JP6523815B2 - プラント診断装置及びプラント診断方法 - Google Patents

Description

本発明はプラントの状態異常を診断するプラント診断装置及びプラント診断方法に関する。

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。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に分類する理論である。

上記技術においては、まずＡＲＴを用いて正常時の計測データを複数のカテゴリ（正常カテゴリ）に分類する。次に、現在の計測データをＡＲＴに入力してカテゴリに分類する。この計測データが正常カテゴリに分類できない時は、新しいカテゴリ（新規カテゴリ）を生成する。新規カテゴリの発生は、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の発生で判断することとし、新規カテゴリの発生率が閾値を越えた場合に異常と診断する。

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、新規カテゴリが発生するデータ傾向の変化幅は、分解能が粗い場合と細かい場合で異なる。分解能が粗い場合に新規カテゴリが発生すると、データ傾向が正常時とは大きく変化しているため、機器が異である確度は高い。一方、分解能が細かい場合は計測ノイズのような微小な傾向の変化を検知している可能性があるため、異常である確度は低い。このように、クラスタの大きさを決定するパラメータの設定値が異なると、異常検知時に異常が発生している確度は異なる。

一般には診断手法が異なると、異常検知性能が異なるため、異常検知時に異常が発生している確度が異なる。

また、異常検知した際にプラントを停止して保守・修理することが機器の故障回避には有効であるが、保守・修理のための費用、またプラントを停止した期間の機会損失が発生する。そのため、軽微な故障であれば定期検査まで運転を継続することもある。その一方、異常を放置した結果、機器が故障・破損してしまい、保守・修理した場合よりも損失が大きくなる可能性がある。

現状は異常を検知した際、異常に対処すべきか否かはプラント運転の経験で判断しているが、異常を放置した場合のリスク（損失予想額）を基に判断することが望ましい。

上記課題を解決するために本発明は、プラントの状態異常を診断する複数の診断手段を備えたプラント診断装置において、前記プラントの状態に関する計測信号データ及び過去の状態異常に関する設備管理情報データに基づいて、前記複数の診断手段それぞれの前記状態異常の検知に係る確度を求め、前記確度及び状態異常に伴う損失額に基づいて損失予想額を評価する総合診断手段を備えることを特徴とする。

異常検知時に損失予想額を求め、検知した異常に対処するか否かの判断に有用な情報を提供できる。

本発明の第１の実施例である診断装置を説明するブロック図である。 診断装置の評価モードと診断モードにおける総合診断手段の動作を説明するフローチャート図である。 評価モードおよび診断モードを動作させるタイミングを説明する図である。 計測信号データベースと設備管理情報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。 診断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。 適応共鳴理論の説明図である。 計測信号を、カテゴリに分類した結果例を示す図である。 カテゴリのサイズと検知タイミング、確度、損失予想額の関係を説明する図である。 各診断手段の検知結果と損失予想額の経時変化を説明する図である。 確度の補正方法を説明する図である。 画面表示装置に表示する画面の実施例を説明する図である。 画面表示装置に表示する画面の実施例を説明する図である。 モデル診断を説明する図である。 クラスタリング診断、モデル診断を併用することによる効果を説明する図である。 本発明の診断装置を火力プラントに適用した際の実施例を説明する図である。

本発明の実施に好適な診断装置について、図面を参照して以下に説明する。尚、下記はあくまでも実施の例に過ぎず、下記具体的内容に発明自体が限定されることを意図する趣旨ではない。

図１は本発明の第１の実施例である診断装置を説明するブロック図である。診断装置２００は、プラント１００、画面表示装置８００、外部入力装置９００と接続しており、プラント１００を監視・診断する。また、診断装置２００は、各機器又は装置間で通信を実行する通信部、コンピュータや計算機サーバ（ＣＰＵ：Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、メモリ、各種データベースＤＢなどが有線又は無線接続されて構成される。また、外部入力装置９００は、キーボードスイッチ、マウス等のポインティング装置、タッチパネル、音声指示装置等で構成され、画面表示装置８００は、ディスプレイ等で構成される。

診断装置２００は、演算装置として総合診断手段４００、診断手段５００を備えている。診断手段５００は複数備えられており、その数は任意に設定可能である。また、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３００、設備管理情報データベース３１０、診断結果データベース３２０を備える。尚、図１ではデータベースをＤＢと略記している。

計測信号データベース３００、設備管理情報データベース３１０、診断結果データベース３２０には、電子化された情報が保存されており、通常電子ファイル(電子データ)と呼ばれる形態で情報が保存される。

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、外部入力装置９００に備えられているキーボード９１０及びマウス９２０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、総合診断結果信号１２を画面表示装置８００に出力する。

図１に示した診断装置２００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。診断装置２００に取り込まれた計測信号３は、計測信号データベース３００に保存する。また、プラント１００で発生した故障情報、保守情報などの設備管理情報は、キーボード９１０及びマウス９２０の操作によって生成した外部入力信号２によって診断装置２００に取り込まれる。診断装置２００に取り込まれた設備管理情報信号４は、設備管理情報データベース３１０に保存する。

診断装置２００は、評価モードと診断モードの二つの処理モードを持つ。評価モードと診断モードのフローチャートと総合診断手段４００、診断手段５００の動作については、図１、２を引用しながら後述する。

なお、本実施例の診断装置２００においては、総合診断手段４００、診断手段５００、計測信号データベース３００、設備管理情報データベース３１０、診断結果データベース３２０が診断装置２００の内部に備えられているが、これらの一部の装置を診断装置２００の外部に配置し、データのみを装置間で通信するようにしてもよい。

また、診断装置２００に設置されたデータベースに保存されている情報は、その全ての情報を画面表示装置１００に表示でき、これらの情報は外部入力装置９００を操作して生成する外部入力信号１で修正することができる。

本実施例では、外部入力装置９００をキーボードとマウスで構成しているが、音声入力のためのマイク、タッチパネルなど、データを入力するための装置であれば良い。

また、本発明の実施形態として、診断方法、診断装置２００を動作させて得られた情報を提供する情報提供サービスとしても実施可能であることは言うまでもない。

図２は、診断装置２００の評価モードと診断モードにおける総合診断手段４００の動作を説明するフローチャート図である。

図２（ａ）は、評価モードのフローチャート図である。

まずステップ２０００では、総合診断手段４００は計測信号データベース３００に保存されている所定期間中の計測信号５を抽出する。

ステップ２０１０では、総合診断手段４００は計測信号９を診断手段５００に送信する。診断手段５００は計測信号９を処理してプラント１００の状態を診断し、診断結果１０を総合診断手段４００に送信する。総合診断手段４００では、受信した診断結果１０をまとめ、診断結果データベース情報８を診断結果データベース３２０に送信し、保存する。

ステップ２０２０では、総合診断手段４００では設備管理情報データベース３１０に保存されている設備管理情報信号６を抽出する。

ステップ２０３０では、診断結果データベース３２０に保存されている診断結果データベース情報７の各診断手段の検知結果と、ステップ２０２０で抽出した設備管理情報信号６を比較し、確度と平均リードタイムを計算する。ここで、確度は故障回数と検知回数で除算することで求める。また、平均リードタイムは、閾値判定で検知した時刻から該当する診断手段で検知した時刻を引くことで求める時間であり、どのくらい早期に検知したかを示す時間である。ステップ２０３０で求めた各診断手段の確度、平均リードタイムは診断結果データベース３２０に保存する。

ステップ２０４０では、総合診断手段４００は診断結果データベース３２０に保存されている診断結果データベース情報７を抽出し、総合診断結果信号１１として外部出力インターフェイス２２０に送信する。総合診断結果信号１２は画像表示装置８００に送信され、画面表示装置８００に表示する。

図２（ｂ）は、診断モードの動作を説明するフローチャート図である。

ステップ２１００では、総合診断手段４００は計測信号データベースに保存されている診断する期間の運転データ５を抽出する。

ステップ２１１０では、総合診断手段４００は計測信号９を診断手段５００に送信する。診断手段５００は計測信号９を処理してプラント１００の状態を診断し、診断結果１０を総合診断手段４００に送信する。総合診断手段４００では、受信した診断結果１０をまとめ、診断結果データベース情報８を診断結果データベース３２０に送信し、保存する。

ステップ２１２０では、異常検知の有無を評価し、異常を検知した診断手段が有りの場合はステップ２１３０に進み、無しの場合はステップ２１６０に進む。

ステップ２１３０では、総合診断手段４００は診断結果データベース３２０に保存されている診断結果データベース情報７を抽出し、ステップ２１２０で異常を検知した診断手段に関する確度の情報を把握する。

ステップ２１４０では、総合診断手段４００は設備管理情報データベース３１０に保存されている設備管理情報６を抽出し、故障による損失額を把握する。

ステップ２１５０では、総合診断手段４００はステップ２１３０で抽出した確度とステップ２１４０で抽出した損失額に基づいて損失予想額を計算する。損失予想額は、確度と損失額を掛け合わせたり、所定のバラメータを用いて評価するなど複数の求め方があることはいうまでもない。

ステップ２１６０では、各診断手段の検知結果と、異常検知した診断手段が有りの場合はステップ２１５０で計算した損失予想額を画面表示装置８００に表示する。

このように、本発明の診断装置２００では、診断手段５００で異常を検知した時に、損失予想額を表示することで、検知した異常に対処するか否かの判断に有用な情報を提供できる。

図３は、評価モードおよび診断モードを動作させるタイミングを説明する図である。

図３（ａ）に示す方法では、一定期間運転データを蓄積した後、評価モードを１回動作させて、診断モードを一定周期で動作する。

図３（ｂ）に示す方法では、評価モードを一定間隔で動作させ、診断結果データベース３２０に保存する確度、平均リードタイムのデータをアップデートさせた上で、診断モードを動作させる。

図３（ｃ）に示す方法では、ユーザーからの指示があったときに、評価モードを動作させる。任意のタイミングで評価モードを実行し、確度、平均リードタイムをアップデートし、診断モードを動作させる。

尚、本実施例で述べたタイミング以外にも、評価モードと診断モードを動作させるタイミングは任意に設定することが可能である。

図４は計測信号データベース３００と設備管理情報データベース３１０に保存されるデータの態様を説明する図である。

図４（ａ）に示すように、計測信号データベース３００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３０１において縦横に移動可能なスクロールボックス３０２及び３０３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４（ｂ）に示すように、設備管理情報データベース３１０には故障内容、対策費用、故障回避に必要なリードタイム、故障による停止日数、プラント停止によって発生した機会損失額などの故障情報が保存される。

また、図４（ｃ）に示すように、設備管理情報データベース３１０には保守内容、保守に要する費用、保守に要する日数、保守による機会損失額などの保守情報が保存される。

図５は診断結果データベース３２０に保存されるデータの態様を説明する図である。

図５（ａ）に示すように、診断結果データベース３２０には、各診断手段の検知結果（図では、診断手段Ａ、Ｂ、Ｃを記載）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。

診断結果データベース３２０には、各診断手段での検知結果が保存され、例えば異常判定時には１、正常判定時は０のように診断結果をデジタル情報に置き換えて保存する。

図５（ｂ）に示すように、診断結果データベースでは評価モードで計算した確度と平均リードタイムが診断手段毎に保存される。

図６は、診断手段５００の実施例として、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、ベクトル量子化、サポートベクターマシン等、他のクラスタリング手法を用いることもできる。

図６（ａ）に示すように、データ分類機能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、前記データ前処理装置６１０及びＡＲＴモジュール６２０によるそれらの手順について説明する。

まず、データ前処理装置６１０において、計測項目毎にデータを正規化する。計測信号を正規化したデータＮｘｉ（ｎ）及び正規化したデータの補数ＣＮｘｉ（ｎ）（＝１−Ｎｘｉ（ｎ））を含むデータを入力データＩｉ（ｎ）とする。この入力データＩｉ（ｎ）が、ＡＲＴモジュール６２０に入力される。

ＡＲＴモジュール６２０においては、入力データである計測信号１０、もしくは操作信号１１を複数のカテゴリに分類する。

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及び選択サブシステム６２５を備え、これらは相互に結合している。Ｆ１レイヤー６２２及びＦ２レイヤー６２３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、カテゴリの代表値を表すものである。

次に、ＡＲＴモジュール６２０のアルゴリズムについて説明する。

ＡＲＴモジュール６２０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６２１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６２２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の候補を選択する。

処理３：選択サブシステム６２５で選択したカテゴリ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、そのカテゴリはリセットされ、他のカテゴリからふさわしいカテゴリの候補を選択する（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の分類が細かくなる。すなわち、カテゴリサイズが小さくなる。逆に、ρの値を小さくすると分類が粗くなる。カテゴリサイズが大きくなる。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がリセットされると、入力データが新規カテゴリに属すると判断され、新規カテゴリ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Ｊに分類されると、カテゴリ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）を用いて数１により更新される。

（数１）
ＷＪ(ｎｅｗ)＝Ｋｗ・ｐ＋(１−Ｋｗ)・ＷＪ(ｏｌｄ)

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、数１及び後述する数２乃至数１２の各演算式は前記ＡＲＴモジュール６２０に組み込まれている。

ＡＲＴモジュール６２０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６２０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、新規カテゴリに分類される。

図６（ｂ）は、Ｆ０レイヤー６２１の構成を示すブロック図である。Ｆ０レイヤー６２１では、入力データＩ_iを各時刻で再度正規化し、Ｆ１レイヤー６２１、及び選択サブシステム６２５に入力する正規化入力ベクトルｕ_i ⁰作成する。

始めに、入力データＩ_ｉから、数２に従ってＷ_i ⁰を計算する。ここでａは定数である。

次に、Ｗ_i ⁰を正規化したＸ_i ⁰を、数３を用いて計算する。ここで、||Ｗ^０||は、Ｗ^０のノルムを表す。

そして、数４を用いて、Ｘ_i ⁰からノイズを除去したＶ_i 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。数４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。

最後に、数５を用いて正規化入力ベクトルｕ_i ⁰を求める。ｕ_i ⁰はＦ１レイヤーの入力となる。

図６（ｃ）は、Ｆ１レイヤー６２２の構成を示すブロック図である。Ｆ１レイヤー６２２では、数５で求めたｕ_i ⁰を短期記憶として保持し、Ｆ２レイヤー７２２に入力するＰ_iを計算する。Ｆ２レイヤーの計算式をまとめて数６乃至数１２に示す。ただし、ａ、ｂは定数、ｆ（・）は数４で示した関数、Ｔ_jはＦ２レイヤー６２３で計算する適合度である。

但し、

図７は計測信号を、カテゴリに分類した結果例を示す図である。

図７（ａ）は、プラント１００の計測信号１を、カテゴリに分類した分類結果の一例を示す図である。

図７（ａ）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６２０によって複数のカテゴリー６３０（図４（ｃ）に示す円）に分割される。１つの円が、１つのカテゴリに相当する。

本実施例では、計測信号は４つのカテゴリに分類されている。カテゴリ番号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。

図７（ｂ）は、プラント１００から取得した計測信号１を、カテゴリ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、カテゴリ番号である。

図７（ｂ）に示すように、診断開始前の正常期間のデータは、カテゴリ１〜３に分類された。監視開始後の前半のデータはカテゴリ２に分類されており、モデルデータと同じカテゴリである。この場合、データの傾向が同じであることから、状態は変化していないと判断する。一方、監視開始後の後半のデータはカテゴリ４に分類されており、モデルデータと異なるカテゴリに分類されている。データの傾向が異なることから、プラントの状態が変化したと判断する。

このように、クラスタリング技術を用いた診断技術では、データ傾向の変化を検知する特徴がある。

図８は、カテゴリのサイズと検知タイミング、確度、損失予想額の関係を説明する図である。

図８（ａ）に示すように、分解能を決定するパラメータρを大きく設定し、カテゴリサイズを小さくすると、微小な変化でも検知する。早期検知できる。その反面、計測ノイズなどの微小な変化を検知するため、確度が低くなる。

一方、パラメータρを小さく設定し、カテゴリサイズを大きくすると、正常状態との乖離が大きい時に新規カテゴリが発生する。

正常状態から大きく離れており、異常である確度は高くなる。その一方、検知するタイミングは遅くなる。

このように、カテゴリサイズが大きくなると、確度が高くなる。確度が高いと損失予想額も高くなるため、カテゴリサイズと損失予想額は図８（ｂ）に示すように指数関数的な関係となる。

図２のステップ２０３０において、総合診断手段４００で過去のデータを分析して図８（ｂ）の関係を求めて診断結果データベース３２０に保存し、ステップ２０４０で図８（ｂ）の関係を画像表示装置８００に表示するようにしてもよい。

図９は、各診断手段の検知結果と損失予想額の経時変化を説明する図である。

診断手段Ａ、Ｂ、Ｃはカテゴリサイズの異なる３種類のＡＲＴで構成している。時刻２２００で診断手段Ａが検知、時刻２２１０で診断手段Ｂが検知、時刻２２２０で診断手段Ｃが検知している。また、検知した診断手段の確度の最大値に損害額（本実施例では１０００万円）を乗じて、損失予想額を計算している。

このように、時刻２２００−２２１０の間は、計測値の変化が小さく、故障に至るための時間が長い状態であり、確度が低く損失予想額も低い。時間の経過と共に計測値の変化が大きくなり、確度の高い診断手段で異常を検知するようになり、損失予想額も高くなる。

このように、本発明の診断装置２００により、各時刻での損失予想額を基に、異常に対処するか否かの判断する情報を取得できる。

図１０は、確度の補正方法を説明する図である。

故障の程度、内容によって、損害の発生する可能性は変化する。

例えば、機器破損、トリップに繋がる故障は、確度を高くして損失予想額を高く補正し、定期検査の時まで気が付かなかった軽微な故障は、確度を低くして損失予想額を低補正する。

このようにして確度を故障内容の影響度に応じて補正することで、損失予想額をより正確に見積もることが可能となる。

図１１は、画面表示装置８００に表示する画面の実施例を説明する図である。

図１１（ａ）は、診断モード実行時に画面表示装置８００に表示する画面の実施例を説明する図である。異常を検知した診断手段と損失予想額を画面に表示する。このように、損失予想額を画面表示装置に表示することで、対処するか否かを判断する情報を提供できる。

図１１（ｂ）は、評価モード実行時に画面表示装置８００に表示する画面の実施例を説明する図である。リードタイムよりも早期に検知していた故障は、診断プランを導入することで防げる可能性のある故障であると仮定して、これら故障の損失額を加算してコストメリットとして表示する。計算したコストメリットと診断プランのサービス価格を表示し、本サービスを購入するか否かを判断することが可能となる。

図１２は、画面表示装置８００に表示する画面の実施例を説明する図である。

検知した時に保守を実施する、ということを想定し、保守コストの目標値に対して損失予想額が最小となる診断プランを提案する。 検知確度が低い診断の検知結果で保守を実施すると、損失予想額（リスク）は低くできるが、 保守回数が多くなり、保守コストは高くなる。

保守コストの目標値（年間に使うメンテナンスコストの目標値）を入力に対して、適する診断プランを出力する。このように、保守コストの目標値の入力に対して、損失予想額が最小となる診断プランを提案するシステムとしても活用可能である。

本発明における実施例２では、診断技術５００として、モデル診断とクラスタリングを用いた場合を説明する。クラスタリングについては実施例１にて述べた技術を用いる。

図１３は、モデル診断を説明する図である。モデル診断では、プラント１００を構成する機器の特性を模擬した機器モデルを用いる。プラント１００を模擬するモデルの構築方法として質量保存の式、伝熱の式などの物理式を用いた物理モデル、ニューラルネットワークなどの統計モデルがあり、公知技術として特開２００６−５７５９５号公報がある。

プラント１００を構成する機器の入出力情報をそれぞれ信号Ａ、信号Ｂとして計測する。機器モデルでは、信号Ａの入力に対する信号Ｂの予測値を出力する。モデル診断技術では、信号Ｂのモデル予測値と実測値の誤差が閾値を越えた場合に、異常を検知する。

図１４は、クラスタリング、モデル診断を併用することによる効果を説明する図である。

プラントは機器Ａと機器Ｂが接続されている。機器Ｂを診断するクラスタリング（ＡＲＴ）診断では、データＢとデータＣをＡＲＴへの入力データとし、データ傾向が変化することを検知する。モデル診断では、データＢを入力に対して、データＣの予測値を出力し、データＣの予想値と実測値の誤差が閾値を越えた場合に異常を検知する。

本事例では、時刻２３００にて、機器Ａでプラント停止には至らないトラブルが発生した。機器Ａでトラブルが発生した影響で機器Ａから機器Ｂに流れる流量、圧力、温度が変化し、信号Ｂが変化する。時刻２３００と時刻２３１０の間では、機器Ｂは正常に動作している。時刻２３１０にて機器Ｂに流れる流体の流量、圧力、温度が変化したことが原因で、機器Ｂにトラブルが発生した。

この場合、信号Ｂの変化をＡＲＴ診断では検知するため、時刻２３００のタイミングでＡＲＴ診断は異常を検知する。一方、機器Ｂは正常状態であるため、モデル診断では異常を検知しない。

機器Ｂにトラブルが発生して時刻２３１０のタイミングでモデル診断は検知する。

このように、ＡＲＴ診断ではモデル診断よりも早期に異常を検知する。また、ＡＲＴで検知した時には機器Ｂではトラブルが発生しておらず、モデル診断で検知した時にはトラブルが発生している。すなわち、モデル診断で検知した時の方が異常である確度が高く、本発明の診断装置２００ではこの確度を考慮して損失予想額を高く計算する。

クラスタリング、モデル診断のように検知タイミング、確度の異なる診断手段を用いた診断結果に基づいて損失予想額を計算して表示することで、検知した異常に対処するか否かの判断に有用な情報を提供できる。

本発明の診断装置２００をＣ／Ｃプラントに適用した時の効果を説明する。

図１５は、プラント１０００の実施例であるＣ／Ｃプラントの機器構成を示す図である。ガスタービン１０８０は、圧縮機１０１０、膨張機１０２０、燃焼器１０３０で構成する。ガスタービン１０８０では、圧縮機１０１０が空気を取り込んで圧縮し、次いで、燃焼器１０３０が圧縮空気と燃料を取り込んで燃焼ガスを生成し、膨張機１０２０が燃焼ガスを取り込んで動力を得る。ガスタービン１０８０の出力は、膨張機１０２０が出力した動力と、圧縮機１０１０が使用した動力の差分である。排熱回収ボイラ１０５０には熱交換器１０６０が備えられており、ガスタービン１０８０からの高温排ガスを用いて高温蒸気を生成する。蒸気タービン１０７０では、排熱回収ボイラ１０５０が生成した高温蒸気を取り込み動力を得る。復水器１０９０では、蒸気タービン１０７０の排気を取り込んで、冷却水と熱交換させることにより、蒸気を水に凝縮させる。発電機１０４０では、ガスタービン１０８０と蒸気タービン１０７０の出力を用いて発電する。

本プラントでは、排ガス温度が目標値となるように、燃料流量を制御している。

本プラントで発生する異常事象として、膨張機１０２０における翼の冷却空気を流すための穴（翼面冷却穴）が 大きくなることが挙げられる。この異常が発生すると冷却空気が多くなり、排ガス温度が低下し、燃焼器１０３０の燃料流量が増加する。燃料流量増加の影響で燃焼温度が上昇し、燃焼器１０３０が破損する。 このように、膨張機１０２０の異常が、燃焼器１０３０に波及する。

異常事象が波及する場合、実施例２で述べた通り、検知タイミング、確度の異なる診断手段を用いた診断結果に基づいて損失予想額を計算して表示することで、検知した異常に対処するか否かの判断に有用な情報を提供できる。

本発明は、プラントの診断装置として、幅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 設備管理情報信号
５ 計測信号
６ 設備管理情報信号
７ 診断結果データベース情報
８ 診断結果データベース情報
９ 計測信号
１０ 診断結果
１１ 総合診断結果信号
１２ 総合診断結果信号
１００ プラント
２００ 診断装置
２１０ データ入力インターフェイス
２２０ データ出力インターフェイス
３００ 計測信号データベース
３１０ 設備管理情報データベース
３２０ 診断結果データベース
４００ 総合診断手段
５００ 診断手段
８００ 面表示装置
９００ 外部入力装置
９１０ キーボード
９２０ マウス

Claims (10)

1. プラントの状態異常を診断する複数の診断手段を備えたプラント診断装置において、
   前記プラントの状態に関する計測信号データ及び過去の状態異常に関する設備管理情報データに基づいて、前記複数の診断手段それぞれの前記状態異常の検知に係る確度を求め、前記確度及び状態異常に伴う損失額に基づいて損失予想額を評価する総合診断手段を備えることを特徴とするプラント診断装置。
2. 請求項１に記載のプラント診断装置は、
   前記診断手段の検知結果と、前記損失予想額とを表示する表示手段を更に備えることを特徴とするプラント診断装置。
3. 請求項１に記載のプラント診断装置において、
   前記総合診断手段は、所定の期間における状態異常の回数を前記診断手段による状態異常の検知回数で除することで前記確度を求めることを特徴とするプラント診断装置。
4. 請求項１に記載のプラント診断装置において、
   前記設備管理情報データには、故障内容、対策費用、故障発生の防止に必要なリードタイム、故障した場合のプラント停止の日数、及び前記プラント停止によって発生した機会損失額で構成する故障情報を含むことを特徴とするプラント診断装置。
5. 請求項１に記載のプラント診断装置において、
   前記総合診断手段は、前記計測信号データが前記設備管理情報データに基づいて設定した状態異常と診断される所定の閾値を逸脱したときの時間から前記診断手段によって状態異常が発生していると検知した時間を減算した平均リードタイムを求めることを特徴とするプラント診断装置。
6. 請求項１に記載のプラント診断装置において、
   前記診断手段には、プラントを構成する機器の特性を模擬した機器モデルを用いたモデル診断、又は適応共鳴理論を用いたクラスタリング診断の内少なくとも１つの診断を用いることを特徴とするプラント診断装置。
7. 請求項１に記載のプラント診断装置において、
   前記複数の診断手段は、前記計測信号データを類似度に応じて複数のカテゴリに分類することを特徴とするプラント診断装置。
8. 請求項１に記載のプラント診断装置において、
   前記総合診断手段は、前記状態異常の影響度に応じて前記確度を補正することを特徴とするプラント診断装置。
9. 請求項２に記載のプラント診断装置において、
   前記表示手段は、前記状態異常を保守するコストの目標値に対して前記損失予想額が最小となる診断手段による検知結果を表示することを特徴とするプラント診断装置。
10. プラントの状態異常を複数の方法で診断するプラント診断方法において、
    プラント診断装置が、前記プラントの状態に関する計測信号データ及び過去の状態異常に関する設備管理情報データに基づいて、前記複数の方法それぞれの前記状態異常の検知に係る確度を求め、前記確度及び状態異常に伴う損失額に基づいて損失予想額を評価することを特徴とするプラント診断方法。

Images