JP5751045B2 - Plant operating condition optimization system, plant operating condition optimization method, plant operating condition optimization program - Google Patents
Plant operating condition optimization system, plant operating condition optimization method, plant operating condition optimization program Download PDFInfo
- Publication number
- JP5751045B2 JP5751045B2 JP2011140180A JP2011140180A JP5751045B2 JP 5751045 B2 JP5751045 B2 JP 5751045B2 JP 2011140180 A JP2011140180 A JP 2011140180A JP 2011140180 A JP2011140180 A JP 2011140180A JP 5751045 B2 JP5751045 B2 JP 5751045B2
- Authority
- JP
- Japan
- Prior art keywords
- variable
- data
- plant
- driving
- operating condition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims description 173
- 238000000034 method Methods 0.000 title claims description 139
- 238000005259 measurement Methods 0.000 claims description 153
- 238000006243 chemical reaction Methods 0.000 claims description 102
- 238000011156 evaluation Methods 0.000 claims description 96
- 230000014509 gene expression Effects 0.000 claims description 45
- 238000000491 multivariate analysis Methods 0.000 claims description 41
- 238000000513 principal component analysis Methods 0.000 claims description 31
- 238000012628 principal component regression Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 27
- 230000009466 transformation Effects 0.000 claims description 22
- 230000000694 effects Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 79
- 239000013598 vector Substances 0.000 description 48
- 239000011159 matrix material Substances 0.000 description 42
- 230000008569 process Effects 0.000 description 31
- 230000000875 corresponding effect Effects 0.000 description 26
- 238000012545 processing Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000002596 correlated effect Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000010248 power generation Methods 0.000 description 7
- 230000001186 cumulative effect Effects 0.000 description 6
- 238000009472 formulation Methods 0.000 description 6
- 239000000203 mixture Substances 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000010432 diamond Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- CYJRNFFLTBEQSQ-UHFFFAOYSA-N 8-(3-methyl-1-benzothiophen-5-yl)-N-(4-methylsulfonylpyridin-3-yl)quinoxalin-6-amine Chemical compound CS(=O)(=O)C1=C(C=NC=C1)NC=1C=C2N=CC=NC2=C(C=1)C=1C=CC2=C(C(=CS2)C)C=1 CYJRNFFLTBEQSQ-UHFFFAOYSA-N 0.000 description 1
- 101100401100 Caenorhabditis elegans mes-1 gene Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- General Factory Administration (AREA)
- Feedback Control In General (AREA)
Description
本発明は、回帰モデルに基づき運転指標変数を最適化するような運転状態変数を求めるプラントの運転条件最適化システム、プラントの運転条件最適化方法、プラントの運転条件最適化プログラムに関する。 The present invention relates to a plant operation condition optimization system, a plant operation condition optimization method, and a plant operation condition optimization program for obtaining an operation state variable that optimizes an operation index variable based on a regression model.
プラントの運転において望まれる点は、製造プラントであれば製品品質及び歩留であり、その他のプラントであれば運転効率及びコストである。更に環境要因としてのCO2排出量等の運転指標が最適となるプラントの運転が望まれており、これらを実現することがプラント運転における大きな関心事である。従来、この関心事に対して以下の特許文献1、2、3に記載されたような方法、装置等が提案されてきた。
What is desired in the operation of the plant is product quality and yield in the case of a production plant, and operation efficiency and cost in the case of other plants. Furthermore, it is desired to operate the plant in which the operation index such as the CO 2 emission amount as an environmental factor is optimum, and realizing these is a great concern in the plant operation. Conventionally, methods, devices and the like as described in the following
例えば、特許文献1の発電プラントの運転最適化方法及び装置では、発電プラントのタービン入口蒸気の温度と圧力とから、エントロピー計算に基づいてプラント運転評価指標としてタービン効率を計算する物理モデル(特許文献1の図9の物理モデル113)を用いている。特許文献1の段落[0023]以降に記載されているように、非線形計画演算部を備えており、非線形最適化手法により最適運転条件を求めている。特許文献1ではローカルミニマムを回避するために複雑な最適化手法を組み合わせている。
For example, in the power plant operation optimization method and apparatus disclosed in
特許文献2に記載されたコジェネプラントとその運転方法では、コジェネプラントの複数のユニットについて、予め各ユニットについて単独試験等により求めた送出蒸気量、燃料消費量の特性を表す線形式(個別モデル)等に基づいて各種プラント運転評価指数を蒸気の温度、圧力等の運転条件の線形式(全体モデル)として表している(特許文献2の図2参照)。特許文献2の段落[0016]以降に記載されているように、運転計画部は、この線形式に基づいて線形計画法により1つまたは複数の運転評価指標を最適化しようとしている。
In the cogeneration plant and its operation method described in
特許文献3に記載された操作変数選択装置等では、対象プロセスの操作変数の変化が該対象プロセスの品質変数に与える影響を表す項、対象プロセスの操作変数と品質変数との間の非線形を表す項、操作に関わるコスト及びペナルティを表す項、これら3項の任意の非線形関数として与えられる評価関数を用いている。
In the operation variable selection device described in
上述したように、特許文献1では物理モデルを用いているが、それが現実のモデルの入出力の物理量(の関係)を適切に表しているか否かは不明瞭である。具体的には現実の物理量に合わせるために物理モデルのパラメータの合わせ込みが必要となり、これには多大な労力が必要となるという問題があった。
As described above, although a physical model is used in
特許文献1記載の発電プラントの運転最適化方法等では、上述したように非線形最適化手法を用いているため、計算が煩雑になるという問題もあった。特許文献1ではローカルミニマムを回避するために複雑な最適化手法を組み合わせているが、これにより更に計算時間がかかることになる。この結果、例えば複数の運転評価指標を評価して最適な運転条件を定めようとすることは現実的には不可能になり、得られた最適な運転条件と他の条件との比較評価を行うことは困難であるという問題があった。
決定変数同士は完全に独立に設定できるものではなく、一般に決定変数同士が相関を持っている場合がある。この場合、決定変数同士の相関を保ったまま変化させる必要があるが、一般の非線形最適化手法では、それを考慮できないという問題があった。
The power plant operation optimizing method described in
The decision variables cannot be set completely independently. In general, the decision variables may be correlated with each other. In this case, it is necessary to change the correlation between the decision variables, but there is a problem that the general nonlinear optimization method cannot take it into account.
加えて、運転条件に対応する物理モデルのパラメータが、人が制御・設定できる変数であるとは限らないため、当該物理モデルから得られた最適な運転条件を実際にその通りにプラントに実装できるとは限らないという問題もあった。 In addition, since the parameters of the physical model corresponding to the operating conditions are not necessarily variables that can be controlled and set by humans, the optimal operating conditions obtained from the physical model can actually be implemented in the plant as it is. There was also a problem that it was not always.
一方、特許文献2における「モデル」は線形であり、最適化手法も線形計画法であって簡便であり、複数の運転評価指標を考慮することもできる。しかし、当該「モデル」を作成するためにはプラントの試験等によりその特性を評価する必要があるため、多大な労力を要するという問題があった。一般的には特許文献2に記載されているような「モデル」に基づく最適化を行うことは困難であり、現実的には、最適化は熟練者の勘と経験に頼ったり、試行錯誤によって定める場合が多い。
On the other hand, the “model” in
特許文献2においても特許文献1の問題と同様に、運転条件に対応する「モデル」のパラメータが、人が制御・設定できる変数であるとは限らないため、当該「モデル」から得られた最適な運転条件を実際にその通りにプラントに実装できるとは限らないという問題もあった。
一方において、線形モデルよりも厳密な非線形モデルが得られれば、その予測精度は一般に線形モデルよりも優れている。この予測精度の優れた非線形モデルを用いて、決定変数同士の相関を保ったままの範囲で各種制約条件を満たしながら最適な決定変数を定めることができれば、望ましいことはいうまでもない。
Also in
On the other hand, if a non-linear model that is stricter than the linear model is obtained, the prediction accuracy is generally better than that of the linear model. Needless to say, it is desirable to use this nonlinear model with excellent prediction accuracy to determine an optimum decision variable while satisfying various constraints within a range in which the correlation between the decision variables is maintained.
また、上述したように特許文献3では非線形を表す項を用いているため、特許文献1における問題と同様に、計算が煩雑になる等の非線形最適化手法に共通する問題があった。
Further, as described above, since a term representing nonlinearity is used in
そこで、本発明の目的は、上記問題を解決するためになされたものであり、現実の物理量に合わせるために多大な労力が必要となる物理モデル及び計算が煩雑になる非線形最適化手法を用いることなく、安価かつ容易にモデル化ができ、人が制御・設定できる変数を用いることにより現実にプラントに実装することができ、取得したデータが示していた変数間の相関性を保った範囲で最適な運転条件を得ることができるプラントの運転条件最適化システム等を提供することにある。
また、本発明の目的は、既に計測されているプラントの通常運転データから運転状態とそのときのプラント運転評価指標との関係を多変量解析によりモデル化し、このモデルに基づいて線形の最適化手法により最適な運転評価指標を効率的または少ない計算量で実現可能な運転条件を得ることにある。
更に、本発明の目的は、線形に限らずに高精度なモデルを利用可能とし、元のデータまたはそれから非線形変換等を施して得られた変数に対してQ統計量、T2統計量を計算してこれらに対する制約条件を設定することで、元のデータが持っていた変数同士の相関を保った範囲で最適解が得られるようにすることにある。
Therefore, an object of the present invention is to solve the above problems, and to use a physical model that requires a great deal of effort to match an actual physical quantity and a nonlinear optimization method that complicates calculations. It can be modeled inexpensively and easily, can be implemented in the plant by using variables that can be controlled and set by humans, and is optimal within the range that maintains the correlation between the variables indicated by the acquired data An object of the present invention is to provide a plant operating condition optimization system and the like that can obtain various operating conditions.
Further, the object of the present invention is to model the relationship between the operating state and the plant operation evaluation index at that time from the already measured normal operation data of the plant by multivariate analysis, and based on this model, a linear optimization method Therefore, it is to obtain an operation condition that can realize an optimum operation evaluation index efficiently or with a small amount of calculation.
Furthermore, the object of the present invention is to make it possible to use a high-precision model, not limited to linear, and to calculate Q statistics and T 2 statistics for original data or variables obtained by performing nonlinear transformation or the like from the original data. Thus, by setting the constraint conditions for these, an optimum solution can be obtained within a range in which the correlation between the variables of the original data is maintained.
請求項1記載のプラントの運転条件最適化システムは、複数のセンサにより測定されたプラントの運転状態を示す運転状態データを取得する運転状態データ取得手段と、プラントに設けられたセンサにより測定された、または前記運転状態データ取得手段により取得された運転状態データに基づいて求められた、プラントの運転を評価する運転指標データを取得する運転指標データ取得手段と、前記運転状態データ取得手段により取得された運転状態データと前記運転指標データ取得手段により求められた運転指標データとを所定の項目に基づき関連させた一組の計測データとし、該計測データをデータ記録部に記録する計測データ記録手段と、前記データ記録部に記録された複数組の計測データに基づき、運転状態データ側を表す運転状態変数を説明変数とし、運転指標データ側を表す運転指標変数を目的変数として所定の多変量解析を行い回帰モデルを作成する回帰モデル作成手段であって、該回帰モデルは、説明変数を相互に無相関でかつ元の説明変数より少ない数の成分へ変換する成分変換手段と、該成分変換手段により変換された成分から目的変数を予測する予測手段と、該成分変換手段に対応した方法で成分から説明変数を推定する逆変換手段とを有するものであり、前記回帰モデル作成手段により作成された回帰モデルに基づき運転指標変数を最適化する運転状態変数を求める運転指標変数最適化手段であって、前記逆変換手段により推定された説明変数に関する制約条件を満たしつつ前記予測手段により予測された目的変数に関する評価関数を最適化する際の説明変数値を求め、該説明変数値を最適な運転条件とすることを特徴とする。
なお、本明細書において、予測手段または予測モデルへの入力を説明変数といい、予測手段または予測モデルからの出力を目的変数というものとする。
The plant operating condition optimization system according to
In this specification, the input to the prediction means or the prediction model is referred to as an explanatory variable, and the output from the prediction means or the prediction model is referred to as an objective variable.
請求項2記載の発明は、請求項1記載の運転条件最適化システムにおいて、前記運転指標データ取得手段により求められる運転指標データが複数ある場合、前記計測データ記録手段は、前記運転状態データ取得手段により取得された運転状態データと前記運転指標データ取得手段により求められた複数の運転指標データとを所定の項目に基づき関連させた一組の計測データとし、該計測データをデータ記録部に記録し、前記回帰モデル作成手段は、前記データ記録部に記録された複数組の計測データであって一組の計測データ中に複数の運転指標データを含み得るものに基づき、運転状態データ側を表す運転状態変数を説明変数とし、運転指標データ側を表す複数の運転指標変数を複数の目的変数として各々所定の多変量解析を行い各回帰モデルを作成し、該回帰モデルは、説明変数を相互に無相関でかつ元の説明変数より少ない数の成分へ変換する成分変換手段と、該成分変換手段により変換された成分から複数の目的変数を予測する予測手段と、該成分変換手段に対応した方法で成分から説明変数を推定する逆変換手段とを有するものであり、前記運転指標変数最適化手段は、前記回帰モデル作成手段により作成された回帰モデルに基づき運転指標変数を最適化する運転状態変数を求めるものであって、前記逆変換手段により推定された説明変数に関する制約条件を満たしつつ、前記予測手段により予測された複数の目的変数に関する各評価関数に基づく一つの評価関数を最適化する際の説明変数値を求め、該説明変数値を最適な運転条件とすることを特徴とする。 According to a second aspect of the present invention, in the driving condition optimizing system according to the first aspect, when there are a plurality of driving index data obtained by the driving index data acquiring means, the measurement data recording means is the driving state data acquiring means. And a plurality of driving index data obtained by the driving index data acquiring means are set as a set of measurement data related to each other based on a predetermined item, and the measurement data is recorded in the data recording unit. The regression model creating means is an operation that represents a driving state data side based on a plurality of sets of measurement data recorded in the data recording unit, and the set of measurement data may include a plurality of driving index data. Each regression model is analyzed by performing a predetermined multivariate analysis using the state variables as explanatory variables and the multiple driving index variables representing the driving index data as multiple objective variables. The regression model includes component conversion means for converting the explanatory variables into a number of components that are uncorrelated with each other and fewer than the original explanatory variables, and a plurality of target variables from the components converted by the component conversion means. Predicting means for predicting and inverse transform means for estimating explanatory variables from components by a method corresponding to the component transforming means, and the driving index variable optimizing means is created by the regression model creating means A plurality of objective variables predicted by the predicting means while satisfying the constraints on the explanatory variables estimated by the inverse converting means. An explanatory variable value at the time of optimizing one evaluation function based on each evaluation function is obtained, and the explanatory variable value is set as an optimum operating condition.
請求項3記載の発明は、請求項2記載のプラントの運転条件最適化システムにおいて、前記一つの評価関数は各評価関数の所定の重み付け和により求められることを特徴とする。 According to a third aspect of the present invention, in the plant operating condition optimization system according to the second aspect, the one evaluation function is obtained by a predetermined weighted sum of the respective evaluation functions.
請求項4記載の発明は、請求項1〜3のいずれか1項に記載のプラントの運転条件最適化システムにおいて、前記所定の多変量解析は主成分回帰であることを特徴とする。 According to a fourth aspect of the present invention, in the plant operating condition optimization system according to any one of the first to third aspects, the predetermined multivariate analysis is principal component regression.
請求項5記載の発明は、請求項1〜3のいずれか1項に記載のプラントの運転条件最適化システムにおいて、前記所定の多変量解析は部分的最小二乗法(Partial Least Squares:PLS)であることを特徴とする。 According to a fifth aspect of the present invention, in the plant operating condition optimization system according to any one of the first to third aspects, the predetermined multivariate analysis is performed by a partial least square method (PLS). It is characterized by being.
請求項6記載の発明は、請求項1〜5のいずれか1項に記載のプラントの運転条件最適化システムにおいて、前記評価関数が目的関数に関する線形な式でありかつ前記制約条件が説明変数に関する線形な式である場合、前記最適化は線形計画法を用いることを特徴とする。
The invention according to
請求項7記載の発明は、請求項1〜5のいずれか1項に記載のプラントの運転条件最適化システムにおいて、前記評価関数が目的変数に関する非線形な式でありかつ前記制約条件が説明変数に関する非線形な式である場合、前記最適化は非線形計画法を用いることを特徴とする。
The invention according to
請求項8記載の発明は、請求項1〜7のいずれか1項に記載のプラントの運転条件最適化システムにおいて、前記運転指標変数最適化手段により得られた最適な運転条件と前記運転状態データ取得手段により取得された運転状態データとに基づき、該最適な運転条件の妥当性を評価可能に出力する妥当性評価手段を更に備えたことを特徴とする。
The invention according to claim 8 is the plant operating condition optimization system according to any one of
請求項9記載の発明は、請求項1〜8のいずれか1項に記載のプラントの運転条件最適化システムにおいて、前記プラントは顧客のプラントであり、前記運転指標変数最適化手段により求められた最適な運転条件を顧客のプラント側に実装する最適運転条件値実装手段と、前記最適運転条件値実装手段による実装前後の所定の期間における顧客のプラントの運転を評価する運転指標データに基づき、顧客の利益増加及び/または費用節減効果を算出する利益等算出手段と、前記利益等算出手段により算出された顧客の利益増加及び/または費用節減効果に基づく対価を徴収する対価徴収手段と、を更に備えたことを特徴とする。
The invention according to claim 9 is the operation condition optimization system for a plant according to any one of
請求項10記載の発明は、請求項1〜9のいずれか1項に記載のプラントの運転条件最適化システムにおいて、前記プラントは発電プラントであり、前記運転状態データは発電プラントにおける流量、圧力、温度のいずれか1つ以上を含み、前記運転指標データは効率を含むことを特徴とする。
The invention according to
請求項11記載のプラントの運転条件最適化方法は、プラントの運転条件の最適化をコンピュータに実行させるプラントの運転条件最適化方法であって、複数のセンサにより測定されたプラントの運転状態を示す運転状態データを取得する運転状態データ取得ステップと、プラントに設けられたセンサにより測定された、または前記運転状態データ取得ステップで取得された運転状態データに基づいて求められた、プラントの運転を評価する運転指標データを取得する運転指標データ取得ステップと、前記運転状態データ取得ステップで取得された運転状態データと前記運転指標データ取得ステップで求められた運転指標データとを所定の項目に基づき関連させた一組の計測データとし、該計測データをデータ記録部に記録する計測データ記録ステップと、前記データ記録部に記録された複数組の計測データに基づき、運転状態データ側を表す運転状態変数を説明変数とし、運転指標データ側を表す運転指標変数を目的変数として所定の多変量解析を行い回帰モデルを作成する回帰モデル作成ステップであって、該回帰モデルは、説明変数を相互に無相関でかつ元の説明変数より少ない数の成分へ変換する成分変換部と、該成分変換部により変換された成分から目的変数を予測する予測部と、該成分変換部の変換に対応した方法で成分から説明変数を推定する逆変換部とを有するものであり、前記回帰モデル作成ステップで作成された回帰モデルに基づき運転指標変数を最適化する運転状態変数を求める運転指標変数最適化ステップであって、前記逆変換手段により推定された説明変数に関する制約条件を満たしつつ前記予測手段により予測された目的変数に関する評価関数を最適化する際の説明変数値を求め、該説明変数値を最適な運転条件とすることを特徴とする。 The plant operating condition optimizing method according to claim 11 is a plant operating condition optimizing method for causing a computer to execute optimization of the plant operating condition, and shows the plant operating state measured by a plurality of sensors. An operation state data acquisition step for acquiring operation state data and an evaluation of the operation of the plant measured by a sensor provided in the plant or obtained based on the operation state data acquired in the operation state data acquisition step The operation index data acquisition step for acquiring the operation index data, the operation state data acquired in the operation state data acquisition step, and the operation index data obtained in the operation index data acquisition step are related based on predetermined items. A set of measurement data and recording the measurement data in the data recording unit Based on the step and a plurality of sets of measurement data recorded in the data recording unit, a predetermined multivariate with an operation state variable representing the operation state data side as an explanatory variable and an operation index variable representing the operation indicator data side as an objective variable A regression model creating step for performing analysis and creating a regression model, the regression model comprising: a component conversion unit that converts explanatory variables into components that are uncorrelated with each other and less in number than the original explanatory variables; and the component conversion A prediction unit that predicts an objective variable from the component converted by the unit, and an inverse conversion unit that estimates an explanatory variable from the component by a method corresponding to the conversion of the component conversion unit. In the regression model creation step, A driving index variable optimization step for obtaining an operating state variable for optimizing the driving index variable based on the created regression model, the explanation estimated by the inverse conversion means Requested explanation variable values in optimizing the evaluation function for the predicted target variable by the prediction unit while satisfying the constraint condition on the number, characterized in that the optimum operating conditions the explaining variable value.
