JP2778888B2

JP2778888B2 - プラント異常診断装置

Info

Publication number: JP2778888B2
Application number: JP4326662A
Authority: JP
Inventors: 昭基神谷
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 1992-12-07
Filing date: 1992-12-07
Publication date: 1998-07-23
Anticipated expiration: 2013-07-23
Also published as: JPH06174503A

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、プラントの異常を診断
し原因を特定するための学習機能を備えたプラント異常
診断装置に関するものである。

【０００２】

【従来の技術】一般にプラント異常診断とは、プラント
に異常が発生したとき、プラントの挙動を示すプラント
データからその異常原因を診断することである。また、
プラントデータはプラント異常原因と対応するものであ
る。すなわち、「プラントデータがＸである」ならば、
「対応する異常原因はＹである」というような対応関係
がある。異常診断の学習とはこのような対応関係を学習
することである。

【０００３】このような学習機能を備えたプラント異常
診断装置の従来の学習システムを図２０に示す。この図
に示すように、人間１から与えられた学習用データａ1
を学習用データ入力手段３が入力し、学習用データ記憶
部５に保存する。学習処理手段７は、学習用データ記憶
部５から学習用データａ1 を読み込み、学習機構記憶部
９に保存されているニューラルネットワーク形式の学習
機構ａ2 を使ってプラント異常診断についての学習を行
い、学習によって得られた診断機構ａ3 を診断手段記憶
部１１に保存する。

【０００４】ここで、従来のニューラルネットワークの
一形式であるバックプロパゲーション学習則を用いて、
プラント異常診断の学習機構ａ2 について図２１を参照
して説明する。人間１から与えられる学習用データａ1
は学習用入力データとしてのプラントデータｂと学習用
出力データとしての異常原因発生度合いデータｃから構
成され、学習機構ａ2 、この例では、すなわちバックプ
ロパゲーション学習則ニューラルネットワークに与えら
れる。学習機構ａ2 は、入力層１００、中間層１１０お
よび出力層１２０より構成され、入力層１００は３個の
入力層ニューロｉ（ｉ＝１、２、３）１０１、１０２、
１０３より、中間層１１０は３個の中間層ニューロｊ
（ｊ＝１、２、３）１１１、１１２、１１３より、出力
層１２０は２個の出力層ニューロｋ（ｋ＝１、２）１２
１、１２２より構成されている。

【０００５】バックプロバゲーション学習則ニューラル
ネットワークによるプラント異常診断に関する学習と
は、学習用データａ1 のプラントデータｂ1 、ｂ2 、ｂ
3 がそれぞれ入力層ニューロ１０１、１０２、１０３に
与えられた時、入力層１００、中間層１１０、出力層１
２０の順に計算された出力層１２０のそれぞれの出力層
ニューロ１２１、１２２の出力データｄ1 、ｄ2 が、そ
れぞれ与えられる学習用データａ1 の異常原因発生度合
いデータｃ1 、ｃ2 に近づくようにニューロ間の結合係
数Ｗij、Ｗjkを変化させることである。なお、図中符号
１３１、１３２はそれぞれ出力データｄ1 、ｄ2 と対応
する異常原因発生度合いデータｃ1 、ｃ2との偏差を求
め偏差データｅ1 、ｅ2 を出力する出力偏差器である。

【０００６】図２２は、学習用データパターン例を示す
もので、同図において、パターンＰ１は学習用入力デー
タｂとしてのプラントデータｂ1 、ｂ2 、ｂ3 がそれぞ
れＸP1(1) 、ＸP1(2) 、ＸP1(3) のとき、学習用出力デ
ータｃとしての異常原因発生度合いデータｃ1 、ｃ2 が
それぞれ異常原因Ａの発生度合いＹP1(1) 、異常原因Ｂ
の発生度合いＹP1(2) であり、パターンＰ２はプラント
データｂ1 、ｂ2 、ｂ3 がＸP2(1) 、ＸP2(2) 、ＸP2
(3) のとき、異常原因発生度合いデータｃ1 、ｃ2 が異
常原因Ａの発生度合いＹP2(1) 、異常原因Ｂの発生度合
いＹP2(2) であることを示している。また、パターンＰ
１、Ｐ２の学習用入力データｂの横軸はサンプリング時
刻Ｔ、縦軸はプラントデータの値Ｘを示す。なお、パタ
ーンＰ１、Ｐ２の学習用出力データｃである異常原因発
生度合いデータｃ1 、ｃ2 の値Ｙは、例えば０≦ＹP1
(1) 、ＹP1(2) 、ＹP2(1) 、ＹP2(2) ≦１とし、０に近
いほど異常原因の発生度合い（可能性）が低く、１に近
いほど異常原因の発生度合い（可能性）が高いと表すこ
とができる。

【０００７】図２３は、このような学習用データに対す
る学習処理手段７の処理例を示すフローチャートであ
る。図２３において、学習開始により、学習処理手段７
はまず学習機構記憶部９より図２１に示すようなニュー
ラルネットワーク形式の学習機構ａ2 を読み込む（２０
０）。ついで、学習用データ記憶部５に記憶されている
学習用データパターンＰｌ（ｌ＝１、２、………、ｍ、
図２２の例ではｍ＝２である。）からパターンＰ１の学
習用データを読み込み（２０１）、それぞれの値を学習
機構ａ2 の入力層ニューロ１０１、１０２、１０３と出
力層ニューロ１２１、１２２に与えて、学習を次のよう
な手順で実行する（２０２）。

【０００８】（１）与えられる学習用プラントデータｂ
1 、ｂ2 、ｂ3 について、あらかじめ設定されているニ
ューロ間の結合係数Ｗij、Ｗjkを用いて入力層１００、
中間層１１０、出力層１２０の順に計算し、各出力層ニ
ューロ１２１、１２２の出力データｄ1 、ｄ2 を算出す
る。

【０００９】ｄ1 ＝Ｆ₁（Ｗij、Ｗjk、ｂ1 、ｂ2 、ｂ3 ）ｄ2 ＝Ｆ₂（Ｗij、Ｗjk、ｂ1 、ｂ2 、ｂ3 ）ただし、Ｆ₁、Ｆ₂；ニューロの出力関数Ｗij；入力層ニューロｉと中間層ニューロｊとの結合係
数Ｗjk；中間層ニューロｊと出力層ニューロｋとの結合係
数（２）出力偏差器１３１、１３２により偏差データｅ1
、ｅ2 を算出する。

【００１０】ｅ1 ＝ｄ1 −ｃ1 ｅ2 ＝ｄ2 −ｃ2 （３）偏差ｅ1 、ｅ2 を出力層１２０、中間層１１０、
入力層１００の順に逆伝播させながら、偏差ｅ1 、ｅ2
が０に近づくようにＷij、Ｗjkを変化させる。

【００１１】以上の手順により、ニューロ間の結合係数
Ｗij、Ｗjkを修正する。

【００１２】同様にして（２０３）、パターンＰ２、Ｐ
３、………、Ｐｍについて、パターンＰ１のときと同様
の手順で学習を実行し、ニューロ間の結合係数Ｗij、Ｗ
jkを順次修正する。

【００１３】上記パターンＰ１〜Ｐｍに対する学習は繰
り返しで行われるが（２０４）、次に二つの終了条件
（２０５）のいずれかが満足された時点で、診断機構ａ
3 を出力して（２０６）学習終了となる。

【００１４】終了条件１；パターンＰｌ（ｌ＝１、２、
………、ｍ）の学習用入力データにより計算された出力
層ニューロ１２１、１２２の出力データｄ1 、ｄ2 とパ
ターンＰｌの学習用出力データｃ1 、ｃ2 との偏差デー
タを、ｅ1 （Ｐｌ）、ｅ2 （Ｐｌ）とすると、｜ｅ1 （Ｐ１）｜≦ε ｜ｅ2 （Ｐ１）｜≦ε ：：｜ｅ1 （Ｐｍ）｜≦ε ｜ｅ2 （Ｐｍ）｜≦ε の上記全式が同時に成立する。ただし、εは要求される
診断精度で、予め設定される常数である。

【００１５】終了条件２；学習の繰り返し（２０４）回
数をｎとすると、ｎ≧η が成立する。ただし、ηは予め設定された許容される学
習繰り返し常数である。

【００１６】終了条件２により学習が終了した場合、診
断精度が要求される許容値を満足しないことを意味する
ので、この場合は、ηを大きくするか、中間層１２０の
ニューロ個数を変えて、再度学習を実施する。

【００１７】

【発明が解決しようとする課題】従来の学習機能付きプ
ラント異常診断装置では、学習用データは人間により与
えられるため、以下のような課題があった。

【００１８】（１）前述の学習用プラントデータｂ1 、
ｂ2 、ｂ3 のような学習用データを作成またはそれを装
置に入力するため、労力を必要とし、作成者または入力
者の負担となる。

【００１９】（２）データ作成の過程、またはデータ入
力過程で、人為的な誤りが発生する恐れがある。

【００２０】（３）学習用データの作成または装置への
入力は時間が掛かるので、診断機構ａ3 の生成に要する
時間が長くなる。

【００２１】本発明は、かかる従来の課題を解決するた
めになされたもので、学習機能を有する診断機構の学習
用データをプラント運転履歴データをベースに自動的に
生成するプラント異常診断装置を提供することを目的と
する。

【００２２】

【課題を解決するための手段】すなわち、以上のような
課題を解決するため本発明は、学習用入力データと学習
用出力データとからなる学習用データを用いて異常診断
の学習を行い、学習によって調整された診断機構により
プラントからのプラントデータについて異常診断を行う
プラント異常診断装置において、プラントからのプラン
トデータを順次記憶するプラント履歴データ記憶手段
と、学習用データを生成するための学習用パラメータを
人間から与えられる情報により設定する学習用パラメー
タ設定手段と、この学習用パラメータ設定手段により設
定された学習用パラメータに基づいて、プラント履歴デ
ータ記憶手段に記憶されているプラント履歴データより
プラントデータを学習用入力データとして抽出し、対応
する学習用出力データとして異常発生度合いを学習用パ
ラメータから取り出して学習用データを生成する学習用
データ生成手段と、この学習用データ生成手段によって
生成された学習用データから学習用入力データおよび学
習用出力データについてそれぞれ補間的演算を行ってさ
らに学習用データを生成する二次学習用データ生成手段
とを具備することを特徴とする。

【００２３】また本発明は、上記プラント異常診断装置
において、学習用パラメータ設定手段が、生成する学習
用データごとに、プラント履歴データより抽出するプラ
ントデータの種別および収集時刻を指定するパラメータ
と、それに対応する異常原因およびその発生度合いを示
すパラメータを設定することを特徴とする。

【００２４】

【作用】上記構成において、プラント履歴データ記憶手
段は、プラントからのプラントデータを順次記憶しプラ
ント履歴データとして格納する。学習用パラメータ設定
手段は、人間により与えられる学習用パラメータを入力
し設定する。学習用データ生成手段は、学習用パラメー
タ設定手段によって設定された学習用パラメータ学習用
パラメータに基づいて、プラント履歴データ記憶手段か
ら必要な学習用プラント履歴データを取り出し、それを
学習用データとして学習用データ記憶手段に記憶する。

【００２５】これにより、プラント履歴データから診断
機構の学習用データを自動的に生成し記憶装置に記憶さ
せることができる。このため、学習用データを作成また
は装置に入力するための労力がいらなくなりを、オペレ
ータの負担が軽減されるとともに、人為的な誤りが少な
くなる。

【００２６】また、抽出されたプラント履歴データから
なる学習用データから補間的演算によりさらに学習用デ
ータを作成する二次学習用データ生成手段を設けること
により、より多くの学習用データを自動的に生成するこ
とができ、このより多くの学習用データを用いて学習す
ることで診断能力を一層高めることができる。

【００２７】

【実施例】以下、図面に基づいて本発明の実施例を詳細
に説明する。なお、全図面を通して同一部分には同一符
号を付し、重複する説明は省略する。

【００２８】図１は、本発明のプラント異常診断装置の
一実施例を示すものである。このプラント異常診断装置
は、人間１により与えられる学習用パラメータａ11と二
次学習用パラメータａ12を設定する学習用パラメータ設
定手段２１と、学習用パラメータａ11と二次学習用パラ
メータａ12を記憶する学習用パラメータ記憶部２３と、
プラント２５からプラントデータを入力するプラントデ
ータ入力手段２７と、プラント２５から入力したプラン
トデータを記憶するプラント履歴データ記憶部２９と、
学習用パラメータａ11に基づいてプラント履歴データを
抽出し一次学習用データａ13′を生成するとともに診断
用パラメータａ14を生成する学習用データ生成手段３１
と、生成された一次学習用データａ13′から二次学習用
パラメータａ12に基づいてより多くの学習用データａ13
を生成する二次学習用データ生成手段３３と、生成され
た学習用データａ13を記憶する学習用データ記憶部３５
と、学習用データ生成手段３１によって生成された診断
用パラメータａ14を記憶する診断用パラメータ記憶部３
７と、例えばニューラルネットワーク形式の図２１に示
すような学習機構ａ2 を記憶する学習機構記憶部９と、
学習用データ記憶部３５に記憶されている学習用データ
ａ13を学習機構ａ2 に適用して学習処理を実行する学習
処理手段７と、学習によって得られた診断機構ａ3 を記
憶する診断機構記憶手段１１と、学習用パラメータ記憶
部２３に記憶されている学習用パラメータａ11、診断用
パラメータ記憶部３７に記憶されている診断用パラメー
タａ14およびプラントデータ入力手段２７により入力さ
れる現在のプラントデータに基づいて診断機構ａ3 によ
り異常診断を行いその結果をプラント運転員３９に提示
する診断処理手段４１とで構成されている。

【００２９】次に、学習機構ａ2 として図２１に示すニ
ューラルネットワークを用いた場合を例に挙げて上記構
成のプラント異常診断装置の作用を説明する。まず、プ
ラントの異常診断に先だって、プラント異常診断を行う
診断機構ａ3を学習により生成するための学習用データ
が以下のようにして作成される。

【００３０】人間１により学習用パラメータａ11および
二次学習用パラメータａ12が与えられると、学習用パラ
メータ入力手段２１はこれらを受取り、学習用パラメー
タ記憶部２３に保存する。学習用パラメータ記憶部２３
に記憶される学習用パラメータａ11と二次学習用パラメ
ータａ12のデータ構成例を、それぞれ図２と図３に示
す。図２に示すように、学習用パラメータａ11として、
作成する学習用データパターンごとに、そのパターン
名、プラントデータ名、プラントデータのサンプリング
開始時刻Ｔ_o、サンプリングの時間間隔Δｔ、プラント
データ個数、プラント異常原因名およびその異常発生度
合いＹがそれぞれ設定される。また、二次学習用パラメ
ータａ12として、図３に示すように、パターン名と、異
常度合い段階数Ｎが設定される。

【００３１】一方、プラントデータ入力手段２７は、プ
ラント２５からプラントデータを常時入力し、入力時刻
とともにプラント履歴データ記憶部２９に順次保存して
いる。図４は、プラント履歴データ記憶部２９に記憶さ
れているプラント履歴データの構成例を示すものであ
る。

【００３２】学習用データ生成手段３１は、図５のフロ
ーチャートに示すように、学習用データ生成開始によ
り、学習用パラメータ記憶部２３に記憶されている学習
用パラメータａ11を読み込む（３００）。ついでプラン
ト履歴データ記憶部２９に記憶されているプラント履歴
データを読み込み（３０１）、学習用パラメータａ11に
基づいて必要なプラント履歴データを抽出して学習用入
力データｂを作成する（３０２）。ついで、学習用パラ
メータａ11から学習用出力データｃである異常原因発生
度合いデータを作成するとともに診断用パラメータａ14
を作成し（３０３）、図６に示すような一次学習用デー
タａ13′を学習用データ記憶部３５に出力する（３０
４）とともに、図７に示すような診断用パラメータａ14
を診断用パラメータ記憶部３７に出力する（３０５）。

【００３３】上記学習用入力データｂの抽出過程（３０
２）を、図８のフローチャートを参照してさらに詳細に
説明する。まず、図２に示すような学習用パラメータａ
11のパターンＰ１について、設定されているプラントデ
ータＩ１の収集時刻ＴP1(h)を次式に従って求める（３
１０）。ＴP1(h) ＝Ｔ_o＋Δｔ＊（ｈ−１）………（Ｉ）ただし、ｈ＝１、２、…、Ｍ（Ｍは学習用プラントデー
タの個数であり、図２の例ではＭ＝３である。）であ
る。

【００３４】ついで、図４に示すようなプラント履歴デ
ータから、プラントデータ名（Ｉ１）と求めた収集時刻
ＴP1(h) を検索キーとして、該当するプラントデータ値
Ｘを抽出する（３１１）。なお、プラント履歴データ記
憶部２９に記憶されているプラント履歴データにおい
て、時刻ＴP1(h) にプラントデータ収集時刻が完全に一
致するようなプラントデータが存在しない場合、例え
ば、ＴP1(h) に最も近いプラントデータを抽出する。ま
た、このようにＴP1(h) に最も近いデータが２個存在し
た場合、例えば、収集時刻の早い方を抽出する。

【００３５】このようにして抽出されるパターンＰ１に
おけるプラントデータＸP1(h) は、学習機構Ａ2 が図２
１に示す構造のニューラルネットワークの場合、ｈ＝
１、２、３であり、入力層１００のニューロ１、ニュー
ロ２、ニューロ３に入力される学習用入力データｂ1 、
ｂ2 、ｂ3 となる。

【００３６】抽出されたプラントデータＸP1(1) 、ＸP1
(2) 、ＸP1(3) は、学習用プラントデータｂ1 、ｂ2 、
ｂ3 として学習用データ記憶部３５に記憶される（３１
２）。

【００３７】以下同様にして、学習用パラメータａ11に
設定されているすべてのパターンについて上記処理を繰
り返し（３１３）、学習用入力データを作成する。

【００３８】さらに、異常原因発生度合いデータの作成
過程（３０３）において、学習用データ生成手段３１
は、図２に示すような学習用パラメータａ11に設定され
ているプラント異常原因名Ａ、Ｂとその異常発生度合い
Ｙから、図６に示すような一次学習用データａ13′の出
力層ニューロ１、２の学習用異常原因発生度合いデータ
ｃ1 、ｃ2 を生成するとともに、図７に示すような出力
層ニューロ１、２にプラント異常原因名Ａ、Ｂを対応付
けた診断用パラメータａ14を生成する。

【００３９】学習用データ生成手段３１によって一次学
習用データａ13′が作成され、学習用データ記憶部３５
に記憶されると、二次学習用データ生成手段３３は、学
習用パラメータ記憶部２３から二次学習用パラメータａ
12を、学習用データ記憶部３５から一次学習用データａ
13′を読み込み、補完的な手法を使ってさらに二次学習
用データａ13″を生成し、学習用データ記憶部３５に保
存する。図９は、学習用データ記憶部３５に記憶される
学習用データａ13の構成例を示すもので、学習用データ
生成手段３１によって作成される一次学習用データａ1
3′と、二次学習用データ生成手段３３によって作成さ
れ追加される二次学習用データａ13″によって構成され
る。

【００４０】図１０は、二次学習用データ生成手段３３
の処理フローを示したもので、二次学習用データ生成手
段３３の作用を図１０を参照して詳細に説明する。

【００４１】二次学習用データ生成手段３３は、二次学
習用データ生成開始により、学習パラメータ記憶部２３
から二次学習用パラメータａ12を読み込む（４００）と
ともに、学習用データ記憶部３５から一次学習用データ
ａ13′を読み込む（４０１）。ついで、これらの二次学
習用パラメータａ12と一次学習用データａ13′に基づい
て、二次学習用データａ13″を次式に従って生成する
（４０２）。

【００４２】Ｘ(h,L) ＝（ＸP2(h) −ＸP1(h))＊（Ｌ−
１）／（Ｎ−１）＋ＸP1(h) ………（II）Ｙ(k,L) ＝（ＹP2(k) −ＹP1(k))＊（Ｌ−１）／（Ｎ−
１）＋ＹP1(k) ……… (III) ただし、Ｌ＝２、３、…、Ｎ−１ｈ＝１、２、…、Ｍｋ；出力層ニューロｋに対応し、ｋ＝１、２Ｍ；学習用パラメータａ11に設定されているプラントデ
ータの個数であり、図２の例ではＭ＝３Ｎ；二次学習用パラメータａ12に設定されている異常度
合い段階数であり、図３の例ではＮ＝５Ｘ(h,L) ；二次学習用データ生成手段３３により生成さ
れる入力層ニューロ学習用プラントデータｂ1 、ｂ2 、
ｂ3 Ｙ(k,L) ；二次学習用データ生成手段３３により生成さ
れる出力層ニューロ学習用異常原因発生度合いデータｃ
1 、ｃ2 ＸP1(h) ；学習用データ生成手段３１により生成される
パターンＰ１の入力層ニューロ学習用プラントデータｂ
1 、ｂ2 、ｂ3 ＸP2(h) ；学習用データ生成手段３１により生成される
パターンＰ２の入力層ニューロ学習用プラントデータｂ
1 、ｂ2 、ｂ3 ＹP1(k) ；学習用データ生成手段３１により生成される
パターンＰ１の出力層ニューロ学習用異常原因発生度合
いデータｃ1 、ｃ2 ＹP2(k) ；学習用データ生成手段３１により生成される
パターンＰ２の出力層ニューロ学習用異常原因発生度合
いデータｃ1 、ｃ2 である。

【００４３】したがって、二次学習用データａ13″とし
て、以下に示すデータが二次学習用データ生成手段３３
により生成される。Ｘ(1,2) 、Ｘ(1,3) 、Ｘ(1,4) …入力層ニューロ１学習
用プラントデータｂ1 Ｘ(2,2) 、Ｘ(2,3) 、Ｘ(2,4) …入力層ニューロ２学習
用プラントデータｂ2 Ｘ(3,2) 、Ｘ(3,3) 、Ｘ(3,4) …入力層ニューロ３学習
用プラントデータｂ3 Ｙ(1,2) 、Ｙ(1,3) 、Ｙ(1,4) …出力層ニューロ１学習
用異常原因発生度合いデータｃ1 Ｙ(2,2) 、Ｙ(2,3) 、Ｙ(2,4) …出力層ニューロ２学習
用異常原因発生度合いデータｃ2 図９において、パターンＰ３、Ｐ４、Ｐ５の学習用デー
タの各値は、式（II）、式（III)により算出されたもの
である。

【００４４】なお、図３の二次学習用パラメータａ12に
あるパターン名は、図６または図９のパターン名に対応
するものであり、図３の二次学習用パラメータａ12にあ
る異常度合い段階数５は、学習用データパターンＰ１と
Ｐ２から５段階の学習用データを生成することを意味し
ている。

【００４５】二次学習用データ生成手段３３は、以上の
ようにして生成した二次学習用データａ13″を学習用デ
ータ記憶部３５に出力する（４０３）。学習用データ記
憶部３５では、学習用データ生成手段３１によって生成
された一次学習用データａ13′と合わせて学習用データ
ａ13として記憶する。

【００４６】学習処理手段７は、学習用データ記憶部３
５に記憶されている学習用データａ13を用いて学習を実
行する。学習処理手段７における学習処理は、従来例で
説明したときと同様に図２３のフローチャートに従って
行われる。なお、図２３において、図９に示す学習用デ
ータａ13を用いた場合は、ｍ＝５である。

【００４７】この学習によってニューロ間の結合係数Ｗ
ij、Ｗjkが決定された学習機構ａ2は診断機構ａ3 とし
て診断機構記憶部１１に出力され、記憶される。

【００４８】次に、診断処理手段４１における異常診断
処理を図１１のフローチャートを参照して説明をする。
診断処理手段４１は、診断開始により、診断機構記憶部
１１から診断機構ａ3 を読み込む（５００）。同時に、
学習用パラメータ記憶部２３から学習用パラメータａ11
を読み込み（５０１）、プラントデータ入力手段２７に
よって入力されるプラントデータを読み込んで（５０
２）、学習用パラメータａ11に基づいて診断用にプラン
トデータを収集し診断処理手段４１内の診断用データ記
憶部に記憶する（５０３）。収集終了後、診断用データ
記憶部にある診断用プラントデータを診断機構ａ3 に入
力し診断を実行する（５０４）。ついで診断用パラメー
タ記憶部３７から診断用パラメータａ14を読み込み（５
０５）、診断機構ａ3 からの出力データを診断用パラメ
ータａ14と対応させて診断結果としてプラント異常原因
データをプラント運転員３９に出力する（５０６）。

【００４９】図１２のフローチャートは、上記診断用プ
ラントデータの収集抽出過程（５０３）をさらに詳細に
示すもので、診断用データ収集開始により、次式に従っ
てプラントデータの収集時刻Ｔ(h) を求める（５１
０）。

【００５０】Ｔ(h) ＝Ｔ＋Δｔ＊（ｈ−１）………（IV）ただし、ｈ＝１、２…、ＭＭ；図２に示すよううな学習用パラメータａ11のプラン
トデータ個数より与えられる診断用プラントデータの個
数、この場合、Ｍ＝３Ｔ；プラント診断開始時刻、ここでは診断実行開始の時
刻とする。 Δｔ；学習用パラメータａ11に設定されるプラントデー
タ収集時間間隔ついで、上記により求めた時刻Ｔ(h) で、学習用パラメ
ータａ11に設定されているプラントデータ名のプラント
データを収集し（５１１）、診断用データ記憶部に図１
３に示すような診断用データとして保存する（５１
２）。図１３において、Ｘ(T1)、Ｘ(T2)、Ｘ(T3)はそれ
ぞれ時刻Ｔ(1) 、Ｔ(2) 、Ｔ(3) に読み込まれたプラン
トデータ値であり、図１４に示す診断機構ａ3 の符号１
０１、１０２、１０３で示す入力層ニューロ１、２、３
に入力されるデータｆ1 、ｆ2 、ｆ3となる。

【００５１】さらに、上記診断実行過程（５０４）で
は、図１４に示すように、診断用データ記憶部４１ａか
ら図１３に示すような診断用データを読み込み、診断機
構ａ3の入力層ニューロ１、２、３（１０１、１０２、
１０３）にデータｆ1 、ｆ2 、ｆ3 をそれぞれ入力し
て、入力層１００、中間層１１０、出力層１２０の順に
計算し、出力層ニューロ１、２（１２１、１２２）の出
力値ｇ1 、ｇ2 を求めて、診断異常原因発生度合いデー
タとして診断結果出力部４１ｂに出力する。

【００５２】診断結果出力部４１ｂでは、学習用データ
生成手段３１により生成される図７の診断用パラメータ
ａ14から、出力層ニューロ１異常原因名：Ａ出力層ニューロ２異常原因名：Ｂという関係が得られるので、出力層ニューロ１（１２
１）の出力値ｇ1 をＹ1 、出力層ニューロ２（１２２）
の出力値ｇ2 をＹ2 とすると、図１５に示すようなプラ
ント異常原因データを生成することができる。

【００５３】診断処理手段４１は、診断結果出力部４１
ｂにより以上のようにして求めた異常原因名とその発生
度合いを、診断結果としてプラント運転員２６に出力す
る。

【００５４】以上の説明からも明らかなように、上記実
施例によれば、次のような効果を奏することができる。

【００５５】（ａ）運転履歴データから学習用データを
自動的に生成し、この学習用データを使って診断機構の
学習を行うので、学習用データを作成する負担を軽減す
ることができ、また学習用データ作成による人為的な誤
りを減少し、診断機構の信頼性を向上することができ
る。

【００５６】（ｂ）プラント履歴データを使って診断機
構の学習を行うので、運転した結果で得られるプラント
異常パターンをいちはやくプラント異常診断装置に反映
し、プラント異常診断装置の診断能力をプラントの運転
経過に合わせて、より早く向上することができ、これに
よりプラントの信頼性の向上を図ることができる。

【００５７】（ｃ）一般的に運転履歴データは限られ、
学習用データとして不十分の場合があるが、本実施例に
より、与えられる履歴データから、さらにより多くに学
習データを生成することができ、より多くの学習用デー
タによる学習結果として得られる診断機構の能力を向上
することができる。

【００５８】（ｄ）学習データ生成過程で出力層ニュー
ロとプラント異常原因名との対応データ（診断パラメー
タ）を自動生成するので、オペレータの負担を軽減する
ことができ、出力層ニューロと異常原因名との関係付け
を人為的に行うことによる誤りがなくなる。

【００５９】なお、上記実施例の説明では、二次学習用
データ生成手段３３において二次学習用データの生成式
として、式（II）、（III)を使っているが、その他の式
を使っても本発明の請求範囲の対象である。式（II）、
（III)の場合、図１６に示すように、パターンＰ１とＰ
２の間でプラントデータ値Ｘの増加（減少）に対して、
対応する異常原因の発生度合いＹが線形的に正比例し、
増加（減少）するようなプラント現象５１に適用するも
のである。しかしながら、プラント現象によっては、プ
ラントデータ値Ｘの増加（減少）と対応する異常原因の
発生度合いＹとの関係が非線形の場合がある。その場
合、このような現象に適した式を使って、二次学習用デ
ータ生成手段３３の二次学習用データ生成式とすること
ができる。

【００６０】例えば、式（III)の代わりに、Ｙ(k,L) ＝（ＹP2(k) −ＹP1(k))(logＹ(k,L')− logＹP1(k))／(logＹP2(k) −log ＹP1(k)) ＋ＹP1(k) ………（Ｖ）ただし、式（Ｖ）に使われる記号は、式（III)と対応
し、Ｙ(k,L')＝（ＹP2(k) −ＹP1(k))＊（Ｌ−１）／（Ｎ−
１）＋ＹP1(k) を使用すると、図１６において符号５２で示すように、
プラントデータパターンが学習用データパターンＰ１か
らＰ２に変化すると、対応するプラント異常原因発生度
合いは、最初は急に増加し、次第にゆっくり増加するこ
とになる。

【００６１】また、上記実施例では、与えられる学習用
パラメータのプラントデータの種類を一点のみとして説
明したが、プラントデータは複数点でも本発明の請求範
囲の対象である。例えば、与えられる学習用パラメータ
ａ11のプラントデータ点数が図１７に示すように２点で
ある場合を例にとって説明する。なお、二次学習用パラ
メータａ12は、図１８に示す通りとする。ただし、図１
７の学習用パラメータの意味は、パターンＰ１を代表に
説明すると、「プラントデータ名Ｉ１のデータ値が、時
刻ＴI11(1)から（ＴI11(1)＋１＊Δｔ）までの間に収集
された同プラント履歴データのように変化し、かつ、プ
ラントデータ名Ｉ２のデータ値が、時刻ＴI21(1)から
（ＴI21(1)＋１＊Δｔ）までの間に収集された同プラン
ト履歴データのように変化した」ならば、「プラント異
常原因Ａの異常発生度合いはＹP1(1) 、プラント異常原
因Ｂの異常発生度合いはＹP1(2) 」である。

【００６２】ここで、プラントデータのパターン状態と
対応するプラント異常原因の発生度合いとの関係は、線
形で正比例のような関係とすると、二次学習用データ生
成手段３３において、次のような学習用データ生成式を
用いて二次学習用データを生成することができる。生成
される学習用データは、図１９に示す通りである。な
お、この例では、学習機構ａ2 の入力層ニューロの個数
は４、出力層ニューロの個数は２である。また、図１９
において、ＸI11(1)、ＸI11(2)、ＸI12(1)、ＸI12(2)
は、図１７に示す学習用パラメータａ11により、学習用
データ生成手段３１によってプラント履歴データから抽
出されたプラントデータである。

【００６３】ＸI1(h,L) ＝（ＸI12(h)−ＸI11(h))(Ｌ−
１）／（Ｎ−１）＋ＸI11(h) ………（VI）ＸI2(h,L')＝（ＸI22(h)−ＸI21(h))(Ｌ′−１）／（Ｎ
−１）＋ＸI21(h) ………（VII) Ｙ(k,L,L')＝（Ｙ(k,N,L')−Ｙ(k,1,L')）＊（Ｌ−１）
／（Ｎ−１）＋Ｙ(k,1,L')……(VIII) ただし、Ｙ(k,1,L')＝（ＹP2(k) −ＹP1(k))（Ｌ′−１）／（Ｎ
−１）＋ＹP1(k) Ｙ(k,N,L')＝（ＹP4(k) −ＹP3(k))（Ｌ′−１）／（Ｎ
−１）＋ＹP3(k) Ｌ＝２、３、…、Ｎ−１Ｌ′＝２、３、…、Ｎ−１ｈ＝１、２、…、Ｍｋ；出力層ニューロｋに対応し、ｋ＝１、２Ｍ；学習用パラメータａ11に設定されているプラントデ
ータの個数であり、図１７の例ではＭ＝２Ｎ；二次学習用パラメータａ12に設定されている異常度
合い段階数であり、図１８の例ではＮ＝５ＸI1(h,L) ；Ｉ１のプラントデータＸI11(h)、ＸI12(h)
から生成される入力層ニューロ１（ｈ＝１）または入力
層ニューロ２（ｈ＝２）の学習用入力データＸI2(h,L')；Ｉ２のプラントデータＸI21(h)、ＸI22(h)
から生成される入力層ニューロ３（ｈ＝１）または入力
層ニューロ４（ｈ＝２）の学習用入力データＹ(k,L,L')；学習用パラメータａ11に設定されているパ
ターンＰ１〜４の学習用異常原因発生度合いＹP1(k) 、
ＹP2(k) 、ＹP3(k) 、ＹP4(k) から生成される出力層ニ
ューロｋ（ｋ＝１、２）の学習用異常原因発生度合いデ
ータ以上説明したように、上記実施例においては、全ての学
習用プラントデータは、与えられる学習用パラメータａ
11および二次学習用パラメータａ12により生成される。
しかしながら、プラント入力点センサー不良により学習
用プラントデータの一部が収集できなかったり、学習に
必要な異常現象の発生がなく、関連する学習用プラント
データが収集できなかったりする場合、プラント履歴デ
ータから学習用プラントデータを生成することができな
い。このような場合に対応して、学習用に不足のプラン
トデータの一部を人間１が与えたり、または生成された
学習用プラントデータを人間１が修正するような手段を
設けることもできる。また、このような手段を上記実施
例に付加したものも本発明の請求対象範囲である。

【００６４】また、上記実施例は、診断開始を基準とし
てプラントからプラントデータを収集し、この収集され
たプラントデータに基づいて現在のプラントの異常診断
を行うものであったが、履歴データを使って過去のプラ
ント状態を診断する場合にも本発明を適用することがで
きる。この場合、診断用プラントデータのプラント履歴
データ記憶部２９からの抽出は、例えばプラント履歴デ
ータ記憶部２９からの学習用プラントデータの抽出と同
様な手段を使用することにより実現することができる。

【００６５】プラント異常が発生したとき、プラント異
常発生前後のプラントデータを使って診断する場合があ
るが、このような場合にもプラント履歴データ記憶部２
９から発生時点前のプラントデータを取り出して診断に
使用することができる。

【００６６】

【発明の効果】以上説明したように、本発明によれば、
学習機能を備えた診断機構の学習用データをプラントの
運転履歴データから自動生成することができる。したが
って、学習用データの作成および装置への入力にかかる
オペレータの負担を軽減することができるとともに、学
習用データの作成、入力による人為的な誤りを低減する
ことができ、異常診断装置の信頼性を向上することがで
きる。

【００６７】また、本発明によれば、二次学習用データ
生成手段を設けることにより、与えられる履歴データか
らさらに多くの学習用データを生成することができ、よ
り多くの学習用データで学習することにより、診断能力
を向上させることができる。

【図面の簡単な説明】

【図１】本発明の一実施例のプラント異常診断装置を示
すブロック図である。

【図２】学習用パラメータの構成例を示す図である。

【図３】二次学習用パラメータの構成例を示す図であ
る。

【図４】プラント履歴データの構成例を示す図である。

【図５】学習用データ生成手段３１の動作を示すフロー
チャートである。

【図６】学習用データ生成手段３１で生成される一次学
習用データａ13′の構成例を示す図である。

【図７】診断用パラメータａ14の構成例を示す図であ
る。

【図８】学習用データ生成手段３１におけるプラント履
歴データからの学習用データの抽出過程の詳細を示すフ
ローチャートである。

【図９】学習用データ記憶部３５に記憶される学習用デ
ータａ13の構成例を示す図である。

【図１０】二次学習用データ生成手段３３の動作を示す
フローチャートである。

【図１１】診断処理手段４１の動作を示すフローチャー
トである。

【図１２】診断処理手段４１における診断用プラントデ
ータの抽出過程の詳細を示すフローチャートである。

【図１３】診断用データの構成例を示す図である。

【図１４】診断機構ａ3 を示す図である。

【図１５】プラント異常原因データの構成例を示す図で
ある。

【図１６】プラントデータ値による異常原因の発生度合
いの変化を示すグラフである。

【図１７】プラント入力点数２点の場合の学習用パラメ
ータａ11の構成例を示す図である。

【図１８】図１７に示す学習用パラメータａ11に対応す
る二次学習用パラメータａ12の構成例を示す図である。

【図１９】図１７に示す学習用パラメータａ11および図
１８に示す二次学習用パラメータａ12により生成される
学習用データａ13の構成例を示す図である。

【図２０】プラント異常診断装置の学習システムの従来
例を示すブロック図である。

【図２１】プラント異常診断の学習機構ａ2 の一例を示
す図である。

【図２２】学習用データパターン例を示す図である。

【図２３】学習処理手段７の動作を示すフローチャート
である。

【符号の説明】

１………人間７………学習処理手段９………学習機構記憶部１１………診断機構記憶手段２１………学習用パラメータ設定手段２３………学習用パラメータ記憶部２７………プラントデータ入力手段２９………プラント履歴データ記憶部３１………学習用データ生成手段３３………二次学習用データ生成手段３５………学習用データ記憶部３７………診断用パラメータ記憶部３９………プラント運転員４１………診断処理手段１００………入力層１０１………入力層ニューロ１１０２………入力層ニューロ２１０３………入力層ニューロ３１１０………中間層１１１………中間層ニューロ１１１２………中間層ニューロ２１１３………中間層ニューロ３１２０………出力層１２１………出力層ニューロ１１２２………出力層ニューロ２ａ2 ………学習機構ａ3 ………診断機構ａ11………学習用パラメータａ12………二次学習用パラメータａ13………学習用データａ14………診断用パラメータ

───────────────────────────────────────────────────── フロントページの続き (58)調査した分野(Int.Cl.⁶，ＤＢ名) G01D 21/00 G01M 19/00 G05B 23/02 302 G06F 15/18 G05B 13/02

Claims

(57)【特許請求の範囲】

【請求項１】学習用入力データと学習用出力データと
からなる学習用データを用いて異常診断の学習を行い、
学習によって調整された診断機構によりプラントからの
プラントデータについて異常診断を行うプラント異常診
断装置において、プラントからのプラントデータを順次記憶するプラント
履歴データ記憶手段と、前記学習用データを生成するための学習用パラメータを
人間から与えられる情報により設定する学習用パラメー
タ設定手段と、この学習用パラメータ設定手段により設定された学習用
パラメータに基づいて、前記プラント履歴データ記憶手
段に記憶されているプラント履歴データよりプラントデ
ータを学習用入力データとして抽出し、対応する学習用
出力データとして異常発生度合いを前記設定された学習
用パラメータから取り出して学習用データを生成する学
習用データ生成手段と、この学習用データ生成手段によって生成された学習用デ
ータから学習用入力データおよび学習用出力データにつ
いてそれぞれ補間的演算を行ってさらに学習用データを
生成する二次学習用データ生成手段とを具備することを
特徴とするプラント異常診断装置。
【請求項２】前記学習用パラメータ設定手段が、生成
する学習用データごとに、前記プラント履歴データより
抽出するプラントデータの種別および収集時刻を指定す
るパラメータと、それに対応する異常原因およびその発
生度合いを示すパラメータを設定することを特徴とする
請求項１記載のプラント異常診断装置。