JP6830414B2 - Diagnostic device and diagnostic method - Google Patents
Diagnostic device and diagnostic method Download PDFInfo
- Publication number
- JP6830414B2 JP6830414B2 JP2017125752A JP2017125752A JP6830414B2 JP 6830414 B2 JP6830414 B2 JP 6830414B2 JP 2017125752 A JP2017125752 A JP 2017125752A JP 2017125752 A JP2017125752 A JP 2017125752A JP 6830414 B2 JP6830414 B2 JP 6830414B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- operation data
- cluster
- diagnostic
- diagnostic device
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
本発明は、診断対象から取得した運転データを用いて、診断対象の状態を診断する診断装置及び診断方法に関する。 The present invention relates to a diagnostic apparatus and a diagnostic method for diagnosing the state of a diagnostic object using operation data acquired from the diagnostic object.
近年、ICT (Information and Communication Technology)、IoT(Internet of Thing)の技術革新に伴い、高速な計算機やネットワーク通信、大容量なデータ保存装置を利用できる環境が整いつつある。多くの産業分野で大量に蓄積したデータの利活用に注目が集まるなか、発電事業の分野でも、発電プラントの計測データや点検・保全データなどの現地サイトで収集したデータと、企業の経営及び資産情報を管理するシステムの統合により、より効率的な経営方針の策定が求められている。発電事業の分野では、風力発電や太陽光発電などの再生可能エネルギーの利用増加に伴う発電量の変動が電力系統の安定性を低下させるという懸念から、バックアップ電源としての火力発電プラントの重要性が増している。また、東日本大震災以後から、国内における原子力発電の比率が減少した結果、火力発電プラントは従来からの負荷調整としての役割だけでなく、ベースロード電源としての役割も担っているのが実態である。そのため火力発電プラントには稼働率、環境性能、効率などの重要業績評価指標(KPI：Key Performance Indicators)を考慮した運用が求められている。 In recent years, along with technological innovations in ICT (Information and Communication Technology) and IoT (Internet of Thing), an environment in which high-speed computers, network communications, and large-capacity data storage devices can be used is being established. While attention is focused on the utilization of a large amount of data accumulated in many industrial fields, in the field of power generation business as well, data collected on local sites such as measurement data and inspection / maintenance data of power plants, as well as corporate management and assets. By integrating the information management system, it is required to formulate a more efficient management policy. In the field of power generation business, the importance of thermal power plants as backup power sources is important because of concerns that fluctuations in the amount of power generated due to increased use of renewable energy such as wind power generation and solar power generation will reduce the stability of the power system. It is increasing. In addition, as a result of the decrease in the ratio of nuclear power generation in Japan after the Great East Japan Earthquake, the actual situation is that thermal power plants play a role not only as a conventional load adjustment but also as a base load power source. Therefore, thermal power plants are required to operate in consideration of key performance indicators (KPIs) such as operating rate, environmental performance, and efficiency.
火力発電プラントのKPIを改善するため、診断対象に異常状態が発生する前の異常兆候を検知する装置やその方法が多数検討されている。特許文献１には、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、多次元の時系列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。
In order to improve the KPI of thermal power plants, many devices and methods for detecting abnormal signs before an abnormal condition occurs in the diagnosis target are being studied.
特許文献１の技術においては、まずARTを用いて正常時の運転データを複数のカテゴリ（正常カテゴリ）に分類する。次に、現在の運転データをARTに入力してカテゴリに分類する。この時系列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、診断対象の状態が新しい状態(新状態)に変化したことを意味する。そこで、特許文献１の診断装置では、異常兆候の発生を新規カテゴリの発生で判断している。また、特許文献２の技術においては、新状態の検知に影響したデータ項目を自動的に抽出する手法が記載されている。
In the technique of
尚、データを分類して診断する手法としては、上記で述べた手法に限らず、多数の手法が提案されている。 As a method for classifying and diagnosing data, not only the method described above but also many methods have been proposed.
先行技術では、新状態を異常兆候の発生として検知している。しかし、新状態であっても、例えばデータの値が安全方向に変化した場合には、運転状態が正常である可能性がある。この場合、正常状態であるにも関わらず異常と判定する誤検知が発生する。 Prior art detects the new condition as the occurrence of anomalous signs. However, even in the new state, for example, if the value of the data changes in the safe direction, the operating state may be normal. In this case, an erroneous detection that determines an abnormality occurs even though the state is normal.
本発明では上記状況を鑑み、誤検知の発生を抑制する診断装置を提供することを目的とする。 In view of the above situation, it is an object of the present invention to provide a diagnostic device that suppresses the occurrence of false positives.
上記課題を解決する為に本発明は、監視対象の運転データに基づいて異常判定を行う診断装置において、正常時の運転データを所定の類似度に基づいて複数のクラスタに分類し、前記クラスタに属さない運転データを新たに検知した場合に、前記運転データにおける時系列データの変化方向に基づいて前記異常判定を行う演算部を備えることを特徴とする。 In order to solve the above problems, the present invention classifies normal operation data into a plurality of clusters based on a predetermined degree of similarity in a diagnostic device that determines an abnormality based on the operation data to be monitored, and divides the operation data into the clusters. It is characterized by including a calculation unit that performs the abnormality determination based on the change direction of the time-series data in the operation data when the operation data that does not belong is newly detected.
本発明による診断装置を用いることで、誤報の発生を抑制し、精度の高い診断が可能となる。 By using the diagnostic apparatus according to the present invention, the occurrence of false alarms can be suppressed and highly accurate diagnosis can be performed.
図１は本発明の実施例である診断装置２００を説明するブロック図である。本実施例では、診断装置２００は監視対象であるプラント１００と外部装置９００と接続している。
FIG. 1 is a block diagram illustrating a
診断装置２００は、演算装置として異常診断手段３００、データ変化方向評価手段６００を備えている。異常診断手段３００は、演算装置としてクラスタリング手段４００、異常判定手段５００を備える。
The
クラスタリング手段４００では、特許文献１に開示されている適応共鳴理論を用いた技術を搭載している。尚、クラスタリング手段４００は本実施例で述べた手段に限定されず、他のクラスタリング技術を搭載して構成しても良い。各演算装置の動作については、図２以降で説明する。
The clustering means 400 is equipped with a technique using the adaptive resonance theory disclosed in
また、異常診断手段３００は、データベースとして運転データデータベース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。データベースには、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。
Further, the abnormality diagnosis means 300 includes an
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にて収集している運転データ１と、外部装置９００に備えられている外部入力装置９１０(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。
The
診断装置２００に取り込まれた運転データ３は運転データデータベース３１０に保存する。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９を画面表示装置９４０に出力する。
The
クラスタリング手段４００では、運転データデータベース３１０に保存されている運転データを、その類似度に応じてクラスタに分類する。クラスタリング結果５は、診断結果データベース３２０に保存する。また、データ変化方向評価手段では、運転データ１１と外部入力情報１０に基づいて、運転データの変化方向が危険方向か安全方向であるかを評価する。データ変化方向評価結果１３、１４はそれぞれ診断結果データベース、異常判定手段５００に送信する。
The clustering means 400 classifies the operation data stored in the
異常判定手段５００では、クラスタリング結果７、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６とデータ変化方向評価結果１４に基づいてプラント１００における異常の発生有無を診断する。
The abnormality determination means 500 diagnoses the presence or absence of an abnormality in the
異常判定結果８は外部出力インターフェイス２２０に送信し、外部出力インターフェイス２２０を介して画像表示情報９として画像表示装置９４０に送信する。画像表示装置９４０には、診断装置２００でプラント１００の運転状態を診断した結果が表示される。
The
なお、本実施例の診断装置２００においては、演算装置、およびデータベースが診断装置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、各データベースに保存されている信号である信号データベース情報５０は、その全ての情報を外部出力インターフェイス２２０を介して画面表示装置９４０に表示でき、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で修正できる。本実施例では、外部入力装置９１０をキーボード９２０とマウス９３０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、演算装置には、ＣＰＵ、プロセッサ等が含まれ、データベースには、ハードディスク、メモリ等が含まれる。
In the
また、本発明の実施形態として、オフラインで運転データを解析する装置として実施可能であることは言うまでもない。また、本実施例では診断装置２００の監視対象をプラントとしているが、監視対象をプラント以外の設備としても実施可能であることは言うまでもない。
Further, it goes without saying that the embodiment of the present invention can be implemented as an apparatus for analyzing operation data offline. Further, in this embodiment, the monitoring target of the
図２は診断装置２００の動作を説明するフローチャート図である。図２(a)(b)の各フローチャートは、各々独立して動作する。
FIG. 2 is a flowchart illustrating the operation of the
まず、図２(a)のフローチャートについて説明する。図２(a)は、プラント１００の正常状態を学習する処理に関するフローチャートである。ステップ１０００では、クラスタリング手段４００を動作させる。クラスタリング手段４００では、運転データデータベース３１０に保存されている正常時の運転データをその類似度に応じてクラスタに分類し、診断結果データベース３２０に保存する。
First, the flowchart of FIG. 2A will be described. FIG. 2A is a flowchart relating to a process of learning the normal state of the
次に、図２(b)のフローチャートについて説明する。図２(b)は、プラント１００の運転状態を診断する処理に関するフローチャートである。ステップ１１００では、クラスタリング手段を動作させて、リアルタイムに収集した運転データを類似度に応じてクラスタに分類し、診断結果データベース３２０に保存する。
Next, the flowchart of FIG. 2B will be described. FIG. 2B is a flowchart relating to the process of diagnosing the operating state of the
ステップ１１１０では、クラスタリング手段を動作させた結果に基づいて、プラントの運転状態が過去に経験したことのある状態か、経験のしたことのない新しい状態であるかを判定する。新状態である場合はステップ１１２０、それ以外の場合はステップ１１３０に進む。 In step 1110, it is determined whether the operating state of the plant is a state that has been experienced in the past or a new state that has not been experienced, based on the result of operating the clustering means. If it is in a new state, the process proceeds to step 1120, otherwise the process proceeds to step 1130.
ステップ１１２０では、データ変化方向評価手段６００を動作させ、データ変化方向評価結果１３、１４を診断結果データベース３２０、異常判定手段５００に送信する。
In step 1120, the data change direction evaluation means 600 is operated, and the data change direction evaluation results 13 and 14 are transmitted to the
データ変化方向評価手段６００では、新状態の検知に影響したデータ項目を抽出し、そのデータの変化方向が危険方向であるか、安全方向であるのかについて、診断結果データベース３２０に保存されているデータに基づいて判定する。
The data change direction evaluation means 600 extracts data items that have influenced the detection of a new state, and data stored in the
ここで、新状態の検知に影響したデータ項目を自動的に抽出する技術としては、例えば特許文献２に記載されている技術が挙げられる。尚、新状態の検知に関係するデータ項目を抽出する技術であれば、手法に限定はない。また、新状態の検知に関係するデータ項目の数については任意に設定可能であり、数についての限定はない。
Here, as a technique for automatically extracting data items that affect the detection of a new state, for example, the technique described in
また、データ変化方向評価手段６００にて参照する診断結果データベース３２０に保存されているデータについては、図５を用いて後述する。
The data stored in the
ステップ１１３０では、異常判定手段５００を動作させる。異常判定手段５００では、新状態検知の結果がＮＯの場合は正常状態、新状態検知の結果がＹＥＳでデータ変化方向が安全方向の場合は正常状態、新状態検知の結果がＹＥＳでデータ変化方向が危険方向の場合は異常状態であると診断する。 In step 1130, the abnormality determination means 500 is operated. In the abnormality determination means 500, when the new state detection result is NO, the normal state is obtained, when the new state detection result is YES and the data change direction is the safe direction, the normal state is set, and when the new state detection result is YES and the data change direction is set. If is in the dangerous direction, it is diagnosed as an abnormal condition.
ステップ１１４０では、終了判定を実施し、ＹＥＳの場合は終了し、ＮＯの場合はステップ１１００に戻る。終了判定の条件は任意に設定することが可能であり、例えば外部入力装置９１０から終了指示が入力された場合、所定の回数ステップ１１００の処理を繰り返した場合に終了判定を満足する。
In step 1140, the end determination is performed, and if YES, the process ends, and if NO, the process returns to step 1100. The conditions for the end determination can be arbitrarily set. For example, when the end instruction is input from the
このように、本発明の診断装置２００では、クラスタリング手段４００で新状態を検知した場合に異常と診断する場合と比較して、データ変化方向が安全方向の場合は正常と判定することで、誤報の発生を抑制できる。
As described above, the
図３は、クラスタリング手段４００の実施例として、適応共鳴理論（ＡＲＴ）を用いた場合のブロック図を説明する図である。以下の説明において、クラスタとカテゴリは同じ意味である。 FIG. 3 is a diagram illustrating a block diagram when adaptive resonance theory (ART) is used as an example of the clustering means 400. In the following description, cluster and category have the same meaning.
ＡＲＴには、運転データ、及び原料情報データを設定した正規化範囲に基づいて０から１の範囲に正規化したデータ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）として入力する。 The ART includes data Nxi (n) normalized to the range of 0 to 1 based on the normalized range in which operation data and raw material information data are set, and the complement CNxi (n) (= 1-Nxi) of the normalized data. Data including (n)) is input as input data Ii (n).
ＡＲＴモジュール４１０は、Ｆ０レイヤー４１１、Ｆ１レイヤー４１２、Ｆ２レイヤー４１３、メモリ４１４及び選択サブシステム４１５を備え、これらは相互に結合している。Ｆ１レイヤー４１２及びＦ２レイヤー４１３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。
The
次に、ＡＲＴ４１０のアルゴリズムについて説明する。 Next, the algorithm of ART410 will be described.
ＡＲＴ４１０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。
The outline of the algorithm when the input data is input to the
処理１：Ｆ０レイヤー４１１により入力ベクトルを正規化し、ノイズを除去する。
Process 1: The input vector is normalized by the
処理２：Ｆ１レイヤー４１２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。
Process 2: A suitable category candidate is selected by comparing the input data input to the
処理３：選択サブシステム４１５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。
Process 3: The validity of the category selected by the
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。
Process 4: When all the existing categories are reset in the
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。
Process 5: When the input data is classified into category J, the weighting coefficient WJ (new) corresponding to category J uses the past weighting coefficient WJ (old) and the input data p (or data derived from the input data). Is updated by the
〔数１〕
ＷＪ(ｎｅｗ)＝Ｋｗ・ｐ＋(１−Ｋｗ)・ＷＪ(ｏｌｄ)
[Number 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。 Here, Kw is a learning rate parameter (0 <Kw <1), and is a value that determines the degree to which the input vector is reflected in the new weighting coefficient.
尚、数１及び後述する数２乃至数１２の各演算式は前記ＡＲＴ４１０に組み込まれている。
It should be noted that each arithmetic expression of
ＡＲＴ４１０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。 The feature of the data classification algorithm of ART410 is the above-mentioned process 4.
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。 In process 4, when input data different from the pattern at the time of learning is input, a new pattern can be recorded without changing the recorded pattern. Therefore, it is possible to record a new pattern while recording the pattern learned in the past.
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、ＡＲＴ４１０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ＡＲＴ４１０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。
In this way, when the operation data given in advance is given as the input data, the
図３（ｂ）は、Ｆ０レイヤー４１１の構成を示すブロック図である。Ｆ０レイヤー４１１では、入力データＩiを各時刻で再度正規化し、Ｆ１レイヤー４１２、及び選択サブシステム４１５に入力する正規化入力ベクトルｕi 0作成する。
始めに、入力データＩｉから、数２に従ってＷi 0を計算する。ここでａは定数である。
FIG. 3B is a block diagram showing the configuration of the
First, from the input data I i , W i 0 is calculated according to the equation 2. Where a is a constant.
次に、Ｗi 0を正規化したＸi 0を、数３を用いて計算する。ここで、||Ｗ０||は、Ｗ０のノルムを表す。 Next, X i 0 obtained by normalizing W i 0 is calculated using the equation 3. Here, || W 0 || represents the norm of W 0 .
そして、数４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。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。 Then, using equation 4, to calculate the V i 0 obtained by removing noise from the X i 0. However, θ is a constant for removing noise. By the calculation of Equation 4, the minute value becomes 0, so that the noise of the input data is removed.
最後に、数５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。
Finally, the normalized input vector u i 0 is obtained using the
図３（ｃ）は、Ｆ１レイヤー４１２の構成を示すブロック図である。Ｆ１レイヤー４１２では、数５で求めたｕi 0を短期記憶として保持し、Ｆ２レイヤー４１３に入力するＰiを計算する。Ｆ１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、ＴjはＦ２レイヤー４１３で計算する適合度である。
FIG. 3C is a block diagram showing the configuration of the
但し、
図４はクラスタリング手段４００におけるデータの分類結果を説明する図である。
図４（ａ）は、運転データをカテゴリに分類した分類結果の一例を示す図である。
FIG. 4 is a diagram illustrating a data classification result in the clustering means 400.
FIG. 4A is a diagram showing an example of classification results in which the operation data is classified into categories.
図４（ａ）は、一例として、運転データのうちの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、それぞれの項目の運転データを規格化して示した。 FIG. 4A shows, as an example, two items of the operation data, and is represented by a two-dimensional graph. In addition, the vertical axis and the horizontal axis show the operation data of each item as a standardization.
運転データは、ＡＲＴモジュール４１０によって複数のカテゴリ４１９（図４（a）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。
The operation data is divided into a plurality of categories 419 (circles shown in FIG. 4A) by the
本実施例では、運転データは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。
In this embodiment, the operation data is classified into four categories.
図４（ｂ）は、運転データをカテゴリに分類した結果、及び運転データの例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。 FIG. 4B is a diagram for explaining the results of classifying the operation data into categories and an example of the operation data. The horizontal axis is time, and the vertical axis is measurement signal and category number.
図４（ｂ）に示すように、運転データはカテゴリ１〜４に分類された。
As shown in FIG. 4B, the operation data was classified into
カテゴリ４は正常時に経験していない新状態であり、図２のステップ１１１０では新状態の有無をカテゴリ番号に基づいて判定する。 Category 4 is a new state that has not been experienced in the normal state, and in step 1110 of FIG. 2, the presence or absence of the new state is determined based on the category number.
図５は、運転データデータベース３１０と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。
FIG. 5 is a diagram illustrating aspects of data stored in the
図５(a)は運転データデータベース３１０に保存されるデータの態様を説明する図である。図５(a)に示すようにセンサで計測した運転データがサンプリング周期毎に保存される。
FIG. 5A is a diagram illustrating an aspect of data stored in the
図５(b)(c)(d)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(b)に示す通り、各クラスタの属性とクラスタの重み係数が保存される。ここで、属性とは、各クラスタが正常クラスタであるか、異常クラスタであるかを定義するための情報である。また、重み係数とは、各クラスタの中心座標を定義するための係数情報である。診断結果データベース３２０には、図５(c)に示す通り、各データ項目についてデータの変化方向が増加する場合と減少する場合について、その変化が危険方向であるか、安全方向であるかを判断する際に参照するデータが保存される。また、診断結果データベースには図５(d)に示す通り、各データ項目の警報発生条件が保存される。
5 (b), (c), and (d) are diagrams for explaining the mode of the data stored in the
本発明のデータ変化方向評価手段６００では、図５(d)に示した警報発生条件に基づいて、図５(c)に示したデータを自動生成することもできる。警報発生条件として上限値が設定されている場合はデータ値が増加する方向を危険方向として設定し、また下限値が設定されている場合はデータ値が減少する方向を危険方向として設定する。さらに、警報発生条件として上限値が設定されていない場合はデータ値が増加する方向を安全方向として設定し、また下限値が設定されていない場合はデータ値が減少する方向を安全方向として設定する。また、新状態を検知し、データの変化方向が安全方向への変化である場合には、発生した新規クラスタの属性を正常と自動的に設定するようにしても良い。 The data change direction evaluation means 600 of the present invention can also automatically generate the data shown in FIG. 5 (c) based on the alarm generation conditions shown in FIG. 5 (d). When the upper limit value is set as the alarm generation condition, the direction in which the data value increases is set as the dangerous direction, and when the lower limit value is set, the direction in which the data value decreases is set as the dangerous direction. Furthermore, if the upper limit value is not set as the alarm generation condition, the direction in which the data value increases is set as the safe direction, and if the lower limit value is not set, the direction in which the data value decreases is set as the safe direction. .. Further, when a new state is detected and the change direction of the data is a change in the safe direction, the attribute of the generated new cluster may be automatically set as normal.
図６は、運転員の判定結果に従って診断結果データベース３２０に保存されているデータの変更方法を説明する図である。図６で説明する内容により、図５(b)(c)に示したデータを変更する。
FIG. 6 is a diagram illustrating a method of changing the data stored in the
図６(a)は、データを変更するフローチャート図である。ステップ１２００では、クラスタ属性の変更内容から、ルールを抽出する。運転員は、外部装置９００の画像表示装置９４０に表示される図６(b)に示した画面から、クラスタの属性を変更できる。ステップ１２００では、変更したクラスタの情報から、データの変化方向に関する情報を抽出し、属性を正常から異常に変更した場合はそのデータの変化方向を危険方向とし、属性を異常から正常に変更した場合はそのデータの変化方向を安全方向とする。
FIG. 6A is a flowchart for changing data. In step 1200, a rule is extracted from the changed contents of the cluster attribute. The operator can change the attributes of the cluster from the screen shown in FIG. 6B displayed on the
ステップ１２１０では、図６(c)で示す画面を通して、運転員にステップ１２００で抽出したルールを表示する。図６(c)の画面で「実行」が選択された場合、ルール追加要と判定してステップ１２２０に進み、診断結果データベース３２０の情報を変更する。図６(c)の画面で「キャンセル」が選択された場合はルール追加否と判定して終了する。
In step 1210, the rule extracted in step 1200 is displayed to the operator through the screen shown in FIG. 6 (c). When "execution" is selected on the screen of FIG. 6 (c), it is determined that the rule needs to be added, the process proceeds to step 1220, and the information in the
図７は、診断装置２００の診断対象として、発電プラントの実施例を説明する図であり、コンバインドサイクルプラントの機器構成を示す図である。ガスタービン２０８０は、圧縮機２０１０、膨張機２０２０、燃焼器２０３０で構成する。ガスタービン２０８０では、圧縮機２０１０が空気を取り込んで圧縮し、次いで、燃焼器２０３０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２０２０が燃焼ガスを取り込んで動力を得る。ガスタービン２０８０の出力は、膨張機２０２０が出力した動力と、圧縮機２０１０が使用した動力の差分である。排熱回収ボイラ２０５０には熱交換器２０６０が備えられており、ガスタービン２０８０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２０７０では、排熱回収ボイラ２０５０が生成した高温蒸気を取り込み動力を得る。復水器２０９０では、蒸気タービン２０７０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２０４０では、ガスタービン２０８０と蒸気タービン２０７０の出力を用いて発電する。
FIG. 7 is a diagram for explaining an embodiment of a power plant as a diagnosis target of the
図８は本発明の診断装置２００による診断結果を説明する図である。
FIG. 8 is a diagram illustrating a diagnosis result by the
図８(a)は、温度スプレッドを監視対象とした場合の診断結果の実施例である。一般に、コンバインドサイクルプラントでは、燃料の燃焼状態を監視するため、ガス温度を円周方向に複数個所で計測している。温度スプレッドとは、複数個所で計測しているガス温度の最大値と最小値の差である。燃焼状態が安定している場合は、温度スプレッドは低い値となり、燃焼関係の異常が発生すると、温度スプレッドが上昇する。 FIG. 8A is an example of the diagnosis result when the temperature spread is monitored. Generally, in a combined cycle plant, the gas temperature is measured at a plurality of locations in the circumferential direction in order to monitor the combustion state of the fuel. The temperature spread is the difference between the maximum value and the minimum value of the gas temperature measured at a plurality of locations. When the combustion state is stable, the temperature spread becomes a low value, and when a combustion-related abnormality occurs, the temperature spread rises.
温度スプレッドを監視対象としている場合、温度スプレッドが学習時の範囲を逸脱すると新規カテゴリが発生して新状態を検知する。しかし、温度スプレッドが低下し、燃焼状態がより安定する方向、すなわち安全方向に変化した場合は、新状態を異常と判定することは誤検知となる。 When the temperature spread is monitored, a new category is generated and a new state is detected when the temperature spread deviates from the learning range. However, if the temperature spread decreases and the combustion state changes in a more stable direction, that is, in a safe direction, determining the new state as abnormal is a false detection.
本発明では、安全方向に変化したことを考慮して異常判定手段５００で診断するため、このような誤検知を回避できる。 In the present invention, since the abnormality determination means 500 makes a diagnosis in consideration of the change in the safety direction, such false detection can be avoided.
図８(b)は、画像表示装置９４０に表示される診断結果を説明する図である。
FIG. 8B is a diagram for explaining the diagnosis result displayed on the
新状態の検知結果と、データの変化方向が安全方向であるか、危険方向であるかの情報を表示する。これにより、運転員はプラントの状態を正確に把握できる。 The detection result of the new state and information on whether the data change direction is the safe direction or the dangerous direction are displayed. As a result, the operator can accurately grasp the state of the plant.
尚、本実施例では診断装置２００を適用する対象がプラントである場合について述べたが、プラント以外の対象にも適用しても良い。
In this embodiment, the case where the target to which the
以上述べた通り、本発明の診断装置２００では、クラスタリング手段４００とデータ変化方向評価手段６００を用いて異常判定手段５００にて異常判定するため、クラスタリング手段４００のみ、もしくはデータ変化方向評価手段６００のみの結果に基づいて診断する場合と比較して、診断精度を向上できる効果が得られる。
As described above, in the
１ 運転データ
２ 外部入力情報
３ 運転データ
４ 運転データ
５ クラスタリング結果
６ 診断結果データベース情報
７ クラスタリング結果
８ 異常判定結果
９ 画像表示情報
１０ 外部入力情報
１１ 運転データ
１２ 診断結果データベース情報
１３ データ変化方向評価結果
１４ データ変化方向評価結果
１５ データベース情報
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
３００ 異常診断手段
３１０ 運転データデータベース
３２０ 診断結果データベース
４００ クラスタリング手段
５００ 異常判定手段
６００ データ変化方向評価手段
９００ 外部装置
９１０ 外部入力装置
９２０ キーボード
９３０ マウス
９４０ 画像表示装置
1
Claims (14)
正常時の運転データを所定の類似度に基づいて複数のクラスタに分類し、前記クラスタに属さない運転データを新たに検知した場合に、前記運転データにおける時系列データの変化方向に基づいて前記異常判定を行う演算部を備え、
前記変化方向は、前記運転データの各データ項目における値の増加又は減少傾向に基づくこと
を特徴とする診断装置。 In a diagnostic device that makes an abnormality judgment based on the operation data to be monitored
When normal operation data is classified into a plurality of clusters based on a predetermined similarity and new operation data that does not belong to the cluster is detected, the abnormality is based on the change direction of the time series data in the operation data. an arithmetic unit for determining,
The diagnostic apparatus, characterized in that the change direction is based on an increasing or decreasing tendency of a value in each data item of the operation data .
前記演算部は、
前記クラスタに属する運転データは正常データと判断すること
を特徴とする診断装置。 In the diagnostic apparatus according to claim 1,
The calculation unit
A diagnostic device characterized in that the operation data belonging to the cluster is judged to be normal data.
前記演算部は、
前記クラスタに属さない運転データであり、かつ前記変化方向が危険方向の変化である場合は、異常と判断すること
を特徴とする診断装置。 In the diagnostic apparatus according to claim 1,
The calculation unit
A diagnostic device characterized in that when the operation data does not belong to the cluster and the change direction is a change in a dangerous direction, it is determined as abnormal.
前記演算部は、
前記クラスタに属さない運転データであり、かつ前記変化方向が安全方向の変化である場合は、正常と判断すること
を特徴とする診断装置。 In the diagnostic apparatus according to claim 1,
The calculation unit
A diagnostic device characterized in that when the operation data does not belong to the cluster and the change direction is a change in the safety direction, it is judged to be normal.
前記危険方向又は前記安全方向は、前記運転データにおける各データ項目の上下限値を定義する警報発生条件に基づいて判断すること
を特徴とする診断装置。 In the diagnostic apparatus according to any one of claims 3 or 4 .
The diagnostic device, characterized in that the dangerous direction or the safe direction is determined based on an alarm generation condition that defines upper and lower limits of each data item in the operation data.
前記演算部は、適応共鳴理論を用いて前記分類を行うこと
を特徴とする診断装置。 In the diagnostic apparatus according to claim 1,
The arithmetic unit is a diagnostic apparatus characterized in that the classification is performed using the adaptive resonance theory.
前記演算部は、前記適応共鳴理論を用いて、運転データと各クラスタの代表値との比較により前記クラスタの候補を選択すること
を特徴とする診断装置。 In the diagnostic apparatus according to claim 6 ,
The calculation unit is a diagnostic device that uses the adaptive resonance theory to select a candidate for the cluster by comparing operation data with a representative value of each cluster.
前記選択の妥当性をビジランスパラメータに基づいて決定すること
を特徴とする診断装置。 In the diagnostic apparatus according to claim 7 ,
A diagnostic device characterized in that the validity of the selection is determined based on the visibility parameters.
前記演算部は、前記適応共鳴理論を用いて、過去に学習したクラスタとは異なるクラスタに属する運転データが入力された場合、新規のクラスタを作成し、そこに分類すること
を特徴とする診断装置。 In the diagnostic apparatus according to claim 6 ,
The arithmetic unit is a diagnostic device characterized by creating a new cluster and classifying it when operation data belonging to a cluster different from the cluster learned in the past is input by using the adaptive resonance theory. ..
前記監視対象の運転データを格納するデータベースを更に備え、
センサで計測した運転データがサンプリング周期毎に保存されていること
を特徴とする診断装置。 The diagnostic device according to claim 1 is
Further equipped with a database for storing the operation data to be monitored,
A diagnostic device characterized in that the operation data measured by the sensor is stored for each sampling cycle.
前記クラスタの分類結果データを格納するデータベースを更に備え、
前記データベースには、各クラスタが正常又は異常かを定義する属性情報、各クラスタの中心座標を定義するための係数情報、又は前記運転データにおける各データ項目の上下限値を定義する警報発生条件の内少なくとも一つが保存されていること
を特徴とする診断装置。 The diagnostic device according to claim 1 is
Further provided with a database for storing the classification result data of the cluster.
In the database, attribute information that defines whether each cluster is normal or abnormal, coefficient information for defining the center coordinates of each cluster, or alarm generation conditions that define the upper and lower limit values of each data item in the operation data. A diagnostic device characterized in that at least one of them is preserved.
前記クラスタの属性変更、又はデータの変化方向の変更の内少なくとも一つを行える入力部を更に備えること
を特徴とする診断装置。 The diagnostic device according to claim 1 is
A diagnostic apparatus further comprising an input unit capable of changing at least one of the attribute change of the cluster or the change direction of data.
前記監視対象には、発電プラントにおける温度スプレッドが含まれること
を特徴とする診断装置。 In the diagnostic apparatus according to claim 1,
A diagnostic device characterized in that the monitoring target includes a temperature spread in a power plant.
正常時の運転データを所定の類似度に基づいて複数のクラスタに分類し、前記クラスタに属さない運転データを新たに検知した場合に、前記運転データにおける時系列データの変化方向に基づいて前記異常判定を行い、
前記変化方向は、前記運転データの各データ項目における値の増加又は減少傾向に基づくこと
を特徴とする診断方法。 In the diagnostic method that makes an abnormality judgment based on the operation data to be monitored
When normal operation data is classified into a plurality of clusters based on a predetermined similarity and new operation data that does not belong to the cluster is detected, the abnormality is based on the change direction of the time series data in the operation data. There line the judgment,
A diagnostic method characterized in that the change direction is based on an increasing or decreasing tendency of a value in each data item of the operation data .
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017125752A JP6830414B2 (en) | 2017-06-28 | 2017-06-28 | Diagnostic device and diagnostic method |
| PCT/JP2018/019238 WO2019003703A1 (en) | 2017-06-28 | 2018-05-18 | Diagnostic device and diagnostic method |
| CN201880024345.7A CN110506245A (en) | 2017-06-28 | 2018-05-18 | Diagnostic device and diagnostic method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017125752A JP6830414B2 (en) | 2017-06-28 | 2017-06-28 | Diagnostic device and diagnostic method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2019008681A JP2019008681A (en) | 2019-01-17 |
| JP6830414B2 true JP6830414B2 (en) | 2021-02-17 |
Family
ID=64741418
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017125752A Active JP6830414B2 (en) | 2017-06-28 | 2017-06-28 | Diagnostic device and diagnostic method |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP6830414B2 (en) |
| CN (1) | CN110506245A (en) |
| WO (1) | WO2019003703A1 (en) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109871886B (en) * | 2019-01-28 | 2023-08-01 | 平安科技（深圳）有限公司 | Abnormal point proportion optimization method and device based on spectral clustering and computer equipment |
| JP7233258B2 (en) * | 2019-03-13 | 2023-03-06 | 株式会社日立製作所 | Abnormal diagnosis device |
| JP7108577B2 (en) * | 2019-05-13 | 2022-07-28 | 株式会社日立製作所 | Diagnostic device, diagnostic method and processing device |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004107071A1 (en) * | 2003-05-29 | 2004-12-09 | Matsushita Electric Industrial Co., Ltd. | Abnormality processing system |
| CN102473298B (en) * | 2009-07-01 | 2015-08-19 | 日本电气株式会社 | Extract the system and method for representative feature |
| JP5164954B2 (en) * | 2009-09-30 | 2013-03-21 | 日立Ｇｅニュークリア・エナジー株式会社 | Device diagnostic method and device diagnostic device |
| JP5485939B2 (en) * | 2011-05-18 | 2014-05-07 | 日立Ｇｅニュークリア・エナジー株式会社 | Apparatus abnormality determination device and apparatus abnormality determination method |
| JP5337853B2 (en) * | 2011-09-12 | 2013-11-06 | 株式会社日立製作所 | Power plant diagnostic device and power plant diagnostic method |
| JP5810877B2 (en) * | 2011-12-08 | 2015-11-11 | 株式会社豊田中央研究所 | Abnormality diagnosis system and abnormality diagnosis method |
| CN104865951A (en) * | 2015-03-19 | 2015-08-26 | 浙江中烟工业有限责任公司 | Cigarette tobacco cutting process tobacco flake preprocessing stage on-line monitoring and fault diagnosis method |
| CN105938468A (en) * | 2016-06-07 | 2016-09-14 | 北京交通大学 | Fault diagnosis method for rolling bearing |
-
2017
- 2017-06-28 JP JP2017125752A patent/JP6830414B2/en active Active
-
2018
- 2018-05-18 CN CN201880024345.7A patent/CN110506245A/en not_active Withdrawn
- 2018-05-18 WO PCT/JP2018/019238 patent/WO2019003703A1/en active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| CN110506245A (en) | 2019-11-26 |
| JP2019008681A (en) | 2019-01-17 |
| WO2019003703A1 (en) | 2019-01-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6116466B2 (en) | Plant diagnostic apparatus and diagnostic method | |
| JP5292477B2 (en) | Diagnostic device and diagnostic method | |
| KR101955305B1 (en) | Gas turbine sensor failure detection utilizing a sparse coding methodology | |
| CN102999038B (en) | The diagnostic device of generating set and the diagnostic method of generating set | |
| JP5544418B2 (en) | Plant diagnostic device, diagnostic method, and diagnostic program | |
| JP5484591B2 (en) | PLANT DIAGNOSIS DEVICE AND PLANT DIAGNOSIS METHOD | |
| CN106779200A (en) | Based on the Wind turbines trend prediction method for carrying out similarity in the historical data | |
| CN104035331B (en) | Unit running optimization instructs system and equipment thereof | |
| JP2014032455A (en) | Equipment condition monitoring method and device thereof | |
| EP3191905A1 (en) | Gas turbine failure prediction utilizing supervised learning methodologies | |
| WO2016208315A1 (en) | Plant diagnosis device and plant diagnosis method | |
| JP6830414B2 (en) | Diagnostic device and diagnostic method | |
| WO2019167375A1 (en) | Diagnosis device and diagnosis method | |
| JP2014149840A (en) | Abnormality detection method and system therefor | |
| JP2018081350A (en) | Operation support device and program | |
| JP2018106432A (en) | Online monitoring apparatus and online monitoring method | |
| JP7042056B2 (en) | Plant operation support device and operation support method | |
| JP2014056598A (en) | Abnormality detection method and its system | |
| JPWO2018051568A1 (en) | Plant abnormality diagnosis device and plant abnormality diagnosis system | |
| JP5647626B2 (en) | Plant state monitoring device and plant state monitoring method | |
| Mi et al. | A nonparametric cumulative sum-based fault detection method for rolling bearings using high-level extended isolated forest | |
| JP6685124B2 (en) | Diagnostic device and diagnostic method | |
| Elijorde et al. | A wind turbine fault detection approach based on cluster analysis and frequent pattern mining | |
| Surjandari et al. | Fault detection system using machine learning on geothermal power plant | |
| KR102212022B1 (en) | Method of automatically determining condition of hydro turbine in hydroelectric power plant and system for the same |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200116 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201006 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201027 |
|
| 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: 20201228 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210126 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6830414 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |