JPH08263131A - プラント劣化診断装置及び方法 - Google Patents
プラント劣化診断装置及び方法Info
- Publication number
- JPH08263131A JPH08263131A JP9315595A JP9315595A JPH08263131A JP H08263131 A JPH08263131 A JP H08263131A JP 9315595 A JP9315595 A JP 9315595A JP 9315595 A JP9315595 A JP 9315595A JP H08263131 A JPH08263131 A JP H08263131A
- Authority
- JP
- Japan
- Prior art keywords
- actuator
- response time
- plant
- deterioration
- deterioration diagnosis
- 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.)
- Pending
Links
Abstract
(57)【要約】
【目的】 アクチュエータの劣化を予測診断し、劣化診
断の精度を向上するに好適なプラント劣化診断装置及び
方法を提供することにある。 【構成】 プラント１を操作するアクチュエータ２、ア
クチュエータの動作状態を検出するセンサ３及びセンサ
の情報を用いて前記アクチュエータに指令を発生するプ
ラント制御装置４を有するプラント設備において、アク
チュエータの応答時間を計測する応答時間測定機構７
と、応答時間を分析して予測寿命を出力する分析機構及
び知識ベース１０を利用して予測寿命を補正し、劣化診
断する推論機構からなる劣化診断処理機構９を具備する
ことを特徴とする。 【効果】 アクチュエータの予測寿命の精度を向上させ
ると共に、劣化診断の精度を著しく向上させることがで
き、プラント設備の稼働率低下を防止することが可能と
なる。
断の精度を向上するに好適なプラント劣化診断装置及び
方法を提供することにある。 【構成】 プラント１を操作するアクチュエータ２、ア
クチュエータの動作状態を検出するセンサ３及びセンサ
の情報を用いて前記アクチュエータに指令を発生するプ
ラント制御装置４を有するプラント設備において、アク
チュエータの応答時間を計測する応答時間測定機構７
と、応答時間を分析して予測寿命を出力する分析機構及
び知識ベース１０を利用して予測寿命を補正し、劣化診
断する推論機構からなる劣化診断処理機構９を具備する
ことを特徴とする。 【効果】 アクチュエータの予測寿命の精度を向上させ
ると共に、劣化診断の精度を著しく向上させることがで
き、プラント設備の稼働率低下を防止することが可能と
なる。
Description
【０００１】
【産業上の利用分野】本発明は、薬品、食品、化学、鉄
鋼などのプラント設備に係り、特に、プラント設備のア
クチュエータを劣化診断するプラント劣化診断装置及び
方法に関する。
鋼などのプラント設備に係り、特に、プラント設備のア
クチュエータを劣化診断するプラント劣化診断装置及び
方法に関する。
【０００２】
【従来の技術】薬品、食品、化学、鉄鋼などのプラント
設備では、アクチュエータの不動作は製品品質に大きな
影響を与えている。そこで、アクチュエータの動作を劣
化診断することが行われている。例えば、特開平３−１
６３９９５号公報、特開昭６０−２３１２１５号公報に
は、アクチュエータの一種のバルブの動作を診断するた
めに、応答時間を計測し、一定時間内に応答がないこと
又は平均的な応答時間からバルブの故障、異常を判断す
る技術が記載されている。
設備では、アクチュエータの不動作は製品品質に大きな
影響を与えている。そこで、アクチュエータの動作を劣
化診断することが行われている。例えば、特開平３−１
６３９９５号公報、特開昭６０−２３１２１５号公報に
は、アクチュエータの一種のバルブの動作を診断するた
めに、応答時間を計測し、一定時間内に応答がないこと
又は平均的な応答時間からバルブの故障、異常を判断す
る技術が記載されている。
【０００３】
【発明が解決しようとする課題】従来の技術では、アク
チュエータの劣化が始まると、応答時間は急速に悪化
し、単純な変化率等の予測では、故障発生までの時間を
長めに見積もってしまい、生産が大きく阻害される問題
がある。本発明の目的は、アクチュエータの劣化を予測
診断し、劣化診断の精度を向上するに好適なプラント劣
化診断装置及び方法を提供することにある。
チュエータの劣化が始まると、応答時間は急速に悪化
し、単純な変化率等の予測では、故障発生までの時間を
長めに見積もってしまい、生産が大きく阻害される問題
がある。本発明の目的は、アクチュエータの劣化を予測
診断し、劣化診断の精度を向上するに好適なプラント劣
化診断装置及び方法を提供することにある。
【０００４】
【課題を解決するための手段】上記目的は、プラント制
御装置において、アクチュエータの応答時間を計測する
応答時間測定機構と、前記応答時間を分析して予測寿命
を出力する分析機構と、知識ベースを利用して前記予測
寿命を補正し、劣化診断する推論機構を具備することに
よって、達成される。また、上記目的は、アクチュエー
タの応答時間を計測し、前記応答時間の推移を記憶し、
応答時間の推移を分析してアクチュエータの寿命を予測
し、知識ベースを利用して予測寿命を補正し、補正した
予測寿命を正規化して劣化診断することによつて、達成
される。
御装置において、アクチュエータの応答時間を計測する
応答時間測定機構と、前記応答時間を分析して予測寿命
を出力する分析機構と、知識ベースを利用して前記予測
寿命を補正し、劣化診断する推論機構を具備することに
よって、達成される。また、上記目的は、アクチュエー
タの応答時間を計測し、前記応答時間の推移を記憶し、
応答時間の推移を分析してアクチュエータの寿命を予測
し、知識ベースを利用して予測寿命を補正し、補正した
予測寿命を正規化して劣化診断することによつて、達成
される。
【０００５】
【作用】本発明は、アクチュエータの応答時間をトレン
ドモードにして抽象化し、分析機構がこの抽象化した情
報を元に分析し、アクチュエータの寿命を予測するの
で、予測寿命の精度が向上する。また、この予測寿命に
対して、推論機構が専門家のノウハウを蓄積した知識ベ
ースを利用して、予測寿命を補正し、補正した予測寿命
を正規化して劣化診断するので、アクチュエータの劣化
診断の精度が著しく向上する。この結果、プラント設備
の稼働率低下を防止することが可能となる。
ドモードにして抽象化し、分析機構がこの抽象化した情
報を元に分析し、アクチュエータの寿命を予測するの
で、予測寿命の精度が向上する。また、この予測寿命に
対して、推論機構が専門家のノウハウを蓄積した知識ベ
ースを利用して、予測寿命を補正し、補正した予測寿命
を正規化して劣化診断するので、アクチュエータの劣化
診断の精度が著しく向上する。この結果、プラント設備
の稼働率低下を防止することが可能となる。
【０００６】
【実施例】以下、本発明の実施例を図面を用いて説明す
る。図１は、本発明の一実施例を示すプラント劣化診断
装置の全体構成を示す。食品、薬品、化学、鉄鋼等のプ
ラント１は、アクチュエータ２により動作が規定され、
センサ３によりプラント１の動作状態を検出し、センサ
３の出力は、プラント制御装置４に入力され、プラント
制御装置４からの出力は、指令としてアクチュエータ２
と各種情報としてＩ／Ｏ装置１３へ出力される。プラン
ト制御装置４は、指令発生機構６から発する指令発生時
点から、アクチュエータ２が指令に従って動作し、その
動作の完了をセンサ３によって検出し、センサ３の出力
による完了応答までの時間（動作時間）を計測する応答
時間計測機構７、シーケンス制御などの自動制御を司
り、指令発生後センサ３からのフィードバックにより順
次指令を更新する指令発生機構６、指令発生機構６から
発する指令の回数によりアクチュエータ２の動作回数と
して累算するカウンタからなる動作回数管理機構１１、
時間を管理し、その出力を劣化診断機構９に送出する時
間管理機構５、管理者の粘度補正知識と劣化診断知識を
有する知識ベース１０、これらの機構及び知識ベース１
０からの出力を入力する劣化診断機構９及びこれらの機
構の起動等を制御する制御機構１２から構成する。ここ
で、応答時間計測機構７の出力は劣化診断機構９にフィ
ルタ機構８を介するかまたは直接入力する。
る。図１は、本発明の一実施例を示すプラント劣化診断
装置の全体構成を示す。食品、薬品、化学、鉄鋼等のプ
ラント１は、アクチュエータ２により動作が規定され、
センサ３によりプラント１の動作状態を検出し、センサ
３の出力は、プラント制御装置４に入力され、プラント
制御装置４からの出力は、指令としてアクチュエータ２
と各種情報としてＩ／Ｏ装置１３へ出力される。プラン
ト制御装置４は、指令発生機構６から発する指令発生時
点から、アクチュエータ２が指令に従って動作し、その
動作の完了をセンサ３によって検出し、センサ３の出力
による完了応答までの時間（動作時間）を計測する応答
時間計測機構７、シーケンス制御などの自動制御を司
り、指令発生後センサ３からのフィードバックにより順
次指令を更新する指令発生機構６、指令発生機構６から
発する指令の回数によりアクチュエータ２の動作回数と
して累算するカウンタからなる動作回数管理機構１１、
時間を管理し、その出力を劣化診断機構９に送出する時
間管理機構５、管理者の粘度補正知識と劣化診断知識を
有する知識ベース１０、これらの機構及び知識ベース１
０からの出力を入力する劣化診断機構９及びこれらの機
構の起動等を制御する制御機構１２から構成する。ここ
で、応答時間計測機構７の出力は劣化診断機構９にフィ
ルタ機構８を介するかまたは直接入力する。
【０００７】代表的なプラント１の一例を図２に示す。
本例のプラント２１は、薬液や洗浄水を自動供給するた
めのバルブ２２〜２６、ポンプ２７等のアクチュエータ
と、薬液タンク２８、洗浄水タンク２９、配管３０、３
１からなり、アクチュエータに指令を出し、アクチュエ
ータが指令通りに動作することにより、薬液と洗浄水の
切り替え、供給などの目的を達成する。本例では、バル
ブ２４を開、バルブ２５を閉にすると、薬液タンク２８
から配管３１に薬液を供給するが、バルブ２４あるいは
バルブ２５が劣化などにより異常動作した場合、目的と
する薬液を供給できず、生産の阻害に至る。
本例のプラント２１は、薬液や洗浄水を自動供給するた
めのバルブ２２〜２６、ポンプ２７等のアクチュエータ
と、薬液タンク２８、洗浄水タンク２９、配管３０、３
１からなり、アクチュエータに指令を出し、アクチュエ
ータが指令通りに動作することにより、薬液と洗浄水の
切り替え、供給などの目的を達成する。本例では、バル
ブ２４を開、バルブ２５を閉にすると、薬液タンク２８
から配管３１に薬液を供給するが、バルブ２４あるいは
バルブ２５が劣化などにより異常動作した場合、目的と
する薬液を供給できず、生産の阻害に至る。
【０００８】図３に、アクチュエータ２２〜２６の動作
例を示す。ここでは、バルブ３６として説明する。指令
発生機構６から指令を受けると、コントローラ３２は制
御信号を発生し、この制御信号を受けたリレー３３はシ
リンダー３４を動作させ、シリンダー３４の開により圧
縮空気が空気管３５を介してバルブ３６に送られ、流入
空気によりバルブ３６を開にする。また、シリンダー３
４を閉にし、バルブ３６の流入空気を解放することによ
り、バルブ３６内のスプリングによりバルブ３６を閉に
する。バルブ３６の開又は閉により、時配管３８内の流
体の流量を制御する。同時に、バルブ３６の開閉位置を
近接位置センサ３７により検出する。この場合、バルブ
３６の動作速度は、配管３８内の流体の粘度が高いとき
速くなり、粘度が低いとき遅くなる。
例を示す。ここでは、バルブ３６として説明する。指令
発生機構６から指令を受けると、コントローラ３２は制
御信号を発生し、この制御信号を受けたリレー３３はシ
リンダー３４を動作させ、シリンダー３４の開により圧
縮空気が空気管３５を介してバルブ３６に送られ、流入
空気によりバルブ３６を開にする。また、シリンダー３
４を閉にし、バルブ３６の流入空気を解放することによ
り、バルブ３６内のスプリングによりバルブ３６を閉に
する。バルブ３６の開又は閉により、時配管３８内の流
体の流量を制御する。同時に、バルブ３６の開閉位置を
近接位置センサ３７により検出する。この場合、バルブ
３６の動作速度は、配管３８内の流体の粘度が高いとき
速くなり、粘度が低いとき遅くなる。
【０００９】ここで、センサ３（３７）の一例として近
接センサを図４に示す。近接センサは、バルブ３６の動
作位置を示す位置検出体４３が開側の近接センサ４１の
位置に来たとき、開の信号を出力し、閉側の近接センサ
４２の位置に来たとき、閉の信号を出力してバルブ３６
の開閉状態をプラント制御装置４に知らせる。なお、セ
ンサ３として、接点式のリミットスイッチや電動コイル
を使用した近接センサ等がある。
接センサを図４に示す。近接センサは、バルブ３６の動
作位置を示す位置検出体４３が開側の近接センサ４１の
位置に来たとき、開の信号を出力し、閉側の近接センサ
４２の位置に来たとき、閉の信号を出力してバルブ３６
の開閉状態をプラント制御装置４に知らせる。なお、セ
ンサ３として、接点式のリミットスイッチや電動コイル
を使用した近接センサ等がある。
【００１０】応答時間測定機構７の詳細を図５に示す。
応答時間測定機構７は、クロック発生装置５１、ゲート
５２、時間カウンタ５３、応答時間メモリ５４からな
る。指令発生機構６から指令が発生された時、アクチュ
エータ２の動作を開始させ、時間カウンタ５３をリセッ
トすると同時に、ゲート５２を開き、クロック発生装置
５１から送出されるクロックのカウントをスタートさ
せ、時間カウントする。アクチュエータ２の動作が完了
すると、センサ３がこの動作完了を検知し、ゲートを閉
じてクロックのカウントをストップする。アクチュエー
タ２の動作開始から動作完了までの時間（動作時間）を
計測し、応答時間メモリ５４に記録する。応答時間メモ
リ５４の応答時間は、直接または移動平均などのフィル
タ機構８を通して劣化診断処理機構９へ入力される。
応答時間測定機構７は、クロック発生装置５１、ゲート
５２、時間カウンタ５３、応答時間メモリ５４からな
る。指令発生機構６から指令が発生された時、アクチュ
エータ２の動作を開始させ、時間カウンタ５３をリセッ
トすると同時に、ゲート５２を開き、クロック発生装置
５１から送出されるクロックのカウントをスタートさ
せ、時間カウントする。アクチュエータ２の動作が完了
すると、センサ３がこの動作完了を検知し、ゲートを閉
じてクロックのカウントをストップする。アクチュエー
タ２の動作開始から動作完了までの時間（動作時間）を
計測し、応答時間メモリ５４に記録する。応答時間メモ
リ５４の応答時間は、直接または移動平均などのフィル
タ機構８を通して劣化診断処理機構９へ入力される。
【００１１】劣化診断処理機構９の詳細を図６に示す。
劣化診断処理機構９は、切替え機構６１、トレンドメモ
リ６２、分析機構６３、予測寿命を推論機構６４からな
る。応答時間測定機構７からの応答時間を、直接もしく
はフィルタ機構８を通して、切替え機構６１を介してト
レンドメモリ６２に時系列に記憶する。その記憶データ
を分析機構６３に入力し、分析機構６３で予測寿命を求
め、予測寿命を推論機構６４に入力する。推論機構６４
は、動作回数管理機構１１からアクチュエータ２の動作
回数を入力し、時間管理機構５から時間を入力し、予測
寿命と合わせて管理者の知識ベース１０の粘度補正知識
１０１により補正推論し、その補正結果を劣化診断知識
１０２により診断推論して診断結果を導き、Ｉ／Ｏ１３
に結果表示する。
劣化診断処理機構９は、切替え機構６１、トレンドメモ
リ６２、分析機構６３、予測寿命を推論機構６４からな
る。応答時間測定機構７からの応答時間を、直接もしく
はフィルタ機構８を通して、切替え機構６１を介してト
レンドメモリ６２に時系列に記憶する。その記憶データ
を分析機構６３に入力し、分析機構６３で予測寿命を求
め、予測寿命を推論機構６４に入力する。推論機構６４
は、動作回数管理機構１１からアクチュエータ２の動作
回数を入力し、時間管理機構５から時間を入力し、予測
寿命と合わせて管理者の知識ベース１０の粘度補正知識
１０１により補正推論し、その補正結果を劣化診断知識
１０２により診断推論して診断結果を導き、Ｉ／Ｏ１３
に結果表示する。
【００１２】ここで、知識ベース１０として、図７に粘
度補正知識、図８に劣化診断知識を示す。図７の粘度補
正知識１０１のｉｆ、ｔｈｅｎルールにより予測寿命を
粘度により補正する。例えば、流体の比粘度＜０．５で
あれば、予測寿命を３０パーセント短く補正する。ま
た、補正した予測寿命を正規化して図８の劣化診断知識
１０２のｉｆ、ｔｈｅｎルールにより劣化診断し、警報
内容を決定する。例えば、動作回数がｎ以上で正規化し
た予測寿命がａ以下かつｂ以上ならば、アラームを表示
する。なお、予測寿命を粘度により補正することを示し
たが、プラントの原料、生成物、用役等により補正する
ようにしてもよい。知識ベースは、専門家のノウハウを
蓄積した知識を利用するので、予測寿命の補正および劣
化診断の精度を著しく向上させる。
度補正知識、図８に劣化診断知識を示す。図７の粘度補
正知識１０１のｉｆ、ｔｈｅｎルールにより予測寿命を
粘度により補正する。例えば、流体の比粘度＜０．５で
あれば、予測寿命を３０パーセント短く補正する。ま
た、補正した予測寿命を正規化して図８の劣化診断知識
１０２のｉｆ、ｔｈｅｎルールにより劣化診断し、警報
内容を決定する。例えば、動作回数がｎ以上で正規化し
た予測寿命がａ以下かつｂ以上ならば、アラームを表示
する。なお、予測寿命を粘度により補正することを示し
たが、プラントの原料、生成物、用役等により補正する
ようにしてもよい。知識ベースは、専門家のノウハウを
蓄積した知識を利用するので、予測寿命の補正および劣
化診断の精度を著しく向上させる。
【００１３】分析機構６３において、予測寿命を求める
理論を説明する。まず、図１０にアクチュエータ２の指
令に対する応答時間と寿命の関係を示す。図１０は、ア
クチュエータが開から閉位置へ動作する例である。アク
チュエータが正常な場合、指令発生機構から閉指令を受
けると、一定のむだ時間を経てアクチュエータが動作を
開始する。このときのセンサ３の出力は開である。アク
チュエータが作動して一定の時間を経過すると、閉位置
に達し、動作を完了する。このときのセンサ３は、アク
チュエータの閉位置を検知し、閉を出力する。ここで、
アクチュエータが指令発生機構から指令を受けて動作完
了（センサが検知出力）するまでの時間を応答時間とす
る。ところで、アクチュエータ２はスプリングのような
弾性体応力を使用しており、その経年あるいは動作回数
による劣化により弾性が低下する。このような劣化がア
クチュエータに生じた場合には、指令発生機構から閉指
令を受けてからアクチュエータが動作を開始し、閉位置
に到達して動作を完了するまでの応答時間が長くなる。
一般に、アクチュエータの劣化が進行するに従って応答
時間は徐々に変化し、長くなる。図示の場合、寿命Ｘ
は、応答時間が使用に耐えられなくなる時点を示す。
理論を説明する。まず、図１０にアクチュエータ２の指
令に対する応答時間と寿命の関係を示す。図１０は、ア
クチュエータが開から閉位置へ動作する例である。アク
チュエータが正常な場合、指令発生機構から閉指令を受
けると、一定のむだ時間を経てアクチュエータが動作を
開始する。このときのセンサ３の出力は開である。アク
チュエータが作動して一定の時間を経過すると、閉位置
に達し、動作を完了する。このときのセンサ３は、アク
チュエータの閉位置を検知し、閉を出力する。ここで、
アクチュエータが指令発生機構から指令を受けて動作完
了（センサが検知出力）するまでの時間を応答時間とす
る。ところで、アクチュエータ２はスプリングのような
弾性体応力を使用しており、その経年あるいは動作回数
による劣化により弾性が低下する。このような劣化がア
クチュエータに生じた場合には、指令発生機構から閉指
令を受けてからアクチュエータが動作を開始し、閉位置
に到達して動作を完了するまでの応答時間が長くなる。
一般に、アクチュエータの劣化が進行するに従って応答
時間は徐々に変化し、長くなる。図示の場合、寿命Ｘ
は、応答時間が使用に耐えられなくなる時点を示す。
【００１４】次に、分析機構６３において予測寿命を分
析する手法として、図９に示すニューラルネットワーク
予測トレンド機能を利用する。学習時には、縦軸を応答
時間、横軸を動作回数とした応答時間トレンドをニュー
ラルネットワークの入力端に入力し、一方、予測応答時
間トレンドを教師信号として教師入力端に入力して、ニ
ューラルネットワークに応答時間予測トレンド出力のた
めの学習をさせる。予測時には、学習したニューラルネ
ットワークの入力端に現在の応答時間トレンドを入力
し、出力端から応答時間予測トレンドを出力させ、予測
寿命を求める。ニューラルネットワークの利用は、アク
チュエータの予測寿命を正確かつ迅速化する。なお、こ
の分析機構６３は、アクチュエータ２によっては関数回
帰によりトレンド関数ｆ（ｔ）にて求めることもでき
る。
析する手法として、図９に示すニューラルネットワーク
予測トレンド機能を利用する。学習時には、縦軸を応答
時間、横軸を動作回数とした応答時間トレンドをニュー
ラルネットワークの入力端に入力し、一方、予測応答時
間トレンドを教師信号として教師入力端に入力して、ニ
ューラルネットワークに応答時間予測トレンド出力のた
めの学習をさせる。予測時には、学習したニューラルネ
ットワークの入力端に現在の応答時間トレンドを入力
し、出力端から応答時間予測トレンドを出力させ、予測
寿命を求める。ニューラルネットワークの利用は、アク
チュエータの予測寿命を正確かつ迅速化する。なお、こ
の分析機構６３は、アクチュエータ２によっては関数回
帰によりトレンド関数ｆ（ｔ）にて求めることもでき
る。
【００１５】本実施例の動作を図１１を参照して説明す
る。指令発生機構６からアクチュエータ２に対する指令
（ＯＦＦ→ＯＮ）を発すると、アクチュエータ２は、一
定のむだ時間経過後に動作を開始し、閉位置に到達し、
動作を完了（ＯＦＦ→ＯＮ）する。この時同時に応答時
間測定機構７は、指令の発生からセンサ３を介して出力
される動作完了（ＯＦＦ→ＯＮ）までの応答時間を計測
する。ここで、応答時間測定機構７は、図５に示すよう
に、指令発生機構６の指令により時間カウンタ５３をリ
セットし、ゲート５２をスタートして、クロックにより
応答時間のカウントを開始し、センサ３がアクチュエー
タ２の動作完了を検出し、センサ３の出力によりゲート
５２をストップしてクロックによるカウントを停止し、
時間カウンタ５３のカウント値即ち応答時間を応答時間
メモリ５４に記憶する。ここで測定した応答時間は、一
般的にはインパルスノイズデータ除去のため、フィルタ
機構８を通して劣化診断機構９へ入力する。劣化診断機
構９では、図６に示すように、応答時間測定機構７から
入力した応答時間をトレンドメモリ（シフトレジスタ）
６２に入力し、アクチュエータ２の動作毎に時系列に応
答時間を記憶する。分析機構６３において、各シフトレ
ジスタの出力をニューラルネットワーク（階層ニューラ
ルネットワーク）に入力する（階層ニューラルネットワ
ークについては「入門と実習 ニューロコンピュー
タ」：技術評論社に記載されている。）。ここで、階層
ニューラルネットワークの学習時は、階層ニューラルネ
ットワークで出力する予測トレンドと入力した応答時間
を突合せして、応答時間予測トレンド出力のための学習
をする。この学習により正常状態と正常状態から応答時
間の遅延状態、寿命までの状態を学習しておく。運用時
は、学習した階層ニューラルネットワークに応答時間測
定機構７から現在の応答時間を入力し、この階層ニュー
ラルネットワークから出力として応答時間予測トレンド
を求め、動作回数ａ回先までの応答時間を予測出力す
る。この予測トレンドからアクチュエータ２の予測寿命
回数を求める。ａ回後までに寿命がこない場合は寿命＞
ａとすればよい。アクチュエータ２の寿命時期は図１０
で示す応答時間がＸ点に達した時点を云う。ここで、ａ
の値としては、ａ回後にアクチュエータ２が寿命になっ
ても今すぐにプラントへの影響が出ない安全度の高い回
数を設定すべきである。分析機構６３で求めた予測寿命
と動作回数管理機構１１で記憶する動作回数を推論機構
６４に入力し、推論機構６４は、管理者の知識１０の粘
度補正知識１０１（図７）により流体粘度による予測寿
命の変化を正規化する。正規化した予測寿命を元に管理
者の知識１０の劣化診断知識１０２（図８）によるルー
ルと照合し、ルールに該当する結果を導き出してＩ／Ｏ
１３にその診断結果を表示出力する。
る。指令発生機構６からアクチュエータ２に対する指令
（ＯＦＦ→ＯＮ）を発すると、アクチュエータ２は、一
定のむだ時間経過後に動作を開始し、閉位置に到達し、
動作を完了（ＯＦＦ→ＯＮ）する。この時同時に応答時
間測定機構７は、指令の発生からセンサ３を介して出力
される動作完了（ＯＦＦ→ＯＮ）までの応答時間を計測
する。ここで、応答時間測定機構７は、図５に示すよう
に、指令発生機構６の指令により時間カウンタ５３をリ
セットし、ゲート５２をスタートして、クロックにより
応答時間のカウントを開始し、センサ３がアクチュエー
タ２の動作完了を検出し、センサ３の出力によりゲート
５２をストップしてクロックによるカウントを停止し、
時間カウンタ５３のカウント値即ち応答時間を応答時間
メモリ５４に記憶する。ここで測定した応答時間は、一
般的にはインパルスノイズデータ除去のため、フィルタ
機構８を通して劣化診断機構９へ入力する。劣化診断機
構９では、図６に示すように、応答時間測定機構７から
入力した応答時間をトレンドメモリ（シフトレジスタ）
６２に入力し、アクチュエータ２の動作毎に時系列に応
答時間を記憶する。分析機構６３において、各シフトレ
ジスタの出力をニューラルネットワーク（階層ニューラ
ルネットワーク）に入力する（階層ニューラルネットワ
ークについては「入門と実習 ニューロコンピュー
タ」：技術評論社に記載されている。）。ここで、階層
ニューラルネットワークの学習時は、階層ニューラルネ
ットワークで出力する予測トレンドと入力した応答時間
を突合せして、応答時間予測トレンド出力のための学習
をする。この学習により正常状態と正常状態から応答時
間の遅延状態、寿命までの状態を学習しておく。運用時
は、学習した階層ニューラルネットワークに応答時間測
定機構７から現在の応答時間を入力し、この階層ニュー
ラルネットワークから出力として応答時間予測トレンド
を求め、動作回数ａ回先までの応答時間を予測出力す
る。この予測トレンドからアクチュエータ２の予測寿命
回数を求める。ａ回後までに寿命がこない場合は寿命＞
ａとすればよい。アクチュエータ２の寿命時期は図１０
で示す応答時間がＸ点に達した時点を云う。ここで、ａ
の値としては、ａ回後にアクチュエータ２が寿命になっ
ても今すぐにプラントへの影響が出ない安全度の高い回
数を設定すべきである。分析機構６３で求めた予測寿命
と動作回数管理機構１１で記憶する動作回数を推論機構
６４に入力し、推論機構６４は、管理者の知識１０の粘
度補正知識１０１（図７）により流体粘度による予測寿
命の変化を正規化する。正規化した予測寿命を元に管理
者の知識１０の劣化診断知識１０２（図８）によるルー
ルと照合し、ルールに該当する結果を導き出してＩ／Ｏ
１３にその診断結果を表示出力する。
【００１６】
【発明の効果】以上述べたように、本発明によれば、ア
クチュエータの応答時間をトレンドモードにして抽象化
し、この抽象化した情報を元に分析し、アクチュエータ
の寿命を予測するので、予測寿命の精度を向上させるこ
とができると共に、この予測寿命に対して知識ベースを
利用して、予測寿命を補正し、補正した予測寿命を正規
化して劣化診断するので、アクチュエータの劣化診断の
精度を著しく向上させることができる。これにより、プ
ラント設備の稼働率低下を防止することが可能となる。
また、アクチュエータの予測寿命をニューラルネットワ
ークを利用して行うので、予測寿命を正確かつ迅速に求
めることができる。また、専門家のノウハウを蓄積した
知識ベースを予測寿命の補正および劣化診断に利用する
ので、専門家のノウハウを有効に活用でき、予測寿命の
補正および劣化診断の精度を向上させることができる。
クチュエータの応答時間をトレンドモードにして抽象化
し、この抽象化した情報を元に分析し、アクチュエータ
の寿命を予測するので、予測寿命の精度を向上させるこ
とができると共に、この予測寿命に対して知識ベースを
利用して、予測寿命を補正し、補正した予測寿命を正規
化して劣化診断するので、アクチュエータの劣化診断の
精度を著しく向上させることができる。これにより、プ
ラント設備の稼働率低下を防止することが可能となる。
また、アクチュエータの予測寿命をニューラルネットワ
ークを利用して行うので、予測寿命を正確かつ迅速に求
めることができる。また、専門家のノウハウを蓄積した
知識ベースを予測寿命の補正および劣化診断に利用する
ので、専門家のノウハウを有効に活用でき、予測寿命の
補正および劣化診断の精度を向上させることができる。
【図１】本発明の一実施例を示すプラント劣化診断装置
の全体構成図
の全体構成図
【図２】代表的なプラントの一例
【図３】アクチュエータの動作例
【図４】センサ３の一例
【図５】応答時間測定機構の詳細図
【図６】劣化診断処理機構の詳細図
【図７】管理者の知識例（粘度補正知識）
【図８】管理者の知識例（劣化診断知識）
【図９】ニューラルネットワーク応用例
【図１０】アクチュエータの動作説明図
【図１１】本発明の実施例の動作説明図
１ プラント ２ アクチュエータ ３ センサ ４ プラント制御装置 ５ 時間管理機構 ６ 指令発生機構 ７ 応答時間測定機構 ８ フィルタ機構 ９ 劣化診断処理機構 １０ 管理者の知識 １１ 動作回数管理機構 １２ 制御機構 １３ Ｉ／Ｏ ６２ トレンドメモリ ６３ 分析機構 ６４ 推論機構
Claims (8)
- 【請求項１】 プラントを操作するアクチュエータ、前
記アクチュエータの動作状態を検出するセンサ及び前記
センサの情報を用いて前記アクチュエータに指令を発生
するプラント制御装置を有するプラント設備において、
アクチュエータの応答時間を計測する応答時間測定機構
と、前記応答時間を分析して予測寿命を出力する分析機
構と、知識ベースを利用して前記予測寿命を補正し、劣
化診断する推論機構を具備することを特徴とするプラン
ト劣化診断装置。 - 【請求項２】 請求項１において、応答時間測定手段
は、アクチュエータにした指令を受けてリセットすると
共に、該指令からアクチュエータの動作完了までの応答
時間をカウントし、メモリする手段を有することを特徴
とするプラント劣化診断装置。 - 【請求項３】 請求項１において、アクチュエータの応
答時間の推移を記憶するトレンドメモリを設け、分析機
構は、前記トレンドメモリの内容を分析して予測トレン
ドを求める手段を有することを特徴とするプラント劣化
診断装置。 - 【請求項４】 請求項３において、予測トレンドを求め
る手段として、階層ニューラルネットワークを用い、前
記ニューラルネットワークの出力からアクチュエータの
予測寿命を求めることを特徴とするプラント劣化診断装
置。 - 【請求項５】 請求項１において、知識ベースは、管理
者の知識を格納した粘度、原料、生成物、用役等の補正
知識および劣化診断知識からなることを特徴とするプラ
ント劣化診断装置。 - 【請求項６】 プラントを操作するアクチュエータ、前
記アクチュエータの動作状態を検出するセンサ及び前記
センサの情報を用いて前記アクチュエータに指令を発生
するプラント制御装置を有するプラント設備において、
アクチュエータの応答時間を計測し、前記応答時間の推
移を記憶し、応答時間の推移を分析してアクチュエータ
の寿命を予測し、知識ベースを利用して予測寿命を補正
し、補正した予測寿命を正規化して劣化診断することを
特徴とするプラント劣化診断方法。 - 【請求項７】 請求項６において、予測寿命は、応答時
間の推移を階層ニューラルネットワークに入力し、学習
時は、階層ニューラルネットワークで出力する予測トレ
ンドと入力した応答時間を突合せして、応答時間予測ト
レンド出力のための学習をし、運用時は、この学習した
階層ニューラルネットワークに現在の応答時間を入力
し、この階層ニューラルネットワークから応答時間予測
トレンドを出力することによって、求めることを特徴と
するプラント劣化診断方法。 - 【請求項８】 請求項６において、予測寿命の補正は、
補正知識のｉｆ、ｔｈｅｎルールにより行い、劣化診断
は、劣化診断知識のｉｆ、ｔｈｅｎルールにより行うこ
とを特徴とするプラント劣化診断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP9315595A JPH08263131A (ja) | 1995-03-27 | 1995-03-27 | プラント劣化診断装置及び方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP9315595A JPH08263131A (ja) | 1995-03-27 | 1995-03-27 | プラント劣化診断装置及び方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH08263131A true JPH08263131A (ja) | 1996-10-11 |
Family
ID=14074662
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP9315595A Pending JPH08263131A (ja) | 1995-03-27 | 1995-03-27 | プラント劣化診断装置及び方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH08263131A (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013178654A (ja) * | 2012-02-28 | 2013-09-09 | Toshiba Corp | プラント機器交換支援システムおよびプラント機器交換演算処理方法 |
| JP2017010238A (ja) * | 2015-06-22 | 2017-01-12 | アズビル株式会社 | 制御バルブの故障診断装置および方法 |
| JP2017033526A (ja) * | 2015-07-31 | 2017-02-09 | ファナック株式会社 | 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム |
| US10317853B2 (en) | 2015-07-31 | 2019-06-11 | Fanuc Corporation | Machine learning method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device |
| JP2020160552A (ja) * | 2019-03-25 | 2020-10-01 | 株式会社フジキン | 流量制御装置、流量制御装置の制御方法、流量制御装置の制御プログラム |
-
1995
- 1995-03-27 JP JP9315595A patent/JPH08263131A/ja active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013178654A (ja) * | 2012-02-28 | 2013-09-09 | Toshiba Corp | プラント機器交換支援システムおよびプラント機器交換演算処理方法 |
| JP2017010238A (ja) * | 2015-06-22 | 2017-01-12 | アズビル株式会社 | 制御バルブの故障診断装置および方法 |
| JP2017033526A (ja) * | 2015-07-31 | 2017-02-09 | ファナック株式会社 | 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム |
| US10317853B2 (en) | 2015-07-31 | 2019-06-11 | Fanuc Corporation | Machine learning method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device |
| US11275345B2 (en) | 2015-07-31 | 2022-03-15 | Fanuc Corporation | Machine learning Method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device |
| JP2020160552A (ja) * | 2019-03-25 | 2020-10-01 | 株式会社フジキン | 流量制御装置、流量制御装置の制御方法、流量制御装置の制御プログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8838413B2 (en) | Valve actuator fault analysis system | |
| RU2348959C2 (ru) | Диагностика клапана аварийного отключения с использованием датчика давления | |
| US20160071004A1 (en) | Method and system for predictive maintenance of control valves | |
| AU2005280202B2 (en) | System, device, and methods for updating system-monitoring models | |
| CN109407654B (zh) | 一种基于稀疏深度神经网络的工业数据非线性因果分析方法 | |
| KR101065767B1 (ko) | 성능저하 및 고장원인 조기 진단방법 | |
| JP5425629B2 (ja) | 自動フィールド装置サービスアドバイザ | |
| US6636814B1 (en) | Light rail vehicle having predictive diagnostic system for motor driven automated doors | |
| JP2009053938A (ja) | 複数モデルに基づく設備診断システム及びその設備診断方法 | |
| RU2007101318A (ru) | Оценка надежности технологического оборудования | |
| KR102131847B1 (ko) | 기계학습을 이용한 수처리 자율 제어 시스템 및 그 방법 | |
| JP2013045325A (ja) | 制御システムの制御装置及びエレベータシステム | |
| KR101797558B1 (ko) | 데이터베이스 기반 인공지능형 스마트 밸브 제어 시스템 | |
| US6453279B1 (en) | Statistical trend generator for predictive instrument maintenance | |
| JPH08263131A (ja) | プラント劣化診断装置及び方法 | |
| CN110243405A (zh) | 一种基于深度学习的航空发动机传感器故障诊断方法 | |
| CN109947064A (zh) | 智能通水温度控制专家系统及硬件检测和数据监测方法 | |
| CN109084971A (zh) | 一种基于粒子群优化的气动调节阀故障诊断方法 | |
| CN112526962A (zh) | 用于工艺技术设施的诊断方法和诊断系统以及训练方法 | |
| US11943242B2 (en) | Deep automation anomaly detection | |
| JP3020072B2 (ja) | プラント監視装置および方法 | |
| JP4278722B2 (ja) | ガス遮断装置 | |
| Horch | Oscillation Diagnosis in Control Loops~ Stiction and other Causes | |
| JPS63238515A (ja) | センサ寿命予測システム | |
| CN117554218B (zh) | 直馏沥青浇筑式钢桥面复合梁试件疲劳试验装置及方法 |