플랜트 토토 사이트 데이터를 사용하여 토토 사이트 효율성을 향상시키는 방법

Mogi Yusuke, Matsuda Kazuma, Suzuki Yu, Kono Yukihiro

PDF 다운로드

Mogi Yusuke, DX 프로모션 부서, 고급 정보 관리 본부 최고 수사관
Matsuda Kazuma, 고급 정보 관리 본부 DX 프로모션 부서
Suzuki Yu, 그룹 책임자, DX 프로모션 부서, 고급 정보 관리 본부
Kono Yukihiro, 기술 감독자, 고급 정보 관리 본부

IHI는 장비 작동 데이터를 활용하기 위해 노력하고 있으며, 이의 일부로 MT 방법 (Mahalanobis Taguchi Method)을 사용하여 데이터 분석이 수행됩니다. 일반적인 MT 방법은 정상 상태가 단일 그룹 (단위 공간)을 형성한다는 가정에 따라 하나의 클래스의 "정상"및 "정상"을 분류하는 것을 포함합니다. 따라서 장비의 작동 모드 또는 외부 온도와 같은 토토 사이트 환경의 변화로 인해 "정상"상태가 변경되면 오 탐지 또는 무시가 발생할 수 있습니다. 이 문제를 해결하기 위해 동적 단위 공간을 사용하여 MT 방법 (이하 동적 MT 방법이라고 함)을 개발하여 토토 사이트 환경이 때때로 변경 되더라도 환경에 적합한 일반 데이터 그룹을 동적으로 선택하여 높은 정확도 분류를 허용합니다. 이 백서는이 동적 MT 방법을 사용하여 발전소 및 생산 시설의 토토 사이트 효율성을 향상시키는 방법과 시뮬레이션 된 데이터를 사용한 검증 결과에 대한 개요를 제시합니다.

IHI에서는 장비에서 토토 사이트 데이터를 활용하기 위해 노력하고 있으며, 이러한 노력의 일환으로 Mahalanobis Taguchi (MT) 방법을 사용하여 데이터 분석을 수행하고 있습니다. 기존의 MT 방법은 정상 상태가 단일 그룹 (단위 공간)을 형성한다는 가정에 따라 예측되며,“정상”과“비정상적인”상태를 구별하기 위해 일형 분류를 수행합니다. 그러나이 접근법은 토토 사이트 모드, 주변 온도 또는 기타 환경 요인의 변화로 인해 "정상"상태가 변경 될 때 잘못된 양성 또는 누락 된 탐지로 이어질 수 있습니다. 이 문제를 해결하기 위해, "동적 단위 공간 MT 방법"(이하 "동적 MT 방법"이라고 불리는 "동적 단위 공간 MT 방법"이 개발되었으며, 이는 변화하는 토토 사이트 환경에 따라 적절한 정상 데이터 그룹을 동적으로 선택하여 변동하는 토토 사이트 조건 하에서 장비에 대해서도 고당도 분류를 달성합니다. 이 논문은 발전소 및 생산 시설의 토토 사이트 효율성을 향상시키기위한 동적 MT 방법의 적용을 간략하게 설명하고 시뮬레이션 된 데이터를 사용한 검증 결과를 나타냅니다.

1. 소개

IHI가 제조 한 발전소 및 생산 시설과 같은 산업 인프라는 토토 사이트 효율성을 높이고 환경 영향 및 토토 사이트 비용을 줄이기 위해 점점 더 필요합니다. 이러한 산업 인프라를 사용하면 토토 사이트 효율성을 높이기 위해 작업을 변경하더라도 장비는 안정적인 방식으로 작동해야한다고 가정합니다.

