JP2024013399A - 設備の劣化診断装置及び方法 - Google Patents
設備の劣化診断装置及び方法 Download PDFInfo
- Publication number
- JP2024013399A JP2024013399A JP2022115457A JP2022115457A JP2024013399A JP 2024013399 A JP2024013399 A JP 2024013399A JP 2022115457 A JP2022115457 A JP 2022115457A JP 2022115457 A JP2022115457 A JP 2022115457A JP 2024013399 A JP2024013399 A JP 2024013399A
- Authority
- JP
- Japan
- Prior art keywords
- deterioration
- principal component
- degree
- equipment
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000006866 deterioration Effects 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims description 32
- 238000003745 diagnosis Methods 0.000 claims description 18
- 238000000513 principal component analysis Methods 0.000 claims description 17
- 230000005484 gravity Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 239000000446 fuel Substances 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 101100353526 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) pca-2 gene Proteins 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 101000812677 Homo sapiens Nucleotide pyrophosphatase Proteins 0.000 description 1
- 102100039306 Nucleotide pyrophosphatase Human genes 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
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。
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。
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。
(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2020/3/3 10:03:00)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。
(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。
(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(Adaptive Resonance Theory: 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。
(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
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 (8)
- 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022115457A JP2024013399A (ja) | 2022-07-20 | 2022-07-20 | 設備の劣化診断装置及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022115457A JP2024013399A (ja) | 2022-07-20 | 2022-07-20 | 設備の劣化診断装置及び方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024013399A true JP2024013399A (ja) | 2024-02-01 |
Family
ID=89718784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022115457A Pending JP2024013399A (ja) | 2022-07-20 | 2022-07-20 | 設備の劣化診断装置及び方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2024013399A (ja) |
-
2022
- 2022-07-20 JP JP2022115457A patent/JP2024013399A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10739752B2 (en) | Computer system and method for causality analysis using hybrid first-principles and inferential model | |
US10621545B2 (en) | Inventory management system having functions of performing inventory management and preventive maintenance | |
EP2905665B1 (en) | Information processing apparatus, diagnosis method, and program | |
JP5975883B2 (ja) | 故障している計器を検出する方法及び装置 | |
US8566070B2 (en) | Apparatus abnormality monitoring method and system | |
JP5610695B2 (ja) | プラント監視用の方法、プログラム及び装置 | |
KR102618023B1 (ko) | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 | |
JP6326321B2 (ja) | データ表示システム | |
CN107710089B (zh) | 工厂设备诊断装置以及工厂设备诊断方法 | |
WO2017138238A1 (ja) | 監視装置及び監視装置の制御方法 | |
EP3866132A1 (en) | Power plant early warning device and method employing multiple prediction model | |
JP6674033B2 (ja) | プラント異常診断装置及びプラント異常診断システム | |
JP5824959B2 (ja) | 異常診断装置 | |
WO2022091639A1 (ja) | 異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置 | |
JP2010276339A (ja) | センサ診断方法およびセンサ診断装置 | |
JP2024013399A (ja) | 設備の劣化診断装置及び方法 | |
JP6686947B2 (ja) | 高炉炉況状態判定装置及び高炉の操業方法 | |
JP2017117034A (ja) | 診断装置及び診断方法 | |
WO2020204043A1 (ja) | 高炉の異常判定装置、高炉の異常判定方法、及び高炉の操業方法 | |
WO2020183781A1 (ja) | 異常診断装置 | |
CN117874687B (zh) | 一种工业平板电脑的数据交互方法 | |
JP7461798B2 (ja) | 設備監視支援装置、方法及びプログラム | |
US11898552B2 (en) | Method and system for predicting failures of sucker rod pumps using scaled load ratios | |
US20240125675A1 (en) | Anomaly detection for industrial assets | |
JP6932467B2 (ja) | 状態変動検出装置、状態変動検出システム及び状態変動検出用プログラム |