成套设备的诊断装置以及诊断方法
技术领域
本公开涉及用于基于成套设备的运转状态对成套设备进行诊断的成套设备的诊断装置以及诊断方法。
背景技术
在燃气轮机发电成套设备、核发电成套设备或者化学成套设备这样的各种成套设备中,为了监视成套设备是否在正常地运转,取得并监视温度、压力这样的成套设备的状态量。在成套设备的监视中,需要监视多个状态量(监视数据),此外,需要熟练监视状态量的趋势来判定成套设备是否在正常地运转。
因此,以往,存在如下的成套设备的监视技术,通过将称为MT法(马哈拉诺比斯距离(mahalanobis distance))的图案识别技术应用于成套设备的监视,即使监视的状态量为多个,也能够比较简单地监视成套设备的运转状态(例如,专利文献1)。在该MT法中,基于多变量数据将正常的集团定义为单位空间,求取对象数据与单位空间的距离(马哈拉诺比斯距离)并判定异常。由此,能够仅通过马哈拉诺比斯距离这一个指标来综合地诊断成套设备。此外,MT法与根据各种运转参数是否在管理值以内进行诊断的方法相比,能够在设备的损坏发展之前早期检测异常,能够将设备的损坏防患于未然或者抑制为最小限度。另外,在专利文献1中记载了如下内容,即,单位空间的平均值为1,在燃气轮机发电成套设备的状态量为正常的状态下,马哈拉诺比斯距离大致为4以下,但是,若燃气轮机发电成套设备的状态量异常,则马哈拉诺比斯距离的值根据异常的程度(远离单位空间的程度)而变大。
另外,在专利文献2中,公开了一种成套设备的诊断装置,其使用测量了正常状态时的成套设备的各种状态的测量信号,通过聚类技术事先构建几个数据组(诊断模型),在处理进行诊断的时刻的测量信号时,在不被分类为上述数据组的情况下,诊断为异常。若在成套设备中发生异常,则测量信号的特性与正常状态不同,因此成为利用了在使用正常状态的测量信号构建的数据组中没有被分类为诊断的异常状态时的测量信号这样的特性的诊断。
在先技术文献
专利文献
专利文献1:国际公开第2009/107805号公报
专利文献2:日本特开2015-103218号公报
发明内容
发明要解决的课题
然而,为了检测成套设备的异常,监视的状态量较多,且在基于MT法的成套设备的监视中,异常的检测精度存在极限。此外,由于马哈拉诺比斯距离的管理值(阈值)是根据经验设定的,因此通过马哈拉诺比斯距离的管理值,在设备的损坏等进展到某个程度等之后检测到异常状态。因此,期望提高成套设备的异常的检测精度,并且进一步提高更早期地检测异常的征兆等异常检测能力。
鉴于上述情况,本发明的至少一个实施方式的目的在于,提供一种提高异常的检测能力的成套设备的诊断装置。
用于解决课题的手段
(1)本发明的至少一个实施方式所涉及的成套设备的诊断装置是一种用于基于成套设备的运转状态对所述成套设备进行诊断的成套设备的诊断装置,具备:
监视数据取得部,取得测量时期相互不同的多个监视数据,该监视数据为与所述成套设备的所述运转状态有关的参数的测量值;
诊断对象图案创建部,创建诊断对象图案,该诊断对象图案为为对所述成套设备的成套设备输出数据绘制了所述多个监视数据中的各个的绘制图案;以及
图案诊断部,基于所述诊断对象图案具有的所述绘制图案对所述成套设备进行诊断。
根据上述(1)的结构,创建表示沿着时间轴进行测量那样的多个监视数据和成套设备的输出数据(例如,如果是发电成套设备,则为发电输出数据)的关系的诊断对象图案,基于诊断对象图案具有的绘制图案(绘制的集合形状),进行成套设备的诊断。本发明者们发现,在成套设备中产生异常的情况下,上述诊断对象图案具有与正常时不同的绘制图案。也就是说,发现在成套设备中发生任何异常的情况下,能够判定成套设备的异常的特征性的绘制图案(稍后叙述的异常特征绘制图案)至少部分地出现在诊断对象图案中。因此,能够基于诊断对象图案具有的绘制图案进行成套设备的诊断。
此外,例如,在通过将监视数据与基于经验等设定的异常判定阈值进行比较从而对成套设备进行诊断的方法中,即使实际发生异常,除非监视数据不超过异常判定阈值,否则就无法检测到异常。此外,由于监视数据的值会根据异常的发生而推移,且终于在超过异常判定阈值时被检测到,因此也有在异常检测之前需要较长时间的情况。但是,如上所述,通过基于诊断对象图案具有的绘制图案进行诊断,即使在实际发生异常但监视数据未超过异常判定阈值那样的情况下也能够检测到异常。因此,通过基于诊断对象图案具有的绘制图案对成套设备进行诊断,从而能够实现成套设备的异常的检测精度的提高、更早期地检测到异常的征兆并从异常发生到检测所需的时间的缩短等、能够显著地提高异常检测能力。
(2)在一些实施方式中,在上述(1)的结构中,
所述图案诊断部具有异常诊断部,其在判定为所述诊断对象图案具有预定的异常特征绘制图案的情况下,诊断为所述成套设备异常,所述异常特征绘制图案为能够判定所述成套设备是否异常的特征性的绘制图案。
根据上述(2)的结构,通过判定诊断对象图案是否具有预定的异常特征绘制图案,从而能够检测到成套设备的异常。
(3)在一些实施方式中,在上述(2)的结构中,
在所述诊断对象图案具有相对于所述异常特征绘制图案表示给定以上的相似度的绘制图案的情况下,所述异常诊断部判定为所述诊断对象图案具有所述异常特征绘制图案。
根据上述(3)的结构,能够基于相似度判定诊断对象图案是否具有异常特征绘制图案。
(4)在一些实施方式中,在上述(1)~(3)的结构中,
还具备运转图案分类部,其根据预定的所述成套设备的运转图案对所述多个监视数据中的每一个进行分类,
所述诊断对象图案创建部按每个所述运转图案创建所述诊断对象图案。
根据上述(4)的结构,基于诊断对象图案具有的每个运转图案的绘制图案,对成套设备的异常进行诊断。通过进行基于按运转图案的诊断对象图案的诊断,能够避免由想要进行诊断的运转图案形成的绘制图案被属于除此之外的其他的运转图案的多个监视数据掩埋,并能够可靠地使异常特征绘制图案出现。因此,能够实现诊断精度的进一步提高。
(5)在一些实施方式中,在上述(4)的结构中,
还具备阈值诊断部,其基于所述多个监视数据中的每一个和阈值的比较对所述成套设备进行诊断。
根据上述(5)的结构,成套设备的诊断方法具备图案诊断部和基于阈值范围来对成套设备进行诊断的阈值诊断部。由此,能够实现成套设备的异常的更可靠的检测。即,在上述图案诊断部中,即使诊断对象图案具有异常特征绘制图案,在该异常特征绘制图案被认知为表示异常之前也无法检测到异常,但是即使是这种异常,也能够通过阈值诊断部进行检测。
(6)在一些实施方式中,在上述(5)的结构中,
还具备诊断对象图案存储部,其在所述图案诊断部中的诊断结果不是异常的情况下,并且由所述阈值诊断部判定为异常的情况下,存储按每个所述运转图案创建的所述诊断对象图案。
根据上述(6)的结构,针对由阈值诊断部检测到的异常,存储(保存)由图案诊断部未检测到的诊断对象图案。由此,通过基于这种诊断对象图案利用例如机械学习等对异常特征绘制图案进行学习,从而能够提高图案诊断部的诊断精度,且能够实现成套设备的诊断精度的提高。
(7)在一些实施方式中,在上述(4)~(6)的结构中,
所述成套设备包括多个设备,
基于包括所述多个设备中的至少一个的对象设备的运行状态,设定所述运转图案。
根据上述(7)的结构,基于从构成成套设备的多个设备中选择的对象设备(例如,锅炉、至少一个磨机装置、吹灰器等)的运行状态的组合等,确定至少一个运转图案。这样,通过基于对象设备的运行状态确定至少一个运转图案,从而能够在异常时创建具有异常特征绘制图案那样的诊断对象图案。
(8)在一些实施方式中,在上述(1)~(7)的结构中,
所述成套设备是包括发电机的发电成套设备。
根据上述(8)的结构,能够提供能够进行发电成套设备的诊断的成套设备的诊断方法。
(9)本发明的至少一个实施方式所涉及的成套设备的诊断方法是用于基于成套设备的运转状态对所述成套设备进行诊断的成套设备的诊断方法,包括:
监视数据取得步骤,取得测量时期相互不同的多个监视数据,该监视数据是与所述成套设备的所述运转状态有关的参数的测量值;
诊断对象图案创建步骤,创建诊断对象图案,该诊断对象图案为对所述成套设备的成套设备输出数据绘制了所述多个监视数据中的各个的绘制图案;以及
诊断步骤,基于所述诊断对象图案具有的所述绘制图案对所述成套设备进行诊断。
根据上述(9)的结构,能够起到与上述(1)同样的效果。
(10)在一些实施方式中,在上述(9)的结构中,
所述图案诊断步骤具有异常诊断步骤,在该异常诊断步骤中,在判定为所述诊断对象图案具有预定的异常特征绘制图案的情况下,诊断为所述成套设备异常,所述异常特征绘制图案为能够判定所述成套设备是否异常的特征性的绘制图案。
根据上述(10)的结构,能够起到与上述(2)同样的效果。
(11)在一些实施方式中,在上述(10)的结构中,
在所述异常诊断步骤中,在所述诊断对象图案具有相对于所述异常特征绘制图案表示给定以上的相似度的绘制图案的情况下,判定为所述诊断对象图案具有所述异常特征绘制图案。
根据上述(11)的结构,能够起到与上述(3)同样的效果。
(12)在一些实施方式中,在上述(9)~(11)的结构中,
还具备监视数据分类步骤,在该监视数据分类步骤中,根据预定的所述成套设备的运转图案对所述多个监视数据中的每一个进行分类,
在所述诊断对象图案创建步骤中,按每个所述运转图案创建所述诊断对象图案。
根据上述(12)的结构,能够起到与上述(4)同样的效果。
(13)在一些实施方式中,在上述(12)的结构中,
还具备阈值诊断步骤,在该阈值诊断步骤中,基于所述多个监视数据中的每一个和阈值的比较对所述成套设备进行诊断。
根据上述(13)的结构,能够起到与上述(5)同样的效果。
(14)在一些实施方式中,在上述(13)的结构中,
还具备诊断对象图案存储步骤,在该诊断对象图案存储步骤中,在所述图案诊断步骤中的诊断结果不是异常的情况下,并且在所述阈值诊断步骤中判定为异常的情况下,存储按每个所述运转图案创建的所述诊断对象图案。
根据上述(14)的结构,能够起到与上述(6)同样的效果。
(15)在一些实施方式中,在上述(12)~(14)的结构中,
所述成套设备包括多个设备,
基于包括所述多个设备中的至少一个的对象设备的运行状态,设定所述运转图案。
根据上述(15)的结构,能够起到与上述(7)同样的效果。
(16)在一些实施方式中,在上述(9)~(15)的结构中,
所述成套设备是包括发电机的发电成套设备。
根据上述(16)的结构,能够起到与上述(8)同样的效果。
发明效果
根据本发明的至少一个实施方式,提供一种提高异常的检测能力的成套设备的诊断装置。
附图说明
图1是概略地示出本发明的一个实施方式所涉及的成套设备的结构的图。
图2是示出本发明的一个实施方式所涉及的成套设备的诊断装置的图。
图3是与本发明的一个实施方式所涉及的成套设备的运转状态有关的参数的时间序列图表的例示,参数为磨机装置的出口温度。
图4是本发明的一个实施方式所涉及的发电输出(成套设备输出)的时间序列图表。
图5是本发明的一个实施方式所涉及的诊断对象图案,是基于图3创建的。
图6是示出与图5的诊断对象图案对应的正常时的绘制图案的图。
图7是作为与本发明的一个实施方式所涉及的成套设备的运转状态有关的参数的GV-LH控制要求比例(%)的诊断对象图案(异常时)的例示。
图8是示出本发明的一个实施方式所涉及的按运转图案的诊断对象图案的图,且是按运转图案表示图5的诊断对象图案的图。
图9是示出与图8的诊断对象图案对应的正常时的绘制图案的图,且是按运转图案表示图6的图。
图10是作为与本发明的一个实施方式所涉及的成套设备的运转状态有关的参数之一的主蒸汽压力的诊断对象图案(异常时)的例示。
图11是示出本发明的一个实施方式所涉及的成套设备的诊断方法的图。
具体实施方式
以下,参照附图对本发明的一些实施方式进行说明。然而,作为实施方式记载的或者附图所示的构成部件的尺寸、材质、形状、其相对配置等并不是将本发明的范围限定于此的意思,只不过是单纯的说明例。
例如,表示“在某个方向上”、“沿着某个方向”、“平行”、“正交”、“中心”、“同心”或者“同轴”等相对或者绝对的配置的表达不仅严格表示那样的配置,而且还表示以公差或取得相同的功能的程度的角度、距离来相对地进行位移的状态。
例如,表示“相同”、“相等”以及“均质”等事物是相等状态的表达不仅严格表示相等的状态,而且还表示存在公差或取得相同的功能的程度差的状态。
例如,表示四边形状、圆筒形状等形状的表达不仅表示几何学上严格意义上的四边形状、圆筒形状等形状,而且还表示在取得相同的效果的范围内包括凹凸部、倒角部等的形状。
另一方面,“具备”、“具有”、“配备”、“包括”或者“具有”一个结构要素这样的表达不是排除其他的结构要素的存在的排他性的表达。
图1是概略地示出本发明的一个实施方式所涉及的成套设备1的结构的图。图1所示的成套设备1例示了一般的火力发电成套设备(发电成套设备),通过锅炉2中的燃料的燃烧,将主蒸汽供给到蒸汽涡轮3并进行旋转驱动,通过蒸汽涡轮3的旋转驱动使发电机32驱动从而取得发电输出,所述主蒸汽是对在设置于锅炉2的内部的导热管41等中流动的流体进行加热而生成的。而且,为了将发电输出送到消耗场所,在由主变压器11转换为高的电压之后,经由开闭器12送到送电线13。
更详细地,在图1所示的实施方式中,从煤储存站21通过传送带22放入煤仓23的煤(燃料)经过给煤机24、磨机装置25(微粉炭机)并通过微粉煤管26供给到燃烧器27,并且通过推入式通风机28将空气(二次空气)通过二次空气供给管29供给到锅炉2,从而进行锅炉2中的燃烧。
此外,在由锅炉2的内部的导热管41生成的主蒸汽通过主蒸汽管42将蒸汽涡轮3旋转驱动之后,导入冷凝器31,在冷凝器31中,由通过循环水泵33并经过冷却水供给管34供给到冷凝器31的冷却水来进行冷却。之后,从冷凝器31由冷凝泵35汲取,并通过给水管31p,经过给水管31p中设置的低压给水加热器36、脱气器37、给水泵38、高压给水加热器39,循环到导热管41。再热器43也设置在锅炉2的内部,来自蒸汽涡轮3的主蒸汽通过再热蒸汽管44由再热器43进行再加热,并再次供给到蒸汽涡轮3。此外,在锅炉2中,设置有除去附着在导热管41、再热器43等热交换器上的煤、灰尘的吹灰器45。
另一方面,由锅炉2中的燃料的燃烧产生的废气被吸附通风机17吸入,经过烟道14中设置的、从废气中除去氮氧化物的脱硝装置15、除去废气中的煤尘的电集尘器16、用于除去除尘后的废气中的硫黄氧化物的脱硫装置18进行无害化后,从烟囱19排出到大气中。此外,由锅炉2产生的灰从锅炉2的底部排出之后,通过熟料料斗46并被送到灰处理设备47,之后排出到外部,此外,由电集尘器16收集的灰尘也被送到灰处理设备47,之后被排出到外部。
这样,发电成套设备等成套设备1由多个设备(11~44)构成,通过多个设备中的每一个正常运转,从而例如如果是发电成套设备,则取得发电输出(发电机32的输出)这样的成套设备输出。然而,成套设备1也可以由一个设备构成。
此外,成套设备1的至少一个参数(状态量)例如以一分钟的间隔这样的任意的周期由传感器等状态量监视手段测量(监视),且用于成套设备1的控制,并且用于成套设备1的运转状态的监视。作为参数,例如,在锅炉2中为蒸汽以及压力的各个温度、压力、流量等。此外,在蒸汽涡轮3中为振动、转速、阀、减震器的开度等。在推入式通风机28、吸附通风机17中为驱动马达M的电流、电压、温度等。在发电机32中为润滑油的温度、压力、其输出的电力、电压、有效电力、无效电力、频率等。在烟道14中流动的SOx、NOx、O2的浓度等也是参数。另外,在图1所示的实施方式中,磨机装置25、吹灰器45、煤仓23这样的设备、阀的开/关信号等也作为参数进行测量(监视)。
而且,如图1所示,成套设备1具备成套设备1的诊断装置5(以下,仅称为诊断装置5。)。诊断装置5是用于基于成套设备1的运转状态对成套设备1进行诊断的装置,在图1所示的实施方式中,诊断装置5设置在中央控制室等在距离上远离成套设备1的场所。使用图2~图7对诊断装置5进行说明。图2是示出本发明的一个实施方式所涉及的成套设备1的诊断装置5的图。图3是与本发明的一个实施方式所涉及的成套设备1的运转状态有关的参数的时间序列图表的例示,参数为磨机装置25的出口温度。图4是本发明的一个实施方式所涉及的发电输出(成套设备输出)的时间序列图表。图5是本发明的一个实施方式所涉及的诊断对象图案Dp,是基于图3创建的。图6是示出与图5的诊断对象图案Dp对应的正常时的绘制图案F(Fn)的图。此外,图7是作为与本发明的一个实施方式所涉及的成套设备1的运转状态有关的参数的GV-LH控制要求比例(%)的诊断对象图案Dp(异常时)的例示。
如图2所示,诊断装置5具备监视数据取得部51、诊断对象图案创建部53以及图案诊断部54。对这些功能部进行说明。另外,诊断装置5可以由计算机构成,具备未图示的CPU(处理器)、ROM、RAM这样的存储器、辅助存储装置(存储装置Md)、外部通信接口。而且,通过CPU根据加载到主存储装置的程序(成套设备1的诊断程序)的命令进行操作(数据的运算等),从而实现上述各功能部。
监视数据取得部51取得测量时期相互不同的多个监视数据D(参照图3),该监视数据D是与成套设备1的运转状态有关的参数(状态量)的测量值。也就是说,监视数据D是通过上述状态量监视手段沿着时间轴测量的测量值进行数据化所取得的数据,监视数据取得部51将与至少一个参数有关的监视数据D取入装置(程序)内部。例如,多个监视数据D可以预先存储在诊断装置5具备的存储装置Md中,监视数据取得部51可以从存储装置Md中读取例如设定为一天、三天、一个月等任意的给定期间相应量的数据并取入程序内部。或者,监视数据取得部51也可以经由外部通信接口取得给定期间相应量的多个监视数据D。另外,上述给定期间可以通过操作诊断装置5(诊断程序)的操作者的要求(操作)来指定。另外,参数的测量值也可以在实施了移动平均、低通滤波器等的信号处理(预处理)的基础上再进行数据化。此外,监视数据取得部51也可以从与多种参数有关的监视数据D中仅过滤(预处理)并取得与所需的参数有关的监视数据D(例如,稍后叙述的磨机装置25的出口温度等)。
此外,若沿着图3所示的时间序列进行绘制,则监视数据取得部51取得的多个监视数据D随着时间的经过而变化。图3的例示是对作为参数之一的磨机装置25的出口温度(℃)的约一个月的监视数据D以时间序列进行绘制而取得的例示。另外,图3的例示与成套设备1的运转状态为异常时的情况对应,稍后叙述的、磨机装置25的出口温度低于用于检测异常的管理值(上限阈值Tu)。
诊断对象图案创建部53创建诊断对象图案Dp(参照图5),该诊断对象图案Dp是将多个监视数据D中的每一个相对于发电输出数据(成套设备输出数据)进行绘制所取得的绘制图案F。作为前提,图3所示那样的给定期间相应量的多个监视数据D中的每一个与测量时期与该每一个监视数据D一致的发电输出数据(例如兆瓦)相关联。也就是说,将测量时期、监视数据D以及发电输出数据作为一个记录,例如创建记录集,该记录集是收集给定期间相应量的、伴随着周期性的参数测量而生成的该记录所获的记录集,基于该记录集,诊断对象图案创建部53将与单一种类的参数(例如,稍后叙述的磨机装置25的出口温度等)有关的多个监视数据D相对于发电输出进行绘制,从而创建诊断对象图案Dp。
更具体地,也可以通过将测量时期作为关键来将测量时期相关联的监视数据D(图3)和测量时期相关联的发电输出数据(图4)进行关联,从而创建上述记录集。该记录集可以由诊断对象图案创建部53创建,也可以由诊断对象图案创建部53接收由其他的功能部(例如未图示的记录集创建部)创建的记录集。对于参数和发电输出各自的测量时期,如果能够合理地视为两者测量定时对应,则即使两者的测量时期存在偏差,也视为一致。
这样创建的诊断对象图案Dp能够显示为散点图,该散点图例如将图5中所例示那样的横轴作为发电输出,将纵轴作为监视数据D。也就是说,在图5中,散点图中的所有的绘制的集合的形状(几何学形状)是绘制图案F,该绘制图案F整体是接受诊断的诊断对象图案Dp。另外,在本说明书中,指绘制图案F整体中的至少一部分的形状,也称为绘制图案F。而且,诊断对象图案Dp按每个参数的种类创建的诊断对象图案,图5中所例示的诊断对象图案Dp是相对于发电输出对磨机装置25的出口温度进行绘制并创建所取得的诊断对象图案。
图案诊断部54基于诊断对象图案Dp具有的绘制图案F对成套设备1进行诊断。即,图案诊断部54基于诊断对象图案Dp整体的绘制图案F、诊断对象图案Dp具有的部分的绘制图案F(缩写为图案部分),对成套设备1的运转状态是正常还是异常进行诊断。这是因为,本发明者发现,在成套设备1中产生异常的异常时,上述诊断对象图案Dp具有成套设备1的运转状态与正常的正常时不同的绘制图案F。也就是说,发现在成套设备1中发生任何异常的情况下,能够判定成套设备1的异常的特征性的绘制图案F(稍后叙述的异常特征绘制图案Fx)至少部分地出现在诊断对象图案Dp中,在本发明中,基于诊断对象图案Dp具有的绘制图案F进行成套设备1的诊断。
例如,图5所示的诊断对象图案Dp是基于在成套设备1中发生的某种异常的异常时的磨机装置25的出口温度(参数)的监视数据D而创建的诊断对象图案Dp。而且,图5的诊断对象图案Dp具有绘制图案F,并具有向下凸出那样的图案部分(第一异常时图案部分Fxa),该绘制图案F在发电输出大概为W2之前,温度大致在T1附近,并且在发电输出大概为W2~W4之间,温度相对于发电输出直线状地增加到温度T3附近。
与此相对,如图6所示,成套设备1的运转状态与正常时的磨机装置25的出口温度有关的绘制图案F(正常时图案Fn)具有绘制图案F,并具有向上凸出那样的图案部分(第一正常时图案部分Fna),在该绘制图案F中,在发电输出为0~W1之间,伴随着发电输出的增加,温度以对数函数状急剧地上升到T3,并且在发电输出大概为W1~W3之间,温度在T3附近。
另外,上述发电输出的值的关系为W1<W2<W3<W4,温度的关系为T1<T2(稍后叙述)<T3。此外,正常时图案Fn也可以存储在存储装置Md中。
而且,若将诊断对象图案Dp(图5)与正常时图案Fn(图6)进行比较,则不能说上述第一异常时图案部分Fxa(向下为凸状)与图6的第一正常时图案部分Fna(向上为凸状)相似,且由于该部分,即使整体上将绘制图案F进行比较,也不能说相似。这样,将诊断对象图案Dp例如与成套设备1为正常的情况下的绘制图案F(散点图)的正常时图案Fn(图6)进行比较,在诊断对象图案Dp相对于正常时图案Fn表示给定以上的相似度的情况下,能够判定为成套设备1正常(成套设备1的运转状态正常)。此外,如稍后所述,在判定为诊断对象图案Dp具有稍后叙述的异常特征绘制图案Fx的情况下,能够判定为成套设备1异常(成套设备1的运转状态异常)。
此外,例如,如图6所示,在正常时图案Fn的外形的外侧,将管理值Ts(阈值)设定为包围正常时绘制图案,在诊断对象图案Dp的外形超过该管理值并突出到外侧的情况下,也能够判定为异常。通过该方法,也能够判定图5的诊断对象图案Dp与正常时图案Fn不同,在不同的情况下,视为诊断对象图案Dp具有异常特征绘制图案Fx。该管理值也可以设为沿着诊断对象图案Dp的外形(参照图6)。此外,也可以阶段性地设定两个以上的多个管理值。具体地,也可以将最内侧的管理值作为第一管理值,将设为包围第一管理值的外侧的管理值作为第二管理值,以是否超过第一管理值、第二管理值等,判定异常的进展程度。在该情况下,图6的上限阈值Tu成为最终管理值。
若将上述诊断装置5的诊断例如与如下方法进行比较,该方法为通过将监视数据D与基于经验等设定的异常判定阈值(例如上限阈值Tu)进行比较从而诊断成套设备1的方法,则在比较对象的诊断方法中,即使实际发生异常,除非监视数据D不超过异常判定阈值,否则无法检测到异常。此外,由于监视数据D的值会根据异常的发生而推移,且终于在超过异常判定阈值时被检测到,因此也有在异常检测之前需要较长时间的情况。但是,如上所述,通过基于诊断对象图案Dp具有的绘制图案F进行诊断,即使在实际发生异常但监视数据D未超过异常判定阈值(图5的T1)那样的情况下也能够检测到异常。
因此,通过基于诊断对象图案Dp具有的绘制图案对成套设备1进行诊断,从而能够实现成套设备1的异常的检测精度的提高、更早期地检测到异常的征兆并从异常发生到检测所需的时间的缩短等、能够显著地提高异常检测能力。
此外,在一些实施方式中,如图5、图7所示,上述图案诊断部54具有异常诊断部55,该异常诊断部55在判定为诊断对象图案Dp具有预定的异常特征绘制图案Fx的情况下,诊断为成套设备1异常,该异常特征绘制图案Fx是能够判定成套设备1是否异常的特征性的绘制图案F。例如,图5的例示中的异常特征绘制图案Fx是成为与正常时图案Fn的对应的部分(第一正常时图案部分Fna)不同的部分的、向下凸出那样的图案部分(第一异常时图案部分Fxa),且成为包括该第一异常时图案部分Fxa的整个绘制图案F(Fx)。另外,异常特征绘制图案Fx也可以存储在存储装置Md中。
若例示其他的异常特征绘制图案Fx,则可列举图7。图7是作为与本发明的一个实施方式所涉及的成套设备1的运转状态有关的参数的GV-LH控制要求比例(%)诊断对象图案Dp(异常时)的例示。也就是说,图7是基于在成套设备1中发生某种异常的异常时的GV-LH控制要求比例(参数)的监视数据D创建的诊断对象图案Dp。如图所示,图7的诊断对象图案Dp(异常特征绘制图案Fx)具有鳄鱼的嘴巴那样的绘制图案F(第二异常时图案部分Fxb),并具有作为包括其他的部分的整体而像鳄鱼张开嘴巴那样的绘制图案F,在该鳄鱼的嘴巴那样的绘制图案F中,在发电输出小的区域(在图7中,W5以下的区域)中,纵轴的值相对于相同的发电输出不同从而被分为两部分。可以看出,在成套设备1的正常时图案Fn(未图示)中,未出现相当于上述鳄鱼的嘴巴的图案部分(Fxb)。因此,能够在诊断对象图案Dp具有相当于鳄鱼的嘴巴的绘制图案(Fxb)的情况下,将成套设备1诊断为异常。
根据上述结构,通过判定诊断对象图案Dp是否具有预定的异常特征绘制图案Fx,从而能够检测到成套设备1的异常。
此外,在一些实施方式中,在诊断对象图案Dp具有相对于异常特征绘制图案Fx表示给定以上的相似度的绘制图案F的情况下,上述异常诊断部55判定为诊断对象图案Dp具有异常特征绘制图案Fx。例如,也可以使用公知的图案匹配技术来进行比较,在该公知的图案匹配技术中,对于诊断对象图案Dp具有的绘制图案F所具有的几何学形状和异常特征绘制图案Fx、正常时图案Fn(前述)的几何学形状能够以给定的相似度进行一致、不一致的判定。这样,通过将相似度作为基准进行判定,从而能够实现判定的可靠性的提高。
根据上述结构,能够基于相似度判定诊断对象图案Dp是否具有异常特征绘制图案Fx。
此外,在一些实施方式中,如图2所示,诊断装置5还可以具备运转图案分类部52,其根据预定的成套设备1的运转图案Op对多个监视数据D中的每一个进行分类。而且,上述诊断对象图案创建部53按每个运转图案Op创建诊断对象图案Dp。也就是说,在本实施方式中,使用属于相同的运转图案Op的监视数据D,按每个运转图案Op创建诊断对象图案Dp,从而进行成套设备1的诊断。
具体地,运转图案分类部52也可以通过将运转图案Op的识别符与给定期间相应量的监视数据D中的每一个进行相关联,从而将多个监视数据D分类为运转图案Op。在该情况下,上述一个记录包括测量时期、监视数据D、发电输出数据、运转图案识别符。而且,诊断对象图案创建部53使用运转图案识别符相同的记录,按每个运转图案Op创建诊断对象图案Dp。另外,运转图案Op包括第一运转图案Opa等至少一个运转图案Op。
另外,例如,如果能够通过符号划分、颜色划分(参照稍后叙述的图8)等能够按每个运转图案Op识别诊断对象图案Dp,则即使一同表示所有的运转图案Op的诊断对象图案Dp,诊断对象图案Dp也是按每个运转图案Op创建的诊断对象图案。也可以在输出到显示器等输出装置的情况下,能够仅输出与操作者的要求(操作)相应的运转图案Op(显示)、仅输出异常特征绘制图案Fx。
使用图8~图9对运转图案Op进行说明。图8是示出本发明的一个实施方式所涉及的按运转图案Op的诊断对象图案Dp的图,且是以运转图案Op表示图5的诊断对象图案Dp的图。此外,图9是示出与图8的诊断对象图案对应的正常时的绘制图案的图,且是按运转图案表示图6的图。如图8~图9所示,在一些实施方式中,可以基于成套设备1的运转状态来设定运转图案Op。在图8~图9所示的实施方式中,运转图案Op设有成套设备1的起动时(StartUp)、负载变化时(Load Fluctuation)、负载恒定时(Stable Load)、停止时(Shut Down)这四个。而且,通过将多个监视数据D分类为运转图案Op,并基于每个运转图案Op的诊断对象图案Dp进行诊断,从而能够进一步提高诊断精度。
详细进行叙述,在成套设备1正常时,若仅着眼于负载变化时的运转图案Op,则如图9所示,与磨机装置25的出口温度有关的绘制图案F具有绘制图案F(第三正常时图案部分Fnc),该绘制图案F由发电输出(横轴)在W2附近且出口温度在T4附近稍微分散的图案部分、和在发电机输出W2~W3之间温度在T4处大致恒定的图案部分构成。
与此相对,可知图8的诊断对象图案Dp具有绘制图案F(第三异常时图案部分Fxc),且与正常时图案Fn(图9)的对应的部分不同,该绘制图案F具有通过在发电输出(横轴)大概在W2~W3之间,取出口温度相对于相同的发电输出相互离开的两个值,从而包围空间这样的形状。也就是说,与磨机装置25的出口温度有关的诊断对象图案Dp能够对在负载变化时的运转图案Op中的诊断对象图案Dp中是否具有上述第三异常时图案部分Fxc进行诊断。
然而,在没有按每个运转图案Op创建诊断对象图案Dp的情况下,如图5所示,虽然在视觉上识别出与异常特征绘制图案Fx相似的形状,该异常特征绘制图案Fx被分为两部分使得发电机输出在W2~W3之间包围上述空间,但是无法判别该形状仅由属于负载变化时的运转图案Op的监视数据D形成。假如在图5中的发电输出在W2~W3之间的形状由属于其他的运转图案Op的监视数据D形成的情况下,可能导致根据该形状诊断为异常的误诊断。因此,通过基于每个运转图案Op的诊断对象图案Dp进行诊断,从而能够进一步提高诊断精度。
若例示其他的每个运转图案Op的诊断对象图案Dp,则可列举图10。图10是作为与本发明的一个实施方式所涉及的成套设备1的运转状态有关的参数之一的主蒸汽压力的诊断对象图案(异常时)的例示。也就是说,图10是基于在成套设备1中发生某种异常的异常时的主蒸汽压力的监视数据D创建的诊断对象图案Dp。如图10所示,负载恒定时(StableLoad)的运转图案Op的诊断对象图案Dp由于在发电输出为W6且主蒸汽压力为P1~P2(P1<P2)的范围内产生偏差,从而具有线状的绘制图案F(第四异常时图案部分Fxd)。
与此相对,与主蒸汽压力有关的正常时图案Fn是在负载恒定时主蒸汽压力为恒定的图案。换言之,若如图10所显示的那样,则负载恒定时(Stable Load)的运转图案Op的诊断对象图案Dp成为点状的形状。
在此,在负载恒定时以外的其他的运转图案Op中,在成为负载恒定时的发电输出中(在图10的例示中,W6),与主蒸汽压力有关的正常时图案Fn具有线状的绘制图案F(参照图10的Load Fluctuation、Shut Down的运转图案Op)。因此,在图10的例示中,假如没有按每个运转图案Op创建诊断对象图案Dp的情况下,诊断对象图案Dp即使在发电输出W6下具有上述线状的绘制图案F,也无法判别该绘制图案F由属于负载恒定时的运转图案Op的监视数据D形成。因此,如果没有将监视数据D分类为运转图案Op,则无法进行适当的诊断。
然而,运转图案Op的设定不限于上述那样的、基于成套设备1的运转状态进行设定的实施方式。在其他的一些实施方式中,可以基于作为成为对象的设备的对象设备的运行状态来设定运转图案Op。如图1所示,一般地,成套设备1包括多个设备(在发电成套设备中,图1的11~44等)而构成,对象设备可以包括多个设备中的至少一个。更详细地,如果是发电成套设备,则对象设备为取得发电输出最低限度所需的设备。基本上,为上述图1中包括的所有的设备,但是在发电成套设备中,根据规模设置有多台磨机装置25、吹灰器45等,这些设备根据电力需求运行或者不运行,从而运行状态不同。
因此,例如,可以在一台磨机装置25运行时(第一运转图案Opa),两台磨机装置25运行时,(第二运转图案Opb)两台磨机装置25运行并且吹灰器45在运行中时(第三运转图案Opc)等,基于对象设备的运行状态的组合来设定运转图案Op。然而,运转图案Op无需包括所有的对象设备的运行状态的组合,且可以提取任意的组合来设定运转图案Op。此外,也可以基于对象设备的运行状态以及上述成套设备1的运转状态来设定运转图案Op。具体地,在运转图案Op中,也可以将成套设备1的起动时(启动时)作为第一运转图案Opa,将在两台磨机装置25运行并且在吹灰器45运行的状态下成套设备1运转时作为第二运转图案Opb,除此之外作为第三运转图案Opc等。进而,除了对象设备的运行状态或者对象设备的运行状态以及成套设备1的运转状态之外,还可以基于包括湿度、室外温度的外部环境中的至少一个来设定运转图案Op。
在其他的一些实施方式中,可以基于发电输出例如在0以上不足60MW时(第一运转图案Opa)、60MW以上不足100MW时(第二运转图案Opb)、100MW以上时(第三运转图案Opc)等来设定运转图案Op。在其他的一些实施方式中,也可以基于参数的温度、压力这样的单位来设定运转图案Op。
根据上述结构,基于诊断对象图案Dp具有的每个运转图案Op的绘制图案F,诊断成套设备1的异常。通过进行基于按运转图案Op的诊断对象图案Dp的诊断,能够避免由想要进行诊断的运转图案Op形成的绘制图案F被属于除此之外的其他的运转图案Op的多个监视数据D掩埋,并能够可靠地使异常特征绘制图案Fx出现。因此,能够实现诊断精度的进一步提高。
此外,在一些实施方式中,如图2所示,诊断装置5还具备阈值诊断部56,其基于多个监视数据D中的每一个和按每个运转图案Op设置的阈值的比较,对成套设备1进行诊断。也就是说,上述阈值诊断部56使用的阈值成为用于检测异常的最终管理值。更具体地,阈值诊断部56可以仅基于上限阈值Tu进行诊断,在发现至少一个超过上限阈值Tu值的监视数据D的情况下,判定为成套设备1异常(参照图3、图5、图6)。此外,阈值诊断部56可以基于上限阈值Tu以及下限阈值Td这两者进行监视,在发现成为至少一个超过上限阈值Tu或者低于下限阈值Td的数据中的任意一个的监视数据D的情况下,判定为异常(参照图7、图10)。此外,上述阈值(最终管理值)是针对每种参数的种类设定的,这时,可以按每个运转图案Op分别设置,也可以对所有的运转图案Op共用而设置。
此外,诊断装置5可以通过将多个监视数据D分类为运转图案Op,按每个运转图案Op统计地分析监视数据D,从而进行异常诊断。例如,也可以对于主蒸汽的温度(参数),创建针对定格负载运转时等负载恒定时(Stable Load)的运转图案Op的出现概率的直方图,并且根据主蒸汽的温度的值的平均将2σ(σ:标准偏差)等给定的统计值设定为阈值(最终管理值)。在该情况下,在发现至少一个偏差了给定的统计值以上的测量值(监视数据D)的情况下,阈值诊断部56诊断为异常。
根据上述结构,能够实现成套设备1的异常的更可靠的检测。即,在上述图案诊断部54的诊断中,即使诊断对象图案Dp具有异常特征绘制图案Fx,在该异常特征绘制图案Fx被认知为表示异常之前也无法检测到异常,但是即使是这种异常,也能够通过阈值诊断部56的诊断进行检测。
此外,在一些实施方式中,在具备阈值诊断部56的上述实施方式中,诊断装置5还可以具备诊断对象图案存储部57,其在图案诊断部54中的诊断结果不是异常的情况下,并且由阈值诊断部56判定为异常的情况下,存储按每个运转图案创建的诊断对象图案。也就是说,在产生由图案诊断部54中的诊断无法检测到的异常的情况下,将检测到异常时的诊断对象图案Dp(要分析诊断对象图案)存储在存储装置Md等中。由此,为了提高诊断精度,可以通过分析这样积累的一个以上的要分析诊断对象图案,从而将生成用于图案诊断部54的诊断的新的异常特征绘制图案Fx、生成阈值诊断部56用于诊断的管理值(第n管理值、最终管理值)等用于机械学习。
更具体地,除了将要分析诊断对象图案作为异常特征绘制图案Fx之外,还可以基于与正常时图案Fn的比较来生成异常特征绘制图案Fx。也可以生成异常特征绘制图案Fx(图案部分),使得具有与与相同种类的参数有关的多个要分析诊断对象图案共用那样的特征。也可以使用群集技术(例如EM法等)对与相同种类的参数有关的多个要分析诊断对象图案进行分类,按分类的每组例如生成进行了平均化的图案等,从而生成一个以上的异常特征绘制图案Fx。在该情况下,能够期待生成与异常原因对应的异常特征绘制图案Fx等。可以将与多种参数有关的要分析诊断对象图案作为对象来进行上述那样的分析。
此外,诊断为正常时的诊断对象图案Dp也同样可以存储在存储装置Md等中,能够实现基于正常时图案Fn的诊断的精度的提高。此外,也可以通过收集诊断为正常时的多个诊断对象图案Dp以及多个要分析诊断对象图案,并通过群集技术等利用任何的相似性来进行分类,从而对异常特征绘制图案Fx、正常时图案Fn进行学习。
根据上述结构,对于由阈值诊断部56检测到的异常,由图案诊断部54未检测到的诊断对象图案Dp存储(保存)在存储装置Md等中。由此,通过基于这种诊断对象图案Dp利用例如机械学习等对异常特征绘制图案Fx进行学习,从而能够提高图案诊断部54的诊断精度,并能够实现成套设备1的诊断精度的提高。
另外,对诊断装置5具备的功能进行说明。
由于在成套设备1中发生对应的特定的异常原因,存在上述那样的异常特征绘制图案Fx(参照图5、图7、图8、图10)出现在诊断对象图案Dp中的情况。因此,可以通过存储与异常特征绘制图案Fx相关联且假定的异常原因,并确定诊断对象图案Dp具有的异常特征绘制图案F,从而进行异常原因的推断。更具体地,诊断装置5可以具有通知功能部,该通知功能部除了异常、正常等结果之外,还将与异常特征绘制图案Fx相关联的异常原因显示在显示器(输出装置)上作为成套设备1的诊断结果。这样,通过向操作者等通知异常原因,能够实现异常诊断时的调查、恢复作业的迅速化。
进而,也可以通过利用机械学习等对与各种异常原因强烈相关的设备、参数进行学习,从而在检测到异常的情况下,向远程监视的成套设备1的控制系统反馈为了使该异常返回到正常状态而有效的操作(例如磨机装置25的操作台数的变更等设备的运行状况的调整等)、设定的参数的指示,由此,也能够与优化的运转联系起来。
此外,已经对在诊断装置5具备所述运转图案分类部52的情况下,根据预定的成套设备1的运转图案Op对多个监视数据D进行分类进行了叙述,但是通过利用机械学习等进行学习,从而能够将预定的运转图案Op重写为对于异常检测更优化的运转图案Op,或者进行重新确定。另外,在进行上述各种机械学习时,不是学习监视数据D本身,而是可以对按每个预先运转图案Op分类的数据进行学习,由此能够进行噪声更少的有效的学习。
此外,诊断装置5也可以具有图表创建功能,该功能为,在诊断时等,能够基于上述记录集以时间序列显示监视数据D,或者能够进行测量时期、监视数据D、发电输出数据(成套设备输出数据)这三个轴中的输出(三维图表的输出)。由此,能够实现异常的予兆等的分析、异常时的调查的容易化。
此外,诊断装置5也可以具备用于根据监视数据D来推断成套设备1的运行设备的功能部。例如,在判定为使用取得的监视数据D创建的诊断对象图案Dp具有基于对象设备设定的每个运转图案Op的正常时图案Fn、异常特征绘制图案Fx的情况下,通过该运转图案Op的内容,能够自动地推断设备的结构。更具体地,在该运转图案Op的内容为两台磨机装置25运行并且吹灰器45在运行中这样的内容的情况下,对这样的设备的结构进行推断。
另外,在接下来说明的成套设备1的诊断方法中也同样可以进行上述功能中的至少一个。
以下,使用图11对与上述诊断装置5进行的诊断对应的成套设备1的诊断方法进行说明。图11是示出本发明的一个实施方式所涉及的成套设备1的诊断方法的图。成套设备1的诊断方法是用于基于成套设备1的运转状态对成套设备1进行诊断的方法,如图11所示,具备监视数据取得步骤(S1)、诊断对象图案创建步骤(S2)以及图案诊断步骤(S4)。而且,通过执行本诊断方法,能够检测到在成套设备1中产生的异常。本诊断方法可以由上述诊断装置5、诊断程序执行,也可以由进行成套设备1的监视的监视者使用计算机等以手动进行。
以下,按照图11的步骤的顺序对成套设备1的诊断方法进行说明。另外,由于图11的各步骤与上述同样的名称的功能部对应,因此省略详细的说明。
在图11的步骤S1中执行监视数据取得步骤,取得上述多个监视数据D。在本实施方式中,在步骤S2中,执行根据上述运转图案Op对多个监视数据D中的每一个进行分类的监视数据分类步骤,也可以省略本步骤。在接下来的步骤S3中执行诊断对象图案创建步骤,基于在监视数据取得步骤(S1)中取得的多个监视数据D(相同的参数的测量值),创建上述诊断对象图案Dp。另外,在本实施方式中,由于实施监视数据分类步骤(S2),因此在步骤S3中,按每个运转图案Op创建诊断对象图案Dp。而且,在步骤S4中执行图案诊断步骤,并基于诊断对象图案Dp具有的绘制图案F对成套设备1进行诊断。
如图11所示,在一些实施方式中,可以在图案诊断步骤(S4)中执行异常诊断步骤(S41)。更详细地,在步骤S41中,判定诊断对象图案Dp是否具有上述异常特征绘制图案Fx。而且,在判定为诊断对象图案Dp具有异常特征绘制图案Fx的情况下,在步骤S42中,判定为成套设备1异常。例如,如上所述,也可以在诊断对象图案Dp具有相对于异常特征绘制图案Fx表示给定以上的相似度的绘制图案F的情况下,判定为诊断对象图案Dp具有异常特征绘制图案Fx。
相反地,也可以在步骤S41中,在判定为诊断对象图案Dp不具有异常特征绘制图案Fx的情况下,如图11所示,执行阈值诊断步骤(S5),基于每个运转图案Op的多个监视数据D和按每个运转图案Op设置的阈值的比较对成套设备1进行诊断。具体地,在步骤S5中,判定在多个监视数据D当中是否具有阈值以外的值的监视数据D,在判定为有阈值以外的监视数据D的情况下,判定为异常(返回到S42)。如图11所示,也可以在步骤S5和步骤S42之间的步骤S6中,执行诊断对象图案存储步骤,在存储按每个运转图案Op创建的诊断对象图案Dp之后,执行步骤S42并判定为异常。相反地,在判定为没有阈值以外的监视数据D的情况下,结束诊断流程。
另外,本诊断方法还可以具备正常判定步骤,在该正常判定步骤中,在诊断对象图案Dp具有相对于正常时图案Fn表示给定以上的相似度的绘制图案F的情况下,判定为诊断对象图案Dp正常。该正常判定步骤可以在图11中的步骤S3和步骤S41之间执行,也可以在步骤S41和步骤S5之间执行。在正常判定步骤中诊断为正常的情况下,结束诊断流程,在不是这样的情况下,执行其接下来的步骤。
本发明不限于上述实施方式,还包括对上述实施方式施加变形所取得的方式、适当组合这些方式所取得的方式。
符号说明
1:成套设备;
11:主变压器;
12:开闭器;
13:送电线;
14:烟道;
15:脱硝装置;
16:电集尘器;
17:吸附通风机;
18:脱硫装置;
19:烟囱;
M:驱动马达;
2:锅炉;
21:煤储存站;
22:传送带;
23:煤仓;
24:给煤机;
25:磨机装置;
26:微粉煤管;
27:燃烧器;
28:推入式通风机;
29:二次空气供给管;
3:蒸汽涡轮;
31:冷凝器;
31p:给水管;
32:发电机;
33:循环水泵;
34:冷却水供给管;
35:冷凝泵;
36:低压给水加热器;
37:脱气器;
38:给水泵;
39:高压给水加热器;
41:导热管;
42:主蒸汽管;
43:再热器;
44:再热蒸汽管;
45:吹灰器;
46:熟料料斗;
47:灰处理设备;
5:诊断装置;
51:监视数据取得部;
52:运转图案分类部;
53:诊断对象图案创建部;
54:图案诊断部;
55:异常诊断部;
56:阈值诊断部;
57:诊断对象图案存储部;
Md:存储装置;
D:监视数据;
Dp:诊断对象图案;
F:绘制图案;
Fx:异常特征绘制图案;
Fxa:第一异常时图案部分;
Fxb:第二异常时图案部分;
Fxc:第三异常时图案部分;
Fxd:第四异常时图案部分;
Fn:正常时图案;
Fna:第一正常时图案部分;
Fnc:第三正常时图案部分;
Op:运转图案;
Opa:第一运转图案;
Opb:第二运转图案;
Opc:第三运转图案;
Tu:上限阈值;
Td:下限阈值;
Ts:管理值。