JP3631118B2 - プラント診断装置 - Google Patents
プラント診断装置 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 And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (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
【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】
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】
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】
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】
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】
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
Claims (6)
- 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プラント診断装置。
- 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請求項１に記載のプラント診断装置。
- 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請求項１に記載のプラント診断装置。
- 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請求項２または請求項３に記載のプラント診断装置。
- 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請求項４に記載のプラント診断装置。
- 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請求項２または請求項３に記載のプラント診断装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000286566A JP3631118B2 (ja) | 2000-09-21 | 2000-09-21 | プラント診断装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000286566A JP3631118B2 (ja) | 2000-09-21 | 2000-09-21 | プラント診断装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2002099319A JP2002099319A (ja) | 2002-04-05 |
| JP3631118B2 true JP3631118B2 (ja) | 2005-03-23 |
Family
ID=18770471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000286566A Expired - Fee Related JP3631118B2 (ja) | 2000-09-21 | 2000-09-21 | プラント診断装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3631118B2 (ja) |
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 (ja) * | 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 | 診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体 |
| US8370108B2 (en) | 2007-03-22 | 2013-02-05 | Nec Corporation | Diagnostic device |
| JP2011100211A (ja) * | 2009-11-04 | 2011-05-19 | Sharp Corp | 異常判定装置、異常判定方法、異常判定プログラム、および、このプログラムを記録したプログラム記録媒体 |
| US9122273B2 (en) | 2010-02-26 | 2015-09-01 | Hitachi, Ltd. | Failure cause diagnosis system and method |
| JP6150553B2 (ja) * | 2013-02-22 | 2017-06-21 | 三菱重工業株式会社 | 運転操作評価装置、運転操作評価方法および運転操作評価プログラム |
| JPWO2015037066A1 (ja) * | 2013-09-11 | 2017-03-02 | 株式会社日立製作所 | プラント事故時運転支援システム及びプラント事故時運転支援方法 |
| JP2019023771A (ja) * | 2015-12-16 | 2019-02-14 | 三菱電機株式会社 | 故障診断装置 |
| JP7031512B2 (ja) * | 2018-06-25 | 2022-03-08 | 東芝三菱電機産業システム株式会社 | 鉄鋼プラント用監視作業支援システム |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3113351B2 (ja) * | 1991-11-05 | 2000-11-27 | バブコック日立株式会社 | 異常診断支援装置 |
| JPH05256741A (ja) * | 1992-03-11 | 1993-10-05 | Toshiba Corp | プラント信号監視方法およびその装置 |
| JPH06274784A (ja) * | 1993-03-24 | 1994-09-30 | Asahi Chem Ind Co Ltd | プラント監視診断装置およびその異常徴候識別方法 |
| JPH0784636A (ja) * | 1993-09-10 | 1995-03-31 | Hitachi Ltd | プロセスデータ収集・監視方法及び装置 |
| JPH1026580A (ja) * | 1996-05-08 | 1998-01-27 | Nippon Steel Corp | 変速型回転機械設備の診断方法および装置 |
-
2000
- 2000-09-21 JP JP2000286566A patent/JP3631118B2/ja 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 (ja) * | 2012-06-19 | 2014-01-09 | Yokogawa Electric Corp | プロセス監視システム及び方法 |
| US9646111B2 (en) | 2012-06-19 | 2017-05-09 | Yokogawa Electric Corporation | Process monitoring system and method |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2002099319A (ja) | 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 | |
| US7139676B2 (en) | Revising a test suite using diagnostic efficacy evaluation | |
| JP3927400B2 (ja) | 動作しているシステムの正常性を監視する方法およびシステムの正常性をシステム間で比較する方法 | |
| JP3631118B2 (ja) | プラント診断装置 | |
| Ni et al. | Systematic approach for validating traffic simulation models | |
| JPH08234832A (ja) | プラント監視診断装置および方法 | |
| 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 (zh) | 微服务的异常检测方法、装置、计算机设备和存储介质 | |
| 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 | |
| Hawkins et al. | Modeling probability knowledge and choice in decisions from experience | |
| CN112203311A (zh) | 网元异常诊断方法、装置、设备及计算机存储介质 | |
| 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 | |
| EP4307176A1 (en) | Method for validating trained models | |
| Georgieva | Dynamic data-driven fuzzy modeling of software reliability growth | |
| Lai et al. | Recognition memory decisions made with short-and long-term retrieval |
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 |