JP2010237893A - プラントの異常診断装置及び異常診断方法 - Google Patents

Abstract

【課題】本発明の目的は、誤診の可能性を低減するプラントの診断装置を提供することにある。
【解決手段】プラントの計測信号を保存する計測信号データベースと、正常時又は異常時のデータをカテゴリーに分類したカテゴリー分類情報と前記カテゴリー分類情報の出現回数が保存されている異常判定データベースと、前記計測信号データベースに保存されているデータをカテゴリーに分類した結果と前記異常判定データベースに保存されているカテゴリー分類情報をカテゴリー分類情報の出現回数の情報を用いて比較することでプラントの運転状態を診断し、診断の結果が異常であった場合には、異常を知らせる情報を画像表示データとして出力する比較手段を備えた診断装置。
【選択図】 図１

Description

本発明は、プラントの異常を検出する診断装置に関するものである。

プラントの診断装置は、プラントに異常な過渡事象や事故等が生じた際に、プラントからの計測データを基に、その異常や事故の発生を検知する。

特許文献１には、適応共鳴理論（Adaptive Resonance Theory：ＡＲＴ）を用いた診断装置が開示されている。ＡＲＴでは、多次元のデータを、その類似度に応じてカテゴリーに分類する機能を持つ。特許文献１の技術では、まず、ＡＲＴを用いて、正常時の計測データを複数のカテゴリーに分類する。次に、現在の計測データをＡＲＴでカテゴリーに分類し、このカテゴリーが正常時に生成された複数のカテゴリーとは異なる場合に、異常と診断する。

特開２００５−１６５３７５号公報

特許文献１では、現在の計測データをＡＲＴで処理した際に生成されるカテゴリーを基に異常診断する。

しかし、１サンプル時間毎に生成されるカテゴリーが、正常時に生成されたカテゴリーに含まれる場合であっても、連続する複数サンプル時間に生成されるカテゴリーの出現頻度が正常時に生成されるカテゴリーの出現頻度と異なる場合は、異常である可能性がある。たとえば、正常時には同じカテゴリー番号が連続して生成されるが、異常時には計測信号が振動し、１サンプル時刻毎に異なるカテゴリーが生成される場合がある。この場合、もし異常時に生成されるカテゴリーの番号が正常時と同じ番号のものである場合、特許文献１の技術では正常と誤診する可能性がある。

本発明の目的は、カテゴリーの出現頻度の情報を用いて診断することで、誤診の可能性を低減する診断装置を提供することにある。

本発明は、上記課題を解決するため、次のような手段を採用した。

プラントの計測信号を保存する計測信号データベースと、正常時又は異常時のデータをカテゴリーに分類したカテゴリー分類情報と前記カテゴリー分類情報の出現回数が保存されている異常判定データベースと、前記計測信号データベースに保存されているデータをカテゴリーに分類した結果と前記異常判定データベースに保存されているカテゴリー分類情報をカテゴリー分類情報の出現回数の情報を用いて比較することでプラントの運転状態を診断し、診断の結果が異常であった場合には、異常を知らせる情報を画像表示データとして出力する比較手段を備えた診断装置。

本発明は、以上の構成を備えるため、異常状態を正常であると誤診する可能性を低減できる。

診断装置の第１の実施例を説明するブロック図である。 異常判定データベース２５０に保存するデータを生成する手順を示すフローチャート図である。 異常発生時刻を入力するため、画像表示装置８５０に表示される画面である。 学習・判定用計測信号データベース２４０に保存されているデータを画像表示装置８５０に表示した画面である。 データ分類装置４００の実施例を説明する図である。 学習用データと判定用データを分類した結果を説明する図である。 異常判定データベース２５０のデータ形態を説明する図である。 プラント１００の計測信号を取得してから、異常である場合にこれを知らせる情報を画像表示装置８５０に表示するまでの手順を示すフローチャート図である。 診断装置の適用効果を説明する図である。 比較手段７００で出力した画像表示データ１３を、画像表示装置８５０に表示した画面である。 プラント１００の実施例を説明する図面である。 診断装置の第３の実施例を説明する図面である。 数値解析手段９００で作成する異常内容を設定する画面である。

本発明の診断装置について、図面を参照して説明する。

図１は、本発明の一実施例である診断装置を示すブロック図であり、プラント１００を診断装置２００で診断する。

診断装置２００には、演算装置として学習・判定用計測信号抽出手段３００，データ分類手段４００，分類結果処理手段５００，パラメータ決定手段６００，比較手段７００を備えている。

また、診断装置２００には、データベースとして計測信号データベース２３０，学習・判定用計測信号データベース２４０，異常判定データベース２５０を備えている。

また、診断装置２００は、外部とのインターフェイスとして外部入力インターフェイス２１０，外部出力インターフェイス２２０を備えている。

そして、診断装置２００には、外部入力インターフェイス２１０を介して、プラント１００から該プラントの各種状態量を計測した計測信号１、及びキーボード８１０，マウス８２０で構成される外部入力装置８００の操作で作成される外部入力信号２を入力する。また、診断装置２００から、外部出力インターフェイス２２０を介して、画像表示データ１４を画像表示装置８５０に出力する。

