コンプレッサ試運転バルブ操作支援

遠心圧縮機の shop test（性能試運転） で、設計図書が指定する 1〜10 個の 性能評価点（流量・圧力・温度の組）を達成するために、吸込・循環側のバルブをどう操作すべきかを AI が提案します。

ベテランの過去操作記録（操作メモCSV）と当日のセンサー記録（ストリームCSV）から学習し、目標の評価点を入力すると、バルブ開度を逆算します。

吐出側は絶対に操作対象に含めません（測定領域への操作は性能試験の不正に該当）。

① 操作メモCSV（10〜20行想定）

• 時刻: HH:MM:SS（例 8:06:55・前ゼロなし対応）
• valve_*_pct: 各バルブ開度 0〜100（%）
• rpm: 任意（速度を操作変数に含めるとき）

② センサーストリームCSV（1秒間隔・数千〜数万行）

• 時刻: HH:MM:SS
• 各種センサー（流量・圧力・温度・効率・振動など、列名は自由）

エンコーディング: UTF-8 / CP932 / Shift-JIS 自動判定

順モデル u → y（GP・ガウス過程）

• 少データ（10〜20点）の黄金律。予測に 不確実性 std も出力。
• 各 y 次元ごとに独立した GP を訓練（カーネル: C × RBF(ARD) + WhiteKernel）。
• 各操作の整定窓内 std を alpha として GP に渡し、計測ノイズを取り込む。

残差学習（物理モデル ON 時）

• 物理モデル f_phys(u) が「だいたいの形」を提供
• GP は y_real − f_phys(u)（残差）だけを学習
• 予測時は f_phys(u_new) + GP_residual(u_new)
• 物理が大幅に外れる場合は OFF で純データ駆動 GP に切替可能

AE事前学習

• センサー全期間を 30秒セグメント（75%オーバーラップ）に分割
• sklearn MLPRegressor(隠れ層 16→latent→16) で自己回帰訓練
• 中間層から潜在ベクトル抽出 → 操作点の追加特徴量に
• dense センサーの実質97%カバレッジを達成

逆推定 y* → u

• scipy.optimize: differential_evolution（広域探索）+ L-BFGS-B（多重起動精緻化）
• サージ線をペナルティ項として制約化
• 上位3候補を提示（多解性を隠さない）

[1] バルブ → 流量

q = q_max × (Σ αᵢ·vᵢ − Σ γᵢ·vᵢvᵢ₊₁/100) / 100 × (RPM/RPM_design)

[2] 流量 → ヘッド（放物線特性）

Φ = q / Φ_norm   Ψ = a − b·Φ²   H = Ψ × H_norm × (RPM/RPM_design)²

[3] ヘッド → 温度（断熱圧縮）

T_out = T_in × (1 + H/P_atm)^((κ−1)/κ)

[4] サージ判定

q < surge_q × (RPM/RPM_design) なら不安定領域

各パラメータは STEP 2 のスライダーで微調整可能。実機の性能曲線データシートから読んだ値に合わせてください。

変わらん（ユニバーサル）

• P_atm = 1.013 bar: 大気圧。屋内なので実質固定
• κ = 1.4: 空気の比熱比。空気なら不変（ガス種が変われば変更）
• 熱力学第一法則と放物線特性 Ψ = a − b·Φ² の式の形

変わる（機械・条件依存）

• a, b, Φ_norm, H_norm: インペラ羽根角度・直径・周速度 → メーカー性能曲線データシート
• surge_q: インペラ失速点 → メーカー曲線
• T_in: 季節・空調・クーラー setpoint → 試験当日の計測
• αᵢ, γᵢ: 試験ループのバルブ Cv・配管抵抗 → 設備設計図書
• τ_flow, τ_press, τ_temp: 配管容積・熱容量 → 実測または推定
• σ_*: センサー機種・型式 → 計器仕様書

Leave-One-Out 交差検証で「10〜20点しかないデータで本当に当たるか」を honest に評価します。

• RMSE: 二乗平均平方根誤差（小さいほど良い、単位 y と同じ）
• MAE: 平均絶対誤差
• 相対誤差%: 目標値に対するズレの割合（5%以下なら良好）
• 95%CI被覆率: 予測 ± 1.96·std の範囲に真値が入る割合（90%以上が望ましい・低いと GP の不確実性過小評価）

合成データでは高精度に出ますが、実データで再評価が必要。被覆率が低い場合は alpha や n_restarts の調整余地あり。

各評価点で (流量, 圧力, 温度) の 全3項目が許容公差内（既定 ±5%）にあるかで判定:

• ✓ PASS（緑）: 3項目すべて公差内 → 試運転で有効データと認められる
• ⚠ WARN（黄）: 1項目だけ公差超過 → 設計余裕や運転条件の見直し推奨
• ✗ FAIL（赤）: 2項目以上公差超過 → 達成困難、再設計または追加データ必要

サージ余裕（予測流量 ÷ サージ流量）が 1.10 未満なら境界に近く危険。

本ツールは「性能試験の信頼性」を AI が損なわないため、以下を絶対遵守します:

• 操作対象 u に含めるのは 吸込側・循環ループのバルブのみ
• 吐出側は測定領域であり操作不可
• 吐出側を制御変数に含めることは性能試験の不正に該当（ASME PTC 10/API 617 の試験設定原則）

列マッピングで吐出側列を u に選ばないようご注意ください。

本ツールは 3層設計（L1物理 + L2表現学習 + L3逆問題） の L2層 に外部埋め込みベクトルを取り込めます。代表的な連携対象は TimesFM 2.5-200m（2025-10-02 公開、200M params, context 1024）または旧 TimesFM 2.0-500m 等の時系列基盤モデル。

運用フロー（家PC + HP）

1. 家PC（Python 3.11 venv）で TimesFM 等の事前学習済モデルをロード
2. センサーストリームを入力 → 操作時刻ごとに 埋め込みベクトル（数百次元〜）を出力
3. CSV形式で保存: 時刻 + emb_1, emb_2, ..., emb_K
4. HP ツールの「🧬 外部埋め込みCSV」から取込
5. 各操作時刻に最も近い行を最近傍マッチ → GP特徴量に追加

AEとの関係: 自前 AE と外部埋め込みは併用可能。両方ONなら両方が GP の特徴量に追加され、どちらが効くかを LOO-CV で比較できます。

なぜ家PCで処理する？ TimesFM 2.5-200m でも 200M パラメータあり、ブラウザ Pyodide では実行不可。重い表現抽出はローカル PC（家・社内）、軽い GP 推論は HP（Pyodide）で分業する設計。
本ツールでの活用法: ローカルで TimesFM の各操作時刻周辺のセンサーストリームを context として与え、最終層の隠れ状態（16〜128 次元に PCA 圧縮）を embeddings_timesfm25.csv として書き出し、STEP 1 の「外部埋め込みCSV」に投入。GP 訓練時の特徴量として AE と併用 or 置換できます。

導入時の注意（社用PCで TimesFM を構築する場合の典型障害と回避法）:

• Anaconda 商用ライセンス 403 → conda を捨て uv + PyPI
• SSL 傍受 (UnknownIssuer) → uv --system-certs で Windows 信頼ストア使用
• python.org インストーラ 0x80070005 → uv python install で取得
• TimesFM 2.0-500m モデル state_dict mismatch → num_layers=50 / use_positional_embedding=False / context_len=2048 を hparams に明示

• 10点という極小データはどんな手法でも超えられない構造的制約。手法では情報を増やせません。実機で「次にどの操作を試すべきか」をアクティブラーニング的に提案する機能で補います。
• 物理モデル既定値はジェネリック。実機ごとにメーカー性能曲線データシートから読んだ値に置き換えてください。
• PDF版レポート未対応: HTML出力をブラウザで「印刷 → PDFに保存」で代替できます。
• 速度RPMモードはON可能ですが UI 最適化は v5.2 以降。
• 複数吸込ポート（段別センサーグループ）対応は v5.2 以降。