JP2023057492A - 予兆検知装置及び予兆検知方法 - Google Patents

Abstract

【課題】突変振動の発生時より十分に先立って突変振動を検知する。
【解決手段】予兆検知装置は、複数のセンサと、データ取得部と、演算部と、検知部とを備える。複数のセンサは、検知対象物における複数の位置にそれぞれ配置され、各位置における物理量を計測する。データ取得部は、複数のセンサから物理量の時系列変動データを取得する。演算部は、時系列変動データに基づいて複数の位置のうち任意の２つの位置における物理量の間の相関を示すパラメータを含む複雑ネットワーク構造の時間変化を表す動的ネットワーク情報を演算する。検知部は、動的ネットワーク情報に基づいて、検知対象物の突変振動の予兆を検知する。
【選択図】図１

Description

本開示は、突変振動の予兆を検出するための予兆検知装置及び予兆検知方法に関する。

ガスタービン、蒸気タービン、エンジン、ボイラ、航空機、コンプレッサ等の機械では、燃焼器、圧縮機、翼等で燃焼振動や軸振動が生じる場合がある。これらの振動のうち突変傾向のある不安定な振動（突変振動）は、振動増大が生じてから短時間でリミットサイクルに到達する。リミットサイクルに到達すると、トリップに至ったり、機器に大きな負担がかかったりする。

したがって、このような突変振動は早い段階で回避されることが望ましい。しかし、リミットサイクルに達するまでの振動増大は短時間であるため、振動増大を検知した後の制御では突変振動を回避できない場合がある。突変振動を回避するためには、突変振動の発生時より十分に先立ってその予兆を検知することが必要である。

近年、突変振動を事前に検知することを目的とした検知技術が提案されている。例えば、特許文献１には、ガスタービンの燃焼器内の圧力に関連する値を用いて、燃焼振動を検知する装置が開示されている。この装置は、ガスタービンの燃焼器内の圧力に関連する値を取得してネットワークエントロピーを算出し、そのネットワークエントロピーが閾値を下回った場合に燃焼振動の発生を検知するように構成されている。

特開２０１８－８０６２１号公報

本願発明者が鋭意検討した結果、複数の位置における物理量（例えば圧力）の相関関係が突変振動の予兆の検知において重要であることが判明した。このような相関を示すパラメータを利用すれば、突変振動の予兆を検知することが可能となる。

しかし、特許文献１のように１つの位置における物理量（燃焼器内の圧力に関連する値）の時系列変動データを取得してネットワークエントロピーを算出しても、複数の位置における物理量の相関関係を考慮していないため、突変振動の発生時より十分に先立ってその予兆を検知することは困難である。

本開示は上述の事情に鑑みてなされたものであり、突変振動の発生時より十分に先立って突変振動を検知可能な予兆検知装置及び予兆検知方法を提供することを目的とする。

本開示に係る予兆検知装置は、
検知対象物における複数の位置にそれぞれ配置され、各位置における物理量を計測するように構成された複数のセンサと、
前記複数のセンサから前記物理量の時系列変動データを取得するためのデータ取得部と、
前記時系列変動データに基づいて前記複数の位置のうち任意の２つの位置における前記物理量の間の相関を示すパラメータを含む複雑ネットワーク構造の時間変化を表す動的ネットワーク情報を演算するための演算部と、
前記動的ネットワーク情報に基づいて、前記検知対象物の突変振動の予兆を検知するための検知部と、
を備える。

本開示に係る予兆検知方法は、
検知対象物における複数の位置にそれぞれ配置されたセンサが、各位置における物理量を計測するステップと、
複数の前記センサから前記物理量の時系列変動データを取得するステップと、
前記時系列変動データに基づいて前記複数の位置のうち任意の２つの位置における前記物理量の間の相関を示すパラメータを含む複雑ネットワーク構造の時間変化を表す動的ネットワーク情報を演算するステップと、
前記動的ネットワーク情報に基づいて、前記検知対象物の突変振動の予兆を検知するステップと、
を備える。

