特許 7590729 シミュレーション装置および方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-11-19

(45)【発行日】2024-11-27

(54)【発明の名称】シミュレーション装置および方法

(51)【国際特許分類】

   G05B 23/02 20060101AFI20241120BHJP

【ＦＩ】

G05B23/02 R

【請求項の数】 2

(21)【出願番号】P 2020146634

(22)【出願日】2020-09-01

(65)【公開番号】P2022041438

(43)【公開日】2022-03-11

【審査請求日】2023-08-23

(73)【特許権者】

【識別番号】000006666

【氏名又は名称】アズビル株式会社

(73)【特許権者】

【識別番号】517085907

【氏名又は名称】株式会社江守情報

(74)【代理人】

【識別番号】100098394

【弁理士】

【氏名又は名称】山川 茂樹

(74)【代理人】

【識別番号】100064621

【弁理士】

【氏名又は名称】山川 政樹

(72)【発明者】

【氏名】松岡 研一

(72)【発明者】

【氏名】鈴木 康央

(72)【発明者】

【氏名】鎌田 麻衣

【審査官】田中 友章

(56)【参考文献】

【文献】特開２０１９－２１０３２（ＪＰ，Ａ）

【文献】特開平３－２３３７０２（ＪＰ，Ａ）

【文献】特開平３－１７９５０２（ＪＰ，Ａ）

【文献】特開平８－８６４９０（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０５Ｂ ２３／０２

(57)【特許請求の範囲】

【請求項1】

対象プロセスをモデル化したシミュレーションモデルと、前記シミュレーションモデルの入力値および出力値と前記シミュレーションモデルのパラメータ値との関係をモデル化したパラメータ推定モデルとを記憶するように構成された第１の記憶部と、
前記パラメータ推定モデルの学習時に、前記シミュレーションモデルに入力されるプロセス値と前記パラメータ値との組を、少なくともパラメータ値を変化させながら擬似的に複数組生成するように構成されたデータ生成部と、
前記パラメータ推定モデルの学習時に、前記データ生成部によって生成されたパラメータ値が前記シミュレーションモデルに設定された状態で、前記データ生成部によって生成されたプロセス値が入力されたときの前記シミュレーションモデルの出力値をプロセス値とパラメータ値の組毎に計算し、シミュレーションの実行時に、外部から取得したプロセス値の現在値を入力とする前記シミュレーションモデルの出力値を計算するように構成されたシミュレーション部と、
前記パラメータ推定モデルの学習時に、前記データ生成部によって生成されたプロセス値とパラメータ値と、これらプロセス値とパラメータ値とに対する前記シミュレーションモデルの出力値とを学習用データとして記憶するように構成された第２の記憶部と、
前記学習用データを用いて前記パラメータ推定モデルの学習を行うように構成された学習部と、
シミュレーションの実行前に、前記プロセス値の現在値とこのプロセス値の過去の実績値とを入力とする前記パラメータ推定モデルの出力であるパラメータ値を計算し、このパラメータ値を前記シミュレーションモデルに設定するように構成されたパラメータ設定部とを備え、
前記シミュレーションモデルは、予測対象プロセス値の現在値と前記予測対象プロセス値に影響を与える関連プロセス値の将来時刻における予測値とを入力とし、将来時刻における前記予測対象プロセス値の予測値を出力とするものであり、
前記データ生成部は、前記予測対象プロセス値の現在値と前記関連プロセス値の予測値と前記パラメータ値との組を、少なくともパラメータ値を変化させながら擬似的に複数組生成し、
前記シミュレーション部は、前記パラメータ推定モデルの学習時に、前記データ生成部によって生成された前記予測対象プロセス値の現在値と前記関連プロセス値の予測値とが入力されたときの前記シミュレーションモデルの出力値を計算し、シミュレーションの実行時に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の予測値とを入力とする前記シミュレーションモデルの出力値を計算し、
前記パラメータ設定部は、シミュレーションの実行前に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記予測対象プロセス値の過去の実績値とを入力とする前記パラメータ推定モデルの出力であるパラメータ値を計算し、このパラメータ値を前記シミュレーションモデルに設定することを特徴とするシミュレーション装置。

【請求項2】

シミュレーションモデルの入力値および出力値と前記シミュレーションモデルのパラメータ値との関係をモデル化したパラメータ推定モデルの学習時に、前記シミュレーションモデルに入力されるプロセス値と前記パラメータ値との組を、少なくともパラメータ値を変化させながら擬似的に複数組生成する第１のステップと、
前記パラメータ推定モデルの学習時に、前記第１のステップで生成されたパラメータ値が前記シミュレーションモデルに設定された状態で、前記第１のステップで生成されたプロセス値が入力されたときの前記シミュレーションモデルの出力値をプロセス値とパラメータ値の組毎に計算する第２のステップと、
前記パラメータ推定モデルの学習時に、前記第１のステップによって生成されたプロセス値とパラメータ値と、これらプロセス値とパラメータ値とに対する前記シミュレーションモデルの出力値とを学習用データとして記憶する第３のステップと、
前記学習用データを用いて前記パラメータ推定モデルの学習を行う第４のステップと、
シミュレーションの実行前に、外部から取得したプロセス値の現在値とこのプロセス値の過去の実績値とを入力とする前記パラメータ推定モデルの出力であるパラメータ値を計算し、このパラメータ値を前記シミュレーションモデルに設定する第５のステップと、
シミュレーションの実行時に、前記プロセス値の現在値を入力とする前記シミュレーションモデルの出力値を計算する第６のステップとを含み、
前記シミュレーションモデルは、予測対象プロセス値の現在値と前記予測対象プロセス値に影響を与える関連プロセス値の将来時刻における予測値とを入力とし、将来時刻における前記予測対象プロセス値の予測値を出力とするものであり、
前記第１のステップは、前記予測対象プロセス値の現在値と前記関連プロセス値の予測値と前記パラメータ値との組を、少なくともパラメータ値を変化させながら擬似的に複数組生成するステップを含み、
前記第２のステップは、前記パラメータ推定モデルの学習時に、前記第１のステップによって生成された前記予測対象プロセス値の現在値と前記関連プロセス値の予測値とが入力されたときの前記シミュレーションモデルの出力値を計算するステップを含み、
前記第５のステップは、シミュレーションの実行前に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記予測対象プロセス値の過去の実績値とを入力とする前記パラメータ推定モデルの出力であるパラメータ値を計算し、このパラメータ値を前記シミュレーションモデルに設定するステップを含み、
前記第６のステップは、シミュレーションの実行時に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の予測値とを入力とする前記シミュレーションモデルの出力値を計算するステップを含むことを特徴とするシミュレーション方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、対象プロセスをモデル化したシミュレーションモデルを用いて将来時刻におけるプロセス値を予測するシミュレーション装置および方法に関するものである。

【背景技術】

【0002】

従来より、各種プラントにおけるプロセスに関するシミュレーションを行うシミュレーション装置が用いられている（特許文献１、特許文献２参照）。実際のプラントにおいては、運転状態情報（運転プロセス変数値）は、設置されている限られたセンサ（圧力センサ、温度センサ、流量センサ等）からしか得ることができないが、シミュレーション装置によれば、任意のプラント装置（配管、熱交換器、タンク、制御弁等）におけるプロセス情報を得ることができ、将来の運転状態を推定するだけでなく、プラント内の任意位置におけるプロセス変数を間接的に測定する推定センサとしても有効利用することができる。

【0003】

シミュレーション装置の適用例としては、例えば圧縮機の吐出圧力、吐出温度、圧縮機駆動用モータ電力消費量を予測するというものがある。このような圧縮機は、冷凍機の冷媒サーキットなどに使用されており、吐出温度、吐出圧力、モータ電力消費量の予測は、冷媒サーキットの設計もしくは、運転時の予防保全（特に、電力消費量予測値と実績のずれは圧縮機効率変化を間接的に示し、圧縮機経年劣化あるいは異常を示唆することになる）に不可欠である。

【0004】

図９は圧縮機の動作を模式的に示す図である。圧縮機１００は、モータ１０１の駆動力によってプロセスガスを圧送する。
図１０は圧縮機１００の吐出圧力と吐出温度と圧縮機モータ電力消費量とを予測するシミュレーションを説明する図である。このシミュレーションでは、現在の吐出圧力Ｙ１（ｔ）と、現在の吐出温度Ｙ２（ｔ）と、現在の圧縮機モータ電力消費量Ｙ３（ｔ）と、現在のガス流量Ｘ１（ｔ）と、現在の吸込圧力Ｘ２（ｔ）と、現在の吸込温度Ｘ３（ｔ）と、吐出圧力と吐出温度と圧縮機モータ電力消費量とを予測したい将来時刻におけるガス流量の予測値Ｘ１（ｔ＋１）と、圧縮機効率とを、圧縮機１００をモデル化した圧縮機モデル２００に入力して、将来時刻における吐出圧力の推定値Ｙ１（ｔ＋１）と吐出温度の推定値Ｙ２（ｔ＋１）と圧縮機モータ電力消費量の推定値Ｙ３（ｔ＋１）とを得る。

【0005】

吐出圧力、吐出温度、圧縮機モータ電力消費量を推定するためには、調整パラメータとして圧縮機効率を設定する必要がある。しかしながら、圧縮機効率は計測することができないため、この圧縮機効率の設定値によって吐出圧力、吐出温度、圧縮機モータ電力消費量の推定精度が低下する可能性があった。
このようなパラメータの設定の問題は圧縮機のシミュレーションに限らず、他のシミュレーションにおいても同様に発生する。

【先行技術文献】

【特許文献】

【0006】

【文献】特開２０１８－５５２９９号公報

【文献】特開２０１９－２１０３２号公報

【発明の概要】

【発明が解決しようとする課題】

【0007】

本発明は、上記課題を解決するためになされたもので、パラメータの設定によって左右される予測精度の低下を回避し、予測精度を向上させることができるシミュレーション装置および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】

【0008】

本発明のシミュレーション装置は、対象プロセスをモデル化したシミュレーションモデルと、前記シミュレーションモデルの入力値および出力値と前記シミュレーションモデルのパラメータ値との関係をモデル化したパラメータ推定モデルとを記憶するように構成された第１の記憶部と、前記パラメータ推定モデルの学習時に、前記シミュレーションモデルに入力されるプロセス値と前記パラメータ値との組を、少なくともパラメータ値を変化させながら擬似的に複数組生成するように構成されたデータ生成部と、前記パラメータ推定モデルの学習時に、前記データ生成部によって生成されたパラメータ値が前記シミュレーションモデルに設定された状態で、前記データ生成部によって生成されたプロセス値が入力されたときの前記シミュレーションモデルの出力値をプロセス値とパラメータ値の組毎に計算し、シミュレーションの実行時に、外部から取得したプロセス値の現在値を入力とする前記シミュレーションモデルの出力値を計算するように構成されたシミュレーション部と、前記パラメータ推定モデルの学習時に、前記データ生成部によって生成されたプロセス値とパラメータ値と、これらプロセス値とパラメータ値とに対する前記シミュレーションモデルの出力値とを学習用データとして記憶するように構成された第２の記憶部と、前記学習用データを用いて前記パラメータ推定モデルの学習を行うように構成された学習部と、シミュレーションの実行前に、前記プロセス値の現在値とこのプロセス値の過去の実績値とを入力とする前記パラメータ推定モデルの出力であるパラメータ値を計算し、このパラメータ値を前記シミュレーションモデルに設定するように構成されたパラメータ設定部とを備え、前記シミュレーションモデルは、予測対象プロセス値の現在値と前記予測対象プロセス値に影響を与える関連プロセス値の将来時刻における予測値とを入力とし、将来時刻における前記予測対象プロセス値の予測値を出力とするものであり、前記データ生成部は、前記予測対象プロセス値の現在値と前記関連プロセス値の予測値と前記パラメータ値との組を、少なくともパラメータ値を変化させながら擬似的に複数組生成し、前記シミュレーション部は、前記パラメータ推定モデルの学習時に、前記データ生成部によって生成された前記予測対象プロセス値の現在値と前記関連プロセス値の予測値とが入力されたときの前記シミュレーションモデルの出力値を計算し、シミュレーションの実行時に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の予測値とを入力とする前記シミュレーションモデルの出力値を計算し、前記パラメータ設定部は、シミュレーションの実行前に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記予測対象プロセス値の過去の実績値とを入力とする前記パラメータ推定モデルの出力であるパラメータ値を計算し、このパラメータ値を前記シミュレーションモデルに設定することを特徴とするものである。

【0011】

また、本発明のシミュレーション方法は、シミュレーションモデルの入力値および出力値と前記シミュレーションモデルのパラメータ値との関係をモデル化したパラメータ推定モデルの学習時に、前記シミュレーションモデルに入力されるプロセス値と前記パラメータ値との組を、少なくともパラメータ値を変化させながら擬似的に複数組生成する第１のステップと、前記パラメータ推定モデルの学習時に、前記第１のステップで生成されたパラメータ値が前記シミュレーションモデルに設定された状態で、前記第１のステップで生成されたプロセス値が入力されたときの前記シミュレーションモデルの出力値をプロセス値とパラメータ値の組毎に計算する第２のステップと、前記パラメータ推定モデルの学習時に、前記第１のステップによって生成されたプロセス値とパラメータ値と、これらプロセス値とパラメータ値とに対する前記シミュレーションモデルの出力値とを学習用データとして記憶する第３のステップと、前記学習用データを用いて前記パラメータ推定モデルの学習を行う第４のステップと、シミュレーションの実行前に、外部から取得したプロセス値の現在値とこのプロセス値の過去の実績値とを入力とする前記パラメータ推定モデルの出力であるパラメータ値を計算し、このパラメータ値を前記シミュレーションモデルに設定する第５のステップと、シミュレーションの実行時に、前記プロセス値の現在値を入力とする前記シミュレーションモデルの出力値を計算する第６のステップとを含み、前記シミュレーションモデルは、予測対象プロセス値の現在値と前記予測対象プロセス値に影響を与える関連プロセス値の将来時刻における予測値とを入力とし、将来時刻における前記予測対象プロセス値の予測値を出力とするものであり、前記第１のステップは、前記予測対象プロセス値の現在値と前記関連プロセス値の予測値と前記パラメータ値との組を、少なくともパラメータ値を変化させながら擬似的に複数組生成するステップを含み、前記第２のステップは、前記パラメータ推定モデルの学習時に、前記第１のステップによって生成された前記予測対象プロセス値の現在値と前記関連プロセス値の予測値とが入力されたときの前記シミュレーションモデルの出力値を計算するステップを含み、前記第５のステップは、シミュレーションの実行前に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の現在値と前記予測対象プロセス値の過去の実績値とを入力とする前記パラメータ推定モデルの出力であるパラメータ値を計算し、このパラメータ値を前記シミュレーションモデルに設定するステップを含み、前記第６のステップは、シミュレーションの実行時に、外部から取得した前記予測対象プロセス値の現在値と前記関連プロセス値の予測値とを入力とする前記シミュレーションモデルの出力値を計算するステップを含むことを特徴とするものである。

【発明の効果】

【0014】

本発明によれば、擬似的に生成したプロセス値とパラメータ値とシミュレーションモデルとを用いてパラメータ推定モデルを学習し、シミュレーションの実行前に、学習済みのパラメータ推定モデルにプロセス値の現在値と過去の実績値とを入力してパラメータ値を計算し、このパラメータ値をシミュレーションモデルに設定することにより、シミュレーションの予測精度を向上させることができる。

【図面の簡単な説明】

【0015】

【図1】図１は、本発明の実施例に係るシミュレーション装置の構成を示すブロック図である。

【図2】図２は、本発明の実施例に係るシミュレーション装置の学習動作を説明するフローチャートである。

【図3】図３は、本発明の実施例における学習用データ生成の過程を説明する図である。

【図4】図４は、本発明の実施例に係るシミュレーション装置のシミュレーション動作を説明するフローチャートである。

【図5】図５は、本発明の実施例におけるパラメータ推定モデルを用いたパラメータ値計算の過程を説明する図である。

【図6】図６は、本発明の実施例におけるシミュレーションの過程を説明する図である。

【図7】図７は、本発明の実施例におけるシミュレーションの具体例を説明する図である。

【図8】図８は、本発明の実施例に係るシミュレーション装置を実現するコンピュータの構成例を示すブロック図である。

【図9】図９は、圧縮機の動作を模式的に示す図である。

【図10】図１０は、圧縮機の吐出圧力と吐出温度と圧縮機モータ電力消費量とを予測するシミュレーションを説明する図である。

【発明を実施するための形態】

【0016】

以下、本発明の実施例について図面を参照して説明する。図１は本発明の実施例に係るシミュレーション装置の構成を示すブロック図である。シミュレーション装置は、モデル記憶部１（第１の記憶部）と、シミュレーション部２と、データ蓄積部３と、データ生成部４と、学習用データ記憶部５（第２の記憶部）と、学習部６と、パラメータ設定部７とを備えている。

【0017】

モデル記憶部１には、対象プロセスをモデル化した、ソフトウェア的に構築された数学モデルであるシミュレーションモデル１０と、シミュレーションモデル１０の入力値および出力値とシミュレーションモデル１０のパラメータ値との関係をモデル化した、ソフトウェア的に構築された数学モデルであるパラメータ推定モデル１１とが記憶されている。

【0018】

まず、パラメータ推定モデル１１を学習する動作について説明する。図２は本実施例のシミュレーション装置の学習動作を説明するフローチャートである。
データ生成部４は、シミュレーションモデル１０に入力されるプロセス値Ｙ１_p（ｔ），，，Ｙｍ_p（ｔ），Ｘ１_p（ｔ），，，Ｘｎ_p（ｔ），Ｘ１_p（ｔ＋１），，，Ｘｎ_p（ｔ＋１）とシミュレーションモデル１０のパラメータ値α_pとの組を、プロセス値とパラメータ値のうち少なくともパラメータ値を変化させながら複数組生成する（図２ステップＳ１００）。

【0019】

プロセス値Ｙ１_p（ｔ），，，Ｙｍ_p（ｔ）（ｍは１以上の整数）は、予測対象プロセス値の現在値を疑似的に生成したものであり、圧縮機シミュレーションの例では吐出圧力と吐出温度と圧縮機モータ電力消費量の現在値である。プロセス値Ｘ１_p（ｔ），，，Ｘｎ_p（ｔ）（ｎは１以上の整数）は、予測対象プロセス値に影響を与える関連プロセス値の現在値を疑似的に生成したものであり、圧縮機シミュレーションの例ではガス流量と吸込圧力と吸込温度の現在値である。プロセス値Ｘ１_p（ｔ＋１），，，Ｘｎ_p（ｔ＋１）は、関連プロセス値の将来時刻における予測値を疑似的に生成したものであり、圧縮機シミュレーションの例ではガス流量の予測値である。パラメータ値α_pは、シミュレーションモデル１０に設定されるパラメータ値の一時的な値であり、圧縮機シミュレーションの例では圧縮機効率である。

【0020】

プロセス値については、想定し得る所定の入力範囲内で変化させるようにすればよい。同様に、パラメータ値については、想定し得る所定のパラメータ範囲内で変化させるようにすればよい。

【0021】

データ生成部４は、プロセス値Ｙ１_p（ｔ），，，Ｙｍ_p（ｔ），Ｘ１_p（ｔ），，，Ｘｎ_p（ｔ），Ｘ１_p（ｔ＋１），，，Ｘｎ_p（ｔ＋１）とパラメータ値α_pとの組を、パラメータ値のみを変化させながら、あるいはプロセス値とパラメータ値の両方を変化させながら複数組生成する。

【0022】

シミュレーション部２は、シミュレーションモデル１０にパラメータ値α_pが設定された状態で、プロセス値Ｙ１_p（ｔ），，，Ｙｍ_p（ｔ），Ｘ１_p（ｔ），，，Ｘｎ_p（ｔ），Ｘ１_p（ｔ＋１），，，Ｘｎ_p（ｔ＋１）が入力されたときのシミュレーションモデル１０の出力値Ｙ１（ｔ＋１），，，Ｙｍ（ｔ＋１）を、プロセス値とパラメータ値の組毎に計算する（図２ステップＳ１０１）。出力値Ｙ１（ｔ＋１），，，Ｙｍ（ｔ＋１）は、圧縮機シミュレーションの例では将来時刻における吐出圧力と吐出温度と圧縮機モータ電力消費量の予測値である。

【0023】

学習用データ記憶部５は、プロセス値Ｙ１_p（ｔ），，，Ｙｍ_p（ｔ），Ｘ１_p（ｔ），，，Ｘｎ_p（ｔ），Ｘ１_p（ｔ＋１），，，Ｘｎ_p（ｔ＋１）とパラメータ値α_pと、これらに対応するシミュレーションモデル１０の出力値Ｙ１（ｔ＋１），，，Ｙｍ（ｔ＋１）とを学習用データとして記憶する（図２ステップＳ１０２）。こうして、プロセス値とパラメータ値と出力値との組からなる学習用データが複数組生成される。この学習用データ生成の過程を図３に示す。

【0024】

次に、学習部６は、学習用データ記憶部５に記憶されている学習用データに含まれるプロセス値Ｙ１_p（ｔ），，，Ｙｍ_p（ｔ），Ｘ１_p（ｔ），，，Ｘｎ_p（ｔ），Ｘ１_p（ｔ＋１），，，Ｘｎ_p（ｔ＋１）と出力値Ｙ１（ｔ＋１），，，Ｙｍ（ｔ＋１）とをパラメータ推定モデル１１の入力変数とし、これらプロセス値と出力値とに対応するパラメータ値α_pをパラメータ推定モデル１１の出力変数として、目的とする出力変数が得られるようにパラメータ推定モデル１１の機械学習を行う（図２ステップＳ１０３）。
以上で、学習動作が終了する。なお、機械学習の方法は周知の技術であるので、詳細な説明は省略する。

【0025】

図４は本実施例のシミュレーション装置のシミュレーション動作を説明するフローチャートである。データ蓄積部３には、対象のプラントから過去に取得したプロセス値Ｙ１，，，Ｙｍ，Ｘ１，，，Ｘｎが蓄積されている。

【0026】

シミュレーションの実行前に、パラメータ設定部７は、図５に示すように対象のプラントから取得した予測対象プロセス値の現在値Ｙ１（ｔ），，，Ｙｍ（ｔ）と関連プロセス値の現在値Ｘ１（ｔ），，，Ｘｎ（ｔ）と、データ蓄積部３に蓄積されている過去の予測対象プロセス値の実績値Ｙ１（ｔ－１），，，Ｙｍ（ｔ－１）と過去の関連プロセス値の実績値Ｘ１（ｔ－１），，，Ｘｎ（ｔ－１）とが入力されたときのパラメータ推定モデル１１の出力値αを計算する（図４ステップＳ２００）。

【0027】

つまり、関連プロセス値の現在値Ｘ１（ｔ），，，Ｘｎ（ｔ）と予測対象プロセス値の実績値Ｙ１（ｔ－１），，，Ｙｍ（ｔ－１）と関連プロセス値の実績値Ｘ１（ｔ－１），，，Ｘｎ（ｔ－１）とは、過去の時点におけるシミュレーションモデル１０の入力値に相当する。予測対象プロセス値の現在値Ｙ１（ｔ），，，Ｙｍ（ｔ）は、過去の時点におけるシミュレーションモデル１０の出力値に相当する。関連プロセス値の現在値は、圧縮機シミュレーションの例ではガス流量の現在値Ｘ１（ｔ）と吸込圧力の現在値Ｘ２（ｔ）と吸込温度の現在値Ｘ３（ｔ）である。関連プロセス値の実績値は、圧縮機シミュレーションの例ではガス流量の過去の実績値Ｘ１（ｔ－１）と吸込圧力の過去の実績値Ｘ２（ｔ－１）と吸込温度の過去の実績値Ｘ３（ｔ－１）である。予測対象プロセス値の実績値は、圧縮機シミュレーションの例では吐出圧力の実績値Ｙ１（ｔ－１）と吐出温度の実績値Ｙ２（ｔ－１）と圧縮機モータ電力消費量の実績値Ｙ３（ｔ－１）である。予測対象プロセス値の現在値は、圧縮機シミュレーションの例では吐出圧力の現在値Ｙ１（ｔ）と吐出温度の現在値Ｙ２（ｔ）と圧縮機モータ電力消費量の現在値Ｙ３（ｔ）である。したがって、これらの値をパラメータ推定モデル１１に入力すれば、パラメータ値αを計算することが可能である。
プロセス値の実績値が計測された過去の時点と現時点との時間間隔は、現時点とプロセス値を予測したい将来時刻との時間間隔に等しい。

【0028】

パラメータ設定部７は、パラメータ推定モデル１１を用いて計算したパラメータ値αをシミュレーションモデル１０に設定する（図４ステップＳ２０１）。

【0029】

パラメータ値αの設定後、シミュレーション部２は、予測対象プロセス値の現在値Ｙ１（ｔ），，，Ｙｍ（ｔ）と関連プロセス値の現在値Ｘ１（ｔ），，，Ｘｎ（ｔ）を取得すると共に、関連プロセス値の予測値Ｘ１（ｔ＋１），，，Ｘｎ（ｔ＋１）を取得する。現在値Ｙ１（ｔ），，，Ｙｍ（ｔ），Ｘ１（ｔ），，，Ｘｎ（ｔ）はプラントのセンサ等から取得できる。予測値Ｘ１（ｔ＋１），，，Ｘｎ（ｔ＋１）は、外部の予測システム（例えば気象予測システム）から取得することができる。そして、シミュレーション部２は、予測対象プロセス値の現在値Ｙ１（ｔ），，，Ｙｍ（ｔ）と関連プロセス値の現在値Ｘ１（ｔ），，，Ｘｎ（ｔ）と関連プロセス値の予測値Ｘ１（ｔ＋１），，，Ｘｎ（ｔ＋１）とが入力されたときのシミュレーションモデル１０の出力値Ｙ１（ｔ＋１），，，Ｙｍ（ｔ＋１）を計算する（図４ステップＳ２０２）。

【0030】

こうして、図６に示すように将来時刻における予測値Ｙ１（ｔ＋１），，，Ｙｍ（ｔ＋１）を得ることができる。図６を圧縮機シミュレーションについて具体的に記述すれば、図７のようになる。

【0031】

本実施例では、擬似的に生成したプロセス値とパラメータ値とシミュレーションモデルとを用いてパラメータ推定モデルを学習し、シミュレーションの実行前に、学習済みのパラメータ推定モデルにプロセス値の現在値と過去の実績値とを入力してパラメータ値を計算し、このパラメータ値をシミュレーションモデルに設定することにより、シミュレーションの予測精度を向上させることができる。

【0032】

なお、本実施例で説明した全てのプロセス値を用いることは本発明の必須の構成要件ではない。例えば関連プロセス値の現在値を必要としない構成であってもよい。この場合、シミュレーションモデル１０は、予測対象プロセス値の現在値と関連プロセス値の予測値とを入力とする。データ生成部４は、予測対象プロセス値の現在値と関連プロセス値の予測値とパラメータ値との組を擬似的に複数組生成する。シミュレーション部２は、パラメータ推定モデル１１の学習時に、データ生成部４によって生成された予測対象プロセス値の現在値と関連プロセス値の予測値とが入力されたときのシミュレーションモデル１０の出力値を計算する。パラメータ設定部７は、外部から取得した予測対象プロセス値の現在値と関連プロセス値の現在値と予測対象プロセス値の過去の実績値とを入力とするパラメータ推定モデル１１の出力を計算する。

【0033】

本実施例で説明したシミュレーション装置は、ＣＰＵ（Central Prodessing Unit）、記憶装置及びインタフェースを備えたコンピュータと、これらのハードウェア資源を制御するプログラムによって実現することができる。このコンピュータの構成例を図８に示す。

【0034】

コンピュータは、ＣＰＵ３００と、記憶装置３０１と、インタフェース装置（Ｉ／Ｆ）３０２とを備えている。Ｉ／Ｆ３０２には、プラントの管理装置や予測システムなどが接続される。このようなコンピュータにおいて、本発明のシミュレーション方法を実現させるためのプログラムは記憶装置３０１に格納される。ＣＰＵ３００は、記憶装置３０１に格納されたプログラムに従って本実施例で説明した処理を実行する。

【産業上の利用可能性】

【0035】

本発明は、プロセスシミュレーション技術に適用することができる。

【符号の説明】

【0036】

１…モデル記憶部、２…シミュレーション部、３…データ蓄積部、４…データ生成部、５…学習用データ記憶部、６…学習部、７…パラメータ設定部、１０…シミュレーションモデル、１１…パラメータ推定モデル。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】