JP7359178B2 - 制御装置、制御方法、および、制御プログラム - Google Patents

Description

本発明は、制御装置、制御方法、および、制御プログラムに関する。

特許文献１には、「ロボットの各関節を駆動するモータに掛かる外乱に対する該ロボットの教示位置の補正量を機械学習し、機械学習した結果に基づいて、ロボットが教示位置へと移動する際に外乱を抑えるように教示位置を補正しながら制御する」と記載されている。
［先行技術文献］
［特許文献］
［特許文献１］ 特開２０１８－２０２５６４号公報

（項目１）
本発明の第１の態様においては、制御装置を提供する。制御装置は、制御対象が設けられた設備の状態に応じて制御対象の操作量を出力するように機械学習された制御モデルにより制御対象を制御する制御部を備えてよい。制御装置は、設備の将来の状態を予測する予測部を備えてよい。制御装置は、予測結果に基づいて、操作量を調整する調整部を備えてよい。制御装置は、調整された操作量を制御対象へ出力する出力部を備えてよい。

（項目２）
予測部は、設備における将来の健全度を予測してよい。調整部は、健全度に応じて操作量を調整してよい。

（項目３）
健全度は、設備における配管の残存肉厚を含んでよい。

（項目４）
予測部は、設備における将来の保守コストを予測してよい。調整部は、保守コストに応じて操作量を調整してよい。

（項目５）
保守コストは、設備の劣化を抑制する抑制剤の添加に係るコストを含んでよい。

（項目６）
制御装置は、制御モデルを機械学習により生成する学習部を更に備えてよい。

（項目７）
学習部は、設備の状態を示す状態データの入力に応じて、予め定められた報酬関数により定まる報酬値が高くなる操作量ほど推奨する操作量として出力されるように強化学習することにより、制御モデルを生成してよい。

（項目８）
学習部は、操作量が調整された履歴に基づいて、機械学習における制約条件を更に学習してよい。

（項目９）
制約条件は、操作量の上限値および下限値の少なくともいずれかを含んでよい。

（項目１０）
制御装置は、設備における生産計画を取得する計画取得部を更に備えてよい。調整部は、予測結果および生産計画に基づいて、操作量を調整してよい。

（項目１１）
本発明の第２の態様においては、制御方法を提供する。制御方法は、制御対象が設けられた設備の状態に応じて制御対象の操作量を出力するように機械学習された制御モデルにより制御対象を制御することを備えてよい。制御方法は、設備の将来の状態を予測することを備えてよい。制御方法は、予測結果に基づいて、操作量を調整することを備えてよい。制御方法は、調整された操作量を制御対象へ出力することを備えてよい。

（項目１２）
本発明の第３の態様においては、制御プログラムを提供する。制御プログラムは、コンピュータにより実行されてよい。制御プログラムは、コンピュータを、制御対象が設けられた設備の状態に応じて制御対象の操作量を出力するように機械学習された制御モデルにより制御対象を制御する制御部として機能させてよい。制御プログラムは、コンピュータを、設備の将来の状態を予測する予測部として機能させてよい。制御プログラムは、コンピュータを、予測結果に基づいて、操作量を調整する調整部として機能させてよい。制御プログラムは、コンピュータを、調整された操作量を制御対象へ出力する出力部として機能させてよい。

なお、上記の発明の概要は、本発明の特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。

本実施形態に係る制御装置１００のブロック図の一例を、制御対象２０が設けられた設備１０と共に示す。 本実施形態に係る制御装置１００が、機械学習により制御モデル１３５を生成するフローの一例を示す。 本実施形態に係る制御装置１００が、操作量を調整するフローの一例を示す。 本実施形態の第一の変形例に係る制御装置１００のブロック図の一例を、制御対象２０が設けられた設備１０と共に示す。 本実施形態の第二の変形例に係る制御装置１００のブロック図の一例を、制御対象２０が設けられた設備１０と共に示す。 本実施形態の第二の変形例に係る制御装置１００が、制御量を調整するフローの一例を示す。 本発明の複数の態様が全体的または部分的に具現化されてよいコンピュータ９９００の例を示す。

以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

図１は、本実施形態に係る制御装置１００のブロック図の一例を、制御対象２０が設けられた設備１０と共に示す。本実施形態に係る制御装置１００は、機械学習により生成された学習モデルにより制御対象２０を制御（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ：ＡＩ制御ともいう。）するにあたって、制御対象２０が設けられた設備１０の将来の状態を予測する。そして、本実施形態に係る制御装置１００は、予測結果に基づいて、学習モデルが出力する操作量を調整する。

設備１０は、制御対象２０が備え付けられた施設や装置等である。例えば、設備１０は、プラントであってもよいし、複数の機器を複合させた複合装置であってもよい。プラントとしては、化学やバイオ等の工業プラントの他、ガス田や油田等の井戸元やその周辺を管理制御するプラント、水力・火力・原子力等の発電を管理制御するプラント、太陽光や風力等の環境発電を管理制御するプラント、上下水やダム等を管理制御するプラント等が挙げられる。

設備１０には、制御対象２０が設けられている。本図においては、設備１０に１つの制御対象２０のみが設けられている場合を一例として示しているが、これに限定されるものではない。設備１０には、複数の制御対象２０が設けられていてよい。

また、設備１０には、設備１０の内外における様々な状態（物理量）を測定する１または複数のセンサ（図示せず）が設けられていてよい。このようなセンサは、例えば、運転データ、消費量データ、および、外部環境データ等を測定する。

ここで、運転データは、制御対象２０を制御した結果の運転状態を示す。例えば、運転データは、制御対象２０について測定された測定値ＰＶ（Ｐｒｏｃｅｓｓ Ｖａｒｉａｂｌｅ）を示してよく、一例として、制御対象２０の出力（制御量）を示してもよいし、制御対象２０の出力によって変化する様々な値を示してもよい。

消費量データは、設備１０におけるエネルギーまたは原材料の少なくともいずれかの消費量を示す。例えば、消費量データは、エネルギー消費量として、電力や燃料（一例として、ＬＰＧ：Ｌｉｑｕｅｆｉｅｄ Ｐｅｔｒｏｌｅｕｍ Ｇａｓ）の消費量を示してよい。

外部環境データは、制御対象２０の制御に対して外乱として作用し得る物理量を示す。例えば、外部環境データは、設備１０の外気の温度や湿度、日照、風向き、風量、降水量、および、設備１０に設けられた他の機器の制御に伴い変化する様々な物理量等を示してよい。

制御対象２０は、制御の対象となる機器および装置等である。例えば、制御対象２０は、設備１０のプロセスにおける圧力、温度、ｐＨ、速度、または、流量等の少なくとも１つの物理量を制御するバルブ、ポンプ、ヒータ、ファン、モータ、および、スイッチ等のアクチュエータであってよく、与えられた操作量ＭＶ（Ｍａｎｉｐｕｌａｔｅｄ Ｖａｒｉａｂｌｅ）を入力して制御量を出力する。

本実施形態に係る制御装置１００は、制御対象２０をＡＩ制御するにあたって、制御対象２０が設けられた設備１０の将来の状態を予測する。そして、本実施形態に係る制御装置１００は、予測結果に基づいて、学習モデルが出力する操作量を調整する。

