JPH06259678A - Plant monitoring equipment - Google Patents
Plant monitoring equipmentInfo
- Publication number
- JPH06259678A JPH06259678A JP5041307A JP4130793A JPH06259678A JP H06259678 A JPH06259678 A JP H06259678A JP 5041307 A JP5041307 A JP 5041307A JP 4130793 A JP4130793 A JP 4130793A JP H06259678 A JPH06259678 A JP H06259678A
- Authority
- JP
- Japan
- Prior art keywords
- image
- normal
- plant
- learning
- temperature
- 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.)
- Withdrawn
Links
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Alarm Systems (AREA)
Abstract
Description
【０００１】[0001]
【産業上の利用分野】本発明は、プラントの運転状態を
監視するプラント監視装置に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a plant monitoring device for monitoring the operating condition of a plant.
【０００２】[0002]
【従来の技術】プラントの運転状態を監視する従来のプ
ラント監視装置は、図５に示すように構成されている。
図５において、１０は監視対象プラント、２０は監視対
象プラント１０の温度分布を画像データの形で計測する
赤外線カメラである。３０は、運転中の監視対象プラン
ト１０の画像を、ある時間間隔でパーソナルコンピュー
タなどの監視装置本体に入力する画像データ入力手段で
ある。４０は、画像データ入力手段３０から入力される
画像データをＶＴＲ映像として記録する記録手段であ
る。2. Description of the Related Art A conventional plant monitoring device for monitoring the operating condition of a plant is constructed as shown in FIG.
In FIG. 5, 10 is a monitored plant, and 20 is an infrared camera that measures the temperature distribution of the monitored plant 10 in the form of image data. Reference numeral 30 is an image data input means for inputting an image of the monitored plant 10 in operation to a monitoring device body such as a personal computer at a certain time interval. Reference numeral 40 is a recording means for recording the image data input from the image data input means 30 as a VTR image.
【０００３】そして、上記画像データ入力手段３０によ
り一定時間間隔で取込まれる画像データは、監視装置本
体内の画像処理手段５０へ送られる。この画像処理手段
５０は、領域内平均温度算出手段５２、温度頻度分布算
出手段５３、水平垂直方向温度分布算出手段５４からな
り、画像の特徴抽出を行なうための各種画像処理を行な
う。The image data captured by the image data input means 30 at a constant time interval is sent to the image processing means 50 in the monitoring apparatus body. The image processing means 50 is composed of an average area temperature calculation means 52, a temperature frequency distribution calculation means 53, and a horizontal and vertical direction temperature distribution calculation means 54, and performs various image processing for extracting image features.
【０００４】即ち、領域内平均温度算出手段５２は、プ
ラント監視上重要な画像上の複数の領域について、各々
の領域内に含まれる画素の平均輝度からその領域の平均
温度を算出する。温度頻度分布算出手段５３は、画像の
輝度の広がりを一定の間隔で複数の輝度範囲に分割し、
その各領域に含まれる画素数をカウントすることによ
り、画像全体の温度の頻度分布を算出する。また、水平
垂直方向温度分布算出手段５４は、画像の水平・垂直方
向に各々複数存在する各走査線上の輝度の平均値から、
画像上の温度の水平・垂直方向分布を算出する。That is, the in-region average temperature calculating means 52 calculates the average temperature of a plurality of regions on the image important for plant monitoring from the average brightness of the pixels contained in each region. The temperature frequency distribution calculation means 53 divides the spread of the brightness of the image into a plurality of brightness ranges at regular intervals,
The frequency distribution of the temperature of the entire image is calculated by counting the number of pixels included in each area. Further, the horizontal / vertical direction temperature distribution calculation means 54 calculates the average value of the brightness on each scanning line existing in the horizontal / vertical direction of the image,
Calculate the horizontal and vertical distribution of temperature on the image.
【０００５】上記画像処理手段５０、即ち領域内平均温
度算出手段５２、温度頻度分布算出手段５３、水平垂直
方向温度分布算出手段５４により処理された画像データ
は、画像特徴抽出手段７０へ送られる。この画像特徴抽
出手段７０は、上記画像処理手段５０の処理結果を入力
画像の特徴データとして抽出・整理し、処理結果記録手
段８０及び監視手段９０へ出力する。The image data processed by the image processing means 50, that is, the average area temperature calculating means 52, the temperature frequency distribution calculating means 53, and the horizontal and vertical direction temperature distribution calculating means 54 are sent to the image feature extracting means 70. The image feature extraction means 70 extracts and organizes the processing result of the image processing means 50 as the feature data of the input image and outputs it to the processing result recording means 80 and the monitoring means 90.
