JP2020009080A - 機器状態監視システム及び機器状態監視方法 - Google Patents

Abstract

【課題】プラント計測値から異常パラメータを推定し、異常パラメータから故障機器を推定することが可能な機器状態監視システムを提供する。【解決手段】プラント機器が正常なときのプラント計測値を格納した正常時計測値データベース２と、機器故障時に影響のあるパラメータとの関係をモデル化した機器劣化モデルが格納された機器劣化モデルデータベース４と、機器の故障確率が格納された機器故障確率データベース５と、機器の故障記録が格納された機器故障記録データベース６とを備え、前記データベースから計算される確率を設定して物理モデルを設定し（８）、プラントの計測値と正常時計測値と比較して異常の有無の判定と異常パラメータの推定をして（３）、前記物理モデルを用いて前記異常パラメータから故障機器を推定する（９）ことを特徴とする機器状態監視システム。【選択図】図１

Description

本発明は、プラント機器の状態監視及び状態監視方法に関する。

発電プラントでは、信頼性向上と保守作業合理化を目的として、運転中の機器診断技術の導入が進められている。機器診断技術としては、温度や圧力などのプラント計測値を計測し、正常状態との比較により、異常の有無を検知する方法が一般的に知られている。ただし、診断結果を機器の保守作業計画に利用する際には、異常の有無だけでなく、どの機器や部位に異常があるかを知る必要がある。例えば、プラント計測値を診断した結果、異常のあるパラメータが給水流量であった場合、給水ポンプの異常がまず考えられるが、給水制御系や復水ポンプの異常である可能性も考えられ、保守対象を特定できない。これを解決する主な方法として、機器に異常が発生したときのプラント計測値を利用する方法と、異常の検知されたパラメータから保守対象機器を特定する方法がある。

前者の方法としては、一般的なクラスタリング手法などにより、現在のプラント計測値と、機器の異常発生時のプラント計測値との類似性を判定すればよいが、過去のプラント計測値が残っていない場合や、データ点数が十分でない場合には、適用困難である。

後者の方法としては、特許文献１がある。この公報には、「物理的プロセスや化学的プロセスを利用してエネルギーや物質を生成するプロセスプラントからの観測信号の異常を検知し、その原因を同定し、プラント運転員にその結果を提供するプラント異常診断装置において、上記プラントの構成装置の特性・機能、物理量間に成立する特性を記述した知識を格納した知識ベースと、検知された異常およびその他の観測信号から異常原因候補を推定し、その候補から推定できるプロセス量の状態、機器の動作の変動と観測信号とが一致する原因候補を異常の第１原因と判定する手段と、プラントから得られるプラントの運転モードを決めるパラメータをもとに実時間でプラントの挙動を模擬して推定する手段とを備え、その推定結果と上記プラント観測値との比較により異常を検知して異常原因候補の推定に利用することを特徴とするプラントの異常診断装置。」と記載されている。

特開平０４−１７５６９４号公報

上述の特許文献１では、異常パラメータから故障機器と部位を特定することができると考えられる。しかし、プラント挙動を模擬する手段が必要である。プラント挙動を模擬する手段がなくても故障機器と部位を特定できればなおよいが、その方法については記載されていない。

そこで、本発明の目的は、プラント計測値に異常が発生した場合に、異常パラメータから故障機器を特定することを目的とする。

本発明は、プラント機器が正常なときのプラント計測値を格納した正常時計測値データベースと、機器故障時に影響のあるパラメータとの関係をモデル化した機器劣化モデルが格納された機器劣化モデルデータベースと、機器の故障確率が格納された機器故障確率データベースと、機器の故障記録が格納された機器故障記録データベースとを備え、前記機器劣化モデルに前記機器故障確率データベースと前記機器故障記録データベースから計算される確率を設定して物理モデルを設定する物理モデル設定部と、プラントの計測値を取得して、前記正常時計測値データベースに格納された正常時計測値と比較して異常パラメータを推定する異常パラメータ推定部と、前記物理モデルを用いて前記異常パラメータから故障機器を推定する故障機器推定部を備えたことを特徴とする。

本発明によれば、プラント計測値に異常が発生した場合に、異常パラメータから故障機器を特定することが可能となる。さらに、診断結果を保守計画に利用可能となる。

機器状態監視システムの構成図である。 プラント計測値の例である。 機器劣化モデルの例である。 機器故障確率データベースの例である。 機器故障記録データベースの例である。 物理モデルの例である。 結果出力画面の例である。 機器状態監視システムによる処理を説明するフローチャートの例の例である。 物理モデルの例である。

以下、実施例を図面を用いて説明する。

図１は、機器状態監視システムの構成図である。

計測値入力部１では、現在のプラント計測値を入力する。例えば、プロセス計算機から圧力、温度などの信号を入力する。図２にプラント計測値の例を示す。

正常時計測値データベース２には、機器が正常なときのプラントの計測値が格納されている。正常時計測値データベース２の例は、図２のプラント計測値の例と同様である。

異常パラメータ推定部３では、計測値入力部１から現在のプラント計測値を入力し、正常時計測値データベース２から正常時のプラント計測値を入力し、両者の比較によって異常の有無とその原因である異常パラメータを推定する。この推定には様々な方法があるが、例えば、マハラノビスタグチ法を用いると、異常の有無と異常パラメータを推定できる。

機器劣化モデルデータベース４には、機器と部位と劣化事象と影響パラメータとの関係である機器劣化モデルが格納されている。機器と部位と劣化事象の関係は、機器ごとに作成されている劣化メカニズム整理表と同等である。これに、パラメータへの影響とを結びつけることによって機器劣化モデルを作成することができる。図３に機器劣化モデルの例を示す。この例では、ポンプＡには部位として軸と羽根車がある。軸には劣化事象として磨耗があり、磨耗が発生した場合には圧力Ａと振動Ａに影響がある可能性がある。また、羽根車には劣化事象としてき裂と腐食があり、き裂が発生した場合には振動Ａに影響がある可能性があり、腐食が発生した場合には流量Ａに影響がある可能性がある。他の機器についても同様の機器劣化モデルがあり、部位、劣化事象とパラメータとが関係付けられている。

機器故障確率データベース５には、機器の故障確率が格納されている。図４に機器故障確率データベース５の例を示す。これは、これまでの運転実績をもとに、各機器の故障発生回数を運転時間で割った値である。なお、以後この故障確率を事前確率という。

機器故障記録データベース６には、これまでの機器の故障記録が格納されている。図５に機器故障記録データベース６の例を示す。機器故障記録には、機器または部位または劣化事象の少なくとも一つと、異常が発生した際に変化が確認されたパラメータ名を含む。一般的には、機器に異常が発生した際の報告書等であり、異常の発生日時、異常の概要、異常の原因、保守作業の対応内容などが文章で記載されている。

故障確率計算部７では、機器故障記録データベース６から機器故障記録を入力し、機器故障の条件付確率を計算する。条件付確率とは、ある事象が発生した場合に、他の事象が発生する確率である。例えば、ポンプＡ故障が１０回発生し、そのうち５回が軸異常である場合、ポンプＡ故障に対する軸異常の条件付確率は０．５である。

物理モデル設定部８では、機器劣化モデルデータベース４から機器劣化モデルを入力し、機器故障確率データベース５から事前確率を入力し、故障確率計算部７から条件付確率を入力し、機器劣化モデルに事前確率と条件付確率を設定し、これを物理モデルとする。図６に物理モデルの例を示す。例えば、図中の「ポンプＡ」はポンプＡの故障を示しており、その確率は１．０×１０^−７である。また、線上の倍率は条件付確率を示しており、「ポンプＡ」故障のうち０．５の確率で「軸」の部位で異常が発生しており、そのうち１．０の確率でその劣化事象が「磨耗」であり、そのうち０．２の確率で「圧力Ａ」の異常が発生することを示している。

故障機器推定部９では、異常パラメータ推定部３から異常パラメータを入力し、物理モデル設定部８から物理モデルを入力し、物理モデルを用いて異常パラメータから故障機器を推定する。なお、本実施例では一つの機器の物理モデルを用い、故障機器と部位と劣化事象を推定する例を説明する。例えば、図６の物理モデルでポンプＡの故障確率１．０×１０^−７のうち、軸の磨耗で振動Ａ異常が発生する確率は３．０×１０^−８である。また、羽根車のき裂で振動Ａ異常が発生する確率は２．０×１０^−８である。したがって、振動Ａの異常確率５．０×１０^−８のうち、軸の磨耗は３．０×１０^−８／５．０×１０^−８＝６０％、羽根車のき裂は２．０×１０^−８／５．０×１０^−８＝４０％の寄与である。今、振動Ａの異常が発生したと仮定すると、どの経路を経由したかの寄与率を計算することによって、その原因を推定することができる。この計算は、物理モデルをベイジアンネットワークの問題とみなすことで計算可能である。

