KPI改善辅助系统及KPI改善辅助方法与流程

本发明涉及对各种机器的kpi改善进行辅助的kpi改善辅助系统及kpi改善辅助方法。

背景技术：

近年来，随着ict(informationandcommunicationtechnology)、iot(internetofthing)的技术革新，能够利用高速的计算机、网络通信、大容量的数据保存装置的环境日益齐整。在许多产业领域中大量蓄积的数据的有效利用受到关注的过程中，要求通过对机器的测量数据、检查和维护数据等在现场站点收集到的数据、企业的经营及资产信息进行管理的系统的综合，来改善重要业绩评价指标(kpi：keyperformanceindicators)的运用。

例如在发电业务的领域中，担心随着风力发电或太阳能发电等可再生能源的利用增加造成的发电量变动会使电力系统的稳定性下降，因此，作为备用电源的火力发电成套设备的重要性增加。此外，火力发电成套设备不仅承担作为负载调整的作用，还承担作为基础负载电源的作用，要求将效率、环境性能、运转率等运用性能考虑为kpi的运用。

为了改善火力发电成套设备的运用性能，在专利文献1、专利文献2中公开了一种降低作为环境性能的氮氧化物浓度、一氧化碳浓度的控制装置。

现有技术文献

专利文献

专利文献1：日本特开2012-141862号公报

专利文献2：日本特开2009-244933号公报

技术实现要素：

发明要解决的课题

在现有技术文献所记载的技术中，将模拟静态特性的模型和以该模型为对象学习最佳的操作方法的学习单元组合，生成操作信号。通过使用该技术，能够使机器中使用的燃料的种类、生成的产品的内容、制造量变化，从而追随最佳的操作条件的变化，使操作条件移动到最佳值。但是，由于未考虑移动时的过渡性的变化，因此kpi暂时性地恶化，有时总体上不会成为最佳的运转。

本发明的目的在于提供通过一边实时地预测响应特性，一边追随实时变化的目标值而进行最佳操作，从而能够实现总体上最佳的运转的kpi改善辅助系统及kpi改善辅助方法。

用于解决课题的手段

根据以上内容，在本发明中，“kpi改善辅助系统获得来自反复执行恒定运转状态和变动运转状态的应用对象的运转数据，给予所述应用对象的操作条件，其特征在于，所述kpi改善辅助系统具有：动态特性评价单元，其至少使用变动运转状态下的操作条件和运转数据来评价应用对象的变动运转状态下的kpi的动态特性；学习单元，其根据动态特性评价单元中的评价结果学习应用对象的操作条件；以及操作条件信号生成单元，其按照学习单元的学习结果来生成应用对象的操作条件”。

此外，在本发明中，“kpi改善辅助方法使用来自反复执行恒定运转状态和变动运转状态的应用对象的运转数据，给予应用对象的操作条件，其特征在于，至少使用变动运转状态下的操作条件和运转数据来评价应用对象的变动运转状态下的kpi的动态特性，根据动态特性的评价结果来学习应用对象的操作条件，按照学习结果生成应用对象的操作条件”。

发明效果

通过使用本发明的kpi改善辅助系统及kpi改善辅助方法，能够改善各种机器的kpi。特别是在应用于火力、发电成套设备的情况下，能够改善成套设备效率，并削减煤炭消耗量。

