JP7473343B2 - 運転管理支援装置及び運転管理支援方法 - Google Patents

Description

本発明は、運転管理支援装置及び運転管理支援方法の技術に関する。

計測値に基づき制御値を設定するプラント等の運転管理を行うことが行われている。このような運転管理では、一般的に、物理現象を模擬したシミュレーションモデルを利用し予測制御値を導く手法や、実績データを基に統計や機械学習を活用し予測制御値を導く手法等が用いられる。

プラント等における反応や、流体の移動等といった現象は複雑であるため、シミュレーションモデルによる模擬が困難である。そのため、近年は、過去に取得された実績データを基に、統計や、機械学習を活用した予測制御値の導出が広く行われている。この手法では、実績データの計測値と制御値との関係を統計や、機械学習で再現したモデルが作成され、新しく得られた計測値が、このモデルに入力されることで適切な予測制御値が得られる。

実績データから好適な予測制御値を算出する手法として、例えば、特許文献１に記載する手法が開示されている。
特許文献１は、モデル同定装置、予測装置、監視システム、モデル同定方法および予測方法を提示している。モデル同定装置は、複数の入出力データのうち一部に、所属するモードのラベルを付加し、入出力データを各モードに分類（クラスタリング）後、各モードの数理モデルのパラメータを推定し、クラスタリングの結果に基づいて、入力データを前記数理モデルのそれぞれに分類することでモデル同定を行う装置が開示されている。

特開２０１８－１８１０５２号公報

過去の実績データを基に統計や機械学習を活用して予測制御値を導出する場合、導出される予測制御値の信頼性は、使用する実績データの特徴に大きく左右される。例えば、実績データを取得した時と異なる条件でプラントを運転している際の計測値を、学習によって得られたモデルに入力した場合、実績データを基に作成したモデルによる予測制御値の信頼性は低くなる。しかし、統計や機械学習を活用して予測制御値を算出した際には、予測制御値が数値として算出されることから、その信頼性を把握することが困難である。特許文献１に記載の技術では、このような課題を解決することができない。

このような背景に鑑みて本発明がなされたのであり、本発明は、機器の効率的な運転管理を行うことを課題とする。

前記した課題を解決するため、本発明は、記憶部に格納されている過去の実績データのうち、過去における機器の計測値である実績計測値、及び、過去における前記機器の制御値である実績制御値を用いて、予測制御値を算出するための第１のモデルを生成する第１のモデル生成部と、前記第１のモデル生成部で生成された前記第１のモデルに、前記機器から入力される計測値を適用することにより、当該計測値に対応する前記予測制御値を算出する予測制御値算出部と、前記記憶部に格納されている前記実績データのうち、前記実績計測値を所定のカテゴリに分類することで、第２のモデルを生成する第２のモデル生成部と、前記機器から入力された計測値に対応する前記カテゴリを、前記第２のモデル生成部で分類された前記カテゴリを基に選択するカテゴリ選択部と、前記予測制御値算出部によって算出された前記予測制御値と、前記カテゴリ選択部で選択された前記カテゴリにおける前記実績制御値とを比較することで前記予測制御値の信頼度を算出する信頼度算出部と、前記信頼度算出部によって算出された前記信頼度を表示部に表示する表示処理部と、前記信頼度算出部によって算出された前記信頼度のランク付けを行う信頼度ランク判定部と、前記信頼度のランクが所定のランク以上であれば、前記予測制御値を前記機器の制御値として設定する設定処理部と、を備え、前記カテゴリ選択部は、前記計測値が属するカテゴリの最大値、最小値、及び、前記カテゴリに含まれるすべての前記実績制御値を含む複数の値を有するカテゴリ情報を出力し、前記信頼度算出部は、前記予測制御値算出部が算出する前記予測制御値と、前記カテゴリ選択部によって選択された前記カテゴリとの乖離の度合いである乖離度を、式（１）～（３）のいずれか１つを用いて算出し、算出した当該乖離度を基に信頼度を算出することを特徴とする。
Ｄ ＝ ｙ２ｍｉｎ －ｙ１ ・・・（１）
Ｄ ＝ ｙ１ － ｙ２ｍａｘ ・・・ （２）
Ｄ ＝ ｜（ｙ２ａｖｅ － ｙ１）／（ｙ２ｍａｘ－ｙ２ｍｉｎ）｜ ・・・ （３）
ただし、式（１）～（３）において、Ｄは前記乖離度であり、ｙ１は前記予測制御値算出部から出力される前記予測制御値であり、ｙ２ａｖｅは前記カテゴリ情報の平均値であり、ｙ２ｍｉｎは、前記カテゴリ情報の最小値であり、ｙ２ｍａｘは前記カテゴリ情報の最大値である。
その他の解決手段は実施形態中において適宜記載する。

本発明によれば、機器の効率的な運転管理を行うことができる。

第１実施形態に係る運転管理支援装置の構成例を示す図である。 第１実施形態における運転管理支援装置が行う処理の手順を示すフローチャートである。 第２実施形態に係る運転管理支援装置の構成例を示す図である。 第１実施形態における運転管理支援装置が行う処理の手順を示すフローチャートである。 第３実施形態に係る運転管理支援装置の構成例を示す図である。 第３実施形態における運転管理支援装置が行う処理の手順を示すフローチャートである。 信頼度判定処理の詳細な手順を示すフローチャートである。 第４実施形態に係る運転管理支援装置の構成例を示す図である。 第４実施形態における運転管理支援装置が行う処理の手順を示すフローチャートである。 トレンド判定処理の詳細な手順を示すフローチャート（その１）である。 トレンド判定処理の詳細な手順を示すフローチャート（その２）である。 第５実施形態に係る運転管理支援装置の構成例を示す図である。 図１１に示す運転管理支援装置が行う処理の手順を示すフローチャートである。 実績データの特徴と乖離度算出方法との対応表の一例を示す図である。 本実施形態における運転管理画面の例を示す図である。 運転管理支援装置のハードウェア構成を示す図である。

次に、本発明を実施するための形態（「実施形態」という）について、適宜図面を参照しながら詳細に説明する。なお、同一又は類似の構成には同一の符号を付し、説明が重複する場合には、その説明を省略する場合がある。また、各フローチャートについても、同様の処理については同一のステップ番号を付し、説明が重複する場合には、その説明を省略する場合がある。

本実施形態では、教師有学習及び教師無学習の２種類の学習が使用される。これらの学習によってモデルが生成される。本実施形態中において、目的変数として実績制御値の入力がモデル作成に必須であるものを教師有学習とする。また、目的変数として実績制御値の入力は必須ではなく実績計測値より選定した入力項目（説明変数）のみでモデル作成するものを教師無学習とする。実績制御値及び実績計測値については後記する。

さらに、本実施形態は、プラントＰＬ、特に発電プラントや化学プラントを対象として記載されているが、適用にあたって対象を限定するものではない。例えば、水処理システム等、プラントＰＬ以外にも、本実施形態の運転管理支援装置１を適用することができる。

［第１実施形態］
＜装置構成＞
図１は、第１実施形態に係る運転管理支援装置１の構成例を示す図である。
ここで、教師有学習モデルが第１のモデルとして使用され、教師無学習モデルが第２のモデルとして使用されるものとする。
運転管理支援装置１は、教師有学習処理部１１０と、教師無学習を行う教師無学習処理部１２０とを有する。また、運転管理支援装置１は、教師有学習処理部１１０の結果と、教師無学習処理部１２０の結果とを基に、信頼度２３２を算出する信頼度評価処理部１３０を有する。さらに、運転管理支援装置１は、信頼度評価処理部１３０から出力される信頼度２３２をモニタ１４２に表示する表示処理部１４１を有する。

教師有学習処理部１１０は、教師有学習処理部１１０は、実績ＤＢ１０１に格納されている実績データ２０１のうち、実績制御データ２０２及び実績計測データ２０３に対して教師有学習を行う。そして、教師有学習処理部１１０は、予測モデル構築部１１１と、予測制御値算出部１１２とを有する。予測モデル構築部１１１及び予測制御値算出部１１２で行われる処理については後記する。なお、実績制御データ２０２は、過去の実績制御値を複数含むデータであり、実績計測データ２０３は、過去の実績計測値を複数含むデータである。

ここで、計測値とは、例えば、プラントＰＬにおけるＡ地点における温度、Ｂ地点における流量、Ｃ地点における流量、原料Ｄ中の成分Ｅの濃度、原料Ｄの投入量等である。また、運転パターンがフラグ情報として計測値に残されていてもよい。運転パターンとは、例えば、稼働開始時、定常運転時、稼働停止時等である。一方、制御値は、例えば、プラントＰＬにおけるある弁の弁開度や、原料Ｃの投入量設定値等である。本実施形態では、制御値の一例として弁開度が用いられるものとする。実績制御値とは、実績ＤＢ１０１に収集されている過去の制御値であり、実績計測値とは、実績ＤＢ１０１に収集されている過去の計測値である。

教師無学習処理部１２０は、実績ＤＢ１０１に格納されている実績データ２０１のうち、実績計測データ２０３に対して教師無学習を行う。そして、教師無学習処理部１２０は、分類モデル構築部１２１と、分類結果算出部１２２と、カテゴリ情報生成部１２３とを有する。分類モデル構築部１２１、分類結果算出部１２２及びカテゴリ情報生成部１２３で行われる処理については後記する。
そして、信頼度評価処理部１３０は、乖離度算出部１３１と、信頼度算出部１３２とを有する。乖離度算出部１３１及び信頼度算出部１３２で行われる処理については後記する。

第１実施形態の運転管理支援装置１は、実績データ２０１を基に教師有学習による予測モデル２１１により予測制御値ｙ１を導出する。合わせて、運転管理支援装置１は、実績計測データ２０３を基に教師無学習によってカテゴリ情報ｙ２を算出し、予測制御値ｙ１との比較により信頼度２３２を算出する。なお、計測データ２０４、分類モデル２２１、検索結果２２２、乖離度２３１については後記する。

＜フローチャート＞
図２は、図１に示す運転管理支援装置１が行う処理の手順を示すフローチャートである。
まず、予め収集されている過去におけるプラントＰＬの計測値（実績計測値）や、制御値（実績制御値）が実績データ２０１として実績ＤＢ１０１に格納されている。

（教師有学習処理部１１０での処理）
そして、予測モデル構築部１１１は、実績ＤＢ１０１から実績データ２０１の一部又はすべてを取得する（Ｓ１０１）。実績データ２０１は、実績計測データ２０３の一部又はすべてと、実績制御データ２０２の一部又はすべてが含まれる。
続いて、予測モデル構築部１１１は、入力された実績計測データ２０３と、実績制御データ２０２とに対して、教師有学習を行い、予測モデル２１１を生成し（Ｓ１０２）、出力する。

次に、予測制御値算出部１１２に、予測モデル構築部１１１で生成された予測モデル２１１が入力されるとともに、プラントＰＬから計測データ２０４が入力される。そして、予測制御値算出部１１２は、予測モデル２１１に計測データ２０４を代入することで、予測制御値ｙ１を算出し、出力する（Ｓ１０３）。なお、計測データ２０４には、プラントＰＬによって、計測された計測値が含まれている。

ここで、教師有学習として、例えば、回帰式や、決定木、ランダムフォレスト、畳み込みニューラルネットワーク、再帰型ニューラルネットワークを含むニューラルネットワーク等が利用可能である。教師有学習に入力する入力項目は、実績計測データ２０３の実績計測値が、そのまま使用されてもよいし、実績計測データ２０３の値から所定の条件で選別された項目が使用されてもよい。他にも、２つの項目の差分や合算値、１つの項目の一定期間の積算値や平均値が入力項目として教師有学習処理部１１０に入力されてもよい。ここで、項目とは、温度や、流量等、計測値の種類である。予測モデル構築部１１１で生成される予測モデル２１１とは、生成されたモデルの構造及び最適化されたモデル中の各変数を意味する。

（教師無学習処理部１２０の処理）
分類モデル構築部１２１は、実績ＤＢ１０１に格納されている実績計測データ２０３を取得する（Ｓ１１１）。そして、分類モデル構築部１２１は、取得した実績計測データ２０３に対して、教師無学習を行うことにより分類モデル２２１を生成し（Ｓ１１２）、出力する。分類モデル２２１は、実績計測データ２０３を、所定の条件によるカテゴリに分類したものである。なお、カテゴリは、以前に生成したカテゴリが用いられてもよい。

続いて、分類結果算出部１２２は、プラントＰＬから取得した計測データ２０４が属するカテゴリを検索する（Ｓ１１３）。分類結果算出部１２２は、検索結果２２２をカテゴリ情報生成部１２３へ出力する。検索結果２２２には、計測データ２０４が属するカテゴリの情報が含まれている。なお、計測データ２０４にはプラントＰＬで計測された計測値が含まれている。
そして、カテゴリ情報生成部１２３は、検索結果２２２を基に、カテゴリ情報ｙ２を生成し、出力する（Ｓ１１４）。ここで出力されるカテゴリ情報ｙ２は、計測データ２０４が属するカテゴリの最大値、最小値や、カテゴリに含まれるすべての実績制御値等、複数の値を含むものである。

ここで、教師無学習として、例えば、階層型クラスタリングや、Ｋ平均法を含む非階層型クラスタリング、自己組織化マップを含むニューラルネットワーク等が利用可能である。教師無学習に入力する実績計測データ２０３は、前記したような過去の実績計測値をそのまま入力項目としてもよいし、選別された所定の項目の実績計測値を使用してもよい。他にも、実績計測値における２つの項目の差分や合算値、１つの項目の一定期間の積算値や平均値が、実績計測データ２０３の代わりとして入力されてもよい。

（信頼度評価処理部１３０の処理）
まず、乖離度算出部１３１は、予測制御値算出部１１２から予測制御値ｙ１を取得するとともに、カテゴリ情報生成部１２３からカテゴリ情報ｙ２を取得する。
そして、乖離度算出部１３１は、取得した予測制御値ｙ１と、カテゴリ情報ｙ２との乖離度２３１を算出する（Ｓ１２１）。

乖離度２３１の算出は、以下の式（１）～（３）のいずれかが用いられる。あるいは、式（１）～（３）のうち、少なくとも２つが組み合わされてもよい。また、予測制御値ｙ１と、カテゴリ情報ｙ２との乖離の度合を示す値であれば、式（１）～（３）以外の式が乖離度２３１の算出式として用いられてもよい。

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

ここで、式（１）～（３）において、Ｄは乖離度２３１である。そして、ｙ１は予測制御値算出部１１２から出力される予測制御値である。また、ｙ２ａｖｅはカテゴリ情報ｙ２の平均値である。そして、ｙ２ｍｉｎは、カテゴリ情報ｙ２の最小値である。また、ｙ２ｍａｘはカテゴリ情報ｙ２の最大値である。なお、前記したように、カテゴリ情報ｙ２は、一般的に所定の幅を有する値として出力される。

信頼度算出部１３２は、乖離度算出部１３１から出力された乖離度２３１を基に、信頼度２３２を算出し（Ｓ１２２）、出力する。信頼度２３２は、乖離度２３１が大きければ低くなり、乖離度２３１が小さければ高くなるように算出される。信頼度算出部１３２は、例えば、任意の換算式、あるいは、所定の基準値を設定し、任意の範囲の乖離度２３１に対する信頼度２３２の対応表を使用することで信頼度２３２を算出する。例えば、乖離度２３１として式（１）が用いられている場合、以下の式（１１）が信頼度２３２の換算式として用いられる。

Ｔ ＝ １ － （Ｄ／ｙ１） ・・・ （１１）

なお、乖離度２３１が大きければ低くなり、乖離度２３１が小さければ高くなるようになれば、乖離度２３１として式（１１）以外の式が用いられてもよい。

表示処理部１４１は、算出された信頼度２３２を、予測制御値ｙ１、カテゴリ情報ｙ２とともにモニタ１４２に表示する（Ｓ１３１）。これにより、運転員は、予測制御値ｙ１のみではなく、信頼度２３２を参照してプラントＰＬに設定する制御値を決定することができる。

なお、本実施形態では、予測制御値ｙ１を教師有学習によって算出しているが、教師無学習によって予測制御値ｙ１が算出されてもよい。つまり、教師有学習処理部１１０が、教師無学習によって予測制御値ｙ１を出力するものに交換されてもよい。ここで、教師無学習として、階層型クラスタリングや、Ｋ平均法を含む非階層型クラスタリング、自己組織化マップを含むニューラルネットワーク等が利用される。この場合、実績制御データ２０２をカテゴリに分類し、プラントＰＬから取得された制御値が、どの実績制御データ２０２のカテゴリに属しているかが検索される。なお、ここでは、分類モデルが予測モデルとなる。そして、取得された制御値が属しているカテゴリにおける実績制御値の平均値、中央値、最小値、最大値等が予測制御値ｙ１として出力される。これは、以下の第２実施形態以下でも同様である。

第１実施形態の運転管理支援装置１によれば、教師有学習処理部１１０によって算出された予測制御値ｙ１と、教師無学習処理部１２０によって算出されたカテゴリ情報ｙ２との比較に基づいて、予測制御値ｙ１の信頼度２３２が算出される。そして、予測制御値ｙ１の信頼度２３２から予測制御値ｙ１の適用可否を運転員が判断することができる。従って、信頼性の低い予測制御値ｙ１を用いて制御することによる運転効率の低下、製品の品質低下、不具合等を防ぐことができる。

［第２実施形態］
第２実施形態では、教師有学習と教師無学習を含む３個以上のモデルが使用される運転管理支援装置１ａについて説明する。

＜装置構成＞
図３は、第２実施形態に係る運転管理支援装置１ａの構成例を示す図である。
運転管理支援装置１ａが図１に示す運転管理支援装置１と異なる点は以下の通りである。
（Ａ１）教師有学習処理部１１０が２つ（第１教師有学習処理部１１０Ａ及び第２教師有学習処理部１１０Ｂ）設けられている。第１教師有学習処理部１１０Ａは、第１予測モデル構築部１１１Ａ、第１予測制御値算出部１１２Ａを有する。同様に、第２教師有学習処理部１１０Ｂは、第２予測モデル構築部１１１Ｂ、第２予測制御値算出部１１２Ｂを有する。
（Ａ２）教師無学習処理部１２０が２つ（第１教師無学習処理部１２０Ａ及び第２教師無学習処理部１２０Ｂ）設けられている。第１教師無学習処理部１２０Ａは、第１分類モデル構築部１２１Ａ、第１分類結果算出部１２２Ａ、第１カテゴリ情報生成部１２３Ａを有する。同様に、第２教師無学習処理部１２０Ｂは、第２分類モデル構築部１２１Ｂ、第２分類結果算出部１２２Ｂ、第２カテゴリ情報生成部１２３Ｂを有する。
（Ａ３）第１教師有学習処理部１１０Ａ及び第２教師有学習処理部１１０Ｂから出力される第１予測制御値ｙ１Ａ、第２予測制御値ｙ１Ｂの代表値ｘ１を算出する教師有学習代表値決定部１５１が設けられている。また、第１教師無学習処理部１２０Ａ及び第２教師無学習処理部１２０Ｂから出力される第１カテゴリ情報ｙ２Ａ、第２カテゴリ情報ｙ２Ｂの代表情報ｘ２を算出する教師無学習代表値決定部１５２が設けられている。

第１教師有学習処理部１１０Ａ及び第２教師有学習処理部１１０Ｂで使用される教師有学習は、第１実施形態と同様、回帰式、決定木やランダムフォレスト、畳み込みニューラルネットワークや再帰型ニューラルネットワークを含むニューラルネットワーク等が用いられる。この時、第１教師有学習処理部１１０Ａ及び第２教師有学習処理部１１０Ｂで使用される教師有学習は同種の学習が用いられてもよいし、別種の学習が用いられてもよい。また、教師有学習に入力される入力項目は、同一としてもよいし、異なる項目としてもよい。

第１教師無学習処理部１２０Ａ及び第２教師無学習処理部１２０Ｂで使用される教師無学習は、第１実施形態と同様、階層型クラスタリングや、Ｋ平均法を含む非階層型クラスタリング、自己組織化マップを含むニューラルネットワーク等が用いられる。この時、第１教師無学習処理部１２０Ａ及び第２教師無学習処理部１２０Ｂで使用される教師無学習は同種の学習が利用されてもよいし、別種の学習が使用されてもよい。また、教師無学習入力される入力項目は、同一としてもよいし、異なる項目としてもよい。

＜フローチャート＞
図４は、図３に示す運転管理支援装置１が行う処理の手順を示すフローチャートである。
（第１教師有学習処理部１１０Ａ及び第２教師有学習処理部１１０Ｂの処理）
第１教師有学習処理部１１０Ａでは、図２のステップＳ１０１～Ｓ１０３と同様の処理が行われることにより、第１予測制御値ｙ１Ａが出力される。同様に、第２教師有学習処理部１１０Ｂでは、図２のステップＳ１０１～Ｓ１０３と同様の処理が行われることにより、第２予測制御値ｙ１Ｂが出力される。

（教師有学習代表値決定部１５１の処理）
そして、教師有学習代表値決定部１５１は、第１予測制御値ｙ１Ａ及び第２予測制御値ｙ１Ｂを取得する。続いて、教師有学習代表値決定部１５１は、第１予測制御値ｙ１Ａ及び第２予測制御値ｙ１Ｂの代表値ｘ１を算出し（Ｓ２０１）、出力する。代表値ｘ１は、平均値、中央値、最大値、最小値のうち、いずれか等である。また、代表値ｘ１は、予測制御値ｙ１として取り扱われる。

（第１教師無学習処理部１２０Ａ及び第２教師無学習処理部１２０Ｂの処理）
第１教師無学習処理部１２０Ａでは、図２のステップＳ１１１～Ｓ１１４と同様の処理が行われることにより、第１カテゴリ情報ｙ２Ａが出力される。同様に、第２教師無学習処理部１２０Ｂでは、図２のステップＳ１１１～Ｓ１１４と同様の処理が行われることにより、第２カテゴリ情報ｙ２Ｂが出力される。

（教師無学習代表値決定部１５２の処理）
教師無学習代表値決定部１５２は、第１カテゴリ情報ｙ２Ａ及び第２カテゴリ情報ｙ２Ｂを取得する。続いて、教師無学習代表値決定部１５２は、第１カテゴリ情報ｙ２Ａ及び第２カテゴリ情報ｙ２Ｂの代表情報ｘ２を算出し（Ｓ２０２）、出力する。代表情報ｘ２は、例えば、第１カテゴリ情報ｙ２Ａ及び第２カテゴリ情報ｙ２Ｂの最大値のうち、大きい方と、第１カテゴリ情報ｙ２Ａ及び第２カテゴリ情報ｙ２Ｂの最小値のうち、小さい方との組等である。あるいは、第１カテゴリ情報ｙ２Ａ及び第２カテゴリ情報ｙ２Ｂの平均値や、中央値の組が代表情報ｘ２として出力されてもよい。また、第１カテゴリ情報ｙ２Ａ及び第２カテゴリ情報ｙ２Ｂの標準偏差のうち、幅の広い方、あるいは、幅の狭い方の標準偏差が代表情報ｘ２として出力されてもよい。また、代表情報ｘ２は、カテゴリ情報ｙ２として取り扱われる。

（信頼度評価処理部１３０）
乖離度算出部１３１は、代表値ｘ１、代表情報ｘ２を取得し、代表値ｘ１、代表情報ｘ２を基に乖離度２３１を算出する（Ｓ１２１ａ）。ステップＳ１２１ａの処理は、図２のステップＳ１２１の処理において、予測制御値ｙ１の代わりに代表値ｘ１、カテゴリ情報ｙ２の代わりに代表情報ｘ２が用いられる。
ステップＳ１２２以降は図２の処理と同様であるので、ここでの説明を省略する。

