CN105992977A - 成套设备的诊断装置和诊断方法 - Google Patents
成套设备的诊断装置和诊断方法 Download PDFInfo
- Publication number
- CN105992977A CN105992977A CN201480064711.3A CN201480064711A CN105992977A CN 105992977 A CN105992977 A CN 105992977A CN 201480064711 A CN201480064711 A CN 201480064711A CN 105992977 A CN105992977 A CN 105992977A
- Authority
- CN
- China
- Prior art keywords
- equipments
- complete set
- diagnostic
- data
- mentioned
- 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.)
- Granted
Links
Classifications
-
- 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
- G05B23/0245—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 qualitative model, e.g. rule based; if-then decisions
- G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种成套设备的诊断装置(400)和诊断方法,其能够通过实施与运转模式对应的诊断来提高诊断精度,根据短期间的运转数据进行诊断。因此,本发明是一种成套设备的诊断装置(400),其具备使用测量成套设备的状态量而得到的测量信号诊断成套设备的运转状态的检测部(800),并将诊断结果显示在图像显示装置(940)上,该成套设备的诊断装置(400)的特征在于,检测部(800)由以下部分构成:状态变化检测部(810),其使用根据预定期间的数据构筑的诊断模型来检测状态变化;异常检测部(820),其使用根据与检测出状态变化时相同的运转模式的数据构筑的诊断模型来检测有无异常发生。
Description
技术领域
本发明涉及一种成套设备的诊断装置和诊断方法。
背景技术
成套设备的诊断装置在成套设备中发生异常的过渡现象、事故等时,基于来自成套设备的测量数据检测该异常、事故的发生。
在专利文献1中,公开了一种使用了自适应共振理论(Adaptive ResonanceTheory:ART)的诊断装置。在此,自适应共振理论ART是指与其类似度对应地将多维的数据分类到类别的理论。
在专利文献1的技术中,首先使用自适应共振理论ART将正常时的测量数据分类到多个类别(正常类别)。接着,将当前的测量数据输入到自适应共振理论ART中分类到类别。在无法将该测量数据分类到正常类别时,生成新的类别(新类别)。新类别的发生意味着成套设备的状态变化了。因此,假设根据新类别的发生来判断异常的发生,在新类别的发生率超过阈值的情况下诊断为异常。
但是,在无法将当前的测量数据分类到正常类别时,即成套设备的状态变化时,生成新类别。
成套设备的状态在运转模式变化时也变化。在此,运转模式是指设置成套设备的场所的环境条件(大气温度、湿度等)、由操作者的操作决定的量(通过成套设备生成的发电量)等与设备特性不直接相关的外在环境因素。与异常发生的有无无关,如果运转模式变化,则各种测量数据的值也变化。
然而,运转模式变化并不是异常,但在专利文献1的方法中,有可能诊断为异常。会将正常状态诊断为异常,作为结果成为产生误报的原因。
为了解决该问题,在专利文献2的技术中公开了以下的技术,即通过区别运转模式变化、异常来抑制误报产生率。在本技术中,用自适应共振理论ART对决定运转模式的测量值进行处理,如果产生新类别则判定为运转模式变化了。
此外,作为推定调整参数的代表值和变动范围(标准偏差)的方法,在非专利文献1中记载了贝叶斯学习法。
现有技术文献
专利文献
专利文献1:日本特开2005-165375号公报
专利文献2:国际公表特许WO2011-125130号公报
非专利文献
非专利文献1:统计科学的前沿12,计算统计2005年10月28日发行,伊庭幸人等5人著,岩波书店,P222~P232
发明内容
发明要解决的问题
在专利文献2的技术中,判定运转模式是否发生变化,但无法根据该运转模式判定有无发生异常。另外,为了学习全部运转模式的正常状态,需要长期间的运转数据。
本发明的目的在于:提供一种成套设备的诊断装置和诊断方法,其能够通过实施与运转模式对应的诊断来提高诊断精度、根据短期间的运转数据进行诊断。
用于解决问题的手段
根据以上说明,本发明的诊断装置具备使用测量成套设备的状态量而得到的测量信号诊断成套设备的运转状态的检测部,将诊断结果显示在图像显示装置上,该成套设备的诊断装置的特征在于,检测部由以下部分构成:状态变化检测部,其使用根据预定期间的数据构筑的诊断模型来检测状态变化;异常检测部,其使用根据与检测出状态变化时相同的运转模式的数据构筑的诊断模型来检测有无异常发生。
另外,本发明的诊断方法使用测量成套设备的状态量所得的测量信号而诊断成套设备的运转状态,并显示诊断结果,该成套设备的诊断方法的特征在于,使用根据预定期间的数据构筑的诊断模型来检测状态变化,使用根据与检测出状态变化时相同的运转模式的数据构筑的诊断模型来检测有无异常发生。
另外,本发明的诊断方法使用测量成套设备的状态量所得的测量信号而诊断成套设备的运转状态,并显示诊断结果,该成套设备的诊断方法的特征在于,使用根据预定期间的数据构筑的诊断模型而求出类别,在产生了新类别的情况下,确认成套设备的运转模式有无变化,检索与检测出新类别的时刻相同的运转模式的期间,使用该期间的运转模式下的测量信号而构筑诊断模型,评价该诊断模型下有无新类别产生来进行异常判定。
发明效果
通过实施与运转模式对应的诊断,能够提高诊断精度。另外,诊断对象成套设备的运转数据可以为短期间,因此能够缩短诊断装置导入的时间。
附图说明
图1是说明本发明的第一实施例即诊断装置400的框图。
图2是说明诊断装置400执行模型构筑处理模式和诊断模式的定时的图。
图3(a)是说明分类部750的数据分类功能的结构的图。
图3(b)是表示F0层621的结构的框图。
图3(c)是表示F1层622的结构的框图。
图4(a)是说明对测量信号或仿真信号进行分类的结果的图。
图4(b)是表示分类为类别的分类结果的一个例子的图。
图5是诊断装置400的诊断模式的动作流程图。
图6(a)是说明保存在测量信号数据库510中的数据的状况的图。
图6(b)是说明保存在成套设备数据库520中的数据的状况的图。
图6(c)是说明保存在诊断模型数据库530中的数据的状况的图。
图7(a)是说明仿真信号生成部730的框图。
图7(b)是表示将生成为参数数据735的参数数据的例子显示为显示画面状的事例的图。
图8(a)是说明作为使参数推定部734动作的结果而得到的参数采样值的图。
图8(b)是表示通过模拟器732生成的仿真数据的例子的图。
图8(c)是显示出使参数变化时的仿真数据的2个项目的图。
图8(d)是显示出使用平均值而制作仿真数据的情况下的仿真数据的2个项目的图。
图9(a)是表示显示图5的流程图中的判定结果的画面的图。
图9(b)是表示显示类似成套设备的测量信号和仿真信号、将仿真信号分类为类别的结果、以及诊断对象成套设备和类似成套设备的设计信息的画面的图。
