CN113454542A - 信息处理装置、信息处理方法、以及信息处理程序 - Google Patents

Abstract

在参数的预测中，兼顾可靠性和精度。信息处理装置(1)具备：第一预测部(12)，其使用数学模型来计算第一预测值；第二预测部(13)，其使用已学习模型来计算第二预测值；以及预测值确定部(15)，其基于上述第一预测值及上述第二预测值来确定参数的预测值。

Description

信息处理装置、信息处理方法、以及信息处理程序

技术领域

本发明涉及一种预测与工厂的工艺相关的参数值的信息处理装置等。

背景技术

对于在各种工厂中适当进行其控制的各种技术进行了研究开发。例如下述的专利文献1公开了一种技术：在废弃物处理工厂、水处理工厂等进行各种处理的处理工厂设备的运转控制中，向由神经网络构成的已学习模型导入各种工艺数据来进行预测运转控制。

现有技术文献

专利文献

专利文献1：日本公开专利公报“特开2005-242524号公报”

发明内容

(一)要解决的技术问题

根据上述专利文献1的技术，能够使用由神经网络构成的已学习模型，对呈现非线性状态的工艺进行高精度的预测。但是，已学习模型的预测精度取决于进行了怎样的学习。因此，在向已学习模型输入属于完全没有学习、或者学习不充分的范围的输入数据的情况下，会导致预测精度降低。

尤其是可能导致基于已学习模型的预测值背离现实。而且，如果基于这种背离现实的值进行控制，则也有可能在工厂运营中产生严重问题。这样导致仅使用已学习模型的预测存在可靠性的问题。

针对上述问题完成本发明的一个方式，其目的在于实现一种能够在工厂的参数预测中兼顾可靠性和精度的信息处理装置等。

(二)技术方案

为了解决上述问题，本发明的一个方式的信息处理装置具备：第一预测部，其使用将工厂的规定工艺模型化的数学模型来计算与该工艺相关的规定参数的预测值即第一预测值；第二预测部，其使用通过机械学习使上述工艺模型化的已学习模型来计算上述参数的预测值即第二预测值；以及预测值确定部，其基于上述第一预测值及上述第二预测值的至少任一来确定上述参数的预测值。

为了解决上述问题，本发明的一个方式的信息处理方法是信息处理装置的信息处理方法，包含：第一预测步骤，使用将工厂的规定工艺模型化的数学模型来计算与该工艺相关的规定参数的预测值即第一预测值；第二预测步骤，使用通过机械学习使上述工艺模型化的已学习模型来计算上述参数的预测值即第二预测值；以及预测值确定步骤，基于上述第一预测值及上述第二预测值的至少任一来确定上述参数的预测值。

(三)有益效果

根据本发明的一个方式，取得在参数预测中能够兼顾可靠性和精度的效果。

附图说明

图1是表示本发明的一个实施方式的信息处理装置的主要部位结构的一例的框图。

图2是表示以三阶段使蒸气过热的过热器和与该过热器对应的预测模型的例子的图。

图3是对预测值确定部的预测结果确定进行说明的图。

图4是表示上述信息处理装置对蒸气出口温度的预测结果和蒸气出口温度的实测值的图。

图5是表示上述信息处理装置执行的处理的一例的流程图。

图6是对在本发明的实施方式2的信息处理装置中与预测相关的各部进行说明的图。

图7是表示通常运转期间和吹灰运转期间的蒸气出口温度、高压蒸气积存部内的压力的时序变化的例子的图。

图8是说明FB控制部和MPC部的控制详情的图。

图9是表示本发明的实施方式4的信息处理装置主要部位结构一例的框图。

具体实施方式

〔实施方式1〕

＜信息处理装置的结构＞

基于图1至图5对本实施方式的信息处理装置进行说明。图1是表示本实施方式的信息处理装置1的主要部位结构的一例的框图。信息处理装置1是计算与工厂的规定工艺相关的规定参数的预测值的装置。

在本实施方式中说明的是：上述工厂是焚烧垃圾并且利用在该焚烧中产生的热来发电的垃圾焚烧设施的例子。另外，在本实施方式中说明的是：上述规定工艺是使在锅炉中产生的蒸气利用过热器过热达到规定温度的工艺(以下称为蒸气过热工艺)的例子。另外，在本实施方式中说明的是：上述规定参数是上述过热器的出口附近的蒸气温度(以下称为蒸气出口温度)的例子。

如图1所示，信息处理装置1具备：对信息处理装置1的各部进行综合控制的控制部10、以及存储信息处理装置1使用的各种数据的存储部20。另外，信息处理装置1具备：输入部30，其受理对信息处理装置1的输入操作；以及通信部40，其用于信息处理装置1与其它装置通信。

另外，在控制部10中包含：输入数据生成部11、第一预测部12、第二预测部13、运转模式确定部14、预测值确定部15、以及工厂控制部16。而且，在工厂控制部16中包含FB控制部161和MPC部162。此外，在实施方式2中对运转模式确定部14进行说明，在实施方式3中对FB控制部161和MPC部162进行说明。也就是说，运转模式确定部14、FB控制部161、以及MPC部162是优选具备的构成要素，而不是必须的构成要素。

输入数据生成部11生成：第一预测部12用于预测的输入数据、以及第二预测部13用于预测的输入数据。此外，也可以构成为由不同的输入数据生成部分别生成：第一预测部12用于预测的输入数据、以及第二预测部13用于预测的输入数据。输入数据基本上是通过设置于工厂的传感器等测量的实测数据。实测数据可以经由输入部30输入，也可以经由通信部40接收。

但是，输入数据生成部11也可以不使用实测数据而使用数学模型来计算针对第一预测部12使用的数学模型、和第二预测部13使用的已学习模型的至少任一的输入数据的至少一部分。由此，能够将难以实测的数据包含在输入数据中，进一步提高预测值的精度。

例如，如果知道在过热器内流动的蒸气的流量，则与不知道该流量时相比，能够更准确地预测过热器的出口附近的蒸气温度，但是也存在难以对流量进行实测的情况。在这种情况下可以生成使用与蒸气流量相关的其它参数(能够获取实测数据的参数)来计算蒸气流量的数学模型。由此，输入数据生成部11能够使用该数学模型来计算蒸气流量，并将算出的流量包含在输入数据中。

第一预测部12使用数学模型来计算与工厂的规定工艺相关的规定参数的预测值即第一预测值。该数学模型是将上述工艺模型化而生成的。具体而言，第一预测部12计算蒸气过热工艺中的蒸气出口温度的预测值。第一预测部12使用数学模型，因此算出背离现实的预测值的可能性较低，能够稳定地计算可靠性较高的预测值。

第二预测部13使用通过机械学习使上述工艺模型化的已学习模型来计算上述参数的预测值即第二预测值。第二预测部13使用已学习模型，因此对于呈现非线性状态的工艺能够计算高精度的预测值。

具体而言，上述已学习模型是为了能够计算蒸气过热工艺中的蒸气出口温度的预测值而对神经网络(以下称为NN)进行机械学习而生成的。这样的已学习模型能够通过机械学习来生成，所述机械学习使用如下的教师数据，该教师数据是将过热器的蒸气入口附近的蒸气温度等与蒸气出口温度相关的输入数据、和表示此时的蒸气出口温度的正确数据对应起来的数据。对于教师数据中包含的蒸气出口温度、蒸气入口温度等能够实测的数据，可以使用在垃圾焚烧设施中实测的实测数据。另外，也可以将输入数据生成部11生成的通过规定的数学模型算出的数据包含在输入数据中。

此外，已学习模型中使用的算法没有特别限定，例如可以应用卷积神经网络、循环神经网络、或者是前两者的组合。另外，也可以利用NN以外的其它能够进行机械学习的算法，例如能够应用LSTM(Long Short-Term Memory：长短期记忆神经网络)。

预测值确定部15基于第一预测部12计算的第一预测值、和第二预测部13计算的第二预测值的至少任一来确定参数的预测值。后面基于图3对确定参数的预测值的方法进行说明。

工厂控制部16基于预测值确定部15确定的预测值对工厂进行控制。工厂控制部16基于预测值确定部15确定的可靠性高且高精度的预测值进行工厂的控制，因此能够进行适当的控制。另外，工厂控制部16基于预测值进行控制，因此也能够进行比基于实测值的反馈控制更早的时机的控制(例如前馈控制)。此外，工厂控制部16除了基于预测值的上述控制之外也可以进行反馈控制，详细情况将通过实施方式3进行说明。

＜过热器的结构例和预测模型＞

基于图2对过热器的结构例和与该过热器对应的预测模型进行说明。图2是表示以三阶段使蒸气过热的过热器B和与过热器B对应的预测模型的例子的图。另外，在图2中，也一并表示利用焚烧垃圾所产生的热而产生蒸气的锅炉A。

锅炉A产生的蒸气被导入过热器B的内部而过热达到规定温度。而且，从过热器B排出的过热蒸气暂时积存于未图示的高压蒸气积存部(储能器)，之后，供给到未图示的汽轮发电机。为了使汽轮发电机稳定发电，而需要将供给到汽轮发电机的蒸气的温度维持于规定温度。

图示的过热器B具备：一次过热部11B、一次调节阀12B、二次过热部21B、二次调节阀22B、以及三次过热部31B。导入到过热器B的内部的蒸气按顺序在一次过热部11B～三次过热部31B中过热，并向过热器B的外部排出。一次调节阀12B是用于对利用一次过热部11B过热后的蒸气进行冷却的冷却液(例如水)进行调节的供给量的阀。同样地，二次调节阀22B是用于对利用二次过热部21B过热后的蒸气进行冷却的冷却液的供给量进行调节的阀。工厂控制部16基于预测值确定部15确定的蒸气出口温度的预测值而适当地调节这些阀的开度。由此，能够将向过热器B的外部排出的蒸气维持于规定温度。

如图2的例子那样，在蒸气过热工艺是以多个阶段使蒸气过热的工艺的情况下，从提高预测精度的观点出发，优选将与各阶段对应的预测模型组合来预测蒸气出口温度。例如，如图2所示，可以通过组合工艺模型A1～A3来预测蒸气出口温度。

工艺模型A1是将利用一次过热部11B的蒸气过热工艺模型化的模型。更具体而言，工艺模型A1是用于根据过热器B的入口附近的蒸气温度等与上述过热工艺相关的输入数据来预测一次过热部11B的出口附近的蒸气温度的模型。此外，以下将利用一次过热部11B的蒸气过热工艺称为一次过热工艺。同样地，将利用二次过热部21B及三次过热部31B的过热工艺分别称为二次过热工艺及三次过热工艺。

工艺模型A2是将二次过热工艺模型化的模型。更具体而言，工艺模型A2是用于根据一次过热部11B的出口附近的蒸气温度、一次调节阀12B的开度等与二次过热工艺相关的输入数据来预测二次过热部21B的出口附近的蒸气温度的模型。

工艺模型A3是将三次过热工艺模型化的模型。更具体而言，工艺模型A3是用于根据二次过热部21B的出口附近的蒸气温度、二次调节阀22B的开度等与三次过热工艺相关的输入数据来预测过热器B的出口附近的蒸气温度的模型。

在此，将利用工艺模型A1预测的、一次过热部11B的出口附近的蒸气温度作为工艺模型A2的输入数据来使用。另外，将利用工艺模型A2预测的、二次过热部21B的出口附近的蒸气温度作为工艺模型A3的输入数据来使用。这样，通过将工艺模型A1的预测结果用于工艺模型A2的预测，将工艺模型A2的预测结果用于工艺模型A3的预测，从而能够进行蒸气过热工艺整体的预测(过热器B的出口附近的蒸气温度的预测)。

如上所述，存在作为参数预测的对象的工艺(利用过热器B进行的蒸气过热工艺)包含多个子工艺(一次～三次过热工艺)的情况。在这样的情况下，第一预测部12及第二预测部13可以将与各子工艺对应的模型(工艺模型A1～A3)组合来进行预测。

在这种情况下，第一预测部12使用作为数学模型的工艺模型A1～A3进行预测。由此，与用一个数学模型表现蒸气过热工艺的情况相比，能够进行高精度的预测。

同样地，第二预测部13使用由机械学习生成的已学习模型即工艺模型A1～A3进行预测。由此，与用一个已学习模型表现蒸气过热工艺的情况相比，能够进行高精度的预测。

＜参数预测值的确定＞

包含蒸气过热工艺在内，工厂的各种工艺与各种因子相关，因此优选在用于机械学习的教师数据中也包含各种因子。但是，存在工厂测量的实测数据在部分数值范围内缺损或没有记录的情况。因此，通过使用多种实测数据作为教师数据，从而在生成反映了各种因子的已学习模型的情况下，相对于部分数值范围的输入数据而言的输出数据的精度会下降。

因此，对于预测值确定部15而言，如果第二预测部13用于第二预测值的计算的实测数据是在已学习模型的机械学习中使用的教师数据的范围内，则将第二预测值确定为参数的预测值。另一方面，对于预测值确定部15而言，如果第二预测部13用于第二预测值的计算的实测数据是在已学习模型的机械学习中使用的教师数据的范围外，则将第一预测值确定为参数的预测值。

由此，在输入到已学习模型的实测数据在用于机械学习的教师数据的范围内，并且在可以期待算出的第二预测值的可靠性高且精度也高的状况下，能够将第二预测值确定为参数的预测值。而且，在输入到已学习模型的实测数据在用于机械学习的教师数据的范围外，并且在难以期待算出的第二预测值的可靠性高且精度也高的状况下，能够将第一预测值确定为参数的预测值。因而，根据上述的结构，能够在参数的预测中兼顾可靠性和精度。

基于图3对参数的预测值的确定方法进行说明。图3是对预测值确定部15确定预测结果的情况进行说明的图。在图3的(a)中，表示基于包含于教师数据的多个因子的、是否使用NN(是否使用基于已学习模型的第二预测值)的判定基准的例子。图示的因子1及2都是包含于针对已学习模型的输入数据的因子。作为这些因子的例子，例如，能够举出过热器B的入口附近的蒸气温度、作为过热器B的热源使用的在焚烧炉中产生的废气的温度等。

如图3的(a)所示，优选预测值确定部15根据因子1的值与因子2的值的组合来判定是否使用NN。更具体而言，优选如果输入到已学习模型的输入数据中的因子1的值包含于已经学习的范围且该输入数据中的因子2的值也包含于已经学习的范围，则预测值确定部15判定为使用NN。在这种情况下，预测值确定部15将第二预测值确定为蒸气出口温度的预测值。另一方面，优选如果输入到已学习模型的输入数据中的因子1的值不包含于已经学习的范围且该输入数据中的因子2的值也不包含于已经学习的范围，则预测值确定部15判定为不使用NN。在这种情况下，预测值确定部15将第一预测值确定为蒸气出口温度的预测值。

此外，在三个以上的因子包含于教师数据的情况下，可以选择那些因子中的实测数据缺损的影响相对大的因子，并将其作为预测值确定部15是否使用基于NN的预测值的判定基准。在选择影响相对大的因子时，能够使用例如主成分分析、聚类、或者疏性建模等方法。

另外，预测值确定部15可以根据输入数据是否属于能够用相对多的教师数据进行机械学习的数值范围来确定预测值。对此，基于图3的(b)、(c)进行说明。在图3的(b)中表示过热器B的入口附近的蒸气温度(横轴)与该蒸气温度的教师数据的个数(纵轴)的对应关系。另外，在图3的(c)中表示输入数据中包含的、过热器B的入口附近的蒸气温度(横轴)、与预测值确定部15确定的预测值中的第二预测值的贡献度(纵轴)的对应关系。

在根据工厂的实测数据生成教师数据的情况下，不能对所有的蒸气温度获得均等个数的教师数据，如图示那样，通常教师数据偏向蒸气温度的中央值或者平均值附近，在蒸气温度的最大值附近及最小值附近变少。

因此，如果输入数据中包含的蒸气温度在教师数据的数量相对多的蒸气温度的范围内，则优选预测值确定部15提高第二预测值的贡献度。例如，在将不使用第二预测值(仅使用第一预测值)时的贡献度设定为0，并将仅使用第二预测值时的贡献度设定为1的情况下，优选蒸气温度的中央值或者平均值附近的贡献度为1或者接近1的值。

另一方面，如果输入数据中包含的蒸气温度在教师数据的数量相对少的蒸气温度的范围内，则优选预测值确定部15降低第二预测值的贡献度。而且，如果输入数据中包含的蒸气温度在不存在教师数据的蒸气温度的范围内，则优选预测值确定部15将第二预测值的贡献度设置为零。

在图3的(c)的例子中，以使得在蒸气温度的中央值或者平均值附近贡献度最大的方式，使贡献度随着蒸气温度远离中央值或者平均值附近而渐减，并在蒸气温度的范围的端部附近使贡献度急剧减小。这样，通过设定与输入数据对应的贡献度，从而能够在参数的预测中兼顾可靠性和精度。

此外，预测值确定部15在基于贡献度确定参数的预测值的情况下，通过在第二预测值上乘以贡献度从而来确定参数的预测值。例如，如果第二预测值的贡献度是0.7，则预测值确定部15可以将第二预测值乘以0.7的值、和第一预测值乘以0.3的值的和确定为参数的预测值。该运算也可以说是用第二预测值修正第一预测值的运算。

＜预测精度的验证＞

图4是表示信息处理装置1对蒸气出口温度的预测结果和蒸气温度的实测值的图。如图示那样，得知，信息处理装置1对蒸气出口温度的预测结果(实线)与蒸气出口温度的实测值(虚线)很好地匹配，信息处理装置1的预测精度较高。此外，在图4中，温度大幅度下降的位置有两处，在这些位置上预测结果与实测值有所背离。

上述两处的温度降低起因于进行了用于除去附着于过热器B的传热面的煤等的吹灰运转。更具体而言，在吹灰运转时，通过向上述传热面喷射蒸气而除去煤等。因此，传热面的温度大幅度下降，由此蒸气出口温度也降低。这样，由于在吹灰运转时进行在通常运转时不进行的蒸气喷射，因此基于假想了通常运转时的工艺模型的预测结果会背离实测值。在实施方式2中对防止这样的背离的策略进行说明。

＜处理的流程＞

接着，基于图5对本实施方式的信息处理装置1执行的处理的流程进行说明。图5是表示本实施方式的信息处理装置1执行的处理(信息处理方法)的一例的流程图。

在S1中，输入数据生成部11获取生成输入数据所需要的各种实测数据。而且，输入数据生成部11根据获取的实测数据分别生成第一预测部12在预测中使用的输入数据、和第二预测部13在预测中使用的输入数据。

在S2(第一预测步骤)中，第一预测部12向数学模型输入输入数据生成部11生成的输入数据并计算蒸气出口温度的预测值即第一预测值。另外，在S3(第二预测步骤)中，第二预测部13向已学习模型输入输入数据生成部11生成的输入数据并计算蒸气出口温度的预测值即第二预测值。此外，S2与S3可以并行执行，也可以先执行S3。

在S4(预测值确定步骤)中，预测值确定部15基于在S2中计算的第一预测值及在S3中计算的第二预测值的至少任一来确定蒸气出口温度的预测值。

在S5中，工厂控制部16基于预测值确定部15确定的预测值来控制工厂。例如，在S4中确定的蒸气出口温度的预测值比规定温度高的情况下，工厂控制部16进行提高一次调节阀12B及二次调节阀22B的至少任一的开度的控制。另外相反地，在确定的蒸气出口温度的预测值比规定温度低的情况下，工厂控制部16进行降低一次调节阀12B及二次调节阀22B的至少任一的开度的控制。由此，能够避免蒸气出口温度为比规定温度高或低的状态，或者是将维持该状态的时间抑制为最小限度。

如上所述，信息处理装置1具备：第一预测部12，其使用将蒸气过热工艺模型化的数学模型来计算蒸气出口温度的预测值即第一预测值；第二预测部13，其使用通过机械学习使蒸气过热工艺模型化的已学习模型来计算蒸气出口温度的预测值即第二预测值；以及预测值确定部15，其基于上述第一预测值及上述第二预测值的至少任一来确定蒸气出口温度的预测值。

基于上述已学习模型的预测对于呈现非线性状态的工艺而言预测精度较高。另一方面，基于上述数学模型的预测是线性预测，算出背离现实的预测值的可能性较低。因而，根据上述的结构，能够计算兼顾了可靠性和精度的预测值。

〔实施方式2〕

以下对本发明的另一个实施方式进行说明。此外，为了方便说明，对于与在上述实施方式1中说明的部件具有相同的功能的部件标记相同的符号并不重复其说明。对于实施方式3以及其后的各实施方式也同样如此。

在本实施方式中，对利用运转模式确定部14来确定运转模式的情况、和基于该确定结果来预测蒸气出口温度的情况进行说明。图6是对在本实施方式的信息处理装置1中与预测相关的各部进行说明的图。本实施方式的第二预测部13包含：通常运转时预测部131、SB运转时预测部132、以及第二预测值确定部133。

通常运转时预测部131使用已学习模型来计算蒸气出口温度的预测值，所述已学习模型通过基于在通常运转时(不进行吹灰而用过热器B使蒸气过热的运转时、以下也称为通常运转模式)实测的实测数据的教师数据来进行机械学习。另外，SB运转时预测部132使用已学习模型来计算蒸气出口温度的预测值，所述已学习模型用基于在吹灰运转时(以下也称为SB运转模式)实测的实测数据的教师数据来进行机械学习。基于通常运转时预测部131的预测、基于SB运转时预测部132的预测都是使用了已学习模型的非线性的预测。

而且，第二预测值确定部133在确定运转模式确定部14是通常运转模式的情况下，将通常运转时预测部131计算的预测值确定为第二预测值。另一方面，第二预测值确定部133在确定运转模式确定部14是SB运转模式的情况下，将SB运转时预测部132计算的预测值确定为第二预测值。也就是说，作为第二预测部13的整体，使用与运转模式确定部14确定的运转模式对应的已学习模型来计算第二预测值。

这样，本实施方式的信息处理装置1具备确定工厂的运转模式的运转模式确定部14，第二预测部13使用与运转模式确定部14确定的运转模式对应的已学习模型来计算第二预测值。这样，通过考虑运转模式的不同，从而能够计算高精度的预测值。例如，即使在图4的例子的吹灰运转期间，也能够计算接近实测值的值的预测值。

此外，如果预先准备与运转模式对应的数学模型，则第一预测部12也与上述同样地，可以构成为使用与运转模式确定部14确定的运转模式对应的数学模型来计算第一预测值。基于第一预测部12的预测是线性预测。在利用线性预测计算第一预测值，并且利用非线性预测计算第二预测值之后，与实施方式1的信息处理装置1同样地，预测值确定部15基于第一预测值及第二预测值的至少任一来确定预测值。

＜运转模式的确定＞

基于图7对利用运转模式确定部14来确定运转模式的情况进行说明。图7是表示通常运转期间和吹灰运转期间的蒸气出口温度与高压蒸气积存部内的压力(以下简称为压力)的时序变化的例子的图。此外，该图的上侧的图表表示压力的时序变化，该图的下侧的图表表示蒸气出口温度的时序变化。

在图7的例子中，在吹灰运转期间，对过热器B进行三次蒸气喷射，在各蒸气喷射时，蒸气出口温度和压力急剧降低。这样，在吹灰运转期间，对蒸气出口温度和压力观测到特有的时序变化。因而，运转模式确定部14能够基于蒸气出口温度和压力的时序变化来确定运转模式是通常运转模式还是SB运转模式。

例如，运转模式确定部14可以在压力小于阈值(在图7的例子中是例如3.4[MPa])时判定为运转模式从通常运转模式切换到SB运转模式。而且，运转模式确定部14可以在压力为上述阈值以上且SB运转模式的持续时间为规定的下限时间(在一系列的吹灰运转中至少需要的时间)以上时判定为切换到通常运转模式。

此外，运转模式的确定方法不限于上述的例子。例如，运转模式确定部14可以利用变分贝叶斯法等将蒸气出口温度和压力的时序的实测数据聚类成SB运转模式的实测数据和通常运转模式的实测数据，从而确定当前的运转模式。

〔实施方式3〕

在本实施方式中，对利用工厂控制部16进行的控制的详细情况，尤其是利用包含于工厂控制部16的FB控制部161和MPC部162进行的控制的详细情况进行说明。图8是说明利用FB控制部161和MPC部162进行的控制的详细情况的图。

FB控制部161基于在工厂中实测的各种实测数据进行反馈控制(以下称为FB控制)。在本实施方式中，说明FB控制部161执行在图8中用虚线所示的控制的例子。FB控制部161进行的控制是每次获得新的实测数据时执行的反馈控制。

具体而言，FB控制部161当获得蒸气出口温度的实测数据时，计算该实测数据与蒸气出口温度的目标值的差分(一次运算)。而且，FB控制部161确定与在一次运算中计算的差分对应的二次调节阀22B的开度，并以成为确定的开度的方式控制二次调节阀22B。该控制可以称为例如PID(Proportional-Integral-Differential：比例微分积分)控制。另外，FB控制部161与上述同样地确定一次调节阀12B的开度，并以成为确定的开度的方式控制一次调节阀12B。

在此，如基于图2说明的那样，在利用过热器B进行的蒸气过热工艺中包含一次～三次过热工艺。而且，作为与一次过热工艺关联的工艺，是经由一次调节阀12B的蒸气温度的调节工艺，作为与二次过热工艺关联的工艺，是经由二次调节阀22B的蒸气温度的调节工艺。在以下，将一次过热工艺和经由一次调节阀12B的蒸气温度的调节工艺综合称为第一子工艺，将二次过热工艺和经由二次调节阀22B的蒸气温度的调节工艺综合称为第二子工艺。

MPC部162基于预测值确定部15确定的预测值进行状态预测控制(以下称为MPC：Model Predictive Control(模型预测控制))。在该MPC中，MPC部162关于上述第一子工艺，执行使预测值确定部15确定的预测值接近规定的目标值的控制。另外，MPC部162关于上述第二子工艺，执行使预测值确定部15确定的上述预测值接近规定的目标值的控制。由此，适当分配针对各工艺的控制量，从而能够实现稳定的工艺控制。

在图8中，用单点划线表示本实施方式的MPC部162执行的控制。MPC部162基于预测值确定部15确定的蒸气出口温度的预测值来分别确定一次调节阀12B和二次调节阀22B的开度。

在确定各调节阀的开度时，优选MPC部162以避免在各调节阀的温度调节幅度中产生较大偏差的方式来确定各调节阀的开度。例如，MPC部162可以将蒸气出口温度的预测值与蒸气出口温度的目标值的差、即应该调节的温度幅度均等地向一次调节阀12B和二次调节阀22B分配。

例如，设定蒸气出口温度的预测值与目标值的差是－10℃(预测值比目标值低10℃)。在这种情况下，MPC部162以二次过热部21B的出口附近的蒸气温度上升5℃的方式降低一次调节阀12B的开度，并且以过热器B的出口附近的蒸气温度上升5℃的方式降低二次调节阀22B的开度。

另外，作为过热器B的热源使用的废气的温度是对于过热器B的过热的影响较大的因子，该温度根据焚烧炉中的焚烧状态而变动，多数情况下不是恒定的值。因此，MPC部162可以使用规定的预测模型并根据当前的废气温度(例如，向焚烧炉外排出废气的烟囱的出口附近的温度)的实测数据来确定各过热部中的过热特性，并根据该确定结果来确定控制值。

此外，根据预测值确定开度的方法没有特别限定，也能够使用例如卡尔曼滤波、NN、线性多重回归、或者逻辑回归分析等方法来确定开度。例如，在使用卡尔曼滤波的情况下，可以根据废气的温度等工艺的变动来预测能够使蒸气出口温度稳定的一次调节阀12B的开度，并进行前馈控制。

另外，如上所述，FB控制部161也确定一次调节阀12B及二次调节阀22B的开度。因此，MPC部162也考虑FB控制部161确定的开度，并最终确定使各调节阀成为怎样的开度。例如，MPC部162可以将自己确定的开度与FB控制部161确定的开度的和作为最终的开度。

〔实施方式4〕

基于图9对本发明的另一个实施方式进行说明。图9是表示本实施方式的信息处理装置1的主要部位结构的一例的框图。本实施方式的信息处理装置1与实施方式1的信息处理装置1(参照图1)的区别在于，第一预测部12、第二预测部13、以及预测值确定部15分别变为第一控制值计算部21、第二控制值计算部22、以及控制值确定部23。

第一控制值计算部21使用数学模型来计算用于工厂的规定工艺的控制的控制值。具体而言，第一控制值计算部21与实施方式1的第一预测部12同样地使用数学模型来计算蒸气出口温度的预测值(第一预测值)。而且，第一控制值计算部21基于计算的第一预测值分别计算针对一次调节阀12B和二次调节阀22B的控制值。由于控制对象是调节阀，因此该控制值是该调节阀的开度。以下，将第一控制值计算部21计算的控制值称为第一控制值。

第二控制值计算部22使用通过机械学习使上述工艺模型化的已学习模型来计算上述控制值。具体而言，第二控制值计算部22使用与实施方式1的第二预测部13同样的已学习模型来计算蒸气出口温度的预测值(第二预测值)。而且，第二控制值计算部22基于计算的第二预测值分别计算针对一次调节阀12B和二次调节阀22B的控制值(开度)。以下，将第二控制值计算部22计算的控制值称为第二控制值。

控制值确定部23基于上述第一控制值及上述第二控制值的至少任一来确定上述工厂的控制中使用的控制值。此外，控制值确定部23确定控制值的方法与预测值确定部15确定预测值的方法相同。

而且，本实施方式的工厂控制部16基于控制值确定部23确定的控制值即上述第一控制值及上述第二控制值的至少任一来控制上述工厂。如上所述，基于上述已学习模型的预测对于呈现非线性状态的工艺的预测而言精度较高，而基于上述数学模型的预测是线性预测，算出背离现实的预测值的可能性较低。因而，根据本实施方式的结构，能够确定兼顾了可靠性和精度的控制值，并稳定地进行可靠的控制。

另外，本实施方式的工厂控制部16基于运转模式确定部14确定的运转模式控制工厂。由此，考虑运转模式的不同，可以在比FB控制更早的时机进行适当的控制。

具体而言，第二控制值计算部22与在实施方式2中说明的第二预测部13(参照图6)同样地，分别根据通常运转模式用的已学习模型和SB运转模式用的已学习模型来计算第二预测值。而且，第二控制值计算部22基于计算的各第二预测值来计算通常运转模式用的第二控制值、和SB运转模式用的第二控制值，并向控制值确定部23输出它们的第二控制值。

而且，如果运转模式确定部14确定的运转模式是SB运转模式，则控制值确定部23基于SB运转模式用的第二控制值、和从第一控制值计算部21输出的第一控制值的至少任一来确定用于工厂控制的控制值。由此，执行基于运转模式确定部14确定的运转模式的工厂控制。

此外，关于第一控制值计算部21也与第二控制值计算部22同样地，可以利用通常运转模式用的数学模型来计算通常运转模式用的第一控制值，并且利用SB运转模式用的数学模型来计算SB运转模式用的第一控制值。

〔变形例〕

在上述各实施方式中，说明了切换在通常运转模式和SB运转模式中使用的模型的例子，但是也可以构成为，在作为对象的工厂中具有特征性的任意的运转模式中，进行同样的使用模型切换。另外，在工厂的参数预测中，例如，可以使用考虑了在工厂中执行的控制指令(在上述实施方式的例子中，是调节阀的开度的控制指令)的模型、和不考虑控制指令的模型。在这种情况下，可以在执行控制指令的期间使用考虑了控制指令的模型进行预测，在不执行控制指令的期间使用未考虑控制指令的模型执行预测。

也可以使信息处理装置1的外部装置(例如服务器)具有在上述各实施方式中说明的信息处理装置1所具有的功能的一部分，并构成包含该装置和信息处理装置1的信息处理系统。如果是这样的信息处理系统，则能够实现与信息处理装置1同样的效果。例如，使用了NN的运算处理通常负荷较高，因此通过使外部的装置具有那样的运算处理功能，从而能够减轻信息处理装置1的负荷。另外，例如也可以构成为，取代设置工厂控制部16而使信息处理装置1的外部工厂控制装置执行工厂控制。

另外，在上述各实施方式中，说明了在垃圾焚烧设施中预测蒸气出口温度的例子、进行使蒸气出口温度接近目标值的控制的例子。但是，这些仅是例子，本发明的预测或者控制的对象即工厂不限于垃圾焚烧设施，预测的对象不限于蒸气温度，控制不限于使蒸气温度接近目标值的控制。

例如，在火力发电设施中，只是燃烧物从垃圾变为规定的燃料(石油、煤)，执行与垃圾焚烧设施同样的工艺。因此，与上述各实施方式同样地，能够对火力发电设施中的各种工艺计算参数的预测值。另外，过热器B中的工艺能够置换成过热器以外的热交换器中的工艺。

〔基于软件的实现例〕

信息处理装置1的控制模块(尤其是控制部10所含各部)可以通过形成于集成电路(IC芯片)等的逻辑电路(硬件)来实现，也可以通过软件来实现。

在后者的情况下，信息处理装置1具备计算机，该计算机执行实现各功能的软件即程序的命令。该计算机具备例如一个以上的处理器，并且具备存储上述程序的计算机可读取的存储介质。而且，在上述计算机中，上述处理器从上述存储介质读取上述程序并执行，从而实现本发明的目的。作为上述处理器，例如可以使用CPU(Central Processing Unit：中央处理单元)。作为上述存储介质，可以使用“非暂时性的有形的介质”，例如除了ROM(Read Only Memory：只读存储器)等之外，还可以使用磁带、光盘、卡、半导体存储器、可编程的逻辑电路等。另外，也可以具备展开上述程序的RAM(Random Access Memory：随机访问存储器)等。另外，上述程序也可以经由能够传输该程序的任意的传输介质(通信网络、无线电波等)向上述计算机提供。此外，本发明的一个方式也可以采用通过对上述程序进行电子传输而具体化的、嵌入载波的数据信号的方式来实现。

〔附录事项〕

本发明的一个方式的信息处理装置具备：第一预测部，其使用将工厂的规定工艺模型化的数学模型来计算与该工艺相关的规定参数的预测值即第一预测值；第二预测部，其使用通过机械学习使上述工艺模型化的已学习模型来计算上述参数的预测值即第二预测值；以及预测值确定部，其基于上述第一预测值及上述第二预测值的至少任一来确定上述参数的预测值。

在上述信息处理装置中，可以是，关于上述预测值确定部，如果上述第二预测部向上述已学习模型输入的输入数据是在上述已学习模型的机械学习中使用的教师数据的范围内，则将上述第二预测值确定为上述参数的预测值，如果上述第二预测部向上述已学习模型输入的输入数据是在上述已学习模型的机械学习中使用的教师数据的范围外，则将上述第一预测值确定为上述参数的预测值。

另外，可以构成为，上述信息处理装置具备运转模式确定部，该运转模式确定部确定上述工厂的运转模式，上述第一预测部使用与上述运转模式确定部确定的运转模式对应的数学模型来计算上述第一预测值，上述第二预测部使用与上述运转模式确定部确定的运转模式对应的已学习模型来计算上述第二预测值。

另外，可以是，上述信息处理装置具备输入数据生成部，该输入数据生成部使用其它的数学模型来计算针对上述数学模型及上述已学习模型的至少任一的输入数据的至少一部分。

另外，可以是，上述信息处理装置具备工厂控制部，该工厂控制部基于上述预测值确定部确定的上述预测值来控制上述工厂。

另外，可以构成为，在上述规定工艺中可以包含第一子工艺、和在该第一子工艺之后执行的第二子工艺，就上述工厂控制部而言，关于上述第一子工艺，进行使上述预测值确定部确定的上述预测值接近规定的目标值的控制，并且，关于上述第二子工艺，进行使上述预测值确定部确定的上述预测值接近规定的目标值的控制。

另外，本发明的另一方式的信息处理装置具备：第一控制值计算部，其使用数学模型来计算工厂的规定工艺的控制中使用的第一控制值；第二控制值计算部，其使用通过机械学习使上述工艺模型化的已学习模型来计算上述工艺的控制中使用的第二控制值；控制值确定部，其基于上述第一控制值及上述第二控制值的至少任一来确定上述工厂的控制中使用的控制值；以及工厂控制部，其基于上述控制值来控制上述工厂。

可以构成为，上述信息处理装置具备运转模式确定部，该运转模式确定部确定上述工厂的运转模式，上述工厂控制部基于上述运转模式确定部确定的运转模式来控制上述工厂。

另外，本发明的一个方式的信息处理方法是信息处理装置的信息处理方法，包含：第一预测步骤，使用将工厂的规定工艺模型化的数学模型来计算与该工艺相关的规定参数的预测值即第一预测值；第二预测步骤，使用通过机械学习使上述工艺模型化的已学习模型来计算上述参数的预测值即第二预测值；以及预测值确定步骤，基于上述第一预测值及上述第二预测值的至少任一来确定上述参数的预测值。

另外，本发明也包括一种信息处理程序，其使计算机作为上述的信息处理装置发挥功能，使计算机作为上述第一预测部、上述第二预测部、以及上述预测值确定部发挥功能。

本发明不限于上述的各实施方式，能够在权利要求所示的范围内进行各种变更，关于通过适当组合分别公开于不同的实施方式的技术方案而获得的实施方式也包含于本发明的技术范围内。

附图标记说明

1-信息处理装置；11-输入数据生成部；12-第一预测部；13-第二预测部；14-运转模式确定部；15-预测值确定部；16-工厂控制部；21-第一控制值计算部；22-第二控制值计算部；23-控制值确定部。

Claims (10)

1.一种信息处理装置，其特征在于，具备：

第一预测部，其使用将工厂的规定工艺模型化的数学模型来计算与该工艺相关的规定参数的预测值即第一预测值；

第二预测部，其使用通过机械学习使上述工艺模型化的已学习模型来计算上述参数的预测值即第二预测值；以及

预测值确定部，其基于上述第一预测值及上述第二预测值的至少任一来确定上述参数的预测值。

2.根据权利要求1所述的信息处理装置，其特征在于，

关于上述预测值确定部，

如果上述第二预测部向上述已学习模型输入的输入数据是在上述已学习模型的机械学习中使用的教师数据的范围内，则将上述第二预测值确定为上述参数的预测值，

如果上述第二预测部向上述已学习模型输入的输入数据是在上述已学习模型的机械学习中使用的教师数据的范围外，则将上述第一预测值确定为上述参数的预测值。

3.根据权利要求1或2所述的信息处理装置，其特征在于，

所述信息处理装置具备运转模式确定部，该运转模式确定部确定上述工厂的运转模式，

上述第一预测部使用与上述运转模式确定部确定的运转模式对应的数学模型来计算上述第一预测值，

上述第二预测部使用与上述运转模式确定部确定的运转模式对应的已学习模型来计算上述第二预测值。

4.根据权利要求1至3的任一项所述的信息处理装置，其特征在于，

所述信息处理装置具备输入数据生成部，该输入数据生成部使用其它的数学模型来计算针对上述数学模型及上述已学习模型的至少任一的输入数据的至少一部分。

5.根据权利要求1至4的任一项所述的信息处理装置，其特征在于，

所述信息处理装置具备工厂控制部，该工厂控制部基于上述预测值确定部确定的上述预测值来控制上述工厂。

6.根据权利要求5所述的信息处理装置，其特征在于，

在上述规定工艺中包含第一子工艺、和在该第一子工艺之后执行的第二子工艺，

就上述工厂控制部而言，关于上述第一子工艺，进行使上述预测值确定部确定的上述预测值接近规定的目标值的控制，并且，关于上述第二子工艺，进行使上述预测值确定部确定的上述预测值接近规定的目标值的控制。

7.一种信息处理装置，其特征在于，

具备：

第一控制值计算部，其使用数学模型来计算工厂的规定工艺的控制中使用的第一控制值；

第二控制值计算部，其使用通过机械学习使上述工艺模型化的已学习模型来计算上述工艺的控制中使用的第二控制值；

控制值确定部，其基于上述第一控制值及上述第二控制值的至少任一来确定上述工厂的控制中使用的控制值；以及

工厂控制部，其基于上述控制值来控制上述工厂。

8.根据权利要求7所述的信息处理装置，其特征在于，

所述信息处理装置具备运转模式确定部，该运转模式确定部确定上述工厂的运转模式，

上述工厂控制部基于上述运转模式确定部确定的运转模式来控制上述工厂。

9.一种信息处理方法，是信息处理装置的信息处理方法，其特征在于，

包含：

第一预测步骤，使用将工厂的规定工艺模型化的数学模型来计算与该工艺相关的规定参数的预测值即第一预测值；

第二预测步骤，使用通过机械学习使上述工艺模型化的已学习模型来计算上述参数的预测值即第二预测值；以及

预测值确定步骤，基于上述第一预测值及上述第二预测值的至少任一来确定上述参数的预测值。

10.一种信息处理程序，其使计算机作为权利要求1所述的信息处理装置发挥功能，使计算机作为上述第一预测部、上述第二预测部、以及上述预测值确定部发挥功能。

Images