CN102870057B - 机械设备的诊断装置、诊断方法及诊断程序 - Google Patents

机械设备的诊断装置、诊断方法及诊断程序 Download PDF

Info

Publication number
CN102870057B
CN102870057B CN201080065911.2A CN201080065911A CN102870057B CN 102870057 B CN102870057 B CN 102870057B CN 201080065911 A CN201080065911 A CN 201080065911A CN 102870057 B CN102870057 B CN 102870057B
Authority
CN
China
Prior art keywords
classification
plant equipment
operating condition
judged
change
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201080065911.2A
Other languages
English (en)
Other versions
CN102870057A (zh
Inventor
关合孝朗
江口彻
楠见尚弘
深井雅之
清水悟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Publication of CN102870057A publication Critical patent/CN102870057A/zh
Application granted granted Critical
Publication of CN102870057B publication Critical patent/CN102870057B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供一种机械设备的诊断装置、诊断方法及诊断程序。该机械设备的诊断装置根据诊断对象机械设备的测量信号来探测诊断对象机械设备的异常并报告异常，包括：状态变化检测部，其将所述诊断对象机械设备的测量信号分类成类别来进行存储，在不属于所分类的类别的情况下判定为状态发生了变化；异常判定部，其将来自该状态变化检测部的信号作为输入的一部分而判定为在所述诊断对象中产生了异常；警报产生单元，其将该异常判定部的输出报告到外部；和误报阻止部，其探测所述诊断对象机械设备的异常以外的事件，阻止所述异常判定部的输出。

