JP7264790B2 - 性能診断システム - Google Patents

Description

本発明は、機器やプラントの運転効率の劣化程度を評価し、さらに、劣化要因を推定する機能を備えた性能診断システムに関する。

機器やプラントの運転効率の劣化程度を評価し、部品の交換や洗浄などの保守作業の内容や実施時期を最適化することが図られている。この目的は、運転効率の監視によって高効率を維持して燃料費用などの運転コストを削減すること、かつ、効率維持のための過剰な保守による保守コストの増加を抑制することである。

以上の目的を実現するには、運転効率の劣化程度を正確に評価し、かつ、運転効率が低下したときの劣化要因を推定できるのが好ましい。劣化程度から保守を実施すべき時期を決定でき、また、劣化要因から保守作業の内容（どの部品を交換または洗浄するか等）を決定できる。

劣化程度を正確に評価するには、機器やプラントの運転条件を揃えて、運転効率の変化傾向を見る必要がある。例えば、ポンプなどの場合、回転数や流量といった運転条件が変わると、機器の特性として運転効率も変化する。このため、運転効率を監視して劣化診断を行う際には、運転効率の変化量に対して、運転条件の違いによる影響と、劣化による影響とを区別して評価する必要がある。

これを実現するために、特許文献１には、吸収冷凍機を対象とした運転性能の診断方法が記載されている。運転性能の評価に使用する燃料制御弁－冷水出入口温度差の性能カーブに対し、これに影響を与える運転条件として、冷水及び冷却水の温度・流量を用いて補正を行う。具体的には、これらの温度・流量の値に応じて、基準となる性能カーブを上下にシフト（補正）し、運転条件に応じた性能カーブを求める。このようにして求めた性能カーブと、現在の性能を比較して劣化程度を評価する。以上に述べた方法により、運転条件の相違をキャンセルし、均一な運転条件で性能診断を行うことができる。

特開２０１８－３１５５８号公報

しかしながら、前述した特許文献１の方法では、性能カーブの補正に使用する温度・流量などの補正信号の値と、性能カーブの補正量との関係をあらかじめ算出しておく必要がある。このためには、過去のデータを基に、各補正信号と性能カーブとの相関を分析し、それぞれの補正量を評価しなければならない。つまり、診断システムを実機に導入し、診断処理を開始するためには、事前の解析作業に時間と手間を要する問題があった。

さらに、特許文献１の方法では、性能カーブの補正信号が、冷水と冷却水それぞれの温度・流量という形で合計４つある。このように、実際の運転データでは、性能カーブに影響する信号は複数あり、さらに、これらの信号を同時に変えていることが多い。したがって、実機の計測値から得られる性能値には、複数の信号による影響が同時に含まれる。このような運転条件のデータから、それぞれの信号に対する補正量を独立に求めることが難しいという問題があった。

さらに、特許文献１の方法では、性能の劣化を把握できるが、その原因を推定できないという問題があった。

以上に述べた問題から、過去データを準備すれば、自動的に均一な運転条件での性能診断を行うことができ、さらに、性能劣化時における原因推定が可能な性能診断システムまたは方法が望まれていた。

前述の問題を鑑み、本発明の性能診断システムでは、機器を備えたプラントからデータを入手して機器の運転効率を求める運転効率計算部と、運転効率計算部で求めた運転効率データとデータのうち運転効率に影響する劣化要因に関する劣化要因データとデータのうち運転効率に影響する運転条件に関する運転条件データとを関連付けて時系列的に記憶する運転効率データベースと、運転効率データベースに記憶されたデータによるクラスタリングを実行してクラスタを生成するクラスタリング処理部と、クラスタリング処理部での処理により生成されたクラスタに含まれる運転効率と劣化要因データと運転条件データをクラスタごとに記憶する学習結果データベースを備え、クラスタリング処理部は、運転効率データベースに記憶された現在時点の第１のデータについて、第１のデータの運転条件データを用いて学習結果データベースから類似の運転条件のクラスタを抽出し、抽出したクラスタの第２のデータの運転効率データと第１のデータの運転効率データにより、機器の性能劣化の情報を提示することを特徴とする。

また、プラント内の機器の運転効率と運転効率に影響する劣化要因に関する劣化要因データと運転効率に影響する運転条件に関する運転条件データとを関連付けて時系列的に記憶する運転効率データベースと、診断対象とする解析日時のデータである第１のデータを運転効率データベースから読み出し第１のデータの運転条件データに類似の第２のデータを運転効率データベースから読み出す運転条件比較部と、第１のデータと、第２のデータの中の運転効率が最高効率を示す前記第２のデータにより、機器の性能劣化の情報を提示することを特徴とする。

本発明になる性能診断システムによれば、機器の性能劣化の程度を正確に評価できると共に、その劣化要因を推定できる。

本発明の実施例１に係る性能診断システムの構成例を示す図。 センサデータベースＤＢ１の構成例を示す図。 運転効率データベースＤＢ２の構成例を示す図。 ポンプ効率の吸込流量と回転数の関係性を示す図。 クラスタリング処理の概念を示す図。 クラスタリング処理部における学習処理のフローを示す図。 クラスタリング処理部における診断処理のフローを示す図。 規格化係数データベースＤＢ３の構成例を示す図。 学習結果データベースＤＢ４の構成例を示す図。 診断結果データベースＤＢ５の構成例を示す図。 性能診断システムの表示画面例１を示す図。 性能診断システムの表示画面例２を示す図。 本発明の実施例２に係る性能診断システムの構成例を示す図。 解析データ取込部が出力するデータの構成例を示す図。 運転条件比較部が出力するデータの構成例を示す図。 最高効率判定部が出力するデータの構成例を示す図。

本発明による性能診断システムの構成について図面を参照して以下に説明する。

本発明の実施例１に係る性能診断システムについて、図１から図１２を参照して説明する。

図１は、本発明の実施例１に係る性能診断システムの構成例を示す図である。図１において、１は性能診断システム、２は性能診断システム１による解析結果をユーザに提示し、ユーザ指示を得るための入出力装置、３は本実施例において性能診断の対象とするポンプである。４はポンプを制御する制御装置である。

次に、性能診断システム１の内部構成と処理について説明する。

まずセンサデータ取込部１１は、ポンプの制御装置４を介してポンプ３のセンサ情報を取得し、センサデータベースＤＢ１へ取り込んだデータを格納する。図２は、センサデータベースＤＢ１の構成例を示す図である。図２に例示するように、センサデータベースＤＢ１には、性能診断対象機器であるポンプ３に関するデータが日時データと共に時系列に格納される。

図２の例ではポンプ３について、軸受振動、軸受潤滑油温度、モータ巻線温度、ポンプ回転数、吸込流量、吐出圧力、入口圧力、モータ電力の各計測値が、所定周期での計測時刻の情報とともに対比して記憶される。この例では計測周期は１０分である。なおこれらセンサデータの取り込みタイミングは同期化されているのが望ましいが、所定の時間幅内で取り込まれたデータであってもよい。

次に、運転効率計算部１２においてポンプ効率を計算する。本実施例では、以下の（１）式から（３）式を用いてポンプ効率ηを計算する。

（１）式では、ポンプ効率ηをポンプの機械的動力に対して水が得たエネルギー、すなわち、軸動力Ｐａと水動力Ｐｗの比率で定義する。（１）式において、水動力Ｐｗ（ｋｗ）は（２）式で計算する。（２）式は、ポンプの入口圧力Ｐｉｎ（ＭＰａ）と吐出圧力Ｐｏｕｔ（ＭＰａ）との差圧に、吸込流量Ｑ（体積流量ｍ^３／ｍｉｎ）を乗じて求める。１００を乗じるのは％への単位変換である。一方（１）式において、軸動力Ｐａ（ｋｗ）は（３）式で示すように、ポンプ回転用のモータの消費電力Ｅ（ｋｗ）から求める。ここでは、モータ効率、すなわち、モータ電力Ｅ（ｋｗ）から動力への変換効率を０．９と仮定している。

運転効率計算部１２では、前記したセンサデータベースＤＢ１に格納されたセンサデータを取込み、前記した（１）～（３）式を基にポンプ効率ηを計算する。さらに、運転効率計算部１２は、ポンプの性能診断処理に使用するセンサデータも取り込む。これらのデータは、運転効率データベースＤＢ２に格納される。

図３に、運転効率データベースＤＢ２の構成例を示す。運転効率データベースＤＢ２には、性能診断処理に使用する運転効率データ、及び、センサデータが時系列に、かつデータ取り込み時刻ごとに格納される。図３で示すように、格納されるデータは、運転効率、運転効率に影響する劣化要因、運転効率に影響する運転条件の３つに分類されて格納、記憶される。

このうち運転効率に該当するデータは、性能診断の対象とする機器の効率値である。本実施例ではポンプ効率ηであり、運転効率計算部１２において（１）から（３）式を実行することで得られた各計測時刻での効率値である。

劣化要因に該当するデータは、運転効率を劣化させる要因に関係する信号である。本実施例では、軸受振動、軸受潤滑油温度、モータ巻線温度の３つを設定している。軸受振動は、ポンプの翼や軸受等に損傷が発生したときに変化する信号である。軸受潤滑油温度は、潤滑油の冷却・供給システムが故障したとき、または、回転体のアンバランスによって回転軸と軸受部との摺動が発生したときに変化する信号である。モータ巻線温度は、モータ内部の巻線に損傷があるときに変化する信号である。以上のように、劣化要因に該当するデータとしては、ポンプ効率に影響を与える各種異常と関連性の高い信号を選択する。

運転条件に該当するデータは、劣化や故障以外で運転効率に影響する信号のことを指す。本実施例では、ポンプ回転数と吸込流量を選択している。一般的に、ポンプ効率は、回転数と吸込流量に応じて変化する。図４はポンプ効率の吸込流量と回転数の関係性を示す図である。図４は、横軸が吸込流量、縦軸がポンプ効率ηで表す効率カーブである。図では、回転数が定格の１００％、８０％、６０％の三つの条件に対する効率カーブを示した。低流量ではポンプ効率は低くなる傾向にある。また、回転数によって効率カーブが異なるため、回転数によって最高効率となる吸込流量も相違している。

以上のように、ポンプの運転条件が異なると、ポンプ効率も異なる。このため、過去と現在のポンプ効率の大小を比較して、ポンプの劣化程度を判定する場合は、運転条件を揃えて比較しなければならない。具体的には、例えば回転数が定格の１００％の時の過去と現在のポンプ効率の大小を比較する必要があり、あるいは定格の８０％の時の過去と現在のポンプ効率の大小を比較する必要がある。さもなければ、効率の違いが、劣化や故障を原因とするものか、運転条件の違いによるものかの区別がつかない。本実施例になる性能診断システムは、運転条件を揃えた上で、運転効率及びセンサデータのパターンを比較することができる。この処理は、図１に示したクラスタリング処理部１３で実施される。

クラスタリング処理部１３の処理内容を説明する。本実施例になる性能診断システムでは、診断処理としてクラスタリングと呼ばれる処理方式を採用する。クラスタリングとは、複数から成るデータのパターンを分類し、グループ化するための処理である。クラスタリングでは、各グループをクラスタと呼ぶ。

図５に、一般的なクラスタリング処理の概念を示した。図５は、２つの信号を入力としたときのクラスタリングの例を示している。図５のように、信号１と信号２のそれぞれに対して規格化を行い、規格化されたデータを二次元空間にプロットする。ここでは、データのプロット位置が近傍にある、データのパターンが類似なデータ群の集合として、パターン番号１、２、３のクラスタが形成されたものとする。図５において各クラスタ内の●は規格化後の入力信号（図３の運転効率データベースＤＢ２に記憶された所定時刻における運転効率と劣化要因と運転条件のデータセット）の実際値を表しており、×はこのクラスタに分類された複数の入力信号の平均値であり、図示上のクラスタの重心位置を示している。

なお入力信号のデータセットに対して、クラスタリング処理ではパターン処理を行うことから、これをデータパターンということがある。またデータパターンは、所定時刻におけるデータセットを対象とする場合、その一部を対象とする場合、クラスタ全体のデータを対象とする場合などがある。

図５の二次元空間にプロットされた２組のデータについて、空間内での距離が近いほど、それらのデータパターンが類似していることを表すため、データの塊を１つのクラスタとして定義する。図５の例では、パターン番号が１、２、３の３つのクラスタが定義されている。同一クラスタ内にある●で表したデータは、データパターンが類似していると判定されたことを示す。したがって、各クラスタ、すなわち、各データパターンに対し、番号（パターン番号）を割り振ってデータを管理する。図５の場合には、パターン番号１、２、３のクラスタを例示している。図５では、簡単な例として２つの信号に対するクラスタリングの結果を示したが、実際の入力信号は多数であり、高次元空間の中で前記した処理を行う。

クラスタリング処理部１３は、クラスタリング処理を基にデータパターンを解析し、運転効率の劣化を診断する。この処理は、学習処理と診断処理から成る。図６にクラスタリング処理部１３における学習処理、図７にクラスタリング処理部１３における診断処理の処理ステップを示した。

先ず、図６に示した学習処理から説明する。学習処理は診断処理を実施する前に事前に行う。学習処理では先ず処理ステップＳ１において、ユーザが図１の入出力装置２を介して指定した期間のデータを運転効率データベースＤＢ２から取りこみ、規格化処理を実施する。ここで指定した期間のデータとは、過去の運用において高効率時であることが予め検証された期間を含むデータのことである。後述する処理によって、この期間の中から高効率状態にあるデータを選び出し、これが劣化を判定するための比較の基準となる。なお、規格化処理で使用する規格化値は、図１に示した規格化値データベースＤＢ３に格納されている。

図８に、規格化値データベースＤＢ３の構成例を示す。クラスタリング処理に使用する信号ごとに、予め設定された上限値と下限値を格納している。信号の項目は、運転効率データベースＤＢ２と同じ項目となる。取りこんだデータは、上・下限値を用いて１～０の範囲に規格化される。例えば取りこんだポンプ効率についてのデータが８０％以上であれば「１」とされ、４０％以下であれば「０」とされ、この中間値について１～０の範囲に比例的に規格化される。

次に処理ステップＳ２において、規格化後のデータを用いてクラスタリング処理を行う。前記したように、クラスタリン処理によって、類似したデータパターンは同一のクラスタとして定義され、パターン番号が割り当てられる。

最後に処理ステップＳ３において、クラスタリング処理によるデータパターンの分類結果を図１に示した学習結果データベースＤＢ４に格納する。

図９に、学習結果データベースＤＢ４の構成例を示す。図９に示すように、クラスタのパターン番号ごとにクラスタの情報が格納される。ここでのクラスタの情報とは、前記の図５に示した、各クラスタの多次元空間内での位置を表すデータをいう。多次元空間の各軸は入力信号、すなわち、運転効率データベースＤＢ２に格納された各信号（ポンプ効率、軸受振動、軸受潤滑油温度、モータ巻線温度、ポンプ回転数、吸込流量）に対応する。また各信号は、劣化要因と運転条件ごとに区別されているのがよく、図９の例では図示表記の都合上、劣化要因として軸受振動のみが記述されているが、劣化要因と運転条件の他の各信号も同様に記憶されていることは言うまでもない。

学習結果データベースＤＢ４には、これら各信号の平均値、最大値、最小値が格納される（ただし、これらの値は規格化前の値に変換される）。各信号の平均値（規格化後）を組合わせたデータが、多次元空間におけるクラスタ重心の座標となる。また、最大・最小値（規格化後）は、クラスタ内のデータにおける各軸方向の拡がりを示す。

なお図９の例によれば、図５の多次元空間においてパターン番号１のクラスタを形成する複数のデータは、ポンプ効率に関して平均値が６３（％）、最大値が６５（％）、最小値が６０（％）であり、劣化要因の軸受振動に関して平均値が８４（％）、最大値が８８（％）、最小値が８０（％）で定まる範囲、領域内に存在している。またパターン番号２のクラスタに含まれる複数のデータは、ポンプ効率に関して平均値が５８（％）、最大値が６２（％）、最小値が５４（％）であり、劣化要因の軸受振動に関して平均値が９０（％）、最大値が９３（％）、最小値が８６（％）で定まる範囲、領域内に存在している。

ここで図５の多次元空間においてパターン番号１のクラスタに含まれる複数のデータは、図４のポンプ回転数が例えば１００（％）付近の時に得られるデータ群であり、パターン番号２に分類されるクラスタに含まれる複数のデータは、図４のポンプ回転数が例えば８０（％）付近の時に得られるデータ群であり、運転条件（ポンプ回転数）が相違することにより別のクラスタに含まれることになったデータである。

なお、クラスタリング処理部１３が行う図６に例示した学習処理の内容は、診断処理の前提として予め実行され、学習結果データベースＤＢ４を形成しているが、診断処理の事前に作成するのみではなく、診断処理の開始後も以後の運転経験を踏まえて新たな学習を反映させたものとすることができる。

これに対し、プラント運転に伴う劣化等が進行した状態では、既存クラスタに分類できない、あるいは既存クラスタに分類されるものの重心位置から離れた位置に存在する現在時点で取り込まれた新たなデータ群が発生してくる。

次に、図７に示したクラスタリング処理部１３が行う診断処理を説明する。診断処理では、プラントから新たに取り込んだデータに対して、既存クラスタに含まれるデータとの関係を判断していく。

先ず処理ステップＳ４において、運転効率データベースＤＢ２に格納されたデータ（日時と運転効率と劣化要因と運転条件のデータセット）から、日時情報を基に、現在のデータを取りこみ、規格化処理を実施する。これにより、新たに入手した現在時点のデータが、図５の多次元空間のいずれかの座標に位置付けられたことになる。

次に処理ステップＳ５において、学習結果データベースＤＢ４から、複数の各パターン番号のクラスタの平均値データを取りこみ、規格化処理を実施する。前記したように、各信号の平均値データ（規格化後）の組合せが、図５に×印で示したクラスタ重心の多次元空間での座標を表す。これにより、図５の多次元空間に示されたパターン番号１、２、３の複数のクラスタについて、クラスタの代表情報として×印で示したクラスタ重心の多次元空間での座標を取り出したことになる。

次に処理ステップＳ６において、処理ステップＳ５で得られた各クラスタを代表する、×印で示したクラスタ重心についてのデータパターン（規格化後）の中から、処理ステップＳ４で得られたデータパターンに対して、運転条件データが類似した全てのデータパターンを抽出する。

この処理をごく簡単に言うと、新たに取り込んだ現在時点のデータ群によるデータパターンと類似のデータパターンを有するクラスタのパターン番号を抽出したものである。抽出する際に、運転条件データの観点からの類似性によってクラスタを特定したものである。ここではこの結果として、新たに入手した現在時点のデータが、パターン番号１のデータに類似であると判断がされたものとする。

以下、この処理ステップＳ６についてさらに詳細を説明する。前記した学習処理では、クラスタリングにおける入力信号の項目は、運転効率データベースＤＢ２に格納されている信号の項目と同じである。つまり、入力信号には、運転効率（ポンプ効率）、劣化要因（軸受振動、軸受潤滑油温度、モータ巻線温度）、運転条件（ポンプ回転数、吸込流量）の全データを使用する。

一方、診断処理の処理ステップＳ６では、運転条件に該当するデータ、すなわち、ポンプ回転数と吸込流量のみを使用する。これは図４に例示した、回転数と吸込流量によって運転効率の特性が相違するという関係を把握するものである。

前記したように、運転効率の大小を比較して劣化を判定するには、運転条件を揃えた条件にする必要がある。このため、学習結果データベースＤＢ４に格納されたデータパターンの中から、現在データの運転条件に類似したデータパターンのクラスタを抽出する。ここで、運転条件の類似性は、図５に例示した多次元空間における距離を基に判定する。

（４）式は、運転条件の類似性を判定するための距離の計算式である。なお（１）式において、Ｙｎは把握パターン番号ｎのデータパターンと現在データとの運転条件データにおける距離であり、ｉは運転条件データに該当する入力信号であり、Ｘ（ｉ）は現在データの入力信号ｉの規格化後の値であり、Ｄ（ｎ、ｉ）はパターン番号ｎのデータパターンｎにおける入力信号ｉの規格化後の平均値である。

ここでは、運転条件に該当するデータのみで、現在データと学習結果データベースＤＢ４の各パターン番号におけるデータパターンとの距離を計算する。本実施例におけるポンプの効率診断の場合には、ポンプ回転数と吸込流量の２つの信号を用いて距離を計算する。

次に、各パターン番号におけるデータパターンの距離に対し、あらかじめ設定した閾値を用いて閾値判定を行い、距離が閾値以下になるデータパターンを抽出する。この処理で選ばれるデータパターンのクラスタは１つとは限らず、複数になることもある。これは、学習に指定した期間の中には、現在データに運転条件は近いが、運転効率や劣化要因に該当する信号が異なるデータも含まれるためである。

以上が図７に示す処理ステップＳ６での処理である。続いて、処理ステップＳ７において、処理ステップＳ６で選ばれた複数のクラスタのデータパターンの中で、運転効率値が最も高いものを選ぶ。なお、単一のクラスタのみが抽出された場合には、その中の運転効率値を選ぶ。以上の処理によって、現在データの運転条件に類似し、かつ、最高効率となるデータパターンが選ばれる。

最後に、処理ステップＳ８において、処理ステップＳ７で選択したデータパターンのクラスタの番号（パターン番号）を図１に示す診断結果データベースＤＢ５に格納する。

図１０は、診断結果データベースＤＢ５の構成例を示す。前記した図８で示す診断処理によって得られた最高効率のデータパターンに対応する番号が、日時情報と併せて時系列に格納される。なお、図１０の場合に最高効率のデータパターンに対応するパターン番号が、時系列的な短時間の間で５から６に変更されているのは、例えば運転条件が相違したためと考えることができる。

次に、各データベースに格納されたデータを用いて、ポンプ効率の性能診断に関する情報をユーザに提供する方法を説明する。本実施例になる性能診断システムでは、図１に示す入出力制御部１９が入出力装置２の画面に診断結果を表示する。

図１１に、性能診断結果の表示画面例１を示す。表示画面例１では、表示画面９０上に運転効率と劣化要因を上下に時系列的に比較して表示する。このうち運転効率表示１０１では、ポンプ効率の実際値と適正値をリアルタイムでトレンド表示する。図に示すポンプ効率の実際値（実線）は、図１に示す運転効率データベースＤＢ２から、現在時刻に該当するデータを取りこんで逐次表示する。一方、ポンプ効率の適正値（点線）は、図１に示す診断結果データベースＤＢ５から、現在時刻に該当する最高効率時のパターン番号を取りこみ、次に、学習結果データベースＤＢ４から、パターン番号に対応する運転効率の平均値を取りこんで表示する。前記したように、この運転効率値は、現在データの運転条件に類似し、かつ、最高効率時のデータパターンに対応している。

また劣化要因表示１０２では、劣化要因の各信号について、実際値（実線）と適正値（点線）をリアルタイムでトレンド表示する。本実施例では、劣化要因に該当する信号は、軸受振動、軸受潤滑油温度、モータ巻線温度である。ここで、各信号の実際値は、運転効率のトレンド表示と同様に、運転効率データベースＤＢ２から平均値を取り込んで表示する。また、適正値も学習結果データベースＤＢ５から、最高効率時のパターン番号に対応する平均値を取りこんで表示する。

図１１に示す診断結果の画面例では、１２時以降にポンプ効率が適正値に比べて低下しており、なおかつ同時刻に、軸受潤滑油温度が適正値よりも上昇していることが分かる。したがって、軸受部または潤滑油の冷却・供給装置に不具合が発生しており、その結果、ポンプ効率が低下していると推測できる。これにより運転監視員は、図１１の画面から、診断結果として異常個所を特定可能である。

図１２に、別の表示画面例２を示す。前記の図１１はトレンドの表示により、運転効率の時間的な変化を示している。一方、図１２は、指定日時のスナップショットのデータを表示画面９０上に表示する。このうち劣化要因表示１０３は、劣化要因の信号（信号１：軸受振動、信号２：軸受潤滑油温度、信号３：モータ巻線温度）の実際値（●で表記）と適正範囲（上限、平均、下限を幅で表記）を表示したものである。ここで、実際値と適正値は、前記した図１１の画面例１に示した実際値及び適正値と同じである。ただし、この画面例では規格化後の値を表示している。規格化係数は、図１の規格化係数データベースＤＢ３に格納されており、入出力制御部１９が、これらの値を用いて規格化処理を実施した後に表示する。

一方、劣化要因表示１０３に示す適正範囲の上限・下限は、前記した図１１の画面例１では提示されていない。これら上限値と下限値は、学習結果データベースＤＢ４に格納された最大値と最小値を規格化処理した値に対応する。前記したように、最大値と最小値は同一のクラスタ（データパターン）における各信号値の拡がりを表す。この幅を上限・下限という形で表示する。図の劣化要因表示１０３から、信号２として示されている軸受潤滑油温度が、適正範囲を超えている状態にあると判断できる。

一方、運転条件表示１０４は、運転条件に対応する信号（信号１：回転数、信号２：吸込流量）の実際値と適正範囲を表示したものである。適正範囲として示されているデータパターンの運転条件が、実際値として表示しているデータに類似していることを確認できる。

以上のように、本実施になる性能診断システムでは、運転効率に影響する運転条件を揃えた上で、運転効率の劣化程度、及び、劣化要因となる信号の変化量を把握できる。

本発明の実施例２に係る性能診断システムについて、図１３から図１６を参照して説明する。

実施例１は、診断の対象となる機器のセンサデータをオンラインで取込み、リアルタイムで性能診断結果をユーザに提示するシステムを想定している。一方、実施例２では、診断処理に使用するセンサデータ、及び、運転効率データが事前に準備されており、これらを基にオフラインで性能診断を実施する運用を想定している。さらに、実施例２では、実施例１で用いたクラスタリング処理を使用せず、単純なデータの比較処理によって診断を行う。

以下に、本発明の実施例２に係る性能診断システムを説明する。

図１３は、実施例２に係る性能診断システムの構成例を示す図である。ＤＢ２は運転効率データベースである。これは実施例１と同じもので、構成は前記した図３と同じである。つまり、本システムでは、診断で使用するセンサデータや運転効率データが、運転効率、劣化要因、運転条件の３つに分類されて事前にデータベースに格納されていることが前提となっている。この場合のデータベースは、クラウド上に構成されたものであっても、自前の設備であってもよく、要はデータベースに準備されたデータを日時指定して取り出せる環境にあればよい。本実施例になる性能診断システム２０では、ユーザは解析するデータの日時を設定し、解析データ取込部２１が、この情報を取りこんで、診断処理を開始する。

解析データ取込部２１は、運転効率データベースＤＢ２から解析日時に対応するデータを取りこみ、これを運転条件比較部２２へ出力する。図１４は出力データの構成を示している。ユーザが指定した解析日時のデータ行を記載している。この場合には、図３に例示する運転効率データベースＤＢ２を時刻２０１９／６／１／００：００の条件で検索し、この時の一群のデータを表形式で出力、表示したものということができる。

次に、運転条件比較部２２は、解析データ取込部２１が出力したデータの中で、運転条件に対応するデータ（ポンプ効率の吸込流量と回転数）を参照し、運転効率データベースＤＢ２から、この運転条件に類似したデータ全てを取得する。運転条件の類似性の判定方法は実施例１と同様であり、前記の（４）式で求めた距離が閾値以下となるデータとする。運転条件比較部２２は、運転効率データベースＤＢ２から取得された運転条件が類似したデータを追加して、最高効率判定部２３へデータを出力する。図１５は出力データの構成を示している。前記の図１４に示した解析データ取込部の出力データに対し、類似運転条件のデータが追加されている。

次に、最高効率判定部２３は、運転条件比較部２２が出力したデータに対し、類似運転条件のデータの中で運転効率が最高値となるデータを探索し、これを出力する。図１６は出力データの構成を示している。解析日時に該当するデータに加えて、最高効率のデータが記載されている。

以上が、本実施例になるシステムの処理の流れである。システムが出力したデータには、ユーザが指定した解析日時のデータ、及び、それと運転条件が類似し、かつ、最高効率時のデータが記載されている。これらを比較することで、運転効率の劣化程度と、劣化要因に該当する信号の変化量を確認できる。

また、本実施例になるシステムが出力したデータによって、第一実施例における図１１と図１２で示した画面例と同様の表示も可能である。ただし、図１２で示した適正範囲については、適正値のみが表示でき、上限・下限は表示できない。

本発明になるシステムによれば、一般機器やプラントの性能診断に利用できる。

１：実施例１に係る性能診断システム
２：入出力装置
３：ポンプ
４：制御装置
１１：センサデータ取込部
１２：運転効率計算部
１３：クラスタリング処理部
ＤＢ１：センサデータベース
ＤＢ２：運転効率データベース
ＤＢ３：規格化値データベース
ＤＢ４：学習結果データベース
ＤＢ５：診断結果データベース
１９：入出力制御部
２０：実施例２に係る性能診断システム
２１：解析データ取込部
２２：運転条件比較部
２３：最高効率判定部

Claims (9)

1. 機器を備えたプラントからデータを入手して前記機器の運転効率を求める運転効率計算部と、前記運転効率計算部で求めた運転効率データと前記データのうち前記運転効率に影響する劣化要因に関する劣化要因データと前記データのうち前記運転効率に影響する運転条件に関する運転条件データとを関連付けて時系列的に記憶する運転効率データベースと、前記運転効率データベースに記憶されたデータによるクラスタリングを実行してクラスタを生成するクラスタリング処理部と、前記クラスタリング処理部での処理により生成されたクラスタに含まれる前記運転効率データと前記劣化要因データと前記運転条件の平均値、最大値、最小値のデータをクラスタごとに記憶する学習結果データベースを備え、
   前記クラスタリング処理部は、前記運転効率データベースに記憶された現在時点の第１のデータについて、前記第１のデータの前記運転条件データを用いて前記学習結果データベースから類似の運転条件のクラスタを抽出し、抽出したクラスタの第２のデータの前記運転効率データと前記第１のデータの前記運転効率データにより、前記機器の性能劣化の情報を提示することを特徴とする性能診断システム。
2. 請求項１に記載の性能診断システムであって、
   前記学習結果データベースは、前記機器が高効率に運用されていた過去の時点におけるプラントからのデータに基づいて構成されていることを特徴とする性能診断システム。
3. 請求項１または請求項２に記載の性能診断システムであって、
   前記類似の運転条件のクラスタを抽出するときの運転条件の類似性の判定について、前記第１のデータの運転条件データと前記第２のデータの運転条件データの距離差を求め、この距離差が閾値以下になることで類似と判定することを特徴とする性能診断システム。
4. 請求項１から請求項３のいずれか１項に記載の性能診断システムであって、
   前記第１のデータの劣化要因データと抽出したクラスタの前記第２のデータの劣化要因データの差から、機器の劣化要因を推定することを特徴とする性能診断システム。
5. 表示装置を備える請求項１から請求項４のいずれか１項に記載の性能診断システムであって、
   表示装置には、前記第１のデータと抽出したクラスタの前記第２のデータとが、時系列的に比較して表示されていることを特徴とする性能診断システム。
6. 請求項５に記載の性能診断システムであって、
   表示装置には、前記第１のデータと抽出したクラスタの前記第２のデータにおける運転効率データと劣化要因データとが、時系列的に比較して表示されていることを特徴とする性能診断システム。
7. 表示装置を備える請求項１から請求項４のいずれか１項に記載の性能診断システムであって、
   表示装置には、前記第１のデータが、抽出したクラスタの前記第２のデータで定まる上下限の範囲との比較で表示されていることを特徴とする性能診断システム。
8. 請求項７に記載の性能診断システムであって、
   表示装置には、前記第１のデータと抽出したクラスタの前記第２のデータにおける運転効率データと劣化要因データとが表示されていることを特徴とする性能診断システム。
9. プラント内の機器の運転効率と前記運転効率に影響する劣化要因に関する劣化要因データと前記運転効率に影響する運転条件に関する運転条件データとを関連付けて時系列的に記憶する運転効率データベースと、診断対象とする解析日時のデータである第１のデータを前記運転効率データベースから読み出し前記第１のデータの前記運転条件データに類似の第２のデータを前記運転効率データベースから読み出す運転条件比較部と、前記第１のデータと前記第２のデータの中の運転効率が最高効率を示す前記第２のデータにより、前記機器の性能劣化の情報を提示することを特徴とする性能診断システム。

Images