JP2013137797A - Plant operation state monitoring method - Google Patents
Plant operation state monitoring method Download PDFInfo
- Publication number
- JP2013137797A JP2013137797A JP2013043523A JP2013043523A JP2013137797A JP 2013137797 A JP2013137797 A JP 2013137797A JP 2013043523 A JP2013043523 A JP 2013043523A JP 2013043523 A JP2013043523 A JP 2013043523A JP 2013137797 A JP2013137797 A JP 2013137797A
- Authority
- JP
- Japan
- Prior art keywords
- mahalanobis distance
- plant
- data group
- state
- monitoring
- 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.)
- Granted
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
本発明は、プラントが正常に運転されているか否かを判定するプラント運転状態監視方法に関する。 The present invention relates to a plant operation state monitoring method for determining whether or not a plant is operating normally.
ガスタービン発電プラントや、原子力発電プラント、あるいは化学プラントといった各種のプラントでは、プラントが正常に運転されているか否かを監視するため、温度や、圧力といったプラントの状態量を取得し、監視する。すなわち、監視対象である複数の監視項目の状態量を所定の時間間隔で計測し、監視項目ごとの状態量の平均と分布を計算して正規化し、また、各監視項目の状態量の相関関係を計算して、マハラノビス距離を計算し、該マハラノビス距離が、予め設定した閾値を越えた場合、プラントに異常の兆候があると判定している。 In various plants such as a gas turbine power plant, a nuclear power plant, or a chemical plant, in order to monitor whether or not the plant is operating normally, plant state quantities such as temperature and pressure are acquired and monitored. That is, the state quantities of multiple monitoring items to be monitored are measured at predetermined time intervals, the average and distribution of the state quantities for each monitoring item are calculated and normalized, and the correlation between the state quantities of each monitoring item And the Mahalanobis distance is calculated. When the Mahalanobis distance exceeds a preset threshold value, it is determined that there is a sign of abnormality in the plant.
特許文献1には、このようなマハラノビス距離を用いた設備監視方法が開示されている。この設備監視方法では、システム同定のために予め定めた数式モデルに同期運動体の振動に関する時系列データを与えることによって該数式モデルのシステムパラメータを演算した結果と、そのシステムが正常な状態におけるシステムパラメータ群との乖離度に対して、原系列信号の自己相関係数行列にて重み付けをした指標(予測誤差分数)及び前記乖離度に対して正常時におけるシステムパラメータ群の分散・共分散行列の逆行列にて重み付けをした指標(マハラノビス距離)を組み合わせて、周期運動体の劣化状態を総合的に判断する。そして、このような設備監視方法により、プラントの状態量を多数有する場合でも、該プラントの監視を簡易に行うことができるものである。 Patent Document 1 discloses a facility monitoring method using such Mahalanobis distance. In this facility monitoring method, the result of calculating the system parameters of the mathematical model by giving time series data related to the vibration of the synchronous moving body to the mathematical model predetermined for system identification, and the system in a normal state An index (prediction error fraction) weighted with the autocorrelation coefficient matrix of the original sequence signal with respect to the degree of deviation from the parameter group, and the variance / covariance matrix of the system parameter group at normal time with respect to the degree of deviation A deterioration state of the periodic moving body is comprehensively determined by combining an index (Mahalanobis distance) weighted with an inverse matrix. And even if it has many state quantities of a plant by such an equipment monitoring method, the monitoring of this plant can be performed easily.
しかしながら、上述したマハラノビス距離を用いたプラント運転状態監視方法では、多数の監視項目の状態量を監視しており、このため、マハラノビス距離を求めるために多くの演算を繰り返す必要がある。その結果、演算に多くの時間がかかり、プラントが正常に運転されているか否かを判定が遅延するという問題があった。
具体的には、状態量をx,yとした場合、マハラノビス距離の計算は、x2+y2 の平方根といった単純な計算を監視項目間で行うが、例えば、監視項目が100あれば、各状態量に対して100×100=10000倍の回数の演算が必要であり、その演算処理に多くの時間が必要となっていた。
However, in the above-described plant operating state monitoring method using the Mahalanobis distance, the state quantities of a large number of monitoring items are monitored, and therefore it is necessary to repeat many operations in order to obtain the Mahalanobis distance. As a result, there is a problem that the calculation takes a lot of time and the determination of whether or not the plant is operating normally is delayed.
Specifically, when the state quantities are x and y, the Mahalanobis distance is calculated between the monitoring items by a simple calculation such as the square root of x 2 + y 2. For example, if there are 100 monitoring items, each state The number of calculations is required 100 × 100 = 10000 times the quantity, and much time is required for the calculation process.
この発明は、上述した事情に鑑みてなされたものであって、マハラノビス距離を求めるための演算を高速化することができ、プラントが正常に運転されているか否かの判定を速やかに行うことができるプラント運転状態監視方法の提供を目的とする。 The present invention has been made in view of the above-described circumstances, and can speed up the calculation for obtaining the Mahalanobis distance, and can quickly determine whether or not the plant is operating normally. An object of the present invention is to provide a method for monitoring the operating state of a plant.
上記課題を解決するために、この発明は以下の手段を提案している。
本発明のプラント運転状態監視方法では、プラントの多くの監視項目の状態量をより少数かつ複数の監視項目の状態量からなるデータ群に分類する過程と、各データ群毎に状態量からマハラノビス距離を演算する過程と、各データ群で演算されたマハラノビス距離のマハラノビス距離を算出する過程と、前記マハラノビス距離のマハラノビス距離を予め設定した閾値と比較する過程と、前記比較結果によりプラントの異常の有無を判定する過程と、を有することを特徴とする。
In order to solve the above problems, the present invention proposes the following means.
In the plant operating state monitoring method of the present invention, the process of classifying the state quantities of many monitoring items of the plant into a data group consisting of a smaller number and a plurality of monitoring item state quantities, and the Mahalanobis distance from the state quantity for each data group A process of calculating the Mahalanobis distance of the Mahalanobis distance calculated in each data group, a process of comparing the Mahalanobis distance of the Mahalanobis distance with a preset threshold value, and whether there is a plant abnormality based on the comparison result And a process of determining.
本発明のプラント運転状態監視方法によれば、プラントの多くの監視項目の状態量をより少数かつ複数の監視項目の状態量からなるデータ群に分類し、分類した各データ群毎に状態量からマハラノビス距離を演算するようにしたので、従来のように、マハラノビス距離を求めるための多くの監視項目の状態量のすべての相関を求める演算が必要なく、その結果、マハラノビス距離を求めるための演算を高速化することができ、プラントの異常判定作業を速やかに行うことができる。
また、プラントの多くの監視項目の状態量をより少数かつ複数の監視項目の状態量からなるデータ群に分類することによって、各データ群毎に、単位空間の状態量、信号空間の状態量を計測する時間間隔、単位空間を変更する時間間隔を個別に設定することができ、また、各データ群毎に、単位空間の検索基準、信号空間の検索基準を個別に設定することができるので、監視の信頼性が向上できる各種のデータ処理を簡便に行うことができる。
According to the plant operating state monitoring method of the present invention, state quantities of many monitoring items of a plant are classified into a data group consisting of a smaller number of state quantities of a plurality of monitoring items, and the state quantities are classified for each classified data group. Since the Mahalanobis distance is calculated, there is no need to calculate all the correlations of the state quantities of many monitoring items to determine the Mahalanobis distance as in the past, and as a result, the calculation to calculate the Mahalanobis distance is not required. The speed can be increased, and the abnormality determination work of the plant can be performed promptly.
Also, by classifying the state quantities of many monitoring items in the plant into data groups consisting of a smaller number and a plurality of monitoring item state quantities, the unit space state quantity and signal space state quantity are determined for each data group. The time interval to measure, the time interval to change the unit space can be set individually, and the search criteria of the unit space and the search criterion of the signal space can be set individually for each data group, Various data processing that can improve the reliability of monitoring can be easily performed.
(第1実施形態)
以下、本発明の第1実施形態について図1〜図4を参照して説明する。なお、この発明を実施するための最良の形態(以下、実施形態という)によりこの発明が限定されるものではない。また、下記実施形態における構成要素には、当業者が容易に想定できるもの、実質的に同一のもの、いわゆる均等の範囲のものが含まれる。本実施形態では、本発明をガスタービンの発電プラントの状態監視に適用した例を説明するが、本発明が適用できる対象はこれに限定されるものではない。例えば、原子力発電プラントや、化学プラント等、多数の監視項目を有するプラント全般に対して本発明は適用できる。
(First embodiment)
Hereinafter, a first embodiment of the present invention will be described with reference to FIGS. The present invention is not limited by the best mode for carrying out the invention (hereinafter referred to as an embodiment). In addition, constituent elements in the following embodiments include those that can be easily assumed by those skilled in the art, those that are substantially the same, and those in a so-called equivalent range. Although this embodiment demonstrates the example which applied this invention to the state monitoring of the power plant of a gas turbine, the object which can apply this invention is not limited to this. For example, the present invention can be applied to all plants having a large number of monitoring items such as nuclear power plants and chemical plants.
図1は、本実施形態に係るプラント運転状態監視装置の構成例を示す模式図である。プラント運転状態監視装置10は、ガスタービン6を用いた発電プラント(ガスタービン発電プラント)1の運転中の状態を監視して、ガスタービン発電プラント1が正常に運転されているか否かを判定する。
なお、プラントのガスタービン6を監視するための状態量としては、例えば、ガスタービン6のロータとステータ間の複数箇所で測定されるキャビティ温度、ガス出口にて周方向に沿い複数箇所で測定されるブレードパス温度、ロータの軸振動を検出するめに該ロータの周方向に沿い複数箇所で測定されるロータ軸の変位量、ガスタービン6に設けられる各種弁の開度、などがある。そして、これら状態量は監視対象データとして示され、各状態量において複数個、例えばブレードパス温度では、通常10点〜20点程度測定される。
FIG. 1 is a schematic diagram illustrating a configuration example of a plant operation state monitoring apparatus according to the present embodiment. The plant operation
The state quantities for monitoring the gas turbine 6 of the plant are, for example, cavity temperatures measured at a plurality of locations between the rotor and the stator of the gas turbine 6, and measured at a plurality of locations along the circumferential direction at the gas outlet. Blade path temperature, the amount of displacement of the rotor shaft measured at a plurality of locations along the circumferential direction of the rotor, the opening of various valves provided in the gas turbine 6, and the like. These state quantities are shown as monitoring target data, and a plurality of the state quantities, for example, about 10 to 20 points are usually measured at the blade path temperature.
監視対象であるガスタービン発電プラント1は、ガスタービン6によって発電機5を駆動して電力を発生する。ガスタービン6は、圧縮機2と、燃焼器3と、圧縮機2を回転させるタービン4とから構成される。圧縮機2の吸気口から吸入された空気は圧縮機2で圧縮され、高温、高圧の空気となって燃焼器3へ導かれる。燃焼器3では、高温、高圧の空気に燃料が供給され、燃焼する。燃焼器3で燃焼した燃料は、高温、高圧の燃焼ガスとなってタービン4へ供給され、これを駆動する。これによってタービン4は回転する。
The gas turbine power plant 1 to be monitored generates power by driving a
ガスタービン6の出力軸、すなわち、タービン4及び圧縮機2の回転軸は、発電機5に連結されている。これによって、ガスタービン6が運転されてタービン4が回転することによって得られる出力は発電機5に伝達される。このような構成により、ガスタービン6は発電機5を駆動して、発電機5に電力を発生させる。
The output shaft of the gas turbine 6, that is, the rotating shafts of the
プラント運転状態監視装置10は、ガスタービン発電プラント1の状態を監視する。なお、本実施形態において、プラント運転状態監視装置10は、1台のガスタービン発電プラント1の状態を監視するが、複数台のガスタービン発電プラント1の運転状態を監視してもよい。プラント運転状態監視装置10は、例えば、コンピュータであり、入出力部(I/O)11と、処理部12と、記憶部13とを備えて構成される。プラント運転状態監視装置10は、いわゆるパーソナルコンピュータを利用して構成してもよいし、CPU(Central Processing Unit)とメモリとを組み合わせて構成してもよい。
The plant operation
処理部12は、入出力部11を介してガスタービン発電プラント1に取り付けられる各種の状態量検出手段(センサ類)から、ガスタービン発電プラント1の状態量を受け取る。各種の状態量検出手段は、起動開始から所定の時間間隔で定期的に対応する状態量を取得し、入出力部11を介して処理部12に入力している。
The
ガスタービン発電プラント1の状態量を示す監視対象データ群は、電気信号の形でプラント運転状態監視装置10の処理部12へ送られる。処理部12は、例えば、CPUで構成されており、記憶部13上に存在するプログラム(コンピュータプログラム)と呼ぶ命令列を順に読み込み、解釈し、その結果に従ってデータを移動したり加工したりする。
The monitoring target data group indicating the state quantity of the gas turbine power plant 1 is sent to the
なお、処理部12は、専用のハードウェアによって実現されるものであってもよい。また、処理部12の機能を実現するためのコンピュータプログラムをコンピュータが読み取り可能な記録媒体に記録し、この記録媒体に記録されたコンピュータプログラムをコンピュータシステムに読み込ませ、実行することにより本実施形態に係るプラント運転状態監視方法の処理手順を実行してもよい。なお、ここでいう「コンピュータシステム」とは、OSや、周辺機器などのハードウェアを含むものとする。
Note that the
また、「コンピュータが読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM、CD−ROMなどの可搬媒体、あるいはコンピュータシステムに内蔵されるハードディスクのような記録装置のことをいう。さらに、「コンピュータが読み取り可能な記録媒体」とは、インターネットや、電話回線等の通信回線を介してコンピュータプログラムを送信する場合の通信線のように、短時間の間、動的にコンピュータプログラムを保持するもの、その場合のサーバや、クライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間コンピュータプログラムを保持しているものを含むものとする。また、上記コンピュータプログラムは、前述した機能の一部を実現するためのものであってよく、さらに前述した機能をコンピュータシステムにすでに記録されているコンピュータプログラムとの組み合わせで実現できるものであってもよい。 The “computer-readable recording medium” refers to a portable medium such as a flexible disk, a magneto-optical disk, a ROM, a CD-ROM, or a recording device such as a hard disk built in a computer system. Further, the “computer-readable recording medium” refers to a computer program that is dynamically used for a short time, such as a communication line when a computer program is transmitted via a communication line such as the Internet or a telephone line. What is held, and what holds a computer program for a certain period of time, such as a volatile memory inside a computer system serving as a server or a client in that case, are included. Further, the computer program may be for realizing a part of the above-described functions, and even if the functions described above can be realized in combination with a computer program already recorded in the computer system. Good.
なお、本実施形態に係るプラント運転状態監視方法は、予め用意されたコンピュータプログラムをパーソナルコンピュータや、ワークステーションなどのコンピュータで実行することによって実現できる。このコンピュータプログラムは、インターネット等の通信回線を介して配布することができる。また、このコンピュータプログラムは、ハードディスク、フレキシブルディスク(FD)、CD−ROM、MO、DVD等のコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって該記録媒体から読み出されることによって実行されるようにしてもよい。 The plant operating state monitoring method according to the present embodiment can be realized by executing a computer program prepared in advance on a computer such as a personal computer or a workstation. This computer program can be distributed via a communication line such as the Internet. The computer program is recorded on a computer-readable recording medium such as a hard disk, a flexible disk (FD), a CD-ROM, an MO, and a DVD, and is executed by being read from the recording medium by the computer. May be.
処理部12では、図2に示されるように、プラントの状態量を示す監視対象データを複数のデータ群(NO.1、2、3・・N)に分類するデータ分割過程Aと、該データ分割過程Aで分割された各データ群毎にマハラノビス距離をそれぞれ演算するマハラノビス距離演算過程Bと、各データ群で演算されたマハラノビス距離の最大値を選択する最大値選択過程Cと、選択されたマハラノビス距離の最大値を閾値と比較する比較過程Dと、前記マハラノビス距離の最大値と閾値との比較結果により異常の有無を判定する異常判定過程Eと、いった処理を各演算部にて行う。
In the
マハラノビスの距離の概念を図3に示す。図3は、一例として横軸に発電機出力を取り縦軸にブレードパス温度を取った2つのパラメータの相関関係を示している。すなわち、発電機出力が上がればブレードパス温度も大きくなる。そして、各測定データは大気条件や運転状態などの違いによりばらつきはあるものの発電機出力とブレードパス温度の間には相関関係があり、特定の範囲に収まる。これらを基準データとして基準となる単位空間を作成する。その他の各状態量においても、この発電機出力とブレードパス温度のように相関関係を求めることができる。そして、その単位空間に対して、判断すべきデータが正常か異常かをマハラノビスの距離によって判断するのである。 The concept of Mahalanobis distance is shown in FIG. FIG. 3 shows, as an example, the correlation between two parameters with the generator output on the horizontal axis and the blade path temperature on the vertical axis. That is, if the generator output increases, the blade path temperature also increases. Each measurement data varies depending on the atmospheric conditions, operating conditions, and the like, but there is a correlation between the generator output and the blade path temperature, and it falls within a specific range. A unit space serving as a reference is created using these as reference data. Also in each of the other state quantities, the correlation can be obtained like the generator output and the blade path temperature. Then, whether the data to be determined is normal or abnormal is determined based on the Mahalanobis distance for the unit space.
上述したマハラノビスの単位空間は、本実施形態では予め定めておいた以下の項目により得ることができる。
(1)ガスタービン発電プラント1の状態を評価する時点から、所定期間前までの過去に遡った過去の期間におけるガスタービン発電プラント1の状態量を示す監視対象データに基づいて、マハラノビスの単位空間を演算する。
(2)ガスタービン発電プラント1の状態を評価する時点の状態量を示す監視対象データに基づいて、今後のガスタービン発電プラント1の状態を予測し、その予測値に基づいてマハラノビスの単位空間を演算する。
(3)ガスタービン発電プラント1の状態を評価する時点の状態量を示す監視対象データ、及びプラント起動時に設定される制御目標設定値に基づいて、今後のガスタービン発電プラント1の状態を予測し、その予測値に基づいてマハラノビスの単位空間を演算する。
The above-described Mahalanobis unit space can be obtained by the following items that are predetermined in the present embodiment.
(1) A unit space of Mahalanobis based on the monitoring target data indicating the state quantity of the gas turbine power plant 1 in the past period from the time when the state of the gas turbine power plant 1 is evaluated to the past before a predetermined period. Is calculated.
(2) Predict the future state of the gas turbine power plant 1 based on the monitoring target data indicating the state quantity at the time of evaluating the state of the gas turbine power plant 1, and determine the Mahalanobis unit space based on the predicted value. Calculate.
(3) The future state of the gas turbine power plant 1 is predicted based on the monitoring target data indicating the state quantity at the time of evaluating the state of the gas turbine power plant 1 and the control target set value set at the time of starting the plant. The unit space of Mahalanobis is calculated based on the predicted value.
なお、マハラノビス距離を用いてガスタービン発電プラント1が正常であるか否かを判定する場合、マハラノビス距離を使って多次元データを1次元データに焼き直す。そして、単位空間と信号空間(単位空間と比較するデータであり、例えば、ガスタービン発電プラント1の状態を評価する時の状態量)との違いをマハラノビス距離で見る。本実施形態では、単位空間から作られる行列を使って、信号空間のマハラノビス距離を求める。これによって、データの異常性を表現できるようにしてある。 In addition, when determining whether the gas turbine power plant 1 is normal using Mahalanobis distance, multidimensional data is re-baked into one-dimensional data using Mahalanobis distance. Then, the difference between the unit space and the signal space (data to be compared with the unit space, for example, a state quantity when the state of the gas turbine power plant 1 is evaluated) is seen by the Mahalanobis distance. In the present embodiment, the Mahalanobis distance of the signal space is obtained using a matrix created from the unit space. As a result, data anomalies can be expressed.
プラント運転状態監視装置10の入出力部11には、出力手段であるコントロールパネル14が接続される。コントロールパネル14は、表示手段であるディスプレイ14D及びプラント運転状態監視装置10に対する指令を入力する入力手段14Cが設けられる。プラント運転状態監視装置10の記憶部13は、例えば、RAM(Random Access Memory)のような揮発性のメモリや、ROM(Read Only Memory)のような不揮発性のメモリ、ハードディスク装置や、光磁気ディスク装置、CD−ROM等のような読み出しのみが可能な記憶媒体、あるいはこれらを組み合わせて構成される。記憶部13には、本実施形態に係るプラント運転状態監視方法を実現するためのコンピュータプログラムや、データ等が格納されている。処理部12は、これらのコンピュータプログラムや、データを用いて、本実施形態に係るプラント運転状態監視方法を実現したり、ガスタービン発電プラント1の動作を制御したりする。なお、記憶部13をプラント運転状態監視装置10の外部に設け、通信回線を介してプラント運転状態監視装置10が記憶部13ヘアクセスできるように構成してもよい。
A
ここで、一般的なマハラノビス距離Dを計算するための計算式について説明する。
まず、ガスタービン発電プラント1の状態を表す複数の状態量の合計数をuとし、各状態量をそれぞれ変数Xに割り付け、変数X1〜Xuでu個の状態量を定義する(uは2以上の整数)。次に、基準となるガスタービン発電プラント1の運転状態において、変数X1〜Xuの状態量(監視対象データで示される)を、それぞれ合計v個(2以上)収集する。
Here, a calculation formula for calculating a general Mahalanobis distance D will be described.
First, the total number of a plurality of state quantities representing the state of the gas turbine power plant 1 is u, each state quantity is assigned to a variable X, and u state quantities are defined by variables X1 to Xu (where u is 2 or more). Integer). Next, in the operation state of the gas turbine power plant 1 as a reference, a total of v (two or more) state quantities (indicated by monitoring target data) of the variables X1 to Xu are collected.
変数X1〜Xuのそれぞれの平均値Mi及び標準偏差σi(基準データのばらつき度合い)を、数式(1)及び数式(2)により求める。なお、iは項目数(状態量の数、整数)であって、ここでは1〜uに設定して変数X1〜Xuに対応する値を示す。jは1〜vまでのいずれかの値(整数)をとり、それぞれの状態量の個数がv個であることを意味する。例えば、それぞれの状態量を60個ずつ取得する場合、v=60となる。ここで、標準偏差とは、状態量とその平均値との差を2乗したものの期待値の正平方根とする。 The average value Mi and the standard deviation σi (the degree of variation of the reference data) of each of the variables X1 to Xu are obtained by the formulas (1) and (2). Note that i is the number of items (the number of state quantities, an integer), which is a value corresponding to the variables X1 to Xu set to 1 to u. j takes any value (integer) from 1 to v, meaning that the number of each state quantity is v. For example, when 60 state quantities are acquired, v = 60. Here, the standard deviation is the square root of the expected value of the difference between the state quantity and its average value squared.
次に、演算され特徴を示す状態量である前述の平均値Mi及び標準偏差σiを用いて、元の変数X1〜Xuを、下記の数式(3)によってx1〜xuに変換するという基準化を行う。すなわち、ガスタービン発電プラント1の状態量を、平均0、標準偏差1の確率変数に変換する。なお、下記の数式(3)において、jは1〜vまでのいずれかの値(整数)をとり、それぞれの状態量の個数がv個であることを意味する。 Next, the standardization of converting the original variables X1 to Xu into x1 to xu by the following formula (3) using the above-described average value Mi and standard deviation σi which are state quantities that are calculated and indicate characteristics. Do. That is, the state quantity of the gas turbine power plant 1 is converted into a random variable having an average of 0 and a standard deviation of 1. In the following mathematical formula (3), j takes any value (integer) from 1 to v, meaning that the number of each state quantity is v.
次に、変量を平均0、分散1に標準化したデータで分析を行うため、変数X1〜Xuの相関関係、すなわち、変量の間の関連性を示す共分散行列(相関行列)R、及び共分散行列(相関行列)の逆行列R−1を、下記の数式(4)で定義付ける。なお、下記の数式(4)において、kは項目数(状態量の数)であり、ここではuとする。また、iや、pは、各状態量での値を示し、ここでは1〜uの値をとる。 Next, in order to analyze the data with the variables standardized to mean 0 and variance 1, the correlation between the variables X1 to Xu, that is, the covariance matrix (correlation matrix) R indicating the relationship between the variables, and the covariance An inverse matrix R-1 of the matrix (correlation matrix) is defined by the following mathematical formula (4). In the following mathematical formula (4), k is the number of items (the number of state quantities), which is u here. Further, i and p indicate values in the respective state quantities, and take values of 1 to u here.
このような演算処理の後で、特徴を示す状態量であるマハラノビス距離Dを、下記の数式(5)に基づいて求める。なお、数式(5)において、jは1〜vまでのいずれかの値(整数)をとり、それぞれの状態量の個数がv個であることを意味する。また、kは項目数(状態量の数)であり、ここではuとする。また、a11〜akkは、上述した数式(4)に示す共分散行列Rの逆行列R−1の係数である。 After such a calculation process, the Mahalanobis distance D, which is a state quantity indicating a feature, is obtained based on the following formula (5). In Equation (5), j takes any value (integer) from 1 to v, meaning that the number of each state quantity is v. Further, k is the number of items (the number of state quantities), which is u here. Further, a11 to akk are coefficients of the inverse matrix R-1 of the covariance matrix R shown in the above-described equation (4).
マハラノビス距離Dは基準データ、すなわち、単位空間のマハラノビス距離Dの平均値は1となり、ガスタービン発電プラント1の状態量が正常な状態では、概ね3以下に収まる。しかし、ガスタービン発電プラント1の状態量が異常になると、マハラノビス距離Dの値は大きくなる。このように、マハラノビス距離Dは、ガスタービン発電プラント1の状態量の異常の程度(単位空間からの離れ度合い)に応じて、値が大きくなるという性質を有する。 The Mahalanobis distance D is the reference data, that is, the average value of the Mahalanobis distance D in the unit space is 1, and is approximately 3 or less when the state quantity of the gas turbine power plant 1 is normal. However, when the state quantity of the gas turbine power plant 1 becomes abnormal, the value of the Mahalanobis distance D increases. As described above, the Mahalanobis distance D has a property that the value increases according to the degree of abnormality of the state quantity of the gas turbine power plant 1 (the degree of separation from the unit space).
上記数式(1)〜(5)は、一般的なマハラノビス距離Dを計算するための計算式であるが、本実施形態では、上述したプラントのガスタービン6を監視するための状態量(例えば、ガスタービン6のロータとステータ間の複数箇所で測定されるキャビティ温度、ガス出口にて周方向に沿い複数箇所で測定されるブレードパス温度、ロータの軸振動を検出するめに該ロータの周方向に沿い複数箇所で測定されるロータ軸の変位量、ガスタービン6に設けられる各種弁の開度)等の多くの監視対象の状態量を、より少数かつ複数の監視項目の状態量からなるデータ群に分割し、分割した各データ群毎にマハラノビス距離をそれぞれ演算することを特徴とする。
そして、これら複数の各データ群は、状態量の測定位置(例えば、複数のキャブティ温度、又は複数のブレードパス温度、又は複数のロータ軸変位量、又は各種弁の開度等)により分類しても良いし、また、これら状態量のサンプリング周期(例えば、1分毎、又は10分毎、又は1時間毎のサンプリング周期等)により分類しても良いし、また、前記状態量の種類(温度、又は圧力、又は変位量、又は指令値と測定値との偏差等の監視項目)に基づき分類する。特に相関性の高い監視項目をグループ化することによってデータ群を分類すると良い。
なお、このような監視対象データを各データ群に分割するための分割パターンは記憶部13に予め記憶しておき、分割指令を発することで、処理部12に対して該分割パターンに基づく監視対象データの分割処理を実行させるようにする。
The above formulas (1) to (5) are calculation formulas for calculating a general Mahalanobis distance D, but in this embodiment, state quantities (for example, for monitoring the gas turbine 6 of the plant described above) The cavity temperature measured at a plurality of locations between the rotor and the stator of the gas turbine 6, the blade path temperature measured at a plurality of locations along the circumferential direction at the gas outlet, and the circumferential direction of the rotor to detect the axial vibration of the rotor A group of data composed of a smaller number of monitored items such as displacement amounts of the rotor shaft measured at a plurality of locations along the opening, opening amounts of various valves provided in the gas turbine 6, etc. The Mahalanobis distance is calculated for each divided data group.
Each of the plurality of data groups is classified by a state quantity measurement position (for example, a plurality of cabty temperatures, a plurality of blade path temperatures, a plurality of rotor shaft displacement amounts, or opening amounts of various valves). It is also possible to classify according to the sampling period of these state quantities (for example, every 1 minute, every 10 minutes, or every 1 hour sampling period), and the state quantity type (temperature Or monitoring items such as pressure, displacement, deviation between command value and measurement value). It is particularly preferable to classify data groups by grouping highly correlated monitoring items.
Note that the division pattern for dividing such monitoring target data into each data group is stored in the
次に、本実施形態に係るプラント運転状態監視方法の手順を説明する。本実施形態に係るプラント運転状態監視方法は、図1に示すプラント運転状態監視装置10の処理部12にて実現される。
Next, the procedure of the plant operation state monitoring method according to this embodiment will be described. The plant operation state monitoring method according to the present embodiment is realized by the
図4は、本実施形態に係るプラント運転状態監視方法の手順を示すフローチャートである。
ステップS1では、まず、現在の状態量取得期間において、ガスタービン発電プラント1から状態量を示す監視対象データを取得する。この状態量は、例えば、ガスタービン発電プラント1に取り付けられる各種のセンサ類から既定の時間間隔で定期的に取得され、プラント運転状態監視装置10の記憶部13へ格納される。
FIG. 4 is a flowchart showing the procedure of the plant operating state monitoring method according to the present embodiment.
In step S1, first, monitoring target data indicating a state quantity is obtained from the gas turbine power plant 1 in the current state quantity obtaining period. For example, the state quantity is periodically acquired from various sensors attached to the gas turbine power plant 1 at predetermined time intervals and stored in the
ステップS2では、予め設定しておいた監視対象データの分割指令(前述)に基づき、監視対象データを複数のデータ群に分割してグループ化する。なお、これらのデータ群は、上述したように、温度や、圧力、振動、回転速度等の監視対象毎に分割してグループ化しても良いし、特に相関性の高い監視項目を選択してグループ化することで形成しても良い。 In step S2, the monitoring target data is divided into a plurality of data groups and grouped based on the monitoring target data division command (described above) set in advance. As described above, these data groups may be divided and grouped for each monitoring target such as temperature, pressure, vibration, rotation speed, etc., or monitoring items with particularly high correlation are selected and grouped. It may be formed by forming.
ステップS3-1〜S3-Nでは、分割した各データ群により上記数式に従ってマハラノビス距離をそれぞれ演算した後、次のステップS4にて、これらステップS3-1〜S3-Nの中のマハラノビス距離の最大値を選択する。 In steps S3-1 to S3-N, the Mahalanobis distance is calculated from each divided data group according to the above formula, and then in the next step S4, the maximum of the Mahalanobis distance in these steps S3-1 to S3-N is calculated. Select a value.
ステップS5では、予め設定しておいた閾値と、先のステップS4で求めたマハラノビス距離の最大値とを比較することで、該マハラノビス距離の最大値が、当該閾値を越えたか否かを判断する。その後、ステップS6にて、ステップS5での判断結果に基づき、マハラノビス距離の最大値が、当該閾値を越えたYESの場合に「異常」と判定し(ステップS6)、また、マハラノビス距離の最大値が、当該閾値を越えないNOの場合に「正常」と判定する(ステップS7)。
なお、上述したように、マハラノビス距離は、単位空間から離れれば離れるほどに、異常の程度に応じて大きな値を示す。マハラノビス距離Dは、基準データ、すなわち、単位空間の平均値は1となり、ガスタービン発電プラント1の状態量が正常な状態では、概ね3以下に収まる。したがって、例えば、閾値は、単位空間の最大値よりも大きい値で適宜設定することができる。また、閾値は、ガスタービン発電プラント1の固有の特性や、ガスタービン発電プラント1の製造ばらつき等を考慮した設定値とすることが好ましい。
In step S5, it is determined whether or not the maximum value of the Mahalanobis distance exceeds the threshold value by comparing the preset threshold value with the maximum value of the Mahalanobis distance obtained in the previous step S4. . Thereafter, in step S6, based on the determination result in step S5, when the maximum value of the Mahalanobis distance exceeds YES, it is determined as “abnormal” (step S6), and the maximum value of the Mahalanobis distance is determined. However, it is determined as “normal” in the case of NO that does not exceed the threshold (step S7).
As described above, the Mahalanobis distance increases as the distance from the unit space increases, depending on the degree of abnormality. The Mahalanobis distance D is approximately 3 or less when the reference data, that is, the average value of the unit space is 1, and the state quantity of the gas turbine power plant 1 is normal. Therefore, for example, the threshold value can be appropriately set to a value larger than the maximum value of the unit space. In addition, the threshold value is preferably a set value that takes into consideration the unique characteristics of the gas turbine power plant 1, manufacturing variations of the gas turbine power plant 1, and the like.
以上詳細に説明したように本実施形態に示されるプラント運転状態監視方法によれば、プラントの多くの監視項目の状態量をより少数かつ複数の監視項目の状態量からなるデータ群に分類し、分類した各データ群の状態量毎にマハラノビス距離を演算するようにしたので、従来のように、マハラノビス距離を求めるための多くの監視項目の状態量のすべての相関を演算が必要なく、その結果、マハラノビス距離を求めるための演算を高速化することができ、プラントの異常判定作業を速やかに行うことができる。具体的には、状態量をx,yとした場合、マハラノビス距離の計算は、x2+y2 の平方根といった単純な計算を監視項目間で行うが、例えば、監視項目が100あれば、各状態量に対して100×100=10000倍の回数の演算が必要であり、その演算処理に多くの時間が必要となっていた。
しかし、本実施形態では、監視項目100の状態量を、それぞれ10の監視項目からなるデータ群に分けて、各データ群毎の状態量についての 10×10=100回の演算を10回行うのなら、合計1000回の演算で済み、これによってマハラノビス距離を求めるための演算を高速化することができ、プラントの異常判定作業を速やかに行うことができる。
As described above in detail, according to the plant operation state monitoring method shown in the present embodiment, the state quantities of many monitoring items of the plant are classified into a data group composed of a smaller number and a plurality of monitoring item state quantities, Since the Mahalanobis distance is calculated for each state quantity of each classified data group, it is not necessary to calculate all the correlations of the state quantities of many monitoring items to obtain the Mahalanobis distance as in the past, and as a result The calculation for obtaining the Mahalanobis distance can be speeded up, and the plant abnormality determination work can be quickly performed. Specifically, when the state quantities are x and y, the Mahalanobis distance is calculated between the monitoring items by a simple calculation such as the square root of x 2 + y 2. For example, if there are 100 monitoring items, each state The number of calculations is required 100 × 100 = 10000 times the quantity, and much time is required for the calculation process.
However, in this embodiment, the state quantity of the monitoring item 100 is divided into data groups each consisting of 10 monitoring items, and 10 × 10 = 100 operations for the state quantity for each data group are performed 10 times. Then, a total of 1000 calculations are required, and this can speed up the calculation for obtaining the Mahalanobis distance, and the abnormality determination work of the plant can be performed quickly.
また、プラントの多くの監視項目の状態量をより少数かつ複数の監視項目の状態量からなるデータ群に分類することによって、各データ群毎に、単位空間の状態量、信号空間の状態量を計測する時間間隔、単位空間を変更する時間間隔を個別に設定することができ、また、各データ群毎に、単位空間の検索基準、信号空間の検索基準を個別に設定することができ、監視の信頼性が向上できる各種のデータ処理を簡便に行うことができる。 Also, by classifying the state quantities of many monitoring items in the plant into data groups consisting of a smaller number and a plurality of monitoring item state quantities, the unit space state quantity and signal space state quantity are determined for each data group. The time interval for measuring and the time interval for changing the unit space can be set individually, and the search criteria for the unit space and the search criteria for the signal space can be set individually for each data group. It is possible to easily perform various data processing that can improve reliability.
(第2実施形態)
本発明の第2実施形態について図5を参照して説明する。この第2実施形態に示されるプラント運転状態監視方法が、第1実施形態と異なるのは、分割した各データ群に基づきマハラノビス距離をそれぞれ演算した後のデータ処理方法にある。
すなわち、図5に示されるように、第1実施形態に示されるマハラノビス距離の最大値を選択する最大値選択過程Cに代えて、符号B´で示される第2のマハラノビス距離演算過程にて、マハラノビス距離演算過程Bで演算された各群のマハラノビス距離のマハラノビス距離を求める。
(Second Embodiment)
A second embodiment of the present invention will be described with reference to FIG. The plant operating state monitoring method shown in the second embodiment is different from the first embodiment in the data processing method after calculating the Mahalanobis distance based on each divided data group.
That is, as shown in FIG. 5, instead of the maximum value selection process C for selecting the maximum value of the Mahalanobis distance shown in the first embodiment, in the second Mahalanobis distance calculation process indicated by the reference symbol B ′, The Mahalanobis distance of the Mahalanobis distance of each group calculated in the Mahalanobis distance calculation process B is obtained.
具体的には、処理部20では、図5に示されるように、プラントの多くの監視項目の状態量をより少数かつ複数の監視項目の状態量からなるデータ群に分類して分割する過程Aと、該データ分割過程Aで分割された各データ群毎にマハラノビス距離をそれぞれ演算するマハラノビス距離演算過程Bと、マハラノビス距離演算過程Bの各群で演算されたマハラノビス距離のマハラノビス距離を算出する第2のマハラノビス距離演算過程B´と、第2のマハラノビス距離演算過程B´で演算されたマハラノビス距離のマハラノビス距離を閾値と比較する比較過程Dと、前記マハラノビス距離の最大値と閾値との比較結果により異常の有無を判定する異常判定過程Eと、いった処理を各演算部にて行う。
そして、この処理部20では、マハラノビス距離演算過程Bの各群で演算された複数のマハラノビス距離がどのような分布を持っているのかを知るために、第2のマハラノビス距離演算過程B´にて、マハラノビス距離のマハラノビス距離を演算する。その後、比較過程Dにて、第2のマハラノビス距離演算過程B´での演算結果を、予め設定した閾値と比較した後、異常判定過程Eにて、先のマハラノビス距離のマハラノビス距離が当該閾値を越えた否かにより、プラントの異常の有無を判定する。
Specifically, as shown in FIG. 5, the
In this
そして、この第2実施形態に示されるプラント運転状態監視方法でも、第1実施形態と同様に、多くの監視項目の状態量をより少数かつ複数の監視項目の状態量からなるデータ群に分類し、分類した各データ群の状態量毎にマハラノビス距離を演算するようにしたので、従来のように、マハラノビス距離を求めるための多くの監視項目の状態量のすべての相関を演算が必要なく、その結果、マハラノビス距離を求めるための演算を高速化することができ、プラントの異常判定作業を速やかに行うことができる。
また、第2のマハラノビス距離演算過程B´にて、マハラノビス距離演算過程Bの各群で演算された複数のマハラノビス距離のマハラノビス距離を演算し、既定の閾値と比較することで,該マハラノビス距離演算過程Bの演算されたマハラノビス距離の異常値を正確に検出することができ、プラントの異常発生を正確に判定することが可能となる。
また、本実施形態においても、第1実施形態と同様に、プラントの多くの監視項目の状態量をより少数かつ複数の監視項目の状態量からなるデータ群に分類することによって、各データ群毎に、単位空間の状態量、信号空間の状態量を計測する時間間隔、単位空間を変更する時間間隔を個別に設定することができ、また、各データ群毎に、単位空間の検索基準、信号空間の検索基準を個別に設定することができ、監視の信頼性が向上できる各種のデータ処理を簡便に行える効果も得られる。
And also in the plant operation state monitoring method shown in the second embodiment, as in the first embodiment, the state quantities of many monitoring items are classified into a data group composed of a smaller number of state quantities of a plurality of monitoring items. Because the Mahalanobis distance is calculated for each state quantity of each classified data group, it is not necessary to calculate all the correlations of the state quantities of many monitoring items to obtain the Mahalanobis distance as in the past. As a result, the computation for obtaining the Mahalanobis distance can be speeded up, and the plant abnormality determination work can be quickly performed.
In the second Mahalanobis distance calculation process B ′, the Mahalanobis distance of the plurality of Mahalanobis distances calculated in each group of the Mahalanobis distance calculation process B is calculated and compared with a predetermined threshold value, thereby calculating the Mahalanobis distance calculation. The abnormal value of the computed Mahalanobis distance in the process B can be accurately detected, and the occurrence of the plant abnormality can be accurately determined.
Also in the present embodiment, as in the first embodiment, by classifying the state quantities of many monitoring items of the plant into data groups consisting of a smaller number of state quantities of a plurality of monitoring items, for each data group. In addition, the unit space state amount, the time interval for measuring the signal space state amount, and the time interval for changing the unit space can be set individually, and for each data group, the unit space search criteria, signal Spatial search criteria can be individually set, and various data processing that can improve the reliability of monitoring can be easily performed.
(第3実施形態)
本発明の第3実施形態について図6を参照して説明する。この3実施形態に示されるプラント運転状態監視方法が、先の実施形態と異なるのは、分割した各データ群に基づきマハラノビス距離をそれぞれ演算した後のデータ処理方法にある。
すなわち、図6に示されるように、第1実施形態に示される最大値選択過程C及び比較過程Dに代えて、符号D´で示されるマハラノビス距離個別比較過程が設けられている。
(Third embodiment)
A third embodiment of the present invention will be described with reference to FIG. The plant operation state monitoring method shown in the three embodiments differs from the previous embodiment in the data processing method after calculating the Mahalanobis distance based on each divided data group.
That is, as shown in FIG. 6, instead of the maximum value selection process C and the comparison process D shown in the first embodiment, a Mahalanobis distance individual comparison process indicated by reference numeral D ′ is provided.
具体的には、処理部21では、図6に示されるように、プラントの多くの監視項目の状態量をより少数かつ複数の監視項目の状態量からなるデータ群に分類して分割する過程Aと、該データ分割過程Aで分割された各データ群毎にマハラノビス距離をそれぞれ演算するマハラノビス距離演算過程Bと、マハラノビス距離演算過程Bの各群で演算されたマハラノビス距離を、予め設定しておいた既定の閾値と比較するマハラノビス距離個別比較過程D´と、前記マハラノビス距離個別比較過程D´での比較結果により異常の有無を判定する異常判定過程Eと、いった処理を各演算部にて行う。
そして、この処理部21では、マハラノビス距離個別比較過程D´で実施した、各データ群における各マハラノビス距離と予め設定しておいた既定の閾値と各比較において、少なくとも一つのマハラノビス距離が既定の閾値を越えた場合に、次の異常判定過程Eにてプラントが「異常」であると判定する。
なお、このような異常判定過程Eでのプラント異常の判定は、使用者により適宜設定変更可能であって、例えば、多数実施するマハラノビス距離と予め設定しておいた既定の閾値と比較にて、少なくとも半数以上のマハラノビス距離が既定の閾値を越えた場合に、次の異常判定過程Eにてプラントが「異常」であると判定しても良い。
Specifically, as illustrated in FIG. 6, the
In this
In addition, the determination of the plant abnormality in the abnormality determination process E can be appropriately changed by the user. For example, in comparison with the Mahalanobis distance to be performed in large numbers and a predetermined threshold value set in advance, When at least half of the Mahalanobis distance exceeds a predetermined threshold value, it may be determined that the plant is “abnormal” in the next abnormality determination process E.
そして、この第3実施形態に示されるプラント運転状態監視方法でも、先の実施形態と同様に、多くの監視項目の状態量をより少数かつ複数の監視項目の状態量からなるデータ群に分類し、分類した各データ群の状態量毎にマハラノビス距離を演算するようにしたので、従来のように、マハラノビス距離を求めるための多くの監視項目の状態量のすべての相関を演算が必要なく、その結果、マハラノビス距離を求めるための演算を高速化することができ、プラントの異常判定作業を速やかに行うことができる。
また、マハラノビス距離個別比較過程D´にて、各データ群における各マハラノビス距離と予め設定しておいた既定の閾値と各比較において、少なくとも一つのマハラノビス距離が既定の閾値を越えた場合に、次の異常判定過程Eにてプラントが「異常」であると判定することで、各監視対象における異常判定を速やかに行うことができ、その結果、プラントの異常判定作業を速やかに行うことができる効果も得られる。
また、本実施形態においても、先の実施形態と同様に、プラントの多くの監視項目の状態量をより少数かつ複数の監視項目の状態量からなるデータ群に分類することによって、各データ群毎に、単位空間の状態量、信号空間の状態量を計測する時間間隔、単位空間を変更する時間間隔を個別に設定することができ、また、各データ群毎に、単位空間の検索基準、信号空間の検索基準を個別に設定することができ、監視の信頼性が向上できる各種のデータ処理を簡便に行える効果も得られる。
In the plant operation state monitoring method shown in the third embodiment, as in the previous embodiment, the state quantities of many monitoring items are classified into a data group consisting of a smaller number of state quantities of a plurality of monitoring items. Because the Mahalanobis distance is calculated for each state quantity of each classified data group, it is not necessary to calculate all the correlations of the state quantities of many monitoring items to obtain the Mahalanobis distance as in the past. As a result, the computation for obtaining the Mahalanobis distance can be speeded up, and the plant abnormality determination work can be quickly performed.
In addition, in the Mahalanobis distance individual comparison process D ′, when at least one Mahalanobis distance exceeds a predetermined threshold value in each comparison with each Mahalanobis distance in each data group and a predetermined threshold value, the following is performed. By determining that the plant is “abnormal” in the abnormality determination process E, it is possible to quickly determine the abnormality in each monitoring target, and as a result, to perform the abnormality determination work of the plant quickly. Can also be obtained.
Also in this embodiment, as in the previous embodiment, by classifying the state quantities of many monitoring items of the plant into data groups consisting of a smaller number of state quantities of a plurality of monitoring items, each data group In addition, the unit space state amount, the time interval for measuring the signal space state amount, and the time interval for changing the unit space can be set individually, and for each data group, the unit space search criteria, signal Spatial search criteria can be individually set, and various data processing that can improve the reliability of monitoring can be easily performed.
以上、本発明の実施形態について図面を参照して詳述したが、具体的な構成はこの実施形態に限られるものではなく、本発明の要旨を逸脱しない範囲の設計変更等も含まれる。 As mentioned above, although embodiment of this invention was explained in full detail with reference to drawings, the concrete structure is not restricted to this embodiment, The design change etc. of the range which does not deviate from the summary of this invention are included.
1 ガスタービン発電プラント
6 ガスタービン
12 処理部
20 処理部
21 処理部
1 Gas Turbine Power Plant 6
Claims (4)
各データ群毎に状態量からマハラノビス距離を演算する過程と、
各データ群で演算されたマハラノビス距離のマハラノビス距離を算出する過程と、
前記マハラノビス距離のマハラノビス距離を予め設定した閾値と比較する過程と、
前記比較結果によりプラントの異常の有無を判定する過程と、を有するプラント運転状態監視方法であって、
前記データ群の分類過程では、前記状態量の測定位置に基づき前記データ群を分類し、
前記測定位置は、ガスタービンの回転軸の周方向に沿う複数箇所を含むことを特徴とするプラント運転状態監視方法。 The process of classifying the state quantities of many monitoring items in the plant into a data group consisting of state quantities of a smaller number and a plurality of monitoring items;
The process of calculating the Mahalanobis distance from the state quantity for each data group,
The process of calculating the Mahalanobis distance of the Mahalanobis distance calculated in each data group,
Comparing the Mahalanobis distance of the Mahalanobis distance with a preset threshold;
A process for determining the presence or absence of a plant abnormality based on the comparison result, and a plant operation state monitoring method comprising:
In the classification process of the data group, the data group is classified based on the measurement position of the state quantity,
The plant operation state monitoring method, wherein the measurement positions include a plurality of locations along the circumferential direction of the rotating shaft of the gas turbine.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013043523A JP5490277B2 (en) | 2013-03-05 | 2013-03-05 | Plant operating condition monitoring method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013043523A JP5490277B2 (en) | 2013-03-05 | 2013-03-05 | Plant operating condition monitoring method |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009022866A Division JP5260343B2 (en) | 2009-02-03 | 2009-02-03 | Plant operating condition monitoring method |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2013137797A true JP2013137797A (en) | 2013-07-11 |
JP5490277B2 JP5490277B2 (en) | 2014-05-14 |
Family
ID=48913400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013043523A Active JP5490277B2 (en) | 2013-03-05 | 2013-03-05 | Plant operating condition monitoring method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5490277B2 (en) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015177870A1 (en) * | 2014-05-20 | 2015-11-26 | 東芝三菱電機産業システム株式会社 | Manufacturing equipment diagnosis support system |
JP2017191395A (en) * | 2016-04-12 | 2017-10-19 | 公益財団法人鉄道総合技術研究所 | Management device and control method |
WO2018150785A1 (en) * | 2017-02-17 | 2018-08-23 | 三菱日立パワーシステムズ株式会社 | Diagnostic device and diagnostic method for plant |
CN111417909A (en) * | 2017-12-21 | 2020-07-14 | 三菱日立电力***株式会社 | Unit space generation device, plant diagnosis system, unit space generation method, plant diagnosis method, and program |
KR20200131597A (en) * | 2019-05-14 | 2020-11-24 | 두산중공업 주식회사 | Apparatus and method for plant control |
CN114051581A (en) * | 2019-08-01 | 2022-02-15 | 三菱动力株式会社 | Plant monitoring device, plant monitoring method, and program |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5968644A (en) * | 1982-10-13 | 1984-04-18 | Sumitomo Metal Ind Ltd | Monitoring method of equipment |
JPH08241121A (en) * | 1995-03-03 | 1996-09-17 | Toshiba Corp | Print abnormality detecting device |
JP2000114130A (en) * | 1998-09-30 | 2000-04-21 | Miyazaki Oki Electric Co Ltd | Control method and control system for semiconductor manufacturing equipment |
JP2004199501A (en) * | 2002-12-19 | 2004-07-15 | Tokyu Car Corp | Abnormality detection system for movable body and abnormality detection method for movable body |
JP2004257275A (en) * | 2003-02-25 | 2004-09-16 | Mitsubishi Heavy Ind Ltd | Method and device for distinguishing vibration mode of blade of turbine |
JP2005241089A (en) * | 2004-02-25 | 2005-09-08 | Mitsubishi Electric Corp | Apparatus diagnosing device, refrigeration cycle device, apparatus diagnosing method, apparatus monitoring system and refrigeration cycle monitoring system |
JP2008088961A (en) * | 2006-10-05 | 2008-04-17 | Hitachi Ltd | Gas turbine performance diagnostic system and diagnostic method, and display screen |
-
2013
- 2013-03-05 JP JP2013043523A patent/JP5490277B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5968644A (en) * | 1982-10-13 | 1984-04-18 | Sumitomo Metal Ind Ltd | Monitoring method of equipment |
JPH08241121A (en) * | 1995-03-03 | 1996-09-17 | Toshiba Corp | Print abnormality detecting device |
JP2000114130A (en) * | 1998-09-30 | 2000-04-21 | Miyazaki Oki Electric Co Ltd | Control method and control system for semiconductor manufacturing equipment |
JP2004199501A (en) * | 2002-12-19 | 2004-07-15 | Tokyu Car Corp | Abnormality detection system for movable body and abnormality detection method for movable body |
JP2004257275A (en) * | 2003-02-25 | 2004-09-16 | Mitsubishi Heavy Ind Ltd | Method and device for distinguishing vibration mode of blade of turbine |
JP2005241089A (en) * | 2004-02-25 | 2005-09-08 | Mitsubishi Electric Corp | Apparatus diagnosing device, refrigeration cycle device, apparatus diagnosing method, apparatus monitoring system and refrigeration cycle monitoring system |
JP2008088961A (en) * | 2006-10-05 | 2008-04-17 | Hitachi Ltd | Gas turbine performance diagnostic system and diagnostic method, and display screen |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101906029B1 (en) | 2014-05-20 | 2018-10-08 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | Manufacturing equipment diagnosis support system |
KR20170007408A (en) * | 2014-05-20 | 2017-01-18 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | Manufacturing equipment diagnosis support system |
JPWO2015177870A1 (en) * | 2014-05-20 | 2017-04-20 | 東芝三菱電機産業システム株式会社 | Manufacturing equipment diagnosis support device |
US10996662B2 (en) | 2014-05-20 | 2021-05-04 | Toshiba Mitsubishi-Electric Industrial Systems Corporation | Manufacturing equipment diagnosis support system |
WO2015177870A1 (en) * | 2014-05-20 | 2015-11-26 | 東芝三菱電機産業システム株式会社 | Manufacturing equipment diagnosis support system |
JP2017191395A (en) * | 2016-04-12 | 2017-10-19 | 公益財団法人鉄道総合技術研究所 | Management device and control method |
CN110291476A (en) * | 2017-02-17 | 2019-09-27 | 三菱日立电力***株式会社 | The diagnostic device and diagnostic method of complete set of equipments |
KR20190105056A (en) * | 2017-02-17 | 2019-09-11 | 미츠비시 히타치 파워 시스템즈 가부시키가이샤 | Diagnostic devices and diagnostic methods of the plant |
JP2018133033A (en) * | 2017-02-17 | 2018-08-23 | 三菱日立パワーシステムズ株式会社 | Diagnostic device and diagnostic method for plant |
WO2018150785A1 (en) * | 2017-02-17 | 2018-08-23 | 三菱日立パワーシステムズ株式会社 | Diagnostic device and diagnostic method for plant |
KR102303891B1 (en) * | 2017-02-17 | 2021-09-17 | 미츠비시 파워 가부시키가이샤 | Diagnostic devices and methods of diagnosis in plants |
US11480501B2 (en) | 2017-02-17 | 2022-10-25 | Mitsubishi Heavy Industries, Ltd. | Diagnosis device and diagnosis method for plant |
CN111417909A (en) * | 2017-12-21 | 2020-07-14 | 三菱日立电力***株式会社 | Unit space generation device, plant diagnosis system, unit space generation method, plant diagnosis method, and program |
CN111417909B (en) * | 2017-12-21 | 2023-11-03 | 三菱重工业株式会社 | Unit space generation device, plant diagnosis system, unit space generation method, plant diagnosis method, and computer-readable storage medium |
KR20200131597A (en) * | 2019-05-14 | 2020-11-24 | 두산중공업 주식회사 | Apparatus and method for plant control |
KR102249868B1 (en) * | 2019-05-14 | 2021-05-11 | 두산중공업 주식회사 | Apparatus and method for plant control |
CN114051581A (en) * | 2019-08-01 | 2022-02-15 | 三菱动力株式会社 | Plant monitoring device, plant monitoring method, and program |
CN114051581B (en) * | 2019-08-01 | 2024-05-31 | 三菱重工业株式会社 | Plant monitoring device, plant monitoring method, and storage medium |
Also Published As
Publication number | Publication date |
---|---|
JP5490277B2 (en) | 2014-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5260343B2 (en) | Plant operating condition monitoring method | |
US20240068864A1 (en) | Systems and methods for monitoring of mechanical and electrical machines | |
JP5490277B2 (en) | Plant operating condition monitoring method | |
KR101955305B1 (en) | Gas turbine sensor failure detection utilizing a sparse coding methodology | |
JP6050599B2 (en) | Method and system for device operation monitoring | |
CN106404403B (en) | Method and system for analysis of a turbomachine | |
EP2897012B1 (en) | Plant monitoring device, plant monitoring program, and plant monitoring method | |
JP6610987B2 (en) | Abnormality diagnosis method and abnormality diagnosis system | |
US20230081892A1 (en) | Abnormality diagnosis method, abnormality diagnosis device and non-transitory computer readable storage medium | |
JP2013025367A (en) | Facility state monitoring method and device of the same | |
JP6514239B2 (en) | Machine diagnostic device and machine diagnostic method | |
KR102408756B1 (en) | Abnormality detection device and abnormality detection method | |
JP6989398B2 (en) | Failure diagnostic device, failure diagnosis method, and failure diagnosis program | |
JP6714498B2 (en) | Equipment diagnosis device and equipment diagnosis method | |
JP6904418B2 (en) | Information processing equipment, information processing system, information processing method, and program | |
JP5490278B2 (en) | Plant operating condition monitoring method | |
JP2018151877A (en) | Evaluation device, evaluation system and evaluation method | |
JP2015518104A (en) | Classification and detection of power plant malfunctions during transient conditions | |
JP6554162B2 (en) | Power plant performance evaluation method and power plant performance evaluation program | |
EP3385804B1 (en) | Failure diagnosis apparatus, failure diagnosis method and recording medium | |
US20180087489A1 (en) | Method for windmill farm monitoring | |
JP6247777B2 (en) | Abnormality diagnosis apparatus and abnormality diagnosis method | |
US20200210144A1 (en) | Data sorting device and method, and monitoring and diagnosis device | |
US20210143762A1 (en) | Detecting rotor anomalies by determining vibration trends during transient speed operation | |
WO2021229815A1 (en) | Information processing device, evaluation method, and evaluation program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20140117 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20140128 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20140225 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 5490277 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |