JP6143667B2 - Prediction system, monitoring system, operation support system, gas turbine equipment, and prediction method - Google Patents
Prediction system, monitoring system, operation support system, gas turbine equipment, and prediction method Download PDFInfo
- Publication number
- JP6143667B2 JP6143667B2 JP2013273461A JP2013273461A JP6143667B2 JP 6143667 B2 JP6143667 B2 JP 6143667B2 JP 2013273461 A JP2013273461 A JP 2013273461A JP 2013273461 A JP2013273461 A JP 2013273461A JP 6143667 B2 JP6143667 B2 JP 6143667B2
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- calculated
- process data
- value
- data
- 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 - Fee Related
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Description
本発明は、設備に関する所定の物理量を予測する予測システム、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に関するものである。 The present invention relates to a prediction system, a monitoring system, an operation support system, a gas turbine facility, and a prediction method for predicting a predetermined physical quantity related to equipment.
従来、観測データ、学習データを用いて、異常を検知する異常検知システムが知られている（例えば、特許文献１参照）。この異常検知システムは、観測データと学習データとのかい離度に基づいて、観測データの異常を検知している。 Conventionally, an anomaly detection system that detects an anomaly using observation data and learning data is known (see, for example, Patent Document 1). This abnormality detection system detects an abnormality in observation data based on the degree of separation between the observation data and the learning data.
しかしながら、特許文献１に記載の異常検知システムは、観測センサデータから、複数の識別器を用いて、異常の有無を２値化して検知することから、定量的な検知を行うことができない。
However, the abnormality detection system described in
そこで、本発明は、設備に関する所定の物理量を定量的にかつ安定的に予測することができる予測システム、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を提供することを課題とする。 Accordingly, an object of the present invention is to provide a prediction system, a monitoring system, an operation support system, a gas turbine facility, and a prediction method capable of quantitatively and stably predicting a predetermined physical quantity related to the facility.
本発明の予測システムは、設備において取得可能な種々のプロセスデータを格納する記憶部と、前記記憶部に格納された前記プロセスデータに基づいて、前記設備に関する予測される所定の物理量を予測値として算出する演算部と、を備え、前記演算部は、前記記憶部に格納された種々の前記プロセスデータのうち、複数の前記プロセスデータを１組のデータセットとして、複数組分だけ取得し、取得した各組の前記データセットに基づいて、前記予測値を算出するための予測モデルをそれぞれ構築し、構築した複数の前記予測モデルから前記予測値をそれぞれ算出し、算出した複数の前記予測値を統合して、統合された前記予測値を算出することを特徴とする。 The prediction system of the present invention uses a storage unit that stores various process data that can be acquired in a facility, and a predetermined physical quantity that is predicted for the facility based on the process data stored in the storage unit as a predicted value. A calculation unit that calculates, and the calculation unit acquires a plurality of the process data as a set of data among the various process data stored in the storage unit, and acquires Based on the data set of each set, a prediction model for calculating the prediction value is constructed, respectively, the prediction value is calculated from the plurality of constructed prediction models, and the calculated plurality of prediction values Integration is performed, and the integrated prediction value is calculated.
また、本発明の予測方法は、設備において取得可能な種々のプロセスデータに基づいて、前記設備に関する所定の物理量を予測する予測方法であって、種々の前記プロセスデータのうち、複数の前記プロセスデータを１組のデータセットとして、複数組分だけ取得するデータセット取得工程と、取得した各組の前記データセットに基づいて、予測値を算出するための予測モデルをそれぞれ構築する予測モデル構築工程と、構築した複数の前記予測モデルから前記予測値をそれぞれ算出する予測値算出工程と、算出した複数の前記予測値を統合して、統合された前記予測値を算出する予測値統合工程と、を備えることを特徴とする。 The prediction method of the present invention is a prediction method for predicting a predetermined physical quantity related to the equipment based on various process data that can be acquired in the equipment, and a plurality of the process data among the various process data. A data set acquisition step for acquiring a plurality of sets as a set of data sets, and a prediction model construction step for building a prediction model for calculating a prediction value based on the acquired data sets of each set, A predicted value calculation step for calculating each of the predicted values from the plurality of constructed prediction models, and a predicted value integration step for calculating the integrated predicted values by integrating the calculated plurality of predicted values. It is characterized by providing.
この構成によれば、複数組のデータセットを用いて、複数の予測モデルを構築することができる。そして、複数の予測モデルから複数の予測値を算出し、算出した複数の予測値を統合することができる。このため、複数の予測モデルを用いることで、単一の予測モデルを用いる場合に比べて、予測値を安定的に算出することができる。このとき、予測モデルは、定量的な値として予測値を導出することができる。このため、プロセスデータに基づいて、設備に関する所定の物理量を、定量的な予測値として算出することができる。なお、設備に関する所定の物理量としては、例えば、設備の所定の部位（ガスタービン設備であれば圧縮器、燃焼器、タービンやその内部流体等）における温度、圧力、流量、振動等であり、特に限定されない。 According to this configuration, a plurality of prediction models can be constructed using a plurality of data sets. Then, a plurality of prediction values can be calculated from a plurality of prediction models, and the calculated plurality of prediction values can be integrated. For this reason, by using a plurality of prediction models, it is possible to stably calculate the prediction value as compared to the case of using a single prediction model. At this time, the prediction model can derive the prediction value as a quantitative value. For this reason, based on process data, the predetermined physical quantity regarding equipment can be calculated as a quantitative prediction value. The predetermined physical quantity related to the equipment is, for example, the temperature, pressure, flow rate, vibration, etc. in a predetermined part of the equipment (compressor, combustor, turbine, internal fluid, etc. in the case of gas turbine equipment) It is not limited.
