JP2020107025A - データ選別装置及び方法、ならびに監視診断装置 - Google Patents

Abstract

【課題】モデル作成を簡便に実現可能なデータ選別装置及び方法、ならびに監視診断装置を提供する。【解決手段】プラント機器Ｇの運転データＤ１を時系列的に記憶する運転データデータベースＤＢ１と、運転データデータベースに記憶する運転データのうち物理・工学的に関連性の高い運転データを入力とし、また物理・工学的に関連性の高い運転データ間の処理属性が設定入力されて、プラント機器の特性を模擬するモデルを作成し、モデルを用いたデータ選別、監視診断を行う。【選択図】図１

Description

本発明は、プラント機器などの特性を模擬するモデルを作成し、かつこれを用いてプラント機器の監視診断を行うことに係り、特にモデル作成を簡便に実現可能なデータ選別装置及び方法、ならびに監視診断装置に関する。

従来から各種のプラントにおいては、プラントやプラント機器（以下これらを総称してプラント機器ということにする）のモデルを作成し、これをプラントの制御に利用し、あるいはプラント機器の監視診断に応用している。

このうち、プラント機器のモデルを作成する点に関し、特許文献１ではプラント機器の機器情報を初期モデルのパラメータに反映させて初期プラントモデルを構築し、その後の運転データのときの初期プラントモデルの出力の乖離度からモデルパラメータを調整することを提案している。

また作成したモデルを用いてプラント機器の監視診断を行うことについて、特許文献２などが知られている。

さらにモデルを作成する手法として、ＡＩ手法を用いること、機械学習手法を利用することなどが知られている。

特開２０１３−１０９７１１号公報 特開２０１８−１０９８５１号公報

特許文献１に記載のプラント機器のモデル作成手法によれば、機器情報から設定可能なパラメータ数は限定的であり、モデル精度向上までに多大の経験、運転時間を必要とし、かつモデル化の対象機器が大型、複雑なものである場合には、モデルおよびモデル作成装置自体が大型化し、演算処理時間が長期化することが避けられない。

また特許文献２に記載のプラント機器の監視診断によれば、一般的に監視対象機器の監視項目は複数、多岐にわたるものが多く、１台の監視診断装置により多項目の監視診断を行うことが望まれるが、このときにもモデルおよびモデル作成装置自体が大型化することが避けられない。

さらに高精度モデルを作成するには、使用するデータは高精度である必要があり、また簡便にモデル作成できるものであることが望まれる。

以上のことから本発明においては、モデル作成を簡便に実現可能なデータ選別装置及び方法、ならびに監視診断装置を提供することを目的とするものである。

以上のことから本発明においては、「プラント機器からの運転データを選別するためのデータ選別装置であって、プラント機器の運転データを時系列的に記憶する運転データデータベースと、運転データデータベースに記憶する運転データのうち物理・工学的に関連性の高い運転データを入力とし、また物理・工学的に関連性の高い運転データ間の処理属性が設定入力されて、プラント機器の特性を模擬するモデルを作成し、モデルを用いて運転データの異常値を除外して正常値による正常値データデータベースを形成する学習部とを備えていることを特徴とするデータ選別装置。」としたものである。

また本発明においては、「プラント機器の特性を模擬するモデルを作成するためのデータ選別方法であって、時系列的なプラント機器の運転データのうち物理・工学的に関連性の高い運転データと、物理・工学的に関連性の高い運転データ間の処理属性を用いて、プラント機器の特性を模擬するモデルを作成し、モデルを用いて運転データの異常値を除外して正常値を得ることを特徴とするデータ選別方法。」としたものである。

また本発明においては、「データ選別装置が作成した正常値データデータベースを使用して、運転データデータベースの運転データを検証するための監視診断装置であって、運転データデータベースの運転データと正常値データデータベースの運転データを比較して、その差異を評価したデータによる判定・評価結果データベースを形成することを特徴とする監視診断装置。」としたものである。

また本発明においては、「プラント機器を監視する監視診断装置であって、プラント機器の運転データを時系列的に記憶する運転データデータベースと、プラント機器の運転データの正常値が記憶された正常値データデータベースと、運転データデータベースに記憶された運転データと、正常値データデータベースに記憶された正常値データと、物理・工学的に関連性の高い運転データ間の処理属性とが設定入力されて、プラント機器の特性を模擬するモデルを作成し、モデルを用いて運転データデータベースの運転データと正常値データデータベースの正常値データを比較して、その差異を評価したデータによる判定・評価結果データベースを形成する判定・評価部を備えることを特徴とする監視診断装置。」としたものである。

本発明によればモデル作成を簡便に実現可能なデータ選別装置及び方法、ならびに監視診断装置を提供することができる。

実施例１に係るデータ選別装置２の全体構成例を示す図。 モデル化の対象機器として火力発電プラントの発電機を選択した場合について示す図。 取扱データＳにより指定された入出力関係のある運転データＤ１とその処理属性の一例を示す図。 回転電機に関係する電気にとって物理・工学的に関連性の高いパラメータＤ１１の事例を示す図。 回転電機に関係する振動にとって物理・工学的に関連性の高いパラメータＤ１２の事例を示す図。 回転電機に関係する振動にとって物理・工学的に関連性の高いパラメータＤ１２の事例を示す図。 回転電機に関係する振動にとって物理・工学的に関連性の高いパラメータＤ１２の事例を示す図。 回転電機に関係する振動にとって物理・工学的に関連性の高いパラメータＤ１２の事例を示す図。 回転電機に関係する温度にとって物理・工学的に関連性の高いパラメータＤ１３の事例を示す図。 回転電機に関係する温度にとって物理・工学的に関連性の高いパラメータＤ１３の事例を示す図。 回転電機に関係する温度にとって物理・工学的に関連性の高いパラメータＤ１３の事例を示す図。 回転電機に関係する温度にとって物理・工学的に関連性の高いパラメータＤ１３の事例を示す図。 実施例２に係る発電機の監視診断装置の構成事例を示す図。 判定、評価結果データベースＤＢ３の記録内容例を示す図。 実施例３に係るプラント機器の監視診断装置の構成事例を示す図。 異常予兆、異常事象関連情報データベースＤＢ４の記録内容例を示す図。 診断結果データベースＤＢ５の記録内容例を示す図。 実施例４に係るプラント機器の監視診断装置の構成事例を示す図。 紙形式での異常、異常予知検知報告書７０の作成事例を示す図。

以下、本発明の実施例について図面を用いて説明する。

実施例１においては、データ選別装置及び方法について説明するが、これに先立ち、図２を用いてモデル化の対象機器として発電プラントの発電機を選択した場合について説明する。

図２の火力発電プラント１は、ボイラＢ，タービンＴ，発電機Ｇを主要機器として構成されており、さらに大型の補機としてボイラ補機Ｂ１，タービン補機Ｔ１，発電機補機Ｇ１、復水器Ｃ，発電機励磁回路Ｇ２などを備えている。また図２には記述していないが、発電プラント１内外に設置された各種のセンサから各種のプロセス量や、状態量などが検知されており、これらの運転データＤ１がデータ選別装置２に取り込まれている。なお運転データＤ１には、センサが直接検知した情報以外に、推定や同定処理により求めた情報も含むものとする。

図１は、本実施例に係るデータ選別装置２の全体構成例を示している。なお多くの場合にデータ選別装置２は、計算機装置により実現されている。

まず発電プラント１からの運転データＤ１は、データ名Ｄ１ａと計測値Ｄ１ｂと計測時刻Ｄ１ｃが対にされた時系列情報として運転データデータベースＤＢ１に格納される。なおモデル化の対象機器として発電機Ｇを選択する場合には、少なくとも発電機補機Ｇ１、発電機励磁回路Ｇ２、さらには発電機Ｇが接続される電力系統についての運転データＤ１が取り込まれており、そのほかのプラント各部部位の運転データＤ１を取り込むものであってもよい。

図１のデータ選別装置２では、モデル設計者Ｍは、モデル化対象機器についてのモデル化の観点を予め定めておく。この事例では発電機Ｇについて電気的特性、振動的特性、温度的特性の３つの観点からのモデル化を行っている。このため図２のデータ選別装置２は、モデルを作成する学習部として、電気的特性学習部Ｓｔ１、振動的特性学習部Ｓｔ２、温度的特性学習部Ｓｔ３を備える。

なおモデル化対象機器が発電機Ｇなどの回転電機でない場合におけるモデル化の観点は、モデル化対象機器に応じて適宜最適な観点のものとされることは言うまでもない。また図１の実施例の構成では、モデル化の観点毎に、学習部として電気的特性学習部Ｓｔ１、振動的特性学習部Ｓｔ２、温度的特性学習部Ｓｔ３を備える構成例を示しているが、計算機装置で構成するものであるので、各学習部の機能が切替処理され、時間分割されて処理されるものであってもよいことは言うまでもない。

またモデル設計者Ｍは、端末Ｔｍを用いて、各学習部Ｓｔでの取扱データＳを設定する。ここで取扱データＳとは、電気的特性学習部Ｓｔ１が使用する運転データＤ１１とその処理属性、振動的特性学習部Ｓｔ２が使用する運転データＤ１２とその処理属性、温度的特性学習部Ｓｔ３が使用する運転データＤ１３とその処理属性を設定したものである。なお取扱データＳの設定処理は、直接データ入力する方式以外に、適宜のデータベースを参照して取扱データＳとして定義するものであってもよい。

取扱データＳの概念について一般的な事例で述べると、発電プラント１からの運転データＤ１のなかには、入出力の相関を示すものがあり、入力変数をｘ、出力変数をｙで表したときにｙ＝ａ１ｘ１ｍ１＋ａ２ｘ２ｍ２＋ａ３ｘ３ｍ３で示される関係があったとする。この場合に、取扱データＳにおける運転データＤ１１、Ｄ１２、Ｄ１３とは、物理的、工学的に相関を有する入力変数ｘと、出力変数ｙである。

また、ａ１、ａ２、ａ３は入力変数ｘ１、ｘ２、ｘ３に付与する重み（パラメータ）であり、ｍ１、ｍ２、ｍ３は入力変数ｘ１、ｘ２、ｘ３が取扱データＳにおける処理属性である。本発明において処理属性とは、入力変数ｘ１、ｘ２、ｘ３の処理指針であり、例えば入力変数ｘ１、ｘ２、ｘ３に対するべき乗、積分、微分、平均、偏差、四則演算、フーリエ変換、ラプラス変換、指数関数、平方根、対数関数、階乗、階差などの物理的、工学的に適切な演算処理を施すことを意味するものである。

なお本発明のデータ選別装置２においては、最初に、ごく簡便な例では、ｙ＝ａ１ｘ１ｍ１＋ａ２ｘ２ｍ２＋ａ３ｘ３ｍ３で示される関係を示すモデルを複数構築しモデル群を構成しようとしている。そして次の段階において、モデルを用いて運転データの中から正常値を示す運転データのみを選別する処理を実行する。ここでモデル構築の場合にまだ求められていない未知数は、入力変数ｘ１、ｘ２、ｘ３に付与する重みａ１、ａ２、ａ３であり、各学習部Ｓｔでは取扱データＳにより、選択入力された時系列的な運転データ（運転データＤ１１、Ｄ１２、Ｄ１３として、物理的、工学的に相関を有する入力変数ｘと、出力変数ｙ）を用いて、未知値である重みａ１、ａ２、ａ３を推定する処理を行うことになる。

本発明におけるモデル設計者Ｍは、発電プラントの複数の運転データＤ１間における入出力の物理的、工学的な相関関係を理解しており、出力変数ｙとする運転データと、入力変数ｘとする運転データとその処理属性の組み合わせを、取扱データＳとして例えば端末Ｔｍを用いて設定する。これらの設定は、電気的特性、振動的特性、温度的特性のそれぞれについて、把握しているものを可能な範囲ですべて設定する。この設定結果としての組み合わせは、例えば各学習部（電気的特性学習部Ｓｔ１、振動的特性学習部Ｓｔ２、温度的特性学習部Ｓｔ３）に記憶される。

なお図２において、電気的特性学習部Ｓｔ１が使用する運転データＤ１１、振動的特性学習部Ｓｔ２が使用する運転データＤ１２、温度的特性学習部Ｓｔ３が使用する運転データは、取扱データＳにより指定された入出力関係のある運転データＤ１が各学習部（電気的特性学習部Ｓｔ１、振動的特性学習部Ｓｔ２、温度的特性学習部Ｓｔ３）に取り込まれることを表している。

図３は、取扱データＳにより指定された入出力関係のある運転データＤ１とその処理属性の一例を示す図である。図３の上段は電気的特性学習部Ｓｔ１が使用する運転データＤ１１とその処理属性、図３の中段は振動的特性学習部Ｓｔ２が使用する運転データＤ１２とその処理属性、図３の下段は温度的特性学習部Ｓｔ３が使用する運転データＤ１３と処理属性の一例をそれぞれ示している。

なお、運転データＤ１１とその処理属性は、図３上段に図示の上から皮相電力がＵ，Ｖ，Ｗの３相の相間電流により求まること、有効電力がＵ，Ｖ，Ｗの３相の相間電圧により求まること、有効電力が皮相電力により求まることの関係を記述している。これらは回転電機及び回転電機補機が関与する電気部分について、物理、工学的に関連性の高い状態の一例を逐次列挙記述したものである。

運転データＤ１２とその処理属性は、図３中段に図示の上から回転電機及び回転電機補機が関与する振動部分について、上から駆動側の軸振動に励起されて回転電機の軸振動が発生するという物理、工学的な関係性１、機内温度上昇による軸温度上昇を起因とした軸の熱伸びアンバランスで回転電機の軸振動が発生するという物理、工学的な関係性２、過大な軸振動により異常な軸受振動が発生するという物理、工学的な関係性３を逐次列挙記述したものである。

運転データＤ１３とその処理属性は、図３下段に図示の上から回転電機及び回転電機補機が関与する熱部分について、上から固定子コイルは機内冷媒によって冷却されるという物理、工学的な関係性１、固定子コアは機内冷媒によって冷却されるという物理、工学的な関係性２、回転子コイルは機内冷媒によって冷却されるという物理、工学的な関係性３を逐次列挙記述したものである。

なお図３の例では処理属性ｍが空欄の事例が示されているが、入力変数ｘに対してべき乗、積分、微分、平均、偏差、四則演算、フーリエ変換、ラプラス変換、指数関数、平方根、対数関数、階乗、階差などの物理的、工学的に適切な演算処理を行う場合には、適宜その旨の情報が記述されることになる。また図３の例では明示されていないが、出力変数ｙが複数の入力変数ｘから求められる場合の算出式についても同様に表現、記述されていることは言うまでもない。

かくして各学習部（電気的特性学習部Ｓｔ１、振動的特性学習部Ｓｔ２、温度的特性学習部Ｓｔ３）には、物理、工学的な関係性、関連性が高いとされた運転データＤ１１、Ｄ１２，Ｄ１３とその処理属性の情報ｍが、時系列情報として与えられることになる。

ここでモデルは、先の事例では、ｙ＝ａ１ｘ１ｍ１＋ａ２ｘ２ｍ２＋ａ３ｘ３ｍ３で示される関係を示すものであり、学習部（電気的特性学習部Ｓｔ１、振動的特性学習部Ｓｔ２、温度的特性学習部Ｓｔ３）には、このうち入力変数ｘ１、ｘ２、ｘ３と出力変数ｙと処理属性ｍ（例えばべき乗、積分、微分、平均、偏差、四則演算、フーリエ変換、ラプラス変換、指数関数、平方根、対数関数、階乗、階差などの物理的、工学的に適切な演算処理）が与えられていることから、学習部Ｓｔでの処理により残りの重み（パラメータ）ａ１、ａ２、ａ３を決定すれば、モデルが構築できたことになる。

学習部（電気的特性学習部Ｓｔ１、振動的特性学習部Ｓｔ２、温度的特性学習部Ｓｔ３）では、与えられた運転データＤ１１、Ｄ１２，Ｄ１３の時系列情報から、重み（パラメータ）ａ１、ａ２、ａ３を決定するが、このための具体的手段の一例として重回帰分析処理により求めることができる。重回帰分析処理によれば、計測時点の異なる複数のデータ群が示す傾きとして重み（パラメータ）ａ１、ａ２、ａ３を決定することができる。

次に学習部Ｓｔでは、作成したモデルに運転データＤ１１、Ｄ１２，Ｄ１３を適用し、モデルに与えた運転データＤ１１、Ｄ１２、Ｄ１３とモデル出力との間でのデータ群による篩い分けにより、異常値データと正常値データを区別する。例えばモデル出力と対応するモデル入力が合致しない（所定以上の差異を生じる）ことをもって、モデル入力を除外し、正常値のみを抽出する。さらに抽出した正常値を再度モデル入力として与え、再度の篩い分けをデータが安定するまで繰り返し実行することで、最終的に正常値データのみを抽出する。

かくして学習部Ｓｔの演算では、統計学的手法（データの性質や規則性／不規則性を見出し、モデルを作成する手法）及び／又は機械学習（反復処理を通じてアルゴリズム自体が自動的にデータから学習しモデルを作成する手法）／又は深層学習（次元圧縮を行い変数間の関係性を抽出し、出力に入力と同じデータを与え、出力が入力を再現（再構成）するよう学習しモデルを作成する手法）にて、火力発電所運転により火力発電所各機器の計測器及び／又は演算機から伝送される実測値に対して学習データ（正常なデータ）における正常値データを作成することも可能である。

なお本発明において、重み（パラメータ）ａ１、ａ２、ａ３を決定する手法は、上記に限定されるものではなく適宜のものが採用可能である。なお、統計学的手法、機械学習又は深層学習を実行するにあたり必要となる各種の閾値については、別途設計がされ、学習部Ｓｔの演算に反映されているものとする。

上記学習部（電気的特性学習部Ｓｔ１、振動的特性学習部Ｓｔ２、温度的特性学習部Ｓｔ３）の処理により求められた重み（パラメータ）ａ１、ａ２、ａ３の情報は、他の情報（入力変数ｘ、出力変数ｙ、処理属性ｍ）とともに、正常値データデータベースＤＢ２（電気的特性正常値データデータベースＤＢ２１、振動的特性正常値データデータベースＤＢ２２、温度的特正常値データデータベースＤＢ２３）にそれぞれ格納される。別な言い方をすると、個々の正常値データデータベースＤＢ２１、ＤＢ２２，ＤＢ２３の記憶内容は、運転データデータベースＤＢ１の記憶内容を取扱データＳに従って取り出した運転データおよび取扱データＳに、さらに学習部Ｓｔで求めた重み（パラメータ）ａ１、ａ２、ａ３を含めて構成されたデータベースであって、運転データが正常値により構成されたデータベースということができる。

図1には、正常値データデータベースＤＢ２の構成例を示している。正常値データデータベースＤＢ２の構成は、基本的に運転データデータベースＤＢ１の構成と同じであり、正常値データＤ２は、データ名Ｄ２ａと計測値Ｄ２ｂと計測時刻Ｄ２ｃが対にされた時系列情報として正常値データデータベースＤＢ２に格納される。なお正常値データデータベースＤＢ２には、そのほかの情報として、学習部Ｓｔで求めた重み（パラメータ）ａ１、ａ２、ａ３の情報などを含んでいてもよい。ただし、図１の図示においては、正常値データデータベースＤＢ２の一部が異常値データとして削除されたことを表記している。

上記一連の処理を通じて正常値データデータベースＤＢ２には正常値データＤ２のみで構築されていることが重要であるため、本発明においては正常値データＤ２（電気的特性正常値データＤ２１、振動的特性正常値データＤ２２、温度的特正常値データＤ２３）のみを選別するための以下の対応を個別に実行するのがよい。

正常値データＤ２とするための第一の対応は、プラントからセンサ信号を入力する段階での篩い分けであり、モデル化に不要な成分である例えば高調波成分を除去するなどの前段階処理を実行する。

正常値データＤ２とするための第二の対応は、運転データデータベースＤＢ１に記憶された長期間のデータの中から、モデル作成に反映させるデータ期間を選定することであり、モデル設計者Ｍにより指定された正常運転期間のデータのみによる学習を行わせることである。

正常値データＤ２とするための第三の対応は、学習部Ｓｔ内における処理として公知の分析手法を利用した異常データの除外処理を行うことである。本発明で適用可能な分析手法としては、Graham J.G. Upton and Ian Cook共著, Oxford University Pressが 2008年に発行した ”A Dictionary of Statistics, Second Edition”及び Cambridge University Press発行の“Cambridge Dictionary of Statistics”などの文献に記載された統計学的手法、又は、機械学習や深層学習による手法が有用であり、これらの手法を単独または組み合わせて実現することができる。本発明においては、異常値が除外され正常値のみが選別できるものであれば、前記文献に記載された手法に限られないことは言うまでもなく、またその手法を問わない。

上記により正常値データデータベースＤＢ２に記憶される運転データは、正常値データＤ２のみによりデータ構成されている。正常値データデータベースＤＢ２のうち電気的特性正常値データデータベースＤＢ２１には、発電機の電気的特性に関する正常値データＤ２１が、振動的特性正常値データデータベースＤＢ２２には、発電機の振動的特性に関する正常値データＤ２２が、温度的特正常値データデータベースＤＢ２３には、発電機の温度的特性正常値データＤ２３が記憶されている。

なお、正常値データデータベースＤＢ２に記憶された正常値データＤ２は、その後学習部Ｓｔにおけるモデル作成に繰り返し反映されることで、より高精度のモデル作成に貢献している。これによりモデルにより表現される特性を表す重みの情報がより正確に算出できることになる。

このように、モデル化の観点が網羅的に選定され、各観点でのモデル作成、データ選別処理が、それぞれの技術分野が専門のモデル設計者Ｍにより実行されて行くことで、個々の部分のモデル化及びデータ選別が容易に行われるばかりではなく、発電機全体としての総合的なモデル化及びデータ選別を可能とすることができる。かつ各観点でのモデル化は、これを実行する計算機負荷を軽減する環境下で短時間に高精度に実現が可能となっている。

以上本発明の実施例１に係るデータ選別装置及び方法においては、プラント機器に関係する物理・工学的に関連性の高いパラメータのみを入力とし、さらにそれらのパラメータに対して物理・工学的な関係性に基づく処理属性（べき乗、積分、微分、平均、偏差、四則演算、フーリエ変換、ラプラス変換、指数関数、平方根、対数関数、階乗、階差などの物理的、工学的に適切な演算処理）を設定しておき、学習などの適切な演算処理を施すことで、プラント機器のモデル化を行うものである。さらにそのうえで本発明の実施例１においては、モデル化対象であるプラント機器に対して、対象機器ごとのモデル化観点に分割してモデル形成するのがよいとしている。

図４は、図２に示す一般的な火力発電プラントにおける運転データＤ１（パラメータ）のうち、発電機などの回転電機及び回転電機補機に関係する電気的特性にとって物理・工学的に関連性の高いパラメータＤ１１（例えば、有効電力、無効電力、力率、電機子電流、電機子電圧、界磁電流、界磁電圧、回転数など）を例示している。

図５ａ、図５ｂ、図５ｃ，図５ｄは、図２に示す一般的な火力発電プラントにおける運転データＤ１（パラメータ）のうち、発電機などの回転電機及び回転電機補機に関係する振動的特性にとって物理・工学的に関連性の高いパラメータＤ１２（例えば、有効電力、無効電力、力率、電機子電流、電機子電圧、界磁電流、界磁電圧、回転数、軸振動、軸受振動など）を例示している。

図６ａ、図６ｂ、図６ｃ、図６ｄは、図２に示す一般的な火力発電プラントにおける運転データＤ１（パラメータ）のうち、発電機などの回転電機及び回転電機補機に関係する温度的特性にとって物理・工学的に関連性の高いパラメータＤ１３（有効電力、無効電力、力率、電機子電流、電機子電圧、界磁電流、界磁電圧、回転数、固定子コイル温度、回転子コイル温度、機内冷媒温度など）を例示している。

なお実施例１においては、火力発電プラントの発電機をモデル作成及びデータ選別の対象機器とした例を説明したが、対象機器が発電機、あるいは火力発電プラントに限定されないことは言うまでもない。

対象機器がモデル作成及びデータ選別の観点ごとに学習されて、その観点に特化されたモデル及びデータ選別を形成し、さらには複数観点でのモデルを組み合わせることで対象機器の総合的なモデル及びデータ選別とすることが可能である。

実施例２においては、実施例１で作成した正常値データデータベースＤＢ２を用いて対象機器の監視診断を行うことについて説明する。特に対象機器からの運転データＤ１を評価することについて説明する。

図７は、実施例２に係るプラント機器の監視診断装置の構成事例を示した図である。実施例２の監視診断装置３は、監視の対象機器である例えば発電機Ｇ及びその周辺機器Ｇ１，Ｇ２における計測データを蓄積した運転データデータベースＤＢ１からの運転データＤ１と、図１に示した正常値データデータベースＤＢ２に登録された正常値データＤ２、重みaと、誤差が正常範囲であることを識別するための閾値を記録した閾値リスト、並びに取扱データＳを入力としている。なおこの場合に、正常値データデータベースＤＢ２は、総合特性モデルを示す正常値データデータベースＤＢ２であっても、あるいは電気的特性、振動的特性、温度的特性についての個別の正常値データデータベースＤＢ２１、ＤＢ２２，ＤＢ２３のいずれであってもよい。取扱データＳは実施例１で説明したものと同様のものであり、ここでの説明は省略する。以下の例では、格別の事情がない限り総合特性モデルを示す正常値データデータベースＤＢ２を例示する。

なお、正常値データデータベースは必ずしも実施例１で作成した正常値データデータベースＤＢ２に限定されるものではなく、他の装置や方法により作成されたものを利用しても良い。

また、図７では運転データデータベースＤＢ１と正常値データデータベースＤＢ２とを個別のデータベースとして記載しているが、運転データデータベースＤＢ１と正常値データデータベースＤＢ２とを構造上共通化しても良い。例えば、運転データデータベースＤＢ１内の運転データのうち正常値を示す運転データにフラグ付けをしたり、時系列に格納された運転データのうち正常値を示す期間を指定したりすることにより、一つのデータベースを運転データデータベースＤＢ１及び正常値データデータベースＤＢ２として機能させても良い。

なお図７の構成において正常値データデータベースＤＢ２に登録された情報は、対象機器が例えば設置当初の状態で入手された運転データをもとに作成されており、運転データデータベースＤＢ１に登録された情報は、運転経験を経た同一対象機器における直近の運転データを表している。従って、ここでは、同一対象機器の正常に近い状態を基準として、直近の状態を評価しようとしている。

また、正常値データデータベースＤＢ２に登録された情報は、対象機器間の特性に十分な相関が有る場合、必ずしも同一対象機器の正常値データを登録したものではなく、例えば同型機や類似機の正常値データを登録したものでも良い。また、運転データデータベースＤＢ１に登録された情報は、必ずしも直近の運転データである必要は無く、例えば過去の運転データを直近の運転データから抽出した正常値データを用いて評価しても良い。

計算機で構成された監視診断部３０内部の判定・評価部３１では、データ選別装置２で作成した正常値データＤ２（正常値データデータベースＤＢ２）を評価データ（異常予兆及び／又は異常の有無を確認したいデータ）の実測値に反映した予測値に対する実測値の差異、及び／又は、各パラメータにおける正常モデルと実測データ間の相関関係の差異が、任意の閾値をどれくらい超過するかによって回転電機及び／又は回転電機補機の異常予兆、及び／又は、異常のレベルを判定、及び／又は、評価する。

あるいは、監視診断部３０内部の判定・評価部３１では、学習データ（正常なデータ）と評価データ、及び／又は、１台の回転電機及び／又は回転電機補機における計測対象が類似し単位が同じである複数のパラメータの実測データ、及び／又は、類似した複数台の異なる回転電機及び／又は回転電機補機間における計測対象が類似し単位が同じであるパラメータの実測データなどのデータの差異が、任意の閾値をどれくらい超過するかによって回転電機、及び／又は、回転電機補機の異常予兆、及び／又は、異常のレベルを判定、及び／又は、評価する。

実施例１の正常値データＤ２とするための第三の方法として説明した各種手法を単独、又は組み合わせて判定・評価することもできる。

監視診断部３０内部の判定・評価部３１における上記処理は、これをごく単純に言うと、同じ運転条件、同じ入力パラメータの時に正常値データと実際に計測により求めた値とがどの程度類似し、あるいは乖離しているかを評価して異常、あるいは異常レベルを判定したものであるということができる。なお、類似、解離の度合いを判定するために閾値リストから適宜の閾値が与えられている。これらの閾値の考え方の中には、ＭＴ法などの統計学的手法を採用するときの正常範囲からの乖離度を示す閾値などを含んで構成されていてもよい。

なお、監視診断部３０内部の判定・評価部３１における上記処理を行うにあたり、取り扱いデータＳを入力とすることにより、実際に比較対象とする２つのデータベースＤＢ１，ＤＢ２からの対応するデータを特定している。

監視診断部３０内部の判定・評価部３１における上記処理例をより具体的に説明すると、以下のようである。まず正常値データデータベースＤＢ２内には、正常値データとして入力変数ｘと出力変数ｙの時系列情報が記録されており、さらにこれらの間のおもみｍ、並びに処理属性の情報が含まれている。また運転データデータベースＤＢ１には、運転データとして入力変数ｘと出力変数ｙの時系列情報が記録されている。

監視診断部３０内部の判定・評価部３１における最初の処理では、正常値データデータベースＤＢ２の側について、ｙｎ＝ａ１ｘ１ｍ１＋ａ２ｘ２ｍ２＋ａ３ｘ３ｍ３を計算する。入力変数ｘ１、ｘ２、ｘ３は正常値データ、ｍ１、ｍ２、ｍ３は最初に与えられた処理属性、ａ１、ａ２、ａ３は学習部での学習により求めた重みであり、この計算により求めた出力変数ｙｎを基準値として取り扱う。

監視診断部３０内部の判定・評価部３１における次の処理では、運転データデータベースＤＢ１の側について、ｙｄ＝ａ１ｘ１´ｍ１＋ａ２ｘ２´ｍ２＋ａ３ｘ３´ｍ３を計算する。入力変数ｘ１´、ｘ２´、ｘ３´は運転データデータベースＤＢ１からの運転データ、ｍ１、ｍ２、ｍ３は最初に与えられた処理属性、ａ１、ａ２、ａ３は学習部での学習により求めた重みであり、この計算により求めた出力変数ｙｄを比較値として取り扱う。 監視診断部３０内部の判定・評価部３１における最後の処理では、比較値である出力変数ｙｄを基準値である出力変数ｙｎにより評価する。例えばその差異を、誤差が正常範囲であることを識別するための閾値を記録した閾値リストを参照して評価する。

なお監視診断装置３内部の判定・評価部３１における上記処理は、逐次計測した運転データＤ１に対してオンライン評価してもよいし、一度運転データデータベースＤＢ１に蓄積した運転データに対してオフライン評価してもよい。また、データの比較は逐一の時刻のデータで行う方法もあるが、時系列的な一連のデータ群についての統計的な手法による比較を行うものであってもよい。

判定・評価部３１による判定結果は、判定、評価結果データベースＤＢ３に判定、評価結果データＤ３として記録される。図８は、判定、評価結果データベースＤＢ３の記録内容例を示した図である。

図８の記録事例では、運転データ（パラメータ）Ｄ３２について、計測時刻Ｄ３１（あるいは差異発生時刻）と、差異を評価した評価手法Ｄ３３（ここでは統計的手法）と、その時の閾値Ｄ３４と、閾値との差異Ｄ３５が一覧表示される形で記録している。ただし、差異評価が適切に機能しなかった場合には、その旨（図示の例では、Ｎｏｔ ａｐｐｌｉｃａｂｌｅ）を記録する。

実施例２のプラント機器の監視診断装置によれば、データ選別装置２により作成された正常値データを用いて運転データを評価することで、容易に、及び／又は、高信頼性の異常予兆・異常判定、及び／又は、評価を実施することが可能になる。

実施例２による効果は、以下のようである。まず、監視対象機器の信頼性向上、あるいは予防保全に貢献することができる。

監視対象機器である回転電機の異常予兆及び／又は異常のレベルが判定、及び／又は、評価できると、発電所のデータ分析員が不要又は最小限の人数でも回転電機運転が可能になる。

回転電機の異常予兆及び／又は異常のレベルが判定、及び／又は、評価できると、異常予兆及び／又は異常が無い及び／又はレベルが低い場合、回転電機の定期点検の間隔を延ばすことが可能になる。

回転電機の異常予兆及び／又は異常のレベルが判定、及び／又は、評価できると、異常予兆及び／又は異常がある及び／又はレベルが高い場合、異常予兆及び／又は異常がある及び／又はレベルが高い発生事象の進展を予測し、計画的に発電所を停止し点検を実施することが可能になる。予期しない計画外停電を防ぐことが可能になる。

回転電機の異常予兆及び／又は異常のレベルが判定、及び／又は、評価できると、異常予兆及び／又は異常がある及び／又はレベルが高い場合、適切な時期及び／又は適切な員数及び／又は量及び／又は適切な部品及び／又は機器を準備及び／又は交換することが可能になる。

回転電機の異常予兆及び／又は異常のレベルが判定、及び／又は、評価できると、異常予兆及び／又は異常がある及び／又はレベルが高い場合、予期しない停電や回転電機子及び／又は地絡や大きな短絡事故といった最悪の事態を未然に防ぐことが可能になる。

なお実施例２の図7によれば、図１の学習部Ｓｔ１で作成した重みｍ及び、正常値データＤ２を用いて判定・評価部３１で基準値ｙｎを作成しているが、正常値データＤ２による学習部を判定・評価部３１内に構成し、ここで求めた正常値データＤ２により学習を行いモデル結果としてのおよび重みｍを算出し、基準値ｙｎを作成するものであってもよい。

実施例３においては、実施例２で作成した評価判定結果を用いて対象機器の監視診断を行うことについて説明する。特に対象機器における異常事象の診断結果を特定することについて説明する。

図９は、実施例３に係るプラント機器の監視診断装置の構成事例を示した図である。実施例３の監視診断装置４は、監視の対象機器である例えば発電機Ｇ及びその周辺機器Ｇ１，Ｇ２における運転データについて実施例２で求めた判定・評価結果データベースＤＢ３からの判定・評価結果データＤ３を監視診断部４０に取り入れている。また実施例３の監視診断装置４は、図１０に例示する異常予兆、異常事象関連情報データベースＤＢ４から異常予兆、異常事象関連情報Ｄ４を監視診断部４０に取り入れている。

異常予兆、異常事象関連情報データベースＤＢ４にあらかじめ準備された異常予兆、異常事象関連情報Ｄ４は、異常予兆や異常事象についての複数の事象が連鎖的に発生する場合における発生順序Ｄ４１、発生事象Ｄ４２，パラメータＤ４３，閾値Ｄ４４，当該異常に対する保全策である推奨事項Ｄ４５などである。これによれば、異常の進展順序（ａ−１，ａ−２，ａ−３，ａ−４，ａ−５，ａ−６の順序）や、次に生じるであろう異常の事象内容や、現状での対応策などが網羅的に記述されている。

監視診断部４０の診断部では、まず実施例２で求めた判定・評価結果データベースＤＢ３を参照して、運転データ（パラメータ）Ｄ３２における閾値との差異を逐次読み出し、次に異常予兆、異常事象関連情報データベースＤＢ４を参照する。この時、運転データ（パラメータ）Ｄ３２に紐づけされたパラメータＤ４３により、当該閾値との差異を生じさせている事象として、発生事象の特定、さらには異常の進展程度、推奨策などの情報を入手し、これらを診断結果データベースＤＢ５に診断結果データＤ５として登録する。

図１１は、このようにして求められた診断結果データＤ５の一例を示している。診断結果データＤ５に登録される情報は、一部異常予兆、異常事象関連情報Ｄ４と重複するが、具体的に異常が特定されたプラント機器における異常の確定情報として順次整理されたものである。診断結果データＤ５は、検知事象件数Ｄ５１，異常予兆や異常事象についての複数の事象が連鎖的に発生する場合における発生順序Ｄ５２、発生事象Ｄ５３，パラメータＤ５４，閾値Ｄ５５，当該異常に対する結果Ｄ５６などである。

このように実施例３においては、異常予兆及び／又は異常のレベル別に、異常値を検出したパラメータ及び異常レベルに対応した異常事象をまとめた異常予兆、異常事象関連情報データベースＤＢ４を備えており、判定・評価結果データＤ３に基づいて推定原因及び／又は発生事象推定進展フロー及び／又は推奨事項が特定できる。

実施例３によれば、プラント機器の異常予兆及び／又は異常のレベル別に推定原因及び／又は発生事象推定進展フロー及び／又は推奨事項が提示されると、発電所のデータ分析員が不要又は最小限の人数でのプラント運転が可能になる。

実施例４においては、実施例３で求めた診断結果を用いて対象機器の監視診断を行うことについて説明する。特に対象機器における異常予知、異常事象の検知報告書を作成することについて説明する。

図１２は、実施例４に係るプラント機器の監視診断装置の構成事例を示した図である。実施例４の監視診断装置４は、監視の対象機器である例えば発電機Ｇ及びその周辺機器Ｇ１，Ｇ２における運転データについて、実施例３で求めた診断結果データベースＤＢ５からの診断結果データＤ５を監視診断部５０に取り入れている。また実施例４の監視診断装置５は、モデル設計者Ｍが端末Ｔｍのキーボードなどの入力装置（図示せず）を用いて指示した出力ファイルフォーマット６０の情報を監視診断部５０に取り入れている。

なお出力ファイルフォーマット６０における表示上の指示事項としては、例えば発生事象、推定される推定原因、その場合の対策である推奨事項を外部出力することを要望したものである。

監視診断部５０内の診断結果まとめ部においては、出力ファイルフォーマット６０における表示上の指示事項に沿って、診断結果データベースＤＢ５に登録されている診断結果データＤ５のうち、必要事項を抽出して異常、異常予知検知報告書７０を作成し、外部出力する。外部出力は、モニタ画面への表示、紙出力などで行われる。図１３は、例えば紙形式での異常、異常予知検知報告書７０の作成事例である。

実施例４では、このようにして異常予兆及び／又は異常発生の有無に関わらず、プラント機器の状態を自動的にまとめ及び／又は出力する。なお、指定されたフォーマットにおける適切な箇所に、該当する異常事象に対する推定原因及び／又は発生事象推定進展フロー及び／又は推奨事項が自動的に転記・出力される。
プラント機器の異常予兆及び／又は異常事象を含む回転電機の状態を報告書として自動的にまとめて出力することができると、発電所のデータ分析員及び／又は報告書作成者が不要又は最小限の人数にすることが可能になる。

実施例５では、回転電機及び回転電機補機以外のプラント機器のパラメータのデータも追加で取込み入力とするのがよい。

回転電機及び回転電機補機以外のプラント機器のパラメータのデータも追加で取込み入力とすることで、回転電機及び回転電機補機以外のプラント機器が原因となって発生した回転電機及び／又は回転電機補機の異常及び／又は異常予兆事象を検知することができる。
また回転電機及び回転電機補機以外のプラント機器のパラメータのデータも追加で取込み入力とするため、推定原因の信頼性が向上する。

本発明は、火力発電プラント以外のプラントや機器にも広く適用が可能である。

１：火力発電プラント１
２：データ選別装置
３，４，５：監視診断装置
３０，４０，５０：監視診断部
３１：判定・評価部
４１：診断部
５１：診断結果まとめ
ａ１，ａ２，ａ３：重み
Ｂ：ボイラ
Ｂ１：ボイラ補機
Ｃ：復水器
Ｄ１、Ｄ１１，Ｄ１２，Ｄ１３：運転データ
ＤＢ１：運転データデータベース
Ｄ２、Ｄ２１，Ｄ２２，Ｄ２３：正常値データ
Ｄ３：判定・評価結果データ
Ｄ５：診断結果データ
ＤＢ２、ＤＢ２１，ＤＢ２２，ＤＢ２３：正常値データデータベース
ＤＢ３：判定・評価結果データベース
ＤＢ４：異常予兆、異常事象関連情報データベース
ＤＢ５：診断結果データベース
Ｇ：発電機
Ｇ１：発電機補機
Ｇ２：発電機励磁回路
ｍ１、ｍ２、ｍ３：処理属性
Ｓ：取り扱いデータ
ＳＴ：学習部
ＳＴ１：電気的特性学習部
Ｓｔ２：振動的特性学習部
Ｓｔ３：温度的特性学習部
Ｔ：タービン
Ｔ１：タービン補機
ｘ１、ｘ２、ｘ３：入力変数
ｙ：出力変数

Claims (22)

1. プラント機器からの運転データを選別するためのデータ選別装置であって、
   プラント機器の運転データを時系列的に記憶する運転データデータベースと、前記運転データデータベースに記憶する運転データのうち物理・工学的に関連性の高い運転データを入力とし、また前記物理・工学的に関連性の高い運転データ間の処理属性が設定入力されて、プラント機器の特性を模擬するモデルを作成し、前記モデルを用いて前記運転データの異常値を除外して正常値による正常値データデータベースを形成する学習部とを備えていることを特徴とするデータ選別装置。
2. 請求項１に記載のデータ選別装置であって、
   前記モデルは、出力変数と入力変数と入力変数の処理属性と入力変数の重みで表現され、前記学習部は、出力変数と入力変数と入力変数の処理属性とが指定され、指定された時系列的な前記運転データを用いて前記入力変数の重みを決定し、モデル構築することを特徴とするデータ選別装置。
3. 請求項１または請求項２に記載のデータ選別装置であって、
   前記処理属性は、べき乗、積分、微分、平均、偏差、四則演算、フーリエ変換、ラプラス変換、指数関数、平方根、対数関数、階乗、階差であることを特徴とするデータ選別装置。
4. 請求項１から請求項３のいずれか１項に記載のデータ選別装置であって、
   前記学習部は、統計学的手法、機械学習、又は深層学習によりプラント機器の特性を模擬するモデルを作成することを特徴とするデータ選別装置。
5. 請求項１から請求項４のいずれか１項に記載のデータ選別装置であって、
   前記プラント機器をモデル化する上での複数の観点ごとに前記学習部が形成され、複数の観点ごとの各学習部は、それぞれ前記運転データデータベースに記憶する運転データのうち物理・工学的に関連性の高い運転データを入力とし、また前記物理・工学的に関連性の高い運転データ間の処理属性が設定入力されて、プラント機器の特性を模擬するモデルを作成し、複数の観点ごとの前記モデルを用いて前記運転データの異常値を除外して正常値による前記正常値データデータベースを形成することを特徴とするデータ選別装置。
6. プラント機器として回転電機の電気的特性、又は振動的特性、又は温度的特性、を模擬するモデルを作成する請求項１から請求項５のいずれか１項に記載のデータ選別装置であって、
   プラント機器の運転データを時系列的に記憶する運転データデータベースと、前記運転データデータベースに記憶する運転データのうち電気的特性、又は振動的特性、又は温度的特性について物理・工学的に関連性の高い運転データを入力とし、また前記電気的特性、又は温度的特性、又は振動的特性について物理・工学的に関連性の高い運転データ間の処理属性が設定入力されて、プラント機器の特性を模擬するモデルを作成し、回転電機の電気的特性についての正常値データデータベースを形成する学習部とを備えていることを特徴とするデータ選別装置。
   
7. プラント機器の特性を模擬するモデルを作成するデータ選別方法であって、
   時系列的なプラント機器の運転データのうち物理・工学的に関連性の高い運転データと、前記物理・工学的に関連性の高い運転データ間の処理属性を用いて、プラント機器の特性を模擬するモデルを作成し、前記モデルを用いて前記運転データの異常値を除外して正常値を得ることを特徴とするデータ選別方法。
8. 請求項７に記載のデータ選別方法であって、
   前記モデルは、出力変数と入力変数と入力変数の処理属性と入力変数の重みで表現されるものであり、出力変数と入力変数と入力変数の処理属性とが指定され、指定された時系列的な前記運転データを用いて前記入力変数の重みを決定し、モデル構築することを特徴とするデータ選別方法。
9. 請求項７または請求項８に記載のデータ選別方法であって、
   前記処理属性は、べき乗、積分、微分、平均、偏差、四則演算、フーリエ変換、ラプラス変換、指数関数、平方根、対数関数、階乗、階差であることを特徴とするデータ選別方法。
10. 請求項７から請求項９のいずれか１項に記載のデータ選別方法であって、
    統計学的手法、機械学習、又は深層学習によりプラント機器の特性を模擬するモデルを作成することを特徴とするデータ選別方法。
11. 請求項７から請求項１０のいずれか１項に記載のデータ選別方法であって、
    前記プラント機器をモデル化する上での複数の観点ごとに、物理・工学的に関連性の高い運転データと、前記物理・工学的に関連性の高い運転データ間の処理属性とを用いて、プラント機器の特性を模擬するモデルを作成することを特徴とするデータ選別方法。
12. 請求項１１に記載のデータ選別方法であって、
    前記プラント機器は回転電機であって、前記複数の観点として電気的特性、振動的特性、温度的特性について前記モデルを形成することを特徴とするデータ選別方法。
13. プラント機器として回転電機の電気的特性、又は振動的特性、又は温度的特性を模擬するモデルを作成する請求項７から請求項１２のいずれか１項に記載のデータ選別方法であって、
    プラント機器の運転データのうち電気的特性、又は振動的特性、又は温度的特性について物理・工学的に関連性の高い運転データと、前記電気的特性、又は振動的特性、又は温度的特性について物理・工学的に関連性の高い運転データ間の処理属性を用いて、プラント機器の特性を模擬するモデルを作成することを特徴とするデータ選別方法。
14. 請求項７から請求項１３のいずれか１項に記載のデータ選別方法であって、
    前記モデルを構築する過程で、異常値を示す運転データが除外され、残された正常値によりモデルが形成されていることを特徴とするデータ選別方法。
15. 請求項１から請求項６のいずれか１項に記載のデータ選別装置が作成した前記正常値データデータベースを使用して、前記運転データデータベースの運転データを検証するための監視診断装置であって、
    前記運転データデータベースの運転データと前記正常値データデータベースの運転データを比較して、その差異を評価したデータによる判定・評価結果データベースを形成することを特徴とする監視診断装置。
16. 請求項１５に記載の監視診断装置であって、
    前記プラント機器における異常と、異常検知した検出器と、推奨対策案を含んで構成された異常事象関連情報データベースを備え、前記判定・評価結果データベースに記録された異常値を示す運転データを用いて前記異常事象関連情報データベースに記述された異常の情報を診断結果データベースに得ることを特徴とする監視診断装置。
17. プラント機器を監視する監視診断装置であって、
    前記プラント機器の運転データを時系列的に記憶する運転データデータベースと、
    前記プラント機器の運転データの正常値が記憶された正常値データデータベースと、
    前記運転データデータベースに記憶された運転データと、前記正常値データデータベースに記憶された正常値データと、前記物理・工学的に関連性の高い運転データ間の処理属性とが設定入力されて、プラント機器の特性を模擬するモデルを作成し、前記モデルを用いて前記運転データデータベースの運転データと前記正常値データデータベースの正常値データを比較して、その差異を評価したデータによる判定・評価結果データベースを形成する判定・評価部を備えることを特徴とする監視診断装置。
18. 請求項１７に記載の監視診断装置であって、
    前記モデルは、出力変数と入力変数と入力変数の処理属性と入力変数の重みで表現され、前記判定・評価部は、出力変数と入力変数と入力変数の処理属性とが指定され、指定された時系列的な前記運転データを用いて前記入力変数の重みを決定し、モデル構築することを特徴とする監視診断装置。
19. 請求項１７または請求項１８に記載の監視診断装置であって、
    前記処理属性は、べき乗、積分、微分、平均、偏差、四則演算、フーリエ変換、ラプラス変換、指数関数、平方根、対数関数、階乗、階差であることを特徴とする監視診断装置。
20. 請求項１７から請求項１９のいずれか１項に記載の監視診断装置であって、
    前記判定・評価部は、統計学的手法、機械学習、又は深層学習によりプラント機器の特性を模擬するモデルを作成することを特徴とする監視診断装置。
21. 請求項１７から請求項２０のいずれか１項に記載の監視診断装置であって、
    それぞれ前記運転データデータベースに記憶する運転データのうち物理・工学的に関連性の高い運転データを入力とし、また前記物理・工学的に関連性の高い運転データ間の処理属性が設定入力されて、プラント機器の特性を模擬するモデルを作成し、前記モデルを用いて、運転データデータベースの運転データと正常値データデータベースの運転データを比較して、その差異を評価したデータによる判定・評価結果データベースを形成することを特徴とする監視診断装置。
22. プラント機器として回転電機の電気的特性、又は振動的特性、又は温度的特性を模擬するモデルを作成する請求項１７から請求項２１のいずれか１項に記載の監視診断装置であって、
    プラント機器の運転データを時系列的に記憶する運転データデータベースと、前記運転データデータベースに記憶する運転データのうち電気的特性、又は振動的特性、又は温度的特性について物理・工学的に関連性の高い運転データを入力とし、また前記電気的特性、又は振動的特性、又は温度的特性について物理・工学的に関連性の高い運転データ間の処理属性が設定入力されて、プラント機器の特性を模擬するモデルを作成し、回転電機の電気的特性、又は振動的特性、又は温度的特性についての判定・評価結果データベースを形成する判定・評価部を備えていることを特徴とする監視診断装置。

Images