JP2018169769A - 予兆検知システム及び予兆検知方法 - Google Patents

予兆検知システム及び予兆検知方法 Download PDF

Info

Publication number
JP2018169769A
JP2018169769A JP2017066125A JP2017066125A JP2018169769A JP 2018169769 A JP2018169769 A JP 2018169769A JP 2017066125 A JP2017066125 A JP 2017066125A JP 2017066125 A JP2017066125 A JP 2017066125A JP 2018169769 A JP2018169769 A JP 2018169769A
Authority
JP
Japan
Prior art keywords
data
parameter
operation history
sign detection
history data
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
Application number
JP2017066125A
Other languages
English (en)
Other versions
JP2018169769A5 (ja
JP7179444B2 (ja
Inventor
真人 岸
Masato Kishi
真人 岸
熊野　信太郎
Shintaro Kumano
信太郎 熊野
安部　克彦
Katsuhiko Abe
克彦 安部
圭介 山本
Keisuke Yamamoto
圭介 山本
由起彦 井上
Yukihiko Inoue
由起彦 井上
瞬 新妻
Shun Niitsuma
瞬 新妻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Heavy Industries Ltd
Mitsubishi Power Ltd
Original Assignee
Mitsubishi Heavy Industries Ltd
Mitsubishi Hitachi Power Systems Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority to JP2017066125A priority Critical patent/JP7179444B2/ja
Application filed by Mitsubishi Heavy Industries Ltd, Mitsubishi Hitachi Power Systems Ltd filed Critical Mitsubishi Heavy Industries Ltd
Priority to US16/495,304 priority patent/US11048245B2/en
Priority to DE112018001684.6T priority patent/DE112018001684T5/de
Priority to PCT/JP2018/011769 priority patent/WO2018181020A1/ja
Priority to CN201880019110.9A priority patent/CN110431502B/zh
Priority to TW107110432A priority patent/TWI684858B/zh
Publication of JP2018169769A publication Critical patent/JP2018169769A/ja
Publication of JP2018169769A5 publication Critical patent/JP2018169769A5/ja
Application granted granted Critical
Publication of JP7179444B2 publication Critical patent/JP7179444B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling

Abstract

【課題】プラントの経年変化を考慮した予兆検知を行うシステムを提供する。
【解決手段】予兆検知システムが、機器の運転データと、機器の運転履歴を示す運転履歴データと、を取得するデータ取得部と、運転データと、運転履歴データと、機器の監視対象となるパラメータについて運転履歴データに対応する時点での当該パラメータの値を推定する推定モデルと、に基づいて、パラメータの推定値を算出する推定部と、推定部によるパラメータの推定値とデータ取得部が取得した運転データに含まれるパラメータの計測値または推定値との偏差に基づいて、機器の状態を評価する状態評価部と、を備える。
【選択図】図２

Description

本発明は、予兆検知システム及び予兆検知方法に関する。
発電プラント等の設備において、機器の動作の状態を監視するために、ＡＮＮ（Artificial Nural Network）等のモデルが用いられる場合がある。例えば、特許文献１では、第１のＡＮＮで現在の設備の状態を模擬し、第２のＡＮＮで正常運転時の設備の状態を模擬し、第１のＡＮＮ及び第２のＡＮＮの出力データの差から故障の発生の有無を判断することが記載されている。
米国特許出願公開第２０１３／０３１８０１８号明細書
ところで、一般に特許文献１等に記載のモデルを用いた監視では、正常な状態を示すプロセス値などを学習して構築した正常モデルと、監視対象のプラント等で取得されたプロセス値とを比較し、実際のプロセス値が正常モデルから乖離している場合に異常を検知することが多い。このような場合に、正常モデルの構築に用いられるデータは、一般的に過去のデータである。しかしながら，実際のプラントには、経年変化があるため，正常モデルを更新しないと、正常モデルが現状のプラントの正常な状態と乖離してしまい、この正常モデルに基づく監視精度が劣化してしまう。
そこで、この発明は、上述の課題を解決することのできる予兆検知システム及び予兆検知方法を提供することを目的としている。
本発明の第１の態様によれば、機器の運転データと、前記機器の運転履歴を示す運転履歴データと、を取得するデータ取得部と、前記運転データと、前記運転履歴データと、前記機器の監視対象となるパラメータについて前記運転履歴データに対応する時点での当該パラメータの値を推定する推定モデルと、に基づいて、前記パラメータの第１推定値を算出する推定部と、前記パラメータの第１推定値と前記データ取得部が取得した前記運転データに含まれる前記パラメータの計測値または第２推定値との偏差に基づいて、前記機器の状態を評価する状態評価部と、を備える予兆検知システムである。
また、本発明の第２の態様によれば、前記予兆検知システムであって、前記運転履歴データには、前記機器の起動回数及び停止回数のうち少なくとも１つが含まれてもよい。
また、本発明の第３の態様によれば、前記予兆検知システムであって、前記運転履歴データには、前記機器の運転時間、前記機器の運転パターン別の運転時間、前記機器の導入からの経過時間、のうち少なくとも１つが含まれてもよい。
また、本発明の第４の態様によれば、前記予兆検知システムであって、前記運転履歴データには、前記機器に対する保守点検作業を行った回数、前記機器に対して保守点検作業を行ってからの経過時間、のうち少なくとも１つが含まれてもよい。
また、本発明の第５の態様によれば、前記予兆検知システムであって、前記運転履歴データには、前記機器の出力の累積値が含まれてもよい。
また、本発明の第６の態様によれば、前記予兆検知システムであって、前記運転データには、前記機器を監視する装置が生成したアラーム情報及びイベント情報のうち少なくとも１つが含まれてもよい。
また、本発明の第７の態様によれば、前記予兆検知システムであって、前記推定モデルは、前記機器の運転データ及び運転履歴データに加え、前記機器と同じ種類の他の機器の運転データ及び運転履歴データに基づいて構築されていてもよい。
また、本発明の第８の態様によれば、前記予兆検知システムは、前記運転履歴データと、その運転履歴データに対応する時点での前記機器の運転データと、に基づいて前記推定モデルを構築する推定モデル構築部、をさらに備えていてもよい。
また、本発明の第９の態様によれば、前記予兆検知システムであって、前記状態評価部は、さらに前記運転履歴データを取得し、前記運転履歴データが示す運転実績に応じた前記監視対象となるパラメータの評価基準に基づいて前記機器の状態を評価してもよい。
また、本発明の第１０の態様によれば、前記予兆検知システムであって、前記状態評価部は、前記偏差と、前記偏差の履歴と実際に生じた異常との対応関係と、に基づいて、将来発生する異常を予測する。
また、本発明の第１１の態様によれば、機器の運転データと、前記機器の運転履歴を示す運転履歴データと、を取得するデータ取得部と、前記運転データと、前記機器の監視対象となるパラメータの値を推定する推定モデルと、に基づいて、前記パラメータの第１推定値を算出する推定部と、前記推定部による前記パラメータの第１推定値と前記データ取得部が取得した前記運転データに含まれる前記パラメータの計測値または第２推定値との偏差と、前記運転履歴データが示す運転実績に応じた前記監視対象となるパラメータの評価基準と、に基づいて、前記機器の状態を評価する状態評価部と、を備える予兆検知システムである。
また、本発明の第１２の態様は、予兆検知システムが、機器の運転データと、前記機器の運転履歴を示す運転履歴データと、を取得するステップと、前記運転データと、前記運転履歴データと、前記機器の監視対象となるパラメータについて前記運転履歴データに対応する時点での当該パラメータの値を推定する推定モデルと、に基づいて、前記パラメータの第１推定値を算出するステップと、前記第１推定値と前記運転データに含まれる前記パラメータの計測値または第２推定値との偏差に基づいて、前記機器の状態を評価するステップと、を備える予兆検知方法である。
本発明によれば、プラント等の経年変化を考慮した予兆検知が可能となる。
本発明に係る予兆検知システムを用いて監視を行うプラントの一例を示す図である。 本発明に係る第一実施形態における予兆検知装置の機能ブロック図である。 本発明に係る第一実施形態における予兆検知処理を説明する図である。 本発明に係る第一実施形態における推定モデルの構築処理の一例を示すフローチャートである。 本発明に係る第一実施形態における予兆検知処理の一例を示すフローチャートである。 本発明に係る第一実施形態における予兆検知処理の他の例について説明する図である。 本発明に係る第一実施形態における予兆検知装置による異常発生の予測とその効果について説明する図である。 本発明に係る第二実施形態における予兆検知装置の機能ブロック図である。 本発明に係る第二実施形態における予兆検知処理を説明する図である。 本発明に係る第二実施形態における判定モデルの構築処理の一例を示すフローチャートである。 本発明に係る第二実施形態における予兆検知処理の他の例について説明する図である。
＜第一実施形態＞
以下、本発明の第一実施形態による予兆検知システムついて図１〜図７を参照して説明する。
本発明に係る予兆検知システムを用いて監視を行うプラントの一例を示す図である。
図１に示す監視対象となるガスタービンプラントは、ガスタービン１０と、発電機１５と、ガスタービン１０の動作の制御や監視を行う装置２０と、を備えている。ガスタービン１０と発電機１５はロータ１４で連結されている。ガスタービン１０は、空気を圧縮して圧縮空気を生成する圧縮機１１と、圧縮空気中で燃料ガスを燃焼させ高温の燃焼ガスを生成する燃焼器１２と、燃焼ガスにより駆動するタービン１３と、を備えている。燃焼器１２は、燃焼器１２に燃料を供給する各系統Ａ、Ｂ，Ｃごとにそれぞれの燃料供給装置（図示せず）と接続されている。燃料供給装置と燃焼器１２の間には各系統Ａ〜Ｃの燃料の流量を調節する燃料流量調整弁１６Ａ，１６Ｂ，１６Ｃが設けられている。装置２０は、１台又は複数台のコンピュータで構成された制御装置等である。装置２０は、ＩＧＶ（ＩＧＶ：inlet guide vane）１７の開度を調節して圧縮機１１に流入する空気の流量や、燃料流量調整弁１６Ａ〜１６Ｃの開度調整による燃焼器１２への燃料ガスの供給量等を制御して、タービン１３を駆動し、発電機１５を稼働させる。
また、装置２０は、ガスタービン１０や発電機１５の各所に設けられたセンサから温度、圧力などの計測データを取得する。計測データには、ガスタービン１０の内部に取り込まれ、実際の運転に用いられる燃料ガスや大気などの物性データだけでなく、運転環境の温度など周囲の環境情報が含まれる。また、装置２０は、取得した計測データを用いて、ガスタービン１０を制御するための制御信号を生成する。なお、計測データには、各センサの識別情報、計測値、計測時刻等が含まれている。また、制御信号には、その制御信号が出力された時刻が含まれている。また、装置２０は、計測データを所定の推定モデル（例えば、ガスタービン１０のある状態量を算出するための計算式など）に入力して、その推定モデルによって算出された推定値を、計測データの代わりに、あるいは、計測データに加えて取得してもよい。なお、この推定値を第２推定値と呼ぶ場合がある。これら計測データ（または第２推定値）と制御信号とを総称してプロセスデータと記載する。また、装置２０は、取得した計測データを所定の閾値と比較して、計測データが閾値を上回ったり下回ったりすると、ガスタービン１０に異常が生じたり、注意すべき状態となったことを示すアラーム情報を生成する。また、装置２０は、ガスタービン１０の起動停止、ガスタービン１０が備える機器の動作（弁の開閉など）、運転状態の変更等が発生するとそれらの発生を示すイベント情報を生成する。アラーム情報及びイベント情報には、各々の情報が生成された時刻情報が含まれている。装置２０は、プロセスデータ、アラーム情報、イベント情報を図示しない表示装置に表示させ、運転員は、その表示装置に表示された計測データやアラーム情報などを監視してガスタービン１０の運用を行う。
また、装置２０は、プロセスデータ、アラーム情報、イベント情報を予兆検知装置３０へ送信する。プロセスデータについては、装置２０は、例えば、所定周期毎、プロセスデータを取得する毎、プロセスデータの値に所定の変化が発生した場合などに、予兆検知装置３０へ送信する。また、アラーム情報、イベント情報については、装置２０は、例えばそれらの情報を生成する度に予兆検知装置３０へ送信する。なお、本実施形態において装置２０は、ガスタービン１０の運転に必要な制御装置、監視装置などを含んでいる。これに対し、予兆検知装置３０は、ガスタービン１０に将来発生する異常の予兆を検知し、これを運転員に通知する目的で設置される。なお、プロセスデータ、アラーム情報、イベント情報を総称して運転データと記載する。
予兆検知装置３０は、ガスタービン１０に生じる異常の予兆を検知する。特に本実施形態に係る予兆検知装置３０は、ガスタービン１０の経年変化を考慮した予測モデルを用いて予兆検知を行う。次に、予兆検知装置３０について説明する。
図２は、本発明に係る第一実施形態における予兆検知装置の機能ブロック図である。
図２に示すように予兆検知装置３０は、データ取得部３１と、推定部３２と、状態評価部３３と、制御部３４と、推定モデル構築部３５と、入出力部３６と、記憶部３７と、を備える。
データ取得部３１は、機器の運転データと、機器の運転履歴を示す運転履歴データとを取得する。ここで、運転履歴データとは、例えば、ガスタービン１０の累積運転時間、運転パターン別の運転時間、ガスタービン１０を導入して設置してからの経過時間、起動回数、停止回数、起動停止回数、ガスタービン１０の出力実績の累積値などの運転履歴データ、ガスタービン１０に対する保守点検作業を行った回数、保守点検作業を行ってから経過した時間などの保守履歴データを含む。データ取得部３１は、取得した運転データを記憶部３７に記録する。
運転履歴データは、ガスタービン１０が稼働状態にあることを示す、例えば、発電機１５の出力、ガスタービン１０の起動命令信号、停止命令信号などのプロセスデータを用いて算出することができる。例えば、累積運転時間であれば、装置２０が、上記のプロセスデータを用いて１回の起動から停止までの運転時間を計算し、これを累積して累積運転時間を算出する。また、例えば、起動停止回数であれば、装置２０が、自身が出力した起動命令、停止命令の回数をカウントして、これを累積して起動停止回数を算出する。装置２０は、これらの運転履歴データを算出し、データ取得部３１は、装置２０から運転履歴データを取得する。
また、装置２０は、ガスタービン１０に対して行われた過去の保守履歴の情報を記憶していて、装置２０は、保守作業の累積回数、保守作業を行ってからの経過時間などを算出し、データ取得部３１は、装置２０から保守履歴データを取得する。
推定部３２は、運転データと、運転履歴データと、運転履歴データが示す運転実績に応じた経年変化を反映した監視対象パラメータの値を推定する推定モデルと、に基づいて、パラメータの推定値を算出する。
状態評価部３３は、推定部３２による監視対象パラメータの推定値（第１推定値）とデータ取得部３１が取得したガスタービン１０の監視対象パラメータの計測値または推定値（第２推定値）との偏差に基づいて、監視対象パラメータが示すガスタービン１０の状態を評価する。例えば、偏差が所定の閾値以上の場合、その監視対象パラメータがガスタービン１０又はその一部の機器に生じる異常の予兆を示していると評価する。また、状態評価部３３は、異常の予兆を検知すると、異常予兆を検知したことを示すアラーム情報、異常発生率、異常発生箇所などの異常情報を算出する。
制御部３４は、予兆検知装置３０の起動、停止、処理実行などの各種制御を行う。
推定モデル構築部３５は、運転履歴データと、その運転履歴データに対応する（その運転履歴データが示す運転を経た時点での）機器の正常動作時の運転データと、を学習して、ガスタービン１０の正常動作時における監視対象パラメータの値を推定する推定モデルを構築する。推定モデル構築部３５が構築する推定モデルとは、ガスタービン１０の経年変化を陽に考慮したモデルである。推定モデルとは、例えばＡＮＮなどのニューラルネットワーク、各種機械学習、深層学習、重回帰分析などの各種統計的手法によるモデルである。
入出力部３６は、状態評価部３３による評価結果や異常情報の算出結果をディスプレイ、他の装置などへ出力する。また、入出力部３６は、監視員による予兆検知装置３０への指示情報等の入力操作を受け付ける。
記憶部３７は、例えば、運転データなどの種々のデータを記憶する。
図３は、本発明に係る第一実施形態における予兆検知処理を説明する図である。
推定部３２は、推定モデルＭを有している。推定モデルＭは、正常時の過去の運転データに基づいて，入力パラメータを大気温度、大気圧力、相対湿度、燃料流量指令値、燃料分配比設定、ガスタービン１０の回転数、燃料流量調整弁１６Ａ〜１６Ｃの弁開度、系統Ａ〜Ｃ毎の燃料供給圧力、ＩＧＶ開度、運転時間、起動停止回数などとし、出力パラメータをガスタービン出力、ガスタービン効率、車室圧力、各燃料系統のマニホールド圧力、各燃焼器の燃焼振動値、タービン１３からの排ガス温度などとする、例えばニューラルネットワークモデルである。
推定部３２は、運転データのうち、監視対象パラメータ（ガスタービン１０の出力、車室圧力など）の推定に必要なパラメータ（大気温度、大気圧力、燃料流量指令値など）を推定モデルＭに入力する。また、推定部３２は、ガスタービン１０の累積運転時間、起動停止回数などの運転履歴データを推定モデルＭに入力する。予測モデルＭは、現在までの累積運転時間や起動停止回数が示すガスタービン１０の経年変化を反映したガスタービン出力の推定値、車室圧力の推定値などを出力する。推定部３２は、予測モデルＭによる推定値を、状態評価部３３へ出力する。
状態評価部３３は、推定モデルＭが出力したガスタービン出力等の監視対象パラメータの推定値と、データ取得部３１が取得した現在のガスタービン出力等の計測値と、を取得する。状態評価部３３は、減算器Ｓ、異常判定部Ｄを有している。減算器Ｓは、取得した推定モデルＭによる推定値と、対応するパラメータの計測値との偏差を算出する。例えば、減算器Ｓは、ガスタービン出力の推定値とガスタービン出力の計測値との偏差を算出する。また、減算器Ｓは、車室圧力の推定値と車室圧力の計測値との偏差を算出する。減算器Ｓは、算出した監視対象である各パラメータの推定値と計測値の偏差を、異常判定部Ｄへ出力する。異常判定部Ｄは、各パラメータの偏差と、パラメータごとに定められた偏差の閾値とを比較して、異常の予兆の有無を判定する。例えば、異常判定部Ｄは、ガスタービン出力の偏差と、ガスタービン出力用の閾値とを比較して、ガスタービン出力の偏差が所定の閾値を上回っていれば、ガスタービン出力について、異常の予兆があると判定する。また、ガスタービン出力の偏差が閾値以下であれば、異常判定部Ｄは、ガスタービン出力について異常の予兆が無いと判定する。
異常判定部Ｄは、異常情報生成部Ｄ１を有している。異常情報生成部Ｄ１は、異常発生の予兆を検知したことを示すアラーム情報、異常個所、異常発生率などの異常情報を生成する。アラーム情報には、異常の内容、異常の予兆ありと判定した時刻の情報が含まれている。また、異常情報生成部Ｄ１は、推定値と計測値の偏差の大きさに応じて異常の規模、確度、重大さなどを推定し、それらの情報を異常情報へ含めてもよい。また、異常情報生成部Ｄ１は、閾値を上回った監視対象パラメータの種類に応じて、ガスタービン１０のどの部分に異常が発生するかを判定し、異常の発生が予想される箇所を推定する。また、異常情報生成部Ｄ１は、過去の異常発生実績、故障実績などに基づいて、異常の予兆を検知した部位の異常発生率や故障率を算出する。なお、記憶部３７には過去の故障実績の情報が記録されている。また、異常情報生成部Ｄ１は、複数の監視対象パラメータの値に基づいて、異常情報を生成してもよい。例えば、ガスタービン出力と車室圧力の両方の監視対象パラメータが閾値を超えている場合、「異常Ｘ」の予兆であるとのアラーム情報を生成してもよい。
従来の予測モデルに基づく予兆検知では、プラントの経年変化を考慮しないことが多く、その為、予測モデルが推定する監視対象パラメータの値が、ある期間の運転を経た実際のプラントの実態と乖離してしまっていることが多い。これに対し、本実施形態では、所定の推定モデルに基づいて、経年変化に応じた現在のガスタービン１０の出力パラメータの値を推定する。そして、この推定値を正として、ガスタービン１０の出力パラメータの計測値が正常な範囲の値であるかどうかを判定する。現在のプラントの状態に応じた閾値を基準として異常の判定を行うので、精度の高い予兆検知が可能となる。
次に、本実施形態の推定モデルの構築処理について説明を行う。
図４は、本発明に係る第一実施形態における推定モデルの構築処理の一例を示すフローチャートである。
まず、データ取得部３１が、ガスタービン１０の運転データとともにその運転データに対応する運転履歴データを取得する（ステップＳ１１）。運転データに対応する運転履歴データとは、例えば、大気温度Ｘ、燃料流量指令値Ｙ、ガスタービン１０出力Ｚなどの運転データが、ＹＹＹＹ年ＭＭ月ＤＤ日ｈｈ時ｍｍ分ｓｓ秒にセンサによって計測または装置２０によって出力されたものである場合、ＹＹＹＹ年ＭＭ月ＤＤ日ｈｈ時ｍｍ分ｓｓ秒（または、それを含む前後所定の期間）までの累積運転時間や起動停止回数のことである。また、取得する運転データは、監視対象となるガスタービン１０において採取された過去の正常運転時の運転データである。なお、運転履歴データの例として、累積運転時間、起動停止回数の他に、運転パターン別の運転時間、起動回数または運転頻度、ガスタービン１０を設置してからの経過時間、導入後の当該ガスタービン１０による出力の累積値（ＭＷｈ）、保守点検作業を行った回数、保守点検作業を行ってから経過した時間などが含まれていてもよい。運転パターン別の運転時間とは、例えば、定格運転での累積運転時間、部分負荷運転での累積運転時間、負荷変動時の累積運転時間である。また、例えば、運転パターン別の運転時間とは、ホットスタート（例えば停止時間が８時間以内）、ウォームスタート（例えば停止時間が２４時間以内）、コールドスタート（例えば停止時間が２４時間超）と運転パターンを分類した場合、各パターンのスタート態様で運転を開始した場合の累積運転時間である。また、例えば、運転パターン別の起動回数とは、ホットスタートした累積起動回数、ウォームスタートした累積起動回数、コールドスタートした累積起動回数である。また、例えば、運転パターン別の運転頻度とは、例えば運転データの採取日を基準とする所定期間内に何回ホットスタート、ウォームスタート、コールドスタートの各々を実行したかである。また、ガスタービン１０を設置してからの経過時間とは、ガスタービン１０の設置後、運転時間及び停止時間の全て含んだ経過時間である。また、保守点検作業を行った回数とは、対応する運転データの採取日を基準としてそのときまでに行った定期点検、部品の補修や交換、部品のグレードアップなどの総回数である。保守点検作業を行った回数については、点検個所や保守を行った部品ごとの保守点検回数を用いてもよい。また、保守点検作業を行ってから経過した時間とは、例えば、最初又は最後に定期点検を行ってから経過した時間や、ある部品について複数回の点検や交換を行っている場合、最後に部品交換を行ってから経過した時間である。
次に、データ取得部３１は、取得した対応関係にある運転データと運転履歴データとを記憶部３７に対応付けて記録する（ステップＳ１２）。
次に、推定モデル構築部３５は、推定モデルの構築に必要な所定期間分の運転データ等が記憶部３７に蓄積されたかどうかを判定する（ステップＳ１３）。蓄積されていない場合（ステップＳ１３；Ｎｏ）、ステップＳ１１からの処理を繰り返す。所定期間分の運転データ等が蓄積された場合（ステップＳ１３；Ｙｅｓ）、推定モデル構築部３５は、推定モデルＭを構築する（ステップＳ１４）。例えば、推定モデル構築部３５は、ある運転データαと対応する運転履歴データβについて、運転データαのうち、入力パラメータ（大気温度、大気圧力、燃料流量指令値など）と運転履歴データ（累積運転時間、起動停止回数）とをそのモデルに入力すると、運転データのうち監視対象パラメータ（ガスタービン出力、車室圧力など）を出力するような推定モデルをＡＮＮ等の手法で構築する。推定モデル構築部３５は、構築した推定モデルＭを記憶部３７へ記録する。続いて、構築した推定モデルＭを用いたオンラインでの予兆検知処理の流れについて説明する。
図５は、本発明に係る第一実施形態における予兆検知処理の一例を示すフローチャートである。
