JP7313292B2

JP7313292B2 - System for detecting signs of abnormality in plant equipment and method for detecting signs of abnormality in plant equipment

Info

Publication number: JP7313292B2
Application number: JP2020010500A
Authority: JP
Inventors: 佳奈子甫水
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2020-01-27
Filing date: 2020-01-27
Publication date: 2023-07-24
Anticipated expiration: 2040-01-27
Also published as: JP2021117722A

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).

特開２０１８－１５１８２１号公報JP 2018-151821 A

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 Patent Document 1 extracts normal data after defining a cluster with a large number of data as normal. However, this is based on the premise that most of the sensor data from plant equipment is normal data, and only a small part of it contains data during abnormal times, and there is a problem that normal data cannot be extracted when the behavior of sensor data during normal times is diverse and the difference in the number of data in each cluster in the clustering result is small.

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によるプラント設備の異常兆候検知システムの全体概要を示す図である。BRIEF DESCRIPTION OF THE DRAWINGS FIG. 1 is a diagram showing an overall overview of a system for detecting signs of abnormality in plant equipment according to Embodiment 1; 実施の形態１による正常データサンプルのデータの一例を示す図である。4 is a diagram showing an example of data of normal data samples according to Embodiment 1; FIG. 実施の形態１による正常データ情報のデータの一例を示す図である。4 is a diagram showing an example of data of normal data information according to Embodiment 1; FIG. 実施の形態１によるデータの波形の特徴量の一例を示す図である。4 is a diagram showing an example of a feature amount of a waveform of data according to Embodiment 1; FIG. 実施の形態１による学習モデルの一例を示す図である。FIG. 4 is a diagram showing an example of a learning model according to Embodiment 1; FIG. 実施の形態１によるプラント設備の異常兆候検知システムの動作フローを示す図である。1 is a diagram showing an operation flow of a system for detecting signs of abnormality in plant equipment according to Embodiment 1; FIG. 実施の形態１によるプラント設備の異常兆候検知システムの動作フローを示す図である。1 is a diagram showing an operation flow of a system for detecting signs of abnormality in plant equipment according to Embodiment 1; FIG. 実施の形態１によるプラント設備の異常兆候検知システムの動作フローを示す図である。1 is a diagram showing an operation flow of a system for detecting signs of abnormality in plant equipment according to Embodiment 1; FIG. 実施の形態２によるプラント設備の異常兆候検知システムの動作フローを示す図である。FIG. 10 is a diagram showing an operation flow of a system for detecting signs of abnormality in plant equipment according to Embodiment 2; 実施の形態２によるプラント設備の異常兆候検知システムの動作フローを示す図である。FIG. 10 is a diagram showing an operation flow of a system for detecting signs of abnormality in plant equipment according to Embodiment 2; 実施の形態２によるプラント設備の異常兆候検知システムの動作フローを示す図である。FIG. 10 is a diagram showing an operation flow of a system for detecting signs of abnormality in plant equipment according to Embodiment 2;

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。 Embodiment 1.
An abnormality sign detection system 100 (hereinafter abbreviated as detection system 100) for plant equipment in, for example, a thermal power plant according to Embodiment 1 will be described with reference to the drawings. FIG. 1 is an overall schematic diagram showing a detection system 100. As shown in FIG. The detection system 100 includes a plurality of plant equipment 101 and a sensor data collection device 102 that collects sensor data output by sensors (not shown) installed in the plant equipment 101, an abnormality sign detection device 103 (hereinafter abbreviated as detection device 103) that detects signs of abnormality in the plant equipment 101 using the sensor data, and a terminal 104 for a plant engineer to check signs of abnormality in the plant equipment 101.

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 detection device 103 includes a normal data information calculation unit 31, a normal data selection unit 32, a learning model construction unit 33, an abnormal sign determination unit 34, a sensor data D/B unit 35, a normal data sample storage unit 36, a normal data information D/B unit 37, a learning model storage unit 38, and a detection result D/B unit 39. D/B is an abbreviation for database.

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 sample setting section 41 operated and input by a technician, and a display section 42 for displaying the determination result of an abnormal sign.

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（ＤｙｎａｍｉｃＴｉｍｅＷａｒｐｉｎｇ）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 detection system 100 and the operation of detecting an abnormality symptom of the plant equipment 101 will be described. 6, 7 and 8 show flow charts of the operation. Note that ST is an abbreviation for step.
ST1. In the normal data sample storage unit 36 of the detection device 103, a technician operates the terminal 104 in advance, and from the normal data sample setting unit 41, a plurality of waveform patterns, change widths, and similarity information, which are samples of normal data, are stored.
ST2. When the detection device 103 is activated, the normal data information calculation unit 31 extracts sample data of normal data for each signal stored in the normal data sample storage unit 36 .
ST3. The normal data information calculation unit 31 analyzes the waveform of the sample data of the normal data, and calculates the number of points, the maximum value, the minimum value, the average value, the maximum deviation, the difference between the maximum and minimum values, the frequency, the slope, and other necessary values of the time-series data, which are the characteristic amounts of the waveform.
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 information calculation unit 31 writes information on the calculated allowable range of similar waveforms of normal data and information on the points that should fall within the range to the normal data information D/B unit 37 .
ST7. The normal data selection unit 32 extracts past sensor data from the sensor data D/B unit 35, and calculates waveform feature amounts and waveform classifications.
ST8. The normal data selection unit 32 extracts the normal data information of the most similar waveform from the normal data information D/B unit 37 based on the calculated waveform feature quantity and shape classification information.
ST9. The normal data selection unit 32 determines whether or not the waveform contains the required number of data within the allowable range of the normal data information. If yes (YES), go to ST10. If no (NO), go back to ST7.
ST10. The normal data selection unit 32 classifies waveforms satisfying the conditions of ST9 as normal data.
ST11. The normal data selection unit 32 performs classification until the waveforms classified as normal data reach a predetermined amount of data necessary for generating a learning model. If YES, go to ST12; if NO, go back to ST7. Here, the required predetermined amount of data is preset in the detection system 100 or is set by a technician.
ST12. The normal data selection unit 32 transmits the selected normal data to the learning model construction unit 33 when the necessary predetermined data amount is reached.
ST13. The learning model construction unit 33 calculates a threshold value for abnormality determination for each signal from the selected normal data, and stores it in the learning model storage unit 38 together with the waveform pattern. Here, as a method of calculating the threshold, the distance between waveforms is calculated by round-robin for each signal, and the minimum value thereof is calculated as the degree of similarity. Euclidean distance or DTW (Dynamic Time Warping) distance is used for the distance calculation of this waveform. There is also a method of adopting the value of 3σ of the similarity calculated under the assumption that the calculated similarity follows a normal distribution as a threshold.
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 sign determination unit 34 compares the waveform pattern of the built learning model stored in the learning model storage unit 38 with the waveform pattern of the data extracted from the sensor data D/B unit 35, and determines the presence or absence of an abnormality sign from the difference in the waveform patterns.
ST15. The abnormality sign determination unit 34 stores the detection result of the abnormality sign in the detection result D/B unit 39 .
ST16. The determination result stored in the detection result D/B unit 39 is displayed on the display unit 42 of the terminal 104 .

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。 Embodiment 2.
Next, the operation of constructing a learning model and detecting an abnormality sign of the plant equipment 101 by the detection system 100 of Embodiment 2 will be described based on the operation flowcharts shown in FIGS. In FIGS. 9, 10 and 11, the contents of ST1 to ST16 other than ST5A are the same as those shown in FIGS. 6, 7 and 8 of the first embodiment. In the second embodiment, when the normal data sample transmitted from the terminal 104 operated by the engineer in the operation of ST1 of the first embodiment is the same as the normal data sample transmitted in the past for some reason, the learning model constructed based on the past normal data sample is extracted from the learning model storage unit 38, and the presence or absence of the abnormal sign is determined by the extracted learning model. That is, as shown in FIGS. 9, 10, and 11, in the second embodiment, ST5A is inserted after ST5 shown in FIGS. 6, 7, and 8 of the first embodiment, thereby making it possible to effectively utilize learning data constructed in the past.

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 information calculation unit 31 checks whether or not the normal data is the same as the sample data of the normal data processed in the past and stored in the learning model storage unit 38. If the same (YES), the process proceeds to ST14, and if not the same (NO), the process proceeds to ST6 to ST16 shown in the first embodiment.

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 Embodiments 1 and 2 can construct a learning model for each signal and detect signs of abnormality, so they can be applied even when the relationship between signals is unknown.

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

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、
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.

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、
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.

請求項１に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プラント設備の異常兆候検知方法。
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.

請求項２に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プラント設備の異常兆候検知方法。
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.

前記正常データ情報算出部によって解析されるサンプルデータの波形の特徴量は、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、傾きとする請求項１または請求項２に記載のプラント設備の異常兆候検知システム。 The feature amount of the waveform of the sample data analyzed by the normal data information calculation unit is the number of points, the maximum value, the minimum value, the average value, the maximum deviation, the difference between the maximum and minimum values, the frequency, and the slope of the time series data.

前記正常データ情報算出部によって解析されるサンプルデータの波形の特徴量は、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、傾きとする請求項３または請求項４に記載のプラント設備の異常兆候検知方法。 The feature amount of the waveform of the sample data analyzed by the normal data information calculation unit is the number of points, the maximum value, the minimum value, the average value, the maximum deviation, the maximum/minimum value difference, the frequency, and the slope of the time series data.