請求項12記載の発明は、請求項11記載のプラントの運転条件最適化方法において、前記運転指標データ取得ステップにより求められる運転指標データが複数ある場合、前記計測データ記録ステップは、前記運転状態データ取得ステップで取得された運転状態データと前記運転指標データ取得ステップで求められた複数の運転指標データとを所定の項目に基づき関連させた一組の計測データとし、該計測データをデータ記録部に記録し、前記回帰モデル作成ステップは、前記データ記録部に記録された複数組の計測データであって一組の計測データ中に複数の運転指標データを含み得るものに基づき、運転状態データ側を表す運転状態変数を説明変数とし、運転指標データ側を表す複数の運転指標変数を複数の目的変数として各々所定の多変量解析を行い各回帰モデルを作成し、該回帰モデルは、説明変数を相互に無相関でかつ元の説明変数より少ない数の成分へ変換する成分変換部と、該成分変換部により変換された成分から複数の目的変数を予測する予測部と、該成分変換部の変換に対応した方法で成分から説明変数を推定する逆変換部とを有するものであり、前記運転指標変数最適化ステップは、前記回帰モデル作成ステップで作成された各回帰モデルに基づき運転指標変数を最適化する運転状態変数を求めるものであって、前記逆変換部により推定された説明変数に関する制約条件を満たしつつ、前記予測部により予測された複数の目的変数に関する各評価関数に基づく一つの評価関数を最適化する際の説明変数値を求め、該説明変数値を最適な運転条件とすることを特徴とする。 According to a twelfth aspect of the present invention, in the plant operating condition optimization method according to the eleventh aspect, when there are a plurality of operation index data obtained by the operation index data acquisition step, the measurement data recording step includes the operation state data. The driving state data acquired in the acquiring step and the plurality of driving index data obtained in the driving index data acquiring step are set as a set of measurement data related based on predetermined items, and the measurement data is stored in the data recording unit. And the step of creating the regression model is based on a plurality of sets of measurement data recorded in the data recording unit, wherein the set of measurement data may include a plurality of driving index data. The driving state variable to be represented is an explanatory variable, and a plurality of driving index variables representing the driving index data side are set to a plurality of target variables. Each regression model is created by performing a quantity analysis, and the regression model is converted by the component conversion unit that converts the explanatory variables into components that are uncorrelated with each other and smaller in number than the original explanatory variables. A prediction unit that predicts a plurality of objective variables from the component, and an inverse conversion unit that estimates the explanatory variable from the component by a method corresponding to the conversion of the component conversion unit, and the operation indicator variable optimization step includes: An operation state variable for optimizing an operation index variable is obtained based on each regression model created in the regression model creation step, and the prediction is performed while satisfying the constraint condition on the explanatory variable estimated by the inverse transform unit. Obtaining an explanatory variable value when optimizing one evaluation function based on each evaluation function relating to a plurality of objective variables predicted by the unit, and making the explanatory variable value an optimum operating condition. To.
請求項13記載の発明は、請求項12記載のプラントの運転条件最適化方法において、前記一つの評価関数は各評価関数の所定の重み付け和により求められることを特徴とする。 A thirteenth aspect of the present invention is the plant operating condition optimization method according to the twelfth aspect, wherein the one evaluation function is obtained by a predetermined weighted sum of the respective evaluation functions.
請求項14記載の発明は、請求項11〜13のいずれか1項に記載のプラントの運転条件最適化方法において、前記所定の多変量解析は主成分回帰であることを特徴とする。
The invention according to
請求項15記載の発明は、請求項11〜13のいずれか1項に記載のプラントの運転条件最適化方法において、前記所定の多変量解析は部分的最小二乗法(Partial Least Squares:PLS)であることを特徴とする。 The invention according to claim 15 is the plant operating condition optimization method according to any one of claims 11 to 13, wherein the predetermined multivariate analysis is performed by a partial least square method (PLS). It is characterized by being.
請求項16記載の発明は、請求項11〜15のいずれか1項に記載のプラントの運転条件最適化方法において、前記評価関数が目的変数に関する線形な式でありかつ前記制約条件が説明変数に関する線形な式である場合、前記最適化は線形計画法を用いることを特徴とする。 The invention described in claim 16 is the plant operating condition optimization method according to any one of claims 11 to 15, wherein the evaluation function is a linear expression related to an objective variable and the constraint condition is related to an explanatory variable. In the case of a linear expression, the optimization uses linear programming.
請求項17記載の発明は、請求項11〜15のいずれか1項に記載のプラントの運転条件最適化方法において、前記評価関数が目的変数に関する非線形な式でありかつ前記制約条件が説明変数に関する非線形な式である場合、前記最適化は非線形計画法を用いることを特徴とする。 The invention according to claim 17 is the plant operating condition optimization method according to any one of claims 11 to 15, wherein the evaluation function is a nonlinear expression related to an objective variable and the constraint condition is related to an explanatory variable. In the case of a non-linear expression, the optimization uses non-linear programming.
請求項18記載の発明は、プラントの運転条件の最適化を求めるプラントの運転条件最適化プログラムであって、コンピュータに、複数のセンサにより測定されたプラントの運転状態を示す運転状態データを取得する運転状態データ取得ステップ、プラントに設けられたセンサにより測定された、または前記運転状態データ取得ステップで取得された運転状態データに基づいて求められた、プラントの運転を評価する運転指標データを取得する運転指標データ取得ステップ、前記運転状態データ取得ステップで取得された運転状態データと前記運転指標データ取得ステップで求められた運転指標データとを所定の項目に基づき関連させた一組の計測データとし、該計測データをデータ記録部に記録する計測データ記録ステップ、前記データ記録部に記録された複数組の計測データに基づき、運転状態データ側を表す運転状態変数を説明変数とし、運転指標データ側を表す運転指標変数を目的変数として所定の多変量解析を行い回帰モデルを作成する回帰モデル作成ステップであって、該回帰モデルは、説明変数を相互に無相関でかつ元の説明変数より少ない数の成分へ変換する成分変換部と、該成分変換部により変換された成分から目的変数を予測する予測部と、該成分変換部の変換に対応した方法で成分から説明変数を推定する逆変換部とを有するものであり、前記回帰モデル作成ステップで作成された回帰モデルに基づき運転指標変数を最適化する運転状態変数を求める運転指標変数最適化ステップであって、前記逆変換部により推定された説明変数に関する制約条件を満たしつつ前記予測部により予測された目的変数に関する評価関数を最適化する際の説明変数値を求め、該説明変数値を最適な運転条件とするステップを実行させるためのプラントの運転条件最適化プログラムであることを特徴とする。 The invention according to claim 18 is a program for optimizing a plant operating condition for obtaining optimization of the operating condition of the plant, and obtains operating state data indicating the operating state of the plant measured by a plurality of sensors in a computer. Obtaining operation index data for evaluating the operation of the plant, measured by an operation state data acquisition step, measured by a sensor provided in the plant, or obtained based on the operation state data acquired in the operation state data acquisition step Driving index data acquisition step, a set of measurement data in which the driving condition data acquired in the driving condition data acquisition step and the driving index data obtained in the driving index data acquisition step are related based on a predetermined item, A measurement data recording step for recording the measurement data in a data recording unit; Based on the multiple sets of measurement data recorded in the section, the driving state variable representing the driving state data side is used as the explanatory variable, and the driving model variable representing the driving index data side is used as the objective variable to perform a predetermined multivariate analysis and Regression model creation step to create, wherein the regression model includes a component conversion unit that converts explanatory variables into a number of components that are uncorrelated with each other and less than the original explanatory variable, and a component converted by the component conversion unit A prediction unit that predicts the objective variable from the component, and an inverse conversion unit that estimates the explanatory variable from the component by a method corresponding to the conversion of the component conversion unit. The regression model created in the regression model creation step includes A driving index variable optimizing step for obtaining a driving state variable for optimizing the driving index variable based on satisfying a constraint condition relating to the explanatory variable estimated by the inverse transformation unit A plant operating condition optimization program for obtaining an explanatory variable value for optimizing the evaluation function related to the objective variable predicted by the prediction unit, and executing a step of setting the explanatory variable value as an optimal operating condition. It is characterized by being.
請求項19記載の発明は、請求項18記載のプラントの運転条件最適化プログラムにおいて、前記運転指標データ取得ステップにより求められる運転指標データが複数ある場合、前記計測データ記録ステップでは、前記運転状態データ取得ステップで取得された運転状態データと前記運転指標データ取得ステップで求められた複数の運転指標データとを所定の項目に基づき関連させた一組の計測データとし、該計測データをデータ記録部に記録し、前記回帰モデル作成ステップでは、前記データ記録部に記録された複数組の計測データであって一組の計測データ中に複数の運転指標データを含み得るものに基づき、運転状態データ側を表す運転状態変数を説明変数とし、運転指標データ側を表す複数の運転指標変数を複数の目的変数として各々所定の多変量解析を行い各回帰モデルを作成し、該回帰モデルは、説明変数を相互に無相関でかつ元の説明変数より少ない数の成分へ変換する成分変換部と、該成分変換部により変換された成分から複数の目的変数を予測する予測部と、該成分変換部の変換に対応したプログラムで成分から説明変数を推定する逆変換部とを有するものであり、前記運転指標変数最適化ステップでは、前記回帰モデル作成ステップで作成された各回帰モデルに基づき運転指標変数を最適化する運転状態変数を求めるものであって、前記逆変換部により推定された説明変数に関する制約条件を満たしつつ、前記予測部により予測された複数の目的変数に関する各評価関数に基づく一つの評価関数を最適化する際の説明変数値を求め、該説明変数値を最適な運転条件とすることを特徴とする。 According to a nineteenth aspect of the present invention, in the plant operating condition optimization program according to the eighteenth aspect, when there are a plurality of operation index data obtained by the operation index data acquiring step, the measurement data recording step includes the operation state data. The driving state data acquired in the acquiring step and the plurality of driving index data obtained in the driving index data acquiring step are set as a set of measurement data related based on predetermined items, and the measurement data is stored in the data recording unit. Recording, in the regression model creating step, based on the plurality of sets of measurement data recorded in the data recording unit and including a plurality of driving index data in one set of measurement data, The driving state variables to be represented are explanatory variables, and multiple driving index variables representing the driving index data side are set as multiple objective variables. Each regression model is created by performing a predetermined multivariate analysis. The regression model includes a component conversion unit that converts the explanatory variables into a number of components that are uncorrelated with each other and smaller than the original explanatory variable, and the component conversion unit. A prediction unit that predicts a plurality of objective variables from the converted components, and an inverse conversion unit that estimates explanatory variables from the components with a program corresponding to the conversion of the component conversion unit, and the driving index variable optimization In the step, an operation state variable for optimizing the operation index variable is obtained based on each regression model created in the regression model creation step, and satisfying the constraint condition on the explanatory variable estimated by the inverse transformation unit. , Obtaining an explanatory variable value when optimizing one evaluation function based on each evaluation function related to a plurality of objective variables predicted by the prediction unit, and operating the explanatory variable value for optimal operation Characterized by the matter.
請求項20記載の発明は、請求項19記載のプラントの運転条件最適化プログラムにおいて、前記一つの評価関数は、各評価関数の所定の重み付け和により求められることを特徴とする。 According to a twentieth aspect of the present invention, in the plant operating condition optimization program according to the nineteenth aspect, the one evaluation function is obtained by a predetermined weighted sum of the evaluation functions.
請求項21記載の発明は、請求項18〜20のいずれか1項に記載のプラントの運転条件最適化プログラムにおいて、前記所定の多変量解析は主成分回帰であることを特徴とする。
The invention according to
請求項22記載の発明は、請求項18〜20のいずれか1項に記載のプラントの運転条件最適化プログラムにおいて、前記所定の多変量解析は部分的最小二乗法(Partial Least Squares:PLS)であることを特徴とする。
The invention described in
請求項23記載の発明は、請求項18〜22のいずれか1項に記載のプラントの運転条件最適化プログラムにおいて、前記評価関数が目的変数に関する線形な式でありかつ前記制約条件が説明変数に関する線形な式である場合、前記最適化は線形計画法を用いることを特徴とする。
The invention according to
請求項24記載の発明は、請求項18〜22のいずれか1項に記載のプラントの運転条件最適化プログラムにおいて、前記評価関数が目的変数に関する非線形な式でありかつ前記制約条件が説明変数に関する非線形な式である場合、前記最適化は非線形計画法を用いることを特徴とする。
The invention according to
請求項25記載のプラントの運転条件最適化システムは、プラントの運転条件最適化システムであって、複数のセンサにより測定されたプラントの運転状態を示す運転状態データを取得する運転状態データ取得手段と、プラントに設けられたセンサにより測定された、または前記運転状態データ取得手段により取得された運転状態データに基づいて求められた、プラントの運転を評価する運転指標データを取得する運転指標データ取得手段と、前記運転状態データ取得手段により取得された運転状態データと前記運転指標データ取得手段により求められた運転指標データとを所定の項目に基づき関連させた一組の計測データとし、該計測データをデータ記録部に記録する計測データ記録手段と、前記データ記録部に記録された複数組の計測データに基づき、運転状態データ側を表す運転状態変数を説明変数とし、運転指標データ側を表す運転指標変数を目的変数とする予測モデルを作成する予測モデル作成手段と、前記計測データを対象として、互いに相関を持つ説明変数を、相互に無相関であり、かつ元の説明変数より少ない数の成分であって、元の説明変数を部分空間に射影することにより設定された座標としての成分に変換する成分変換手段と、元の説明変数の空間内の任意の点と前記部分空間上の射影点との距離の2乗をQ統計量として計算し、前記射影点と前記部分空間の中心との正規化された距離の2乗をT2統計量として計算するQ統計量・T2統計量計算手段と、前記Q統計量及びT2統計量から最適化における制約条件としての上限値をそれぞれ設定するQ統計量・T2統計量上限値設定手段と、前記予測モデルに基づき目的変数を最適化する説明変数を求める手段であって、前記Q統計量及びT2統計量がそれぞれ前記上限値以下であることを制約条件の少なくとも一つとし、元の説明変数同士が持っていた相関を保ちつつ、前記目的変数に関する評価関数を最適化する際の説明変数値を求め、この説明変数値を最適な運転条件とする運転条件最適化手段と、を備えたことを特徴とする。
The plant operating condition optimizing system according to
請求項26記載のプラントの運転条件最適化システムは、請求項25記載のプラントの運転条件最適化システムにおいて、前記成分変換手段として主成分分析を用いることを特徴とする。 A plant operating condition optimization system according to a twenty-sixth aspect is the plant operating condition optimization system according to a twenty-fifth aspect, wherein a principal component analysis is used as the component conversion means.
請求項27記載のプラントの運転条件最適化システムは、請求項25記載のプラントの運転条件最適化システムにおいて、前記成分変換手段として部分的最小二乗法を用いることを特徴とする。
The plant operating condition optimization system according to claim 27 is the plant operating condition optimization system according to
請求項28記載のプラントの運転条件最適化システムは、請求項25記載のプラントの運転条件最適化システムにおいて、前記予測モデルとして、元の運転状態変数と、元の運転状態変数に非線形変換を施して得られる新しい変数とを合わせた全変数、またはそのうちの適当な変数を抽出した変数を説明変数とし、運転指標変数を目的変数とする重回帰モデルを用いることを特徴とする。
The plant operating condition optimization system according to claim 28 is the plant operating condition optimization system according to
請求項29記載のプラントの運転条件最適化システムは、請求項28記載のプラントの運転条件最適化方法において、前記Q統計量・T2統計量計算手段が、元の説明変数と前記予測モデルの作成に用いた非線形項の一部または全部を含めた変数と、に基づいて前記Q統計量及びT2統計量を計算することを特徴とする。
The plant operating condition optimization system according to
請求項30記載のプラントの運転条件最適化システムは、請求項28または29記載のプラントの運転条件最適化システムにおいて、前記予測モデルとして、元の運転状態変数に非線形変換を施して得られる新しい変数を加えた変数を説明変数とし、運転指標変数を目的変数とする主成分回帰モデルを用い、前記Q統計量・T2統計量計算手段が、前記主成分回帰モデルの中で計算される主成分分析に基づいて前記Q統計量及びT2統計量を計算することを特徴とする。
30. The plant operating condition optimization system according to
請求項31記載のプラントの運転条件最適化システムは、請求項28または29記載のプラントの運転条件最適化システムにおいて、前記予測モデルとして、元の運転状態変数に非線形変換を施して得られる新しい変数を加えた変数を説明変数とし、運転指標変数を目的変数とする部分的最小二乗法モデルを用い、前記Q統計量・T2統計量計算手段が、前記予測モデルとしての部分的最小二乗法モデルに基づいて前記Q統計量及びT2統計量を計算することを特徴とする。
A plant operating condition optimization system according to
請求項32記載のプラントの運転条件最適化システムは、請求項25記載のプラントの運転条件最適化システムにおいて、前記予測モデルとしてニューラルネットワークを用いることを特徴とする。 A plant operating condition optimizing system according to a thirty-second aspect is the plant operating condition optimizing system according to the twenty-fifth aspect, wherein a neural network is used as the prediction model.
本発明のプラントの運転条件最適化システム等によれば、コンピュータとネットワークを介して接続されたプラントから記録装置に収集されたセンサデータが遠隔で送信される。コンピュータの運転状態データ取得部は、プラントにおける複数のセンサにより測定されたプラントの運転状態を示す運転状態を取得する。運転指標データ取得部は、運転状態データ取得部により取得された運転状態データに対応するタイミングで、別途センサまたは分析計等で測定及び評価を行うことにより、運転指標データを取得する。あるいは、運転状態データ取得部により取得された運転状態データに基づき、プラントの運転を評価する運転指標データを求めてもよい。計測データ記録部は、運転状態データ取得部により取得された運転状態データと運転指標データ取得部により求められた運転指標データとを所定の項目(例えば取得タイミング)に基づき関連させた一組の計測データとし、当該計測データを計測DBに記録する。 According to the plant operating condition optimization system and the like of the present invention, sensor data collected in a recording device from a plant connected to a computer via a network is transmitted remotely. The operation state data acquisition unit of the computer acquires an operation state indicating the operation state of the plant measured by a plurality of sensors in the plant. The driving index data acquiring unit acquires driving index data by separately measuring and evaluating with a sensor or an analyzer at a timing corresponding to the driving state data acquired by the driving state data acquiring unit. Or you may obtain | require the driving | operation parameter | index data which evaluate the driving | operation of a plant based on the driving | running state data acquired by the driving | running state data acquisition part. The measurement data recording unit is a set of measurements in which the driving state data acquired by the driving state data acquiring unit and the driving index data obtained by the driving index data acquiring unit are related based on a predetermined item (for example, acquisition timing). The measurement data is recorded in the measurement DB.
回帰モデル作成部は、計測DBに記録された複数組の計測データに基づき、運転状態データ側を表す運転状態変数を説明変数とし、運転指標データ側を表す運転指標変数(複数あるものと想定)を目的変数として所定の多変量解析を行って回帰モデルを作成する。回帰モデルでは、温度等の説明変数を相互に無相関でかつ元の説明変数より少ない数の成分へ変換する成分変換部と、成分変換部により変換された成分から濃度等の目的変数を予測する予測部と、成分変換部の変換方法に対応した方法で成分から温度等の説明変数を推定する逆変換部とを有している。運転指標変数最適化部は、回帰モデル作成部により作成された回帰モデルに基づき運転指標変数を最適化する運転状態変数を求める。より詳しくは、逆変換部により推定された説明変数に関する制約条件を満たしつつ予測部により予測された目的変数に関する評価関数を最適化する際の説明変数を求め、当該説明変数値をプラントの最適な運転条件とする。 Based on a plurality of sets of measurement data recorded in the measurement DB, the regression model creation unit uses driving state variables representing the driving state data side as explanatory variables, and driving indicator variables representing the driving index data side (assuming there are multiple). A regression model is created by performing a predetermined multivariate analysis using as a target variable. In the regression model, an explanatory variable such as temperature is uncorrelated with each other and converts to a smaller number of components than the original explanatory variable, and an objective variable such as concentration is predicted from the component converted by the component converting unit. A prediction unit, and an inverse conversion unit that estimates an explanatory variable such as temperature from the component by a method corresponding to the conversion method of the component conversion unit. The operation index variable optimization unit obtains an operation state variable that optimizes the operation index variable based on the regression model created by the regression model creation unit. More specifically, an explanatory variable for optimizing the evaluation function related to the objective variable predicted by the prediction unit while satisfying the constraint condition related to the explanatory variable estimated by the inverse transformation unit is obtained, and the explanatory variable value is determined as the optimal value of the plant. The operating condition.
