JP2019091113A - プラント異常監視システム、および、プラント異常監視方法 - Google Patents

Abstract

【課題】複数の異常判定手法による監視により異常の検知力を高めつつ、適切な異常監視が可能なプラント異常監視システムを提供する。【解決手段】プラント異常監視システムは、プラントの運転状態を示す複数の運転データに基づいて異常を監視するプラント異常監視システムであって、前記複数の運転データを含む監視運転データに対して、相互に異なる異常判定手法を実行する複数の検知モデルをそれぞれ適用することにより得られる複数の検知モデル判定結果を取得するよう構成される検知モデル判定結果取得部と、前記複数の検知モデル判定結果、および前記複数の検知モデルの各々に対して予め設定されている重み値に基づいて前記異常の有無を判定するよう構成される異常判定部と、前記異常判定部によって前記異常が有ると判定された場合に通知するよう構成される異常通知部と、を備える。【選択図】 図１

Description

本開示は、プラントの異常を監視するプラント異常監視システム、および、プラント異常監視方法に関する。

プラントでは、故障の発生を未然に防止するための異常監視が行われており、例えば、プラントを構成する各種機器（設備）に対して設置された複数のセンサの測定値（センサ値）を監視し、センサ値が管理値を超えると運転者、管理者に対してアラームを発報するといった監視手法が知られている。この監視手法では、多数のセンサ値を含む状態量（運転データ）を監視する必要があると共に、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。また、通知される異常の中には、例えば、ボイラの炉壁管などの伝熱管に高温腐食や摩耗により生じた損傷からの給水のリーク（漏れ）に伴ってアラームが発報されるなど、故障の発生を伴うものもあり、故障が発生した場合には、その拡大を防止するために機器（プラント）を停止させるといった対応の必要性が生じる。

そこで、異常が検知される前にその兆候を検知する手法が提案されている（特許文献１〜２）。例えば、特許文献１では、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している。ＭＴ法は、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監視技術であり、運転履歴として記憶されている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、各種状態量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、このような異常の予兆を捉えることにより、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。

また、特許文献２には、プラントの監視診断方法において、プラントの運転状態、機器の作動状態、環境状態を検出して、検出データを蓄積し、プラントの検査データを蓄積し、上記蓄積された検出データ及び検査データからなるプラントの履歴情報（プラントカルテ）と、プラント状態の予測モデルとに従って、プラントの現在の状態が予測され、この予測された状態と、現在の検出データとの比較に基づいて、プラントの状態の異常を監視診断することが開示されている。

国際公開第２００９／１０７８０５号公報 特開平６−３３１５０７号公報

上述した特許文献１〜２のように、複数の運転データに基づいてプラントの異常診断を行う手法は様々あるが、本発明者らは、相互に異なる複数の異常判定手法をプラントの異常監視に適用すると、異常事象によっては、異常判定手法毎に正常、異常の判定結果が異なる場合があるとの知見を得た。この知見によれば、プラントにおける異常の検知漏れを無くすために、複数の異常判定手法を適用することが考えられる。

しかしながら、プラントが正常に運転している場合であってもセンサ値が例外的な値になる場合や、負荷変動に伴って複数のセンサ値が全体的に変化する場合があり、異常判定手法によっては、このような例外的な値などになったセンサ値（運転データ）のために、実際には正常であるにもかかわらず異常と判定する可能性がある（後述する図５参照）。

上述の事情に鑑みて、本発明の少なくとも一実施形態は、複数の異常判定手法による監視により異常の検知力を高めつつ、適切な異常監視が可能なプラント異常監視システム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異常監視システムは、
プラントの運転状態を示す複数の運転データに基づいて異常を監視するプラント異常監視システムであって、
前記複数の運転データを含む監視運転データに対して、相互に異なる異常判定手法を実行する複数の検知モデルをそれぞれ適用することにより得られる複数の検知モデル判定結果を取得するよう構成される検知モデル判定結果取得部と、
前記複数の検知モデル判定結果、および前記複数の検知モデルの各々に対して予め設定されている重み値に基づいて前記異常の有無を判定するよう構成される異常判定部と、
前記異常判定部によって前記異常が有ると判定された場合に通知するよう構成される異常通知部と、を備える。

上記（１）の構成によれば、異常判定手法がそれぞれ異なる複数の検知モデルでそれぞれ異常の監視を行うと共に、複数の検知モデルの各々による異常判定結果（検知モデル判定結果）と、複数の検知モデルの各々に対して予め設定されている重み値とに基づいて、プラントにおける異常の有無を総合的に判定する。これによって、複数の検知モデル判定結果が正常、異常のいずれかに統一されていないような場合であっても、プラントにおける異常の有無を適切に判定することができる。したがって、複数の異常判定手法による監視により異常の検出力を高めつつ、プラントの異常監視を適切に行うことができる。

（２）幾つかの実施形態では、上記（１）の構成において、
前記異常判定部は、前記複数の検知モデル判定結果のうちの正常の検知モデル判定結果を取得した前記検知モデルの重み値の合計である正常重み値合計と、前記複数の検知モデル判定結果のうちの異常の検知モデル判定結果を取得した前記検知モデルの重み値の合計である異常重み値合計との差異に基づいて、前記異常の有無を判定する。
上記（２）の構成によれば、複数の検知モデル判定結果から、複数の検知モデルを正常判定グループと異常判定グループとに分け、そのグループごとに重み値の合計を算出する。こうして得られた正常重み値合計と異常重み値合計との大小に応じて、総合的な正常、異常の判定を行う。これによって、プラントにおける異常の有無を総合的に判定することができる。

（３）幾つかの実施形態では、上記（２）の構成において、
前記異常判定部は、前記正常重み値合計が前記異常重み値合計よりも大きい場合に正常と判定し、前記正常重み値合計が前記異常重み値合計以下の場合に異常と判定する。
上記（３）の構成によれば、プラントにおける異常の有無を総合的に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、
前記重み値は、過去に発生した前記異常の種類別の前記複数の検知モデルの各々による検知率が高いほど大きな値を有する。
上記（４）の構成によれば、重み値は、複数の検知モデルの各々による異常の検知率に基づいて異常事象（異常の種類）毎に設定されると共に、検知率が高いほど大きな値を有する。よって、例えば正常重み値合計と異常重み値合計の大小により総合的に異常判定を行う場合などには、検知率の高い検知モデルほど各合計への寄与が大きくなる。このように、検知率を各合計に反映することにより、異常の有無の総合的な判定を適切に行うことができる。

（５）幾つかの実施形態では、上記（１）〜（４）の構成において、
前記異常判定部による前記異常の有無の判定結果と、前記異常の有無の実際の確認結果とが異なる場合に前記重み値の再設定を決定する重み値再決定部を、さらに備える。
上記（５）の構成によれば、異常判定部による総合的な判定結果が現実の状況と異なる場合には、重み値の修正を行うようにする。これによって、異常の有無の総合的な判定の精度の維持、向上を図ることができる。

（６）幾つかの実施形態では、上記（５）の構成において、
前記重み値再決定部によって前記重み値の再設定が決定された場合には、前記実際の確認結果と異なる判定をした前記検知モデルの前記重み値と、前記実際の確認結果と一致する判定をした前記検知モデルの前記重み値との差が大きくなるように前記重み値を再設定する重み値再設定部を、さらに備える。
上記（６）の構成によれば、重み値再設定部は、現実の状況と異なる判定をした検知モデルの重み値が、現実の状況と一致する判定をした検知モデルの重み値に対して、相対的に小さくなるように重み値を修正する。これによって、異常の有無の総合的な判定の精度の維持、向上を図ることができる。

（７）幾つかの実施形態では、上記（６）の構成において、
前記重み値再設定部は、前記異常判定部によって異常有りが判定された場合において前記実際の確認結果が異常無しである場合には、前記複数の検知モデル判定結果のうちの前記異常有りを判定した前記検知モデル判定結果を取得した前記検知モデルの前記重み値を小さくするか、
前記異常判定部によって異常無しが判定された場合において前記実際の確認結果が異常有りである場合には、前記複数の検知モデル判定結果のうちの前記異常無しを判定した前記検知モデル判定結果を取得した前記検知モデルの前記重み値を小さくするかの少なくとも一方を実行するように構成される。
上記（７）の構成によれば、現実の状況と異なる判定をした検知モデルの重み値が、現実の状況と一致する判定をした検知モデルの重み値に対して、相対的に小さくなるように重み値を修正することができる。

