JP4276623B2 - 技術的設備の監視装置および方法 - Google Patents

Description

本発明は、複数のシステムを含む技術的設備、特に発電所設備、を監視するための装置および方法に関するものである。

複数のシステムを含む技術的設備を監視するための従来の装置および方法、特に診断方法および診断装置、はしばしば技術的設備の特定の作動パラメータの観察及び測定又はそのいずれか一方に基づいており、その際目標値を上回るか又は下回ることが監視措置を生ぜしめる。

当然のことながらその際に、分離して測定されたパラメータの考察の際に必要なハンドリング措置を導き出すことは不正確であり、また誤りを生じやすい。

他方において、現在のまたは将来予想される作動状況に関する像を作るために、技術的設備において生ずる大量のデータ、特にさまざまな測定個所の測定値や相応の記憶された過去の測定値が利用されると、このことは同じく満足でない内容に導く。なぜならば、さまざまなデータ源からのこれらのデータの相互依存関係がたいてい知られておらず、従ってまた作動状況の正確な評価または予測が可能でないからである。

さらに、設備の作動状況に影響を及ぼすすべてのデータの捕捉が行われるわけではないことが見込まれ、このことが問題を一層複雑にする。

従って本発明の課題は、複数のシステムを含む技術的設備、特に発電所設備、を監視するための改善された装置及び方法を提供することである。その際に特に技術的設備に発生する欠陥に関する高い予測精度が達成可能でなければならない。

また、所望の作動状況から外れ、欠陥やプロセス擾乱の発生に実際上常に先行するいわゆる“緩慢に進行するプロセス偏差”が可能なかぎり早期に識別され得なければならない。

さらに本発明による装置または相応する方法を用いて技術的設備における欠陥の発生の予想される時点が、設備またはその構成要素の障害が発生する前に対策、たとえば保守措置、が開始され得るように、可能なかぎり早い時点で捕捉可能でなければならない。

さらに本発明による装置及び相応する方法は、設備の従来通常の診断アプリケーションの費用を低減し、さらに使用される調節装置の一層良い最適化を可能にしなければならない。

この課題は装置に関しては本発明によれば、複数のシステムを含む技術的設備、特に発電所設備、を監視するための装置において、
・技術的設備の少なくとも１つのシステムの動的モデルを含む少なくとも１つの解析モジュールを含んでおり、その際に解析モジュールに技術的設備の作動データ及び構造データ又はそのいずれか一方のデータが入力データとして供給可能であり、
・解析モジュールに含まれている少なくとも１つの人工知能ベースのアルゴリズムを含んでおり、そのアルゴリズムを用いてシステムの動的モデルがシステムの作動中に改善可能であり、
その際解析モジュールを用いて、システムの現在及び将来の作動挙動又はそのいずれか一方を特徴付ける出力データが求められ得ることにより解決される。

本発明はその際に、従来の技術から公知の通常のモデル化では、達成可能な精度、すなわち求められるモデル量と相応の実際の量との合致の達成可能な度合いが、設備の将来の挙動に関する確実な内容を作るために小さ過ぎるという考察から出発する。現在の時点に対して、公知のモデル化はたいてい使用可能な結果を与える、すなわち現在の時点の相応の実際の量との合致の度合いが高い。しかし、設備の挙動の関心のある時点が現在の時点から離れて将来に位置するほど、予測の不確実さが大きくなる。

本発明の別の出発点は、技術的設備のある程度正確なモデルを作成することは（例えば技術的設備のいくつかのシステムの強く非線型の挙動のために）多くの場合不可能であり、または極端に高い費用をかけなければ可能でないという認識にある。

本発明による装置では、作動中に人工知能の方法を用いて改善される技術的設備の少なくとも１つのシステムの動的モデルから出発される。それにより、システムの作動挙動を記述しかつ予測する解析モジュールの能力が改善される。

その際に、システムの複雑な、統一的な動的モデルにより開始することは必ずしも必要でない。しばしば例えば、好ましくは簡単に構成されたニューラルネットワーク、ファジー論理または遺伝的アルゴリズムにより補われていてよい一式の少数のアイランド状の簡単な式および特性曲線で十分である。システム記述へのこれらの“部分モデル”間の共同作用は次いで、前記の要素の関連ネット（Zusammenhangsgeflecht）が生ずるように、作動中に人工知能ベースのアルゴリズムにより改善される。

