JP2011209847A - プラント異常診断システム - Google Patents
プラント異常診断システム Download PDFInfo
- Publication number
- JP2011209847A JP2011209847A JP2010074965A JP2010074965A JP2011209847A JP 2011209847 A JP2011209847 A JP 2011209847A JP 2010074965 A JP2010074965 A JP 2010074965A JP 2010074965 A JP2010074965 A JP 2010074965A JP 2011209847 A JP2011209847 A JP 2011209847A
- Authority
- JP
- Japan
- Prior art keywords
- abnormal
- operation pattern
- correlation value
- value
- plant
- 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.)
- Pending
Links
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
【課題】プラント設備運転時に得られる流動的なデータに基づいて設備の健全性を確保する。
【解決手段】検出された運転データと記憶された正常運転パターンとの間における第1の相関関係値を求め、第1の相関関係値と閾値とを比較し、第1の相関関係値のうちの少なくとも一部が前記閾値を超えていた場合には異常と判定し、相関関係値の全てが前記閾値よりも低い値であった場合には正常と判定すると共に、判定により異常と判定した場合には、記憶された異常運転パターンと正常運転パターンとの間における第2の相関関係値を求め、第1の相関関係値と前記第2の相関関係値とが一致または近似するか否かを判定し、一致または近似した場合には、第2の相関関係値を求めた異常運転パターンに関連付けられた有識者コメントと異常事象の要因を読み出す演算手段と、その結果を表示する表示手段とを有することを特徴とするプラント異常診断システム。
【選択図】図1
【解決手段】検出された運転データと記憶された正常運転パターンとの間における第1の相関関係値を求め、第1の相関関係値と閾値とを比較し、第1の相関関係値のうちの少なくとも一部が前記閾値を超えていた場合には異常と判定し、相関関係値の全てが前記閾値よりも低い値であった場合には正常と判定すると共に、判定により異常と判定した場合には、記憶された異常運転パターンと正常運転パターンとの間における第2の相関関係値を求め、第1の相関関係値と前記第2の相関関係値とが一致または近似するか否かを判定し、一致または近似した場合には、第2の相関関係値を求めた異常運転パターンに関連付けられた有識者コメントと異常事象の要因を読み出す演算手段と、その結果を表示する表示手段とを有することを特徴とするプラント異常診断システム。
【選択図】図1
Description
本発明は、プラント設備の異常診断を行うシステムに係り、特に、検出因子の相関関係が異常判断に大きな影響を及ぼす大型プラントの異常診断システムに関する。
近年、石油化学プラントや発電所等のプラント設備では、消防法や労働安全関連の法令等の各法令や、各社固有の保安規定に基づいて、設備の健全性の維持、確保が重要視されている。
設備の健全性のみを重視した場合には、各機器における要素の修繕や取替えのサイクルを短くする事によれば良い。しかしこの場合、設備コストの増大を招くと共に、プラント施設の停止による損失も生ずることとなってしまう。このような事情により注目されているのが、プラント施設の抱えるリスクと要因である。すなわち、プラント施設の抱えるリスクに応じて修繕や取替えの時期を限定することで、修繕費用や操業停止時間の最小化を図ると共に、設備の健全性を確保するということである。
設備の健全性のみを重視した場合には、各機器における要素の修繕や取替えのサイクルを短くする事によれば良い。しかしこの場合、設備コストの増大を招くと共に、プラント施設の停止による損失も生ずることとなってしまう。このような事情により注目されているのが、プラント施設の抱えるリスクと要因である。すなわち、プラント施設の抱えるリスクに応じて修繕や取替えの時期を限定することで、修繕費用や操業停止時間の最小化を図ると共に、設備の健全性を確保するということである。
異常事象が発生した際、その要因の究明を図る技術としては、例えば特許文献1に開示されているようなものを挙げることができる。特許文献1に開示されている技術は、フォールトツリー図を用いたMYCIN手法を用いたプラントの運転における異常事象究明方法であって、1つの異常事象が生じた際に考え得る要因と、この要因が異常事象の原因であるならば発生し得ない派生事象との関係から、異常事象発生時に考え得る各要因に対する確信度を導き出し、この確信度に基づいて、異常事象発生の要因を限定するというものである。このような技術によれば、単にフォールトツリー図を用いたMYCIN手法による要因究明に比べ、異常事象発生の要因を導く精度が向上する。
また、プラント設備のリスク管理という観点では、特許文献2に開示されている技術を挙げることができる。特許文献2に開示されている技術は、まず、プラント設備を構成する各機器毎に設計段階での機器に関する設計データに応じた機器毎の供用年数と破損確率との関係を示す破損確率関数を求める。その後、求めた破損確率関数を各機器の製造に関する製造データ、運転履歴、及び検査結果の少なくとも1つに基づいて修正して、修正破損確率関数とする。機器の供用年数に応じて修正破損確率関数から得られる修正破損確率と、予め設定された判定値とを比較して、修正破損確率が判定値を超えた場合には、対象となる機器の取替えを判定し、プラント設備のリスク管理を行うというものである。
さらに、プラント設備において生じた1つの事象に基づいて、その要因と共に危険因子を予測する技術として、特許文献3に開示されているような技術がある。特許文献3に開示されている技術では、プロセス異常や機器損傷と、各プロセス異常や機器損傷に対する要因と結果の因果関係を個別に記録し、1つの事象(結果)に対する要因と、その後予測される波及異常を関連付けて表示するものである。ここで、事象に対する要因と波及については、各要因、波及毎に階層を設け、それらを上流側へたどることにより詳細な原因の究明を可能とすると共に、下流側へたどることにより、今後の危険因子を予測することを可能としたものである。
特許文献1に開示されている技術は、ある異常事象に対する要因の究明を行うことは可能となるが、その異常事象によって生じ得るリスクを導き出すことはできない。このため、設備の健全性を確保するための修繕、要素の取替え等を行うために役立てることは困難となる。
また、特許文献2に開示されている技術は、プラント施設を構成する各機器に対する破損率や、その運転コスト等を含めた総合的なコスト判定を含めたリスク管理は行うことが可能となる。しかし特許文献2に開示されている技術は、経年的疲労予測や検査によって得られるデータに基づく管理であり、操業上の流動的な情報(運転データなど)を関与させることは無い。このため、予測を超えた流動的な異常事象(例えば電圧の急低下など)が生じた場合であっても、これを検知することができず、設備故障が生じて初めて異常が認識されるという可能性がある。
さらに、特許文献3に開示されている技術は、個々の異常事象と因子、波及の因果関係を個別に結びつける必要があり、規模の大きなプラント設備では、実質的に困難となる可能性が高い。また、引用文献3に開示されている技術は、あくまで1つの事象に対する正常、異常の判断に基づく階層的要因究明、および波及効果の予測を行うものである。このため、1つの事象が異常な値を示した場合であっても、他の事象との相関を見た場合には正常であるといった場合などには対応することができず、実質的には正常運転が行われているにも係わらず、異常を示すといった場合が生じ得る。
本発明では、上記のような問題点を解決し、プラント設備運転時に得られる複数のデータの相関関係に基づいて、設備全体の正常または異常を判断し、異常発生時にはその要因を検出し、機器の経年変化や運転状況に伴う劣化の補正値を得ることにより、修繕費用や操業停止時間の最小化を図ると共に、設備の健全性を確保することのできるプラント異常診断システムを提供することを目的とする。
上記目的を達成するための本発明に係るプラント異常診断システムは、プラント設備における複数の構成要素に設けられ、予め定められた運転データを検出する検出手段と、少なくとも、前記プラント設備における正常時の運転データを正常運転パターンとして記録した正常運転パターンデータベースと、前記プラント設備における異常時の運転データを異常運転パターンとして記録した異常運転パターンデータベースと、記録された各異常運転パターンに対する有識者コメントと異常事象の要因を記録した異常事象データベースと、検出された前記運転データと前記正常運転パターンデータベースに記録された正常運転パターンの平均値とに基づく多変量解析を行う多変量解析プログラムと、前記多変量解析によって得られた相関関係値に対する許容乖離値を定める閾値と、を記録した記憶手段と、前記記憶手段に記憶された多変量解析プログラムを起動させ、前記検出手段によって検出された運転データと前記正常運転パターンデータベースから読み出した前記正常運転パターンとの間における第1の相関関係値を求め、前記第1の相関関係値と前記閾値とを比較し、前記第1の相関関係値のうちの少なくとも一部が前記閾値を超えていた場合には異常と判定し、前記第1の相関関係値の全てが前記閾値よりも低い値であった場合には正常と判定すると共に、前記判定により異常と判定した場合には、前記異常運転パターンデータベースから読み出した前記異常運転パターンと前記正常運転パターンとの間における第2の相関関係値を求め、前記第1の相関関係値と前記第2の相関関係値とが一致または近似するか否かを判定し、一致または近似した場合には、前記第2の相関関係値を求めた前記異常運転パターンに対する有識者コメントと異常事象の要因を読み出す演算手段と、少なくとも前記演算手段よって判定された異常または正常の結果と、前記結果が異常であった場合に読み出される前記有識者コメントと前記異常事象の要因を出力する表示手段とを有することを特徴とする。
また、上記のような特徴を有するプラント異常診断システムでは、前記記憶手段には前記プラント設備における複数の構成要素毎の設計寿命を記録した設計寿命データベースと、前記プラント設備を構成する各構成要素毎に定められた予測寿命補正値としての項目係数が記録された項目係数データベースとが記憶され、前記演算手段による前記多変量解析では前記相関関係値としてマハラノビス距離が求められ、前記設計寿命データベースから読み出された各構成要素における設計寿命と、各構成要素における前記マハラノビス距離と前記項目計数とを乗じた値の和に基づいて異常項目における余寿命を算出し、当該異常項目における余寿命を前記表示手段に出力するようにすると良い。
このような構成とすることにより、リスクマトリックスに表示される項目の寿命予測値を定量的に補正することが可能となる。
このような構成とすることにより、リスクマトリックスに表示される項目の寿命予測値を定量的に補正することが可能となる。
また、上記のような特徴を有するプラント異常診断システムでは、前記記憶手段には、新たな異常運転パターンに対する新たな有識者コメントと要因を取得する学習プログラムが記憶され、前記演算手段は、前記第2の相関関係値を前記異常運転パターンデータベースに記録された全ての異常運転について求め、異常と判定された前記第1の相関関係値と一致または近似する相関関係値が存在しなかった場合に、前記学習プログラムを起動させるようにすると良い。
学習プログラムにより新たな異常運転パターンに対する有識者のコメントや要因を取得することにより、自動診断および寿命予測値の補正、並びにリスクベースメンテナンスにおける提案の対応精度を向上させることが可能となる。
学習プログラムにより新たな異常運転パターンに対する有識者のコメントや要因を取得することにより、自動診断および寿命予測値の補正、並びにリスクベースメンテナンスにおける提案の対応精度を向上させることが可能となる。
さらに、上記のような特徴を有するプラント異常診断システムでは、前記学習プログラム起動時に、前記有識者から得た前記有識者コメントと前記要因とを入力する入力手段を備えるようにすると良い。
このような構成とすることにより、燃料種やその混合率等、検出手段では得ることのできない情報を入力、負荷することが可能となる。
このような構成とすることにより、燃料種やその混合率等、検出手段では得ることのできない情報を入力、負荷することが可能となる。
上記のような特徴を有することにより、プラント設備運転時に得られる複数のデータの相関関係に基づいて、設備全体の正常または異常を判断し、異常発生時にはその要因を検出し、機器の経年変化や運転状況に伴う劣化の補正値を得ることができる。これにより、修繕費用や操業停止時間の最小化を図ると共に、設備の健全性を確保することができる。
以下、本発明のプラント異常診断システムに係る実施の形態について、図面を参照しつつ詳細に説明する。
図1は、本発明のプラント異常診断システム(以下、単に診断システム10と称す)を示す概念図であり、図2は、診断対象となるプラント設備の概念図である。
図1は、本発明のプラント異常診断システム(以下、単に診断システム10と称す)を示す概念図であり、図2は、診断対象となるプラント設備の概念図である。
本実施形態に係る診断システム10は、検出手段30と、システム本体12、表示手段32、および入力手段34を基本として構成される。また、本実施形態において診断対象とするプラント設備は、火力発電所プラントの構成を例に挙げて説明する。図2に示すプラント設備は、ボイラ、脱硝装置、エアヒータ、集塵機(電気集塵機)、脱硫装置、および煙突を主要な構成要素としている。なお集塵機に関しては、図中に示す1区、2区、および3区といった直列系等の部屋の他に、図示しない並列系等の部屋も備えている。
検出手段30は、図2に示すようなプラント設備における各構成要素に設けられ、それぞれの要素について予め定められた運転データを検出する役割を担う。例えばボイラでは、発電機出力やボイラ出口ガス温度等を検出するための各検出手段が設けられる。また、脱硝装置では、脱硝装置出口ガス温度、脱硝装置ダンパ開度、脱硝装置ガス差圧、および脱硝装置ガス流量などを検出するための各検出手段が設けられる。また、エアヒータでは、エアヒータ出口ガス温度などを検出するための検出手段が設けられる。また、集塵機では、EP(Electrostatic Precipitator:電気集塵機)出口煤塵濃度、1区電流、1区電圧、2区電流、2区電圧、3区電流、3区電圧などの各運転データを検出するための検出手段が設けられる。また、脱硫装置では、脱硫装置入口ガス温度、脱硫装置出口ガス温度、脱硫装置ダンパ開度、脱硫装置ガス差圧(脱硫装置の入口と出口の差圧)、および脱硫装置ガス流量などを検出するための各検出手段が設けられる。さらに煙突では、煤塵濃度などを検出するための検出手段が設けられる。なお、各検出手段は、有線または無線により、詳細を後述するシステム本体との間でのデータの授受を行う構成とされている。
システム本体12は、記憶手段14と、演算手段26、およびインターフェース28を有する。
記憶手段14は、診断対象とするプラント設備の異常診断に必要とされる各種情報やプログラム等を記憶するための手段である。記憶手段14には、少なくとも、正常運転パターンデータベース16と、異常運転パターンデータベース18、異常事象データベース20、設計寿命データベース22、項目計数データベース24、多変量解析プログラム、および閾値が記憶されている。
記憶手段14は、診断対象とするプラント設備の異常診断に必要とされる各種情報やプログラム等を記憶するための手段である。記憶手段14には、少なくとも、正常運転パターンデータベース16と、異常運転パターンデータベース18、異常事象データベース20、設計寿命データベース22、項目計数データベース24、多変量解析プログラム、および閾値が記憶されている。
正常運転パターンデータベース16は、予め定められた期間内で、異常が生じていないと判断された運転状態において、検出手段30によって検出された各種運転データ(各項目毎のケースデータ)、および詳細を後述する入力手段34によって入力された燃料種、混合率などを多変量解析することによって得られる相関関係パターン(相関逆行列等)を記録したデータベースである。
異常運転パターンデータベース18は、正常運転時における相関逆行列に基づく相関関係値(本実施形態においてはマハラノビス距離)の少なくとも一部が、詳細を後述する閾値の範囲を超えたと判断された運転パターン(検出データ)であり、実際に運転に異常が生じていた場合の運転パターンの相関関係パターンを記録したデータベースである。
異常事象データベース20は、異常運転パターンデータベース18に記録された異常運転パターン毎に関連付けられた情報であって、有識者から得られたコメント(有識者コメント)や実検査によって得られた異常事象、異常事象を生じさせた要因、点検を要する箇所、および交換部品などを記録したデータベースである。
設計寿命データベース22は、建築時における各構成要素あるいは各部品単位で定められた設計寿命を記録したデータベースである。
設計寿命データベース22は、建築時における各構成要素あるいは各部品単位で定められた設計寿命を記録したデータベースである。
項目計数データベース24は、各検出手段30によって検出される項目毎に算出されるマハラノビス距離に対して予め定められた補正値であり、プラント設備の能力への影響や経年的な劣化等に基づいて求められる値である。すなわち、距離として示された値を寿命としての年数へ変換するための係数である。例えばある検出項目Aと、検出項目Bとのマハラノビス距離が、共に0.8として算出された場合に、項目Aが2年目のボイラ、項目Bが10年目エアヒータであったとする。ボイラとエアヒータの設計寿命が共に12年だとした場合、単純計算によれば余寿命は、ボイラが10年、エアヒータが2年ということとなる。しかし、正常運転時(1.0)との差が共に0.2という事は、使用状態としてはエアヒータの方が良好で、ボイラの方が不具合率が高いと推定することができる。このような関係から、ボイラの余寿命は7年、エアヒータの余寿命は4年、といった具合に変換するための係数であり、有識者により予め定められれば良い。
多変量解析プログラムは、検出手段によって検出される複数の検出データ(運転時のデータ)に基づいて、検出データ(項目)間の関係を数値的に要約する役割を担う。
例えば火力発電所プラントにおける検出データの項目として、表1に示すように、電圧(kV)と、出力(MW)があり、時系列に従って15通りのケースのデータが検出された場合、両者の相関係数は0.86と算出される。
例えば火力発電所プラントにおける検出データの項目として、表1に示すように、電圧(kV)と、出力(MW)があり、時系列に従って15通りのケースのデータが検出された場合、両者の相関係数は0.86と算出される。
このように、電圧と出力の関係は、1つの相関係数として要約された値として導くことができる。ここで相関係数は、例えば次のようにして求めることができる。まず、各項目について平均値と標準偏差を求める。このような例の場合において、電圧をy11、y21、・・・、y(n−1)1、yn1とし、出力をy12、y22、・・・y(n−1)2、yn2とした場合、平均m1、m2は、
で求めることができる。ここで、jは項目数を示し、表1に示した例の場合、項目を電圧とした場合には「1」、項目を出力とした場合には「2」となる。また、iはケースの数を示し、i番目のケースとなる。また、標準偏差σ1、σ2は
で求めることができる。
2つの項目において2つの標準偏差を求めた後に、各項目における各ケースの値を基準化する。各項目における各ケースの値は、そのデータをそのまま使うと、項目により尺度が異なるため、これを揃えるために基準化が必要とされる。基準化された値Yi1、Yi2は、数式3により求めることができる。
基準化されたデータを用いて、それぞれの項目間(本実施形態においては、項目y1と項目y2)の相関を示す相関係数rを求める。相関係数r12、r21は、数式4により求めることができる。
および
次に多変量解析プログラムでは、数式1〜4の例に従って求めた相関係数rを数式5に示すような行列Rを作成する。
この計算値を表にまとめると、表2に示すような値となる。
次に多変量解析プログラムは、表2に示したような相関行列を基に、逆行列(相関逆行列)R−1を算出し、表3のようにまとめる。
表3のように求められた相関逆行列を用いて、各項目における基準からの距離であるマハラノビス距離D2を求める。マハラノビス距離D2は、数式6に基づいて求めることができる。
ここで、Uは、基準化されたケース単位における全項目のデータセット(ベクトル)を示し、表1に示す例の場合には、
となる。また、UTはUの転置行列であり、
と示すことができる。また数式6においてkは、逆行列R−1の行列数(本実施形態においてはk=2)を示す。
マハラノビス距離によれば、直接的な関係が明確でない2つの項目を集約した上で、各ケース間の関係を1つの変数として求めることができる。数式6に基づいてマハラノビス距離D2を求めた場合、表1に示した2つの項目における各ケースのマハラノビス距離D2は、表4に示す値となる。
このような処理を行う多変量解析プログラムでは、多数の項目が存在する場合には、各項目間の相関係数を求め、相関逆行列を算出し、各ケース毎のマハラノビス距離を求める。これにより、時系列間における異常の発生を検出することが可能となる(例えば図3参照)。
また、異常因子(項目)を算出する場合、図4に示すように項目とケースを直交させた表について、ケース毎にマハラノビス距離を求める項目の取捨選択を行う。図4中の表において、各項目の列に配置された1は第1水準(その項目を使う)であり、2は第2水準(その項目を使わない)を示す。このように、項目単位の取捨選択を行った上でケース毎の単位空間に示されるマハラノビス距離は、発生した異常事象への影響度を示すものであり、影響度の高い単位空間に共通して含まれている項目ほど、その異常事象に対する要因となり得る率が高いとすることができる(例えば図5参照)。ここで、図5において、各項目の左側のプロットが第1水準、右側のプロットが第2水準となる。このため、図5に示す例では、「項目1」と「項目8」の項目を使用するほど異常事象への影響度が高くなるということを意味することとなる。
この影響度におけるマハラノビス距離を、基準値を合わせた(0を基点とした)棒グラフとして表すと、図6のように示すことができる。これにより、異常運転パターンにおける項目毎の影響度を定量的に示すことが可能となる。このため、図5に示すグラフにおいて、マハラノビス距離が大きい項目が、異常因子となり得る確率が高いとすることができる。
閾値は、多変量解析プログラムを介して求められたマハラノビス距離の平均値(=1)からの許容乖離値を定める値である。閾値としては、例えば平均値の2倍の値などとすれば良い。
演算手段26は、上述した検出手段30により、検出されたプラント施設の運転パターンの各データを図示しないメモリに読み込み、上述した多変量解析プログラムを起動させ、各種演算処理を実行することで、検出項目とされる変数間のマハラノビス距離を算出する役割を担う。また演算手段26は、算出されたマハラノビス距離を含むその他の情報を、詳細を後述する表示手段32に表示したり、詳細を後述する入力手段34により入力された情報に従った処理を行う役割を担う。
演算手段26は、上述した検出手段30により、検出されたプラント施設の運転パターンの各データを図示しないメモリに読み込み、上述した多変量解析プログラムを起動させ、各種演算処理を実行することで、検出項目とされる変数間のマハラノビス距離を算出する役割を担う。また演算手段26は、算出されたマハラノビス距離を含むその他の情報を、詳細を後述する表示手段32に表示したり、詳細を後述する入力手段34により入力された情報に従った処理を行う役割を担う。
インターフェース28は、システム本体12内部におけるデータの授受、およびシステム本体12と外部に配置された表示手段32や入力手段34、および検出手段30等との間におけるデータの授受を行う際の仲介手段である。
表示手段32は、ディスプレイやプロジェクターなど、演算手段26によって算出された結果や、記憶手段14に記憶されているデータ、および詳細を後述する入力手段34により入力された事柄を人の視覚によって認識できるように表示する手段であれば良い。
表示手段32は、ディスプレイやプロジェクターなど、演算手段26によって算出された結果や、記憶手段14に記憶されているデータ、および詳細を後述する入力手段34により入力された事柄を人の視覚によって認識できるように表示する手段であれば良い。
入力手段34は、キーボード36やマウス38など、表示手段32に表示された事柄の選択や表示手段32に表示された入力項目への入力を可能な手段であれば良い。
上記のような基本構成を有する異常診断システム10では、入力手段34を介して、予め必要とされる種別や数値が入力される。例えば火力発電所プラントでは、燃料の種別(燃料種)や、燃料の混合率などが予め入力され、記憶手段14に記録される。なお、燃料種などの種別項目は、燃料種○○=1、燃料種△△=2、・・・というように、計算に対応可能な数値として入力を行うか、文言として入力された種別を数値へ変換するためのロジックを記憶させておくようにする。
上記のような基本構成を有する異常診断システム10では、入力手段34を介して、予め必要とされる種別や数値が入力される。例えば火力発電所プラントでは、燃料の種別(燃料種)や、燃料の混合率などが予め入力され、記憶手段14に記録される。なお、燃料種などの種別項目は、燃料種○○=1、燃料種△△=2、・・・というように、計算に対応可能な数値として入力を行うか、文言として入力された種別を数値へ変換するためのロジックを記憶させておくようにする。
異常診断システム10ではまず、検出手段30により各種構成要素における運転パターンのデータ(運転データ)の検出が行われる(S10)。
検出された運転データは、演算手段26のメモリ(不図示)に一時記憶される。検出手段30により運転データが入力されると、演算手段26は、記憶手段14に記憶された多変量解析プログラムを起動させる。多変量解析プログラムにより、正常運転パターンデータベース16に記憶された正常運転パターンの相関逆行列と、検出された運転データとの相関関係から、運転データが検出された各構成要素における時間単位のマハラノビス距離を算出する(第1の相関関係値)(S20)。
マハラノビス距離を求めた後、記憶手段14に記録された閾値を読み出し、マハラノビス距離が閾値の範囲内であるか否かの判定を行う(図3参照:S30)。
検出された運転データは、演算手段26のメモリ(不図示)に一時記憶される。検出手段30により運転データが入力されると、演算手段26は、記憶手段14に記憶された多変量解析プログラムを起動させる。多変量解析プログラムにより、正常運転パターンデータベース16に記憶された正常運転パターンの相関逆行列と、検出された運転データとの相関関係から、運転データが検出された各構成要素における時間単位のマハラノビス距離を算出する(第1の相関関係値)(S20)。
マハラノビス距離を求めた後、記憶手段14に記録された閾値を読み出し、マハラノビス距離が閾値の範囲内であるか否かの判定を行う(図3参照:S30)。
閾値の判定においてマハラノビス距離が閾値の範囲外であると判定された場合、記憶手段14の異常運転パターンデータベース18に記憶された異常運転パターン(相関逆行列)を読み出し、検出された運転データとの間でのマハラノビス距離を算出する(第2の相関関係値)。異常運転パターンと検出された運転データとの間のマハラノビス距離の算出は、異常運転パターンデータベースに記録された全ての異常運転パターンに対して行う。
異常運転パターンとの間において算出されたマハラノビス距離が、予め定めた閾値(第2の閾値)の範囲内にあるか否かを判定する。異常運転パターンとの相関関係においてマハラノビス距離が一致、あるいは近似すると示された場合には、異常運転パターンデータベース18に記憶された既知の異常と同一、あるいは近似する異常が生じている可能性が高いからである。
判定において一致するパターン、あるいは近似するパターンがあった場合、異常項目に関するマハラノビス距離と項目計数を乗算した値と、記憶手段に記憶された異常項目の設計寿命とを加算し、異常項目における余寿命予測値を算出する。
次に、あるいは余寿命予測値の算出と同時に、記憶手段14における異常事象データベース20から、該当する異常運転パターン(判定において距離が一致、あるいは近似するとされた異常運転パターン)に関連付けられた有識者のコメントや、要検査対象箇所、要交換部品等のデータを読み出し、表示手段32に表示する。
次に、あるいは余寿命予測値の算出と同時に、記憶手段14における異常事象データベース20から、該当する異常運転パターン(判定において距離が一致、あるいは近似するとされた異常運転パターン)に関連付けられた有識者のコメントや、要検査対象箇所、要交換部品等のデータを読み出し、表示手段32に表示する。
また、異常事象に対するメンテナンスプランとして、プラント施設の構成要素に関するRBM(リスクベースメンテナンス)に基づくリスクマトリックスを表示すると共に、算出された余寿命予測値に基づいて、リスクマトリックスにおける予測寿命の値を補正する。
リスクマトリックスは、例えば火力発電所プラントの構成要素を階層化して分類し、構成要素毎の破損に伴う被害の大きさ(運転停止期間、修繕費用、人身災害の可能性、推定精度等)を定め、階層分けされた構成要素毎に寿命予測を行い、これを1つの表にまとめたものである(例えば図8参照)。なお、実施形態に係るリスクマトリックスでは、各構成要素における寿命予測値は、構成要素の使用(経過)年数や、前回行った検査による損傷状態、および設計寿命等の要素に基づいて導き出される。
通常、上記のようにして導かれた寿命予測値は、現在の運転条件や損傷状態などから、有識者の判断による再リスクランキングが行われることで補正される。本実施形態に係る異常診断システムでは、この再リスクランキングによる寿命予測値の補正を、多変量解析による補正値で行い(例えば図9参照)、異常が予測される場合には、異常運転パターンに関連付けられた有識者コメントや要点検箇所、および要交換部品などを提示する。
また本実施形態に係る異常診断システム10では、従来では有識者が逐次監修する必要があったRBMの提案を自動で行うことが可能となる。なお、表示手段32上に表示されたRBMに関する情報は、予め定められたフォームに当てはめられ、例えば図10に示すように紙面や電子データとして出力することが可能となる。
なお、S30においてマハラノビス距離が正常と判定された場合には、運転データの検出を行い、多変量解析を行うステップ20へと戻り、再び判定を開始する。
また、S50において一致または近似するパターン無しとの判定が成された場合には、新たな運転パターンであると判断し、パターンの学習機能へと移行される(S100)。
また、S50において一致または近似するパターン無しとの判定が成された場合には、新たな運転パターンであると判断し、パターンの学習機能へと移行される(S100)。
学習機能では、検出された運転データにおける特定期間の全項目について相関関係のパターン化を行う(S110)。ここで、検出された運転データに起因した実際の運転状態が正常であった場合には、パターン化されたデータを正常運転パターンとして正常運転パターンデータベース16に記録し、相関関係パターンの補正(更新)を行う(S110a)。一方、検出された運転データに起因した実際の運転状態が異常であった場合には、パターン化されたデータを異常運転パターンとして異常運転パターンデータベース18に記録する(S110b)。
パターン化されたデータから、図4に示したように項目の取捨選択を行い、単位空間におけるマハラノビス距離を求め、異常事象の要因となり得る項目を導き出す(図5、および図6参照:S120)。
その後、抽出された特徴項目に基づき有識者の判断による点検箇所や交換部品、およびコメントの関連付けが成され、関連付けられたコメント等は、異常事象データベース20に記録され、異常運転パターンデータベース18に記録されたパターンとの関連付けが成される(S130)。
その後、抽出された特徴項目に基づき有識者の判断による点検箇所や交換部品、およびコメントの関連付けが成され、関連付けられたコメント等は、異常事象データベース20に記録され、異常運転パターンデータベース18に記録されたパターンとの関連付けが成される(S130)。
上記のような異常診断システム10によれば、プラント設備運転時に得られる複数のデータの相関関係に基づいて、設備全体の正常または異常を判断し、異常発生時にはその要因を検出することが可能となる。また、機器の経年変化や運転状況を把握することにより得られるリスクマトリックスに対し、多変量解析により得られる補正値を入力することで、リスクマトリックスにおける再リスクランキングを定量的に行うことが可能となり、検討者の経験による精度誤差を無くすことができる。また、多変量解析により得られる補正値に、有識者のコメントや異常因子を関連付けすることで、高精度なリスクベースメンテナンスの提案を実現することができる。このように導き出されたRBM提案書に基づいてメンテナンス計画を立てると共にこれを実施することで、修繕費用や操業停止時間の最小化を図ると共に、設備の健全性を確保することができる。
また、本実施形態に係る異常診断システム10では、多変量解析により異常の要因(因子)とその関係の強度を導き出すことが可能である。このため、実施形態で示した火力発電所プラントなどのように、段階的な流れ処理が成されるプラント施設では、その異常事象がどの段階で生じているのかを導き出すことも可能となる。例えば図2において、煙突における煤塵濃度が異常を示した場合、その主たる要因が集塵機にあるのか、あるいは燃料にあるのかといった事柄を、マハラノビス距離に基づく関係から導くことが可能となる。これは、マハラノビス距離が大きい項目において、最も上流側に位置する項目を選択することで成しえることである。
上記実施形態においては、プラント施設の具体例として火力発電プラントを例に挙げて説明した。しかしながら、本願に係るプラント異常診断システムは、他の目的のためのプラント施設、例えば化学プラント、石油プラント、食品プラント、空調設備、水処理設備等の他、クレーンやポンプといった動力機器単体などであっても適用することができる。また、実施形態では、多変量解析プログラムとして、マハラノビス距離を求めるプログラムを示し、これによって得られる値(マハラノビス距離)を、異常診断に利用し、余寿命計算のための補正値として利用する旨記載した。しかしながら、多変量解析プログラムとしては、傾向管理を行うためのプログラムや、項目診断を行うためのプログラムを採用し、これによって得られる値を、異常診断に利用し、余寿命計算のための補正値とすることもできる。
10………異常診断システム、12………システム本体、14………記憶手段、16………正常運転パターンデータベース、18………異常運転パターンデータベース、20………異常事象データベース、22………設計寿命データベース、24………項目係数データベース、26………演算手段、28………インターフェース、30………検出手段、32………表示手段、34………入力手段。
Claims (4)
- プラント設備における複数の構成要素に設けられ、予め定められた運転データを検出する検出手段と、
少なくとも、前記プラント設備における正常時の運転データを正常運転パターンとして記録した正常運転パターンデータベースと、前記プラント設備における異常時の運転データを異常運転パターンとして記録した異常運転パターンデータベースと、記録された各異常運転パターンに対する有識者コメントと異常事象の要因を記録した異常事象データベースと、検出された前記運転データと前記正常運転パターンデータベースに記録された正常運転パターンの平均値とに基づく多変量解析を行う多変量解析プログラムと、前記多変量解析によって得られた相関関係値に対する許容乖離値を定める閾値と、を記録した記憶手段と、
前記記憶手段に記憶された多変量解析プログラムを起動させ、前記検出手段によって検出された運転データと前記正常運転パターンデータベースから読み出した前記正常運転パターンとの間における第1の相関関係値を求め、前記第1の相関関係値と前記閾値とを比較し、前記第1の相関関係値のうちの少なくとも一部が前記閾値を超えていた場合には異常と判定し、前記第1の相関関係値の全てが前記閾値よりも低い値であった場合には正常と判定すると共に、前記判定により異常と判定した場合には、前記異常運転パターンデータベースから読み出した前記異常運転パターンと前記正常運転パターンとの間における第2の相関関係値を求め、前記第1の相関関係値と前記第2の相関関係値とが一致または近似するか否かを判定し、一致または近似した場合には、前記第2の相関関係値を求めた前記異常運転パターンに対する有識者コメントと異常事象の要因を読み出す演算手段と、
少なくとも前記演算手段よって判定された異常または正常の結果と、前記結果が異常であった場合に読み出される前記有識者コメントと前記異常事象の要因を出力する表示手段とを有することを特徴とするプラント異常診断システム。 - 前記記憶手段には前記プラント設備における複数の構成要素毎の設計寿命を記録した設計寿命データベースと、前記プラント設備を構成する各構成要素毎に定められた予測寿命補正値としての項目係数が記録された項目係数データベースとが記憶され、
前記演算手段による前記多変量解析では前記相関関係値としてマハラノビス距離が求められ、前記設計寿命データベースから読み出された各構成要素における設計寿命と、各構成要素における前記マハラノビス距離と前記項目計数とを乗じた値の和に基づいて異常項目における余寿命を算出し、当該異常項目における余寿命を前記表示手段に出力することを特徴とする請求項1に記載のプラント異常診断システム。 - 前記記憶手段には、新たな異常運転パターンに対する新たな有識者コメントと要因を取得する学習プログラムが記憶され、
前記演算手段は、前記第2の相関関係値を前記異常運転パターンデータベースに記録された全ての異常運転について求め、異常と判定された前記第1の相関関係値と一致または近似する相関関係値が存在しなかった場合に、前記学習プログラムを起動させることを特徴とする請求項1または請求項2に記載のプラント異常診断システム。 - 前記学習プログラム起動時に、前記有識者から得た前記有識者コメントと前記要因とを入力する入力手段を備えたことを特徴とする請求項1乃至請求項3のいずれか1項に記載のプラント異常診断システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010074965A JP2011209847A (ja) | 2010-03-29 | 2010-03-29 | プラント異常診断システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010074965A JP2011209847A (ja) | 2010-03-29 | 2010-03-29 | プラント異常診断システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2011209847A true JP2011209847A (ja) | 2011-10-20 |
Family
ID=44940867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2010074965A Pending JP2011209847A (ja) | 2010-03-29 | 2010-03-29 | プラント異常診断システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2011209847A (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014137323A (ja) * | 2013-01-18 | 2014-07-28 | Hitachi Power Solutions Co Ltd | 異常診断装置およびこれを用いた異常診断方法 |
JP5875726B1 (ja) * | 2015-06-22 | 2016-03-02 | 株式会社日立パワーソリューションズ | 異常予兆診断装置のプリプロセッサ及びその処理方法 |
JP2016224042A (ja) * | 2015-05-27 | 2016-12-28 | 東海旅客鉄道株式会社 | 温度異常検出システム、温度異常検出方法 |
JP2019002672A (ja) * | 2017-06-15 | 2019-01-10 | 日立造船株式会社 | 情報処理装置、および情報処理方法 |
JP2020013464A (ja) * | 2018-07-20 | 2020-01-23 | 中日本炉工業株式会社 | 処理装置の稼働管理システム |
WO2023145222A1 (ja) * | 2022-01-31 | 2023-08-03 | 三菱パワー株式会社 | 監視方法、sn比利得の算出方法、監視装置及びプログラム |
CN117003356A (zh) * | 2023-09-28 | 2023-11-07 | 广东科创智水科技有限公司 | 一种应用于脱氮除磷水处理工艺的智能加药系统 |
-
2010
- 2010-03-29 JP JP2010074965A patent/JP2011209847A/ja active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014137323A (ja) * | 2013-01-18 | 2014-07-28 | Hitachi Power Solutions Co Ltd | 異常診断装置およびこれを用いた異常診断方法 |
JP2016224042A (ja) * | 2015-05-27 | 2016-12-28 | 東海旅客鉄道株式会社 | 温度異常検出システム、温度異常検出方法 |
JP5875726B1 (ja) * | 2015-06-22 | 2016-03-02 | 株式会社日立パワーソリューションズ | 異常予兆診断装置のプリプロセッサ及びその処理方法 |
JP2017010263A (ja) * | 2015-06-22 | 2017-01-12 | 株式会社日立パワーソリューションズ | 異常予兆診断装置のプリプロセッサ及びその処理方法 |
JP2019002672A (ja) * | 2017-06-15 | 2019-01-10 | 日立造船株式会社 | 情報処理装置、および情報処理方法 |
JP2020013464A (ja) * | 2018-07-20 | 2020-01-23 | 中日本炉工業株式会社 | 処理装置の稼働管理システム |
JP7236127B2 (ja) | 2018-07-20 | 2023-03-09 | 中日本炉工業株式会社 | 処理装置の稼働管理システム |
WO2023145222A1 (ja) * | 2022-01-31 | 2023-08-03 | 三菱パワー株式会社 | 監視方法、sn比利得の算出方法、監視装置及びプログラム |
CN117003356A (zh) * | 2023-09-28 | 2023-11-07 | 广东科创智水科技有限公司 | 一种应用于脱氮除磷水处理工艺的智能加药系统 |
CN117003356B (zh) * | 2023-09-28 | 2023-12-15 | 广东科创智水科技有限公司 | 一种应用于脱氮除磷水处理工艺的智能加药系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2011209847A (ja) | プラント異常診断システム | |
CN107111309B (zh) | 利用监督式学习方法的燃气涡轮机故障预测 | |
US8972067B2 (en) | System and method for optimizing plant operations | |
JP4550632B2 (ja) | 設備保全計画支援システムおよびその支援方法 | |
JP5129725B2 (ja) | 装置異常診断方法及びシステム | |
CARAZAS et al. | Availability analysis of gas turbines used in power plants | |
EP1538503A1 (en) | Distributed power generation plant automated event assessment and mitigation plan determination process | |
JP6088131B2 (ja) | タービン性能診断システム及び方法 | |
JP2004523843A (ja) | 流れ系統を診断するシステム、装置および方法 | |
Patil et al. | Reliability analysis of a steam boiler system by expert judgment method and best-fit failure model method: a new approach | |
WO2014054051A1 (en) | Health monitoring system for a process plant and a method thereof | |
KR20110046091A (ko) | 심각도와 발생가능도를 고려한 중요도 평가 방법 | |
JP2021089116A (ja) | 情報処理装置、情報処理方法、プログラム及び学習済みモデルの生成方法 | |
Puthillath et al. | Selection of maintenance strategy using failure mode effect and criticality analysis | |
Jharko et al. | Diagnostic tasks in human-machine control systems of nuclear power plants | |
Agarwal et al. | Development of asset fault signatures for prognostic and health management in the nuclear industry | |
JP2020173575A (ja) | 設備診断システム | |
JP6980034B2 (ja) | 装置寿命評価方法 | |
Yuchomboon et al. | Inspection maintenance improvement for reducing common cause failures of k-out-of-n configurations: a case study of power plant | |
Milovanović et al. | Qualitative analysis in the reliability assessment of the steam turbine plant | |
JPS63208716A (ja) | 機器保守管理支援装置 | |
JP2016081104A (ja) | プロセス診断支援装置 | |
Ignat | Power plants maintenance optimization based on CBM techniques | |
Kumari et al. | Performance and Availability Analysis of Feeding System in a Sugar Mill using Stochastic Modelling | |
EP4254430A1 (en) | Device and method for tracking basis of abnormal state determination by using neural network model |