本開示によれば、突変振動の発生時より十分に先立って突変振動を検知可能な予兆検知装置及び予兆検知方法を提供できる。

一実施形態に係る予兆検知装置の構成を示すブロック図である。 一実施形態に係る予兆検知装置のセンサの配置例を示す模式図である。 一実施形態に係る予兆検知装置のセンサの配置例を示す概略断面図である。 データ取得部が各時刻で取得した物理量に基づく隣接行列を示す図である。 隣接行列からベクトルへの変換演算の一例を示す図である。 時刻の進行とともに演算される高次元ベクトルを示す図である。 センサ２００から取得された物理量に基づいて算出された複雑ネットワークのリンク一本あたりの強度を表すリンク強度の時間変化を示すサンプルデータの一例である。 図７のサンプルデータを高次元空間に展開して得られるデータ分布を示す図である。 検知部によって高次元ベクトルの時間変化をクラスタリングした結果の一例である。 一実施形態に係る予兆検知方法の手順を示すフローチャートである。

以下、添付図面を参照して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、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。

（予兆検知装置）
以下、一実施形態に係る予兆検知装置３００について説明する。図１は、一実施形態に係る予兆検知装置３００の構成を示すブロック図である。

図１に示すように、予兆検知装置３００は、複数のセンサ２００と、突変振動の予兆を検知するための演算処理を実行するように構成された演算処理装置１００とを備える。センサ２００は、検知対象物における物理量を計測するように構成されたセンサである。

複数のセンサ２００は、検知対象物における複数の位置にそれぞれ配置され、各位置における物理量を計測する。センサ２００が計測する物理量は、例えば、圧力、ひずみ、加速度、速度、変位の何れか一つ以上である。なお、センサ２００が計測する物理量は、これらの物理量に限られない。センサ２００が計測する物理量は、燃焼振動の発生との関連性が高い物理量であればよい。

演算処理装置１００は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等を備えるコンピュータである。演算処理装置１００では、プロセッサ（ＣＰＵ）がメモリ（ＲＡＭ又はＲＯＭ）に記憶されているプログラムを実行することにより、後述する各種機能を実現する。

以下、演算処理装置１００の機能的な構成を説明する。図１に示すように、演算処理装置１００は、データ取得部１１０、演算部１２０、検知部１３０、出力部１４０として機能する。

データ取得部１１０は、複数のセンサ２００から物理量の時系列変動データを取得するように構成される。時系列変動データは、直近過去の単位時間（例えば、１秒間）において複数のタイミング（例えば１００個以上のタイミング）でサンプリングした計測データである。

演算部１２０は、データ取得部１１０が取得した物理量の時系列変動データに基づいて動的ネットワーク情報を演算するように構成される。動的ネットワーク情報は、相関を示すパラメータを含む複雑ネットワーク構造の時間変化を表す。相関を示すパラメータは、センサ２００が配置される複数の位置のうち任意の２つの位置における物理量の間の相関を示すパラメータである。

検知部１３０は、演算部１２０で演算された動的ネットワーク情報に基づいて、検知対象物の突変振動の予兆を検知するように構成される。検知部１３０での検知結果は、出力部１４０から任意の態様で出力される。出力部１４０からの出力態様は、例えば、検知対象物の振動状態を示す画像データであってもよいし、スピーカー等の音声出力装置に音声データ（例えば突変振動の予兆の報知する音声）であってもよい。

また、出力部１４０は、検知部１３０が突変振動の予兆を検知した場合に、所定の信号を出力するように構成されてもよい。所定の信号は、例えば、検知対象物の動作を停止させるための停止信号、検知対象物の出力を低下させるための出力制御信号、ユーザに突変振動の予兆であることを報知するための報知信号等の突変振動の回避に有効な信号である。

また、出力部１４０は、相関を示すパラメータから推定されるメンテナンスに関する情報を出力するように構成されてもよい。メンテナンスに関する情報は、例えば、交換すべき部品、交換推奨時期、故障の有無等の情報である。このような画像データ、所定の信号、及びメンテナンスに関する情報は、例えば、演算部１２０の演算結果や検知部１３０の検知結果に基づいて生成される。

（検知対象物とセンサの配置例）
以下、一実施形態に係る検知対象物とセンサ２００の配置例について説明する。図２は、一実施形態に係る予兆検知装置３００のセンサ２００の配置例を示す模式図である。この図は、ガスタービン２０のタービン軸に垂直な方向に沿った断面を示している。図３は、一実施形態に係る予兆検知装置３００のセンサ２００の配置例を示す概略断面図である。この図は、ガスタービン２０のタービン軸に沿った断面を示している。

一実施形態では、予兆検知装置３００の検知対象物は、例えば、図２及び図３に示すガスタービン２０であってもよい。なお、検知対象物は、ガスタービン２０ではなく、例えば、蒸気タービン、エンジン、ボイラ、航空機、コンプレッサ等の機械であってもよい。

図２及び図３に示すように、ガスタービン２０は、コンプレッサ７と、燃焼器８と、静翼４と、動翼６とを備える。図２に示すように、燃焼器８は、８つの缶型燃焼器を備える。図２において、８つの缶型燃焼器には、配置位置に応じて♯１～♯８の番号を付する。８つの缶型燃焼器は、図３に示すように、それぞれ燃料ノズル９、内筒２及び尾筒３を有する。センサ２００は、燃焼器８の内部の圧力を計測するための圧力センサである。センサ２００は、８つの尾筒３のそれぞれに配置される。

なお、この例では、センサ２００がガスタービン２０の燃焼器８の尾筒３に配置されている。しかし、センサ２００の配置は、このような例に限られない。センサ２００は、振動モードを観測可能な位置に配置されていればよく、検知対象物の種類によっては、圧縮機、翼、軸受等に配置されてもよい。

（動的ネットワーク情報の具体例）
以下、演算部１２０の演算対象である動的ネットワーク情報の具体例について説明する。

まず、データ取得部１１０が取得した複数のセンサ２００位置に対応する物理量の相関関係について説明する。本願発明者によれば、物理量同士の相関関係は、複数の位置のそれぞれをノードとする無向重み付き複雑ネットワークとして解釈することができる。例えば、物理量の相関関係は、隣接行列Ａ（Ａはベクトルを示す太字で表現される。以下同じ）として表わすことができる。

次の式（１）で示すように、隣接行列Ａは、ｎ×ｎの正方行列として定義される。隣接行列Ａにおいて、任意の行列要素ｗ_ｉｊは、ｉ番目の物理量とｊ番目の物理量との相関を示している。ｎは、物理量の数（すなわちセンサ２００の数）に相当する。

隣接行列Ａにおいて、対角成分であるｗ_１１、ｗ_{２２、・・・}ｗ_ｎｎの値はゼロであり、対角成分以外の行列要素は、相関係数の大きさを示す値（ｉ行目ｊ列目の行列要素は、相関係数Ｃ_ｉｊの絶対値）である。すなわち、異なる位置の物理量同士の関係を示す行列要素が相関係数Ｃ_ｉｊの絶対値であり、同じ位置の物理量同士の関係を示す行列要素はゼロである。また、行と列の番号を交換しても基本的に同じ相関係数となる。例えば、ｗ_２４とｗ_４２は同じ値となる。

図２に示すセンサ２００の配置例では、♯１～♯８の８個のノードを有しているため、隣接行列Ａが８×８の正方行列となる。例えば、♯２の缶型燃焼器と♯４の缶型燃焼器において計測された物理量の間の相関は、行列要素ｗ_２４すなわち相関係数Ｃ_２４での絶対値である。

相関を示すパラメータは、各位置における物理量の変動分の相関を示す相関係数Ｃ_ｉｊであってもよい。相関係数Ｃ_ｉｊは、例えば、次の式（２）で表される。なお、式（２）は、物理量が圧力である場合の例を示しているが、物理量は圧力以外の物理量であってもよい。

ここで、Ｎは、単位時間（例えば１秒間）当たりのサンプリング数（例えば１００個以上）である。ｐ_ｉ（ｔ）は、ｉ番目の位置の圧力の瞬時値を示し、ｐ_ｊ（ｔ）は、ｊ番目の位置の圧力の瞬時値を示している。Ｐ_ｉは、ｐ_ｉ（ｔ）の単位時間における時間平均値であり、Ｐ_ｊは、ｐ_ｊ（ｔ）の単位時間における時間平均値である。なお、圧力の瞬時値や時間平均値の代わりに圧力の変動量の瞬時値や時間平均値が適用されてもよい。

相関係数Ｃ_ｉｊは、２つの位置における物理量に相関がある場合には１又は－１に近い値となり、相関がない場合には０に近い値となる。また、相関係数Ｃ_ｉｊの絶対値は、０以上１以下の範囲内の値となる。よって、相関係数Ｃ_ｉｊの絶対値から相関の強さが判別可能となる。なお、相関係数Ｃ_ｉｊは、式（２）に示す演算値に限定されず、本質的な意義を損なわない範囲内で適宜変更可能である。

ここで図４は、データ取得部１１０が各時刻で取得した物理量に基づく隣接行列Ａを示す図である。時刻ｔ_１～ｔ_Ｎにデータ取得部１１０で取得された物理量に基づく隣接行列ＡをＡ_Ｔと定義すると、時刻Ｔに隣接する各時刻Ｔ－２、Ｔ－１、Ｔ、Ｔ＋１、Ｔ＋２に対応する隣接行列Ａは、それぞれＡ_Ｔ－２、Ａ_Ｔ－１、Ａ_Ｔ、Ａ_Ｔ＋１、Ａ_Ｔ＋２と表される。
尚、図４において隣接する時刻（例えば時刻Ｔと時刻Ｔ＋１）同士の間隔は、サンプリング時間ｔ_Ｎに対応する。

演算部１２０は、各時刻の隣接行列ＡをベクトルＸに変換する。図５は隣接行列ＡからベクトルＸへの変換演算の一例を示す図である。ベクトルＸは、隣接行列Ａの行列要素のうち異なる位置の物理量同士の関係を示す行列要素を成分とするベクトルであり、その次元数は次の（３）式で表される。前述したように、隣接行列Ａに含まれる相関係数Ｃ_ｉｊの絶対値を成分とし、ネットワークのノード数ｎを用いて、次の（３）式で表される次元を有する。前述したように、隣接行列Ａは対角成分ｗ_１１、ｗ_{２２、・・・}ｗ_ｎｎの値はゼロであり、対角成分以外の行列要素は行と列の番号を交換しても基本的に同じ相関係数となる。そのため、図５においてグラデショーンで示すように、対角成分ｗ_１１、ｗ_{２２、・・・}ｗ_ｎｎの片側にある行列要素を成分として配列することで、ベクトルＸが得られる。

このような隣接行列ＡからベクトルＸへの変換は、各時刻に対応する隣接行列・・・、Ａ_Ｔ－２、Ａ_Ｔ－１、Ａ_Ｔ、Ａ_Ｔ＋１、Ａ_Ｔ＋２、・・・について、それぞれ行われる。以下、隣接行列・・・Ａ_Ｔ－２、Ａ_Ｔ－１、Ａ_Ｔ、Ａ_Ｔ＋１、Ａ_Ｔ＋２、・・・に対応するベクトルＸを、・・・Ｘ_Ｔ－２、Ｘ_Ｔ－１、Ｘ_Ｔ、Ｘ_Ｔ＋１、Ｘ_Ｔ＋２、・・・と適宜称する。

続いて演算部１２０は、隣接する複数のベクトルＸを結合することにより、次の（４）式で示される高次元ベクトルＧを構築する。ｋは隣接するベクトルＸの結合数であり、動的ネットワーク情報で参照する過去の点数を意味する。

このような高次元ベクトルＧは、時刻Ｔが進行するに伴って逐次演算される。図６は時刻Ｔの進行とともに演算される高次元ベクトルＧを示す図である。図６では、理解を容易にするために結合数をｋ＝２とした場合が例示されており、時刻Ｔで演算される高次元ベクトルＧ_Ｔは［Ｘ_Ｔ－２、Ｘ_Ｔ－１、Ｘ_Ｔ］で表され、時刻Ｔ＋１で演算される高次元ベクトルＧ_Ｔ＋１は［Ｘ_Ｔ－１、Ｘ_Ｔ、Ｘ_Ｔ＋１］で表され、時刻Ｔ＋２で演算される高次元ベクトルＧ_Ｔ＋２は［Ｘ_Ｔ、Ｘ_Ｔ＋１、Ｘ_Ｔ＋２］で表される。

（突変振動の予兆検知の具体例）
検知部１３０は、上述の演算部１２０の演算結果に基づいて突変振動の予兆を検知する。以下、具体的な検知方法について説明する。

まず検出部１３０は、突変振動の予兆を判定するための判定基準を予め設定する。このような判定基準の設定は、サンプルデータを用いた学習により行われる。ここで図７はセンサ２００から取得された物理量に基づいて算出されたネットワークのリンク一本あたりの強度を表すリンク強度の時間変化を示すサンプルデータの一例である。この例では、リンク強度は、検知対象物に異常が発生していない通常運転時には比較的小さな値で推移しているが、突変振動が発生する時刻ｔ＝０の付近では急激に増加する傾向を示している。これは、突変振動が発生する可能性を示唆するパラメータとして、リンク強度が有効であることを示している。

そこで本願発明者は、検知対象物の状態を高次元ベクトルＧに基づいて段階的に分類するための複数のランクを設定する。本実施形態では、高次元ベクトルＧに基づいてランク１～５が設定され、番号が大きいほど突変振動が発生する可能性が高くなる分類基準を設定した。図７では、時間変化する高次元ベクトルＧに含まれる各データ点がどのランク１～５に属するかが分類された結果が示されている。

検知部１３０は、このように各ランクに分類された高次元ベクトルＧに含まれる各データ点を、高次元空間に展開することにより、ランク毎のクラスタを特定する。図８は図７のサンプルデータを高次元空間に展開して得られるデータ分布を示す図である。尚、図８では、高次元空間を紙面上に示すように、便宜上、二次元平面として示している）。

図８では、代表的に３つのランク１～３に対応する高次元ベクトルＧに対応する各データ点が異なるシンボルで示されており、同じランクに属する高次元ベクトルＧに対応するデータ点同士が所定範囲にまとまって、それぞれ各ランクに対応するクラスタを形成している（尚、他のランク４～５は、説明をわかりやすくするために図示を省略しているが同様である）。検知部１３０は、このような各ランクに対応するクラスタを形成するデータ点を判定基準として予め用意する。

尚、このような判定基準は、サンプルデータ数を増やすことで、各クラスタに属するデータ点数を増やし、判定精度を高めるのに有効である。

続いて検知部１３０は、上述のように設定された判定基準を用いて、演算部１２０で算出された高次元ベクトルＧに基づいて突変振動の予兆を検知する。このような突変振動の予兆検知は、演算部１２０で算出された高次元ベクトルＧに対応するデータ点が、判定基準で規定される前述の複数のクラスタのうちどれに分類されるか否かを特定することにより行われる。このようなクラスタへの分類は、いわゆるクラスタリングと称され、例えば、ウォード法，サポートベクトルマシンなどがあるが、ここでは一例として、Ｋ平均法を用いた場合を例に説明する。

Ｋ平均法では、高次元ベクトルＧに含まれるデータ数をｍ、判定基準で設定されたクラスタ数をＫとすると、以下の手順によりクラスタリングが行われる。
（ｉ）各データｘｉ（ｉ＝１、・・・、ｍ）に対してランダムにクラスタを割り振る。
（ｉｉ）割り振ったデータをもとに各クラスタの中心Ｖｊ（ｊ＝１、・・・、Ｋ）｛￥ｄｉｓｐｌａｙｓｔｙｌｅ Ｖ＿｛ｊ｝（ｊ＝１，￥ｄｏｔｓｃ ，ｋ）｝を計算する。
（ｉｉｉ）ｘｉと各Ｖｊとの距離を求め、ｘｉ｛￥ｄｉｓｐｌａｙｓｔｙｌｅ ｘ＿｛ｉ｝｝を最も近い中心のクラスタに割り当て直す。
（ｉｖ）上記の処理で全てのｘｉのクラスタの割り当てが変化しなかった場合、或いは変化量が事前に設定した一定の閾値を下回った場合に、収束したと判断して処理を終了する。尚、（ｉｖ）の条件が成立しない場合は、新しく割り振られたクラスタからＶｊを再計算して上記処理が繰り返し実施される。

図９は検知部１３０によって高次元ベクトルＧの時間変化をクラスタリングした結果の一例である。この例では、時間の経過に従ってランクが推移し、ｔ＝０で突変振動が実際に発生するタイミングより十分前の段階から、突変振動の予兆がランク上昇として検出できていることが示されている（すなわち、これら５つのランクは燃焼状態をとらえていると考えられ、例えばランク３，４は遷移領域を示し、ランク５が燃焼振動領域を示していると解釈できる）。

このように検知部１３０では、教師データを用いた学習によって構築された判定基準を用いて、運転データから算出された高次元ベクトルを分析し、どのクラスタに属するかを判定することで、突変振動の予兆を好適に検知することができる。

（予兆検知方法）
以下、図１０を参照しながら予兆検知方法の具体例について説明する。図１０は、一実施形態に係る予兆検知方法の手順を示すフローチャートである。尚、以下に説明する各々の手順において一部又は全部がユーザの手動によって実行されてもよい。以下に説明する予兆検知方法は、上述した予兆検知装置３００が実行する処理に対応するように、各々の手順を適宜変形することが可能である。以下の説明では、予兆検知装置３００の説明と重複する説明については省略する。

図１０に示すように、まず、検知対象物における複数の位置にそれぞれ配置された複数のセンサ２００が、各位置における物理量を計測する（ステップＳ１）。複数のセンサ２００から、各々のセンサ２００が計測した物理量の時系列変動データを取得する（ステップＳ２）。

次に、複数の位置のうち任意の２つの位置における物理量の間の相関を示すパラメータを含む複雑ネットワーク構造の時間変化を表す動的ネットワーク情報を時系列変動データから演算する（ステップＳ３）。そしてステップＳ３において演算した相関を示す動的パラメータ情報に基づいて、検知対象物の突変振動の予兆を検知する（ステップＳ４）。

これらのステップＳ１～Ｓ４は、定期的に繰り返し実行されてもよい。これにより、突変振動の予兆を監視することができる。なお、突変振動の予兆が検知された場合には、上述した所定の信号（停止信号や報知信号等）を出力してもよい。また、上述した画像データを出力して、その画像を表示装置等に表示させてもよい。

本開示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、複数の実施形態を適宜組み合わせた形態も含む。

例えば、検知対象物がコンプレッサである場合、圧力を計測するための複数のセンサ２００がコンプレッサの複数の位置に配置されてもよい。検知対象物が軸流圧縮機である場合、その出口部の周方向に複数のセンサ２００が配置されてもよい。検知対象物が遠心圧縮機である場合、環状方向に複数のセンサ２００が配置されてもよい。翼振動の突変振動の予兆を検知する場合、翼の根元に複数のセンサ２００が配置されてもよい。

軸振動の突変振動の予兆を検知する場合、異なる軸受位置のそれぞれにセンサ２００が配置されてもよい。

検知対象物が蒸気タービンである場合、ひずみゲージがセンサ２００として使用されてもよい。例えば、同一段において周方向に沿って配置される蒸気タービンの翼の根元に複数のセンサ２００が配置されてもよい。

検知対象物がロケットエンジンである場合、燃焼器は一つだけであるかもしれない。しかし、この場合においても、燃焼器の出口部の周方向に複数のセンサ２００を配置して、予兆検知装置３００が突変振動の予兆を検出するように構成されてもよい。検知対象物が航空機である場合、予兆検知装置３００による突変振動の予兆の検出方法は、そのエンジンに適用されてもよいし、その翼に適用されてもよい。このように燃焼振動が生じる位置の断面の周方向に沿って複数のセンサ２００を配置することによって、多様な検知対象物の突変振動の予兆を検出することができる。

その他、本開示の趣旨を逸脱しない範囲で、上記した実施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り、また、上記した実施形態を適宜組み合わせてもよい。

上記各実施形態に記載の内容は、例えば以下のように把握される。

（１）一態様に係る予兆検知装置（３００）は、
検知対象物（例えばガスタービン２０）における複数の位置にそれぞれ配置され、各位置における物理量を計測するように構成された複数のセンサ（２００）と、
前記複数のセンサから前記物理量の時系列変動データを取得するためのデータ取得部（１１０）と、
前記時系列変動データに基づいて前記複数の位置のうち任意の２つの位置における前記物理量の間の相関を示すパラメータを含む複雑ネットワーク構造の時間変化を表す動的ネットワーク情報を演算するための演算部（１２０）と、
前記動的ネットワーク情報に基づいて、前記検知対象物の突変振動の予兆を検知するための検知部（１３０）と、
を備える。

上記（１）の態様によれば、２つの位置間における物理量の相関を示すパラメータを含む複雑ネットワーク構造の時間変化を表す動的ネットワーク情報に基づいて、検知対象物の突変変動の予兆を検知する。そのため、突変振動の発生時より十分に先立ってその予兆を検知することができる。

（２）他の態様では、上記（１）の態様において、
前記動的ネットワーク情報の時間変化は、連続する異なる時間に対応する複数の前記複雑ネットワーク構造に基づいて構成される高次元ベクトルとして演算される。

上記（２）の態様によれば、予兆を検知するために用いられる動的ネットワーク情報の時間変化は、連続する異なる時間に対応する動的ネットワーク情報に基づいて構成される高次元ベクトルとして演算される。このように連続する異なる時間に対応する動的ネットワーク情報を考慮することにより、単一の時間に対応する情報では検知が難しい突変振動の予兆段階を好適に検知することができる。

（３）他の態様では、上記（２）の態様において、
前記検知部は、前記突変振動の発生可能性に基づいて予め設定される複数のクラスタを規定する分類基準を用いて、前記高次元ベクトルが前記複数のクラスタのいずれに分類されるかに基づいて、前記検知対象物の突変振動の予兆を検知する。

上記（３）の態様によれば、突変振動の発生可能性に基づいて複数のクラスタが規定された分類基準が予め用意される。検知部は、このような分類基準に基づいて、検知された物理量から演算された高次元ベクトルがどのクラスタに分類されるかによって、突変振動の発生可能性を評価し、予兆段階での検知を可能とできる。

（４）他の態様では、上記（３）の態様において、
前記分類基準は、前記検知対象物で前記突変振動が発生した場合に対応する少なくとも１つのサンプルデータを用いた学習によって設定される。

上記（４）の態様によれば、検知対象物で突変振動が発生した場合に対応するサンプルデータに基づく分類結果を教師データとして設定された分類基準を用いて、精度のよい予兆検知を行うことができる。

（５）一態様に係る予兆検知方法は、
検知対象物における複数の位置にそれぞれ配置されたセンサが、各位置における物理量を計測するステップと、
複数の前記センサから前記物理量の時系列変動データを取得するステップと、
前記時系列変動データに基づいて前記複数の位置のうち任意の２つの位置における前記物理量の間の相関を示すパラメータを含む複雑ネットワーク構造の時間変化を表す動的ネットワーク情報を演算するステップと、
前記動的ネットワーク情報に基づいて、前記検知対象物の突変振動の予兆を検知するステップと、
を備える。

上記（５）の態様によれば、２つの位置間における物理量の相関を示すパラメータを含む複雑ネットワーク構造の時間変化を表す動的ネットワーク情報に基づいて、検知対象物の突変変動の予兆を検知する。そのため、突変振動の発生時より十分に先立ってその予兆を検知することができる。

２ 内筒
３ 尾筒
４ 静翼
６ 動翼
７ コンプレッサ
８ 燃焼器
９ 燃料ノズル
２０ ガスタービン
１００ 演算処理装置
１１０ データ取得部
１２０ 演算部
１３０ 検知部
１４０ 出力部
２００ センサ
３００ 予兆検知装置

Claims (5)

1. 検知対象物における複数の位置にそれぞれ配置され、各位置における物理量を計測するように構成された複数のセンサと、
   前記複数のセンサから前記物理量の時系列変動データを取得するためのデータ取得部と、
   前記時系列変動データに基づいて前記複数の位置のうち任意の２つの位置における前記物理量の間の相関を示すパラメータを含む複雑ネットワーク構造の時間変化を表す動的ネットワーク情報を演算するための演算部と、
   前記動的ネットワーク情報に基づいて、前記検知対象物の突変振動の予兆を検知するための検知部と、
   を備える、予兆検知装置。
2. 前記動的ネットワーク情報の時間変化は、連続する異なる時間に対応する複数の前記複雑ネットワーク構造に基づいて構成される高次元ベクトルとして演算される、請求項１に記載の予兆検知装置。
3. 前記検知部は、前記突変振動の発生可能性に基づいて予め設定される複数のクラスタを規定する分類基準を用いて、前記高次元ベクトルが前記複数のクラスタのいずれに分類されるかに基づいて、前記検知対象物の突変振動の予兆を検知する、請求項２に記載の予兆検知装置。
4. 前記分類基準は、前記検知対象物で前記突変振動が発生した場合に対応する少なくとも１つのサンプルデータを用いた学習によって設定される、請求項３に記載の予兆検知装置。
5. 検知対象物における複数の位置にそれぞれ配置されたセンサが、各位置における物理量を計測するステップと、
   複数の前記センサから前記物理量の時系列変動データを取得するステップと、
   前記時系列変動データに基づいて前記複数の位置のうち任意の２つの位置における前記物理量の間の相関を示すパラメータを含む複雑ネットワーク構造の時間変化を表す動的ネットワーク情報を演算するステップと、
   前記動的ネットワーク情報に基づいて、前記検知対象物の突変振動の予兆を検知するステップと、
   を備える、予兆検知方法。

Images