图9(c)是表示用于变更决定类别的分类性能的警戒(vigilance)参数ρ的画面的图。
图10(a)是说明诊断对象成套设备100是燃气轮机成套设备的情况下的结构的图。
图10(b)是表示启动时的运转模式的变化的图。
图11(a)是说明诊断对象成套设备100是锅炉成套设备的情况下的结构的图。
图11(b)是表示锅炉成套设备的运转模式的变化的图。
图12是说明诊断多个站点的情况下的结构的图。
具体实施方式
以下,参照附图说明作为本发明的实施例的成套设备的诊断装置和诊断方法。
实施例1
图1是说明本发明的第一实施例即诊断装置400的框图。使用诊断装置400监视成套设备100。
诊断装置400具备监视数据生成部700、分类部750、检测部800作为运算装置。监视数据生成部700由运转模式评价部710、类似成套设备选定部720、仿真信号生成部730构成,检测部800由状态变化检测部810、异常检测部820构成。
另外,诊断装置400具备测量信号数据库510、成套设备数据库520、诊断模型数据库530作为数据库。此外,在图1中,将数据库简记为DB。在测量信号数据库510、成套设备数据库520、诊断模型数据库530中保存有电子化的信息,以通常被称为电子文件(电子数据)的形式保存信息。
另外,诊断装置400具备外部输入接口410和外部输出接口420作为与外部的接口。
另外,经由外部输入接口410,将测量作为成套设备100的运转状态的各种状态量而得的测量信号1、通过由运转管理室900所具备的键盘920和鼠标930构成的外部输入装置910的操作而制作的外部输入信号2取入诊断装置400。另外,经由外部输出接口420,将图像显示信息11输出到运转管理室900所具备的图像显示装置940。
在图1所示的诊断装置400中,经由外部输入接口410取入测量成套设备100的各种状态量所得的测量信号1。将取入到诊断装置400的测量信号3保存在测量信号数据库510中。此外,测量信号1多数是模拟量,但取入诊断装置400的测量信号3是时序的数字量,因此区别地记载。
诊断装置400具有模型构筑处理和诊断处理这2个处理模式。在模型构筑处理中,使用正常状态的测量信号构筑诊断模型。通过聚类技术构筑诊断模型,将正常状态的测量信号分类为若干个数据组。在诊断处理中,对进行诊断的时刻的测量信号进行处理。如果测量信号是与正常状态时相同的特性,则分类为诊断模型的数据组的某一个。在特性不同的情况下,不属于诊断模型的数据组。
如果在成套设备100中发生异常,则测量信号的特性与正常状态不同。因此,不将诊断的测量信号分类为使用正常状态的测量信号构筑的诊断模型的数据组。利用该特性,在前面所述的专利文献1中,在测量信号不属于诊断模型的数据组的情况下,诊断为异常。
但是,成套设备100的特性与成套设备的运转模式对应地变化。在此,运转模式是指设置了成套设备的场所的环境条件(大气温度、湿度等)、由操作者的操作决定的值(通过成套设备生成的发电量的指令值)等与设备特性不直接相关的外在环境因素。
即使运转状态正常,如果运转模式不同,则测量信号的倾向也变化。因此,如果应用专利文献1的技术,则有可能产生将正常状态判定为异常的误报。
因此,在本发明中,通过组合状态变化的检测和异常的检测这2种检测方式而进行诊断,来避免误报的发生。
首先,说明模型构筑处理模式的动作。在模型构筑处理模式中,构筑用于检测状态变化的监视模型。
首先,监视数据生成部700针对预先确定的数据项目,从测量信号数据库510中提取出预定期间的测量信号信息4。可以与成套设备100的运用周期对应地任意地设定此处的预定期间,在DSS(Daily Start and Stop:每日开启和关停)运转的情况下设定为1日,在WSS(Weekly Start and Stop:每周开启和关停)运转的情况下设定为1周,在MSS(Monthly Start and Stop:每月开启和关停)运转的情况下设定为1个月等。将包含通过监视数据生成部700提取出的测量信号信息4的监视数据信息6发送到分类部750。在分类部750中,通过聚类技术对监视数据信息6进行分类。将作为分类结果的分类结果信息7发送到诊断模型数据库530并保存。
接着,说明诊断处理模式的动作。在诊断处理模式中,首先使用在模型构筑处理模式下构筑的诊断模型,通过状态变化检测部810判定有无状态变化。
在检测到状态变化的情况下,使用相同的运转模式的数据构筑诊断模型,通过异常检测部820判定有无异常。在没有相同的运转模式的数据的情况下,运用类似成套设备的过去的运转数据,制作正常数据的仿真数据,基于使用仿真数据构筑的诊断模型进行诊断。在后面使用图5说明诊断处理模式的细节。将使诊断处理模式进行动作所得到的检测结果信息10输出到外部输出接口420。
此外,在本实施例的诊断装置400中,在诊断装置400的内部具备监视数据生成部700、分类部750、检测部800、测量信号数据库510、成套设备数据库520、诊断模型数据库530,但也可以将它们的一部分装置配置在诊断装置400的外部,在装置之间仅通信数据。
另外,虽然没有图示,但能够与运转管理室900对保存在设置于诊断装置400中的测量信号数据库510、成套设备数据库520、诊断模型数据库530中的信息进行数据通信,能够将数据库的信息显示在图像显示装置940中。另外,能够用操作由键盘920和鼠标930构成的外部输入装置910而生成的外部输入信号2来修正这些信息。
另外,作为本发明的实施方式,也包含安装了向运转员提供使诊断装置400动作而得到的信息的信息提供服务、诊断装置400的运转控制装置。
图2是说明诊断装置400执行模型构筑处理模式和诊断模式的定时的图。在每个预定的设定期间使正常状态学习模式(模型构筑处理模式)动作,在每个采样周期使诊断处理模式动作来进行诊断。
图3是说明分类部750的图。在本实施例中,说明作为对信号进行分类的技术,应用了自适应共振理论(Adaptive Resonance Theory:ART)的情况。此外,也可以使用向量量子化、支持向量机等其他聚类方法。
如图3(a)所示,数据分类功能由数据预处理装置610和ART模块620构成。数据预处理装置610将运转数据变换为ART模块620的输入数据。
以下,说明上述数据预处理装置610和ART模块620的这些步骤。
首先,在数据预处理装置610中,对每个测量项目将数据标准化。将包含对测量信号进行标准化所得的数据Nxi(n)和标准化后的数据的补数CNxi(n)(=1-Nxi(n))的数据作为输入数据li(n)。将该输入数据li(n)输入到ART模块620。
在ART模块620中,将作为输入数据的分类用数据信号702、或检测用数据信号6分类为多个类别。
ART模块620具备F0层621、F1层622、F2层623、存储器624以及选择子系统625,它们相互结合。F1层622和F2层623经由加权系数结合。加权系数表示输入数据被分类的类别的原型(prototype)。在此,原型表示类别的代表值。
接着,说明ART模块620的算法。将输入数据输入到ART模块620的情况下的算法的概要如下述的处理1~处理5那样。
处理1:通过F0层621对输入向量进行标准化,除去噪声。
处理2:通过比较输入到F1层622的输入数据和加权系数,来选择相称的类别的候选。
处理3:根据与参数ρ的比,评价通过选择子系统625选择出的类别的妥当性。如果判断为妥当,则将输入数据分类为该类别,前进到处理4。另一方面,如果没有判断为妥当,则将该类别复位,从其他类别选择相称的类别的候选(重复进行处理2)。如果增大参数ρ的值,则类别的分类变得细致,如果减小ρ的值,则分类变得粗略。将该参数ρ称为警戒(vigilance)参数。
处理4:如果在处理2中将全部现存的类别复位,则判断为输入数据属于新类别,生成表示新类别的原型的新的加权系数。
处理5:如果将输入数据分类为类别J,则使用过去的加权系数WJ(old)和输入数据p(或从输入数据派生的数据),根据下述式(1)更新与类别J对应的加权系数WJ(new)。
WJ(new)=Kw·p+(1-Kw)·WJ(old) …(1)
在此,Kw是学习率参数(0<Kw<1),是决定将输入向量反映到新的加权系数的程度的值。
此外,将式(1)和后述的式(2)~式(12)的各运算式组合到上述ART模块620中。
ART模块620的数据分类算法的特征在于上述处理4。即,在处理4中,在输入了与学习时的模式不同的输入数据的情况下,不变更已记录的模式就能够记录新的模式。因此,能够一边记录过去学习了的模式,一边记录新的模式。
如果这样赋予预先赋予为输入数据的运转数据,则ART模块620学习所赋予的模式。因此,如果将新的输入数据输入到已经学习了的ART模块620,则能够通过上述算法判定接近过去的哪个模式。另外,如果是过去没有经验的模式,则分类为新类别。
图3(b)是表示F0层621的结构的框图。在F0层621中,在各时刻再次对输入数据I进行标准化,制作输入到F1层621和选择子系统625的标准化输入向量u0。
首先,根据输入数据I依照式(2)计算w0。在此,a是常数。此外,在附图、式中,有时作为下标符号向这些记号附加i,这表示是第i个数据的处理。
[数学式1]
接着,使用式(3)计算对w0进行标准化所得的x0。此外,在式(3)中,x0的两侧的双重竖线是表示范数的记号。
[数学式2]
然后,使用式(4),计算从x0除去噪声所得的v0。其中,θ是用于除去噪声的常数。通过式(4)的计算,微小的值成为0,因此除去了输入数据的噪声。
[数学式3]
最后,使用式(5)求出标准化输入向量u0。u0成为F1层的输入。
[数学式4]
图3(c)是表示F1层622的结构的框图。在F1层622中,作为短期存储而保存根据式(5)求出的u0,计算输入到F2层722的pi。汇总F2层的计算式而在式(6)~式(12)中表示。其中,a、b是常数,f是式(4)所示的函数,Tj是在F2层722中计算的适合度。
[数学式5]
[数学式6]
[数学式7]
vi=f(xi)+bf(qi) …(8)
[数学式8]
[数学式9]
[数学式10]
其中,
[数学式11]
图4是说明通过分类部750对包含在监视数据信息6中的测量信号或仿真信号进行分类的结果的图。
图4(a)是说明将从成套设备100取得的测量信号1或仿真信号分类为类别的结果的图。横轴是时间,纵轴是测量信号、类别编号。根据该结果,在正常期间中,随着时间变化,将项目A、B分类为类别编号1,然后顺序地分类为类别编号2、3。另外,在诊断期间中,其状态变化为将起初分类为类别编号2的项目在短时间内分类为类别编号4。
图4(b)是表示通过分类部750分类为类别的分类结果的一个例子的图。
在该例子中,显示出测量信号中的2个项目,用二维的图表表示。另外,纵轴和横轴标准化地表示出各个项目的测量信号。根据该显示结果,可以看出类别编号1分类为项目A大而项目B小的组,类别编号2分类为项目A和项目B都小的组,类别编号3分类为项目B大而项目A小的组,类别编号4分类为项目A和项目B都大的组。这样,通过图3(a)的ART模块620将测量信号分割为多个类别630(图4(b)所示的圆)。一个圆相当于一个类别。
如图4(a)所示,诊断开始前的正常期间的数据被分类为类别1~3。分类为类别1~3的数据是模型数据。与此相对,监视开始后的诊断期间前半的数据被分类为类别2,是与模型数据相同的类别1~3中所包含的数据。在该情况下,数据的倾向相同,因此判断为状态没有变化。
另一方面,监视开始后的诊断期间后半的数据被分类为类别4,分类为与模型数据(类别1~3)不同的类别。数据的倾向不同,因此判断为成套设备的状态变化了。
此外,在本实施例中,说明了将2个项目的测量信号A、B分类为类别的例子,但也可以针对3个项目以上的测量信号,使用多维的坐标分类为类别。
图5是诊断装置400的诊断模式的动作流程图。
在本发明中,在作为通过状态变化检测部810诊断的结果产生了新类别时,判定运转模式是否发生变化。在运转模式发生变化的情况下,另外通过异常检测部820进行诊断。根据本方式,能够在避免发生将运转模式变化诊断为异常的误报的同时,缩短收集正常状态的运转数据的期间。
在图5的诊断模式的动作流程图中,首先在步骤1000中,使状态变化检测部810动作而进行诊断。接着,在步骤1010中,评价步骤1000的诊断结果,在没有产生新类别的情况下,前进到步骤1100(正常判定),在产生了新类别的情况下,前进到步骤1020。
在步骤1020中,使运转模式评价部710动作而确认有无运转模式的变化,在没有变化的情况下前进到步骤1110(异常判定),在有变化的情况下前进到1030。
在步骤1030中,从测量信号数据库510检索与当前时刻(检测到状态变化的时刻)相同的运转模式的期间,在没有相应期间的情况下前进到步骤1040,在有相应期间的情况下前进到步骤1060。
在步骤1040中,根据由运转员预先设定的条件决定有无制作仿真信号,在制作仿真信号的情况下前进到步骤1050,在不制作的情况下前进到步骤1120(预兆判定)。在此,预兆判定是虽然成套设备的运转状态发生变化但并不限于发生了异常的状态,由运转员实施异常发生的最终判断。
在步骤1050中,首先使类似成套设备选定部720动作,从成套设备数据库520提取与诊断对象成套设备100类似的成套设备。在类似成套设备选定部720中,对诊断对象成套设备的设计信息和保存在成套设备数据库520中的成套设备的设计信息进行比较,提取出以下的式(13)的评价函数F为最小的成套设备。其中,在式(13)中,用式(14)表示Ci。在此,如已经说明的那样,P是F2层722的输入,w是通过式(2)求出的值。
F=Σwi×Ci ……(13)
Ci=(P1i P2i)^2 ……(14)
接着,通过仿真信号生成部730制作仿真信号,前进到步骤1060。此外,将在后面使用图7说明仿真信号生成部730的细节。
在步骤1060中,使用从测量信号数据库510提取出的同一运转模式的测量信号、或在步骤1050中生成的仿真信号来构筑诊断模型,使用本诊断模型通过异常检测部820进行诊断。在步骤1070中,评价步骤1060中有无新类别产生,在没有产生的情况下前进到步骤1130(正常判定),在产生了的情况下前进到步骤1140(异常判定)。
在执行了步骤1100、1110、1120、1130、1140后,在步骤1080中实施结束判定。在从成套设备运转员有了诊断系统的停止请求的情况下,使系统结束,在除此以外的情况下返回到步骤1000。
在图5中表示一连串的处理流程的本发明的诊断装置中,在步骤1060中使用利用了同一运转模式的测量信号的诊断模型执行诊断,由此与在步骤1010中进行诊断的情况相比,能够抑制伴随着运转模式变更而产生误报的情况,提高诊断精度。另外,在没有诊断对象成套设备的同一运转数据的情况下,能够在步骤1050中生成仿真信号而构筑诊断模型。因此,诊断对象成套设备的运转数据可以为短期间,因此能够得到缩短导入诊断装置的时间的效果。
图6是说明保存在测量信号数据库510、成套设备数据库520、诊断模型数据库530中的数据的形态的图。此外,在此表示出在监视画面上标记了这些数据的状态。因此,在监视画面上,能够适当地通过左右、上下方向的滚动来参照显示范围以外的数据。另外,也能够通过选项卡来选择多个监视组。
图6(a)表示出保存在测量信号数据库510中的数据的形态。
在此,在每个采样周期(纵轴的时刻)保存通过成套设备100测量出的运转数据即测量信号1(在图中,记载了数据项目A、B、C)的值。另外,通过在显示画面511中使用能够在纵轴上移动的滚动块512和513,能够对大范围的数据进行滚动显示。
图6(b)表示出保存在成套设备数据库520中的数据的形态。
在此,保存成套设备名、输出、蒸汽压力、蒸汽温度等各种成套设备的设计值。另外,在成套设备数据库520中,以图6(a)所示的格式保存各种成套设备的过去的运转数据。进而,在成套设备数据库520中,保存传感器的配置位置、测量个数等传感器设置信息、大气温度、湿度等环境信息。
图6(c)表示出保存在诊断模型数据库530中的数据的形态。在此,对每个诊断模型(通过监视组的选项卡选择来选择)保存类别编号和加权系数之间的关系。在此,加权系数是指类别的中心坐标。
图7(a)是说明仿真信号生成部730的框图。作为运算装置,仿真信号生成部730具备模拟器732、参数推定部734,作为存储器具备参数数据735。此外,存储器也可以为数据库的形式。
在模拟器732中,使用保存在测量信号数据库510和成套设备数据库520中的信息,根据以下的模型式(15)计算正常状态的测量信号的仿真数据。
dx/dt=f(x,α,β) ……(15)
在上述式中,x是成套设备100的状态量,α是根据类似成套设备的测量数据进行调整的调整参数,β是根据保存在成套设备数据库520中的成套设备的设计值而决定的固定参数。
通过参数推定部734来推定调整参数α。本发明并不限定参数的推定方法,可以使用各种推定算法。
在模型式(15)和成套设备特性中存在误差,将其称为模型化误差。在本发明中,通过假定调整参数α在一定范围内变动来模拟模型化误差。在本实施例中,使用贝叶斯学习法作为推定参数α的代表值和变动范围(标准偏差)的方法。
在非专利文献1中记载了贝叶斯学习法,因此以下省略算法的详细,说明参数推定部734和模拟器732的动作结果。
图7(b)表示在显示画面中显示出生成为参数数据735的参数数据的例子的事例。在属性的栏中,区分地示出根据类似成套设备的测量数据进行调整的调整参数α、根据保存在成套设备数据库520中的成套设备的设计值决定的固定参数β,与这些参数的名称一起显示(存储)代表值和标准偏差。
图8是说明参数推定部734和模拟器732的动作结果的图。其中,图8(a)是说明作为使参数推定部734动作的结果而得到的参数采样值的图。在贝叶斯推定法的马可夫链蒙特卡洛法中,逐次地产生参数的推定采样值。参数的采样值在采样次数少的情况下变化大,但随着采样次数增多而变化变小。将采样次数为一定值以上的区间作为评价区间,根据评价区间的参数的采样值计算平均值、标准偏差。
图8(b)是通过模拟器732制作的仿真数据的例子。用实线表示将调整参数设定为该采样值的平均值来使模拟器动作时的值,用虚线表示在标准偏差的范围内使其变化而使模拟器动作时的值的范围。在该例子中,能够理解项目A表现出在大致固定的上下限值的范围内保持为固定的倾向,项目B是表现出在周期性变动的上下限值的范围内同样地周期性变动的倾向的仿真数据。
图8(c)、(d)示出仿真数据的2个项目,用二维的图表表示。图8(c)是使参数变化时的图表,图8(d)是使用平均值制作仿真数据的情况下的图表。
通过使参数变化,能够考虑到模型误差来生成覆盖了测量信号的可取值范围的仿真信号。通过使用该仿真信号构筑诊断模型,能够抑制因模型误差造成的误报发生。另外,也可以使用对根据平均值制作的仿真数据进行分类而构筑的诊断模型、对使参数变动时的仿真数据进行分类而构筑的诊断模型这2个诊断模型进行诊断,输出各自的诊断结果。
图9是说明显示在图像显示装置940中的画面的实施例的图。其中,图9(a)是显示图5的流程图中的判定结果的画面,显示每个监视组的诊断结果(正常判定、异常判定、预兆判定的某一个)。
图9(b)显示类似成套设备的测量信号和仿真信号、将仿真信号分类为类别的结果、以及诊断对象成套设备和类似成套设备的设计信息。通过本画面,能够确认类似成套设备选定部720、仿真信号生成部730的动作结果。根据该显示画面,对比显示出在诊断对象成套设备AAAA的输出、蒸汽压力、蒸汽温度分别是100、25、500时,类似成套设备BBBB的该数据是90、25、520。
图9(c)是用于变更决定类别的分类性能的警戒参数ρ的画面。能够根据图9(b)评价在图9(c)中变更了ρ时的影响。根据评价结果,能够将ρ设定为恰当的值。
实施例2
图10是表示成套设备100是燃气轮机成套设备时的实施方式的图。图10(a)是说明诊断对象成套设备100是燃气轮机成套设备的情况下的结构的图。成套设备100包括燃气轮机发电机110、控制装置120以及数据发送装置130。燃气轮机发电机110包括发电机111、压缩机112、燃烧器113以及涡轮机114。
在发电时,通过压缩机112对吸入的空气进行压缩而成为压缩空气,将该压缩空气送到燃烧器113,与燃料混合而燃烧。利用通过燃烧产生的高压气体使涡轮机114旋转,通过发电机111进行发电。
在控制装置120中,与电力需求对应地控制燃气轮机发电机110的输出。另外,控制装置120将通过设置在燃气轮机发电机110中的传感器(未图示)测量出的运转数据102作为输入数据。运转数据102是吸气温度、燃料投入量、涡轮机排气温度、涡轮机转速、发电机发电量、涡轮机轴振动等状态量,在每个采样周期测量。另外,还测量大气温度等气象信息。
在控制装置120中,使用这些运转数据102计算用于控制燃气轮机发电机110的控制信号101。另外,在控制装置120中,实施在运转数据102的值超出预先设定的范围时产生警报的处理。将警报信号处理为在运转数据102超出预先设定的范围时为1、在范围内时为0的数字信号。在警报信号为1时,通过声音、画面显示等向操作者通知警报的内容。
信号数据发送装置130向成套设备状态监视装置200发送包括通过控制装置120测量出的运转数据102、以及通过控制装置120计算出的控制信号101和警报信号的测量信号1。
如图10(b)所示,作为本成套设备的启动时的运转模式的变化,有启动模式A、控制模式B。启动模式A是与设备的保温状态对应的启动方法,有热启动、温启动、冷启动等模式。另外,控制模式B是与控制目的对应地决定的控制方法,有启动时间最短控制、寿命消耗量最小控制、启动中发电量最大控制等模式。
在实现本发明的情况下,在图1的运转模式评价部710中,与启动模式A和控制模式B各自所属的模式对应地,区别运转模式即可。此外,在实施本发明时,对模式的种类、各模式的内容当然没有限制。
实施例3
图11是表示成套设备100是锅炉成套设备时的实施方式的图。图11(a)是表示诊断对象成套设备100是锅炉成套设备的情况下的结构的图。该成套设备是以锅炉200、通过由锅炉200产生的蒸汽而驱动的蒸汽涡轮机300作为主要构成要素的火力发电成套设备(未图示发电机)。锅炉成套设备100根据负荷请求指令,控制为所指定的负荷(发电输出)。通过调节蒸汽增减阀290的阀开度,导向涡轮机300的蒸汽流量261变化,发电输出变化。
除此以外,在水/蒸汽系统中,具有对从蒸汽涡轮机300输出的蒸汽进行冷却而成为液体的冷凝器310、将通过冷凝器310冷却后的水作为锅炉供水再次送入到锅炉200的供水泵320。另外,虽然没有图示,但在实际的成套设备中,还具有将从蒸汽涡轮机300的中途段抽取的一部分蒸汽作为加热源而对锅炉供水进行预热的供水加热器。
另一方面,在从锅炉排出的燃烧气体201的系统中,具有用于对排气进行净化的排气处理装置330、释放净化后的气体331的烟囱340。
作为燃料的煤381经由燃料供给量调整阀380送到煤粉碎机(mill)350。另外,在煤输送和燃料调整中使用的空气382经由空气量调整阀370供给到煤粉碎机350和燃烧器310。在煤粉碎机350中成为粉末(细粉煤)的煤通过空气输送而供给到燃烧器210。在燃烧器210的上部配置有后气口220,经由空气量调整阀360向后气口220供给空气383。
接着,说明锅炉200的结构。具有使燃料燃烧的燃烧器210的火炉,其炉内成为高温,因此具有对壁面整体进行冷却并且回收燃烧气体的热的被称为水壁的冷却壁。在锅炉200内,除此以外还具有由节碳器280、一次过热器270、二次过热器240、三次过热器250、四次过热器260构成的热交换器,通过它们回收燃烧气体的热而生成高温蒸汽。
此外,在图中没有记载,但在成套设备中配置有许多用于测量气体的组分、温度、压力、蒸汽的温度、压力、热交换器的金属温度等的传感器,将该测量结果从数据发送装置390作为测量信息1发送到锅炉管道连接检测装置400。另外,没有图示,但一般锅炉的燃烧器210在火炉前后在水平方向上设置有多条,在高度方向上设置有多段,后气口在火炉前后在水平方向上配置有多条。
如图11(b)所示,作为本成套设备的运转模式的变化,有燃烧器模式、燃料种类模式、控制模式。
锅炉的燃烧器210在火炉前后在水平方向上设置有多条,在高度方向上设置有多段,与成套设备的输出对应地决定点火的燃烧器的个数。能够任意地设定点火的燃烧器的位置,因此点火燃烧器的组合模式有多个。另外,根据在锅炉中使用的煤的品牌,煤的成分不同。如果燃烧器模式、燃料种类不同,则火炉的热吸收特性变化,因此对蒸汽温度等成套设备特性有影响。另外,控制模式是与控制目的对应地决定的控制方法,有燃料消耗量最小控制、NOx最小控制等模式。
在实现本发明的情况下,在图1的运转模式评价部710中,与燃烧器模式A、燃料种类模式B、控制模式C对应地区别运转模式。此外,在实施本发明时,对模式的种类、各模式的内容当然没有限制。
实施例4
图12是说明本发明的第四实施例的框图。
在本实施例中,数据监视中心950、站点970通过信息通信网络960相互连接。发电站970有多个,在本实施例中记载了3个站点,但也可以构成为将任意个数的站点连接起来。在站点之间通信的通信信息20包含模型式、以及调整参数α的信息。在数据监视中心950中,确认在通信信息20中不包含成套设备的设计信息、以及测量信号的情况。
在实施例1所述的诊断装置400所具备的成套设备数据库520中,除了诊断对象的成套设备设计信息以外,还保存有其他成套设备的设计信息、以及测量信号。但是,一般难以得到其他成套设备的设计信息、测量信号。另外,在这些信息的管理中,为了防止信息安全事故,需要很大的成本。
在本实施例中,虽然没有图示,但在诊断装置400a~400c所具备的成套设备数据库520中,保存诊断对象的成套设备设计信息,不保存其他成套设备的设计信息以及测量信号。使用在站点之间通信的通信信息12所包含的模型式、调整参数值,根据式(4)计算仿真信号。
在本实施例中,可以不向其他站点提供成套设备的设计信息以及测量信号的信息,而在各站点使诊断装置动作,得到强化信息安全的效果。
工业上的可利用性
本发明能够作为诊断装置而应用于火力发电成套设备、原子能发电成套设备等各种成套设备。
符号说明
1:测量信号;2:外部输入信号;3:测量信号;4:测量信号;5:成套设备数据库信息;6:监视数据信息;7:分类结果信息;8:诊断模型数据库信息;9:诊断模型数据库信息;10:检测结果信息;11:图像显示信息;100:成套设备;400:诊断装置;410:外部输入接口;420:外部输出接口;510:测量信号数据库;520:成套设备数据库;530诊断模型数据库;700:监视数据生成部;710:运转模式评价部;720:类似成套设备选定部;730:仿真信号生成部;800:检测部;810:状态变化检测部;820:异常检测部;900:运转管理室;910:外部输入装置;920:键盘;930:鼠标;940:图像显示装置。
权利要求书(按照条约第19条的修改)
1.(修改后)一种成套设备的诊断装置,其具备使用测量成套设备的状态量而得到的测量信号来诊断成套设备的运转状态的检测部,并将诊断结果显示在图像显示装置上,该成套设备的诊断装置的特征在于,
上述检测部具备:
状态变化检测部,其使用根据预定期间的数据构筑的诊断模型来检测状态变化;
异常检测部,其使用根据与检测出状态变化时相同的运转模式的数据构筑的诊断模型来检测有无异常发生;以及
仿真信号生成部,其根据诊断对象成套设备的测量信号、或类似成套设备的过去的运转数据,计算上述相同的运转模式的数据,
上述仿真信号生成部具备:
模拟器,其是使用调整参数和固定参数而生成对诊断对象成套设备的特性进行模拟的仿真信号的模型;
使用类似成套设备的运转数据决定上述调整参数的功能;以及
参数推定部,其根据诊断对象成套设备的设计信息,决定上述固定参数。
2.(删除)
3.(删除)
4.(修改后)根据权利要求1所述的成套设备的诊断装置,其特征在于,
上述参数推定部针对上述调整参数,推定参数值的代表值和标准偏差,
在上述模拟器中,使上述调整参数在标准偏差的范围内变动来生成仿真信号。
5.根据权利要求1所述的成套设备的诊断装置,其特征在于,
在上述状态变化检测部中,在使用根据上述预定期间的数据构筑的诊断模型时,与上述成套设备的运用周期对应地确定上述预定期间。
6.(修改后)根据权利要求1所述的成套设备的诊断装置,其特征在于,
该诊断装置具备:图像显示装置,其显示上述类似成套设备的测量信号和仿真信号、将仿真信号分类为类别的结果、以及诊断对象成套设备和类似成套设备的设计信息。
7.根据权利要求1所述的成套设备的诊断装置,其特征在于,
上述成套设备是燃气轮机成套设备,
根据与燃气轮机的保温状态对应的启动模式或与控制目的对应地决定的控制模式来确定上述运转模式。
8.根据权利要求1所述的成套设备的诊断装置,其特征在于,
上述成套设备是包含锅炉的火力发电成套设备,
根据锅炉的燃烧器模式或燃料种类模式或控制模式确定上述运转模式。
9.根据权利要求3所述的成套设备的诊断装置,其特征在于,
经由网络收发上述调整参数的值。
10.(修改后)一种成套设备的诊断方法,其使用测量成套设备的状态量而得到的测量信号来诊断成套设备的运转状态,并显示诊断结果,该成套设备的诊断方法的特征在于,
使用根据预定期间的数据构筑的诊断模型来检测状态变化,
使用根据与检测出状态变化时相同的运转模式的数据构筑的诊断模型来检测有无异常发生,
使用根据预定期间的数据构筑的诊断模型求出类别,在产生新类别的情况下,确认成套设备的运转模式有无变化,检索与检测出新类别的时刻相同的运转模式的期间中的测量信号,使用所述测量信号来构筑诊断模型,评价该诊断模型中有无新类别产生来进行异常判定。
11.(修改后)根据权利要求10所述的成套设备的诊断方法,其特征在于,
根据诊断对象成套设备的测量信号、或类似成套设备的过去的运转数据,求出上述相同的运转模式的数据。
12.(删除)
13.(修改后)根据权利要求10所述的成套设备的诊断方法,其特征在于,
在不存在上述相同的运转模式的期间的数据时,使用利用与诊断对象成套设备类似的成套设备的设计信息制作的仿真信号来构筑诊断模型,评价该诊断模型中有无新类别产生来进行异常判定。
14.根据权利要求13所述的成套设备的诊断方法,其特征在于,
使用模拟器来计算上述仿真信号,所述模拟器是利用调整参数和固定参数而生成对诊断对象成套设备的特性进行模拟的仿真信号的模型,使用类似成套设备的运转数据来决定上述调整参数,根据诊断对象成套设备的设计信息来决定上述固定参数。
Claims (14)
1.一种成套设备的诊断装置,其具备使用测量成套设备的状态量而得到的测量信号来诊断成套设备的运转状态的检测部,并将诊断结果显示在图像显示装置上,该成套设备的诊断装置的特征在于,
上述检测部由以下部分构成:
状态变化检测部,其使用根据预定期间的数据构筑的诊断模型来检测状态变化;以及
异常检测部,其使用根据与检测出状态变化时相同的运转模式的数据构筑的诊断模型来检测有无异常发生。
2.根据权利要求1所述的成套设备的诊断装置,其特征在于,
该诊断装置具备:仿真信号生成部,其根据诊断对象成套设备的测量信号、或类似成套设备的过去的运转数据,计算上述相同的运转条件的数据。
3.根据权利要求2所述的成套设备的诊断装置,其特征在于,
上述仿真信号生成部具备:
模拟器,其是使用调整参数和固定参数而生成对诊断对象成套设备的特性进行模拟的仿真信号的模型;
使用类似成套设备的运转数据决定上述调整参数的功能;以及
参数推定部,其根据诊断对象成套设备的设计信息,决定上述固定参数。
4.根据权利要求3所述的成套设备的诊断装置,其特征在于,
上述参数推定部针对上述调整参数,推定参数值的代表值和标准偏差,
在上述模拟器中,使上述调整参数在标准偏差的范围内变动来生成仿真信号。
5.根据权利要求1所述的成套设备的诊断装置,其特征在于,
在上述状态变化检测部中,在使用根据上述预定期间的数据构筑的诊断模型时,与上述成套设备的运用周期对应地确定上述预定期间。
6.根据权利要求2所述的成套设备的诊断装置,其特征在于,
该诊断装置具备:图像显示装置,其显示上述类似成套设备的测量信号和仿真信号、将仿真信号分类为类别的结果、以及诊断对象成套设备和类似成套设备的设计信息。
7.根据权利要求1所述的成套设备的诊断装置,其特征在于,
上述成套设备是燃气轮机成套设备,
根据与燃气轮机的保温状态对应的启动模式或与控制目的对应地决定的控制模式来确定上述运转模式。
8.根据权利要求1所述的成套设备的诊断装置,其特征在于,
上述成套设备是包含锅炉的火力发电成套设备,
根据锅炉的燃烧器模式或燃料种类模式或控制模式确定上述运转模式。
9.根据权利要求3所述的成套设备的诊断装置,其特征在于,
经由网络收发上述调整参数的值。
10.一种成套设备的诊断方法,其使用测量成套设备的状态量而得到的测量信号来诊断成套设备的运转状态,并显示诊断结果,该成套设备的诊断方法的特征在于,
使用根据预定期间的数据构筑的诊断模型来检测状态变化,
使用根据与检测出状态变化时相同的运转模式的数据构筑的诊断模型来检测有无异常发生。
11.根据权利要求10所述的成套设备的诊断方法,其特征在于,
根据诊断对象成套设备的测量信号、或类似成套设备的过去的运转数据,求出上述相同的运转条件的数据。
12.根据权利要求10所述的成套设备的诊断方法,其特征在于,
使用根据预定期间的数据构筑的诊断模型求出类别,在产生新类别的情况下,确认成套设备的运转模式有无变化,检索与检测出新类别的时刻相同的运转模式的期间,使用该期间的运转模式中的测量信号来构筑诊断模型,评价该诊断模型中有无新类别产生来进行异常判定。
13.根据权利要求12所述的成套设备的诊断方法,其特征在于,
在不存在上述相同的运转模式的期间的数据时,使用利用与诊断对象成套设备类似的成套设备的设计信息制作的仿真信号来构筑诊断模型,评价该诊断模型中有无新类别产生来进行异常判定。
14.根据权利要求13所述的成套设备的诊断方法,其特征在于,
使用模拟器来计算上述仿真信号,所述模拟器是利用调整参数和固定参数而生成对诊断对象成套设备的特性进行模拟的仿真信号的模型,使用类似成套设备的运转数据来决定上述调整参数,根据诊断对象成套设备的设计信息来决定上述固定参数。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013245926A JP6116466B2 (ja) | 2013-11-28 | 2013-11-28 | プラントの診断装置及び診断方法 |
JP2013-245926 | 2013-11-28 | ||
PCT/JP2014/073601 WO2015079766A1 (ja) | 2013-11-28 | 2014-09-08 | プラントの診断装置及び診断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105992977A true CN105992977A (zh) | 2016-10-05 |
CN105992977B CN105992977B (zh) | 2018-12-14 |
Family
ID=53198722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480064711.3A Active CN105992977B (zh) | 2013-11-28 | 2014-09-08 | 成套设备的诊断装置和诊断方法 |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP6116466B2 (zh) |
CN (1) | CN105992977B (zh) |
PH (1) | PH12016500937A1 (zh) |
WO (1) | WO2015079766A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108475053A (zh) * | 2015-12-28 | 2018-08-31 | 川崎重工业株式会社 | 成套设备异常监视方法及用于监视成套设备异常的计算机程序 |
CN108604094A (zh) * | 2016-03-31 | 2018-09-28 | 三菱日立电力系统株式会社 | 设备的异常诊断方法及设备的异常诊断装置 |
CN110058983A (zh) * | 2018-01-18 | 2019-07-26 | 发那科株式会社 | 异常检查参数调整显示装置 |
CN111183402A (zh) * | 2017-10-25 | 2020-05-19 | 株式会社日立制作所 | 发电厂的运转辅助装置和运转辅助方法 |
CN111417909A (zh) * | 2017-12-21 | 2020-07-14 | 三菱日立电力系统株式会社 | 单位空间生成装置、成套设备诊断系统、单位空间生成方法、成套设备诊断方法及程序 |
CN111542792A (zh) * | 2018-03-01 | 2020-08-14 | 株式会社日立制作所 | 诊断装置和诊断方法 |
CN113287104A (zh) * | 2019-03-12 | 2021-08-20 | 株式会社日立制作所 | 数据分类装置 |
CN114206518A (zh) * | 2020-07-01 | 2022-03-18 | 东芝三菱电机产业系统株式会社 | 制造设备的诊断辅助装置 |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6862104B2 (ja) * | 2016-06-23 | 2021-04-21 | 株式会社日立製作所 | 原料選定支援装置、及び原料選定支援方法 |
WO2018061842A1 (ja) * | 2016-09-27 | 2018-04-05 | 東京エレクトロン株式会社 | 異常検知プログラム、異常検知方法および異常検知装置 |
JP6920828B2 (ja) | 2017-02-17 | 2021-08-18 | 三菱パワー株式会社 | プラントの診断装置および診断方法 |
JP6795444B2 (ja) * | 2017-04-06 | 2020-12-02 | ルネサスエレクトロニクス株式会社 | 異常検知システム、半導体装置の製造システムおよび製造方法 |
JP6785715B2 (ja) * | 2017-05-10 | 2020-11-18 | 株式会社日立製作所 | 正常異常判別装置、正常異常判別方法、及び正常異常判別システム |
JP6876140B2 (ja) * | 2017-10-12 | 2021-05-26 | 三菱パワー株式会社 | サービスメニュー提示システム、運転パターン表示システム、サービスメニュー提示方法及びプログラム |
EP3731122B1 (en) * | 2018-01-17 | 2021-09-01 | Mitsubishi Electric Corporation | Attack detection apparatus, attack detection method, and attack detection program |
CN111919185B (zh) | 2018-03-20 | 2023-10-20 | 三菱电机株式会社 | 显示装置、显示系统和显示画面生成方法 |
CN110874652B (zh) * | 2018-08-14 | 2023-10-27 | 阿里巴巴集团控股有限公司 | 一种设备状态评价方法、装置、设备及系统 |
US10967514B2 (en) | 2018-08-22 | 2021-04-06 | Abb Schweiz Ag | Apparatus and method to monitor robot mechanical condition |
CN110954214B (zh) * | 2018-09-27 | 2024-05-17 | 北京京东尚科信息技术有限公司 | 一种设备测试方法、装置和系统 |
JP7184636B2 (ja) * | 2018-12-27 | 2022-12-06 | 三菱重工業株式会社 | データ選別装置及び方法、ならびに監視診断装置 |
JP7012888B2 (ja) * | 2019-01-21 | 2022-01-28 | 三菱電機株式会社 | 異常要因推定装置、異常要因推定方法、及びプログラム |
JP7471983B2 (ja) * | 2020-09-30 | 2024-04-22 | Ntn株式会社 | 状態監視装置および状態監視方法 |
WO2022074777A1 (ja) * | 2020-10-07 | 2022-04-14 | 三菱電機株式会社 | 障害予兆検出システム、障害予兆検出方法、及びプログラム |
CN113554055A (zh) * | 2021-06-11 | 2021-10-26 | 杭州玖欣物联科技有限公司 | 一种基于聚类算法的加工工况识别方法 |
WO2023148834A1 (ja) * | 2022-02-02 | 2023-08-10 | 三菱電機株式会社 | 機器状態監視装置および機器状態監視方法 |
JP7433532B1 (ja) | 2023-01-20 | 2024-02-19 | 三菱電機株式会社 | 疑似異常データ生成装置、設備監視システム、疑似異常データ生成方法、およびプログラム |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040220839A1 (en) * | 2003-04-30 | 2004-11-04 | Ge Financial Assurance Holdings, Inc. | System and process for dominance classification for insurance underwriting suitable for use by an automated system |
JP2005038098A (ja) * | 2003-07-17 | 2005-02-10 | Chugoku Electric Power Co Inc:The | データマイニングを用いた機器、施設の運転状況又は取引の監視及び実行方法 |
CA2291228C (en) * | 1998-03-30 | 2005-03-22 | General Electric Company | System and method for diagnosing and validating a machine using waveform data |
CN101027617A (zh) * | 2004-08-13 | 2007-08-29 | 新卡特彼勒三菱株式会社 | 数据处理方法,数据处理设备,诊断方法和诊断设备 |
CN102870057A (zh) * | 2010-04-08 | 2013-01-09 | 株式会社日立制作所 | 机械设备的诊断装置、诊断方法及诊断程序 |
CN102902251A (zh) * | 2012-09-20 | 2013-01-30 | 南京中德保护控制系统有限公司 | 基于风力发电厂风机故障数据的统一告警方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5337853B2 (ja) * | 2011-09-12 | 2013-11-06 | 株式会社日立製作所 | 発電プラントの診断装置、及び発電プラントの診断方法 |
JP5369246B1 (ja) * | 2013-07-10 | 2013-12-18 | 株式会社日立パワーソリューションズ | 異常予兆診断装置及び異常予兆診断方法 |
-
2013
- 2013-11-28 JP JP2013245926A patent/JP6116466B2/ja active Active
-
2014
- 2014-09-08 CN CN201480064711.3A patent/CN105992977B/zh active Active
- 2014-09-08 WO PCT/JP2014/073601 patent/WO2015079766A1/ja active Application Filing
-
2016
- 2016-05-20 PH PH12016500937A patent/PH12016500937A1/en unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2291228C (en) * | 1998-03-30 | 2005-03-22 | General Electric Company | System and method for diagnosing and validating a machine using waveform data |
US20040220839A1 (en) * | 2003-04-30 | 2004-11-04 | Ge Financial Assurance Holdings, Inc. | System and process for dominance classification for insurance underwriting suitable for use by an automated system |
JP2005038098A (ja) * | 2003-07-17 | 2005-02-10 | Chugoku Electric Power Co Inc:The | データマイニングを用いた機器、施設の運転状況又は取引の監視及び実行方法 |
CN101027617A (zh) * | 2004-08-13 | 2007-08-29 | 新卡特彼勒三菱株式会社 | 数据处理方法,数据处理设备,诊断方法和诊断设备 |
CN102870057A (zh) * | 2010-04-08 | 2013-01-09 | 株式会社日立制作所 | 机械设备的诊断装置、诊断方法及诊断程序 |
CN102902251A (zh) * | 2012-09-20 | 2013-01-30 | 南京中德保护控制系统有限公司 | 基于风力发电厂风机故障数据的统一告警方法 |
Non-Patent Citations (1)
Title |
---|
董建青: "电容器成套设备在线监测系统", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技II辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108475053A (zh) * | 2015-12-28 | 2018-08-31 | 川崎重工业株式会社 | 成套设备异常监视方法及用于监视成套设备异常的计算机程序 |
CN108604094A (zh) * | 2016-03-31 | 2018-09-28 | 三菱日立电力系统株式会社 | 设备的异常诊断方法及设备的异常诊断装置 |
CN111183402A (zh) * | 2017-10-25 | 2020-05-19 | 株式会社日立制作所 | 发电厂的运转辅助装置和运转辅助方法 |
CN111417909A (zh) * | 2017-12-21 | 2020-07-14 | 三菱日立电力系统株式会社 | 单位空间生成装置、成套设备诊断系统、单位空间生成方法、成套设备诊断方法及程序 |
CN111417909B (zh) * | 2017-12-21 | 2023-11-03 | 三菱重工业株式会社 | 单位空间生成装置、成套设备诊断系统、单位空间生成方法、成套设备诊断方法及计算机可读存储介质 |
CN110058983A (zh) * | 2018-01-18 | 2019-07-26 | 发那科株式会社 | 异常检查参数调整显示装置 |
CN111542792A (zh) * | 2018-03-01 | 2020-08-14 | 株式会社日立制作所 | 诊断装置和诊断方法 |
CN113287104A (zh) * | 2019-03-12 | 2021-08-20 | 株式会社日立制作所 | 数据分类装置 |
CN114206518A (zh) * | 2020-07-01 | 2022-03-18 | 东芝三菱电机产业系统株式会社 | 制造设备的诊断辅助装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105992977B (zh) | 2018-12-14 |
JP6116466B2 (ja) | 2017-04-19 |
JP2015103218A (ja) | 2015-06-04 |
WO2015079766A1 (ja) | 2015-06-04 |
PH12016500937A1 (en) | 2016-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105992977A (zh) | 成套设备的诊断装置和诊断方法 | |
CN102999038B (zh) | 发电设备的诊断装置、以及发电设备的诊断方法 | |
US20210041862A1 (en) | Malfunction early-warning method for production logistics delivery equipment | |
US8793004B2 (en) | Virtual sensor system and method for generating output parameters | |
CN104756029B (zh) | 一种监控设备的部件组的系统 | |
US20030163288A1 (en) | System and method for processing data obtained from turbine operations | |
JP6037954B2 (ja) | ボイラチューブリーク検出装置、ボイラチューブリーク検出方法、並びにこれらを用いたデータ監視センタ、情報提供サービス、ボイラプラント。 | |
CN102576227B (zh) | 设备诊断装置 | |
US20050209767A1 (en) | Method for fault diagnosis of a turbine engine | |
CN106779200A (zh) | 基于在历史数据中进行相似搜索的风电机组状态预测方法 | |
CN102713777A (zh) | 诊断装置及诊断方法 | |
KR102285987B1 (ko) | 건물 내 설비의 이상을 탐지하는 방법, 시스템 및 컴퓨터 프로그램 | |
Kanelopoulos et al. | Incorporating neural networks into gas turbine performance diagnostics | |
EP2458178B1 (en) | Turbine performance diagnositic system and methods | |
KR101994465B1 (ko) | 기술 시스템, 특히 전기 에너지-발생 설비의 동작의 컴퓨터-보조 모니터링을 위한 방법 | |
WO2016208315A1 (ja) | プラント診断装置及びプラント診断方法 | |
CN106649919A (zh) | 燃煤电站锅炉飞灰含碳量预测模型构建方法及系统 | |
CN101364269A (zh) | 数据分类方法及装置 | |
Zhang et al. | A fault early warning method for auxiliary equipment based on multivariate state estimation technique and sliding window similarity | |
CN113011010A (zh) | 基于结构机理和运行数据的锅炉故障诊断方法及诊断系统 | |
JP2018106432A (ja) | オンライン監視装置、及びオンライン監視方法 | |
JP6830414B2 (ja) | 診断装置及び診断方法 | |
CN113533622A (zh) | 一种基于神经网络的磨煤机煤质预测方法 | |
Osigwe et al. | Integrated gas turbine system diagnostics: components and sensor faults quantification using artificial neural networks | |
JP6554162B2 (ja) | 発電プラント性能評価方法及び発電プラント性能評価プログラム |
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 |