【０００６】監視手段９０は、データ解析手段９３及び
正常・異常識別手段９４により構成される。データ解析
手段９３は、画像特徴抽出手段７０により抽出された画
像特徴データに対し、統計処理による解析を行ない、正
常・異常識別手段９４へ出力する。正常・異常識別手段
９４は、データ解析手段９３の解析結果と、予め正常時
データを算出した正常の基準値とを比較し、正常・異常
の識別を行なう。The monitoring means 90 comprises a data analysis means 93 and a normal / abnormality discrimination means 94. The data analysis means 93 analyzes the image feature data extracted by the image feature extraction means 70 by statistical processing, and outputs it to the normal / abnormality discrimination means 94. The normal / abnormal discriminating means 94 compares the analysis result of the data analyzing means 93 with a normal reference value for which normal time data is calculated in advance, and discriminates normal / abnormal.
【０００７】上記正常・異常識別手段９４の識別結果、
及び処理結果記録手段８０に記録された処理結果等は、
表示手段１１０で表示されると共に、必要に応じて印刷
手段１２０により印刷される。また、１００は、ユーザ
が本装置の計測・処理・判別・表示・印刷機能を用いる
際のインターフェイスとなる操作手段である。The identification result of the normal / abnormal identification means 94,
And the processing result recorded in the processing result recording means 80 is
The image is displayed on the display unit 110 and printed by the printing unit 120 as necessary. Reference numeral 100 denotes an operation unit that serves as an interface when the user uses the measurement, processing, determination, display, and print functions of this device.
【０００８】上記の構成において、監視対象プラント１
０の定常運転モードにおける熱画像を正常なものについ
て集め、それらについての特徴データを算出し、正常規
範データ群とする。このデータ群より、正常基準値とそ
の正常なばらつきの範囲を算出する。実際の監視におい
ては、定常運転モードにおける画像特徴データが正常時
の正常基準値内に含まれているかどうかを調べること
で、プラント状態の正常・異常の監視を行なう。In the above configuration, the monitored plant 1
The thermal images in the normal operation mode of 0 are collected for normal ones, and the characteristic data for them are calculated to be a normal reference data group. From this data group, the normal reference value and the range of its normal variation are calculated. In the actual monitoring, the plant state is monitored for normality / abnormality by checking whether or not the image feature data in the steady operation mode is included in the normal reference value during normal operation.
【０００９】[0009]
【発明が解決しようとする課題】しかし、上記従来の方
法では、次のような問題がある。 （１）画像から特徴抽出を行なう際に、対象となる画像
毎に監視レンジの設定などの調整が必要であり、そのた
め監視員の経験と手間を必要とする。However, the above-mentioned conventional method has the following problems. (1) When performing feature extraction from an image, it is necessary to make adjustments such as setting the monitoring range for each target image, which requires the experience and labor of the monitoring staff.
【００１０】（２）プラントの正常・異常の識別を行な
う場合には、運転条件・周辺環境の変化などに伴うずれ
に対して基準値の調整をするために、監視員の経験と手
間を必要としており、そのために特に時系列変化の監視
には適していない。(2) When the normality / abnormality of the plant is discriminated, it is necessary to have the experience and labor of the supervisor in order to adjust the reference value for the deviation due to the change of the operating conditions and the surrounding environment. Therefore, it is not particularly suitable for monitoring time series changes.
【００１１】本発明は上記実情に鑑みてなされたもの
で、監視対象プラントの画像データの学習により、自動
的に画像の温度分布の特徴を抽出でき、また、起動から
定常状態までの起動運転時、または定常運転時の温度分
布状態のパターンの作成を、その変化傾向あるいは正常
なばらつきの学習により、監視員による前処理なしで自
動的に行ない、そのパターンとの比較により各運転状態
の正常・異常の識別も自動的に行なうことができるプラ
ント監視装置を提供することを目的とする。The present invention has been made in view of the above circumstances, and the characteristics of the temperature distribution of the image can be automatically extracted by learning the image data of the plant to be monitored, and at the time of startup operation from startup to steady state. , Or the pattern of the temperature distribution state during steady operation is created automatically by learning the change tendency or the normal variation without any pre-processing by the observer, and the normal state of each operating state is compared by comparing with the pattern. It is an object of the present invention to provide a plant monitoring device that can automatically identify abnormalities.
【００１２】[0012]
【課題を解決するための手段】本発明に係るプラント監
視装置は、監視対象であるプラントの温度分布を計測す
る赤外線カメラと、この赤外線カメラにより計測した画
像データを入力する画像データ入力手段、上記画像デー
タ入力手段により取込んだ画像データに対し平均化・特
定領域内平均温度・温度頻度分布・水平垂直方向温度分
布の各処理を行なう画像処理手段と、上記画像処理手段
で平均化処理された画像を圧縮する画像圧縮手段と、上
記画像処理手段による画像処理結果及び上記画像圧縮手
段による画像圧縮結果を画像の特徴としてまとめる画像
特徴抽出手段と、上記プラントの過渡時の時間的温度変
化の正常パターン及び定常時の正常パターンを画像特徴
抽出手段により抽出された画像特徴をもとに学習する正
常パターン学習手段と、この正常パターン学習手段によ
る学習結果として得られる正常基準値を用いてプラント
状態を識別する正常・異常識別手段と、この正常・異常
識別手段の識別結果を表示する表示手段とを有すること
を特徴とする。A plant monitoring apparatus according to the present invention comprises an infrared camera for measuring the temperature distribution of a plant to be monitored, image data input means for inputting image data measured by the infrared camera, Image processing means for performing averaging, average temperature in a specific area, temperature frequency distribution, and horizontal / vertical temperature distribution processing on the image data captured by the image data inputting means, and the averaging processing by the image processing means. An image compression means for compressing an image, an image feature extraction means for collecting the image processing result by the image processing means and the image compression result by the image compression means as image features, and a normal temperature change over time during a transient of the plant. A normal pattern learning hand for learning a pattern and a normal pattern in a steady state based on the image features extracted by the image feature extracting means. And a normal / abnormal discriminating means for discriminating a plant state using a normal reference value obtained as a result of learning by the normal pattern learning means, and a display means for displaying discrimination results of the normal / abnormal discriminating means. Characterize.
【００１３】[0013]
【作用】画像処理手段内に設けられた平均化処理手段
は、画像データ入力手段からの画像を一定の領域毎に平
均化し、これにより情報量を削減して画像圧縮手段に入
力する。この画像圧縮手段は、上記平均化処理された画
像上の横方向２画素毎に輝度値の組を作り、それらを学
習手法により自動的に分類することで画像の温度分布に
関する特徴抽出を行なって監視手段へ出力する。この監
視手段は、正常パターン学習手段及び正常・異常識別手
段からなり、画像特徴抽出処理後の正常な定常パターン
あるいは時系列変化パターンを学習すると共に、その学
習結果として得られる正常基準値を用いて正常・異常の
識別を行ない、その識別結果を表示手段に表示する。The averaging processing means provided in the image processing means averages the image from the image data inputting means for every predetermined area, thereby reducing the amount of information and inputting it to the image compressing means. The image compression means creates a set of luminance values for every two pixels in the horizontal direction on the image subjected to the averaging process, and automatically classifies them by a learning method to perform feature extraction on the temperature distribution of the image. Output to monitoring means. The monitoring means is composed of a normal pattern learning means and a normal / abnormal discrimination means, learns a normal steady pattern or a time-series change pattern after the image feature extraction processing, and uses a normal reference value obtained as the learning result. The normality / abnormality is discriminated and the discrimination result is displayed on the display means.
【００１４】上記画像圧縮手段により、平均化した画像
データを自己組織型のニューラルネットワークで学習す
ることで、入出力ニューロン間の重みデータ内に画像特
徴データを自動的に抽出することができる。By learning the averaged image data with the self-organizing type neural network by the image compression means, the image feature data can be automatically extracted from the weight data between the input and output neurons.
【００１５】また、上記正常パターン学習手段を設け、
正常運転時の一定間隔でサンプリングした画像の特徴抽
出データの定常パターンまたは時系列変化パターンを、
誤差逆伝播型のニューラルネットワークで学習すること
により、定常運転モード、時系列変化モード両方の場合
の正常パターンを自動的に獲得することができる。Further, the normal pattern learning means is provided,
The steady pattern or time-series change pattern of the feature extraction data of images sampled at regular intervals during normal operation,
By learning with the error back-propagation neural network, it is possible to automatically acquire the normal pattern in both the steady operation mode and the time series change mode.
【００１６】更に、正常・異常識別手段を設け、監視時
の画像の抽出特徴データを学習済みのネットワークに順
次入力していき、定常時のパターンあるいは時系列変化
パターンと比較することにより正常か異常かを識別する
ことができる。Further, a normal / abnormal discriminating means is provided, and the extracted feature data of the image at the time of monitoring is sequentially input to the learned network, and is compared with the steady pattern or the time-series change pattern to determine whether it is normal or abnormal. Can be identified.
【００１７】[0017]
【実施例】以下、図面を参照して本発明の一実施例を説
明する。図１は、本発明に係るプラント監視装置の一実
施例を示す構成図である。DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS An embodiment of the present invention will be described below with reference to the drawings. FIG. 1 is a configuration diagram showing an embodiment of a plant monitoring apparatus according to the present invention.
【００１８】図１に示す監視対象プラント１０、赤外線
カメラ２０、画像データ入力手段３０、画像データ記録
手段４０、領域内平均温度算出手段５２、温度頻度分布
算出手段５３、水平垂直方向温度分布算出手段５４、画
像特徴抽出手段７０、処理結果記録手段８０、操作手段
１００、表示手段１１０、印刷手段１２０は、図５に示
した従来装置と同じであるので詳細な説明は省略する。
本発明は、上記手段と共に、平均化処理手段５１、画像
圧縮手段６０、監視手段９０を備えている。The monitored plant 10, the infrared camera 20, the image data input means 30, the image data recording means 40, the area average temperature calculation means 52, the temperature frequency distribution calculation means 53, and the horizontal and vertical temperature distribution calculation means shown in FIG. 54, the image feature extracting means 70, the processing result recording means 80, the operating means 100, the display means 110, and the printing means 120 are the same as those of the conventional apparatus shown in FIG.
The present invention includes an averaging processing means 51, an image compression means 60, and a monitoring means 90 in addition to the above means.
【００１９】即ち、画像処理手段５０は、平均化処理手
段５１、領域内平均温度算出手段５２、温度頻度分布算
出手段５３、水平垂直方向温度分布算出手段５４からな
り、平均化処理手段５１の処理結果が画像圧縮手段６０
へ送られ、領域内平均温度算出手段５２、温度頻度分布
算出手段５３、水平垂直方向温度分布算出手段５４の処
理結果が画像特徴抽出手段７０へ送られる。That is, the image processing means 50 comprises an averaging processing means 51, an in-region average temperature calculating means 52, a temperature frequency distribution calculating means 53, and a horizontal and vertical direction temperature distribution calculating means 54. The result is the image compression means 60.
Then, the processing results of the in-region average temperature calculation means 52, the temperature frequency distribution calculation means 53, and the horizontal and vertical direction temperature distribution calculation means 54 are sent to the image feature extraction means 70.
【００２０】上記平均化処理手段５１は、画像圧縮手段
６０の前処理としての情報量を削減するために、画像デ
ータ入力手段３０からの画像を一定の領域毎に平均化す
る。画像圧縮手段６０は、平均化処理手段５１により平
均化処理された画像上の横方向２画素毎に輝度値の組を
作り、それらを学習手法により自動的に分類することで
画像の温度分布に関する特徴抽出を行なう。The averaging processing means 51 averages the images from the image data inputting means 30 for every predetermined area in order to reduce the amount of information as preprocessing of the image compressing means 60. The image compression unit 60 creates a set of brightness values for every two horizontal pixels on the image averaged by the averaging unit 51, and automatically classifies them by a learning method to relate to the temperature distribution of the image. Feature extraction.
【００２１】監視手段９０は、正常パターン学習手段９
１及び正常・異常識別手段９２からなり、画像特徴抽出
手段７０における画像特徴抽出処理後の正常な定常パタ
ーンあるいは時系列変化パターンを学習し、更に、その
学習結果として得られる正常基準値を用いて正常・異常
の識別を行なう。上記正常パターン学習手段９１は、監
視対象プラント１０が正常の時に、一定間隔のサンプリ
ングデータの定常あるいは時系列変化パターンを学習す
る。正常・異常識別手段９２は、監視時に一定間隔で計
測・処理されて入力されるデータが正常か否かを識別す
る。The monitoring means 90 is a normal pattern learning means 9
1 and a normal / abnormal discriminating means 92, and learns a normal steady pattern or a time-series change pattern after the image feature extraction processing in the image feature extracting means 70, and further uses a normal reference value obtained as the learning result. Identify normality / abnormality. The normal pattern learning means 91 learns a steady or time-series change pattern of sampling data at regular intervals when the monitored plant 10 is normal. The normality / abnormality identification means 92 identifies whether or not the data input after being measured and processed at regular intervals during monitoring is normal.
【００２２】次に上記画像圧縮手段６０の処理動作につ
いて図２により説明する。画像圧縮手段６０には、平均
化処理手段５１により平均化処理された例えば１枚当り
１６０×１００画素からなる画像データが入力される。
画像圧縮手段６０は、１次元の入力層と２次元の出力層
からなる２層のニューラルネットワーク構造を有してい
る。上記平均化処理手段５１から入力されるデータは、
０〜１の範囲で規格化された画像データ水平方向の２画
素づつの輝度の組であり、１枚の画像データについて複
数の入力データの組ができる。これらを自己組織化特徴
マッピング（Self Organization Feature Mapping ）手
法により、教師なしで繰り返し学習することで、各入力
データを出力層（７×７）のいずれかのニューロンに割
り当てられる。その結果、各画像の輝度分布、すなわち
温度分布を表すネットワークの重みデータとして得られ
る。そして、上記画像圧縮手段６０により圧縮された画
像データは、画像特徴抽出手段７０へ送られる。Next, the processing operation of the image compression means 60 will be described with reference to FIG. The image compression means 60 receives the image data, which is averaged by the averaging means 51 and consists of, for example, 160 × 100 pixels per sheet.
The image compression means 60 has a two-layer neural network structure including a one-dimensional input layer and a two-dimensional output layer. The data input from the averaging processing means 51 is
The image data standardized in the range of 0 to 1 is a set of luminance for every two pixels in the horizontal direction, and a plurality of sets of input data can be made for one image data. Each input data is assigned to any neuron of the output layer (7 × 7) by repeatedly learning these without a teacher by the Self Organization Feature Mapping method. As a result, it is obtained as the weight data of the network that represents the brightness distribution of each image, that is, the temperature distribution. Then, the image data compressed by the image compression means 60 is sent to the image feature extraction means 70.
【００２３】図３は、上記正常パターン学習手段９１の
説明図で、（ａ）は起動時の学習状態、（ｂ）は定常時
の学習状態を示している。正常パターン学習手段９１
は、入力層・中間層・出力層から成る３層のニューラル
ネットワーク構造を有する。画像特徴抽出手段７０から
入力されるデータは、０〜１の範囲で規格化された各画
像の特徴抽出データの組である。そして、上記正常パタ
ーン学習手段９１は、正常運転時の一定間隔でサンプリ
ングした画像の特徴抽出データの定常パターンまたは時
系列変化パターンを、誤差逆伝播型のニューラルネット
ワークで学習することにより、定常運転モード及び時系
列変化モードの両方の場合における正常パターンを自動
的に獲得する。時系列変化パターンの場合、例えば６０
分間の運転時間に対し、１５分間間隔で計５組の学習デ
ータを用意し、これらを誤差逆伝播（Back Propagatio
n）手法により各々の運転タイミングが出力となるよう
繰り返し学習することで、各入力データが時系列変化の
どのタイミングにあたるかを自動的に学習することがで
きる。3A and 3B are explanatory views of the normal pattern learning means 91. FIG. 3A shows a learning state at the time of starting, and FIG. 3B shows a learning state at the time of steady state. Normal pattern learning means 91
Has a three-layer neural network structure including an input layer, an intermediate layer, and an output layer. The data input from the image feature extraction means 70 is a set of feature extraction data of each image standardized in the range of 0 to 1. Then, the normal pattern learning means 91 learns the steady pattern or time-series change pattern of the feature extraction data of the image sampled at regular intervals during normal operation by the error backpropagation neural network, thereby performing the steady operation mode. And automatically obtain the normal pattern in both cases of time-series change mode. In the case of a time series change pattern, for example, 60
Five sets of learning data are prepared at 15-minute intervals for each minute of operation time, and these are back-propagated (Back Propagatio).
n) It is possible to automatically learn which timing of each time series change of each input data by repeatedly learning so that each operation timing becomes an output by the method.
【００２４】図４は、本発明における正常・異常識別手
段９２の識別例を示したもので、時系列変化パターンを
学習したネットワークに対し、学習データ以外の認識用
画像の特徴抽出データを入力した場合の識別結果であ
る。ここで示した例は、６０分間の運転データの５分間
隔でサンプリングした１３組のデータのうち、１５分間
隔５組を正常時系列の学習データとして学習させ、残り
の８組のデータを識別させた結果、各々適当な時間タイ
ミングを出力し、正常な時系列変化の識別が行なわれた
ことを示している。FIG. 4 shows an example of discrimination of the normal / abnormal discriminating means 92 according to the present invention. The feature extraction data of the recognition image other than the learning data is input to the network in which the time series change pattern is learned. This is the identification result in the case. In the example shown here, out of 13 sets of data sampled at 5-minute intervals of 60-minute operation data, 5 sets at 15-minute intervals are learned as normal time series learning data, and the remaining 8 sets of data are identified. As a result, the respective appropriate time timings are output, which indicates that the normal time series change is identified.
【００２５】上記のように画像圧縮手段６０を設け、平
均化した画像データを自己組織型のニューラルネットワ
ークで学習することで、入出力ニューロン間の重みデー
タ内に画像特徴データを自動的に抽出することができ
る。By providing the image compression means 60 as described above and learning the averaged image data by the self-organizing type neural network, the image feature data is automatically extracted from the weight data between the input and output neurons. be able to.
【００２６】また、正常パターン学習手段９１を設け、
正常運転時の一定間隔でサンプリングした画像の特徴抽
出データの定常パターンまたは時系列変化パターンを、
誤差逆伝播型のニューラルネットワークで学習すること
により、定常運転モード、時系列変化モード両方の場合
の正常パターンを自動的に獲得することができる。Further, a normal pattern learning means 91 is provided,
The steady pattern or time-series change pattern of the feature extraction data of images sampled at regular intervals during normal operation,
By learning with the error back-propagation neural network, it is possible to automatically acquire the normal pattern in both the steady operation mode and the time series change mode.
【００２７】更に、正常・異常識別手段９２を設け、監
視時の画像の抽出特徴データを学習済みのネットワーク
に順次入力していき、定常時のパターンあるいは時系列
変化パターンと比較することで、正常か異常かを識別す
ることができる。Further, by providing a normal / abnormal discriminating means 92, the extracted feature data of the images at the time of monitoring are sequentially input to the learned network, and compared with the steady-state pattern or the time-series change pattern to obtain normal. It is possible to identify whether it is abnormal or abnormal.
【００２８】[0028]
【発明の効果】以上のように、本発明によれば、監視対
象プラントの画像データの学習により、自動的に画像の
温度分布の特徴を抽出することができる。また、起動か
ら定常状態までの起動運転時、または定常運転時の温度
分布状態のパターンの作成を、その変化傾向あるいは正
常なばらつきの学習により、監視員による前処理なしで
自動的に行ない、そのパターンとの比較により、各運転
状態の正常・異常の識別も自動的に行なうことができ
る。更に、環境、運転条件の変化に伴う調整も学習機能
により容易に行なうことができる。As described above, according to the present invention, the characteristics of the temperature distribution of the image can be automatically extracted by learning the image data of the monitored plant. In addition, the pattern of the temperature distribution state during startup operation from startup to steady state or during steady state operation is created automatically by the observer without pre-processing by learning the change tendency or normal variation. By comparing with the pattern, it is possible to automatically identify whether each operating state is normal or abnormal. Further, the learning function can be used to easily make adjustments associated with changes in the environment and operating conditions.
【図１】本発明の一実施例に係るプラント監視装置を示
す構成図。FIG. 1 is a configuration diagram showing a plant monitoring apparatus according to an embodiment of the present invention.
【図２】同実施例における画像圧縮手段の説明図。FIG. 2 is an explanatory diagram of an image compression unit in the embodiment.
【図３】同実施例における正常パターン学習手段の説明
図。FIG. 3 is an explanatory view of a normal pattern learning means in the embodiment.
【図４】同実施例における正常・異常識別手段の識別例
を示す図。FIG. 4 is a diagram showing an example of identification of normality / abnormality identification means in the embodiment.
【図５】従来のプラント監視装置を示す構成図。FIG. 5 is a configuration diagram showing a conventional plant monitoring device.
１０ 監視対象プラント ２０ 赤外線カメラ ３０ 画像データ入力手段 ４０ 画像データ記録手段 ５０ 画像処理手段 ５１ 平均化処理手段 ５２ 領域内平均温度算出手段 ５３ 温度頻度分布算出手段 ５４ 水平垂直方向温度分布算出手段 ６０ 画像圧縮手段 ７０ 画像特徴抽出手段 ８０ 処理結果記録手段 ９０ 監視手段 ９１ 正常パターン学習手段 ９２ 正常・異常識別手段 １００ 操作手段 １１０ 表示手段 １２０ 印刷手段 10 Monitoring Target Plant 20 Infrared Camera 30 Image Data Input Means 40 Image Data Recording Means 50 Image Processing Means 51 Averaging Means 52 Mean Temperature Calculation Means in Region 53 Temperature Frequency Distribution Means 54 Horizontal and Vertical Direction Temperature Distribution Means 60 Image Compression Means 70 Image feature extraction means 80 Processing result recording means 90 Monitoring means 91 Normal pattern learning means 92 Normal / abnormality discrimination means 100 Operating means 110 Display means 120 Printing means
Claims (1)
赤外線カメラと、この赤外線カメラにより計測した画像
データを入力する画像データ入力手段と、この画像デー
タ入力手段により取込んだ画像データに対し平均化・特
定領域内平均温度・温度頻度分布・水平垂直方向温度分
布の各処理を行なう画像処理手段と、この画像処理手段
で平均化処理された画像を圧縮する画像圧縮手段と、上
記画像処理手段による画像処理結果及び上記画像圧縮手
段による画像圧縮結果を画像の特徴としてまとめる画像
特徴抽出手段と、上記プラントの過渡時の時間的温度変
化の正常パターン及び定常時の正常パターンを画像特徴
抽出手段により抽出された画像特徴をもとに学習する正
常パターン学習手段と、この正常パターン学習手段によ
る学習結果として得られる正常基準値を用いてプラント
状態を識別する正常・異常識別手段と、この正常・異常
識別手段の識別結果を表示する表示手段とを有すること
を特徴とするプラント監視装置。1. An infrared camera for measuring a temperature distribution of a monitored plant, image data input means for inputting image data measured by the infrared camera, and averaging of image data captured by the image data input means. Image processing means for performing average temperature in specific area, temperature frequency distribution, and temperature distribution in the horizontal and vertical directions, image compression means for compressing images averaged by this image processing means, and the image processing means An image feature extraction unit that collects the image processing result and the image compression result by the image compression unit as image features, and a normal pattern of temporal temperature change during transient of the plant and a normal pattern at steady state are extracted by the image feature extraction unit. The normal pattern learning means for learning based on the image features obtained and the learning result obtained by this normal pattern learning means A plant monitoring apparatus comprising: a normal / abnormal discriminating means for discriminating a plant state using a normal reference value and a display means for displaying a discrimination result of the normal / abnormal discriminating means.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5041307A JPH06259678A (en) | 1993-03-02 | 1993-03-02 | Plant monitoring equipment |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5041307A JPH06259678A (en) | 1993-03-02 | 1993-03-02 | Plant monitoring equipment |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH06259678A true JPH06259678A (en) | 1994-09-16 |
Family
ID=12604843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5041307A Withdrawn JPH06259678A (en) | 1993-03-02 | 1993-03-02 | Plant monitoring equipment |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH06259678A (en) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104266673A (en) * | 2014-09-26 | 2015-01-07 | 博奥生物集团有限公司 | Method for identifying types of response units through camera |
| JP5684941B1 (en) * | 2014-07-31 | 2015-03-18 | 株式会社日立パワーソリューションズ | Abnormal sign diagnostic apparatus and abnormal sign diagnostic method |
| US9818204B2 (en) | 2014-09-26 | 2017-11-14 | Capitalbio Corporation | Method for monitoring, identification, and/or detection using a camera based on a color feature |
| JP2018097544A (en) * | 2016-12-12 | 2018-06-21 | 三菱重工業株式会社 | Evaluation apparatus, evaluation method, computer program, and recording medium |
| JP2018204940A (en) * | 2018-02-20 | 2018-12-27 | 伸和コントロールズ株式会社 | State monitoring device |
| JP2020015934A (en) * | 2018-07-24 | 2020-01-30 | 日本製鉄株式会社 | Image determination learning device, image determination learning program, image determination learning method, and blast furnace monitoring device |
| JP2020140365A (en) * | 2019-02-27 | 2020-09-03 | トヨタ自動車株式会社 | Product quality defect prediction system |
| KR20220066748A (en) * | 2020-11-16 | 2022-05-24 | 주식회사 티허브 | Apparatus for determining abnormal state based on deep learning using ir camera |
| JP2022094037A (en) * | 2020-12-14 | 2022-06-24 | 横河電機株式会社 | Abnormal temperature detection device, abnormal temperature detection method, and abnormal temperature detection program |
| JP2022132336A (en) * | 2018-03-25 | 2022-09-08 | 株式会社知能フレームワーク研究所 | Symptom detection system and program |
-
1993
- 1993-03-02 JP JP5041307A patent/JPH06259678A/en not_active Withdrawn
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016033778A (en) * | 2014-07-31 | 2016-03-10 | 株式会社日立パワーソリューションズ | Abnormality sign diagnosis device and method |
| JP5684941B1 (en) * | 2014-07-31 | 2015-03-18 | 株式会社日立パワーソリューションズ | Abnormal sign diagnostic apparatus and abnormal sign diagnostic method |
| US10885673B2 (en) | 2014-09-26 | 2021-01-05 | Capitalbio Corporation | Method for identifying a unit using a camera |
| US9818204B2 (en) | 2014-09-26 | 2017-11-14 | Capitalbio Corporation | Method for monitoring, identification, and/or detection using a camera based on a color feature |
| US10049464B2 (en) | 2014-09-26 | 2018-08-14 | Capitalbio Corporation | Method for identifying a unit using a camera |
| CN104266673A (en) * | 2014-09-26 | 2015-01-07 | 博奥生物集团有限公司 | Method for identifying types of response units through camera |
| JP2018097544A (en) * | 2016-12-12 | 2018-06-21 | 三菱重工業株式会社 | Evaluation apparatus, evaluation method, computer program, and recording medium |
| JP2018204940A (en) * | 2018-02-20 | 2018-12-27 | 伸和コントロールズ株式会社 | State monitoring device |
| JP2022132336A (en) * | 2018-03-25 | 2022-09-08 | 株式会社知能フレームワーク研究所 | Symptom detection system and program |
| JP2020015934A (en) * | 2018-07-24 | 2020-01-30 | 日本製鉄株式会社 | Image determination learning device, image determination learning program, image determination learning method, and blast furnace monitoring device |
| JP2020140365A (en) * | 2019-02-27 | 2020-09-03 | トヨタ自動車株式会社 | Product quality defect prediction system |
| KR20220066748A (en) * | 2020-11-16 | 2022-05-24 | 주식회사 티허브 | Apparatus for determining abnormal state based on deep learning using ir camera |
| JP2022094037A (en) * | 2020-12-14 | 2022-06-24 | 横河電機株式会社 | Abnormal temperature detection device, abnormal temperature detection method, and abnormal temperature detection program |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107169426B (en) | Crowd emotion abnormality detection and positioning method based on deep neural network | |
| CN110263686A (en) | A kind of construction site safety of image cap detection method based on deep learning | |
| CN110826538A (en) | Abnormal off-duty identification system for electric power business hall | |
| CN110415220A (en) | A kind of device intelligence method for inspecting of large hydropower station | |
| JPH06259678A (en) | Plant monitoring equipment | |
| CN113411542A (en) | Intelligent working condition monitoring equipment | |
| CN112957042A (en) | Non-contact target emotion recognition method and system | |
| CN112637568B (en) | Distributed security monitoring method and system based on multi-node edge computing equipment | |
| CN111466878A (en) | Real-time monitoring method and device for pain symptoms of bedridden patients based on expression recognition | |
| CN113096819A (en) | Epidemic situation prevention, control, screening and early warning system based on neural convolutional network | |
| CN112669498A (en) | Traffic state management method, device and system | |
| CN109001210B (en) | System and method for detecting aging and cracking of sealing rubber strip of civil air defense door | |
| CN114842957B (en) | Senile dementia auxiliary diagnosis system and method based on emotion recognition | |
| CN116012780A (en) | Fire disaster monitoring method and system based on image recognition | |
| CN110096945A (en) | Indoor Video key frame of video real time extracting method based on machine learning | |
| CN116092014A (en) | Intelligent inspection control method and system based on Internet of things equipment | |
| CN113361686A (en) | Multilayer heterogeneous multi-mode convolutional neural network integrated robot inspection method | |
| WO2021091092A1 (en) | System and method for diagnosing small bowel cleanliness | |
| CN117092470A (en) | Electric spark detection method and system applied to distribution box | |
| CN115328986A (en) | Power plant safety early warning data analysis processing method and system | |
| JPH07334479A (en) | Pattern sorting device and state monitoring system utilizing the device | |
| CN116399462A (en) | Digital visual cable temperature sensing early warning method and system | |
| EP4024403A1 (en) | Method and system for mental index prediction | |
| CN114118129A (en) | Method for detecting urban lighting facilities | |
| CN112936342A (en) | System and method for evaluating actions of entity robot based on human body posture recognition algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Withdrawal of application because of no request for examination |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20000509 |