WO2021095822A1 - プラント運転予測装置 - Google Patents

プラント運転予測装置 Download PDF

Info

Publication number
WO2021095822A1
WO2021095822A1 PCT/JP2020/042329 JP2020042329W WO2021095822A1 WO 2021095822 A1 WO2021095822 A1 WO 2021095822A1 JP 2020042329 W JP2020042329 W JP 2020042329W WO 2021095822 A1 WO2021095822 A1 WO 2021095822A1
Authority
WO
WIPO (PCT)
Prior art keywords
prediction
data
plant
operation data
unit
Prior art date
Application number
PCT/JP2020/042329
Other languages
English (en)
French (fr)
Inventor
浩隆 川部
弘樹 斉藤
Original Assignee
株式会社Ihi
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Ihi filed Critical 株式会社Ihi
Publication of WO2021095822A1 publication Critical patent/WO2021095822A1/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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring

Definitions

  • the present disclosure relates to a plant operation prediction device.
  • the present application claims priority based on Japanese Patent Application No. 2019-204530 filed in Japan on November 12, 2019, the contents of which are incorporated herein by reference.
  • Patent Document 1 discloses a prediction model for predicting operation data of plants such as chemical plants and power plants.
  • the present disclosure has been made in view of such circumstances, and an object thereof is to provide a plant operation prediction device that improves prediction accuracy in predicting the operation state of a plant.
  • the plant operation prediction device includes a prediction unit that predicts the second operation data of the plant from the first operation data of the plant, and the second operation data predicted by the prediction unit.
  • the output unit includes an output unit that outputs the predicted value of the above, a calculation unit that calculates the uncertainty of the predicted value, and a determination unit that determines whether or not the uncertainty is equal to or greater than the threshold value.
  • the output unit is the determination unit. If it is determined that the uncertainty of the predicted value is equal to or greater than the threshold value, the predicted value is not output.
  • the plant operation prediction device uses the first operation data and the second operation data as learning data for machine learning, thereby performing the second aspect.
  • a learning device for constructing a prediction model for predicting driving data is further provided, and the prediction unit uses the trained model which is the prediction model constructed by the learning device to obtain the second driving data from the first driving data. Predict driving data.
  • the trained model is a neural network to which a dropout is applied
  • the prediction unit is the first operation.
  • the predicted value is obtained by inputting the data into the neural network to which the dropout is applied, and the calculation unit calculates the uncertainty for each predicted value.
  • the first operation data is the process value of the boiler used in the plant.
  • the second operation data is the amount of nitrogen oxides generated in the boiler.
  • FIG. 1 is a diagram showing an example of a schematic configuration of a prediction system A including a plant operation prediction device according to the first embodiment. As shown in FIG. 1, the prediction system A includes a plant 1 and a plant operation prediction device 2.
  • Plant 1 is various plants such as a chemical plant, a power generation plant, and a heat treatment plant.
  • the plant 1 is, for example, a power generation plant provided in a thermal power plant, and includes equipment such as a boiler, a steam turbine, and a generator (hereinafter, referred to as “plant equipment”).
  • the plant 1 transmits the operation data of the plant device to the plant operation prediction device 2 by wire or wirelessly.
  • the operation data has data indicating the operation state of the plant 1.
  • the operation data may further include data necessary for the operation of the plant 1.
  • the operation data is measurement data (process value to be controlled) obtained from various sensors installed at various places in the plant 1.
  • the process values to be controlled are fuel flow rate, water supply flow rate, air flow rate, steam pressure, steam pressure, and the like.
  • the operation data may include the amount of power generation and the power generation command value MWD.
  • the plant operation prediction device 2 is an information processing device that predicts the second operation data of the plant 1 from the first operation data of the plant 1.
  • the plant operation prediction device 2 includes a microprocessor such as a CPU or MPU, a microcontroller such as an MCU, a memory such as a RAM (RandomAccessMemory) or a ROM (ReadOnlyMemory), an HDD (HardDiskDrive) or an SSD (SolidState). It may be provided with a storage such as Drive) and an input / output interface.
  • the plant operation prediction device 2 is, for example, a computer.
  • the plant operation prediction device 2 predicts the second operation data from the first operation data and evaluates the uncertainty EU of the predicted value. Then, when the uncertainty EU of the predicted value becomes equal to or higher than the preset threshold value EU, the plant operation prediction device 2 excludes the predicted value. As a result, the plant operation prediction device 2 does not output a predicted value in which the uncertainty EU is equal to or higher than the threshold value EUth, which contributes to the improvement of the prediction accuracy.
  • Uncertainty EU is a so-called Epistemic Uncertainty, and in the present embodiment, it is a variance value representing a confidence interval of a predicted value. The above predicted values are used for soundness diagnosis of plant equipment, optimization control of operation of plant equipment, and the like.
  • the soundness of the plant device is diagnosed from the deviation between the predicted value and the actually measured value of the operation data (second operation data) at a specific time point.
  • the optimization control is a method of repeatedly predicting the operating conditions of a plant device for optimizing KPIs such as nitrogen oxide concentration and controlling the operating conditions.
  • FIG. 2 is a diagram showing an example of a schematic configuration of the plant operation prediction device 2 according to the first embodiment.
  • the plant operation prediction device 2 includes a learning device 3 and a prediction device 4.
  • the learning device 3 and the prediction device 4 may be integrally configured as one device or may be configured separately.
  • the learning device 3 includes a microprocessor such as a CPU or MPU, a microcontroller such as an MCU, a memory such as a RAM (RandomAccessMemory) or a ROM (ReadOnlyMemory), an HDD (HardDiskDrive), an SSD (SolidStateDrive), or the like. Storage and input / output interface may be provided.
  • the learning device 3 is, for example, a computer.
  • the learning device 3 predicts the second driving data from the first driving data by machine learning using the first driving data and the second driving data at the time of soundness as learning data (learning model). ) Is constructed. That is, the learning device 3 constructs a prediction model by machine learning the relationship between the first operation data and the second operation data from the learning data. Therefore, this prediction model outputs the predicted value of the second operation data when the first operation data is input.
  • the first operation data is operation data different from the second operation data, and is operation data having a correlation or a causal relationship with the second operation data. For example, when the second operation data is the amount of nitrogen oxides (NOx) generated in the boiler provided in the plant 1, the first operation data is the process value of the boiler, for example. , Air flow rate, damper opening degree of the damper for adjusting the flow rate of air supplied into the boiler, and fuel flow rate.
  • NOx nitrogen oxides
  • the prediction model is a neural network to which dropout is applied.
  • Dropout is the case of machine learning using a neural network. In one update, some of the nodes in the layer are disabled and learned, and in the next update, another node is disabled. It is a learning method that repeats learning. That is, the dropout randomly invalidates the nodes in the layer each time it learns in the neural network.
  • the dropout rate P of this dropout and the number of times M of learning for one learning data are set in advance.
  • the neural network may be a Gaussian Process.
  • the constructed prediction model (learned model) may be stored in a storage unit provided in the learning device 3.
  • the prediction device 4 includes a microprocessor such as a CPU or MPU, a microcontroller such as an MCU, a memory such as a RAM (RandomAccessMemory) or a ROM (ReadOnlyMemory), an HDD (HardDiskDrive), an SSD (SolidStateDrive), or the like. Storage and input / output interface may be provided.
  • the prediction device 4 is, for example, a computer.
  • the prediction device 4 includes a prediction unit 5, a calculation unit 6, a determination unit 7, and an output unit 8.
  • the prediction unit 5 acquires the trained model from the learning device 3. Then, the prediction unit 5 predicts the second driving data from the first driving data, which is not the learning data, by the trained model. Specifically, the prediction unit 5 inputs the first operation data to the trained model and outputs the predicted value of the second operation data from the trained model.
  • This trained model is a trained model (neural network) to which the dropout is applied. That is, in the present embodiment, not only the dropout is used when constructing the trained model, but also the dropout is used for the trained model when predicting the second operation data by the trained model. Therefore, in the trained model to which the dropout is applied, the prediction unit 5 repeatedly learns the one first operation data M times at the drop rate P, and from the trained model by the learning M times. The average value of multiple output values is calculated as the predicted value.
  • the calculation unit 6 calculates the uncertainty EU of the predicted value predicted by the prediction unit 5 for each predicted value.
  • the calculation unit 6 may calculate the uncertainty EU of the predicted value at the same time as the predicted value is obtained by the prediction unit 5, or at a timing that can be equated with the same time.
  • the uncertainty EU is a variance value
  • the calculation unit 6 determines the prediction value obtained from the plurality of output values in the prediction unit 5, the plurality of output values, and the number of the plurality of output values (of M).
  • the variance value of the predicted value is obtained based on the value).
  • the determination unit 7 determines whether or not the uncertainty EU calculated by the calculation unit 6 is equal to or greater than the threshold value EU. Then, the determination unit 7 outputs the determination result to the output unit 8.
  • the output unit 8 outputs the predicted value predicted by the prediction unit 5. However, when the determination unit 7 determines that the uncertainty EU of the predicted value is equal to or greater than the threshold value EU, the output unit 8 stops the output of the predicted value. That is, the output unit 8 outputs the predicted value when the uncertainty EU of the predicted value is less than the threshold EU, and does not output the predicted value when the uncertainty EU of the predicted value is equal to or more than the threshold EU. .. Therefore, the predicted value in which the uncertainty EU is equal to or greater than the threshold value EU is not output from the output unit 8. In other words, the predicted value output from the output unit 8 is a predicted value in which the uncertainty EU is less than the threshold value EU. As a result, it is possible to improve the prediction accuracy in predicting the operating state of the plant 1.
  • FIG. 3 is a flow chart of processing of the learning device 3 according to the first embodiment.
  • the learning device 3 acquires a data set of the past first operation data and the second operation data at the time of soundness as learning data (step S101).
  • the learning device 3 may acquire learning data from an external device, although the learning data is not particularly limited as long as it can acquire the learning data.
  • the learning device 3 extracts the first operation data and the second operation data at the time of soundness from the operation data obtained from the plant 1, and the extracted learning data is used as the first operation data and the second operation data. It may be used as driving data.
  • the learning device 3 may receive data on the presence or absence of abnormality in the plant device from the plant 1, and may determine that the operation data when there is no abnormality in the plant device is the data at the time of soundness, or the above-mentioned soundness.
  • the operation data when it is determined to be sound may be determined to be the data at the time of sound, or the data at the time of sound may be identified from a plurality of operation data by using a known technique. ..
  • the learning device 3 learns the relationship between the first driving data and the second driving data from the acquired training data with a neural network (prediction model) for which dropout is effective, and thereby from the first driving data.
  • a prediction model for predicting the second operation data is constructed (step S102).
  • the learning device 3 learns the parameters (for example, weights) of the learning model by using, for example, an error backpropagation method so that the learning model predicts the second driving data from the first driving data.
  • the learning device 3 outputs the learned model, which is the constructed prediction model, to the prediction device 4 (step S103).
  • FIG. 4 is a flow chart of the prediction process of the prediction device 4 according to the first embodiment.
  • the prediction unit 5 acquires the trained model from the learning device 3.
  • the prediction unit 5 inputs the first operation data, which is not the training data, into the trained model (step S201).
  • the trained model has dropout enabled.
  • the first operation data used in the prediction phase is not training data but first operation data, for example, data when the soundness of the plant device is unknown.
  • the prediction unit 5 repeatedly learns one first operation data M times at a drop rate P, and is output from the trained model by the M times of learning.
  • the average value of the plurality of output values is obtained as a predicted value (step S202).
  • the calculation unit 6 calculates the uncertainty EU (for example, the variance value) of the predicted value obtained by the prediction unit 5 (step S203).
  • the determination unit 7 determines whether or not the uncertainty EU calculated by the calculation unit 6 is equal to or greater than the threshold value EU (step S204). Then, when the determination unit 7 determines that the uncertainty EU calculated by the calculation unit 6 is equal to or greater than the threshold value EU, the determination unit 7 outputs a first determination result indicating that fact to the output unit 8. On the other hand, when the determination unit 7 determines that the uncertainty EU calculated by the calculation unit 6 is less than the threshold value EU, the determination unit 7 outputs a second determination result indicating that fact to the output unit 8.
  • the output unit 8 determines that even if the prediction unit 5 predicts the second operation data from the first operation data, the uncertainty EU of the predicted second operation data is equal to or greater than the threshold EUth. Excludes the second operation data instead of using it as a predicted value, and sets the second operation data as a predicted value when the uncertainty EU of the second operation data is equal to or greater than the threshold EU. Then, the prediction device 4 returns to the process of step S201 and executes the prediction process shown in FIG. 4 using the new first motion data.
  • the prediction device 4 according to the first embodiment does not output the predicted value when the uncertainty EU of the predicted value is equal to or higher than the threshold value EU. Therefore, the prediction device 4 according to the first embodiment outputs only the predicted value in which the uncertainty EU of the predicted value is less than the threshold value EU, so that the prediction accuracy can be improved.
  • the prediction system B according to the second embodiment will be described below.
  • the prediction system B according to the second embodiment is different from the first embodiment in that it includes a setting device 100 for setting the threshold value EU.
  • the same or similar parts may be designated by the same reference numerals to omit duplicate explanations.
  • the prediction system B includes a plant 1 and a plant operation prediction device 2B.
  • FIG. 5 is a diagram showing an example of a schematic configuration of the plant operation prediction device 2B according to the second embodiment.
  • the plant operation prediction device 2B includes a learning device 3, a prediction device 4, and a setting device 100.
