JP5484591B2 - プラントの診断装置及びプラントの診断方法 - Google Patents

プラントの診断装置及びプラントの診断方法 Download PDF

Info

Publication number
JP5484591B2
JP5484591B2 JP2012546576A JP2012546576A JP5484591B2 JP 5484591 B2 JP5484591 B2 JP 5484591B2 JP 2012546576 A JP2012546576 A JP 2012546576A JP 2012546576 A JP2012546576 A JP 2012546576A JP 5484591 B2 JP5484591 B2 JP 5484591B2
Authority
JP
Japan
Prior art keywords
model
state
plant
measurement signal
predictive
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.)
Active
Application number
JP2012546576A
Other languages
English (en)
Other versions
JPWO2012073289A1 (ja
Inventor
孝朗 関合
徹 江口
尚弘 楠見
雅之 深井
正博 村上
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Application granted granted Critical
Publication of JP5484591B2 publication Critical patent/JP5484591B2/ja
Publication of JPWO2012073289A1 publication Critical patent/JPWO2012073289A1/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Description

本発明は、プラントの診断装置及びプラントの診断方法に関する。
プラントの診断装置は、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信号を基にその異常や事故の発生を検知するものである。
公知例のプラントの診断装置として特開２００５−１６５３７５号公報には、適応共鳴理論（Ａｄａｐｔｉｖｅ Ｒｅｓｏｎａｎｃｅ Ｔｈｅｏｒｙ：ＡＲＴ）を用いたプラントの診断装置が開示されている。ここで、ＡＲＴとは、多次元のデータをその類似度に応じてカテゴリーに分類する技術である。
この特開２００５−１６５３７５号公報に記載されたプラントの診断装置の技術においては、まず、プラントの運転データを記録した過去の計測信号から、プラントの状態が正常と考えられる期間の信号を学習データとして抽出する。そして、ＡＲＴを用いて、学習データを複数のカテゴリー（正常カテゴリー）に分類して正常モデルを作成する。次に、プラントの現在の計測信号をＡＲＴでカテゴリーに分類する。この現在の計測信号が正常モデルと一致しない時、すなわち正常カテゴリーに分類できない時は、新しいカテゴリー（新規カテゴリー）が生成される。つまり、新規カテゴリーの発生は、計測信号の傾向が変化し、プラントの状態が変化したことを意味する。そこで、異常の発生を新規カテゴリーの発生で判断することとし、新規カテゴリーの発生割合が閾値を越えた場合に異常と診断する技術である。
特開２００５−１６５３７５号公報
プラントの診断装置には、異常の対策を検討する時間を確保するため、異常が発生するよりも前に、プラントの状態変化を検知することが求められる。これを実現するには、正常状態から異常状態に至る途中の、予兆状態を検知する必要がある。
通常、プラントの制御装置には、計測信号が予め定められた範囲を逸脱した時に警報を発生させる機能がある。異常に伴って警報が発生すれば、警報が発生している期間のデータを過去の計測信号から除外することで、異常状態のデータを除外した学習データを作成できる。
しかしながら、この学習データには、正常状態から警報が発生する異常状態に至る途中の予兆状態のデータが含まれる。そのため、この学習データを用いて正常モデルを構築すると、予兆状態を正常と診断してしまい、予兆状態を検知できないことになる。
本発明の目的は、プラントの状態が正常状態から異常状態に至る途中の予兆状態を検知可能にするプラントの診断装置及びプラントの診断方法を提供することにある。
本発明のプラントから状態量を計測した計測信号に基づいてプラントの運転状態を診断し、診断結果を画像表示装置に表示するプラントの診断装置は、プラントの診断装置にプラントの状態量を計測した計測信号を用いて診断に用いるモデルを構築する学習手段と、前記学習手段で構築したモデルを用いてプラントの運転状態を診断する診断手段を備え、前記学習手段に、類似の値を持つデータを同じカテゴリーに分類する分類部と、前記分類部でのカテゴリーの分類結果に基づいて計測信号の傾向の違いを評価して正常期間、予兆期間、異常期間を決定する期間決定部と、前記正常期間の計測信号を用いて正常モデルを構築するモデル構築部を備え、前記診断手段は、現時刻の計測信号が前記モデル構築部で構築される正常モデルに分類されるか否かを判定して、現時刻の計測信号が正常モデルに含まれる場合はプラントが正常状態であると診断して画像表示装置に表示し、現時刻の計測信号が正常モデルに含まれない場合はプラントが過去に経験したことのない未知状態であると診断して画像表示装置に表示するように構成し、前記学習手段に設けた前記期間決定部では、前記プラントの状態量を計測した前記計測信号が前記分類部によって予兆モデルに分類される予兆状態と異常モデルに分類される異常状態との境界時刻を、警報が発生した時刻に設定する処理と、前記プラントの状態量を計測した前記計測信号が前記分類部によって正常モデルに分類される正常状態と前記予兆モデルに分類される予兆状態との境界時刻を、正常状態と予兆状態との前記境界時刻から、予兆状態と異常状態の境界時刻の期間における正常状態にないカテゴリーの発生割合の最小値が予め定めた値より高くなる時刻に設定する処理をそれぞれ行うように構成されていることを特徴とする。
また、本発明のプラントから入力された計測信号に基づいてプラントの運転状態を診断し、診断結果を画像表示装置に表示するプラントの診断装置は、プラントの診断装置にプラントの状態量を計測した前記計測信号を用いて診断に用いるモデルを構築する学習手段と、前記学習手段で構築したモデルを用いてプラントの運転状態を診断する診断手段を備え、前記学習手段に、類似の値を持つデータを同じカテゴリーに分類する分類部と、前記分類部でのカテゴリーの分類結果に基づいて計測信号の傾向の違いを評価して正常期間、予兆期間、異常期間を決定する期間決定部と、前記正常期間の計測信号を用いて正常モデルを構築し、前記予兆期間の計測信号を用いて予兆モデルを構築し、前記異常期間の計測信号を用いて異常モデルを構築するモデル構築部を備え、前記診断手段は、現時刻の計測信号が正常モデル、予兆モデル、異常モデルのどのモデルに分類されるかを判定して、現時刻の計測信号が正常モデル、予兆モデル、異常モデルに含まれる場合はプラントが当該モデルに対応した正常、予兆、異常のうち該当する状態であると診断して画像表示装置に表示し、現時刻の計測信号が正常モデル、予兆モデル、異常モデルの何れにも含まれない場合はプラントが過去に経験したことのない未知状態であると診断して画像表示装置に表示するように構成し、
前記学習手段に設けた前記期間決定部では、
前記プラントの状態量を計測した前記計測信号が前記分類部によって予兆モデルに分類される予兆状態と異常モデルに分類される異常状態との境界時刻を、警報が発生した時刻に設定する処理と、
前記プラントの状態量を計測した前記計測信号が前記分類部によって正常モデルに分類される正常状態と前記予兆モデルに分類される予兆状態との境界時刻を、正常状態と予兆状態との前記境界時刻から、予兆状態と異常状態の境界時刻の期間における正常状態にないカテゴリーの発生割合の最小値が予め定めた値より高くなる時刻に設定する処理をそれぞれ行うように構成されていることを特徴とする。
本発明のプラントから入力された計測信号に基づいてプラントの運転状態を診断し、診断結果を表示するプラントの診断方法は、プラントの診断装置としてプラントの状態量を計測した計測信号を用いて診断に用いるモデルを構築する学習手段と、前記学習手段で構築したモデルを用いてプラントの運転状態を診断する診断手段が備えられており、プラントの状態量を計測した計測信号を学習手段に入力させ、該学習手段にて前記計測信号のうち類似の値を持つデータを同じカテゴリーに分類し、このカテゴリーの分類結果に基づいて計測信号の傾向の違いを評価して正常期間、予兆期間、異常期間をそれぞれ決定し、前記正常期間の計測信号を用いて正常モデルを構築し、前記予兆期間の計測信号を用いて予兆モデルを構築し、前記異常期間の計測信号を用いて異常モデルを構築し、プラントの状態量を計測した計測信号を診断手段に入力させ、該診断手段にて現時刻の計測信号が正常モデル、予兆モデル、異常モデルのどのモデルに分類されるかを判定して、現時刻の計測信号が正常モデル、予兆モデル、異常モデルの何れかに含まれる場合は、プラントが当該モデルに対応した正常、予兆、異常のうち該当する状態であると診断して画像表示装置に表示し、現時刻の計測信号が正常モデル、予兆モデル、異常モデルの何れにも含まれない場合はプラントが過去に経験したことのない未知状態であると診断して画像表示装置に表示し、前記プラントの状態量を計測した前記計測信号が前記学習手段によって予兆モデルに分類される予兆状態と異常モデルに分類される異常状態との境界時刻を警報が発生した時刻に設定し、前記プラントの状態量を計測した前記計測信号が前記学習手段によって正常モデルに分類される正常状態と前記予兆モデルに分類される予兆状態との境界時刻を、正常状態と予兆状態との前記境界時刻から、予兆状態と異常状態の境界時刻の期間における正常状態にないカテゴリーの発生割合の最小値が予め定めた値より高くなる時刻に設定することを特徴とする。
また、本発明のプラントから入力された計測信号に基づいてプラントの運転状態を診断し、診断結果を表示するプラントの診断方法は、プラントの診断装置としてプラントの状態量を計測した計測信号を用いて診断に用いるモデルを構築する学習手段と、前記学習手段で構築したモデルを用いてプラントの運転状態を診断する診断手段が備えられており、プラントの状態量を計測した計測信号を学習手段に入力させ、該学習手段にて前記計測信号のうち類似の値を持つデータを同じカテゴリーに分類し、このカテゴリーの分類結果に基づいて計測信号の傾向の違いを評価して正常期間、予兆期間、異常期間をそれぞれ決定し、前記正常期間の計測信号を用いて正常モデルを構築し、前記予兆期間の計測信号を用いて予兆モデルを構築し、前記異常期間の計測信号を用いて異常モデルを構築し、プラントの状態量を計測した計測信号を診断手段に入力させ、該診断手段にて現時刻の計測信号が正常モデル、予兆モデル、異常モデルのどのモデルに分類されるかを判定して、現時刻の計測信号が正常モデル、予兆モデル、異常モデルの何れかに含まれる場合は、プラントが当該モデルに対応した正常、予兆、異常のうち該当する状態であると診断して画像表示装置に表示し、現時刻の計測信号が正常モデル、予兆モデル、異常モデルの何れにも含まれない場合はプラントが過去に経験したことのない未知状態であると診断して画像表示装置に表示し、
前記プラントの状態量を計測した前記計測信号が前記学習手段によって予兆モデルに分類される予兆状態と異常モデルに分類される異常状態の境界時刻を警報が発生した時刻に設定し、
前記プラントの状態量を計測した前記計測信号が前記学習手段によって正常モデルに分類される正常状態と前記予兆モデルに分類される予兆状態との境界時刻を、任意の時間間隔でデータを区間に分割して各区間のカテゴリー出現率の変化度が予め定めた値より高くなる時刻に設定することを特徴とする。
本発明によれば、プラントの状態が正常状態から異常状態に至る途中の予兆状態を検知できるプラントの診断装置及びプラントの診断方法を実現することができる。
この結果、プラントが異常状態に至る前にプラントの状態変化を早期に検知することが可能なプラントの診断装置及びプラントの診断方法が得られる。
本発明の一実施例であるプラントの診断装置の構成を示す制御ブロック図。 図１に示したプラントの診断装置の基本動作を示すフローチャート図。 図１に示したプラントの診断装置の基本動作において、計測信号のサンプリング周期毎に学習モードと診断モードの両方を動作させて診断する状況を示した説明図。 図１に示したプラントの診断装置の基本動作において、所定の設定期間毎に正常状態学習モードを動作させ、サンプリング周期毎に診断モードのみを動作させて診断する状況を示した説明図。 図１に示したプラントの診断装置の基本動作において、外部入力信号を入力して任意のタイミングで学習モードと診断モードを動作させて診断する状況を示した説明図。 図１に示したプラントの診断装置における学習手段を構築する分類部におけるデータ分類機能の実装例を示す説明図。 図３(ａ)に示した学習手段を構築する分類部に備えられたＡＲＴモジュールを構成するＦ０レイヤーの構成を示すブロック図。 図３(ａ)に示した学習手段を構築する分類部に備えられたＡＲＴモジュールを構成するＦ１レイヤーの構成を示すブロック図。 図１に示したプラントの実施例である火力発電プラントを示すブロック図。 図４(ａ)に示したプラントから取得した計測信号を、カテゴリーに分類した結果を説明する説明図。 図４(ａ)に示したプラントから取得した計測信号を、カテゴリーに分類した分類結果の一例を示す説明図。 図１に示したプラントの診断装置における学習手段を構築する期間決定部の第１の実装例を説明する図であって、プラントの運転状態の正常状態と予兆状態との境界時刻と、予兆状態と異常状態との境界時刻の状況を示す説明図。 図５(ａ)に示したプラントの運転状態についての正常状態と予兆状態との境界時刻と、予兆状態と異常状態との境界時刻を決定するアルゴリズムを示す説明図。 図１に示したプラントの診断装置における学習手段を構築する期間決定部の第２の実装例を示す説明図であって、任意の時間間隔でデータを区間に分割する状況を示した説明図。 図６(ａ)に示された分割した区間毎にカテゴリーの出現率Ｅを表した説明図。 図６(ａ)に示された分割した区間毎の変化度Ｖを計算した結果を示した説明図。 図１に示したプラントの診断装置における診断手段の動作を説明する図。 図１に示したプラントの診断装置における計測信号データベースに保存されるデータの態様を示す説明図。 図１に示したプラントの診断装置における診断モデルデータベースに保存されるデータのカテゴリー番号と、重み係数との関係を示す説明図。 図１に示したプラントの診断装置における診断モデルデータベースに保存されるデータの時刻と、その時刻におけるデータが分類されたカテゴリー番号との関係を示す説明図。 図１に示したプラントの診断装置によって診断したプラントの診断結果を表示した画面を示す説明図。 図１に示したプラントの診断装置に設けた学習手段構成する期間決定部によって決定した正常状態と予兆状態の境界時刻、予兆状態と異常状態の境界時刻をデフォルト値として表示した説明図。
次に、本発明の実施例であるプラントの診断装置について図面を参照して以下に説明する。
図１は、本発明の一実施例であるプラントの診断装置を説明するブロック図である。図１に示したプラントの診断装置においては、プラント１００の状態を診断装置２００により診断する。
診断装置２００は、診断装置２００を構成する演算装置として、学習手段４００、及び診断手段８００を備えている。この診断装置２００は、データベースとして、計測信号データベース３１０、及び診断モデルデータベース３２０を備えている。なお、図１においては、データベースをＤＢと略記している。
前記計測信号データベース３１０及び診断モデルデータベース３２０のデータベースには、電子化された情報が記録されており、通常、電子ファイル（電子データ）と呼ばれる。
前記学習手段４００は、プラント１００の運転状態を計測した計測信号から、プラント１００の過去の運転状態の計測信号を蓄積した蓄積データを基に、正常モデル、予兆モデル、及び異常モデルをそれぞれ作成する機能を有するものである。
また、診断手段８００は、この学習手段４００で作成した正常モデル、予兆モデル及び異常モデルと、計測したプラント１００の計測信号のデータとを比較して、前記計測信号のデータがどのモデルに属しているのかを判定する機能を有するものである。
前記学習手段４００には、分類部５００、期間決定部６００、及びモデル構築部７００がそれぞれ備えられている。
前記分類部５００は、計測信号データベース３１０に蓄積されているプラント１００の過去の運転状態の計測信号４である蓄積した蓄積データを、類似のグループに分類する機能を有するものである。
前記期間決定部６００は、分類部５００による分類結果５と計測信号４に基づいて、プラント１００の運転状態が、正常の状態、予兆の状態、或いは異常の状態となっている期間を決定する機能を有するものである。
前記モデル構築部７００は、前記した分類部５００の分類結果５、期間決定部６００の基幹情報６、及び計測信号４に基づいて、正常モデル、予兆モデル、或いは異常モデルを構築する機能を有するものである。
また、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及び外部出力インターフェイス２２０を備えている。
そして、外部入力インターフェイス２１０を介してプラント１００の運転状態である各種状態量を計測した計測信号１と、運転管理室９００に備えられているキーボード９２０及びマウス９３０で構成される外部入力装置９１０の操作で作成する外部入力信号２が診断装置２００に取り込まれる。また、外部出力インターフェイス２２０を介して、画像表示情報１０を運転管理室９００に備えられている画像表示装置９４０に出力する。
なお、本実施例のプラントの診断装置においては、学習手段４００、診断手段８００、計測信号データベース３１０、診断モデルデータベース３２０が診断装置２００の内部に備えられているが、これらの一部を診断装置２００の外部に配置し、データのみをこれらの装置の間で通信するようにしてもよい。
また、本実施例のプラントの診断装置において診断対象とするプラント１００は１基である場合を示しているが、１台の診断装置２００で複数基のプラント１００を診断することも可能である。
次に、本実施例のプラントの診断装置に備えられた診断装置２００の動作を説明する。
図１に示した本実施例のプラントの診断装置において、プラント１００の各種状態量を計測した計測信号１は外部入力インターフェイス２１０を介して取り込まれるが、この外部入力インターフェイス２１０からプラント１００の計測信号３として、診断装置２００に設置された計測信号データベース３１０に保存される。
診断装置２００に設置された学習手段４００には、分類部５００、期間決定部６００、及びモデル構築部７００が備えられている。
学習手段４００では、計測信号データベース３１０に保存されているプラント１００の各種状態量を計測した計測信号１である過去の蓄積データを、正常データ、予兆データ、異常データに分け、それぞれのデータを用いて正常モデル、予兆モデル、異常モデルを構築する機能を有している。
前記正常モデル、予兆モデル、異常モデルの各モデルは、学習手段４００に設置された分類部５００、期間決定部６００、モデル構築部７００を動作させることによって作成する。
前記学習手段４００に設置された分類部５００では、計測信号データベース３１０に保存されている過去の蓄積データである計測信号４を、類似性を持つデータのまとまりに分類し、分類結果５として、学習手段４００の期間決定部６００に出力する。この分類部５００の実装方法については、図３を用いて後述する。
前記学習手段４００に設置された期間決定部６００では、計測信号データベース３１０に保存されている過去の蓄積データである計測信号４と、分類部５００による分類結果５の入力情報を用いて、計測信号４の傾向の違いを評価する。そして、この評価結果に基づいて、計測信号４のデータ期間を、正常期間、予兆期間、異常期間のいずれかに分ける。この結果は期間情報６として、学習手段４００のモデル構築部７００に出力する。期間決定部６００の実装方法については、図５、図６を用いて後述する。
前記学習手段４００に設置されたモデル構築部７００では、前記正常期間、予兆期間、異常期間のこれらの期間についてそれぞれ正常モデル、予兆モデル、異常モデルを作成する。そして、作成したこれらの各モデルは、モデル情報７として診断モデルデータベース３２０に出力する。
前記診断装置２００に設置された診断手段８００では、計測信号４の入力に対して、診断モデルデータベース３２０の正常モデル、予兆モデル、異常モデルを参照することによってプラント１００の運転状態を診断し、その診断結果９を出力する。
即ち、診断手段８００では、プラント１００の計測信号４が診断モデルデータベース３２０の正常モデル、予兆モデル、異常モデルのどのモデルに属するかを判定する。その結果、プラント１００の現在の運転状態が正常、予兆、異常のどの状態であるかを診断し、その診断結果９を診断表示装置９４０に出力して表示する。
また、診断手段８００における判定によって、プラント１００の計測信号４が正常モデル、予兆モデル、異常モデルのいずれにも属さない時は、過去に経験したことのない未知状態と診断し、その診断結果９を診断表示装置９４０に出力して表示する。
また、診断手段８００における診断においては、簡便な手段として、正常モデルのみを用いて、正常かそれ以外の未知状態と診断することも可能である。診断手段８００の詳細は、図７を用いて後述する。
診断手段８００が診断したプラント１００の現在の運転状態に対する診断結果９は、外部出力インターフェイス２２０を介して、画像表示情報１０として運転管理室９００に設置した画像表示装置９４０に送信され、表示される。これにより、運転管理室９００にいるオペレータに、プラント１００の運転状態に対する診断結果を通知する。
このように、本実施例のプラントの診断装置２００では、プラント１００の各種状態量を計測した計測信号から診断モデルを作成するための正常データを適切に抽出し、正常モデルを構築する。正常モデルと異なる傾向のデータが入力されると、状態変化を検知できる。すなわち、異常発生前の予兆状態を検知し、プラントの状態が変化したことを、早期にオペレータに通知できる。
また、診断装置２００に設置された計測信号データベース３１０、診断モデルデータベース３２０に保存されている診断装置情報５０は、任意に運転管理室９００の画像表示装置９４０に表示できるようになっている。また、これらの情報は、外部入力装置９１０を操作して生成する外部入力信号２で、修正することができる。
診断装置２００の動作モードは、学習モードと診断モードの２種類ある。学習モードでは、学習手段４００を動作させてモデル情報７を生成し、モデル情報７を診断モデルデータベース３２０に保存する。
診断モードは、診断手段８００を動作させて診断結果９を生成し、診断結果９に含まれる画像表示情報１０を運転管理室９００の画像表示装置９４０送信することにより、プラントの運転状態を画像表示装置９４０に表示する。
次に、本実施例のプラントの診断装置の動作について説明する。以下に診断装置２００の動作フローチャートを、図１に示したプラントの診断装置の基本動作を示すフローチャート図である図２(a)を用いて説明する。
図２(a)のフローチャート図に示すように、診断装置２００の基本動作はステップ１０００、１０１０、１０２０を組み合わせて実行する。
まず、ステップ１０００では診断装置２００の動作モードが学習モードか診断モードかを判定する。そして、学習モードの場合はステップ１０１０に進み、診断モードの時はステップ１０２０に進む。
ステップ１０１０では、学習手段４００を動作させてモデル構築部７００によってモデル情報７を生成し、作成したモデル情報７を診断モデルデータベース３２０に保存する。
また、ステップ１０２０では、診断手段８００を動作させてプラント１００の運転状態である計測信号４に対する診断結果９を生成し、生成した診断結果９の含まれる画像表示情報１０を画像表示装置９４０送信することにより、プラント１００の運転状態を画像表示装置９４０に表示する。
診断装置２００の学習モードと診断モードを動作させるタイミングはオペレータによって任意に指定することができる。以下、図２(b)〜(d)を用いて、学習モードと診断モードを動作させるタイミングの各種の実施例をそれぞれ説明する。
図２(b)に示した実施例においては、計測信号のサンプリング周期毎に学習モードと診断モードの両方を動作させて診断する。
計測信号を取得する毎に診断モデルを更新することで、常に最新のモデルを用いた診断が可能である。
しかし、学習に用いるデータ量が多い時は、モデル構築に時間を要するため、サンプリング周期内に計算が終了しない可能性がある。
このような場合は、図２(c)に示した実施例のように、所定の設定期間毎に正常状態学習モードを動作させ、サンプリング周期毎に診断モードのみを動作させて診断することもできる。図２(b)及び図２(c)に示した実施例の方法では、サンプリング周期毎に診断モードが実行され、オンラインでプラントの状態を診断できる。
また、図２(d)に示した実施例のように、オペレータが学習、診断を実施する外部入力信号２を診断装置２００に入力することで、任意のタイミングで学習モードと診断モードを動作できる。つまり、色々な条件を変えてプラント１００の運転状態を診断することが可能となる。
次に、図３、図４を用いて本実施例のプラントの診断装置を構成する診断装置２００を構成する学習手段４００に備えた分類部５００、及び診断手段８００に備えた、プラント１００の計測信号４を分類する機能を説明する。
本実施例のプラントの診断装置では、データ分類機能に適応共鳴理論（Ａｄａｐｔｉｖｅ Ｒｅｓｏｎａｎｃｅ Ｔｈｅｏｒｙ：ＡＲＴ）を適用した場合について述べる。尚、データ分類機能として、ベクトル量子化等、他のクラスタリング手法を用いることもできる。
図３(a)に図１に示したプラントの診断装置における学習手段を構築する分類部におけるデータ分類機能の実装例を示すように、データ分類機能はデータ前処理装置５１０とＡＲＴモジュール５２０で構成する。データ前処理装置５１０は、運転データをＡＲＴモジュール５２０の入力データに変換する。前記データ前処理装置５１０及びＡＲＴモジュール５２０は、学習手段４００の分類部５００に設置されているものである。
以下に、前記データ前処理装置５１０及びＡＲＴモジュール５２０によるそれらの手順（工程）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。
ここでは、正規化の方法についてプラントのプロセス量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個のデータにおける最大値及び最小値をそれぞれＭａｘ＿ｉ、Ｍｉｎ＿ｉとすると、正規化したデータＮｘｉ（ｎ）は、下記式（１）で表される。
Ｎｘｉ(ｎ)＝α＋(１−α)×(ｘｉ(ｎ)−Min_ｉ)／（Max_ｉ−Min_ｉ） …（１）
ここで、α（０≦α＜０．５）の定数であり、上記式（１）によりデータは［α、１−α］の範囲に正規化される。
次に、正規化したデータの補数を計算し、入力データに加える。
正規化データＮｘｉ（ｎ）の補数ＣＮｘｉ（ｎ）は、下記式（２）で計算される。
ＣＮｘｉ(ｎ)＝１−Ｎｘｉ(ｎ) …（２）
尚、式（１）及び式（２）の演算式は前記データ前処理装置５１０に組み込まれている。
次に、データＮｘｉ（ｎ）及びＣＮｘｉ（ｎ）を含むデータを入力データIi（ｎ）が、ＡＲＴモジュール５２０に入力される。
以上の手順が、データ前処理装置５１０において行われる運転データのＡＲＴモジュール５２０への入力データ変換処理に含まれる。
ＡＲＴモジュール５２０においては、入力データであるプラント１００の計測信号４を複数のカテゴリーに分類する。
ＡＲＴモジュール５２０は、Ｆ０レイヤー５２１、Ｆ１レイヤー５２２、Ｆ２レイヤー５２３、メモリ５２４及び選択サブシステム５２５を備え、これらは相互に結合している。Ｆ１レイヤー５２２及びＦ２レイヤー５２３は、重み係数を介して結合している。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。ここで、プロトタイプとは、カテゴリーの代表値を表すものである。
次に、ＡＲＴモジュール５２０のアルゴリズムについて説明する。
ＡＲＴモジュール５２０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、下記の処理１〜処理５のようになる。
処理１：Ｆ０レイヤー５２１により入力ベクトルを正規化し、ノイズを除去する。
処理２：Ｆ１レイヤー５２２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を選択する。
処理３：選択サブシステム５２５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、処理４に進む。一方、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を選択する（処理２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の分類が細かくなり、ρの値を小さくすると分類が粗くなる。このパラメータρをビジランス（ｖｉｇｉｌａｎｃｅ）パラメータと呼ぶ。
処理４：処理２において全ての既存のカテゴリーがリセットされると、入力データが新規カテゴリーに属すると判断され、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。
処理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）及び入力データｐ（又は入力データから派生したデータ）を用いて下記式（３）により更新される。
ＷＪ(ｎｅｗ)＝Ｋｗ・ｐ＋(１−Ｋｗ)・ＷＪ(ｏｌｄ) …（３）
ここで、Ｋｗは、学習率パラメータ（０＜Ｋｗ＜１）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値である。
尚、式（３）及び後述する式（４）乃至式（１４）の各演算式は前記ＡＲＴモジュール５２０に組み込まれている。
ＡＲＴモジュール５２０のデータ分類アルゴリズムの特徴は、上記の処理４にある。
処理４においては、学習した時のパターンと異なる入力データが入力された場合、記録されているパターンを変更せずに新しいパターンを記録することができる。このため、過去に学習したパターンを記録しながら、新たなパターンを記録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５２０は与えられたパターンを学習する。したがって、学習済みのＡＲＴモジュール５２０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、過去におけるどのパターンに近いかを判定することができる。また、過去に経験したことのないパターンであれば、新規カテゴリーに分類される。
図３(b)は、F0レイヤー５２１の構成を示すブロック図である。F0レイヤー５２１では、入力データを各時刻で再度正規化し、F1レイヤー５２１、及び選択サブシステム５２５に入力する正規化ベクトルｕｉ 0を作成する。
始めに、入力データＩｉから、式(４)に従ってｗｉ 0を計算する。
ここで、ａは定数である。
Figure 0005484591
次に、ｗｉ 0を正規化したｘｉ 0を、式(５)を用いて計算する。
ここで、記号|| ||はノルムを表す記号である。
Figure 0005484591
そして、式(６)を用いて、ｘｉ 0からノイズを除去したｖｉ 0を計算する。ただし、θはノイズを除去するための定数である。式(６)の計算により、微小な値は0となるため、入力データのノイズが除去される。
Figure 0005484591
最後に、式(７)を用いて正規化入力ベクトルｕｉ 0を求める。ｕｉ 0はF1レイヤーの入力となる。
Figure 0005484591
図３(c)は、F1レイヤー５２２の構成を示すブロック図である。F1レイヤー５２２では、式(７)で求めたｕｉ 0を短期記憶として保持し、F2レイヤー５２２に入力するｐｉを計算する。F2レイヤーの計算式をまとめて式(８)〜式(１４)に示す。ただし、ａ、ｂは定数、ｆ( )は式(６)で示した関数、ＴｊはF2レイヤー５２２で計算する適合度である。
Figure 0005484591
Figure 0005484591
Figure 0005484591
Figure 0005484591
Figure 0005484591
Figure 0005484591
ただし、
Figure 0005484591
次に、学習手段４００の分類部５００でプラント１００の計測信号４をカテゴリーに分類する実例を説明する。まず、図４(a)を用いてプラント１００の実施例を説明し、計測信号４に含まれる情報を述べる。次に、図４(b)及び図４(c)を用いて、計測信号４をカテゴリーに分類する様子を述べる。
図４(a)は、プラント１００の実施例である火力発電プラントを示すブロック図である。
図４(a)において、火力発電プラント１００は、ガスタービン発電機１１０、制御装置１２０及びデータ送信装置１３０を含む。ガスタービン発電機１１０は、発電機１１１、圧縮機１１２、燃焼器１１３及びタービン１１４を含む。
発電に際しては、圧縮機１１２にて吸い込んだ空気を圧縮して圧縮空気とし、この圧縮空気を燃焼器１１３に送り、燃料と混合して燃焼する。燃焼により発生した高圧ガスを用いてタービン１１４を回転させ、発電機１１１により発電を行う。
制御装置１２０においては、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。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（図示せず）で計測した運転データ１０２を入力データとしている。運転データ１０２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あり、サンプリング周期毎に計測している。また、大気温度などの気象情報も計測している。
制御装置１２０においては、これらの運転データ１０２を用いて、ガスタービン発電機１１０を制御するための制御信号１０１を算出する。また、制御装置１２０では、運転データ１０２の値が予め設定した範囲を逸脱した時に警報を発生させる処理を実施している。警報信号は、運転データ１０２が予め設定した範囲を逸脱した時に１、範囲内の時は０のデジタル信号として処理する。警報信号が１の時は、音や画面表示などで、警報の内容をオペレータに通知する。
信号データ送信装置１３０は、制御装置１２０で計測した運転データ１０２、及び制御装置１２０で算出した制御信号１０１、および警報信号を含む計測信号１を診断装置２００に送信する。
図４(b)は、プラント１００から取得した計測信号１を、カテゴリーに分類した結果を説明する図である。横軸は、時間、縦軸は計測信号、カテゴリー番号である。
図４(c)は、プラント１００の計測信号１を、図４(b)に示すようにカテゴリーに分類した結果に基づいて、更に項目分けした結果の一例を示す図である。前記図４(c)では、一例として、計測信号のうちの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。また、縦軸及び横軸は、それぞれの項目の計測信号を規格化して示した。
計測信号は、図３(a)のＡＲＴモジュール５２０によって複数のカテゴリー５５０（図４(ｃ)に示す円）に分割される。１つの円が、１つのカテゴリーに相当する。
本実施例では、計測信号は４つのカテゴリーに分類されている。カテゴリー番号１は、項目Ａの値が大きく、項目Ｂの値が小さいグループ、カテゴリー番号２は、項目Ａ、項目Ｂの値が共に小さいグループ、カテゴリー番号３は項目Ａの値が小さく、項目Ｂの値が大きいグループ、カテゴリー番号４は項目Ａ、項目Ｂの値が共に大きいグループである。
このように、分類部５００では、計測信号の類似性に着目して、計測信号をカテゴリーに分類する。
尚、本実施例においては、２項目の計測信号をカテゴリーに分類する例を述べたが、３項目以上の計測信号について多次元の座標を用いてカテゴリーに分類することもできる。
本実施例では、上述したように計測信号をカテゴリーに分類した結果に基づいて、正常状態、予兆状態、異常状態の期間を決定することを特徴としている。以下、これらの期間を決定する期間決定部６００の動作を説明する。
図５(a)は、学習手段４００を構成する期間決定部６００の第１の実装例を説明する図である。
まず、図５(a)を用いて、プラント１００の運転状態が、正常状態と予兆状態との境界と、予兆状態と異常状態との境界を決定する方法を説明する。
図５(a)のグラフ６１１はプラント１００の計測信号の経時変化、グラフ６１２はプラント１００の計測信号が分類されたカテゴリーの経時変化である。
グラフ６１３、６１４は、プラント１００の運転状態が正常状態にないカテゴリーの発生割合の経時変化である。すなわち、グラフ６１３、６１４の値が大きいほど、プラント１００の運転状態が変化したと判断できる。本実施例では、図５に示す閾値より大きい場合、プラント１００の運転状態が変化したと判定することとする。
グラフ６１３では、プラント１００の運転状態について、正常状態と予兆状態との境界を時刻t1に設定した時の結果である。すなわち、時刻t1より前に発生したカテゴリーの番号と、時刻t1以降に発生したカテゴリーの番号を比較し、その番号が異なる程度が大きいほど、値が大きくなる。また、グラフ６１４では、プラント１００の運転状態について、正常状態と予兆状態との境界を時刻t2に設定した時の結果である。
正常状態と予兆状態の境界を時刻t1に設定した時(グラフ６１３参照)、時刻t1以降に正常状態にはない３番のカテゴリー６１５が発生しているが、その後、正常状態の２番のカテゴリー６１６が発生している。このような場合、３番のカテゴリーが発生した理由は、異常やその予兆の影響ではなく、計測値のノイズ等の影響であると考えられる。従って、時刻t1〜時刻t2の期間は正常状態にあると考えられる。
一方、プラント１００の運転状態について、正常状態と予兆状態との境界を時刻t2に設定した時(グラフ６１４参照)は、時刻t2から異常の発生を知らせる警報が発生する時刻t3までの期間、正常状態にないカテゴリーの発生割合は閾値よりも高い状態で推移する。すなわち、時刻t2を境に、プラントの運転状態が変化したと考えられる。
従って時刻t2を正常状態と予兆状態との境界時刻とし、時刻t2よりも前の期間を正常状態、時刻t2から警報発生までの期間を予兆状態と考えられる。
そこで、本実施例の期間決定部６００は時刻t2を正常状態と予兆状態との境界に決定するように動作する。また、警報が発生した時刻t3を、予兆状態と異常状態との境界と決定する。
図５(a)を用いて説明したプラント１００の運転状態についての正常状態と予兆状態との境界時刻と、予兆状態と異常状態との境界時刻を決定するアルゴリズムは図５(b)に示されているので、この図５(b)に示されアルゴリズムを用いて前記境界時刻を決定する方法について以下に説明する。
図５(b)に示すように、本アルゴリズムはステップ６０１、６０２、６０３、６０４、６０５、６０６を組み合わせて実行する。
まず、学習手段４００の期間決定部６００における処理であるステップ６０１では、正常状態と予兆状態の境界時刻の初期値t(0)を設定する。この初期値は任意の時刻であり、例えば乱数を用いて決定する。また、警報が発生した時刻taを、予兆状態と異常状態の境界時刻とする。次に、ステップ６０２では、時刻t(0)から時刻taの期間における、正常状態にないカテゴリーの発生割合の最小値Nを計算する。
次に、ステップ６０３では、Nと閾値αを比較して、式（１５）及び式（１６）を用いて正常状態と予兆状態の境界時刻を更新する。ここで、nは、本フローチャートにおけるステップ６０３〜６０６の繰り返し回数、βは定数である。
N>α t(n+1) = t(n) - β×(N-α) ・・・（１５）
N≦α t(n+1) = t(n) +β×(N-α) ・・・（１６）
尚、式（１５）及び式（１６）の各演算式は学習手段４００の前記期間決定部６００に組み込まれている。
ステップ６０４では、時刻t(n+1)から時刻taの期間における、正常状態にないカテゴリーの発生割合の最小値Nを計算する。
ステップ６０５では、N＞αの時には、時刻t(n+1)を正常状態と予兆状態の境界時刻として保持する。
ステップ６０６では、繰り返し回数nが、予め定められた繰り返し回数の上限値以下であれば、nをn+1に変更してステップ６０３に進む。また、nが上限値を超えた場合は、終了とする。
本フローチャートを動作させることで、ステップ６０１で決定した予兆状態と異常状態の境界時刻taと、ステップ６０５で保持している正常状態と予兆状態の境界時刻tが得られる。この動作により、図５(a)で述べたような境界時刻が得られる。
また、もしN＞αとなる時刻が存在しない場合は、時刻taを正常状態と予兆状態の境界時刻として、予兆状態の期間はないものとして処理する。
このようにして決定した時刻で構成する期間情報６が、期間決定部６００からモデル構築部７００に送信される。
図６(a)は、学習手段４００を構成する期間決定部６００の第２の実装例を説明する図であって、任意の時間間隔でデータを区間に分割する状況を示した説明図である。
本実施例では、学習手段４００の期間決定部６００によって、まず、図６(a)に示すように、任意の時間間隔でデータを区間に分割する。
図６(ｂ)は、図６(ａ)に示された分割した区間毎にカテゴリーの出現率Ｅを表した説明図であり、次に、学習手段４００の分類部５００で分類した結果を用いて、データを分割した区間毎にカテゴリーの出現率Eを、図６(b)に示した如く求める。
そして、直前の区間と、カテゴリーの出現率Eを用いて式（１７）で変化度Vを計算する。尚、E(p、m)は、区間pのカテゴリー番号mの出現率、Σはカテゴリー番号mを1からカテゴリー番号の最大値まで変化させた時の総和を計算することを意味する。
V = Σ(E(p、m) - E(p-1、m))2 ・・・（１７）
尚、式（１７）の演算式は学習手段４００の前記期間決定部６００に組み込まれている。
図６(c)は、図６(ａ)に示された分割した区間毎の変化度Ｖを計算した結果を示した説明図である。
図６(ａ)〜 図６(c)に示した説明図から理解できるように、計測信号の傾向が変化してカテゴリーの出現率が異なると、変化度Vが大きくなる。すなわち、変化度Vが大きいことは、プラントの運転状態が変化していることを意味する。従って、変化度Vを指標にプラント状態の変化を検知できる。
そこで、本実施例では変化度Vが閾値を越えた時の時刻t13を、正常状態と予兆状態の境界時刻とする。また、予兆状態と異常状態の境界時刻は、図５(ａ)〜 図５(ｂ)で説明した方法で決定する。
このように、本発明では自動的に正常状態と予兆状態の境界時刻と、予兆状態と異常状態の境界時刻を求め、正常期間、予兆期間、異常期間を決定する。オペレータがこれらの期間を設定する必要がないため、診断装置適用に要する労力は少なくてすむ。
図７は、図１に示した本実施例のプラントの診断装置における診断手段８００の動作を説明する図である。
正常期間のデータをカテゴリーに分類した結果（＝正常モデル、図中の点線で囲った円、カテゴリー７６０）、予兆期間のデータをカテゴリーに分類した結果（＝予兆モデル、図中の二重線で囲った円、カテゴリー７７０）、異常期間のデータをカテゴリーに分類した結果（＝異常モデル、図中の太線で囲った円、カテゴリー７８０）について、診断手段８００では、計測信号が、どのモデルに属するかを判定し、プラントの運転状態を診断する。
図７において、計測信号をプロットした結果の例が、データ点７９１、７９２である。
例えば、データ点７９１は、予兆モデル７７０に属するので、「予兆状態」であると診断する。 一方、データ点７９２は、どのモデルにも属さないので、「過去に経験したことのない未知状態」と診断する。
このように、診断手段８００では、プラントの運転状態を正常状態、予兆状態、異常状態、未知状態のいずれかに診断することができる。
また、診断手段８００を動作させる際、正常モデルに属するかどうかのみを判定し、正常モデルに属さない場合は未知状態と診断することもできる。未知状態であることは、プラントの状態が正常ではないので、プラントの状態が変化したことを意味する。
この方法では、異常状態と予兆状態の期間のデータを除外した計測信号を用いて正常モデルを構築して診断する。そのため、異常の予兆が計測信号に現れれば新規カテゴリーが発生し、プラントの状態変化を検知できる。
未知状態である時は、各モデルの距離を計算し、その距離が一番短いモデルに分類することも可能である。つまり、データ点と最も近いモデルに分類する。
例えば、図７において、データ点と正常モデル７６０との距離７９２aと、予兆モデル７７０との距離７９２bと、異常モデル７８０との距離７９２cを比較する。そして、距離が最も短いモデル（予兆モデル７７０）に分類する。これにより、過去に経験したことのない未知状態であっても、どの状態に近いかを判定することができ、この情報をオペレータに提供できる。
図８(a)、図８(b)、図８(c)は、図１に示したプラントの診断装置における計測信号データベース３１０と、診断モデルデータベース３２０に保存される２種類のデータの態様をそれぞれ示したものである。これらの図は、図１の画像表示装置９４０に表示できる。
図８(a)に示すように、計測信号データベース３１０には、プラント１００に対して計測した運転データである計測信号１（図では、データ項目Ａ、Ｂ、Ｃを記載）の値が、サンプリング周期（縦軸の時刻）毎に保存される。
表示画面３１１において縦横に移動可能なスクロールボックス３１２及び３１３を用いることにより、広範囲のデータをスクロール表示することができる。
図８(b)、及び図８(c)は、図１の診断モデルデータベース３２０に保存されるデータの態様をそれぞれ説明する図である。
図８(b)には、診断モデルデータベース（１）におけるカテゴリー番号と重み係数との関係が、図８(c)には診断モデルデータベース（２）における時刻とその時刻におけるデータが分類されたカテゴリー番号との関係が保存されており、それぞれ画面３２１、３２５のように表示される。
ここで、重み係数とは、カテゴリーの中心座標のことである。重み係数は、図８(b)に示すように、正常モデル(３２２a、３２２b)、予兆モデル(３２２c)、異常モデル(３２２d)毎に作成される。
図９(a)及び図９(ｂ)は、図１に示したプラントの診断装置における運転管理室９００に設置された画像表示装置９４０に表示したプラントの診断結果の画面を説明する図である。
図９(a)は、画像表示装置９４０に診断結果(プラントの運転状態)を一覧で表示した説明図であり、この図９(a)に示すように、プラントの診断結果(プラントの運転状態)を一覧で表示してオペレータに診断結果を通知する。これにより、オペレータはプラントの運転状態を容易に把握でき、必要に応じて対策を講じることができる。
また、図９(b)は、図１に示したプラントの診断装置に設けた学習手段構成する期間決定部によって決定した正常状態と予兆状態の境界時刻tA、予兆状態と異常状態の境界時刻tBをデフォルト値として表示した説明図であり、この図９(b)に示すように、プラントの診断装置における学習手段４００を構成する期間決定部６００で決定した正常状態と予兆状態の境界時刻tA、予兆状態と異常状態の境界時刻tBをデフォルト値として表示する。正常状態、予兆状態、異常状態の期間と、計測信号、分類結果を同時に表示することで、期間決定部６００の動作結果を容易に確認できる。
また、正常状態、予兆状態、異常状態の期間を、キーボード９２０とマウス９３０で構成される外部入力装置９１０を操作して発生させる外部入力信号２を用いて修正することもできる。すなわち、画面９４２上で、正常状態と予兆状態の境界時刻が表示される欄９４３a、予兆状態と異常状態の境界時刻が表示される欄９４４aに修正した時刻をキーボード９２０を用いて入力し、実行ボタンを押すことで、期間情報６を修正できる。
また、正常状態と予兆状態の境界ライン９４３b、予兆状態と異常状態の境界ライン９４３bをマウス９３０でドラッグしてラインの位置を修正し、実行ボタンを押すことにより、期間情報６を修正することもできる。オペレータの豊富な経験に基づいて期間情報６を決定することで、診断の確度を向上できる可能性がある。本実施例の診断装置は、上述した修正を実施できるようになっている。
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わかりやすく説明するために詳細に記載したものであり、必ずしも説明したすべての構成を備えるものに限定されるものではない。
また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を集積回路で設計する等によりハードウェアで実現してもよい。また上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行するソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル、計測値、算出情報等の情報は、メモリやハードディスク等の記憶装置、またはICカード、SDカード、DVD等の記憶媒体に置くことができる。よって、各処理、各構成は処理ユニットやプログラムモジュールとして実現可能である。
また、情報線は説明上必要と考えられるものを示しており、製品上必ずしもすべ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、ほとんど全ての厚生が相互に接続されていると考えてもよい。
本実施例によれば、プラントの状態が正常状態から異常状態に至る途中の予兆状態を検知できるプラントの診断装置及びプラントの診断方法を実現することができる。この結果、プラントが異常状態に至る前にプラントの状態変化を早期に検知することが可能なプラントの診断装置及びプラントの診断方法が得られる。
本発明は、プラントの診断装置及びプラントの診断方法として各種プラント等に広く適用可能である。
１：計測信号、２：外部入力信号、３：計測信号、４：計測信号、５：分類結果、６：期間情報、７：モデル情報、８：モデル情報、９：診断結果、１０：画面表示情報、５０：診断装置情報、１００：プラント、２００：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：診断モデルデータベース、４００：学習手段、５００：分類部、６００：期間決定部、７００：モデル構築部、８００：診断手段、９００：運転管理室、９１０：外部入力装置、９２０：キーボード、９３０：マウス、９４０：画像表示装置。

Claims (6)

  1. プラントから入力された計測信号に基づいてプラントの運転状態を診断し、診断結果を画像表示装置に表示するプラントの診断装置において、
    プラントの診断装置にプラントの状態量を計測した前記計測信号を用いて診断に用いるモデルを構築する学習手段と、前記学習手段で構築したモデルを用いてプラントの運転状態を診断する診断手段を備え、
    前記学習手段に、類似の値を持つデータを同じカテゴリーに分類する分類部と、前記分類部でのカテゴリーの分類結果に基づいて計測信号の傾向の違いを評価して正常期間、予兆期間、異常期間を決定する期間決定部と、前記正常期間の計測信号を用いて正常モデルを構築し、前記予兆期間の計測信号を用いて予兆モデルを構築し、前記異常期間の計測信号を用いて異常モデルを構築するモデル構築部を備え、
    前記診断手段は、現時刻の計測信号が正常モデル、予兆モデル、異常モデルのどのモデルに分類されるかを判定して、現時刻の計測信号が正常モデル、予兆モデル、異常モデルに含まれる場合はプラントが当該モデルに対応した正常、予兆、異常のうち該当する状態であると診断して画像表示装置に表示し、現時刻の計測信号が正常モデル、予兆モデル、異常モデルの何れにも含まれない場合はプラントが過去に経験したことのない未知状態であると診断して画像表示装置に表示するように構成し、
    前記学習手段に設けた前記期間決定部では、
    前記プラントの状態量を計測した前記計測信号が前記分類部によって予兆モデルに分類される予兆状態と異常モデルに分類される異常状態との境界時刻を、警報が発生した時刻に設定する処理と、
    前記プラントの状態量を計測した前記計測信号が前記分類部によって正常モデルに分類される正常状態と前記予兆モデルに分類される予兆状態との境界時刻を、正常状態と予兆状態との前記境界時刻から、予兆状態と異常状態の境界時刻の期間における正常状態にないカテゴリーの発生割合の最小値が予め定めた値より高くなる時刻に設定する処理をそれぞれ行うように構成されていることを特徴とするプラントの診断装置。
  2. プラントから入力された計測信号に基づいてプラントの運転状態を診断し、診断結果を画像表示装置に表示するプラントの診断装置において、
    プラントの診断装置にプラントの状態量を計測した前記計測信号を用いて診断に用いるモデルを構築する学習手段と、前記学習手段で構築したモデルを用いてプラントの運転状態を診断する診断手段を備え、
    前記学習手段に、類似の値を持つデータを同じカテゴリーに分類する分類部と、前記分類部でのカテゴリーの分類結果に基づいて計測信号の傾向の違いを評価して正常期間、予兆期間、異常期間を決定する期間決定部と、前記正常期間の計測信号を用いて正常モデルを構築し、前記予兆期間の計測信号を用いて予兆モデルを構築し、前記異常期間の計測信号を用いて異常モデルを構築するモデル構築部を備え、
    前記診断手段は、現時刻の計測信号が正常モデル、予兆モデル、異常モデルのどのモデルに分類されるかを判定して、現時刻の計測信号が正常モデル、予兆モデル、異常モデルに含まれる場合はプラントが当該モデルに対応した正常、予兆、異常のうち該当する状態であると診断して画像表示装置に表示し、現時刻の計測信号が正常モデル、予兆モデル、異常モデルの何れにも含まれない場合はプラントが過去に経験したことのない未知状態であると診断して画像表示装置に表示するように構成し、
    前記学習手段に設けた前記期間決定部では、
    前記プラントの状態量を計測した前記計測信号が前記分類部によって予兆モデルに分類される予兆状態と異常モデルに分類される異常状態との境界時刻を、警報が発生した時刻に設定する処理と、
    前記プラントの状態量を計測した前記計測信号が前記分類部によって正常モデルに分類される正常状態と前記予兆状態との境界時刻を、任意の時間間隔でデータを区間に分割し、各区間のカテゴリー出現率の変化度が、予め定めた値より高くなる時刻に設定する処理をそれぞれ行うように構成されていることを特徴とするプラントの診断装置。
  3. 請求項１又は請求項２に記載したプラントの診断装置において、
    前記プラントの診断装置に、プラントの状態量を計測した計測信号の経時変化と、 前記学習手段に設けた分類部によってカテゴリーに分類した結果の経時変化と、前記学習手段に設けた期間決定部によって設定された正常状態と予兆状態との境界時刻、及び予兆状態と異常状態との境界時刻を画面上にそれぞれ表示し、
    マウスとキーボードからなる外部入力装置からの外部入力信号に基づいて正常状態と予兆状態との境界時刻と、予兆状態と異常状態との境界時刻を変更可能なように構成されていることを特徴とするプラントの診断装置。
  4. プラントから入力された計測信号に基づいてプラントの運転状態を診断し、診断結果を表示するプラントの診断方法において、
    プラントの診断装置としてプラントの状態量を計測した計測信号を用いて診断に用いるモデルを構築する学習手段と、前記学習手段で構築したモデルを用いてプラントの運転状態を診断する診断手段が備えられており、
    プラントの状態量を計測した計測信号を学習手段に入力させ、該学習手段にて前記計測信号のうち類似の値を持つデータを同じカテゴリーに分類し、このカテゴリーの分類結果に基づいて計測信号の傾向の違いを評価して正常期間、予兆期間、異常期間をそれぞれ決定し、前記正常期間の計測信号を用いて正常モデルを構築し、前記予兆期間の計測信号を用いて予兆モデルを構築し、前記異常期間の計測信号を用いて異常モデルを構築し、
    プラントの状態量を計測した計測信号を診断手段に入力させ、該診断手段にて現時刻の計測信号が正常モデル、予兆モデル、異常モデルのどのモデルに分類されるかを判定して、現時刻の計測信号が正常モデル、予兆モデル、異常モデルの何れかに含まれる場合は、プラントが当該モデルに対応した正常、予兆、異常のうち該当する状態であると診断して画像表示装置に表示し、現時刻の計測信号が正常モデル、予兆モデル、異常モデルの何れにも含まれない場合はプラントが過去に経験したことのない未知状態であると診断して画像表示装置に表示し、
    前記プラントの状態量を計測した前記計測信号が前記学習手段によって予兆モデルに分類される予兆状態と異常モデルに分類される異常状態との境界時刻を警報が発生した時刻に設定し、
    前記プラントの状態量を計測した前記計測信号が前記学習手段によって正常モデルに分類される正常状態と前記予兆モデルに分類される予兆状態との境界時刻を、正常状態と予兆状態との前記境界時刻から、予兆状態と異常状態の境界時刻の期間における正常状態にないカテゴリーの発生割合の最小値が予め定めた値より高くなる時刻に設定することを特徴とするプラントの診断方法。
  5. プラントから入力された計測信号に基づいてプラントの運転状態を診断し、診断結果を表示するプラントの診断方法において、
    プラントの診断装置としてプラントの状態量を計測した計測信号を用いて診断に用いるモデルを構築する学習手段と、前記学習手段で構築したモデルを用いてプラントの運転状態を診断する診断手段が備えられており、
    プラントの状態量を計測した計測信号を学習手段に入力させ、該学習手段にて前記計測信号のうち類似の値を持つデータを同じカテゴリーに分類し、このカテゴリーの分類結果に基づいて計測信号の傾向の違いを評価して正常期間、予兆期間、異常期間をそれぞれ決定し、前記正常期間の計測信号を用いて正常モデルを構築し、前記予兆期間の計測信号を用いて予兆モデルを構築し、前記異常期間の計測信号を用いて異常モデルを構築し、
    プラントの状態量を計測した計測信号を診断手段に入力させ、該診断手段にて現時刻の計測信号が正常モデル、予兆モデル、異常モデルのどのモデルに分類されるかを判定して、現時刻の計測信号が正常モデル、予兆モデル、異常モデルの何れかに含まれる場合は、プラントが当該モデルに対応した正常、予兆、異常のうち該当する状態であると診断して画像表示装置に表示し、現時刻の計測信号が正常モデル、予兆モデル、異常モデルの何れにも含まれない場合はプラントが過去に経験したことのない未知状態であると診断して画像表示装置に表示し、
    前記プラントの状態量を計測した前記計測信号が前記学習手段によって予兆モデルに分類される予兆状態と異常モデルに分類される異常状態の境界時刻を警報が発生した時刻に設定し、
    前記プラントの状態量を計測した前記計測信号が前記学習手段によって正常モデルに分類される正常状態と前記予兆モデルに分類される予兆状態との境界時刻を、任意の時間間隔でデータを区間に分割して各区間のカテゴリー出現率の変化度が予め定めた値より高くなる時刻に設定することを特徴とするプラントの診断方法。
  6. 請求項４又は請求項５に記載したプラントの診断方法において、
    プラントの診断装置に、プラントの状態量を計測した計測信号の経時変化と、前記学習手段によってカテゴリーに分類した結果の経時変化と、前記学習手段によって設定された正常状態と予兆状態との境界時刻、及び予兆状態と異常状態との境界時刻を画面上にそれぞれ表示し、
    マウスとキーボードからなる外部入力装置からの外部入力信号に基づいて正常状態と予兆状態との境界時刻と、予兆状態と異常状態との境界時刻を変更可能にしていることを特徴とするプラントの診断方法。
JP2012546576A 2010-12-02 2010-12-02 プラントの診断装置及びプラントの診断方法 Active JP5484591B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2010/007025 WO2012073289A1 (ja) 2010-12-02 2010-12-02 プラントの診断装置及びプラントの診断方法

Publications (2)

Publication Number Publication Date
JP5484591B2 true JP5484591B2 (ja) 2014-05-07
JPWO2012073289A1 JPWO2012073289A1 (ja) 2014-05-19

Family

ID=46171280

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2012546576A Active JP5484591B2 (ja) 2010-12-02 2010-12-02 プラントの診断装置及びプラントの診断方法

Country Status (2)

Country Link
JP (1) JP5484591B2 (ja)
WO (1) WO2012073289A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160006281A (ko) * 2014-07-08 2016-01-19 주식회사 글로비즈 모니터링 방법 및 시스템
US10281909B2 (en) 2013-07-10 2019-05-07 Globiz Co., Ltd. Signal measuring/diagnosing system, and method for applying the same to individual devices
EP3454289A4 (en) * 2016-05-04 2020-03-04 Doosan Heavy Industries & Construction Co., Ltd. METHOD AND SYSTEM FOR DETECTION OF PLANT ABNORMALITIES
JP7166395B1 (ja) 2021-06-23 2022-11-07 セイコーソリューションズ株式会社 監視システム、監視方法、及び監視プログラム

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6330922B2 (ja) * 2015-01-21 2018-05-30 三菱電機株式会社 情報処理装置および情報処理方法
JP2016192000A (ja) * 2015-03-31 2016-11-10 横河電機株式会社 業務支援装置及び業務支援方法
US11107169B2 (en) * 2015-11-18 2021-08-31 General Electric Company Systems and methods for controlling and monitoring power assets
JP6632941B2 (ja) * 2016-07-20 2020-01-22 三菱電機ビルテクノサービス株式会社 設備監視装置及び設備監視方法
JP2018077757A (ja) 2016-11-11 2018-05-17 横河電機株式会社 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体
JP6950727B2 (ja) * 2016-11-11 2021-10-13 横河電機株式会社 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体
JP6185206B1 (ja) * 2017-05-31 2017-08-23 オーナンバ株式会社 太陽光発電システムの異常または異常の予兆を検出するための方法及び装置
JP7034874B2 (ja) 2018-09-26 2022-03-14 株式会社日立製作所 プロセス状態解析装置及びプロセス状態表示方法
JP6950670B2 (ja) * 2018-12-12 2021-10-13 横河電機株式会社 検出装置、検出方法、および、検出プログラム
JP2020119267A (ja) * 2019-01-24 2020-08-06 株式会社荏原製作所 情報処理装置、情報処理プログラム、および情報処理方法
JP7239354B2 (ja) * 2019-03-12 2023-03-14 株式会社日立製作所 データ分類装置
JP7329753B2 (ja) 2019-04-03 2023-08-21 パナソニックＩｐマネジメント株式会社 情報処理装置、情報処理方法、および、学習装置
JP6680934B1 (ja) * 2019-06-25 2020-04-15 株式会社 日立産業制御ソリューションズ 異常回避提案装置、異常回避提案方法及び異常回避提案プログラム
JP7189859B2 (ja) * 2019-11-25 2022-12-14 株式会社日立製作所 プラント運転支援システム
JP7452990B2 (ja) * 2019-11-29 2024-03-19 東京エレクトロン株式会社 異常検知装置、異常検知方法及び異常検知プログラム
WO2021240750A1 (ja) * 2020-05-28 2021-12-02 三菱電機株式会社 機器状態監視装置および機器状態監視方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0962340A (ja) * 1995-08-24 1997-03-07 Toshiba Corp 可搬型プラント巡視点検データ判定装置
JP2007123007A (ja) * 2005-10-27 2007-05-17 Hitachi Ltd 燃料電池システムの診断方法および診断装置
JP2009042997A (ja) * 2007-08-08 2009-02-26 Hitachi Ltd データ分類方法および装置
JP2010237893A (ja) * 2009-03-31 2010-10-21 Hitachi Ltd プラントの異常診断装置及び異常診断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0962340A (ja) * 1995-08-24 1997-03-07 Toshiba Corp 可搬型プラント巡視点検データ判定装置
JP2007123007A (ja) * 2005-10-27 2007-05-17 Hitachi Ltd 燃料電池システムの診断方法および診断装置
JP2009042997A (ja) * 2007-08-08 2009-02-26 Hitachi Ltd データ分類方法および装置
JP2010237893A (ja) * 2009-03-31 2010-10-21 Hitachi Ltd プラントの異常診断装置及び異常診断方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10281909B2 (en) 2013-07-10 2019-05-07 Globiz Co., Ltd. Signal measuring/diagnosing system, and method for applying the same to individual devices
KR20160006281A (ko) * 2014-07-08 2016-01-19 주식회사 글로비즈 모니터링 방법 및 시스템
KR101616072B1 (ko) * 2014-07-08 2016-04-28 주식회사 글로비즈 모니터링 방법 및 시스템
EP3454289A4 (en) * 2016-05-04 2020-03-04 Doosan Heavy Industries & Construction Co., Ltd. METHOD AND SYSTEM FOR DETECTION OF PLANT ABNORMALITIES
US11092952B2 (en) 2016-05-04 2021-08-17 Doosan Heavy Industries & Construction Co., Ltd. Plant abnormality detection method and system
JP7166395B1 (ja) 2021-06-23 2022-11-07 セイコーソリューションズ株式会社 監視システム、監視方法、及び監視プログラム
JP2023003226A (ja) * 2021-06-23 2023-01-11 セイコーソリューションズ株式会社 監視システム、監視方法、及び監視プログラム

Also Published As

Publication number Publication date
WO2012073289A1 (ja) 2012-06-07
JPWO2012073289A1 (ja) 2014-05-19

Similar Documents

Publication Publication Date Title
JP5484591B2 (ja) プラントの診断装置及びプラントの診断方法
JP5544418B2 (ja) プラントの診断装置、診断方法、及び診断プログラム
JP5292477B2 (ja) 診断装置及び診断方法
CN102999038B (zh) 发电设备的诊断装置、以及发电设备的诊断方法
JP5097739B2 (ja) プラントの異常診断装置及び異常診断方法
JP5150590B2 (ja) 異常診断装置及び異常診断方法
JP5199478B2 (ja) プラント診断装置
JP4995134B2 (ja) 風車の監視装置及び方法並びにプログラム
JP5101396B2 (ja) 健全性診断方法及びプログラム並びに風車の健全性診断装置
JP7108417B2 (ja) 異常検知システム
US20110106510A1 (en) Methods, apparatus and computer readable storage mediums for model-based diagnosis
CN112449696B (zh) 时序数据诊断装置、追加学习方法及程序
JP6200833B2 (ja) プラントと制御装置の診断装置
JP7180985B2 (ja) 診断装置および診断方法
WO2016208315A1 (ja) プラント診断装置及びプラント診断方法
JP4430384B2 (ja) 設備の診断装置及び診断方法
JP6685124B2 (ja) 診断装置及び診断方法
JP2019008681A (ja) 診断装置及び診断方法
JP5647626B2 (ja) プラント状態監視装置、プラント状態監視方法
King et al. Probabilistic approach to the condition monitoring of aerospace engines
JP6347771B2 (ja) 異常診断装置、異常診断方法及び異常診断プログラム
JP7437163B2 (ja) 診断装置、診断方法およびプログラム
JP6951202B2 (ja) データ分類装置
JP2013041490A (ja) 異常診断装置
US20230046709A1 (en) Prediction apparatus, prediction method, and program

Legal Events

Date Code Title Description
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: 20140204

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20140218

R150 Certificate of patent or registration of utility model

Ref document number: 5484591

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150