古典的な意味でのモデル、特に確定的なモデル、は必要でない。それどころか前記の関連ネットはパラメータ化され（例えばこれを具体的に存在する流れに応用するためこのネットのベルヌーイ式）、また人工知能ベースのアルゴリズムがシステム及び技術的設備又はそのいずれか一方の過去または現在の作動データ及び構造データ又はそのいずれか一方のデータのなかで関連、たとえば他の量の変化の結果として生ずる量の変化、を探索する。このような新たに発見された関連は次いで人工知能ベースのアルゴリズムにより、特に付加の特性曲線や式として、または動的モデルのパラメータ、例えばニューラルネットワークのネット重み係数、のマッチングとして、動的モデル中に組み入れられ、またこれをそれにより改善する。

用語“システム”は本発明との関連で簡単な構成要素、たとえば管路から、複数の部分システムを含む高度に複雑な全体システム、たとえばタービンセット、ボイラー設備、発電所ブロックまたは発電所全体、までの範囲をカバーするものとする。

“作動データ”とは、たとえば温度測定値、圧力測定データ、熱像、センサデータ、報知、警報、警告などのような技術的設備の作動の際に生ずるすべての種類のデータとして理解される。

“人工知能ベースのアルゴリズム”は特にニューラルネットワーク、ファジー論理および遺伝的アルゴリズムのような人工知能の方法を含んでいる。

“動的モデル”は確定的および数値的に、または人工知能ベースの方法を用いて記述されていてもよい。それはさらに物理的および数学的な式を含んでいてよい。前記の要素の組み合わせ、特に人工知能ベースの方法により結び付けられている物理的や数学的な式、も含まれている。

好ましい実施形態では、動的モデルの改善が、まだ動的モデルにより利用されていない入力データの同定を含んでおり、またこれらの入力データを用いて動的モデルが拡張され得る。

その際に人工知能ベースのアルゴリズムは動的モデルの改善の際に動的モデルのなかにまだ顧慮されていない関連性の同定および構築のために使用される。

動的モデルが、特性曲線、物理式、ニューラルネットワーク、ファジー論理、遺伝的アルゴリズムの群からの１つまたは複数の要素を含んでいることは好ましい。

特に動的モデルは、システムの過去の作動データによりトレーニング可能である少なくとも１つのニューラルネットワークを含んでいる。

ニューラルネットワークを用いての技術的な構成要素および設備のモデル化は知られている実証済みの方法である。特別な利点は、モデル化すべき構成要素の解析的な記述が知られていなくてよいことにある。トレーニング相（例えば知られているバックプロパゲーション・アルゴリズムを含んでいる）により、ニューラルネットワークの最初に開始パラメータ（“開始重み係数”）を用いて初期化された予め定められた構造がその重み係数に関して、トレーニング段階の終了後に実際の構成要素との良好な合致が期待され得るように構成される。この仕方で、正確な解析的な解析を行う必要なしに、構成要素のモデルが得られる。トレーニング相においてニューラルネットワークは特定の入力値に特定の出力値により反応するべく学習する。このような入力値はそれらの対応する出力値と一緒にしばしばトレーニング量と呼ばれる。作動中に次いでニューラルネットワークがトレーニング量に含まれていない入力値に対して内挿し、このような入力値に対しても出力値が計算される。

技術的設備の作動の際にしばしば、モデル化すべき構成要素またはすべての技術的設備の挙動に影響を与えるすべての作動データが知られていない、または捕捉可能でないという問題が示されている。

少なくとも１つの人工知能ベースのアルゴリズムの使用はさらに、このようなパラメータを動的モデルを用いての技術的設備のシステムの状態の、技術的設備のこのシステムに直接には作用しない計算に、たとえば入力信号及び出力信号又はそのいずれか一方の信号または媒体流として、取り入れることを可能にする。たとえばシステムの直列に配置されている連鎖において、この連鎖の中央に位置しており、場合によっては直接にこのシステムに作用する入力信号とならんで、先行のシステムから、測定技術的にまたは他の仕方で近接可能でない入力信号を得るシステムのモデル化が予定されていてよい。

（生物学的革新に依拠してたとえば遺伝的探索アルゴリズムとして適切な特徴組み合わせに従って構成されていてよい）人工知能の方法はその際に、実際状態を決定するための入力パラメータがほとんど知られていない、または困難を伴ってしか求められ得ない、たとえば前記のように、先行のシステムの出力値の費用のかかる測定によって困難を伴ってしか求められ得ないときにも、技術的設備のシステム状態の決定を可能にする。

その際にたとえば統計的な方法も人工知能ベースのアルゴリズムと関連して使用することができ、その際人工知能ベースのアルゴリズムが当該のシステムのこれらの動的モデルにより必要とされる入力値及び出力値又はそのいずれか一方を例えば進化する探索ストラテジーにより求めることによって、システムの、他の方法では近接可能でない最も確からしい入力値及び出力値又はそのいずれか一方が現在の作動状況のなかで求められ得る。

この仕方で少なくとも１つのシステムのモデルとこのシステムの実際の挙動との良好な合致が期待され得る。なぜならば、少なくとも１つの人工知能ベースのアルゴリズムを用いて、さもなければシステムのモデル化に取り入れられずに、またモデルの多かれ少なかれ強い不正確さ及び従って特にそれによって作成された予測に通じたであろう作動データもシステムのモデル化に取り入れられ得るからである。

それによって特に、その作動状態の決定に加わるが、たとえば測定技術的に近接可能でないシステムの入力データ及び出力データ又はそのいずれか一方のデータも取り入れられ得る。それにより予測の精度が高められている。

本発明の特に有利な実施形態は、技術的設備の少なくとも１つのシステムの動的モデルをそれぞれ含む複数の解析モジュールを含んでいる。さらにその際に少なくとも１つの別の人工知能ベースのアルゴリズムが設けられており、それを用いて少なくとも第１の解析モジュールの入力データ及び出力データ又はそのいずれか一方のデータと第２の解析モジュールの入力データ及び出力データ又はそのいずれか一方のデータとの間の相関が求められ得る。

本発明のこの実施形態は、共同作用するシステムの並列的監視への本発明による装置の拡張に関するものであり、その際に共同作用は別の人工知能ベースのアルゴリズムからの解析モデルの各入力データ及び出力データ又はそのいずれか一方のデータの間の関係の形態で求められ、付加の関連として確立される（たとえば式、ニューラルネットワークまたは特性曲線の形態で）。それにより個々のシステムの動的モデルならびに付加の関連を含めて共同作用するシステムの正確な動的モデルが生ずる。

こうして個々のシステムの現在及び将来の作動挙動又はそのいずれか一方も、システムの共同作用により生ずる設備の作動挙動も記述可能である。

その際に相関を用いて、技術的設備の現在及び将来の作動挙動又はそのいずれか一方を特徴付ける別の出力データが求められ、その際にこれらの別の出力データがシステムに干渉する情報を含んでいることは有利である。

前記のデータの間の相関は相互の依存関係を示唆し、それによってそれにより取得される別の出力データがそのステートメント力の点で関与する個別システムのシステム限界を超え、またそれによって少なくとも２つのシステムを含んでいる技術的設備の大きいほうのユニットの挙動を記述する。

技術的設備の作動データ及び構造データ又はそのいずれか一方のデータが、プロセスデータ、作動報知、警戒報知、障害報知、観察記録、コメント、技術的設備の構成、設備構成要素の階層の群からの１つまたは複数の情報を含んでいることは好ましい。

プロセスデータはその際にオンラインおよびオフラインで技術的設備の制御システム及びそれと接続されているサブシステム又はそのいずれか一方のシステムから取得され、または手作業でも入力され得る。

作動報知は特に技術的設備およびそのシステムの作動状態に関するセンサデータおよびそれから導き出された情報を含んでいる。

構造データは特に技術的設備に含まれているシステム（設備構成要素、サブシステム、システム群）ならびにそれらの階層的な相互作用および優先化に関して技術的設備の構成に関する情報を含んでいる。

これらのデータはその際に、たとえば短時間または長時間アーカイブまたはエンジニアリングシステムに格納されている現在及び過去のデータ又はそのいずれか一方のデータを含んでいてよい。

作動データ及び構造データ又はそのいずれか一方のデータがプロセス制御システムにより用意されていることは好ましい。

複雑な技術的設備の操作および監視のためにはたいていプロセス制御システムが使用され、そのなかに前記のデータが存在しており、または作動中に生じかつ記憶される。従ってこの実施形態ではデータ準備は特に低コストですむ。

本発明はさらに、複数のシステムを含む技術的設備、特に発電所設備、を監視するための方法であって、
・技術的設備の少なくとも１つのシステムの動的モデルに技術的設備の作動データ及び構造データ又はそのいずれか一方のデータが入力データとして供給されるステップと、
・人工知能ベースアルゴリズムを用いて、システムの動的モデルがシステムの作動中に改善されるステップと、
・動的モデルを用いて、システムの現在及び将来の作動挙動又はそのいずれか一方を特徴付ける出力データが求められるステップと
を含んでいる方法に通ずる。

好ましくは、動的モデルの改善が、まだ動的モデルにより利用されていない入力データの同定を含んでおり、またこれらの入力データを用いて動的モデルが拡張され得る。

別の実施形態では、技術的設備の各少なくとも１つのシステムを記述する動的モデルのある数と少なくとも１つの別の人工知能ベースのアルゴリズムが設けられており、そのアルゴリズムを用いて少なくとも第１の動的モデルの入力データ及び出力データ又はそのいずれか一方のデータと第２の動的モデルの入力データ及び出力データ又はそのいずれか一方のデータとの間の相関が求められ得る。

相関を用いて、技術的設備の現在及び将来の作動挙動又はそのいずれか一方を特徴付ける別の出力データが求められ、その際にこれらの別の出力データがシステムを支配する情報を含んでいることは有利である。

本発明による装置およびその有利な構成に関連して行った説明は本発明による方法に転用可能であり、従ってここに繰り返さない。

要約すると、本発明は下記の環境に埋め込まれ得る。

技術的設備、たとえば発電所設備、のシステムを診断するための人工知能は先見的に欠陥を予測するために使用され得る。その際に技術的設備において自由な使用に任されているすべてのデータが考慮され得る。

その際重点はたとえばモデル化と監視課題、特に診断課題の遂行とのための遺伝的アルゴリズムおよびニューラルネットワークにある。

技術的設備における診断アプリケーションの費用を明らかに低減し、さらに調節の改善された最適化を可能にすることに特に意味がある。

改善は、一方では、たとえば性能およびエネルギー消費のような技術的設備のシステムの関連する集合体特性が、法令および資源不足を顧慮して減少されるならば達成される。他方では、改善された性能および診断可能性に関するカスタマの希望が満たされなければならない。

遺伝的／進化的アルゴリズムを用いての診断に大きいシステムも小さいシステムも統合可能である。

遺伝（進化）的アルゴリズムとあらゆる種類のKohonenネットワークおよびニューロンのネットワークとの接続により、技術的設備の少なくとも１つのシステムの状態に関するステートメントを可能にすることが可能である。

遺伝的アルゴリズムの使用はさらに、直接に技術的設備のこれらの構成要素に作用しないこのようなパラメータを、たとえば入力信号及び出力信号又はそのいずれか一方の信号または媒体流として、技術的設備のシステムの状態の決定に取り入れることを可能にする。

遺伝的アルゴリズム（探索アルゴリズム）の方法の適用はさらに、実際状態を決定するための入力パラメータが十分に知られていない、または補足可能でない、または例えば費用の高い測定を要するために困難を伴うときにも、少なくとも１つのシステムまたはすべての技術的設備の状態の計算を可能にする。

診断のために人工知能を使用することはさらに、複雑な設備状態の際に計算された実際状態からの偏差が技術的設備のオペレータに報知されることを可能にする。この際に最初に、たとえば密に境された欠陥場所に関する具体的な欠陥指摘が放棄され得る。なぜならば、たとえばセンサの故障はたいてい存在する制御システムによりいずれにせよ捕捉かつ報知されるからである。

本発明との関連で重要なことは、むしろ緩慢に進行するプロセスの識別であり、それは汚れ、損耗によるパワー低下、経年変化などのような設備構成要素の即時の故障を必ずしも引き起こすものではなく、人により“慣れ効果”により正しく気付かれず、または正しく解釈されない。

多くの場合にこのような緩慢に進行する変化はいつか一回は技術的設備の故障に通ずる。しかしこれらの変化はしばしば識別されない。なぜならば、存在している調節装置がたとえばこの変化に逆作用するように試みるからである。即ちたとえば通風装置のブレードにおける汚れは通風装置ブレードの調整により補償される。または調節装置が油ポンプまたは冷却ポンプの衰える能力を新しい目標値設定により補償する。そうすると例えば軸受の温度は非常にゆっくりとのみ高くなる。なぜならば、調節装置が欠陥の始まりかけている際にシステム故障の時点をしばしば先へ延ばし得るからである。しかしその際に、調節されるシステムは常により高く負荷され、損耗が増大する。技術的設備の利用者はそれに全く関与していない。なぜならば、まさに調節装置により技術的設備が、技術的設備の１つまたは複数のシステムがその損耗限界に近づくとしても、引き続き機能するからである。

危険な作動は特に、機能するシステムが高められた負荷のもとに作動させられるときに生ずる。このような負荷は前記の調節装置により目標値設定により引き起こされ得る。たとえば冷却循環路は５０％出力でもって連続作動用として設計されている。その場合７０〜８０％出力でもっての連続的な作動は既に間もなく重大な損傷に通じ得る。しかし、漏れ故障が始まりかけている冷却ポンプは気付かれずにとどまる。なぜならば、調節装置が冷却循環路の機能を維持するため冷却ポンプに対する目標値（たとえば圧力）を常にさらに高め、このことがポンプの故障を一層加速するからである。故障が実際に生じたときに始めて、冷却ポンプの欠陥が冷却システムの欠陥原因として気付かれる。ここで本発明による装置及び方法がその対策を講ずることができる。

インテリジェントな学習能力のあるネットワークと結び付けられた遺伝的アルゴリズムは、さらに技術的設備の危険な作動態様、集合体およびシステムの過負荷または誤ったぎりぎりの負荷などの識別を可能にする。これが技術的設備のオペレータ／操作員に、たとえば作動ダイアグラム（たとえば標識領域）の形態で有利に報知され、それから現在の作動も提案された改善された作動も生じる。

偏差の表示は有利に標識領域を用いて行われ得る。遺伝的アルゴリズムに基づいて欠陥予測とならんで技術的設備の作動の最適化も可能である。

さらに遺伝的アルゴリズムを用いて、技術的設備の全体状態および場合によってはある時間間隔で必要な保守措置に関するステートメントを可能にする、技術的設備の管理者に対する情報が取得され得る。

人工知能の使用はシステム状態のオンライン計算を有利に可能にする。すなわちオペレータはその設備のなかの“誤挙動”を指摘され、また次いでオペレータに新しい考察の仕方を可能にする先を見通す計算をすることができる。

例：
たとえば診断システムの形態の本発明による装置は、オペレータに“石炭粉砕機 ＸＸ 範囲粉砕ローラーにおける欠陥”を報知する。対抗コントロールにより、石炭粉砕機の保守措置が必要であることが確認される（たとえばこのことがメーカーから付属の保守ハンドブックに指定されているので）。

先を見通す計算により次いで本発明による診断システムにより、いつオペレータがその技術的設備を保守措置なしにそれにもかかわらず引き続いて作動させ得る場合に何が起きるか、またいつ石炭粉砕機の作動故障の実際の発生が予想されるかが決定され得る。

遺伝的アルゴリズムおよびニューラルネットワークならびに場合によってはKohonenネットワークの接続により、技術的設備の現在や将来の状態に関する多数のステートメント、特に保守措置がいつ必要になるかが的中し得る。

以下に本発明の２つの実施例が一層詳細に示される。

図１は例として技術的設備２の階層的システム構成を示す。

技術的設備２は電気エネルギーを発生するための発電所設備として構成されており、２つの発電所ブロック３を含んでいる。

各発電所ブロック３はその際２つのタービン５、たとえばガスタービン、を含んでいる。これらのタービン５はまたそれぞれ冷却循環路９を含んでいる。

この冷却循環路９はその際タービン５のタービンブレード１１を含んでいる。

上記の要素の各々は本発明との関連でシステムという概念に属するものとする。システムはこうしてたとえばタービンブレードのような簡単な分離された構成要素のほかに発電所ブロック３または複数の発電所ブロック３のような複雑なシステムを含んでいてよい。

図２は解析モジュール１３を有する本発明による装置１を示す。

解析モジュール１３にはその際技術的設備の作動データ１７および構造データ１９が入力データとして供給されている。

作動データ１７はたとえば技術的設備またはシステム自体においてセンサを用いて取得されるオンライン測定データであってよい。しかしまたそれは、これらの測定データから導き出された、例えば計算機システムにおいて発生せしめられたデータであってもよい。さらに作動データ１７は、たとえばアーカイブに格納されているか又は手作業で入力されるオフライン測定データであってもよい。

構造データ１９は技術的設備又はシステム自体を記述する。それらは特に、システムに含まれている部分システムの相互接続及びそれらの階層的配置に関する情報を含んでいる。

動的モデル１５はシステム挙動をモデル化するために設けられている。このモデル１５はたとえば解析式を含んでいてよいが、またたとえばニューラルネットワーク、ファジー論理または遺伝的アルゴリズムのような人工知能を含んでいてもよい。さらにシステム挙動を記述するための特に簡単な特性曲線が設けられていてよい。

人工知能ベースのアルゴリズム２１がシステムの作動中に動的モデル１５を改善するために設けられている。

この人工知能ベースのアルゴリズム２１はたとえば遺伝的アルゴリズムとして構成されていてよい。

このアルゴリズム２１の重要な役割は、改善されたモデル挙動、すなわち実際のシステムの挙動との一層良好な合致が達成されるようにこのモデル１５の改善を達成するため、モデル１５のなかの動的マッチングを行うことにある。例としてこの事情を評価するためモデリングエラー、たとえばシステムの実際の時間的な挙動とこのシステムのモデル化された挙動との間の差、が考慮され得る。こうして人工知能ベースのアルゴリズム２１を用いてモデル１５の改善が行われ得る。その際に人工知能ベースのアルゴリズム２１が特に、モデル化の際にまだ顧慮されていない、作動データ１７及び構造データ１９又はそのいずれか一方のデータに含まれているが、モデル化のためにまだ利用されていないパラメータおよびデータを同定し、またその他の関連、たとえば式または特性曲線を、前記の同定されたパラメータ及びデータ又はそのいずれか一方を含めて構築し、動的モデル１５に付加するために使用される。

遺伝的アルゴリズムとして構成された人工知能ベースのアルゴリズム２１は、進化するパラメータおよびデータを組み合わせ、また再組み合わせし、またその際に特に動的モデル１５にまだ含まれていない新しい関連を発見することによって、動的モデル１５に含まれている、たとえば式、特性曲線またはニューラルネットワークのネットワーク・パラメータのような関連を最適化する。

この点で本発明と関連して使用される説明されたモデル化および人工知能ベースのアルゴリズム２１を用いてのその改善は、たとえば監督された学習および古典的なモデル化の公知の方法を凌駕している。

解析モジュール１３は出力データ２３としてシステムの作動挙動に関するステートメントを発生する。その際にそれはたとえばシステムの現在または将来の作動挙動（予測の作成）であってよい。たとえば解析モジュール１３に作動データ１７が供給され、これらの作動データが特定の将来の時間にわたって持続するであろうと仮定される。そうして出力データ２３はたとえば、システム作動の擾乱が予想されるか否か、また場合によってはいつ予想されるかに関するステートメントを可能にする。このステートメントは、モデル１５が実際のシステム挙動を正確に反映するほど正確である。本発明による装置１では特に人工知能ベースのアルゴリズム２１によりモデル１５の高い精度を招来し、その結果解析モジュール１３から出力データ２３として求められる予測および診断が非常に正確である。

出力データ２３は欠陥識別（トレンド解析、損耗および経年変化）、効率、プロセスの質およびシステムおよび技術的設備の予想される将来の挙動に関する特に有用な報知を含んでいる。

このような報知を発生するため、モデル１５から発生された出力データを前記の報知に変換するため、解析モジュール１３に調節機構が含まれていてよい。この調節機構はその際に特に短い考察時間の予測に対する調節ならびに長い考察時間に対する調節を含んでいてよい。

調節機構にはその際モデル１５の出力データと並んで別の情報、たとえばシステムまたは技術的設備に関する報知および警報も供給されていてよい。

図３では本発明による装置１が２つの解析モジュール１３ａおよび１３ｂを含んでいる。

解析モジュール１３ａにはその際冷却システム２９の作動データ１７ａおよび構造データ１９ａが供給されている。解析モジュール１３ｂは入力データとして発電機３１の作動データ１７ｂおよび構造データ１９ｂを受ける。

さらに両解析モジュール１３ａ、１３ｂに技術的設備の環境データ３３、たとえば環境温度、空気湿度、空気圧力など、が供給されている。

各解析モジュール１３ａ、１３ｂは、それぞれ解析されるシステム２９または発電機３１の作動挙動を特徴付ける出力データ２３ａまたは２３ｂを求める。

冷却システム２９および発電機３１は方法技術的に互いに分離されて考察すべきシステムではないので、特に冷却システム２９の変化する作動データ１７ａが発電機３１のシステム挙動に、従ってまた解析モジュール１３ｂの出力データ２３ｂに影響することを考慮に入れなければならない。同じことが発電機３１の変化する作動データ１７ｂに対しても当てはまり、それらから、その結果として冷却システム２９の作動挙動、従ってまた解析モジュール１３ａの出力データ２３ａが変化することが予想され得る。

このような相関を探し出し定量化するため、別の人工知能ベースのアルゴリズム２５が設けられている。

これはたとえば、システムに干渉する情報を含んでいる別の出力データ２７、すなわちシステムの１つの挙動の特徴化を越えている情報、および特にシステム２９および３１の相互作用およびそれらの相互関係に関する情報を含んでいる出力データを発生する別の遺伝的アルゴリズムとして構成されていてよい。

こうして別の人工知能ベースのアルゴリズム２５はその際にシステムに干渉する上位の関連を同定しかつ構築する役割をする。これらの関連はたとえば別の人工知能ベースのアルゴリズム２５により発生されかつパラメータ化される又はそのいずれか一方がされる式、特性曲線またはニューラルネットワークを含んでいてよい。

システムに干渉するこのような関連を同定しかつ構築するためのストラテジーは、その際図２と関連してあげられた人工知能ベースのアルゴリズム２１ａ、２１ｂによるシステム内部の別の関連の同定および構築と類似していてよい。

本発明による装置および本発明による方法を用いて特に、費用のかかる診断手段なしにシステムの存在している作動データ及び構造データからシステム挙動、特に将来のシステム挙動、に関するステートメントが可能でなければならない。

そのために人工知能ベースのアルゴリズムにより作動中に改善される自己適応する動的モデルが設けられている。

人工知能ベースのアルゴリズム２１は特に、たとえば制御システムにおいて処理される、技術的設備のたいていいずれにせよ利用可能な作動データ及び構造データ又はそのいずれか一方のデータのなかで、関連を探索し、その際同定された関連を動的モデルにそれを段階的に改善するため組み入れるために使用される。

こうしてシステムまたは技術的設備の解析的なモデルが存在していることは必要でない。それどころかモデルはたとえば特性曲線領域の非常に簡単な特性曲線から、または簡単な式から出発して人工知能ベースのアルゴリズムを用いての作動データ及び構造データの相関解析によりたとえば別の特性曲線、式などの形態でその際求められた相関の構築のもとに段階的に改善される。

従来通常の監視装置および診断装置と相違して、本発明による装置はデータベースの方法に基づいており、その際に存在している作動データの部分の間及び技術的設備の構造データの間又はそのいずれか一方の関係が人工知能の方法により探し出され、定量化された関連、たとえば式や特性曲線として構築され、その結果技術的設備の少なくとも１つのシステムの正確な動的モデルが生ずる。

技術的設備に通常存在するシステム階層の説明図である。 本発明による装置の一実施例の構成配置図である。 ２つの解析モジュールを有する本発明による装置の別の実施例の構成配置図である。

符号の説明

１ 装置
２ 技術的設備
３ 発電所ブロック
５ タービン
９ 冷却循環路
１１ タービンブレード
１３、１３ａ、１３ｂ 解析モジュール
１５ 動的モデル
１７、１７ａ、１７ｂ 作動データ
１９、１９ａ、１９ｂ 構造データ
２１、２１ａ、２１ｂ 人工知能ベースのアルゴリズム
２３、２３ａ、２３ｂ 出力データ
２５ 人工知能ベースのアルゴリズム
２７ 出力データ
２９ 冷却システム
３１ 発電機
３３ 環境データ

Claims (13)

1. 複数のシステムを含む技術的設備を監視するため、前記技術的設備の少なくとも１つのシステムの挙動をモデル化するための動的モデル、即ち、解析式、特性曲線及びニューラルネットワーク、ファジー論理または遺伝的アルゴリズム等の人工知能を含むダイナミックモデルである動的モデル、を含む少なくとも１つの解析モジュールを有し、
   前記解析モジュールには、前記技術的設備の作動の際に生ずる作動データ、即ち、前記技術的設備またはシステムにおいてセンサを用いて取得されるオンライン測定データ、この測定データから計算機システムによって導出されたデータ、及びアーカイブに格納されているか又は手作業で入力されるオフライン測定データである作動データ、及び前記技術的設備の構成に関する構造データ、即ち前記技術的設備又はシステム自体の構造に関する情報、及びシステムに含まれている部分システムの相互接続及びそれらの階層的配置に関する情報である構造データ、の少なくとも一方のデータが入力データとして与えられ、
   前記解析モジュールは、少なくとも１つの人工知能ベースのアルゴリズムを有し、このアルゴリズムにより前記システムの作動中に前記作動データ及び前記構造データの少なくとも一方の各データ間の相互関係が求められ、
   その求められたデータ間の相互関係が新しい相互関係として前記動的モデルに組み入れられることにより前記システムの前記動的モデルが変更され、
   前記変更された動的モデルを含む前記解析モジュールに前記技術的設備の作動データないし構造データが入力されることにより、前記システムの現在及び将来の作動挙動の少なくとも一方を特徴付ける情報が前記解析モジュールの出力データとして出力され、この出力データにより技術的設備の監視が行われる技術的設備の監視装置。
2. 前記解析モジュールの入力データ中の動的モデルに含まれていない入力データの存在及びその内容が検出され、これらの入力データが前記動的モデルに組み入れられる請求項１記載の装置。
3. 前記動的モデルが特性曲線、物理式、ニューラルネットワーク、ファジー論理、遺伝的アルゴリズムの群からの１つまたは複数の要素を含んでいる請求項１又は２記載の装置。
4. 前記動的モデルが少なくとも１つのニューラルネットワークを含んでおり、このニューラルネットワークは前記システムの過去の作動の際に生じた作動データにより学習可能である請求項１ないし３のいずれか１つに記載の装置。
5. 前記技術的設備の少なくとも１つのシステムの動的モデルをそれぞれ含む複数の解析モジュールが存在しており、少なくとも１つのさらに別の人工知能ベースのアルゴリズムが設けられており、このアルゴリズムにより前記複数の解析モジュールの少なくとも第１の解析モジュールの入力データ及び出力データの少なくとも一方のデータと第２の解析モジュールの入力データ及び出力データの少なくとも一方のデータとの間の相互関係が求められる請求項１ないし４のいずれか１つに記載の装置。
6. 前記データ間の相互関係により前記技術的設備の現在及び将来の少なくともいずれか一方の作動挙動を特徴付ける別の出力データが求められ、これらの別の出力データがシステムの作動に影響する情報を含んでいる請求項５記載の装置。
7. 前記技術的設備の前記作動データ及び構造データの少なくとも一方のデータが、プロセスデータ、作動報知、警戒報知、障害報知、観察記録、コメント、技術的設備の構成、設備構成要素の階層の群からの１つまたは複数の情報を含んでいる請求項１ないし６のいずれか１つに記載の装置。
8. 前記技術的設備の前記作動データ及び構造データの少なくとも一方のデータが前記技術的設備の現在及び過去の少なくとも一方のデータを含んでいる請求項１ないし７のいずれか１つに記載の装置。
9. 前記技術的設備の前記作動データ及び構造データの少なくとも一方のデータが前記技術的設備のプロセス制御システムにより与えられる請求項１ないし８のいずれか１つに記載の装置。
10. 複数のシステムを含む技術的設備を監視するため、・前記技術的設備の少なくとも１つのシステムの挙動をモデル化するための動的モデルに前記技術的設備の作動の際に生ずる作動データ及び前記技術的設備の構成に関する構造データの少なくとも一方のデータを入力データとして供給するステップと、
    ・前記システムの作動中に、前記システムの前記作動データ及び構造データの少なくとも一方の各データ間の相互関係を人工知能ベースアルゴリズムに基づいて求め、その求められたデータ間の相互関係を前記動的モデルに新しい相互関係として組み入れることにより、前記システムの前記動的モデルを変更するステップと、
    ・前記新しい相互関係を組み入れられた前記動的モデルを用いて、前記動的モデルに与えられる入力データに対し、前記システムの現在及び将来の少なくとも一方を特徴付ける情報としての出力データを求めるステップと、
    ・前記出力データにより前記技術的設備の監視を行うステップと
    を含んでいる技術的設備の監視方法。
11. 前記技術的設備の作動データないし構造データにおいて前記動的モデルに含まれていない入力データが検出され、これらの入力データが前記動的モデルに組み込まれる請求項１０記載の方法。
12. 前記技術的設備の少なくとも１つのシステムを記述する複数の動的モデルと、少なくとも１つの別の人工知能ベースのアルゴリズムとが設けられ、そのアルゴリズムにより前記複数の動的モデルの少なくとも第１の動的モデルの入力データ及び出力データの少なくとも一方のデータと第２の動的モデルの入力データ及び出力データの少なくとも一方のデータとの間の相互関係が求められる請求項１０または１１記載の方法。
13. 前記データ間の相互関係を用いて、前記技術的設備の現在及び将来の少なくとも一方の作動挙動を特徴付ける情報として別の出力データが求められ、その際これらの別の出力データがシステムの作動に影響する情報を含んでいる請求項１２記載の方法。

Images