JP2016038856A - プラント装置の統括診断方法、及び、プラント装置の統括診断装置 - Google Patents
プラント装置の統括診断方法、及び、プラント装置の統括診断装置 Download PDFInfo
- Publication number
- JP2016038856A JP2016038856A JP2014163662A JP2014163662A JP2016038856A JP 2016038856 A JP2016038856 A JP 2016038856A JP 2014163662 A JP2014163662 A JP 2014163662A JP 2014163662 A JP2014163662 A JP 2014163662A JP 2016038856 A JP2016038856 A JP 2016038856A
- Authority
- JP
- Japan
- Prior art keywords
- target
- score
- abnormality
- parameter
- parameters
- 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
- 238000002405 diagnostic procedure Methods 0.000 title 1
- 230000005856 abnormality Effects 0.000 claims abstract description 69
- 238000005259 measurement Methods 0.000 claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims description 79
- 238000000605 extraction Methods 0.000 claims description 36
- 238000003745 diagnosis Methods 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 22
- 230000001133 acceleration Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 3
- 241000287463 Phalacrocorax Species 0.000 claims 1
- 238000012806 monitoring device Methods 0.000 claims 1
- 239000012267 brine Substances 0.000 description 64
- HPALAKNZSZLMCH-UHFFFAOYSA-M sodium;chloride;hydrate Chemical compound O.[Na+].[Cl-] HPALAKNZSZLMCH-UHFFFAOYSA-M 0.000 description 64
- 239000013535 sea water Substances 0.000 description 16
- 238000009826 distribution Methods 0.000 description 13
- 238000001816 cooling Methods 0.000 description 12
- 238000009835 boiling Methods 0.000 description 9
- 239000013505 freshwater Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 8
- 238000010612 desalination reaction Methods 0.000 description 7
- 238000011084 recovery Methods 0.000 description 7
- 230000007423 decrease Effects 0.000 description 6
- 238000001704 evaporation Methods 0.000 description 6
- 230000008020 evaporation Effects 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000009530 blood pressure measurement Methods 0.000 description 3
- 238000009529 body temperature measurement Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000013022 venting Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
【課題】対象プラント装置の異常兆候を検出し、当該異常要因の推定及び当該異常兆候を追跡する。【解決手段】対象プラント装置の負荷一定時のシステムパラメータとメカトロパラメータとを計測する基準計測により得られた基準データを標準化し、当該標準化基準データの時系列から特徴係数を抽出し、特徴係数と標準化基準データとから基準得点を求め、監視対象時点でのシステムパラメータとメカトロパラメータとを計測し、当該対象計測により得られた対象データを標準化し、標準化対象データと特徴係数とから対象得点を求め、基準得点と当該対象得点の差異の大きさと予め設定した閾値との比較により異常判定を行い、異常が存在すると判定された場合に、システムパラメータとメカトロパラメータの各々に対する各基準得点と各対象得点との比較から当該異常の要因に関連するパラメータを抽出する。【選択図】図１
Description
本発明は、プラント装置の統括診断方法、及び、プラント装置の統括診断装置に関する。
対象プラント装置のシステムパラメータを取得して、対象プラント装置の性能や機能性を診断し、システムパラメータには上限値／下限値あるいは制御目標値が設定されており、対象プラント装置の性能低下の傾向を監視し、最適な運転状態となるような制御下で運用されている。また、このシステムパラメータと並行して回転機械の主軸での振動データや電動機の電流データなどのメカトロパラメータを取得して、当該回転機械の健全性診断を行っている。
例えば、前記システムパラメータとして、各温度、各圧力、各流量、各液レベル、プラントの製品品質（純度、物理化学的性能など）を取得し、取得されたデータを所定の閾値と比較することにより異常の有無を判定している。前記メカトロパラメータとして、回転機械の主軸軸受部での加速度や電動機の電流データを取得し、取得されたデータを解析・分析し、所定の強度や大きさに対する閾値とを比較することにより異常の有無を判定している。
例えば、前記システムパラメータとして、各温度、各圧力、各流量、各液レベル、プラントの製品品質（純度、物理化学的性能など）を取得し、取得されたデータを所定の閾値と比較することにより異常の有無を判定している。前記メカトロパラメータとして、回転機械の主軸軸受部での加速度や電動機の電流データを取得し、取得されたデータを解析・分析し、所定の強度や大きさに対する閾値とを比較することにより異常の有無を判定している。
現状では、前記システムパラメータおよび前記メカトロパラメータのすべての値が正常範囲にあれば異常兆候が発生していても“異常”告知は行わない。そして当該微小な異常兆候が進行してゆき、いずれかのパラメータ値が対応する閾値に到達してから初めて異常状態であることを運転員に警報や操作パネルでの表示により告知することとなる。
しかしながら、このように異常兆候が顕在するまで処置が行われないという現状は対象プラント装置の性能維持や回転機械設備の保全の観点から生産性の低下や運転・メンテナンス上のコスト増加を招くのみならず、潜在的な危険源となる恐れがある。また異常兆候の要因は、複数のシステムパラメータやメカトロパラメータに影響する場合が多く、異常兆候事象が進展するにしたがってさまざまなパラメータへ影響が広がってゆく。
しかしながら、このように異常兆候が顕在するまで処置が行われないという現状は対象プラント装置の性能維持や回転機械設備の保全の観点から生産性の低下や運転・メンテナンス上のコスト増加を招くのみならず、潜在的な危険源となる恐れがある。また異常兆候の要因は、複数のシステムパラメータやメカトロパラメータに影響する場合が多く、異常兆候事象が進展するにしたがってさまざまなパラメータへ影響が広がってゆく。
文献１：PROVISION NO.78 / Summer 2013 p.28-p.33
文献２：NEC技報,Vol.63,No.2,pp75-78 2010.4, Vol.65 No.2/2012
文献２：NEC技報,Vol.63,No.2,pp75-78 2010.4, Vol.65 No.2/2012
IBM東京基礎研究所から“センサー・データによる状態監視技術”として提案されている（文献１：PROVISION NO.78 / Summer 2013 p.28-p.33）。本従来技術では、センサ間の依存性に着目し、正常時の時系列波形から確率分布を求めて各センサの異常度を計算することによって多くのセンサの中から“仲間外れのセンサ”を見出すのだが、下記する２つの大きな課題がある。
まず、前記文献１ではシステムパラメータに限定したセンサ群であることから、対象プラント装置の性能と周辺の回転機械とが相互に関連する異常兆候もしくは回転機械の異常兆候が要因となって対象プラント装置の性能が被る異常兆候を検出することは不可能であった。
２つ目の課題としては、“仲間外れのセンサ”を抽出しても当該センサに対応するシステムパラメータが異常兆候の要因とは限らず、本要因がどこにあるかを知ることは困難である場合が多い。つまり、真の要因となっているシステムパラメータと“仲間外れのセンサ”とが一致するとは限らず、複数のシステムパラメータやメカトロパラメータへ広がった場合には当該異常兆候の原因推定や当該異常兆候への対応策を立案できないという課題があった。
まず、前記文献１ではシステムパラメータに限定したセンサ群であることから、対象プラント装置の性能と周辺の回転機械とが相互に関連する異常兆候もしくは回転機械の異常兆候が要因となって対象プラント装置の性能が被る異常兆候を検出することは不可能であった。
２つ目の課題としては、“仲間外れのセンサ”を抽出しても当該センサに対応するシステムパラメータが異常兆候の要因とは限らず、本要因がどこにあるかを知ることは困難である場合が多い。つまり、真の要因となっているシステムパラメータと“仲間外れのセンサ”とが一致するとは限らず、複数のシステムパラメータやメカトロパラメータへ広がった場合には当該異常兆候の原因推定や当該異常兆候への対応策を立案できないという課題があった。
また、日本電気株式会社はセンサ情報などビッグデータの分析を行う独自技術として、専
門知識や複雑な設定なしで「いつもと違う」挙動を自動発見できる、インバリアント分析技
術(文献２：NEC技報,Vol.63,No.2,pp75-78 2010.4, Vol.65 No.2/2012)が提案されている。多数のセンサから大量の時系列データを収集・分析し、平常時に成り立つセンサ間の不変関係（インバリアント：invariant）を関係式として自動でモデル化し、このモデルの予測値とリアルタイムデータを比較し「いつもと違う」動きを検出することが可能になるという。インバリアント分析技術では、センサ間の関連性を機械学習により自動的に抽出するものであるとしているが、本提案では、「データの場合分け」と「因子の組み合わせ」といった工夫はあるものの、基本的には変数間の相関係数に依っており、相関関係が維持されているか否かで異常判断を行っているので、以下の２つの課題があった。
門知識や複雑な設定なしで「いつもと違う」挙動を自動発見できる、インバリアント分析技
術(文献２：NEC技報,Vol.63,No.2,pp75-78 2010.4, Vol.65 No.2/2012)が提案されている。多数のセンサから大量の時系列データを収集・分析し、平常時に成り立つセンサ間の不変関係（インバリアント：invariant）を関係式として自動でモデル化し、このモデルの予測値とリアルタイムデータを比較し「いつもと違う」動きを検出することが可能になるという。インバリアント分析技術では、センサ間の関連性を機械学習により自動的に抽出するものであるとしているが、本提案では、「データの場合分け」と「因子の組み合わせ」といった工夫はあるものの、基本的には変数間の相関係数に依っており、相関関係が維持されているか否かで異常判断を行っているので、以下の２つの課題があった。
まず、当該従来技術では、数値データ間の相関係数を基本とした判別指標であるので、対象プラント装置の状態が正常状態であるか異常状態であるのかの切り分けと、正常時に得られた相関関係が維持できているかの問題は必ずしも一致しない。
つまり、相関関係は一つの指標ではあるが、膨大なデータ種別・データ量において異常兆候の発生を判定する際には、適切な特徴抽出手法による情報の集約化といった視点が必要なのである。
つまり、相関関係は一つの指標ではあるが、膨大なデータ種別・データ量において異常兆候の発生を判定する際には、適切な特徴抽出手法による情報の集約化といった視点が必要なのである。
この従来技術の課題を具体的な事例で示す。
後述する本発明の実施例である海水淡水化プラント装置におけるベント不良による第２段のみで蒸発性能が低下して様々なパラメータに影響が広がり異常兆候が発生した場合と、負荷が100%から50%負荷へ変化するといういずれも正常な場合とにおける変数間の共分散（異なる変数間での相関係数を共分散と称す）の分布を図２０と図２１に示す。使用したパラメータ値としては、システムパラメータ値は図７を、メカトロパラメータ値は図１１，１２，１３である。
図２０では、正常100%負荷時の共分散を実線で、正常50%負荷時の共分散を点線で示す。図２１には、正常100%負荷時を同じく実線で、異常兆候時を点線で示す。
これらの図からも分かるように、正常100%負荷時と比較したとき、異常兆候時の共分散との差異よりも50%負荷時の共分散との差異の方が大きい。つまり、共分散という指標では負荷変化という正常状態の変動に異常兆候が埋もれてしまうことを解消できない。
このように変数間の関係を直接的に相関係数（共分散）などで捉えることでは負荷変動な
どの外乱の下で、微小な異常兆候を検出することには課題があった。
後述する本発明の実施例である海水淡水化プラント装置におけるベント不良による第２段のみで蒸発性能が低下して様々なパラメータに影響が広がり異常兆候が発生した場合と、負荷が100%から50%負荷へ変化するといういずれも正常な場合とにおける変数間の共分散（異なる変数間での相関係数を共分散と称す）の分布を図２０と図２１に示す。使用したパラメータ値としては、システムパラメータ値は図７を、メカトロパラメータ値は図１１，１２，１３である。
図２０では、正常100%負荷時の共分散を実線で、正常50%負荷時の共分散を点線で示す。図２１には、正常100%負荷時を同じく実線で、異常兆候時を点線で示す。
これらの図からも分かるように、正常100%負荷時と比較したとき、異常兆候時の共分散との差異よりも50%負荷時の共分散との差異の方が大きい。つまり、共分散という指標では負荷変化という正常状態の変動に異常兆候が埋もれてしまうことを解消できない。
このように変数間の関係を直接的に相関係数（共分散）などで捉えることでは負荷変動な
どの外乱の下で、微小な異常兆候を検出することには課題があった。
２つ目の課題としては、文献１が有する課題と同じく、「いつもと違う」動きを検出しても当該センサに対応するシステムパラメータが異常兆候の要因とは限らず、本要因がどこにあるかを知ることは困難である場合が多いことである。
さらに、単なる設備の構成部品の機能低下が原因とは限らない故障や流体力学的不全（例えば、ウォータハンマやキャビテーション）とプラント装置内の温度、圧力、組成、滞留時間などが関連した異常兆候が発生して次第に対象プラント装置の機能低下が進展するような場合には、前記システムパラメータおよび前記メカトロパラメータとを考慮した系統的な診断・評価が必要であるが、このような配慮は見当たらない。
対象プラント装置の性能・機能性および回転機械の健全性を統合的に診断・評価する際に、システムパラメータにおいて、各パラメータ値が許容範囲内にあっても、まず、あるセンサが“何かおかしい”と判定できても、その要因を把握することが困難であり、さらに回転機械等の周辺設備を含んだ統括的なプラント診断と当該診断結果に基づく対策案を提供できなかった。
対象プラント装置の性能・機能性および回転機械の健全性を統合的に診断・評価する際に、システムパラメータにおいて、各パラメータ値が許容範囲内にあっても、まず、あるセンサが“何かおかしい”と判定できても、その要因を把握することが困難であり、さらに回転機械等の周辺設備を含んだ統括的なプラント診断と当該診断結果に基づく対策案を提供できなかった。
また、対象プラント装置の本体装置内の温度、圧力、組成、滞留時間などの異常兆候の発生が周辺の回転機械の運転状態に及ぼす影響や、逆に周辺の回転機械の異常兆候の発生が本体装置内の温度、圧力、組成、滞留時間などに及ぼす影響を考慮しておらず、相互に関連する異常兆候の発生を検出できなかった。
また、対象プラント装置の負荷は、設計条件100%負荷に加えて75%負荷、50%負荷などの
部分負荷運転が行われるが、これらの負荷変化時には前記システムパラメータとメカトロパラメータの変化は大きいにも関わらず安定して“正常”と判定しつつ、かつ異常兆候現象を検出することが出来なかった。
部分負荷運転が行われるが、これらの負荷変化時には前記システムパラメータとメカトロパラメータの変化は大きいにも関わらず安定して“正常”と判定しつつ、かつ異常兆候現象を検出することが出来なかった。
本発明は、かかる課題に鑑みてなされたものであり、その目的とするところは簡便かつ安定的で実用に供することが可能な対象プラント装置の異常兆候の検出手法とその対策立案のための要因パラメータを提供することにある。つまり、下記を特徴とする手法である。
・ 対象プラント装置内及び周辺回転機械の異常兆候を、負荷変化などの外乱下においても、より普遍的に検出できること
・ 異常兆候の要因パラメータを抽出し要因推定のための情報提供ができること
・ 検出した異常事象を追跡する傾向監視ができること
・ 対象プラント装置内及び周辺回転機械の異常兆候を、負荷変化などの外乱下においても、より普遍的に検出できること
・ 異常兆候の要因パラメータを抽出し要因推定のための情報提供ができること
・ 検出した異常事象を追跡する傾向監視ができること
主たる本発明は、対象プラント装置の異常兆候を検出し、当該異常要因の推定及び当該異常兆候を追跡する傾向監視において、
前記対象プラント装置の負荷一定時のシステムパラメータとメカトロパラメータとを計測する基準計測ステップと、当該基準計測により得られた基準データを標準化するための基準標準化ステップと、当該基準標準化ステップにて得られた基準データの時系列から特徴係数を抽出する特徴係数抽出ステップと、当該特徴係数抽出ステップにより得られる特徴係数と前記基準標準化ステップにて得た標準化基準データとから基準得点を求める基準得点算出ステップと、監視対象時点でのシステムパラメータとメカトロパラメータとを計測する対象計測ステップと、当該対象計測により得られた対象データを標準化するための対象標準化ステップと、当該対象標準化ステップにて得られた標準化対象データと前記特徴係数抽出ステップにて得られた特徴係数とから対象得点を求める対象得点算出ステップと、前記基準得点算出ステップにて得られた基準得点と当該対象得点の差異の大きさと予め設定した閾値との比較により異常判定を行う異常判定ステップと、異常が存在すると判定された場合に、前記システムパラメータとメカトロパラメータの各々に対する各基準得点と各対象得点との比較から当該異常の要因に関連するパラメータを抽出する要因パラメータ抽出ステップとからなることを特徴とするプラント装置の統括診断方法である。
前記対象プラント装置の負荷一定時のシステムパラメータとメカトロパラメータとを計測する基準計測ステップと、当該基準計測により得られた基準データを標準化するための基準標準化ステップと、当該基準標準化ステップにて得られた基準データの時系列から特徴係数を抽出する特徴係数抽出ステップと、当該特徴係数抽出ステップにより得られる特徴係数と前記基準標準化ステップにて得た標準化基準データとから基準得点を求める基準得点算出ステップと、監視対象時点でのシステムパラメータとメカトロパラメータとを計測する対象計測ステップと、当該対象計測により得られた対象データを標準化するための対象標準化ステップと、当該対象標準化ステップにて得られた標準化対象データと前記特徴係数抽出ステップにて得られた特徴係数とから対象得点を求める対象得点算出ステップと、前記基準得点算出ステップにて得られた基準得点と当該対象得点の差異の大きさと予め設定した閾値との比較により異常判定を行う異常判定ステップと、異常が存在すると判定された場合に、前記システムパラメータとメカトロパラメータの各々に対する各基準得点と各対象得点との比較から当該異常の要因に関連するパラメータを抽出する要因パラメータ抽出ステップとからなることを特徴とするプラント装置の統括診断方法である。
本発明の他の特徴については、本明細書及び添付図面の記載により明らかにする。
本明細書及び添付図面の記載により、少なくとも次のことが明らかにされる。
対象プラント装置の負荷一定時のシステムパラメータとメカトロパラメータとを計測する基準計測ステップと、当該基準計測により得られた基準データを標準化するための基準標準化ステップと、当該基準標準化ステップにて得られた基準データの時系列から特徴係数を抽出する特徴係数抽出ステップと、当該特徴係数抽出ステップにより得られる特徴係数と前記基準標準化ステップにて得た標準化基準データとから基準得点を求める基準得点算出ステップと、監視対象時点でのシステムパラメータとメカトロパラメータとを計測する対象計測ステップと、当該対象計測により得られた対象データを標準化するための対象標準化ステップと、当該対象標準化ステップにて得られた標準化対象データと前記特徴係数抽出ステップにて得られた特徴係数とから対象得点を求める対象得点算出ステップと、前記基準得点算出ステップにて得られた基準得点と当該対象得点の差異の大きさと予め設定した閾値との比較により異常判定を行う異常判定ステップと、異常が存在すると判定された場合に、前記システムパラメータとメカトロパラメータの各々に対する各基準得点と各対象得点との比較から当該異常の要因に関連するパラメータを抽出する要因パラメータ抽出ステップとからなることを特徴とするプラント装置の統括診断方法である。
かかる対象プラント装置の診断方法、傾向監視によれば、対象プラント装置の異常兆候の
検出及び当該異常の要因推定が可能となり、異常兆候の追跡によって最適な対策立案と対策
実施時期が実用的なものとなる。
検出及び当該異常の要因推定が可能となり、異常兆候の追跡によって最適な対策立案と対策
実施時期が実用的なものとなる。
また、前記の基準計測ステップにおいて、対象プラント装置の100%負荷一定運転時のシステムパラメータ値として、本体装置の冷却水入口・出口温度などの温度計測、本体装置内圧力・主ポンプ出口圧力などの圧力計測、本体装置入口・出口流量や主ポンプ流量などの流量計測、本体装置内の液レベルなどのレベル計測、本体装置で生産される製品の純度などの品質計測を代表的な計測項目とし、メカトロパラメータ値として、代表的なポンプ主軸軸受の加速度データを計測項目とし、前記基準標準化ステップにおいて、システムパラメータの計測値については設計時の上限値・下限値に基づき標準化を行うものとし、メカトロパラメータの加速度データについてはフーリエ変換により得られるスペクトルをある規定に沿って分割し、当該分割周波数帯域の強さの時間系列での平均値・分散に基づく標準化を行った後、当該標準化後の最大値・最小値により正規化を施すことを特徴とする。
かかる場合には、システムパラメータ値とメカトロパラメータ値のいずれも0〜1 の間の値に変換できるので対象プラント装置の統括的な診断を行う際の、前記特徴係数抽出ステップにおいて特徴係数を求めることが可能となる。
かかる場合には、システムパラメータ値とメカトロパラメータ値のいずれも0〜1 の間の値に変換できるので対象プラント装置の統括的な診断を行う際の、前記特徴係数抽出ステップにおいて特徴係数を求めることが可能となる。
また、前記の特徴係数抽出ステップにおいて、各温度計測値、各圧力計測値、流量計測値、レベル計測値、品質計測値および加速度の各分割帯域のスペクトル強度についての時間軸における相関から、複数の次数を有する特徴係数を求めることとしてもよい。
かかる場合には、対象プラント装置の性能劣化の兆候もしくは回転機械の異常兆候の検出とともに当該異常兆候の進展の度合いを評価することが可能となり、その後の傾向監視上における対策実施時期を決定することが可能となる。
かかる場合には、対象プラント装置の性能劣化の兆候もしくは回転機械の異常兆候の検出とともに当該異常兆候の進展の度合いを評価することが可能となり、その後の傾向監視上における対策実施時期を決定することが可能となる。
また、前記の異常判定ステップにおいて、基準得点算出ステップにて得られた基準得点の平均値と分散を算出し、同様に対象得点算出ステップにて得られた対象得点の平均値と分散を算出し、基準得点と対象得点との統括乖離度合を当該平均値と分散とから定量化し、予め設定した当該統括乖離度合の閾値と比較することにより異常判定を行うことを特徴とする。
かかる場合には、システムパラメータの各物理量、化学的組成やメカトロパラメータの加速度、電気信号など当該状態の時間的変動に対するレスポンスの相違などが存在しても、安定した統括乖離度合を評価することが可能となり、異常兆候検出の信頼性を向上させることが可能となる。
かかる場合には、システムパラメータの各物理量、化学的組成やメカトロパラメータの加速度、電気信号など当該状態の時間的変動に対するレスポンスの相違などが存在しても、安定した統括乖離度合を評価することが可能となり、異常兆候検出の信頼性を向上させることが可能となる。
また、前記の要因パラメータ抽出ステップにおいて、システムパラメータやメカトロパラメータの各々の基準データ及び対象データを標準化後の値（これを基準変数値及び対象変数値と称す）について、変数ごとに前記特徴係数抽出ステップにて求めた特徴係数と当該変数値との積を、基準変数と対象変数について算出することによって基準変数得点と対象変数得点とが求まる。そしてこれらの基準変数得点と対象変数得点との個別乖離度合をそれぞれの平均値と分散とから求めることによって、個別乖離度の大きい変数が、当該異常兆候の要因に関連するパラメータである。
かかる場合には、前記の異常判定ステップによって異常兆候があると判断された場合に当該異常兆候の要因パラメータの抽出ステップによって要因推定のためのパラメータを特定することが可能となる。
かかる場合には、前記の異常判定ステップによって異常兆候があると判断された場合に当該異常兆候の要因パラメータの抽出ステップによって要因推定のためのパラメータを特定することが可能となる。
またプラント装置の統括診断方法を実現するためのコンピュータプログラムも実現可能である。
かかるコンピュータプログラムによれば、対象プラント装置の統括診断および傾向監視に
おける異常兆候事象の発生有無の診断、当該異常事象の進展追跡、当該異常兆候の要因分析及び対策案の立案とその実施時期の最適化が実用なものとなる。
かかるコンピュータプログラムによれば、対象プラント装置の統括診断および傾向監視に
おける異常兆候事象の発生有無の診断、当該異常事象の進展追跡、当該異常兆候の要因分析及び対策案の立案とその実施時期の最適化が実用なものとなる。
また、前記コンピュータプログラムを備えたコンピュータを有することを特徴とする対象プラント装置の統括診断装置も実現可能である。
かかる対象プラント装置の統括診断装置によれば、対象プラント装置の統括診断および傾向監視における異常兆候事象の発生有無の診断、当該異常事象の進展追跡、当該異常兆候の要因分析及び対策案の立案とその実施時期の最適化が簡便なものとなる。
かかる対象プラント装置の統括診断装置によれば、対象プラント装置の統括診断および傾向監視における異常兆候事象の発生有無の診断、当該異常事象の進展追跡、当該異常兆候の要因分析及び対策案の立案とその実施時期の最適化が簡便なものとなる。
（本実施の形態に係る対象プラント統括診断方法の全体フローについて）
図１に対象プラント装置の統括診断方法の各ステップのフローチャートを、図２に異常と判定された場合の要因分析に関するフローチャートを示す。
図１に対象プラント装置の統括診断方法の各ステップのフローチャートを、図２に異常と判定された場合の要因分析に関するフローチャートを示す。
図１の対象プラント装置の正常状態基準データ１についてシステムパラメータの取得２を行う。少なくとも３つの時間帯において取得する。この理由は各パラメータ値の時間変化を把握するためである。
そして、j番目のシステムパラメータ値xjに関しては、設計上もしくは運転上の上限値
xmax・下限値xminを用いて（数１）に示す標準化を行い、Xjを得る。
そして、j番目のシステムパラメータ値xjに関しては、設計上もしくは運転上の上限値
xmax・下限値xminを用いて（数１）に示す標準化を行い、Xjを得る。
次に、対象プラント装置の正常状態基準データ１についてメカトロパラメータの取得３を行う。上記した各々のシステムパラメータ取得時に対応して、少なくとも３つの時間帯において取得する。したがって、少なくとも９つの時間帯で取得することになる。この理由はシステムパラメータと比較してメカトロパラメータは、回転機械の運転に関連するので、それに含まれる情報量が多く、しかも変動が大きいことからシステムパラメータのデータ取得回数よりも増加させることが望ましいことによる。
当該ステップ３で取得したメカトロパラメータ値に対して、フーリエ変換６を行ってスペクトル分布を求め、ステップ７にて予め設定した規定に沿って周波数軸を分割して各帯域でのスペクトル強度xkを得る。
そして、k番目のメカトロパラメータ値xkに関しては、当該値の時間平均値xk（バー）と標準偏差σとを用いて（数２）に示す標準化を行い、X’kを得る。
次に、（数２）で得た標準化後のメカトロパラメータ値X’kについて（数３）に示す正規化を行って、正規化後のXkを得る。以上が、ステップ８での標準化および正規化である。
当該ステップ３で取得したメカトロパラメータ値に対して、フーリエ変換６を行ってスペクトル分布を求め、ステップ７にて予め設定した規定に沿って周波数軸を分割して各帯域でのスペクトル強度xkを得る。
そして、k番目のメカトロパラメータ値xkに関しては、当該値の時間平均値xk（バー）と標準偏差σとを用いて（数２）に示す標準化を行い、X’kを得る。
次に、（数２）で得た標準化後のメカトロパラメータ値X’kについて（数３）に示す正規化を行って、正規化後のXkを得る。以上が、ステップ８での標準化および正規化である。
次に、特徴係数抽出ステップ９について記述する。
ステップ５およびステップ８にて得られた標準化後のシステムパラメータ値Xjおよび
標準化／正規化後のメカトロパラメータ値Xkを一つに並べかえて「変数」と称し、改めて
p番目の変数とq番目の変数の時間変化における相関行列Cpqに基づく主成分分析を行う
ことによって、固有ベクトル値Wmp（ここで、p はシステムパラメータとメカトロパラメ
ータとの合計した場合の順番を表す）が求まる。この統計処理がステップ９で、（数４）
の固有方程式を解くことによって固有ベクトル値Wmpが求まる。
ここで、添え字 m は固有方程式（４）を解く際の固有値の次数mに対応している。
この固有ベクトルWmpを、対象プラントの正常運転時のシステムパラメータおよびメカ
トロパラメータに潜在している特徴係数として保存する。これがステップ１０である。
当該特徴係数抽出ステップ９において、正常時の各システムパラメータ値およびメ
カトロパラメータ値の時間変化のデータ群に対して主成分分析を適用することによっ
て得られる固有ベクトル値Wmpを、p番目の変数値Xpに対する重みづけとすること
によって微妙な異常兆候の検出が可能であることを見出したわけである。この重みづけ
が特徴係数ステップ１０である。
ステップ５およびステップ８にて得られた標準化後のシステムパラメータ値Xjおよび
標準化／正規化後のメカトロパラメータ値Xkを一つに並べかえて「変数」と称し、改めて
p番目の変数とq番目の変数の時間変化における相関行列Cpqに基づく主成分分析を行う
ことによって、固有ベクトル値Wmp（ここで、p はシステムパラメータとメカトロパラメ
ータとの合計した場合の順番を表す）が求まる。この統計処理がステップ９で、（数４）
の固有方程式を解くことによって固有ベクトル値Wmpが求まる。
ここで、添え字 m は固有方程式（４）を解く際の固有値の次数mに対応している。
この固有ベクトルWmpを、対象プラントの正常運転時のシステムパラメータおよびメカ
トロパラメータに潜在している特徴係数として保存する。これがステップ１０である。
当該特徴係数抽出ステップ９において、正常時の各システムパラメータ値およびメ
カトロパラメータ値の時間変化のデータ群に対して主成分分析を適用することによっ
て得られる固有ベクトル値Wmpを、p番目の変数値Xpに対する重みづけとすること
によって微妙な異常兆候の検出が可能であることを見出したわけである。この重みづけ
が特徴係数ステップ１０である。
特徴抽出法として主成分分析法を適用するのは以下の２つの理由である。
（１）システムパラメータおよびメカトロパラメータは大量であり、複雑な外乱を有す
るので、相互の関連性が雑多に存在している。この中から潜在する目的とする
特徴を抽出するには、少なくともお互いに無相関の次元に変換する必要がある。
（２）その際に、失われる情報は最小限にしたい。
そして、対象プラントの負荷変化など大きく状態が変動する正常時におけるパラメータ
値の時間変化に対して主成分分析法を適用して得られる固有ベクトルにこそ、対象プラン
トの特徴が反映されていることを見出したのである。
（１）システムパラメータおよびメカトロパラメータは大量であり、複雑な外乱を有す
るので、相互の関連性が雑多に存在している。この中から潜在する目的とする
特徴を抽出するには、少なくともお互いに無相関の次元に変換する必要がある。
（２）その際に、失われる情報は最小限にしたい。
そして、対象プラントの負荷変化など大きく状態が変動する正常時におけるパラメータ
値の時間変化に対して主成分分析法を適用して得られる固有ベクトルにこそ、対象プラン
トの特徴が反映されていることを見出したのである。
次に、基準得点の算出ステップ１８では前記特徴係数ステップ１０で得た次数m、変数p番目の特徴係数Wmpと、ある時刻tでの基準データp番目の変数値Xp0(t)との積を、各次数に対して全ての変数における積和を算出して次数mの基準得点を得る。
つまり、（数５）にて次数m の基準得点Z0m(t)が求まる。
つまり、（数５）にて次数m の基準得点Z0m(t)が求まる。
次に、図１の対象プラント装置の監視時対象データステップ１１においてシステムパラメータ及びメカトロパラメータの取得ステップ１２及び１３にてデータを取得する。
以下正常時の基準データの場合と同様に、システムパラメータについてはステップ４に基づきステップ１４で標準化を行う。そして、メカトロパラメータについても基準データの場合と同様にステップ１５、１６、１７にてフーリエ変換、スペクトルの分割、標準化／正規化後の値を得る。
以下正常時の基準データの場合と同様に、システムパラメータについてはステップ４に基づきステップ１４で標準化を行う。そして、メカトロパラメータについても基準データの場合と同様にステップ１５、１６、１７にてフーリエ変換、スペクトルの分割、標準化／正規化後の値を得る。
次に、基準データに関してステップ９の特徴係数抽出にて得たステップ１０の特徴係数Wmpを用いて、当該対象データから得られた標準化もしくは正規化後の、ある時刻tでの対象データの変数値Xpd(t)との積和から、ステップ１９の対象得点Zdm(t) の算出を行う。基準得点の算出と同様に（数６）による。
以上の各ステップにより、次数mの基準得点Z0m(t)と対象得点Zdm(t)が求まる。もちろんこれはデータ採取時刻tごとに得られるのでデータ採取回数と同数の得点値群が存在する。
以上の各ステップにより、次数mの基準得点Z0m(t)と対象得点Zdm(t)が求まる。もちろんこれはデータ採取時刻tごとに得られるのでデータ採取回数と同数の得点値群が存在する。
次に、基準得点群Z0m(t)と対象得点群Zdm(t)との乖離度を算出するのがステップ２０である。それぞれの得点群は時間とともに分布するので、これらの乖離度合としては、平均値と分散とを考慮したＤＩ値（Discriminating Index）を用いる。基準得点群の平均値をZ0m’、分散をσ0mとし、対象得点群の平均値をZdm’、分散をσdmとすれば（数７）によって統括乖離度ＤＩ値 ＤＩｍが算出できる。
前記のステップ２０で求めた統括乖離度ＤＩ値に対して、統括判定閾値との比較を行い、当該閾値より小さい場合には、「正常である（異常の兆候なし）」と判定を行い、次の監視時刻ステップ２２へ進む。一方、統括乖離度ＤＩ値 DIm が閾値より大きい場合には「異常兆候がある」と判定し、要因パラメータの抽出ステップ２３へ進む。
なお、当該統括乖離度の判定閾値の決定は、正常時に得られた最大統括乖離度の２倍以上に自動設定することも可能である。
なお、当該統括乖離度の判定閾値の決定は、正常時に得られた最大統括乖離度の２倍以上に自動設定することも可能である。
（本実施の形態に係る異常判定の場合の要因パラメータ抽出のフローについて）
図２に、図１のプラント装置の統括診断のフローチャートに沿って異常判定を行った結果、異常と判定された場合の要因推定のための要因パラメータ決定方法についてのフローチャ
ートを示す。
変数の順番iにおいて、時刻tの当該基準変数値Xi 0(t)ステップ３と図１のステップ１０で求めた特徴係数の値Wmiステップ４との積を求め変数i番目の基準得点0Zm i(t)ステップ５とする。同様に、第i番目の対象変数値Xi d(t)ステップ６と、特徴係数の値Wmiステップ４との積を求め変数i番目の対象得点dZm i(t)ステップ７とする。
そして、ステップ８にて変数i番目基準得点0Zm i(t)と変数i番目対象得点dZm i(t)との変数iの個別乖離度DIiを（数８）によって算出する。
以上の手順を変数番号1から最終の変数番号P（ここで、システムパラメータとメカトロパラメータの総数、つまり変数個数をP個とする）まで順次実行することによって、全ての変数に対して変数ごとの個別乖離度DIiが得られる。
図２に、図１のプラント装置の統括診断のフローチャートに沿って異常判定を行った結果、異常と判定された場合の要因推定のための要因パラメータ決定方法についてのフローチャ
ートを示す。
変数の順番iにおいて、時刻tの当該基準変数値Xi 0(t)ステップ３と図１のステップ１０で求めた特徴係数の値Wmiステップ４との積を求め変数i番目の基準得点0Zm i(t)ステップ５とする。同様に、第i番目の対象変数値Xi d(t)ステップ６と、特徴係数の値Wmiステップ４との積を求め変数i番目の対象得点dZm i(t)ステップ７とする。
そして、ステップ８にて変数i番目基準得点0Zm i(t)と変数i番目対象得点dZm i(t)との変数iの個別乖離度DIiを（数８）によって算出する。
以上の手順を変数番号1から最終の変数番号P（ここで、システムパラメータとメカトロパラメータの総数、つまり変数個数をP個とする）まで順次実行することによって、全ての変数に対して変数ごとの個別乖離度DIiが得られる。
上記（数８）にて得られた全変数の個別乖離度DIiの大きさにおいて、最も大きい変数が当該異常兆候の要因パラメータである。あるいは、大きさ上位３変数を関連要因とするなど発生・顕在化しつつある異常現象によって要因パラメータ数は変わってくる。
この要因パラメータの抽出の考え方は、統括乖離度ＤＩ値が統括判定閾値を超えて異常と判定された時点において、その内訳の目安として変数ごとに対する基準と対象との特徴の相違を算出し、その中で個別乖離度が大きい変数が当該統括乖離度に寄与しているという根拠によるものである。
図２に示す要因パラメータの選定によって、図１のプラント装置の統括診断結果が異常判定になった場合に、当該要因パラメータと取扱説明書等との照合により要因を推定することが可能となり、最適な調査・対策の立案ができるようになる。
この要因パラメータの抽出の考え方は、統括乖離度ＤＩ値が統括判定閾値を超えて異常と判定された時点において、その内訳の目安として変数ごとに対する基準と対象との特徴の相違を算出し、その中で個別乖離度が大きい変数が当該統括乖離度に寄与しているという根拠によるものである。
図２に示す要因パラメータの選定によって、図１のプラント装置の統括診断結果が異常判定になった場合に、当該要因パラメータと取扱説明書等との照合により要因を推定することが可能となり、最適な調査・対策の立案ができるようになる。
本発明の実施例として、海水淡水化プラント装置に適用した事例の詳細を記述する。
図３に海水淡水化プラント装置の系統図を示す。
装置本体は、海水の蒸発・冷却・凝縮器として熱回収部１は３段、排熱部２は１段の合計４段からなる。ブライン（蒸発してゆくためにやや塩分濃度が高い海水）は、ブラインヒータ３にて最高温度Tmaxに加熱されたのち熱回収部下部へ流入する。ブラインヒータ３では、ボイラー４からの加熱蒸気が伝熱管の外面で凝縮することによって管内のブラインを加熱し、凝縮したドレンは、復水ポンプ８によってボイラー４へ戻される。当該蒸気流量は、ブライン最高温度Tmaxが一定になるように制御される。
図３に海水淡水化プラント装置の系統図を示す。
装置本体は、海水の蒸発・冷却・凝縮器として熱回収部１は３段、排熱部２は１段の合計４段からなる。ブライン（蒸発してゆくためにやや塩分濃度が高い海水）は、ブラインヒータ３にて最高温度Tmaxに加熱されたのち熱回収部下部へ流入する。ブラインヒータ３では、ボイラー４からの加熱蒸気が伝熱管の外面で凝縮することによって管内のブラインを加熱し、凝縮したドレンは、復水ポンプ８によってボイラー４へ戻される。当該蒸気流量は、ブライン最高温度Tmaxが一定になるように制御される。
熱回収部１の初段下部に流入したブラインの温度は、当該初段の段内圧力に相当する飽和温度より高いので沸騰蒸発が起き、当該蒸気は段内上部にある冷却管群の外側で凝縮し、淡水としてトレイに集められる。残りのブラインは、やや温度が低下して次の第２段下部へ流入し、当該段内圧力に相当する飽和温度より高いので沸騰蒸発が起き、初段と同様に蒸発した蒸気は凝縮して淡水に、残りのブラインは次の第３段内下部へ流入する。この処理が続いて最終段つまり排熱部（第４段）にて淡水が集められ、残りのブラインは、海水の補給水１２と混合されてブライン循環ポンプ５によって熱回収部の冷却管群（第３段の上部）へ送られる。このブライン循環流量は、プラントの負荷と関連して一定流量にブライン循環ポンプ５の出口にある流量制御弁１０によって制御されている。
排熱部２では、海水ポンプ６によって海からくみ上げた海水を第４段上部の伝熱管群の
管内へ冷却用海水として流入させ、当該伝熱管群の外側で沸騰蒸気が凝縮し、本伝熱量に応じて温度が上昇した海水は再び海へ放出される。この出口海水の一部が補給水として最終段内へ流入し、当該段内下部のブラインと混合した後、ブライン循環ポンプ５によって 装置本体内を循環する。
そして、各段内下部でのブラインレベルは適切な範囲になるように、最終段（第４段）のブラインレベルが制御されている。これはブラインブロー量を制御弁１１によって制御されている。各段内のブラインレベルは高くなると沸騰蒸発する蒸気に、海水飛沫が同伴してしまい淡水純度が悪くなり、逆に規定以下にブラインレベルが低下してしまうと隣の段内とのシールが破れてしまい、当該段内の圧力が保持できず、各段に設計された沸騰量の分配がうまくいかなくなり、淡水製造量とブラインヒータでの使用蒸気量の比率、つまり造水効率が低下するといった性能低下が生じてしまう。
管内へ冷却用海水として流入させ、当該伝熱管群の外側で沸騰蒸気が凝縮し、本伝熱量に応じて温度が上昇した海水は再び海へ放出される。この出口海水の一部が補給水として最終段内へ流入し、当該段内下部のブラインと混合した後、ブライン循環ポンプ５によって 装置本体内を循環する。
そして、各段内下部でのブラインレベルは適切な範囲になるように、最終段（第４段）のブラインレベルが制御されている。これはブラインブロー量を制御弁１１によって制御されている。各段内のブラインレベルは高くなると沸騰蒸発する蒸気に、海水飛沫が同伴してしまい淡水純度が悪くなり、逆に規定以下にブラインレベルが低下してしまうと隣の段内とのシールが破れてしまい、当該段内の圧力が保持できず、各段に設計された沸騰量の分配がうまくいかなくなり、淡水製造量とブラインヒータでの使用蒸気量の比率、つまり造水効率が低下するといった性能低下が生じてしまう。
また、各段内の上部から気体を外気へ抜き出すためにベント管１３やエジェクタ設備１４が装備されている。これは、各段内でブラインが沸騰する際に、ブライン中に溶けている非凝縮性ガスが発生するが、この非凝縮性ガスの段内濃度が予めの目安より高くなると沸点上昇という現象のためにブラインからの沸騰効率を低下させる。
上述したように、海水淡水化プラント装置では、伝熱・沸騰・凝縮・流動・レベル・淡水純度といった多くの事象が絡み合っており異常兆候の早期発見は難しい。
上述したように、海水淡水化プラント装置では、伝熱・沸騰・凝縮・流動・レベル・淡水純度といった多くの事象が絡み合っており異常兆候の早期発見は難しい。
（異常兆候の発生事例）
本実施例では、たとえば第２段でのベント不足により第２段での沸騰・伝熱性能が低下した場合の異常兆候の検出を目的にした適用例を説明する。
図４に、第２段からのベント不足が生じた場合の第２段上部の冷却管群の温度分布の変化を示す。第２段において、段内からのベント不良などにより非凝縮性ガスの濃度が上昇し、蒸発を抑制される。このことはブラインが沸騰する際、沸点上昇のために蒸気温度Ts2が設計時より低下する。つまり、冷却側との平均温度差が小さくなるので当該段における蒸発量の低下を招き、冷却側のブラインの温度上昇（T2-T3）が小さくなってしまう。
つまり、第２段冷却部出口温度T2は、正常時標準化後0.48〜0.53であった値がベント不良時には0.37〜0.42へ低下している。このことは第２段における蒸発量の減少、冷却管群での温度上昇不足となり、造水量、造水倍率の減少という性能低下を招くこととなる。
本実施例では、たとえば第２段でのベント不足により第２段での沸騰・伝熱性能が低下した場合の異常兆候の検出を目的にした適用例を説明する。
図４に、第２段からのベント不足が生じた場合の第２段上部の冷却管群の温度分布の変化を示す。第２段において、段内からのベント不良などにより非凝縮性ガスの濃度が上昇し、蒸発を抑制される。このことはブラインが沸騰する際、沸点上昇のために蒸気温度Ts2が設計時より低下する。つまり、冷却側との平均温度差が小さくなるので当該段における蒸発量の低下を招き、冷却側のブラインの温度上昇（T2-T3）が小さくなってしまう。
つまり、第２段冷却部出口温度T2は、正常時標準化後0.48〜0.53であった値がベント不良時には0.37〜0.42へ低下している。このことは第２段における蒸発量の減少、冷却管群での温度上昇不足となり、造水量、造水倍率の減少という性能低下を招くこととなる。
次に、図５に、第２段からのベント不足が生じた場合のブラインレベルの変化を示す。
第２段の室内圧力Ps2は、設計値より小さくなるので第１段内圧力Ps1との圧力差ΔPs12は大きくなり逆に、第３段内との圧力差ΔPs23は小さくなる。（なお、ここで蒸気温度Tsに対応する飽和圧力が室内圧力Psとなる。）
一方、最終段である第４段のブラインレベルは、設計通り当該段の床からの高さが50cmに制御されており、第３段と第４段レベルは50cmでほぼ安定しているが、第２段と第３段との圧力差が小さくなるので、第２段から定格のブライン量を次の第３段へ流すためには第２段のブラインレベルは高くならざるを得ない。室間の圧力差が小さくなったことを、レベル差が大きくなって補おうとするからである。そして、第２段レベルが高くなるから、それに応じて第１段レベルも高くなる。しかし一般的な海水淡水化プラントでは、最終段以外の各段のブラインレベルは自動計測・制御されてはいないので制御下の最終段第４段のレベルの微妙な変動が生じる。なお、各段のブラインレベルを知るには現場にレベルゲージが付けてあるので運転員は目視・計測している。
第２段の室内圧力Ps2は、設計値より小さくなるので第１段内圧力Ps1との圧力差ΔPs12は大きくなり逆に、第３段内との圧力差ΔPs23は小さくなる。（なお、ここで蒸気温度Tsに対応する飽和圧力が室内圧力Psとなる。）
一方、最終段である第４段のブラインレベルは、設計通り当該段の床からの高さが50cmに制御されており、第３段と第４段レベルは50cmでほぼ安定しているが、第２段と第３段との圧力差が小さくなるので、第２段から定格のブライン量を次の第３段へ流すためには第２段のブラインレベルは高くならざるを得ない。室間の圧力差が小さくなったことを、レベル差が大きくなって補おうとするからである。そして、第２段レベルが高くなるから、それに応じて第１段レベルも高くなる。しかし一般的な海水淡水化プラントでは、最終段以外の各段のブラインレベルは自動計測・制御されてはいないので制御下の最終段第４段のレベルの微妙な変動が生じる。なお、各段のブラインレベルを知るには現場にレベルゲージが付けてあるので運転員は目視・計測している。
また、第１ , ２段のブラインレベル上昇により沸騰蒸発した蒸気に海水飛沫が同伴してしまうために淡水純度はやや低下する。
また、最終段ブラインレベルは制御されているとはいえ、第２段、第１段でのブラインレベルの上昇により第３、第４段のレベルも若干変動する。
また、最終段第４段のレベルを一定に保とうとしてブラインのブロー量をブロー弁にて調節するので、ブライン循環ポンプ５の出口圧力が若干ではあるが変動する。（ブライン循環流量は一定）
また、最終段ブラインレベルは制御されているとはいえ、第２段、第１段でのブラインレベルの上昇により第３、第４段のレベルも若干変動する。
また、最終段第４段のレベルを一定に保とうとしてブラインのブロー量をブロー弁にて調節するので、ブライン循環ポンプ５の出口圧力が若干ではあるが変動する。（ブライン循環流量は一定）
つまり、今回の異常兆候（第２段のベント不良）は、熱回収部冷却管群出口すなわち第１段出口温度が低下し、ブラインヒータ３への入り口温度の低下となること、したがってブラインヒータ３での必要蒸気量の増大とその影響による蒸気温度の上昇、最終段ブラインレベルの変動、ブライン循環ポンプ５の出口圧力の変動、そして当該ポンプ主軸軸受部での振動変動が生じる。
（異常兆候の検出実施例）
本実施例では、システムパラメータとしてブライン最高温度Tmax(℃)、熱回収部冷却管群出口、つまりブラインヒータ入口温度でもあるT1(℃)、ブラインヒータの蒸気温度Ts(℃)、ブライン循環流量Fr(t/hr)、ブラインヒータでの蒸気流量Fs(t/hr)、ブライン循環ポンプの出口圧力P1(kg/cm2)、最終段のブラインレベルL4(cm)、最終段からの出口淡水純度Dis-A(ppm)を取り上げた。そして、メカトロパラメータとしてブライン循環ポンプの主軸軸受部での加速度(mm/sec2)データを採取した。
本実施例では、システムパラメータとしてブライン最高温度Tmax(℃)、熱回収部冷却管群出口、つまりブラインヒータ入口温度でもあるT1(℃)、ブラインヒータの蒸気温度Ts(℃)、ブライン循環流量Fr(t/hr)、ブラインヒータでの蒸気流量Fs(t/hr)、ブライン循環ポンプの出口圧力P1(kg/cm2)、最終段のブラインレベルL4(cm)、最終段からの出口淡水純度Dis-A(ppm)を取り上げた。そして、メカトロパラメータとしてブライン循環ポンプの主軸軸受部での加速度(mm/sec2)データを採取した。
図６には、海水淡水化プラント装置の負荷100%時、50%負荷時、および異常兆候時の場合
のシステムパラメータ値の生データの時間変化を示す。各データは時間軸で３点採取した。
100%負荷運転時の値と比較した場合、異常兆候時よりも50%負荷運転時の方が、ブライン
循環流量Fr、ブラインヒータ蒸気温度Ts、ブライン循環ポンプ出口圧力P1などは大きく変
化している。
図７には、各システムパラメータの上限・下限値によって標準化した値Xjを縦軸にした変
化を示す。ほとんどの変数において50%負荷運転時の変化が大きく、異常兆候時の変化は
埋もれている。
のシステムパラメータ値の生データの時間変化を示す。各データは時間軸で３点採取した。
100%負荷運転時の値と比較した場合、異常兆候時よりも50%負荷運転時の方が、ブライン
循環流量Fr、ブラインヒータ蒸気温度Ts、ブライン循環ポンプ出口圧力P1などは大きく変
化している。
図７には、各システムパラメータの上限・下限値によって標準化した値Xjを縦軸にした変
化を示す。ほとんどの変数において50%負荷運転時の変化が大きく、異常兆候時の変化は
埋もれている。
次に、図８、図９、図１０にはそれぞれ正常運転100%負荷時、50%負荷運転時および異常
兆候時におけるメカトロパラメータとして、ブライン循環ポンプの主軸軸受部での加速度デ
ータをフーリエ変換して得られたスペクトル強度を示す。横軸は全周波数を８個に分割した帯域の平均周波数を、縦軸は f1,f2,f3,f4,f5,f6,f7,f8の帯域でのスペクトル強度である。この場合においても、100%負荷運転時の基準スペクトルと、異常兆候時の加速度スペクトルとの差異は小さく逆に50%負荷運転時の加速度スペクトルは大きくなっており、負荷100%〜50%という正常な運転条件の変化の中に埋もれているのが分かる。
なお、加速度データの採取タイミングは前記システムパラメータの３回（時刻t1,t2,t3
）の各採取時に３回ずつ合計９回（時刻t11,t12,t13/t21,t22,t23/t31,t32,t33）採取して
いる。
図１１、図１２、図１３には、上記の図８、図９、図１０に対応して、各帯域のスペクト
ル強度の時間平均値と分散とを用いた標準化と当該標準化で求めた最大値・最小値によっ
て正規化した値に変換した分布を示す。これらの標準・正規化したメカトロパラメータ値
Xkを前記標準化後のシステムパラメータ値Xjとともに図１の特徴係数抽出ステップ９にて主成分分析を実行するものである。
兆候時におけるメカトロパラメータとして、ブライン循環ポンプの主軸軸受部での加速度デ
ータをフーリエ変換して得られたスペクトル強度を示す。横軸は全周波数を８個に分割した帯域の平均周波数を、縦軸は f1,f2,f3,f4,f5,f6,f7,f8の帯域でのスペクトル強度である。この場合においても、100%負荷運転時の基準スペクトルと、異常兆候時の加速度スペクトルとの差異は小さく逆に50%負荷運転時の加速度スペクトルは大きくなっており、負荷100%〜50%という正常な運転条件の変化の中に埋もれているのが分かる。
なお、加速度データの採取タイミングは前記システムパラメータの３回（時刻t1,t2,t3
）の各採取時に３回ずつ合計９回（時刻t11,t12,t13/t21,t22,t23/t31,t32,t33）採取して
いる。
図１１、図１２、図１３には、上記の図８、図９、図１０に対応して、各帯域のスペクト
ル強度の時間平均値と分散とを用いた標準化と当該標準化で求めた最大値・最小値によっ
て正規化した値に変換した分布を示す。これらの標準・正規化したメカトロパラメータ値
Xkを前記標準化後のシステムパラメータ値Xjとともに図１の特徴係数抽出ステップ９にて主成分分析を実行するものである。
第１表には、特徴係数抽出ステップ９にて得られた固有ベクトル値つまり特徴係数Wmpを
示しており、縦には特徴係数の次数m を、横には各変数（両パラメータを通貫）をとってい
る。ここでは、システムパラメータは７個、メカトロパラメータは８個の合計１５個である
。よって、次数mも１５次まで得られている。
示しており、縦には特徴係数の次数m を、横には各変数（両パラメータを通貫）をとってい
る。ここでは、システムパラメータは７個、メカトロパラメータは８個の合計１５個である
。よって、次数mも１５次まで得られている。
第２表には、第１表の特徴係数Wmpを用いた100%運転時の基準得点と50%運転時の対象得点
を示している。上部の３列には、基準となる正常100%負荷運転時の３回の測定データにお
ける基準得点を、下段の３列には、対象となる正常50%負荷運転時の３回の測定データに
おける対象得点を示す。
一方、第３表には、同じく第１表の特徴係数を用いた100%運転時の基準得点と異常兆候
時の対象得点を示す。
を示している。上部の３列には、基準となる正常100%負荷運転時の３回の測定データにお
ける基準得点を、下段の３列には、対象となる正常50%負荷運転時の３回の測定データに
おける対象得点を示す。
一方、第３表には、同じく第１表の特徴係数を用いた100%運転時の基準得点と異常兆候
時の対象得点を示す。
図１４には、正常100%運転時を基準／50%負荷運転時を対象とした統括乖離度ＤＩ値
の次数分布を示す。正常変動時の統括乖離度ＤＩ値の最大値は次数３（Ｚ３）において0.42であることが分かる。したがって統括判定閾値としては、当該最大値の2倍として、1.0と
仮設定する。
一方、図１５には、正常100%運転時を基準／異常兆候時を対象とした統括乖離度ＤＩ
値の次数分布を示している。次数が３，４，６,９,１１の値が図１４の正常時より乖離
度合が大きくなっており、特に１１次の統括乖離度ＤＩ値は黒線枠で囲むように、統括
判定閾値1.0を大きく超えて約1.6となっており、明らかに異常状態であることが分か
る。
本実施例における異常兆候への適用例でも明らかなように、システムパラメータおよび
メカトロパラメータを測定データとし、正常時のデータから求めた特徴係数抽出ステップ
により特徴係数が得られ、当該特徴係数を共通にして基準得点群と対象得点群とを求めて
統括乖離度ＤＩ値を算出し、統括判定閾値との比較により異常判定を行うことによって、
上記各パラメータ値がすべて正常範囲にあっても、潜在している異常兆候が検出可能と
なる。
の次数分布を示す。正常変動時の統括乖離度ＤＩ値の最大値は次数３（Ｚ３）において0.42であることが分かる。したがって統括判定閾値としては、当該最大値の2倍として、1.0と
仮設定する。
一方、図１５には、正常100%運転時を基準／異常兆候時を対象とした統括乖離度ＤＩ
値の次数分布を示している。次数が３，４，６,９,１１の値が図１４の正常時より乖離
度合が大きくなっており、特に１１次の統括乖離度ＤＩ値は黒線枠で囲むように、統括
判定閾値1.0を大きく超えて約1.6となっており、明らかに異常状態であることが分か
る。
本実施例における異常兆候への適用例でも明らかなように、システムパラメータおよび
メカトロパラメータを測定データとし、正常時のデータから求めた特徴係数抽出ステップ
により特徴係数が得られ、当該特徴係数を共通にして基準得点群と対象得点群とを求めて
統括乖離度ＤＩ値を算出し、統括判定閾値との比較により異常判定を行うことによって、
上記各パラメータ値がすべて正常範囲にあっても、潜在している異常兆候が検出可能と
なる。
図１５には、システムパラメータのみを適用し、メカトロパラメータは変化なしとした場合の統括乖離度ＤＩ値を、図１６には、メカトロパラメータのみを適用し、システムパラメータは変化なしとした場合の統括乖離度ＤＩ値を示す。
本実施例の第２段からのベント不良による異常兆候の事象は、システムパラメータやメカトロパラメータの片方だけでは検出は難しく、両方のパラメータについての特徴係数抽出が不可欠であることが分かる。従来技術（文献１）でのシステムパラメータに限定したセンサを“仲間外れ”と認識する監視手法では今回のような異常兆候の検出は困難なのである。
また、別の従来技術（文献２）では異なるセンサ種別同士の関連性を自動的に獲得し、振動計測、圧力計測、温度計測、加速度計測など、様々な計測情報を結びつけ、精度の高い予兆検知を実現可能としているが、センサ種別同士の関連性として相関関係に依ったインバリアント分析技術であり、本発明のようなシステムパラメータとメカトロパラメータにおいて統合的な特徴抽出機能を組込んでいないために、当該実施例のような異常兆候の検出は困難なのである。
本実施例の第２段からのベント不良による異常兆候の事象は、システムパラメータやメカトロパラメータの片方だけでは検出は難しく、両方のパラメータについての特徴係数抽出が不可欠であることが分かる。従来技術（文献１）でのシステムパラメータに限定したセンサを“仲間外れ”と認識する監視手法では今回のような異常兆候の検出は困難なのである。
また、別の従来技術（文献２）では異なるセンサ種別同士の関連性を自動的に獲得し、振動計測、圧力計測、温度計測、加速度計測など、様々な計測情報を結びつけ、精度の高い予兆検知を実現可能としているが、センサ種別同士の関連性として相関関係に依ったインバリアント分析技術であり、本発明のようなシステムパラメータとメカトロパラメータにおいて統合的な特徴抽出機能を組込んでいないために、当該実施例のような異常兆候の検出は困難なのである。
（異常兆候の要因パラメータ抽出の実施例）
次に、前記統括診断の結果、異常と判定された場合には当該異常兆候の要因と結びつくシステムパラメータもしくはメカトロパラメータ（前記と同様に、変数と称す）を抽出する手法を説明する。本要因パラメータ抽出の考え方は、統括診断時と同じ特徴係数を用いて、変数ごとに基準得点と対象得点を求め、個別乖離度ＤＩ値を算出すれば、異常兆候の
要因に対応する変数で大きく現れることに着目した。なお、変数は１つなので次数は１のみである。
第４表に、システムパラメータ測定回数３回、メカトロパラメータ測定回数９回の各標準化／正規化データに対して得た、変数ごとの正常100%運転時の個別基準得点、および
時間平均値と分散も示している。
同様に、変数ごとの異常兆候時の個別対象得点を第５表に示す。
次に、前記統括診断の結果、異常と判定された場合には当該異常兆候の要因と結びつくシステムパラメータもしくはメカトロパラメータ（前記と同様に、変数と称す）を抽出する手法を説明する。本要因パラメータ抽出の考え方は、統括診断時と同じ特徴係数を用いて、変数ごとに基準得点と対象得点を求め、個別乖離度ＤＩ値を算出すれば、異常兆候の
要因に対応する変数で大きく現れることに着目した。なお、変数は１つなので次数は１のみである。
第４表に、システムパラメータ測定回数３回、メカトロパラメータ測定回数９回の各標準化／正規化データに対して得た、変数ごとの正常100%運転時の個別基準得点、および
時間平均値と分散も示している。
同様に、変数ごとの異常兆候時の個別対象得点を第５表に示す。
また、図１８には、第４表と第５表に示す各得点群の個別乖離度ＤＩ値を、横軸に変数をとって示している。この図１８から、当該異常兆候の要因パラメータとしては、ブラインヒータの蒸気温度Ts、ブラインヒータでの蒸気流量Fs、熱回収部冷却管群出口温度T1が、当該要因である確率の高い上位３個の変数であることが分かる。
前記のパラグラフ（００４４）に述べた異常兆候の要因パラメータである以下の項目に対応する。
・ 熱回収部冷却管群出口温度 T1
・ ブラインヒータでの必要蒸気量 Fs
・ ブラインヒータでの蒸気温度 Ts
そして、次の要因パラメータとしては、（４）淡水純度Dis-A （５）ブライン循環ポンプ出口圧力P1があげられる。
前記のパラグラフ（００４４）に述べた異常兆候の要因パラメータである以下の項目に対応する。
・ 熱回収部冷却管群出口温度 T1
・ ブラインヒータでの必要蒸気量 Fs
・ ブラインヒータでの蒸気温度 Ts
そして、次の要因パラメータとしては、（４）淡水純度Dis-A （５）ブライン循環ポンプ出口圧力P1があげられる。
（取扱説明書との照合による異常兆候の要因推定）
対象プラント装置の設計時、試運転終了後、過去の運転保守に関するノウハウを付加した「取扱説明書」や「トラブルシューティング」が用意され、顧客やユーザに納入されている。当該「取扱説明書」や「トラブルシューティング」において、前記した異常兆候の要因パラメータ抽出により得られた変数に関連する対象プラント装置の性能、機能性及び周辺設備の不具合事項などとの照合により、さらなる調査事項や対策項目の選定が可能となる。
対象プラント装置の設計時、試運転終了後、過去の運転保守に関するノウハウを付加した「取扱説明書」や「トラブルシューティング」が用意され、顧客やユーザに納入されている。当該「取扱説明書」や「トラブルシューティング」において、前記した異常兆候の要因パラメータ抽出により得られた変数に関連する対象プラント装置の性能、機能性及び周辺設備の不具合事項などとの照合により、さらなる調査事項や対策項目の選定が可能となる。
従来では、前記した要因パラメータが運転員には不明であったために、異常兆候の発生に気づかないうちに異常兆候が進行していたが、本発明による当該実施例のように要因パラメータを運転員に告知することが出来るので早期に調査・要因推定・対策立案が可能となるのである。
本発明の上記した実施例では、当該異常兆候の要因パラメータの抽出は各変数において基準得点と対象得点を求め、次に個別乖離度ＤＩ値を算出しているが、複数の変数ごとに基準得点と対象得点を求め、次にグループ乖離度ＤＩ値を算出して大きい順に要因パラメータ群を決定することも本発明の実施形態の一つである。
つまり、前記実施例では、１個の変数ごとに要因パラメータを抽出しているが、予め異常発生となる恐れがある変数群が分かっているときには、当該複数の変数からなるグループとしての要因パラメータ群を決定することも本発明の他の実施形態の一つである。
つまり、前記実施例では、１個の変数ごとに要因パラメータを抽出しているが、予め異常発生となる恐れがある変数群が分かっているときには、当該複数の変数からなるグループとしての要因パラメータ群を決定することも本発明の他の実施形態の一つである。
以上、上記実施の形態に基づき本発明に係る対象プラント装置の統括診断方法や異常兆候の要因パラメータの抽出方法および要因推定を説明したが、上記発明の実施の形態は、本発明の理解を容易にするためのものであり、本発明を限定するものではない。本発明は、その趣旨を逸脱することなく、変更、改良され得ると共に、本発明にはその等価物が含まれることはもちろんである。
１ 温度センサ
２ 流量センサ
３ 圧力センサ
４ レベルセンサ
５ 純度センサ
６ 加速度センサ
７ 電流センサ
８ システムパラメータ用Ａ／Ｄ変換器
９ メカトロパラメータ用Ａ／Ｄ変換機
１０ データ取込制御器
１１ 前処理器（標準化、正規化）
１２ 特徴係数抽出器
１３ 得点及び乖離度算出器
１４ 異常判定器
１５ 要因パラメータ抽出器
１００ ＣＰＵ
２００ 判定結果の出力器
３００ 表示器
４００ 警報器
２ 流量センサ
３ 圧力センサ
４ レベルセンサ
５ 純度センサ
６ 加速度センサ
７ 電流センサ
８ システムパラメータ用Ａ／Ｄ変換器
９ メカトロパラメータ用Ａ／Ｄ変換機
１０ データ取込制御器
１１ 前処理器（標準化、正規化）
１２ 特徴係数抽出器
１３ 得点及び乖離度算出器
１４ 異常判定器
１５ 要因パラメータ抽出器
１００ ＣＰＵ
２００ 判定結果の出力器
３００ 表示器
４００ 警報器
Claims (9)
- 対象プラント装置の異常兆候を早期に検出し、当該異常要因の推定及び当該異常兆候を追跡する異常監視において、
前記の対象プラント装置の負荷一定時のシステムパラメータとメカトロパラメータとを計測する基準計測ステップと、当該基準計測ステップにて得られた基準データを標準化するための基準標準化ステップと、当該基準標準化ステップにて得られた標準化基準データの時系列から特徴係数を抽出する特徴係数抽出ステップと、当該特徴係数抽出ステップにより得られる特徴係数と前記基準標準化ステップにて得た標準化基準データとから基準得点を求める基準得点算出ステップと、監視対象時点でのシステムパラメータとメカトロパラメータとを計測する対象計測ステップと、当該対象計測ステップにて得られた対象データを標準化するための対象標準化ステップと、当該対象標準化ステップにて得られた標準化対象データと前記特徴係数抽出ステップにて得られた特徴係数とから対象得点を求める対象得点算出ステップと、前記基準得点算出ステップにて得られた基準得点と当該対象得点との乖離度の大きさと、判定閾値との比較により異常判定を行う異常判定ステップと、異常が存在すると判定された場合に、前記システムパラメータとメカトロパラメータの各々に対する各基準得点と各対象得点との比較から当該異常の要因に関連するパラメータを抽出する要因パラメータ抽出ステップとからなることを特徴とするプラント装置の統括診断方法。 - 前記の基準標準化ステップおよび対象標準化ステップにおいて、メカトロパラメータについてはフーリエ変換によって得られるスペクトルを分割し、当該分割した帯域ごとのスペクトル強度を標準化し、さらに当該標準化後の最大値と最小値を用いて正規化することを特徴とする請求項１記載のプラント装置の統括診断方法。
- 前記の特徴係数抽出ステップにおいて、主成分分析を適用することを特徴とする請求項１記載のプラント装置の統括診断方法。
- 前記の対象得点算出ステップにおいて、正常時の特徴係数抽出ステップにて求めた特徴
係数を用いて対象得点を算出することを特徴とする請求項１記載のプラント装置の統括診
断方法。 - 前記の異常判定ステップにおいて、すべてのパラメータに対して求めた基準得点群と対象得点群との統括乖離度として、各々の得点群の時間的な平均値と分散とに基づく統計的距離の大きさを用いることを特徴とする請求項１記載のプラント装置の統括診断方法。
- 前記の異常判定ステップにおいて、対象プラント装置の負荷変更後もしくは運転条件の変更後の安定期に、対象計測ステップにより対象データを採取して、対象得点算出ステップにより対象得点を得て、既に正常状態において得ている基準得点との統括乖離度を求め、当該統括乖離度の最大値に基づき当該異常判定の判定閾値を設定することを特徴とする請求項１記載のプラント装置の統括診断方法。
- 前記の異常判定ステップにおいて異常と判定されたときの要因パラメータ抽出ステップにおいて、各パラメータごとの基準得点と対象得点との個別乖離度を求め、その大きい順に当該異常兆候の要因に関連するパラメータとすることを特徴とする請求項１記載のプラント装置の統括診断方法。
- 前記の基準計測ステップおよび対象計測ステップにおいて、メカトロパラメータには
少なくとも加速度データを含むことを特徴とする請求項１記載のプラント装置の統括診断方法。 - 対象プラント装置の異常兆候を早期に検出し、当該異常要因の推定及び当該異常兆候を追跡する異常監視装置において、
前記対象プラント装置のシステムパラメータとメカトロパラメータとを計測するセンサ群と、当該センサ群にて得られたアナログデータをデジタル変換するＡ／Ｄ変換器と、当該Ａ／Ｄ変換器で得たデジタルデータを標準化および正規化する前処理器と、当該前処理器で得られた標準化基準データの時系列から特徴係数を抽出する特徴係数抽出器と、当該特徴係数抽出器により得られた特徴係数と前記前処理器にて得た標準化基準データとから基準得点を求め、そして監視対象時点での標準化対象データと前記特徴係数抽出器にて得られた特徴係数とから対象得点を求め、前記基準得点と当該対象得点との乖離度の大きさを算出する得点及び乖離度算出器と、当該得点及び乖離度算出器で算出した乖離度と判定閾値との比較により異常判定を行う異常判定器と、異常が存在すると判定された場合に、前記システムパラメータとメカトロパラメータの各々に対する各基準得点と各対象得点との比較から当該異常の要因に関連するパラメータを抽出する要因パラメータ抽出器と、前記異常判定器での判定結果を出力する判定結果出力器と、当該判定結果出力器からの異常を画面表示する表示器と、当該判定結果出力器からの異常を音響で告知する警報器からなることを特徴とするプラント装置の統括診断装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014163662A JP5753301B1 (ja) | 2014-08-11 | 2014-08-11 | プラント装置の統括診断方法、及び、プラント装置の統括診断装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014163662A JP5753301B1 (ja) | 2014-08-11 | 2014-08-11 | プラント装置の統括診断方法、及び、プラント装置の統括診断装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP5753301B1 JP5753301B1 (ja) | 2015-07-22 |
| JP2016038856A true JP2016038856A (ja) | 2016-03-22 |
Family
ID=53638090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2014163662A Active JP5753301B1 (ja) | 2014-08-11 | 2014-08-11 | プラント装置の統括診断方法、及び、プラント装置の統括診断装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5753301B1 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020201871A (ja) * | 2019-06-13 | 2020-12-17 | ファナック株式会社 | 診断装置 |
| JP7054487B1 (ja) | 2021-05-18 | 2022-04-14 | 山本 隆義 | 製造業における循環型・低炭素型生産システムの構築方法 |
| WO2022215939A1 (ko) * | 2021-04-07 | 2022-10-13 | 주식회사 원프레딕트 | 기계 학습을 통해 건전성 인자를 결정하는 방법 및 이러한 방법을 수행하는 장치 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6154523B1 (ja) * | 2016-07-05 | 2017-06-28 | 山本 隆義 | 対象物の状態変化の原因探索方法 |
| JP2019028834A (ja) * | 2017-08-01 | 2019-02-21 | 株式会社東芝 | 異常値診断装置、異常値診断方法、およびプログラム |
| JP6680430B1 (ja) * | 2018-10-04 | 2020-04-15 | 山本 隆義 | 生産ラインにおける品質と設備の統合的監視方法 |
| JP7389808B2 (ja) * | 2019-01-08 | 2023-11-30 | タレス・カナダ・インク | アクチュエータの対応する構成要素の劣化を検出、分離、及び推定するための方法及びシステム |
| CN115452936B (zh) * | 2022-07-11 | 2023-04-07 | 合肥贵专电磁科技有限公司 | 一种基于无线传输的钢丝绳探测结果评估系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10260722A (ja) * | 1997-03-19 | 1998-09-29 | Yaskawa Electric Corp | 異常値検出装置 |
| JP2004020193A (ja) * | 2002-06-12 | 2004-01-22 | Takayoshi Yamamoto | 対象設備を診断する方法、コンピュータプログラム、および対象設備を診断するための装置 |
| JP2007003385A (ja) * | 2005-06-24 | 2007-01-11 | Japan Science & Technology Agency | 対象設備の診断方法、コンピュータプログラム、及び、対象設備を診断するための装置 |
| JP2008197007A (ja) * | 2007-02-14 | 2008-08-28 | Takayoshi Yamamoto | 対象設備の診断方法、コンピュータプログラム、及び、対象設備を診断するための装置 |
| JP2008276537A (ja) * | 2007-04-27 | 2008-11-13 | Omron Corp | 複合情報処理装置、複合情報処理方法、プログラム、および記録媒体 |
| JP2009021348A (ja) * | 2007-07-11 | 2009-01-29 | Sharp Corp | 異常要因特定方法およびシステム、上記異常要因特定方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体 |
-
2014
- 2014-08-11 JP JP2014163662A patent/JP5753301B1/ja active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10260722A (ja) * | 1997-03-19 | 1998-09-29 | Yaskawa Electric Corp | 異常値検出装置 |
| JP2004020193A (ja) * | 2002-06-12 | 2004-01-22 | Takayoshi Yamamoto | 対象設備を診断する方法、コンピュータプログラム、および対象設備を診断するための装置 |
| JP2007003385A (ja) * | 2005-06-24 | 2007-01-11 | Japan Science & Technology Agency | 対象設備の診断方法、コンピュータプログラム、及び、対象設備を診断するための装置 |
| JP2008197007A (ja) * | 2007-02-14 | 2008-08-28 | Takayoshi Yamamoto | 対象設備の診断方法、コンピュータプログラム、及び、対象設備を診断するための装置 |
| JP2008276537A (ja) * | 2007-04-27 | 2008-11-13 | Omron Corp | 複合情報処理装置、複合情報処理方法、プログラム、および記録媒体 |
| JP2009021348A (ja) * | 2007-07-11 | 2009-01-29 | Sharp Corp | 異常要因特定方法およびシステム、上記異常要因特定方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020201871A (ja) * | 2019-06-13 | 2020-12-17 | ファナック株式会社 | 診断装置 |
| WO2022215939A1 (ko) * | 2021-04-07 | 2022-10-13 | 주식회사 원프레딕트 | 기계 학습을 통해 건전성 인자를 결정하는 방법 및 이러한 방법을 수행하는 장치 |
| JP7054487B1 (ja) | 2021-05-18 | 2022-04-14 | 山本 隆義 | 製造業における循環型・低炭素型生産システムの構築方法 |
| JP2022177561A (ja) * | 2021-05-18 | 2022-12-01 | 山本 隆義 | 製造業における循環型・低炭素型生産システムの構築方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP5753301B1 (ja) | 2015-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5753301B1 (ja) | プラント装置の統括診断方法、及び、プラント装置の統括診断装置 | |
| CN109298697B (zh) | 基于动态基线模型的火电厂系统各部件工作状态评估方法 | |
| CN108681633B (zh) | 一种基于状态参数的凝结水泵故障预警方法 | |
| CN107851294A (zh) | 大型运行系统的基于状态的预防维护装置及方法 | |
| CN106680012B (zh) | 一种面向大型燃煤发电机组非平稳过程的故障检测方法和诊断方法 | |
| US11200790B2 (en) | Method for pre-detecting abnormality sign of nuclear power plant device including processor for determining device importance and warning validity, and system therefor | |
| CN103488091A (zh) | 一种数据驱动的基于动态成分分析的控制过程监控方法 | |
| CN105259895A (zh) | 一种工业过程微小故障的检测和分离方法及其监测系统 | |
| CN104714537A (zh) | 一种基于联合相对变化分析和自回归模型的故障预测方法 | |
| WO2019043600A1 (en) | ESTIMATOR OF REMAINING USEFUL LIFE ESTIMATOR | |
| CN104615123B (zh) | 基于k近邻的传感器故障隔离方法 | |
| CN113029616B (zh) | 一种基于增强熵权的压缩机喘振早期故障特征提取方法 | |
| Li et al. | Canonical variate residuals-based contribution map for slowly evolving faults | |
| EP3866132A1 (en) | Power plant early warning device and method employing multiple prediction model | |
| US11835429B2 (en) | Apparatus for equipment monitoring | |
| CN112560924B (zh) | 基于动态内部慢特征分析的丙烯精馏塔状态监控方法 | |
| KR20130035554A (ko) | 발전 설비의 성능 저하 원인 도출 방법 및 장치 | |
| Meng et al. | Health condition identification of rolling element bearing based on gradient of features matrix and MDDCs-MRSVD | |
| JP5949032B2 (ja) | 前処理方法及び異常診断装置 | |
| Toosi et al. | Method for detecting aging related failures of process sensors via noise signal measurement | |
| CN116641941A (zh) | 一种基于典型变量分析的液压系统早期故障动态检测方法 | |
| CN112068518B (zh) | 基于非线性动态全局局部保留投影算法的乙烯精馏塔状态监控方法 | |
| Galicia et al. | Statistics Pattern Analysis based fault detection and diagnosis | |
| Kamiel et al. | Multi fault diagnosis of the centrifugal pump using the wavelet transform and principal component analysis | |
| Galicia et al. | A comprehensive evaluation of Statistics Pattern Analysis based process monitoring |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| TRDD | Decision of grant or rejection written | ||
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20150430 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20150512 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5753301 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |