JP5960029B2 - 異常原因特定システム - Google Patents

Description

本発明は、異常原因特定システムに関する。

ＣＦＢ（循環流動層）ボイラ等の大規模な装置では、何らかの異常が発生した際に、複数種の警報が連鎖的に発生することがある。複数種の警報が発生した場合には、何れの警報に係る原因が真の異常原因かを特定することが困難である。このような大規模装置における異常原因の特定方法としては、例えば特許文献１に記載されているように、予め異常発生時のアラーム（警報）に優先順位を設定しておき、優先順位が高いアラームを代表アラームとして判定するとともに他のアラームを抑制することで、優先順位の高いアラームに基づいて異常原因を特定するシステムが知られている。

特開平９−１６８７５号公報

ここで、上述の異常原因特定システムでは、上記のように、予め設定した警報の優先順位のみに基づいて異常原因を特定している。しかしながら、優先順位が高い警報に係る原因が真の異常原因であるとは限らない等のため、異常原因を精度良く特定できないおそれがある。

そこで、本発明は、異常原因を精度良く特定することができる異常原因特定システムを提供することを課題とする。

上記課題を解決するため、本発明に係る異常原因特定システムは、複数種の警報を発する装置の異常原因を特定する異常原因特定システムであって、警報に対応する異常原因の発生確率に関する統計モデルが予め格納されたモデル記憶部と、入力された警報情報、及び統計モデルに基づき異常原因を推論する推論部と、推論部により推論された異常原因に関する情報を表示する表示部と、を備え、推論部は、一定時間において、区切られた所定時間幅それぞれで警報情報及び統計モデルに基づき異常原因候補を求めると共に、当該異常原因候補の種別ごとに度数を算出し、少なくとも度数が最も高い種別の異常原因候補を、異常原因として推論すること、を特徴とする。

この異常原因特定システムでは、所定時間幅単位で異常原因の発生確率から異常原因候補を求め、そして、この異常原因候補の度数から異常原因を特定することができる。これにより、複数種の警報が発生する場合でも、異常原因を精度よく特定することが可能となる。

また、統計モデルは、異常原因に対応する警報の観測データに基づいて作成されていることが好ましい。この場合、観測データから統計モデルを作成することができる。

また、表示部は、異常原因の対策に関する情報をさらに表示することが好ましい。この場合、単に異常原因を特定するにとどまらず具体的な対策を表示することができ、異常状態を早期に収束させることが可能となる。

また、上記作用効果を好適に奏する構成として、具体的には、統計モデルは、ベイジアンネットワークモデルであることが好ましい。この場合、ベイジアンネットワークモデルを用いて具体的に異常原因を推論することができる。

また、ベイジアンネットワークモデルは、条件付確率表を有し、条件付確率表は、警報情報に関する複数の条件ノードと、異常原因に関する複数の結果ノードとを有し、複数の条件ノードのそれぞれの値が警報の有無に関する値であり、少なくとも複数の条件ノードそれぞれの値と結果ノードと確率変数とが、互いに関連付けられ、推論部は、入力された複数の条件ノードそれぞれの値を判定し、判定した当該条件ノードの値に関連付けられた結果ノードのうち、確率変数が最も大きい結果ノードを、異常原因候補として導出することが好ましい。この場合、条件ノードと結果ノードと確率変数との条件付確率表を統計モデルとして保持できる。そして、条件付確率表から検索するようにして異常原因候補を求めることができる。

また、上記装置は、循環流動層ボイラであることが好ましい。一般的に、循環流動層（ＣＦＢ）ボイラでは、複数種の警報が発生した場合に異常原因を特定することが特に困難である。よって、循環流動層ボイラの異常原因を特定する本発明では、異常原因を精度良く特定するという上記作用効果は特に有効となる。

本発明によれば、異常原因を精度良く特定することができる異常原因特定システムを提供することが可能となる。

本発明の一実施形態に係る異常原因特定システムの機能ブロックを示す図である。 ベイジアンネットワークモデルを例示する図である。 条件付確率表を例示する図である。 図１に示す異常原因特定システムで用いられるベイジアンネットワークモデルを説明する図である。 警報に関するタグの設定例を示す表である。 図４に示すベイジアンネットワークモデルの条件付確率表を示す表である。 図１に示す異常原因特定システムの処理を示すフローチャートである。 時間幅ごとの警報に関するタグと異常原因候補を示す表である。 異常原因候補の度数を示すグラフである。 条件付確率表の作成処理を示すフローチャートである。

以下、添付図面を参照して、本発明の好適な実施形態について詳細に説明する。なお、以下の説明において、同一又は相当要素には同一符号を付し、重複する説明を省略する。

まず、図１を参照して、異常原因特定システムの各機能について説明する。図１は、本発明の一実施形態に係る異常原因特定システムの機能ブロックを示す図である。図１に示すように、本実施形態に係る異常原因特定システム１０は、複数種の警報を発するボイラプラントの異常原因を特定するシステムである。ここでのボイラプラントはＣＦＢボイラであり、警報はＣＦＢボイラにて何らかの異常が発生した際に発報される。

この異常原因特定システム１０は、モデル記憶部１１と、警報入力部１２と、警報蓄積部１３と、異常原因推論部（推論部）１４と、データ出力部１５と、表示部１６と、を備えて構成される。なお、異常原因特定システム１０は、物理的には、ＣＰＵ（Central Processing Unit）や、主記憶装置であるＲＡＭ（Random Access Memory）及びＲＯＭ（Read Only Memory）、補助記憶装置等のハードウェアを備えており、これらが動作することによって、上記の各機能ブロックの機能が発揮される。

モデル記憶部１１には、警報に対応する異常原因の発生確率に関する統計モデルが予め格納されている。統計モデルとして、本実施形態では、ベイジアンネットワークモデルが用いられており、該ベイジアンネットワークモデルは、条件付確率表を有している。そこで、まず、ベイジアンネットワーク及び条件付確率表の概要について、以下に説明する。

ベイジアンネットワークは、複数の確率変数の間の確率的な因果関係を記憶するためのデータ構造である。ベイジアンネットワークを用いることにより、複雑な知識を効率良く表現することができ、その知識に基づいて様々な確率的推論を行うことができる。ベイジアンネットワークは、確率変数を表すノードと、確率変数間の因果関係を表すリンクとで構成される。ベイジアンネットワークの構造による統計モデルを、本実施形態ではベイジアンネットワークモデルと定義し説明する。

このようなベイジアンネットワークは、各ノードごとに条件付確率表（Conditional Probability Table, CPT）と呼ばれるものを保持する。条件付確率とは、ノードＡがある値を取ったという条件の下で別のノードＢがある値を取る確率のことを指し、Ｐ（Ｂ│Ａ）と表す。また、ノードＡとノードＢとが同時に起こる確率を「同時確率」と呼びＰ（Ａ∩Ｂ）と表す。条件付確率は、ノードＡを全体と考えたときのノードＢの起こる確率を表しているため、同時確率を用いて下式（１）で表せる。

つまり、条件付確率表は、ノードＢの親ノードであるノードＡの集合がある値の組合せを有するときに、ノードＢがある値を有する条件確率を表で示したものである。なお、本実施形態では、上式におけるノードＡに対応するノードを条件ノードと、ノードＢに対応するノードを結果ノードとして、説明する。

一方、ノードＢが起こったときにノードＡの起こる確率は、下式（２）で表せる。

上式（１）及び上式（２）には、共通の同時確率Ｐ（Ａ∩Ｂ）があるので、まとめると下式（３）のようになる。

上式（３）は、ノードＢが起こったときにノードＡが起こる確率を用いて、ノードＡが起こったときにノードＢが起こる確率を計算できることを示している。このようなＰ（Ａ│Ｂ）を、Ｐ（Ｂ│Ａ）の逆確率という。

図２はベイジアンネットワークモデルを例示する図であり、図３は条件付確率表を例示する図である。図２に示すように、ここでの例においては、確率変数を表すノードが３種類記載されており（確率変数Ａ，Ｂ，Ｘ）、確率変数Ａは「異常Ａが起こったかどうか」、確率変数Ｂは「異常Ｂが起こったかどうか」、確率変数Ｘは「警報が発報されたかどうか」を表している。

上記３種のノードの因果関係は、図３のように条件付確率表として与えられる。条件付確率表は、ノード間の因果関係における強さの知識を記憶するデータである。例えば、Ｐ（Ｘ＝発報される│Ａ＝起こる，Ｂ＝起こる）＝０．９５０は、条件ノードＩである異常Ａと異常Ｂとが同時に起こったときに、結果ノードＯである警報が発報される確率が０．９５０であるという知識を表している。また、Ｐ（Ａ＝起こる）は、異常Ａが起こる確率が０．２７９であるという知識を表している。

ここで、上述した逆確率を利用することで、図３に示した条件付確率表（Ｐ（Ｘ│Ａ，Ｂ）に関する条件付確率表）から、Ｐ（Ａ＝起こる│Ｘ＝発報される）、Ｐ（Ｂ＝起こる│Ｘ＝発報される）を求めることが可能である。Ｐ（Ａ│Ｘ）は、警報が発報されたときの原因が異常Ａであった確率であり、Ｐ（Ｂ│Ｘ）も同様に、警報が発報されたときの原因が異常Ｂであった確率を表す。ベイズの式をもとに変形すると、Ｐ（Ａ│Ｘ）は以下のとおり求められる。

同様に、Ｐ（Ｂ│Ｘ）は以下のとおり求められる。

上式に示すように、警報が発報されたとき異常Ａが原因であった確率Ｐ（Ａ│Ｘ）は０．９４８であり、警報が発報されたとき異常Ｂが原因であった確率Ｐ（Ｂ│Ｘ）は０．１１３である場合、警報が発報されたとき異常Ａが原因である確率の方が高いことがわかる。

さらに、警報が発報されたときに異常Ａが起こり、しかも異常Ｂも起こったとする確率Ｐ（Ａ∩Ｂ│Ｘ）は以下のとおり求められる。

警報が発報されたときに異常Ａと異常Ｂとが同時に起こる確率はＰ（Ａ│Ｘ）の０．９４８、Ｐ（Ｂ│Ｘ）の０．１１３に比べて小さいことがわかる。このように、ベイジアンネットワークを利用すると、ある原因が起こったときにある結果が生じる確率を推論するだけでなく、当該結果が生じる確率を利用してその原因を推論することができる。なお、上述の例では、条件ノードＩを２つとし、結果ノードＯを１つとしたが、これに限定されず、条件ノードＩ及び結果ノードＯは、１つ又は２つ以上としてもよい。

図１に戻り、本実施形態のモデル記憶部１１には、後述するように、異常原因に対応する警報の観測データに基づいて作成された条件付確率表Ｈ（図６参照）が格納されている。警報入力部１２は、ＣＦＢボイラの制御装置（不図示）に接続されており、この制御装置から警報情報を受け付ける。なお、警報情報は、ＣＦＢボイラにおいて発報された複数種の警報に関する情報であって、当該警報の有無に関する情報を少なくとも含んでいる。

警報蓄積部１３は、警報入力部１２で受け付けた警報情報を蓄積する。この警報蓄積部１３は、一定時間における警報情報を所定時間幅に区切って蓄積しており、具体的には、所定時間幅における警報の組合せが１つのデータとされている。蓄積された警報情報は、後述の異常原因推論部１４による異常原因候補の導出に用いられる。

異常原因推論部１４は、入力された警報情報、及び統計モデルに基づいて、異常原因を推論する。ここでの異常原因推論部１４は、モデル記憶部１１から統計モデルを読み込み、当該統計モデルに警報情報を入力することで異常原因を推論する。具体的には、異常原因推論部１４は、警報情報として、警報蓄積部１３に蓄積されている時間幅ごとの警報の組合せを用い、一定時間において、区切られた所定時間幅それぞれの異常原因候補を求めると共に、当該異常原因候補の種別ごとに度数を算出し、度数が最も高い種別の異常原因候補を異常原因として推論する。

なお、異常原因推論部１４は、度数が最も高い種別の異常原因候補のみを異常原因として推論してもよいし、度数が高い順に異常原因候補を並べ替え、上位数種の異常原因候補を異常原因として推論してもよい。

本実施形態の異常原因推論部１４は、後述するように、条件付確率表Ｈ（図６参照）を用いて異常原因を推論する。図６の条件付確率表Ｈでは、条件ノードＩが警報情報に対応し、結果ノードＯが異常原因に対応している。また、複数の条件ノードＩそれぞれの値と複数の結果ノードＯと確率変数とが互いに関連付けられている。異常原因推論部１４は、入力された警報情報から複数の条件ノードＩそれぞれの値を判定した後に、判定した条件ノードＩの値に関連付けられた結果ノードＯのうち、確率変数が最も大きい結果ノードを異常原因候補として導出する。

データ出力部１５は、異常原因推論部１４が推論した異常原因を出力する。上述したとおり、異常原因推論部１４は、異常原因として一の異常原因を推論することもできるし、度数が上位の複数の異常原因候補を異常原因して推論することもできるため、データ出力部１５は、異常原因推論部１４の推論結果に従って、一又は複数の異常原因を出力する。

表示部１６は、操作者が視覚的に運転状況を確認するためのものであり、データ出力部１５により出力された異常原因に関する情報をモニタ画面などに表示する。表示部１６は、異常原因に関する情報に加えて、異常原因の対策に関する情報をさらに表示してもよい。

つぎに、異常原因特定システム１０における異常原因特定に係る処理について説明する。

図４は異常原因特定システムで用いられるベイジアンネットワークモデルを説明する図であり、図５は警報に関するタグの設定例を示す表であり、図６はベイジアンネットワークモデルの条件付確率表を示す表であり、図７は異常原因特定システムの処理を示すフローチャートである。なお、図６では、異常原因特定システム１０で用いられる条件付確率表Ｈについて、一部を省略して示している。

図４に示すように、ここでの異常原因特定システム１０で用いられるベイジアンネットワークモデルは、警報情報に関する条件ノードＩとして、ＴＡＧ０と、ＴＡＧ１と、ＴＡＧ２とを有する。また、異常原因に関する結果ノードＯとして、異常Ａと、異常Ｂと、異常Ｃと、異常Ｄとを有する。すなわち、図４のベイジアンネットワークモデルは、親ノード（原因）を異常原因、子ノード（結果）を警報に関するタグとするモデルを表している。

ＴＡＧ０、ＴＡＧ１及びＴＡＧ２は、データの取り扱いをしやすくするために、ＣＦＢボイラの各種警報ごとにタグを割り当てたものである。例えば図５に示すように、警報内容とタグとは、互いに対応付けられている。また、同様に、異常Ａ〜Ｄは、各種異常に対して異常番号を割り当てたものである。異常の一例としては、停電などが挙げられる。

なお、図４のベイジアンネットワークモデルは、条件ノードＩである警報に関するタグの一部を示すものであり、実際には、図示しない警報に関するタグを複数有していてもよい。同様に、図４のベイジアンネットワークモデルは、結果ノードＯである異常原因の一部を示すものであり、実際には、図示しない異常原因を複数有していてもよい。条件ノードＩと結果ノードＯとの因果関係を示すリンクＬは、各条件ノードＩに対して全ての結果ノードＯから矢印が向いている。

図６に示すように、ここでの条件付確率表Ｈは、条件ノードＩである警報に関するタグ（ＴＡＧ０、ＴＡＧ１、…）をそれぞれある値にした条件下において、結果ノードＯである異常原因（異常Ａ、異常Ｂ、…）が異常原因候補となる確率（確率変数）を表している。警報に関するタグがとる値は、警報の有無に関する値であり、警報有り又は警報無しのいずれかである（図６には、「有」「無」と示されている）。

このような異常原因特定システム１０においては、まず、ＣＦＢボイラの制御装置から発報される警報情報が、警報入力部１２によって受け付けられる（Ｓ１）。つづいて、警報蓄積部１３によって、所定（任意）の時間幅に区切って警報が蓄積される（Ｓ２）。

図８は、所定時間幅ごとの警報に関するタグと異常原因候補を示す一例である。図８に示す例では、時間幅は１秒である。図８に示すように、ある時間において警報入力部１２により受け付けられた警報（発報された警報）に関するタグが１、受け付けられなかった警報（発報されなかった警報）に関するタグが０として、警報タグが集約される。

つづいて、警報蓄積部１３に蓄積された警報及びベイジアンネットワークモデルの条件付確率表Ｈに基づいて、異常原因推論部１４により、各所定時間幅ごとに一つの異常原因候補が導出される（Ｓ３）。具体的には、条件付確率表Ｈにおける条件ノードＩの値が判定され、判定された条件ノードＩの値に関連付けられた複数の結果ノードＯのうち確率が最も大きい異常が、当該所定時間幅における異常原因候補として導出される。

ここでは、図６中の太枠に示すように、ＴＡＧ０：有（警報有り）、ＴＡＧ１：有、ＴＡＧ２：有、ＴＡＧ３：有が、ある時間幅における各条件ノードＩの値として判定されたとする（他のタグの値については省略する）。この場合、条件ノードＩの値に関連付けられた複数の結果ノードＯのうち、確率が５８％で最も大きい異常Ａが、当該所定時間幅における異常原因候補として導出される。

つづいて、異常原因推論部１４により、一定時間において、各所定時間幅ごとの異常原因候補の度数が、異常原因候補の種別ごとにカウントされる（Ｓ４）。異常原因候補の度数をカウントした結果の一例を、図９に示す。図９は、異常原因候補の度数を示すグラフである。図９では、横軸を異常原因候補の種類、縦軸を度数として度数分布にプロットしている。

図９に示す例では、各異常原因候補のうち、異常Ｄの度数が最も高い。よって、異常原因推論部１４によって、度数が最も高い異常Ｄが、真の異常原因と特定される（Ｓ５）。上記Ｓ５において特定された異常原因（ここでは異常Ｄ）は、データ出力部１５により出力され、表示部１６によってモニタ画面に表示される（Ｓ６）。

つぎに、条件付確率表Ｈの作成処理（学習）について説明する。

図１０は、条件付確率表の作成処理を示すフローチャートである。本実施形態では、例えば以下に示すように、異常原因に対応する警報の観測データに基づいて条件付確率表Ｈが作成される。すなわち、まず、例えは操作者による各条件ノードＩ及び各結果ノードＯの設定・特定後、警報入力部１２によって観測データが受け付けられるとともに、当該観測データが蓄積される（Ｓ１１，Ｓ１２）。

つづいて、観測データに基づいて条件付確率表Ｈ（図６参照）が学習されて作成される（Ｓ１３）。具体的には、ある時刻の各条件ノードＩの値の取得、及び、当該時刻の条件ノードＩに対応した結果ノードＯの取得を行うと共に、これらの取得を複数の時刻に対して行う。そして、各条件ノードＩの値が同一の条件となる場合における各結果ノードＯの確率を導出することにより条件付確率表Ｈが作成される。最後に、条件付確率表Ｈが出力されて、条件付き確率表Ｈの作成処理が終了される（Ｓ１４）。

なお、観測データは、ＣＦＢボイラの制御装置から警報情報を入力させ、時間幅ごとに警報を蓄積することにより取得することができる。ここでは、ある時間幅において蓄積されたデータを１データとし、できるかぎり多くのデータを収集することが好ましい。ちなみに、条件付確率表Ｈが作成されるタイミングは、例えば年に１回などである。

つぎに、本実施形態に係る異常原因特定システム１０の作用・効果について説明する。

本実施形態の異常原因特定システム１０では、上述したように、所定時間幅単位で異常原因の発生確率から異常原因候補を求め、そして、この異常原因候補の度数から異常原因を特定することができる。よって、複数種の警報が発生するＣＦＢボイラにおいても、異常原因を精度よく特定することが可能となる。

また、本実施形態では、所定時間幅ごとの異常原因候補をリアルタイムに導出して度数分布にプロットし（図１１参照）、時間の経過に従った異常原因候補の度数変化を把握することができる。この場合、時間が経過するにつれて、真の異常原因の度数が高くなると考えられることから、実際に異常が発生する前に異常原因を特定することが可能となり、当該異常について事前に何らかの対策を打つことができる。

また、本実施形態では、上述したように、ベイジアンネットワークモデルの条件付確率表Ｈが異常原因に対応する警報の観測データから作成されているため、実際に即した、一層精度の高い実用的な異常原因特定が可能となる。また、図６に示すように、条件付確率表Ｈでは、各条件ノードＩの値に対応する結果ノードＯが確率で表されるため、各結果ノードＯを異常原因とした根拠が明確となる。よって、条件付確率表Ｈを有するベイジアンネットワークモデルを用いることで、操作者にとって使いやすい、実用的な異常原因特定が可能となる。

また、本実施形態の異常原因特定システム１０は、表示部１６が、異常原因の対策に関する情報をさらに表示することで、単に異常原因を特定するにとどまらず具体的な対策を表示することができ、異常状態を早期に収束させることが可能となる。

また、本実施形態の異常原因特定システム１０は、上述したように、異常原因を特定する対象としてＣＦＢボイラに適用することができる。一般的にＣＦＢボイラでは、複数種の警報が発生した場合に、異常原因を特定することが特に困難であるところ、統計モデル（ベイジアンネットワークモデル）を用いることで、適切な異常原因を簡易に導出することができる。

以上、本発明の好適な実施形態について説明したが、本発明は上記実施形態に限られるものではなく、各請求項に記載した要旨を変更しない範囲で変形し、又は他のものに適用したものであってもよい。

例えば、上記実施形態では、統計モデルとしてベイジアンネットワークモデルを用い、異常原因推論部１４が条件付確率表Ｈによって異常原因を推論したが、これに限定されるものではなく、その他の統計モデル（例えば、ニューラルネットワークモデルや遺伝的アルゴリズムモデル等）を用いて異常原因を推論してもよい。

また、上記実施形態は、ＣＦＢボイラの異常原因を特定したが、これに限定されるものではなく、本発明は、その他の大規模装置、例えば、発電設備や水処理設備の異常原因を特定することもできる。この場合においても、上記作用効果が奏される。

また、上記実施形態では、条件付確率表Ｈを観測データに基づいて作成したが、これに限定されず、計算で作成してもよいし、その他の方法で作成してもよい。また、上記実施形態では、異常原因特定システム１０によって条件付確率表Ｈを作成したが、別の装置によって条件付確率表Ｈを作成してもよい。また、異常原因特定システム１０で条件付確率表Ｈを作成する場合、当該異常原因特定システム１０は、条件付確率表Ｈを学習させて作成する学習部を有していてもよい。

また、上記実施形態では、警報蓄積部１３が警報を蓄積する所定時間幅として１秒を例示したが、所定時間幅はこれに限定されるものではなく、上記作用効果を奏する上で異常原因候補を適切に求め得る任意の時間幅であればよい。また、各所定時間幅は、必ずしも一定でなくてもよく、互いに異なる時間幅としてもよい。

１０…異常原因特定システム、１１…モデル記憶部、１２…警報入力部、１３…警報蓄積部、１４…異常原因推論部（推論部）、１５…データ出力部、１６…表示部。

Claims (6)

1. 複数種の警報を発する装置の異常原因を特定する異常原因特定システムであって、
   前記警報に対応する前記異常原因の発生確率に関する統計モデルが予め格納されたモデル記憶部と、
   入力された警報情報、及び前記統計モデルに基づき前記異常原因を推論する推論部と、
   前記推論部により推論された前記異常原因に関する情報を表示する表示部と、を備え、
   前記推論部は、
   一定時間において、区切られた所定時間幅それぞれで前記警報情報及び前記統計モデルに基づき異常原因候補を求めると共に、当該異常原因候補の種別ごとに度数を算出し、
   少なくとも前記度数が最も高い種別の前記異常原因候補を、前記異常原因として推論すること、を特徴とする異常原因特定システム。
2. 前記統計モデルは、前記異常原因に対応する前記警報の観測データに基づいて作成されていること、を特徴とする請求項１記載の異常原因特定システム。
3. 前記表示部は、前記異常原因の対策に関する情報をさらに表示すること、を特徴とする請求項１又は２に記載の異常原因特定システム。
4. 前記統計モデルは、ベイジアンネットワークモデルであること、を特徴とする請求項１〜３のいずれか一項に記載の異常原因特定システム。
5. 前記ベイジアンネットワークモデルは、条件付確率表を有し、
   前記条件付確率表は、
   前記警報情報に関する複数の条件ノードと、前記異常原因の発生に関する複数の結果ノードとを有し、
   前記複数の条件ノードのそれぞれの値が前記警報の有無に関する値とされ、
   少なくとも前記複数の条件ノードそれぞれの値と前記複数の結果ノードと確率変数とが、互いに関連付けられ、
   前記推論部は、
   入力された前記複数の条件ノードそれぞれの値を判定し、
   判定した当該条件ノードの値に関連付けられた前記複数の結果ノードのうち、前記確率変数が最も大きい結果ノードを、前記異常原因候補として導出すること、を特徴とする請求項４に記載の異常原因特定システム。
6. 前記装置は、循環流動層ボイラであること、を特徴とする請求項１〜５のいずれか一項に記載の異常原因特定システム。
   

Images