外部入力インターフェイス２１０を介して入力された計測信号３は、計測信号データベース２３０に保存する。

学習・判定用計測信号抽出手段３００では、パラメータ決定手段６００で出力するパラメータ値９を用いて、計測信号データベース２３０からデータ４を抽出し、学習・判定用計測信号５を作成する。後述するが、パラメータ値９には、学習・判定用計測信号抽出手段３００で抽出するデータの期間に関する情報が含まれている。学習・判定用計測信号５は、学習・判定用計測信号データベース２４０に保存する。

データ分類手段４００は、学習・判定用計測信号データ６を受信し、学習用計測信号データをカテゴリーに分類する機能と、該分類結果を用いて判定用計測信号データをカテゴリーに分類する機能と、学習用計測信号データをカテゴリーに分類した結果に判定用計測信号データが分類できないときに新規カテゴリーを生成する機能を有する。また、データ分類手段４００は、学習用計測信号データと判定用計測信号データをカテゴリーに分類した分類結果７を、分類結果処理手段５００に送信する。

分類結果処理手段５００では、新規カテゴリーが生成されるか、一定期間内に生成されるカテゴリー番号、もしくはカテゴリー番号の出現回数が異なるかどうかを判定する。判定結果を処理結果８，処理結果１０として出力する。

本実施例では計測信号データをカテゴリーに分類した結果をカテゴリー番号として管理しているが、番号ではなく記号（Ａ，Ｂ，Ｃ）などのカテゴリー分類情報として管理することができる。

パラメータ決定手段６００では、処理結果８に従って、データ抽出期間を決定するパラメータ、もしくは分解能を定義するパラメータを更新し、パラメータ値９として出力する。

異常判定データベース２５０には、処理結果１０を保存する。処理結果１０には、正常時、及び異常時の一定期間内に生成されるカテゴリー番号，カテゴリー番号の出現回数、及び処理時刻が含まれる。また、任意のサンプル時間（たとえば、連続する２サンプル時間）内に生成されるカテゴリー番号，カテゴリー番号の出現回数、及び処理時刻を含めることもできる。

比較手段７００では、計測信号データベース２３０に保存されているデータ１２をカテゴリーに分類した結果と、異常判定データベース２５０に保存されている情報１１を比較することでプラントの運転状態を診断し、診断の結果が異常であった場合には、異常を画像表示するための画像表示データ１３を出力する。比較手段７００では、カテゴリー番号の出現回数の情報を基に運転状態を診断する。

また、計測信号データベース２３０，学習・判定用計測信号データベース２４０，異常判定データベース２５０に保存されているデータ、及びパラメータ決定手段６００で決定するパラメータ値のデータで構成される診断装置情報５０は、画像表示装置８５０に表示できる。また、これらのデータは、必要に応じて外部入力装置８００を用いて修正することもできる。

尚、本実施例では、学習・判定用計測信号抽出手段３００，データ分類手段４００，分類結果処理手段５００，パラメータ決定手段６００，比較手段７００，計測信号データベース２３０，学習・判定用計測信号データベース２４０，異常判定データベース２５０が全て診断装置２００の内部にあるが、これらの一部を診断装置２００の外部に配置し、データのみを通信するようにしてもよい。

また、本実施例では診断対象とするプラントは１つであるが、診断装置２００で複数のプラントを診断することもできる。

図２は、異常判定データベース２５０に保存するデータを生成する手順を示すフローチャート図である。異常判定データベース２５０に保存するデータは、本フローチャートのステップ１０００，１０１０，１０２０，１０３０，１０４０，１０５０を組み合わせて実行し、生成する。

まず、データを抽出するステップ１０００では、学習・判定用計測信号抽出手段３００を動作させて計測信号データベース２３０から学習用計測信号データと判定用計測信号データを抽出し、学習・判定用計測信号データ５として学習・判定用計測信号データベース２４０に保存する。

次に、データを分類するステップ１０１０では、データ分類手段４００を動作させて、分類結果７を作成する。

そして、分類結果を処理するステップ１０２０では、分類結果処理手段５００を動作させる。

ステップ１０３０では、ステップ１０２０の分類結果処理手段５００の処理結果を基に、判定用計測信号データを処理した時に、新規カテゴリーが生成されるか、学習用計測データを処理したときとは比較してカテゴリー番号の出現回数が同じか異なるかを判定する。異なる場合はステップ１０４０に進み、同じ場合はステップ１０５０に進む。

ステップ１０４０では、ステップ１０２０で生成した処理結果１０を異常判定データベース２５０に保存する。

ステップ１０５０では、パラメータ決定手段６００を動作させて、分解能が高くなるように、分解能を定義するパラメータを更新する。

ステップ１０００に戻り、ステップ１０００，１０１０，１０２０，１０３０を繰り返し実行する。

以下、図３〜図７を用いて、異常判定データベース２５０に保存するデータの作成方法を詳細に説明する。

図３は、オペレータが異常発生時刻を入力するための画面である。画面１２００は、画像表示装置８５０に表示する。

画面１２０１には、計測信号データベース２３０に保存されているデータの経時変化が表示される。オペレータは、異常発生時刻をボックス１２０２に入力するか、画面１２０１上のライン１２０３を異常発生時点に移動させることで、異常発生時刻を入力する。また、異常発生の原因、及び異常への対応内容をボックス１２０４、及び１２０５に入力する。入力が完了したら、ボタン１２０６をクリックする。

図３で入力された異常発生時刻を基に、パラメータ決定手段６００では抽出するデータの期間を決定する。パラメータ決定手段６００では、異常発生時刻の前から異常発生検知用の学習データの期間を決定し、後から異常発生検知用の判定用データの期間を決定する。図２のステップ１０００では、このパラメータを用いてデータを抽出する。

図４は、学習・判定用計測信号データベース２４０に保存されているデータを画像表示装置８５０に表示した画面１２１０と画面１２２０である。

画面１２１１には、学習用計測信号データと判定用計測信号データが表示される。また、ボックス１２１２には、学習用計測信号データと判定用計測信号データの境界となる時刻が表示される。このデータを使用して、図２のステップ１０１０を動作させる場合は、ボタン１２１３をクリックする。データの範囲を修正する場合は、ボタン１２１４をクリックする。

図４（ｂ）は、図４（ａ）でボタン１２１４をクリックした時に表示される画面１２２０であり、学習用計測信号データと判定用計測信号データの範囲を手動で修正するための画面である。

画面１２２１には、学習用計測信号データと判定用計測信号データが表示される。ボックス１２２２には、学習用計測信号データの開始時刻、ボックス１２２３には、学習用計測信号データの終了時刻、ボックス１２２４には判定用計測信号データの開始時刻、ボックス１２２５には判定用計測信号データの終了時刻を入力する。データの範囲の修正を決定する場合は、ボタン１２２６をクリックする。このように、オペレータが自由に学習用計測信号データと判定用計測信号データの範囲を決定できる。ステップ１０１０では、学習用計測信号データと判定用計測信号データをカテゴリーに分類する。

図５（ａ）は、データ分類装置４００の実施例を説明する図であり、ステップ１０１０のデータ分類の動作を説明する図である。ここでは、データ分類装置４００に適応共鳴理論（Adaptive Resonance Theory：ＡＲＴ）を適用した時について述べるが、他のクラスタリング手法を用いてデータ分類手段４００を構築してもよい。

図５（ａ）のように、データ分類手段４００は、データ前処理装置４１０とＡＲＴモジュール４２０で構成する。

データ前処理装置４１０では、運転データをＡＲＴモジュール４２０の入力データに変換する。以下にそのステップについて説明する。

まず、計測項目毎に最大値及び最小値を計算する。計算した最大値及び最小値を用いてデータを正規化する。

正規化の方法についてｘｉを例に説明する。ｘｉのデータ数がＮ個でｎ番目の計測値をｘｉ（ｎ）とする。また、Ｎ個のデータの中の最大値及び最小値をそれぞれMax_ｉ，Min_ｉすると、正規化したデータＮｘｉ（ｎ）は次式で計算する。
〔数１〕
Ｎｘｉ(ｎ)＝α＋(１−α)×(ｘｉ(ｎ)−Min_ｉ)／（Max_ｉ−Min_ｉ） …（式１）

ここで、α（０≦α＜０.５）の定数であり、（式１）によりデータは［α，１−α］の範囲に正規化される。本実施形態ではα＝０.２とした。次に、正規化したデータの補数を計算し、入力データに加える。正規化データＮｘｉ（ｎ）の補数ＣＮｘｉ（ｎ）を次式で計算する。
〔数２〕
ＣＮｘｉ(ｎ)＝１−Ｎｘｉ(ｎ) …（式２）

次に、データＮｘｉ（ｎ）及びＣＮｘｉ（ｎ）からなるデータを入力データとしてＡＲＴモジュール４２０に入力する。

ＡＲＴモジュール４２０では、入力データを複数のカテゴリーに分類する。ＡＲＴモジュール４２０は、Ｆ０レイヤー４２１，Ｆ１レイヤー４２２，Ｆ２レイヤー４２３，メモリー４２４、及びOrienting Subsystem４２５を備え、これらは相互に結合している。Ｆ１レイヤー４２２とＦ２レイヤー４２３は重み係数を介して結合しており、重み係数は入力データが分類されるカテゴリーのプロトタイプ（原型）を表している。

次に、ＡＲＴモジュールのアルゴリズムについて説明する。ＡＲＴモジュールに入力データが入力された場合のアルゴリズムの概要は、次のステップ１ないしステップ５のようになる。

ステップ１：Ｆ０レイヤーにより入力ベクトルの大きさが１になるように正規化され、また、ノイズが除去される。

ステップ２：Ｆ１レイヤーに入力された入力データと重み係数との比較により、ふさわしいカテゴリーの候補が選択される。

ステップ３：Orienting Subsystemで選択したカテゴリーの妥当性がパラメータρとの比により評価される。妥当と判断されれば、入力データはそのカテゴリーに分類され、ステップ４に進む。妥当と判断されなければ、そのカテゴリーはリセットされ、他のカテゴリーからふさわしいカテゴリーの候補が選択される（ステップ２の処理を繰り返す）。パラメータρの値を大きくするとカテゴリーの分類が細かくなり、ρを小さくすると分類が粗くなる。このパラメータρを、vigilanceパラメータと呼ぶ。パラメータ決定手段６００では、パラメータρを決定する。

ステップ４：ステップ２で、全ての既存のカテゴリーがリセットされると、新規カテゴリーと判断され、新規カテゴリーのプロトタイプを表す新しい重み係数を生成する。

ステップ５：入力データがカテゴリーＪに分類されると、カテゴリーＪに対応する重み係数ＷＪ（ｎｅｗ）は過去の重み係数ＷＪ（ｏｌｄ）と入力データｐ（または、入力データから派生したデータ）から次式で更新される。
〔数３〕
ＷＪ(ｎｅｗ)＝Ｋｗ・ｐ＋(１−Ｋｗ)・ＷＪ(ｏｌｄ) …（式３）

ここで、Ｋｗは学習率パラメータであり、入力ベクトルを新しい重み係数に反映させる度合いを決定する。

ＡＲＴモジュール４２０のデータ分類アルゴリズムの特徴はステップ４の処理にある。ステップ４の処理により、記憶しているパターンと異なる入力データが入力された場合、記憶しているパターンは変更せず新しいパターンを記憶することができる。このため、過去に学習したパターンを記憶しながら、新たなパターンを記憶することが可能となる。

このように、入力データとして予め与えた運転データを与えると、ＡＲＴモジュール４２０は与えられたパターンを学習する。したがって、学習済みのＡＲＴモジュール４２０に新たな入力データが入力されると、上記アルゴリズムにより、過去のどのパターンに近いかを判定できる。また、過去に経験したことのないパターンであれば、新しいカテゴリーに分類される。

図５（ｂ）は、分類結果の一実施例を説明する図である。図５（ｂ）では、計測データの２項目を表示したものであり、２次元のグラフで表記した。データは、データ分類装置４００によって、複数のカテゴリー４３０（図５（ｂ）中の円）に分割される。

図６は、学習用データと判定用データを分類した結果を説明する図である。この結果を表示した画面１２３０は、図６のように画像表示手段８５０に表示できる。

画面１２３１には、学習用計測信号データと判定用計測信号データが表示される。カテゴリーの分類結果は、時間とその時のデータが分類されたカテゴリー番号を対応づけして、画面１２３２のように表示される。分類結果を確認したら、ボタン１２３３をクリックする。これにより、分類結果が異常判定データベース２５０に保存される。

異常発生時には、データの傾向が異なる。従って、カテゴリーに分類する時に使用する分解能を定義するパラメータ（ＡＲＴの場合におけるvigilanceパラメータρ）を適切に設定すれば、判定用計測信号データをカテゴリーに分類した時に、学習用計測信号で分類した結果に属さない新規カテゴリーが生成される。しかし、このパラメータの設定値が悪く、状態の分解能が低いと新しいカテゴリーが生成されない可能性がある。この場合に、ステップ１０５０では、パラメータ決定手段６００においてパラメータを調整し、分解能を向上させる。データ分類手段４００にＡＲＴを適用した時は、ρを１に近づけるように調整する。

図７（ａ）は、異常判定データベース２５０のデータ形態を説明する図である。

列２５１には、図３のボックス１２０４に入力した文字、列２５２には図３のボックス１２０５に入力した文字が文字情報として保存される。列２５３には、パラメータ決定手段６００で決定したρの値、列２５４には、データ分類手段４００で分類した結果が保存される。また列２５４には、図３のボックス１２０２の異常発生時刻が保存される。欄２５５には発生したカテゴリーの番号、欄２６６にはカテゴリーの出現回数を保存する。欄２５７は正常状態のカテゴリー番号と出現回数が保存される。

図７（ｂ）は、異常判定データベース２５０のデータを、画像表示装置８５０で表示した際の表示画面である。欄１２４１には列２５１に記載されている文字データ、画面１２４２には、カテゴリー番号を横軸に、カテゴリーの出現回数を縦軸に取った棒グラフ形式で表示する。異常判定データベース２５０の内容を可視化することで、オペレータの理解を助けることができる。内容を確認したら、ボタン１２４３をクリックし、画面１２４０を閉じる。

以上、図２〜図７を用いて、異常判定データベース２５０に保存するデータの生成方法を説明した。尚、比較手段７００を用いてプラントの運転状態を判別する際には、異常判定データベース２５０に保存するデータの生成方法は上述した方法に限られず他の方法を用いてデータベースを構築することもできる。プラントの運転状態を診断する比較手段７００は、図７のように構築済みの異常判定データベース２５０を用いて診断することができる。

次に、比較手段７００を用いて、プラントの運転状態を判別し、異常状態であるかどうかを判定する方法を説明する。

図８は、プラント１００の計測信号を取得してから、異常である場合にこれを知らせる情報を画像表示装置８５０に表示するまでの手順を示すフローチャート図である。図８に示すように、本フローチャートはステップ１１００，１１１０，１１２０，１１３０を組み合わせて実行する。

まず、ステップ１１００では、プラント１００からの計測信号１を、外部入力インターフェイス２１０を介して診断装置２００に取り込み、計測信号３を計測信号データベース２３０に保存する。

ステップ１１１０では、比較手段７００を動作させる。比較手段７００では、例えば下記式を用いて、類似度を計算する。尚、ＡＢＳ（・）は、絶対値を演算する関数記号である。
〔数４〕
類似度＝１／ΣＡＢＳ
（異常Ａにおける出現回数ー計測データ処理時の出現回数） …（式４）

（式４）では、異常Ａにおける出現回数と最新データにおける出現回数の差の絶対値を、カテゴリー番号の最小値から最大値まで加算し、その値の逆数を類似度としている。尚、類似度を算出する具体的なやり方は上記方法に限られず類似度を判定できれば他の方法を用いても良い。

ステップ１１２０では、比較手段７００を動作させた結果、異常、もしくは異常兆候の有無を判定し、異常、もしくは異常兆候がある場合にはステップ１１３０に進み、ない場合にはステップ１１００に戻る。

ステップ１１３０では、比較手段７００が出力した画像表示データ１３を、外部出力インターフェイス２２０を介して画像表示装置８５０に出力する。

これにより、もし異常時に生成されるカテゴリーの番号が正常時と同じ番号のものであってもカテゴリーの出現回数の情報を用いて診断することで、誤診の可能性を低減することができる。

また、出現回数を比較する際は一定期間のデータを用いるが、この一定期間のデータは、出現回数を有意に比較できる程度の期間のデータがあれば良い。

また、上述した例では異常Ａにおける出現回数を比較する例を示したが、正常状態における出現回数を比較してもよく、正常状態からの類似度が予め定めた所定値より低くなった場合異常を判断することができる。また、異常状態と正常状態の両方をもちいて、測定データがどちらの類似度に近いかを比較しても良い。

また、出現回数を比較したが、（式４）の出現回数を全体の出現回数で割ると出現頻度や出現割合としても類似度を計算できるが、これらも出現回数の情報を用いて比較するものと同じ意味である。

上述したように、プラントの計測信号を保存する計測信号データベースと、正常時又は異常時のカテゴリー番号とカテゴリー番号の出現回数が保存されている異常判定データベースと、計測信号データベースに保存されているデータをカテゴリーに分類した結果と異常判定データベースに保存されている情報をカテゴリー番号の出現回数の情報を用いて比較することでプラントの運転状態を診断し、診断の結果が異常であった場合には、異常を知らせる情報を画像表示データとして出力する比較手段を備えた診断装置により、上述したように、学習用計測信号データと判定用計測信号データの期間を設定するパラメータと、計測信号データをカテゴリーに分類する時に使用する分解能を定義するパラメータを決定するパラメータ決定手段と、学習用計測信号データと判定用計測信号データの期間を設定するパラメータに基づいて、計測信号データベースから学習用計測信号データと判定用計測信号データを抽出する学習・判定用計測信号抽出手段と、カテゴリーに分類する時に使用する分解能を定義するパラメータを用いて、学習用計測信号データをカテゴリーに分類する機能と、該分類結果を用いて判定用計測信号データをカテゴリーに分類する機能と、学習用計測信号データをカテゴリーに分類した結果に判定用計測信号データが分類できないときに新規カテゴリーを生成する機能を有するデータ分類手段と、新規カテゴリーが生成されるか、一定期間内に生成されるカテゴリー番号、もしくはカテゴリー番号の出現回数が同じか異なるかを判定する分類結果処理手段と、分類結果処理手段での判定結果が同じ場合には、パラメータ決定手段で学習用計測信号データと判定用計測信号データの期間を設定するパラメータ、もしくは、計測データをカテゴリーに分類する時に使用する分解能を定義するパラメータを更新し、分類結果処理手段での判定結果が異なる場合には、異常診断データベースに前記データ分類手段で分類したカテゴリーの番号と出現回数を保存する診断装置により、異常状態を正常であると誤診する可能性を低減するためのデータベースを構築することができる。

図９は、本発明の診断装置の適用効果を説明する図である。

正常状態における計測信号の経時変化を画面１３００ａ、カテゴリーへの分類結果を画面１３１０ａ、カテゴリー番号の変化を画面１３２０ａに、異常状態における計測信号の経時変化を画面１３００ｂ、カテゴリーへの分類結果を画面１３１０ｂ、カテゴリー番号の変化を画面１３２０ｂに示す。

正常状態時には、連続する２サンプル（データの測定）時刻に生成するカテゴリー番号の組み合わせは、１→１，１→２，２→１，２→３，３→４，４→４である。異常時には、１→４，４→２，２→４，４→１である。この例は、生成されるカテゴリー番号は同じであるが、２サンプル時間内に生成されるカテゴリーの出現回数が異なる例である。１サンプル時刻のカテゴリー番号のみで異常診断する場合、正常時と異常時に発生するカテゴリー番号は１，２，３，４で同じであるため、正常と異常の区別がつかない。一方、本発明の診断装置２００では、カテゴリーの生成パターン（一定期間におけるカテゴリーの出現回数）を用いて診断する。本実施例では、２サンプル時間内に生成されるカテゴリーの組み合わせの出現回数を用いて（式４）の類似度を計算する。すなわち、正常時に生成されるカテゴリーの組み合わせ（１→１，１→２，２→１，２→３，３→４，４→４）と、異常時に生成されるカテゴリーの組み合わせ（１→４，４→２，２→４，４→１）を登録しておき、その類似度を（式４）を用いて計算する。これにより、正常と異常を区別できる。これにより、誤診を低減できる効果が得られる。

連続する複数サンプル時間に生成されるカテゴリーの出現頻度の情報を用いて診断することで、誤診の可能性を低減する診断装置を提供することができる。

上述した例では、カテゴリーの生成パターン（一定期間におけるカテゴリーの出現回数）を比較する場合の一定期間は２サンプル時間であったが、３サンプル時間など所定のサンプル数の時間（複数回のデータを測定する一定期間）とすることができる。

また、連続した複数のサンプル数の他、不連続であってもよく、複数回のデータを測定する一定期間内でのカテゴリーの組み合わせが正常時のカテゴリーの組み合わせと異常時のカテゴリーの組み合わせであるかどうかを診断装置２００で診断することもできる。

上述した例では、カテゴリーの組み合わせによる異常診断は、実施例１の類似度の比較を用いた例で説明したが、出現回数が１回でも異常が判断できるような組み合わせのカテゴリーを予め定めてあれば出現回数を用いた比較は不要としても良い。

図１０は、比較手段７００で出力した画像表示データ１３を、画像表示装置８５０に表示した画面１２５０である。

類似度が最大となった異常原因を欄１２５１に、対応を欄１２５２に表示する。これは、図７の列２５１、及び２５２に記載されている情報である。

また、図７の列２５４に記載されている日時の計測信号データを、計測信号データベース２３０から抽出し、画面１２５３に表示する。また、カテゴリー番号とその出現回数を画面１２５４に表示する。また、計測信号データベース２３０で判定に使用した計測信号データを画面１２５５に、カテゴリー番号とその出現回数を画面１２５６に表示する。計算した類似度の値は、欄１２５７に表示される。類似度の高いデータと、現在の運転データを同時に画面表示する。内容を確認したら、ボタン１２５８をクリックし、画面１２５０を閉じる。

また、図１０において、計測データの経時変化を表示する画面に、カテゴリー番号毎に異なる色をつけて表示することで、視認性を向上させることもできる。

尚、図１０では異常判定データベースに保存されている原因をひとつだけ表示するようにしているが、一致度の高い順番に複数個表示するようにしてもよい。

図１１は、プラント１００の実施例を説明する図面である。

プラント１００は、ガスタービン発電機１１０，制御装置１２０，データ送信装置１３０からなる。ガスタービン発電機１１０は、発電機１１１，圧縮機１１２，燃焼器１１３，タービン１１４で構成される。圧縮機１１２による圧縮空気が燃焼器１１３に送られ、燃料と混合されて燃焼器１１３で燃焼する。燃焼により発生した高圧ガスにより、タービン１１４が回転し、発電機１１１で発電する。

制御装置１２０では、電力需要に応じてガスタービン発電機１１０の出力を制御する。また、制御装置１１０は、ガスタービン発電機１１０に設置されたセンサー（図示せず）で計測した運転データが入力されている。運転データは、吸気温度，燃料投入量，タービン排ガス温度，タービン回転数，発電機発電量，タービン軸振動などの状態量で、１秒間隔で計測している。また、大気温度などの気象情報も計測している。データ送信装置１３０は、制御装置１２０で計測した計測信号を、診断装置２００に送信する。

上述したように、プラントの計測信号を保存する計測信号データベースと、正常時又は異常時のデータをカテゴリーに分類したカテゴリー分類情報とカテゴリー分類情報の組み合わせの情報が保存されている異常判定データベースと、前記計測信号データベースに保存されているデータをカテゴリーの組み合わせに分類した結果と前記異常判定データベースに保存されているカテゴリー分類情報の組み合わせの情報を比較することでプラントの運転状態を診断し、診断の結果が異常であった場合には、異常を知らせる情報を画像表示データとして出力する比較手段を備えた診断装置により、もし異常時に生成されるカテゴリーの番号が正常時と同じ番号のものである場合であっても誤診を低減できる。

図１２は、診断装置の第３の実施例を説明するブロック図である。

図１２では、図１の診断装置２００に、数値解析手段９００と解析結果データベース２６０を追加した。数値解析手段９００を用いて異常時のデータを作成し、このデータ１５を解析結果データベース２６０に保存する。学習・判定用計測信号抽出手段３００では、計測信号データベース２３０と解析結果データベース２６０から、学習用計測信号データと判定用計測信号データをデータ１６として抽出する。

実施例１では、比較手段７００では実際に経験した異常原因しか推定できないが、本実施例では数値解析手段９００で異常現象を模擬することで、未経験の異常原因も推定できる。数値解析手段７００は、例えば特開２００６−１９４５５０号公報に記載されている技術を用いて、構築する。

尚、図１２の診断装置２００を構成するその他の演算装置，データベースは図１と同じ機能である。

図１３（ａ）は、数値解析手段９００で作成する異常内容を設定する画面１２６０である。

数値解析手段９００では、熱伝達率など、数値解析手段の物理パラメータを変更（ボタン１２６１を選択）して異常を模擬し、その時の計測信号データの経時変化を模擬する。また、異常判定データベース２５０に保存されている異常原因が重複して発生した時の異常を模擬（ボタン１２６２を選択）し、その時の計測信号データの経時変化を模擬する。

図１３（ｂ）は、図１３（ａ）でボタン１２６１をクリックした時に表示される画面１２７０であり、数値解析手段の物理パラメータを変更して異常を模擬する場合に使用する画面である。まず、異常原因をボックス１２７１の欄に入力する。次に、変更する物理パラメータとその値を画面１２７２に入力する。また、パラメータを変更するタイミング（シミュレーション開始からパラメータ変更までの時間）も画面１２７２に入力する。ボタン１２７３をクリックすると、数値解析手段９００が動作し、シミュレーション解析を開始する。解析結果は、解析結果データベース２６０に保存される。

図１３（ｃ）は、図１３（ａ）でボタン１２６２をクリックした時に表示される画面１２８０であり、異常原因が重複した時の異常を模擬する場合に使用する画面である。異常原因、及びその発生タイミングを画面１２８１に入力する。ボタン１２８２をクリックすると、数値解析手段９００が動作し、シミュレーション解析を開始する。解析結果は、解析結果データベース２６０に保存される。

これにより、解析結果データベース２６０には、異常発生時の模擬的な計測信号データが保存される。解析結果データベース２６０のデータを用いて、図２のフローチャートを実行することにより、異常判定データベース２５０に異常原因，解析結果データベース２６０のデータをカテゴリーに分類した結果として生成されるカテゴリー番号、及びその出現回数が保存される。このようにして異常判定データベース２５０を構築することで、実際に経験していない異常現象も、診断できる。

１００ プラント
２００ 診断装置
２１０ 外部入力インターフェイス
２２０ 外部出力インターフェイス
２３０ 計測信号データベース
２４０ 学習・判定用計測信号データベース
２５０ 異常判定データベース
３００ 学習・判定用計測信号抽出手段
４００ データ分類手段
５００ 分類結果処理手段
６００ パラメータ決定手段
７００ 比較手段
８００ 外部入力装置
８１０ キーボード
８２０ マウス
８５０ 画像表示装置

Claims (18)

1. プラントの計測信号を保存する計測信号データベースと、
   正常時又は異常時のデータをカテゴリーに分類したカテゴリー分類情報と、前記カテゴリー分類情報の出現回数が保存されている異常判定データベースと、
   前記計測信号データベースに保存されているデータをカテゴリーに分類した結果と前記異常判定データベースに保存されているカテゴリー分類情報をカテゴリー分類情報の出現回数の情報を用いて比較することでプラントの運転状態を診断し、診断の結果が異常であった場合には、異常を知らせる情報を画像表示データとして出力する比較手段を備えたことを特徴とした診断装置。
2. 請求項１に記載された診断装置において、
   学習用計測信号データと判定用計測信号データの期間を設定するパラメータと、計測信号データをカテゴリーに分類する時に使用する分解能を定義するパラメータを決定するパラメータ決定手段と、
   前記学習用計測信号データと判定用計測信号データの期間を設定するパラメータに基づいて、計測信号データベースから学習用計測信号データと判定用計測信号データを抽出する学習・判定用計測信号抽出手段と、
   前記カテゴリーに分類する時に使用する分解能を定義するパラメータを用いて、学習用計測信号データをカテゴリーに分類する機能と、該分類結果を用いて判定用計測信号データをカテゴリーに分類する機能と、学習用計測信号データをカテゴリーに分類した結果に判定用計測信号データが分類できないときに新規カテゴリーを生成する機能を有するデータ分類手段と、
   新規カテゴリーが生成されるか、一定期間内に生成されるカテゴリー分類情報、もしくはカテゴリー分類情報の出現回数が同じか異なるかを判定する分類結果処理手段と、
   前記分類結果処理手段での判定結果が同じ場合には、前記パラメータ決定手段で学習用計測信号データと判定用計測信号データの期間を設定するパラメータ、もしくは、計測データをカテゴリーに分類する時に使用する分解能を定義するパラメータを更新し、
   前記分類結果処理手段での判定結果が異なる場合には、前記異常診断データベースに前記データ分類手段で分類したカテゴリーの分類情報と出現回数を保存することを特徴とした診断装置。
3. 請求項１あるいは請求項２に記載された診断装置において、
   前記比較手段は、計測信号データベースに保存されているデータをカテゴリーに分類した結果と、異常診断データベースに保存されている情報を用いて、カテゴリー分類情報毎の出現回数の差を加算することで正常・異常状態との類似度を求め、類似度の高い状態が異常である場合に異常内容を表示するための情報を画像表示データとして出力することを特徴とした診断装置。
4. 請求項１あるいは請求項２に記載された診断装置において、
   前記異常判定データベースに、カテゴリー番号の組み合わせが保存され、
   前記比較手段は、前記計測信号データベースに保存されているデータをカテゴリーの組み合わせに分類した結果と前記異常判定データベースに保存されているカテゴリー分類情報の組み合わせの情報を比較することでプラントの運転状態を診断することを特徴とした診断装置。
5. 請求項１あるいは請求項２に記載された診断装置において、
   前記比較手段は、異常判定データベースの情報と計測信号データをカテゴリーに分類した結果を同時に表示する画像表示データ、もしくは、計測データの経時変化を表示する画面に、カテゴリー番号毎に異なる色をつけて表示する画像表示データの少なくとも１つを出力することを特徴とした診断装置。
6. 請求項２に記載された診断装置において、
   前記パラメータ決定手段は、異常発生時間以前のデータを異常検出用の学習用計測信号データの期間，異常発生時間以降のデータを異常検出用の判定用計測信号データの期間に設定する機能を有することを特徴とした診断装置。
7. 請求項２に記載された診断装置において、
   前記パラメータ決定手段は、計測データをカテゴリーに分類する時に使用する分解能を定義するパラメータを、分解能が上昇するように更新することを特徴とした診断装置。
8. 請求項２に記載された診断装置において、
   前記パラメータ決定手段は、少なくともマウス，キーボードのうちひとつで構成される外部入力装置から入力される信号に従って、学習用計測信号データと判定用計測信号データの期間を決定するパラメータと、カテゴリーに分類する時に使用する分解能を定義するパラメータを決定する機能を有することを特徴とした診断装置。
9. 請求項２に記載された診断装置において、
   プラントの特性を模擬する数値解析手段と、
   前記数値解析手段による計算結果を保存する解析結果データベースを備え、
   前記学習・判定データ抽出手段は、解析結果データベースに保存されているデータから学習用計測信号データ、及び判定用計測信号データを抽出する機能を持つことを特徴とした診断装置。
10. プラントの診断装置による診断方法であって、
    前記プラントの診断装置が、
    プラントの計測信号を保存する計測信号データベースと、正常時又は異常時のデータをカテゴリーに分類したカテゴリー分類情報と、前記カテゴリー分類情報の出現回数が保存されている異常判定データベースとを有し、
    前記計測信号データベースに保存されているデータをカテゴリーに分類した結果と前記異常判定データベースに保存されているカテゴリー分類情報をカテゴリー分類情報の出現回数の情報を用いて比較することでプラントの運転状態を診断し、
    診断の結果が異常であった場合には、異常を知らせる情報を画像表示データとして出力することを特徴とした診断方法。
11. 請求項１０に記載された診断方法において、
    前記診断装置は、
    学習用計測信号データと判定用計測信号データの期間を設定するパラメータと、計測信号データをカテゴリーに分類する時に使用する分解能を定義するパラメータを決定し、
    前記学習用計測信号データと判定用計測信号データの期間を設定するパラメータに基づいて、計測信号データベースから学習用計測信号データと判定用計測信号データを抽出し、
    前記カテゴリーに分類する時に使用する分解能を定義するパラメータを用いて、学習用計測信号データをカテゴリーに分類し、該分類結果を用いて判定用計測信号データをカテゴリーに分類し、学習用計測信号データをカテゴリーに分類した結果に判定用計測信号データが分類できないときに新規カテゴリーを生成し、
    新規カテゴリーが生成されるか、一定期間内に生成されるカテゴリー分類情報、もしくはカテゴリー分類情報の出現回数が同じか異なるかを判定し、
    前記分類結果処理手段での判定結果が同じ場合には、前記学習用計測信号データと前記判定用計測信号データの期間を設定する前記パラメータ、もしくは、計測データをカテゴリーに分類する時に使用する分解能を定義する前記パラメータを更新し、
    前記分類結果処理手段での判定結果が異なる場合には、前記異常診断データベースに前記データ分類手段で分類したカテゴリーの分類情報と出現回数を保存することを特徴とした診断方法。
12. 請求項１０あるいは請求項１１に記載された診断方法において、
    前記診断装置は、計測信号データベースに保存されているデータをカテゴリーに分類した結果と、異常診断データベースに保存されている情報を用いて、カテゴリー分類情報毎の出現回数の差を加算することで正常・異常状態との類似度を求め、類似度の高い状態が異常である場合に異常内容を表示するための情報を画像表示データとして出力することを特徴とした診断方法。
13. 請求項１０あるいは請求項１１に記載された診断方法において、
    前記異常判定データベースに、カテゴリー番号の組み合わせが保存され、
    前記診断装置は、前記計測信号データベースに保存されているデータをカテゴリーの組み合わせに分類した結果と前記異常判定データベースに保存されているカテゴリー分類情報の組み合わせの情報を比較することでプラントの運転状態を診断することを特徴とした診断方法。
14. 請求項１０あるいは請求項１１に記載された診断方法において、
    前記診断装置は、異常判定データベースの情報と計測信号データをカテゴリーに分類した結果を同時に表示する画像表示データ、もしくは、計測データの経時変化を表示する画面に、カテゴリー番号毎に異なる色をつけて表示する画像表示データの少なくとも１つを出力することを特徴とした診断方法。
15. 請求項１１に記載された診断方法において、
    前記診断装置は、前記パラメータを決定する際に、異常発生時間以前のデータを異常検出用の学習用計測信号データの期間，異常発生時間以降のデータを異常検出用の判定用計測信号データの期間に設定することを特徴とした診断方法。
16. 請求項１１に記載された診断方法において、
    前記診断装置は、前記パラメータを決定する際に、計測データをカテゴリーに分類する時に使用する分解能を定義するパラメータを、分解能が上昇するように更新することを特徴とした診断方法。
17. 請求項１１に記載された診断方法において、
    前記診断装置は、前記パラメータを決定する際に、少なくともマウス，キーボードのうちひとつで構成される外部入力装置から入力される信号に従って、学習用計測信号データと判定用計測信号データの期間を決定するパラメータと、カテゴリーに分類する時に使用する分解能を定義するパラメータを決定することを特徴とした診断方法。
18. 請求項１１に記載された診断装方法において、
    前記診断装置は、
    プラントの特性を模擬する数値解析手段と、前記数値解析手段による計算結果を保存する解析結果データベースを備え、
    前記学習用計測信号データと判定用計測信号データを抽出する際に、解析結果データベースに保存されているデータから学習用計測信号データ、及び判定用計測信号データを抽出することを特徴とした診断方法。

Images