JP2024013399A

JP2024013399A - 設備の劣化診断装置及び方法

Info

Publication number: JP2024013399A
Application number: JP2022115457A
Authority: JP
Inventors: 嘉成堀; Yoshinari Hori; 義幸黒羽; Yoshiyuki Kuroba; 洋人武内; Hiroto Takeuchi
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2022-07-20
Filing date: 2022-07-20
Publication date: 2024-02-01

Abstract

【課題】運用条件が大きく変動する設備の劣化を簡便に、かつ精度よく検知できる設備の劣化診断方装置及び方法を提供する。
【解決手段】設備で計測した運転データを記憶する運転データデータベースと、運転データから運用条件に関する運用条件特徴量と劣化に影響する劣化特徴量を求める特徴量計算手段と、運用条件特徴量が同一とみなせる条件で、劣化がない状態の劣化特徴量と現状の劣化特徴量の値を比較し劣化度を計算する劣化度計算手段と、劣化度計算手段で求めた劣化度を表示する劣化度表示手段を持つことを特徴とする設備の劣化診断装置。
【選択図】図１

Description

本発明は、設備の劣化診断装置及び方法に関する。

近年、ベテラン保守員の減少や保守コスト低減の観点から、設備の保守の効率化のニーズが高まっている。

設備の異常診断技術として、特許文献１に示す異常予兆診断技術がある。本技術は、「プラントから取得される計測値を、計測値が相互に類似するもの同士で複数のカテゴリーに分類する分類部と、プラントが正常であることが既知である期間において取得された計測値が属する正常カテゴリー以外の予兆カテゴリーに属する計測値を、正常カテゴリーに属する計測値と比較した結果である特徴量を算出する算出部と、算出した特徴量を将来の時系列で予測する予測部と、予測した特徴量に対して所定の閾値を適用することによってプラントが異常となる将来の時期を推定する推定部とを備える」ものである。すなわち、既設のセンサーから取得される計測値を利用した技術であり、追加センサーの設置をせずに劣化を診断できる。

特開２０２０－１７７５７１号公報

しかしながら、他方において設備の中には、運用条件の変化が大きく、得られる運転データの変動も大きいという特性があるものがある。このような設備に対しては、特許文献１の技術を適用しようとした場合、運転条件の変動による運転データの変化に対し、劣化による運転データの変化が小さく、劣化を検知することが難しい場合がある。

これらのことから本発明においては、運用条件が大きく変動する設備の劣化を簡便に、かつ精度よく検知できる設備の劣化診断方装置及び方法を提供することを目的とする。

以上のことから本発明においては「設備で計測した運転データを記憶する運転データデータベースと、運転データから運用条件に関する運用条件特徴量と劣化に影響する劣化特徴量を求める特徴量計算手段と、運用条件特徴量が同一とみなせる条件で、劣化がない状態の劣化特徴量と現状の劣化特徴量の値を比較し劣化度を計算する劣化度計算手段と、劣化度計算手段で求めた劣化度を表示する劣化度表示手段を持つことを特徴とする設備の劣化診断装置」としたものである。

また本発明においては「設備で計測した運転データから、運用条件に関する運用条件特徴量と劣化に影響する劣化特徴量を求め、運用条件特徴量が同一とみなせる条件で、劣化がない状態の劣化特徴量と現状の劣化特徴量の値を比較して劣化度を計算することを特徴とする設備の劣化診断方法」としたものである。

本発明によれば、運用条件が大きく変動する設備の劣化を簡便に、かつ精度よく検知できる。

本発明の実施例１に係る設備の劣化診断装置の構成例を示す図。運転データの一例を示す図。劣化度計算手段４のアルゴリズムを示す図。劣化度計算手段４の処理ステップＳ４２の処理概要を示す図。劣化度計算手段４の処理ステップＳ４３の処理概要を示す図。劣化度表示手段の表示の一例を示す図。本発明の実施例２に係る設備の劣化診断装置の構成例を示す図。主成分分析手段の結果の一例を示す図。劣化度表示・予測手段の一例を示す図。本発明の実施例３に係る設備の劣化診断装置の構成例を示す図。データ分類手段８の結果の一例を表す図。劣化度計算手段４Ｃの処理概要を示す図。

以下、実施例について図面を用いて説明する。

本実施例では、工場などに蒸気を供給するボイラ設備に本発明の劣化診断装置を適用した例について説明する。本発明の劣化診断装置１０は、例えば図１のように構成されている。図１の劣化診断装置１０は、ボイラ設備１からの各種の運転データを記憶する運転データデータベースＤＢ、特徴量計算手段３、劣化度計算手段４、および劣化度表示手段５から構成されている。なお劣化診断装置１０は、計算機装置を用いて構成されるのがよいが、運転データデータベースＤＢと劣化度表示手段５以外の部分は、計算機装置の演算部（ＣＰＵ）における処理により実現される機能である。

このうち運転データデータベースＤＢに記憶される運転データＤとしては、ボイラの入力条件となる燃料、空気に関するデータと、発生する蒸気に関するデータが時系列データとして蓄えられている。運転データＤの一例を示す図２の例では、運転データＤは、周期１分の時系列データである。計測している項目は、燃料流量Ｆ、燃焼空気流量Ｇ、蒸気流量Ｆｓ、蒸気圧力Ｐｓ、外気温Ｔなどである。

次に特徴量計算手段３では、運転データデータベースＤＢに蓄えられた運転データＤから、運用条件に関する特徴量Ｄ１と、劣化に関連する特徴量Ｄ２を計算する。ここで、運用条件とは、設備の劣化による影響がない計測データ（運転データ）であり、燃料流量Ｆ、燃焼空気流量Ｇ、外気温Ｔなどが該当し、これらから運用条件に関する特徴量Ｄ１を求めることになる。また、劣化特徴量Ｄ２は、設備の劣化によって同じ運用条件でも値が変化する計測データ（運転データ）を用いた特徴量であり、例えば、蒸気流量ＦＳ、蒸気圧量Ｐなどが該当し、これから特徴量Ｄ２を求めることになる。なお、劣化特徴量Ｄ２は、劣化によって値が変化する計測データのみを用いる必要はなく、劣化によって値が変化する計測データを運用条件に関する計測データで除した特徴量を用いても良い。

なお、ここで特徴量Ｄ１およびＤ２とは、計測データそのものであっても、計測データの加工データや組み合わせデータであっても、また計測データから求められる成分に関するデータであってもよい。ここでは、これらを総称して特徴量と称するものとする。

本実施例では、運用条件特徴量Ｄ１は、燃料流量Ｆ、外気温Ｔの関数として（１）式で求めた。
（数１）
Ｄ１＝Ｆ＋Ｋ×Ｔ（１）
ここで、Ｋは、外気温Ｔにより運用条件を補正する係数である。
また、劣化特徴量Ｄ２は、蒸気流量Ｆｓとした。これは、本ボイラ設備においては蒸気圧力Ｐｓは一定に制御されているためである。

図１の劣化度計算手段４では、特徴量計算手段３で求めた２つの特徴量Ｄ１、Ｄ２を利用し、運用条件で補正した設備の劣化度を計算する。

具体的なアルゴリズムについて、図３の処理フローを用いて説明する。なお、本実施例では、現在の計測データを用いて、ボイラ設備の劣化診断をする場合を例としている。

図３の処理フローでは、まず処理ステップＳ４１において、診断したい時点の運用条件特徴量Ｄ１の値を計算する。本実施例では、図２のデータベースＤＢに蓄えられた運転データＤから現時点（例えば２０２０／３／３１０：０３：００）のデータベースＤＢに蓄えられた運転データＤの中から燃料流量Ｆ、外気温Ｔの値を取得し、Ｄ１の値を計算する。

処理ステップＳ４２では、劣化がない時点の運転データから、処理ステップＳ４１で求めた運用条件における劣化特徴量を求める。具体的な方法について、図４を用いて説明する。図４の横軸は運用条件特徴量Ｄ１、縦軸は劣化特徴量Ｄ２であり、劣化がない時の運転データがプロットされている。現在の運用条件は、Ｄ１ｃとするとその近傍である（Ｄ１ｃ－ΔＤ１／２）から（Ｄ１ｃ＋ΔＤ１／２）の区間に含まれるデータを取得し、その時の劣化特徴量Ｄ２の平均値を正常時の劣化特徴量の値とする。なお、劣化がないときとは、運転開始から一定期間内のデータである。

処理ステップＳ４３では、現時点の劣化特徴量Ｄ１を計算する。なお、現時点のデータとは、現時点の１点のデータでもよいが、同一の運用条件の複数データを用いた平均値でもよい。例えば、横軸に時間、縦軸に運用条件特徴量Ｄ１と劣化特徴量Ｄ２の大きさを示す図５の例では、現時点の運用条件と近い区間１のデータの平均値を用いても良いし、区間２のデータを含めたデータの平均値でもよい。

処理ステップＳ４４では、処理ステップＳ４２で求めた劣化がない時点での劣化特徴量Ｄ１ａｖｅと現在の特徴量Ｄ１ｃから劣化度Ｇを以下の式で求める。
（数２）
Ｇ＝（Ｄ２ａｖｅ－Ｄ２ｃ）／Ｄ２ａｖｅ（Ｇ＜０の場合、Ｇ＝０）（２）
なお、データにはばらつきがあるため、劣化度はマイナスの値をとる場合もあるが、本実施例では、劣化度Ｇ＜０となる場合は、Ｇ＝０と定義した。以上のステップにより、劣化度Ｇが計算できる。

図１に戻り、劣化度表示手段５では、劣化度計算手段４で求めた劣化度Ｇをディスプレイ上に表示する。表示画面の一例を図６に示す。図６の横軸は時間で、縦軸が劣化度Ｇである。本実施例では、過去に劣化度を計算した際の履歴データを含めて表示した。このように、現時点の劣化度のみでなく、過去の劣化度も合わせて表示することで、劣化度の変化の様子が確認できる。

以上のように、運転データから運用条件に関する特徴量と、劣化度に関する特徴量を用い、劣化度Ｇを求めることで、同一の運用条件で比較できるため、運用条件が大きく変動する場合であっても設備の劣化を精度よく検知することができる。

実施例１によれば、運用条件が大きく変動するボイラ設備の劣化を簡便に、かつ精度よく検知できる。

次に本発明の実施例２に係る設備の劣化診断装置について図７を用いて説明する。実施例２が実施例１と異なる点は、主成分分析手段６が追加された点と、劣化度表示手段５が劣化度表示・予測手段７に変更された点である。なお、主成分分析６の追加により、その後の処理である劣化度計算手段４Ｂも変化する。以下に、実施例１と異なる部分について説明する。

なお図７の劣化診断装置１０は、計算機装置を用いて構成されるのがよいが、運転データデータベースＤＢと劣化度表示手段５以外の部分は、計算機装置の演算部（ＣＰＵ）における処理により実現される機能である。

主成分分析手段６は、特徴量計算手段３により求めた特徴量Ｄ１、Ｄ２を主成分分析により、運用条件に相当する主成分と劣化度に相当する主成分の軸に整理する。主成分分析では、データの分散が最大となる方向を第一主成分とし、第一主成分に直交する軸でかつ分散が最大となる方向を第二主成分とする。したがって、図４に示したデータを主成分分析すると、主成分分析手段の結果の一例を示す図８のように、第一主成分（横軸）が運用条件に相当し、運用条件によるばらつきでは説明ができない成分が第二主成分（縦軸）となる。

劣化度計算手段４Ｂでは、第一主成分の値と第二主成分の値を用いて、劣化度を計算する。劣化度の計算方法は、実施例１と同様であるが、実施例１では、運用条件特徴量Ｄ１および劣化特徴量Ｄ２を用いたのに対し、実施例２では、運用条件特徴量Ｄ１および劣化特徴量Ｄ２から求めた第一主成分スコアＰＣＡ１および第二主成分スコアＰＣＡ２を用いる。具体的には、（３）式により、劣化度を求める。
（数３）
Ｇ＝ＰＣＡ２ａｖｅ－ＰＣＡ２ｃ（Ｇ＜０の場合、Ｇ＝０）（３）
ここで、ＰＣＡ２ａｖｅは、劣化がなかった時点のＰＣＡ２の値、ＰＣＡ２ｃは、現在のＰＣＡ２の値である。

劣化度表示・予測手段７では、劣化度を表示するとともに将来の劣化度を予測し、予測した劣化度を表示する。図９に劣化度表示・予測手段７の出力例を、横軸に時間、縦軸に劣化度Ｇを採用して示している。実施例１で示した図６と異なる点は、将来の劣化度を予測し、表示している点である。予測値は丸印で囲んだ現在から一定期間のデータを利用し、線形回帰式で求めた。

このように、実施例２によれば、運用条件を第一主成分としてより明確に分離することで、設備の劣化をより精度よく検知することができる。また、劣化度の予測値を表示することで、今後の保守の時期を決定する場合に、本情報を活用することができる。

なお、本実施例では、回帰式として線形回帰式を用いたが、非線形回帰式を用いて将来の劣化度を予測してもよい。

最後に本発明の実施例３に係るボイラ設備の劣化診断装置の構成例について、図１０を用いて説明する。実施例３が実施例２と異なる点は、主成分分析手段６の後にデータ分類手段８が追加された点である。また、これにより、劣化度計算手段４Ｃの計算方法も変更されている。以下に、データ分類手段８と劣化度計算手段４Ｃについて説明する。

なお図１０の劣化診断装置１０は、計算機装置を用いて構成されるのがよいが、運転データデータベースＤＢと劣化度表示手段５以外の部分は、計算機装置の演算部（ＣＰＵ）における処理により実現される機能である。

データ分類手段８で用いた手法は、特許文献２で用いられた適応共鳴理論（ＡｄａｐｔｉｖｅＲｅｓｏｎａｎｃｅＴｈｅｏｒｙ：ＡＲＴ）である。適応共鳴理論では、多次元のデータをその類似度に応じて複数のカテゴリーに分類する。

データ分類手段８により主成分分析手段６で求めた主成分スコアを分類した結果の一例を図１１に示す。本実施例では、データがＣ１からＣ６の６つのカテゴリーに分類されている。また、カテゴリーは、第一主成分方向に並んでおり、第二主成分方向には重なりがない。これは、第一主成分方向の変動が大きいデータであるため、カテゴリーのサイズを決定するパラメータを調整することでこのように分類される。

劣化度計算手段４Ｃでは、劣化度を各カテゴリーに分類されたデータごとに求める。具体的な求め方を、図１２を用いて説明する。図１２の左側は、あるカテゴリーに分類されたデータを模式的に示した図である。灰色の丸印はデータであり、ひし形は、このカテゴリーに分類されたデータの重心である。劣化度は、図１２の右側に示したように、重心からの第二主成分方向のズレであるΔＰＣＡ２を用いて計算する。劣化がない状態の基準となるΔＰＣＡ２の値は、カテゴリーごとに、そのカテゴリーに含まれるデータのΔＰＣＡ２の平均値ΔＰＣＡ２ａｖｅとして求める。ΔＰＣＡ２は、各カテゴリーの重心を基準として求めているため、平均値であるΔＰＣＡ２ａｖｅは、ゼロに近い値となる。

次に現時点のΔＰＣＡ２ｃは、現時点のデータから最も近いカテゴリーの重心を基準として求め、劣化度Ｇを（４）式で求める。
（数４）
Ｇ＝ΔＰＣＡ２ａｖｅ－ΔＰＣＡ２ｃ（Ｇ＜０の場合、Ｇ＝０）（４）
このように、本実施例によれば、運転データを複数のカテゴリーに分類することができるため、現状のデータが分類されたカテゴリーから、現状の運用条件を直観的に把握できるため、運用条件と劣化度の関係も把握しやすくなる。

１：ボイラ設備
３：特徴量計算手段
４、４Ｂ、４Ｃ：劣化度計算手段
５：劣化度表示手段
６：主成分分析手段
７：劣化度表示・予測手段
８：データ分類手段
Ｄ：運転データ
ＤＢ：運転データデータベース

Claims

設備で計測した運転データを記憶する運転データデータベースと、前記運転データから運用条件に関する運用条件特徴量と劣化に影響する劣化特徴量を求める特徴量計算手段と、運用条件特徴量が同一とみなせる条件で、劣化がない状態の劣化特徴量と現状の劣化特徴量の値を比較し劣化度を計算する劣化度計算手段と、前記劣化度計算手段で求めた劣化度を表示する劣化度表示手段を持つことを特徴とする設備の劣化診断装置。
請求項１に記載の設備の劣化診断装置であって、
前記特徴量計算手段で求めた運用条件特徴量と劣化特徴量を主成分分析する主成分分析手段とを備え、
前記劣化度計算手段は、前記主成分分析手段で出力される第一主成分と第二主成分を用い、第一主成分が同一とみなせる条件で、劣化がない状態の第二主成分の値を現状の第二主成分の値と比較し、劣化度を計算することを特徴とする設備の劣化診断装置。
請求項１または請求項２に記載の設備の劣化診断装置であって、
前記劣化度表示手段は、求めた劣化度の時系列変化から将来の劣化度を予測し、表示することを特徴とする設備の劣化診断装置。
請求項２に記載の設備の劣化診断装置であって、
前記主成分分析手段で出力される第一主成分と第二主成分を適応共鳴理論により分類し、複数のカテゴリーに分類するデータ分類手段を備え、
前記劣化度計算手段は、分類された前記各データと、前記各データに最も近いカテゴリーの重心の第二主成分方向の偏差を求め、劣化がない状態の偏差の値と、現状の偏差の値を比較し、劣化度を計算することを特徴とする設備の劣化診断装置。
設備で計測した運転データから、運用条件に関する運用条件特徴量と劣化に影響する劣化特徴量を求め、運用条件特徴量が同一とみなせる条件で、劣化がない状態の劣化特徴量と現状の劣化特徴量の値を比較して劣化度を計算することを特徴とする設備の劣化診断方法。
請求項５に記載の設備の劣化診断方法であって、
前記運用条件特徴量と前記劣化特徴量を主成分分析し、
前記主成分分析された第一主成分と第二主成分について、第一主成分が同一とみなせる条件で、劣化がない状態の第二主成分の値を現状の第二主成分の値と比較し、劣化度を計算することを特徴とする設備の劣化診断方法。
請求項５または請求項６に記載の設備の劣化診断方法であって、
求めた劣化度の時系列変化から将来の劣化度を予測し、表示することを特徴とする設備の劣化診断方法。
請求項６に記載の設備の劣化診断方法であって、
前記第一主成分と前記第二主成分を適応共鳴理論により分類し、複数のカテゴリーに分類し、
分類された前記各データと、前記各データに最も近いカテゴリーの重心の第二主成分方向の偏差を求め、劣化がない状態の偏差の値と、現状の偏差の値を比較し、劣化度を計算することを特徴とする設備の劣化診断方法。