많은 제어 시스템은 기계 학습을 사용하여 운전 토토 사이트을 지시하지만 이러한 배경으로 인해 운전 작업이 변경 되더라도 안정적인 작동이 중단되지 않을 것이라는 설명을 제공해야합니다. 최근 몇 년 동안 설명 인공 지능 (XAI) 등의 출현으로 이러한 요구 사항을 충족하기위한 개발이 있었지만 XAI는 개발 중이며 위에서 언급 한 바와 같이 제어 시스템의 채택 장벽 중 하나가되었습니다. 반면에, 물리적 모델과 통계 모델을 통합하여 설명이 많은 물리적 모델을 사용한 방법 및 회색 상자 모델링과 같은 정확도를 향상시키는 접근법이 있습니다. 그러나 설치 조건 및 보조 장비와 같이 고려해야 할 많은 요소가있는 발전소와 같은 시설의 경우 정확하게 물리적 모델을 구축하는 데 드는 비용이 높으며 이는 소개의 장벽이기도합니다. 이러한 방식으로, 중요한 산업 인프라의 토토 사이트 효율성을 향상시킬 때, 판단 결과를 설명하고 물리적 모델과 같은 설계 지식을 통합해야하지만 건설 비용이 낮습니다.

이 문제를 해결하기 위해, 우리는 이제 MT 방법 (Mahalanobis Taguchi Method)을 개발하여 플랜트 토토 사이트 데이터를 개발하고 플랜트 토토 사이트 효율을 향상시키는 동적 MT 방법을 적용했습니다. 이 논문에서는 먼저 MT 방법과 동적 MT 방법의 차이점을 터치 한 다음 제안 된 방법을 설명합니다. 그 후, 우리는 모의 데이터를 사용하여 제안 된 방법의 검증 결과를 제시합니다.

2. MT 메소드 및 동적 MT 방법

2.1 m t method

MT 방법은 기계 학습 방법 중 하나이며 많은 센서가있는 시설에서 얻은 다차원 정보에 대한 이상을 효과적으로 진단 할 수 있습니다. 진단 당시의 작동 데이터가 단위 공간이라고하는 정상적인 상태의 데이터 그룹을 기반으로 단위 공간에서 비정상이 결정되는 것으로 결정됩니다. 편차의 정도는 단위 공간 분포에 따라 계산 된 Mahalanobis 거리 (MD 값)를 사용하여 측정됩니다.^{(1), (2)}. MD 값이 크면 단위 공간 (비정상적인 상태)에서 멀리 떨어진 상태로 판단됩니다. 각 차원은 단위 공간의 변화로 정규화되므로 다른 단위를 가진 센서 값을 가진 데이터 세트의 경우에도 의미있는 단일 거리 (MD 값)를 계산할 수 있습니다.그림 12 차원 사례의 경우 MT 방법을 사용하여 진단의 개념적 다이어그램을 보여줍니다.그림 1에서 검은 원 마크는 단위 공간을 구성하는 데이터이며 적십자 표시는 진단 할 작업 데이터를 나타냅니다. 연결하는 파란색 화살표는 MD 값을 나타내고 타원은 MD 값의 윤곽을 나타냅니다.

MT 방법을 사용한 진단은 다차원 측정 항목을 1 차원 (MD 값)으로 통합하여 "정상"또는 "비정상적"을 쉽게 결정할 수 있도록 여러 측정 항목 사이의 붕괴 된 상관 관계를 감지 할 수 있으며, 정상적인 상태만을 학습 할 수 있기 때문에, 그것은 불완전하게 배울 수 있습니다.

반면에, 정상 상태 자체가 장비의 작동 환경 (외부 환경, 토토 사이트 조건 등)에 따라 변하면 허위 또는 무시가 발생할 수 있습니다. 토토 사이트 환경에 따라 다르고 여러 단위 공간에서 모든 정상 상태를 표현하는 정상 상태에서 각 클러스터에 단위 공간을 사전 할당함으로써 이러한 작동 환경으로 인한 정상 상태의 변화에 ​​해당하는 방법을 고려할 수 있습니다. 그러나 정상 상태가 지속적으로 변할 때 또는 정상 상태를 표현하는 데 필요한 클러스터 수가 클 때 실제 조치가 어렵습니다. 따라서 섹션 2.2에 표시된 동적 MT 방법을 제안했습니다.