Description

机械设备的诊断装置、诊断方法及诊断程序
技术领域
本发明涉及机械设备的诊断装置、诊断方法及诊断程序。
背景技术
机械设备的诊断装置在机械设备产生了异常的过渡事件、事故等之际，基于来自机械设备的测量数据来探测该异常、事故的产生。
在专利文献1中公开了采用自适应谐振理论(Adaptive ResonanceTheory：ART)的诊断装置。采用ART的诊断装置具有将多维数据根据其类似度分类成类别的功能。
在专利文献1的技术中，首先使用ART将正常时的测量数据分类成多个类别(正常类别)。其次，使用ART将当前的测量数据分类成类别。在该测量数据无法分类成正常类别之时，生成新的类别(新类别)。新类别的产生意味着机械设备的状态发生了变化。因此，利用新类别的产生来判断异常的产生，在新类别的产生率超过了阈值的情况下诊断为异常。
在先技术文献
专利文献
专利文献1：日本特开2005-165375号公报
发明内容
(发明所要解决的课题)
在专利文献1中，立足于“当前的测量数据无法分类成正常类别之时、即机械设备的状态发生了变化之时生成新类别”这一前提，而判断为异常。
然而，机械设备的状态不仅在产生了异常之时才变化，在时效劣化(aging degradation)、运转条件变化之时也会变化。并且，此时也会产生新类别。因而，此时不能认为产生了新类别、即产生了机械设备的异常。
在这里，运转条件是指机械设备所设置的场所的环境条件(大气温度、湿度等)、通过操作人员的操作所决定的量(机械设备所生成的发电量)等与器械特性没有直接关系的外界环境因素。并且，与发生异常的有无无关，若运转条件发生变化则各种测量数据的值也发生变化。
虽然时效劣化、运转条件变化不是异常，但是在专利文献1的方法中会将其诊断为异常。也就是说，会将正常状态诊断为异常，结果成为产生误报的原因。
本发明的目的在于通过区别作为状态变化的要因的时效劣化、运转条件变化、异常来降低误报的产生率。
(用于解决课题的手段)
本发明的一种机械设备的诊断装置，根据诊断对象机械设备的测量信号来探测诊断对象机械设备的异常并报告异常，所述机械设备的诊断装置包括：状态变化检测部，其将诊断对象机械设备的测量信号分类成类别来进行存储，在不属于所分类的类别的情况下判定为状态发生了变化；异常判定部，其将来自状态变化检测部的信号作为输入的一部分而判定为在诊断对象机械设备中产生了异常；警报产生单元，其将该异常判定部的输出报告到外部；和误报阻止部，其探测诊断对象机械设备的异常以外的事件，阻止异常判定部的输出。
另外，优选误报阻止部包括时效劣化检测部，该时效劣化检测部使用诊断对象机械设备的测量信号来求出权重系数，在权重系数的变化量超过了最大值的情况下判定为脱离了时效劣化的范围，时效劣化检测部在没有脱离时效劣化的范围时阻止异常判定部的输出。
此外，优选误报阻止部包括运转条件变化检测部，该运转条件变化检测部将诊断对象机械设备的运转条件数据分类成类别来进行存储，在没有产生新类别的情况下判定为运转条件没有发生变化，运转条件变化检测部在运转条件发生了变化时阻止异常判定部的输出。
另外，优选作为运转条件变化检测部的输入的运转条件数据由与构成诊断对象机械设备的器械的特性没有直接关系的外界环境因素构成。
本发明的一种机械设备的诊断装置，根据诊断对象机械设备的测量信号来探测诊断对象机械设备的异常并报告异常，所述机械设备的诊断装置包括：状态变化检测部，其将诊断对象机械设备的测量信号分类成类别来进行存储，在不属于所分类的类别的情况下判定为状态发生了变化；时效劣化检测部，其使用诊断对象机械设备的测量信号来求出权重系数，在权重系数的变化量超过了最大值的情况下判定为脱离了时效劣化的范围；运转条件变化检测部，其将诊断对象机械设备的运转条件数据分类成类别来进行存储，在没有产生新类别的情况下判定为运转条件没有发生变化；异常判定部，其在由状态变化检测部判定为状态发生了变化、且由时效劣化检测部判定为脱离了时效劣化的范围、且由运转条件变化检测部判定为运转条件没有发生变化之时，判定为诊断对象产生了异常；和警报产生单元，其将异常判定部的输出报告到外部。
本发明的一种机械设备的诊断装置，具备：测量信号数据库，其保存诊断对象机械设备的测量信号；处理数据提取单元，其从测量信号数据库中提取为了诊断诊断对象机械设备的状态而使用的诊断信号；基准信号数据库，其保存诊断信号；分类单元，其将基准信号数据库中保存的数据分类成类别；分类结果数据库，其将类别作为正常类别进行保存；诊断单元，其使用由处理数据提取单元提取出的最新的诊断信号、和在分类结果数据库中保存的正常类别的信息，诊断诊断对象机械设备的状态属于正常、异常、运转条件变化、时效劣化的哪种情形；诊断结果数据库，其保存诊断单元的诊断结果；和向图像显示装置输出在诊断结果数据库中保存的信息的单元，其中，诊断单元具备异常判定部、状态变化检测部、时效劣化检测部以及运转条件变化检测部，状态变化检测部具备下述功能：在由处理数据提取部提取出的最新的诊断信号不属于分类结果数据库中保存的正常类别的情况下判定为状态发生了变化，时效劣化检测部具备下述功能：导出正常状态时的时间变化幅度与权重系数变化量之间的关系，当在诊断过程中超过了正常状态时的权重系数的变化量的最大值的情况下判定为脱离了时效劣化的范围，运转条件变化检测部具备下述功能：在将由与器械特性没有直接关系的外界环境因素构成的运转条件数据分类成类别之时没有产生新类别的情况下判定为运转条件没有发生变化，在异常判定部中，在由状态变化检测部判定为状态发生了变化、且由时效劣化检测部判定为脱离了时效劣化的范围、且由运转条件变化检测部没有判定为运转条件没有发生变化之时，判定为异常。
本发明的一种机械设备的诊断方法，根据诊断对象机械设备的测量信号来探测诊断对象机械设备的异常并报告异常，其中将诊断对象机械设备的测量信号分类成类别来进行存储，在不属于所分类的类别的情况下判定为状态发生了变化，使用诊断对象的测量信号来求出权重系数，在权重系数的变化量超过了最大值的情况下判定为脱离了时效劣化的范围，在将诊断对象的运转条件数据分类成类别来进行存储，在没有产生新类别的情况下判定为运转条件没有发生变化，此时，判定为在诊断对象机械设备中产生了异常，并报告到外部。
本发明的一种机械设备的诊断程序，根据诊断对象机械设备的测量信号来探测诊断对象机械设备的异常并报告异常，所述机械设备的诊断程序包括：状态变化检测步骤，将诊断对象的测量信号分类成类别来进行存储，在不属于所分类的类别的情况下判定为状态发生了变化；异常判定步骤，将来自状态变化检测步骤的信号作为输入的一部分而判定为诊断对象中产生了异常；警报产生步骤，将异常判定步骤的输出报告到外部；和误报阻止步骤，探测诊断对象的异常以外的事件，阻止异常判定部的输出。
另外，优选误报阻止步骤包括时效劣化检测步骤，在该时效劣化检测步骤中使用诊断对象机械设备的测量信号求出权重系数，在权重系数的变化量超过了最大值的情况下判定为脱离了时效劣化的范围，在该时效劣化检测步骤中，在没有脱离时效劣化的范围时阻止异常判定步骤的输出。
此外，优选误报阻止步骤中包括运转条件变化检测步骤，在该运转条件变化检测步骤中将诊断对象机械设备的运转条件数据分类成类别来进行存储，在没有产生新类别的情况下判定为运转条件没有发生变化，在运转条件变化检测步骤中，在运转条件发生了变化时阻止异常判定步骤的输出。
另外，优选作为运转条件变化检测步骤的输入的运转条件数据由与构成诊断对象的器械的特性没有直接关系的外界环境因素构成。
本发明的一种机械设备的诊断程序，根据诊断对象机械设备的测量信号来探测诊断对象机械设备的异常并报告异常，所述机械设备的诊断程序包括：状态变化检测步骤，将诊断对象机械设备的测量信号分类成类别来进行存储，在不属于所分类的类别的情况下判定为状态发生了变化；时效劣化检测步骤，使用诊断对象机械设备的测量信号来求出权重系数，在权重系数的变化量超过了最大值的情况下判定为脱离了时效劣化的范围；运转条件变化检测步骤，将诊断对象机械设备的运转条件数据分类成类别来进行存储，在没有产生新类别的情况下判定为运转条件没有发生变化；异常判定步骤，在由状态变化检测步骤判定为状态发生了变化、且由时效劣化检测步骤判定为脱离了时效劣化的范围、且由运转条件变化检测步骤判定为运转条件没有发生变化之时判定为诊断对象产生了异常；和警报产生步骤，将异常判定步骤的输出报告到外部。
(发明效果)
通过对时效劣化、运转条件变化、异常进行区分，从而够减降低误报的产生率。
另外，通过向操作人员提供数据趋势变化的原因属于时效劣化、运转条件变化、异常的哪种情形，从而有助于机械设备的维护计划制定方案。
附图说明
图1是表示本发明的诊断装置的框图。
图2(a)是表示正常状态学习模式下的流程图的图。
图2(b)是表示诊断模式下的流程图的图。
图3(a)是表示在每个采样周期中使2模式动作的诊断的图。
图3(b)是表示在规定期间内进行正常状态学习模式、在每个周期内进行诊断模式的诊断的图。
图3(c)是表示在操作人员所设定的时刻进行的例子的图。
图4(a)是表示数据前处理装置以及ART模块的框图。
