JP4017272B2 - プラント状態推定・予測装置及び方法 - Google Patents
プラント状態推定・予測装置及び方法 Download PDFInfo
- Publication number
- JP4017272B2 JP4017272B2 JP35821998A JP35821998A JP4017272B2 JP 4017272 B2 JP4017272 B2 JP 4017272B2 JP 35821998 A JP35821998 A JP 35821998A JP 35821998 A JP35821998 A JP 35821998A JP 4017272 B2 JP4017272 B2 JP 4017272B2
- Authority
- JP
- Japan
- Prior art keywords
- plant state
- prediction
- model
- plant
- unit
- 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 - Lifetime
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
Description
【発明の属する技術分野】
本発明は、プラント状態量に関する現在値の推定および将来値の予測を行うプラント状態推定・予測装置及び方法に係り、特にプラント状態に応じて予測モデルの適用性を判定してモデル切替えを行うプラント状態推定・予測装置及び方法に関する。
【0002】
【従来の技術】
火力や原子力プラント、化学プラント等において、注目するプラント状態量について、将来値を予測することや現在値を推定して早期異常検知を行うことは、プラントで生じるさまざまな事態に対して速やかに適切な処置を施すことを可能にし、プラントの稼働率向上および運転員の負担低減をもたらす。プラント状態量の予測方式としては、プラントの物理モデルに基づく方式とニューラルネットワークや回帰モデルに代表される数学モデルに基づく方式がある。数学モデルは、プラントから収集したデータに基づいてモデルを作成するため、物理モデルのようにモデル構築やチューニングが不要であることから実用上有効な予測方式であるが、予測精度の確保および向上には予測実行における当該プラント状態に対応したモデルを選択する必要がある。
【0003】
時系列モデルを用いた推定・予測方式の一例として、特願平9−113671号公報にニューラルネットワークを用いたプラントの異常診断装置が記載されている。この方式では、異常診断に用いる推定結果の精度を確保するために、事前に設定した複数のプラントデータについて複数の運転領域からデータを収集してニューラルネットワークで学習する方法をとっている。
【0004】
【発明が解決しようとする課題】
プラントデータ間の関係は異なるプラント状態では変化してしまうので、ニューラルネットワークのような数学モデルを用いた推定・予測方式では、予測精度の確保および向上を図るために、出来るだけ予測対象に関連度の強いプラントデータを用いてモデル化することが望ましい。しかしながら、上記公知例による方式では、複数の運転領域に対して全てに満足させるため、事前に設定したプラントデータをすべて用いて予測モデルを作成しているために、ある運転領域のときに予測対象に対して強い関連度を示すプラントデータが、別の運転領域のときには弱いもしくは全く関連のないプラントデータになり、予測精度の低下を引き起こす可能性がある。
【0005】
本発明の目的は、さまざまなプラント状態に対して、数学モデルによるプラント状態の推定・予測方式の精度向上を図るもので、特に、プラント状態に応じてモデルの適用性を判定してモデル選択を行うことでこれを実現するプラント状態推定・予測装置及び方法を提供することにある。
【0006】
【課題を解決するための手段】
上記の目的は、プラントからプラントデータを収集するデータ収集部と、予測対象のプラント状態量に対して高い関連度を有するプラント状態量を前記データ収集部で取り込んだプラント状態量から判定するとともにプラントの運転範囲とプラント状態の定常性および正常性に基づいて当該プラント状態を判定しプラント状態情報を作成するプラント状態判断部と、予測モデル作成時に前記プラント状態判断部の実行を指令し、その作成プラント状態情報に基づいて予測モデル作成用データを設定するモデル設定部と、前記プラント状態情報と前記予測モデル作成用データを用いて予測モデルを作成するモデル作成部と、前記プラント状態情報に基づいて前記モデル作成部で作成した予測モデルを格納するモデル格納部と、予測実行時に前記プラント状態判断部の実行を指令し、その作成プラント状態情報に基づいて予測用入力データまたは現時点推定用入力データを設定する予測設定部と、予測実行時の前記プラント状態判断部のプラント状態情報に基づいて前記モデル格納部から予測モデルを選択するモデル選択部と、前記選択された予測モデルと前記予測入力データまたは現時点推定用入力データを用いてプラント状態量の将来値または現時点推定値を予測する予測部と、前記予測部での予測結果に基づいてプラントの異常判定を行う異常検知部と、前記異常判定または前記予測結果を表示する表示部と、前記各処理部の事前設定をするユーザ入力部と、前記データ収集部、モデル設定部および予測設定部の動作管理をするシステム管理部とを備えたことによって達成される。
【0007】
上記の手段によれば、予測モデル作成時に、該予測モデル作成時の入力したプラント状態量から予測対象のプラント状態量に対して高い関連度を有するプラント状態量を選択すると共にプラントの運転範囲とプラント状態の定常性および正常性に基づいて当該プラント状態を評価し、該評価結果に基づいて予測モデルを作成して格納することができる。予測実行時には、該予測実行時の入力したプラント状態量から予測対象のプラント状態量に対して高い関連度を有するプラント状態量を選択すると共にプラントの運転範囲とプラント状態の定常性および正常性に基づいて当該プラント状態を評価し、該評価結果に基づいて前記格納した予測モデルを選択すると共に該選択した予測モデルを用いて現時点推定値を計算し、該現時点推定値を判定してプラント状態の異常を検知することができる。また前記予測実行時の前記プラント状態の評価結果に基づいて前記格納した予測モデルを選択すると共に該選択した予測モデルを用いてプラント状態量の将来値を予測することができる。
【0008】
これにより、プラント状態に応じて、予測対象のプラント状態量に関する予測モデルの作成および選択・実行が可能になり、予測精度の向上が実現する。
【0009】
また上記の目的は、前記モデル設定部が、予測モデル作成時の前記プラント状態判断部の作成プラント状態情報に基づいて、予測対象のプラント状態量に高い関連度を示すプラント状態量を用いて予測モデル作成用データを作成することによって達成される。
【0010】
これにより、予測対象のプラント状態量に高い関連度を有するプラント状態量で予測モデルを構成することになり、予測精度向上が可能になる。
【0011】
また、上記の目的は、前記モデル格納部が、予測モデル作成時の前記プラント状態判断部の作成プラント状態情報に基づいて予測モデルを分類して格納し、前記モデル作成部で作成したモデルについて、既存のモデル分類に含まれる場合は当該モデル分類の中でモデル作成の時間順序を保って格納し、含まれない場合は新たなモデル分類で格納することによって達成される。
【0012】
これにより、前記モデル作成部で作成した予測モデルを明確に分類して格納するとともに、作成したモデルの作成履歴の管理が可能になる。
【0013】
また上記の目的は、前記予測設定部が、予測実行時の前記プラント状態判断部の作成プラント状態情報に基づいて、予測対象のプラント状態量に高い関連度を示すプラント状態量を用いて予測用入力データまたは現時点推定用入力データを作成することによって達成される。
【0014】
これにより、予測対象のプラント状態量に高い関連度を有するプラント状態量で構成した予測モデルで予測することになり、予測精度向上が可能になる。
【0015】
また上記の目的は、前記モデル選択部が、予測実行時の前記プラント状態判断部の作成プラント状態情報に基づいて、前記モデル格納部から予測モデルを選択することができない場合、前記システム管理部に対して当該プラント状態の予測モデルを作成する命令を発することによって達成される。
【0016】
これにより、新たなプラント状態が発生した場合でも予測モデルを新規に作成するので、本装置の適用範囲を容易に拡大することが可能になる。
【0017】
また上記の目的は、前記プラント状態判断部が、プラント状態の正常性の判定において前記異常検知部での異常判定結果をプラントの正常性の情報とすることによって達成される。
【0018】
これにより、プラント状態の正常性を常に監視しながら対応した予測モデルを選択することが可能になり予測精度の向上を図ることができる。
【0019】
また上記の目的は、前記表示部が、前記異常判定または予測結果と共に予測実行時の前記プラント状態判断部における評価結果を表示することによって達成される。
【0020】
これにより、予測実行におけるモデル選択の根拠を把握することが可能になる。
【0021】
また上記の目的は、前記プラント状態判断部が、予測対象のプラント状態量との関連度計算に、コヒーレンシィもしくは相関関数を用いることによって達成される。
【0022】
これにより、予測対象のプラント状態量と他プラント状態量との関連度の高さを容易に検出することが可能になるとともに、予測対象のプラント状態量との関連度に関する周波数特性や時間遅れの評価が可能になる。
【0023】
また上記の目的は、前記モデル作成部が、予測モデルの作成にニューラルネットワークもしくは回帰モデルを用いることによって達成される。
【0024】
これにより、予測モデルの作成および将来値の予測を容易に行なうことが可能となる。
【0025】
【発明の実施の形態】
以下、本発明の実施の形態を図面により説明する。
【0026】
図1および図2は、本発明の好適な一実施形態のプラント状態推定・予測装置を示す。本実施形態のプラント状態推定・予測装置は、ユーザ入力部20、システム管理部30、データ収集部40、モデル設定部50、予測設定部60、プラント状態判断部70、モデル作成部80、モデル格納部90、モデル選択部100、予測部110、異常検知部120、及び表示部130を有する。
【0027】
プラント状態判断部70は、図2に示すように、状態判定制御部710、関連度計算部720、プラント状態量選択部730、プラント状態判定部740、及びモデル規定部750を備える。
【0028】
次に、図1のプラント状態推定・予測装置における各部の動作および信号の流れを説明する。
【0029】
ユーザ入力部20では、ユーザが本装置の起動時に各処理部の初期設定を入力する。ユーザが入力する項目は、予測対象のプラント状態量の名称、予測時間、予測実行の周期、本装置に入力するプラント状態量の名称、データ収集周期、予測モデルのパラメータ、関連度計算パラメータ、プラント状態量選択しきい値、プラント定常判定状態量の名称としきい値、プラント異常判定しきい値である。予測実行の周期とデータ収集周期はシステム管理部30に出力される。本装置に入力するプラント状態量の名称と予測対象のプラント状態量の名称はデータ収集部40に出力される。予測時間と予測モデルのパラメータはモデル設定部50と予測設定部60に出力される。関連度計算パラメータとプラント状態量選択しきい値とプラント定常判定状態量の名称としきい値はプラント状態判断部70に出力される。プラント異常判定しきい値は異常検知部120に出力される。
【0030】
システム管理部30では、プラントデータ収集、予測実行、予測モデル作成を管理する。プラントデータ収集の管理は、ユーザ入力部20で指定したデータ収集周期毎にデータ収集部40に対してデータ収集命令を出力することで実施される。予測実行の管理は、本装置の起動直後では、ユーザ入力部20で指定する予測モデルのパラメータの一つである予測用データ取込時間を経過すると予測設定部60に対して予測実行命令を出力し、その後は、ユーザ入力部20で指定した予測実行の周期毎に予測設定部60に対して予測実行命令を出力することで実施される。予測モデル作成の管理は、本装置の起動直後では、ユーザ入力部20で指定する予測モデルのパラメータの一つである学習用データ取込時間を経過するとモデル設定部50にモデル作成命令を出力し、その後は、モデル作成部80からのモデル作成完了信号またはモデル選択部100からの新規モデル要求信号の入力によりモデル設定部50にモデル作成命令を出力することで実施される。
【0031】
データ収集部40では、システム管理部30からのデータ収集命令を入力する毎に、ユーザ入力部20で指定した本装置に入力するプラント状態量の名称に基づいて当該時系列データをプラント10から獲得し、当該時刻とともに保存する。この状況を図3に示す。また、ユーザ入力部20で指定した予測対象のプラント状態量の名称によって、本装置に入力したプラント状態量の中から予測するプラント状態量を区別する。この状況を図4に示す。
【0032】
本発明のプラント状態推定・予測装置では、モデル作成処理と予測処理の2つのプロセスがある。予測モデル作成処理および予測処理の実行に際して、まず、プラント状態判断部70が各々の実行時の当該プラント状態を判断してプラント状態情報を作成し、これを予測モデル作成処理および予測処理に提供する。そこで、はじめにプラント状態判断部70を説明する。
【0033】
プラント状態判断部70で作成するプラント状態情報は、当該プラント状態に関する2つの情報を有する。一つは、本装置に入力するプラント状態量の中で予測対象のプラント状態量に対して高い関連度を有するプラント状態量であり、もう一つは、プラント状態を特徴づけるパラメータ、すなわち、プラント運転範囲とプラント状態の定常性とプラント状態の正常性である。前者の高い関連度を有するプラント状態量は予測モデルの入力として用いられ、後者の各パラメータは作成した予測モデルの分類に用いられる。
【0034】
予測対象のプラント状態量との関連度計算はコヒーレンシィを用いる。コヒーレンシィは火力や原子力プラントのような巨大で複雑なシステムにおいて容易に2つの時系列データ間の関連度を周波数領域で評価できる統計的手法で、コヒーレンシィ値が1に近い値をとるほど当該時系列データ間に高い関連度があることを示す。図5に関連度が高いコヒーレンシィの例、図6に関連度の低いコヒーレンシィの例を示す。コヒーレンシィによる関連度計算のパラメータは、関連度計算に用いるデータ点数と集合平均をとる数とデータのサンプリング時間である。
【0035】
また、本発明のプラント状態推定・予測装置では、ニューラルネットワークを予測モデルとして用いる。ニューラルネットワークで予測モデルを構成する場合、予測対象のプラント状態量に対してコヒーレンシィの大きなプラント状態量を用いて学習すると、精度の高い予測モデルを実現できる。図7にプラント状態量Aに対してコヒーレンシィの大きなプラント状態量だけで予測モデルを構成したときの予測結果、図8にプラント状態量Aに対してコヒーレンシィの小さなプラント状態量だけで予測モデルを構成したときの図7と同じプラント状態に対する予測結果を示す。このように、コヒーレンシィの大きな関連度の高いプラント状態量でモデル化することで精度よい予測モデルが実現できる。これは、予測対象のプラント状態量の時間変化の特徴を関連度の高いプラント状態量で表現できるためで、この特徴を本発明のプラント状態・予測装置では予測精度向上に利用する。
【0036】
次に、プラント状態判断部70における処理を図2を用いて説明する。プラント状態判断部70は、モデル設定部50および予測設定部60から、プラント状態判断要求命令を入力して起動する。状態判定制御部710は、本装置に入力しているすべてのプラント状態量について、プラント状態判断要求命令を受けた時点を先頭に関連度計算に用いるデータ点数分の時系列データを入力する。
【0037】
関連度計算部720は、予測対象のプラント状態量と他のプラント状態量の前記時系列データを状態判定制御部710から入力して、予測対象とのコヒーレンシィをすべて計算し、計算結果をプラント状態量選択部730に出力する。プラント状態量選択部730は、関連度計算部720で求めたコヒーレンシィ値の周波数に関する平均値を計算し、ユーザ入力部20で指定したプラント状態量選択しきい値と比較して大きな平均コヒーレンシィ値を示すプラント状態量で選択してモデル規定部750に出力する。
【0038】
プラント状態判定部740では、前記プラント状態を特徴づけるパラメータである、プラント運転範囲、プラント状態の定常性、プラント状態の正常性を評価する。プラント運転範囲は、ユーザ入力部20で指定したプラント定常性判定状態量について、上記関連度計算に用いた時系列データの最大・最小値で評価する。プラント状態の定常性は、前記プラント運転範囲で評価したプラント定常性判定状態量の最大・最小値の幅とユーザ入力部20で指定したしきい値と比較して、しきい値以内であれば定常状態、しきい値を超えていれば非定常状態と判定する。プラント状態の正常性は、後述する予測処理における異常検知結果を用いて判定する。以上3つの判定結果はモデル規定部750に出力される。
【0039】
モデル規定部750では、プラント状態量選択部730で選択したプラント状態量とプラント状態判定部740で判定したプラント状態を特徴づけるパラメータを図9のようにまとめ、プラント状態情報としてモデル設定部50もしくは予測設定部60に出力する。
【0040】
以上がプラント状態判断部70の処理である。なお、前記予測対象のプラント状態量との関連度計算にはコヒーレンシィ以外に相関関数を用いることができる。
【0041】
次に、モデル作成処理について説明する。
【0042】
モデル設定部50において、システム管理部30からモデル作成命令を受け取ると、当該時刻を先頭にユーザ入力部20で指定した学習用データ取込時間分の時系列データを、本装置に入力したプラント状態量すべてについてデータ収集部40から入力する。入力したプラント状態量の時系列データに基づいて、当該プラント状態情報を評価するため、モデル設定部50に取り込んだ時系列データをプラント状態判断部70に出力する。
【0043】
プラント状態判断部70では、前述したように、コヒーレンシィでニューラルネットワークの入力に用いるプラント状態量を選択するとともに、プラント運転範囲、プラント状態の定常性、プラント状態の正常性を評価して、プラント状態情報を作成し、そのプラント状態情報をモデル設定部50に出力する。
【0044】
モデル設定部50がプラント状態情報をプラント状態判断部70から受け取ると、予測モデル作成用データを作成する。本装置では、予測モデル作成用の予測モデルとして3層構造の階層型ニューラルネットワークを用いる。これは、図10に示すように当該時点の時系列データを入力する入力層と予測結果を出力する出力層と1つの中間層からなるニューラルネットワークである。このニューラルネットワークのパラメータには、入力層と中間層に用いるユニット数、学習係数、入力層に入力する時系列データの過去の取込時間とそのサンプリング時間、学習パターン数と学習パターン間の時間幅がある。入力層のユニット数は、前記プラント状態判断部70で選択したプラント状態量の数と上記過去の取込時間とそのサンプリング時間で決定されるものでプラント状態に応じて変化するが、その他のパラメータはユーザ入力部20で指定した予測モデルのパラメータに基づく。モデル設定部50は、この取り込んだ時系列データと上記予測モデルのパラメータに基づいて予測モデル作成用データを作成する。その作成した予測モデル作成用データの例を図11に示す。
【0045】
モデル作成部80では、モデル設定部50から前記プラント状態情報と前記予測モデル作成用データを入力して予測モデルを作成する。ニューラルネットワークの予測モデルは、出力層に与える予測対象のプラント状態層の時系列データが、これに対応するプラント状態量の時系列データを入力層に与えたときのニューラルネットワークの出力と一致するように、バックプロパゲーションアルゴリズムで学習して生成される。バックプロパゲーションアルゴリズムは、ニューラルネットワークを学習する基本的な最適化アルゴリズムであるが、他の最適化アルゴリズムを代用してもよい。また、入力値に与えるプリント状態量には、予測対象プラント状態量を加えてもよい。
【0046】
モデル作成部80は、このように作成した予測モデルを前記プラント状態情報とともにモデル格納部90に出力し、モデル作成完了信号をシステム管理部30に出力する。
【0047】
モデル格納部90では、モデル作成部80から入力した予測モデルを当該プラント状態情報に基づいて格納する。すなわち、予測モデルの格納は、モデル分類規範との照合で実施される。モデル分類規範は、前記プラント運転範囲と前記プラント状態の定常性と前記プラント状態の正常性と前記選択したプラント状態量で構成される。モデル格納部90がモデル作成部80から新規予測モデルを受け取ると、当該プラント状態情報を既存のモデル分類規範と照合する。新規予測モデルと一致する分類規範が存在する場合は、作成された時間順序情報を伴って当該分類に格納される。一方、どのモデル分類規範にも属さない場合は、当該プラント状態情報を新しい分類規範としてモデル格納部90に登録し、当該予測モデルをここに格納する。
【0048】
以上がモデル作成処理である。なお、前記予測モデルの作成にニューラルネットワーク以外に回帰モデルを用いることができる。
【0049】
次に予測処理について説明する。
【0050】
本装置の予測処理では、現時点の推定値を用いた異常検知処理を実施し、引き続き将来値の予測処理を実行する。
【0051】
予測設定部60では、システム管理部30から予測実行命令を受け取ると、当該時刻を先頭にユーザ入力部20で指令した予測用データ取込時間分の時系列データを、本装置に入力したプラント状態量すべてについてデータ収集部40から入力する。入力したプラント状態量の時系列データに基づいて、当該プラント状態情報を評価するため、予測設定部60に取り込んだ時系列データをプラント状態判断部70に出力する。
【0052】
プラント状態判断部70では、モデル作成処理と同様に、コヒーレンシィでニューラルネットワークの入力に用いるプラント状態量を選択するとともに、プラント運転範囲、プラント状態の定常性、プラント状態の正常性を評価して、プラント状態情報を予測設定部60に出力する。
【0053】
はじめに、現時点の推定値を用いた異常検知処理について説明する。
【0054】
まず、プラント状態判断部70からプラント状態情報を入力してモデル選択部100に出力する。モデル選択部100では、予測設定部60から入力した当該プラント状態情報をモデル格納部90のモデル分類規範と照合する。当該プラント状態情報に適合する予測モデルがモデル格納部90に格納されている場合は、適合した予測モデルを読み込んで予測部110に出力するとともに、予測設定部60にモデル選択完了信号を出力する。一方、モデル格納部90に当該プラント状態情報に適合する予測モデルが存在しない場合は予測設定部60にモデル選択不可信号を出力するとともに、システム管理部30に新規モデル要求信号を出力する。
【0055】
プラント状態情報に適合する予測モデル格納部90に格納されている場合、予測設定部60では、モデル選択部100からモデル選択完了信号を入力すると、現時点推定用入力データを作成し、これを予測部110に出力する。現時点推定用入力データは、当該プラント状態情報により選択したプラント状態量の時系列データについて、予測実行命令を入力した時刻から予測時間分過去の時刻を先頭として前記過去データの取込時間の中から前記サンプリング時間で採取して構成される。現時点推定用入力データの例を図12に示す。
【0056】
予測部110では、モデル選択部100から入力した予測モデルと予測設定部60から入力した現時点推定用入力データから現時点推定値を計算する。計算した現時点推定値は、異常検知部120に出力される。
【0057】
異常検知部120では、予測部110から入力した現時点推定値とデータ収集部40から入力した当該時刻の実測値との誤差をユーザ入力部20で指定したプラント異常判定しきい値と比較し、前記誤差がしきい値以内の場合はプラント状態の正常判定、しきい値を超える場合はプラント状態の異常判定とする。この判定結果は、プラント状態判断部70と表示部130に出力される。
【0058】
一方、モデル格納部90に当該プラント状態情報に適合する予測モデルが存在しない場合、予測設定部60が前記モデル選択不可信号を入力すると、当該プラント状態情報と予測対象のプラント状態量の実測値と予測不可信号を表示部130に出力する。
【0059】
以上の現時点の推定値を用いた異常検知処理に引き続き、将来値の予測処理を実行する。
【0060】
将来値の予測は、現時点の推定処理と同様に、はじめにプラント状態判断部70で当該プラント状態情報を評価して、これに基づきモデル選択部100で適合する予測モデルを選択する。選択できない場合の処理は前記現時点の推定処理と同様である。予測モデルが選択されると、予測設定部60で予測用入力データが作成される。予測用入力データは、前記プラント状態情報により選択したプラント状態量の時系列データについて、予測実行命令を入力した時刻を先頭として前記過去データの取込時間の中から前記サンプリング時間で採取して構成される。予測部110では、前記予測設定部60から入力した予測用入力データとモデル選択部100から入力した予測モデルを用いてユーザ入力部20で指定した予測時間に対応する将来値を計算して、この結果を表示部130に出力する。
【0061】
表示部130では、予測の可否を表示するとともに、当該プラント状態情報と予測対象のプラント状態量の将来値と現時点の実測値を表示する。図13に表示部130の例を示す。
【0062】
【発明の効果】
以上説明したように、本発明の第1の発明によれば、プラント状態に応じて、予測対象のプラント状態量に関する予測モデルの作成および選択・実行が可能になり、予測精度の向上が実現する。
【0063】
第2の発明によれば、予測対象のプラント状態量に高い関連度を有するプラント状態量で予測モデルを構成することにより、予測精度向上が可能になる。
【0064】
第3の発明によれば、前記モデル作成部で作成した予測モデルを明確に分類して格納するとともに、作成したモデルの作成履歴の管理が可能になる。
【0065】
第4の発明によれば、予測対象のプラント状態量に高い関連度を有するプラント状態量で構成した予測モデルで予測することになり、予測精度向上が可能になる。
【0066】
第5の発明によれば、新たなプラント状態が発生した場合でも予測モデルを新規に作成するので、本装置の適用範囲を容易に拡大することが可能になる。
【0067】
第6の発明によれば、プラント状態の正常性を常に監視しながら対応した予測モデルを選択することが可能になり予測精度の向上を図ることができる。
【0068】
第7の発明によれば、予測実行におけるモデル選択の根拠を把握することが可能になる。
【0069】
第8の発明によれば、予測対象のプラント状態量と他プラント状態量との関連度の高さを容易に検出することが可能になるとともに、予測対象のプラント状態量との関連度に関する周波数特性や時間遅れの評価が可能になる。
【0070】
第9の発明によれば、予測モデルの作成および将来値の予測を容易に行うことが可能になる。
【図面の簡単な説明】
【図1】本発明の一実施形態のプラント状態推定・予測装置の構成図である。
【図2】図1のプラント状態判断部の詳細構成図である。
【図3】データ収集部における時系列データ収集様式の一例示図である。
【図4】プラント状態量の属性指定の一例示図である。
【図5】関連度の高いプラント状態量のコヒーレンシィ結果の一例示図である。
【図6】関連度の低いプラント状態量のコヒーレンシィ結果の一例示図である。
【図7】関連度の高いプラント状態量による予測モデルの予測結果の一例示図である。
【図8】関連度の低いプラント状態量による予測モデルの予測結果の一例示図である。
【図9】プラント状態情報の一例示図である。
【図10】階層型ニューラルネットワークの一例示図である。
【図11】予測モデル作成用データの一例示図である。
【図12】現時点推定用入力データの一例示図である。
【図13】図1の表示部の一例示図である。
【符号の説明】
10…プラント、20…ユーザ入力部、30…システム管理部、40…データ収集部、50…モデル設定部、60…予測設定部、70…プラント状態判断部、80…モデル作成部、90…モデル格納部、100…モデル選択部、110…予測部、120…異常検知部、130…表示部、710…状態判定制御部、720…関連度計算部、730…プラント状態量選択部、740…プラント状態判定部、750…モデル規定部。
Claims (12)
- プラントから収集したプラントデータを用いて予測モデルを作成し、該予測モデルの予測結果を用いてプラント状態の異常検知またはプラント状態量の将来値予測を行なうプラント状態推定・予測装置において、
プラントからプラントデータを収集するデータ収集部と、予測対象のプラント状態量に対して高い関連度を有するプラント状態量を前記データ収集部で取り込んだプラント状態量から判定するとともにプラント運転範囲とプラント状態の定常性および正常性に基づいて当該プラント状態を判定しプラント状態情報を作成するプラント状態判断部と、予測モデル作成時に前記プラント状態判断部の実行を指令し、その作成プラント状態情報に基づいて予測モデル作成用データを設定するモデル設定部と、前記プラント状態情報と前記予測モデル作成用データを用いて予測モデルを作成するモデル作成部と、前記プラント状態情報に基づいて前記作成された予測モデルを格納するモデル格納部と、予測実行時に前記プラント状態判断部の実行を指令し、その作成プラント状態情報に基づいて予測用入力データまたは現時点推定用入力データを設定する予測設定部と、予測実行時の前記プラント状態判断部のプラント状態情報に基づいて前記モデル格納部から予測モデルを選択するモデル選択部と、前記選択された予測モデルと前記予測用入力データまたは現時点推定用入力データを用いてプラント状態量の将来値または現時点推定値を予測する予測部と、前記予測部の予測結果に基づいてプラント状態の異常判定を行なう異常検知部と、前記異常判定または前記予測結果を表示する表示部と、前記各処理部の事前設定をするユーザ入力部と、前記データ収集部、モデル設定部、および予測設定部の動作管理をするシステム管理部とを備えてなることを特徴とするプラント状態推定・予測装置。 - 請求項1記載のプラント状態推定・予測装置において、
前記モデル設定部は、予測モデル作成時の前記プラント状態判断部の作成プラント状態情報に基づいて、予測対象のプラント状態量に高い関連度を示すプラント状態量を用いて予測モデル作成データを作成することを特徴とするプラント状態推定・予測装置。 - 請求項1記載のプラント状態推定・予測装置において、
前記モデル格納部は、予測モデル作成時の前記プラント状態判断部の作成プラント状態情報に基づいて予測モデルを分類して格納し、前記モデル作成部で作成したモデルが、既存のモデル分類に含まれる場合は当該モデル分類の中でモデル作成の時間順序を保って格納し、含まれない場合は新たなモデル分類で格納することを特徴とするプラント状態推定・予測装置。 - 請求項1に記載のプラント状態推定・予測装置において、
前記予測設定部は、予測実行時の前記プラント状態判断部の作成プラント状態情報に基づいて、予測対象のプラント状態量に高い関連度を示すプラント状態量を用いて予測用入力データまたは現時点推定用入力データを作成することを特徴とするプラント状態推定・予測装置。 - 請求項1に記載のプラント状態推定・予測装置において、
前記モデル選択部は、予測実行時の前記プラント状態判断部の作成プラント状態情報に基づいて、前記モデル格納部から予測モデルを選択することができない場合、前記システム管理部に対して当該プラント状態の予測モデルを作成する命令を発することを特徴とするプラント状態推定・予測装置。 - 請求項1に記載のプラント状態推定・予測装置において、
前記プラント状態判断部は、プラント状態の正常性の判定において、前記異常検知部での異常判定結果をプラント状態の正常性の判定に用いることを特徴とするプラント状態推定・予測装置。 - 請求項1に記載のプラント状態推定・予測装置において、
前記表示部は、前記異常判定または予測結果とともに予測実行時の前記プラント状態判断部の作成プラント状態情報を表示することを特徴とするプラント状態推定・予測装置。 - 請求項1に記載のプラント状態推定・予測装置において、
前記プラント状態判断部は、予測対象のプラント状態量との関連度計算に、コヒーレンシィもしくは相関関数を用いることを特徴とするプラント状態推定・予測装置。 - 請求項1に記載のプラント状態推定・予測装置において、
前記モデル作成部は、予測モデルの作成に、ニューラルネットワークもしくは回帰モデルを用いることを特徴とするプラント状態推定・予測装置。 - プラントから収集したプラントデータを用いて予測モデルを作成し、予測モデルの予測結果を用いてプラント状態の異常検知またはプラント状態量の将来値予測を行なうプラント状態推定・予測方法において、
予測モデル作成時に、該予測モデル作成時の入力したプラント状態量から予測対象のプラント状態量に対して高い関連度を有するプラント状態量を選択すると共にプラントの運転範囲とプラント状態の定常性および正常性に基づいて当該プラント状態を評価し、該評価結果に基づいて予測モデルを作成して格納するプロセスと、予測実行時に、該予測実行時の入力したプラント状態量から予測対象のプラント状態量に対して高い関連度を有するプラント状態量を選択すると共にプラントの運転範囲とプラント状態の定常性および正常性に基づいて当該プラント状態を評価し、該評価結果に基づいて前記格納した予測モデルを選択すると共に該選択した予測モデルを用いて現時点推定値を計算し、該現時点推定値を判定してプラント状態の異常を検知する処理と、予測実行時の前記プラント状態の評価結果に基づいて前記格納した予測モデルを選択すると共に該選択予測モデルを用いてプラント状態量の将来値を予測する処理との少なくとも1つの処理を行なうプロセスとからなることを特徴とするプラント状態推定・予測方法。 - 請求項10記載のプラント状態推定・予測方法において、前記予測対象のプラント状態との関連度計算に、コヒーレンシィもしくは相関関数を用いることを特徴とするプラント状態推定・予測方法。
- 請求項10記載のプラント状態推定・予測方法において、前記予測モデルの作成に、ニューラルネットワークもしくは回帰モデルを用いることを特徴とするプラント状態推定・予測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP35821998A JP4017272B2 (ja) | 1998-12-16 | 1998-12-16 | プラント状態推定・予測装置及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP35821998A JP4017272B2 (ja) | 1998-12-16 | 1998-12-16 | プラント状態推定・予測装置及び方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2000181526A JP2000181526A (ja) | 2000-06-30 |
JP4017272B2 true JP4017272B2 (ja) | 2007-12-05 |
Family
ID=18458160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP35821998A Expired - Lifetime JP4017272B2 (ja) | 1998-12-16 | 1998-12-16 | プラント状態推定・予測装置及び方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4017272B2 (ja) |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4910757B2 (ja) * | 2007-02-21 | 2012-04-04 | 東芝三菱電機産業システム株式会社 | プロセスデータ予測システム及びそれを用いたプロセス管理装置 |
JP4427074B2 (ja) | 2007-06-07 | 2010-03-03 | 株式会社日立製作所 | プラントの制御装置 |
JP5203763B2 (ja) * | 2008-03-24 | 2013-06-05 | 株式会社日立製作所 | 石炭焚きボイラの炭種判別装置及び石炭焚きボイラの炭種判別方法 |
JP5297272B2 (ja) * | 2009-06-11 | 2013-09-25 | 株式会社日立製作所 | 装置異常監視方法及びシステム |
JP2011145846A (ja) * | 2010-01-14 | 2011-07-28 | Hitachi Ltd | 異常検知方法、異常検知システム、及び異常検知プログラム |
JP5669553B2 (ja) * | 2010-12-14 | 2015-02-12 | 三菱電機株式会社 | 異常検知装置、異常検知方法及び異常検知プログラム |
US8892382B2 (en) * | 2011-09-26 | 2014-11-18 | General Electric Company | Systems and methods for condition-based power plant sensor calibration |
JP5522491B2 (ja) * | 2011-12-13 | 2014-06-18 | 横河電機株式会社 | アラーム表示装置およびアラーム表示方法 |
JP6143667B2 (ja) * | 2013-12-27 | 2017-06-07 | 三菱重工業株式会社 | 予測システム、監視システム、運転支援システム、ガスタービン設備及び予測方法 |
JP6259691B2 (ja) * | 2014-03-18 | 2018-01-10 | 株式会社日立製作所 | プラント事故時運転支援システム |
US10867251B2 (en) | 2014-10-28 | 2020-12-15 | Nec Corporation | Estimation results display system, estimation results display method, and estimation results display program |
JP6736858B2 (ja) * | 2015-09-18 | 2020-08-05 | 日本電気株式会社 | データ表示システムおよびデータ表示方法 |
DE102016203855B4 (de) | 2016-03-09 | 2023-11-02 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zum Steuern eines technischen Systems anhand von Steuermodellen |
JP6661559B2 (ja) | 2017-02-03 | 2020-03-11 | 株式会社東芝 | 異常検出装置、異常検出方法およびプログラム |
JP6873025B2 (ja) * | 2017-11-17 | 2021-05-19 | 株式会社日立製作所 | パラメータ設定方法、データ分析装置、データ分析システム及びプログラム |
JP7106847B2 (ja) * | 2017-11-28 | 2022-07-27 | 横河電機株式会社 | 診断装置、診断方法、プログラム、および記録媒体 |
WO2019159280A1 (ja) * | 2018-02-15 | 2019-08-22 | 千代田化工建設株式会社 | プラント運転条件設定支援システム、学習装置、及び運転条件設定支援装置 |
JP7021053B2 (ja) | 2018-11-07 | 2022-02-16 | 株式会社東芝 | 監視システム、プログラム、及び記憶媒体 |
JP7216566B2 (ja) * | 2019-02-19 | 2023-02-01 | 日立造船株式会社 | 情報処理装置、情報処理方法、および情報処理プログラム |
JP7313170B2 (ja) * | 2019-03-20 | 2023-07-24 | キヤノンメディカルシステムズ株式会社 | 医用情報処理装置、医用情報処理システム、および医用情報処理方法 |
TWI744909B (zh) * | 2019-06-28 | 2021-11-01 | 日商住友重機械工業股份有限公司 | 用於預測對象裝置的運轉狀態之預測系統、其之預測、其之預測程式、以及用於掌握對象裝置的運轉狀態之顯示裝置 |
JP7443109B2 (ja) | 2020-03-19 | 2024-03-05 | キヤノンメディカルシステムズ株式会社 | 医用情報処理装置、医用情報処理方法及びプログラム |
CN113822580B (zh) * | 2021-09-24 | 2024-06-28 | 深圳市出新知识产权管理有限公司 | 一种设备工况评估方法以及相关设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS553013A (en) * | 1978-06-21 | 1980-01-10 | Hitachi Ltd | Fault detecting device of control unit |
JPH06187030A (ja) * | 1992-12-17 | 1994-07-08 | Hitachi Ltd | 時系列モデルによる制御系異常診断方法、及び表示方法 |
JPH0784610A (ja) * | 1993-09-14 | 1995-03-31 | Toshiba Corp | モデル予測制御装置 |
JPH1074188A (ja) * | 1996-05-23 | 1998-03-17 | Hitachi Ltd | データ学習装置およびプラント制御装置 |
JP3515300B2 (ja) * | 1996-12-20 | 2004-04-05 | 株式会社日立製作所 | プラント状態予測装置 |
-
1998
- 1998-12-16 JP JP35821998A patent/JP4017272B2/ja not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
JP2000181526A (ja) | 2000-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4017272B2 (ja) | プラント状態推定・予測装置及び方法 | |
CN108604360B (zh) | 设施异常监测方法及其*** | |
CN108628281B (zh) | 异常检测***及异常检测方法 | |
KR101842347B1 (ko) | 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법 | |
JP2023017888A (ja) | 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法 | |
US7096074B2 (en) | Methods and apparatus for early fault detection and alert generation in a process | |
US7424394B2 (en) | Utility diagnosing equipment, operational program therefor, and utility diagnosing method | |
JP2004524609A (ja) | 予測状態監視における変化状態の適応モデリング | |
EP1764728A1 (en) | Data compressing device and method, data analyzing device and method, and data managing system | |
KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
KR20140058501A (ko) | 패턴 시퀀스를 가지는 커널 회귀 모델링을 사용하는 모니터링 시스템 | |
CN115657617A (zh) | 一种用于火电厂智慧监盘报警***实现方法 | |
KR20140041767A (ko) | 패턴 시퀀스를 가지는 커널 회귀 모델링을 사용하는 모니터링 방법 | |
CN108803576A (zh) | 一种温控***的故障预警方法及相关装置 | |
WO2023065584A1 (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
CN113539382B (zh) | 一种亚磷酸二甲酯关键工艺参数的预警定位方法及*** | |
JP5928104B2 (ja) | 性能監視装置、性能監視方法、及びそのプログラム | |
EP4310620A2 (en) | Hybrid ensemble approach for iot predictive modelling | |
JP5061744B2 (ja) | 状況解析システムおよび状況解析方法 | |
CN101657770B (zh) | 使用间断检测的机器状况监测 | |
CN116683588B (zh) | 锂离子电池充放电控制方法及*** | |
CN115794532A (zh) | 多指标智能动态阈值监控方法及*** | |
CN116224137A (zh) | 一种ups设备故障预警方法及*** | |
CN115081585A (zh) | 一种强化异构图神经网络的人机物协同异常状态检测方法 | |
CN115391048A (zh) | 基于趋势预测的微服务实例动态水平扩展收缩方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20040402 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20061108 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20061205 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070201 |
|
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: 20070911 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20070918 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100928 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100928 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110928 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120928 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120928 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130928 Year of fee payment: 6 |
|
EXPY | Cancellation because of completion of term |