WO2020171104A1 - 情報処理装置、情報処理方法、および情報処理プログラム - Google Patents

情報処理装置、情報処理方法、および情報処理プログラム Download PDF

Info

Publication number
WO2020171104A1
WO2020171104A1 PCT/JP2020/006428 JP2020006428W WO2020171104A1 WO 2020171104 A1 WO2020171104 A1 WO 2020171104A1 JP 2020006428 W JP2020006428 W JP 2020006428W WO 2020171104 A1 WO2020171104 A1 WO 2020171104A1
Authority
WO
WIPO (PCT)
Prior art keywords
value
predicted value
unit
prediction
information processing
Prior art date
Application number
PCT/JP2020/006428
Other languages
English (en)
French (fr)
Inventor
英達 戴
元秀 馬野
馨 川端
英樹 斎藤
嘉洋 伊崎
一雄 富松
Original Assignee
日立造船株式会社
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 日立造船株式会社 filed Critical 日立造船株式会社
Priority to CN202080015286.4A priority Critical patent/CN113454542A/zh
Priority to EP20759105.8A priority patent/EP3929669A4/en
Publication of WO2020171104A1 publication Critical patent/WO2020171104A1/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
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only

Definitions

  • the present invention relates to an information processing device or the like that predicts a parameter value related to a process in a plant.
  • Patent Document 1 in operation control of a treatment plant facility that performs various treatments such as a waste treatment plant and a water treatment plant, various process data are introduced into a learned model composed of a neural network to perform predictive operation control. Techniques for performing are disclosed.
  • the predicted value from the trained model may be out of reality. If the control is performed based on such an unrealistic value, there is a fear that the operation of the plant will be seriously hindered. As described above, the prediction using only the trained model has a problem in reliability.
  • One aspect of the present invention is made in view of the above problems, and an object thereof is to realize an information processing device or the like that can achieve both reliability and accuracy in predicting parameters in a plant. is there.
  • an information processing apparatus uses a mathematical model that models a predetermined process in a plant, and a first predicted value that is a predicted value of a predetermined parameter regarding the process. And a second prediction unit that calculates a second predicted value that is a predicted value of the parameter using a learned model that models the above process by machine learning, the first predicted value, and A prediction value determination unit that determines a prediction value of the parameter based on at least one of the second prediction values.
  • an information processing method is an information processing method by an information processing device, and a predetermined process related to a predetermined process is modeled using a mathematical model that models a predetermined process in a plant.
  • FIG. 1 is a block diagram showing an example of the main configuration of the information processing device 1 according to the present embodiment.
  • the information processing device 1 is a device that calculates a predicted value of a predetermined parameter regarding a predetermined process in a plant.
  • the above plant is a garbage incineration facility that incinerates garbage and uses the heat generated by the incineration to generate electricity.
  • the predetermined process is a process in which steam generated in a boiler is superheated to a predetermined temperature by a superheater (hereinafter referred to as a steam superheating process).
  • the predetermined parameter is a steam temperature near the outlet of the superheater (hereinafter, referred to as a steam outlet temperature).
  • the information processing apparatus 1 includes a control unit 10 that controls each unit of the information processing apparatus 1 in an integrated manner, and a storage unit 20 that stores various data used by the information processing apparatus 1. Further, the information processing device 1 includes an input unit 30 that receives an input operation on the information processing device 1 and a communication unit 40 for the information processing device 1 to communicate with another device.
  • the control unit 10 also includes an input data generation unit 11, a first prediction unit 12, a second prediction unit 13, an operation mode specification unit 14, a predicted value determination unit 15, and a plant control unit 16.
  • the plant control unit 16 includes an FB control unit 161 and an MPC unit 162.
  • the operation mode specifying unit 14 will be described in the second embodiment, and the FB control unit 161 and the MPC unit 162 will be described in the third embodiment. That is, the operation mode specifying unit 14, the FB control unit 161, and the MPC unit 162 are components that are preferably provided, but are not essential components.
  • the input data generation unit 11 generates input data used by the first prediction unit 12 for prediction and input data used by the second prediction unit 13 for prediction.
  • the input data used by the first prediction unit 12 for prediction and the input data used by the second prediction unit 13 for prediction may be generated by different input data generation units.
  • the input data is basically actual measurement data measured by a sensor or the like installed in the plant. The actual measurement data may be input via the input unit 30 or may be received via the communication unit 40.
  • the input data generation unit 11 uses measured data as at least a part of the input data for at least one of the mathematical model used by the first prediction unit 12 and the learned model used by the second prediction unit 13. Instead, it may be calculated using a mathematical model. This makes it possible to further improve the accuracy of the predicted value by including the data that is difficult to measure in the input data.
  • the steam temperature near the outlet of the superheater can be predicted more accurately than when the flow rate is unknown, but it may be difficult to actually measure the flow rate. ..
  • a mathematical model for calculating the flow rate of steam may be generated using other parameters (those for which actual measurement data can be acquired) that are correlated with the flow rate of steam.
  • the input data generation unit 11 can calculate the flow rate of steam using the mathematical model and include the calculated flow rate in the input data.
  • the first prediction unit 12 calculates a first prediction value that is a prediction value of a predetermined parameter regarding a predetermined process in the plant using a mathematical model.
  • This mathematical model is a model of the above process. Specifically, the first prediction unit 12 calculates a predicted value of the steam outlet temperature in the steam superheating process. Since the first prediction unit 12 uses the mathematical model, it is unlikely that a predicted value that is out of reality is calculated, and a highly reliable predicted value can be stably calculated.
  • the second prediction unit 13 calculates a second predicted value that is a predicted value of the above parameter using a learned model that models the above process by machine learning. Since the second predicting unit 13 uses the learned model, the second predicting unit 13 can calculate a highly accurate predicted value for a process exhibiting a non-linear behavior.
  • the learned model is generated by machine learning of a neural network (hereinafter referred to as NN) so that a predicted value of the steam outlet temperature in the steam superheating process can be calculated.
  • NN a neural network
  • This learned model uses teacher data that associates input data, such as the steam temperature near the steam inlet of the superheater, that correlates with the steam outlet temperature, and correct data that indicates the steam outlet temperature at that time. It can be generated by machine learning.
  • the measurable data such as the steam outlet temperature and the steam inlet temperature included in the teacher data
  • the measured data measured at the refuse incineration facility may be used.
  • the data calculated by a predetermined mathematical model as generated by the input data generation unit 11 may be included in the input data.
  • the algorithm used for the trained model is not particularly limited, and for example, a convolutional neural network, a recurrent neural network, or a combination thereof can be applied.
  • An algorithm other than NN capable of machine learning may be used, and for example, LSTM (Long Short-Term Memory) can be applied.
  • the prediction value determination unit 15 determines the prediction value of the parameter based on at least one of the first prediction value calculated by the first prediction unit 12 and the second prediction value calculated by the second prediction unit 13. The method of determining the predicted value of the parameter will be described later with reference to FIG.
  • the plant control unit 16 controls the plant based on the predicted value determined by the predicted value determination unit 15. Since the plant control unit 16 controls the plant based on the highly reliable and highly accurate predicted value determined by the predicted value determination unit 15, it is possible to perform appropriate control. Further, since the plant control unit 16 controls based on the predicted value, it is possible to perform control (for example, feedforward control) at a timing earlier than the feedback control based on the actual measurement value. Although the details will be described in the third embodiment, the plant control unit 16 may perform feedback control in addition to the above control based on the predicted value.
  • FIG. 2 is a diagram showing an example of a superheater B that superheats steam in three stages and a prediction model corresponding to the superheater B. Further, FIG. 2 also shows a boiler A that generates steam by heat generated by incineration of dust.
  • the steam generated by the boiler A is introduced into the superheater B and superheated to a predetermined temperature. Then, the superheated steam discharged from the superheater B is temporarily stored in a high pressure steam reservoir (accumulator) not shown and then supplied to a steam turbine generator not shown. In order for the steam turbine generator to stably generate electricity, it is necessary to maintain the temperature of the steam supplied to the steam turbine generator at a predetermined temperature.
  • the illustrated superheater B includes a primary heating section 11B, a primary regulating valve 12B, a secondary heating section 21B, a secondary regulating valve 22B, and a tertiary heating section 31B.
  • the steam introduced into the superheater B is sequentially superheated in the primary superheater 11B to the tertiary superheater 31B, and is discharged to the outside of the superheater B.
  • the primary adjustment valve 12B is a valve for adjusting the supply amount of a cooling liquid (for example, water) that cools the steam after being overheated by the primary overheating unit 11B.
  • the secondary adjustment valve 22B is a valve for adjusting the supply amount of the cooling liquid that cools the steam that has been overheated by the secondary heating unit 21B.
  • the plant control unit 16 appropriately adjusts the openings of these valves based on the predicted value of the steam outlet temperature determined by the predicted value determination unit 15. Thereby, the steam discharged to the outside of the superheater B can be maintained at a predetermined temperature.
  • the steam superheating process is a process in which steam is superheated in a plurality of stages
  • predicting the steam outlet temperature by combining prediction models corresponding to the respective stages improves the prediction accuracy. It is preferable from the viewpoint.
  • the steam outlet temperature may be predicted by combining the process models A1 to A3.
  • the process model A1 is a model of the steam heating process by the primary heating unit 11B. More specifically, the process model A1 is a model for predicting the steam temperature in the vicinity of the outlet of the primary superheater 11B from input data such as the steam temperature in the vicinity of the inlet of the superheater B, which is correlated with the above superheating process. ..
  • the steam overheating process by the primary overheating part 11B is called a primary overheating process.
  • the overheating process by the secondary overheating part 21B and the tertiary overheating part 31B is called a secondary overheating process and a tertiary overheating process, respectively.
  • Process model A2 is a model of the secondary heating process. More specifically, the process model A2 uses the input data correlated with the secondary superheat process such as the steam temperature near the outlet of the primary superheat section 11B and the opening degree of the primary regulating valve 12B to determine the outlet of the secondary superheat section 21B. This is a model for predicting the steam temperature in the vicinity.
  • Process model A3 is a model of the tertiary heating process. More specifically, the process model A3 is based on the input data correlated with the tertiary superheat process such as the steam temperature near the outlet of the secondary superheater 21B and the opening degree of the secondary regulating valve 22B. Is a model for predicting the steam temperature in.
  • the steam temperature near the outlet of the primary superheater 11B predicted by the process model A1 is used as the input data of the process model A2.
  • the steam temperature near the outlet of the secondary superheater 21B predicted by the process model A2 is used as the input data of the process model A3.
  • the prediction result of the process model A1 is used for the prediction of the process model A2
  • the prediction result of the process model A2 is used for the prediction of the process model A3, whereby the prediction of the entire steam superheating process (in the vicinity of the outlet of the superheater B is performed. It is possible to predict the steam temperature).
  • the process that is the target of parameter prediction may include multiple subprocesses (primary to tertiary superheat process).
  • the first prediction unit 12 and the second prediction unit 13 may perform prediction by combining models (process models A1 to A3) corresponding to each sub-process.
  • the first prediction unit 12 makes a prediction using the process models A1 to A3 that are mathematical models. As a result, highly accurate prediction can be performed as compared with the case where the steam superheating process is represented by one mathematical model.
  • the second prediction unit 13 performs prediction using the process models A1 to A3 which are the learned models generated by machine learning. As a result, highly accurate prediction can be performed as compared with the case where the steam superheating process is represented by one learned model.
  • the predicted value determination unit 15 determines the second predicted value. Is determined as the predicted value of the parameter.
  • the predicted value determination unit 15 determines the first predicted value if the actual measurement data used by the second prediction unit 13 to calculate the second predicted value is outside the range of the teacher data used for machine learning of the learned model. Is determined as the predicted value of the parameter.
  • the second predicted value can be determined as the predicted value of the parameter.
  • the first predicted value can be determined as the predicted value of the parameter. Therefore, according to the above configuration, reliability and accuracy can be compatible in parameter prediction.
  • FIG. 3 is a diagram illustrating determination of a prediction result by the prediction value determination unit 15.
  • FIG. 3A shows an example of a criterion for determining whether to use NN (whether to use the second predicted value based on the learned model) based on a plurality of factors included in the teacher data.
  • the illustrated factors 1 and 2 are both factors included in the input data for the trained model. Examples of these factors include, for example, the steam temperature near the inlet of the superheater B, the temperature of the exhaust gas generated in the incinerator used as the heat source of the superheater B, and the like.
  • the predicted value determination unit 15 preferably determines whether or not to use the NN depending on the combination of the value of factor 1 and the value of factor 2, as shown in (a) of FIG. More specifically, the predicted value determination unit 15 includes the factor 1 value in the input data input to the learned model in the learned range, and the factor 2 value in the same input data is already learned. If it is included in the range, it is preferable to determine to use the NN. In this case, the predicted value determination unit 15 determines the second predicted value as the predicted value of the steam outlet temperature. On the other hand, the predicted value determination unit 15 does not include the value of factor 1 in the input data input to the learned model in the learned range, and the value of factor 2 in the input data is also in the learned range. If it is not included, it is preferable to determine not to use the NN. In this case, the predicted value determination unit 15 determines the first predicted value as the predicted value of the steam outlet temperature.
  • a factor having a relatively large influence of the actual measurement data loss is selected from the factors and the predicted value determination unit 15 uses the predicted value by NN. It may be used as a criterion for determining whether or not.
  • a method such as principal component analysis, clustering, or sparseness modeling can be used to select a factor having a relatively large influence.
  • the predicted value determination unit 15 may also determine the predicted value depending on whether or not the input data belongs to a numerical range in which machine learning can be performed by a relatively large amount of teacher data. This will be described based on (b) and (c) of FIG. FIG. 3B shows the correspondence relationship between the steam temperature near the inlet of the superheater B (horizontal axis) and the number of teacher data of the steam temperature (vertical axis). In addition, in FIG. 3C, the steam temperature (horizontal axis) near the inlet of the superheater B, which is included in the input data, and the contribution degree of the second predicted value in the predicted value determined by the predicted value determination unit 15. The relationship with (vertical axis) is shown.
  • the teacher data When the teacher data is generated from the measured data in the plant, an equal number of teacher data cannot be obtained for all steam temperatures, and as shown in the figure, the teacher data is biased near the median or average steam temperature, Usually, the maximum value and the minimum value of are small.
  • the predicted value determination unit 15 preferably increases the degree of contribution of the second predicted value. .. For example, when the contribution degree when the second predicted value is not used (only the first predicted value is used) is 0, and when the contribution degree when only the second predicted value is used is 1, the median or average steam temperature is obtained. It is preferable that the degree of contribution near the value is 1 or a value close thereto.
  • the predicted value determination unit 15 if the steam temperature included in the input data is within the steam temperature range in which the number of teacher data is relatively small, the predicted value determination unit 15 preferably lowers the contribution of the second predicted value. Then, if the steam temperature included in the input data is within the steam temperature range in which the teacher data does not exist, the predicted value determination unit 15 preferably sets the contribution degree of the second predicted value to zero.
  • the contribution is maximized in the vicinity of the median or the average of the steam temperature, and the contribution is gradually reduced as the steam temperature deviates from the vicinity of the median or the average.
  • the contribution is sharply reduced near the end of the range.
  • the predicted value determination unit 15 determines the predicted value of the parameter by multiplying the second predicted value by the contribution degree when determining the predicted value of the parameter based on the contribution degree. For example, if the degree of contribution of the second predicted value is 0.7, the predicted value determination unit 15 is a value obtained by multiplying the second predicted value by 0.7 and a value obtained by multiplying the first predicted value by 0.3. The sum of and may be determined as the predicted value of the parameter. It can be said that this calculation is a calculation for correcting the first predicted value with the second predicted value.
  • FIG. 4 is a diagram showing a prediction result of the steam outlet temperature by the information processing device 1 and an actually measured value of the steam temperature. As shown in the figure, the prediction result (solid line) of the steam outlet temperature by the information processing device 1 is in good agreement with the actual measurement value (broken line) of the steam outlet temperature, and it can be seen that the prediction accuracy of the information processing device 1 is high. Note that in FIG. 4, there are two locations where the temperature greatly drops, and at these locations, the prediction result and the actual measurement value are slightly different.
  • the temperature drop at the above two places is due to the soot blow operation to remove the soot and the like adhering to the heat transfer surface of the superheater B. More specifically, during soot blow operation, soot and the like are removed by injecting steam onto the heat transfer surface. For this reason, the temperature of the heat transfer surface is greatly reduced, which also reduces the steam outlet temperature. As described above, during soot blow operation, steam injection, which is not performed during normal operation, is performed, so the prediction result of the process model that assumes normal operation may deviate from the actually measured value. A measure for preventing such deviation will be described in the second embodiment.
  • FIG. 5 is a flowchart showing an example of processing (information processing method) executed by the information processing apparatus 1 according to the present embodiment.
  • the input data generation unit 11 acquires various actual measurement data necessary for generating the input data. Then, the input data generation unit 11 generates input data used by the first prediction unit 12 for prediction and input data used by the second prediction unit 13 for prediction from the acquired actual measurement data.
  • the first prediction unit 12 inputs the input data generated by the input data generation unit 11 into the mathematical model to calculate the first predicted value that is the predicted value of the steam outlet temperature.
  • the second prediction unit 13 inputs the input data generated by the input data generation unit 11 into the learned model to calculate the second predicted value that is the predicted value of the steam outlet temperature. To do. Note that S2 and S3 may be performed in parallel, or S3 may be performed first.
  • the predicted value determination unit 15 determines the predicted value of the steam outlet temperature based on at least one of the first predicted value calculated in S2 and the second predicted value calculated in S3. decide.
  • the plant control unit 16 controls the plant based on the predicted value determined by the predicted value determination unit 15. For example, when the predicted value of the steam outlet temperature determined in S4 is higher than the predetermined temperature, the plant control unit 16 sets the opening degree of at least one of the primary adjustment valve 12B and the secondary adjustment valve 22B. Control to raise. On the contrary, when the predicted value of the determined steam outlet temperature is lower than the predetermined temperature, the plant control unit 16 sets the opening degree of at least one of the primary adjusting valve 12B and the secondary adjusting valve 22B. Control to lower. As a result, it is possible to prevent the steam outlet temperature from becoming higher or lower than a predetermined temperature, or to maintain the state for a minimum time.
  • the information processing apparatus 1 uses the mathematical model that models the steam superheating process to calculate the first predicted value that is the predicted value of the steam outlet temperature, and the steam superheat by machine learning. Based on a second predictor 13 that calculates a second predictive value that is a predictive value of the steam outlet temperature using a learned model that models the process, and based on at least one of the first predictive value and the second predictive value. And a predicted value determination unit 15 that determines a predicted value of the steam outlet temperature.
  • Prediction by the learned model above has high prediction accuracy for processes that show non-linear behavior.
  • the prediction by the mathematical model is linear prediction, and it is unlikely that predicted values that are out of reality are calculated. Therefore, according to the above configuration, it is possible to calculate a predicted value that achieves both reliability and accuracy.
  • FIG. 6 is a diagram illustrating each unit involved in prediction in the information processing device 1 of the present embodiment.
  • the second prediction unit 13 of the present embodiment includes a normal operation time prediction unit 131, an SB operation time prediction unit 132, and a second predicted value determination unit 133.
  • the normal operation time prediction unit 131 causes machine learning to be performed by teacher data based on actual measurement data actually measured during normal operation (operation during which superheater B superheats steam without performing sootblowing.
  • normal operation mode operation during which superheater B superheats steam without performing sootblowing.
  • the predicted value of the steam outlet temperature is calculated using the learned model.
  • SB operation time prediction unit 132 calculates the predicted value of the steam outlet temperature using a learned model machine-learned using teacher data based on actual measurement data actually measured during soot blow operation (hereinafter, also referred to as SB operation mode). calculate.
  • the prediction by the normal operation prediction unit 131 and the prediction by the SB operation prediction unit 132 are both non-linear predictions using a learned model.
  • the second predicted value determination unit 133 determines the predicted value calculated by the normal operation predicted unit 131 as the second predicted value when the driving mode specifying unit 14 specifies the normal driving mode.
  • the second predicted value determination unit 133 determines the predicted value calculated by the SB operation time prediction unit 132 as the second predicted value when the driving mode specifying unit 14 specifies the SB driving mode. That is, as a whole of the second prediction unit 13, the second predicted value is calculated using the learned model corresponding to the driving mode specified by the driving mode specifying unit 14.
  • the information processing device 1 of the present embodiment includes the operation mode specifying unit 14 that specifies the operation mode of the plant, and the second predicting unit 13 responds to the operation mode specified by the operation mode specifying unit 14.
  • the second predicted value is calculated using the learned model. In this way, a highly accurate predicted value can be calculated by considering the difference between the operation modes. For example, even in the soot blow operation period in the example of FIG. 4, it is possible to calculate the predicted value close to the actually measured value.
  • the first predicting unit 12 also performs the first prediction using the mathematical model according to the driving mode specified by the driving mode specifying unit 14 in the same manner as above.
  • the value may be calculated.
  • the prediction by the first prediction unit 12 is linear prediction. After the first prediction value is calculated by the linear prediction and the second prediction value is calculated by the non-linear prediction, at least the first prediction value and the second prediction value are calculated as in the information processing device 1 of the first embodiment.
  • the predicted value determination unit 15 determines the predicted value based on either of them.
  • FIG. 7 is a diagram showing an example of time-series changes of the steam outlet temperature and the pressure in the high-pressure steam reservoir (hereinafter, simply referred to as pressure) during the normal operation period and the soot blow operation period.
  • the upper graph of the figure shows the time series change of the pressure
  • the lower graph of the figure shows the time series change of the steam outlet temperature.
  • the operation mode specifying unit 14 can specify whether the operation mode is the normal operation mode or the SB operation mode based on the time-series change of the steam outlet temperature and the pressure.
  • the operation mode specifying unit 14 may determine that the operation mode has switched from the normal operation mode to the SB operation mode when the pressure becomes less than the threshold value (for example, 3.4 [MPa] in the example of FIG. 7). Good. Then, the operation mode specifying unit 14 switches to the normal operation mode when the pressure is equal to or higher than the threshold value and the duration of the SB operation mode is equal to or longer than a predetermined lower limit time (at least time required for a series of soot blow operation). You may judge that it switched.
  • the threshold value for example, 3.4 [MPa] in the example of FIG. 7
  • the method of identifying the operation mode is not limited to the above example.
  • the operation mode identifying unit 14 clusters the time-series actual measurement data of the steam outlet temperature and pressure into the SB operation mode actual measurement data and the normal operation mode actual measurement data by the variational Bayes method or the like, The current operation mode may be specified.
  • FIG. 8 is a diagram illustrating the details of the control by the FB control unit 161 and the MPC unit 162.
  • the FB control unit 161 performs feedback control (hereinafter referred to as FB control) based on various measurement data actually measured in the plant.
  • FB control feedback control
  • the control by the FB control unit 161 is feedback control performed every time new measurement data is obtained.
  • the FB control unit 161 calculates the difference between the measured data and the target value of the steam outlet temperature (primary calculation). Then, the FB control unit 161 determines the opening degree of the secondary adjustment valve 22B according to the difference calculated by the primary calculation, and controls the secondary adjustment valve 22B so that the determined opening degree is obtained. This control may be called PID (Proportional-Integral-Differential) control, for example. Further, the FB control unit 161 determines the opening degree of the primary adjustment valve 12B in the same manner as described above, and controls the primary adjustment valve 12B so that the determined opening degree is obtained.
  • PID Proportional-Integral-Differential
  • the steam superheat process by the superheater B includes primary to tertiary superheat processes. Further, as a process related to the primary heating process, there is a steam temperature adjusting process via the primary adjusting valve 12B, and as a process related to the secondary heating process, a steam temperature adjusting process via the secondary adjusting valve 22B. is there.
  • the primary superheating process and the steam temperature adjusting process via the primary regulating valve 12B are collectively referred to as a first sub-process, and the secondary superheating process and the steam temperature adjusting process via the secondary regulating valve 22B are referred to as a first sub-process.
  • a second sub-process are collectively referred to as a second sub-process.
  • the MPC unit 162 performs state predictive control (hereinafter, referred to as MPC: Model Predictive Control) based on the predicted value determined by the predicted value determination unit 15.
  • MPC state predictive control
  • the MPC unit 162 performs control for bringing the predicted value determined by the predicted value determination unit 15 closer to a predetermined target value for the first sub-process.
  • the MPC unit 162 performs control for bringing the predicted value determined by the predicted value determination unit 15 closer to a predetermined target value for the second sub-process. This makes it possible to appropriately distribute the control amount for each process and realize stable process control.
  • the control performed by the MPC unit 162 of this embodiment is indicated by a dashed line.
  • the MPC unit 162 determines the opening degree of each of the primary adjustment valve 12B and the secondary adjustment valve 22B based on the predicted value of the steam outlet temperature determined by the predicted value determination unit 15.
  • the MPC unit 162 determine the opening of each adjustment valve so that the adjustment range of the temperature by each adjustment valve does not become largely biased. For example, the MPC unit 162 may evenly allocate the difference between the predicted value of the steam outlet temperature and the target value of the steam outlet temperature, that is, the temperature range to be adjusted, to the primary regulating valve 12B and the secondary regulating valve 22B. ..
  • the MPC unit 162 lowers the opening degree of the primary regulating valve 12B so that the steam temperature near the outlet of the secondary superheater 21B rises 5° C., and the steam temperature near the outlet of the superheater B rises 5° C. Then, the opening degree of the secondary adjustment valve 22B is lowered.
  • the MPC unit 162 uses a predetermined prediction model to measure the overheating characteristics of each heating unit from the measured data of the current exhaust gas temperature (for example, the temperature near the exit of the stack that discharges the exhaust gas to the outside of the incinerator). It may be specified, and the control value may be determined according to the specification result.
  • the method for determining the opening degree from the predicted value is not particularly limited, and the opening degree can be determined using a method such as Kalman filter, NN, linear multiple regression, or logistic regression analysis.
  • feedforward control can be performed by predicting the opening degree of the primary regulating valve 12B that can stabilize the steam outlet temperature from the process variation such as the temperature of exhaust gas.
  • the FB control unit 161 also determines the opening degrees of the primary adjusting valve 12B and the secondary adjusting valve 22B. Therefore, the MPC unit 162 finally considers the opening degree of each adjustment valve in consideration of the opening degree determined by the FB control unit 161. For example, the MPC unit 162 may use the sum of the opening determined by itself and the opening determined by the FB control unit 161 as the final opening.
  • FIG. 9 is a block diagram showing an example of the main configuration of the information processing apparatus 1 of this embodiment.
  • the first predicting unit 12, the second predicting unit 13, and the predicted value determining unit 15 perform the first control.
  • the difference is that the value calculation unit 21, the second control value calculation unit 22, and the control value determination unit 23 are changed.
  • the first control value calculation unit 21 calculates a control value used for controlling a predetermined process in the plant using a mathematical model. Specifically, the first control value calculation unit 21 calculates the predicted value (first predicted value) of the steam outlet temperature using the mathematical model as in the first prediction unit 12 of the first embodiment. Then, the first control value calculation unit 21 calculates control values for the primary adjustment valve 12B and the secondary adjustment valve 22B, respectively, based on the calculated first predicted value. This control value is the opening of the control valve because the control target is the control valve.
  • the control value calculated by the first control value calculation unit 21 will be referred to as a first control value.
  • the second control value calculation unit 22 calculates the control value using a learned model obtained by modeling the above process by machine learning. Specifically, the second control value calculation unit 22 calculates the predicted value (second predicted value) of the steam outlet temperature by using the same learned model as the second prediction unit 13 of the first embodiment. Then, the second control value calculation unit 22 calculates the control values (opening degrees) for the primary adjusting valve 12B and the secondary adjusting valve 22B, respectively, based on the calculated second predicted value.
  • the control value calculated by the second control value calculation unit 22 will be referred to as a second control value.
  • the control value determination unit 23 determines a control value used for controlling the plant based on at least one of the first control value and the second control value.
  • the method by which the control value determination unit 23 determines the control value is the same as the method by which the predicted value determination unit 15 determines the predicted value.
  • the plant control unit 16 of the present embodiment controls the plant based on the control value determined by the control value determination unit 23, that is, at least one of the first control value and the second control value.
  • the prediction by the learned model has high prediction accuracy for the process exhibiting the non-linear behavior
  • the prediction by the mathematical model is linear prediction
  • the possibility that an unrealistic predicted value is calculated is low. Therefore, according to the configuration of the present embodiment, it is possible to determine a control value that achieves both reliability and accuracy, and perform stable and accurate control.
  • the plant control unit 16 of the present embodiment controls the plant based on the operation mode specified by the operation mode specifying unit 14. Accordingly, it is possible to perform appropriate control at a timing earlier than the FB control while considering the difference in the operation mode.
  • the second control value calculation unit 22 is, similar to the second prediction unit 13 (see FIG. 6) described in the second embodiment, the learned model for the normal operation mode and the learning for the SB operation mode. A second predicted value is calculated for each of the completed models. Then, the second control value calculation unit 22 calculates the second control value for the normal operation mode and the second control value for the SB operation mode based on each of the calculated second predicted values, and then calculates the second control value. The control value is output to the control value determination unit 23.
  • control value determination unit 23 outputs the second control value for the SB operation mode and the first control value calculation unit 21 when the operation mode identified by the operation mode identification unit 14 is the SB operation mode.
  • a control value used for controlling the plant is determined based on at least one of the 1 control values. As a result, the plant is controlled based on the operation mode specified by the operation mode specifying unit 14.
  • the first control value calculation unit 21 also calculates the first control value for the normal operation mode by the mathematical model for the normal operation mode, and also calculates the first control value for the SB operation mode.
  • the first control value for the SB operation mode may be calculated by a mathematical model.
  • a part of the functions of the information processing device 1 described in each of the above-described embodiments is provided to a device (for example, a server) outside the information processing device 1 to configure an information processing system including the device and the information processing device 1.
  • a device for example, a server
  • the load of the information processing apparatus 1 can be reduced by providing such an arithmetic processing function to an external device.
  • a plant control device outside the information processing device 1 may be configured to perform plant control.
  • the same process as in a waste incineration facility is performed, except that what is burned is changed from waste to a specified fuel (oil or coal). Therefore, similarly to each of the above-described embodiments, the predicted value of the parameter can be calculated for each process in the thermal power generation facility. Further, the process in the superheater B can be replaced with a process in a heat exchanger other than the superheater.
  • control block of the information processing device 1 may be realized by a logic circuit (hardware) formed in an integrated circuit (IC chip) or the like, or may be realized by software. Good.
  • the information processing device 1 includes a computer that executes the instructions of a program that is software that realizes each function.
  • the computer includes, for example, one or more processors and a computer-readable recording medium that stores the program. Then, in the computer, the processor reads the program from the recording medium and executes the program to achieve the object of the present invention.
  • a CPU Central Processing Unit
  • the recording medium a "non-transitory tangible medium” such as a ROM (Read Only Memory), a tape, a disk, a card, a semiconductor memory, a programmable logic circuit, or the like can be used. Further, a RAM (Random Access Memory) for expanding the above program may be further provided.
  • the program may be supplied to the computer via any transmission medium (communication network, broadcast wave, etc.) capable of transmitting the program.
  • any transmission medium communication network, broadcast wave, etc.
  • one aspect of the present invention can also be realized in the form of a data signal embedded in a carrier wave, in which the above program is realized by electronic transmission.
  • An information processing apparatus uses a mathematical model that models a predetermined process in a plant, and calculates a first predicted value that is a predicted value of a predetermined parameter related to the process, and a first prediction unit, A second prediction unit that calculates a second prediction value that is a prediction value of the parameter using a learned model that models the process by machine learning, and at least one of the first prediction value and the second prediction value. And a predicted value determination unit that determines a predicted value of the above parameter.
  • the prediction value determination unit may be configured such that if the input data input to the learned model by the second prediction unit is within a range of teacher data used for machine learning of the learned model, If the second predictive value is determined as the predictive value of the parameter and the input data input to the learned model by the second predictor is outside the range of the teacher data used for machine learning of the learned model, The first predicted value may be determined as the predicted value of the parameter.
  • the information processing apparatus includes an operation mode identification unit that identifies an operation mode of the plant, and the first prediction unit uses the mathematical model according to the operation mode identified by the operation mode identification unit to perform the operation.
  • the second prediction unit may be configured to calculate one prediction value and use the learned model corresponding to the driving mode specified by the driving mode specifying unit to calculate the second prediction value.
  • the information processing apparatus may include an input data generation unit that calculates at least a part of input data for at least one of the mathematical model and the learned model using another mathematical model.
  • the information processing apparatus may include a plant control unit that controls the plant based on the predicted value determined by the predicted value determination unit.
  • the predetermined process may include a first sub-process and a second sub-process performed after the first sub-process, and the plant control unit may include the first sub-process.
  • control is performed to bring the predicted value determined by the predicted value determination unit closer to a predetermined target value, and the predicted value determined by the predicted value determination unit with respect to the second sub-process is set to a predetermined value.
  • the configuration may be such that control for approaching the target value is performed.
  • An information processing apparatus includes a first control value calculation unit that calculates a first control value used for controlling a predetermined process in a plant using a mathematical model, and a machine learning of the process. Based on at least one of the first control value and the second control value, a second control value calculation unit that calculates a second control value used for control of the process using the learned model modeled by A control value determination unit that determines a control value used for controlling the plant, and a plant control unit that controls the plant based on the control value are provided.
  • the information processing apparatus includes an operation mode identification unit that identifies an operation mode of the plant, and the plant control unit may control the plant based on the operation mode identified by the operation mode identification unit. Good.
  • An information processing method is an information processing method by an information processing device, which is a predicted value of a predetermined parameter regarding a process using a mathematical model that models a predetermined process in a plant.
  • An information processing program for causing a computer to function as the above-described information processing apparatus, and an information processing program for causing a computer to function as the first prediction unit, the second prediction unit, and the predicted value determination unit, is also provided.
  • an information processing program for causing a computer to function as the first prediction unit, the second prediction unit, and the predicted value determination unit is also provided.

Abstract

パラメータの予測において、信頼性と精度を両立させる。情報処理装置（１）は、数理モデルを用いて第１予測値を算出する第１予測部（１２）と、学習済みモデルを用いて、第２予測値を算出する第２予測部（１３）と、上記第１予測値および上記第２予測値に基づいてパラメータの予測値を決定する予測値決定部（１５）と、を備えている。

Description

情報処理装置、情報処理方法、および情報処理プログラム
　本発明は、プラントにおけるプロセスに関するパラメータ値を予測する情報処理装置等に関する。
　各種プラントにおいては、その制御を適切に行うための様々な技術の研究および開発が進められている。例えば、下記の特許文献１には、廃棄物処理プラントや水処理プラント等の各種処理を行う処理プラント設備の運転制御において、ニューラルネットワークからなる学習済みモデルに各種プロセスデータを導入して予測運転制御を行う技術が開示されている。
日本国公開特許公報「特開２００５－２４２５２４号公報」
　上記特許文献１の技術によれば、ニューラルネットワークからなる学習済みモデルを用いることにより、非線形の挙動を示すプロセスについて高精度な予測を行うことができる。しかしながら、学習済みモデルの予測精度は、どのような学習を行ったかに依存する。このため、学習が全くなされていないか、または学習が不十分な範囲に属する入力データが学習済みモデルに入力された場合、予測精度は低下してしまう。
　特に、学習済みモデルによる予測値は現実離れした値となる可能性がある。そして、そのような現実離れした値に基づいて制御を行ってしまうと、プラントの運営に大きな支障が生じることも危惧される。このように、学習済みモデルのみを用いた予測は信頼性に問題がある。
　本発明の一態様は、上記の問題点に鑑みてなされたものであり、その目的は、プラントにおけるパラメータの予測において、信頼性と精度を両立させることができる情報処理装置等を実現することにある。
　上記の課題を解決するために、本発明の一態様に係る情報処理装置は、プラントにおける所定のプロセスをモデル化した数理モデルを用いて当該プロセスに関する所定のパラメータの予測値である第１予測値を算出する第１予測部と、機械学習により上記プロセスをモデル化した学習済みモデルを用いて上記パラメータの予測値である第２予測値を算出する第２予測部と、上記第１予測値および上記第２予測値の少なくとも何れかに基づいて、上記パラメータの予測値を決定する予測値決定部と、を備えている。
　上記の課題を解決するために、本発明の一態様に係る情報処理方法は、情報処理装置による情報処理方法であって、プラントにおける所定のプロセスをモデル化した数理モデルを用いて当該プロセスに関する所定のパラメータの予測値である第１予測値を算出する第１予測ステップと、機械学習により上記プロセスをモデル化した学習済みモデルを用いて上記パラメータの予測値である第２予測値を算出する第２予測ステップと、上記第１予測値および上記第２予測値の少なくとも何れかに基づいて、上記パラメータの予測値を決定する予測値決定ステップと、を含む。
　本発明の一態様によれば、パラメータの予測において、信頼性と精度を両立させることができるという効果を奏する。
本発明の一実施形態に係る情報処理装置の要部構成の一例を示すブロック図である。 ３段階で蒸気を過熱する過熱器と該過熱器に対応する予測モデルの例を示す図である。 予測値決定部による予測結果の決定について説明する図である。 上記情報処理装置による蒸気出口温度の予測結果と蒸気出口温度の実測値を示す図である。 上記情報処理装置が実行する処理の一例を示すフローチャートである。 本発明の実施形態２に係る情報処理装置において予測に関与する各部を説明する図である。 通常運転期間とスートブロー運転期間における蒸気出口温度と高圧蒸気溜め内の圧力の時系列変化の例を示す図である。 ＦＢ制御部とＭＰＣ部による制御の詳細を説明する図である。 本発明の実施形態４に係る情報処理装置の要部構成の一例を示すブロック図である。
　〔実施形態１〕
　＜情報処理装置の構成＞
　本実施形態に係る情報処理装置について、図１から図５に基づいて説明する。図１は、本実施形態に係る情報処理装置１の要部構成の一例を示すブロック図である。情報処理装置１は、プラントにおける所定のプロセスに関する所定のパラメータの予測値を算出する装置である。
　本実施形態では、上記プラントが、ゴミを焼却すると共にその焼却で発生した熱を利用して発電するゴミ焼却施設である例を説明する。また、本実施形態では、上記所定のプロセスが、ボイラで発生させた蒸気を過熱器により所定の温度まで過熱するプロセス（以下、蒸気過熱プロセスと呼ぶ）である例を説明する。また、本実施形態では、上記所定のパラメータが、上記過熱器の出口付近における蒸気温度（以下、蒸気出口温度と呼ぶ）である例を説明する。
　図１に示すように、情報処理装置１は、情報処理装置１の各部を統括して制御する制御部１０と、情報処理装置１が使用する各種データを記憶する記憶部２０を備えている。また、情報処理装置１は、情報処理装置１に対する入力操作を受け付ける入力部３０と、情報処理装置１が他の装置と通信するための通信部４０とを備えている。
　また、制御部１０には、入力データ生成部１１、第１予測部１２、第２予測部１３、運転モード特定部１４、予測値決定部１５、およびプラント制御部１６が含まれている。そして、プラント制御部１６には、ＦＢ制御部１６１とＭＰＣ部１６２が含まれている。なお、運転モード特定部１４については実施形態２で説明し、ＦＢ制御部１６１とＭＰＣ部１６２については実施形態３で説明する。つまり、運転モード特定部１４、ＦＢ制御部１６１、およびＭＰＣ部１６２は、備えていることが好ましい構成要素であるが、必須の構成要素ではない。
　入力データ生成部１１は、第１予測部１２が予測に用いる入力データと、第２予測部１３が予測に用いる入力データを生成する。なお、第１予測部１２が予測に用いる入力データと、第２予測部１３が予測に用いる入力データをそれぞれ別の入力データ生成部が生成する構成としてもよい。入力データは、基本的にプラントに設置されたセンサ等で測定された実測データである。実測データは、入力部３０を介して入力してもよいし、通信部４０を介して受信してもよい。
　ただし、入力データ生成部１１は、第１予測部１２が使用する数理モデルと、第２予測部１３が使用する学習済みモデルとの少なくとも何れかに対する入力データの少なくとも一部を、実測データを用いることなく数理モデルを用いて算出してもよい。これにより、実測することが困難なデータを入力データに含めて、予測値の精度をさらに高めることが可能になる。
　例えば、過熱器内を流れる蒸気の流量が分かれば、該流量が分からない場合と比べて、過熱器の出口付近における蒸気温度をより正確に予測できるが、流量を実測することが難しい場合もある。このような場合、蒸気の流量と相関のある他のパラメータ（実測データを取得可能なもの）を用いて蒸気の流量を算出する数理モデルを生成しておけばよい。これにより、入力データ生成部１１は、その数理モデルを用いて蒸気の流量を算出し、算出した流量を入力データに含めることができる。
　第１予測部１２は、プラントにおける所定のプロセスに関する所定のパラメータの予測値である第１予測値を、数理モデルを用いて算出する。この数理モデルは、上記プロセスをモデル化したものである。具体的には、第１予測部１２は、蒸気過熱プロセスにおける蒸気出口温度の予測値を算出する。第１予測部１２は、数理モデルを用いるので、現実離れした予測値が算出される可能性が低く、信頼性が高い予測値を安定して算出することができる。
　第２予測部１３は、機械学習により上記プロセスをモデル化した学習済みモデルを用いて上記パラメータの予測値である第２予測値を算出する。第２予測部１３は、学習済みモデルを用いるため、非線形な挙動を示すプロセスについて、高精度な予測値を算出することができる。
　上記学習済みモデルは、具体的には、蒸気過熱プロセスにおける蒸気出口温度の予測値を算出できるようにニューラルネットワーク（以下、ＮＮと呼ぶ）を機械学習して生成されたものである。このような学習済みモデルは、過熱器の蒸気入口付近における蒸気温度等の、蒸気出口温度と相関のある入力データと、そのときの蒸気出口温度を示す正解データとを対応付けた教師データを用いた機械学習により生成することができる。教師データに含まれる、蒸気出口温度や蒸気入口温度などの実測可能なデータについてはゴミ焼却施設で実測された実測データを用いればよい。また、入力データ生成部１１が生成するような所定の数理モデルで算出したデータを入力データに含めてもよい。
　なお、学習済みモデルに利用するアルゴリズムは特に限定されず、例えば、畳み込みニューラルネットワークや、リカレントニューラルネットワーク、あるいはそれらを組み合わせたものを適用することもできる。また、機械学習が可能なＮＮ以外のアルゴリズムを利用してもよく、例えば、ＬＳＴＭ（Long Short-Term Memory）を適用することもできる。
　予測値決定部１５は、第１予測部１２が算出する第１予測値と、第２予測部１３が算出する第２予測値の少なくとも何れかに基づいて、パラメータの予測値を決定する。パラメータの予測値を決定する方法については図３に基づいて後述する。
　プラント制御部１６は、予測値決定部１５が決定した予測値に基づいてプラントを制御する。プラント制御部１６は、予測値決定部１５が決定した信頼性が高く高精度な予測値に基づいてプラントの制御を行うので、適切な制御を行うことができる。また、プラント制御部１６は、予測値に基づいて制御を行うので、実測値に基づくフィードバック制御よりも早いタイミングでの制御（例えばフィードフォワード制御）を行うことも可能になる。なお、詳細は実施形態３で説明するが、プラント制御部１６は、予測値に基づく上記制御に加えてフィードバック制御も行ってもよい。
　＜過熱器の構成例と予測モデル＞
　過熱器の構成例と該過熱器に対応する予測モデルについて図２に基づいて説明する。図２は、３段階で蒸気を過熱する過熱器Ｂと過熱器Ｂに対応する予測モデルの例を示す図である。また、図２には、ゴミの焼却により発生した熱により蒸気を発生させるボイラＡについても併せて示している。
　ボイラＡが発生させた蒸気は過熱器Ｂの内部に導入されて所定の温度まで過熱される。そして、過熱器Ｂから排出された過熱蒸気は、図示しない高圧蒸気溜め（アキュムレータ）に一旦溜め置かれ、その後、図示しない蒸気タービン発電機に供給される。蒸気タービン発電機が電気を安定して作り出すためには、蒸気タービン発電機に供給される蒸気の温度を所定の温度に維持する必要がある。
　図示の過熱器Ｂは、一次過熱部１１Ｂ、一次調整弁１２Ｂ、二次過熱部２１Ｂ、二次調整弁２２Ｂ、および三次過熱部３１Ｂを備えている。過熱器Ｂの内部に導入された蒸気は一次過熱部１１Ｂ～三次過熱部３１Ｂで順次過熱されて、過熱器Ｂの外部に排出される。一次調整弁１２Ｂは、一次過熱部１１Ｂによる過熱後の蒸気を冷却する冷却液（例えば水）の供給量を調整するための弁である。同様に、二次調整弁２２Ｂは、二次過熱部２１Ｂによる過熱後の蒸気を冷却する冷却液の供給量を調整するための弁である。プラント制御部１６は、予測値決定部１５が決定する蒸気出口温度の予測値に基づいて、これらの弁の開度を適切に調整する。これにより、過熱器Ｂの外部に排出される蒸気を所定の温度に維持することができる。
　図２の例のように、蒸気過熱プロセスが、複数段階で蒸気を過熱するプロセスである場合、各段階に対応する予測モデルを組み合わせて蒸気出口温度を予測することが、予測精度を向上させるという観点から好ましい。例えば、図２に示すように、プロセスモデルＡ１～Ａ３を組み合わせることによって、蒸気出口温度を予測してもよい。
　プロセスモデルＡ１は、一次過熱部１１Ｂによる蒸気の過熱プロセスをモデル化したものである。より詳細には、プロセスモデルＡ１は、過熱器Ｂの入り口付近における蒸気温度などの上記過熱プロセスに相関のある入力データから、一次過熱部１１Ｂの出口付近における蒸気温度を予測するためのモデルである。なお、以下では、一次過熱部１１Ｂによる蒸気の過熱プロセスを一次過熱プロセスと呼ぶ。同様に、二次過熱部２１Ｂおよび三次過熱部３１Ｂによる過熱プロセスを、それぞれ二次過熱プロセスおよび三次過熱プロセスと呼ぶ。
　プロセスモデルＡ２は、二次過熱プロセスをモデル化したものである。より詳細には、プロセスモデルＡ２は、一次過熱部１１Ｂの出口付近における蒸気温度や、一次調整弁１２Ｂの開度などの二次過熱プロセスに相関のある入力データから、二次過熱部２１Ｂの出口付近における蒸気温度を予測するためのモデルである。
　プロセスモデルＡ３は、三次過熱プロセスをモデル化したものである。より詳細には、プロセスモデルＡ３は、二次過熱部２１Ｂの出口付近における蒸気温度や、二次調整弁２２Ｂの開度などの三次過熱プロセスに相関のある入力データから、過熱器Ｂの出口付近における蒸気温度を予測するためのモデルである。
　ここで、プロセスモデルＡ１によって予測された、一次過熱部１１Ｂの出口付近における蒸気温度は、プロセスモデルＡ２の入力データとして用いる。また、プロセスモデルＡ２によって予測された、二次過熱部２１Ｂの出口付近における蒸気温度は、プロセスモデルＡ３の入力データとして用いる。このように、プロセスモデルＡ１の予測結果をプロセスモデルＡ２の予測に用い、プロセスモデルＡ２の予測結果をプロセスモデルＡ３の予測に用いることにより、蒸気過熱プロセス全体の予測（過熱器Ｂの出口付近における蒸気温度の予測）を行うことができる。
　以上のように、パラメータ予測の対象となるプロセス（過熱器Ｂによる蒸気過熱プロセス）が複数のサブプロセス（一次～三次過熱プロセス）を含む場合がある。このような場合、第１予測部１２および第２予測部１３は、各サブプロセスに対応するモデル（プロセスモデルＡ１～Ａ３）を組み合わせて予測を行ってもよい。
　この場合、第１予測部１２は、数理モデルであるプロセスモデルＡ１～Ａ３を用いて予測を行う。これにより、蒸気過熱プロセスを１つの数理モデルで表現する場合と比べて、高精度な予測を行うことができる。
　同様に、第２予測部１３は、機械学習により生成された学習済みモデルであるプロセスモデルＡ１～Ａ３を用いて予測を行う。これにより、蒸気過熱プロセスを１つの学習済みモデルで表現する場合と比べて、高精度な予測を行うことができる。
　＜パラメータの予測値の決定＞
　蒸気過熱プロセスを含め、プラントにおける各種プロセスには、様々な因子が関与しているため、機械学習に用いる教師データにも様々な因子を含めることが望ましい。ただし、プラントで測定される実測データは、一部の数値範囲について欠損していたり、未記録であったりする場合がある。このため、教師データとして複数種類の実測データを用いることにより、様々な因子を反映させた学習済みモデルを生成した場合、一部の数値範囲の入力データに対する出力データの精度が落ちることがある。
　そこで、予測値決定部１５は、第２予測部１３が第２予測値の算出に用いた実測データが、学習済みモデルの機械学習に用いた教師データの範囲内であれば、第２予測値をパラメータの予測値と決定する。一方、予測値決定部１５は、第２予測部１３が第２予測値の算出に用いた実測データが、学習済みモデルの機械学習に用いた教師データの範囲外であれば、第１予測値をパラメータの予測値と決定する。
　これにより、学習済みモデルに入力した実測データが機械学習に用いた教師データの範囲内であって、算出された第２予測値の信頼性が高くかつ精度も高いことが期待される状況においては、第２予測値をパラメータの予測値と決定することができる。そして、学習済みモデルに入力した実測データが機械学習に用いた教師データの範囲外であって、算出された第２予測値の信頼性が高くかつ精度も高いことが期待し難い状況においては、第１予測値をパラメータの予測値と決定することができる。よって、上記の構成によれば、パラメータの予測において、信頼性と精度を両立させることができる。
　パラメータの予測値の決定方法について、図３に基づいて説明する。図３は、予測値決定部１５による予測結果の決定について説明する図である。図３の（ａ）には、教師データに含まれる複数の因子に基づく、ＮＮを使用するか否か（学習済みモデルによる第２予測値を用いるか否か）の判定基準の例を示している。図示の因子１および２は、何れも学習済みモデルに対する入力データに含まれる因子である。これらの因子の例としては、例えば、過熱器Ｂの入口付近における蒸気温度や、過熱器Ｂの熱源として利用する、焼却炉で発生した排ガスの温度等が挙げられる。
　予測値決定部１５は、図３の（ａ）に示すように、因子１の値と因子２の値の組み合わせに応じてＮＮを使用するか否かを判定することが好ましい。より詳細には、予測値決定部１５は、学習済みモデルに入力する入力データにおける因子１の値が学習済みの範囲に含まれており、かつ、同入力データにおける因子２の値も学習済みの範囲に含まれていれば、ＮＮを使用すると判定することが好ましい。この場合、予測値決定部１５は、第２予測値を蒸気出口温度の予測値と決定する。一方、予測値決定部１５は、学習済みモデルに入力する入力データにおける因子１の値が学習済みの範囲に含まれておらず、かつ、同入力データにおける因子２の値も学習済みの範囲に含まれていなければ、ＮＮを使用しないと判定することが好ましい。この場合、予測値決定部１５は、第１予測値を蒸気出口温度の予測値と決定する。
　なお、３つ以上の因子が教師データに含まれている場合、それら因子のうち実測データ欠損の影響が相対的に大きい因子を選択して、予測値決定部１５がＮＮによる予測値を使用するか否かの判定基準とすればよい。影響が相対的に大きい因子の選択には、例えば主成分分析、クラスタリング、あるいは疎性モデリング等の手法を用いることができる。
　また、予測値決定部１５は、入力データが、相対的に多くの教師データで機械学習ができている数値範囲に属するか否かに応じて予測値を決定してもよい。これについて、図３の（ｂ）（ｃ）に基づいて説明する。図３の（ｂ）には、過熱器Ｂの入口付近における蒸気温度（横軸）と、該蒸気温度の教師データの個数（縦軸）との対応関係を示している。また、図３の（ｃ）には、入力データに含まれる、過熱器Ｂの入口付近における蒸気温度（横軸）と、予測値決定部１５が決定する予測値における第２予測値の寄与度（縦軸）との対応関係を示している。
　プラントでの実測データから教師データを生成した場合、全ての蒸気温度について均等な個数の教師データは得られず、図示のように教師データは蒸気温度の中央値あるいは平均値付近に偏り、蒸気温度の最大値付近および最小値付近は少なくなるのが通常である。
　このため、予測値決定部１５は、入力データに含まれる蒸気温度が、教師データの数が相対的に多い蒸気温度の範囲内にあれば、第２予測値の寄与度を高くすることが好ましい。例えば、第２予測値を使用しない（第１予測値のみ使用する）場合の寄与度を０、第２予測値のみを使用する場合の寄与度を１とした場合、蒸気温度の中央値あるいは平均値付近の寄与度は１あるいはそれに近い値とすることが好ましい。
　一方、予測値決定部１５は、入力データに含まれる蒸気温度が、教師データの数が相対的に少ない蒸気温度の範囲内にあれば、第２予測値の寄与度を低くすることが好ましい。そして、予測値決定部１５は、入力データに含まれる蒸気温度が、教師データが存在しない蒸気温度の範囲内にあれば、第２予測値の寄与度をゼロにすることが好ましい。
　図３の（ｃ）の例では、蒸気温度の中央値あるいは平均値付近において寄与度が最大となるようにし、蒸気温度が中央値あるいは平均値付近から離れるにつれて寄与度を漸減させ、蒸気温度の範囲の端部付近で寄与度を急減させている。このように、入力データに応じた寄与度を設定することにより、パラメータの予測において、信頼性と精度を両立させることができる。
　なお、予測値決定部１５は、寄与度に基づいてパラメータの予測値を決定する場合、第２予測値に寄与度を乗じることによってパラメータの予測値を決定する。例えば、第２予測値の寄与度が０．７であれば、予測値決定部１５は、第２予測値に０．７を乗じた値と、第１予測値に０．３を乗じた値との和をパラメータの予測値として決定してもよい。この演算は、第１予測値を第２予測値で補正する演算であるともいえる。
　＜予測精度の検証＞
　図４は、情報処理装置１による蒸気出口温度の予測結果と蒸気温度の実測値を示す図である。図示のように、情報処理装置１による蒸気出口温度の予測結果（実線）は、蒸気出口温度の実測値（破線）とよく整合しており、情報処理装置１の予測精度が高いことがわかる。なお、図４において、温度が大きく下がっている箇所が２カ所あり、これらの箇所においては予測結果と実測値とがやや乖離している。
　上記２カ所における温度低下は過熱器Ｂの伝熱面に付着した煤などを除去するためのスートブロー運転を行ったことに起因するものである。より詳細には、スートブロー運転時には、上記伝熱面に蒸気を噴射することによって煤などを除去する。このため、伝熱面の温度が大きく下がり、これにより蒸気出口温度も低下する。このように、スートブロー運転時には、通常運転時では行われない蒸気噴射が行われるため、通常運転時を想定したプロセスモデルによる予測結果が、実測値から乖離することがある。このような乖離を防ぐ方策については実施形態２で説明する。
　＜処理の流れ＞
　次に、本実施形態に係る情報処理装置１が実行する処理の流れを図５に基づいて説明する。図５は、本実施形態に係る情報処理装置１が実行する処理（情報処理方法）の一例を示すフローチャートである。
　Ｓ１では、入力データ生成部１１は、入力データの生成に必要な各種実測データを取得する。そして、入力データ生成部１１は、取得した実測データから、第１予測部１２が予測に用いる入力データと、第２予測部１３が予測に用いる入力データをそれぞれ生成する。
　Ｓ２（第１予測ステップ）では、第１予測部１２が、入力データ生成部１１が生成した入力データを数理モデルに入力して蒸気出口温度の予測値である第１予測値を算出する。また、Ｓ３（第２予測ステップ）では、第２予測部１３が、入力データ生成部１１が生成した入力データを学習済みモデルに入力して蒸気出口温度の予測値である第２予測値を算出する。なお、Ｓ２とＳ３は並行して行ってもよいし、Ｓ３を先に行ってもよい。
　Ｓ４（予測値決定ステップ）では、予測値決定部１５は、Ｓ２で算出された第１予測値およびＳ３で算出された第２予測値の少なくとも何れかに基づいて、蒸気出口温度の予測値を決定する。
　Ｓ５では、プラント制御部１６は、予測値決定部１５が決定した予測値に基づいてプラントを制御する。例えば、Ｓ４で決定された蒸気出口温度の予測値が、所定の温度よりも高かった場合には、プラント制御部１６は、一次調整弁１２Ｂおよび二次調整弁２２Ｂの少なくとも何れかの開度を上げる制御を行う。また逆に、決定された蒸気出口温度の予測値が、所定の温度よりも低かった場合には、プラント制御部１６は、一次調整弁１２Ｂおよび二次調整弁２２Ｂの少なくとも何れかの開度を下げる制御を行う。これにより、蒸気出口温度が所定の温度よりも高い状態や低い状態となることを回避するか、または該状態が維持されるのを最小限の時間に抑えることができる。
　以上のように、情報処理装置１は、蒸気過熱プロセスをモデル化した数理モデルを用いて蒸気出口温度の予測値である第１予測値を算出する第１予測部１２と、機械学習により蒸気過熱プロセスをモデル化した学習済みモデルを用いて蒸気出口温度の予測値である第２予測値を算出する第２予測部１３と、上記第１予測値および上記第２予測値の少なくとも何れかに基づいて蒸気出口温度の予測値を決定する予測値決定部１５と、を備えている。
　上記学習済みモデルによる予測は、非線形な挙動を示すプロセスについての予測精度が高い。一方、上記数理モデルによる予測は線形予測であり、現実離れした予測値が算出される可能性が低い。よって、上記の構成によれば、信頼性と精度を両立した予測値を算出することができる。
　〔実施形態２〕
　本発明の他の実施形態について以下説明する。なお、説明の便宜上、上記実施形態１にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。これは実施形態３以降も同様である。
　本実施形態では、運転モード特定部１４による運転モードの特定と、その特定結果に基づく蒸気出口温度の予測について説明する。図６は、本実施形態の情報処理装置１において予測に関与する各部を説明する図である。本実施形態の第２予測部１３には、通常運転時予測部１３１、ＳＢ運転時予測部１３２、および第２予測値決定部１３３が含まれている。
　通常運転時予測部１３１は、通常運転時（スートブローを行うことなく過熱器Ｂで蒸気を過熱する運転時。以下、通常運転モードとも呼ぶ）に実測された実測データに基づく教師データで機械学習させた学習済みモデルを用いて蒸気出口温度の予測値を算出する。また、ＳＢ運転時予測部１３２は、スートブロー運転時（以下、ＳＢ運転モードとも呼ぶ）に実測された実測データに基づく教師データで機械学習させた学習済みモデルを用いて蒸気出口温度の予測値を算出する。通常運転時予測部１３１による予測と、ＳＢ運転時予測部１３２による予測は、何れも学習済みモデルを用いた非線形の予測である。
　そして、第２予測値決定部１３３は、運転モード特定部１４が通常運転モードであると特定している場合、通常運転時予測部１３１が算出する予測値を第２予測値として決定する。一方、第２予測値決定部１３３は、運転モード特定部１４がＳＢ運転モードであると特定している場合、ＳＢ運転時予測部１３２が算出する予測値を第２予測値として決定する。つまり、第２予測部１３の全体としては、運転モード特定部１４が特定した運転モードに応じた学習済みモデルを用いて第２予測値を算出している。
　このように、本実施形態の情報処理装置１は、プラントの運転モードを特定する運転モード特定部１４を備えており、第２予測部１３は、運転モード特定部１４が特定した運転モードに応じた学習済みモデルを用いて第２予測値を算出する。このように、運転モードの相違を考慮することにより、高精度な予測値を算出することができる。例えば、図４の例におけるスートブロー運転期間においても、実測値と近い値の予測値を算出することが可能である。
　なお、運転モードに応じた数理モデルを予め用意しておけば、第１予測部１２も上記と同様にして、運転モード特定部１４が特定した運転モードに応じた数理モデルを用いて第１予測値を算出する構成とすることができる。第１予測部１２による予測は線形予測である。線形予測により第１予測値が算出されると共に、非線形予測により第２予測値が算出された後は、実施形態１の情報処理装置１と同様に、第１予測値および第２予測値の少なくとも何れかに基づいて予測値決定部１５が予測値を決定する。
　＜運転モードの特定＞
　運転モード特定部１４による運転モードの特定について図７に基づいて説明する。図７は、通常運転期間とスートブロー運転期間における蒸気出口温度と高圧蒸気溜め内の圧力（以下、単に圧力と呼ぶ）の時系列変化の例を示す図である。なお、同図の上側のグラフが圧力の時系列変化を示し、同図の下側のグラフが蒸気出口温度の時系列変化を示している。
　図７の例では、スートブロー運転期間に、過熱器Ｂに対して３回の蒸気噴射を行っており、各蒸気噴射時に蒸気出口温度と圧力が急激に低下している。このように、スートブロー運転期間においては、蒸気出口温度と圧力について特有の時系列変化が観測される。よって、運転モード特定部１４は、蒸気出口温度と圧力の時系列変化に基づいて、運転モードが通常運転モードであるか、ＳＢ運転モードであるかを特定することができる。
　例えば、運転モード特定部１４は、圧力が閾値（図７の例では例えば３．４［MPa］）未満となったときに、運転モードが通常運転モードからＳＢ運転モードに切り替わったと判定してもよい。そして、運転モード特定部１４は、圧力が上記閾値以上となり、かつ、ＳＢ運転モードの継続時間が所定の下限時間（一連のスートブロー運転に少なくとも要する時間）以上となっているときに通常運転モードに切り替わったと判定してもよい。
　なお、運転モードの特定方法は上記の例に限定されない。例えば、運転モード特定部１４は、蒸気出口温度と圧力の時系列の実測データを、変分ベイズ法等によって、ＳＢ運転モードの実測データと、通常運転モードの実測データとにクラスタリングすることにより、現在の運転モードを特定してもよい。
　〔実施形態３〕
　本実施形態では、プラント制御部１６による制御の詳細、特にプラント制御部１６に含まれるＦＢ制御部１６１とＭＰＣ部１６２による制御の詳細について説明する。図８は、ＦＢ制御部１６１とＭＰＣ部１６２による制御の詳細を説明する図である。
　ＦＢ制御部１６１は、プラントで実測された各種実測データに基づいてフィードバック制御（以下、ＦＢ制御と呼ぶ）を行う。本実施形態では、ＦＢ制御部１６１が、図８に破線で示す制御を行う例を説明する。ＦＢ制御部１６１による制御は、新たな実測データが得られる毎に行われるフィードバック制御である。
　具体的には、ＦＢ制御部１６１は、蒸気出口温度の実測データが得られると、該実測データと蒸気出口温度の目標値との差分を算出する（一次演算）。そして、ＦＢ制御部１６１は、一次演算で算出した差分に応じた二次調整弁２２Ｂの開度を決定し、決定した開度となるように二次調整弁２２Ｂを制御する。この制御は、例えばＰＩＤ（Proportional-Integral-Differential）制御と呼ばれるものであってもよい。また、ＦＢ制御部１６１は、上記と同様にして一次調整弁１２Ｂの開度を決定し、決定した開度となるように一次調整弁１２Ｂを制御する。
　ここで、図２に基づいて説明したように、過熱器Ｂによる蒸気の過熱プロセスには、一次～三次過熱プロセスが含まれる。さらに、一次過熱プロセスに関連するプロセスとして、一次調整弁１２Ｂを介した蒸気温度の調整プロセスがあり、二次過熱プロセスに関連するプロセスとして、二次調整弁２２Ｂを介した蒸気温度の調整プロセスがある。以下では、一次過熱プロセスと一次調整弁１２Ｂを介した蒸気温度の調整プロセスとをまとめて第１のサブプロセスと呼び、二次過熱プロセスと二次調整弁２２Ｂを介した蒸気温度の調整プロセスとをまとめて第２のサブプロセスと呼ぶ。
　ＭＰＣ部１６２は、予測値決定部１５が決定した予測値に基づいて状態予測制御（以下、ＭＰＣ：Model Predictive Controlと呼ぶ）を行う。このＭＰＣにおいて、ＭＰＣ部１６２は、上記第１のサブプロセスに関して、予測値決定部１５が決定した予測値を所定の目標値に近付けるための制御を行う。また、ＭＰＣ部１６２は、上記第２のサブプロセスに関して、予測値決定部１５が決定した上記予測値を所定の目標値に近付けるための制御を行う。これにより、各プロセスに対する制御量を適切に配分して、安定したプロセス制御を実現することが可能になる。
　図８では、本実施形態のＭＰＣ部１６２が行う制御を一点鎖線で示している。ＭＰＣ部１６２は、予測値決定部１５が決定した蒸気出口温度の予測値に基づいて、一次調整弁１２Ｂと二次調整弁２２Ｂの開度をそれぞれ決定する。
　各調整弁の開度の決定において、ＭＰＣ部１６２は、各調整弁による温度の調整幅に大きな偏りが生じないように各調整弁の開度を決定することが好ましい。例えば、ＭＰＣ部１６２は、蒸気出口温度の予測値と、蒸気出口温度の目標値との差、すなわち調整すべき温度幅を、一次調整弁１２Ｂと二次調整弁２２Ｂに均等に割り振ってもよい。
　例えば、蒸気出口温度の予測値と目標値との差が－１０℃（目標値よりも予測値が１０℃低い）であったとする。この場合、ＭＰＣ部１６２は、二次過熱部２１Ｂの出口付近における蒸気温度が５℃上がるように一次調整弁１２Ｂの開度を下げると共に、過熱器Ｂの出口付近における蒸気温度が５℃上がるように二次調整弁２２Ｂの開度を下げる。
　また、過熱器Ｂの熱源として用いる排ガスの温度は、過熱器Ｂによる過熱に対する影響が大きい因子であるが、この温度は焼却炉における焼却状態によって変動し、一定の値とならないことが多い。このため、ＭＰＣ部１６２は、所定の予測モデルを用いて、現在の排ガス温度（例えば、排ガスを焼却炉外に排出する煙突の出口付近における温度）の実測データから、各過熱部における過熱特性を特定し、その特定結果に応じて制御値を決定してもよい。
　なお、予測値から開度を決定する方法は特に限定されず、例えばカルマンフィルタ、ＮＮ、線形重回帰、あるいはロジスティック回帰分析等の手法を用いて開度を決定することもできる。例えば、カルマンフィルタを用いる場合、排ガスの温度などのプロセスの変動から、蒸気出口温度を安定させることができる一次調整弁１２Ｂの開度を予測し、フィードフォワード制御を行うことができる。
　また、上述のように、一次調整弁１２Ｂおよび二次調整弁２２Ｂの開度は、ＦＢ制御部１６１も決定する。このため、ＭＰＣ部１６２は、ＦＢ制御部１６１が決定した開度も考慮して、最終的に各調整弁をどのような開度とするかを決定する。例えば、ＭＰＣ部１６２は、自ら決定した開度と、ＦＢ制御部１６１が決定した開度の和を、最終的な開度としてもよい。
　〔実施形態４〕
　本発明のさらに他の実施形態について図９に基づいて説明する。図９は、本実施形態の情報処理装置１の要部構成の一例を示すブロック図である。本実施形態の情報処理装置１は、実施形態１の情報処理装置１（図１参照）と比べて、第１予測部１２、第２予測部１３、および予測値決定部１５が、第１制御値算出部２１、第２制御値算出部２２、および制御値決定部２３にそれぞれ変わっている点で異なる。
　第１制御値算出部２１は、プラントにおける所定のプロセスの制御に用いる制御値を、数理モデルを用いて算出する。具体的には、第１制御値算出部２１は、実施形態１の第１予測部１２と同様に数理モデルを用いて蒸気出口温度の予測値（第１予測値）を算出する。そして、第１制御値算出部２１は、算出した第１予測値に基づいて、一次調整弁１２Ｂと二次調整弁２２Ｂに対する制御値をそれぞれ算出する。この制御値は、制御対象が調整弁であるため該調整弁の開度である。以下、第１制御値算出部２１が算出する制御値を第１制御値と呼ぶ。
　第２制御値算出部２２は、上記プロセスを機械学習によりモデル化した学習済みモデルを用いて上記制御値を算出する。具体的には、第２制御値算出部２２は、実施形態１の第２予測部１３と同様の学習済みモデルを用いて蒸気出口温度の予測値（第２予測値）を算出する。そして、第２制御値算出部２２は、算出した第２予測値に基づいて、一次調整弁１２Ｂと二次調整弁２２Ｂに対する制御値（開度）をそれぞれ算出する。以下、第２制御値算出部２２が算出する制御値を第２制御値と呼ぶ。
　制御値決定部２３は、上記第１制御値および上記第２制御値の少なくとも何れかに基づいて、上記プラントの制御に用いる制御値を決定する。なお、制御値決定部２３が制御値を決定する方法は、予測値決定部１５が予測値を決定する方法と同様である。
　そして、本実施形態のプラント制御部１６は、制御値決定部２３が決定した制御値、すなわち上記第１制御値および上記第２制御値の少なくとも何れかに基づいて上記プラントを制御する。上述のように、上記学習済みモデルによる予測は、非線形な挙動を示すプロセスについての予測精度が高く、上記数理モデルによる予測は線形予測であり、現実離れした予測値が算出される可能性が低い。よって、本実施形態の構成によれば、信頼性と精度を両立した制御値を決定して、的確な制御を安定して行うことができる。
　また、本実施形態のプラント制御部１６は、運転モード特定部１４が特定した運転モードに基づいてプラントを制御する。これにより、運転モードの相違を考慮しつつ、ＦＢ制御よりも早いタイミングで適切な制御を行うことができる。
　具体的には、第２制御値算出部２２は、実施形態２で説明した第２予測部１３（図６参照）と同様に、通常運転モード用の学習済みモデルと、ＳＢ運転モード用の学習済みモデルのそれぞれによって第２予測値を算出する。そして、第２制御値算出部２２は、算出した各第２予測値に基づいて、通常運転モード用の第２制御値と、ＳＢ運転モード用の第２制御値を算出し、それらの第２制御値を制御値決定部２３に出力する。
　そして、制御値決定部２３は、運転モード特定部１４が特定した運転モードがＳＢ運転モードであれば、ＳＢ運転モード用の第２制御値と、第１制御値算出部２１から出力される第１制御値の少なくとも何れかに基づいてプラントの制御に用いる制御値を決定する。これにより、運転モード特定部１４が特定した運転モードに基づいたプラントの制御が行われる。
　なお、第１制御値算出部２１についても、第２制御値算出部２２と同様に、通常運転モード用の数理モデルにより通常運転モード用の第１制御値を算出すると共に、ＳＢ運転モード用の数理モデルによりＳＢ運転モード用の第１制御値を算出してもよい。
　〔変形例〕
　上記各実施形態では、通常運転モードとＳＢ運転モードとで使用するモデルを切り替える例を説明したが、対象となるプラントにおいて特徴的な任意の運転モードについて、同様の使用モデル切り替えを行う構成とすることができる。また、プラントにおけるパラメータ予測には、例えば、プラントにおいて行われる制御指令（上記実施形態の例では調整弁の開度の制御指令）を考慮したモデルと、制御指令を考慮しないモデルを用いてもよい。この場合、制御指令が行われている期間には制御指令を考慮したモデルを用いて予測を行い、制御指令が行われない期間には制御指令を考慮しないモデルを用いて予測を行えばよい。
　上記各実施形態で説明した情報処理装置１の備える機能の一部を、情報処理装置１の外部の装置（例えばサーバ）に持たせ、該装置と情報処理装置１を含む情報処理システムを構成することもできる。このような情報処理システムであれば、情報処理装置１と同様の効果を奏する。例えば、ＮＮを用いた演算処理は一般に負荷が高いので、そのような演算処理機能を外部の装置に持たせることにより、情報処理装置１の負荷を軽減することができる。また、例えば、プラント制御部１６を設ける代わりに、情報処理装置１の外部のプラント制御装置にプラント制御を行わせる構成としてもよい。
　また、上記各実施形態では、ゴミ焼却施設において、蒸気出口温度を予測する例や蒸気出口温度を目標値に近付けるための制御を行う例を説明した。しかしながら、これらは例にすぎず、本発明の予測あるいは制御の対象となるプラントはゴミ焼却施設に限られず、予測の対象は蒸気温度に限られず、制御は蒸気温度を目標値に近付けるための制御に限られない。
　例えば、火力発電施設では、燃焼させるものがゴミから所定の燃料（石油や石炭）に変っただけで、ゴミ焼却施設と同様のプロセスが行われている。このため、上記各実施形態と同様にして、火力発電施設における各種プロセスについて、パラメータの予測値を算出することができる。また、過熱器Ｂにおけるプロセスは、過熱器以外の熱交換器におけるプロセスに置き換えることができる。
　〔ソフトウェアによる実現例〕
　情報処理装置１の制御ブロック（特に制御部１０に含まれる各部）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。
　後者の場合、情報処理装置１は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。
　〔付記事項〕
　本発明の一態様に係る情報処理装置は、プラントにおける所定のプロセスをモデル化した数理モデルを用いて当該プロセスに関する所定のパラメータの予測値である第１予測値を算出する第１予測部と、機械学習により上記プロセスをモデル化した学習済みモデルを用いて上記パラメータの予測値である第２予測値を算出する第２予測部と、上記第１予測値および上記第２予測値の少なくとも何れかに基づいて、上記パラメータの予測値を決定する予測値決定部と、を備えている。
　上記情報処理装置において、上記予測値決定部は、上記第２予測部が上記学習済みモデルに入力した入力データが、上記学習済みモデルの機械学習に用いた教師データの範囲内であれば、上記第２予測値を上記パラメータの予測値と決定し、上記第２予測部が上記学習済みモデルに入力した入力データが、上記学習済みモデルの機械学習に用いた教師データの範囲外であれば、上記第１予測値を上記パラメータの予測値と決定してもよい。
　また、上記情報処理装置は、上記プラントの運転モードを特定する運転モード特定部を備え、上記第１予測部は、上記運転モード特定部が特定した運転モードに応じた数理モデルを用いて上記第１予測値を算出し、上記第２予測部は、上記運転モード特定部が特定した運転モードに応じた学習済みモデルを用いて上記第２予測値を算出する構成としてもよい。
　また、上記情報処理装置は、上記数理モデルおよび上記学習済みモデルの少なくとも何れかに対する入力データの少なくとも一部を他の数理モデルを用いて算出する入力データ生成部を備えていてもよい。
　また、上記情報処理装置は、上記予測値決定部が決定した上記予測値に基づいて上記プラントを制御するプラント制御部を備えていてもよい。
　また、上記所定のプロセスには、第１のサブプロセスと、該第１のサブプロセスの後に行われる第２のサブプロセスが含まれていてもよく、上記プラント制御部は、上記第１のサブプロセスに関して、上記予測値決定部が決定した上記予測値を所定の目標値に近付けるための制御を行うと共に、上記第２のサブプロセスに関して、上記予測値決定部が決定した上記予測値を所定の目標値に近付けるための制御を行う構成であってもよい。
　また、本発明の他の態様に係る情報処理装置は、プラントにおける所定のプロセスの制御に用いる第１制御値を、数理モデルを用いて算出する第１制御値算出部と、上記プロセスを機械学習によりモデル化した学習済みモデルを用いて上記プロセスの制御に用いる第２制御値を算出する第２制御値算出部と、上記第１制御値および上記第２制御値の少なくとも何れかに基づいて、上記プラントの制御に用いる制御値を決定する制御値決定部と、上記制御値に基づいて、上記プラントを制御するプラント制御部と、を備えている。
　上記情報処理装置は、上記プラントの運転モードを特定する運転モード特定部を備え、上記プラント制御部は、上記運転モード特定部が特定した運転モードに基づいて上記プラントを制御する構成であってもよい。
　また、本発明の一態様に係る情報処理方法は、情報処理装置による情報処理方法であって、プラントにおける所定のプロセスをモデル化した数理モデルを用いて当該プロセスに関する所定のパラメータの予測値である第１予測値を算出する第１予測ステップと、機械学習により上記プロセスをモデル化した学習済みモデルを用いて上記パラメータの予測値である第２予測値を算出する第２予測ステップと、上記第１予測値および上記第２予測値の少なくとも何れかに基づいて、上記パラメータの予測値を決定する予測値決定ステップと、を含む。
　また、上述の情報処理装置としてコンピュータを機能させるための情報処理プログラムであって、上記第１予測部、上記第２予測部、および上記予測値決定部としてコンピュータを機能させるための情報処理プログラムも本発明の範疇に含まれる。
　本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。
　　１　情報処理装置
　１１　入力データ生成部
　１２　第１予測部
　１３　第２予測部
　１４　運転モード特定部
　１５　予測値決定部
　１６　プラント制御部
　２１　第１制御値算出部
　２２　第２制御値算出部
　２３　制御値決定部

Claims (10)

  1. 　プラントにおける所定のプロセスをモデル化した数理モデルを用いて当該プロセスに関する所定のパラメータの予測値である第１予測値を算出する第１予測部と、
    　機械学習により上記プロセスをモデル化した学習済みモデルを用いて上記パラメータの予測値である第２予測値を算出する第２予測部と、
    　上記第１予測値および上記第２予測値の少なくとも何れかに基づいて、上記パラメータの予測値を決定する予測値決定部と、を備えていることを特徴とする情報処理装置。
  2. 　上記予測値決定部は、
    　　上記第２予測部が上記学習済みモデルに入力した入力データが、上記学習済みモデルの機械学習に用いた教師データの範囲内であれば、上記第２予測値を上記パラメータの予測値と決定し、
    　　上記第２予測部が上記学習済みモデルに入力した入力データが、上記学習済みモデルの機械学習に用いた教師データの範囲外であれば、上記第１予測値を上記パラメータの予測値と決定することを特徴とする請求項１に記載の情報処理装置。
  3. 　上記プラントの運転モードを特定する運転モード特定部を備え、
    　上記第１予測部は、上記運転モード特定部が特定した運転モードに応じた数理モデルを用いて上記第１予測値を算出し、
    　上記第２予測部は、上記運転モード特定部が特定した運転モードに応じた学習済みモデルを用いて上記第２予測値を算出する、ことを特徴とする請求項１または２に記載の情報処理装置。
  4. 　上記数理モデルおよび上記学習済みモデルの少なくとも何れかに対する入力データの少なくとも一部を他の数理モデルを用いて算出する入力データ生成部を備えていることを特徴とする請求項１から３の何れか１項に記載の情報処理装置。
  5. 　上記予測値決定部が決定した上記予測値に基づいて上記プラントを制御するプラント制御部を備えていることを特徴とする請求項１から４の何れか１項に記載の情報処理装置。
  6. 　上記所定のプロセスには、第１のサブプロセスと、該第１のサブプロセスの後に行われる第２のサブプロセスが含まれており、
    　上記プラント制御部は、上記第１のサブプロセスに関して、上記予測値決定部が決定した上記予測値を所定の目標値に近付けるための制御を行うと共に、上記第２のサブプロセスに関して、上記予測値決定部が決定した上記予測値を所定の目標値に近付けるための制御を行うことを特徴とする請求項５に記載の情報処理装置。
  7. 　プラントにおける所定のプロセスの制御に用いる第１制御値を、数理モデルを用いて算出する第１制御値算出部と、
    　上記プロセスを機械学習によりモデル化した学習済みモデルを用いて上記プロセスの制御に用いる第２制御値を算出する第２制御値算出部と、
    　上記第１制御値および上記第２制御値の少なくとも何れかに基づいて、上記プラントの制御に用いる制御値を決定する制御値決定部と、
    　上記制御値に基づいて、上記プラントを制御するプラント制御部と、を備えていることを特徴とする情報処理装置。
  8. 　上記プラントの運転モードを特定する運転モード特定部を備え、
    　上記プラント制御部は、上記運転モード特定部が特定した運転モードに基づいて上記プラントを制御することを特徴とする請求項７に記載の情報処理装置。
  9. 　情報処理装置による情報処理方法であって、
    　プラントにおける所定のプロセスをモデル化した数理モデルを用いて当該プロセスに関する所定のパラメータの予測値である第１予測値を算出する第１予測ステップと、
    　機械学習により上記プロセスをモデル化した学習済みモデルを用いて上記パラメータの予測値である第２予測値を算出する第２予測ステップと、
    　上記第１予測値および上記第２予測値の少なくとも何れかに基づいて、上記パラメータの予測値を決定する予測値決定ステップと、を含むことを特徴とする情報処理方法。
  10. 　請求項１に記載の情報処理装置としてコンピュータを機能させるための情報処理プログラムであって、上記第１予測部、上記第２予測部、および上記予測値決定部としてコンピュータを機能させるための情報処理プログラム。
PCT/JP2020/006428 2019-02-19 2020-02-19 情報処理装置、情報処理方法、および情報処理プログラム WO2020171104A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202080015286.4A CN113454542A (zh) 2019-02-19 2020-02-19 信息处理装置、信息处理方法、以及信息处理程序
EP20759105.8A EP3929669A4 (en) 2019-02-19 2020-02-19 INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD AND INFORMATION PROCESSING PROGRAM

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-027562 2019-02-19
JP2019027562A JP7216566B2 (ja) 2019-02-19 2019-02-19 情報処理装置、情報処理方法、および情報処理プログラム

Publications (1)

Publication Number Publication Date
WO2020171104A1 true WO2020171104A1 (ja) 2020-08-27

Family

ID=72143974

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/006428 WO2020171104A1 (ja) 2019-02-19 2020-02-19 情報処理装置、情報処理方法、および情報処理プログラム

Country Status (4)

Country Link
EP (1) EP3929669A4 (ja)
JP (1) JP7216566B2 (ja)
CN (1) CN113454542A (ja)
WO (1) WO2020171104A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7313170B2 (ja) * 2019-03-20 2023-07-24 キヤノンメディカルシステムズ株式会社 医用情報処理装置、医用情報処理システム、および医用情報処理方法
JP7304401B1 (ja) 2021-12-20 2023-07-06 エヌ・ティ・ティ・コミュニケーションズ株式会社 支援装置、支援方法および支援プログラム

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05282269A (ja) * 1992-04-01 1993-10-29 Hitachi Ltd 学習／想起方法および装置
JP2000181526A (ja) * 1998-12-16 2000-06-30 Chugoku Electric Power Co Inc:The プラント状態推定・予測装置及び方法
JP2000222005A (ja) * 1999-02-03 2000-08-11 Hitachi Ltd プロセスの制御装置
JP2005242524A (ja) 2004-02-25 2005-09-08 Ebara Corp 処理プラント設備の運転制御方法及び運転制御装置
JP2016051473A (ja) * 2014-08-29 2016-04-11 ゼネラル・エレクトリック・カンパニイ 多入力多出力プラントのモデルベース適応制御方法およびシステム
US20170068886A1 (en) * 2015-09-09 2017-03-09 Emerson Process Management Power & Water Solutions, Inc. Model-based characterization of pressure/load relationship for power plant load control
JP2018119924A (ja) * 2017-01-27 2018-08-02 オークマ株式会社 診断装置

Family Cites Families (6)

* 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
JP5282269B2 (ja) 2009-03-24 2013-09-04 コニカミノルタ株式会社 画像読取装置および画像形成装置
CN107110545B (zh) * 2015-01-30 2018-07-24 三菱电机株式会社 空调管理装置
GB2535769B (en) * 2015-02-27 2019-03-06 Energy Tech Institute Llp Method and apparatus for controlling an environment management system within a building
CN108292860B (zh) * 2015-12-10 2022-04-08 三菱电机株式会社 电力控制装置、运转计划制定方法以及记录介质
JP2018160078A (ja) * 2017-03-22 2018-10-11 パナソニックＩｐマネジメント株式会社 異常検知装置及び異常検知方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05282269A (ja) * 1992-04-01 1993-10-29 Hitachi Ltd 学習／想起方法および装置
JP2000181526A (ja) * 1998-12-16 2000-06-30 Chugoku Electric Power Co Inc:The プラント状態推定・予測装置及び方法
JP2000222005A (ja) * 1999-02-03 2000-08-11 Hitachi Ltd プロセスの制御装置
JP2005242524A (ja) 2004-02-25 2005-09-08 Ebara Corp 処理プラント設備の運転制御方法及び運転制御装置
JP2016051473A (ja) * 2014-08-29 2016-04-11 ゼネラル・エレクトリック・カンパニイ 多入力多出力プラントのモデルベース適応制御方法およびシステム
US20170068886A1 (en) * 2015-09-09 2017-03-09 Emerson Process Management Power & Water Solutions, Inc. Model-based characterization of pressure/load relationship for power plant load control
JP2018119924A (ja) * 2017-01-27 2018-08-02 オークマ株式会社 診断装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3929669A4

Also Published As

Publication number Publication date
CN113454542A (zh) 2021-09-28
JP7216566B2 (ja) 2023-02-01
JP2020135374A (ja) 2020-08-31
EP3929669A1 (en) 2021-12-29
EP3929669A4 (en) 2022-11-23

Similar Documents

Publication Publication Date Title
US11789417B2 (en) Method for determining and tuning process characteristic parameters using a simulation system
US11733662B2 (en) Heuristic method of automated and learning control, and building automation systems thereof
US11232376B2 (en) System and method for optimizing combustion of boiler
US9080765B2 (en) Systems and methods for heat recovery steam generation optimization
JP5180520B2 (ja) 機械への負荷を制御する方法及びタービンエンジン制御システム
RU2536639C2 (ru) Способ (варианты) и система управления компрессорной станцией
WO2020171104A1 (ja) 情報処理装置、情報処理方法、および情報処理プログラム
KR20130098346A (ko) Ｈｖａｃ 시스템을 위한 에너지 최적화 제어 결정
US11262065B2 (en) System and method for optimizing combustion of boiler
US20070135938A1 (en) Methods and systems for predictive modeling using a committee of models
US20160230699A1 (en) Combined cycle power generation optimization system
KR20170129626A (ko) 보조 설비용 지능형 관리 시스템
KR101391214B1 (ko) 산업 스케일 설비를 작동하기 위한 방법 및 안내 시스템
US11287126B2 (en) System and method for controlling operation of boiler
US11761623B2 (en) Apparatus for combustion optimization and method therefor
Leitch et al. Architecture for integrated process supervision
US11629856B2 (en) Apparatus for managing combustion optimization and method therefor
Swirski Power plant performance monitoring using statistical methodology approach
Mukarromah et al. Modeling of Level Control System using IMC-PID Tuning Method with Filter Tuning Factor Variation on Steam Drum Boiler of Power Plant
JP6417175B2 (ja) 評価装置および評価方法
BE1030064B1 (nl) Een werkwijze voor foutdetectie in een energiecentrale
KR100757679B1 (ko) 복합화력발전소의 탈기기 공정을 위한 통합제어 시스템 및그 방법
JPH02181001A (ja) 火力発電プラント起動時運転支援装置
Klimánek et al. Auto-detection of sensors discredibility in a control loop via evolutionary algorithms

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: 20759105

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020759105

Country of ref document: EP

Effective date: 20210920