JPH09251315A - Plant operation state detection device - Google Patents
Plant operation state detection deviceInfo
- Publication number
- JPH09251315A JPH09251315A JP6088996A JP6088996A JPH09251315A JP H09251315 A JPH09251315 A JP H09251315A JP 6088996 A JP6088996 A JP 6088996A JP 6088996 A JP6088996 A JP 6088996A JP H09251315 A JPH09251315 A JP H09251315A
- Authority
- JP
- Japan
- Prior art keywords
- plant
- groups
- state
- operation state
- monitoring
- 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.)
- Pending
Links
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
Abstract
Description
【０００１】[0001]
【発明の属する技術分野】本発明は、ニューラルネット
ワークを用いて発電設備等のプラントの運転状態を検出
し得るようにした、プラント運転状態検出装置に関する
ものである。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a plant operating state detecting device capable of detecting the operating state of a plant such as a power generation facility using a neural network.
【０００２】[0002]
【従来の技術】発電設備等のプラントでは、従来プラン
トの状態量の異常は警報システムによって識閾値管理が
なされているが、識閾値管理では、その異常の程度が通
常の運転状態からどの程度乖離し、又、他の状態量にど
の程度影響を与えるものか判別できない。2. Description of the Related Art In a plant such as a power generation facility, an alarm system manages an abnormal threshold of the state quantity of the conventional plant. In the intelligent threshold management, however, the degree of the deviation of the abnormal from the normal operating condition is large. However, it is not possible to determine how much it affects other state quantities.
【０００３】すなわち、或る状態量が警報発信した時、
プラントを自動操作に任せるか、手動介入するかは、経
験と他の状態量の対比による判別等、プラント毎の特長
をある程度熟知していないと対応できない。なぜなら、
識閾値管理の警報発信では、状態量の乖離の程度（変化
の程度）及び他の状態量への影響、プラント全体への影
響（危険状態か或いは復元状態かの評価）を判別するこ
とができないからである。That is, when an alarm is issued by a certain amount of state,
Whether to leave the plant to automatic operation or to manually intervene cannot be handled without knowing the features of each plant to some extent, such as discrimination based on comparison between experience and other state quantities. Because
It is not possible to determine the degree of deviation (change degree) of state quantities, the effect on other state quantities, and the effect on the entire plant (evaluation of whether it is in a dangerous state or a restored state) by issuing an alarm for knowledge threshold management. Because.
【０００４】[0004]
【発明が解決しようとする課題】本発明は、多数の状態
量を複数の監視群に区分し、各監視群ごとにニューラル
ネットワークを構築することにより、プラントの運転状
態及びその変化を総合的に且つ定量的に判断し得るよう
にすると共に、プラントの運転状態の変化の原因がどの
監視群に起因するかを知り得るようにすることを目的と
してなしたものである。SUMMARY OF THE INVENTION The present invention divides a large number of state quantities into a plurality of monitoring groups, and constructs a neural network for each monitoring group to comprehensively analyze the operating state of a plant and its changes. In addition to being able to make a quantitative determination, it is intended to know which monitoring group is responsible for the cause of the change in the operating state of the plant.
【０００５】[0005]
【課題を解決するための手段】本発明は、プラントの多
数の状態量を複数の監視群に分けて夫々の監視群ごとに
構築した複数のニューラルネットワーク群を有すると共
に各ニューラルネットワーク群の出力層からの情報を基
にプラント監視指数を求める演算部を有するニューロコ
ンピュータと、該ニューロコンピュータの演算部からの
プラント監視指数をプラントの運転状態を表わす運転状
態指数として表示する表示装置を備えたものである。The present invention has a plurality of neural network groups constructed by dividing a large number of state quantities of a plant into a plurality of monitoring groups and constructing each of the monitoring groups, and an output layer of each neural network group. And a display device for displaying the plant monitoring index from the computing unit of the neurocomputer as an operating state index representing the operating state of the plant. is there.
【０００６】又本発明はプラントの多数の状態量を複数
の監視群に分けて夫々の監視群ごとに構築した複数のニ
ューラルネットワーク群を有すると共に各ニューラルネ
ットワーク群の出力層からの情報を基にプラント監視指
数を求める演算部を有するニューロコンピュータと、該
ニューロコンピュータの演算部からのプラント監視指数
からプラントの運転状態を表わす運転状態指数を求める
関数発生器と、該関数発生器からの運転状態指数を表示
する表示装置を備えたものである。Further, the present invention has a plurality of neural network groups constructed by dividing a large number of state quantities of a plant into a plurality of monitoring groups and constructing each monitoring group, and based on information from the output layer of each neural network group. A neurocomputer having an arithmetic unit for obtaining a plant monitoring index, a function generator for obtaining an operating state index representing the operating state of the plant from the plant monitoring index from the arithmetic unit of the neurocomputer, and an operating state index from the function generator. Is provided with a display device for displaying.