（８）幾つかの実施形態では、上記（１）〜（７）の構成において、
前記異常通知部は、前記複数の検知モデル判定結果のうちの正常の検知モデル判定結果を取得した前記検知モデルの重み値の合計である正常重み値合計よりも、前記複数の検知モデル判定結果のうちの異常の検知モデル判定結果を取得した前記検知モデルの重み値の合計である異常重み値合計の方が大きく、かつ、前記正常重み値合計と前記異常重み値合計との差異が閾値以上の場合に緊急対応を要請するための緊急異常アラームを通知する。
上記（８）の構成によれば、総合的に異常を判定した場合において、正常重み値合計と異常重み値合計との差分などの差異に応じて、緊急異常アラームの通知の必要性を判定する。これによって、緊急な異常であるか否かも含めて、プラントの運転員や管理者などに異常を報知することができる。

（９）幾つかの実施形態では、上記（１）〜（８）の構成において、
過去に取得された前記複数の運転データに基づいて作成された、複数の前記異常判定手法にそれぞれ対応した前記複数の検知モデルを、さらに備える。
上記（９）の構成によれば、複数の検知モデルを備えることにより、例えば他システムからの複数の検知モデル判定結果の入力を待つ必要が生じるなどを回避して、リアルタイムなどの適時の異常監視を行うことができる。

（１０）幾つかの実施形態では、上記（１）〜（９）の構成において、
前記複数の検知モデル判定結果は、予め設定された閾値との比較により前記異常の有無を判定するための異常スコアを算出する異常スコア算出型の検知モデルによって取得された判定結果と、予め定められた前記運転データの予測値を算出する予測値算出型の検知モデルによって取得された判定結果との両方を含む。

異常スコア算出型の場合、正常なデータ群のばらつきが不適切である場合に異常判定結果の精度が低下する場合があるのに対し、予測値算出型の場合には学習データとして用いられる正常なデータ群のばらつきに起因した判定精度の低下は限定的である。また、異常事象による影響によって、多数のセンサ値が異常的な挙動を示す場合には、例えば、ニューラルネットワークのようなセンサ値を予測する予測値算出型の検知モデルの場合には、予測対象のセンサ値の全てが異常的に変化する場合があるため、異常の影響を最も受けているセンサ値がどれであるかなどの特定に時間がかかる可能性がある。その一方で、ＭＴ法（直行表分析を用いたＳＮ比による要因分析を含む）などの異常スコア算出型の検知モデルの場合には、異常の影響を最も受けているセンサ値の判定が比較的容易である場合がある。

上記（１０）の構成によれば、複数の検知モデル判定結果Ｒは、予測値算出型の検知モデルおよび異常スコア算出型の検知モデルの両方を含む。これによって、異常検知後の切り分けを容易化することができるなど、上述のような相互補完による効果を図ることができる。

（１１）本発明の少なくとも一実施形態に係るプラント異常監視方法は、
プラントの運転状態を示す複数の運転データに基づいて異常を監視するプラント異常監視方法であって、
前記複数の運転データを含む監視運転データに対して、相互に異なる異常判定手法を実行する複数の検知モデルをそれぞれ適用することにより得られる複数の検知モデル判定結果を取得する検知モデル判定結果取得ステップと、
前記複数の検知モデル判定結果、および前記複数の検知モデルの各々に対して予め設定されている重み値に基づいて前記異常の有無を判定する異常判定ステップと、
前記異常判定ステップによって前記異常が有ると判定された場合に通知する異常通知ステップと、を備える。

上記（１１）の構成によれば、上記（１）と同様の効果を奏する。

（１２）幾つかの実施形態では、上記（１１）の構成において、
前記異常判定ステップは、前記複数の検知モデル判定結果のうちの正常の検知モデル判定結果を取得した前記検知モデルの重み値の合計である正常重み値合計と、前記複数の検知モデル判定結果のうちの異常の検知モデル判定結果を取得した前記検知モデルの重み値の合計である異常重み値合計との差異に基づいて、前記異常の有無を判定する。
上記（１２）の構成によれば、上記（２）と同様の効果を奏する。

（１３）幾つかの実施形態では、上記（１２）の構成において、
前記異常判定ステップは、前記正常重み値合計が前記異常重み値合計よりも大きい場合に正常と判定し、前記正常重み値合計が前記異常重み値合計以下の場合に異常と判定する。
上記（１３）の構成によれば、上記（３）と同様の効果を奏する。

（１４）幾つかの実施形態では、上記（１１）〜（１３）の構成において、
前記重み値は、過去に発生した前記異常の種類別の前記複数の検知モデルの各々による検知率が高いほど大きな値を有する。
上記（１４）の構成によれば、上記（４）と同様の効果を奏する。

（１５）幾つかの実施形態では、上記（１１）〜（１４）の構成において、
前記異常判定ステップによる前記異常の有無の判定結果と、前記異常の有無の実際の確認結果とが異なる場合に前記重み値の再設定を決定する重み値再決定ステップを、さらに備える。
上記（１５）の構成によれば、上記（５）と同様の効果を奏する。

（１６）幾つかの実施形態では、上記（１５）の構成において、
前記重み値再決定ステップによって前記重み値の再設定が決定された場合には、前記実際の確認結果と異なる判定をした前記検知モデルの前記重み値と、前記実際の確認結果と一致する判定をした前記検知モデルの前記重み値との差が大きくなるように前記重み値を再設定する重み値再設定ステップを、さらに備える。
上記（１６）の構成によれば、上記（６）と同様の効果を奏する。

（１７）幾つかの実施形態では、上記（１６）の構成において、
前記重み値再設定ステップは、前記異常判定ステップによって異常有りが判定された場合において前記実際の確認結果が異常無しである場合には、前記複数の検知モデル判定結果のうちの前記異常有りを判定した前記検知モデル判定結果を取得した前記検知モデルの前記重み値を小さくするか、
前記異常判定ステップによって異常無しが判定された場合において前記実際の確認結果が異常有りである場合には、前記複数の検知モデル判定結果のうちの前記異常無しを判定した前記検知モデル判定結果を取得した前記検知モデルの前記重み値を小さくするかの少なくとも一方を実行するように構成される。
上記（１７）の構成によれば、上記（７）と同様の効果を奏する。

（１８）幾つかの実施形態では、上記（１１）〜（１７）の構成において、
前記異常通知ステップは、前記複数の検知モデル判定結果のうちの正常の検知モデル判定結果を取得した前記検知モデルの重み値の合計である正常重み値合計よりも、前記複数の検知モデル判定結果のうちの異常の検知モデル判定結果を取得した前記検知モデルの重み値の合計である異常重み値合計の方が大きく、かつ、前記正常重み値合計と前記異常重み値合計との差異が閾値以上の場合に緊急対応を要請するための緊急異常アラームを通知する。
上記（１８）の構成によれば、上記（８）と同様の効果を奏する。

（１９）幾つかの実施形態では、上記（１１）〜（１８）の構成において、
過去に取得された前記複数の運転データに基づいて作成された、複数の前記異常判定手法にそれぞれ対応した前記複数の検知モデルを、さらに備える。
上記（１９）の構成によれば、上記（９）と同様の効果を奏する。

（２０）幾つかの実施形態では、上記（１１）〜（１９）の構成において、
前記複数の検知モデル判定結果は、予め設定された閾値との比較により前記異常の有無を判定するための異常スコアを算出する異常スコア算出型の検知モデルによって取得された判定結果と、予め定められた前記運転データの予測値を算出する予測値算出型の検知モデルによって取得された判定結果との両方を含む。

上記（２０）の構成によれば、上記（１０）と同様の効果を奏する。

本発明の少なくとも一実施形態によれば、複数の異常判定手法による監視により異常の検知力を高めつつ、適切な異常監視が可能なプラント異常監視システムが提供される。

本発明の一実施形態に係るプラント異常監視システム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重み値の設定例を示す図である。 本発明の一実施形態に係るプラント異常監視システムによる異常の判定例を示す図である。 本発明の一実施形態に係る異常事象の検知率と重み値との関係を示す図である。 本発明の一実施形態に係る（ａ）異常スコアの時間推移、および、（ｂ）センサ値の予測値と実測値の時間推移を示す図である。 本発明の一実施形態に係る異常発生時の前後における機器別の温度センサの測定値の時間推移を示す図である。 本発明の一実施形態に係る異常発生時の前後における機器別のマハラノビス距離の時間推移を示す図である。 本発明の一実施形態に係るプラント異常監視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異常監視システム１の構成を概略的に示す図である。図２、本発明の一実施形態に係る重み値Ｖの設定例を示す図である。また、図３は、本発明の一実施形態に係るプラント異常監視システム１による異常の判定例を示す図である。

図１に示すように、プラント異常監視システム１は、プラント９の運転状態を示す複数の運転データＤに基づいて異常を監視するシステムである。火力発電所や原子力発電所などの発電プラントや化学プラントなどといったプラント９では、運転制御や異常監視のために、プラント９を構成する複数の機器（設備）の状態を複数のセンサを設置するなどして測定される測定値や、バルブを含む各種機器のオン／オフなどの状態が取得されるなどして監視される。そして、プラント異常監視システム１は、これらの複数のセンサの測定値（以下、適宜、センサ値）や上記のオン／オフなどの状態に加えて、各種機器の作動を制御する分散制御システム（ＤＣＳ）の制御内容や操作盤の操作内容などの制御情報をそれぞれ運転データＤとして周期的に取得し、これら複数の運転データＤに基づく異常監視を行う。

例えば、石炭炊きの火力発電プラントを構成する複数の機器はとしては、ボイラや、蒸気タービン（高圧タービン、低圧タービンなど）、過熱器、再熱器、節炭器などの熱交換器、蒸気タービンに送る蒸気の流量および圧力を調整するバルブやダンパ、ボイラから排出される排ガスを処理するため各種機器（脱硝装置や電気集塵機等）などがある。そして、この場合の運転データＤは、ボイラによって生成される蒸気の温度、圧力、流量や、蒸気タービンの振動、回転数、バルブ、ダンパの開度、過熱器や再熱器の温度などとなる。

図１〜図３に示す実施形態では、図１に示すように、プラント９は、コンピュータによって実現される運転履歴作成機能を備えており、周期的な各タイミングで取得される上述したような各種の運転データＤのセット毎に運転履歴Ｈを作成するようになっている。また、こうして作成された運転履歴Ｈは、例えば１セットなどの所定数の運転履歴Ｈが生成された後や所定時間毎などにプラント異常監視システム１に送られるようになっている。プラント異常監視システム１が定期的などにプラント９に対して運転履歴Ｈの送信をプラント９側に要求するのを通して、運転履歴Ｈを受信しても良い。また、プラント異常監視システム１とプラント９とは広域通信網（ＷＡＮ）を介して接続されても良く、ＭＰＬＳ−ＶＰＮなどＩＰ−ＶＰＮ技術を用いた仮想専用線を介して運転履歴Ｈの上記の送受信を行っても良い。

次に、プラント異常監視システム１について詳細に説明する。
図１に示すように、プラント異常監視システム１は、検知モデル判定結果取得部２と、異常判定部３と、異常通知部４と、を備える。プラント異常監視システム１はコンピュータで構成されており、図示しないＣＰＵ（プロセッサ）や、ＲＯＭやＲＡＭといったメモリや記憶装置１４（外部記憶装置）を備えている。そして、メモリ（主記憶装置）にロードされた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、プラント異常監視システム１が備える上記の各機能部を実現する。上記の機能部について、それぞれ説明する。

検知モデル判定結果取得部２は、複数の運転データＤを含む監視運転データＤｔに対して、相互に異なる異常判定手法を実行する複数の検知モデル２２をそれぞれ適用することにより得られる複数の検知モデル判定結果Ｒを取得するよう構成される。検知モデル２２は、入力された監視運転データＤｔに所定の異常判定手法（異常判定アルゴリズム）を適用することにより、複数の運転データＤに基づいてプラント９に異常（異常兆候。以下同様。）が発生しているか否かを判定する。異常判定手法は周知な手法で良く、例えば、ＭＴ法、Ｋ近傍法、ニューラルネットワーク法（ＮＮ法）、線形回帰やポアソン回帰、ロジスティック回帰などの一般化線形法、ＳＶＭ法（ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）、ランダムフォレスト法（ＲＦ法）、ＣＡＲＴ法、ＣＨＡＩＤ法などの回帰木手法が挙げられる。異常判定手法は、例えばＫ近傍法とＲＦ法とを組み合わせるなど、これらの手法を組み合わせた手法であっても良い。

図１〜図３に示す実施形態では、図１に示すように、プラント異常監視システム１は、上述したようにプラント９側から送られてくる複数の運転データＤ（運転履歴Ｈ）を取得する運転データ収集部１２を備えており、検知モデル判定結果取得部２はこの運転データ収集部１２に接続される。そして、プラント９が生成した運転履歴Ｈは作成される度にプラント異常監視システム１に送信されるようになっており、運転データ収集部１２はプラント９から受信すると、受信した最新の運転履歴Ｈを検知モデル判定結果取得部２に入力する。また、検知モデル判定結果取得部２は、運転データ収集部１２から入力された最新の運転履歴Ｈに含まれる複数の運転データＤを監視対象（監視運転データＤｔ）として、ｎ個（ｎ＞２を満たす整数）の検知モデル２２にそれぞれ入力する。ｎ個の検知モデル２２の各々は、入力された監視運転データＤｔに対してその各々が有する異常判定手法を実行することにより、監視運転データＤｔがプラント９の異常を示すか否かを判定し、その判定結果（検知モデル判定結果Ｒ）を得る。これによって、検知モデル判定結果取得部２は、ｎ個の検知モデル判定結果Ｒ（Ｒ（１）、Ｒ（２）、・・・、Ｒ（ｎ）の合計ｎ個）を取得する。

つまり、図１〜図３に示す実施形態では、プラント異常監視システム１は、過去に取得された複数の運転データＤに基づいて作成された、複数の異常判定手法にそれぞれ対応した複数の検知モデル２２を有する。より詳細には、プラント９が生成した運転履歴Ｈは、記憶装置１４に例えば時刻情報と共に記憶されるなど、時系列が分かる状態などで蓄積される。そして、複数の検知モデル２２は、それぞれ、記憶装置１４に記憶された複数の運転履歴Ｈのうちプラント９の運転状態が正常である時に生成された１以上の運転履歴Ｈを学習データとして機械学習することにより、作成される。学習データは、例えば、ボイラにおける高温腐食や摩耗などによって生じる炉壁管の損傷や、過熱器の伝熱管の損傷、再熱器の伝熱管の損傷、スーツブロア嵌め込み管の損傷や、それらの損傷からの給水のリーク（漏れ）、燃焼・排気ガスによる各種機器の閉塞、振動・過電流などによる機器の故障などの異常事象（トラブル事例）の種類に応じて、その異常事象の検知に役立つ運転データＤのみで構成しても良い。

なお、他の幾つかの実施形態では、プラント異常監視システム１は、他のシステム（装置）で算出された少なくとも１つの検知モデル判定結果Ｒを、例えば通信線（通信ネットワーク）などを介するなどして取得しても良い。この場合は、検知モデル判定結果取得部２は、プラント異常監視システム１が有する１以上の検知モデル２２によって得られる１以上の検知モデル判定結果Ｒと、他から得られる１以上の検知モデル判定結果Ｒとで構成される複数の検知モデル判定結果Ｒを取得しても良い。

異常判定部３は、検知モデル判定結果取得部２によって取得された複数の検知モデル判定結果Ｒ、および複数の検知モデル２２の各々に対して予め設定されている重み値Ｖに基づいて異常の有無を判定するよう構成される。上記の重み値Ｖは、異常判定部３が複数の検知モデル判定結果Ｒに基づいて行う総合的な正常、異常の判定（以下、総合判定）の実行に際して参照する、検知モデル２２から得られる複数の検知モデル判定結果Ｒの相対的な重要度を示す指標である。重み値Ｖは、相対的な重要度が示すことができれば、数値であっても良いし、記号などであっても良い。また、重み値Ｖは、過去の異常事象や経験上の知見に基づいて予め設定されて、記憶装置１４などに記憶される。図２に示すように、重み値Ｖは過去の異常事象毎に設定されても良く、図２では、ｍ個の異常事象毎にそれぞれ重み値Ｖが規定されている。

具体的な総合判定の詳細については後述するが、要するに、複数の検知モデル２２からそれぞれ出力される検知モデル判定結果Ｒは一次診断結果に該当し、異常判定部３が行う総合判定は、一次診断結果を総合的に判断した総合診断結果に該当する。図１〜図３に示す実施形態では、異常判定部３は、検知モデル判定結果取得部２に接続されており、検知モデル判定結果取得部２から複数の検知モデル判定結果Ｒが入力されるようになっている。また、後述するように、重み値Ｖは、異常事象に対する検知率Ｄｒに基づいて予め設定されている。

異常通知部４は、異常判定部３によって異常が有ると判定された場合に異常アラームＷを通知するよう構成される。つまり、異常通知部４は、異常判定部３によって異常が有ると判定された場合に異常アラームＷを出力装置１６に出力する。出力装置１６は、ディスプレイなどの表示装置（図１参照）や、警報や警報ランプといった音や光などで報知が可能な装置である。よって、異常アラームＷが出力装置１６に入力されることで異常アラームＷが報知され、プラント９の運転員や管理者などに異常の発生を知らせる。

上述した構成を備えるプラント異常監視システム１において、上述した検知モデル判定結果取得部２が取得する複数の検知モデル判定結果Ｒは、図３に示すように、その全てが異常である場合と、全てが正常である場合と、異常および正常の両方が混在する場合が有り得る。そして、複数の検知モデル判定結果Ｒの全てが正常である場合（図３の判定例（１）参照）には正常である蓋然性は高く、この場合には特別な対応を行うことなく運転を継続することが可能である。逆に、複数の検知モデル判定結果Ｒの全てが異常である場合（図３の判定例（４）参照）には異常である蓋然性が高く、この場合には、詳細な解析や、現場での詳細調査などを行うことになる。

他方、複数の検知モデル判定結果Ｒに異常および正常の両方が含まれる場合（図３の判定例（２）〜（３）参照）には、例えば、複数の検知モデル２２の少なくとも１つが異常を判定したことから、プラント９に異常が発生していると考えて対応することが最も安全側の対応である。しかしながら、ある種のセンサ値（運転データＤ）が偶発的に異常値を示した場合や負荷変動に伴って複数のセンサ値が全体的に変化した場合などに起因して異常の誤判定が生じた場合（後述する図５の時刻ｔ１など）など、プラント９の運転を通常通りに継続しても支障がない範囲を異常として判定している場合には、その度に異常に対する対応を行うと、メンテナンス回数が余分に増えるなど、その分だけコストや負担が増える。そこで、異常判定部３は、複数の検知モデル判定結果Ｒおよび重み値Ｖに基づいて、総合的な異常の有無の判定を行う。

具体的には、幾つかの実施形態では、異常判定部３は、複数の検知モデル判定結果Ｒのうちの正常の検知モデル判定結果Ｒを取得（出力）した検知モデル２２の重み値Ｖの合計である正常重み値合計Ｓｎと、複数の検知モデル判定結果Ｒのうちの異常の検知モデル判定結果Ｒを取得（出力）した検知モデル２２の重み値Ｖの合計である異常重み値合計Ｓａとの差異に基づいて、異常の有無を判定しても良い。つまり、複数の検知モデル判定結果Ｒから、複数の検知モデル２２を正常判定グループと異常判定グループとに分け、そのグループごとに重み値Ｖの合計を算出する。そして、こうして得られた正常重み値合計Ｓｎと異常重み値合計Ｓａとの大小に応じて、総合的な正常、異常の判定を行う。

例えば、幾つかの実施形態では、図３に示すように、異常判定部３は、正常重み値合計Ｓｎが異常重み値合計Ｓａよりも大きい場合（Ｓｎ＞Ｓａ）に正常と判定し、正常重み値合計Ｓｎが異常重み値合計Ｓａ以下（Ｓｎ≦Ｓａ）の場合に異常と判定しても良い。なお、他の幾つかの実施形態では、異常判定部３は、正常重み値合計Ｓｎから異常重み値合計Ｓａを引いた差が０よりも大きい所定値（マージン値）以上の場合に正常と判定し、正常重み値合計Ｓｎから異常重み値合計Ｓａを引いた差が上記の所定値よりも小さい場合に異常と判定するなど、所定値分のマージンを考慮して総合判定を行っても良い。

図３に示す実施形態について詳細に説明する。まず、図３では、説明を簡単化するために検知モデル２２の数が４つであり、重み値Ｖは、検知モデルＡがａ、検知モデルＢがｂ、検知モデルＢがｃ、検知モデルＢがｄとなっている。上記の重み値のａ、ｂ、ｃ、ｄは、整数や、小数、０を含む数値である。また、重み値Ｖの合計をＳｔとしており（Ｓｔ＝ａ＋ｂ＋ｃ＋ｄ）、また、ｃ＋ｄ＜ａ＋ｂの関係が成り立っているものとする。

そして、図３の判定例（１）では、４つの検知モデル２２からそれぞれ出力された検知モデル判定結果Ｒは全て異常であるので、正常重み値合計Ｓｎは０であり、異常重み値合計ＳａはＳｔである（Ｓｎ＝０、Ｓａ＝Ｓｔ）。よって、正常重み値合計Ｓｎよりも異常重み値合計Ｓａが大きく、Ｓｎ≦Ｓａの関係が成立しているので、異常判定部３は異常と判定する。また、異常判定部３の総合判定結果Ｒｃが異常であるため、異常通知部４は異常アラームＷを出力する。

判定例（２）では、検知モデルＡおよび検知モデルＢから出力された検知モデル判定結果Ｒが異常であり、検知モデルＣおよび検知モデルＤから出力された検知モデル判定結果Ｒが正常であるので、正常重み値合計Ｓｎはｃ＋ｄであり、異常重み値合計Ｓａはａ＋ｂである（Ｓｎ＝ｃ＋ｄ、Ｓａ＝ａ＋ｂ）。この場合、上述したようにｃ＋ｄ＜ａ＋ｂが前提なので、正常重み値合計Ｓｎよりも異常重み値合計Ｓａの方が大きい（Ｓｎ＜Ｓａ）。よって、Ｓｎ≦Ｓａの関係が成立しているので、異常判定部３は異常と判定する。また、異常判定部３の総合判定結果Ｒｃが異常であるため、異常通知部４は異常アラームＷを出力する。

判定例（３）では、検知モデルＡおよび検知モデルＢから出力された検知モデル判定結果Ｒが正常であり、検知モデルＣおよび検知モデルＤから出力された検知モデル判定結果Ｒが異常であるので、正常重み値合計Ｓｎはａ＋ｂであり、異常重み値合計Ｓａはｃ＋ｄである（Ｓｎ＝ａ＋ｂ、Ｓａ＝ｃ＋ｄ）。この場合、上述したようにｃ＋ｄ＜ａ＋ｂが前提なので、正常重み値合計Ｓｎよりも異常重み値合計Ｓａの方が小さい（Ｓｎ＞Ｓａ）。よって、Ｓｎ＞Ｓａの関係が成立しているので、異常判定部３は正常と判定する。また、異常判定部３の総合判定結果Ｒｃが正常であるため、異常通知部４は異常アラームＷを出力しない。

判定例（４）では、４つの検知モデル２２からそれぞれ出力された検知モデル判定結果Ｒは全て正常であるので、正常重み値合計ＳｎはＳｔであり、異常重み値合計Ｓａは０である（Ｓｎ＝ｓｔ、Ｓａ＝０）。よって、正常重み値合計Ｓｎの方が異常重み値合計Ｓａよりも大きく、Ｓｎ＞Ｓａの関係が成立しているので、異常判定部３は正常と判定する。また、異常判定部３の総合判定結果Ｒｃが正常であるため、異常通知部４は異常アラームＷを出力しない。

上記の構成によれば、異常判定手法がそれぞれ異なる複数の検知モデル２２でそれぞれ異常の監視を行うと共に、複数の検知モデル２２の各々による異常判定結果（検知モデル判定結果Ｒ）と、複数の検知モデル２２の各々に対して予め設定されている重み値Ｖとに基づいて、プラント９における異常の有無を総合的に判定する。これによって、複数の検知モデル判定結果Ｒが正常、異常のいずれかに統一されていないような場合であっても、プラント９における異常の有無を適切に判定することができる。したがって、複数の異常判定手法による監視により異常の検出力を高めつつ、プラント９の異常監視を適切に行うことができる。

次に、上述した重み値Ｖの設定に関する幾つかの実施形態について、図１〜図４を用いて説明する。図４は、本発明の一実施形態に係る異常事象の検知率Ｄｒと重み値Ｖとの関係を示す図である。

幾つかの実施形態では、図４に示すように、重み値Ｖは、過去に発生した異常の種類（異常事象）別の複数の検知モデル２２の各々による検知率Ｄｒが高いほど大きな値を有する。これによって、異常判定部３は、各異常事象に対する検知モデル２２毎に、過去の状況から得られる検知率Ｄｒが高いほど、その検知モデル判定結果Ｒを重視したような総合判定を行うことになる。検知率Ｄｒの算出方法について図４を用いて具体的に説明すると、過去の運転履歴Ｈなどの過去の情報に基づいて、ｍ個（ｍ≧１を満たす整数）の異常事象の各々の過去発生数をそれぞれ求めると共に、複数の検知モデル２２の各々がその各々の発生異常を検知できた回数である検知回数を求めた後、検知回数を過去発生数で除算することで検知率Ｄｒを算出している（Ｄｒ＝検知回数÷過去発生数）。例えば、過去に発生した異常の異常認識時から異常兆候が含まれるような所定の期間遡った分の過去の複数の運転データＤを入手して、複数の検知モデル２２にそれぞれ入力し、異常が検知できたか否かを調べることにより、検知回数を求めても良い。

なお、上記の異常認識時とは、例えばプラント９の停止時や、運転員などが異常を認識した時などであっても良い。また、検知率Ｄｒは、異常認識時の所定時間前までに異常を検知することができれば検知できたとみなし、異常認識時の所定時間前以降に検知した場合や全く検知ができなかった場合を検知できなかったとみなしても良い。また、既に、各検知モデル２２によって、過去の異常が検知できたか否かの情報を有している場合には、複数の検知モデル２２の各々が過去の異常を検知できたか否かを改めて調べる必要はない。

図４では、例えば、トラブル（１）の異常事象は、過去にＣ１回発生しており、過去発生数はＣ１である。そのうち、１番目の検知モデルＡはＣａ１回検知し、２番目の検知モデルＢはＣｂ１回検知し、以下同様に続き、最後のｎ番目の検知モデルＸはＣｘ１回検知しており、検知回数は、上記の順で、Ｃａ１、Ｃｂ１、・・・、Ｃｘ１となる。同様に、トラブル（２）からトラブル（ｍ）までの異常事象の各々の過去発生数と、複数の検知モデル２２の各々による検知回数が図４にまとめられている。

そして、図１〜図４に示す実施形態では、重み値Ｖは、この検知率Ｄｒをそのまま使用している。よって、例えば、トラブル（１）の異常事象に対する検知モデルＡの重み値ＶはＣａ１／Ｃ１である。ただし、本実施形態に本発明は限定されない。他の幾つかの実施形態では、検知率Ｄｒに所定の演算（例えば１００倍）した値を重み値Ｖにしても良い。その他の幾つかの実施形態では、任意の異常事象に対する過去発生数が同じであることを前提に、検知回数を重み値Ｖにしても良い。

上記の構成によれば、重み値Ｖは、複数の検知モデル２２の各々による異常の検知率Ｄｒに基づいて異常事象（異常の種類）毎に設定されると共に、検知率Ｄｒが高いほど大きな値を有する。よって、例えば正常重み値合計Ｓｎと異常重み値合計Ｓａの大小により総合的に異常判定を行う場合などには、検知率Ｄｒの高い検知モデル２２ほど各合計への寄与が大きくなる。このように、検知率Ｄｒを各合計に反映することにより、異常の有無の総合的な判定を適切に行うことができる。

また、幾つかの実施形態では、上述した予め設定されている重み値Ｖは、適宜、再設定（修正）されても良い。例えば、異常判定部３による総合判定結果Ｒｃと、実際の異常の有無の確認結果とが異なる場合に重み値Ｖを再設定しても良い。また、他のプラント９などで新たに異常が発生した場合など、他のプラント９で発生した異常を含めて、各検知モデル２２による検知率Ｄｒを算出するような場合に重み値Ｖを再設定しても良い。なお、図１に示す実施形態では、他のプラント９（例えば、図１のプラントＢ）で発生した異常時を含む所定期間分の運転履歴Ｈが、記憶装置１４に記憶されるようになっている。つまり、複数のプラント９で運転履歴Ｈ（トラブル事例）を共有している。

このため、幾つかの実施形態では、図１に示すように、プラント異常監視システム１は、異常判定部３による異常の有無の判定結果（総合判定結果Ｒｃ）と、異常の有無の実際の確認結果とが異なる場合に重み値Ｖの再設定を決定する重み値再決定部５を、さらに備える。上記の異常の有無の実際の確認結果（以下、単に、実際の確認結果）は、例えば異常判定部３による異常有りとの総合判定結果Ｒｃを契機に行うような、運転履歴Ｈの詳細な分析や現地調査などにより得られる現実の異常の有無の結果である。また、上記の異常判定部３の総合判定結果Ｒｃと実際の確認結果とが一致しない状況は、上記の異常判定部３は正常との総合判定結果Ｒｃを出力している中で、プラント異常監視システム１以外の他のシステムや運転員が経験などから異常を発見した場合にも生じ得る。図１に示す実施形態では、重み値再決定部５には実際の確認結果が入力されるようになっており、実際の確認結果が入力されると、重み値Ｖの再設定の必要性を判定するようになっている。

より具体的には、幾つかの実施形態では、図１に示すように、プラント異常監視システム１は、上述した重み値Ｖを再設定する重み値再設定部６を、さらに備えていても良い。そして、この重み値再設定部６は、重み値再決定部５によって重み値Ｖの再設定が決定された場合には、実際の確認結果と異なる判定をした検知モデル２２の重み値Ｖと、実際の確認結果と一致する判定をした検知モデル２２の重み値Ｖとの差（差分）が大きくなるように、重み値Ｖを再設定するように構成される。つまり、重み値再設定部６は、現実の状況と異なる判定をした検知モデル２２の重み値Ｖが、現実の状況と一致する判定をした検知モデル２２の重み値Ｖに対して、相対的に小さくなるように重み値Ｖを再設定する。

例えば、幾つかの実施形態では、重み値再設定部６は、異常判定部３によって異常と判定された場合において実際の確認結果が異常無しである場合には、複数の検知モデル判定結果Ｒのうちの異常有りを判定した検知モデル判定結果Ｒを取得した検知モデル２２の重み値Ｖを小さくするよう構成されても良い。他の幾つかの実施形態では、重み値再設定部６は、異常判定部３によって異常無しが判定された場合において実際の確認結果が異常有りである場合には、複数の検知モデル判定結果Ｒのうちの異常無しを判定した検知モデル判定結果Ｒを取得した検知モデル２２の重み値Ｖを小さくするよう構成されても良い。なお、このような状況の発生の可能性は現実的には大きくない。その他の幾つかの実施形態では、上記の２つの実施形態を組み合わせても良い。

そして、上記のいずれの実施形態においても、実際の確認結果と異なる検知モデル判定結果Ｒを出力した検知モデル２２の重み値Ｖが所定値あるいは所定割合だけ減じられるように演算しても良い。あるいは、逆に、実際の確認結果と同じ検知モデル判定結果Ｒを出力した検知モデル２２の重み値Ｖを所定値あるいは所定割合だけ増加されるように演算しても良い。その両方を行っても良い。

上記の構成によれば、異常判定部３による総合的な判定結果が現実の状況と異なる場合には、重み値Ｖの修正を行うようにする。これによって、異常の有無の総合的な判定の精度の維持、向上を図ることができる。

次に、異常通知部４に関する幾つかの実施形態について、上述した図３を用いて説明する。
幾つかの実施形態では、異常通知部４から出力される異常アラームＷは、異常の緊急度に応じて緊急異常アラームＷｅと通常異常アラームＷｎとが使い分けられても良い。具体的には、図３に示すように、異常通知部４は、上述した正常重み値合計Ｓｎよりも、上述した異常重み値合計Ｓａの方が大きく、かつ、正常重み値合計Ｓｎと異常重み値合計Ｓａとの差異が閾値以上の場合（Ｓａ＞Ｓｎ、かつ、Ｓａ−Ｓｎ≧閾値）に緊急対応を要請するための緊急異常アラームＷｅを通知するよう構成されても良い。上記の閾値は０以外の数値である。また、通常異常アラームＷｎは、緊急異常アラームＷｅ以外で、かつ、緊急性が相対的に低い異常を通知するための異常アラームＷである。これらの緊急異常アラームＷｅと通常異常アラームＷｎとは、ディスプレイへの表示形式、音の大小、ＬＥＤなどの発光態様の少なくとも１つが異なっていたり、緊急異常アラームＷｅは少なくとも音による警報が有る一方で通常異常アラームＷｎはなかったりするなど、報知の態様が異なる。そして、緊急性が高いほど、運転員には緊急対応が求められる。

また、いずれの種別の異常アラームＷを通知するかは、上述した異常判定部３が判定しても良いし、異常通知部４が判定しても良い。異常通知部４が判定する場合には、異常判定部３からは、正常重み値合計Ｓｎおよび異常重み値合計Ｓａなどのアラーム種別を判定するための情報が異常通知部４に対して出力される必要がある。なお、緊急異常アラームＷｅは、さらに、緊急性に応じて、複数のアラーム種別に分類されていても良い。

図３に示す実施形態では、例えば判定例（１）では、Ｓａ−Ｓｎ≧閾値の関係が満たされていることにより、アラーム種別が緊急になっている。よって、このような場合には、異常アラームＷとして、異常通知部４は緊急異常アラームＷｅを出力装置１６へ出力する。逆に、図３の判定例（２）では、Ｓａ−Ｓｎ＜閾値の関係が満たされていることにより、アラーム種別が通常になっている。よって、このような場合には異常通知部４は通常異常アラームＷｎを出力装置１６へ出力する。

ただし、本実施形態に本発明は限定されない。他の幾つかの実施形態では、緊急異常アラームＷｅは、設定情報に基づいて出力されるようにしても良い。例えば、複数存在する異常事象の各々について緊急な対応が必要であるか否かを予め検討しておき、異常事象毎に、その異常が生じた場合には緊急異常アラームＷｅと通常異常アラームＷｎとのいずれを通知（出力）するかを規定したアラーム種別テーブル（不図示）を記憶装置１４に記憶しておく。また、異常事象の判別方法を規定した異常判別テーブル（不図示）も記憶装置１４に記憶しておく。そして、異常判定部３による総合判定結果Ｒｃが異常有りの場合には、上記の異常判別テーブル（不図示）と監視運転データＤｔとを比較して異常事象を判別すると共に、判別された異常事象に対するアラーム種別を上記のアラーム種別テーブル（不図示）から特定し、特定した異常アラームＷが出力装置１６に出力されるようにする。

上記の構成によれば、総合的に異常を判定した場合において、正常重み値合計Ｓｎと異常重み値合計Ｓａとの差分などの差異に応じて、緊急異常アラームＷｅの通知の必要性を判定する。これによって、緊急な異常であるか否かも含めて、プラント９の運転員や管理者などに異常を報知することができる。

次に、異常判定手法に関する幾つかの実施形態について、図５〜図７を用いて説明する。図５は、本発明の一実施形態に係る（ａ）異常スコアの時間推移、および、（ｂ）センサ値の予測値と実測値の時間推移を示す図である。図６は、本発明の一実施形態に係る異常発生時の前後における機器別の温度センサの測定値の時間推移を示す図である。また、図７は、本発明の一実施形態に係る異常発生時の前後における機器別のマハラノビス距離の時間推移を示す図である。なお、図５（ａ）と図５（ｂ）の横軸は時間（例えば、分、時、日など）を表し、両者の時間軸のスケールは合わされている。また、図示される時刻は、ｔ１＜ｔ２＜ｔ３＜ｔ４の関係にあり、時刻ｔ４以降はプラント９が停止しているものとする。

上述したような複数の異常判定手法は、それぞれ、予め設定された閾値との比較により異常の有無を判定するための異常スコアを算出する異常スコア算出型の手法（図５（ａ）参照）と、予め定められた運転データＤの予測値を算出する予測値算出型の手法（図５（ｂ）参照）に分類可能である。異常スコア算出型の手法は、例えばＭＴ法や、Ｋ近傍法、が該当し得る。異常スコア算出型の手法は、各検知モデル２２を通して異常スコア（図５（ａ）ではＭＤ値）を算出すると共に、図５（ａ）に示すように、算出した異常スコアが所定の閾値Ｌを上回っている場合には異常と判定し、逆に、算出した異常スコアが閾値Ｌ以下であれば正常と判定する。他方、予測値算出型の手法は、ＮＮ法や、一般化線形法、ＳＶＭ法、ＲＦ法、ＣＡＲＴ法、ＣＨＡＩＤ法が該当し得る手法である。予測値算出型の手法は、各検知モデル２２を通して任意の運転データＤ（センサ値など）の予測値を他の１以上の運転データＤに基づいて算出すると共に、図５（ｂ）に示すように、算出した予測値と対応する実測値との差が閾値Ｌを上回っている場合には異常と判定し、逆に、その差が閾値Ｌ以下であれば正常と判定する。

より詳細には、図５（ａ）は、異常スコア算出型の検知モデル２２によって算出される異常スコアの時間推移の例として、ＭＴ法によって算出されるマハラノビス距離（ＭＤ値）の時間推移を例示している。そして、ＭＤ値が異常有りとの判定の基準となる閾値Ｌを上回ると異常有りと判定し、上記の閾値Ｌ以下では正常と判定する。図５（ａ）に示す実施形態では、時刻ｔ３以降においてＭＤ値が閾値Ｌを超えており、時刻ｔ３以降のような場合を検出することにより異常有りと判定する。なお、時刻ｔ１付近において、センサ値が偶発的に例外的な値をとったことにより、ＭＤ値は一時的に閾値Ｌを超えている。

図５（ｂ）は、予測値算出型の検知モデル２２によって算出される運転データＤの予測値の時間推移の例として、ニューラルネットワーク（ＮＮ）法によって算出される例えば熱交換器の伝熱管の温度を測定する温度センサなどのセンサ値（運転データＤ）の予測値の時間推移を、その実測値と共に例示している。そして、そのセンサ値を示す運転データＤの値そのものと予測値との差が閾値Ｌを上回ると異常と判定し、その差が閾値Ｌ以内の場合に正常と判定する。図５（ｂ）に示す実施形態では、時刻ｔ２以降において予測値（太線）と実測値（細線）との差が閾値Ｌを上回るようになっており、時刻ｔ２以降のような場合を検出することにより、異常有りと判定する。なお、時刻ｔ１付近において、センサ値が偶発的に例外的な値をとってはいるものの、予測値も実測値も同様に変化したことから、異常有りとの判定は行われていない。

そして、幾つかの実施形態では、検知モデル判定結果取得部２よって取得される複数の検知モデル判定結果Ｒは、異常スコア算出型の検知モデル２２によって取得された判定結果と、予測値算出型の検知モデル２２によって取得された判定結果との少なくとも一方を含む。図１に示す実施形態では、検知モデル判定結果取得部２よって取得される複数の検知モデル判定結果Ｒは、異常スコア算出型の検知モデル２２によって取得された判定結果と、予測値算出型の検知モデル２２によって取得された判定結果との両方を含む。これは、異常スコア算出型の場合、正常なデータ群のばらつきが不適切である場合に異常判定結果の精度が低下する場合があるのに対し、予測値算出型の場合には学習データとして用いられる正常なデータ群のばらつきに起因した判定精度の低下は限定的であることによる。

例えば、図５の例示では、プラント異常監視システム１が、時刻ｔ１における偶発的な例外値を示す運転データＤを含む複数の運転データＤを用いて異常判定をした場合には、図５（ａ）の異常スコア算出型の検知モデル２２は異常有りと判定する一方で、図５（ｂ）の予測値算出型の検知モデル２２は異常無しと判定するため、予測値算出型の検知モデル２２は、偶発的な例外値の影響を受けていない。

また、図６に示すように、異常事象による影響によって、多数のセンサ値が異常的な挙動を示す場合には、例えば、ニューラルネットワークのようなセンサ値を予測する予測値算出型の検知モデル２２の場合には、予測対象のセンサ値の全てが異常的に変化する場合があるため、異常の影響を最も受けているセンサ値がどれであるかなどの特定に時間がかかる可能性がある。その一方で、図７に示すように、ＭＴ法（直行表分析を用いたＳＮ比による要因分析を含む）などの異常スコア算出型の検知モデル２２の場合には、異常の影響を最も受けているセンサ値の判定が比較的容易である場合がある。

図６〜図７について説明すると、これらの図は、ボイラの煙道の内部おいて排ガスが流れる方向に沿って上流側から順番に、２次過熱器（２ＳＨ）、３次過熱器（３ＳＨ）、４次過熱器（４ＳＨ）、２次再熱器（２ＲＨ）、１次再熱器（１ＲＨ）１次過熱器（１ＳＨ）が相互に間隔を置いて設置されている場合において取得された複数の運転データＤに基づいて作成された図である。ボイラの煙道には、上記の複数の機器の各々の伝熱管などのメタル温度を測定するための複数の温度センサが設けられており、これらのセンサ値が運転データＤとして、プラント異常監視システム１に送られてくる。そして、図６〜図７に示すように、時刻ｔｎで異常が発生したとすると、図６では、時刻ｔｎ以降に示されるように、全てのセンサ値が影響を受けているため、予測値とセンサ値との差分を算出したとしても、どの機器に異常が発生しているかを特定することは難しい。他方、図７に示すように、機器毎のセンサ値のＭＤ値を算出すると、時刻ｔｎ以降、１ＲＨおよび１ＳＨが急上昇しており、直交表分析を用いたＳＮ比による要因分析を合わせて行うなどすることにより、どの機器に異常が発生しているかの切り分けが比較的容易となる。

上記の構成によれば、複数の検知モデル判定結果Ｒは、予測値算出型の検知モデルおよび異常スコア算出型の検知モデルの両方の判定結果を含む。これによって、異常検知後の切り分けを容易化することができるなど、上述のような相互補完による効果を図ることができる。

以下、上述したプラント異常監視システム１による処理に対応するプラント異常監視方法について、図８を用いて説明する。図８は、本発明の一実施形態に係るプラント異常監視方法を示す図である。プラント異常監視方法は、プラント９の運転状態を示す複数の運転データＤに基づいて異常を監視する方法であり、図８に示すように、プラント異常監視方法は、運転データ収集ステップ（Ｓ１）と、検知モデル判定結果取得ステップ（Ｓ２）と、異常判定ステップ（Ｓ３）と、異常通知ステップ（Ｓ４）と、を備える。
図８に示すフローに従ってプラント異常監視方法を説明する。なお、図８のフローは、プラント９から運転履歴Ｈを取得する度に行うものとする。

図８のステップＳ１において、運転データ収集ステップを実行する。運転データ収集ステップは、上述した監視運転データＤｔ（運転履歴Ｈ）を取得するステップである。運転データ収集ステップは、上述した運転データ収集部１２が行う処理と同様にプラント９側から送られてくる運転履歴Ｈを取得しても良いし、記憶装置１４から運転履歴Ｈを取得しても良い。

ステップＳ２において、検知モデル判定結果取得ステップを実行する。検知モデル判定結果取得ステップは、上述した監視運転データＤｔに対して、上述したような複数の検知モデル判定結果Ｒを取得するステップである。検知モデル判定結果取得ステップは、上述した検知モデル判定結果取得部２が行う処理と同様であるため、詳細な説明は省略する。

ステップＳ３（Ｓ３１〜Ｓ３４）において、異常判定ステップを実行する。異常判定ステップは、検知モデル判定結果取得ステップ（Ｓ２）によって取得された複数の検知モデル判定結果Ｒ、および、上述した重み値Ｖに基づいて異常の有無を判定するステップである。異常判定ステップは、上述した異常判定部３が行う各実施形態における処理と同様であるため詳細な説明は省略するが、図８に示す実施形態では、異常判定ステップは、上述した正常重み値合計Ｓｎと、上述した異常重み値合計Ｓａとの差異に基づいて、異常の有無を判定する。より具体的には、ステップＳ３１において、正常重み値合計Ｓｎおよび異常重み値合計Ｓａをそれぞれ算出した後、ステップＳ３２において、正常重み値合計Ｓｎと異常重み値合計Ｓａとの大小を判定する。その結果、正常重み値合計Ｓｎが異常重み値合計Ｓａよりも大きい場合（Ｓｎ＞Ｓａ）には、ステップＳ３３において正常と判定し（総合判定結果Ｒｃ＝正常）、図８のフローを終了する。逆に、正常重み値合計Ｓｎが異常重み値合計Ｓａ以下（Ｓｎ≦Ｓａ）の場合には、ステップＳ３４において異常と判定し（総合判定結果Ｒｃ＝異常）、次に説明するステップＳ４以降を実行する。

ステップＳ４において、異常通知ステップを実行する。異常通知ステップは、上述した異常判定ステップ（Ｓ３）によって異常が有ると判定された場合に異常アラームＷ（Ｗｅ／Ｗｎ）を通知するステップである。異常通知ステップは、上述した異常通知部４が行う各実施形態における処理と同様であるため詳細な説明は省略するが、図８に示す実施形態では、正常重み値合計Ｓｎよりも異常重み値合計Ｓａの方が大きく、かつ、正常重み値合計Ｓｎと異常重み値合計Ｓａとの差異が閾値（アラーム種別判定閾値）以上の場合（Ｓａ＞Ｓｎ、かつ、Ｓａ−Ｓｎ≧アラーム種別判定閾値）に上述した緊急異常アラームＷｅを通知する。より具体的には、ステップＳ３（Ｓ３４）において総合判定結果Ｒｃが異常と判定された場合には、ステップＳ４１において、Ｓａ−Ｓｎ≧アラーム種別判定閾値を満たすか否かを判定する。その結果、Ｓａ−Ｓｎ≧アラーム種別判定閾値を満たすと判定された場合には、ステップＳ４２において緊急異常アラームＷｅをプラント９の運転員などに通知する。逆に、Ｓａ−Ｓｎ＜アラーム種別判定閾値を満たすと判定された場合には、ステップＳ４３において通常異常アラームＷｎをプラント９の運転員などに通知する。

また、幾つかの実施形態では、図８に示すように、プラント異常監視方法は、予め設定されている重み値Ｖの再設定を決定する重み値再決定ステップ（Ｓ５）を備えていても良い。図８に示す実施形態では、重み値再決定ステップ（Ｓ５）は、上述した異常判定ステップ（Ｓ３）による異常の有無の判定結果と、異常の有無の実際の確認結果とが異なる場合に重み値Ｖの再設定を決定する。重み値再決定ステップは、上述した重み値再決定部５が行う各実施形態における処理と同様であるため詳細な説明は省略するが、図８に示す実施形態では、重み値再決定ステップ（Ｓ５）は、上述したステップＳ３（Ｓ３４）において総合判定結果Ｒｃが異常有りであった場合において、ステップＳ４（Ｓ４２またはＳ４３）で異常アラームＷを通知した後に実行される。具体的には、ステップＳ５１において、取得した実際の確認結果からプラント９で実際に異常が発生していたか否かを確認する。その結果、実際に異常が発生していた場合は、上述したステップＳ３４における異常との総合判定結果Ｒｃが正しい場合であり、何もせずにフローを終了する。逆に、実際には異常が発生していなかった場合は、上述したステップＳ３４における異常との総合判定結果Ｒｃが間違いであった場合であり、ステップＳ５２において重み値Ｖの再設定を決定する。

また、幾つかの実施形態では、図８に示すように、プラント異常監視方法は、重み値再決定ステップ（Ｓ５）によって重み値Ｖの再設定が決定された場合には、実際の確認結果と異なる判定をした検知モデル２２の重み値Ｖと、実際の確認結果と一致する判定をした検知モデル２２の重み値Ｖとの差（差分）が大きくなるように、重み値Ｖを再設定する重み値再設定ステップ（Ｓ６）を、さらに備えていても良い。重み値再設定ステップは、上述した重み値再設定部６が行う各実施形態における処理と同様であるため、詳細な説明は省略する。

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。
例えば、図１に示す実施形態では、プラント異常監視システム１が複数のプラント９に対して共通して設けられているが、他の幾つかの実施形態では、プラント９毎にプラント異常監視システム１がそれぞれ設けられていて良い。

１ プラント異常監視システム
１２ 運転データ収集部
１４ 記憶装置
１６ 出力装置
２ 検知モデル判定結果取得部
２２ 検知モデル
３ 異常判定部
４ 異常通知部
５ 再決定部
６ 重み値再設定部
９ プラント

Ｄ 運転データ
Ｄｔ 監視運転データ
Ｈ 運転履歴
Ｖ 重み値
Ｒ 検知モデル判定結果
Ｒｃ 総合診断結果
Ｓａ 異常重み値合計
Ｓｎ 正常重み値合計
Ｄｒ 検知率
Ｌ 閾値
Ｗ 異常アラーム
Ｗｅ 緊急異常アラーム
Ｗｎ 通常異常アラーム
ｔ 時刻

Claims (20)

1. プラントの運転状態を示す複数の運転データに基づいて異常を監視するプラント異常監視システムであって、
   前記複数の運転データを含む監視運転データに対して、相互に異なる異常判定手法を実行する複数の検知モデルをそれぞれ適用することにより得られる複数の検知モデル判定結果を取得するよう構成される検知モデル判定結果取得部と、
   前記複数の検知モデル判定結果、および前記複数の検知モデルの各々に対して予め設定されている重み値に基づいて前記異常の有無を判定するよう構成される異常判定部と、
   前記異常判定部によって前記異常が有ると判定された場合に通知するよう構成される異常通知部と、を備えることを特徴とするプラント異常監視システム。
2. 前記異常判定部は、前記複数の検知モデル判定結果のうちの正常の検知モデル判定結果を取得した前記検知モデルの重み値の合計である正常重み値合計と、前記複数の検知モデル判定結果のうちの異常の検知モデル判定結果を取得した前記検知モデルの重み値の合計である異常重み値合計との差異に基づいて、前記異常の有無を判定することを特徴とする請求項１に記載のプラント異常監視システム。
3. 前記異常判定部は、前記正常重み値合計が前記異常重み値合計よりも大きい場合に正常と判定し、前記正常重み値合計が前記異常重み値合計以下の場合に異常と判定することを特徴とする請求項２に記載のプラント異常監視システム。
4. 前記重み値は、過去に発生した前記異常の種類別の前記複数の検知モデルの各々による検知率が高いほど大きな値を有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異常監視システム。
5. 前記異常判定部による前記異常の有無の判定結果と、前記異常の有無の実際の確認結果とが異なる場合に前記重み値の再設定を決定する重み値再決定部を、さらに備えることを特徴とする請求項１〜４のいずれか１項に記載のプラント異常監視システム。
6. 前記重み値再決定部によって前記重み値の再設定が決定された場合には、前記実際の確認結果と異なる判定をした前記検知モデルの前記重み値と、前記実際の確認結果と一致する判定をした前記検知モデルの前記重み値との差が大きくなるように前記重み値を再設定する重み値再設定部を、さらに備えることを特徴とする請求項５に記載のプラント異常監視システム。
7. 前記重み値再設定部は、前記異常判定部によって異常有りが判定された場合において前記実際の確認結果が異常無しである場合には、前記複数の検知モデル判定結果のうちの前記異常有りを判定した前記検知モデル判定結果を取得した前記検知モデルの前記重み値を小さくするか、
   前記異常判定部によって異常無しが判定された場合において前記実際の確認結果が異常有りである場合には、前記複数の検知モデル判定結果のうちの前記異常無しを判定した前記検知モデル判定結果を取得した前記検知モデルの前記重み値を小さくするかの少なくとも一方を実行するように構成されることを特徴とする請求項６に記載のプラント異常監視システム。
8. 前記異常通知部は、前記複数の検知モデル判定結果のうちの正常の検知モデル判定結果を取得した前記検知モデルの重み値の合計である正常重み値合計よりも、前記複数の検知モデル判定結果のうちの異常の検知モデル判定結果を取得した前記検知モデルの重み値の合計である異常重み値合計の方が大きく、かつ、前記正常重み値合計と前記異常重み値合計との差異が閾値以上の場合に緊急対応を要請するための緊急異常アラームを通知す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異常監視システム。
9. 過去に取得された前記複数の運転データに基づいて作成された、複数の前記異常判定手法にそれぞれ対応した前記複数の検知モデルを、さらに備えることを特徴とする請求項１〜８のいずれか１項に記載のプラント異常監視システム。
10. 前記複数の検知モデル判定結果は、予め設定された閾値との比較により前記異常の有無を判定するための異常スコアを算出する異常スコア算出型の検知モデルによって取得された判定結果と、予め定められた前記運転データの予測値を算出する予測値算出型の検知モデルによって取得された判定結果との両方を含むことを特徴とする請求項１〜９のいずれか１項に記載のプラント異常監視システム。
11. プラントの運転状態を示す複数の運転データに基づいて異常を監視するプラント異常監視方法であって、
    前記複数の運転データを含む監視運転データに対して、相互に異なる異常判定手法を実行する複数の検知モデルをそれぞれ適用することにより得られる複数の検知モデル判定結果を取得する検知モデル判定結果取得ステップと、
    前記複数の検知モデル判定結果、および前記複数の検知モデルの各々に対して予め設定されている重み値に基づいて前記異常の有無を判定する異常判定ステップと、
    前記異常判定ステップによって前記異常が有ると判定された場合に通知する異常通知ステップと、を備えることを特徴とするプラント異常監視方法。
12. 前記異常判定ステップは、前記複数の検知モデル判定結果のうちの正常の検知モデル判定結果を取得した前記検知モデルの重み値の合計である正常重み値合計と、前記複数の検知モデル判定結果のうちの異常の検知モデル判定結果を取得した前記検知モデルの重み値の合計である異常重み値合計との差異に基づいて、前記異常の有無を判定することを特徴とする請求項１１に記載のプラント異常監視方法。
13. 前記異常判定ステップは、前記正常重み値合計が前記異常重み値合計よりも大きい場合に正常と判定し、前記正常重み値合計が前記異常重み値合計以下の場合に異常と判定することを特徴とする請求項１２に記載のプラント異常監視方法。
14. 前記重み値は、過去に発生した前記異常の種類別の前記複数の検知モデルの各々による検知率が高いほど大きな値を有することを特徴とする請求項１１〜１３のいずれか１項に記載のプラント異常監視方法。
15. 前記異常判定ステップによる前記異常の有無の判定結果と、前記異常の有無の実際の確認結果とが異なる場合に前記重み値の再設定を決定する重み値再決定ステップを、さらに備えることを特徴とする請求項１１〜１４のいずれか１項に記載のプラント異常監視方法。
16. 前記重み値再決定ステップによって前記重み値の再設定が決定された場合には、前記実際の確認結果と異なる判定をした前記検知モデルの前記重み値と、前記実際の確認結果と一致する判定をした前記検知モデルの前記重み値との差が大きくなるように前記重み値を再設定する重み値再設定ステップを、さらに備えることを特徴とする請求項１５に記載のプラント異常監視方法。
17. 前記重み値再設定ステップは、前記異常判定ステップによって異常有りが判定された場合において前記実際の確認結果が異常無しである場合には、前記複数の検知モデル判定結果のうちの前記異常有りを判定した前記検知モデル判定結果を取得した前記検知モデルの前記重み値を小さくするか、
    前記異常判定ステップによって異常無しが判定された場合において前記実際の確認結果が異常有りである場合には、前記複数の検知モデル判定結果のうちの前記異常無しを判定した前記検知モデル判定結果を取得した前記検知モデルの前記重み値を小さくするかの少なくとも一方を実行するように構成されることを特徴とする請求項１６に記載のプラント異常監視方法。
18. 前記異常通知ステップは、前記複数の検知モデル判定結果のうちの正常の検知モデル判定結果を取得した前記検知モデルの重み値の合計である正常重み値合計よりも、前記複数の検知モデル判定結果のうちの異常の検知モデル判定結果を取得した前記検知モデルの重み値の合計である異常重み値合計の方が大きく、かつ、前記正常重み値合計と前記異常重み値合計との差異が閾値以上の場合に緊急対応を要請するための緊急異常アラームを通知することを特徴とする請求項１１〜１７のいずれか１項に記載のプラント異常監視方法。
19. 過去に取得された前記複数の運転データに基づいて作成された、複数の前記異常判定手法にそれぞれ対応した前記複数の検知モデルを、さらに備えることを特徴とする請求項１１〜１８のいずれか１項に記載のプラント異常監視方法。
20. 前記複数の検知モデル判定結果は、予め設定された閾値との比較により前記異常の有無を判定するための異常スコアを算出する異常スコア算出型の検知モデルによって取得された判定結果と、予め定められた前記運転データの予測値を算出する予測値算出型の検知モデルによって取得された判定結果との両方を含むことを特徴とする請求項１１〜１９のいずれか１項に記載のプラント異常監視方法。
    

Images