CN109154810A - 监视装置、对象装置的监视方法、以及程序 - Google Patents

监视装置、对象装置的监视方法、以及程序 Download PDF

Info

Publication number
CN109154810A
CN109154810A CN201780028983.1A CN201780028983A CN109154810A CN 109154810 A CN109154810 A CN 109154810A CN 201780028983 A CN201780028983 A CN 201780028983A CN 109154810 A CN109154810 A CN 109154810A
Authority
CN
China
Prior art keywords
generation
event
likelihood score
measured value
object apparatus
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
Application number
CN201780028983.1A
Other languages
English (en)
Other versions
CN109154810B (zh
Inventor
永野郎
永野一郎
青山邦明
斋藤真由美
熊野信太郎
安部克彦
田中彻
山内贵洋
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.)
Mitsubishi Power Ltd
Original Assignee
Mitsubishi Hitachi Power Systems Ltd
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 Mitsubishi Hitachi Power Systems Ltd filed Critical Mitsubishi Hitachi Power Systems Ltd
Publication of CN109154810A publication Critical patent/CN109154810A/zh
Application granted granted Critical
Publication of CN109154810B publication Critical patent/CN109154810B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D25/00—Component parts, details, or accessories, not provided for in, or of interest apart from, other groups
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D25/00—Component parts, details, or accessories, not provided for in, or of interest apart from, other groups
    • F01D25/08—Cooling; Heating; Heat-insulation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
    • F02C7/00—Features, components parts, details or accessories, not provided for in, or of interest apart form groups F02C1/00 - F02C6/00; Air intakes for jet-propulsion plants
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
    • F02C7/00—Features, components parts, details or accessories, not provided for in, or of interest apart form groups F02C1/00 - F02C6/00; Air intakes for jet-propulsion plants
    • F02C7/22—Fuel supply systems
    • 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
    • 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
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

获取部获取对象装置的测量值。似然度计算部基于所述获取部所获取的所述测量值来计算出对象装置可能发生的多个事件各自的发生似然度。表存储部存储将所述多个事件与所述对象装置的异常的发生要因建立关联的表。推定部基于所述似然度和所述表来推定所述发生要因。

