JP2758976B2 - 特性変化予測方法およびシステム - Google Patents
特性変化予測方法およびシステムInfo
- Publication number
- JP2758976B2 JP2758976B2 JP2149323A JP14932390A JP2758976B2 JP 2758976 B2 JP2758976 B2 JP 2758976B2 JP 2149323 A JP2149323 A JP 2149323A JP 14932390 A JP14932390 A JP 14932390A JP 2758976 B2 JP2758976 B2 JP 2758976B2
- Authority
- JP
- Japan
- Prior art keywords
- characteristic change
- temporal
- pattern
- information
- input
- 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.)
- Expired - Lifetime
Links
Description
【発明の詳細な説明】 ［産業上の利用分野］ 本発明は、プラントで稼動中のセンサーの特性の経年
変化を予測するシステムに関し、特に、経験量の多いも
のの実稼動データから経験量の少ないもの経年変化を予
測する特性変化予測システムに関する。
変化を予測するシステムに関し、特に、経験量の多いも
のの実稼動データから経験量の少ないもの経年変化を予
測する特性変化予測システムに関する。
［従来の技術］ 第2A図は、火力プラントのタービンをオンラインで診
断し、リアルタイムで異常を告知する遠隔診断システム
である。
断し、リアルタイムで異常を告知する遠隔診断システム
である。
各発電プラント1a,1b,1cのセンサー情報13は電話回路
6a,6b,6cを利用して診断センタ17に集められ、エキスパ
ートシステムによる一括診断に用いられる。
6a,6b,6cを利用して診断センタ17に集められ、エキスパ
ートシステムによる一括診断に用いられる。
これは、プラントの異常事象における各種の情報か
ら、異常な部品を特定し、プラントを停止して交換すべ
きか否かの判断を行うものである。特にセンサーについ
ては、例えば、同一物理量を測定している複数のセンサ
ー間の送関関係をみて、異常なセンサーを割出す等の処
理を行っている。
ら、異常な部品を特定し、プラントを停止して交換すべ
きか否かの判断を行うものである。特にセンサーについ
ては、例えば、同一物理量を測定している複数のセンサ
ー間の送関関係をみて、異常なセンサーを割出す等の処
理を行っている。
第2B図は、本出願人が先に特願平１−95034号として
提案した先行例を示し、神経回路（ニューロ）モデルを
用いて振動の異常診断を行うものである。すなわち、典
型的な振動波形（ａ）を学習し、診断の対象となる波形
を入力し、その結果として（ｂ）の結果を得るものであ
る。今回提案する特性変化予測システムもこの方式と類
似しており、過去の経験から類似データを選び出し、そ
れらの情報から将来の経年変化の予測を行うものであ
る。
提案した先行例を示し、神経回路（ニューロ）モデルを
用いて振動の異常診断を行うものである。すなわち、典
型的な振動波形（ａ）を学習し、診断の対象となる波形
を入力し、その結果として（ｂ）の結果を得るものであ
る。今回提案する特性変化予測システムもこの方式と類
似しており、過去の経験から類似データを選び出し、そ
れらの情報から将来の経年変化の予測を行うものであ
る。
［発明が解決しようとする課題］ プラントの計測制御において重要な役割をはたす各種
センサー（または機器：以下同様）は、計測時間、プラ
ント運転状態等の被ストレス量に応じて劣化を余儀なく
されるが、その最適な交替時期を予測することは難し
い。そのため計測制御機能の保守のためには、耐久試験
データ、過去の経験等にもとづき定期的に交替するとい
う方法が多くとられている。
センサー（または機器：以下同様）は、計測時間、プラ
ント運転状態等の被ストレス量に応じて劣化を余儀なく
されるが、その最適な交替時期を予測することは難し
い。そのため計測制御機能の保守のためには、耐久試験
データ、過去の経験等にもとづき定期的に交替するとい
う方法が多くとられている。
しかしながら、当該センサーの特性がプラントの運転
状態により変化するために詳細な挙動が必ずしも判明し
ていない場合、あるいは新規モデルであって実プラント
でのデータが不足しており監視しながら使用していくこ
とが好しい場合には、上記の従来方式では不十分であ
る。
状態により変化するために詳細な挙動が必ずしも判明し
ていない場合、あるいは新規モデルであって実プラント
でのデータが不足しており監視しながら使用していくこ
とが好しい場合には、上記の従来方式では不十分であ
る。
即ち、センサーの交換時期を誤ることを懸念し、安全
側に使用するために早めに交換を行うことになり、逆に
経済的な無駄を生ずる等の問題があった。
側に使用するために早めに交換を行うことになり、逆に
経済的な無駄を生ずる等の問題があった。
本発明の目的は、センサー等の各部品の使用限界を実
時間で推定し、この無駄を軽減することにある。即ち、
可能な限り有効に使用し効率を高めることにある。
時間で推定し、この無駄を軽減することにある。即ち、
可能な限り有効に使用し効率を高めることにある。
なお、同様の目的を達成するものとして、本出願人
