIG. 2 by further dividing it into a static characteristic side and a dynamic characteristic side.
  • various data Sg5 and Sg6 necessary for KPI calculation are fetched from the operation data database DB1 and the operation plan database DB2.
  • the data obtained by participating in the driving section shown in FIG. 3 from the data accumulated in the database DB from the past driving experience of the application target 100 is taken in for the subsequent calculation.
  • the static characteristic side data is the data obtained at times t1, t2, and t3 in the stationary state in FIG. 3
  • the dynamic characteristic side data is the time zone T1 in the operating state in FIG. , T2, and T3.
  • the process on the right side represents the process on the dynamic characteristic side (denoted by D)
  • the process on the left side represents the process on the static characteristic side (denoted by S)
  • the central part represents the commonly performed process. ing.
  • the operating condition Sg7 for the static characteristic model and the dynamic characteristic model is set.
  • the initial state for example, at times t1, t2, and t3 in the stationary state, the time that is the load pattern at this time, the magnitude of the load, and the like are set, and for the periods T1, T2, and T3 in the operating state,
  • the change width or change rate that is the load pattern at this time, the magnitude of the load, etc. are set, for example. It should be noted that other factors may be set as necessary.
  • the static characteristic model and the dynamic characteristic model are calculated under the given data and operating conditions to perform the static characteristic evaluation and the dynamic characteristic evaluation.
  • This processing corresponds to the static characteristic evaluation means 300 and the dynamic characteristic evaluation means 600 of FIG.
  • the static characteristic evaluation result Sg8 and the dynamic characteristic evaluation result Sg9 are obtained as the processing results of the processing steps S203S and S203D, respectively, these may be one or more.
  • KPIs a plurality of operational performances such as efficiency, environmental performance, and operating rate
  • KPIs from the viewpoints of efficiency, environmental performance, operating rate, etc. are calculated in each of static characteristic evaluation and dynamic characteristic evaluation. May be
  • processing step S204 a plurality of KPIs calculated from the viewpoints of static characteristic evaluation and dynamic characteristic evaluation are bundled into one KPI by, for example, formula (3), or some important indexes are used as representative indexes.
  • This representative index is an index that considers both static characteristic evaluation and dynamic characteristic evaluation.
  • process step S205 a new operation condition Sg7 that achieves the representative index is generated, the condition is set again in process steps S202S and S202D, and thereafter, the iterative process is executed until the initially intended KPI is achieved.
  • processing step S206 when a satisfactory result is obtained, it is output to the outside.
  • the finally obtained result is for setting a new load pattern, for example, and teaches that the load pattern in FIG.
  • the load pattern indicated by the dotted line corresponds to the operation signal Sg13 in FIG.
  • 7A and 7B are examples of plant operation results when the evaluation value calculation means 500 calculates the evaluation value Sg10 using only the static characteristic evaluation result Sg8.
  • 7C and 7D are examples of plant operation results when the evaluation value calculation means 500 calculates the evaluation value 10 using both the static characteristic evaluation result Sg8 and the dynamic characteristic evaluation result Sg9. is there.
  • FIG. 7A shows the time transition (horizontal axis) of the KPI (vertical axis), in which the KPI is evaluated in a static state (state where the KPI is constant) and reflected in the subsequent operation.
  • the operation condition is changed from Sp10 to Sp11 in the first static state, and the operation condition is changed from Sp11 to Sp20 in the next static state.
  • the KPI transitioned to the next static state it first showed a declining trend, and then increased, and moved to a stable state.
  • FIG. 7B shows the relationship between the operating conditions before and after starting, for example, the operating conditions from Sp10, which is the optimal point in state A (100% load) to optimal point in state B (80% load).
  • the intermediate point is set in consideration of driving restrictions, and Sp11 is selected as the operation condition of the intermediate point.
  • the KPI is improved by changing the operation condition based on the result of operating the KPI improvement support system 200.
  • the operation conditions are changed several times to improve the KPI.
  • the KPI improves by repeating the operation, but the KPI temporarily deteriorates when the operation conditions are changed. This is because the KPI also changes as the process value to be applied changes transiently.
  • FIG. 7C shows a time transition (horizontal axis) of the KPI (vertical axis).
  • the KPI is evaluated in a dynamic state (a state where the KPI is constant) and reflected in the subsequent operation.
  • a dynamic state a state where the KPI is constant
  • the operation condition is changed from Sp10 to Sp12 in the first state
  • the operation condition is changed from Sp12 to Sp20 in the next state.
  • the KPI shifts to the next state it first shows a decreasing tendency and then increases and then changes to a stable state, but the large decreasing tendency as shown in FIG. 7A is alleviated. I understand.
  • FIG. 7D shows, for example, the relationship between the operating conditions before and after starting, and the operating conditions are from Sp10, which is the optimal point in state A (100% load) to optimal point in state B (80% load).
  • the intermediate point is set in consideration of operational restrictions, and Sp12 is selected as the operation condition of the intermediate point.
  • This operation route passing through Sp12 is an operation route having excellent dynamic characteristics.
  • the KPI improvement support system 200 is operated. By changing the operating condition based on the result, the KPI is improved as in FIG. 7A.
  • the final KPI value is the same between FIG. 7A and FIG. 7C, but the transient deterioration of KPI is smaller in FIG. 7(c) is superior to FIG. 7(a). This is because in FIG. 7C, the evaluation value Sg10 is calculated using the dynamic characteristic evaluation result Sg9 as well, so that the operating condition is determined so as to suppress the transient KPI decrease.
  • the KPI improvement support system 200 of the present invention it is possible to determine an operation condition so as to suppress a transient KPI decrease, and it is possible to perform total integration by time integration.
  • the second embodiment will explain a case where the application target is a coal-fired power plant.
  • FIG. 8 is a schematic diagram showing the configuration of a coal-fired power plant that is an example of the application target 100. First, a mechanism of power generation by a coal-fired power plant will be briefly described.
  • pulverized coal which is a fuel obtained by finely pulverizing coal in a mill 134, primary air for conveying pulverized coal, and secondary air for combustion adjustment.
  • a plurality of burners 102 for supplying air are provided, and the pulverized coal supplied through the burners 102 is burned inside the boiler 101.
  • the structure of the burner 102 is arranged in a plurality of stages before and after the boiler 101 as shown in the figure, and a plurality of burners are arranged in one line in each stage. With the burner structure and arrangement shown in FIG.
  • pulverized coal is burned inside the boiler 101 from the front (hereinafter referred to as the can) and the back (hereinafter referred to as the can) of the boiler.
  • the pulverized coal and the primary air are introduced into the burner 102 from the pipe 139, and the secondary air is introduced into the burner 102 from the pipe 141.
  • the primary air is guided from the fan 120 to the pipe 130, and is branched into a pipe 132 that passes through the air heater 104 installed on the downstream side of the boiler 101 and a pipe 131 that bypasses without passing through the air heater 104.
  • the pipe 133 arranged on the downstream side of the air heater 104 merges again and is introduced to the mill 134 for producing pulverized coal installed on the upstream side of the burner 102.
  • the primary air passing through the air heater 104 is heated by exchanging heat with the combustion gas flowing down the boiler 101. Together with the heated primary air, the primary air bypassing the air heater 104 conveys the differential coal crushed in the mill 134 to the burner 102.
  • the mill 134 is arranged so as to correspond to each burner stage (four units in Fig. 8), and supplies pulverized coal and primary air to the burners forming each stage. That is, when the amount of coal supply is reduced, such as when the power generation output is reduced, the mill can be stopped and the burner can be stopped for each burner stage.