图4(b)是表示ART模块的F0层的框图。
图4(c)是表示ART模块的F1层的框图。
图5(a)是表示图4的实施例的进行了类别分类的结果的曲线图。
图5(b)是示出发生异常时的测量信号随时间变化的一例的曲线图。
图6(a)是设定用于诊断的数据项目的画面。
图6(b)是说明图1的分类单元400的框图。
图7(a)是表示在测量信号数据库中保存的数据的形态的画面的图。
图7(b)是表示在基准信号数据库中保存的数据的形态的画面的图。
图7(c)是表示在分类结果数据库中保存的数据的形态的画面的图。
图8(a)是表示异常判定部510的构成的图。
图8(b)是在画面上显示出诊断结果数据库的数据的形态的图。
图8(c)是在时间序列上显示出诊断结果数据库的诊断结果的画面显示例。
图9(a)是说明时效劣化检测部的动作的图。
图9(b)是说明时效劣化范围确认的判定基准的图。
图10(a)是说明运转条件变化检测部的第1实施例的动作的图。
图10(b)是说明运转条件变化检测部的第2实施例的动作的图。
图10(c)是说明运转条件变化检测部的第3实施例的动作的图。
图11是表示燃气涡轮发电机械设备的框图。
图12是表示向燃气涡轮发电机械设备应用本发明的诊断装置时的动作结果例的图。
图13是概括了诊断单元各部的动作条件的图。
具体实施方式
以下，使用附图来说明本发明。
实施例
图1是表示本发明的诊断装置的框图。在本图中，由诊断装置200来诊断机械设备100的状态。
在诊断装置200中，作为运算装置而具备：处理数据提取单元300、分类单元400、诊断单元500、警报产生单元600。另外，在诊断装置200中，作为数据库而具备：测量信号数据库230、基准信号数据库240、分类结果数据库250、诊断结果数据库260。此外，在本图中，将数据库略记为DB。在此提及的数据库是诊断装置200的构成要素，在各个数据库中记录的信息被电子化，通常被称为电子文件(电子数据)。
另外，在诊断装置200中，作为与外部的接口而具备：外部输入接口210以及外部输出接口220。并且，经由外部输入接口210，将包括测量了机械设备100的各种状态量的值在内的测量信号1、以及通过运转管理室900所具备的包括键盘920以及鼠标930在内的外部输入装置910的操作所生成的外部输入信号2输入至诊断装置200。另外，经由外部输出接口220，将图像显示信息14从诊断装置200输出至运转管理室900内的图像显示装置940(图像显示部)。
此外，在本实施例中，处理数据提取单元300、分类单元400、诊断单元500、警报产生单元600、测量信号数据库230、基准信号数据库240、分类结果数据库250、诊断结果数据库260都处于诊断装置200的内部，但是也可将这些部件的一部分配置于诊断装置200的外部，仅对数据进行通信。另外，在本实施例中设作为诊断对象的机械设备为1台，但是也能由1台诊断装置200诊断多台机械设备。
以下，说明诊断装置200的动作。首先，经由外部输入接口210被输入的测量信号3保存到测量信号数据库230中。
在处理数据提取单元300中，从在测量信号数据库230中保存的测量信号5之中提取用于诊断的诊断信号6，将其保存到基准信号数据库240中。在基准信号数据库240中，保存操作人员判定为正常的期间的测量信号。另外，在处理数据提取单元300中，基于操作人员的设定来提取数据项目。使用图6在后面叙述该详细内容。
分类单元400将基准信号7分类成类别。分类结果8保存在分类结果数据库250中。此外，使用图4在后面叙述分类单元400的处理内容。
在诊断单元500中，处理最新的诊断信号6和在分类结果数据库250中保存的分类结果9，来诊断机械设备的状态。诊断单元500由异常判定部510、状态变化检测部520、时效劣化检测部530、运转条件变化检测部540构成。
状态变化检测部520判定机械设备100的状态是否发生了变化。从状态变化检测部520输出的状态变化判定结果15，在判定为状态发生了变化的情况下为“1”，在判定为状态没有发生变化的情况下为“0”。
在状态变化检测部520中，比较由处理数据提取单元300提取出的最新的诊断信号6和在分类结果数据库250中保存的分类结果9，在属于分类结果9所包含的类别的情况下，将诊断信号6分类成该类别。另一方面，比较由处理数据提取单元300提取出的最新的诊断信号6和分类结果9，在不属于分类结果9所包含的类别的情况下，产生新的类别(以下标记为新类别。)。使用图4在后面叙述状态变化检测部520的详细处理内容。
在时效劣化检测部530中，判定机械设备的状态变化是否在时效劣化的范围内。从时效劣化检测部530输出的时效劣化判定结果16，在机械设备的状态变化脱离了时效劣化的范围之时为“1”，在时效劣化的范围内之时为“0”。使用图9在后面叙述时效劣化检测部530的详细处理内容。
在运转条件变化检测部540中，判定机械设备的运转条件是否发生了变化。从运转条件变化检测部540输出的运转条件变化判定结果17，在运转条件没有发生变化之时为“1”，在运转条件发生了变化之时为“0”。使用图10在后面叙述运转条件变化检测部540的详细处理内容。
在异常判定部510中，使用状态变化判定结果15、时效劣化判定结果16以及运转条件变化判定结果17来判定机械设备是否产生了异常。使用图8在后面叙述异常判定部510的详细处理内容。
在从诊断单元500输出的诊断结果10中包含：异常诊断部510的判定结果、状态变化判定结果15、时效劣化判定结果16、运转条件变化判定结果17。诊断结果10保存在诊断结果数据库260中。
在警报产生单元600中，使用在诊断结果数据库260中保存的诊断结果11以及在测量信号数据库230中保存的最新的时刻的测量信号4来判定是否产生警报。
警报产生单元600具有以下2种产生警报的判定基准(条件1和条件2)，并将这些判定基准任意组合来决定是否产生警报。在这里，警报产生的任意组合是指：在下述条件1以及下述条件2这两个条件均成立的情况下产生警报、在下述条件1以及下述条件2之中的其中一个条件成立的情况下产生警报等。
条件1：最新的时刻的测量信号4脱离了规定的范围(阈值)。
条件2：在规定期间内，由异常判定部510判定为异常的比例超过一定值(阈值)。
此外，条件1以及条件2中的阈值是由操作人员设定的值。
在警报产生单元600中进行了产生警报的判定的情况下，警报产生单元600将警报信号13发送至外部输出接口220。警报信号13经由外部输出接口220变换成图像显示信息14，显示于图像显示装置940。
在本实施例中，使用图像显示装置940与操作员联系警报，但是并不限定于此，也可首先产生警报声来引起操作员注意警报的产生。另外，也可在产生警报声之后或者在产生警报声同时使图像显示装置940显示图像显示信息14。
另外，也可将在诊断结果数据库260中保存的诊断结果12(异常诊断部510中的判定结果、状态变化判定结果15、时效劣化判定结果16、运转条件变化判定结果17)经由外部输出接口220而显示于图像显示装置940。
另外，在测量信号数据库230、基准信号数据库240、分类结果数据库250以及诊断结果数据库260中保存的诊断装置信息50能显示于图像显示装置940。此外，也能够根据需要而使用基于外部输入装置910的操作的外部输入信号2来修正这些信息。
本发明的特征在于，在诊断单元500中具备异常判定部510、时效劣化检测部530以及运转条件变化检测部540，从而不会将时效劣化检测、运转条件变化检测判定为异常。
也就是说，虽然状态变化检测部520积极地探测机械设备的异常，但是由于在该探测的内容中包含本来不应该判定为异常的时效劣化、运转条件变化，因而通过探测时效劣化、运转条件变化并将它们经由异常判定部510进行综合性判定，从而阻止了误报。这就意味着，时效劣化检测部530和运转条件变化检测部540能够构成针对状态变化检测部520的误报阻止部。
在状态变化检测部520中，新类别是在当前的测量数据无法分类成正常类别之时、即机械设备的状态发生了变化之时生成的。
然而，由于机械设备的状态不仅是发生异常之时变化，在时效劣化、运转条件变化之时也会变化，因而若状态变化检测部520动作则产生新类别。在这里，运转条件是指机械设备所设置的场所的环境条件(大气温度、湿度等)、从机械设备输出的发电量等，与发生异常的有无无关，若运转条件发生变化，则各种测量数据的值也发生变化。
虽然时效劣化、运转条件变化不是异常，但是在仅用新类别的产生来判定异常的方法中会将它们诊断为异常。这成为了产生误报的原因。
在本发明中，通过在诊断单元500中具备异常判定部510、时效劣化检测部530、运转条件变化检测部540，从而由于区别了作为状态变化的要因的时效劣化、运转条件变化、异常，故能够降低误报的产生率。
另外，使用不具备本发明的异常判定部510、时效劣化检测部530、运转条件变化检测部540的诊断装置，为了区别时效劣化、运转条件变化、异常则需要长期间的运转数据。即，在使正常状态学习模式动作之际，需要能评价所有的运转条件以及时效劣化的数据。因此，从机械设备运转开始到开始诊断为止的期间变长。然而，通过使用本发明的诊断装置，即便在能用于诊断的运转少的阶段也能够区别异常、时效劣化、运转条件变化，因而能够缩短导入诊断装置所需的期间。
图2是表示图1的诊断装置200的基本动作的流程图。图2(a)是表示正常状态学习模式的图，图2(b)是表示诊断模式的图。
以下，使用图1所记载的构成要素来进行说明。
诊断装置200具有基于基准信号数据库240中保存的信息将正常时的数据分类成类别的正常状态学习模式、以及诊断机械设备100的状态的诊断模式这2个基本动作。
在图2(a)中，通过依次进行步骤1000以及1010来执行正常状态学习模式。
首先，在步骤S1000中，使处理数据提取单元300动作，从测量信号数据库230的测量信号5之中提取诊断信号6。诊断信号6保存在基准信号数据库240中。基准信号数据库240中保存的数据是操作人员(操作员)将机械设备100的运转状态判定为正常的期间的数据。另外，使用图6在后面叙述基准信号数据库240中保存的数据项目。
接着，在步骤S1010中，使分类单元400动作，将在基准信号数据库240中保存的基准信号7进行分类，将分类结果8保存到分类结果数据库250中。
这样，在图2(a)的正常状态学习模式下，执行使用了图1的诊断装置200内的左侧的列的处理数据提取单元300、测量信号数据库230、基准信号数据库240、分类单元400、分类结果数据库250的处理。
在图2(b)所示的诊断模式下，通过依次进行步骤S1100、S1110以及S1120来执行。
首先，在步骤S1100中，经由外部输入接口210将来自机械设备100的测量信号1取入到诊断装置200中，并将测量信号3保存到测量信号数据库230中。
接着，使处理数据提取单元300动作，从测量信号数据库230之中提取测量信号5，并将时刻最新的诊断信号6发送至诊断单元500。
在步骤S1110中，使诊断单元500动作。在诊断单元500中，按照状态变化检测部520、时效劣化检测部530、运转条件变化检测部540、异常判定部510的顺序使运算部动作。将从诊断单元500输出的诊断结果10发送并保存到诊断结果数据库260中。从诊断结果数据库260输出的诊断结果12经由外部输出接口220变换成图像显示信息14，并输出至图像显示装置940。
在步骤S1120中，使警报产生单元600动作，判定可否产生警报。在产生警报的情况下，将警报产生单元600所输出的警报信号13经由外部输出接口220变换成图像显示信息14，并输出至图像显示装置940。由此，向机械设备100的操作人员(操作员)通知警报。
这样，在图2(b)的诊断模式下，执行使用了图1的诊断装置200内的右侧的列的诊断单元500(状态变化检测部520、时效劣化检测部530、运转条件变化检测部540、异常判定部510)、外部输出接口220、图像显示装置940、警报产生单元600的处理。此外，其前提当然是使用了外部输入接口210、测量信号数据库230、处理数据提取单元300。
图3是说明执行诊断装置200的正常状态学习模式的流程图(图2(a))以及诊断模式的流程图(图2(b))的时序的图。
诊断装置200在每个采样周期中从机械设备100获取测量信号1。
在图3(a)中，在每个采样周期中使正常状态学习模式以及诊断模式这两个模式动作来进行诊断。
另外，在图3(b)中，在每个规定的设定期间中使正常状态学习模式动作、在每个采样周期内仅使诊断模式动作来进行诊断。
而且，在图3(c)中，操作人员实施设定学习期间、诊断期间的操作，并在该时刻使正常状态学习模式以及诊断模式动作。
无论采用什么方法，都能在每个采样周期内执行诊断模式，联机地诊断机械设备的状态。
以下，具体地对正常状态学习模式的处理内容和诊断模式下的处理内容按该顺序依次进行说明，其前提是无论在哪个模式下都执行将所输入的过程量分类成类别的处理。在正常状态学习模式下分类单元400相当于执行该处理的单元，在诊断模式下状态变化检测部520相当于执行该处理的单元。因而，在进入各模式下的动作说明之前，作为公共认识而以图4的框图来说明类别分类方法的观点。
以下，叙述向分类单元400以及状态变化检测部520应用自适应谐振理论(Adaptive Resonance Theory：ART)的情况，但是也可以采用向量量化等其它聚类方法。
如图4(a)所示，分类单元400以及状态变化检测部520由数据前处理装置710以及ART模块720构成。而且，ART模块720具备F0层721、F1层722、F2层723、存储器724以及选择子***725，它们相互结合。此外，F0层721、F1层722例如如图4(b)、图4(c)所示那样构成。
在该图4(a)中，首先，数据前处理装置710将运转数据变换成ART模块720的输入数据。具体而言，执行下述的(1)(2)式。以下，说明该程序(步骤)。
首先，按每个测量项目，计算最大值以及最小值。使用计算出的最大值以及最小值来对数据进行标准化。在这里，以机械设备的过程量xi为例来说明标准化的方法。
xi的数据数为N个，将第n个测量值设为xi(n)。另外，将N个数据中的最大值以及最小值分别设为Max_i、Min_i，则标准化后的数据Nxi (n)用下述(1)式进行表示。
[数学式1]
Nxi(n)＝α+(1-α)×(xi(n)-Min_i)/(Max_i-Min_i)…(1)
在此，α(0≤α＜0.5)为常数，根据上述(1)式而数据被标准化为[α，1-α]的范围。
接着，计算标准化后的数据的补数，加入到输入数据中。标准化数据Nxi(n)的补数CNxi(n)用下述(2)式进行计算。
[数学式2]
CNxi(n)＝1-Nxi(n)    …(2)
在数据前处理装置710中，对多个输入数据执行上述(1)(2)式，将包括作为其结果而得到的标准化数据Nxi(n)以及标准化数据的补数CNxi(n)在内的数据作为输入数据Ii(n)，输入至ART模块720。以上的步骤包括在数据前处理装置710中进行的运转数据向ART模块720的输入数据变换处理中。
在ART模块720中，将输入数据Ii(n)分类成多个类别。为此，ART模块720具备F0层721、F1层722、F2层723、存储器724以及选择子***725，它们相互结合。F1层722以及F2层723经由权重系数进行结合。权重系数表示输入数据被分类的类别的原型(prototype)。在这里，原型表示类别的代表值。
接着，说明ART模块720的算法。
向ART模块720输入了输入数据时的算法概要如下述的处理1～处理5所示。
处理1：在图4(b)中，通过表示处理内容的F0层721，将输入向量进行标准化，去除噪声。
处理2：通过输入至F1层722的输入数据和权重系数的比较，根据图4(c)的处理内容来选择合适的类别的候补。
处理3：根据与参数ρ之比来评价由选择子***725选择出的类别的适当性。如果判断为适当，则输入数据被分类到该类别中，进入处理4。另一方面，如果没有被判断为适当，则该类别被复位，从其他类别之中选择合适的类别的候补(重复处理2)。若增大参数ρ的值则类别的分类变细，若减小ρ的值则分类***。将该参数ρ称为警戒(vigilance)参数。
处理4：若在处理2中全部的已知的类别被复位，则判断出输入数据属于新类别，生成表示新类别的原型的新的权重系数。
处理5：若输入数据被分类成类别J，则与类别J对应的权重系数WJ(new)，使用过去的权重系数WJ(old)以及输入数据p(或由输入数据派生出的数据)根据下述(3)式而被更新。
[数学式3]
WJ(new)＝Kw·p+(1-Kw)·WJ(old)    …(3)
在这里，Kw为学习率参数(0＜Kw＜1)，是决定将输入向量反映到新的权重系数的程度的值。
ART模块720的数据分类算法的特征在于上述的处理4。
在处理4中，在输入了与图1的分类结果数据库250所记录(保存)的式样不同的输入数据的情况下，能够不变更所记录的式样而记录新的式样。因而，可以一边记录过去学习过的式样一边记录新式样。
这样，若给予了作为输入数据预先给予的运转数据，则ART模块720学习所给予的式样。因此，在学习完毕的ART模块720中输入了新的输入数据，则能够根据上述算法来判定与过去的哪个式样相接近。另外，如果为过去未曾经历过的式样，则被分类成新类别。
具体而言，用以下的步骤来执行以上的全部处理1～处理5。
首先，图4(b)是表示F0层721的构成的框图。F0层721由处理功能块71、72、73、74构成，在各处理功能块71、72、73、74中分别执行以下的(4)(5)(6)(7)式，求出标准化输入向量。
图4(b)的F0层721中的一连串处理是：在各时刻将赋予处理功能块71的输入数据Ii再次标准化，生成最终从处理功能块74输出至F1层721以及选择子***725的标准化输入向量Ui。此外，在以下的(4)(5)(6)(7)式中，“i”表示项目数据数，“0”表示F1层。
首先，按照(4)式，根据输入数据Ii来计算Wi0。在这里，a为常数。
[数学式4]
Wi0＝Ii+aUi0    …(4)
接着，使用(5)式来计算使(4)式的Wi0标准化后的Xi0。在这里，W0是将Wi0范数化后的值。
[数学式5]
Xi0＝Wi0/W0    …(5)
然后，使用(6)式来计算从Xi0中去除了噪声后的Vi0。其中，θ是用于去除噪声的常数。根据(6)式的计算，由于微小的值变为0，所以输入数据的噪声被去除。
[数学式6]
Vi0＝f(Xi0)＝Xi0(当Xi0≥θ时)
＝0(在上述以外的情况下)       …(6)
最后，使用(7)式求出标准化输入向量Ui0。其中，V0是将Vi0范数化后的值。最终求出的Ui0为F1层的输入。
[数学式7]
Ui0＝Vi0/V0            …(7)
图4(c)是表示F1层722的构成的框图。在F1层722中，将由(7)式求出的Ui0以短期存储的方式进行保持，计算最终输入至F2层723的Pi。
F2层由处理功能块75、76、77、78、79、80构成，在各处理功能块75、76、77、78、79、80中分别执行以下的(8)(9)(10)(11)(12)(13)式。将该计算式归纳表示为(8)～(13)式。其中，a、b为常数，f()为由(6)式示出的函数，Tj为由F2层722计算的适合度。此外，(9)(11)(12)式的分母是范数化后的值。
[数学式8]
Wi＝Ui0+aUi    …(8)
[数学式9]
Xi＝Wi/W       …(9)
[数学式10]
Vi＝f(Xi)+bf(Qi)…(10)
[数学式11]
Ui＝Vi/V        …(11)
[数学式12]
Qi＝Pi/P        …(12)
[数学式13]
Pi＝Ui+∑g(yi)Zij
其中，g(yi)＝d(Tj＝max(Tj))
＝0(上述以外的情况)    …(13)
利用图4的ART模块720的算法将输入机械设备的过程量进行类别分类的结果示出在图5中。图5(a)是表示分类结果的一例的曲线图。本图中作为例子而显示出测量数据中的2个项目，用2维曲线图进行标记。纵轴以及横轴对各个项目的测量数据进行规格化来表示。
测量数据由图4(a)的ART模块720分割成多个类别750(图5(a)所示的圆)。
在本图中，针对2个项目的测量数据以2维的曲线图进行了表示，但是并不限定于此，也可针对3个项目以上的测量数据而使用多维的坐标来进行类别的制成。
图5(a)的分类结果是在之前说明的图2(a)的正常状态学习模式下在分类单元400中求出的，该结果蓄积在分类结果数据库250中。另外，在图2(b)的诊断模式下在状态变化检测部520中求出。
图5(b)示出从机械设备100获取到的测量信号1根据异常的产生而发生变化时的随时间变化的一例。横轴取时间，纵轴取测量信号、类别编号、以及新类别的产生比例(生成频度)。数据D1以及D2分别对应于项目A以及B。
在本图中，最初项目A以及B大致稳定在一定值，在时刻t1紧前面数据D1(项目A)减少，接着在时刻t1紧后面数据D2(项目B)增加。然后，数据D2(项目B)减少，最终数据D1(项目A)以及数据D2(项目B)都增加。
另外，在到达时刻t1之前，被分类的类别编号为1～4，这是基准时类别、即正常类别。相对于此，在经过了时刻t1之后，项目A以及B的类别编号为5～7，成为表示机械设备的状态发生了变化的新类别。
伴随于此，从刚经过时刻t1之后开始新类别的产生比例(产生频度)增加，直至超过阈值而诊断为状态发生了变化。在这里，新类别的产生比例使用在规定期间内产生的新类别的个数的移动平均来计算。
这样的状态变化在图2(b)的诊断模式下由状态变化检测部520检测出。在状态变化检测部520中，可选择在规定期间内产生的新类别的个数的移动平均超过了阈值时诊断为状态发生了变化的方法、或者按照在所产生的类别为新类别的情况下诊断为状态发生了变化而在为正常类别的情况下诊断为状态没有发生变化的方式对每个样本进行诊断的方法之中的其中一个方法。
图6(a)是用于设定由处理数据提取单元300提取的数据项目的、图1的图像显示装置940的画面。按诊断的目的(想要检测的异常的内容)来决定用于诊断的数据项目。
该画面940能在纵横方向上滚动、且附上了标签(在图例中显示组1和组2的标签)。在画面上，机械设备的过程量(数据项目)A、B、C、D等与其过程编号PID一起显示。另外，显示了各过程量(数据项目)的最大、最小值等，操作人员一边判断各过程量间的相关或诊断的目的(想要检测的异常的内容)等一边选择想要分组来理的过程量的组合。在图的组1的标签中表示过程量(数据项目)A、C、D彼此具有关系且定位到应该监视的组而进行了选择。
图6(b)是表示分类单元400的构成的框图，针对由图6(a)设定的组内的过程量而配置了图4(a)说明过的数据前处理装置和ART模块。也就是说，在分类单元400中，与组的数量相应地，执行数据前处理装置和ART模块中的一连串处理。
图7(a)、图7(b)、图7(c)分别示出在图1的测量信号数据库230、基准信号数据库240以及分类结果数据库250中保存的数据的形态。也可将这些图认为是图1的图像显示装置940的显示画面。此外，在画面940中，纵横方向的滚动条和根据需要被进行标签显示的点，在图6(a)或其他画面中是相同的。
如图7(a)所示，在测量信号数据库230中，按每个采样周期(纵轴的时刻)来保存由机械设备100测量到的多个数据项目(项目A、B、C等)的值。在显示画面940中，在纵轴上按时间序列显示这些的数据项目(项目A、B、C等)的值，通过使用可纵横移动的滚动块56a以及56b从而能够滚动显示宽范围的数据。
另外，在图7(b)的基准信号数据库240的情况下，通过选择表示基准1～2的数据单的标记57a、57b，从而能够仅汇总显示按基准分类的项目。
在图1的处理数据提取单元300中，从测量信号数据库230之中提取在机械设备100的诊断中所使用的数据组。例如，在图7(b)中显示基准信号的数据组为2个(“基准1”、“基准2”)、且选择了“基准1”时的数据组由项目A、项目C以及项目D构成的状态。与由图6(a)设定的组1的数据项目对应的数据为基准1，与组2的数据项目对应的数据为基准2。
这样，在测量信号数据库230中如图7(a)所示那样全部数据项目的测量值作为1个数据组以时间序列的方式进行保存，而在基准信号数据库240中如图7(b)所示那样由处理数据提取单元300提取出的数据项目的测量值作为多个数据组以时间序列的方式进行保存。
进而，图7(c)是表示在图1的分类结果数据库250中保存的数据的形态的显示画面。在图7(c)左侧显示时刻和此时刻下的数据与分类的类别编号之间的关系，在图7(c)右侧显示类别编号与权重系数之间的关系。这样，在分类结果数据库250中保存了基准信号数据库240所保存的每个数据组的分类结果。
图8(a)是构成异常判定部510的框图。在异常判定部510中，使用状态变化检测部520中的状态变化判定结果15、时效劣化检测部530中的时效劣化判定结果16、运转条件变化检测部540中的运转条件变化判定结果17来判定机械设备是否产生了异常。
如图13所归纳的那样，状态变化判定结果15在判定为状态发生了变化的情况下为“1”，在判定为状态没有发生变化的情况下为“0”。时效劣化判定结果16在机械设备的状态变化脱离了时效劣化的范围之时为“1”，在时效劣化的范围内之时为“0”。运转条件变化判定结果17在运转条件没有发生变化之时为“1”，则运转条件发生了变化之时为“0”。
将这些数字信号输入至图8(a)的与门514而得到的结果成为异常判定结果10。即，在机械设备的状态发生变化、且机械设备的状态变化脱离了时效劣化的范围、且运转条件没有发生变化之时，将异常判定结果10设为“1”，判定为产生了异常。在除此之外的条件下，异常判定结果10成为“0”。
图8(b)是在画面940上显示出在诊断结果数据库260中保存的数据的形态的图。状态变化判定结果、运转条件变化判定结果、时效劣化判定结果、异常判定结果分别被以时间序列的方式进行保存，并显示于画面上。另外，在诊断结果数据库260中，也保存了作为使状态变化检测部520动作的结果而得到的图7(c)所示的时刻和在该时刻下的数据与分类的类别编号之间的关系、以及类别编号与权重系数之间的关系。
图8(c)是由图像显示装置940以时间序列的方式显示了在诊断结果数据库260中保存的诊断结果12之际的画面显示例。能够如图8(b)所示那样以数值方式显示时间序列的结果，并且能够如图8(c)所示那样以曲线图的方式显示时间序列的结果。另外，不仅显示“0”、“1”，也能显示某规定期间的移动平均值。在图8(c)中，曲线551表示状态变化判定结果的移动平均值，曲线552表示运转条件变化判定结果的移动平均值，曲线553表示时效劣化判定结果的移动平均值，曲线554表示异常判定结果的移动平均值。
图9(a)是说明时效劣化检测部530的动作的附图。如图9(a)左上的曲线图所示，在时效劣化的情况下测量值逐渐发生变化。也就是说，若横轴表示时间，纵轴表示过程量的大小，则在时效变化的情况下项目A、B表现出缓慢变化的趋势。另一方面，如右上的曲线图所示，测量值有时会脱离时效劣化的范围地发生变化，此时大多是表示发生异常或运转条件发生变化的情况。此外，关于右上的曲线图而言，也是横轴表示时间，纵轴表示过程量的大小。
另外，也能用测量值的变化量、类别的权重系数的变化量Δz来判定伴随上述的时间变化的识别。由于在这些指标之间存在相关，所以能够用Δz来判定时效劣化。图9(a)的下部的曲线图都是横轴取项目A，纵轴取项目B，并记载了在不同的时刻之间的类别的权重系数的变化量Δz。在左侧的时效变化中，类别的权重系数的变化量Δz被表现得小，在测量值脱离时效劣化的范围地发生变化的情况下，类别的权重系数的变化量Δz被表现得大。
此外，即便在正常状态时，伴随着机械设备的时效劣化，数据的趋势也会发生变化。预先记录正常状态时的数据趋势的变化程度，如果为该范围内则判定为在时效劣化的范围内。
图9(b)是说明为时效劣化的范围或脱离时效劣化的范围的判定基准的图。在该图中，横轴取时间变化幅度，纵轴取权重系数变化量，将在正常状态学习模式下获得的最大值作为基准的判定线来准备，根据实际测量到的时间变化幅度与权重系数变化量之间关系是否脱离了边界来决定是否在时效变化的范围内。
在本实施例中，基于总结了正常状态时的时间变化幅度与权重系数变化量之间关系的结果来进行判定。在这里，使用下述(14)式来计算相对于时间变化幅度的权重系数变化量。
[数学式14]
Max(∑(Wi(t+Δt)-Wi(t)2)    …(14)
在(14)式中，Δt为时间变化幅度，i为用于识别数据项目的符号，其中1≤i≤n(n为数据项目总数)，Wi(t)为时刻t下的数据项目i的权重系数。
此外，在诊断模式下，在超过了正常状态时的权重系数的变化量的最大值的情况下，判定为脱离了时效劣化的范围。另外，在本实施例中，将正常状态时的权重系数的变化量的最大值判定为阈值，但是也可将正常状态时的权重系数的变化量的平均值设定为阈值。
图10(a)是说明运转条件变化检测部540的第1实施例的附图。在本实施例中，执行与在分类单元400、状态变化检测部520中实施过的处理相同的图4的ART处理(数据前处理装置710c和ART模块720d的处理)。其中，此时向ART的输入并非机械设备的过程量而是运转条件数据，在这点上不同。也就是说，利用对仅由运转条件数据构成的组的数据进行ART分类后的结果来判断运转条件是否发生了变化。作为运转条件数据的候补而举出“发电电力”、“气温”等与器械特性没有直接关系的外界环境因素。
在用ART分类运转条件数据之时产生了新类别的情况下，运转条件发生变化的可能性高。相反地，在用ART分类运转条件数据之时没有产生新类别、在分类测量数据之时产生了新类别的情况下，状态变化的原因不是运转条件的变化。这样可判定运转条件是否发生了变化。
图10(b)是说明运转条件变化检测部540的第2实施例的图。
在这里，也使用ART。在ART中，如图10(b)所示，纵轴和横轴分别表示项目A和项目B，将基准时的数据分类成几个正常类别。在本动作中，在产生了新类别的情况下，计算成为对象的数据与正常类别之间的类似度，提取最类似的(类似度为最大的)正常类别。
类似度S例如使用下述(15)式来计算，提取S最小的(类似度为最小的)正常类别。
[数学式15]
Sj＝∑(Di-Wij)2            …(15)
在这里，i为用于识别数据项目的符号，其中1≤i≤n(n为数据项目总数)。另外，j为用于识别类别的符号，其中1≤j≤m(m为正常类别的总数)。而且，Sj为类似度，Di为成为对象的数据的数据项目i的值，Wij为类别j中的数据项目i的权重系数。
接着，例如使用下述(16)式来计算各个数据项目的贡献度Ci。
[数学式16]
Ci＝|Di-Wij|            …(16)
由于贡献度越高的数据项目越与正常类别分离，因而可以说是成为产生新类别的原因的数据项目。在该数据项目为运转条件数据的情况下，状态发生变化的原因被判定为是运转条件发生了变化。
在图10(b)所示的事例中，观察相对于正常类别的二维坐标上的位置而言，新类别坐标在纵轴、横轴上发生了什么程度的变化。在该图中横轴的变化(贡献度)比纵轴的变化大，由此可知项目A的贡献度大。
图10(c)是说明运转条件变化检测部540的第3实施例的图。在本实施例中，组合了图10(a)、图10(b)中说明过的功能。
使用图10(a)判定后的结果542和使用图10(b)判定后的贡献度处理结果543被输入至运转条件变化判定部544。在运转条件变化判定部544中，实施AND或OR的数字处理，输出运转条件变化判定结果545。
以下，说明将本发明的诊断装置200应用于火力发电机械设备时的动作。图11是表示火力发电机械设备的框图。
在本图中，火力发电机械设备100包括燃气涡轮发电机110、控制装置120以及数据发送装置130。燃气涡轮发电机110包括发电机111、压缩机112、燃烧器113以及涡轮114。
在发电时，将吸入至压缩机112的空气进行压缩来作为压缩空气，将该压缩空气送至燃烧器113，与燃料进行混合后燃烧。使用通过燃烧产生的高压气体来使涡轮114旋转，并通过发电机111来进行发电。
在控制装置120中，根据电力需求来控制燃气涡轮发电机110的输出。另外，控制装置120将设置于燃气涡轮发电机110的传感器(未图示)测量到的运转数据102作为输入数据。运转数据102是吸气温度、燃料投入量、涡轮排气温度、涡轮旋转数、发电机发电量、涡轮轴振动等状态量，在每个采样周期内进行测量。另外，也测量大气温度等气象信息。
在控制装置120中，使用这些运转数据102来算出用于控制燃气涡轮发电机110的控制信号101。
信号数据发送装置130将包括由控制装置120测量到的运转数据102、以及由控制装置120算出的控制信号101在内的测量信号1发送至诊断装置200。
图12是说明以在图11中叙述的火力发电机械设备为对象而使用诊断装置200进行诊断后的结果的附图。
图12是作为组1的运转条件数据的数据项目而选择发电机输出a、大气温度b、且作为组2的数据项目而选择了发电机输出a、大气温度b、燃料流量c时的结果。
在时刻T0-T1之间，作为正常数据，用于在学习模式下学习正常状态。即便在正常状态下，由于时效变化而效率降低，所以得到相同的数据a所需的燃料流量c增加了。
从时刻T1起开始使用了诊断装置200的诊断。在时刻T1-T2之间虽然为正常状态，但是由于时效变化的影响而导致燃料流量c增加。其结果，由于燃料流量c的值发生变化，导致在使状态变化检测部520动作时产生新类别。因此，在经过时刻T1之后，状态变化判定结果d逐渐接近1。另外，在时效劣化检测部530中，因为燃料流量c的增加比例处于学习时的范围内，所以判定为在时效劣化的范围内。以上，在异常判定部510中判定为没有发生异常。
在时刻T2-T3之间，大气温度b暂时性上升。由于若大气温度b上升则效率降低，则为了获得相同的输出a所需的燃料流量c增加。其结果，在使状态变化检测部520动作时产生新类别。另外，在时效劣化检测部530中，判定为燃料流量c的增加比例脱离了学习时的范围。在运转条件变化检测部540中，由于大气温度b发生了变化，因而判定为运转条件f发生变化。基于以上，在异常判定部510中判定为没有发生异常。
在大气温度降低之后，在时刻T4发生异常，与之相伴地燃料流量c增加。由于燃料流量c的增加比例脱离时效劣化e的范围、且运转条件f也没有发生变化，因而在异常判定部510中判定为产生了异常。
在仅使用状态变化检测部520的结果实施异常判定的情况下，在时刻T1以后会诊断出产生了异常。这是误报。通过使用本发明中叙述的时效劣化检测部530、运转条件变化检测部540，从而能够判定为时刻T1-T4的范围为正常，能够削减误报率。
这样，通过使用本发明的诊断装置200，获得了能减低误报率的效果。另外，通过向操作人员提供数据趋势变化的原因属于时效劣化、运转条件变化、异常的哪种情形，从而有助于机械设备的维护计划制定方案。
另外，虽然在本发明的诊断单元500中具备了异常判定部510、状态变化检测部520、时效劣化检测部530、运转条件变化检测部540，但是也可仅具备时效劣化检测部530或运转条件变化检测部540的其中一方，用于检测时效劣化或运转条件的变化的其中一种情形。
此外，能够将以上进行了图示并在说明书中说明过的事项作为诊断装置来构成，使用计算机将其作为诊断方法来实施，或者将一连串的程序具体表现为程序。
产业上的可利用性
本发明作为机械设备等的诊断装置、诊断方法、诊断程序可广泛应用于各种机械设备等。
符号说明
100：机械设备
200：诊断装置
210：外部输入接口
220：外部输出接口
230：测量信号数据库
240：基准信号数据库
250：分类结果数据库
260：诊断结果数据库
300：处理数据提取单元
400：分类单元
500：诊断单元
510：异常判定部
520：状态变化检测部
530：时效劣化检测部
540：运转条件变化检测部
600：警报产生单元
900：运转管理室
910：外部输入装置
920：键盘
930：鼠标
940：图像显示装置

Claims (10)

1.一种机械设备的诊断装置，根据诊断对象机械设备的测量信号来探测诊断对象机械设备的异常并报告异常，该机械设备的诊断装置的特征在于，包括：
状态变化检测部，其将所述诊断对象机械设备的测量信号分类成类别来进行存储，在不属于所分类的类别的情况下判定为状态发生了变化；
异常判定部，其将来自该状态变化检测部的信号作为输入的一部分而判定为在所述诊断对象机械设备中产生了异常；
警报产生单元，其将该异常判定部的输出报告到外部；和
误报阻止部，其探测所述诊断对象机械设备的异常以外的事件，阻止所述异常判定部的输出，
所述误报阻止部包括时效劣化检测部，该时效劣化检测部使用所述诊断对象机械设备的测量信号来求出与类别对应的权重系数，在与类别对应的权重系数的变化量超过了最大值的情况下判定为脱离了时效劣化的范围，
该时效劣化检测部在没有脱离时效劣化的范围时阻止所述异常判定部的输出。
2.根据权利要求1所述的机械设备的诊断装置，其特征在于，
所述误报阻止部包括运转条件变化检测部，该运转条件变化检测部将所述诊断对象机械设备的运转条件数据分类成类别来进行存储，在没有产生新类别的情况下判定为运转条件没有发生变化，
该运转条件变化检测部在运转条件发生了变化时阻止所述异常判定部的输出。
3.根据权利要求2所述的机械设备的诊断装置，其特征在于，
作为运转条件变化检测部的输入的运转条件数据，由与构成所述诊断对象机械设备的器械的特性没有直接关系的外界环境因素构成。
4.一种机械设备的诊断装置，根据诊断对象机械设备的测量信号来探测诊断对象的异常并报告异常，所述机械设备的诊断装置的特征在于，包括：
状态变化检测部，其将所述诊断对象机械设备的测量信号分类成类别来进行存储，在不属于所分类的类别的情况下判定为状态发生了变化；
时效劣化检测部，其使用诊断对象机械设备的测量信号来求出与类别对应的权重系数，在与类别对应的权重系数的变化量超过了最大值的情况下判定为脱离了时效劣化的范围；
运转条件变化检测部，其将诊断对象机械设备的运转条件数据分类成类别来进行存储，在没有产生新类别的情况下判定为运转条件没有发生变化；
异常判定部，其在由所述状态变化检测部判定为状态发生了变化、且由所述时效劣化检测部判定为脱离了时效劣化的范围、且由所述运转条件变化检测部判定为运转条件没有发生变化之时，判定为所述诊断对象产生了异常；和
警报产生单元，其将该异常判定部的输出报告到外部。
5.一种机械设备的诊断装置，具备：
测量信号数据库，其保存诊断对象机械设备的测量信号；
处理数据提取单元，其从所述测量信号数据库之中提取为了诊断所述诊断对象机械设备的状态而使用的诊断信号；
基准信号数据库，其保存所述诊断信号；
分类单元，其将在所述基准信号数据库中保存的数据分类成类别；
分类结果数据库，其将所述类别作为正常类别进行保存；
诊断单元，其使用由所述处理数据提取单元提取出的最新的所述诊断信号、和在所述分类结果数据库中保存的所述正常类别的信息，诊断所述诊断对象机械设备的状态属于正常、异常、运转条件变化、时效劣化的哪种情形；
诊断结果数据库，其保存所述诊断单元的诊断结果；和
向图像显示装置输出在所述诊断结果数据库中保存的信息的单元，
所述机械设备的诊断装置的特征在于，
所述诊断单元中具备异常判定部、状态变化检测部、时效劣化检测部以及运转条件变化检测部，
所述状态变化检测部具备下述功能：在由所述处理数据提取部提取出的最新的所述诊断信号不属于在所述分类结果数据库中保存的所述正常类别的情况下判定为状态发生了变化，
所述时效劣化检测部具备下述功能：导出正常状态时的时间变化幅度和与类别对应的权重系数变化量之间的关系，当在诊断过程中超过了正常状态时的与类别对应的权重系数的变化量的最大值的情况下判定为脱离了时效劣化的范围，
所述运转条件变化检测部具备下述功能：在将由与器械特性没有直接关系的外界环境因素构成的运转条件数据分类成类别之时没有产生新类别的情况下，判定为运转条件没有发生变化，
在所述异常判定部中，在由所述状态变化检测部判定为状态发生了变化、且由所述时效劣化检测部判定为脱离了时效劣化的范围、且由所述运转条件变化检测部未判定为运转条件没有发生变化之时，判定为异常。
6.一种机械设备的诊断方法，根据诊断对象机械设备的测量信号来探测诊断对象机械设备的异常并报告异常，所述机械设备的诊断方法的特征在于，
将所述诊断对象机械设备的测量信号分类成类别来进行存储，在不属于所分类的类别的情况下判定为状态发生了变化，使用诊断对象机械设备的测量信号来求出与类别对应的权重系数，在与类别对应的权重系数的变化量超过了最大值的情况下判定为脱离了时效劣化的范围，将诊断对象的运转条件数据分类成类别来进行存储，在没有产生新类别的情况下判定为运转条件没有发生变化，此时，判定为所述诊断对象机械设备中产生了异常，并报告到外部。
7.一种机械设备的诊断程序，根据诊断对象机械设备的测量信号来探测诊断对象机械设备的异常并报告异常，所述机械设备的诊断程序的特征在于，包括：
状态变化检测步骤，将所述诊断对象机械设备的测量信号分类成类别来进行存储，在不属于所分类的类别的情况下判定为状态发生了变化；
异常判定步骤，将来自该状态变化检测步骤的信号作为输入的一部分而判定为在所述诊断对象中产生了异常；
警报产生步骤，将该异常判定步骤的输出报告到外部；和
误报阻止步骤，探测所述诊断对象的异常以外的事件，阻止所述异常判定步骤的输出，
所述误报阻止步骤包括时效劣化检测步骤，在该时效劣化检测步骤中使用所述诊断对象机械设备的测量信号来求出与类别对应的权重系数，在与类别对应的权重系数的变化量超过了最大值的情况下判定为脱离了时效劣化的范围，
在该时效劣化检测步骤中，在没有脱离时效劣化的范围时阻止所述异常判定步骤的输出。
8.根据权利要求7所述的机械设备的诊断程序，其特征在于，
所述误报阻止步骤包括运转条件变化检测步骤，在该运转条件变化检测步骤中将所述诊断对象机械设备的运转条件数据分类成类别来进行存储，在没有产生新类别的情况下判定为运转条件没有发生变化，
在该运转条件变化检测步骤中，在运转条件发生了变化时阻止所述异常判定步骤的输出。
9.根据权利要求8所述的机械设备的诊断程序，其特征在于，
作为运转条件变化检测步骤的输入的运转条件数据，由与构成所述诊断对象的器械的特性没有直接关系的外界环境因素构成。
10.一种机械设备的诊断程序，根据诊断对象机械设备的测量信号来探测诊断对象机械设备的异常并报告异常，所述机械设备的诊断程序的特征在于，包括：
状态变化检测步骤，将所述诊断对象机械设备的测量信号分类成类别来进行存储，在不属于所分类的类别的情况下判定为状态发生了变化；
时效劣化检测步骤，使用诊断对象机械设备的测量信号来求出与类别对应的权重系数，在与类别对应的权重系数的变化量超过了最大值的情况下判定为脱离了时效劣化的范围；
运转条件变化检测步骤，将诊断对象机械设备的运转条件数据分类成类别来进行存储，在没有产生新类别的情况下判定为运转条件没有发生变化；
异常判定步骤，在由所述状态变化检测步骤判定为状态发生了变化、且由所述时效劣化检测步骤判定为脱离了时效劣化的范围、且由所述运转条件变化检测步骤判定为运转条件没有发生变化之时，判定为所述诊断对象产生了异常；和
警报产生步骤，将该异常判定步骤的输出报告到外部。
CN201080065911.2A 2010-04-08 2010-04-08 机械设备的诊断装置、诊断方法及诊断程序 Active CN102870057B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2010/002575 WO2011125130A1 (ja) 2010-04-08 2010-04-08 プラントの診断装置、診断方法、及び診断プログラム

Publications (2)

Publication Number Publication Date
CN102870057A CN102870057A (zh) 2013-01-09
CN102870057B true CN102870057B (zh) 2015-01-28

Family

ID=44762120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201080065911.2A Active CN102870057B (zh) 2010-04-08 2010-04-08 机械设备的诊断装置、诊断方法及诊断程序

Country Status (3)

Country Link
JP (1) JP5544418B2 (zh)
CN (1) CN102870057B (zh)
WO (1) WO2011125130A1 (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6116466B2 (ja) * 2013-11-28 2017-04-19 株式会社日立製作所 プラントの診断装置及び診断方法
JP6366520B2 (ja) * 2015-02-02 2018-08-01 日立Ｇｅニュークリア・エナジー株式会社 出力変動監視装置および方法
US20190011506A1 (en) * 2016-01-20 2019-01-10 Mitsubishi Electric Corporation Malfunction detection apparatus capable of detecting actual malfunctioning device not due to abnormal input values
JP6031202B1 (ja) * 2016-01-29 2016-11-24 ファナック株式会社 製造機械の異常の原因を発見するセル制御装置
JP6609689B2 (ja) * 2016-03-15 2019-11-20 株式会社日立製作所 異常診断システム
KR101876185B1 (ko) * 2016-08-29 2018-07-09 한국수력원자력 주식회사 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템
JP7017851B2 (ja) * 2016-12-01 2022-02-09 住友重機械工業株式会社 故障診断システムおよび処理ユニット
JP6793565B2 (ja) * 2017-02-06 2020-12-02 三菱パワー株式会社 状態分析装置、表示方法、およびプログラム
JP6721563B2 (ja) * 2017-11-28 2020-07-15 ファナック株式会社 数値制御装置
JP7180985B2 (ja) * 2018-03-01 2022-11-30 株式会社日立製作所 診断装置および診断方法
JP6810097B2 (ja) * 2018-05-21 2021-01-06 ファナック株式会社 異常検出器
JP6777686B2 (ja) * 2018-05-29 2020-10-28 ファナック株式会社 診断装置、診断方法及び診断プログラム
JP7461879B2 (ja) * 2018-07-10 2024-04-04 住友重機械工業株式会社 建設機械の表示方法及び建設機械の支援装置
JP7057252B2 (ja) * 2018-08-08 2022-04-19 Dmg森精機株式会社 異常状態判定システム
JP6760503B2 (ja) * 2018-08-31 2020-09-23 東芝三菱電機産業システム株式会社 製造プロセス監視装置
JP7260292B2 (ja) * 2018-12-04 2023-04-18 日立グローバルライフソリューションズ株式会社 異常診断装置及び異常診断方法
CN113168171B (zh) * 2018-12-05 2023-09-19 三菱电机株式会社 异常探测装置以及异常探测方法
WO2020144747A1 (ja) * 2019-01-08 2020-07-16 眞鍋造機株式会社 異常検知装置、クレーンシステムおよび異常検知方法
JP7316816B2 (ja) * 2019-03-26 2023-07-28 株式会社日本総合研究所 情報処理装置及びプログラム
US11604458B2 (en) * 2019-09-17 2023-03-14 Nissan Motor Co., Ltd. Anomaly determination device and anomaly determination method
JP2021189964A (ja) * 2020-06-03 2021-12-13 日立グローバルライフソリューションズ株式会社 異常診断装置及び異常診断方法
JP7260069B1 (ja) * 2022-03-29 2023-04-18 三菱電機株式会社 異常検知装置、機械システム及び異常検知方法
CN117916681A (zh) * 2022-04-12 2024-04-19 三菱重工业株式会社 数据处理装置及数据处理方法
JP7485473B1 (ja) 2023-03-22 2024-05-16 東芝エネルギーシステムズ株式会社 発電機クーラ性能監視装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04186119A (ja) * 1990-11-21 1992-07-02 Hitachi Ltd 異常監視方法及び装置
JPH10301619A (ja) * 1997-04-23 1998-11-13 Toshiba Corp 燃料電池発電プラント診断装置
JP2005165375A (ja) * 2003-11-28 2005-06-23 Hitachi Ltd 設備の診断装置及び診断方法
CN101118694A (zh) * 2007-05-18 2008-02-06 李克明 汽车智能化管理***

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0660280A (ja) * 1992-08-10 1994-03-04 Mitsubishi Electric Corp 変電設備監視装置
JP3745783B2 (ja) * 1994-06-08 2006-02-15 株式会社アドイン研究所 パターン分類装置及びこの装置を利用する状態監視システム
JP4140634B2 (ja) * 2006-01-26 2008-08-27 松下電工株式会社 異常監視方法、および異常監視装置
JP4767039B2 (ja) * 2006-02-28 2011-09-07 株式会社フジクラ 振動検知センサシステム及び振動検知方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04186119A (ja) * 1990-11-21 1992-07-02 Hitachi Ltd 異常監視方法及び装置
JPH10301619A (ja) * 1997-04-23 1998-11-13 Toshiba Corp 燃料電池発電プラント診断装置
JP2005165375A (ja) * 2003-11-28 2005-06-23 Hitachi Ltd 設備の診断装置及び診断方法
CN101118694A (zh) * 2007-05-18 2008-02-06 李克明 汽车智能化管理***

Also Published As

Publication number Publication date
CN102870057A (zh) 2013-01-09
JPWO2011125130A1 (ja) 2013-07-08
JP5544418B2 (ja) 2014-07-09
WO2011125130A1 (ja) 2011-10-13

Similar Documents

Publication Publication Date Title
CN102870057B (zh) 机械设备的诊断装置、诊断方法及诊断程序
CN102999038B (zh) 发电设备的诊断装置、以及发电设备的诊断方法
WO2023071217A1 (zh) 基于深度迁移学习的多工况流程工业故障检测诊断方法
CN108460144B (zh) 一种基于机器学习的煤炭设备故障预警***及方法
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
US7181365B2 (en) Diagnostic data detection and control
KR101713985B1 (ko) 예지 정비 방법 및 장치
US8682824B2 (en) Method and device for monitoring the state of a facility
JP5199478B2 (ja) プラント診断装置
JP6200833B2 (ja) プラントと制御装置の診断装置
KR102618023B1 (ko) 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법
CN107229017A (zh) 一种风力发电机组变桨蓄电池异常故障预测方法
EP3469434B1 (en) Automatic visual and acoustic analytics for event detection
TWI780434B (zh) 異常診斷裝置及方法
Lahrache et al. Anomaly detection in a cutting tool by k-means clustering and support vector machines
CN116244651A (zh) 用于检测制造异常的***和方法
CN114004059B (zh) 一种水轮发电机组健康画像方法
Purarjomandlangrudi et al. Application of anomaly technique in wind turbine bearing fault detection
CN111108455A (zh) 数据分类装置
Richter et al. Automatic Defect Detection by Classifying Aggregated Vehicular Behavior
US20230418272A1 (en) System for Determining Operating Points in a Chemical Plant
US20230046709A1 (en) Prediction apparatus, prediction method, and program
CN117687382A (zh) 一种车辆故障对账方法、***及计算机介质
Ardakani et al. A New Scheme for Monitoring and Diagnosis of Multistage Manufacturing Processes Using Product Quality Measurements
CN116244654A (zh) 基于多类型信号干式真空泵工作状态智能诊断方法及***

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant