CN103534658B - 工序监视诊断装置 - Google Patents

工序监视诊断装置 Download PDF

Info

Publication number
CN103534658B
CN103534658B CN201180062681.9A CN201180062681A CN103534658B CN 103534658 B CN103534658 B CN 103534658B CN 201180062681 A CN201180062681 A CN 201180062681A CN 103534658 B CN103534658 B CN 103534658B
Authority
CN
China
Prior art keywords
variable
change
mentioned
data
rate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201180062681.9A
Other languages
English (en)
Other versions
CN103534658A (zh
Inventor
山中理
横川胜也
长岩明弘
山本胜也
平冈由纪夫
佐野胜实
佐佐木稔
桥本敏
桥本敏一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toshiba Corp
Original Assignee
Toshiba Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Toshiba Corp filed Critical Toshiba Corp
Publication of CN103534658A publication Critical patent/CN103534658A/zh
Application granted granted Critical
Publication of CN103534658B publication Critical patent/CN103534658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • C02F3/006—Regulation methods for biological treatment
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2103/00—Nature of the water, waste water, sewage or sludge to be treated
    • C02F2103/34—Nature of the water, waste water, sewage or sludge to be treated from industrial activities not provided for in groups C02F2103/12 - C02F2103/32
    • C02F2103/346—Nature of the water, waste water, sewage or sludge to be treated from industrial activities not provided for in groups C02F2103/12 - C02F2103/32 from semiconductor processing, e.g. waste water from polishing of wafers
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2103/00—Nature of the water, waste water, sewage or sludge to be treated
    • C02F2103/34—Nature of the water, waste water, sewage or sludge to be treated from industrial activities not provided for in groups C02F2103/12 - C02F2103/32
    • C02F2103/36—Nature of the water, waste water, sewage or sludge to be treated from industrial activities not provided for in groups C02F2103/12 - C02F2103/32 from the manufacture of organic compounds
    • C02F2103/365—Nature of the water, waste water, sewage or sludge to be treated from industrial activities not provided for in groups C02F2103/12 - C02F2103/32 from the manufacture of organic compounds from petrochemical industry (e.g. refineries)
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/001—Upstream control, i.e. monitoring for predictive control
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/005—Processes using a programmable logic controller [PLC]
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/02—Temperature
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/04—Oxidation reduction potential [ORP]
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/06—Controlling or monitoring parameters in water treatment pH
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/08—Chemical Oxygen Demand [COD]; Biological Oxygen Demand [BOD]
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/14—NH3-N
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/16—Total nitrogen (tkN-N)
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/18—PO4-P
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/20—Total organic carbon [TOC]
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/22—O2
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/28—CH4
    • C02F2209/285—CH4 in the gas phase
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/40—Liquid flow rate
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/42—Liquid level

Abstract

提供一种工序监视诊断装置，能够进行状态变化或异常状态的预兆检测，通过将在监视上操作人员着眼的指标与MSPC结合，由此能够进行操作人员更容易明白的状态监视、异常诊断。具有数据收集/保存部(2)，收集并保持通过多个工序传感器按照规定周期计测的对象工序的状态量、操作量形成的多个计测变量的时间序列数据，并具备：工序模型构建/供给部(4)，使用该保存的多个计测变量的过去的时间序列数据，构建并供给工序监视模型；以及工序监视/诊断部(6)，使用从数据收集/保存部(2)提取的在线数据和上述所构建的工序监视模型来监视工序的状态，检测状态变化或异常征兆，从而对工序进行监视并诊断。