【０００７】本発明では、プラントの運転状態及びその
変化を総合的且つ定量的に把握することが可能となると
共にプラントの運転状態の変化の原因がどの監視群に起
因するか知ることができる。According to the present invention, it becomes possible to comprehensively and quantitatively grasp the operating state of the plant and its change, and it is possible to know which monitoring group causes the change in the operating state of the plant.
【０００８】[0008]
【発明の実施の形態】以下、本発明の実施の形態例をプ
ラントが発電設備の場合について添付図面を参照しつつ
説明する。BEST MODE FOR CARRYING OUT THE INVENTION Embodiments of the present invention will be described below with reference to the accompanying drawings in the case where a plant is a power generation facility.
【０００９】図１は、本発明の実施の形態例に係る装置
の一例で、図中１はニューロコンピュータである。而し
て、該ニューロコンピュータ１は、発電設備の各種セン
サ類２からの各種検出信号（各種状態量）をＡ／Ｄ変換
するＡ／Ｄ変換器３及びＡ／Ｄ変換器３からの各種信号
（各種状態量をＡ／Ｄ変換した信号）を基に各種状態量
のパターン認識、重み係数等からプラントの運転状態を
学習するための演算処理装置（ＣＰＵ）４を備えてい
る。FIG. 1 is an example of an apparatus according to an embodiment of the present invention, in which 1 is a neurocomputer. Thus, the neurocomputer 1 has an A / D converter 3 for A / D converting various detection signals (various state quantities) from various sensors 2 of the power generation equipment and various signals from the A / D converter 3. An arithmetic processing unit (CPU) 4 is provided for learning the operating state of the plant from pattern recognition of various state quantities, weighting factors, etc. based on (a signal obtained by A / D converting various state quantities).
【００１０】演算処理装置４は、演算部、制御部、記憶
部等から構成されている。The arithmetic processing unit 4 is composed of an arithmetic unit, a control unit, a storage unit and the like.
【００１１】又、図中、５はニューロコンピュータ１に
おける演算処理装置４の演算部から与えられた後述のプ
ラント監視指数Ｙを基にプラントの運転状態を示す運転
状態指数Ｚを求める関数発生器、６は関数発生器５から
のプラントの運転状態指数Ｚを表示する表示装置、７は
各種センサ類２が識閾値を越えた時に警報を出力するよ
うにした各種警報装置である。Further, in the figure, 5 is a function generator for obtaining an operating state index Z indicating the operating state of the plant based on a plant monitoring index Y, which will be described later, given from the arithmetic unit of the arithmetic processing unit 4 in the neurocomputer 1, Reference numeral 6 is a display device for displaying the plant operation state index Z from the function generator 5, and reference numeral 7 is various alarm devices for outputting an alarm when the various sensors 2 exceed an identification threshold value.
【００１２】なお、図１では、演算処理装置４と表示装
置６との間に関数発生器５を介在させているが、関数発
生器５は設けずに、演算処理装置４の演算部からプラン
ト監視指数Ｙを直接表示装置６へ与え、プラントの運転
状態指数として表示するようしても良い。Although the function generator 5 is interposed between the arithmetic processing unit 4 and the display unit 6 in FIG. 1, the function generator 5 is not provided and the arithmetic unit of the arithmetic processing unit 4 is connected to the plant. The monitoring index Y may be directly given to the display device 6 and displayed as the operating state index of the plant.
【００１３】次に図１の演算処理装置４に入力される入
力情報と入力値について５００ＭＷ重油焚ボイラについ
て例示すると次のようになる。Next, the input information and the input value input to the arithmetic processing unit 4 of FIG. 1 will be illustrated as follows for a 500 MW heavy oil fired boiler.
【００１４】Ｉ．ボイラ運転基準情報 １）発電機出力指令（０〜５００ＭＷ） ２）出力上下限設定（０〜５００ＭＷ） ３）変化率設定（０〜２５ＭＷ／ｍｉｎ．）I. Boiler operation standard information 1) Generator output command (0 to 500 MW) 2) Output upper and lower limit setting (0 to 500 MW) 3) Change rate setting (0 to 25 MW / min.)
【００１５】ＩＩ．給水関係入力情報 １）ボイラ給水流量（０〜１８００ｔ／ｈ） ２）給水圧力（８５〜２８０ｋｇ／ｃｍ2Ｇ） ３）給水温度（２００〜３００℃）II. Water supply related input information 1) Boiler water supply flow rate (0 to 1800 t / h) 2) Water supply pressure (85 to 280 kg / cm 2 G) 3) Water supply temperature (200 to 300 ° C)
【００１６】ＩＩＩ．蒸気関係入力情報 １）主蒸気温度（５００〜６００℃） ２）主蒸気温度偏差（−３０〜＋３０℃） ３）再熱蒸気温度（５００〜６００℃） ４）再熱蒸気温度偏差（−３０〜＋３０℃） ５）１次過熱器出口蒸気温度（３５０〜５００℃） ６）２次過熱器出口蒸気温度（４００〜６００℃） ７）最終過熱器出口蒸気温度（５００〜６００℃） ８）再熱器入口蒸気温度（２５０〜３５０℃） ９）再熱器出口蒸気温度（５００〜６００℃） １０）主蒸気圧力（８５〜２５０ｋｇ／ｃｍ2Ｇ） １１）主蒸気圧力偏差（−２０〜＋２０ｋｇ／ｃｍ
2Ｇ） １２）再熱蒸気圧力（１５〜５０ｋｇ／ｃｍ2Ｇ） １３）１次スプレー流量（０〜１００ｔ／ｈ） １４）２次スプレー流量（０〜１００ｔ／ｈ） １５）３次スプレー流量（０〜１００ｔ／ｈ） １６）再熱器スプレー流量（０〜２０ｔ／ｈ） １７）再熱器ガスダンパ開度（１５〜８５％） １８）最終過熱器出口メタル温度 Ｎｏ．１〜Ｎｏ．１
０（４００〜６５０℃） １９）再熱器出口メタル温度 Ｎｏ．１〜Ｎｏ．１０
（４００〜６５０％） ２０）気水分離タンク圧力（８５〜２８０ｋｇ／ｃｍ2
Ｇ） ２１）気水分離タンクレベル（０〜２０ｍ）III. Steam-related input information 1) Main steam temperature (500 to 600 ° C) 2) Main steam temperature deviation (-30 to + 30 ° C) 3) Reheat steam temperature (500 to 600 ° C) 4) Reheat steam temperature deviation (-30 ~ + 30 ° C) 5) Primary superheater outlet steam temperature (350 to 500 ° C) 6) Secondary superheater outlet steam temperature (400 to 600 ° C) 7) Final superheater outlet steam temperature (500 to 600 ° C) 8) Reheater inlet steam temperature (250 to 350 ° C) 9) Reheater outlet steam temperature (500 to 600 ° C) 10) Main steam pressure (85 to 250 kg / cm 2 G) 11) Main steam pressure deviation (-20 to 20) +20 kg / cm
2 G) 12) Reheat vapor pressure (15 to 50 kg / cm 2 G) 13) Primary spray flow rate (0 to 100 t / h) 14) Secondary spray flow rate (0 to 100 t / h) 15) Third spray flow rate (0 to 100 t / h) 16) Reheater spray flow rate (0 to 20 t / h) 17) Reheater gas damper opening (15 to 85%) 18) Final superheater outlet metal temperature No. 1 to No. 1
0 (400 to 650 ° C) 19) Reheater outlet metal temperature No. 1 to No. 10
(400-650%) 20) Air / water separation tank pressure (85-280 kg / cm 2
G) 21) Air / water separation tank level (0 to 20 m)
【００１７】ＩＶ．燃料・空気関係入力情報 １）燃料流量（０〜１２０ｔ／ｈ） ２）空気流量（３０〜８５％） ３）燃料温度（５０〜１００℃） ４）燃料圧力（５〜２５ｋｇ／ｃｍ2Ｇ） ５）使用バーナ本数（４〜３２本） ６）風箱空気温度（２００〜３５０℃） ７）Ａ／Ｈ入口ガス温度（２００〜４００℃） ８）Ａ／Ｈ出口ガス温度（５０〜１８０℃） ９）風箱〜火炉ドラフト差圧（０〜２００ｍｍＡｑ） １０）Ａ／Ｈ空気側差圧（０〜１００ｍｍＡｑ） １１）Ａ／Ｈガス側差圧（０〜１００ｍｍＡｑ） １２）火炉ドラフト（１００〜５００ｍｍＡｑ）IV. Fuel / air related input information 1) Fuel flow rate (0 to 120 t / h) 2) Air flow rate (30 to 85%) 3) Fuel temperature (50 to 100 ° C) 4) Fuel pressure (5 to 25 kg / cm 2 G) 5) Number of burners used (4 to 32) 6) Air temperature in air box (200 to 350 ° C) 7) A / H inlet gas temperature (200 to 400 ° C) 8) A / H outlet gas temperature (50 to 180 ° C) ) 9) Wind box to furnace draft differential pressure (0 to 200 mmAq) 10) A / H air side differential pressure (0 to 100 mmAq) 11) A / H gas side differential pressure (0 to 100 mmAq) 12) Furnace draft (100 to) 500 mmAq)
【００１８】Ｖ．排ガス分析データ １）節炭器出口Ｏ2濃度（０〜１０％） ２）節炭器出口ＮＯx濃度（５０〜１５０ｐｐｍ） ３）風箱Ｏ2濃度（１５〜２５％）V. Exhaust gas analytical data 1) economizer outlet O 2 concentration (0-10%) 2) economizer outlet NOx concentration (50 to 150 ppm) 3) windbox O 2 concentration (15-25%)
【００１９】上述の各情報は、例えば、夫々共通点のあ
る情報ごとに図３に示す給水系８、図４に示す蒸気温度
系９、図５に示す蒸気圧力系１０、図６に示すメタル温
度系１１、図７に示す燃料・空気系１２、図８に示す排
ガス分析系１３に分けられ、監視群としてグループ化さ
れている。The above-mentioned information is, for example, for each information having common points, the water supply system 8 shown in FIG. 3, the steam temperature system 9 shown in FIG. 4, the steam pressure system 10 shown in FIG. 5, and the metal shown in FIG. The temperature system 11, the fuel / air system 12 shown in FIG. 7, and the exhaust gas analysis system 13 shown in FIG. 8 are divided into a monitoring group.
【００２０】又、各監視群は、図３〜８に示すごとく、
図１に示す各種センサ類２からの信号が入力される入力
層及び入力層からの情報をもとに種々の学習を行う中間
層並に中間層からの情報を基に出力情報を作り出力する
出力層を有するニューロンが、シナプス結合してニュー
ラルネットワークが構成されるよう、演算処理装置４内
に設定されている。Further, each monitoring group is, as shown in FIGS.
An input layer to which signals from various sensors 2 shown in FIG. 1 are input, and various learning is performed based on information from the input layer. An intermediate layer and output information is generated based on the information from the intermediate layer. A neuron having an output layer is set in the arithmetic processing unit 4 so that a neural network is formed by synaptic connection.
【００２１】ニューラルネットワークによる学習によっ
て得られた各情報は、各出力層から出力されて図２に示
すごとく、演算処理装置４内の演算部１４へ与え得るよ
うになっている。すなわち、図３における給水系評価情
報Ｘ１、図４における蒸気温度系評価情報Ｘ２、図５に
おける蒸気圧力系評価情報Ｘ３、図６におけるメタル温
度系評価情報Ｘ４、図７における燃料・空気系評価情報
Ｘ５、図８における排ガス分析系評価情報Ｘ６は、図１
に示す演算処理装置４内の演算部１４（図２参照）に与
え得るようになっており、演算部１４では、プラント監
視指数Ｙ＝Ｘ１・Ｘ２・Ｘ３・Ｘ４・Ｘ５・Ｘ６の演算
が行われ、各情報からプラントの状態に関する情報を総
合的に見るプラント監視指数Ｙが求められるようになっ
ている。なおプラント監視指数Ｙは一般式としては［数
１］に示すごとく表わされ、０≦Ｙ≦１である。Each information obtained by the learning by the neural network is outputted from each output layer and can be given to the arithmetic unit 14 in the arithmetic processing unit 4 as shown in FIG. That is, water supply system evaluation information X1 in FIG. 3, steam temperature system evaluation information X2 in FIG. 4, steam pressure system evaluation information X3 in FIG. 5, metal temperature system evaluation information X4 in FIG. 6, fuel / air system evaluation information in FIG. X5, the exhaust gas analysis system evaluation information X6 in FIG.
The calculation unit 14 (see FIG. 2) in the calculation processing device 4 shown in FIG. 2 can calculate the plant monitoring index Y = X1, X2, X3, X4, X5, X6. That is, the plant monitoring index Y for comprehensively looking at the information about the state of the plant is obtained from each information. The plant monitoring index Y is expressed as a general formula as shown in [Equation 1], and 0 ≦ Y ≦ 1.
【００２２】[0022]
【数１】 [Equation 1]
【００２３】又、プラント監視指数Ｙは関数発生器５へ
与えられて図９に示すごとくプラントの運転状態指数Ｚ
を求め得るようになっている。なお、関数は現論的、実
験的に決定される。Further, the plant monitoring index Y is given to the function generator 5 and, as shown in FIG.
Can be requested. The function is determined experimentally and experimentally.
【００２４】次に、本発明の実施の形態の作動について
説明する。Next, the operation of the embodiment of the present invention will be described.
【００２５】給水系８、蒸気温度系９、蒸気圧力系１
０、メタル温度系１１、燃料・空気系１２、排ガス分析
系１３にグループ化された監視群についての出力は、各
種センサ類２からの入力値が警報値に達していなけれ
ば、１．０、１個でも警報値に達していれば０．０とし
て学習させる。例えば、メタル温度系１１のグループで
は、過熱器メタル温度の警報値が６０５℃であれば、Ｎ
ｏ．１〜Ｎｏ．１０のメタル温度入力（正規化済入力）
に対して出力を零とする。Water supply system 8, steam temperature system 9, steam pressure system 1
0, the metal temperature system 11, the fuel / air system 12, the exhaust gas analysis system 13, the output of the monitoring group is 1.0, if the input value from the various sensors 2 does not reach the alarm value, If even one alarm value has been reached, it is learned as 0.0. For example, in the group of the metal temperature system 11, if the alarm value of the superheater metal temperature is 605 ° C., N
o. 1 to No. 10 metal temperature inputs (normalized input)
Output is zero.
【００２６】発電設備において、警報の設定の無い入力
値については予め発電機出力指令に対して１〜０の間の
所定の値を決定しておく。In the power generation equipment, for input values for which no alarm is set, a predetermined value between 1 and 0 is previously determined for the generator output command.
【００２７】基本的には、略計画通りの条件（静的条
件）では、各監視群の出力は１．０になるはずである。
各入力値において警報値を越えるケースは負荷変化中に
発生するが、それを学習データに取り込むことで監視群
出力の０．０と１．０のデータを確保して入力する。Basically, the output of each monitoring group should be 1.0 under the conditions (static conditions) almost as planned.
The case where each input value exceeds the alarm value occurs during load change, but by incorporating it in the learning data, the data of 0.0 and 1.0 of the monitoring group output is secured and input.
【００２８】又上述の給水系８、蒸気温度系９、蒸気圧
力系１０、メタル温度系１１、燃料・空気系１２、排ガ
ス分析系１３といった各監視群では、入力層からの情報
と該入力値に対する学習すべき出力値を基に各中間層の
ニューロンに係る積和演算及び非線形変換が同一のアル
ゴリズムにより繰り返し演算されて入力値に対する出力
値のニューロンの重み係数が決定される。次に、これに
よって構築された各入力値と出力値の重み係数によっ
て、各々の系統について出力層からの各情報Ｘ１〜Ｘ６
が得られる。In each of the monitoring groups such as the water supply system 8, the steam temperature system 9, the steam pressure system 10, the metal temperature system 11, the fuel / air system 12, and the exhaust gas analysis system 13, information from the input layer and the input value Based on the output value to be learned with respect to, the product-sum operation and the non-linear transformation related to the neurons of each intermediate layer are repeatedly operated by the same algorithm to determine the weighting coefficient of the neuron of the output value with respect to the input value. Next, each of the information X1 to X6 from the output layer for each system is constructed by the weighting coefficient of each input value and output value constructed by this.
Is obtained.
【００２９】これらの情報Ｘ１〜Ｘ６は［数１］により
演算されてプラント監視指数Ｙが求められ、プラント監
視指数Ｙは関数発生器５に送られて運転状態指数Ｚが求
められ、求められた運転状態指数Ｚは、表示装置６に図
１０に示すように表示される。表示装置６では運転状態
指数Ｚとボイラ各系の出力値Ｘｉが与えられる。仮に、
Ｘｉが全て１．０、すなわち制御されるべき状態からの
逸脱が無ければＹ＝Ｘ１・Ｘ２・Ｘ３・Ｘ４・Ｘ５・Ｘ
６＝１．０となりＺ＝１００％を示す。一方、ボイラ各
系の中でＸ４＝０．９としてその他が１．０とするとＹ
＝０．９となりＺ＝９５％を示す。この場合、Ｘ１〜Ｘ
６の各系の出力を表示することでボイラ運転状態の逸脱
の原因を示すことができる。表示装置６ではボイラ各系
の出力値を１００倍して表示する。而して、図１０のよ
うに表示することにより、プラントの状態やその変化を
定量的に識別するだけで無く、その変化の原因がどの入
力（監視群）の情報に起因するかを明示でき、従って、
プラント異常時のヒューマンエラーを回避させてプラン
ト操作の信頼性を高めることができる。These pieces of information X1 to X6 are calculated by [Equation 1] to obtain the plant monitoring index Y, and the plant monitoring index Y is sent to the function generator 5 to obtain and obtain the operating state index Z. The operating state index Z is displayed on the display device 6 as shown in FIG. The display device 6 gives the operating state index Z and the output value Xi of each boiler system. what if,
If all Xi are 1.0, that is, if there is no deviation from the state to be controlled, then Y = X1, X2, X3, X4, X5, X
6 = 1.0, indicating Z = 100%. On the other hand, if X4 = 0.9 and the others are 1.0 in each boiler system, Y
= 0.9 and Z = 95% is shown. In this case, X1-X
By displaying the output of each system of No. 6, the cause of the deviation of the boiler operating state can be shown. The display device 6 multiplies the output value of each boiler system by 100 and displays it. Thus, by displaying as shown in FIG. 10, not only can the plant state and its change be quantitatively identified, but it is also possible to clearly indicate which input (monitor group) information causes the change. , Therefore,
Human error at the time of plant abnormality can be avoided and the reliability of plant operation can be improved.
【００３０】図１０の場合は、プラント全体としての運
転状態の正常度は９５％であり、５％の逸脱度はメタル
温度系に起因していることを示している。In the case of FIG. 10, the normality of the operating condition of the entire plant is 95%, and the deviation of 5% is due to the metal temperature system.
【００３１】関数発生器５を設けない場合は、プラント
監視指数Ｙが直接表示装置６へ与えられ、運転状態指数
Ｚとして表示される。When the function generator 5 is not provided, the plant monitoring index Y is directly given to the display device 6 and displayed as the operating state index Z.
【００３２】次に情報の正規化入力について説明する
と、プラントの状態量Ｎ１，Ｎ２，Ｎ３，Ｎ４，Ｎ５…
について頻度分布をとると例えば図１１に示すようにな
る。而して、この場合に標準偏差λをとり、平均値−２
λの値を正規化入力値０．２とし、平均値＋２λの値を
正規化入力値０．８とし、その間の入力値は図１２のご
ときシグモイド曲線により決定する。この場合、入力値
は各ニューロネットワークの入力層から中間層へ与えら
れるものである。Next, the normalization input of information will be described. State quantities N1, N2, N3, N4, N5 ...
FIG. 11 shows a frequency distribution of the above. Thus, in this case, the standard deviation λ is taken and the average value −2
The value of λ is the normalized input value 0.2, the value of the average value + 2λ is the normalized input value 0.8, and the input values in the meantime are determined by the sigmoid curve as shown in FIG. In this case, the input value is given from the input layer of each neuronetwork to the intermediate layer.
【００３３】例えば、図１１に示すごとくメタル温度系
で、４００℃〜６５０℃の間において頻度分布がグラフ
で示すようになり、平均温度が５８０℃になったとす
る。そしてこの場合の２λ＝２０℃とすると、メタル温
度５００℃の場合に正規化入力値は０．２となり、メタ
ル温度６００℃の場合は正規化入力値は０．８となり、
平均温度５８０℃の場合の正規化入力値は０．５とな
り、４００℃〜６５０℃の間の他のメタル温度による正
規化入力値は図１２のシグモイド曲線から決定される。For example, in the metal temperature system as shown in FIG. 11, it is assumed that the frequency distribution becomes a graph between 400 ° C. and 650 ° C. and the average temperature becomes 580 ° C. If 2λ = 20 ° C. in this case, the normalized input value is 0.2 when the metal temperature is 500 ° C., and the normalized input value is 0.8 when the metal temperature is 600 ° C.
The normalized input value when the average temperature is 580 ° C. is 0.5, and the normalized input values due to other metal temperatures between 400 ° C. and 650 ° C. are determined from the sigmoid curve in FIG.
【００３４】又、例えば蒸気温度系における主蒸気温度
偏差ΔＴと入力値との関係は、図１３に示すごとく、決
定する。すなわち、主蒸気温度制御設定値とその実温度
値の差分を示す主蒸気温度偏差ΔＴの絶対値が小さい範
囲では、入力層から中間層へ与えられる入力値は大きく
（ただし１よりは大きくとらない）、主蒸気温度偏差Δ
Ｔの絶対値が大きくなったら、入力層から中間層へ与え
られる入力値は小さくすることでボイラ制御状態の逸脱
度を入力段階で与える。Further, for example, the relationship between the main steam temperature deviation ΔT in the steam temperature system and the input value is determined as shown in FIG. That is, in the range where the absolute value of the main steam temperature deviation ΔT, which indicates the difference between the main steam temperature control set value and its actual temperature value, is small, the input value given from the input layer to the intermediate layer is large (however, it is not larger than 1). , Main steam temperature deviation Δ
When the absolute value of T becomes large, the input value given from the input layer to the intermediate layer is made small to give the deviation degree of the boiler control state at the input stage.
【００３５】同様に蒸気圧力系の主蒸気圧力偏差ΔＰと
入力値との関係は図１４のように決定する。すなわち、
主蒸気圧力制御設定値とその実圧力値の差分を示す主蒸
気圧力偏差ΔＰの絶対値が小さい範囲では入力層から中
間層へ与えられる入力値は大きく（ただし、１よりは大
きくとらない）、主蒸気圧力偏差ΔＰの絶対値が大きく
なったら、入力層から中間層へ与えられる入力値は小さ
くなる。Similarly, the relationship between the main steam pressure deviation ΔP of the steam pressure system and the input value is determined as shown in FIG. That is,
In the range where the absolute value of the main steam pressure deviation ΔP, which indicates the difference between the main steam pressure control set value and its actual pressure value, is small, the input value given from the input layer to the intermediate layer is large (however, it is not larger than 1). When the absolute value of the vapor pressure deviation ΔP increases, the input value given from the input layer to the intermediate layer decreases.
【００３６】なお、本発明は前述の実施の形態例に限定
されるものではなく、本発明の要旨を逸脱しない範囲内
で種々変更を加え得ること等は勿論である。The present invention is not limited to the above-described embodiments, and it goes without saying that various modifications can be made without departing from the scope of the present invention.
【００３７】[0037]
【発明の効果】本発明のプラント運転状態検出装置によ
れば、何れの請求項においてもプラントの状態及びその
変化を総合的且つ定量的に識別することができると共
に、その変化の原因がどの入力（監視群）の情報に起因
するかを明示でき、従ってプラント異常時のヒューマン
エラーを回避させてプラント操作の信頼性を高めること
ができる、等種々の優れた効果を奏し得る。According to the plant operation state detecting apparatus of the present invention, in any claim, the state of the plant and its change can be identified comprehensively and quantitatively, and the cause of the change can be input. It is possible to clearly show whether or not it is caused by the information of (monitoring group), and thus it is possible to avoid human error at the time of plant abnormality and enhance the reliability of plant operation.
【図１】本発明のプラント運転状態検出装置の装置の概
要を示すブロック図である。FIG. 1 is a block diagram showing an outline of an apparatus of a plant operating state detection apparatus of the present invention.
【図２】図１のプラント運転状態検出装置がボイラに適
用される場合のニューラルネットワークの構成を示す全
体図である。FIG. 2 is an overall view showing a configuration of a neural network when the plant operation state detection device of FIG. 1 is applied to a boiler.
【図３】図２の給水系のニューラルネットワークの詳細
図である。FIG. 3 is a detailed view of the water supply system neural network of FIG.
【図４】図２の蒸気温度系のニューラルネットワークの
詳細図である。FIG. 4 is a detailed diagram of a steam temperature system neural network of FIG. 2;
【図５】図２の蒸気圧力系のニューラルネットワークの
詳細図である。5 is a detailed diagram of the neural network of the vapor pressure system of FIG.
【図６】図２のメタル温度系のニューラルネットワーク
の詳細図である。FIG. 6 is a detailed diagram of the metal temperature system neural network of FIG. 2;
【図７】図２の燃料・空気系のニューラルネットワーク
の詳細図である。FIG. 7 is a detailed diagram of the fuel / air neural network of FIG.
【図８】図２の排ガス分析系のニューラルネットワーク
の詳細図である。FIG. 8 is a detailed diagram of a neural network of the exhaust gas analysis system of FIG.
【図９】関数発生器へ入力されるプラント監視指数Ｙと
プラントの運転状態指数Ｚとの関係を表わすグラフであ
る。FIG. 9 is a graph showing a relationship between a plant monitoring index Y input to a function generator and a plant operating state index Z.
【図１０】表示装置に表わされるプラントの運転状態を
示すグラフである。FIG. 10 is a graph showing an operating state of the plant represented by a display device.
【図１１】プラントの状態量と頻度分布との関係を示す
グラフである。FIG. 11 is a graph showing the relationship between the state quantity of the plant and the frequency distribution.
【図１２】図１１に示すグラフから正規化入力値を決め
るための手法を示すシグモイド曲線である。12 is a sigmoid curve showing a method for determining a normalized input value from the graph shown in FIG.
【図１３】主蒸気温度偏差と入力値との関係を示すグラ
フである。FIG. 13 is a graph showing a relationship between a main steam temperature deviation and an input value.
【図１４】主蒸気圧力偏差と入力値との関係を示すグラ
フである。FIG. 14 is a graph showing a relationship between a main steam pressure deviation and an input value.
【符号の説明】 １ ニューロコンピュータ ４ 演算処理装置 ５ 関数発生器 ６ 表示装置 ８ 給水系（ニューラルネットワーク） ９ 蒸気温度系（ニューラルネットワーク） １０ 蒸気圧力系（ニューラルネットワーク） １１ メタル温度系（ニューラルネットワーク） １２ 燃料・空気系（ニューラルネットワーク） １３ 排ガス分析系（ニューラルネットワーク） １４ 演算部 Ｘ１ 給水系評価情報（情報） Ｘ２ 蒸気温度系評価情報（情報） Ｘ３ 蒸気圧力系評価情報（情報） Ｘ４ メタル温度系評価情報（情報） Ｘ５ 燃料・空気系評価情報（情報） Ｘ６ 排ガス分析系評価情報（情報） Ｙ プラント監視指数 Ｚ 運転状態指数[Explanation of Codes] 1 Neurocomputer 4 Arithmetic processing device 5 Function generator 6 Display device 8 Water supply system (neural network) 9 Steam temperature system (neural network) 10 Steam pressure system (neural network) 11 Metal temperature system (neural network) 12 Fuel / air system (neural network) 13 Exhaust gas analysis system (neural network) 14 Calculation part X1 Water supply system evaluation information (information) X2 Steam temperature system evaluation information (information) X3 Steam pressure system evaluation information (information) X4 Metal temperature system Evaluation information (information) X5 Fuel / air system evaluation information (information) X6 Exhaust gas analysis system evaluation information (information) Y Plant monitoring index Z Operating condition index
Claims (2)
に分けて夫々の監視群ごとに構築した複数のニューラル
ネットワーク群を有すると共に各ニューラルネットワー
ク群の出力層からの情報を基にプラント監視指数を求め
る演算部を有するニューロコンピュータと、該ニューロ
コンピュータの演算部からのプラント監視指数をプラン
トの運転状態を表わす運転状態指数として表示する表示
装置を備えたことを特徴とするプラント運転状態検出装
置。1. A plurality of neural network groups constructed by dividing a large number of state quantities of a plant into a plurality of monitoring groups and constructing each of the monitoring groups, and plant monitoring based on information from the output layer of each neural network group. A plant operation state detecting device comprising: a neurocomputer having an operation unit for obtaining an index, and a display device for displaying a plant monitoring index from the operation unit of the neurocomputer as an operation state index representing an operation state of the plant. .
に分けて夫々の監視群ごとに構築した複数のニューラル
ネットワーク群を有すると共に各ニューラルネットワー
ク群の出力層からの情報を基にプラント監視指数を求め
る演算部を有するニューロコンピュータと、該ニューロ
コンピュータの演算部からのプラント監視指数からプラ
ントの運転状態を表わす運転状態指数を求める関数発生
器と、該関数発生器からの運転状態指数を表示する表示
装置を備えたことを特徴とするプラント運転状態検出装
置。2. A plurality of neural network groups constructed by dividing a large number of state quantities of a plant into a plurality of monitoring groups and constructing each monitoring group, and plant monitoring based on information from the output layer of each neural network group. A neurocomputer having an arithmetic unit for obtaining an index, a function generator for obtaining an operating state index representing the operating state of a plant from a plant monitoring index from the arithmetic unit of the neurocomputer, and an operating state index from the function generator are displayed. A plant operation state detection device comprising a display device that operates.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6088996A JPH09251315A (en) | 1996-03-18 | 1996-03-18 | Plant operation state detection device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6088996A JPH09251315A (en) | 1996-03-18 | 1996-03-18 | Plant operation state detection device |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH09251315A true JPH09251315A (en) | 1997-09-22 |
Family
ID=13155386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6088996A Pending JPH09251315A (en) | 1996-03-18 | 1996-03-18 | Plant operation state detection device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH09251315A (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006504168A (en) * | 2002-10-24 | 2006-02-02 | リキューム ペイパー オユ | Process monitoring / analysis methods |
| JP2018501561A (en) * | 2014-12-02 | 2018-01-18 | エヌイーシー ラボラトリーズ アメリカ インクＮＥＣ Ｌａｂｏｒａｔｏｒｉｅｓ Ａｍｅｒｉｃａ， Ｉｎｃ． | Quality control engine for complex physical systems |
| KR20180051869A (en) * | 2016-11-09 | 2018-05-17 | 삼성중공업 주식회사 | Apparatus and method for generating condition index of facility, recording medium |
| JP2020004037A (en) * | 2018-06-27 | 2020-01-09 | 株式会社クロスコンパス | Output variable value calculation system, output variable value calculation device, and output variable value calculation method |
-
1996
- 1996-03-18 JP JP6088996A patent/JPH09251315A/en active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006504168A (en) * | 2002-10-24 | 2006-02-02 | リキューム ペイパー オユ | Process monitoring / analysis methods |
| JP2018501561A (en) * | 2014-12-02 | 2018-01-18 | エヌイーシー ラボラトリーズ アメリカ インクＮＥＣ Ｌａｂｏｒａｔｏｒｉｅｓ Ａｍｅｒｉｃａ， Ｉｎｃ． | Quality control engine for complex physical systems |
| KR20180051869A (en) * | 2016-11-09 | 2018-05-17 | 삼성중공업 주식회사 | Apparatus and method for generating condition index of facility, recording medium |
| JP2020004037A (en) * | 2018-06-27 | 2020-01-09 | 株式会社クロスコンパス | Output variable value calculation system, output variable value calculation device, and output variable value calculation method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Salahshoor et al. | Fault detection and diagnosis of an industrial steam turbine using a distributed configuration of adaptive neuro-fuzzy inference systems | |
| Rostek et al. | Early detection and prediction of leaks in fluidized-bed boilers using artificial neural networks | |
| US6192352B1 (en) | Artificial neural network and fuzzy logic based boiler tube leak detection systems | |
| US5386373A (en) | Virtual continuous emission monitoring system with sensor validation | |
| EP0712509B1 (en) | Virtual continuous emission monitoring system with sensor validation | |
| Leger et al. | Fault detection and diagnosis using statistical control charts and artificial neural networks | |
| CA1259700A (en) | Plant diagnostic system | |
| CN101375221B (en) | Rule set for root cause diagnostics | |
| US20050096757A1 (en) | Method and apparatus for detecting faults in steam generator system components and other continuous processes | |
| CN108681633A (en) | A kind of condensate pump fault early warning method based on state parameter | |
| Kang et al. | Diagnosis of feedwater heater performance degradation using fuzzy inference system | |
| JP2007249997A (en) | Method and system for monitoring industrial process | |
| CN111651933B (en) | Industrial boiler fault early warning method and system based on statistical inference | |
| JP6674033B2 (en) | Plant abnormality diagnosis device and plant abnormality diagnosis system | |
| Effendy et al. | The prediction of the oxygen content of the flue gas in a gas-fired boiler system using neural networks and random forest | |
| JPH09251315A (en) | Plant operation state detection device | |
| Kurniawan et al. | Soft sensor for the prediction of oxygen content in boiler flue gas using neural networks and extreme gradient boosting | |
| Li et al. | Model-based monitoring and fault diagnosis of fossil power plant process units using group method of data handling | |
| CN102967393B (en) | Supercritical unit boiler separator outlet temperature on-line calibration method | |
| Liukkonen et al. | Adaptive monitoring of emissions in energy boilers using self-organizing maps: An application to a biomass-fired CFB (circulating fluidized bed) | |
| CN207112772U (en) | Boiler hearth temperature on-line prediction system based on core offset minimum binary | |
| Alnaimi et al. | Application of intelligent computational techniques in power plants: a review | |
| Fast et al. | A novel approach for gas turbine condition monitoring combining CUSUM technique and artificial neural network | |
| WO2018003028A1 (en) | Boiler failure determining device, failure determining method, and service method | |
| Sun et al. | Boiler leak detection using a system identification technique |