制御装置１００は、ＰＣ（パーソナルコンピュータ）、タブレット型コンピュータ、スマートフォン、ワークステーション、サーバコンピュータ、または汎用コンピュータ等のコンピュータであってよく、複数のコンピュータが接続されたコンピュータシステムであってもよい。このようなコンピュータシステムもまた広義のコンピュータである。また、制御装置１００は、コンピュータ内で１または複数実行可能な仮想コンピュータ環境によって実装されてもよい。これに代えて、制御装置１００は、ＡＩ制御用に設計された専用コンピュータであってもよく、専用回路によって実現された専用ハードウェアであってもよい。また、制御装置１００がインターネットに接続可能な場合、制御装置１００は、クラウドコンピューティングにより実現されてもよい。

制御装置１００は、状態データ取得部１１０と、操作量データ取得部１２０と、学習部１３０と、制御モデル１３５と、制御部１４０と、予測部１５０と、調整部１６０と、出力部１７０とを備える。なお、これらブロックは、それぞれ機能的に分離された機能ブロックであって、実際のデバイス構成とは必ずしも一致していなくてもよい。すなわち、本図において、１つのブロックとして示されているからといって、それが必ずしも１つのデバイスにより構成されていなくてもよい。また、本図において、別々のブロックとして示されているからといって、それらが必ずしも別々のデバイスにより構成されていなくてもよい。

状態データ取得部１１０は、制御対象２０が設けられた設備１０の状態を示す状態データを取得する。例えば、状態データ取得部１１０は、設備１０に設けられたセンサが測定した運転データ、消費量データ、および、外部環境データ等を状態データとして、ネットワークを介してセンサから取得する。しかしながら、これに限定されるものではない。状態データ取得部１１０は、このような状態データをオペレータから取得してもよいし、各種メモリデバイス等から取得してもよい。状態データ取得部１１０は、取得した状態データを学習部１３０、制御モデル１３５、および、予測部１５０へ供給する。

操作量データ取得部１２０は、制御対象２０の操作量を示す操作量データを取得する。例えば、操作量データ取得部１２０は、制御対象２０をＡＩ制御するにあたって制御モデル１３５が出力する操作量ＭＶ（ＡＩ）を示すデータを、操作量データとして制御部１４０から取得する。しかしながら、これに限定されるものではない。操作量データ取得部１２０は、このような操作量データをオペレータから取得してもよいし、各種メモリデバイスから取得してもよい。操作量データ取得部１２０は、取得した操作量データを学習部１３０、および、調整部１６０へ供給する。

なお、本図においては、操作量データ取得部１２０が、制御モデル１３５が出力する操作量ＭＶ（ＡＩ）を示すデータを操作量データとして取得する場合を一例として示した。しかしながら、これに限定されるものではない。学習フェーズにおいて、制御装置１００が他の制御器（図示せず）による制御対象２０の制御下におけるデータを学習データとして機械学習する場合には、操作量データ取得部１２０は、当該他の制御器から制御対象２０に与えられた操作量を示すデータを操作量データとして取得してもよい。一例として、制御対象２０が、他の制御器から与えられた操作量ＭＶ（ＦＢ：ＦｅｅｄＢａｃｋ）によるフィードバック制御と、制御モデル１３５から与えられた操作量ＭＶ（ＡＩ）によるＡＩ制御との間で切り換え可能な場合、操作量データ取得部１２０は、学習フェーズにおいて、当該他の制御器から制御対象２０に与えられた操作量ＭＶ（ＦＢ）を示すデータを操作量データとして取得してもよい。なお、このようなＦＢ制御は、例えば、比例制御（Ｐ制御）、積分制御（Ｉ制御）、または、微分制御（Ｄ制御）の少なくとも１つを用いた制御であってよく、一例として、ＰＩＤ制御であってよい。また、このような他の制御器は、本実施形態に係る制御装置１００の一部として一体に構成されていてもよいし、制御装置１００とは独立した別体として構成されていてもよい。

学習部１３０は、状態データおよび操作量データを用いて、設備１０の状態に応じた操作量を出力する制御モデル１３５を機械学習により生成する。例えば、学習部１３０は、状態データ取得部１１０から供給された状態データ、および、操作量データ取得部１２０から供給された操作量ＭＶ（ＡＩ）を示す操作量データを学習データとして強化学習することにより、設備１０の状態に応じた操作量ＭＶ（ＡＩ）を出力する制御モデル１３５を生成する。すなわち、学習部１３０は、状態データの入力に応じて、予め定められた報酬関数により定まる報酬値が高くなる操作量ほど推奨する操作量として出力されるように強化学習することにより、制御モデル１３５を生成する。これについて詳細は後述する。

制御モデル１３５は、学習部１３０が機械学習により生成した学習モデルであり、設備１０の状態に応じた操作量ＭＶ（ＡＩ）を出力する。例えば、制御モデル１３５は、状態データ取得部１１０から供給された状態データを入力して、設備１０の状態に応じて制御対象２０に与えるべき推奨する操作量ＭＶ（ＡＩ）を出力する。なお、本図においては、制御モデル１３５が制御装置１００に内蔵されている場合を一例として示したが、これに限定されるものではない。制御モデル１３５は、制御装置１００とは異なる装置（例えば、クラウドサーバ上）に格納されていてもよい。同様に、学習部１３０についても、制御装置１００とは異なる装置に備えられていてもよい。

制御部１４０は、制御モデル１３５が出力した操作量ＭＶ（ＡＩ）により制御対象２０を制御する。すなわち、制御部１４０は、制御対象２０が設けられた設備１０の状態に応じて制御対象２０の操作量を出力するように機械学習された制御モデル１３５により制御対象２０を制御する。制御部１４０は、制御モデル１３５が出力した操作量ＭＶ（ＡＩ）を操作量データ取得部１２０へ供給する。

予測部１５０は、設備１０の将来の状態を予測する。予測部１５０は、状態データ取得部１１０から供給された状態データに基づいて、設備１０における将来の状態を予測する。なお、ここでいう「予測する」とは、予測部１５０が主体となって設備１０における将来の状態を自ら予測することの他に、予測部１５０が他の装置に対して設備１０における将来の状態を予測させ、他の装置が予測した設備１０における将来の状態を他の装置から取得することをも含むものとする。予測部１５０は、設備１０の将来の状態を予測した予測結果を、調整部１６０へ供給する。

調整部１６０は、学習フェーズにおいては、操作量データ取得部１２０から供給された操作量ＭＶ（ＡＩ）をそのまま出力部１７０へ供給する。一方、調整部１６０は、運用フェーズにおいては、必要に応じて予測部１５０から供給された予測結果に基づいて、操作量ＭＶ（ＡＩ）を調整する。そして、調整部１６０は、調整された操作量ＭＶ（ＡＩ）＿ａｄｊを出力部１７０へ供給する。

出力部１７０は、調整部１６０から供給された操作量ＭＶを制御対象２０へ出力する。すなわち、出力部１７０は、学習フェーズにおいては、制御モデル１３５が出力したままの操作量ＭＶ（ＡＩ）を制御対象２０へ出力する。一方、出力部１７０は、運用フェーズにおいては、制御モデル１３５が出力したままの操作量ＭＶ（ＡＩ）、または、調整部１６０によって調整された操作量ＭＶ（ＡＩ）＿ａｄｊを制御対象２０へ出力する。これについて、フローを用いて詳細に説明する。

図２は、本実施形態に係る制御装置１００が、機械学習により制御モデル１３５を生成するフローの一例を示す。学習フェーズにおいて、制御装置１００は、状態データおよび操作量データを用いて、設備１０の状態に応じた操作量を出力する制御モデル１３５を機械学習により生成する。

