TW201841087A - 廠房的診斷裝置及診斷方法 - Google Patents

廠房的診斷裝置及診斷方法 Download PDF

Info

Publication number
TW201841087A
TW201841087A TW107105468A TW107105468A TW201841087A TW 201841087 A TW201841087 A TW 201841087A TW 107105468 A TW107105468 A TW 107105468A TW 107105468 A TW107105468 A TW 107105468A TW 201841087 A TW201841087 A TW 201841087A
Authority
TW
Taiwan
Prior art keywords
pattern
diagnosis
factory building
plant
aforementioned
Prior art date
Application number
TW107105468A
Other languages
English (en)
Other versions
TWI665537B (zh
Inventor
普拉迪帕 萊坷摩 維比塔
坂田文稔
松本一郎
永井　洋
橘田岳洋
黒石卓司
橘英樹
Original Assignee
日商三菱日立電力系統股份有限公司
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 日商三菱日立電力系統股份有限公司 filed Critical 日商三菱日立電力系統股份有限公司
Publication of TW201841087A publication Critical patent/TW201841087A/zh
Application granted granted Critical
Publication of TWI665537B publication Critical patent/TWI665537B/zh

Links

Classifications

    • 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
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0232—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on qualitative trend analysis, e.g. system evolution
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/048—Monitoring; Safety
    • 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
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
    • 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
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • 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
    • G05B2219/26—Pc applications
    • G05B2219/2639—Energy management, use maximum of cheap power, keep peak load low

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

廠房的診斷裝置，具備：監視資料取得部，取得有關廠房的運轉狀態之參數的計測值亦即監視資料，且為計測時期互異之複數個監視資料；及診斷對象圖型作成部，作成將複數個監視資料的各者對廠房輸出資料繪製而成之繪製圖型亦即診斷對象圖型；及圖型診斷部，基於診斷對象圖型所具有之繪製圖型，診斷廠房。

Description

廠房的診斷裝置及診斷方法
本揭示有關用來基於廠房的運轉狀態而診斷廠房之廠房的診斷裝置及診斷方法。
燃氣渦輪發電廠或核能發電廠、或是化學廠房這類各種的廠房中，為了監視廠房是否正常地運轉，會取得溫度或壓力這類廠房的狀態量並予以監視。於廠房的監視中，必須監視多數個狀態量(監視資料)，此外，監視狀態量的傾向並判定廠房是否正常運轉，需要熟練度。
因此，習知即存在一種廠房的監視技術，是將稱為MT法(Mahalanobis-Taguchi Method；馬哈拉諾比斯-田口法)之圖型識別(pattern recognition)技術運用於廠房的監視，藉此即使監視的狀態量有多數個仍可相對簡易地監視廠房的運轉狀態(例如專利文獻1)。此MT法中，是以多變量資料為基礎將正常的集團定義成單位空間，而求出對象資料的和單位空間相距之距離(馬哈拉諾比斯距離)來判定異常。如此一來，便可僅藉由馬哈拉諾比斯距離這單一指標來綜合地診斷廠房。此外，MT法，相較於藉由各種運轉參數是否為管理值以內來診斷之手法，可於機器的損傷進展之前早期地偵測異常，可防患機器的損傷於未然，或是抑制在最小限度。另，專利文獻1中記載，單位空間的平均值成為1，在燃氣渦輪發電廠的狀態量為正常之狀態下，馬哈拉諾比斯距離大概收斂在4以下，若燃氣渦輪發電廠的狀態量變為異常，則因應異常的程度(從單位空間起算之遠離程度)，馬哈拉諾比斯距離的值會變大。
另，專利文獻2中，揭示一種廠房的診斷裝置，是使用計測正常狀態時的廠房的各種狀態而得之計測訊號，藉由群集化(clustering)技術預先構築數個資料群組(診斷模型)，而於處理了診斷的時刻的計測訊號時當未被分類至上述的資料群組之情形下便診斷為異常。若廠房中有異常發生則計測訊號的特性會和正常狀態相異，因此診斷是利用了下述特性，即，診斷的異常狀態時的計測訊號不會被分類至使用正常狀態的計測訊號而構築出的資料群組。 [先前技術文獻] [專利文獻]
[專利文獻1] 國際公開第2009/107805號公報 　　[專利文獻2] 日本特開2015-103218號公報
[發明所欲解決之問題]
然而，為了檢測廠房的異常而監視之狀態量很多，依MT法之廠房的監視，異常的檢測精度有其極限。此外，馬哈拉諾比斯距離的管理值(閾值)是以經驗方式設定，因此依馬哈拉諾比斯距離的管理值而定，會變成機器的損傷等進展了一定程度等之後才偵測到異常狀態。因此，渴望異常偵測能力的進一步提升，亦即提高廠房的異常的偵測精度，並且早期偵測異常的徵兆等。
有鑑於上述事態，本發明的至少一個實施形態，目的在於提供一種提升了異常的偵測能力之廠房的診斷裝置。 [解決問題之技術手段]
(1)本發明的至少一個實施形態之廠房的診斷裝置， 　　係用來基於廠房的運轉狀態而診斷前述廠房之廠房的診斷裝置，具備： 　　監視資料取得部，取得有關前述廠房的前述運轉狀態之參數的計測值亦即監視資料，且為計測時期互異之複數個監視資料；及 　　診斷對象圖型作成部，作成將前述複數個監視資料的各者對前述廠房的廠房輸出資料繪製而成之繪製圖型亦即診斷對象圖型；及 　　圖型診斷部，基於前述診斷對象圖型所具有之前述繪製圖型，診斷前述廠房。
按照上述(1)的構成，係作成表現沿時間軸計測的複數個監視資料與廠房的輸出資料(例如若是發電廠則為發電輸出資料)之關係之診斷對象圖型，基於診斷對象圖型所具有之繪製圖型(繪製的集合形狀)，進行廠房的診斷。本發明團隊發現，當廠房發生了異常的情形下，上述的診斷對象圖型，會具有和正常時相異的繪製圖型。也就是說，發現了當廠房發生了某些異常的情形下，診斷對象圖型中，會至少部分地表現出可判定廠房的異常之特徵性的繪製圖型(後述的異常特徵繪製圖型)。是故，基於診斷對象圖型所具有的繪製圖型，能夠進行廠房之診斷。
此外，例如將監視資料和基於經驗方式等而設定出的異常判定閾值予以比較，藉此診斷廠房之方法，即使實際上發生了異常，只要監視資料尚未超出異常判定閾值，便無法偵測出異常。此外，監視資料的值從異常發生開始推移，到了終於超出異常判定閾值才被偵測到，故直到偵測出異常前可能會需要相對較長的時間。但，藉由如上述般基於診斷對象圖型所具有的繪製圖型來診斷，即使當實際上異常發生了但監視資料尚未超出異常判定閾值的情形下，仍可偵測異常。是故，藉由基於診斷對象圖型所具有的繪製圖型來診斷廠房，可達成廠房的異常偵測精度的提升、或更早期地偵測異常的徵兆、縮短異常發生起算至偵測所需的時間等，能夠使異常偵測能力飛躍性地提升。
(2)幾個實施形態中，於上述(1)的構成中， 　　前述圖型診斷部， 　　具有：異常診斷部，當判定出前述診斷對象圖型具有可判定前述廠房是否為異常之特徵性的繪製圖型亦即預先訂定好的異常特徵繪製圖型的情形下，診斷前述廠房為異常。 　　按照上述(2)的構成，藉由判定診斷對象圖型是否具有預先訂定好的異常特徵繪製圖型，便能偵測廠房的異常。
(3)幾個實施形態中，於上述(2)的構成中， 　　前述異常診斷部，當前述診斷對象圖型具有相對於前述異常特徵繪製圖型而言顯示規定以上的類似度之繪製圖型的情形下，判定前述診斷對象圖型具有前述異常特徵繪製圖型。 　　按照上述(3)的構成，便能基於類似度來判定診斷對象圖型是否具有異常特徵繪製圖型。
(4)幾個實施形態中，於上述(1)～(3)的構成中， 　　更具備：運轉圖型分類部，將前述複數個監視資料的各者因應預先訂定好的前述廠房的運轉圖型做分類， 　　前述診斷對象圖型作成部，依每一前述運轉圖型作成前述診斷對象圖型。 　　按照上述(4)的構成，是基於診斷對象圖型所具有之每一運轉圖型的繪製圖型，來診斷廠房的異常。藉由進行基於依運轉圖型別的診斷對象圖型之診斷，能夠避免藉由欲診斷之運轉圖型而形成的繪製圖型，被隸屬於除此以外的其他運轉圖型之複數個監視資料所埋沒，而能夠令異常特徵繪製圖型確實地出現。是故，能夠謀求診斷精度的進一步提升。
(5)幾個實施形態中，於上述(4)的構成中， 　　更具備：閾值診斷部，基於前述複數個監視資料的各者與閾值之比較，診斷前述廠房。 　　按照上述(5)的構成，廠房的診斷方法，具備圖型診斷部，以及基於閾值範圍來診斷廠房之閾值診斷部。藉此，能夠謀求廠房的異常的更確實之偵測。也就是說，上述圖型診斷部中，即使診斷對象圖型具有異常特徵繪製圖型，在該異常特徵繪製圖型被認知為示意異常之物前仍無法偵測到異常，但即使是這樣的異常，仍能藉由閾值診斷部而偵測到。
(6)幾個實施形態中，於上述(5)的構成中， 　　更具備：診斷對象圖型記憶部，當前述圖型診斷部中的診斷結果不是異常的情形下，且當藉由前述閾值診斷部判定為異常的情形下，記憶依每一前述運轉圖型作成之前述診斷對象圖型。 　　按照上述(6)的構成，針對藉由閾值診斷部偵測到的異常，係圖型診斷部中未被偵測到的診斷對象圖型會被記憶(保存)。藉此，基於這樣的診斷對象圖型例如藉由機械學習等來學習異常特徵繪製圖型，藉此能夠提高圖型診斷部所做的診斷精度，謀求廠房的診斷精度之提升。
(7)幾個實施形態中，於上述(4)～(6)的構成中， 　　前述廠房，包含複數個機器， 　　前述運轉圖型，基於包含前述複數個機器的至少1個之對象機器的運轉狀態來設定。 　　按照上述(7)的構成，是基於從構成廠房的複數個機器中選擇出的對象機器(例如鍋爐、至少1個粉碎裝置、吹灰機等)的運轉狀態之組合等，來制定至少1個運轉圖型。藉由像這樣基於對象機器的運轉狀態來制定至少1個運轉圖型，便能作成於異常時具有異常特徵繪製圖型之診斷對象圖型。
(8)幾個實施形態中，於上述(1)～(7)的構成中， 　　前述廠房，為包含發電機之發電廠。 　　按照上述(8)的構成，能夠提供可做發電廠的診斷之廠房的診斷方法。
(9)本發明的至少一個實施形態之廠房的診斷方法， 　　係用來基於廠房的運轉狀態而診斷前述廠房之廠房的診斷方法，具備： 　　監視資料取得步驟，取得有關前述廠房的前述運轉狀態之參數的計測值亦即監視資料，且為計測時期互異之複數個監視資料；及 　　診斷對象圖型作成步驟，作成將前述複數個監視資料的各者對前述廠房的廠房輸出資料繪製而成之繪製圖型亦即診斷對象圖型；及 　　圖型診斷步驟，基於前述診斷對象圖型所具有之前述繪製圖型，診斷前述廠房。
按照上述(9)的構成，能夠發揮和上述(1)同樣的效果。
(10)幾個實施形態中，於上述(9)的構成中， 　　前述圖型診斷步驟， 　　具有：異常診斷步驟，當判定出前述診斷對象圖型具有可判定前述廠房是否為異常之特徵性的繪製圖型亦即預先訂定好的異常特徵繪製圖型的情形下，診斷前述廠房為異常。 　　按照上述(10)的構成，能夠發揮和上述(2)同樣的效果。
(11)幾個實施形態中，於上述(10)的構成中， 　　前述異常診斷步驟，當前述診斷對象圖型具有相對於前述異常特徵繪製圖型而言顯示規定以上的類似度之繪製圖型的情形下，判定前述診斷對象圖型具有前述異常特徵繪製圖型。 　　按照上述(11)的構成，能夠發揮和上述(3)同樣的效果。
(12)幾個實施形態中，於上述(9)～(11)的構成中， 　　更具備：監視資料分類步驟，將前述複數個監視資料的各者因應預先訂定好的前述廠房的運轉圖型做分類， 　　前述診斷對象圖型作成步驟，依每一前述運轉圖型作成前述診斷對象圖型。 　　按照上述(12)的構成，能夠發揮和上述(4)同樣的效果。
(13)幾個實施形態中，於上述(12)的構成中， 　　更具備：閾值診斷步驟，基於前述複數個監視資料的各者與閾值之比較，診斷前述廠房。 　　按照上述(13)的構成，能夠發揮和上述(5)同樣的效果。
(14)幾個實施形態中，於上述(13)的構成中， 　　更具備：診斷對象圖型記憶步驟，當前述圖型診斷步驟中的診斷結果不是異常的情形下，且當藉由前述閾值診斷步驟判定為異常的情形下，記憶依每一前述運轉圖型作成之前述診斷對象圖型。 　　按照上述(14)的構成，能夠發揮和上述(6)同樣的效果。
(15)幾個實施形態中，於上述(12)～(14)的構成中， 　　前述廠房，包含複數個機器， 　　前述運轉圖型，基於包含前述複數個機器的至少1個之對象機器的運轉狀態來設定。 　　按照上述(15)的構成，能夠發揮和上述(7)同樣的效果。
(16)幾個實施形態中，於上述(9)～(15)的構成中， 　　前述廠房，為包含發電機之發電廠。 　　按照上述(16)的構成，能夠發揮和上述(8)同樣的效果。 [發明之功效]
按照本發明的至少一個實施形態，係提供一種提升了異常的偵測能力之廠房的診斷裝置。
以下參照所附圖面說明本發明的幾個實施形態。惟，記載為實施形態或圖面所示之構成零件的尺寸、材質、形狀、其相對配置等，其旨意並非將本發明的範圍限定於此，而僅是單純的說明例。 　　例如，「朝某一方向」、「沿某一方向」、「平行」、「正交」、「中心」、「同心」或是「同軸」等表達相對性的或是絕對性的配置之表現，並非訂為僅嚴謹地表達這樣的配置，還表達帶有公差、或是帶有可獲得相同功能之程度的角度或距離而相對地位移之狀態。 　　例如，表達「同一」、「相等」及「均質」等事物相等的狀態之表現，並非訂為僅嚴謹地表達相等之狀態，還表達存在公差、或是存在可獲得相同功能之程度的差之狀態。 　　例如，表達四角形狀或圓筒形狀等形狀之表現，並非訂為僅表達幾何學上嚴謹的意味下之四角形狀或圓筒形狀等形狀，還表達於可獲得相同效果之範圍內包含凹凸部或倒角部等之形狀。 　　另一方面，「備」、「具」、「具備」、「包含」、或「具有」一個構成要素這樣的表現，並非將其他的構成要素的存在予以除外之排他性表現。
圖1為本發明的一個實施形態之廠房1的構成概略示意圖。圖1所示之廠房1係示例一般性的火力發電廠(發電廠)，藉由鍋爐2內的燃料的燃燒，將把流通於設置於鍋爐2的內部之傳熱管41等的流體予以加熱而生成的主蒸氣供給至蒸氣渦輪3而旋轉驅動，藉由蒸氣渦輪3的旋轉驅動令發電機32驅動來獲得發電輸出。然後，發電輸出為了送至消費地而以主變壓器11被變換成高電壓後，透過開關器12被送至送電線13。
更詳細地說，圖1所示之實施形態中，從貯煤場21以輸送帶22投入至煤倉23的煤(燃料)，經由給煤機24、粉碎裝置25(粉煤機)，通過粉煤管26被供給至燃燒器27，並且藉由鼓風機28使得空氣(2次空氣)通過2次空氣供給管29被供給至鍋爐2，來進行鍋爐2內的燃燒。 　　此外，藉由鍋爐2的內部的傳熱管41而生成的主蒸氣會通過主蒸氣管42將蒸氣渦輪3旋轉驅動後被導入至冷凝器31，於冷凝器31中，藉由循環水泵浦33經由冷卻水供給管34而被供給至冷凝器31的冷卻水會被冷卻。其後，從冷凝器31藉由冷凝泵浦35被抽起，通過給水管31p，經由設置於給水管31p之低壓給水加熱器36、脫氣器37、給水泵浦38、高壓給水加熱器39，循環至傳熱管41。在鍋爐2的內部還設置有再熱器43，來自蒸氣渦輪3的主蒸氣通過再熱蒸氣管44藉由再熱器43被再加熱，而再度被供給至蒸氣渦輪3。此外，在鍋爐2，設置有將附著於傳熱管41或再熱器43等熱交換器之煤或灰塵予以除去之吹灰機(soot blower)45。 　　另一方面，藉由鍋爐2中的燃料的燃燒而產生的廢氣，一面被引向誘導通風機17，一面經由設於煙道14之將氮氧化物從廢氣中除去之脫硝裝置15、將廢氣中的煤塵除去之電集塵器16、將除塵後的廢氣中的硫氧化物除去用之脫硫裝置18而無害化後，從煙囪19被排出至大氣中。此外，在鍋爐2產生的灰從鍋爐2的底部被排出後，通過灰渣斗(clinker hopper)46被送至灰處理設備47後被排出至外部，此外，在電集塵器16集塵的塵亦被送至灰處理設備47後被排出至外部。
像這樣，發電廠等的廠房1是由複數個機器(11～44)所構成，並且藉由複數個機器的各者正常運轉，來獲得例如若是發電廠則為發電輸出(發電機32的輸出)這樣的廠房輸出。惟，廠房1亦可由1個機器所構成。
此外，廠房1的至少1個參數(狀態量)，是以例如1分鐘間隔這樣任意的周期，藉由感測器等的狀態量監視手段而受到計測(監視)，而被用於廠房1之控制，並且被用於廠房1的運轉狀態之監視。作為參數，例如，鍋爐2中，為蒸氣及壓力的各自的溫度、壓力、流量等。此外，蒸氣渦輪3中，為振動、旋轉數、閥、風門(damper)的開度等。鼓風機28或誘導通風機17中為它們的驅動馬達M的電流、電壓、溫度等。發電機32中為潤滑油的溫度或壓力、或其輸出的電力、電壓、有效電力、無效電力、頻率等。流通於煙道14之SOx、NOx、O2的濃度等亦為參數。除此以外，圖1所示之實施形態中，粉碎裝置25或吹灰機45、煤倉23這些機器或閥的ON/OFF訊號等亦予以計測(監視)作為參數。
又，如圖1所示，廠房1，具備廠房1的診斷裝置5(以下僅稱為診斷裝置5)。診斷裝置5，為用來基於廠房1的運轉狀態而診斷廠房1之裝置，圖1所示之實施形態中，診斷裝置5，設置於中央控制室等和廠房1在距離上遠離之場所。針對診斷裝置5，利用圖2～圖7說明之。圖2為本發明的一個實施形態之廠房1的診斷裝置5示意圖。圖3為本發明的一個實施形態之有關廠房1的運轉狀態之參數的時間序列折線的示例，參數為粉碎裝置25的出口溫度。圖4為本發明的一個實施形態之發電輸出(廠房輸出)的時間序列折線。圖5為本發明的一個實施形態之診斷對象圖型Dp，係基於圖3而作成。圖6為和圖5的診斷對象圖型Dp相對應之正常時的繪製圖型F(Fn)示意圖。此外，圖7為本發明的一個實施形態之有關廠房1的運轉狀態之參數亦即GV-LH控制要求比例(%)的診斷對象圖型Dp(異常時)的示例。
如圖2所示，診斷裝置5，具備監視資料取得部51、診斷對象圖型作成部53、及圖型診斷部54。針對該些功能部說明之。另，診斷裝置5亦可藉由電腦來構成，具備未圖示之CPU(處理器)、或是ROM或RAM這類記憶體或輔助記憶裝置(記憶裝置Md)、外部通訊介面。又，CPU遵照被載入至主記憶裝置的程式(廠房1的診斷程式)之命令而動作(資料的演算等)，藉此實現上述的各功能部。
監視資料取得部51，取得有關廠房1的運轉狀態之參數(狀態量)的計測值亦即監視資料D，且為計測時期互異之複數個監視資料D(參照圖3)。也就是說，監視資料D，為藉由上述的狀態量監視手段而沿著時間軸計測出的計測值被資料化而成之物，監視資料取得部51，將有關至少1個參數之監視資料D取入至裝置(程式)內部。例如，複數個監視資料D，亦可預先被記憶於診斷裝置5所具備之記憶裝置Md，監視資料取得部51，亦可將例如1日份、3日份、1月份等任意設定的規定期間份的資料從記憶裝置Md讀出而取入至程式內部。或是，監視資料取得部51，亦可將規定期間份的複數個監視資料D，透過外部通訊介面來取得。另，上述的規定期間，亦可藉由操作診斷裝置5(診斷程式)之操作者的要求(操作)來指定。另，參數的計測值，亦可被施以移動平均或低通濾波等所致之訊號處理(前處理)後，再被資料化。此外，監視資料取得部51，亦可從有關複數種類的參數之監視資料D，僅對有關必要的參數之監視資料D(例如後述的粉碎裝置25的出口溫度等)做濾波(前處理)來取得。
此外，監視資料取得部51取得的複數個監視資料D，若沿著圖3所示之時間序列來繪製，則會成為隨時間經過而變化之物。圖3的示例，係參數的1者亦即粉碎裝置25的出口溫度(℃)的約1個月份之監視資料D以時間序列被繪製而成之物。另，圖3的示例，係和廠房1的運轉狀態為異常時之情形相對應，但後述之粉碎裝置25的出口溫度則低於用來偵測異常之管理值(上限閾值Tu)。
診斷對象圖型作成部53，係作成將複數個監視資料D的各者相對於發電輸出資料(廠房輸出資料)繪製而成之繪製圖型F亦即診斷對象圖型Dp(參照圖5)。前提是，對圖3所示這樣規定期間份的複數個監視資料D的各者，係和與該各者的監視資料D的計測時期一致之發電輸出資料(例如千瓩)建立著關連。也就是說，將計測時期、監視資料D、及發電輸出資料訂為1個記錄，例如作成將伴隨周期性的參數計測而生成之此記錄予以蒐集規定期間份而成之記錄組，基於此記錄組，診斷對象圖型作成部53將有關單一種類的參數(例如後述的粉碎裝置25的出口溫度等)之複數個監視資料D相對於發電輸出予以繪製，作成診斷對象圖型Dp。
更具體地說，上述的記錄組，亦可將和計測時期建立著關連之監視資料D(圖3)、及和計測時期建立著關連之發電輸出資料(圖4)，以計測時期為索引(key)予以建立關連，藉此作成。此記錄組可由診斷對象圖型作成部53作成，亦可由診斷對象圖型作成部53來接收其他功能部(例如未圖示之記錄組作成部)作成之物。參數與發電輸出的各者的計測時期，只要可合理地視為兩者計測時間點相對應，則即使兩者的計測時期有參差仍視為一致。
如此作成的診斷對象圖型Dp，例如可如圖5示例般顯示為將橫軸訂為發電輸出，將縱軸訂為監視資料D之散佈圖。也就是說、圖5中，散佈圖中的所有繪製的集合形狀(幾何形狀)為繪製圖型F，此繪製圖型F的全體為接受診斷之診斷對象圖型Dp。另，本說明書中，還會指定繪製圖型F的全體中的至少一部分的形狀而稱之繪製圖型F。又，診斷對象圖型Dp是依參數的每一種類而作成，圖5示例的診斷對象圖型Dp，為將粉碎裝置25的出口溫度相對於發電輸出予以繪製而作成者。
圖型診斷部54，基於診斷對象圖型Dp所具有的繪製圖型F，診斷廠房1。也就是說，圖型診斷部54，基於診斷對象圖型Dp的全體的繪製圖型F、或診斷對象圖型Dp所具有的部分的繪製圖型F(略稱為部分圖型)，來診斷廠房1的運轉狀態為正常，或是異常。這是依據本發明團隊發現之下述事實，即，於廠房1發生了異常之異常時，上述的診斷對象圖型Dp，會具有和廠房1的運轉狀態為正常之正常時相異的繪製圖型F。也就是說，發現了當廠房1發生了某些異常的情形下，診斷對象圖型Dp中，會至少部分地表現出可判定廠房1的異常之特徵性的繪製圖型F(後述的異常特徵繪製圖型Fx)。依此見解，本發明中，基於診斷對象圖型Dp所具有的繪製圖型F來進行廠房1之診斷。
例如，圖5所示之診斷對象圖型Dp，為於廠房1發生了某種異常之異常時基於粉碎裝置25的出口溫度(參數)的監視資料D而作成的診斷對象圖型Dp。又，圖5的診斷對象圖型Dp，具有發電輸出在大致W2之前溫度大概成為T1鄰近，並且發電輸出在大致W2～W4之間相對於發電輸出而言直線狀地增加至溫度T3附近這樣的繪製圖型F，而具有向下凸出這樣的部分圖型(第1異常時部分圖型Fxa)。 　　相對於此，如圖6所示，廠房1的運轉狀態為正常時之有關粉碎裝置25的出口溫度之繪製圖型F(正常時圖型Fn)，具有發電輸出在0～W1之間溫度會伴隨發電輸出的增加而呈對數函數狀地急遽揚升至T3，並且發電輸出在大致W1～W3之間溫度成為T3鄰近這樣的繪製圖型F，而具有向上凸出這樣的部分圖型(第1正常時部分圖型Fna)。 　　另，上述的發電輸出的值的關係為W1＜W2＜W3＜W4，溫度的關係為T1＜T2(後述)＜T3。此外，正常時圖型Fn亦可被記憶於記憶裝置Md。
又，將診斷對象圖型Dp(圖5)和正常時圖型Fn(圖6)比較，上述的第1異常時部分圖型Fxa(向下凸狀)，稱不上和圖6的第1正常時部分圖型Fna(向上凸狀)類似，由於此部分，即使將繪製圖型F全體性地比較，也稱不上類似。像這樣，將診斷對象圖型Dp，例如和廠房1為正常的情形下之繪製圖型F(散佈圖)亦即正常時圖型Fn(圖6)比較，當診斷對象圖型Dp相對於正常時圖型Fn而言顯示規定以上的類似度的情形下，可判定廠房1為正常(廠房1的運轉狀態為正常)。此外，如後述般，當判定出診斷對象圖型Dp具有後述的異常特徵繪製圖型Fx的情形下，可判定廠房1為異常(廠房1的運轉狀態為異常)。
此外，例如，如圖6所示，在正常時圖型Fn的外形的外側，以圍繞正常時繪製圖型之方式來設定管理值Ts(閾值)，當診斷對象圖型Dp的外形超出該管理值而突出至外側的情形下，亦可判定為異常。藉由此手法，亦可判定圖5的診斷對象圖型Dp和正常時圖型Fn相異，當相異的情形下，視為診斷對象圖型Dp具有異常特徵繪製圖型Fx。此管理值，亦可以服貼診斷對象圖型Dp的外形之方式設置(參照圖6)。此外，亦可階段性地設定2個以上的複數個管理值。具體來說，亦可將最內側的管理值訂為第1管理值，將以圍繞第1管理值的外側之方式設定的管理值訂為第2管理值，藉由是否超出第1管理值或第2管理值等，來判定異常的進展程度。在此情形下，圖6的上限閾值Tu會成為最終管理值。
將上述的診斷裝置5所做的診斷，和例如將監視資料D和基於經驗方式等而設定出的異常判定閾值(例如上限閾值Tu)予以比較藉此診斷廠房1之方法相比，那麼若依比較對象的診斷方法，即使實際上發生了異常，只要監視資料D尚未超出異常判定閾值，便無法偵測出異常。此外，監視資料D的值從異常發生開始推移，到了終於超出異常判定閾值才被偵測到，故直到偵測出異常前可能會需要相對較長的時間。但，藉由如上述般基於診斷對象圖型Dp所具有的繪製圖型F來診斷，即使當實際上異常發生了但監視資料D尚未超出異常判定閾值(圖5的T1)的情形下，仍可偵測異常。
是故，藉由基於診斷對象圖型Dp所具有的繪製圖型F來診斷廠房1，可達成廠房1的異常偵測精度的提升、或更早期地偵測異常、縮短異常發生起算至偵測所需的時間等，能夠使異常偵測能力飛躍性地提升。
此外，幾個實施形態中，如圖5、圖7所示般，上述的圖型診斷部54，具有異常診斷部55，當判定出診斷對象圖型Dp具有可判定廠房1是否為異常之特徵性的繪製圖型F亦即事先訂定好的異常特徵繪製圖型Fx的情形下，便診斷廠房1為異常。例如，圖5的示例中的異常特徵繪製圖型Fx，係成為和正常時圖型Fn的相對應之部分(第1正常時部分圖型Fna)相異的部分之向下凸出這樣的部分圖型(第1異常時部分圖型Fxa)，此外，係成為包含此第1異常時部分圖型Fxa之全體的繪製圖型F(Fx)。另，異常特徵繪製圖型Fx亦可被記憶於記憶裝置Md。
若示例其他的異常特徵繪製圖型Fx，可舉出圖7。圖7為本發明的一個實施形態之有關廠房1的運轉狀態之參數亦即GV-LH控制要求比例(%)診斷對象圖型Dp(異常時)的示例。也就是說、圖7為於廠房1發生了某種異常之異常時基於GV-LH控制要求比例(參數)的監視資料D而作成的診斷對象圖型Dp。圖7的診斷對象圖型Dp(異常特徵繪製圖型Fx)，如圖示般，在發電輸出小之區域(圖7中為W5以下之區域)相對於同一發電輸出而言係具有因縱軸的值相異而分開成2者之如鱷魚嘴巴般的繪製圖型F(第2異常時部分圖型Fxb)，包含其他部分在內之全體而言具有如鱷魚張開嘴巴般的繪製圖型F。已知廠房1的正常時圖型Fn(未圖示)，不會出現相當於上述的鱷魚嘴巴之部分圖型(Fxb)。故，當診斷對象圖型Dp具有相當於鱷魚嘴巴的繪製圖型(Fxb)的情形下，便能診斷廠房1為異常。
按照上述構成，藉由判定診斷對象圖型Dp是否具有預先訂定好的異常特徵繪製圖型Fx，便能偵測廠房1的異常。
此外，幾個實施形態中，上述的異常診斷部55，當診斷對象圖型Dp具有相對於異常特徵繪製圖型Fx而言顯示規定以上的類似度之繪製圖型F的情形下，便判定診斷對象圖型Dp具有異常特徵繪製圖型Fx。例如，亦可將診斷對象圖型Dp所具有的繪製圖型F所具有之幾何形狀、和異常特徵繪製圖型Fx或正常時圖型Fn(前述)之幾何形狀，利用可以規定的類似度來進行一致、不一致的判定之周知的圖型比對技術予以比較。像這樣藉由以類似度為基準來判定，可謀求判定的可靠性的提升。 　　按照上述構成，便能基於類似度來判定診斷對象圖型Dp是否具有異常特徵繪製圖型Fx。
此外，幾個實施形態中，如圖2所示，診斷裝置5，更具備將複數個監視資料D的各者因應預先訂定好的廠房1的運轉圖型Op予以分類之運轉圖型分類部52。又，上述的診斷對象圖型作成部53，是依每一運轉圖型Op來作成診斷對象圖型Dp。也就是說、本實施形態中，使用隸屬於同一運轉圖型Op之監視資料D，依每一運轉圖型Op來作成診斷對象圖型Dp，進行廠房1之診斷。
具體來說，運轉圖型分類部52，是將運轉圖型Op的識別符對規定期間份的監視資料D的各者建立關連，藉此將複數個監視資料D分類至運轉圖型Op。在此情形下，上述的1個記錄，會包含計測時期、監視資料D、發電輸出資料、運轉圖型識別符。又，診斷對象圖型作成部53，使用運轉圖型識別符為同一之記錄，依每一運轉圖型Op作成診斷對象圖型Dp。另，運轉圖型Op，係包含第1運轉圖型Opa等至少1個的運轉圖型Op。
另，例如若可藉由記號區分或顏色區分(參照後述圖8)等來依每一運轉圖型Op識別診斷對象圖型Dp，則即使所有的運轉圖型Op的診斷對象圖型Dp一起表示，其仍屬診斷對象圖型Dp依每一運轉圖型Op作成者。當輸出至顯示器等輸出裝置的情形下，亦可僅輸出(顯示)和操作者的要求(操作)相應之運轉圖型Op者，或僅輸出異常特徵繪製圖型Fx。
針對運轉圖型Op，利用圖8～圖9說明之。圖8為本發明的一個實施形態之運轉圖型Op別的診斷對象圖型Dp示意圖，為將圖5的診斷對象圖型Dp依運轉圖型Op別表現之圖。此外，圖9為和圖8的診斷對象圖型相對應之正常時的繪製圖型示意圖，為將圖6依運轉圖型別表現之圖。如圖8～圖9所示，幾個實施形態中，運轉圖型Op，亦可基於廠房1的運轉狀態來設定。圖8～圖9所示之實施形態中，運轉圖型Op，設有廠房1的起動時(Start Up)、負載變化時(Load Fluctuation)、負載一定時(Stable Load)、停止時(Shut Down)這4種。又，將複數個監視資料D分類至運轉圖型Op，基於每一運轉圖型Op的診斷對象圖型Dp來進行診斷，藉此便可使診斷精度進一步提升。
詳述之，在廠房1為正常時，有關粉碎裝置25的出口溫度之繪製圖型F，若僅著眼於負載變化時的運轉圖型Op，則如圖9所示，具有由在發電輸出(橫軸)為W2附近出口溫度會於T4附近略微散佈之部分圖型、及在發電機輸出為W2～W3之間溫度大概在T4成為一定之部分圖型所構成的繪製圖型F(第3正常時部分圖型Fnc)。 　　相對於此，圖8的診斷對象圖型Dp，具有由於在發電輸出(橫軸)為大致W2～W3之間相對於同一發電輸出而言出口溫度會取得互為遠離的2種值而圍繞空間般的形狀的繪製圖型F(第3異常時部分圖型Fxc)，可知和正常時圖型Fn(圖9)的相對應之部分為相異。也就是說，有關粉碎裝置25的出口溫度之診斷對象圖型Dp，可依負載變化時的運轉圖型Op中的診斷對象圖型Dp中，是否具有上述的第3異常時部分圖型Fxc來做診斷。
不過，當未依每一運轉圖型Op作成診斷對象圖型Dp的情形下，如圖5所示，雖目視辨認出類似於在發電機輸出為W2～W3之間以圍繞上述空間般分開成2者之異常特徵繪製圖型Fx的形狀，但無法判別該形狀是純因隸屬於負載變化時的運轉圖型Op之監視資料D而形成。假如，當圖5中的發電輸出為W2～W3之間的形狀是因隸屬於其他運轉圖型Op之監視資料D而形成的情形下，若依此形狀診斷為異常則有成為誤診斷之虞。是故，藉由基於每一運轉圖型Op的診斷對象圖型Dp來進行診斷，可使診斷精度進一步提升。
若示例其他的每一運轉圖型Op的診斷對象圖型Dp，可舉出圖10。圖10為本發明的一個實施形態之有關廠房1的運轉狀態之參數的1個亦即主蒸氣壓力的診斷對象圖型(異常時)的示例。也就是說、圖10為於廠房1發生了某種異常之異常時基於主蒸氣壓力的監視資料D而作成的診斷對象圖型Dp。如圖10所示，負載一定時(Stable Load)的運轉圖型Op的診斷對象圖型Dp，於發電輸出為W6下，主蒸氣壓力係在P1～P2(P1＜P2)的範圍內散佈，藉此具有線狀的繪製圖型F(第4異常時部分圖型Fxd)。 　　相對於此，有關主蒸氣壓力之正常時圖型Fn，於負載一定時為主蒸氣壓力成為一定者。換言之，若如圖10般顯示，則負載一定時(Stable Load)的運轉圖型Op的診斷對象圖型Dp會成為點狀的形狀。
此處，有關主蒸氣壓力之正常時圖型Fn，在負載一定時以外的其他運轉圖型Op中，於成為負載一定時之發電輸出(圖10的示例中為W6)，具有線狀的繪製圖型F(參照圖10的Load Fluctuation或Shut Down的運轉圖型Op)。因此，圖10的示例中同樣地，假使未對每一運轉圖型Op作成診斷對象圖型Dp的情形下，即使診斷對象圖型Dp於發電輸出為W6具有上述的線狀的繪製圖型F，仍無法判別繪製圖型F是否由隸屬於負載一定時的運轉圖型Op之監視資料D所形成。故，若監視資料D未被分類至運轉圖型Op，則無法進行適當的診斷。
惟，運轉圖型Op的設定，不限定於上述般基於廠房1的運轉狀態而設定之實施形態。其他幾個實施形態中，運轉圖型Op，亦可基於作為對象之機器亦即對象機器的運轉狀態來設定。如圖1所示，一般而言，廠房1是包含複數個機器(發電廠中為圖1的11～44等)而構成，對象機器，亦可包含複數個機器的至少1個。更詳細地說，對象機器，若是發電廠，則為用來獲得發電輸出所必要之最低限度的機器。基本上，為上述圖1中包含之所有機器，但發電廠因應其規模，粉碎裝置25或吹灰機45等會設置有複數台，該些機器因應電力需要而運轉或不運轉，其運轉狀態相異。
鑑此，例如亦可將運轉圖型Op，基於當粉碎裝置25為1台運轉時(第1運轉圖型Opa)、當粉碎裝置25為2台運轉時(第2運轉圖型Opb)、當粉碎裝置25為2台運轉且吹灰機45為運轉中時(第3運轉圖型Opc)等對象機器的運轉狀態的組合來設定。惟，運轉圖型Op不必包含對象機器的運轉狀態的所有組合，亦可抽出任意的組合來設定運轉圖型Op。此外，運轉圖型Op，亦可基於對象機器的運轉狀態、及上述廠房1的運轉狀態來設定。具體而言，運轉圖型Op，亦可將廠房1的起動時(起始時)訂為第1運轉圖型Opa，將粉碎裝置25為2台運轉且吹灰機45為運轉之狀態下廠房1運轉時訂為第2運轉圖型Opb，將除此以外訂為第3運轉圖型Opc等。又，運轉圖型Op，亦可基於對象機器的運轉狀態、或是除了對象機器的運轉狀態及廠房1的運轉狀態外，再加上包含濕度、外氣溫之外部環境的至少1者來設定。
其他幾個實施形態中，運轉圖型Op亦可基於發電輸出來設定，例如亦可設定為0以上未滿60MW時(第1運轉圖型Opa)、60MW以上未滿100MW時(第2運轉圖型Opb)、100MW以上時(第3運轉圖型Opc)等。其他幾個實施形態中，運轉圖型Op亦可基於參數的溫度、壓力這類單位來設定。
按照上述構成，是基於診斷對象圖型Dp所具有之每一運轉圖型Op的繪製圖型F，來診斷廠房1的異常。藉由進行基於依運轉圖型Op別的診斷對象圖型Dp之診斷，會避免藉由欲診斷之運轉圖型Op而形成的繪製圖型F，被隸屬於除此以外的其他運轉圖型Op之複數個監視資料D所埋沒，而能夠令異常特徵繪製圖型Fx確實地出現。是故，能夠謀求診斷精度的進一步提升。
此外，幾個實施形態中，如圖2所示，診斷裝置5，更具備基於複數個監視資料D的各者與依每一運轉圖型Op設立的閾值之比較，來診斷廠房1之閾值診斷部56。也就是說，上述的閾值診斷部56所使用的閾值，會成為用來偵測異常之最終管理值。更具體而言，閾值診斷部56，亦可僅基於上限閾值Tu來診斷，當找到至少1個超出上限閾值Tu值之監視資料D的情形下便判定廠房1為異常(參照圖3、圖5、圖6)。此外，閾值診斷部56，亦可基於上限閾值Tu及下限閾值Td雙方來監視，當找到至少1個成為了超出上限閾值Tu或低於下限閾值Td的其中一方之監視資料D的情形下便診斷為異常(參照圖7、圖10)。此外，上述的閾值(最終管理值)，是依參數的每一種類來設定，但此時，可依每一運轉圖型Op各自設定，亦可對所有的運轉圖型Op共通設定。
此外，診斷裝置5，亦可將複數個監視資料D分類至運轉圖型Op，依每一運轉圖型Op將監視資料D做統計性分析，藉此進行異常診斷。例如，針對主蒸氣的溫度(參數)，亦可作成對於額定負載運轉時等負載一定時(Stable Load)的運轉圖型Op的出現機率之直方圖，並且將從主蒸氣的溫度的值的平均起算2σ(σ：標準差)等規定的統計值設定為閾值(最終管理值)。在此情形下，閾值診斷部56，當找到至少1個偏離了規定的統計值以上之計測值(監視資料D)的情形下便診斷為異常。
按照上述構成，能夠謀求廠房1的異常的更確實之偵測。也就是說，上述圖型診斷部54所做的診斷中，即使診斷對象圖型Dp具有異常特徵繪製圖型Fx，在該異常特徵繪製圖型Fx被認知為示意異常之物前仍無法偵測到異常，但即使是這樣的異常，仍能藉由閾值診斷部56所做的診斷而偵測到。
此外，幾個實施形態中，診斷裝置5，於具備閾值診斷部56之上述實施形態中，亦可更具備診斷對象圖型記憶部57，該診斷對象圖型記憶部57係當圖型診斷部54中的診斷結果為非異常的情形下，且藉由閾值診斷部56而判定為異常的情形下，記憶依每一運轉圖型而作成之診斷對象圖型。也就是說，當發生了無法藉由圖型診斷部54中的診斷而偵測到之異常的情形下，將偵側到異常時之診斷對象圖型Dp(需分析診斷對象圖型)記憶至記憶裝置Md等。藉此，亦可用於用來提高診斷精度等之機械學習，如藉由分析1個以上的如此蓄積的需分析診斷對象圖型，來生成用於圖型診斷部54所做的診斷之新的異常特徵繪製圖型Fx，或生成閾值診斷部56用於診斷之管理值(第n管理值或最終管理值)等。
更具體而言，是將需分析診斷對象圖型設為異常特徵繪製圖型Fx，除此之外亦可基於與正常時圖型Fn之比較來生成異常特徵繪製圖型Fx。亦可以對有關同一種類的參數之複數個需分析診斷對象圖型會具有共通的特徵之方式來生成異常特徵繪製圖型Fx(部分圖型)。亦可將有關同一種類的參數之複數個需分析診斷對象圖型，運用群集化技術(例如EM法等)來分類，對被分類的每一群組例如生成平均化後的圖型等，來生成1個以上的異常特徵繪製圖型Fx。在此情形下，可望生成和異常原因相對應之異常特徵繪製圖型Fx等。亦可將有關複數種類的參數之需分析診斷對象圖型設為對象而進行上述般的分析。
此外，亦可將診斷為正常時之診斷對象圖型Dp同樣地記憶至記憶裝置Md等，可謀求基於正常時圖型Fn之診斷的精度提升。此外，亦可蒐集診斷為正常時之複數個診斷對象圖型Dp及複數個需分析診斷對象圖型，藉由群集化技術等以某些類似性來分類，藉此學習異常特徵繪製圖型Fx或正常時圖型Fn。
按照上述構成，針對藉由閾值診斷部56偵測到的異常，係圖型診斷部54中未被偵測到的診斷對象圖型Dp會被記憶(保存)至記憶裝置Md等。藉此，基於這樣的診斷對象圖型Dp例如藉由機械學習等來學習異常特徵繪製圖型Fx，藉此能夠提高圖型診斷部54所做的診斷精度，謀求廠房1的診斷精度之提升。
說明其他診斷裝置5所具備之功能。 　　上述般的異常特徵繪製圖型Fx(參照圖5、圖7、圖8、圖10)，可能藉由廠房1中發生相對應之特定的異常原因，而出現於診斷對象圖型Dp。鑑此，亦可對異常特徵繪製圖型Fx建立關連而記憶料想之異常原因，藉由辨明診斷對象圖型Dp所具有之異常特徵繪製圖型Fx，來進行異常原因之推定。更具體而言，診斷裝置5，亦可具有通知功能部，該通知功能部作為廠房1的診斷結果，除了異常、正常等結果外，還將和異常特徵繪製圖型Fx建立了關連之異常原因顯示於顯示器(輸出裝置)。像這樣，藉由將異常原因通知給操作者等，可謀求異常診斷時之調查或修復作業之迅速化。
再者，藉由機械學習等來學習和各種異常原因高度相關的機器或參數，藉此，當偵測到異常的情形下，亦可將用來把該異常恢復成正常狀態之有效操作(例如粉碎裝置25的動作台數變更等機器的運轉狀況之調整等)或設定好的參數的指示值反饋給遠距監視之廠房1的控制系統，藉此亦可有助於最佳的運轉。
此外，雖已講述了當診斷裝置5具備前述運轉圖型分類部52的情形下，因應預先訂定好的廠房1的運轉圖型Op來將複數個監視資料D做分類，但藉由機械學習等來學習，藉此便可將預先訂定好的運轉圖型Op改寫成更加適合異常偵測之運轉圖型Op、或新制定。另，進行上述各種機械學習時，亦可令其學習預先依每一運轉圖型Op分類好的資料，而非監視資料D本身，藉此可達成雜訊少之有效學習。
此外，診斷裝置5，於診斷時等，亦可基於上述的記錄組，將監視資料D依時間序列顯示、或具有可達成計測時期、監視資料D、發電輸出資料(廠房輸出資料)的3軸下的輸出(3維折線的輸出)之折線作成功能。藉此，能夠謀求異常徵兆等之分析、或異常時的調查之容易化。
此外，診斷裝置5，亦可具備用來從監視資料D推定廠房1的運轉設備之功能部。例如，當判定運用取得的監視資料D而作成的診斷對象圖型Dp，具有基於對象機器而設定之每一運轉圖型Op的正常時圖型Fn或異常特徵繪製圖型Fx的情形下，便可藉由該運轉圖型Op的內容來自動推定機器的構成。更具體而言，當該運轉圖型Op的內容，是粉碎裝置25為2台運轉且吹灰機45為運轉中之物的情形下，則推定出這樣的機器的構成。 　　另，上述功能的至少1者，亦可於接下來說明之廠房1的診斷方法中也同樣地進行。
以下利用圖11，說明和上述診斷裝置5進行的診斷相對應之廠房1的診斷方法。圖11為本發明的一個實施形態之廠房1的診斷方法示意圖。廠房1的診斷方法，為用來基於廠房1的運轉狀態而診斷廠房1之方法，如圖11所示，具備監視資料取得步驟(S1)、及診斷對象圖型作成步驟(S2)、及圖型診斷步驟(S4)。又，藉由執行本診斷方法，可偵測廠房1中發生之異常。本診斷方法，可由上述診斷裝置5或診斷程式來執行，亦可由進行廠房1的監視之監視者使用電腦等而以人手進行。 　　以下，針對廠房1的診斷方法，依圖11的步驟的順序說明之。另，圖11的各步驟，和上述同樣的名稱的功能部相對應，因此省略詳細說明。
圖11的步驟S1中執行監視資料取得步驟，取得上述複數個監視資料D。本實施形態中，步驟S2中，是執行將複數個監視資料D的各者因應上述的運轉圖型Op來做分類之監視資料分類步驟，惟本步驟亦可省略。下一步驟S3中是執行診斷對象圖型作成步驟，基於監視資料取得步驟(S1)中取得的複數個監視資料D(同一參數的計測值)，作成上述的診斷對象圖型Dp。另，本實施形態中，有實施監視資料分類步驟(S2)，故步驟S3中是依每一運轉圖型Op作成診斷對象圖型Dp。又，步驟S4中執行圖型診斷步驟，基於診斷對象圖型Dp所具有之繪製圖型F，診斷廠房1。
如圖11所示，幾個實施形態中，圖型診斷步驟(S4)中，亦可執行異常診斷步驟(S41)。更詳細地說，步驟S41中，判定診斷對象圖型Dp是否具有上述的異常特徵繪製圖型Fx。然後，當判定出診斷對象圖型Dp具有異常特徵繪製圖型Fx的情形下，步驟S42中，診斷廠房1為異常。例如，如上述般，亦可當診斷對象圖型Dp具有相對於異常特徵繪製圖型Fx而言顯示規定以上的類似度之繪製圖型F的情形下，便判定診斷對象圖型Dp具有異常特徵繪製圖型Fx。
反之，步驟S41中，當判定診斷對象圖型Dp不具有異常特徵繪製圖型Fx的情形下，如圖11所示，亦可執行閾值診斷步驟(S5)，基於每一運轉圖型Op的複數個監視資料D與依每一運轉圖型Op設立的閾值之比較來診斷廠房1。具體而言，步驟S5中，判定複數個監視資料D當中是否具有屬閾值外之值，當判定具有閾值外的監視資料D的情形下，判定為異常(回到S42)。如圖11所示，步驟S5與步驟S42之間的步驟S6中，亦可執行診斷對象圖型記憶步驟，記憶了依每一運轉圖型Op作成的診斷對象圖型Dp後，執行步驟S42而判定異常。反之，當判定沒有閾值外的監視資料D的情形下，結束診斷流程。
另，本診斷方法，亦可更具備當診斷對象圖型Dp具有相對於正常時圖型Fn而言顯示規定以上的類似度之繪製圖型F的情形下，便判定診斷對象圖型Dp為正常之正常判定步驟。此正常判定步驟，可於圖11中步驟S3與步驟S41之間執行，亦可於步驟S41與步驟S5之間執行。當正常判定步驟中診斷為正常的情形下，結束診斷流程，當不正常的情形下則執行下一步驟。
本發明不限定於上述實施形態，還包含對上述實施形態加入變形之形態、或將該些形態適當組合而成之形態。
1‧‧‧廠房
11‧‧‧主變壓器
12‧‧‧開關器
13‧‧‧送電線
14‧‧‧煙道
15‧‧‧脫硝裝置
16‧‧‧電集塵器
17‧‧‧誘導通風機
18‧‧‧脫硫裝置
19‧‧‧煙囪
M‧‧‧驅動馬達
2‧‧‧鍋爐
21‧‧‧貯煤場
22‧‧‧輸送帶
23‧‧‧煤倉
24‧‧‧給煤機
25‧‧‧粉碎裝置
26‧‧‧粉煤管
27‧‧‧燃燒器
28‧‧‧鼓風機
29‧‧‧2次空氣供給管
3‧‧‧蒸氣渦輪
31‧‧‧冷凝器
31p‧‧‧給水管
32‧‧‧發電機
33‧‧‧循環水泵浦
34‧‧‧冷卻水供給管
35‧‧‧冷凝泵浦
36‧‧‧低壓給水加熱器
37‧‧‧脫氣器
38‧‧‧給水泵浦
39‧‧‧高壓給水加熱器
41‧‧‧傳熱管
42‧‧‧主蒸氣管
43‧‧‧再熱器
44‧‧‧再熱蒸氣管
45‧‧‧吹灰機
46‧‧‧灰渣斗
47‧‧‧灰處理設備
5‧‧‧診斷裝置
51‧‧‧監視資料取得部
52‧‧‧運轉圖型分類部
53‧‧‧診斷對象圖型作成部
54‧‧‧圖型診斷部
55‧‧‧異常診斷部
56‧‧‧閾值診斷部
57‧‧‧診斷對象圖型記憶部
Md‧‧‧記憶裝置
D‧‧‧監視資料
Dp‧‧‧診斷對象圖型
F‧‧‧繪製圖型
Fx‧‧‧異常特徵繪製圖型
Fxa‧‧‧第1異常時部分圖型
Fxb‧‧‧第2異常時部分圖型
Fxc‧‧‧第3異常時部分圖型
Fxd‧‧‧第4異常時部分圖型
Fn‧‧‧正常時圖型
Fna‧‧‧第1正常時部分圖型
Fnc‧‧‧第3正常時部分圖型
Op‧‧‧運轉圖型
Opa‧‧‧第1運轉圖型
Opb‧‧‧第2運轉圖型
Opc‧‧‧第3運轉圖型
Tu‧‧‧上限閾值
Td‧‧‧下限閾值
Ts‧‧‧管理值
[圖1]本發明的一個實施形態之廠房的構成概略示意圖。 　　[圖2]本發明的一個實施形態之廠房的診斷裝置示意圖。 　　[圖3]本發明的一個實施形態之有關廠房的運轉狀態之參數的時間序列折線的示例，參數為粉碎裝置的出口溫度。 　　[圖4]本發明的一個實施形態之發電輸出(廠房輸出)的時間序列折線。 　　[圖5]本發明的一個實施形態之診斷對象圖型，係基於圖3而作成。 　　[圖6]和圖5的診斷對象圖型相對應之正常時的繪製圖型示意圖。 　　[圖7]本發明的一個實施形態之有關廠房的運轉狀態之參數亦即GV-LH控制要求比例(%)的診斷對象圖型(異常時)的示例。 　　[圖8]本發明的一個實施形態之運轉圖型別的診斷對象圖型示意圖，為將圖5的診斷對象圖型依運轉圖型別表現之圖。 　　[圖9]和圖8的診斷對象圖型相對應之正常時的繪製圖型示意圖，為將圖6依運轉圖型別表現之圖。 　　[圖10]本發明的一個實施形態之有關廠房的運轉狀態之參數的1個亦即主蒸氣壓力的診斷對象圖型(異常時)的示例。 　　[圖11]本發明的一個實施形態之廠房的診斷方法示意圖。

Claims (16)

  1. 一種廠房的診斷裝置，係用來基於廠房的運轉狀態而診斷前述廠房之廠房的診斷裝置，其特徵為，具備： 　　監視資料取得部，取得有關前述廠房的前述運轉狀態之參數的計測值亦即監視資料，且為計測時期互異之複數個監視資料；及 　　診斷對象圖型作成部，作成將前述複數個監視資料的各者對前述廠房的廠房輸出資料繪製而成之繪製圖型亦即診斷對象圖型；及 　　圖型診斷部，基於前述診斷對象圖型所具有之前述繪製圖型，診斷前述廠房。
  2. 如申請專利範圍第1項所述之廠房的診斷裝置，其中，前述圖型診斷部， 　　具有：異常診斷部，當判定出前述診斷對象圖型具有可判定前述廠房是否為異常之特徵性的繪製圖型亦即預先訂定好的異常特徵繪製圖型的情形下，診斷前述廠房為異常。
  3. 如申請專利範圍第2項所述之廠房的診斷裝置，其中，前述異常診斷部，當前述診斷對象圖型具有相對於前述異常特徵繪製圖型而言顯示規定以上的類似度之繪製圖型的情形下，判定前述診斷對象圖型具有前述異常特徵繪製圖型。
  4. 如申請專利範圍第1項至第3項中任一項所述之廠房的診斷裝置，其中，更具備：運轉圖型分類部，將前述複數個監視資料的各者因應預先訂定好的前述廠房的運轉圖型做分類， 　　前述診斷對象圖型作成部，依每一前述運轉圖型作成前述診斷對象圖型。
  5. 如申請專利範圍第4項所述之廠房的診斷裝置，其中，更具備：閾值診斷部，基於前述複數個監視資料的各者與閾值之比較，診斷前述廠房。
  6. 如申請專利範圍第5項所述之廠房的診斷裝置，其中，更具備：診斷對象圖型記憶部，當前述圖型診斷部中的診斷結果不是異常的情形下，且當藉由前述閾值診斷部判定為異常的情形下，記憶依每一前述運轉圖型作成之前述診斷對象圖型。
  7. 如申請專利範圍第4項所述之廠房的診斷裝置，其中，前述廠房，包含複數個機器， 　　前述運轉圖型，基於包含前述複數個機器的至少1個之對象機器的運轉狀態來設定。
  8. 如申請專利範圍第1項至第3項中任一項所述之廠房的診斷裝置，其中，前述廠房，為包含發電機之發電廠。
  9. 一種廠房的診斷方法，係用來基於廠房的運轉狀態而診斷前述廠房之廠房的診斷方法，其特徵為，具備： 　　監視資料取得步驟，取得有關前述廠房的前述運轉狀態之參數的計測值亦即監視資料，且為計測時期互異之複數個監視資料；及 　　診斷對象圖型作成步驟，作成將前述複數個監視資料的各者對前述廠房的廠房輸出資料繪製而成之繪製圖型亦即診斷對象圖型；及 　　圖型診斷步驟，基於前述診斷對象圖型所具有之前述繪製圖型，診斷前述廠房。
  10. 如申請專利範圍第9項所述之廠房的診斷方法，其中，前述圖型診斷步驟， 　　具有：異常診斷步驟，當判定出前述診斷對象圖型具有可判定前述廠房是否為異常之特徵性的繪製圖型亦即預先訂定好的異常特徵繪製圖型的情形下，診斷前述廠房為異常。
  11. 如申請專利範圍第10項所述之廠房的診斷方法，其中，前述異常診斷步驟，當前述診斷對象圖型具有相對於前述異常特徵繪製圖型而言顯示規定以上的類似度之繪製圖型的情形下，判定前述診斷對象圖型具有前述異常特徵繪製圖型。
  12. 如申請專利範圍第9項至第11項中任一項所述之廠房的診斷方法，其中，更具備：監視資料分類步驟，將前述複數個監視資料的各者因應預先訂定好的前述廠房的運轉圖型做分類， 　　前述診斷對象圖型作成步驟，依每一前述運轉圖型作成前述診斷對象圖型。
  13. 如申請專利範圍第12項所述之廠房的診斷方法，其中，更具備：閾值診斷步驟，基於前述複數個監視資料的各者與閾值之比較，診斷前述廠房。
  14. 如申請專利範圍第13項所述之廠房的診斷方法，其中，更具備：診斷對象圖型記憶步驟，當前述圖型診斷步驟中的診斷結果不是異常的情形下，且當藉由前述閾值診斷步驟判定為異常的情形下，記憶依每一前述運轉圖型作成之前述診斷對象圖型。
  15. 如申請專利範圍第12項所述之廠房的診斷方法，其中，前述廠房，包含複數個機器， 　　前述運轉圖型，基於包含前述複數個機器的至少1個之對象機器的運轉狀態來設定。
  16. 如申請專利範圍第9項至第11項中任一項所述之廠房的診斷方法，其中，前述廠房，為包含發電機之發電廠。
TW107105468A 2017-02-17 2018-02-14 廠房的診斷裝置及診斷方法 TWI665537B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-027915 2017-02-17
JP2017027915A JP6920828B2 (ja) 2017-02-17 2017-02-17 プラントの診断装置および診断方法

Publications (2)

Publication Number Publication Date
TW201841087A true TW201841087A (zh) 2018-11-16
TWI665537B TWI665537B (zh) 2019-07-11

Family

ID=63169761

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107105468A TWI665537B (zh) 2017-02-17 2018-02-14 廠房的診斷裝置及診斷方法

Country Status (6)

Country Link
US (1) US11480501B2 (zh)
JP (1) JP6920828B2 (zh)
KR (1) KR102303891B1 (zh)
CN (1) CN110291476A (zh)
TW (1) TWI665537B (zh)
WO (1) WO2018150785A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI785851B (zh) * 2021-10-19 2022-12-01 品捷能源科技有限公司 鍋爐動態監測方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11262743B2 (en) * 2018-11-21 2022-03-01 Sap Se Predicting leading indicators of an event
JP2020119136A (ja) * 2019-01-22 2020-08-06 株式会社豊田自動織機 異常検出システム
JP6684038B1 (ja) * 2019-04-03 2020-04-22 株式会社日立パワーソリューションズ 予兆保全設備、予兆保全方法及び予兆保全プログラム
JP2022170011A (ja) * 2021-04-28 2022-11-10 株式会社Sumco 状態判定装置及び状態判定方法

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5070468A (en) * 1988-07-20 1991-12-03 Mitsubishi Jukogyo Kabushiki Kaisha Plant fault diagnosis system
JPH0493610A (ja) 1990-08-03 1992-03-26 Hitachi Ltd 機器の異常監視装置
JP2000352528A (ja) 1999-06-10 2000-12-19 Mitsubishi Electric Corp トレンドグラフの表示方法
JP4403335B2 (ja) 2000-04-17 2010-01-27 ソニー株式会社 ビデオ処理機器の保守支援システム
US7539548B2 (en) 2005-02-24 2009-05-26 Sara Services & Engineers (Pvt) Ltd. Smart-control PLC based touch screen driven remote control panel for BOP control unit
EP2806321B1 (en) * 2008-02-27 2020-02-05 Mitsubishi Hitachi Power Systems, Ltd. Plant state monitoring method, plant state monitoring computer program, and plant state monitoring apparatus
JP5301310B2 (ja) 2009-02-17 2013-09-25 株式会社日立製作所 異常検知方法及び異常検知システム
JP5446481B2 (ja) * 2009-06-08 2014-03-19 凸版印刷株式会社 装置データ収集装置
JP5363927B2 (ja) * 2009-09-07 2013-12-11 株式会社日立製作所 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
JP5504838B2 (ja) 2009-11-17 2014-05-28 凸版印刷株式会社 異常検出方法及び異常検出システム
CN103003801B (zh) 2010-05-14 2016-08-03 哈尼施费格尔技术公司 用于远程机器监视的预测分析
JP5427107B2 (ja) * 2010-05-20 2014-02-26 株式会社日立製作所 監視診断装置および監視診断方法
JP5813317B2 (ja) 2010-12-28 2015-11-17 株式会社東芝 プロセス状態監視装置
JP5469131B2 (ja) * 2011-07-19 2014-04-09 株式会社日立製作所 プラントの診断方法及び装置。
EP2897012B1 (en) * 2012-10-25 2018-03-07 Mitsubishi Hitachi Power Systems, Ltd. Plant monitoring device, plant monitoring program, and plant monitoring method
JP5490277B2 (ja) * 2013-03-05 2014-05-14 三菱重工業株式会社 プラント運転状態監視方法
TWI648609B (zh) 2013-06-07 2019-01-21 美商科學設計股份有限公司 程序監控系統及方法
JP2015075821A (ja) * 2013-10-07 2015-04-20 横河電機株式会社 状態診断方法および状態診断装置
JP6116466B2 (ja) 2013-11-28 2017-04-19 株式会社日立製作所 プラントの診断装置及び診断方法
JP5715288B1 (ja) * 2014-08-26 2015-05-07 株式会社日立パワーソリューションズ 動態監視装置及び動態監視方法
WO2016129075A1 (ja) 2015-02-12 2016-08-18 富士電機株式会社 制御システム、および中継装置
WO2016185596A1 (ja) 2015-05-21 2016-11-24 三菱電機株式会社 遠隔監視装置、遠隔監視保守システム、遠隔監視方法、及び遠隔監視プログラム
JP6796373B2 (ja) * 2015-09-25 2020-12-09 三菱重工業株式会社 プラント運転システム及びプラント運転方法
JP6347771B2 (ja) * 2015-10-01 2018-06-27 株式会社Ihi 異常診断装置、異常診断方法及び異常診断プログラム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI785851B (zh) * 2021-10-19 2022-12-01 品捷能源科技有限公司 鍋爐動態監測方法

Also Published As

Publication number Publication date
TWI665537B (zh) 2019-07-11
US11480501B2 (en) 2022-10-25
JP6920828B2 (ja) 2021-08-18
CN110291476A (zh) 2019-09-27
WO2018150785A1 (ja) 2018-08-23
KR102303891B1 (ko) 2021-09-17
KR20190105056A (ko) 2019-09-11
US20190368973A1 (en) 2019-12-05
JP2018133033A (ja) 2018-08-23

Similar Documents

Publication Publication Date Title
TWI665537B (zh) 廠房的診斷裝置及診斷方法
JP6116466B2 (ja) プラントの診断装置及び診断方法
KR101995042B1 (ko) 감독 학습 방법론들을 활용하는 가스 터빈 고장 예측
US9983576B2 (en) Method and system for monitoring rotor blades in combustion turbine engine
US8996334B2 (en) Method and system for analysis of turbomachinery
JP6037954B2 (ja) ボイラチューブリーク検出装置、ボイラチューブリーク検出方法、並びにこれらを用いたデータ監視センタ、情報提供サービス、ボイラプラント。
JP2010504501A (ja) ボイラー管漏洩を検出するカーネルベースの方法
KR102285987B1 (ko) 건물 내 설비의 이상을 탐지하는 방법, 시스템 및 컴퓨터 프로그램
JP2012075308A (ja) 発電機運転の監視及び診断方法
US10430038B2 (en) Automated data overlay in industrial monitoring systems
CH708904A2 (de) Fernübertragung, Manipulation und Anzeige von Infrarotkameradaten, welche in einer Gasturbine aufgenommen werden.
JP2017010232A (ja) プラント診断装置及びプラント診断方法
CN117454290A (zh) 关于锅炉供热的智能化数据实时采集分析系统
JP6830414B2 (ja) 診断装置及び診断方法
JP5461136B2 (ja) プラントの診断方法及び診断装置
CN116399400B (zh) 一种锅炉机组运行故障检测方法及系统
WO2018003028A1 (ja) ボイラーの故障判定装置、故障判定方法およびサービス方法
Koukoura et al. An insight into wind turbine planet bearing fault prediction using SCADA data
CN115184556B (zh) 空气质量数据的异常值监测方法、系统及报警终端设备
Ogbonnaya et al. Use of Multiple Variable Mathematical Method for Effective Condition Monitoring of Gas Turbines
Jeyabalan et al. AN IMPROVED TURBOMACHINERY CONDITIONMONITORING METHOD USING MULTIVARIATE STATISTICAL ANALYSIS
Jagtap et al. Reliability analysis using condition monitoring approach in thermal power plants
Granderson et al. Fault Detection and Diagnostics for HVAC&R Equipment
Beretta Use of advanced analytics for health estimation and failure prediction in wind turbines
Chen et al. Thermal Power Plant Process Monitoring using Mutual Information and Distributed Statistical Model