回帰モデルを用いることにより、説明変数である運転状態変数の変化の仕方と目的変数である運転指標の変化の仕方とを評価することができる。ここでは直接説明変数を設定するのではなく、(中間変数である)成分を設定することにより、成分から逆変換部によって回帰モデルの説明変数の推定値を算出し、予測部を用いて運転指標の推定値を算出する。ここで、上述のようにして算出された説明変数(運転状態変数)同士は、元の(回帰モデルの作成に用いた)データにおいて運転状態変数同士が持っていた相関を保っている。以上のようにして、成分から変数間の相関を考慮して算出(逆変換)された説明変数の推定値と、目的変数の推定値との両者を同時に評価することにより、説明変数、目的変数に関する制約を満たしつつ目的変数を最適(最大化、最小化、または望ましい所定の値に近づける)にするような成分の値を定めることができる。この結果、現実の物理量に合わせるために多大な労力が必要となる物理モデル及び計算が煩雑になる非線形最適化手法を用いることなく、安価かつ容易にモデル化ができ、人が制御・設定できる変数を用いることにより現実にプラントに実装することができ、取得したデータが示していた変数間の相関性を保った範囲で最適な運転条件を得ることができるプラントの運転条件最適化システム等を提供することができるという効果がある。 By using the regression model, it is possible to evaluate how the operating state variable that is an explanatory variable changes and how the driving index that is an objective variable changes. Here, instead of setting the explanatory variable directly, by setting the component (which is an intermediate variable), the estimated value of the explanatory variable of the regression model is calculated from the component by the inverse transformation unit, and the driving indicator is used using the prediction unit The estimated value of is calculated. Here, the explanatory variables (operating state variables) calculated as described above maintain the correlation that the operating state variables had in the original data (used to create the regression model). As described above, the explanatory variable, the objective variable are evaluated by simultaneously evaluating both the estimated value of the explanatory variable calculated from the components in consideration of the correlation between the variables (inverse transformation) and the estimated value of the objective variable. The value of the component can be determined so that the objective variable is optimized (maximized, minimized, or brought close to a desired predetermined value) while satisfying the constraints on As a result, variables that can be modeled cheaply and easily, and can be controlled and set by humans, without using physical models that require a great deal of effort to match actual physical quantities and non-linear optimization methods that complicate calculations. Providing a system for optimizing the operating conditions of a plant that can be implemented in the plant by using, and that can obtain the optimal operating conditions within the range that maintains the correlation between the variables indicated by the acquired data. There is an effect that can be done.
また、実際の運転データを用いてモデル化し、更にQ統計量及びT2統計量の上限値内で最適解を探索するため、そのデータが示していた運転状態変数間の相関を保った範囲内で、しかも多変数空間で元のデータを存在していた領域内で最適解を得ることができる。 In addition, modeling is performed using actual operation data, and further, an optimum solution is searched for within the upper limit values of the Q statistic and the T 2 statistic, so that the correlation between the operation state variables indicated by the data is maintained. In addition, the optimal solution can be obtained in the region where the original data existed in the multivariable space.
以下、各実施例について図面を参照して詳細に説明する。 Hereinafter, each embodiment will be described in detail with reference to the drawings.
図1は、本発明の実施例1等におけるプラントの運転条件最適化システム10を示す。
図1で、符号1、2、3、……、Nは最適化の対象となるプラント1、プラント2、プラント3、……、プラントNである(以下、「プラント1等」と略す。)。図1に示されるように、プラント1等側には、プラント1等を計測・制御する生産実行システム(Manufacturing Execution System:MES)11及び分散型制御システム(Distributed Control System:DCS)12がある。プラント1等では、対象を計測するセンサ13(流量計、圧力計、温度計等)で計測された種々のセンサデータが記録装置14に収集されている。
図1に示されるように、プラント1等側には各々ルータ21、22、23、24(以下、「ルータ21等」と略す。)が設けられており、ルータ21等は各々ネットワーク20に接続されている。図1で、符号30はプラント1等の運転条件を最適化するコンピュータ、25はコンピュータ30側に設けられネットワーク20に接続されたルータ、31はコンピュータ30に接続された記録装置、40はコンピュータ30の機能を示す機能ブロックである。図1に示されるように、記録装置14に収集されたセンサデータは、MES11及びDCS12を経由し、ルータ21、ネットワーク20、ルータ25を介してコンピュータ30側へ遠隔で送信される。あるいは、センサ13で収集されたセンサデータは直接ルータ21、ネットワーク20、ルータ25を介してコンピュータ30側へ遠隔で送信してもよい。
FIG. 1 shows a plant operating
In FIG. 1,
As shown in FIG. 1,
次に、図1の機能ブロック40に示されるコンピュータ30の各機能について順に説明する。
図1の運転状態データ取得部(運転状態データ取得手段)41は、プラント1等における複数のセンサ13により測定されたプラント1等の運転状態を示す運転状態データを取得する。プラント1等には一般に複数のセンサ13が設置されており、これらのセンサ13により定期または非定期に一括してプラント1等の運転状態を表すデータである運転状態データが測定され、ネットワーク20を介してコンピュータ30側へ送信される。
図2は、記録装置31に設けられた計測データのデータベース50(データ記録部。以下、「計測DB」と呼ぶ。)を示す。図2に示されるように、送信された運転状態データは取得されたタイミング毎に1セットとして計測DB50の1行(1レコード)に格納される。例えば、図2に示されるように、計測DB50の取得タイミング欄51が「3」の運転状態データS−DATAは、センサ1欄52が「10.6」、センサ2欄52が「9.3」、センサN欄54が「0.12」となっている。これら一括して取得される運転状態データS−DATAは同時に取得する必要はなく、例えばセンサ(変数)毎に一定の遅れを持って取得する場合もある。
Next, each function of the
The operation state data acquisition unit (operation state data acquisition means) 41 in FIG. 1 acquires operation state data indicating the operation state of the
FIG. 2 shows a measurement data database 50 (data recording unit; hereinafter referred to as “measurement DB”) provided in the
図1の運転指標データ取得部(運転指標データ取得手段)42は、運転状態データ取得部41により取得された運転状態データS−DATAに対応するタイミングで、別途センサ13または分析計(不図示)で測定及び評価を行うことにより、運転指標データI−DATAを取得する。あるいは、運転状態データ取得部41により取得された運転状態データS−DATAに基づき、プラント1等の運転状態を評価する運転指標データを求めてもよい。図2に示されるように、運転状態データS−DATAの各行において運転指標データI−DATも格納される。例えば、計測DB50の取得タイミング欄51が「2」の運転指標データI−DATAは、運転指標1欄55が「0.67」、運転指標K欄56が「19.8」となっている。すべての運転状態データS−DATAに対して1対1で運転指標データI−DATAが取得されるわけではなく、一部の運転状態データS−DATAに対応する運転指標データI−DATAが無い場合もあり得る。例えば、計測DB50の取得タイミング欄51が「3」の運転指標データI−DATAは、運転指標1欄55が「0.67」であるが、運転指標K欄56が空白となっている。その場合にはそのデータ(例えば、運転指標K欄56が空白となっている取得タイミング欄51が「3」の行)は最適化の対象から除いて使用しないものとする。
The driving index data acquisition unit (driving index data acquisition unit) 42 in FIG. 1 is separately provided with a
以下では、プラント1等として発電プラントを例に取上げ、運転状態データS−DATAは発電プラントにおける流量、圧力、温度のいずれか1つ以上を含むものとし、運転指標データI−DATAは効率を含むものとする。しかし、本発明の運転条件最適化システム10が適用されるプラントは発電プラントに限定されるものではなく、製造プラント等であってもよいことは勿論であり、この場合、運転状態データS−DATA、運転指標データI−DATAは適宜設定可能である。
In the following, a power plant is taken as an example of the
図1の計測データ記録部(計測データ記録手段)43は、運転状態データ取得部4により取得された運転状態データS−DATAと運転指標データ取得部42により求められた運転指標データI−DATAとを所定の項目(例えば、取得タイミング欄51に示される取得タイミング)に基づき関連させた一組の計測データとし、当該計測データを計測DB50に記録する。
図3は、発電プラントを例にした場合における計測DB50aを示す。図3で図2と同じ符号及び記号を付した個所は同じ要素を示すため、説明は省略する。図3に示されるように、運転状態データS−DATAと運転指標データI−DATとを一組として計測DB50aの1レコード(行)とし、この1レコードを1サンプルとして複数のサンプル分を格納する。例えば、計測時刻欄(取得タイミング欄)51が「2009/5/12 1:00」のサンプルの運転状態データS−DATAとして発電機の発電出力欄=「38.6」があり、運転指標データI−DATAとして運転状態データS−DATAに基づき得られた温度内部効率1欄(%)=「91.1」がある。
The measurement data recording unit (measurement data recording unit) 43 in FIG. 1 includes the operation state data S-DATA acquired by the operation state
FIG. 3 shows the
図1の回帰モデル作成部(回帰モデル作成)44は、計測DB50に記録された複数組の計測データに基づき、運転状態データ側を表す運転状態変数を説明変数とし、運転指標データ側を表す運転指標変数(複数あるものと想定)を目的変数として所定の多変量解析を行って回帰モデルを作成する。
図4は、回帰モデル60を説明するための概念図である。図4に例示されるように、温度、圧力、流量等が説明変数であり、z1、z2、……、znが成分、濃度が目的変数である。回帰モデル60は、温度等の説明変数を相互に無相関でかつ元の説明変数より少ない数の成分z1等へ変換する成分変換部(成分変換手段)46と、成分変換部46により変換された成分z1等から濃度等の目的変数を予測する予測部(予測手段)47と、成分変換部46の変換方法に対応した方法で成分z1等から温度等の説明変数を推定する逆変換部(逆変換手段)48とを有している。
The regression model creation unit (regression model creation) 44 of FIG. 1 uses the driving state variable representing the driving state data side as an explanatory variable based on a plurality of sets of measurement data recorded in the
FIG. 4 is a conceptual diagram for explaining the
一般に説明変数は多数あり、互いに相関を持っている。そこで成分変換部46は、これらの説明変数を多変量解析により互いに無相関なかつ元の説明変数の数よりも少ない(中間変数である)成分z1等に変換(集約・圧縮)する。この変換は、一般に説明変数同士が互いに持っている相関を、互いに無相関な成分にまとめていることになる。予測部47は、上述のように変換された成分1等から目的変数を予測する。以上より、成分変換部46と予測部47とを組み合わせることにより、説明変数から目的変数を予測することができる。
回帰モデル60は、成分z1等から予測部47により目的変数を表す(予測する)ことができるが、同時に成分z1等が与えられた場合に、成分変換部46に対応した方法で、成分z1等に対応する元の説明変数を算出(推定)する(逆変換する)ことができる。これは、成分z1等が元の説明変数同士の相関を集約しているので、成分z1等から逆にこの相関を満たす元の説明変数の値を表すものである。
In general, there are many explanatory variables and they are correlated with each other. Therefore, the
The
図1の運転指標変数最適化部(運転指標変数最適化手段)45は、回帰モデル作成部44により作成された回帰モデル60に基づき運転指標変数を最適化する運転状態変数を求める。より詳しくは、逆変換部48により推定された説明変数に関する制約条件を満たしつつ予測部47により予測された目的変数に関する評価関数を最適化する際の説明変数値を求め、当該説明変数値をプラント1等の最適な運転条件とする。
The driving index variable optimizing unit (driving index variable optimizing means) 45 in FIG. 1 obtains an operating state variable that optimizes the driving index variable based on the
回帰モデル60を用いることにより、説明変数である運転状態変数の変化の仕方と目的関数である運転指標の変化の仕方とを評価することができる。但し、ここでは直接説明変数値を設定するのではなく、(中間変数である)成分z1等を設定することにより、成分z1等から逆変換部48によって回帰モデル60の説明変数の推定値を算出し、予測部47を用いて運転指標の推定値を算出する。ここで、上述のようにして算出された説明変数(運転状態変数)同士は、元の(回帰モデル60の作成に用いた)データにおいて運転状態変数同士が持っていた相関を保っている。
以上のようにして、成分z1等から変数間の相関を考慮して算出(逆変換)された説明変数の推定値と、目的変数の推定値との両者を同時に評価することにより、説明変数、目的変数に関する制約を満たしつつ目的変数を最適(最大化、最小化、または望ましい所定の値に近づける)にするような成分の値を定めることができる。
By using the
As described above, by simultaneously evaluating both the estimated value of the explanatory variable calculated from the component z1 and the like in consideration of the correlation between the variables and the estimated value of the objective variable, the explanatory variable, Component values can be defined that optimize the objective variable (maximize, minimize, or approach a desired predetermined value) while satisfying constraints on the objective variable.
特にこの回帰モデル60は一般に線形であり、上述した評価関数が目的変数に関する線形な式(目的関数が運転指標の線形結合)であり、かつ上記制約条件が説明変数に関する線形な式である場合、最適化手法として線形計画法を用いることができる。
In particular, when the
例えば、上述した所定の多変量解析が主成分分析及び主成分回帰である場合、元の説明変数xから主成分tを算出するローディング行列をP、主成分tから目的変数yを算出する回帰係数ベクトルをQとする。そうすると、成分変換部46の機能は主成分分析であり、説明変数xから成分(主成分スコア)tに、t=PTxとして表される。ここで、Tは転置を示す。予測部47の機能は主成分回帰であり、主成分tから目的変数yに、y=Qt=QPTxとして表される。なお、これらの値は平均値0、分散1等に標準化された後の変数である。
逆変換部48により説明変数の推定値(逆変換値)はx=Ptと表され、予測部47により目的変数yの推定値はQtと表される。従って、例えば説明変数xに対する上下限制約の範囲内で目的変数(y=)Qtを最大化する場合には、以下の数式1のようになる。
For example, when the predetermined multivariate analysis described above is principal component analysis and principal component regression, P is a loading matrix for calculating the principal component t from the original explanatory variable x, and the regression coefficient is for calculating the objective variable y from the principal component t. Let the vector be Q. Then, the function of the
The
ここでxL、xUは、各々説明変数の下限、上限(のベクトル)である。数式1を線形計画法の一般的な定式化に当てはめると以下の数式2のようになる。
数式2は線形計画法の一般的な表現であり、公知の方法で解くことができる(例えば、非特許文献1に記載された2段階シンプレックス法等を参照)。
一方、目的関数が線形でなく、運転指標(y=Qt)に関する非線形な関数fで表されたり、制約条件が運転条件(x=Pt)、運転指標(y=Qt)に関する非線形な関数gで表される場合、言い換えれば評価関数が目的変数に関する非線形な式(例:2次式)でありかつ制約条件が説明変数に関する非線形な式bである場合には、一般的に以下の数式3のように表され、最適化手法として非線形最適化手法(例:二次計画法)を用いることにより解くことができる。 On the other hand, the objective function is not linear and is expressed by a non-linear function f related to the driving index (y = Qt), or the constraint condition is a non-linear function g related to the driving condition (x = Pt) and the driving index (y = Qt). In other words, in other words, when the evaluation function is a non-linear expression (eg, quadratic expression) related to the objective variable and the constraint condition is a non-linear expression b related to the explanatory variable, And can be solved by using a nonlinear optimization method (eg, quadratic programming) as an optimization method.
図5は、プラントの運転条件最適化方法及びプログラムの処理の流れを説明する。図5で図1及び図2と同じ符号を付した個所は同じ要素または機能を示すため、説明は省略する。
図5に示されるように、データ取得装置49は、複数のセンサ13により測定されたプラント1等の運転状態を示す運転状態データS−DATAを取得する(運転状態データ取得ステップ)。データ取得装置49は、運転状態データ取得ステップで取得された運転状態データS−DATAに対応するタイミングで、別途センサ13または分析計(不図示)で測定及び評価を行うことにより、運転指標データI−DATAを取得する(運転指標データ取得ステップ)。あるいは、運転状態データ取得ステップで取得された運転データS−DATAに基づき、プラント1等の運転を評価する運転指標データI−DATAを求めてもよい。データ取得装置49は、運転状態データ取得ステップで取得された運転状態データS−DATAと運転指標データ取得ステップで求められた運転指標データI−DATAとを所定の項目(例えば、図2の取得タイミング欄51に示される取得タイミング)に基づき、関連させた一組の計測データとし、当該計測データを記録装置31内の計測DB50に記録する(計測データ記録ステップ)。以上のデータ取得装置49の機能はコンピュータ30の機能(プラントの運転条件最適化プログラム)の一部として実現することができるが、データ取得装置49はコンピュータ30とは別のコンピュータとして実現することが好適である。
FIG. 5 illustrates a process flow of the plant operating condition optimization method and program. In FIG. 5, the portions denoted by the same reference numerals as those in FIGS. 1 and 2 indicate the same elements or functions, and thus description thereof is omitted.
As shown in FIG. 5, the
図6は、計測DB50の一例である計測DB50bを示す。
図6に示されるように、各計測点で計測されたセンサデータ(圧力1欄50b−2、流量1欄50b−3、温度1欄50b−4等で示されるS−DATA)は、計測時刻50b−1欄に示される同時刻毎(所定の項目毎)に取得されてまとめて1行として格納され、これが一般に一定のサンプリング周期の計測時刻毎に取得されて蓄積される。これらの各時刻における運転指標データI−DATAとして例えば効率欄50b−5に示される効率が、運転指標データ取得部42により算出される。運転指標データI−DATAが効率ではない場合、運転指標データI−DATAは別途センサ13等により計測される。
FIG. 6 shows a
As shown in FIG. 6, the sensor data (S-DATA indicated by the
図6では各行について計測時刻(所定の項目)により紐付けしたため、同時刻のデータの例について示した。しかし、例えば1つのロット(所定の項目)に紐付いた運転条件データ等、紐付けは同時刻でなくても可能である。図7は、計測DB50の別の例である計測DB50cを示す。図7に示されるように、各計測点で計測されたセンサデータ(計測時刻1欄50c−2、計測時刻2欄50c−3等で示されるS−DATA)は、ロット番号欄50c−1に示される同じロット番号毎(所定の項目毎)にまとめて1行として格納され、蓄積される。まとめるタイミングはセンサデータの取得途中または最後にバッチ処理として行えばよい。これらの各ロットにおける運転指標データI−DATAとして例えば効率欄50b−5に示される効率が計測または算出される。以上では、運転指標の例として効率を示しているが、例えば発電プラントであれば発電電力量、半導体製造プラントであれば半導体生成プロセスにおける成膜厚等の品質であってもよい。
In FIG. 6, since each row is linked by the measurement time (predetermined item), an example of data at the same time is shown. However, for example, linking can be performed not at the same time, such as operating condition data linked to one lot (predetermined item). FIG. 7 shows a
図5に戻り、回帰モデル作成部44(多変量解析エンジン)は、計測DB50等に記録された複数組の計測データに基づき、運転状態データ側を表す運転状態変数を説明変数とし、運転指標データ側を表す運転指標変数を目的変数として所定の多変量解析を行い回帰モデル60を作成し、記録装置31に回帰モデル60として記録する(回帰モデル作成ステップ)。図4に示したように、回帰モデル60は、説明変数を相互に無相関でかつ元の説明変数より少ない数の成分へ変換する成分変換部46と、成分反感部46により変換された成分から目的変数を予測する予測部47と、成分変換部46の変換に対応した方法で成分から説明変数を推定する逆変換部48とを有している。
Returning to FIG. 5, the regression model creation unit 44 (multivariate analysis engine) uses the driving state variables representing the driving state data side as explanatory variables based on a plurality of sets of measurement data recorded in the
運転指標変数最適化部45(最適化エンジン)は、回帰モデル作成ステップで作成された回帰モデル60に基づき運転指標変数を最適化する運転状態変数(最適な運転条件である最適運転条件値65)を求める(運転指標変数最適化ステップ)。詳しくは、逆変換部48により推定(逆変換)された説明変数に関する制約条件を満たしつつ予測部47により予測された目的変数に関する評価関数を最適化する際の説明変数値を求め、当該説明変数値を最適運転条件値65とする。ここで、制約条件等はコンピュータ30のキーボード、マウス等の入力部34から与えることができ、最適運転条件値65はコンピュータ30のディスプレイ等の出力部33に出力(表示)して、監視員(または専門家)35に示すことができる。
The driving index variable optimizing unit 45 (optimization engine) optimizes the driving index variable based on the
次に、上述した所定の多変量解析が主成分回帰である場合の処理について説明する。
図8は主成分分析処理及び主成分回帰モデル作成処理に各々用いられるデータ行列を例示する。図8で図2及び図6と同じ符号を付した個所は同じ要素を示すため、説明は省略する。図8に示されるように、2次元データXはセンサデータS−DATAにおいて計測時刻欄50b−1に示される計測時刻及び各変数欄50b−2等に示される変数名を除いた正味のデータだけで構成され、2次元データYは運転指標データI−DATAにおいて計測時刻欄50b−1に示される計測時刻及び各指標欄50b−5等に示される指標名を除いた正味のデータだけで構成されている。
図9は、主成分分析処理及び主成分回帰モデル作成処理の流れを説明する図である。図9で図2及び図6と同じ符号を付した個所は同じ要素を示すため、説明は省略する。図9に示されるように、計測DB50等に蓄積された計測データから、運転条件についてのサンプル×変数の2次元データXが取り出され主成分分析処理44aが行われてローディング行列P及び主成分tを得る。次に、計測DB50等に蓄積された計測データから、運転指標についての2次元データYが取り出され、Yと主成分分析処理44aで得られた主成分tとにより主成分回帰モデル作成処理45aが行われて回帰行列Qを得る。以下の数式4に示す回帰モデル60a作成(主成分分析)用のデータ行列Xの各行はサンプルに対応し、各列は変数に対応する。ここで、サンプルの数(行列)はM、変数の数(列数)はNである。
Next, processing when the above-described predetermined multivariate analysis is principal component regression will be described.
