特開2022-134564特徴量抽出方法、性能予測モデル作成方法、プラントの運転支援方法、特徴量抽出装置、性能予測モデル作成装置、及びプラントの運転支援装置
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2022134564
(43)【公開日】2022-09-15
(54)【発明の名称】特徴量抽出方法、性能予測モデル作成方法、プラントの運転支援方法、特徴量抽出装置、性能予測モデル作成装置、及びプラントの運転支援装置
(51)【国際特許分類】
G06T 7/00 20170101AFI20220908BHJP
G05B 23/02 20060101ALI20220908BHJP
F23N 5/00 20060101ALI20220908BHJP
【ＦＩ】
G06T7/00 610
G05B23/02 T
G05B23/02 301Z
F23N5/00 H
【審査請求】未請求
【請求項の数】19
【出願形態】ＯＬ
(21)【出願番号】P 2021033757
(22)【出願日】2021-03-03
(71)【出願人】
【識別番号】000006208
【氏名又は名称】三菱重工業株式会社
(74)【代理人】
【識別番号】110000785
【氏名又は名称】ＳＳＩＰ弁理士法人
(72)【発明者】
【氏名】草加 浩都
(72)【発明者】
【氏名】横井 智記
(72)【発明者】
【氏名】高橋 知大
(72)【発明者】
【氏名】喜名 大輔
(72)【発明者】
【氏名】山本 研二
(72)【発明者】
【氏名】松本 啓吾
【テーマコード（参考）】
3C223
3K003
5L096
【Ｆターム（参考）】
3C223AA01
3C223AA02
3C223BB08
3C223CC01
3C223DD01
3C223EB01
3C223EB05
3C223FF02
3C223FF05
3C223FF12
3C223FF13
3C223FF14
3C223FF22
3C223FF23
3C223FF35
3C223FF42
3C223FF45
3C223FF46
3C223FF52
3C223GG01
3C223HH02
3C223HH06
3C223HH07
3C223HH29
3K003EA07
3K003FA02
3K003GA06
5L096AA02
5L096BA03
5L096BA18
5L096CA04
5L096DA02
5L096FA15
5L096FA59
5L096FA64
5L096FA66
5L096FA67
5L096FA69
5L096GA38
5L096MA07
(57)【要約】
【課題】予測精度を向上させることで運転パラメータの最適化にかかる時間を短縮し、且つ特徴量の抽出の自動化を容易化することができる。
【解決手段】燃料を燃焼するプラントの運転パラメータと、プラントのプロセス値との関係を示す性能予測モデルを作成するための特徴量を抽出する特徴量抽出方法は、プラントの燃焼領域の画像データを取得するステップと、画像データをクラスタリング処理により色情報に応じて複数の色領域に区分された色画像データに変換するステップと、色画像データから特徴量を抽出するステップと、を備える。
【選択図】図２
【解決手段】燃料を燃焼するプラントの運転パラメータと、プラントのプロセス値との関係を示す性能予測モデルを作成するための特徴量を抽出する特徴量抽出方法は、プラントの燃焼領域の画像データを取得するステップと、画像データをクラスタリング処理により色情報に応じて複数の色領域に区分された色画像データに変換するステップと、色画像データから特徴量を抽出するステップと、を備える。
【選択図】図２
【特許請求の範囲】
【請求項1】
燃料を燃焼するプラントの運転パラメータと、前記プラントのプロセス値との関係を示す性能予測モデルを作成するための特徴量を抽出する特徴量抽出方法であって、
前記プラントの燃焼領域の画像データを取得するステップと、
前記画像データをクラスタリング処理により色情報に応じて複数の色領域に区分された色画像データに変換するステップと、
前記色画像データから前記特徴量を抽出するステップと、を備える、
特徴量抽出方法。
前記プラントの燃焼領域の画像データを取得するステップと、
前記画像データをクラスタリング処理により色情報に応じて複数の色領域に区分された色画像データに変換するステップと、
前記色画像データから前記特徴量を抽出するステップと、を備える、
特徴量抽出方法。
【請求項2】
前記画像データは、前記プラントの一次燃焼領域の画像データを含み、
前記複数の色領域は、前記一次燃焼領域に供給された前記燃料が燃焼する領域が含まれる第１色領域と、前記一次燃焼領域に供給された前記燃料が未燃焼である領域が含まれる第２色領域と、を含み、
前記特徴量は、前記第１色領域及び前記第２色領域のうち少なくとも一方から抽出される第１特徴量を含む、
請求項１に記載の特徴量抽出方法。
前記複数の色領域は、前記一次燃焼領域に供給された前記燃料が燃焼する領域が含まれる第１色領域と、前記一次燃焼領域に供給された前記燃料が未燃焼である領域が含まれる第２色領域と、を含み、
前記特徴量は、前記第１色領域及び前記第２色領域のうち少なくとも一方から抽出される第１特徴量を含む、
請求項１に記載の特徴量抽出方法。
【請求項3】
前記第１特徴量は、前記燃料を前記プラントに供給するための燃料供給口と、前記第１色領域と前記第２色領域との境界線との間の距離である着火距離を含む、
請求項２に記載の特徴量抽出方法。
請求項２に記載の特徴量抽出方法。
【請求項4】
前記第１特徴量は、前記燃料を前記プラントに供給するための燃料供給口と、前記第１色領域と前記第２色領域との境界線との間の距離である着火距離の変化量を含む、
請求項２又は３に記載の特徴量抽出方法。
請求項２又は３に記載の特徴量抽出方法。
【請求項5】
前記第１特徴量は、前記第１色領域の面積及び前記第２色領域の面積のうち少なくとも１つを含む、
請求項２から４の何れか一項に記載の特徴量抽出方法。
請求項２から４の何れか一項に記載の特徴量抽出方法。
【請求項6】
前記第１特徴量は、前記第１色領域の面積の変化量及び前記第２色領域の面積の変化量のうち少なくとも１つを含む、
請求項２から５の何れか一項に記載の特徴量抽出方法。
請求項２から５の何れか一項に記載の特徴量抽出方法。
【請求項7】
前記第１特徴量は、前記燃料の燃焼によって発生する火炎の幅、火炎の長さ、火炎の噴出角度のうち少なくとも１つを含み、
前記燃料を前記プラントに供給するための燃料供給口の開口と交差する方向を長さ方向、該長さ方向と直交する方向を幅方向とすると、
前記火炎の幅は、前記第１色領域の前記幅方向の大きさであり、
前記火炎の長さは、前記第１色領域の前記長さ方向の大きさであり、
前記火炎の噴出角度は、前記燃料供給口を前記長さ方向に通過する第１仮想線と、前記燃料供給口と前記第１仮想線とが交差する交差点、及び前記第１色領域の前記長さ方向の前記燃料供給口側とは反対側の先端を通過する第２仮想線とによって形成される、
請求項２から６の何れか一項に記載の特徴量抽出方法。
前記燃料を前記プラントに供給するための燃料供給口の開口と交差する方向を長さ方向、該長さ方向と直交する方向を幅方向とすると、
前記火炎の幅は、前記第１色領域の前記幅方向の大きさであり、
前記火炎の長さは、前記第１色領域の前記長さ方向の大きさであり、
前記火炎の噴出角度は、前記燃料供給口を前記長さ方向に通過する第１仮想線と、前記燃料供給口と前記第１仮想線とが交差する交差点、及び前記第１色領域の前記長さ方向の前記燃料供給口側とは反対側の先端を通過する第２仮想線とによって形成される、
請求項２から６の何れか一項に記載の特徴量抽出方法。
【請求項8】
前記第１特徴量は、前記燃料の燃焼によって発生する火炎の幅の変化量、火炎の長さの変化量、火炎の噴出角度の変化量のうち少なくとも１つを含み、
前記燃料を前記プラントに供給するための燃料供給口の開口と交差する方向を長さ方向、該長さ方向と直交する方向を幅方向とすると、
前記火炎の幅は、前記第１色領域の前記幅方向の大きさであり、
前記火炎の長さは、前記第１色領域の前記長さ方向の大きさであり、
前記火炎の噴出角度は、前記燃料供給口を前記長さ方向に通過する第１仮想線と、前記燃料供給口と前記第１仮想線とが交差する交差点、及び前記第１色領域の前記長さ方向の前記燃料供給口側とは反対側の先端を通過する第２仮想線とによって形成される、
請求項２から７の何れか一項に記載の特徴量抽出方法。
前記燃料を前記プラントに供給するための燃料供給口の開口と交差する方向を長さ方向、該長さ方向と直交する方向を幅方向とすると、
前記火炎の幅は、前記第１色領域の前記幅方向の大きさであり、
前記火炎の長さは、前記第１色領域の前記長さ方向の大きさであり、
前記火炎の噴出角度は、前記燃料供給口を前記長さ方向に通過する第１仮想線と、前記燃料供給口と前記第１仮想線とが交差する交差点、及び前記第１色領域の前記長さ方向の前記燃料供給口側とは反対側の先端を通過する第２仮想線とによって形成される、
請求項２から７の何れか一項に記載の特徴量抽出方法。
【請求項9】
前記画像データは、前記プラントの二次燃焼領域の画像データを含み、
前記複数の色領域は、前記プラントの一次燃焼領域から前記二次燃焼領域に流動した未燃燃料が燃焼する領域が含まれる第３色領域と、前記プラントの前記一次燃焼領域から前記二次燃焼領域に流動した前記未燃燃料が未燃焼である領域が含まれる第４色領域と、を含み、
前記特徴量は、前記第３色領域及び前記第４色領域のうち少なくとも一方から抽出される第２特徴量を含む、
請求項１から８の何れか一項に記載の特徴量抽出方法。
前記複数の色領域は、前記プラントの一次燃焼領域から前記二次燃焼領域に流動した未燃燃料が燃焼する領域が含まれる第３色領域と、前記プラントの前記一次燃焼領域から前記二次燃焼領域に流動した前記未燃燃料が未燃焼である領域が含まれる第４色領域と、を含み、
前記特徴量は、前記第３色領域及び前記第４色領域のうち少なくとも一方から抽出される第２特徴量を含む、
請求項１から８の何れか一項に記載の特徴量抽出方法。
【請求項10】
前記第２特徴量は、前記第３色領域の面積を含む、
請求項９に記載の特徴量抽出方法。
請求項９に記載の特徴量抽出方法。
【請求項11】
前記第２特徴量は、前記第３色領域の面積の変化量を含む、
請求項９又は１０に記載の特徴量抽出方法。
請求項９又は１０に記載の特徴量抽出方法。
【請求項12】
前記第２特徴量は、前記第３色領域と前記第４色領域との位置関係を含む、
請求項９から１１の何れか一項に記載の特徴量抽出方法。
請求項９から１１の何れか一項に記載の特徴量抽出方法。
【請求項13】
前記第２特徴量は、前記第３色領域と前記第４色領域との位置関係の変化量を含む、
請求項９から１２の何れか一項に記載の特徴量抽出方法。
請求項９から１２の何れか一項に記載の特徴量抽出方法。
【請求項14】
燃料を燃焼するプラントの運転パラメータと、前記プラントのプロセス値との関係を示す性能予測モデルを作成する性能予測モデル作成方法であって、
請求項１から１３の何れか一項に記載の特徴量抽出方法を用いて、第１タイミングにおける前記特徴量を抽出するステップと、
前記プラントの前記第１タイミングにおける前記運転パラメータと物理モデルパラメータセットとに基づいて、前記物理モデルパラメータセットを変化させて感度解析を実施して、前記第１タイミングにおける前記特徴量に対応する解析特徴量を算出するステップと、
前記第１タイミングにおける前記特徴量と前記解析特徴量との差に基づいて、最適物理モデルパラメータセットを決定するステップと、
前記最適物理モデルパラメータセットと前記プラントの前記運転パラメータとに基づいて、前記運転パラメータを変化させて感度解析を実施して、前記運転パラメータと前記プロセス値との関係を示す前記性能予測モデルを作成するステップと、を備える、
性能予測モデル作成方法。
請求項１から１３の何れか一項に記載の特徴量抽出方法を用いて、第１タイミングにおける前記特徴量を抽出するステップと、
前記プラントの前記第１タイミングにおける前記運転パラメータと物理モデルパラメータセットとに基づいて、前記物理モデルパラメータセットを変化させて感度解析を実施して、前記第１タイミングにおける前記特徴量に対応する解析特徴量を算出するステップと、
前記第１タイミングにおける前記特徴量と前記解析特徴量との差に基づいて、最適物理モデルパラメータセットを決定するステップと、
前記最適物理モデルパラメータセットと前記プラントの前記運転パラメータとに基づいて、前記運転パラメータを変化させて感度解析を実施して、前記運転パラメータと前記プロセス値との関係を示す前記性能予測モデルを作成するステップと、を備える、
性能予測モデル作成方法。
【請求項15】
燃料を燃焼するプラントの運転パラメータと、前記プラントのプロセス値との関係を示す性能予測モデルを作成する性能予測モデル作成方法であって、
請求項１から１３の何れか一項に記載の特徴量抽出方法を用いて、複数のタイミングにおける前記特徴量をそれぞれ抽出するステップと、
前記プラントの前記複数のタイミングにおける前記運転パラメータをそれぞれ取得するステップと、
前記プラントの前記複数のタイミングにおける前記プロセス値をそれぞれ取得するステップと、
前記複数のタイミングにおける各々の前記特徴量、前記複数のタイミングにおける各々の前記運転パラメータ、及び前記複数のタイミングにおける各々の前記プロセス値を含む学習データに基づいて、前記運転パラメータと前記プロセス値との関係を示す前記性能予測モデルを作成するステップと、を備える、
性能予測モデル作成方法。
請求項１から１３の何れか一項に記載の特徴量抽出方法を用いて、複数のタイミングにおける前記特徴量をそれぞれ抽出するステップと、
前記プラントの前記複数のタイミングにおける前記運転パラメータをそれぞれ取得するステップと、
前記プラントの前記複数のタイミングにおける前記プロセス値をそれぞれ取得するステップと、
前記複数のタイミングにおける各々の前記特徴量、前記複数のタイミングにおける各々の前記運転パラメータ、及び前記複数のタイミングにおける各々の前記プロセス値を含む学習データに基づいて、前記運転パラメータと前記プロセス値との関係を示す前記性能予測モデルを作成するステップと、を備える、
性能予測モデル作成方法。
【請求項16】
請求項１４又は１５に記載の性能予測モデル作成方法によって作成された前記性能予測モデルを用いるプラントの運転支援方法であって、
前記運転パラメータを設定するステップと、
前記運転パラメータを設定するステップで設定された前記運転パラメータを前記性能予測モデルに入力して、前記プロセス値を出力するステップと、
前記プロセス値を出力するステップで出力された前記プロセス値が所定条件に含まれるか否かを判断するステップと、
前記プロセス値が前記所定条件に含まれないと判断された場合に、前記運転パラメータを再設定するステップと、を備える
プラントの運転支援方法。
前記運転パラメータを設定するステップと、
前記運転パラメータを設定するステップで設定された前記運転パラメータを前記性能予測モデルに入力して、前記プロセス値を出力するステップと、
前記プロセス値を出力するステップで出力された前記プロセス値が所定条件に含まれるか否かを判断するステップと、
前記プロセス値が前記所定条件に含まれないと判断された場合に、前記運転パラメータを再設定するステップと、を備える
プラントの運転支援方法。
【請求項17】
燃料を燃焼するプラントの運転パラメータと、前記プラントのプロセス値との関係を示す性能予測モデルを作成するための特徴量を抽出する特徴量抽出装置であって、
前記プラントの燃焼領域の画像データを取得する取得部と、
前記画像データをクラスタリング処理により色情報に応じて複数の色領域に区分された色画像データに変換する変換部と、
前記色画像データから前記特徴量を抽出する抽出部と、を備える、
特徴量抽出装置。
前記プラントの燃焼領域の画像データを取得する取得部と、
前記画像データをクラスタリング処理により色情報に応じて複数の色領域に区分された色画像データに変換する変換部と、
前記色画像データから前記特徴量を抽出する抽出部と、を備える、
特徴量抽出装置。
【請求項18】
燃料を燃焼するプラントの運転パラメータと、前記プラントのプロセス値との関係を示す性能予測モデルを作成する性能予測モデル作成装置であって、
請求項１７に記載の特徴量抽出装置であって、第１タイミングにおける前記特徴量を抽出する特徴量抽出装置と、
前記プラントの前記第１タイミングにおける前記運転パラメータと物理モデルパラメータセットとに基づいて、前記物理モデルパラメータセットを変化させて感度解析を実施して、前記第１タイミングにおける前記特徴量に対応する解析特徴量を算出する解析特徴量算出部と、
前記第１タイミングにおける前記特徴量と前記解析特徴量との差に基づいて、最適物理モデルパラメータセットを決定する最適物理モデルパラメータセット決定部と、
前記最適物理モデルパラメータセットと前記プラントの前記運転パラメータとに基づいて、前記運転パラメータを変化させて感度解析を実施して、前記運転パラメータと前記プロセス値との関係を示す前記性能予測モデルを作成する性能予測モデル作成部と、を備える、
性能予測モデル作成装置。
請求項１７に記載の特徴量抽出装置であって、第１タイミングにおける前記特徴量を抽出する特徴量抽出装置と、
前記プラントの前記第１タイミングにおける前記運転パラメータと物理モデルパラメータセットとに基づいて、前記物理モデルパラメータセットを変化させて感度解析を実施して、前記第１タイミングにおける前記特徴量に対応する解析特徴量を算出する解析特徴量算出部と、
前記第１タイミングにおける前記特徴量と前記解析特徴量との差に基づいて、最適物理モデルパラメータセットを決定する最適物理モデルパラメータセット決定部と、
前記最適物理モデルパラメータセットと前記プラントの前記運転パラメータとに基づいて、前記運転パラメータを変化させて感度解析を実施して、前記運転パラメータと前記プロセス値との関係を示す前記性能予測モデルを作成する性能予測モデル作成部と、を備える、
性能予測モデル作成装置。
【請求項19】
請求項１８に記載の性能予測モデル作成装置によって作成された前記性能予測モデルを用いるプラントの運転支援装置であって、
前記運転パラメータを設定する運転パラメータ設定部と、
前記運転パラメータ設定部が設定した前記運転パラメータを前記性能予測モデルに入力して、前記プロセス値を出力するプロセス値出力部と、
前記プロセス値出力部が出力した前記プロセス値が所定条件に含まれるか否かを判断する判断部と、を備え、
前記判断部において、前記プロセス値出力部で出力された前記プロセス値が前記所定条件に含まれないと判断された場合に、前記運転パラメータを再設定する再設定部と、を備える、
プラントの運転支援装置。
前記運転パラメータを設定する運転パラメータ設定部と、
前記運転パラメータ設定部が設定した前記運転パラメータを前記性能予測モデルに入力して、前記プロセス値を出力するプロセス値出力部と、
前記プロセス値出力部が出力した前記プロセス値が所定条件に含まれるか否かを判断する判断部と、を備え、
前記判断部において、前記プロセス値出力部で出力された前記プロセス値が前記所定条件に含まれないと判断された場合に、前記運転パラメータを再設定する再設定部と、を備える、
プラントの運転支援装置。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、特徴量抽出方法、性能予測モデル作成方法、プラントの運転支援方法、特徴量抽出装置、性能予測モデル作成装置、及びプラントの運転支援装置に関する。
【背景技術】
【0002】
特許文献１には、プラントの仕様や燃料の性状が変化した場合においても、プロセス値を精度よく予測することができる性能予測モデルの作成方法が開示されている。性能予測モデルは燃料を燃焼するプラントの入力パラメータ（インプット）とプロセス値（アウトプット）との関係を示すものである。この特許文献１では、プラントの運転データと、プラントの燃焼領域を上から撮影した画像データから抽出される特徴量とを性能予測モデルの入力パラメータとして取り扱っている。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】国際公開第２０１９／２２５４５７号
【発明の概要】
【発明が解決しようとする課題】
【0004】
ところで、特徴量は性能予測モデルの予測精度を向上させるような情報であることが望ましいが、プラントの燃焼領域の画像データから特徴量を抽出する具体的な手法については開示されていない。また、プラントの燃焼領域の画像データから特徴量を抽出する手法によっては、前処理や閾値の設定などのような人手による調整作業が必要となり、自動化が容易ではない場合がある。
【0005】
本開示は、上述の課題に鑑みてなされたものであって、予測精度を向上させ、且つ特徴量の抽出の自動化を容易化することができる特徴量抽出方法、及び特徴量抽出装置を提供することを目的とする。
【課題を解決するための手段】
【0006】
前記した課題を解決するために、例えば特許請求の範囲に記載の構成を採用する。本願は前記課題を解決する手段を複数含んでいるが、その一例を挙げる。本開示に係る特徴量抽出方法は、燃料を燃焼するプラントの運転パラメータと、前記プラントのプロセス値との関係を示す性能予測モデルを作成するための特徴量を抽出する特徴量抽出方法であって、前記プラントの燃焼領域の画像データを取得するステップと、前記画像データをクラスタリング処理により色情報に応じて複数の色領域に区分された色画像データに変換するステップと、前記色画像データから前記特徴量を抽出するステップと、を備える。
【0007】
本開示に係る特徴量抽出装置は、燃料を燃焼するプラントの運転パラメータと、前記プラントのプロセス値との関係を示す性能予測モデルを作成するための特徴量を抽出する特徴量抽出装置であって、前記プラントの燃焼領域の画像データを取得する取得部と、前記画像データをクラスタリング処理により色情報に応じて複数の色領域に区分された色画像データに変換する変換部と、前記色画像データから前記特徴量を抽出する抽出部と、を備える。
【発明の効果】
【0008】
本開示の特徴量抽出方法及び特徴量抽出装置によれば、予測精度を向上させ、且つ特徴量の抽出の自動化を容易化することができる。
【図面の簡単な説明】
【0009】
【図1】ボイラプラントの概要図である。
【図2】一実施形態に係る特徴量抽出方法を示すフローチャートである。
【図3】一実施形態に係る色画像データを示す図である。
【図4】一実施形態に係る色画像データを示す図である。
【図5】別の一実施形態に係る色画像データを示す図である。
【図6】一実施形態に係る性能予測モデル作成方法を示すフローチャートである。
【図7】別の一実施形態に係る性能予測モデル作成方法を示すフローチャートである。
【図8】一実施形態に係るプラントの運転支援方法を示すフローチャートである。
【図9】一実施形態に係る特徴量抽出装置の概略的な機能ブロック図である。
【図10】一実施形態に係る性能予測モデル作成装置の概略的な機能ブロック図である。
【図11】一実施形態に係るプラントの運転支援装置の構成を示す図である。
【発明を実施するための形態】
【0010】
以下、本開示の実施の形態による特徴量抽出方法、性能予測モデル作成方法、プラントの運転支援方法、特徴量抽出装置、性能予測モデル作成装置、及びプラントの運転支援装置について、図面に基づいて説明する。かかる実施の形態は、本開示の一態様を示すものであり、この開示を限定するものではなく、本開示の技術的思想の範囲内で任意に変更可能である。
【0011】
燃料を燃焼するプラントの運転パラメータ（インプット）とプラントのプロセス値（アウトプット）との関係を示す性能予測モデルを作成するための特徴量を抽出する特徴量抽出方法について説明する。
【0012】
＜特徴量抽出方法＞
まず、本開示に係る性能予測モデルを適用するプラントの一例として、ボイラプラント１００の構成を示す。図１は、ボイラプラント１００の概要図である。尚、プラントは、ボイラプラント１００に限らず、広く工業製品又は材料を生成するプラントにも適用可能である。例えば、燃料を燃焼するプラントとして、発電プラント以外に、蒸気供給プラント、製鉄プラントが例示される。
まず、本開示に係る性能予測モデルを適用するプラントの一例として、ボイラプラント１００の構成を示す。図１は、ボイラプラント１００の概要図である。尚、プラントは、ボイラプラント１００に限らず、広く工業製品又は材料を生成するプラントにも適用可能である。例えば、燃料を燃焼するプラントとして、発電プラント以外に、蒸気供給プラント、製鉄プラントが例示される。
【0013】
ボイラプラント１００が備えるボイラ１０２は、固体燃料を燃焼させるように構成されている。ボイラ１０２は、石炭Ｆｃを粉砕した微粉炭（固体燃料）の燃焼により発生した熱を用いて給水から蒸気を発生させることが可能な石炭焚きボイラである。なお、ボイラ１０２に投入する固体燃料は、微粉炭に限定されず、ボイラ１０２で燃焼可能であるならばバイオマスのような微粉炭以外の固体燃料であってもよい。
【0014】
図１に示すように、ボイラ１０２は、火炉１０４と、燃焼装置（燃焼バーナ１０６）と、１次空気供給装置１０８と、２次空気供給装置１１５と、煙道１１０と、を含む。
【0015】
火炉１０４は、例えば四角筒の中空形状を有し鉛直方向に沿って延設されている。火炉１０４は、１次空気供給装置１０８から供給される空気（１次空気）によって微粉炭を燃焼し、２次空気供給装置１１５から新たに供給される空気（２次空気）によって一次燃焼領域Ｒ１から二次燃焼領域Ｒ２に流動した未燃の微粉炭（未燃燃料）を燃焼する、いわゆる２段燃焼方式の火炉である。
【0016】
ボイラプラント１００の火炉１０４における一次燃焼領域Ｒ１は、撮像装置１０５によって撮像されている。撮像装置１０５は、後述する燃料供給口１０９も撮像されるように一次燃焼領域Ｒ１を撮像可能な位置に少なくとも一台が火炉１０４に設けられている。撮像装置１０５は、例えば、火炉１０４を構成する火炉壁における鉛直方向の下部側に設けられる。撮像装置１０５は、動画像または静止画像の少なくとも一方を撮像可能に構成され、一次燃焼領域Ｒ１の画像データを生成する。このような撮像装置１０５は、例えば、デジタルカメラ、ビデオカメラ、又は特定の波長を検知可能な赤外線カメラなどのカメラである。尚、画像データの形式は、静止画であればＴＩＦＦやＢＭＰ、動画であればＡＶＩに代表される非圧縮形式のデータであってもよい。あるいは、画像データの形式は、静止画であればＪＰＥＧやＰＮＧ、動画であればＭＰＥＧやＭＰ４に代表される圧縮形式のデータであってもよい。
【0017】
燃焼装置は、火炉１０４の火炉壁の下部側に設けられており、例えば、燃焼バーナ１０６である。燃焼バーナ１０６は、微粉炭供給管１１２を介して粉砕機１１４（微粉炭機／ミル）に連結されている。粉砕機１１４は、図示しない搬送系統で搬送された石炭Ｆｃを所定の微粉の大きさに粉砕し、微粉炭を生成する。粉砕機１１４は、微粉炭と１次空気供給装置１０８から供給された空気（一次空気）とを混合した混合気を、微粉炭供給管１１２を介して燃焼バーナ１０６に供給する。燃焼バーナ１０６は、粉砕機１１４から供給された混合気を火炉１０４内に噴射することで、火炎Ｆｒを形成して微粉炭を燃焼する。
【0018】
１次空気供給装置１０８は、微粉炭の燃焼に用いられる１次空気を火炉１０４に供給する。このような１次空気供給装置１０８は、１次空気供給管１１６と、１次空気供給管１１６に設けられた１次ブロワ１１８と、を含む。１次ブロワ１１８が発生させた空気は、１次空気供給管１１６、粉砕機１１４、微粉炭供給管１１２、及び燃焼バーナ１０６の順に流通し、１次空気として火炉１０４に供給される。火炉壁に形成される１次空気（混合気）の噴射口（燃料供給口１０９）は、火炉壁に形成される二次空気の供給口１１３よりも下方に位置している。
【0019】
２次空気供給装置１１５は、一次燃焼領域Ｒ１で燃え切らなかった微粉炭（未燃燃料）の燃焼に用いられる２次空気を火炉１０４に供給する。このような２次空気供給装置１１５は、２次空気供給管１１７と、２次空気供給管１１７に設けられた２次ブロワ１１９と、を含む。２次ブロワ１１９が発生させた空気は、２次空気供給管１１７を流通し、二次空気として火炉１０４に供給される。尚、２次空気供給装置１１５は、２次ブロワ１１９が発生させた空気が燃焼バーナ１０６に供給されるように構成されてもよい。
【0020】
煙道１１０は、火炉１０４の上部と連通しており、微粉炭の燃焼によって発生した燃焼ガスＣｇが流通する。煙道１１０には、ガス分析計１１１が設けられており、燃焼ガスＣｇに含まれる酸素や一酸化炭素のような気体成分の濃度を計測する。ガス分析計１１１の設置位置は、特に限定されず、煙道１１０の出口部であってもよいし、煙道１１０の入口部であってもよい。幾つかの実施形態では、ガス分析計１１１は火炉１０４に設けられる。また、煙道１１０には、燃焼ガスＣｇの熱エネルギから蒸気を発生させるための熱交換器１２０が設けられている。熱交換器１２０の設置位置は、図１に例示する形態に限定されず、火炉１０４の上部に設けられてもよい。不図示であるが、幾つかの実施形態では、ボイラプラント１００は、蒸気タービン及び発電機をさらに備え、熱交換器１２０で発生させた蒸気によって蒸気タービンを回転駆動させ、この蒸気タービンの回転軸に連結された発電機を回転駆動させることで発電を行うように構成される。
【0021】
図１に例示する形態では、ボイラプラント１００は、脱硝装置１５０と、集じん装置１５２と、煙突１５４と、をさらに備える。脱硝装置１５０は、ボイラ１０２の煙道１１０と接続されており、ボイラ１０２の煙道１１０から排出された燃焼ガスＣｇの浄化を行う。集じん装置１５２は脱硝装置１５０と接続されており、脱硝装置１５０で浄化された燃焼ガスＣｇに含まれる飛灰を捕集する。煙突１５４は、集じん装置１５２と接続されており、集じん装置１５２で飛灰が捕集された燃焼ガスＣｇを大気中のようなボイラプラント１００の外部に排出する。
【0022】
（特徴量抽出方法の構成）
図２は、一実施形態に係る特徴量抽出方法を示すフローチャートである。図２に例示する特徴量抽出方法では、微粉炭を燃焼するボイラプラント１００における一次燃焼領域Ｒ１の画像データを活用して、燃焼ガスＣｇに含まれる気体成分の濃度（プロセス値）を予測する性能予測モデルを作成するための特徴量を抽出する。尚、プロセス値は気体成分の濃度に限定されない。例えば、集じん装置１５２で捕集された灰中未燃分濃度などもある。
図２は、一実施形態に係る特徴量抽出方法を示すフローチャートである。図２に例示する特徴量抽出方法では、微粉炭を燃焼するボイラプラント１００における一次燃焼領域Ｒ１の画像データを活用して、燃焼ガスＣｇに含まれる気体成分の濃度（プロセス値）を予測する性能予測モデルを作成するための特徴量を抽出する。尚、プロセス値は気体成分の濃度に限定されない。例えば、集じん装置１５２で捕集された灰中未燃分濃度などもある。
【0023】
図２に示すように、特徴量抽出方法は、取得ステップＳ２と、変換ステップＳ４と、抽出ステップＳ６と、を備える。
【0024】
まず、取得ステップＳ２において、ボイラプラント１００の一次燃焼領域Ｒ１の画像データを火炉１０４に設けられた撮像装置１０５から取得する。尚、画像データは、リアルタイムで撮像装置１０５から取得されてもよいし、予め取得した画像データをデータベースのような記憶装置に記憶させ、記憶装置から取得されてもよい。
【0025】
次に、変換ステップＳ４において、撮像装置１０５から取得した画像データをクラスタリング処理により色情報に応じて複数の色領域に区分された色画像データに変換する。
【0026】
「クラスタリング処理」は、ｋ－ｍｅａｎｓ等の教師無しクラスタリング手法を利用したものであり、画像データをクラスタ（複数の色領域）毎に区分された色画像データに変換する。尚、クラスタ数は、クラスタリング処理において自動的に決定される値であってもよいし、事前に設定しておく値であってもよい。
【0027】
「色情報に応じて複数の色領域に区分する」について説明する。色情報は、例えば、輝度であって、複数の輝度領域Ａ（複数の色領域）のそれぞれは、輝度が互いに重複しないようにクラスタリング処理によって設定されている。そして、撮像装置１０５から取得した画像データの画素ごとに輝度を算出し、この画素が含まれる輝度領域Ａを決定する。尚、本開示は、色情報を輝度に限定するものではなく、例えば、ＲＧＢの各色成分や彩度などのような輝度以外の色情報であってもよい。
【0028】
図３及び図４は、一実施形態に係る輝度画像データ１３０（色画像データ）を示す図である。図３及び図４に例示する形態では、クラスタ数が４であり、輝度画像データ１３０は４つの輝度領域Ａに区分されている。４つの輝度領域Ａのそれぞれは、白黒（グレースケール）の濃淡の値に変換されており、輝度の低い輝度領域Ａであるほど濃くなっている。４つの輝度領域Ａのうち輝度が最も高い輝度領域Ａは、一次燃焼領域Ｒ１に供給された微粉炭が燃焼する領域を含み、このような輝度領域Ａを高輝度領域Ａ１（Ａ）とする。言い換えると、高輝度領域Ａ１は、画像データのうち火炎Ｆｒが撮像された部分に相当する。残りの輝度領域Ａは、一次燃焼領域Ｒ１に供給された微粉炭が未燃焼である領域を含み、このような輝度領域Ａを低輝度領域Ａ２（Ａ）とする。
【0029】
次に、抽出ステップＳ６において、輝度画像データ１３０から第１特徴量を抽出する。言い換えると、第１特徴量は、一次燃焼領域Ｒ１の画像データに基づいて抽出される。第１特徴量は、高輝度領域Ａ１及び低輝度領域Ａ２のうち少なくとも一方から抽出される。第１特徴量は、例えば、高輝度領域Ａ１の面積、低輝度領域Ａ２の面積、着火距離Ｘ１、火炎の幅Ｘ２、火炎の長さＸ３、火炎の噴出角度θなどである。
【0030】
幾つかの実施形態では、第１特徴量は高輝度領域Ａ１の面積を含む。高輝度領域Ａ１の面積は、高輝度領域Ａ１に区分された画素数の合計値である。高輝度領域Ａ１の面積は、燃焼ガスＣｇに含まれる気体成分の濃度と高い相関を有する。このため、第１特徴量が高輝度領域Ａ１の面積を含むことで、性能予測モデルの予測精度を向上させることができる。
【0031】
幾つかの実施形態では、第１特徴量は高輝度領域Ａ１の面積の変化量を含む。本開示において、「変化量」とは、空間的および／または時間的な変化量のことを指す。以降に記載する「変化量」についても同じことを指す。高輝度領域Ａ１の面積の変化量は、燃焼ガスＣｇに含まれる気体成分の濃度と高い相関を有する。このため、第１特徴量が高輝度領域Ａ１の面積の変化量を含むことで、性能予測モデルの予測精度を向上させることができる。
【0032】
幾つかの実施形態では、第１特徴量は低輝度領域Ａ２の面積を含む。低輝度領域Ａ２の面積は、低輝度領域Ａ２に区分された画素数の合計値である。低輝度領域Ａ２の面積は、燃焼ガスＣｇに含まれる気体成分の濃度と高い相関を有する。このため、第１特徴量が低輝度領域Ａ２の面積を含むことで、性能予測モデルの予測精度を向上させることができる。
【0033】
幾つかの実施形態では、第１特徴量は低輝度領域Ａ２の面積の変化量を含む。低輝度領域Ａ２の面積の変化量は、燃焼ガスＣｇに含まれる気体成分の濃度と高い相関を有する。このため、第１特徴量が低輝度領域Ａ２の面積の変化量を含むことで、性能予測モデルの予測精度を向上させることができる。
【0034】
図３を参照して、輝度画像データ１３０から着火距離Ｘ１を抽出する具体例について説明する。図４を参照して、輝度画像データ１３０から火炎Ｆｒの幅Ｘ２、火炎Ｆｒの長さＸ３、火炎Ｆｒの噴出角度θのそれぞれを抽出する具体例について説明する。図３及び図４に示すように、輝度画像データ１３０における燃料供給口１０９の位置は予め算出される。図３及び図４のそれぞれの紙面において、燃料供給口１０９から下方（火炉１０４内）に向かって燃料が噴射されている。
【0035】
図３及び図４のそれぞれにおいて、燃料供給口１０９の開口と交差する方向を長さ方向Ｄ１、長さ方向Ｄ１と直交する方向を幅方向Ｄ２とする。燃料供給口１０９の幅方向Ｄ２の中心Ｏを長さ方向Ｄ１に沿って通過する仮想の直線を第１仮想線Ｌ１（図３及び図４において一点鎖線で示す）とする。
【0036】
幾つかの実施形態では、第１特徴量は着火距離Ｘ１を含む。図３に示すように、例えば、着火距離Ｘ１は、微粉炭を火炉１０４に供給するための燃料供給口１０９と、高輝度領域Ａ１と低輝度領域Ａ２との境界線Ｌ３との間の距離である。より具体的には、着火距離Ｘ１は中心Ｏと第１仮想線Ｌ１と境界線Ｌ３とが交差する位置Ｐ１との間の距離である。着火距離Ｘ１は、燃焼ガスＣｇに含まれる気体成分の濃度と高い相関を有する。このため、第１特徴量が着火距離Ｘ１を含むことで、性能予測モデルの予測精度を向上させることができる。尚、別の一実施形態では、第１仮想線Ｌ１を中心Ｏから幅方向Ｄ２にずらした第１仮想線から着火距離Ｘ１が抽出されてもよい。また、別の一実施形態では、着火距離Ｘ１は、第１仮想線Ｌ１から抽出された着火距離と第１仮想線Ｌ１を中心Ｏから幅方向Ｄ２にずらした第１仮想線から抽出された着火距離との平均値であってもよい。
【0037】
幾つかの実施形態では、第１特徴量は着火距離Ｘ１の変化量を含む。着火距離Ｘ１の変化量は、燃焼ガスＣｇに含まれる気体成分の濃度と高い相関を有する。このため、第１特徴量が着火距離Ｘ１の変化量を含むことで、性能予測モデルの予測精度を向上させることができる。
【0038】
幾つかの実施形態では、第１特徴量は火炎Ｆｒの幅Ｘ２を含む。図４に示すように、例えば、火炎Ｆｒの幅Ｘ２は、高輝度領域Ａ１の幅方向の大きさである。より具体的には、高輝度領域Ａ１の幅方向の大きさの平均値である。火炎Ｆｒの幅Ｘ２は、燃焼ガスＣｇに含まれる気体成分の濃度と高い相関を有する。このため、第１特徴量が火炎Ｆｒの幅Ｘ２を含むことで、性能予測モデルの予測精度を向上させることができる。尚、火炎Ｆｒの幅Ｘ２は、高輝度領域Ａ１の幅方向の大きさの平均値に限定されず、高輝度領域Ａ１の幅方向の大きさの最大値であってもよい。
【0039】
幾つかの実施形態では、第１特徴量は火炎Ｆｒの幅Ｘ２の変化量を含む。火炎Ｆｒの幅Ｘ２の変化量は、燃焼ガスＣｇに含まれる気体成分の濃度と高い相関を有する。このため、第１特徴量が火炎Ｆｒの幅Ｘ２の変化量を含むことで、性能予測モデルの予測精度を向上させることができる。
【0040】
幾つかの実施形態では、第１特徴量は火炎Ｆｒの長さＸ３を含む。図４に示すように、例えば、火炎Ｆｒの長さＸ３は、高輝度領域Ａ１の長さ方向Ｄ１の大きさである。より具体的には、高輝度領域Ａ１の長さ方向Ｄ１における一端から他端までの距離の平均値である。火炎Ｆｒの長さＸ３は、燃焼ガスＣｇに含まれる気体成分の濃度と高い相関を有する。このため、第１特徴量が火炎Ｆｒの長さＸ３を含むことで、性能予測モデルの予測精度を向上させることができる。尚、火炎Ｆｒの長さＸ３は、燃料供給口１０９から高輝度領域Ａ１の長さ方向Ｄ１における一端から他端までの距離の最大値であってもよい。
【0041】
幾つかの実施形態では、第１特徴量は火炎Ｆｒの長さＸ３の変化量を含む。火炎Ｆｒの長さＸ３の変化量は、燃焼ガスＣｇに含まれる気体成分の濃度と高い相関を有する。このため、第１特徴量が火炎Ｆｒの長さＸ３の変化量を含むことで、性能予測モデルの予測精度を向上させることができる。
【0042】
幾つかの実施形態では、第１特徴量は火炎Ｆｒの噴出角度θを含む。図４に示すように、例えば、火炎Ｆｒの噴出角度θは、第１仮想線Ｌ１と第２仮想線Ｌ２とによって形成される。第２仮想線Ｌ２は、長さ方向Ｄ１において、高輝度領域Ａ１の燃料供給口１０９から最も遠い先端を位置Ｐ２とすると、中心Ｏ及び位置Ｐ２を通過する仮想の直線である。中心Ｏは、燃料供給口１０９と第１仮想線Ｌ１とが交差する交差点に相当する。火炎Ｆｒの噴出角度θは、燃焼ガスＣｇに含まれる気体成分の濃度と高い相関を有する。このため、第１特徴量が火炎Ｆｒの噴出角度θを含むことで、性能予測モデルの予測精度を向上させることができる。
【0043】
幾つかの実施形態では、第１特徴量は火炎Ｆｒの噴出角度θの変化量を含む。火炎Ｆｒの噴出角度θの変化量は、燃焼ガスＣｇに含まれる気体成分の濃度と高い相関を有する。このため、第１特徴量が火炎Ｆｒの噴出角度θの変化量を含むことで、性能予測モデルの予測精度を向上させることができる。
【0044】
（特徴量抽出方法の作用・効果）
図２に例示した形態によれば、ボイラプラント１００の一次燃焼領域Ｒ１が撮像された画像データをクラスタリング処理により輝度に応じて複数の輝度領域Ａに区分された輝度画像データ１３０に変換し、該輝度画像データ１３０から第１特徴量が抽出される。このため、様々な特徴量（例えば、着火距離など）を抽出することができ、性能予測モデルの予測精度を向上させることができる。よって、予測精度を向上させることで運転パラメータの最適化にかかる時間を短縮できる。
図２に例示した形態によれば、ボイラプラント１００の一次燃焼領域Ｒ１が撮像された画像データをクラスタリング処理により輝度に応じて複数の輝度領域Ａに区分された輝度画像データ１３０に変換し、該輝度画像データ１３０から第１特徴量が抽出される。このため、様々な特徴量（例えば、着火距離など）を抽出することができ、性能予測モデルの予測精度を向上させることができる。よって、予測精度を向上させることで運転パラメータの最適化にかかる時間を短縮できる。
【0045】
図２に例示した形態によれば、画像データを輝度画像データ１３０に変換する際にはクラスタリング処理を適用するため、教師データを用意する必要がない。また、クラスタリング処理は、前処理や閾値の設定などのような人手による調整作業が不要である。よって、特徴量の抽出の自動化を容易化することができる。
【0046】
図２に例示した形態によれば、ボイラプラント１００の一次燃焼領域Ｒ１の画像データは、クラスタリング処理により輝度に応じて高輝度領域Ａ１と低輝度領域Ａ２とに区分される。そして、第１特徴量は、高輝度領域Ａ１及び低輝度領域Ａ２のうち少なくとも一方から抽出される。このため、第１特徴量は一次燃焼領域Ｒ１の情報を含むので、性能予測モデルの予測精度を向上させることができる。
【0047】
図２に例示した形態では、一次燃焼領域Ｒ１の画像データを活用して、燃焼ガスＣｇに含まれる気体成分の濃度を予測する性能予測モデルを作成するための特徴量を抽出していたが、本開示はこの形態に限定されない。幾つかの実施形態では、一次燃焼領域Ｒ１の画像データに加え二次燃焼領域Ｒ２の画像データも活用して、燃焼ガスＣｇに含まれる気体成分の濃度（プロセス値）を予測する性能予測モデルを作成するための特徴量を抽出する。
【0048】
＜別の一実施形態に係る特徴量抽出方法＞
図２に例示した形態とは別の一実施形態に係る特徴量抽出方法について説明する。別の一実施形態では、二次燃焼領域Ｒ２の画像データに基づいて第２特徴量をさらに抽出している点で図２に例示した形態とは異なるが、それ以外は図２に例示した形態と同じである。別の一実施形態の説明では、図２に例示した形態とは異なる部分だけを説明する。
図２に例示した形態とは別の一実施形態に係る特徴量抽出方法について説明する。別の一実施形態では、二次燃焼領域Ｒ２の画像データに基づいて第２特徴量をさらに抽出している点で図２に例示した形態とは異なるが、それ以外は図２に例示した形態と同じである。別の一実施形態の説明では、図２に例示した形態とは異なる部分だけを説明する。
【0049】
別の一実施形態に係る特徴量抽出方法では、取得ステップＳ２において、ボイラプラント１００の一次燃焼領域Ｒ１の画像データに加え、ボイラプラント１００の二次燃焼領域Ｒ２の画像データを取得する。二次燃焼領域Ｒ２の画像データは、撮像装置１０５によって撮像されたものであってもよいし、撮像装置１０５以外の撮像装置によって撮像されたものであってもよい。図１に例示する形態では、二次燃焼領域Ｒ２は火炉１０４の上部に設けられる撮像装置１２２によって撮像されている。この撮像装置１２２は、二次燃焼領域よりも上方に位置している。二次燃焼領域Ｒ２の画像データは、一次燃焼領域Ｒ１の画像データが撮像された時間と同じ時間に撮像されている。
【0050】
次に、別の一実施形態に係る特徴量抽出方法では、変換ステップＳ４において、二次燃焼領域Ｒ２の画像データをクラスタリング処理により輝度に応じて複数の輝度領域Ｂに区分された第２輝度画像データ１４０に変換する。第２輝度画像データ１４０は、輝度画像データ１３０を複数の輝度領域Ａに区分した輝度とは異なる輝度に応じて複数の輝度領域Ｂに区分される。幾つかの実施形態では、第２輝度画像データ１４０は、輝度画像データ１３０を複数の輝度領域Ａに区分した輝度と同じ輝度に応じて複数の輝度領域Ｂに区分される。
【0051】
図５は、別の一実施形態に係る第２輝度画像データ１４０（色画像データ）を示す図である。図５に例示する形態では、クラスタ数が４であり、第２輝度画像データ１４０は４つの輝度領域Ｂに区分されている。４つの輝度領域Ｂのそれぞれは、白黒（グレースケール）の濃淡の値に変換されており、輝度の低い輝度領域Ｂであるほど濃くなっている。４つの輝度領域Ｂのうち輝度が最も高い輝度領域Ｂは、ボイラプラント１００の一次燃焼領域Ｒ１から二次燃焼領域Ｒ２に流動した未燃の微粉炭が燃焼する領域を含み、このような輝度領域Ｂを第２高輝度領域Ｂ１（Ｂ）とする。残りの輝度領域Ｂは、ボイラプラント１００の一次燃焼領域Ｒ１から二次燃焼領域Ｒ２に流動した未燃の微粉炭が未燃焼である領域を含み、このような輝度領域Ｂを第２低輝度領域Ｂ２（Ｂ）とする。
【0052】
次に、別の一実施形態に係る特徴量抽出方法では、抽出ステップＳ６において、第２輝度画像データ１４０から第２特徴量を抽出する。言い換えると、第２特徴量は、二次燃焼領域Ｒ２の画像データに基づいて抽出される。第２特徴量は、第２高輝度領域Ｂ１及び第２低輝度領域Ｂ２のうち少なくとも一方から抽出される。第２特徴量は、例えば、第２高輝度領域Ｂ１の面積や第２低輝度領域Ｂ２の面積である。
【0053】
幾つかの実施形態では、第２特徴量は第２高輝度領域Ｂ１の面積を含む。第２高輝度領域Ｂ１の面積は、第２高輝度領域Ｂ１に区分された第２輝度画像データ１４０の画素数の合計値である。第２高輝度領域Ｂ１の面積は、燃焼ガスＣｇに含まれる気体成分の濃度及び灰中未燃分濃度と高い相関を有する。このため、第２特徴量が第２高輝度領域Ｂ１を含むことで、性能予測モデルの予測精度を向上させることができる。
【0054】
幾つかの実施形態では、第２特徴量は第２高輝度領域Ｂ１の面積の変化量を含む。第２高輝度領域Ｂ１の面積の変化量は、燃焼ガスＣｇに含まれる気体成分の濃度と高い相関を有する。このため、第２特徴量が第２高輝度領域Ｂ１の面積の変化量を含むことで、性能予測モデルの予測精度を向上させることができる。
【0055】
幾つかの実施形態では、第２特徴量は第２低輝度領域Ｂ２の面積を含む。第２低輝度領域Ｂ２の面積は、第２低輝度領域Ｂ２に区分された第２輝度画像データ１４０の画素数の合計値である。第２低輝度領域Ｂ２の面積は、燃焼ガスＣｇに含まれる気体成分の濃度と高い相関を有する。このため、第２特徴量が第２低輝度領域Ｂ２の面積を含むことで、性能予測モデルの予測精度を向上させることができる。
【0056】
幾つかの実施形態では、第２特徴量は第２低輝度領域Ｂ２の面積の変化量を含む。第２低輝度領域Ｂ２の面積の変化量は、燃焼ガスＣｇに含まれる気体成分の濃度と高い相関を有する。このため、第２特徴量が第２低輝度領域Ｂ２の面積の変化量を含むことで、性能予測モデルの予測精度を向上させることができる。
【0057】
幾つかの実施形態では、第２特徴量は第２高輝度領域Ｂ１と第２低輝度領域Ｂ２との位置関係を含む。第２高輝度領域Ｂ１と第２低輝度領域Ｂ２との位置関係は、例えば、第２高輝度領域Ｂ１の形状から導かれる重心の位置と第２低輝度領域Ｂ２の形状から導かれる重心の位置とから算出されるベクトル量である。第２高輝度領域Ｂ１と第２低輝度領域Ｂ２との位置関係は、燃焼ガスＣｇに含まれる気体成分の濃度と高い相関を有する。このため、第２特徴量が第２高輝度領域Ｂ１と第２低輝度領域Ｂ２との位置関係を含むことで、性能予測モデルの予測精度を向上させることができる。
【0058】
幾つかの実施形態では、第２特徴量は第２高輝度領域Ｂ１と第２低輝度領域Ｂ２との位置関係の変化量を含む。第２高輝度領域Ｂ１と第２低輝度領域Ｂ２との位置関係の変化量は、燃焼ガスＣｇに含まれる気体成分の濃度と高い相関を有する。このため、第２特徴量が第２高輝度領域Ｂ１と第２低輝度領域Ｂ２との位置関係の変化量を含むことで、性能予測モデルの予測精度を向上させることができる。
【0059】
別の一実施形態に係る特徴量抽出方法の作用・効果について説明する。ボイラプラント１００の二次燃焼領域Ｒ２の画像データを変換した第２輝度画像データ１４０から抽出される第２特徴量は、燃焼ガスＣｇに含まれる気体成分の濃度と高い相関を有する場合がある。
【0060】
別の一実施形態によれば、ボイラプラント１００の二次燃焼領域Ｒ２の画像データは、クラスタリング処理により輝度に応じて第２高輝度領域Ｂ１と第２低輝度領域Ｂ２とに区分された第２輝度画像データ１４０に変換される。そして、第２特徴量は、第２高輝度領域Ｂ１及び第２低輝度領域Ｂ２のうち少なくとも一方から抽出される。このため、第２特徴量は二次燃焼領域Ｒ２の情報を含むので、性能予測モデルの予測精度を向上させることができる。
【0061】
＜性能予測モデル作成方法＞
上述した特徴量抽出方法によって抽出された特徴量を用いて、性能予測モデルを作成する性能予測モデル作成方法について説明する。
上述した特徴量抽出方法によって抽出された特徴量を用いて、性能予測モデルを作成する性能予測モデル作成方法について説明する。
【0062】
図６は、一実施形態に係る性能予測モデル作成方法を示すフローチャートである。図６に例示する性能予測モデル作成方法では、ボイラプラント１００の運転パラメータから燃焼ガスＣｇに含まれる気体成分の濃度や灰中未燃分濃度などの燃焼性能を予測する性能予測モデルを作成する。運転パラメータとは、例えば、火炉１０４に供給する空気の量、火炉１０４に供給する微粉炭の量などである。運転パラメータは、不図示の計測装置によってリアルタイムで計測される。プロセス値である燃焼ガスＣｇに含まれる気体成分の濃度は、ガス分析計１１１によってリアルタイムで計測される（図１参照）。
【0063】
（性能予測モデル作成方法の構成）
図６に示すように、性能予測モデル作成方法は、特徴量抽出ステップＳ１２と、解析特徴量算出ステップＳ１４と、最適物理モデルパラメータセット決定ステップＳ１６と、性能予測モデル作成ステップＳ１８と、を備える。
図６に示すように、性能予測モデル作成方法は、特徴量抽出ステップＳ１２と、解析特徴量算出ステップＳ１４と、最適物理モデルパラメータセット決定ステップＳ１６と、性能予測モデル作成ステップＳ１８と、を備える。
【0064】
特徴量抽出ステップＳ１２は、上述した取得ステップＳ２、変換ステップＳ４、及び抽出ステップＳ６を含む。この特徴量抽出ステップＳ１２において、第１タイミングで撮像されたボイラプラント１００の一次燃焼領域Ｒ１の画像データから、上述した方法で特徴量（第１特徴量）を抽出する。尚、特徴量は、一次燃焼領域Ｒ１の画像データから抽出される第１特徴量に加え、またはこの第１特徴量に代わり、二次燃焼領域Ｒ２の画像データに基づいて抽出される第２特徴量を含んでもよい。
【0065】
次に、解析特徴量算出ステップＳ１４において、ボイラプラント１００の第１タイミングにおける運転パラメータと物理モデルパラメータセットとに基づいて、物理モデルパラメータセットを変化させて感度解析を実施して、第１タイミングにおける特徴量に対応する解析特徴量を算出する。つまり、運転パラメータを変化させず、物理モデルパラメータセットを変化させる感度解析を繰り返して、解析特徴量を算出する。解析特徴量算出ステップＳ１４における感度解析は、物理モデルパラメータセットに対する特徴量の感度を求める解析であって、例えば、応答曲面モデルを作成し、この応答曲面モデルから解析特徴量を算出する。感度解析を実行するためには、化学反応モデルや乱流モデルなどを含む物理モデル（燃焼解析モデル等）が必要である。物理モデルパラメータは、この物理モデルに設定されるパラメータである。
【0066】
次に、最適物理モデルパラメータセット決定ステップＳ１６において、第１タイミングにおける特徴量と解析特徴量との差に基づいて、最適物理モデルパラメータセットを決定する。例えば、第１タイミングにおける特徴量と解析特徴量との差が最小となるように、最適物理モデルパラメータセットが決定される。
【0067】
次に、性能予測モデル作成ステップＳ１８において、最適物理モデルパラメータセットとボイラプラント１００の運転パラメータとに基づいて、運転パラメータを変化させて感度解析を実施して、運転パラメータとプロセス値との関係を示す性能予測モデルを作成する。性能予測モデル作成ステップＳ１８における感度解析は、運転パラメータに対するプロセス値の感度を求める解析であって、例えば、応答曲面モデル（性能予測モデル）を作成する。
【0068】
（性能予測モデル作成方法の作用・効果）
このような性能予測モデル作成方法によれば、第１タイミングにおける特徴量と解析特徴量との差に基づいて（例えば、差が最小となるように）最適物理モデルパラメータセットが決定される。そして、運転パラメータとプロセス値との関係を示す性能予測モデルは、最適物理モデルパラメータセットとプラントの運転パラメータとに基づいて、運転パラメータを変化させて感度解析を実施することで作成される。このため、本開示に係る性能予測モデルは、運転パラメータとプロセス値との関係を解析したモデル（いわゆる物理モデル）として作成され、実際に取得可能な特徴量とプロセス値との関係を示すモデル（いわゆる統計モデル）と比較して、性能予測モデルの予測精度を向上させることができる。
このような性能予測モデル作成方法によれば、第１タイミングにおける特徴量と解析特徴量との差に基づいて（例えば、差が最小となるように）最適物理モデルパラメータセットが決定される。そして、運転パラメータとプロセス値との関係を示す性能予測モデルは、最適物理モデルパラメータセットとプラントの運転パラメータとに基づいて、運転パラメータを変化させて感度解析を実施することで作成される。このため、本開示に係る性能予測モデルは、運転パラメータとプロセス値との関係を解析したモデル（いわゆる物理モデル）として作成され、実際に取得可能な特徴量とプロセス値との関係を示すモデル（いわゆる統計モデル）と比較して、性能予測モデルの予測精度を向上させることができる。
【0069】
別の一実施形態に係る性能予測モデル作成方法について説明する。別の一実施形態に係る性能予測モデル作成方法は、上述した特徴量抽出方法によって抽出された特徴量を用いて、性能予測モデルを作成する。図７は、別の実施形態に係る性能予測モデル作成方法を示すフローチャートである。
【0070】
図７に示すように、別の一実施形態に係る性能予測モデル作成方法は、上述した特徴量抽出ステップＳ１２と、運転パラメータ取得ステップＳ３０と、プロセス値取得ステップＳ３２と、第２の性能予測モデル作成ステップＳ３４と、を備える。特徴量抽出ステップＳ１２は既に説明しているので、再度の説明を省略する。
【0071】
運転パラメータ取得ステップＳ３０において、計測装置からボイラプラント１００の複数のタイミングにおける運転パラメータをそれぞれ取得する。プロセス値取得ステップＳ３２において、ガス分析計１１１からボイラプラント１００の複数のタイミングにおけるプロセス値をそれぞれ取得する。尚、図７に例示する形態では、特徴量抽出ステップＳ１２、運転パラメータ取得ステップＳ３０、プロセス値取得ステップＳ３２の順に実行されているが、本開示はこの形態に限定されない。例えば、特徴量抽出ステップＳ１２、運転パラメータ取得ステップＳ３０、及びプロセス値取得ステップＳ３２は同時に実行されてもよい。
【0072】
第２の性能予測モデル作成ステップＳ３４において、複数のタイミングにおける各々の特徴量、複数のタイミングにおける各々の運転パラメータ、及び複数のタイミングにおける各々のプロセス値を含む学習データに基づいて、運転パラメータとプロセス値との関係を示す性能予測モデルを作成する。具体的には、タイミングが互いに異なる複数の学習データ（特徴量＋運転パラメータ＋プロセス値）に対して回帰分析を実行し、運転パラメータからプロセス値を算出するための回帰式（性能予測モデル）を作成する。
【0073】
図７に例示する別の一実施形態に係る性能予測モデル作成方法によれば、性能予測モデルは、複数のタイミングにおける各々の特徴量、運転パラメータ、及びプロセスを含む学習データに基づいて作成されているので（複数のタイミングにおける学習データを機械学習しているので）、性能予測モデルの予測精度を向上させることができる。
【0074】
＜プラントの運転支援方法＞
図６に例示した性能予測モデル作成方法によって作成された性能予測モデルを用いるプラント（ボイラプラント１００）の運転支援方法について説明する。幾つかの実施形態では、プラントの運転支援方法は、図７に例示した性能予測モデル作成方法によって作成された性能予測モデルを用いる。
図６に例示した性能予測モデル作成方法によって作成された性能予測モデルを用いるプラント（ボイラプラント１００）の運転支援方法について説明する。幾つかの実施形態では、プラントの運転支援方法は、図７に例示した性能予測モデル作成方法によって作成された性能予測モデルを用いる。
【0075】
図８は、一実施形態に係るプラントの運転支援方法を示すフローチャートである。図８に示すように、プラントの運転支援方法は、運転パラメータ設定ステップＳ２２と、プロセス値出力ステップＳ２４と、判断ステップＳ２６と、再設定ステップＳ２８と、を備える。
【0076】
まず、運転パラメータ設定ステップＳ２２において、計測装置がリアルタイムで計測している運転パラメータを設定（取得）する。言い換えると、性能予測モデルに入力する運転パラメータを準備する。
【0077】
次に、プロセス値出力ステップＳ２４において、運転パラメータ設定ステップＳ２２で設定された運転パラメータを性能予測モデルに入力して、気体成分の濃度（ボイラプラント１００のプロセス値）を出力する。
【0078】
次に、判断ステップＳ２６において、プロセス値出力ステップＳ２４で出力された気体成分の濃度が所定条件に含まれるか否かを判断する。所定条件とは、例えば、ボイラプラント１００の排ガス基準である。この所定条件は、熱交換機のメタル温度などの信頼性に関わる指標や、収熱量などの効率に関わる他の指標をさらに含んでもよい。気体成分の濃度が所定条件に含まれる場合（Ｓ２６：Ｙｅｓ）、本開示に係るプラントの運転支援方法は終了する。気体成分の濃度が所定条件に含まれない場合（Ｓ２６：Ｎｏ）、再設定ステップＳ２８に進む。
【0079】
再設定ステップＳ２８において、運転パラメータを再設定する。そして、プロセス値出力ステップＳ２４において、再設定ステップＳ２８で再設定された運転パラメータを性能予測モデルに入力して、気体成分の濃度を再出力する。再設定ステップＳ２８は、性能予測モデルが出力する気体成分の濃度が所定条件に含まれるまで繰り返される。
【0080】
このようなプラントの運転支援方法によれば、本開示に係る性能予測モデルを用いているので、気体成分の濃度が所定条件に含まれる運転パラメータを速やかに算出することができる。また、このようなプラントの運転支援方法によれば、実際にボイラプラント１００の運転パラメータを調整する前に、気体成分の濃度が所定の所定条件に含まれるように運転パラメータが繰り返し計算される。このため、実際にボイラプラント１００の最適運転パラメータを決定する時間を短縮できる。
【0081】
＜特徴量抽出装置＞
本開示に係る特徴量抽出装置１は、燃料（微粉炭）を燃焼するプラント（ボイラプラント１００）の特徴量とプロセス値（気体成分の濃度）との関係を示す性能予測モデルを作成するための特徴量を抽出する。
本開示に係る特徴量抽出装置１は、燃料（微粉炭）を燃焼するプラント（ボイラプラント１００）の特徴量とプロセス値（気体成分の濃度）との関係を示す性能予測モデルを作成するための特徴量を抽出する。
【0082】
特徴量抽出装置１は、電子制御装置などのコンピュータであって、図示しないＣＰＵやＧＰＵといったプロセッサ、ＲＯＭやＲＡＭといったメモリ、及びＩ／Ｏインターフェイスなどを備える。特徴量抽出装置１は、メモリにロードされたプログラムの命令に従ってプロセッサが動作（演算等）することで、特徴量抽出装置１が備える各機能部を実現する。図９を参照して、一実施形態に係る特徴量抽出装置１の各機能部について説明する。
【0083】
【0084】
取得部２は、ボイラプラント１００の一次燃焼領域Ｒ１の画像データを火炉１０４に設けられた撮像装置１０５から取得する。
【0085】
変換部４は、取得部２が撮像装置１０５から取得した画像データをクラスタリング処理により輝度に応じて複数の輝度領域Ａに区分された輝度画像データ１３０に変換する。
【0086】
抽出部６は、変換部４が変換した輝度画像データ１３０から第１特徴量（高輝度領域Ａ１の面積、低輝度領域Ａ２の面積、着火距離Ｘ１、火炎の幅Ｘ２、火炎の長さＸ３、火炎の噴出角度θなど）を抽出する。
【0087】
このような特徴量抽出装置１によれば、変換部４は、ボイラプラント１００の一次燃焼領域Ｒ１が撮像された画像データをクラスタリング処理により輝度に応じて複数の輝度領域Ａに区分された輝度画像データ１３０に変換する。抽出部６は輝度画像データ１３０から第１特徴量を抽出する。このため、様々な特徴量（例えば、着火距離など）を抽出することができ、性能予測モデルの予測精度を向上させることができる。
【0088】
また、特徴量抽出装置１によれば、画像データを輝度画像データ１３０に変換する際にはクラスタリング処理を適用するため、教師データを用意する必要がない。また、クラスタリング処理は、前処理や閾値の設定などのような人手による調整作業が不要である。よって、特徴量の抽出の自動化を容易化することができる。
【0089】
＜性能予測モデル作成装置＞
本開示に係る性能予測モデル作成装置５０は、上述した特徴量抽出装置１によって作成された性能予測モデルを用いて、固体燃料（微粉炭）を燃焼するプラント（ボイラプラント１００）の運転パラメータとプロセス値（気体成分の濃度）との関係を示す性能予測モデルを作成する。
本開示に係る性能予測モデル作成装置５０は、上述した特徴量抽出装置１によって作成された性能予測モデルを用いて、固体燃料（微粉炭）を燃焼するプラント（ボイラプラント１００）の運転パラメータとプロセス値（気体成分の濃度）との関係を示す性能予測モデルを作成する。
【0090】
性能予測モデル作成装置５０は、電子制御装置などのコンピュータであって、図示しないＣＰＵやＧＰＵといったプロセッサ、ＲＯＭやＲＡＭといったメモリ、及びＩ／Ｏインターフェイスなどを備える。性能予測モデル作成装置５０は、メモリにロードされたプログラムの命令に従ってプロセッサが動作（演算等）することで、性能予測モデル作成装置５０が備える各機能部を実現する。図１０を参照して、一実施形態に係る性能予測モデル作成装置５０の各機能部について説明する。
【0091】
図１０は、一実施形態に係る性能予測モデル作成装置５０の概略的な機能ブロック図である。図１０に示すように、性能予測モデル作成装置５０は、上述した特徴量抽出装置１と、解析特徴量算出部５４と、最適物理モデルパラメータセット決定部５６と、性能予測モデル作成部５８と、を備える。尚、性能予測モデル作成装置５０は、運転パラメータ（計測装置の計測値）およびプロセス値（ガス分析計１１１の計測値）のそれぞれを取得可能となっている。
【0092】
特徴量抽出装置１は、第１タイミングで撮像されたボイラプラント１００の一次燃焼領域Ｒ１の画像データから、上述した方法で特徴量（第１特徴量）を抽出する。尚、図１０に例示する形態では、性能予測モデル作成装置５０は、特徴量抽出装置１を備えている。つまり、性能予測モデル作成装置５０は、特徴量抽出装置１の機能部を含んでいる。別の実施形態では、性能予測モデル作成装置５０は特徴量抽出装置１とは別体に設けられ、特徴量抽出装置１から特徴量を取得するようになっている。
【0093】
解析特徴量算出部５４は、ボイラプラント１００の第１タイミングにおける運転パラメータと物理モデルパラメータセットとに基づいて、物理モデルパラメータセットを変化させて感度解析を実施して、第１タイミングにおける特徴量に対応する解析特徴量を算出する。
【0094】
最適物理モデルパラメータセット決定部５６は、第１タイミングにおける特徴量と解析特徴量との差に基づいて、最適物理モデルパラメータセットを決定する。
【0095】
性能予測モデル作成部５８は、最適物理モデルパラメータセットとプラントの運転パラメータとに基づいて、運転パラメータを変化させて感度解析を実施して、運転パラメータとプロセス値との関係を示す性能予測モデルを作成する。
【0096】
このような性能予測モデル作成装置５０によれば、第１タイミングにおける特徴量と解析特徴量との差に基づいて（例えば、差が最小となるように）最適物理モデルパラメータセットが決定される。そして、運転パラメータとプロセス値との関係を示す性能予測モデルは、最適物理モデルパラメータセットとプラントの運転パラメータとに基づいて、運転パラメータを変化させて感度解析を実施することで作成される。このため、本開示に係る性能予測モデルは、運転パラメータとプロセス値との関係を解析したモデル（いわゆる物理モデル）として作成され、実際に取得可能な特徴量とプロセス値との関係を示すモデル（いわゆる統計モデル）と比較して、プラントの運転条件や燃料の性状が変化した場合の外挿条件においても精度よく予測できる。
【0097】
不図示であるが、性能予測モデル作成装置５０は、特徴量と、運転パラメータと、プロセス値とを記憶するデータベースをさらに備えてもよい。このような構成によれば、データベース６０にアクセスすることで、特徴量、運転パラメータ、及びプロセス値のそれぞれを取得できる。このような構成によれば、ボイラプラント１００の運転員がデータベース６０に記憶されている特徴量、運転パラメータ、及びプロセス値を取得することで、ボイラプラント１００を好適に運転するための特徴量を把握できる。例えば、着火距離Ｘ１が短い方がボイラプラント１００の燃焼状態が好適であるという運転員の判断を抑制できる。
【0098】
＜プラントの運転支援装置＞
本開示に係るプラント（ボイラプラント１００）の運転支援装置は、性能予測モデル作成装置５０によって作成された性能予測モデルを用いて、プラントの運転を支援する。
本開示に係るプラント（ボイラプラント１００）の運転支援装置は、性能予測モデル作成装置５０によって作成された性能予測モデルを用いて、プラントの運転を支援する。
【0099】
プラントの運転支援装置（以下、運転支援装置７０とする）は、電子制御装置などのコンピュータであって、図示しないＣＰＵやＧＰＵといったプロセッサ、ＲＯＭやＲＡＭといったメモリ、及びＩ／Ｏインターフェイスなどを備える。運転支援装置７０は、メモリにロードされたプログラムの命令に従ってプロセッサが動作（演算等）することで、運転支援装置７０が備える各機能部を実現する。図１１を参照して、一実施形態に係る運転支援装置７０の各機能部について説明する。
【0100】
図１１は、一実施形態に係るプラントの運転支援装置７０の構成を示す図である。図１１に示すように、運転支援装置７０は、運転パラメータ設定部７２と、プロセス値出力部７４と、判断部７６と、再設定部７８と、を備える。尚、運転支援装置７０は、運転パラメータ（計測装置の計測値）およびプロセス値（ガス分析計１１１の計測値）のそれぞれを取得可能となっている。
【0101】
図１１に例示する形態では、運転支援装置７０は、性能予測モデル作成装置５０とは別体に設けられ、性能予測モデル作成装置５０から性能予測モデルを取得するようになっている。幾つかの実施形態では、運転支援装置７０は、上述した性能予測モデル作成装置５０を備えている。
【0102】
運転パラメータ設定部７２は、計測装置がリアルタイムで計測している運転パラメータを設定（取得）する。言い換えると、性能予測モデルに入力する運転パラメータを準備する。
【0103】
プロセス値出力部７４は、運転パラメータ設定部７２が設定した運転パラメータを性能予測モデルに入力して、気体成分の濃度（プロセス値）を出力する。
【0104】
判断部７６は、プロセス値出力部７４が出力した気体成分の濃度が所定条件に含まれるか否かを判断する。
【0105】
判断部７６によってプロセス値出力部７４が出力した気体成分の濃度が所定条件に含まれないと判断された場合、再設定部７８は、運転パラメータを再設定する。そして、プロセス値出力部７４は、再設定部７８が再設定した運転パラメータを性能予測モデルに入力して、気体成分の濃度を再出力する。判断部７６によってプロセス値出力部７４が出力した気体成分の濃度が所定条件に含まれると判断されるまで、再設定部７８は、運転パラメータを再設定する。
【0106】
このような運転支援装置７０によれば、性能予測モデル作成装置５０によって作成された性能予測モデルを用いているので、気体成分の濃度が所定条件に含まれる運転パラメータを速やかに設定することができる。
【0107】
上記各実施形態に記載の内容は、例えば以下のように把握される。
【0108】
［１］本開示に係る特徴量抽出方法は、
燃料を燃焼するプラント（１００）の運転パラメータと、前記プラントのプロセス値との関係を示す性能予測モデルを作成するための特徴量を抽出する特徴量抽出方法であって、
前記プラントの燃焼領域（Ｒ１、Ｒ２）の画像データを取得するステップ（Ｓ２）と、
前記画像データをクラスタリング処理により色情報に応じて複数の色領域（Ａ、Ｂ）に区分された色画像データ（１３０、１４０）に変換するステップ（Ｓ４）と、
前記色画像データから前記特徴量を抽出するステップ（Ｓ６）と、を備える。
燃料を燃焼するプラント（１００）の運転パラメータと、前記プラントのプロセス値との関係を示す性能予測モデルを作成するための特徴量を抽出する特徴量抽出方法であって、
前記プラントの燃焼領域（Ｒ１、Ｒ２）の画像データを取得するステップ（Ｓ２）と、
前記画像データをクラスタリング処理により色情報に応じて複数の色領域（Ａ、Ｂ）に区分された色画像データ（１３０、１４０）に変換するステップ（Ｓ４）と、
前記色画像データから前記特徴量を抽出するステップ（Ｓ６）と、を備える。
【0109】
上記［１］に記載の方法によれば、画像データをクラスタリング処理により色情報に応じて複数の色領域に区分された色画像データに変換し、色画像データから特徴量が抽出されるので、様々な特徴量（例えば、後述する着火距離など）を抽出する。このため、性能予測モデルの予測精度を向上させることができる。
【0110】
上記［１］に記載の方法によれば、画像データを色画像データに変換する際にはクラスタリング処理を適用するため、教師データを用意する必要がない。また、クラスタリング処理は、前処理や閾値の設定などのような人手による調整作業が不要である。よって、特徴量の抽出の自動化を容易化することができる。
【0111】
［２］幾つかの実施形態では、上記［１］に記載の方法において、
前記画像データは、前記プラントの一次燃焼領域（Ｒ１）の画像データを含み、
前記複数の色領域は、前記一次燃焼領域に供給された前記燃料が燃焼する領域が含まれる第１色領域（Ａ１）と、前記一次燃焼領域に供給された前記燃料が未燃焼である領域が含まれる第２色領域（Ａ２）と、を含み、
前記特徴量は、前記第１色領域及び前記第２色領域のうち少なくとも一方から抽出される第１特徴量を含む。
前記画像データは、前記プラントの一次燃焼領域（Ｒ１）の画像データを含み、
前記複数の色領域は、前記一次燃焼領域に供給された前記燃料が燃焼する領域が含まれる第１色領域（Ａ１）と、前記一次燃焼領域に供給された前記燃料が未燃焼である領域が含まれる第２色領域（Ａ２）と、を含み、
前記特徴量は、前記第１色領域及び前記第２色領域のうち少なくとも一方から抽出される第１特徴量を含む。
【0112】
プラントの一次燃焼領域の画像データを変換した色画像データから抽出される特徴量は、プロセス値と高い相関を有する。上記［２］に記載の方法によれば、プラントの一次燃焼領域の画像データは、クラスタリング処理により色情報に応じて第１色領域と第２色領域とに区分された色画像データに変換される。そして、第１特徴量は、第１色領域及び第２色領域のうち少なくとも一方から抽出される。このため、第１特徴量は一次燃焼領域の情報を含み、性能予測モデルの予測精度を向上させることができる。
【0113】
［３］幾つかの実施形態では、上記［２］に記載の方法において、
前記第１特徴量は、前記燃料を前記プラントに供給するための燃料供給口（１０９）と、前記第１色領域と前記第２色領域との境界線（Ｌ３）との間の距離である着火距離（Ｘ１）を含む。
前記第１特徴量は、前記燃料を前記プラントに供給するための燃料供給口（１０９）と、前記第１色領域と前記第２色領域との境界線（Ｌ３）との間の距離である着火距離（Ｘ１）を含む。
【0114】
着火距離は、プロセス値と高い相関を有する。上記［３］に記載の方法によれば、第１特徴量は着火距離を含むので、性能予測モデルの予測精度を向上させることができる。
【0115】
［４］幾つかの実施形態では、上記［２］又は［３］に記載の方法において、
前記第１特徴量は、前記燃料を前記プラントに供給するための燃料供給口と、前記第１色領域と前記第２色領域との境界線との間の距離である着火距離の変化量を含む。
前記第１特徴量は、前記燃料を前記プラントに供給するための燃料供給口と、前記第１色領域と前記第２色領域との境界線との間の距離である着火距離の変化量を含む。
【0116】
着火距離の変化量は、プロセス値と高い相関を有する。上記［４］に記載の方法によれば、第１特徴量は着火距離の変化量を含むので、性能予測モデルの予測精度を向上させることができる。
【0117】
［５］幾つかの実施形態では、上記［２］から［４］の何れか１つに記載の方法において、
前記第１特徴量は、前記第１色領域の面積及び前記第２色領域の面積のうち少なくとも１つを含む。
前記第１特徴量は、前記第１色領域の面積及び前記第２色領域の面積のうち少なくとも１つを含む。
【0118】
第１色領域の面積及び第２色領域の面積のそれぞれは、プロセス値と高い相関を有する。上記［５］に記載の方法によれば、第１特徴量は第１色領域の面積及び第２色領域の面積のうち少なくとも一方を含むので、性能予測モデルの予測精度を向上させることができる。
【0119】
［６］幾つかの実施形態では、上記［２］から［５］の何れか１つに記載の方法において、
前記第１特徴量は、前記第１色領域の面積の変化量及び前記第２色領域の面積の変化量のうち少なくとも１つを含む。
前記第１特徴量は、前記第１色領域の面積の変化量及び前記第２色領域の面積の変化量のうち少なくとも１つを含む。
【0120】
第１色領域の面積の変化量及び第２色領域の面積の変化量のそれぞれは、プロセス値と高い相関を有する。上記［６］に記載の方法によれば、第１特徴量は第１色領域の面積の変化量及び第２色領域の面積の変化量のうち少なくとも一方を含むので、性能予測モデルの予測精度を向上させることができる。
【0121】
［７］幾つかの実施形態では、上記［２］から［６］の何れか１つに記載の方法において、
前記第１特徴量は、前記燃料の燃焼によって発生する火炎の幅（Ｘ２）、火炎の長さ（Ｘ３）、火炎の噴出角度（θ）のうち少なくとも１つを含み、
前記燃料を前記プラントに供給するための燃料供給口の開口と交差する方向を長さ方向（Ｄ１）、該長さ方向と直交する方向を幅方向（Ｄ２）とすると、
前記火炎の幅は、前記第１色領域の前記幅方向の大きさであり、
前記火炎の長さは、前記第１色領域の前記長さ方向の大きさであり、
前記火炎の噴出角度は、前記燃料供給口を前記長さ方向に通過する第１仮想線（Ｌ１）と、前記燃料供給口と前記第１仮想線とが交差する交差点（Ｐ１）、及び前記第１色領域の前記長さ方向の前記燃料供給口側とは反対側の先端を通過する第２仮想線（Ｌ２）とによって形成される。
前記第１特徴量は、前記燃料の燃焼によって発生する火炎の幅（Ｘ２）、火炎の長さ（Ｘ３）、火炎の噴出角度（θ）のうち少なくとも１つを含み、
前記燃料を前記プラントに供給するための燃料供給口の開口と交差する方向を長さ方向（Ｄ１）、該長さ方向と直交する方向を幅方向（Ｄ２）とすると、
前記火炎の幅は、前記第１色領域の前記幅方向の大きさであり、
前記火炎の長さは、前記第１色領域の前記長さ方向の大きさであり、
前記火炎の噴出角度は、前記燃料供給口を前記長さ方向に通過する第１仮想線（Ｌ１）と、前記燃料供給口と前記第１仮想線とが交差する交差点（Ｐ１）、及び前記第１色領域の前記長さ方向の前記燃料供給口側とは反対側の先端を通過する第２仮想線（Ｌ２）とによって形成される。
【0122】
火炎の幅、火炎の長さ、及び火炎の噴出角度のそれぞれも、プロセス値と高い相関を有する。上記［７］に記載の方法によれば、第１特徴量は火炎の幅、火炎の長さ、及び火炎の噴出角度のうち少なくとも１つを含むので、性能予測モデルの予測精度を向上させることができる。
【0123】
［８］幾つかの実施形態では、上記［２］から［７］の何れか１つに記載の方法において、
前記第１特徴量は、前記燃料の燃焼によって発生する火炎の幅の変化量、火炎の長さの変化量、火炎の噴出角度の変化量のうち少なくとも１つを含み、
前記燃料を前記プラントに供給するための燃料供給口の開口と交差する方向を長さ方向、該長さ方向と直交する方向を幅方向とすると、
前記火炎の幅は、前記第１色領域の前記幅方向の大きさであり、
前記火炎の長さは、前記第１色領域の前記長さ方向の大きさであり、
前記火炎の噴出角度は、前記燃料供給口を前記長さ方向に通過する第１仮想線と、前記燃料供給口と前記第１仮想線とが交差する交差点、及び前記第１色領域の前記長さ方向の前記燃料供給口側とは反対側の先端を通過する第２仮想線とによって形成される。
前記第１特徴量は、前記燃料の燃焼によって発生する火炎の幅の変化量、火炎の長さの変化量、火炎の噴出角度の変化量のうち少なくとも１つを含み、
前記燃料を前記プラントに供給するための燃料供給口の開口と交差する方向を長さ方向、該長さ方向と直交する方向を幅方向とすると、
前記火炎の幅は、前記第１色領域の前記幅方向の大きさであり、
前記火炎の長さは、前記第１色領域の前記長さ方向の大きさであり、
前記火炎の噴出角度は、前記燃料供給口を前記長さ方向に通過する第１仮想線と、前記燃料供給口と前記第１仮想線とが交差する交差点、及び前記第１色領域の前記長さ方向の前記燃料供給口側とは反対側の先端を通過する第２仮想線とによって形成される。
【0124】
火炎の幅の変化量、火炎の長さの変化量、及び火炎の噴出角度の変化量のそれぞれも、プロセス値と高い相関を有する。上記［８］に記載の方法によれば、第１特徴量は火炎の幅の変化量、火炎の長さの変化量、及び火炎の噴出角度の変化量のうち少なくとも１つを含むので、性能予測モデルの予測精度を向上させることができる。
【0125】
［９］幾つかの実施形態では、上記［１］から［８］の何れか１つに記載の方法において、
前記画像データは、前記プラントの二次燃焼領域の画像データを含み、
前記複数の色領域は、前記プラントの一次燃焼領域から前記二次燃焼領域に流動した未燃燃料が燃焼する領域が含まれる第３色領域（Ｂ１）と、前記プラントの前記一次燃焼領域から前記二次燃焼領域に流動した前記未燃燃料が未燃焼である領域が含まれる第４色領域（Ｂ２）と、を含み、
前記特徴量は、前記第３色領域及び前記第４色領域のうち少なくとも一方から抽出される第２特徴量を含む。
前記画像データは、前記プラントの二次燃焼領域の画像データを含み、
前記複数の色領域は、前記プラントの一次燃焼領域から前記二次燃焼領域に流動した未燃燃料が燃焼する領域が含まれる第３色領域（Ｂ１）と、前記プラントの前記一次燃焼領域から前記二次燃焼領域に流動した前記未燃燃料が未燃焼である領域が含まれる第４色領域（Ｂ２）と、を含み、
前記特徴量は、前記第３色領域及び前記第４色領域のうち少なくとも一方から抽出される第２特徴量を含む。
【0126】
プラントの二次燃焼領域の画像データを変換した色画像データから抽出される特徴量は、プロセス値と高い相関を有する。上記［９］に記載の方法によれば、プラントの二次燃焼領域の画像データは、クラスタリング処理により色情報に応じて第３色領域と第４色領域とに区分された色画像データに変換される。そして、第２特徴量は、第３色領域及び第４色領域のうち少なくとも一方から抽出される。このため、第２特徴量は二次燃焼領域の情報を含み、性能予測モデルの予測精度を向上させることができる。
【0127】
［１０］幾つかの実施形態では、上記［９］に記載の方法において、
前記第２特徴量は、前記第３色領域の面積を含む。
前記第２特徴量は、前記第３色領域の面積を含む。
【0128】
第３色領域の面積は、プロセス値と高い相関を有する。上記［１０］に記載の方法によれば、第２特徴量は第３色領域の面積を含むので、性能予測モデルの予測精度を向上させることができる。
【0129】
［１１］幾つかの実施形態では、上記［９］又は［１０］に記載の方法において、
前記第２特徴量は、前記第３色領域の面積の変化量を含む。
前記第２特徴量は、前記第３色領域の面積の変化量を含む。
【0130】
第３色領域の面積の変化量は、プロセス値と高い相関を有する。上記［１１］に記載の方法によれば、第２特徴量は第３色領域の面積の変化量を含むので、性能予測モデルの予測精度を向上させることができる。
【0131】
［１２］幾つかの実施形態では、上記［９］から［１１］の何れか１つに記載の方法において、
前記第２特徴量は、前記第３色領域と前記第４色領域との位置関係を含む。
前記第２特徴量は、前記第３色領域と前記第４色領域との位置関係を含む。
【0132】
第３色領域と第４色領域との位置関係は、プロセス値と高い相関を有する。上記［１２］に記載の方法によれば、第２特徴量は第３色領域と第４色領域との位置関係を含むので、性能予測モデルの予測精度を向上させることができる。
【0133】
［１３］幾つかの実施形態では、上記［９］から［１２］の何れか１つに記載の方法において、
前記第２特徴量は、前記第３色領域と前記第４色領域との位置関係の変化量を含む。
前記第２特徴量は、前記第３色領域と前記第４色領域との位置関係の変化量を含む。
【0134】
第３色領域と第４色領域との位置関係の変化量は、プロセス値と高い相関を有する。上記［１３］に記載の方法によれば、第２特徴量は第３色領域と第４色領域との位置関係の変化量を含むので、性能予測モデルの予測精度を向上させることができる。
【0135】
［１４］本開示に係る性能予測モデル作成方法は、
燃料を燃焼するプラントの運転パラメータと、前記プラントのプロセス値との関係を示す性能予測モデルを作成する性能予測モデル作成方法であって、
上記［１］から［１３］の何れか１つに記載の特徴量抽出方法を用いて、第１タイミングにおける前記特徴量を抽出するステップ（Ｓ１２）と、
前記プラントの前記第１タイミングにおける前記運転パラメータと物理モデルパラメータセットとに基づいて、前記物理モデルパラメータセットを変化させて感度解析を実施して、前記第１タイミングにおける前記特徴量に対応する解析特徴量を算出するステップ（Ｓ１４）と、
前記第１タイミングにおける前記特徴量と前記解析特徴量との差に基づいて、最適物理モデルパラメータセットを決定するステップ（Ｓ１６）と、
前記最適物理モデルパラメータセットと前記プラントの運転パラメータとに基づいて、前記運転パラメータを変化させて感度解析を実施して、前記運転パラメータと前記プロセス値との関係を示す前記性能予測モデルを作成するステップ（Ｓ１８）と、を備える。
燃料を燃焼するプラントの運転パラメータと、前記プラントのプロセス値との関係を示す性能予測モデルを作成する性能予測モデル作成方法であって、
上記［１］から［１３］の何れか１つに記載の特徴量抽出方法を用いて、第１タイミングにおける前記特徴量を抽出するステップ（Ｓ１２）と、
前記プラントの前記第１タイミングにおける前記運転パラメータと物理モデルパラメータセットとに基づいて、前記物理モデルパラメータセットを変化させて感度解析を実施して、前記第１タイミングにおける前記特徴量に対応する解析特徴量を算出するステップ（Ｓ１４）と、
前記第１タイミングにおける前記特徴量と前記解析特徴量との差に基づいて、最適物理モデルパラメータセットを決定するステップ（Ｓ１６）と、
前記最適物理モデルパラメータセットと前記プラントの運転パラメータとに基づいて、前記運転パラメータを変化させて感度解析を実施して、前記運転パラメータと前記プロセス値との関係を示す前記性能予測モデルを作成するステップ（Ｓ１８）と、を備える。
【0136】
上記［１４］に記載の方法によれば、第１タイミングにおける特徴量と解析特徴量との差に基づいて最適物理モデルパラメータセットが決定される。そして、運転パラメータとプロセス値との関係を示す性能予測モデルは、最適物理モデルパラメータセットとプラントの運転パラメータとに基づいて、運転パラメータを変化させて感度解析を実施することで作成される。このため、本開示に係る性能予測モデルは、運転パラメータとプロセス値との関係を解析したモデル（いわゆる物理モデル）として作成され、実際に取得可能な特徴量とプロセス値との関係を示すモデル（いわゆる統計モデル）と比較して、性能予測モデルの予測精度を向上させることができる。
【0137】
［１５］本開示に係る性能予測モデル作成方法は、
燃料を燃焼するプラントの運転パラメータと、前記プラントのプロセス値との関係を示す性能予測モデルを作成する性能予測モデル作成方法であって、
上記［１］から［１３］の何れか１つに記載の特徴量抽出方法を用いて、複数のタイミングにおける前記特徴量をそれぞれ抽出するステップ（Ｓ１２）と、
前記プラントの前記複数のタイミングにおける前記運転パラメータをそれぞれ取得するステップ（Ｓ３０）と、
前記プラントの前記複数のタイミングにおける前記プロセス値をそれぞれ取得するステップ（Ｓ３２）と、
前記複数のタイミングにおける各々の前記特徴量、前記複数のタイミングにおける各々の前記運転パラメータ、及び前記複数のタイミングにおける各々の前記プロセス値を含む学習データに基づいて、前記運転パラメータと前記プロセス値との関係を示す前記性能予測モデルを作成するステップ（Ｓ３４）と、を備える。
燃料を燃焼するプラントの運転パラメータと、前記プラントのプロセス値との関係を示す性能予測モデルを作成する性能予測モデル作成方法であって、
上記［１］から［１３］の何れか１つに記載の特徴量抽出方法を用いて、複数のタイミングにおける前記特徴量をそれぞれ抽出するステップ（Ｓ１２）と、
前記プラントの前記複数のタイミングにおける前記運転パラメータをそれぞれ取得するステップ（Ｓ３０）と、
前記プラントの前記複数のタイミングにおける前記プロセス値をそれぞれ取得するステップ（Ｓ３２）と、
前記複数のタイミングにおける各々の前記特徴量、前記複数のタイミングにおける各々の前記運転パラメータ、及び前記複数のタイミングにおける各々の前記プロセス値を含む学習データに基づいて、前記運転パラメータと前記プロセス値との関係を示す前記性能予測モデルを作成するステップ（Ｓ３４）と、を備える。
【0138】
上記［１５］に記載の方法によれば、性能予測モデルは、複数のタイミングにおける各々の特徴量、運転パラメータ、及びプロセスを含む学習データに基づいて作成されているので（複数のタイミングにおける学習データを機械学習しているので）、性能予測モデルの予測精度を向上させることができる。
【0139】
［１６］本開示に係るプラントの運転支援方法は、
上記［１４］又は［１５］に記載の性能予測モデル作成方法によって作成された前記性能予測モデルを用いるプラントの運転支援方法であって、
前記運転パラメータを設定するステップ（Ｓ２２）と、
前記運転パラメータを設定するステップで設定された前記運転パラメータを前記性能予測モデルに入力して、前記プロセス値を出力するステップ（Ｓ２４）と、
前記プロセス値を出力するステップで出力された前記プロセス値が所定条件に含まれるか否かを判断するステップ（Ｓ２６）と、
前記プロセス値が前記所定条件に含まれないと判断された場合に、前記運転パラメータを再設定するステップ（Ｓ２８）と、を備える。
上記［１４］又は［１５］に記載の性能予測モデル作成方法によって作成された前記性能予測モデルを用いるプラントの運転支援方法であって、
前記運転パラメータを設定するステップ（Ｓ２２）と、
前記運転パラメータを設定するステップで設定された前記運転パラメータを前記性能予測モデルに入力して、前記プロセス値を出力するステップ（Ｓ２４）と、
前記プロセス値を出力するステップで出力された前記プロセス値が所定条件に含まれるか否かを判断するステップ（Ｓ２６）と、
前記プロセス値が前記所定条件に含まれないと判断された場合に、前記運転パラメータを再設定するステップ（Ｓ２８）と、を備える。
【0140】
上記［１６］に記載の方法によれば、上記［１４］又は［１５］に記載の性能予測モデル作成方法によって作成された性能予測モデルを用いているので、プロセス値が所定条件に含まれる運転パラメータを速やかに算出することができる。
【0141】
［１７］本開示に係る特徴量抽出装置（１）は、
燃料を燃焼するプラントの運転パラメータと、前記プラントのプロセス値との関係を示す性能予測モデルを作成するための特徴量を抽出する特徴量抽出装置であって、
前記プラントの燃焼領域の画像データを取得する取得部（２）と、
前記画像データをクラスタリング処理により色情報に応じて複数の色領域に区分された色画像データに変換する変換部（４）と、
前記色画像データから前記特徴量を抽出する抽出部（６）と、を備える。
燃料を燃焼するプラントの運転パラメータと、前記プラントのプロセス値との関係を示す性能予測モデルを作成するための特徴量を抽出する特徴量抽出装置であって、
前記プラントの燃焼領域の画像データを取得する取得部（２）と、
前記画像データをクラスタリング処理により色情報に応じて複数の色領域に区分された色画像データに変換する変換部（４）と、
前記色画像データから前記特徴量を抽出する抽出部（６）と、を備える。
【0142】
上記［１７］に記載の構成によれば、画像データをクラスタリング処理により色情報に応じて複数の色領域に区分された色画像データに変換し、色画像データから特徴量が抽出されるので、様々な特徴量（例えば、後述する着火距離など）を抽出することができ、性能予測モデルの予測精度を向上させることができる。
【0143】
上記［１７］に記載の構成によれば、画像データを色画像データに変換する際にはクラスタリング処理を適用するため、教師データを用意する必要がない。また、クラスタリング処理は、前処理や閾値の設定などのような人手による調整作業が不要である。よって、特徴量の抽出の自動化を容易化することができる。
【0144】
［１８］本開示に係る性能予測モデル作成装置（５０）は、
燃料を燃焼するプラントの運転パラメータと、前記プラントのプロセス値との関係を示す性能予測モデルを作成する性能予測モデル作成装置であって、
上記［１７］に記載の特徴量抽出装置であって、第１タイミングにおける前記特徴量を抽出する特徴量抽出装置と、
前記プラントの前記第１タイミングにおける前記運転パラメータと物理モデルパラメータセットとに基づいて、前記物理モデルパラメータセットを変化させて感度解析を実施して、前記第１タイミングにおける前記特徴量に対応する解析特徴量を算出する解析特徴量算出部（５４）と、
前記第１タイミングにおける前記特徴量と前記解析特徴量との差に基づいて、最適物理モデルパラメータセットを決定する最適物理モデルパラメータセット決定部（５６）と、
前記最適物理モデルパラメータセットと前記プラントの前記運転パラメータとに基づいて、前記運転パラメータを変化させて感度解析を実施して、前記運転パラメータと前記プロセス値との関係を示す前記性能予測モデルを作成する性能予測モデル作成部（５８）と、を備える。
燃料を燃焼するプラントの運転パラメータと、前記プラントのプロセス値との関係を示す性能予測モデルを作成する性能予測モデル作成装置であって、
上記［１７］に記載の特徴量抽出装置であって、第１タイミングにおける前記特徴量を抽出する特徴量抽出装置と、
前記プラントの前記第１タイミングにおける前記運転パラメータと物理モデルパラメータセットとに基づいて、前記物理モデルパラメータセットを変化させて感度解析を実施して、前記第１タイミングにおける前記特徴量に対応する解析特徴量を算出する解析特徴量算出部（５４）と、
前記第１タイミングにおける前記特徴量と前記解析特徴量との差に基づいて、最適物理モデルパラメータセットを決定する最適物理モデルパラメータセット決定部（５６）と、
前記最適物理モデルパラメータセットと前記プラントの前記運転パラメータとに基づいて、前記運転パラメータを変化させて感度解析を実施して、前記運転パラメータと前記プロセス値との関係を示す前記性能予測モデルを作成する性能予測モデル作成部（５８）と、を備える。
【0145】
上記［１８］に記載の構成によれば、第１タイミングにおける特徴量と解析特徴量との差に基づいて最適物理モデルパラメータセットが決定される。そして、運転パラメータとプロセス値との関係を示す性能予測モデルは、最適物理モデルパラメータセットとプラントの運転パラメータとに基づいて、運転パラメータを変化させて感度解析を実施することで作成される。このため、本開示に係る性能予測モデルは、運転パラメータとプロセス値との関係を解析したモデル（いわゆる物理モデル）として作成され、実際に取得可能な特徴量とプロセス値との関係を示すモデル（いわゆる統計モデル）と比較して、性能予測モデルの予測精度を向上させることができる。
【0146】
［１９］本開示に係るプラントの運転支援装置（７０）は、
上記［１８］に記載の性能予測モデル作成装置によって作成された前記性能予測モデルを用いるプラントの運転支援装置であって、
前記運転パラメータを設定する運転パラメータ設定部（７２）と、
前記運転パラメータ設定部が設定した前記運転パラメータを前記性能予測モデルに入力して、前記プロセス値を出力するプロセス値出力部（７４）と、
前記プロセス値出力部が出力した前記プロセス値が所定条件に含まれるか否かを判断する判断部（７６）と、を備え、
前記判断部において、前記プロセス値出力部で出力された前記プロセス値が前記所定条件に含まれないと判断された場合に、前記運転パラメータを再設定する再設定部（７８）と、を備える。
上記［１８］に記載の性能予測モデル作成装置によって作成された前記性能予測モデルを用いるプラントの運転支援装置であって、
前記運転パラメータを設定する運転パラメータ設定部（７２）と、
前記運転パラメータ設定部が設定した前記運転パラメータを前記性能予測モデルに入力して、前記プロセス値を出力するプロセス値出力部（７４）と、
前記プロセス値出力部が出力した前記プロセス値が所定条件に含まれるか否かを判断する判断部（７６）と、を備え、
前記判断部において、前記プロセス値出力部で出力された前記プロセス値が前記所定条件に含まれないと判断された場合に、前記運転パラメータを再設定する再設定部（７８）と、を備える。
【0147】
上記［１９］に記載の構成によれば、上記［１８］に記載の性能予測モデル作成装置によって作成された性能予測モデルを用いているので、プロセス値が所定条件に含まれる運転パラメータを速やかに設定することができる。
【符号の説明】
【0148】
１ 特徴量抽出装置
２ 取得部
４ 変換部
６ 抽出部
５０ 性能予測モデル作成装置
５４ 解析特徴量算出部
５６ 最適物理モデルパラメータセット決定部
５８ 性能予測モデル作成部
７０ 運転支援装置
７２ 運転パラメータ設定部
７４ プロセス値出力部
７６ 判断部
７８ 再設定部
１００ ボイラプラント
１０９ 燃料供給口
１３０ 輝度画像データ（色画像データ）
１４０ 第２輝度画像データ（色画像データ）
Ａ 輝度領域（一次燃焼領域の画像データから区分された輝度領域）
Ａ１ 高輝度領域（第１色領域）
Ａ２ 低輝度領域（第２色領域）
Ｂ 輝度領域（二次燃焼領域の画像データから区分された輝度領域）
Ｂ１ 第２高輝度領域（第３色領域）
Ｂ２ 第２低輝度領域（第４色領域）
Ｃｇ 燃焼ガス
Ｄ１ 長さ方向
Ｄ２ 幅方向
Ｆｒ 火炎
Ｌ１ 第１仮想線
Ｌ２ 第２仮想線
Ｌ３ 境界線
Ｐ１ 位置（第１仮想線Ｌ１と境界線Ｌ３との交差点）
Ｒ１ 一次燃焼領域
Ｒ２ 二次燃焼領域
Ｓ２ 取得ステップ
Ｓ４ 変換ステップ
Ｓ６ 抽出ステップ
Ｓ１２ 特徴量抽出ステップ
Ｓ１４ 解析特徴量算出ステップ
Ｓ１６ 最適物理モデルパラメータセット決定ステップ
Ｓ１８ 性能予測モデル作成ステップ
Ｓ２２ 運転パラメータ設定ステップ
Ｓ２４ プロセス値出力ステップ
Ｓ２６ 判断ステップ
Ｓ２８ 再設定ステップ
Ｓ３０ 運転パラメータ取得ステップ
Ｓ３２ プロセス値取得ステップ
Ｓ３４ 第２の性能予測モデル作成ステップ
Ｘ１ 着火距離
Ｘ２ 火炎の幅
Ｘ３ 火炎の長さ
θ 火炎の噴出角度
２ 取得部
４ 変換部
６ 抽出部
５０ 性能予測モデル作成装置
５４ 解析特徴量算出部
５６ 最適物理モデルパラメータセット決定部
５８ 性能予測モデル作成部
７０ 運転支援装置
７２ 運転パラメータ設定部
７４ プロセス値出力部
７６ 判断部
７８ 再設定部
１００ ボイラプラント
１０９ 燃料供給口
１３０ 輝度画像データ（色画像データ）
１４０ 第２輝度画像データ（色画像データ）
Ａ 輝度領域（一次燃焼領域の画像データから区分された輝度領域）
Ａ１ 高輝度領域（第１色領域）
Ａ２ 低輝度領域（第２色領域）
Ｂ 輝度領域（二次燃焼領域の画像データから区分された輝度領域）
Ｂ１ 第２高輝度領域（第３色領域）
Ｂ２ 第２低輝度領域（第４色領域）
Ｃｇ 燃焼ガス
Ｄ１ 長さ方向
Ｄ２ 幅方向
Ｆｒ 火炎
Ｌ１ 第１仮想線
Ｌ２ 第２仮想線
Ｌ３ 境界線
Ｐ１ 位置（第１仮想線Ｌ１と境界線Ｌ３との交差点）
Ｒ１ 一次燃焼領域
Ｒ２ 二次燃焼領域
Ｓ２ 取得ステップ
Ｓ４ 変換ステップ
Ｓ６ 抽出ステップ
Ｓ１２ 特徴量抽出ステップ
Ｓ１４ 解析特徴量算出ステップ
Ｓ１６ 最適物理モデルパラメータセット決定ステップ
Ｓ１８ 性能予測モデル作成ステップ
Ｓ２２ 運転パラメータ設定ステップ
Ｓ２４ プロセス値出力ステップ
Ｓ２６ 判断ステップ
Ｓ２８ 再設定ステップ
Ｓ３０ 運転パラメータ取得ステップ
Ｓ３２ プロセス値取得ステップ
Ｓ３４ 第２の性能予測モデル作成ステップ
Ｘ１ 着火距離
Ｘ２ 火炎の幅
Ｘ３ 火炎の長さ
θ 火炎の噴出角度
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】