は、先に特願昭62−73430号（特開昭63−238515号）と
してセンサーの使用限界時期を平均的なセンサーの挙動
に基づいて求めるものを提案しているが、本発明はこの
手法とは別に神経回路モデルを用いるものを提案する。
は、先に特願昭62−73430号（特開昭63−238515号）と
してセンサーの使用限界時期を平均的なセンサーの挙動
に基づいて求めるものを提案しているが、本発明はこの
手法とは別に神経回路モデルを用いるものを提案する。
［課題を解決するための手段］ 上記目的を達成するために、本発明によるシステム
は、プラントに使用されている部品の経時的な特性変化
を予測する特性変化予測システムであって、複数のプラ
ントにおける各種部品の特性の経時的変化情報を記憶す
る記憶手段と、該記憶手段に記憶された経時的変化情報
から選出した同種部品の複数の経時的特性変化パターン
を学習する神経回路モデルと、予測対象部品の現在まで
の経時的変化情報に基づくパターンを前記学習した神経
回路モデルに入力して得られる、前記複数の経時的特性
変化パターンの各々との類似度に基づいて、当該部品の
将来の経時的特性変化パターンを予測する予測手段とを
備えたものである。
は、プラントに使用されている部品の経時的な特性変化
を予測する特性変化予測システムであって、複数のプラ
ントにおける各種部品の特性の経時的変化情報を記憶す
る記憶手段と、該記憶手段に記憶された経時的変化情報
から選出した同種部品の複数の経時的特性変化パターン
を学習する神経回路モデルと、予測対象部品の現在まで
の経時的変化情報に基づくパターンを前記学習した神経
回路モデルに入力して得られる、前記複数の経時的特性
変化パターンの各々との類似度に基づいて、当該部品の
将来の経時的特性変化パターンを予測する予測手段とを
備えたものである。
前記神経回路モデルに入力する入力データとしては、
未経験の将来データを理論値で生成する手段を有し、入
力データを同一の時間幅とすることが望ましい。
未経験の将来データを理論値で生成する手段を有し、入
力データを同一の時間幅とすることが望ましい。
また、前記予測手段は、例えば、前記学習した複数の
経時的特性変化パターンのデータを当該類似度に比例し
て重み付けすることにより、当該部品の将来の経時的特
性変化パターンを求める。
経時的特性変化パターンのデータを当該類似度に比例し
て重み付けすることにより、当該部品の将来の経時的特
性変化パターンを求める。
本発明による方法は、プラントに使用されている部品
の経時的な特性変化を予測する特性変化予測方法であっ
て、経時的特性変化パターンを入力層とし、経時的特性
変化パターンの種別を出力層とする神経回路モデルを設
け、プラントの各種運転状態における各種部品の特性の
経時的変化情報を収集し、該収集された経時的変化情報
から前記神経回路モデルで学習すべき複数の経時的特性
変化パターンを選択し、該複数の経時的特性変化パター
ンを入力信号とし、該経時的特性変化パターンの種別を
教師信号として前記神経回路モデルの学習を行い、該学
習を行った神経回路モデルに対して、特性変化を予測対
象部品の現在までの経時的変化情報に基づくパターンを
入力し、該入力に対する前記神経回路モデルの出力から
当該入力パターンの前記学習した経時的特性変化パター
ンの各々との類似度を求め、該類似度に基づいて当該部
品の将来の経時的特性変化パターンを予測するようにし
たものである。
の経時的な特性変化を予測する特性変化予測方法であっ
て、経時的特性変化パターンを入力層とし、経時的特性
変化パターンの種別を出力層とする神経回路モデルを設
け、プラントの各種運転状態における各種部品の特性の
経時的変化情報を収集し、該収集された経時的変化情報
から前記神経回路モデルで学習すべき複数の経時的特性
変化パターンを選択し、該複数の経時的特性変化パター
ンを入力信号とし、該経時的特性変化パターンの種別を
教師信号として前記神経回路モデルの学習を行い、該学
習を行った神経回路モデルに対して、特性変化を予測対
象部品の現在までの経時的変化情報に基づくパターンを
入力し、該入力に対する前記神経回路モデルの出力から
当該入力パターンの前記学習した経時的特性変化パター
ンの各々との類似度を求め、該類似度に基づいて当該部
品の将来の経時的特性変化パターンを予測するようにし
たものである。
［作用］ 本発明のシステムでは、各プラントから遠隔通信回路
を介して診断センターに集められた各センサーの感度等
の特性情報を用い、各型式センサーの劣化特性を多様な
プラント運転に対応したストレス量に対してそれぞれ求
め、これにより各センサーの将来の感度経年変化を推定
する。
を介して診断センターに集められた各センサーの感度等
の特性情報を用い、各型式センサーの劣化特性を多様な
プラント運転に対応したストレス量に対してそれぞれ求
め、これにより各センサーの将来の感度経年変化を推定
する。
即ち、多数のプラントに多数の同一型式センサーが据
付けられ使用されていれば、多様な運転状況に対する特
性劣化情報が得られる。従って、ある形式の一つのセン
サーに着目するとき、当該センサーによっては未だ経験
のない使い方のされる運転計画であっても、他プラント
の過去の、あるいは現在進行中運転方法に対する情報か
ら将来の劣化特性を推定することができる。
付けられ使用されていれば、多様な運転状況に対する特
性劣化情報が得られる。従って、ある形式の一つのセン
サーに着目するとき、当該センサーによっては未だ経験
のない使い方のされる運転計画であっても、他プラント
の過去の、あるいは現在進行中運転方法に対する情報か
ら将来の劣化特性を推定することができる。
即ち、各プラントに設置された各センサーの挙動をそ
のときの運転状態に伴うストレス量との関係で整理す
る。その中で、挙動の法則、例えば平均的な特性を明ら
かにする。
のときの運転状態に伴うストレス量との関係で整理す
る。その中で、挙動の法則、例えば平均的な特性を明ら
かにする。
しかし、当該センサーは、実プラントでの特性が、必
ずしも完全には伴っていないので長時間に亘って経験情
報を貯えるとともに、実時間で、そのときまでの最新デ
ータをもって推定する必要がある。
ずしも完全には伴っていないので長時間に亘って経験情
報を貯えるとともに、実時間で、そのときまでの最新デ
ータをもって推定する必要がある。
以上によって求められた知識から将来の挙動を各セン
サーについて推定することにより、その使用限界あるい
は寿命を求めることができる。
サーについて推定することにより、その使用限界あるい
は寿命を求めることができる。
具体的にはニューロモデルを用い、各実プラント稼動
に伴う多数の履歴データを横にらみし、さらに論理的な
特性変化曲線も加味し、将来を予測する。即ち、過去の
実績データの各々に重み付けをして推定する。
に伴う多数の履歴データを横にらみし、さらに論理的な
特性変化曲線も加味し、将来を予測する。即ち、過去の
実績データの各々に重み付けをして推定する。
［実施例］ 以下、本発明の実施例を説明する。
第１図に全体システム構成及びセンサーの診断手順の
概要を示す。
概要を示す。
各プラントＡ（1a）,B（1b）,C（1c）では、計測制御
システム4a,4b,4cが、各種センサー3a,3b,3c…によりプ
ラントプロセス2a,2b,2cの運転状態を監視・制御すると
ともに、各種スイッチ11および電磁弁12等に指令を送
り、プラント運転制御を行う。
システム4a,4b,4cが、各種センサー3a,3b,3c…によりプ
ラントプロセス2a,2b,2cの運転状態を監視・制御すると
ともに、各種スイッチ11および電磁弁12等に指令を送
り、プラント運転制御を行う。
各センサーの状態情報は計測情報通信局5a,5b,5cに集
められ、遠隔通信回線6a,6b,6cで遠隔診断センター７に
送られる。遠隔診断センター７では、通信プロセッサ８
に受信された状態情報はデータバンク９に蓄積されたニ
ューロ診断システム10に利用される。
められ、遠隔通信回線6a,6b,6cで遠隔診断センター７に
送られる。遠隔診断センター７では、通信プロセッサ８
に受信された状態情報はデータバンク９に蓄積されたニ
ューロ診断システム10に利用される。
遠隔診断センター７では、各種センサーの多様な実運
転の感度または特性情報を実時間で収集し、各種センサ
等の各プラント実運転経年変化特性を学習する。その
後、この学習結果に基づいて、個々のセンサーの今後の
特性変化を予測し、プラント別、型式別の寿命等の予測
を行う。
転の感度または特性情報を実時間で収集し、各種センサ
等の各プラント実運転経年変化特性を学習する。その
後、この学習結果に基づいて、個々のセンサーの今後の
特性変化を予測し、プラント別、型式別の寿命等の予測
を行う。
第３図は、一例として原子力発電プラント内のシステ
ム構成を示したもので、計測制御システムとして中性子
計装系22、安全保護系23を例にとっている。
ム構成を示したもので、計測制御システムとして中性子
計装系22、安全保護系23を例にとっている。
センサーの一例として挙げる中性子センサー３は、格
納容器18内の圧力容器19内に設けられた炉心20内に配置
されている。中性子計装系22は、中性子センサー３によ
り検出され前置増巾器24で増巾されたアナログ情報をAI
（Analog Input）装置25を介して取込み、記憶装置26に
組み込まれたアルゴリズムに従ってプリプロセッサ27で
トリップ条件を判定し、トリップ信号をDO（Digital Ou
tput）装置29により安全保護系23へ送り出す。安全保護
系23では、中性子計装系22及び他計測系からのトリップ
信号に対し2/4ロジック30,1/Nロジック31を演算し、ス
クラム要求信号をアクチュエータ32を介しスクラム電磁
弁33に与える。
納容器18内の圧力容器19内に設けられた炉心20内に配置
されている。中性子計装系22は、中性子センサー３によ
り検出され前置増巾器24で増巾されたアナログ情報をAI
（Analog Input）装置25を介して取込み、記憶装置26に
組み込まれたアルゴリズムに従ってプリプロセッサ27で
トリップ条件を判定し、トリップ信号をDO（Digital Ou
tput）装置29により安全保護系23へ送り出す。安全保護
系23では、中性子計装系22及び他計測系からのトリップ
信号に対し2/4ロジック30,1/Nロジック31を演算し、ス
クラム要求信号をアクチュエータ32を介しスクラム電磁
弁33に与える。
中性子計装系22に取込まれた計測情報は、直列電送イ
ンターフェイス28を介し、他計測系の計測情報、制御情
報と共に計測情報通信局５に集められ、モデムインター
フェイス16を介し電話回線６等の遠隔通信回線に乗せら
れる。
ンターフェイス28を介し、他計測系の計測情報、制御情
報と共に計測情報通信局５に集められ、モデムインター
フェイス16を介し電話回線６等の遠隔通信回線に乗せら
れる。
第４図は、遠隔診断センサー７内のシステム構成を示
したものである。
したものである。
各プラント情報は、モデムインターフェイス16で再び
信号変換され、通信プロセッサ８に取込まれる。これら
の情報はマルチアクセスコントラーラ38で集められ、計
測情報記憶装置９に蓄えられる。診断プロセッサ10は、
記憶装置９から必要な情報を取出し、センサーの診断、
プラント機器の診断等を行う。診断結果は、表示制御装
置42を介してCRT44に表示されるとともに、チャネル41
を介して外部記憶装置43に記憶され、必要に応じて診断
情報を取出せるようにされている。
信号変換され、通信プロセッサ８に取込まれる。これら
の情報はマルチアクセスコントラーラ38で集められ、計
測情報記憶装置９に蓄えられる。診断プロセッサ10は、
記憶装置９から必要な情報を取出し、センサーの診断、
プラント機器の診断等を行う。診断結果は、表示制御装
置42を介してCRT44に表示されるとともに、チャネル41
を介して外部記憶装置43に記憶され、必要に応じて診断
情報を取出せるようにされている。
本発明は、各プラントの各種センサーの使用限界時期
を予測するもので、以下にその方法の詳細を説明する。
を予測するもので、以下にその方法の詳細を説明する。
第５図に、各プラントからのセンサー感度情報と、全
センサー感度情報のフォーマットを示す。
センサー感度情報のフォーマットを示す。
センサーは各型式でα，β，γ，…のように識別さ
れ、同一型式のセンサーには各プラント間の共通の一貫
番号を付け、αｉ（ｉ＝1,2,…），βｉ（ｉ＝1,2,…）
として認識される。センサーの感度は、校正用センサー
を同じ計測位置に定期的に位置し、その計測値に対する
当該センサーの計測値の比として求める。感度経時特性
は、センサーの種類、個別特性（異常の有無）及びプラ
ント運転状態等により変動する。
れ、同一型式のセンサーには各プラント間の共通の一貫
番号を付け、αｉ（ｉ＝1,2,…），βｉ（ｉ＝1,2,…）
として認識される。センサーの感度は、校正用センサー
を同じ計測位置に定期的に位置し、その計測値に対する
当該センサーの計測値の比として求める。感度経時特性
は、センサーの種類、個別特性（異常の有無）及びプラ
ント運転状態等により変動する。
第6A図、第6B図は、収集された感度情報から、ある同
一型式センサーαの感度経時変化の実測値トレンド、及
び将来の感度変化推定曲線をグラフに示したもので、オ
ペレータの要求に応じてCRT44に表示される。グラフの
横軸は各プラント計測開始時からの計測時間、縦軸はセ
ンサー感度を示す。
一型式センサーαの感度経時変化の実測値トレンド、及
び将来の感度変化推定曲線をグラフに示したもので、オ
ペレータの要求に応じてCRT44に表示される。グラフの
横軸は各プラント計測開始時からの計測時間、縦軸はセ
ンサー感度を示す。
感度変化推定曲線は、最新の実測値を基に実時間で計
算され、各センサーの使用限界時期の推定あるいは校正
作業等に用いられる。推定の方法として、本発明ではニ
ューロモデルを用いて行うことを提案する。
算され、各センサーの使用限界時期の推定あるいは校正
作業等に用いられる。推定の方法として、本発明ではニ
ューロモデルを用いて行うことを提案する。
第７図は、本発明における予測システムの構成を示す
ものである。
ものである。
遠隔の各プラントから収集された「計測情報データ」
は「学習用サンプルデータ」として活用する（D01）。
神経回路モデルの学習時に、この学習用サンプルデータ
は学習管理機能により神経回路モデルに入力され（D0
4）、神経回路モデルの出力データは学習管理機能にフ
ィードバックされる（D05）。学習済みの神経回路モデ
ルを利用する場合には、計測情報データを神経回路モデ
ルに入力し（D02）、その出力を予測結果として利用す
る。
は「学習用サンプルデータ」として活用する（D01）。
神経回路モデルの学習時に、この学習用サンプルデータ
は学習管理機能により神経回路モデルに入力され（D0
4）、神経回路モデルの出力データは学習管理機能にフ
ィードバックされる（D05）。学習済みの神経回路モデ
ルを利用する場合には、計測情報データを神経回路モデ
ルに入力し（D02）、その出力を予測結果として利用す
る。
いま仮に計測情報データに番号をつけて、J1,J2,J3,
…とする。J1,J2,…の各々について「神経回路モデル」
に入力し学習させ、認識可能とする。ここで、使用実績
あるいは経年変化の進んだデータの順にJ1,J2,…,JNと
しておく。従って、Jiは、J1〜Ji-1の経年変化データを
もって参考とし、将来の予測に役立てることができる。
…とする。J1,J2,…の各々について「神経回路モデル」
に入力し学習させ、認識可能とする。ここで、使用実績
あるいは経年変化の進んだデータの順にJ1,J2,…,JNと
しておく。従って、Jiは、J1〜Ji-1の経年変化データを
もって参考とし、将来の予測に役立てることができる。
次に第８図、第９図をもって「神経回路モデル」を説
明する。
明する。
第８図で、神経回路モデルを構成するユニットへの入
力X1,X2,X3,…,Xnは、０〜１までのアナログ情報をも
ち、加重W1,W2,…,Wnは−∞〜＋∞の値をとる。
力X1,X2,X3,…,Xnは、０〜１までのアナログ情報をも
ち、加重W1,W2,…,Wnは−∞〜＋∞の値をとる。
よりユニットの出力ｙは と定義される。
第９図は、上記のユニットモデルを層状に配置し各ユ
ニットからの出力信号を次層の各ユニットの入力信号と
した神経回路モデルを示す。ある入力信号に対する出力
信号が教師信号と一致するように両者の誤差に対応し
て、入力層、中間層の接続の強さを調整する。即ち、学
習アルゴリズムにより行なわれる（バックプロパゲーシ
ョン）。本実施例においては第10図に示す如く入力信号
として、実プラントにおける各センサーの特性変化デー
タ（パターン）を入力する。入力値は０〜１の間として
正規化したものを用い、横軸には時間をとりその時系的
変化とする。教師信号としては、上記特性変化の各パタ
ーンのID番号とする。このように、学習アルゴリズムを
用いて学習することにより各パターンの識別を可能とす
る。
ニットからの出力信号を次層の各ユニットの入力信号と
した神経回路モデルを示す。ある入力信号に対する出力
信号が教師信号と一致するように両者の誤差に対応し
て、入力層、中間層の接続の強さを調整する。即ち、学
習アルゴリズムにより行なわれる（バックプロパゲーシ
ョン）。本実施例においては第10図に示す如く入力信号
として、実プラントにおける各センサーの特性変化デー
タ（パターン）を入力する。入力値は０〜１の間として
正規化したものを用い、横軸には時間をとりその時系的
変化とする。教師信号としては、上記特性変化の各パタ
ーンのID番号とする。このように、学習アルゴリズムを
用いて学習することにより各パターンの識別を可能とす
る。
一般には、上記のデータは膨大となることが多いの
で、いくつかの典型的なものを選択して、例えば、長期
間使用し経験が豊富なものを選んで入力するのが現実的
であるが、将来、非常に優れた計算機が実現し、学習ア
ルゴリズムを高速かつ情報処理、整理も容易にできるよ
うになれば、そのような制約もなくなる。
で、いくつかの典型的なものを選択して、例えば、長期
間使用し経験が豊富なものを選んで入力するのが現実的
であるが、将来、非常に優れた計算機が実現し、学習ア
ルゴリズムを高速かつ情報処理、整理も容易にできるよ
うになれば、そのような制約もなくなる。
このようにして、特性変化データとID番号の対応がで
きている（すなわち学習済みの）ニューロモデルを用
い、これから将来を予測しようとするセンサーの今まで
経験した特性データを入力層に入力する。そうすると今
度は、第11図に示す如く、上記で学習されたID番号のど
れに近いかを「確信度」として出力することができる。
現実には完全に一致することはないので、複数のID番号
について有為な類似度の値が出力される。
きている（すなわち学習済みの）ニューロモデルを用
い、これから将来を予測しようとするセンサーの今まで
経験した特性データを入力層に入力する。そうすると今
度は、第11図に示す如く、上記で学習されたID番号のど
れに近いかを「確信度」として出力することができる。
現実には完全に一致することはないので、複数のID番号
について有為な類似度の値が出力される。
なお、将来を予測しようとするセンサの特性データ
は、第11図の入力信号として示した全時間幅のデータの
うちの途中までしか得られていないので、残りの部分の
データとしては理論値を用いることができる。この理論
値の算出の仕方については前記特開昭63−238515号等に
開示されているものを利用できる。理論値によっても、
センサーの使用限界時期が求まるが、これは必ずしも精
度が良好ではないので、この理論値を含めたパターンを
経験回路モデルの入力として利用する。
は、第11図の入力信号として示した全時間幅のデータの
うちの途中までしか得られていないので、残りの部分の
データとしては理論値を用いることができる。この理論
値の算出の仕方については前記特開昭63−238515号等に
開示されているものを利用できる。理論値によっても、
センサーの使用限界時期が求まるが、これは必ずしも精
度が良好ではないので、この理論値を含めたパターンを
経験回路モデルの入力として利用する。
このようにして、予測対象が上記で学習した典型例の
どのパターンに近いかを知ることができる。この類似度
出力から特性変化パターンを得るために、本実施例にお
いては将来予測データを次のように定義する。
どのパターンに近いかを知ることができる。この類似度
出力から特性変化パターンを得るために、本実施例にお
いては将来予測データを次のように定義する。
即ち、将来予測は、学習された各データに重み付けを
して新たな予測パターンを算出することになる。
して新たな予測パターンを算出することになる。
なお、上記学習を行う場合にも、あるものは４年、ま
たあるものは７年の経験があるというように、経験度の
バラツキがあるため入力層の横軸が一定とならなり場合
がある。このような場合にも、未経験ゾーンに対してエ
ンジニアリングデータあるいは理論値を適切に追加し、
全データを同じ経年すべき時間として評価することがで
きる。
たあるものは７年の経験があるというように、経験度の
バラツキがあるため入力層の横軸が一定とならなり場合
がある。このような場合にも、未経験ゾーンに対してエ
ンジニアリングデータあるいは理論値を適切に追加し、
全データを同じ経年すべき時間として評価することがで
きる。
以上のようにすれば、当らずとも遠からずの解が必ず
得られ、実際に、将来の専門家が感により判定して推定
しているのと同様のプロセスを行うことが可能となる。
得られ、実際に、将来の専門家が感により判定して推定
しているのと同様のプロセスを行うことが可能となる。
以上においては、運転のモードとしては、起動運転、
100％運転、停止等の典型的な場合についてのみ考察し
たが、実際には、その他にもいろいろな運転形態があり
うる。その各々に対して上記の手法で、センサーに対す
る劣化特性の経験情報を貯え、他のプラントに用いた
り、あるいは将来の同様な運転モードに対しても役立て
ることができる。
100％運転、停止等の典型的な場合についてのみ考察し
たが、実際には、その他にもいろいろな運転形態があり
うる。その各々に対して上記の手法で、センサーに対す
る劣化特性の経験情報を貯え、他のプラントに用いた
り、あるいは将来の同様な運転モードに対しても役立て
ることができる。
さらに、同様な手法により、平均的な振舞をしないセ
ンサーについても効果的な特性劣化の推定をすることが
できる。例えば、異常なセンサーに対する経験情報を集
約し、それだけで一つの情報の集合を作成し、その中で
上記と同様な手法を用いて、やはり、その集合の中で予
測しようとする特性変化に近いパターンを見付けて将来
予測をすることができる。
ンサーについても効果的な特性劣化の推定をすることが
できる。例えば、異常なセンサーに対する経験情報を集
約し、それだけで一つの情報の集合を作成し、その中で
上記と同様な手法を用いて、やはり、その集合の中で予
測しようとする特性変化に近いパターンを見付けて将来
予測をすることができる。
［発明の効果］ 本発明によれば、各センサーの将来の経年変化を予測
し、また使用限界時期を推定することによりセンサーの
効果的な交替時期を予測することができる。また、これ
をもとに効率的なプラント定検作業計画を立てることに
も貢献できる。
し、また使用限界時期を推定することによりセンサーの
効果的な交替時期を予測することができる。また、これ
をもとに効率的なプラント定検作業計画を立てることに
も貢献できる。
即ち、多様な運転パターンにおいて、必ずしもセンサ
ーの劣化特性が明確でないものに対して、その将来の振
舞を推定したり、あるいは、その振舞いが、他の同一型
式のセンサーに比べて異常であっても、可能な限り正確
な推定を行うことにより、より効果的に使用することが
できる。
ーの劣化特性が明確でないものに対して、その将来の振
舞を推定したり、あるいは、その振舞いが、他の同一型
式のセンサーに比べて異常であっても、可能な限り正確
な推定を行うことにより、より効果的に使用することが
できる。
これにより、経済性を向上させることができる。特に
センサーが高価である場合、あるいは、使用量が多い場
合に効果は大きい。しかも、本方式によれば、専門家の
力は減少させ、ほぼ自動的に推定することができる。個
人差なく推定できることもメリットである。
センサーが高価である場合、あるいは、使用量が多い場
合に効果は大きい。しかも、本方式によれば、専門家の
力は減少させ、ほぼ自動的に推定することができる。個
人差なく推定できることもメリットである。
第１図は本発明を適用する全体システム構成を示すブロ
ック図、第2A図は従来技術例としてもタービン発電機故
障診断システムの説明図、第2B図は先行技術の説明図、
第３図は本発明が適用されるプラントの構成を示すブロ
ック図、第４図は第３図に示したような各プラントから
データを受け取り特性変化予測を行う遠隔診断センター
の構成を示すブロック図、第５図は遠隔診断センターに
集められたデータの説明図、第6A図は予測結果の表示例
の説明図、第6B図はセンサー使用限界時期の推定結果の
説明図、第７図は予測手段に用いられるニューロシステ
ム構成の説明図、第８図はニューロのユニットの説明
図、第９図はニューロシステムの説明図、第10図は本発
明におけるニューロシステムの学習時の説明図、第11図
は学習したニューロシステムの利用時の具体例の説明図
である。 1a,1b,1c……プラントA,B,C、3a,3b,3c……センサー、6
a,6b,6c……遠隔通信回線、７……遠隔診断センター、1
0……診断プロセッサ。
ック図、第2A図は従来技術例としてもタービン発電機故
障診断システムの説明図、第2B図は先行技術の説明図、
第３図は本発明が適用されるプラントの構成を示すブロ
ック図、第４図は第３図に示したような各プラントから
データを受け取り特性変化予測を行う遠隔診断センター
の構成を示すブロック図、第５図は遠隔診断センターに
集められたデータの説明図、第6A図は予測結果の表示例
の説明図、第6B図はセンサー使用限界時期の推定結果の
説明図、第７図は予測手段に用いられるニューロシステ
ム構成の説明図、第８図はニューロのユニットの説明
図、第９図はニューロシステムの説明図、第10図は本発
明におけるニューロシステムの学習時の説明図、第11図
は学習したニューロシステムの利用時の具体例の説明図
である。 1a,1b,1c……プラントA,B,C、3a,3b,3c……センサー、6
a,6b,6c……遠隔通信回線、７……遠隔診断センター、1
0……診断プロセッサ。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 野口 跡見 茨城県日立市大みか町５丁目２番１号 株式会社日立製作所大みか工場内 (72)発明者 松宮 章一 茨城県日立市大みか町５丁目２番１号 株式会社日立製作所大みか工場内 (72)発明者 川野 富弘 東京都渋谷区道玄坂１丁目16番５号 株 式会社日立情報システムズ内 (56)参考文献 特開 昭59−142424（ＪＰ，Ａ) 特開 昭59−154320（ＪＰ，Ａ) 特開 昭60−8715（ＪＰ，Ａ) 特開 昭60−57412（ＪＰ，Ａ) 特開 昭62−226015（ＪＰ，Ａ) (58)調査した分野(Int.Cl.6，ＤＢ名) G01D 21/00 G05B 23/02
Claims (4)
- 【請求項１】プラントに使用されている部品の経時的な
特性変化を予測する特性変化予測システムであって、 複数のプラントにおける各種部品の特性の経時的変化情
報を記憶する記憶手段と、 該記憶手段に記憶された経時的変化情報から選出した同
種部品の複数の経時的特性変化パターンを学習する神経
回路モデルと、 予測対象部品の現在までの経時的変化情報に基づくパタ
ーンを前記学習した神経回路モデルに入力して得られ
る、前記複数の経時的特性変化パターンの各々との類似
度に基づいて、当該部品の将来の経時的特性変化パター
ンを予測する予測手段と を備えたことを特徴とする特性変化予測システム。 - 【請求項２】前記神経回路モデルに入力する入力データ
として、未経験の将来データを理論値で生成する手段を
有し、入力データを同一の時間幅とすることを特徴とす
る請求項１記載の特性変化予測システム。 - 【請求項３】前記予測手段は、前記学習した複数の経時
的特性変化パターンのデータを当該類似度に比例して重
み付けすることにより、当該部品の経時的特性変化パタ
ーンを求めることを特徴とする請求項１記載の特性変化
予測システム。 - 【請求項４】プラントに使用されている部品の経時的な
特性変化を予測する特性変化予測方法であって、 経時的特性変化パターンを入力層とし、経時的特性変化
パターンの種別を出力層とする神経回路モデルを設け、 プラントの各種運転状態における各種部品の特性の経時
的変化情報を収集し、 該収集された経時的変化情報から前記神経回路モデルで
学習すべき複数の経時的特性変化パターンを選択し、 該複数の経時的特性変化パターンを入力信号とし、該経
時的特性変化パターンの種別を教師信号として前記神経
回路モデルの学習を行い、 該学習を行った神経回路モデルに対して、特性変化を予
測対象部品の現在までの経時的変化情報に基づくパター
ンを入力し、 該入力に対する前記神経回路モデルの出力から当該入力
パターンの前記学習した経時的特性変化パターンの各々
との類似度を求め、 該類似度に基づいて当該部品の将来の経時的特性変化パ
ターンを予測することを特徴とする特性変化予測方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2149323A JP2758976B2 (ja) | 1990-06-07 | 1990-06-07 | 特性変化予測方法およびシステム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2149323A JP2758976B2 (ja) | 1990-06-07 | 1990-06-07 | 特性変化予測方法およびシステム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH04151515A JPH04151515A (ja) | 1992-05-25 |
| JP2758976B2 true JP2758976B2 (ja) | 1998-05-28 |
Family
ID=15472606
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2149323A Expired - Lifetime JP2758976B2 (ja) | 1990-06-07 | 1990-06-07 | 特性変化予測方法およびシステム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2758976B2 (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020261875A1 (ja) | 2019-06-28 | 2020-12-30 | 住友重機械工業株式会社 | 予測システム |
| WO2023228901A1 (ja) * | 2022-05-26 | 2023-11-30 | 三菱重工業株式会社 | 状態量予測装置、状態量予測方法、状態量予測システム、及び状態量予測システムの制御方法 |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2778888B2 (ja) * | 1992-12-07 | 1998-07-23 | 株式会社東芝 | プラント異常診断装置 |
| US6965806B2 (en) * | 2001-03-01 | 2005-11-15 | Fisher-Rosemount Systems Inc. | Automatic work order/parts order generation and tracking |
| US7184844B2 (en) * | 2002-12-20 | 2007-02-27 | General Electric Company | Central site architecture for remote service delivery |
| JP4940180B2 (ja) * | 2008-04-03 | 2012-05-30 | 株式会社東芝 | 複合診断・保守計画支援システム及びその支援方法 |
| JP5792667B2 (ja) * | 2012-03-19 | 2015-10-14 | 日立Ｇｅニュークリア・エナジー株式会社 | センサ診断装置及びセンサ診断方法 |
| JP6304767B2 (ja) * | 2012-12-14 | 2018-04-04 | 日本電気株式会社 | センサ監視装置、センサ監視方法、及びセンサ監視プログラム |
| JP6436148B2 (ja) * | 2016-11-18 | 2018-12-12 | 横河電機株式会社 | 情報処理装置、保全機器、情報処理方法、情報処理プログラム及び記録媒体 |
-
1990
- 1990-06-07 JP JP2149323A patent/JP2758976B2/ja not_active Expired - Lifetime
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020261875A1 (ja) | 2019-06-28 | 2020-12-30 | 住友重機械工業株式会社 | 予測システム |
| JPWO2020261875A1 (ja) * | 2019-06-28 | 2020-12-30 | ||
| TWI744909B (zh) * | 2019-06-28 | 2021-11-01 | 日商住友重機械工業股份有限公司 | 用於預測對象裝置的運轉狀態之預測系統、其之預測、其之預測程式、以及用於掌握對象裝置的運轉狀態之顯示裝置 |
| KR20220027841A (ko) | 2019-06-28 | 2022-03-08 | 스미도모쥬기가이고교 가부시키가이샤 | 예측시스템 |
| WO2023228901A1 (ja) * | 2022-05-26 | 2023-11-30 | 三菱重工業株式会社 | 状態量予測装置、状態量予測方法、状態量予測システム、及び状態量予測システムの制御方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH04151515A (ja) | 1992-05-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021232655A1 (zh) | 一种基于振动特征的高压并联电抗器机械状态评估方法 | |
| CA2387929C (en) | Method and apparatus for diagnosing difficult to diagnose faults in a complex system | |
| US6625589B1 (en) | Method for adaptive threshold computation for time and frequency based anomalous feature identification in fault log data | |
| EP0378377A2 (en) | Expert system for surveillance, diagnosis and prognosis of plant operation | |
| JP2009053938A (ja) | 複数モデルに基づく設備診断システム及びその設備診断方法 | |
| CN110533294B (zh) | 一种基于人工智能技术的核电厂运行故障报警方法 | |
| JPH08202444A (ja) | 機械設備の異常診断方法および装置 | |
| CN112083244B (zh) | 综合化航空电子设备故障智能诊断系统 | |
| JP2003114294A (ja) | 発電プラントの監視・診断・検査・保全システム | |
| JP2758976B2 (ja) | 特性変化予測方法およびシステム | |
| CN110764474B (zh) | 监测设备运行状态的方法和系统 | |
| JP3068091B1 (ja) | 異常診断装置 | |
| CN114154779A (zh) | 一种基于emd-som的健康评估与故障诊断方法及系统 | |
| JP2642407B2 (ja) | 保全対象設備選定装置 | |
| Singer et al. | A pattern-recognition-based, fault-tolerant monitoring and diagnostic technique | |
| JPS63238515A (ja) | センサ寿命予測システム | |
| JP2645017B2 (ja) | プラント診断方法及びその装置 | |
| Feng et al. | Degradation State Assessment Modeling Using Causality Discovery | |
| JP2783635B2 (ja) | プラント診断装置 | |
| JPH05157668A (ja) | プラント機器の異常検知方法及び装置 | |
| CN117589444B (zh) | 一种基于联邦学习的风力发电机齿轮箱故障诊断方法 | |
| CN117038048B (zh) | 一种用于医疗器械的远程故障处理方法及系统 | |
| Awad et al. | ESTIMATION TYPES OF FAILURE FOR THERMO-ELECTRIC UNIT BY USING ARTIFICIAL NEURAL NETWORK (ANN) | |
| JPH0221307A (ja) | プラント診断装置 | |
| Reibling et al. | Diagnostic reasoning technology for the on-board maintenance system |