FIG. 8 illustrates data matrices used for the principal component analysis process and the principal component regression model creation process, respectively. In FIG. 8, portions denoted by the same reference numerals as those in FIGS. 2 and 6 indicate the same elements, and thus the description thereof is omitted. As shown in FIG. 8, the two-dimensional data X is only net data excluding the measurement time indicated in the
FIG. 9 is a diagram for explaining the flow of principal component analysis processing and principal component regression model creation processing. In FIG. 9, the portions denoted by the same reference numerals as those in FIGS. 2 and 6 indicate the same elements, and thus description thereof is omitted. As shown in FIG. 9, from the measurement data stored in the
主成分分析処理44aで得られたローディング行列(モデル係数行列)Pと主成分回帰処理44bで得られた回帰行列Qとを共に回帰モデル60aとして記録装置31に格納する。以下では、主成分分析としてNIPALS(Nonlinear Iterative Partial Least Squares)アルゴリズムを用いる(例えば、前述した非特許文献2を参照)。
主成分分析モデル係数Pは主成分数をAとしたN行A列の行列である。主成分数Aとしては例えば上記非特許文献2記載の累積因子寄与率=80%となる値とする。主成分分析モデル係数Pは以下の1)から7)のようにして求める。
The loading matrix (model coefficient matrix) P obtained by the principal
The principal component analysis model coefficient P is a matrix of N rows and A columns where the number of principal components is A. As the number of principal components A, for example, the cumulative factor contribution ratio described in
1)pに適当な初期値を与える。ここでは、データ行列Xの行のうち分散最大の行(横ベクトル)の転置をpの初期値とする。
2)
1) An appropriate initial value is given to p. Here, the transpose of the row (horizontal vector) having the maximum variance among the rows of the data matrix X is set as the initial value of p.
2)
4)
4)
6)次の主成分の計算が必要ならX=X−tpTとして1)へ戻って繰り返す。不要なら終了する。
7)以上のようにして1)〜6)の処理をA個の縦ベクトルpが得られるまで行い、得られた縦ベクトルpを順に左から並べて主成分分析モデル係数Pを得る。
6) If calculation of the next principal component is necessary, return to 1) and repeat as X = X−tp T. Exit if not needed.
7) The processes of 1) to 6) are performed as described above until A vertical vectors p are obtained, and the obtained vertical vectors p are sequentially arranged from the left to obtain the principal component analysis model coefficient P.
回帰行列Qの求め方について説明する前に、主成分分析について少し詳しく説明する。主成分軸はスコアtiの二乗和Sが最大となるように求められる。二乗和Sはローディング係数piの関数であるため、二乗和Sが最大になるローディング係数piを決定する必要がある。但し、ローディング係数piの二乗和=1という制約条件を満たす必要があるため、Lagrangeの未定乗数法が用いられる。この場合、λを未定乗数として、G(p1,p2,λ)(説明の便宜上、データは2次元とする)を定義し、このG(p1,p2,λ)を最大とするp1,p2,λを決定する。G(p1,p2,λ)をp1及びp2で偏微分した式は以下の数式9のように表される。 Before explaining how to determine the regression matrix Q, the principal component analysis will be explained in a little more detail. Principal component axis is obtained as the sum of squares S of the scores t i becomes maximum. Since the square sum S is a function of the loading coefficient p i , it is necessary to determine the loading coefficient p i that maximizes the square sum S. However, since it is necessary to satisfy the constraint condition that the sum of squares of the loading coefficients p i = 1, Lagrange's undetermined multiplier method is used. In this case, λ is an undetermined multiplier, G (p 1 , p 2 , λ) (for convenience of explanation, the data is two-dimensional) is defined, and this G (p 1 , p 2 , λ) is maximized. p 1 , p 2 and λ are determined. An equation obtained by partial differentiation of G (p 1 , p 2 , λ) with respect to p 1 and p 2 is expressed as Equation 9 below.
ここで、pはp1,p2を並べた縦ベクトルである。数式9はXTXの固有ベクトルがpであり、その固有値がλであることを示している。
さて、次に回帰行列Qの求め方(図9の主成分回帰モデル作成処理45a)について説明する。いま、Yを1変数yとした場合、上述した主成分スコアt(縦ベクトル)を第1主成分から第A主成分まで並べた行列をTとし、bをA行1列の回帰ベクトルとすると、主成分回帰モデルは、以下の数式10となる。
Here, p is a vertical vector in which p 1 and p 2 are arranged. Equation 9 indicates that the eigenvector of X T X is p and its eigenvalue is λ.
Next, how to determine the regression matrix Q (principal component regression
ここで、yはA行1列の縦ベクトルである。数式10のbは、以下の数式11のようにして求められる。
Here, y is a vertical vector of A rows and 1 column. B in
数式11で、Λは上述した固有値λを要素とする対角行列である。回帰ベクトルQは1行A列であるため、Q=bTとして求められる。yが多変数(=R)の場合、bはA行R列の回帰行列B、yはA行R列の行列Yとなり、数式10と同様にY=TBとなる。この場合もBは数式11と同様にB=Λ−1TTYを用いて求められる。回帰行列QはR行A列であるため、Q=BTとして求められる。
In Equation 11, Λ is a diagonal matrix having the above eigenvalue λ as an element. Since the regression vector Q is 1 row and A column, it is obtained as Q = b T. When y is a multi-variable (= R), b is a regression matrix B with A rows and R columns, y is a matrix Y with A rows and R columns, and Y = TB as in
以上のようにして得られた主成分回帰モデルの係数Pと回帰行列Qとを用いて、例えば運転指標推定値y=Qtの最大化の場合であれば、以下の数式12のように最適化問題(線形計画法)として定式化される(図9の運転条件最適化46aの処理)。
図9に示されるように、制約条件等はコンピュータ30のキーボード、マウス等の入力部34から与えることができ、最適運転条件値Xopt65aはコンピュータ30のディスプレイ等の出力部33に出力(表示)して、監視員(または専門家)35に示すことができる。
Using the coefficient P of the principal component regression model obtained as described above and the regression matrix Q, for example, in the case of maximization of the driving index estimated value y = Qt, optimization is performed as shown in
As shown in FIG. 9, constraints and the like can be given from the
なお、数式12は、元の変数に対して例えば平均値0、分散1となるように標準化された後の変数に対する定式化である。標準化後の定式化で得られた最適解をtoptとし、これより得られるこのときの運転状態変数(標準化後の最適運転条件値65a)と運転指標(標準化後の最適運転指標)の推定値とを各々xopt=Ptopt、yopt=Qtoptと表すと、標準化前の元の単位系での値で表すには以下の数式13,14のようになり、実際のプラントに実装するときにはこのXopt、Yoptを用いる。
Note that
xopt:標準化された変数(単位系)での最適条件
Xopt:標準化される前の変数(単位系)での最適条件
yopt:標準化された変数(単位系)での最適運転指標
Yopt:標準化される前の変数(単位系)での最適運転指標
Xm:X平均値
Xs:X標準偏差
Ym:Y平均値
Ys:Y標準偏差
x opt : Optimal condition with standardized variable (unit system) X opt : Optimal condition with variable (unit system) before standardization y opt : Optimal operation index with standardized variable (unit system) Y opt : optimal operation indicators in before being standardized variable (unit system) X m: X mean X s: X standard deviation Y m: Y average Y s: Y standard deviation
ここで、X、Yは複数の変数からなるためベクトルであり、その平均値や標準偏差もベクトルとしている。Ys.yopt等のベクトル同士の積において、間に「.」を記しているのはベクトルの各要素同士の積として得られるベクトルを表す。 Here, X and Y are vectors because they are composed of a plurality of variables, and their average values and standard deviations are also vectors. Ys. In the product of vectors such as y opt , “.” is shown between them to indicate a vector obtained as the product of the elements of the vector.
以上のように、本発明の実施例1によれば、コンピュータ30とネットワーク20を介して接続されたプラント1等から記録装置14に収集されたセンサデータが遠隔で送信される。コンピュータ30の運転状態データ取得部41は、プラント1等における複数のセンサ13により測定されたプラント1等の運転状態を示す運転状態データS−DATAを取得する。運転指標データ取得部42は、運転状態データ取得部41により取得された運転状態データS−DATAに基づき、プラント1等の運転を評価する運転指標データI−DATAを求める。計測データ記録部43は、運転状態データ取得部41により取得された運転状態データS−DATAと運転指標データ取得部42により求められた運転指標データI−DATAとを所定の項目(例えば、取得タイミング欄51に示される取得タイミング)に基づき関連させた一組の計測データとし、当該計測データを計測DB50に記録する。回帰モデル作成部44は、計測DB50に記録された複数組の計測データに基づき、運転状態データ側を表す運転状態変数を説明変数とし、運転指標データ側を表す運転指標変数(複数あるものと想定)を目的変数として所定の多変量解析を行って回帰モデル60を作成する。回帰モデル60は、温度等の説明変数を相互に無相関でかつ元の説明変数より少ない数の成分z1等へ変換する成分変換部46と、成分変換部46により変換された成分z1等から濃度等の目的変数を予測する予測部47と、成分変換部46の変換方法に対応した方法で成分Z1等から温度等の説明変数を推定する逆変換部48とを有している。一般に説明変数は多数あり、互いに相関を持っている。そこで成分変換部46は、これらの説明変数を多変量解析により互いに無相関なかつ元の説明変数の数よりも少ない(中間変数である)成分z1等に変換(集約・圧縮)する。この変換は、一般に説明変数同士が互いに持っている相関を、互いに無相関な成分にまとめていることになる。予測部47は、上述のように変換された成分z1等から目的変数を予測する。
以上より、成分変換部46と予測部47とを組み合わせることにより、説明変数から目的変数を予測することができる。回帰モデル60は、成分z1等から予測部47により目的変数を表す(予測する)ことができるが、同時に成分z1等が与えられた場合に、成分変換部46に対応した方法で、成分z1等に対応する元の説明変数を算出(推定)する(逆変換する)ことができる。これは、成分z1等が元の説明変数同士の相関を集約しているので、成分z1等から逆にこの相関を満たす元の説明変数の値を表すものである。運転指標変数最適化部45は、回帰モデル作成部44により作成された回帰モデル60に基づき運転指標変数を最適化する運転状態変数を求める。より詳しくは、逆変換部48により推定された説明変数に関する制約条件を満たしつつ予測部47により予測された目的変数に関する評価関数を最適化する際の説明変数値を求め、当該説明変数値をプラント1等の最適な運転条件とする。
As described above, according to the first embodiment of the present invention, sensor data collected by the
As described above, the objective variable can be predicted from the explanatory variable by combining the
回帰モデル60を用いることにより、説明変数である運転状態変数の変化の仕方と目的関数である運転指標の変化の仕方とを評価することができる。但し、ここでは直接説明変数を設定するのではなく、(中間変数である)成分z1等を設定することにより、成分z1等から逆変換部48によって回帰モデル60の説明変数の推定値を算出し、予測部47を用いて運転指標の推定値を算出する。ここで、上述のようにして算出された説明変数(運転状態変数)同士は、元の(回帰モデル60の作成に用いた)データにおいて運転状態変数同士が持っていた相関を保っている。
以上のようにして、成分z1等から変数間の相関を考慮して算出(逆変換)された説明変数の推定値と、目的変数の推定値との両者を同時に評価することにより、説明変数、目的変数に関する制約を満たしつつ目的変数を最適(最大化、最小化、または望ましい所定の値に近づける)にするような成分の値を定めることができる。この結果、現実の物理量に合わせるために多大な労力が必要となる物理モデル及び計算が煩雑になる非線形最適化手法を用いることなく、安価かつ容易にモデル化ができ、人が制御・設定できる変数を用いることにより現実にプラントに実装することができ、取得したデータが示していた変数間の相関性を保った範囲で最適な運転条件を得ることができるプラントの運転条件最適化システム等を提供することができる。
By using the
As described above, by simultaneously evaluating both the estimated value of the explanatory variable calculated from the component z1 and the like in consideration of the correlation between the variables and the estimated value of the objective variable, the explanatory variable, Component values can be defined that optimize the objective variable (maximize, minimize, or approach a desired predetermined value) while satisfying constraints on the objective variable. As a result, variables that can be modeled cheaply and easily, and can be controlled and set by humans, without using physical models that require a great deal of effort to match actual physical quantities and non-linear optimization methods that complicate calculations. Providing a system for optimizing the operating conditions of a plant that can be implemented in the plant by using, and that can obtain the optimal operating conditions within the range that maintains the correlation between the variables indicated by the acquired data. can do.
実施例2では、所定の多変量解析が部分的最小二乗法(Partial Least Squares:PLS)である場合について説明する。部分的最小二乗法においても主成分回帰と同様に定式化することができ、線形計画法で解くことができる。以下では、部分的最小二乗法のアルゴリズムとして非特許文献2記載のアルゴリズムを用いる。
In the second embodiment, a case where the predetermined multivariate analysis is a partial least square method (Partial Least Squares: PLS) will be described. The partial least square method can be formulated in the same manner as the principal component regression, and can be solved by linear programming. Below, the algorithm of a
図10は、部分的最小二乗法の処理の流れを説明する。図10で図2及び図6と同じ符号を付した個所は同じ要素を示すため、説明は省略する。
図10に示されるように、記録装置31の計測DB50等に蓄積された計測データから、正常な部分のPLSモデル60b作成用のデータについて、数式15に示される説明変数のサンプル×変数の2次元データ行列Xと目的変数のサンプル×1変数のデータベクトルyとが取り出され、入力される。
FIG. 10 illustrates a processing flow of the partial least square method. In FIG. 10, the portions denoted by the same reference numerals as those in FIGS.
As shown in FIG. 10, from the measurement data stored in the
図10に示されるように、部分的最小二乗法処理44bでは入力されたデータ行列X及びデータベクトルyから部分的最小二乗法係数Ppls、W、Qplsを計算し、これらをPLSモデル60bとして記録装置31に格納する。以上の関係は、以下の数式16〜18に示されている。ここで、N種類のデータをA種類の成分に変換することを考えた場合、Tplsは説明変数の線形結合である潜在変数のM行A列の行列、Pplsはローディング係数のN行A列の行列、Qplsは1行A列の横ベクトル、WはPLS重みと呼ばれるN行A列の行列である。
As shown in FIG. 10, in the partial least
A=1成分の場合のPLSモデルは以下の数式19,20から成り立っている。
The PLS model in the case of A = 1 component is composed of the following
数式19,20に示されるように、PLSモデルでは、データ行列Xの一部が潜在変数tを通して実現され、データベクトルyのモデリングに用いられている。潜在変数tは数式21のようになる。
As shown in
ここで、wはPLS重みベクトル(N行1列の縦ベクトル)であり、そのノルムは数式22に示されるように1である。
Here, w is a PLS weight vector (vertical vector of N rows and 1 column), and its norm is 1 as shown in
PLSモデルの構築規準は、データベクトルyと潜在変数tとの相関を大きくすると同時に潜在変数tの分散を大きくし、データ行列Xに含まれる情報を多く用いることにあるとされている。そこで、数式23で示されるデータベクトルyと潜在変数tとの共分散である内積Sを考え、数式22の制約条件下でSが最大の場合を最適なPLSモデルと考える。
The PLS model construction standard is that the correlation between the data vector y and the latent variable t is increased, and at the same time, the variance of the latent variable t is increased, and a large amount of information contained in the data matrix X is used. Therefore, an inner product S that is a covariance between the data vector y and the latent variable t expressed by
このため、Lagrangeの未定乗数法を用いる。途中は省略するが非特許文献2を参照されたい。数式23が最大となる最適なwは数式24となり、数式25,26を得る。潜在変数tは数式21(t=Xw)により求まる。
For this reason, Lagrange's undetermined multiplier method is used. Refer to
A=2成分の場合は、最終的な予測モデル式は後述する数式28,29で表現することができる。部分的最小二乗法の場合も主成分分析の場合と同様に、潜在変数の行列Tplsは左の列から分散の大きい順に並んでいる。分散を左の列から順に積算していく場合、分散全体の和(データ行列Xと潜在変数の行列Tplsとで全列の分散全体の和は一致する。)に対する積算分の比率(累積因子寄与率と呼ばれる)が80%に達するものが潜在変数の数として適当であると考えられるため、例えばこれをAの値として採用する。具体的には、taを潜在行列T2の第a列、σtaをtaの標準偏差としたとき、以下の数式27のようになる。
In the case of A = 2 components, the final prediction model equation can be expressed by
A=2成分のPLSモデル式は、以下の数式28,29のように書くことができる。
A PLS model expression of A = 2 components can be written as the following
1番目の成分に関係する係数は数式30〜33により算出される。
Coefficients related to the first component are calculated by
2番目の成分は、1番目の成分に関係しない成分を求めるので、数式28,29を次の数式34,35で変換する。
Since the second component is a component that is not related to the first component, the
よって、2番目の成分に関係する係数は以下の数式36〜39より求めることができる。
Therefore, the coefficients related to the second component can be obtained from the following
成分が3より多い場合も以上と同様にして求めることができる。一般化すると、PLSのアルゴリズムは以下の1)〜8)(数式40〜49)となる。
When there are more than 3 components, it can be determined in the same manner as above. When generalized, the PLS algorithm becomes the following 1) to 8) (
1)
成分数=Aの場合、PplsはN行A列、Qplsは1行A列の横ベクトル、WはN行A列の行列となる。以上のようにして得られたPLSモデルの係数PplsとQplsとを用いて、例えば運転指標推定値y=Qplstの最大化の場合であれば、以下の数式50のように最適化問題(線形計画法)として定式化することができる(図10の運転条件最適化45b)。
図10に示されるように、制約条件等はコンピュータ30のキーボード、マウス等の入力部34から与えることができ、最適運転条件値Xopt65bはコンピュータ30のディスプレイ等の出力部33に出力(表示)して、監視員(または専門家)35に示すことができる。
When the number of components is A, P pls is N rows and A columns, Q pls is a horizontal vector of 1 rows and A columns, and W is a matrix of N rows and A columns. For example, in the case of maximization of the driving index estimated value y = Q plst using the coefficients P pls and Q pls of the PLS model obtained as described above, optimization is performed as in the following
As shown in FIG. 10, the constraint conditions and the like can be given from the
なお、実施例1で説明した主成分回帰の場合と同様に、ここに記したのは平均値ゼロ、標準偏差1に標準化した後の変数についての最適化であり、これを元の単位系の変数値に戻す場合には前記と同様の処理を行う。詳しくは、標準化後の定式化で得られた最適解をtoptとし、これより得られるこのときの運転状態変数(標準化後の最適運転条件値65b)と運転指標(標準化後の最適運転指標)の推定値とを各々xopt=Pplstopt、yopt=Qplstoptと表すと、標準化前の元の単位系での値で表すには以下の数式13,14(再掲)のようになり、実際のプラントに実装するときにはこのXopt、Yoptを用いる。
As in the case of the principal component regression described in the first embodiment, what is described here is an optimization for variables after standardization to a mean value of zero and a standard deviation of 1, which is the original unit system. When returning to a variable value, the same processing as described above is performed. Specifically, the optimum solution obtained by the formulation after standardization is defined as t opt, and the operation state variable obtained at this time (optimum
[数13]
Yopt=Ys.yopt+Ym
[数14]
Xopt=Xs.xopt+Xm
[Equation 13]
Y opt = Y s . y opt + Y m
[Formula 14]
X opt = X s . x opt + X m
xopt:標準化された変数(単位系)での最適条件
Xopt:標準化される前の変数(単位系)での最適条件
yopt:標準化された変数(単位系)での最適運転指標
Yopt:標準化される前の変数(単位系)での最適運転指標
Xm:X平均値
Xs:X標準偏差
Ym:Y平均値
Ys:Y標準偏差
ここでX、Yは複数の変数からなるためベクトルであり、その平均値や標準偏差もベクトルとしている。Ys.yopt等のベクトル同士の積において、間に「.」を記しているのはベクトルの各要素同士の積として得られるベクトルを表す。
x opt : Optimal condition with standardized variable (unit system) X opt : Optimal condition with variable (unit system) before standardization y opt : Optimal operation index with standardized variable (unit system) Y opt : optimal operation indicators in before being standardized variable (unit system) X m: X mean X s: X standard deviation Y m: Y average Y s: Y standard deviation where X, Y are a plurality of variables Therefore, it is a vector, and its average value and standard deviation are also used as vectors. Ys. In the product of vectors such as y opt , “.” is shown between them to indicate a vector obtained as the product of the elements of the vector.
