JP3631118B2 - Plant diagnostic equipment - Google Patents
Plant diagnostic equipment Download PDFInfo
- Publication number
- JP3631118B2 JP3631118B2 JP2000286566A JP2000286566A JP3631118B2 JP 3631118 B2 JP3631118 B2 JP 3631118B2 JP 2000286566 A JP2000286566 A JP 2000286566A JP 2000286566 A JP2000286566 A JP 2000286566A JP 3631118 B2 JP3631118 B2 JP 3631118B2
- Authority
- JP
- Japan
- Prior art keywords
- case
- evaluation
- unit
- distance
- plant
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
【0001】
【発明の属する技術分野】
本発明は、発電プラントや化学プラント等の大規模プラントを診断するプラント診断装置に関する。
【0002】
【従来の技術】
一般に、プラント診断装置はプラントに異常な過渡事象や事故等が生じた際に、その異常や事故を同定し診断するものである。プラント診断装置では、予め種々の過渡事象あるいは事故等を想定してプラントシミュレーションコード等により解析して求めておいたプロセス信号の変化の時系列データと、入力したプロセス信号の時系列データとを比較し、それらの波形を照合することにより現在生じている異常事象を同定する。
【0003】
例えば、特公平6−60826号公報に示されるものでは、時系列データより周波数軸上でのプロセス信号間の相関関係を示すコヒーレンススペクトルを求め、予め種々の異常状態におけるコヒーレンススペクトルのパターンを学習させたニューラルネットワークに入力して診断するようにしている。
【0004】
これによれば、通常状態でも観測されるプロセス信号の無相関な変化に隠された統計的に有意な相関関係の変化が現れた段階で異常原因を識別できる可能性があり、異常の規模が小さな段階あるいは発生初期の段階での診断を可能とする利点がある。
【0005】
一方、特許第3012297号公報に示されるものでは、予め種々の異常状態における主要プロセス信号の時系列パターンをそのまま事例データとしてニューラルネットワークに入力して学習しておき、観測された時系列パターンをこのニューラルネットワークに入力して診断するようにしている。
【0006】
このように時系列データをそのままニューラルネットワークに入力して異常状態あるいは異常事象を同定するものについては、多くの適用例が報告されており、ニューラルネットワークの持つ汎化能力により高い診断能力が得られるとされている。
【0007】
【発明が解決しようとする課題】
しかしながら、プロセス信号間のコヒーレンススペクトルをニューラルネットワークにより識別するものでは、コヒーレンススペクトルのパターンが一致した場合であっても元の時系列データの時間軸上で見た波形が一致しているとは限らず、また、コヒーレンススペクトルの評価に必要な時間を経過した後でなければパターンの照合ができない。さらに、このように時系列データを元のままの形でなくコヒーレンススペクトルのような加工したパターンに変換して診断に用いることは、学習すべき事例が多量な場合には多大な学習時間を必要とする。
【0008】
一方、時系列データをそのままニューラルネットワークの入力パターンとして用いるものでは、予めニューラルネットワークを学習した際に用いた異常事象発生前後の一定期間と同じ期間の時系列データが得られた時しか診断ができない。
【0009】
また、通常用いられるニューラルネットワークの場合、汎化能力のために学習時と多少異なる時系列データの波形が入力された場合にも正しく同定できる可能性が高い反面、本来未学習の異常事象が生じた場合にも学習済みの何れかの事象と判定される誤診断の可能性も高い。
【0010】
さらに、事例データの数が非常に多くなった場合には学習に要する時間だけでなく、波形の照合に要する時間も長くなり、オンラインで逐次診断することが困難となる。
【0011】
本発明の目的は、多量の事例データを事前に加工したり学習処理を行うことなく、オンラインで逐次診断を行い、登録された事例の中から類似度と共に生起している可能性の高い事象名を出力できるプラントの診断装置を提供することである。
【0012】
【課題を解決するための手段】
請求項1の発明に係わるプラント診断装置は、プラントより機器の動作状態を表わす信号およびプロセス状態を表わす信号を逐次入力する信号入力部と、前記機器の動作状態とプラント状態とを関連付ける論理を予め格納した論理データベースと、前記機器の動作状態を表わす信号および前記論理データベースに格納された論理に基づいてプラント状態の候補事例群を決定する論理判定部と、種々のプラント状態に対して前記候補事例群毎に予め事例データを格納した事例データベースと、前記プロセス状態を表す信号の時系列データと前記論理判定部で決定された候補事例群の事例データとの距離に基づいて類似度を評価しプラント状態を診断する時系列波形判定部と、前記診断結果を表示出力する出力表示部とを備えたことを特徴とする。
【0013】
請求項1の発明に係わるプラント診断装置においては、信号入力部から入力した機器の動作状態を表わす信号および論理データベースに格納された論理に基づいて論理判定部でプラント状態の候補事例群を決定し、時系列波形判断部は、信号入力部から入力したプロセス状態を表す信号の時系列データと、事例データベースに格納され論理判定部で決定された候補事例群の事例データとの距離に基づいて類似度を評価してプラント状態を診断する。そして、その診断結果を出力表示部に表示出力する。これにより、機器の動作状態とプラント状態とを関連付ける論理を基に候補事例群を決定して、波形照合の対象となる事例データを限定するので、診断に要する時間が短縮され、オンライン逐次診断が可能となる。また、時系列データと事例データとの距離を基に波形の類似度を評価するため、事例データを事前に加工したり学習する必要がない。
【0018】
請求項2の発明に係わるプラント診断装置は、請求項1の発明において、前記時系列波形判定部は、前記事例データベースに格納された事例データ相互の関係に基づいて前記類似度の評価に用いる評価重み値を設定する評価重み設定部と、前記評価重み設定部で設定された評価重み値を格納する評価重み保存部と、前記信号入力部より入力された時系列データと前記事例データとの距離を計算する波形照合部と、前記距離が予め与えられたしきい値を越えないと判定されたときはその判定結果の事例データに対して設定された前記評価重み値を与え前記事例データ毎の評価重み値の合計を事例の類似度として評価する類似度評価部とを備えたことを特徴とする。
【0019】
請求項2の発明に係わるプラント診断装置においては、請求項1の発明の作用に加え、時系列波形判定部の評価重み設定部では、事例データベースに格納された事例データ相互の関係に基づいて類似度の評価に用いる評価重み値を設定し評価重み保存部に格納する。そして、波形照合部では、信号入力部より入力された時系列データと事例データとの距離を計算し、類似度評価部では、その距離が予め与えられたしきい値を越えないと判定されたときは、その判定結果の事例データに対して設定された評価重み値を与え、事例データ毎の評価重み値の合計を事例の類似度として評価する。単純な多数決ではなく、評価重み設定部で設定された評価重み値を考慮して複数の信号に予対する結果を総合的に判定して診断するので、診断結果の信頼性が向上する。
【0020】
請求項3の発明に係わるプラント診断装置は、請求項1の発明において、前記時系列波形判定部は、前記事例データベースに格納された事例データ相互の関係に基づいて前記類似度の評価に用いる評価重み値を設定する評価重み設定部と、前記評価重み設定部で設定された評価重み値を格納する評価重み保存部と、前記信号入力部より入力された時系列データと前記事例データとの距離を計算する波形照合部と、最も小さい前記距離を与える事例データに対してその距離が予め与えられたしきい値を越えないと判定されたときはその判定結果に対して設定された前記評価重み値を与え前記事例データ毎の評価重み値の合計を事例の類似度として評価する類似度評価部とを備えたことを特徴とする。
【0021】
請求項3の発明に係わるプラント診断装置においては、請求項1の発明の作用に加え、時系列波形判定部の評価重み設定部では、事例データベースに格納された事例データ相互の関係に基づいて類似度の評価に用いる評価重み値を設定し評価重み保存部に格納する。そして、波形照合部では、信号入力部より入力された時系列データと事例データとの距離を計算し、類似度評価部では、最も小さい前記距離を与える事例データに対してその距離が予め与えられたしきい値を越えないと判定されたときは、その判定結果に対して設定された前記評価重み値を与え、事例データ毎の評価重み値の合計を事例の類似度として評価する。最も小さい距離を与える事例を積極的に選択するので、診断結果として選択される事象候補を適切に絞り込むことができる。
【0022】
請求項4の発明に係わるプラント診断装置は、請求項2または請求項3の発明において、前記評価重み設定部は、信号毎の時系列データと一つの事例データとの距離の判定結果に対する評価重み値を、当該事例データおよび当該事例データと最も類似した事例データとの間の距離に比例し、かつ各信号の評価重み値の合計が事例毎に1になるように規格化した値に設定することを特徴とする。
【0023】
請求項4の発明に係わるプラント診断装置においては、請求項2または請求項3の発明の作用に加え、信号毎の時系列データと一つの事例データとの距離の判定結果に対する評価重み値は、当該事例データおよび当該事例データと最も類似した事例データとの間の距離に比例し、かつ各信号の評価重み値の合計が事例毎に1になるように規格化した値に設定される。従って、ある信号の時系列データとある事例データとの距離による判定結果に対する評価重み値は、当該事例と類似した事例が存在する場合には小さく設定されるため、当該事例との類似度を評価する上で注目すべき信号が自動的に選択されることとなり、診断結果の信頼性が向上する。
【0024】
請求項5の発明に係わるプラント診断装置は、請求項4の発明において、前記評価重み設定部は、特定の信号に1以下の任意の値wを与え、その他の信号には(1−w)を比例配分した値を与えることを特徴とする。
【0025】
請求項5の発明に係わるプラント診断装置においては、請求項4の発明の作用に加え、特定の信号に1以下の任意の値wを与え、その他の信号には(1−w)を比例配分した値を与える。従って、特定の信号の時系列データと事例データとの距離による判定結果に対する評価重み値に任意の値を設定することができるので、個々の事例データとの波形照合において注目すべき信号を指定できる。このため、様々な観点からの診断を行うことができる。
【0026】
請求項6の発明に係わるプラント診断装置は、請求項2または請求項3の発明において、前記時系列波形判定部は、前記波形照合部における時系列データと事例データとの距離の評価に先立ち、指定された信号に対して事例データの距離評価開始点を予め設定された時間の範囲で前後に移動させて距離を評価し、最も小さな距離を与える評価開始点を決定する時間補正部を有したことを特徴とする。
【0027】
請求項6の発明に係わるプラント診断装置においては、請求項2または請求項3の発明の作用に加え、時系列波形判定部の時間補正部は、波形照合部における時系列データと事例データとの距離の評価に先立ち、指定された信号に対して事例データの距離評価開始点を予め設定された時間の範囲で前後に移動させて距離を評価し、最も小さな距離を与える評価開始点を決定する。これにより、波形の照合に用いる入力時系列データが必ずしも異常な過渡事象あるいは事故等の開始時点から始まるデータでなかった場合にも、事例データとの時間合わせを行うことにより正しく波形の照合を行うことができる。
【0032】
【発明の実施の形態】
以下、本発明の実施の形態を説明する。図1は本発明の第1の実施の形態に係わるプラント診断装置のブロック構成図である。プラントからの機器の動作状態を表わす信号およびプロセス状態を表わす信号は、信号入力部1で逐次入力され、時系列データ記憶部2に保存されると共に論理判定部3に入力される。論理判定部3は、入力された機器の動作状態を表わす信号と、予め論理データベース4に記憶された論理を基にプラント状態の候補事例群を決定する。論理データベース4には、プラントの機器の動作状態とプラント状態とを関連付けた論理が予め格納されている。
【0033】
時系列波形判定部5は、論理判定部3で決定された候補事例群の事例データを事例データベース6から取り出す。事例データベース6には、種々のプラント状態に対して予め与えられた事例データが格納されている。そして、時系列波形判定部5は、時系列データ記憶部2からのプロセス状態を表わす時系列データと、事例データベース6から取り出した候補事例群の事例データとの波形の類似度を判定し、その判定した類似度を基にプラント状態を診断する。診断結果は出力表示部7に表示出力される。
【0034】
図2は、本発明の第1の実施の形態に係わるプラント診断装置の動作を示すフローチャートである。プラント診断装置は外部からの実行開始要求により処理を開始する。実行開始要求があると、信号入力部1によりプラントより機器の動作状態を表わす信号およびプロセス状態を表わす信号から成るプロセス信号が入力され(S1)、時系列データ記憶部2に時系列データとして保存される。続いて、論理判定部3により機器の動作状態を表わす信号の最新値と、予め論理データベース4に格納された論理とを照合し、現在プラントで生じている可能性のある事象に対応した候補事例群を決定する(S2)。
【0035】
ここで、論理データベース4には、図3に示すように、各機器の動作状態を条件部とし事例群を結論部とした論理情報が対応付けられて格納されている。論理判定部3は、機器の動作状態を表わす信号の最新値を論理データベース4の条件部と照合し、合致する条件の結論部より候補事例群を決定する。
【0036】
次に、時系列波形判定部5により、事例データベース6に格納されている種々のプラント状態に対応する事例データの中から、ステップS2で決定された候補事例群に対応する事例データを読み出し、時系列データ記憶部2に入力保存されたプラント信号の時系列データとの波形の類似度を全ての候補事例に対して評価し、プラント状態を診断する(S3)。そして、出力表示部7に対しこの診断結果を表示出力する(S4)。この場合、類似度の評価値の大きい順に予め指定した数の事例に対応する事象名とその類似度とを診断結果として表示出力する。
【0037】
そして、評価期間が終了したか否かを判定し(S5)、評価期間が終了していない場合にはステップS1に戻り、終了している場合には処理を終了する。すなわち、候補事例群の事例データの中の最も短い事例の長さと同じ時間だけ、あるいはそれよりも短い予め設定された時間が経過している場合には、評価期間が終了したものとして診断処理を終了し、評価期間が終了してない場合は予め設定された時間間隔でステップS1からステップS5の一連の処理を継続する。
【0038】
図4は、本発明の第1の実施の形態における時系列波形判定部5のブロック構成図である。時系列波形判定部5の評価重み設定部8は、事例データベース6に格納された事例データ相互の関係に基づいて類似度の評価に用いる評価重み値を設定し評価重み保存部9に格納する。この評価重み値については後述する。
【0039】
一方、波形照合部10では、論理判定部3において決定された候補事例群の事例データを事例データベース6より入力すると共に、時系列データ記憶部2に格納されているその候補事例群に関連する時系列データを入力する。そして、入力した時系列データと事例データベース6の事例データとの距離を計算し、その距離評価結果を類似度評価部11に出力する。類似度評価部11では、その距離が予め与えられたしきい値を越えないと判定されたとき、つまり類似の度合いが大きい場合は、その判定結果の事例データに対して、評価重み設定部8で設定された評価重み値を与え、事例データ毎の評価重み値の合計を事例の類似度として評価する。
【0040】
以下、時系列波形判定部5の処理内容を図5に示すフローチャートに従って説明する。まず、波形照合部10により、入力時系列データと事例データとの距離を評価する(S1)。ここで、i番目の信号の入力時系列データXi(t)と、候補事例群中のk番目の事例データにおける当該信号の時系列データBik(t)との距離D2 ik(T)は次の(1)式で定義される。
【0041】
【数1】
【0042】
上式において、Δは時系列データの間隔、Tは距離評価時点での時系列データの長さであり、T=N・Δとしている。また、Vikは図2のステップS5での評価期間内でのBik(t)の分散値である。
【0043】
上式の距離の評価は、プロセス状態を表わす信号の全てを対象とするのではなく、図6に示すように予め事例データベース6に設定された事例群と波形照合に使用する信号群との関係に従って、限られた数の信号のみを対象に行う。
【0044】
さらに、波形照合部10では、距離評価結果D2 ik(T)を基に、距離判定行列J={Jik}を以下の基準で設定する(S2)。
【0045】
D2 ik(T) ≦ λ であれば Jik = 1
D2 ik(T) > λ であれば Jik = 0
ここで、λは予め設定されたしきい値である。
【0046】
例えば、いま、4つの信号に対して3つの事例データとの距離を評価した結果が図7(a)に示すようであったとする。このとき、λ=2.0として距離判定行列Jを設定すると、距離判定行列Jとして図7(b)の結果を得る。つまり、図7(a)に示す距離評価結果の各要素のうち、2以下のものは「1」となり、2以上のものは「0」となる。
【0047】
次に、評価重み設定部8により、評価重みWikを計算し評価重み保存部9に保存する(S3)。すなわち、複数の信号を用いて得た距離判定行列Jから、各事例毎の類似度を評価するに当り、Jik=1なる要素の持つ類似度評価への寄与分を評価重みWikとして設定し、評価重み保存部9に保存する。
【0048】
まず、i番目の信号について、k番目の事例データBik(t)と他の(p番目の)事例データBip(t)との距離D2 ikp(T)を次の(2)式に基づいて計算する。
【0049】
【数2】
【0050】
k番目の事例データからの距離が最小となる事例データ、言い換えればk番目の事例データと最も類似した事例データとの距離をD2 ik0(T)とすると、評価重みWikは(3)式により設定する。
【0051】
【数3】
【0052】
ここで、mは波形照合に用いる信号数である。
【0053】
評価重み意味について図8を参照して説明する。いま、図7に示した一例のように、3つの事例データが与えられているとし、信号−1の時系列データが図8(a)、信号−2の時系列データが図8(b)に示す関係にあったとする。このとき、信号−1は事例−1と事例−2とが類似しているため、3つの事例データの中で時系列データと事例−1との距離が最小であったとしても、現在生じている事象が事例−1と同じであるか、あるいは事例−2と同じであるかを判断することができない。
【0054】
これに対して、信号−2の場合には、事例−1と他の事例とは大きく異なるため、信号−2の入力時系列データと事例−1の時系列データとの距離が最小であれば、現在生じている事象が事例−1と同じである可能性は大きい。従って、この場合には、評価重みW11、W12は小さく、W21は大きく設定されるのが妥当である。ここで、評価重みW11は信号−1に対する事例−1の評価重み、評価重みW12は信号−1に対する事例−2の評価重み、評価重みW21は信号−2に対する事例−1の評価重みである。評価重み設定部8では、(3)式に基づいてこの評価重み設定を自動的に行う。
【0055】
次に、時系列波形判定部5の類似度評価部11では距離判定行列{Jik}と評価重みWikを基に、次の(4)式によりk番目の事例データの類似度Skを評価する(S4)。
【0056】
【数4】
【0057】
例えば、図8のような事例データの関係から評価重みが図9(a)のように設定されたとすると、図7(b)に示した距離判定行列Jから最終的には図9(b)のように類似度が評価され、事例−1の事象と同じ事象が発生している可能性が大であると診断される。
【0058】
すなわち、図9(a)の評価重みのうち、図7(b)の距離判定行列Jの要素のうち「1」となっている要素についての評価重みを合計して類似度が評価される。例えば、事例−1の場合は、距離判定行列Jの要素はすべて「1」であるので、図9(a)の事例−1の信号−1〜信号−4のすべての評価重みが合計される。一方、事例−2の場合は、距離判定行列Jの要素が「1」であるのは信号−1と信号−3であるので、図9(a)の事例−2の信号−1と信号−3との評価重みが合計される。同様に、事例−3の場合は、距離判定行列Jの要素が「1」であるのは信号−3であるので、図9(a)の事例−3の信号−3の評価重みがそのまま評価重みとなる。
【0059】
以上述べたように、第1の実施の形態によれば、まず機器の動作状態とプラント状態とを関連付ける論理を基に候補事例群を決定することにより、波形照合の対象となる事例データが限定されるため、診断に要する時間が短縮され、オンラインで逐次診断を行うことが可能となる。また、候補事例群に固有の信号の変化にのみ着目して波形照合を行うため、信号数が多い場合に照合対象事例群と無関係な信号の類似度評価の結果に邪魔されること無く、精度良く波形の照合を行うことができる。
【0060】
さらに、信号毎に各事例データとの距離に基づく判定を行なった結果から、単純な多数決ではなく、予め設定された評価重み値を考慮して複数の信号に対する結果を総合的に判定して診断するため、診断結果の信頼性が向上する。また、評価重み値は、当該事例と類似した事例が存在する場合には小さく設定されるため、当該事例との類似度を評価する上で注目すべき信号が自動的に選択されることとなり、専門家による判断に近い診断を実現することができる。
【0061】
次に、本発明の第2の実施の形態を説明する。図10は本発明の第2の実施の形態に係わるプラント診断装置のブロック構成図である。この第2の実施の形態は、図1に示した第1の実施の形態に対し、論理判定部3及び論理データベース4を省略したものである。
【0062】
図10において、プラントよりプロセス状態を表わす信号は信号入力部1を介して時系列データ記憶部2に逐次入力される。時系列波形判断部5は、入力されたプロセス信号の時系列データと、事例データベース6に予め格納された事例データの波形との距離を算出し、その距離に基づいて類似度を求めプラント状態を診断する。そして、その診断結果を出力表示部7に表示出力する。
【0063】
この第2の実施の形態では、第1の実施の形態におけるプラント診断装置から論理判定部3および論理データベース4を除いた構成となっており、機器の動作状態を表わす信号を用いた論理判定によってプラント状態の候補事例群を決定することが省略される。従って、第2の実施の形態によれば、事例データが非常に多量の場合を除けば、第1の実施の形態と同様の作用効果を有する。
【0064】
次に、本発明の第3の実施の形態に係わるプラント診断装置を説明する。図11は、本発明の第3の実施の形態に係わるプラント診断装置における時系列波形判断部5のブロック構成図である。この第3の実施の形態は、図4に示す第1の実施の形態における時系列波形判断部5に対し、時間補正部12を追加して設けたものである。
【0065】
この時間補正部12は、波形照合部10における時系列データと事例データとの距離の評価に先立ち、指定された信号に対して事例データの距離評価開始点を予め設定された時間の範囲で前後に移動させて距離を評価し、最も小さな距離を与える評価開始点を決定するものである。
【0066】
図12は、本発明の第3の実施の形態に係わるプラント診断装置における時系列波形判断部5の処理内容を示すフローチャートである。時間補正部12は、事例データベース6より照合対象の事例データを入力し、波形照合部10における入力時系列データとの距離の評価に先立ち、まず、以下の手順により距離評価開始点の調整を行う(S0)。
【0067】
すなわち、事例データベース6には、図6に示したように同じ信号群を用いて波形照合を行う事例群をまとめて格納されており、その信号群毎に距離評価開始点の調整に使用する信号を予め指定しておく。時間補正部12は、今照合対象となっている事例群の調整用信号の入力時系列データx(t)と対象事例群の事例データ{bk(t)}とを入力し、既に示した距離D2 ik(T)の式を用いてx(t)とbk(t)との距離を計算し、対象事例群の中の最小値D2 0(T)を求める。
【0068】
次に、x(t)と1入力時間間隔だけずれたbk(t+Δ)との距離を計算し、その最小値D2 1(T)を求める。このようにして、予め設定した時間までずらして評価した距離の最小値の中から最も小さいものがD2 p(T)であったとすると、時間補正部12は事例データの距離評価開始点をp点だけずらすことを決定する。
【0069】
図12のステップS1〜ステップS4の処理は第1の実施の形態における時系列波形判断部5の処理と同じであるので説明は省略する。
【0070】
この第3の実施の形態によれば、波形の照合に用いる入力時系列データが必ずしも異常な過渡事象あるいは事故等の開始時点から始まるデータでなかった場合にも、事例データとの時間合わせを行うことにより正しく波形の照合を行うことができる。
【0071】
ここで、以上の説明では、診断実行開始要求を外部より与えられるものとしたが、信号入力部1においてプラント信号の正常値の範囲をしきい値として設定しておき、この範囲を逸脱したことをもって異常な過渡事象あるいは事故等の発生を検知し、診断を開始するように構成することも可能である。
【0072】
また、候補事例群との波形照合に用いる信号群の設定は事例データベース6においてではなく論理データベース4において行うように構成することも可能である。さらに、出力表示部7は、類似度の評価値が最も大きい事例に対応する事象名とその類似度とを診断結果として表示出力するようにすることも可能である。
【0073】
また、距離判定結果に対する評価重みWikとして図4あるいは図12のステップS3の処理で自動的に設定された値をそのまま用いず、次の(5)式の条件下で任意の値を設定するように構成することも可能である。
【0074】
【数5】
【0075】
つまり、各信号の評価重み値の合計が事例毎に1になるように規格化した値になるように設定する。その場合、特定の信号に1以下の任意の値wを与え、その他の信号には(1−w)を比例配分した値を与えるようにしても良い。この場合、特定の信号の時系列データと事例データとの距離による判定結果に対する評価重み値に任意の値を設定することができるので、個々の事例データとの波形照合において注目すべき信号を指定できる。このため、様々な観点からの診断を行うことができる。
【0076】
また、波形照合部10における距離判定行列の設定(図4あるいは図12のステップS2の処理)においては、距離評価結果D2 ik(T)がしきい値λを越えない場合に常にJik=1とするのではなく、最小の距離を与える事例のみ、D2 ik(T)≦λであればJik=1とするように構成することも可能である。
【0077】
これにより診断を行なった場合の一例を図13に示す。図13(a)は図7(a)と同じ距離評価結果の例であり、図13(b)は上記の方法により設定された距離判定行列である。この結果に図9(a)で示したのと同じ評価重みを適用した結果として、図13(c)に示すような類似度が得られる。
【0078】
【発明の効果】
以上説明したように、本発明のプラント診断方法および装置によれば、多量の事例データを事前に加工したり学習処理を行うこと無くそのまま用いて、オンラインで逐次診断を行い、登録された事例の中から生起している可能性の高い事象名を類似度と共に高い信頼度で提供することができる。
【図面の簡単な説明】
【図1】本発明の第1の実施の形態に係わるプラント診断装置のブロック構成図。
【図2】本発明の第1の実施の形態に係わるプラント診断装置の動作を示すフローチャート。
【図3】本発明の第1の実施の形態における論理データベースの内容の説明図。
【図4】本発明の第1の実施の形態における時系列波形判定部のブロック構成図。
【図5】本発明の第1の実施の形態における時系列波形判定部の処理内容を示すフローチャート。
【図6】本発明の第1の実施の形態における事例データベースの内容の説明図。
【図7】本発明の第1の実施の形態における距離評価結果および距離判定行列の説明図。
【図8】本発明の第1の実施の形態における評価重みの意味を説明する説明図。
【図9】本発明の第1の実施の形態における評価重み設定結果および類似度評価結果の説明図。
【図10】本発明の第2の実施の形態に係わるプラント診断装置のブロック構成図。
【図11】本発明の第3の実施の形態に係わるプラント診断装置における時系列波形判定部のブロック構成図。
【図12】本発明の第3の実施の形態おける時系列波形判定部の処理内容を示すフローチャート。
【図13】本発明における距離判定行列設定結果および類似度評価結果の一例の説明図。
【符号の説明】
1…信号入力部、2…時系列データ記憶部、3…論理判定部、4…論理データベース、5…時系列波形判定部、6…事例データベース、7…出力表示部、8…評価重み設定部、9…評価重み保存部、10…波形照合部、11…類似評価部、12…時間補正部[0001]
BACKGROUND OF THE INVENTION
The present invention relates to a plant diagnostic apparatus for diagnosing a large-scale plant such as a power plant or a chemical plant.
[0002]
[Prior art]
Generally, when an abnormal transient or accident occurs in a plant, the plant diagnostic apparatus identifies and diagnoses the abnormality or accident. The plant diagnostic system compares the time series data of the process signal changes obtained by analyzing the plant simulation code etc. in advance assuming various transient events or accidents, and the time series data of the input process signals. Then, the abnormal event currently occurring is identified by collating those waveforms.
[0003]
For example, in Japanese Patent Publication No. 6-60826, a coherence spectrum indicating a correlation between process signals on the frequency axis is obtained from time series data, and patterns of coherence spectra in various abnormal states are learned in advance. Diagnosis by inputting into the neural network.
[0004]
According to this, there is a possibility that the cause of the abnormality can be identified when a statistically significant correlation change hidden in the uncorrelated change of the process signal observed even in the normal state appears. There is an advantage of enabling diagnosis at a small stage or an early stage of development.
[0005]
On the other hand, in the one shown in Japanese Patent No. 3012297, the time series pattern of the main process signal in various abnormal states is inputted as it is to the neural network as it is and learned as it is. Diagnosis is performed by inputting into a neural network.
[0006]
In this way, many examples of application have been reported for identifying abnormal states or abnormal events by inputting time-series data directly into a neural network, and a high diagnostic ability can be obtained by the generalization ability of the neural network. It is said that.
[0007]
[Problems to be solved by the invention]
However, when the coherence spectrum between process signals is identified by a neural network, the waveforms seen on the time axis of the original time-series data are not always the same even if the coherence spectrum patterns match. In addition, the pattern can only be verified after the time necessary for evaluating the coherence spectrum has elapsed. Furthermore, converting time-series data into a processed pattern such as a coherence spectrum instead of using the original data in this way is necessary for diagnosis. And
[0008]
On the other hand, when using time-series data as an input pattern of a neural network as it is, a diagnosis can only be made when time-series data of the same period as the period before and after the occurrence of the abnormal event used when learning the neural network in advance is obtained. .
[0009]
In the case of a commonly used neural network, there is a high possibility that it can be correctly identified even when a waveform of time series data slightly different from the time of learning is input due to the generalization ability. In this case, there is a high possibility of misdiagnosis that is determined as any learned event.
[0010]
Furthermore, when the number of case data becomes very large, not only the time required for learning but also the time required for waveform matching becomes long, and it is difficult to perform sequential diagnosis online.
[0011]
The object of the present invention is to perform sequential diagnosis online without processing a large amount of case data in advance or performing learning processing, and the names of events that are likely to occur with similarity from registered cases It is providing the diagnostic apparatus of the plant which can output.
[0012]
[Means for Solving the Problems]
The plant diagnosis apparatus according to the first aspect of the present invention has a signal input unit for sequentially inputting a signal representing an operation state of a device and a signal representing a process state from a plant, and a logic for associating the operation state of the device and the plant state in advance A logical database stored; a logic determination unit that determines a plant case candidate case group based on a signal representing an operation state of the device and logic stored in the logical database; and the candidate case for various plant states Case database storing case data in advance for each group, signal time-series data representing the process state, andDetermined by the logic judgment unitA time-series waveform determining unit that evaluates the similarity based on the distance from the case data of the candidate case group and diagnoses the plant state, and an output display unit that displays and outputs the diagnosis result are provided.
[0013]
In the plant diagnosis apparatus according to the first aspect of the present invention, a candidate group of plant state candidates is determined by the logic determination unit based on a signal that is input from the signal input unit and represents the operating state of the device and logic stored in the logic database. The time-series waveform determination unit is stored in the time-series data of the signal representing the process state input from the signal input unit and the case database.Determined by the logic decision sectionThe plant state is diagnosed by evaluating the similarity based on the distance from the case data of the candidate case group. Then, the diagnosis result is displayed and output on the output display unit. As a result, the candidate case group is determined based on the logic that associates the operation state of the equipment with the plant state, and the case data subject to waveform matching is limited. Therefore, the time required for diagnosis is shortened, and online sequential diagnosis is performed. It becomes possible. In addition, since the similarity of the waveform is evaluated based on the distance between the time series data and the case data, there is no need to process or learn the case data in advance.
[0018]
Claim2The plant diagnosis apparatus according to the invention of claim1'sIn the invention, the time-series waveform determination unit includes: an evaluation weight setting unit that sets an evaluation weight value used for the evaluation of the degree of similarity based on a relationship between case data stored in the case database; and the evaluation weight setting unit An evaluation weight storage unit for storing the evaluation weight value set in step (b), a waveform matching unit for calculating a distance between the time series data input from the signal input unit and the case data, and the distance given in advance. When it is determined that the threshold value is not exceeded, the evaluation weight value set for the case data of the determination result is given, and the total evaluation weight value for each case data is evaluated as the similarity of the case And a section.
[0019]
Claim2In the plant diagnosis apparatus according to the present invention, the claim1'sIn addition to the operation of the invention, the evaluation weight setting unit of the time-series waveform determination unit sets an evaluation weight value used for similarity evaluation based on the relationship between the case data stored in the case database and stores it in the evaluation weight storage unit To do. The waveform matching unit calculates the distance between the time-series data input from the signal input unit and the case data, and the similarity evaluation unit determines that the distance does not exceed a predetermined threshold value. At that time, an evaluation weight value set for the case data of the determination result is given, and the sum of the evaluation weight values for each case data is evaluated as the similarity of the case. Rather than a simple majority decision, the evaluation weight value set by the evaluation weight setting unit is taken into consideration, and the result of the preparation for a plurality of signals is comprehensively determined and diagnosed, so that the reliability of the diagnosis result is improved.
[0020]
Claim3The plant diagnosis apparatus according to the invention of claim1'sIn the invention, the time-series waveform determination unit includes: an evaluation weight setting unit that sets an evaluation weight value used for the evaluation of the degree of similarity based on a relationship between case data stored in the case database; and the evaluation weight setting unit An evaluation weight storage unit that stores the evaluation weight value set in
[0021]
Claim3In the plant diagnosis apparatus according to the present invention, the claim1'sIn addition to the operation of the invention, the evaluation weight setting unit of the time-series waveform determination unit sets an evaluation weight value used for similarity evaluation based on the relationship between the case data stored in the case database and stores it in the evaluation weight storage unit To do. The waveform matching unit calculates the distance between the time-series data input from the signal input unit and the case data, and the similarity evaluation unit previously gives the distance to the case data that gives the smallest distance. If it is determined that the threshold value is not exceeded, the evaluation weight value set for the determination result is given, and the sum of the evaluation weight values for each case data is evaluated as the similarity of the case. Since the case which gives the smallest distance is positively selected, the event candidates selected as the diagnosis result can be appropriately narrowed down.
[0022]
Claim4The plant diagnosis apparatus according to the invention of claim2Or claims3In the invention, the evaluation weight setting unit sets an evaluation weight value for a determination result of a distance between time series data for each signal and one case data between the case data and the case data most similar to the case data. And a standardized value so that the sum of the evaluation weight values of each signal becomes 1 for each case.
[0023]
Claim4In the plant diagnosis apparatus according to the present invention, the claim2Or claims3In addition to the operation of the invention, the evaluation weight value for the determination result of the distance between the time series data for each signal and one case data is proportional to the distance between the case data and the most similar case data. In addition, a standardized value is set so that the sum of the evaluation weight values of each signal is 1 for each case. Therefore, the evaluation weight value for the determination result based on the distance between the time-series data of a certain signal and a certain case data is set small when there is a case similar to the case, so the similarity to the case is evaluated. In this case, a signal to be noticed is automatically selected, and the reliability of the diagnosis result is improved.
[0024]
Claim5The plant diagnosis apparatus according to the invention of claim4In the invention, the evaluation weight setting unit gives an arbitrary value w of 1 or less to a specific signal, and gives a value obtained by proportionally distributing (1-w) to other signals.
[0025]
Claim5In the plant diagnosis apparatus according to the present invention, the claim4In addition to the operation of the present invention, an arbitrary value w of 1 or less is given to a specific signal, and a value obtained by proportionally distributing (1-w) is given to the other signals. Therefore, an arbitrary value is set as the evaluation weight value for the determination result based on the distance between the time series data of the specific signal and the case data.CanTherefore, it is possible to specify a signal to be noted in waveform matching with individual case data. For this reason, diagnosis from various viewpoints can be performed.
[0026]
Claim6The plant diagnosis apparatus according to the invention of claim2Or claims3In the invention, the time series waveform determination unit is preset with a distance evaluation start point of the case data for the designated signal prior to the evaluation of the distance between the time series data and the case data in the waveform matching unit. It is characterized by having a time correction unit that moves back and forth in a time range, evaluates the distance, and determines an evaluation start point that gives the smallest distance.
[0027]
Claim6In the plant diagnosis apparatus according to the present invention, the claim2Or claims3In addition to the operation of the invention, the time correction unit of the time series waveform determination unit is configured to start the distance evaluation start point of the case data with respect to the designated signal prior to the evaluation of the distance between the time series data and the case data in the waveform matching unit. Is moved back and forth within a preset time range to evaluate the distance, and the evaluation start point giving the smallest distance is determined. As a result, even when the input time-series data used for waveform verification is not necessarily data that starts from the beginning of an abnormal transient event or accident, the waveform is correctly verified by matching the time with the case data. be able to.
[0032]
DETAILED DESCRIPTION OF THE INVENTION
Embodiments of the present invention will be described below. FIG. 1 is a block configuration diagram of a plant diagnosis apparatus according to the first embodiment of the present invention. A signal representing the operation state of the equipment from the plant and a signal representing the process state are sequentially input by the
[0033]
The time-series
[0034]
FIG. 2 is a flowchart showing the operation of the plant diagnostic apparatus according to the first embodiment of the present invention. The plant diagnosis apparatus starts processing in response to an execution start request from the outside. When there is an execution start request, the
[0035]
Here, as shown in FIG. 3, the logical database 4 stores logical information in which the operation state of each device is a condition part and the case group is a conclusion part in association with each other. The
[0036]
Next, the case data corresponding to the candidate case group determined in step S2 is read out from the case data corresponding to various plant states stored in the
[0037]
Then, it is determined whether or not the evaluation period has ended (S5). If the evaluation period has not ended, the process returns to step S1, and if it has ended, the process ends. In other words, if the preset time has elapsed for the same length as the shortest case length in the case data of the candidate case group or shorter than that, the diagnosis process is considered to have ended. If the evaluation period has not ended and the evaluation period has not ended, a series of processing from step S1 to step S5 is continued at a preset time interval.
[0038]
FIG. 4 is a block configuration diagram of the time-series
[0039]
On the other hand, the
[0040]
Hereinafter, the processing content of the time-series
[0041]
[Expression 1]
[0042]
In the above equation, Δ is the time series data interval, T is the length of the time series data at the time of distance evaluation, and T = N · Δ. Also, VikIs B within the evaluation period in step S5 of FIG.ikThis is a variance value of (t).
[0043]
The evaluation of the distance in the above equation does not target all the signals representing the process state, but the relationship between the case group set in advance in the
[0044]
Further, in the
[0045]
D2 ikIf (T) ≤ λ, then Jik = 1
D2 ikIf (T)> λ, then Jik = 0
Here, λ is a preset threshold value.
[0046]
For example, suppose that the result of evaluating the distance to three case data for four signals is as shown in FIG. At this time, if the distance determination matrix J is set with λ = 2.0, the result of FIG. 7B is obtained as the distance determination matrix J. That is, among the elements of the distance evaluation result shown in FIG. 7A, those that are 2 or less are “1”, and those that are 2 or more are “0”.
[0047]
Next, the evaluation
[0048]
First, for the i-th signal, the k-th case data Bik(T) and other (pth) case data BipDistance D to (t)2 ikp(T) is calculated based on the following equation (2).
[0049]
[Expression 2]
[0050]
The case data that minimizes the distance from the kth case data, in other words, the distance between the kth case data and the most similar case data is D2 ik0(T), the evaluation weight WikIs set by equation (3).
[0051]
[Equation 3]
[0052]
Here, m is the number of signals used for waveform matching.
[0053]
The meaning of the evaluation weight will be described with reference to FIG. Now, as in the example shown in FIG. 7, it is assumed that three case data are given, the time-series data of signal-1 is FIG. 8 (a), and the time-series data of signal-2 is FIG. 8 (b). Suppose that the relationship shown in At this time, since the signal-1 is similar to the case-1 and the case-2, even if the distance between the time series data and the case-1 is the smallest among the three case data, It is not possible to determine whether the existing event is the same as Case-1 or Case-2.
[0054]
On the other hand, in the case of the signal-2, the case-1 is significantly different from the other cases, so that the distance between the input time-series data of the signal-2 and the time-series data of the case-1 is minimum. It is highly possible that the event currently occurring is the same as in case-1. Therefore, in this case, it is appropriate that the evaluation weights W11 and W12 are set small and W21 is set large. Here, the evaluation weight W11 is the evaluation weight of case-1 with respect to signal-1, the evaluation weight W12 is the evaluation weight of case-2 with respect to signal-1, and the evaluation weight W21 is the evaluation weight of case-1 with respect to signal-2. The evaluation
[0055]
Next, the
[0056]
[Expression 4]
[0057]
For example, if the evaluation weight is set as shown in FIG. 9A from the relationship of the case data as shown in FIG. 8, the distance determination matrix J shown in FIG. Thus, the similarity is evaluated, and it is diagnosed that there is a high possibility that the same event as the event of case-1 has occurred.
[0058]
That is, among the evaluation weights in FIG. 9A, the evaluation weights for the elements that are “1” among the elements of the distance determination matrix J in FIG. For example, in the case of case-1, since all elements of the distance determination matrix J are “1”, all the evaluation weights of the signal-1 to the signal-4 of the case-1 in FIG. . On the other hand, in the case-2, since the elements of the distance determination matrix J are “1” are the signal-1 and the signal-3, the signal-1 and the signal− of the case-2 in FIG. The evaluation weights of 3 are summed. Similarly, in the case of the case-3, since the element of the distance determination matrix J is “1” is the signal-3, the evaluation weight of the signal-3 of the case-3 in FIG. 9A is evaluated as it is. It becomes weight.
[0059]
As described above, according to the first embodiment, the case data to be subjected to waveform matching is limited by first determining candidate case groups based on the logic that associates the operation state of the equipment with the plant state. Therefore, the time required for diagnosis is shortened, and it is possible to perform sequential diagnosis online. In addition, since waveform matching is performed by focusing only on changes in signals unique to the candidate case group, when there are many signals, accuracy is not disturbed by the result of signal similarity evaluation unrelated to the matching case group. The waveform can be verified well.
[0060]
Furthermore, based on the result of the determination based on the distance to each case data for each signal, diagnosis is performed by comprehensively determining the results for a plurality of signals in consideration of preset evaluation weight values instead of a simple majority decision. Therefore, the reliability of the diagnosis result is improved. In addition, since the evaluation weight value is set small when there is a case similar to the case, a signal to be noticed in evaluating the similarity with the case is automatically selected. Diagnosis close to judgment by an expert can be realized.
[0061]
Next, a second embodiment of the present invention will be described. FIG. 10 is a block diagram of a plant diagnostic apparatus according to the second embodiment of the present invention. In the second embodiment, the
[0062]
In FIG. 10, a signal representing the process state is sequentially input from the plant to the time-series
[0063]
In the second embodiment, the
[0064]
Next, a plant diagnostic apparatus according to the third embodiment of the present invention will be described. FIG. 11 is a block configuration diagram of the time-series
[0065]
Prior to the evaluation of the distance between the time-series data and the case data in the
[0066]
FIG. 12 is a flowchart showing the processing contents of the time-series
[0067]
That is, the
[0068]
Next, b shifted from x (t) by one input time intervalkThe distance to (t + Δ) is calculated, and its minimum value D2 1(T) is obtained. In this way, the smallest one of the minimum distances evaluated by shifting to a preset time is D.2 pIf it is (T), the
[0069]
The processing in steps S1 to S4 in FIG. 12 is the same as the processing in the time-series
[0070]
According to the third embodiment, even when the input time-series data used for waveform matching is not necessarily data starting from the starting point of an abnormal transient event or accident, the time alignment with the case data is performed. Therefore, the waveform can be correctly verified.
[0071]
Here, in the above description, the diagnosis execution start request is given from the outside. However, the normal value range of the plant signal is set as a threshold value in the
[0072]
In addition, the signal group used for waveform matching with the candidate case group can be set not in the
[0073]
Also, the evaluation weight W for the distance determination resultikAs an alternative, the value automatically set in step S3 of FIG. 4 or FIG. 12 is not used as it is, and an arbitrary value can be set under the condition of the following equation (5).
[0074]
[Equation 5]
[0075]
That is, it sets so that it may become the value normalized so that the sum of the evaluation weight value of each signal may become 1 for every case. In that case, an arbitrary value w of 1 or less may be given to a specific signal, and a value obtained by proportionally distributing (1-w) may be given to the other signals. In this case, an arbitrary value is set as the evaluation weight value for the determination result based on the distance between the time series data of the specific signal and the case data.CanTherefore, it is possible to specify a signal to be noted in waveform matching with individual case data. For this reason, diagnosis from various viewpoints can be performed.
[0076]
Further, in the setting of the distance determination matrix in the waveform matching unit 10 (processing in step S2 in FIG. 4 or FIG. 12), the distance evaluation result D2 ikWhenever (T) does not exceed the threshold λ, JikOnly the case that gives the smallest distance, not = 1, D2 ikIf (T) ≦ λ, JikIt is also possible to configure so that = 1.
[0077]
FIG. 13 shows an example when diagnosis is performed in this manner. FIG. 13A is an example of the same distance evaluation result as FIG. 7A, and FIG. 13B is a distance determination matrix set by the above method. As a result of applying the same evaluation weight as shown in FIG. 9A to this result, a similarity as shown in FIG. 13C is obtained.
[0078]
【The invention's effect】
As described above, according to the plant diagnosis method and apparatus of the present invention, a large amount of case data is used as it is without being processed in advance or subjected to a learning process. Event names that are likely to occur from the inside can be provided with high reliability along with similarity.
[Brief description of the drawings]
FIG. 1 is a block configuration diagram of a plant diagnosis apparatus according to a first embodiment of the present invention.
FIG. 2 is a flowchart showing the operation of the plant diagnostic apparatus according to the first embodiment of the present invention.
FIG. 3 is an explanatory diagram of contents of a logical database according to the first embodiment of this invention.
FIG. 4 is a block configuration diagram of a time-series waveform determination unit in the first embodiment of the present invention.
FIG. 5 is a flowchart showing processing contents of a time-series waveform determination unit in the first embodiment of the present invention.
FIG. 6 is an explanatory diagram of the contents of a case database according to the first embodiment of the present invention.
FIG. 7 is an explanatory diagram of a distance evaluation result and a distance determination matrix in the first embodiment of the present invention.
FIG. 8 is an explanatory diagram illustrating the meaning of evaluation weights according to the first embodiment of this invention.
FIG. 9 is an explanatory diagram of an evaluation weight setting result and a similarity evaluation result in the first embodiment of the invention.
FIG. 10 is a block configuration diagram of a plant diagnosis apparatus according to a second embodiment of the present invention.
FIG. 11 is a block configuration diagram of a time-series waveform determination unit in a plant diagnosis apparatus according to a third embodiment of the present invention.
FIG. 12 is a flowchart showing the processing contents of a time-series waveform determination unit in the third embodiment of the present invention.
FIG. 13 is an explanatory diagram of an example of a distance determination matrix setting result and a similarity evaluation result according to the present invention.
[Explanation of symbols]
DESCRIPTION OF
Claims (6)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2000286566A JP3631118B2 (en) | 2000-09-21 | 2000-09-21 | Plant diagnostic equipment |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2000286566A JP3631118B2 (en) | 2000-09-21 | 2000-09-21 | Plant diagnostic equipment |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2002099319A JP2002099319A (en) | 2002-04-05 |
JP3631118B2 true JP3631118B2 (en) | 2005-03-23 |
Family
ID=18770471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2000286566A Expired - Fee Related JP3631118B2 (en) | 2000-09-21 | 2000-09-21 | Plant diagnostic equipment |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3631118B2 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2677383A2 (en) | 2012-06-19 | 2013-12-25 | Yokogawa Electric Corporation | Process monitoring system and method |
US8682824B2 (en) | 2009-08-28 | 2014-03-25 | Hitachi, Ltd. | Method and device for monitoring the state of a facility |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4183185B2 (en) * | 2004-03-10 | 2008-11-19 | インターナショナル・ビジネス・マシーンズ・コーポレーション | Diagnostic device, detection device, control method, detection method, program, and recording medium |
JP5299267B2 (en) * | 2007-03-22 | 2013-09-25 | 日本電気株式会社 | Diagnostic equipment |
JP2011100211A (en) * | 2009-11-04 | 2011-05-19 | Sharp Corp | Failure determining device, failure determining method, failure determining program, and program recording medium recording the program |
CN102844721B (en) | 2010-02-26 | 2015-11-25 | 株式会社日立制作所 | Failure cause diagnostic system and method thereof |
JP6150553B2 (en) * | 2013-02-22 | 2017-06-21 | 三菱重工業株式会社 | Driving operation evaluation device, driving operation evaluation method, and driving operation evaluation program |
WO2015037066A1 (en) * | 2013-09-11 | 2015-03-19 | 株式会社日立製作所 | System for supporting operation during plant accidents and method for supporting operation during plant accidents |
JP2019023771A (en) * | 2015-12-16 | 2019-02-14 | 三菱電機株式会社 | Fault diagnosis device |
JP7031512B2 (en) * | 2018-06-25 | 2022-03-08 | 東芝三菱電機産業システム株式会社 | Monitoring work support system for steel plants |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3113351B2 (en) * | 1991-11-05 | 2000-11-27 | バブコック日立株式会社 | Fault diagnosis support device |
JPH05256741A (en) * | 1992-03-11 | 1993-10-05 | Toshiba Corp | Method and apparatus for monitoring plant signal |
JPH06274784A (en) * | 1993-03-24 | 1994-09-30 | Asahi Chem Ind Co Ltd | Plant monitoring diagnostic device and its abnormal sign identification method |
JPH0784636A (en) * | 1993-09-10 | 1995-03-31 | Hitachi Ltd | Method and device for collecting/monitoring process data |
JPH1026580A (en) * | 1996-05-08 | 1998-01-27 | Nippon Steel Corp | Method and device for diagnosing speed-change-type rotary mechanical equipment |
-
2000
- 2000-09-21 JP JP2000286566A patent/JP3631118B2/en not_active Expired - Fee Related
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8682824B2 (en) | 2009-08-28 | 2014-03-25 | Hitachi, Ltd. | Method and device for monitoring the state of a facility |
EP2677383A2 (en) | 2012-06-19 | 2013-12-25 | Yokogawa Electric Corporation | Process monitoring system and method |
JP2014002579A (en) * | 2012-06-19 | 2014-01-09 | Yokogawa Electric Corp | Process monitoring system and method |
US9646111B2 (en) | 2012-06-19 | 2017-05-09 | Yokogawa Electric Corporation | Process monitoring system and method |
Also Published As
Publication number | Publication date |
---|---|
JP2002099319A (en) | 2002-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Time series classification with multivariate convolutional neural network | |
Iqbal et al. | Fault detection and isolation in industrial processes using deep learning approaches | |
CA2387929C (en) | Method and apparatus for diagnosing difficult to diagnose faults in a complex system | |
Khelif et al. | RUL prediction based on a new similarity-instance based approach | |
Rasmussen | Models of mental strategies in process plant diagnosis | |
JP3927400B2 (en) | Method for monitoring the health of operating systems and method for comparing system health between systems | |
US20030139906A1 (en) | Revising a test suite using diagnostic efficacy evaluation | |
JP2012150820A (en) | Diagnostic systems and methods for predictive condition monitoring | |
JP3631118B2 (en) | Plant diagnostic equipment | |
CN111079836A (en) | Process data fault classification method based on pseudo label method and weak supervised learning | |
Ni et al. | Systematic approach for validating traffic simulation models | |
Ghomi et al. | Recognition of unnatural patterns in process control charts through combining two types of neural networks | |
Morfidis et al. | Use of artificial neural networks in the r/c buildings’ seismic vulnerabilty assessment: The practical point of view | |
Klymovych et al. | The Diagnostics Methods for Modern Communication Tools in the Armed Forces of Ukraine Based on Neural Network Approach. | |
CN114978968A (en) | Micro-service anomaly detection method and device, computer equipment and storage medium | |
Meckel et al. | Generation of a diagnosis model for hybrid-electric vehicles using machine learning | |
Lefebvre et al. | Diagnosis of Structural and Temporal Faults for $ k $-Bounded Non-Markovian Stochastic Petri Nets | |
JPH10143343A (en) | Association type plant abnormality diagnosis device | |
Hawkins et al. | Modeling probability knowledge and choice in decisions from experience | |
CN112203311A (en) | Network element abnormity diagnosis method, device, equipment and computer storage medium | |
Vadim et al. | Temporal decision trees in diagnostics systems | |
EP0525592A2 (en) | Information processing system using fractal dimension | |
Kagle et al. | Multi-fault diagnosis of electronic circuit boards using neural networks | |
Ye et al. | A hybrid intelligent system for fault diagnosis of advanced manufacturing system | |
Roschke | Validation of knowledge-based system with multiple bridge rail experts |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20040519 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040525 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040726 |
|
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: 20041214 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20041215 |
|
FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071224 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081224 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091224 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091224 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101224 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111224 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121224 Year of fee payment: 8 |
|
LAPS | Cancellation because of no payment of annual fees |