  • the setting device 100 acquires the trained model from the learning device 3. That is, the setting device 100 includes the same trained model as the trained model used in the prediction process of the prediction device 4.
  • the setting device 100 acquires the first test data.
  • the first test data is an actually measured value of operation data different from the training data, and is a data set of the past first operation data and the second operation data at the time of soundness.
  • the setting device 100 may acquire the first test data as long as it can acquire the first test data, and the acquisition method is not particularly limited.
  • the setting device 100 may acquire the first test data from an external device.
  • the setting device 100 inputs the first operation data of the first test data into the trained model in which the dropout is effectively set, and obtains the predicted value.
  • the method of obtaining the predicted value in the setting device 100 is the same as that of the prediction unit 5.
  • the setting device 100 calculates the uncertainty EU (for example, the variance value) of the obtained predicted value, and the uncertainty EU of the predicted value and the predicted value and the second operation data of the first test data (for example, Measured value) and associate with.
  • the setting device 100 has a predicted value obtained by inputting the first operation data of the first test data into the trained model and a second operation data (actual measurement value) of the first test data.
  • the absolute value N1 (
  • ) of the difference between the above and the absolute value N1 is obtained, and the absolute value N1 and the uncertainty EU of the predicted value are associated with each other and stored as the first related information. Therefore, the first relevant information is generated for each first test data.
  • the method of calculating the uncertainty EU in the setting device 100 is the same as that of the calculation unit 6.
  • the setting device 100 displays the first related information with the first axis (for example, the Y axis) as the absolute value N1 and the second axis (for example, the X axis) as the uncertainty EU.
  • Two-dimensional plot (not shown).
  • the display unit is provided in the setting device 100.
  • the user confirms the two-dimensional plot of the first related information displayed on the setting device 100, and for example, the data in the region H1 in which both the absolute value N1 and the uncertainty EU are large are excluded.
  • the uncertainty EU threshold EU may be specified by operating the operation unit (not shown) of the setting device 100.
  • the setting device 100 sets the uncertainty EU specified by the user by the operation unit to the threshold value EU and outputs the uncertainty EU to the prediction device 4.
  • ) may be obtained, and the absolute value N2 may be associated with the uncertainty EU of the predicted value and stored as the second related information. Then, as shown in FIGS. 7A and 7B, the setting device 100 compares the first related information (FIG. 7A) and the second related information (FIG. 7B) on the two-dimensional plot, and makes a second. When the first related information exists in the region H2 in which the related information does not exist, the threshold value of the uncertainty EU that excludes at least the second related information in the region H2 may be set to the threshold value EUth. ..
  • the prediction device 4 may execute a verification process for verifying the threshold value EU set by the setting device 100 by using the second test data different from the first test data.
  • the second test data is an actually measured value of operation data different from the first test data and the training data, and is a data set of the past first operation data and the second operation data at the time of soundness.
  • the prediction device 4 may acquire the second test data from an external device, although the acquisition method is not particularly limited as long as the second test data can be acquired.
  • the prediction device 4 executes the same processing as the prediction processing using the first operation data of the second test data as the verification processing, and the predicted value output from the output unit 8 and the second test data second. Find the error from the operation data of 2. Then, as a verification process, the prediction device 4 outputs an error when the error is equal to or greater than a predetermined value.
  • the verification process may be executed by the setting device 100. In that case, the setting device 100 has the functions of the determination unit 7 and the output unit 8. Further, the learning device 3 may be configured to include the setting device 100.
  • the prediction device 4 according to the second embodiment is the same as the prediction device 4 according to the first embodiment, and when the uncertainty EU of the prediction value is equal to or more than the threshold value EU, the prediction value is set. Do not output. Therefore, the prediction device 4 according to the second embodiment outputs only the prediction value in which the uncertainty EU of the prediction value is less than the threshold value EU, so that the prediction accuracy can be improved.
  • the prediction unit 5 of the above embodiment predicted the second operation data from the first operation data using the trained model, but the present invention is not limited to this.
  • the prediction unit 5 may predict the second operation data from the first operation data, and may calculate the predicted value by using a known method.
  • the output unit 8 of the above embodiment does not output the predicted value when the uncertainty EU of the predicted value is equal to or higher than the threshold EU, but the predicted value obtained by inputting new first motion data. If the uncertainty EU is less than the threshold EU, the predicted value is output.
  • the present invention is not limited to this, and if the uncertainty EU of the predicted value becomes equal to or higher than the threshold value EU even once, the output unit 8 does not output the predicted value, and the second after that. All predictions of motion data may be stopped.
  • the prediction device 4 stops the output of the predicted value when it is determined that the uncertainty EU of the predicted value is equal to or higher than the threshold value EU.
  • the prediction device 4 outputs only the predicted value in which the uncertainty EU is less than the threshold value EU, so that the prediction accuracy can be improved.
  • the present inventors have conceived to predict the operating state of plant 1 by using machine learning.
  • the prediction accuracy for the driving state which is not so much in the trained data, is low, but it is difficult to distinguish between them by the conventional method. Is. Therefore, the prediction accuracy is lowered.
  • the prediction unit 5 calculates the uncertainty EU of the predicted value by using the dropout technique, and limits the output of the predicted value whose uncertainty EU is equal to or higher than the threshold value EU. This makes it possible to exclude predicted values with low prediction accuracy, which contributes to improvement of prediction accuracy.
  • the learning device 3 or the prediction device 4 described above may be realized by a computer.
  • the computer may include a processor such as a CPU and GPU and a computer-readable recording medium.
  • a program for realizing all or a part of the functions of the learning device 3 or the prediction device 4 on the computer is recorded on the computer-readable recording medium, and the program recorded on the recording medium is recorded on the processor. It may be realized by loading and executing.
  • the "computer-readable recording medium” refers to a portable medium such as a flexible disk, a magneto-optical disk, a ROM, or a CD-ROM, or a storage device such as a hard disk built in a computer system.
  • a "computer-readable recording medium” is a communication line for transmitting a program via a network such as the Internet or a communication line such as a telephone line, and dynamically holds the program for a short period of time.
  • a program may be held for a certain period of time, such as a volatile memory inside a computer system serving as a server or a client.
  • the above program may be for realizing a part of the above-mentioned functions, and may be further realized for realizing the above-mentioned functions in combination with a program already recorded in the computer system. It may be realized by using a programmable logic device such as FPGA.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

このプラント運転予測装置（２）は、プラントの第１の運転データから前記プラントの第２の運転データを予測する予測部（５）と、前記予測部が予測した前記第２の運転データの予測値を出力する出力部（８）と、前記予測値の不確かさを算出する算出部（６）と、前記不確かさが閾値以上か否かを判定する判定部（７）と、を備え、前記出力部は、前記判定部により前記予測値の前記不確かさが前記閾値以上であると判定された場合には、当該予測値の出力部の出力を停止する。

Description

プラント運転予測装置
　本開示は、プラント運転予測装置に関する。
　本願は、２０１９年１１月１２日に日本に出願された特願２０１９－２０４５３０号に基づき優先権を主張し、その内容をここに援用する。
　下記特許文献１には、化学プラントや発電プラント等のプラントの運転データを予測する予測モデルが開示されている。
日本国特開２０１９－２１０３２号公報
　ところで、上記予測モデルから出力される予測値は、不確かさを有している。ただし、上記特許文献１では、上記不確かさについて何ら考慮されておらず、予測精度を向上させる上で改善の余地がある。
　本開示は、このような事情に鑑みてなされたもので、その目的は、プラントの運転状態を予測するにあたって、予測精度を向上させるプラント運転予測装置を提供することである。
本開示の第１の態様に係るプラント運転予測装置は、プラントの第１の運転データから前記プラントの第２の運転データを予測する予測部と、前記予測部が予測した前記第２の運転データの予測値を出力する出力部と、前記予測値の不確かさを算出する算出部と、前記不確かさが閾値以上か否かを判定する判定部と、を備え、前記出力部は、前記判定部により前記予測値の前記不確かさが前記閾値以上であると判定された場合には、当該予測値を出力しない。
本開示の第２の態様に係るプラント運転予測装置は、上記第１の態様において、前記第１の運転データ及び前記第２の運転データを学習データとして用いて機械学習することにより前記第２の運転データを予測する予測モデルを構築する学習装置をさらに備え、前記予測部は、前記学習装置により構築された前記予測モデルである学習済みモデルを用いて前記第１の運転データから前記第２の運転データを予測する。
本開示の第３の態様に係るプラント運転予測装置は、上記第２の態様において、前記学習済みモデルは、ドロップアウトが適用されているニューラルネットワークであり、前記予測部は、前記第１の運転データを前記ドロップアウトが適用されている前記ニューラルネットワークに入力することで前記予測値を求め、前記算出部は、前記不確かさを予測値ごとに算出する。
本開示の第４の態様に係るプラント運転予測装置は、上記第１の態様から上記第３の態様のいずれかにおいて、前記第１の運転データは、前記プラントで用いられているボイラのプロセス値であり、前記第２の運転データは、前記ボイラで発生する窒素酸化物の発生量である。
　以上説明したように、本開示によれば、プラントの運転状態を予測するにあたって、予測精度を向上させることができる。
第１の実施形態に係るプラント運転予測装置を備えた予測システムＡの概略構成の一例を示す図である。 第１の実施形態に係るプラント運転予測装置２の概略構成の一例を示す図である。 第１の実施形態に係る学習装置３の処理のフロー図である。 第１の実施形態に係る予測装置４の予測処理のフロー図である。 第２の実施形態に係るプラント運転予測装置２Ｂの概略構成の一例を示す図である。 第２の実施形態に係る閾値ＥＵｔｈの設定方法の第１の例を示す図である。 第２の実施形態に係る閾値ＥＵｔｈの設定方法の第２の例を示す図である。 第２の実施形態に係る閾値ＥＵｔｈの設定方法の第２の例を示す図である。
　以下、本実施形態に係るプラント運転予測装置を、図面を用いて説明する。
（第１の実施形態）
　図１は、第１の実施形態に係るプラント運転予測装置を備えた予測システムＡの概略構成の一例を示す図である。図１に示すように、予測システムＡは、プラント１及びプラント運転予測装置２を備える。
　プラント１は、化学プラント、発電プラント、熱処理プラント等の各種プラントである。プラント１は、例えば火力発電所に設けられた発電プラントであって、ボイラや、蒸気タービン、発電機等の設備（以下、「プラント装置」という。）を備える。プラント１は、プラント装置の運転データをプラント運転予測装置２に有線又は無線で送信する。
　ここで、運転データは、プラント１の運転状態を示すデータを有する。運転データは、プラント１の運転に必要なデータをさらに含んでもよい。例えば、運転データは、プラント１の各所に設置した各種センサなどから得られた測定データ（制御対象のプロセス値）である。例えば、制御対象のプロセス値は、燃料流量、給水流量、空気流量、蒸気圧力、蒸気圧力等である。また、運転データは、発電量や発電指令値ＭＷＤを含んでもよい。
　プラント運転予測装置２は、プラント１の第１の運転データからプラント１の第２の運転データを予測する情報処理装置である。このプラント運転予測装置２は、ＣＰＵ又はＭＰＵなどのマイクロプロセッサ、ＭＣＵなどのマイクロコントローラ、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）等のメモリ、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等のストレージ、入出力インターフェースを備えてもよい。プラント運転予測装置２は、例えば、コンピュータである。
　プラント運転予測装置２は、第１の運転データから第２の運転データを予測するとともに、その予測値の不確かさＥＵを評価する。そして、プラント運転予測装置２は、予測値の不確かさＥＵが予め設定された閾値ＥＵｔｈ以上になった場合には、当該予測値を除外する。これにより、プラント運転予測装置２は、不確かさＥＵが閾値ＥＵｔｈ以上の予測値を出力することがなく、予測精度の向上に寄与する。不確かさＥＵとは、いわゆるEpistemic Uncertaintyであって、本実施形態では予測値の信頼区間を表す分散値である。上記予測値は、プラント装置の健全性診断やプラント装置の運転の最適化制御等に用いられる。
　上記健全性診断では、例えば、特定時点における運転データ（第２の運転データ）の予測値と実測値とのずれからプラント装置の健全性が診断される。
　上記最適化制御とは、例えば、窒素酸化物濃度等のKPIを最適化するようなプラント装置の運転条件を繰返し予測して、当該運転条件を制御する方法である。
　以下に、第１の実施形態に係るプラント運転予測装置２の概略構成の一例について、図２を用いて説明する。図２は、第１の実施形態に係るプラント運転予測装置２の概略構成の一例を示す図である。
　図２に示すように、プラント運転予測装置２は、学習装置３及び予測装置４を備える。なお、学習装置３及び予測装置４は、一つの装置として一体で構成されてもよいし、別体で構成されてもよい。
　学習装置３は、ＣＰＵ又はＭＰＵなどのマイクロプロセッサ、ＭＣＵなどのマイクロコントローラ、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）等のメモリ、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等のストレージ、入出力インターフェースを備えてもよい。学習装置３は、例えば、コンピュータである。
　学習装置３は、健全時における第１の運転データ及び第２の運転データを学習データとして用いて機械学習することにより、第１の運転データから第２の運転データを予測する予測モデル（学習モデル）を構築する。すなわち、学習装置３は、学習データから第１の運転データと第２の運転データとの関係を機械学習することにより予測モデルを構築する。したがって、この予測モデルは、第１の運転データが入力されると第２の運転データの予測値を出力する。なお、第１の運転データは、第２の運転データと異なる運転データであって、第２の運転データと相関関係又は因果関係を持つ運転データである。例えば、第２の運転データがプラント１に設けられたボイラで発生する窒素酸化物（ＮＯｘ）の発生量である場合には、第１の運転データは、上記ボイラのプロセス値であって、例えば、空気流量、前記ボイラ内に供給される空気の流量を調整するダンパのダンパ開度、燃料流量である。
　ここで、予測モデルは、ドロップアウト（dropout）が適用されているニューラルネットワークである。ドロップアウトとは、ニューラルネットワークを用いて機械学習する場合に、ある更新において層の中のノードのうちのいくつかをノードを無効化して学習を行い、次の更新では別のノードを無効にして学習を行うことを繰り返す学習手法である。すなわち、ドロップアウトは、ニューラルネットワークにおいて、学習を行うごとに層の中のノードをランダムに無効化する。なお、このドロップアウトのドロップアウト率Ｐや１つの学習データに対する学習の回数Ｍは、予め設定されている。
　例えば、上記ニューラルネットワークは、Gaussian Processであってもよい。構築された予測モデル（学習済みモデル）は、学習装置３に設けられている格納部に格納されてもよい。
　予測装置４は、ＣＰＵ又はＭＰＵなどのマイクロプロセッサ、ＭＣＵなどのマイクロコントローラ、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）等のメモリ、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等のストレージ、入出力インターフェースを備えてもよい。予測装置４は、例えば、コンピュータである。
　予測装置４は、予測部５、算出部６、判定部７及び出力部８を備える。
　予測部５は、学習装置３から学習済みモデルを取得する。そして、予測部５は、学習データではない第１の運転データから学習済みモデルにより第２の運転データを予測する。具体的には、予測部５は、第１の運転データを学習済みモデルに入力して当該学習済みモデルから第２の運転データの予測値を出力する。なお、この学習済みモデルは、ドロップアウトが適用されている学習済みモデル（ニューラルネットワーク）である。すなわち、本実施形態では、学習済みモデルを構築する際にドロップアウトを用いるだけでなく、第２の運転データを学習済みモデルで予測する際にも当該学習済みモデルにドロップアウトを用いる。したがって、予測部５は、ドロップアウトが適用された学習済みモデルにおいて、一つの第１の運転データに対してドロップ率ＰでＭ回繰り返し学習を行い、そのＭ回の学習により当該学習済みモデルから出力された複数の出力値の平均値を予測値として求める。
　算出部６は、予測部５が予測した予測値の不確かさＥＵを予測値ごとに算出する。ここで、算出部６は、予測部５で予測値が求められると同時、又は同時と同視し得るタイミングで当該予測値の不確かさＥＵを算出してもよい。
　例えば、不確かさＥＵが分散値である場合には、算出部６は、予測部５において複数の出力値から得られた予測値、当該複数の出力値及び当該複数の出力値の数（Ｍの値）に基づいて当該予測値の分散値を求める。
　判定部７は、算出部６が算出した不確かさＥＵが閾値ＥＵｔｈ以上か否かを判定する。そして、判定部７は、その判定結果を出力部８に出力する。
　出力部８は、予測部５が予測した予測値を出力する。ただし、出力部８は、判定部７により予測値の不確かさＥＵが閾値ＥＵｔｈ以上であると判定された場合には、その予測値の出力を停止する。すなわち、出力部８は、予測値の不確かさＥＵが閾値ＥＵｔｈ未満である場合には当該予測値を出力し、予測値の不確かさＥＵが閾値ＥＵｔｈ以上である場合には当該予測値を出力しない。したがって、不確かさＥＵが閾値ＥＵｔｈ以上である予測値は、出力部８から出力されない。換言すれば、出力部８から出力される予測値は、すべで不確かさＥＵが閾値ＥＵｔｈ未満の予測値となる。その結果、プラント１の運転状態を予測するにあたって、予測精度を向上させることができる。
　以下に、第１の実施形態に係るプラント運転予測装置２の処理の流れについて説明する。まず、第１の実施形態に係る学習装置３の学習処理（学習フェーズの処理）の流れについて、図３を用いて説明する。図３は、第１の実施形態に係る学習装置３の処理のフロー図である。
　学習装置３は、健全時における過去の第１の運転データ及び第２の運転データのデータセットを学習データとして取得する（ステップＳ１０１）。なお、学習装置３は、学習データを取得できればよく、その取得方法には特に限定されないが、例えば、外部装置から学習データを取得してもよい。また、学習装置３は、プラント１から得られた運転データから、健全時における第１の運転データ及び第２の運転データを抽出し、その抽出した学習データを第１の運転データ及び第２の運転データとしてもよい。例えば、学習装置３は、プラント装置の異常の有無のデータをプラント１から受信し、プラント装置の異常がないときの運転データを健全時のデータであると判定してもよいし、上記健全性診断の結果、健全であると判定されときの運転データを健全時のデータであると判定してもよいし、公知の技術を用いて複数の運転データから健全時のデータを識別してもよい。
　学習装置３は、取得した学習データから第１の運転データと第２の運転データとの関係を、ドロップアウトが有効であるニューラルネットワーク（予測モデル）で学習することにより、第１の運転データから第２の運転データを予測する予測モデルを構築する（ステップＳ１０２）。例えば、学習装置３は、学習モデルが第１の運転データから第２の運転データを予測するように、例えば誤差逆伝播法を用いて学習モデルのパラメータ（例えば、重み）を学習する。
　学習装置３は、構築した予測モデルである学習済みモデルを予測装置４に出力する（ステップＳ１０３）。
　次に、第１の実施形態に係る予測装置４の予測フェーズでの処理（予測処理）について説明する。図４は、第１の実施形態に係る予測装置４の予測処理のフロー図である。
　予測部５は、学習装置３から学習済みモデルを取得する。予測部５は、その学習済みモデルに学習データではない第１の運転データを入力する（ステップＳ２０１）。ここで、学習済みモデルは、ドロップアウトが有効に設定されている。なお、予測フェーズで用いられる第１の運転データは、学習データではない第１の運転データであって、例えばプラント装置の健全性が不明であるときのデータである。
　予測部５は、ドロップアウトが適用された学習済みモデルにおいて、一つの第１の運転データに対してドロップ率ＰでＭ回繰り返し学習を行い、そのＭ回の学習により当該学習済みモデルから出力された複数の出力値の平均値を予測値として求める（ステップＳ２０２）。算出部６は、予測部５が求めた予測値の不確かさＥＵ（例えば、分散値）を算出する（ステップＳ２０３）。判定部７は、算出部６が算出した不確かさＥＵが閾値ＥＵｔｈ以上か否かを判定する（ステップＳ２０４）。そして、判定部７は、算出部６が算出した不確かさＥＵが閾値ＥＵｔｈ以上であると判定した場合には、その旨を示す第１の判定結果を出力部８に出力する。一方、判定部７は、算出部６が算出した不確かさＥＵが閾値ＥＵｔｈ未満であると判定した場合には、その旨を示す第２の判定結果を出力部８に出力する。
　出力部８は、判定部７から第１の判定結果を取得した場合には、予測部５が予測した予測値を出力しない（ステップＳ２０５）。一方、出力部８は、判定部７から第２の判定結果を取得した場合には、予測部５が予測した予測値を出力する（ステップＳ２０６）。換言すれば、出力部８は、予測部５が第１の運転データから第２の運転データを予測したとしても、その予測した第２の運転データの不確かさＥＵが閾値ＥＵｔｈ以上である場合には当該第２の運転データを予測値とはせず除外して、第２の運転データの不確かさＥＵが閾値ＥＵｔｈ以上である場合には当該第２の運転データを予測値とする。
　そして、予測装置４は、ステップＳ２０１の処理に戻り、新たな第１の運動データを用いて図４に示す予測処理を実行する。
　このように、第１の実施形態に係る予測装置４は、予測値の不確かさＥＵが閾値ＥＵｔｈ以上である場合には予測値を出力しない。したがって、第１の実施形態に係る予測装置４は、予測値の不確かさＥＵが閾値ＥＵｔｈ未満の予測値だけ出力するため、予測精度を向上させることができる。
（第２の実施形態）
　以下に、第２の実施形態に係る予測システムＢについて説明する。第２の実施形態に係る予測システムＢは、第１の実施形態と比較して、閾値ＥＵｔｈを設定する設定装置１００を備える点で相違する。なお、図面において同一又は類似の部分には同一の符号を付して、重複する説明を省く場合がある。
　予測システムＢは、プラント１及びプラント運転予測装置２Ｂを備える。
　図５は、第２の実施形態に係るプラント運転予測装置２Ｂの概略構成の一例を示す図である。
　図５に示すように、プラント運転予測装置２Ｂは、学習装置３、予測装置４及び設定装置１００を備える。
　設定装置１００は、学習装置３から学習済みモデルを取得する。すなわち、設定装置１００は、予測装置４の予測処理で用いられる学習済みモデルと同一の学習済みモデルを備える。
　設定装置１００は、第１のテストデータを取得する。第１のテストデータは、学習データとは異なる運転データの実測値であって、健全時における過去の第１の運転データ及び第２の運転データのデータセットである。なお、設定装置１００は、第１のテストデータを取得できればよく、その取得方法には特に限定されないが、例えば、外部装置から第１のテストデータを取得してもよい。
　設定装置１００は、第１のテストデータの第１の運転データを、ドロップアウトが有効に設定されている学習済みモデルに入力して予測値を求める。設定装置１００における予測値の求め方は、予測部５と同様である。さらに、設定装置１００は、求めた予測値の不確かさＥＵ（例えば、分散値）を算出して、当該予測値と当該予測値の不確かさＥＵと第１のテストデータの第２の運転データ（実測値）とを関連付ける。例えば、設定装置１００は、第１のテストデータの第１の運転データを学習済みモデルに入力することで得られた予測値と、当該第１のテストデータの第２の運転データ（実測値）との差の絶対値Ｎ１（＝｜予測値－実測値｜）を求め、その絶対値Ｎ１と当該予測値の不確かさＥＵとを関連付けて第１の関連情報として記憶する。したがって、第１の関連情報は、第１のテストデータごとに生成される。なお、設定装置１００における不確かさＥＵの算出方法は、算出部６と同様である。
　設定装置１００は、図６に示すように、第１の軸（例えば、Ｙ軸）が絶対値Ｎ１、第２の軸（例えば、Ｘ軸）が不確かさＥＵとして第１の関連情報を表示部（不図示）に二次元プロットする。上記表示部は設定装置１００に設けられている。
　そして、ユーザは、この設定装置１００に表示された第１の関連情報の二次元プロットを確認して、例えば、絶対値Ｎ１及び不確かさＥＵがともに大きい領域Ｈ１内のデータが除外されるような不確かさＥＵの閾値ＥＵｔｈを、設定装置１００の操作部（不図示）を操作することで指定してもよい。
　設定装置１００は、上記操作部によりユーザから指定された不確かさＥＵを閾値ＥＵｔｈに設定して予測装置４に出力する。
　ここで、設定装置１００は、学習装置３から学習データを取得してもよい。そして、設定装置１００は、学習データの第１の運転データを学習済みモデルに入力することで得られた予測値と、当該学習データの第２の運転データ（実測値）との差の絶対値Ｎ２（＝｜予測値－実測値｜）を求め、その絶対値Ｎ２と当該予測値の不確かさＥＵとを関連付けて第２の関連情報として記憶してもよい。
　そして、設定装置１００は、図７Ａ、図７Ｂに示すように、二次元プロット上において、第１の関連情報（図７Ａ）と第２の関連情報（図７Ｂ）とを比較して、第２の関連情報が存在しない領域Ｈ２に第１の関連情報が存在する場合には、少なくとも領域Ｈ２内の第２の関連情報を除外するような不確かさＥＵの閾値を閾値ＥＵｔｈに設定してもよい。
　なお、予測装置４は、第１のテストデータとは異なる第２のテストデータを用いて、設定装置１００で設定された閾値ＥＵｔｈを検証する検証処理を実行してもよい。第２のテストデータは、第１のテストデータ及び学習データとはそれぞれ異なる運転データの実測値であって、健全時における過去の第１の運転データ及び第２の運転データのデータセットである。なお、予測装置４は、第２のテストデータを取得できればよく、その取得方法には特に限定されないが、例えば、外部装置から第２のテストデータを取得してもよい。
　予測装置４は、検証処理として、第２のテストデータの第１の運転データを用いて予測処理と同様の処理を実行し、出力部８から出力された予測値と第２のテストデータの第２の運転データとの誤差を求める。そして、予測装置４は、検証処理として、その誤差が所定の値以上である場合には、エラー出力する。
　なお、この検証処理は、設定装置１００が実行してもよい。その場合には、設定装置１００は、判定部７及び出力部８の機能を有している。
　また、学習装置３は、設定装置１００を備えて構成されてもよい。
　このように、第２の実施形態に係る予測装置４は、第１の実施形態に係る予測装置４と同様であって、予測値の不確かさＥＵが閾値ＥＵｔｈ以上である場合には予測値を出力しない。したがって、第２の実施形態に係る予測装置４は、予測値の不確かさＥＵが閾値ＥＵｔｈ未満の予測値だけ出力するため、予測精度を向上させることができる。
　以上、この開示の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この開示の要旨を逸脱しない範囲の設計等も含まれる。
　上記実施形態の予測部５は、学習済みモデルを用いて第１の運転データから第２の運転データを予測したが、これに限定されない。予測部５は、第１の運転データから第２の運転データを予測すればよく、公知の方法を用いて予測値を算出してもよい。
　上記実施形態の出力部８は、予測値の不確かさＥＵが閾値ＥＵｔｈ以上である場合には当該予測値を出力しないが、新たな第１の運動データが入力されることで得られた予測値の不確かさＥＵが閾値ＥＵｔｈ未満である場合には当該予測値を出力する。ただし、これに限定されず、出力部８は、一度でも、予測値の不確かさＥＵが閾値ＥＵｔｈ以上になった場合には、当該予億値の出力を行わず、且つ、それ以後の第２の運動データの予測をすべて停止させてよい。
　以上、説明したように、本実施形態に係る予測装置４は、予測値の不確かさＥＵが閾値ＥＵｔｈ以上であると判定した場合には、当該予測値の出力を停止する。
　このような構成によれば、予測装置４は、不確かさＥＵが閾値ＥＵｔｈ未満の予測値のみを出力するため、予測精度を向上させることができる。
　また、本発明者らは、機械学習を用いてプラント１の運転状態を予測することを着想した。ただし、学習済みモデルを用いて第１の運転データから第２の運転データを単に予測した場合では、学習データにあまりないような運転状態に対する予測精度は低くなるが従来の方法ではその区別が困難である。よって、予測精度が低下する。
　本実施形態では、予測部５は、ドロップアウト技術を用いて予測値の不確かさＥＵを算出し、その不確かさＥＵが閾値ＥＵｔｈ以上である予測値の出力を制限する。これにより、予測精度が低い予測値を除外することが可能となり、予測精度の向上に寄与する。
　なお、上述した学習装置３又は予測装置４の全部または一部をコンピュータで実現するようにしてもよい。この場合、上記コンピュータは、ＣＰＵ、ＧＰＵなどのプロセッサ及びコンピュータ読み取り可能な記録媒体を備えてもよい。そして、上記学習装置３又は予測装置４の全部または一部の機能をコンピュータで実現するためのプログラムを上記コンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムを上記プロセッサに読み込ませ、実行することによって実現してもよい。ここで、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよく、ＦＰＧＡ等のプログラマブルロジックデバイスを用いて実現されるものであってもよい。
　本開示のプラント運転予測装置を当該分野に適用することにより、プラントの運転状態を予測するにあたって、予測精度を向上させることができる。
２　プラント運転予測装置
３　学習装置
４　予測装置
５　予測部
６　算出部
７　判定部
８　出力部

Claims (4)

  1. 　プラントの第１の運転データから前記プラントの第２の運転データを予測する予測部と、
    　前記予測部が予測した前記第２の運転データの予測値を出力する出力部と、
    　前記予測値の不確かさを算出する算出部と、
    　前記不確かさが閾値以上か否かを判定する判定部と、
    　を備え、
    　前記出力部は、前記判定部により前記予測値の前記不確かさが前記閾値以上であると判定された場合には、当該予測値を出力しない、プラント運転予測装置。
  2. 　前記第１の運転データ及び前記第２の運転データを学習データとして用いて機械学習することにより前記第２の運転データを予測する予測モデルを構築する学習装置をさらに備え、
    　前記予測部は、前記学習装置により構築された前記予測モデルである学習済みモデルを用いて前記第１の運転データから前記第２の運転データを予測する、請求項１に記載のプラント運転予測装置。
  3. 　前記学習済みモデルは、ドロップアウトが適用されているニューラルネットワークであり、
    　前記予測部は、前記第１の運転データを前記ドロップアウトが適用されている前記ニューラルネットワークに入力することで前記予測値を求め、
    　前記算出部は、前記不確かさを予測値ごとに算出する、請求項２に記載のプラント運転予測装置。
  4. 　前記第１の運転データは、前記プラントで用いられているボイラのプロセス値であり、前記第２の運転データは、前記ボイラで発生する窒素酸化物の発生量である、請求項１から３のいずれか一項に記載のプラント運転予測装置。
PCT/JP2020/042329 2019-11-12 2020-11-12 プラント運転予測装置 WO2021095822A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019204530 2019-11-12
JP2019-204530 2019-11-12

Publications (1)

Publication Number Publication Date
WO2021095822A1 true WO2021095822A1 (ja) 2021-05-20

Family

ID=75912728

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/042329 WO2021095822A1 (ja) 2019-11-12 2020-11-12 プラント運転予測装置

Country Status (1)

Country Link
WO (1) WO2021095822A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015127914A (ja) * 2013-12-27 2015-07-09 三菱重工業株式会社 予測システム、監視システム、運転支援システム、ガスタービン設備及び予測方法
JP2018139050A (ja) * 2017-02-24 2018-09-06 株式会社神戸製鋼所 指標提示システム及び指標提示方法
JP2018151771A (ja) * 2017-03-10 2018-09-27 荏原環境プラント株式会社 プロセス管理支援装置および方法
JP2019105979A (ja) * 2017-12-12 2019-06-27 株式会社Ihi 予測システム、予測方法、および予測プログラム
JP2019191687A (ja) * 2018-04-19 2019-10-31 三菱重工業株式会社 プラントの制御装置、プラント、プラントの制御方法及びプラントの制御プログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015127914A (ja) * 2013-12-27 2015-07-09 三菱重工業株式会社 予測システム、監視システム、運転支援システム、ガスタービン設備及び予測方法
JP2018139050A (ja) * 2017-02-24 2018-09-06 株式会社神戸製鋼所 指標提示システム及び指標提示方法
JP2018151771A (ja) * 2017-03-10 2018-09-27 荏原環境プラント株式会社 プロセス管理支援装置および方法
JP2019105979A (ja) * 2017-12-12 2019-06-27 株式会社Ihi 予測システム、予測方法、および予測プログラム
JP2019191687A (ja) * 2018-04-19 2019-10-31 三菱重工業株式会社 プラントの制御装置、プラント、プラントの制御方法及びプラントの制御プログラム

Similar Documents

Publication Publication Date Title
US11733662B2 (en) Heuristic method of automated and learning control, and building automation systems thereof
US11836599B2 (en) Optimizing data center controls using neural networks
US11809164B2 (en) Integrating machine learning into control systems for industrial facilities
CN110235148B (zh) 训练动作选择神经网络
Memarzadeh et al. Integrated inspection scheduling and maintenance planning for infrastructure systems
JP2021185492A (ja) 補助タスクを伴う強化学習
US20210201156A1 (en) Sample-efficient reinforcement learning
Wu et al. Condition‐based maintenance optimization using neural network‐based health condition prediction
US10331510B2 (en) Simulation based fault diagnosis using extended heat flow models
JP6985833B2 (ja) データ処理装置、制御システム、データ処理方法及びプログラム
JP2016177682A (ja) 設備評価装置、設備評価方法、コンピュータプログラム
JP2018537773A (ja) デュエリングディープニューラルネットワーク
JP6718500B2 (ja) 生産システムにおける出力効率の最適化
Losi et al. Anomaly detection in gas turbine time series by means of Bayesian hierarchical models
US12110867B2 (en) Wind turbine control based on reinforcement learning
AU2023203955B2 (en) Learning device and boiler control system
JP6086875B2 (ja) 発電量予測装置および発電量予測方法
WO2021095822A1 (ja) プラント運転予測装置
Krishnasamy et al. A Refined Teaching‐Learning Based Optimization Algorithm for Dynamic Economic Dispatch of Integrated Multiple Fuel and Wind Power Plants
Bencomo et al. Bayesian artificial intelligence for tackling uncertainty in self-adaptive systems: The case of dynamic decision networks
US20210248442A1 (en) Computing device and method using a neural network to predict values of an input variable of a software
JP2020181318A (ja) 最適化装置、最適化方法、及びプログラム
Chen et al. Evaluating the Reliability of Machine-Learning-based Predictions used in Nuclear Power Plant Instrumentation and Control Systems
Al-Saati et al. Selecting best software reliability growth models: a social spider algorithm based approach
JP7395076B2 (ja) 機器制御装置及び機器制御方法

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: 20886904

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: 20886904

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP