KR102216820B1 - 시험 계획 장치 및 시험 계획 방법 - Google Patents
시험 계획 장치 및 시험 계획 방법 Download PDFInfo
- Publication number
- KR102216820B1 KR102216820B1 KR1020197026439A KR20197026439A KR102216820B1 KR 102216820 B1 KR102216820 B1 KR 102216820B1 KR 1020197026439 A KR1020197026439 A KR 1020197026439A KR 20197026439 A KR20197026439 A KR 20197026439A KR 102216820 B1 KR102216820 B1 KR 102216820B1
- Authority
- KR
- South Korea
- Prior art keywords
- parameter
- process value
- input
- input parameter
- model data
- Prior art date
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
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0216—Human interface functionality, e.g. monitoring system providing help to the user in the selection of tests or in its configuration
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B35/00—Control systems for steam boilers
- F22B35/18—Applications of computers to steam boiler control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Human Computer Interaction (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
적은 시험 케이스 수의 학습 데이터에 의해, 모델 데이터의 정밀도를 확인하면서 모델 데이터를 작성할 수 있는 장치 및 방법을 제공한다. 복수의 입력 파라미터를 각 프로세스 값에 대한 각 입력 파라미터의 상호의 관계에 근거해 복수의 파라미터군으로 분류해 둔다. 입력 파라미터 제시부(211a)는, 복수의 파라미터군 중 1개를 학습 대상 파라미터군으로서 선택하고 그 입력 파라미터는 변수, 비학습 대상 파라미터군의 입력 파라미터는 고정치로 하는 시험 조건을 제시한다. 모델 데이터 학습부(211d)는, 제시된 시험 조건을 이용한 실제 프로세스 값 및 가상 프로세스 값의 비교 결과에 근거하여 모델 데이터를 수정한다. 입력 파라미터 제시부(211 a)는 새로운 학습 대상 파라미터를 선택하고, 전회의 학습 대상 파라미터군의 입력 파라미터는 최적인 시험 조건의 입력 파라미터를 고정치로서 이용한 새로운 시험 조건을 제시한다. 또한, 출력 제어부(211g)는 시험 조건을 적용하여 얻어진 실제 프로세스 값 및 가상 프로세스 값을 출력한다.
Description
본 발명은, 발전 설비의 모델 데이터용의 시험 조건을 제시하는 시험 계획 장치 및 시험 계획 방법에 관한 것이다.
화력 발전소에 설치되는 보일러의 운전의 경우에는, 보일러를 운전시킨 결과의 아웃풋으로서 각 출력 프로세스 값, 예를 들면 NOx나 CO의 농도, 각 전열관의 메탈 온도를 얻어서, 각 출력 프로세스 값이 최적이 되도록 많은 조작 입력 파라미터를 설정할 필요가 있다. 조작 입력 파라미터에는 값을 변화시키면 출력 프로세스 값이 개선하는 것과 악화하는 것이 혼재하고 있고, 또한, 운전 조건에 따라 출력 프로세스 값의 변동도 변화하기 때문에, 보일러의 운전 제어는 복잡하다고 하는 실정이다.
그 때문에, 운전 지원의 일환으로서 보일러 내의 거동 시뮬레이션의 모델 데이터를 사용하는 경우가 있다. 이 점에 관해, 특허문헌 1에는, 운전 입력 파라미터와 출력 프로세스 값의 관계에 대한 운전 데이터를 모델 데이터 작성의 학습 데이터로서 사용하는 것이 개시되어 있다.
보일러의 신설, 설비 수정 시의 경우에는 시험 운전을 행하고, 학습용 데이터를 취득한다. 그러나 조작 입력 파라미터는 복수이고, 각각 다단계로 조건 설정을 행하면 시험 케이스는 막대(莫大)하다. 그 결과 시험 기간이 길어져, 운전 개시가 늦어진다. 또한, 모델 데이터 학습용 파라미터가 많아져, 시간·수고를 필요로 한다.
한편, 시험 케이스를 근거 없이 줄이면, 모델 데이터에 의한 거동 시뮬레이션의 정밀도가 악화하고, 운전의 참고로 되지 않는다고 하는 과제가 있다.
이 점에 관해, 특허문헌 1에서는 모델 입력 수에 관계없이, 제어 주기 이내에서의 학습을 행하기 위해서(동 문헌 단락 0012 참조), 모델에 입력하는 모델 입력 및 모델 출력을 복수의 그룹으로 분할하여, 각 그룹의 모델 출력이 미리 정한 목표치를 달성하도록, 각 그룹의 모델 입력의 생성 방법을 학습시키지만(동 문헌 단락 0013 참조), 그 경우에 그룹 간에 대한 모델 입력을 변화시키는 순서는 고려하고 있지 않기 때문에, 복수의 그룹의 모델 입력을 변화시킨 결과 모델 출력이 변화한 경우에는, 어느 모델 입력의 변화가 모델 출력의 변화에 대하여 영향을 미쳤는지를 파악할 수 없다고 하는 과제가 있다.
또한, 보일러 내의 예를 들면 각 연소 버너에 있어서의 연소용 공기와 연료에 의한 연소 거동은 복잡하여, 보일러의 형식, 사용하는 연료, 그 외 조건으로 결과의 아웃풋의 각 출력 프로세스 값으로서, NOx, CO의 농도, 전열관 표면 온도, 증기 온도 등이 변화할 수 있다. 뉴럴 네트워크(neural network) 등을 이용하여 다 변수 입력-다 변수 출력 모델 데이터를 단번에 작성하는 것은 가능하지만, 이 경우, 기술자가 경험이나 물리적인 이론과 정합하는가 하는 관점에서 체크하는 것이 곤란하다고 하는 과제도 있다.
본 발명은 상기 과제를 해결하기 위해서 된 것으로, 적은 시험 케이스 수의 학습 데이터에 의해, 모델 데이터의 정밀도를 확인하면서 모델 데이터를 작성할 수 있는 장치 및 방법을 제공하는 것을 목적으로 한다.
상기 과제를 달성하기 위해서, 본 발명은 발전 설비의 모델 데이터에 대하여 복수의 입력 파라미터의 시험 조건을 제시하는 시험 계획 장치로서, 상기 복수의 입력 파라미터의 시험 조건을 제시하는 입력 파라미터 제시부와, 상기 입력 파라미터의 시험 조건을 발전 설비의 가상적인 동작을 규정한 모델 데이터에 적용하여 가상 프로세스 값을 연산하는 시뮬레이션부와, 상기 입력 파라미터의 시험 조건을 상기 발전 설비에 설정하여 실제 운전을 행해 얻어지는 실제 프로세스 값을 취득하는 실제 프로세스 값 취득부와, 상기 모델 데이터에 대하여 수정 처리를 행하는 모델 데이터 학습부와, 상기 시험 조건을 적용하여 얻어진 상기 가상 프로세스 값 및 상기 실제 프로세스 값을 출력하는 출력 제어부를 구비하고, 상기 입력 파라미터의 시험 조건은, 상기 복수의 입력 파라미터가, 각 실제 프로세스 값에 대한 각 입력 파라미터의 상호의 관계에 근거해 복수의 파라미터군으로 분류되고, 상기 입력 파라미터 제시부는, 상기 복수의 파라미터군으로부터 학습 대상 파라미터군을 1개 선택하고, 당해 학습 대상 파라미터군의 입력 파라미터는 변수로 하고, 나머지의 다른 파라미터군은 비학습 대상 파라미터군으로 하여, 당해 비학습 대상 파라미터군의 입력 파라미터는 고정치로 하는 시험 조건을 제시하고, 상기 모델 데이터 학습부는, 상기 실제 프로세스 값 및 상기 가상 프로세스 값의 괴리가 미리 정한 허용 범위 외에 있는 경우, 상기 실제 프로세스 값을 이용하여 상기 모델 데이터에 대한 수정 처리를 행하는 것을 특징으로 한다.
입력 파라미터를 각 입력 파라미터의 상호의 관계에 근거하여, 미리 복수의 파라미터군으로 그룹핑해 놓고, 학습 대상 파라미터군의 입력 파라미터는 변수로 하고, 비학습 대상 파라미터군의 입력 파라미터는 고정치로 하는 시험 조건을 이용한 가상 프로세스 값 및 실제 프로세스 값의 비교를 행한다. 그리고 괴리가 허용 범위 내이면 모델 데이터의 수정은 불요, 허용 범위 외이면 모델 데이터를 수정하므로, 입력 파라미터의 전체 조합수의 시험을 행하여 최적치를 찾아내 모델 데이터를 단번에 수정하는 경우와 비교하여 시험 횟수를 줄일 수가 있다. 또, 가상 프로세스 값 및 실제 프로세스 값의 괴리가 작을수록 모델 데이터의 정밀도는 높기 때문에, 기술자는 출력 제어부로부터 출력된 괴리를 참조하는 것으로 모델 데이터의 정밀도를 인식하기 쉬워지고, 어느 입력 파라미터를 변화시켜서 어떻게 모델 데이터가 변화했는지를 파악하기 쉬워진다.
또한, 상기 입력 파라미터 제시부는, 상기 복수의 파라미터군으로부터 새로운 학습 대상 파라미터군을 선택한 경우, 당해 새로운 학습 파라미터군의 입력 파라미터는 변수로 하고, 과거에 학습 대상 파라미터군으로서 선택한 입력 파라미터는, 당해 학습 대상 파라미터군을 이용하여 제시된 시험 조건 중, 시험 결과가 상대적으로 양호하였던 시험 조건의 입력 파라미터를 고정치로 하는 새로운 시험 조건을 제시해도 좋다.
상기 「상대적으로 양호」란 실제 프로세스 값 혹은 가상 프로세스 값이, 발전 설비의 프로세스 값의 목표치(최적치)에 보다 근사한 것을 의미한다.
이것에 의해, 학습 대상 파라미터군을 순차적으로 변경하면서 새로운 시험 조건을 제시하는 경우에, 이전에 학습 대상 파라미터군으로서 선택된 입력 파라미터는, 시험 결과가 양호하였던 값을 고정치로서 채용하기 때문에, 보다 발전 설비의 운전 결과가 양호해지기 쉬운 시험 조건을 제시할 수가 있다.
또한, 상기 발전 설비는 보일러이며, 상기 파라미터군은, 상기 복수의 입력 파라미터를 상기 보일러의 연소 가스의 하류 측으로부터 상류 측으로 향하게 하는 순서에 따라 복수의 영역으로 구분되어 구성되고, 상기 입력 파라미터 제시부는, 상기 순서에 따라 상기 학습 대상 파라미터군을 선택해도 좋다.
기술자가 동일한 파라미터군에 포함되는 입력 파라미터의 종류나 학습 파라미터의 선택 순서를 보다 인식하기 쉬워진다. 또한, 보일러의 실제 프로세스 값에 부여하는 입력 파라미터의 상호의 관계에 따른 그룹핑을 실현할 수 있다.
또한, 상기 학습 대상 파라미터군에 포함되는 각 입력 파라미터에 대하여 설정된 변수의 개수를 근거로 미리 정해진 학습 시행 횟수 결정 조건에 따라 학습 시행 횟수를 결정하는 학습 시행 횟수 결정부를 더 구비해도 좋다.
상기 「학습 시행 횟수 결정 조건」이란 예를 들면 통계적 수법에 의한 학습 대상 파라미터군 내의 전체 조합을 시행한 경우의 신뢰성에 대하여, 통계학적으로 일정 이상의 신뢰성이 있다고 간주할 수 있는 시험 횟수를 산출하기 위해 마련된 조건이라도 좋다. 이것에 의해, 학습 대상 파라미터군 내의 입력 파라미터의 전체 조합보다 적은 학습 시행 횟수로 한정하므로, 시험 횟수를 더욱 줄이면서, 효율적으로 모델 데이터의 정밀도를 높일 수가 있다.
또한, 상기 실제 프로세스 값 및 상기 수정 처리가 행해진 모델 데이터를 이용하여 상기 시뮬레이션부에 의해 연산된 가상 프로세스 값의 괴리가 미리 정해진 허용 범위 외에 있는 경우, 상기 입력 파라미터 제시부는, 상기 학습 대상 파라미터군의 변수로 된 입력 파라미터의 간격 혹은 범위를 변경해도 좋다.
수정 처리 후의 모델 데이터의 정밀도가 여전히 양호하지 않은 경우에는, 학습 대상 파라미터군의 변수로 된 입력 파라미터의 간격 혹은 범위를 변경한다. 이것에 의해, 입력 파라미터 제시부가 첫회에 제시한 시험 조건에서는 모델 데이터의 정밀도가 충분히 얻어지지 않은 경우에서도, 보다 적합한 시험 조건을 제시하여 모델 데이터의 정밀도를 향상시킬 수가 있다.
또한, 본 발명은 발전 설비의 모델 데이터용의 시험 조건을 제시하는 시험 계획 방법으로서, 상기 복수의 입력 파라미터를 발전 설비에 설정하여 실제 운전을 행해 얻어지는 실제 프로세스 값에 대한 각 입력 파라미터의 상호의 관계에 근거해, 복수의 파라미터군으로 분류된 복수의 입력 파라미터를 취득하는 스텝과, 상기 복수의 파라미터군 중, 1개 선택한 학습 대상 파라미터군의 입력 파라미터는 변수로 하고, 다른 비학습 대상 파라미터군의 입력 파라미터는 고정치로 된 복수의 입력 파라미터의 시험 조건을 제시하는 스텝과, 상기 입력 파라미터의 시험 조건을 상기 발전 설비에 설정하여 실제 운전을 행해 얻어지는 실제 프로세스 값을 취득하는 스텝과, 상기 입력 파라미터의 시험 조건을 상기 모델 데이터에 적용하여 가상 프로세스 값을 연산하는 스텝과, 상기 실제 프로세스 값 및 상기 가상 프로세스 값의 괴리가 미리 정한 허용 범위 외에 있는 경우, 상기 실제 프로세스 값을 이용하여 상기 모델 데이터에 대한 수정 처리를 실행하는 스텝을 포함하는 것을 특징으로 한다.
이것에 의해, 입력 파라미터의 전체 조합수의 시험을 행하여 최적치를 찾아내 모델 데이터를 단번에 수정하는 경우와 비교하여 시험 횟수를 줄일 수가 있다. 또한, 기술자는 괴리를 참조하는 것으로 모델 데이터의 정밀도를 인식하기 쉬워지고, 어느 입력 파라미터를 변화시켜 어떻게 모델 데이터가 변화했는지를 파악하기 쉬워진다.
본 발명에 의하면, 적은 시험 케이스 수의 학습 데이터에 의해, 모델 데이터의 정밀도를 확인하면서 모델 데이터를 작성할 수 있는 장치 및 방법을 제공할 수가 있다. 상기한 이외의 과제, 구성 및 효과는, 이하의 실시형태의 설명에 의해 밝혀진다.
도 1은 보일러를 나타내는 개략 구성도
도 2는 시험 계획 장치의 하드웨어 구성도
도 3은 시험 계획 장치의 기능 블럭도
도 4는 시험 계획 장치의 동작의 흐름을 나타내는 플로차트(flow chart)
도 5는 시험 계획 장치의 동작의 흐름을 나타내는 플로차트
도 6은 입력 파라미터의 그룹 분할의 설명도
도 7은 시험 조건의 첫회 설정예를 나타내는 도면
도 8은 가상 프로세스 값과 실제 프로세스 값의 상관도
도 9는 스코어 환산 데이터 예를 나타내는 도면
도 10은 시험 조건의 2번째 설정예를 나타내는 도면
도 2는 시험 계획 장치의 하드웨어 구성도
도 3은 시험 계획 장치의 기능 블럭도
도 4는 시험 계획 장치의 동작의 흐름을 나타내는 플로차트(flow chart)
도 5는 시험 계획 장치의 동작의 흐름을 나타내는 플로차트
도 6은 입력 파라미터의 그룹 분할의 설명도
도 7은 시험 조건의 첫회 설정예를 나타내는 도면
도 8은 가상 프로세스 값과 실제 프로세스 값의 상관도
도 9는 스코어 환산 데이터 예를 나타내는 도면
도 10은 시험 조건의 2번째 설정예를 나타내는 도면
이하, 본 발명의 실시의 형태를 도면에 근거하여 상세하게 설명한다. 한편, 실시의 형태를 설명하기 위한 전체 도면에 있어서, 동일한 기능을 가지는 부재에는 동일 또는 관련하는 부호를 부여하고, 그 반복의 설명은 생략한다. 이하의 실시형태에 의해 본 발명이 한정되는 것은 아니고, 또한, 실시형태가 복수 있는 경우에는, 각 실시형태를 조합하여 구성하는 것도 포함하는 것이다.
이하에서는, 발전 설비로서 화력 발전소에 설치된 보일러의 가상적인 동작을 규정한 모델 데이터용의 시험 조건을 시험 계획 장치가 제시하는 예에 대해 설명하지만, 발전 설비는 보일러로 한정되지 않는다.
도 1은 상기 보일러를 나타내는 개략 구성도이다. 도 1에 나타내는 보일러(1)는, 예를 들면 고체 연료를 연소시키는 것으로서, 석탄을 분쇄한 미분탄을 미분 연료(고체 연료)로서 이용하고, 이 미분탄을 화로의 연소 버너에 의해 연소시켜, 이 연소에 의해 발생한 열을 급수나 증기와 열 교환하여 증기를 생성하는 것이 가능한 석탄 연소 보일러이다.
보일러(1)는, 화로(11)와 연소 장치(12)와 화기 통로(13)를 가지고 있다. 화로(11)는, 예를 들면 사각 통의 중공 형상을 이루고 연직 방향을 따라 설치되어 있다. 화로(11)는, 벽면이, 증발관(전열관)과 증발관을 접속하는 핀으로 구성되고, 급수나 증기와 열 교환하는 것에 의해 화로벽의 온도 상승을 억제하고 있다. 구체적으로는, 화로(11)의 측벽 면에는, 복수의 증발관이 예를 들면 연직 방향을 따라 배치되고, 수평 방향으로 나란히 배치되어 있다. 핀은, 증발관과 증발관의 사이를 폐색하고 있다. 화로(11)는, 노저(爐底)에 경사면이 마련되어 있고, 경사면에 노저 증발관이 마련되어 저면이 된다.
연소 장치(12)는, 이 화로(11)를 구성하는 화로벽의 연직 하부 측에 마련되어 있다. 본 실시 형태에서는, 이 연소 장치(12)는, 화로벽에 장착된 복수의 연소 버너(예를 들면 (21), (22), (23), (24), (25))를 가지고 있다. 예를 들면, 이 연소 버너(버너)(21), (22), (23), (24), (25)는, 화로(11)의 둘레 방향을 따라 균등 간격으로 복수 배설되어 있다. 단, 화로의 형상이나 하나의 단에 있어서의 연소 버너의 수, 단수는 이 실시형태로 한정되는 것은 아니다.
이 각 연소 버너(21), (22), (23), (24), (25)는, 미분탄 공급관(26), (27), (28), (29), (30)을 거쳐서 분쇄기(미분탄기/밀)(31), (32), (33), (34), (35)에 연결되어 있다. 석탄이 도시하지 않은 반송 계통으로 반송되어, 이 분쇄기 (31), (32), (33), (34), (35)에 투입되면, 여기서 소정의 미분의 크기로 분쇄되고, 반송용 공기(1차 공기)와 함께 미분탄 공급관(26), (27), (28), (29), (30)으로부터 연소 버너(21), (22), (23), (24), (25)에 분쇄된 석탄(미분탄)을 공급할 수가 있다.
또한, 화로(11)는, 각 연소 버너(21), (22), (23), (24), (25)의 장착 위치에 풍상(風箱)(36)이 마련되어 있고, 이 풍상(36)에 공기 덕트(37b)의 일단부가 연결되고, 타단부는 공기를 공급하는 공기 덕트(37a)에 연결점(37d)에서 연결된다.
또한, 화로(11)의 연직 방향 위쪽에는 화기 통로(13)가 연결되어 있고, 이 화기 통로(13)에 증기를 생성하기 위한 복수의 열 교환기(41), (42), (43), (44), (45), (46), (47)가 배치되어 있다. 그 때문에, 연소 버너(21), (22), (23), (24), (25)가 화로(11) 내에 미분탄 연료와 연소용 공기의 혼합 기체를 분사하는 것으로 화염이 형성되고, 연소 가스가 생성되어 화기 통로(13)에 흐른다. 그리고 연소 가스에 의해, 화로벽 및 열 교환기(41~47)를 흐르는 급수나 증기를 가열하여 과열 증기가 생성되고, 생성된 과열 증기를 공급하여 도시하지 않은 증기 터빈을 회전 구동시키고, 증기 터빈의 회전축에 연결한 도시하지 않은 발전기를 회전 구동하여 발전을 행할 수가 있다. 또한, 이 화기 통로(13)는, 배기 가스 통로(48)가 연결되고, 연소 가스의 정화를 행하기 위한 탈초 장치(50), 송풍기(38)로부터 공기 덕트(37a)에 송기하는 공기와 배기 가스 통로(48)를 송기하는 배기 가스의 사이에서 열 교환을 행하는 에어 히터(49), 매진 처리 장치(51), 유인 송풍기(52) 등이 마련되고, 하류 단부에 굴뚝(53)이 마련되어 있다.
화로(11)는, 미분탄의 반송용 공기(1차 공기) 및 풍상(36)으로부터 화로(11)에 투입되는 연소용 공기(2차 공기)에 의한 연료 과잉 연소 후, 새롭게 연소용 공기(애프터 에어)를 투입하여 연료 희박 연소를 행하게 하는, 소위 2단 연소 방식의 화로이다. 그 때문에, 화로(11)에는 애프터 에어 포트(39)가 구비되고, 애프터 에어 포트(39)에 공기 덕트(37c)의 일단부가 연결되며, 타단부는 연결점(37d)에서 공기를 공급하는 공기 덕트(37a)에 연결된다.
송풍기(38)으로부터 공기 덕트(37a)에 송기된 공기는, 에어 히터(49)에서 연소 가스와 열 교환에 의해 데워지고, 연결점(37d)에서 공기 덕트(37b)를 경유하여 풍상(36)으로 유도되는 2차 공기와, 공기 덕트(37c)를 경유하여 애프터 에어 포트(39)로 유도되는 애프터 에어로 분기한다.
도 2는, 시험 계획 장치(210)의 하드웨어 구성도이다. 시험 계획 장치(210)는, CPU(Central Processing Unit)(211), RAM(Random Access Memory)(212), ROM(Read Only Memory)(213), HDD(Hard Disk Drive)(214), 입출력 인터페이스(I/F) (215), 및 통신 인터페이스(I/F)(216)를 포함하고, 이것들이 버스(217)를 통해서 서로 접속되어 구성된다. 입출력 인터페이스(I/F)(215)에는 키보드 등의 입력 장치(218) 및 디스플레이나 프린터 등의 출력 장치(219)가 각각 접속된다. 또한, 시험 계획 장치(210)의 통신 I/F(216) 및 보일러(1)는, 네트워크(100)를 통해서 접속되어도 좋고, 기억 매체(201), 예를 들면 메모리 카드에 접속되어 후술하는 실제 프로세스 값을 취득한다. 한편, 시험 계획 장치(210)의 하드웨어 구성은 상기로 한정되지 않고, 제어 회로와 기억 장치의 조합에 의해 구성되어도 좋다.
도 3은, 시험 계획 장치(210)의 기능 블럭도이다. 시험 계획 장치(210)는, 입력 파라미터 제시부(211a), 시뮬레이션부(211b), 실제 프로세스 값 취득부(211c), 모델 데이터 학습부(211d), 스코어 산출부(211e), 학습 시행 횟수 결정부(211f), 출력 제어부(211g)를 포함한다. 이들의 각 구성 요소는, ROM(213)이나 HDD(214)에 미리 저장된 각 기능을 실현하는 소프트웨어를 CPU(211)가 RAM(212) 상에 로드하여 실행하는 것으로, 소프트웨어와 하드웨어가 협동하여 구성되어도 좋고, 각 기능을 실현하는 제어 회로에 의해 구성되어도 좋다. 또한, 시험 계획 장치(210)는, 입력 파라미터 기억부(214a), 모델 데이터 기억부(214b), 시험 결과 기억부(214c), 및 스코어 환산 데이터 기억부(214d)를 포함한다. 시험 결과 기억부(214c)에는, 시험 조건 기억 영역(214c1), 가상 프로세스 값 기억 영역(214c2), 실제 프로세스 값 기억 영역(214c3), 및 스코어 기억 영역(214c4)이 포함되고, 각 기억 영역이 서로 관계지어져 구성된다. 상기 각 기억부 및 기억 영역은, RAM(212), ROM(213), 또는 HDD(214)의 일부 영역에 구성되어도 좋다.
도 4 내지 도 10을 참조하여 시험 계획 장치(210)의 동작에 대해 설명한다. 도 4 및 도 5는, 시험 계획 장치(210)의 동작의 흐름을 나타내는 플로차트이다. 도 6은, 입력 파라미터의 그룹 분할의 설명도이다. 또한, 도 6에서는 가상 프로세스 값 및 실제 프로세스 값의 구별을 하지 않고 단지 프로세스 값이라고 기재하고 있다. 도 7은 시험 조건의 첫회 설정예를 나타내는 도면이다. 도 8은, 가상 프로세스 값과 실제 프로세스 값의 상관도이다. 도 9는 스코어 환산 데이터 예를 나타내는 도면이다. 도 10은 시험 조건의 2번째 설정예를 나타내는 도면이다.
이하의 처리에 앞서, 도 3에 도시한 시험 조건 기억 영역(214c1)에는 미리 시뮬레이션에 이용하는 입력 파라미터가 각 프로세스 값에 대한 각 입력 파라미터의 상호의 관계에 근거해 복수의 파라미터군으로 그룹핑되어 기억된다.
본 실시 형태에서는 입력 파라미터의 상호의 관계는 프로세스 값에의 영향을 고려한다. 또한, 보일러 내에 있어서의 입력 파라미터의 위치(입력 파라미터에 관계된 기기의 위치, 입력 파라미터를 변경한 경우의 영향 범위의 위치 등)도 고려한다. 예를 들면, 본 실시 형태에서는, 각 입력 파라미터의 상호 관계가 프로세스 값에의 영향이 적은 입력 파라미터를, 미리 복수로 그룹핑된 파라미터군으로 한다. 그리고 이 파라미터군은, 복수의 입력 파라미터를 보일러(1)의 연소 가스의 하류 측으로부터 상류 측으로 향하게 하는 순서에 따라 복수의 영역으로 구분되어 구성된다. 결과가 일층으로 결정되어 있는 연소 가스의 하류 측의 영역에서의 프로세스 값으로부터, 향후 결과가 결정되는 연소 가스의 상류 측의 영역으로 순차적으로 구분하는 것으로, 입력 파라미터의 상호 관계에 따른 그룹핑이 실현될 수 있으므로, 그룹핑한 파라미터군으로부터 얻어지는 프로세스 값의 정밀도가 향상한다. 그래서 본 실시 형태에서는 도 6에 나타내는 바와 같이 복수의 영역으로 구분되고, 예를 들면, 입력 파라미터군 G1은 보일러 출구 근방(예를 들면 화로(11) 출구로부터 열 교환기(41) 근방)의 입력 파라미터의 값 pA1, pA2를 포함한다. 또한, 입력 파라미터군 G2는 보일러 출구로부터 버너(예를 들면 화로(11) 출구로부터 연소 버너(21) 근방)의 입력 파라미터의 값 pB1, pB2, 입력 파라미터군 G3는 버너(예를 들면 연소 버너(21), (22), (23), (24), (25) 근방)의 입력 파라미터의 값 pC1를, 입력 파라미터군 G4는 연료 공급 설비(예를 들면 분쇄기(31), (32), (33), (34), (35) 근방)에 관한 입력 파라미터의 값 pD1, pD2, pD3를 포함한다.
모델 데이터 기억부(214b)에는 7 종류의 가상 프로세스 값 vA, vB, vC, vD, vE, vF, vG(도 6에서는 가상 프로세스 값 및 실제 프로세스 값의 구별을 하지 않고 단지, 프로세스 값 A, 프로세스 값 B,··프로세스 값 G로 기재)를 연산하기 위한 7개의 모델 데이터 fA(p), fB(p), fC(p), fD(p), fE(p), fF(p), fG(p)가 기억된다.
각 모델 데이터 fA(p), fB(p), fC(p), fD(p), fE(p), fF(p), fG(p)에 대하여 모든 입력 파라미터의 값 pA1, pA2, pB1, pB2, pC1, pD1, pD2, pD3를 적용시켜 7개의 가상 프로세스 값 vA, vB, vC, vD, vE, vF, vG를 산출한다.
여기서 각 입력 파라미터는, 상대적으로 관계가 강한(각 입력 파라미터에 대한 실제 프로세스 값에의 응답성이나 값의 변화율 등이 높은) 것과 상대적으로 관계가 낮은(각 입력 파라미터에 대한 실제 프로세스 값에의 응답성이나 값의 변화율등이 낮은) 것이 있고, 상호의 관계에 근거해 복수의 파라미터군으로 그룹핑한다. 상기 연소 가스로부터 순서로 입력 파라미터를 그룹핑한 결과, 입력 파라미터군 G1는 실제 프로세스 값 rA, rB, rC, rD, rE(도 6에서는 가상 프로세스 값 및 실제 프로세스 값의 구별하지 않고 단지, 프로세스 값 A, 프로세스 값 B,··프로세스 값 G으로 기재)에 대한 응답성이나 값의 변화율 등이 비교적 높고 상대적으로 관계가 강한 입력 파라미터의 값 pA1, pA2의 집합을 형성하고 있다. 마찬가지로, 입력 파라미터군 G2는 실제 프로세스 값 rA, rC, rD, rE, rF에 대한 상대적으로 관계가 강한 입력 파라미터의 값 pB1, pB2의 집합을 형성하고 있다. 입력 파라미터군 G3는 실제 프로세스 값 rA, rF, rG에 대한 상대적으로 관계가 강한 입력 파라미터의 값 pC1를 포함하여 형성된다. 입력 파라미터군 G4는 실제 프로세스의 값 rA, rF에 대한 상대적으로 관계가 강한 입력 파라미터의 값 pD1, pD2, pD3를 포함하는 집합으로서 형성된다.
상기 입력 파라미터의 구체예로서, 보일러(1)의 경우에서는 연소용 공기의 공급량, 버너 각도, 연료 공급 설비의 가동 대수, 애프터 에어 포트의 밸브 개방도(애프터 에어 공급 유량)가 있고, 프로세스 값의 구체예로서 환경 부하량(NOx, CO의 농도), 설비 효율, 부품 온도, 증기 온도, 전열관 메탈 온도 등이 있다.
도 4로 돌아와, 시험 계획 장치(210)의 동작의 흐름을 나타내는 플로차트를 설명한다. 우선, 입력 파라미터 제시부(211a)는, 시험 조건 기억 영역(214c1)을 참조해, 복수의 파라미터군 중 하나를 학습 대상 파라미터군으로서 결정하고, 그 외를 비학습 대상 파라미터군으로서 결정해, 각 입력 파라미터를 취득한다(S101). 특히 본 실시 형태의 예에서는 입력 파라미터 제시부(211a)는, 연소 가스의 하류 측의 영역으로부터 상류 측의 영역으로 향하게 하는 순서에 따라 학습 대상 파라미터군을 선택한다. 따라서, 첫회의 시험 조건 제시는 도 7의 예에 나타내는 바와 같이, 학습 대상 파라미터군을 입력 파라미터군 G1, 비학습 대상 파라미터군을 입력 파라미터군 G2, G3, G4로 결정한다.
학습 시행 횟수 결정부(211f)는 학습 대상 파라미터군에 포함되는 입력 파라미터의 종류 수 및 각 입력 파라미터의 변수의 수를 근거로 학습 시행 횟수 n를 결정한다(S102). 도 7의 예에서는 입력 파라미터군 G1의 변수의 종류 수는 pA1와 pA2의 2개, 변수의 수는 시험 조건 1, 2, 3의 3개이므로, G1의 모든 변수의 조합의 시험을 실행하려고 하면, 32(3×3)로 9 패턴의 시험 조건으로 시뮬레이션을 행할 필요가 있다. 그래서, 학습 시행 횟수 결정부(211f)는, 통계적 수법을 이용하여 미리 정해진 학습 시행 횟수 결정 조건에 따라, 모든 변수의 조합을 망라한 시험 횟수보다 적은 학습 시행 횟수 n를 결정한다. 본례에서는 n=3으로 한다.
입력 파라미터 제시부(211a)는, 학습 시행 횟수 결정부(211f)가 결정한 n 회의 시험에 이용하기 위한 시험 조건, 즉 n 패턴의 시험 조건의 각 입력 파라미터를 결정하고, 시험 조건을 제시한다(S103). 본 예에서는 3 패턴의 시험 조건 1~3의 모두에 있어서, 입력 파라미터군 G1의 파라미터는 변수로 하고, 입력 파라미터군 G2, G3, G4의 파라미터는 고정치로 한다. 이 고정치는, 각 입력 파라미터의 표준적인 값이나 설계치, 또 최적치라고 예상되는 값을 이용해도 좋다.
입력 파라미터 제시부(211a)는 제시한 n 패턴의 시험 조건을 시험 조건 기억 영역(214c1)에 기억함과 더불어, 출력 제어부(211g)에 출력한다.
출력 제어부(211g)로부터 출력된 n 패턴의 시험 조건은 보일러(1)에서 실제로 시험 운전을 행해 실제 프로세스 값 rAk~rGk(k=1~n)가 얻어진다. 실제 프로세스 값 취득부(211c)는 이 실제 프로세스 값 rAk~rGk를 네트워크(100)나 기억 매체(201), 또는 입력 장치(218)를 통해서 취득하고(S104), 실제 프로세스 값 기억 영역(214c3)에 기억한다.
시뮬레이션부(211b)는, 시험 조건 기억 영역(214c1)으로부터 각 시험 조건을 읽어내고, 각 가상 프로세스 값 vAk~vGk를 연산하기 위해서 마련된 모델 데이터 fA(p), fB(p)···, fG(p)에 적용시켜, 가상 프로세스 값 vAk~vGk의 각각을 연산한다. 그리고 출력 제어부(211g)는, 시험 조건과 그것을 적용했을 경우의 가상 프로세스 값 및 실제 프로세스 값을 출력한다(S105).
모델 데이터 기억부(214b)에는, 가상 프로세스 값vA~vG의 종류에 따라 결정된 모델 데이터 fA(p), fB(p)···, fG(p)가 가상 프로세스 값의 종류 수와 동일 수, 기억되어 있다. 시뮬레이션부(211b)는 순차적으로 시험 조건 k(pA1k, pA2k, pB1k, pB2k, pC1k, pD1k, pD2k, pD3k)를 각 모델 데이터에 적용하고, 하기 식(1)에 의해 시험 조건 k의 각 가상 프로세스 값vAk~vGk를 산출한다.
[수 1]
식(1)에 있어서, 시험 조건 1~3에서는 pA1k, pA2k는 변수이며, pB1k, pB2k, pC1k, pD1k, pD2k, pD3k는 고정치이다.
모델 데이터 학습부(211d)는, 각 프로세스 값의 종류마다 가상 프로세스 값 및 실제 프로세스 값을 비교하고, 모든 프로세스 값에 대해, 가상 프로세스 값 및 실제 프로세스 값의 괴리(가상 프로세스 값과 실제 프로세스 값의 차이의 절대치)가 소정치로서 미리 정해진 허용 범위(이하 「허용 범위」라고 약기한다) 내에 있는지를 판단한다(S106). 허용 범위 외가 되는 모델 데이터가 1개라도 있다면(S106/No), 허용 범위 외가 되는 모델 데이터만을 수정하여 수정 후의 모델 데이터를 생성한다(S107). 도 7의 예에서는 수정 후의 모델 데이터 fAa(p)를 생성한다.
도 8은, 가상 프로세스 값 및 실제 프로세스 값의 상관도이다. 그래프 1은, 시험 조건 1, 2, 3에 의해 보일러(1)에서 시험 운전을 실시하여 얻어진 실제 프로세스 값, 예를 들면 rA1, rA2, rA3를 플롯한 점을 근거로 생성한 그래프(예를 들면 최소 이승법에 의한)이다. 이 그래프를 중심으로, 모델 데이터 fA(p)의 수정의 필요 여부 판단에 이용하는 허용 범위를 마련해 둔다. 그리고 가상 프로세스 값이 그 허용 범위 내에 포함되어 있으면 모델 데이터 fA(p)는 수정 불요, 포함되어 있지 않으면 모델 데이터 학습부(211d)는 입력 파라미터에 대하여 실제 프로세스 값 rA1이 얻어지도록 모델 데이터 fA(p)를 수정하여 수정 후의 모델 데이터 fAa(p)를 생성한다. 다른 모델 데이터에 대해서도 모델 데이터 fA(p)와 같은 순서로 수정 필요 여부의 판단 및 수정 필요의 경우는 수정한다.
모델 데이터 학습부(211d)는, 수정 후의 모델 데이터를 이용하여 재차 시뮬레이션 처리를 실행하고, 수정 후의 가상 프로세스 값을 연산한다. 출력 제어부(211g)는, 수정 후의 모델 데이터에 적용한 시험 조건과 그때의 가상 프로세스 값, 및 실제 프로세스 값을 출력한다(S108). 도 7의 예에서는, 수정 후의 모델 데이터 fAa(p)에 시험 조건 1~3을 적용시켜 가상 프로세스 값 vA1a, vA2a, vA3a를 재차 산출한다. 이 가상 프로세스 값 vA1a, vA2a, vA3a와 실제 프로세스 값 rA, rB, rC의 괴리가 허용 범위에 들어가 있으면(S109/Yes) 수정이 적절히 행해진 것으로 하여 모델 데이터 기억부(214b)에 기억되어 있는 모델 데이터 fA(p)를 수정 후의 모델 데이터 fAa(p)로 고쳐 쓰고(S110), 스텝 S106으로 돌아온다.
수정 후의 모델 데이터로 얻어진 가상 프로세스 값, 예를 들면 상기 가상 프로세스 값 vA1a, vA2a, vA3a가 실제 프로세스 값 rA, rB, rC의 허용 범위에 들어가 있지 않으면(S109/No), 재시험 조건 제시 처리를 실행한다(S111).
재시험 조건 제시 처리(S111)에서는, 입력 파라미터 제시부(211a)는, 실제 프로세스 값과 수정 후의 모델 데이터를 이용하여 시뮬레이션부(211b)에 의해 연산된 가상 프로세스 값의 괴리가 미리 정해진 허용 범위 외에 있는 경우, 학습 대상 파라미터군의 변수로 된 입력 파라미터의 간격 혹은 범위를 변경하고, 재차 시험 조건을 제시한다. 그리고 다시 제시된 시험 조건을 이용하여 스텝 S104 내지 스텝 S111를 실행한다. 그 후 스텝 S106으로 돌아온다.
모델 데이터 학습부(211d)는, 모든 가상 프로세스 값 및 그것에 대응하는 실제 프로세스 값의 괴리가 허용 범위 내이면(S106/Yes), 모델 데이터의 수정은 불필요하다. 그래서, 도 5에 나타내는 바와 같이 입력 파라미터 제시부(211a)는 학습 대상 파라미터군으로서 선택하고 있지 않은 입력 파라미터군이 남아 있는지를 판정하고(S112), 남아 있으면 새로운 학습 대상 파라미터군을 이용한 시험 조건의 제시 처리를 개시한다(S112/No).
그러면, 스코어 산출부(211e)는, 스코어 환산 데이터 기억부(214d)에 미리 설정된 스코어 환산 데이터(도 9 참조)를 이용하여, 스텝 S101에서 선택한 학습 대상 파라미터군을 이용한 시험 조건 1~k의 평가 스코어를 산출하고, 스코어 기억 영역(214c4)에 기억한다(S113).
도 9는 스코어 환산 데이터의 일례를 나타내는 도면이다. 각 실제 프로세스 값은, 소정의 목표보다 멀어짐에 따라 스코어의 값이 작아지는 것으로 하고, 각 실제 프로세스 값의 특성으로는, 예를 들면 프로세스 값이 작아질수록 스코어의 값이 증가하는 것을 예시하고 있다. 스코어 환산 데이터 기억부(214d)에는, 각 실제 프로세스 값 rA~rG의 종류의 각각에 대응하는 스코어 환산 데이터가 기억되어 있다. 스코어 산출부(211e)는 실제 프로세스 값 rA1를 읽어내고, 실제 프로세스 값 rA1에 대응하는 스코어 환산 데이터를 이용하여 실제 프로세스 값 rA1에 대한 스코어를 산출한다. 마찬가지로, 모든 실제 프로세스 값 rB1~rG1에 대한 스코어를 산출한다. 그리고 시험 조건 1로 얻어진 각 실제 프로세스 값을 근거로 산출한 스코어의 집계치를 이용하여 시험 조건 1의 전체 스코어를 산출한다. 마찬가지로 시험 조건 2, 3의 전체 스코어도 산출한다.
상기에서는, 실제 프로세스 값을 이용하여 각 시험 조건의 전체 스코어를 산출한 것으로 했지만, 가상 프로세스 값이 실제 프로세스 값과의 괴리가 허용 범위내에 있으면 가상 프로세스 값에 대하여 스코어 부가를 행하고, 각 시험 조건의 전체 스코어를 산출해도 좋다.
입력 파라미터 제시부(211a)는 스코어 기억 영역(214c4)에 기억된 평가 스코어를 참조하고, 시험 결과가 실제 프로세스 값의 소정의 목표치(최적치)에 보다 근사한 것으로서 상대적으로 양호한 것, 바람직하게는 가장 양호한 것을 선택한다(S114).
입력 파라미터 제시부(211a)는 다음의 새로운 학습 대상 파라미터군, 예를 들면 입력 파라미터군 G2를 선택하고(S115), 학습 시행 횟수 결정부(211f)가 입력 파라미터군 G2에 포함되는 입력 파라미터의 종류 수 및 변수의 수를 근거로 학습 시행 횟수 n를 새롭게 결정한다(S116).
입력 파라미터 제시부(211a)는 새롭게 결정된 학습 시행 횟수 n와 동일 수의 패턴 수로 이루어지는 새로운 시험 조건을 제시한다(S117).
본 스텝에서는, 새롭게 선택된 학습 대상 파라미터군의 입력 파라미터는 변수로 하고, 이전에 학습 대상 파라미터군으로서 선택된 입력 파라미터군의 입력 파라미터(예를 들면, 입력 파라미터군 G1)는, 미리 설정된 스코어 환산 데이터를 이용하여 산출한 평가 스코어를 근거로, 실제 프로세스 값의 소정의 목표치(최적치)에 보다 근사한 최적 조건에 가장 근사한 것으로서 선택된 시험 조건의 입력 파라미터를 이용한다. 도 10의 예에서는, 시험 조건이 2번째의 설정으로서, 새로운 학습 대상 파라미터군을 입력 파라미터군 G2로 하여 입력 파라미터의 값 pB1k, pB2k는 변수, 비학습 대상 파라미터군의 하나인 입력 파라미터군 G1의 입력 파라미터는 최적 조건이라고 판단된 시험 조건 3의 입력 파라미터의 값 pA13, pA23, 입력 파라미터 군G3, G4의 입력 파라미터의 값은 고정치 pC1f, pD1f, pD2f로 한다.
모든 입력 파라미터군을 학습 대상 파라미터군으로서 선택하고 끝낸 경우는(S112/Yes), 일련의 처리를 종료한다.
발전 설비로서 화력 발전소에 설치되는 보일러의 운전에 이용되는 입력 파라미터는 예를 들면 10항목 이상 다수 개 있고, 프로세스 값도 다수 개 있다. 게다가 어떤 입력 파라미터를 변경하면 양호해지는 프로세스 값과 악화하는 프로세스 값이 혼재하고 있어 운전 제어가 복잡하기 때문에, 운전 지원의 일환으로서, 보일러의 가상적인 동작을 규정한 모델 데이터를 구성하고, 이것을 이용한 시뮬레이션을 실시하는 것이 있다. 이 시뮬레이션의 정밀도를 향상시키기 위해서, 입력 파라미터를 다단계로 설정하여 시험 운전을 할 때에, 시행하는 시험 조건이 증가할수록 시험 운전의 시간이 길게 걸리는 한편, 시험 조건을 특별한 근거 없이 줄이면 모델 데이터의 정밀도가 악화하기 때문에, 시험 조건을 적절히 설정하고 싶다고 하는 요망이 있다.
본 실시 형태에 의하면, 입력 파라미터를 각 입력 파라미터의 상호의 관계에 근거하여, 미리 복수의 파라미터군으로 그룹핑하고 있다. 예를 들면 각 입력 파라미터의 상호 관계가 프로세스 값에의 영향이 적은 것을 미리 그룹핑하여 복수의 입력 파라미터군으로 하고 있다. 학습 대상 파라미터군의 입력 파라미터는 변수로 하고, 비학습 대상 파라미터군의 입력 파라미터는 고정치로 하는 시험 조건을 이용한 가상 프로세스 값 및 실제 프로세스 값의 비교를 근거로, 최초로 모델 데이터를 수정해 최적치가 발견되면 그것을 고정치로서 이용하고, 순차적으로 학습 대상 파라미터군을 변경하면서 모델 데이터를 수정한다. 그 때문에, 입력 파라미터를 미리 그룹핑하지 않고 입력 파라미터의 전체 조합수의 시험을 행하여 최적치를 찾아내 모델 데이터를 단번에 수정하는 경우와 비교하여, 시험 횟수를 줄일 수가 있다. 또한, 시험 조건과 함께 실제 프로세스 값 및 가상 프로세스 값을 출력하는 것으로, 기술자는 어느 입력 파라미터를 변화시켜 어떻게 모델 데이터가 변화했는지를 파악하기 쉬워진다. 또한, 기술자는 실제 프로세스 값 및 가상 프로세스 값의 괴리의 대소를 근거로 모델 데이터의 정밀도를 파악하기 쉬워진다.
또한, 복수의 입력 파라미터를 보일러의 연소 가스의 하류 측으로부터 상류 측으로 향하게 하는 순서에 따라 복수의 영역으로 구분하고, 이 순서에 따라 학습 대상 파라미터군을 선택하는 것에 의해, 기술자가 동일한 파라미터군에 포함되는 입력 파라미터의 종류를 보다 인식하기 쉬워진다. 또한, 보일러의 실제 프로세스 값에 부여하는 입력 파라미터의 상호의 관계에 따른 그룹핑이 실현될 수 있으므로, 그룹핑한 파라미터군으로부터 얻어지는 프로세스 값의 정밀도가 향상한다.
또한, 학습 시행 횟수 결정부(211f)에 의해, 학습 대상 파라미터군 내의 입력 파라미터의 전체 조합(예를 들면 32=9 패턴)보다 적은 학습 시행 횟수(예를 들면 3회)로 한정하므로, 입력 파라미터의 그룹핑의 효과에 따른 시험 횟수의 저감에 더하여, 한층 더 시험 횟수의 저감을 도모하면서, 효율적으로 모델 데이터의 정밀도를 높일 수가 있다.
또한, 수정 후 모델 데이터의 정밀도가 불충분한 경우에는, 입력 파라미터 제시부(211a)가 학습 대상 파라미터군의 변수로 된 입력 파라미터의 간격 혹은 범위를 변경하여 새로운 시험 조건을 제시하므로, 수정 후의 모델 데이터의 정밀도 불량의 개선이 행해진다.
상기 실시형태는 본 발명을 한정하는 것은 아니고, 본 발명의 취지를 일탈하지 않는 여러가지 변경 태양은, 본 실시 형태에 포함된다. 예를 들면 도 4의 스텝 S104, S105에 있어서, 실제 프로세스 값의 취득과 가상 프로세스 값의 연산 순서를 교체해도 좋다. 또한, 스텝 S105나 스텝 S108에 있어서 실제 프로세스 값의 취득과 가상 프로세스 값의 기술자에 대한 출력은 행하지 않고, 시험 계획 장치 내부에 있어서, 예를 들면 실제 프로세스 값의 취득과 가상 프로세스 값을 모델 데이터 학습부에 출력하는 태양으로 바꾸어도 좋다. 또한, 스코어 산출부(211e)에 의한 평가 스코어의 산출은 시험 결과가 양호한 조건의 추출예에 지나지 않고, 스코어를 이용하지 않고 실제 프로세스 값 및 가상 프로세스 값의 실제 값을 이용하여 양호한 시험 조건을 추출해도 좋다.
또한, 발전 설비로서 보일러와는 다른 운전 설비의 모델 데이터의 학습에 본 발명을 적용해도 좋다.
또한, 입력 파라미터 제시부(211a)는 제시한 시험 조건을 출력 제어부(211g)로부터 출력 장치(219)에 출력하고, 기술자가 수시 제시된 시험 조건을 시인할 수 있도록 구성해도 좋다. 또한, 제시된 시험 조건에 대하여 입력 장치(218)를 통해서 기술자가 수정 조작을 행할 수 있도록 구성해도 좋다.
1:보일러
100:네트워크
210:시험 계획 장치
211a:입력 파라미터 제시부
211b:시뮬레이션부
211c:실제 프로세스 값 취득부
211d:모델 데이터 학습부
211e:스코어 산출부
211f:학습 시행 횟수 결정부
214a:입력 파라미터 기억부
214b:모델 데이터 기억부
214c:시험 결과 기억부
214d:스코어 환산 데이터 기억부
100:네트워크
210:시험 계획 장치
211a:입력 파라미터 제시부
211b:시뮬레이션부
211c:실제 프로세스 값 취득부
211d:모델 데이터 학습부
211e:스코어 산출부
211f:학습 시행 횟수 결정부
214a:입력 파라미터 기억부
214b:모델 데이터 기억부
214c:시험 결과 기억부
214d:스코어 환산 데이터 기억부
Claims (6)
- 보일러의 모델 데이터에 대하여 복수의 입력 파라미터의 시험 조건을 제시하는 시험 계획 장치로서,
상기 복수의 입력 파라미터의 시험 조건을 제시하는 입력 파라미터 제시부와,
상기 입력 파라미터의 시험 조건을 보일러의 가상적인 동작을 규정한 모델 데이터에 적용하여 가상 프로세스 값을 연산하는 시뮬레이션부와,
상기 입력 파라미터의 시험 조건을 상기 보일러에 설정하여 실제 운전을 행해 얻어지는 실제 프로세스 값을 취득하는 실제 프로세스 값 취득부와,
상기 모델 데이터에 대하여 수정 처리를 행하는 모델 데이터 학습부와,
상기 시험 조건을 적용하여 얻어진 상기 가상 프로세스 값 및 상기 실제 프로세스 값을 출력하는 출력 제어부를 구비하고,
상기 입력 파라미터의 시험 조건은, 상기 복수의 입력 파라미터가, 각 실제 프로세스 값에 대한 각 입력 파라미터의 상호의 관계에 근거해 복수의 파라미터군으로 분류되고,
상기 파라미터군은, 상기 복수의 입력 파라미터를 상기 보일러의 연소 가스의 하류 측으로부터 상류 측으로 향하게 하는 순서에 따라 복수의 영역으로 구분되어 구성되고,
상기 입력 파라미터 제시부는, 상기 순서에 따라 상기 복수의 파라미터군으로부터 학습 대상 파라미터군을 1개 선택하고, 상기 학습 대상 파라미터군의 입력 파라미터는 변수로 하고, 나머지의 다른 파라미터군은 비학습 대상 파라미터군으로 하여, 상기 비학습 대상 파라미터군의 입력 파라미터는 고정치로 하는 시험 조건을 제시하고,
상기 모델 데이터 학습부는, 상기 실제 프로세스 값 및 상기 가상 프로세스 값의 괴리가 미리 정한 허용 범위 외에 있는 경우, 상기 실제 프로세스 값을 이용하여 상기 모델 데이터에 대한 수정 처리를 행하는
시험 계획 장치. - 제 1 항에 있어서,
상기 입력 파라미터 제시부는, 상기 복수의 파라미터군으로부터 새로운 학습 대상 파라미터군을 선택한 경우, 상기 새로운 학습 대상 파라미터군의 입력 파라미터는 변수로 하고, 과거에 학습 대상 파라미터군으로서 선택한 입력 파라미터는, 해당 학습 대상 파라미터군을 이용하여 제시된 시험 조건 중, 시험 결과가 상대적으로 양호하였던 시험 조건의 입력 파라미터를 고정치로 하는 새로운 시험 조건을 제시하는
시험 계획 장치. - 삭제
- 제 1 항에 있어서,
상기 학습 대상 파라미터군에 포함되는 각 입력 파라미터에 대하여 설정된 변수의 개수를 근거로 미리 정해진 학습 시행 횟수 결정 조건에 따라 학습 시행 횟수를 결정하는 학습 시행 횟수 결정부를 더 구비하는
것을 특징으로 하는 시험 계획 장치. - 제 1 항에 있어서,
상기 실제 프로세스 값 및 상기 수정 처리가 행해진 모델 데이터를 이용하여 상기 시뮬레이션부에 의해 연산된 가상 프로세스 값의 괴리가 미리 정해진 허용 범위 외에 있는 경우, 상기 입력 파라미터 제시부는, 상기 학습 대상 파라미터군의 변수로 된 입력 파라미터의 간격 혹은 범위를 변경하는
것을 특징으로 하는 시험 계획 장치. - 보일러의 가상적인 동작을 규정한 모델 데이터에 대하여 복수의 입력 파라미터의 시험 조건을 제시하는 시험 계획 방법으로서,
상기 복수의 입력 파라미터를 보일러에 설정하여 실제 운전을 행해 얻어지는 실제 프로세스 값에 대한 각 입력 파라미터의 상호의 관계에 근거해, 상기 복수의 입력 파라미터를 상기 보일러의 연소 가스의 하류 측으로부터 상류 측으로 향하게 하는 순서에 따라 복수의 영역으로 구분된 복수의 파라미터군으로 분류된 복수의 입력 파라미터를 취득하는 스텝과,
상기 복수의 파라미터군 중, 상기 순서에 따라 1개 선택한 학습 대상 파라미터군의 입력 파라미터는 변수로 하고, 다른 비학습 대상 파라미터군의 입력 파라미터는 고정치로 된 복수의 입력 파라미터의 시험 조건을 제시하는 스텝과,
상기 입력 파라미터의 시험 조건을 상기 보일러에 설정하여 실제 운전을 행하여 얻어지는 실제 프로세스 값을 취득하는 스텝과,
상기 입력 파라미터의 시험 조건을 상기 모델 데이터에 적용하여 가상 프로세스 값을 연산하는 스텝과,
상기 실제 프로세스 값 및 상기 가상 프로세스 값의 괴리가 미리 정한 허용 범위 외에 있는 경우, 상기 실제 프로세스 값을 이용하여 상기 모델 데이터에 대한 수정 처리를 실행하는 스텝과,
상기 수정된 모델 데이터에 상기 시험 조건을 적용하여 얻어진 상기 가상 프로세스 값 및 상기 실제 프로세스 값을 출력하는 스텝
을 포함하는 것을 특징으로 하는 시험 계획 방법.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017023543A JP6881997B2 (ja) | 2017-02-10 | 2017-02-10 | 試験計画装置及び試験計画方法 |
JPJP-P-2017-023543 | 2017-02-10 | ||
PCT/JP2018/003864 WO2018147239A1 (ja) | 2017-02-10 | 2018-02-05 | 試験計画装置及び試験計画方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20190117606A KR20190117606A (ko) | 2019-10-16 |
KR102216820B1 true KR102216820B1 (ko) | 2021-02-17 |
Family
ID=63108295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020197026439A KR102216820B1 (ko) | 2017-02-10 | 2018-02-05 | 시험 계획 장치 및 시험 계획 방법 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20210286922A1 (ko) |
JP (1) | JP6881997B2 (ko) |
KR (1) | KR102216820B1 (ko) |
CN (1) | CN110268349B (ko) |
DE (1) | DE112018000771T5 (ko) |
PH (1) | PH12019501844A1 (ko) |
TW (2) | TW201941091A (ko) |
WO (1) | WO2018147239A1 (ko) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7220047B2 (ja) * | 2018-10-25 | 2023-02-09 | 三菱重工業株式会社 | プラントの運転支援装置 |
KR102176765B1 (ko) * | 2018-11-26 | 2020-11-10 | 두산중공업 주식회사 | 연소 최적화를 위한 학습 데이터를 생성하기 위한 장치 및 이를 위한 방법 |
KR102245794B1 (ko) * | 2019-04-03 | 2021-04-28 | 두산중공업 주식회사 | 보일러 연소 모델 자동 생성 장치 및 방법 |
CN110941561A (zh) * | 2019-12-05 | 2020-03-31 | 北京星际荣耀空间科技有限公司 | 一种飞行控制软件测评方法、装置及*** |
JP2023017358A (ja) * | 2021-07-26 | 2023-02-07 | 株式会社日立製作所 | 実験計画装置、実験計画方法および実験計画システム |
CN116520816B (zh) * | 2023-07-05 | 2023-09-05 | 天津信天电子科技有限公司 | 伺服控制驱动器测试方法、装置、测试设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008009934A (ja) | 2006-06-30 | 2008-01-17 | Kagawa Univ | データ処理装置,データ処理方法,作業機械の遠隔診断システム及び作業機械の遠隔診断方法 |
JP4989421B2 (ja) | 2007-10-30 | 2012-08-01 | 株式会社日立製作所 | プラントの制御装置および火力発電プラントの制御装置 |
JP2017016353A (ja) | 2015-06-30 | 2017-01-19 | 三菱日立パワーシステムズ株式会社 | 制御パラメータ最適化システム及びそれを備えた運転制御最適化装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2907672B2 (ja) * | 1993-03-12 | 1999-06-21 | 株式会社日立製作所 | プロセスの適応制御方法およびプロセスの制御システム |
JP4807565B2 (ja) * | 2006-02-01 | 2011-11-02 | 富士電機株式会社 | 流量予測装置 |
JP4427074B2 (ja) * | 2007-06-07 | 2010-03-03 | 株式会社日立製作所 | プラントの制御装置 |
JP5277064B2 (ja) * | 2009-04-22 | 2013-08-28 | 株式会社日立製作所 | プラントの制御装置、火力発電プラントの制御装置及び火力発電プラント |
CN102494336B (zh) * | 2011-12-16 | 2013-09-25 | 浙江大学 | 一种循环流化床锅炉燃烧过程多变量控制方法 |
JP6350736B2 (ja) * | 2015-02-17 | 2018-07-04 | 富士通株式会社 | 判定装置、判定方法および判定プログラム |
CN104763999A (zh) * | 2015-03-04 | 2015-07-08 | 内蒙古瑞特优化科技股份有限公司 | 电厂煤粉锅炉燃烧性能在线优化方法和*** |
-
2017
- 2017-02-10 JP JP2017023543A patent/JP6881997B2/ja active Active
-
2018
- 2018-02-05 US US16/484,778 patent/US20210286922A1/en not_active Abandoned
- 2018-02-05 DE DE112018000771.5T patent/DE112018000771T5/de not_active Withdrawn
- 2018-02-05 WO PCT/JP2018/003864 patent/WO2018147239A1/ja active Application Filing
- 2018-02-05 CN CN201880010974.4A patent/CN110268349B/zh active Active
- 2018-02-05 KR KR1020197026439A patent/KR102216820B1/ko active IP Right Grant
- 2018-02-08 TW TW108123521A patent/TW201941091A/zh unknown
- 2018-02-08 TW TW107104462A patent/TWI668583B/zh active
-
2019
- 2019-08-08 PH PH12019501844A patent/PH12019501844A1/en unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008009934A (ja) | 2006-06-30 | 2008-01-17 | Kagawa Univ | データ処理装置,データ処理方法,作業機械の遠隔診断システム及び作業機械の遠隔診断方法 |
JP4989421B2 (ja) | 2007-10-30 | 2012-08-01 | 株式会社日立製作所 | プラントの制御装置および火力発電プラントの制御装置 |
JP2017016353A (ja) | 2015-06-30 | 2017-01-19 | 三菱日立パワーシステムズ株式会社 | 制御パラメータ最適化システム及びそれを備えた運転制御最適化装置 |
Also Published As
Publication number | Publication date |
---|---|
JP6881997B2 (ja) | 2021-06-02 |
DE112018000771T5 (de) | 2020-02-13 |
KR20190117606A (ko) | 2019-10-16 |
CN110268349A (zh) | 2019-09-20 |
US20210286922A1 (en) | 2021-09-16 |
CN110268349B (zh) | 2022-02-11 |
TWI668583B (zh) | 2019-08-11 |
PH12019501844A1 (en) | 2020-06-15 |
JP2018128995A (ja) | 2018-08-16 |
TW201841125A (zh) | 2018-11-16 |
WO2018147239A1 (ja) | 2018-08-16 |
TW201941091A (zh) | 2019-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102216820B1 (ko) | 시험 계획 장치 및 시험 계획 방법 | |
US5181482A (en) | Sootblowing advisor and automation system | |
CN105276611B (zh) | 火电厂锅炉燃烧调整优化方法与*** | |
US8355996B2 (en) | Plant control apparatus that uses a model to simulate the plant and a pattern base containing state information | |
TWI705316B (zh) | 鍋爐之運轉支援裝置、鍋爐之運轉支援方法、及鍋爐之學習模型之作成方法 | |
US5027751A (en) | Method and apparatus for optimized boiler operation | |
CN104571022B (zh) | 基于煤耗与可控因子关系的耗差分析模型实验***及方法 | |
WO2019159883A1 (ja) | モデル作成方法、プラントの運転支援方法、モデル作成装置、モデル、プログラム、及びプログラムを記録した記録媒体 | |
CN103267684B (zh) | 一种电站锅炉承压元件寿命损耗获取方法及*** | |
KR102209176B1 (ko) | 시뮬레이션 결과의 평가 장치 및 방법 | |
US7398652B1 (en) | System for optimizing a combustion heating process | |
KR102329372B1 (ko) | 운전 조건 평가 장치, 운전 조건 평가 방법, 및 보일러의 제어 시스템 | |
JP4333766B2 (ja) | ボイラの制御装置、及び制御方法 | |
JP2009222332A (ja) | ボイラを備えたプラントの制御装置、及びボイラを備えたプラントの制御方法 | |
Żymełka et al. | Online monitoring system of air distribution in pulverized coal-fired boiler based on numerical modeling | |
WO2021220901A1 (ja) | 制御装置 | |
Ciupek et al. | Optimization of the Retort Burner Construction to Reduce Emission of Harmful Substances | |
CN112240566B (zh) | 锅炉偏烧在线调整***及方法 | |
TWI735042B (zh) | 廠房的運轉支援裝置及廠房的運轉支援方法 | |
Zemann et al. | Application of a model based control strategy at a fixed bed biomass district heating plant | |
Braun et al. | Dynamic Simulation of a Sub-Critical Coal Fired Power Plant | |
Kler et al. | Methods for analysis and synthesis of technological schemes of thermal power plants based on solving auxiliary problems of linear programming | |
Kler et al. | An effective method for optimization of continuous and discrete parameters of heat and power plants | |
KR20220092408A (ko) | 보일러의 운전 지원 장치 및 보일러의 운전 지원 시스템 | |
TW202417782A (zh) | 鍋爐控制裝置、鍋爐控制方法、及鍋爐控制程式 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |