JPH07111359B2

JPH07111359B2 - ガイド付トレンドグラフ表示装置

Info

Publication number: JPH07111359B2
Application number: JP2205034A
Authority: JP
Inventors: 誠多比良; 恭紀片山
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1990-08-03
Filing date: 1990-08-03
Publication date: 1995-11-29
Anticipated expiration: 2010-11-29
Also published as: JPH0493612A

Description

【発明の詳細な説明】〔産業上の利用分野〕本発明は、プラント監視・制御用機器のマンマシン装置
において、プラントからの検出データをトレンドグラフ
表示するときに、プラント運転状態に関するガイドを自
動挿入したり、将来のトレンド予測を行う場合の方式に
関する。

〔従来の技術〕

従来の装置は特開昭63−221218号公報に記載のように、
プロセスデータとともに文字データをコメントとして手
動で入力し、画面上に表示させるようにしている。ま
た、特開平１−47911号公報に記載のように、プロセス
データのトレンド履歴をフアイルに保存しておき、これ
を再表示することによつて現在の運転状態を運転員が判
断するものである。

〔発明が解決しようとする課題〕

上記従来技術は、コメントデータを手動で入力しなけれ
ばならないため、運転員の負担が増大する。また、プラ
ント運転状態をコメントとして入力する場合に、運転員
毎に判定基準がばらついてしまう問題がある。

本発明の目的は、運転員の負担を増大せずにプラント運
転状態を表わすコメントデータを挿入でき、かつ将来の
プラント運転データを予測表示し、さらに運転員の判定
基準によらず、客観的に運転状態の判定をすることので
きるトレンドグラフ表示装置を提供することにある。

〔課題を解決するための手段〕

上記目的は、運転員の判断基準を定量化し、コメントデ
ータを自動的に挿入することにより達成される。また、
運転データの予測表示については、ある運転パターンと
それに引続いて現れる運転パターンを組にして記憶して
おき、実際の運転時に類似度の再も高い運転パターンを
探し、これに引続く運転パターンを表示することにより
達成される。

〔作用〕

熟練オペレータは制御量から特徴的なパターンを抽出
し、あいまいな判断を行なう。同様に、制御量の積和演
算とその結果を非線形回路を通すことによつて特徴的な
パターンの確信度を求め、各特徴的パターンの確信度か
ら再も適合する運転状態のパターンを推論し、結果を運
転状態パターンの時間軸に併せてガイド文字として出力
する。それによつて、該推論方式は熟練オペレータのよ
うに動作するので良好な推論性能を得ることができる。

又、熟練オペレータのノウハウをそのまま知識として記
憶し、前記知識を用いて推論しても前記と同様の推論性
能を得ることができる。

〔実施例〕

以下、本発明の一実施例について説明する。

第１図は、本発明の構成図である。プラント１の運転状
態はそれぞれに配置された種々の検出器から構成される
検出装置G14で検出される。

検出装置G14の複数の検出器出力信号は特徴判定装置G13
へ入力される。特徴判定装置G13では入力された前記複
数の検出器出力信号をパターンとして認識する入力部と
前記入力されたパターンを記憶する記憶機能と、前記入
力されたパターンを先に記憶されている複数のパターン
とを照合し先に記憶されたパターンとの類似度を出力す
る処理部と、前記類似度からパターンに対応するコメン
トを決定し、表示装置G6へ文字を送出する推論機構12で
構成されている。

なお、前記特徴判定装置G13のパターン記憶機能へパタ
ーンを記憶させるに当つて予めオペレータが入力に対し
てコメント出力を設定し前記特徴判定機構を動作させ、
正しい判定結果が出力されることを認識する機能と、プ
ラント１が変更されたり、検出器の配置が変更された場
合に前記パターン記憶内容を予め変更するための教示装
置G16が付加できる構成となつている。

これに対して従来システムは特徴判定装置G13がなく、
一般には検出装置G14から表示装置G6へ送信されるのみ
であり、プラント運転状態に対するコメントは、検出器
信号の変化から運転員自らが判定して、手入力しなけれ
ばならなかつた。本発明のように特徴判定装置G13を付
加することにより、運転員の負担を増すことなくプラン
ト運転状態のコメントを挿入することができ、かつ運転
員毎の判定のばらつきがなくなるという効果を有する。

次に、本発明をトレンドグラフ表示装置に適用した例を
第２図により説明する。

プラント１には運転状態を伝えるための複数の検出器62
が取付けられており、検出器62の出力はプロセス信号入
力装置71によって周期的に取込まれ、トレンドデータ記
憶装置72に時系列順に記憶される。トレンドデータ記憶
装置72は複数の検出器からの出力信号について、最新の
データから過去ｎ点、例えば500点迄のデータを保持し
ている。ガイド記憶装置73には、トレンドデータ記憶装
置72に対応するコメントが文字として記憶されており、
第３図の画面表示例に示すように、表示制御装置74によ
つてコメント731となつて表示装置75に時間の経過に伴
って表示される。ここでトレンドグラフ721はトレンド
記憶装置72の中味を表示している。

ガイド記憶装置73に対するコメント格納方法は、パター
ンに対応するコメントを発生する推論機構12、前記推論
機構12に対し、プラントの運転状態が予め記憶された複
数のパターンのうちどのパターンに属するかを判断し該
パターンの確信度を出力するパターン認識機構13、該パ
ターン検出機構13に対し、トレンド記憶装置72のある瞬
間の内容を記憶して出力する記憶機構15、及び記憶機構
15の情報を用い、パターン認識機構13のパラメータを学
習により変化させる学習機構16から構成される。

第４図に上記形状パターン認識機構13の詳細図を示す。
トレンドデータ記憶装置72及び記憶機構15の出力は、前
記パターン認識機構13の入力セル17,18に入力され、該
入力セル17では入力された信号が関数値で変換され中間
層19へ出力され、中間層19へ入力された該入力セルの出
力は中間層19のセル20,21へ入力される。入力セル17の
出力でセル20に入力された信号は重み関数23で▲ｗ¹ ₁₁
▼倍され加算器24に入力されるとともに、入力セル18の
出力は重み関数26を介し、加算器24に入力され、加算器
24は上記重み関数23,26の出力を加算し、関数器25へ入
力され、関数器25で線形又は非線形の関数演算を行い、
次段の中間層27に出力される。なおセル20は上記重み関
数23,36、加算器24及び関数器25から構成される。

同様に、セル21へは入力セル17,18の出力が入力され、
入力層17の出力は重み関数28で▲ｗ¹ ₁₂▼倍化され加算
器29,関数器30を介し次段の中間層27へ出力される。

中間層27は、中間層19と同一の構造であり、入力層17,1
8の出力の代りに中間層19の出力が用いられるものであ
る。

ここで、重み関数23,26,28の重みを▲ｗ^k _ij▼で表わす
と、▲ｗ^k _ij▼はｋ番目の中間層のｉ番目のセルに於
て、ｋ−１番目の中間層（但し、ｋ＝１の時は入力セ
ル）のｉ番目の出力に掛ける重みを示す。

以上のようにパターン認識機構13に入力された信号は、
入力セル17,18、複数段の中間層19,27,29を介し、中間
層のセルから重み関数と加算器を取り除いた形式の出力
層30を介し、出力される。なお、入力層31は入力セル1
7,18を全て纏めたものを表わす。

このパターン認識機構13の特徴は、単純な積和演算です
み、フイードバツク等の繰返し演算が無いこと、及び、
中間層の各積和項はハードウエアで実現する場合、並列
に処理ができるため、高速演算が可能である。

次にパターン処理機構13の処理結果は、第５図に示す処
理機構を経てガイド記憶装置73に出力される。

すなわち、パターン認識機構13の出力は推論機構12に設
けられているガイド文字決定手段32に入力される。ガイ
ド文字決定手段32では、内部で複数準備された処理機構
のうち、入力信号を処理するのに最も有効な処理機構を
選択し、処理を実行し、ガイド文字を出力する。

第６図は、前記ガイド文字決定手段32の構成を示すもの
である。ガイド文字決定手段32は、パターン認識機構13
からの信号を受け、制御機構141を起動する。該制御機
構141は、問題の種類に応じて、知識ベース36を用い、
起動する推論を決定する。即ち該制御機構141は、三段
論法的に原因を求める必要がある場合にはプロダクシヨ
ン推論機構142を起動し、曖昧な要因がある場合にはフ
アジイ推論機構143を起動し、ある程度の枠組がある問
題に対してはフレーム推論機構144を起動し、因果関係
や機器の構成等の関連がネツトワーク的になつている問
題に対しては意味ネツト推論機構145を起動し、診断対
象が時間的な順序で動作しているような問題に対しては
スクリプト推論機構146を起動する。更に、該制御機構1
41は前記各種推論機構で解けない経験的な問題で、高速
に最適な解を求めるための最適化演算機構111を起動
し、パターン的に記憶でき、特徴を抽出するとともに回
答が必要な問題を解くための特徴抽出・回答機構110（R
umelhart型ニユーロンコンピユータで構成）を起動す
る。ガイド文字決定手段32の処理結果は制御機構141を
介して推論機構へ出力される。

第７図に推論に必要な知識である知識ベース36の構成を
示す。前記知識ベースは制御のエキスパートの経験等に
基づく外部から入力される知識106は三段論法的に推論
を実行するためのプロダクシヨンルール147、曖昧な情
報をもとに推論を行なうための知識であるフアジイルー
ル148,診断対象の部品構成などのある枠組みで記述でき
る知識のフレーム149,部品と部品の関連や、常識的な関
連を纏めてネツトワークの形で整理している意味ネツト
ワーク150,診断対象が順番にある仕事を進める場合にそ
れらの仕事を整理して記憶するスクリプト151、及び、
上記知識147〜153で記述できないその他の知識154に分
類されて記憶されている。

第８図にガイド文字決定手段32の動作の説明図を示す。
制御機構141の処理はパターン認識機構13,記憶機構15か
らの情報を整理し、以下の処理に利用できるデータに変
換する処理ステツプ200、上記ステツプ200で準備したデ
ータが無くなる迄取り出し、ステツプ202へ渡す繰返し
処理ステツプ201、前記ステツプ201で収集した情報から
起動すべき推論機構及び処理を決定するための判定ステ
ツプ202、及び、各種推論機構142〜146、特徴抽出回答
機構110,最適化演算機構111、及び、PID制御等の古典制
御や変数制御等の現代制御のアルゴリズムを実行する一
般制御機構203、及び、上記各ステツプを終了するため
に必要なフラグ類をリセツト等を実行する終了処理ステ
ツプ204から構成される。

ここで各処理機構の役割を述べる。プロダクシヨン機構
142は、オペレータのエキスパートが断片的なプロダク
シヨンルールを用いて、論理的な成立関係を組立てる推
論に適している。フアジイ推論143は、制御対象の注目
している状態が変化したならばオペレータはアクチユエ
ータを少し動かすというように定量化できないオペレー
タのあいまいな知識を計算機で処理できるように定量化
して操作量を決定するのに適している。

フレーム推論機構144は、制御装置間の関係等を記述す
るフレームという知識を用い、注目している制御対象の
状態が変化した時に元の状態に戻す場合に、それら装置
間の関係を基に操作を行う処理量を関連する機器毎に決
定するのに適している。

意味ネツト推論機構145は、前記断片的な知識であるフ
レームを整理し、体系付けてネツトワークを作り上げた
ものであるため、特定のアクチユエータの操作結果が及
ぼす影響を求めることができ、補償系を組むのに適して
いる。

スクリプト推論機構146は特定の状態が発生した時の手
順的な知識を基に推論するため、故障時等に決まつた手
順で対応しなければならないようなシーケンス制御的な
制御に適している。

また、特徴抽出・回答機構110は、上記パターン認識機
構13,記憶機構15の入力パターンと前記入力パターンが
入力されたときに前記推論機構142〜146が出した出力の
関係を予め学習させておくと、推論機構142〜146が推論
を行つて出力を決定するのと異なり、高速に同一の結果
が出力できる特徴がある。

第９図にプロダクシヨン機構142の動作説明図を示す。
制御機構141より起動されるプロダクシヨン推論機構142
は、前記制御機構141から起動時にメモリに記憶する入
力処理34、前記入力処理34で記憶した情報１個ずつ取り
出し、もし、メモリにパターンの情報が無い時には、プ
ロダクシヨン推論機構142の処理を終了させる終了判断
機構35を実行する。前記終了判断機構35で抽出されたパ
ターンの種類とその確信度を用い、知識ベース36からル
ールを１個ずつ取り出し、処理37で該入力のパターンの
種類と該ルールの前提部を比較する。その比較結果を用
い、ステツプ38は一致した場合、次の処理39を、不一致
の場合ステツプ37を実行させる。ステツプ39は一致した
時に前記入力を前記ルールの結論部に置換する。この時
の確信度の取扱いはミニ・マツクスの理論で、置換前の
最小値又は最大値で置換える。ステツプ40は前記置換し
たルールの結論部が操作指令である場合、ステツプ41
を、結論部が不一致の場合更に推論を実施させるために
ステツプ37を実行させる。

第10図に、前記学習に必要な入力切り換え装置125の構
成を示す。該入力切り換え装置125は、学習機構により
制御されるスイツチ機構156を用い、トレンドデータ記
憶装置72の出力と学習機構16の出力の一方を入力層31に
出力するものである。第10図におけるスイツチ機構156
の状態は学習を行なう状態を示す。

第11図に学習機構16の構成を示す。学習機構16は、入力
パターン発生機構45,出力パターン発生機構47,出力突合
せ機構46、及び、学習制御機構48から構成される。前記
出力突合せ機構46は、出力層30の出力を推論機構12と前
記突合せ機構46へ出力するための分配器139の出力o₁,
o_i,o_nと、出力パターン発生機構47の出力o_T1,o_Ti,o_Tnと
の差を加算器161,162,163により、偏差e₁,e_i,e_nとして
求め、学習制御機構48に出力する。なお分配器139の出
力o₁,o_i,o_nは入力パターン発生機構47の出力がパターン
認識機構13（Rumelhart型ニユーロコンピユータ）の入
力層19に出力されることにより発生する。このとき、該
入力パターン発生機構45と該出力パターン発生機構47は
前記学習制御機構48に制御される。

第12図に前記学習過程における荷重関数w_ij23の学習制
御機構48の関係を示す。前記加算器161の出力である偏
差e_kを受けて、学習制御機構48はパターン認識機構13を
構成するセル20の荷重関数w_ij23の値を、前記偏差が減
少する方向に変化させる。

第13図に前記学習制御機構48の処理概要170を示す。学
習機構16が起動されると、学習制御機構48の処理170が
起動される。該処理170は、前記入力パターン発生機構4
5,出力パターン発生機構47を起動し、教師信号である入
力と、希望出力を発生する前処理171、前記偏差e_kの
値、又は、前記偏差自乗和が許容範囲以内になるまで以
下のステツプ173,174,175を繰り返すステツプ172,出力
層30に近い中間層から入力層31に向けて注目する中間層
を順次抽出するステツプ174、該中間層において順次注
目するセルを抽出するステツプ174、及び偏差e_kが小さ
くなる方向へ抽出したセルの荷重関数w_ij23を変化させ
るステツプ175、および、学習過程を終了させるための
ステツプ176から構成される。

このような学習機構を設ける事により、それ迄考慮され
なかつた新しい現象が発生し、それに対する対応策が決
定したならば、その知見を反映できる特徴が有る。

第14図は、第２図の記憶機構15の構成を示す。記憶機構
15は、推論機構12,トレンドデータ記憶装置の出力が入
力されるメモリ要素49,メモリ要素49の内容が一定時間
経過に転送されるメモリ要素50、及び順次メモリ要素に
データが転送され特定時間経過後に到達するメモリ要素
51から構成され、各メモリ要素49,50,51の内容はパター
ンの微分や積分等を行うための演算機構501を介し、パ
ターン認識機構13,学習機構16へ入力される。

この記憶機構15により、トレンドデータ記憶装置72,推
論機構12の時間的変化を考慮できる。

以上説明した構成を使用するトレンドグラフ表示装置の
動作を具体例を用いて以下に述べる。

パターン認識機構13を構成するニユーロコンピユータの
中間層19,27,29の荷重関数w_ij28の値の初期値は当初，
乱数又は適当な値、例えば荷重関係が取り得る値（０〜
1.0とすると）の半分（0.5）に設定する。この時に、例
えば、第15図の入力パターン発生機構45が生成したＡ形
の時系列データパターンを入力しても、出力層30の出力
においてＡ形であるという出力信号線70の出力には１に
ならず、又、出力層30の出力線71の出力であるＢ形であ
る確率は零にならない。

そこで出力層30の出力線70に対応する学習機構16の出力
パターン発生機構47に出力線72は１を、出力線71に対応
する出力パターン発生機構47の出力線73の出力を零に出
力する。これらの出力を受けて、出力突合せ機構46は理
想的な出力（出力パターン発生機構47）と、パターン認
識機構13の出力の偏差を受け学習制御機構48は、パター
ン認識機構13の荷重関数w_ijの大きさを該偏差が減少す
る方向に、該偏差の大きさに比例して変更させる。この
アルゴリズムの代表例として最急傾斜法がある。

第13図の処理に従つて、順次荷重関数の重みを変更し、
第12図のe_kの自乗和が許容範囲内に収まると、学習機構
16の動作が終了する。

学習終了後、第17図の入力パターン発生機構45の出力パ
ターンと同じ波形が第２図のトレンドデータ記憶装置12
から入力されると、パターン認識機構13は、出力層30出
力線70から１を出力し、出力層30の出力線71から零を出
力する。

次にＢ形と名付ける第16図に示す波形が入力され、しか
も、学習が終了していない場合、パターン認識機構13の
凸型を表現する出力線71の出力が１で、その他の出力70
が零になるパターンにならない。そこで前述のように、
典型的な凸型のパターンを入力信号として、出力パター
ン発生機構47出力は、前記出力線71,70の出力に対応す
る値を夫々1,0になるようにする。学習機構16は、該荷
重関数w_ijを変化させ、学習が完了した時に、前記パタ
ーン認識機構13に、第16図のＢ型の波形が入力される
と、第15図の前記出力層30の出力線71は１に、出力線70
は零になる。

その結果、第17図（ａ）の波形がパターン認識機構13に
入力され、その出力は、出力層30から前述のように予め
入力されたＢ形の波形であることを示す出力線71により
その波形に類似している度合を確信度40％として出力さ
れると同時に、Ａ形の波形であることを示す出力線70か
ら確信度50％として出力される。

第18図にプロダクシヨンルール又はフアジイルールの一
例を示す（第７図プロダクシヨンルール47,フアジイル
ール48に対応）。

前記、パターン認識機構13でＡ形50％の確信度として出
力を得ると、プロダクシヨンルールの前提部と照合し、
Ａ形ルール80と一致する。また、Ｂ形40％の確信度とし
て出力を得ると、Ｂ形ルール82と一致する。ルールから
導き出された結論である“小振動”、“うねり”は状態
を表わしており、ガイドとしての結論ではない。そこで
さらに、確信度による適合度合を含めて照合すると、
「小振動大かつうねり有り」のルール84と一致し、結論
部で「不安定」とのガイドを得ることができる。得られ
たガイドはガイド記憶装置73に記憶され、第３図に示す
ようにトレンドグラフとともに表示装置に表示される。

以上の説明は、単一の検出端からの信号が時系列パター
ンとして入力される場合について行つたが、複数の検出
端からの信号がお互いに関わりつつ、時系列パターンと
して入力される場合についても同様に本方式を適用でき
る。

次に、ある時系列パターンの次に生じるであろう時系列
パターンのトレンドグラフ表示方法について説明する。

第15図の学習機構16において、出力層30の出力線数を入
力層31の入力線数と同数とする。入力パターン発生機構
45が生成したある時系列パターンに対し、次に生じた時
系列パターンの実績値が出力層30に現れるように学習動
作を繰り返す。これを現れる可能性のある様々な時系列
パターンに対して同様に実施する。

学習終了後、トレンドデータ記憶装置から現在から過去
ｎ点（ｎは例えば500）の時系列データが入力される
と、パターン認識機構13は、出力層30の出力線に次に生
じるであろう時系列データを出力する。第19図に予測ト
レンドグラフ表示付のトレンドグラフ表示装置の構成を
示す。パターン認識機構13から出力された時系列データ
は、予測トレンドデータ記憶装置76に格納される。ま
た、トレンドデータ記憶装置72の出力はパターン認識機
構13の入力となる。トレンドデータ記憶装置72と予測ト
レンドデータ記憶装置76の内容は表示制御装置74によつ
て表示装置75に表示される。第20図にトレンドグラフの
表示例を示す。トレンドデータ記憶装置72の内容はトレ
ンドグラフ721,予測トレンドデータ記憶装置の内容はト
レンドグラフ761として表示される。ここで、トレンド
グラフ761のｂ区間のデータは、トレンドグラフ721のａ
区間の時系列データからパターン認識機構13を通して得
られたものである。

以上説明したように、本実施例によれば、時系列パター
ンと、これに対応する判断やルールをあらかじめ学習さ
せる、あるいは設定することによつてプラント運転状態
を表わすコメントをトレンドグラフとともに自動的に表
示することができるため、不測の事態が発生した場合で
あっても、波形形状の検証を行なうことなくコメントを
見ただけで速やかに対処できるから、運転員の負担を増
大することがない。また、前記コメントは運転員個人の
判断基準によらないため、プラントの運転状態を客観的
に把握できるという効果がある。さらに、プラント運転
状態を予測表示することから、例えばプラントに異常な
状態が発生する以前に適切な処理を講じられるという効
果がある。

〔発明の効果〕

本発明によれば、プラント運転状態を表す複数の検出端
からの時系列データを類型化し、波形の特徴を判断し、
プラントの運転状態に対する適切なコメントをトレンド
グラフと共に表示できるため、装置が自動的に行なった
判断の結果と出力波形により、プラント運転状態の把握
が容易になる。また、波形形状の検証を行なうことなく
コメントを見ただけでプラント運転状態が把握できるか
ら運転員の負担を増大することが無く異常回避を速やか
に行なうことが出来、且つ運転員個人の判断によらず、
客観的な判断が出来る効果がある。更に、トレンドグラ
フの予測表示ができるため、プラントの運転の安定化、
異常回避等の適切な処理を事前に講じられる効果があ
る。

【図面の簡単な説明】

第１図は本発明の一実施例の構成図、第２図はトレンド
グラフ表示装置の全体構成図、第３図は表示例、第４図
はパターン認識機構図、第５図は推論機構図、第６図は
ガイド文字決定手段の構成図、第７図は知識ベース構成
図、第８図は操作量決定手段の動作説明図、第９図はプ
ロダクシヨン機構の動作説明図、第10図は入力切換え装
置の構成、第11図は学習機構の構成、第12図は学習制御
機構とノードの荷重関数との関連図、第13図は学習制御
機構の基本処理図、第14図は記憶機構の構成図、第15図
はパターン認識機構の動作説明図、第16図は入力パター
ン例、第17図はパターン認識機構の出力の説明図、第18
図はプロダクシヨンルールの一例を示した図、第19図
は、予測表示付トレンドグラフ表示装置の全体構成図、
第20図は表示例である。１……プラント、12……推論機構、13……パターン認識
機構、16……学習機構、19,27,29……中間層、30……出
力層、31……入力層、72……トレンドデータ記憶装置、
73……ガイド記憶装置、75……表示装置、76……予測ト
レンドデータ記憶装置。

Claims

【特許請求の範囲】

【請求項１】プラントの運転状態を伝える検出器信号を
入力するプロセス信号入力装置と、信号を時系列に記憶
するデータ記憶装置と、記憶されたデータをトレンドグ
ラフとして表示するための表示装置とを有するトレンド
グラフ表示装置において、時系列に記憶されたデータか
らプラント運転状態の特徴を判定して文字・シンボル等
で出力する特徴判定機構と、前記文字・シンボル等を記
憶するガイド記憶装置を備え、文字・シンボル等を、ト
レンドグラフと同一時間軸上に、表示することを特徴と
するガイド付トレンドグラフ表示装置。
【請求項２】請求項第１項において、前記特徴判定機構
は、前記検出装置の複数の検出信号の複数の組合せパタ
ーンと前記複数の組合せパターンに対応したプラント運
転状態の判定結果を記憶する手段を有し、前記検出装置
の複数の検出信号の新規出力パターンと、先に記憶され
た出力パターンを記憶し、類似度の最も大きい記憶パタ
ーンに対する文字・シンボル等をガイド記憶装置に格納
することを特徴とするガイド付トレンドグラフ表示装
置。
【請求項３】請求項第１項において、前記特徴判定機構
は、前記検出装置からの複数の検出信号の組み合せか
ら、前記出力信号のパターンの類似度を求めるパターン
認識機構より構成されることを特徴とするガイド付トレ
ンドグラフ表示装置。
【請求項４】請求項第３項において、前記パターン認識
機構は、前記検出装置の複数の出力信号の組合せパター
ンを取り込む入力層と、前記入力層の出力信号に重みを
掛けて加算し、その結果を指定した関数で写像する複数
のノードで構成された第１段の中間層と、前記第１の中
間層の各ノードの出力信号を入力信号して重みを掛けて
加算し、その結果を指定した関数で写像する複数のノー
ドで構成された別の中間層を複数段有し、前記別の中間
層の最終段が、パターンの類似度を判定結果として出力
する出力層で構成され、類似度の最も大きいパターンに
対応する文字・シンボル等を、前記ガイド記憶装置に格
納することを特徴とするガイド付トレンドグラフ表示装
置。
【請求項５】請求項第１項において、前記特徴判定装置
の判定結果の良否を判断する機構と、判定結果を外部に
報知する手段と、前記特徴判定装置の内容を変更する手
段とを有する指示装置を備えたことを特徴とするガイド
付トレンドグラフ表示装置。
【請求項６】請求項第１項において、前記検出装置の出
力信号を時経列的に記憶する記憶機構を設け、前記検出
器の出力と前記記憶機構の出力を前記特徴判定装置へ入
力し、前記特徴判定装置では時間的変化も加味した判定
を行なうことを特徴とするガイド付トレンドグラフ表示
装置。
【請求項７】請求項第３項において、前記パターン認識
機構にランメルハート型ニユーロコンピユータを用いた
ことを特徴とするガイド付トレンドグラフ表示装置。
【請求項８】請求項第７項において、前記パターン認識
機構に入力パターンを印加し、前記パターン認識機構が
理想出力となるように予め前記パターン認識機構の各ノ
ードの重みを変更するための学習機構を備えたことを特
徴とするガイド付トレンドグラフ表示装置。
【請求項９】請求項第８項において、前記学習機構はパ
ターン認識機構の入力層に入力する入力パターン発生機
構、前記パターン認識機構の理想出力を発生する出力パ
ターン発生機構、前記パターン認識機構の出力パターン
と、前記出力パターン発生機構の偏差を求める比較機
構、前記比較結果に基づき、パターン発生機構内のノー
ドの重みを変更する指令、及び前記入力パターン発生機
構，出力パターン発生機構の動作指令を発生する学習制
御機構で構成されることを特徴とするガイド付トレンド
グラフ表示装置。
【請求項１０】請求項第３項において、前記複数の検出
器の検出信号を時経列的に記憶する記憶機構を備え前記
検出器の検出信号と並列に前記記憶機構の出力を前記パ
ターン認識機構に入力する構成としたことを特徴とする
ガイド付トレンドグラフ表示装置。
【請求項１１】請求項第６項において、前記特徴判定機
構は、前記検出装置の検出信号のある時間範囲における
時系列データと、前記時系列データと時刻の続く次の時
系列データを記憶する手段を有し、前記検出装置の検出
信号の新規時系列データパターンと、先に記憶された時
系列パターンを比較し、類似度も最も大きい記憶パター
ンに対する次の時系列データを予測時系列データとして
トレンドグラフで表示することを特徴とするガイド付ト
レンドグラフ表示装置。
【請求項１２】請求項第11項において、前記予測時系列
データに基づき、予測データに対する上限値，下限値な
どの予測警報を出力するようにしたことを特徴とするガ
イド付トレンドグラフ表示装置。
【請求項１３】プラントの運転状態を検出する検出器か
ら得られた検出データを時間の経過と共に記憶する記憶
手段と、該記憶された検出データ及び前記検出器による
検出結果をトレンドグラフとして表示する表示手段を有
し、前記検出結果を前記検出データと時間の経過に伴っ
て、比較していく比較行程を設けると共に、該比較行程
中、前記検出結果が前記検出データの値に基づいてその
後の検出結果が推定された場合に、その推定結果を表示
することを特徴とするガイド付トレンドグラフ表示装
置。
【請求項１４】プラントの運転状態を検出する検出器か
ら得られた検出データを時間の経過と共に記憶する記憶
手段と、該記憶された検出データ及び前記検出器による
検出結果をトレンドグラフとして表示する表示手段を有
し、前記検出結果を前記検出データと時間の経過に伴っ
て、比較していく比較行程を設けると共に、該比較行程
中、前記検出結果が前記検出データの値に基づいてその
後の検出結果が推定された場合に、その推定結果を表示
することを特徴とするガイド付トレンドグラフ表示装
置。