2.2 동적 MT 메소드

동적 MT 방법에서, 다양한 토토 사이트 환경의 정상 상태의 데이터는 미리 준비되며, 각 진단에 대해 장비 토토 사이트 환경 근처의 데이터 만 추출하여 단위 공간을 생성합니다.그림 2동적 단위 공간의 개념적 다이어그램을 보여줍니다. 이 논문에서는 각 지점에서 생성 된 단위 공간을 동적 단위 공간이라고합니다.그림 2에 표시된 바와 같이, 적십자사에 의해 지시 된 바와 같이, 시간 t = 2에 작동 데이터를 진단 할 때, 시간 t = 2에 생성 된 동적 단위 공간은 MD 값을 계산하는데 사용된다.

사전 고정 된 단위 공간 구성 데이터 세트를 사용하는 일반적인 MT 방법과 달리, 토토 사이트 환경이 변경 되더라도 토토 사이트 환경이 변경 되더라도 매번 토토 사이트 환경 근처의 데이터 세트가 진단 시간을 가리킬 수 있으므로 정상 상태가 변경 되더라도 데이터 세트를 올바르게 진단 할 수 있습니다.^{(3) ~ (6)}.

동적 장치 공간을 생성하기위한 데이터 세트를 선택하려면그림 2장치의 센서 A 및 B와 같이 단위 공간을 구성하는 항목이 아닌 대상 장비 (외부 온도, 대기압, 설정 출력 등)의 작동 환경과 관련된 항목을 사용합니다. 선택 조건 (토토 사이트 환경 조건)은 대상 장비의 설계 지식을 사용하여 사용할 항목과 인접점으로 간주되는 값 범위를 설정하는 데 사용됩니다.

동적 단위 공간의 생성 및 진단 프로세스는 명확하며, 다양한 토토 사이트 환경을 가진 복잡한 장비에서도 판단 결과는 매우 설명 적입니다.

3. 동적 MT 방법을 통한 토토 사이트 효율성 향상

3.1 동적 단위 공간을 정의하는 방법

플랜트 토토 사이트 데이터를 기반으로 토토 사이트 효율성을 향상시키는 방법을 제안합니다. 이상 진단과 마찬가지로 식물의 토토 사이트 환경의 영향을 고려해야합니다.2 장에 설명 된 동적 단위 공간의 아이디어를 사용하십시오.

토토 사이트 효율의 지표로서, 우리는 여기서 열 효율을 취할 것입니다. 설명은 열 효율의 개선 범위에 대한 대상을 설정하는 사전 준비 단계와 진단이 이루어질 때마다 열 효율을 향상시키기위한 측정을 얻는 정상적인 진단 단계로 나뉩니다.표 1공장 환경 조건, 진단 목표 항목 및 예비 준비 단계 및 진단 단계에서 처리 될 처리의 목적을 보여줍니다.

진단 단계에서 동적 단위 공간을 구성하는 진단 대상 항목은 이상 진단에서 플랜트의 내부 상태이지만 토토 사이트 효율성을 개선 할 때는 밸브 개방, 연료 입력량 및 청소와 같은 플랜트 토토 사이트 작업과 관련된 항목이 사용됩니다. 식물 환경 조건은 외부 환경 및 플랜트 작동을 결정하는 토토 사이트 조건의 경우와 마찬가지로 대상 장비의 설계 지식을 기반으로 설정됩니다. 그러나 새로운 열 효율이 항목에 추가되며 인접점으로 간주되는 값의 범위는 진단시 열 효율보다 높은 범위로 설정됩니다. 이 범위는 열 효율을 향상시키는 목표 값입니다. 이 개선 범위는 일반적으로 원하는 특성이기 때문에 일반적으로 더 바람직합니다. 그러나 값이 너무 높아서 교육 데이터 세트에 존재하지 않으면 단위 공간을 생성 할 수 없으므로 교육 데이터 세트의 분포에 따라 값 범위를 올바르게 설정해야합니다. 또한 토토 사이트 환경의 변화의 영향을 고려해야합니다. 따라서, 사전 준비 단계는 비슷한 토토 사이트 환경에서 열 효율 값이 일반적으로 얼마나 많은지를 이해할 수 있도록 준비됩니다.

사전 준비 단계에서 공장의 환경 조건은 열 효율을 제외하고 진단 단계에서와 동일합니다. 이 단계에서 열 효율은 동적 단위 공간을 구성하는 유일한 진단 품목입니다. 동적 단위 공간 내 열 효율 값을 검사함으로써 유사한 토토 사이트 환경 조건에서 열 효율에 대한 가능한 값의 범위를 결정할 수 있으므로이 범위에 따라 적절한 개선 범위를 결정할 수 있습니다.

진단 단계에서는 토토 사이트 환경 조건에 열 효율이 추가되며 토토 사이트 환경 근처의 열 효율의 개선 범위가 설정됩니다. 이 설정을 통해 진단과 유사한 토토 사이트 환경의 동적 단위 공간에서 데이터 그룹의 추출이 진단보다 열 효율이 높을 수 있습니다.

3.2 MD 값을 사용하여 토토 사이트 효율성 향상을위한 기간 선택

그림 3열 효율 개선의 벡터 양을 보여줍니다.그림 3의 XY 좌표 작동량을 나타내고 열 효율 값이 Z 축에 표시됩니다. 파란색 부분은 모든 훈련 데이터를 나타내고, 검은 원점은 진단시 데이터를 나타내고, 녹색 부분은 추출 된 동적 단위 공간의 데이터를 나타냅니다. 검은 원보다 녹색 부분에서 z의 더 큰 값에서 볼 수 있듯이, 녹색 부분은 유사한 작동 환경에서의 진단보다 열 효율이 높다는 것이 분명합니다. 다시 말해, 파란색 화살표는 진단 시점부터 열 효율을 향상시키기 위해 운전으로 운전하는 데 필요한 보정의 양을 나타냅니다.

그러나 공장에는 많은 토토 사이트 작업이 있기 때문에그림 3에서와 같이, 적은 수의 치수로 표현하는 것은 거의 불가능하며, 열 효율이 향상 될 수있는 작동 섹션을 효율적으로 결정하기는 어렵다. 따라서 MT 방법을 사용하여 진단 될 각 데이터에 대해 계산 된 MD 값을 사용하기로 결정했습니다.

MD 값이 높은 토토 사이트 섹션에서는 유사한 토토 사이트 환경에서 열 효율이 더 우수하며 토토 사이트 양에 상당한 차이가 있음을 보여줍니다. 이는 토토 사이트량이 높아질 가능성이 높은 토토 사이트 섹션으로 간주됩니다. 반대로, MD 값이 낮은 작동 섹션에서는 작동량에 차이가 거의 없으며, 외부 온도 및 기상 조건과 같은 다른 외부 요인으로 인해 열 효율이 변경되었다고 가정하기 때문에 토토 사이트 작업을 교정하는 개선 효과는 작동 중에 특정 섹션이라고 생각됩니다 (이하, 작동 섹션).

MD 값은 1 차원 금액이며 동적 단위 공간의 데이터에서 높은 MD 값을 가진 데이터를 추출함으로써 열 효율이 향상 될 수있는 기간을 선택하는 것은 비교적 쉽습니다.

3.3 기부금에 따라 개정 될 항목 확인

3. 섹션 2에 표시된 방법을 사용하여, MD 값의 크기에 의해서만 열 효율을 향상시킬 수있는 일정 기간을 감지 할 수 있지만, 다른 한편으로는 MD 값이 다중 이민 정보의 1 차원 요약이기 때문에 열 효율성의 차이에 크게 관여하는 작동 항목 자체가 드러날 수 없기 때문입니다.

따라서 우리는 MT 방법에서 기여 수준을 사용하기로 결정했습니다. 기여 수준은 각 항목의 MD 값이 기여하는 정도를 나타내는 값이기 때문에 MD 값이 높은 기간 동안 MD 값이 높은 기간 동안 높은 기여 수준을 가진 주행 작동 품목을 검사함으로써 열 효율에 크게 관여 할 수있는 운전 작업 항목을 쉽게 확인할 수 있습니다. 그림 4는 개선 할 주행 작동 품목을 추출하는 예를 보여줍니다.그림 4- (a)| MD 값이 높은 874와 886 사이의 토토 사이트 섹션의 경우- (b)에 표시된 높은 기여도로 녹색으로 표시되는 주행 작동 항목 인 MD 기여 _24의 작동은 열 효율을 향상시키는 데 기여할 가능성이 높습니다.

그림 5개선 할 항목에 대한 수정량을 시각화하는 것을 보여줍니다. 이것은,그림 4녹색이고 진단시 측정 된 값은 노란색이며 비교 시간이 표시됩니다.그림 5에서 볼 수 있듯이, 표시된 작동 작업 항목의 값 범위는 학습 단계에서 열 효율이 목표 인 토토 사이트 섹션과 진단 단계의 목표 인 토토 사이트 섹션의 값과 이러한 작동 작동 항목의 값을 검토함으로써 토토 사이트 효율성이 향상 될 것으로 예상됩니다.

토토 사이트 효율성 또는 대상 주행 작동 항목을 개선하기위한 대상 기간을 선택할 때 MD 값을 갖는 연대순으로 높은 작동 섹션에서 지속적인 높은 기여를 가진 대상 구동 작동 항목을 선택하는 것이 바람직합니다. 이러한 작동 섹션에서, 플랜트는 거의 정상 상태로 추정되므로 동적 단위 공간을 구성하는 진단 대상 항목이 각 시점에서만 작동 금액이더라도 진단 결과에 큰 영향을 미치지 않는다고 가정합니다.

다른 한편으로, 플랜트의 내부 상태는 일반적으로 각 시점의 토토 사이트 금액뿐만 아니라 과거의 토토 사이트 금액에 의해서도 일반적으로 영향을받습니다. 따라서 플랜트가 과도 상태에있는 경우, 그 영향을받는 과거의 토토 사이트 금액은 동적 단위 공간을 구성하는 진단 표적 항목에도 추가 될 필요가 있습니다.

이 방법에서, 파생 된 주행 작동 항목의 수정량과 그 당시 예상되는 효율 개선의 양은 실제로 훈련 데이터 세트에 존재하는 데이터에서 계산되며, 큰 장점은 실현 가능성이 높다는 것입니다.

4. 확인

4.1 대상 데이터

모의 데이터 사용3 장에 제안 된 방법의 검증을 수행했습니다. 이번에는 초 임계 압력 보일러에 대한 시계열 작동 데이터에 대한 공개 데이터 세트를 사용할 것입니다.⁽⁷⁾사용되었습니다.

주요 측정 항목에는 발전기 MW (발전기 출력), 총 석탄 흐름 BEF CAL CORL (총 석탄 흐름), 총 공기 흐름 (T/H), AA (L) CRNR 1 AA DMPR FB (DAMPER 개방 피드백) 및 플랜트 토토 사이트 및 토토 사이트 토토 사이트 및 토토 사이트 및 토토 사이트 및 115 개 항목이 포함됩니다. 데이터 수는 17,280 개의 행 (관찰 지점 수)이며 모든 장비는 정상 상태로 측정됩니다. 이 중 15,840 개의 행이 (동적 단위 공간 추출) 데이터를 학습하는 데 사용되었으며, 1,440 개의 행이 검증 데이터에 사용되어 작동 효율성을 향상시켰다. 검증에 대한 데이터는 무작위로 샘플링되지 않았으며 원래의 시간 연속성을 유지하면서 데이터가 나뉘어졌습니다.

4.2 작동 효율성 계산

보일러의 대부분의 열 손실은 배기 가스로 인한 열 손실의 양입니다. 이 열 손실은 배기 가스의 비열을 계산해야하며,이 개방 데이터 세트에서는 계산에 필요한 정보를 얻을 수 없으므로이 백서는 작동 효율의 지수 (g_c_ratio라고 함)로서 (1) 방정식 (1)을 단순화합니다.