Description

工序监视诊断装置
技术领域
本发明涉及一种工序监视诊断装置，具有能够对下水处理工序、排水处理工序、污泥消化工序、净水工序、供配水工序、化学工序等工序系统的状态变化或异常预兆进行检测的诊断算法。
背景技术
在下水处理工序、污泥消化工序、净水工序、供配水工序等水处理/水运用工序、石油化学工序或者半导体制造工序等工序的运转管理中，要求有会在实现工序的规定目标性能的基础上带来节能、省成本的运用。
在此，作为规定目标性能的例子，在下水处理工序中可以列举遵守排放水质基准，在污泥消化工序中可以列举确保生成能量(甲烷、氢等)的规定产生量，在净水工序中可以列举遵守基于消毒、杀菌等的供配水水质基准，在石油化学工序中可以列举达成石油等精制产品成品率的规定目标值，在半导体制造工序中可以列举达成半导体产品成品率的规定目标值以上；等等。此外，作为节能、省成本运用的例子，在下水处理工序中可以列举减少鼓风机、泵的驱动电力、药品注入量，在污泥消化工序中可以列举产生能量效率的最大化，在净水工序中可以列举药品注入量的最小化，在石油化学工序、半导体制造工序中可以列举成品率的最大化等。
为了实现这些，对与目标性能相关的工序的状态进行监视以便不陷于不能够达成规定目标那样的状态，迅速检测阻碍达成规定目标那样的状态变化或异常状态并事先采取对策，这是运转管理上的关键点。此外，为了进行会在达成规定目标的基础上带来节能、省成本的运用，需要将与目标性能、节能、省成本相关的工序状态始终保持为良好状态，并迅速检测可能要从良好状态偏离那样的工序状态变化。
作为对这种工序的状态变化或异常进行诊断的方法，已知一种主要在石油化学工序的领域发展起来的使用了“多变量统计解析方法”的、被称为多变量统计工序监视(MSPC：Multi－Variate Statistical Process Control)的方法(例如参照非专利文献1、专利文献1、专利文献2、专利文献3)。
MSPC有时也被称为化学计量学方法，是MSPC中最基本的方法，并且作为经常被利用的方法，广泛使用基于主成分分析(PCA：Principal Component Analysis)的方法。此外，作为使基于PCA的方法发展起来的方法，还使用对主成分回归(PCR：Principal ComponentRegression)、潜变量投影法/偏最小二乘法(PLS：Projection to Latent Structure/Partial Least Square)等进行了利用的监视方法(参照上述非专利文献1)。
这些方法基于如下思考方式：根据大量计测数据，利用大量工序数据间的相关信息，生成通常数个的少量的统计量数据，根据所生成的少量的统计量数据来检测工序状态的变化。例如，在利用了PCA的MSPC中，利用PCA来生成相关较强的数据集合(数据的部分空间)，通过针对该部分空间内的数据的(与品质工学领域的田口法所使用的马氏距离(Mahalanobis distance)类似的概念的)被称为T2统计量的统计量、以及表示各时刻的数据从该部分空间背离何种程度的被称为Q统计量的统计量，来进行工序的状态监视。
在构建这种状态监视/异常诊断系统时，采取的顺序如下。首先，在选定了在成为对象的工序中计测的大量计测变量的全部或者监视所需要的几个变量的基础上，离线地输入选定的计测变量的(被积蓄在数据服务器等中的)时间序列数据，而构建/识别监视/诊断模型。然后，向构建的监视/诊断模型在线地输入相同的计测变量的时间序列数据。然后，例如，在基于PCA的监视方法中，按照规定的顺序，进行工序的状态变化或异常的检测(状态变化/异常的检测)，推测成为其主要原因的计测变量(主要原因分离)。然后，通常情况下，被提示了检测和主要原因分离结果的操作人员确定状态变化/异常的真正的主要原因，并对该状况采取对策。
这种先进的状态监视/异常诊断方法在石油化学工序领域等中被先驱地使用，但在上下水道工序等领域中完全未普及。对通常工序的运用、运转进行管理的工序管理者或操作人员，通过趋势图表等对上述诊断系统所利用的计测变量的时间序列数据进行监视，在趋势图表上监视工序的状态变化或异常。此外，在此基础上，对根据计测变量、工厂的构造数据来计算的几个管理指标、性能指标进行监视的情况也较多。
例如，在下水处理工序领域中，存在根据计测变量、即污泥浓度、流量、构造物的容积来计算的被称为SRT(污泥滞留时间)的管理指标，操作人员边关注该管理指标边进行工厂的运用。作为其他例子，在上水工序的领域中，在日本水道协会(JWWA)拟定的水道事业方针中，提出了通过被称为性能指数(PI)的性能指标来评价净水、供配水工序的性能。
现有技术文献
专利文献
专利文献1：日本特开平8-241121号公报
专利文献2：日本特开2004-303007号公报
专利文献3：日本特开2007-65883号公报
非专利文献
非专利文献1：URL：http://tech.chase-dream.com/spc.html
发明内容
发明要解决的课题
这种管理指标、性能指标，是将与工厂的性能、稳定运转相关的工厂的某个特征良好地表现的指标，对操作人员、工厂管理者来说是有用的信息。但是，主要在石油化学工序领域中利用的以往的基于MSPC的状态监视系统，与基于这些管理指标进行的工厂监视并未取得匹配性。此外，管理指标良好地表现工厂的某个特征，因此虽然管理指标的变化与工厂的状态变化具有非常深的关联，但是在以往的MSPC中未考虑这种管理指标。
此外，关于工序的状态变化，多数情况下，与对工序的计测变量的数据进行直接监视相比，对将计测数据实施了非线性计算后的值、计测数据的微分值或积分值、或者计测数据的部分信息或周期性信息进行监视的能够更适当地掌握工序状态。例如，在下水处理工序领域中，虽然存在用于对微生物的活性状态进行监视的被称为呼吸速度计的设备，但是设置呼吸速度计的处理场很少，作为代替指标，也有时通过对溶存氧(DO)浓度的微分值(变化率)进行监视来掌握微生物的活性状态。作为另一个例子，在上水的配水工序中漏水成为问题，为了掌握该漏水量的概算值，有时使用仅净水需要较少的夜间时间段的配水量数据来掌握漏水量的概算值。作为其他例子，在上水、下水中存在因人的生活类型引起的日变动，按照每个时间段来对其进行监视的话能够更好地捕捉工序的状态变化。
但是，在以往的MSPC中，使用计测变量的全部项目或者所选择的项目的全部数据来构建监视系统。
发明要解决的课题为，提供一种工序监视诊断装置，能够提高基于MSPC的状态监视性能、即能够进行状态变化或异常状态的预兆检测，通过将在监视上操作人员着眼的指标与MSPC结合，由此能够进行操作人员更容易明白的状态监视、异常诊断。
用于解决课题的手段
本发明的工序监视诊断装置的特征在于，具备：数据收集/保存部，收集并保持由设置在对象工序中的多个工序传感器以规定周期来计测的上述对象工序的状态量、操作量构成的多个计测变量的时间序列数据；工序模型构建/供给部，使用上述数据收集/保存部所保存的多个计测变量的过去的时间序列数据，构建工序监视模型并进行供给；以及工序监视/诊断部，使用从上述数据收集/保存部提取的在线数据和由上述工序模型构建/供给部构建的工序监视模型，对工序的状态进行监视，对状态变化或异常征兆进行检测，上述工序模型构建/供给部具备：选择变量决定部，根据上述数据收集/保存部所保存的多个计测变量的过去的时间序列数据，选择为了构建上述工序监视模型所需要的全部变量或者一部分变量；变量变换式决定部，根据上述数据收集/保存部所保存的多个计测变量，设定用于得到在上述对象工序的运转上有用的管理指标、对工序的状态变化或异常征兆的早期检测有用的指标的规定的变换式；数据规格化参数决定部，决定参数ai和bi，该参数ai和bi用于对于由上述选择变量决定部选择的选择变量、从通过使用上述变量变换式决定部的公式而变换后的过去的变换变量的时间序列数据中除去了包括异常值的异常数据的上述选择变量、以及上述变换变量的正常时间序列数据，通过(xi(t)－ai)/bi将数据规格化；诊断模型构建部，定义统计量生成式，该统计量生成式用于对于使用由上述规格化参数决定部决定的规格化参数进行了规格化的数据，利用以主成分分析(PCA)、主成分回归(PCR)、偏最小二乘法(PLS)为代表的多变量解析方法之一，生成至少一个以上诊断用统计量数据；以及统计量阈值设定部，用于检测相对于由上述诊断模型构建部生成的上述一个以上诊断用统计量数据的状态变化，上述工序监视/诊断部具有：变量选择部，从上述数据收集/保存部依次取出与由上述选择变量决定部决定的选择变量对应的当前数据；变量变换部，使用由上述变量变换式决定部决定的变量变换式，进行用于从上述数据收集/保存部的当前数据得到当前时刻的指标的变量变换；数据规格化部，将使用由上述规格化参数决定部决定的规格化参数而选择的变量及变换后的变量的在线数据规格化；统计量监视部，根据由该数据规格化部规格化后的在线数据，基于由上述诊断模型构建部定义的上述统计量生成式，生成统计量数据并设为能够监视该统计量数据的状态；以及状态变化检测部，在由统计量监视部生成的在线的统计量数据超过由上述统计量阈值设定部决定的阈值的情况下，检测为工序的状态变化或异常；
其中，xi：第i个选择变量/变换变量，ai：表示相对于第i个选择变量/变换变量的偏移的常量(偏移参数)，bi：表示相对于第i个选择变量/变换变量的比例的常量(比例参数)。
在本发明中，上述工序模型构建/供给部还具有：状态变化主要原因贡献量式设定部，从上述选择变量和上述变换变量中推测产生状态变化时的主要原因；上述工序监视/诊断部还具有：主要原因项目推测部，在由上述状态变化检测部检测到工序的状态变化或异常的情况下，通过上述状态变化主要原因贡献量式设定部所设定的贡献量计算，推测成为其主要原因的变量。
此外，在本发明中，变量变换式决定部含有从包含积和商的非线性变换、微分/差分变换、积分/累计变换、规定周期的抽选变换、规定周期的内插变换、管理指标/性能指标变换之中选取的至少一个以上变换式。
此外，在本发明中也可以构成为，在上述选择变量决定部及上述变量选择部中的处理的前级，进行如下处理：对于上述数据收集/保存部所收集/保存的工序计测变量，按照规定时间单位T使遍及规定期间R的时间偏移而新生成工序计测变量，构成使原来的工序计测变量的个数扩展了R/T倍的工序计测变量。
此外，在本发明中也可以构成为，在上述选择变量决定部及上述变量选择部中的处理的前级，对于上述数据收集/保存部所收集/保存的工序计测变量，通过应用由基于离散小波变换的分解/重构算法构成的数字滤波器，将原来的工序数据分割为N个，构成使原来的工序计测变量的个数扩展了N倍的工序计测变量。
此外，本发明也可以构成为一种层次型的工序监视诊断装置，具有如下的整体的工序监视/诊断装置：按照每个处理系列或每个配水块等每个处理单位来构建M个(M：处理单位的个数)由权利要求1所述的数据收集/保存部、工序模型构建/供给部及工序监视/诊断部构成的工序监视诊断装置，并且是基于将由该M个的各工序监视/诊断装置计算的各统计量作为输入的MSPC。
此外，在本发明中，上述对象工序是下水处理工序/工业排水工序等生物学废水处理工序，作为上述变量变换式决定部的变换式而具有：污泥滞留时间(SRT)、好氧槽污泥滞留时间(A-SRT)、水力学滞留时间(HRT)、Log(SRT)/水温、Log(A-SRT)/水温、剩余污泥产生量、有机物COD负荷量和/或有机物BOD负荷量、氮负荷量、磷负荷量、有机物BOD-SS负荷和/或有机物COD-SS负荷、水面积负荷、磷负荷/氮负荷、有机物负荷/氮负荷、有机物负荷/磷负荷、pH/ORP、DO变化率(微分值)、风量变化率(微分值)、氨浓度变化率、硝酸浓度变化率、磷浓度变化率、pH变化率、ORP变化率、污泥界面变化率、水温变化率、规定期间的雨量累计值(积分值)中的任意一个以上的变换式。
此外，在本发明中，上述对象工序是下水处理工序/工业排水工序等生物学废水处理工序，作为上述变量变换式决定部的变换式而具有每个平日/休日的计测数据的变换式。