Description

监视装置、对象装置的监视方法、以及程序
技术领域
本发明涉及一种监视对象装置的监视装置、对象装置的监视方法、以及程序。
本申请基于2016年6月1日在日本申请的日本特愿2016-110336号主张优先权，并将其内容援引于此。
背景技术
作为在设备发生异常时确定异常的发生要因的方法，公知使用FTA(Fault TreeAnalysis：故障树分析)的方法(例如，参照专利文献1)。
现有技术文献
专利文献
专利文献1：日本特开2009-176315号公报
发明内容
发明要解决的问题
但是，基于FTA的异常的发生要因的推定依赖于监视员的经验的部分较多，因此推定的精度会因监视员而异。此外，具有基于FTA来推定异常的发生要因的技能的监视员的数量有限，在设备发生异常时，有时发生要因的推定会花费时间。
本发明的目的在于提供无论监视员的经验如何都能高精度地推定异常的发生要因的监视装置、对象装置的监视方法、以及程序。
技术方案
根据本发明的第一方案，监视装置具备：获取部，获取对象装置的测量值；似然度计算部，基于所述获取部所获取的所述测量值来计算对象装置可能发生的多个事件各自的发生似然度；表存储部，存储将所述多个事件与所述对象装置的异常的发生要因建立关联的表；以及推定部，基于所述似然度和所述表来推定所述发生要因。
根据本发明的第二方案，也可以是，在第一方案的监视装置中，所述表将所述发生要因、所述事件、以及该发生要因所涉及的异常发生时确认到该事件的次数建立关联，所述推定部按所述发生要因来计算所述似然度与所述次数的加权和，并基于该加权和来推定所述发生要因。
根据本发明的第三方案，也可以是，在第一方案的监视装置中，所述表将所述发生要因、所述事件、以及表示该发生要因所涉及的异常发生时是否确认到该事件的值建立关联，所述推定部基于所述似然度在规定的阈值以上且在所述表中被表示出已发生的所述事件的数量，来推定所述发生要因。
根据本发明的第四方案，也可以是，在第一方案的监视装置中，所述表将所述发生要因、所述事件、以及该发生要因所涉及的异常发生时该事件的发生概率建立关联，所述推定部按所述发生要因来计算所述似然度与所述概率的加权和，并基于该加权和来推定所述发生要因。
根据本发明的第五方案，也可以是，第一至第四方案中任一方案的监视装置还具备：SN比计算部，计算所述获取部所获取的所述测量值的SN比，所述似然度计算部基于所述SN比计算部所计算出的所述SN比来计算所述多个事件各自的似然度。
根据本发明的第六方案，也可以是，第一至第五方案中任一方案的监视装置还具备：距离计算部，基于所述测量值来计算马氏距离，所述似然度计算部在所述马氏距离为规定值以上的情况下，计算所述多个事件各自的似然度。
根据本发明的第七方案，也可以是，第六方案的监视装置还具备：校正部，通过基于所述测量值的热平衡计算，来得到对所述测量值进行校正后的校正测量值，所述测量值至少包含输入至所述对象装置的输入流体的温度和流量、以及从所述对象装置输出的输出流体的温度和流量，所述距离计算部以所述校正测量值为各因子来计算所述马氏距离。
根据本发明的第八方案，对象装置的监视方法包括以下步骤：获取对象装置的测量值；基于所获取的所述测量值来计算对象装置可能发生的多个事件各自的发生似然度；以及基于存储将所述多个事件与所述对象装置的异常的发生要因建立关联的表的表存储部和所述似然度，来推定所述发生要因。
根据本发明的第九方案，也可以是，在第八方案的对象装置的监视方法中，所述表将所述发生要因、所述事件、以及该发生要因所涉及的异常发生时确认到该事件的次数建立关联，按所述发生要因来计算所述似然度与所述次数的加权和，并基于该加权和来推定所述发生要因。
根据本发明的第十方案，也可以是，在第八方案的对象装置的监视方法中，所述表将所述发生要因、所述事件、以及表示该发生要因所涉及的异常发生时是否确认到该事件的值建立关联，基于所述似然度在规定的阈值以上且在所述表中被表示出已发生的所述事件的数量，来推定所述发生要因。
根据本发明的第十一方案，也可以是，在第八方案的对象装置的监视方法中，所述表将所述发生要因、所述事件、以及该发生要因所涉及的异常发生时该事件的发生概率建立关联，按所述发生要因来计算所述似然度与所述概率的加权和，并基于该加权和来推定所述发生要因。
根据本发明的第十二方案，程序用于使计算机执行以下步骤：获取对象装置的测量值；基于所获取的所述测量值来计算对象装置可能发生的多个事件各自的发生似然度；以及基于存储将所述多个事件与所述对象装置的异常的发生要因建立关联的表的表存储部和所述似然度，来推定所述发生要因。
有益效果
根据上述方案中的至少一个方案，监视装置基于对象装置的测量值来计算该对象装置可能发生的多个事件各自的发生似然度，并使用将事件与异常的发生要因建立关联的表来推定在对象装置所发生的异常的发生要因。由此，无论监视员的经验如何，监视装置都能高精度地推定异常的发生要因。
附图说明
图1是作为对象装置的一个示例的燃气轮机的示意图。
图2是表示第一实施方式的监视装置的构成的概略框图。
图3是表示第一实施方式的监视装置的动作的流程图。
图4是表示第二实施方式的监视装置的构成的概略框图。
图5是表示至少一个实施方式的计算机的构成的概略框图。
具体实施方式
<第一实施方式>
以下，参照附图对第一实施方式进行详细说明。
第一实施方式的监视装置100监视燃气轮机T有无异常，并确定异常的发生要因。燃气轮机T是对象装置的一个示例。
[对象装置]
图1是作为对象装置的一个示例的燃气轮机的示意图。
燃气轮机T具备压缩机T1、燃烧器T2、涡轮机T3、转子T5、抽气管T4、以及发电机T6。压缩机T1、涡轮机T3、以及发电机T6与转子T5接合，并绕转子T5的轴旋转。压缩机T1通过旋转而从空气引入口引入空气，对所引入的空气进行压缩来生成压缩空气。燃烧器T2通过对压缩机T1所生成的压缩空气喷射燃料来产生高温且高压的燃烧气体。此外，为了冷却燃烧器T2，向燃烧器T2吹冷却蒸汽。涡轮机T3将燃烧器T2所产生的燃烧气体的热能转换为转子T5的转动能来产生驱动力。抽气管T4的一端连接于压缩机T1，另一端连接于涡轮机T3。抽气管T4通过抽取压缩机T1所生成的压缩空气的一部分并将所抽取的压缩空气(冷却空气)供给至涡轮机T3，来冷却涡轮机T3。发电机T6将转子T5的转动能转换为电能。
在燃气轮机T装配有未图示的多个传感器。作为各传感器所获取的传感器值的示例，可以列举出大气压、大气温度、大气的相对湿度、压缩机T1的入口压差、压缩机T1的出口空气温度、压缩机T1的出口空气压力、燃料压力、燃料温度、燃料发热量、燃料组成、燃料流量、冷却蒸汽压力、冷却蒸汽温度、冷却蒸汽流量、冷却空气的温度、冷却空气的流量、排气温度、吸气压力损失、排气压力损失、发电机T6的发电效率、发电功率、发电电流、发电电压、以及发电频率。
[构成]
对监视装置100的构成进行说明。图2是表示第一实施方式的监视装置的构成的概略框图。
监视装置100具备：获取部101、特性值计算部102、校正部103、单位空间存储部104、距离计算部105、异常判定部106、SN比计算部107、似然度计算部108、表存储部109、推定部110、以及输出部111。
获取部101获取设于燃气轮机T的传感器所获取的传感器值、以及燃气轮机T的控制信号的值(指令值)。需要说明的是，如上所述，获取部101所获取的传感器值至少包含输入至燃气轮机T的空气以及燃料(输入流体)的温度和从燃气轮机T输出的排气(输出流体)的温度。传感器值是燃气轮机T的测量值的一个示例。
特性值计算部102基于获取部101所获取的传感器值，来计算表示燃气轮机T的特性的特性值。作为特性值的示例，可以列举出热效率、压缩机效率、燃烧效率、涡轮机效率、压缩机动力、涡轮机输出、燃气轮机空气流量、燃气轮机排气流量、压缩机压力比、以及涡轮机T3的入口燃烧气体温度。例如，特性值计算部102通过将等熵变化中的压缩机出口焓与压缩机入口焓之差除以实际的压缩机出口焓与压缩机入口焓之差，来计算压缩机效率(特性值)。使用作为传感器值的温度以及压力来计算焓。特性值是燃气轮机T的测量值的一个示例。需要说明的是，如上所述，特性值计算部102所计算出的特性值中至少包含输入至燃气轮机T的空气的流量以及从燃气轮机T输出的排气的流量。
校正部103基于燃气轮机T的热平衡计算来校正获取部101所获取的传感器值、以及特性值计算部102所计算出的特性值，由此，得到校正测量值。具体而言，校正部103按以下的顺序校正测量值。首先，校正部103将测量值代入燃气轮机T的热平衡公式中，以该公式成立的方式计算出各测量值的误差。然后，校正部103求出按测量值计算出的误差的总和、或误差的平方的总和，并选择各所求出的总和最小的测量值的误差的组合，由此得到校正测量值。
具体而言，燃气轮机T整体的热平衡通过以下的算式(1)来表示。压缩机T1的热平衡通过以下的算式(2)来表示。燃烧器T2的热平衡通过以下的算式(3)来表示。涡轮机T3的热平衡通过以下的算式(4)来表示。在以下的算式(1)至算式(4)中，左边表示热输入量，右边表示热输出量。
[数式1]
[数式2]
[数式3]
G2×H2C+Gf×Hf+Gf×LHV×μBURN+Gst×Hstl+Gw×Hw
＝Gst×Hst2+G4×H1T…(3)
[数式4]
变量G1表示吸气流量。变量H1C表示吸气焓。变量G2表示压缩机T1的出口流量。变量H2C表示压缩机T1的出口焓。变量Gf表示燃料流量。变量LHV表示燃料发热量。变量Gst表示冷却蒸汽流量。变量Hst1表示供给至燃烧器T2的冷却蒸汽的焓。变量Hst2表示从燃烧器T2排出的冷却蒸汽的焓。变量Gc表示冷却空气量。变量Hc表示冷却空气焓。变量G4表示涡轮机T3的入口流量。变量H1T表示涡轮机T3的入口焓。变量G8表示排气流量。变量H2T表示排气焓。变量μGEN表示发电效率。变量μBURN表示燃烧效率。变量KWGEN表示发电功率。变量KWC表示压缩机动力。变量KWT表示涡轮机输出。
单位空间存储部104将在燃气轮机T的起动期间(例如，从新品状态的燃气轮机T的运转开始时间点或定期检查结束后的燃气轮机T的运转开始时间点中最近的时间点开始两周的期间)内所获取的燃气轮机T的状态量(测量值、校正测量值、以及指令值)的组合存储为马氏距离的单位空间。
距离计算部105以获取部101所获取的传感器值以及指令值、特性值计算部102所计算出的特性值、以及由校正部103校正后的校正测量值为各因子，基于单位空间存储部104所存储的单位空间，来计算出表示燃气轮机T的状态的马氏距离。马氏距离是表示被表示为单位空间的基准的样本与新得到的样本的差异的大小的尺度。关于马氏距离的计算方法，将在后文加以叙述。
异常判定部106基于距离计算部105所计算出的马氏距离来判定燃气轮机T是否发生异常。具体而言，异常判定部106在马氏距离为规定的阈值(例如，3.5)以上的情况下，判定出燃气轮机T发生了异常。阈值通常设定为3以上的值。
SN比计算部107在异常判定部106判定出燃气轮机T发生了异常的情况下，基于获取部101所获取的传感器值以及指令值、特性值计算部102所计算出的特性值、以及由校正部103校正后的校正测量值，来计算出田口方法(Taguchi Method)的SN比(Signal-NoiseRatio：信噪比)。即，似然度计算部108求出正交表分析有无项目的望大SN比。SN比越大，可以判断其状态量(测量值、指令值)的项目存在异常的可能性越大。
似然度计算部108基于SN比计算部107所计算出的SN比，来计算燃气轮机T可能发生的多个事件(性能劣化)各自的发生似然度。作为事件的示例，可以列举出燃气轮机输出的降低、燃气轮机效率的降低、压缩机效率的降低、涡轮机效率的降低、压缩机入口空气量的减少、排气温度的上升、压缩机压缩比的减小、燃烧效率的降低、涡轮机入口气体温度的上升、以及废气压力的上升等。例如，关于各个事件，似然度计算部108预先存储有无发生该事件与支配性地干预SN比的增减的状态量的关系，并计算与各事件关联的状态量各自的SN比的加权和，由此计算各事件的发生似然度。
表存储部109存储表示事件与异常的发生要因的关系的表。具体而言，关于各事件以及各发生要因，在发生由该发生要因引起的异常时，表存储部109存储所确认到的该事件的次数。例如，过去，在发生由排气扩散器的损坏(发生要因)引起的异常时，被确认为叶片通道温度的偏差大的状态(事件)的次数是9次的情况下，表存储部109与“排气扩散器的损坏”的发生要因、以及“叶片通道温度的偏差较大的状态”的事件相关联地存储次数“9”。表存储部109所存储的表例如能基于在运用燃气轮机T时由保养员生成的FTA的数据(FT：Fault Tree)来生成。
推定部110基于似然度计算部108所计算出的各事件的发生似然度和表存储部109所存储的表，来推定燃气轮机T的异常的发生要因。具体而言，推定部110通过使以各事件的发生似然度为元素的1行M列的矢量(vector)与以表的值为元素的M行N列的矩阵相乘，来得到以异常的发生要因的似然度为元素的N行1列的矢量。M表示事件的数量，N表示发生要因的数量。然后，推定部110能将所得到的N行1列的矢量中元素的值较大的行的发生要因推定为燃气轮机T的异常的发生要因。就是说，推定部110按异常的发生要因来计算出各事件的发生似然度和此事件的发生次数的加权和，并基于该加权和来推定发生要因。
输出部111按似然度的顺序来输出推定部110所推定的发生要因。作为输出的示例，可以列举出显示到显示器、向外部发送数据、打印到纸(sheet)、输出声音等。
[马氏距离]
在此，对用于计算马氏距离D的一般计算式进行说明。
将表示燃气轮机T的状态的多个状态量(测量值、指令值)的项目的数量设为u。u为2以上的整数。将u个项目的状态量分别设为X1～Xu。监视装置100在作为基准的燃气轮机T的运转状态(在第一实施方式中，为从新品状态的燃气轮机T的运转开始时间点或定期检查结束后的燃气轮机T的运转开始时间点中最近的时间点开始两周的运转状态)下，分别收集共计v个(2以上)各项目的状态量X1～Xu。例如，在各获取60个各项目的状态量的情况下，v＝60。将在运转状态下收集的各项目的第j个状态量X1～Xu设为X1j～Xuj。意味着j取1～v中的任一值(整数)，各状态量的个数为v个。就是说，监视装置100收集状态量X11～Xuv。该状态量X11～Xuv存储于单位空间存储部104。
监视装置100通过算式(5)以及算式(6)来求出状态量X11～Xuv的各项目的平均值Mi以及标准偏差σi(基准数据的偏差程度)。i是项目数(状态量的数量、整数)。在此，i被设定为1～u，表示与状态量X1～Xu对应的值。在此，标准偏差是指状态量与其平均值之差的平方的期望值的正平方根。
[数式5]
[数式6]
所述平均值Mi以及标准偏差σi是表示特征的状态量。监视装置100使用所运算出的平均值Mi以及标准偏差σi，通过下述的数式(7)，将状态量X11～Xuv转换为基准化后的状态量x11～xuv。即，异常监视装置10将燃气轮机T的状态量Xij转换为平均值为0、标准偏差为1的概率变量xij。需要说明的是，在下述的数式(7)中，i取1～v中的任一值(整数)。这意味着每个项目的状态量的个数为v个。
[数式7]
监视装置100为了通过标准化为平均值为0、方差为1的数据分析变量而确定状态量X11～Xuv的相关关系。即，监视装置100通过下述的数式(8)来对表示变量之间的关连性的协方差矩阵(相关矩阵)R以及协方差矩阵(相关矩阵)的逆矩阵R-1进行定义。需要说明的是，在下述的数式(8)中，k为项目数(状态量的数量)。就是说k与u相等。此外，i以及p表示各状态量的值，在此，取1～u的值。
[数式8]
监视装置100在这样的运算处理之后，基于下述的数式(9)来求出作为表示特征的状态量的马氏距离D。需要说明的是，在数式(9)中，j取1～v中任一值(整数)。这意味着各项目的状态量的个数为v个。此外，k为项目数(状态量的数量)。就是说k与u相等。此外，a11～akk是上述的数式(8)所示的协方差矩阵R的逆矩阵R-1的系数。
[数式9]
马氏距离D是基准数据。单位空间的马氏距离D的平均值取1。在燃气轮机T的状态量为正常的状态下，马氏距离D大致落入3以下的范围。但是，在燃气轮机T的状态量为异常的状态下，马氏距离D的值大致大于3。如此一来，马氏距离D具有根据燃气轮机T的状态量的异常的程度(与单位空间的偏离程度)而值变大的性质。
[燃气轮机的监视方法]
就监视装置100对燃气轮机的监视方法进行说明。图3是表示第一实施方式的监视装置的动作的流程图。
监视装置100在燃气轮机T的起动期间内，收集燃气轮机T的状态量并将状态量的组合蓄积于单位空间存储部104。就是说，监视装置100将获取部101所获取的燃气轮机的指令值以及校正部103所生成的校正测量值相关联地记录于单位空间存储部104。监视装置100在经过燃气轮机T的起动期间之后，在规定的监视定时(例如，每隔1小时的定时)，执行以下所示的监视动作。监视定时是从燃气轮机T的运转开始时间点开始，经过规定的起动期间之后的时间点即起动后时间点的一个示例。
当监视装置100开始监视时，获取部101获取设于燃气轮机T的传感器所获取的传感器值以及燃气轮机T的指令值(步骤S1)。接着，特性值计算部102基于获取部101所获取的传感器值，来计算表示燃气轮机T的特性的特性值(步骤S2)。接着，校正部103通过基于燃气轮机T的热平衡计算校正传感器值以及特性值，得到校正测量值(步骤S3)。
接着，距离计算部105以步骤S1中所获取的传感器值以及指令值、步骤S2中所计算出的特性值、以及步骤S3中所得到的校正测量值为各因子，基于单位空间存储部104所存储的单位空间，计算马氏距离(步骤S4)。接着，异常判定部106判定所计算出的马氏距离是否为规定的阈值以上(步骤S5)。
在马氏距离小于阈值的情况下(步骤S5：否)，异常判定部106判定出燃气轮机T未发生异常并结束监视处理，等待下次的监视定时。
另一方面，在马氏距离在阈值以上的情况下(步骤S5：是)，异常判定部106判定出燃气轮机T发生了异常。
当异常判定部106判定出燃气轮机T发生了异常时，SN比计算部107分别对步骤S1中所获取的指令值以及步骤S3中所得到的校正测量值计算田口方法的SN比(步骤S6)。似然度计算部108基于所计算出的SN比，计算出燃气轮机T可能发生的多个事件各自的发生似然度(步骤S7)。
接着，推定部110通过使以似然度计算部108所计算出的各事件的似然度为元素的矢量与表存储部109所存储的表的值为元素的矩阵相乘，来得到以异常的发生要因的似然度为元素的矢量(步骤S8)。接着，推定部110按得到的矢量所表示的似然度的降序，对各发生要因进行排序(步骤S9)。然后，输出部111按排序的顺序输出推定部110所推定的发生要因(步骤S10)。例如，输出部111将似然度最高的发生要因显示于显示器，在通过利用者的操作而接受了下一发生要因的显示指令的情况下，将似然度次之最高的发生要因显示于显示器。此外，例如，输出部111按似然度的降序将发生要因的列表打印到纸上。
[作用、效果]
如此一来，根据第一实施方式，监视装置100计算燃气轮机T可能发生的多个事件各自的发生似然度，并基于表示事件与异常的发生要因的关系的表以及该似然度，来推定异常的发生要因。由此，监视装置100能基于所观测到的事件容易地输出异常的发生要因。
此外，第一实施方式的监视装置100通过使以各事件的发生似然度为元素的1行M列的矢量(vector)与以表的值为元素的M行N列的矩阵相乘，来得到以异常的发生要因的似然度为元素的N行1列的矢量。由此，监视装置100能通过简单的计算，容易地确定各异常的发生要因的似然度。需要说明的是，其他实施方式并不限于此。例如，其他实施方式的监视装置100也可以通过计算出以各事件的发生似然度为元素的1行M列的矢量和以表的值为元素的M行N列的矩阵的各行矢量的余弦相似度，来得到以异常的发生要因的似然度为元素的N行1列的矢量。需要说明的是，余弦相似度是将矢量的内积(各事件的发生似然度与该事件的发生次数的加权和)除以各矢量的范数的积而得到的值。例如，其他实施方式的监视装置100也可以不依赖矩阵计算，而按异常的发生要因来求出各事件的发生似然度与该事件的发生次数的加权和。
此外，第一实施方式的监视装置100通过热平衡计算来对包含输入至燃气轮机T的空气以及燃料的温度和流量、以及从燃气轮机T输出的排气的温度和流量的测量值进行校正，由此计算马氏距离。由此，监视装置100能减小设于燃气轮机T的传感器的测量误差来计算出马氏距离。需要说明的是，其他实施方式并不限于此。例如，其他实施方式的监视装置100也可以不校正测量值地计算马氏距离。此外，其他实施方式的监视装置100也可以按照基于马氏距离的异常判定方法以外的方法，判定燃气轮机T有无异常。
此外，根据第一实施方式，监视装置100以从燃气轮机T的运转开始时间点开始经过了规定的起动期间之后的时间点即起动后时间点所获取的测量值为各因子，以起动期间中所获取的测量值为单位空间，计算马氏距离。就是说，监视装置100以作为监视对象的燃气轮机T本身的正常的运转状态为单位空间，计算马氏距离。以往，作为马氏距离的单位空间，基于也包含超过起动期间发生劣化而未发生异常的运转状态、以及其他燃气轮机T的运转状态的单位空间，来计算马氏距离。另一方面，根据第一实施方式，基于仅包含作为监视对象的燃气轮机T本身的运转状态、即发生劣化以前的运转状态的单位空间，来计算马氏距离。由此，监视装置100能高精度地对监视对象的燃气轮机T进行异常的感测。
此外，第一实施方式的起动期间是以新品状态的运转开始时间点或定期检查结束后的运转开始时间点中最近的时间点为起始点的期间。就是说，每当定期检查时，马氏距离的单位空间就被更新。由此，能以燃气轮机T的定期检查后的正常的运转状态(初次为新品状态下的运转状态)为基准，进行燃气轮机T的异常的感测。在以新品状态、即无劣化的燃气轮机T的运转状态为单位空间的情况下，即使定期检查后的燃气轮机T的运转状态为正常状态，马氏距离也相对较大。这是因为难以通过定期检查来完全修复由燃气轮机T的使用引起的劣化。因此，通过以燃气轮机T的定期检查后的正常运转状态为基准来进行燃气轮机T的异常的感测，能高精度地判定运转状态。
此外，根据第一实施方式，监视装置100以测量值、校正测量值以及指令值为各因子来计算马氏距离。由此，在由于燃气轮机T的劣化等使热输入量与热输出量失去平衡的情况下，也能适当地评价燃气轮机T的状态。需要说明的是，其他实施方式的构成并不限于此。例如，其他实施方式的监视装置100也可以以校正测量值为各因子而不将测量值包含在各因子中来计算马氏距离。此外，其他实施方式的监视装置100也可以不将指令值包含在各因子中来计算马氏距离。
<第二实施方式>
以下，参照附图对第二实施方式进行详细说明。图4是表示第二实施方式的监视装置的构成的概略框图。
第二实施方式的监视装置100除了具备第一实施方式的构成以外，还具备事件提取部112，推定部110的动作与第一实施方式不同。事件提取部112从燃气轮机T可能发生的多个事件中提取似然度计算部108所计算出的似然度为规定的阈值以上的事件。推定部110在表存储部109所存储的表中对事件提取部112所提取的事件中发生次数为1次以上的事件的数量进行统计。推定部110将多个发生要因中所统计出的发生次数的数量相对较多的发生要因推定为燃气轮机T的异常的发生要因。具体而言，推定部110按发生次数的数量的降顺对各发生要因进行排序，并输出至输出部111。
通过具有上述构成，监视装置100能以比第一实施方式更简单的构成，基于所观测到的事件容易地输出异常的发生要因。
需要说明的是，关于各事件以及各发生要因，在发生由该发生要因引起的异常时，第二实施方式的表存储部109与第一实施方式同样，存储所确认到的该事件的次数，但并不限于此。例如，关于各事件以及各发生要因，在发生由该发生要因引起的异常时，其他实施方式的表存储部109可以相关联地存储表示是否确认到该事件的布尔值。在该情况下，推定部110在表存储部109所存储的表中，对事件提取部112所提取的事件中布尔值显示为True的事件的数量进行统计。推定部110将多个发生要因中所统计出的布尔值的数量相对较多的发生要因推定为燃气轮机T的异常的发生要因。<第三实施方式>
以下，参照图2对第三实施方式进行详细说明。
在第三实施方式的监视装置100中，表存储部109所存储的信息与第一实施方式不同。关于各事件以及各发生要因，在发生由该发生要因引起的异常时，第三实施方式的表存储部109相关联地存储确认到该事件的概率。该表例如能基于在运用燃气轮机T时由保养员生成的FTA的数据(FT)来生成。FT是以顶事件为最上层事件(root：根)、以作为上层事件的要因的下层事件为节点(node)的树结构。各节点之间，因该节点所表示的下层事件而发生该节点的正上层的节点所涉及的上层事件的概率建立关联。在该FT中，通过将与表示各事件的节点相关联的概率存储于表中，来生成表存储部109的表。
由此，推定部110计算似然度计算部108所计算出的各事件的发生似然度与此事件的发生概率的加权和，并基于该加权和来推定发生要因。具体而言，推定部110按似然度与发生概率的加权和的降序对各发生要因进行排序，并输出至输出部111。就是说，推定部110基于事件的先验概率(存储于表中的概率)和事件的观测结果(事件的发生似然度)来进行贝叶斯更新，求出发生要因的发生概率来做为后验概率。
如此一来，根据本实施方式，与第一实施方式或第二实施方式相比，能更高精度地基于所观测到的事件容易地输出异常的发生要因。
需要说明的是，关于各事件以及各发生要因，第三实施方式的监视装置100相关联地存储基于FT所确定的概率，但是并不限于此。例如，存储于其他实施方式的表中的概率也可以是在过去的燃气轮机T的运用中所计算出的各事件的发生似然度之和。
此外，第三实施方式的监视装置100也可以使用各事件的发生似然度与概率的加权和来做为发生要因的似然度，但是并不限于此。例如，其他实施方式的监视装置100也可以通过计算出以各事件的发生似然度为元素的1行M列的矢量和以表的值为元素的M行N列的矩阵的各行矢量的余弦相似度，来得到以异常的发生要因的似然度为元素的N行1列的矢量。
以上，参照附图对一个实施方式进行了详细说明，但是具体的构成并不限于上述构成，也可以进行各种设计变更等。
例如，上述的实施方式的对象装置为燃气轮机T，但是在其他实施方式中并不限于此。例如，其他实施方式的对象装置也可以是蒸汽轮机、发动机、或具有热能的输入和输出的其他装置。
此外，上述的实施方式的监视装置100的似然度计算部108基于马氏距离的SN比求出各事件的发生似然度，但是并不限于此。例如，其他实施方式的似然度计算部108也可以使用以获取部101所获取的测量值为输入的贝叶斯网络(Bayesian network)，来计算各事件的发生似然度。
图5是表示至少一个实施方式的计算机的构成的概略框图。
计算机900具备：CPU901、主存储装置902、辅助存储装置903、以及接口904。
上述监视装置100具备计算机900。然后，上述各处理部的动作以程序的形式存储于辅助存储装置903。CPU901从辅助存储装置903读出程序并使其在主存储装置902扩展，依据该程序来执行上述处理。此外，CPU901依据程序，在主存储装置902确保与上述各存储部对应的存储区域。
需要说明的是，在至少一个实施方式中，辅助存储装置903是非临时的有形介质的一个示例。作为非临时的有形介质的其他例子，可以列举出经由接口904连接的磁盘、磁光盘、光盘、半导体存储器等。此外，在该程序通过通信线路传送至计算机900的情况下，接收了传送的计算机900也可以将该程序在主存储装置902中扩展并执行上述处理。
此外，该程序也可以是用于实现所述功能的一部分的程序。而且，该程序也可以是通过与已存储于辅助存储装置903的其他程序组合来实现所述功能的所谓的差分文件(差分程序)。
工业上的可利用性
根据上述方案中的至少一个方案，监视装置基于对象装置的测量值来计算该对象装置可能发生的多个事件各自的发生似然度，并使用将事件与异常的发生要因建立关联的表来推定在对象装置所发生的异常的发生要因。由此，无论监视员的经验如何，
监视装置都能高精度地推定异常的发生要因。
符号说明
100 监视装置
101 获取部
102 特性值计算部
103 校正部
104 单位空间存储部
105 距离计算部
106 异常判定部
107 SN比计算部
108 似然度计算部
109 表存储部
110 推定部
111 输出部
112 事件提取部
T 燃气轮机

Claims (12)

1.一种监视装置，具备：
获取部，获取对象装置的测量值；
似然度计算部，基于所述获取部所获取的所述测量值来计算对象装置可能发生的多个事件各自的发生似然度；
表存储部，存储将所述多个事件与所述对象装置的异常的发生要因建立关联的表；以及
推定部，基于所述似然度和所述表来推定所述发生要因。
2.根据权利要求1所述的监视装置，其中，
所述表将所述发生要因、所述事件、以及所述发生要因所涉及的异常发生时确认到所述事件的次数建立关联，
所述推定部按所述发生要因来计算所述似然度与所述次数的加权和，并基于所述加权和来推定所述发生要因。
3.根据权利要求1所述的监视装置，其中，
所述表将所述发生要因、所述事件、以及表示所述发生要因所涉及的异常发生时是否确认到所述事件的值建立关联，
所述推定部基于所述似然度在规定的阈值以上且在所述表中被表示出已发生的所述事件的数量，来推定所述发生要因。
4.根据权利要求1所述的监视装置，其中，
所述表将所述发生要因、所述事件、以及所述发生要因所涉及的异常发生时所述事件的发生概率建立关联，
所述推定部按所述发生要因来计算所述似然度与所述概率的加权和，并基于所述加权和来推定所述发生要因。
5.根据权利要求1至4中任一项所述的监视装置，其中，
还具备：SN比计算部，计算所述获取部所获取的所述测量值的SN比，
所述似然度计算部基于所述SN比计算部所计算出的所述sN比来计算所述多个事件各自的似然度。
6.根据权利要求1至5中任一项所述的监视装置，其中，
还具备：距离计算部，基于所述测量值来计算马氏距离，
所述似然度计算部在所述马氏距离为规定值以上的情况下，计算所述多个事件各自的似然度。
7.根据权利要求6所述的监视装置，其中，
还具备：校正部，通过基于所述测量值的热平衡计算，来得到对所述测量值进行校正后的校正测量值，
所述测量值至少包含输入至所述对象装置的输入流体的温度和流量、以及从所述对象装置输出的输出流体的温度和流量，
所述距离计算部以所述校正测量值为各因子来计算所述马氏距离。
8.一种对象装置的监视方法，包括以下步骤：
获取对象装置的测量值；
基于所获取的所述测量值来计算对象装置可能发生的多个事件各自的发生似然度；以及
基于存储将所述多个事件与所述对象装置的异常的发生要因建立关联的表的表存储部和所述似然度，来推定所述发生要因。
9.根据权利要求8所述的对象装置的监视方法，其中，
所述表将所述发生要因、所述事件、以及所述发生要因所涉及的异常发生时确认到所述事件的次数建立关联，
按所述发生要因来计算所述似然度与所述次数的加权和，并基于所述加权和来推定所述发生要因。
10.根据权利要求8所述的对象装置的监视方法，其中，
所述表将所述发生要因、所述事件、以及表示所述发生要因所涉及的异常发生时是否确认到所述事件的值建立关联，
基于所述似然度在规定的阈值以上且在所述表中被表示出已发生的所述事件的数量，来推定所述发生要因。
11.根据权利要求8所述的对象装置的监视方法，其中，
所述表将所述发生要因、所述事件、以及所述发生要因所涉及的异常发生时所述事件的发生概率建立关联，
按所述发生要因来计算所述似然度与所述概率的加权和，并基于所述加权和来推定所述发生要因。
12.一种程序，用于使计算机执行以下步骤：
获取对象装置的测量值；
基于所获取的所述测量值来计算对象装置可能发生的多个事件各自的发生似然度；以及
基于存储将所述多个事件与所述对象装置的异常的发生要因建立关联的表的表存储部和所述似然度，来推定所述发生要因。
CN201780028983.1A 2016-06-01 2017-05-31 监视装置、对象装置的监视方法、以及存储介质 Active CN109154810B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2016110336A JP6432890B2 (ja) 2016-06-01 2016-06-01 監視装置、対象装置の監視方法、およびプログラム
JP2016-110336 2016-06-01
PCT/JP2017/020200 WO2017209167A1 (ja) 2016-06-01 2017-05-31 監視装置、対象装置の監視方法、およびプログラム

Publications (2)

Publication Number Publication Date
CN109154810A true CN109154810A (zh) 2019-01-04
CN109154810B CN109154810B (zh) 2021-04-16

Family

ID=60478560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780028983.1A Active CN109154810B (zh) 2016-06-01 2017-05-31 监视装置、对象装置的监视方法、以及存储介质

Country Status (8)

Country Link
US (1) US11442443B2 (zh)
JP (1) JP6432890B2 (zh)
KR (1) KR102202159B1 (zh)
CN (1) CN109154810B (zh)
DE (1) DE112017002780T5 (zh)
MX (1) MX2018013672A (zh)
PH (1) PH12018502379A1 (zh)
WO (1) WO2017209167A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113971263A (zh) * 2020-07-22 2022-01-25 三菱重工业株式会社 异常原因推定方法、异常原因推定装置及记录介质

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019183674A (ja) * 2018-04-03 2019-10-24 いすゞ自動車株式会社 内燃機関の診断装置
JP7132021B2 (ja) * 2018-08-07 2022-09-06 三菱重工業株式会社 通知装置、通知方法及びプログラム
JP6684038B1 (ja) * 2019-04-03 2020-04-22 株式会社日立パワーソリューションズ 予兆保全設備、予兆保全方法及び予兆保全プログラム
GB2594219A (en) * 2019-09-11 2021-10-20 Jgc Corp Plant maintenance management method and maintenance management system
CN115668085A (zh) 2020-06-12 2023-01-31 三菱重工业株式会社 成套设备监视装置、成套设备监视方法及程序

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005293169A (ja) * 2004-03-31 2005-10-20 Toshiba Corp プラント運転状態計算装置、プラントシミュレーション計算装置、プラント運用最適化システムと方法、プログラム
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
CN101779171A (zh) * 2008-02-27 2010-07-14 三菱重工业株式会社 工厂状态监视方法、工厂状态监视用计算机程序以及工厂状态监视装置
JP2011090382A (ja) * 2009-10-20 2011-05-06 Mitsubishi Heavy Ind Ltd 監視システム
CN102246111A (zh) * 2008-12-15 2011-11-16 斯奈克玛 航空器发动机中故障的识别
JP2016006594A (ja) * 2014-06-20 2016-01-14 三菱日立パワーシステムズ株式会社 プラント監視装置、プラント監視プログラム及びプラント監視方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3110060B2 (ja) 1991-03-04 2000-11-20 バブコック日立株式会社 異常事故原因診断方法
JPH0572004A (ja) * 1991-09-10 1993-03-23 Mitsubishi Heavy Ind Ltd プラントの異常診断装置
JPH0713617A (ja) * 1993-06-29 1995-01-17 Ishikawajima Harima Heavy Ind Co Ltd 不具合事象の原因推定方法
JPH11119823A (ja) * 1997-10-21 1999-04-30 Yaskawa Electric Corp 故障診断装置
JP2003310564A (ja) * 2002-04-22 2003-11-05 Fuji Xerox Co Ltd 脳波自動解析装置および方法
GB0216858D0 (en) * 2002-07-19 2002-08-28 Bae Systems Plc Fault diagnosis system
US20050096759A1 (en) * 2003-10-31 2005-05-05 General Electric Company Distributed power generation plant automated event assessment and mitigation plan determination process
JP4396286B2 (ja) * 2004-01-21 2010-01-13 三菱電機株式会社 機器診断装置および機器監視システム
JP4480019B2 (ja) 2005-04-28 2010-06-16 財団法人石油産業活性化センター 製油所監視システム
JP4881402B2 (ja) 2009-03-25 2012-02-22 株式会社東芝 リスク表示機能を有する工程管理システムの作動方法
US9753455B2 (en) * 2009-06-22 2017-09-05 Johnson Controls Technology Company Building management system with fault analysis
US8996334B2 (en) * 2011-03-02 2015-03-31 General Electric Company Method and system for analysis of turbomachinery
US10333613B2 (en) * 2014-06-26 2019-06-25 Bombardier Inc. Methods and apparatus for assisting in the maintenance of aircraft and other mobile platforms
JP6079761B2 (ja) 2014-12-04 2017-02-15 トヨタ自動車株式会社 運転支援装置、運転支援方法および運転支援プログラム
JP6770802B2 (ja) * 2015-12-28 2020-10-21 川崎重工業株式会社 プラント異常監視方法およびプラント異常監視用のコンピュータプログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005293169A (ja) * 2004-03-31 2005-10-20 Toshiba Corp プラント運転状態計算装置、プラントシミュレーション計算装置、プラント運用最適化システムと方法、プログラム
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
CN101779171A (zh) * 2008-02-27 2010-07-14 三菱重工业株式会社 工厂状态监视方法、工厂状态监视用计算机程序以及工厂状态监视装置
CN102246111A (zh) * 2008-12-15 2011-11-16 斯奈克玛 航空器发动机中故障的识别
JP2011090382A (ja) * 2009-10-20 2011-05-06 Mitsubishi Heavy Ind Ltd 監視システム
JP2016006594A (ja) * 2014-06-20 2016-01-14 三菱日立パワーシステムズ株式会社 プラント監視装置、プラント監視プログラム及びプラント監視方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113971263A (zh) * 2020-07-22 2022-01-25 三菱重工业株式会社 异常原因推定方法、异常原因推定装置及记录介质

Also Published As

Publication number Publication date
MX2018013672A (es) 2019-04-25
JP2017215863A (ja) 2017-12-07
US11442443B2 (en) 2022-09-13
KR20180137513A (ko) 2018-12-27
CN109154810B (zh) 2021-04-16
US20190187676A1 (en) 2019-06-20
WO2017209167A1 (ja) 2017-12-07
DE112017002780T5 (de) 2019-02-14
PH12018502379A1 (en) 2019-04-08
JP6432890B2 (ja) 2018-12-05
KR102202159B1 (ko) 2021-01-12

Similar Documents

Publication Publication Date Title
CN109154812A (zh) 监视装置、对象装置的监视方法、以及程序
CN109154810A (zh) 监视装置、对象装置的监视方法、以及程序
JP4361582B2 (ja) ガスタービンの性能診断方法及び性能診断システム
CN112424715B (zh) 预测装置、预测方法及记录介质
US8751423B2 (en) Turbine performance diagnostic system and methods
WO2011089649A1 (ja) 診断装置及び診断方法
JP2009041565A (ja) モデルベースのセンサ障害検出及び分離用システム及び方法
JP2011090382A (ja) 監視システム
CN109073508A (zh) 测试涡轮单元期间的故障诊断
JP6302755B2 (ja) プラント診断用データ作成システム
WO2019124367A1 (ja) 単位空間生成装置、プラント診断システム、単位空間生成方法、プラント診断方法、及びプログラム
CN114051581B (zh) 成套设备监视装置、成套设备监视方法及存储介质
US20230212980A1 (en) Plant monitoring device, plant monitoring method, and program
Zwingenberg et al. Generation of Turbine Maps Using a Fusion of Validated Operational Data and Streamline Curvature Method
KR20230147683A (ko) 플랜트 감시 방법, 플랜트 감시 장치 및 플랜트 감시 프로그램
CN114761892A (zh) 成套设备监视装置、成套设备监视方法及程序

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: Kanagawa Prefecture, Japan

Applicant after: Mitsubishi Power Co., Ltd

Address before: Kanagawa Prefecture, Japan

Applicant before: MITSUBISHI HITACHI POWER SYSTEMS, Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant