JP2021111057A - Operation management assisting device and operation management assisting method - Google Patents

Abstract

To perform operation management of devices efficiently.SOLUTION: An operation management assisting device includes: a prediction model construction unit 111 which generates a prediction model 211 for calculating a prediction control value y1 by using actual measurement data 203 and actual control data 202; a prediction control value calculation unit 112 which calculates the prediction control value y1 by applying, to the prediction model 211, measurement data 204 input from a plant PL; a classification model construction unit 121 which generates a classification model 221 by classifying the actual measurement data 203 into a prescribed category; a classification result calculation unit 122 which selects a category corresponding to the measurement data 204; a reliability evaluation processing unit 130 which calculates reliability 232 of the prediction control value y1 by comparing the prediction control value y1 calculated by the prediction control value calculation unit 112 and an actual control data 202 in the category; and a display processing unit which displays the calculated reliability 232 on a display unit.SELECTED DRAWING: Figure 1

Description

本発明は、運転管理支援装置及び運転管理支援方法の技術に関する。 The present invention relates to a technique of an operation management support device and an operation management support method.

計測値に基づき制御値を設定するプラント等の運転管理を行うことが行われている。このような運転管理では、一般的に、物理現象を模擬したシミュレーションモデルを利用し予測制御値を導く手法や、実績データを基に統計や機械学習を活用し予測制御値を導く手法等が用いられる。 Operation management of plants and the like that set control values based on measured values is performed. In such operation management, generally, a method of deriving a predicted control value by using a simulation model simulating a physical phenomenon or a method of deriving a predicted control value by utilizing statistics or machine learning based on actual data is used. Be done.

プラント等における反応や、流体の移動等といった現象は複雑であるため、シミュレーションモデルによる模擬が困難である。そのため、近年は、過去に取得された実績データを基に、統計や、機械学習を活用した予測制御値の導出が広く行われている。この手法では、実績データの計測値と制御値との関係を統計や、機械学習で再現したモデルが作成され、新しく得られた計測値が、このモデルに入力されることで適切な予測制御値が得られる。 Since phenomena such as reactions in plants and the movement of fluids are complicated, it is difficult to simulate using a simulation model. Therefore, in recent years, statistics and prediction control values using machine learning have been widely derived based on the actual data acquired in the past. In this method, a model that reproduces the relationship between the measured value of the actual data and the control value by statistics and machine learning is created, and the newly obtained measured value is input to this model to obtain an appropriate predicted control value. Is obtained.

実績データから好適な予測制御値を算出する手法として、例えば、特許文献１に記載する手法が開示されている。
特許文献１は、モデル同定装置、予測装置、監視システム、モデル同定方法および予測方法を提示している。モデル同定装置は、複数の入出力データのうち一部に、所属するモードのラベルを付加し、入出力データを各モードに分類（クラスタリング）後、各モードの数理モデルのパラメータを推定し、クラスタリングの結果に基づいて、入力データを前記数理モデルのそれぞれに分類することでモデル同定を行う装置が開示されている。 As a method for calculating a suitable predictive control value from actual data, for example, the method described in Patent Document 1 is disclosed.
Patent Document 1 presents a model identification device, a prediction device, a monitoring system, a model identification method, and a prediction method. The model identification device adds a label of the mode to which it belongs to a part of a plurality of input / output data, classifies the input / output data into each mode (clustering), estimates the parameters of the mathematical model of each mode, and clusters. Based on the results of the above, there is disclosed an apparatus for model identification by classifying input data into each of the mathematical models.

特開２０１８−１８１０５２号公報JP-A-2018-181052

過去の実績データを基に統計や機械学習を活用して予測制御値を導出する場合、導出される予測制御値の信頼性は、使用する実績データの特徴に大きく左右される。例えば、実績データを取得した時と異なる条件でプラントを運転している際の計測値を、学習によって得られたモデルに入力した場合、実績データを基に作成したモデルによる予測制御値の信頼性は低くなる。しかし、統計や機械学習を活用して予測制御値を算出した際には、予測制御値が数値として算出されることから、その信頼性を把握することが困難である。特許文献１に記載の技術では、このような課題を解決することができない。 When a predictive control value is derived by utilizing statistics or machine learning based on past actual data, the reliability of the derived predictive control value greatly depends on the characteristics of the actual data used. For example, when the measured values when the plant is operated under different conditions from when the actual data was acquired are input to the model obtained by learning, the reliability of the predicted control values by the model created based on the actual data. Will be low. However, when the predictive control value is calculated by utilizing statistics and machine learning, it is difficult to grasp its reliability because the predictive control value is calculated as a numerical value. The technique described in Patent Document 1 cannot solve such a problem.

このような背景に鑑みて本発明がなされたのであり、本発明は、機器の効率的な運転管理を行うことを課題とする。 The present invention has been made in view of such a background, and an object of the present invention is to perform efficient operation management of an apparatus.

前記した課題を解決するため、本発明は、記憶部に格納されている過去の実績データのうち、過去における機器の計測値である実績計測値、及び、過去における前記機器の制御値である実績制御値を用いて、予測制御値を算出するための第１のモデルを生成する第１のモデル生成部と、前記第１のモデル生成部で生成された前記第１のモデルに、前記機器から入力される計測値を適用することにより、当該計測値に対応する前記予測制御値を算出する予測制御値算出部と、前記記憶部に格納されている前記実績データのうち、前記実績計測値を所定のカテゴリに分類することで、第２のモデルを生成する第２のモデル生成部と、前記機器から入力された計測値に対応する前記カテゴリを、前記第２のモデル生成部で分類された前記カテゴリを基に選択するカテゴリ選択部と、前記予測制御値算出部によって算出された前記予測制御値と、前記カテゴリ選択部で選択された前記カテゴリにおける前記実績制御値とを比較することで前記予測制御値の信頼度を算出する信頼度算出部と、前記信頼度算出部によって算出された信頼度を表示部に表示する表示処理部と、を備えることを特徴とする。
その他の解決手段は実施形態中において適宜記載する。 In order to solve the above-mentioned problems, the present invention presents the actual measurement value which is the measured value of the device in the past and the actual result which is the control value of the device in the past among the past actual data stored in the storage unit. From the device, the first model generation unit that generates a first model for calculating the prediction control value using the control value and the first model generated by the first model generation unit. Of the predictive control value calculation unit that calculates the predictive control value corresponding to the measured value by applying the input measured value and the actual data stored in the storage unit, the actual measured value is used. By classifying into a predetermined category, the second model generation unit that generates the second model and the category corresponding to the measured value input from the device are classified by the second model generation unit. The category selection unit selected based on the category, the prediction control value calculated by the prediction control value calculation unit, and the actual control value in the category selected by the category selection unit are compared. It is characterized by including a reliability calculation unit for calculating the reliability of the prediction control value and a display processing unit for displaying the reliability calculated by the reliability calculation unit on the display unit.
Other solutions will be described as appropriate in the embodiments.

本発明によれば、機器の効率的な運転管理を行うことができる。 According to the present invention, efficient operation management of the device can be performed.

第１実施形態に係る運転管理支援装置の構成例を示す図である。It is a figure which shows the configuration example of the operation management support apparatus which concerns on 1st Embodiment. 第１実施形態における運転管理支援装置が行う処理の手順を示すフローチャートである。It is a flowchart which shows the procedure of the process performed by the operation management support device in 1st Embodiment. 第２実施形態に係る運転管理支援装置の構成例を示す図である。It is a figure which shows the configuration example of the operation management support apparatus which concerns on 2nd Embodiment. 第１実施形態における運転管理支援装置が行う処理の手順を示すフローチャートである。It is a flowchart which shows the procedure of the process performed by the operation management support device in 1st Embodiment. 第３実施形態に係る運転管理支援装置の構成例を示す図である。It is a figure which shows the configuration example of the operation management support apparatus which concerns on 3rd Embodiment. 第３実施形態における運転管理支援装置が行う処理の手順を示すフローチャートである。It is a flowchart which shows the procedure of the process performed by the operation management support device in 3rd Embodiment. 信頼度判定処理の詳細な手順を示すフローチャートである。It is a flowchart which shows the detailed procedure of the reliability determination process. 第４実施形態に係る運転管理支援装置の構成例を示す図である。It is a figure which shows the configuration example of the operation management support apparatus which concerns on 4th Embodiment. 第４実施形態における運転管理支援装置が行う処理の手順を示すフローチャートである。It is a flowchart which shows the procedure of the process performed by the operation management support device in 4th Embodiment. トレンド判定処理の詳細な手順を示すフローチャート（その１）である。It is a flowchart (the 1) which shows the detailed procedure of the trend determination process. トレンド判定処理の詳細な手順を示すフローチャート（その２）である。It is a flowchart (No. 2) which shows the detailed procedure of the trend determination process. 第５実施形態に係る運転管理支援装置の構成例を示す図である。It is a figure which shows the configuration example of the operation management support apparatus which concerns on 5th Embodiment. 図１１に示す運転管理支援装置が行う処理の手順を示すフローチャートである。It is a flowchart which shows the procedure of the process performed by the operation management support apparatus shown in FIG. 実績データの特徴と乖離度算出方法との対応表の一例を示す図である。It is a figure which shows an example of the correspondence table with the characteristic of the actual data and the deviation degree calculation method. 本実施形態における運転管理画面の例を示す図である。It is a figure which shows the example of the operation management screen in this embodiment. 運転管理支援装置のハードウェア構成を示す図である。It is a figure which shows the hardware configuration of the operation management support device.

次に、本発明を実施するための形態（「実施形態」という）について、適宜図面を参照しながら詳細に説明する。なお、同一又は類似の構成には同一の符号を付し、説明が重複する場合には、その説明を省略する場合がある。また、各フローチャートについても、同様の処理については同一のステップ番号を付し、説明が重複する場合には、その説明を省略する場合がある。 Next, an embodiment (referred to as “embodiment”) for carrying out the present invention will be described in detail with reference to the drawings as appropriate. The same or similar configurations are designated by the same reference numerals, and if the explanations are duplicated, the explanations may be omitted. Further, also for each flowchart, the same step number may be assigned to the same processing, and if the description is duplicated, the description may be omitted.

本実施形態では、教師有学習及び教師無学習の２種類の学習が使用される。これらの学習によってモデルが生成される。本実施形態中において、目的変数として実績制御値の入力がモデル作成に必須であるものを教師有学習とする。また、目的変数として実績制御値の入力は必須ではなく実績計測値より選定した入力項目（説明変数）のみでモデル作成するものを教師無学習とする。実績制御値及び実績計測値については後記する。 In this embodiment, two types of learning, supervised learning and unsupervised learning, are used. A model is generated by these learnings. In this embodiment, the input of the actual control value as the objective variable is indispensable for model creation is defined as supervised learning. In addition, it is not essential to input the actual control value as the objective variable, and unsupervised learning is to create a model using only the input items (explanatory variables) selected from the actual measurement values. The actual control value and the actual measurement value will be described later.

さらに、本実施形態は、プラントＰＬ、特に発電プラントや化学プラントを対象として記載されているが、適用にあたって対象を限定するものではない。例えば、水処理システム等、プラントＰＬ以外にも、本実施形態の運転管理支援装置１を適用することができる。 Further, although the present embodiment is described for a plant PL, particularly a power plant or a chemical plant, the application is not limited to the subject. For example, the operation management support device 1 of the present embodiment can be applied in addition to the plant PL such as a water treatment system.

［第１実施形態］
＜装置構成＞
図１は、第１実施形態に係る運転管理支援装置１の構成例を示す図である。
ここで、教師有学習モデルが第１のモデルとして使用され、教師無学習モデルが第２のモデルとして使用されるものとする。
運転管理支援装置１は、教師有学習処理部１１０と、教師無学習を行う教師無学習処理部１２０とを有する。また、運転管理支援装置１は、教師有学習処理部１１０の結果と、教師無学習処理部１２０の結果とを基に、信頼度２３２を算出する信頼度評価処理部１３０を有する。さらに、運転管理支援装置１は、信頼度評価処理部１３０から出力される信頼度２３２をモニタ１４２に表示する表示処理部１４１を有する。 [First Embodiment]
<Device configuration>
FIG. 1 is a diagram showing a configuration example of the operation management support device 1 according to the first embodiment.
Here, it is assumed that the supervised learning model is used as the first model and the unsupervised learning model is used as the second model.
The operation management support device 1 has a teachered learning processing unit 110 and a teacherless learning processing unit 120 that performs unsupervised learning. Further, the operation management support device 1 has a reliability evaluation processing unit 130 that calculates a reliability 232 based on the result of the supervised learning processing unit 110 and the result of the unsupervised learning processing unit 120. Further, the operation management support device 1 has a display processing unit 141 that displays the reliability 232 output from the reliability evaluation processing unit 130 on the monitor 142.

教師有学習処理部１１０は、教師有学習処理部１１０は、実績ＤＢ１０１に格納されている実績データ２０１のうち、実績制御データ２０２及び実績計測データ２０３に対して教師有学習を行う。そして、教師有学習処理部１１０は、予測モデル構築部１１１と、予測制御値算出部１１２とを有する。予測モデル構築部１１１及び予測制御値算出部１１２で行われる処理については後記する。なお、実績制御データ２０２は、過去の実績制御値を複数含むデータであり、実績計測データ２０３は、過去の実績計測値を複数含むデータである。 In the supervised learning processing unit 110, the supervised learning processing unit 110 performs supervised learning on the performance control data 202 and the performance measurement data 203 among the performance data 201 stored in the performance DB 101. The supervised learning processing unit 110 has a prediction model construction unit 111 and a prediction control value calculation unit 112. The processing performed by the prediction model construction unit 111 and the prediction control value calculation unit 112 will be described later. The actual control data 202 is data including a plurality of past actual control values, and the actual measurement data 203 is data including a plurality of past actual measurement values.

ここで、計測値とは、例えば、プラントＰＬにおけるＡ地点における温度、Ｂ地点における流量、Ｃ地点における流量、原料Ｄ中の成分Ｅの濃度、原料Ｄの投入量等である。また、運転パターンがフラグ情報として計測値に残されていてもよい。運転パターンとは、例えば、稼働開始時、定常運転時、稼働停止時等である。一方、制御値は、例えば、プラントＰＬにおけるある弁の弁開度や、原料Ｃの投入量設定値等である。本実施形態では、制御値の一例として弁開度が用いられるものとする。実績制御値とは、実績ＤＢ１０１に収集されている過去の制御値であり、実績計測値とは、実績ＤＢ１０１に収集されている過去の計測値である。 Here, the measured values are, for example, the temperature at the point A, the flow rate at the point B, the flow rate at the point C, the concentration of the component E in the raw material D, the input amount of the raw material D, and the like in the plant PL. Further, the operation pattern may be left in the measured value as flag information. The operation pattern is, for example, at the start of operation, at steady operation, at stop of operation, and the like. On the other hand, the control value is, for example, the valve opening degree of a certain valve in the plant PL, the input amount setting value of the raw material C, and the like. In the present embodiment, the valve opening degree is used as an example of the control value. The actual control value is a past control value collected in the actual DB 101, and the actual measurement value is a past measurement value collected in the actual DB 101.

教師無学習処理部１２０は、実績ＤＢ１０１に格納されている実績データ２０１のうち、実績計測データ２０３に対して教師無学習を行う。そして、教師無学習処理部１２０は、分類モデル構築部１２１と、分類結果算出部１２２と、カテゴリ情報生成部１２３とを有する。分類モデル構築部１２１、分類結果算出部１２２及びカテゴリ情報生成部１２３で行われる処理については後記する。
そして、信頼度評価処理部１３０は、乖離度算出部１３１と、信頼度算出部１３２とを有する。乖離度算出部１３１及び信頼度算出部１３２で行われる処理については後記する。 The unsupervised learning processing unit 120 performs unsupervised learning on the performance measurement data 203 of the performance data 201 stored in the performance DB 101. The unsupervised learning processing unit 120 has a classification model construction unit 121, a classification result calculation unit 122, and a category information generation unit 123. The processing performed by the classification model construction unit 121, the classification result calculation unit 122, and the category information generation unit 123 will be described later.
The reliability evaluation processing unit 130 has a deviation degree calculation unit 131 and a reliability calculation unit 132. The processing performed by the deviation degree calculation unit 131 and the reliability calculation unit 132 will be described later.

第１実施形態の運転管理支援装置１は、実績データ２０１を基に教師有学習による予測モデル２１１により予測制御値ｙ１を導出する。合わせて、運転管理支援装置１は、実績計測データ２０３を基に教師無学習によってカテゴリ情報ｙ２を算出し、予測制御値ｙ１との比較により信頼度２３２を算出する。なお、計測データ２０４、分類モデル２２１、検索結果２２２、乖離度２３１については後記する。 The operation management support device 1 of the first embodiment derives the prediction control value y1 by the prediction model 211 by supervised learning based on the actual data 201. At the same time, the operation management support device 1 calculates the category information y2 by unsupervised learning based on the actual measurement data 203, and calculates the reliability 232 by comparing with the prediction control value y1. The measurement data 204, the classification model 221 and the search result 222, and the deviation degree 231 will be described later.

＜フローチャート＞
図２は、図１に示す運転管理支援装置１が行う処理の手順を示すフローチャートである。
まず、予め収集されている過去におけるプラントＰＬの計測値（実績計測値）や、制御値（実績制御値）が実績データ２０１として実績ＤＢ１０１に格納されている。 <Flowchart>
FIG. 2 is a flowchart showing a procedure of processing performed by the operation management support device 1 shown in FIG.
First, the past measured values (actual measured values) and control values (actual control values) of the plant PL collected in advance are stored in the actual DB 101 as actual data 201.

（教師有学習処理部１１０での処理）
そして、予測モデル構築部１１１は、実績ＤＢ１０１から実績データ２０１の一部又はすべてを取得する（Ｓ１０１）。実績データ２０１は、実績計測データ２０３の一部又はすべてと、実績制御データ２０２の一部又はすべてが含まれる。
続いて、予測モデル構築部１１１は、入力された実績計測データ２０３と、実績制御データ２０２とに対して、教師有学習を行い、予測モデル２１１を生成し（Ｓ１０２）、出力する。 (Processing in the supervised learning processing unit 110)
Then, the prediction model construction unit 111 acquires a part or all of the actual data 201 from the actual DB 101 (S101). The actual data 201 includes a part or all of the actual measurement data 203 and a part or all of the actual control data 202.
Subsequently, the prediction model construction unit 111 performs supervised learning on the input performance measurement data 203 and the performance control data 202, generates the prediction model 211 (S102), and outputs the prediction model 211.

次に、予測制御値算出部１１２に、予測モデル構築部１１１で生成された予測モデル２１１が入力されるとともに、プラントＰＬから計測データ２０４が入力される。そして、予測制御値算出部１１２は、予測モデル２１１に計測データ２０４を代入することで、予測制御値ｙ１を算出し、出力する（Ｓ１０３）。なお、計測データ２０４には、プラントＰＬによって、計測された計測値が含まれている。 Next, the prediction model 211 generated by the prediction model construction unit 111 is input to the prediction control value calculation unit 112, and the measurement data 204 is input from the plant PL. Then, the prediction control value calculation unit 112 calculates and outputs the prediction control value y1 by substituting the measurement data 204 into the prediction model 211 (S103). The measurement data 204 includes the measurement values measured by the plant PL.

ここで、教師有学習として、例えば、回帰式や、決定木、ランダムフォレスト、畳み込みニューラルネットワーク、再帰型ニューラルネットワークを含むニューラルネットワーク等が利用可能である。教師有学習に入力する入力項目は、実績計測データ２０３の実績計測値が、そのまま使用されてもよいし、実績計測データ２０３の値から所定の条件で選別された項目が使用されてもよい。他にも、２つの項目の差分や合算値、１つの項目の一定期間の積算値や平均値が入力項目として教師有学習処理部１１０に入力されてもよい。ここで、項目とは、温度や、流量等、計測値の種類である。予測モデル構築部１１１で生成される予測モデル２１１とは、生成されたモデルの構造及び最適化されたモデル中の各変数を意味する。 Here, as supervised learning, for example, a regression equation, a decision tree, a random forest, a convolutional neural network, a neural network including a recurrent neural network, and the like can be used. As the input items to be input to the supervised learning, the actual measurement values of the actual measurement data 203 may be used as they are, or the items selected from the values of the actual measurement data 203 under predetermined conditions may be used. In addition, the difference or total value of the two items, the integrated value or the average value of one item for a certain period may be input to the supervised learning processing unit 110 as an input item. Here, the item is a type of measured value such as temperature and flow rate. The prediction model 211 generated by the prediction model construction unit 111 means the structure of the generated model and each variable in the optimized model.

（教師無学習処理部１２０の処理）
分類モデル構築部１２１は、実績ＤＢ１０１に格納されている実績計測データ２０３を取得する（Ｓ１１１）。そして、分類モデル構築部１２１は、取得した実績計測データ２０３に対して、教師無学習を行うことにより分類モデル２２１を生成し（Ｓ１１２）、出力する。分類モデル２２１は、実績計測データ２０３を、所定の条件によるカテゴリに分類したものである。なお、カテゴリは、以前に生成したカテゴリが用いられてもよい。 (Processing of unsupervised learning processing unit 120)
The classification model construction unit 121 acquires the actual measurement data 203 stored in the actual DB 101 (S111). Then, the classification model construction unit 121 generates (S112) the classification model 221 by performing unsupervised learning on the acquired performance measurement data 203, and outputs the classification model 221. The classification model 221 classifies the actual measurement data 203 into categories according to predetermined conditions. As the category, the previously generated category may be used.

続いて、分類結果算出部１２２は、プラントＰＬから取得した計測データ２０４が属するカテゴリを検索する（Ｓ１１３）。分類結果算出部１２２は、検索結果２２２をカテゴリ情報生成部１２３へ出力する。検索結果２２２には、計測データ２０４が属するカテゴリの情報が含まれている。なお、計測データ２０４にはプラントＰＬで計測された計測値が含まれている。
そして、カテゴリ情報生成部１２３は、検索結果２２２を基に、カテゴリ情報ｙ２を生成し、出力する（Ｓ１１４）。ここで出力されるカテゴリ情報ｙ２は、計測データ２０４が属するカテゴリの最大値、最小値や、カテゴリに含まれるすべての実績制御値等、複数の値を含むものである。 Subsequently, the classification result calculation unit 122 searches for the category to which the measurement data 204 acquired from the plant PL belongs (S113). The classification result calculation unit 122 outputs the search result 222 to the category information generation unit 123. The search result 222 includes information on the category to which the measurement data 204 belongs. The measurement data 204 includes the measured values measured by the plant PL.
Then, the category information generation unit 123 generates and outputs the category information y2 based on the search result 222 (S114). The category information y2 output here includes a plurality of values such as the maximum value and the minimum value of the category to which the measurement data 204 belongs, and all the actual control values included in the category.

ここで、教師無学習として、例えば、階層型クラスタリングや、Ｋ平均法を含む非階層型クラスタリング、自己組織化マップを含むニューラルネットワーク等が利用可能である。教師無学習に入力する実績計測データ２０３は、前記したような過去の実績計測値をそのまま入力項目としてもよいし、選別された所定の項目の実績計測値を使用してもよい。他にも、実績計測値における２つの項目の差分や合算値、１つの項目の一定期間の積算値や平均値が、実績計測データ２０３の代わりとして入力されてもよい。 Here, as unsupervised learning, for example, hierarchical clustering, non-hierarchical clustering including the K-means method, a neural network including a self-organizing map, and the like can be used. As the performance measurement data 203 to be input without teacher learning, the past performance measurement values as described above may be used as input items as they are, or the performance measurement values of the selected predetermined items may be used. In addition, the difference or total value of the two items in the actual measurement value, the integrated value or the average value of one item for a certain period may be input instead of the actual measurement data 203.

（信頼度評価処理部１３０の処理）
まず、乖離度算出部１３１は、予測制御値算出部１１２から予測制御値ｙ１を取得するとともに、カテゴリ情報生成部１２３からカテゴリ情報ｙ２を取得する。
そして、乖離度算出部１３１は、取得した予測制御値ｙ１と、カテゴリ情報ｙ２との乖離度２３１を算出する（Ｓ１２１）。 (Processing of reliability evaluation processing unit 130)
First, the deviation degree calculation unit 131 acquires the prediction control value y1 from the prediction control value calculation unit 112 and the category information y2 from the category information generation unit 123.
Then, the deviation degree calculation unit 131 calculates the deviation degree 231 between the acquired prediction control value y1 and the category information y2 (S121).

乖離度２３１の算出は、以下の式（１）〜（３）のいずれかが用いられる。あるいは、式（１）〜（３）のうち、少なくとも２つが組み合わされてもよい。また、予測制御値ｙ１と、カテゴリ情報ｙ２との乖離の度合を示す値であれば、式（１）〜（３）以外の式が乖離度２３１の算出式として用いられてもよい。 Any of the following equations (1) to (3) is used to calculate the degree of divergence 231. Alternatively, at least two of the formulas (1) to (3) may be combined. Further, as long as it is a value indicating the degree of dissociation between the prediction control value y1 and the category information y2, an expression other than the equations (1) to (3) may be used as the calculation expression of the dissociation degree 231.

Ｄ ＝ ｙ２ｍｉｎ −ｙ１ ・・・（１）
Ｄ ＝ ｙ１ − ｙ２ｍａｘ ・・・ （２）
Ｄ ＝ ｜（ｙ２ａｖｅ − ｙ１）／（ｙ２ｍａｘ−ｙ２ｍｉｎ）｜ ・・・ （３） D = y2min −y1 ・ ・ ・ (1)
D = y1-y2max ... (2)
D = | (y2ave-y1) / (y2max-y2min) | ... (3)

ここで、式（１）〜（３）において、Ｄは乖離度２３１である。そして、ｙ１は予測制御値算出部１１２から出力される予測制御値である。また、ｙ２ａｖｅはカテゴリ情報ｙ２の平均値である。そして、ｙ２ｍｉｎは、カテゴリ情報ｙ２の最小値である。また、ｙ２ｍａｘはカテゴリ情報ｙ２の最大値である。なお、前記したように、カテゴリ情報ｙ２は、一般的に所定の幅を有する値として出力される。 Here, in the equations (1) to (3), D is the degree of deviation 231. And y1 is a prediction control value output from the prediction control value calculation unit 112. Further, y2ave is an average value of category information y2. And y2min is the minimum value of category information y2. Further, y2max is the maximum value of the category information y2. As described above, the category information y2 is generally output as a value having a predetermined width.

信頼度算出部１３２は、乖離度算出部１３１から出力された乖離度２３１を基に、信頼度２３２を算出し（Ｓ１２２）、出力する。信頼度２３２は、乖離度２３１が大きければ低くなり、乖離度２３１が小さければ高くなるように算出される。信頼度算出部１３２は、例えば、任意の換算式、あるいは、所定の基準値を設定し、任意の範囲の乖離度２３１に対する信頼度２３２の対応表を使用することで信頼度２３２を算出する。例えば、乖離度２３１として式（１）が用いられている場合、以下の式（１１）が信頼度２３２の換算式として用いられる。 The reliability calculation unit 132 calculates the reliability 232 based on the deviation degree 231 output from the deviation degree calculation unit 131 (S122), and outputs the reliability. The reliability 232 is calculated so that the larger the deviation degree 231 is, the lower the reliability is, and the smaller the deviation degree 231 is, the higher the reliability degree is. The reliability calculation unit 132 calculates the reliability 232 by, for example, setting an arbitrary conversion formula or a predetermined reference value and using a correspondence table of the reliability 232 with respect to the deviation degree 231 in an arbitrary range. For example, when the equation (1) is used as the deviation degree 231, the following equation (11) is used as the conversion equation of the reliability 232.

Ｔ ＝ １ − （Ｄ／ｙ１） ・・・ （１１） T = 1 − (D / y1) ・ ・ ・ (11)

なお、乖離度２３１が大きければ低くなり、乖離度２３１が小さければ高くなるようになれば、乖離度２３１として式（１１）以外の式が用いられてもよい。 If the degree of divergence 231 is large, the degree of divergence is low, and if the degree of divergence 231 is small, the degree of divergence is high.

表示処理部１４１は、算出された信頼度２３２を、予測制御値ｙ１、カテゴリ情報ｙ２とともにモニタ１４２に表示する（Ｓ１３１）。これにより、運転員は、予測制御値ｙ１のみではなく、信頼度２３２を参照してプラントＰＬに設定する制御値を決定することができる。 The display processing unit 141 displays the calculated reliability 232 on the monitor 142 together with the prediction control value y1 and the category information y2 (S131). As a result, the operator can determine the control value to be set in the plant PL by referring to the reliability 232 as well as the predicted control value y1.

なお、本実施形態では、予測制御値ｙ１を教師有学習によって算出しているが、教師無学習によって予測制御値ｙ１が算出されてもよい。つまり、教師有学習処理部１１０が、教師無学習によって予測制御値ｙ１を出力するものに交換されてもよい。ここで、教師無学習として、階層型クラスタリングや、Ｋ平均法を含む非階層型クラスタリング、自己組織化マップを含むニューラルネットワーク等が利用される。この場合、実績制御データ２０２をカテゴリに分類し、プラントＰＬから取得された制御値が、どの実績制御データ２０２のカテゴリに属しているかが検索される。なお、ここでは、分類モデルが予測モデルとなる。そして、取得された制御値が属しているカテゴリにおける実績制御値の平均値、中央値、最小値、最大値等が予測制御値ｙ１として出力される。これは、以下の第２実施形態以下でも同様である。 In the present embodiment, the predictive control value y1 is calculated by supervised learning, but the predictive control value y1 may be calculated by unsupervised learning. That is, the supervised learning processing unit 110 may be replaced with one that outputs the predictive control value y1 by unsupervised learning. Here, as unsupervised learning, hierarchical clustering, non-hierarchical clustering including the K-means method, a neural network including a self-organizing map, and the like are used. In this case, the actual control data 202 is classified into categories, and it is searched which category of the actual control data 202 the control value acquired from the plant PL belongs to. Here, the classification model is the prediction model. Then, the average value, the median value, the minimum value, the maximum value, and the like of the actual control values in the category to which the acquired control value belongs are output as the predicted control value y1. This also applies to the following second embodiment and below.

第１実施形態の運転管理支援装置１によれば、教師有学習処理部１１０によって算出された予測制御値ｙ１と、教師無学習処理部１２０によって算出されたカテゴリ情報ｙ２との比較に基づいて、予測制御値ｙ１の信頼度２３２が算出される。そして、予測制御値ｙ１の信頼度２３２から予測制御値ｙ１の適用可否を運転員が判断することができる。従って、信頼性の低い予測制御値ｙ１を用いて制御することによる運転効率の低下、製品の品質低下、不具合等を防ぐことができる。 According to the operation management support device 1 of the first embodiment, based on the comparison between the predicted control value y1 calculated by the supervised learning processing unit 110 and the category information y2 calculated by the unsupervised learning processing unit 120, The reliability 232 of the prediction control value y1 is calculated. Then, the operator can determine whether or not the predictive control value y1 can be applied from the reliability 232 of the predictive control value y1. Therefore, it is possible to prevent a decrease in operating efficiency, a decrease in product quality, a defect, and the like due to control using the unreliable predicted control value y1.

［第２実施形態］
第２実施形態では、教師有学習と教師無学習を含む３個以上のモデルが使用される運転管理支援装置１ａについて説明する。 [Second Embodiment]
In the second embodiment, the driving management support device 1a in which three or more models including supervised learning and unsupervised learning are used will be described.

＜装置構成＞
図３は、第２実施形態に係る運転管理支援装置１ａの構成例を示す図である。
運転管理支援装置１ａが図１に示す運転管理支援装置１と異なる点は以下の通りである。
（Ａ１）教師有学習処理部１１０が２つ（第１教師有学習処理部１１０Ａ及び第２教師有学習処理部１１０Ｂ）設けられている。第１教師有学習処理部１１０Ａは、第１予測モデル構築部１１１Ａ、第１予測制御値算出部１１２Ａを有する。同様に、第２教師有学習処理部１１０Ｂは、第２予測モデル構築部１１１Ｂ、第２予測制御値算出部１１２Ｂを有する。
（Ａ２）教師無学習処理部１２０が２つ（第１教師無学習処理部１２０Ａ及び第２教師無学習処理部１２０Ｂ）設けられている。第１教師無学習処理部１２０Ａは、第１分類モデル構築部１２１Ａ、第１分類結果算出部１２２Ａ、第１カテゴリ情報生成部１２３Ａを有する。同様に、第２教師無学習処理部１２０Ｂは、第２分類モデル構築部１２１Ｂ、第２分類結果算出部１２２Ｂ、第２カテゴリ情報生成部１２３Ｂを有する。
（Ａ３）第１教師有学習処理部１１０Ａ及び第２教師有学習処理部１１０Ｂから出力される第１予測制御値ｙ１Ａ、第２予測制御値ｙ１Ｂの代表値ｘ１を算出する教師有学習代表値決定部１５１が設けられている。また、第１教師無学習処理部１２０Ａ及び第２教師無学習処理部１２０Ｂから出力される第１カテゴリ情報ｙ２Ａ、第２カテゴリ情報ｙ２Ｂの代表情報ｘ２を算出する教師無学習代表値決定部１５２が設けられている。 <Device configuration>
FIG. 3 is a diagram showing a configuration example of the operation management support device 1a according to the second embodiment.
The differences between the operation management support device 1a and the operation management support device 1 shown in FIG. 1 are as follows.
(A1) Two supervised learning processing units 110 are provided (first supervised learning processing unit 110A and second supervised learning processing unit 110B). The first supervised learning processing unit 110A has a first prediction model construction unit 111A and a first prediction control value calculation unit 112A. Similarly, the second supervised learning processing unit 110B has a second prediction model construction unit 111B and a second prediction control value calculation unit 112B.
(A2) Two teacher-unsupervised processing units 120 (first teacher-unsupervised processing unit 120A and second teacher-unsupervised processing unit 120B) are provided. The first unsupervised learning processing unit 120A has a first classification model construction unit 121A, a first classification result calculation unit 122A, and a first category information generation unit 123A. Similarly, the second unsupervised learning processing unit 120B has a second classification model construction unit 121B, a second classification result calculation unit 122B, and a second category information generation unit 123B.
(A3) Determination of a supervised learning representative value for calculating the representative value x1 of the first predictive control value y1A and the second predictive control value y1B output from the first supervised learning processing unit 110A and the second supervised learning processing unit 110B. A section 151 is provided. Further, the unsupervised learning representative value determination unit 152 that calculates the representative information x2 of the first category information y2A and the second category information y2B output from the first unsupervised learning processing unit 120A and the second unsupervised learning processing unit 120B It is provided.

第１教師有学習処理部１１０Ａ及び第２教師有学習処理部１１０Ｂで使用される教師有学習は、第１実施形態と同様、回帰式、決定木やランダムフォレスト、畳み込みニューラルネットワークや再帰型ニューラルネットワークを含むニューラルネットワーク等が用いられる。この時、第１教師有学習処理部１１０Ａ及び第２教師有学習処理部１１０Ｂで使用される教師有学習は同種の学習が用いられてもよいし、別種の学習が用いられてもよい。また、教師有学習に入力される入力項目は、同一としてもよいし、異なる項目としてもよい。 The supervised learning used in the first supervised learning processing unit 110A and the second supervised learning processing unit 110B is a regression equation, a decision tree or a random forest, a convolutional neural network, or a recurrent neural network, as in the first embodiment. A neural network or the like including is used. At this time, the same type of learning may be used for the supervised learning used in the first supervised learning processing unit 110A and the second supervised learning processing unit 110B, or another type of learning may be used. Further, the input items input to the supervised learning may be the same or different items.

第１教師無学習処理部１２０Ａ及び第２教師無学習処理部１２０Ｂで使用される教師無学習は、第１実施形態と同様、階層型クラスタリングや、Ｋ平均法を含む非階層型クラスタリング、自己組織化マップを含むニューラルネットワーク等が用いられる。この時、第１教師無学習処理部１２０Ａ及び第２教師無学習処理部１２０Ｂで使用される教師無学習は同種の学習が利用されてもよいし、別種の学習が使用されてもよい。また、教師無学習入力される入力項目は、同一としてもよいし、異なる項目としてもよい。 The unsupervised learning used in the first unsupervised learning processing unit 120A and the second unsupervised learning processing unit 120B is the same as in the first embodiment, such as hierarchical clustering, non-hierarchical clustering including the K-means method, and self-organizing. A neural network or the like including a clustering map is used. At this time, the same type of learning may be used for the unsupervised learning used in the first teacher non-learning processing unit 120A and the second teacher non-learning processing unit 120B, or another type of learning may be used. Further, the input items to be input without teacher learning may be the same or different items.

＜フローチャート＞
図４は、図３に示す運転管理支援装置１が行う処理の手順を示すフローチャートである。
（第１教師有学習処理部１１０Ａ及び第２教師有学習処理部１１０Ｂの処理）
第１教師有学習処理部１１０Ａでは、図２のステップＳ１０１〜Ｓ１０３と同様の処理が行われることにより、第１予測制御値ｙ１Ａが出力される。同様に、第２教師有学習処理部１１０Ｂでは、図２のステップＳ１０１〜Ｓ１０３と同様の処理が行われることにより、第２予測制御値ｙ１Ｂが出力される。 <Flowchart>
FIG. 4 is a flowchart showing a procedure of processing performed by the operation management support device 1 shown in FIG.
(Processing of the first supervised learning processing unit 110A and the second supervised learning processing unit 110B)
The first supervised learning processing unit 110A outputs the first predictive control value y1A by performing the same processing as in steps S101 to S103 of FIG. Similarly, in the second supervised learning processing unit 110B, the second prediction control value y1B is output by performing the same processing as in steps S101 to S103 of FIG.

（教師有学習代表値決定部１５１の処理）
そして、教師有学習代表値決定部１５１は、第１予測制御値ｙ１Ａ及び第２予測制御値ｙ１Ｂを取得する。続いて、教師有学習代表値決定部１５１は、第１予測制御値ｙ１Ａ及び第２予測制御値ｙ１Ｂの代表値ｘ１を算出し（Ｓ２０１）、出力する。代表値ｘ１は、平均値、中央値、最大値、最小値のうち、いずれか等である。また、代表値ｘ１は、予測制御値ｙ１として取り扱われる。 (Processing of teachered learning representative value determination unit 151)
Then, the supervised learning representative value determination unit 151 acquires the first predictive control value y1A and the second predictive control value y1B. Subsequently, the supervised learning representative value determination unit 151 calculates (S201) a representative value x1 of the first predictive control value y1A and the second predictive control value y1B, and outputs the result. The representative value x1 is any one of an average value, a median value, a maximum value, and a minimum value. Further, the representative value x1 is treated as the prediction control value y1.

（第１教師無学習処理部１２０Ａ及び第２教師無学習処理部１２０Ｂの処理）
第１教師無学習処理部１２０Ａでは、図２のステップＳ１１１〜Ｓ１１４と同様の処理が行われることにより、第１カテゴリ情報ｙ２Ａが出力される。同様に、第２教師無学習処理部１２０Ｂでは、図２のステップＳ１１１〜Ｓ１１４と同様の処理が行われることにより、第２カテゴリ情報ｙ２Ｂが出力される。 (Processing of 1st teacher unsupervised processing unit 120A and 2nd teacher unsupervised processing unit 120B)
In the first unsupervised learning processing unit 120A, the first category information y2A is output by performing the same processing as in steps S111 to S114 of FIG. Similarly, in the second unsupervised learning processing unit 120B, the second category information y2B is output by performing the same processing as in steps S111 to S114 of FIG.

（教師無学習代表値決定部１５２の処理）
教師無学習代表値決定部１５２は、第１カテゴリ情報ｙ２Ａ及び第２カテゴリ情報ｙ２Ｂを取得する。続いて、教師無学習代表値決定部１５２は、第１カテゴリ情報ｙ２Ａ及び第２カテゴリ情報ｙ２Ｂの代表情報ｘ２を算出し（Ｓ２０２）、出力する。代表情報ｘ２は、例えば、第１カテゴリ情報ｙ２Ａ及び第２カテゴリ情報ｙ２Ｂの最大値のうち、大きい方と、第１カテゴリ情報ｙ２Ａ及び第２カテゴリ情報ｙ２Ｂの最小値のうち、小さい方との組等である。あるいは、第１カテゴリ情報ｙ２Ａ及び第２カテゴリ情報ｙ２Ｂの平均値や、中央値の組が代表情報ｘ２として出力されてもよい。また、第１カテゴリ情報ｙ２Ａ及び第２カテゴリ情報ｙ２Ｂの標準偏差のうち、幅の広い方、あるいは、幅の狭い方の標準偏差が代表情報ｘ２として出力されてもよい。また、代表情報ｘ２は、カテゴリ情報ｙ２として取り扱われる。 (Processing of unsupervised learning representative value determination unit 152)
The unsupervised learning representative value determination unit 152 acquires the first category information y2A and the second category information y2B. Subsequently, the unsupervised learning representative value determination unit 152 calculates (S202) and outputs the representative information x2 of the first category information y2A and the second category information y2B. The representative information x2 is, for example, a set of the larger of the maximum values of the first category information y2A and the second category information y2B and the smaller of the minimum values of the first category information y2A and the second category information y2B. And so on. Alternatively, the average value of the first category information y2A and the second category information y2B, or a set of medians may be output as representative information x2. Further, of the standard deviations of the first category information y2A and the second category information y2B, the wider standard deviation or the narrower standard deviation may be output as the representative information x2. Further, the representative information x2 is treated as the category information y2.

（信頼度評価処理部１３０）
乖離度算出部１３１は、代表値ｘ１、代表情報ｘ２を取得し、代表値ｘ１、代表情報ｘ２を基に乖離度２３１を算出する（Ｓ１２１ａ）。ステップＳ１２１ａの処理は、図２のステップＳ１２１の処理において、予測制御値ｙ１の代わりに代表値ｘ１、カテゴリ情報ｙ２の代わりに代表情報ｘ２が用いられる。
ステップＳ１２２以降は図２の処理と同様であるので、ここでの説明を省略する。 (Reliability Evaluation Processing Unit 130)
The deviation degree calculation unit 131 acquires the representative value x1 and the representative information x2, and calculates the deviation degree 231 based on the representative value x1 and the representative information x2 (S121a). In the process of step S121a, the representative value x1 is used instead of the prediction control value y1 and the representative information x2 is used instead of the category information y2 in the process of step S121 of FIG.
Since step S122 and subsequent steps are the same as the process of FIG. 2, the description here will be omitted.

第２実施形態では、複数の教師有学習、及び／又は、複数の教師無学習が行われることで、より確度の高い予測制御値ｙ１（代表値ｘ１）及び信頼度２３２を得ることができる。 In the second embodiment, more accurate predictive control value y1 (representative value x1) and reliability 232 can be obtained by performing a plurality of supervised learning and / or a plurality of unsupervised learning.

なお、第２実施形態では、教師有学習処理部１１０及び教師無学習処理部１２０がそれぞれ２つずつ設けられているが、教師有学習処理部１１０が３つ以上設けられてもよい。また、教師無学習処理部１２０が３つ以上設けられてもよい。あるいは、教師有学習処理部１１０及び教師無学習処理部１２０のうち、一方が１つ設けられる形態としてもよい。これらの形態でも、図４に示す手順と同様の手順で信頼度２３２の算出が可能である。 In the second embodiment, two teachered learning processing units 110 and two unsupervised learning processing units 120 are provided, but three or more teachered learning processing units 110 may be provided. Further, three or more teacher non-learning processing units 120 may be provided. Alternatively, one of the supervised learning processing unit 110 and the unsupervised learning processing unit 120 may be provided. Also in these forms, the reliability 232 can be calculated by the same procedure as that shown in FIG.

［第３実施形態］
＜装置構成＞
図５は、第３実施形態に係る運転管理支援装置１ｂの構成例を示す図である。
運転管理支援装置１ｂが、図１に示す運転管理支援装置１と異なる点は、信頼度評価処理部１３０の後段に信頼度判定部１６１及び設定処理部１４３が設けられている点である。信頼度判定部１６１及び設定処理部１４３が行う処理については後記する。 [Third Embodiment]
<Device configuration>
FIG. 5 is a diagram showing a configuration example of the operation management support device 1b according to the third embodiment.
The operation management support device 1b differs from the operation management support device 1 shown in FIG. 1 in that a reliability determination unit 161 and a setting processing unit 143 are provided after the reliability evaluation processing unit 130. The processing performed by the reliability determination unit 161 and the setting processing unit 143 will be described later.

＜フローチャート＞
図６は、図５に示す運転管理支援装置１ｂが行う処理の手順を示すフローチャートである。
図６に示すように、ステップＳ１２２の後、信頼度判定部１６１が信頼度判定処理を行っている（Ｓ３０１）。信頼度判定処理については後記する。 <Flowchart>
FIG. 6 is a flowchart showing a procedure of processing performed by the operation management support device 1b shown in FIG.
As shown in FIG. 6, after step S122, the reliability determination unit 161 performs the reliability determination process (S301). The reliability determination process will be described later.

（信頼度判定処理）
図７は、図６のステップＳ３０１における信頼度判定処理の詳細な手順を示すフローチャートである。
まず、信頼度判定部１６１は、信頼度算出部１３２から出力された信頼度２３２を取得する（Ｓ３１１）。
次に、信頼度判定部１６１は、取得した信頼度２３２に対し、閾値判定による信頼度２３２の分類を行う（Ｓ３１２）。ステップＳ３１２では、予め設定されている閾値に従い、信頼度２３２を「低／中／高」や、「適用否／要検討／適用可」等に分類する。ここでは、「低／中／高」に分類されるものとする。 (Reliability judgment processing)
FIG. 7 is a flowchart showing a detailed procedure of the reliability determination process in step S301 of FIG.
First, the reliability determination unit 161 acquires the reliability 232 output from the reliability calculation unit 132 (S311).
Next, the reliability determination unit 161 classifies the acquired reliability 232 into the reliability 232 by the threshold value determination (S312). In step S312, the reliability 232 is classified into "low / medium / high", "applicability / non-applicability / examination required / applicable", etc. according to a preset threshold value. Here, it is assumed that it is classified into "low / medium / high".

ステップＳ３１２の結果、信頼度２３２が「低」及び「中」である場合（Ｓ３１２→「低」及び「中」）、表示処理部１４１は、警告をモニタ１４２に表示する（Ｓ３２１）。その後、表示処理部１４１は、信頼度２３２、予測制御値ｙ１、及び、カテゴリ情報ｙ２をモニタ１４２に表示する（Ｓ３２２）。 As a result of step S312, when the reliability 232 is “low” and “medium” (S312 → “low” and “medium”), the display processing unit 141 displays a warning on the monitor 142 (S321). After that, the display processing unit 141 displays the reliability 232, the prediction control value y1, and the category information y2 on the monitor 142 (S322).

また、ステップＳ３１２の結果、信頼度２３２が「高」である場合（Ｓ３１２→高）、表示処理部１４１は、信頼度２３２、予測制御値ｙ１、及び、カテゴリ情報ｙ２をモニタ１４２に表示する（Ｓ３３１）。そして、設定処理部１４３が、予測制御値ｙ１をプラントＰＬの制御値として設定する（Ｓ３３２）。なお、ステップＳ３３２の処理は省略可能である。 Further, when the reliability 232 is "high" as a result of step S312 (S312 → high), the display processing unit 141 displays the reliability 232, the prediction control value y1, and the category information y2 on the monitor 142 (). S331). Then, the setting processing unit 143 sets the predicted control value y1 as the control value of the plant PL (S332). The process of step S332 can be omitted.

なお、ステップＳ３２２や、ステップＳ３３１において、信頼度２３２、予測制御値ｙ１、カテゴリ情報ｙ２と合わせてステップＳ３１２で用いられた閾値が表示されてもよい。 In step S322 and step S331, the threshold value used in step S312 may be displayed together with the reliability 232, the prediction control value y1, and the category information y2.

第３実施形態によれば、信頼度判定部１６１が信頼度２３２の閾値判定を行うことで、信頼度２３２のランク付けを行う。このようにすることで、運転員が予測制御値ｙ１をプラントＰＬに設定する制御値として採用するか否かの基準を得ることができる。また、閾値判定の結果、信頼度２３２が「高」であると判定されれば、設定処理部１４３が予測制御値ｙ１を制御値としてプラントＰＬに設定する。このようにすることで、予測制御値ｙ１の適用を自動化でき、運転員の負担を軽減することができる。 According to the third embodiment, the reliability determination unit 161 ranks the reliability 232 by determining the threshold value of the reliability 232. By doing so, it is possible to obtain a standard as to whether or not the operator adopts the predicted control value y1 as the control value set in the plant PL. If it is determined that the reliability 232 is "high" as a result of the threshold value determination, the setting processing unit 143 sets the predicted control value y1 as the control value in the plant PL. By doing so, the application of the predicted control value y1 can be automated, and the burden on the operator can be reduced.

［第４実施形態］
＜装置構成＞
図８は、第４実施形態に係る運転管理支援装置１ｃの構成例を示す図である。
第４実施形態の運転管理支援装置１ｃは、信頼度評価処理部１３０の後段にトレンド判定部１７０が設けられている。トレンド判定部１７０は、制御範囲判定部１７１と、トレンド一致判定部１７２とを有する。また、設定処理部１４３が設けられている。制御範囲判定部１７１、トレンド一致判定部１７２及び設定処理部１４３が行う処理については後記する。 [Fourth Embodiment]
<Device configuration>
FIG. 8 is a diagram showing a configuration example of the operation management support device 1c according to the fourth embodiment.
The operation management support device 1c of the fourth embodiment is provided with a trend determination unit 170 after the reliability evaluation processing unit 130. The trend determination unit 170 includes a control range determination unit 171 and a trend match determination unit 172. In addition, a setting processing unit 143 is provided. The processing performed by the control range determination unit 171, the trend match determination unit 172, and the setting processing unit 143 will be described later.

＜フローチャート＞
図９は、図８に示す運転管理支援装置１ｃが行う処理の手順を示すフローチャートである。
図９に示すように、ステップＳ１２２の後、トレンド判定部１７０がトレンド判定処理を行っている（Ｓ４０１）。トレンド判定処理については後記する。 <Flowchart>
FIG. 9 is a flowchart showing a procedure of processing performed by the operation management support device 1c shown in FIG.
As shown in FIG. 9, after step S122, the trend determination unit 170 performs the trend determination process (S401). The trend determination process will be described later.

（トレンド判定処理）
図１０Ａ及び図１０Ｂは、図９のステップＳ４０１におけるトレンド判定処理の詳細な手順を示すフローチャートである。
ここで、制御範囲判定部１７１は過去Ｎ時刻の実績制御データ２０２を使用し、トレンド一致判定部１７２は過去Ｍ時刻の実績制御データ２０２を使用する。このとき、必ずしもＮとＭは一致させる必要はない。 (Trend judgment processing)
10A and 10B are flowcharts showing a detailed procedure of the trend determination process in step S401 of FIG.
Here, the control range determination unit 171 uses the actual control data 202 at the past N time, and the trend match determination unit 172 uses the actual control data 202 at the past M time. At this time, N and M do not necessarily have to match.

まず、入力装置（図１５参照）４１１を介して、制御範囲判定部１７１が使用する過去の時刻Ｎが指定される（図１０ＡのＳ４１１）。なお、Ｎは対象となっているプラントＰＬの時定数や経験知等が参照されることで運転員によって決定される。
次に、制御範囲判定部１７１は、実績ＤＢ１０１から、過去Ｎ時刻の実績制御データ２０２を取得する（Ｓ４１２）。 First, the past time N used by the control range determination unit 171 is designated via the input device (see FIG. 15) 411 (S411 in FIG. 10A). In addition, N is determined by the operator by referring to the time constant, empirical knowledge, etc. of the target plant PL.
Next, the control range determination unit 171 acquires the actual control data 202 at the past N times from the actual DB 101 (S412).

また、制御範囲判定部１７１は、過去Ｎ時刻の予測制御値ｙ１を取得する（Ｓ４１３）。
次に、制御範囲判定部１７１は、取得した予測制御値ｙ１のすべてが制御範囲に含まれている否かを判定する（Ｓ４１４）。例えば、任意のｎ時刻（ｎ?Ｎ）における過去の弁開度（実績制御値）の変化量Δｙ以内（あるいはΔｙ％以内）でプラントＰＬの制御が行われるようにする。この場合、Δｙが制御範囲となり、ステップＳ４１３において、制御範囲判定部１７１は、予測制御値ｙ１が、Δｙの範囲内にあるか否かを判定する。通常、プラントＰＬの制御値に関しては、このような制御範囲がルールとして定められている。本実施形態では、制御範囲が別途設定されてもよいし、既存のルールが制御範囲として流用されてもよい。
また、予測制御値ｙ１が制御範囲外である場合（Ｓ４１４→否）、表示処理部１４１はモニタ１４２に制御範囲判定結果がエラーである旨を表示する（Ｓ４１５）。そして、運転管理支援装置１ｃは処理を終了する。 Further, the control range determination unit 171 acquires the predicted control value y1 of the past N time (S413).
Next, the control range determination unit 171 determines whether or not all of the acquired predicted control values y1 are included in the control range (S414). For example, the plant PL is controlled within Δy (or within Δy%) of the change amount of the past valve opening (actual control value) at an arbitrary n time (n? N). In this case, Δy becomes the control range, and in step S413, the control range determination unit 171 determines whether or not the predicted control value y1 is within the range of Δy. Normally, such a control range is defined as a rule for the control value of the plant PL. In the present embodiment, the control range may be set separately, or the existing rule may be diverted as the control range.
Further, when the predicted control value y1 is out of the control range (S414 → No), the display processing unit 141 displays on the monitor 142 that the control range determination result is an error (S415). Then, the operation management support device 1c ends the process.

予測制御値ｙ１が過去Ｎ時刻の実績制御データ２０２から見て制御範囲に入っている場合（Ｓ４１４→可）、表示処理部１４１は、制御範囲判定結果が「可」である旨をモニタ１４２に表示する（Ｓ４１６）。
そして、入力装置（図１５参照）４１１を介してトレンド一致判定部１７２が使用する過去の時刻Ｍが入力される（図１０ＢのＳ４２１）。
次に、トレンド一致判定部１７２は、実績ＤＢ１０１から過去Ｍ時刻の実績制御データ２０２を取得する（Ｓ４２２）。
さらに、トレンド一致判定部１７２は、最新の予測制御値ｙ１を取得する（Ｓ４２３）。 When the predicted control value y1 is within the control range as viewed from the actual control data 202 at the past N time (S414 → Yes), the display processing unit 141 notifies the monitor 142 that the control range determination result is “Yes”. Display (S416).
Then, the past time M used by the trend matching determination unit 172 is input via the input device (see FIG. 15) 411 (S421 in FIG. 10B).
Next, the trend match determination unit 172 acquires the actual control data 202 of the past M time from the actual DB 101 (S422).
Further, the trend matching determination unit 172 acquires the latest prediction control value y1 (S423).

次に、トレンド一致判定部１７２は、ステップＳ４２２で取得した過去Ｍ時刻の実績制御データ２０２から現行トレンドを取得する（Ｓ４２４）。現行トレンドは、例えば、実績制御データ２０２における現在から過去の時刻Ｍの期間の差分又は傾きを算出後、閾値に基づいて減少／維持／増大を判定することで抽出される。現行トレンドを差分で抽出する場合、ｍ１時刻前とｍ２時刻前の実績制御値の差分や、ｍ１時刻前の実績制御値と過去Ｍ時刻の実績制御値の平均値との差分等が利用できる。現行トレンドを傾きで抽出する場合、ｍ１時刻からｍ２時刻までの実績制御値の変化を時刻に対する傾きとして算出した値が利用できる。ここで、ｍ１，ｍ２は、ｍ１＜ｍ２＜Ｍである。 Next, the trend match determination unit 172 acquires the current trend from the actual control data 202 of the past M time acquired in step S422 (S424). The current trend is extracted, for example, by calculating the difference or slope of the period from the present to the past time M in the actual control data 202, and then determining the decrease / maintenance / increase based on the threshold value. When the current trend is extracted by the difference, the difference between the actual control values before m1 time and m2 time, the difference between the actual control value before m1 time and the average value of the actual control values at the past M time, and the like can be used. When the current trend is extracted by the slope, the value calculated by changing the actual control value from m1 time to m2 time as the slope with respect to the time can be used. Here, m1 and m2 are m1 <m2 <M.

また、トレンド一致判定部１７２は、過去Ｍ−１時刻の実績制御データ２０２、及び、最新の予測制御値ｙ１より、差分又は傾きを算出し閾値判定に基づき予測制御値ｙ１の予測トレンドを抽出する（Ｓ４２５）。予測トレンドは、現行トレンドと同様の手法で取得される。 Further, the trend match determination unit 172 calculates the difference or slope from the actual control data 202 at the past M-1 time and the latest predicted control value y1, and extracts the predicted trend of the predicted control value y1 based on the threshold value determination. (S425). The forecast trend is obtained in the same way as the current trend.

次に、トレンド一致判定部１７２は、予測トレンドが現行トレンドと一致しているか否かを判定する（Ｓ４３１）。具体的には、トレンド一致判定部１７２は、予測トレンドと、現行トレンドの一致率が所定の値以上であるか否かを判定する。予測トレンドと、現行トレンドの一致率が所定の値以上であれば、トレンド一致判定部１７２はステップＳ４３１で「一致」と判定する。予測トレンドと、現行トレンドの一致率が所定の値未満であれば、トレンド一致判定部１７２はステップＳ４３１で「不一致」と判定する。
予測トレンドが現行トレンドと一致している場合（Ｓ４３１→一致）、表示処理部１４１は、トレンド判定結果として「トレンド一致」をモニタ１４２に表示する（Ｓ４３２）。
予測トレンドが現行トレンドと一致していない場合（Ｓ４３１→不一致）、表示処理部１４１は、警告をモニタ１４２に表示する（Ｓ４３３）。 Next, the trend matching determination unit 172 determines whether or not the predicted trend matches the current trend (S431). Specifically, the trend matching determination unit 172 determines whether or not the matching rate between the predicted trend and the current trend is equal to or greater than a predetermined value. If the matching rate between the predicted trend and the current trend is equal to or higher than a predetermined value, the trend matching determination unit 172 determines in step S431 that the matching rate is “matching”. If the matching rate between the predicted trend and the current trend is less than a predetermined value, the trend matching determination unit 172 determines in step S431 that there is a “mismatch”.
When the predicted trend matches the current trend (S431 → match), the display processing unit 141 displays “trend match” on the monitor 142 as the trend determination result (S432).
When the predicted trend does not match the current trend (S431 → mismatch), the display processing unit 141 displays a warning on the monitor 142 (S433).

ステップＳ４３２及びステップＳ４３３の後、設定処理部１４３は設定条件を満たしているか否かを判定する（Ｓ４４１）。設定条件は、ステップＳ４１４で「可」と判定され、かつ、ステップＳ４３１で「一致」と判定されていることである。
設定条件を満たしている場合（Ｓ４４１→Ｙｅｓ）、設定処理部１４３は最新の予測制御値ｙ１を制御値としてプラントＰＬに設定する（Ｓ４４２）。
設定条件を満たしていない場合（Ｓ４４１→Ｎｏ）、運転管理支援装置１ｃは図９のステップＳ１３１へ処理をリターンする。 After step S432 and step S433, the setting processing unit 143 determines whether or not the setting condition is satisfied (S441). The setting condition is that it is determined as "OK" in step S414 and "matched" in step S431.
When the setting condition is satisfied (S441 → Yes), the setting processing unit 143 sets the latest predicted control value y1 in the plant PL as a control value (S442).
If the setting condition is not satisfied (S441 → No), the operation management support device 1c returns the process to step S131 in FIG.

ステップＳ４１５、Ｓ４１６，Ｓ４３２，Ｓ４３３で示したように、制御範囲判定結果と、トレンド判定結果とが、モニタ１４２に出力される。
また、ステップＳ４４１、Ｓ４４２の処理は省略可能である。また、トレンド一致判定部１７２が省略されてもよい。この場合、ステップＳ４１４で「可」と判定されれば、設定処理部１４３が最新の予測制御値ｙ１を制御値としてプラントＰＬに設定してもよい。あるいは、制御範囲判定部１７１が省略されてもよい。この場合、ステップＳ４３１で「一致」と判定されれば、設定処理部１４３が最新の予測制御値ｙ１を制御値としてプラントＰＬに設定してもよい。 As shown in steps S415, S416, S432, and S433, the control range determination result and the trend determination result are output to the monitor 142.
Further, the processes of steps S441 and S442 can be omitted. Further, the trend matching determination unit 172 may be omitted. In this case, if it is determined as “OK” in step S414, the setting processing unit 143 may set the latest predicted control value y1 in the plant PL as a control value. Alternatively, the control range determination unit 171 may be omitted. In this case, if it is determined as "match" in step S431, the setting processing unit 143 may set the latest predicted control value y1 in the plant PL as a control value.

なお、プラントＰＬの運転パターンがフラグ情報として存在する場合、運転パターン毎に予測トレンドや、現行トレンドが取得されてもよい。また、本実施形態では制御範囲判定（Ｓ４１４）、トレンド一致性判定（Ｓ４３１）の順で判定が実行されているが、トレンド一致性判定、制御範囲判定の順で判定が実行されてもよい。 When the operation pattern of the plant PL exists as flag information, the predicted trend or the current trend may be acquired for each operation pattern. Further, in the present embodiment, the determination is executed in the order of the control range determination (S414) and the trend match determination (S431), but the determination may be executed in the order of the trend match determination and the control range determination.

第４実施形態によれば、現在の稼働状況の制御範囲や、トレンドを考慮した予測制御値ｙ１の採用可否の判断を運転員が行うことができる。また、制御範囲や、トレンドを基に、予測制御値ｙ１をプラントＰＬの制御値として設定するか否かが判定される。そして、予測制御値ｙ１が、制御範囲に入っていたり、現行トレンドと、予測トレンドが一致していたりすれば、設定処理部１４３が予測制御値ｙ１をプラントＰＬの制御値として設定する。これにより、運転員の作業負担を軽減することができる。 According to the fourth embodiment, the operator can determine whether or not to adopt the predicted control value y1 in consideration of the control range of the current operating state and the trend. Further, based on the control range and the trend, it is determined whether or not the predicted control value y1 is set as the control value of the plant PL. Then, if the predicted control value y1 is within the control range or the current trend and the predicted trend match, the setting processing unit 143 sets the predicted control value y1 as the control value of the plant PL. As a result, the work load of the operator can be reduced.

［第５実施形態］
＜装置構成＞
図１１は、第５実施形態に係る運転管理支援装置１ｄの構成例を示す図である。
運転管理支援装置１ｄは、以下の点が図１に示す運転管理支援装置１と異なっている。
（Ｃ１）実績ＤＢ１０１から実績データ２０１が入力されるデータ特徴判定部１８１が設けられている。
（Ｃ２）データ特徴判定部１８１の下流に、データ選別分類部１８２及び乖離度算出方法選択部１８３が設けられている。
（Ｃ３）予測モデル構築部１１１ｄ及び予測制御値算出部１１２ｄを有する教師有学習処理部１１０ａが設けられている。また、分類モデル構築部１２１ｄ、分類結果算出部１２２ｄ、カテゴリ情報生成部１２３を有する教師無学習処理部１２０ａが設けられている。 [Fifth Embodiment]
<Device configuration>
FIG. 11 is a diagram showing a configuration example of the operation management support device 1d according to the fifth embodiment.
The operation management support device 1d is different from the operation management support device 1 shown in FIG. 1 in the following points.
(C1) A data feature determination unit 181 for inputting actual data 201 from the actual DB 101 is provided.
(C2) A data selection / classification unit 182 and a deviation degree calculation method selection unit 183 are provided downstream of the data feature determination unit 181.
(C3) A supervised learning processing unit 110a having a prediction model construction unit 111d and a prediction control value calculation unit 112d is provided. Further, a teacher non-learning processing unit 120a having a classification model construction unit 121d, a classification result calculation unit 122d, and a category information generation unit 123 is provided.

ここで、予測モデル構築部１１１ｄ、予測制御値算出部１１２ｄ、分類モデル構築部１２１ｄ、分類結果算出部１２２ｄ、データ特徴判定部１８１、データ選別分類部１８２、乖離度算出方法選択部１８３が行う処理については、後記する。 Here, the processing performed by the prediction model construction unit 111d, the prediction control value calculation unit 112d, the classification model construction unit 121d, the classification result calculation unit 122d, the data feature determination unit 181 and the data selection classification unit 182, and the deviation degree calculation method selection unit 183. Will be described later.

＜フローチャート＞
図１２は、図１１に示す運転管理支援装置１ｄが行う処理の手順を示すフローチャートである。
データ特徴判定部１８１は、はじめに実績データ２０１の特徴を抽出する（Ｓ５０１）。抽出される実績データ２０１の特徴は、実績ＤＢ１０１に格納されている、すべての実績データ２０１あるいは一部の実績データ２０１の平均値、分散、分布形状等の統計情報である。なお、データ特徴判定部１８１は、運転パターンのフラグ情報や、稼働期間に基づいて、例えば、プラントＰＬの定常運転期間等、一部の実績データ２０１を特徴抽出の対象としてもよい。この場合、対象となる一部の実績データ２０１の統計情報を実績データ２０１の特徴としてもよい。あるいは、一部の実績データ２０１の統計情報と、すべての実績データ２０１の統計情報との差異が実績データ２０１の特徴とされてもよい。 <Flowchart>
FIG. 12 is a flowchart showing a procedure of processing performed by the operation management support device 1d shown in FIG.
The data feature determination unit 181 first extracts the features of the actual data 201 (S501). The feature of the extracted actual data 201 is statistical information such as the average value, variance, and distribution shape of all the actual data 201 or some of the actual data 201 stored in the actual DB 101. The data feature determination unit 181 may target some actual data 201 such as a steady operation period of the plant PL as a target for feature extraction based on the flag information of the operation pattern and the operation period. In this case, the statistical information of a part of the target actual data 201 may be a feature of the actual data 201. Alternatively, the difference between the statistical information of some of the actual data 201 and the statistical information of all the actual data 201 may be a feature of the actual data 201.

そして、データ選別分類部１８２は、実績データ２０１を選別分類し（Ｓ５０２）、選別分類した結果である実績データ２０１のグループを教師有学習処理部１１０及び教師無学習処理部１２０へ送る。
ステップＳ５０２における、データ選別分類部１８２による選別分類は、例えば、以下のようなものが考えられる。どのような条件で選別分類が行われるかは、運転員によって設定される。
（Ｃ１１）データ特徴判定部１８１によって抽出された特徴に基づく選別分類。例えば、データ選別分類部１８２は、平均値がある値から所定範囲に入っている実績データ２０１のグループや、同様の分布形状を有する実績データ２０１のグループに選別分類する。
（Ｃ１２）フラグ情報に基づく選別分類。例えば、データ選別分類部１８２は、フラグ情報に基づいてプラントＰＬの稼働開始〜２時間後、２時間〜５時間後、５時間後〜プラントＰＬの稼働終了等で実績データ２０１を選別分類する。 Then, the data selection classification unit 182 selects and classifies the actual data 201 (S502), and sends a group of the actual data 201, which is the result of the selection and classification, to the supervised learning processing unit 110 and the unsupervised learning processing unit 120.
As the sorting classification by the data sorting classification unit 182 in step S502, for example, the following can be considered. The conditions under which the sorting and classification are performed are set by the operator.
(C11) Sorting and classification based on the features extracted by the data feature determination unit 181. For example, the data selection / classification unit 182 sorts and classifies the average value into a group of actual data 201 within a predetermined range from a certain value and a group of actual data 201 having a similar distribution shape.
(C12) Sorting classification based on flag information. For example, the data selection / classification unit 182 sorts and classifies the actual data 201 based on the flag information, such as from the start of operation of the plant PL to 2 hours, 2 hours to 5 hours, 5 hours to the end of operation of the plant PL.

なお、前記したように、実績データ２０１は、温度や、圧力（実績計測値）、弁の開度や、原料の投入量設定値（実績制御値）等、様々な種類のデータが含まれる。ステップＳ５０２の選別分類は、これらデータの種類毎に行うこともできる。 As described above, the actual data 201 includes various types of data such as temperature, pressure (actual measurement value), valve opening degree, raw material input amount setting value (actual control value), and the like. The selection and classification in step S502 can also be performed for each of these types of data.

また、乖離度算出方法選択部１８３は、あらかじめ定めておいた実績データ２０１の特徴と乖離度算出方法との対応表５００と、データ特徴判定部１８１によって算出された実績データ２０１の特徴とに基づいて、乖離度算出方法を決定する（Ｓ５１１）。乖離度算出方法選択部１８３は、データ特徴判定部１８１によって算出された実績データ２０１の特徴に基づいて、乖離度算出の際のパラメータを調整してもよい。 Further, the divergence degree calculation method selection unit 183 is based on the correspondence table 500 between the characteristics of the actual data 201 and the divergence degree calculation method, which are determined in advance, and the characteristics of the actual data 201 calculated by the data feature determination unit 181. The method for calculating the degree of divergence is determined (S511). The deviation degree calculation method selection unit 183 may adjust the parameters for calculating the deviation degree based on the characteristics of the actual data 201 calculated by the data feature determination unit 181.

なお、ステップＳ１０１〜Ｓ１０３，Ｓ１１１〜Ｓ１１４，Ｓ１２１〜Ｓ１２２、Ｓ１３１は、概ね第１実施形態と同様であるが、以下の点で異なっている。
（Ｃ２１）予測モデル構築部１１１ｄは、ステップＳ５０２における選別分類で分けられた、実績データ２０１のグループ毎に予測モデル２１１を生成する（Ｓ１０２ａ）。
（Ｃ２２）予測制御値算出部１１２ｄは、予測制御値ｙ１を算出する（Ｓ１０３ａ）。この際、取得された計測データ２０４に対応するグループの予測モデル２１１が用いられる計測データ２０４に対応するグループとは、例えば、平均値を基にグループが形成されている場合、計測データ２０４の値に対応するグループである。また、フラグ情報に基づいてグループが形成されている場合、計測データ２０４のフラグ情報に対応するグループが計測データ２０４に対応するグループとなる。 Steps S101 to S103, S111 to S114, S121 to S122, and S131 are substantially the same as those of the first embodiment, but are different in the following points.
(C21) The prediction model construction unit 111d generates the prediction model 211 for each group of the actual data 201 divided by the selection classification in step S502 (S102a).
(C22) The predictive control value calculation unit 112d calculates the predictive control value y1 (S103a). At this time, the prediction model 211 of the group corresponding to the acquired measurement data 204 is used. The group corresponding to the measurement data 204 is, for example, the value of the measurement data 204 when the group is formed based on the average value. It is a group corresponding to. When a group is formed based on the flag information, the group corresponding to the flag information of the measurement data 204 becomes the group corresponding to the measurement data 204.

なお、計測データ２０４も温度や、圧力等、様々な種類のデータが含まれるが、ステップＳ５０２の選別分類がデータの種類毎に行われている場合、算出される予測制御値ｙ１は、データの種類毎の選別分類が反映されることになる。つまり、予測制御値算出部１１２ｄは、温度の計測データ２０４に対して、温度のグループを基に予測制御値ｙ１を算出する。 The measurement data 204 also includes various types of data such as temperature and pressure, but when the selection classification in step S502 is performed for each type of data, the calculated predictive control value y1 is the data. The selection classification for each type will be reflected. That is, the predictive control value calculation unit 112d calculates the predictive control value y1 based on the temperature group with respect to the temperature measurement data 204.

（Ｃ３１）分類モデル構築部１２１ｄは、ステップＳ５０２における選別分類で分けられた、実績データ２０１のグループ毎に分類モデル２２１を生成する（Ｓ１１２ａ）。
（Ｃ３２）分類結果算出部１２２ｄはカテゴリを検索する。この際、取得された計測データ２０４の値に対応するグループのカテゴリが検索される（Ｓ１１３ａ）。
なお、計測データ２０４の値に対応するグループとは、（Ｃ２２）で前記したものと同様のものである。また、ステップＳ５０２の選別分類がデータの種類毎に行われている場合、カテゴリの検索は、データの種類が反映されたものとなる。例えば、分類結果算出部１２２ｄは、温度の計測データ２０４に対して、温度のグループにおけるカテゴリを検索する。 (C31) The classification model construction unit 121d generates a classification model 221 for each group of actual data 201 divided by the selection classification in step S502 (S112a).
(C32) The classification result calculation unit 122d searches for a category. At this time, the category of the group corresponding to the value of the acquired measurement data 204 is searched (S113a).
The group corresponding to the value of the measurement data 204 is the same as that described above in (C22). Further, when the selection classification in step S502 is performed for each data type, the category search reflects the data type. For example, the classification result calculation unit 122d searches the temperature measurement data 204 for a category in the temperature group.

（実績データ２０１の特徴と乖離度算出方法との対応表５００）
図１３は、実績データ２０１の特徴と乖離度算出方法との対応表５００の一例を示す図である。
図１３に示すように、実績データ２０１の特徴と乖離度算出方法との対応表５００は、「判定対象」、「比較対象」を有する「データ」、実績データ２０１の「データ特徴」、「乖離度算出方法」の各項目を有する。
例えば、符号５０１のレコードには、全データにおいて、データ特徴として統計分布が負側に偏在している場合、「Ａ方式」の乖離度算出方法が適用されることが格納されている。
また、符号５０２のレコードには、「運転パターンＡ」のフラグが付されているデータの全データについて、データ特徴としてデータ量が少なければ、Ｂ方式の乖離度算出方法が適用されることが格納されている。 (Correspondence table 500 between the characteristics of the actual data 201 and the method of calculating the degree of deviation)
FIG. 13 is a diagram showing an example of a correspondence table 500 between the features of the actual data 201 and the deviation degree calculation method.
As shown in FIG. 13, the correspondence table 500 between the characteristics of the actual data 201 and the deviation degree calculation method shows the “data” having the “judgment target” and the “comparison target”, the “data characteristics” of the actual data 201, and the “deviation”. It has each item of "degree calculation method".
For example, in the record of reference numeral 501, it is stored that the deviation degree calculation method of the "A method" is applied when the statistical distribution is unevenly distributed on the negative side as a data feature in all the data.
Further, in the record of reference numeral 502, it is stored that if the amount of data is small as a data feature, the deviation degree calculation method of the B method is applied to all the data of the data flagged with "operation pattern A". Has been done.

第５実施形態によれば、所定の条件で選別分類され、グループに分けられた実績データ２０１を基に、予測モデル２１１や、分類モデル２２１が生成される。そして、これらの予測モデル２１１や、分類モデル２２１を基に予測制御値ｙ１や、カテゴリ情報ｙ２が算出される。これにより、予測制御値ｙ１や、カテゴリ情報ｙ２の算出は、ステップＳ５０２の選別分類によるグループが反映される。つまり、計測データ２０４と同様の性質を有する実績データ２０１のグループに基づいて予測制御値ｙ１や、カテゴリ情報ｙ２が算出される。このため、予測制御値ｙ１及びカテゴリ情報ｙ２を基に算出される信頼度２３２の精度を向上させることができる。また、予測制御値ｙ１や、カテゴリ情報ｙ２には、計測データ２０４におけるデータの種類（温度）毎に算出・出力される。このようにすることで、データの種類毎における信頼度２３２の算出を行うことができる。
なお、データ選別分類部１８２は省略可能である。この場合、図１２のステップＳ１０１ａ，Ｓ１０２ａ，Ｓ１１１ａ，Ｓ１１２ａは、第１実施形態のステップＳ１０１，Ｓ１０２，Ｓ１１１，Ｓ１１２と同様の処理となる。 According to the fifth embodiment, the prediction model 211 and the classification model 221 are generated based on the actual data 201 that is sorted and classified under predetermined conditions and divided into groups. Then, the prediction control value y1 and the category information y2 are calculated based on these prediction models 211 and the classification model 221. As a result, the calculation of the prediction control value y1 and the category information y2 reflects the group according to the selection classification in step S502. That is, the prediction control value y1 and the category information y2 are calculated based on the group of the actual data 201 having the same properties as the measurement data 204. Therefore, the accuracy of the reliability 232 calculated based on the prediction control value y1 and the category information y2 can be improved. Further, the prediction control value y1 and the category information y2 are calculated and output for each type (temperature) of the data in the measurement data 204. By doing so, it is possible to calculate the reliability 232 for each type of data.
The data selection / classification unit 182 can be omitted. In this case, steps S101a, S102a, S111a, and S112a of FIG. 12 are the same processes as steps S101, S102, S111, and S112 of the first embodiment.

［画面例］
図１４は、本実施形態における運転管理画面３００の例を示す図である。
運転管理画面３００は、制御対象表示領域３１１、予測制御値表示領域３２０を有する。また、運転管理画面３００は、カテゴリ名表示領域３３１、信頼度表示領域３３２、カテゴリ情報表示領域３３３、制御値頻度情報表示領域３３４を有する。さらに、運転管理画面３００は、信頼度判定結果表示領域３４１、トレンド判定結果表示領域３４２、データ特徴表示領域３４３、乖離度算出方法表示領域３４４、使用学習種類表示領域３４５、制御状態表示領域３５１を有している。 [Screen example]
FIG. 14 is a diagram showing an example of the operation management screen 300 in the present embodiment.
The operation management screen 300 has a control target display area 311 and a prediction control value display area 320. Further, the operation management screen 300 has a category name display area 331, a reliability display area 332, a category information display area 333, and a control value frequency information display area 334. Further, the operation management screen 300 displays a reliability determination result display area 341, a trend determination result display area 342, a data feature display area 343, a deviation degree calculation method display area 344, a learning type display area 345 used, and a control state display area 351. Have.

制御対象表示領域３１１には制御対象となるプラントＰＬ中の機器、機器における部品、制御値が表示される。図１４の例では、制御対象となる機器が「熱交換器Ａ」の「弁Ａ」であり、「熱交換器Ａ」の「弁Ａ」の「開度」が制御対象となっていることが示されている。 In the control target display area 311, the equipment in the plant PL to be controlled, the parts in the equipment, and the control value are displayed. In the example of FIG. 14, the device to be controlled is the "valve A" of the "heat exchanger A", and the "opening" of the "valve A" of the "heat exchanger A" is the control target. It is shown.

予測制御値表示領域３２０には、実績制御値と、予測制御値ｙ１とのグラフが示されている。図１４の例では、実績制御値が実線グラフで示され、予測制御値ｙ１が破線グラフで示されている。また、予測制御値ｙ１を示す破線グラフにおいて星印は最新の予測制御値ｙ１を示す。また、予測制御値表示領域３２０は、最新予測制御値表示領域３２１を備えている。最新予測制御値表示領域３２１に表示されている値は、予測制御値表示領域３２０の星印に相当する予測制御値ｙ１である。なお、図１４の例では、弁の開度が制御対象となっているため、予測制御値ｙ１もパーセント表示となっている。 In the predicted control value display area 320, a graph of the actual control value and the predicted control value y1 is shown. In the example of FIG. 14, the actual control value is shown by a solid line graph, and the predicted control value y1 is shown by a broken line graph. Further, in the broken line graph showing the predicted control value y1, the asterisk indicates the latest predicted control value y1. Further, the predictive control value display area 320 includes the latest predictive control value display area 321. The value displayed in the latest predicted control value display area 321 is the predicted control value y1 corresponding to the star mark in the predicted control value display area 320. In the example of FIG. 14, since the valve opening degree is the control target, the predicted control value y1 is also displayed as a percentage.

カテゴリ名表示領域３３１には、教師無学習で分類され、プラントＰＬから取得された計測値が属するカテゴリが表示されている。図１４の例では、対象となる「弁Ａ」の「開度」が「カテゴリＡ」の属すことが示されている。 In the category name display area 331, the category to which the measured value acquired from the plant PL belongs is displayed, which is classified without teacher learning. In the example of FIG. 14, it is shown that the “opening” of the target “valve A” belongs to the “category A”.

信頼度表示領域３３２には、信頼度算出部１３２によって算出された信頼度２３２が表示されている。
カテゴリ情報表示領域３３３には、教師無学習の結果、生成された各カテゴリに関する情報が表示される。図１４の例では、制御値である弁開度が４つのカテゴリに分類されることが示されている。また、制御対象となる「弁Ａ」の開度が白丸で示されていることで、制御対象となる制御値が、どのカテゴリに属すかが視認可能となっている。
制御値頻度情報表示領域３３４には、プラントＰＬにおけるすべての弁の開度の実績制御値の頻度がヒストグラムで示されている。そして、算出された予測制御値ｙ１に相当するヒストグラムが斜線で示されている。 In the reliability display area 332, the reliability 232 calculated by the reliability calculation unit 132 is displayed.
Information about each category generated as a result of unsupervised learning is displayed in the category information display area 333. In the example of FIG. 14, it is shown that the valve opening degree, which is a control value, is classified into four categories. Further, since the opening degree of the "valve A" to be controlled is indicated by a white circle, it is possible to visually recognize which category the control value to be controlled belongs to.
In the control value frequency information display area 334, the frequency of the actual control value of the opening degree of all the valves in the plant PL is shown by a histogram. Then, the histogram corresponding to the calculated prediction control value y1 is shown by diagonal lines.

信頼度判定結果表示領域３４１には、図６のステップＳ３０１の判定結果が示されている。なお、信頼度判定結果表示領域３４１において、図６のステップＳ３０１で用いられた閾値が判定結果とともに表示されてもよい。
トレンド判定結果表示領域３４２には、図１０ＢのステップＳ４３１の判定結果が示されている。なお、トレンド判定結果表示領域３４２において、図１０ＡのステップＳ４１４の判定結果が、ステップＳ４３１の判定結果とともに表示されてもよい。
データ特徴表示領域３４３には、図１１のデータ特徴判定部１８１によって判定されたデータ特徴の名称が示されている。データ特徴表示領域３４３において、図１３に示す実績データ２０１の特徴と乖離度算出方法との対応表５００の情報や、図１３の「データ特徴」に示される統計分布がデータ特徴の名称とともに表示されてもよい。
乖離度算出方法表示領域３４４には、図１１の乖離度算出方法選択部１８３によって決定された乖離度算出方法の名称が表示されている。
使用学習種類表示領域３４５には、予測制御値ｙ１あるいはカテゴリ情報ｙ２の導出に使用した学習の名称が表示されている。 The determination result in step S301 of FIG. 6 is shown in the reliability determination result display area 341. In the reliability determination result display area 341, the threshold value used in step S301 of FIG. 6 may be displayed together with the determination result.
The trend determination result display area 342 shows the determination result in step S431 of FIG. 10B. In the trend determination result display area 342, the determination result of step S414 of FIG. 10A may be displayed together with the determination result of step S431.
In the data feature display area 343, the name of the data feature determined by the data feature determination unit 181 of FIG. 11 is shown. In the data feature display area 343, the information of the correspondence table 500 between the feature of the actual data 201 shown in FIG. 13 and the deviation degree calculation method and the statistical distribution shown in the “data feature” of FIG. 13 are displayed together with the name of the data feature. You may.
In the divergence degree calculation method display area 344, the name of the divergence degree calculation method determined by the divergence degree calculation method selection unit 183 of FIG. 11 is displayed.
In the learning type display area 345 used, the name of the learning used for deriving the prediction control value y1 or the category information y2 is displayed.

制御状態表示領域３５１には、制御対象となっているプラントＰＬにおいて、どのような制御が行われているかについての情報が表示されている。図１４の例では、制御状態表示領域３５１が、予測制御値ｙ１を制御値として設定する自動運転モードが行われている旨の表示となっているが、予測制御値ｙ１をモニタ１４２で確認して運転員が予測制御値ｙ１を制御値としてプラントＰＬに設定する手動運転モードも表示可能である。また、制御状態表示領域３５１において、運転員が入力装置（図１５参照）４１１を介して入力する情報によって、自動運転モード、手動運転モードの切り替えが可能としてもよい。なお、自動運転モードは、第３実施形態、第４実施形態で実行することができる。
自動運転モードが選択されている場合、信頼度判定部１６１、制御範囲判定部１７１、トレンド一致判定部１７２による判定結果と、判定結果が「可」以外であった場合の対処方法が、制御状態表示領域３５１に表示されてもよい。 In the control status display area 351, information about what kind of control is being performed in the plant PL to be controlled is displayed. In the example of FIG. 14, the control state display area 351 is displayed to indicate that the automatic operation mode in which the predicted control value y1 is set as the control value is being performed. However, the predicted control value y1 is confirmed by the monitor 142. It is also possible to display a manual operation mode in which the operator sets the predicted control value y1 as the control value in the plant PL. Further, in the control state display area 351, the automatic operation mode and the manual operation mode may be switched by the information input by the operator via the input device (see FIG. 15) 411. The automatic operation mode can be executed in the third embodiment and the fourth embodiment.
When the automatic operation mode is selected, the judgment result by the reliability judgment unit 161, the control range judgment unit 171 and the trend match judgment unit 172, and the coping method when the judgment result is other than "OK" are the control states. It may be displayed in the display area 351.

図１４の画面例では、第１実施形態、第３〜第５実施形態におけるすべての結果が表示されているが、それぞれの実施形態の結果のみが適宜表示されてもよい。 In the screen example of FIG. 14, all the results in the first embodiment and the third to fifth embodiments are displayed, but only the results of each embodiment may be displayed as appropriate.

［ハードウェア構成］
図１５は、運転管理支援装置１，１ａ〜１ｄのハードウェア構成を示す図である。
運転管理支援装置１は、メモリ４０１、ＣＰＵ（Central Processing Unit）４０２、記憶装置４０３、入力装置４１１、通信装置４１２、モニタ１４２を有する。通信装置４１２は、プラントＰＬとの情報の送受信を行う。
記憶装置４０３は、実績ＤＢ１０１を含むものであるとともに、各部１１０〜１１２，１１０Ａ〜１１２Ａ，１１０Ｂ〜１１２Ｂ，１２０〜１２３，１２０Ａ〜１２３Ａ，１２０Ｂ〜１２３Ｂ，１３０〜１３２，１４１，１４３，１５１，１５２，１６１，１７０〜１７２，１８１〜１８２が具現化するためのプログラムが格納されている。つまり、まず、記憶装置４０３に格納されているプログラムが、メモリ４０１にロードされる。それから、メモリ４０１にロードされたプログラムが、ＣＰＵ４０２によって実行されることにより、各部１１０〜１１２，１１０Ａ〜１１２Ａ，１１０Ｂ〜１１２Ｂ，１２０〜１２３，１２０Ａ〜１２３Ａ，１２０Ｂ〜１２３Ｂ，１３０〜１３２，１４１，１４１，１５１，１５２，１６１，１７０〜１７２，１８１〜１８２が具現化する。 [Hardware configuration]
FIG. 15 is a diagram showing the hardware configurations of the operation management support devices 1, 1a to 1d.
The operation management support device 1 includes a memory 401, a CPU (Central Processing Unit) 402, a storage device 403, an input device 411, a communication device 412, and a monitor 142. The communication device 412 transmits / receives information to / from the plant PL.
The storage device 403 includes the actual result DB 101, and each part 110-112, 110A-112A, 110B-112B, 120-123, 120A-123A, 120B-123B, 130-132, 141, 143, 151, 152, 161. , 170 to 172, 182 to 182 are stored. That is, first, the program stored in the storage device 403 is loaded into the memory 401. Then, when the program loaded in the memory 401 is executed by the CPU 402, each part 110-112, 110A-112A, 110B-112B, 120-123, 120A-123A, 120B-123B, 130-132, 1411, 141, 151,152,161,170-172,181-182 are embodied.

本発明は前記した実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、前記した実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明したすべての構成を有するものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。 The present invention is not limited to the above-described embodiment, and includes various modifications. For example, the above-described embodiment has been described in detail in order to explain the present invention in an easy-to-understand manner, and is not necessarily limited to those having all the described configurations. Further, it is possible to replace a part of the configuration of one embodiment with the configuration of another embodiment, and it is also possible to add the configuration of another embodiment to the configuration of one embodiment. Further, it is possible to add / delete / replace a part of the configuration of each embodiment with another configuration.

また、本実施形態では、実績ＤＢ１０１が運転管理支援装置１，１ａ〜１ｄに備えられているものとしている。しかし、これに限らず、実績ＤＢ１０１はクラウド上等に設置され、運転管理支援装置１，１ａ〜１ｄはクラウド上に設置されている実績ＤＢ１０１から実績データ２０１を取得してもよい。 Further, in the present embodiment, it is assumed that the performance DB 101 is provided in the operation management support devices 1, 1a to 1d. However, the present invention is not limited to this, and the actual result DB 101 may be installed on the cloud or the like, and the operation management support devices 1, 1a to 1d may acquire the actual data 201 from the actual result DB 101 installed on the cloud.

また、前記した各構成、機能、各部１１０〜１１２，１１０Ａ〜１１２Ａ，１１０Ｂ〜１１２Ｂ，１２０〜１２３，１２０Ａ〜１２３Ａ，１２０Ｂ〜１２３Ｂ，１３０〜１３２，１４１，１５１，１５２，１６１，１７０〜１７２，１８１〜１８２、実績ＤＢ１０１等は、それらの一部又はすべてを、例えば集積回路で設計すること等によりハードウェアで実現してもよい。また、図１５に示すように、前記した各構成、機能等は、ＣＰＵ４０２等のプロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、ＨＤ（Hard Disk）に格納すること以外に、メモリ４０１や、ＳＳＤ（Solid State Drive）等の記録装置、又は、ＩＣ（Integrated Circuit）カードや、ＳＤ（Secure Digital）カード、ＤＶＤ（Digital Versatile Disc）等の記録媒体に格納することができる。
また、各実施形態において、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしもすべての制御線や情報線を示しているとは限らない。実際には、ほとんどすべての構成が相互に接続されていると考えてよい。 Further, each configuration and function described above, each part 110-112, 110A-112A, 110B-112B, 120-123, 120A-123A, 120B-123B, 130-132, 141, 151, 152, 161, 170-172. 181 to 182, achievement DB 101 and the like may be realized by hardware, for example, by designing a part or all of them by an integrated circuit or the like. Further, as shown in FIG. 15, each of the above-described configurations, functions, and the like may be realized by software by interpreting and executing a program in which a processor such as a CPU 402 realizes each function. In addition to storing information such as programs, tables, and files that realize each function in HD (Hard Disk), memory 401, recording devices such as SSD (Solid State Drive), or IC (Integrated Circuit) cards It can be stored in a recording medium such as an SD (Secure Digital) card or a DVD (Digital Versatile Disc).
Further, in each embodiment, the control lines and information lines are shown as necessary for explanation, and not all the control lines and information lines are necessarily shown in the product. In practice, almost all configurations can be considered interconnected.

１，１ａ〜１ｄ 運転管理支援装置
１０１ 実績ＤＢ（記憶部）
１１０，１１０ｄ 教師有学習処理部
１１０Ａ 第１教師有学習処理部
１１０Ｂ 第２教師有学習処理部
１１１，１１１ｄ 予測モデル構築部（第１のモデル生成部）
１１１Ａ 第１予測モデル構築部（第１のモデル生成部）
１１１Ｂ 第２予測モデル構築部（第１のモデル生成部）
１１２，１１２ａ 予測制御値算出部
１１２Ａ 第１予測制御値算出部（予測制御値算出部）
１１２Ｂ 第２予測制御値算出部（予測制御値算出部）
１２０，１２０ｄ 教師無学習処理部
１２０Ａ 第１教師無学習処理部
１２０Ｂ 第２教師無学習処理部
１２１，１２１ｄ 分類モデル構築部（第２のモデル生成部）
１２１Ａ 第１分類モデル構築部（第２のモデル生成部）
１２１Ｂ 第２分類モデル構築部（第２のモデル生成部）
１２２，１２２ｄ 分類結果算出部（カテゴリ選択部）
１２２Ａ 第１分類結果算出部（カテゴリ選択部）
１２２Ｂ 第２分類結果算出部（カテゴリ選択部）
１２３Ａ 第１カテゴリ情報生成部（カテゴリ選択部）
１２３Ｂ 第２カテゴリ情報生成部（カテゴリ選択部）
１２３ カテゴリ情報生成部（カテゴリ選択部）
１３０ 信頼度評価処理部（信頼度算出部）
１３１ 乖離度算出部（信頼度算出部）
１３２ 信頼度算出部
１４１ 表示処理部
１４２ モニタ（表示部）
１４３ 設定処理部
１６１ 信頼度判定部（信頼度ランク判定部）
１７０ トレンド判定部
１７１ 制御範囲判定部
１７２ トレンド一致判定部（トレンド比較部）
１８１ データ特徴判定部（データ特徴算出部）
１８２ データ選別分類部
１８３ 乖離度算出方法選択部（乖離度算出方法決定部）
２０１ 実績データ
２０２ 実績制御データ（実績制御値）
２０３ 実績計測データ（実績計測値）
２０４ 計測データ（計測値）
２１１ 予測モデル（第１のモデル）
２２１ 分類モデル（第２のモデル）
２３２ 信頼度
３３２ 信頼度表示領域（信頼度が表示されている）
５００ 対応表（特徴と、乖離度算出方法との対応表）
ＰＬ プラント（機器）
ｙ１ 予測制御値
ｙ１Ａ 第１予測制御値（予測制御値）
ｙ１Ｂ 第２予測制御値（予測制御値）
ｙ２ カテゴリ情報（カテゴリ）
ｙ２Ａ 第１カテゴリ情報（カテゴリ）
ｙ２Ｂ 第２カテゴリ情報（カテゴリ）
Ｓ１０２ 予測モデルの生成（第１のモデル生成ステップ）
Ｓ１０３ 予測制御値の算出・出力（予測制御値算出ステップ）
Ｓ１１２ カテゴリの生成（第２のモデル生成ステップ）
Ｓ１１３ 検索（カテゴリ選択ステップ）
Ｓ１２２ 信頼度の算出（信頼度算出ステップ）
Ｓ１３１ 表示（表示ステップ） 1,1a to 1d Operation management support device 101 Achievement DB (storage unit)
110,110d Supervised learning processing unit 110A 1st supervised learning processing unit 110B 2nd supervised learning processing unit 111,111d Predictive model construction unit (1st model generation unit)
111A 1st prediction model construction unit (1st model generation unit)
111B Second prediction model construction unit (first model generation unit)
112, 112a Prediction control value calculation unit 112A First prediction control value calculation unit (prediction control value calculation unit)
112B 2nd Predictive Control Value Calculator (Predictive Control Value Calculator)
120, 120d Unsupervised learning processing unit 120A 1st unsupervised learning processing unit 120B 2nd unsupervised learning processing unit 121,121d Classification model construction unit (second model generation unit)
121A First classification model construction unit (second model generation unit)
121B Second classification model construction unit (second model generation unit)
122,122d Classification result calculation unit (category selection unit)
122A 1st classification result calculation unit (category selection unit)
122B Second classification result calculation unit (category selection unit)
123A 1st category information generation unit (category selection unit)
123B Second category information generation unit (category selection unit)
123 Category information generation unit (category selection unit)
130 Reliability evaluation processing unit (reliability calculation unit)
131 Deviation degree calculation unit (reliability calculation unit)
132 Reliability calculation unit 141 Display processing unit 142 Monitor (display unit)
143 Setting processing unit 161 Reliability judgment unit (reliability rank judgment unit)
170 Trend Judgment Unit 171 Control Range Judgment Unit 172 Trend Match Judgment Unit (Trend Comparison Unit)
181 Data feature determination unit (Data feature calculation unit)
182 Data selection and classification unit 183 Deviation degree calculation method selection unit (deviation degree calculation method determination unit)
201 Actual data 202 Actual control data (actual control value)
203 Actual measurement data (actual measurement value)
204 Measurement data (measured value)
211 Prediction model (first model)
221 Classification model (second model)
232 Reliability 332 Reliability display area (reliability is displayed)
500 correspondence table (correspondence table between features and divergence degree calculation method)
PL plant (equipment)
y1 Predictive control value y1A 1st Predictive control value (Predictive control value)
y1B 2nd predictive control value (predictive control value)
y2 category information (category)
y2A 1st category information (category)
y2B 2nd category information (category)
S102 Generation of prediction model (first model generation step)
S103 Calculation / output of predicted control value (predicted control value calculation step)
S112 Category generation (second model generation step)
S113 search (category selection step)
S122 Reliability calculation (reliability calculation step)
S131 display (display step)

Claims (15)

記憶部に格納されている過去の実績データのうち、過去における機器の計測値である実績計測値、及び、過去における前記機器の制御値である実績制御値を用いて、予測制御値を算出するための第１のモデルを生成する第１のモデル生成部と、
前記第１のモデル生成部で生成された前記第１のモデルに、前記機器から入力される計測値を適用することにより、当該計測値に対応する前記予測制御値を算出する予測制御値算出部と、
前記記憶部に格納されている前記実績データのうち、前記実績計測値を所定のカテゴリに分類することで、第２のモデルを生成する第２のモデル生成部と、
前記機器から入力された計測値に対応する前記カテゴリを、前記第２のモデル生成部で分類された前記カテゴリを基に選択するカテゴリ選択部と、
前記予測制御値算出部によって算出された前記予測制御値と、前記カテゴリ選択部で選択された前記カテゴリにおける前記実績制御値とを比較することで前記予測制御値の信頼度を算出する信頼度算出部と、
前記信頼度算出部によって算出された信頼度を表示部に表示する表示処理部と、
を備えることを特徴とする運転管理支援装置。 Of the past actual data stored in the storage unit, the predicted control value is calculated using the actual measured value which is the measured value of the device in the past and the actual control value which is the control value of the device in the past. A first model generator that generates a first model for
Predictive control value calculation unit that calculates the predictive control value corresponding to the measured value by applying the measured value input from the device to the first model generated by the first model generation unit. When,
A second model generation unit that generates a second model by classifying the actual measurement values into a predetermined category among the actual data stored in the storage unit.
A category selection unit that selects the category corresponding to the measured value input from the device based on the category classified by the second model generation unit.
Reliability calculation for calculating the reliability of the predicted control value by comparing the predicted control value calculated by the predicted control value calculation unit with the actual control value in the category selected by the category selection unit. Department and
A display processing unit that displays the reliability calculated by the reliability calculation unit on the display unit,
An operation management support device characterized by being equipped with. 前記信頼度算出部によって算出された信頼度のランク付けを行う信頼度ランク判定部
を備えることを特徴とする請求項１に記載の運転管理支援装置。 The operation management support device according to claim 1, further comprising a reliability rank determination unit that ranks the reliability calculated by the reliability calculation unit. 前記信頼度のランクが所定のランク以上であれば、前記予測制御値を前記機器の制御値として設定する設定処理部
を備えることを特徴とする請求項２に記載の運転管理支援装置。 The operation management support device according to claim 2, further comprising a setting processing unit that sets the predicted control value as a control value of the device if the reliability rank is equal to or higher than a predetermined rank. 前記予測制御値が、過去の前記実績制御値から算出される制御範囲に収まっているか否かを判定する制御範囲判定部
を備えることを請求項１に記載の運転管理支援装置。 The operation management support device according to claim 1, further comprising a control range determination unit for determining whether or not the predicted control value falls within the control range calculated from the past actual control value. 前記予測制御値が、過去の前記実績制御値から算出される制御範囲に収まっている場合、前記予測制御値を前記機器の制御値として設定する設定処理部
を備えることを特徴とする請求項４に記載の運転管理支援装置。 4. A claim 4 comprising a setting processing unit that sets the predicted control value as a control value of the device when the predicted control value falls within a control range calculated from the past actual control value. Operation management support device described in. 前記記憶部に格納されている過去の前記実績制御値から算出されるトレンドと、過去の前記実績制御値と前記予測制御値から算出されるトレンドとを比較するトレンド比較部
を備えることを特徴とする請求項１に記載の運転管理支援装置。 It is characterized by including a trend comparison unit that compares a trend calculated from the past actual control value stored in the storage unit with a trend calculated from the past actual control value and the predicted control value. The operation management support device according to claim 1. 前記トレンド比較部によって、前記記憶部に格納されている過去の前記実績制御値から算出されるトレンドと、過去の前記実績制御値と前記予測制御値から算出されるトレンドとの一致率が所定の値以上であると判定された場合、前記予測制御値を前記機器の制御値として設定する設定処理部
を備えることを特徴とする請求項６に記載の運転管理支援装置。 The trend comparison unit determines a concordance rate between the trend calculated from the past actual control value stored in the storage unit and the trend calculated from the past actual control value and the predicted control value. The operation management support device according to claim 6, further comprising a setting processing unit that sets the predicted control value as a control value of the device when it is determined that the value is equal to or higher than the value. 前記信頼度算出部は、前記予測制御値算出部が算出する前記予測制御値と、前記カテゴリ選択部によって選択された前記カテゴリとの乖離の度合いである乖離度を算出し、算出した当該乖離度を基に信頼度を算出し、
前記記憶部に格納されている前記実績データの特徴を算出するデータ特徴算出部と、
前記データ特徴算出部によって算出された前記実績データの前記特徴をキーとして、記憶部から取得した前記特徴と、前記乖離度の算出方法との対応表を検索することによって前記乖離度の算出方法を決定する乖離度算出方法決定部と、
を備えることを特徴とする請求項１に記載の運転管理支援装置。 The reliability calculation unit calculates the degree of deviation, which is the degree of deviation between the prediction control value calculated by the prediction control value calculation unit and the category selected by the category selection unit, and the calculated degree of deviation. Calculate the reliability based on
A data feature calculation unit that calculates the features of the actual data stored in the storage unit, and a data feature calculation unit.
Using the feature of the actual data calculated by the data feature calculation unit as a key, the calculation method of the deviation degree can be obtained by searching the correspondence table between the feature acquired from the storage unit and the calculation method of the deviation degree. Determining degree of divergence calculation method determination unit and
The operation management support device according to claim 1, wherein the operation management support device is provided. 前記記憶部に格納されている前記実績データの特徴を算出するデータ特徴算出部と、
所定の条件に基づいて、前記実績データをグループに選別分類し、前記実績データを選別分類した結果である前記グループを前記第１のモデル生成部及び前記第２のモデル生成部に出力する前記実績データを選別するデータ選別分類部と
を備え、
前記第１のモデル生成部は、
前記グループに基づいて前記第１のモデルを生成し、
前記第２のモデル生成部は、
前記グループに基づいて前記第２のモデルを生成する
ことを特徴とする請求項１に記載の運転管理支援装置。 A data feature calculation unit that calculates the features of the actual data stored in the storage unit, and a data feature calculation unit.
Based on a predetermined condition, the actual data is sorted into groups, and the group, which is the result of sorting and classifying the actual data, is output to the first model generation unit and the second model generation unit. Equipped with a data sorting and sorting unit that sorts data
The first model generation unit
Generate the first model based on the group and
The second model generation unit
The operation management support device according to claim 1, wherein the second model is generated based on the group. 前記実績計測値、前記実績制御値、及び、前記計測値は、複数種類のデータを含んでおり、
前記データ選別分類部は、
前記実績計測値、及び、前記実績制御値の種類毎に前記グループの選別分類を行い、
前記予測制御値算出部は、
前記計測値におけるデータの種類に応じた前記グループに対して前記計測値を適用し、
前記カテゴリ選択部は、
前記計測値におけるデータの種類に応じた前記グループに対して前記計測値を適用する
ことを特徴とする請求項９に記載の運転管理支援装置。 The actual measurement value, the actual control value, and the measurement value include a plurality of types of data.
The data sorting and sorting unit
The group is sorted and classified according to the type of the actual measurement value and the actual control value.
The predictive control value calculation unit
Applying the measured value to the group according to the type of data in the measured value,
The category selection unit
The operation management support device according to claim 9, wherein the measured value is applied to the group according to the type of data in the measured value. 前記第１のモデル生成部及び前記予測制御値算出部が複数備えられており、
前記予測制御値算出部によって算出された複数の前記予測制御値を基に、新たな予測制御値を生成し、生成した前記新たな予測制御値を前記信頼度算出部へ出力する予測制御値生成部
を備えることを特徴とする請求項１に記載の運転管理支援装置。 A plurality of the first model generation unit and the prediction control value calculation unit are provided.
Prediction control value generation that generates a new prediction control value based on a plurality of the prediction control values calculated by the prediction control value calculation unit and outputs the generated new prediction control value to the reliability calculation unit. The operation management support device according to claim 1, further comprising a unit. 前記第２のモデル生成部及び前記カテゴリ選択部が複数備えられており、
前記カテゴリ選択部によって選択された複数の前記カテゴリに関する情報を基に、新たなカテゴリに関する情報を生成し、生成した新たなカテゴリに関する情報前記信頼度算出部へ出力するカテゴリ情報生成部
を備えることを特徴とする請求項１に記載の運転管理支援装置。 A plurality of the second model generation unit and the category selection unit are provided.
It is provided with a category information generation unit that generates information on a new category based on information on a plurality of the categories selected by the category selection unit and outputs information on the generated new category to the reliability calculation unit. The operation management support device according to claim 1. 前記第１のモデル生成部は、
回帰式、決定木、ランダムフォレスト、ニューラルネットワーク、階層型クラスタリング、Ｋ平均法を含む非階層型クラスタリングのうち、いずれかを用いて、前記第１のモデルを生成し、
前記ニューラルネットワークは、
自己組織化マップ、畳み込みニューラルネットワーク及び再帰型ニューラルネットワークを含む
ことを特徴とする請求項１に記載の運転管理支援装置。 The first model generation unit
The first model is generated using any of regression equations, decision trees, random forests, neural networks, hierarchical clustering, and non-hierarchical clustering including K-means clustering.
The neural network
The operation management support device according to claim 1, further comprising a self-organizing map, a convolutional neural network, and a recurrent neural network. 前記第２のモデル生成部は、
階層型クラスタリング、Ｋ平均法を含む非階層型クラスタリング、自己組織化マップを含むニューラルネットワークのうち、いずれかを用いて前記第２のモデルを生成する
ことを特徴とする請求項１に記載の運転管理支援装置。 The second model generation unit
The operation according to claim 1, wherein the second model is generated by using any one of hierarchical clustering, non-hierarchical clustering including K-means clustering, and a neural network including a self-organizing map. Management support device. 記憶部に格納されている過去の実績データのうち、過去における機器の計測値である実績計測値、及び、過去における前記機器の制御値である実績制御値を用いて、予測制御値を算出するための第１のモデルを生成する第１のモデル生成ステップと、
前記第１のモデル生成ステップで生成された前記第１のモデルに、前記機器から入力される計測値を適用することにより、当該計測値に対応する前記予測制御値を算出する予測制御値算出ステップと、
前記記憶部に格納されている前記実績データのうち、前記実績計測値を所定のカテゴリに分類することで、第２のモデルを生成する第２のモデル生成ステップと、
前記機器から入力された計測値に対応する前記カテゴリを、前記第２のモデル生成ステップで分類された前記カテゴリを基に選択するカテゴリ選択ステップと、
前記予測制御値算出ステップよって算出された前記予測制御値と、前記カテゴリ選択ステップ選択された前記カテゴリにおける前記実績制御値とを比較することで前記予測制御値の信頼度を算出する信頼度算出ステップと、
前記信頼度算出ステップよって算出された信頼度を表示部に表示する表示ステップと、
を行うことを特徴とする運転管理支援方法。 Of the past actual data stored in the storage unit, the predicted control value is calculated using the actual measured value which is the measured value of the device in the past and the actual control value which is the control value of the device in the past. The first model generation step to generate the first model for
Predictive control value calculation step of calculating the predictive control value corresponding to the measured value by applying the measured value input from the device to the first model generated in the first model generation step. When,
A second model generation step of generating a second model by classifying the actual measurement values into a predetermined category among the actual data stored in the storage unit, and
A category selection step for selecting the category corresponding to the measured value input from the device based on the category classified in the second model generation step, and
A reliability calculation step for calculating the reliability of the predicted control value by comparing the predicted control value calculated by the predicted control value calculation step with the actual control value in the selected category. When,
A display step that displays the reliability calculated by the reliability calculation step on the display unit,
A driving management support method characterized by performing.

Images