JP7313292B2 - System for detecting signs of abnormality in plant equipment and method for detecting signs of abnormality in plant equipment - Google Patents
System for detecting signs of abnormality in plant equipment and method for detecting signs of abnormality in plant equipment Download PDFInfo
- Publication number
- JP7313292B2 JP7313292B2 JP2020010500A JP2020010500A JP7313292B2 JP 7313292 B2 JP7313292 B2 JP 7313292B2 JP 2020010500 A JP2020010500 A JP 2020010500A JP 2020010500 A JP2020010500 A JP 2020010500A JP 7313292 B2 JP7313292 B2 JP 7313292B2
- Authority
- JP
- Japan
- Prior art keywords
- normal data
- waveform
- data
- unit
- sample
- 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
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Description
本願は、プラント設備の異常兆候検知システムおよびプラント設備の異常兆候検知方法に関するものである。 TECHNICAL FIELD The present application relates to an anomaly symptom detection system for plant equipment and an anomaly symptom detection method for plant equipment.
従来の設備機器の異常診断システムとして、設備機器からの複数のデータを基に、正常データでの学習処理と、学習処理で作成されたモデルでの診断処理から成る解析手法を用いて異常診断を行うとともに、設備機器からの複数のデータについて設備機器の正常動作時におけるデータが既知でない場合であって、設備機器からの複数データに対してクラスタリング処理を行う第一の処理部と、各クラスタに該当するデータ数を基に正常クラスタを定義する第二の処理部と、正常クラスタに該当するデータを正常データとして抽出する第三の処理部と、抽出された正常データを用いて学習処理を行う第四の処理部を備えたものが開示されている(例えば、特許文献1参照)。 As a conventional abnormality diagnosis system for equipment, based on multiple data from equipment, abnormality diagnosis is performed using an analysis method consisting of learning processing with normal data and diagnosis processing with a model created by the learning processing. For multiple data from equipment, when data during normal operation of equipment is not known, a first processing unit that performs clustering processing on multiple data from equipment, a second processing unit that defines normal clusters based on the number of data corresponding to each cluster, and data that corresponds to the normal cluster. A third processing unit that extracts normal data and a fourth processing unit that performs learning processing using the extracted normal data are disclosed (see, for example, Patent Document 1).
しかしながら、上記特許文献1に示された技術は、データ数が多いクラスタを正常と定義した上で正常データを抽出しているが、これはプラント設備機器からのセンサデータの大部分が正常時のデータであって、その中のごく一部分に異常時のデータが含まれているという前提が基になっており、正常時のセンサデータの振る舞いが多岐にわたり、クラスタリング結果の各クラスタのデータ数の差が小さい場合に、正常データを抽出できないという問題点がある。
However, the technique disclosed in
本願は、上記のような課題を解決するための技術を開示するものであり、精度の向上した学習モデルを用いたプラント設備の異常兆候検知システムおよびプラント設備の異常兆候検知方法の提供を目的とする。 The present application discloses a technology for solving the above-described problems, and aims to provide a system for detecting signs of abnormality in plant equipment and a method for detecting signs of abnormality in plant equipment using a learning model with improved accuracy.
本願に開示されるプラント設備の異常兆候検知システムは、技術員が操作する端末と、プラント設備の出力を格納するセンサデータ収集装置と、前記端末からの信号と前記センサデータ収集装置の信号を受信する異常兆候検知装置が設けられており、前記端末から送信される正常データのサンプルが、前記異常兆候検知装置に設けられた正常データサンプル格納部に格納されるとともに、正常データ情報算出部によって前記正常データのサンプルから信号ごとの正常データの情報が算出され、正常データ選定部はセンサデータデータベース部に格納されているセンサデータから学習モデルを構築するための所定の正常データを選定するとともに、学習モデル構築部によって前記選定された正常データの情報を基にして学習モデルが構築され、前記異常兆候検知装置の異常兆候判定部は、前記構築された学習モデルの波形と、前記プラント設備の出力を格納する前記センサデータ収集装置を介するセンサデータデータベース部に格納されたセンサデータの波形とを比較して、異常兆候発生の有無を判定するとともに、前記異常兆候発生の有無を判定した判定結果が前記端末の表示部に表示され、
前記正常データ情報算出部は、前記正常データサンプル格納部から、前記正常データのサンプルから信号ごとのサンプルデータを取り出し、
前記サンプルデータを解析して波形の特徴量を算出し、
前記波形の始点と終点との差、振動数の情報から、波形の形状を分類し、
前記技術員によって予め設定された許容される変化幅、類似度を示す割合の情報から、正常データの類似波形としての許容値の範囲である上限値と下限値、前記上限値と下限値の範囲内に前記割合に収まる点数を算出し、
前記算出された正常データの類似波形としての許容値の範囲、範囲内に収まるべき点数の情報を基に、正常データ情報データベース部に書き込み、
前記正常データ選定部は、過去のセンサデータをセンサデータデータベース部から抽出し、波形の特徴量と形状の分類を算出し、
前記算出された波形の特徴量と形状の分類の情報を基に正常データ情報算出部から、最も類似する波形の正常データ情報を取り出し、
前記波形が前記正常データ情報の許容値の範囲内に必要点数分のデータがあるか否かを判定し、条件を満たす波形を正常データと分類し、
前記正常データに分類された波形が学習モデルの構築に必要な所定のデータ量に達するまで正常データの分類を行い、必要なデータ量に達すると、選定したデータを前記学習モデル構築部に送信し、
前記学習モデル構築部は、正常データの信号ごとに異常判定の閾値を算出し、波形のパラメータとともに学習モデル格納部に格納し、
前記異常兆候判定部は、前記格納された学習モデルの波形パターンと、センサデータデータベース部から取り出したデータの波形パターンとを比較して、波形パターンの違いから異常兆候の有無を判定するものである。
また、本願に開示されるプラント設備の異常兆候検知方法は、上記記載のプラント設備の異常兆候検知システムを用いて、次のステップを備えたものである。
ST1.技術員が操作する端末の正常データサンプル設定部から、正常データのサンプルが異常兆候検知装置の正常データサンプル格納部に送信される。
ST2.正常データ情報算出部は、前記正常データサンプル格納部から、前記正常データのサンプルから信号ごとのサンプルデータを取り出す。
ST3.前記正常データ情報算出部は、前記サンプルデータを解析して波形の特徴量を算出する。
ST4.前記正常データ情報算出部は、前記波形の始点と終点との差、振動数の情報から、波形の形状を分類する。
ST5.前記技術員によって予め設定された許容される変化幅、類似度を示す割合の情報から、正常データの類似波形としての許容値の範囲である上限値と下限値、前記上限値と下限値の範囲内に前記割合に収まる点数を算出する。
ST6.正常データ情報算出部は、前記算出された正常データの類似波形としての許容値の範囲、範囲内に収まるべき点数の情報を基に、正常データ情報データベース部に書き込む。
ST7.正常データ選定部は、過去のセンサデータをセンサデータデータベース部から抽出し、波形の特徴量と形状の分類を算出する。
ST8.前記正常データ選定部は、前記算出された波形の特徴量と形状の分類の情報を基に正常データ情報算出部から、最も類似する波形の正常データ情報を取り出す。
ST9.前記正常データ選定部は、前記波形が前記正常データ情報の許容値の範囲内に必要点数分のデータがあるか否かを判定する。
ST10.前記正常データ選定部は、前記ST9の条件を満たす波形を正常データと分類する。
ST11.前記正常データ選定部は、前記正常データに分類された波形が学習モデルの構築に必要な所定のデータ量に達するまで正常データの分類を行う。
ST12.必要なデータ量に達すると、選定したデータを学習モデル構築部に送信する。
ST13.前記学習モデル構築部は、正常データの信号ごとに異常判定の閾値を算出し、波形のパラメータとともに学習モデル格納部に格納する。
ST14.異常兆候判定部は、前記格納された学習モデルの波形パターンと、センサデータデータベース部から取り出したデータの波形パターンとを比較して、波形パターンの違いから異常兆候の有無を判定する。
ST15.前記異常兆候判定部は、前記異常兆候の有無を判定した判定結果を検知結果データベース部に格納する。
ST16.前記判定結果は、前記端末の表示部に表示される。
また、本願に開示されるプラント設備の異常兆候検知システムは、技術員が操作する端末と、プラント設備の出力を格納するセンサデータ収集装置と、前記端末からの信号と前記センサデータ収集装置の信号を受信する異常兆候検知装置が設けられており、前記端末から送信される正常データのサンプルが、前記異常兆候検知装置に設けられた正常データサンプル格納部に格納されるとともに、正常データ情報算出部によって前記正常データのサンプルから信号ごとの正常データの情報が算出され、正常データ選定部はセンサデータデータベース部に格納されているセンサデータから学習モデルを構築するための所定の正常データを選定するとともに、学習モデル構築部によって前記選定された正常データの情報を基にして学習モデルが構築されるとともに、前記正常データ情報算出部は前記正常データのサンプルが過去に送信された正常データのサンプルと同一のものと判定すると、前記過去の正常データのサンプルに基づいて構築されている学習モデルを学習モデル格納部から抽出し、前記異常兆候検知装置の異常兆候判定部は、前記抽出された学習モデルの波形と、前記プラント設備の出力を格納する前記センサデータ収集装置を介するセンサデータデータベース部に格納されたセンサデータの波形とを比較して、異常兆候発生の有無を判定するとともに、前記異常兆候発生の有無を判定した判定結果が前記端末の表示部に表示され、
前記正常データ情報算出部は、前記正常データサンプル格納部から、前記正常データのサンプルから信号ごとのサンプルデータを取り出し、
前記サンプルデータを解析して波形の特徴量を算出し、
前記波形の始点と終点との差、振動数の情報から、波形の形状を分類し、
前記技術員によって予め設定された許容される変化幅、類似度を示す割合の情報から、正常データの類似波形としての許容値の範囲である上限値と下限値、前記上限値と下限値の範囲内に前記割合に収まる点数を算出し、
前記正常データのサンプルが過去に処理した正常データのサンプルデータと同一のものと判定し、前記過去の正常データのサンプルに基づいて構築されている学習モデルを学習モデル格納部から抽出し、
前記正常データのサンプルが過去に処理した正常データのサンプルデータと同一のものがない場合は、前記算出された正常データの類似波形としての許容値の範囲、範囲内に収まるべき点数の情報を基に、正常データ情報データベース部に書き込み、
前記正常データ選定部は、過去のセンサデータをセンサデータデータベース部から抽出し、波形の特徴量と形状の分類を算出し、
前記算出された波形の特徴量と形状の分類の情報を基に正常データ情報算出部から、最も類似する波形の正常データ情報を取り出し、
前記波形が前記正常データ情報の許容値の範囲内に必要点数分のデータがあるか否かを判定し、条件を満たす波形を正常データと分類し、
前記正常データに分類された波形が学習モデルの構築に必要な所定のデータ量に達するまで正常データの分類を行い、必要なデータ量に達すると、選定したデータを前記学習モデル構築部に送信し、
前記学習モデル構築部は、正常データの信号ごとに異常判定の閾値を算出し、波形のパラメータとともに学習モデル格納部に格納し、
前記異常兆候判定部は、前記格納された学習モデルの波形パターンと、センサデータデータベース部から取り出したデータの波形パターンとを比較して、波形パターンの違いから異常兆候の有無を判定するものである。
また、本願に開示されるプラント設備の異常兆候検知方法は、上記記載のプラント設備の異常兆候検知システムを用いて、次のステップを備えたものである。
ST1.技術員が操作する端末の正常データサンプル設定部から、正常データのサンプルが異常兆候検知装置の正常データサンプル格納部に送信される。
ST2.正常データ情報算出部は、前記正常データサンプル格納部から、前記正常データのサンプルから信号ごとのサンプルデータを取り出す。
ST3.前記正常データ情報算出部は、前記サンプルデータを解析して波形の特徴量を算出する。
ST4.前記正常データ情報算出部は、前記波形の始点と終点との差、振動数の情報から、波形の形状を分類する。
ST5.前記技術員によって予め設定された許容される変化幅、類似度を示す割合の情報から、正常データの類似波形としての許容値の範囲である上限値と下限値、前記上限値と下限値の範囲内に前記割合に収まる点数を算出する。
ST5A.正常データ情報算出部は、前記正常データのサンプルが過去に処理した正常データのサンプルデータと同一のものと判定する。
ST14.異常兆候判定部は、前記過去の正常データに基づいて構築された学習モデルを学習モデル格納部から抽出し、前記学習モデルの波形パターンと、センサデータデータベース部から取り出したデータの波形パターンとを比較して、波形パターンの違いから異常兆候の有無を判定する。
ST15.前記異常兆候判定部は、前記異常兆候の有無を判定した判定結果を検知結果データベース部に格納する。
ST16.前記判定結果は、前記端末の表示部に表示される。
本願に開示されるプラント設備の異常兆候検知システムは、技術員が操作する端末と、プラント設備の出力を格納するセンサデータ収集装置と、前記端末からの信号と前記センサデータ収集装置の信号を受信する異常兆候検知装置が設けられており、前記端末から送信される正常データのサンプルが、前記異常兆候検知装置に設けられた正常データサンプル格納部に格納されるとともに、正常データ情報算出部によって前記正常データのサンプルから信号ごとの正常データの情報が算出され、正常データ選定部はセンサデータデータベース部に格納されているセンサデータから学習モデルを構築するための所定の正常データを選定するとともに、学習モデル構築部によって前記選定された正常データの情報を基にして学習モデルが構築され、前記異常兆候検知装置の異常兆候判定部は、前記構築された学習モデルの波形と、前記プラント設備の出力を格納する前記センサデータ収集装置を介するセンサデータデータベース部に格納されたセンサデータの波形とを比較して、異常兆候発生の有無を判定するとともに、前記異常兆候発生の有無を判定した判定結果が前記端末の表示部に表示され、
The normal data information calculation unit extracts sample data for each signal from the normal data sample from the normal data sample storage unit,
Analyzing the sample data to calculate a feature amount of the waveform,
Classifying the shape of the waveform from the difference between the start point and the end point of the waveform and the information on the frequency,
From the information of the allowable change width and the ratio indicating the degree of similarity preset by the technician, the upper limit and lower limit that are the range of allowable values as similar waveforms of normal data, and the range of the upper limit and lower limit The points that fall within the ratio are calculated,
Based on the calculated range of allowable values as a similar waveform of normal data and information on the number of points that should fall within the range, write to the normal data information database unit,
The normal data selection unit extracts past sensor data from the sensor data database unit, calculates the feature amount of the waveform and the classification of the shape,
Extracting normal data information of the most similar waveform from the normal data information calculation unit based on the calculated waveform feature amount and shape classification information,
determining whether or not the waveform has the required number of data within the allowable range of the normal data information, and classifying the waveform satisfying the condition as normal data;
Classifying normal data until the waveform classified as normal data reaches a predetermined amount of data required for building a learning model, and when the required amount of data is reached, transmitting the selected data to the learning model construction unit,
The learning model construction unit calculates a threshold value for abnormality determination for each signal of normal data, stores it in the learning model storage unit together with waveform parameters,
The abnormal symptom determination unit compares the waveform pattern of the stored learning model with the waveform pattern of the data extracted from the sensor data database unit, and determines the presence or absence of the abnormal symptom from the difference between the waveform patterns.
Further, a method for detecting signs of abnormality in plant equipment disclosed in the present application includes the following steps using the above-described system for detecting signs of abnormality in plant equipment.
ST1. A normal data sample setting unit of a terminal operated by a technician transmits a normal data sample to the normal data sample storage unit of the abnormality sign detection device.
ST2. The normal data information calculation unit extracts sample data for each signal from the normal data samples from the normal data sample storage unit.
ST3. The normal data information calculation unit analyzes the sample data and calculates a feature amount of the waveform.
ST4. The normal data information calculation unit classifies the shape of the waveform from information on the difference between the start point and the end point of the waveform and the frequency of vibration.
ST5. Based on the allowable range of change preset by the technical staff and the ratio indicating the degree of similarity, an upper limit value and a lower limit value, which are a range of allowable values as similar waveforms of normal data, and a score within the range of the upper limit value and the lower limit value, which falls within the ratio, are calculated.
ST6. The normal data information calculation unit writes to the normal data information database unit based on the calculated range of allowable values for similar waveforms of normal data and information on the number of points that should fall within the range.
ST7. The normal data selection unit extracts past sensor data from the sensor data database unit, and calculates waveform feature amounts and shape classifications.
ST8. The normal data selection unit extracts normal data information of the most similar waveform from the normal data information calculation unit based on the calculated feature amount of the waveform and the shape classification information.
ST9. The normal data selection unit determines whether or not the waveform has data for the required number of points within the allowable range of the normal data information.
ST10. The normal data selection unit classifies the waveform satisfying the condition of ST9 as normal data.
ST11. The normal data selection unit classifies normal data until the waveforms classified as normal data reach a predetermined amount of data necessary for constructing a learning model.
ST12. When the required amount of data is reached, the selected data is sent to the learning model construction unit.
ST13. The learning model construction unit calculates a threshold value for abnormality determination for each signal of normal data, and stores it in the learning model storage unit together with waveform parameters.
ST14. The abnormal sign determination unit compares the waveform pattern of the stored learning model with the waveform pattern of the data extracted from the sensor data database unit, and determines the presence or absence of the abnormal sign based on the difference between the waveform patterns.
ST15. The abnormality symptom determination unit stores the determination result of determining the presence or absence of the abnormality symptom in the detection result database unit.
ST16. The determination result is displayed on the display unit of the terminal.
また、本願に開示されるプラント設備の異常兆候検知システムは、技術員が操作する端末と、プラント設備の出力を格納するセンサデータ収集装置と、前記端末からの信号と前記センサデータ収集装置の信号を受信する異常兆候検知装置が設けられており、前記端末から送信される正常データのサンプルが、前記異常兆候検知装置に設けられた正常データサンプル格納部に格納されるとともに、正常データ情報算出部によって前記正常データのサンプルから信号ごとの正常データの情報が算出され、正常データ選定部はセンサデータデータベース部に格納されているセンサデータから学習モデルを構築するための所定の正常データを選定するとともに、学習モデル構築部によって前記選定された正常データの情報を基にして学習モデルが構築されるとともに、前記正常データ情報算出部は前記正常データのサンプルが過去に送信された正常データのサンプルと同一のものと判定すると、前記過去の正常データのサンプルに基づいて構築されている学習モデルを学習モデル格納部から抽出し、前記異常兆候検知装置の異常兆候判定部は、前記抽出された学習モデルの波形と、前記プラント設備の出力を格納する前記センサデータ収集装置を介するセンサデータデータベース部に格納されたセンサデータの波形とを比較して、異常兆候発生の有無を判定するとともに、前記異常兆候発生の有無を判定した判定結果が前記端末の表示部に表示され、
The normal data information calculation unit extracts sample data for each signal from the normal data sample from the normal data sample storage unit,
Analyzing the sample data to calculate a feature amount of the waveform,
Classifying the shape of the waveform from the difference between the start point and the end point of the waveform and the information on the frequency,
From the information of the allowable change width and the ratio indicating the degree of similarity preset by the technician, the upper limit and lower limit that are the range of allowable values as similar waveforms of normal data, and the range of the upper limit and lower limit The points that fall within the ratio are calculated,
Determining that the sample of normal data is the same as sample data of normal data processed in the past, extracting a learning model constructed based on the sample of normal data in the past from a learning model storage unit,
If the sample of normal data is not the same as the sample data of normal data processed in the past, based on the information on the range of allowable values as a similar waveform of the calculated normal data and the number of points that should fall within the range, write to the normal data information database unit,
The normal data selection unit extracts past sensor data from the sensor data database unit, calculates the feature amount of the waveform and the classification of the shape,
Extracting normal data information of the most similar waveform from the normal data information calculation unit based on the calculated waveform feature amount and shape classification information,
determining whether or not the waveform has the required number of data within the allowable range of the normal data information, and classifying the waveform satisfying the condition as normal data;
Classifying normal data until the waveform classified as normal data reaches a predetermined amount of data required for building a learning model, and when the required amount of data is reached, transmitting the selected data to the learning model construction unit,
The learning model construction unit calculates a threshold value for abnormality determination for each signal of normal data, stores it in the learning model storage unit together with waveform parameters,
The abnormal symptom determination unit compares the waveform pattern of the stored learning model with the waveform pattern of the data extracted from the sensor data database unit, and determines the presence or absence of the abnormal symptom from the difference between the waveform patterns.
Further, a method for detecting signs of abnormality in plant equipment disclosed in the present application includes the following steps using the above-described system for detecting signs of abnormality in plant equipment.
ST1. A normal data sample setting unit of a terminal operated by a technician transmits a normal data sample to the normal data sample storage unit of the anomaly sign detection device.
ST2. The normal data information calculation unit extracts sample data for each signal from the normal data samples from the normal data sample storage unit.
ST3. The normal data information calculation unit analyzes the sample data and calculates a feature amount of the waveform.
ST4. The normal data information calculation unit classifies the shape of the waveform from information on the difference between the start point and the end point of the waveform and the frequency of vibration.
ST5. Based on the allowable range of change preset by the engineer and the ratio indicating the degree of similarity, an upper limit value and a lower limit value, which are the range of allowable values for a similar waveform of normal data, and a score within the range of the upper limit value and the lower limit value, which falls within the ratio, are calculated.
ST5A. The normal data information calculation unit determines that the sample of normal data is the same as sample data of normal data processed in the past.
ST14. The abnormal sign determination unit extracts a learning model constructed based on the past normal data from the learning model storage unit, compares the waveform pattern of the learning model with the waveform pattern of the data extracted from the sensor data database unit, and determines the presence or absence of the abnormal sign from the difference in the waveform patterns.
ST15. The abnormality symptom determination unit stores the determination result of determining the presence or absence of the abnormality symptom in the detection result database unit.
ST16. The determination result is displayed on the display unit of the terminal.
本願に開示されるプラント設備の異常兆候検知システムおよびプラント設備の異常兆候検知方法は、上記のような構成および方法を採用しているので、精度を向上させた学習モデルを用いて異常兆候を検知することにより、誤検知を削減する。 Since the system for detecting signs of abnormality in plant equipment and the method for detecting signs of abnormality in plant equipment disclosed in the present application employ the configuration and method as described above, false detections are reduced by detecting signs of abnormality using a learning model with improved accuracy.
実施の形態1.
実施の形態1による例えば火力発電所におけるプラント設備の異常兆候検知システム100(以下、検知システム100と略す)を図に基づいて説明する。図1は検知システム100を示す全体概要図である。検知システム100には複数のプラント設備101と前記プラント設備101に設置された図示省略したセンサが出力するセンサデータを収集するセンサデータ収集装置102と、前記センサデータを用いてプラント設備101の異常兆候を検知する異常兆候検知装置103(以下、検知装置103と略す)と、プラントの技術員がプラント設備101の異常兆候の確認を行うための端末104とが設けられる。
An abnormality sign detection system 100 (hereinafter abbreviated as detection system 100) for plant equipment in, for example, a thermal power plant according to
検知装置103には、正常データ情報算出部31、正常データ選定部32、学習モデル構築部33、異常兆候判定部34、センサデータD/B部35、正常データサンプル格納部36、正常データ情報D/B部37、学習モデル格納部38、検知結果D/B部39が設けられている。尚、D/Bとはデータベースの略である。
The
端末104は、技術員が操作入力する正常データサンプル設定部41と異常兆候の判定結果を表示する表示部42が設けられる。
The terminal 104 is provided with a normal data
図2はプラント設備101の、例えば送水ポンプ駆動用の電動機における正常データサンプルのデータの一例を示すもので、図示する信号Aは電動機の主回路電流センサの出力信号、信号Bは電動機の振動センサの出力信号である。ここで上述の如く、信号A、信号Bは、共に電動機に異常兆候が認められない正常動作データの例を示しており、センサの信号ごとの正常動作のサンプルとなる波形パターンとその類似波形として判定する場合に使用する。尚、図2に示すように、正常動作として許容する許容変化幅、類似度の値を持つ。また、図2ではセンサデータの波形パターンをグラフで図示しているが、これは説明をより理解し易くするためであり、実際のデータは図中の吹き出しに示すような時系列のデータである。ここで、図2では信号A、信号Bの2個の信号について表示しているが、2個に限るものでない。 FIG. 2 shows an example of normal data sample data in the plant facility 101, for example, a motor for driving a water pump. Signal A shown in the figure is the output signal of the main circuit current sensor of the motor, and signal B is the output signal of the vibration sensor of the motor. As described above, the signals A and B both show examples of normal operation data in which no signs of abnormality are observed in the motor, and are used for determination as waveform patterns and similar waveforms that serve as samples of normal operation for each sensor signal. In addition, as shown in FIG. 2, there are values of allowable change width and similarity that are allowed as normal operation. In addition, although FIG. 2 shows the waveform pattern of the sensor data as a graph, this is to make the explanation easier to understand, and the actual data is time-series data as shown in the balloons in the figure. Here, although two signals, signal A and signal B, are shown in FIG. 2, the number of signals is not limited to two.
以下、実施の形態1の説明では信号Aを取り上げて行う。図2の信号Aの波形パターンは、1は上昇型、2は下降型であり、許容変化幅として最大偏差5%とし、類似度を90%としている。 In the following description of the first embodiment, the signal A will be taken up. As for the waveform pattern of the signal A in FIG. 2, 1 is an ascending type and 2 is a descending type.
図3は、信号Aの正常データ情報のデータの一例を示すもので、センサ信号ごとに正常データのサンプルから算出した波形情報を持つ。各サンプルの波形情報は、波形の特徴量である時系列データの点数、最大値、最小値、平均値、最大偏差、最大・最小値差、振動数、傾き、その他必要とする値および形状の分類情報、許容する変化幅から算出した正常データとして許容する許容値の上限値と下限値、類似波形として判定する際の許容範囲内に収まる点数他からなる。 FIG. 3 shows an example of data of normal data information of signal A, and each sensor signal has waveform information calculated from samples of normal data. The waveform information of each sample consists of the number of time-series data points, maximum value, minimum value, average value, maximum deviation, maximum/minimum value difference, frequency, slope, and other required values and shape classification information, the upper and lower limits of the allowable values for normal data calculated from the allowable range of variation, and the number of points within the allowable range for determining similar waveforms.
波形の特徴量の一例を図4に示す。図4においてセンサデータは実線で示しており、許容値(上、下)の範囲は実線に沿うハッチングで示している。 FIG. 4 shows an example of waveform feature amounts. In FIG. 4, sensor data is indicated by a solid line, and the range of allowable values (upper and lower) is indicated by hatching along the solid line.
図5に学習モデルの一例を示す。学習モデルはセンサの信号ごとに正常データの波形パターンと、異常判定の閾値を有する。この閾値の算出方法は後述する。尚、図5においても波形パターンをグラフで示したが、実際のデータは時系列のデータである。 FIG. 5 shows an example of a learning model. The learning model has a waveform pattern of normal data and a threshold for abnormality determination for each sensor signal. A method for calculating this threshold will be described later. Although the waveform pattern is shown graphically in FIG. 5, the actual data is time-series data.
次に、検知システム100による学習モデルの構築とプラント設備101の異常兆候を検知する動作について説明する。図6、図7、図8に動作のフローチャートを示す。尚、STはステップの略である。
ST1.検知装置103の正常データサンプル格納部36には、予め技術員が端末104を操作して、正常データサンプル設定部41から複数の正常データのサンプルとなる波形パターン、変化幅、類似度の情報が格納されている。
ST2.検知装置103が起動すると、正常データ情報算出部31は上記正常データサンプル格納部36に格納された信号ごとの正常データのサンプルデータを抽出する。
ST3.正常データ情報算出部31は、上記正常データのサンプルデータの波形を解析し、波形の特徴量である時系列データの点数、最大値、最小値、平均値、最大偏差、最大・最小値差、振動数、傾き、その他必要とする値を算出する。
ST4.データの始点と終点の差、振動数他の情報から、波形の形状(定常型、上昇型、下降型、上ピーク型、下ピーク型、振動型他)を分類する。
ST5.予め設定された許容される変化幅、類似度の情報から、正常データの類似波形として許容値の範囲(上限値と下限値)、範囲内に収まるべき点数を算出する。この場合、例えばある信号の正常データサンプルの許容変化幅が最大偏差5%、類似度が90%とするとき、ある期間の波形が正常データサンプルのセンサデータの値±最大偏差5%の範囲に収まる点が10点の内9点あれば、その期間の波形は正常データの類似波形となる。
ST6.正常データ情報算出部31は、前記算出された正常データの類似波形の許容値の範囲、範囲内に収まるべき点数の情報を正常データ情報D/B部37に書き込む。
ST7.正常データ選定部32は、過去のセンサデータをセンサデータD/B部35から抽出し、波形の特徴量と波形の分類を算出する。
ST8.正常データ選定部32は、算出された波形の特徴量と形状の分類の情報を基に正常データ情報D/B部37から最も類似する波形の正常データ情報を取り出す。
ST9.正常データ選定部32は、前記波形が前記正常データ情報の許容値の範囲内に必要点数分のデータの有無を判定する。有(YES)の場合ST10に進み、無(NO)の場合ST7に戻る。
ST10.正常データ選定部32は、前記ST9の条件を満たす波形を正常データに分類する。
ST11.正常データ選定部32は、前記正常データに分類された波形が学習モデル生成に必要な所定のデータ量に達するまで分類を行う。YESの場合ST12に進み、NOの場合ST7に戻る。ここで、前記必要な所定のデータ量は、検知システム100に予め設定されているもの、もしくは技術員によって設定されているものである。
ST12.正常データ選定部32は、上記必要な所定のデータ量に達すると、選定した正常データを学習モデル構築部33に送信する。
ST13.学習モデル構築部33は、上記選定された正常データから信号ごとに異常判定の閾値を算出し、波形パターンとともに学習モデル格納部38に格納する。ここで、上記閾値の算出方法としては、信号ごとの波形同士の総当たりで波形の距離を計算し、その最小値を類似度として算出する。この波形の距離計算にはユークリッド距離あるいはDTW(Dynamic Time Warping)距離を使用する。算出した類似度が正規分布に倣うという仮定のもとで算出した類似度の3σの値を閾値として採用する方法もある。
上記ST1~ST13が学習モデル構築の動作フローである。
Next, the construction of a learning model by the
ST1. In the normal data
ST2. When the
ST3. The normal data
ST4. Waveform shape (stationary type, rising type, falling type, upper peak type, lower peak type, vibration type, etc.) is classified based on the difference between the starting point and the ending point of the data, the frequency, and other information.
ST5. Based on preset allowable change width and similarity information, the allowable value range (upper limit and lower limit) for a similar waveform of normal data and the number of points to be within the range are calculated. In this case, for example, when the allowable change width of a normal data sample of a certain signal is 5% in maximum deviation and the similarity is 90%, if 9 out of 10 points of the waveform in a certain period fall within the range of the sensor data value of the normal data sample ± 5% in maximum deviation, the waveform in that period becomes a waveform similar to the normal data.
ST6. The normal data
ST7. The normal
ST8. The normal
ST9. The normal
ST10. The normal
ST11. The normal
ST12. The normal
ST13. The learning
The above ST1 to ST13 are the operation flow for constructing the learning model.
次のST14~ST16は異常兆候を検知する動作フローである。
ST14.異常兆候判定部34は、学習モデル格納部38に格納されている構築された学習モデルの波形パターンと、センサデータD/B部35から取り出したデータの波形パターンとを比較して、波形パターンの相違から異常兆候の有無を判定する。
ST15.異常兆候判定部34は、異常兆候を検知した結果を検知結果D/B部39に格納する。
ST16.端末104の表示部42には、検知結果D/B部39に格納された判定結果が表示される。
The next steps ST14 to ST16 are the operation flow for detecting signs of abnormality.
ST14. The abnormality
ST15. The abnormality
ST16. The determination result stored in the detection result D/
以上のように、この実施の形態1によれば学習モデル構築に使用するデータを自動で選定した上で学習するので、学習モデル作成に適さない不要なデータが含まれる恐れがなく、学習モデルの精度の向上が可能となり、また必要量のデータのみを使用して学習モデルを作成するので、学習モデルのデータ量を削減し、異常兆候有無を判定する際の処理時間を短縮出来るという効果がある。 As described above, according to the first embodiment, data to be used for constructing a learning model is automatically selected before learning, so there is no possibility that unnecessary data unsuitable for creating a learning model will be included, and the accuracy of the learning model can be improved. In addition, since the learning model is created using only the necessary amount of data, the amount of data in the learning model can be reduced, and the processing time for determining the presence or absence of an abnormality sign can be reduced.
実施の形態2.
次に、実施の形態2の検知システム100による学習モデルの構築とプラント設備101の異常兆候を検知する動作を図9、図10、図11に示す動作フローチャートに基づき説明する。図9、図10、図11において、ST5A以外のST1~ST16の記載内容は前述した実施の形態1の図6、図7、図8に示したものと同一である。この実施の形態2は実施の形態1のST1の動作において技術員が操作する端末104から送信される正常データのサンプルが、何らかの理由によって過去に送信された正常データのサンプルと同一のものである場合、過去の正常データのサンプルに基づいて構築された学習モデルを学習モデル格納部38から抽出し、この抽出した学習モデルによって異常兆候の有無を判定するものである。すなわち、実施の形態2は図9、図10、図11に示すように、実施の形態1の図6、図7、図8で示したST5の次にST5Aを挿入しており、このことにより過去に構築した学習データの有効活用が可能となる。
Next, the operation of constructing a learning model and detecting an abnormality sign of the plant equipment 101 by the
ST5Aは、正常データ情報算出部31は前記正常データが過去に処理し学習モデル格納部38に格納の正常データのサンプルデータと同一であるか否かのチェックを行い、同一の場合(YESの場合)はST14に進み、同一でない場合(NOの場合)は実施の形態1で示したST6~ST16に進むものである。
In ST5A, the normal data
以上のように、この実施の形態2では、過去に構築した学習データを有効活用することが可能であり、実施の形態1に加えて異常兆候有無の判定に要する処理時間を更に短縮可能とする効果がある。 As described above, in the second embodiment, it is possible to effectively utilize the learning data constructed in the past, and in addition to the first embodiment, there is an effect that the processing time required for determining the presence or absence of an abnormality sign can be further shortened.
尚、実施の形態1、実施の形態2は、信号ごとに学習モデルを構築して異常兆候の検知が可能なため、信号同士の関係性が不明な場合であっても適用可能である。
It should be noted that
本願は、様々な例示的な実施の形態及び実施例が記載されているが、1つ、または複数の実施の形態に記載された様々な特徴、態様、及び機能は特定の実施の形態の適用に限られるのではなく、単独で、または様々な組み合わせで実施の形態に適用可能である。
従って、例示されていない無数の変形例が、本願に開示される技術の範囲内において想定される。例えば、少なくとも1つの構成要素を変形する場合、追加する場合または省略する場合、さらには、少なくとも1つの構成要素を抽出し、他の実施の形態の構成要素と組み合わせる場合が含まれるものとする。
Although this application describes various exemplary embodiments and examples, the various features, aspects, and functions described in one or more embodiments are not limited to the application of particular embodiments, but are applicable to the embodiments singly or in various combinations.
Therefore, countless modifications not illustrated are envisioned within the scope of the technology disclosed in the present application. For example, modification, addition or omission of at least one component, extraction of at least one component, and combination with components of other embodiments shall be included.
31 正常データ情報算出部、32 正常データ選定部、33 学習モデル構築部、
34 異常兆候判定部、35 センサデータD/B部、
36 正常データサンプル格納部、37 正常データ情報D/B部、
38 学習モデル格納部、39 検知結果D/B部、41 正常データサンプル設定部、
42 表示部、100 異常兆候検知システム、101 プラント設備、
102 センサデータ収集装置、103 異常兆候検知装置、104 端末。
31 normal data information calculation unit, 32 normal data selection unit, 33 learning model construction unit,
34 abnormality sign determination unit, 35 sensor data D/B unit,
36 normal data sample storage unit, 37 normal data information D/B unit,
38 learning model storage unit, 39 detection result D/B unit, 41 normal data sample setting unit,
42 display unit, 100 abnormality sign detection system, 101 plant equipment,
102 sensor data collection device, 103 abnormality sign detection device, 104 terminal.
Claims (6)
前記正常データ情報算出部は、前記正常データサンプル格納部から、前記正常データのサンプルから信号ごとのサンプルデータを取り出し、
前記サンプルデータを解析して波形の特徴量を算出し、
前記波形の始点と終点との差、振動数の情報から、波形の形状を分類し、
前記技術員によって予め設定された許容される変化幅、類似度を示す割合の情報から、正常データの類似波形としての許容値の範囲である上限値と下限値、前記上限値と下限値の範囲内に前記割合に収まる点数を算出し、
前記算出された正常データの類似波形としての許容値の範囲、範囲内に収まるべき点数の情報を基に、正常データ情報データベース部に書き込み、
前記正常データ選定部は、過去のセンサデータをセンサデータデータベース部から抽出し、波形の特徴量と形状の分類を算出し、
前記算出された波形の特徴量と形状の分類の情報を基に正常データ情報算出部から、最も類似する波形の正常データ情報を取り出し、
前記波形が前記正常データ情報の許容値の範囲内に必要点数分のデータがあるか否かを判定し、条件を満たす波形を正常データと分類し、
前記正常データに分類された波形が学習モデルの構築に必要な所定のデータ量に達するまで正常データの分類を行い、必要なデータ量に達すると、選定したデータを前記学習モデル構築部に送信し、
前記学習モデル構築部は、正常データの信号ごとに異常判定の閾値を算出し、波形のパラメータとともに学習モデル格納部に格納し、
前記異常兆候判定部は、前記格納された学習モデルの波形パターンと、センサデータデータベース部から取り出したデータの波形パターンとを比較して、波形パターンの違いから異常兆候の有無を判定する、
プラント設備の異常兆候検知システム。 技術員が操作する端末と、プラント設備の出力を格納するセンサデータ収集装置と、前記端末からの信号と前記センサデータ収集装置の信号を受信する異常兆候検知装置が設けられており、前記端末から送信される正常データのサンプルが、前記異常兆候検知装置に設けられた正常データサンプル格納部に格納されるとともに、正常データ情報算出部によって前記正常データのサンプルから信号ごとの正常データの情報が算出され、正常データ選定部はセンサデータデータベース部に格納されているセンサデータから学習モデルを構築するための所定の正常データを選定するとともに、学習モデル構築部によって前記選定された正常データの情報を基にして学習モデルが構築され、前記異常兆候検知装置の異常兆候判定部は、前記構築された学習モデルの波形と、前記プラント設備の出力を格納する前記センサデータ収集装置を介するセンサデータデータベース部に格納されたセンサデータの波形とを比較して、異常兆候発生の有無を判定するとともに、前記異常兆候発生の有無を判定した判定結果が前記端末の表示部に表示され、
The normal data information calculation unit extracts sample data for each signal from the normal data sample from the normal data sample storage unit,
Analyzing the sample data to calculate a feature amount of the waveform,
Classifying the shape of the waveform from the difference between the start point and the end point of the waveform and the information on the frequency,
From the information of the allowable change width and the ratio indicating the degree of similarity preset by the technician, the upper limit and lower limit that are the range of allowable values as similar waveforms of normal data, and the range of the upper limit and lower limit The points that fall within the ratio are calculated,
Based on the calculated range of allowable values as a similar waveform of normal data and information on the number of points that should fall within the range, write to the normal data information database unit,
The normal data selection unit extracts past sensor data from the sensor data database unit, calculates the feature amount of the waveform and the classification of the shape,
Extracting normal data information of the most similar waveform from the normal data information calculation unit based on the calculated waveform feature amount and shape classification information,
determining whether or not the waveform has the required number of data within the allowable range of the normal data information, and classifying the waveform satisfying the condition as normal data;
Classifying normal data until the waveform classified as normal data reaches a predetermined amount of data required for building a learning model, and when the required amount of data is reached, transmitting the selected data to the learning model construction unit,
The learning model construction unit calculates a threshold value for abnormality determination for each signal of normal data, stores it in the learning model storage unit together with waveform parameters,
The abnormal sign determination unit compares the waveform pattern of the stored learning model with the waveform pattern of the data extracted from the sensor data database unit, and determines the presence or absence of the abnormal sign from the difference between the waveform patterns.
Abnormal sign detection system for plant equipment.
前記正常データ情報算出部は、前記正常データサンプル格納部から、前記正常データのサンプルから信号ごとのサンプルデータを取り出し、
前記サンプルデータを解析して波形の特徴量を算出し、
前記波形の始点と終点との差、振動数の情報から、波形の形状を分類し、
前記技術員によって予め設定された許容される変化幅、類似度を示す割合の情報から、正常データの類似波形としての許容値の範囲である上限値と下限値、前記上限値と下限値の範囲内に前記割合に収まる点数を算出し、
前記正常データのサンプルが過去に処理した正常データのサンプルデータと同一のものと判定し、前記過去の正常データのサンプルに基づいて構築されている学習モデルを学習モデル格納部から抽出し、
前記正常データのサンプルが過去に処理した正常データのサンプルデータと同一のものがない場合は、前記算出された正常データの類似波形としての許容値の範囲、範囲内に収まるべき点数の情報を基に、正常データ情報データベース部に書き込み、
前記正常データ選定部は、過去のセンサデータをセンサデータデータベース部から抽出し、波形の特徴量と形状の分類を算出し、
前記算出された波形の特徴量と形状の分類の情報を基に正常データ情報算出部から、最も類似する波形の正常データ情報を取り出し、
前記波形が前記正常データ情報の許容値の範囲内に必要点数分のデータがあるか否かを判定し、条件を満たす波形を正常データと分類し、
前記正常データに分類された波形が学習モデルの構築に必要な所定のデータ量に達するまで正常データの分類を行い、必要なデータ量に達すると、選定したデータを前記学習モデル構築部に送信し、
前記学習モデル構築部は、正常データの信号ごとに異常判定の閾値を算出し、波形のパラメータとともに学習モデル格納部に格納し、
前記異常兆候判定部は、前記格納された学習モデルの波形パターンと、センサデータデータベース部から取り出したデータの波形パターンとを比較して、波形パターンの違いから異常兆候の有無を判定する、
プラント設備の異常兆候検知システム。 技術員が操作する端末と、プラント設備の出力を格納するセンサデータ収集装置と、前記端末からの信号と前記センサデータ収集装置の信号を受信する異常兆候検知装置が設けられており、前記端末から送信される正常データのサンプルが、前記異常兆候検知装置に設けられた正常データサンプル格納部に格納されるとともに、正常データ情報算出部によって前記正常データのサンプルから信号ごとの正常データの情報が算出され、正常データ選定部はセンサデータデータベース部に格納されているセンサデータから学習モデルを構築するための所定の正常データを選定するとともに、学習モデル構築部によって前記選定された正常データの情報を基にして学習モデルが構築されるとともに、前記正常データ情報算出部は前記正常データのサンプルが過去に送信された正常データのサンプルと同一のものと判定すると、前記過去の正常データのサンプルに基づいて構築されている学習モデルを学習モデル格納部から抽出し、前記異常兆候検知装置の異常兆候判定部は、前記抽出された学習モデルの波形と、前記プラント設備の出力を格納する前記センサデータ収集装置を介するセンサデータデータベース部に格納されたセンサデータの波形とを比較して、異常兆候発生の有無を判定するとともに、前記異常兆候発生の有無を判定した判定結果が前記端末の表示部に表示され、
The normal data information calculation unit extracts sample data for each signal from the normal data sample from the normal data sample storage unit,
Analyzing the sample data to calculate a feature amount of the waveform,
Classifying the shape of the waveform from the difference between the start point and the end point of the waveform and the information on the frequency,
From the information of the allowable change width and the ratio indicating the degree of similarity preset by the technician, the upper limit and lower limit that are the range of allowable values as similar waveforms of normal data, and the range of the upper limit and lower limit The points that fall within the ratio are calculated,
Determining that the sample of normal data is the same as sample data of normal data processed in the past, extracting a learning model constructed based on the sample of normal data in the past from a learning model storage unit,
If the sample of normal data is not the same as the sample data of normal data processed in the past, based on the information on the range of allowable values as a similar waveform of the calculated normal data and the number of points that should fall within the range, write to the normal data information database unit,
The normal data selection unit extracts past sensor data from the sensor data database unit, calculates the feature amount of the waveform and the classification of the shape,
Extracting normal data information of the most similar waveform from the normal data information calculation unit based on the calculated waveform feature amount and shape classification information,
determining whether or not the waveform has the required number of data within the allowable range of the normal data information, and classifying the waveform satisfying the condition as normal data;
Classifying normal data until the waveform classified as normal data reaches a predetermined amount of data required for building a learning model, and when the required amount of data is reached, transmitting the selected data to the learning model construction unit,
The learning model construction unit calculates a threshold value for abnormality determination for each signal of normal data, stores it in the learning model storage unit together with waveform parameters,
The abnormal sign determination unit compares the waveform pattern of the stored learning model with the waveform pattern of the data extracted from the sensor data database unit, and determines the presence or absence of the abnormal sign from the difference between the waveform patterns.
Abnormal sign detection system for plant equipment.
ST1.技術員が操作する端末の正常データサンプル設定部から、正常データのサンプルが異常兆候検知装置の正常データサンプル格納部に送信される。
ST2.正常データ情報算出部は、前記正常データサンプル格納部から、前記正常データのサンプルから信号ごとのサンプルデータを取り出す。
ST3.前記正常データ情報算出部は、前記サンプルデータを解析して波形の特徴量を算出する。
ST4.前記正常データ情報算出部は、前記波形の始点と終点との差、振動数の情報から、波形の形状を分類する。
ST5.前記技術員によって予め設定された許容される変化幅、類似度を示す割合の情報から、正常データの類似波形としての許容値の範囲である上限値と下限値、前記上限値と下限値の範囲内に前記割合に収まる点数を算出する。
ST6.正常データ情報算出部は、前記算出された正常データの類似波形としての許容値の範囲、範囲内に収まるべき点数の情報を基に、正常データ情報データベース部に書き込む。
ST7.正常データ選定部は、過去のセンサデータをセンサデータデータベース部から抽出し、波形の特徴量と形状の分類を算出する。
ST8.前記正常データ選定部は、前記算出された波形の特徴量と形状の分類の情報を基に正常データ情報算出部から、最も類似する波形の正常データ情報を取り出す。
ST9.前記正常データ選定部は、前記波形が前記正常データ情報の許容値の範囲内に必要点数分のデータがあるか否かを判定する。
ST10.前記正常データ選定部は、前記ST9の条件を満たす波形を正常データと分類する。
ST11.前記正常データ選定部は、前記正常データに分類された波形が学習モデルの構築に必要な所定のデータ量に達するまで正常データの分類を行う。
ST12.必要なデータ量に達すると、選定したデータを学習モデル構築部に送信する。
ST13.前記学習モデル構築部は、正常データの信号ごとに異常判定の閾値を算出し、波形のパラメータとともに学習モデル格納部に格納する。
ST14.異常兆候判定部は、前記格納された学習モデルの波形パターンと、センサデータデータベース部から取り出したデータの波形パターンとを比較して、波形パターンの違いから異常兆候の有無を判定する。
ST15.前記異常兆候判定部は、前記異常兆候の有無を判定した判定結果を検知結果データベース部に格納する。
ST16.前記判定結果は、前記端末の表示部に表示される。 A method for detecting signs of abnormality in plant equipment, comprising the following steps, using the system for detecting signs of abnormality in plant equipment according to claim 1 .
ST1. A normal data sample setting unit of a terminal operated by a technician transmits a normal data sample to the normal data sample storage unit of the abnormality sign detection device.
ST2. The normal data information calculation unit extracts sample data for each signal from the normal data samples from the normal data sample storage unit.
ST3. The normal data information calculation unit analyzes the sample data and calculates a feature amount of the waveform.
ST4. The normal data information calculation unit classifies the shape of the waveform from information on the difference between the start point and the end point of the waveform and the frequency of vibration.
ST5. Based on the allowable range of change preset by the technical staff and the ratio indicating the degree of similarity, an upper limit value and a lower limit value, which are a range of allowable values as similar waveforms of normal data, and a score within the range of the upper limit value and the lower limit value, which falls within the ratio, are calculated.
ST6. The normal data information calculation unit writes to the normal data information database unit based on the calculated range of allowable values for similar waveforms of normal data and information on the number of points that should fall within the range.
ST7. The normal data selection unit extracts past sensor data from the sensor data database unit, and calculates waveform feature amounts and shape classifications.
ST8. The normal data selection unit extracts normal data information of the most similar waveform from the normal data information calculation unit based on the calculated feature amount of the waveform and the shape classification information.
ST9. The normal data selection unit determines whether or not the waveform has data for the required number of points within the allowable range of the normal data information.
ST10. The normal data selection unit classifies the waveform satisfying the condition of ST9 as normal data.
ST11. The normal data selection unit classifies normal data until the waveforms classified as normal data reach a predetermined amount of data necessary for constructing a learning model.
ST12. When the required amount of data is reached, the selected data is sent to the learning model construction unit.
ST13. The learning model construction unit calculates a threshold value for abnormality determination for each signal of normal data, and stores it in the learning model storage unit together with waveform parameters.
ST14. The abnormal sign determination unit compares the waveform pattern of the stored learning model with the waveform pattern of the data extracted from the sensor data database unit, and determines the presence or absence of the abnormal sign based on the difference between the waveform patterns.
ST15. The abnormality symptom determination unit stores the determination result of determining the presence or absence of the abnormality symptom in the detection result database unit.
ST16. The determination result is displayed on the display unit of the terminal.
ST1.技術員が操作する端末の正常データサンプル設定部から、正常データのサンプルが異常兆候検知装置の正常データサンプル格納部に送信される。
ST2.正常データ情報算出部は、前記正常データサンプル格納部から、前記正常データのサンプルから信号ごとのサンプルデータを取り出す。
ST3.前記正常データ情報算出部は、前記サンプルデータを解析して波形の特徴量を算出する。
ST4.前記正常データ情報算出部は、前記波形の始点と終点との差、振動数の情報から、波形の形状を分類する。
ST5.前記技術員によって予め設定された許容される変化幅、類似度を示す割合の情報から、正常データの類似波形としての許容値の範囲である上限値と下限値、前記上限値と下限値の範囲内に前記割合に収まる点数を算出する。
ST5A.正常データ情報算出部は、前記正常データのサンプルが過去に処理した正常データのサンプルデータと同一のものと判定する。
ST14.異常兆候判定部は、前記過去の正常データに基づいて構築された学習モデルを学習モデル格納部から抽出し、前記学習モデルの波形パターンと、センサデータデータベース部から取り出したデータの波形パターンとを比較して、波形パターンの違いから異常兆候の有無を判定する。
ST15.前記異常兆候判定部は、前記異常兆候の有無を判定した判定結果を検知結果データベース部に格納する。
ST16.前記判定結果は、前記端末の表示部に表示される。 A method for detecting signs of abnormality in plant equipment, comprising the following steps, using the system for detecting signs of abnormality in plant equipment according to claim 2 .
ST1. A normal data sample setting unit of a terminal operated by a technician transmits a normal data sample to the normal data sample storage unit of the abnormality sign detection device.
ST2. The normal data information calculation unit extracts sample data for each signal from the normal data samples from the normal data sample storage unit.
ST3. The normal data information calculation unit analyzes the sample data and calculates a feature amount of the waveform.
ST4. The normal data information calculation unit classifies the shape of the waveform from information on the difference between the start point and the end point of the waveform and the frequency of vibration.
ST5. Based on the allowable range of change preset by the technical staff and the ratio indicating the degree of similarity, an upper limit value and a lower limit value, which are a range of allowable values as similar waveforms of normal data, and a score within the range of the upper limit value and the lower limit value, which falls within the ratio, are calculated.
ST5A. The normal data information calculation unit determines that the sample of normal data is the same as sample data of normal data processed in the past.
ST14. The abnormal sign determination unit extracts a learning model constructed based on the past normal data from the learning model storage unit, compares the waveform pattern of the learning model with the waveform pattern of the data extracted from the sensor data database unit, and determines the presence or absence of the abnormal sign from the difference in the waveform patterns.
ST15. The abnormality symptom determination unit stores the determination result of determining the presence or absence of the abnormality symptom in the detection result database unit.
ST16. The determination result is displayed on the display unit of the terminal.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020010500A JP7313292B2 (en) | 2020-01-27 | 2020-01-27 | System for detecting signs of abnormality in plant equipment and method for detecting signs of abnormality in plant equipment |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020010500A JP7313292B2 (en) | 2020-01-27 | 2020-01-27 | System for detecting signs of abnormality in plant equipment and method for detecting signs of abnormality in plant equipment |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021117722A JP2021117722A (en) | 2021-08-10 |
JP7313292B2 true JP7313292B2 (en) | 2023-07-24 |
Family
ID=77174932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020010500A Active JP7313292B2 (en) | 2020-01-27 | 2020-01-27 | System for detecting signs of abnormality in plant equipment and method for detecting signs of abnormality in plant equipment |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7313292B2 (en) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013030984A1 (en) | 2011-08-31 | 2013-03-07 | 株式会社日立エンジニアリング・アンド・サービス | Facility state monitoring method and device for same |
JP6501855B1 (en) | 2017-12-07 | 2019-04-17 | ヤフー株式会社 | Extraction apparatus, extraction method, extraction program and model |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5946573B1 (en) * | 2015-08-05 | 2016-07-06 | 株式会社日立パワーソリューションズ | Abnormal sign diagnosis system and abnormality sign diagnosis method |
JP6698603B2 (en) * | 2017-09-29 | 2020-05-27 | ファナック株式会社 | Numerical control system and method for detecting abnormal operation state |
-
2020
- 2020-01-27 JP JP2020010500A patent/JP7313292B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013030984A1 (en) | 2011-08-31 | 2013-03-07 | 株式会社日立エンジニアリング・アンド・サービス | Facility state monitoring method and device for same |
JP6501855B1 (en) | 2017-12-07 | 2019-04-17 | ヤフー株式会社 | Extraction apparatus, extraction method, extraction program and model |
Also Published As
Publication number | Publication date |
---|---|
JP2021117722A (en) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11933650B2 (en) | Air detection system and method for detecting air in a pump of an infusion system | |
US8682824B2 (en) | Method and device for monitoring the state of a facility | |
US10977568B2 (en) | Information processing apparatus, diagnosis method, and program | |
US20060210141A1 (en) | Inspection method and inspection apparatus | |
EP3392727A1 (en) | Control device, monitoring system, control program, and recording medium | |
JP6076421B2 (en) | Equipment condition monitoring method and apparatus | |
CN104471542B (en) | The hidden Kalman filter of differentiation for the classification of the sensing data flowed in Stateful Inspection | |
CN104915568A (en) | Satellite telemetry data abnormity detection method based on DTW | |
JP4480019B2 (en) | Refinery monitoring system | |
US11692910B2 (en) | Abnormality diagnostic device, abnormality diagnostic method, and program | |
CN106441896A (en) | Characteristic vector extraction method for rolling bearing fault mode identification and state monitoring | |
TWI727289B (en) | Data processing device and data processing method | |
TWI747055B (en) | State inference device and state inference method | |
CN110426634A (en) | A kind of method and apparatus of the predicting abnormality for drive system | |
US20210149387A1 (en) | Facility failure prediction system and method for using acoustic signal of ultrasonic band | |
EP2135144B1 (en) | Machine condition monitoring using pattern rules | |
JP7313292B2 (en) | System for detecting signs of abnormality in plant equipment and method for detecting signs of abnormality in plant equipment | |
Wu et al. | Monitoring of punch failure in micro-piercing process based on vibratory signal and logistic regression | |
CN106441843A (en) | Rotating machinery fault waveform recognition method | |
JP2007108107A (en) | Facility diagnostic device | |
CN111931827A (en) | Hydraulic pump health condition detection system based on multi-sensor information fusion | |
CN117289778A (en) | Real-time monitoring method for health state of industrial control host power supply | |
CN116311593A (en) | Energy consumption calculation method and system | |
JP6898607B2 (en) | Abnormality sign detection system and abnormality sign detection method | |
CN116538092A (en) | Compressor on-line monitoring and diagnosing method, device, equipment and storage medium |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211109 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220912 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220920 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221107 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230110 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230220 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230509 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230529 |
|
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: 20230613 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230711 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7313292 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |