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 PDFInfo
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 105
- 238000011156 evaluation Methods 0.000 claims abstract description 42
- 230000005856 abnormality Effects 0.000 claims description 119
- 238000010276 construction Methods 0.000 claims description 34
- 230000001186 cumulative effect Effects 0.000 claims description 34
- 238000012423 maintenance Methods 0.000 claims description 23
- 238000007689 inspection Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 abstract description 18
- 238000012544 monitoring process Methods 0.000 description 74
- 239000007789 gas Substances 0.000 description 68
- 238000000034 method Methods 0.000 description 47
- 230000008569 process Effects 0.000 description 42
- 239000000446 fuel Substances 0.000 description 20
- 238000005259 measurement Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000001994 activation Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 239000002243 precursor Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000002737 fuel gas Substances 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000567 combustion gas Substances 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
【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
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。
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。
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。
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。
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。
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、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。
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。
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。
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。
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。
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)。
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。
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。
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。
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、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。
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)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
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)
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)
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)
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)
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 |
-
2017
- 2017-03-29 JP JP2017066125A patent/JP7179444B2/ja active Active
-
2018
- 2018-03-23 US US16/495,304 patent/US11048245B2/en active Active
- 2018-03-23 DE DE112018001684.6T patent/DE112018001684T5/de active Pending
- 2018-03-23 CN CN201880019110.9A patent/CN110431502B/zh active Active
- 2018-03-23 WO PCT/JP2018/011769 patent/WO2018181020A1/ja active Application Filing
- 2018-03-27 TW TW107110432A patent/TWI684858B/zh active
Patent Citations (5)
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)
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 |