この場合、前記演算部は、構築した複数の前記予測モデルのモデル特性に応じて、算出された複数の前記予測値を補正して統合し、統合された前記予測値を算出することが好ましい。 In this case, it is preferable that the arithmetic unit corrects and integrates the plurality of calculated prediction values according to model characteristics of the plurality of constructed prediction models, and calculates the integrated prediction values.
この構成によれば、予測モデルのモデル特性に応じて、予測値を補正することができるため、統合して算出された予測値の予測精度を向上させることができる。 According to this configuration, the prediction value can be corrected according to the model characteristics of the prediction model, so that the prediction accuracy of the prediction value calculated by integration can be improved.
この場合、前記予測モデルの前記モデル特性は、例えば、前記予測モデルの予測精度の誤差であり、前記演算部は、構築した複数の前記予測モデルの前記予測精度の前記誤差に応じて、算出された複数の前記予測値を加重平均することで補正を行っており、前記誤差が大きい前記予測モデルから算出された前記予測値に対しては、重み付けを小さくし、前記誤差が小さい前記予測モデルから算出された前記予測値に対しては、重み付けを大きくすることが好ましい。 In this case, the model characteristic of the prediction model is, for example, an error in prediction accuracy of the prediction model, and the calculation unit is calculated according to the error in the prediction accuracy of the plurality of prediction models constructed. Correction is performed by weighted averaging the plurality of prediction values, and the prediction value calculated from the prediction model having a large error is reduced in weight, and the prediction model having a small error is reduced from the prediction model. It is preferable to increase the weighting for the calculated predicted value.
この構成によれば、演算部は、誤差が大きい予測モデルから算出された予測値に対して、重み付けを小さくすることができるため、統合された予測値に対する誤差の影響を小さくすることができる。また、演算部は、誤差が小さい予測モデルから算出された予測値に対して、重み付けを大きくすることができるため、統合された予測値に対する誤差の影響を小さくすることができる。これにより、演算部は、統合された予測値の予測精度を向上させることができる。 According to this configuration, the calculation unit can reduce the weighting of the prediction value calculated from the prediction model having a large error, and thus can reduce the influence of the error on the integrated prediction value. In addition, since the calculation unit can increase the weighting for the prediction value calculated from the prediction model with a small error, the influence of the error on the integrated prediction value can be reduced. Thereby, the calculating part can improve the prediction precision of the integrated prediction value.
この場合、前記演算部は、前記誤差が、予め設定された限界誤差よりも大きい場合、前記限界誤差よりも前記誤差が大きい前記予測モデルから算出された前記予測値の統合を不実行とすることが好ましい。 In this case, when the error is larger than a preset limit error, the calculation unit does not execute the integration of the prediction values calculated from the prediction model in which the error is larger than the limit error. Is preferred.
この構成によれば、演算部は、誤差が大きい予測モデルにより算出される予測値を、他の予測値と統合しないため、統合された予測値に対して、誤差の影響を与えることがない。なお、誤差が大きい予測モデルにより算出される予測値は、例えば、重み付けをゼロとすることで、他の予測値との統合を不実行とすることができる。 According to this configuration, since the calculation unit does not integrate the prediction value calculated by the prediction model having a large error with other prediction values, the integrated prediction value is not affected by the error. In addition, the prediction value calculated by the prediction model with a large error can be made non-executable with other prediction values by setting the weighting to zero, for example.
この場合、前記演算部は、前記データセットに含まれる前記プロセスデータを選定することが好ましい。 In this case, it is preferable that the calculation unit selects the process data included in the data set.
この構成によれば、演算部は、データセットに含まれるプロセスデータを選定することができるため、データセットに含まれる全てのプロセスデータを用いずに、データセットに含まれる一部のプロセスデータを用いることが可能となる。なお、プロセスデータの選定については、特に限定されず、任意の手法によって選定してもよい。例えば、算出する予測値の物理量に対して、相関係数の高いプロセスデータを選定してもよい。また、プロセスデータをランダムに選定してもよいし、予めオペレータにより選択されたプロセスデータを選定してもよい。さらに、変数減少法またはステップワイズ法等の統計的手法を用いて、プロセスデータを選定してもよいし、総当たりでプロセスデータを選定してもよい。 According to this configuration, since the calculation unit can select the process data included in the data set, a part of the process data included in the data set is not used without using all the process data included in the data set. It can be used. The selection of process data is not particularly limited, and may be selected by any method. For example, process data having a high correlation coefficient may be selected for the physical quantity of the predicted value to be calculated. Further, the process data may be selected at random, or the process data selected in advance by the operator may be selected. Furthermore, the process data may be selected using a statistical method such as a variable reduction method or a stepwise method, or the process data may be selected as a brute force.
この場合、前記記憶部には、所定のサンプリング周期で前記プロセスデータが格納され、前記演算部は、前記データセットを取得する場合、前記サンプリング周期を異ならせた前記データセットを複数組分だけ取得し、前記サンプリング周期が異なる複数組の前記データセットに基づいて、前記予測モデルをそれぞれ構築することが好ましい。 In this case, the process data is stored in the storage unit at a predetermined sampling cycle, and the calculation unit acquires a plurality of sets of the data sets with different sampling cycles when acquiring the data set. And it is preferable to construct | assemble each said prediction model based on the said several data sets from which the said sampling period differs.
この構成によれば、サンプリング周期を異ならせたデータセットに基づいて、複数の予測モデルを構築することができる。このため、設備に関する所定の物理量の応答性を考慮した予測モデルを構築することができる。具体的に、設備に設けられる配管の所定の部位において流通する流体の流量は、所定の部位の上流側における流体の圧力の変化によって変化する場合がある。この場合、流体の圧力の変化が、下流側の流体の流量の変化として現れるには、所定の応答時間がかかる。このため、サンプリング周期を異ならせることで、応答時間を考慮した予測モデルを構築することができ、これにより、予測モデルの予測精度を向上させることができる。 According to this configuration, a plurality of prediction models can be constructed based on data sets with different sampling periods. For this reason, it is possible to construct a prediction model that takes into account the responsiveness of a predetermined physical quantity related to equipment. Specifically, the flow rate of the fluid flowing in a predetermined part of the pipe provided in the facility may change due to a change in the pressure of the fluid upstream of the predetermined part. In this case, it takes a predetermined response time for the change in the fluid pressure to appear as a change in the flow rate of the downstream fluid. For this reason, the prediction model which considered response time can be constructed | assembled by varying a sampling period, and, thereby, the prediction accuracy of a prediction model can be improved.
本発明の監視システムは、上記の予測システムと、前記予測システムによって算出される前記予測値を用いて、前記設備を監視する監視装置と、を備えることを特徴とする。 A monitoring system according to the present invention includes the above prediction system and a monitoring device that monitors the facility using the prediction value calculated by the prediction system.
この構成によれば、監視装置は、予測システムによって算出される定量的な予測値を用いて、設備を監視することができる。このため、監視装置は、予測値が異常値となる場合、実測値が異常値になる前に、オペレータに対して警告等を発することができる。このため、監視装置は、設備の挙動を予測しながら監視することができる。 According to this configuration, the monitoring apparatus can monitor the facility using the quantitative prediction value calculated by the prediction system. For this reason, when the predicted value becomes an abnormal value, the monitoring device can issue a warning or the like to the operator before the actually measured value becomes an abnormal value. For this reason, the monitoring device can perform monitoring while predicting the behavior of the facility.
本発明の運転支援システムは、上記の予測システムと、前記予測システムによって算出される前記予測値を用いて、前記設備の運転を支援する運転支援装置と、を備えることを特徴とする。 The driving support system of the present invention includes the above-described prediction system and a driving support device that supports driving of the facility using the predicted value calculated by the prediction system.
この構成によれば、運転支援装置は、予測システムによって算出される定量的な予測値を用いて、設備の運転を支援することができる。このため、運転支援装置は、予測値に基づいて、設備が効率の良い運転となるように支援することができる。 According to this configuration, the driving support device can support the operation of the facility using the quantitative prediction value calculated by the prediction system. For this reason, the driving assistance device can assist the facility to operate efficiently based on the predicted value.
本発明のガスタービン設備は、上記の予測システム、上記の監視システム及び上記の運転支援システムの少なくとも１つのシステムと、前記設備としてのガスタービンと、を備えることを特徴とする。 A gas turbine facility according to the present invention includes at least one of the prediction system, the monitoring system, and the operation support system, and a gas turbine as the facility.
この構成によれば、ガスタービンに関する所定の物理量を予測したり、ガスタービンの挙動を予測しながら監視したり、ガスタービンが効率の良い運転となるように支援したりすることができる。 According to this configuration, it is possible to predict a predetermined physical quantity related to the gas turbine, to monitor while predicting the behavior of the gas turbine, or to assist the gas turbine in an efficient operation.
以下に、本発明に係る実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。また、下記実施例における構成要素には、当業者が置換可能かつ容易なもの、あるいは実質的に同一のものが含まれる。 Embodiments according to the present invention will be described below in detail with reference to the drawings. Note that the present invention is not limited to the embodiments. In addition, constituent elements in the following embodiments include those that can be easily replaced by those skilled in the art or those that are substantially the same.
図１は、実施例１に係るガスタービン設備の概略構成図である。図２は、予測モデルの構築に関するフローチャートである。図３は、統合された予測値の算出に関するフローチャートである。図４は、データセットの取得に関するフローチャートである。 FIG. 1 is a schematic configuration diagram of a gas turbine facility according to a first embodiment. FIG. 2 is a flowchart regarding the construction of the prediction model. FIG. 3 is a flowchart relating to calculation of an integrated prediction value. FIG. 4 is a flowchart regarding acquisition of a data set.
図１に示すように、実施例１に係る予測システム２０は、例えば、ガスタービン発電プラント等のガスタービン設備１に組み込まれており、ガスタービン設備１に関する所定の物理量を予測するシステムとなっている。先ず、予測システム２０の説明に先立ち、ガスタービン設備１について説明する。
As illustrated in FIG. 1, the
ガスタービン設備１は、ガスタービン（設備）１０と、予測システム２０と、監視システム３０と、運転支援システム４０とを備える。このとき、監視システム３０は、上記の予測システム２０と、監視装置３１とを含んで構成され、また、運転支援システム４０は、上記の予測システム２０と、運転支援装置４１とを含んで構成されている。
The
ガスタービン１０は、図示しない圧縮機、燃焼器及びタービンを有しており、圧縮機とタービンは、回転軸により一体回転可能に連結されている。圧縮機は、取り込んだ空気を圧縮し、圧縮した圧縮空気を燃焼器へ向けて供給する。燃焼器は、圧縮機から供給された圧縮空気と、燃料とを混合して燃焼する。タービンは、燃焼器から供給された燃焼ガスにより回転する。
The
このガスタービン１０には、ガスタービン１０の運転状況を検知するための各種センサが設けられている。各種センサとしては、例えば、ガスタービン１０を構成する圧縮機、燃焼器、タービン内の圧力を検出する圧力センサ１１、同温度を検出する温度センサ１２等がある。これら各種センサによって検出されたデータは、プロセスデータＤ１として、データベース２２に入力される。また、ガスタービン１０には、燃料流量を調整する弁１３、圧縮器に取り込む空気を調整する案内翼１４等が設けられている。弁１３の開度、案内翼１４の角度等に関するデータは、プロセスデータＤ１として、データベース２２に入力される。ここで、データベース２２には、各種センサ１１，１２によって取得したデータ、及び弁１３、案内翼１４に関するデータの他、ガスタービン１０を運転するにあたってオペレータにより入力されたデータが、プロセスデータＤ１として入力される。つまり、データベース２２に入力されるプロセスデータＤ１は、ガスタービン１０に関するデータであれば、特に限定されない。
The
次に、予測システム２０について説明する。予測システム２０は、予測装置２１と、プロセスデータＤ１を格納する上記のデータベース（記憶部）２２とを含んで構成されている。予測装置２１は、データベース２２に格納されたプロセスデータＤ１に基づいて、ガスタービン１０に関する所定の物理量を予測している。所定の物理量としては、例えば、ガスタービン１０を構成する圧縮器、燃焼器、タービンやその内部流体等における温度、圧力、流量、振動等である。なお、所定の物理量は、ガスタービン１０に関する物理量であれば、特に限定されない。
Next, the
予測装置２１は、データベース２２と接続されており、予測される所定の物理量を予測値として算出する演算部２５を有している。演算部２５は、集積回路を含んで構成され、所定のプログラムを実行することで、各種演算を実行する。具体的に、演算部２５は、予測プログラムを実行することで、データベース２２に格納されたプロセスデータＤ１に基づいて、ガスタービン１０に関する予測される所定の物理量を予測値として算出する。なお、予測装置２１による予測値の算出については後述する。
The
データベース２２は、ガスタービン１０から入力される種々のプロセスデータＤ１を格納している。このデータベース２２には、所定のサンプリング周期でプロセスデータＤ１が蓄積される。データベース２２は、予測装置２１と接続されており、予測装置２１の要求に応じて、所定のプロセスデータＤ１を予測装置２１へ向けて出力する。
The
監視装置３１は、予測システム２０に接続されており、予測システム２０で予測された予測値を用いて、ガスタービン１０の運転状況を監視している。この監視装置３１は、例えば、オペレータに対し所定の情報を報知する警報機、ランプ及び表示装置等の報知装置を有している。監視装置３１は、予測システム２０で予測された予測値が、予め設定された異常値を超えた場合、オペレータに対して報知装置による異常報知を実行する。このように、監視装置３１は、実測値が異常値となる前に、ガスタービン１０の異常を予見する。
The
運転支援装置４１は、予測システム２０に接続されており、予測システム２０で予測された予測値を用いて、ガスタービン１０の運転を支援している。この運転支援装置４１は、例えば、予測システム２０で予測された予測値が、ガスタービン１０が効率の良い運転となる所定の物理量となるように、ガスタービン１０の運転に関する支援をオペレータに対して行う。
The driving
次に、予測装置２１の演算部２５による予測値の演算制御について説明する。予測装置２１の演算部２５は、予測値を算出するにあたって、データ抽出制御と、予測モデル構築制御と、予測値算出制御と、予測値統合制御とを実行している。
Next, prediction value calculation control by the
演算部２５は、データ抽出制御を実行することで、データベース２２に格納された種々のプロセスデータＤ１のうち、複数のプロセスデータＤ１を１組のデータセットとして、複数組分だけを抽出（取得）する。抽出される複数組のデータセットは、含まれるプロセスデータＤ１の数または種別等が異なるものとなっている。また、データセットは、予測する物理量に応じて適宜用意されている。なお、データセットに含まれるプロセスデータＤ１は、演算部２５により自動で選定して取得してもよいし、予め決定されたものを取得してもよく、特に限定されない。ここで、演算部２５は、データセットに含まれるプロセスデータＤ１を自動で選定する場合、例えば、予測値として算出する物理量に対して相関係数の高いプロセスデータＤ１を選定してもよいし、プロセスデータＤ１をランダムに選定してもよいし、予めオペレータにより選択されたプロセスデータＤ１を選定してもよい。また、変数減少法またはステップワイズ法等の統計的手法を用いて、プロセスデータＤ１を選定してもよいし、総当たりでプロセスデータＤ１を選定してもよい。
The
演算部２５は、予測モデル構築制御を実行することで、抽出したデータセットに基づいて予測モデルを構築する。予測モデルとしては、例えば、プロセスデータＤ１を入力変数とする多変量解析モデルがあるが、これに限定されず、他の解析モデルや非線形のニューラルネットワークを適用してもよい。また、構築される予測モデルは、定量的な予測値を算出可能な予測モデルとなっている。予測モデル構築制御では、１つのデータセットに対して、１つの予測モデルが構築されることから、データ抽出制御において抽出された複数組のデータセットに対して、複数の予測モデルが構築される。
The
演算部２５は、予測値算出制御を実行することで、構築された複数の予測モデルを用いて予測値をそれぞれ算出する。
The
演算部２５は、予測値統合制御を実行することで、算出した複数の予測値を統合する。この予測値統合制御では、予測モデルのモデル特性に応じて、算出された複数の予測値を補正して統合し、統合された予測値を算出している。具体的に、予測モデルのモデル特性は、例えば、予測モデルの予測精度の誤差であり、予測値統合制御では、予測モデルの予測精度の誤差に応じて、算出された複数の予測値を加重平均している。つまり、予測値統合制御では、誤差が大きい予測モデルから算出された予測値に対しては、重み付けを小さくし、誤差が小さい予測モデルから算出された予測値に対しては、重み付けを大きくしている。このとき、予測値統合制御では、予測モデルの誤差が、予め設定された限界誤差よりも大きい場合、限界誤差よりも誤差が大きい予測モデルから算出された予測値に対しては、重み付けをゼロとすることで、予測値の統合を不実行としている。
The
次に、図２から図４を参照して、予測システム２０によって、ガスタービン１０に関する所定の物理量を予測する予測方法について説明する。先ず、図２を参照して、予測システム２０において予測モデルを構築する制御動作について説明する。ガスタービン１０において取得される種々のプロセスデータＤ１が、データベース２２に入力される（ステップＳ１１）と、入力されたプロセスデータＤ１は、データベース２２に格納される（ステップＳ１２）。予測装置２１の演算部２５は、予測モデルを構築する場合、先ず、データ抽出制御を実行することで、データベース２２から複数組のデータセットを抽出する（ステップＳ１３：データセット取得工程）。この後、演算部２５は、予測モデル構築制御を実行することで、抽出した複数組のデータセットから、複数の予測モデルを構築（作成）する（ステップＳ１４：予測モデル構築工程）。そして、演算部２５は、予測モデルを構築する制御動作を終了する。
Next, a prediction method for predicting a predetermined physical quantity related to the
次に、図３を参照して、予測装置２１の演算部２５によって統合された予測値を算出する制御動作について説明する。予測装置２１の演算部２５は、統合された予測値を算出する場合、予測値算出制御を実行することで、構築した複数の予測モデルから予測値をそれぞれ算出する（ステップＳ２１：予測値算出工程）。この後、演算部２５は、予測値統合制御を実行することで、算出した複数の予測値を加重平均して統合し、統合された予測値を算出する（ステップＳ２２：予測値統合工程）。そして、演算部２５は、予測値を算出する制御動作を終了する。
Next, with reference to FIG. 3, the control operation for calculating the prediction value integrated by the
次に、図４を参照して、予測装置２１の演算部２５によってデータセットを抽出する制御動作について説明する。予測装置２１の演算部２５は、データ抽出制御を実行すると、先ず、データセットに含まれるプロセスデータＤ１のうち、抽出するプロセスデータＤ１の項目を複数選定（決定）する（ステップＳ３１）。演算部２５は、抽出するプロセスデータＤ１を選定すると、選定したプロセスデータＤ１をデータベース２２から抽出する（ステップＳ３２）。この後、演算部２５は、複数組のデータセットの全てを抽出したか否かを判定する（ステップＳ３３）。演算部２５は、ステップＳ３３において、全てのデータセットを抽出していないと判定すると（ステップＳ３３：Ｎｏ）、ステップＳ３１に再び進んで、他のデータセットを抽出する制御動作を実行する。一方で、演算部２５は、ステップＳ３３において、全てのデータセットを抽出したと判定すると（ステップＳ３３：Ｙｅｓ）、データセットを抽出する制御動作を終了する。
Next, a control operation for extracting a data set by the
以上のように、実施例１の構成によれば、複数組のデータセットを用いて、複数の予測モデルを構築することができる。そして、複数の予測モデルから複数の予測値を算出し、算出した複数の予測値を統合することができる。このため、複数の予測モデルを用いることで、単一の予測モデルを用いる場合に比べて、予測値を安定的に算出することができる。このとき、予測モデルは、定量的な値として予測値を導出することができる。このため、プロセスデータＤ１に基づいて、ガスタービン１０に関する所定の物理量を、定量的な予測値として算出することができる。
As described above, according to the configuration of the first embodiment, a plurality of prediction models can be constructed using a plurality of data sets. Then, a plurality of prediction values can be calculated from a plurality of prediction models, and the calculated plurality of prediction values can be integrated. For this reason, by using a plurality of prediction models, it is possible to stably calculate the prediction value as compared to the case of using a single prediction model. At this time, the prediction model can derive the prediction value as a quantitative value. For this reason, based on the process data D1, the predetermined physical quantity regarding the
また、実施例１の構成によれば、予測モデルのモデル特性に応じて、予測値を補正することができるため、統合して算出された予測値の予測精度を向上させることができる。つまり、演算部２５は、誤差が大きい予測モデルから算出された予測値に対して、重み付けを小さくすることができるため、統合された予測値に対する誤差の影響を小さくすることができる。また、演算部２５は、誤差が小さい予測モデルから算出された予測値に対して、重み付けを大きくすることができるため、統合された予測値に対する誤差の影響を小さくすることができる。これにより、演算部２５は、統合された予測値の予測精度を向上させることができる。
Moreover, according to the structure of Example 1, since a prediction value can be corrected according to the model characteristic of a prediction model, the prediction accuracy of the prediction value calculated by integration can be improved. In other words, since the
また、実施例１の構成によれば、演算部２５は、誤差が大きい予測モデルにより算出される予測値を、他の予測値と統合しないため、統合された予測値に対して、誤差の影響を与えることがない。なお、実施例１では、誤差が限界誤差よりも大きい予測モデルによって算出される予測値は、重み付けがゼロとなることで、他の予測値に統合されなかったが、この構成に限定されない。例えば、予測値算出制御において、誤差が限界誤差よりも大きい予測モデルを用いた予測値の算出を行わないことで、他の予測値に統合せずともよい。
Further, according to the configuration of the first embodiment, the
また、実施例１の構成によれば、演算部２５は、データセットに含まれるプロセスデータＤ１を選定することができるため、データセットに含まれる全てのプロセスデータＤ１を用いずに、データセットに含まれる一部のプロセスデータＤ１を用いることが可能となる。
In addition, according to the configuration of the first embodiment, the
また、実施例１の構成によれば、監視システム３０において、監視装置３１は、予測システム２０によって算出される定量的な予測値を用いて、ガスタービン１０を監視することができる。このため、監視装置３１は、ガスタービン１０の挙動を予測しながら監視することができる。
Further, according to the configuration of the first embodiment, in the
また、実施例１の構成によれば、運転支援システム４０において、運転支援装置４１は、予測システム２０によって算出される定量的な予測値を用いて、ガスタービン１０の運転を支援することができる。このため、運転支援装置４１は、予測値に基づいて、ガスタービン１０が効率の良い運転となるように支援することができる。
Further, according to the configuration of the first embodiment, in the driving
なお、実施例１では、予測値統合制御において、算出された複数の予測値を加重平均して統合したが、この統合に限定されない。例えば、予測値統合制御において、算出された複数の予測値を単純平均してもよく、特に限定されない。 In the first embodiment, in the prediction value integration control, the plurality of calculated prediction values are integrated by weighted averaging, but the present invention is not limited to this integration. For example, in the predicted value integrated control, a plurality of calculated predicted values may be simply averaged, and is not particularly limited.
次に、図５を参照して、実施例２に係る予測システム２０及び予測方法について説明する。図５は、実施例２におけるデータセットの取得に関するフローチャートである。なお、実施例２では、重複した記載を避けるべく、実施例１と異なる部分について説明し、実施例１と同様の構成である部分については、同じ符号を付す。実施例２に係る予測システム２０は、データセットの取得に際し、サンプリング周期を異ならせている。以下、実施例２に係る予測システム２０について説明する。
Next, the
実施例２の予測システム２０において、データベース２２には、実施例１と同様に、プロセスデータＤ１が、所定のサンプリング周期で蓄積される。予測装置２１の演算部２５によってデータ抽出制御が実行されると、データ抽出制御では、１つのデータセットに対し、複数の異なるサンプリング周期で、データセットに含まれるプロセスデータＤ１を取得する。すなわち、演算部２５は、所定のデータセットに含まれるプロセスデータＤ１を、サンプリング周期Ｔ１の間隔で抽出し、この後、所定のデータセットに含まれるプロセスデータＤ１を、サンプリング周期Ｔ２の間隔で抽出する。
In the
そして、演算部２５は、予測モデル構築制御において、サンプリング周期が異なる複数組のデータセットに基づいて、予測モデルをそれぞれ構築する。
Then, in the prediction model construction control, the
次に、図５を参照して、予測装置２１の演算部２５によってデータセットを抽出する制御動作について説明する。予測装置２１の演算部２５は、データ抽出制御を実行すると、先ず、抽出するプロセスデータＤ１のサンプリング周期（例えば、サンプリング周期Ｔ１）を決定する（ステップＳ４１）。続いて、演算部２５は、データセットに含まれるプロセスデータＤ１のうち、抽出するプロセスデータＤ１の項目を複数選定（決定）する（ステップＳ４２）。演算部２５は、抽出するプロセスデータＤ１を選定すると、ステップＳ４１で決定したサンプリング周期の間隔で、選定したプロセスデータＤ１をデータベース２２から抽出する（ステップＳ４３）。この後、演算部２５は、複数組のデータセットの全てを抽出したか否かを判定する（ステップＳ４４）。演算部２５は、ステップＳ４４において、全てのデータセットを抽出していないと判定すると（ステップＳ４４：Ｎｏ）、ステップＳ４２に再び進んで、他のデータセットを抽出する制御動作を実行する。一方で、演算部２５は、ステップＳ４４において、全てのデータセットを抽出したと判定すると（ステップＳ４４：Ｙｅｓ）、複数のサンプリング周期の全てでデータセットを抽出したか否かを判定する（ステップＳ４５）。演算部２５は、ステップＳ４５において、全てのサンプリング周期についてデータセットを抽出していないと判定すると（ステップＳ４５：Ｎｏ）、ステップＳ４１に再び進んで、他のサンプリング周期についてデータセットを抽出する制御動作を実行する。一方で、演算部２５は、ステップＳ４５において、全てのサンプリング周期についてデータセットを抽出したと判定すると（ステップＳ４５：Ｙｅｓ）、データセットを抽出する制御動作を終了する。
Next, a control operation for extracting a data set by the
以上のように、実施例２の構成によれば、サンプリング周期を異ならせたデータセットに基づいて、複数の予測モデルを構築することができる。このため、ガスタービン１０に関する所定の物理量の応答性を考慮した予測モデルを構築することができる。つまり、ガスタービン１０に設けられる配管の所定の部位において流通する流体の流量は、所定の部位の上流側における流体の圧力の変化によって変化する場合がある。この場合、流体の圧力の変化が、下流側の流体の流量の変化として現れるには、所定の応答時間がかかる。このため、サンプリング周期を異ならせることで、応答時間を考慮した予測モデルを構築することができ、これにより、予測モデルの予測精度を向上させることができる。
As described above, according to the configuration of the second embodiment, it is possible to construct a plurality of prediction models based on data sets with different sampling periods. For this reason, it is possible to construct a prediction model that takes into account the responsiveness of a predetermined physical quantity related to the
なお、実施例１及び実施例２において、予測システム２０は、ガスタービン１０に関する所定の物理量を予測したが、ガスタービン１０に限定されず、他の設備であってもよい。
In addition, in Example 1 and Example 2, although the
１ ガスタービン設備
１０ ガスタービン
２０ 予測システム
２１ 予測装置
２２ データベース
２５ 演算部
３０ 監視システム
３１ 監視装置
４０ 運転支援システム
４１ 運転支援装置
Ｄ１ プロセスデータ
DESCRIPTION OF
Claims (10)
前記記憶部に格納された前記プロセスデータに基づいて、前記設備に関する予測される所定の物理量を予測値として算出する演算部と、を備え、
前記演算部は、
前記記憶部に格納された種々の前記プロセスデータのうち、複数の前記プロセスデータを１組のデータセットとして、複数組分だけ取得し、
取得した各組の前記データセットに基づいて、前記予測値を算出するための予測モデルをそれぞれ構築し、
構築した複数の前記予測モデルから前記予測値をそれぞれ算出し、
算出した複数の前記予測値を統合して、統合された前記予測値を算出することを特徴とする予測システム。 A storage unit for storing various process data that can be acquired in the facility;
A calculation unit that calculates, as a predicted value, a predetermined physical quantity predicted for the facility based on the process data stored in the storage unit, and
The computing unit is
Among a variety of the process data stored in the storage unit, a plurality of the process data is obtained as a set of data sets for a plurality of sets,
Based on the acquired data sets of each set, each constructed a prediction model for calculating the predicted value,
Each of the predicted values is calculated from a plurality of the predicted models constructed,
A prediction system characterized by integrating a plurality of calculated prediction values to calculate the integrated prediction value.
構築した複数の前記予測モデルのモデル特性に応じて、算出された複数の前記予測値を補正して統合し、統合された前記予測値を算出することを特徴とする請求項１に記載の予測システム。 The computing unit is
2. The prediction according to claim 1, wherein the plurality of calculated prediction values are corrected and integrated according to model characteristics of the plurality of prediction models constructed, and the integrated prediction value is calculated. system.
前記演算部は、
構築した複数の前記予測モデルの前記予測精度の前記誤差に応じて、算出された複数の前記予測値を加重平均することで補正を行っており、
前記誤差が大きい前記予測モデルから算出された前記予測値に対しては、重み付けを小さくし、
前記誤差が小さい前記予測モデルから算出された前記予測値に対しては、重み付けを大きくすることを特徴とする請求項２に記載の予測システム。 The model characteristic of the prediction model is an error in prediction accuracy of the prediction model;
The computing unit is
According to the error of the prediction accuracy of the plurality of prediction models constructed, correction is performed by weighted average of the plurality of prediction values calculated,
For the prediction value calculated from the prediction model having a large error, the weight is reduced,
The prediction system according to claim 2, wherein weighting is increased for the prediction value calculated from the prediction model having a small error.
前記誤差が、予め設定された限界誤差よりも大きい場合、前記限界誤差よりも前記誤差が大きい前記予測モデルから算出された前記予測値の統合を不実行とすることを特徴とする請求項３に記載の予測システム。 The computing unit is
The integration of the predicted values calculated from the prediction model having the error larger than the limit error is not executed when the error is larger than a preset limit error. The prediction system described.
前記データセットに含まれる前記プロセスデータを選定することを特徴とする請求項１から４のいずれか１項に記載の予測システム。 The computing unit is
The prediction system according to any one of claims 1 to 4, wherein the process data included in the data set is selected.
前記演算部は、
前記データセットを取得する場合、前記サンプリング周期を異ならせた前記データセットを複数組分だけ取得し、
前記サンプリング周期が異なる複数組の前記データセットに基づいて、前記予測モデルをそれぞれ構築することを特徴とする請求項１から５のいずれか１項に記載の予測システム。 The storage unit stores the process data at a predetermined sampling period,
The computing unit is
When obtaining the data set, obtain a plurality of sets of the data set with different sampling periods,
The prediction system according to any one of claims 1 to 5, wherein each of the prediction models is constructed based on a plurality of data sets having different sampling periods.
前記予測システムによって算出される前記予測値を用いて、前記設備を監視する監視装置と、を備えることを特徴とする監視システム。 The prediction system according to any one of claims 1 to 6,
A monitoring system comprising: a monitoring device that monitors the facility using the predicted value calculated by the prediction system.
前記予測システムによって算出される前記予測値を用いて、前記設備の運転を支援する運転支援装置と、を備えることを特徴とする運転支援システム。 The prediction system according to any one of claims 1 to 6,
A driving support system comprising: a driving support device that supports driving of the facility using the predicted value calculated by the prediction system.
前記設備としてのガスタービンと、を備えることを特徴とするガスタービン設備。 At least one of the prediction system according to any one of claims 1 to 6, the monitoring system according to claim 7, and the driving support system according to claim 8,
A gas turbine facility comprising: a gas turbine as the facility.
種々の前記プロセスデータのうち、複数の前記プロセスデータを１組のデータセットとして、複数組分だけ取得するデータセット取得工程と、
取得した各組の前記データセットに基づいて、予測値を算出するための予測モデルをそれぞれ構築する予測モデル構築工程と、
構築した複数の前記予測モデルから前記予測値をそれぞれ算出する予測値算出工程と、
算出した複数の前記予測値を統合して、統合された前記予測値を算出する予測値統合工程と、を備えることを特徴とする予測方法。 A prediction method for predicting a predetermined physical quantity related to the equipment based on various process data obtainable in the equipment,
Among the various process data, a plurality of the process data as a set of data sets, a data set acquisition step of acquiring a plurality of sets, and
Based on the acquired data sets of each set, a prediction model construction step of constructing a prediction model for calculating a prediction value, respectively,
A predicted value calculation step of calculating the predicted value from the plurality of the predicted models constructed;
A prediction value integrating step of integrating the plurality of calculated prediction values and calculating the integrated prediction value.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2013273461A JP6143667B2 (en) | 2013-12-27 | 2013-12-27 | Prediction system, monitoring system, operation support system, gas turbine equipment, and prediction method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2013273461A JP6143667B2 (en) | 2013-12-27 | 2013-12-27 | Prediction system, monitoring system, operation support system, gas turbine equipment, and prediction method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2015127914A JP2015127914A (en) | 2015-07-09 |
| JP6143667B2 true JP6143667B2 (en) | 2017-06-07 |
Family
ID=53837882
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2013273461A Expired - Fee Related JP6143667B2 (en) | 2013-12-27 | 2013-12-27 | Prediction system, monitoring system, operation support system, gas turbine equipment, and prediction method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6143667B2 (en) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7147131B2 (en) * | 2016-02-24 | 2022-10-05 | 株式会社ジェイテクト | Analysis system |
| KR101872342B1 (en) * | 2016-10-07 | 2018-06-29 | 고려대학교 산학협력단 | Method and device for intelligent fault diagnosis using improved rtc(real-time contrasts) method |
| KR102079359B1 (en) * | 2017-07-13 | 2020-02-20 | 고려대학교 산학협력단 | Process Monitoring Device and Method using RTC method with improved SAX method |
| JP7064085B2 (en) * | 2017-11-10 | 2022-05-10 | 三菱重工業株式会社 | Plant abnormality monitoring system and plant abnormality monitoring method |
| WO2019239542A1 (en) | 2018-06-14 | 2019-12-19 | 三菱電機株式会社 | Abnormality sensing apparatus, abnormality sensing method, and abnormality sensing program |
| JP7143148B2 (en) | 2018-08-23 | 2022-09-28 | 三菱重工業株式会社 | Prediction device, prediction method, and program |
| JP7263020B2 (en) * | 2019-01-16 | 2023-04-24 | 株式会社東芝 | Treated water quality estimation device, treated water quality estimation method and program |
| WO2021095822A1 (en) * | 2019-11-12 | 2021-05-20 | 株式会社Ihi | Plant operation prediction device |
| KR20220106999A (en) * | 2019-11-29 | 2022-08-01 | 도쿄엘렉트론가부시키가이샤 | Reasoning device, reasoning method and reasoning program |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4017272B2 (en) * | 1998-12-16 | 2007-12-05 | 中国電力株式会社 | Plant state estimation / prediction apparatus and method |
| JP2007003381A (en) * | 2005-06-24 | 2007-01-11 | Mitsubishi Heavy Ind Ltd | Calibration support device for detector, technique thereof, and program |
| JP2009275691A (en) * | 2008-04-16 | 2009-11-26 | Mitsubishi Heavy Ind Ltd | Combustion control method and control device for internal combustion engine |
-
2013
- 2013-12-27 JP JP2013273461A patent/JP6143667B2/en not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2015127914A (en) | 2015-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6143667B2 (en) | Prediction system, monitoring system, operation support system, gas turbine equipment, and prediction method | |
| JP6511702B2 (en) | Monitoring device, monitoring method of target device, and program | |
| JP6050599B2 (en) | Method and system for device operation monitoring | |
| KR102025145B1 (en) | Apparatus and Method for Predicting Plant Data | |
| Simani et al. | Dynamic system identification and model-based fault diagnosis of an industrial gas turbine prototype | |
| EP2977616B1 (en) | Method and systems for detection of compressor surge | |
| WO2016133121A1 (en) | Abnormality diagnosis method and abnormality diagnosis system | |
| EP3401600B1 (en) | Systems and methods related to detecting flame blowout occurrences in gas turbines | |
| JP6432890B2 (en) | Monitoring device, target device monitoring method, and program | |
| EP3584656B1 (en) | Risk assessment device, risk assessment method, and risk assessment program | |
| WO2016039805A1 (en) | Apparatus and method for ensembles of kernel regression models | |
| US9852240B2 (en) | Systems and methods for gas turbine operational impact modeling using statistical and physics-based methodologies | |
| JP6111913B2 (en) | Control parameter adjustment system | |
| EP3584657A1 (en) | Risk assessment device, risk assessment method, and risk assessment program | |
| US20160365735A1 (en) | Systems and Methods for Power Plant Data Reconciliation | |
| JP6274932B2 (en) | Prediction system, monitoring system, operation support system, gas turbine equipment, and prediction method | |
| JP6952622B2 (en) | Performance evaluation method, performance evaluation device, and performance evaluation system | |
| US10392963B2 (en) | Systems and methods related to transmitting and receiving sensor data | |
| JP7397080B2 (en) | Gas networks and methods for detecting faults in gas networks under pressure or vacuum | |
| JP6347771B2 (en) | Abnormality diagnosis apparatus, abnormality diagnosis method, and abnormality diagnosis program | |
| JP6169284B2 (en) | Method of analyzing measurement error of operation parameter of gas turbine and control device | |
| JP7487412B2 (en) | Plant monitoring method, plant monitoring device, and plant monitoring program | |
| JP5022018B2 (en) | Gas turbine monitoring device | |
| JP7374192B2 (en) | Gas networks and methods for detecting leaks in gas networks under pressure or vacuum | |
| JP2016206089A (en) | Gas meter evaluation system and gas meter used therefor |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160425 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20170309 |
|
| 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: 20170411 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170509 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6143667 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| LAPS | Cancellation because of no payment of annual fees |