まず、データ取得部３１が、稼働中のガスタービン１０の運転データを取得する（ステップＳ２１）。例えば、データ取得部３１は、装置２０を介して各種センサが計測した最新の計測値（大気温度、大気圧力、ガスタービン１０の出力、車室圧力など）を取得する。また、データ取得部３１は、装置２０から、装置２０が指示した最新の制御信号の値（ＩＧＶ開度、燃料流用指令値、各燃料系統の弁開度など）を取得する。これらデータ取得部３１が取得する運転データには、入力パラメータと、監視対象パラメータ（出力パラメータ）とが含まれる。また、データ取得部３１は、装置２０から、取得した運転データに対応する運転履歴データ（累積運転時間、起動停止回数、定期点検後の経過時間など）を取得する。
データ取得部３１は、取得した運転データのうち入力パラメータ及び運転履歴データを推定部３２へ出力する。また、データ取得部３１は、取得した運転データのうち監視対象パラメータを状態評価部３３へ出力する。
次に、推定部３２は、記憶部３７から推定モデルＭを読み出して、読み出した推定モデルＭに、データ取得部３１から取得した運転データ（入力パラメータ）と運転履歴データとを入力する。推定モデルＭは、入力された値を用いて監視対象パラメータの推定値を算出する（ステップＳ２２）。推定部３２は、監視対象パラメータの推定値を、状態評価部３３へ出力する。
次に、状態評価部３３は、推定部３２から取得した監視対象パラメータの推定値と、データ取得部３１から取得した監視対象パラメータの計測値との偏差を算出する（ステップＳ２３）。例えば、状態評価部３３が備える減算器Ｓが、ガスタービン出力の推定値からガスタービン出力の計測値を減算する。減算器Ｓは、算出した偏差を、状態評価部３３が備える異常判定部Ｄに出力する。減算器Ｓは、他の監視対象パラメータについても同様に偏差を算出し、監視対象パラメータの識別情報（例えば監視対象パラメータの名称）と偏差を対応付けて、異常判定部Ｄに出力する。
次に、状態評価部３３は、推定値と計測値との偏差に基づいて、監視対象パラメータの評価を行う。例えば、異常判定部Ｄは、監視対象パラメータごとに定められた所定の閾値と、減算器Ｓが算出した当該監視対象パラメータについての偏差を比較する。異常判定部Ｄは、偏差が閾値を上回っていた場合、異常の予兆ありと判定し、偏差が閾値以内の場合、異常の予兆なしと判定する。
異常の予兆ありと判定した場合（ステップＳ２６；Ｙｅｓ）、状態評価部３３は、出力部１０４を介して異常の予兆を検知したことを通知する（ステップＳ２７）。例えば、異常情報生成部Ｄ１が、異常の予兆ありと判定された監視対象パラメータの名称、異常発生時刻などを含むアラーム情報を生成する。また、例えば、異常情報生成部Ｄ１は、監視対象パラメータに基づいて異常発生箇所を特定し、異常発生箇所を示す情報を生成する。また、例えば、異常情報生成部Ｄ１は、過去のアラーム情報に基づいて当該アラームの発生回数、あるいは過去の異常情報に基づいて異常発生箇所における異常発生率などを算出し、異常発生率を示す情報を生成する。また、状態評価部３３は、複数の監視対象パラメータを用いて、異常予兆の有無を判定してもよい。例えば、監視対象パラメータＫ１についての偏差が閾値を上回ったときには、状態評価部３３は異常Ｋ１´の予兆であると判定し、監視対象パラメータＫ１についての偏差と監視対象パラメータＫ２についての偏差が共にそれぞれの閾値を上回ったときには、状態評価部３３は異常Ｋ２´の予兆であると判定してもよい。なお、監視対象パラメータと異常発生箇所を関連付ける情報や、過去のアラーム情報、異常発生箇所ごとの過去の異常情報などは記憶部３７に記録されている。状態評価部３３は、異常情報生成部Ｄ１が生成したアラーム情報、異常発生率、異常発生箇所の情報などを入出力部３６へ出力する。入出力部３６は、予兆検知装置３０に接続されたディスプレイにアラーム情報などを表示する。
異常の予兆なしと判定した場合（ステップＳ２６；Ｎｏ）、予兆検知装置３０は、予兆検知処理の終了判定を行う（ステップＳ２８）。例えば、監視員が処理の停止命令を、入出力部３６を介して予兆検知装置３０へ入力した場合、制御部３４は、予兆検知処理を終了すると判定する。予兆検知処理を終了すると判定した場合（ステップＳ２８；Ｙｅｓ）、制御部３４は、予兆検知処理を停止する。この場合、本フローチャートを終了する。予兆検知処理を継続する場合（ステップＳ２８；Ｎｏ）、ステップＳ２１からの処理を繰り返す。
なお、ステップＳ２４で予兆が検知される異常とは、例えば、あと数時間後には、装置２０で異常発生として判断される可能性があるような事象である。あるいは、あと数か月後には、運転を停止しての保守作業が必要となるような事象である。本実施形態の予兆検知装置３０によれば、運転履歴データとして、例えば累積運転時間を用いて推定モデルを構築したり、推定値を算出したりすることでプラントの経年変化を考慮した監視対象パラメータの値を推定することができる。また、単に累積運転時間だけではなく、その間の運転負荷や運転条件なども、機器の劣化に影響することが考えられるが、運転履歴データとして、例えばガスタービン出力の累積値、運転パターンごとの運転時間などを用いて推定モデルの構築や推定値の算出を行うことで、プラントの稼働負荷の程度の影響を反映した監視対象パラメータの値を推定することができる。また、運転履歴データとして、例えば、起動停止回数、運転頻度、保守作業回数、保守作業からの経過時間などを用いて推定モデルの構築や推定値の算出を行うことで、プラントの劣化や疲労の程度を考慮した監視対象パラメータの値を推定することができる。つまり、様々な運転履歴データをパラメータとして用いた推定モデルＭによって、監視対象パラメータの値を推定するので、より現在のプラントの状況を反映した推定を行うことができる。これにより、精度の高い予兆検知が可能になる。なお、上記の説明では、推定モデルＭを予兆検知に用いる場合を例に説明を行ったが、現在のプラントの運転データに対する異常判定に用いてもよい。また、状態評価部３３は、単に異常予兆の有無の判定だけでなく、異常の発生確率を判定したり、特に異常の予兆が無い場合でも、プラントの運転状態を「良好」、「普通」、「やや負荷が高い」など段階別に評価して監視員に通知したりするようにしてもよい。
また、推定モデルＭへの入力パラメータとして、運転データには、プロセスデータ（計測データ及び制御信号）の他、装置２０が生成したアラーム情報やイベント情報を追加しても良い。
図６は、本発明に係る第一実施形態における予兆検知処理の他の例について説明する図である。
図６に示す第一実施形態の変形例では、推定モデルＭ´に図３で説明した入力パラメータに加え、アラーム情報とイベント情報とを入力している。推定モデル構築部３５は、アラーム情報、イベント情報を含む入力パラメータを取得し、推定モデルを構築する。このとき、過去の時系列の変化を学習する学習手法（ＲＮＮ：Recurrent Neural Networkなど）を用いる場合は、運転データとして、時系列のプロセスデータ、アラーム情報、イベント情報を入力することができる。また、時系列の変化を学習しないモデルの場合、例えば、所定時間内に発生したアラーム情報やイベント情報を入力して推定モデルＭ´を構築してもよい。
また、図６の構成の場合、予兆検知処理では、データ取得部３１が、図３で説明した入力パラメータに加え、アラーム情報やイベント情報を取得し、推定部３２は、累積稼働時間などに加え、アラーム情報やイベント情報の発生状況を反映した監視対象パラメータの値を推定する。例えば、大気温度、燃料流量指令値、累積運転時間などの入力パラメータの値が同じでも、アラーム情報が発生している状況と、そうでない状況とでは、監視対象パラメータが大きく異なる可能性がある。また、大気温度、燃料流量指令値、累積運転時間などの入力パラメータの値が同じでも、一見関係がなさそうな機器の動作（イベント情報）が間接的に影響を与え、その結果、監視対象パラメータの値にも影響を及ぼす可能性がある。図６に例示した推定モデルＭ´であれば、これまで意識できていなかったアラーム情報やイベント情報との関係を含め監視対象パラメータの値を推定することができる。
なお、上記の説明では、アラーム情報とイベント情報の両方を用いることとしているが、どちらか１つだけを用いるようにしてもよい。
また、推定モデルＭ、Ｍ´の構築に用いる学習データは、多い方が好ましい。従って、監視対象プラントで採取した運転データ、運転履歴データだけでなく、同種のプラント、機器で採取した運転データ、運転履歴データを、監視対象プラントの運転データに加えて推定モデルＭ、Ｍ´の構築を行ってもよい。
また、図２に例示した予兆検知装置３０では、予兆検知装置３０が推定モデル構築部３５を備える場合を例示したが、推定モデル構築部３５を備えない構成とすることが可能である。この場合、例えば、他のコンピュータで推定モデルＭを構築し、その推定モデルＭを記憶部３７に記録するようにする。
また、予兆検知装置３０は、プラント状態の未来予測に利用することもできる。例えば、ある監視対象パラメータが示す値の推移を予測することができれば、その監視対象パラメータに関係する部品の劣化の進行速度や交換時期の推定、保守計画の立案などに役立てることができる。
図７は、本発明に係る第一実施形態における予兆検知装置による異常発生の予測とその効果について説明する図である。
図７に示すグラフの縦軸はガスタービン１０に用いられている部品Ｐに関する監視対象パラメータＱの値を示し、横軸はガスタービン１０の稼働開始からの累積稼働時間を示している。例えば、ガスタービン１０は、定格負荷で運転し続ける運転計画が立てられているとする。この場合、将来の運転における推定モデルＭへの入力パラメータとなる運転データ（大気温度等）の値については、過去の運転実績から算出することができる。また、推定モデルＭに入力する運転履歴データは累積稼働時間であるとする。また、現在の累積稼働時間はＴ０、この時点での推定モデルＭによる監視対象パラメータＱの推定値はＲ０である。また、部品Ｐは、監視対象パラメータＱの値が閾値Ｒ以下となると交換しなければならないことが定められている。また、予兆検知装置３０は、予兆検知を行う動作モードの他に、監視対象パラメータのトレンド予測を行う動作モードで動作するよう構成してあるとする。トレンド予測を行う動作モードでは、予兆検知装置３０は、指定された期間（例えば累積運転時間によって指定する）における推定モデルＭによる監視対象パラメータの推定値を出力する。
これらの条件の下、保守計画の立案者は、部品Ｐの交換時期を次のようにして計画することができる。例えば、立案者は、予兆検知装置３０へ、監視対象パラメータＱのトレンド予測を行う動作モードで動作するよう入力を行う。続いて、立案者は、過去の運転実績に基づく将来の運転に関する入力パラメータ（大気温度など）の値と、累積運転時間Ｔ０〜Ｔ３を指定する期間として予兆検知装置３０へ入力する。
すると、制御部３４は、監視対象パラメータのトレンド予測処理を開始する。まず、入出力部３６が、それらの値の入力を受け付け、入力パラメータの値をデータ取得部３１へ出力し、累積運転時間Ｔ０〜Ｔ３を制御部３４へ出力する。すると、制御部３４は、累積運転時間Ｔ０に所定期間ΔＴを加算し、加算後の累積運転時間Ｔ０＋ΔＴをデータ取得部３１へ出力する。データ取得部３１は、入力パラメータと累積運転時間Ｔ０＋ΔＴを推定部３２に出力する。推定部３２は、累積運転時間Ｔ０＋ΔＴにおける監視対象パラメータＱの推定値を算出する。推定値の算出が完了すると、制御部３４は、累積運転時間Ｔ０＋２・ΔＴをデータ取得部３１へ出力する。推定部３２は、累積運転時間Ｔ０＋２・ΔＴにおける監視対象パラメータＱの推定値を算出する。以下、同様にして、推定部３２は、累積運転時間をΔＴずつ増加しながら累積運転時間がＴ３に至るまでの監視対象パラメータＱの推定値の算出を繰り返す。このような処理により、グラフｑ１が得られる。立案者は、グラフｑ１により、累積運転時間がＴ２となると、監視対象パラメータＱが閾値Ｒに至り、部品Ｐを交換しなければならないことを把握する。例えば、累積運転時間がＴ１となるときに定期点検を行うことが計画されていたとすると、立案者は、このタイミングで部品Ｐの交換を行う計画を立案することができる。また、予兆検知装置３０は、同様にして、部品Ｐ交換後の監視対象パラメータＱの値についても予測を行うことができる（グラフｑ２）。
＜第二実施形態＞
以下、本発明の第二実施形態による予兆検知システムについて図８〜図１１を参照して説明する。
第二実施形態に係る予兆検知装置３０Ａについて説明を行う。予兆検知装置３０Ａは、第一実施形態と異なる方法で異常予兆の検知を行う。第一実施形態では、推定モデルＭがプラントの経年変化を考慮した監視対象パラメータの推定を行った。この第二実施形態では、状態評価部３３Ａが、プラントの経年変化を考慮した評価方法によって、監視対象パラメータの評価を行う。
図８は、本発明に係る第二実施形態における予兆検知装置の機能ブロック図である。
本発明の第二実施形態に係る構成のうち、第一実施形態に係る予兆検知装置３０を構成する機能部と同じものには同じ符号を付し、それぞれの説明を省略する。図示するように予兆検知装置３０Ａは、データ取得部３１と、推定部３２と、状態評価部３３Ａと、制御部３４と、推定モデル構築部３５と、入出力部３６と、記憶部３７と、判定モデル構築部３８と、異常実績データ取得部３９と、を備える。
状態評価部３３Ａは、監視対象パラメータの推定値及び計測値に加え、運転履歴データを取得し、運転履歴データが示す運転実績に応じた評価基準に基づいて機器の状態を評価する。
判定モデル構築部３８は、異常発生時のものを含む監視対象パラメータの推定値及び計測値と、その時点での運転履歴データと、を学習して、運転履歴データが示す運転実績に応じた評価基準を算出するための判定モデルを構築する。
異常実績データ取得部３９は、過去に生じた異常について、その異常の内容（種類、規模）、異常の発生箇所、異常への対処方法、異常発生時の監視対象パラメータの推定値及び計測値、その時点での運転履歴データ、などの情報を取得する。
図９は、本発明に係る第二実施形態における予兆検知処理を説明する図である。
推定モデルＭ´や減算器Ｓについては、図３、図６で説明したものと同様である。つまり、推定モデルＭ´は、過去の正常時の運転データに基づく、経年変化に応じた監視対象パラメータの値を推定する推定モデルである。また、減算器Ｓは、各監視対象パラメータの推定値と計測値の偏差を算出し、異常判定部Ｄへ出力する。
本実施形態の状態評価部３３Ａが備える異常判定部Ｄは、判定モデルＮを有している。判定モデルＮは、運転履歴データが示す運転を経た時点における評価基準を算出する。例えば、ある監視対象パラメータについて、運転年数が短い時点では、推定値と計測値の偏差が「１０」だと異常予兆と判定するのが適切であるとする。一方、運転年数が長くなると、例えば推定値と計測値の偏差が「１０」となると、運転年数が短いときと違ってその後急速に偏差が大きくなり、運転年数が短いときと比較してかなり早い時期に異常が発生するとする。このような場合、推定モデルＭ´を用いて監視対象パラメータの経年変化を考慮した推定値を算出することとは関係なく、閾値についても累積運転時間（運転履歴データ）に応じて変更することが適切であると考えられる。このような場合、判定モデルＮは、累積運転時間に応じた閾値の値（例えば「５」）に基づいて、異常予兆ありと判定する。
また、判定モデルＮの別の例として、運転履歴データの代わりに、所定期間分の運転データを入力して異常予兆の判定を行うモデルが考えられる。例えば、監視対象パラメータａ１，ａ２，ａ３を対象として、これら３つの監視対象パラメータの偏差のパターン（偏差の履歴）によって発生する異常が異なるとする。判定モデルＮは、１つ又は複数の監視対象パラメータ（例えば、監視対象パラメータａ１，ａ２，ａ３の各々）についての推定モデルＭ´による推定値と計測値との偏差の履歴と、それぞれの偏差の履歴に対して実際に生じた異常との対応関係を記憶している。このような場合、パラメータａ１，ａ２，ａ３について、推定モデルＭ´による推定値と実際の計測値との偏差の情報を所定期間分記憶部３７に記録しておくようにする。判定モデルＮには、記憶部３７に記録した現在を基準とする過去の所定期間分の１つまたは複数の監視対象パラメータ（例えば、監視対象パラメータａ１，ａ２，ａ３）それぞれについて減算器Ｓが算出した偏差の時系列の情報（偏差の履歴）を入力する。判定モデルＮは、入力された所定期間における偏差の履歴に応じて、上記の対応関係に基づいて異常予兆を判定する。これにより、監視対象パラメータの時間経過における変化を考慮した異常予兆の検知ができる。
なお、上記の例では、運転履歴データを判定モデルＮの入力パラメータに含めることとしたが、さらにアラーム情報及びイベント情報のうち少なくとも１つを入力パラメータに含めて異常予兆を判定するようにしてもよい。
次に、本実施形態の判定モデルの構築処理の例について説明を行う。
図１０は、本発明に係る第二実施形態における判定モデルの構築処理の一例を示すフローチャートである。
前提として、ある異常について、どの監視対象パラメータに基づいて異常予兆の判定を行うか、異常が発生する前のどの時点を異常予兆検知時点とするかが、予め定められているとする。
まず、データ取得部３１が、異常発生時と異常の発生までの所定期間における推定モデルＭ（またはＭ´）による推定値と計測値との偏差データと対応する運転履歴データを取得する（ステップＳ３１）。次に、データ取得部３１は、取得した対応関係にある異常時の偏差データと運転履歴データとを記憶部３７に対応付けて記録する（ステップＳ３２）。また、異常実績データ取得部３９が、ステップＳ３１で取得した異常時の偏差データに対応する異常情報（異常の種類、規模、発生箇所、対処方法など）を取得し、記憶部３７へ記録する（ステップＳ３３）。次に、判定モデル構築部３８は、判定モデルＮを構築する（ステップＳ３４）。例えば、判定モデル構築部３８は、実際に発生したある異常についての偏差の履歴と累積運転時間との関係から、累積運転時間と異常発生時の偏差の大きさの関係を算出する。また、判定モデル構築部３８は、異常発生から、異常予兆検知時点とすることが定められた所定期間前の時点での偏差を算出し、この偏差の値を異常予兆検知の閾値とする。また、判定モデル構築部３８は、閾値を設定した時点における累積運転時間を算出する。判定モデル構築部３８は、算出した累積運転時間と閾値と異常情報とを組にして記憶部３７に記録する。これにより、異常の種類ごとにプラントの累積運転時間に応じた閾値を設定することができる。
図１１は、本発明に係る第二実施形態における予兆検知処理の他の例について説明する図である。
図１１に示す例では、推定モデルＭ´´に運転履歴データを入力しない。これに対し、判定モデルＮについては、運転履歴データ、アラーム情報の入力を行っている。図１１に示すように、経年変化を考慮しない推定モデルを用いた一般的な異常予兆検知において、異常予兆の判定処理に対してのみ運転履歴データを入力して、経年変化に応じた評価基準に基づいて、異常予兆の判定を行う。これにより、プラントの経年変化を考慮した異常予兆が可能になる。
なお、判定モデルＮの構築や異常予兆判定に用いる運転履歴データの種類は、累積運転時間に限られず、第一実施形態の推定モデルＭ（図３など）で例示したものを用いることができる。
また、図２に例示した予兆検知装置３０Ａでは、予兆検知装置３０Ａが判定モデル構築部３８、異常実績データ取得部３９を備える場合を例示したが、これらの機能部を備えない構成とすることが可能である。この場合、例えば、他のコンピュータで判定モデルＮを構築し、その判定モデルＮを記憶部３７に記録するようにする。
本実施形態によれば、プラントの経年変化、稼働負荷、運転条件などに応じた評価基準に基づいて、異常予兆を行うことができる。合わせて変更することができる。
なお、上記の第一実施形態、第二実施形態において、第１推定値と監視対象パラメータの計測値との偏差に基づいて予兆検知をするとして説明を行ったが、監視対象パラメータの計測値に代えて第２推定値を用い、第１推定値と監視対象パラメータの第２推定値との偏差に基づいて予兆検知を行ってもよい。
上記の予兆検知装置３０，３０Ａは予兆検知システムの一例である。また、予兆検知装置３０，３０Ａにおける各処理の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムを予兆検知装置３０，３０Ａのコンピュータが読み出して実行することによって、上記処理が行われる。ここでコンピュータ読み取り可能な記録媒体とは、磁気ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、半導体メモリ等をいう。また、このコンピュータプログラムを通信回線によってコンピュータに配信し、この配信を受けたコンピュータが当該プログラムを実行するようにしてもよい。
また、上記プログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。
また、予兆検知装置３０，３０Ａは、１台のコンピュータで構成されていても良いし、通信可能に接続された複数のコンピュータで構成されていてもよい。
その他、本発明の趣旨を逸脱しない範囲で、上記した実施の形態における構成要素を周知の構成要素に置き換えることは適宜可能である。また、この発明の技術範囲は上記の実施形態に限られるものではなく、本発明の趣旨を逸脱しない範囲において種々の変更を加えることが可能である。
１０・・・ガスタービン、１５・・・発電機、２０・・・装置、１１・・・圧縮機、
１２・・・燃焼器、１３・・・タービン、１４・・・ロータ、１６Ａ，１６Ｂ，１６Ｃ・・・燃料流量調整弁、１７・・・ＩＧＶ、３０，３０Ａ・・・予兆検知装置、
３１・・・データ取得部、３２・・・推定部、３３・・・状態評価部、３４・・・制御部、
３５・・・推定モデル構築部、３６・・・入出力部、３７・・・記憶部、３８・・・判定モデル構築部、３９・・・異常実績データ取得部、Ａ、Ｂ，Ｃ・・・燃料系統、Ｄ・・・異常判定部、Ｍ、Ｍ´・・・推定モデル、Ｐ・・・部品、Ｑ・・・監視対象パラメータ

Claims (12)

  1. 機器の運転データと、前記機器の運転履歴を示す運転履歴データと、を取得するデータ取得部と、
    前記運転データと、前記運転履歴データと、前記機器の監視対象となるパラメータについて前記運転履歴データに対応する時点での当該パラメータの値を推定する推定モデルと、に基づいて、前記パラメータの第１推定値を算出する推定部と、
    前記パラメータの第１推定値と前記データ取得部が取得した前記運転データに含まれる前記パラメータの計測値または第２推定値との偏差に基づいて、前記機器の状態を評価する状態評価部と、
    を備える予兆検知システム。
  2. 前記運転履歴データには、前記機器の起動回数及び停止回数のうち少なくとも１つが含まれる、
    請求項１に記載の予兆検知システム。
  3. 前記運転履歴データには、前記機器の運転時間、前記機器の運転パターン別の運転時間、前記機器の導入からの経過時間、のうち少なくとも１つが含まれる、
    請求項１または請求項２に記載の予兆検知システム。
  4. 前記運転履歴データには、前記機器に対する保守点検作業を行った回数、前記機器に対して保守点検作業を行ってからの経過時間、のうち少なくとも１つが含まれる、
    請求項１から請求項３の何れか１項に記載の予兆検知システム。
  5. 前記運転履歴データには、前記機器の出力の累積値が含まれる、
    請求項１から請求項４の何れか１項に記載の予兆検知システム。
  6. 前記運転データには、前記機器を監視する装置が生成したアラーム情報及びイベント情報のうち少なくとも１つが含まれる、
    請求項１から請求項５の何れか１項に記載の予兆検知システム。
  7. 前記推定モデルは、前記機器の運転データ及び運転履歴データに加え、前記機器と同じ種類の他の機器の運転データ及び運転履歴データに基づいて構築されている、
    請求項１から請求項６の何れか１項に記載の予兆検知システム。
  8. 前記運転履歴データと、その運転履歴データに対応する時点での前記機器の運転データと、に基づいて前記推定モデルを構築する推定モデル構築部、
    をさらに備える請求項１から請求項７の何れか１項に記載の予兆検知システム。
  9. 前記状態評価部は、さらに前記運転履歴データを取得し、前記運転履歴データが示す運転実績に応じた前記監視対象となるパラメータの評価基準に基づいて前記機器の状態を評価する、
    請求項１から請求項８の何れか１項に記載の予兆検知システム。
  10. 前記状態評価部は、前記偏差と、前記偏差の履歴と実際に生じた異常との対応関係と、に基づいて、将来発生する異常を予測する、
    請求項１から請求項９の何れか１項に記載の予兆検知システム。
  11. 機器の運転データと、前記機器の運転履歴を示す運転履歴データと、を取得するデータ取得部と、
    前記運転データと、前記機器の監視対象となるパラメータの値を推定する推定モデルと、に基づいて、前記パラメータの第１推定値を算出する推定部と、
    前記推定部による前記パラメータの第１推定値と前記データ取得部が取得した前記運転データに含まれる前記パラメータの計測値または第２推定値との偏差と、前記運転履歴データが示す運転実績に応じた前記監視対象となるパラメータの評価基準と、に基づいて、前記機器の状態を評価する状態評価部と、
    を備える予兆検知システム。
  12. 予兆検知システムが、
    機器の運転データと、前記機器の運転履歴を示す運転履歴データと、を取得するステップと、
    前記運転データと、前記運転履歴データと、前記機器の監視対象となるパラメータについて前記運転履歴データに対応する時点での当該パラメータの値を推定する推定モデルと、に基づいて、前記パラメータの第１推定値を算出するステップと、
    前記第１推定値と前記運転データに含まれる前記パラメータの計測値または第２推定値との偏差に基づいて、前記機器の状態を評価するステップと、
    を備える予兆検知方法。
JP2017066125A 2017-03-29 2017-03-29 予兆検知システム及び予兆検知方法 Active JP7179444B2 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
JP2017066125A JP7179444B2 (ja) 2017-03-29 2017-03-29 予兆検知システム及び予兆検知方法
DE112018001684.6T DE112018001684T5 (de) 2017-03-29 2018-03-23 Indikatorerfassungssystem und Indikatorerfassungsverfahren
PCT/JP2018/011769 WO2018181020A1 (ja) 2017-03-29 2018-03-23 予兆検知システム及び予兆検知方法
CN201880019110.9A CN110431502B (zh) 2017-03-29 2018-03-23 预兆检测系统以及预兆检测方法
US16/495,304 US11048245B2 (en) 2017-03-29 2018-03-23 Indicator detection system and indicator detection method
TW107110432A TWI684858B (zh) 2017-03-29 2018-03-27 徵兆偵測系統及徵兆偵測方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017066125A JP7179444B2 (ja) 2017-03-29 2017-03-29 予兆検知システム及び予兆検知方法

Publications (3)

Publication Number Publication Date
JP2018169769A true JP2018169769A (ja) 2018-11-01
JP2018169769A5 JP2018169769A5 (ja) 2020-02-27
JP7179444B2 JP7179444B2 (ja) 2022-11-29

Family

ID=63675718

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017066125A Active JP7179444B2 (ja) 2017-03-29 2017-03-29 予兆検知システム及び予兆検知方法

Country Status (6)

Country Link
US (1) US11048245B2 (ja)
JP (1) JP7179444B2 (ja)
CN (1) CN110431502B (ja)
DE (1) DE112018001684T5 (ja)
TW (1) TWI684858B (ja)
WO (1) WO2018181020A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020262709A1 (ja) * 2019-06-27 2020-12-30 東洋エンジニアリング株式会社 処理システム監視装置、処理システム監視方法、及びプログラム
WO2022080104A1 (ja) * 2020-10-14 2022-04-21 住友重機械工業株式会社 表示装置、表示方法、制御装置及びコンピュータプログラム
JP7419515B2 (ja) 2019-11-06 2024-01-22 ロベルト・ボッシュ・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツング 技術装置のシステム挙動の標準値範囲からの許容されない偏差を判定する方法

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6763629B2 (ja) * 2016-12-15 2020-09-30 三菱パワー株式会社 ガスタービン制御装置、ガスタービン制御方法
JP7233201B2 (ja) * 2018-11-20 2023-03-06 東京エレクトロン株式会社 搬送ユニットの監視方法及び監視装置並びに監視用モデル
WO2020235061A1 (ja) * 2019-05-22 2020-11-26 日本電気株式会社 動作規則決定装置、動作規則決定方法および記録媒体
WO2022091399A1 (ja) * 2020-11-02 2022-05-05 三菱電機株式会社 保険料率算出装置および保険料率算出方法
JP7414704B2 (ja) * 2020-12-14 2024-01-16 株式会社東芝 異常検出装置、異常検出方法、およびプログラム
JP2022157180A (ja) * 2021-03-31 2022-10-14 三菱重工業株式会社 装置、遠隔監視システム、装置の制御方法、及び、遠隔監視システムの制御方法
TWI805041B (zh) * 2021-10-22 2023-06-11 智影顧問股份有限公司 機台異常標註與異常預測系統
CN114186738A (zh) * 2021-12-10 2022-03-15 北京百度网讯科技有限公司 一种故障预警方法、装置、电子设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06167591A (ja) * 1992-11-30 1994-06-14 Hitachi Ltd プラントの異常検知方法及びその装置
JP2003114294A (ja) * 2001-10-04 2003-04-18 Toshiba Corp 発電プラントの監視・診断・検査・保全システム
JP2010527089A (ja) * 2007-05-14 2010-08-05 ボルボ テクノロジー コーポレイション 遠隔診断モデリング
US20130318018A1 (en) * 2012-05-23 2013-11-28 General Electric Company Neural network-based turbine monitoring system
JP2014115714A (ja) * 2012-12-06 2014-06-26 Mitsubishi Electric Corp 時系列データ処理装置、時系列データ処理方法及び時系列データ処理プログラム

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07281714A (ja) * 1994-04-06 1995-10-27 Kawasaki Heavy Ind Ltd シミュレーション方法およびそれに用いる装置
CA2438353C (en) * 2001-06-18 2009-08-25 Hitachi, Ltd. Method of diagnosing gas turbine condition and system for diagnosing the same
US6868760B1 (en) * 2003-02-12 2005-03-22 Pratt-Read Corporation Tool locking mechanism
JP2006318414A (ja) 2005-05-16 2006-11-24 Fujitsu Ltd 遠隔監視制御システムの子局装置
US7620523B2 (en) * 2007-04-30 2009-11-17 Integrien Corporation Nonparametric method for determination of anomalous event states in complex systems exhibiting non-stationarity
FR2939924B1 (fr) * 2008-12-15 2012-10-12 Snecma Identification de defaillances dans un moteur d'aeronef
US20120283988A1 (en) * 2011-05-03 2012-11-08 General Electric Company Automated system and method for implementing unit and collective level benchmarking of power plant operations
JP2013152655A (ja) * 2012-01-26 2013-08-08 Hitachi Ltd プラント又は設備の異常診断方法及びヘルスマネージメント方法
JP6167591B2 (ja) 2013-03-22 2017-07-26 カシオ計算機株式会社 単語表示制御装置、単語表示制御方法及び単語表示制御プログラム
US9892238B2 (en) * 2013-06-07 2018-02-13 Scientific Design Company, Inc. System and method for monitoring a process
WO2015033869A1 (ja) * 2013-09-06 2015-03-12 インターナショナル・ビジネス・マシーンズ・コーポレーション 検出装置、検出方法、およびプログラム
JP2015059924A (ja) * 2013-09-20 2015-03-30 株式会社東芝 蓄電池性能評価装置およびその方法
US20150184549A1 (en) * 2013-12-31 2015-07-02 General Electric Company Methods and systems for enhancing control of power plant generating units
JP2015209841A (ja) 2014-04-30 2015-11-24 三菱日立パワーシステムズ株式会社 ガスタービンの異常検出方法、ガスタービンの異常対処方法、これらの方法を実行する装置、及びガスタービン設備
JP6344158B2 (ja) * 2014-09-01 2018-06-20 株式会社Ihi 故障検出装置
US10626748B2 (en) * 2014-12-08 2020-04-21 General Electric Company System and method for predicting and managing life consumption of gas turbine parts
JP6251201B2 (ja) 2015-01-08 2017-12-20 三菱重工業株式会社 稼動率予測装置及び稼動率予測方法
JP6610987B2 (ja) * 2015-02-18 2019-11-27 株式会社Ｉｈｉ 異常診断方法及び異常診断システム
JP6457849B2 (ja) 2015-03-13 2019-01-23 株式会社日立産機システム 配管ネットワーク診断装置
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
JP2017066125A (ja) 2015-09-30 2017-04-06 律子 朽木 爪強化剤
US10534328B2 (en) * 2016-06-21 2020-01-14 General Electric Company Methods and systems for enhancing control of power plant generating units
US10678912B2 (en) * 2016-11-15 2020-06-09 General Electric Company Dynamic normalization of monitoring node data for threat detection in industrial asset control system
US10671039B2 (en) * 2017-05-03 2020-06-02 Uptake Technologies, Inc. Computer system and method for predicting an abnormal event at a wind turbine in a cluster

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06167591A (ja) * 1992-11-30 1994-06-14 Hitachi Ltd プラントの異常検知方法及びその装置
JP2003114294A (ja) * 2001-10-04 2003-04-18 Toshiba Corp 発電プラントの監視・診断・検査・保全システム
JP2010527089A (ja) * 2007-05-14 2010-08-05 ボルボ テクノロジー コーポレイション 遠隔診断モデリング
US20130318018A1 (en) * 2012-05-23 2013-11-28 General Electric Company Neural network-based turbine monitoring system
JP2014115714A (ja) * 2012-12-06 2014-06-26 Mitsubishi Electric Corp 時系列データ処理装置、時系列データ処理方法及び時系列データ処理プログラム

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020262709A1 (ja) * 2019-06-27 2020-12-30 東洋エンジニアリング株式会社 処理システム監視装置、処理システム監視方法、及びプログラム
JP7419515B2 (ja) 2019-11-06 2024-01-22 ロベルト・ボッシュ・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツング 技術装置のシステム挙動の標準値範囲からの許容されない偏差を判定する方法
WO2022080104A1 (ja) * 2020-10-14 2022-04-21 住友重機械工業株式会社 表示装置、表示方法、制御装置及びコンピュータプログラム

Also Published As

Publication number Publication date
CN110431502A (zh) 2019-11-08
US11048245B2 (en) 2021-06-29
DE112018001684T5 (de) 2019-12-19
WO2018181020A1 (ja) 2018-10-04
TWI684858B (zh) 2020-02-11
TW201901428A (zh) 2019-01-01
US20200103883A1 (en) 2020-04-02
JP7179444B2 (ja) 2022-11-29
CN110431502B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
WO2018181020A1 (ja) 予兆検知システム及び予兆検知方法
US7603222B2 (en) Sensor diagnostics using embedded model quality parameters
JP6159059B2 (ja) プラント運転最適化システムおよび方法
JP6250942B2 (ja) 信頼性が改善されたオペレーションのためのシステム及び方法
EP2241726A2 (en) A method for the repair of an engine and corresponding systems for monitoring this engine
US7062370B2 (en) Model-based detection, diagnosis of turbine engine faults
EP1927039A1 (en) Monitoring a system having degrading components
JP4760823B2 (ja) ガスタービンの監視・診断装置
US20130318018A1 (en) Neural network-based turbine monitoring system
JP2004211587A (ja) 発電プラントの運用支援システム
JP6523815B2 (ja) プラント診断装置及びプラント診断方法
US20090120111A1 (en) Remote Diagnostics and Prognostics for Refrigerant Systems
JP2018190245A (ja) 設備機器の異常診断システム
JP2002155708A (ja) 発電プラントのガイダンス提供システムおよび方法
US20200409321A1 (en) Control of power generation system by visually monitoring valve during operation
JP2006057595A (ja) ガスタービンの性能診断システム及び性能診断方法
US20150128596A1 (en) Steam turbine blade vibration monitor backpressure limiting system and method
EP3627261B1 (en) Diagnosis system and method using parallel analysis paths
JP2003173206A (ja) 発電設備の遠隔運用支援方法及び発電設備の遠隔運用支援システム
US20200409322A1 (en) Control of power generation system by visually monitoring gauge during operation
US10392963B2 (en) Systems and methods related to transmitting and receiving sensor data
US10706361B1 (en) Hybrid feature selection for performance prediction of fluid control valves
US11506075B2 (en) Control of power generation system by visually monitoring component during operation
JP2005248848A (ja) ガスタービン診断方法及び装置
WO2015175181A1 (en) System and method for evaluating opportunities to extend operating durations

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20170330

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200110

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200110

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200818

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201006

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20201222

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210202

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20210518

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210812

C60 Trial request (containing other claim documents, opposition documents)

Free format text: JAPANESE INTERMEDIATE CODE: C60

Effective date: 20210812

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20210824

C21 Notice of transfer of a case for reconsideration by examiners before appeal proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C21

Effective date: 20210831

A912 Re-examination (zenchi) completed and case transferred to appeal board

Free format text: JAPANESE INTERMEDIATE CODE: A912

Effective date: 20210917

C211 Notice of termination of reconsideration by examiners before appeal proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C211

Effective date: 20210928

C22 Notice of designation (change) of administrative judge

Free format text: JAPANESE INTERMEDIATE CODE: C22

Effective date: 20220104

A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A712

Effective date: 20220124

C13 Notice of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: C13

Effective date: 20220405

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220511

C22 Notice of designation (change) of administrative judge

Free format text: JAPANESE INTERMEDIATE CODE: C22

Effective date: 20220913

C23 Notice of termination of proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C23

Effective date: 20221004

C03 Trial/appeal decision taken

Free format text: JAPANESE INTERMEDIATE CODE: C03

Effective date: 20221101

C30A Notification sent

Free format text: JAPANESE INTERMEDIATE CODE: C3012

Effective date: 20221101

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20221116

R150 Certificate of patent or registration of utility model

Ref document number: 7179444

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150