JP4017272B2

JP4017272B2 - Plant state estimation / prediction apparatus and method

Info

Publication number: JP4017272B2
Application number: JP35821998A
Authority: JP
Inventors: 功四郎丸; 一三雄山田; 堅治冨永; 幸治大賀; 洋関; 武一丸山
Original assignee: Chugoku Electric Power Co Inc; Hitachi Ltd
Current assignee: Chugoku Electric Power Co Inc; Hitachi Ltd
Priority date: 1998-12-16
Filing date: 1998-12-16
Publication date: 2007-12-05
Anticipated expiration: 2018-12-16
Also published as: JP2000181526A

Description

【０００１】
【発明の属する技術分野】
本発明は、プラント状態量に関する現在値の推定および将来値の予測を行うプラント状態推定・予測装置及び方法に係り、特にプラント状態に応じて予測モデルの適用性を判定してモデル切替えを行うプラント状態推定・予測装置及び方法に関する。
【０００２】
【従来の技術】
火力や原子力プラント、化学プラント等において、注目するプラント状態量について、将来値を予測することや現在値を推定して早期異常検知を行うことは、プラントで生じるさまざまな事態に対して速やかに適切な処置を施すことを可能にし、プラントの稼働率向上および運転員の負担低減をもたらす。プラント状態量の予測方式としては、プラントの物理モデルに基づく方式とニューラルネットワークや回帰モデルに代表される数学モデルに基づく方式がある。数学モデルは、プラントから収集したデータに基づいてモデルを作成するため、物理モデルのようにモデル構築やチューニングが不要であることから実用上有効な予測方式であるが、予測精度の確保および向上には予測実行における当該プラント状態に対応したモデルを選択する必要がある。
【０００３】
時系列モデルを用いた推定・予測方式の一例として、特願平９−１１３６７１号公報にニューラルネットワークを用いたプラントの異常診断装置が記載されている。この方式では、異常診断に用いる推定結果の精度を確保するために、事前に設定した複数のプラントデータについて複数の運転領域からデータを収集してニューラルネットワークで学習する方法をとっている。
【０００４】
【発明が解決しようとする課題】
プラントデータ間の関係は異なるプラント状態では変化してしまうので、ニューラルネットワークのような数学モデルを用いた推定・予測方式では、予測精度の確保および向上を図るために、出来るだけ予測対象に関連度の強いプラントデータを用いてモデル化することが望ましい。しかしながら、上記公知例による方式では、複数の運転領域に対して全てに満足させるため、事前に設定したプラントデータをすべて用いて予測モデルを作成しているために、ある運転領域のときに予測対象に対して強い関連度を示すプラントデータが、別の運転領域のときには弱いもしくは全く関連のないプラントデータになり、予測精度の低下を引き起こす可能性がある。
【０００５】
本発明の目的は、さまざまなプラント状態に対して、数学モデルによるプラント状態の推定・予測方式の精度向上を図るもので、特に、プラント状態に応じてモデルの適用性を判定してモデル選択を行うことでこれを実現するプラント状態推定・予測装置及び方法を提供することにある。
【０００６】
【課題を解決するための手段】
上記の目的は、プラントからプラントデータを収集するデータ収集部と、予測対象のプラント状態量に対して高い関連度を有するプラント状態量を前記データ収集部で取り込んだプラント状態量から判定するとともにプラントの運転範囲とプラント状態の定常性および正常性に基づいて当該プラント状態を判定しプラント状態情報を作成するプラント状態判断部と、予測モデル作成時に前記プラント状態判断部の実行を指令し、その作成プラント状態情報に基づいて予測モデル作成用データを設定するモデル設定部と、前記プラント状態情報と前記予測モデル作成用データを用いて予測モデルを作成するモデル作成部と、前記プラント状態情報に基づいて前記モデル作成部で作成した予測モデルを格納するモデル格納部と、予測実行時に前記プラント状態判断部の実行を指令し、その作成プラント状態情報に基づいて予測用入力データまたは現時点推定用入力データを設定する予測設定部と、予測実行時の前記プラント状態判断部のプラント状態情報に基づいて前記モデル格納部から予測モデルを選択するモデル選択部と、前記選択された予測モデルと前記予測入力データまたは現時点推定用入力データを用いてプラント状態量の将来値または現時点推定値を予測する予測部と、前記予測部での予測結果に基づいてプラントの異常判定を行う異常検知部と、前記異常判定または前記予測結果を表示する表示部と、前記各処理部の事前設定をするユーザ入力部と、前記データ収集部、モデル設定部および予測設定部の動作管理をするシステム管理部とを備えたことによって達成される。
【０００７】
上記の手段によれば、予測モデル作成時に、該予測モデル作成時の入力したプラント状態量から予測対象のプラント状態量に対して高い関連度を有するプラント状態量を選択すると共にプラントの運転範囲とプラント状態の定常性および正常性に基づいて当該プラント状態を評価し、該評価結果に基づいて予測モデルを作成して格納することができる。予測実行時には、該予測実行時の入力したプラント状態量から予測対象のプラント状態量に対して高い関連度を有するプラント状態量を選択すると共にプラントの運転範囲とプラント状態の定常性および正常性に基づいて当該プラント状態を評価し、該評価結果に基づいて前記格納した予測モデルを選択すると共に該選択した予測モデルを用いて現時点推定値を計算し、該現時点推定値を判定してプラント状態の異常を検知することができる。また前記予測実行時の前記プラント状態の評価結果に基づいて前記格納した予測モデルを選択すると共に該選択した予測モデルを用いてプラント状態量の将来値を予測することができる。
【０００８】
これにより、プラント状態に応じて、予測対象のプラント状態量に関する予測モデルの作成および選択・実行が可能になり、予測精度の向上が実現する。
【０００９】
また上記の目的は、前記モデル設定部が、予測モデル作成時の前記プラント状態判断部の作成プラント状態情報に基づいて、予測対象のプラント状態量に高い関連度を示すプラント状態量を用いて予測モデル作成用データを作成することによって達成される。
【００１０】
これにより、予測対象のプラント状態量に高い関連度を有するプラント状態量で予測モデルを構成することになり、予測精度向上が可能になる。
【００１１】
また、上記の目的は、前記モデル格納部が、予測モデル作成時の前記プラント状態判断部の作成プラント状態情報に基づいて予測モデルを分類して格納し、前記モデル作成部で作成したモデルについて、既存のモデル分類に含まれる場合は当該モデル分類の中でモデル作成の時間順序を保って格納し、含まれない場合は新たなモデル分類で格納することによって達成される。
【００１２】
これにより、前記モデル作成部で作成した予測モデルを明確に分類して格納するとともに、作成したモデルの作成履歴の管理が可能になる。
【００１３】
また上記の目的は、前記予測設定部が、予測実行時の前記プラント状態判断部の作成プラント状態情報に基づいて、予測対象のプラント状態量に高い関連度を示すプラント状態量を用いて予測用入力データまたは現時点推定用入力データを作成することによって達成される。
【００１４】
これにより、予測対象のプラント状態量に高い関連度を有するプラント状態量で構成した予測モデルで予測することになり、予測精度向上が可能になる。
【００１５】
また上記の目的は、前記モデル選択部が、予測実行時の前記プラント状態判断部の作成プラント状態情報に基づいて、前記モデル格納部から予測モデルを選択することができない場合、前記システム管理部に対して当該プラント状態の予測モデルを作成する命令を発することによって達成される。
【００１６】
これにより、新たなプラント状態が発生した場合でも予測モデルを新規に作成するので、本装置の適用範囲を容易に拡大することが可能になる。
【００１７】
また上記の目的は、前記プラント状態判断部が、プラント状態の正常性の判定において前記異常検知部での異常判定結果をプラントの正常性の情報とすることによって達成される。
【００１８】
これにより、プラント状態の正常性を常に監視しながら対応した予測モデルを選択することが可能になり予測精度の向上を図ることができる。
【００１９】
また上記の目的は、前記表示部が、前記異常判定または予測結果と共に予測実行時の前記プラント状態判断部における評価結果を表示することによって達成される。
【００２０】
これにより、予測実行におけるモデル選択の根拠を把握することが可能になる。
【００２１】
また上記の目的は、前記プラント状態判断部が、予測対象のプラント状態量との関連度計算に、コヒーレンシィもしくは相関関数を用いることによって達成される。
【００２２】
これにより、予測対象のプラント状態量と他プラント状態量との関連度の高さを容易に検出することが可能になるとともに、予測対象のプラント状態量との関連度に関する周波数特性や時間遅れの評価が可能になる。
【００２３】
また上記の目的は、前記モデル作成部が、予測モデルの作成にニューラルネットワークもしくは回帰モデルを用いることによって達成される。
【００２４】
これにより、予測モデルの作成および将来値の予測を容易に行なうことが可能となる。
【００２５】
【発明の実施の形態】
以下、本発明の実施の形態を図面により説明する。
【００２６】
図１および図２は、本発明の好適な一実施形態のプラント状態推定・予測装置を示す。本実施形態のプラント状態推定・予測装置は、ユーザ入力部２０、システム管理部３０、データ収集部４０、モデル設定部５０、予測設定部６０、プラント状態判断部７０、モデル作成部８０、モデル格納部９０、モデル選択部１００、予測部１１０、異常検知部１２０、及び表示部１３０を有する。
【００２７】
プラント状態判断部７０は、図２に示すように、状態判定制御部７１０、関連度計算部７２０、プラント状態量選択部７３０、プラント状態判定部７４０、及びモデル規定部７５０を備える。
【００２８】
次に、図１のプラント状態推定・予測装置における各部の動作および信号の流れを説明する。
【００２９】
ユーザ入力部２０では、ユーザが本装置の起動時に各処理部の初期設定を入力する。ユーザが入力する項目は、予測対象のプラント状態量の名称、予測時間、予測実行の周期、本装置に入力するプラント状態量の名称、データ収集周期、予測モデルのパラメータ、関連度計算パラメータ、プラント状態量選択しきい値、プラント定常判定状態量の名称としきい値、プラント異常判定しきい値である。予測実行の周期とデータ収集周期はシステム管理部３０に出力される。本装置に入力するプラント状態量の名称と予測対象のプラント状態量の名称はデータ収集部４０に出力される。予測時間と予測モデルのパラメータはモデル設定部５０と予測設定部６０に出力される。関連度計算パラメータとプラント状態量選択しきい値とプラント定常判定状態量の名称としきい値はプラント状態判断部７０に出力される。プラント異常判定しきい値は異常検知部１２０に出力される。
【００３０】
システム管理部３０では、プラントデータ収集、予測実行、予測モデル作成を管理する。プラントデータ収集の管理は、ユーザ入力部２０で指定したデータ収集周期毎にデータ収集部４０に対してデータ収集命令を出力することで実施される。予測実行の管理は、本装置の起動直後では、ユーザ入力部２０で指定する予測モデルのパラメータの一つである予測用データ取込時間を経過すると予測設定部６０に対して予測実行命令を出力し、その後は、ユーザ入力部２０で指定した予測実行の周期毎に予測設定部６０に対して予測実行命令を出力することで実施される。予測モデル作成の管理は、本装置の起動直後では、ユーザ入力部２０で指定する予測モデルのパラメータの一つである学習用データ取込時間を経過するとモデル設定部５０にモデル作成命令を出力し、その後は、モデル作成部８０からのモデル作成完了信号またはモデル選択部１００からの新規モデル要求信号の入力によりモデル設定部５０にモデル作成命令を出力することで実施される。
【００３１】
データ収集部４０では、システム管理部３０からのデータ収集命令を入力する毎に、ユーザ入力部２０で指定した本装置に入力するプラント状態量の名称に基づいて当該時系列データをプラント１０から獲得し、当該時刻とともに保存する。この状況を図３に示す。また、ユーザ入力部２０で指定した予測対象のプラント状態量の名称によって、本装置に入力したプラント状態量の中から予測するプラント状態量を区別する。この状況を図４に示す。
【００３２】
本発明のプラント状態推定・予測装置では、モデル作成処理と予測処理の２つのプロセスがある。予測モデル作成処理および予測処理の実行に際して、まず、プラント状態判断部７０が各々の実行時の当該プラント状態を判断してプラント状態情報を作成し、これを予測モデル作成処理および予測処理に提供する。そこで、はじめにプラント状態判断部７０を説明する。
【００３３】
プラント状態判断部７０で作成するプラント状態情報は、当該プラント状態に関する２つの情報を有する。一つは、本装置に入力するプラント状態量の中で予測対象のプラント状態量に対して高い関連度を有するプラント状態量であり、もう一つは、プラント状態を特徴づけるパラメータ、すなわち、プラント運転範囲とプラント状態の定常性とプラント状態の正常性である。前者の高い関連度を有するプラント状態量は予測モデルの入力として用いられ、後者の各パラメータは作成した予測モデルの分類に用いられる。
【００３４】
予測対象のプラント状態量との関連度計算はコヒーレンシィを用いる。コヒーレンシィは火力や原子力プラントのような巨大で複雑なシステムにおいて容易に２つの時系列データ間の関連度を周波数領域で評価できる統計的手法で、コヒーレンシィ値が１に近い値をとるほど当該時系列データ間に高い関連度があることを示す。図５に関連度が高いコヒーレンシィの例、図６に関連度の低いコヒーレンシィの例を示す。コヒーレンシィによる関連度計算のパラメータは、関連度計算に用いるデータ点数と集合平均をとる数とデータのサンプリング時間である。
【００３５】
また、本発明のプラント状態推定・予測装置では、ニューラルネットワークを予測モデルとして用いる。ニューラルネットワークで予測モデルを構成する場合、予測対象のプラント状態量に対してコヒーレンシィの大きなプラント状態量を用いて学習すると、精度の高い予測モデルを実現できる。図７にプラント状態量Ａに対してコヒーレンシィの大きなプラント状態量だけで予測モデルを構成したときの予測結果、図８にプラント状態量Ａに対してコヒーレンシィの小さなプラント状態量だけで予測モデルを構成したときの図７と同じプラント状態に対する予測結果を示す。このように、コヒーレンシィの大きな関連度の高いプラント状態量でモデル化することで精度よい予測モデルが実現できる。これは、予測対象のプラント状態量の時間変化の特徴を関連度の高いプラント状態量で表現できるためで、この特徴を本発明のプラント状態・予測装置では予測精度向上に利用する。
【００３６】
次に、プラント状態判断部７０における処理を図２を用いて説明する。プラント状態判断部７０は、モデル設定部５０および予測設定部６０から、プラント状態判断要求命令を入力して起動する。状態判定制御部７１０は、本装置に入力しているすべてのプラント状態量について、プラント状態判断要求命令を受けた時点を先頭に関連度計算に用いるデータ点数分の時系列データを入力する。
【００３７】
関連度計算部７２０は、予測対象のプラント状態量と他のプラント状態量の前記時系列データを状態判定制御部７１０から入力して、予測対象とのコヒーレンシィをすべて計算し、計算結果をプラント状態量選択部７３０に出力する。プラント状態量選択部７３０は、関連度計算部７２０で求めたコヒーレンシィ値の周波数に関する平均値を計算し、ユーザ入力部２０で指定したプラント状態量選択しきい値と比較して大きな平均コヒーレンシィ値を示すプラント状態量で選択してモデル規定部７５０に出力する。
【００３８】
プラント状態判定部７４０では、前記プラント状態を特徴づけるパラメータである、プラント運転範囲、プラント状態の定常性、プラント状態の正常性を評価する。プラント運転範囲は、ユーザ入力部２０で指定したプラント定常性判定状態量について、上記関連度計算に用いた時系列データの最大・最小値で評価する。プラント状態の定常性は、前記プラント運転範囲で評価したプラント定常性判定状態量の最大・最小値の幅とユーザ入力部２０で指定したしきい値と比較して、しきい値以内であれば定常状態、しきい値を超えていれば非定常状態と判定する。プラント状態の正常性は、後述する予測処理における異常検知結果を用いて判定する。以上３つの判定結果はモデル規定部７５０に出力される。
【００３９】
モデル規定部７５０では、プラント状態量選択部７３０で選択したプラント状態量とプラント状態判定部７４０で判定したプラント状態を特徴づけるパラメータを図９のようにまとめ、プラント状態情報としてモデル設定部５０もしくは予測設定部６０に出力する。
【００４０】
以上がプラント状態判断部７０の処理である。なお、前記予測対象のプラント状態量との関連度計算にはコヒーレンシィ以外に相関関数を用いることができる。
【００４１】
次に、モデル作成処理について説明する。
【００４２】
モデル設定部５０において、システム管理部３０からモデル作成命令を受け取ると、当該時刻を先頭にユーザ入力部２０で指定した学習用データ取込時間分の時系列データを、本装置に入力したプラント状態量すべてについてデータ収集部４０から入力する。入力したプラント状態量の時系列データに基づいて、当該プラント状態情報を評価するため、モデル設定部５０に取り込んだ時系列データをプラント状態判断部７０に出力する。
【００４３】
プラント状態判断部７０では、前述したように、コヒーレンシィでニューラルネットワークの入力に用いるプラント状態量を選択するとともに、プラント運転範囲、プラント状態の定常性、プラント状態の正常性を評価して、プラント状態情報を作成し、そのプラント状態情報をモデル設定部５０に出力する。
【００４４】
モデル設定部５０がプラント状態情報をプラント状態判断部７０から受け取ると、予測モデル作成用データを作成する。本装置では、予測モデル作成用の予測モデルとして３層構造の階層型ニューラルネットワークを用いる。これは、図１０に示すように当該時点の時系列データを入力する入力層と予測結果を出力する出力層と１つの中間層からなるニューラルネットワークである。このニューラルネットワークのパラメータには、入力層と中間層に用いるユニット数、学習係数、入力層に入力する時系列データの過去の取込時間とそのサンプリング時間、学習パターン数と学習パターン間の時間幅がある。入力層のユニット数は、前記プラント状態判断部７０で選択したプラント状態量の数と上記過去の取込時間とそのサンプリング時間で決定されるものでプラント状態に応じて変化するが、その他のパラメータはユーザ入力部２０で指定した予測モデルのパラメータに基づく。モデル設定部５０は、この取り込んだ時系列データと上記予測モデルのパラメータに基づいて予測モデル作成用データを作成する。その作成した予測モデル作成用データの例を図１１に示す。
【００４５】
モデル作成部８０では、モデル設定部５０から前記プラント状態情報と前記予測モデル作成用データを入力して予測モデルを作成する。ニューラルネットワークの予測モデルは、出力層に与える予測対象のプラント状態層の時系列データが、これに対応するプラント状態量の時系列データを入力層に与えたときのニューラルネットワークの出力と一致するように、バックプロパゲーションアルゴリズムで学習して生成される。バックプロパゲーションアルゴリズムは、ニューラルネットワークを学習する基本的な最適化アルゴリズムであるが、他の最適化アルゴリズムを代用してもよい。また、入力値に与えるプリント状態量には、予測対象プラント状態量を加えてもよい。
【００４６】
モデル作成部８０は、このように作成した予測モデルを前記プラント状態情報とともにモデル格納部９０に出力し、モデル作成完了信号をシステム管理部３０に出力する。
【００４７】
モデル格納部９０では、モデル作成部８０から入力した予測モデルを当該プラント状態情報に基づいて格納する。すなわち、予測モデルの格納は、モデル分類規範との照合で実施される。モデル分類規範は、前記プラント運転範囲と前記プラント状態の定常性と前記プラント状態の正常性と前記選択したプラント状態量で構成される。モデル格納部９０がモデル作成部８０から新規予測モデルを受け取ると、当該プラント状態情報を既存のモデル分類規範と照合する。新規予測モデルと一致する分類規範が存在する場合は、作成された時間順序情報を伴って当該分類に格納される。一方、どのモデル分類規範にも属さない場合は、当該プラント状態情報を新しい分類規範としてモデル格納部９０に登録し、当該予測モデルをここに格納する。
【００４８】
以上がモデル作成処理である。なお、前記予測モデルの作成にニューラルネットワーク以外に回帰モデルを用いることができる。
【００４９】
次に予測処理について説明する。
【００５０】
本装置の予測処理では、現時点の推定値を用いた異常検知処理を実施し、引き続き将来値の予測処理を実行する。
【００５１】
予測設定部６０では、システム管理部３０から予測実行命令を受け取ると、当該時刻を先頭にユーザ入力部２０で指令した予測用データ取込時間分の時系列データを、本装置に入力したプラント状態量すべてについてデータ収集部４０から入力する。入力したプラント状態量の時系列データに基づいて、当該プラント状態情報を評価するため、予測設定部６０に取り込んだ時系列データをプラント状態判断部７０に出力する。
【００５２】
プラント状態判断部７０では、モデル作成処理と同様に、コヒーレンシィでニューラルネットワークの入力に用いるプラント状態量を選択するとともに、プラント運転範囲、プラント状態の定常性、プラント状態の正常性を評価して、プラント状態情報を予測設定部６０に出力する。
【００５３】
はじめに、現時点の推定値を用いた異常検知処理について説明する。
【００５４】
まず、プラント状態判断部７０からプラント状態情報を入力してモデル選択部１００に出力する。モデル選択部１００では、予測設定部６０から入力した当該プラント状態情報をモデル格納部９０のモデル分類規範と照合する。当該プラント状態情報に適合する予測モデルがモデル格納部９０に格納されている場合は、適合した予測モデルを読み込んで予測部１１０に出力するとともに、予測設定部６０にモデル選択完了信号を出力する。一方、モデル格納部９０に当該プラント状態情報に適合する予測モデルが存在しない場合は予測設定部６０にモデル選択不可信号を出力するとともに、システム管理部３０に新規モデル要求信号を出力する。
【００５５】
プラント状態情報に適合する予測モデル格納部９０に格納されている場合、予測設定部６０では、モデル選択部１００からモデル選択完了信号を入力すると、現時点推定用入力データを作成し、これを予測部１１０に出力する。現時点推定用入力データは、当該プラント状態情報により選択したプラント状態量の時系列データについて、予測実行命令を入力した時刻から予測時間分過去の時刻を先頭として前記過去データの取込時間の中から前記サンプリング時間で採取して構成される。現時点推定用入力データの例を図１２に示す。
【００５６】
予測部１１０では、モデル選択部１００から入力した予測モデルと予測設定部６０から入力した現時点推定用入力データから現時点推定値を計算する。計算した現時点推定値は、異常検知部１２０に出力される。
【００５７】
異常検知部１２０では、予測部１１０から入力した現時点推定値とデータ収集部４０から入力した当該時刻の実測値との誤差をユーザ入力部２０で指定したプラント異常判定しきい値と比較し、前記誤差がしきい値以内の場合はプラント状態の正常判定、しきい値を超える場合はプラント状態の異常判定とする。この判定結果は、プラント状態判断部７０と表示部１３０に出力される。
【００５８】
一方、モデル格納部９０に当該プラント状態情報に適合する予測モデルが存在しない場合、予測設定部６０が前記モデル選択不可信号を入力すると、当該プラント状態情報と予測対象のプラント状態量の実測値と予測不可信号を表示部１３０に出力する。
【００５９】
以上の現時点の推定値を用いた異常検知処理に引き続き、将来値の予測処理を実行する。
【００６０】
将来値の予測は、現時点の推定処理と同様に、はじめにプラント状態判断部７０で当該プラント状態情報を評価して、これに基づきモデル選択部１００で適合する予測モデルを選択する。選択できない場合の処理は前記現時点の推定処理と同様である。予測モデルが選択されると、予測設定部６０で予測用入力データが作成される。予測用入力データは、前記プラント状態情報により選択したプラント状態量の時系列データについて、予測実行命令を入力した時刻を先頭として前記過去データの取込時間の中から前記サンプリング時間で採取して構成される。予測部１１０では、前記予測設定部６０から入力した予測用入力データとモデル選択部１００から入力した予測モデルを用いてユーザ入力部２０で指定した予測時間に対応する将来値を計算して、この結果を表示部１３０に出力する。
【００６１】
表示部１３０では、予測の可否を表示するとともに、当該プラント状態情報と予測対象のプラント状態量の将来値と現時点の実測値を表示する。図１３に表示部１３０の例を示す。
【００６２】
【発明の効果】
以上説明したように、本発明の第１の発明によれば、プラント状態に応じて、予測対象のプラント状態量に関する予測モデルの作成および選択・実行が可能になり、予測精度の向上が実現する。
【００６３】
第２の発明によれば、予測対象のプラント状態量に高い関連度を有するプラント状態量で予測モデルを構成することにより、予測精度向上が可能になる。
【００６４】
第３の発明によれば、前記モデル作成部で作成した予測モデルを明確に分類して格納するとともに、作成したモデルの作成履歴の管理が可能になる。
【００６５】
第４の発明によれば、予測対象のプラント状態量に高い関連度を有するプラント状態量で構成した予測モデルで予測することになり、予測精度向上が可能になる。
【００６６】
第５の発明によれば、新たなプラント状態が発生した場合でも予測モデルを新規に作成するので、本装置の適用範囲を容易に拡大することが可能になる。
【００６７】
第６の発明によれば、プラント状態の正常性を常に監視しながら対応した予測モデルを選択することが可能になり予測精度の向上を図ることができる。
【００６８】
第７の発明によれば、予測実行におけるモデル選択の根拠を把握することが可能になる。
【００６９】
第８の発明によれば、予測対象のプラント状態量と他プラント状態量との関連度の高さを容易に検出することが可能になるとともに、予測対象のプラント状態量との関連度に関する周波数特性や時間遅れの評価が可能になる。
【００７０】
第９の発明によれば、予測モデルの作成および将来値の予測を容易に行うことが可能になる。
【図面の簡単な説明】
【図１】本発明の一実施形態のプラント状態推定・予測装置の構成図である。
【図２】図１のプラント状態判断部の詳細構成図である。
【図３】データ収集部における時系列データ収集様式の一例示図である。
【図４】プラント状態量の属性指定の一例示図である。
【図５】関連度の高いプラント状態量のコヒーレンシィ結果の一例示図である。
【図６】関連度の低いプラント状態量のコヒーレンシィ結果の一例示図である。
【図７】関連度の高いプラント状態量による予測モデルの予測結果の一例示図である。
【図８】関連度の低いプラント状態量による予測モデルの予測結果の一例示図である。
【図９】プラント状態情報の一例示図である。
【図１０】階層型ニューラルネットワークの一例示図である。
【図１１】予測モデル作成用データの一例示図である。
【図１２】現時点推定用入力データの一例示図である。
【図１３】図１の表示部の一例示図である。
【符号の説明】
１０…プラント、２０…ユーザ入力部、３０…システム管理部、４０…データ収集部、５０…モデル設定部、６０…予測設定部、７０…プラント状態判断部、８０…モデル作成部、９０…モデル格納部、１００…モデル選択部、１１０…予測部、１２０…異常検知部、１３０…表示部、７１０…状態判定制御部、７２０…関連度計算部、７３０…プラント状態量選択部、７４０…プラント状態判定部、７５０…モデル規定部。[0001]
BACKGROUND OF THE INVENTION
The present invention relates to a plant state estimation / prediction apparatus and method for estimating a current value and predicting a future value related to a plant state quantity, and in particular, a plant that performs model switching by determining applicability of a prediction model according to the plant state. The present invention relates to a state estimation / prediction apparatus and method.
[0002]
[Prior art]
For thermal power, nuclear power plants, chemical plants, etc., predicting future values and estimating current values for early detection of plant state quantities are appropriate for various situations that occur in plants. It is possible to improve the operation rate of the plant and reduce the burden on the operator. The plant state quantity prediction method includes a method based on a physical model of the plant and a method based on a mathematical model represented by a neural network or a regression model. Mathematical models are models that are created based on data collected from the plant, so that model construction and tuning are not required unlike physical models. Needs to select a model corresponding to the plant state in the prediction execution.
[0003]
As an example of an estimation / prediction method using a time series model, Japanese Patent Application No. 9-113671 describes a plant abnormality diagnosis apparatus using a neural network. In this method, in order to ensure the accuracy of the estimation result used for abnormality diagnosis, a method of collecting data from a plurality of operation regions and learning with a neural network for a plurality of preset plant data is adopted.
[0004]
[Problems to be solved by the invention]
Since the relationship between plant data changes in different plant conditions, the estimation / prediction method using a mathematical model such as a neural network is related to the prediction target as much as possible in order to secure and improve the prediction accuracy. It is desirable to model using strong plant data. However, in the method according to the above known example, since the prediction model is created using all the preset plant data in order to satisfy all of the plurality of operation regions, the prediction target is obtained in a certain operation region. Plant data that shows a strong degree of relevance to the data becomes weak or totally unrelated plant data in another operating region, which may cause a decrease in prediction accuracy.
[0005]
An object of the present invention is to improve the accuracy of a plant state estimation / prediction method using a mathematical model for various plant states. In particular, the applicability of a model is determined according to the plant state to select a model. An object of the present invention is to provide a plant state estimation / prediction apparatus and method for realizing this.
[0006]
[Means for Solving the Problems]
The purpose of the above is to determine from the data collection unit that collects plant data from the plant and the plant state quantity that has a high degree of relevance to the predicted plant state quantity from the plant state quantity captured by the data collection unit. A plant state determination unit that determines the plant state based on the operating range and the continuity and normality of the plant state and creates plant state information, and instructs the execution of the plant state determination unit when creating a prediction model Based on the plant state information, a model setting unit that sets prediction model creation data based on the plant state information, a model creation unit that creates a prediction model using the plant state information and the prediction model creation data, and A model storage unit for storing the prediction model created by the model creation unit; and The runt state determination unit is instructed to execute and the prediction setting unit that sets the input data for prediction or the input data for current estimation based on the created plant state information, and the plant state information of the plant state determination unit at the time of prediction execution Based on the model selection unit that selects a prediction model from the model storage unit based on the selected prediction model and the prediction input data or the current estimation input data, the future value of the plant state quantity or the current estimation value is predicted. Prediction unit, abnormality detection unit that performs plant abnormality determination based on the prediction result in the prediction unit, display unit that displays the abnormality determination or the prediction result, and user input for performing presetting of each processing unit And a system management unit that manages the operations of the data collection unit, the model setting unit, and the prediction setting unit.
[0007]
According to the above means, at the time of creating a prediction model, a plant state quantity having a high degree of relevance with respect to a plant state quantity to be predicted is selected from the plant state quantities inputted at the time of creating the prediction model, and the operation range of the plant The plant state can be evaluated based on the continuity and normality of the plant state, and a prediction model can be created and stored based on the evaluation result. At the time of prediction execution, a plant state quantity having a high degree of relevance to the plant state quantity to be predicted is selected from the plant state quantity inputted at the time of prediction execution, and the continuity and normality of the plant operating range and plant state are selected. Based on the evaluation result, selecting the stored prediction model based on the evaluation result, calculating the current estimated value using the selected prediction model, determining the current estimated value, Abnormality can be detected. Further, the stored prediction model can be selected based on the evaluation result of the plant state at the time of the prediction execution, and the future value of the plant state quantity can be predicted using the selected prediction model.
[0008]
Thereby, according to the plant state, it becomes possible to create, select and execute a prediction model related to the plant state quantity to be predicted, thereby improving the prediction accuracy.
[0009]
In addition, the above-described object is that the model setting unit predicts using a plant state quantity that indicates a high degree of relevance to the plant state quantity to be predicted based on the created plant state information of the plant state determination unit at the time of creating a prediction model. This is achieved by creating model creation data.
[0010]
Thereby, a prediction model is comprised with the plant state quantity which has high relevance with the plant state quantity of prediction object, and prediction accuracy improvement is attained.
[0011]
In addition, the above-mentioned purpose is that the model storage unit classifies and stores the prediction model based on the created plant state information of the plant state determination unit at the time of creating the prediction model, and the model created by the model creation unit, When it is included in an existing model classification, it is stored by keeping the time order of model creation in the model classification, and when not included, it is stored by a new model classification.
[0012]
As a result, the prediction model created by the model creation unit is clearly classified and stored, and the creation history of the created model can be managed.
[0013]
Further, the above-mentioned object is that the prediction setting unit uses a plant state quantity indicating a high degree of relevance to the plant state quantity to be predicted based on the created plant state information of the plant state determination unit at the time of prediction execution. This is achieved by creating input data or input data for current estimation.
[0014]
As a result, the prediction is performed with the prediction model configured with the plant state quantity having a high degree of relevance to the prediction target plant state quantity, and the prediction accuracy can be improved.
[0015]
In addition, the above-mentioned object is that, when the model selection unit cannot select a prediction model from the model storage unit based on the created plant state information of the plant state determination unit at the time of prediction execution, the system management unit On the other hand, it is achieved by issuing a command to create a prediction model of the plant state.
[0016]
Thereby, even when a new plant state occurs, a new prediction model is created, so that the application range of the present apparatus can be easily expanded.
[0017]
In addition, the above object is achieved by the plant state determination unit using the abnormality determination result in the abnormality detection unit as the normality information of the plant in the determination of the normality of the plant state.
[0018]
As a result, it is possible to select a corresponding prediction model while constantly monitoring the normality of the plant state, and the prediction accuracy can be improved.
[0019]
Moreover, said objective is achieved when the said display part displays the evaluation result in the said plant state judgment part at the time of prediction execution with the said abnormality determination or prediction result.
[0020]
This makes it possible to grasp the basis for model selection in the prediction execution.
[0021]
Further, the above object is achieved by the plant state determining unit using coherency or a correlation function for calculating the degree of association with the predicted plant state quantity.
[0022]
As a result, it is possible to easily detect the degree of relevance between the plant state quantity to be predicted and the other plant state quantity, and the frequency characteristics and time delay related to the degree of relevance to the plant state quantity to be predicted Evaluation becomes possible.
[0023]
The above object is achieved by the model creation unit using a neural network or a regression model for creating a prediction model.
[0024]
This makes it possible to easily create a prediction model and predict future values.
[0025]
DETAILED DESCRIPTION OF THE INVENTION
Hereinafter, embodiments of the present invention will be described with reference to the drawings.
[0026]
1 and 2 show a plant state estimation / prediction apparatus according to a preferred embodiment of the present invention. The plant state estimation / prediction apparatus according to the present embodiment includes a user input unit 20, a system management unit 30, a data collection unit 40, a model setting unit 50, a prediction setting unit 60, a plant state determination unit 70, a model creation unit 80, and a model storage. Unit 90, model selection unit 100, prediction unit 110, abnormality detection unit 120, and display unit 130.
[0027]
As shown in FIG. 2, the plant state determination unit 70 includes a state determination control unit 710, an association degree calculation unit 720, a plant state quantity selection unit 730, a plant state determination unit 740, and a model definition unit 750.
[0028]
Next, the operation of each unit and the signal flow in the plant state estimation / prediction apparatus of FIG. 1 will be described.
[0029]
In the user input unit 20, the user inputs initial settings of each processing unit when the apparatus is activated. The items entered by the user are the name of the plant state quantity to be predicted, the prediction time, the prediction execution period, the name of the plant state quantity to be input to this device, the data collection period, the parameters of the prediction model, the relevance calculation parameter, the plant The state quantity selection threshold, the plant steady state determination state quantity name and threshold, and the plant abnormality determination threshold. The prediction execution cycle and the data collection cycle are output to the system management unit 30. The name of the plant state quantity input to this apparatus and the name of the plant state quantity to be predicted are output to the data collection unit 40. The prediction time and the parameters of the prediction model are output to the model setting unit 50 and the prediction setting unit 60. The relevance calculation parameter, the plant state quantity selection threshold value, the name of the plant steady state determination state quantity, and the threshold value are output to the plant state determination unit 70. The plant abnormality determination threshold value is output to the abnormality detection unit 120.
[0030]
The system management unit 30 manages plant data collection, prediction execution, and prediction model creation. Management of plant data collection is performed by outputting a data collection command to the data collection unit 40 at each data collection period designated by the user input unit 20. In the management of the prediction execution, immediately after the activation of this apparatus, a prediction execution command is output to the prediction setting unit 60 when the prediction data fetch time, which is one of the parameters of the prediction model specified by the user input unit 20, elapses. Thereafter, the prediction execution command is output to the prediction setting unit 60 for each prediction execution cycle designated by the user input unit 20. When managing the prediction model, immediately after the activation of this apparatus, a model creation command is output to the model setting unit 50 when the learning data capture time, which is one of the parameters of the prediction model specified by the user input unit 20, elapses. Thereafter, this is performed by outputting a model creation command to the model setting unit 50 in response to a model creation completion signal from the model creation unit 80 or a new model request signal from the model selection unit 100.
[0031]
The data collection unit 40 acquires the time-series data from the plant 10 based on the name of the plant state quantity input to the apparatus specified by the user input unit 20 every time a data collection command from the system management unit 30 is input. And save with the time. This situation is shown in FIG. Moreover, the plant state quantity to be predicted is distinguished from the plant state quantities input to this apparatus by the name of the plant state quantity to be predicted designated by the user input unit 20. This situation is shown in FIG.
[0032]
In the plant state estimation / prediction apparatus of the present invention, there are two processes: model creation processing and prediction processing. When executing the prediction model creation process and the prediction process, first, the plant state determination unit 70 determines the plant state at the time of each execution, creates plant state information, and provides this to the prediction model creation process and the prediction process. . First, the plant state determination unit 70 will be described.
[0033]
The plant state information created by the plant state determination unit 70 has two pieces of information regarding the plant state. One is a plant state quantity that has a high degree of relevance to the predicted plant state quantity among the plant state quantities input to this device, and the other is a parameter that characterizes the plant state, that is, the plant These are the operating range, plant state continuity, and plant state normality. The former state quantity having a high degree of relevance is used as an input of the prediction model, and the latter parameters are used for classification of the created prediction model.
[0034]
Coherency is used to calculate the degree of association with the predicted plant state quantity. Coherency is a statistical method that can easily evaluate the degree of association between two time series data in the frequency domain in a huge and complex system such as a thermal power plant or a nuclear power plant. Indicates that there is a high degree of association between time series data. FIG. 5 shows an example of coherency with a high degree of association, and FIG. 6 shows an example of coherency with a low degree of association. Parameters for calculating the degree of association by coherency are the number of data points used in the calculation of the degree of association, the number taking the set average, and the data sampling time.
[0035]
In the plant state estimation / prediction apparatus of the present invention, a neural network is used as a prediction model. When a prediction model is configured by a neural network, a highly accurate prediction model can be realized by learning using a plant state quantity having a large coherency with respect to a plant state quantity to be predicted. FIG. 7 shows a prediction result when a prediction model is configured only with a plant state quantity having a large coherency with respect to the plant state quantity A, and FIG. 8 shows a prediction model with only a plant state quantity having a small coherency with respect to the plant state quantity A. The prediction result with respect to the same plant state as FIG. Thus, an accurate prediction model can be realized by modeling with a plant state quantity having high relevance and high coherency. This is because the temporal change feature of the plant state quantity to be predicted can be expressed by the plant state quantity having a high degree of relevance, and this feature is used for improving the prediction accuracy in the plant state / prediction device of the present invention.
[0036]
Next, the process in the plant state determination part 70 is demonstrated using FIG. The plant state determination unit 70 is activated by inputting a plant state determination request command from the model setting unit 50 and the prediction setting unit 60. The state determination control unit 710 inputs time series data corresponding to the number of data points used for the relevance calculation, starting from the time when the plant state determination request command is received, for all plant state quantities input to the apparatus.
[0037]
The relevance calculation unit 720 inputs the time series data of the plant state quantity to be predicted and other plant state quantities from the state determination control unit 710, calculates all the coherency with the prediction target, and calculates the calculation result to the plant It outputs to the state quantity selection part 730. The plant state quantity selection unit 730 calculates an average value related to the frequency of the coherency value obtained by the relevance calculation unit 720 and is larger than the plant state quantity selection threshold specified by the user input unit 20. The plant state quantity indicating the value is selected and output to the model defining unit 750.
[0038]
The plant state determination unit 740 evaluates the plant operating range, plant state continuity, and plant state normality, which are parameters characterizing the plant state. The plant operation range is evaluated with respect to the plant continuity determination state quantity designated by the user input unit 20 using the maximum and minimum values of the time-series data used for the relevance calculation. The continuity of the plant state is within the threshold value by comparing the width of the maximum / minimum value of the plant continuity determination state quantity evaluated in the plant operation range with the threshold value specified by the user input unit 20. If it exceeds the steady state and the threshold value, it is determined as an unsteady state. The normality of the plant state is determined using an abnormality detection result in a prediction process described later. The above three determination results are output to the model defining unit 750.
[0039]
In the model defining unit 750, the plant state quantity selected by the plant state quantity selecting unit 730 and the parameters characterizing the plant state determined by the plant state determining unit 740 are collected as shown in FIG. Output to the prediction setting unit 60.
[0040]
The above is the process of the plant state determination unit 70. It should be noted that a correlation function can be used in addition to coherency for calculating the degree of association with the predicted plant state quantity.
[0041]
Next, the model creation process will be described.
[0042]
When the model setting command is received from the system management unit 30 in the model setting unit 50, the plant state in which the time series data for the learning data fetching time specified by the user input unit 20 with the time as the head is input to the present apparatus All the quantities are input from the data collection unit 40. Based on the input time-series data of the plant state quantity, the time-series data captured in the model setting unit 50 is output to the plant state determination unit 70 in order to evaluate the plant state information.
[0043]
As described above, the plant state determination unit 70 selects the plant state quantity used for the input of the neural network by coherency, and also evaluates the plant operating range, the continuity of the plant state, and the normality of the plant state. State information is created and the plant state information is output to the model setting unit 50.
[0044]
When the model setting unit 50 receives the plant state information from the plant state determination unit 70, the model setting unit 50 creates prediction model creation data. In this apparatus, a three-layer hierarchical neural network is used as a prediction model for creating a prediction model. As shown in FIG. 10, this is a neural network including an input layer for inputting time-series data at the time point, an output layer for outputting a prediction result, and one intermediate layer. The parameters of this neural network include the number of units used for the input layer and the intermediate layer, the learning coefficient, the past acquisition time of the time series data input to the input layer and its sampling time, and the time width between the number of learning patterns and the learning patterns. There is. The number of units in the input layer is determined by the number of plant state quantities selected by the plant state determination unit 70, the past acquisition time, and the sampling time, and changes according to the plant state. Is based on the parameters of the prediction model specified by the user input unit 20. The model setting unit 50 creates prediction model creation data based on the captured time series data and the parameters of the prediction model. An example of the created prediction model creation data is shown in FIG.
[0045]
The model creation unit 80 creates the prediction model by inputting the plant state information and the prediction model creation data from the model setting unit 50. The prediction model of the neural network is such that the time series data of the plant state layer to be predicted given to the output layer matches the output of the neural network when the time series data of the corresponding plant state quantity is given to the input layer. Furthermore, it is generated by learning with a back-propagation algorithm. The backpropagation algorithm is a basic optimization algorithm for learning a neural network, but other optimization algorithms may be substituted. Moreover, you may add a prediction object plant state quantity to the printing state quantity given to an input value.
[0046]
The model creation unit 80 outputs the prediction model created in this way to the model storage unit 90 together with the plant state information, and outputs a model creation completion signal to the system management unit 30.
[0047]
The model storage unit 90 stores the prediction model input from the model creation unit 80 based on the plant state information. That is, the prediction model is stored by collating with the model classification norm. The model classification norm includes the plant operating range, the continuity of the plant state, the normality of the plant state, and the selected plant state quantity. When the model storage unit 90 receives a new prediction model from the model creation unit 80, the plant state information is checked against an existing model classification standard. If there is a classification rule that matches the new prediction model, it is stored in the classification with the created time order information. On the other hand, when it does not belong to any model classification norm, the plant state information is registered in the model storage unit 90 as a new classification norm, and the prediction model is stored here.
[0048]
The above is the model creation process. In addition to the neural network, a regression model can be used for creating the prediction model.
[0049]
Next, the prediction process will be described.
[0050]
In the prediction process of this apparatus, an abnormality detection process using the current estimated value is performed, and a future value prediction process is subsequently executed.
[0051]
In the prediction setting unit 60, when receiving a prediction execution command from the system management unit 30, the plant state in which the time series data for the prediction data fetching time instructed by the user input unit 20 starting from the time is input to the present apparatus. All the quantities are input from the data collection unit 40. Based on the input time-series data of the plant state quantity, the time-series data taken into the prediction setting unit 60 is output to the plant state determination unit 70 in order to evaluate the plant state information.
[0052]
The plant state determination unit 70 selects the plant state amount used for the input of the neural network by coherency as in the model creation process. When In both cases, the plant operating range, the continuity of the plant state, and the normality of the plant state are evaluated, and the plant state information is output to the prediction setting unit 60.
[0053]
First, the abnormality detection process using the current estimated value will be described.
[0054]
First, plant state information is input from the plant state determination unit 70 and output to the model selection unit 100. The model selection unit 100 collates the plant state information input from the prediction setting unit 60 with the model classification norm in the model storage unit 90. When a prediction model that matches the plant state information is stored in the model storage unit 90, the compatible prediction model is read and output to the prediction unit 110, and a model selection completion signal is output to the prediction setting unit 60. On the other hand, when there is no prediction model that matches the plant state information in the model storage unit 90, a model selection disable signal is output to the prediction setting unit 60 and a new model request signal is output to the system management unit 30.
[0055]
When stored in the prediction model storage unit 90 adapted to the plant state information, the prediction setting unit 60 generates input data for current estimation when a model selection completion signal is input from the model selection unit 100, and this is used as the prediction unit. To 110. The input data for current estimation is the time series data of the plant state quantity selected by the plant state information, from the time when the prediction execution instruction is input, and the past time from the time when the prediction data is input. Sampled at the sampling time. An example of input data for current estimation is shown in FIG.
[0056]
The prediction unit 110 calculates the current estimated value from the prediction model input from the model selection unit 100 and the current estimation input data input from the prediction setting unit 60. The calculated current estimated value is output to the abnormality detection unit 120.
[0057]
In the abnormality detection unit 120, an error between the current estimated value input from the prediction unit 110 and the actual measurement value at the time input from the data collection unit 40 is compared with the plant abnormality determination threshold specified by the user input unit 20, and When the error is within the threshold value, the plant state is judged as normal, and when the error exceeds the threshold value, the plant state is judged as abnormal. This determination result is output to the plant state determination unit 70 and the display unit 130.
[0058]
On the other hand, when there is no prediction model that matches the plant state information in the model storage unit 90, when the prediction setting unit 60 inputs the model selection disable signal, the plant state information and the measured value of the plant state quantity to be predicted are A prediction impossible signal is output to the display unit 130.
[0059]
Subsequent to the abnormality detection process using the current estimated value, a future value prediction process is executed.
[0060]
For the prediction of future values, the plant state determination unit 70 first evaluates the plant state information, and the model selection unit 100 selects a prediction model that is suitable based on the plant state information. The process in the case where the selection cannot be made is the same as the current estimation process. When the prediction model is selected, the prediction setting unit 60 creates prediction input data. The input data for prediction is constituted by sampling the time series data of the plant state quantity selected by the plant state information from the time when the prediction execution command is input at the sampling time from the past data acquisition time. Is done. The prediction unit 110 calculates a future value corresponding to the prediction time designated by the user input unit 20 using the prediction input data input from the prediction setting unit 60 and the prediction model input from the model selection unit 100, and this The result is output to the display unit 130.
[0061]
The display unit 130 displays whether or not prediction is possible, and also displays the plant state information, the future value of the plant state quantity to be predicted, and the current measured value. FIG. 13 shows an example of the display unit 130.
[0062]
【The invention's effect】
As described above, according to the first aspect of the present invention, it is possible to create, select, and execute a prediction model related to a plant state quantity to be predicted according to the plant state, thereby realizing improvement in prediction accuracy. .
[0063]
According to the second invention, it is possible to improve the prediction accuracy by configuring the prediction model with the plant state quantity having a high degree of relevance to the plant state quantity to be predicted.
[0064]
According to the third invention, the prediction model created by the model creation unit is clearly classified and stored, and the creation history of the created model can be managed.
[0065]
According to the fourth aspect of the invention, the prediction is performed using the prediction model configured with the plant state quantity having a high degree of relevance to the prediction target plant state quantity, and the prediction accuracy can be improved.
[0066]
According to the fifth aspect, since a prediction model is newly created even when a new plant state occurs, the application range of the present apparatus can be easily expanded.
[0067]
According to the sixth aspect of the invention, it is possible to select a corresponding prediction model while constantly monitoring the normality of the plant state, and it is possible to improve the prediction accuracy.
[0068]
According to the seventh aspect, it is possible to grasp the basis for model selection in the prediction execution.
[0069]
According to the eighth aspect of the invention, it is possible to easily detect the high degree of association between the plant state quantity to be predicted and the other plant state quantity, and the frequency related to the degree of association with the plant state quantity to be predicted. Evaluation of characteristics and time delay becomes possible.
[0070]
According to the ninth aspect, it is possible to easily create a prediction model and predict future values.
[Brief description of the drawings]
FIG. 1 is a configuration diagram of a plant state estimation / prediction apparatus according to an embodiment of the present invention.
FIG. 2 is a detailed configuration diagram of a plant state determination unit in FIG. 1;
FIG. 3 is an exemplary diagram of a time-series data collection format in a data collection unit.
FIG. 4 is a view showing an example of attribute designation of a plant state quantity.
FIG. 5 is an exemplary diagram of a coherency result of a plant state quantity having a high degree of relevance.
FIG. 6 is an exemplary diagram of a coherency result of a plant state quantity having a low degree of association.
FIG. 7 is a diagram illustrating an example of a prediction result of a prediction model based on a plant state quantity having a high degree of relevance.
FIG. 8 is a diagram illustrating an example of a prediction result of a prediction model based on a plant state quantity having a low degree of association.
FIG. 9 is an exemplary diagram of plant state information.
FIG. 10 is a view showing an example of a hierarchical neural network.
FIG. 11 is a diagram illustrating an example of prediction model creation data.
FIG. 12 is a diagram illustrating an example of input data for current estimation.
13 is a view illustrating an example of a display unit in FIG. 1;
[Explanation of symbols]
DESCRIPTION OF SYMBOLS 10 ... Plant, 20 ... User input part, 30 ... System management part, 40 ... Data collection part, 50 ... Model setting part, 60 ... Prediction setting part, 70 ... Plant state judgment part, 80 ... Model creation part, 90 ... Model Storage unit, 100 ... Model selection unit, 110 ... Prediction unit, 120 ... Anomaly detection unit, 130 ... Display unit, 710 ... State determination control unit, 720 ... Relevance calculation unit, 730 ... Plant state quantity selection unit, 740 ... Plant State determination unit, 750... Model definition unit.

Claims

In a plant state estimation / prediction device that creates a prediction model using plant data collected from a plant, and uses the prediction result of the prediction model to detect an abnormality in the plant state or predict a future value of the plant state quantity,
A data collection unit that collects plant data from the plant, a plant state quantity that has a high degree of relevance to the plant state quantity to be predicted is determined from the plant state quantity captured by the data collection unit, and the plant operating range and plant state A plant state determination unit that determines the plant state based on continuity and normality of the plant and creates plant state information, and instructs the execution of the plant state determination unit when creating a prediction model, and based on the created plant state information A model setting unit for setting prediction model creation data, a model creation unit for creating a prediction model using the plant state information and the prediction model creation data, and the created prediction model based on the plant state information The model storage unit that stores the A prediction setting unit that sets input data for prediction or input data for current estimation based on the created plant state information, and prediction from the model storage unit based on the plant state information of the plant state determination unit at the time of prediction execution A model selection unit that selects a model; a prediction unit that predicts a future value or a current estimated value of a plant state quantity using the selected prediction model and the input data for prediction or input data for current estimation; and the prediction unit An abnormality detection unit that performs an abnormality determination of a plant state based on a prediction result of the above, a display unit that displays the abnormality determination or the prediction result, a user input unit that presets the processing units, and the data collection unit , A model setting unit, and a system management unit that manages the operation of the prediction setting unit Location.

The plant state estimation / prediction device according to claim 1,
The model setting unit creates prediction model creation data using a plant state quantity indicating a high degree of relevance to a plant state quantity to be predicted based on the created plant state information of the plant state determination unit at the time of creating a prediction model Plant state estimation / prediction device characterized by the above.

The plant state estimation / prediction device according to claim 1,
The model storage unit classifies and stores a prediction model based on the plant state information created by the plant state determination unit when a prediction model is created, and the model created by the model creation unit is included in the existing model classification A plant state estimation / prediction device that stores a model creation time order in the model classification in a case where it is not included, and stores a new model classification if it is not included.

In the plant state estimation / prediction device according to claim 1,
The prediction setting unit uses the plant state quantity indicating a high degree of relevance to the prediction target plant state quantity based on the created plant state information of the plant state determination unit at the time of prediction execution, or for prediction input data or current time estimation A plant state estimation / prediction device characterized by creating input data.

In the plant state estimation / prediction device according to claim 1,
When the model selection unit cannot select a prediction model from the model storage unit based on the created plant state information of the plant state determination unit at the time of prediction execution, the model selection unit A plant state estimation / prediction device characterized by issuing a command to create a prediction model.

In the plant state estimation / prediction device according to claim 1,
The plant state determination unit uses the abnormality determination result of the abnormality detection unit in the determination of the normality of the plant state in the determination of the normality of the plant state.

In the plant state estimation / prediction device according to claim 1,
The said display part displays the plant state information produced by the said plant state judgment part at the time of prediction execution with the said abnormality determination or a prediction result, The plant state estimation / prediction apparatus characterized by the above-mentioned.

In the plant state estimation / prediction device according to claim 1,
The plant state determination unit uses a coherency or a correlation function for calculating the degree of association with a plant state quantity to be predicted.

In the plant state estimation / prediction device according to claim 1,
The plant state estimation / prediction apparatus, wherein the model creation unit uses a neural network or a regression model to create a prediction model.

In a plant state estimation / prediction method that creates a prediction model using plant data collected from a plant, and uses the prediction results of the prediction model to detect anomalies in the plant state or predict future values of plant state quantities,
When creating a prediction model, a plant state quantity having a high degree of relevance to the plant state quantity to be predicted is selected from the plant state quantities input at the time of creating the prediction model, and the plant operating range and plant state continuity and normality A process for evaluating the plant state based on the characteristics, creating a prediction model based on the evaluation result, and storing the prediction model from the plant state quantity input at the time of the prediction execution to the plant state quantity to be predicted In addition, a plant state quantity having a high degree of relevance is selected, the plant state is evaluated based on the plant operating range and the continuity and normality of the plant state, and the stored prediction model is selected based on the evaluation result And calculating the current estimated value using the selected prediction model, and determining the current estimated value to determine abnormalities in the plant state. At least one process of the process to detect and the process of selecting the stored prediction model based on the evaluation result of the plant state at the time of prediction execution and predicting the future value of the plant state quantity using the selected prediction model A plant state estimation / prediction method comprising:

11. The plant state estimation / prediction method according to claim 10, wherein coherency or a correlation function is used for calculating the degree of association with the plant state to be predicted.

11. The plant state estimation / prediction method according to claim 10, wherein a neural network or a regression model is used to create the prediction model.