目的関数は線形でなく、運転指標(y=Qplst)に関する非線形な関数fで表されたり、制約条件が運転条件(x=Pplst)、運転指標(y=Qplst)に関する非線形な関数gで表される場合、言い換えれば評価関数が目的変数に関する非線形な式(例:2次式)でありかつ制約条件が説明変数に関する非線形な式bである場合には、一般的に以下の数式51のように表され、最適化手法として非線形最適化手法(例:二次計画法)を用いることにより解くことができる。 The objective function is not linear and is expressed by a non-linear function f related to the driving index (y = Q pls t), or the constraint condition is non-linear regarding the driving condition (x = P pls t) and the driving index (y = Q pls t). In other words, when the evaluation function is a non-linear expression (eg, quadratic expression) relating to the objective variable and the constraint condition is a non-linear expression b relating to the explanatory variable, It can be solved by using a nonlinear optimization method (eg, quadratic programming) as an optimization method.
以上のように、本発明の実施例2によれば、所定の多変量解析が部分的最小二乗法PLSである場合においても主成分回帰と同様に定式化することができ、線形計画法で解くことができる。部分的最小二乗法では、記録装置31の計測DB50等に蓄積された計測データから、正常な部分のPLSモデル作成用のデータについて、数式15に示される説明変数のサンプル×変数の2次元データ行列Xとの目的変数のサンプル×1変数のデータベクトルyとが取り出され、入力される。入力されたデータ行列X及びデータベクトルyから部分的最小二乗法Ppls、W、Qplsを計算し、これらをPLSモデル60bとして記録装置31に格納する。N種類のデータをA種類の成分に変換する。累積因子寄与率が80%に達するものが潜在変数の数として適当であると考えられるため、例えばこれをAの値として採用する。PLSのアルゴリズムは上述した1)から8)となる。成分数=Aの場合、PplsはN行A列、Qplsは1行A列の横ベクトル、WはN行A列の行列となる。以上のようにして得られたPLSモデルの係数PplsとQplsとを用いて、例えば運転指標推定値y=Qplstの最大化の場合であれば、上記数式50のように最適化問題(線形計画法)として定式化することができる。この結果、所定の多変量解析が部分的最小二乗法PLSである場合においても、現実の物理量に合わせるために多大な労力が必要となる物理モデル及び計算が煩雑になる非線形最適化手法を用いることなく、安価かつ容易にモデル化ができ、人が制御・設定できる変数を用いることにより現実にプラントに実装することができ、取得したデータが示していた変数間の相関性を保った範囲内で最適な運転条件を得ることができるプラントの運転条件最適化システム等を提供することができる。
As described above, according to the second embodiment of the present invention, even when the predetermined multivariate analysis is the partial least square method PLS, it can be formulated in the same manner as the principal component regression, and is solved by linear programming. be able to. In the partial least square method, from the measurement data stored in the
実施例3では、図1の運転指標データ取得部42により求められる運転指標データが複数ある場合について、より詳しく説明する。この場合、計測データ記録部43は、運転状態データ取得部41により取得された運転状態データS−DATAと運転指標データ取得部42により求められた複数の運転指標データI−DATAとを所定の項目に基づき関連させた一組の計測データとし、当該計測データを計測DB50等に記録する。
In the third embodiment, the case where there are a plurality of driving index data obtained by the driving index
回帰モデル作成部44は、計測DB50等に記録された複数組の計測データであって一組の計測データ中に複数の運転指標データI−DATAを含み得るものに基づき、運転状態データ側を表す運転状態変数を説明変数とし、運転指標データ側を表す複数の運転指標変数を複数の目的変数として各々所定の多変量解析を行って各回帰モデル60を作成する。この回帰モデル60は、実施例1で説明したように説明変数を相互に無相関でかつ元の説明変数より少ない数の成分z1等へ変換する成分変換部46と、成分変換部46により変換された部分z1等から複数の目的変数を予測する予測部47と、成分変換部46に対応した方法で成分z1等から説明変数を推定(逆変換)する逆変換部48とを有している。
The regression
運転指標変数最適化部45は、回帰モデル作成部44により作成された回帰モデル60に基づき運転指標変数を最適化する運転状態変数を求める。詳しくは、逆変換部48により推定された説明変数に関する制約条件を満たしつつ、予測部47により予測された複数の目的変数に関する各評価関数に基づく一つの評価関数を考え、この一つの評価関数を最適化する際の説明変数値を求め、この説明変数値を最適な運転条件65とする。ここで、上記一つの評価関数は各評価関数の所定の重み付け和により求めることが好適である。
The driving index
以上のように、最適化する対象の目的変数(運転指標)が複数個あり、各運転指標についての評価関数を同時に最適化する部分(各評価関数を最適化したい場合)、それらの評価関数を組み合わせ、全体として評価する一つの評価関数を算出する。具体的には、各評価関数に対する重み付き和を新しい一つの評価関数とする。例えば運転指標が効率であり、複数種類の効率があってそれらを同時に最大化するような場合、評価関数は運転指標である効率そのものであり、y=Qtで表される。複数の指標を考慮した新しい評価関数はyの各要素に対する重み付き和となる。それぞれに対する重みをw1、w2、……、wnとし、これを並べた横ベクトルをw=[w1、w2、……、wn]とすると運転指標の重み付き和は以下の数式52で表される。 As described above, there are multiple objective variables (operational indicators) to be optimized, parts that simultaneously optimize the evaluation function for each operation indicator (if you want to optimize each evaluation function), One evaluation function to be evaluated as a whole is calculated. Specifically, the weighted sum for each evaluation function is set as one new evaluation function. For example, when the driving index is efficiency and there are a plurality of types of efficiency and these are maximized at the same time, the evaluation function is the efficiency as the driving index itself and is represented by y = Qt. A new evaluation function considering a plurality of indices is a weighted sum for each element of y. If the weights for each are w1, w2,. .
従って、最適化問題は以下の数式53で表される。
Therefore, the optimization problem is expressed by the following
なお、各目的変数に対する評価関数が目的変数の何らかの関数で表されている場合には、その重み付き和は以下の数式54のようになる。
If the evaluation function for each objective variable is represented by some function of the objective variable, the weighted sum is as shown in the following
重みw=[w1、w2、……、wn]としては、例えば以下のように定めることができる。実施例1、2で作成された回帰モデル60等、PLSモデル60bにおいて、主成分回帰、部分的最小二乗法を適用する際に、一般に各変数(運転状態データx、運転指標データy)は平均値0、分散(標準偏差)1に標準化した上で上記の各モデルが作成される。ここで複数の運転指標があってyがベクトルである場合には、その各要素が平均値0、分散1に標準化されている。従って、これらのy同士を重み付けする際には、例えばすべて1に設定すればこれらは同等に重み付けされて最適化されることになる。yの中で重視したいものがある場合、その重みを10倍等に設定すればよい。以上のように、複数の評価関数の重み付け和を最適化における評価関数として設定して最適化手法で解くことにより、複数の目的変数の各々を重みで考慮した最適運転条件値65を得ることができる。
The weight w = [w1, w2,..., Wn] can be determined as follows, for example. In the
一般に、運転指標変数最適化部45(図5参照)は、回帰モデル作成部44等で得られた回帰モデル60、制約条件、目的変数(評価関数)が複数ある場合には、各々に対する重み(目的変数が複数の場合は上記w)がコンピュータ30のキーボード、マウス等の入力部34から与えられ、線形計画法等の最適化手法により最適化が行われ、最適運転条件値65はコンピュータ30のディスプレイ等の出力部33に出力(表示)して、監視員(または専門家)35に示すことができる。
In general, when there are a plurality of
以上のように、本発明の実施例3によれば、運転指標データ取得部42により求められる運転指標データが複数あり(最適化する対象の目的変数(運転指標)が複数個あり)、各運転指標についての評価関数を同時に最適化する場合(各評価関数を最適化したい場合)、それらの評価関数を組み合わせ、全体として評価する一つの評価関数を算出する。
具体的には、各評価関数に対する重み付き和を新しい一つの評価関数とする。複数の評価関数の重み付き和を最適化における評価関数として設定して最適化手法で解くことにより、複数の目的変数の各々を重みで考慮した最適運転条件値を得ることができる。この結果、所定の多変量解析が主成分回帰または部分的最小二乗法PLSのいずれの場合においても、現実の物理量に合わせるために多大な労力が必要となる物理モデル及び計算が煩雑になる非線形最適化手法を用いることなく、安価かつ容易にモデル化ができ、人が制御・設定できる変数を用いることにより現実にプラントに実装することができ、取得したデータが示していた変数間の相関性を保った範囲で最適な運転条件を得ることができるプラントの運転条件最適化システム等を提供することができる。
As described above, according to the third embodiment of the present invention, there are a plurality of driving index data obtained by the driving index data acquisition unit 42 (a plurality of target variables (driving indices) to be optimized), and each driving When simultaneously optimizing evaluation functions for indices (when it is desired to optimize each evaluation function), the evaluation functions are combined to calculate one evaluation function to be evaluated as a whole.
Specifically, the weighted sum for each evaluation function is set as one new evaluation function. By setting a weighted sum of a plurality of evaluation functions as an evaluation function in optimization and solving with an optimization method, it is possible to obtain an optimum operating condition value in which each of the plurality of objective variables is considered with a weight. As a result, whether the given multivariate analysis is principal component regression or partial least squares PLS, a nonlinear model that requires a great deal of effort to match actual physical quantities and nonlinear optimization Can be modeled cheaply and easily without using a method, and can be implemented in a plant by using variables that can be controlled and set by humans. It is possible to provide a plant operating condition optimization system or the like that can obtain an optimal operating condition within the range maintained.
実施例4では、実施例1〜3で説明したプラント1等の運転条件最適化システム10において、運転指標変数最適化部45により得られた最適運転条件値65と運転状態データ取得部41により取得された運転状態データS−DATAとに基づき、最適運転条件値65の妥当性を評価可能に出力する妥当性評価部(妥当性評価手段)(不図示)を更に備えることができる。
In the fourth embodiment, in the operation
図11は、実施例1〜3で得られた最適運転条件値65(例えば最適運転条件値65b)を、例えば各運転状態変数S−DATAの度数分布と散布図とにプロットして画面(ディスプレイ等の出力部33)に表示する表示例70を示す。図11で、制御変数一覧は各運転状態変数S−DATAの例であり、散布図一覧の丸番号1、2、3、……、等は制御変数一覧の上から付された番号である。散布図一覧の対角要素は各制御変数の度数分布であり、横方向の要素はある制御変数と他の制御変数とについての散布図である。
例えば、散布図一覧の(1,1)要素は発電出力の度数分布、(1,2)要素は縦軸が発電出力で横軸が凝縮水流量とした場合の散布図、(1,3)要素は縦軸が発電出力で横軸が主蒸気流量とした場合の散布図、(以下同様)である。図11では、最適運転条件値65bを内部を黒色とした四角または丸で示し、現実のデータ(PLSモデル60b作成に用いたデータ)中、計算結果である最適運転条件値65bに近い現実の点を、内部を斜線とした四角または丸で示し、現実のデータ中で最良の運転指標を示した運転条件を、内部を灰色とした四角または丸で示している。図11に示されるように、最適運転条件値65bに近い現実の点と最適運転条件値65bの点とに基づき、得られた最適運転条件値65bの現実の妥当性を評価することができる。
FIG. 11 shows a screen (display) by plotting the optimum operation condition value 65 (for example, optimum
For example, the (1, 1) element of the scatter chart list is the frequency distribution of the power generation output, the (1, 2) element is a scatter chart when the vertical axis is the power generation output and the horizontal axis is the condensed water flow rate, (1, 3) The elements are scatter plots where the vertical axis is the power generation output and the horizontal axis is the main steam flow rate (the same applies hereinafter). In FIG. 11, the optimum
以上のように、本発明の実施例4によれば、実施例1〜3で説明したプラント1等の運転条件最適化システム10において、運転指標変数最適化部45により得られた最適運転条件値65bと運転状態データ取得部41により取得された運転状態データS−DATAとに基づき、最適運転条件値65bの妥当性を評価可能に出力する妥当性評価部を更に備えることができる。図11に示されるように、最適運転条件値65bに近い現実の点と最適運転条件値65bの点とに基づき、得られた最適運転条件値65bの現実の妥当性を評価することができる。
As described above, according to the fourth embodiment of the present invention, in the operation
上述したように、プラント1等として発電プラントを例に取上げ、運転状態データS−DATAは発電プラントにおける流量、圧力、温度のいずれか1つ以上を含むものとし、運転指標データI−DATAは効率を含むものとした。しかし、本発明の運転条件最適化システム10が適用されるプラントは発電プラントに限定されるものではなく、製造プラント等であってもよいことは勿論であり、この場合、運転状態データS−DATA、運転指標データI−DATAは適宜設定可能である。以下、発電プラントの場合における諸変数につき例示する。
As described above, the power plant is taken as an example of the
ある発電プラントにおいて、以下の運転状態変数S−DATAについて、3つの運転指標データI−DATAを表すPLSモデル60bを作成し、これにより運転指標を最適化する運転条件を抽出する。図12は7つの運転状態変数S−DATAを例示し、図13は3つの運転指標変数I−DATAを例示する。
図14は7つの運転状態変数S−DATAの時系列グラフ80を示し、図15は3つの運転指標変数I−DATAの時系列グラフ90を示す。図16は、得られたPLSモデル60bを示す。図17は、得られたPLSモデル60bに基づいて3つの運転指標変数I−DATAを重み付けし、線形計画法で最適化したときの結果(最適化結果100)を示す。
図17に示されるように、重みとしては[w1,w2,w3]=[1,1,1],[10,1,1],[1,1,10],[1,10,1]の4通りについて実施した。図18は、得られた最適運転条件値65bの妥当性の評価のための画面表示例70’を示す。図18は、図11の表示例70に示した最適運転条件値65bの妥当性評価(散布図一覧)中、(2,1)要素に対応する1つの散布図を抜き出して表示した表示例70’である。
図18で、横軸は発電出力、縦軸は凝縮水流量であり、菱形が実績データ、四角が高効率運転条件、丸が実績データ(類似データ)、三角が実績データ(最高効率)である。図18に示されるように、両変数は互いに相関を持っているため、この相関を保った範囲で最適運転条件値65bを設定する必要がある。図18では相関を保っている既存のデータの範囲内に最適運転条件値65b(四角)もプロットされており、得られた最適条件も相関を保っていることがわかる。既存データ(菱形)中で最高の効率を示したデータ(三角)と比較すると非常に近い条件となっており、現実の状況と適合していることを示している。即ち、実績データ(菱形)が示していた変数間の相関性を保った範囲で最適運転条件値65bを得ることができると共に、得られた最適運転条件値65bの現実の妥当性を評価することができる。
In a certain power plant, a
FIG. 14 shows a
As shown in FIG. 17, the weights are [w1, w2, w3] = [1,1,1], [10,1,1], [1,1,10], [1,10,1]. It carried out about four ways. FIG. 18 shows a screen display example 70 ′ for evaluating the validity of the obtained optimum
In FIG. 18, the horizontal axis is the power generation output, the vertical axis is the condensed water flow rate, the rhombus is the actual data, the square is the high-efficiency operating condition, the circle is the actual data (similar data), and the triangle is the actual data (maximum efficiency). . As shown in FIG. 18, since both variables have a correlation with each other, it is necessary to set the optimum
実施例6では、上述した実施例1等において、プラント1等が顧客のプラントである場合のビジネスモデルについて説明する。図19は、プラント1等が顧客のプラントである場合の運転条件最適化システム10’を示す。図19で図1と同じ符号を付した個所は同じ要素を示すため、説明は省略する。図19の顧客プラント1’は図1のプラント1に対応し、顧客プラント2’は図1のプラント2に対応している(以下同様に「顧客プラント1’等」と言う。)。顧客プラント1’内のMES11’は図1のMES1に対応し、DCS12’は図1のDCS12に対応している(以下同様)。
図19に示されるように、コンピュータ30の機能ブロック40には以下の機能が追加されている。即ち、運転指標変数最適化部45により求められた最適運転条件値65等(最適な運転条件)を顧客のプラント1’等側に実装する最適運転条件値実装部(最適運転条件値実装手段)36と、最適運転条件値実装部36による実装前後の所定の期間における顧客プラント1’等の運転を評価する運転指標データI−DATAに基づき、顧客の利益増加及び/または費用節減効果を算出する利益等算出部(利益等算出手段)37と、利益等算出部37により算出された顧客の利益増加及び/または費用節減効果に基づく対価を徴収する対価徴収部(対価徴収手段)38とを更に備えている。
In the sixth embodiment, a business model in the case where the
As shown in FIG. 19, the following functions are added to the
最適運転条件値実装部36は、顧客の運転状態データS−DATA、運転指標データI−DATAから回帰モデル化/PLSモデル化を行って得られた最適運転条件値65等を、図19に示されるように遠隔のネットワーク20経由等により顧客の制御システム(MES11’、DCS12’)に実装する。この条件設定前後の一定期間の運転指標(効率)データI−DATAを蓄積し、これに基づいて顧客の利益増加または費用節減効果を算出し、その一定割合をサービス料として顧客から徴収する。
The optimum driving condition
図20は、対価徴収部38が対価を徴収する際に発行する請求書例110を示す。図20の累積効果に示されるように、例えば発電プラントにおいて、同出力で燃料費用が1ヶ月で148.8万円節減できたと推定されるため、その5%である74,400円を費用として請求している。顧客側で費用節減効果をわかりやすくするように、グラフで効率の向上を視覚的に示している。この請求書110を郵送で顧客に送ってもよいし、電子的なデータ(例えばe−メール)として顧客に送付したり、コンピュータ30またはネットワーク20に接続されて顧客からアクセス可能な他のコンピュータを介して、Web上で顧客が随時閲覧できるようにしてもよい。以上のようにして、本発明の運転条件最適化システム10’を用いたビジネスモデルを構築することができる。
FIG. 20 shows an
図21は、上述した各実施例を実現するための本発明のコンピュータ・プログラム(プラントの運転条件最適化プログラム)を実行するためのコンピュータ30の内部回路120を示すブロック図である。図21に示されるように、CPU121、ROM122、RAM123、画像制御部125、コントローラ126、入力制御部128及び外部I/F(インタフェース)部129はバス130に接続されている。図21において、上述の本発明のコンピュータ・プログラムは,ROM122、HD(ハードディスク)等の記録装置31、またはDVD若しくはCD−ROM127等の記録媒体(脱着可能な記録媒体を含む)に記録されている。記録装置31には上述した計測DB50等、回帰モデル60等、PLSモデル60bが記録されている。
本発明のコンピュータ・プログラムは、ROM122からバス130を介し、あるいは記録装置31またはDVD若しくはCD−ROM127等の記録媒体からコントローラ126を経由してバス130を介しRAM123へロードされる。入力制御部128は、マウス、テンキー等の入力操作部34と接続され入力制御等を行う。画像メモリであるVRAM124はコンピュータ30のディスプレイ等の出力部33の少なくとも一画面分のデータ容量に相当する容量を有しており、画像制御部125はVRAM124のデータを画像データへ変換して出力部33へ送出する機能を有している。このようにして妥当性評価部の画面表示機能が実行される。外部I/F部129は入出力インタフェース機能を有しており、これによりコンピュータ30はルータ25、ネットワーク20、プラント1等、プラント1’等と接続されている。以上のようにCPU121が本発明のコンピュータ・プログラムを実行することにより、本発明の目的を達成することができる。
FIG. 21 is a block diagram showing an
The computer program of the present invention is loaded into the
図22は、本発明の実施例8に係るプラントの運転条件最適化システムにおける処理の流れを示す図である。図22において、図1、図2、図5等と同じ符号を付した個所は同じ要素または機能を示すため、説明は省略する。
前記同様に、データ取得装置49は、複数のセンサ13により測定されたプラント1等の運転状態を示す運転状態データS−DATAを取得する。データ取得装置49は、運転状態データ取得ステップで取得された運転状態データS−DATAに対応するタイミングで、別途センサ13または分析計(不図示)で測定及び評価を行うことにより、運転指標データI−DATAを取得する。あるいは、運転状態データ取得ステップで取得された運転データS−DATAに基づき、プラント1等の運転を評価する運転指標データI−DATAを求めてもよい。データ取得装置49は、運転状態データ取得ステップで取得された運転状態データS−DATAと運転指標データ取得ステップで求められた運転指標データI−DATAとを所定の項目(例えば、図2の取得タイミング欄51に示される取得タイミング)に基づき、関連させた一組の計測データとし、当該計測データを記録装置31内の計測DB50に記録する。以上のデータ取得装置49の機能はコンピュータ30の機能(プラントの運転条件最適化プログラム)の一部として実現することができるが、データ取得装置49はコンピュータ30とは別のコンピュータとして実現することが好適である。
なお、計測DB50に記録される計測データは、例えば前述した図7のようなものである。図7において、効率は運転状態データから物理的な数式等により求められる場合も多い。例えば、発電プラントであれば、効率はエンタルピー計算等の複雑な数式とテーブルとから求められることになる。
FIG. 22 is a diagram illustrating a process flow in the plant operating condition optimization system according to the eighth embodiment of the present invention. In FIG. 22, portions denoted by the same reference numerals as those in FIG. 1, FIG. 2, FIG.
Similarly to the above, the
The measurement data recorded in the
図22の予測モデル作成手段61には、過去の通常運転時の計測データがモデル作成用データとして計測DB50から入力される。予測モデル作成手段61は、モデル作成用データを用いて多変量解析エンジンにより予測モデル60cを作成して記録装置31に記憶する。
なお、予測モデル60cは、請求項28に記載するように、元の説明変数と非線形処理を施して得られた新たな変数との全体か、またはそのうち変数減少法等により一部の変数を抽出して予測モデルの説明変数とし、これに対して運転指標変数を目的変数とする重回帰モデルを用いることができる。ここで、変数減少法は、例えば、竹内寿一郎による「重回帰分析における変数選択について」(日本APL協会、2004年シンポジウム論文集)に記載されている。
また、予測モデル60cは、請求項30や請求項31に記載するように、元の説明変数と非線形処理を施して得られた新たな変数との全体を予測モデルの説明変数とし、これに対して運転指標変数を目的変数とする主成分回帰モデルや部分的最小二乗法(PLS)モデルを用いることができる。
更に、予測モデル60cには、請求項32に記載するように、元の説明変数及び運転指標変数を学習させて構築したニューラルネットワークを用いることもできる。
Measurement data for the past normal operation is input from the
In addition, as described in claim 28, the
Further, as described in
Further, as the
一方、モデル作成用データは成分変換手段62にも入力されている。
一般に、説明変数は多数あり、互いに相関を持っている。そこで、成分変換手段62では、入力されるモデル作成用データの中の説明変数を主成分分析や部分的最小二乗法等の多変量解析により互いに無相関な、元の説明変数よりも数が少ない中間変数としての「成分」に集約・圧縮することにより成分変換を行う。ここで、「成分」は元の説明変数の空間中の部分空間内の座標に対応し、この部分空間は元の説明変数の空間の一部を構成している。元の説明変数を「成分」に変換することは、元の説明変数を部分空間に射影し、その点の部分空間の座標を求めることであり、この射影に対応する変換係数行列62aが成分変換手段62となる。
On the other hand, the model creation data is also input to the component conversion means 62.
In general, there are many explanatory variables and they are correlated with each other. Therefore, the component conversion means 62 has fewer explanatory variables in the input model creation data than the original explanatory variables that are uncorrelated with each other by multivariate analysis such as principal component analysis or partial least squares. Component conversion is performed by consolidating and compressing into “components” as intermediate variables. Here, the “component” corresponds to the coordinates in the partial space in the original explanatory variable space, and this partial space constitutes a part of the original explanatory variable space. To convert the original explanatory variable into “component” is to project the original explanatory variable onto the subspace and obtain the coordinates of the subspace of the point, and the
図22には示されていないが、請求項25におけるQ統計量・T2統計量計算手段は、元の説明変数の空間内の任意の点と部分空間上の射影点との距離の2乗をQ統計量として計算し、前記射影点と前記部分空間の中心との正規化された距離の2乗をT2統計量として計算する。これらのQ統計量及びT2統計量は、ゼロ以上の値である。
成分変換手段62により得られた「成分」により、元の説明変数の空間内に部分空間が形成され、この部分空間は、モデル作成用データの説明変数同士が持っていた相関を保っており、部分空間上の射影点は説明変数の空間内では互いに相関を保っていることになる。
ここで、説明変数の空間内の任意の点(運転状態に対応するベクトル)から部分空間上に射影して得られた点は、元の説明変数が部分空間に含まれなければ、その部分空間上の元の説明変数に最も近い点であるので、元の説明変数の部分空間上の近似点となる。説明変数の空間内の任意の点とその部分空間上の射影点との距離の2乗(説明変数の空間内の2ノルム)を前記Q統計量と呼ぶ。このQ統計量は、説明変数の空間内の任意の点と部分空間との距離であり、モデル作成用データの説明変数同士が持っていた相関からの乖離に対応している。
また、説明変数の空間内の任意の点から部分空間内に射影した点と、この部分空間の中心(モデル作成用データの説明変数の空間内の平均に対応し、部分空間内の座標の中心:ゼロ)との、正規化された距離の2乗を前記T2統計量と呼ぶ。正規化された距離とは、座標(「成分」)ごとに重み付けされた距離であり、この重みは、「成分」ごとに元のデータから計算される当該「成分」の分散の逆数として定められるものである。これは、複数の説明変数を含めた平均値からの外れ度を示している。
なお、図23は、Q統計量及びT2統計量を説明するための概念図である。
Although not shown in FIG. 22, the Q statistic / T 2 statistic calculating means in
The “component” obtained by the component converting means 62 forms a subspace in the original explanatory variable space, and this partial space maintains the correlation that the explanatory variables of the model creation data have. Projection points on the subspace are correlated with each other in the explanatory variable space.
Here, a point obtained by projecting an arbitrary point (vector corresponding to the driving state) in the space of the explanatory variable onto the subspace is the subspace if the original explanatory variable is not included in the subspace. Since it is the point closest to the original explanatory variable above, it is an approximate point on the subspace of the original explanatory variable. The square of the distance between an arbitrary point in the explanatory variable space and the projected point in the subspace (2 norm in the explanatory variable space) is called the Q statistic. This Q statistic is the distance between an arbitrary point in the explanatory variable space and the partial space, and corresponds to the deviation from the correlation that the explanatory variables of the data for model creation had.
Also, a point projected from any point in the explanatory variable space into the subspace and the center of this subspace (corresponding to the average in the explanatory variable space of the model creation data, the center of the coordinates in the subspace :)) is referred to as the T 2 statistic. The normalized distance is a distance weighted for each coordinate (“component”), and this weight is determined as the reciprocal of the variance of the “component” calculated from the original data for each “component”. Is. This indicates the degree of deviation from the average value including a plurality of explanatory variables.
FIG. 23 is a conceptual diagram for explaining the Q statistic and the T 2 statistic.
図22におけるQ統計量・T2統計量上限値設定手段63は、モデル作成用データの運転状態変数の各サンプルについて、例えば、Q統計量及びT2統計量の外れ値を除いた最大値を上限値として設定し、あるいは、Q統計量及びT2統計量の外れ値を除いた値の分布に基づいて上限値を設定する。
これらの上限値を制約条件とし、Q統計量を上限値以下とすることで元の説明変数同士が持っていた相関を保ったデータとすることができ、特にQ統計量はゼロに近いほど変数間の相関が高いことを示すので、上限値を小さく設定すれば変数間の相関がより高い場合のみ許容することができる。また、T2統計量を上限値以下とすることにより、元の説明変数を平均値から大きく外れないようにすることができ、多変数空間内で存在していた範囲を逸脱することがない。
The Q statistic / T 2 statistic upper
By setting these upper limit values as constraint conditions and making the Q statistic less than the upper limit value, it is possible to obtain data that maintains the correlation that the original explanatory variables had. Especially, the closer the Q statistic is to zero, the more variable Since the correlation between the variables is high, if the upper limit value is set small, it can be allowed only when the correlation between the variables is higher. In addition, by setting the T 2 statistic to be equal to or lower than the upper limit value, the original explanatory variable can be prevented from greatly deviating from the average value, and the range existing in the multivariable space is not deviated.
図22の運転条件最適化手段45cには、予測モデル60c、Q統計量・T2統計量の上限値等により定まる制約条件、及び、運転状態指数と運転指標、またはこれらから算出されるプラント状態量に関する制約条件、目的変数(評価関数)が入力され、数理計画法等の最適化手法により最適化が行われて最適運転条件値が出力される。
ここで、予測モデルは一般に非線形であるため、これを説明変数(運転状態変数)の関数として、y^=f(x1,x2,……,xN)と表すものとする。
運転条件最適化手段45cは、上記予測モデルを用いて、最適化問題として数式55に示す定式化を行う。
なお、この最適化問題では最大化が目的であるため、数式55ではmaximize …となっているが、最小化が目的の最適化問題では、minimize …となる。
Here, since the prediction model is generally non-linear, it is expressed as y ^ = f (x1, x2,..., XN) as a function of explanatory variables (operating state variables).
The operating
In this optimization problem, the purpose is maximization. Therefore, in
ここで、y^=f(x1,x2,……,xN)はx1,x2,……,xNに基づく予測モデルによる予測値、Q,T2は決定変数から求まるQ統計量及びT2統計量であり、厳密には、Q(x1,x2,……,xN),T2(x1,x2,……,xN)と表現してもよい。Q,T2に「 ̄」を付したものは制約条件となるQ統計量の上限値,T2統計量の上限値であり、xi L,xi Uは各決定変数の下限値,上限値である。
なお、上記最適化問題を解くための最適化手法としては、柳浦,茨木による「組合せ最適化−メタ線略を中心として−」(経営科学のニューフロンティア2、朝倉書店、2001年)や、J. Kennedy and R. Eberhartによる“A discrete binary version of the particle swarm optimization algorithm”(Proc. Of the IEEE conference on Systems, Man, and Cybernetics (SMC’97), pp.4104-4109,1997年)等に記載された準ニュートン法、逐次二次計画法、PSO(Particle Swarm Optimization)等を用いることができる。
Here, y ^ = f (x1, x2, ......, xN) is x1, x2, ......, prediction value by the prediction model based on xN, Q, T 2 is Q statistic and T 2 statistics obtained from decision variables Strictly speaking, it may be expressed as Q (x1, x2,..., XN), T 2 (x1, x2,..., XN). Q and T 2 with “ ̄” are the upper limit value of the Q statistic and the upper limit value of the T 2 statistic, which are the constraint conditions, and x i L and x i U are the lower limit value and upper limit of each decision variable. Value.
In addition, as an optimization method for solving the above optimization problem, Yanagiura and Ibaraki's "Combinatorial optimization-centering on the meta-line abbreviation-" (New Frontier of
次に、この実施例において、多変量解析として主成分分析処理を行う場合について説明する。
例えば、元の運転状態変数に非線形処理として2乗を適用し、元の運転状態変数と、得られた2乗の項との全体を説明変数xとして以下の主成分分析処理を行う。
記憶装置31の計測DB50に蓄積された計測データから、運転条件についてのサンプル×変数の2次元データXと運転指標についての同様の2次元データYとが取り出され、コンピュータ30に入力される。
これらのデータは、図8に示したように時刻や変数名を除いた正味のデータだけで構成されており、各行がサンプルに対応して各列が変数に対応する、サンプル×変数の2次元データであり、例えば2次元データXは数式56に対応する。
Next, in this embodiment, a case where principal component analysis processing is performed as multivariate analysis will be described.
For example, square is applied to the original operating state variable as non-linear processing, and the following principal component analysis processing is performed using the original operating state variable and the obtained square term as a whole as an explanatory variable x.
From the measurement data stored in the
These data are composed of only net data excluding time and variable names as shown in FIG. 8, and each row corresponds to a sample and each column corresponds to a variable. For example, two-dimensional data X corresponds to
なお、以下では、実施例1と同様に、非特許文献2に記載されたNIPALSアルゴリズムを用いることとする。
主成分分析処理では、入力された2次元データXから主成分分析モデル係数Pを計算し、これを記憶装置31(モデルデータベース)に格納する。Pは主成分数をAとすると、N行A列の行列である。
Aとしては、例えば非特許文献2に記載された累積因子寄与率80%となる値とする。
In the following, the NIPALS algorithm described in
In the principal component analysis process, a principal component analysis model coefficient P is calculated from the input two-dimensional data X and stored in the storage device 31 (model database). P is a matrix of N rows and A columns, where A is the number of principal components.
As A, it is set as the value used as the accumulation
主成分分析モデル係数Pは、以下のようにして求める。
1)行列Xのうち分散最大の行(横ベクトル)の転置をpの初期値とする。
2)次に、数式57を計算する。
4)次に、数式58を計算する。
7)このようにして1)〜6)の処理をA個の縦ベクトルpが得られるまで行い、得られたpを順に左から並べてPを得る。
The principal component analysis model coefficient P is obtained as follows.
1) Let the transpose of the row (horizontal vector) with the maximum variance in the matrix X be the initial value of p.
2) Next, Formula 57 is calculated.
4) Next, Formula 58 is calculated.
7) The processes 1) to 6) are performed until A vertical vectors p are obtained in this way, and the obtained ps are arranged in order from the left to obtain P.
Qの算出:上記により得られたtを並べた行列TとYとから、Qを最小二乗法により求める。
Q=(TTT)−1TTY
Calculation of Q: Q is obtained by the least square method from the matrixes T and Y in which t obtained as described above are arranged.
Q = (T T T) −1 T T Y
次に、成分変換手段として主成分分析を用いる場合のQ統計量・T2統計量の計算方法について説明する。
この場合には、元の運転状態変数を説明変数xとして上記と同様に主成分分析処理を行い、得られた係数行列Pを用いて、Q統計量・T2統計量を数式60、数式61によりそれぞれ計算する。
Next, a Q statistic / T 2 statistic calculation method when principal component analysis is used as the component conversion means will be described.
In this case, the principal component analysis process is performed in the same manner as described above using the original operating state variable as the explanatory variable x, and the Q statistic and the T 2 statistic are expressed by
これらに基づき、最適化問題は前述した数式55のように定式化される。参考のために、数式55を再掲する。
なお、上記は、元の変数に対して例えば平均値0、分散1となるように標準化された後の変数に対する定式化である。標準化後の定式化で得られた最適解をx1 opt,x2 opt,……,xN optとし、x1 opt,x2 opt,……,xN optをベクトルとしてxoptとすると共に、これより得られるこのときの運転状態変数(標準化後の最適運転条件)と運転指標変数(標準化後の最適運転指標)の推定値をそれぞれxopt,yoptと表すと、標準化前の元の単位系での値で表すには以下の数式62、数式63のようになり、実際のプラントに実装するときにはこのXopt,Yoptを用いる。
Note that the above is a formulation for the variable after being standardized so as to have an average value of 0 and a variance of 1 with respect to the original variable. The optimal solution obtained in Formulation after normalization x 1 opt, x 2 opt, ......, and x N opt, x 1 opt, x 2 opt, ......, an x N opt with the x opt as a vector If the estimated values of the driving state variable (optimum driving condition after standardization) and the driving index variable (optimal driving index after standardization) obtained at this time are expressed as x opt and y opt respectively, the original values before standardization are expressed. In order to express the value in the unit system, the following
xopt:標準化された変数(単位系)での最適条件
Xopt:標準化される前の変数(単位系)での最適条件
yopt:標準化された変数(単位系)での最適運転指標
Yopt:標準化される前の変数(単位系)での最適運転指標
Xm:X平均値
Xs:X標準偏差
Ym:Y平均値
Ys:Y標準偏差
x opt : Optimal condition with standardized variable (unit system) X opt : Optimal condition with variable (unit system) before standardization y opt : Optimal operation index with standardized variable (unit system) Y opt : optimal operation indicators in before being standardized variable (unit system) X m: X mean X s: X standard deviation Y m: Y average Y s: Y standard deviation
なお、ここでX,Yは複数の変数からなるためベクトルであり、その平均値や標準偏差値もベクトルとしている。またYs.yopt等のベクトル同士の積にとの間に“.”を記しているのは各要素同士の積として得られるベクトルを表す。 Here, X and Y are vectors because they are composed of a plurality of variables, and their average values and standard deviation values are also vectors. Ys. A symbol “.” between the products of vectors such as y opt represents a vector obtained as a product of the elements.
次いで、この実施例において、多変量解析として部分的最小二乗法を用いる場合について説明する。なお、部分的最小二乗法のアルゴリズムとしては、非特許文献2に記載されたアルゴリズムを用いる。
例えば、元の運転状態変数に非線形処理として2乗を適用し、元の運転状態変数と得られた2乗の項との全体を説明変数xとして、以下の部分的最小二乗法モデル作成処理を行う。
記憶装置31の計測データベース50に蓄積された計測データから、正常な部分のモデル作成用データについて、数式64に示す説明変数及び目的変数のサンプル×変数の2次元データXとサンプル×1変数のyとが取り出され、入力される。
Next, in this embodiment, a case where a partial least square method is used as multivariate analysis will be described. Note that the algorithm described in
For example, the following partial least squares model creation process is applied to the original driving state variable as a non-linear process, and the whole of the original driving state variable and the obtained square term is used as the explanatory variable x. Do.
From the measurement data stored in the
部分的最小二乗法処理では、入力された2次元データから数式65に基づいて部分的最小二乗法係数P2,W,Q2を計算し、これを記憶装置31(モデルデータベース)に格納する。
次に、N種類のデータをA種類の成分に変換する。Aが2である場合は、最終的な予測モデル式は後述の数式67によって表現する。
部分的最小二乗法の場合も、主成分分析の場合と同様に潜在変数の行列T2は左の列から分散の大きい順に並んでおり、分散を左の列から順に積算したものが分散全体の和(XとT2とで全列の分散全体の和は一致する)に対する比率(累積因子寄与率と呼ばれる)が80%に達する分が潜在変数の数として適当であると考えられるため、例えば、累積因子寄与率が80%となる値をAの値として採用する。
具体的には、taを潜在変数行列T2の第a列、σtaをtaの標準偏差としたとき、数式66に示すとおりである。
Also in the case of partial least squares, the latent variable matrix T 2 is arranged in the descending order of variance from the left column as in the case of the principal component analysis, and the sum of variances in order from the left column is the total variance. Since the ratio (called cumulative factor contribution ratio) to the sum (the sum of the variances of all columns in X and T 2 coincides) reaches 80% is considered appropriate as the number of latent variables. A value at which the cumulative factor contribution rate is 80% is adopted as the value of A.
Specifically, when the first row a latent variables matrix T 2 a t a, the sigma ta was the standard deviation of t a, it is shown in Equation 66.
ここで、1番目の成分に関係する係数は数式68により算出される。
2番目の成分は、1番目の成分に関係しない成分を求めるので、数式68を数式69により変換する。
よって、2番目の成分に関係する係数は数式70となる。
なお、成分が3より多い場合も同様に求めることができる。
上記を一般化すると、数式71となる。
When the above is generalized, Equation 71 is obtained.
部分的最小二乗法係数であるP2はN行A列、Q2はA行1列のベクトル、WはN行A列の行列となる。 The partial least squares coefficient P 2 is N rows and A columns, Q 2 is a vector of A rows and 1 column, and W is a matrix of N rows and A columns.
次に、成分変換手段として部分的最小二乗法を用いる場合のQ統計量・T2統計量の計算方法について説明する。
この場合には、元の運転状態変数を説明変数xとして上記と同様に主成分分析処理を行い、得られた係数行列Pを用いて、数式72によりQ統計量を、数式73によりT2統計量を計算する。
なお、請求項30に示すように、元の運転状態変数と、上記のように非線形処理(2乗)を施した変数を含めた全体をxとして行った主成分分析に基づいて、Q統計量・T2統計量をそれぞれ計算してもよい。
Next, a method for calculating the Q statistic and the T 2 statistic when the partial least square method is used as the component conversion means will be described.
In this case, the principal component analysis process is performed in the same manner as described above using the original operating state variable as the explanatory variable x, and using the obtained coefficient matrix P, the Q statistic is calculated by Equation 72, and the T 2 statistic is calculated by Equation 73. Calculate the quantity.
In addition, as shown in
数式72において、x^は、与えられた説明変数のベクトルxのモデルの近似値(推定値)であって、変数空間内の元の点からモデル(潜在変数空間)へ射影した点であり、x^=P(WTP)−1WTxにより表される。 In Equation 72, x ^ is an approximate value (estimated value) of a model of a given vector x of explanatory variables, and is a point projected from an original point in the variable space to the model (latent variable space); x ^ = P (W T P ) represented by -1 W T x.
