JP4017272B2 - プラント状態推定・予測装置及び方法 - Google Patents

Description

【０００１】
【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)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。

Images