JP2018133033A - プラントの診断装置および診断方法 - Google Patents

Abstract

【課題】異常の検知能力が向上されたプラントの診断装置を提供する。
【解決手段】プラントの診断装置は、プラントの運転状態に関するパラメータの計測値である監視データであって、計測時期が互いに異なる複数の監視データを取得する監視データ取得部と、複数の監視データの各々をプラント出力データに対してプロットしたプロットパターンである診断対象パターンを作成する診断対象パターン作成部と、診断対象パターンが有するプロットパターンに基づいて、プラントを診断するパターン診断部と、を備える。
【選択図】 図２

Description

本開示は、プラントの運転状態に基づいてプラントを診断するためのプラントの診断装置および診断方法に関する。

ガスタービン発電プラントや原子力発電プラント、あるいは化学プラントといった各種のプラントでは、プラントが正常に運転されているか否かを監視するため、温度や圧力といったプラントの状態量を取得し、監視する。プラントの監視においては、多数の状態量（監視データ）を監視する必要があり、また、状態量の傾向を監視してプラントが正常に運転されているか否かを判定するには熟練を要する。

このため、従来から、ＭＴ法（マハラノビス・タグチ法）と呼ばれるパターン認識技術をプラントの監視に適用することにより、監視する状態量が多数であっても比較的簡易にプラントの運転状態の監視が可能なプラントの監視技術が存在する（例えば、特許文献１）。このＭＴ法では、多変量データをもとに正常な集団を単位空間と定義し、対象データの単位空間からの距離（マハラノビス距離）を求めて異常を判定する。これにより、マハラノビス距離という一つの指標のみによってプラントを総合的に診断することが可能である。また、ＭＴ法は、各種運転パラメータが管理値以内であるか否かによって診断する手法に比べて、機器の損傷が進行する前に早期に異常を検知することが可能となり、機器の損傷を未然に防ぐ、あるいは最小限に抑えることが可能となる。なお、特許文献１には、単位空間の平均値は１となり、ガスタービン発電プラントの状態量が正常な状態では、マハラノビス距離は概ね４以下に収まるが、ガスタービン発電プラントの状態量が異常になると、異常の程度（単位空間からの離れ度合い）に応じて、マハラノビス距離の値は大きくなることが記載されている。

なお、特許文献２には、正常状態時のプラントの各種状態を計測した計測信号を用いて、クラスタリング技術によりいくつかのデータグループ（診断モデル）を構築しておき、診断する時刻の計測信号を処理した際に上記のデータグループに分類されない場合に異常と診断するプラントの診断装置が開示されている。プラントにて異常が発生すると計測信号の特性が正常状態とは異なるため、正常状態の計測信号を用いて構築したデータグループに診断の異常状態時の計測信号は分類されないという特性を利用した診断となる。

国際公開第２００９／１０７８０５号公報 特開２０１５−１０３２１８号公報

しかしながら、プラントの異常を検出するために監視する状態量は多く、ＭＴ法によるプラントの監視には異常の検出精度に限界がある。また、マハラノビス距離の管理値（閾値）は経験的に設定されることから、マハラノビス距離の管理値によっては、機器の損傷等がある程度進むなどした後に異常状態を検知することになる。このため、プラントの異常の検知精度を高めると共に、より早期に異常の兆候を検知するなど、異常検知能力のさらなる向上が望まれる。

上述の事情に鑑みて、本発明の少なくとも一実施形態は、異常の検知能力が向上されたプラントの診断装置を提供することを目的とする。

（１）本発明の少なくとも一実施形態に係るプラントの診断装置は、
プラントの運転状態に基づいて前記プラントを診断するためのプラントの診断装置であって、
前記プラントの前記運転状態に関するパラメータの計測値である監視データであって、計測時期が互いに異なる複数の監視データを取得する監視データ取得部と、
前記複数の監視データの各々を前記プラントのプラント出力データに対してプロットしたプロットパターンである診断対象パターンを作成する診断対象パターン作成部と、
前記診断対象パターンが有する前記プロットパターンに基づいて、前記プラントを診断するパターン診断部と、を備える。

上記（１）の構成によれば、時間軸に沿って計測されるような複数の監視データとプラントの出力データ（例えば、発電プラントであれば発電出力データ）との関係を表す診断対象パターンを作成し、診断対象パターンが有するプロットパターン（プロットの集合形状）に基づいて、プラントの診断を行う。本発明者らは、プラントに異常が生じている場合には、上述した診断対象パターンは、正常時と異なったプロットパターンを有することを見出した。つまり、プラントになんらかの異常が発生している場合には、診断対象パターンには、プラントの異常を判定可能な特徴的なプロットパターン（後述する異常特徴プロットパターン）が少なくとも部分的に表れることを見出した。しがたって、診断対象パターンが有するプロットパターンに基づいて、プラントの診断を行うことができる。

また、例えば、監視データを、経験的などに基づいて設定された異常判定閾値と比較することによりプラントを診断する方法では、実際には異常が発生していても監視データが異常判定閾値を超えない限り異常を検知することができない。また、異常の発生から監視データの値が推移していき、ようやく異常判定閾値を超えたところで検知されるので、異常検知までに比較的長い時間を要する場合もある。しかし、上述したように診断対象パターンが有するプロットパターンに基づいて診断することによって、実際には異常が発生しているが監視データが異常判定閾値を超えていないような場合にも異常を検知することが可能となる。したがって、診断対象パターンが有するプロットパターンに基づいてプラントを診断することによって、プラントの異常の検知精度の向上や、より早期に異常の兆候を検知し、異常発生から検知までに要する時間の短縮が可能となるなど、異常検知能力を飛躍的に向上させることができる。

（２）幾つかの実施形態では、上記（１）の構成において、
前記パターン診断部は、
前記診断対象パターンが、前記プラントが異常であるか否かを判定可能な特徴的なプロットパターンである予め定められた異常特徴プロットパターンを有すると判定した場合に、前記プラントが異常であると診断する異常診断部を有する。
上記（２）の構成によれば、診断対象パターンが予め定められた異常特徴プロットパターンを有しているか否かを判定することにより、プラントの異常を検知することができる。

（３）幾つかの実施形態では、上記（２）の構成において、
前記異常診断部は、前記異常特徴プロットパターンに対して所定以上の類似度を示すプロットパターンを前記診断対象パターンが有する場合に、前記診断対象パターンが前記異常特徴プロットパターンを有すると判定する。
上記（３）の構成によれば、診断対象パターンが異常特徴プロットパターンを有しているか否かを類似度に基づいて判定することができる。

（４）幾つかの実施形態では、上記（１）〜（３）の構成において、
前記複数の監視データの各々を予め定められた前記プラントの運転パターンに応じて分類する運転パターン分類部を、さらに備え、
前記診断対象パターン作成部は、前記運転パターン毎に前記診断対象パターンを作成する。
上記（４）の構成によれば、診断対象パターンが有する運転パターン毎のプロットパターンに基づいて、プラントの異常を診断する。運転パターン別の診断対象パターンに基づいた診断を行うことによって、診断しようとする運転パターンにより形成されるプロットパターンが、それ以外の他の運転パターンに属する複数の監視データにより埋もれることを回避することができ、異常特徴プロットパターンを確実に出現させることができる。したがって、診断精度のさらなる向上を図ることができる。

（５）幾つかの実施形態では、上記（４）の構成において、
前記複数の監視データの各々と閾値との比較に基づいて、前記プラントを診断する閾値診断部を、さらに備える。
上記（５）の構成によれば、プラントの診断方法は、パターン診断部と共に、閾値範囲に基づいてプラントを診断する閾値診断部を備える。これによって、プラントの異常のより確実な検知を図ることができる。すなわち、上述したパターン診断部では、診断対象パターンが異常特徴プロットパターンを有していたとしても、その異常特徴プロットパターンが異常を示すものとして認知されるまでは異常を検知できないが、そのような異常であっても、閾値診断部によって検知することができる。

（６）幾つかの実施形態では、上記（５）の構成において、
前記パターン診断部での診断結果が異常ではない場合、かつ、前記閾値診断部で異常と判定された場合には、前記運転パターン毎に作成された前記診断対象パターンを記憶する診断対象パターン記憶部を、さらに備える。
上記（６）の構成によれば、閾値診断部で検知された異常について、パターン診断部では検知さなかった診断対象パターンが記憶（保存）される。これによって、このような診断対象パターンに基づいて異常特徴プロットパターンを例えば機械学習などにより学習することにより、パターン診断部による診断精度を高め、プラントの診断精度の向上を図ることができる。

（７）幾つかの実施形態では、上記（４）〜（６）の構成において、
前記プラントは、複数の機器を含み、
前記運転パターンは、前記複数の機器の少なくとも１つを含む対象機器の稼働状態に基づいて設定される。
上記（７）の構成によれば、プラントを構成する複数の機器から選択された対象機器（例えば、ボイラ、少なくとも１つのミル装置、スートブロアなど）の稼働状態の組み合わせなどに基づいて、少なくとも１つの運転パターンが定められる。このように対象機器の稼働状態に基づいて運転パターンを少なくとも１つ定めることにより、異常時において異常特徴プロットパターンを有するような診断対象パターンを作成することができる。

（８）幾つかの実施形態では、上記（１）〜（７）の構成において、
前記プラントは、発電機を含む発電プラントである。
上記（８）の構成によれば、発電プラントの診断が可能なプラントの診断方法を提供することができる。

（９）本発明の少なくとも一実施形態に係るプラントの診断方法は、
プラントの運転状態に基づいて前記プラントを診断するためのプラントの診断方法であって、
前記プラントの前記運転状態に関するパラメータの計測値である監視データであって、計測時期が互いに異なる複数の監視データを取得する監視データ取得ステップと、
前記複数の監視データの各々を前記プラントのプラント出力データに対してプロットしたプロットパターンである診断対象パターンを作成する診断対象パターン作成ステップと、
前記診断対象パターンが有する前記プロットパターンに基づいて、前記プラントを診断するパターン診断ステップと、を備える。

上記（９）の構成によれば、上記（１）と同様の効果を奏することができる。

（１０）幾つかの実施形態では、上記（９）の構成において、
前記パターン診断ステップは、
前記診断対象パターンが、前記プラントが異常であるか否かを判定可能な特徴的なプロットパターンである予め定められた異常特徴プロットパターンを有すると判定した場合に、前記プラントが異常であると診断する異常診断ステップを有する。
上記（１０）の構成によれば、上記（２）と同様の効果を奏することができる。

（１１）幾つかの実施形態では、上記（１０）の構成において、
前記異常診断ステップは、前記異常特徴プロットパターンに対して所定以上の類似度を示すプロットパターンを前記診断対象パターンが有する場合に、前記診断対象パターンが前記異常特徴プロットパターンを有すると判定する。
上記（１１）の構成によれば、上記（３）と同様の効果を奏することができる。

（１２）幾つかの実施形態では、上記（９）〜（１１）の構成において、
前記複数の監視データの各々を予め定められた前記プラントの運転パターンに応じて分類する監視データ分類ステップを、さらに備え、
前記診断対象パターン作成ステップは、前記運転パターン毎に前記診断対象パターンを作成する。
上記（１２）の構成によれば、上記（４）と同様の効果を奏することができる。

（１３）幾つかの実施形態では、上記（１２）の構成において、
前記複数の監視データの各々と閾値との比較に基づいて、前記プラントを診断する閾値診断ステップを、さらに備える。
上記（１３）の構成によれば、上記（５）と同様の効果を奏することができる。

（１４）幾つかの実施形態では、上記（１３）の構成において、
前記パターン診断ステップでの診断結果が異常ではない場合、かつ、前記閾値診断ステップで異常と判定された場合には、前記運転パターン毎に作成された前記診断対象パターンを記憶する診断対象パターン記憶ステップを、さらに備える。
上記（１４）の構成によれば、上記（６）と同様の効果を奏することができる。

（１５）幾つかの実施形態では、上記（１２）〜（１４）の構成において、
前記プラントは、複数の機器を含み、
前記運転パターンは、前記複数の機器の少なくとも１つを含む対象機器の稼働状態に基づいて設定される。
上記（１５）の構成によれば、上記（７）と同様の効果を奏することができる。

（１６）幾つかの実施形態では、上記（９）〜（１５）の構成において、
前記プラントは、発電機を含む発電プラントである。
上記（１６）の構成によれば、上記（８）と同様の効果を奏することができる。

本発明の少なくとも一実施形態によれば、異常の検知能力が向上されたプラントの診断装置が提供される。

本発明の一実施形態に係るプラントの構成を概略的に示す図である。 本発明の一実施形態に係るプラントの診断装置を示す図である。 本発明の一実施形態に係るプラントの運転状態に関するパラメータの時系列グラフの例示であり、パラメータはミル装置の出口温度である。 本発明の一実施形態に係る発電出力（プラント出力）の時系列グラフである。 本発明の一実施形態に係る診断対象パターンであり、図３に基づいて作成されている。 図５の診断対象パターンに対応する正常時のプロットパターンを示す図である。 本発明の一実施形態に係るプラントの運転状態に関するパラメータであるＧＶ−ＬＨ制御要求割合（％）の診断対象パターン（異常時）の例示である。 本発明の一実施形態に係る運転パターン別の診断対象パターンを示す図であり、図５の診断対象パターンを運転パターン別で表した図である。 図８の診断対象パターンに対応する正常時のプロットパターンを示す図であり、図６を運転パターン別で表した図である。 本発明の一実施形態に係るプラントの運転状態に関するパラメータの１つである主蒸気圧力の診断対象パターン（異常時）の例示である。 本発明の一実施形態に係るプラントの診断方法を示す図である。

以下、添付図面を参照して本発明の幾つかの実施形態について説明する。ただし、実施形態として記載されている又は図面に示されている構成部品の寸法、材質、形状、その相対的配置等は、本発明の範囲をこれに限定する趣旨ではなく、単なる説明例にすぎない。
例えば、「ある方向に」、「ある方向に沿って」、「平行」、「直交」、「中心」、「同心」或いは「同軸」等の相対的或いは絶対的な配置を表す表現は、厳密にそのような配置を表すのみならず、公差、若しくは、同じ機能が得られる程度の角度や距離をもって相対的に変位している状態も表すものとする。
例えば、「同一」、「等しい」及び「均質」等の物事が等しい状態であることを表す表現は、厳密に等しい状態を表すのみならず、公差、若しくは、同じ機能が得られる程度の差が存在している状態も表すものとする。
例えば、四角形状や円筒形状等の形状を表す表現は、幾何学的に厳密な意味での四角形状や円筒形状等の形状を表すのみならず、同じ効果が得られる範囲で、凹凸部や面取り部等を含む形状も表すものとする。
一方、一の構成要素を「備える」、「具える」、「具備する」、「含む」、又は、「有する」という表現は、他の構成要素の存在を除外する排他的な表現ではない。

図１は、本発明の一実施形態に係るプラント１の構成を概略的に示す図である。図１に示されるプラント１は一般的な火力発電所（発電プラント）を例示したものであり、ボイラ２での燃料の燃焼により、ボイラ２の内部に設置された伝熱管４１などを流れる流体を加熱して生成した主蒸気を蒸気タービン３に供給して回転駆動し、蒸気タービン３の回転駆動によって発電機３２を駆動させて発電出力を得る。そして、発電出力は消費地に送るために主変圧器１１で高い電圧に変換された後、開閉器１２を介して送電線１３に送られる。

より詳細には、図１に示される実施形態では、貯炭場２１からベルトコンベア２２で石炭バンカー２３に投入された石炭（燃料）が、給炭機２４、ミル装置２５（微粉炭機）を経て、微粉炭管２６を通ってバーナ２７に供給されると共に、押込通風機２８によって空気（２次空気）が２次空気供給管２９を通ってボイラ２に供給されて、ボイラ２での燃焼が行われるようになっている。
また、ボイラ２の内部の伝熱管４１で生成された主蒸気は主蒸気管４２を通って蒸気タービン３を回転駆動した後に復水器３１に導入され、復水器３１において、循環水ポンプ３３によって冷却水供給管３４を経て復水器３１に供給された冷却水で冷却される。その後、復水器３１から復水ポンプ３５で汲み上げられて、給水管３１ｐを通って、給水管３１ｐに設置された低圧給水加熱器３６、脱気器３７、給水ポンプ３８、高圧給水加熱器３９を経て、伝熱管４１に循環される。ボイラ２の内部には再熱器４３も設置されており、蒸気タービン３からの主蒸気が再熱蒸気管４４を通って再熱器４３で再加熱され、再度蒸気タービン３に供給されるようになっている。また、ボイラ２には、伝熱管４１や再熱器４３などの熱交換器に付着する煤やダストを除去するスートブロア４５が設置されている。
他方、ボイラ２における燃料の燃焼により生じた排ガスは、誘引通風機１７に引かれながら、煙道１４に設けられた、排ガスから窒素酸化物を除去する脱硝装置１５、排ガス中の煤塵を除去する電気集塵器１６、除塵後の排ガス中の硫黄酸化物を除去するための脱硫装置１８を経て無害化された後、煙突１９から大気中に排出さるようになっている。また、ボイラ２で生じた灰はボイラ２の底部から排出された後、クリンカホッパー４６を通って灰処理設備４７に送られた後に外部に排出され、また、電気集塵器１６で集塵された塵も灰処理設備４７に送られた後に外部に排出されるようになっている。

このように、発電プラントなどのプラント１は複数の機器（１１〜４４）から構成されると共に、複数の機器の各々が正常に稼働することによって、例えば発電プラントであれば発電出力（発電機３２の出力）といったようなプラント出力を得る。ただし、プラント１は１つの機器から構成されていても良い。

また、プラント１の少なくとも１つのパラメータ（状態量）が、例えば１分間隔といった任意の周期で、センサなどの状態量監視手段によって計測（監視）されており、プラント１の制御に用いられると共に、プラント１の運転状態の監視に用いられる。パラメータとしては、例えば、ボイラ２では、蒸気および圧力のそれぞれの温度、圧力、流量などとなる。また、蒸気タービン３では、振動、回転数、弁、ダンパの開度などとなる。押込通風機２８や誘引通風機１７ではそれらの駆動モータＭの電流、電圧、温度などとなる。発電機３２では潤滑油の温度や圧力や、その出力の電力、電圧、有効電力、無効電力、周波数などとなる。煙道１４を流れるＳＯｘ、ＮＯｘ、Ｏ２の濃度などもパラメータである。その他、図１に示される実施形態では、ミル装置２５やスートブロア４５、石炭バンカー２３といった機器や弁のＯＮ／ＯＦＦ信号などもパラメータとして計測（監視）している。

そして、図１に示されるように、プラント１は、プラント１の診断装置５（以下、単に、診断装置５という。）を備える。診断装置５は、プラント１の運転状態に基づいてプラント１を診断するための装置であり、図１に示される実施形態では、診断装置５は、中央制御室などプラント１から距離的に離れた場所に設置されている。診断装置５について、図２〜図７を用いて説明する。図２は、本発明の一実施形態に係るプラント１の診断装置５を示す図である。図３は、本発明の一実施形態に係るプラント１の運転状態に関するパラメータの時系列グラフの例示であり、パラメータはミル装置２５の出口温度である。図４は、本発明の一実施形態に係る発電出力（プラント出力）の時系列グラフである。図５は、本発明の一実施形態に係る診断対象パターンＤｐであり、図３に基づいて作成されている。図６は、図５の診断対象パターンＤｐに対応する正常時のプロットパターンＦ（Ｆｎ）を示す図である。また、図７は、本発明の一実施形態に係るプラント１の運転状態に関するパラメータであるＧＶ−ＬＨ制御要求割合（％）の診断対象パターンＤｐ（異常時）の例示である。

図２に示されるように、診断装置５は、監視データ取得部５１と、診断対象パターン作成部５３と、パターン診断部５４と、を備える。これらの機能部について説明する。なお、診断装置５はコンピュータで構成されていても良く、図示しないＣＰＵ（プロセッサ）や、ＲＯＭやＲＡＭといったメモリや補助記憶装置（記憶装置Ｍｄ）、外部通信インタフェースを備えている。そして、主記憶装置にロードされたプログラム（プラント１の診断プログラム）の命令に従ってＣＰＵが動作（データの演算など）することで、上記の各機能部を実現する。

監視データ取得部５１は、プラント１の運転状態に関するパラメータ（状態量）の計測値である監視データＤであって、計測時期が互いに異なる複数の監視データＤ（図３参照）を取得する。つまり、監視データＤは、上述した状態量監視手段によって時間軸に沿って計測された計測値がデータ化されたものであり、監視データ取得部５１は、少なくとも１つのパラメータに関する監視データＤを装置（プログラム）内部に取り込む。例えば、複数の監視データＤは、診断装置５が備える記憶装置Ｍｄに予め記憶されていても良く、監視データ取得部５１は、例えば１日分、３日分、１月分などの任意に設定される所定期間分のデータを記憶装置Ｍｄから読み出してプログラム内部に取り込んでも良い。あるいは、監視データ取得部５１は、所定期間分の複数の監視データＤを、外部通信インタフェースを介して取得しても良い。なお、上記の所定期間は、診断装置５（診断プログラム）を操作する操作者の要求（操作）により指定されても良い。なお、パラメータの計測値は、移動平均やローパスフィルタなどによる信号処理（前処理）が施された上で、データ化されていても良い。また、監視データ取得部５１は、複数種類のパラメータに関する監視データＤから、必要なパラメータに関する監視データＤ（例えば、後述するミル装置２５の出口温度など）のみフィルタリング（前処理）して、取得しても良い。

また、監視データ取得部５１が取得する複数の監視データＤは、図３に示されるに時系列に沿ってプロットすると、時間の経過に従って変化するものとなる。図３の例示は、パラメータの１つであるミル装置２５の出口温度（℃）の約１か月分の監視データＤが時系列でプロットされたものである。なお、図３の例示は、プラント１の運転状態が異常時の場合に対応するものであるが、後述する、ミル装置２５の出口温度は異常を検知するための管理値（上限閾値Ｔｕ）を下回っている。

診断対象パターン作成部５３は、複数の監視データＤの各々を発電出力データ（プラント出力データ）に対してプロットしたプロットパターンＦである診断対象パターンＤｐ（図５参照）を作成する。前提として、図３に示されるような所定期間分の複数の監視データＤの各々には、その各々の監視データＤと計測時期が一致する発電出力データ（例えばメガワット）が関連付けられている。つまり、計測時期、監視データＤ、および発電出力データを１レコードとして、例えば周期的なパラメータ計測に伴い生成されたこのレコードを所定期間分集めたレコードセットが作成されており、このレコードセットに基づいて、診断対象パターン作成部５３は単一種類のパラメータ（例えば、後述するミル装置２５の出口温度など）に関する複数の監視データＤを発電出力に対してプロットして、診断対象パターンＤｐを作成する。

より具体的には、上記のレコードセットは、計測時期が関連付けられた監視データＤ（図３）と、計測時期が関連付けられた発電出力データ（図４）とを、計測時期をキーに関連付けることで作成されても良い。このレコードセットは診断対象パターン作成部５３が作成しても良いし、他の機能部（例えば不図示のレコードセット作成部）が作成したものを、診断対象パターン作成部５３は受信しても良い。パラメータと発電出力の各々の計測時期は、両者計測タイミングが対応すると合理的にみなすことが可能であれば、両者の計測時期にずれがあっても一致しているものみなす。

こうして作成された診断対象パターンＤｐは、例えば図５に例示されるような横軸を発電出力、縦軸を監視データＤとした散布図として表示することが可能である。つまり、図５では、散布図における全てのプロットの集合の形状（幾何学形状）がプロットパターンＦであり、このプロットパターンＦの全体が診断を受ける診断対象パターンＤｐである。なお、本明細書では、プロットパターンＦの全体における少なくとも一部分の形状を指してプロットパターンＦともいう。そして、診断対象パターンＤｐはパラメータの種類毎に作成するものであり、図５に例示される診断対象パターンＤｐは、ミル装置２５の出口温度を発電出力に対してプロットして作成したものとなる。

パターン診断部５４は、診断対象パターンＤｐが有するプロットパターンＦに基づいて、プラント１を診断する。すなわち、パターン診断部５４は、診断対象パターンＤｐの全体のプロットパターンＦや、診断対象パターンＤｐが有する部分的なプロットパターンＦ（略して、パターン部分）に基づいて、プラント１の運転状態が正常であるか、異常であるかを診断する。これは、プラント１に異常が生じている異常時には、上述した診断対象パターンＤｐは、プラント１の運転状態が正常な正常時と異なったプロットパターンＦを有することを本発明者らが見出したことによる。つまり、プラント１になんらかの異常が発生している場合には、診断対象パターンＤｐには、プラント１の異常を判定可能な特徴的なプロットパターンＦ（後述する異常特徴プロットパターンＦｘ）が少なくとも部分的に表れることを見出した。この知見から、本発明では、診断対象パターンＤｐが有するプロットパターンＦに基づいてプラント１の診断を行う。

例えば、図５に示される診断対象パターンＤｐは、プラント１にある種の異常が発生している異常時におけるミル装置２５の出口温度（パラメータ）の監視データＤに基づいて作成した診断対象パターンＤｐである。そして、図５の診断対象パターンＤｐは、発電出力がおよそＷ２までは概ね温度がＴ１近傍となる共に、発電出力がおよそＷ２〜Ｗ４の間では発電出力に対して直線状に温度Ｔ３付近まで増加するプロットパターンＦを有しており、下に凸となるようなパターン部分（第１異常時パターン部分Ｆｘａ）を有している。
これに対して、図６に示されるように、プラント１の運転状態が正常時におけるミル装置２５の出口温度に関するプロットパターンＦ（正常時パターンＦｎ）は、発電出力が０〜Ｗ１の間で発電出力の増加に伴って温度が対数関数状にＴ３まで急激に立ち上がると共に、発電出力がおよそＷ１〜Ｗ３の間では温度がＴ３近傍となるプロットパターンＦを有しており、上に凸となるようなパターン部分（第１正常時パターン部分Ｆｎａ）を有する。
なお、上述した発電出力の値の関係はＷ１＜Ｗ２＜Ｗ３＜Ｗ４であり、温度の関係はＴ１＜Ｔ２（後述）＜Ｔ３である。また、正常時パターンＦｎは記憶装置Ｍｄに記憶されていても良い。

そして、診断対象パターンＤｐ（図５）を正常時パターンＦｎ（図６）と比較すると、上記の第１異常時パターン部分Ｆｘａ（下に凸状）は、図６の第１正常時パターン部分Ｆｎａ（上に凸状）と類似しているとは言えず、この部分によって、プロットパターンＦを全体的に比較しても、類似しているとは言えない。このように、診断対象パターンＤｐを、例えば、プラント１が正常である場合のプロットパターンＦ（散布図）である正常時パターンＦｎ（図６）と比較し、診断対象パターンＤｐが正常時パターンＦｎに対して所定以上の類似度を示す場合に、プラント１が正常（プラント１の運転状態が正常）と判定することが可能である。また、後述するように、診断対象パターンＤｐが、後述する異常特徴プロットパターンＦｘを有すると判定した場合に、プラント１が異常（プラント１の運転状態が異常）と判定することが可能である。

また、例えば、図６に示されるように、正常時パターンＦｎの外形の外側に、正常時プロットパターンを囲むように管理値Ｔｓ（閾値）を設定し、診断対象パターンＤｐの外形がその管理値を超えて外側にはみ出す場合に、異常と判定することも可能である。この手法によっても、図５の診断対象パターンＤｐが正常時パターンＦｎとは異なることを判定することが可能であり、異なる場合には、診断対象パターンＤｐが異常特徴プロットパターンＦｘを有するとみなす。この管理値は、診断対象パターンＤｐの外形に沿うように設けても良い（図６参照）。また、２以上の複数の管理値を段階的に設定しても良い。具体的には、最も内側の管理値を第１管理値とし、第１管理値の外側を囲むように設けられた管理値を第２管理値とし、第１管理値や第２管理値などを超えるか否かで、異常の進行度合いを判定しても良い。この場合、図６の上限閾値Ｔｕは最終管理値となる。

上述した診断装置５による診断を、例えば、監視データＤを経験的などに基づいて設定された異常判定閾値（例えば上限閾値Ｔｕ）と比較することによりプラント１を診断する方法と比較すると、比較対象の診断方法では、実際には異常が発生していても監視データＤが異常判定閾値を超えない限り異常を検知することができない。また、異常の発生から監視データＤの値が推移していき、ようやく異常判定閾値を超えたところで検知されるので、異常検知までに比較的長い時間を要する場合もある。しかし、上述したように診断対象パターンＤｐが有するプロットパターンＦに基づいて診断することによって、実際には異常が発生しているが監視データＤが異常判定閾値（図５のＴ１）を超えていないような場合にも異常を検知することが可能となる。

したがって、診断対象パターンＤｐが有するプロットパターンＦに基づいてプラント１を診断することによって、プラント１の異常の検知精度の向上や、より早期に異常を検知し、異常発生から検知までに要する時間の短縮が可能となるなど、異常検知能力を飛躍的に向上させることができる。

また、幾つかの実施形態では、図５、図７に示されるように、上述したパターン診断部５４は、診断対象パターンＤｐが、プラント１が異常であるか否かを判定可能な特徴的なプロットパターンＦである予め定められた異常特徴プロットパターンＦｘを有すると判定した場合に、プラント１が異常であると診断する異常診断部５５を有する。例えば、図５の例示における異常特徴プロットパターンＦｘは、正常時パターンＦｎの対応する部分（第１正常時パターン部分Ｆｎａ）と異なる部分となる、下に凸となるようなパターン部分（第１異常時パターン部分Ｆｘａ）であり、また、この第１異常時パターン部分Ｆｘａを含む全体のプロットパターンＦ（Ｆｘ）となる。なお、異常特徴プロットパターンＦｘは記憶装置Ｍｄに記憶されていても良い。

その他の異常特徴プロットパターンＦｘを例示すると、図７が挙げられる。図７は、本発明の一実施形態に係るプラント１の運転状態に関するパラメータであるＧＶ−ＬＨ制御要求割合（％）診断対象パターンＤｐ（異常時）の例示である。つまり、図７は、プラント１にある種の異常が発生している異常時におけるＧＶ−ＬＨ制御要求割合（パラメータ）の監視データＤに基づいて作成した診断対象パターンＤｐである。図７の診断対象パターンＤｐ（異常特徴プロットパターンＦｘ）は、図示されるように、発電出力が小さい領域（図７ではＷ５以下の領域）において同一の発電出力に対して縦軸の値が異なることによって２つに分かれた、ワニの口のようなプロットパターンＦ（第２異常時パターン部分Ｆｘｂ）を有しており、その他の部分を含めた全体としてワニが口を開けているようなプロットパターンＦを有している。プラント１の正常時パターンＦｎ（不図示）は、上記のワニの口に相当するパターン部分（Ｆｘｂ）は出現しないことが分かっている。よって、診断対象パターンＤｐがワニの口に相当するプロットパターン（Ｆｘｂ）を有する場合には、プラント１を異常と診断することができる。

上記の構成によれば、診断対象パターンＤｐが予め定められた異常特徴プロットパターンＦｘを有しているか否かを判定することにより、プラント１の異常を検知することができる。

また、幾つかの実施形態では、上述した異常診断部５５は、異常特徴プロットパターンＦｘに対して所定以上の類似度を示すプロットパターンＦを診断対象パターンＤｐが有する場合に、診断対象パターンＤｐが異常特徴プロットパターンＦｘを有すると判定する。例えば、診断対象パターンＤｐが有するプロットパターンＦが有する幾何学形状と、異常特徴プロットパターンＦｘや正常時パターンＦｎ（前述）の幾何学形状とを、所定の類似度で一致、不一致の判定を行うことが可能な周知なパターンマッチング技術を用いて比較しても良い。このように類似度を基準に判定することで、判定の信頼性の向上を図ることが可能となる。
上記の構成によれば、診断対象パターンＤｐが異常特徴プロットパターンＦｘを有しているか否かを類似度に基づいて判定することができる。

また、幾つかの実施形態では、図２に示されるように、診断装置５は、複数の監視データＤの各々を予め定められたプラント１の運転パターンＯｐに応じて分類する運転パターン分類部５２を、さらに備えていても良い。そして、上述した診断対象パターン作成部５３は、運転パターンＯｐ毎に診断対象パターンＤｐを作成する。つまり、本実施形態では、同一の運転パターンＯｐに属する監視データＤを用いて、運転パターンＯｐ毎に診断対象パターンＤｐを作成して、プラント１の診断を行う。

具体的には、運転パターン分類部５２は、所定期間分の監視データＤの各々に運転パターンＯｐの識別子を関連付けることで、複数の監視データＤを運転パターンＯｐに分類しても良い。この場合には、上述した１レコードは、計測時期、監視データＤ、発電出力データ、運転パターン識別子を含むことになる。そして、診断対象パターン作成部５３は、運転パターン識別子が同一となるレコードを用いて、運転パターンＯｐ毎に診断対象パターンＤｐを作成する。なお、運転パターンＯｐは、第１運転パターンＯｐａなど、少なくとも１つの運転パターンＯｐを含んでいる。

なお、例えば、記号分けや色分け（後述する図８参照）などによって、運転パターンＯｐ毎に診断対象パターンＤｐが識別可能であれば、全ての運転パターンＯｐの診断対象パターンＤｐが一緒に表されていても、それは、診断対象パターンＤｐは運転パターンＯｐ毎に作成されたものである。ディスプレイなどの出力装置に出力する場合には、操作者の要求（操作）に応じた運転パターンＯｐのものみ出力（表示）することや、異常特徴プロットパターンＦｘのみを出力することが可能であっても良い。

運転パターンＯｐについて、図８〜図９を用いて説明する。図８は、本発明の一実施形態に係る運転パターンＯｐ別の診断対象パターンＤｐを示す図であり、図５の診断対象パターンＤｐを運転パターンＯｐで表した図である。また、図９は、図８の診断対象パターンに対応する正常時のプロットパターンを示す図であり、図６を運転パターン別で表した図である。図８〜図９に示されるように、幾つかの実施形態では、運転パターンＯｐは、プラント１の運転状態に基づいて設定されても良い。図８〜図９に示される実施形態では、運転パターンＯｐは、プラント１の起動時（Ｓｔａｒｔ Ｕｐ）、負荷変化時（Ｌｏａｄ Ｆｌｕｃｔｕａｔｉｏｎ）、負荷一定時（Ｓｔａｂｌｅ Ｌｏａｄ）、停止時（Ｓｈｕｔ Ｄｏｗｎ）の４つが設けられている。そして、複数の監視データＤを運転パターンＯｐに分類し、運転パターンＯｐ毎の診断対象パターンＤｐに基づいて診断を行うことで、診断精度をさらに向上させることが可能となる。

詳述すると、プラント１が正常時には、ミル装置２５の出口温度に関するプロットパターンＦは、負荷変化時の運転パターンＯｐのみに着目すると、図９に示されるように、発電出力（横軸）がＷ２付近において出口温度がＴ４付近でわずかに散らばるパターン部分と、発電機出力がＷ２〜Ｗ３の間において温度がＴ４で概ね一定となるパターン部分とからなるプロットパターンＦ（第３正常時パターン部分Ｆｎｃ）を有している。
これに対して、図８の診断対象パターンＤｐは、発電出力（横軸）がおよそＷ２〜Ｗ３の間で、同一の発電出力に対して出口温度が互いに離間した２つの値を取ることによって、空間を囲むような形状のプロットパターンＦ（第３異常時パターン部分Ｆｘｃ）を有しており、正常時パターンＦｎ（図９）の対応する部分とは異なっていることが分かる。つまり、ミル装置２５の出口温度に関する診断対象パターンＤｐは、負荷変化時の運転パターンＯｐにおける診断対象パターンＤｐおいて、上述した第３異常時パターン部分Ｆｘｃを有するか否かによる診断が可能となる。

ところが、運転パターンＯｐ毎に診断対象パターンＤｐが作成されていない場合には、図５に示されるように、発電機出力がＷ２〜Ｗ３の間に上記の空間を囲むように２つに分かれた異常特徴プロットパターンＦｘに類似する形状が視認されるものの、その形状が、負荷変化時の運転パターンＯｐに属する監視データＤのみによって形成されているのか、判別できない。仮に、図５における発電出力がＷ２〜Ｗ３の間の形状が他の運転パターンＯｐに属する監視データＤによって形成されている場合には、この形状から異常と診断すると誤診断となるおそれがある。したがって、運転パターンＯｐ毎の診断対象パターンＤｐに基づいて診断を行うことで、診断精度をさらに向上させることが可能となる。

その他の運転パターンＯｐ毎の診断対象パターンＤｐを例示すると、図１０が挙げられる。図１０は、本発明の一実施形態に係るプラント１の運転状態に関するパラメータの１つである主蒸気圧力の診断対象パターン（異常時）の例示である。つまり、図１０は、プラント１にある種の異常が発生している異常時における主蒸気圧力の監視データＤに基づいて作成した診断対象パターンＤｐである。図１０に示されるように、負荷一定時（Ｓｔａｂｌｅ Ｌｏａｄ）の運転パターンＯｐの診断対象パターンＤｐは、発電出力がＷ６において、主蒸気圧力がＰ１〜Ｐ２（Ｐ１＜Ｐ２）の範囲でばらつくことで、線状のプロットパターンＦ（第４異常時パターン部分Ｆｘｄ）を有している。
これに対して、主蒸気圧力に関する正常時パターンＦｎは、負荷一定時には主蒸気圧力が一定になるものである。換言すれば、図１０のように表示すると、負荷一定時（Ｓｔａｂｌｅ Ｌｏａｄ）の運転パターンＯｐの診断対象パターンＤｐは点状の形状となる。

ここで、主蒸気圧力に関する正常時パターンＦｎは、負荷一定時以外の他の運転パターンＯｐでは、負荷一定時となる発電出力において（図１０の例示ではＷ６）において、線状のプロットパターンＦを有している（図１０のＬｏａｄ ＦｌｕｃｔｕａｔｉｏｎやＳｈｕｔ Ｄｏｗｎの運転パターンＯｐを参照）。このため、図１０の例示においても、仮に運転パターンＯｐ毎に診断対象パターンＤｐが作成されていない場合には、診断対象パターンＤｐが、発電出力がＷ６において上記の線状のプロットパターンＦを有していたとしても、そのプロットパターンＦが負荷一定時の運転パターンＯｐに属する監視データＤで形成されているのか判別できない。よって、監視データＤが運転パターンＯｐに分類されていなければ、適切な診断を行うことができない。

ただし、運転パターンＯｐの設定は、上述したような、プラント１の運転状態に基づいて設定する実施形態に限定されない。他の幾つかの実施形態では、運転パターンＯｐは、対象となる機器である対象機器の稼働状態に基づいて設定されても良い。図１に示されるように、一般的に、プラント１は、複数の機器（発電プラントでは図１の１１〜４４など）を含んで構成されており、対象機器は、複数の機器の少なくとも１つを含んでいても良い。より詳細には、対象機器は、発電プラントであれば、発電出力を得るために最低限必要となる機器である。基本的には、上述した図１に含まれる全ての機器であるが、発電プラントは、規模に応じてミル装置２５やスートブロア４５などは複数台設置されており、これらの機器は、電力需要に応じて稼働されたり、されなかったりと、稼働状態が異なる。

そこで、例えば、運転パターンＯｐを、ミル装置２５が１台稼働している時（第１運転パターンＯｐａ）、ミル装置２５が２台稼働している時、（第２運転パターンＯｐｂ）ミル装置２５が２台稼働かつスートブロア４５が稼働中の時（第３運転パターンＯｐｃ）など、対象機器の稼働状態の組み合わせに基づいて、設定しても良い。ただし、運転パターンＯｐは対象機器の稼働状態の組み合わせを全て含む必要はなく、任意の組み合わせを抽出して、運転パターンＯｐを設定しても良い。また、運転パターンＯｐは、対象機器の稼働状態、および、上述したプラント１の運転状態に基づいて、設定しても良い。具体的には、運転パターンＯｐは、プラント１の起動時（スタートアップ時）を第１運転パターンＯｐａとし、ミル装置２５が２台稼働かつスートブロア４５が稼働した状態でプラント１が運転されている時を第２運転パターンＯｐｂ、それ以外を第３運転パターンＯｐｃとするなどしても良い。さらに、運転パターンＯｐは、対象機器の稼働状態、あるいは、対象機器の稼働状態およびプラント１の運転状態に加えて、湿度、外気温を含む外部環境の少なくとも１つに基づいて、設定しても良い。

その他の幾つかの実施形態では、運転パターンＯｐは発電出力に基づいて設定されていても良く、例えば、０以上６０ＭＷ未満の時（第１運転パターンＯｐａ）、６０ＭＷ以上１００ＭＷ未満の時（第２運転パターンＯｐｂ）、１００ＭＷ以上の時（第３運転パターンＯｐｃ）などと、設定しても良い。その他の幾つかの実施形態では、運転パターンＯｐは、パラメータの温度、圧力といった単位に基づいて、設定しても良い。

上記の構成によれば、診断対象パターンＤｐが有する運転パターンＯｐ毎のプロットパターンＦに基づいて、プラント１の異常を診断する。運転パターンＯｐ別の診断対象パターンＤｐに基づいた診断を行うことによって、診断しようとする運転パターンＯｐにより形成されるプロットパターンＦが、それ以外の他の運転パターンＯｐに属する複数の監視データＤにより埋もれることを回避し、異常特徴プロットパターンＦｘを確実に出現させることができる。したがって、診断精度のさらなる向上を図ることができる。

また、幾つかの実施形態では、図２に示されるように、診断装置５は、複数の監視データＤの各々と運転パターンＯｐ毎に設けられた閾値との比較に基づいて、プラント１を診断する閾値診断部５６を、さらに備える。つまり、上記の閾値診断部５６が用いる閾値は、異常を検知するための最終管理値となる。より具体的には、閾値診断部５６は、上限閾値Ｔｕのみに基づいて診断しても良く、上限閾値Ｔｕ値を超えた監視データＤを少なくとも１つ見つけた場合にプラント１が異常と判定する（図３、図５、図６参照）。また、閾値診断部５６は、上限閾値Ｔｕおよび下限閾値Ｔｄの両方に基づいて監視しても良く、上限閾値Ｔｕを超えるか下限閾値Ｔｄを下回るかのいずれか一方となった監視データＤを少なくとも１つ見つけた場合に異常と診断する（図７、図１０参照）。また、上記の閾値（最終管理値）は、パラメータの種類毎に設定されるものであるが、この際、運転パターンＯｐ毎にそれぞれ設けられていても良いし、全ての運転パターンＯｐに共通して設けられていても良い。

また、診断装置５は、複数の監視データＤを運転パターンＯｐに分類し、運転パターンＯｐ毎に監視データＤを統計的に分析することにより、異常診断を行っても良い。例えば、主蒸気の温度（パラメータ）について、定格負荷運転時などの負荷一定時（Ｓｔａｂｌｅ Ｌｏａｄ）の運転パターンＯｐの出現確率に対するヒストグラムを作成すると共に、主蒸気の温度の値の平均から２σ（σ：標準偏差）などの所定の統計値を閾値（最終管理値）とし設定しても良い。この場合には、閾値診断部５６は、所定の統計値以上ずれた計測値（監視データＤ）を少なくとも１つ見つけた場合には異常と診断する。

上記の構成によれば、プラント１の異常のより確実な検知を図ることができる。すなわち、上述したパターン診断部５４による診断では、診断対象パターンＤｐが異常特徴プロットパターンＦｘを有していたとしても、その異常特徴プロットパターンＦｘが異常を示すものとして認知されるまでは異常を検知できないが、そのような異常であっても、閾値診断部５６による診断によって検知することができる。

また、幾つかの実施形態では、診断装置５は、閾値診断部５６を備える上述の実施形態において、パターン診断部５４での診断結果が異常ではない場合、かつ、閾値診断部５６で異常と判定された場合には、運転パターン毎に作成された診断対象パターンを記憶する診断対象パターン記憶部５７を、さらに備えていても良い。つまり、パターン診断部５４での診断により検知できなかった異常が生じた場合には、異常が検知された際の診断対象パターンＤｐ（要分析診断対象パターン）を記憶装置Ｍｄなど記憶する。これによって、こうして蓄積された要分析診断対象パターンの１以上を分析することで、パターン診断部５４による診断に用いる新たな異常特徴プロットパターンＦｘを生成することや、閾値診断部５６が診断に用いる管理値（第ｎ管理値や最終管理値）を生成することなど、診断精度を高めるためなどの機械学習に用いても良い。

より具体的には、要分析診断対象パターンを異常特徴プロットパターンＦｘとする他、正常時パターンＦｎとの比較に基づいて、異常特徴プロットパターンＦｘを生成しても良い。同一種類のパラメータに関する複数の要分析診断対象パターンに共通するような特徴を有するように異常特徴プロットパターンＦｘ（パターン部分）を生成しても良い。同一種類のパラメータに関する複数の要分析診断対象パターンを、クラスタリング技術（例えばＥＭ法など）を用いて分類し、分類されたグループ毎に例えば平均化したパターンを生成するなどして、１以上の異常特徴プロットパターンＦｘを生成しても良い。この場合には、異常原因に対応した異常特徴プロットパターンＦｘが生成されるなどが期待できる。複数種類のパラメータに関する要分析診断対象パターンを対象に上述したような分析を行っても良い。

また、正常と診断された際の診断対象パターンＤｐも同様に記憶装置Ｍｄなど記憶しても良く、正常時パターンＦｎに基づく診断の精度の向上が図れる。また、正常と診断された際の複数の診断対象パターンＤｐおよび複数の要分析診断対象パターンを集めて、クラスタリング技術などによって何らかの類似性で分類することにより、異常特徴プロットパターンＦｘや正常時パターンＦｎを学習しても良い。

上記の構成によれば、閾値診断部５６で検知された異常について、パターン診断部５４では検知さなかった診断対象パターンＤｐが記憶装置Ｍｄなどに記憶（保存）される。これによって、このような診断対象パターンＤｐに基づいて異常特徴プロットパターンＦｘを例えば機械学習などにより学習することにより、パターン診断部５４による診断精度を高め、プラント１の診断精度の向上を図ることができる。

その他、診断装置５が備える機能について説明する。
上述したような異常特徴プロットパターンＦｘ（図５、図７、図８、図１０参照）は、プラント１において、対応する特定の異常原因が発生していることによって、診断対象パターンＤｐに出現する場合がある。そこで、異常特徴プロットパターンＦｘに関連付けて想定される異常原因を記憶し、診断対象パターンＤｐが有する異常特徴プロットパターンＦｘを特定することにより、異常原因の推定を行っても良い。より具体的には、診断装置５は、プラント１の診断結果として、異常、正常などの結果に加えて、異常特徴プロットパターンＦｘに関連付けられた異常原因を、ディスプレイ（出力装置）に表示する通知機能部を有していても良い。このように、異常原因を操作者等に通知することにより、異常診断時の調査や復旧作業の迅速化を図ることが可能となる。

さらには、各種異常原因と相関の強い機器やパラメータを機械学習などにより学習することで、異常が検知された場合に、その異常を正常状態に戻すために効果的な操作（例えばミル装置２５の動作台数の変更など機器の稼働状況の調整など）や設定されたパラメータの指示値を、遠隔監視するプラント１の制御システムへフィードバックしても良く、これによって、最適な運転につなげることも可能となる。

また、診断装置５が前記運転パターン分類部５２を備える場合に、予め定められたプラント１の運転パターンＯｐに応じて複数の監視データＤを分類することについて既に述べたが、機械学習などにより学習することで、予め定められた運転パターンＯｐを、より異常検知に最適な運転パターンＯｐに書き換えたり、新たに定めることが可能となる。なお、上述した各種機械学習を行う際には、監視データＤそのものではなく、予め運転パターンＯｐごとに分類されたデータを学習させても良く、これによってよりノイズの少ない効果的な学習が可能となる。

また、診断装置５は、診断時などには、上述したレコードセットに基づいて、監視データＤを時系列に表示したり、計測時期、監視データＤ、発電出力データ（プラント出力データ）の３軸での出力（３次元グラフの出力）が可能なグラフ作成機能を有していても良い。これによって、異常の予兆などの分析や、異常時の調査の容易化を図ることができる。

また、診断装置５は、監視データＤからプラント１の稼働設備を推定するための機能部を備えていても良い。例えば、取得した監視データＤを用いて作成した診断対象パターンＤｐが、対象機器に基づいて設定した運転パターンＯｐ毎の正常時パターンＦｎや異常特徴プロットパターンＦｘを有すると判定される場合には、その運転パターンＯｐの内容によって、機器の構成を自動で推定することが可能となる。より具体的には、その運転パターンＯｐの内容が、ミル装置２５が２台稼働かつスートブロア４５が稼働中という物である場合には、そういった機器の構成が推定される。
なお、上述した機能の少なくとも１つを、次に説明するプラント１の診断方法においても同様に行っても良い。

以下、上述した診断装置５が行う診断に対応するプラント１の診断方法について、図１１を用いて説明する。図１１は、本発明の一実施形態に係るプラント１の診断方法を示す図である。プラント１の診断方法は、プラント１の運転状態に基づいてプラント１を診断するための方法であり、図１１に示されるように、監視データ取得ステップ（Ｓ１）と、診断対象パターン作成ステップ（Ｓ２）と、パターン診断ステップ（Ｓ４）と、を備える。そして、本診断方法を実行することによって、プラント１に生じている異常を検知することが可能となる。本診断方法は、上述した診断装置５や診断プログラムが実行しても良いし、プラント１の監視を行う監視者が、コンピュータを用いるなどして人手で行っても良い。
以下、プラント１の診断方法について、図１１のステップの順に説明する。なお、図１１の各ステップは、上述した同様の名称の機能部に対応するため、詳細な説明は省略する。

図１１のステップＳ１において監視データ取得ステップを実行し、上述した複数の監視データＤを取得する。本実施形態では、ステップＳ２において、複数の監視データＤの各々を上述した運転パターンＯｐに応じて分類する監視データ分類ステップを実行しているが、本ステップは省略しても良い。次のステップＳ３において診断対象パターン作成ステップを実行し、監視データ取得ステップ（Ｓ１）において取得した複数の監視データＤ（同一のパラメータの計測値）に基づいて、上述した診断対象パターンＤｐを作成する。なお、本実施形態では、監視データ分類ステップ（Ｓ２）を実施しているので、ステップＳ３では、運転パターンＯｐ毎に診断対象パターンＤｐが作成される。そして、ステップＳ４においてパターン診断ステップを実行し、診断対象パターンＤｐが有するプロットパターンＦに基づいて、プラント１を診断する。

図１１に示されるように、幾つかの実施形態では、パターン診断ステップ（Ｓ４）では、異常診断ステップ（Ｓ４１）を実行しても良い。より詳細には、ステップＳ４１において、診断対象パターンＤｐが上述した異常特徴プロットパターンＦｘを有するか否かを判定する。そして、診断対象パターンＤｐが異常特徴プロットパターンＦｘを有すると判定した場合に、ステップＳ４２において、プラント１が異常であると診断する。例えば、上述したように、異常特徴プロットパターンＦｘに対して所定以上の類似度を示すプロットパターンＦを診断対象パターンＤｐが有する場合に、診断対象パターンＤｐが異常特徴プロットパターンＦｘを有すると判定しても良い。

逆に、ステップＳ４１において、診断対象パターンＤｐが異常特徴プロットパターンＦｘを有していないと判定した場合には、図１１に示されるように、閾値診断ステップ（Ｓ５）を実行し、運転パターンＯｐ毎の複数の監視データＤと運転パターンＯｐ毎に設けられた閾値との比較に基づいてプラント１を診断しても良い。具体的には、ステップＳ５において、複数の監視データＤのうち閾値外の値を取るものが有るか否かを判定し、閾値外の監視データＤが有ると判定した場合には、異常を判定する（Ｓ４２に戻る）。図１１に示されるように、ステップＳ５とステップＳ４２の間のステップＳ６において、診断対象パターン記憶ステップを実行し、運転パターンＯｐ毎に作成された診断対象パターンＤｐを記憶した後に、ステップＳ４２を実行し異常を判定しても良い。逆に、閾値外の監視データＤが無いと判定した場合には、診断フローを終了する。

なお、本診断方法は、正常時パターンＦｎに対して所定以上の類似度を示すプロットパターンＦを診断対象パターンＤｐが有する場合に、診断対象パターンＤｐが正常と判定する正常判定ステップを、さらに備えていても良い。この正常判定ステップは、図１１におけるステップＳ３とステップＳ４１の間で実行しても良いし、ステップＳ４１とステップＳ５の間で実行しても良い。正常判定ステップにおいて正常と診断した場合には、診断フローを終了し、そうでない場合には、その次のステップを実行する。

本発明は上述した実施形態に限定されることはなく、上述した実施形態に変形を加えた形態や、これらの形態を適宜組み合わせた形態も含む。

１ プラント
１１ 主変圧器
１２ 開閉器
１３ 送電線
１４ 煙道
１５ 脱硝装置
１６ 電気集塵器
１７ 誘引通風機
１８ 脱硫装置
１９ 煙突
Ｍ 駆動モータ
２ ボイラ
２１ 貯炭場
２２ ベルトコンベア
２３ 石炭バンカー
２４ 給炭機
２５ ミル装置
２６ 微粉炭管
２７ バーナ
２８ 押込通風機
２９ ２次空気供給管
３ 蒸気タービン
３１ 復水器
３１ｐ 給水管
３２ 発電機
３３ 循環水ポンプ
３４ 冷却水供給管
３５ 復水ポンプ
３６ 低圧給水加熱器
３７ 脱気器
３８ 給水ポンプ
３９ 高圧給水加熱器
４１ 伝熱管
４２ 主蒸気管
４３ 再熱器
４４ 再熱蒸気管
４５ スートブロア
４６ クリンカホッパー
４７ 灰処理設備
５ 診断装置
５１ 監視データ取得部
５２ 運転パターン分類部
５３ 診断対象パターン作成部
５４ パターン診断部
５５ 異常診断部
５６ 閾値診断部
５７ 診断対象パターン記憶部
Ｍｄ 記憶装置
Ｄ 監視データ
Ｄｐ 診断対象パターン
Ｆ プロットパターン
Ｆｘ 異常特徴プロットパターン
Ｆｘａ 第１異常時パターン部分
Ｆｘｂ 第２異常時パターン部分
Ｆｘｃ 第３異常時パターン部分
Ｆｘｄ 第４異常時パターン部分
Ｆｎ 正常時パターン
Ｆｎａ 第１正常時パターン部分
Ｆｎｃ 第３正常時パターン部分
Ｏｐ 運転パターン
Ｏｐａ 第１運転パターン
Ｏｐｂ 第２運転パターン
Ｏｐｃ 第３運転パターン
Ｔｕ 上限閾値
Ｔｄ 下限閾値
Ｔｓ 管理値

Claims (16)

1. プラントの運転状態に基づいて前記プラントを診断するためのプラントの診断装置であって、
   前記プラントの前記運転状態に関するパラメータの計測値である監視データであって、計測時期が互いに異なる複数の監視データを取得する監視データ取得部と、
   前記複数の監視データの各々を前記プラントのプラント出力データに対してプロットしたプロットパターンである診断対象パターンを作成する診断対象パターン作成部と、
   前記診断対象パターンが有する前記プロットパターンに基づいて、前記プラントを診断するパターン診断部と、を備えることを特徴とするプラントの診断装置。
2. 前記パターン診断部は、
   前記診断対象パターンが、前記プラントが異常であるか否かを判定可能な特徴的なプロットパターンである予め定められた異常特徴プロットパターンを有すると判定した場合に、前記プラントが異常であると診断する異常診断部を有することを特徴とする請求項１に記載のプラントの診断装置。
3. 前記異常診断部は、前記異常特徴プロットパターンに対して所定以上の類似度を示すプロットパターンを前記診断対象パターンが有する場合に、前記診断対象パターンが前記異常特徴プロットパターンを有すると判定することを特徴とする請求項２に記載のプラントの診断装置。
4. 前記複数の監視データの各々を予め定められた前記プラントの運転パターンに応じて分類する運転パターン分類部を、さらに備え、
   前記診断対象パターン作成部は、前記運転パターン毎に前記診断対象パターンを作成することを特徴とする請求項１〜３のいずれか１項に記載のプラントの診断装置。
5. 前記複数の監視データの各々と閾値との比較に基づいて、前記プラントを診断する閾値診断部を、さらに備えることを特徴とする請求項４に記載のプラントの診断装置。
6. 前記パターン診断部での診断結果が異常ではない場合、かつ、前記閾値診断部で異常と判定された場合には、前記運転パターン毎に作成された前記診断対象パターンを記憶する診断対象パターン記憶部を、さらに備えることを特徴とする請求項５に記載のプラントの診断装置。
7. 前記プラントは、複数の機器を含み、
   前記運転パターンは、前記複数の機器の少なくとも１つを含む対象機器の稼働状態に基づいて設定されることを特徴とする請求項４〜６のいずれか１項に記載のプラントの診断装置。
8. 前記プラントは、発電機を含む発電プラントであることを特徴とする請求項１〜７のいずれか１項に記載のプラントの診断装置。
9. プラントの運転状態に基づいて前記プラントを診断するためのプラントの診断方法であって、
   前記プラントの前記運転状態に関するパラメータの計測値である監視データであって、計測時期が互いに異なる複数の監視データを取得する監視データ取得ステップと、
   前記複数の監視データの各々を前記プラントのプラント出力データに対してプロットしたプロットパターンである診断対象パターンを作成する診断対象パターン作成ステップと、
   前記診断対象パターンが有する前記プロットパターンに基づいて、前記プラントを診断するパターン診断ステップと、を備えることを特徴とするプラントの診断方法。
10. 前記パターン診断ステップは、
    前記診断対象パターンが、前記プラントが異常であるか否かを判定可能な特徴的なプロットパターンである予め定められた異常特徴プロットパターンを有すると判定した場合に、前記プラントが異常であると診断する異常診断ステップを有することを特徴とする請求項９に記載のプラントの診断方法。
11. 前記異常診断ステップは、前記異常特徴プロットパターンに対して所定以上の類似度を示すプロットパターンを前記診断対象パターンが有する場合に、前記診断対象パターンが前記異常特徴プロットパターンを有すると判定することを特徴とする請求項１０に記載のプラントの診断方法。
12. 前記複数の監視データの各々を予め定められた前記プラントの運転パターンに応じて分類する監視データ分類ステップを、さらに備え、
    前記診断対象パターン作成ステップは、前記運転パターン毎に前記診断対象パターンを作成することを特徴とする請求項９〜１１のいずれか１項に記載のプラントの診断方法。
13. 前記複数の監視データの各々と閾値との比較に基づいて前記プラントを診断する閾値診断ステップを、さらに備えることを特徴とする請求項１２に記載のプラントの診断方法。
14. 前記パターン診断ステップでの診断結果が異常ではない場合、かつ、前記閾値診断ステップで異常と判定された場合には、前記運転パターン毎に作成された前記診断対象パターンを記憶する診断対象パターン記憶ステップを、さらに備えることを特徴とする請求項１３に記載のプラントの診断方法。
15. 前記プラントは、複数の機器を含み、
    前記運転パターンは、前記複数の機器の少なくとも１つを含む対象機器の稼働状態に基づいて設定されることを特徴とする請求項１２〜１４のいずれか１項に記載のプラントの診断方法。
16. 前記プラントは、発電機を含む発電プラントであることを特徴とする請求項９〜１５のいずれか１項に記載のプラントの診断方法。

Images