特開 2023-94659 伝熱管損傷原因推論装置及び伝熱管損傷原因推論方法

(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】P2023094659

(43)【公開日】2023-07-06

(54)【発明の名称】伝熱管損傷原因推論装置及び伝熱管損傷原因推論方法

(51)【国際特許分類】

   G06Q 50/10 20120101AFI20230629BHJP

   G06Q 10/04 20230101ALI20230629BHJP

【ＦＩ】

G06Q50/10

G06Q10/04

【審査請求】有

【請求項の数】7

【出願形態】ＯＬ

(21)【出願番号】P 2021210085

(22)【出願日】2021-12-24

(71)【出願人】

【識別番号】516047175

【氏名又は名称】三菱重工パワーインダストリー株式会社

(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】仲達 俊介

(72)【発明者】

【氏名】旗手 朋和

(72)【発明者】

【氏名】加藤 浩志

(72)【発明者】

【氏名】山田 健治

(72)【発明者】

【氏名】山▲崎▼ 正則

【テーマコード（参考）】

5L049

【Ｆターム（参考）】

5L049AA04

5L049CC15

(57)【要約】

【課題】伝熱管の損傷の原因を推論することによって伝熱管の損傷に対して迅速な対処を行うことを可能とする、伝熱管損傷原因推論装置を提供する。
【解決手段】過去に損傷原因を特定された伝熱管の損傷部をそれぞれ示す複数の学習用画像データと、複数の学習用画像データの各々に関連付けられた損傷原因と、を含む教師データを用いて機械学習を行うことにより、伝熱管の損傷原因の推論に用いる学習モデルを生成するように構成された機械学習部と、損傷原因を推論する対象である対象伝熱管について、対象伝熱管の損傷部を示す画像データである対象画像データを取得するように構成された対象画像データ取得部と、を備え、学習モデルは、対象画像データ取得部によって取得した対象画像データを入力されることにより、対象伝熱管の損傷原因の推論結果を出力するように構成される。
【選択図】 図２

【特許請求の範囲】

【請求項1】

過去に損傷原因を特定された伝熱管の損傷部をそれぞれ示す複数の学習用画像データと、前記複数の学習用画像データの各々に関連付けられた損傷原因と、を含む教師データを用いて機械学習を行うことにより、伝熱管の損傷原因の推論に用いる学習モデルを生成するように構成された機械学習部と、
前記損傷原因を推論する対象である対象伝熱管について、前記対象伝熱管の損傷部を示す画像データである対象画像データを取得するように構成された対象画像データ取得部と、
を備え、
前記学習モデルは、前記対象画像データ取得部によって取得した前記対象画像データを入力されることにより、前記対象伝熱管の損傷原因の推論結果を出力するように構成された、伝熱管損傷原因推論装置。

【請求項2】

前記教師データは、前記複数の学習用画像データの各々に関連付けられた場所情報であって前記学習用画像データに示される伝熱管の場所を示す場所情報を含む、請求項１に記載の伝熱管損傷原因推論装置。

【請求項3】

前記学習モデルが出力する前記推論結果は、前記対象伝熱管の損傷原因の複数の候補と、前記複数の候補の各々の確率とを含む、請求項１又は２に記載の伝熱管損傷原因推論装置。

【請求項4】

ユーザ側の端末に表示する表示画面の画面データを出力する画面データ出力部を備え、
前記画面データ出力部によって出力する前記画面データは、前記学習モデルが出力する前記推論結果と、前記推論結果に含まれる前記複数の候補のうち最も確率が高い候補の損傷原因についての過去の事例に関する参考情報と、を含む、請求項３に記載の伝熱管損傷原因推論装置。

【請求項5】

前記参考情報は、前記過去の事例に関する参考資料にアクセスするためのリンクを含む、請求項４に記載の伝熱管損傷原因推論装置。

【請求項6】

前記参考情報は、前記過去の事例に関する参考文書の画像を含む、請求項４又は５に記載の伝熱管損傷原因推論装置。

【請求項7】

画像部分と前記画像部分以外の部分とを含む画像データから前記学習用画像データを生成するための学習用画像データ生成部を更に備え、
前記学習用画像データ生成部は、前記画像データのうち特徴量が所定の条件を満たす特徴部の集合を推論し、前記画像データのうち、前記集合が占める範囲における最小のＸ座標及び最大のＸ座標並びに最小のＹ座標及び最大のＹ座標によって画定される四角形の内側の部分を画像として抽出することによって、前記学習用画像データを生成するように構成された、請求項１乃至６の何れか１項に記載の伝熱管損傷原因推論装置。

【請求項8】

損傷原因を推論する対象である対象伝熱管について、前記対象伝熱管の損傷部を示す画像データである対象画像データを取得する対象画像データ取得ステップと、
過去に損傷原因を特定された伝熱管の損傷部をそれぞれ示す複数の学習用画像データと、前記複数の学習用画像データの各々に関連付けられた損傷原因と、を含む教師データを用いた機械学習によって生成された、伝熱管の損傷原因の推論に用いる学習モデルについて、前記対象画像データ取得ステップで取得した前記対象画像データを前記学習モデルに入力することにより、前記対象伝熱管の損傷原因の推論結果を前記学習モデルが出力するステップと、
を備える、伝熱管損傷原因推論方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、伝熱管損傷原因推論装置及び伝熱管損傷原因推論方法に関する。

【背景技術】

【0002】

特許文献１には、ボイラ炉壁の伝熱管に関して、パウダスケールなどに起因した過熱損傷のリスクが高い部位を判定する方法が開示されている。この方法では、炉壁の複数の部位の温度をそれぞれ２回計測し、各回の温度の差分から統計的処理によって閾値を設定し、差分が閾値から逸脱した部位を高リスク部位と判定している。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１８－１３２２４０号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

ところで、従来は、伝熱管に噴破等の損傷が発生すると、現地に作業員を派遣して対象部位を詳細に調査した上で原因を特定し、その後に具体的な対処（例えば交換部品の手配等）をすることとなり、伝熱管を含むプラントの運転を長時間停止する必要があった。このため、プラントの稼働率を高めるために伝熱管の損傷の原因を速やかに特定することが求められている。

【0005】

この点、特許文献１に記載の方法では、高リスク部位と判定された部分を監視して必要に応じて洗浄等を行うことによって、伝熱管の損傷の発生を抑制することはできるものの、実際に伝熱管の損傷が発生した場合に、その原因を推論することはできず、伝熱管の損傷に対して迅速な対処を行うことができない。

【0006】

上述の事情に鑑みて、本開示の少なくとも一実施形態は、伝熱管の損傷原因を推論することによって伝熱管の損傷に対して迅速な対処を行うことを可能とする、伝熱管損傷原因推論装置及び伝熱管損傷原因推論方法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】

【0007】

上記目的を達成するため、本開示の少なくとも一実施形態に係る伝熱管損傷原因推論装置は、
過去に損傷原因を特定された伝熱管の損傷部をそれぞれ示す複数の学習用画像データと、前記複数の学習用画像データの各々に関連付けられた損傷原因と、を含む教師データを用いて機械学習を行うことにより、画像データから伝熱管の損傷原因を推論するための学習モデルを生成するように構成された機械学習部と、
損傷原因を推論する対象である対象伝熱管について、前記対象伝熱管の損傷部を示す画像データである対象画像データを取得するように構成された対象画像データ取得部と、
を備え、
前記学習モデルは、前記対象画像データ取得部によって取得した前記対象画像データを入力されることにより、前記対象伝熱管の損傷原因の推論結果を出力するように構成される。

【0008】

上記目的を達成するため、本開示の少なくとも一実施形態に係る伝熱管損傷原因推論方法は、
過去に損傷原因を特定された伝熱管の損傷部をそれぞれ示す複数の学習用画像データと、前記複数の学習用画像データの各々に関連付けられた損傷原因と、を含む教師データを用いて機械学習を行うことにより、伝熱管の損傷原因の推論に用いる学習モデルを生成する機械学習ステップと、
前記損傷原因を推論する対象である対象伝熱管について、前記対象伝熱管の損傷部を示す画像データである対象画像データを取得する対象画像データ取得ステップと、
前記対象画像データ取得ステップで取得した前記対象画像データを前記学習モデルに入力することにより、前記対象伝熱管の損傷原因の推論結果を前記学習モデルが出力するステップと、
を備える。

【発明の効果】

【0009】

本開示の少なくとも一実施形態によれば、伝熱管の損傷原因を推論することによって伝熱管の損傷に対して迅速な対処を行うことを可能とする、伝熱管損傷原因推論装置及び伝熱管損傷原因推論方法が提供される。

【図面の簡単な説明】

【0010】

【図1】本開示の一実施形態に係る伝熱管噴破原因推論装置２のハードウェア構成の一例を示す図である。

【図2】図１に示した伝熱管噴破原因推論装置２の機能的な構成の一例を示すブロック図である。

【図3】上述した伝熱管噴破原因推論装置２を用いた伝熱管損傷原因の推論及び表示のフローの一例を示す図である。

【図4】学習用画像データ生成部１２によって学習用画像データＤｆｌを生成するフローの一例を示す図である。

【図5】学習用画像データ生成部１２が取得する画像データＤｂの一例を示す図である。

【図6】学習モデルＭｄ０が推論した画像部分を示す図である。

【図7】学習用画像データの生成方法を説明するための図である。

【図8】対象画像データＤａ等をユーザ側の端末１４から伝熱管噴破原因推論装置２に入力する際のユーザ側の端末１４の表示部１４ｄの表示画面Ｅ１の一例を示す図である。

【図9】図８において推論ボタンＦ６を押すことで端末１４の表示部１４ｄに出力される表示画面Ｅ２の一例を示す図である。

【図10】図８において推論ボタンＦ６を押すことで端末１４の表示部１４ｄに出力される表示画面Ｅ２の他の一例を示す図である。

【発明を実施するための形態】

【0011】

以下、添付図面を参照して本開示の幾つかの実施形態について説明する。ただし、実施形態として記載されている又は図面に示されている構成部品の寸法、材質、形状、その相対的配置等は、発明の範囲をこれに限定する趣旨ではなく、単なる説明例にすぎない。
例えば、「ある方向に」、「ある方向に沿って」、「平行」、「直交」、「中心」、「同心」或いは「同軸」等の相対的或いは絶対的な配置を表す表現は、厳密にそのような配置を表すのみならず、公差、若しくは、同じ機能が得られる程度の角度や距離をもって相対的に変位している状態も表すものとする。
例えば、「同一」、「等しい」及び「均質」等の物事が等しい状態であることを表す表現は、厳密に等しい状態を表すのみならず、公差、若しくは、同じ機能が得られる程度の差が存在している状態も表すものとする。
例えば、四角形状や円筒形状等の形状を表す表現は、幾何学的に厳密な意味での四角形状や円筒形状等の形状を表すのみならず、同じ効果が得られる範囲で、凹凸部や面取り部等を含む形状も表すものとする。
一方、一の構成要素を「備える」、「具える」、「具備する」、「含む」、又は、「有する」という表現は、他の構成要素の存在を除外する排他的な表現ではない。

【0012】

（伝熱管噴破原因推論装置２の構成及び機能）
図１は、本開示の一実施形態に係る伝熱管噴破原因推論装置２のハードウェア構成の一例を示す図である。図２は、図１に示した伝熱管噴破原因推論装置２の機能的な構成の一例を示すブロック図である。伝熱管噴破原因推論装置２は、以下で説明するように、不図示のボイラの熱交換器等に用いられる伝熱管の噴破原因を推論するための装置である。

【0013】

図１に示すように、伝熱管噴破原因推論装置２は、例えばプロセッサ７２、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）７４、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）７６、ＨＤＤ （Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）７８、入力Ｉ／Ｆ８０、及び出力Ｉ／Ｆ８２を含み、これらがバス８４を介して互いに接続されたコンピュータを用いて構成される。なお、伝熱管噴破原因推論装置２のハードウェア構成は上記に限定されず、制御回路と記憶装置との組み合わせにより構成されてもよい。また伝熱管噴破原因推論装置２は、伝熱管噴破原因推論装置２の各機能を実現するプログラムをコンピュータが実行することにより構成される。以下で説明する伝熱管噴破原因推論装置２における各部の機能は、例えばＲＯＭ７６に保持されるプログラムをＲＡＭ７４にロードしてプロセッサ７２で実行するとともに、ＲＡＭ７４やＲＯＭ７６におけるデータの読み出し及び書き込みを行うことで実現される。

【0014】

図２に示すように、伝熱管噴破原因推論装置２は、対象画像データ取得部４、機械学習部６、参考情報記憶部８、参考情報検索部９、画面データ出力部１０、及び学習用画像データ生成部１２を備える。

【0015】

対象画像データ取得部４は、噴破原因を推論する対象である対象伝熱管について、対象伝熱管の噴破部を示す画像データである対象画像データＤａを取得するように構成される。対象画像データ取得部４は、例えばユーザ側の端末１４から情報通信ネットワークＮｃを介して対象画像データＤａを取得する。対象画像データ取得部４は、対象画像データＤａとともに、対象画像データＤａが示す伝熱管の場所を示す場所情報Ｓａを対象画像データＤａに関連付けて取得してもよい。

【0016】

機械学習部６は、過去に噴破原因を特定された伝熱管の噴破部をそれぞれ示す複数の学習用画像データＤｆｌと、複数の学習用画像データＤｆｌの各々に関連付けられた噴破原因Ｃｄと、を含む教師データＤｔを用いて機械学習を行うことにより、画像データから伝熱管の噴破原因を推論するための学習モデルＭｄ１を生成するように構成される。ここで、機械学習部６が機械学習に用いる教師データＤｔは、複数の学習用画像データＤｆｌの各々に関連付けられた場所情報Ｓｔを含んでいてもよく、場所情報Ｓｔは、学習用画像データＤｆｌに示される伝熱管の場所を示す情報である。

【0017】

学習モデルＭｄ１は、対象画像データ取得部４によって取得した対象画像データＤａ（対象画像データＤａに関連付けられた上記場所情報Ｓａを対象画像データ取得部４が取得した場合には対象画像データＤａ及び場所情報Ｓａ）を入力されることにより、対象伝熱管の噴破原因の推論結果Ｒｉを出力する。学習モデルＭｄ１が出力する上記推論結果Ｒｉは、対象伝熱管の噴破原因の複数の候補と、複数の候補の各々の確率とを含む。

【0018】

参考情報記憶部８は、伝熱管の複数の噴破原因について過去の事例に関する参考情報（例えば伝熱管を含むボイラ等のプラントの事故報告書等）を記憶している。

【0019】

参考情報検索部９は、学習モデルＭｄ１から出力された推論結果Ｒｉに含まれる上記複数の候補のうち最も確率が高い候補の噴破原因についての過去の事例に関する参考情報Ｉｒを参考情報記憶部８に記憶された参考情報から検索して取得する。参考情報検索部９によって参考情報記憶部８から取得される参考情報Ｉｒは、推論結果Ｒｉに含まれる上記複数の候補のうち、最も確率が高い候補だけでなく、２番目以降に確率が高い候補の噴破原因についての過去の事例に関する参考情報を含んでいてもよい。

【0020】

画面データ出力部１０は、ユーザ側の端末１４に表示する表示画面の画面データＤｓを出力するように構成される。画面データ出力部１０によって出力される画面データＤｓは、学習モデルＭｄ１が出力する推論結果Ｒｉと、参考情報検索部９によって取得された上記参考情報Ｉｒを含む。画面データ出力部１０によって出力された画面データＤｓは、情報通信ネットワークＮｃを介してユーザ側の端末１４に送信され、端末１４の表示部１４ｄに表示される。

【0021】

学習用画像データ生成部１２は、過去に作成された事故報告書等の画像データＤｂから上述の学習用画像データＤｆｌを生成するように構成される。この画像データＤｂは、例えば事故報告書等をスキャニングすることで生成されるｐｄｆファイル等であってもよく、画像部分と、画像以外の部分（背景等の非画像部分）とを含んでいてもよい。学習用画像データ生成部１２は、学習モデルＭｄ０を用いて、画像データＤｂから、画像部分を推論して抽出する（切り取る）ことによって、学習用画像データＤｆｌを生成する。

【0022】

これにより、過去に作成された事故報告書等の多くの画像データＤｂから、上述の教師データＤｔとして使用するための多くの学習用画像データＤｆｌを生成することができる。なお、学習用画像データ生成部１２は、画像データにおける画像部分と画像部分以外の部分とを指示する教師データＤ０を用いて機械学習を行うことによって学習モデルＭｄ０を生成する。学習用画像データ生成部１２による学習用画像データＤｆｌの生成方法の詳細については後述する。

【0023】

図３は、上述した伝熱管噴破原因推論装置２を用いた伝熱管噴破原因の推論及び表示のフローの一例を示す図である。

【0024】

図３に示すように、Ｓ１０１において、対象画像データ取得部４は、噴破原因を推論する対象である対象伝熱管について、対象伝熱管の噴破部を示す画像データである対象画像データＤａを取得する。対象画像データ取得部４は、例えばユーザ側の端末１４から情報通信ネットワークＮｃを介して対象画像データＤａを取得する。

【0025】

Ｓ１０２において、機械学習部６の学習モデルＭｄ１は、対象画像データ取得部４によって取得した対象画像データＤａを入力されることにより、対象伝熱管の噴破原因の推論結果Ｒｉを出力する。

【0026】

Ｓ１０３において、参考情報検索部９は、学習モデルＭｄ１から出力された推論結果Ｒｉに含まれる噴破原因の複数の候補のうち、最も確率が高い候補の噴破原因についての過去の事例に関する参考情報Ｉｒを参考情報記憶部８から検索して取得する。

【0027】

Ｓ１０４において、画面データ出力部１０は、学習モデルＭｄ１から出力された推論結果Ｒｉと、参考情報検索部９によって取得された上記参考情報Ｉｒと、を含む画面データＤｓを出力する。画面データ出力部１０によって出力された画面データＤｓは、ネットワークＮｃを介してユーザ側の端末１４に送信され、端末１４の表示部１４ｄ（例えばディスプレイ等）に表示される。

【0028】

図４は、学習用画像データ生成部１２によって学習用画像データＤｆｌを生成するフローの一例を示す図である。

【0029】

図４に示すように、Ｓ２０１において、学習用画像データ生成部１２は、過去に作成された事故報告書等の画像データＤｂ（例えば図５参照）を取得する。この画像データＤｂは、画像部分と画像以外の部分（背景等の非画像部分）とを含む。Ｓ２０２において、学習用画像データ生成部１２は、Ｓ２０１で取得した画像データＤｂにおける特徴量が所定の条件を満たす画像部分（特徴部）を学習モデルＭｄ０を用いて推論する。学習用画像データ生成部１２は、例えば、画像データＤｂにおける画素毎に、推論の対象である対象画素及び対象画素の周囲の画素の明度や色を特徴量として画像部分の推論をおこなってもよい。この場合、対象画素とその周囲の多くの画素が連続して同色である場合にはそれらの画素を背景として判断し（すなわち画像部分でないと判断し）、対象画素とその周囲の画素に多くの色が含まれる場合にはそれらの画素を画像部分として判断してもよい。また、例えばＳ２０１で図５に示す画像データＤｂが取得された場合には、Ｓ２０２において、学習モデルＭｄ０は図６における黒色部によって示される画像部分を推論する。Ｓ２０３において、学習用画像データ生成部１２は、Ｓ２０２で推論した画像部分のうち連続した画像部分の面積を算出する。

【0030】

Ｓ２０４において、学習用画像データ生成部１２は、ある程度大きな画像面積を有する学習用画像データを効率的に生成するために、Ｓ２０３で算出した面積が予め定められた閾値以上であるか否かを判定する。Ｓ２０４において、Ｓ２０３で算出した面積が閾値以上である場合には、Ｓ２０５において、Ｓ２０１で取得した画像データＤｂにおける連続した画像部分の集合Ｇを四角形（長方形又は正方形）で囲んだ部分を抽出する（切り取る）ことによって、学習用画像データＤｆｌを生成する。例えば、Ｓ２０２で図５に示す画像データＤｂから図６に示す画像部分（黒色部）を推論した場合、Ｓ２０５では、連続した画像部分の集合Ｇが占める範囲における最小のＸ座標Ｘｍｉｎ及び最大のＸ座標Ｘｍａｘ並びに最小のＹ座標Ｙｍｉｎ及び最大のＹ座標Ｙｍａｘによって規定される四角形Ｋの内側の部分（例えば図７におけるＸｍｉｎ，Ｘｍａｘ，Ｙｍｉｎ，Ｙｍａｘによって規定される左下の四角形Ｋの範囲に対応する部分）を画像として抽出することによって、学習用画像データＤｆｌを生成する。なお、図７に示す例では、横軸がＸ軸、縦軸がＹ軸であり、図の右側がＸ軸の正の方向、図の下側がＹ軸の正の方向を示している。

【0031】

Ｓ２０４においてＳ２０３で算出した面積が閾値以上でないと判断した場合、又は、Ｓ２０５を実行した場合には、Ｓ２０６において、Ｓ２０２で他に推論した画像部分があるか否かを判定し、他に推論した画像部分があれば、Ｓ２０３に戻ってその画像部分についてＳ２０３～Ｓ２０５を実行する。Ｓ２０６においてＳ２０２で他に推論した画像部分がない場合には、画像データＤｂを用いた学習用画像データＤｆｌの生成を終了する。図７に示す例では、学習用画像データ生成部１２は、画像データＤｂから３つの四角形Ｋの範囲にそれぞれ対応する３つの画像部分を抽出することによって、３つの学習用画像データＤｆｌを生成している。

【0032】

次に、上述の対象画像データＤａ等をユーザ側の端末１４から伝熱管噴破原因推論装置２に入力する際のユーザ側の端末１４の表示部１４ｄの表示画面Ｅ１の一例を、図８を用いて説明する。図８に示す表示画面Ｅ１は、画面データ出力部１０の出力に基づいて端末１４の表示部１４ｄに表示される。

【0033】

図８に示すように、表示画面Ｅ１は、対象伝熱管の噴破部を含む画像データのファイルを特定するためのファイル名入力欄Ｆ１と、ファイル名入力欄Ｆ１に入力された画像データを表示する画像データ表示部Ｆ２と、画像データ表示部Ｆ２に表示された画像データの一部を切り取って対象画像データＤａとして抽出するためのフレームＦ３と、画像データ表示部Ｆ２に表示された画像データのサイズを調節するためのサイズ調節ボタンＦ４と、フレームＦ３の上下左右の位置を調節するためのフレーム位置調節ボタンＦ５と、フレームＦ３によって切り取られた対象画像データＤａについて、対象画像データＤａに示される対象伝熱管の噴破原因の推論を実行するための推論ボタンＦ６と、表示画面Ｅ１の情報を更新するための情報更新ボタンＦ０とを含む。

【0034】

また、表示画面Ｅ１は、フレームＦ３のＸ座標、Ｙ座標、幅及び高さを示す数値を入力する数値入力欄Ｆ７を含む。ここで、フレームＦ３のＸ座標及びＹ座標は、フレームＦ３の特定位置のＸ座標及びＹ座標であり、例えばフレームＦ３のＸ座標の最小値及びフレームＦ３のＹ座標の最小値（例えば図８におけるフレームＦ３の左上の角のＸ座標及びＹ座標）であってもよい。なお、図８におけるフレームＦ３の左上の角とは、フレームＦ３の４つの角のうち「検索画像」の文字に最も近い角を意味する。また、表示画面Ｅ１は、噴破した対象伝熱管の場所（例えばボイラの過熱器や再熱器等）を入力する場所入力欄Ｆ８と、噴破した対象伝熱管を識別する識別情報（例えば管番号等）を入力する管入力欄Ｆ９と、を含む。対象伝熱管の場所及び識別情報は、上述の場所情報Ｓａに相当する。

【0035】

図９は、図８における推論ボタンＦ６を押すことで端末１４の表示部１４ｄに出力される表示画面Ｅ２の一例を示す図である。

【0036】

図９に示すように、表示画面Ｅ２は、上記表示画面Ｅ１でフレームＦ３によって切り取られた対象画像データＤａと、学習モデルＭｄ１から出力された推論結果Ｒｉと、参考情報検索部９によって取得された参考情報Ｉｒと、を含む。

【0037】

推論結果Ｒｉは、上記表示画面Ｅ１でフレームＦ３によって切り取られた対象画像データＤａと、場所入力欄Ｆ８に入力された対象伝熱管の場所と、管入力欄Ｆ９に入力された対象伝熱管の識別情報と、が学習モデルＭｄ１に入力されることにより、学習モデルＭｄ１から出力される。

【0038】

図示する例では、推論結果Ｒｉは、対象伝熱管の噴破原因の複数の候補（エロージョン、クリープ破壊、硫酸露点腐食、腐食疲労、その他合計）と、複数の候補の各々の確率とを含む。また、参考情報Ｉｒは、推論結果Ｒｉに含まれる噴破原因の複数の候補のうち最も確率が高い候補の噴破原因（図示する例ではエロージョン）についての過去の事例に関する参考資料にアクセスするためのリンクＦ１０（例えば事故報告書等の文書の所在を示す情報）を含む。なお、表示画面Ｅ２に表示される参考情報Ｉｒは、推論結果Ｒｉに含まれる上記複数の候補のうち２番目以降に確率が高い候補の噴破原因についての過去の事例に関する参考資料にアクセスするためのリンクを更に含んでいてもよい。

【0039】

図１０は、図８において推論ボタンＦ６を押すことで端末１４の表示部１４ｄに出力される表示画面Ｅ２の他の一例を示す図である。

【0040】

図１０に示す表示画面Ｅ２は、図９に示す表示画面Ｅ２と参考情報Ｉｒの内容のみが異なっており、その他は同一である。図１０に示す表示画面Ｅ２では、参考情報Ｉｒは、推論結果Ｒｉに含まれる噴破原因の複数の候補のうち最も確率が高い候補の噴破原因（図示する例ではエロージョン）についての過去の事例に関する参考文書の画像Ｆ１１（例えば事故報告書等の文書の画像）を含む。なお、表示画面Ｅ２に表示される参考情報Ｉｒは、推論結果Ｒｉに含まれる上記複数の候補のうち、２番目以降に確率が高い候補の噴破原因についての過去の事例に関する参考文書の画像を含んでいてもよい。

【0041】

（伝熱管噴破原因推論装置２が奏する効果）
次に、上記伝熱管噴破原因推論装置２が奏する効果について説明する。
上記伝熱管噴破原因推論装置２によれば、過去に噴破原因を特定された伝熱管の噴破部をそれぞれ示す複数の学習用画像データＤｆｌと、複数の学習用画像データＤｆｌの各々に関連付けられた噴破原因Ｃｄと、を含む教師データＤｔを用いて機械学習を行うことにより、伝熱管の噴破部の画像データと伝熱管の噴破原因との関係についての過去の知見の蓄積を反映した学習モデルＭｄ１を機械学習部６によって生成することができる。このため、生成した学習モデルＭｄ１に対象画像データＤａを入力することにより、対象画像データＤａが示す対象伝熱管の噴破原因を精度良く推論することができる。これにより、伝熱管の噴破に対して迅速な対処を行うことが可能となる。

【0042】

また、上記教師データＤｔは、複数の学習用画像データＤｆｌの各々に関連付けられた場所情報Ｓｔであって学習用画像データＤｆｌに示される伝熱管の場所を示す場所情報Ｓｔを含む。このため、伝熱管の噴破部を示す画像データと伝熱管の場所と伝熱管の噴破原因との関係についての過去の知見の蓄積を反映した学習モデルＭｄ１を機械学習部６によって生成することができる。これにより、対象伝熱管の噴破原因の推論精度を向上することができる。

【0043】

また、上記学習モデルＭｄ１が出力する推論結果Ｒｉは、対象伝熱管の噴破原因の複数の候補と、複数の候補の各々の確率とを含む。このため、噴破原因の候補の確率を考慮して、伝熱管の噴破に対して効率的に対処を行うことができる。

【0044】

また、画面データ出力部１０によって出力する画面データＤｓは、学習モデルＭｄ１が出力する推論結果Ｒｉと、推論結果Ｒｉに含まれる噴破原因の複数の候補のうち最も確率が高い候補についての過去の事例に関する参考情報Ｉｒと、を含む。このため、複数の候補のうち最も確率が高い候補の噴破原因についての過去の事例に関する参考情報Ｉｒを考慮して、伝熱管の噴破に対して効率的に対処を行うことができる。

【0045】

また、図９に示す例では、参考情報Ｉｒは、推論結果Ｒｉに含まれる噴破原因の複数の候補のうち最も確率が高い候補の噴破原因についての過去の事例に関する参考資料にアクセスするためのリンクＦ１０を含む。このため、学習モデルＭｄ１が出力する推論結果Ｒｉと参考情報Ｉｒとを含む画面データＤｓをユーザ側の端末１４に表示する際に、画面データＤｓの情報量が過剰に多くなることを抑制し、伝熱管の噴破に対処するために必要な情報を容易に把握することが可能となる。

【0046】

また、図１０に示す例では、参考情報Ｉｒは、参考情報Ｉｒは、推論結果Ｒｉに含まれる噴破原因の複数の候補のうち最も確率が高い候補の噴破原因についての過去の事例に関する参考文書の画像Ｆ１１を含むため、学習モデルＭｄ１が出力する推論結果Ｒｉと参考情報Ｉｒとを含む画面データＤｓをユーザ側の端末１４に表示する際に、参考文書の画像Ｆ１１によって過去の事例の内容を容易に把握することが可能となる。

【0047】

また、図７等に示したように、画像データＤｂのうち、集合Ｇが占める範囲における最小のＸ座標Ｘｍｉｎ及び最大のＸ座標Ｘｍａｘ並びに最小のＹ座標Ｙｍｉｎ及び最大のＹ座標Ｙｍａｘによって規定される四角形Ｋの内側の部分（四角形Ｋの範囲に対応する部分）を画像として抽出することによって、学習用画像データＤｆｌを生成することができる。このため、例えば画像データＤｂの中に１つ又は複数の画像領域（特徴部の複数の集合Ｇ）がある場合において、画像データＤｂから各画像領域に対応する部分を適切に抽出して学習用画像データＤｆｌを効率的に生成し、学習モデルＭｄ１における噴破原因の推論精度を向上することができる。

【0048】

本開示は上述した実施形態に限定されることはなく、上述した実施形態に変形を加えた形態や、これらの形態を適宜組み合わせた形態も含む。

【0049】

例えば、上述した実施形態では、伝熱管の損傷の一例である伝熱管の噴破（伝熱管に伝熱管の内外を連通する貫通孔が形成された状態）の原因を推定する伝熱管噴破原因推論装置を示したが、本開示は、伝熱管の噴破に限らず伝熱管の損傷（例えば伝熱管の表面の傷等）の原因を推論する伝熱管損傷原因推論装置に適用可能である。伝熱管損傷原因推論装置の構成、機能及び効果等は、上述した伝熱管噴破原因推論装置２の説明について「噴破」を「損傷」と読み替えることにより理解される。

【0050】

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。

【0051】

（１）本開示の少なくとも一実施形態に係る伝熱管損傷原因推論装置（例えば上述の伝熱管噴破原因推論装置２）は、
過去に損傷原因を特定された伝熱管の損傷部をそれぞれ示す複数の学習用画像データ（例えば上述の複数の学習用画像データＤｆｌ）と、前記複数の学習用画像データの各々に関連付けられた損傷原因（例えば上述の噴破原因Ｃｄ）と、を含む教師データ（例えば上述の教師データＤｔ）を用いて機械学習を行うことにより、画像データから伝熱管の損傷原因を推論するための学習モデル（例えば上述の学習モデルＭｄ１）を生成するように構成された機械学習部（例えば上述の機械学習部６）と、
損傷原因を推論する対象である対象伝熱管について、前記対象伝熱管の損傷部を示す画像データである対象画像データ（例えば上述の対象画像データＤａ）を取得するように構成された対象画像データ取得部（例えば上述の対象画像データ取得部４）と、
を備え、
前記学習モデルは、前記対象画像データ取得部によって取得した前記対象画像データを入力されることにより、前記対象伝熱管の損傷原因の推論結果（例えば上述の推論結果Ｒｉ）を出力するように構成される。

【0052】

上記（１）に記載の伝熱管損傷原因推論装置によれば、過去に損傷原因を特定された伝熱管の損傷部をそれぞれ示す複数の学習用画像データと、複数の学習用画像データの各々に関連付けられた損傷原因と、を含む教師データを用いて機械学習を行うことにより、伝熱管の損傷部の画像データと伝熱管の損傷原因との関係についての過去の知見の蓄積を反映した学習モデルを機械学習部によって生成することができる。このため、生成した学習モデルに対象画像データを入力することにより、対象画像データが示す対象伝熱管の損傷原因を精度良く推論することができる。これにより、伝熱管の損傷に対して迅速な対処を行うことが可能となる。

【0053】

（２）幾つかの実施形態では、上記（１）に記載の伝熱管損傷原因推論装置において、
前記教師データは、前記複数の学習用画像データの各々に関連付けられた場所情報（例えば上述の場所情報Ｓｔであって前記学習用画像データに示される伝熱管の場所を示す場所情報を含む。

【0054】

上記（２）に記載の伝熱管損傷原因推論装置によれば、損傷部の画像データと損傷部の場所と損傷原因との関係についての過去の知見の蓄積を反映した学習モデルを機械学習部によって生成することができる。これにより、対象伝熱管の損傷原因の推論精度を向上することができる。

【0055】

（３）幾つかの実施形態では、上記（１）又は（２）に記載の伝熱管損傷原因推論装置において、
前記学習モデルが出力する前記推論結果は、前記対象伝熱管の損傷原因の複数の候補と、前記複数の候補の各々の確率とを含む。

【0056】

上記（３）に記載の伝熱管損傷原因推論装置によれば、損傷原因の候補の確率を考慮して、伝熱管の損傷に対して効率的に対処を行うことができる。

【0057】

（４）幾つかの実施形態では、上記（３）に記載の伝熱管損傷原因推論装置において、
ユーザ側の表示端末に表示する表示画面の画面データを出力する画面データ出力部（例えば上述の画面データ出力部１０）を備え、
前記画面データ出力部によって出力する前記画面データは、前記学習モデルが出力する前記推論結果と、前記推論結果に含まれる前記複数の候補のうち最も確率が高い候補の損傷原因についての過去の事例に関する参考情報（例えば上述の参考情報Ｉｒ）と、を含む。

【0058】

上記（４）に記載の伝熱管損傷原因推論装置によれば、複数の候補のうち最も確率が高い候補の損傷原因についての過去の事例に関する参考情報を考慮して、伝熱管の損傷に対して効率的に対処を行うことができる。

【0059】

（５）幾つかの実施形態では、上記（４）に記載の伝熱管損傷原因推論装置において、
前記参考情報は、前記過去の事例に関する参考資料にアクセスするためのリンク（例えば上述のリンクＦ１０）を含む。

【0060】

上記（５）に記載の伝熱管損傷原因推論装置によれば、学習モデルが出力する推論結果と参考情報とを含む画面データをユーザ側の端末に表示する際に、画面データの情報量が過剰に多くなることを抑制し、伝熱管の損傷に対処するために必要な情報を容易に把握することが可能となる。

【0061】

（６）幾つかの実施形態では、上記（４）又は（５）に記載の伝熱管損傷原因推論装置において、
前記参考情報は、前記過去の事例に関する参考文書の画像（例えば上述の画像Ｆ１１）を含む。

【0062】

上記（６）に記載の伝熱管損傷原因推論装置によれば、学習モデルが出力する推論結果と参考情報とを含む画面データをユーザ側の端末に表示する際に、過去の事例に関する参考文書の画像によって過去の事例の内容を容易に把握することが可能となる。

【0063】

（７）幾つかの実施形態では、上記（１）乃至（６）の何れかに記載の伝熱管損傷原因推論装置において、
画像部分と前記画像部分以外の部分とを含む画像データから前記学習用画像データを生成するための学習用画像データ生成部（例えば上述の学習用画像データ生成部１２）を更に備え、
前記学習用画像データ生成部は、前記画像データのうち特徴量が所定の条件を満たす特徴部の集合（例えば上述の集合Ｇ）を推論し、前記画像データのうち、前記集合が占める範囲における最小のＸ座標及び最大のＸ座標並びに最小のＹ座標及び最大のＹ座標によって画定される四角形の内側の部分を画像として抽出することによって、前記学習用画像データを生成するように構成される。

【0064】

上記（７）に記載の伝熱管損傷原因推論装置によれば、例えば元の１つの画像データの中に１つ又は複数の画像領域がある場合において、元の画像データから各画像領域に対応する部分を適切に抽出して学習用画像データを効率的に生成し、学習モデルにおける損傷原因の推論精度を向上することができる。

【0065】

（８）本開示の一実施形態に係る伝熱管損傷原因推論方法は、
損傷原因を推論する対象である対象伝熱管について、前記対象伝熱管の損傷部を示す画像データである対象画像データ（例えば上述の対象画像データＤａ）を取得する対象画像データ取得ステップと、
過去に損傷原因を特定された伝熱管の損傷部をそれぞれ示す複数の学習用画像データ（例えば上述の複数の学習用画像データＤｆｌ）と、前記複数の学習用画像データの各々に関連付けられた損傷原因（例えば上述の噴破原因Ｃｄ）と、を含む教師データ（例えば上述の教師データＤｔ）を用いた機械学習によって生成された、伝熱管の損傷原因の推論に用いる学習モデルについて、前記対象画像データ取得ステップで取得した前記対象画像データを前記学習モデルに入力することにより、前記対象伝熱管の損傷原因の推論結果（例えば上述の推論結果Ｒｉ）を前記学習モデルが出力するステップと、
を備える。

【0066】

上記（８）に記載の伝熱管損傷原因推論方法によれば、過去に損傷原因を特定された伝熱管の損傷部をそれぞれ示す複数の学習用画像データと、複数の学習用画像データの各々に関連付けられた損傷原因と、を含む教師データを用いた機械学習により生成された学習モデルを用いて、伝熱管の損傷部の画像データと伝熱管の損傷原因との関係についての過去の知見の蓄積を反映した学習モデルに対象画像データを入力することにより、対象画像データが示す対象伝熱管の損傷原因を精度良く推論することができる。これにより、伝熱管の損傷に対して迅速な対処を行うことが可能となる。

【符号の説明】

【0067】

２ 伝熱管噴破原因推論装置
４ 対象画像データ取得部
６ 機械学習部
８ 参考情報記憶部
９ 参考情報検索部
１０ 画面データ出力部
１２ 学習用画像データ生成部
１４ 端末
１４ｄ 表示部
７２ プロセッサ
７４ ＲＡＭ
７６ ＲＯＭ
７８ ＨＤＤ
８０ 入力Ｉ／Ｆ
８２ 出力Ｉ／Ｆ
８４ バス
Ｃｄ 噴破原因
Ｄａ 対象画像データ
Ｄｂ 画像データ
Ｄｆｌ 学習用画像データ
Ｄｓ 画面データ
Ｄｔ 教師データ
Ｅ１，Ｅ２ 表示画面
Ｆ１ ファイル名入力欄
Ｆ２ 画像データ表示部
Ｆ３ フレーム
Ｆ４ サイズ調節ボタン
Ｆ５ フレーム位置調節ボタン
Ｆ６ 推論ボタン
Ｆ７ 数値入力欄
Ｆ８ 場所入力欄
Ｆ９ 管入力欄
Ｆ１０ リンク
Ｆ１１ 画像
Ｇ 集合
Ｉｒ 参考情報
Ｋ 四角形
Ｍｄ０，Ｍｄ１ 学習モデル
Ｎｃ 情報通信ネットワーク
Ｒｉ 推論結果
Ｓａ，Ｓｔ 場所情報

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【手続補正書】

【提出日】2023-04-11

【手続補正1】

【補正対象書類名】特許請求の範囲

【補正対象項目名】全文

【補正方法】変更

【補正の内容】

【特許請求の範囲】

【請求項1】

過熱器および再熱器を含むボイラの熱交換器に用いられる伝熱管の損傷原因を推論するための伝熱管損傷原因推論装置であって、
過去に損傷原因を特定された伝熱管の損傷部をそれぞれ示す複数の学習用画像データと、前記複数の学習用画像データの各々に関連付けられた損傷原因と、を含む教師データを用いて機械学習を行うことにより、伝熱管の損傷原因の推論に用いる学習モデルを生成するように構成された機械学習部と、
前記損傷原因を推論する対象である対象伝熱管について、前記対象伝熱管の損傷部を示す画像データである対象画像データを取得するように構成された対象画像データ取得部と、
を備え、
前記学習モデルは、前記対象画像データ取得部によって取得した前記対象画像データを入力されることにより、前記対象伝熱管の損傷原因の推論結果を出力するように構成され、
前記教師データは、前記複数の学習用画像データの各々に関連付けられた場所情報であって前記学習用画像データに示される伝熱管の前記ボイラ内における場所を示す場所情報を含む、
伝熱管損傷原因推論装置。

【請求項2】

前記学習モデルが出力する前記推論結果は、前記対象伝熱管の損傷原因の複数の候補と、前記複数の候補の各々の確率とを含む、請求項１に記載の伝熱管損傷原因推論装置。

【請求項3】

ユーザ側の端末に表示する表示画面の画面データを出力する画面データ出力部を備え、
前記画面データ出力部によって出力する前記画面データは、前記学習モデルが出力する前記推論結果と、前記推論結果に含まれる前記複数の候補のうち最も確率が高い候補の損傷原因についての過去の事例に関する参考情報と、を含む、請求項２に記載の伝熱管損傷原因推論装置。

【請求項4】

前記参考情報は、前記過去の事例に関する参考資料にアクセスするためのリンクを含む、請求項３に記載の伝熱管損傷原因推論装置。

【請求項5】

前記参考情報は、前記過去の事例に関する参考文書の画像を含む、請求項３又は４に記載の伝熱管損傷原因推論装置。

【請求項6】

画像部分と前記画像部分以外の部分とを含む画像データから前記学習用画像データを生成するための学習用画像データ生成部を更に備え、
前記学習用画像データ生成部は、前記画像データのうち特徴量が所定の条件を満たす特徴部の集合を推論し、前記画像データのうち、前記集合が占める範囲における最小のＸ座標及び最大のＸ座標並びに最小のＹ座標及び最大のＹ座標によって画定される四角形の内側の部分を画像として抽出することによって、前記学習用画像データを生成するように構成された、請求項１乃至５の何れか１項に記載の伝熱管損傷原因推論装置。

【請求項7】

過熱器および再熱器を含むボイラの熱交換器に用いられる伝熱管の損傷原因を推論するための伝熱管損傷原因推論方法であって、
損傷原因を推論する対象である対象伝熱管について、前記対象伝熱管の損傷部を示す画像データである対象画像データを取得する対象画像データ取得ステップと、
過去に損傷原因を特定された伝熱管の損傷部をそれぞれ示す複数の学習用画像データと、前記複数の学習用画像データの各々に関連付けられた損傷原因と、を含む教師データを用いた機械学習によって生成された、伝熱管の損傷原因の推論に用いる学習モデルについて、前記対象画像データ取得ステップで取得した前記対象画像データを前記学習モデルに入力することにより、前記対象伝熱管の損傷原因の推論結果を前記学習モデルが出力するステップと、
を備え、
前記教師データは、前記複数の学習用画像データの各々に関連付けられた場所情報であって前記学習用画像データに示される伝熱管の前記ボイラ内における場所を示す場所情報を含む、
伝熱管損傷原因推論方法。