WO2023210632A1 - 生成装置 - Google Patents

生成装置 Download PDF

Info

Publication number
WO2023210632A1
WO2023210632A1 PCT/JP2023/016262 JP2023016262W WO2023210632A1 WO 2023210632 A1 WO2023210632 A1 WO 2023210632A1 JP 2023016262 W JP2023016262 W JP 2023016262W WO 2023210632 A1 WO2023210632 A1 WO 2023210632A1
Authority
WO
WIPO (PCT)
Prior art keywords
variable
unit
target product
parts
mechanical device
Prior art date
Application number
PCT/JP2023/016262
Other languages
English (en)
French (fr)
Inventor
裕 安田
優棋 薮花
Original Assignee
日本特殊陶業株式会社
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 日本特殊陶業株式会社 filed Critical 日本特殊陶業株式会社
Publication of WO2023210632A1 publication Critical patent/WO2023210632A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D3/00—Distillation or related exchange processes in which liquids are contacted with gaseous media, e.g. stripping
    • B01D3/42—Regulation; Control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J19/24—Stationary reactors without moving elements inside
    • C—CHEMISTRY; METALLURGY
    • C07—ORGANIC CHEMISTRY
    • C07C—ACYCLIC OR CARBOCYCLIC COMPOUNDS
    • C07C1/00—Preparation of hydrocarbons from one or more compounds, none of them being a hydrocarbon
    • C07C1/02—Preparation of hydrocarbons from one or more compounds, none of them being a hydrocarbon from oxides of a carbon
    • C07C1/04—Preparation of hydrocarbons from one or more compounds, none of them being a hydrocarbon from oxides of a carbon from carbon monoxide with hydrogen
    • C—CHEMISTRY; METALLURGY
    • C07—ORGANIC CHEMISTRY
    • C07C—ACYCLIC OR CARBOCYCLIC COMPOUNDS
    • C07C1/00—Preparation of hydrocarbons from one or more compounds, none of them being a hydrocarbon
    • C07C1/02—Preparation of hydrocarbons from one or more compounds, none of them being a hydrocarbon from oxides of a carbon
    • C07C1/12—Preparation of hydrocarbons from one or more compounds, none of them being a hydrocarbon from oxides of a carbon from carbon dioxide with hydrogen
    • C—CHEMISTRY; METALLURGY
    • C07—ORGANIC CHEMISTRY
    • C07C—ACYCLIC OR CARBOCYCLIC COMPOUNDS
    • C07C29/00—Preparation of compounds having hydroxy or O-metal groups bound to a carbon atom not belonging to a six-membered aromatic ring
    • C07C29/15—Preparation of compounds having hydroxy or O-metal groups bound to a carbon atom not belonging to a six-membered aromatic ring by reduction of oxides of carbon exclusively
    • C07C29/151—Preparation of compounds having hydroxy or O-metal groups bound to a carbon atom not belonging to a six-membered aromatic ring by reduction of oxides of carbon exclusively with hydrogen or hydrogen-containing gases
    • C07C29/152—Preparation of compounds having hydroxy or O-metal groups bound to a carbon atom not belonging to a six-membered aromatic ring by reduction of oxides of carbon exclusively with hydrogen or hydrogen-containing gases characterised by the reactor used
    • C—CHEMISTRY; METALLURGY
    • C07—ORGANIC CHEMISTRY
    • C07C—ACYCLIC OR CARBOCYCLIC COMPOUNDS
    • C07C31/00—Saturated compounds having hydroxy or O-metal groups bound to acyclic carbon atoms
    • C07C31/02—Monohydroxylic acyclic alcohols
    • C07C31/04—Methanol
    • C—CHEMISTRY; METALLURGY
    • C07—ORGANIC CHEMISTRY
    • C07C—ACYCLIC OR CARBOCYCLIC COMPOUNDS
    • C07C41/00—Preparation of ethers; Preparation of compounds having groups, groups or groups
    • C07C41/01—Preparation of ethers
    • C07C41/05—Preparation of ethers by addition of compounds to unsaturated compounds
    • C—CHEMISTRY; METALLURGY
    • C07—ORGANIC CHEMISTRY
    • C07C—ACYCLIC OR CARBOCYCLIC COMPOUNDS
    • C07C43/00—Ethers; Compounds having groups, groups or groups
    • C07C43/02—Ethers
    • C07C43/03—Ethers having all ether-oxygen atoms bound to acyclic carbon atoms
    • C07C43/04—Saturated ethers
    • C—CHEMISTRY; METALLURGY
    • C07—ORGANIC CHEMISTRY
    • C07C—ACYCLIC OR CARBOCYCLIC COMPOUNDS
    • C07C9/00—Aliphatic saturated hydrocarbons
    • C07C9/02—Aliphatic saturated hydrocarbons with one to four carbon atoms
    • C07C9/04—Methane
    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10L—FUELS NOT OTHERWISE PROVIDED FOR; NATURAL GAS; SYNTHETIC NATURAL GAS OBTAINED BY PROCESSES NOT COVERED BY SUBCLASSES C10G, C10K; LIQUEFIED PETROLEUM GAS; ADDING MATERIALS TO FUELS OR FIRES TO REDUCE SMOKE OR UNDESIRABLE DEPOSITS OR TO FACILITATE SOOT REMOVAL; FIRELIGHTERS
    • C10L3/00—Gaseous fuels; Natural gas; Synthetic natural gas obtained by processes not covered by subclass C10G, C10K; Liquefied petroleum gas
    • C10L3/06—Natural gas; Synthetic natural gas obtained by processes not covered by C10G, C10K3/02 or C10K3/04
    • C10L3/08—Production of synthetic natural gas
    • 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 invention relates to a production device that obtains a target product by chemical reaction or purification.
  • Patent Document 1 describes a generation device that produces a fuel using hydrogen and carbon dioxide separated and recovered from exhaust gas, as a generation device that obtains a target product from at least one liquid or gaseous raw material through a chemical reaction or purification. The technology has been disclosed.
  • the problem with the prior art is that the state of the generating device cannot be monitored immediately.
  • the present invention was made to solve this problem, and aims to provide a generation device that can immediately monitor the status.
  • the generation device of the present invention obtains a target product from at least one of liquid and gaseous raw materials by chemical reaction or purification, and the first variable input to the generation device; a second variable including at least one state variable regarding the intermediate and the target product produced in the process of obtaining the target product from the raw materials; and an estimation unit that estimates the state of the generation device based on the second variable.
  • variable acquisition unit collects the first variable input to the production device and the first variable that includes at least one state variable related to the intermediate and the target product produced in the process of obtaining the target product from the raw materials.
  • the second variable is acquired, and the estimation unit estimates the state of the generation device based on the first variable and second variable acquired by the variable acquisition unit. Therefore, the status can be monitored immediately.
  • the estimating section includes a life estimating section that estimates the life of the parts that constitute the generation device.
  • Parts to be replaced such as consumable parts, can be prepared according to the estimated lifespan of the parts.
  • the second variable is the load rate of the compressor that compresses the gas, the concentration of the intermediate, the amount of the intermediate produced, the concentration of the target product, and the production of the target product. and at least one specific variable of amount of water produced in the process of obtaining the desired product.
  • the life estimation unit estimates the life of the component based on the first variable and the specific variable. This improves the accuracy of estimating the lifespan of parts.
  • the life estimating unit includes a trained neural network that has been subjected to machine learning that associates the specific variable with the life of the component. It is possible to optimize the timing of parts replacement and improve the operating rate of the generator.
  • the ordering unit orders a component whose lifespan is coming to an end based on the output of the lifespan estimating unit. Therefore, parts to be replaced such as consumable parts can be easily managed.
  • the changing unit changes the first variable input to the generation device based on the output of the estimating unit. Therefore, the operating rate of the generation device can be improved while increasing the life of the parts.
  • FIG. 2 is a block diagram of a generation device in one embodiment.
  • FIG. 3 is a perspective view of the mechanical device.
  • FIG. 2 is a block diagram of a mechanical device.
  • FIG. 2 is a block diagram of a monitoring device.
  • FIG. 2 is a block diagram of a generation device.
  • FIG. 3 is a diagram showing an example of information stored in a storage device.
  • FIG. 2 is a diagram schematically showing a neuron model.
  • FIG. 1 is a diagram schematically showing a neural network configured by combining neurons.
  • (a) is a diagram schematically showing the correlation between parts replacement intervals and the operating rate of mechanical equipment, and
  • (b) is a diagram schematically showing the correlation between heater replacement intervals and heater watt density.
  • FIG. 3(e) is a diagram schematically showing the correlation between the interval between parts replacement and the amount of water generated in the process of obtaining the target object.
  • (a) and (b) are schematic diagrams in which the relationship between the operating rate of a mechanical device and the target gas partial pressure is converted into a reward. It is a flowchart which shows an example of operation of a monitoring device. It is a figure which shows an example of an action value table.
  • FIG. 1 is a block diagram of a mechanical device 11 in one embodiment.
  • the mechanical device 11 includes a mechanical device 11 that obtains a target product from raw materials through chemical reaction or purification, and a monitoring device 12 that monitors the mechanical device 11.
  • the mechanical device 11 and the monitoring device 12 are interconnected via a network 13. Examples of the network 13 include a mobile phone network, wireless LAN, wired LAN, fixed telephone network, Internet, intranet, and Ethernet (registered trademark).
  • the monitoring device 12 is independent from the mechanical device 11 in FIG. 1, the monitoring device 12 or a part thereof may be included in the mechanical device 11.
  • the monitoring device 12 is illustrated as one device in FIG. 1, the monitoring device 12 may be composed of multiple devices that operate in cooperation with each other. In this case as well, the monitoring device 12 or a part thereof may be included in the mechanical device 11.
  • the mechanical device 11 may be remotely monitored using a monitoring device 12 located remotely from the mechanical device 11.
  • FIG. 2 is a perspective view of the mechanical device 11.
  • the mechanical device 11 includes a shipping container 15 and a plurality of functional units 21 housed in the shipping container 15. In this embodiment, four functional units 21 are arranged in the shipping container 15.
  • the shipping container 15 is a large rectangular parallelepiped container mainly made of steel, used for cargo transportation. Since the functional unit 21 is housed in the transport container 15, the mechanical device 11 can be assembled at a factory, transported to the site as it is, and installed at the site. Therefore, large-scale construction work for on-site installation can be eliminated. Further, by stacking the mechanical devices 11 or arranging them side by side, the capacity of the equipment can be easily increased.
  • the shipping container 15 includes a base 16 that is rectangular in plan view, a rear wall 17 provided on the long sides of the base 16, two side walls 18 provided on the short sides of the base 16, and a rear wall 17 and a side wall 18.
  • a roof 19 that connects the two, and a double-sided front door 20 provided on the long side of the base 16 facing the rear wall 17.
  • a part of the front door 20 is omitted from illustration.
  • the mechanical device 11 is operated with the front door 20 closed.
  • the rear wall 17 and the side walls 18 are comprised of double doors. However, it is of course possible to make the rear wall 17 and the side walls 18 into plates that cannot be opened and closed.
  • the functional unit 21 is a unit of equipment that plays a specific role.
  • the mechanical device 11 generates a target object from raw materials by combining a plurality of functional units 21.
  • the plurality of functional units 21 are laterally aligned in a row from one side wall 18 of the shipping container 15 to the other side wall 18 .
  • the functional units 21 are vertically long rectangular parallelepipeds of approximately the same size.
  • the functional unit 21 includes a power supply unit 22, an electrolysis unit 23, a recovery unit 24, and a generation unit 25.
  • FIG. 3 is a block diagram of the mechanical device 11.
  • a mechanical device 11 that collects carbon dioxide contained in exhaust gas generated by the exhaust gas source 26, reuses the carbon dioxide as a carbon compound, and obtains a target object.
  • the exhaust gas source 26 is not particularly limited as long as it generates exhaust gas containing carbon dioxide. Examples of the exhaust gas source 26 include a power plant, a factory, a waste treatment facility, a natural gas field, and an oil field.
  • a power supply unit 22 included in the mechanical device 11 distributes power to each device.
  • the electrolysis unit 23 includes an electrolysis device that produces hydrogen and oxygen by electrolyzing water.
  • the recovery unit 24 includes a removal device that removes moisture from the exhaust gas, a separation device that separates nitrogen oxides contained in the exhaust gas, a recovery device that separates carbon dioxide contained in the exhaust gas and concentrates the carbon dioxide, and a recovery device that compresses the gas. It includes a compressor that increases its pressure.
  • the generation unit 25 includes a generation device that reduces carbon dioxide with hydrogen to generate a target product. Examples of combustible products generated by the mechanical device 11 include methane, carbon monoxide, methanol, and formaldehyde.
  • Examples of methods for removing moisture (water vapor) from exhaust gas in the removal device of the recovery unit 24 include condensation, physical adsorption, and chemical reaction.
  • the methods for removing nitrogen oxides from exhaust gas in a separation device generally include a wet method using caustic soda or the like, and a dry method using a denitrification catalyst and a reducing agent to reduce nitrogen oxides and nitrogen. If the removal device removes moisture from the exhaust gas or nitrogen oxides from the exhaust gas, the carbon dioxide concentration efficiency of the recovery device can be ensured.
  • the first mixed gas containing carbon dioxide separated and recovered from the exhaust gas in the recovery device is supplied to the generation unit 25 (generation device).
  • generation device for example, a catalyst is used to lower the activation energy and allow the chemical reaction from carbon dioxide to the target product to proceed.
  • the first mixed gas may contain 10 vol% or more of impurities other than carbon dioxide. It is preferable to have fewer impurities in the first mixed gas because this increases the purity of the target substance contained in the second mixed gas discharged by the generator, but it also increases the complexity of the device that separates impurities from the first mixed gas. It is to invite. Therefore, from the viewpoint of simplifying the mechanical device 11, a certain degree of mixing of impurities is allowed.
  • Examples of methods for electrolyzing water in the electrolysis unit 23 include alkaline water electrolysis, solid polymer electrolyte water electrolysis, and high-temperature steam electrolysis using a solid oxide electrolysis cell (SOEC).
  • High-temperature steam electrolysis is preferable to alkaline water electrolysis or solid polymer electrolyte water electrolysis because it can produce more hydrogen with less electric power. It is preferable that the electrolysis device performs high-temperature steam electrolysis using SOEC, and that the heat of chemical reaction generated in the generation device is used to generate the steam, since the energy efficiency of the mechanical device 11 can be improved.
  • the second mixed gas discharged by the generator may contain hydrogen and components of the first mixed gas in addition to the target, but if the second mixed gas contains gases other than the target, The amount is preferably 45 vol% or less of the amount of the second mixed gas.
  • the second mixed gas generated by the mechanical device 11 be used by facilities on the premises including the exhaust gas source 26 because the cost associated with gas transportation can be reduced. Since the mechanical device 11 can be made smaller by simplifying it, the space required for installing the mechanical device 11 can be reduced. Since the mechanical device 11 can be installed for each exhaust gas source 26, carbon dioxide emitted by the exhaust gas source 26 can be reused as a carbon resource for each exhaust gas source 26. The mechanical device 11 does not produce combustible products for sale, but rather produces combustible products of the minimum necessary quality that can be used by on-site facilities including the exhaust gas source 26. while reducing carbon dioxide emissions.
  • the main chemical reactions in the mechanical device 11 of this embodiment are as follows.
  • the mechanical device 11 can be configured so that some of the reactions illustrated below occur.
  • Synthesis gas production by steam reforming CH 4 + H 2 O ⁇ CO + 3H 2
  • Synthesis gas production by dry reforming CH 4 + CO 2 ⁇ 2CO + 2H 2
  • Synthesis gas production by partial oxidation of methane 2CH 4 + O 2 ⁇ 2CO + 4H 2
  • Methanol synthesis CO+2H 2 ⁇ CH 3 OH Fischer-Tropsch (FT) synthesis: CO+2H 2 ⁇ -(CH 2 )-+H 2 O -(CH 2 )- means straight chain hydrocarbon Dimethyl ether (DME) synthesis: 2CO + 4H 2 ⁇ CH 3 OCH 3 + H 2 O
  • methanol synthesis via hydrocarbon production and synthesis gas production carbon dioxide and hydrogen are raw materials, methane and synthesis gas (CO+H 2 ) are intermediates, and methanol is the target product.
  • FT synthesis which involves hydrocarbon production and synthesis gas production, carbon dioxide and hydrogen are raw materials, methane and synthesis gas are intermediates, and linear hydrocarbons are the target products.
  • DME synthesis through hydrocarbon production and synthesis gas production, carbon dioxide and hydrogen are raw materials, methane and synthesis gas are intermediates, and DME is the target product.
  • the mechanical device 11 can use carbon dioxide purified from exhaust gas and oxygen purified from air as raw materials for producing methane and synthesis gas.
  • FIG. 4 is a block diagram showing the hardware of the monitoring device 12.
  • the monitoring device 12 includes a central processing unit 27, a main storage device 28, an input/output interface 29, an input device 30, an auxiliary storage device 31, and an output device 32. These are connected by a data bus and a control bus.
  • the central processing unit 27 can perform calculations on the instructions and data stored in the main storage device 28 and store the results of the calculations in the main storage device 28.
  • the central processing unit 27 can control the input device 30, the auxiliary storage device 31, and the output device 32 via the input/output interface 29.
  • the main storage device 28 can store instructions and data received from the input device 30, the auxiliary storage device 31, and the network 13 via the input/output interface 29, and the calculation results of the central processing unit 27.
  • Examples of the main storage device 28 include random access memory (RAM), read only memory (ROM), and flash memory.
  • the auxiliary storage device 31 is a storage device that has a larger capacity than the main storage device 28.
  • the auxiliary storage device 31 can store instructions and data that make up the operating system and specific applications.
  • the auxiliary storage device 31 stores various information regarding the parts that make up the mechanical device 11.
  • the auxiliary storage device 31 is exemplified by a magnetic disk device or an optical disk device.
  • the input device 30 is a device for providing data, information, instructions, etc. to the central processing unit 27. Examples of the input device 30 include a touch panel, buttons, keyboard, and mouse.
  • the output device 32 is a device that physically presents data to the outside. Examples of the output device 32 include a display, a touch panel, and a printer.
  • the central processing unit 27 can write instructions and data constituting a specific application stored in the auxiliary storage device 31 into the main storage device 28, and can execute the instructions and perform calculations.
  • the central processing unit 27 controls the output device 32 via the input/output interface 29, and transmits and receives various information between the central processing unit 27 and the mechanical device 11 via the input/output interface 29 and the network 13.
  • the mechanical device 11 includes a control device (not shown) consisting of the same hardware as the monitoring device 12.
  • the control device transmits and receives various information to and from the monitoring device 12, coordinates control instructions for the functional units 21, and controls the functional units 21. Since the control device of the mechanical device 11 is composed of the same hardware as the monitoring device 12, a description of the control device will be omitted.
  • FIG. 5 is a block diagram of the generation device 10.
  • an electrolysis unit 23 performs high temperature steam electrolysis using SOEC.
  • the recovery unit 24 captures carbon dioxide in the exhaust gas into an absorption liquid by a so-called chemisorption method, heats the absorption liquid to separate carbon dioxide, cools and compresses the absorption liquid, and recovers the carbon dioxide.
  • the generation unit 25 generates water in the process of obtaining methane by methanation using a catalyst.
  • the electrolysis unit 23 includes a heater 34 that heats water to generate water vapor, a thermometer 35 that detects the temperature of the heater 34, an electrolysis device 36 that electrolyzes water vapor, and an electrolyzer that generates hydrogen and oxygen obtained by water vapor electrolysis.
  • a partial pressure gauge 37 for detecting gas partial pressure is provided.
  • the recovery unit 24 includes a heater 38 that heats the absorption liquid, a compressor 39 that compresses carbon dioxide separated from the absorption liquid, a thermometer 40 that detects the temperature of the absorption liquid, and a gas partial pressure of carbon dioxide.
  • a partial pressure meter 41 is provided.
  • the generation unit 25 includes a heater 42 that heats a reaction vessel containing a catalyst, a thermometer 43 that detects the temperature of the reaction vessel, a partial pressure gauge 44 that detects the partial pressure of the generated methane, and a A water meter 45 for detecting the amount of generated water is provided.
  • the monitoring device 12 acquires various variables input by the mechanical device 11 (hereinafter referred to as "first variables”) and various variables outputted by the mechanical device 11 (hereinafter referred to as “second variables"). and an estimating unit 47 that estimates the state of the mechanical device 11 based on the first variable and second variable acquired by the variable acquiring unit 46.
  • the monitoring device 12 further includes a changing unit 51 that changes the first variable input to the mechanical device 11 based on the output of the estimating unit 47.
  • the first variables are the amount of water (raw material) supplied to the electrolysis unit 23, the amount of gas (raw material) supplied to the generation unit 25, the heater 34, 38, 42, the electric power supplied to the electrolyzer 36 and the compressor 39 are illustrated.
  • the operating rate of the mechanical device 11 is an index indicating how much of the target material (methane in this embodiment) could actually be produced with respect to the production capacity of the mechanical device 11.
  • the first variable changed by the changing unit 51 is input to the control device (not shown) of the mechanical device 11 via the input/output interfaces 29 and 33.
  • the control device controls the functional units 21 of the mechanical device 11 to produce the target object.
  • the second variables are the power consumption of the heaters 34, 38, 42, the electrolyzer 36, and the compressor 39, the temperature of the object to be heated by the heaters 34, 38, 42 detected by the thermometers 35, 40, 43, and the temperature of the compressor 39.
  • Examples include the amount of gas used and the pressure of the gas, the gas partial pressure (concentration) detected by the partial pressure gauges 37, 41, and 44, the amount of methane produced, and the amount of water detected by the water meter 45.
  • the operating rate of the mechanical device 11 and the load rate of the compressor 39 calculated using these variables are also second variables.
  • the load factor of the compressor 39 is the ratio of the amount of gas discharged by the compressor 39 to the amount of gas used by the compressor 39.
  • the monitoring device 12 changes the first variable input to the mechanical device 11 using the changing unit 51, and performs feedback control of the mechanical device 11.
  • the estimating section 47 of the monitoring device 12 includes a life estimating section 48 that estimates the lifespan of the parts that constitute the mechanical device 11 .
  • the life estimating unit 48 can estimate the life of the compressor 39 based on the load factor and power consumption of the compressor 39. Furthermore, when the heaters 34, 38, and 42 deteriorate, their heating ability decreases, and power consumption increases when heating an object to a certain temperature. Therefore, the life estimating unit 48 can estimate the lifespan of the heaters 34, 38, 42 based on the relationship between the temperature of the heating target and the power consumption (for example, watt density) of the heaters 34, 38, 42. Watt density is the power per unit surface area of heaters 34, 38, 42.
  • the life estimating unit 48 can estimate the life of a catalyst or absorption liquid based on the concentration of gas, the amount of water, and the amount of methane produced, or the life of a pipe based on the amount of water.
  • the life estimating unit 48 outputs information on the parts whose lifespan is coming to an end to the changing unit 51, and based on the output of the changing unit 51, the ordering unit 52 orders the parts whose lifespan is coming to an end. This makes it easy to manage parts that need to be replaced, such as consumable parts that make up the generation device 10. Note that the absorption liquid used in the recovery unit 24 of the mechanical device 11 and the catalyst used in the generation unit 25 are also included in the parts that constitute the generation device 10.
  • FIG. 6 is a diagram showing an example of information (components table 53) stored in the auxiliary storage device 31.
  • the parts table 53 may be stored in the main storage device 28.
  • the ordering unit 52 can refer to the parts table 53 and automatically order the parts recorded in the parts table 53 from the center via the network 13 (see FIG. 1).
  • the center is a retailer or wholesaler that sells parts and is the place where parts are ordered.
  • the parts table 53 includes identification information of the part (part ID), identification information (center ID) and center information of the center from which the part is ordered, and information of the manufacturer that manufactures the part.
  • Manufacturer information is information about the manufacturer that manufactures the part specified by the part ID, and includes lead time, which is the time it takes from the center ordering the part to the manufacturer until the part is received, and the manufacturer's delivery suspension. Contains information about the day.
  • the center information includes information regarding delivery holidays at the center and information about the number of parts in stock, which is the quantity of parts in the center's warehouse. Manufacturer information and center information in the parts table 53 can be input by the manufacturer or the center.
  • the ordering unit 52 calculates backwards from the center inventory and lead time recorded in the parts table 53 (see FIG. 6) so that the parts will arrive at the installation location of the mechanical device 11 by the time the parts are replaced. Order parts from the center.
  • the ordering unit 52 may output to the output device 32 (see FIG. 4) prompting for ordering (pronunciation, image display, etc.). After confirming the output, the operator can order parts from the center.
  • the life estimation unit 48 includes a remuneration calculation unit 49 that calculates remuneration based on the first variable and the second variable acquired by the variable acquisition unit 46, and a remuneration calculation unit 49 that calculates the remuneration based on the remuneration calculated by the remuneration calculation unit 49. It includes a value function updating unit 50 that updates a function that determines the optimum value of the interval between parts replacements.
  • the power consumption of the mechanical device 11 can be reduced and the quality of the object produced by the mechanical device 11 can be improved.
  • the remuneration calculation unit 49 for example, shortens the interval between parts replacement, increases the difference between the actual temperature of the heating target and the predicted value, increases the difference between the actual power consumption of the heater and the predicted value, and increases the actual temperature of the gas.
  • the concentration and the predicted value increasing difference between the actual load rate of the compressor and the predicted value, increasing difference between the actual amount of water and the predicted value, actual amount of target product produced and the predicted value
  • a small reward is given based on an increase in the difference between
  • the remuneration calculation unit 49 extends the interval between parts replacement, reduces the difference between the actual temperature of the heating target and the predicted value, reduces the difference between the actual power consumption of the heater and the predicted value, and increases the actual concentration of the gas. and the predicted value, reduce the difference between the actual load factor of the compressor and the predicted value, reduce the difference between the actual amount of water and the predicted value, and A large reward is given based on a reduction in the difference between
  • the value function update unit 50 updates the action value table (value function) for exchanging parts based on the reward calculated by the reward calculation unit 49.
  • the value function is stored in the main storage device 28 and the auxiliary storage device 31.
  • the estimation unit 47 extracts useful rules, knowledge expressions, judgment criteria, etc. from the set of data input to the monitoring device 12 through analysis, outputs the judgment results, and performs knowledge learning (machine learning). learning).
  • machine learning There are various machine learning methods, but they can be broadly divided into supervised learning, unsupervised learning, and reinforcement learning. Furthermore, in order to realize these methods, there is a method called deep learning that learns to extract the feature values themselves.
  • Machine learning can be realized by applying GPGPU (General Purpose computing with Graphic Processing Unit), large-scale PC clusters, etc. Reinforcement learning will be explained below using an example, but it is not limited to this.
  • the generation device 10 detects the state of the environment and determines an action (replacement of parts).
  • the environment changes according to some rules, and your actions can also change the environment. Every time you take an action, you receive a reward signal. What we want to maximize is the total future reward.
  • Learning begins in a state where one has no knowledge of the consequences of an action, or only an incomplete knowledge of the consequences. That is, the generation device 10 can obtain the results as data only after actually performing the action. In other words, search for the optimal action through trial and error. You can start learning from a good starting point by setting the initial state to be a state that has been trained in advance (such as supervised learning or reverse reinforcement learning) to imitate human movements.
  • Reinforcement learning not only makes judgments and classifications but also learns actions, thereby learning the optimal actions based on the interactions that actions have with the environment, that is, learning how to maximize future rewards. This means that by replacing the parts that make up the mechanical device 11, it is possible to acquire actions that will affect the future, such as determining the state quantities of the generation unit 25 (concentration of the target substance, amount of water, etc.). represents.
  • Neural networks can be used as an approximation algorithm for value functions in reinforcement learning.
  • FIG. 7 is a diagram schematically showing a neuron model.
  • a neuron outputs an output (result) y for a plurality of inputs x.
  • Each input x (x1, x2, x3) is multiplied by a weight w (w1, w2, w3) corresponding to the input x.
  • the input x, result y, and weight w are all vectors.
  • FIG. 8 is a diagram schematically showing a neural network 54 configured by combining neurons.
  • the neural network 54 includes an arithmetic unit modeled after a neuron model, a memory, and the like.
  • a three-layer neural network 54 will be described, but the invention is not limited to this. It is of course possible to increase the number of layers to three or more.
  • the neural network 54 sequentially multiplies a plurality of inputs x (x1, x2, x3 in this embodiment) by corresponding weights W1, W2, W3, and outputs a result y (y1, y2, y3 in this embodiment).
  • the weights W1, W2, and W3 can be learned by the error backpropagation method.
  • the neural network 54 operates in a learning mode and a prediction mode.
  • the weight W is learned using a learning data set in the learning mode, and the behavior is determined in the prediction mode using the parameters.
  • Predictive mode allows a variety of tasks such as detection, classification, and inference.
  • the neural network 54 can instantly learn data obtained by actually operating the generation device 10 in prediction mode and reflect it in the next action (online learning). Alternatively, learning may be performed all at once using a data group collected in advance, and thereafter the prediction mode may be executed using the parameters (batch learning). Alternatively, in an intermediate state between online learning and batch learning, it is also possible to execute the prediction mode and execute the learning mode every time a certain amount of data is accumulated.
  • FIGS. 9(a) to 9(e) are diagrams for explaining an example of the operation of the estimation unit 47.
  • the horizontal axis represents the interval between component replacements
  • the vertical axis represents the parameters of each component.
  • FIG. 9(a) is a diagram schematically showing the correlation between the parts replacement interval and the operating rate of the mechanical device 11. If the interval between parts replacements is extended, the operating time of the mechanical device 11 becomes longer, so that the operating rate of the mechanical device 11 increases. On the other hand, if the interval between component replacements is shortened, the operating time of the mechanical device 11 is shortened, so the operating rate of the mechanical device 11 is reduced.
  • FIG. 9(b) is a diagram schematically showing the correlation between the replacement interval of the heaters 34, 38, and 42 and the watt density. If the interval between replacements of the heaters 34, 38, 42 is extended, the heaters 34, 38, 42 will deteriorate over time. On the other hand, if the interval between replacements of the heaters 34, 38, 42 is shortened, the power consumption of the heaters 34, 38, 42 is maintained at approximately the same level as the predicted value.
  • FIG. 9(c) is a diagram schematically showing the correlation between the replacement interval of parts of the compressor 39 and the load factor of the compressor 39. If the interval between replacing parts of the compressor 39 is extended, the compressor 39 will deteriorate over time. On the other hand, if the interval for replacing parts of the compressor 39 is shortened, the load factor of the compressor 39 is maintained at approximately the same level as the predicted value.
  • FIG. 9(d) is a diagram schematically showing the correlation between the parts replacement interval and the target gas partial pressure (concentration). If the interval between component replacements is extended, the gas partial pressure of the target will decrease over time (the difference between the actual gas partial pressure of the target and the predicted value will gradually increase). On the other hand, if the interval between component replacements is shortened, the gas partial pressure of the target object will remain approximately equal to the predicted value.
  • FIG. 9(e) is a diagram schematically showing the correlation between the interval of parts replacement and the amount of water generated in the process of obtaining the target object. If the interval between component replacements is extended, the amount of water produced during the process of obtaining the desired product will differ from the predicted value. On the other hand, if the interval between component replacements is shortened, the amount of water will remain approximately the same as the predicted value.
  • FIG. 10(a) shows the relationship between the operating rate of the mechanical device 11 and the target gas partial pressure (concentration).
  • the intersection of the two graphs in FIG. 10A indicates the appropriate interval for parts replacement determined by the estimation unit 47.
  • FIG. 10(b) is a schematic diagram in which this relationship is converted into a reward.
  • the estimation unit 47 accumulates various rewards, learns to maximize the accumulated rewards, and determines optimal replacement intervals for various parts. The time to replace a part is when it reaches the end of its life.
  • FIG. 11 is a flowchart showing an example of the operation of the monitoring device 12.
  • the monitoring device 12 first determines the interval for parts replacement based on the action value table 55 (see FIG. 12) (S1), determines the operating rate of the mechanical device 11 (S2), and determines the reward (S3-S5). ). For example, if the operating rate of the mechanical device 11 is low, the reward is set to 0 (S3), and if the operating rate of the mechanical device 11 is medium, a reward of +5 is output (S4), so that the operating rate of the mechanical device 11 is If it is high, a reward of +10 is output (S5). The output reward is added to the previous reward (S6).
  • the actual gas partial pressure of the target object is compared with the predicted value (S7), and a reward is determined (S8-S10). For example, if the difference between the actual gas partial pressure of the target object and the predicted value is large, a reward of -10 is output (S8), and if the difference between the actual gas partial pressure and the predicted value is moderate, -10 is output (S8). A reward of +6 is output (S9), and if the difference between the actual gas partial pressure and the predicted value is small, a reward of +10 is output (S10). The output reward is accumulated on the previous reward (S11), and the action value table 55 is updated based on the accumulated value of the reward (S12).
  • the processes of S1 to S12 are repeatedly executed while the monitoring device 12 is powered on.
  • the remuneration values of S3-S5 and S8-S10 are merely examples, and can be changed as appropriate. Furthermore, it is naturally possible to execute the processing of S2-S6 and the processing of S7-S11 in parallel.
  • FIG. 12 is a diagram showing an example of the action value table 55.
  • the action value table 55 has No. Patterns 1-18 are written.
  • No. No. 1-6 is a case where the operating rate of the mechanical device 11 is high (reward is +10).
  • No. 7-12 is a case where the operating rate of the mechanical device 11 is medium (reward is +5).
  • 13-18 is an example where the operating rate of the mechanical device 11 is low (reward is 0).
  • No. In 1-18 if you choose to shorten the interval between parts replacement, the remuneration related to the operating rate of the mechanical device 11 will be lowered by one rank, and the remuneration related to the gas partial pressure of the target object will be increased by one rank, and the parts replacement interval will be reduced by one rank. When extending the interval is selected, the reward related to the operating rate of the mechanical device 11 is increased by one rank, and the reward related to the target gas partial pressure is not changed.
  • the reward related to the operating rate will go up one rank and a +10 reward will be output, and the reward related to the gas partial pressure of the target will not change, so a +6 reward will be output. Therefore, +16 is output as the reward for the next state.
  • the generation device 10 chooses to extend the interval between component replacements. As described above, the generating device 10 can determine the optimal replacement timing for the parts constituting the mechanical device 11 and can appropriately maintain the mechanical device 11, so that the operating rate of the mechanical device 11 can be optimized. However, these are just examples, and various modifications and changes can be made to the selection of actions and reward settings.
  • the action value table 55 is also an example, and various modifications and changes are possible.
  • the estimation unit 47 estimates the state of the mechanical device 11 based on the first variable and the second variable acquired by the variable acquisition unit 46, so the state of the mechanical device 11 is immediately monitored. can. Further, since the estimating section 47 includes a life estimating section 48 that estimates the lifespan of the parts constituting the mechanical device 11, parts to be replaced such as consumable parts can be prepared according to the estimated lifespan of the parts. Since parts can be replaced appropriately, it is possible to prevent the mechanical device 11 from abnormally lowering its operating rate or becoming unable to operate due to deterioration of the parts.
  • the second variables acquired by the variable acquisition unit 46 of the generation device 10 include the load factor of the compressor 39, the concentration of the target substance (gas partial pressure), the amount of the target substance produced, and the variables generated in the process of obtaining the target substance. and at least one specific variable of the amount of water being used. Since the life estimating unit 48 estimates the life of the component based on the first variable and the specific variable, it is possible to improve the accuracy of estimating the life of the component. Note that when the generation device 10 generates the target product via an intermediate such as methane or synthesis gas, at least one of the concentration of the intermediate and the amount of the intermediate produced can be included in the specific variable.
  • the life estimation unit 48 includes a trained neural network 54 that has been subjected to machine learning that associates specific variables with the lifespan of parts, it is possible to optimize the replacement timing of parts and improve the operating rate of the generation device 10. Further, since the changing unit 51 changes the first variable input to the mechanical device 11 based on the output of the estimating unit 47, it is possible to improve the operating rate of the mechanical device 11 while improving the life of the parts that constitute the mechanical device 11. .
  • the mechanical device 11 including the functional unit 21 consisting of the electrolysis unit 23, the recovery unit 24, and the generation unit 25 in addition to the power supply unit 22, the present invention is not necessarily limited to this. It is of course possible to arrange various functional units 21 according to the roles played by the mechanical device 11, and make the mechanical device 11 play other roles.
  • Other mechanical devices 11 include a module that produces hydrogen and oxygen using water as a raw material, a module that purifies carbon dioxide from exhaust gas, and a module that produces intermediates such as synthesis gas, methanol, and ethanol from carbon dioxide and hydrogen. Examples include modules that produce fuels such as light oil and gasoline, BTX, DME, butadiene, and chemical products.
  • the generating device 10 generates a state (the operating rate of the mechanical device 11 and the difference between the actual gas partial pressure of the target object and the predicted value) and a reward by the action of changing the interval for replacing parts.
  • a state the operating rate of the mechanical device 11 and the difference between the actual gas partial pressure of the target and the predicted value
  • the difference between the actual temperature of the heating target and the predicted value the difference between the actual power consumption of the heater and the predicted value, the difference between the actual concentration (gas partial pressure) of the intermediate and the predicted value, the actual temperature of the target.
  • the estimation unit 47 uses an algorithm (machine learning) that automatically improves by learning from experience, but the estimation unit 47 is not necessarily limited to this.
  • the operating rate of the mechanical equipment 11 the difference between the actual gas partial pressure of the target product and the predicted value, the difference between the actual production amount of the target product and the predicted value, the difference between the actual gas partial pressure of the intermediate and the predicted value , the difference between the actual production amount of the intermediate and the predicted value, the difference between the actual temperature of the heated object and the predicted value, the difference between the actual power consumption of the heater and the predicted value, the actual load factor and the predicted value of the compressor.
  • the shipping container 15 may be configured to be able to mount five or more functional units 21, or there may be empty seats within the shipping container 15.
  • a production device for obtaining a target product from at least one of liquid and gas raw materials by chemical reaction or purification comprising a first variable input to the production device and a variable generated in the process of obtaining the target product from the raw material. a second variable including at least one state variable related to the intermediate and the target object;
  • a generation device comprising: an estimator that estimates a state of the generation device.
  • the second variable includes the load rate of a compressor that compresses the gas, the concentration of the intermediate, the amount of the intermediate produced, the concentration of the target product, the amount of the target product produced, and the amount of the target product.
  • the generation device according to application example 2 including at least one specific variable of the amount of water produced in the process of obtaining the product, wherein the life estimating unit estimates the life of the component based on the first variable and the specific variable. .
  • Application example 5 The generation device according to any one of application examples 2 to 4, further comprising an ordering unit that orders the part whose lifespan has expired based on the output of the lifespan estimating unit.
  • Application example 6 The generation device according to any one of application examples 1 to 5, further comprising a change unit that changes the first variable input to the generation device based on the output of the estimation unit.

Landscapes

  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Engineering & Computer Science (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • General Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Physical Or Chemical Processes And Apparatus (AREA)
  • Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

即時に状態を監視できる生成装置を提供する。生成装置（１０）は、液体および気体の少なくとも１種の原料から化学反応または精製により目的物を得るものであって、生成装置に入力された第１の変数と、原料から目的物を得る過程で生成される中間体および目的物に関する少なくとも１つの状態変数を含む第２の変数と、を取得する変数取得部（４６）と、変数取得部が取得した第１の変数および第２の変数に基づき生成装置の状態を推定する推定部（４７）と、を備える。

Description

生成装置
　本発明は化学反応または精製により目的物を得る生成装置に関する。
　液体または気体の少なくとも１種の原料から化学反応または精製により目的物を得る生成装置として、特許文献１には水素と排ガスから分離回収した二酸化炭素とを使って燃料を製造する生成装置に係る先行技術が開示されている。
特開２００９－７７４５７号公報
　先行技術では生成装置の状態を即時に監視できないという問題点がある。
　本発明はこの問題点を解決するためになされたものであり、即時に状態を監視できる生成装置を提供することを目的とする。
　この目的を達成するために本発明の生成装置は、液体および気体の少なくとも１種の原料から化学反応または精製により目的物を得るものであって、生成装置に入力された第１の変数と、原料から目的物を得る過程で生成される中間体および目的物に関する少なくとも１つの状態変数を含む第２の変数と、を取得する変数取得部と、変数取得部が取得した第１の変数および第２の変数に基づき生成装置の状態を推定する推定部と、を備える。
　第１の態様によれば、変数取得部により、生成装置に入力された第１の変数と、原料から目的物を得る過程で生成される中間体および目的物に関する少なくとも１つの状態変数を含む第２の変数とが取得され、推定部は、変数取得部が取得した第１の変数および第２の変数に基づき生成装置の状態を推定する。よって即時に状態を監視できる。
　第２の態様によれば、第１の態様において、推定部は、生成装置を構成する部品の寿命を推定する寿命推定部を含む。推定した部品の寿命に応じて、消耗部品などの交換すべき部品を準備できる。
　第３の態様によれば、第２の態様において、第２の変数は、気体を圧縮する圧縮機の負荷率、中間体の濃度、中間体の生成量、目的物の濃度、目的物の生成量、及び、目的物を得る過程で生成される水の量の少なくとも１種の特定変数を含む。寿命推定部は、第１の変数および特定変数に基づき部品の寿命を推定する。これにより部品の寿命を推定する精度を向上できる。
　第４の態様によれば、第３の態様において、寿命推定部は、特定変数と部品の寿命とを関連付ける機械学習が施された学習済みのニューラルネットワークを含む。部品の交換時期を最適化し、生成装置の稼働率を向上できる。
　第５の態様によれば、第２から第４の態様のいずれかにおいて、発注部は、寿命推定部の出力に基づき寿命が到来する部品を発注する。よって消耗部品などの交換すべき部品の管理を容易にできる。
　第６の態様によれば、第１から第４の態様のいずれかにおいて、変更部は、推定部の出力に基づき生成装置に入力する第１の変数を変更する。よって部品の寿命を向上させつつ生成装置の稼働率を向上できる。
一実施の形態における生成装置のブロック図である。 機械装置の斜視図である。 機械装置のブロック図である。 監視装置のブロック図である。 生成装置のブロック図である。 記憶装置に記憶される情報の一例を示す図である。 ニューロンのモデルを模式的に示す図である。 ニューロンを組み合わせて構成したニューラルネットワークを模式的に示す図である。 （ａ）は部品の交換の間隔と機械装置の稼働率との相関を模式的に示す図であり、（ｂ）はヒーターの交換の間隔とヒーターのワット密度との相関を模式的に示す図であり、（ｃ）は部品の交換の間隔と圧縮機の負荷率との相関を模式的に示す図であり、（ｄ）は部品の交換の間隔と目的物のガス分圧との相関を模式的に示す図であり、（ｅ）は部品の交換の間隔と目的物を得る過程で生成される水の量との相関を模式的に示す図である。 （ａ）及び（ｂ）は機械装置の稼働率と目的物のガス分圧との関係を報酬に変換した模式的な図である。 監視装置の動作の一例を示すフローチャートである。 行動価値テーブルの一例を示す図である。
　以下、本発明の好ましい実施の形態について添付図面を参照して説明する。図１は一実施の形態における機械装置１１のブロック図である。機械装置１１は、化学反応または精製により原料から目的物を得る機械装置１１と、機械装置１１を監視する監視装置１２と、を備えている。機械装置１１及び監視装置１２は、ネットワーク１３を介して相互に接続されている。ネットワーク１３は、携帯電話網、無線ＬＡＮ、有線ＬＡＮ、固定電話網、インターネット、イントラネット、イーサネット（登録商標）が例示される。
　図１では機械装置１１から監視装置１２が独立しているが、監視装置１２又はその一部が、機械装置１１に含まれていても良い。図１では監視装置１２は１つの装置として図示されているが、監視装置１２は相互に協働して動作する複数の装置により構成され得る。この場合も監視装置１２又はその一部が機械装置１１に含まれていて良い。機械装置１１から離れて配置された監視装置１２を使って機械装置１１を遠隔監視しても良い。
　図２は機械装置１１の斜視図である。機械装置１１は、輸送コンテナ１５と、輸送コンテナ１５に収納される複数の機能ユニット２１と、を備えている。本実施形態では４つの機能ユニット２１が輸送コンテナ１５に配置されている。
　輸送コンテナ１５は貨物輸送に使用される、主に鋼材で作られた直方体の大型容器である。輸送コンテナ１５に機能ユニット２１が収容されているので、工場で機械装置１１を組み立ててそのまま現地に搬送し、現地に据え付けることができる。よって現地での据え付けのための大規模な工事を不要にできる。また、機械装置１１を積み重ねたり横に並べたりすれば設備の能力を簡易に増強できる。
　輸送コンテナ１５は、平面視が矩形のベース１６と、ベース１６の長辺に設けられた後壁１７と、ベース１６の短辺に設けられた２つの側壁１８と、後壁１７と側壁１８とをつなぐ屋根１９と、後壁１７に対向してベース１６の長辺に設けられた観音開きの前扉２０と、を備えている。前扉２０の一部は図示が省略されている。通常は前扉２０を閉じた状態で機械装置１１を作動する。本実施形態では後壁１７及び側壁１８は観音開きの扉からなる。しかし、後壁１７や側壁１８を開閉不能な板にすることは当然可能である。
　機能ユニット２１は、特定の役割を果たす装置の単位である。機械装置１１は、複数の機能ユニット２１の組合せにより原料から目的物を生成する。複数の機能ユニット２１は輸送コンテナ１５の側壁１８の片方からもう片方の側壁１８に向かって横方向に一列に並んでいる。機能ユニット２１は、ほぼ同じ大きさの縦長の直方体である。本実施形態では、機能ユニット２１は、電源ユニット２２、電解ユニット２３、回収ユニット２４及び生成ユニット２５を含む。
　図３は機械装置１１のブロック図である。以下、一例として、排ガス源２６が発生した排ガスに含まれる二酸化炭素を回収し、二酸化炭素を炭素化合物として再利用し目的物を得る機械装置１１について説明する。排ガス源２６は、二酸化炭素を含む排ガスを発生するものであれば、特に制限はない。排ガス源２６は、発電所、工場、廃棄物処理施設、天然ガス田、油田が例示される。
　機械装置１１が備える電源ユニット２２（図２参照）は各装置に電力を分配する。電解ユニット２３は、水の電気分解によって水素と酸素とを製造する電解装置を含む。回収ユニット２４は、排ガスの水分を除去する除去装置、排ガスに含まれる窒素酸化物を分離する分離装置、排ガスに含まれる二酸化炭素を分離して二酸化炭素を濃縮する回収装置、気体を圧縮してその圧力を高める圧縮機を含む。生成ユニット２５は、二酸化炭素を水素で還元して目的物を生成する生成装置を含む。機械装置１１が生成する可燃性生成物はメタン、一酸化炭素、メタノール、ホルムアルデヒド等が例示される。
　回収ユニット２４の除去装置において排ガスから水分（水蒸気）を除去する方法は、凝縮、物理吸着、化学反応が例示される。分離装置において排ガスから窒素酸化物を除去する方法は、苛性ソーダ等を使用する湿式法、脱硝触媒と還元剤とを用いて窒素酸化物と窒素に還元する乾式法が一般的である。除去装置によって排ガスの水分を除去したり排ガスから窒素酸化物を除去したりすると、回収装置による二酸化炭素の濃縮効率を確保できる。
　回収装置において排ガスから分離回収された二酸化炭素を含む第１の混合ガスは、生成ユニット２５（生成装置）に供給される。生成装置では、例えば触媒を使って活性化エネルギーを低下させ、二酸化炭素から目的物への化学反応を進行させる。
　第１の混合ガスは、二酸化炭素以外の不純物を、第１の混合ガスの１０ｖｏｌ％以上含んでいても良い。第１の混合ガスの不純物は少ない方が、生成装置が排出する第２の混合ガスに含まれる目的物の純度が高まるため好ましいが、第１の混合ガスから不純物を分離する装置の複雑化を招くためである。従って機械装置１１の簡素化という観点においては一定程度の不純物の混合は許容される。
　電解ユニット２３（電解装置）において水を電気分解する方法は、アルカリ水電解、固体高分子電解質水電解の他、固体酸化物形電解セル（ＳＯＥＣ）による高温水蒸気電解が例示される。高温水蒸気電解は、アルカリ水電解や固体高分子電解質水電解に比べ、少ない電力で多くの水素が製造できるので好ましい。電解装置がＳＯＥＣによる高温水蒸気電解を行うものであり、その水蒸気の生成に、生成装置で生じた化学反応熱を利用していると、機械装置１１のエネルギー効率を向上できるので好ましい。
　生成装置が排出する第２の混合ガスには、目的物以外に、水素および第１の混合ガスの成分が含まれていても良いが、第２の混合ガスのうち、目的物以外のガスの量は、第２の混合ガスの量の４５ｖｏｌ％以下が好ましい。
　機械装置１１が生成した第２の混合ガスを、排ガス源２６を含む敷地内の施設が利用するようにすれば、ガスの運搬に係るコストを低減できるので好ましい。機械装置１１を簡易にすることにより小型化できるので、機械装置１１の設置に必要なスペースを小さくできる。排ガス源２６ごとに機械装置１１を設置できるので、排ガス源２６が排出する二酸化炭素を炭素資源として排ガス源２６ごとに再利用できる。機械装置１１によれば、販売の目的となる可燃性生成物を製造するのではなく、排ガス源２６を含む敷地内の施設が利用できる程度の必要最低限の品質の可燃性生成物を製造しながら、二酸化炭素の排出量を削減できる。
　本実施形態の機械装置１１における主な化学反応は以下の通りである。
　水素製造：２Ｈ２Ｏ→２Ｈ２＋Ｏ２
　メタン製造（メタネーション）：ＣＯ２＋４Ｈ２→ＣＨ４＋２Ｈ２Ｏ
　水素製造においては水が原料であり、水素が目的物である。メタン製造においては二酸化炭素および水素が原料であり、メタンが目的物である。
　また、以下に例示するいくつかの反応が起こるように機械装置１１を構成できる。
　水蒸気改質による合成ガス製造：ＣＨ４＋Ｈ２Ｏ→ＣＯ＋３Ｈ２
　ドライリフォーミングによる合成ガス製造：ＣＨ４＋ＣＯ２→２ＣＯ＋２Ｈ２
　メタンの部分酸化による合成ガス製造：２ＣＨ４＋Ｏ２→２ＣＯ＋４Ｈ２
　メタノール合成：ＣＯ＋２Ｈ２→ＣＨ３ＯＨ
　フィッシャー・トロプシュ（ＦＴ）合成：ＣＯ＋２Ｈ２→－（ＣＨ２）－＋Ｈ２Ｏ
　　－（ＣＨ２）－は直鎖炭化水素を意味する
　ジメチルエーテル（ＤＭＥ）合成：２ＣＯ＋４Ｈ２→ＣＨ３ＯＣＨ３＋Ｈ２Ｏ
　炭化水素製造および合成ガス製造を経るメタノール合成においては二酸化炭素および水素が原料であり、メタン及び合成ガス（ＣＯ＋Ｈ２）が中間体であり、メタノールが目的物である。炭化水素製造および合成ガス製造を経るＦＴ合成においては二酸化炭素および水素が原料であり、メタン及び合成ガスが中間体であり、直鎖炭化水素が目的物である。炭化水素製造および合成ガス製造を経るＤＭＥ合成においては二酸化炭素および水素が原料であり、メタン及び合成ガスが中間体であり、ＤＭＥが目的物である。機械装置１１は排ガスから精製した二酸化炭素や空気から精製した酸素を、メタンや合成ガスを製造するときの原料にできる。
　図４は監視装置１２のハードウェアを示すブロック図である。監視装置１２は中央処理装置２７、主記憶装置２８、入出力インターフェイス２９、入力装置３０、補助記憶装置３１及び出力装置３２を含む。これらはデータバスや制御バスにより接続されている。
　中央処理装置２７は、主記憶装置２８に記憶されている命令およびデータに対して演算を行い、その演算の結果を主記憶装置２８に記憶させることができる。中央処理装置２７は、入出力インターフェイス２９を介して、入力装置３０，補助記憶装置３１及び出力装置３２を制御できる。
　主記憶装置２８は、入力装置３０、補助記憶装置３１及びネットワーク１３から入出力インターフェイス２９を介して受信した命令やデータ、中央処理装置２７の演算結果を記憶できる。主記憶装置２８はランダムアクセスメモリ（ＲＡＭ）、リードオンリーメモリー（ＲＯＭ）、フラッシュメモリが例示される。
　補助記憶装置３１は、主記憶装置２８よりも大きな容量を有する記憶装置である。補助記憶装置３１は、オペレーティングシステムや特定のアプリケーションを構成する命令およびデータを記憶できる。補助記憶装置３１には、機械装置１１を構成する部品に関する種々の情報が記憶されている。補助記憶装置３１は、磁気ディスク装置、光ディスク装置が例示される。
　入力装置３０は、中央処理装置２７にデータや情報、指示などを与えるための装置である。入力装置３０は、タッチパネル、ボタン、キーボード、マウスが例示される。出力装置３２はデータを外部に物理的に提示する装置である。出力装置３２は、ディスプレイ、タッチパネル、プリンタが例示される。
　中央処理装置２７は、補助記憶装置３１に記憶された特定のアプリケーションを構成する命令およびデータを主記憶装置２８に書き込み、命令の実行や演算などを行うことができる。中央処理装置２７は入出力インターフェイス２９を介して出力装置３２を制御し、また入出力インターフェイス２９及びネットワーク１３を介して中央処理装置２７と機械装置１１との間で種々の情報を送受信する。
　機械装置１１（図１参照）は、監視装置１２と同様のハードウェアからなる制御装置（図示せず）を含む。制御装置は監視装置１２との間で種々の情報を送受信すると共に、機能ユニット２１の制御指示を整合し、機能ユニット２１を制御する。機械装置１１の制御装置は監視装置１２と同様のハードウェアからなるので、制御装置の説明は省略する。
　図５は生成装置１０のブロック図である。機械装置１１は、電解ユニット２３、回収ユニット２４及び生成ユニット２５が、入出力インターフェイス３３を介して監視装置１２に接続されている。説明を簡略にするため、本実施形態では一例として以下の場合を説明する。電解ユニット２３はＳＯＥＣによる高温水蒸気電解を行う。回収ユニット２４は、いわゆる化学吸着法により排ガス中の二酸化炭素を吸収液に取り込んだ後、吸収液を加熱して二酸化炭素を分離し、冷却・圧縮して二酸化炭素を回収する。生成ユニット２５は触媒を用いたメタネーションによりメタンを得る過程で水を生成する。
　電解ユニット２３は、水を加熱して水蒸気を生成するヒーター３４と、ヒーター３４の温度を検知する温度計３５と、水蒸気を電気分解する電解装置３６と、水蒸気電解により得られた水素および酸素のガス分圧を検知する分圧計３７と、を備えている。
　回収ユニット２４は、吸収液を加熱するヒーター３８と、吸収液から分離した二酸化炭素を圧縮する圧縮機３９と、吸収液の温度を検知する温度計４０と、二酸化炭素のガス分圧を検知する分圧計４１と、を備えている。
　生成ユニット２５は、触媒を内包する反応容器を加熱するヒーター４２と、反応容器の温度を検知する温度計４３と、生成されたメタンの分圧を検知する分圧計４４と、メタンを得る過程で生成した水の量を検知する水量計４５と、を備えている。
　監視装置１２は、機械装置１１が入力した種々の変数（以下「第１の変数」と称す）、及び、機械装置１１が出力した種々の変数（以下「第２の変数」と称す）を取得する変数取得部４６と、変数取得部４６が取得した第１の変数および第２の変数に基づき機械装置１１の状態を推定する推定部４７と、を備える。監視装置１２は、推定部４７の出力に基づき機械装置１１に入力する第１の変数を変更する変更部５１をさらに備える。
　第１の変数は、機械装置１１の目標とする稼働率を達成するための、電解ユニット２３に供給する水（原料）の量、生成ユニット２５に供給するガス（原料）の量、ヒーター３４，３８，４２、電解装置３６及び圧縮機３９に供給する電力が例示される。機械装置１１の稼働率は、機械装置１１の生産能力に対して、実際にどのくらい目的物（本実施形態ではメタン）を生産できたかを示す指標である。変更部５１が変更した第１の変数は、入出力インターフェイス２９，３３を介して機械装置１１の制御装置（図示せず）に入力される。制御装置は機械装置１１の機能ユニット２１を制御し、目的物を生産する。
　第２の変数は、ヒーター３４，３８，４２、電解装置３６及び圧縮機３９の消費電力、温度計３５，４０，４３が検知したヒーター３４，３８，４２による加熱対象の温度、圧縮機３９の使用ガス量およびガスの圧力、分圧計３７，４１，４４が検知したガス分圧（濃度）、メタンの生成量、水量計４５が検知した水の量が例示される。これらの変数を使って演算した機械装置１１の稼働率、圧縮機３９の負荷率も第２の変数である。圧縮機３９の負荷率は、圧縮機３９が使用したガス量に対する圧縮機３９が吐出したガス量の割合である。
　監視装置１２は、変更部５１により機械装置１１に入力する第１の変数を変更して、機械装置１１をフィードバック制御する。監視装置１２の推定部４７は、機械装置１１を構成する部品の寿命を推定する寿命推定部４８を含む。
　例えば、圧縮機３９は劣化すると加圧能力が低下し、ガスを一定の圧力に高めるときの消費電力が増大する。従って寿命推定部４８は、圧縮機３９の負荷率および消費電力に基づいて圧縮機３９の寿命を推定できる。また、ヒーター３４，３８，４２は劣化すると加熱能力が低下し、加熱対象を一定の温度に加熱するときの消費電力が増大する。従って寿命推定部４８は、加熱対象の温度とヒーター３４，３８，４２の消費電力（例えばワット密度）との関係に基づいてヒーター３４，３８，４２の寿命を推定できる。ワット密度はヒーター３４，３８，４２の単位表面積あたりの電力である。
　生成ユニット２５の触媒や回収ユニット２４の吸収液が劣化すると、生成されるガスの濃度や精製されるガスの濃度、メタンの生成量が低下したり、メタンを得る過程で生成した水の量が増減したりする。水の量の増減は、機械装置１１の内部配管の歪みや損傷によっても生じ得る。従って寿命推定部４８は、ガスの濃度や水の量、メタンの生成量に基づいて触媒や吸収液の寿命を推定したり、水の量に基づいて配管の寿命を推定したりできる。
　寿命推定部４８は寿命が到来する部品の情報を変更部５１に出力し、変更部５１の出力に基づいて発注部５２は寿命が到来する部品を発注する。これにより生成装置１０を構成する消耗部品などの交換すべき部品の管理を容易にできる。なお、機械装置１１の回収ユニット２４で使われる吸収液や生成ユニット２５で使われる触媒も、生成装置１０を構成する部品に含まれる。
　図６は補助記憶装置３１に記憶される情報（部品テーブル５３）の一例を示す図である。部品テーブル５３は主記憶装置２８に記憶されていても良い。発注部５２は部品テーブル５３を参照し、ネットワーク１３（図１参照）を介して、部品テーブル５３に記録された部品を自動でセンターに発注できる。センターは部品を販売する小売業者や卸売業者であり部品の注文先である。
　部品テーブル５３は、部品の識別情報（部品ＩＤ）、部品の注文先であるセンターの識別情報（センターＩＤ）及びセンター情報、部品を製造するメーカー情報を含む。メーカー情報は、部品ＩＤにより特定される部品を製造する製造業者に関する情報であり、センターがメーカーに部品を発注してから部品を入荷するまでにかかる時間であるリードタイム、及び、メーカーの休配日に関する情報を含む。センター情報は、センターの休配日に関する情報、及び、センターの倉庫にある部品の数量である在庫数の情報を含む。部品テーブル５３のメーカー情報やセンター情報は、メーカーやセンターが入力できる。
　図５に戻って説明する。発注部５２は、部品を交換するときまでに機械装置１１の設置場所に部品が入荷されるように、部品テーブル５３（図６参照）に記録されたセンターの在庫やリードタイムから逆算して、部品をセンターに発注する。発注部５２は、出力装置３２（図４参照）に発注を促す出力（発音や画像の表示など）をしても良い。出力を確認したオペレータはセンターに部品を発注できる。
　寿命推定部４８は、変数取得部４６が取得した第１の変数および第２の変数に基づいて報酬を計算する報酬計算部４９、及び、報酬計算部４９が計算した報酬に基づいて、劣化に伴う部品交換の間隔の最適値を決定する関数を更新する価値関数更新部５０を含む。
　機械装置１１を構成する部品のうち劣化した部品を新しい部品に交換することにより、機械装置１１の消費電力を低減したり機械装置１１が生成する目的物の品質を高めたりできる。また目的物の生産量を多くできる場合もある。従って部品を新しいものに交換すれば、劣化した部品を含む機械装置１１を使って目的物を生産する場合に比べ、目的物の生産コストを低減できる。
　一方、部品の交換は機械装置１１を停止した状態で行うので、部品の交換の頻度が高い（交換の間隔が短い）と機械装置１１の停止時間が長くなり、機械装置１１の稼働率は低下する。さらに部品の交換の頻度が高いと、部品の交換に要するコストが増加するので、生産コストが上昇する。これらを考え合わせて部品交換の最適な間隔を選択する必要がある。
　そこで報酬計算部４９は、例えば、部品交換の間隔の短縮、加熱対象の実際の温度と予測値との差の拡大、ヒーターの実際の消費電力と予測値との差の拡大、ガスの実際の濃度と予測値との差の拡大、圧縮機の実際の負荷率と予測値との差の拡大、実際の水の量と予測値との差の拡大、実際の目的物の生成量と予測値との差の拡大、機械装置１１の稼働率の低下に基づいて小さい報酬を与える。
　逆に報酬計算部４９は、部品交換の間隔の延長、加熱対象の実際の温度と予測値との差の縮小、ヒーターの実際の消費電力と予測値との差の縮小、ガスの実際の濃度と予測値との差の縮小、圧縮機の実際の負荷率と予測値との差の縮小、実際の水の量と予測値との差の縮小、実際の目的物の生成量と予測値との差の縮小、機械装置１１の稼働率の上昇に基づいて大きい報酬を与える。
　価値関数更新部５０は、報酬計算部４９が計算した報酬に基づいて、部品を交換する行動価値テーブル（価値関数）を更新する。価値関数は、主記憶装置２８や補助記憶装置３１に記憶されている。
　推定部４７は、監視装置１２に入力されるデータの集合から、その中にある有用な規則や知識表現、判断基準などを解析により抽出し、その判断結果を出力すると共に、知識の学習（機械学習）を行う機能を有することができる。機械学習の手法は様々あるが、大別すれば、教師あり学習、教師なし学習、強化学習に分けられる。さらに、これらの手法を実現するうえで特徴量そのものの抽出を学習する深層学習とよばれる手法がある。機械学習はＧＰＧＰＵ（General Purpose computing with Graphic Processing Unit）や大規模ＰＣクラスター等を適用することにより実現できる。以下、強化学習を例示して説明するが、これに限られるものではない。
　強化学習は、次のように問題設定する。生成装置１０は環境の状態を検知し行動（部品の交換）を決定する。環境は何らかの規則に従って変化し、さらに自分の行動が環境に変化を与えることもある。行動するたびに報酬信号が返ってくる。最大化したいのは将来にわたっての報酬の合計である。行動が引き起こす結果を全く知らない、又は、結果を不完全にしか知らない状態から学習は始まる。すなわち生成装置１０は、実際に行動して初めて、その結果をデータとして得ることができる。つまり、試行錯誤しながら最適な行動を探索する。人間の動作をまねるように、事前学習（教師あり学習や逆強化学習など）した状態を初期状態として、良いスタート地点から学習を始めても良い。
　強化学習は、判定や分類だけでなく行動を学習することにより、環境に行動が与える相互作用を踏まえて最適な行動を学ぶ、すなわち将来的に得られる報酬を最大にするための方法を学ぶ。このことは、機械装置１１を構成する部品を交換したことにより、生成ユニット２５の状態量（目的物の濃度、水の量など）が決まるといった、未来に影響を及ぼすような行動を獲得できることを表している。強化学習での価値関数の近似アルゴリズムとして、ニューラルネットワークを用いることができる。
　図７はニューロンのモデルを模式的に示す図である。ニューロンは複数の入力ｘに対する出力（結果）ｙを出力する。各入力ｘ（ｘ１，ｘ２，ｘ３）には、入力ｘに対応する重みｗ（ｗ１，ｗ２，ｗ３）が乗じられる。入力ｘ、結果ｙ及び重みｗは全てベクトルである。
　図８はニューロンを組み合わせて構成したニューラルネットワーク５４を模式的に示す図である。ニューラルネットワーク５４は、ニューロンのモデルを模した演算装置およびメモリ等を含む。本実施形態では３層のニューラルネットワーク５４を説明するが、これに限られるものではない。３層以上に層を増やすことは当然可能である。
　ニューラルネットワーク５４は、複数の入力ｘ（本実施形態ではｘ１，ｘ２，ｘ３）に対応する重みＷ１，Ｗ２，Ｗ３を順に乗じ、結果ｙ（本実施形態ではｙ１，ｙ２，ｙ３）を出力する。重みＷ１，Ｗ２，Ｗ３は誤差逆伝搬法により学習可能である。
　ニューラルネットワーク５４の動作には学習モードと予測モードとがある。例えば学習モードにおいて学習データセットを用いて重みＷを学習し、そのパラメータを用いて予測モードにおいて行動判断を行う。予測モードでは、検出、分類、推論など多様なタスクが可能である。ニューラルネットワーク５４は、予測モードで実際に生成装置１０を動かして得られたデータを即時学習し、次の行動に反映できる（オンライン学習）。また、予め収集したデータ群を用いてまとめて学習を行い、以後はそのパラメータを用いて予測モードを実行しても良い（バッチ学習）。あるいはオンライン学習とバッチ学習の中間の状態であって、予測モードを実行して、ある程度データがたまるたびに学習モードを実行することも可能である。
　図９（ａ）から図９（ｅ）は推定部４７の動作の一例を説明するための図である。各図において、横軸に部品交換の間隔をとり、縦軸に各部品のパラメータをとる。横軸は値が大きいほど（右にいくほど）部品交換の間隔が長いことを意味し、縦軸は値が小さいほど（下にいくほど）稼働率が低い、又は、部品が劣化していることを意味する。
　図９（ａ）は部品の交換の間隔と機械装置１１の稼働率との相関を模式的に示す図である。部品交換の間隔を延長すると、機械装置１１の稼働時間が長くなるので、機械装置１１の稼働率は上昇する。一方、部品交換の間隔を短縮すると、機械装置１１の稼働時間が短くなるので、機械装置１１の稼働率は低下する。
　図９（ｂ）はヒーター３４，３８，４２の交換の間隔とワット密度との相関を模式的に示す図である。ヒーター３４，３８，４２の交換の間隔を延長すると、ヒーター３４，３８，４２は経時的に劣化する。一方、ヒーター３４，３８，４２の交換の間隔を短縮すると、ヒーター３４，３８，４２は消費電力が予測値とほぼ同等の状態が維持される。
　図９（ｃ）は圧縮機３９の部品の交換の間隔と圧縮機３９の負荷率との相関を模式的に示す図である。圧縮機３９の部品の交換の間隔を延長すると、圧縮機３９は経時的に劣化する。一方、圧縮機３９の部品の交換の間隔を短縮すると、圧縮機３９は負荷率が予測値とほぼ同等の状態が維持される。
　図９（ｄ）は部品の交換の間隔と目的物のガス分圧（濃度）との相関を模式的に示す図である。部品の交換の間隔を延長すると、目的物のガス分圧は経時的に低下する（目的物の実際のガス分圧と予測値との差がしだいに拡大する）。一方、部品の交換の間隔を短縮すると、目的物のガス分圧が予測値とほぼ同等の状態が維持される。
　図９（ｅ）は部品の交換の間隔と目的物を得る過程で生成される水の量との相関を模式的に示す図である。部品の交換の間隔を延長すると、目的物を得る過程で生成される水の量は予測値との差が大きくなる。一方、部品の交換の間隔を短縮すると、水の量が予測値とほぼ同等の状態が維持される。
　図１０（ａ）は機械装置１１の稼働率と目的物のガス分圧（濃度）との関係を示す。図１０（ａ）における２つのグラフの交点は、推定部４７により求める部品交換の適切な間隔を示す。図１０（ｂ）はその関係を報酬に変換した模式的な図である。推定部４７は、種々の報酬を積算し、積算された報酬が最大となるように学習し、種々の部品の最適な交換の間隔を求める。部品を交換する時点が、部品の寿命が尽きたときである。
　図１１は監視装置１２の動作の一例を示すフローチャートである。監視装置１２は、まず行動価値テーブル５５（図１２参照）に基づいて部品交換の間隔を決定し（Ｓ１）、機械装置１１の稼働率を判定して（Ｓ２）、報酬を決める（Ｓ３－Ｓ５）。例えば機械装置１１の稼働率が低い場合には報酬を０とし（Ｓ３）、機械装置１１の稼働率が中程度の場合には＋５の報酬を出力し（Ｓ４）、機械装置１１の稼働率が高い場合には＋１０の報酬を出力する（Ｓ５）。出力された報酬は、これまでの報酬に積算する（Ｓ６）。
　次に目的物の実際のガス分圧と予測値とを比較し（Ｓ７）、報酬を決める（Ｓ８－Ｓ１０）。例えば目的物の実際のガス分圧と予測値との差が大きい場合には－１０の報酬を出力し（Ｓ８）、実際のガス分圧と予測値との差が中程度の場合には－６の報酬を出力し（Ｓ９）、実際のガス分圧と予測値との差が小さい場合には＋１０の報酬を出力する（Ｓ１０）。出力された報酬は、これまでの報酬に積算し（Ｓ１１）、報酬の積算値に基づいて行動価値テーブル５５を更新する（Ｓ１２）。
　Ｓ１－Ｓ１２の処理は監視装置１２の電源が投入されている間、繰り返し実行される。Ｓ３－Ｓ５，Ｓ８－Ｓ１０の報酬の値は一例であり、適宜変更できる。また、Ｓ２－Ｓ６の処理とＳ７－Ｓ１１の処理とを並列に実行することは当然可能である。
　図１２は行動価値テーブル５５の一例を示す図である。行動価値テーブル５５にはＮｏ．１－１８のパターンが記されている。Ｎｏ．１－６は機械装置１１の稼働率が高い場合であり（報酬は＋１０）、Ｎｏ．７－１２は機械装置１１の稼働率が中程度の場合であり（報酬は＋５）、Ｎｏ．１３－１８は機械装置１１の稼働率が低い場合の例である（報酬は０）。Ｎｏ．１－１８において、部品交換の間隔の短縮を選択した場合は、機械装置１１の稼働率に係る報酬を１ランク下げると共に、目的物のガス分圧に係る報酬を１ランク上げるものとし、部品交換の間隔の延長を選択した場合は、機械装置１１の稼働率に係る報酬を１ランク上げ、目的物のガス分圧に係る報酬は変えないものとする。
　Ｎｏ．９，１０を例示して説明すると、機械装置１１の稼働率が中程度であり（報酬は＋５）、目的物の実際のガス分圧と予測値との差が中程度のとき（報酬は＋６）が記されている。いずれも今の状態の報酬の積算値は＋１１である。このときに部品交換の間隔の短縮を選択すると、稼働率に係る報酬は１ランク下がって０の報酬が出力され、目的物のガス分圧に係る報酬は１ランク上がって＋１０の報酬が出力されるので、次の状態の報酬は＋１０が出力される。次の状態の報酬から今の状態の報酬を減じた値（＋１０－１１＝－１）は部品交換の間隔の短縮を選択した行動価値である。
　一方、部品交換の間隔の延長を選択すると、稼働率に係る報酬は１ランク上がって＋１０の報酬が出力され、目的物のガス分圧に係る報酬は変わらないので＋６の報酬が出力される。従って次の状態の報酬は＋１６が出力される。次の状態の報酬から今の状態の報酬を減じた値（＋１６－１１＝＋５）は部品交換の間隔の延長を選択した行動価値である。
　部品交換の間隔の短縮を選択した行動価値（－１）と部品交換の間隔の延長を選択した行動価値（＋５）とを比較すると、部品交換の間隔の延長を選択した行動価値の方が高いので、生成装置１０は部品交換の間隔の延長を選択することになる。以上のようにして生成装置１０は機械装置１１を構成する部品の最適な交換時期を求め、機械装置１１を適切にメンテナンスできるので、機械装置１１の稼働率を最適化できる。但し、これらは一例なので、行動の選択や報酬の設定は様々な変形および変更が可能である。行動価値テーブル５５も一例であり、様々な変形および変更が可能である。
　また、生成装置１０によれば、推定部４７は変数取得部４６が取得した第１の変数および第２の変数に基づき機械装置１１の状態を推定するので、即時に機械装置１１の状態を監視できる。さらに、推定部４７は機械装置１１を構成する部品の寿命を推定する寿命推定部４８を含むので、推定した部品の寿命に応じて、消耗部品などの交換すべき部品を準備できる。部品を適切に交換できるので、部品の劣化が原因で、機械装置１１の稼働率が異常に低下したり稼働できなくなったりすることを未然に防ぐことができる。
　生成装置１０の変数取得部４６が取得する第２の変数は、圧縮機３９の負荷率、目的物の濃度（ガス分圧）、目的物の生成量、及び、目的物を得る過程で生成される水の量の少なくとも１種の特定変数を含む。寿命推定部４８は、第１の変数および特定変数に基づき部品の寿命を推定するので、部品の寿命を推定する精度を向上できる。なお、生成装置１０がメタンや合成ガス等の中間体を経て目的物を生成する場合には、中間体の濃度、中間体の生成量の少なくとも１種を特定変数に含めることができる。
　寿命推定部４８は、特定変数と部品の寿命とを関連付ける機械学習が施された学習済みのニューラルネットワーク５４を含むので、部品の交換時期を最適化し、生成装置１０の稼働率を向上できる。また、変更部５１は推定部４７の出力に基づき機械装置１１に入力する第１の変数を変更するので、機械装置１１を構成する部品の寿命を向上させつつ機械装置１１の稼働率を向上できる。
　以上、実施の形態に基づき本発明を説明したが、本発明は上記実施形態に何ら限定されるものではなく、本発明の趣旨を逸脱しない範囲内で種々の改良変形が可能であることは容易に推察できるものである。
　実施形態では、電源ユニット２２以外に、電解ユニット２３、回収ユニット２４及び生成ユニット２５からなる機能ユニット２１を含む機械装置１１について説明したが、必ずしもこれに限られるものではない。機械装置１１が果たす役割に応じて種々の機能ユニット２１を配置し、他の役割を果たす機械装置１１にすることは当然可能である。他の機械装置１１としては、水を原料として水素や酸素を製造するモジュール、排ガスから二酸化炭素を精製するモジュール、二酸化炭素と水素から合成ガス、メタノール、エタノール等の中間体を製造し、中間体から軽油やガソリン等の燃料、ＢＴＸ、ＤＭＥ、ブタジエン、化成品などを製造するモジュールが例示される。
　実施形態では、部品を交換する間隔の変更という行動によって更新された状態（機械装置１１の稼働率、及び、目的物の実際のガス分圧と予測値との差）と報酬とを生成装置１０にフィードバックする場合について説明したが、必ずしもこれに限られるものではない。機械装置１１の稼働率や目的物の実際のガス分圧と予測値との差に代えて、又は、機械装置１１の稼働率や目的物の実際のガス分圧と予測値との差に加えて、加熱対象の実際の温度と予測値との差、ヒーターの実際の消費電力と予測値との差、中間体の実際の濃度（ガス分圧）と予測値との差、目的物の実際の生成量と予測値との差、中間体の実際の生成量と予測値との差、圧縮機の実際の負荷率と予測値との差、目的物の生成に伴って生じる水の量と予測値との差などの１以上に報酬を与え、生成装置１０にフィードバックすることは当然可能である。
　実施形態では、経験からの学習により自動で改善するアルゴリズム（機械学習）を推定部４７が利用する場合について説明したが、必ずしもこれに限られるものではない。機械装置１１の稼働率、目的物の実際のガス分圧と予測値との差、目的物の実際の生成量と予測値との差、中間体の実際のガス分圧と予測値との差、中間体の実際の生成量と予測値との差、加熱対象の実際の温度と予測値との差、ヒーターの実際の消費電力と予測値との差、圧縮機の実際の負荷率と予測値との差、目的物の生成に伴って生じる水の量と予測値との差などのいずれか１以上と、部品を交換する間隔の変更と、の間の相関を予め求め、それに基づいて機械装置１１を制御したり機械装置１１を構成する部品の寿命を推定したりすることは当然可能である。
　実施形態では、最大４つの機能ユニット２１を搭載できる輸送コンテナ１５に、４つの機能ユニット２１を搭載する場合について説明したが、必ずしもこれに限られるものではない。輸送コンテナ１５に搭載される機能ユニット２１の数は、機械装置１１の目的に応じて適宜設定される。輸送コンテナ１５を５つ以上の機能ユニット２１が搭載できるようにしても良いし、輸送コンテナ１５の中に空席があっても構わない。
　本開示は、以下の形態としても実現することが可能である。
　［適用例１］
　液体および気体の少なくとも１種の原料から化学反応または精製により目的物を得る生成装置であって、前記生成装置に入力された第１の変数と、前記原料から前記目的物を得る過程で生成される中間体および前記目的物に関する少なくとも１つの状態変数を含む第２の変数と、を取得する変数取得部と、前記変数取得部が取得した前記第１の変数および前記第２の変数に基づき前記生成装置の状態を推定する推定部と、を備える生成装置。
　［適用例２］
　前記推定部は、前記生成装置を構成する部品の寿命を推定する寿命推定部を含む適用例１記載の生成装置。
　［適用例３］
　前記第２の変数は、前記気体を圧縮する圧縮機の負荷率、前記中間体の濃度、前記中間体の生成量、前記目的物の濃度、前記目的物の生成量、及び、前記目的物を得る過程で生成される水の量の少なくとも１種の特定変数を含み、前記寿命推定部は、前記第１の変数および前記特定変数に基づき前記部品の寿命を推定する適用例２記載の生成装置。
　［適用例４］
　前記寿命推定部は、前記特定変数と前記部品の寿命とを関連付ける機械学習が施された学習済みのニューラルネットワークを含む適用例３記載の生成装置。
　［適用例５］
　前記寿命推定部の出力に基づき寿命が到来する前記部品を発注する発注部をさらに備える適用例２から４のいずれかに記載の生成装置。
　［適用例６］
　前記推定部の出力に基づき前記生成装置に入力する前記第１の変数を変更する変更部をさらに備える適用例１から５のいずれかに記載の生成装置。
　１０　生成装置
　３９　圧縮機
　４６　変数取得部
　４７　推定部
　４８　寿命推定部
　５１　変更部
　５２　発注部
　５４　ニューラルネットワーク

Claims (6)

  1. 　液体および気体の少なくとも１種の原料から化学反応または精製により目的物を得る生成装置であって、
    　前記生成装置に入力された第１の変数と、前記原料から前記目的物を得る過程で生成される中間体および前記目的物に関する少なくとも１つの状態変数を含む第２の変数と、を取得する変数取得部と、
    　前記変数取得部が取得した前記第１の変数および前記第２の変数に基づき前記生成装置の状態を推定する推定部と、を備える生成装置。
  2. 　前記推定部は、前記生成装置を構成する部品の寿命を推定する寿命推定部を含む請求項１記載の生成装置。
  3. 　前記第２の変数は、前記気体を圧縮する圧縮機の負荷率、前記中間体の濃度、前記中間体の生成量、前記目的物の濃度、前記目的物の生成量、及び、前記目的物を得る過程で生成される水の量の少なくとも１種の特定変数を含み、
    　前記寿命推定部は、前記第１の変数および前記特定変数に基づき前記部品の寿命を推定する請求項２記載の生成装置。
  4. 　前記寿命推定部は、前記特定変数と前記部品の寿命とを関連付ける機械学習が施された学習済みのニューラルネットワークを含む請求項３記載の生成装置。
  5. 　前記寿命推定部の出力に基づき寿命が到来する前記部品を発注する発注部をさらに備える請求項２から４のいずれかに記載の生成装置。
  6. 　前記推定部の出力に基づき前記生成装置に入力する前記第１の変数を変更する変更部をさらに備える請求項１から４のいずれかに記載の生成装置。
PCT/JP2023/016262 2022-04-29 2023-04-25 生成装置 WO2023210632A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022075611A JP2023164204A (ja) 2022-04-29 2022-04-29 生成装置
JP2022-075611 2022-04-29

Publications (1)

Publication Number Publication Date
WO2023210632A1 true WO2023210632A1 (ja) 2023-11-02

Family

ID=88518998

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/016262 WO2023210632A1 (ja) 2022-04-29 2023-04-25 生成装置

Country Status (2)

Country Link
JP (1) JP2023164204A (ja)
WO (1) WO2023210632A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002301359A (ja) * 2001-04-04 2002-10-15 Todoroki Industry Co Ltd 化学反応装置における異常反応の制御システム
JP2003058206A (ja) * 2001-08-10 2003-02-28 Kanegafuchi Chem Ind Co Ltd 触媒利用支援方法及びそのシステム
JP2005006427A (ja) * 2003-06-12 2005-01-06 Nippon Telegr & Teleph Corp <Ntt> 電力制御・管理システム、サーバ、サーバの処理方法および処理プログラムと該プログラムを記録した記録媒体
JP2009077457A (ja) 2007-09-18 2009-04-09 Tokyo Gas Co Ltd 分散型電源の運転システムおよびその運転方法
US20160202223A1 (en) * 2013-08-22 2016-07-14 L'Air Liquide, Societe, Anonyme pour I'Etude et I'Exploitation des Procedes Georges Claude Detection of faults when determining concentrations of chemical components in a distillation column
JP2022520643A (ja) * 2019-02-15 2022-03-31 ビーエーエスエフ ソシエタス・ヨーロピア 化学生産プラントにおける運転条件を決定するシステム、方法及びコンピュータプログラム製品

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002301359A (ja) * 2001-04-04 2002-10-15 Todoroki Industry Co Ltd 化学反応装置における異常反応の制御システム
JP2003058206A (ja) * 2001-08-10 2003-02-28 Kanegafuchi Chem Ind Co Ltd 触媒利用支援方法及びそのシステム
JP2005006427A (ja) * 2003-06-12 2005-01-06 Nippon Telegr & Teleph Corp <Ntt> 電力制御・管理システム、サーバ、サーバの処理方法および処理プログラムと該プログラムを記録した記録媒体
JP2009077457A (ja) 2007-09-18 2009-04-09 Tokyo Gas Co Ltd 分散型電源の運転システムおよびその運転方法
US20160202223A1 (en) * 2013-08-22 2016-07-14 L'Air Liquide, Societe, Anonyme pour I'Etude et I'Exploitation des Procedes Georges Claude Detection of faults when determining concentrations of chemical components in a distillation column
JP2022520643A (ja) * 2019-02-15 2022-03-31 ビーエーエスエフ ソシエタス・ヨーロピア 化学生産プラントにおける運転条件を決定するシステム、方法及びコンピュータプログラム製品

Also Published As

Publication number Publication date
JP2023164204A (ja) 2023-11-10

Similar Documents

Publication Publication Date Title
Roh et al. Early-stage evaluation of emerging CO 2 utilization technologies at low technology readiness levels
Edgar et al. Smart manufacturing and energy systems
Venkatasatish et al. Reinforcement learning based energy management systems and hydrogen refuelling stations for fuel cell electric vehicles: An overview
Liu et al. Advances in energy systems engineering
Zhao et al. Energy utilization efficiency evaluation model of refining unit Based on Contourlet neural network optimized by improved grey optimization algorithm
CN101794119B (zh) 瓦斯系统平衡与优化调度方法、装置及系统
CN104657784A (zh) 基于企业生产与能耗耦合模型的能源优化方法
Bilgiç et al. Recent advances in artificial neural network research for modeling hydrogen production processes
Khezri et al. Hybrid artificial neural network–genetic algorithm-based technique to optimize a steady-state gas-to-liquids plant
Zulkafli et al. Planning of production and utility systems under unit performance degradation and alternative resource-constrained cleaning policies
JP6608010B1 (ja) 制御装置、サーバ、管理システム、コンピュータプログラム、学習モデル及び制御方法
Ziaei et al. Maximizing the profitability of integrated Fischer-Tropsch GTL process with ammonia and urea synthesis using response surface methodology
Nguyen et al. A comparison of automation techniques for optimization of compressor scheduling
WO2023210632A1 (ja) 生成装置
Simkoff et al. Process control and energy efficiency
Li et al. Active fault-tolerant coordination energy management for a proton exchange membrane fuel cell using curriculum-based multiagent deep meta-reinforcement learning
Tasneem et al. Organic catalysts for hydrogen production from noodle wastewater: Machine learning and deep learning-based analysis
Aklilu et al. Machine learning applications in catalytic hydrogenation of carbon dioxide to methanol: A comprehensive review
CN114429236A (zh) 一种天然气净化过程控制方法
US20240045403A1 (en) Computer-implemented monitoring methods and systems for a plant producing chemicals and fuels utilizing carbon capture
Moussaoui et al. Stack/System Development for High-Temperature Electrolysis
Ojo et al. Sustainable Ammonia Production via Electrolysis and Haber-Bosch Process
CN105528681B (zh) 一种基于隐树模型的冶金企业副产能源系统实时调整方法
Sadighi et al. Artificial neural network modeling and optimization of Hall-Héroult process for aluminum production
Yu Stack/System Development for High-Temperature Electrolysis Check for updates

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: 23796372

Country of ref document: EP

Kind code of ref document: A1