附图说明

图1是对本发明的实施例的kpi改善辅助系统的结构例进行说明的框图。

图2(a)是对kpi改善辅助系统中的学习动作进行说明的流程图。

图2(b)时根据kpi改善辅助系统中的学习结果来生成操作条件信号的流程图。

图3是对应用对象100的运转与kpi的关系进行说明的图。

图4(a)是表示通过神经网络模型构建静态特性评价单元300的图。

图4(b)是表示神经网络模型的输入与输出的关系的图。

图4(c)是表示使学习单元400进行动作的结果的实施例的图。

图5(a)是对保存在运转数据库db1中的数据的形态进行说明的图。

图5(b)是对保存在运转计划数据库db2中的数据的形态进行说明的图。

图6是将图2的处理进一步分为静态特性侧和动态特性侧来进行具体表示的流程图。

图7(a)是表示在评价值计算单元500中仅使用静态特性评价结果sg8来计算评价值sg10时的成套设备的操作结果例的图。

图7(b)是表示在评价值计算单元500中仅使用静态特性评价结果sg8来计算评价值sg10时的成套设备的操作结果例的图。

图7(c)是表示在评价值计算单元500中使用静态特性评价结果sg8和动态特性评价结果sg9双方来计算评价值sg10时的成套设备的操作结果例的图。

图7(d)是表示在评价值计算单元500中使用静态特性评价结果sg8和动态特性评价结果sg9双方来计算评价值sg10时的成套设备的操作结果例的图。

图8是表示作为应用对象100的实施例的煤炭火力成套设备的结构的概略图。

图9(a)是表示操作条件变更幅度与工艺值的过冲幅度的关系的图。

图9(b)是表示仅使用静态特性评价结果sg8来计算评价值sg10时的成套设备的操作结果例的图。

图9(c)是表示使用静态特性评价结果sg8和动态特性评价结果sg9双方来计算评价值sg10的情况的图。

图10(a)是对运转计划协同单元620所使用的运转计划数据sg6的内容进行说明的图。

图10(b)是对使用使运转计划协同评价单元620进行动作的评价值来使学习单元400进行动作的结果进行说明的图。

具体实施方式

以下，参照附图对本发明的实施例进行说明。

实施例1

图1是对本发明的实施例的kpi改善辅助系统200的结构例进行说明的框图。在本实施例中，kpi改善辅助系统200与本系统的应用对象100以及外部装置900连接。

图1的kpi改善辅助系统200一般由计算机装置构成，若示意性地表示该运算装置中的处理功能，则能够称为具有静态特性评价单元300、学习单元400、评价值计算单元500、动态特性评价单元600、操作条件信号生成单元700的系统。并且，动态特性评价单元600具有过渡特性评价单元610和运转计划协同评价单元620。对于kpi改善辅助系统200中的各部的动作，在图2以后进行说明。

kpi改善辅助系统200作为数据库db而具有：运转数据数据库db1、运转计划数据库db2和学习结果数据库db3。在数据库db中，保存有电子化的信息，通常以称为电子文件(电子数据)的方式来保存信息。

此外，kpi改善辅助系统200作为与外部的接口而具有外部输入接口210及外部输出接口220，经由接口与本系统的应用对象100及外部装置900连接。

利用这样的接口结构，通过外部装置900所具有的外部输入装置910(键盘910以及鼠标920)的操作而制作的外部输入信号sg1、和经由外部输入接口210在应用对象100中收集的运转数据sg2被提取至kpi改善辅助系统200中。

应用对象100由控制装置180和机器190构成，从机器190向控制装置180发送测量信号sg70，从控制装置180向机器190发送操作信号sg80。先前描述的运转数据sg2是包含测量信号sg70和操作信号sg80的数据。与提取到kpi改善辅助系统200中的运转数据sg2及外部输入信号sg1所包含的与运转相关的数据作为运转数据sg3保存在运转数据数据库db1中，与外部输入信号sg1所包含的运转计划相关的数据作为运转计划数据sg4保存在运转计划数据库db2中。

这里，运转计划数据sg4是与应用对象100的运转计划相关的数据，例如是应用对象100所使用的燃料的种类、应用对象100所生成的产品的内容、制造量的计划值。

此外，kpi改善辅助装置200经由外部输出接口220将操作条件信号sg14输出给应用对象100内的控制装置180和应用对象100内的图像显示装置940。

另外，在本实施例的kpi改善辅助系统200中，示出了在kpi改善辅助系统200的内部具有构成计算机装置的运算装置、以及数据库db的例子，但也可以将这些一部分的装置配置于kpi改善辅助系统200的外部，仅将数据在装置间进行通信。

此外，作为保存在各数据库db中的信号的信号数据库信息50能够经由外部输出接口220将其全部信息显示于图像显示装置940，这些信息能够通过操作外部输入装置910而生成的外部输入信号sg1来进行修正。

在本实施例中，由键盘920和鼠标930构成外部输入装置910，但如果是用于声音输入的麦克风、触摸面板等用于输入数据的装置也可以。

此外，作为本发明的实施方式，当然也能够作为运转辅助装置或方法来实施。此外，在本实施例中，将kpi改善辅助系统200的应用对象作为成套设备，但当然也能够将应用对象作为成套设备以外的设备来实施。

图2(a)和图2(b)是对kpi改善辅助系统200的操作进行说明的流程图。其中，图2(a)是学习kpi改善方法时的流程图。

在图2(a)中的学习流程的最初的处理步骤s100中，设定由图1的学习单元400生成的操作条件sg7的初始值，将操作条件sg7发送给静态特性评价单元300和动态特性评价单元600。

在处理步骤s110中，在静态特性评价单元300中，根据操作条件sg7的输入来计算静态特性评价结果sg8，将静态特性评价结果sg8发送给评价值计算单元500。

在处理步骤s120中，在动态特性评价单元600中，根据操作条件sg7的输入来计算动态特性评价结果sg9，将动态特性评价结果sg9发送给评价值计算单元500。

动态特性评价单元600具有：过渡特性评价单元610，其对操作条件sg7的变化幅度和变化率中的至少1个、与kpi的动态变化的关系进行评价，本评价结果包含在动态特性评价结果sg9中。

此外，动态特性评价单元600具有：运转计划协同评价单元620，其在变更了运转计划时，提高与当前的操作条件sg7接近的操作条件sg7的评价值，所述运转计划包含应用对象100所使用的燃料的种类、应用对象所生成的产品的内容、制造量的计划值中的至少1个，本评价结果包含在动态特性评价结果sg9中。

在处理步骤s130中，在评价值计算单元500中，根据静态特性评价结果sg8和动态特性评价结果sg9的输入来计算评价值sg10，将评价值sg10发送给学习单元400。

在处理步骤s140中，在学习单元400中，学习使评价值sg10成为最大的操作条件sg7的生成方法。然后，生成下一个操作条件sg7，将操作条件sg7发送给静态特性评价单元300和动态特性评价单元600。

在学习单元400中，对使应用对象100的运用性成为所希望的特性的操作量的计算方法进行学习。学习单元400能够使用强化学习、遗传算法、非线性规划法等优选算法并进行安装，但在本发明中不限定学习单元400的安装方法。

学习单元400所参照的评价值sg10由评价值计算单元500进行计算，但计算方法存在以下3种：根据静态特性评价结果sg8来计算的数学式(1)的方法、根据动态特性评价结果sg9来计算的数学式(2)的方法、根据静态特性评价结果sg8和动态特性评价结果sg9的双方来计算的数学式(3)的方法。此外，r是评价值sg10，p是静态特性评价结果sg8，q是动态特性评价结果sg9，w1、w2是权重系数。

[数学式1]

r＝σp(1)

[数学式2]

r＝∫qdt(2)

[数学式3]

r＝w1×σp+w2×∫qdt(3)

在处理步骤s150中，判定处理步骤s140的动作次数是否超过预先决定的阈值，在未超过的情况下返回到处理步骤s110，在超过的情况下前进到处理步骤s160。

在处理步骤s160中，判定处理步骤s100的动作次数是否超过预先决定的阈值，在未超过的情况下返回到处理步骤s100，在超过的情况下结束。

此外，通过各处理步骤使运算装置进行动作的结果作为处理结果sg11被发送给处理结果数据库db3进行保存。此外，通过各处理步骤使运算装置进行动作时，能够根据需要使用保存在处理结果数据库db3中的信息。

图2(b)是根据学习结果生成操作条件信号时的流程图。

在图2(b)中，在处理步骤s170中，在操作条件信号生成单元700中，根据处理结果sg12的输入来计算操作条件信号sg13，并发送给外部输出接口220。之后，操作条件信号sg14发送至控制装置180和图像显示装置940。可以使用操作条件信号sg14来直接操作应用对象100。此外，能够将操作条件信号sg14的值作为操作指导显示在图像显示装置940中。

此外，对于通过处理步骤s140所学习到的3种学习结果，也可以将各操作条件信号sg14的值显示于图像显示装置940，能够选择任意的操作条件。

如图1、图2(a)、图2(b)所示，在本发明的实施例中，想要分为静态特性和动态特性来预测性地评价应用对象100的kpi。因此，作为以后说明的前提，使用图3对应用对象100的运转与kpi的关系进行说明。

在图3中，横轴表示时间，纵轴表示应用对象100的例如负载。如该图所示，应用本发明的应用对象100负载并非一下子增加至100％，例如在增加阶段的中途具有1个以上的保持恒定的阶段。在该增加阶段中，在保持恒定的阶段的时刻t1、t2、t3对应用对象100的静态特性进行评价而获得静态特性评价结果sg8，在增加阶段的期间t1、t2、t3中评价应用对象100的动态特性而获得动态特性评价结果sg9。另外，在图3中，示出了在增加阶段设置了保持恒定的阶段的例子，但保持该恒定的阶段在负荷的减少阶段也同样地设定。

另外，静态特性评价结果sg8以及动态特性评价结果sg9是表示应用对象100的kpi的指标，例如是直接或者间接地表示效率、环境性能、运转率等运用性能的指标。也可以对作为计测对象的每个时间点、期间求出这些指标，且在各时间点、期间的指标分别设定多个指标。

此外，图2的学习单元400给予的操作条件sg7确定了图3所例示的负荷的增加、减少阶段即负荷模式，或者确定了该情况下的各种过程量、操作量。这些操作条件sg7通过之后的学习而收敛为适当的操作条件sg7，其结果是，将最初给予的作为操作条件sg7的负载模式设为学习后的其他负载模式。本发明的实施例所涉及的kpi改善辅助系统200能够追求用于优化kpi的运转方式。

如上所述，本发明的kpi改善辅助系统200例如提出了如下方案：作为在图3的启动前的阶段中达到额定负荷为止的负荷模式，给予由实线所示的操作条件sg7的初始值(各阶段的负荷的大小、持续时间、变化幅度或变化率等)，预测按照操作条件运转时的运转状态且评价静态特性以及动态特性，作为根据从双方的观点出发进行了评价所得的最佳评价值而制作出的新的负载模式，通过虚线所示的操作条件sg13来控制应用对象100。

另外，kpi改善辅助系统200中的基于上述预测的控制也可以在启动前作为预测负荷模式而决定操作条件sg13，以后也能够按照操作条件sg13进行运转，或者也能够在启动过程中进行到下一阶段或再下一阶段为止的预测，作为逐次预测负荷模式而一边决定操作条件sg13一边进行运转。

接着，通过图4(a)、图4(b)、图4(c)，对静态特性评价单元300和学习单元400的动作进行说明。

图4(a)、图4(b)是对静态特性评价单元300的实施例进行说明的图。静态特性评价单元300由图4(a)所示那样的神经网络模型构建，例如针对空气流量设定值等操作量的输入，输出评价效率、环境负荷物质等运用性的指标。

图4(b)是表示神经网络模型的输入与输出的关系的图，能够根据神经网络模型对作为输入的运转数据进行插补，求出评价针对任意的操作条件的运用性的指标的值。在本实施例中，将评价运用性的指标假定为燃料的消耗量、环境负荷物质的排出量，处于该指标越低则kpi越高的关系。

图4(c)是使学习单元400动作的结果的实施例。在本实施例中，示出了学习当前的操作条件与操作条件的变化幅度的关系所得的结果。在图4(c)的例子中，在当前的操作量处于区域a时，使操作条件增加，在处于区域b时，使操作条件减少。通过这样改变操作条件，评价图4(b)的运用性的指标为极小值，能够提高kpi。

另外，在以上的说明中，通过图4(a)、图4(b)、图4(c)对静态特性评价单元300和学习单元400的动作进行了说明，但当然也能够同样地通过神经网络模型以外的技术来构建动态特性评价单元600。另外，本发明不是动态特性评价单元600的具体的构成方法所涉及的发明，因此，省略动态特性评价单元600的详细说明。

图5(a)、图5(b)是对保存在kpi改善辅助系统200所具有的数据库db中的数据的形态进行说明的图。

图5(a)是对保存在运转数据库db1中的数据的形态进行说明的图。

如图5(a)所示，按采样周期来保存由传感器测量出的项目a、b、c等的运转数据。运转数据的趋势图能够显示于图像显示装置940。

图5(b)是对保存在运转计划数据库db2中的数据的形态进行说明的图。如图5(b)所示，作为运转条件a、b、c，呈时间序列来保存成套设备所使用的材料、成套设备所生成的产品等的计划等。另外，保存在运转计划数据库db2中的、成套设备所使用的材料、成套设备所生成的产品等的计划数据是作为图3的负载恒定状态或者负载变化状态而反映了例如各阶段的负载的大小、持续时间、变化幅度或者变化率等的时间序列的数据。

此外，虽然未图示，但处理结果数据库db3中保存有图4(a)所示的神经网络模型的权重系数、为了获得图4(b)、图4(c)所示的结果所需的信息等。

图6是将图2的处理进一步分为静态特性侧和动态特性侧来进行具体表示的流程图。

根据图6的流程，在最初的处理步骤s200中，从运转数据数据库db1和运转计划数据库db2中提取kpi计算所需的各种数据sg5、sg6。这是为了以后的运算而从例如根据应用对象100的过去的运转经验而蓄积在数据库db中的数据中，提取参与图3所示的运转区间而获得的数据的数据。或者，是反映应用对象100当前的运转状态的在线信息。

这些数据在处理步骤s201s、s201d中被分配为静态特性侧数据和动态特性侧数据。极其简便地，所谓静态特性侧数据是在处于图3的静止状态的时刻t1、t2、t3得到的数据，所谓动态特性侧数据是在处于图3的动作状态的时间段t1、t2、t3中得到的数据。另外，在图6中，右侧的处理表示动态特性侧的处理(标注d进行记载)，左侧表示静态特性侧的处理(标注s进行记载)，中央部表示共同进行的处理。

接着，在处理步骤s202s、s202d中，设定关于静态特性模型和动态特性模型的操作条件sg7。如果是初始状态，则例如对于处于静止状态的时刻t1、t2、t3，例如设定作为此时的负载模式的时刻、负载的大小等，对于处于动作状态的期间t1、t2、t3，例如设定作为此时的负载模式的变化幅度或变化率、负载的大小等。另外，也可以根据需要设定其他因素。

在处理步骤s203s、s203d中，在所给予的数据以及操作条件下执行基于静态特性模型和动态特性模型的运算，进行静态特性评价和动态特性评价。该处理对应于图1的静态特性评价单元300和动态特性评价单元600。作为处理步骤s203s、s203d的处理结果，分别获得静态特性评价结果sg8和动态特性评价结果sg9，但它们可以都是1个或多个。例如，如果将效率、环境性能、运转率等多个运用性能考虑为kpi，则可以分别在静态特性评价和动态特性评价中，求出效率、环境性能、运转率等观点下的kpi。

在处理步骤s204中，对于在静态特性评价和动态特性评价的观点上计算出的多个kpi，例如通过数学式(3)将多个kpi捆绑为1个kpi，或者将重要的几个指标设为代表指标。该代表指标是考虑了静态特性评价和动态特性评价双方的指标。

在处理步骤s205中，生成达成代表指标的新的操作条件sg7，再次分别对处理步骤s202s、s202d进行条件设定，之后反复执行处理直到达成作为当初目的的kpi为止。在处理步骤s206中，在获得了应该满足的结果的情况下进行外部输出。另外，最终获得的结果例如是设定新的负载模式的结果，例如是对应该以图3的负载模式为虚线的方式进行示教的结果。虚线的负载模式对应于图1的操作信号sg13。

接着，通过图7(a)、图7(b)、图7(c)、图7(d)，对本发明的效果进行说明。

图7(a)、图7(b)是评价值计算单元500仅使用静态特性评价结果sg8来计算评价值sg10时的成套设备的操作结果例。图7(c)、图7(d)是表示由评价值计算单元500使用静态特性评价结果sg8和动态特性评价结果sg9双方来计算评价值10时的成套设备的操作结果例。

图7(a)是表示kpi(纵轴)的时间推移(横轴)的图，表示在静态的状态(kpi为恒定的状态)下评价kpi而反映到之后的动作中。在该例子中，在最初的静态的状态下将操作条件从sp10变更为sp11，在下一静态的状态下将操作条件从sp11变更为sp20。作为其结果，kpi每当向下一静态的状态转移时，首先表示降低趋势，然后增加而向稳定状态推移。

图7(b)表示例如启动时的前后的操作条件间的关系，每当将操作条件从作为状态a(100％负载)的最佳点的sp10向作为状态b(80％负载)的最佳点的sp20转移时，考虑运转上的限制等而设定中间点，作为其操作条件，选择并经由sp11。

如该事例所示，在仅使用静态特性评价结果sg8来计算了评价值sg10的情况下，通过根据使kpi改善辅助系统200进行动作的结果来变更操作条件，改善kpi。如图7(b)所示，通过1次操作能够变更的操作条件幅度存在限制、制约，因此，多次变更操作条件来改善kpi。

另外，通过反复进行操作来改善kpi，但在变更了操作条件的时刻，kpi暂时恶化。这是因为，随着应用对象的过程值过渡性地变动，kpi也发生变动。

与之相对地，在使用静态特性评价结果sg8和动态特性评价结果sg9双方来计算评价值10时，如下所述。

图7(c)是表示kpi(纵轴)的时间推移(横轴)的图，表示在动态的状态(kpi为恒定的状态)下评价kpi而反映到之后的动作中。在该例子中，在最初的状态下将操作条件从sp10变更为sp12，在下一状态下将操作条件从sp12变更为sp20。作为其结果，每当kpi向下一状态转移时，首先表示降低趋势，之后增加而向稳定状态推移，但图7(a)所示那样的大幅的降低倾向得以减轻。

图7(d)表示例如启动时的前后的操作条件间的关系，每当将操作条件从作为状态a(100％负载)的最佳点的sp10向作为状态b(80％负载)的最佳点的sp20转移时，考虑到运转上的限制等而设定中间点，作为其操作条件，选择并经由sp12。经由sp12的该操作路线是动态特性优异的操作路线。

根据这些比较，如图7(c)所示，在使用静态特性评价结果sg8和动态特性评价结果sg9双方来计算评价值sg10的情况下，通过根据使kpi改善辅助系统200进行动作的结果来变更操作条件，从而与图7(a)同样地改善kpi。最终kpi的值在图7(a)和图7(c)中相同，但过渡的kpi的恶化在图7(c)中较小，在进行时间积分时总体上与图7(a)相比，图7(c)更优异。这是因为，在图7(c)中也使用动态特性评价结果sg9来计算评价值sg10，因此，以抑制过渡的kpi下降的方式决定操作条件。

这样，通过使用本发明的kpi改善辅助系统200，能够以抑制过渡的kpi下降的方式决定操作条件，能够实现时间积分的总体上的优化。

实施例2

在实施例1中对本发明所涉及的kpi改善辅助系统以及kpi改善辅助方法的基本概念进行了说明，因此，在实施例2中对应用对象是煤炭火力成套设备的情况进行说明。

图8是表示作为应用对象100的实施例的煤炭火力成套设备的结构的概略图。首先，简单地对由煤炭火力成套设备实施发电的构造进行说明。

在图8中，在构成作为应用对象100的煤炭火力成套设备的锅炉101中，设置有供给由轧机134将煤炭细微粉碎后的燃料即煤粉、和煤粉输送用的1次空气及燃烧调整用的2次空气的多个燃烧器102，使通过该燃烧器102供给的煤粉在锅炉101的内部燃烧。燃烧器102的结构如图所示，在锅炉101的前后配置有多级，各级配置有1列多个燃烧器。通过图8所示的燃烧器结构、配置，在锅炉101的内部，使煤粉从锅炉的前表面(以下，表述为罐前)和背面(以后，表述为罐后)燃烧。通过改善罐前后的燃烧器燃烧平衡来提高锅炉的热回收效果，成套设备的热效率也得以改善。

此外，煤粉和1次空气从配管139引导至燃烧器102，2次空气从配管141引导至燃烧器102。1次空气从风扇120引导至配管130，在中途分支为通过设置于锅炉101的下游侧的空气加热器104的配管132、和不通过空气加热器104而旁通的配管131，但成为配设于空气加热器104的下游侧的配管133而再次合流，被引导至设置于燃烧器102的上游侧的制造粉煤的轧机134。通过空气加热器104的1次空气通过与在锅炉101中流下的燃烧气体进行热交换而被加热。绕过空气加热器104的1次空气与该被加热的1次空气一起向燃烧器102输送在轧机134中粉碎的煤粉。

轧机134配置成与各燃烧器级对应(图8中为4台)，向构成各级的燃烧器供给煤粉和1次空气。即，在发电输出下降时等降低煤炭供给量的情况下，能够停止轧机并按燃烧器级进行燃烧器休止。在轧机134中，考虑到锅炉101的燃烧性，调整轧机的转速，以便与使用的煤炭的性质对应地获得希望的粒度的煤粉。此外，存储于煤炭料仓136的煤炭经由煤炭传送带137引导向供煤机135，通过供煤机135来调整供给量。之后，经由煤炭传送带138供给到轧机134。

此外，在锅炉101设置有将2级燃烧用的空气投入到锅炉101的后空气口103。2级燃烧用的空气从配管142引导向后空气口103。在图8所示的锅炉101中，使用风扇121而从配管140投入的空气在空气加热器104中同样地加热后，分支给2次空气用的配管141和后空气口用的配管142，分别引导向锅炉101的燃烧器102和后空气口103。该供给向燃烧器102以及后空气口103的空气流量能够通过设置于各配管141以及142的空气阻尼器(未图示)的操作来调整。

通过在锅炉101的内部燃烧煤粉而产生的高温的燃烧气体沿着锅炉101内部的路径向下游侧流下，通过配置于锅炉101内部的热交换器106与供水进行热交换而产生蒸汽之后，成为废气而流入设置于锅炉101的下游侧的空气加热器104，通过该空气加热器104进行热交换而对供给向锅炉101的空气进行升温。

然后，通过该空气加热器104的废气实施了未图示的废气处理之后，从烟囱排出至空气中。

在锅炉101的热交换器106中循环的供水经由供水泵105供给向热交换器106，在热交换器106中通过在锅炉101中流下的燃烧气体而过热，成为高温高压的蒸汽。此外，在本实施例中，虽然将热交换器的个数设为一个，但也可以配置多个热交换器。

热交换器106所产生的高温高压的蒸汽经由涡轮调速器107引导至蒸汽涡轮108，通过蒸汽具有的能量来驱动蒸汽涡轮108而由发电机109进行发电。

在作为上述的实施例2的应用对象100的煤炭火力成套设备中，配置有对表示其运转状态的状态量进行检测的各种测量器。

从配置于所述应用对象100的测量器中取得的煤炭火力成套设备的测量信号如图1所示保存在运转数据数据库db1中。

作为测量器，例如如图8所示，存在对从热交换器106供给向蒸汽涡轮108的高温高压的蒸汽的温度进行测量的温度测量器151、对蒸汽的压力进行测量的压力测量器152、以及对由发电机109发出的电力量进行测量的发电输出测量器153。

通过蒸汽涡轮108的冷凝器(未图示)对蒸汽进行冷却而产生的供水，通过供水泵105供给向锅炉101的热交换器106，但该供水的流量由流量测量器150测量。

与从锅炉101排出的燃烧气体即废气所包含的成分(氮氧化物(nox)、一氧化碳(co)及硫化氢(h2s)等)的浓度相关的状态量的测量信号由设置于锅炉101下游侧的浓度测量器154来测量。

此外，作为与供煤系统相关的测量器，存在对通过配管133供给向轧机134的1次空气的流量进行测量的1次空气流量计155、对从供煤机135通过煤炭传送带138供给向轧机134的煤炭的供煤量进行测量的供煤量计156、以及对轧机134的转速进行测量的转速计157，成为能够对各轧机和供煤机测量上述信息的结构。

即，在本发明的运转数据数据库db1中包含：由上述各测量器测量出的作为应用对象100的煤炭火力成套设备的状态量即供给到锅炉101的煤炭流量、轧机134的转速、供给到锅炉101的1次以及2次空气流量、供给到锅炉101的热交换器106的供水流量、由锅炉101的热交换器106产生而供给到蒸汽涡轮108的蒸汽温度、供给到锅炉101的热交换器106的供水的供水压力、从锅炉101排出的废气的气体温度、所述废气的气体浓度、以及使从锅炉101排出的废气的一部分在锅炉101再循环的废气再循环流量等。

此外，一般情况下，除了图8图示的以外，煤炭火力应用对象100还设置有多个测量器，但这里省略图示。

在将kpi改善辅助系统200应用于火力发电成套设备的情况下，作为具体的kpi，可以考虑以下的kpi。它们例如是火力发电成套设备所消耗的煤炭流量、从火力发电成套设备排出的灰中未燃部分、一氧化碳、氮氧化物、硫化氧化物、汞、氟、煤尘或雾构成的微粒类、挥发性有机化合物中的任一种的状态量，降低这些值关系到kpi改善。

图9(a)、图9(b)、图9(c)是对图1的过渡特性评价单元610的动作进行说明的图。在过渡特性评价机构610中，对作为操作条件的空气流量的变化幅度、变化率、煤炭流量、灰中未燃部分、一氧化碳、氮氧化物、硫化氧化物、汞、氟、由煤尘或雾构成的微粒类、挥发性有机化合物中的任一种的状态量的动态变化的关系进行评价。

如图9(a)所示，在过渡特性评价单元610中保存有操作条件变更幅度与过程值的过冲幅度的关系。根据过去的成套设备的操作结果、与使用了模拟成套设备的特性的模型的模拟的结果来制作该关系。

当过冲幅度大时，则成为kpi下降的主要原因，因此，评价值下降。结果，在学习单元400中能够学习过冲较小的操作。

图9(b)是评价值计算单元500仅使用静态特性评价结果sg8来计算评价值sg10时的成套设备的操作结果例。此外，图9(c)是评价值计算单元500使用静态特性评价结果sg8和动态特性评价结果sg9双方来计算评价值sg10时的成套设备的操作结果例。

如图9(b)所示，在仅使用静态特性评价结果sg8来计算评价值sg10的情况下，通过根据使kpi改善辅助系统200动作的结果来变更操作条件而改善kpi。通过反复进行操作，co浓度降低，但在变更了操作条件的时刻co浓度暂时上升。

如图9(c)所示，在使用静态特性评价结果sg8和动态特性评价结果sg9双方来计算评价值sg10的情况下，通过根据使kpi改善辅助系统200动作的结果来变更操作条件，而与图9(b)同样地改善co浓度。最终的co浓度的值在图9(b)和图9(c)中相同，但过渡的co浓度的上升在图9(c)中较小，在进行时间积分时总体上与图9(b)相比，图9(c)更优异。这是因为，在图9(c)中，也使用动态特性评价结果sg9来计算评价值sg10，因此，以抑制过渡的kpi下降、即co浓度的上升的方式决定操作条件。

图10(a)、图10(b)是对运转计划协同评价单元620的动作进行说明的图。

图10(a)是对运转计划协同单元620所使用的运转计划数据sg6的内容进行说明的图。在发电成套设备中，匹配电力的需求来调整负载，当负载条件改变时，变更供给到成套设备的煤炭的流量。伴随该变更，火炉内的燃烧状态也变化，最佳的操作条件也变化。运转计划数据sg6中包含时间与负载的计划的关系。

图10(b)是对使用使运转计划协同评价单元620动作的评价值而使学习单元400动作的结果进行说明的图。在80％负载的运转时间短的情况下，与为了到达最佳点而多次变更操作条件而花费时间相比，即使在准最佳的条件下也较早到达时，总体上kpi变高。

通过使用本发明的运转计划协同单元620，能够发现总体上良好的操作方法。此外，也可以构成为将多个操作路线显示于图像显示装置940，能够选择操作路线。

实施例3

在实施例1、2中对将本发明的kpi改善辅助装置应用于成套设备的情况进行了叙述，但应用对象并不限定于成套设备。

例如，在运用具有热循环的设备时，要求尽可能降低对环境的负荷，削减燃料使用量。在车辆中，存在兼顾降低废气所包含的环境负荷物质、提高燃料效率的课题。对于这样的课题，通过决定使用了本发明的kpi改善辅助系统的操作量，能够改善环境负荷物质、燃料效率等的kpi。

产业上的实用性

本发明能够作为各种机器的kpi改善辅助系统而广泛利用。

附图标记说明

sg1：外部输入信号、sg2：运转数据、sg3：运转数据、sg4：运转计划数据、sg5：运转数据、sg6：运转计划数据、sg7：操作条件、sg8：静态特性评价结果、sg9：动态特性评价结果、sg10：评价值、sg11：处理结果、sg12：处理结果、sg13：操作条件信号、sg14：操作条件信号、sg70：测量信号、sg80：操作信号、100：应用对象、180：控制装置、190：机器、200：kpi改善辅助系统、210：外部输入接口、220：外部输出接口、db1：运转数据db、db2：运转计划db、db3：处理结果db、300：静态特性评价单元、400：学习单元、500：评价值计算单元、600：动态特性评价单元、610：过渡特性评价单元、620：运转计划协同评价单元、700：操作条件信号生成单元、900：外部装置、910：外部输入装置、920：键盘、930：鼠标、940：图像显示装置。