ステップ２１０において、制御装置１００は、状態データを取得する。例えば、状態データ取得部１１０は、制御対象２０が設けられた設備１０の状態を示す状態データを取得する。一例として、状態データ取得部１１０は、設備１０に設けられたセンサが測定した運転データ、消費量データ、および、外部環境データ等を状態データとして、ネットワークを介してセンサから取得する。状態データ取得部１１０は、取得した状態データを学習部１３０、および、制御モデル１３５へ供給する。

ステップ２２０において、制御装置１００は、操作量データを取得する。例えば、操作量データ取得部１２０は、制御対象２０の操作量を示す操作量データを取得する。一例として、操作量データ取得部１２０は、制御対象２０をＡＩ制御するにあたって制御モデル１３５が出力する操作量ＭＶ（ＡＩ）を示すデータを、操作量データとして制御部１４０から取得する。操作量データ取得部１２０は、取得した操作量データを学習部１３０、および、調整部１６０へ供給する。これに応じて、調整部１６０は、操作量データ取得部１２０から供給された操作量ＭＶ（ＡＩ）をそのまま出力部１７０へ供給する。そして、出力部１７０は、調整部１６０から供給された操作量を制御対象２０へ出力する。すなわち、出力部１７０は、学習フェーズにおいては、制御モデル１３５が出力したままの操作量ＭＶ（ＡＩ）を制御対象２０へ出力する。なお、本図においては、制御装置１００が状態データを取得した後に操作量データを取得する場合を一例として示したが、これに限定されるものではない。制御装置１００は、操作量データを取得した後に状態データを取得してもよいし、状態データと操作量データとを同時に取得してもよい。

ステップ２３０において、制御装置１００は、制御モデル１３５を生成する。例えば、学習部１３０は、状態データおよび操作量データを用いて、設備１０の状態に応じた操作量を出力する制御モデル１３５を機械学習により生成する。一例として、学習部１３０は、ステップ２１０において取得された状態データ、および、ステップ２２０において取得された操作量ＭＶ（ＡＩ）を示す操作量データを学習データとして強化学習することにより、設備１０の状態に応じた操作量ＭＶ（ＡＩ）を出力する制御モデル１３５を生成する。

一般に、エージェントが、環境の状態を観測してある行動を選択すると、当該行動に基づいて環境が変化する。強化学習においては、このような環境の変化に伴って何らかの報酬が与えられることで、エージェントがより良い行動の選択（意思決定）を学習する。教師あり学習においては、完全な正解が与えられるのに対して、強化学習においては、環境の一部の変化に基づく断片的な値として報酬が与えられる。このため、エージェントは、将来にわたって報酬の合計が最大となるような行動を選択するように学習する。このように、強化学習において、エージェントは、行動を学習することにより行動が環境に与える相互作用を踏まえて適切な行動を学習、すなわち、将来的に得られる報酬を最大にするための行動を学習する。

本実施形態において、このような強化学習における報酬は、設備１０の運転を評価するための指標であってよく、予め定められた報酬関数により定まる値であってよい。ここで、関数とは、ある集合の各要素に他の集合の各要素を一対一で対応させる規則を持つ写像であり、例えば数式であってもよいし、テーブルであってもよい。

報酬関数は、状態データの入力に応じて、当該状態データによって示される設備１０の状態を評価した値（報酬値）を出力する。上述のとおり、例えば、状態データには、制御対象２０について測定された測定値ＰＶが含まれている。したがって、報酬関数は、このような測定値ＰＶが目標値ＳＶ（Ｓｅｔｔｉｎｇ Ｖａｒｉａｂｌｅ）に近いほど報酬値が高くなるような関数として定義されてよい。ここで、測定値ＰＶと目標値ＳＶとの差の絶対値を変数とする関数を、評価関数として定義することとする。すなわち、一例として、制御対象２０がバルブである場合、評価関数は、センサが実際に測定したバルブの開度である測定値ＰＶと、目標とするバルブの開度である目標値ＳＶとの差の絶対値を変数とする関数であってよい。そして、報酬関数は、このような評価関数によって得られる評価関数の値を変数とする関数であってよい。

また、上述のとおり、状態データには、測定値ＰＶに加えて、例えば、制御対象２０の出力によって変化する様々な値や、消費量データ、外部環境データ等が含まれている。したがって、報酬関数は、このような様々な値、消費量データ、および、外部環境データ等に基づいて報酬値を増減させるような関数であってよい。一例として、このような様々な値や消費量データに対して守らなければならない制約が設けられている場合、報酬関数は、外部環境データに照らして、このような様々な値や消費量データが制約条件を満たしていない場合に、報酬値を最小とするような関数であってよい。また、このような様々な値や消費量データに対して目指すべき目標が設けられている場合、報酬関数は、外部環境データに照らして、このような様々な値や消費量データが目標に近いほど報酬値を増加させ、目標に遠いほど報酬値を減少させるような関数であってよい。

学習部１３０は、このような報酬関数に基づいてそれぞれの学習データにおける報酬値を取得する。そして、学習部１３０は、学習データおよび報酬値の組をそれぞれ用いて強化学習する。この際、学習部１３０は、最急降下法やニューラルネットワーク、ＤＱＮ（Ｄｅｅｐ Ｑ－Ｎｅｔｗｏｒｋ）、ガウシアンプロセス、ディープラーニング等、公知の手法による学習処理を行ってよい。そして、学習部１３０は、報酬値が高くなる操作量ほど、推奨する操作量として優先的に出力されるように学習する。すなわち、学習部１３０は、状態データの入力に応じて、予め定められた報酬関数により定まる報酬値が高くなる操作量ほど推奨する操作量として出力されるように強化学習することにより、制御モデル１３５を生成する。これにより、モデルが更新され制御モデル１３５が生成される。

ステップ２４０において、制御装置１００は、機械学習を終了するか否か判定する。ステップ２４０において、学習を終了しないと判定されたい場合（Ｎｏの場合）、制御装置１００は、処理をステップ２１０に戻してフローを継続する。一方、ステップ２４０において、学習を終了すると判定された場合（Ｙｅｓの場合）、制御装置１００はフローを終了する。

図３は、本実施形態に係る制御装置１００が、操作量を調整するフローの一例を示す。運用フェーズにおいて、制御装置１００は、学習フェーズにおいて機械学習により生成された制御モデル１３５により制御対象２０をＡＩ制御するにあたって、制御対象２０が設けられた設備１０の将来の状態を予測する。そして、制御装置１００は、予測結果に基づいて、制御モデル１３５が出力する操作量を調整する。

ステップ３１０において、制御装置１００は、状態データを取得する。例えば、状態データ取得部１１０は、制御対象２０が設けられた設備１０の状態を示す状態データを取得する。一例として、状態データ取得部１１０は、設備１０に設けられたセンサが測定した運転データ、消費量データ、および、外部環境データ等を状態データとして、ネットワークを介してセンサから取得する。状態データ取得部１１０は、取得した状態データを制御モデル１３５、および、予測部１５０へ供給する。

ステップ３２０において、制御装置１００は、将来の状態を予測する。例えば、予測部１５０は、ステップ３１０において状態データ取得部１１０から供給された状態データに基づいて、設備１０の将来の状態を予測する。

一例として、石油精製で使用される常圧蒸留塔の上部配管は、宿命的に内側に腐食が発生し減肉が生じる。このような場合に、予測部１５０は、プロセスの状態と減肉進行の関係を示す予測モデルを有していてよい。なお、このような予測モデルは、例えば、常圧蒸留塔の上部配管に関連する複数地点で計測されるプロセスデータと定期的な肉厚測定結果を使用して、教師あり学習を実施することにより生成することができる。そして、予測部１５０は、回帰式を構築して将来における配管の減肉量を予測することができる。また、予測部１５０は、単位時間当たりの減肉量（減肉速度）から、配管の健全性が維持できる最小の肉厚に至るまでの時間（余寿命）を予測することができる。また、予測部１５０は、将来における配管の減肉量、および、余寿命の少なくともいずれかに基づいて、配管の腐食を抑制する抑制剤の添加コストを算出することができる。また、予測部１５０は、将来における配管の減肉量、および、余寿命の少なくともいずれかに基づいて、保守頻度を算出することができる。

このように、予測部１５０は、設備１０における将来の健全度を予測してよい。このような健全度は、設備１０における配管の残存肉厚を含んでいてよい。また、予測部１５０は、設備１０における将来の健全度から将来の保守コストを算出することで、設備１０における将来の保守コストを予測してよい。このような保守コストは、設備１０の劣化を抑制する抑制剤の添加に係るコストを含んでいてよい。予測部１５０は、このようにして予測した予測結果を調整部１６０へ供給する。

ステップ３３０において、制御装置１００は、操作量データを取得する。例えば、操作量データ取得部１２０は、制御対象２０の操作量を示す操作量データを取得する。一例として、操作量データ取得部１２０は、制御対象２０をＡＩ制御するにあたって制御モデル１３５が出力する操作量ＭＶ（ＡＩ）を示すデータを、操作量データとして制御部１４０から取得する。操作量データ取得部１２０は、取得した操作量データを調整部１６０へ供給する。

ステップ３４０において、制御装置１００は、操作量ＭＶ（ＡＩ）を調整する。例えば、調整部１６０は、ステップ３２０において予測部１５０から供給された予測結果に基づいて、ステップ３３０において操作量データ取得部１２０から供給された操作量ＭＶ（ＡＩ）を調整する。

一例として、調整部１６０は、予測部１５０から予測結果として、設備１０における将来の健全度を取得したとする。この場合、調整部１６０は、操作量ＭＶ（ＡＩ）と将来の健全度との関係から、設備１０における将来の健全度を悪化させる運転条件を特定する。

一例として、配管を流れる流体の温度が閾値以上となるような操作量ＭＶ（ＡＩ）に対して、将来における配管の減肉が進行する予測結果が得られていたとする。また、配管を流れる流体の温度が閾値未満となるような操作量ＭＶ（ＡＩ）に対して将来における配管の減肉が抑制される予測結果が得られていたとする。このような場合、調整部１６０は、減肉が生じる主要因が、配管を流れる流体の温度が閾値以上となることにあると特定することができる。なおこれは、流体の温度が閾値以上となると、腐食を進行させる原因物質が生成されてしまう場合などに起こり得る。このような場合に、調整部１６０は、流体の温度が閾値以上とならないように、操作量ＭＶ（ＡＩ）をＭＶ（ＡＩ）＿ａｄｊに調整する。

同様に、配管を流れる流体の速度が閾値以上となるような操作量ＭＶ（ＡＩ）に対して、余寿命が短くなる予測結果が得られていたとする。また、配管を流れる流体の速度が閾値未満となるような操作量ＭＶ（ＡＩ）に対して余寿命が長くなる予測結果が得られていたとする。このような場合、調整部１６０は、余寿命が短くなる主要因が、配管を流れる流体の速度が閾値以上となることにあると特定することができる。なおこれは、流体の速度が閾値以上となると、流れ加速型腐食（ＦＡＣ：Ｆｌｏｗ Ａｃｃｅｌｅｒａｔｅｄ Ｃｏｒｒｏｓｉｏｎ）や液滴衝撃エロージョン（ＬＤＩ：Ｌｉｑｕｉｄ Ｄｒｏｐｌｅｔ Ｉｍｐｉｎｇｅｍｅｎｔ Ｅｒｏｓｉｏｎ）による影響が顕著となってしまう場合などに起こり得る。このような場合に、調整部１６０は、流体の速度が閾値以上とならないように、操作量ＭＶ（ＡＩ）をＭＶ（ＡＩ）＿ａｄｊに調整する。調整部１６０は、例えばこのようにして、設備１０における将来の健全度に応じて操作量ＭＶ（ＡＩ）を調整してよい。

また、調整部１６０は、予測部１５０から予測結果として、設備１０における将来の保守コストを取得したとする。この場合、調整部１６０は、操作量ＭＶ（ＡＩ）と将来の保守コストとの関係から、設備１０における将来の保守コストを増加させる運転条件を特定する。

一例として、配管を流れる流体の温度が閾値以上となるような操作量ＭＶ（ＡＩ）に対して、将来における腐食抑制剤の添加コストが増加する予測結果が得られていたとする。また、配管を流れる流体の温度が閾値未満となるような操作量ＭＶ（ＡＩ）に対して将来における腐食抑制剤の添加コストが低下する予測結果が得られていたとする。このような場合、調整部１６０は、腐食抑制剤の添加コストが増加する要因が、配管を流れる流体の温度が閾値以上となることにあると特定することができる。このような場合に、調整部１６０は、流体の温度が閾値以上とならないように、操作量ＭＶ（ＡＩ）をＭＶ（ＡＩ）＿ａｄｊに調整する。

同様に、配管を流れる流体の速度が閾値以上となるような操作量ＭＶ（ＡＩ）に対して、将来における保守頻度が増加する予測結果（保守コストの増加になり得る予測結果）が得られていたとする。また、配管を流れる流体の速度が閾値未満となるような操作量ＭＶ（ＡＩ）に対して将来における保守頻度が低下する予測結果（保守コストの減少になり得る予測結果）が得られていたとする。このような場合、調整部１６０は、保守コストが増加する要因が、配管を流れる流体の速度が閾値以上となることにあると特定することができる。このような場合に、調整部１６０は、流体の速度が閾値以上とならないように、操作量ＭＶ（ＡＩ）をＭＶ（ＡＩ）＿ａｄｊに調整する。調整部１６０は、例えばこのようにして、設備１０における将来の保守コストに応じて操作量ＭＶ（ＡＩ）を調整してよい。調整部１６０は、調整した操作量ＭＶ（ＡＩ）＿ａｄｊを出力部１７０へ供給する。

ステップ３５０において、制御装置１００は、調整された操作量ＭＶ（ＡＩ）＿ａｄｊを出力する。例えば、出力部１７０は、ステップ３４０において調整部１６０によって調整された操作量ＭＶ（ＡＩ）＿ａｄｊを制御対象２０へ出力する。これにより、制御装置１００は、予測結果に基づいて調整された操作量ＭＶ（ＡＩ）により制御対象２０を制御する。

一般に、機械学習では、入力データを使用して学習モデルのパラメータを決定するが、これは確率的に求められたものであり、理論的に保障されているものではない。そのため、学習モデルから異常な推論データが出力される可能性がある。そこで、本実施形態に係る制御装置１００は、制御対象２０をＡＩ制御するにあたって、制御対象２０が設けられた設備１０の将来の状態を予測する。そして、制御装置１００は、予測結果に基づいて、制御モデル１３５が出力する操作量を調整する。これにより、本実施形態に係る制御装置１００によれば、ＡＩ制御に伴い設備１０における将来の状態に悪い影響を与え得ることが予測された場合に、ＡＩ制御の操作量ＭＶ（ＡＩ）を調整し、調整後の操作量ＭＶ（ＡＩ）＿ａｄｊにより制御対象２０を制御することができる。ここで、制御モデル１３５を機械学習により生成する時点で、設備１０における将来の予測結果をも考慮して（例えば、報酬関数に含める等して）、制御モデル１３５が推奨される操作量ＭＶ（ＡＩ）を出力するように機械学習することも考えられる。しかしながら、本実施形態に係る制御装置１００では、設備１０における将来の予測結果を考慮した調整を、制御モデル１３５を生成するための機械学習には組み込まず、制御モデル１３５が出力する操作量ＭＶ（ＡＩ）を事後的に調整している。これにより、本実施形態に係る制御装置１００によれば、制御モデル１３５を生成するための機械学習をより簡略化することができるとともに、既に構築されている制御モデル１３５に対しても、その出力を調整することができる。また、本実施形態に係る制御装置１００によれば、操作量ＭＶ（ＡＩ）がどのように調整されたのかを機械学習の中でブラックボックス化させることなく、見える化させることが可能となる。

また、本実施形態に係る制御装置１００は、設備１０における将来の健全性（例えば、配管の残存肉厚）を予測し、健全度に応じて操作量を調整する。これにより、本実施形態に係る制御装置１００によれば、例えば、腐食が進行しやすい運転条件を回避して制御対象２０を制御するなどして、設備１０における健全度の悪化を抑制することができる。

また、本実施形態に係る制御装置１００は、設備１０における将来の保守コスト（例えば、抑制剤の添加コスト）を予測し、保守コストに応じて操作量を調整する。これにより、本実施形態に係る制御装置１００によれば、例えば、抑制剤の添加コストが増加しやすい運転条件を回避して制御対象２０を制御するなどして、設備１０における保守コストの増加を抑制することができる。

図４は、本実施形態の第一の変形例に係る制御装置１００のブロック図の一例を、制御対象２０が設けられた設備１０と共に示す。図４においては、図１と同じ機能および構成を有する部材に対して同じ符号を付すとともに、以下相違点を除き説明を省略する。第一の変形例に係る制御装置１００においては、操作量ＭＶ（ＡＩ）が調整された履歴に基づいて、機械学習における制約条件を学習する。第一の変形例に係る制御装置１００は、調整履歴取得部４１０を更に備える。

調整履歴取得部４１０は、操作量ＭＶ（ＡＩ）の調整履歴を調整部１６０から取得する。例えば、調整履歴取得部４１０は、制御モデル１３５が出力した操作量ＭＶ（ＡＩ）と、調整部１６０により調整された操作量ＭＶ（ＡＩ）＿ａｄｊとを示す情報を、操作量ＭＶ（ＡＩ）の調整履歴として取得する。そして、調整履歴取得部４１０は、取得した調整履歴を学習部１３０へ供給する。これに応じて、学習部１３０は、操作量が調整された履歴に基づいて、機械学習における制約条件を更に学習する。

一例として、操作量ＭＶ（ＡＩ）＝１１３が操作量ＭＶ（ＡＩ）＿ａｄｊ＝１００に調整された場合、学習部１３０は、制御モデル１３５から調整前の操作量ＭＶ（ＡＩ）＝１１３が出力されることを禁止するよう制約条件を学習する。同様に、操作量ＭＶ（ＡＩ）＝４７が操作量ＭＶ（ＡＩ）＿ａｄｊ＝５０に調整された場合、学習部１３０は、制御モデル１３５から調整前の操作量ＭＶ（ＡＩ）＝４７が出力されることを禁止するよう制約条件を学習する。このように、操作量ＭＶ（ＡＩ）が調整部１６０によって操作量ＭＶ（ＡＩ）＿ａｄｊに調整された場合に、学習部１３０は、制御モデル１３５から出力を禁止する操作量ＭＶ（ＡＩ）を制約条件として学習する。また、このように操作量ＭＶ（ＡＩ）の禁止する値を蓄積することによって、学習部１３０は、操作量ＭＶ（ＡＩ）の上限値が１００であり、下限値が５０であるとする制約条件を学習する。このように、学習部１３０が学習する制約条件は、制御モデル１３５から出力することを許可する操作量ＭＶ（ＡＩ）の上限値および下限値の少なくともいずれかを含んでよい。そして、学習部１３０は、このように学習した制約条件の下で学習フェーズにおいて再学習することにより、状態データおよび操作量データを用いて、設備１０の状態に応じた操作量を出力する制御モデル１３５を再生成する。

このように、第一の変形例に係る制御装置１００は、操作量ＭＶ（ＡＩ）が調整された履歴に基づいて、機械学習における制約条件を学習する。これにより、第一の変形例に係る制御装置１００によれば、例えば、減肉が進行しやすい運転条件等を学習部１３０へフィードバックすることができるので、将来的に制御モデル１３５から減肉が進行しにくい操作量ＮＶ（ＡＩ）が出力されるように、制御モデル１３５を再生成することができる。

図５は、本実施形態の第二の変形例に係る制御装置１００のブロック図の一例を、制御対象２０が設けられた設備１０と共に示す。図５においては、図１と同じ機能および構成を有する部材に対して同じ符号を付すとともに、以下相違点を除き説明を省略する。第二の変形例に係る制御装置１００においては、操作量ＭＶ（ＡＩ）を調整するにあたり、設備１０における生産計画を考慮する。第二の変形例に係る制御装置１００は、設備１０における生産計画を取得する計画取得部５１０を更に備える。

計画取得部５１０は、設備１０における生産計画を取得する。例えば、計画取得部５１０は、ネットワークを介して、設備１０において生産すべき製品の種類、生産量、および、生産時期を示す情報を取得する。しかしながら、これに限定されるものではない。計画取得部５１０は、このような生産計画をオペレータから取得してもよいし、各種メモリデバイス等から取得してもよい。計画取得部５１０は、取得した生産計画を調整部１６０へ供給する。

調整部１６０は、予測部１５０から供給された予測結果、および、計画取得部５１０から供給された生産計画に基づいて、操作量ＭＶ（ＡＩ）を調整する。例えば、調整部１６０は、予測結果に基づいて、操作量ＭＶ（ＡＩ）を操作量ＭＶ（ＡＩ）＿ａｄｊに調整するよう決定したとする。この際、調整部１６０は操作量の変更が生産性へ与える影響を検討する。一例として、調整部１６０は、操作量ＭＶ（ＡＩ）＝１１３を操作量ＭＶ（ＡＩ）＿ａｄｊ＝１００に調整するよう決定したとする。この際、調整部１６０は、操作量ＭＶ（ＡＩ）＝１１３から操作量ＭＶ（ＡＩ）＿ａｄｊ＝１００に変更した場合における、単位時間当たりの生産量を推測する。その結果、調整後の操作量ＭＶ（ＡＩ）＿ａｄｊによる制御では、取得した生産計画によって指定された製品が指定された生産時期に指定された生産量を生産することができないと推測されたとする。一方で、操作量ＭＶ（ＡＩ）＿ａｄｊ＝１０５への変更であれば、指定された製品が指定された生産時期に指定された生産量を生産することができると推測されたとする。この場合、調整部１６０は、操作量ＭＶ（ＡＩ）＿ａｄｊ＝１００を、操作量ＭＶ（ＡＩ）と操作量ＭＶ（ＡＩ）＿ａｄｊとの間の値、例えば、操作量ＭＶ（ＡＩ）＿ａｄｊ´＝１０５等に再調整する。すなわち、調整部１６０は、生産計画を満たす範囲内において、予測結果に基づいて、操作量ＭＶ（ＡＩ）を調整する。そして、調整部１６０は、調整された操作量ＭＶ（ＡＩ）＿ａｄｊ´を出力部１７０へ供給する。これに応じて、出力部１７０は、調整部１６０によって調整された操作量ＭＶ（ＡＩ）＿ａｄｊ´を制御対象２０へ出力する。これにより、制御装置１００は、予測結果および生産計画に基づいて調整された操作量ＭＶ（ＡＩ）＿ａｄｊ´により制御対象２０を制御する。

