JP7162560B2 - Information processing device, information processing method, information processing program, and garbage incineration plant - Google Patents

Information processing device, information processing method, information processing program, and garbage incineration plant Download PDF

Info

Publication number
JP7162560B2
JP7162560B2 JP2019064745A JP2019064745A JP7162560B2 JP 7162560 B2 JP7162560 B2 JP 7162560B2 JP 2019064745 A JP2019064745 A JP 2019064745A JP 2019064745 A JP2019064745 A JP 2019064745A JP 7162560 B2 JP7162560 B2 JP 7162560B2
Authority
JP
Japan
Prior art keywords
plant
history data
manual operation
information processing
data
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
Application number
JP2019064745A
Other languages
Japanese (ja)
Other versions
JP2020166421A (en
Inventor
康平 山瀬
常平 山本
拓朗 佐藤
通孝 古林
武 片山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Zosen Corp
Original Assignee
Hitachi Zosen Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hitachi Zosen Corp filed Critical Hitachi Zosen Corp
Priority to JP2019064745A priority Critical patent/JP7162560B2/en
Priority to PCT/JP2020/011127 priority patent/WO2020195960A1/en
Priority to CN202080025106.0A priority patent/CN113646719A/en
Publication of JP2020166421A publication Critical patent/JP2020166421A/en
Application granted granted Critical
Publication of JP7162560B2 publication Critical patent/JP7162560B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring

Description

本発明は、機械学習を用いたプラント制御のための情報処理装置等に関する。 The present invention relates to an information processing apparatus and the like for plant control using machine learning.

従来、発電所やゴミ焼却施設等のプラントの自動運転に関する技術の開発が進められている。例えば、下記の特許文献１には、プラントで稼働する機器に対して行われた運転員の介入操作の履歴データを用いて機械学習を行うことにより、介入操作を行う条件を含むルール情報を生成する技術が開示されている。 Conventionally, the development of technology related to the automatic operation of plants such as power plants and waste incineration facilities has been advanced. For example, in Patent Document 1 below, machine learning is performed using history data of intervention operations performed by operators on equipment operating in a plant to generate rule information including conditions for performing intervention operations. A technique for doing so is disclosed.

特開２０１７－４９８０１号公報（２０１７年３月９日公開）Japanese Patent Application Laid-Open No. 2017-49801 (published on March 9, 2017)

上記特許文献１の技術は、運転員の介入操作が適切であるという前提に基づいている。しかしながら、たとえ熟練した運転員であっても、全ての介入操作が必ずしも適切であるとは限らない。そして、適切ではない介入操作が履歴データに含まれている場合には、適切ではない介入操作が学習されるため、効果的な機械学習を行うことができなくなるという問題があった。 The technique of Patent Document 1 is based on the premise that the operator's intervention operation is appropriate. However, not all interventions are appropriate, even for experienced operators. In addition, when an inappropriate intervention operation is included in the history data, the inappropriate intervention operation is learned, so there is a problem that effective machine learning cannot be performed.

本発明の一態様は、上記の問題点に鑑みてなされたものであり、その目的は、効果的な機械学習を行うことが可能な学習データを選別することができる情報処理装置等を提供することにある。 One aspect of the present invention has been made in view of the above problems, and an object thereof is to provide an information processing apparatus and the like that can select learning data that enables effective machine learning. That's what it is.

上記の課題を解決するために、本発明の一態様に係る情報処理装置は、手動操作によるプラントの制御の履歴を示す複数の履歴データの各々について、当該履歴データに示される手動操作が、当該手動操作が行われた時点の上記プラントの状態に適合しているか否かを判定する適合判定部と、上記適合判定部が適合していると判定した履歴データを、上記プラントで実行すべき制御を機械学習するための学習データとする学習データ選別部と、を備えている。 In order to solve the above problems, an information processing apparatus according to an aspect of the present invention provides a plurality of pieces of history data indicating a history of plant control by manual operation. A compatibility determination unit that determines whether or not the state of the plant at the time when the manual operation is performed is compatible, and the history data determined to be compatible by the compatibility determination unit, the control to be executed in the plant. is used as learning data for machine learning.

また、本発明の一態様に係る情報処理方法は、情報処理装置による情報処理方法であって、手動操作によるプラントの制御の履歴を示す複数の履歴データの各々について、当該履歴データに示される手動操作が、当該手動操作が行われた時点の上記プラントの状態に適合しているか否かを判定する判定ステップと、上記判定ステップが適合していると判定した履歴データを、上記プラントで実行すべき制御を機械学習するための学習データとするステップと、を含む。 Further, an information processing method according to an aspect of the present invention is an information processing method using an information processing apparatus, wherein for each of a plurality of history data indicating a history of plant control by manual operation, the manual operation indicated in the history data is performed. A determination step of determining whether or not the operation conforms to the state of the plant at the time when the manual operation was performed; and a step of using the power control as learning data for machine learning.

本発明の一態様によれば、プラントの状態に適合した手動操作の履歴データを学習データとすることができるので、効果的な機械学習を行うことが可能になる。 According to one aspect of the present invention, history data of manual operations suitable for the state of the plant can be used as learning data, so that effective machine learning can be performed.

本発明の実施形態１に係る情報処理装置の要部構成の一例を示すブロック図である。1 is a block diagram showing an example of a main configuration of an information processing apparatus according to Embodiment 1 of the present invention; FIG. 「給じん装置速度増速」の分類に対応する操作セットフィルタの一例を示す図である。FIG. 10 illustrates an example of an operating set filter corresponding to the "Increase dust dispenser speed" classification; 上記情報処理装置における適合性判定の概要を説明する図である。It is a figure explaining the outline|summary of the suitability determination in the said information processing apparatus. 上記情報処理装置が実行する処理の一例を示すフローチャートである。It is a flow chart which shows an example of processing which the above-mentioned information processor performs. 上記情報処理装置が実行する処理の他の例を示すフローチャートである。4 is a flow chart showing another example of processing executed by the information processing apparatus; 本発明の実施形態２に係る情報処理装置の要部構成の一例を示すブロック図である。FIG. 10 is a block diagram showing an example of a main configuration of an information processing apparatus according to Embodiment 2 of the present invention; 使用する操作セットフィルタを決定する方法の一例を示す図である。FIG. 4 illustrates an example method for determining which operating set filter to use; 上記情報処理装置が実行する処理の一例を示すフローチャートである。It is a flow chart which shows an example of processing which the above-mentioned information processor performs. 上記情報処理装置が実行する処理の他の例を示すフローチャートである。4 is a flow chart showing another example of processing executed by the information processing apparatus; 本発明の実施形態３に係る情報処理装置における適合性判定の概要を説明する図である。FIG. 11 is a diagram illustrating an outline of suitability determination in an information processing apparatus according to Embodiment 3 of the present invention;

〔実施形態１〕
〔ゴミ焼却プラント〕
本実施形態のゴミ焼却プラント５の構成を、図１に基づいて説明する。なお、本実施形態では、ゴミ焼却プラントについて説明するが、本発明は、任意の焼却対象を焼却する焼却プラントに適用できる。例えば、一般廃棄物の焼却プラントの他、産業廃棄物の焼却プラント、および汚泥の焼却プラントにも適用することができる。これらの焼却プラントは、焼却によって生じる熱を利用して発電を行うものであってもよい。また、バイオマス発電プラント等のように、発電を主目的として焼却を行うプラントも上記焼却プラントの範疇に含まれる。また、プラントは焼却プラントに限らず、少なくとも１つの機械あるいは装置を用いて所定の処理（所定の対象に所定の処理を施す、所定の物品を製造する等）を行うものであればよい。 [Embodiment 1]
[Waste incineration plant]
The configuration of the refuse incineration plant 5 of this embodiment will be described based on FIG. In this embodiment, a garbage incineration plant will be described, but the present invention can be applied to an incineration plant that incinerates any object to be incinerated. For example, in addition to general waste incineration plants, it can also be applied to industrial waste incineration plants and sludge incineration plants. These incineration plants may use the heat generated by incineration to generate electricity. In addition, a plant such as a biomass power plant that incinerates mainly for power generation is also included in the category of the incineration plant. Also, the plant is not limited to an incineration plant, and may be any plant that uses at least one machine or device to perform a predetermined treatment (predetermined treatment for a predetermined object, manufacture of a predetermined article, etc.).

ゴミ焼却プラント５は、ゴミの集積と焼却を行うためのプラントであり、図１に示すように、情報処理装置１、プラント制御装置２、およびプラント設備３を備えている。 The garbage incineration plant 5 is a plant for collecting and incinerating garbage, and as shown in FIG.

プラント設備３には、焼却炉、ゴミを炉内に供給する給じん装置、ゴミを炉内で移動させる火格子、ボイラ、および発電機等が含まれる。プラント設備３は、ゴミの焼却で発生した熱をボイラに供給し、ボイラから発生した蒸気によって発電機のタービンを回して発電を行う。また、プラント設備３は、燃焼用空気の流量を調節するバルブ、燃焼用空気の温度を調節する加熱装置、炉内に供給する空気の流量を調節するバルブ（例えば、一次空気調節用のバルブと二次空気調節用のバルブ）等が備えられている。 The plant equipment 3 includes an incinerator, a dust feeder for supplying waste into the furnace, a grate for moving waste within the furnace, a boiler, a generator, and the like. The plant equipment 3 supplies the heat generated by incinerating the waste to the boiler, and the steam generated from the boiler rotates the turbine of the generator to generate power. In addition, the plant equipment 3 includes a valve for adjusting the flow rate of combustion air, a heating device for adjusting the temperature of the combustion air, a valve for adjusting the flow rate of air supplied to the furnace (for example, a primary air adjustment valve and A valve for secondary air control), etc. are provided.

プラント設備３の稼働状況に関する情報、例えば、燃焼炉内の温度、燃焼炉内に供給されるゴミの量、ボイラから発生した蒸気量、排ガスに含まれる酸素濃度、燃焼空気の流量／温度等の情報は、プラント設備３の各所に設けられたセンサ等により検知され、プラント制御装置２のプラント制御部１０６および情報処理装置１の少なくとも一方に出力される。 Information on the operating status of the plant equipment 3, such as the temperature in the combustion furnace, the amount of garbage supplied to the combustion furnace, the amount of steam generated from the boiler, the oxygen concentration contained in the exhaust gas, the flow rate/temperature of the combustion air, etc. The information is detected by sensors or the like provided at various locations of the plant equipment 3 and output to at least one of the plant control unit 106 of the plant control device 2 and the information processing device 1 .

プラント制御装置２は、プラント設備３に含まれる各種装置の動作を制御するプラント制御部１０６と、プラント制御装置２が他の装置と通信するための通信部１０７とを少なくとも備えている。 The plant control device 2 includes at least a plant control unit 106 that controls operations of various devices included in the plant equipment 3, and a communication unit 107 that allows the plant control device 2 to communicate with other devices.

ゴミ焼却プラント５において、効率的に発電するためには、蒸気量を安定的に発生させることが望まれる。その一方、焼却炉では、焼却するゴミの質や量の変動、焼却炉に対する操作量の変動などの様々な要因に伴い、焼却炉の燃焼状態が変化する。よって、かかる焼却炉の燃焼状態の変化に対応しつつ、蒸気を安定的に発生させることのできる焼却炉の制御が必要となる。 In the garbage incineration plant 5, in order to generate power efficiently, it is desired to generate steam in a stable manner. On the other hand, in an incinerator, the combustion state of the incinerator changes due to various factors such as fluctuations in the quality and amount of garbage to be incinerated and fluctuations in the amount of operation of the incinerator. Therefore, it is necessary to control an incinerator that can stably generate steam while responding to changes in the combustion state of the incinerator.

従来の一般的なゴミ処理プラントでは、運転員が各種計器の値や炉内の様子を考慮しながら手動操作にプラント設備に対する各種制御を行う。これに対し、ゴミ焼却プラント５においては、プラントの運転員の手動操作の履歴データを用いて機械学習を行って作成した学習済みモデルを用いて、燃焼炉を自動制御することが可能になっている。 In a conventional general refuse treatment plant, an operator performs various controls on the plant equipment by manual operation while considering the values of various instruments and conditions inside the furnace. On the other hand, in the waste incineration plant 5, it is possible to automatically control the combustion furnace using a learned model created by performing machine learning using history data of manual operations by plant operators. there is

具体的には、情報処理装置１は、予め、プラントの運転員の手動操作の履歴データを学習データとして機械学習を行って、学習済みモデル１１５を生成する。そして、プラント制御装置２のプラント制御部１０６は、生成された学習済みモデル１１５により実行すべきと判定された制御をプラント設備３に対して行う。 Specifically, the information processing apparatus 1 performs machine learning in advance using history data of manual operations by plant operators as learning data to generate the learned model 115 . Then, the plant control unit 106 of the plant control device 2 performs the control determined to be executed by the generated learned model 115 on the plant equipment 3 .

しかしながら、運転員の全ての手動操作が必ずしも適切であるとは限らず、適切でない手動操作が履歴データに含まれている場合がある。このため、機械学習を効率的に行うためには、適切でない履歴データを除外して、適切な履歴データを選別する必要がある。 However, not all manual operations performed by operators are necessarily appropriate, and inappropriate manual operations may be included in the history data. Therefore, in order to perform machine learning efficiently, it is necessary to exclude inappropriate history data and select appropriate history data.

また、履歴データとは、手動操作によるプラント制御の履歴データであって、例えば、プラントで稼働する機器に対して行われた手動操作内容、操作量、および操作時刻等のデータが含まれる。手動操作内容とは、運転員によって、プラントで稼働する機器に対して行われる手動操作の内容のことであって、例えば、給じん装置の速度増速／減速、火格子の速度増速／減速、燃焼空気の流量増量／減量、燃焼空気の温度増加／減少、および二次空気の流量増量／減量等である。 History data is history data of plant control by manual operation, and includes, for example, data such as details of manual operation performed on equipment operating in the plant, amount of operation, operation time, and the like. The content of manual operation is the content of manual operation performed by the operator on equipment operating in the plant. , combustion air flow rate increase/decrease, combustion air temperature increase/decrease, and secondary air flow rate increase/decrease.

また、履歴データは、手動操作をした運転員によって、情報処理装置１に入力又は送信されたデータ、手動操作をされたプラント設備３の機器から情報処理装置１に送信されたデータ、およびプラント設備３の機器からプラント制御装置２を介して情報処理装置１に送信されたデータの何れであってもよいし、これらが組み合わされたデータであってもよい。 Further, the history data includes data input or transmitted to the information processing device 1 by the operator who performed the manual operation, data transmitted to the information processing device 1 from the equipment of the plant equipment 3 manually operated, and 3 or data transmitted to the information processing device 1 via the plant control device 2, or a combination of these data.

〔情報処理装置〕
情報処理装置１の構成を、図１に基づいて詳細に説明する。図１は、情報処理装置１の要部構成の一例を示すブロック図である。 [Information processing device]
The configuration of the information processing device 1 will be described in detail based on FIG. FIG. 1 is a block diagram showing an example of the main configuration of an information processing apparatus 1. As shown in FIG.

情報処理装置１は、情報処理装置１の各部を統括して制御する制御部１０と、情報処理装置１が使用する各種データを記憶する記憶部１１と、入力操作を受け付ける入力部１２と、情報を出力するための出力部１３と、他の装置と通信するための通信部１４とを備えている。 The information processing device 1 includes a control unit 10 that controls and controls each unit of the information processing device 1, a storage unit 11 that stores various data used by the information processing device 1, an input unit 12 that receives input operations, an information and a communication unit 14 for communicating with other devices.

制御部１０には、履歴データ取得部１０１、分類部１０２、適合判定部１０３、学習データ選別部１０４、および機械学習実行部１０５が含まれる。また、記憶部１１には、履歴データベース（ＤＢ）１１１、操作セットフィルタ１１２、プラント状態ＤＢ１１３、学習ＤＢ１１４、および学習済みモデル１１５が記憶されている。 The control unit 10 includes a history data acquisition unit 101 , a classification unit 102 , a matching determination unit 103 , a learning data selection unit 104 and a machine learning execution unit 105 . The storage unit 11 also stores a history database (DB) 111, an operation set filter 112, a plant state DB 113, a learning DB 114, and a learned model 115. FIG.

履歴データ取得部１０１は、履歴ＤＢ１１１から複数の履歴データを取得する。履歴ＤＢ１１１は、運転員が行った手動操作によるプラント制御の履歴データを予め格納するデータベースである。履歴データとは、上述したように、例えば、プラントで稼働する機器に対して行われた手動操作内容、操作量、および操作時刻等を含むデータである。 The history data acquisition unit 101 acquires multiple pieces of history data from the history DB 111 . The history DB 111 is a database that stores in advance history data of plant control by manual operation performed by an operator. History data is, as described above, data that includes, for example, details of manual operations performed on devices operating in a plant, amounts of operations, operation times, and the like.

分類部１０２は、履歴データ取得部１０１が取得した複数の履歴データを、各履歴データに示される手動操作内容によって分類する。 The classification unit 102 classifies a plurality of pieces of history data acquired by the history data acquisition unit 101 according to manual operation details indicated in each piece of history data.

適合判定部１０３は、手動操作によるプラントの制御の履歴を示す複数の履歴データの各々について、当該履歴データに示される手動操作が、当該手動操作が行われた時点の上記プラントの状態に適合しているか否かを判定する。なお、判定の対象とする複数の履歴データは、分類部１０２による分類後の履歴データである。 For each of a plurality of history data indicating the history of plant control by manual operation, the suitability determination unit 103 determines whether the manual operation indicated in the history data is suitable for the state of the plant at the time when the manual operation was performed. Determine whether or not Note that the plurality of pieces of history data to be determined are the history data classified by the classification unit 102 .

判定の詳細は図２および図３に基づいて後述するが、例えば、適合判定部１０３は、履歴データに示される手動操作が行われた時点のプラントの状態を示す状態データが、上記プラントが当該手動操作を行うべき状態であるときに充足される所定の条件を充足する場合に、当該履歴データに示される手動操作が、当該手動操作が行われた時点のプラントの状態に適合していると判定してもよい。なお、本実施形態におけるプラントの状態とは、燃焼炉内の温度、燃焼炉内に供給されるゴミの量、ボイラから発生した蒸気量、排ガスに含まれる酸素濃度等で示される焼却炉の燃焼状態のことである。 Details of the determination will be described later with reference to FIGS. When the predetermined conditions that are satisfied when manual operation is to be performed are satisfied, the manual operation shown in the history data is considered to be compatible with the state of the plant at the time when the manual operation was performed. You can judge. In addition, the state of the plant in this embodiment means the temperature in the combustion furnace, the amount of garbage supplied to the combustion furnace, the amount of steam generated from the boiler, the oxygen concentration contained in the exhaust gas, etc. Combustion of the incinerator It's about the state.

この場合、適合判定部１０３は、上記状態データをプラント状態ＤＢ１１３から読み出す。プラント状態ＤＢ１１３は、手動操作が行われた時点のプラントの状態を示すデータを格納するデータベースである。また、適合判定部１０３は、上記所定の条件を操作セットフィルタ１１２から読み出す。詳細は図２に基づいて後述するが、操作セットフィルタ１１２には、プラントが所定の手動操作を行うべき状態であるときに充足される所定の条件が示されている。 In this case, the suitability determination unit 103 reads the state data from the plant state DB 113 . The plant state DB 113 is a database that stores data indicating the state of the plant at the time of manual operation. Also, the conformity determination unit 103 reads out the predetermined condition from the manipulation set filter 112 . The operation set filter 112, which will be described in detail later with reference to FIG. 2, indicates predetermined conditions that are satisfied when the plant is in a state in which a predetermined manual operation should be performed.

学習データ選別部１０４は、適合判定部１０３が適合していると判定した履歴データを、上記プラントで実行すべき制御を機械学習するための学習データとする。具体的には、適合判定部１０３がプラントの状態に適合しないと判定した履歴データを除外し、適合していると判定し履歴データを学習データとして選別し、学習ＤＢ１１４に格納する。学習ＤＢ１１４は、選別された履歴データを学習データとして格納するデータベースである。なお、選別の詳細は図３から図７に基づいて後述する。 The learning data selection unit 104 uses the history data determined by the compatibility determination unit 103 to be suitable as learning data for machine learning of the control to be executed in the plant. Specifically, the history data determined by the conformity determination unit 103 to be unsuitable for the plant state are excluded, the history data determined to be suitable are selected as learning data, and stored in the learning DB 114 . The learning DB 114 is a database that stores the selected history data as learning data. The details of the sorting will be described later with reference to FIGS. 3 to 7. FIG.

機械学習実行部１０５は、学習データ選別部１０４が選別した学習データを用いて機械学習を実行し、プラントで実行すべき制御を判定するための学習済みモデル１１５を生成する。生成された学習済みモデル１１５は、記憶部１１に格納される。 The machine learning execution unit 105 executes machine learning using the learning data selected by the learning data selection unit 104, and generates a learned model 115 for determining control to be executed in the plant. The generated trained model 115 is stored in the storage unit 11 .

上記の構成によれば、プラントの状態に適合する履歴データを抽出できる。そして、抽出した履歴データを学習データとすることで、効率的な機械学習によって学習済みモデル１１５を生成することができる。本発明の発明者らによる実験では、操作セットフィルタ１１２に基づいて選別した学習データを用いて構築した学習済みモデルの精度が、そのような選別を行うことなく構築した学習済みモデルの精度を大きく上回るという結果が得られている。 According to the above configuration, it is possible to extract history data suitable for the state of the plant. By using the extracted history data as learning data, the learned model 115 can be generated by efficient machine learning. Experiments by the inventors of the present invention have shown that the accuracy of a trained model constructed using learning data screened based on the manipulation set filter 112 greatly exceeds the accuracy of a trained model constructed without such screening. Outperforming results are obtained.

また、ゴミ焼却プラント５は、情報処理装置１を含み、プラント制御部１０６によって制御される。そして、プラント制御部１０６による制御は、上述のように高精度な学習済みモデル１１５に基づいて行われるから、ゴミ焼却プラント５では、焼却炉の燃焼状態の変化に対応した適切なプラント制御が可能となる。 The garbage incineration plant 5 includes the information processing device 1 and is controlled by the plant control unit 106 . Since the control by the plant control unit 106 is performed based on the highly accurate learned model 115 as described above, the waste incineration plant 5 can perform appropriate plant control corresponding to changes in the combustion state of the incinerator. becomes.

〔適合判定の詳細〕
＜操作セットフィルタ＞
適合判定部１０３による適合性の判定は、履歴データの手動操作が、当該手動操作が行われた時点のプラントの状態に適合するか否かについて行われる。具体的には、操作セットフィルタ１１２には、手動操作内容に対応する所定の条件が予め設定されている。そして、適合判定部１０３は、操作セットフィルタ１１２に従って、手動操作が行われた時点のプラントの状態がこの所定の条件を満たす場合に、手動操作を当該手動操作が行われた時点のプラントの状態に適合すると判定し、満たさない場合はプラントの状態に適合しないと判定する。 [Details of compliance judgment]
<Operation set filter>
Suitability determination by the suitability determination unit 103 is performed based on whether or not the manual operation of the history data is suitable for the state of the plant at the time when the manual operation was performed. Specifically, the operation set filter 112 is preset with predetermined conditions corresponding to the content of the manual operation. If the state of the plant at the time when the manual operation was performed satisfies this predetermined condition, the conformity determination unit 103 determines the state of the plant at the time when the manual operation was performed according to the operation set filter 112 . If not, it is determined that the plant conditions are not met.

ゴミ焼却プラント５に関する手動操作内容に対応する所定の条件は、例えば、「焼却炉内の温度に関する条件」、「焼却炉から発生する蒸気量に関する条件」、「焼却炉からの排出ガスに含まれる酸素濃度に関する条件」、および「焼却炉内のゴミの量に関する条件」のうち、少なくとも何れかを含む。 Predetermined conditions corresponding to the manual operation details regarding the garbage incineration plant 5 are, for example, "conditions regarding the temperature in the incinerator", "conditions regarding the amount of steam generated from the incinerator", and "exhaust gas from the incinerator". at least one of "conditions regarding oxygen concentration" and "conditions regarding the amount of garbage in the incinerator".

上記の条件は、何れもゴミ焼却プラントにおいて実行すべき手動操作を適切に判断する上で、考慮すべきであるプラントの状態に関する条件である。よって、これらの条件の少なくとも何れかを用いる上記の構成によれば、履歴データに示される手動操作が、当該手動操作が行われた時点のプラントの状態に適合しているか否かを適切に判定することができる。 Any of the above conditions are plant conditions that should be considered in properly determining the manual operations to be performed in a refuse incineration plant. Therefore, according to the above configuration using at least one of these conditions, it is possible to appropriately determine whether or not the manual operation indicated in the history data matches the state of the plant at the time when the manual operation was performed. can do.

ここで、分類部１０２は、各履歴データに示される手動操作内容によって、各履歴データを、例えば、給じん装置速度増速を示すデータ、火格子速度減速を示すデータ、というように分類する。適合判定部１０３は、この分類毎に適合性を判定するため、分類に応じた操作セットフィルタ１１２を用いる。 Here, the classification unit 102 classifies each history data according to the content of the manual operation shown in each history data, for example, data indicating an increase in speed of the dust feeder and data indicating a reduction in speed of the grate. The suitability determination unit 103 uses the operation set filter 112 according to the classification to determine suitability for each classification.

図２に基づいて、操作セットフィルタ１１２に示される所定の条件について具体的に説明する。図２は、「給じん装置速度増速」の分類に対応する操作セットフィルタ１１２の一例を示す図である。適合判定部１０３は、図２の操作セットフィルタ１１２を用いて、「給じん装置速度増速」に分類された各履歴データについて、プラントの状態との適合性を判定する。 Based on FIG. 2, the predetermined conditions shown in the manipulation set filter 112 will be specifically described. FIG. 2 is a diagram showing an example of an operating set filter 112 corresponding to the "increase dust dispenser speed" classification. The suitability determination unit 103 uses the operation set filter 112 of FIG. 2 to determine the suitability of each history data classified as "increase in dust feeder speed" with the state of the plant.

図２の操作セットフィルタ１１２では、フィルタ項目とプラントの状態とが対応付けられている。このフィルタ項目とプラントの状態との組み合わせが、「所定の条件」を示している。例えば、フィルタ項目「炉内温度」と状態「低下傾向」の組み合わせにより、炉内温度が低下傾向にあるという「所定の条件」が示されている。 In the operation set filter 112 of FIG. 2, filter items are associated with plant states. A combination of this filter item and the state of the plant indicates the "predetermined condition". For example, a combination of the filter item "furnace temperature" and the state "lowering tendency" indicates a "predetermined condition" that the furnace temperature is on the decline.

この他にも、図２の操作セットフィルタ１１２では、「発生蒸気量制御の操作量」が「増加傾向」であるとの所定の条件が示されている。なお、発生蒸気量制御の操作量とは、発生蒸気量の測定値（ＰＶ）を設定値（ＳＶ）に近付けるための制御の操作量である。例えば焼却炉へ供給するゴミ量を増加または減少させる制御の操作量や、燃焼用空気の供給量を増加または減少させる制御の操作量が発生蒸気量制御の操作量に該当する。なお、この操作量は、ＰＩＤ制御（Proportional-Integral-Differential Controller）における制御量であってもよい。さらに、「排出ガスＯ２濃度」については、測定値（ＰＶ）が設定値（ＳＶ）より大きいか、または「増加傾向」であるとの所定の条件が示されている。そして、「ゴミ量」については、測定値（ＰＶ）が設定値（ＳＶ）より小さいか、または「減少傾向」であるとの所定の条件が示されている。 In addition to this, the operation set filter 112 of FIG. 2 indicates a predetermined condition that the "manipulated amount of generated steam amount control" is "increasing trend". The manipulated variable of the generated steam amount control is the manipulated variable of the control for bringing the measured value (PV) of the generated steam amount closer to the set value (SV). For example, the manipulated variable for control to increase or decrease the amount of refuse to be supplied to the incinerator and the manipulated variable for control to increase or decrease the amount of combustion air supplied correspond to the manipulated variable for controlling the amount of generated steam. Note that this manipulated variable may be a controlled variable in PID control (Proportional-Integral-Differential Controller). Furthermore, for the "exhaust gas O 2 concentration", a predetermined condition is indicated that the measured value (PV) is greater than the set value (SV) or that it is "increasing". As for the "amount of dust", a predetermined condition is indicated that the measured value (PV) is smaller than the set value (SV) or that it is "decreasing".

これらの条件は、何れも「給じん装置速度増速」の手動操作を行うことが適切なプラント状態において充足される条件である。つまり、炉内温度が低下傾向にあるとき、発生蒸気量制御の操作量が効果傾向にあるとき、排出ガスＯ２濃度について、ＰＶ＞ＳＶまたは増加傾向であるとき、および、ごみ量について、ＰＶ＜ＳＶまたは減少傾向であるときには、「給じん装置速度増速」の手動操作を行うことが適切である。したがって、これら複数の条件のうち、できるだけ多くの条件が充足されている程、「給じん装置速度増速」の手動操作が妥当であったということができる。 All of these conditions are conditions that are satisfied in a plant state in which it is appropriate to perform manual operation of "acceleration of the dust feeder speed". That is, when the furnace temperature tends to decrease, when the manipulated variable of the generated steam amount control tends to be effective, when the exhaust gas O 2 concentration is PV>SV or tends to increase, and when the amount of dust is PV <SV or decreasing trend, it is appropriate to perform manual operation of "acceleration of dust feeder speed". Therefore, it can be said that the manual operation of "increasing the speed of the dust feeder" is appropriate when as many of these conditions as possible are satisfied.

適合判定部１０３は、履歴データに示される手動操作が行われたときのプラントの状態が、これらの各条件を満たしているか否かを判定する。例えば、ある時刻に「給じん装置速度増速」の手動操作が行われたことを示す履歴データについて判定を行う場合、適合判定部１０３は、その時刻における炉内温度が低下傾向であったか否かを判定する。同様に、適合判定部１０３は、その時刻における「発生蒸気量制御の操作量」、「排出ガスＯ２濃度」、および「ゴミ量」についても判定する。 The suitability determination unit 103 determines whether the state of the plant when the manual operation shown in the history data was performed satisfies each of these conditions. For example, when making a judgment on history data indicating that a manual operation of "increase the speed of the dust feeder" was performed at a certain time, the suitability judgment unit 103 determines whether the temperature in the furnace at that time was on a downward trend. judge. Similarly, the suitability determination unit 103 also determines the “manipulated amount of generated steam amount control”, “exhaust gas O 2 concentration”, and “dust amount” at that time.

なお、各条件における「傾向」は、当該履歴データに示される手動操作の時刻を起点として所定期間を設定し、その期間における、プラント状態を示す各種数値（炉内温度等）をプラント状態ＤＢ１１３から読み出すことにより判定することができる。 The “tendency” of each condition is set for a predetermined period starting from the time of manual operation shown in the history data, and various numerical values (furnace temperature, etc.) indicating the plant state during that period are obtained from the plant state DB 113. It can be determined by reading.

＜履歴データの適合性判定＞
適合判定部１０３は、操作セットフィルタ１１２に示される各条件についての判定結果に基づいて、履歴データの適合性判定を行う。図３は、適合性判定の概要を説明する図である。図３は、履歴データに示される情報と、操作セットフィルタ１１２に設定された各フィルタ項目についての判定結果を示している。図中の「操作時刻」、「手動操作内容」、および「操作量」は、各履歴データに示されている情報であって、それぞれ手動操作が行われた時刻、手動操作内容、および手動操作の操作量を示している。図中の「フィルタ適合性の判定結果」は、各フィルタ項目について、手動操作とプラントの状態との適合性についての判定結果を示すものである。適合性ありと判定されたものには「〇」が、適合性無しと判定されたものには「×」が入力されている。 <Conformity determination of historical data>
The suitability determination unit 103 performs suitability determination of history data based on the determination result for each condition shown in the operation set filter 112 . FIG. 3 is a diagram illustrating an outline of compatibility determination. FIG. 3 shows information indicated in history data and determination results for each filter item set in the operation set filter 112 . The "operation time", "manual operation content", and "manipulation amount" in the figure are the information shown in each history data, and are the time when the manual operation was performed, the manual operation content, and the manual operation amount, respectively. shows the manipulated variable of "Filter Adaptability Judgment Result" in the figure indicates the judgment result of the suitability between the manual operation and the state of the plant for each filter item. "O" is entered for those determined to be compatible, and "X" is entered for those determined to be incompatible.

例えば、履歴データ１は、時刻１２：１５に給じん装置速度増速の手動操作が操作量＋１０％でなされたこと（給じん装置速度を１０％増加させる手動操作がなされたこと）を示している。フィルタ適合性の判定結果は、炉内温度については「×」（不適合）、発生蒸気量制御の操作量、排出ガスＯ２濃度、およびゴミ量については「〇」（適合）が入力されている。 For example, history data 1 indicates that manual operation to increase the speed of the dust feeder was performed at time 12:15 with an operation amount of +10% (manual operation to increase the speed of the dust feeder by 10% was performed). there is As for the judgment result of filter suitability, "X" (not suitable) is entered for furnace temperature, and "○" (suitable) is entered for operation amount of generated steam amount control, exhaust gas O2 concentration, and amount of dust. .

適合判定部１０３は、フィルタ適合性の各判定結果に基づいて、履歴データの適合性を判定する。例えば、フィルタ適合性の判定結果の「〇」又は「×」の数で、適合性を判定してもよい。「〇」の数が多ければ（例えば３つ以上）、適合性ありと判定し、「×」の数が多ければ（例えば２つ以上）、適合性無しと判定してもよい。適合性無しと判定された履歴データは、学習データ選別部１０４によって、学習対象の履歴データから除外される。一方、適合性ありと判定された履歴データは、学習対象の履歴データとされる。 The suitability determination unit 103 determines suitability of history data based on each filter suitability determination result. For example, suitability may be determined by the number of "O" or "X" in the filter suitability determination result. If the number of "o"s is large (for example, 3 or more), it may be determined that there is compatibility, and if the number of "crosses" is large (eg, 2 or more), it may be determined that there is no compatibility. History data determined to be incompatible is excluded from history data to be learned by the learning data selection unit 104 . On the other hand, history data determined to be compatible is used as learning target history data.

また、図３の右端欄には、「次の操作までの時間」が示されている。「次の操作までの時間」とは、一つの手動操作が行われてから、次の手動操作が行われるまでの時間のことである。ここで、履歴データ４の操作が行われてから履歴データ５の操作が行われるまでの時間は５分と短い時間であることがわかる。また、履歴データ４の操作と履歴データ５の操作は、共に「給じん装置速度増速」であり、同一の操作対象に対して同一の操作内容が短期間内に複数回行われていることになる。 Further, the rightmost column in FIG. 3 indicates "time until next operation". The “time until the next operation” is the time from when one manual operation is performed until when the next manual operation is performed. Here, it can be seen that the time from the operation of the history data 4 to the operation of the history data 5 is as short as 5 minutes. Also, both the operation of the history data 4 and the operation of the history data 5 are "increase the speed of the dust feeder", and the same operation content is performed multiple times within a short period of time for the same operation target. become.

操作対象・操作内容が同一であれば、１回の手動操作で完了することが可能であった筈であるが、結果的に追加の手動操作が必要となったことから、これらの手動操作は少なくとも操作効率が良いものであったとはいえない。 If the operation target and operation content were the same, it should have been possible to complete the operation with a single manual operation. At least, it cannot be said that the operation efficiency was good.

そこで、同一の操作対象に対して同一の操作内容の手動操作が所定期間内に複数回行われている場合、それらの手動操作の履歴データは、学習データとして妥当なものではないと考えられる。上記所定期間は、同一の操作対象に対して同一の操作内容の手動操作が複数回行われたが、その複数回の手動操作の代わりに、１回の手動操作を行ったとしても同様の効果が得られたとみなせる程度の期間とすればよい。なお、所定期間は、適用するプラントや手動操作内容に応じて任意に設定できる。また、所定期間は、運転者、又はプラント設備の管理者等によって定められてもよい。例えば、上記所定期間を２０分とした場合、履歴データ４および履歴データ５は、学習データ選別部１０４によって除外され、学習データとはならない。 Therefore, if the same operation target is manually operated multiple times within a predetermined period of time, the history data of those manual operations is considered to be inappropriate as learning data. During the predetermined period, the manual operation with the same operation content was performed multiple times on the same operation target, but the same effect can be obtained even if one manual operation is performed instead of the multiple manual operations. The period should be such that it can be regarded as having been obtained. The predetermined period can be arbitrarily set according to the applied plant and manual operation content. Also, the predetermined period may be determined by the operator, the manager of the plant equipment, or the like. For example, if the predetermined period is 20 minutes, history data 4 and history data 5 are excluded by learning data selection unit 104 and do not become learning data.

このように、学習データ選別部１０４は、所定期間内に行われた、制御対象が同一である複数の手動操作の履歴データは、学習データとしない。これにより、効率が良くない手動操作を示す履歴データが、学習データとされないので、より効果的な機械学習を行うことが可能になる。 In this way, the learning data selection unit 104 does not set history data of a plurality of manual operations performed within a predetermined period of time for the same control target as learning data. As a result, history data indicating inefficient manual operations is not used as learning data, so that more effective machine learning can be performed.

＜処理の流れ＞
次に、図４に基づいて、情報処理装置１が学習データとする履歴データを決定する処理の流れを説明する。図４は、情報処理装置１が実行する処理（情報処理方法）の一例を示すフローチャートである。 <Process flow>
Next, based on FIG. 4, the flow of processing for determining history data to be used as learning data by the information processing apparatus 1 will be described. FIG. 4 is a flowchart showing an example of processing (information processing method) executed by the information processing device 1 .

Ｓ１において、履歴データ取得部１０１は、履歴ＤＢ１１１から複数の履歴データを取得する。そして、Ｓ２において、分類部１０２は、履歴データに示される手動操作内容によって、履歴データを分類する。 In S<b>1 , the history data acquisition unit 101 acquires multiple pieces of history data from the history DB 111 . Then, in S2, the classification unit 102 classifies the history data according to the content of the manual operation indicated in the history data.

Ｓ３において、適合判定部１０３は、分類毎に所定の操作内容に対応する所定の条件によって、履歴データに示される手動操作と、当該手動操作が行われた時点の上記プラントの状態との適合性を判定する。具体的には、適合判定部１０３は、分類に応じた操作セットフィルタ１１２に示される複数の所定の条件のうちいくつの条件を満たすかによって、適合するか否かを判定する。 In S3, the compatibility determination unit 103 determines the compatibility between the manual operation indicated in the history data and the state of the plant at the time when the manual operation was performed, according to a predetermined condition corresponding to a predetermined operation content for each classification. judge. Specifically, the suitability determination unit 103 determines suitability based on how many of a plurality of predetermined conditions indicated by the manipulation set filter 112 corresponding to the classification are satisfied.

Ｓ４において、学習データ選別部１０４は、Ｓ３で判定が行われた履歴データのうち、適合性が低い（適合しない）と判定された履歴データを、学習データの対象から除外する。言い換えれば、学習データ選別部１０４は、Ｓ３で適合していると判定された履歴データを、プラントで実行すべき制御を機械学習するための学習データとする。ただし、Ｓ３で適合していると判定された履歴データについては、Ｓ５の処理が行われ、この処理で除外された履歴データは学習データとはならない。 In S4, the learning data selection unit 104 excludes the history data judged to have low suitability (non-suitability) among the history data judged in S3 from the object of learning data. In other words, the learning data selection unit 104 uses the history data determined to be suitable in S3 as learning data for machine learning of the control to be executed in the plant. However, the history data determined to be suitable in S3 are processed in S5, and the history data excluded in this process do not become learning data.

Ｓ５において、学習データ選別部１０４は、Ｓ３で適合していると判定された履歴データのうち、同一の制御対象に対して短期間内に複数回同一の操作が行われている履歴データを除外する。なお、Ｓ４よりも先にＳ５の処理を行ってもよい。最後に、Ｓ６において、学習データ選別部１０４は、学習データとする履歴データを決定する。つまり、学習データ選別部１０４は、Ｓ４およびＳ５の何れにおいても除外されなかった履歴データを、学習データとすることを決定する。 In S5, the learning data selection unit 104 excludes history data in which the same operation is performed multiple times on the same controlled object within a short period of time from the history data determined to be suitable in S3. do. Note that the process of S5 may be performed prior to S4. Finally, in S6, the learning data selection unit 104 determines history data to be used as learning data. In other words, the learning data selection unit 104 determines to use history data that has not been excluded in either S4 or S5 as learning data.

例えば、図３の例において、フィルタ適合性の判定結果の「○」が３つ以上である場合に適合性ありと判定するとすれば、Ｓ４で履歴データ２が除外される。また、Ｓ５の判定の基準となる時間（所定期間）を２０分であるとすれば、Ｓ５で履歴データ４および５が除外される。よって、この場合、Ｓ６では、履歴データ１および３が、機械学習で用いられる学習データとして決定される。 For example, in the example of FIG. 3, if it is determined that there is compatibility when there are three or more "o"s in the determination result of filter compatibility, history data 2 is excluded in S4. Also, if the time (predetermined period) used as the criterion for determination in S5 is assumed to be 20 minutes, history data 4 and 5 are excluded in S5. Therefore, in this case, in S6, history data 1 and 3 are determined as learning data to be used in machine learning.

〔履歴データにおける操作量の加算〕
同一の操作対象に対して同一の操作内容が所定期間内に複数回行われている場合、それらの手動操作は、制御対象は適切であったが、操作量が不適切であったとも考えられる。この場合、最初になされた手動操作の操作量が適切であれば、１回の操作で済み、効率的であったといえる。 [Addition of manipulated variable in history data]
When the same operation content is performed multiple times on the same operation target within a predetermined period, it is possible that the manual operation was appropriate for the control target but inappropriate for the amount of operation. . In this case, if the operation amount of the manual operation performed first is appropriate, it can be said that the operation can be performed only once, which is efficient.

このため、学習データ選別部１０４は、所定期間内に行われた、制御対象が同一である複数の手動操作の履歴データは、当該複数の手動操作における制御対象に対する操作量をそれぞれ加算した操作量の１回の手動操作の履歴データに変更した上で、学習データに含めてもよい。これにより、操作量が不適切であった履歴データも学習データとして有効に活用することができる。 For this reason, the learning data selection unit 104 sets the history data of a plurality of manual operations with the same controlled object performed within a predetermined period as an operation amount obtained by adding the operation amount to the controlled object in the plurality of manual operations. may be included in the learning data after being changed to history data of one manual operation. As a result, history data in which the amount of operation was inappropriate can also be effectively utilized as learning data.

＜処理の流れ＞
次に、図５に基づいて、情報処理装置１における処理の流れの他の一例を説明する。図５は、情報処理装置１における処理の流れの他の一例を示すフローチャートである。なお、Ｓ１からＳ４、およびＳ６の処理は、図４のＳ１からＳ４、およびＳ６の処理と同一であるから説明は繰り返さない。これらの処理により、取得した履歴データが分類され、適合性が判定された後、適合性が低いデータは除外される。 <Process flow>
Next, another example of the flow of processing in the information processing apparatus 1 will be described with reference to FIG. FIG. 5 is a flowchart showing another example of the flow of processing in the information processing apparatus 1. As shown in FIG. Note that the processing from S1 to S4 and S6 is the same as the processing from S1 to S4 and S6 in FIG. 4, so the description will not be repeated. After these processes classify the acquired historical data and determine suitability, data with low suitability are excluded.

Ｓ５ａでは、学習データ選別部１０４は、同一の制御対象に対して所定期間内に複数回の操作が行われている履歴データについて、操作量を加算して１回の手動操作に変更した上で学習データに含める。例えば、図３の例において所定時間を２０分とした場合、学習データ選別部１０４は、所定期間内に複数回の操作が行われている履歴データ４および５について、履歴データ４の操作量「＋５％」に、履歴データ５の操作量「＋１２％」を加算して、操作量「＋１７％」に修正して１回の手動操作に変更した履歴データを、学習データとして選別する。 In S5a, the learning data selection unit 104 adds the operation amount to the history data in which the same controlled object has been operated multiple times within a predetermined period, and changes it to one manual operation. Include in training data. For example, if the predetermined time is 20 minutes in the example of FIG. +5%", the operation amount "+12%" of the history data 5 is added, the operation amount is corrected to "+17%", and the history data changed to one manual operation is selected as learning data.

〔実施形態２〕
本発明の他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態１にて説明したものと同じ機能を有するものについては、同じ符号を付記し、その説明を繰り返さない。実施形態３以降も同様である。 [Embodiment 2]
Other embodiments of the invention are described below. For convenience of explanation, the same reference numerals are given to the parts having the same functions as those explained in the first embodiment, and the explanation thereof will not be repeated. The same applies to the third and subsequent embodiments.

＜装置構成＞
図６は、実施形態２の情報処理装置１の要部構成の一例を示すブロック図である。図示のように、実施形態２の制御部１０は、各履歴データに示される手動操作の操作意図が、所定の複数の操作意図の何れに該当するか判定する操作意図判定部１５１を含む点で実施形態１の制御部１０と相違する。なお、操作意図とは、プラントで稼働する機器に対して運転員が手動操作を行った際の運転員の意図のことである。例えば、「焼却炉内に供給するゴミの量を増やしたい」、「焼却炉内の燃焼を促進したい」等は、操作意図の例である。 <Device configuration>
FIG. 6 is a block diagram showing an example of the main configuration of the information processing apparatus 1 according to the second embodiment. As illustrated, the control unit 10 of the second embodiment includes an operation intention determination unit 151 that determines to which of a plurality of predetermined operation intentions the operation intention of the manual operation indicated in each history data corresponds. It differs from the control unit 10 of the first embodiment. The operation intention is the operator's intention when he/she manually operates the equipment operating in the plant. For example, "I want to increase the amount of garbage supplied to the incinerator", "I want to promote combustion in the incinerator", etc. are examples of operational intentions.

操作意図は、運転員が例えば手動操作を行う際に入力して履歴ＤＢ１１１に記録しておくようにしてもよい。この場合、操作意図判定部１５１は、履歴ＤＢ１１１を参照することにより、各履歴データに示される手動操作の操作意図を判定することができる。また、操作意図判定部１５１は、手動操作が行われたときのプラント状態に基づいて、当該手動操作の操作意図を判定してもよい。この場合、プラント状態と操作意図の対応関係を予めモデル化しておけば、操作意図判定部１５１は、当該モデルを用いて各履歴データに示される手動操作の操作意図を判定することができる。 The operation intention may be input and recorded in the history DB 111 when the operator performs a manual operation, for example. In this case, the operation intention determination unit 151 can determine the operation intention of the manual operation indicated by each history data by referring to the history DB 111 . Further, the operation intention determination unit 151 may determine the operation intention of the manual operation based on the plant state when the manual operation is performed. In this case, if the correspondence relationship between the plant state and the operation intention is modeled in advance, the operation intention determination unit 151 can use the model to determine the operation intention of the manual operation indicated by each history data.

実施形態２の分類部１０２は、操作意図判定部１５１が上述のようにして判定した操作意図によって履歴データを分類する。このため、実施形態２においては、操作意図毎に予め作成した操作セットフィルタ１１２を記憶部１１に記憶しておく。 The classification unit 102 of the second embodiment classifies history data according to the operation intention determined as described above by the operation intention determination unit 151 . Therefore, in the second embodiment, the operation set filter 112 created in advance for each operation intention is stored in the storage unit 11 .

＜操作意図に基づく操作セットフィルタの決定＞
図７に基づいて、適合判定部１０３が、使用する操作セットフィルタ１１２を決定する方法について説明する。図７のテーブルは、操作意図とフィルタ番号とフィルタ対象が対応付けられたものである。 <Determination of operation set filter based on operation intention>
A method for determining the operation set filter 112 to be used by the conformity determination unit 103 will be described with reference to FIG. 7 . The table in FIG. 7 associates operation intentions, filter numbers, and filtering targets.

図７のテーブルでは、「ゴミ量を増やしたい」、「ゴミ量を減らしたい」、「燃焼を促進したい」、「燃焼を抑制したい」、および「ＣＯを減らしたい」の５種類の操作意図が例示されている。これらの操作意図には、１から５のフィルタ番号が対応付けられているから、適合判定部１０３は、このテーブルを参照することにより、分類部１０２の分類結果に応じたフィルタ番号を特定することができる。フィルタ番号は、操作セットフィルタ１１２（例えば図２の例のように、１つの履歴データに対する１回の適合性の判定に用いる複数の所定の条件を組み合わせたもの）を識別する番号である。このように、本実施形態において、適合性の判定に用いる所定の条件は、複数の操作意図のそれぞれについて予め設定されている。 In the table of FIG. 7, there are five types of operation intentions: "I want to increase the amount of garbage", "I want to reduce the amount of garbage", "I want to promote combustion", "I want to suppress combustion", and "I want to reduce CO". exemplified. Since filter numbers 1 to 5 are associated with these operational intentions, conformity determination section 103 refers to this table to specify the filter number corresponding to the classification result of classification section 102. can be done. A filter number is a number that identifies an operating set filter 112 (for example, a combination of a plurality of predetermined conditions used for one-time suitability determination for one piece of history data, as in the example of FIG. 2). As described above, in the present embodiment, the predetermined condition used for determining suitability is set in advance for each of a plurality of operational intentions.

また、図７のテーブルでは、各操作意図に対してフィルタ対象が対応付けられている。適合判定部１０３は、このフィルタ対象に示される内容の手動操作に対して、操作セットフィルタ１１２を適用する。例えば、適合判定部１０３は、「ゴミ量を増やしたい」との操作意図に分類された履歴データのうち、フィルタ対象となっている「給じん装置速度増速」または「火格子速度増速」の手動操作の履歴データについて、フィルタ番号「１」の操作セットフィルタ１１２を用いる。 In addition, in the table of FIG. 7, a filter target is associated with each operation intention. The conformity determination unit 103 applies the operation set filter 112 to the manual operation of the content indicated by this filtering target. For example, the suitability determination unit 103 selects the history data classified as the operation intention of “want to increase the amount of dust” to filter “increase the speed of the dust dispenser” or “increase the speed of the grate”. manual operation history data, the operation set filter 112 with the filter number “1” is used.

＜処理の流れ＞
次に、図８に基づいて、実施形態２の情報処理装置１が実行する処理の流れを説明する。図８は、実施形態２の情報処理装置１が実行する処理の流れの一例を示すフローチャートである。 <Process flow>
Next, based on FIG. 8, the flow of processing executed by the information processing apparatus 1 according to the second embodiment will be described. FIG. 8 is a flow chart showing an example of the flow of processing executed by the information processing apparatus 1 of the second embodiment.

Ｓ２１において、履歴データ取得部１０１は、履歴ＤＢ１１１から複数の履歴データを取得する。続くＳ２２において、操作意図判定部１５１は、各履歴データの操作意図を判定する。そして、Ｓ２３において、分類部１０２は、Ｓ２２で判定された操作意図に基づいて履歴データを分類する。 In S<b>21 , the history data acquisition unit 101 acquires multiple pieces of history data from the history DB 111 . In subsequent S22, the operation intention determination unit 151 determines the operation intention of each history data. Then, in S23, the classification unit 102 classifies the history data based on the operation intention determined in S22.

Ｓ２４において、適合判定部１０３は、Ｓ２３の分類に応じた操作セットフィルタ１１２を用いて、Ｓ２１で取得された各履歴データについて、プラントの状態と操作内容との適合性を判定する。例えば、図７のテーブルを用いる場合、適合判定部１０３は、該テーブルを参照してＳ２３の分類に応じた操作セットフィルタ１１２を特定する。そして、適合判定部１０３は、特定した操作セットフィルタ１１２を用いて、上記テーブルにおいてフィルタ対象となっている手動操作の履歴データの適合性の判定を行う。 In S24, the compatibility determination unit 103 uses the operation set filter 112 corresponding to the classification in S23 to determine compatibility between the state of the plant and the operation content for each history data acquired in S21. For example, when using the table of FIG. 7, the conformity determination unit 103 refers to the table to specify the operation set filter 112 corresponding to the classification of S23. Then, using the specified operation set filter 112, the compatibility determination unit 103 determines the compatibility of the history data of the manual operations that are filtered in the above table.

なお、適合判定部１０３は、操作意図とフィルタ対象が合致しない履歴データは、不適合と判定する。例えば、図７の例において、操作意図が「ゴミ量を増やしたい」に該当するが、行われた手動操作が「給じん装置速度増速」および「火格子速度増速」以外の手動操作である履歴データについては、適合判定部１０３は、不適合と判定する。Ｓ２５からＳ２７の処理は、図４のＳ４からＳ６の処理と同様であるから説明を省略する。 Note that the suitability determination unit 103 determines that history data in which the operation intention and the filter target do not match is incompatible. For example, in the example of FIG. 7, the operation intention corresponds to "I want to increase the amount of dust", but the performed manual operation is a manual operation other than "increase the speed of the dust feeder" and "increase the speed of the fire grate". Conformance determination unit 103 determines that certain history data is not conforming. The processing from S25 to S27 is the same as the processing from S4 to S6 in FIG. 4, so the description is omitted.

以上のように、本実施形態の情報処理装置１は、履歴データに示される手動操作の操作意図が、所定の複数の操作意図の何れに該当するか判定する操作意図判定部１５１を備えている。また、図７に基づいて説明したように、上記所定の条件は、複数の操作意図のそれぞれについて予め設定されている。そして、適合判定部１０３は、操作意図に応じた所定の条件を用いて、履歴データに示される手動操作が、当該手動操作が行われた時点の上記プラントの状態に適合しているか否かを判定する。この構成によれば、操作意図に応じた条件を用いて判定を行うので、操作意図がプラント状態に適合した手動操作の履歴データを学習データとすることが可能になる。 As described above, the information processing apparatus 1 of the present embodiment includes the operation intention determination unit 151 that determines which of a plurality of predetermined operation intentions the operation intention of the manual operation indicated in the history data corresponds to. . Further, as described with reference to FIG. 7, the predetermined condition is set in advance for each of a plurality of operational intentions. Then, the compatibility determination unit 103 uses a predetermined condition corresponding to the operation intention to determine whether or not the manual operation indicated in the history data is compatible with the state of the plant at the time when the manual operation was performed. judge. According to this configuration, since the determination is made using the condition corresponding to the operation intention, it is possible to use the history data of the manual operation whose operation intention matches the plant state as the learning data.

＜処理の流れ（履歴データにおける操作量を加算）＞
本実施形態においても、図５の例のように、履歴データにおける操作量を加算した上で学習データに加えてもよい。これについて図９に基づき説明する。図９は、実施形態２の情報処理装置１における処理の流れの他の例を示すフローチャートである。なお、図８のフローチャートとの相違点であるＳ２６ａ以外の処理については説明を省略する。 <Processing flow (addition of operation amount in history data)>
Also in the present embodiment, as in the example of FIG. 5, the operation amount in the history data may be added and then added to the learning data. This will be described with reference to FIG. FIG. 9 is a flowchart showing another example of the flow of processing in the information processing device 1 of the second embodiment. The description of the processing other than S26a, which is different from the flowchart of FIG. 8, will be omitted.

図９に示すように、Ｓ２６ａにおいて、学習データ選別部１０４は、同一の制御対象に対して所定期間内に複数回の操作が行われているデータの操作量を加算して１回の手動操作に変更した上で学習データに含める。この構成によれば、学習データとして妥当でない履歴データを修正した上で学習データとするため、操作量が不適切であった履歴データも学習データとして有効に活用することができる。 As shown in FIG. 9, in S26a, the learning data selection unit 104 adds the operation amount of data in which multiple operations are performed on the same control object within a predetermined period to obtain a single manual operation. , and include it in the training data. According to this configuration, history data that is inappropriate as learning data is corrected before being used as learning data, so that history data in which the amount of operation is inappropriate can also be effectively used as learning data.

〔実施形態３〕
本発明のさらに他の実施形態について、図１０に基づいて説明する。実施形態３の学習データ選別部１０４は、反対方向操作までの時間が短い履歴データを学習データから除外する点で、実施形態１の学習データ選別部１０４と異なっている。 [Embodiment 3]
Still another embodiment of the present invention will be described based on FIG. The learning data selection unit 104 of the third embodiment differs from the learning data selection unit 104 of the first embodiment in that history data with a short time to the opposite direction operation is excluded from the learning data.

ここで、反対方向操作とは、同一の操作対象に対して既になされた手動操作の内容と同一の操作の内容であるが、操作量が逆方向に変わっている手動操作を意味する。具体例を示すと、例えば、給じん装置の速度を増速した操作に対する反対方向操作とは、給じん装置の速度を減速する操作のことである。 Here, the operation in the opposite direction means a manual operation in which the content of the operation is the same as that of the manual operation that has already been performed on the same operation target, but the amount of operation is changed in the opposite direction. To give a specific example, for example, the operation in the opposite direction to the operation for increasing the speed of the dust feeder means the operation for decelerating the speed of the dust feeder.

図１０（ｂ）に示す「操作時刻」には、操作が行われた時刻、「手動操作内容」には手動操作内容、「操作量」には手動操作の方向と操作量が示されている。ここで、履歴データ４の手動操作が行われてから履歴データ５の手動操作が行われるまでの時間は５分と短いことがわかる。また、履歴データ４と履歴データ５の操作対象は、共に「給じん装置の速度」であるが、履歴データ４の操作量は「＋５％」すなわち増速であり、一方、履歴データ５の操作量は「－７％」すなわち減速である。よって、履歴データ５の手動操作は、履歴データ４の手動操作の反対方向操作である。 In FIG. 10B, "operation time" indicates the time when the operation was performed, "manual operation details" indicates the details of the manual operation, and "operation amount" indicates the direction and amount of the manual operation. . Here, it can be seen that the time from manual operation for history data 4 to manual operation for history data 5 is as short as 5 minutes. The operation target of both the history data 4 and the history data 5 is "the speed of the dust feeder", but the operation amount of the history data 4 is "+5%", that is, the speed increase. The amount is "-7%" or deceleration. Therefore, the manual operation of history data 5 is the operation in the opposite direction to the manual operation of history data 4 .

ある手動操作が行われてから所定期間内に、反対方向の操作が行われている場合、最初の手動操作の方向が不適切であったため、２回目の手動操作が行われたと考えられる。そこで、学習データ選別部１０４は、所定期間内に反対方向操作が行われている場合、それらの手動操作の履歴データを学習データとして選別しない。 If an operation in the opposite direction is performed within a predetermined period of time after a certain manual operation was performed, it is considered that the second manual operation was performed because the direction of the first manual operation was inappropriate. Therefore, the learning data selection unit 104 does not select history data of manual operations as learning data when the opposite direction operation is performed within a predetermined period.

このように、操作方向が適切でないと判断される手動操作を示す履歴データは、学習データとして妥当でないとして除外されるため、より効果的な機械学習を行うことが可能になる。なお、以下説明するように、学習データ選別部１０４は、ある手動操作の後、所定期間内に反対方向操作が行われている場合、それらの操作量をそれぞれ加算した操作量の１回の手動操作の履歴データに変更した上で、学習データに含めてもよい。これにより、反対方向操作の履歴データも学習データとして有効に活用することができる。 In this way, history data indicating manual operations whose operation direction is determined to be inappropriate is excluded as inappropriate learning data, so that more effective machine learning can be performed. As will be described below, when an operation in the opposite direction is performed within a predetermined period after a certain manual operation, the learning data selection unit 104 adds the operation amounts to each of the operation amounts for one manual operation. The operation history data may be changed and then included in the learning data. As a result, history data of operations in the opposite direction can also be effectively utilized as learning data.

＜処理の流れ＞
図１０（ａ）に基づいて、実施形態３の情報処理装置１が実行する処理の流れを説明する。図１０（ａ）は、実施形態３の情報処理装置１が実行する処理の流れの一例を示すフローチャートである。なお、Ｓ３１からＳ３４およびＳ３７の処理は、図４のＳ１からＳ４およびＳ６の処理と同様であるから説明を省略する。 <Process flow>
The flow of processing executed by the information processing apparatus 1 according to the third embodiment will be described with reference to FIG. 10(a). FIG. 10A is a flowchart showing an example of the flow of processing executed by the information processing apparatus 1 of the third embodiment. Note that the processes from S31 to S34 and S37 are the same as the processes from S1 to S4 and S6 in FIG. 4, so description thereof will be omitted.

Ｓ３５において、学習データ選別部１０４は、Ｓ３３で適合していると判定された履歴データのうち、同一の制御対象に対して短期間内に複数回同一内容の操作が行われている履歴データを除外する。あるいは、学習データ選別部１０４は、同一の制御対象に対して短期間内に複数回同一内容の操作が行われている履歴データの操作量を加算して１回の手動操作に変更した上で学習データに含めてもよい。 In S35, the learning data selection unit 104 selects, from among the history data determined to be suitable in S33, history data in which the same operation of the same content is performed multiple times within a short period of time on the same controlled object. exclude. Alternatively, the learning data selection unit 104 adds the operation amount of history data in which the same operation is performed multiple times on the same control object within a short period of time, and changes the operation to one manual operation. May be included in learning data.

Ｓ３６において、学習データ選別部１０４は、Ｓ３３で適合していると判定され、Ｓ３４で除外されなかった履歴データのうち、反対方向操作までの時間が短い履歴データを除外する。あるいは、学習データ選別部１０４は、ある手動操作の操作量に、その反対方向操作の操作量を加算して１回の手動操作に変更した上で学習データに含めてもよい。例えば、学習データ選別部１０４は、履歴データ４の操作量「＋５％」に、履歴データ５の操作量「－７％」を加算して、操作量「－２％」に修正して１回の手動操作に変更した履歴データを、学習データとしてもよい。 In S36, the learning data selection unit 104 excludes the history data with a short time to the opposite direction operation from among the history data determined to be suitable in S33 and not excluded in S34. Alternatively, the learning data selection unit 104 may add the operation amount of the opposite direction operation to the operation amount of a certain manual operation, change the operation amount to one manual operation, and then include the operation amount in the learning data. For example, the learning data selection unit 104 adds the operation amount "-7%" of the history data 5 to the operation amount "+5%" of the history data 4, and corrects the operation amount "-2%" once. History data changed to manual operation may be used as learning data.

〔ソフトウェアによる実現例〕
情報処理装置１の制御ブロック（特に図１の制御部１０に含まれる各ブロック）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。 [Example of realization by software]
The control blocks of the information processing apparatus 1 (especially each block included in the control unit 10 in FIG. 1) may be realized by a logic circuit (hardware) formed in an integrated circuit (IC chip) or the like, or by software. may be realized.

後者の場合、情報処理装置１は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、上記プログラムを記憶したコンピュータに読み取り可能な記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラム（情報処理プログラム）を上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。 In the latter case, the information processing apparatus 1 is provided with a computer that executes instructions of a program, which is software that implements each function. This computer includes, for example, one or more processors, and a computer-readable recording medium storing the program. In the computer, the processor reads the program (information processing program) from the recording medium and executes it, thereby achieving the object of the present invention. As the processor, for example, a CPU (Central Processing Unit) can be used. As the recording medium, a "non-temporary tangible medium" such as a ROM (Read Only Memory), a tape, a disk, a card, a semiconductor memory, a programmable logic circuit, or the like can be used. In addition, a RAM (Random Access Memory) for developing the above program may be further provided. Also, the program may be supplied to the computer via any transmission medium (communication network, broadcast wave, etc.) capable of transmitting the program. Note that one aspect of the present invention can also be implemented in the form of a data signal embedded in a carrier wave in which the program is embodied by electronic transmission.

〔変形例〕
上記各実施形態で説明した各処理は、適宜変更することが可能である。例えば、実施形態１では、操作内容で履歴データを分類した後、操作セットフィルタ１１２で適合する履歴データを選別したが、最初に、操作セットフィルタ１１２で抽出した後、操作内容で絞り込んでもよい。 [Modification]
Each process described in each of the above embodiments can be changed as appropriate. For example, in the first embodiment, after classifying the history data according to the operation content, the operation set filter 112 selects suitable history data.

例えば、実施形態２の例において、適合判定部１０３は、全ての履歴データを「ゴミを増やしたい」という操作意図の操作セットフィルタ１１２に供し、適合率が高い履歴データを抽出してもよい。そして、学習データ選別部１０４は、抽出された履歴データのうち、操作内容が「ゴミを増やしたい」操作意図に適合したもの（「給じん装置速度増速」または「火格子速度増速」となっているもの）を選別して学習データとしてもよい。 For example, in the example of the second embodiment, the matching determination unit 103 may apply all the history data to the operation set filter 112 with the operation intention of "I want to increase dust", and extract history data with a high matching rate. Then, the learning data selection unit 104 selects, among the extracted history data, those whose operation contents match the operation intention of "I want to increase the amount of dust" ) may be selected and used as learning data.

また、適合判定部１０３は、履歴データに示される手動操作が、当該手動操作が行われた時点の上記プラントの状態に適合しているか否かの判定を、当該手動操作後の炉内の燃焼状態に基づいて行ってもよい。 Further, the conformity determination unit 103 determines whether or not the manual operation indicated in the history data conforms to the state of the plant at the time when the manual operation was performed. It can be done based on the situation.

例えば、適合判定部１０３は、手動操作後の炉内の燃焼状態が正常である期間が所定時間以上であれば、当該手動操作がプラントの状態に適合していると判定してもよい。この場合、適合判定部１０３は、手動操作後の炉内の燃焼状態が正常である期間が所定時間未満であれば、当該手動操作はプラントの状態に適合していないと判定することになり、このような手動操作の履歴データは学習データとされることなく除外される。 For example, the suitability determination unit 103 may determine that the manual operation is suitable for the state of the plant if the period during which the combustion state in the furnace after the manual operation is normal is longer than or equal to a predetermined time. In this case, if the period during which the combustion state in the furnace after the manual operation is normal is less than the predetermined time, the suitability determination unit 103 determines that the manual operation is not suitable for the state of the plant. Such manual operation history data is excluded without being treated as learning data.

燃焼状態が正常であるか否かは、プラント状態ＤＢ１１３に基づいて判定すればよい。例えば、燃焼状態が正常であるときの、炉内温度、発生蒸気量の偏差、および排ガスＣＯ濃度の条件を予め定めておき、適合判定部１０３は、それらの条件を満たす場合に燃焼状態が正常であると判定してもよい。具体的な数値例を挙げれば、適合判定部１０３は、炉内温度が９００～９５０℃であり、発生蒸気量について、｜ＰＶ－ＳＶ｜／ＳＶ＜０．０５であり、かつ排ガスＣＯ濃度が５ｐｐｍ未満であれば、燃焼状態が正常であると判定してもよい。なお、｜ＰＶ－ＳＶ｜／ＳＶ＜０．０５とは、ＰＶとＳＶの差がＳＶの５％を下回っていることを意味している。 Whether or not the combustion state is normal may be determined based on the plant state DB 113 . For example, the conditions for the temperature in the furnace, the deviation of the amount of generated steam, and the CO concentration of the exhaust gas when the combustion state is normal are set in advance, and the compatibility determination unit 103 determines that the combustion state is normal when these conditions are satisfied. It may be determined that As a specific numerical example, the compatibility determination unit 103 determines that the furnace temperature is 900 to 950° C., the generated steam amount is |PV-SV|/SV<0.05, and the exhaust gas CO concentration is If it is less than 5 ppm, it may be determined that the combustion state is normal. |PV-SV|/SV<0.05 means that the difference between PV and SV is less than 5% of SV.

また、燃焼状態が正常である期間に基づく判定と、操作セットフィルタ１１２に基づく判定とを併用してもよい。例えば、学習データ選別部１０４は、操作セットフィルタ１１２に基づいて適合性ありと判定された履歴データのうち、燃焼状態が正常である期間がより長いものを優先して学習データとしてもよい。 Moreover, the determination based on the period in which the combustion state is normal and the determination based on the operation set filter 112 may be used together. For example, the learning data selection unit 104 may preferentially use, as learning data, history data that has been determined to be compatible based on the operation set filter 112 and that has a longer period in which the combustion state is normal.

なお、図１のシステム構成は一例であり、システムの構成を変更してもゴミ焼却プラント５と同様の機能を実現することが可能である。例えば、機械学習実行部１０５の機能を他の情報処理装置に持たせたシステムとしてもよい。この場合、情報処理装置１は、学習データの選別まで行い、選別されたデータを用いた機械学習は他の情報処理装置が行う。また、例えば、情報処理装置１をプラント制御装置２に組み込んで１つの装置としてもよい。 It should be noted that the system configuration of FIG. 1 is an example, and even if the system configuration is changed, it is possible to realize the same function as that of the refuse incineration plant 5 . For example, a system in which another information processing apparatus has the function of the machine learning execution unit 105 may be used. In this case, the information processing apparatus 1 performs up to selection of learning data, and another information processing apparatus performs machine learning using the selected data. Further, for example, the information processing device 1 may be incorporated into the plant control device 2 to form one device.

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。 The present invention is not limited to the above-described embodiments, but can be modified in various ways within the scope of the claims, and can be obtained by appropriately combining technical means disclosed in different embodiments. is also included in the technical scope of the present invention.

１ 情報処理装置
１０３ 適合判定部
１０４ 学習データ選別部

1 information processing device 103 suitability determination unit 104 learning data selection unit

Claims (11)

手動操作によるプラントの制御の履歴を示す履歴データに示される上記手動操作の操作意図が、所定の複数の操作意図の何れに該当するか判定する操作意図判定部と、
複数の上記履歴データの各々について、当該履歴データに示される手動操作が、当該手動操作が行われた時点の上記プラントの状態に適合しているか否かを判定する適合判定部と、
上記適合判定部が適合していると判定した履歴データを、上記プラントで実行すべき制御を機械学習するための学習データとする学習データ選別部と、を備え、
上記適合判定部は、上記履歴データに示される手動操作が行われた時点の上記プラントの状態を示す状態データが、上記プラントが当該手動操作を行うべき状態であるときに充足される所定の条件を充足する場合に、当該履歴データに示される手動操作が、当該手動操作が行われた時点の上記プラントの状態に適合していると判定し、
上記所定の条件は、複数の上記操作意図のそれぞれについて予め設定されており、
上記適合判定部は、上記操作意図に応じた上記所定の条件を用いて、上記履歴データに示される手動操作が、当該手動操作が行われた時点の上記プラントの状態に適合しているか否かを判定することを特徴とする情報処理装置。 an operation intention determination unit that determines which of a plurality of predetermined operation intentions the operation intention of the manual operation indicated in the history data indicating the history of control of the plant by manual operation corresponds to;
a suitability determination unit that determines, for each of the plurality of history data, whether or not the manual operation indicated in the history data matches the state of the plant at the time when the manual operation was performed;
a learning data selection unit that uses the history data determined by the compatibility determination unit to be compatible as learning data for machine learning of the control to be executed in the plant ,
The conformity determination unit determines that the state data indicating the state of the plant at the time when the manual operation indicated in the history data is performed is a predetermined condition that is satisfied when the plant is in a state in which the manual operation should be performed. is satisfied, the manual operation shown in the history data is determined to be compatible with the state of the plant at the time the manual operation was performed,
The predetermined condition is set in advance for each of the plurality of operation intentions,
The suitability determination unit uses the predetermined condition corresponding to the operation intention to determine whether the manual operation indicated by the history data is suitable for the state of the plant at the time when the manual operation was performed. An information processing apparatus characterized by determining 上記プラントは、ゴミ焼却プラントであり、
上記所定の条件は、焼却炉内の温度に関する条件、焼却炉から発生する蒸気量に関する条件、焼却炉からの排出ガスに含まれる酸素の濃度に関する条件、および焼却炉内のゴミの量に関する条件の少なくとも何れかを含むことを特徴とする請求項１に記載の情報処理装置。 The plant is a garbage incineration plant,
The above-mentioned predetermined conditions include conditions related to the temperature in the incinerator, conditions related to the amount of steam generated from the incinerator, conditions related to the concentration of oxygen contained in exhaust gas from the incinerator, and conditions related to the amount of garbage in the incinerator. 2. An information processing apparatus according to claim 1 , comprising at least one of: 手動操作によるプラントの制御の履歴を示す複数の履歴データの各々について、当該履歴データに示される手動操作が、当該手動操作が行われた時点の上記プラントの状態に適合しているか否かを判定する適合判定部と、
上記適合判定部が適合していると判定した履歴データを、上記プラントで実行すべき制御を機械学習するための学習データとする学習データ選別部と、を備え、
上記学習データ選別部は、所定期間内に行われた、制御対象が同一である複数の手動操作の履歴データは、上記学習データとしないことを特徴とする情報処理装置。 For each of a plurality of history data indicating the history of plant control by manual operation, it is determined whether the manual operation indicated in the history data matches the state of the plant at the time when the manual operation was performed. a conformity determination unit to
a learning data selection unit that uses the history data determined by the compatibility determination unit to be compatible as learning data for machine learning of the control to be executed in the plant,
The information processing apparatus, wherein the learning data selection unit does not use history data of a plurality of manual operations performed within a predetermined period of time for the same control target as the learning data. 手動操作によるプラントの制御の履歴を示す複数の履歴データの各々について、当該履歴データに示される手動操作が、当該手動操作が行われた時点の上記プラントの状態に適合しているか否かを判定する適合判定部と、
上記適合判定部が適合していると判定した履歴データを、上記プラントで実行すべき制御を機械学習するための学習データとする学習データ選別部と、を備え、
上記学習データ選別部は、所定期間内に行われた、制御対象が同一である複数の手動操作の履歴データは、当該複数の手動操作における上記制御対象に対する操作量をそれぞれ加算した操作量の１回の手動操作の履歴データに変更した上で、上記学習データに含めることを特徴とする情報処理装置。 For each of a plurality of history data indicating the history of plant control by manual operation, it is determined whether the manual operation indicated in the history data matches the state of the plant at the time when the manual operation was performed. a conformity determination unit to
a learning data selection unit that uses the history data determined by the compatibility determination unit to be compatible as learning data for machine learning of the control to be executed in the plant,
The learning data selection unit selects the history data of a plurality of manual operations performed within a predetermined period of time for the same control target as one of the operation amounts obtained by adding the operation amounts for the control target in the plurality of manual operations. An information processing apparatus characterized in that the data is changed to history data of manual operations performed one time and then included in the learning data. 上記学習データ選別部が学習データとした上記履歴データを用いた機械学習により、上記プラントで実行すべき制御を判定するための学習済みモデルを生成する機械学習実行部を備えていることを特徴とする請求項１から４の何れか１項に記載の情報処理装置。 A machine learning execution unit that generates a learned model for determining control to be executed in the plant by machine learning using the history data that the learning data selection unit uses as learning data. The information processing apparatus according to any one of claims 1 to 4 . 上記情報処理装置が生成した上記学習済みモデルにより実行すべきと判定された制御を、上記プラントに対して行うプラント制御部を備えていることを特徴とする請求項５に記載の情報処理装置。 6. The information processing apparatus according to claim 5 , further comprising a plant control unit that performs the control determined to be executed based on the learned model generated by the information processing apparatus for the plant. 情報処理装置による情報処理方法であって、
手動操作によるプラントの制御の履歴を示す履歴データに示される上記手動操作の操作意図が、所定の複数の操作意図の何れに該当するか判定する操作意図判定ステップと、
複数の上記履歴データの各々について、当該履歴データに示される手動操作が、当該手動操作が行われた時点の上記プラントの状態に適合しているか否かを判定する適合判定ステップと、
上記適合判定ステップにて適合していると判定した履歴データを、上記プラントで実行すべき制御を機械学習するための学習データとする学習データ選別ステップと、を含み、
上記適合判定ステップにて、上記履歴データに示される手動操作が行われた時点の上記プラントの状態を示す状態データが、上記プラントが当該手動操作を行うべき状態であるときに充足される所定の条件を充足する場合に、当該履歴データに示される手動操作が、当該手動操作が行われた時点の上記プラントの状態に適合していると判定し、
上記所定の条件は、複数の上記操作意図のそれぞれについて予め設定されており、
上記適合判定ステップにて、上記操作意図に応じた上記所定の条件を用いて、上記履歴データに示される手動操作が、当該手動操作が行われた時点の上記プラントの状態に適合しているか否かを判定することを特徴とする情報処理方法。 An information processing method by an information processing device,
an operation intention determination step of determining to which of a plurality of predetermined operation intentions the operation intention of the manual operation indicated in the history data indicating the history of plant control by manual operation corresponds;
a suitability determination step for determining, for each of the plurality of history data, whether or not the manual operation indicated in the history data is suitable for the state of the plant at the time when the manual operation was performed;
a learning data selection step of using the history data determined to be compatible in the compatibility determination step as learning data for machine learning the control to be executed in the plant ,
In the suitability determination step, the state data indicating the state of the plant at the time when the manual operation indicated in the history data is performed is a predetermined condition that is satisfied when the plant is in a state in which the manual operation should be performed. If the conditions are satisfied, determine that the manual operation shown in the history data is compatible with the state of the plant at the time when the manual operation was performed,
The predetermined condition is set in advance for each of the plurality of operation intentions,
In the suitability determination step, using the predetermined condition corresponding to the operation intention, whether or not the manual operation shown in the history data is suitable for the state of the plant at the time when the manual operation was performed. An information processing method characterized by determining whether 情報処理装置による情報処理方法であって、An information processing method by an information processing device,
手動操作によるプラントの制御の履歴を示す複数の履歴データの各々について、当該履歴データに示される手動操作が、当該手動操作が行われた時点の上記プラントの状態に適合しているか否かを判定する適合判定ステップと、For each of a plurality of history data indicating the history of plant control by manual operation, it is determined whether the manual operation indicated in the history data matches the state of the plant at the time when the manual operation was performed. a conformance determination step for
上記適合判定ステップにて適合していると判定した履歴データを、上記プラントで実行すべき制御を機械学習するための学習データとする学習データ選別ステップと、を含み、a learning data selection step of using the history data determined to be compatible in the compatibility determination step as learning data for machine learning the control to be executed in the plant,
上記学習データ選別ステップにて、所定期間内に行われた、制御対象が同一である複数の手動操作の履歴データは、上記学習データとしないことを特徴とする情報処理方法。The information processing method, wherein in the learning data selection step, history data of a plurality of manual operations performed within a predetermined period of time with the same controlled object is not used as the learning data. 情報処理装置による情報処理方法であって、An information processing method by an information processing device,
手動操作によるプラントの制御の履歴を示す複数の履歴データの各々について、当該履歴データに示される手動操作が、当該手動操作が行われた時点の上記プラントの状態に適合しているか否かを判定する適合判定ステップと、For each of a plurality of history data indicating the history of plant control by manual operation, it is determined whether the manual operation indicated in the history data matches the state of the plant at the time when the manual operation was performed. a conformance determination step for
上記適合判定ステップにて適合していると判定した履歴データを、上記プラントで実行すべき制御を機械学習するための学習データとする学習データ選別ステップと、を含み、a learning data selection step of using the history data determined to be compatible in the compatibility determination step as learning data for machine learning the control to be executed in the plant,
上記学習データ選別ステップにて、所定期間内に行われた、制御対象が同一である複数の手動操作の履歴データは、当該複数の手動操作における上記制御対象に対する操作量をそれぞれ加算した操作量の１回の手動操作の履歴データに変更した上で、上記学習データに含めることを特徴とする情報処理方法。In the learning data selection step, the history data of a plurality of manual operations performed within a predetermined period of time for the same control object is the operation amount obtained by adding the operation amount for the control object in the plurality of manual operations. An information processing method characterized in that the history data of one manual operation is changed and then included in the learning data. 請求項１に記載の情報処理装置としてコンピュータを機能させるための情報処理プログラムであって、上記操作意図判定部、上記適合判定部、および上記学習データ選別部としてコンピュータを機能させるための情報処理プログラム。 2. An information processing program for causing a computer to function as the information processing apparatus according to claim 1, the information processing program for causing the computer to function as the operation intention determination unit, the suitability determination unit, and the learning data selection unit. . ゴミ焼却プラントであって、
請求項６に記載の情報処理装置を含み、
上記情報処理装置が備える上記プラント制御部によって制御されることを特徴とするゴミ焼却プラント。 A waste incineration plant,
including the information processing device according to claim 6 ,
A garbage incineration plant controlled by the plant control unit provided in the information processing device.
JP2019064745A 2019-03-28 2019-03-28 Information processing device, information processing method, information processing program, and garbage incineration plant Active JP7162560B2 (en)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2019064745A JP7162560B2 (en) 2019-03-28 2019-03-28 Information processing device, information processing method, information processing program, and garbage incineration plant
PCT/JP2020/011127 WO2020195960A1 (en) 2019-03-28 2020-03-13 Information processing device, information processing method, information processing program, and waste incineration plant
CN202080025106.0A CN113646719A (en) 2019-03-28 2020-03-13 Information processing device, information processing method, information processing program, and waste incineration plant

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019064745A JP7162560B2 (en) 2019-03-28 2019-03-28 Information processing device, information processing method, information processing program, and garbage incineration plant

Publications (2)

Publication Number Publication Date
JP2020166421A JP2020166421A (en) 2020-10-08
JP7162560B2 true JP7162560B2 (en) 2022-10-28

Family

ID=72611451

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019064745A Active JP7162560B2 (en) 2019-03-28 2019-03-28 Information processing device, information processing method, information processing program, and garbage incineration plant

Country Status (3)

Country Link
JP (1) JP7162560B2 (en)
CN (1) CN113646719A (en)
WO (1) WO2020195960A1 (en)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7443683B2 (en) * 2019-07-02 2024-03-06 Ｊｆｅエンジニアリング株式会社 Automatic combustion control method and monitoring center
WO2022091530A1 (en) * 2020-11-02 2022-05-05 Ｓｏｉｎｎ株式会社 Estimation device, estimation method, and non-temporary computer-readable medium on which program is stored
KR102609549B1 (en) * 2021-07-22 2023-12-04 한국원자력연구원 Apparatus and method for controling automation of plant
JP7317931B2 (en) * 2021-12-20 2023-07-31 エヌ・ティ・ティ・コミュニケーションズ株式会社 Selection device, selection method and selection program
JP7335414B1 (en) 2022-10-28 2023-08-29 エヌ・ティ・ティ・コミュニケーションズ株式会社 LEARNING DEVICE, LEARNING METHOD AND LEARNING PROGRAM
JP7371802B1 (en) * 2023-01-11 2023-10-31 富士電機株式会社 Abnormality diagnosis system, abnormality diagnosis device, abnormality diagnosis method, and program

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018180649A (en) 2017-04-04 2018-11-15 公立大学法人大阪府立大学 Information processing unit, control unit, control program, and storage medium
JP2019159675A (en) 2018-03-12 2019-09-19 三菱重工業株式会社 Apparatus, method and program for plant operation assistance

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10187228A (en) * 1996-12-20 1998-07-14 Toshiba Corp Device for supporting plant operation
JP4188859B2 (en) * 2004-03-05 2008-12-03 株式会社荏原製作所 Operation control method and operation control apparatus for waste treatment plant equipment
JP4427074B2 (en) * 2007-06-07 2010-03-03 株式会社日立製作所 Plant control equipment
KR101096793B1 (en) * 2010-04-19 2011-12-21 비앤에프테크놀로지 주식회사 data collecting method for detection and on-time warning system of industrial process
CN103425119B (en) * 2012-05-23 2018-10-19 株式会社堀场制作所 Test system, equipment management device and vehicle performance test system
US10282676B2 (en) * 2014-10-06 2019-05-07 Fisher-Rosemount Systems, Inc. Automatic signal processing-based learning in a process plant
MX2016006764A (en) * 2013-11-27 2016-12-16 Adept Ai Systems Inc Method and system for artificially intelligent model-based control of dynamic processes using probabilistic agents.
JP2016100662A (en) * 2014-11-19 2016-05-30 アイシン精機株式会社 Operation detector for vehicle
US9471452B2 (en) * 2014-12-01 2016-10-18 Uptake Technologies, Inc. Adaptive handling of operating data
JP6530182B2 (en) * 2014-12-08 2019-06-12 株式会社東芝 PLANT MONITORING DEVICE, PLANT MONITORING METHOD, AND PROGRAM
KR102432620B1 (en) * 2015-11-12 2022-08-16 삼성전자주식회사 Electronic device and method for performing action according to proximity of external object
JP6628283B2 (en) * 2016-07-21 2020-01-08 東芝三菱電機産業システム株式会社 Operator monitoring device
JP2018077757A (en) * 2016-11-11 2018-05-17 横河電機株式会社 Information processing device, information processing method, information processing program and storage medium
JP7005914B2 (en) * 2017-03-13 2022-01-24 オムロン株式会社 Information processing equipment, information processing methods, and information processing programs

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018180649A (en) 2017-04-04 2018-11-15 公立大学法人大阪府立大学 Information processing unit, control unit, control program, and storage medium
JP2019159675A (en) 2018-03-12 2019-09-19 三菱重工業株式会社 Apparatus, method and program for plant operation assistance

Also Published As

Publication number Publication date
CN113646719A (en) 2021-11-12
JP2020166421A (en) 2020-10-08
WO2020195960A1 (en) 2020-10-01

Similar Documents

Publication Publication Date Title
JP7162560B2 (en) Information processing device, information processing method, information processing program, and garbage incineration plant
JP6820306B2 (en) Tangible medium
US20080081302A1 (en) Regulating a combustion process
JP6951101B2 (en) Information processing device, control device, control method of information processing device, control program, and recording medium
DE102006050078A1 (en) Systems and methods for controlling a multi-fuel steam generation system
CN1720526A (en) Methods and apparatus for importing device data into a database system used in a process plant
JP6679247B2 (en) Driving support system, driving support method and program
JP2024050937A (en) Automatic combustion control method and automatic combustion control device
EP3701339A1 (en) Cloud based method and system for optimizing tuning of an industrial plant
EP3936958A1 (en) Cooperative learning system and monitoring system
AU639750B2 (en) Control support system
JP2003058207A (en) Sharing and managing system for data for dcs, control method therefor and data conversion method among various kinds of data for plant control using dcs
Barreto G Lime kiln hybrid control system
JP4825162B2 (en) Automatic application generator for plant monitoring and control system
Corbett Strategic options for CIM Technology-centred versus human-centred systems design
JP6899766B2 (en) Information processing device and information processing method
JP2022154289A (en) Operation support device, operation support method and program
EP4043974B1 (en) Improving the control strategy of distributed control systems based on operator actions
JP2023045285A (en) Tool for hmi
Mikkor et al. Programmable logic controllers in process automation
JP2002055713A (en) Plant control system
WO2022070231A1 (en) Plant control support system, proposal device, proposal method, and program storage medium
JP2724242B2 (en) Automatic program generator with macro block diagram processing function
JP2024007873A (en) Information processing device, generation method of inference model, generation method of teacher data, inference model generation program, and teacher data generation program
CN116505028A (en) Control method and device for back pressure valve

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220107

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220628

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220822

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: 20221004

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20221018

R150 Certificate of patent or registration of utility model

Ref document number: 7162560

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150