なお、故障機器推定の精度は、機器故障確率データベース５の事前確率と機器故障記録データベース６から計算される条件付確率に依存している。これらのデータベースが十分でない場合には、暫定的な値を代用する。その場合、推定精度は低いが、機器劣化モデルにより故障機器の候補を絞り込むことに利用可能である。またこれらのデータベースは運転実績によって蓄積されていくので、これらのデータを更新していくことで推定精度を向上させることができる。

結果出力部１０では、故障機器推定部９で推定した異常機器をディスプレイなどに出力する。図７に結果出力画面の例を示す。画面には異常パラメータと、そこから推定される機器、部位、劣化事象の異常確率を表示する。例えば、物理モデルで確率の高い経路を強調して示すことができる。または、異常候補の機器、部位、劣化事象を確率の高い順にリスト化するなどの方法がある。

なお、異常パラメータ推定部３、故障確率計算部７、物理モデル設定部８、故障機器推定部９は計算機のプログラムとして実施してもよい。また、正常時計測値データベース２、機器劣化モデルデータベース４、機器故障確率データベース５、機器故障記録データベース６を計算機内に含めた構成としてもよい。

図８は、機器状態監視システムによる処理を説明するフローチャートの例である。

ステップ１０１では、機器故障確率データベース５から、事前確率を取得する。

ステップ１０２では、故障確率計算部７により、条件付確率を計算する。

ステップ１０３では、機器劣化モデルデータベース４から、機器劣化モデルを取得する。

ステップ１０４では、物理モデル設定部８により、機器劣化モデルに事前確率と条件付確率を設定することにより、物理モデルを設定する。

ステップ１０５では、計測値入力部１により、現在のプラント計測値を取得する。

ステップ１０６では、異常パラメータ推定部３により、異常の有無を判定し、異常がある場合にはステップ１０７で異常パラメータを推定する。異常がない場合にはステップ１０４に戻り、プラント計測値の取得を続ける。

ステップ１０８では、故障機器推定部９により、推定した異常パラメータから故障機器を推定する。

ステップ１０９では、結果出力部１０により、故障機器推定結果を出力する。

本発明によれば、プラント計測値に異常が発生した場合に、異常パラメータから故障機器を特定することが可能となる。さらに、診断結果を保守計画に利用可能な機器状態監視システム及び機器状態監視方法を提供することができる。

本実施例は複数の機器の物理モデルを用いて、計測器を含む複数の機器の故障推定をする例について説明する。機器状態監視システムの構成図と処理を説明するフローチャートは実施例１と大凡は同じでり説明は省略する。

複数の機器の物理モデルを組み合わせることで、異常パラメータからどの機器が異常かを推定することができる。また、本実施例では図９に示すように部位と劣化事象を省略して、ポンプＡ、ポンプＢ、弁Ａ、圧力計Ａ、振動系Ａの５つの機器と、圧力Ａ、振動Ａの２つのパラメータとの関係のみを抽出した物理モデルを用いて説明する。

図９の物理モデルの例では、圧力Ａに異常が発生するのは、圧力計Ａに異常がある場合である１．０×１０^−８と、弁Ａに異常が発生した場合のうち４０％である５．０×１０^−８×０.４＝２．０×１０^−８と、ポンプＡに異常が発生した場合のうち１０％である１．０×１０^−７×０.１＝１．０×１０^−８のいずれかである。したがって、これらの和である４．０×１０^−８の確率で圧力Ａに異常が発生する。異常パラメータ推定部３により圧力Ａに異常があることがわかった場合、その原因は各機器の寄与率に等しい。すなわち、圧力計Ａの異常の確率は１．０×１０^−８／４．０×１０^−８＝２５％、弁Ａの異常の確率は５．０×１０^−８×０．４／４．０×１０^−８＝５０％、ポンプＡの異常の確率は１．０×１０^−７×０．１／４．０×１０^−８＝２５％である。同様に、振動Ａに異常がある場合、ポンプＡの異常の確率は５０％、ポンプＢの異常の確率は４０％、振動計Ａの異常の確率は１０％である。

このように、計測器を含む複数の機器の物理モデルを組み合わせることによって、どの機器が異常かを推定することができる。

以上の手順により、プラント計測値に異常が発生した場合に、異常パラメータから故障機器を特定することにより、診断結果を保守計画に利用可能な機器状態監視システム及び機器状態監視方法を提供できる。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、上記の各構成、機能等は、それらの一部又は全部を、例えば集積回路で設計する等により実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。

１：計測値入力部
２：正常時計測値データベース
３：異常パラメータ推定部
４：機器劣化モデルデータベース
５：機器故障確率データベース
６：機器故障記録データベース
７：故障確率計算部
８：物理モデル設定部
９：故障機器推定部
１０：結果出力部

Claims (10)

1. プラント機器が正常なときのプラント計測値を格納した正常時計測値データベースと、
   機器故障時に影響のあるパラメータとの関係をモデル化した機器劣化モデルが格納された機器劣化モデルデータベースと、
   機器の故障確率が格納された機器故障確率データベースと、
   機器の故障記録が格納された機器故障記録データベースとを備え、
   前記機器劣化モデルに前記機器故障確率データベースと前記機器故障記録データベースから計算される確率を設定して物理モデルを設定する物理モデル設定部と、
   プラントの計測値を取得して、前記正常時計測値データベースに格納された正常時計測値と比較して異常パラメータを推定する異常パラメータ推定部と、
   前記物理モデルを用いて前記異常パラメータから故障機器を推定する故障機器推定部を備えたことを特徴とする機器状態監視システム。
2. 請求項１に記載の機器状態監視システムであって、
   前記機器劣化モデルは、機器または部位または劣化事象の少なくとも一つと、影響パラメータとの関係をモデル化したものであることを特徴とする機器状態監視システム。
3. 請求項１又は２に記載の機器状態監視システムであって、
   前記物理モデルは、前記機器故障確率データベースから機器の時間当たりの故障回数である事前確率を計算し、前記機器故障記録データベースから機器故障時にパラメータ異常が発生する確率である条件付確率を計算し、前記機器劣化モデルに事前確率と条件確率を設定することによってベイジアンネットワークとして構成したものであることを特徴とする機器状態監視システム。
4. 請求項１乃至３のいずれか１項に記載の機器状態監視システムであって、
   前記機器故障確率データベース又は前記機器故障記録データベースのいずれかにデータが追加された場合に、前記物理モデルに設定される確率を更新することを特徴とする機器状態監視システム。
5. 請求項１乃至４のいずれか１項に記載の機器状態監視システムであって、
   前記故障機器の推定結果を機器劣化モデルの構成に対応して表示する結果出力部を備えたことを特徴とする機器状態監視システム。
6. プラント機器が正常なときのプラント計測値を格納した正常時計測値データベースと、
   機器故障時に影響のあるパラメータとの関係をモデル化した機器劣化モデルが格納された機器劣化モデルデータベースと、
   機器の故障確率が格納された機器故障確率データベースと、
   機器の故障記録が格納された機器故障記録データベースとを備え、
   前記機器劣化モデルに前記機器故障確率データベースと前記機器故障記録データベースから計算される確率を設定して物理モデルを設定し、
   プラントの計測値を取得して、前記正常時計測値データベースに格納された正常時計測値と比較して異常パラメータを推定し、
   前記物理モデルを用いて前記異常パラメータから故障機器を推定することを特徴とする機器状態監視方法。
7. 請求項６に記載の機器状態監視方法であって、
   前記機器劣化モデルは、機器または部位または劣化事象の少なくとも一つと、影響パラメータとの関係をモデル化したものであることを特徴とする機器状態監視方法。
8. 請求項６又は７に記載の機器状態監視方法であって、
   前記物理モデルは、前記機器故障確率データベースから機器の時間当たりの故障回数である事前確率を計算し、前記機器故障記録データベースから機器故障時にパラメータ異常が発生する確率である条件付確率を計算し、前記機器劣化モデルに事前確率と条件確率を設定することによってベイジアンネットワークとして構成したものであることを特徴とする機器状態監視方法。
9. 請求項６乃至８のいずれか１項に記載の機器状態監視方法であって、
   前記機器故障確率データベース又は前記機器故障記録データベースのいずれかにデータが追加された場合に、前記物理モデルに設定される確率を更新することを特徴とする機器状態監視方法。
10. 請求項６乃至９のいずれか１項に記載の機器状態監視方法であって、
    前記故障機器の推定結果を機器劣化モデルの構成に対応して表示することを特徴とする機器状態監視方法。

Images