図６は、本実施形態の第二の変形例に係る制御装置１００が、制御量を調整するフローの一例を示す。図６においては、図３と同じ処理に対して同じ符号を付すとともに、以下相違点を除き説明を省略する。本フローにおいては、ステップ６１０～ステップ６３０を更に備える。

ステップ６１０において、制御装置１００は、生産計画を満たすか否か判定する。例えば、調整部１６０は、ステップ３４０において調整された操作量ＭＶ（ＡＩ）＿ａｄｊを制御対象２０に与えた場合における単位時間当たりの生産量を推測する。この際、調整部１６０は、一例として、対象とする操作量ＭＶと単位時間当たりの生産量との関係を示す既知の関係式を用いて、単位時間当たりの生産量を推測してよい。そして、調整部１６０は、生産計画によって指定された製品のそれぞれについて、現時点から生産計画によって指定された生産時期までの期間を算出する。そして、調整部１６０は、推測した単位時間当たりの生産量と生産時期までの期間を乗算して、生産時期までに生産可能な生産量を予測する。予測した生産量が生産計画によって指定された生産量以上である場合、調整部１６０は、生産計画を満たす（Ｙｅｓ）と判定する。ステップ６１０において、生産計画を満たすと判定された場合、制御装置１００は、処理をステップ３５０に進める。すなわち、制御装置１００は、操作量ＭＶ（ＡＩ）＿ａｄｊを制御対象２０に出力することにより、操作量ＭＶ（ＡＩ）＿ａｄｊにより制御対象２０を制御する。

一方、予測した生産量が生産計画によって指定された生産量を下回る場合、調整部１６０は、生産計画を満たさない（Ｎｏ）と判定する。ステップ６１０において、生産計画を満たさないと判定された場合、調整部１６０は、処理をステップ６２０に進める。

ステップ６２０において、制御装置１００は、操作量ＭＶ（ＡＩ）を再調整する。例えば、調整部１６０は、操作量ＭＶ（ＡＩ）と操作量ＭＶ（ＡＩ）＿ａｄｊとの間の中で試行錯誤することにより、生産計画を満たす操作量ＭＶ（ＡＩ）＿ａｄｊ´を発見する。そして、調整部１６０は、操作量ＭＶ（ＡＩ）＿ａｄｊを発見された操作量ＭＶ（ＡＩ）＿ａｄｊ´に再調整する。調整部１６０は、再調整された操作量ＭＶ（ＡＩ）＿ａｄｊ´を出力部１７０へ供給する。

ステップ６３０において、制御装置１００は、操作量ＭＶ（ＡＩ）＿ａｄｊ´を出力する。例えば、出力部１７０は、ステップ６３０において調整部１６０によって再調整された操作量ＭＶ（ＡＩ）＿ａｄｊ´を制御対象２０へ出力する。これにより、制御装置１００は、予測結果および生産計画に基づいて調整された操作量ＭＶ（ＡＩ）＿ａｄｊ´により制御対象２０を制御する。

上記フローについて、例えば、対象とする操作量ＭＶが設備１０の特定の箇所における温度であり、対象とする生産量が設備１０において１日に生産すべき電力量である場合を一例として詳細に説明する。計画取得部５１０は、例えば、生産計画として、設備１０において１日に生産すべき電力量を、夏季および冬季と春季および秋季とのそれぞれについて取得していたとする。ここで、１日に生産すべき電力量は需給バランスに応じて異なるものであり、例えば、夏季および冬季において１日に生産すべき電力量が１０００Ｗｈ／日であり、春季および秋季において１日に生産すべき電力量が７００Ｗｈ／日であったとする。そして、調整部１６０は、対象とする操作量ＭＶである温度を１１３度から１００度に調整するよう決定していたとする。

この場合に、調整部１６０は、既知の関係式を用いて、温度を１００度に変更した場合、１時間当たりに生産可能な電力量が３８Ｗｈ／時となると推測したとする。そして、調整部１６０は、１時間当たりに生産可能な電力量に１日当たりの時間、すなわち、２４を乗算することで、１日当たりに生産可能な電力量が９１２Ｗｈ／日（＝３８Ｗｈ／時×２４時間）となると予測したとする。ここで、春季および秋季においては、１日に生産すべき電力量は７００Ｗｈ／日であり、予測した生産量（９１２Ｗｈ／日）が生産計画によって指定された生産計画（７００Ｗｈ／日）以上となる。この場合、調整部１６０は、生産計画を満たすと判定し、対象とする操作量ＭＶである温度を１１３度から１００度へ調整する。これに応じて、制御装置１００は、調整後の温度である１００度を制御対象２０に対して出力する。

一方、夏季および冬季においては、１日に生産すべき電力量は１０００Ｗｈ／日であり、予測した生産量（９１２Ｗｈ／日）が生産計画によって指定された生産計画（１０００Ｗｈ／日）未満となる。この場合、調整部１６０は、生産計画を満たさないと判定する。そして、調整部１６０は、既知の関係式を用いて試行錯誤することにより、温度を１０５度に変更した場合に１時間当たりに生産可能な電力量が４２Ｗｈ／時となると推測する。そして、調整部１６０は、１日当たりに生産可能な電力量が１００８Ｗｈ／日（＝４２Ｗｈ／時×２４時間）となると予測する。これにより、予測した生産量（１００８Ｗｈ／日）が生産計画によって指定された生産計画（１０００Ｗｈ／日）以上となる。この場合、調整部１６０は、生産計画を満たすと判定し、対象とする操作量ＭＶである温度を１０５度へ調整する。これに応じて、制御装置１００は、調整後の温度である１０５度を制御対象２０に対して出力する。

なお、上述の説明では、春季および秋季において、調整部１６０は、予測した生産量が生産計画によって指定された生産計画以上となった場合に、対象とする操作量を１１３度からそのまま１００度へ調整する場合を一例として示した。しかしながら、これに限定されるものではない。調整部１６０は、生産計画を満たすと判定した場合に、対象とする操作量を更に再調整してもよい。調整部１６０は、例えば、既知の関係式を用いて試行錯誤することにより、温度を９０度に変更した場合に１時間当たりに生産可能な電力量が３０Ｗｈ／時となると推測したとする。そして、調整部１６０は、１日当たりに生産可能な電力量が７２０Ｗｈ／日（＝３０Ｗｈ／時×２４時間）となると予測したとする。温度をこのように変更しても、予測した生産量（７２０Ｗｈ／日）が生産計画によって指定された生産計画（７００Ｗｈ／日）以上となる。このような場合、調整部１６０は、対象とする操作量ＭＶを更に再調整して、例えば、温度を１００度よりも更に低い９０度へと調整してもよい。これにより、制御装置１００は、生産計画を満たす範囲内において、対象とする操作量ＭＶを、例えば、減肉を更に抑制するように再調整することができる。

このように、第二の変形例に係る制御装置１００は、操作量ＭＶ（ＡＩ）を調整するにあたり、設備１０における生産計画を考慮する。すなわち、第二の変形例に係る制御装置１００は、生産計画を満たす範囲内で操作量ＭＶ（ＡＩ）を調整する。これにより、第二の変形例に係る制御装置１００によれば、設備１０の長寿命化と生産計画の遵守とを両立させることができる。

本発明の様々な実施形態は、フローチャートおよびブロック図を参照して記載されてよく、ここにおいてブロックは、（１）操作が実行されるプロセスの段階または（２）操作を実行する役割を持つ装置のセクションを表わしてよい。特定の段階およびセクションが、専用回路、コンピュータ可読媒体上に格納されるコンピュータ可読命令と共に供給されるプログラマブル回路、および／またはコンピュータ可読媒体上に格納されるコンピュータ可読命令と共に供給されるプロセッサによって実装されてよい。専用回路は、デジタルおよび／またはアナログハードウェア回路を含んでよく、集積回路（ＩＣ）および／またはディスクリート回路を含んでよい。プログラマブル回路は、論理ＡＮＤ、論理ＯＲ、論理ＸＯＲ、論理ＮＡＮＤ、論理ＮＯＲ、および他の論理操作、フリップフロップ、レジスタ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プログラマブルロジックアレイ（ＰＬＡ）等のようなメモリ要素等を含む、再構成可能なハードウェア回路を含んでよい。

コンピュータ可読媒体は、適切なデバイスによって実行される命令を格納可能な任意の有形なデバイスを含んでよく、その結果、そこに格納される命令を有するコンピュータ可読媒体は、フローチャートまたはブロック図で指定された操作を実行するための手段を作成すべく実行され得る命令を含む、製品を備えることになる。コンピュータ可読媒体の例としては、電子記憶媒体、磁気記憶媒体、光記憶媒体、電磁記憶媒体、半導体記憶媒体等が含まれてよい。コンピュータ可読媒体のより具体的な例としては、フロッピー（登録商標）ディスク、ディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ＥＰＲＯＭまたはフラッシュメモリ）、電気的消去可能プログラマブルリードオンリメモリ（ＥＥＰＲＯＭ）、静的ランダムアクセスメモリ（ＳＲＡＭ）、コンパクトディスクリードオンリメモリ（ＣＤ-ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、ブルーレイ（ＲＴＭ）ディスク、メモリスティック、集積回路カード等が含まれてよい。

コンピュータ可読命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、またはＳｍａｌｌｔａｌｋ（登録商標）、ＪＡＶＡ（登録商標）、Ｃ＋＋等のようなオブジェクト指向プログラミング言語、および「Ｃ」プログラミング言語または同様のプログラミング言語のような従来の手続型プログラミング言語を含む、１または複数のプログラミング言語の任意の組み合わせで記述されたソースコードまたはオブジェクトコードのいずれかを含んでよい。

コンピュータ可読命令は、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサまたはプログラマブル回路に対し、ローカルにまたはローカルエリアネットワーク（ＬＡＮ）、インターネット等のようなワイドエリアネットワーク（ＷＡＮ）を介して提供され、フローチャートまたはブロック図で指定された操作を実行するための手段を作成すべく、コンピュータ可読命令を実行してよい。プロセッサの例としては、コンピュータプロセッサ、処理ユニット、マイクロプロセッサ、デジタル信号プロセッサ、コントローラ、マイクロコントローラ等を含む。

図７は、本発明の複数の態様が全体的または部分的に具現化されてよいコンピュータ９９００の例を示す。コンピュータ９９００にインストールされたプログラムは、コンピュータ９９００に、本発明の実施形態に係る装置に関連付けられる操作または当該装置の１または複数のセクションとして機能させることができ、または当該操作または当該１または複数のセクションを実行させることができ、および／またはコンピュータ９９００に、本発明の実施形態に係るプロセスまたは当該プロセスの段階を実行させることができる。そのようなプログラムは、コンピュータ９９００に、本明細書に記載のフローチャートおよびブロック図のブロックのうちのいくつかまたはすべてに関連付けられた特定の操作を実行させるべく、ＣＰＵ９９１２によって実行されてよい。

本実施形態によるコンピュータ９９００は、ＣＰＵ９９１２、ＲＡＭ９９１４、グラフィックコントローラ９９１６、およびディスプレイデバイス９９１８を含み、それらはホストコントローラ９９１０によって相互に接続されている。コンピュータ９９００はまた、通信インターフェイス９９２２、ハードディスクドライブ９９２４、ＤＶＤドライブ９９２６、およびＩＣカードドライブのような入／出力ユニットを含み、それらは入／出力コントローラ９９２０を介してホストコントローラ９９１０に接続されている。コンピュータはまた、ＲＯＭ９９３０およびキーボード９９４２のようなレガシの入／出力ユニットを含み、それらは入／出力チップ９９４０を介して入／出力コントローラ９９２０に接続されている。

ＣＰＵ９９１２は、ＲＯＭ９９３０およびＲＡＭ９９１４内に格納されたプログラムに従い動作し、それにより各ユニットを制御する。グラフィックコントローラ９９１６は、ＲＡＭ９９１４内に提供されるフレームバッファ等またはそれ自体の中にＣＰＵ９９１２によって生成されたイメージデータを取得し、イメージデータがディスプレイデバイス９９１８上に表示されるようにする。

通信インターフェイス９９２２は、ネットワークを介して他の電子デバイスと通信する。ハードディスクドライブ９９２４は、コンピュータ９９００内のＣＰＵ９９１２によって使用されるプログラムおよびデータを格納する。ＤＶＤドライブ９９２６は、プログラムまたはデータをＤＶＤ－ＲＯＭ９９０１から読み取り、ハードディスクドライブ９９２４にＲＡＭ９９１４を介してプログラムまたはデータを提供する。ＩＣカードドライブは、プログラムおよびデータをＩＣカードから読み取り、および／またはプログラムおよびデータをＩＣカードに書き込む。

ＲＯＭ９９３０はその中に、アクティブ化時にコンピュータ９９００によって実行されるブートプログラム等、および／またはコンピュータ９９００のハードウェアに依存するプログラムを格納する。入／出力チップ９９４０はまた、様々な入／出力ユニットをパラレルポート、シリアルポート、キーボードポート、マウスポート等を介して、入／出力コントローラ９９２０に接続してよい。

プログラムが、ＤＶＤ－ＲＯＭ９９０１またはＩＣカードのようなコンピュータ可読媒体によって提供される。プログラムは、コンピュータ可読媒体から読み取られ、コンピュータ可読媒体の例でもあるハードディスクドライブ９９２４、ＲＡＭ９９１４、またはＲＯＭ９９３０にインストールされ、ＣＰＵ９９１２によって実行される。これらのプログラム内に記述される情報処理は、コンピュータ９９００に読み取られ、プログラムと、上記様々なタイプのハードウェアリソースとの間の連携をもたらす。装置または方法が、コンピュータ９９００の使用に従い情報の操作または処理を実現することによって構成されてよい。

例えば、通信がコンピュータ９９００および外部デバイス間で実行される場合、ＣＰＵ９９１２は、ＲＡＭ９９１４にロードされた通信プログラムを実行し、通信プログラムに記述された処理に基づいて、通信インターフェイス９９２２に対し、通信処理を命令してよい。通信インターフェイス９９２２は、ＣＰＵ９９１２の制御下、ＲＡＭ９９１４、ハードディスクドライブ９９２４、ＤＶＤ－ＲＯＭ９９０１、またはＩＣカードのような記録媒体内に提供される送信バッファ処理領域に格納された送信データを読み取り、読み取られた送信データをネットワークに送信し、またはネットワークから受信された受信データを記録媒体上に提供される受信バッファ処理領域等に書き込む。

また、ＣＰＵ９９１２は、ハードディスクドライブ９９２４、ＤＶＤドライブ９９２６（ＤＶＤ－ＲＯＭ９９０１）、ＩＣカード等のような外部記録媒体に格納されたファイルまたはデータベースの全部または必要な部分がＲＡＭ９９１４に読み取られるようにし、ＲＡＭ９９１４上のデータに対し様々なタイプの処理を実行してよい。ＣＰＵ９９１２は次に、処理されたデータを外部記録媒体にライトバックする。

様々なタイプのプログラム、データ、テーブル、およびデータベースのような様々なタイプの情報が記録媒体に格納され、情報処理を受けてよい。ＣＰＵ９９１２は、ＲＡＭ９９１４から読み取られたデータに対し、本開示の随所に記載され、プログラムの命令シーケンスによって指定される様々なタイプの操作、情報処理、条件判断、条件分岐、無条件分岐、情報の検索／置換等を含む、様々なタイプの処理を実行してよく、結果をＲＡＭ９９１４に対しライトバックする。また、ＣＰＵ９９１２は、記録媒体内のファイル、データベース等における情報を検索してよい。例えば、各々が第２の属性の属性値に関連付けられた第１の属性の属性値を有する複数のエントリが記録媒体内に格納される場合、ＣＰＵ９９１２は、第１の属性の属性値が指定される、条件に一致するエントリを当該複数のエントリの中から検索し、当該エントリ内に格納された第２の属性の属性値を読み取り、それにより予め定められた条件を満たす第１の属性に関連付けられた第２の属性の属性値を取得してよい。

上で説明したプログラムまたはソフトウェアモジュールは、コンピュータ９９００上またはコンピュータ９９００近傍のコンピュータ可読媒体に格納されてよい。また、専用通信ネットワークまたはインターネットに接続されたサーバーシステム内に提供されるハードディスクまたはＲＡＭのような記録媒体が、コンピュータ可読媒体として使用可能であり、それによりプログラムを、ネットワークを介してコンピュータ９９００に提供する。

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。

特許請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階等の各処理の実行順序は、特段「より前に」、「先立って」等と明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、および図面中の動作フローに関して、便宜上「まず、」、「次に、」等を用いて説明したとしても、この順で実施することが必須であることを意味するものではない。

１０ 設備
２０ 制御対象
１００ 制御装置
１１０ 状態データ取得部
１２０ 操作量データ取得部
１３０ 学習部
１３５ 制御モデル
１４０ 制御部
１５０ 予測部
１６０ 調整部
１７０ 出力部
４１０ 調整履歴取得部
５１０ 計画取得部
９９００ コンピュータ
９９０１ ＤＶＤ－ＲＯＭ
９９１０ ホストコントローラ
９９１２ ＣＰＵ
９９１４ ＲＡＭ
９９１６ グラフィックコントローラ
９９１８ ディスプレイデバイス
９９２０ 入／出力コントローラ
９９２２ 通信インターフェイス
９９２４ ハードディスクドライブ
９９２６ ＤＶＤドライブ
９９３０ ＲＯＭ
９９４０ 入／出力チップ
９９４２ キーボード

Claims (17)

1. 制御対象が設けられた設備の状態に応じて前記制御対象の操作量を出力するように機械学習された制御モデルにより前記制御対象を制御する制御部と、
   前記設備の将来の状態を予測する予測部と、
   前記予測部により予測された前記将来の状態に含まれる前記設備の将来の健全度に基づいて、前記制御モデルにより出力された前記操作量を調整する調整部と、
   調整された操作量を前記制御対象へ出力する出力部と
   を備える、制御装置。
2. 前記将来の健全度は、前記設備における配管の残存肉厚を含む、請求項１に記載の制御装置。
3. 前記調整部は、前記将来の健全度から算出された前記設備の将来の保守コストに応じて、前記制御モデルにより出力された前記操作量を調整する、請求項１または２に記載の制御装置。
4. 前記将来の保守コストは、前記設備の劣化を抑制する抑制剤の添加に係るコストを含む、請求項３に記載の制御装置。
5. 前記制御モデルを機械学習により生成する学習部を更に備える、請求項１から４のいずれか一項に記載の制御装置。
6. 前記学習部は、前記設備の状態を示す状態データの入力に応じて、予め定められた報酬関数により定まる報酬値が高くなる操作量ほど推奨する操作量として出力されるように強化学習することにより、前記制御モデルを生成する、請求項５に記載の制御装置。
7. 前記学習部は、前記操作量が調整された履歴に基づいて、前記機械学習における制約条件を更に学習する、請求項５または６に記載の制御装置。
8. 前記制約条件は、前記操作量の上限値および下限値の少なくともいずれかを含む、請求項７に記載の制御装置。
9. 前記設備における生産計画を取得する計画取得部を更に備え、
   前記調整部は、前記予測部により予測された前記将来の状態および前記計画取得部により取得された前記生産計画に基づいて、前記制御モデルにより出力された前記操作量を調整する、請求項１から７のいずれか一項に記載の制御装置。
10. 制御対象が設けられた設備の状態に応じて前記制御対象の操作量を出力するように機械学習された制御モデルにより前記制御対象を制御する段階と、
    前記設備の将来の状態を予測する段階と、
    予測された前記将来の状態に含まれる前記設備の将来の健全度に基づいて、前記制御モデルにより出力された前記操作量を調整する段階と、
    調整された操作量を前記制御対象へ出力する段階と
    を備える、制御方法。
11. 前記将来の健全度は、前記設備における配管の残存肉厚を含む、請求項１０に記載の制御方法。
12. 前記制御モデルにより出力された前記操作量を調整する段階は、前記将来の健全度から算出された前記設備の将来の保守コストに応じて、前記制御モデルにより出力された前記操作量を調整する段階を有する、請求項１０または１１に記載の制御方法。
13. 前記将来の保守コストは、前記設備の劣化を抑制する抑制剤の添加に係るコストを含む、請求項１２に記載の制御方法。
14. コンピュータにより実行されて、前記コンピュータを、
    制御対象が設けられた設備の状態に応じて前記制御対象の操作量を出力するように機械学習された制御モデルにより前記制御対象を制御する制御部と、
    前記設備の将来の状態を予測する予測部と、
    前記予測部により予測された前記将来の状態に含まれる前記設備の将来の健全度に基づいて、前記制御モデルにより出力された前記操作量を調整する調整部と、
    調整された操作量を前記制御対象へ出力する出力部と
    して機能させる、制御プログラム。
15. 前記将来の健全度は、前記設備における配管の残存肉厚を含む、請求項１４に記載の制御プログラム。
16. 前記調整部は、前記将来の健全度から算出された前記設備の将来の保守コストに応じて、前記制御モデルにより出力された前記操作量を調整する、請求項１４または１５に記載の制御プログラム。
17. 前記将来の保守コストは、前記設備の劣化を抑制する抑制剤の添加に係るコストを含む、請求項１６に記載の制御プログラム。