このようにして得られた部分的最小二乗法モデルの係数P,Qを用いて、例えば、目的関数が運転指標推定値の最大化であれば、以下の数式74のように最適化問題として定式化される。
なお、前記の主成分回帰の場合と同様に、ここに記したのは平均値ゼロ、標準偏差1に標準化した後の変数についての最適化であり、これを元の単位系の変数値に戻す場合には、前記と同様の処理を行う。 As in the case of the principal component regression described above, what has been described here is optimization for variables after standardization to a mean value of zero and standard deviation of 1, and this is returned to the original unit system variable values. In this case, the same processing as described above is performed.
次に、本発明の実施例9を説明する。この実施例は請求項31の実施例に相当する。
フィルム状の太陽電池製造における太陽電池の製膜工程において、製膜条件によって製品の品質(太陽電池の変換効率)が変化する。品質の予測モデルとして製膜条件から変換効率を表す非線形モデルを作成し、製膜条件が最適となる製膜条件を求める。ここで、膜は10程度の層よりなり、各層について膜厚、ドープ量等、複数の製膜条件があるため全体で製膜条件(因子)は数十に及び、それらは互いに相関を持った動きをする。
この実施例では、数十の因子のうち20個の因子を、製品品質である太陽電池の変換効率が最適となるように定める。これらの20因子の一例を、図24に示す。
Next, a ninth embodiment of the present invention will be described. This embodiment corresponds to the embodiment of
In the film formation process of a solar cell in the production of a film-like solar cell, the quality of the product (conversion efficiency of the solar cell) varies depending on the film formation conditions. As a quality prediction model, a nonlinear model representing the conversion efficiency is created from the film forming conditions, and the film forming conditions under which the film forming conditions are optimum are obtained. Here, the film is composed of about 10 layers, and each layer has a plurality of film forming conditions such as a film thickness, a doping amount, etc., so the film forming conditions (factors) are several dozens as a whole, and they are correlated with each other. Make a move.
In this embodiment, 20 factors out of several tens of factors are determined so that the conversion efficiency of the solar cell, which is the product quality, is optimal. An example of these 20 factors is shown in FIG.
ここで、これらの20因子を入力とし、変換効率を出力とする通常の(線形の)部分的最小二乗法でモデル化したところ、因子と製品品質との関係を十分にモデル化することができなかった。
そこで、各因子の2次項を含めて説明変数として部分的最小二乗法でモデル化したところ、図25に示すように推定精度が向上し、製品品質を推定するモデルとして十分な精度が得られたと判断された。
Here, when these 20 factors are input and modeled by the normal (linear) partial least square method with conversion efficiency as output, the relationship between the factors and product quality can be sufficiently modeled. There wasn't.
Therefore, when modeled by partial least squares as explanatory variables including the quadratic terms of each factor, the estimation accuracy was improved as shown in FIG. 25, and sufficient accuracy was obtained as a model for estimating product quality. It was judged.
そこで、こうして得られた予測モデルに基づき、説明変数間の相関を保ち、かつ複数の説明変数を含めた平均値からの外れ度が一定範囲にあり、また、各説明変数が上下限値に収まっているという制約の範囲内で、製品品質が最適になるような製膜条件を求めた。
この場合のQ統計量、T2統計量は、それぞれ数式75、数式76に示すとおりである。なお、数式75において、非線形モデルでは、元の20個の説明変数にそれぞれの2次項が加わるため、説明変数は合計40個となっている。また、数式76において、元の説明変数の次元40から、部分空間を13次元とした。
Therefore, based on the prediction model obtained in this way, correlation between explanatory variables is maintained, the degree of deviation from the average value including multiple explanatory variables is within a certain range, and each explanatory variable is within the upper and lower limits. The film forming conditions were determined so that the product quality would be optimal within the range of the constraints.
In this case, the Q statistic and the T 2 statistic are as shown in
これらを用いて最適化問題を定式化すると、数式77のようになる。
この最適化問題を準ニュートン法により解くことにより、図26に示すような最適条件が得られた。
この条件は現実的に実装可能であり、またこの条件による推定効率値0.919は十分に高い値であり、これまでの製造実績の経験から製品品質である変換効率の向上が期待できる条件であることを確認した。
By solving this optimization problem by the quasi-Newton method, optimum conditions as shown in FIG. 26 were obtained.
This condition can be implemented practically, and the estimated efficiency value 0.919 based on this condition is sufficiently high, and it can be expected that improvement in conversion efficiency, which is product quality, can be expected from experience in manufacturing results so far. I confirmed that there was.
本発明は、発電プラント、製造プラント等を始めとして各種のプラントに利用可能である。 The present invention is applicable to various plants including a power plant and a manufacturing plant.
1,1’,2,2’,3,3’:プラント(顧客プラント)
10,10’:プラント(顧客プラント)の運転条件最適化システム
11,11’:MES
12,12’:DCS
13,13’:センサ
14,14’,31:記録装置
20:ネットワーク
21,22,23,24,25:ルータ
30:コンピュータ
33:出力部
34:入力部
35:専門家(監視員)
36:最適運転条件値実装部
37:利益等算出部
38:対価徴収部
40:機能ブロック
41:運転状態データ取得部
42:運転指標データ取得部
43:計測データ記録部
44:回帰モデル作成部
44a:主成分分析処理(部)
44b:部分的最小二乗法処理
45:運転指標変数最適化部
45a,45b:運転条件最適化(部)
45c:運転条件最適化手段
46:成分変換部
47:予測部
48:逆変換部
50,50a,50b,50c:計測DB
50b−1:計測時刻欄
50b−2:圧力1欄
50b−3:温度1欄
50b−5,50c−5:効率欄
50c−1:ロット番号欄
50c−2:計測時刻1欄
50c−3:計測時刻2欄
51:計測タイミング欄
52:センサ1欄
53:センサ2欄
54:センサN欄
55:運転指標1欄
56:運転指標K欄
60,60a:回帰モデル
60b:PLSモデル
60c:予測モデル
61:予測モデル作成手段
62:成分変換手段
62a:変換係数行列
63:Q統計量・T2統計量上限値設定手段
65,65a,65b:最適運転条件部
70,70’:表示例
80,90:時系列グラフ
100:最適化結果
110:RAM
120:内部ブロック
121:CPU
122:ROM
123:RAM
124:VRAM
125:画像制御部
126:コントローラ
127:記録媒体
128:入力制御部
129:外部I/F部
130:バス
1, 1 ', 2, 2', 3, 3 ': Plant (customer plant)
10, 10 ′: Plant (customer plant) operating condition optimization system 11, 11 ′: MES
12, 12 ': DCS
13, 13 ':
36: Optimal driving condition value implementation unit 37: Profit etc. calculation unit 38: Consideration collection unit 40: Function block 41: Driving state data acquisition unit 42: Driving index data acquisition unit 43: Measurement data recording unit 44: Regression
44b: Partial least square method processing 45: Operation index
45c: Operating condition optimization means 46: Component conversion unit 47: Prediction unit 48:
50b-1:
120: Internal block 121: CPU
122: ROM
123: RAM
124: VRAM
125: Image control unit 126: Controller 127: Recording medium 128: Input control unit 129: External I / F unit 130: Bus
Claims (32)
複数のセンサにより測定されたプラントの運転状態を示す運転状態データを取得する運転状態データ取得手段と、
プラントに設けられたセンサにより測定された、または前記運転状態データ取得手段により取得された運転状態データに基づいて求められた、プラントの運転を評価する運転指標データを取得する運転指標データ取得手段と、
前記運転状態データ取得手段により取得された運転状態データと前記運転指標データ取得手段により求められた運転指標データとを所定の項目に基づき関連させた一組の計測データとし、該計測データをデータ記録部に記録する計測データ記録手段と、
前記データ記録部に記録された複数組の計測データに基づき、運転状態データ側を表す運転状態変数を説明変数とし、運転指標データ側を表す運転指標変数を目的変数として所定の多変量解析を行い回帰モデルを作成する回帰モデル作成手段であって、該回帰モデルは、説明変数を相互に無相関でかつ元の説明変数より少ない数の成分へ変換する成分変換手段と、該成分変換手段により変換された成分から目的変数を予測する予測手段と、該成分変換手段に対応した方法で成分から説明変数を推定する逆変換手段とを有するものであり、
前記回帰モデル作成手段により作成された回帰モデルに基づき運転指標変数を最適化する運転状態変数を求める運転指標変数最適化手段であって、前記逆変換手段により推定された説明変数に関する制約条件を満たしつつ前記予測手段により予測された目的変数に関する評価関数を最適化する際の説明変数値を求め、該説明変数値を最適な運転条件とすることを特徴とするプラントの運転条件最適化システム。 A plant operating condition optimization system,
Operating state data acquisition means for acquiring operating state data indicating the operating state of the plant measured by a plurality of sensors;
An operation index data acquisition means for acquiring operation index data for evaluating the operation of the plant, measured by a sensor provided in the plant or obtained based on the operation state data acquired by the operation state data acquisition means; ,
The driving state data acquired by the driving state data acquiring unit and the driving index data obtained by the driving index data acquiring unit are set as a set of measurement data related based on predetermined items, and the measurement data is recorded as data. Measurement data recording means for recording in the section;
Based on a plurality of sets of measurement data recorded in the data recording unit, a predetermined multivariate analysis is performed with the driving state variable representing the driving state data side as an explanatory variable and the driving index variable representing the driving indicator data side as an objective variable. Regression model creation means for creating a regression model, wherein the regression model is converted by the component conversion means and component conversion means for converting the explanatory variables into components that are uncorrelated with each other and fewer than the original explanatory variables. Predicting means for predicting the objective variable from the component obtained, and inverse transform means for estimating the explanatory variable from the component by a method corresponding to the component converting means,
An operation index variable optimizing means for obtaining an operating state variable for optimizing the operation index variable based on the regression model created by the regression model creating means, and satisfying a constraint condition on the explanatory variable estimated by the inverse transform means An operating condition optimization system for a plant characterized in that an explanatory variable value for optimizing an evaluation function related to an objective variable predicted by the prediction means is obtained, and the explanatory variable value is set as an optimal operating condition.
前記計測データ記録手段は、前記運転状態データ取得手段により取得された運転状態データと前記運転指標データ取得手段により求められた複数の運転指標データとを所定の項目に基づき関連させた一組の計測データとし、該計測データをデータ記録部に記録し、
前記回帰モデル作成手段は、前記データ記録部に記録された複数組の計測データであって一組の計測データ中に複数の運転指標データを含み得るものに基づき、運転状態データ側を表す運転状態変数を説明変数とし、運転指標データ側を表す複数の運転指標変数を複数の目的変数として各々所定の多変量解析を行い各回帰モデルを作成し、該回帰モデルは、説明変数を相互に無相関でかつ元の説明変数より少ない数の成分へ変換する成分変換手段と、該成分変換手段により変換された成分から複数の目的変数を予測する予測手段と、該成分変換手段に対応した方法で成分から説明変数を推定する逆変換手段とを有するものであり、
前記運転指標変数最適化手段は、前記回帰モデル作成手段により作成された回帰モデルに基づき運転指標変数を最適化する運転状態変数を求めるものであって、前記逆変換手段により推定された説明変数に関する制約条件を満たしつつ、前記予測手段により予測された複数の目的変数に関する各評価関数に基づく一つの評価関数を最適化する際の説明変数値を求め、該説明変数値を最適な運転条件とすることを特徴とするプラントの運転条件最適化システム。 In the plant operation condition optimization system according to claim 1, when there are a plurality of operation index data obtained by the operation index data acquisition means,
The measurement data recording means is a set of measurements in which the driving state data acquired by the driving state data acquisition means and a plurality of driving index data obtained by the driving index data acquisition means are related based on a predetermined item. As data, record the measurement data in the data recording unit,
The regression model creation means is a driving state representing the driving state data side based on a plurality of sets of measurement data recorded in the data recording unit and including a plurality of driving index data in the set of measurement data. A variable model is used as an explanatory variable, and a plurality of driving index variables representing the driving index data side are used as a plurality of objective variables, and each regression model is created by performing a predetermined multivariate analysis. The regression model is uncorrelated with the explanatory variables. And a component converting means for converting the number of components to a smaller number than the original explanatory variable, a predicting means for predicting a plurality of objective variables from the components converted by the component converting means, and a component in a method corresponding to the component converting means And an inverse transformation means for estimating the explanatory variable from
The driving index variable optimizing means obtains an operating state variable for optimizing the driving index variable based on the regression model created by the regression model creating means, and relates to the explanatory variable estimated by the inverse conversion means An explanatory variable value for optimizing one evaluation function based on each evaluation function related to a plurality of objective variables predicted by the prediction means while satisfying the constraint condition is obtained, and the explanatory variable value is set as an optimal operating condition. A system for optimizing the operating conditions of a plant.
前記運転指標変数最適化手段により求められた最適な運転条件を顧客のプラント側に実装する最適運転条件値実装手段と、
前記最適運転条件値実装手段による実装前後の所定の期間における顧客のプラントの運転を評価する運転指標データに基づき、顧客の利益増加及び/または費用節減効果を算出する利益等算出手段と、
前記利益等算出手段により算出された顧客の利益増加及び/または費用節減効果に基づく対価を徴収する対価徴収手段とを更に備えたことを特徴とするプラントの運転条件最適化システム。 The plant operating condition optimization system according to any one of claims 1 to 8, wherein the plant is a customer's plant,
Optimal operating condition value mounting means for mounting the optimal operating conditions determined by the operating index variable optimizing means on the customer's plant side;
Based on the operation index data for evaluating the operation of the customer's plant in a predetermined period before and after the mounting by the optimal operating condition value mounting means, the profit etc. calculating means for calculating the customer profit increase and / or the cost saving effect,
A plant operating condition optimizing system, further comprising compensation collection means for collecting compensation based on an increase in customer profit and / or a cost saving effect calculated by the profit calculation means.
複数のセンサにより測定されたプラントの運転状態を示す運転状態データを取得する運転状態データ取得ステップと、
プラントに設けられたセンサにより測定された、または前記運転状態データ取得ステップで取得された運転状態データに基づいて求められた、プラントの運転を評価する運転指標データを取得する運転指標データ取得ステップと、
前記運転状態データ取得ステップで取得された運転状態データと前記運転指標データ取得ステップで求められた運転指標データとを所定の項目に基づき関連させた一組の計測データとし、該計測データをデータ記録部に記録する計測データ記録ステップと、
前記データ記録部に記録された複数組の計測データに基づき、運転状態データ側を表す運転状態変数を説明変数とし、運転指標データ側を表す運転指標変数を目的変数として所定の多変量解析を行い回帰モデルを作成する回帰モデル作成ステップであって、該回帰モデルは、説明変数を相互に無相関でかつ元の説明変数より少ない数の成分へ変換する成分変換部と、該成分変換部により変換された成分から目的変数を予測する予測部と、該成分変換部の変換に対応した方法で成分から説明変数を推定する逆変換部とを有するものであり、
前記回帰モデル作成ステップで作成された回帰モデルに基づき運転指標変数を最適化する運転状態変数を求める運転指標変数最適化ステップであって、前記逆変換手段により推定された説明変数に関する制約条件を満たしつつ前記予測手段により予測された目的変数に関する評価関数を最適化する際の説明変数値を求め、該説明変数値を最適な運転条件とすることを特徴とするプラントの運転条件最適化方法。 A plant operating condition optimization method that causes a computer to execute optimization of a plant operating condition,
An operation state data acquisition step for acquiring operation state data indicating the operation state of the plant measured by a plurality of sensors;
An operation index data acquisition step for acquiring operation index data for evaluating the operation of the plant, measured by a sensor provided in the plant or obtained based on the operation state data acquired in the operation state data acquisition step; ,
The driving condition data acquired in the driving condition data acquisition step and the driving index data obtained in the driving index data acquisition step are set as a set of measurement data related based on predetermined items, and the measurement data is recorded as data. A measurement data recording step for recording in a section;
Based on a plurality of sets of measurement data recorded in the data recording unit, a predetermined multivariate analysis is performed with the driving state variable representing the driving state data side as an explanatory variable and the driving index variable representing the driving indicator data side as an objective variable. A regression model creation step for creating a regression model, wherein the regression model is converted by the component conversion unit that converts the explanatory variables into components that are uncorrelated with each other and smaller in number than the original explanatory variables. A prediction unit that predicts an objective variable from the component that has been performed, and an inverse conversion unit that estimates an explanatory variable from the component by a method corresponding to the conversion of the component conversion unit,
An operation index variable optimization step for obtaining an operation state variable for optimizing the operation index variable based on the regression model created in the regression model creation step, wherein the constraint condition regarding the explanatory variable estimated by the inverse transformation means is satisfied An operating variable optimization method for a plant characterized in that an explanatory variable value for optimizing an evaluation function related to an objective variable predicted by the predicting means is obtained, and the explanatory variable value is set as an optimal operating condition.
前記計測データ記録ステップは、前記運転状態データ取得ステップで取得された運転状態データと前記運転指標データ取得ステップで求められた複数の運転指標データとを所定の項目に基づき関連させた一組の計測データとし、該計測データをデータ記録部に記録し、
前記回帰モデル作成ステップは、前記データ記録部に記録された複数組の計測データであって一組の計測データ中に複数の運転指標データを含み得るものに基づき、運転状態データ側を表す運転状態変数を説明変数とし、運転指標データ側を表す複数の運転指標変数を複数の目的変数として各々所定の多変量解析を行い各回帰モデルを作成し、該回帰モデルは、説明変数を相互に無相関でかつ元の説明変数より少ない数の成分へ変換する成分変換部と、該成分変換部により変換された成分から複数の目的変数を予測する予測部と、該成分変換部の変換に対応した方法で成分から説明変数を推定する逆変換部とを有するものであり、
前記運転指標変数最適化ステップは、前記回帰モデル作成ステップで作成された各回帰モデルに基づき運転指標変数を最適化する運転状態変数を求めるものであって、前記逆変換部により推定された説明変数に関する制約条件を満たしつつ、前記予測部により予測された複数の目的変数に関する各評価関数に基づく一つの評価関数を最適化する際の説明変数値を求め、該説明変数値を最適な運転条件とすることを特徴とするプラントの運転条件最適化方法。 The operation condition optimization method for a plant according to claim 11, wherein there are a plurality of operation index data obtained by the operation index data acquisition step.
The measurement data recording step includes a set of measurements in which the driving state data acquired in the driving state data acquisition step and a plurality of driving index data obtained in the driving indicator data acquisition step are related based on predetermined items. As data, record the measurement data in the data recording unit,
The regression model creation step includes a plurality of sets of measurement data recorded in the data recording unit, and a set of measurement data that can include a plurality of driving index data. A variable model is used as an explanatory variable, and a plurality of driving index variables representing the driving index data side are used as a plurality of objective variables, and each regression model is created by performing a predetermined multivariate analysis. The regression model is uncorrelated with each other. A component conversion unit that converts the number of components into a smaller number of components than the original explanatory variable, a prediction unit that predicts a plurality of objective variables from the components converted by the component conversion unit, and a method corresponding to the conversion of the component conversion unit And having an inverse transform unit for estimating the explanatory variable from the component,
The operation index variable optimization step is to obtain an operation state variable that optimizes the operation index variable based on each regression model created in the regression model creation step, and is an explanatory variable estimated by the inverse conversion unit An explanatory variable value when optimizing one evaluation function based on each evaluation function related to a plurality of objective variables predicted by the prediction unit while satisfying the constraint condition is obtained, and the explanatory variable value is determined as an optimum operating condition. A method for optimizing plant operating conditions.
複数のセンサにより測定されたプラントの運転状態を示す運転状態データを取得する運転状態データ取得ステップ、
プラントに設けられたセンサにより測定された、または前記運転状態データ取得ステップで取得された運転状態データに基づいて求められた、プラントの運転を評価する運転指標データを取得する運転指標データ取得ステップ、
前記運転状態データ取得ステップで取得された運転状態データと前記運転指標データ取得ステップで求められた運転指標データとを所定の項目に基づき関連させた一組の計測データとし、該計測データをデータ記録部に記録する計測データ記録ステップ、
前記データ記録部に記録された複数組の計測データに基づき、運転状態データ側を表す運転状態変数を説明変数とし、運転指標データ側を表す運転指標変数を目的変数として所定の多変量解析を行い回帰モデルを作成する回帰モデル作成ステップであって、該回帰モデルは、説明変数を相互に無相関でかつ元の説明変数より少ない数の成分へ変換する成分変換部と、該成分変換部により変換された成分から目的変数を予測する予測部と、該成分変換部の変換に対応した方法で成分から説明変数を推定する逆変換部とを有するものであり、
前記回帰モデル作成ステップで作成された回帰モデルに基づき運転指標変数を最適化する運転状態変数を求める運転指標変数最適化ステップであって、前記逆変換部により推定された説明変数に関する制約条件を満たしつつ前記予測部により予測された目的変数に関する評価関数を最適化する際の説明変数値を求め、該説明変数値を最適な運転条件とするステップを実行させるためのプラントの運転条件最適化プログラム。 A plant operating condition optimization program that seeks to optimize plant operating conditions.
An operation state data acquisition step for acquiring operation state data indicating the operation state of the plant measured by a plurality of sensors,
An operation index data acquisition step for acquiring operation index data for evaluating the operation of the plant, measured by a sensor provided in the plant or obtained based on the operation state data acquired in the operation state data acquisition step,
The driving condition data acquired in the driving condition data acquisition step and the driving index data obtained in the driving index data acquisition step are set as a set of measurement data related based on predetermined items, and the measurement data is recorded as data. Measurement data recording step to record in the section,
Based on a plurality of sets of measurement data recorded in the data recording unit, a predetermined multivariate analysis is performed with the driving state variable representing the driving state data side as an explanatory variable and the driving index variable representing the driving indicator data side as an objective variable. A regression model creation step for creating a regression model, wherein the regression model is converted by the component conversion unit that converts the explanatory variables into components that are uncorrelated with each other and smaller in number than the original explanatory variables. A prediction unit that predicts an objective variable from the component that has been performed, and an inverse conversion unit that estimates an explanatory variable from the component by a method corresponding to the conversion of the component conversion unit,
An operation index variable optimization step for obtaining an operation state variable for optimizing the operation index variable based on the regression model created in the regression model creation step, wherein the constraint condition on the explanatory variable estimated by the inverse transformation unit is satisfied An operating condition optimization program for a plant for obtaining an explanatory variable value when optimizing an evaluation function related to an objective variable predicted by the prediction unit and executing a step of setting the explanatory variable value as an optimal operating condition.
前記計測データ記録ステップでは、前記運転状態データ取得ステップで取得された運転状態データと前記運転指標データ取得ステップで求められた複数の運転指標データとを所定の項目に基づき関連させた一組の計測データとし、該計測データをデータ記録部に記録し、
前記回帰モデル作成ステップでは、前記データ記録部に記録された複数組の計測データであって一組の計測データ中に複数の運転指標データを含み得るものに基づき、運転状態データ側を表す運転状態変数を説明変数とし、運転指標データ側を表す複数の運転指標変数を複数の目的変数として各々所定の多変量解析を行い各回帰モデルを作成し、該回帰モデルは、説明変数を相互に無相関でかつ元の説明変数より少ない数の成分へ変換する成分変換部と、該成分変換部により変換された成分から複数の目的変数を予測する予測部と、該成分変換部の変換に対応したプログラムで成分から説明変数を推定する逆変換部とを有するものであり、
前記運転指標変数最適化ステップでは、前記回帰モデル作成ステップで作成された各回帰モデルに基づき運転指標変数を最適化する運転状態変数を求めるものであって、前記逆変換部により推定された説明変数に関する制約条件を満たしつつ、前記予測部により予測された複数の目的変数に関する各評価関数に基づく一つの評価関数を最適化する際の説明変数値を求め、該説明変数値を最適な運転条件とすることを特徴とするプラントの運転条件最適化プログラム。 The plant operation condition optimization program according to claim 18, wherein there are a plurality of operation index data obtained by the operation index data acquisition step.
In the measurement data recording step, a set of measurements in which the driving state data acquired in the driving state data acquisition step and a plurality of driving index data obtained in the driving indicator data acquisition step are related based on predetermined items. As data, record the measurement data in the data recording unit,
In the regression model creation step, the driving state representing the driving state data side based on a plurality of sets of measurement data recorded in the data recording unit and including a plurality of driving index data in the set of measurement data A variable model is used as an explanatory variable, and a plurality of driving index variables representing the driving index data side are used as a plurality of objective variables, and each regression model is created by performing a predetermined multivariate analysis. The regression model is uncorrelated with the explanatory variables. And a component conversion unit that converts the number of components to a smaller number of components than the original explanatory variable, a prediction unit that predicts a plurality of objective variables from the components converted by the component conversion unit, and a program corresponding to the conversion of the component conversion unit And having an inverse transform unit for estimating the explanatory variable from the component,
In the operation index variable optimization step, an operation state variable for optimizing the operation index variable is obtained based on each regression model created in the regression model creation step, and the explanatory variable estimated by the inverse conversion unit An explanatory variable value when optimizing one evaluation function based on each evaluation function related to a plurality of objective variables predicted by the prediction unit while satisfying the constraint condition is obtained, and the explanatory variable value is determined as an optimum operating condition. A program for optimizing a plant operating condition.
前記所定の多変量解析は主成分回帰であることを特徴とするプラントの運転条件最適化プログラム。 In the plant operating condition optimization program according to any one of claims 18 to 20,
The plant operating condition optimization program, wherein the predetermined multivariate analysis is principal component regression.
前記所定の多変量解析は部分的最小二乗法(Partial Least Squares:PLS)であることを特徴とするプラントの運転条件最適化プログラム。 In the plant operating condition optimization program according to any one of claims 18 to 20,
The operation condition optimization program for a plant, wherein the predetermined multivariate analysis is a partial least squares (PLS).
前記評価関数が目的変数に関する線形な式でありかつ前記制約条件が説明変数に関する線形な式である場合、前記最適化は線形計画法を用いることを特徴とするプラントの運転条件最適化プログラム。 In the plant operating condition optimization program according to any one of claims 18 to 22,
When the evaluation function is a linear expression related to an objective variable and the constraint condition is a linear expression related to an explanatory variable, the optimization uses a linear programming method.
前記評価関数が目的変数に関する非線形な式でありかつ前記制約条件が説明変数に関する非線形な式である場合、前記最適化は非線形計画法を用いることを特徴とするプラントの運転条件最適化プログラム。 In the plant operating condition optimization program according to any one of claims 18 to 22,
When the evaluation function is a nonlinear expression related to an objective variable and the constraint condition is a nonlinear expression related to an explanatory variable, the optimization uses a nonlinear programming method.
複数のセンサにより測定されたプラントの運転状態を示す運転状態データを取得する運転状態データ取得手段と、
プラントに設けられたセンサにより測定された、または前記運転状態データ取得手段により取得された運転状態データに基づいて求められた、プラントの運転を評価する運転指標データを取得する運転指標データ取得手段と、
前記運転状態データ取得手段により取得された運転状態データと前記運転指標データ取得手段により求められた運転指標データとを所定の項目に基づき関連させた一組の計測データとし、該計測データをデータ記録部に記録する計測データ記録手段と、
前記データ記録部に記録された複数組の計測データに基づき、運転状態データ側を表す運転状態変数を説明変数とし、運転指標データ側を表す運転指標変数を目的変数とする予測モデルを作成する予測モデル作成手段と、
前記計測データを対象として、互いに相関を持つ説明変数を、相互に無相関であり、かつ元の説明変数より少ない数の成分であって、元の説明変数を部分空間に射影することにより設定された座標としての成分に変換する成分変換手段と、
元の説明変数の空間内の任意の点と前記部分空間上の射影点との距離の2乗をQ統計量として計算し、前記射影点と前記部分空間の中心との正規化された距離の2乗をT2統計量として計算するQ統計量・T2統計量計算手段と、
前記Q統計量及びT2統計量から最適化における制約条件としての上限値をそれぞれ設定するQ統計量・T2統計量上限値設定手段と、
前記予測モデルに基づき目的変数を最適化する説明変数を求める手段であって、前記Q統計量及びT2統計量がそれぞれ前記上限値以下であることを制約条件の少なくとも一つとし、元の説明変数同士が持っていた相関を保ちつつ、前記目的変数に関する評価関数を最適化する際の説明変数値を求め、この説明変数値を最適な運転条件とする運転条件最適化手段と、
を備えたことを特徴とするプラントの運転条件最適化システム。 A plant operating condition optimization system,
Operating state data acquisition means for acquiring operating state data indicating the operating state of the plant measured by a plurality of sensors;
An operation index data acquisition means for acquiring operation index data for evaluating the operation of the plant, measured by a sensor provided in the plant or obtained based on the operation state data acquired by the operation state data acquisition means; ,
The driving state data acquired by the driving state data acquiring unit and the driving index data obtained by the driving index data acquiring unit are set as a set of measurement data related based on predetermined items, and the measurement data is recorded as data. Measurement data recording means for recording in the section;
Prediction that creates a prediction model based on a plurality of sets of measurement data recorded in the data recording unit, with driving state variables representing the driving state data side as explanatory variables and driving index variables representing the driving index data side as objective variables Model creation means;
For the measurement data, explanatory variables having correlation with each other are set by projecting the original explanatory variables to the subspace, which are uncorrelated with each other and have a smaller number of components than the original explanatory variables. Component conversion means for converting into a component as a coordinate,
The square of the distance between an arbitrary point in the original explanatory variable space and the projection point on the subspace is calculated as a Q statistic, and the normalized distance between the projection point and the center of the subspace is calculated. Q statistic and T 2 statistic calculation means for calculating the square as T 2 statistic,
And Q statistic · T 2 statistic upper limit value setting means for the upper limit value respectively set as a constraint in the optimization of the Q statistic and T 2 statistics,
A means for obtaining an explanatory variable for optimizing an objective variable based on the prediction model, wherein the Q statistic and the T 2 statistic are each equal to or less than the upper limit value as at least one of the constraint conditions. An operating condition optimizing means for obtaining an explanatory variable value at the time of optimizing the evaluation function related to the objective variable while maintaining the correlation that the variables had,
A plant operating condition optimization system characterized by comprising:
前記予測モデルとして、元の運転状態変数と、元の運転状態変数に非線形変換を施して得られる新しい変数とを合わせた全変数、またはそのうちの適当な変数を抽出した変数を説明変数とし、運転指標変数を目的変数とする重回帰モデルを用いることを特徴とするプラントの運転条件最適化システム。 In the plant operating condition optimization system according to claim 25,
As the prediction model, all the variables that combine the original operating state variable and the new variable obtained by subjecting the original operating state variable to nonlinear transformation, or a variable obtained by extracting an appropriate one of these variables as explanatory variables, A plant operating condition optimization system using a multiple regression model with an indicator variable as an objective variable.
前記Q統計量・T2統計量計算手段が、元の説明変数と前記予測モデルの作成に用いた非線形項の一部または全部を含めた変数と、に基づいて前記Q統計量及びT2統計量を計算することを特徴とするプラントの運転条件最適化システム。 The operation condition optimization method for a plant according to claim 28,
Wherein Q statistic · T 2 statistic calculation means, and variables, including some or all of the non-linear terms used in the creation of the original explanatory variables and the predicted model, the Q statistic and T 2 statistics based on A plant operating condition optimization system characterized by calculating quantity.
前記予測モデルとして、元の運転状態変数に非線形変換を施して得られる新しい変数を加えた変数を説明変数とし、運転指標変数を目的変数とする主成分回帰モデルを用い、
前記Q統計量・T2統計量計算手段が、前記主成分回帰モデルの中で計算される主成分分析に基づいて前記Q統計量及びT2統計量を計算することを特徴とするプラントの運転条件最適化システム。 The plant operating condition optimization system according to claim 28 or 29,
As the prediction model, using a principal component regression model in which a variable obtained by adding a new variable obtained by performing nonlinear transformation on the original driving state variable is an explanatory variable, and a driving index variable is an objective variable,
The Q statistic / T 2 statistic calculating means calculates the Q statistic and the T 2 statistic based on a principal component analysis calculated in the principal component regression model. Condition optimization system.
前記予測モデルとして、元の運転状態変数に非線形変換を施して得られる新しい変数を加えた変数を説明変数とし、運転指標変数を目的変数とする部分的最小二乗法モデルを用い、
前記Q統計量・T2統計量計算手段が、前記予測モデルとしての部分的最小二乗法モデルに基づいて前記Q統計量及びT2統計量を計算することを特徴とするプラントの運転条件最適化システム。 The plant operating condition optimization system according to claim 28 or 29,
As the prediction model, a variable obtained by adding a new variable obtained by performing nonlinear transformation on the original driving state variable is used as an explanatory variable, and a partial least square method model using a driving index variable as an objective variable is used.
The Q statistic / T 2 statistic calculating means calculates the Q statistic and the T 2 statistic based on a partial least squares model as the prediction model. system.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011140180A JP5751045B2 (en) | 2010-08-31 | 2011-06-24 | Plant operating condition optimization system, plant operating condition optimization method, plant operating condition optimization program |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010193281 | 2010-08-31 | ||
JP2010193281 | 2010-08-31 | ||
JP2011140180A JP5751045B2 (en) | 2010-08-31 | 2011-06-24 | Plant operating condition optimization system, plant operating condition optimization method, plant operating condition optimization program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2012074007A JP2012074007A (en) | 2012-04-12 |
JP5751045B2 true JP5751045B2 (en) | 2015-07-22 |
Family
ID=46170066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2011140180A Active JP5751045B2 (en) | 2010-08-31 | 2011-06-24 | Plant operating condition optimization system, plant operating condition optimization method, plant operating condition optimization program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5751045B2 (en) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021157670A1 (en) | 2020-02-04 | 2021-08-12 | 株式会社ダイセル | Prediction apparatus, prediction method, and program |
WO2021157666A1 (en) | 2020-02-04 | 2021-08-12 | 株式会社ダイセル | Control device, control method, and program |
WO2021157667A1 (en) | 2020-02-04 | 2021-08-12 | 株式会社ダイセル | Prediction device, prediction method, and program |
TWI802281B (en) * | 2019-07-19 | 2023-05-11 | 日商三菱動力股份有限公司 | Operation comparison device, operation comparison method and program |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017037835A1 (en) * | 2015-08-31 | 2017-03-09 | 株式会社日立製作所 | Computer system and system control method |
JP6740157B2 (en) * | 2017-03-13 | 2020-08-12 | 株式会社東芝 | Analysis device, analysis method, and program |
KR101896957B1 (en) * | 2017-04-28 | 2018-09-12 | 성균관대학교산학협력단 | Method and apparatus for calculating optimal solution to design electric machinery |
JP7064075B2 (en) * | 2017-08-01 | 2022-05-10 | 三菱重工業株式会社 | Plant learning support device and plant learning support method |
JP6895399B2 (en) * | 2018-02-06 | 2021-06-30 | 株式会社日立製作所 | Machine control device |
JP7121506B2 (en) | 2018-03-14 | 2022-08-18 | 株式会社日立ハイテク | SEARCHING DEVICE, SEARCHING METHOD AND PLASMA PROCESSING DEVICE |
JP7137943B2 (en) | 2018-03-20 | 2022-09-15 | 株式会社日立ハイテク | SEARCHING DEVICE, SEARCHING METHOD AND PLASMA PROCESSING DEVICE |
JP7028056B2 (en) * | 2018-05-18 | 2022-03-02 | 日本製鉄株式会社 | Planning equipment, planning methods and programs |
JP7117194B2 (en) * | 2018-08-23 | 2022-08-12 | 三菱重工業株式会社 | Evaluation condition creation method, response analysis method, evaluation condition creation device, and response analysis device |
JP7326872B2 (en) * | 2018-08-23 | 2023-08-16 | 富士電機株式会社 | Estimation device, estimation method and program |
JP7512013B2 (en) * | 2018-12-14 | 2024-07-08 | 日鉄エンジニアリング株式会社 | Plant operation support system and plant operation support method |
CN113287123A (en) * | 2019-12-03 | 2021-08-20 | 株式会社日立高新技术 | Search device, search program, and plasma processing device |
JP7413742B2 (en) * | 2019-12-05 | 2024-01-16 | オムロン株式会社 | Prediction system, information processing device and information processing program |
JP7242595B2 (en) * | 2020-02-26 | 2023-03-20 | 株式会社東芝 | Learning device, reasoning device, learning method and reasoning method |
CN112461734A (en) * | 2020-11-02 | 2021-03-09 | 航天科工防御技术研究试验中心 | Design method for accelerated corrosion test |
CN112461735A (en) * | 2020-11-02 | 2021-03-09 | 航天科工防御技术研究试验中心 | Test method for accelerated corrosion |
CN115453861B (en) * | 2022-10-20 | 2023-07-21 | 湖南省通信产业服务有限公司科技培训分公司 | Control system and control method based on big data |
CN116679639B (en) * | 2023-05-26 | 2024-01-05 | 广州市博煌节能科技有限公司 | Optimization method and system of metal product production control system |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH064110A (en) * | 1992-06-17 | 1994-01-14 | Idemitsu Petrochem Co Ltd | Optimization control method for process |
JP3412384B2 (en) * | 1996-03-13 | 2003-06-03 | 株式会社日立製作所 | Control model construction support device |
JP3479672B2 (en) * | 1999-12-28 | 2003-12-15 | 川崎重工業株式会社 | Gas turbine control method and control device |
JP2006048474A (en) * | 2004-08-06 | 2006-02-16 | Fuji Electric Systems Co Ltd | Plant optimal operation planning device |
JP2006318263A (en) * | 2005-05-13 | 2006-11-24 | Sharp Corp | Information analysis system, information analysis method and program |
US7599750B2 (en) * | 2005-12-21 | 2009-10-06 | Pegasus Technologies, Inc. | Model based sequential optimization of a single or multiple power generating units |
US7756592B2 (en) * | 2005-12-30 | 2010-07-13 | Peter Craven | Enhanced feedback for plant control |
JP4911055B2 (en) * | 2008-02-05 | 2012-04-04 | 富士電機株式会社 | Batch process data analysis apparatus and abnormality detection / quality estimation apparatus using the same |
-
2011
- 2011-06-24 JP JP2011140180A patent/JP5751045B2/en active Active
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI802281B (en) * | 2019-07-19 | 2023-05-11 | 日商三菱動力股份有限公司 | Operation comparison device, operation comparison method and program |
WO2021157670A1 (en) | 2020-02-04 | 2021-08-12 | 株式会社ダイセル | Prediction apparatus, prediction method, and program |
WO2021157666A1 (en) | 2020-02-04 | 2021-08-12 | 株式会社ダイセル | Control device, control method, and program |
WO2021157667A1 (en) | 2020-02-04 | 2021-08-12 | 株式会社ダイセル | Prediction device, prediction method, and program |
Also Published As
Publication number | Publication date |
---|---|
JP2012074007A (en) | 2012-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5751045B2 (en) | Plant operating condition optimization system, plant operating condition optimization method, plant operating condition optimization program | |
KR101360790B1 (en) | Pridiction method for monitoring performance of plant instruments | |
JP5516390B2 (en) | Quality prediction apparatus, quality prediction method, program, and computer-readable recording medium | |
JP5434837B2 (en) | Quality prediction apparatus, quality prediction method, program, and computer-readable recording medium | |
Ahmad et al. | Deployment of data-mining short and medium-term horizon cooling load forecasting models for building energy optimization and management | |
EP0750757A1 (en) | System for real time optimization and profit depiction | |
JP5510642B2 (en) | Prediction / diagnosis model construction device | |
JP4694984B2 (en) | Power load prediction method and power load prediction processing program | |
JP6970998B2 (en) | Electric power demand forecasting device and electric power demand forecasting method | |
US11416007B2 (en) | Computer-implemented method and system for evaluating uncertainty in trajectory prediction | |
CN110957011B (en) | Online production parameter estimation method of continuous stirring reactor under unknown time-varying measurement noise | |
WO2023103130A1 (en) | Quantum walk-based time-series multiscale analysis method | |
CN113506121A (en) | Analysis method and device for price influence factors | |
CN113168589B (en) | Data generation device, predictor learning device, data generation method, and learning method | |
CN101446828A (en) | Nonlinear process quality prediction method | |
Manoj et al. | FWS-DL: forecasting wind speed based on deep learning algorithms | |
CN117217419B (en) | Method and system for monitoring full life cycle carbon emission of industrial production | |
WO2021176753A1 (en) | Data value definition method, data collection facilitation method, data value definition system, and data collection facilitation system | |
CN109376957B (en) | Method for predicting load of thermal power plant | |
Yang et al. | A data-driven newsvendor problem: A high-dimensional and mixed-frequency method | |
Guegan et al. | Chapter 8 Alternative Methods for Forecasting GDP | |
Hart et al. | Global sensitivity analysis for statistical model parameters | |
Permatasari et al. | Application of GSTARI (1, 1, 1) Model for Forecasting the Consumer Price Index (CPI) in Three Cities in Central Java | |
Chen et al. | Predicting peak energy demand for an office building using artificial intelligence (ai) approaches | |
JP2020194331A (en) | Optimization system, optimization method and program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20140514 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20150318 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20150421 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20150504 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5751045 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: R3D02 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |