JP6842299B2 - 診断装置、診断方法及びプログラム - Google Patents

診断装置、診断方法及びプログラム Download PDF

Info

Publication number
JP6842299B2
JP6842299B2 JP2016257018A JP2016257018A JP6842299B2 JP 6842299 B2 JP6842299 B2 JP 6842299B2 JP 2016257018 A JP2016257018 A JP 2016257018A JP 2016257018 A JP2016257018 A JP 2016257018A JP 6842299 B2 JP6842299 B2 JP 6842299B2
Authority
JP
Japan
Prior art keywords
occurrence probability
cause
event
plant
abnormality
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.)
Active
Application number
JP2016257018A
Other languages
English (en)
Other versions
JP2018109851A (ja
Inventor
志田　雅人
雅人 志田
由起彦 井上
由起彦 井上
青山　邦明
邦明 青山
一郎 永野
一郎 永野
瞬 新妻
瞬 新妻
智大 馬場
智大 馬場
彰久 遠藤
彰久 遠藤
貴洋 山内
貴洋 山内
毅 木下
毅 木下
慎作 遠藤
慎作 遠藤
富田　康意
康意 富田
安部　克彦
克彦 安部
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Power Ltd
Original Assignee
Mitsubishi Power Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Mitsubishi Power Ltd filed Critical Mitsubishi Power Ltd
Priority to JP2016257018A priority Critical patent/JP6842299B2/ja
Priority to CN201780073639.4A priority patent/CN110023862B/zh
Priority to US16/464,134 priority patent/US11209811B2/en
Priority to PCT/JP2017/031535 priority patent/WO2018123144A1/ja
Priority to TW106131881A priority patent/TWI659283B/zh
Publication of JP2018109851A publication Critical patent/JP2018109851A/ja
Application granted granted Critical
Publication of JP6842299B2 publication Critical patent/JP6842299B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
    • G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/23—Pc programming
    • G05B2219/23447—Uses process simulator to develop, simulate faults, fault tree

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Description

本発明は、診断装置、診断方法及びプログラムに関する。
例えば、発電プラントや化学プラントを含むプラントでは、安全かつ安定的な運転が望まれる。プラントの異常の発生を未然防止したり早期発見したりするために、プラントから運転状態を示すデータを収集し、収集したデータに基づいて異常の予兆を診断する遠隔監視が行われる。そして、異常の予兆が検知されると、異常の予兆に対する原因を推定する。
制御情報と知識ベースとを元に故障要因の推論を行う故障診断装置が知られている（例えば、特許文献１参照）。この技術では、知識ベースを、故障事象（異常事象）とその故障事象に関係する故障要因とのマトリックス表としている。さらに、マトリックス表の交点には故障事象と故障要因との関係の度合いに応じた重み付けがされている。
特開平１１−１１９８２３号公報
プラントの異常の発生を未然防止したり早期発見したりするために、異常の予兆の原因を高精度に推定することが望まれている。例えば、フォールトツリー解析では、異常の予兆と、異常の予兆の原因とをフォールトツリーで精度よく表現することが望ましい。そこで、本願の発明者は、異常の予兆の原因として、過去に発生した異常の予兆の原因に加えて、発生し得ると想定されるが未発生の異常の予兆の原因を含めることが望ましいとの知見を得た。
本発明は、このような実情に鑑みてなされたものであり、異常の予兆の原因を高精度に推定する診断装置、診断方法及びプログラムを提供することを目的とする。
本発明の診断装置は、プラントの異常の予兆と原因とを診断する診断装置であって、前記プラントの運転状態を示す運転データを前記プラントから受信する受信部と、前記プラントで過去に発生した第一異常事象と、前記第一異常事象の原因である少なくとも一つ以上の第一起因事象と、前記第一起因事象の発生確率である第一発生確率とを含み、前記第一異常事象と前記第一起因事象との間の因果関係がツリー構造で示された第一情報と、前記プラントに発生し得ると想定されるが、未発生の第二異常事象と、前記第二異常事象の原因である少なくとも一つ以上の第二起因事象と、前記第二起因事象の発生確率である第二発生確率とを含み、前記第二異常事象と前記第二起因事象との間の因果関係がツリー構造で示された第二情報とを記憶する記憶部と、前記運転データに基づいて、前記プラントの異常の予兆を検出して異常を診断する診断部と、前記診断部で前記異常の予兆が検出され異常と診断された場合、前記第一情報と前記第二情報とに基づいて、前記異常の予兆の原因を推定する推定部とを備え、前記推定部は、前記第一発生確率の重み付けを前記第二発生確率の重み付けより重くして、前記異常の予兆の原因を推定することを特徴とする。
この構成によれば、異常の予兆の原因を高精度に推定することができ、トラブルを未然に防止することができる。
本発明の診断装置における、前記記憶部は、前記プラントと異なる少なくとも一つの他プラントで過去に発生した第三異常事象と、前記第三異常事象の原因である少なくとも一つ以上の第三起因事象と、前記第三起因事象の発生確率である第三発生確率とを含み、前記第三異常事象と前記第三起因事象との間の因果関係がツリー構造で示された第三情報を記憶し、前記推定部は、前記第一発生確率の重み付けと前記第三発生確率の重み付けとを前記第二発生確率の重み付けより重くして、前記異常の予兆の原因を推定することが好ましい。この構成によれば、他プラントの第三情報とをさらに記憶することで、異常の予兆の原因を高精度に推定することができる。
本発明の診断装置における、前記第一情報と前記第二情報と前記第三情報とは、フォールトツリーであり、前記推定部は、前記診断部で前記異常の予兆が検出され異常と診断された場合、フォールトツリー解析で異常の予兆の原因を推定することが好ましい。この構成によれば、異常の予兆の原因を高精度に推定することができる。
本発明の診断装置は、前記推定部の推定結果に基づいて、前記第一発生確率の重み付けと前記第二発生確率の重み付けと前記第三発生確率の重み付けとの少なくともいずれか一つを変更する第一変更部を備えることが好ましい。この構成によれば、発生確率の重み付けを適切に変更することで、異常の予兆の原因を高精度に推定することができる。
本発明の診断装置における、前記第一変更部は、前記推定部で推定した原因が前記第一起因事象である場合、前記第一発生確率の重み付けを変更することが好ましい。この構成によれば、発生確率の重み付けを適切に変更することで、異常の予兆の原因を高精度に推定することができる。
本発明の診断装置における、前記第一変更部は、前記推定部で推定した原因が前記第二起因事象である場合、前記第二発生確率の重み付けを変更することが好ましい。この構成によれば、発生確率の重み付けを適切に変更することで、異常の予兆の原因を高精度に推定することができる。
本発明の診断装置における、前記第一変更部は、前記推定部で推定した原因が前記第三起因事象である場合、前記第三発生確率の重み付けを変更することが好ましい。この構成によれば、発生確率の重み付けを適切に変更することで、異常の予兆の原因を高精度に推定することができる。
本発明の診断装置は、前記プラントの部品が更新されたことを示す更新情報と、前記プラントを点検したことを示す点検情報との少なくともどちらか一方を取得する取得部と、前記更新情報と前記点検情報との少なくともどちらか一方に基づいて、前記第一発生確率の重み付けと前記第二発生確率の重み付けとの少なくともどちらか一方を変更する第二変更部とを備えることが好ましい。この構成によれば、発生確率の重み付けを適切に変更することで、異常の予兆の原因を高精度に推定することができる。
本発明の診断装置は、前記診断部の診断結果と前記推定部の推定結果とを表示する表示部を備えることが好ましい。この構成によれば、診断結果と推定結果とを表示することができる。
本発明の診断装置における、前記表示部は、前記推定結果に応じて推奨するメンテナンス計画を表示し、前記推定部は、前記推定結果が部品交換の緊急性が低い部品が異常の予兆の原因であることを示す場合、前記プラントの定期点検時に前記部品を交換するメンテナンス計画を表示部に表示することが好ましい。この構成によれば、さらにメンテナンス計画を表示することができる。
本発明の診断装置は、前記第一情報と前記第二情報と前記第三情報との少なくともいずれか一つを編集する編集部を備えることが好ましい。この構成によれば、第一情報と第二情報と第三情報との少なくともいずれか一つを適切に変更することで、異常の予兆の原因を高精度に推定することができる。
本発明の推定方法は、プラントの異常の予兆と原因とを診断する診断方法であって、前記プラントの運転状態を示す運転データを前記プラントから受信する受信工程と、前記プラントで過去に発生した第一異常事象と、前記第一異常事象の原因である少なくとも一つ以上の第一起因事象と、前記第一起因事象の発生確率である第一発生確率とを含み、前記第一異常事象と前記第一起因事象との間の因果関係がツリー構造で示された第一情報と、前記プラントに発生し得ると想定され、未発生の第二異常事象と、前記第二異常事象の原因である少なくとも一つ以上の第二起因事象と、前記第二起因事象の発生確率である第二発生確率とを含み、前記第二異常事象と前記第二起因事象との間の因果関係がツリー構造で示された第二情報とを記憶する記憶工程と、前記運転データに基づいて、前記プラントの異常の予兆を検出して異常を診断する診断工程と、前記診断工程で前記異常の予兆が検出され異常と診断された場合、前記第一情報と前記第二情報とに基づいて、前記異常の予兆の原因を推定する推定工程とを含み、前記推定工程は、前記第一発生確率の重み付けを前記第二発生確率の重み付けより重くして、前記異常の予兆の原因を推定することを特徴とする。
この方法によれば、異常の予兆の原因を高精度に推定することができ、トラブルを未然に防止することができる。
本発明のプログラムは、プラントの異常の予兆と原因とを診断するプログラムであって、前記プラントの運転状態を示す運転データを前記プラントから受信する受信工程と、前記プラントで過去に発生した第一異常事象と、前記第一異常事象の原因である少なくとも一つ以上の第一起因事象と、前記第一起因事象の発生確率である第一発生確率とを含み、前記第一異常事象と前記第一起因事象との間の因果関係がツリー構造で示された第一情報と、前記プラントに発生し得ると想定され、未発生の第二異常事象と、前記第二異常事象の原因である少なくとも一つ以上の第二起因事象と、前記第二起因事象の発生確率である第二発生確率とを含み、前記第二異常事象と前記第二起因事象との間の因果関係がツリー構造で示された第二情報とを記憶する記憶工程と、前記運転データに基づいて、前記プラントの異常の予兆を検出して異常を診断する診断工程と、前記診断工程で前記異常の予兆が検出され異常と診断された場合、前記第一情報と前記第二情報とに基づいて、前記異常の予兆の原因を推定する推定工程とを含み、前記推定工程は、前記第一発生確率の重み付けを前記第二発生確率の重み付けより重くして、前記異常の予兆の原因を推定することをコンピューターに実行させることを特徴とする。
このプログラムによれば、異常の予兆の原因を高精度に推定することができ、トラブルを未然に防止することができる。
本発明によれば、異常の予兆の原因を高精度に推定する診断装置、診断方法及びプログラムを実現できる。
図１は、本発明の第一実施形態に係る診断装置と他の装置との概略構成を示すブロック図である。 図２は、本発明の第一実施形態に係る診断装置の一例を示すブロック図である。 図３は、本発明の第一実施形態に係る診断装置の記憶部の一例を示すブロック図である。 図４は、本発明の第一実施形態に係る診断装置における診断方法の概略を示すフロー図である。 図５は、図３に示す記憶部の一例を示す概略図である。 図６は、本発明の第一実施形態に係る診断装置における情報処理の一例を示すフロー図である。 図７は、本発明の第二実施形態に係る診断装置と他の装置との概略構成を示すブロック図である。 図８は、本発明の第二実施形態に係る診断装置の記憶部の一例を示すブロック図である。
以下、本発明の実施形態について、添付図面を参照して詳細に説明する。なお、本発明は、以下の各実施形態に限定されるものではなく、適宜変更して実施可能である。
［第一実施形態］
図１は、本発明の第一実施形態に係る診断装置と他の装置との概略構成を示すブロック図である。診断装置１は、プラントの遠隔監視を行うサービス事業者の拠点内に設置されている。診断装置１は、監視対象のプラント（以下、「自プラント」という。）の異常の予兆と原因とを診断する。診断装置１は、監視対象の自プラントから収集装置１０２を介してデータを受信する。
自プラントは、診断装置１で異常の予兆の診断を行う監視対象のプラントである。自プラントは、機器や部品にセンサが配置されている。センサは、自プラントの運転状態を示す運転データを送信装置１０１を介して収集装置１０２に送信する。運転データは、自プラントの異常の予兆を診断するために必要なデータを含む。
送信装置１０１は、自プラントに設置されている。送信装置１０１は、自プラントの機器やセンサから出力された、自プラントの運転状態を示す運転データを取得し、収集装置１０２と管理装置１０３とに送信する。
収集装置１０２は、自プラントの遠隔監視を行うサービス事業者の拠点内に設置されている。収集装置１０２は、送信装置１０１を介して、自プラントの機器やセンサから出力された運転データを収集する。収集装置１０２は、収集した運転データを診断装置１に送信する。収集装置１０２は、診断装置１から診断結果を受信して、管理装置１０３に送信する。
管理装置１０３は、プラントの運営事業者の拠点内に設置されている。管理装置１０３は、プラントの運転状態を示すデータと診断結果とを管理する。
図２を用いて、診断装置１について説明する。図２は、本発明の第一実施形態に係る診断装置の一例を示すブロック図である。診断装置１は、受信部１０と、送信部２０と、表示部３０と、記憶部４０と、制御部５０とを有する。
受信部１０は、自プラントの運転状態を示す運転データを送信装置１０１から受信する。より詳しくは、受信部１０は、収集装置１０２が送信した運転データを受信する。
送信部２０は、収集装置１０２に対してデータを送信可能である。送信部２０は、診断結果を収集装置１０２に送信する。
表示部３０は、文字や図形等の各種情報を表示する。表示部３０は、例えば、液晶パネルや有機ＥＬ（Ｏｒｇａｎｉｃ Ｅｌｅｃｔｒｏ−Ｌｕｍｉｎｅｓｃｅｎｃｅ）パネル、プロジェクタ等である。表示部３０は、診断結果と推定結果とメンテナンス計画とを表示する。
記憶部４０は、制御部５０における情報処理を実行するために用いられる各種プログラム及び各種データベースが記憶されている。記憶部４０は、受信した運転データを記憶する。記憶部４０は、診断結果を記憶する。
図３を用いて、記憶部４０についてより詳しく説明する。図３は、本発明の第一実施形態に係る診断装置の記憶部の一例を示すブロック図である。記憶部４０は、第一データベース４１と、第二データベース４２とを有する。
第一データベース４１は、異常の予兆の原因解析に使用する、自プラントで実際に発生した異常の予兆に基づいた知識ベースを記憶している。本実施形態では、第一データベース４１は、フォールトツリー解析で使用するフォールトツリーである第一情報を記憶している。第一情報は、自プラントで過去に発生した異常の予兆である第一異常事象と、第一異常事象の原因である少なくとも一つ以上の第一起因事象と、第一起因事象の発生確率である第一発生確率とを含み、第一異常事象と第一起因事象との間の因果関係がツリー構造で示されている。第一情報は、少なくとも一つ以上のフォールトツリーを含む。例えば、第一情報は、サービス事業者の有する設計、製造に関する知見に基づくフォールトツリーと、運営事業者の有する運転に関する知見に基づくフォールトツリーとを含んでもよい。例えば、第一情報は、プラント全体で一つのフォールトツリーとしてもよいし、部品ごとのフォールトツリーとしてもよい。第一情報は、異常の予兆に関する報告書などに基づいて生成してもよい。
第二データベース４２は、異常の予兆の原因解析に使用する、自プラントで発生し得ると想定されるが、未発生の異常の予兆に基づいた知識ベースを記憶している。本実施形態では、第二データベース４２は、フォールトツリー解析で使用するフォールトツリーである第二情報を記憶している。第二情報は、自プラントに発生し得ると想定されるが、未発生の異常の予兆である第二異常事象と、第二異常事象の原因である少なくとも一つ以上の第二起因事象と、第二起因事象の発生確率である第二発生確率とを含み、第二異常事象と第二起因事象との間の因果関係がツリー構造で示されている。第二情報は、少なくとも一つ以上のフォールトツリーを含む。例えば、第二情報は、サービス事業者の有する設計、製造に関する知見に基づくフォールトツリーと、運営事業者の有する運転に関する知見に基づくフォールトツリーとを含んでもよい。例えば、第二情報は、プラント全体で一つのフォールトツリーとしてもよいし、部品ごとのフォールトツリーとしてもよい。
第一データベース４１と第二データベース４２とは、第一データベース４１の第一情報と第二データベース４２の第二情報とが統合されたものであってもよい。
制御部５０は、メモリ及びＣＰＵにより構成される。制御部５０は、専用のハードウェアにより実現されるものであっても、制御部５０の機能を実現するためのプログラムをメモリにロードして実行することによりその機能を実現させるものであってもよい。制御部５０は、診断部５１と、推定部５２と、集約部５３と、取得部５４と、第一変更部５５と、第二変更部５６と、編集部５７とを有する。
診断部５１は、運転データに基づいて、自プラントの異常の予兆を検出して異常を診断する。診断部５１は、例えば、ＭＴ法（Ｍａｈａｌａｎｏｂｉｓ Ｔａｇｕｃｈｉ Ｍｅｔｈｏｄ、マハラノビス・タグチ法）を使用する。より詳しくは、診断部５１は、多変量データである運転データの正常パターンを単位空間として定義する。そして、診断部５１は、受信した運転データについて、マハラノビス距離を求めて異常の予兆を検出する。診断部５１は、運転データの異常の予兆を検出した場合、直交表を用いて求めたＳＮ比（Ｓｉｇｎａｌ−Ｎｏｉｓｅ Ｒａｔｉｏ）の大きさによって異常の予兆に影響を与えたセンサを判定する。
推定部５２は、診断部５１で異常の予兆が検出された場合、フォールトツリー解析を使用して、第一情報と第二情報とに基づいて、異常の予兆に影響を与えたセンサに関連する異常の予兆の原因である起因事象を確率的に推定する。推定部５２は、第一発生確率の重み付けを第二発生確率の重み付けより重くして、起因事象を確率的に推定する。第一発生確率の重み付けを第二発生確率の重み付けより重くするのは、自プラントで過去に発生した異常の予兆と同じ異常の予兆が発生する確率が、未発生の異常の予兆が発生する確率より高いためである。
例えば、第一発生確率の重み付けを１とし、第二発生確率の重み付けを１／１０とする。また、推定部５２で過去に推定された第一起因事象の第一発生確率の重み付けをさらに重くして、３としてもよい。
集約部５３は、記憶部４０の第一データベース４１と第二データベース４２とに対してアクセスして、データの読み出しや更新を行う。
取得部５４は、自プラントの部品が更新されたことを示す更新情報と自プラントを点検したことを示す点検情報との少なくともどちらか一方を取得する。
第一変更部５５は、推定部５２の推定結果に基づいて、第一起因事象の第一発生確率の重み付けと第二起因事象の第二発生確率の重み付けとの少なくともどちらか一方を変更する。第一変更部５５は、推定部５２で推定した原因が第一起因事象である場合、推定した第一起因事象の第一発生確率の重み付けを変更する。第一変更部５５は、推定部５２で推定した原因が第二起因事象である場合、推定した第二起因事象の第二発生確率の重み付けを変更する。
より詳しくは、第一変更部５５は、推定部５２で推定した原因が第一起因事象である場合、推定した第一起因事象の第一発生確率の重み付けを他の第一起因事象より重み付けを重くする。例えば、推定部５２で推定した原因が第一起因事象である場合、推定した第一起因事象の第一発生確率の重み付けを１１／１０とする。これに対して、他の第一起因事象の第一発生確率の重み付けは、例えば、上記のように１である。
第一変更部５５は、推定部５２で推定した原因が第二起因事象である場合、推定した第二起因事象の第二発生確率の重み付けを未発生の他の第二起因事象より重み付けを重くする。例えば、推定部５２で推定した原因が第二起因事象である場合、推定した第二起因事象の第二発生確率の重み付けを１／２とする。これに対して、未発生の他の第二起因事象の第二発生確率の重み付けは、例えば、上記のように１／１０である。
第二変更部５６は、更新情報と点検情報との少なくともどちらか一方に基づいて、対応する、第一起因事象の第一発生確率の重み付けと第二起因事象の第二発生確率の重み付けとの少なくともどちらか一方を変更する。例えば、第二変更部５６は、部品が更新された更新情報を取得した場合、第一情報と第二情報とについて、更新された部品に関連する起因事象に対応する発生確率の重み付けを変更する。例えば、第二変更部５６は、部品が更新されて起因事象が解消されるような恒久対策が施された場合、更新された部品に関連する起因事象に対応する発生確率の重み付けをゼロに変更する。例えば、第二変更部５６は、部品が点検された点検情報を取得した場合、第一情報と第二情報とについて、点検された部品に関連する起因事象に対応する発生確率の重み付けを軽くするように変更する。
編集部５７は、第一データベース４１の第一情報と第二データベース４２の第二情報とを編集する。例えば、異常事象や起因事象を追加や変更するなど、フォールトツリーを変更したい場合、編集部５７を介して、第一データベース４１の第一情報と第二データベース４２の第二情報とを直接編集する。
次に、図４ないし図６を用いて、診断装置１を用いた診断方法について説明する。図４は、本発明の第一実施形態に係る診断装置における診断方法の概略を示すフロー図である。図５は、図３に示す記憶部の一例を示す概略図である。診断装置１の起動中は、診断部５１で異常の予兆の検出を常時監視している。
制御部５０は、異常の予兆を検知したか否かを判定する（ステップＳ１１）。より詳しくは、制御部５０は、診断部５１で、運転データに基づいて、自プラントの異常の予兆が検知されたか否かを判定する。制御部５０は、診断部５１で、異常の予兆を検知した場合（ステップＳ１１でＹｅｓ）、ステップＳ１３に進む。制御部５０は、診断部５１で、異常の予兆を検知していない場合（ステップＳ１１でＮｏ）、ステップＳ１２に進む。
診断部５１は、異常なしと判断する（ステップＳ１２）。制御部５０は、ステップＳ１６に進む。
診断部５１は、異常ありと判断する（ステップＳ１３）。制御部５０は、ステップＳ１４に進む。
制御部５０は、推定部５２で、フォールトツリー解析を使用して、第一情報と第二情報とに基づいて、異常の予兆に影響を与えたセンサに対応する異常の予兆の原因である起因事象を確率的に推定する（ステップＳ１４）。制御部５０は、ステップＳ１５に進む。
ステップＳ１４における起因事象を確率的に推定する処理について説明する。本実施形態では、制御部５０は、推定部５２で、第一情報と第二情報とを図５に示すマトリックス表に展開したものを使用して起因事象を確率的に推定する。図５に示すマトリックス表は、縦軸を異常の予兆、横軸を異常の予兆の原因としている。なお、図５の横軸の各項目は、異常の予兆の原因の略称を示している。例えば、「排気デ」は排気ディフーザ損傷を示し、「燃料系」は燃料系統の不良を示し、「空気系」は空気系統の不良を示し、「燃焼空」は燃料空気配分の不良を示し、「制御設」は制御設定値の不良を示し、「温度検」は温度検出器不良を示し、「燃料流」は燃料流量不良を示す。図示はしていないが、縦軸の各項目には、その異常の予兆に関連するセンサが対応付けられている。マトリックス表の各格子には、発生確率の重み付けが、例えば、第一発生確率の重み付けを１とし、第二発生確率の重み付けを１／１０とし、推定部５２で過去に推定されたことのある第一起因事象の第一発生確率の重み付けを３として設定されている。このようなマトリックス表を使用して、診断部５１でＭＴ法により推定されたセンサに対応する縦軸の項目を含む横軸の項目と、その重み付けとにより、起因事象を確率的に推定する。
具体的に、診断部５１でＭＴ法により推定されたセンサが、「部位Ａの温度偏差大」に対応するセンサと、「部位Ｃ差圧大」に対応するセンサと、「軸振動」に対応するセンサと、「排ガス温度偏差」に対応するセンサである場合について説明する。この場合、これらの項目を含む、横軸の左から一列目の項目である排気ディフーザ損傷と、三列目の項目である空気系統の不良とが原因として確率的に推定される。
制御部５０は、第一変更部５５で、推定部５２で推定した原因が第一起因事象である場合、第一起因事象の第一発生確率の重み付けを変更する（ステップＳ１５）。制御部５０は、第一変更部５５で、推定部５２で推定した原因が第二起因事象である場合、第二起因事象の第二発生確率の重み付けを変更する。制御部５０は、ステップＳ１６に進む。
制御部５０は、表示部３０に、ステップＳ１２またはステップＳ１３に基づいて、診断結果を表示させる（ステップＳ１６）。ステップＳ１３で異常ありと判断された場合、診断結果は、ステップＳ１４の推定結果を含む。制御部５０は、ステップＳ１７に進む。
制御部５０は、診断結果を管理装置１０３に送信する（ステップＳ１７）。制御部５０は、このフローチャートの処理を終了する。
このようにして、診断部５１でプラントの異常の予兆が検知されると、推定部５２でフォールトツリー解析を使用して原因が確率的に推定される。
次に、図６を用いて、診断装置１における重み付けの変更処理について説明する。図６は、本発明の第一実施形態に係る診断装置における情報処理の一例を示すフロー図である。診断装置１の起動中は、取得部５４で自プラントの部品が更新されたことを示す更新情報と自プラントを点検したことを示す点検情報との取得を常時監視している。制御部５０は、更新情報または点検情報を取得すると、図６に示すフローチャートの処理を実行する。
制御部５０は、原因事象に関連する項目があるか否かを判定する（ステップＳ２１）。より詳しくは、制御部５０は、第一起因事象と第二起因事象とに、取得した更新情報または点検情報に関連する項目があるか否かを判定する。制御部５０は、第一起因事象と第二起因事象とに、取得した更新情報または点検情報に関連する項目がある場合（ステップＳ２１でＹｅｓ）、ステップＳ２２に進む。例えば、制御部５０は、更新情報に含まれる部品に関連した第一起因事象または第二起因事象が存在する場合、ステップＳ２１でＹｅｓと判定する。例えば、制御部５０は、点検情報に含まれる部品に関連した第一起因事象または第二起因事象が存在する場合、ステップＳ２１でＹｅｓと判定する。制御部５０は、第一起因事象と第二起因事象とに、取得した更新情報または点検情報に関連する項目がない場合（ステップＳ２１でＮｏ）、このフローチャートの処理を終了する。
制御部５０は、第二変更部５６で、更新情報に基づいて、更新情報に含まれる部品に関連した第一起因事象の第一発生確率または第二起因事象の第二発生確率の重み付けを変更する（ステップＳ２２）。例えば、制御部５０は、更新情報が起因事象を解消するような恒久対策を施したことを示すものであれば、第二変更部５６で、更新された部品に関連する起因事象に対応する発生確率の重み付けをゼロに変更する。例えば、制御部５０は、点検情報が部品が点検されたことを示すものであれば、第二変更部５６で、点検された部品に関連する起因事象に対応する発生確率の重み付けを軽くするように変更する。
このようにして、取得部５４で更新情報または点検情報を取得すると、第二変更部５６で、第一発生確率の重み付けと第二発生確率の重み付けとの少なくともどちらか一方が変更される。
以上のように、本実施形態によれば、診断部５１でプラントの異常の予兆が検知されると、推定部５２でフォールトツリー解析を使用して原因が推定される。本実施形態によれば、推定部５２は、自プラントで実際に発生した異常の予兆に基づいた第一データベース４１と、自プラントで発生し得ると想定され、未発生の異常の予兆に基づいた第二データベース４２とに基づいて原因が推定され、その際に、第一発生確率の重み付けを第二発生確率の重み付けより重くして、原因を確率的に推定する。このようにして、本実施形態は、異常の予兆の原因を高精度に推定することができ、トラブルを未然に防止することができる。
本実施形態によれば、推定部５２で推定した原因が第一起因事象である場合、第一起因事象の第一発生確率の重み付けを変更する。本実施形態によれば、推定部５２で推定した原因が第二起因事象である場合、第二起因事象の第二発生確率の重み付けを変更する。このように、本実施形態は、推定部５２の推定結果に基づいて、フォールトツリー解析で使用するフォルトツリーを適切に変更することができる。本実施形態は、推定部５２の推定結果に応じて、第一情報と第二情報とのそれぞれの異常事象の発生確率を適切な値にすることができる。このようにして、本実施形態は、異常の予兆の原因を高精度に推定することができる。
本実施形態によれば、更新情報と点検情報との少なくともどちらか一方に基づいて、対応する、第一発生確率の重み付けと第二発生確率の重み付けとの少なくともどちらか一方を変更する。例えば、本実施形態によれば、部品が更新された更新情報を取得した場合、更新された部品に関連する起因事象に対応する発生確率の重み付けを変更する。さらに、例えば、本実施形態は、部品が更新されて起因事象が解消されるような恒久対策が施された場合、更新された部品に関連する起因事象に対応する発生確率の重み付けをゼロに変更する。例えば、本実施形態は、部品が点検された点検情報を取得した場合、点検された部品に関連する起因事象に対応する発生確率の重み付けを軽くするように変更する。本実施形態は、第一情報と第二情報とのそれぞれの異常事象の発生確率を適切な値にすることができる。このようにして、本実施形態は、異常の予兆を検知した場合にその原因を高精度に推定することができる。
本実施形態によれば、例えば、異常事象や起因事象を追加するなど、フォールトツリーを変更したい場合、編集部５７を介して、第一データベース４１の第一情報と第二データベース４２の第二情報とを直接編集することができる。本実施形態は、第一情報と第二情報とのそれぞれの異常事象の発生確率を適切な値にすることができる。このようにして、本実施形態は、異常の予兆を検知した場合にその原因を高精度に推定することができる。
しかも、本実施形態によれば、異常の予兆の原因を高精度に推定することができるので、費用対効果のより高いメンテナンス計画を策定することが可能である。例えば、推定部５２で推定した異常の予兆の原因が部品交換の緊急性の高いものであったり、プラント運転に対する影響度がプラント全範囲に及ぶようなものである場合、迅速にメンテナンスを実行するようにメンテナンス計画を策定することができる。例えば、推定部５２で推定した異常の予兆の原因が部品交換の緊急性が低いものであったり、プラント運転に対する影響度が限定的なものである場合、定期点検時に合わせて部品を交換するメンテナンスを実行するようにメンテナンス計画を策定することができる。このように、本実施形態によれば、適切なメンテナンス計画を策定することができる。
［第二実施形態］
次に、図７、図８を参照して、本実施形態に係る診断装置１Ａについて説明する。図７は、本発明の第二実施形態に係る診断装置と他の装置との概略構成を示すブロック図である。図８は、本発明の第二実施形態に係る診断装置の記憶部の一例を示すブロック図である。なお、本実施形態では、重複した記載を避けるべく、第一実施形態と異なる部分について説明し、第一実施形態と同様の構成である部分については、同じ符号又は対応する符号を付して説明する。
診断装置１Ａは、自プラントに加えて、他プラントの診断装置２Ａから他プラントのフォールトツリーのデータを取得する点が第一実施形態と異なる。他プラントは、自プラントと型式が同じ同一構造のプラントである。本実施形態では、他プラントは一つとして説明する。
診断装置２Ａは、他プラントの遠隔監視を行うサービス事業者の拠点内に設置されている。診断装置２Ａは、他プラントの運転データに基づいて、フォールトツリー解析で、他プラントの異常の予兆を診断する。診断装置２Ａは、フォールトツリー解析で使用するフォールトツリーをデータベースとして記憶している。診断装置２Ａは、診断装置１Ａとデータを送受信可能である。診断装置２Ａは、他プラントの異常の予兆の原因解析に使用する、実際に他プラントで発生した異常の予兆に基づいた知識ベースである第一データベースを診断装置１Ａに送信する。診断装置２Ａは、第一データベースが更新されるごとに、第一データベースを診断装置１Ａに送信する。
診断装置１Ａは、診断装置２Ａとデータを送受信可能である。診断装置１Ａは、診断装置２Ａから、他プラントの第一データベースを受信する。
受信部１０は、診断装置２Ａから他プラントのフォールトツリーのデータを受信する。より詳しくは、受信部１０は、診断装置２Ａが送信した他プラントの第一データベースを受信する。
送信部２０は、診断装置２Ａに対してデータを送信可能である。送信部２０は、診断装置１Ａにおいて他プラントの第一データベースである、後述する第三データベース４３、第四データベース４４の発生確率を更新した場合、診断装置２Ａに第三データベース４３、第四データベース４４、言い換えると、診断装置２Ａの第一データベース、第二データベースの変更情報を送信する。
記憶部４０Ａは、第一データベースと第二データベースとに加えて、第三データベース４３と第四データベース４４とを有する。
第三データベース４３は、フォールトツリー解析で使用するフォールトツリーである第三情報を記憶している。第三情報は、診断装置２Ａから受信した他プラントの第一データベースに基づいて、他プラントで過去に発生した異常の予兆である第三異常事象と、第三異常事象の原因である少なくとも一つ以上の第三起因事象と、第三起因事象の発生確率である第三発生確率とを含み、第三異常事象と第三起因事象との間の因果関係がツリー構造で示されている。第三情報は、診断装置２Ａにおける第一情報と同じフォールトツリーである。第三情報は、少なくとも一つ以上のフォールトツリーを含む。例えば、第三情報は、プラント全体で一つのフォールトツリーとしてもよいし、部品ごとのフォールトツリーとしてもよい。
第四データベース４４は、フォールトツリー解析で使用するフォールトツリーである第四情報を記憶している。第四情報は、診断装置２Ａから受信した他プラントの第二データベースに基づいて、他プラントで発生し得ると想定されるが、未発生の異常の予兆にである第四異常事象と、第四異常事象の原因である少なくとも一つ以上の第四起因事象と、第四起因事象の発生確率である第四発生確率とを含み、第四異常事象と第四起因事象との間の因果関係がツリー構造で示されている。第四情報は、少なくとも一つ以上のフォールトツリーを含む。例えば、第四情報は、サービス事業者の有する設計、製造に関する知見に基づくフォールトツリーと、運営事業者の有する運転に関する知見に基づくフォールトツリーとを含んでもよい。例えば、第二情報は、プラント全体で一つのフォールトツリーとしてもよいし、部品ごとのフォールトツリーとしてもよい。
推定部５２は、診断部５１で異常の予兆が検出された場合、フォールトツリー解析を使用して、第一情報と第二情報と第三情報とに基づいて、異常の予兆に影響を与えたセンサに関連する異常の予兆の原因である起因事象を確率的に推定する。推定部５２は、第一発生確率の重み付けと第三発生確率の重み付けとを第二発生確率の重み付けより重くして、異常の予兆の原因を確率的に推定する。自プラントと他プラントとは型式が同じ同一構造であるため、第一発生確率の重み付けと第三発生確率の重み付けとを同じ重みとしてもよい。
例えば、第一発生確率の重み付けと第三発生確率の重み付けを１とし、第二発生確率の重み付けを１／１０とする。
推定部５２は、例えば、自プラントと他プラントとの運転パターンや使用する燃料の種類などを含む運転条件に応じて、第一発生確率の重み付けと第三発生確率の重み付けとを変えて、異常の予兆の原因を推定してもよい。例えば、推定部５２は、自プラントと他プラントの運転パターンが同じ場合、第一発生確率の重み付けと第三発生確率の重み付けとを同じ重みとして、異常の予兆の原因を推定してもよい。推定部５２は、自プラントと他プラントの運転パターンが異なる場合、第一発生確率の重み付けを第三発生確率の重み付けより重くして、異常の予兆の原因を推定してもよい。
例えば、自プラントと他プラントの運転パターンが同じ場合、第一発生確率の重み付けと第三発生確率の重み付けを１とし、第二発生確率の重み付けを１／１０とする。例えば、自プラントと他プラントの運転パターンが異なる場合、第一発生確率の重み付けを１とし、第三発生確率の重み付けを９／１０とし、第二発生確率の重み付けを１／１０とする。
集約部５３は、記憶部４０の第一データベース４１と第二データベース４２と第三データベース４３と第四データベース４４とに対してアクセスして、データの読み出しや更新を行う。
第一変更部５５は、推定部５２の推定結果に基づいて、第一起因事象の第一発生確率の重み付けと第二起因事象の第二発生確率の重み付けと第三起因事象の第三発生確率の重み付けとの少なくともどちらか一方を変更する。
第一変更部５５は、推定部５２で推定した原因が第三起因事象である場合、推定した第三起因事象の第三発生確率の重み付けを変更する。より詳しくは、第一変更部５５は、推定部５２で推定した原因が第三起因事象である場合、推定した第三起因事象の第三発生確率の重み付けを重くする。第一変更部５５は、第三発生確率の重み付けを変更した場合、変更情報を診断装置２Ａに送信する。診断装置２Ａでは、診断装置１Ａで変更された第三データベース４３の変更情報に基づいて、診断装置２Ａの対応する第一データベースを更新する。
以上のように、本実施形態によれば、他プラントの診断装置２Ａから他プラントのフォールトツリーのデータを取得し、第三データベース４３および第四データベース４４として記憶する。そして、本実施形態によれば、第一データベース４１と第二データベース４２と第三データベース４３とに基づいて、異常の予兆を検知した場合にその原因を推定することができる。さらに、第四データベース４４とにも基づいて、異常の予兆を検知した場合にその原因を推定してもよい。このようにして、本実施形態は、自プラントと型式が同じ同一構造の他プラントの診断装置２Ａにおいて蓄積されたフォールトツリーに基づいて異常の予兆の原因を推定することができる。これにより、本実施形態は、異常の予兆を検知した場合にその原因をより広く高精度に推定することができる。
本実施形態によれば、自プラントと他プラントとの運転条件などに応じて、第一発生確率の重み付けと第三発生確率の重み付けとを変えて、異常の予兆の原因を推定することができる。本実施形態は、第一情報と第三情報とのそれぞれの異常事象の発生確率を適切な値にすることができる。このようにして、本実施形態は、異常の予兆を検知した場合にその原因を高精度に推定することができる。
さて、これまで本実施形態に係る診断装置、推定方法、プログラム及び診断システムについて説明したが、上述した実施形態以外にも種々の異なる形態にて実施されてよいものである。
診断部５１は、ＭＴ法を使用して異常を診断するものとして説明したが、他の公知の異常の診断方法、例えば、最近傍決定法やベクトル量子化クラスタ分析法で異常を診断してもよい。
第一情報の第一発生確率の重み付けは、発生した起因事象の発生回数に応じて変えるようにしてもよい。
第二情報の第二発生確率の重み付けは、発生した起因事象の発生回数を正規分布として、所定の発生確率、例えば１％に定めてもよい。
推定部５２は、例えば、第一情報と第二情報と第三情報とについて、異常の予兆の重篤度やプラントに対する影響度に応じて発生確率の重み付けを変えて、異常の予兆の原因を確率的に推定するようにしてもよい。
診断装置１は、プラントの異常を診断するものとして説明したが、これに限定されず、例えば、プラントの部品の異常の診断に適用してもよい。
第三データベース４３は、自プラントと型式が同じ同一構造の他プラントのフォールトツリーのデータを取得し記憶するものして説明したが、これに限定されるものではない。第三データベース４３は、自プラントと型式が異なっていても、同一の部品に関連するフォールトツリーを記憶するようにしてもよい。これにより、本実施形態は、プラントの部品に生じた異常の予兆を検知した場合にその原因をより広く高精度に推定することができる。
診断装置１は、収集装置１０２とは異なる装置として説明したが、収集装置１０２と組み合わせた一つの装置であってもよい。
診断装置１は、発電プラントや化学プラントに限定されず、製造プラントなど、運転データに基づいて異常の予兆を診断する監視対象に対して適用可能である。
１ 診断装置
１０ 受信部
３０ 表示部
４０ 記憶部
４１ 第一データベース
４２ 第二データベース
４３ 第三データベース
４４ 第四データベース
５０ 制御部
５１ 診断部
５２ 推定部
５４ 取得部
５５ 第一変更部
５６ 第二変更部
５７ 編集部

Claims (15)

  1. プラントの異常の予兆と原因とを診断する診断装置であって、
    前記プラントの運転状態を示す運転データを前記プラントから受信する受信部と、
    前記プラントで過去に発生した第一異常事象と、前記第一異常事象の原因である少なくとも一つ以上の第一起因事象と、前記第一起因事象の発生確率である第一発生確率とを含み、前記第一異常事象と前記第一起因事象との間の因果関係がツリー構造で示された第一情報と、前記プラントに発生し得ると想定されるが、未発生の第二異常事象と、前記第二異常事象の原因である少なくとも一つ以上の第二起因事象と、前記第二起因事象の発生確率である第二発生確率とを含み、前記第二異常事象と前記第二起因事象との間の因果関係がツリー構造で示された第二情報とを記憶する記憶部と、
    前記運転データに基づいて、前記プラントの異常の予兆を検出して異常を診断する診断部と、
    前記診断部で前記異常の予兆が検出され異常と診断された場合、前記第一情報と前記第二情報とに基づいて、前記異常の予兆の原因を推定する推定部と
    を備え、
    前記推定部は、前記第一発生確率の重み付けを前記第二発生確率の重み付けより重くして、前記異常の予兆の原因を推定することを特徴とする診断装置。
  2. 前記記憶部は、前記プラントと異なる少なくとも一つの他プラントで過去に発生した第三異常事象と、前記第三異常事象の原因である少なくとも一つ以上の第三起因事象と、前記第三起因事象の発生確率である第三発生確率とを含み、前記第三異常事象と前記第三起因事象との間の因果関係がツリー構造で示された第三情報を記憶し、
    前記推定部は、前記第一発生確率の重み付けと前記第三発生確率の重み付けとを前記第二発生確率の重み付けより重くして、前記異常の予兆の原因を推定することを特徴とする請求項１に記載の診断装置。
  3. 前記第一情報と前記第二情報と前記第三情報とは、フォールトツリーであり、
    前記推定部は、前記診断部で前記異常の予兆が検出され異常と診断された場合、フォールトツリー解析で異常の予兆の原因を推定することを特徴とする請求項２に記載の診断装置。
  4. 前記推定部の推定結果に基づいて、前記第一発生確率の重み付けと前記第二発生確率の重み付けと前記第三発生確率の重み付けとの少なくともいずれか一つを変更する第一変更部
    を備えることを特徴とする請求項２または３に記載の診断装置。
  5. 前記第一変更部は、前記推定部で推定した原因が前記第一起因事象である場合、前記第一発生確率の重み付けを変更することを特徴とする請求項４に記載の診断装置。
  6. 前記第一変更部は、前記推定部で推定した原因が前記第二起因事象である場合、前記第二発生確率の重み付けを変更することを特徴とする請求項４に記載の診断装置。
  7. 前記第一変更部は、前記推定部で推定した原因が前記第三起因事象である場合、前記第三発生確率の重み付けを変更することを特徴とする請求項４に記載の診断装置。
  8. 前記プラントの部品が更新されたことを示す更新情報と、前記プラントを点検したことを示す点検情報との少なくともどちらか一方を取得する取得部と、
    前記更新情報と前記点検情報との少なくともどちらか一方に基づいて、前記第一発生確率の重み付けと前記第二発生確率の重み付けとの少なくともどちらか一方を変更する第二変更部と
    を備えることを特徴とする請求項１から７のいずれか一項に記載の診断装置。
  9. 前記推定部は、前記プラントと前記他プラントとの運転パターンや使用する燃料の種類を含む運転条件が同じ場合、前記第一発生確率の重み付けと前記第三発生確率の重み付けとを前記第二発生確率の重み付けより重くして、前記異常の予兆の原因を推定することを特徴とする請求項２に記載の診断装置。
  10. 前記推定部は、前記プラントと前記他プラントとの運転パターンや使用する燃料の種類を含む運転条件が異なる場合、前記第一発生確率の重み付けを前記第三発生確率の重み付けより重くし、前記第三発生確率の重み付けを前記第二発生確率の重み付けより重くして、前記異常の予兆の原因を推定することを特徴とする請求項２に記載の診断装置。
  11. 前記診断部の診断結果と前記推定部の推定結果とを表示する表示部
    を備えることを特徴とする請求項１から１０のいずれか一項に記載の診断装置。
  12. 前記表示部は、前記推定結果に応じて推奨するメンテナンス計画を表示し、
    前記推定部は、前記推定結果が部品交換の緊急性が低い部品が異常の予兆の原因であることを示す場合、前記プラントの定期点検時に前記部品を交換するメンテナンス計画を表示部に表示することを特徴とする請求項１１に記載の診断装置。
  13. 前記第一情報と前記第二情報と前記第三情報との少なくともいずれか一つを編集する編集部
    を備えることを特徴とする請求項２から７のいずれか一項に記載の診断装置。
  14. プラントの異常の予兆と原因とを診断する診断方法であって、
    前記プラントの運転状態を示す運転データを前記プラントから受信する受信工程と、
    前記プラントで過去に発生した第一異常事象と、前記第一異常事象の原因である少なくとも一つ以上の第一起因事象と、前記第一起因事象の発生確率である第一発生確率とを含み、前記第一異常事象と前記第一起因事象との間の因果関係がツリー構造で示された第一情報と、前記プラントに発生し得ると想定され、未発生の第二異常事象と、前記第二異常事象の原因である少なくとも一つ以上の第二起因事象と、前記第二起因事象の発生確率である第二発生確率とを含み、前記第二異常事象と前記第二起因事象との間の因果関係がツリー構造で示された第二情報とを記憶する記憶工程と、
    前記運転データに基づいて、前記プラントの異常の予兆を検出して異常を診断する診断工程と、
    前記診断工程で前記異常の予兆が検出され異常と診断された場合、前記第一情報と前記第二情報とに基づいて、前記異常の予兆の原因を推定する推定工程と
    を含み、
    前記推定工程は、前記第一発生確率の重み付けを前記第二発生確率の重み付けより重くして、前記異常の予兆の原因を推定することを特徴とする診断方法。
  15. プラントの異常の予兆と原因とを診断するプログラムであって、
    前記プラントの運転状態を示す運転データを前記プラントから受信する受信工程と、
    前記プラントで過去に発生した第一異常事象と、前記第一異常事象の原因である少なくとも一つ以上の第一起因事象と、前記第一起因事象の発生確率である第一発生確率とを含み、前記第一異常事象と前記第一起因事象との間の因果関係がツリー構造で示された第一情報と、前記プラントに発生し得ると想定され、未発生の第二異常事象と、前記第二異常事象の原因である少なくとも一つ以上の第二起因事象と、前記第二起因事象の発生確率である第二発生確率とを含み、前記第二異常事象と前記第二起因事象との間の因果関係がツリー構造で示された第二情報とを記憶する記憶工程と、
    前記運転データに基づいて、前記プラントの異常の予兆を検出して異常を診断する診断工程と、
    前記診断工程で前記異常の予兆が検出され異常と診断された場合、前記第一情報と前記第二情報とに基づいて、前記異常の予兆の原因を推定する推定工程と
    を含み、
    前記推定工程は、前記第一発生確率の重み付けを前記第二発生確率の重み付けより重くして、前記異常の予兆の原因を推定することをコンピューターに実行させることを特徴とするプログラム。
JP2016257018A 2016-12-28 2016-12-28 診断装置、診断方法及びプログラム Active JP6842299B2 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2016257018A JP6842299B2 (ja) 2016-12-28 2016-12-28 診断装置、診断方法及びプログラム
CN201780073639.4A CN110023862B (zh) 2016-12-28 2017-09-01 诊断装置、诊断方法及计算机可读取的记录介质
US16/464,134 US11209811B2 (en) 2016-12-28 2017-09-01 Diagnostic device, diagnostic method, and program
PCT/JP2017/031535 WO2018123144A1 (ja) 2016-12-28 2017-09-01 診断装置、診断方法及びプログラム
TW106131881A TWI659283B (zh) 2016-12-28 2017-09-18 診斷裝置、診斷方法及程式

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016257018A JP6842299B2 (ja) 2016-12-28 2016-12-28 診断装置、診断方法及びプログラム

Publications (2)

Publication Number Publication Date
JP2018109851A JP2018109851A (ja) 2018-07-12
JP6842299B2 true JP6842299B2 (ja) 2021-03-17

Family

ID=62708039

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016257018A Active JP6842299B2 (ja) 2016-12-28 2016-12-28 診断装置、診断方法及びプログラム

Country Status (5)

Country Link
US (1) US11209811B2 (ja)
JP (1) JP6842299B2 (ja)
CN (1) CN110023862B (ja)
TW (1) TWI659283B (ja)
WO (1) WO2018123144A1 (ja)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6812312B2 (ja) * 2017-06-21 2021-01-13 三菱重工業株式会社 プラント支援評価システム及びプラント支援評価方法
JP7026018B2 (ja) * 2018-07-27 2022-02-25 株式会社日立製作所 リスク分析支援装置、リスク分析支援方法、およびリスク分析支援プログラム
JP7184636B2 (ja) 2018-12-27 2022-12-06 三菱重工業株式会社 データ選別装置及び方法、ならびに監視診断装置
JP7372808B2 (ja) * 2019-10-07 2023-11-01 株式会社日立製作所 故障ツリー生成装置及びその方法
JP7379241B2 (ja) 2020-03-25 2023-11-14 三菱重工業株式会社 回転機の診断監視装置及び方法
JP7454419B2 (ja) 2020-03-25 2024-03-22 三菱重工業株式会社 プラント運転データ監視装置及び方法
CN115698879A (zh) 2020-05-29 2023-02-03 株式会社大赛璐 异常调制原因确定装置、异常调制原因确定方法以及异常调制原因确定程序
EP4160342A1 (en) 2020-05-29 2023-04-05 Daicel Corporation Abnormal modulation cause identification device, abnormal modulation cause identification method, and abnormal modulation cause identification program
WO2021241578A1 (ja) 2020-05-29 2021-12-02 株式会社ダイセル 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム
WO2021241580A1 (ja) 2020-05-29 2021-12-02 株式会社ダイセル 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム
CN116569120A (zh) * 2020-12-18 2023-08-08 三菱电机株式会社 信息处理装置及信息处理方法
CN113298638B (zh) * 2021-05-12 2023-07-14 深圳前海微众银行股份有限公司 根因定位方法、电子设备及存储介质
EP4116888A1 (en) * 2021-07-07 2023-01-11 ASML Netherlands B.V. Computer implemented method for diagnosing a system comprising a plurality of modules
WO2023089773A1 (ja) * 2021-11-19 2023-05-25 ファナック株式会社 異常診断装置、異常診断システム、及び記憶媒体
WO2023127748A1 (ja) * 2021-12-27 2023-07-06 株式会社ダイセル 異常検知装置、異常検知方法及び異常検知プログラム

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11119823A (ja) 1997-10-21 1999-04-30 Yaskawa Electric Corp 故障診断装置
JP2003303014A (ja) * 2002-04-09 2003-10-24 Toshiba Corp プラント機器の保守管理方法および装置
JP3968656B2 (ja) * 2003-02-05 2007-08-29 株式会社日立製作所 プラント機器の保守支援装置
JP4598044B2 (ja) * 2007-10-29 2010-12-15 シーケーディ株式会社 流量検定故障診断装置、流量検定故障診断方法及び流量検定故障診断プログラム
TWM385742U (en) * 2009-09-18 2010-08-01 You-Tern Tsai A device of fault diagnosing using case-based reasoning
JP2011076210A (ja) * 2009-09-29 2011-04-14 Toshiba Corp プラント点検用安全処置管理方法及びそのシステム
JP5199478B2 (ja) * 2009-10-02 2013-05-15 株式会社日立製作所 プラント診断装置
JP2011145846A (ja) * 2010-01-14 2011-07-28 Hitachi Ltd 異常検知方法、異常検知システム、及び異常検知プログラム
JP5454671B2 (ja) * 2010-02-26 2014-03-26 株式会社日立製作所 故障原因診断システムおよびその方法
JP5435126B2 (ja) * 2010-04-26 2014-03-05 株式会社日立製作所 時系列データ診断圧縮方法
JP5455866B2 (ja) * 2010-10-28 2014-03-26 株式会社日立製作所 異常診断装置および産業機械
JP5496362B2 (ja) * 2010-12-09 2014-05-21 三菱電機株式会社 産業用自動診断装置
CN102819239B (zh) * 2011-06-08 2014-09-17 同济大学 一种数控机床智能故障诊断方法
JP5303615B2 (ja) * 2011-07-29 2013-10-02 株式会社シマノ 自転車用電装システムの診断装置
JP5930789B2 (ja) * 2012-03-23 2016-06-08 三菱電機株式会社 異常音診断装置
JP5962367B2 (ja) * 2012-09-14 2016-08-03 三菱化学株式会社 フォールトツリー生成プログラム
JP2014063337A (ja) * 2012-09-21 2014-04-10 Hitachi Ltd 異常検知システム及び記録媒体
US20140344007A1 (en) * 2013-05-20 2014-11-20 Honeywell International Inc. Plant operating point determination by integrating profit profile and risk profile
JP6066081B2 (ja) * 2013-09-03 2017-01-25 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ フォールトツリーを生成する装置及び方法

Also Published As

Publication number Publication date
JP2018109851A (ja) 2018-07-12
WO2018123144A1 (ja) 2018-07-05
CN110023862B (zh) 2022-01-14
CN110023862A (zh) 2019-07-16
TW201823896A (zh) 2018-07-01
US11209811B2 (en) 2021-12-28
TWI659283B (zh) 2019-05-11
US20190384275A1 (en) 2019-12-19

Similar Documents

Publication Publication Date Title
JP6842299B2 (ja) 診断装置、診断方法及びプログラム
WO2018100655A1 (ja) データ収集システム、異常検出方法、及びゲートウェイ装置
AU2016201724B2 (en) Method and system for predicting equipment failure
US20170284896A1 (en) System and method for unsupervised anomaly detection on industrial time-series data
JP5081999B1 (ja) 異常予兆診断結果の表示方法
JP4612699B2 (ja) 監視診断装置及び遠隔監視診断システム
EP2492771B1 (en) Apparatus, system and method for correcting measurement data
JP2009076056A (ja) 異常集約方法
JP2010506331A (ja) 製造プラントにおける不良検知方法およびシステム
JP2009075081A (ja) 一過性の異常の検出方法
JP2013008092A (ja) 異常予兆診断装置及び異常予兆診断方法
US11566974B2 (en) Systems and methods for analyzing machine performance
JP6880560B2 (ja) 故障予測装置、故障予測方法及び故障予測プログラム
CN110582626B (zh) 用由磨损因子校正的异常检测来监视涡轮机的系统和方法
JPWO2018051568A1 (ja) プラント異常診断装置及びプラント異常診断システム
JP2010276339A (ja) センサ診断方法およびセンサ診断装置
JP7453049B2 (ja) 異常予兆監視システム、異常予兆監視方法、及びプログラム
JP2014063337A (ja) 異常検知システム及び記録媒体
KR101067440B1 (ko) 발전설비 성능이상 원인분석방법
US11703846B2 (en) Equipment failure diagnostics using Bayesian inference
US10642261B2 (en) High notification rate detection
EP4354244A1 (en) Anomaly detection for industrial assets
US11650897B2 (en) Event visualization for asset condition monitoring
JP2015084176A (ja) 故障診断装置および稼働機械
JP6514429B2 (ja) 発電プラントの動作のための動的警報システムおよびその動的警報システムへの応答方法

Legal Events

Date Code Title Description
A625 Written request for application examination (by other person)

Free format text: JAPANESE INTERMEDIATE CODE: A625

Effective date: 20190930

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200901

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201021

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20210202

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210219

R150 Certificate of patent or registration of utility model

Ref document number: 6842299

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150