G_C_RATIO = 발전기 출력/총 석탄 공급 (MW · H/T) …………… (1)

4.3 동적 MT 메서드에 대한 설정 조건

토토 사이트 환경 이웃을 추출하는 데 사용되는 토토 사이트 환경 조건 항목으로서 다음은 보일러 설계 지식을 기반으로합니다표 2에 표시된 항목 선택되었습니다.

토토 사이트 환경 조건 항목의 항목, 1 ~ 7 플랜트 자체의 작동 환경 근처에서 데이터 추출물이므로 추출 폭은 동일한 너비로 설정됩니다. 이 추출 폭은 설계 관점에서 설정되었습니다.

반면 8 번에서 G_C_RATIO의 추출 폭은3. 섹션 1에 언급 된 바와 같이, +0.056에서 +0.113 사이의 범위는 추출 전 단계에서 확인 된 유사한 작동 환경에서 분포 범위를 기반으로 양수 범위를 사용하는 검증 데이터의 값에 대해 추출되었습니다. 이는 훈련 데이터 그룹의 유사한 토토 사이트 환경을 갖는 데이터와 석탄 공급량의 T 당 0.056 MW · H/T보다 우수한 데이터만이 동적 단위 공간을 생성하기 위해 추출되며 검증 데이터와의 차이를 비교 함을 의미합니다.

4.4 작동 효율 지표의 추출 폭을 설정하는 방법

G_C_RATIO의 위에서 언급 한 추출 폭은 추출 전 단계에서 얻은 G_C_RATIO의 분포 범위에서 설정되었습니다.그림 6| 작업 표시기의 개선 범위 설정을 보여줍니다.그림 6의 분포 너비 표준 편차 (1σ)를 나타냅니다. 결과가 유사한 토토 사이트 환경 조건 하에서 얻어 졌기 때문에, 우리는 훈련 데이터와 유사한 분포를 갖는 것으로 가정되는 검증 데이터가 정규 분포에 있으며, 개선 범위는 실제 데이터가 존재하는 수준에서 개선 될 수있는 작동 효율 지표로서 + 1σ ~ + 2σ (0.056 ~ 0.113)로 설정되었다고 가정했다.

4.5 작동 효율성을 향상시키기위한 동적 단위 공간 생성

그림 7|그림 8작동 제어 값의 수정량을 보여줍니다.그림 7에서 수직 축은 g_c_ratio를 나타내고 수평 축은 시간을 나타냅니다. 검은 색 라인은 검증 데이터의 값을 나타내고 녹색 부분은 작동 효율 지수 (G_C_RATIO)의 추출 범위를 나타냅니다.

그림 8and,그림 3와 유사하게 G_C_RATIO 외에도 각 작동 값은 3 차원으로 표시되며 시계열 데이터가 아니라 특정 시점을 추출하는 다이어그램입니다. 따라서 검증 데이터를 나타내는 검은 원의 측정 지점 M과 녹색 부분으로 표시되는 동적 단위 공간 U 사이의 MD 값은 높고 기여는 높고 (그림 8| 개선의 대상으로서 MD 값을 구성하는 치수들 사이에 큰 편차가 큰 빨간색 화살표의 방향을 의미하는 드라이빙 작동 항목의 수정 된 값을 찾는 데 사용됩니다.

이 경우, 가장 높은 기여를하는 HFO_BNR_EF_CRNR_5_CNTRL_DMPR_POS (Control Damper Position)가 수정의 대상이되었습니다.그림 8한 번에 순간 값이지만, 개선 된 연속 섹션의 동적 단위 공간 U의 평균 값과 측정 지점 M의 차이의 결과로, 해당 대조군 댐퍼의 위치를 ​​-2.4%만큼 변경함으로써 G_C_RATIO가 개선 될 수 있다고 추정했다.

물론 여러 주행 작동 품목을 수정하는 것이 좋습니다. 그러나 MT 방법의 기여 수준을 활용함으로써 그러한 경우에도 여러 적절한 주행 작동 품목을 추출 할 수 있다고 생각됩니다.

4.6 토토 사이트 효율성 향상을위한 예상 값 계산

우리는 유사한 토토 사이트 환경과 HFO_BNR_EF_CRNR_5_CNTRL_DMPR_POS가있는 교육 데이터 세트에서 데이터를 추출했으며 G_C_RATIO의 변화를 비교했습니다.그림 9보정량을 적용한 후 열 효율의 개선을 보여줍니다.그림 9- (a)에서 수직 축은 g_c_ratio의 값을 나타내고, 수평 축은 작동 시간을 나타냅니다. 검은 색 라인은 검증 데이터의 시계열 값이며 녹색 섹션은 훈련 데이터 (± 1σ)에서 추출한 데이터 값의 분포를 나타내는 시계열입니다.그림 9 - (b)수직 축에서 G_C_RATIO의 값이며, 수평 축은 수평 축에서 HFO_BNR_EF_CRNR_5_CNTRL_DMPR_POS의 값입니다.그림 8와 유사하게, 한 번에 산란 플롯을 나타냅니다.

시계열 정보로 인해 G_C_RATIO의 지속적인 개선으로 이어지는 것은 아니지만 평균 1.93MW · H/T에서 평균 2.01 MW · H/T로 평균 증가가 예상되었습니다. 이는 개선 속도 측면에서 3.7%의 효율 개선에 해당합니다. 이 데이터 세트에서는 교육 데이터 그룹과 검증 데이터 그룹 사이의 토토 사이트 환경 또는 보일러의 내부 상태에 큰 차이가 없었 으므로이 개선은 실현 가능성으로 간주됩니다.

5. 결론

5.1 Matome

동적 MT 방법은 플랜트 토토 사이트 데이터에 적용되며, 토토 사이트 환경에 따라 변화하는 복잡한 내부 상태가있는 식물의 경우, 토토 사이트 효율성, 토토 사이트 토토 사이트 항목을 개선하기위한 토토 사이트 조건의 양을 개선 할 수있는 토토 사이트 섹션을 설명 할 수있는 토토 사이트 섹션의 설명을 설명 할 수있는 방법을 제안했습니다. 이 제안 된 방법을 데이터 모의 데이터에 적용하고 데이터 분석을 수행 한 후, 우리는이 제안 된 방법이 약 3.7%의 열 효율을 향상시키는 예상 효과와 함께 효과적이라는 것을 발견했습니다.

5.2 Title

이 제안 된 방법에서는 단위 공간을 구성하는 진단 품목에 대해 작동 작업 항목이 설정되므로 동일한 작동 환경에서도 다른 토토 사이트 작업을 수행하는 플랜트에서 추출 된 동적 장치 공간이 여러 클러스터를 구성 할 수 있습니다. 그러한 경우에도 도전은 올바르게 개선 될 수있는 작동 섹션을 추출 할 수 있어야합니다. 또한 과거의 토토 사이트 기록이 내부 상태 변화에 큰 영향을 미치는 식물의 경우, 도전은 안정적인 상태뿐만 아니라 내부 상태의 큰 변화가있는 과도한 상태를 다루는 것입니다. 또한 제안 된 방법은 토토 사이트 양 변경과 열 효율 향상 사이의 인과 관계를 명확하게하지 않으므로 인과 관계를 설명 할 수 있어야합니다.

5.3 미래 개발

현재, 우리는이 제안 된 방법을 실제 플랜트에 적용하고 있으며,이 방법이 실제 작동에서 열 효율을 향상시키는 데 효과적임을 입증 할 것입니다. 또한이 기사는 식물의 열 효율을 다루지만이 방법은 이산화탄소 배출 감소율, 전력 소비 감소율 및 제품 수율 속도와 같은 다른 작동 효율 지표를 개선하는 데 적용될 수 있습니다. 앞으로 우리는 다양한 분야에서 IHI 제품의 토토 사이트 효율성을 향상시켜 수명주기 동안 고객 가치를 달성하기 위해이 기술을 계속 개발할 것입니다.

24962_45839

Volume 64, Issue 2 지속 가능한 미래를 지원하는 특별 기능 에너지 및 스마트 기술