第２実施形態では、複数の教師有学習、及び／又は、複数の教師無学習が行われることで、より確度の高い予測制御値ｙ１（代表値ｘ１）及び信頼度２３２を得ることができる。

なお、第２実施形態では、教師有学習処理部１１０及び教師無学習処理部１２０がそれぞれ２つずつ設けられているが、教師有学習処理部１１０が３つ以上設けられてもよい。また、教師無学習処理部１２０が３つ以上設けられてもよい。あるいは、教師有学習処理部１１０及び教師無学習処理部１２０のうち、一方が１つ設けられる形態としてもよい。これらの形態でも、図４に示す手順と同様の手順で信頼度２３２の算出が可能である。

［第３実施形態］
＜装置構成＞
図５は、第３実施形態に係る運転管理支援装置１ｂの構成例を示す図である。
運転管理支援装置１ｂが、図１に示す運転管理支援装置１と異なる点は、信頼度評価処理部１３０の後段に信頼度判定部１６１及び設定処理部１４３が設けられている点である。信頼度判定部１６１及び設定処理部１４３が行う処理については後記する。

＜フローチャート＞
図６は、図５に示す運転管理支援装置１ｂが行う処理の手順を示すフローチャートである。
図６に示すように、ステップＳ１２２の後、信頼度判定部１６１が信頼度判定処理を行っている（Ｓ３０１）。信頼度判定処理については後記する。

（信頼度判定処理）
図７は、図６のステップＳ３０１における信頼度判定処理の詳細な手順を示すフローチャートである。
まず、信頼度判定部１６１は、信頼度算出部１３２から出力された信頼度２３２を取得する（Ｓ３１１）。
次に、信頼度判定部１６１は、取得した信頼度２３２に対し、閾値判定による信頼度２３２の分類を行う（Ｓ３１２）。ステップＳ３１２では、予め設定されている閾値に従い、信頼度２３２を「低／中／高」や、「適用否／要検討／適用可」等に分類する。ここでは、「低／中／高」に分類されるものとする。

ステップＳ３１２の結果、信頼度２３２が「低」及び「中」である場合（Ｓ３１２→「低」及び「中」）、表示処理部１４１は、警告をモニタ１４２に表示する（Ｓ３２１）。その後、表示処理部１４１は、信頼度２３２、予測制御値ｙ１、及び、カテゴリ情報ｙ２をモニタ１４２に表示する（Ｓ３２２）。

また、ステップＳ３１２の結果、信頼度２３２が「高」である場合（Ｓ３１２→高）、表示処理部１４１は、信頼度２３２、予測制御値ｙ１、及び、カテゴリ情報ｙ２をモニタ１４２に表示する（Ｓ３３１）。そして、設定処理部１４３が、予測制御値ｙ１をプラントＰＬの制御値として設定する（Ｓ３３２）。なお、ステップＳ３３２の処理は省略可能である。

なお、ステップＳ３２２や、ステップＳ３３１において、信頼度２３２、予測制御値ｙ１、カテゴリ情報ｙ２と合わせてステップＳ３１２で用いられた閾値が表示されてもよい。

第３実施形態によれば、信頼度判定部１６１が信頼度２３２の閾値判定を行うことで、信頼度２３２のランク付けを行う。このようにすることで、運転員が予測制御値ｙ１をプラントＰＬに設定する制御値として採用するか否かの基準を得ることができる。また、閾値判定の結果、信頼度２３２が「高」であると判定されれば、設定処理部１４３が予測制御値ｙ１を制御値としてプラントＰＬに設定する。このようにすることで、予測制御値ｙ１の適用を自動化でき、運転員の負担を軽減することができる。

［第４実施形態］
＜装置構成＞
図８は、第４実施形態に係る運転管理支援装置１ｃの構成例を示す図である。
第４実施形態の運転管理支援装置１ｃは、信頼度評価処理部１３０の後段にトレンド判定部１７０が設けられている。トレンド判定部１７０は、制御範囲判定部１７１と、トレンド一致判定部１７２とを有する。また、設定処理部１４３が設けられている。制御範囲判定部１７１、トレンド一致判定部１７２及び設定処理部１４３が行う処理については後記する。

＜フローチャート＞
図９は、図８に示す運転管理支援装置１ｃが行う処理の手順を示すフローチャートである。
図９に示すように、ステップＳ１２２の後、トレンド判定部１７０がトレンド判定処理を行っている（Ｓ４０１）。トレンド判定処理については後記する。

（トレンド判定処理）
図１０Ａ及び図１０Ｂは、図９のステップＳ４０１におけるトレンド判定処理の詳細な手順を示すフローチャートである。
ここで、制御範囲判定部１７１は過去Ｎ時刻の実績制御データ２０２を使用し、トレンド一致判定部１７２は過去Ｍ時刻の実績制御データ２０２を使用する。このとき、必ずしもＮとＭは一致させる必要はない。

まず、入力装置（図１５参照）４１１を介して、制御範囲判定部１７１が使用する過去の時刻Ｎが指定される（図１０ＡのＳ４１１）。なお、Ｎは対象となっているプラントＰＬの時定数や経験知等が参照されることで運転員によって決定される。
次に、制御範囲判定部１７１は、実績ＤＢ１０１から、過去Ｎ時刻の実績制御データ２０２を取得する（Ｓ４１２）。

また、制御範囲判定部１７１は、過去Ｎ時刻の予測制御値ｙ１を取得する（Ｓ４１３）。
次に、制御範囲判定部１７１は、取得した予測制御値ｙ１のすべてが制御範囲に含まれている否かを判定する（Ｓ４１４）。例えば、任意のｎ時刻（ｎ?Ｎ）における過去の弁開度（実績制御値）の変化量Δｙ以内（あるいはΔｙ％以内）でプラントＰＬの制御が行われるようにする。この場合、Δｙが制御範囲となり、ステップＳ４１３において、制御範囲判定部１７１は、予測制御値ｙ１が、Δｙの範囲内にあるか否かを判定する。通常、プラントＰＬの制御値に関しては、このような制御範囲がルールとして定められている。本実施形態では、制御範囲が別途設定されてもよいし、既存のルールが制御範囲として流用されてもよい。
また、予測制御値ｙ１が制御範囲外である場合（Ｓ４１４→否）、表示処理部１４１はモニタ１４２に制御範囲判定結果がエラーである旨を表示する（Ｓ４１５）。そして、運転管理支援装置１ｃは処理を終了する。

予測制御値ｙ１が過去Ｎ時刻の実績制御データ２０２から見て制御範囲に入っている場合（Ｓ４１４→可）、表示処理部１４１は、制御範囲判定結果が「可」である旨をモニタ１４２に表示する（Ｓ４１６）。
そして、入力装置（図１５参照）４１１を介してトレンド一致判定部１７２が使用する過去の時刻Ｍが入力される（図１０ＢのＳ４２１）。
次に、トレンド一致判定部１７２は、実績ＤＢ１０１から過去Ｍ時刻の実績制御データ２０２を取得する（Ｓ４２２）。
さらに、トレンド一致判定部１７２は、最新の予測制御値ｙ１を取得する（Ｓ４２３）。

次に、トレンド一致判定部１７２は、ステップＳ４２２で取得した過去Ｍ時刻の実績制御データ２０２から現行トレンドを取得する（Ｓ４２４）。現行トレンドは、例えば、実績制御データ２０２における現在から過去の時刻Ｍの期間の差分又は傾きを算出後、閾値に基づいて減少／維持／増大を判定することで抽出される。現行トレンドを差分で抽出する場合、ｍ１時刻前とｍ２時刻前の実績制御値の差分や、ｍ１時刻前の実績制御値と過去Ｍ時刻の実績制御値の平均値との差分等が利用できる。現行トレンドを傾きで抽出する場合、ｍ１時刻からｍ２時刻までの実績制御値の変化を時刻に対する傾きとして算出した値が利用できる。ここで、ｍ１，ｍ２は、ｍ１＜ｍ２＜Ｍである。

また、トレンド一致判定部１７２は、過去Ｍ－１時刻の実績制御データ２０２、及び、最新の予測制御値ｙ１より、差分又は傾きを算出し閾値判定に基づき予測制御値ｙ１の予測トレンドを抽出する（Ｓ４２５）。予測トレンドは、現行トレンドと同様の手法で取得される。

次に、トレンド一致判定部１７２は、予測トレンドが現行トレンドと一致しているか否かを判定する（Ｓ４３１）。具体的には、トレンド一致判定部１７２は、予測トレンドと、現行トレンドの一致率が所定の値以上であるか否かを判定する。予測トレンドと、現行トレンドの一致率が所定の値以上であれば、トレンド一致判定部１７２はステップＳ４３１で「一致」と判定する。予測トレンドと、現行トレンドの一致率が所定の値未満であれば、トレンド一致判定部１７２はステップＳ４３１で「不一致」と判定する。
予測トレンドが現行トレンドと一致している場合（Ｓ４３１→一致）、表示処理部１４１は、トレンド判定結果として「トレンド一致」をモニタ１４２に表示する（Ｓ４３２）。
予測トレンドが現行トレンドと一致していない場合（Ｓ４３１→不一致）、表示処理部１４１は、警告をモニタ１４２に表示する（Ｓ４３３）。

ステップＳ４３２及びステップＳ４３３の後、設定処理部１４３は設定条件を満たしているか否かを判定する（Ｓ４４１）。設定条件は、ステップＳ４１４で「可」と判定され、かつ、ステップＳ４３１で「一致」と判定されていることである。
設定条件を満たしている場合（Ｓ４４１→Ｙｅｓ）、設定処理部１４３は最新の予測制御値ｙ１を制御値としてプラントＰＬに設定する（Ｓ４４２）。
設定条件を満たしていない場合（Ｓ４４１→Ｎｏ）、運転管理支援装置１ｃは図９のステップＳ１３１へ処理をリターンする。

ステップＳ４１５、Ｓ４１６，Ｓ４３２，Ｓ４３３で示したように、制御範囲判定結果と、トレンド判定結果とが、モニタ１４２に出力される。
また、ステップＳ４４１、Ｓ４４２の処理は省略可能である。また、トレンド一致判定部１７２が省略されてもよい。この場合、ステップＳ４１４で「可」と判定されれば、設定処理部１４３が最新の予測制御値ｙ１を制御値としてプラントＰＬに設定してもよい。あるいは、制御範囲判定部１７１が省略されてもよい。この場合、ステップＳ４３１で「一致」と判定されれば、設定処理部１４３が最新の予測制御値ｙ１を制御値としてプラントＰＬに設定してもよい。

なお、プラントＰＬの運転パターンがフラグ情報として存在する場合、運転パターン毎に予測トレンドや、現行トレンドが取得されてもよい。また、本実施形態では制御範囲判定（Ｓ４１４）、トレンド一致性判定（Ｓ４３１）の順で判定が実行されているが、トレンド一致性判定、制御範囲判定の順で判定が実行されてもよい。

第４実施形態によれば、現在の稼働状況の制御範囲や、トレンドを考慮した予測制御値ｙ１の採用可否の判断を運転員が行うことができる。また、制御範囲や、トレンドを基に、予測制御値ｙ１をプラントＰＬの制御値として設定するか否かが判定される。そして、予測制御値ｙ１が、制御範囲に入っていたり、現行トレンドと、予測トレンドが一致していたりすれば、設定処理部１４３が予測制御値ｙ１をプラントＰＬの制御値として設定する。これにより、運転員の作業負担を軽減することができる。

［第５実施形態］
＜装置構成＞
図１１は、第５実施形態に係る運転管理支援装置１ｄの構成例を示す図である。
運転管理支援装置１ｄは、以下の点が図１に示す運転管理支援装置１と異なっている。
（Ｃ１）実績ＤＢ１０１から実績データ２０１が入力されるデータ特徴判定部１８１が設けられている。
（Ｃ２）データ特徴判定部１８１の下流に、データ選別分類部１８２及び乖離度算出方法選択部１８３が設けられている。
（Ｃ３）予測モデル構築部１１１ｄ及び予測制御値算出部１１２ｄを有する教師有学習処理部１１０ａが設けられている。また、分類モデル構築部１２１ｄ、分類結果算出部１２２ｄ、カテゴリ情報生成部１２３を有する教師無学習処理部１２０ａが設けられている。

ここで、予測モデル構築部１１１ｄ、予測制御値算出部１１２ｄ、分類モデル構築部１２１ｄ、分類結果算出部１２２ｄ、データ特徴判定部１８１、データ選別分類部１８２、乖離度算出方法選択部１８３が行う処理については、後記する。

＜フローチャート＞
図１２は、図１１に示す運転管理支援装置１ｄが行う処理の手順を示すフローチャートである。
データ特徴判定部１８１は、はじめに実績データ２０１の特徴を抽出する（Ｓ５０１）。抽出される実績データ２０１の特徴は、実績ＤＢ１０１に格納されている、すべての実績データ２０１あるいは一部の実績データ２０１の平均値、分散、分布形状等の統計情報である。なお、データ特徴判定部１８１は、運転パターンのフラグ情報や、稼働期間に基づいて、例えば、プラントＰＬの定常運転期間等、一部の実績データ２０１を特徴抽出の対象としてもよい。この場合、対象となる一部の実績データ２０１の統計情報を実績データ２０１の特徴としてもよい。あるいは、一部の実績データ２０１の統計情報と、すべての実績データ２０１の統計情報との差異が実績データ２０１の特徴とされてもよい。

そして、データ選別分類部１８２は、実績データ２０１を選別分類し（Ｓ５０２）、選別分類した結果である実績データ２０１のグループを教師有学習処理部１１０及び教師無学習処理部１２０へ送る。
ステップＳ５０２における、データ選別分類部１８２による選別分類は、例えば、以下のようなものが考えられる。どのような条件で選別分類が行われるかは、運転員によって設定される。
（Ｃ１１）データ特徴判定部１８１によって抽出された特徴に基づく選別分類。例えば、データ選別分類部１８２は、平均値がある値から所定範囲に入っている実績データ２０１のグループや、同様の分布形状を有する実績データ２０１のグループに選別分類する。
（Ｃ１２）フラグ情報に基づく選別分類。例えば、データ選別分類部１８２は、フラグ情報に基づいてプラントＰＬの稼働開始～２時間後、２時間～５時間後、５時間後～プラントＰＬの稼働終了等で実績データ２０１を選別分類する。

なお、前記したように、実績データ２０１は、温度や、圧力（実績計測値）、弁の開度や、原料の投入量設定値（実績制御値）等、様々な種類のデータが含まれる。ステップＳ５０２の選別分類は、これらデータの種類毎に行うこともできる。

また、乖離度算出方法選択部１８３は、あらかじめ定めておいた実績データ２０１の特徴と乖離度算出方法との対応表５００と、データ特徴判定部１８１によって算出された実績データ２０１の特徴とに基づいて、乖離度算出方法を決定する（Ｓ５１１）。乖離度算出方法選択部１８３は、データ特徴判定部１８１によって算出された実績データ２０１の特徴に基づいて、乖離度算出の際のパラメータを調整してもよい。

なお、ステップＳ１０１～Ｓ１０３，Ｓ１１１～Ｓ１１４，Ｓ１２１～Ｓ１２２、Ｓ１３１は、概ね第１実施形態と同様であるが、以下の点で異なっている。
（Ｃ２１）予測モデル構築部１１１ｄは、ステップＳ５０２における選別分類で分けられた、実績データ２０１のグループ毎に予測モデル２１１を生成する（Ｓ１０２ａ）。
（Ｃ２２）予測制御値算出部１１２ｄは、予測制御値ｙ１を算出する（Ｓ１０３ａ）。この際、取得された計測データ２０４に対応するグループの予測モデル２１１が用いられる計測データ２０４に対応するグループとは、例えば、平均値を基にグループが形成されている場合、計測データ２０４の値に対応するグループである。また、フラグ情報に基づいてグループが形成されている場合、計測データ２０４のフラグ情報に対応するグループが計測データ２０４に対応するグループとなる。

なお、計測データ２０４も温度や、圧力等、様々な種類のデータが含まれるが、ステップＳ５０２の選別分類がデータの種類毎に行われている場合、算出される予測制御値ｙ１は、データの種類毎の選別分類が反映されることになる。つまり、予測制御値算出部１１２ｄは、温度の計測データ２０４に対して、温度のグループを基に予測制御値ｙ１を算出する。

（Ｃ３１）分類モデル構築部１２１ｄは、ステップＳ５０２における選別分類で分けられた、実績データ２０１のグループ毎に分類モデル２２１を生成する（Ｓ１１２ａ）。
（Ｃ３２）分類結果算出部１２２ｄはカテゴリを検索する。この際、取得された計測データ２０４の値に対応するグループのカテゴリが検索される（Ｓ１１３ａ）。
なお、計測データ２０４の値に対応するグループとは、（Ｃ２２）で前記したものと同様のものである。また、ステップＳ５０２の選別分類がデータの種類毎に行われている場合、カテゴリの検索は、データの種類が反映されたものとなる。例えば、分類結果算出部１２２ｄは、温度の計測データ２０４に対して、温度のグループにおけるカテゴリを検索する。

（実績データ２０１の特徴と乖離度算出方法との対応表５００）
図１３は、実績データ２０１の特徴と乖離度算出方法との対応表５００の一例を示す図である。
図１３に示すように、実績データ２０１の特徴と乖離度算出方法との対応表５００は、「判定対象」、「比較対象」を有する「データ」、実績データ２０１の「データ特徴」、「乖離度算出方法」の各項目を有する。
例えば、符号５０１のレコードには、全データにおいて、データ特徴として統計分布が負側に偏在している場合、「Ａ方式」の乖離度算出方法が適用されることが格納されている。
また、符号５０２のレコードには、「運転パターンＡ」のフラグが付されているデータの全データについて、データ特徴としてデータ量が少なければ、Ｂ方式の乖離度算出方法が適用されることが格納されている。

第５実施形態によれば、所定の条件で選別分類され、グループに分けられた実績データ２０１を基に、予測モデル２１１や、分類モデル２２１が生成される。そして、これらの予測モデル２１１や、分類モデル２２１を基に予測制御値ｙ１や、カテゴリ情報ｙ２が算出される。これにより、予測制御値ｙ１や、カテゴリ情報ｙ２の算出は、ステップＳ５０２の選別分類によるグループが反映される。つまり、計測データ２０４と同様の性質を有する実績データ２０１のグループに基づいて予測制御値ｙ１や、カテゴリ情報ｙ２が算出される。このため、予測制御値ｙ１及びカテゴリ情報ｙ２を基に算出される信頼度２３２の精度を向上させることができる。また、予測制御値ｙ１や、カテゴリ情報ｙ２には、計測データ２０４におけるデータの種類（温度）毎に算出・出力される。このようにすることで、データの種類毎における信頼度２３２の算出を行うことができる。
なお、データ選別分類部１８２は省略可能である。この場合、図１２のステップＳ１０１ａ，Ｓ１０２ａ，Ｓ１１１ａ，Ｓ１１２ａは、第１実施形態のステップＳ１０１，Ｓ１０２，Ｓ１１１，Ｓ１１２と同様の処理となる。

［画面例］
図１４は、本実施形態における運転管理画面３００の例を示す図である。
運転管理画面３００は、制御対象表示領域３１１、予測制御値表示領域３２０を有する。また、運転管理画面３００は、カテゴリ名表示領域３３１、信頼度表示領域３３２、カテゴリ情報表示領域３３３、制御値頻度情報表示領域３３４を有する。さらに、運転管理画面３００は、信頼度判定結果表示領域３４１、トレンド判定結果表示領域３４２、データ特徴表示領域３４３、乖離度算出方法表示領域３４４、使用学習種類表示領域３４５、制御状態表示領域３５１を有している。

制御対象表示領域３１１には制御対象となるプラントＰＬ中の機器、機器における部品、制御値が表示される。図１４の例では、制御対象となる機器が「熱交換器Ａ」の「弁Ａ」であり、「熱交換器Ａ」の「弁Ａ」の「開度」が制御対象となっていることが示されている。

予測制御値表示領域３２０には、実績制御値と、予測制御値ｙ１とのグラフが示されている。図１４の例では、実績制御値が実線グラフで示され、予測制御値ｙ１が破線グラフで示されている。また、予測制御値ｙ１を示す破線グラフにおいて星印は最新の予測制御値ｙ１を示す。また、予測制御値表示領域３２０は、最新予測制御値表示領域３２１を備えている。最新予測制御値表示領域３２１に表示されている値は、予測制御値表示領域３２０の星印に相当する予測制御値ｙ１である。なお、図１４の例では、弁の開度が制御対象となっているため、予測制御値ｙ１もパーセント表示となっている。

カテゴリ名表示領域３３１には、教師無学習で分類され、プラントＰＬから取得された計測値が属するカテゴリが表示されている。図１４の例では、対象となる「弁Ａ」の「開度」が「カテゴリＡ」の属すことが示されている。

信頼度表示領域３３２には、信頼度算出部１３２によって算出された信頼度２３２が表示されている。
カテゴリ情報表示領域３３３には、教師無学習の結果、生成された各カテゴリに関する情報が表示される。図１４の例では、制御値である弁開度が４つのカテゴリに分類されることが示されている。また、制御対象となる「弁Ａ」の開度が白丸で示されていることで、制御対象となる制御値が、どのカテゴリに属すかが視認可能となっている。
制御値頻度情報表示領域３３４には、プラントＰＬにおけるすべての弁の開度の実績制御値の頻度がヒストグラムで示されている。そして、算出された予測制御値ｙ１に相当するヒストグラムが斜線で示されている。

信頼度判定結果表示領域３４１には、図６のステップＳ３０１の判定結果が示されている。なお、信頼度判定結果表示領域３４１において、図６のステップＳ３０１で用いられた閾値が判定結果とともに表示されてもよい。
トレンド判定結果表示領域３４２には、図１０ＢのステップＳ４３１の判定結果が示されている。なお、トレンド判定結果表示領域３４２において、図１０ＡのステップＳ４１４の判定結果が、ステップＳ４３１の判定結果とともに表示されてもよい。
データ特徴表示領域３４３には、図１１のデータ特徴判定部１８１によって判定されたデータ特徴の名称が示されている。データ特徴表示領域３４３において、図１３に示す実績データ２０１の特徴と乖離度算出方法との対応表５００の情報や、図１３の「データ特徴」に示される統計分布がデータ特徴の名称とともに表示されてもよい。
乖離度算出方法表示領域３４４には、図１１の乖離度算出方法選択部１８３によって決定された乖離度算出方法の名称が表示されている。
使用学習種類表示領域３４５には、予測制御値ｙ１あるいはカテゴリ情報ｙ２の導出に使用した学習の名称が表示されている。

制御状態表示領域３５１には、制御対象となっているプラントＰＬにおいて、どのような制御が行われているかについての情報が表示されている。図１４の例では、制御状態表示領域３５１が、予測制御値ｙ１を制御値として設定する自動運転モードが行われている旨の表示となっているが、予測制御値ｙ１をモニタ１４２で確認して運転員が予測制御値ｙ１を制御値としてプラントＰＬに設定する手動運転モードも表示可能である。また、制御状態表示領域３５１において、運転員が入力装置（図１５参照）４１１を介して入力する情報によって、自動運転モード、手動運転モードの切り替えが可能としてもよい。なお、自動運転モードは、第３実施形態、第４実施形態で実行することができる。
自動運転モードが選択されている場合、信頼度判定部１６１、制御範囲判定部１７１、トレンド一致判定部１７２による判定結果と、判定結果が「可」以外であった場合の対処方法が、制御状態表示領域３５１に表示されてもよい。

図１４の画面例では、第１実施形態、第３～第５実施形態におけるすべての結果が表示されているが、それぞれの実施形態の結果のみが適宜表示されてもよい。

［ハードウェア構成］
図１５は、運転管理支援装置１，１ａ～１ｄのハードウェア構成を示す図である。
運転管理支援装置１は、メモリ４０１、ＣＰＵ（Central Processing Unit）４０２、記憶装置４０３、入力装置４１１、通信装置４１２、モニタ１４２を有する。通信装置４１２は、プラントＰＬとの情報の送受信を行う。
記憶装置４０３は、実績ＤＢ１０１を含むものであるとともに、各部１１０～１１２，１１０Ａ～１１２Ａ，１１０Ｂ～１１２Ｂ，１２０～１２３，１２０Ａ～１２３Ａ，１２０Ｂ～１２３Ｂ，１３０～１３２，１４１，１４３，１５１，１５２，１６１，１７０～１７２，１８１～１８２が具現化するためのプログラムが格納されている。つまり、まず、記憶装置４０３に格納されているプログラムが、メモリ４０１にロードされる。それから、メモリ４０１にロードされたプログラムが、ＣＰＵ４０２によって実行されることにより、各部１１０～１１２，１１０Ａ～１１２Ａ，１１０Ｂ～１１２Ｂ，１２０～１２３，１２０Ａ～１２３Ａ，１２０Ｂ～１２３Ｂ，１３０～１３２，１４１，１４１，１５１，１５２，１６１，１７０～１７２，１８１～１８２が具現化する。

本発明は前記した実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、前記した実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明したすべての構成を有するものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

また、本実施形態では、実績ＤＢ１０１が運転管理支援装置１，１ａ～１ｄに備えられているものとしている。しかし、これに限らず、実績ＤＢ１０１はクラウド上等に設置され、運転管理支援装置１，１ａ～１ｄはクラウド上に設置されている実績ＤＢ１０１から実績データ２０１を取得してもよい。

また、前記した各構成、機能、各部１１０～１１２，１１０Ａ～１１２Ａ，１１０Ｂ～１１２Ｂ，１２０～１２３，１２０Ａ～１２３Ａ，１２０Ｂ～１２３Ｂ，１３０～１３２，１４１，１５１，１５２，１６１，１７０～１７２，１８１～１８２、実績ＤＢ１０１等は、それらの一部又はすべてを、例えば集積回路で設計すること等によりハードウェアで実現してもよい。また、図１５に示すように、前記した各構成、機能等は、ＣＰＵ４０２等のプロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、ＨＤ（Hard Disk）に格納すること以外に、メモリ４０１や、ＳＳＤ（Solid State Drive）等の記録装置、又は、ＩＣ（Integrated Circuit）カードや、ＳＤ（Secure Digital）カード、ＤＶＤ（Digital Versatile Disc）等の記録媒体に格納することができる。
また、各実施形態において、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしもすべての制御線や情報線を示しているとは限らない。実際には、ほとんどすべての構成が相互に接続されていると考えてよい。

１，１ａ～１ｄ 運転管理支援装置
１０１ 実績ＤＢ（記憶部）
１１０，１１０ｄ 教師有学習処理部
１１０Ａ 第１教師有学習処理部
１１０Ｂ 第２教師有学習処理部
１１１，１１１ｄ 予測モデル構築部（第１のモデル生成部）
１１１Ａ 第１予測モデル構築部（第１のモデル生成部）
１１１Ｂ 第２予測モデル構築部（第１のモデル生成部）
１１２，１１２ａ 予測制御値算出部
１１２Ａ 第１予測制御値算出部（予測制御値算出部）
１１２Ｂ 第２予測制御値算出部（予測制御値算出部）
１２０，１２０ｄ 教師無学習処理部
１２０Ａ 第１教師無学習処理部
１２０Ｂ 第２教師無学習処理部
１２１，１２１ｄ 分類モデル構築部（第２のモデル生成部）
１２１Ａ 第１分類モデル構築部（第２のモデル生成部）
１２１Ｂ 第２分類モデル構築部（第２のモデル生成部）
１２２，１２２ｄ 分類結果算出部（カテゴリ選択部）
１２２Ａ 第１分類結果算出部（カテゴリ選択部）
１２２Ｂ 第２分類結果算出部（カテゴリ選択部）
１２３Ａ 第１カテゴリ情報生成部（カテゴリ選択部）
１２３Ｂ 第２カテゴリ情報生成部（カテゴリ選択部）
１２３ カテゴリ情報生成部（カテゴリ選択部）
１３０ 信頼度評価処理部（信頼度算出部）
１３１ 乖離度算出部（信頼度算出部）
１３２ 信頼度算出部
１４１ 表示処理部
１４２ モニタ（表示部）
１４３ 設定処理部
１６１ 信頼度判定部（信頼度ランク判定部）
１７０ トレンド判定部
１７１ 制御範囲判定部
１７２ トレンド一致判定部（トレンド比較部）
１８１ データ特徴判定部（データ特徴算出部）
１８２ データ選別分類部
１８３ 乖離度算出方法選択部（乖離度算出方法決定部）
２０１ 実績データ
２０２ 実績制御データ（実績制御値）
２０３ 実績計測データ（実績計測値）
２０４ 計測データ（計測値）
２１１ 予測モデル（第１のモデル）
２２１ 分類モデル（第２のモデル）
２３２ 信頼度
３３２ 信頼度表示領域（信頼度が表示されている）
５００ 対応表（特徴と、乖離度算出方法との対応表）
ＰＬ プラント（機器）
ｙ１ 予測制御値
ｙ１Ａ 第１予測制御値（予測制御値）
ｙ１Ｂ 第２予測制御値（予測制御値）
ｙ２ カテゴリ情報（カテゴリ）
ｙ２Ａ 第１カテゴリ情報（カテゴリ）
ｙ２Ｂ 第２カテゴリ情報（カテゴリ）
Ｓ１０２ 予測モデルの生成（第１のモデル生成ステップ）
Ｓ１０３ 予測制御値の算出・出力（予測制御値算出ステップ）
Ｓ１１２ カテゴリの生成（第２のモデル生成ステップ）
Ｓ１１３ 検索（カテゴリ選択ステップ）
Ｓ１１４ カテゴリ情報ｙ２の出力（カテゴリ情報出力ステップ）
Ｓ１２１ 乖離度の算出（信頼度算出ステップ）
Ｓ１２２ 信頼度の算出（信頼度算出ステップ）
Ｓ１３１ 表示（表示ステップ）
Ｓ３１２ 分類（信頼度ランク判定ステップ）
Ｓ３３２ 予測制御値ｙ１を制御値として設定（設定処理ステップ）

Claims (13)

1. 記憶部に格納されている過去の実績データのうち、過去における機器の計測値である実績計測値、及び、過去における前記機器の制御値である実績制御値を用いて、予測制御値を算出するための第１のモデルを生成する第１のモデル生成部と、
   前記第１のモデル生成部で生成された前記第１のモデルに、前記機器から入力される計測値を適用することにより、当該計測値に対応する前記予測制御値を算出する予測制御値算出部と、
   前記記憶部に格納されている前記実績データのうち、前記実績計測値を所定のカテゴリに分類することで、第２のモデルを生成する第２のモデル生成部と、
   前記機器から入力された計測値に対応する前記カテゴリを、前記第２のモデル生成部で分類された前記カテゴリを基に選択するカテゴリ選択部と、
   前記予測制御値算出部によって算出された前記予測制御値と、前記カテゴリ選択部で選択された前記カテゴリにおける前記実績制御値とを比較することで前記予測制御値の信頼度を算出する信頼度算出部と、
   前記信頼度算出部によって算出された前記信頼度を表示部に表示する表示処理部と、
   前記信頼度算出部によって算出された前記信頼度のランク付けを行う信頼度ランク判定部と、
   前記信頼度のランクが所定のランク以上であれば、前記予測制御値を前記機器の制御値として設定する設定処理部と、
   を備え、
   前記カテゴリ選択部は、前記計測値が属するカテゴリの最大値、最小値、及び、前記カテゴリに含まれるすべての前記実績制御値を含む複数の値を有するカテゴリ情報を出力し、
   前記信頼度算出部は、前記予測制御値算出部が算出する前記予測制御値と、前記カテゴリ選択部によって選択された前記カテゴリとの乖離の度合いである乖離度を、式（１）～（３）のいずれか１つを用いて算出し、算出した当該乖離度を基に信頼度を算出する
   ことを特徴とする運転管理支援装置。
   Ｄ ＝ ｙ２ｍｉｎ －ｙ１ ・・・（１）
   Ｄ ＝ ｙ１ － ｙ２ｍａｘ ・・・ （２）
   Ｄ ＝ ｜（ｙ２ａｖｅ － ｙ１）／（ｙ２ｍａｘ－ｙ２ｍｉｎ）｜ ・・・ （３）
   ただし、式（１）～（３）において、
   Ｄは前記乖離度であり、
   ｙ１は前記予測制御値算出部から出力される前記予測制御値であり、
   ｙ２ａｖｅは前記カテゴリ情報の平均値であり、
   ｙ２ｍｉｎは、前記カテゴリ情報の最小値であり、
   ｙ２ｍａｘは前記カテゴリ情報の最大値である。
2. 前記予測制御値が、過去の前記実績制御値から算出される制御範囲に収まっているか否かを判定する制御範囲判定部
   を備えることを請求項１に記載の運転管理支援装置。
3. 前記予測制御値が、過去の前記実績制御値から算出される制御範囲に収まっている場合、前記予測制御値を前記機器の制御値として設定する設定処理部
   を備えることを特徴とする請求項２に記載の運転管理支援装置。
4. 前記記憶部に格納されている過去の前記実績制御値から算出されるトレンドと、過去の前記実績制御値と前記予測制御値から算出されるトレンドとを比較するトレンド比較部
   を備えることを特徴とする請求項１に記載の運転管理支援装置。
5. 前記トレンド比較部によって、前記記憶部に格納されている過去の前記実績制御値から算出されるトレンドと、過去の前記実績制御値と前記予測制御値から算出されるトレンドとの一致率が所定の値以上であると判定された場合、前記予測制御値を前記機器の制御値として設定する設定処理部
   を備えることを特徴とする請求項４に記載の運転管理支援装置。
6. 前記記憶部に格納されている前記実績データの特徴を算出するデータ特徴算出部と、
   前記データ特徴算出部によって算出された前記実績データの前記特徴をキーとして、記憶部から取得した前記特徴と、前記乖離度の算出方法との対応表を検索することによって前記乖離度の算出方法を決定する乖離度算出方法決定部と、
   を備えることを特徴とする請求項１に記載の運転管理支援装置。
7. 前記記憶部に格納されている前記実績データの特徴を算出するデータ特徴算出部と、
   所定の条件に基づいて、前記実績データをグループに選別分類し、前記実績データを選別分類した結果である前記グループを前記第１のモデル生成部及び前記第２のモデル生成部に出力する前記実績データを選別するデータ選別分類部と
   を備え、
   前記第１のモデル生成部は、
   前記グループに基づいて前記第１のモデルを生成し、
   前記第２のモデル生成部は、
   前記グループに基づいて前記第２のモデルを生成する
   ことを特徴とする請求項１に記載の運転管理支援装置。
8. 前記実績計測値、前記実績制御値、及び、前記計測値は、複数種類のデータを含んでおり、
   前記データ選別分類部は、
   前記実績計測値、及び、前記実績制御値の種類毎に前記グループの選別分類を行い、
   前記予測制御値算出部は、
   前記計測値におけるデータの種類に応じた前記グループに対して前記計測値を適用し、
   前記カテゴリ選択部は、
   前記計測値におけるデータの種類に応じた前記グループに対して前記計測値を適用する
   ことを特徴とする請求項７に記載の運転管理支援装置。
9. 前記第１のモデル生成部及び前記予測制御値算出部が複数備えられており、
   前記予測制御値算出部によって算出された複数の前記予測制御値を基に、新たな予測制御値を生成し、生成した前記新たな予測制御値を前記信頼度算出部へ出力する予測制御値生成部
   を備えることを特徴とする請求項１に記載の運転管理支援装置。
10. 前記第２のモデル生成部及び前記カテゴリ選択部が複数備えられており、
    前記カテゴリ選択部によって選択された複数の前記カテゴリに関する情報を基に、新たなカテゴリに関する情報を生成し、生成した新たなカテゴリに関する情報を前記信頼度算出部へ出力するカテゴリ情報生成部
    を備えることを特徴とする請求項１に記載の運転管理支援装置。
11. 前記第１のモデル生成部は、
    回帰式、決定木、ランダムフォレスト、ニューラルネットワーク、階層型クラスタリング、Ｋ平均法を含む非階層型クラスタリングのうち、いずれかを用いて、前記第１のモデルを生成し、
    前記ニューラルネットワークは、
    自己組織化マップ、畳み込みニューラルネットワーク及び再帰型ニューラルネットワークを含む
    ことを特徴とする請求項１に記載の運転管理支援装置。
12. 前記第２のモデル生成部は、
    階層型クラスタリング、Ｋ平均法を含む非階層型クラスタリング、自己組織化マップを含むニューラルネットワークのうち、いずれかを用いて前記第２のモデルを生成する
    ことを特徴とする請求項１に記載の運転管理支援装置。
13. 記憶部に格納されている過去の実績データのうち、過去における機器の計測値である実績計測値、及び、過去における前記機器の制御値である実績制御値を用いて、予測制御値を算出するための第１のモデルを生成する第１のモデル生成ステップと、
    前記第１のモデル生成ステップで生成された前記第１のモデルに、前記機器から入力される計測値を適用することにより、当該計測値に対応する前記予測制御値を算出する予測制御値算出ステップと、
    前記記憶部に格納されている前記実績データのうち、前記実績計測値を所定のカテゴリに分類することで、第２のモデルを生成する第２のモデル生成ステップと、
    前記機器から入力された計測値に対応する前記カテゴリを、前記第２のモデル生成ステップで分類された前記カテゴリを基に選択するカテゴリ選択ステップと、
    前記計測値が属するカテゴリの最大値、最小値、及び、前記カテゴリに含まれるすべての前記実績制御値を含む複数の値を有するカテゴリ情報を出力するカテゴリ情報出力ステップと、
    前記予測制御値算出ステップによって算出された前記予測制御値と、前記カテゴリ選択ステップで選択された前記カテゴリにおける前記実績制御値とを比較することで前記予測制御値の信頼度を算出する信頼度算出ステップと、
    前記信頼度算出ステップによって算出された前記信頼度のランク付けを行う信頼度ランク判定ステップと、
    前記信頼度算出ステップによって算出された前記信頼度を表示部に表示する表示ステップと、
    前記信頼度のランクが所定のランク以上であれば、前記予測制御値を前記機器の制御値として設定する設定処理ステップと、
    を行い、
    前記信頼度算出ステップでは、前記予測制御値算出ステップによって算出された前記予測制御値と、前記カテゴリ選択ステップによって選択された前記カテゴリとの乖離の度合いである乖離度を、式（１）～（３）のいずれか１つを用いて算出し、算出した当該乖離度を基に信頼度を算出する
    ことを特徴とする運転管理支援方法。
    Ｄ ＝ ｙ２ｍｉｎ －ｙ１ ・・・（１）
    Ｄ ＝ ｙ１ － ｙ２ｍａｘ ・・・ （２）
    Ｄ ＝ ｜（ｙ２ａｖｅ － ｙ１）／（ｙ２ｍａｘ－ｙ２ｍｉｎ）｜ ・・・ （３）
    ただし、式（１）～（３）において、
    Ｄは前記乖離度であり、
    ｙ１は前記予測制御値算出ステップにて算出される前記予測制御値であり、
    ｙ２ａｖｅは前記カテゴリ情報の平均値であり、
    ｙ２ｍｉｎは、前記カテゴリ情報の最小値であり、
    ｙ２ｍａｘは前記カテゴリ情報の最大値である。
    

Images