TWI684858B - 徵兆偵測系統及徵兆偵測方法 - Google Patents

徵兆偵測系統及徵兆偵測方法 Download PDF

Info

Publication number
TWI684858B
TWI684858B TW107110432A TW107110432A TWI684858B TW I684858 B TWI684858 B TW I684858B TW 107110432 A TW107110432 A TW 107110432A TW 107110432 A TW107110432 A TW 107110432A TW I684858 B TWI684858 B TW I684858B
Authority
TW
Taiwan
Prior art keywords
data
machine
aforementioned
operation history
item
Prior art date
Application number
TW107110432A
Other languages
English (en)
Other versions
TW201901428A (zh
Inventor
岸真人
熊野信太郎
安部克彦
山本圭介
井上由彦
新妻瞬
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 TW201901428A publication Critical patent/TW201901428A/zh
Application granted granted Critical
Publication of TWI684858B publication Critical patent/TWI684858B/zh

Links

Images

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
    • G05B23/0243—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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

徵兆偵測系統，係具備有：資料取得部，係取得機器之運轉資料和代表機器之運轉履歷之運轉履歷資料；和推測部，係基於運轉資料、和運轉履歷資料、和針對機器之成為監視對象的參數而推測出在與運轉履歷資料相對應之時間點處的該參數之值之推測模型，來算出參數之推測值；和狀態評價部，係基於由推測部所致之參數之推測值、和在資料取得部所取得的運轉資料中所包含之參數之計測值或推測值，此兩者間之偏差，來對於機器之狀態進行評價。

Description

徵兆偵測系統及徵兆偵測方法
本發明，係有關於徵兆偵測系統及徵兆偵測方法。
本申請案，係根據在2017年3月29日於日本所申請之特願2017-66125號而主張優先權，並於此援用其內容。
在發電廠等之設備中，為了對於機器之動作的狀態進行監視，係會有使用有ANN(Artificial Nural Network)等之模型的情況。例如，在專利文獻1中，係記載有下述之構成：亦即是，藉由第1之ANN來模擬現在之設備的狀態，並藉由第2之ANN來模擬正常運轉時之設備的狀態，並且根據第1之ANN以及第2之ANN之輸出資料之差，來判斷故障之發生的有無。
[先前技術文獻] [專利文獻]
[專利文獻1]美國專利申請公開第2013/0318018號說明書
一般而言，在使用有專利文獻1等之中所記載之模式的監視中，多係將對於代表正常之狀態的製程值等進行學習所建構出的正常模型、和在監視對象之廠房等處所取得的製程值，此兩者進行比較，並當實際之製程值從正常模型而乖離的情況時，偵測出異常。於此種情況中，在正常模型之建構中所使用的資料，一般而言係為過去之資料。然而，在實際的廠房中，由於係存在有歷年變化，因此，若是並不對於正常模型進行更新，則正常模型係會與現狀之廠房的正常之狀態相互乖離，基於此正常模型所得到的監視精確度係會劣化。
本發明，係提供一種能夠解決上述之課題的徵兆偵測系統及徵兆偵測方法。
若依據本發明之第1態樣，則徵兆偵測系統，其特徵為，係具備有：資料取得部，係取得機器之運轉資料和代表對於前述機器之歷年變化造成影響的前述機器之運轉之實績或對於前述機器之維修之實績的運轉履歷資料；和推測部，係基於前述運轉資料、和前述運轉履歷資料、和針對前述機器之成為監視對象的參數而推測出反映有在經過了前述運轉履歷資料所代表的前述運轉或前述維修後之時間點處的前述機器之歷年變化之前述參數之值 之推測模型，來算出前述參數之第1推測值；和狀態評價部，係基於前述參數之第1推測值、和在前述資料取得部所取得的前述運轉資料中所包含之前述參數之計測值或第2推測值，此兩者間之偏差，來對於前述機器之狀態進行評價。
又，若依據本發明之第2態樣，則前述徵兆偵測系統，係亦可構成為：在前述運轉履歷資料中，係包含有前述機器之啟動次數以及停止次數之至少1者。
若依據本發明之第3態樣，則前述徵兆偵測系統，係亦可構成為：在前述運轉履歷資料中，係包含有前述機器之運轉時間、前述機器之各運轉形態下之運轉時間、從前述機器之導入起的經過時間，此些中之至少1者。
若依據本發明之第4態樣，則前述徵兆偵測系統，係亦可構成為：在前述運轉履歷資料中，係包含有對於前述機器而進行了維修檢查作業之次數、從對於前述機器而進行了維修檢查作業起的經過時間，此些中之至少1者。
若依據本發明之第5態樣，則前述徵兆偵測系統，係亦可構成為：在前述運轉履歷資料中，係包含有前述機器之輸出之累積值。
若依據本發明之第6態樣，則前述徵兆偵測系統，係亦可構成為：在前述運轉履歷資料中，係包含有對於前述機器進行監視之裝置所產生的警報資訊以及事件資訊之至少1者。
若依據本發明之第7態樣，則前述徵兆偵測系統，係亦可構成為：前述推測模型，係除了前述機器之運轉資料以及運轉履歷資料之外，更進而基於與前述機器相同種類之其他之機器的運轉資料以及運轉履歷資料，而建構之。
若依據本發明之第8態樣，則前述徵兆偵測系統，係亦可構成為：係更進而具備有：推測模型建構部，係基於前述運轉履歷資料、和在與該運轉履歷資料相對應的時間點處之前述機器之運轉資料，而建構前述推測模型。
若依據本發明之第9態樣，則前述徵兆偵測系統，係亦可構成為：前述狀態評價部，係更進而取得前述運轉履歷資料，並基於與前述運轉履歷資料所展現的運轉實績相對應之前述成為監視對象之參數的評價基準，來對於前述機器之狀態進行評價。
若依據本發明之第10態樣，則前述徵兆偵測系統，係亦可構成為：前述狀態評價部，係基於前述偏差、和前述偏差之履歷與實際所發生了的異常之間之對應關係，來對於將來所發生的異常進行預測。
若依據本發明之第11態樣，則徵兆偵測系統，其特徵為，係具備有：資料取得部，係取得機器之運轉資料和代表對於前述機器之歷年變化造成影響的前述機器之運轉之實績或對於前述機器之維修之實績的運轉履歷資料；和推測部，係基於前述運轉資料、和對於前述機器之成為監視對象的參數之值進行推測之推測模型，來算出 前述參數之第1推測值；和狀態評價部，係基於由前述推測部所致之前述參數之第1推測值、和在前述資料取得部所取得的前述運轉資料中所包含之前述參數之計測值或第2推測值，此兩者間之偏差、以及反映有在經過了前述運轉履歷資料所代表的前述運轉或前述維修後的時間點處之前述機器之歷年變化的前述成為監視對象之參數的評價基準，來對於前述機器之狀態進行評價。
若依據本發明之第12態樣，則徵兆預測方法，其特徵為：係使徵兆偵測系統進行下述步驟：取得機器之運轉資料和代表對於前述機器之歷年變化造成影響的前述機器之運轉之實績或對於前述機器之維修之實績的運轉履歷資料之步驟；和基於前述運轉資料、和前述運轉履歷資料、和針對前述機器之成為監視對象的參數而推測出反映有在經過了前述運轉履歷資料所代表的前述運轉或前述維修後之時間點處的前述機器之歷年變化之前述參數之值之推測模型，來算出前述參數之第1推測值之步驟；和基於前述第1推測值、和在前述運轉資料中所包含之前述參數之計測值或第2推測值，此兩者間之偏差，來對於前述機器之狀態進行評價之步驟。
若依據上述之徵兆偵測系統及徵兆偵測方法，則係成為能夠進行對於廠房等之歷年變化有所考慮的徵兆預測。
〈第1實施形態〉 　　以下，針對由本發明之第1實施形態所致之徵兆偵測系統，參考圖1～圖7而作說明。 　　係為對於使用本發明之徵兆偵測系統來進行監視的廠房之其中一例作展示之圖。 　　圖1中所示之成為監視對象之氣體渦輪機廠房，係具備有氣體渦輪機10、和發電機15、和進行氣體渦輪機10之動作的控制和監視之裝置20。氣體渦輪機10與發電機15，係藉由轉子14而被作連結。氣體渦輪機10，係具備有將空氣作壓縮而產生壓縮空氣之壓縮機11、和在壓縮空氣中使燃料氣體燃燒並產生高溫之燃燒氣體之燃燒器12、以及藉由燃燒氣體而驅動的渦輪機13。燃燒器12，係在對於燃燒器12供給燃料之各系統A、B、C的各者處，被與各者之燃料供給裝置(未圖示)作連接。在燃料供給裝置與燃燒器12之間，係被設置有對於各系統A～C之燃料之流量作調節的燃料流量調整閥16A、16B、16C。裝置20，係為藉由1台或複數台之電腦所構成的控制裝置等。裝置20，係對於IGV(IGV：inlet guide vane)17之開度作調節而對流入至壓縮機11中之空氣之流量作控制，並對於由燃料流量調整閥16A～16C之開度調整所致的對於燃燒器12之燃料氣體之供給量等作控制，而驅動渦輪機13，並使發電機15稼動。
裝置20，係從被設置在氣體渦輪機10或發電機15之各場所處的感測器而取得溫度、壓力等之計測資料。在計測資料中，不僅是包含有被導入至氣體渦輪機10之內部並在實際之運轉中所使用的燃料氣體或大氣等之物理性資料，而亦包含有運轉環境之溫度等的周圍之環境資訊。裝置20，係使用所取得的計測資料，而產生用以對於氣體渦輪機10作控制的控制訊號。在計測資料中，係包含有各感測器之辨識資訊、計測值、計測時刻等。在控制訊號中，係包含有該控制訊號所被輸出的時刻。裝置20，係將計測資料輸入至特定之推測模型(例如，用以算出氣體渦輪機10之某一狀態量的計算式等)中，並將藉由該推測模型所算出的推測值，作為計測資料之替代而取得，或者是與計測資料一同取得。係有將此推測值稱作第2推測值的情況。將此些之計測資料(或第2推測值)與控制訊號，總稱記載為製程資料。裝置20，係將所取得的計測資料與特定之臨限值作比較，若是計測資料超過或低於臨限值，則產生代表在氣體渦輪機10處產生有異常或者成為了應注意的狀態一事之警報資訊。裝置20，若是發生有氣體渦輪機10之啟動停止、氣體渦輪機10所具備的機器之動作(閥之開閉等)、運轉狀態之變更等，則係產生代表該些之發生的事件資訊。在警報資訊以及事件資訊中，係包含有各個資訊所被產生的時刻資訊。裝置20，係使未圖示之顯示裝置顯示製程資料、警報資訊、事件資訊，運轉人員，係對於被顯示於該顯示裝置處之計測資料和警報資訊等作監視，並進行氣體渦輪機10之運用。
裝置20，係將製程資料、警報資訊、事件資訊送訊至徵兆偵測裝置30處。針對製程資料，裝置20，例如，係在每特定周期、每次取得製程資料、於製程資料之值中發生有特定之變化的情況等時，對於徵兆偵測裝置30進行送訊。針對警報資訊、事件資訊，裝置20，例如係在每次產生該些之資訊時，送訊至徵兆偵測裝置30處。在本實施形態中，裝置20，係包含有在氣體渦輪機10之運轉中所需要的控制裝置、監視裝置等。相對於此，設置徵兆偵測裝置30之目的，係在於偵測出在氣體渦輪機10處之將來發生異常的徵兆，並將此對於運轉人員作通知。將製程資料、警報資訊、事件資訊總稱記載為運轉資料。
徵兆偵測裝置30，係偵測出在氣體渦輪機10處所發生之異常的徵兆。特別是，本實施形態之徵兆偵測裝置30，係使用對於氣體渦輪機10之歷年變化有所考慮的預測模型，來進行徵兆偵測。接著，針對徵兆偵測裝置30作說明。 　　圖2，係為本發明之第1實施形態中的徵兆偵測裝置之功能區塊圖。 　　如同圖2中所示一般，徵兆偵測裝置30，係具備有：資料取得部31、和推測部32、和狀態評價部33、和控制部34、和推測模型建構部35、和輸入輸出部36、以及記憶部37。 　　資料取得部31，係取得機器之運轉資料和代表機器之運轉履歷的運轉履歷資料。於此，所謂運轉履歷資料，例如，係包含有氣體渦輪機10之累積運轉時間、各運轉型態之個別運轉時間、從導入氣體渦輪機10並作設置起的經過時間、啟動次數、停止次數、啟動停止次數、氣體渦輪機10之輸出實績之累積值等的運轉履歷資料，對於氣體渦輪機10而進行了維修檢查作業的次數、從進行維修檢查作業起所經過的時間等之維修履歷資料。資料取得部31，係將所取得的運轉資料記錄在記憶部37中。 　　運轉履歷資料，係可使用代表氣體渦輪機10係身為稼動狀態一事的例如發電機15之輸出、氣體渦輪機10之啟動命令訊號、停止命令訊號等的製程資料，來算出之。例如，若是為累積運轉時間，則裝置20，係使用上述之製程資料來計算出1次之從啟動起直到停止為止的運轉時間，並將此作累積而算出累積運轉時間。例如，若是為啟動停止次數，則裝置20，係對於自身所輸出的啟動命令、停止命令的次數作計數，並將此作累積而算出啟動停止次數。裝置20，係算出此些之運轉履歷資料，資料取得部31，係從裝置20而取得運轉履歷資料。 　　裝置20，係記憶有對於氣體渦輪機10所進行了的過去之維修履歷之資訊，裝置20，係算出維修作業之累積次數、從進行維修作業等的經過時間等，資料取得部31，係從裝置20而取得維修履歷資料。
推測部32，係基於運轉資料、和運轉履歷資料、以及對於反映有與運轉履歷資料所代表的運轉實績相對應的歷年變化之監視對象參數之值作推測的推測模型，來算出參數之推測值。 　　狀態評價部33，係基於由推測部32所致之監視對象參數之推測值(第1推測值)、和資料取得部31所取得的氣體渦輪機10之監視對象參數之計測值或推測值(第2推測值)，此兩者間之偏差，來對於監視對象參數所代表的氣體渦輪機10之狀態進行評價。例如，當偏差係為特定之臨限值以上的情況時，係評價為該監視對象參數乃代表在氣體渦輪機10或其之一部分的機器處所產生的異常之徵兆。狀態評價部33，若是偵測出異常之徵兆，則係算出代表偵測到了異常徵兆一事之警報資訊、異常發生率、異常發生場所等的異常資訊。 　　控制部34，係進行徵兆偵測裝置30之啟動、停止、處理實行等的各種控制。
推測模型建構部35，係對於運轉履歷資料和對應於該運轉履歷資料(在經過了該運轉履歷資料所代表的運轉之時間點處的)機器之正常動作時之運轉資料作學習，並建構出對於在氣體渦輪機10之正常動作時的監視對象參數之值作推測之推測模型。推測模型建構部35所建構出的推測模型，係為對於氣體渦輪機10之歷年變化作了顯性考慮的模型。所謂推測模型，例如係為由ANN等之類神經網路、各種機械學習、深層學習、複迴歸分析等之各種統計性手法所致的模型。 　　輸入輸出部36，係將由狀態評價部33所致之評價結果和異常資訊的算出結果，對於顯示器、其他之裝置作輸出。輸入輸出部36，係受理由監視人員所致的對於徵兆偵測裝置30之指示資訊等之輸入操作。 　　記憶部37，例如，係記憶運轉資料等之各種的資料。
圖3，係為對於本發明之第1實施形態中的徵兆偵測處理作說明之圖。 　　推測部32，係具備有推測模型M。推測模型M，係為基於正常時的過去之運轉資料，而將輸入參數設為大氣溫度、大氣壓力、相對濕度、燃料流量指令值、燃料分配比設定、氣體渦輪機10之旋轉數、燃料流量調整閥16A～16C之閥開度、系統A～C之各者的燃料供給壓力、IGV開度、運轉時間、啟動停止次數等，並將輸出參數設為氣體渦輪機輸出、氣體渦輪機效率、車室壓力、各燃料系統之分歧(Manifold)壓力、各燃燒器之燃燒振動值、從渦輪機13而來之排氣溫度等的例如類神經網路模型。 　　推測部32，係將運轉資料中之對於監視對象參數(氣體渦輪機10之輸出、車室壓力等)之推測而言為必要的參數(大氣溫度、大氣壓力、燃料流量指令值等)，輸入至推測模型M中。推測部32，係將氣體渦輪機10之累積運轉時間、啟動停止次數等的運轉履歷資料，輸入至推測模型M中。推測模型M，係輸出反映有由直到現在為止的累積運轉時間和啟動停止次數所展現的氣體渦輪機10之歷年變化的氣體渦輪機輸出之推測值、車室壓力之推測值等。推測部32，係將由推測模型M所致之推測值，對於狀態評價部33作輸出。
狀態評價部33，係取得推測模型M所輸出的氣體渦輪機輸出等之監視對象參數之推測值、和資料取得部31所取得的現在的氣體渦輪機輸出等之計測值。狀態評價部33，係具備有減算器S和異常判定部D。減算器S，係算出所取得的由推測模型M所致之推測值與所對應的參數之計測值之間的偏差。例如，減算器S，係算出氣體渦輪機輸出之推測值與氣體渦輪機輸出之計測值之間的偏差。減算器S，係算出車室壓力之推測值與車室壓力之計測值之間的偏差。減算器S，係將所算出的身為監視對象之各參數之推測值與計測值之間的偏差，對於異常判定部D作輸出。異常判定部D，係將各參數之偏差與針對各參數之每一者所分別制定的偏差之臨限值作比較，而判定異常之徵兆的有無。例如，異常判定部D，係對於氣體渦輪機輸出之偏差和氣體渦輪機輸出用之臨限值作比較，若是氣體渦輪機輸出之偏差超過特定之臨限值，則針對氣體渦輪機輸出，係判定為存在有異常之徵兆。若是氣體渦輪機輸出之偏差係為臨限值以下，則異常判定部D，係針對氣體渦輪機輸出而判定為並不存在有異常之徵兆。
異常判定部D，係具備有異常資訊產生部D1。異常資訊產生部D1，係產生代表偵測到了異常徵兆一事之警報資訊、異常場所、異常發生率等的異常資訊。在警報資訊中，係包含有異常之內容、判定為存在有異常之徵兆時的時刻之資訊。異常資訊產生部D1，係亦可因應於推測值與計測值之偏差的大小，來推測出異常之規模、確定度、重大程度，並將該些之資訊包含在異常資訊中。異常資訊產生部D1，係因應於超過了臨限值的監視對象參數之種類，來判定是在氣體渦輪機10之何一部分處發生有異常，並推測出被預測有異常之發生的場所。異常資訊產生部D1，係基於過去之異常發生實績、故障實績等，而算出偵測到了異常之徵兆的部分之異常發生率或故障率。在記憶部37中，係被記憶有過去之故障實績的資訊。異常資訊產生部D1，係亦可基於複數之監視對象參數之值，而產生異常資訊。例如，係亦可當氣體渦輪機輸出和車室壓力之雙方的監視對象參數均超過臨限值的情況時，產生身為「異常X」之徵兆的警報資訊。
在基於先前技術之預測模型所進行的徵兆偵測中，多係並未對於廠房的歷年變化作考慮，因此，預測模型所推測出的監視對象參數之值，多會有從經過了某一期間之運轉的實際之廠房實態而有所乖離的情形。相對於此，在本實施形態中，係基於特定之推測模型，來推測出與歷年變化有所對應的現在之氣體渦輪機10之輸出參數之值。之後，將此推測值視為正確，並判定氣體渦輪機10之輸出參數之計測值是否身為正常的範圍之值。由於係以與現在之廠房之狀態相對應的臨限值作為基準來進行異常之判定，因此，係成為能夠進行精確度為高之徵兆偵測。
接著，針對本實施形態之推測模型之建構處理作說明。 　　圖4，係為對於本發明之第1實施形態中的推測模型之建構處理的其中一例作展示之流程圖。 　　首先，資料取得部31，係取得氣體渦輪機10之運轉資料並且取得與該運轉資料相對應的運轉履歷資料(步驟S11)。所謂與運轉資料相對應的運轉履歷資料，例如，當大氣溫度X、燃料流量指令值Y、氣體渦輪機10輸出Z等之運轉資料，係為在YYYY年MM月DD日hh時mm分ss秒處藉由感測器所計測到或者是藉由裝置20所輸出的運轉資料的情況時，係指直到YYYY年MM月DD日hh時mm分ss秒(或者是包含有此時間點之前後特定之期間)為止的累積運轉時間和啟動停止次數。所取得的運轉資料，係為在成為監視對象之氣體渦輪機10處所採取到的過去之正常運轉時之運轉資料。作為運轉履歷資料之例，除了累積運轉時間、啟動停止次數之外，係亦可包含有各運轉型態之個別運轉時間、啟動次數或運轉頻率、從設置氣體渦輪機10起的經過時間、導入後之由該氣體渦輪機10所致之輸出之累積值(MWh)、進行了維修檢查作業的次數、從進行維修檢查作業起所經過的時間等。所謂各運轉型態之個別運轉時間，例如，係為在額定運轉下之累積運轉時間、部分負載運轉下之累積運轉時間、負載變動時之累積運轉時間。例如，所謂各運轉型態之個別運轉時間，在將運轉型態分類為熱啟動(例如停止時間為8小時以內)、暖啟動(例如停止時間為24小時以內)、冷啟動(例如停止時間為超過24小時)的情況時，係為當在各型態的啟動態樣下而開始了運轉的情況時之累積運轉時間。例如，所謂各運轉型態之個別啟動次數，係為進行了熱啟動的累積啟動次數、進行了暖啟動的累積啟動次數、進行了冷啟動的累積啟動次數。例如，所謂各運轉型態之個別運轉頻率，例如係為在以運轉資料之採取日期作為基準的特定期間內而分別進行了幾次的熱啟動、暖啟動、冷啟動。所謂從設置氣體渦輪機10起的經過時間，係指氣體渦輪機10之設置後的包含有運轉時間以及停止時間之全部的經過時間。所謂進行了維修檢查作業之次數，係為將所對應的運轉資料之採取日期作為基準的直到該時間點為止所進行了的定期檢查、零件之修補或交換、零件之升級等的總次數。針對進行了維修檢查作業的次數，係亦可使用各檢查場所或各個進行了維修的零件之個別的維修檢查次數。所謂從進行維修檢查作業起所經過的時間，例如，係為從最初或最後進行定期檢查起所經過的時間，或者是當針對某一零件而進行有複數次的檢查或交換的情況時之從最後進行了零件交換起所經過的時間。
接著，資料取得部31，係將所取得的存在有對應關係之運轉資料和運轉履歷資料，在記憶部37中相互附加有對應地而作記錄(步驟S12)。 　　接著，推測模型建構部35，係判定在記憶部37中是否積蓄有對於推測模型之建構而言所需要的特定期間之量之運轉資料等(步驟S13)。當並未積蓄的情況時(步驟S13：No)，係反覆進行從步驟S11起之處理。當積蓄了特定期間之量之運轉資料等的情況時(步驟S13：Yes)，推測模型建構部35，係建構出推測模型M(步驟S14)。例如，推測模型建構部35，若是針對與某一運轉資料α相對應之運轉履歷資料β，而將運轉資料α中之輸入參數(大氣溫度、大氣壓力、燃料流量指令值等)和運轉履歷資料(累積運轉時間、啟動停止次數)輸入至該模型中，則係藉由ANN等之手法而建構出會輸出運轉資料中之監視對象參數(氣體渦輪機輸出、車室壓力等)一般的推測模型。推測模型建構部35，係將所建構出的推測模型M記錄在記憶部37中。接著，針對使用有所建構出的推測模型M之線上(ONLINE)的徵兆偵測處理之流程作說明。
圖5，係為對於本發明之第1實施形態中的徵兆偵測處理之其中一例作展示之流程圖。 　　首先，資料取得部31，係取得稼動中之氣體渦輪機10之運轉資料(步驟S21)。例如，資料取得部31，係經由裝置20而取得各種感測器所計測到的最新之計測值(大氣溫度、大氣壓力、氣體渦輪機10之輸出、車室壓力等)。資料取得部31，係從裝置20而取得裝置20所指示了的最新之控制訊號之值(IGV開度、燃料流量指令值、各燃料系統之閥開度等)。在此些之資料取得部31所取得的運轉資料中，係包含有輸入參數和監視對象參數(輸出參數)。資料取得部31，係從裝置20，而取得與所取得了的運轉資料相對應之運轉履歷資料(累積運轉時間、啟動停止次數、定期檢查後之經過時間等)。 　　資料取得部31，係將所取得的運轉資料中之輸入參數以及運轉履歷資料對於推測部32作輸出。資料取得部31，係將所取得的運轉資料中之監視對象參數對於狀態評價部33作輸出。
接著，推測部32，係從記憶部37而讀出推測模型M，並對於所讀出的推測模型M，而輸入從資料取得部31所取得的運轉資料(輸入參數)以及運轉履歷資料。推測模型M，係使用所被輸入之值，來算出監視對象參數之推測值(步驟S22)。推測部32，係將監視對象參數之推測值對於狀態評價部33作輸出。
接著，狀態評價部33，係算出從推測部32所取得的監視對象參數之推測值、和從資料取得部31所取得的監視對象參數之計測值，此兩者間之偏差(步驟S23)。例如，狀態評價部33所具備的減算器S，係從氣體渦輪機輸出之推測值而減去氣體渦輪機輸出之計測值。減算器S，係將所算出的偏差，輸出至狀態評價部33所具備的異常判定部D處。減算器S，係針對其他的監視對象參數而亦同樣地算出偏差，並將監視對象參數之辨識資訊(例如監視對象參數之名稱)與偏差相互附加對應而對於異常判定部D作輸出。
接著，狀態評價部33，係基於推測值與計測值之間之偏差，來進行監視對象參數之評價。例如，異常判定部D，係將針對各監視對象參數之每一者所分別制定的特定之臨限值和減算器S所算出的關於該監視對象參數之偏差作比較。異常判定部D，當偏差係超過臨限值的情況時，係判定存在有異常之徵兆，當偏差為臨限值以內的情況時，係判定並不存在有異常之徵兆。
當判定為係存在有異常之徵兆的情況時(步驟S26：Yes)，狀態評價部33，係經由輸出部104來將偵測到了異常之徵兆一事作通知(步驟S27)。例如，異常資訊產生部D1，係產生包含有被判定為存在有異常之徵兆的監視對象參數之名稱、異常發生時刻等的警報資訊。例如，異常資訊產生部D1，係基於監視對象參數而特定出異常發生場所，並產生代表異常發生場所之資訊。例如，異常資訊產生部D1，係基於過去之警報資訊而算出該警報之發生次數、或者是基於過去之異常資訊而算出在異常發生場所處之異常發生率等，並產生代表異常發生率之資訊。狀態評價部33，係亦可使用複數之監視對象參數，而判定異常徵兆之有無。例如，係亦可構成為：當關於監視對象參數K1之偏差為超過了臨限值時，狀態評價部33係判定為存在有異常K1’之徵兆，當關於監視對象參數K1之偏差和關於監視對象參數K2之偏差均為超過了各別之臨限值時，狀態評價部33係判定為存在有異常K2’之徵兆。將監視對象參數和異常發生場所相互附加有關連之資訊、過去之警報資訊、各異常發生場所之每一者之過去之異常資訊等，係被記錄在記憶部37中。狀態評價部33，係將異常資訊產生部D1所產生的警報資訊、異常發生率、異常發生場所之資訊等，對於輸入輸出部36作輸出。輸入輸出部36，係將警報資訊等顯示在被與徵兆偵測裝置30作了連接的顯示器上。
當判定為並不存在有異常之徵兆的情況時(步驟S26：No)，徵兆偵測裝置30，係進行徵兆偵測處理之結束判定(步驟S28)。例如，當監視人員將處理之停止命令經由輸入輸出部36而輸入至徵兆偵測裝置30中的情況時，控制部34，係判定為將徵兆偵測處理結束。當判定為將徵兆偵測處理結束的情況時(步驟S28：Yes)，控制部34，係將徵兆偵測處理停止。於此情況，本流程圖係結束。當繼續進行徵兆偵測處理的情況時(步驟S28：No)，係反覆進行從步驟S21起之處理。
所謂在步驟S24處而使徵兆被偵測出來的異常，例如，係為在數個小時之後可能會被裝置20判斷為異常發生一般的事態。或者是，係為在數個月之後可能會成為需要進行將運轉停止的維修作業一般的事態。若依據本實施形態之徵兆偵測裝置30，則係作為運轉履歷資料而例如使用累積運轉時間來建構出推測模型並算出推測值，藉由此，係能夠推測出對於廠房之歷年變化有所考慮的監視對象參數之值。雖然可以推測到，不僅是累積運轉時間，像是在此期間中之運轉負載或運轉條件等，也會對於機器之劣化有所影響，但是，藉由作為運轉履歷資料而使用例如氣體渦輪機輸出之累積值、各運轉型態之每一者的個別之運轉時間來進行推測模型之建構和推測值之算出，係能夠推測出對於廠房之稼動負載之程度的影響有所反映的監視對象參數之值。藉由作為運轉履歷資料而例如使用啟動停止次數、運轉頻率、維修作業次數、從維修作業起之經過時間等，來進行推測模型之建構和推測值之算出，係能夠推測出對於廠房之劣化或疲勞之程度有所考慮的監視對象參數之值。亦即是，由於係藉由將各種的運轉履歷資料作為參數而作了使用的推測模型M，來推測監視對象參數之值，因此，係能夠進行更為反映有現在的廠房之狀況的推測。藉由此，係成為能夠進行精確度為高之徵兆偵測。在上述之說明中，雖係以將推測模型M使用在徵兆偵測中的情況為例來作了說明，但是，係亦可使用在對於現在的廠房之運轉資料的異常判定中。狀態評價部33，係亦可並非單純進行異常徵兆之有無的判定，而構成為進而對於異常之發生機率作判定，特別是構成為就算是當並不存在有異常之徵兆的情況時，亦將廠房之運轉狀態以「良好」、「普通」、「負載略高」等之階段來進行評價並對於監視人員作通知。
作為對於推測模型M之輸入參數，在運轉資料中，係亦可除了製程資料(計測資料及控制訊號)之外，亦追加裝置20所產生的警報資訊或事件資訊。 　　圖6，係為對於本發明之第1實施形態中的徵兆偵測處理之其他例作說明之圖。 　　在圖6中所示之第1實施形態之變形例中，係對於推測模型M’，而除了圖3中所說明了的輸入參數之外，亦輸入有警報資訊和事件資訊。推測模型建構部35，係取得包含有警報資訊、事件資訊之輸入參數，並建構出推測模型。此時，當使用有對於過去的時間序列之變化作學習的學習手法(RNN：Recurrent Neural Network等)的情況時，作為運轉資料，係可輸入時間序列的製程資料、警報資訊、事件資訊。在並不對於時間序列之變化作學習之模型的情況時，例如，係亦可將在特定時間內所發生了的警報資訊或事件資訊作輸入，並建構出推測模型M’。
在圖6之構成的情況時，於徵兆偵測處理中，資料取得部31，係除了在圖3中所說明了的輸入參數之外，亦進而取得警報資訊和事件資訊，推測部32，係推測出除了累積稼動時間等之外亦對於警報資訊和事件資訊之發生狀況有所反映的監視對象參數之值。例如，就算是大氣溫度、燃料流量指令值、累積運轉時間等的輸入參數之值為相同，在發生有警報資訊的狀況和並未發生的狀況中，監視對象參數也會有大幅度相異的可能性。就算是大氣溫度、燃料流量指令值、累積運轉時間等的輸入參數之值為相同，看起來並不會有所關連的機器之動作(事件資訊)也會間接性地賦予有影響，其結果，係會有亦對於監視對象參數之值造成影響的可能性。若是身為圖6中所例示的推測模型M’，則係能夠亦包含有至今為止並未被注意到的與警報資訊或事件資訊之間之關係地，來對於監視對象參數之值進行推測。 　　在上述之說明中，雖係設為使用有警報資訊和事件資訊之雙方，但是，係亦可構成為僅使用有其中1者。
在推測模型M、M’之建構中所使用的學習資料，係以多為理想。故而，係亦可並不僅是使用在監視對象廠房處所採取到的運轉資料、運轉履歷資料，而是除了監視對象廠房之運轉資料以外亦更進而使用藉由同種類之廠房、機器所採取到的運轉資料、運轉履歷資料，來進行推測模型M、M’之建構。
在圖2中所例示之徵兆偵測裝置30中，雖係針對徵兆偵測裝置30為具備有推測模型建構部35的情況來作了例示，但是，係亦可設為並不具備有推測模型建構部35之構成。於此情況，例如，係構成為藉由其他的電腦來建構出推測模型M，並將該推測模型M記錄在記憶部37中。
徵兆偵測裝置30，係可利用在廠房狀態之未來預測中。例如，若是能夠對於某一監視對象參數所代表之值的變遷作預測，則係能夠對於與該監視對象參數有所關連的零件之劣化的進展速度或交換時期之推測、維修計畫之立案等有所幫助。
圖7，係為對於由本發明之第1實施形態中的徵兆偵測裝置所致之異常發生之預測及其效果作說明之圖。 　　圖7中所示之圖表的縱軸，係代表關連於在氣體渦輪機10中所使用的零件P之監視對象參數Q之值，橫軸，係代表氣體渦輪機10之從稼動開始起的累積稼動時間。例如，氣體渦輪機10，假設係建立有以額定負載來持續進行運轉的運轉計畫。於此情況，針對成為在將來的運轉中之對於推測模型M的輸入參數之運轉資料(大氣溫度等)之值，係能夠根據過去之運轉實績來算出之。輸入至推測模型M中之運轉履歷資料，假設係為累積稼動時間。現在的累積稼動時間係為T0，在此時間點處之由推測模型M所致之監視對象參數Q之推測值係為R0。零件P，係制定為若是監視對象參數Q之值成為臨限值R以下，則必須要進行交換。徵兆偵測裝置30，假設係構成為除了進行徵兆偵測之動作模式以外，亦能夠以進行監視對象參數之趨勢預測的動作模式來動作。在進行趨勢預測之動作模式中，徵兆偵測裝置30，係將在被指定了的期間(例如藉由累積運轉時間來指定)中之由推測模型M所致之監視對象參數之推測值作輸出。
在此些之條件下，維修計畫之立案者，係能夠如同下述一般地來計畫零件P之交換時期。例如，立案者，係對於徵兆偵測裝置30，而進行使其以進行監視對象參數Q之趨勢預測的動作模式來動作之輸入。接著，立案者，係將基於過去之運轉實績的關連於將來之運轉之輸入參數(大氣溫度等)之值、和作為所指定的期間之累積運轉時間T0～T3，輸入至徵兆偵測裝置30處。 　　如此一來，控制部34，係開始監視對象參數之趨勢預測處理。首先，輸入輸出部36，係受理此些之值的輸入，並將輸入參數之值對於資料取得部31作輸出，且將累積運轉時間T0～T3對於控制部34作輸出。如此一來，控制部34，係在累積運轉時間T0處加算上特定期間ΔT，並將加算後的累積運轉時間T0＋ΔT對於資料取得部31作輸出。資料取得部31，係將輸入參數和累積運轉時間T0＋ΔT對於推測部32作輸出。推測部32，係算出在累積運轉時間T0＋ΔT中的監視對象參數Q之推測值。若是推測值之算出結束，則控制部34，係將累積運轉時間T0＋2・ΔT對於資料取得部31作輸出。推測部32，係算出在累積運轉時間T0＋2・ΔT中的監視對象參數Q之推測值。以下，同樣的，推測部32，係一面使累積運轉時間一次作ΔT之增加，一面反覆進行直到累積運轉時間到達T3為止的監視對象參數Q之推測值之算出。藉由此種處理，係得到圖表q1。立案者，係基於圖表q1，而掌握到若是累積運轉時間成為T2，則監視對象參數Q會到達臨限值R，而必須要進行零件P之交換。例如，假設若是被計畫為在累積運轉時間成為T1時要進行定期檢查，則立案者，係可立案有在此時序處進行零件P之交換的計畫。徵兆偵測裝置30，係可同樣的亦對於零件P交換後之監視對象參數Q之值而進行預測(圖表q2)。
〈第2實施形態〉 　　以下，針對由本發明之第2實施形態所致之徵兆偵測系統，參考圖8～圖11而作說明。 　　針對第2實施形態之徵兆偵測裝置30A作說明。徵兆偵測裝置30A，係藉由與第1實施形態相異之方法來進行異常徵兆之偵測。在第1實施形態中，推測模型M係進行了對於廠房之歷年變化有所考慮的監視對象參數之推測。在此第2實施形態中，狀態評價部33A，係藉由對於廠房之歷年變化有所考慮的評價方法，來進行監視對象參數之評價。
圖8，係為本發明之第2實施形態中的徵兆偵測裝置之功能區塊圖。 　　在本發明之第2實施形態之構成中，針對構成與第1實施形態之徵兆偵測裝置30的功能部相同之構成，係附加相同的元件符號，並省略各者之說明。如同圖示一般，徵兆偵測裝置30A，係具備有：資料取得部31、和推測部32、和狀態評價部33A、和控制部34、和推測模型建構部35、和輸入輸出部36、和記憶部37、和判定模型建構部38、以及異常實績資料取得部39。 　　狀態評價部33A，係除了監視對象參數之推測值以及計測值以外，更進而取得運轉履歷資料，並基於與運轉履歷資料所展現的運轉實績相對應之評價基準，來對於機器之狀態進行評價。 　　判定模型建構部38，係對於包含有異常發生時之資料的監視對象參數之推測值以及計測值以外和在該時間點處之運轉履歷資料作學習，並建構出用以算出與運轉履歷資料所展現的運轉實績相對應之評價基準的判定模型。 　　異常實績資料取得部39，係針對在過去所發生了的異常，而取得該異常之內容(種類、規模)、異常之發生場所、對於異常之對應方法、異常發生時之監測對象參數之推測值以及計測值、在該時間點處之運轉履歷資料等的資訊。
圖9，係為對於本發明之第2實施形態中的徵兆偵測處理作說明之圖。 　　關於推測模型M’和減算器S，係與在圖3、圖6中所作了說明者相同。亦即是，推測模型M’，係為基於過去之正常時的運轉資料來推測出與歷年變化有所對應之監視對象參數之值的推測模型。減算器S，係算出各監視對象參數之推測值與計測值之偏差，並對於異常判定部D作輸出。
本實施形態之狀態評價部33A所具備的異常判定部D，係具備有判定模型N。判定模型N，係算出在經過了運轉履歷資料所展現的運轉後之時間點處的評價基準。例如，針對某一監視對象參數，在運轉年數為短的時間點處，假設若是推測值與計測值之間之偏差為「10」，則係適合於判定為異常徵兆。另一方面，假設若是運轉年數變長，則例如若是推測值與計測值之偏差成為「10」，則與運轉年數為短的情況時相異，偏差會在其後而急速地增大，並會相較於運轉年數為短的情況時而在相當早的時期中發生異常。於此種情況，可以想見，無關於使用推測模型M’而算出對於監視對象參數的歷年變化有所考慮的推測值一事，而係以亦針對臨限值而因應於累積運轉時間(運轉履歷資料)來作變更一事為適當。於此種情況，判定模型N，係基於與累積運轉時間相對應的臨限值之值(例如「5」)來判定為係存在有異常徵兆。
作為判定模型N之其他例子，係可考慮有代替運轉履歷資料而輸入特定期間之量的運轉資料並進行異常徵兆之判定的模型。例如，以監視對象參數a1、a2、a3為對象，而假設起因於此些之3個的監視對象參數之偏差之形態(偏差之履歷)所發生的異常係為相異。判定模型N，係記憶有針對1個或複數個的監視對象參數(例如，監視對象參數a1、a2、a3之各者)之由推測模型M’所致之推測值與計測值之間之偏差的履歷、和針對各者之偏差的履歷而實際發生了的異常，此兩者間的對應關係。於此種情況，係設為針對參數a1、a2、a3而將由推測模型M’所致之推測值與實際之計測值之間的偏差之資訊預先在記憶部37中作了特定期間之量的記錄。在判定模型N中，係輸入有減算器S針對記錄在記憶部37中的以現在作為基準之過去之特定期間之量之1個或複數個的監視對象參數(例如，監視對象參數a1、a2、a3)之各者而算出的偏差之時間序列之資訊(偏差的履歷)。判定模型N，係因應於所輸入了的在特定期間中之偏差之履歷，來基於上述之對應關係而對於異常徵兆作判定。藉由此，係能夠進行對於監視對象參數之在時間經過中的變化作了考慮的異常徵兆之偵測。
在上述之例中，雖係構成為將運轉履歷資料包含在判定模型N之輸入參數中，但是，係亦可構成為更進而將警報資訊以及事件資訊中之至少1者包含在輸入參數中並對於異常徵兆進行判定。
接著，針對本實施形態之推測模型之建構處理之例作說明。 　　圖10，係為對於本發明之第2實施形態中的判定模型之建構處理的其中一例作展示之流程圖。 　　作為前提，假設針對某一異常，而預先制定有是要基於何者之監視對象參數來進行異常徵兆之判定並且要將異常發生之前的何者之時間點作為異常徵兆偵測時間點。 　　首先，資料取得部31，係取得與在異常發生時和直到異常之發生為止的特定期間中之由推測模型M(或者是M’)所致的推測值與計測值之間之偏差資料相對應之運轉履歷資料(步驟S31)。接著，資料取得部31，係將所取得的存在有對應關係之異常時之偏差資料和運轉履歷資料，在記憶部37中相互附加有對應地而作記錄(步驟S32)。異常實績資料取得部39，係取得與在步驟S31中所取得的異常時之偏差資料相對應之異常資訊(異常之種類、規模、發生場所、對應方法等)，並對於記憶部37作記錄(步驟S33)。接著，判定模型建構部38，係建構出判定模型N(步驟S34)。例如，判定模型建構部38，係根據針對實際發生了的某一異常之偏差之履歷與累積運轉時間之間的關係，來算出累積運轉時間與異常發生時之偏差之大小的關係。判定模型建構部38，係算出在直到異常發生為止之前的被制定為異常徵兆偵測時間點之特定期間前之時間點處的偏差，並將此偏差之值設為異常徵兆偵測之臨限值。判定模型建構部38，係算出在設定了臨限值的時間點處之累積運轉時間。判定模型建構部38，係將所算出的累積運轉時間和臨限值以及異常資訊設為組，並記錄在記憶部37中。藉由此，係能夠針對各異常之種類，而分別設定與廠房之累積運轉時間相對應的臨限值。
圖11，係為對於本發明之第2實施形態中的徵兆偵測處理之其他例作說明之圖。 　　在圖11所示之例中，係並不對於推測模型M’’輸入運轉履歷資料。相對於此，針對判定模型N，係進行有運轉履歷資料、警報資訊之輸入。如同圖11中所示一般，係在使用有並未對於歷年變化作考慮的推測模型之一般性之異常徵兆偵測中，僅對於異常徵兆之判定處理而輸入運轉履歷資料，並基於與歷年變化相對應的評價基準，來進行異常徵兆之判定。藉由此，係成為能夠進行對於廠房等之歷年變化有所考慮的異常徵兆偵測。 　　在判定模型N之建構和異常徵兆判定中所使用的運轉履歷資料之種類，係並不被限定於累積運轉時間，而可使用在第1實施形態之推測模型M(圖3等)中所例示的種類之運轉履歷資料。
在圖2中所例示之徵兆偵測裝置30A中，雖係針對徵兆偵測裝置30A為具備有判定模型建構部38、異常實績資料取得部39的情況來作了例示，但是，係亦可設為並不具備有該些之功能部之構成。於此情況，例如，係構成為藉由其他的電腦來建構出判定模型N，並將該判定模型N記錄在記憶部37中。
若依據本實施形態，則係能夠基於與廠房之歷年變化、稼動負載、運轉條件等有所對應的評價基準，來進行異常徵兆偵測。係可配合於此來作變更。
在上述之第1實施形態、第2實施形態中，雖係作為基於第1推測值和監視對象參數之計測值之間之偏差來進行徵兆偵測的情況作了說明，但是，係亦可代替監視對象參數之計測值，而使用第2推測值，並基於第1推測值與監視對象參數之第2推測值之間的偏差來進行徵兆偵測。
上述之徵兆偵測裝置30、30A，係為徵兆偵測系統之其中一例。在徵兆偵測裝置30、30A中之各處理的過程，係以程式之形態而被記錄在電腦可讀取之記錄媒體中，並藉由將此程式讀入至徵兆偵測裝置30、30A之電腦中且實行，來進行上述處理。於此，所謂電腦可讀取之記錄媒體，係指磁碟、光磁碟、CD-ROM、DVD-ROM、半導體記憶體等。亦可將此電腦程式藉由通訊線路而發佈至電腦處，並使接收了此發佈之電腦實行該程式。
上述程式，係亦可為用以實現前述之功能的一部分者。 　　進而，亦可為將前述之功能藉由與已被記錄在電腦系統中之程式間的組合來實現者，也就是亦可為所謂的差分檔案(差分程式)。 　　徵兆偵測裝置30、30A，係可藉由1台的電腦而構成，亦可藉由被可通訊地作了連接的複數之電腦而構成。
除此之外，在不脫離本發明之要旨的範圍內，係可適宜將上述之實施形態中的構成要素置換為周知之構成要素。本發明之技術範圍，係並不被限定於上述之實施形態，在不脫離本發明之要旨的範圍內，係能夠施加各種之變更。 [產業上的利用可能性]
依據上述之徵兆偵測系統及徵兆偵測方法，若依據本發明，則係成為能夠進行對於廠房等之歷年變化有所考慮的徵兆預測。
10‧‧‧氣體渦輪機15‧‧‧發電機20‧‧‧裝置11‧‧‧壓縮機12‧‧‧燃燒器13‧‧‧渦輪機14‧‧‧轉子16A、16B、16C‧‧‧燃料流量調整閥17‧‧‧IGV30、30A‧‧‧徵兆偵測裝置31‧‧‧資料取得部32‧‧‧推測部33‧‧‧狀態評價部34‧‧‧控制部35‧‧‧推測模型建構部36‧‧‧輸入輸出部37‧‧‧記憶部38‧‧‧判定模型建構部39‧‧‧異常實績資料取得部A、B、C‧‧‧燃料系統D‧‧‧異常判定部M、M’‧‧‧推測模型P‧‧‧零件Q‧‧‧監視對象參數
[圖1]係為對於使用本發明之徵兆偵測系統來進行監視的廠房之其中一例作展示之圖。
[圖2]係為本發明之第1實施形態中的徵兆偵測裝置之功能區塊圖。
[圖3]係為對於本發明之第1實施形態中的徵兆偵測處理作說明之圖。
[圖4]係為對於本發明之第1實施形態中的推測模型之建構處理的其中一例作展示之流程圖。
[圖5]係為對於本發明之第1實施形態中的徵兆偵測處理之其中一例作展示之流程圖。
[圖6]係為對於本發明之第1實施形態中的徵兆偵測處理之其他例作說明之圖。
[圖7]係為對於由本發明之第1實施形態中的徵兆偵測裝置所致之異常發生之預測及其效果作說明之圖。
[圖8]係為本發明之第2實施形態中的徵兆偵測裝置之功能區塊圖。
[圖9]係為對於本發明之第2實施形態中的徵兆偵測處理作說明之圖。
[圖10]係為對於本發明之第2實施形態中的判定模型之建構處理的其中一例作展示之流程圖。
[圖11]係為對於本發明之第2實施形態中的徵兆偵測處理之其他例作說明之圖。
30‧‧‧徵兆偵測裝置
31‧‧‧資料取得部
32‧‧‧推測部
33‧‧‧狀態評價部
34‧‧‧控制部
35‧‧‧推測模型建構部
36‧‧‧輸入輸出部
37‧‧‧記憶部

Claims (12)

  1. 一種徵兆偵測系統，其特徵為，係具備有：資料取得部，係取得機器之運轉資料和代表對於前述機器之歷年變化造成影響的前述機器之運轉之實績或對於前述機器之維修之實績的運轉履歷資料；和推測部，係基於前述運轉資料、和前述運轉履歷資料、和針對前述機器之成為監視對象的參數而推測出反映有經過了前述運轉履歷資料所代表的前述運轉或前述維修後之時間點處的前述機器之歷年變化之前述參數之值之推測模型，來算出前述參數之第1推測值；和狀態評價部，係基於前述參數之第1推測值、和在前述資料取得部所取得的前述運轉資料中所包含之前述參數之計測值或第2推測值，此兩者間之偏差，來對於前述機器之狀態進行評價。
  2. 如申請專利範圍第1項所記載之徵兆偵測系統，其中，在前述運轉履歷資料中，係包含有前述機器之啟動次數以及停止次數之至少1者。
  3. 如申請專利範圍第1項或第2項所記載之徵兆偵測系統，其中，在前述運轉履歷資料中，係包含有前述機器之運轉時 間、前述機器之各運轉形態下之運轉時間、從前述機器之導入起的經過時間，此些中之至少1者。
  4. 如申請專利範圍第1項或第2項所記載之徵兆偵測系統，其中，在前述運轉履歷資料中，係包含有對於前述機器而進行了維修檢查作業之次數、從對於前述機器而進行了維修檢查作業起的經過時間，此些中之至少1者。
  5. 如申請專利範圍第1項或第2項所記載之徵兆偵測系統，其中，在前述運轉履歷資料中，係包含有前述機器之輸出的累積值。
  6. 如申請專利範圍第1項或第2項所記載之徵兆偵測系統，其中，在前述運轉資料中，係包含有對於前述機器進行監視之裝置所產生的警報資訊以及事件資訊中的至少1者。
  7. 如申請專利範圍第1項或第2項所記載之徵兆偵測系統，其中，前述推測模型，係除了前述機器之運轉資料以及運轉履歷資料之外，更進而基於與前述機器相同種類之其他之機器的運轉資料以及運轉履歷資料，而建構之。
  8. 如申請專利範圍第1項或第2項所記載之徵兆偵測系統，其中，係更進而具備有：推測模型建構部，係基於前述運轉履歷資料、和在與該運轉履歷資料相對應的時間點處之前述機器之運轉資料，而建構前述推測模型。
  9. 如申請專利範圍第1項或第2項所記載之徵兆偵測系統，其中，前述狀態評價部，係更進而取得前述運轉履歷資料，並基於與前述運轉履歷資料所展現的運轉實績相對應之前述成為監視對象之參數的評價基準，來對於前述機器之狀態進行評價。
  10. 如申請專利範圍第1項或第2項所記載之徵兆偵測系統，其中，前述狀態評價部，係基於前述偏差、和前述偏差之履歷與實際所發生了的異常之間之對應關係，來對於將來所發生的異常進行預測。
  11. 一種徵兆偵測系統，其特徵為，係具備有：資料取得部，係取得機器之運轉資料和代表對於前述機器之歷年變化造成影響的前述機器之運轉之實績或對於前述機器之維修之實績的運轉履歷資料；和 推測部，係基於前述運轉資料、和對於前述機器之成為監視對象的參數進行推測之推測模型，來算出前述參數之第1推測值；和狀態評價部，係基於由前述推測部所致之前述參數之第1推測值、和在前述資料取得部所取得的前述運轉資料中所包含之前述參數之計測值或第2推測值，此兩者間之偏差；以及反映有在經過了前述運轉履歷資料所代表的前述運轉或前述維修後的時間點處之前述機器之歷年變化的前述成為監視對象之參數的評價基準，來對於前述機器之狀態進行評價。
  12. 一種徵兆預測方法，其特徵為：係使徵兆偵測系統進行下述步驟：取得機器之運轉資料和代表對於前述機器之歷年變化造成影響的前述機器之運轉之實績或對於前述機器之維修之實績的運轉履歷資料之步驟；和基於前述運轉資料、和前述運轉履歷資料、和針對前述機器之成為監視對象的參數而推測出反映有在經過了前述運轉履歷資料所代表的前述運轉或前述維修後之時間點處的前述機器之歷年變化之前述參數之值之推測模型，來算出前述參數之第1推測值之步驟；和基於前述第1推測值、和在前述運轉資料中所包含之前述參數之計測值或第2推測值，此兩者間之偏差，來對於前述機器之狀態進行評價之步驟。
TW107110432A 2017-03-29 2018-03-27 徵兆偵測系統及徵兆偵測方法 TWI684858B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-066125 2017-03-29
JP2017066125A JP7179444B2 (ja) 2017-03-29 2017-03-29 予兆検知システム及び予兆検知方法

Publications (2)

Publication Number Publication Date
TW201901428A TW201901428A (zh) 2019-01-01
TWI684858B true TWI684858B (zh) 2020-02-11

Family

ID=63675718

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107110432A TWI684858B (zh) 2017-03-29 2018-03-27 徵兆偵測系統及徵兆偵測方法

Country Status (6)

Country Link
US (1) US11048245B2 (zh)
JP (1) JP7179444B2 (zh)
CN (1) CN110431502B (zh)
DE (1) DE112018001684T5 (zh)
TW (1) TWI684858B (zh)
WO (1) WO2018181020A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6763629B2 (ja) * 2016-12-15 2020-09-30 三菱パワー株式会社 ガスタービン制御装置、ガスタービン制御方法
JP7233201B2 (ja) * 2018-11-20 2023-03-06 東京エレクトロン株式会社 搬送ユニットの監視方法及び監視装置並びに監視用モデル
US20220197230A1 (en) * 2019-05-22 2022-06-23 Nec Corporation Operation rule determination device, operation rule determination method, and recording medium
JP2021005261A (ja) * 2019-06-27 2021-01-14 東洋エンジニアリング株式会社 処理システム監視装置、処理システム監視方法、及びプログラム
DE102019217055A1 (de) * 2019-11-06 2021-05-06 Robert Bosch Gmbh Verfahren zum Ermitteln einer unzulässigen Abweichung des Systemverhaltens einer technischen Einrichtung von einem Normwertebereich
JPWO2022080104A1 (zh) * 2020-10-14 2022-04-21
WO2022091399A1 (ja) * 2020-11-02 2022-05-05 三菱電機株式会社 保険料率算出装置および保険料率算出方法
JP7414704B2 (ja) * 2020-12-14 2024-01-16 株式会社東芝 異常検出装置、異常検出方法、およびプログラム
JP2022157180A (ja) * 2021-03-31 2022-10-14 三菱重工業株式会社 装置、遠隔監視システム、装置の制御方法、及び、遠隔監視システムの制御方法
TWI805041B (zh) * 2021-10-22 2023-06-11 智影顧問股份有限公司 機台異常標註與異常預測系統
CN114186738A (zh) * 2021-12-10 2022-03-15 北京百度网讯科技有限公司 一种故障预警方法、装置、电子设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130318018A1 (en) * 2012-05-23 2013-11-28 General Electric Company Neural network-based turbine monitoring system
WO2016147696A1 (ja) * 2015-03-13 2016-09-22 株式会社 日立産機システム 配管ネットワーク診断装置

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3161844B2 (ja) * 1992-11-30 2001-04-25 株式会社日立製作所 プラントの異常検知方法及びその装置
JPH07281714A (ja) 1994-04-06 1995-10-27 Kawasaki Heavy Ind Ltd シミュレーション方法およびそれに用いる装置
JPWO2002103177A1 (ja) * 2001-06-18 2004-09-30 株式会社日立製作所 ガスタービンの状態診断方法及び診断システム
JP2003114294A (ja) 2001-10-04 2003-04-18 Toshiba Corp 発電プラントの監視・診断・検査・保全システム
US6868760B1 (en) * 2003-02-12 2005-03-22 Pratt-Read Corporation Tool locking mechanism
JP2006318414A (ja) 2005-05-16 2006-11-24 Fujitsu Ltd 遠隔監視制御システムの子局装置
US7620523B2 (en) * 2007-04-30 2009-11-17 Integrien Corporation Nonparametric method for determination of anomalous event states in complex systems exhibiting non-stationarity
WO2008140363A1 (en) * 2007-05-14 2008-11-20 Volvo Technology Corporation Remote diagnosis modellin
FR2939924B1 (fr) * 2008-12-15 2012-10-12 Snecma Identification de defaillances dans un moteur d'aeronef
US20120283988A1 (en) * 2011-05-03 2012-11-08 General Electric Company Automated system and method for implementing unit and collective level benchmarking of power plant operations
JP2013152655A (ja) * 2012-01-26 2013-08-08 Hitachi Ltd プラント又は設備の異常診断方法及びヘルスマネージメント方法
JP6053487B2 (ja) 2012-12-06 2016-12-27 三菱電機株式会社 時系列データ処理装置、時系列データ処理方法及び時系列データ処理プログラム
JP6167591B2 (ja) 2013-03-22 2017-07-26 カシオ計算機株式会社 単語表示制御装置、単語表示制御方法及び単語表示制御プログラム
US9892238B2 (en) * 2013-06-07 2018-02-13 Scientific Design Company, Inc. System and method for monitoring a process
JP6109320B2 (ja) * 2013-09-06 2017-04-05 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 検出装置、検出方法、およびプログラム
JP2015059924A (ja) * 2013-09-20 2015-03-30 株式会社東芝 蓄電池性能評価装置およびその方法
US20150184549A1 (en) * 2013-12-31 2015-07-02 General Electric Company Methods and systems for enhancing control of power plant generating units
JP2015209841A (ja) 2014-04-30 2015-11-24 三菱日立パワーシステムズ株式会社 ガスタービンの異常検出方法、ガスタービンの異常対処方法、これらの方法を実行する装置、及びガスタービン設備
JP6344158B2 (ja) * 2014-09-01 2018-06-20 株式会社Ihi 故障検出装置
US10626748B2 (en) * 2014-12-08 2020-04-21 General Electric Company System and method for predicting and managing life consumption of gas turbine parts
JP6251201B2 (ja) 2015-01-08 2017-12-20 三菱重工業株式会社 稼動率予測装置及び稼動率予測方法
JP6610987B2 (ja) * 2015-02-18 2019-11-27 株式会社Ｉｈｉ 異常診断方法及び異常診断システム
JP5875726B1 (ja) * 2015-06-22 2016-03-02 株式会社日立パワーソリューションズ 異常予兆診断装置のプリプロセッサ及びその処理方法
JP2017066125A (ja) 2015-09-30 2017-04-06 律子 朽木 爪強化剤
US10534328B2 (en) * 2016-06-21 2020-01-14 General Electric Company Methods and systems for enhancing control of power plant generating units
US10678912B2 (en) * 2016-11-15 2020-06-09 General Electric Company Dynamic normalization of monitoring node data for threat detection in industrial asset control system
US10671039B2 (en) * 2017-05-03 2020-06-02 Uptake Technologies, Inc. Computer system and method for predicting an abnormal event at a wind turbine in a cluster

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130318018A1 (en) * 2012-05-23 2013-11-28 General Electric Company Neural network-based turbine monitoring system
WO2016147696A1 (ja) * 2015-03-13 2016-09-22 株式会社 日立産機システム 配管ネットワーク診断装置

Also Published As

Publication number Publication date
JP7179444B2 (ja) 2022-11-29
DE112018001684T5 (de) 2019-12-19
CN110431502A (zh) 2019-11-08
US11048245B2 (en) 2021-06-29
JP2018169769A (ja) 2018-11-01
WO2018181020A1 (ja) 2018-10-04
CN110431502B (zh) 2023-06-27
TW201901428A (zh) 2019-01-01
US20200103883A1 (en) 2020-04-02

Similar Documents

Publication Publication Date Title
TWI684858B (zh) 徵兆偵測系統及徵兆偵測方法
US7603222B2 (en) Sensor diagnostics using embedded model quality parameters
US8972067B2 (en) System and method for optimizing plant operations
US20160349744A1 (en) Method and system for monitoring rotor blades in combustion turbine engine
US8386212B2 (en) Electric power generating facility operation remote supporting method and electric power generating facility operation remote supporting system
US10823016B2 (en) System and method for risk categorization
JP4760823B2 (ja) ガスタービンの監視・診断装置
EP1927039A1 (en) Monitoring a system having degrading components
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
JP2011090382A (ja) 監視システム
JP2002155708A (ja) 発電プラントのガイダンス提供システムおよび方法
JP6523815B2 (ja) プラント診断装置及びプラント診断方法
WO2018044507A1 (en) Machine learning-aided model-based method for estimating gas turbine component life
CN110764474B (zh) 监测设备运行状态的方法和系统
US20200409321A1 (en) Control of power generation system by visually monitoring valve during operation
JP2006057595A (ja) ガスタービンの性能診断システム及び性能診断方法
Panov Model-based control and diagnostic techniques for operational improvements of gas turbine engines
WO2015175181A1 (en) System and method for evaluating opportunities to extend operating durations
US11506075B2 (en) Control of power generation system by visually monitoring component during operation
JP2005248848A (ja) ガスタービン診断方法及び装置
JP4491228B2 (ja) 発電設備の遠隔運用支援方法及び発電設備の遠隔運用支援システム
JP7270220B2 (ja) ガス器具故障診断システム
CA2558880C (en) Electric power generating facility operation remote supporting method and electric power generating facility operation remote supporting system
JP2005135430A (ja) 発電設備の遠隔運用支援方法及び発電設備の遠隔運用支援システム