  • the rotation speed of the mill is adjusted so that pulverized coal having a desired particle size is obtained according to the properties of the coal used.
  • the coal stored in the coal bunker 136 is guided to the coal feeder 135 via the coal conveyor 137, and the supply amount is adjusted by the coal feeder 135. Then, it is supplied to the mill 134 via the coal conveyor 138.
  • the boiler 101 is provided with an after-air port 103 for introducing air for two-stage combustion into the boiler 101.
  • the air for the second stage combustion is introduced from the pipe 142 to the after air port 103.
  • the air introduced from the pipe 140 using the fan 121 is heated in the same manner by the air heater 104, and then the secondary air pipe 141 and the after-air port pipe 142 are formed.
  • the flow rate of air supplied to the burner 102 and the after-air port 103 can be adjusted by operating an air damper (not shown) installed in each of the pipes 141 and 142.
  • the high-temperature combustion gas generated by burning the pulverized coal inside the boiler 101 flows down to the downstream side along the path inside the boiler 101, and the heat exchanger 106 arranged inside the boiler 101 supplies water. After exchanging heat with the steam to generate steam, it becomes exhaust gas and flows into the air heater 104 installed on the downstream side of the boiler 101, and heat exchanges with the air heater 104 to raise the temperature of the air supplied to the boiler 101. To do.
  • Exhaust gas that has passed through the air heater 104 is discharged from the chimney to the atmosphere after being subjected to exhaust gas treatment (not shown).
  • the feed water circulating in the heat exchanger 106 of the boiler 101 is supplied to the heat exchanger 106 via the feed water pump 105, and is overheated by the combustion gas flowing down the boiler 101 in the heat exchanger 106 to become high-temperature and high-pressure steam.
  • the number of heat exchangers is one in this embodiment, a plurality of heat exchangers may be arranged.
  • the high-temperature and high-pressure steam generated in the heat exchanger 106 is guided to the steam turbine 108 via the turbine governor 107, and the steam turbine 108 is driven by the energy of the steam to generate power in the generator 109.
  • the measurement signal of the coal-fired power plant acquired from the measuring instrument arranged in the application target 100 is stored in the operation data database DB1 as shown in FIG.
  • the feed water generated by cooling the steam by the condenser (not shown) of the steam turbine 108 is supplied to the heat exchanger 106 of the boiler 101 by the feed pump 105, and the flow rate of this feed water is measured by the flow rate measuring device 150. It is being measured.
  • Measurement signal of state quantity related to concentration of components nitrogen oxide (NOx), carbon monoxide (CO), hydrogen sulfide (H 2 S), etc. contained in exhaust gas which is combustion gas discharged from the boiler 101. Is measured by a concentration measuring instrument 154 provided on the downstream side of the boiler 101.
  • concentration measuring instrument 154 provided on the downstream side of the boiler 101.
  • a primary air flow meter 155 for measuring the flow rate of the primary air supplied to the mill 134 through the pipe 133, a coal feeding machine 135, a coal conveyor 138, and a mill 134.
  • a coal supply meter 156 for measuring the amount of coal supplied
  • a tachometer 157 for measuring the number of revolutions of the mill 134, and the above-mentioned information can be measured for each mill and coal feeder.
  • the flow rate of coal supplied to the boiler 101 which is the state quantity of the coal-fired power plant that is the application target 100 measured by each of the above measuring instruments, the rotation speed of the mill 134, and the boiler 101
  • Exhaust gas recirculation for recirculating part of the exhaust gas discharged from the boiler 101, the gas temperature of the exhaust gas discharged from the boiler 101, the gas concentration of the exhaust gas supplied to the exchanger 106, and the gas concentration of the exhaust gas. Flow rate etc. are included.
  • the KPI improvement support system 200 When the KPI improvement support system 200 is applied to a thermal power plant, the following specific KPIs should be considered. These are, for example, the flow rate of coal consumed in a thermal power plant, unburned ash discharged from a thermal power plant, carbon monoxide, nitrogen oxides, sulfide oxides, mercury, fluorine, fine particles consisting of dust or mist, volatilization. It is the amount of any state of the organic compound, and reducing these values leads to the improvement of KPI.
  • FIG. 9(a), 9(b), and 9(c) are diagrams for explaining the operation of the transient characteristic evaluation means 610 of FIG.
  • the change range and rate of change of the air flow rate which is an operating condition, from the coal flow rate, unburned ash content, carbon monoxide, nitrogen oxides, sulfide oxides, mercury, fluorine, dust and mist.
  • the relationship between the dynamic changes in the state quantities of the fine particles and the volatile organic compounds is evaluated.
  • the transient characteristic evaluation means 610 stores the relationship between the operating condition change width and the process value overshoot width. This relationship is created based on past plant operation results and simulation results using a model that simulates plant characteristics.
  • the learning means 400 can learn an operation with a small overshoot.
  • FIG. 9B shows an example of the operation result of the plant when the evaluation value calculation means 500 calculates the evaluation value Sg10 using only the static characteristic evaluation result Sg8.
  • FIG. 9C is an example of the operation result of the plant when the evaluation value calculation means 500 calculates the evaluation value Sg10 using both the static characteristic evaluation result Sg8 and the dynamic characteristic evaluation result Sg9.
  • the KPI is improved by changing the operating condition based on the result of operating the KPI improvement support system 200. To do. Although the CO concentration decreases as the operation is repeated, the CO concentration temporarily increases at the timing when the operating condition is changed.
  • the operating condition is set based on the result of operating the KPI improvement support system 200.
  • the CO concentration is improved by changing the same as in FIG. 9B.
  • the final value of CO concentration is the same in FIG. 9(b) and FIG. 9(c), but the transient increase in CO concentration is smaller in FIG. 9(c).
  • 9(c) is superior to 9(b).
  • the dynamic characteristic evaluation result Sg9 is also used to calculate the evaluation value Sg10, so that the operating condition is determined so as to suppress the transient KPI decrease, that is, the increase in CO concentration. ..
  • 10A and 10B are diagrams for explaining the operation of the operation plan cooperation evaluation unit 620.
  • FIG. 10A is a diagram for explaining the contents of the operation plan data Sg6 used by the operation plan cooperation means 620.
  • the load is adjusted according to the demand for electric power, and when the load condition changes, the flow rate of coal supplied to the plant is changed. With this change, the combustion state in the furnace also changes, and the optimum operating conditions also change.
  • the operation plan data Sg6 includes a relationship between time and load plans.
  • FIG. 10B is a diagram illustrating a result of operating the learning unit 400 using the evaluation value obtained by operating the operation plan cooperation evaluation unit 620.
  • a good operation method in total. Further, a plurality of operation routes may be displayed on the image display device 940 so that the operation route can be selected.
  • the first and second embodiments have described the case where the KPI improvement support device of the present invention is applied to the plant, but the application target is not limited to the plant.
  • the present invention can be widely used as a KPI improvement support system for various devices.
  • Sg1 External input signal
  • Sg2 Operation data
  • Sg3 Operation data
  • Sg4 Operation plan data
  • Sg5 Operation data
  • Sg6 Operation plan data
  • Sg7 Operating condition
  • Sg8 Static characteristic evaluation result
  • Sg9 Dynamic characteristic evaluation Results
  • Sg10 evaluation value
  • Sg11 processing result
  • Sg12 processing result
  • Sg13 operation condition signal
  • Sg14 operation condition signal
  • Sg70 measurement signal
  • Sg80 operation signal
  • 100 application target
  • 180 control device
  • 190 Equipment
  • 200 KPI improvement support system
  • 210 External input interface
  • 220 External output interface
  • DB1 Operation data DB
  • DB2 Operation plan DB
  • DB3 Processing result DB
  • 300 Static characteristic evaluation means
  • 400 Learning Means
  • 600 Dynamic characteristic evaluation means
  • 610 Transient characteristic evaluation means
  • 620 Operation plan cooperation evaluation means
  • 700 Operation condition signal generation means

Abstract

リアルタイムに応答特性を予測しながら、リアルタイムに変化する目標値に追従して最適に操作することで、トータルで最適な運転を可能とするＫＰＩ改善支援システム及びＫＰＩ改善支援方法を提供する。一定運転状態と変動運転状態が繰り返し実行される適用対象からの運転データを得、前記適用対象の操作条件を与えるＫＰＩ改善支援システムであって、少なくとも変動運転状態における操作条件と運転データを用いて適用対象の変動運転状態におけるＫＰＩの動特性を評価する動特性評価手段と、動特性評価手段における評価結果から適用対象の操作条件を学習する学習手段と、学習手段による学習結果に従って適用対象の操作条件を生成する操作条件信号生成手段を備えることを特徴とするＫＰＩ改善支援システム。

Description

ＫＰＩ改善支援システム及びＫＰＩ改善支援方法
　本発明は各種機器のＫＰＩ改善を支援するＫＰＩ改善支援システム及びＫＰＩ改善支援方法に関する。
　近年、ＩＣＴ（Ｉｎｆｏｒｍａｔｉｏｎ　ａｎｄ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ　）、ＩｏＴ（Ｉｎｔｅｒｎｅｔ　ｏｆ　Ｔｈｉｎｇ）の技術革新に伴い、高速な計算機やネットワーク通信、大容量なデータ保存装置を利用できる環境が整いつつある。多くの産業分野で大量に蓄積したデータの利活用に注目が集まるなか、機器の計測データや点検・保全データなどの現地サイトで収集したデータと、企業の経営及び資産情報を管理するシステムの統合により、重要業績評価指標（ＫＰＩ：Ｋｅｙ　Ｐｅｒｆｏｒｍａｎｃｅ　Ｉｎｄｉｃａｔｏｒｓ）を改善する運用が求められている。
　例えば発電事業の分野では、風力発電や太陽光発電などの再生可能エネルギーの利用増加に伴う発電量の変動が電力系統の安定性を低下させるという懸念から、バックアップ電源としての火力発電プラントの重要性が増している。また、火力発電プラントは負荷調整としての役割だけでなく、ベースロード電源としての役割も担っており、効率、環境性能、稼働率などの運用性能をＫＰＩとして考慮した運用が求められている。
　火力発電プラントの運用性能を改善するため、特許文献１、特許文献２には環境性能である窒素酸化物濃度、一酸化炭素濃度を低減させる制御装置が開示されている。
特開２０１２－１４１８６２号公報 特開２００９－２４４９３３号公報
　先行技術文献に記載した技術では、静特性を模擬するモデルと、このモデルを対象に最適な操作方法を学習する学習手段を組み合わせて、操作信号を生成する。この技術を用いることで、機器で使用する燃料の種類、生成する製品の内容、製造量が変化して最適な操作条件の変化に追従して、操作条件を最適値に移動させることができる。しかし、移動時の過渡的な変化を考慮していないため、一時的にＫＰＩが悪化して、トータルでは最適な運転にならない場合がある。
　本発明の目的は、リアルタイムに応答特性を予測しながら、リアルタイムに変化する目標値に追従して最適に操作することで、トータルで最適な運転を可能とするＫＰＩ改善支援システム及びＫＰＩ改善支援方法を提供することにある。
　以上のことから本発明においては、「一定運転状態と変動運転状態が繰り返し実行される適用対象からの運転データを得、前記適用対象の操作条件を与えるＫＰＩ改善支援システムであって、少なくとも変動運転状態における操作条件と運転データを用いて適用対象の変動運転状態におけるＫＰＩの動特性を評価する動特性評価手段と、動特性評価手段における評価結果から適用対象の操作条件を学習する学習手段と、学習手段による学習結果に従って適用対象の操作条件を生成する操作条件信号生成手段を備えることを特徴とするＫＰＩ改善支援システム」としたものである。
　また本発明においては、「一定運転状態と変動運転状態が繰り返し実行される適用対象からの運転データを用いて、適用対象の操作条件を与えるＫＰＩ改善支援方法であって、少なくとも変動運転状態における操作条件と運転データを用いて適用対象の変動運転状態におけるＫＰＩの動特性を評価し、動特性の評価結果から適用対象の操作条件を学習し、学習結果に従って適用対象の操作条件を生成することを特徴とするＫＰＩ改善支援方法」としたものである。
　本発明のＫＰＩ改善支援システム及びＫＰＩ改善支援方法を用いることで、各種機器のＫＰＩを改善できる。特に、火力、発電プラントへ適用した場合、プラント効率を改善し、石炭消費量を削減できる。
本発明の実施例に係るＫＰＩ改善支援システムの構成例を説明するブロック図。 ＫＰＩ改善支援システムにおける学習動作を説明するフローチャート図。 ＫＰＩ改善支援システムにおける学習結果に基づいて操作条件信号を生成するフローチャート図。 適用対象１００の運転とＫＰＩの関係を説明する図。 静特性評価手段３００をニューラルネットワークモデルで構築することを示す図。 ニューラルネットワークモデルの入力と出力の関係を示す図。 学習手段４００を動作させた結果の実施例を示す図。 運転データベースＤＢ１に保存されるデータの態様を説明する図。 運転計画データベースＤＢ２に保存されるデータの態様を説明する図。 図２の処理をさらに静特性側と動特性側に分けて具体的に示したフローチャート。 評価値計算手段５００にて静特性評価結果Ｓｇ８のみを用いて評価値Ｓｇ１０を計算した時のプラントの操作結果例を示す図。 評価値計算手段５００にて静特性評価結果Ｓｇ８のみを用いて評価値Ｓｇ１０を計算した時のプラントの操作結果例を示す図。 評価値計算手段５００にて静特性評価結果Ｓｇ８と動特性評価結果Ｓｇ９の両方を用いて評価値Ｓｇ１０を計算した時のプラントの操作結果例を示す図。 評価値計算手段５００にて静特性評価結果Ｓｇ８と動特性評価結果Ｓｇ９の両方を用いて評価値Ｓｇ１０を計算した時のプラントの操作結果例を示す図。 適用対象１００の実施例である石炭火力プラントの構成を示す概略図。 操作条件変更幅とプロセス値のオーバーシュート幅の関係を示す図。 静特性評価結果Ｓｇ８のみを用いて評価値Ｓｇ１０を計算した時のプラントの操作結果例を示す図。 静特性評価結果Ｓｇ８と動特性評価結果Ｓｇ９の両方を用いて評価値Ｓｇ１０を計算した場合を示す図。 運転計画連携手段６２０で用いる運転計画データＳｇ６の内容を説明する図。 運転計画連携評価手段６２０を動作させた評価値を用いて学習手段４００を動作させた結果を説明する図。
　以下本発明の実施例について図面を参照して説明する。
　図１は本発明の実施例に係るＫＰＩ改善支援システム２００の構成例を説明するブロック図である。本実施例では、ＫＰＩ改善支援システム２００は本システムの適用対象１００及び外部装置９００と接続されている。
　図１のＫＰＩ改善支援システム２００は、一般には計算機装置により構成されており、その演算装置における処理機能を模式的に示すならば、静特性評価手段３００、学習手段４００、評価値計算手段５００、動特性評価手段６００、操作条件信号生成手段７００を備えたものということができる。さらに動特性評価手段６００には、過渡特性評価手段６１０と運転計画連携評価手段６２０が備えられている。ＫＰＩ改善支援システム２００における各部の動作については、図２以降で説明する。
　ＫＰＩ改善支援システム２００は、データベースＤＢとして運転データデータベースＤＢ１、運転計画データベースＤＢ２、学習結果データベースＤＢ３を備える。データベースＤＢには、電子化された情報が保存されており、通常電子ファイル（電子データ）と呼ばれる形態で情報が保存される。
　またＫＰＩ改善支援システム２００は、外部とのインターフェイスとして外部入力インターフェイス２１０及び外部出力インターフェイス２２０を備え、インターフェイスを介して本システムの適用対象１００及び外部装置９００に接続している。
　係るインターフェイス構成により、外部装置９００に備えられている外部入力装置９１０（キーボード９１０及びマウス９２０）の操作で作成する外部入力信号Ｓｇ１と、外部入力インターフェイス２１０を介して適用対象１００にて収集している運転データＳｇ２がＫＰＩ改善支援システム２００に取り込まれる。
　適用対象１００は制御装置１８０と機器１９０で構成され、機器１９０から制御装置１８０に計測信号Ｓｇ７０が送信され、制御装置１８０から機器１９０には操作信号Ｓｇ８０を送信する。先に述べた運転データＳｇ２は、計測信号Ｓｇ７０及び操作信号Ｓｇ８０を含むデータである。ＫＰＩ改善支援システム２００に取り込まれた運転データＳｇ２及び外部入力信号Ｓｇ１に含まれる運転に関するデータは運転データＳｇ３として運転データデータベースＤＢ１に保存され、外部入力信号Ｓｇ１に含まれる運転計画に関するデータは運転計画データＳｇ４として運転計画データベースＤＢ２に保存される。
　ここで運転計画データＳｇ４は、適用対象１００の運転計画に関するデータであり、例えば適用対象１００で使用する燃料の種類、適用対象１００で生成する製品の内容、製造量の計画値である。
　またＫＰＩ改善支援装置２００は、外部出力インターフェイス２２０を介して、操作条件信号Ｓｇ１４を適用対象１００内の制御装置１８０と適用対象１００内の画像表示装置９４０に出力する。
　なお、本実施例のＫＰＩ改善支援システム２００においては、計算機装置を構成する演算装置、およびデータベースＤＢがＫＰＩ改善支援システム２００の内部に備えられている例を示しているが、これらの一部の装置をＫＰＩ改善支援システム２００の外部に配置し、データのみを装置間で通信するようにしてもよい。
　また、各データベースＤＢに保存されている信号である信号データベース情報５０は、その全ての情報が外部出力インターフェイス２２０を介して画像表示装置９４０に表示でき、これらの情報は外部入力装置９１０を操作して生成する外部入力信号Ｓｇ１で修正できる。
　本実施例では、外部入力装置９１０をキーボード９２０とマウス９３０で構成しているが、音声入力のためのマイク、タッチパネルなど、データを入力するための装置であれば良い。
　また、本発明の実施形態として、運転支援装置あるいは方法としても実施可能であることは言うまでもない。また、本実施例ではＫＰＩ改善支援システム２００の適用対象をプラントとしているが、適用対象をプラント以外の設備としても実施可能であることは言うまでもない。
　図２（ａ）と図２（ｂ）は、ＫＰＩ改善支援システム２００の動作を説明するフローチャート図である。このうち図２（ａ）はＫＰＩ改善方法を学習する際のフローチャート図である。
　図２（ａ）における学習フローの最初の処理ステップＳ１００では、図１の学習手段４００で生成する操作条件Ｓｇ７の初期値を設定し、操作条件Ｓｇ７を静特性評価手段３００と動特性評価手段６００に送信する。
　処理ステップＳ１１０では、静特性評価手段３００にて、操作条件Ｓｇ７の入力に基づいて静特性評価結果Ｓｇ８を計算し、静特性評価結果Ｓｇ８を評価値計算手段５００に送信する。
　処理ステップＳ１２０では、動特性評価手段６００にて、操作条件Ｓｇ７の入力に基づいて動特性評価結果Ｓｇ９を計算し、動特性評価結果Ｓｇ９を評価値計算手段５００に送信する。
　動特性評価手段６００には、操作条件Ｓｇ７の変化幅もしくは変化率の少なくとも１つと、ＫＰＩの動的な変化の関係を評価する過渡特性評価手段６１０が備えられており、本評価結果が動特性評価結果Ｓｇ９に含まれる。
　また、動特性評価手段６００には、適用対象１００で使用する燃料の種類、適用対象で生成する製品の内容、製造量の計画値の少なくとも１つを含む運転計画を変更した際に、現在の操作条件Ｓｇ７に近い操作条件Ｓｇ７の評価値を高くする運転計画連携評価手段６２０が備えられており、本評価結果が動特性評価結果Ｓｇ９に含まれる。
　処理ステップＳ１３０では、評価値計算手段５００にて、静特性評価結果Ｓｇ８と動特性評価結果Ｓｇ９の入力に基づいて評価値Ｓｇ１０を計算し、評価値Ｓｇ１０を学習手段４００に送信する。
　処理ステップＳ１４０では、学習手段４００にて、評価値Ｓｇ１０が最大となるような操作条件Ｓｇ７の生成方法を学習する。そして、次の操作条件Ｓｇ７を生成し、操作条件Ｓｇ７を静特性評価手段３００と動特性評価手段６００に送信する。
　学習手段４００では、適用対象１００の運用性が所望の特性となるような操作量の算出方法を学習する。学習手段４００は強化学習、遺伝的アルゴリズム、非線形計画法などの最適化アルゴリズムを用いて実装できるが、本発明では学習手段４００の実装方法を限定しない。
　学習手段４００で参照する評価値Ｓｇ１０は評価値計算手段５００で計算するが、計算方法は静特性評価結果Ｓｇ８に基づいて計算する（１）式の方法、動特性評価結果Ｓｇ９に基づいて計算する（２）式の方法、静特性評価結果Ｓｇ８と動特性評価結果Ｓｇ９の両方に基づいて計算する（３）式の方法の３種類がある。尚、Ｒは評価値Ｓｇ１０、ｐは静特性評価結果Ｓｇ８、ｑは動特性評価結果Ｓｇ９、ｗ１、ｗ２は重み係数である。
[数１]
Ｒ＝Σｐ　　　　（１）
[数２]
Ｒ＝∫ｑｄｔ　　　（２）
[数３]
Ｒ＝ｗ１×Σｐ＋ｗ２×∫ｑｄｔ　　　　（３）
　処理ステップＳ１５０では、処理ステップＳ１４０の動作回数が予め定めた閾値を超えるかどうかを判定し、超えない場合は処理ステップＳ１１０に戻り、超えた場合は処理ステップＳ１６０に進む。
　処理ステップＳ１６０では、処理ステップＳ１００の動作回数が予め定めた閾値を超えるかどうかを判定し、超えない場合は処理ステップＳ１００に戻り、超えた場合は終了に進む。
　尚、各処理ステップで演算装置を動作させた結果は、処理結果Ｓｇ１１として処理結果データベースＤＢ３に送信され、保存する。また、各処理ステップで演算装置を動作させる際、必要に応じて処理結果データベースＤＢ３に保存されている情報を使用できる。
　図２（ｂ）は学習結果に基づいて操作条件信号を生成する際のフローチャート図である。
　図２（ｂ）において処理ステップＳ１７０では、操作条件信号生成手段７００にて、処理結果Ｓｇ１２の入力に基づいて操作条件信号Ｓｇ１３を計算し、外部出力インターフェイス２２０に送信する。その後、操作条件信号Ｓｇ１４は制御装置１８０と画像表示装置９４０に送信する。操作条件信号Ｓｇ１４を用いて、直接適用対象１００を操作することが可能である。また、操作条件信号Ｓｇ１４の値を操作ガイダンスとして画像表示装置９４０に表示することが可能である。
　また、処理ステップＳ１４０で学習した３種類の学習結果について、各操作条件信号Ｓｇ１４の値を画像表示装置９４０に表示し、任意の操作条件を選択できるようにしても良い。
　図１、図２（ａ）、図２（ｂ）に示すように、本発明の実施例においては静特性と動特性に分けて適用対象１００のＫＰＩを予測的に評価しようとしている。そのため以降の説明の前提として適用対象１００の運転とＫＰＩの関係について図３を用いて説明する。
　図３において横軸は時間、縦軸は適用対象１００の例えば負荷を表している。この図に示すように本発明が適用される適用対象１００は、負荷が一気に１００％まで増加されるわけではなく、例えば増加段階の途中で一定を保持する段階を1つ以上有する。この増加段階において、一定を保持する段階のタイミングｔ１、ｔ２、ｔ３において適用対象１００の静特性を評価して静特性評価結果Ｓｇ８を得、増加段階の期間Ｔ１、Ｔ２、Ｔ３において適用対象１００の動特性を評価して動特性評価結果Ｓｇ９を得る。なお図３では増加段階において一定を保持する段階を設けた例を示しているが、この一定を保持する段階は、負荷の減少段階においても同様に設定される。
　なお静特性評価結果Ｓｇ８及び動特性評価結果Ｓｇ９は、適用対象１００のＫＰＩを示す指標であり、例えば効率、環境性能、稼働率などの運用性能を直接的にあるいは間接的に示す指標である。これらの指標は計測対象とした時点、期間ごとに求められ、かつ各時点、期間での指標はそれぞれにおいて複数のものが設定されていてもよい。
　また図２の学習手段４００が与える操作条件Ｓｇ７は、図３に例示される負荷の増加、減少段階である負荷パターンを定めたものであり、あるいはその場合の各種のプロセス量や操作量を定めたものである。これらの操作条件Ｓｇ７は、その後の学習により適正な操作条件Ｓｇ７に収束をしていくことになり、この結果として最初に与えた操作条件Ｓｇ７としての負荷パターンは、学習後の別の負荷パターンとされる。本発明の実施例に係るＫＰＩ改善支援システム２００は、ＫＰＩを最適化するための運転態様を追求するものということができる。
　上記したように本発明のＫＰＩ改善支援システム２００は、例えば図３の起動前の段階において定格負荷に達するまでの負荷パターンとして実線で示す操作条件Ｓｇ７の初期値（各段階の負荷の大きさ、継続時間や変化幅もしくは変化率など）が与えられ、操作条件に従って運転した時の運転状態を予測しかつ静特性並びに動特性を評価し、双方の観点から評価した最適な評価値に基づいて作成した新たな負荷パターンとして点線で示す操作条件Ｓｇ１３により適用対象１００を制御することを提案していくことになる。
　なおＫＰＩ改善支援システム２００における上記予測に基づく制御は、起動前に予測負荷パターンとして操作条件Ｓｇ１３を決定していまい、以降は操作条件Ｓｇ１３に従い運転するものとすることもできるし、あるいは起動過程において次段階あるいは次々段階までの予測を行い逐次予測負荷パターンとして操作条件Ｓｇ１３を決定しながら運転していくものとすることもできる。
　次に、図４（ａ）、図４（ｂ）、図４（ｃ）により、静特性評価手段３００と学習手段４００の動作を説明する。
　図４（ａ）、図４（ｂ）は、静特性評価手段３００の実施例を説明する図である。静特性評価手段３００は、図４（ａ）に示すようなニューラルネットワークモデルで構築し、例えば空気流量設定値などの操作量の入力に対して、効率、環境負荷物質などの運用性を評価する指標を出力する。
　図４（ｂ）は、ニューラルネットワークモデルの入力と出力の関係を示す図であり、ニューラルネットワークモデルによれば入力である運転データを補間し、任意の操作条件に対する運用性を評価する指標の値を求めることができる。本実施例では、運用性を評価する指標を燃料の消費量、環境負荷物質の排出量と仮定しており、この指標が低い程ＫＰＩは高くなるという関係にあるものとする。
　図４（ｃ）は、学習手段４００を動作させた結果の実施例である。本実施例では、現在の操作条件と操作条件の変化幅の関係を学習した結果を示している。図４（ｃ）の例では、現在の操作量が領域Ａにある時は操作条件を増加させ、領域Ｂにある時は操作条件を減少させる。このように操作条件を変化させることで、図４（ｂ）の運用性を評価する指標が極小値となり、ＫＰＩを向上できる。
　なお以上の説明においては、図４（ａ）、図４（ｂ）、図４（ｃ）により、静特性評価手段３００と学習手段４００の動作を説明したが、同様にして動特性評価手段６００をニューラルネットワークモデルそのほかの技術により構築できることは言うまでもない。なお本発明は動特性評価手段６００の具体的な構成手法に係る発明ではないので、動特性評価手段６００の詳細な説明は割愛する。
　図５（ａ）、図５（ｂ）は、ＫＰＩ改善支援システム２００に備えられているデータベースＤＢに保存されるデータの態様を説明する図である。
　図５（ａ）は運転データベースＤＢ１に保存されるデータの態様を説明する図である。
図５（ａ）に示すようにセンサで計測した項目Ａ、Ｂ、Ｃなどの運転データがサンプリング周期毎に保存される。運転データのトレンドグラフは、画像表示装置９４０に表示可能である。
　図５（ｂ）は運転計画データベースＤＢ２に保存されるデータの態様を説明する図である。図５（ｂ）に示すように、運転条件Ａ、Ｂ、Ｃとしてプラントで使用する材料、プラントで生成する製品などの計画などが時系列的に保存される。なお運転計画データベースＤＢ２に保存される、プラントで使用する材料、プラントで生成する製品などの計画データは、図３の負荷一定状態あるいは負荷変化状態として例えば各段階の負荷の大きさ、継続時間や変化幅もしくは変化率などを反映した時系列的なデータである。
　尚、図示していないが、処理結果データベースＤＢ３には図４（ａ）に示したニューラルネットワークモデルの重み係数、図４（ｂ）、図４（ｃ）に示した結果を得るために必要な情報などが保存されている。
　図６は、図２の処理をさらに静特性側と動特性側に分けて具体的に示したフローチャートである。
　図６のフローによれば、最初の処理ステップＳ２００において、運転データデータベースＤＢ１と運転計画データベースＤＢ２からＫＰＩ算出に必要な各種のデータＳｇ５、Ｓｇ６を取り込む。これは例えば適用対象１００の過去の運転経験からデータベースＤＢに蓄積されたデータの中から、図３に示す運転区間に関与して得られたデータを以降の演算のために取り込んだものである。あるいは、適用対象１００の現在の運転状態を反映するオンライン情報である。
　これらのデータは、処理ステップＳ２０１Ｓ、Ｓ２０１Ｄにおいて、静特性側データと動特性側データに振り分けられる。ごく簡便には、静特性側データとは、図３の静止状態にある時刻ｔ１、ｔ２、ｔ３において入手されたデータであり、動特性側データとは、図３の動作状態にある時間帯Ｔ１、Ｔ２、Ｔ３において入手されたデータである。なお、図６では右側の処理が動特性側の処理（Ｄを付して記載）、左側が静特性側の処理（Ｓを付して記載）、中央部が共通して行われる処理を表している。
　次に処理ステップＳ２０２Ｓ、Ｓ２０２Ｄにおいて、静特性モデルと動特性モデルについての操作条件Ｓｇ７を設定する。初期状態であれば、例えば静止状態にある時刻ｔ１、ｔ２、ｔ３について、この時の負荷パターンである時刻や負荷の大きさなどが例えば設定され、動作状態にある期間Ｔ１、Ｔ２、Ｔ３について、この時の負荷パターンである変化幅もしくは変化率、負荷の大きさなどが例えば設定される。なお、必要に応じて他のファクターが設定されるものであってもよい。
　処理ステップＳ２０３Ｓ、Ｓ２０３Ｄでは、与えられたデータおよび操作条件の下で静特性モデルと動特性モデルによる演算を実行し、静特性評価と動特性評価をおこなう。この処理は図１の静特性評価手段３００と動特性評価手段６００に対応する。処理ステップＳ２０３Ｓ、Ｓ２０３Ｄの処理結果として、それぞれ静特性評価結果Ｓｇ８と動特性評価結果Ｓｇ９が得られるが、これらはいずれも１つまたは複数であってもよい。例えば効率、環境性能、稼働率などの複数の運用性能をＫＰＩとして考慮するのであれば、静特性評価と動特性評価の夫々において、効率、環境性能、稼働率などの観点でのＫＰＩを求めるものであってもよい。
　処理ステップＳ２０４では、静特性評価と動特性評価の観点で算出した複数のＫＰＩについて例えば（３）式により複数のＫＰＩを１つのＫＰＩに束ね、あるいは重要ないくつかの指標を代表指標とする。この代表指標は、静特性評価と動特性評価の双方を考慮した指標である。
　処理ステップＳ２０５では、代表指標を達成する新たな操作条件Ｓｇ７を生成し、再度それぞれ処理ステップＳ２０２Ｓ、Ｓ２０２Ｄに条件設定を行い、以降当初目的としたＫＰＩを達成するまで繰り返し処理を実行する。処理ステップＳ２０６では、満足すべき結果が得られた場合に外部出力する。なお、最終的に得られた結果は、例えば新たな負荷パターンを設定するものであり、例えば図３の負荷パターンを点線のようにすべきことを教示するものである。点線の負荷パターンは、図１の操作信号Ｓｇ１３に対応する。
　次に図７（ａ）、図７（ｂ）、図７（ｃ）、図７（ｄ）により、本発明の効果について説明する。
　図７（ａ）、図７（ｂ）は、評価値計算手段５００にて静特性評価結果Ｓｇ８のみを用いて評価値Ｓｇ１０を計算した時のプラントの操作結果例である。図７（ｃ）、図７（ｄ）は、評価値計算手段５００にて静特性評価結果Ｓｇ８と動特性評価結果Ｓｇ９の両方を用いて評価値１０を計算した時のプラントの操作結果例である。
　図７（ａ）はＫＰＩ（縦軸）の時間推移(横軸)を示したものであり、ＫＰＩを静的な状態（ＫＰＩが一定な状態）において評価してその後の動作に反映させたことを表している。この例では最初の静的な状態において操作条件をＳｐ１０からＳｐ１１に変更し、次の静的な状態において操作条件をＳｐ１１からＳｐ２０に変更している。この結果としてＫＰＩは次の静的な状態に移行するにあたり、まず低下傾向を示しその後に増加して安定状態に推移した。
　図７（ｂ）は、例えば起動時における前後する操作条件間の関係を示しており、操作条件を状態Ａ(１００％負荷)の最適ポイントであるＳｐ１０から状態Ｂ(８０％負荷)の最適ポイントであるＳｐ２０に移行するにあたり、運転上の制限などを考慮して中間ポイントを設定し、その操作条件としてＳｐ１１を選択し、経由したことを表している。
　この事例に示すように、静特性評価結果Ｓｇ８のみを用いて評価値Ｓｇ１０を計算した場合、ＫＰＩ改善支援システム２００を動作させた結果に基づいて操作条件を変更することによりＫＰＩは改善する。図７（ｂ）に示すように、１回の操作で変更できる操作条件幅に制限、制約があるため、何回か操作条件を変更してＫＰＩを改善させている。
　なお操作を繰り返すことでＫＰＩは改善するが、操作条件を変更したタイミングに一時的にＫＰＩが悪化する。これは、適用対象のプロセス値が過渡的に変動することに伴い、ＫＰＩも変動するためである。
　これに対し、静特性評価結果Ｓｇ８と動特性評価結果Ｓｇ９の両方を用いて評価値１０を計算した時には、以下のようである。
　図７（ｃ）はＫＰＩ（縦軸）の時間推移(横軸)を示したものであり、ＫＰＩを動的な状態（ＫＰＩが一定な状態）において評価してその後の動作に反映させたことを表している。この例では最初の状態において操作条件をＳｐ１０からＳｐ１２に変更し、次の状態において操作条件をＳｐ１２からＳｐ２０に変更している。この結果としてＫＰＩは次の状態に移行するにあたり、まず低下傾向を示しその後に増加して安定状態に推移しているが、図７（ａ）に示すような大幅な低下傾向は軽減されていることがわかる。
　図７（ｄ）は、例えば起動時における前後する操作条件間の関係を示しており、操作条件を状態Ａ(１００％負荷)の最適ポイントであるＳｐ１０から状態Ｂ(８０％負荷)の最適ポイントであるＳｐ２０に移行するにあたり、運転上の制限などを考慮して中間ポイントを設定し、その操作条件としてＳｐ１２を選択し、経由したことを表している。Ｓｐ１２を経由するこの操作ルートは、動特性が優れた操作ルートである。
　これらの比較によれば、図７（ｃ）に示すように、静特性評価結果Ｓｇ８と動特性評価結果Ｓｇ９の両方を用いて評価値Ｓｇ１０を計算した場合、ＫＰＩ改善支援システム２００を動作させた結果に基づいて操作条件を変更することにより図７（ａ）と同様にＫＰＩは改善する。最終的なＫＰＩの値は図７（ａ）と図７（ｃ）とで同じであるが、過渡的なＫＰＩの悪化は図７（ｃ）の方が小さく、時間積分するとトータルでは図７（ａ）と比較して図７（ｃ）の方が優れる。これは、図７（ｃ）では動特性評価結果Ｓｇ９も用いて評価値Ｓｇ１０を計算するため過渡的なＫＰＩ低下を抑制するように操作条件を決定しているためである。
　このように、本発明のＫＰＩ改善支援システム２００を用いることで、過渡的なＫＰＩ低下を抑制するように操作条件を決定でき、時間積分したトータルでの最適化が可能となる。
　本発明に係るＫＰＩ改善支援システム及びＫＰＩ改善支援方法についての基本概念を実施例１で説明したので、実施例２では適用対象が石炭火力プラントである場合について説明する。
　図８は適用対象１００の実施例である石炭火力プラントの構成を示す概略図である。まず、石炭火力プラントによる発電の仕組みについて簡単に説明する。
　図８において、適用対象１００である石炭火力プラントを構成するボイラ１０１には、ミル１３４で石炭を細かく粉砕した燃料である微粉炭と、微粉炭搬送用の１次空気及び燃焼調整用の２次空気とを供給する複数のバーナ１０２が設けられており、このバーナ１０２を通じて供給した微粉炭を、ボイラ１０１の内部で燃焼させる。バーナ１０２の構造は、図示しているようにボイラ１０１の前後に複数段配置され、各段は複数のバーナが１列に配置される。図８に示されたバーナ構造、配置により、ボイラ１０１の内部ではボイラの前面（以降、缶前と表記）と背面（以降、缶後と表記）から微粉炭を燃焼させる。缶前後のバーナ燃焼バランスを改善することにより、ボイラの熱回収効果が向上し、プラントの熱効率も改善する。
　尚、微粉炭と１次空気は配管１３９から、２次空気は配管１４１から夫々バーナ１０２に導かれる。１次空気は、ファン１２０から配管１３０に導かれ、途中でボイラ１０１の下流側に設置されたエアーヒーター１０４を通過する配管１３２と、エアーヒーター１０４を通過せずにバイパスする配管１３１とに分岐するが、エアーヒーター１０４の下流側に配設した配管１３３となって再び合流し、バーナ１０２の上流側に設置された微粉炭を製造するミル１３４に導かれる。エアーヒーター１０４を通過する１次空気は、ボイラ１０１を流下する燃焼ガスと熱交換することによって加熱される。この加熱された１次空気と共に、エアーヒーター１０４をバイパスした１次空気は、ミル１３４において粉砕した微分炭をバーナ１０２に搬送する。
　ミル１３４は各バーナ段に対応するように配置され（図８では４台）、各段を構成するバーナへ微粉炭と１次空気を供給する。すなわち、発電出力低下時など石炭供給量を低下させる場合にはミルを停止してバーナ段毎にバーナ休止させることができる。ミル１３４では、ボイラ１０１の燃焼性を考慮し、使用する石炭の性質に応じて望ましい粒度の微粉炭が得られるよう、ミルの回転数を調整する。また、石炭バンカ１３６に貯蔵された石炭は石炭コンベア１３７を経由して給炭機１３５へ導かれ給炭機１３５によって供給量を調整される。その後、石炭コンベア１３８を介してミル１３４に供給される。
　また、ボイラ１０１には、２段燃焼用の空気をボイラ１０１に投入するアフタエアポート１０３が設けられている。２段燃焼用の空気は、配管１４２からアフタエアポート１０３に導かれる。図８に示したボイラ１０１において、ファン１２１を用いて配管１４０から投入された空気は、エアーヒーター１０４で同様にして加熱された後に、２次空気用の配管１４１とアフタエアポート用の配管１４２とに分岐して、夫々、ボイラ１０１のバーナ１０２とアフタエアポート１０３とに導かれる。この、バーナ１０２及びアフタエアポート１０３へ供給される空気流量は、夫々の配管１４１及び１４２に設置された空気ダンパ（図示せず）の操作によって調整できる。
　ボイラ１０１の内部で微粉炭を燃焼することによって発生した高温の燃焼ガスは、ボイラ１０１の内部の経路に沿って下流側に流下して、ボイラ１０１の内部に配置された熱交換器１０６で給水と熱交換して蒸気を発生させた後に、排ガスとなってボイラ１０１の下流側に設置されたエアーヒーター１０４に流入し、このエアーヒーター１０４で熱交換してボイラ１０１に供給する空気を昇温する。
　そして、このエアーヒーター１０４を通過した排ガスは、図示していない排ガス処理を施した後に、煙突から大気に放出される。
　ボイラ１０１の熱交換器１０６を循環する給水は、給水ポンプ１０５を介して熱交換器１０６に供給され、熱交換器１０６においてボイラ１０１を流下する燃焼ガスによって過熱され、高温高圧の蒸気となる。尚、本実施例では熱交換器の数を１つとしているが、熱交換器を複数配置するようにしてもよい。
　熱交換器１０６で発生した高温高圧の蒸気は、タービンガバナ１０７を介して蒸気タービン１０８に導かれ、蒸気の持つエネルギーによって蒸気タービン１０８を駆動して発電機１０９で発電する。
　上記した実施例２の適用対象１００である石炭火力プラントには、その運転状態を示す状態量を検出する様々な計測器が配置されている。
　前記適用対象１００に配置された計測器から取得された石炭火力プラントの計測信号は、図１に示すよう運転データデータベースＤＢ１に保存される。
　計測器としては、例えば図８に示すように、熱交換器１０６から蒸気タービン１０８に供給される高温高圧の蒸気の温度を計測する温度計測器１５１、蒸気の圧力を計測する圧力計測器１５２、発電機１０９で発電される電力量を計測する発電出力計測器１５３がある。
　蒸気タービン１０８の復水器（図示せず）によって蒸気を冷却して生じた給水は、給水ポンプ１０５によってボイラ１０１の熱交換器１０６に供給されるが、この給水の流量は流量計測器１５０によって計測されている。
　ボイラ１０１から排出する燃焼ガスである排ガス中に含まれている成分（窒素酸化物（ＮＯｘ）、一酸化炭素（ＣＯ）、及び硫化水素（Ｈ２Ｓ）など）の濃度に関する状態量の計測信号は、ボイラ１０１の下流側に設けた濃度計測器１５４によって計測される。
　また、給炭系統に関する計測器としては、配管１３３を通ってミル１３４へ供給される１次空気の流量を計測する１次空気流量計１５５、給炭機１３５より石炭コンベア１３８を通りミル１３４へ供給される石炭の給炭量を計測する給炭量計１５６、及びミル１３４の回転数を計測する回転数計１５７があり、夫々のミル及び給炭機について上記情報を計測できる構成となっている。
　即ち、本発明の運転データデータベースＤＢ１には、上記各計測器によって計測した適用対象１００である石炭火力プラントの状態量であるボイラ１０１に供給される石炭流量、ミル１３４の回転数、ボイラ１０１に供給される１次及び２次空気流量、ボイラ１０１の熱交換器１０６に供給される給水流量、ボイラ１０１の熱交換器１０６で発生して蒸気タービン１０８に供給される蒸気温度、ボイラ１０１の熱交換器１０６に供給される給水の給水圧力、ボイラ１０１から排出される排ガスのガス温度、前記排ガスのガス濃度、及びボイラ１０１から排出される排ガスの一部をボイラ１０１に再循環させる排ガス再循環流量等が含まれる。
　尚、一般的には図８に図示した以外にも多数の計測器が石炭火力適用対象１００に配置されるが、ここでは図示を省略する。
　火力発電プラントにＫＰＩ改善支援システム２００を適用した場合、具体的なＫＰＩとしては、以下のものを考慮するのがよい。これらは例えば火力発電プラントで消費する石炭流量、火力発電プラントから排出される灰中未燃分、一酸化炭素、窒素酸化物、硫化酸化物、水銀、フッ素、煤塵またはミストから成る微粒子類、揮発性有機化合物のいずれかの状態量であり、これらの値を低減することがＫＰＩ改善に繋がる。
　図９（ａ）、図９（ｂ）、図９（ｃ）は、図１の過渡特性評価手段６１０の動作を説明する図である。過渡特性評価手段６１０では、操作条件である空気流量の変化幅、変化率と、石炭流量、灰中未燃分、一酸化炭素、窒素酸化物、硫化酸化物、水銀、フッ素、煤塵またはミストから成る微粒子類、揮発性有機化合物のいずれかの状態量の動的な変化の関係を評価する。
　図９（ａ）に示すように、過渡特性評価手段６１０には操作条件変更幅とプロセス値のオーバーシュート幅の関係が保存されている。この関係は、過去のプラントの操作結果、プラントの特性を模擬するモデルを用いたシミュレーションの結果に基づいて作成する。
　オーバーシュート幅が大きいとＫＰＩ低下の要因となるため、評価値が下がる。その結果、学習手段４００ではオーバーシュートが小さい操作を学習できる。
　図９（ｂ）は、評価値計算手段５００にて静特性評価結果Ｓｇ８のみを用いて評価値Ｓｇ１０を計算した時のプラントの操作結果例である。また、図９（ｃ）は、評価値計算手段５００にて静特性評価結果Ｓｇ８と動特性評価結果Ｓｇ９の両方を用いて評価値Ｓｇ１０を計算した時のプラントの操作結果例である。
　図９（ｂ）に示すように、静特性評価結果Ｓｇ８のみを用いて評価値Ｓｇ１０を計算した場合、ＫＰＩ改善支援システム２００を動作させた結果に基づいて操作条件を変更することによりＫＰＩは改善する。操作を繰り返すことでＣＯ濃度が低下するが、操作条件を変更したタイミングに一時的にＣＯ濃度が上昇する。
　図９（ｃ）に示すように、静特性評価結果Ｓｇ８と動特性評価結果Ｓｇ９の両方を用いて評価値Ｓｇ１０を計算した場合、ＫＰＩ改善支援システム２００を動作させた結果に基づいて操作条件を変更することにより図９（ｂ）と同様にＣＯ濃度は改善する。最終的なＣＯ濃度の値は図９（ｂ）と図９（ｃ）とで同じであるが、過渡的なＣＯ濃度の上昇は図９（ｃ）の方が小さく、時間積分するとトータルでは図９（ｂ）と比較して図９（ｃ）の方が優れる。これは、図９（ｃ）では動特性評価結果Ｓｇ９も用いて評価値Ｓｇ１０を計算するため過渡的なＫＰＩ低下、すなわちＣＯ濃度の上昇を抑制するように操作条件を決定しているためである。
　図１０（ａ）、図１０（ｂ）は、運転計画連携評価手段６２０の動作を説明する図である。
　図１０（ａ）は運転計画連携手段６２０で用いる運転計画データＳｇ６の内容を説明する図である。発電プラントでは、電力の需要に合わせて負荷を調整しており、負荷条件が変わるとプラントに供給する石炭の流量を変更する。この変更に伴い、火炉内の燃焼状態も変化し、最適な操作条件も変化する。運転計画データＳｇ６には、時間と負荷の計画の関係が含まれる。
　図１０（ｂ）は、運転計画連携評価手段６２０を動作させた評価値を用いて学習手段４００を動作させた結果を説明する図である。８０％負荷の運転時間が短い場合、最適ポイントに到達させるために複数回操作条件を変更して時間をかけるよりも、準最適な条件でも早く到達した方がトータルではＫＰＩが高くなる。
　本発明の運転計画連携手段６２０を用いることで、トータルで良い操作方法を見つけることが可能となる。また、複数の操作ルートを画像表示装置９４０に表示し、操作ルートを選択できる構成としても良い。
　実施例１、２には本発明のＫＰＩ改善支援装置をプラントに適用した場合について述べたが、適用対象はプラントに限定されない。
　例えば、熱サイクルを有する機器を運用する際には、環境への負荷をできるだけ下げ、燃料使用量を削減をすることが求められている。車両においては、排ガスに含まれる環境負荷物質を低減すること、燃費を向上させことを両立したいという課題がある。このような課題についても、本発明のＫＰＩ改善支援システムを用いた操作量を決定することで、環境負荷物質、燃費などのＫＰＩを改善することが可能となる。
　本発明は、各種機器のＫＰＩ改善支援システムとして、幅広く活用可能である。
Ｓｇ１：外部入力信号、Ｓｇ２：運転データ、Ｓｇ３：運転データ、Ｓｇ４：運転計画データ、Ｓｇ５：運転データ、Ｓｇ６：運転計画データ、Ｓｇ７：操作条件、Ｓｇ８：静特性評価結果、Ｓｇ９：動特性評価結果、Ｓｇ１０：評価値、Ｓｇ１１：処理結果、Ｓｇ１２：処理結果、Ｓｇ１３：操作条件信号、Ｓｇ１４：操作条件信号、Ｓｇ７０：計測信号、Ｓｇ８０：操作信号、１００：適用対象、１８０：制御装置、１９０：機器、２００：ＫＰＩ改善支援システム、２１０：外部入力インターフェイス、２２０：外部出力インターフェイス、ＤＢ１：運転データＤＢ、ＤＢ２：運転計画ＤＢ、ＤＢ３：処理結果ＤＢ、３００：静特性評価手段、４００：学習手段、５００：評価値計算手段、６００：動特性評価手段、６１０：過渡特性評価手段、６２０:運転計画連携評価手段、７００：操作条件信号生成手段、９００:外部装置、９１０：外部入力装置、９２０：キーボード、９３０：マウス、９４０：画像表示装置

Claims (20)

  1. 　一定運転状態と変動運転状態が繰り返し実行される適用対象からの運転データを得、前記適用対象の操作条件を与えるＫＰＩ改善支援システムであって、
    　少なくとも前記変動運転状態における操作条件と前記運転データを用いて適用対象の変動運転状態におけるＫＰＩの動特性を評価する動特性評価手段と、前記動特性評価手段における評価結果から前記適用対象の操作条件を学習する学習手段と、前記学習手段による学習結果に従って前記適用対象の操作条件を生成する操作条件信号生成手段を備えることを特徴とするＫＰＩ改善支援システム。
  2. 　請求項1に記載のＫＰＩ改善支援システムであって、
    　少なくとも前記一定運転状態における操作条件と前記運転データを用いて適用対象の一定運転状態におけるＫＰＩの静特性を評価する静特性評価手段と、前記動特性評価手段における評価結果と前記静特性評価手段における評価結果とから静特性と動特性についての評価結果を得る評価値算出手段とを備え、
    　前記学習手段は、前記評価値算出手段が与える評価結果から前記適用対象の操作条件を学習することを特徴とするＫＰＩ改善支援システム。
  3. 　請求項1に記載のＫＰＩ改善支援システムであって、
    　前記動特性評価手段は、前記学習手段における学習の結果定められた前記変動運転状態における操作条件を用いて、適用対象の前記変動運転状態におけるＫＰＩの動特性を評価することを特徴とするＫＰＩ改善支援システム。
  4. 　請求項２に記載のＫＰＩ改善支援システムであって、
    　前記静特性評価手段は、前記学習手段における学習の結果定められた前記一定運転状態における操作条件を用いて、適用対象の前記一定運転状態におけるＫＰＩの静特性を評価することを特徴とするＫＰＩ改善支援システム。
  5. 　請求項1から請求項４のいずれか1項に記載のＫＰＩ改善支援システムであって、
    　前記動特性評価手段は、前記操作条件として変化幅もしくは変化率の少なくとも１つと、ＫＰＩの動的な変化の関係を評価する過渡特性評価手段を備えることを特徴とするＫＰＩ改善支援システム。
  6. 　請求項５に記載のＫＰＩ改善支援システムであって、
    　前記動特性評価手段は、前記適用対象で使用する燃料の種類、前記適用対象で生成する製品の内容、製造量の計画値の少なくとも１つを含む運転計画を変更した際に、現在の操作条件に近い操作条件の評価値を高くする運転計画連携評価手段を備えることを特徴とするＫＰＩ改善支援システム。
  7. 　前記一定運転状態における操作条件と前記運転データを用いて適用対象の一定運転状態におけるＫＰＩの静特性を評価する静特性評価手段を備えた請求項1から請求項６のいずれか1項に記載のＫＰＩ改善支援システムであって、
    　前記学習手段で参照する評価値は、前記静特性評価手段における静特性評価結果に基づいて計算する場合、前記動特性評価手段における動特性評価結果に基づいて計算する場合、前記静特性評価結果と前記動特性評価結果の両方に基づいて計算する場合の３種類があり、３種類の計算方法に対して評価結果が最大もしくは最小となる操作条件を３種類生成し、任意の操作条件を選択できるようにすることを特徴とするＫＰＩ改善支援システム。
  8. 　前記一定運転状態における操作条件と前記運転データを用いて適用対象の一定運転状態におけるＫＰＩの静特性を評価する静特性評価手段を備えた請求項1から請求項６のいずれか1項に記載のＫＰＩ改善支援システムであって、
    　前記前記静特性評価手段および動特性評価手段は、それぞれ複数のおよびＫＰＩを評価し、前記学習手段は複数のＫＰＩの評価結果の代表値を評価結果として学習を行うことを特徴とするＫＰＩ改善支援システム。
  9. 　請求項1から請求項８のいずれか1項に記載のＫＰＩ改善支援システムであって、
    　前記適用対象が火力発電プラントであり、
    　前記ＫＰＩは火力発電プラントで消費する石炭流量、火力発電プラントから排出される灰中未燃分、一酸化炭素、窒素酸化物、硫化酸化物、水銀、フッ素、煤塵またはミストから成る微粒子類、揮発性有機化合物のいずれかの状態量であることを特徴とするＫＰＩ改善支援システム。
  10. 　請求項９に記載のＫＰＩ改善支援システムであって、
    　前記動特性評価手段は、空気流量の変化幅または変化率と、石炭流量、灰中未燃分、一酸化炭素、窒素酸化物、硫化酸化物、水銀、フッ素、煤塵またはミストから成る微粒子類、揮発性有機化合物のいずれかの状態量の動的な変化の関係を評価する過渡特性評価手段を備えることを特徴とするＫＰＩ改善支援システム。
  11. 　請求項１０に記載のＫＰＩ改善支援システムであって、
    　前記動特性評価手段は、石炭運用計画、負荷計画を変更した際、現在の操作条件に近い操作条件の評価値を高くする運転計画連携評価手段を備えることを特徴とするＫＰＩ改善支援システム。
  12. 　請求項９から請求項１１のいずれか1項に記載のＫＰＩ改善支援システムであって、
    　火力発電プラントの静特性を予測して静定時のＫＰＩを評価する静特性評価手段を備え、前記学習手段で参照する評価値は、前記静特性評価手段における静特性評価結果に基づいて計算する場合、前記動特性評価手段における動特性評価結果に基づいて計算する場合、前記静特性評価結果と前記動特性評価結果の両方に基づいて計算する場合の３種類があり、３種類の計算方法に対して評価結果が最大もしくは最小となる操作条件を３種類生成し、任意の操作条件を選択できるようにすることを特徴とするＫＰＩ改善支援システム。
  13. 　請求項９から請求項１２のいずれか1項に記載のＫＰＩ改善支援システムであって、
    　前記動特性評価手段は過去のプラントの操作結果、プラントの特性を模擬するモデルを用いたシミュレーションの結果に基づいて、操作条件変更幅から状態量のオーバーシュート幅を計算することを特徴とするＫＰＩ改善支援システム。
  14. 　一定運転状態と変動運転状態が繰り返し実行される適用対象からの運転データを用いて、前記適用対象の操作条件を与えるＫＰＩ改善支援方法であって、
    　少なくとも前記変動運転状態における操作条件と前記運転データを用いて適用対象の変動運転状態におけるＫＰＩの動特性を評価し、前記動特性の評価結果から前記適用対象の操作条件を学習し、前記学習の結果に従って前記適用対象の操作条件を生成することを特徴とするＫＰＩ改善支援方法。
  15. 　請求項1４に記載のＫＰＩ改善支援方法であって、
    　少なくとも前記一定運転状態における操作条件と前記運転データを用いて適用対象の一定運転状態におけるＫＰＩの静特性を評価し、前記動特性の評価結果と前記静特性の評価結果とから静特性と動特性についての評価結果を得、前記評価から前記適用対象の操作条件を学習することを特徴とするＫＰＩ改善支援方法。
  16. 　請求項1４に記載のＫＰＩ改善支援方法であって、
    　前記学習の結果定められた前記変動運転状態における操作条件を用いて、適用対象の前記変動運転状態におけるＫＰＩの動特性を評価することを特徴とするＫＰＩ改善支援方法。
  17. 　請求項１５に記載のＫＰＩ改善支援方法であって、
    　前記学習の結果定められた前記一定運転状態における操作条件を用いて、適用対象の前記一定運転状態におけるＫＰＩの静特性を評価することを特徴とするＫＰＩ改善支援方法。
  18. 　請求項1４から請求項１７のいずれか1項に記載のＫＰＩ改善支援方法であって、
    　前記動特性を評価するにあたり、前記操作条件として変化幅もしくは変化率の少なくとも１つと、ＫＰＩの動的な変化の関係を評価することを特徴とするＫＰＩ改善支援方法。
  19. 　請求項１８に記載のＫＰＩ改善支援方法であって、
    　前記動特性を評価するにあたり、前記適用対象で使用する燃料の種類、前記適用対象で生成する製品の内容、製造量の計画値の少なくとも１つを含む運転計画を変更した際に、現在の操作条件に近い操作条件の評価値を高くすることを特徴とするＫＰＩ改善支援方法。
  20. 　前記一定運転状態における操作条件と前記運転データを用いて適用対象の一定運転状態におけるＫＰＩの静特性を評価する請求項1４から請求項１９のいずれか1項に記載のＫＰＩ改善支援方法であって、
    　前記学習において参照する評価値は、前記静特性の評価結果に基づいて計算する場合、前記動特性の評価結果に基づいて計算する場合、前記静特性の評価結果と前記動特性の評価結果の両方に基づいて計算する場合の３種類があり、３種類の計算方法に対して評価結果が最大もしくは最小となる操作条件を３種類生成し、任意の操作条件を選択できるようにすることを特徴とするＫＰＩ改善支援方法。
PCT/JP2019/039569 2019-02-12 2019-10-08 Ｋｐｉ改善支援システム及びｋｐｉ改善支援方法 WO2020166126A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201980056051.7A CN112602024A (zh) 2019-02-12 2019-10-08 Kpi改善辅助系统及kpi改善辅助方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-022589 2019-02-12
JP2019022589A JP7374590B2 (ja) 2019-02-12 2019-02-12 Ｋｐｉ改善支援システム及びｋｐｉ改善支援方法

Publications (1)

Publication Number Publication Date
WO2020166126A1 true WO2020166126A1 (ja) 2020-08-20

Family

ID=72043891

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/039569 WO2020166126A1 (ja) 2019-02-12 2019-10-08 Ｋｐｉ改善支援システム及びｋｐｉ改善支援方法

Country Status (3)

Country Link
JP (1) JP7374590B2 (ja)
CN (1) CN112602024A (ja)
WO (1) WO2020166126A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023199567A1 (ja) * 2022-04-12 2023-10-19 三菱重工業株式会社 データ処理装置およびデータ処理方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6666049B1 (en) * 2003-03-20 2003-12-23 Praxair Technology, Inc. Method for operating a cryogenic plant
JP2009244933A (ja) * 2008-03-28 2009-10-22 Hitachi Ltd プラントの制御装置および火力発電プラントの制御装置
JP2012141862A (ja) * 2011-01-05 2012-07-26 Hitachi Ltd プラントの制御装置及び火力発電プラントの制御装置
JP2014510315A (ja) * 2010-10-01 2014-04-24 アーベーベー・リサーチ・リミテッド 製紙工業におけるプラントに対するギャップ分析についてのエネルギのベンチマーキングのための方法とシステム
US20150262095A1 (en) * 2014-03-12 2015-09-17 Bahwan CyberTek Private Limited Intelligent Decision Synchronization in Real Time for both Discrete and Continuous Process Industries
US20150317591A1 (en) * 2014-05-02 2015-11-05 Rockwell Automation Technologies, Inc. Mobile computing application for industrial automation manufacturing data
WO2018022298A1 (en) * 2016-07-28 2018-02-01 Honeywell International Inc. Mpc with unconstrained dependent variables for kpi performance analysis
US20180348717A1 (en) * 2017-06-02 2018-12-06 Aspen Technology, Inc. Computer System And Method For Building And Deploying Predictive Inferential Models Online

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4974330B2 (ja) * 2006-02-28 2012-07-11 株式会社日立製作所 制御装置
JP5117232B2 (ja) 2008-03-18 2013-01-16 株式会社日立製作所 ボイラを備えたプラントの制御装置、及びボイラを備えたプラントの制御方法
JP5251938B2 (ja) * 2010-08-31 2013-07-31 株式会社日立製作所 プラントの制御装置及び火力発電プラントの制御装置
CN106020154A (zh) * 2016-07-12 2016-10-12 中国石油化工股份有限公司 一种用于乙烯生产的安全动态健康评估方法及评估系统
US10530666B2 (en) * 2016-10-28 2020-01-07 Carrier Corporation Method and system for managing performance indicators for addressing goals of enterprise facility operations management
US10860012B2 (en) * 2016-11-09 2020-12-08 Yokogawa Engineering Asia Pte. Ltd KPI calculation rule builder for advance plant monitoring and diagnostics
JP6742222B2 (ja) * 2016-11-14 2020-08-19 株式会社日立製作所 運転支援装置及びプログラム
WO2018097062A1 (ja) 2016-11-24 2018-05-31 三菱日立パワーシステムズ株式会社 プラント管理装置、プラント管理方法、およびプログラム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6666049B1 (en) * 2003-03-20 2003-12-23 Praxair Technology, Inc. Method for operating a cryogenic plant
JP2009244933A (ja) * 2008-03-28 2009-10-22 Hitachi Ltd プラントの制御装置および火力発電プラントの制御装置
JP2014510315A (ja) * 2010-10-01 2014-04-24 アーベーベー・リサーチ・リミテッド 製紙工業におけるプラントに対するギャップ分析についてのエネルギのベンチマーキングのための方法とシステム
JP2012141862A (ja) * 2011-01-05 2012-07-26 Hitachi Ltd プラントの制御装置及び火力発電プラントの制御装置
US20150262095A1 (en) * 2014-03-12 2015-09-17 Bahwan CyberTek Private Limited Intelligent Decision Synchronization in Real Time for both Discrete and Continuous Process Industries
US20150317591A1 (en) * 2014-05-02 2015-11-05 Rockwell Automation Technologies, Inc. Mobile computing application for industrial automation manufacturing data
WO2018022298A1 (en) * 2016-07-28 2018-02-01 Honeywell International Inc. Mpc with unconstrained dependent variables for kpi performance analysis
US20180348717A1 (en) * 2017-06-02 2018-12-06 Aspen Technology, Inc. Computer System And Method For Building And Deploying Predictive Inferential Models Online

Also Published As

Publication number Publication date
JP7374590B2 (ja) 2023-11-07
CN112602024A (zh) 2021-04-02
JP2020129338A (ja) 2020-08-27

Similar Documents

Publication Publication Date Title
EP1921280B1 (en) Systems and methods for multi-level optimizing control systems for boilers
CN110486749B (zh) 一种火电机组锅炉燃烧优化控制方法及系统
JP5251938B2 (ja) プラントの制御装置及び火力発電プラントの制御装置
CN109376945A (zh) 一种基于多煤种的配煤掺烧优化系统
US20070234781A1 (en) Control system for control subject having combustion unit and control system for plant having boiler
Mokhtari et al. The optimal design and 4E analysis of double pressure HRSG utilizing steam injection for Damavand power plant
JP2013178045A (ja) 石炭火力プラントの制御装置及び、石炭火力プラント
JP5918663B2 (ja) 火力プラントの制御装置及び制御方法
Papandreou et al. A multi-criteria optimisation approach for the design of sustainable utility systems
WO2020166126A1 (ja) Ｋｐｉ改善支援システム及びｋｐｉ改善支援方法
Wang et al. Multi-objective optimization of gas turbine combined cycle system considering environmental damage cost of pollution emissions
JP5117232B2 (ja) ボイラを備えたプラントの制御装置、及びボイラを備えたプラントの制御方法
Wang et al. A two-tier approach to the data-driven modeling on thermal efficiency of a BFG/coal co-firing boiler
WO2019107511A1 (ja) 運転条件評価装置、運転条件評価方法、及び発電プラントの制御システム
JP7222943B2 (ja) 運用改善支援システム、運用改善支援方法及び運用改善支援プログラム
Aldi et al. Gas turbine fouling: a comparison among 100 heavy-duty frames
JP2012057809A (ja) 焼却炉の運転制御方法
Rahman et al. Ammonia as a Hydrogen Vector: Validated Large Eddy Simulation of Ammonia Co-Firing in a Pilot-Scale Coal Combustor
JP2022043536A (ja) ガイダンス操作支援装置、ガイダンス操作支援方法およびガイダンス操作支援プログラム
KR20210091617A (ko) 유동층 보일러의 연소 반응 기체 분포도 자동 계산 시스템 및 방법
JP2008241220A (ja) ボイラの制御装置、及び制御方法
Tverskoy et al. About Control Systems of Gas-Oil Power Units
Kian et al. Experimental investigation and multi-objective optimization of boiler-recuperator systems to reach MILD combustion characteristics
Hsieh et al. Using hydrogen‐rich multifuel to improve energy efficiency and reduce CO2 emission for high‐energy furnace
Nimbalkar et al. Process Heating Assessments Using DOE’s Manufacturing Energy Assessment Software for Utility Reduction (MEASUR) Tool Suite

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19915260

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19915260

Country of ref document: EP

Kind code of ref document: A1