此外，在本发明中也可以构成为，对象工序为污泥处理工序，作为上述变量变换式决定部的变换式，具有浓缩槽剩余污泥混入率、浓缩槽固形物回收率、浓缩槽HRT、浓缩槽污泥固形物滞留时间、浓缩槽污泥界面变化率、离心浓缩机离心效果、离心浓缩机螺旋输送机与转鼓转速差速、加压/常压浓缩机气固比、加压/常压浓缩机泡沫厚变化率、加压/常压浓缩机浮起污泥刮取频度、消化槽消化率、消化槽消化污泥量、消化槽消化天数、消化槽消化天数/消化温度、气体产生率、甲烷气体组成比率、CO2组成比率、硫化氢组成比率、消化槽固形物负荷、消化槽有机物负荷、消化槽有机物负荷/氮负荷、pH/ORP、pH变化率、ORP变化率、消化槽脱离液SS变化率、温度变化率、气体产生量变化率、脱水机过滤流量变化率中的任意一个以上的变换式。
并且，在本发明中也可以构成为，对象工序为净水/供配水工序，作为上述变量变换式决定部的变换式而具有：污泥量/凝结剂注入量、氯要求量/次亚氯酸注入量、预先定义的夜间时间段的配水量、预先定义的每规定时间的配水量或者供水量，或者根据在线计测数据计测的性能指数(PI)即原水有效利用率(％)、根据霉味判定的可口水达成率(％)、根据氯味判定的可口水达成率(％)、总三卤甲烷浓度水质基准比(％)、有机物(TOC)浓度水质基准比(％)、活性炭投入率(％)、药品储备天数(日)、燃料储备天数(日)、供给单价(日元/立方米)、供水原价(日元/立方米)、收费率(日文原文：有収率)(％)、单位配水量1立方米的电力消耗量(kWh/立方米)、单位配水量1立方米的消耗能量(MJ/立方米)、可再生能量利用率(％)、净水产生土的有效利用率(％)、单位配水量1立方米的二氧化碳(CO2)排出量(g·CO2/立方米)、地下水率(％)、泵平均运转率(％)、漏水率(％)、单位供水件数的漏水量(立方米/年/件)中的任意一个以上的变换式。
根据上述各实施方式，通过将对工厂运转管理者来说有用的信息与MSPC结合，由此能够提高基于MSPC的状态监视性能、即能够进行状态变化或异常状态的预兆检测。此外，由于将在监视上操作人员着眼的指标与MSPC结合，由此能够进行操作人员更容易明白的状态监视、异常诊断。
附图说明
图1是表示本发明的工序监视诊断装置的一个实施方式的功能框图。
图2是表示将同上的一个实施方式应用于下水处理工序的情况的系统构成图。
图3是说明应用同上的一个实施方式的污泥处理工序的系统构成图。
图4是说明应用同上的一个实施方式的净水/供配水工序的系统构成图。
图5是说明在本发明中应用考虑了工序延迟的处理的实施方式的图。
图6是说明在本发明中并用离散小波变换的实施方式的框图。
图7是说明在本发明中成为层次构造的实施方式的框图。
图8A是表示对用于得到将本发明应用于生物学的排水处理工序的情况下的指标的、变量变换式决定部的构成进行表示的表1的图。
图8B是表示该表1的图。
图9A是表示对用于得到将本发明应用于污泥浓缩/消化工序的情况下的指标的、变量变换式决定部的构成进行表示的表2的图。
图9B是表示该表2的图。
图9C是表示该表2的图。
图10A是表示对用于得到将本发明应用于上水净水/供配水工序的情况下的指标的变量变换式决定部的构成进行表示的表3的图。
图10B是表示该表3的图。
具体实施方式
以下，使用附图对本发明的工序监视诊断装置的一个实施方式进行详细说明。
图1以及图2表示该实施方式的基本构成，是假定作为对象工序而应用在下水处理工序/工业排水工序等生物学废水处理工序的一例、即以氮以及磷除去为目的的下水高度处理工序中的监视系统来进行表示的图。首先，在图2中，对监视对象工序即下水高度处理工序进行说明。
下水处理工序1将最初沉淀池101、厌氧槽102、无氧槽103、好氧槽104以及最终沉淀池105依次串联连结而构成。在该下水处理工序1的上述各池以及槽中，以下说明的泵及传感器被设为驱动器及其操作量传感器。即，在最初沉淀池101中设置有剩余污泥抽出泵以及其抽出流量传感器111，在好氧槽104中设置有供给氧的鼓风机以及其供给空气流量传感器112，在该好氧槽104和其前级的无氧槽103的循环路上设置有循环泵以及其循环流量传感器113，在从最终沉淀池105向厌氧槽102的返回路上设置有返回污泥泵以及其返回流量传感器114，并且，在该最终沉淀池105中设置有剩余污泥抽出泵以及其抽出流量传感器115。
此外，在该下水处理工序1中分别设置有以下所示的工序传感器。即，对于向最初沉淀池101的流入管路，分别设置有：对其周边区域的降雨量进行测定的雨量传感器121；对流入下水量进行计测的下水流入量传感器122；对流入下水所含有的全部氮量进行计测的流入TN传感器123；对流入下水所含有的全部磷量进行计测的流入TP传感器124；以及对流入下水中所含有的有机物量进行计测的流入UV传感器或者流入COD传感器125。
此外，在厌氧槽102中设置有对其ORP(氧还原电位)进行计测的厌氧槽ORP传感器126、以及计测pH的厌氧槽pH传感器127，在无氧槽103中设置有对其ORP进行计测的无氧槽ORP传感器128、以及计测pH的无氧槽pH传感器129，在好氧槽104中设置有对其磷酸浓度进行计测的磷酸传感器1210、对溶存氧浓度进行计测的DO传感器1211、以及对氨浓度进行计测的氨传感器1212。
此外，对于上述各反应槽102～104，在这些槽的至少1个槽(在图的例中为厌氧槽102)中设置有对活性污泥量进行计测的MLSS传感器1213，相同地，对于各反应槽102～104，在这些槽的至少1个槽(在图的例中为无氧槽103)中设置有计测水温的水温传感器1214。
此外，在最终沉淀池105中分别设置有对从在此抽出的污泥量的固形物浓度进行计测的剩余污泥SS传感器1215、对从在此排放的排放水的SS浓度进行计测的排放SS传感器1216、以及对最终沉淀池105的污泥界面水平进行计测的污泥界面传感器1217。
并且，在来自最终沉淀池105的排放管上，分别设置有计测排放下水量的下水排放量传感器1218、对排放下水所含有的全部氮量进行计测的排放TN传感器1219、对排放下水所含有的全部磷量进行计测的排放TP传感器1220、以及对排放下水所含有的有机物量进行计测的排放UV传感器或者排放COD传感器1221。
上述的各种驱动器111～115按照规定的周期进行动作，由相同的附图标记表示的其操作量传感器111～115与各种工序传感器121～1221按照规定的周期进行计测。
图1以及图2所示的工序监视诊断装置具有工序计测数据收集/保存部2、过去数据(离线数据)提取部3、工序监视模型构建/供给部4、当前数据(在线数据)提取部5、工序监视/诊断部6以及用户界面部7。
工序计测数据收集/保存部2收集并保持按照规定的周期从下水高度处理工序1的各种驱动器/操作量传感器111～115以及各种工序传感器121～1221得到的工序数据。过去数据提取部3从工序计测数据收集/保存部2所保存的各种时间序列数据中提取过去数据(离线数据)。工序监视模型构建/供给部4使用由过去数据提取部3提取的离线数据，预先离线地构建工序的监视/诊断模型。当前数据提取部5从工序计测数据收集/保存部2所保存的各种时间序列数据中提取当前数据(在线数据)。工序监视/诊断部6使用由当前数据提取部5提取的在线数据、由工序监视模型构建/供给部4构建的工序监视模型，对工序的状态进行监视，对状态变化或异常征兆进行检测。用户界面部7将与由工序监视/诊断部6检测的状态变化或异常征兆和其主要原因变量候补相关的信息向工厂管理者、操作人员通知。
如图1所示，工序监视模型构建/供给部4具备选择变量决定部41、变量变换式决定部42、正常数据提取部43、规格化参数决定部44、诊断模型构建部45以及统计量阈值设定部46，优选进一步具备状态变化主要原因贡献量式设定部47。
选择变量决定部41根据从工序计测数据收集/保存部2通过过去数据(离线数据)提取部3而提取的计测变量的、过去的时间序列数据的信息，决定并选择工序监视模型构建所需要的变量。变量变换式决定部42以对工序监视模型的状态变化或异常征兆进行迅速检测、以及提供对于操作人员的运转管理来说容易理解的信息为目的，对计测变量实施适当的变量变换而生成新的变换变量(指标)。正常数据提取部43从由选择变量决定部41选择的计测变量和由变量变换式决定部42生成的指标中，将漏测值、明确的异常值除去而仅提取正常的数据。规格化参数决定部44对于由正常数据提取部43取出的正常状态的选择变量和变换变量，决定通过(xi(t)－ai)/bi对各种选择/变换变量进行规格化的公式的偏移参数ai和比例参数bi。
其中，xi(t)为第i个选择/变换变量，ai为表示相对于第i个选择/变换变量的偏移的常量(偏移参数)，bi为表示相对于第i个选择/变换变量的比例的常量(比例参数(scaling parameter))。
诊断模型构建部45对于由规格化参数决定部44定义的规格化数据，实施主成分分析(PCA：Principal Component Analysis)、主成分回归(PCR：Principal ComponentRegression)或者偏最小二乘法(PLS：Partial Least Squares)等多变量解析方法，由此求出加载矩阵(负荷矩阵)和得分矩阵，并设定用于对使用这些而定义的Q统计量以及Hotelling的T2统计量进行计算的计算式(模型)。统计量阈值设定部46使用由诊断模型构建部45构建的诊断模型，对于使用过去的离线数据而计算的统计量数据，设定用于进行其异常/正常的判断的阈值。状态变化主要原因贡献量式设定部47决定用于计算在Q统计量、Hotelling的T2统计量超过统计量阈值设定部46的阈值的情况下各选择/变换变量对该统计量的贡献量的公式。
此外，同样如图1所示，工序监视/诊断部6具备变量选择部61、变量变换部62、异常值(outlier)除去部63、数据规格化部64、统计量监视部65以及状态变化检测部66，优选还具备主要原因项目(变量)推测部67。
变量选择部61从由工序计测数据收集/保存部2通过当前数据(在线数据)提取部6而提取的计测变量的当前时刻的时间序列数据，取出由选择变量决定部41决定的选择变量。变量变换部62使用由变量变换式决定部42决定的变量变换式，对当前时刻的时间序列数据进行变量变换，计算指标。异常值除去部63从由变量选择部61选择的计测变量的当前的数据、由变量变换部62生成的当前的指标(变换变量)中，除去漏测值、异常值。数据规格化部64对由异常值除去部63取出的当前的正常状态的选择变量和变换变量，使用由规格化参数决定部44决定的、偏移参数ai和比例参数bi来进行规格化。统计量监视部65对由数据规格化部64规格化后的当前的数据，根据由诊断模型构建部45决定的Q统计量以及Hotelling的T2统计量的计算式，计算它们的统计量。状态变化检测部66在由统计量监视部65监视的统计量超过由统计量阈值设定部46定义的阈值的情况下，对工序的状态变化或异常征兆进行检测。主要原因项目(变量)推测部67在由状态变化检测部66检测到Q统计量、Hotelling的T2统计量的变化的情况下，根据由状态变化主要原因贡献量式设定部47设定的公式，来计算成为其变化主要原因的选择/变换变量的贡献量，对成为主要原因的选择/变换变量进行推测。
在此，以往的MSPC的状态监视系统如上所述，并不是使用对于操作人员、工厂管理者来说有用的信息即管理指标、性能指标的状态监视系统，而使用计测变量的全部项目或者所选择的项目的全部数据来构建监视系统。
因此，在本发明中，通过将对于工厂运转管理者来说有用的信息和MSPC结合，能够提高MSPC的状态监视性能、即能够进行状态变化或异常状态的预兆检测。此外，通过将在监视上操作人员着眼的指标与MSPC结合，能够进行对于操作人员来说容易理解的状态监视、异常诊断。
并且，为了实现这些，本发明的特征部分为，在该图1以及图2所示的实施方式中，在工序监视模型构建/供给部4设置变量变换式决定部42，在工序监视/诊断部6设置变量变换部62，得到上述各种指标，并将它们应用于MSPC。
接下来，对上述实施方式的作用进行说明。
首先，在下水高度处理工序1中，通过操作量传感器111～115、各种工序传感器121～1221，按照规定的周期计测工序的信息。这些计测信息通过工序计测信息收集/保存部2，按照预先决定的格式保存为时间序列数据。
在本发明中，在构建工序监视以及诊断装置时，首先，由过去数据提取部3提取该工序计测信息收集/保存部2所保存的、跨越规定期间的过去的工序数据。使用由该过去数据提取部3提取的跨越规定期间的过去的工序数据，在工序监视模型构建/供给部4中构建工序监视模型。
在该工序监视模型构建/供给部4中，在选择变量决定部41中，决定为了构建工序监视模型而需要的计测变量的选择方法。通常在下水处理工序中，不仅是由操作量传感器111～115和各种工序传感器121～1221计测的项目，还存在反馈控制的目标值、与鼓风机、泵等设备相关的计测变量、或者随着时间而累计的累计量等通常达到数千项目的计测变量。在多变量统计学工序监视方法中，即使输入这些全部计测变量，原理上来讲也是能够构建工序监视模型的，但以仅选择需要的变量的方式来决定选择方法。
例如，反馈控制的目标值等通常长期为恒定值、不变化，因此几乎不带有信息。输入这种不带有信息的变量，有时反而会使诊断性能恶化，因此优选不选定。此外，累计量等是单调地增加的变量，因此若选定为工序监视模型构建用的输入数据，则会不能够正确地构建工序监视模型。此外，在准备有多个泵、鼓风机那样的情形下，若原样输入偶尔才起动的鼓风机、泵的流量数据，那么由于其在大部分时间段中为0，因此不能够正确构建监视模型。此外，设备的电流值、配管压力等设备侧的数据对于检测处理工序的状态变化或异常征兆而言，几乎是不需要的。
因此，在选择变量决定部41中，不选择上述那样的变量，而针对目的仅选定需要的计测变量。例如，在图2的工序的情况下，选定由操作量传感器111～115和各种工序传感器121～1221计测的计测变量。
如上所述，变量变换式决定部42为本发明的特征部分，对于数据收集/保存部2所保存的多个计测变量，决定对于运转人员来说有用的管理指标、对工序的状态变化或异常征兆的早期检测有用的指标的变换式。
以下，列举变换式的例子。此外，以下所示的变量变换式总结在图8A、图8B所示的表1中。
作为运转管理指标的例子，来看一下表1的污泥滞留时间(SRT)、好氧槽污泥滞留时间(A-SRT)或者水力学滞留时间(HRT)。这些能够使用由操作量传感器111～115和各种工序传感器121～1221计测的变量中的几个来进行计算。这些指标是在下水处理工序的运用中始终管理的指标，工序管理者、操作人员参考该指标来进行运转(参照下水道维持管理指南后篇2003年度版，日本下水道协会)因此，将该指标使用为基于MSPC的工序监视的输入信息时，在该指标产生了某种变化的情况下，会被检测为后述的MSPC的统计量的变化。并且，如表1所示，Log(SRT)/水温、Log(A-SRT)/水温通常被管理为成为直线关系(同样参照下水道维持管理指南后篇2003年度版，日本下水道协会)，因此这些指标也能够按照相同目的来使用。
此外，剩余污泥的产生量也是操作人员、工序管理者管理的指标。该产生量的概算值，如表1所示，能够使用对流入溶解性BOD、流入SS、反应槽的MLSS浓度分别预先进行调查而决定的污泥转换系数a、b、c来进行计算。该指标也能够使用为重要的运转管理指标。
此外，通常有机物、氮、磷等是由与这些相关的各种水质浓度传感器来计测的，但从处理的观点出发，不按照浓度，而按照将浓度与处理量相乘后的负荷量来进行管理更适当的情况也很多。因此，优选还预先生成表1所示的流入有机物负荷量、流入氮负荷量、流入磷负荷量、或者排放有机物负荷量、排放氮负荷量、排放磷负荷量等的指标。
此外，不仅是这些负荷量本身，根据负荷量的比率来进行运转管理的情况也很多，因此在该情况下，例如，作为指标还预先生成表1所示的有机物的处理特性的指标、即与有机物-SS负荷、沉淀池的沉降特性相关的水面积负荷。此外，已知，在以氮、磷的除去为目的的高度处理工序中，在有机物：氮：磷的比率被保持为与微生物的组成比大致对应的规定比例的情况下，能够高效地进行处理。因此，如果预先生成为这些负荷比率、即磷负荷/氮负荷、有机物负荷/氮负荷、有机物负荷/磷负荷的指标，则能够使用为磷、氮的除去性能的参考值。
此外，在厌氧槽102、无氧槽103中通常设置有ORP计128、pH计127的情况较多。这些ORP计128和pH计127，在总离子浓度没有太大变化的情况下示出较强的相关，因此若预先管理ORP/pH的比率，则容易检测pH以外的离子浓度的变化。例如，在雨天时等，有时厌氧槽102、无氧槽103的溶存氧浓度上升、处理恶化。在这种情况下，与pH的变化相比较、ORP的变化变大，因此若监视该比率，则能够有助于溶存氧混入的检测。
并且，在由操作量传感器111～115和各种工序传感器121～1221计测的计测变量中，不仅计测变量的值，有时其变化率(差分、微分)的信息对于工序的运转管理来说也较重要。例如，溶存氧(DO)浓度的变化率，能够考虑代用为微生物的呼吸速度计。微生物的呼吸速度计利用在对下水进行处理的微生物的活性变弱的情况下消耗的溶存氧减少这种性质，来对微生物的活性状态进行监视，但不使用呼吸速度计，只要监视DO的变化率，也能够对微生物的活性状态进行监视。
另一方面，在处理场中以将DO浓度保持为恒定值的方式对曝气风量进行控制的情况也较多，在这种情况下，DO浓度由于被控制而不变化，但只要代替此而监视风量的变化率，就能够间接地得知微生物的活性状态。使用同样的原理，还能够对与氮、磷的除去相关的特定的微生物的活性状态进行监视。
即，为了观察使氨变化为硝酸的硝化菌的活性状态，对氨浓度的变化率进行监视即可，为了观察将硝酸还原为氮气的脱氮菌的活性状态，对硝酸浓度的变化率进行监视即可。为了对除去磷的磷积蓄性微生物的活性状态进行监视，对厌氧槽以及好氧槽中的磷浓度的变化率进行监视即可。并且，在有毒物的混入等或处理的阻碍时，有时pH、ORP急剧变化，因此pH、ORP的变化率信息对于工序监视来说也是有用的。此外，在雨天时、雪融水的流入时等，有时水温会急剧降低，而水温的降低成为处理的阻碍主要原因，因此水温变化率也成为重要的监视项目。
另一方面，与这种变化率信息相反，规定期间的累计量对工序产生影响的情况也较多。例如，规定期间的雨量的累计量特别对磷除去的性能产生影响的可能性较高。其原因为，通过雨会向厌氧槽、无氧槽带入溶存氧，通过雨而磷除去所需要的醋酸系的有机物会流出等。这种雨的影响有时在雨天时直接出现，也有时在雨天后过一段时间出现。在该情况下，雨天的累计量、在此以前继续了多长期间的晴天这样的信息变得重要的情况较多，因此跨规定期间的累计雨量也能够成为一个指标。
此外，通常下水处理工序具有与每个人的生活类型对应的负荷类型，因此例如在周日等休日与平日有时示出不同的负荷类型。在这种情况下，若将休日/平日的数据分别作为不同的数据取出而作为MSPC的输入，则可能使诊断性能更提高。例如，取出周日的数据对应于按照1日/7日对数据进行抽出(抽选(Decimation))的操作，取出平日的数据对应于6日/7日的抽选。另一方面，为了连续地供给数据，可以考虑相对于对于周天数据而言使平日成为零输入、相对于平天数据而言使周日成为零输入的这种操作，这些对应于插补(内插)操作。因此，若如此适当地利用抽选和内插而输入将数据进行了变换的指标，则能够期待使MSPC的诊断性能提高。
如此，决定进行各种变量变换的表1所示的变量变换式的部分是变量变换式决定部42的作用，该变量变换式即执行选自非线性变换(含：积(乘法)和商(除法))、微分/差分变换、积分/累计变换、规定周期的抽选变换、规定周期的内插变换、管理指标/性能指标变换之中的至少一个以上变换的变量变换式。
接下来，正常数据提取部43为了构建基于MSPC的工序监视模型，而从由过去数据(离线数据)提取部3提取的离线数据中除去漏测数据、异常值，仅取出对工序监视模型构建有用的数据。作为该正常数据提取部43的处理方法，可以考虑多个方法。此时，不被认为是实际的工序值那样的异常值、漏测值是一定要除去的，但工序状态从通常状态背离的数据不一定需要严格地除去。
具体地说，例如，在规定周期下的计测是1分钟等比较短的周期这样的情况下，还可以考虑将每1个小时的中值数据取出而使用这种简单的操作。通常下水处理工序的滞留时间为几个小时～十几小时，因此即使在这种进行1个小时单位的中值处理这种简单的操作中，也能够将较多的异常值、漏测值除去。作为其他方法，例如还可以考虑如下方法：使用鲁棒统计的方法，作为数据的中心值指标而采用中值，作为数据的偏离指标而使用中值绝对偏差(MAD：Median Absolute Deviation)，从中值中将MAD的偏差规定倍数以上的数据除去。
接下来，在规格化参数决定部44中，决定规格化所需要的偏移参数ai和比例参数bi的值。
例如，使用鲁棒标本和鲁棒标本标准偏差。在此，“鲁棒标本平均”、“鲁棒标本标准偏差”是指，在预先将工序数据的最大值以及最小值附近的百分之几程度的数据除去的基础上，求出标本平均和标本标准偏差。按照该顺序，在预先将上下限值附近的几个数据除去的基础上，能够如下式那样决定偏移参数和比例参数。
ai＝1/N*Σk＝1Nxi(k)
bi＝Σk＝1N(xi(k)-ai)2/(N-1) …(1)
其中，N为截取的数据数。
或者，还能够将上述的偏移参数作为上述的中值，将比例参数作为中值绝对偏差(MAD)。
诊断模型构建部45定义工序监视所需要的统计量的计算式。例如，作为多变量解析手段而使用PCA的情况下，首先，如下那样进行数据分解。
[数式1]
X＝Σi＝1 pti*pi T+Σi＝p+1 nti*pi T
＝TPT+E (2)
在此，X∈Rm×n是由m个时间序列数据和n个(由选择变量决定部选择的变量和由变量变换式决定部决定的指标之和)变量构成的数据矩阵，T∈Rm×p是由m个采样和p<<n个主成分数构成的被称为得分矩阵的矩阵，P∈Rn×p是由n个变量和p<<n个主成分数构成的被称为加载矩阵的矩阵。此外，E∈Rm×n是由m个采样(或者时间序列数据)和n个变量构成的误差矩阵。
以下那样地定义对这样进行了分解的数据、使用加载矩阵P来计算Q统计量、Hotelling的T2统计量的计算式。
Q统计量：
Q(x(t))＝xT(t)(I-PPT)x(t)…(3)
Hotelling的T2统计量：
[数式2]
T2(x(t))＝xT(t)PTΛ-1Px(t) (4)
在此，∧是具有基于主成分分析的各主成分的方差来作为对角要素的矩阵，意味着已将方差规格化。此外，I是适当尺寸的单位矩阵。此外，x(t)是矩阵X的第t个要素。在实际的工序监视中，该x(t)被置换在线计测出的工序数据来计算。(3)式和(4)式是由诊断模型构建部45定义的诊断模型(统计量)。
在统计量阈值设定部46中设定(3)式和(4)式的阈值。该阈值的设定值与状态变化或异常征兆的检测较大地相关，因此其设定方法很重要，但与本发明无直接关系，因此对其详细内容不说明，而仅示出典型的设定方法。假设在对过去的离线数据无任何事前信息的情况下，作为默认的设定法，能够使用Q统计量的统计学信赖极限值和与Hotelling的T2统计量相关的统计学信赖极限值(C.Rosen“Monitoring Wastewater Treatment Systems"，Lic.Thesis，Dept.of Industrial Electrical Engineering and Automation，LundUniversity，Lund，Sweden(1998))。
这些能够如以下那样记载。
[数式3]
Qlimit的理论计算式：
h0：＝1-2Θ1Θ3/3Θ2 2
Θi：＝λp+1 i+λp+2 i+………+λn i
在此，p为模型中残留的变量的数量。cα是信赖区间的极限为1·α的情况下的标准正规分布的标准偏差的偏差(例如：在α＝0.01的情况下为2.53，在α＝0.05的情况下为1.96)。此外，λi是∧的对角要素(即，Θi为误差项所包含的各成分的i次方和)。
T2limit的理论计算式：
T2limit＝p(m-1)/(m-p)F(p、m-p、α) (6)
在此，p为所选择(＝模型中残留)的变量的数量，m为全部变量的数量。F(p、m-p、α)是自由度为(p、m-p)、将信赖极限设为α(＝0.01或者0.05的情况较多)的情况下的F分布。
如此，根据(5)式、(6)式能够设定统计量的阈值。
作为其他方法，例如，在作为鲁棒统计量使用上述的中值ME和中值绝对偏差(MAD)，对Q统计量和T2统计量除去了ME±k＊MAD(k为参数)范围外的数据的基础上，将除去后的Q统计量、Hotelling的T2统计量的最大值决定为阈值，或者将从最大值起上位α％(α：参数)的值决定为阈值。通过这种方法来设定阈值的方法是统计量阈值设定部46的功能。
状态变化主要原因贡献量式设定部47设定由选择变量决定部41及变量变换式决定部42决定的计测变量及变换变量相对于通过(3)式、(4)式定义的统计量而言的贡献量的定义式。贡献量的定义方法也存在多个，但例如能够如以下那样进行定义。
[数式4]
Q统计量的贡献量：
Qcont(n、t)＝xT(t、n)F(：、n)TF(：、n)x(t、n) (7)
F＝(I-PPT)
Hotelling的T2统计量的贡献量：
T2 cont(n、t)＝xT(t)PTΛ-1P(：、n)x(t、n) (8)
在此，n意味着第n个变量，t表示某个时刻的变量。(7)式及(8)式是状态变化主要原因贡献量式设定部47的作用。
在按照上述步骤通过工序监视模型构建/供给部4构建了工序监视模型之后，在工序监视/诊断部6中，被供给由工序监视模型构建/供给部4构建的工序监视模型，使用该工序监视模型来进行工序的监视。
在工序监视/诊断部6中，首先，通过当前数据(在线数据)提取部5从由工序计测信息收集/保存部2收集的数据中，提取想进行诊断的时刻(以下称作当前时刻或者当前)的在线数据。工序监视/诊断部6使用由该当前数据提取部5提取的当前数据进行工序状态的监视，在状态发生了变化、或者确认了异常征兆的情况下，对该情况进行检测。该工序监视/诊断部6的作用在以下进行详细说明。
变量选择部61取出与由选择变量决定部41决定为进行选择的变量对应的当前时刻的数据。
同样，变量变换部62根据由变量变换式决定部42决定的变量变换式，根据当前数据计算当前时刻的运转管理指标等指标。
在异常值除去部63中，对于由变量选择部61和变量变换部62选择/计算的当前时刻的计测数据及指标数据，进行其为异常值的情况下的处理。作为该处理，例如最好是仅在相应时刻的数据为漏测数据的情况下才进行零序保持等简单的处理。或者，也可以是在进行变量选择部61和变量变换部62的计算之前实施3～7步骤程度的简单的中值处理的处理。工序监视/诊断部6为实际地进行监视和诊断的阶段，因此该异常值处理不是必须的，最好是极为简单的处理。其原因为，假设即使不进行异常值处理，在之后的诊断中也会诊断为异常。这是异常值除去部63的作用。
接下来，在数据规格化部64中，使用由规格化参数决定部44决定的、例如(1)式所示的规格化参数，将由变量选择部61和变量变换部62选择/计算的当前时刻的计测数据及指标数据进行规格化。
接下来，在统计量监视部65中，将由数据规格化部64规格化后的计测数据和指标数据，代入由诊断模型构建部45定义的统计量、例如通过(3)式和(4)式定义的Q统计量和T2统计量的X(t)，由此对当前时刻的Q统计量和T2统计量进行监视。该统计量随着时间的经过而时时刻刻地变化，因此也可以按照时间序列图表(趋势图表)那种形式进行监视。
接下来，在状态变化检测部66中，在当前时刻的Q统计量或者T2统计量超过由统计量阈值设定部46设定的阈值、例如通过(5)式和(6)式定义的阈值的情况下，判断为工序产生了状态变化，并通过图2中所示的用户界面部7将该情况通知给操作人员或者工序管理者。在该情况下，也可以输入例如在超过阈值的次数连续而持续了r次的情况下通知给操作人员等这样的规则，而避免报警的频发。
在由状态变化检测部66检测到工序的状态变化的情况下，优选由主要原因项目(变量)推测部67来推测成为其主要原因的计测变量或者指标。此时，基于由状态变化主要原因贡献量式设定部46设定的贡献量式、例如(7)式和(8)式来分别计算计测变量及指标的贡献量。然后，例如通过预先决定在以下作为(a)(b)(c)来列举的规则，来推测被认为是状态变化的主要原因的计测变量或者指标，通过用户界面部7将其通知给操作人员或者工序管理者。
(a)将贡献量最大的设为状态变化主要原因变量。
(b)从贡献量较大的起按顺序将三个设为状态变化主要原因变量。
(c)将贡献量的值超过贡献量的平均±k*贡献量的标准偏差(k:参数)的设为状态变化主要原因变量。
在图2所示的用户界面部7中，不仅如上所述那样提示异常的检测结果和主要原因变量推测结果，也可以如上所述那样，能够始终对Q统计量、T2统计量等统计量数据的时间序列图表(趋势图表)进行监视。此外，对于由变量变换部62变换后的运转管理指标等指标数据，也可以作为趋势图表而能够始终进行监视。
如此，在图1及图2所示的实施方式中，在下水处理工序中，能够在基于MSPC的统计学工序监视的框架中检测工厂管理者始终注意地管理的运转管理指标(SRT、负荷比)等的变化，能够提示对于工厂管理者、操作人员来说有用的诊断信息。即，通过利用计测变量的微分值(差值)、积分值(累计值)或者平日/休日每的计测变量等、能更容易捕捉工序状态变化的指标，将在下水处理工序的运转管理中成为关键的工序的异常向MSPC进行输入，由此能够在MSPC的框架中更迅速可靠地检测状态变化或异常征兆。
接下来，说明在图3所示的污泥处理系统中应用了图1所示的监视/诊断系统的情况下的实施方式。
图3所示的对象工序即污泥处理工序8具有由最初沉淀池801、生物反应槽802以及最终沉淀池803构成的、成为污泥的供给源的下水处理工序。此外，为了对从这些产生的污泥进行处理，而具有由离心浓缩装置804、加压/常压浓缩装置805、污泥浓缩槽806、污泥消化槽807以及脱水机808构成的污泥处理工序。
并且，作为工序传感器，对于最初沉淀池801，设置有最初沉淀池污泥流量传感器811和最初沉淀池污泥浓度传感器812。最初沉淀池污泥流量传感器811对从最初沉淀池801向污泥浓缩槽806排出的污泥流量进行计测。此外，最初沉淀池污泥浓度传感器812对最初沉淀池801中的污泥浓度进行计测。
此外，对于最终沉淀池803，也设置有对向污泥浓缩槽806的投入量进行计测的浓缩槽剩余污泥投入量传感器813、以及对最终沉淀池803中的剩余污泥浓度进行计测的剩余污泥浓度传感器814。
对于污泥浓缩槽806，设置有对从该污泥浓缩槽806排出的分离液的流量和浊度进行计测的污泥浓缩槽分离液流量传感器815、以及污泥浓缩槽分离液SS传感器816。此外，在从该污泥浓缩槽806向污泥消化槽807的管路上，设置有对在此流动的浓缩污泥流量(污泥消化槽投入污泥量)和其浓度(污泥消化槽投入污泥浓度)进行计测的浓缩污泥流量传感器817以及浓缩污泥浓度传感器818。并且，设置有对该污泥浓缩槽806中的固形物浓度进行计测的污泥浓缩槽固形物浓度传感器819以及污泥浓缩槽界面水平传感器8110。
此外，在离心浓缩槽804中设置有对其电动机输出进行计测的离心浓缩槽电动机输出传感器8111、对其螺旋输送机的转速进行计测的离心浓缩槽螺旋输送机转速传感器8112、对其转鼓转速(bowl speed)进行计测的离心浓缩槽转鼓转速传感器8113，并且，设置有对从最终沉淀池803向离心浓缩槽804投入的剩余污泥投入量进行计测的离心浓缩槽剩余污泥投入量传感器8114。
此外，在加压/常压浓缩槽805中分别设置有对从最终沉淀池803投入的剩余污泥流量进行计测的加压/常压浓缩槽剩余污泥投入量传感器8115、对加压/常压浓缩槽805中的加压/常压水量、泡沫厚、浮起污泥浓度、浮起污泥刮取厚度分别进行计测的加压/常压水量传感器8116、泡沫厚传感器8117、浮起污泥浓度传感器8118以及浮起污泥刮取厚度传感器8119。
此外，在污泥消化槽807中，在向后级的脱水机808的管路上，设置有对从污泥消化槽807排出的消化污泥的量和污泥浓度进行计测的污泥消化槽消化污泥量传感器8120、污泥消化槽消化污泥浓度传感器8121，在来自前级的投入管路上设置有污泥消化槽投入有机物浓度传感器8122。此外，设置有对该污泥消化槽807中的消化污泥有机物浓度、消化温度、消化气体产生量、甲烷浓度、CO2浓度、硫化氢浓度、pH、ORP分别进行计测的消化污泥有机物浓度传感器8123、消化温度传感器8124、消化气体产生量传感器8125、甲烷浓度传感器8126、CO2浓度传感器8127、硫化氢浓度传感器8128、pH传感器8129以及ORP传感器8130。并且，在向最初沉淀池801的循环管路上，设置有该污泥消化槽807中的脱离液SS浓度传感器8131。
此外，对于脱水机808，设置有对其过滤流量进行计测的脱水机过滤流量传感器8132。
接下来，对该图1以及图3所示的实施方式的作用进行说明。在该实施方式中，与上述图1以及图2的实施方式相比，对象工序不同，因此仅图1中的变量变换式决定部42的作用不同。由此，仅对该部分的作用进行说明。
在变量变换式决定部42中，根据由工序计测信息收集/保存部2收集/保存的各种计测变量，决定对于运转人员来说有用的管理指标、对于工序的状态变化或异常征兆的早期检测有用的指标的变换式。以下，列举变换式的例子。此外，这些变换式总结在图9A、图9B、图9C所示的表2中。
例如，在污泥浓缩槽806中，有时除了进行来自最初沉淀池801的污泥的浓缩之外，还进行来自最终沉淀池803的剩余污泥的浓缩。在该情况下，若剩余污泥的混入率较高，则有时污泥浓缩槽806中的沉降变差。因此，最好将表2的剩余污泥混入率作为指标进行计算。此外，作为对污泥浓缩槽806的处理效率进行评价的指标，最好还计算浓缩槽固形物回收率。并且，污泥浓缩槽806的处理根据滞留时间(HRT)来管理，因此若还计算HRT的指标，则有助于污泥浓缩槽806的运转管理。同样，作为有助于污泥浓缩槽806的运转管理的指标，存在浓缩槽固形物负荷、污泥固形物滞留时间等。并且，在污泥浓缩变差的情况下，可以认为污泥界面急剧上升，因此污泥界面水平的变化率成为浓缩处理的重要指标。
如果通过表2所示的计算式，使用计测数据来计算这种指标，则对于污泥浓缩槽806的运转管理变得更适当。
此外，由于存在剩余污泥难以浓缩的情况，因此有时不使用污泥浓缩槽806，而使用离心浓缩装置804、加压浮起浓缩机或常压浮起浓缩机等加压/常压浓缩装置805来机械式地进行浓缩。
在离心浓缩装置804中，如果使离心效果增加，则浓缩污泥浓度、固形物回收率变高，但为此要花费电力成本，因此有时按照处理效率与节能之间的平衡来监视离心效果。此外，螺旋输送机与转鼓的转速之差与浓缩污泥浓度、固形物回收率相关，因此最好还监视该差速。
此外，在加压浮起式浓缩机、常压浮起式浓缩机中，作为用于使污泥稳定地浮起的管理指标而管理气固比。因此，气固比作为加压/常压浓缩装置805的管理指标是重要的管理项目。此外，在加压浮起式浓缩机、常压浮起式浓缩机中，使污泥浮起、将其刮取而回收，因此浮起污泥(泡沫)的厚度的变化率也成为重要的指标。此外，浮起污泥的刮取频度也是加压浮起式浓缩机、常压浮起式浓缩机的重要的管理项目。
由此，如果通过表2所示的计算式，使用计测数据来计算这种指标，则对于离心浓缩装置804、加压/常压浓缩装置805的运转管理变得更适当。
在污泥消化槽807中，通过消化而将甲烷气体作为能量进行回收，因此消化率、消化污泥量、消化天数、消化天数/消化温度等成为重要的管理指标。此外，作为更直接的指标，存在气体产生率，并且，作为既是所产生的气体的品质指标也是管理指标的指标，存在甲烷气体成分比率、CO2组成比率、硫化氢组成比率。并且，与下水处理工序同样，按照负荷量进行管理的情况也较多，因此优选对消化槽固形物负荷量、消化槽有机物负荷量、消化槽氮负荷量等也进行管理，作为对消化的处理产生影响的指标，有机物负荷与氮负荷的比率也成为重要的管理项目。此外，作为异常诊断的目的，与下水处理工序同样，优选还将pH与ORP的比率、pH变化率、ORP变化率作为MSPC的输入。并且，已知在消化槽脱离液的SS急剧上升的情况下为异常状态，因此还可以将脱离液的SS变化率作为MSPC的输入。此外，可以认为在异常时气体产生量急剧变化，因此还能够将气体产生量的变化率作为指标。
最后，在脱水槽808中对污泥进行脱水，但由于过滤流速在运转管理上较重要，因此能够将过滤流量的变化率选定为指标。
使用各种工序传感器811～8132的计测变量，由变量变换式决定部42来决定上述那样的污泥处理工序的各子工序(浓缩、消化、脱水)的运转管理指标、异常征兆的检测指标。
根据该实施方式，在污泥处理工序的各子工序中，能够在基于MSPC的统计学工序监视的框架中检测工厂管理者注意地管理的运转管理指标的变化，能够提示对于污泥处理工厂管理者、操作人员来说有用的诊断信息。此外，通过利用计测变量的微分值(差值)等更能容易捕捉工序的状态变化的指标，将在污泥处理工序的运转管理中成为关键的工序的异常向MSPC输入，由此，在MSPC的框架中能够更迅速正确地检测状态变化或异常征兆。
接下来，对图1以及图4所示的实施方式进行说明。该实施方式中，在图4所示的净水/供配水工序中应用图1所示的监视/诊断系统。
图4所示的对象工序即净水/供配水工序为，将接水井901、混合池902、沉淀池903、过滤池904、净水池905以及配水池906依次串联配置。此外，对于上述过滤池904，设置有排水池907、和对在此产生的排泥进行存积的排泥池908。
此外，作为驱动器，设置有对于接水井901的取水泵911，在混合池902中设置有搅拌机912，对于过滤池904设置有用于通过净水池905的水进行清洗的清洗泵913。此外，在从该净水池905到配水池906之间设置有送水泵914，并且在到配水池906配水区之间设置有配水泵915。此外，在从配水池907到混合池902之间设置有返回泵916，在排泥池908的出侧设置有浓缩机917、脱水机918。
并且，作为工序传感器，在向接水井901的管路上设置有取水流量传感器921，在该接水井901中设置有氯要求量传感器922、二甲萘烷醇浓度传感器923、2MIB浓度传感器924、三卤甲烷浓度传感器925以及TOC传感器926。此外，在混合池902中设置有次亚氯酸注入量传感器927、凝结剂注入量传感器928、pH调整剂注入量传感器929以及活性炭注入量传感器9210。此外，在从沉淀池903到排泥池908的管路上，设置有污泥抽出量传感器9211、污泥浓度传感器9212。并且，在过滤池904中设置有残留氯浓度传感器9213，在配水池906的入侧设置有配水流量传感器9214，在配水区设置有供水流量传感器9215。
接下来，对该图1以及图4所示的实施方式的作用进行说明。该实施方式也是，由于与上述图1以及图2的实施方式的对象工序不同，因此不同点仅为图1中的变量变换式决定部42的作用。由此，仅说明该部分的作用。
在变量变换式决定部42中，根据由工序计测信息收集/保存部2收集/保存的各种计测变量，来决定对于运转人员有用的管理指标、对于工序的状态变化或异常征兆的早期检测有用的指标的变换式。列举该变换式的例子。此外，这些变换式总结在图10A、图10B所示的表3中。
在净水场中进行PAC等凝结剂的注入，但凝结剂会产生污泥。该产生污泥量与凝结剂注入量的比率成为用于设定适当的注入量的一个指标。同样，对于氯要求量而注入次亚氯酸的情况较多，因此氯要求量与次亚氯酸注入量的比率也成为一个指标。
另一方面，在配水区的配水管路网中漏水成为较大的问题。在对该漏水量的概算值进行评价的情况下，有时参考不太有水的需要的夜间时间段的配水量。在该情况下，如果不仅是各时刻的配水量、还抽选规定的夜间时间段的配水量，则有可能有助于漏水量的诊断。此外，在昼间的时间段的数据欠缺的情况下，也可以在通过抽选而提取了某个特定日的夜间时间段数据之后，以该数据成为该日的数据的方式适当地进行内插。即，利用上采样的考虑方法，例如，在提取了夜间8小时的时间段数据的情况下，如果对每3个点以相同的数据进行内插，则能够生成8×3＝24小时量的数据。如此，能够将夜间时间段配水量作为一个指标数据。此外，水的需要具有与每个人的生活类型相对应的日变动，因此每规定时间的配水量等计测数据有时也变得有用。同样，每个平日/休日的计测数据也能够成为有用的指标。
此外，在净水/供配水工序中，日本水道协会(JWWA)公布有性能指数(PI：Performance Indicator)，净水/供配水工序通过PI来管理的情况也较多。PI中的几个还存在能够成为可由(至少原理上)能够在线地进行计测的传感器来计算的运转管理指标的指标。PI通常以年单位来定义，但如果将年单位变更为规定的时间单位进行监视，则能够在线地监视PI如何推移，能够成为有用的管理信息。这样，作为(至少原理上)能够在线监视的PI，存在原水有效利用率、根据霉味判定的可口水达成率、根据氯味判定的可口水达成率、总三卤甲烷浓度水质基准比、有机物(TOC)浓度水质基准比、活性炭投入率、药品储备天数、燃料储备天数、供给单价、收费率、电力消耗量(配水量每1m3)、能量消耗量(配水量每1m3)、能够再生能量利用率、净水产生土的有效利用率、CO2排出量(配水量每1m3)、地下水率、泵平均运转率、漏水率、单位供水件数的漏水量。
这些指标，能够根据工序传感器921～9215的计测值、通过表3所示的计算式来计算。其中，电力量、CO2产生量通常未计测的情况较多，因此根据泵等设备的流量和规格进行换算。
根据该实施方式，在净水/供配水工序中，能够在基于MSPC的统计学工序监视的框架中检测净水处理工序的性能指标、运转管理指标的变化，能够提示对上水工厂管理者、操作人员来说有用的诊断信息。此外，通过利用计测变量的微分值(差值)等更能容易捕捉工序的状态变化的指标，将在净水/供配水工序的运转管理中成为关键的工序的异常向MSPC输入，由此，在MSPC的框架中能够更迅速正确地检测状态变化或异常征兆。
接下来，使用图5说明如下实施方式：在图1所示的选择变量决定部41以及变量选择部61之前，对于数据收集/保存部2所收集/保存的工序计测变量，按照规定时间单位T使跨越规定期间R的时间偏移而新生成工序计测变量，构成使原来的工序计测变量的个数扩展了R/T倍的工序计测变量。
该实施方式的特征在于，在过去数据(离线数据)提取部3的紧后、以及当前数据(在线数据)提取部5的紧后，进行图5所记载的处理，因此对该部分进行说明。
图5为将工序计测数据收集/保存部2所保存的计测数据的集合设为X，将以该时刻t为前方的数据集记载为X(t)。在图6中记载了将时刻以规定的时间单位从1步骤偏移到7步骤的X(t-1)～X(t-7)。
在上述各实施方式中，在由过去数据(离线数据)提取部3或者当前数据(在线数据)提取部5从工序计测数据收集/保存部2所保存的计测数据提取了数据之后，实施选择变量决定部41、变量变换式决定部42、或者变量选择部61、变量变换部62的处理。这意味着在图6中使用X(t)进行处理。另一方面，在本实施方式中，代替X(t)而使用扩展了的计测变量：Y(t)＝[X(t)X(t-1)…X(t-M)]，实施选择变量决定部41、变量变换式决定部42、或者变量选择部61、变量变换部62的处理。在此，在t-M中成为M＝7不具有特别的含义，而是预先决定的。之后的处理如各实施方式那样。
于是，即使是与工序的滞留时间等相伴随的时间延迟明确地存在那样的工序，也能够考虑工序的时间延迟，而产生与上述各实施方式同样的效果。
接下来，通过图6说明如下实施方式：在图1所示的选择变量决定部41以及变量选择部61之前，对数据收集/保存部2所收集/保存的工序计测变量，应用由基于离散小波变换的分解/重构算法构成的数字滤波器，由此将原来的工序数据分割为N个，构成使原来的工序计测变量的个数扩展了N倍的工序计测变量。
该实施方式的特征在于，在过去数据(离线数据)提取部3的紧后、以及当前数据(在线数据)提取部5的紧后，进行图6所示的处理，因此说明该部分。
在图6中，将工序计测数据收集/保存部2所保存的计测数据的集合设为X(t)，将在对其实施离散小波变换之后重构而向时间序列数据返回的数据记载为X1(t)～X4(t)。
在上述实施方式中，在由过去数据(离线数据)提取部3或者当前数据(在线数据)提取部5从工序计测数据收集/保存部2所保存的计测数据提取了数据之后，实施选择变量决定部41、变量变换式决定部42、或者变量选择部61、变量变换部62的处理。这意味着在图6中使用X(t)进行处理。
与此相对，在本实施方式中，代替X(t)而使用通过离散小波变换按照频率来分解的计测变量：Y(t)＝[X1(t)X2(t)…Xm(t)]，实施选择变量决定部41、变量变换式决定部42、或者变量选择部61、变量变换部62的处理。在此，在图6中成为m＝4不具有特别的含义，而是预先决定的。之后的处理如上述各实施方式那样。
于是，即使多个工序计测变量的变化速度中存在差别、或者较速变化和较慢变化混合存在那样的非稳定的变动较多的情况下，也能够考虑变化速度的不同、非稳定性而产生与上述各实施方式相同的效果。
接下来，使用图7说明如下实施方式：按照每个处理系列、每个配水块等每个处理单位，以M个(M：处理单位的个数)部分(局部)地构建工序监视/诊断装置，并且，进行基于以由该M个各监视/诊断装置计算的各统计量为输入的MSPC的整体(全局)的工序监视/诊断。
在图7中，系列1的工序监视/诊断装置～系列N的工序监视/诊断装置分别与图1所示的装置相同，但其特征在于，具有以由各个系列的监视装置计算的Q统计量以及T2统计量为输入的整体工序监视/诊断装置。
对于该实施方式，在以下也对与上述实施方式不同的特征点的作用进行说明。
在各个系列的工序监视/诊断装置中，通过以在图1中说明了的上述实施方式为基准的方法来监视工序，但除了独立地监视各个Q统计量、T2统计量之外，基于以这些统计量为输入的MSPC的整体工序监视/诊断装置在上位进行动作。该整体工序监视/诊断装置的作用，除了输入是来自各系列的Q统计量、T2统计量这一点以外，与上述实施方式的作用完全同样。
通过具有该整体工序监视/诊断装置，在由整体工序监视/诊断装置检测到了某种状态变化的情况下，能够使用贡献量的考虑方法来判断其是在哪个系列中检测到的。假设是某个特定系列的状态变化，则能够判断为仅是该系列的异常，但在多个系列同时产生状态变化的情况下，能够判断为是对多个系列产生影响的异常。例如，在对象工序为图2所示的下水处理工序的情况下，在某个系列的运转状态比其他系列的运转状态差、工序产生了状态变化的情况下，整体工序监视/诊断装置检测到的异常的贡献量在该特定系列中变高。另一方面，在流入下水中混入了有毒物的情况下，对全部系列产生影响，因此整体工序监视/诊断装置检测到的异常的贡献量在全部系列中出现。
通过如此地构成，即使在工序按照处理系列来管理或按照配水块来管理、或者处理工序通过连络管、连结管等而网络状地联合运用的情况下，能够在每个处理单位中产生与上述各实施方式同样的效果。此外，通过具有整体工序监视/诊断装置，能够同时判断是每个处理单位的状态变化、还是影响到工序整体的状态变化，能够进行遍及工厂整体的工序监视/诊断。
如此，在上下水工厂等的工序监视中，能够在基于MSPC的统计学工序监视的框架中检测通常工厂管理者、操作人员管理的运转管理指标、工厂的性能指标的变化，能够提示对工厂管理者、操作人员有用的诊断信息。
此外，在上下水工厂等的工序运转管理中，能够将成为关键的工序的异常，将计测变量的微分值(差值)、计测变量的积分值(累计值)、计测变量彼此的积或比率、计测数据的特征性数据的提取等能更容易捕捉工序的状态变化的指标，向MSPC进行输入，由此能够在MSPC的框架中更迅速正确地检测状态变化或异常征兆，能够提供对工厂运转管理者来说有用的注意的工具。
附图标记说明
2…工序计测数据收集/保存部
3…过去数据(离线数据)提取部
4…工序监视模型构建/供给部
5…当前数据(在线数据)提取部
6…工序监视/诊断部
41…选择变量决定部
42…变量变换式决定部
43…正常数据提取部
44…规格化参数决定部
45…诊断模型构建部
46…统计量阈值设定部
47…状态变化主要原因贡献量式设定部
61…变量选择部
62…变量变换部
63…异常值除去部
64…数据规格化部
65…统计量监视部
66…状态变化检测部
67…主要原因项目(变量)推测部

Claims (10)

1.一种工序监视诊断装置，其特征在于，具备：
数据收集/保存部，收集并保存由设置在对象工序中的多个工序传感器以规定周期来计测的上述对象工序的状态量、操作量构成的多个计测变量的时间序列数据；
工序模型构建/供给部，使用上述数据收集/保存部所保存的多个计测变量的过去的时间序列数据，构建工序监视模型并进行供给；以及
工序监视/诊断部，使用从上述数据收集/保存部提取的在线数据和由上述工序模型构建/供给部构建的工序监视模型，对工序的状态进行监视，对状态变化或异常征兆进行检测，
上述工序模型构建/供给部具备：
选择变量决定部，根据上述数据收集/保存部所保存的多个计测变量的过去的时间序列数据，选择为了构建上述工序监视模型所需要的全部变量或者一部分变量；
变量变换式决定部，根据上述数据收集/保存部所保存的多个计测变量，设定用于得到在上述对象工序的运转上有用的管理指标、对工序的状态变化或异常征兆的早期检测有用的指标的规定的变换式；
数据规格化参数决定部，决定参数ai和bi，该参数ai和bi用于对于由上述选择变量决定部选择的选择变量、从通过使用上述变量变换式决定部的公式而变换后的过去的变换变量的时间序列数据中除去了包括异常值的异常数据的上述选择变量、以及上述变换变量的正常时间序列数据，通过(xi(t)－ai)/bi将数据规格化；
诊断模型构建部，定义统计量生成式，该统计量生成式用于对于使用由上述规格化参数决定部决定的规格化参数进行了规格化的数据，利用以主成分分析(PCA)、主成分回归(PCR)、偏最小二乘法(PLS)为代表的多变量解析方法之一，生成一个以上诊断用统计量数据；以及
统计量阈值设定部，用于检测相对于由上述诊断模型构建部生成的上述一个以上的诊断用统计量数据的状态变化，
上述工序监视/诊断部具有：
变量选择部，从上述数据收集/保存部依次取出与由上述选择变量决定部决定的选择变量对应的当前数据；
变量变换部，使用由上述变量变换式决定部决定的变量变换式，进行用于从上述数据收集/保存部的当前数据得到当前时刻的指标的变量变换；
数据规格化部，将使用由上述规格化参数决定部决定的规格化参数而选择的变量及变换后的变量的在线数据规格化；
统计量监视部，根据由该数据规格化部规格化后的在线数据，基于由上述诊断模型构建部定义的上述统计量生成式，生成统计量数据并设为能够监视该统计量数据的状态；以及
状态变化检测部，在由统计量监视部生成的在线的统计量数据超过由上述统计量阈值设定部决定的阈值的情况下，检测为工序的状态变化或异常；
其中，xi：第i个选择变量/变换变量，t：时刻，ai：表示相对于第i个选择变量/变换变量的偏移的常量，bi：表示相对于第i个选择变量/变换变量的比例的常量。
2.如权利要求1所述的工序监视诊断装置，其特征在于，
上述工序模型构建/供给部还具有：
状态变化主要原因贡献量式设定部，从上述选择变量和上述变换变量中推测产生状态变化时的主要原因，
上述工序监视/诊断部还具有：
主要原因项目推测部，在由上述状态变化检测部检测到工序的状态变化或异常的情况下，通过上述状态变化主要原因贡献量式设定部所设定的贡献量运算，推测成为被检测出的上述工序的状态变化或异常的主要原因的变量。
3.如权利要求1所述的工序监视诊断装置，其特征在于，
变量变换式决定部含有从包含积和商的非线性变换、微分/差分变换、积分/累计变换、规定周期的抽选变换、规定周期的内插变换、管理指标/性能指标变换之中选取的一个以上的变换式。
4.如权利要求1所述的工序监视诊断装置，其特征在于，
在上述选择变量决定部及上述变量选择部的处理前的阶段，进行如下处理：对于上述数据收集/保存部所收集/保存的工序计测变量，按照规定时间单位T使遍及规定期间R的时间偏移而新生成工序计测变量，构成使原来的工序计测变量的个数扩展了R/T倍的工序计测变量。
5.如权利要求1所述的工序监视诊断装置，其特征在于，
在上述选择变量决定部及上述变量选择部的处理前的阶段，对于上述数据收集/保存部所收集/保存的工序计测变量，通过应用由基于离散小波变换的分解/重构算法构成的数字滤波器，将原来的工序数据分割为N个，构成使原来的工序计测变量的个数扩展了N倍的工序计测变量。
6.一种层次型的工序监视诊断装置，其特征在于，
具有整体的工序监视诊断装置，该整体的工序监视诊断装置按照每个处理系列或每个配水块的每个处理单位来构建M个由权利要求1所述的数据收集/保存部、工序模型构建/供给部及工序监视/诊断部构成的工序监视诊断装置，并且该整体的工序监视诊断装置是基于将由该M个各工序监视诊断装置计算的各统计量作为输入的MSPC。
7.如权利要求1～5中任一项所述的工序监视诊断装置，其特征在于，上述对象工序是下水处理工序/工业排水工序的生物学废水处理工序，
作为上述变量变换式决定部的变换式而具有：污泥滞留时间(SRT)、好氧槽污泥滞留时间、水力学滞留时间(HRT)、Log(SRT)/水温、Log(好氧槽污泥滞留时间)/水温、剩余污泥产生量、有机物COD负荷量和/或有机物BOD负荷量、氮负荷量、磷负荷量、有机物BOD-SS负荷和/或有机物COD-SS负荷、水面积负荷、磷负荷/氮负荷、有机物负荷/氮负荷、有机物负荷/磷负荷、pH/ORP、DO变化率、风量变化率、氨浓度变化率、硝酸浓度变化率、磷浓度变化率、pH变化率、ORP变化率、污泥界面变化率、水温变化率、规定期间的雨量累计值中的任意一个以上的变换式。
8.如权利要求1～5中任一项所述的工序监视诊断装置，其特征在于，
上述对象工序是下水处理工序/工业排水工序的生物学废水处理工序，
作为上述变量变换式决定部的变换式而具有：按照平日/休日的计测数据的变换式。
9.如权利要求1～5中任一项所述的工序监视诊断装置，其特征在于，
对象工序为污泥处理工序，
作为上述变量变换式决定部的变换式，具有浓缩槽剩余污泥混入率、浓缩槽固形物回收率、浓缩槽HRT、浓缩槽污泥固形物滞留时间、浓缩槽污泥界面变化率、离心浓缩机离心效果、离心浓缩机螺旋输送机与转鼓转速差速、加压/常压浓缩机气固比、加压/常压浓缩机泡沫厚变化率、加压/常压浓缩机浮起污泥刮取频度、消化槽消化率、消化槽消化污泥量、消化槽消化天数、消化槽消化天数/消化温度、气体产生率、甲烷气体组成比率、CO2组成比率、硫化氢组成比率、消化槽固形物负荷、消化槽有机物负荷、消化槽有机物负荷/氮负荷、pH/ORP、pH变化率、ORP变化率、消化槽脱离液SS变化率、温度变化率、气体产生量变化率、脱水机过滤流量变化率中的任意一个以上的变换式。
10.如权利要求1～5中任一项所述的工序监视诊断装置，其特征在于，
对象工序为净水/供配水工序，
作为上述变量变换式决定部的变换式而具有：污泥量/凝结剂注入量、氯要求量/次亚氯酸注入量、预先定义的夜间时间段的配水量、预先定义的每规定时间的配水量或者供水量，或者根据在线计测数据计测的性能指数(PI)即原水有效利用率(％)、根据霉味判定的可口水达成率(％)、根据氯味判定的可口水达成率(％)、总三卤甲烷浓度水质基准比(％)、有机物TOC浓度水质基准比(％)、活性炭投入率(％)、药品储备天数(日)、燃料储备天数(日)、供给单价、供水原价、收费率(％)、单位配水量的电力消耗量、单位配水量的消耗能量、可再生能量利用率(％)、净水产生土的有效利用率(％)、单位配水量的二氧化碳(CO2)排出量、地下水率(％)、泵平均运转率(％)、漏水率(％)、单位供水件数的漏水量中的任意一个以上的变换式。
CN201180062681.9A 2010-12-28 2011-12-27 工序监视诊断装置 Active CN103534658B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2010293048A JP5793299B2 (ja) 2010-12-28 2010-12-28 プロセス監視診断装置
JP2010-293048 2010-12-28
PCT/JP2011/007313 WO2012090492A1 (ja) 2010-12-28 2011-12-27 プロセス監視診断装置

Publications (2)

Publication Number Publication Date
CN103534658A CN103534658A (zh) 2014-01-22
CN103534658B true CN103534658B (zh) 2017-03-01

Family

ID=46382624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201180062681.9A Active CN103534658B (zh) 2010-12-28 2011-12-27 工序监视诊断装置

Country Status (3)

Country Link
JP (1) JP5793299B2 (zh)
CN (1) CN103534658B (zh)
WO (1) WO2012090492A1 (zh)

Families Citing this family (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5939439B2 (ja) * 2012-08-09 2016-06-22 株式会社Ihi 異常診断装置
JP5996384B2 (ja) * 2012-11-09 2016-09-21 株式会社東芝 プロセス監視診断装置、プロセス監視診断プログラム
JP6214889B2 (ja) * 2013-03-14 2017-10-18 株式会社東芝 プロセス監視診断装置
JP6364800B2 (ja) * 2014-02-10 2018-08-01 オムロン株式会社 監視装置及び監視方法
KR101581425B1 (ko) * 2014-09-15 2015-12-30 한국외국어대학교 연구산학협력단 제품 제조 공정에서의 이상 감지 방법, 장치 및 기록매체
JP6328036B2 (ja) * 2014-11-28 2018-05-23 三菱電機ビルテクノサービス株式会社 計量メータの状態変化検出装置及びプログラム
JP6530182B2 (ja) * 2014-12-08 2019-06-12 株式会社東芝 プラント監視装置、プラント監視方法、およびプログラム
FI130301B (en) * 2015-01-30 2023-06-09 Metsae Fibre Oy Monitoring of the chemical load on waste water in an industrial process
JP6733164B2 (ja) * 2015-02-26 2020-07-29 富士電機株式会社 プロセス監視装置、プロセス監視方法及びプログラム
JP2016192000A (ja) * 2015-03-31 2016-11-10 横河電機株式会社 業務支援装置及び業務支援方法
JP6501593B2 (ja) * 2015-04-03 2019-04-17 住友化学株式会社 予測ルール生成システム、予測システム、予測ルール生成方法及び予測方法
ES2906411T3 (es) * 2015-06-29 2022-04-18 Suez Groupe Procedimiento de detección de anomalías en un sistema de distribución de agua
KR102436629B1 (ko) * 2016-01-28 2022-08-25 한화정밀기계 주식회사 부품 실장기의 공정 라인 오류의 원인을 자동으로 식별하는 방법, 그리고 이에 적용되는 장치
JP6613175B2 (ja) * 2016-03-03 2019-11-27 株式会社日立製作所 異常検出装置、系統安定度監視装置、及びそのシステム
JP6620056B2 (ja) * 2016-03-31 2019-12-11 三菱日立パワーシステムズ株式会社 機器の異常診断方法及び機器の異常診断装置
JP6953508B2 (ja) * 2016-04-04 2021-10-27 ベーリンガー インゲルハイム エルツェーファウ ゲゼルシャフト ミット ベシュレンクテル ハフツング ウント コンパニー コマンディトゲゼルシャフト 製剤精製のリアルタイムモニタリング
WO2017184073A1 (en) * 2016-04-18 2017-10-26 Sembcorp Industries Ltd System and method for wastewater treatment process control
JP6655847B2 (ja) * 2016-05-26 2020-02-26 メタウォーター株式会社 最終沈澱池からの返送汚泥量・余剰汚泥量の調節方法
US20180121889A1 (en) * 2016-10-28 2018-05-03 Wipro Limited Method and system for dynamically managing waste water treatment process for optimizing power consumption
CN110226140B (zh) * 2017-01-25 2023-04-11 Ntn株式会社 状态监视方法及状态监视装置
JP7019364B2 (ja) * 2017-09-29 2022-02-15 エヌ・ティ・ティ・コミュニケーションズ株式会社 監視装置、監視方法、監視プログラム、表示装置、表示方法および表示プログラム
US11275975B2 (en) * 2017-10-05 2022-03-15 Applied Materials, Inc. Fault detection classification
JP7014686B2 (ja) * 2018-08-06 2022-02-01 三菱パワー株式会社 性能評価装置、性能評価方法及び性能影響度出力方法
WO2020090770A1 (ja) * 2018-10-30 2020-05-07 国立研究開発法人宇宙航空研究開発機構 異常検出装置、異常検出方法、およびプログラム
CN109524069B (zh) * 2018-11-09 2021-09-10 南京医渡云医学技术有限公司 医疗数据处理方法、装置、电子设备和存储介质
JP6933630B2 (ja) * 2018-12-06 2021-09-08 ファナック株式会社 処理時間監視装置
TWI734330B (zh) 2019-01-31 2021-07-21 日商住友重機械工業股份有限公司 支援裝置、支援方法及記錄媒體
CN110529746B (zh) * 2019-09-05 2020-12-25 北京化工大学 管道泄漏的检测方法、装置和设备
EP4035008A4 (en) * 2019-09-27 2023-10-11 Tata Consultancy Services Limited METHOD AND SYSTEM FOR DIAGNOSING ANOMALIES IN A MANUFACTURING PLANT
CN112016800B (zh) * 2020-07-17 2024-03-08 北京天泽智云科技有限公司 一种基于有效性指标的特征选择方法与系统
WO2022185771A1 (ja) * 2021-03-04 2022-09-09 三菱ケミカルエンジニアリング株式会社 診断装置、診断方法、及び診断プログラム
CN113239187A (zh) * 2021-04-13 2021-08-10 鹏城实验室 一种基于多层级工业结构知识块划分的监测方法
KR102425177B1 (ko) * 2022-02-18 2022-07-27 주식회사 유앤유 하수처리시설을 관리하기 위한 방법 및 이를 수행하는 스마트 중앙제어 분석시스템
CN115536088A (zh) * 2022-09-28 2022-12-30 南京晓庄学院 一种基于数据分析的污水生化处理流程优化管控系统
CN117342689B (zh) * 2023-12-06 2024-02-02 安徽新宇环保科技股份有限公司 一种污水厂智能脱氮方法及系统
CN117725542B (zh) * 2024-02-18 2024-04-12 北京林业大学 一种杨树根系微生物状态实时监测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004303007A (ja) * 2003-03-31 2004-10-28 Mitsubishi Chemicals Corp プロセス監視方法
CN101042587A (zh) * 2006-03-22 2007-09-26 株式会社东芝 综合监视诊断装置
JP2009199545A (ja) * 2008-02-25 2009-09-03 Toshiba Corp 遠隔監視システム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3495129B2 (ja) * 1995-03-03 2004-02-09 株式会社東芝 プラント異常検知装置
JP4468269B2 (ja) * 2005-08-30 2010-05-26 株式会社東芝 プロセス監視装置及びその方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004303007A (ja) * 2003-03-31 2004-10-28 Mitsubishi Chemicals Corp プロセス監視方法
CN101042587A (zh) * 2006-03-22 2007-09-26 株式会社东芝 综合监视诊断装置
JP2009199545A (ja) * 2008-02-25 2009-09-03 Toshiba Corp 遠隔監視システム

Also Published As

Publication number Publication date
JP5793299B2 (ja) 2015-10-14
JP2012141712A (ja) 2012-07-26
CN103534658A (zh) 2014-01-22
WO2012090492A1 (ja) 2012-07-05

Similar Documents

Publication Publication Date Title
CN103534658B (zh) 工序监视诊断装置
Wang et al. Towards better process management in wastewater treatment plants: Process analytics based on SHAP values for tree-based machine learning methods
Akhoundi et al. Sustainability assessment of wastewater reuse alternatives using the evidential reasoning approach
Mao et al. Technology status and trends of industrial wastewater treatment: A patent analysis
Duran-Ros et al. Effect of filter, emitter and location on clogging when using effluents
Hernández-Sancho et al. Energy efficiency in Spanish wastewater treatment plants: A non-radial DEA approach
Farhi et al. Prediction of wastewater treatment quality using LSTM neural network
CN106600509B (zh) 一种基于基础数据分析判断企业兑水排污行为的方法
CN105027014B (zh) 工序监视诊断装置
Fattah et al. Determining the feasibility of phosphorus recovery as struvite from filter press centrate in a secondary wastewater treatment plant
CN109205781A (zh) 控制系统及控制方法
CN109064048B (zh) 基于废水处理流程分析的废水排放源快速排查方法与系统
JP2018120343A (ja) プロセス診断装置、プロセス診断方法及びプロセス診断システム
Guerrini et al. Identifying the performance drivers of wastewater treatment plants through conditional order-m efficiency analysis
Yang et al. Spatio-temporal variations of benthic macroinvertebrates and the driving environmental variables in a shallow lake
JP2012155361A (ja) プロセス監視装置
Lin et al. UNISON decision framework for hybrid optimization of wastewater treatment and recycle for Industry 3.5 and cleaner semiconductor manufacturing
Han et al. An intelligent detecting system for permeability prediction of MBR
JP2024001315A (ja) プロセス監視装置、プロセス監視方法及びプログラム
JP2013215698A (ja) 水処理プラントの状態診断方法及び装置
Klanderman et al. Case studies in real-time fault isolation in a decentralized wastewater treatment facility
Hatami et al. Evaluating the aquaculture effluent impact on macroinvertebrate community and water quality using BMWP index
Bhattacharjee et al. A type-2 fuzzy logic approach for forecasting of effluent quality parameters of wastewater treatment
JP4088075B2 (ja) 水処理プロセスハイブリッド水質計測装置及びこれを有する水処理システム
Haimi Data-derived soft sensors in biological wastewater treatment-With application of multivariate statistical methods

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant