JP5150590B2 - 異常診断装置及び異常診断方法 - Google Patents

Description

本発明は、プラントの異常を検出する異常診断装置に関するものである。

プラントの異常診断装置は、プラントに異常な過渡事象や事故等が生じた際に、プラントからの計測データを基に、その異常や事故の発生を検知する。

特許文献１には、クラスタリング技術の１つである適応共鳴理論（Adaptive Resonance Theory：ＡＲＴ）を用いた診断装置が開示されている。ＡＲＴとは、入力されたデータを、複数のカテゴリー（＝クラスタ）に分類する方法である。ここでカテゴリーとは、類似性を持つデータのまとまりである。

ＡＲＴを用いた異常診断技術では、まず、正常状態の運転データをＡＲＴに入力し、正常状態のカテゴリーを作成する。この動作を学習と呼ぶ。次に、プラントの計測値をＡＲＴに入力する。計測値が学習に用いた運転データと同じ特性であれば、学習時に発生したカテゴリーに分類する。特性が異なる場合は、学習時とは異なる新しいカテゴリー（新規カテゴリー）に分類する。最後に、新規カテゴリーの発生する割合を計算し、これが閾値を越えた時に異常とする。

特開２００５−１６５３７５号公報

クラスタリング技術では、クラスタの大きさ（ＡＲＴではカテゴリーの大きさ）を決定するパラメータがある。このパラメータを分解能パラメータと呼ぶ。一般に、あるデータをクラスタに分類する際に、分解能を粗く設定するとクラスタの数が少なくなり、分解能を細かく設定するとクラスタの数が多くなる。

異常診断にクラスタリングを用いる際、分解能が粗いと異常が発生してもデータの傾向変化を捉えることができず、また逆に分解能が細かいと正常な範囲であっても微小な傾向変化を異常と判断する可能性がある。

本発明の目的は、異常診断の目的に合致するように分解能パラメータを適切に調整し、高精度に異常を検出できる異常診断装置を提供することにある。

前述の目的を達成するため、本発明の異常診断装置は以下の構成とする。すなわち、プラントの正常時の計測信号を基に基準信号を作成する基準信号決定手段と、データの類似性に応じて前記基準信号をカテゴリーに分類する分類手段と、現在の計測信号が前記分類手段で発生したカテゴリーに属さない数量が一定値を超えた場合に異常と診断する診断手段を備えた異常診断装置において、前記基準信号決定手段は、プラントの正常時の計測信号を２つ以上のデータ群に分割する機能を持ち、前記分類手段はデータ群の１つを用いてカテゴリーに分類する学習部と、学習部で使用しない残りのデータ群の１つを用いてカテゴリーに分類するテスト部と、前記学習部、及び前記テスト部の分類結果を用いて、カテゴリーに分類する際に用いる分解能パラメータを調整する分解能パラメータ調整部を備える。

本発明の異常診断装置を用いることで、分解能パラメータを最適に調整できるため、精度良く異常診断できる。また、分解能パラメータの調整に要する労力を削減できる。

本発明の異常診断装置の第１の実施例を示すブロック図である。 診断手段，学習部，テスト部において、カテゴリーに分類する手法の一実施例、及び分類結果の一実施例を説明する図である。 プラントの計測信号を取得してから、異常情報を画像表示装置に表示するまでの手順を示すフローチャート図である。 プラントの実施例と、プラントに本発明の異常診断装置を適用した時の動作例を説明する図である。 異常診断の失敗例を説明する図である。 ガスタービンプラントの運転モードと経年劣化を説明する図である。 基準信号決定手段の動作例を説明する図である。 分類手段の動作を説明する図である。 分解能パラメータ調整経過を説明する図である。 分解能パラメータ確認画面であり、画像表示装置に表示される画面の一実施例である。 経年劣化への対応方法を説明する図である。 本発明の異常診断装置の第２の実施例を示すブロック図である。 本発明の異常診断装置の第２の実施例における基準信号決定手段の動作結果例を説明する図である。 本発明の診断装置の第２の実施例における分類手段の動作を説明するフローチャート図である。 本発明の異常診断装置の第２の実施例における分類結果データベースに保存されるデータの態様を説明する図である。 本発明の異常診断装置の第２の実施例における画像表示装置に表示される画面の一実施例を説明する図である。

本発明の異常診断装置について、図面を参照して説明する。

図１は、本発明の異常診断装置の第１の実施例を示すブロック図である。プラント１００を異常診断装置２００で診断する。

異常診断装置２００は、演算装置として基準信号決定手段４００，データ分類手段５００，診断手段６００を備えている。また、異常診断装置２００は、データベースとして計測信号データベース３１０，基準信号データベース３２０，分類結果データベース３３０を備えている。

異常診断装置２００は、外部とのインターフェイスとして外部入力インターフェイス２１０，外部出力インターフェイス２２０を備えている。

そして、異常診断装置２００には、外部入力インターフェイス２１０を介して、プラント１００から該プラントの各種状態量を計測した計測信号１、及びキーボード９１０，マウス９２０で構成される外部入力装置９００の操作で作成される外部入力信号２を入力する。また、異常診断装置２００から、外部出力インターフェイス２２０を介して、画像表示データ１１を画像表示装置９５０に出力する。

外部入力インターフェイス２１０を介して入力された計測信号３は、計測信号データベース３１０に保存する。基準信号決定手段４００では、計測信号データベース３１０に保存されている計測信号５から正常時のデータを抽出し、正常データを時間的に２つ以上のデータ群に分割する。この分割したデータ群を基準信号と呼び、この基準信号６は、基準信号データベース３２０に保存する。

データ分類手段５００では、基準信号データベース３２０に保存されている基準信号７を処理し、分類結果８を出力する。データ分類手段５００では、学習部５１０，テスト部５２０，分解能パラメータ調整部５３０を一定回数繰り返して動作させることで、分解能パラメータを調整し、基準信号の分類結果８を作成する。学習部５１０では、基準信号に含まれる１つのデータ群（学習用データ）をカテゴリー（＝クラスタ）に分類する。学習用データを学習部５１０で処理した分類結果５０１は、テスト部５２０に送信される。テスト部５２０では、学習用データの分類結果５０１を用いて、学習部で使用しなかったデータ群（テスト用データ）をカテゴリーに分類する。学習用データとテスト用データをテスト部５２０で処理した分類結果５０２は、分解能パラメータ調整部５３０に送信する。分解能パラメータ調整部５３０は、学習用データとテスト用データの分類結果５０２を用いて分解能パラメータを調整し、調整した分解能パラメータ値５０３を学習部５１０、及びテスト部５２０に送信する。学習部５１０、及びテスト部５２０では、この分解能パラメータ値を用いて、学習用データ、及びテスト用データをカテゴリーに分類する。

分類結果８は、分類結果データベース３３０に保存する。診断手段６００では、計測信号データベース３１０に保存されている現在の計測信号４と、分類結果データベース３３０に保存されている分類結果９を処理し、現在の計測信号４が学習部、及びテスト部で発生したカテゴリーに属さない数量を基にプラントが正常であるか異常であるかを診断する。診断手段６００は、診断の結果を診断結果１０として外部出力インターフェイス２２０に出力する。外部出力インターフェイス２２０は、診断結果１０を画像表示データ１１に変換して画像表示装置９５０に出力する。診断に用いるカテゴリーに属さない数量は、カテゴリーに属さない数量を把握するために、カテゴリーに属さない数量をカテゴリーに属する数量で割った割合や、数量として１となるカテゴリーに属さない数量の有無も含む。

また、計測信号データベース３１０，基準信号データベース３２０，分類結果データベース３３０に保存されているデータを含む診断装置情報５０は、画像表示装置９５０に表示できる。また、これらのデータは、必要に応じて外部入力装置９００を用いて修正することもできる。

尚、本実施例では、基準信号決定手段４００，データ分類手段５００，診断手段６００，計測信号データベース３１０，基準信号データベース３２０，分類結果データベース３３０が全て異常診断装置２００の内部にあるが、これらの一部を異常診断装置２００の外部に配置し、データのみを通信するようにしてもよい。また、本実施例では診断対象とするプラントは１つであるが、異常診断装置２００で複数のプラントを診断することもできる。

図２（ａ）は、診断手段６００，学習部５１０，テスト部５２０，分解能パラメータ調整部５３０において、カテゴリーに分類する手法の一実施例を説明する図である。ここでは、適応共鳴理論（Adaptive Resonance Theory：ＡＲＴ）を適用した実施例を述べるが、ベクトル量子化等の他のクラスタリング手法を用いてもよい。

図２（ａ）に示すように、ＡＲＴは、データ前処理装置６１０とＡＲＴモジュール６２０で構成する。

データ前処理装置６１０では、運転データをＡＲＴモジュール６２０の入力データに変換する。以下にそのステップについて説明する。

まず、計測項目毎に最大値及び最小値を計算する。計算した最大値及び最小値を用いてデータを正規化する。

正規化の方法についてｘｉを例に説明する。ｘｉのデータ数がＮ個でｎ番目の計測値をｘｉ（ｎ）とする。また、Ｎ個のデータの中の最大値及び最小値をそれぞれＭａｘｉ，Ｍｉｎ_ｉすると、正規化したデータＮｘｉ（ｎ）は次式で計算する。
〔数１〕
Ｎｘｉ（ｎ）＝α＋（１−α）×（ｘｉ（ｎ）−Ｍｉｎ_ｉ）
／（Ｍａｘ_ｉ−Ｍｉｎｉ） …（式１）

ここで、α（０≦α＜０.５）の定数であり、式１によりデータは［α，１−α］の範囲に正規化される。本実施形態ではα＝０.２とした。正規化データＮｘｉ（ｎ）の補数ＣＮｘｉ（ｎ）を次式で計算する。
〔数２〕
ＣＮｘｉ（ｎ）＝１−Ｎｘｉ（ｎ） …（式２）

次に、データＮｘｉ（ｎ）及びＣＮｘｉ（ｎ）からなるデータを入力データとしてＡＲＴモジュール６２０に入力する。

ＡＲＴモジュール６２０では、入力データを複数のカテゴリーに分類する。ＡＲＴモジュール６２０は、Ｆ０レイヤー６２１，Ｆ１レイヤー６２２，Ｆ２レイヤー６２３，メモリ６２４、及びOrienting Subsystem６２５をそなえ、これらは相互に結合している。Ｆ１レイヤー６２２とＦ２レイヤー６２３は重み係数を介して結合しており、重み係数は入力データが分類されるカテゴリーのプロトタイプ（原型）を表している。

次に、ＡＲＴモジュールのアルゴリズムについて説明する。ＡＲＴモジュールに入力データが入力された場合のアルゴリズムの概要は、次のステップ１ないしステップ５のようになる。

ステップ１：Ｆ０レイヤーにより入力ベクトルの大きさが１になるように正規化され、また、ノイズが除去される。

ステップ２：Ｆ１レイヤーに入力された入力データと重み係数との比較により、ふさわしいカテゴリーの候補が選択される。

ステップ３：Orienting Subsystemで選択したカテゴリーの妥当性がパラメータρとの比により評価される。妥当と判断されれば、入力データはそのカテゴリーに分類され、ステップ４に進む。妥当と判断されなければ、そのカテゴリーはリセットされ、他のカテゴリーからふさわしいカテゴリーの候補が選択される（ステップ２の処理を繰り返す）。パラメータρの値を大きくすると、カテゴリー数が多くなり、データを細かく分類するようになる。逆に、ρを小さくするとカテゴリー数が少なくなり、データを粗く分類するようになる。ＡＲＴでは、パラメータρを、警戒パラメータと呼ぶ。ＡＲＴをクラスタリング技術に用いた場合、分解能パラメータ調整部５３０では、警戒パラメータρを調整する。以下では、警戒パラメータを分解能パラメータと呼ぶ。

ステップ４：ステップ２で、全ての既存のカテゴリーがリセットされると、新規カテゴリーと判断され、新規カテゴリーのプロトタイプを表す新しい重み係数を生成する。

ステップ５：入力データがカテゴリーＪに分類されると、カテゴリーＪに対応する重み係数ＷＪ（ｎｅｗ）は過去の重み係数ＷＪ（ｏｌｄ）と入力データｐ（または、入力データから派生したデータ）から次式で更新される。
〔数３〕
ＷＪ（ｎｅｗ）＝Ｋｗ・ｐ＋（１−Ｋｗ）・ＷＪ（ｏｌｄ） …（式３）

ここで、Ｋｗは学習率パラメータであり、入力ベクトルを新しい重み係数に反映させる度合いを決定する。

ＡＲＴモジュール６２０のデータ分類アルゴリズムの特徴はステップ４の処理にある。ステップ４の処理により、記憶しているパターンと異なる入力データが入力された場合、記憶しているパターンは変更せず新しいパターンを記憶することができる。このため、過去に学習したパターンを記憶しながら、新たなパターンを記憶することが可能となる。

このように、入力データとして予め与えた運転データを与えると、ＡＲＴモジュール６２０は与えられたパターンを学習する。この処理が図１の学習部５１０の処理に該当する。したがって、学習済みのＡＲＴモジュール６２０に新たな入力データが入力されると、上記アルゴリズムにより、過去のどのパターンに近いかを判定できる。また、過去に経験したことのないパターンであれば、新しいカテゴリーに分類される。この処理が図１のテスト部５２０の処理に該当する。

図２（ｂ）は、分類結果の一実施例を説明する図である。図２（ｂ）では、計測データの２項目を表示したものであり、２次元のグラフで表記した。データは、複数のカテゴリー６３０（図２（ｂ）中の円）に分割される。

図３は、プラント１００の計測信号を取得してから、異常情報を画像表示装置９５０に表示するまでの手順を示すフローチャート図である。図３に示すように、本フローチャートはステップ１０００，１０１０，１０２０，１０３０を組み合わせて実行する。

まず、ステップ１０００では、プラント１００からの計測信号１を、外部入力インターフェイス２１０を介して異常診断装置２００に取り込み、計測信号３を計測信号データベース３１０に保存する。

ステップ１０１０では、診断手段６００を動作させる。ステップ１０２０では、ステップ１０１０で異常と診断した場合はステップ１０３０に進み、異常と診断されなかった場合はステップ１０００に戻る。

ステップ１０３０では、診断手段６００が出力した診断結果１０を、外部出力インターフェイス２２０で画像表示データ１１に変換し、画像表示装置９５０に出力する。これにより、プラントの運転員に異常を通知する。

図４は、プラント１００の実施例と、プラント１００に異常診断装置２００を適用した時の動作例を説明する図である。

図４（ａ）は、プラント１００の一実施例であるガスタービンプラントを説明する図である。

プラント１００は、ガスタービン発電機１１０，制御装置１２０，データ送信装置１３０からなる。ガスタービン発電機１１０は、発電機１１１，圧縮機１１２，燃焼器１１３，タービン１１４で構成される。圧縮機１１２による圧縮空気が燃焼器１１３に送られ、燃料と混合されて燃焼器１１３で燃焼する。燃焼により発生した高圧ガスでタービン１１４を駆動し、発電機１１１で発電する。

制御装置１２０は、電力需要に応じてガスタービン発電機１１０の出力を制御するための操作信号１０１を生成する。また、制御装置１２０は、ガスタービン発電機１１０に設置されたセンサー（図示せず）で計測した計測信号１０２が入力されている。運転データは、吸気温度，燃料投入量，タービン排ガス温度，タービン回転数，発電機発電量，タービン軸振動などの状態量で、１秒間隔で計測している。また、大気温度などの気象情報も計測している。データ送信装置１３０は、制御装置１２０で計測した計測信号１０３を、異常診断装置２００に送信する。尚、計測信号１０３には、操作信号１０１を含めることもできる。

図４（ｂ）は、プラント１００に異常診断装置２００を適用した時の結果を説明する図である。図４（ｂ）は、診断手段６００に入力する計測信号，診断手段６００で計測信号４をカテゴリーに分類した結果、及び新規カテゴリーの発生割合の経時変化を示している。尚、新規カテゴリーの発生割合は、新規カテゴリーに分類されるデータ数を用いて、移動平均などの平滑化手法を用いて計算する。

図４（ｂ）に示すように、診断手段６００には、データＩ、及びデータIIの計測信号が入力され、この信号を用いて異常診断する。正常状態のデータで構成した基準データを予めデータ分類手段５００に入力してカテゴリーに分類した結果、１番から４番のカテゴリーに分類された（基準時カテゴリー）。その後、現在の計測データを診断手段６００で逐次カテゴリーに分類する。異常発生より前の時間帯では、計測信号４はカテゴリー番号１〜４のいずれかに属し、異常発生後は、正常時にはないカテゴリー（新規カテゴリー）に属する。ある一定期間で発生する新規カテゴリー数の移動平均で計算する新規カテゴリーの発生割合は、異常発生後から上昇し、予め設定された閾値を超えると異常と診断する。この例では、異常発生と同時に新規カテゴリーに分類されていることから、高精度に診断できている。

しかし、分解能パラメータの設定値によっては、所望の診断性能が得られない場合がある。図５は、異常診断の失敗例を説明する図である。図４（ｂ）とは分解能パラメータの設定値が異なり、図５（ｂ）は分解能が粗い場合（ρが小さい場合）の診断結果、図５（ｃ）は分解能が細かい場合（ρが大きい場合）の診断結果を説明する図である。

図５（ｂ）に示すように、分解能が粗いと、異常発生後も、診断手段６００に入力された現在の計測信号が、基準時に生成したカテゴリーに属するため、新規カテゴリーが生成されず、異常を検出できない。一方、図５（ｃ）に示すように、分解能が細かいと、正常状態における微小なデータ傾向の変動でも新規カテゴリーが発生するため、異常発生前から新規カテゴリーが発生する。従って、正常な状態を異常と誤診する問題が生じる。以上のことから、異常を高精度に検出するには、正常時には新規カテゴリーが発生せず、異常発生後に新規カテゴリーが発生するように、分解能パラメータを設定する必要がある。

図６は、ガスタービンプラントの運転モードと経年劣化を説明する図である。ガスタービンプラントでは、図６（ａ）に示すように出力変化運転する。出力変化運転中（ε１〜ε５）と、一定出力運転中（α，β，γ）では、データ傾向は異なる。また、出力帯に応じてデータ傾向が異なる。また、使用する燃料の種類も変化する場合がある。さらに、図６（ｂ）に示すように、プラントの経年劣化に伴い、効率が低下し、データの傾向も変化する。

このような運転状態変化、及び経年劣化は異常ではないので、これが原因でデータ傾向が変化しても、新規カテゴリーが発生しないように分解能パラメータを調整することが望ましい。

本発明の異常診断装置２００の基準信号決定手段４００とデータ分類手段５００を用いて分解能パラメータを調整することで、これらの課題を解決できる。本発明では、正常状態時に新規カテゴリーが発生しない範囲で、最も細かくなるように分解能パラメータを調整する。以下では、分解能パラメータの調整方法の詳細を説明する。

図７は、基準信号決定手段４００の動作例を説明する図である。

図７（ａ）は、画像表示装置９５０に表示される画面である。本画面を参照しながら外部入力装置９００を用いて、基準信号決定手段４００で基準信号６を決定するのに用いるパラメータを入力する。

基準信号決定手段４００では、計測信号データベース３１０から正常時のデータを抽出し、このデータを２つのデータ群に分割する。正常期間、及びデータの分割方法は図７（ａ）に入力された情報に基づいて決定する。

正常期間は、日付を入力することで決定する。なお、図７（ａ）には年，月、及び日が入力されているが、時，分，秒等の情報を入力することも可能である。分割方法は、「一定期間毎に分割」，「前半後半に分割」，「ランダムに分割」の３種類から選択する。

「一定期間毎に分割」を選択した場合、図７（ｂ）に示すようにデータを一定期間毎に分割し（図７（ｂ）の例では６分割）、これを交互にＡ群，Ｂ群のデータ群に分割する。区切るデータの期間は、図７（ａ）の画面で入力する（図７（ａ）では、１ヶ月と入力されている。）。

「前半後半に分割」を選択した場合、図７（ｂ）に示すようにデータを前半部と後半部に分割し、それぞれＡ群，Ｂ群のデータとする。

「ランダムに分割」を選択した場合は、ランダムに０−１の範囲で発生させた乱数と時刻を対応づけし、０.５より大きい乱数に対応する時刻のデータをＡ群、０.５以下の乱数に対応する時刻のデータをＢ群に分割する。

また、いずれの分割方法においても、図６（ａ）に示した全ての運転モードのデータが、Ａ群，Ｂ群に必ず含まれるように、データを入れ替えるようにしてもよい。これにより、Ａ群，Ｂ群の両方のデータ群が、全ての運転モードのデータ傾向を持つこととなる。

図７（ｃ）は、基準信号データベース３２０に保存されるデータの態様を説明する図である。図７（ｃ）に示すように、計測時刻と計測したデータの値が、Ａ群，Ｂ群のデータ群毎に分割されて保存される。

なお、図７ではＡ群とＢ群の２つにデータを分割する場合について述べたが、３つ以上のデータ群に分割してもよい。また、基準信号決定手段４００では、計測信号５に平滑化処理，フーリエ変換等の処理を施し、処理後の結果を用いて基準信号６を作成するようにしてもよい。また、基準信号決定手段４００は、１サンプル点おきにデータ群に分割する機能を持たせることもできる。また、正常データに含まれる発電出力、使用する燃料の種類などの運転状態の計測信号が全データ群に含まれるように分割しても良い。

図８は、データ分類手段５００の動作を説明する図であり、分解能パラメータを決定するためのフローチャートである。図８に示すように、本フローチャートはステップ１１００，１１１０，１１２０，１１３０，１１４０，１１５０，１１６０を組み合わせて実行する。

まず、ステップ１１００では、基準信号７を学習用データとテスト用データに振り分ける。たとえば、図７（ｃ）のデータ群Ａを学習用データ、データ群Ｂをテスト用データとする。次に、ステップ１１１０では、学習部５１０を動作させて、学習用データをカテゴリーに分類する。ステップ１１２０では、テスト部５２０を動作させて、テスト用データをカテゴリーに分類する。

ステップ１１３０では、ステップ１１１０とステップ１１２０の繰り返し回数が予め設定した閾値以下の場合はステップ１１４０に進み、閾値を越えた場合はステップ１１５０に進む。ステップ１１４０では、ステップ１１２０を動作させた時に新規カテゴリーが発生した時には〔数４〕、新規カテゴリーが発生しなかった時は〔数５〕に従ってパラメータを更新する。

尚、ρ_newは分解能パラメータの更新値、ρ_oldは分解能パラメータの前回値、ρ_minは分解能パラメータ探索範囲の下限値、ρ_maxは分解能パラメータ探索範囲の上限値である。
〔数４〕
ρ_new＝ρ_old−０.５×（ρ_old−ρ_min）
ρ_max＝ρ_old …（式４）
〔数５〕
ρ_new＝ρ_old＋０.５×（ρ_max−ρ_old）
ρ_min＝ρ_old …（式５）

その後、ステップ１１１０，１１２０では、ρ_newを用いて、基準データをカテゴリーに分類する。

ステップ１１５０では、データ群と学習用，テスト用データの組み合わせを評価し、実施していない組み合わせが無い場合はステップ１１６０に進み、組み合わせがある場合は１１００に戻り、前回とは異なる組み合わせとなるように基準信号を割り振る。たとえば、前回、図７（ｂ）におけるデータ群Ａを学習用データ、データ群Ｂをテスト用データとした場合は、データ群Ｂを学習用データ、データ群Ａをテスト用データとする。ステップ１１６０では、ρ_minを分解能パラメータとして決定する。

尚、ステップ１１４０では、テスト部で新規カテゴリーが発生しない場合に評価値が高くなり、また分解能が細かい程評価値が高くなるように設定し、遺伝的アルゴリズム等の最適化手法を用いて評価値が最大となる分解能パラメータを探索するようにしてもよい。

図９は、分解能パラメータ調整経過を説明する図である。

図９（ａ）の縦軸は、ρ_max，ρ_min，ρ_new、及びステップ１１２０における新規カテゴリー発生の有無であり、横軸は図８のステップ１１１０，１１２０，１１３０，１１４０の繰り返し回数である。図９（ａ）は繰り返し回数を５回に設定した時の結果である。

繰り返し回数０回目の時は、図８のステップ１１２０で新規カテゴリーが発生した。この場合、〔数４〕に従ってρ_newとρ_maxを更新する。繰り返し回数１回目では、更新したρ_newを用いて学習部、テスト部を動作させた結果、図８のステップ１１２０で新規カテゴリーが発生しなかった。この場合、〔数５〕に従ってρ_newとρ_minを更新する。以下、同様な手順を繰り返し、分解能パラメータを更新する。

図９（ｂ）は、学習用データ，テスト用データの組み合わせと、ρの候補値（ρ_min）の値の関係を説明する図である。学習用データをＡ群、テスト用データをＢ群に設定した時のρの候補値は０.９９９であり、学習用データをＢ群、テスト用データをＡ群に設定した時のρの候補値は、０.９９である。この場合、図８のステップ１１６０では、これらの候補値の中から、分解能が最も細かくなる分解能パラメータの値（図９（ｂ）の例では、０.９９９）を、最終的な分解能パラメータ値として決定する。このように、学習用データとテスト用データの組み合わせを変更し、その中で分解能が最も細かくなるように分解能パラメータを決定することで、データの外れ値に対応できる。

図９（ｃ）は、外れ値を説明する図である。外れ値がＡ群に属している場合、Ａ群がテスト用データとなった場合は、分解能を粗く設定しない限り外れ値が入力された場合に新規カテゴリーが生成する。従って、分解能パラメータ調整部５３０では、分解能が粗くなるように分解能パラメータを調整してしまい、異常を検出できなくなる可能性がある。

この現象を避けるため、本発明の実施例では、学習用データとテスト用データのデータを入れ替えて分解能パラメータを調整し、その中で分解能が最も細かくなる値を選択するようにしている。

尚、図８のフローチャートで調整した分解能パラメータ値を用いて診断した結果は、図４（ｂ）で説明したのと同じであるため、ここでは省略する。

図１０は、分解能パラメータ確認画面であり、画像表示装置９５０に表示される画面の一実施例である。画像表示装置９５０に図９のρ_newの値と、その時にテスト部で新規カテゴリーが発生した割合である。このふたつの関係を表示し、プラントの運転員は、選択されたρの値について妥当性を確認できる。新規カテゴリーが発生した割合の他、発生量，発生の有無などとρの値との関係としても良い。

また、画像表示装置９５０に図１０の画面を表示させ、分解能パラメータ値を手動で変更することもできる。すなわち、図８のフローチャートの分解能パラメータ決定（ステップ１１６０）では分解能パラメータ１１６１を選択するが、分解能の粗い分解能パラメータ１１６２や、分解能の細かい１１６３で診断したい、という場合は、図１０の画面上で外部入力装置９００を操作し、分解能パラメータの値を変更することもできる。このように、異常診断装置が、計測信号データベースにプラントの計測信号を記憶し、正常時の計測信号を用いてカテゴリーに分類する学習を実行し、学習で使用しない他の計測信号を用いてカテゴリーに分類するテストを実行し、学習、及びテストの分類結果を用いて、カテゴリーに分類する際に用いる分解能パラメータを調整することで、データの類似性に応じて、前記基準信号をカテゴリーに分類し、分解能パラメータを調整する場合に、分解能パラメータ調整で過去に設定した分解能パラメータの値と、テストで発生した新しいカテゴリーの関係を画面に表示し、正常時の計測信号とは異なる診断対象の計測信号について、分類で発生したカテゴリーに属さない割合が一定値を超えた場合に異常と診断する異常診断方法により、分解能パラメータの値と、テストで発生した新しいカテゴリーの割合の関係を表示し、プラントの運転員は、選択されたρの値について妥当性を確認でき、適切に調整されたパラメータで異常診断を行うことができる。

本実施例の分解能パラメータ調整部５３０では、テスト部で新規カテゴリーが発生しない範囲で分解能が最も細かくなるように分解能パラメータを調整する機能に加えて、連続する２つのデータ群が属するカテゴリーが同じになるように分解能パラメータを調整する機能も有している。この場合、図８のステップ１１４０では、ステップ１１２０を動作させた時に新規カテゴリーが発生せず、それに分類されるカテゴリーがステップ１１１０と同じ場合に、〔数５〕でパラメータを更新し、それ以外の時は〔数４〕でパラメータを更新する。これにより、図６で説明したプラントの経年劣化に対応できる。

図１１は、経年劣化への対応方法を説明する図であり、１月，２月のデータ値をプロットしたものである。１月，２月は共に正常であるが、経年変化によりデータの傾向が若干変化したとする。

図１１（ａ）は、１月のデータをカテゴリー１２０１は１月のデータを包含しており、カテゴリー１２０２は２月のデータを包含する。２月のデータの一部は、カテゴリー１２０１の外部にある。

そのため、仮に１月のデータを基準信号としてカテゴリーを作成し、２月のデータを診断した場合、２月のデータの一部はカテゴリー１２０１に属さないため新規カテゴリーが発生する。これにより、正常であるにも関わらず異常と診断されてしまう可能性がある。連続する二つのデータ群が属するカテゴリーが同じになるように分解能を調整すると、図１１（ｂ）のカテゴリー１２０３，カテゴリー１２０４が生成する。つまり、１ヶ月間の経年劣化によってデータ傾向が変化しても、新規カテゴリーが発生しない。

そこで、１月と２月の運転データ（基準データ）を、それぞれ学習用データ，テスト用データとして、分解能パラメータを決定する。その後、この分解能パラメータを用いて３月の運転データを診断する。この場合、１ヶ月間の経年劣化によってデータ傾向が変化しても、新規カテゴリーは発生しない。もし、突発異常が発生してデータが大きく変化した場合は、新規カテゴリーが発生する。

従って、突発異常が発生したときにのみ新規カテゴリーが発生するので、高精度に異常を検出することができる。

図１２は、本発明の異常診断装置の第２の実施例を示すブロック図である。第１の実施例における基準信号決定手段４００，データ分類手段５００，診断手段６００とは、以下の点で異なる。

基準信号決定手段４００では、計測信号データベース３１０に保存されている計測信号５の正常データを少なくとも３群以上に分割する。

データ分類手段５００は、学習部５１０，テスト部５２０，分解能パラメータ調整部５３０に，閾値設定部５４０が追加される。学習部５１０では、データ群の１つを用いてカテゴリーに分類する。また、テスト部５２０では、学習部５１０で使用しない残りのデータ群の１つを用いてカテゴリーに分類する。また、閾値設定部５４０では、学習部５１０、及びテスト部５２０で使用しない残りのデータ群の１つを用いて、学習部及びテスト部で生成したカテゴリーに属さない数量を閾値とする。この閾値は、分類結果データベース３３０に保存される。閾値についてのカテゴリーに属さない数量は、カテゴリーに属さない数量を把握するために、カテゴリーに属さない数量をカテゴリーに属する数量で割った割合や、数量として１となるカテゴリーに属さない数量の有無も含む。

診断手段６００では、現在の計測信号がデータ分類手段５００で発生したカテゴリーに属さない割合が、閾値設定部５４０で求めた閾値を超えた場合に異常と診断する。

つまり、第１の実施例では、診断手段６００で異常と診断するための閾値（図４（ｂ）参照）は予め運転員が設定する必要があったが、第２の実施例ではこの閾値を閾値設定部５４０で自動的に決定する。以下、閾値の決定方法について述べる。

図１３は、本発明の異常診断装置の第２の実施例における基準信号決定手段４００の動作結果例を説明する図である。計測信号データベース３１０に保存されている計測信号５の正常データを少なくとも３群以上に分割する。図１３では、正常データをＡ群，Ｂ群，Ｃ群の３群に分割した場合の例を示している。

図１４は、本発明の診断装置の第２の実施例におけるデータ分類手段５００の動作を説明するフローチャート図である。

図１４のフローチャートは、図８のフローチャートにステップ１１７０を追加して構成する。ステップ１１７０では、閾値設定部５４０を動作させ、ステップ１１６０で決定した分解能パラメータを用いた時における学習部，テスト部のカテゴリーに属さない新規カテゴリーの発生割合を求め、この値を閾値に決定する。

新規カテゴリーは、外れ値，計測ノイズ等の影響で発生する可能性がある。閾値設定部５４０では正常時のデータのみを用いて分類するため、閾値設定部５４０を動作させた時に発生する新規カテゴリーは、外れ値，計測ノイズ等の影響で発生する。そこで、本実施例では、診断手段６００を動作させた時に発生する新規カテゴリーの割合が閾値以下の場合は正常と診断し、閾値以上の場合は異常と診断することで、診断精度の向上を図るようにしている。

図１５は、本発明の異常診断装置の第２の実施例における分類結果データベース３３０に保存されるデータの態様を説明する図である。

図１５（ａ）に示すように、分類結果データベース３３０には、分解能パラメータと閾値の関係が保存される。また、図１５（ｂ）に示すように、カテゴリー毎に閾値を保存することもでき、新規カテゴリーが発生する前に属しているカテゴリー番号毎に閾値を算出し、その値を保存するようにしてもよい。

このように、カテゴリー毎に閾値を設定することで、運転条件毎に閾値を変更することが可能となり、より精度の高い診断が可能となる。

図１６は、本発明の異常診断装置の第２の実施例における画像表示装置９５０に表示される画面の一実施例を説明する図である。

新規カテゴリー発生割合と閾値の経時変化を表示することで、これらのパラメータの推移を容易に確認できる。

上述した各実施例の装置は、メモリやＣＰＵを備えたコンピュータなどで実施することができ、また装置の有する機能としての処理手段などはプログラムモジュールであり、モジュールを読み込んでコンピュータに実行させることで各機能を実施することができる。

また、プログラムモジュールを記録した記録媒体をコンピュータに読み込ませることにより各機能を実施可能である。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換えをすることことが可能である。

また、上記の各構成は、それらの一部又は全部が、ハードウェアで構成されても、プロセッサでプログラムが実行されることにより実現されるように構成されてもよい。また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。

１００ プラント
２００ 異常診断装置
２１０ 外部入力インターフェイス
２２０ 外部出力インターフェイス
３１０ 計測信号データベース
３２０ 基準信号データベース
３３０ 分類結果データベース
４００ 基準信号決定手段
５００ データ分類手段
５１０ 学習部
５２０ テスト部
５３０ 分解能パラメータ調整部
６００ 診断手段
９００ 外部入力装置
９１０ キーボード
９２０ マウス
９５０ 画像表示装置

Claims (21)

1. プラントの計測信号を記憶した計測信号データベースと、
   プラントの正常時の前記計測信号を２つ以上のデータ群に分割して、基準信号を作成する基準信号決定手段と、
   前記データ群の１つを用いてカテゴリーに分類する学習部と、前記学習部で使用しない残りの前記データ群の１つを用いてカテゴリーに分類するテスト部と、前記学習部、及び前記テスト部の分類結果を用いて、カテゴリーに分類する際に用いる分解能パラメータを調整する分解能パラメータ調整部とを備え、データの類似性に応じて、前記基準信号をカテゴリーに分類する分類手段と、
   前記正常時の計測信号とは異なる診断対象の計測信号について、前記分類手段で発生したカテゴリーに属さない数量が一定値を超えた場合に異常と診断する診断手段とを備えた異常診断装置。
2. 請求項１に記載の異常診断装置において、
   前記基準信号決定手段は、プラントの正常時の計測信号を３つ以上のデータ群に分割し、
   前記学習部、及び前記テスト部で使用しない残りのデータ群の１つを用いて、学習部及びテスト部で生成したカテゴリーに属さない割合を閾値として求める閾値設定部を備え、
   前記診断手段は、前記正常時の計測信号とは異なる診断対象の計測信号について、前記分類手段で発生したカテゴリーに属さない数量が前記閾値を超えた場合に異常と診断すること
   を特徴とする異常診断装置。
3. 請求項１又は請求項２に記載した異常診断装置において、
   前記分解能パラメータ調整部では、前記テスト部でカテゴリーに分類した際に、前記学習部で分類したカテゴリーとは異なるカテゴリーが発生しない範囲で、分解能が一番細かくなるように分解能パラメータを調整すること
   を特徴とする異常診断装置。
4. 請求項３に記載した異常診断装置において、
   前記分解能パラメータ調整部では、前記学習部，前記テスト部に振り分けるデータ群の組み合わせを変更した中で、分解能が一番細かい分解能パラメータを決定することを特徴とする異常診断装置。
5. 請求項３に記載した異常診断装置において、
   前記基準信号設定手段では、予め設定した間隔でデータを２群以上に分割し、
   前記分解能パラメータ調整部では、連続する２つのデータ群が同じカテゴリーに分類された数量の情報を用いて分解能パラメータを調整すること
   を特徴とする異常診断装置。
6. 請求項１又は請求項２に記載した異常診断装置を火力発電プラントに適用し、
   前記基準信号決定手段では、正常時の計測データとして、発電出力又は使用する燃料の種類を含む運転状態の計測信号を用い、前記データ群の全データ群に含まれるように分割すること
   を特徴とする火力発電プラントの異常診断装置。
7. 請求項１又は請求項２に記載した異常診断装置において、
   カテゴリーに分類する技術として、クラスタリング技術を用いることを特徴とする異常診断装置。
8. 請求項２に記載した異常診断装置において、
   前記閾値設定部では、新規カテゴリーが発生する直前に属していたカテゴリー毎に閾値を求めることを特徴とする異常診断装置。
9. 請求項１又は請求項２に記載した異常診断装置において、
   前記基準信号決定手段では、乱数を用いてデータ群に分割する機能、１サンプル点置きにデータ群に分割する機能、予め定められた期間でデータ群に分割する機能の少なくとも１つを備えたことを特徴とする異常診断装置。
10. 請求項１又は請求項２に記載した異常診断装置において、
    前記分解能パラメータ調整部での調整過程で評価した分解能パラメータの値と、前記テスト部で発生した新しいカテゴリーの関係を画面に表示する画像表示装置を備えたことを特徴とする異常診断装置。
11. 請求項８に記載した異常診断装置において、
    前記閾値の経時変化を画面に表示する画像表示装置を備えたことを特徴とする異常診断装置。
12. 異常診断装置が、
    計測信号データベースにプラントの計測信号を記憶し、
    プラントの正常時の前記計測信号を２つ以上のデータ群に分割して、基準信号を作成し、
    前記データ群の１つを用いてカテゴリーに分類する学習を実行し、前記学習で使用しない残りの前記データ群の１つを用いてカテゴリーに分類するテストを実行し、前記学習、及び前記テストの分類結果を用いて、カテゴリーに分類する際に用いる分解能パラメータを調整することで、データの類似性に応じて、前記基準信号をカテゴリーに分類し、
    前記正常時の計測信号とは異なる診断対象の計測信号について、前記分類で発生したカテゴリーに属さない数量が一定値を超えた場合に異常と診断すること
    を特徴とする異常診断方法。
13. 請求項１２に記載の異常診断方法において、
    前記基準信号を作成する場合に、プラントの正常時の計測信号を３つ以上のデータ群に分割し、
    前記学習、及び前記テストで使用しない残りのデータ群の１つを用いて、学習及びテストで生成したカテゴリーに属さない数量を閾値として求め、
    前記診断の場合に、前記正常時の計測信号とは異なる診断対象の計測信号について、前記分類で発生したカテゴリーに属さない数量が前記閾値を超えた場合に異常と診断することを特徴とする異常診断方法。
14. 請求項１２又は請求項１３に記載した異常診断方法において、
    分解能パラメータを調整する際、前記学習の結果のカテゴリーと異なるカテゴリーがテストの結果のカテゴリーに含まれない範囲で、分解能が一番細かくなるように分解能パラメータを調整すること
    を特徴とする異常診断方法。
15. 請求項１４に記載した異常診断方法において、
    分解能パラメータは、前記学習の結果、及び前記テストの結果を得るのに使用したデータ群の組み合わせを変更した中で、分解能が一番細かくなるように決定すること
    を特徴とする異常診断方法。
16. 請求項１４に記載した異常診断方法において、
    前記基準信号を作成する場合に、予め設定した間隔でデータを２群に分割し、
    分解能パラメータを調整する場合に、連続する２つのデータ群が同じカテゴリーに分類された数量の情報を用いて分解能パラメータを調整すること
    を特徴とする異常診断方法。
17. 請求項１２又は請求項１３に記載した異常診断方法を火力発電プラントに適用し、
    基準信号を作成する場合に、正常時の計測データとして、発電出力又は使用する燃料の種類を含む運転状態の計測信号を用い、前記データ群の全データ群に含まれるように分割すること
    を特徴とする異常診断方法。
18. 請求項１２又は請求項１３に記載した異常診断方法において、
    カテゴリーに分類する方法として、クラスタリング技術を用いることを特徴とする異常診断方法。
19. 請求項１３に記載した異常診断方法において、
    前記閾値を求める場合に、新規カテゴリーが発生する直前に属していたカテゴリー毎に閾値を求めること
    を特徴とする異常診断方法。
20. 請求項１２又は請求項１３に記載した異常診断方法において、
    基準信号を作成する場合に、乱数を用いてデータ群に分割すること、１サンプル点置きにデータ群に分割すること、予め定められた期間でデータ群に分割することの少なくとも１つを実行することを特徴とする異常診断方法。
21. 異常診断装置が、
    計測信号データベースにプラントの計測信号を記憶し、
    正常時の計測信号を用いてカテゴリーに分類する学習を実行し、前記学習で使用しない他の計測信号を用いてカテゴリーに分類するテストを実行し、前記学習、及び前記テストの分類結果を用いて、カテゴリーに分類する際に用いる分解能パラメータを調整することで、データの類似性に応じて、前記基準信号をカテゴリーに分類し、
    分解能パラメータを調整する場合に、前記分解能パラメータ調整で過去に設定した分解能パラメータの値と、前記テストで発生した新しいカテゴリーの関係を画面に表示し、
    前記正常時の計測信号とは異なる診断対象の計測信号について、前記分類で発生したカテゴリーに属さない数量が一定値を超えた場合に異常と診断すること
    を特徴とする異常診断方法。

Images