WO2016133049A1 - 判定装置、判定方法および判定プログラム - Google Patents

判定装置、判定方法および判定プログラム Download PDF

Info

Publication number
WO2016133049A1
WO2016133049A1 PCT/JP2016/054311 JP2016054311W WO2016133049A1 WO 2016133049 A1 WO2016133049 A1 WO 2016133049A1 JP 2016054311 W JP2016054311 W JP 2016054311W WO 2016133049 A1 WO2016133049 A1 WO 2016133049A1
Authority
WO
WIPO (PCT)
Prior art keywords
value
reference model
threshold
determination
time
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.)
Ceased
Application number
PCT/JP2016/054311
Other languages
English (en)
French (fr)
Inventor
宇野和史
有岡孝祐
笠嶋丈夫
福田裕幸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to CN201680010341.4A priority Critical patent/CN107250936B/zh
Priority to JP2017500667A priority patent/JP6350736B2/ja
Priority to AU2016220855A priority patent/AU2016220855B2/en
Priority to CA2976620A priority patent/CA2976620C/en
Priority to MYPI2017702903A priority patent/MY192904A/en
Publication of WO2016133049A1 publication Critical patent/WO2016133049A1/ja
Priority to US15/676,496 priority patent/US11029218B2/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
    • G01K11/32—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in transmittance, scattering or luminescence in optical fibres
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
    • G01K11/32—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in transmittance, scattering or luminescence in optical fibres
    • G01K11/324—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in transmittance, scattering or luminescence in optical fibres using Raman scattering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K3/00—Thermometers giving results other than momentary value of temperature
    • G01K3/005—Circuits arrangements for indicating a predetermined temperature
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/002—Investigating fluid-tightness of structures by using thermal means
    • 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
    • G05B19/00—Program-control systems
    • G05B19/02—Program-control systems electric
    • G05B19/04—Program control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Program control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0423—Input/output
    • G05B19/0425—Safety, monitoring
    • 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
    • G05B23/0235—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 a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold

Definitions

  • This case relates to a determination device, a determination method, and a determination program.
  • This case has been made in view of the above problems, and an object thereof is to provide a determination device, a determination method, and a determination program capable of determining a sign of abnormality.
  • the determination apparatus includes a model creation unit that creates a reference model of the sensor detection value, and a predetermined time from a predetermined point in time until a deviation degree between the reference model and the sensor detection value exceeds a threshold value.
  • a determination unit that determines whether or not the time is shorter than the time, and an output unit that outputs a signal related to abnormality when it is determined that the time is shorter.
  • (A) And (b) is an example of the temperature measurement system by an optical fiber. It is a figure which illustrates an example of an objective variable and an explanatory variable group.
  • (A) is the image figure which illustrated the difference of the estimated value at the time of using the fuel type A as a temperature difference
  • (b) is the difference of the estimated value at the time of using the fuel type B, and an actual value. It is the image figure which illustrated as temperature difference. It is a figure which illustrates the relationship between a threshold value and abnormality determination.
  • (A) is the schematic of the determination apparatus which concerns on 1st Embodiment
  • (b) is a block diagram for demonstrating the hardware constitutions of a determination part. The explanatory variable group is illustrated.
  • A is the schematic of the determination apparatus which concerns on 2nd Embodiment
  • (b) is an example of a temperature sensor. It is an example of the flowchart performed when performing abnormality determination.
  • A) is the actual value of the objective variable, and (b) is the actual value of the explanatory variable.
  • (A) is an instantaneous value of the estimation error, (b) is an integrated value of the estimation error, and (c) is an estimated effective time. It is an example of a temperature sensor.
  • (A) is the Mahalanobis distance, and (b) is the estimated effective time. It is a figure which illustrates the determination system of the modification 2.
  • (A) And (b) is a figure which illustrates a sensor part and a measuring device.
  • (A)-(c) is a figure which illustrates a sensor part. It is a figure which illustrates the flowchart showing a dimensionless procedure.
  • (A) And (b) is a figure which illustrates an abnormality sign. It is an example of the flowchart performed when performing abnormality determination. It is a flowchart which illustrates a comparative example. It is a figure which illustrates the result of a comparative example.
  • FIG. 21 is a diagram illustrating a result of the method described in FIG. 20.
  • FIG. 21 is a diagram illustrating a result of the method described in FIG. 20. It is an example of the flowchart performed when performing abnormality determination. It is a figure which illustrates the result of abnormality determination. It is a figure which illustrates the normalized value of sensing data.
  • abnormality can be determined at an early stage.
  • a temperature sensor is arranged for a piping system in which a branch pipe is welded to the main pipe and gas or liquid leakage is detected early as a temperature change.
  • an early temperature abnormality can be detected before a fire occurs even if a cooling failure occurs.
  • Detecting a temperature abnormality includes, for example, a temperature measurement method using an optical fiber that measures Raman scattered light to obtain temperature information.
  • leaking can be detected early as a temperature change by laying an optical fiber on a branch pipe.
  • the cooling water temperature can be monitored by laying an optical fiber in the cooling water piping of the boiler. Thereby, even if a cooling failure occurs, an early temperature abnormality can be detected before a fire occurs.
  • FIG. 2 is a diagram illustrating an example of the objective variable and explanatory variable group.
  • the objective variables 1 to 3 are the temperatures at various locations on the outer wall metal of the boiler.
  • the explanatory variable group is an output value of the sensor having a correlation with the objective variable.
  • the actual measurement values of the objective variables 1 to 3 can be obtained using a temperature sensor or the like installed on the outer wall metal.
  • the estimation equations for the objective variables 1 to 3 are obtained by setting the coefficients and constants of each explanatory variable.
  • coefficients and constants are based on the measured values of each past explanatory variable and objective variable, such as least square regression (Ordinary Least Mean Square), principal component regression (Principal Components Regression), partial least square regression (Partial Least Squares) etc.
  • ⁇ Whether the system is normal or abnormal can be determined by comparing the measured value of the objective variable acquired at the same time with the estimated value of the estimation equation.
  • the latest past data for a certain period is required. This latest period is referred to as a “modeling period”.
  • the period during which the estimated value is actually compared with the actually measured value is referred to as a “scoring period”. If the “estimation error” exceeds a certain value during the scoring period, it is considered that a situation deviating from the estimation has occurred.
  • FIG. 3A is an image diagram illustrating a difference in temperature between the estimated value and the actual value of the objective variable 1 and the objective variable 2 during the scoring period when the fuel type A is used.
  • FIG. 3B is an image diagram illustrating, as a temperature difference, the difference between the estimated value and the actual value of the objective variable 1 and the objective variable 2 during the scoring period when the fuel type B is used.
  • the threshold is 3 ⁇ and ⁇ 0.3 ° C.
  • the threshold value is assumed to be ⁇ 0.9 ° C. at 3 ⁇ .
  • 4 ⁇ is set, there is a possibility of overlooking an abnormality.
  • FIG. 4 is a diagram illustrating the relationship between the threshold value and the abnormality determination.
  • the threshold value when the threshold value is set to a relatively large threshold value 1, a delay occurs with respect to the case where a problem actually occurs, and the countermeasure is delayed. If the threshold value is set to a threshold value 2 that is smaller than the threshold value 1, it is determined to be abnormal in a situation different from the situation in which a problem actually occurs, so that the sign detection function cannot be performed. In other words, it is difficult to detect useful signs unless it is possible to “estimate sufficiently accurately, set a useful threshold value for each objective variable, and perform abnormality determination based on the threshold value”. It is not practical for business continuity to consider an appropriate threshold for each update of content that affects the threshold, such as periodic inspections and changes in the ratio of oil types.
  • FIG. 5A is a block diagram of the determination apparatus 100 according to the first embodiment.
  • the determination device 100 is installed in a thermal power generation facility that uses a coal combustion cycle as an example.
  • the determination apparatus 100 includes an explanatory variable acquisition unit 10, a plurality of temperature sensors 20a to 20c, a determination unit 30, and the like.
  • the determination unit 30 includes a model creation unit 31, a threshold setting unit 32, an abnormality determination unit 33, and an output unit 34.
  • FIG. 5B is a block diagram for explaining the hardware configuration of the determination unit 30.
  • the determination unit 30 includes a CPU 101, a RAM 102, a storage device 103, an interface 104, and the like. Each of these devices is connected by a bus or the like.
  • a CPU (Central Processing Unit) 101 is a central processing unit.
  • the CPU 101 includes one or more cores.
  • a RAM (Random Access Memory) 102 is a volatile memory that temporarily stores programs executed by the CPU 101, data processed by the CPU 101, and the like.
  • the storage device 103 is a nonvolatile storage device.
  • the storage device 103 for example, a ROM (Read Only Memory), a solid state drive (SSD) such as a flash memory, a hard disk driven by a hard disk drive, or the like can be used.
  • the model creation unit 31, the threshold setting unit 32, the abnormality determination unit 33, and the output unit 34 are realized in the determination unit 30.
  • the model creation unit 31, the threshold setting unit 32, the abnormality determination unit 33, and the output unit 34 may be hardware such as a dedicated circuit.
  • the explanatory variable acquisition unit 10 acquires each explanatory variable.
  • FIG. 6 illustrates the explanatory variable group.
  • the explanatory variables are the electric energy, the coal supply amount, the internal temperature 1, the internal temperature 2, the air flow rate, the pressure 1, the pressure 2, the pressure 3, the ventilation port 1, the ventilation port 2, and the operation rotational speed. , Operating rate, operating frequency, etc.
  • Each explanatory variable has a correlation with objective variables 1 to 3 (temperatures detected by the temperature sensors 20a to 20c). Moreover, it is preferable that each explanatory variable can be regarded as being independent from each other (low multicollinearity).
  • the amount of electric power is generated electric power obtained by thermal power generation.
  • the amount of coal supplied is the amount of coal supplied to the furnace.
  • the internal temperatures 1 and 2 are, for example, temperatures at any location inside the furnace.
  • the air flow rate is a flow rate of air supplied to the furnace.
  • the pressures 1 to 3 are, for example, pressures in piping connected to the furnace.
  • the ventilation openings 1 and 2 are the temperature of the ventilation openings.
  • the operating speed, operating rate, and operating frequency are the operating speed, operating rate, and operating frequency of the furnace.
  • the plurality of temperature sensors 20a to 20c are installed at different locations on the outside wall surface of the furnace, for example.
  • temperature sensors are installed at three locations.
  • a temperature measurement method of the temperature sensors 20a to 20c for example, a method using Raman scattered light in the optical fiber can be used.
  • an optical fiber having a length of about 2 m is wound in a small area that can be regarded as almost the same temperature. By doing in this way, each winding part functions as one temperature sensor, respectively.
  • the wall surface temperatures 1 to 3 detected by the temperature sensors 20a to 20c are used as measured values of the objective variables 1 to 3.
  • the model creation unit 31 creates estimation equations for the objective variables 1 to 3 using the explanatory variables acquired by the explanatory variable acquisition unit 10 and the detection values of the temperature sensors 20a to 20c.
  • This estimation formula is a reference model for objective variables 1 to 3.
  • the estimation formula is obtained by setting the coefficients and constants of each explanatory variable, similarly to the estimation formula illustrated in FIG. These coefficients and constants can be set by regression analysis such as least square regression, principal component regression, and partial least square regression based on past explanatory variables and actual measurement values of the temperature sensors 20a to 20c. .
  • the threshold value setting unit 32 sets a threshold value for the degree of deviation of the measured value of the objective variable from the reference model and the estimated effective time.
  • an estimation error and an integrated value of the estimation error are used as the degree of divergence.
  • the estimated value of the objective variable is a numerical value obtained by inputting an explanatory variable in the estimation formula.
  • the estimation error related to the objective variable 1 is (actual value of the temperature sensor 20a) ⁇ (estimated value of the objective variable 1).
  • the estimation error related to the objective variable 2 is (actual value of the temperature sensor 20b) ⁇ (estimated value of the objective variable 2).
  • the estimation error related to the objective variable 3 is (actual value of the temperature sensor 20c) ⁇ (estimated value of the objective variable 3).
  • the estimated effective time is a time from when the measurement of the estimation error is started in the scoring period using the reference model until one of the above divergence degrees exceeds the threshold.
  • the abnormality determination unit 33 performs abnormality determination by determining whether or not the estimated effective time is below a threshold value.
  • the output unit 34 outputs a signal related to abnormality when the abnormality determination unit 33 determines abnormality.
  • FIG. 7 is a flowchart exemplifying processing for setting an objective variable estimation formula and setting a threshold value for the degree of deviation and the estimated effective time.
  • the threshold value setting unit 32 first detects an initial condition update flag (step S1).
  • the initial condition update flag is a flag that triggers an update of the objective variable estimation formula and the threshold values of the divergence degree and the estimated effective time.
  • the threshold setting unit 32 sets appropriate allowable values 1 and 2 (step S2).
  • the allowable value 1 is a threshold for the estimation error.
  • the allowable value 2 is a threshold for the estimated error integrated value.
  • the model creation unit 31 collects a data set for the modeling period (step S3).
  • This data set includes explanatory variables and detection values (actual measurement values) of the temperature sensors 20a to 20c for each predetermined time in the modeling period.
  • the model creation unit 31 determines the coefficients and constants of the estimation equations for the objective variables 1 to 3 using the data set collected in step S3 (step S4). By executing step S4, estimation equations for the objective variables 1 to 3 are set.
  • the threshold setting unit 32 starts measurement of the estimation error (scoring period), for example, the first 60 times of the scoring period and the modeling period (30 minutes in the case of measurement of a 30-second period) estimation error An average value and a standard deviation are obtained (step S5).
  • the threshold setting unit 32 resets the average value + 1 ⁇ value to 3 ⁇ value as the allowable value 1.
  • the threshold setting unit 32 resets the allowable value 2 so that the estimated effective time is approximately 60 to 240 times the measurement cycle (30 minutes to 2 hours in the measurement at 30-second intervals) (step S6).
  • step S6 if the scoring period is re-estimated before 30 minutes in the measurement at intervals of 30 seconds, it means that the allowable values 1 and 2 are small, and therefore it corresponds to relaxation.
  • the threshold setting unit 32 sets a temporary threshold for the estimated effective time after the resetting in step S6, and starts a temporary measurement of the estimated error (step S7).
  • the model creation unit 31 repeats re-creating the reference model when the estimation error exceeds the allowable value 1 or the integrated value of the estimation errors exceeds the allowable value 2.
  • the threshold value setting unit 32 determines whether or not data to the extent that the re-creation is performed 30 times has been accumulated (step S8). If it is determined “No” in step S8, step S8 is executed again. If it is determined as “Yes” in step S8, the threshold setting unit 32 obtains the average value and standard deviation of the estimated effective time obtained in step S8, and resets the estimated effective time threshold using, for example, the 3 ⁇ value. (Step S9). In steps S6 to S9, the output unit 34 outputs a signal related to an abnormality if it falls below the threshold even during the provisional effective time.
  • the threshold values for the allowable values 1 and 2 and the estimated effective time can be set as many times as you like by going back to the past with a pre-installed program once data is accumulated. Therefore, it is not necessary to perform data accumulation by performing data accumulation again when the allowable values 1 and 2 are reset, and to perform data accumulation by performing data accumulation again after resetting the estimated effective time threshold. Therefore, it is possible to construct a system in which only information that “changes have been made” is input to the system after periodic inspections, oil ratio change, and the like.
  • FIG. 8 is an example of a flowchart executed when the abnormality determination unit 33 performs abnormality determination after the threshold values setting unit 32 sets the allowable values 1 and 2 and the estimated effective time threshold.
  • the abnormality determination unit 33 collects the data set after the threshold values setting unit 32 sets the allowable values 1 and 2 and the estimated effective time threshold (step S11).
  • the abnormality determination unit 33 determines whether or not the estimation error exceeds the allowable value 1 or the integrated value of the estimation error exceeds the allowable value 2 (step S12). If it is determined in step S12 that none of them is exceeded, step S12 is executed again.
  • the abnormality determination unit 33 determines whether or not the estimated effective time is shorter than a predetermined time (for example, 10 minutes measured at 30 second intervals) (step S13). .
  • a predetermined time for example, 10 minutes measured at 30 second intervals
  • the output unit 34 outputs a signal related to the abnormality (Step S14).
  • the abnormality determination unit 33 performs estimation again using past data from that time (for example, 1 hour by measurement at intervals of 30 seconds), and calculates coefficients and constants of the estimation formula. Update (step S15). Thereafter, the process is executed again from step S11.
  • the allowable value 1 is an estimation error threshold
  • the allowable value 2 is an integrated value for each update of the estimation error data. If a constant estimation is made, the average value of the estimation error will be almost zero if averaged over a long period of time. However, when a situation different from the estimation occurs, either the positive or negative value starts to increase.
  • the threshold value set for this change is the allowable value 2. Even if the average value of estimation errors is close to zero, an event that suddenly starts to occur can be regarded as abnormal because the estimation error increases. The value in this case is the allowable value 1.
  • the model creation unit 31 performs estimation again at that time, updates the coefficients and constants of the estimation formula, and restarts counting using the time as the estimation start time.
  • the period until the next time the allowable value 1 or the allowable value 2 is exceeded is set as the “estimated effective time”, and a threshold is set for the “estimated effective time”.
  • two allowable values are set, but one may be set or a larger number of settings may be performed. For example, after one or more tolerance values have been exceeded and one or more other tolerance values have been exceeded, the “estimated effective time” is determined and estimation is performed again. I do not care.
  • the estimation error tends to be small after the creation of the reference model. If the estimation error is large in that state, it means that an event that is not considered in the formula has occurred. Therefore, if the “estimated effective time” is shortened, it can be determined that an abnormal situation has occurred even if the setting of the threshold and the ambiguity of the estimation are taken into consideration. That is, according to the present embodiment, a sign of abnormality can be determined.
  • the threshold value of the deviation degree of the temperature sensors 20a to 20c with respect to the reference model is determined based on the deviation degree for a certain period after the creation of the reference model. In this case, the setting accuracy of the threshold value of the deviation degree is improved. Further, according to the present embodiment, the threshold value of the estimated effective time is determined based on time variation until the deviation degree exceeds the threshold value. In this case, the setting accuracy of the threshold for the estimated effective time is improved.
  • the reference model is created using the sensor detection value and the detection values of a plurality of other sensors having a correlation with the sensor detection value.
  • the present invention is not limited to this.
  • a reference model of sensor detection values is created using correlations between detection values of a plurality of sensors.
  • a sign detection method that finds signs of abnormality at an early stage from the correlation of temperature transition data detected by multiple temperature sensors.
  • a method for obtaining the Mahalanobis square distance calculated from the mean and variance-covariance matrix of the target data group, an MSD method for robustly estimating the center and spread of the data, and obtaining a statistic corresponding to the Mahalanobis square distance, etc. Can be used.
  • Tn (t) is shown in the following (1) to (3).
  • a modeling period (a fixed period in which data is accumulated that is older than the current time) is set, and the average of the temperature data of each of the n temperature sensors in that period and the inverse covariance matrix of the temperature data group are reversed. Find the matrix.
  • the procedure for setting a modeling period, determining a threshold value from the period, and sequentially comparing a new data set with the threshold value is the same. That is, even in the sign detection by “outlier detection” using the correlation between the measurement data, the accuracy of the sign detection is determined by setting the threshold value. In other words, it is difficult to detect useful signs unless it is possible to “estimate with sufficiently high accuracy, set a useful threshold value, and perform abnormality determination based on the threshold value”. Therefore, in the second embodiment, a determination device, a determination method, and a determination program that can determine a sign of abnormality will be described.
  • FIG. 9A is a schematic diagram of the determination apparatus 100a according to the second embodiment.
  • the difference between the determination apparatus 100a and the determination apparatus 100 of the first embodiment is that the explanatory variable acquisition unit 10 is not provided and the temperature sensor 20 is provided instead of the temperature sensors 20a to 20c.
  • the temperature sensor 20 detects temperatures at a plurality of locations where the temperature values are correlated with each other. For example, as illustrated in FIG. 9B, the temperature sensor 20 detects the temperature at each location based on the result obtained by backscattered light at different length positions of the same optical fiber. In the example of FIG. 9B, each winding unit functions as an individual temperature sensor.
  • the configuration of the determination unit 30 is the same as that in the first embodiment.
  • the model creation unit 31 creates a reference model by obtaining the Mahalanobis square distance calculated from the average of the detected values at each location detected by the temperature sensor 20 and the variance-covariance matrix.
  • the model creation unit 31 creates a reference model by using a MSD method or the like that robustly estimates the center and spread of the detection value and obtains a statistic corresponding to the Mahalanobis square distance.
  • the reference model here is the center of variation reflecting the magnitude of the correlation between a plurality of detected values (orientation when paying attention to each of the two sensors).
  • the threshold value setting unit 32 sets a threshold value for the degree of deviation of the measured value of the sensor detection value from the reference model and the estimated effective time.
  • the degree of divergence of the actual measurement value of the objective variable with respect to the reference model is the Mahalanobis square distance, the integrated value for each data update of the Mahalanobis square distance, or the like. In the present embodiment, the Mahalanobis square distance and the integrated value of the Mahalanobis square distance are used as the divergence.
  • the estimated effective time is the time from the start of measurement of Mahalanobis square distance in the scoring period after creation of the reference model until any of the above divergences exceeds a threshold value.
  • the abnormality determination unit 33 performs abnormality determination by determining whether or not the estimated effective time is below a threshold value.
  • the output unit 34 outputs a signal related to abnormality when the abnormality determination unit 33 determines abnormality.
  • the setting of the reference model and the setting of the divergence degree and the threshold of the estimated effective time can be performed by the same processing as in FIG.
  • the threshold value setting unit 32 sets an allowable value 3 in addition to the allowable values 1 and 2 in advance.
  • FIG. 10 is an example of a flowchart executed when the abnormality determination unit 33 performs abnormality determination after the threshold values setting unit 32 sets the allowable values 1 and 2 and the estimated effective time threshold.
  • the abnormality determining unit 33 collects the data set after the threshold values setting unit 32 sets the allowable values 1 and 2 and the estimated effective time threshold (step S21). This data set is collected for each detection value at each location of the temperature sensor 20.
  • the abnormality determination unit 33 determines whether the Mahalanobis square distance at any location exceeds the allowable value 1 or whether the integrated value of the Mahalanobis square distance at the location exceeds the allowable value 2 (step S22). ). If it is determined in step S22 that none of them is exceeded, step S22 is executed again. When it is determined in step S22 that any of the distances has exceeded, the abnormality determination unit 33 determines whether the Mahalanobis square distance has exceeded the allowable value 3 (step S23).
  • step S24 If it is determined “Yes” in step S23, the output unit 34 outputs a signal related to the abnormality (step S24).
  • the abnormality determination unit 33 determines whether or not the estimated effective time is less than a predetermined time (for example, 10 minutes in measurement at intervals of 30 seconds) (step S25). .
  • a predetermined time for example, 10 minutes in measurement at intervals of 30 seconds
  • the abnormality determination unit 33 again corresponds to the Mahalanobis square distance or the Mahalanobis square distance in the MSD method using the past data (for example, one hour at a measurement of 30 seconds).
  • the parameter for deriving the statistics to be obtained is obtained (step S27). Parameters in this case include an average value, an unbiased covariance matrix, an inverse matrix, and the like in a new modeling period at each location of the temperature sensor 20. Thereafter, the process is executed again from step S21.
  • the Mahalanobis square distance exceeds the tolerance value 1 or the integrated value exceeds the tolerance value 2, the new data group is used for estimation again.
  • the allowable value 3 is exceeded, an abnormality is determined.
  • the method of deriving the Mahalanobis square distance there is a method of comparing the Mahalanobis square distance obtained sequentially with the allowable value 1 and comparing the integrated value of the Mahalanobis square distance with the allowable value 2. For example, when the temperature is measured at a plurality of points and the temperature at the plurality of points is changed to a dangerous temperature, the Mahalanobis square distance is small, but it can be said to be an abnormal state.
  • an allowable value 3 is set and compared with the measurement data itself.
  • the allowable value 3 may not be a fixed value, but may be a unique value for each number of measurement points.
  • the setting number and setting method of the allowable value are not limited to the example of FIG.
  • the threshold value of the divergence degree of each detection value of the temperature sensor 20 with respect to the reference model is determined based on the divergence degree for a certain period after the creation of the reference model. In this case, the setting accuracy of the threshold value of the deviation degree is improved.
  • the threshold of the estimated effective time is determined based on time variation until the divergence degree exceeds the threshold. In this case, the setting accuracy of the threshold for the estimated effective time is improved.
  • Example 1 the same objective variables and explanatory variables as in FIG. 6 were used according to the first embodiment.
  • the system according to the first embodiment is intended to predict whether the wall surface temperatures 1 to 3 are maintained in an appropriate range from the explanatory variable group and to rotate the operation cycle in the most efficient state. If the operation cycle becomes too high and high pressure, combustion before the boiler occurs, and if it becomes too low, the combustion efficiency in the boiler decreases. It is required to control the optimal temperature and pressure while avoiding combustion.
  • the threshold values were set as follows according to the processing of FIG. In this embodiment, the same numerical values are used for the objective variables 1 to 3. Tolerance 1 ⁇ 2 ° C Tolerance 2 ⁇ 10 ° C Valid time threshold Less than 20 minutes
  • a 14-by-14 variance-covariance matrix is generated using the explanatory variable group in the modeling period and the value of the objective variable 1. Specifically, it is arranged at the last stage so that the variance of the objective variable 1 is in the 14th row and the 14th column.
  • (2) Generate an inverse matrix for 13 rows and 13 columns excluding the row / column of the objective variable.
  • (3) The product obtained by excluding the inverse matrix obtained in (2) and the 14th column element in the 14th column obtained in (1) is obtained to obtain 13 numerical values. To do.
  • system failure is substituted by system operation stop.
  • system operation stop As illustrated in FIG. 11A and FIG. 11B, the operating state of the system is changed from around 17:20, but no particular abnormality has occurred, but each explanatory variable at 18:18. Fluctuates rapidly. This is because the operation of the system is stopped. If this 18:18 system operation stoppage can be estimated as soon as possible for several minutes, the system is effective.
  • FIG. 12 (a) shows an instantaneous value of the estimation error.
  • FIG. 12B shows an integrated value of estimation errors.
  • FIG. 12C shows the estimated effective time. The position where the integrated value is reset to zero in FIG. 12B and the data position in FIG. 12C are the same. This is because at that time, the instantaneous value in FIG. 12A exceeds the allowable value 1 or the integrated value in FIG. 12B exceeds the allowable value 2 and the re-estimation calculation is performed.
  • the estimation error immediately after the start of re-estimation is small.
  • 11A, 11B, and 12C the estimated effective time gradually decreases toward 18:18, and the point of 18:12 is 16 minutes after 17:55.
  • the automatic determination of this abnormality is reasonable. This means that the abnormality has been confirmed 6 minutes before 18:18, and the system can be promptly stopped.
  • Example 2 is an example according to the second embodiment. As illustrated in FIG. 13, four sets of wound portions were created and brought into close contact with the furnace wall. Each of these four sets was used as a temperature sensor. In FIG. 13, a portion drawn with a circle is a wound portion, and each wound portion is connected by the same optical fiber. In addition, the temperature distribution is drawn using a mesh pattern. The coarse mesh portion has a low temperature, and the fine mesh portion has a high temperature. If excessive heat accumulation partially starts inside each device, the temperature rises partially, so that an abnormality can be detected.
  • Winding part set 1 region 1 (X1a1, Z1a1), (X1a2, Z1a2) Region 2 (X1b1, Z1b1), (X1b2, Z1b2) Region 3 (X1c1, Z1c1), (X1c2, Z1c2) Winding part set 2 region 1 (X2a1, Z2a1), (X2b2, Z2a2) Region 2 (X2b1, Z2b1), (X2b2, Z2b2)
  • the area is specified as follows.
  • the average value, the maximum value, the minimum value, etc. are obtained from the temperature at each position of the optical fiber included in each region, and this is used as temperature data for each region.
  • a threshold value is provided for each of these 12 temperatures, and this is set to an allowable value of 3. In this example, since the temperature corresponding to the allowable value 3 was not exceeded, only the allowable values 1 and 2 and the effective time threshold were set.
  • Allowable value 1 is set for the value of Mahalanobis square distance for the data in the modeling period used at the time of the new data set.
  • the allowable value 2 is set with respect to the average value of the Mahalanobis square distance one sample before and the Mahalanobis square distance of the new data set.
  • the Mahalanobis square distance indicates how far the new data set is from the center of gravity of the data set during the modeling period.
  • the Mahalanobis square distance takes into account the vector component in any direction, and if it is added, the data set is updated so that it rotates with a constant distance around the center of gravity, and it moves to a different quadrant across the center of gravity.
  • Such cases can be indicated by different numerical values. However, this is because they are considered to be the same in scalar addition.
  • the average value is adopted as the allowable value 2 under the assumption that the neighboring data goes in the same direction if the data set gradually deviates. Allowable value 1 60 Allowable value 2 50 Valid time threshold Less than 20 minutes
  • FIG. 14A and FIG. 14B illustrate results of predictive detection by obtaining the Mahalanobis square distance.
  • the Mahalanobis square distance is the shortest immediately after the modeling period.
  • the Mahalanobis distance increases as time elapses, but the increasing tendency is different in each time zone.
  • the estimated effective time of 50 minutes in the 17:04 re-estimation becomes shorter thereafter, the estimated effective time of the 17:54 re-estimation is 14 minutes, and the estimated effective time of the 18:08 re-estimation is 8 minutes. It is.
  • the abnormality was confirmed at 18:08, 14 minutes after 17:54. This is a stage 10 minutes earlier than 18:18 when the system is shut down. In this example, the system shut down is described, but even if there is actually any sign of an accident, the time when the initial action can be taken. The possibility that can be secured was found.
  • the temperature measuring method of the plurality of temperature sensors 20a to 20c or the temperature sensor 20 is a method using Raman scattered light in the optical fiber, but is not limited thereto. Absent.
  • a thermocouple, a resistance temperature detector, a camera imaging type infrared thermography, or the like is used as the temperature sensors 20a to 20c or the temperature sensor 20.
  • thermocouple for each measurement point, it is necessary to have two conductors in which insulation between the conductors and between each conductor and the wall surface is maintained.
  • the surface to be measured is not kept warm, it is in a state where it can be imaged from the outside without any obstruction, and a plurality of temperature data in the vicinity of the position corresponding to the measurement point It is necessary to combine them into one measurement point by averaging, etc., and to obtain the emissivity of the outer wall surface in advance for accurate conversion from luminance to temperature.
  • the temperature is the target variable and the other sensing data is the explanatory variable.
  • the temperature to be measured is determined by determining the target variable from the other sensing data.
  • An explanatory variable may be used together with the data. Since it is only what kind of value to focus on, for example, it may be a usage method in which the power generation system is used as the objective variable and if an abnormal sign is detected, the efficiency of the power generation system is degraded. .
  • the above embodiment may be applied to other sensing data instead of the temperature sensor 20. This will be described in Example 4 described later.
  • FIG. 15 is a diagram illustrating a determination system according to the second modification.
  • the determination unit 30 acquires data directly from the temperature sensor 20.
  • a server having a function of a determination unit acquires data from a temperature sensor through an electric communication line.
  • the determination system of Modification 2 includes a temperature sensor 20, a server 202, and a monitoring server 203.
  • the temperature sensor 20 includes a sensor unit 21 for acquiring temperature data of an object to be measured, and a measuring device 22 that acquires measurement data from the sensor unit 21 and generates temperature data.
  • the temperature sensor 20 has a configuration connected to a server 202 through an electric communication line 201 such as the Internet.
  • a monitoring server 203 that monitors the measurement object on which the sensor unit 21 is installed is connected to the telecommunication line 201.
  • the server 202 includes the CPU 101, the RAM 102, the storage device 103, the interface 104, and the like illustrated in FIG. 5B, and realizes a function as the determination unit 30.
  • the server 202 installed in Japan receives measurement data measured by a coal bunker of a power plant in another country, and detects a sign of abnormal heat generation in the coal bunker. A result output from the server 202 is transmitted to the monitoring server 203.
  • This modification can also be applied to the first embodiment.
  • a plurality of temperature sensors 20a to 20c may be used instead of the temperature sensor 20.
  • FIG. 16A and FIG. 16B are diagrams illustrating the sensor unit 21 and the measuring device 22.
  • the sensor unit 21 is attached to the outer wall of a mill intermediate housing unit 40 of a pulverized coal machine for pulverizing coal to produce fine powder, for example.
  • the mill intermediate housing portion 40 includes a storage portion 42 in which the coal 41 falls and temporarily stored, and a pulverization ring that pulverizes the coal 41 stored in the storage portion 42. 43 and a roller 44.
  • the pulverized coal 45 obtained by the pulverization is raised by the air in the primary air chamber 46.
  • the measuring device 22 includes a laser 11, a beam splitter 12, an optical switch 13, a filter 14, a plurality of detectors 15a and 15b, a calculation unit 16, and the like.
  • the laser 11 is a light source such as a semiconductor laser, and emits laser light in a predetermined wavelength range. For example, the laser 11 emits light pulses (laser pulses) at predetermined time intervals.
  • the beam splitter 12 makes the optical pulse emitted from the laser 11 enter the optical switch 13.
  • the optical switch 13 is a switch for switching an emission destination (channel) of an incident optical pulse. In the double-end method, the optical switch 13 makes light pulses alternately enter the first end and the second end of the optical fiber 23 of the sensor unit 21 at a constant period. In the single end system, the optical switch 13 makes an optical pulse incident on either the first end or the second end of the optical fiber 23.
  • the optical fiber 23 is arranged along a predetermined path for temperature measurement.
  • the light pulse incident on the optical fiber 23 propagates through the optical fiber 23.
  • the light pulse gradually attenuates and propagates through the optical fiber 23 while generating forward scattered light traveling in the propagation direction and back scattered light (return light) traveling in the feedback direction.
  • the backscattered light passes through the optical switch 13 and enters the beam splitter 12 again.
  • the backscattered light incident on the beam splitter 12 is emitted to the filter 14.
  • the filter 14 is a WDM coupler or the like, and extracts a long wavelength component (Stokes component) and a short wavelength component (anti-Stokes component) from the backscattered light.
  • the detectors 15a and 15b are light receiving elements.
  • the detector 15 a converts the received light intensity of the short wavelength component of the backscattered light into an electric signal and transmits it to the computing unit 16.
  • the detector 15 b converts the received light intensity of the long wavelength component of the backscattered light into an electrical signal and transmits it to the computing unit 16.
  • the computing unit 16 measures the temperature distribution in the drawing direction of the optical fiber 23 using the Stokes component and the anti-Stokes component.
  • FIG. 17 (a) is a transparent view of the sensor unit 21, and is a view through the sheet 24b of FIG. 17 (b).
  • FIG. 17B is a cross-sectional view taken along the line AA in FIG.
  • the sensor unit 21 is a fiber sheet in which the optical fiber 23 is disposed at a predetermined position. As illustrated in FIGS. 17A and 17B, the sensor unit 21 includes a pair of sheets 24a and 24b that are held with the optical fiber 23 interposed therebetween, and a glass cloth tape that maintains a gap between the sheets 24a and 24b. 25 and a metal tube 27 with a slit that roughly determines the position of the winding portion 26 of the optical fiber 23.
  • the optical fiber 23 has wound portions 26a to 26h (hereinafter collectively referred to as a wound portion 26) held by the sheets 24a and 24b in a state of being wound a plurality of times.
  • FIG. 17C shows an example in which the optical fiber 23 is wound in a single layer.
  • the winding portions 26a to 26h are constituted by one optical fiber 23, or are constituted by two optical fibers 23, one at each of the upper and lower stages. In the latter case, for example, the fusion connection is performed at the upper and lower connection portions in FIG.
  • the sheet 24a is in contact with the measurement target.
  • An adhesive tape 28 is provided on the sheet 24a. Thereby, the sheet 24a can be attached to the temperature measurement object.
  • the winding portions 26a to 26h are wound, for example, 2 to 8 times, respectively.
  • the diameter of the optical fiber 23 varies depending on the heat-resistant temperature, but is 0.16 to 0.4 mm. About 1 to 2 mm, which is more than twice the diameter, is required. Since the thickness of the metal tube 27 is about 0.5 mm, it has a thickness of about 2 to 3 mm from the sheet 24a to 24b.
  • the average value, the maximum value, the minimum value, and the like are obtained from the temperature at each position of the optical fiber included in each region, and are used as temperature data for each region.
  • the part 26 has a thickness as shown in FIG. 17B, and the temperature of the winding part 26 away from the measurement target may deviate greatly from the actual temperature of the measurement target.
  • a predetermined number of points for example, five points in order from the highest temperature value are selected to obtain an average value, It is set as the temperature of the area
  • the third embodiment will be described as an embodiment that holds an object different from that of the second embodiment.
  • the second embodiment illustrated in FIG. 10 it is assumed that various sensing data is used, but a specific method thereof is not shown. Therefore, in the present embodiment, an example of the method is first shown.
  • This method itself is the same as that disclosed in Japanese Patent No. 5308501 as conversion to a random variable, and is a general method in ordinary multivariate analysis.
  • FIG. 18 is a diagram illustrating a flowchart representing a dimensionless procedure when modeling is performed using N sensing data S1 (t) to SN (t) at time t.
  • This dimensionless procedure is performed when the model creation unit 31 executes step S3 and step S4 in FIG. 7 and when the abnormality determination unit 33 executes step S15 in FIG. 8 or step S27 in FIG.
  • N pieces of sensing data S1 (t) to SN (t) are each objective variable and each explanatory variable.
  • the model creation unit 31 is the main component will be described.
  • the model creation unit 31 obtains the average value and standard deviation of each sensing data in a predetermined past time (modeling period) from the current reference time t (step S31).
  • the average values S1_ave to SN_ave of the N pieces of sensing data S1 (t) to SN (t) at time t from the time t0 to the predetermined past time ⁇ T used for modeling are expressed by the following equations.
  • S1_ave Average (S1 (t0),..., S1 (t0 ⁇ T))
  • S2_ave Average (S2 (t0),..., S2 (t0 ⁇ T)), ...
  • the model creation unit 31 first subtracts each average value from each sensing data value to obtain a zero reference value, and further divides by a standard deviation value or a value that is a multiple of that value (step S32). ). Thereby, each sensing data is made dimensionless.
  • the abnormality determination unit 33 performs the dimensionless procedure, the dimensionless process is performed on the new data group when executing step S11 in FIG. 8 or step S21 in FIG.
  • the average value of each sensing data becomes zero during the modeling period, and the variation of the values becomes uniform. Variations in values can be corrected by later parameter derivation methods, so the standard deviation value is not used, and each sensing data value is divided by the calculated average value, and the parameter is derived using the resulting value. Good. In that case, the average value in the modeling period is 1.
  • sensing data having different dimensions such as the wall temperature 1 to 3, the amount of electric power, the amount of coal supplied, the pressure 1 to 3 and the like illustrated in FIG. 6 can be handled by the methods of FIGS. It becomes possible.
  • FIG. 19A shows that abnormal signs in the plant do not converge immediately after a single event occurs, but are exemplified in the spontaneous combustion phenomenon of coal illustrated in FIG. 19A or in FIG. 19B.
  • the bearing deteriorates gradually, it begins to occur frequently at an accelerated rate, and it becomes a continuous phenomenon leading to an accident. This is a sudden occurrence seen in actual power plants and plants. Therefore, it is necessary to separate it from the case where some kind of abnormality occurs for a short period of time and then it becomes normal immediately after that.
  • FIG. 19 (a) shows that the spontaneous combustion phenomenon frequently occurs at an accelerated rate in any of the coal types A to H.
  • the procedure of FIG. 20 is disclosed as one method of the present embodiment.
  • the apparatus configuration is the same as that of the second embodiment.
  • the abnormality determination unit 33 collects the data set after the threshold values setting unit 32 sets the allowable values 1 and 2 and the estimated effective time threshold (step S41). This data set is collected for each detection value at each location of the temperature sensor 20.
  • the abnormality determination unit 33 determines whether or not the Mahalanobis square distance at any location exceeds the allowable value 1 and the integrated value of the Mahalanobis square distance at the location exceeds the allowable value 2 (step S42). . If “No” is determined in step S42, the process is executed again from step S41. When it is determined as “Yes” in step S42, the abnormality determination unit 33 determines whether or not the Mahalanobis square distance exceeds the allowable value 3 (step S43).
  • step S43 the output unit 34 outputs a signal related to the abnormality (step S44). If it is determined as “No” in step S43, the abnormality determination unit 33 again corresponds to the Mahalanobis square distance or the Mahalanobis square distance in the MSD method using past data (for example, one hour at a measurement of 30 seconds). A parameter for deriving a statistic to be obtained is obtained (step S45). Parameters in this case include an average value, an unbiased covariance matrix, an inverse matrix, and the like in a new modeling period at each location of the temperature sensor 20.
  • the abnormality determination unit 33 starts an outlier test in the following steps S47 and S48 using the current data set collected in step S41 (step S46).
  • the abnormality determination unit 33 determines whether or not the Mahalanobis square distance at any location exceeds the allowable value 1 and the integrated value of the Mahalanobis square distance at the location exceeds the allowable value 2 (step S47).
  • the abnormality determination unit 33 determines whether or not the estimated effective time is less than a predetermined time (for example, 10 minutes measured at 30 second intervals) (Step S48). . If it is determined as “Yes” in step S48, the abnormality determination unit 33 outputs a signal related to the abnormality (step S49).
  • step S47 the abnormality determination unit 33 sets the estimated effective time to a fixed value that is larger than the predetermined time (step S50). Thereafter, the process is executed again from step S41.
  • Step S48 the abnormality determination unit 33 resets the estimated effective time to zero (Step S51). Thereafter, the process is executed again from step S41.
  • the outlier test is not performed using the new data set after modeling, but the outlier test is performed again on the current data set, and the estimated effective time is reset based on the result. Decide whether or not. This is because when a certain amount of time has passed without modeling, if the new data set exceeds tolerance 1 or tolerance 2, it is actually due to the occurrence of a sudden event. This is to determine whether it has been made or simply caused by a change in coal type or output command. This technical idea can also be applied to the first embodiment. If the allowable value 1 or allowable value 2 is exceeded again after modeling, it may be considered to be equivalent to the former. It will be possible to judge.
  • step S42 and step S47 of FIG. 20 “and” determination may be “or” determination.
  • the third embodiment illustrated in FIG. 20 is compared with the comparative example of FIG. 21 in which modeling is always performed before the outlier test, which is a standard moving window used in Japanese Patent No. 5308501.
  • the effects of the third embodiment will be clarified.
  • using the set data group step S61
  • when the Mahalanobis distance at any location exceeds the allowable value 1 and the allowable value 2 step S62
  • a signal relating to abnormality is output.
  • Step S63 If the Mahalanobis distance exceeds the allowable value 3 in the case of “No” in step S62 (step S64), a signal relating to the abnormality is output (step S65).
  • step S 64 a statistic corresponding to the Mahalanobis square distance or the Mahalanobis square distance in the MSD method is derived again using the past data (for example, 1 hour at 30 second intervals) from that point.
  • a parameter is obtained (step S66).
  • the dimensionless processing illustrated in FIG. 18 was performed.
  • the method of dividing by the average value is used instead of the method of dividing by the standard deviation, which is another method described above.
  • the thermal power generation facility using the coal combustion cycle shown in the first embodiment as an object is taken as an example.
  • the sheet processed as shown in FIGS. 9 (b), 13 and 17 having a large number of winding portions is installed on the wall surface of the facility as shown in FIG. 64 points of measurement data are extracted and treated as a data set for each measurement.
  • FIG. 22 illustrates the result of the comparative example.
  • the instantaneous value is an outlier distance calculated using a new data set
  • the two-point average is a two-point average value of the previously calculated outlier distance and the currently calculated outlier distance.
  • Allowable value 1 is the average value of the instantaneous value of the model update period + 3 times the standard deviation of the instantaneous value (3 ⁇ )
  • allowable value 2 is the average value of the 2-point average value + 3 times the standard deviation of the instantaneous value (3 ⁇ ) Value.
  • the allowable value 3 was an average value of instantaneous values + 8 times (8 ⁇ ) a standard deviation of instantaneous values.
  • 0 is output when there is no abnormality in FIG.
  • abnormality determination frequently occurs at 18:14, which is four minutes faster than 18:18 when the system is stopped.
  • erroneous detection occurs three times from midnight, and it can be seen that the reliability of the system is impaired.
  • FIG. 23 illustrates the result of the method described in FIG. Definitions of instantaneous value, two-point average, abnormality determination, and allowable values 1 to 3 are the same as those in FIG.
  • the threshold for the estimated effective time was 4 minutes. Abnormality judgment frequently occurs at 18:16, which is 2 minutes earlier than 18:18 when the system is stopped, but 2 minutes later than the method of FIG. However, unlike FIG. 22, it can be seen that there is no false detection and the reliability of abnormality determination is maintained.
  • the allowable value 1 is the average value of the instantaneous value + the standard deviation of the instantaneous value (2 ⁇ )
  • the allowable value 2 is the average value of the two-point average + the standard deviation of the instantaneous value.
  • FIG. 24 and FIG. 25 show what has been changed to a double (2 ⁇ ) value. In either case, the time at which the abnormality determination starts frequently does not change as in FIGS. In the method shown in FIG. 21, further erroneous detection occurs more frequently, but in the method shown in FIG. 20, it can be seen that no erroneous detection occurs and the reliability of abnormality determination is maintained.
  • the allowable value 1 and 2 are the average value + twice the standard deviation (2 ⁇ ) to the standard. Even if it is set with an ambiguous width of 3 times the deviation (3 ⁇ ), it can be said that the sign detection can be performed.
  • Example 4 not only the temperature but also detection of the abnormal sign illustrated in FIG. 26 is performed on various sensing data of the thermal power generation facility that uses the coal combustion cycle illustrated in the first embodiment. Specifically, the processing illustrated in FIG. 26 is performed on the time series data of 16 sensing data including the target variables 1 to 3 and the explanatory variable group of the coal-fired power generation facility shown in FIG. First, dimensionless processing is performed using the method illustrated in FIG. However, here, as in the third embodiment, the method of dividing by the average value is used instead of the method of dividing by the standard deviation.
  • step S52 determines whether or not the current time is within the forced update time (step S52). If it is determined “Yes” in step S52, step S42 is executed. If “No” is determined in step 52, step S45 is executed.
  • step S52 is executed. The reason why step S52 is executed is that it is more preferable to correct the outlier because the data contributing to the outlier changes clearly after a certain period of time, even if the outlier has shifted to a value that is not a problem. It is. This was defined as a forced update time.
  • the forced update time is set to be several times longer than the estimated effective time.
  • the allowable value 1 is an average value of instantaneous values between model updates + three times the standard deviation of instantaneous values (3 ⁇ )
  • the allowable value 2 is an average value of two-point average values. +3 times the standard deviation of instantaneous value (3 ⁇ ).
  • the allowable value 3 was an average value of instantaneous values + 8 times (8 ⁇ ) a standard deviation of instantaneous values.
  • the estimated effective time was 5 minutes and the forced update time was 40 minutes. Each sensing data is collected every 2 minutes.
  • FIG. 27 illustrates the results.
  • an abnormality is determined at 17:24, which is one hour earlier than 18:18 when the system is stopped. Moreover, after that, it returned to normal once and abnormalities occurred again at 18:10.
  • FIG. 28 illustrates an example in which each sensing data is normalized using each average value from 0 o'clock to 2 o'clock on the same day. The reason for standardizing with fixed values in this way is that we wanted to compare with the same index because modeling was not performed.
  • step S42 and step S47 in FIG. 26 “and” determination may be “or” determination.
  • one threshold is set for the estimated effective time, but a second threshold larger than the first threshold may be further set.
  • the safety information is one step higher than the abnormality alarm, but the attention information alarm is output as a warning. Good.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Measuring Temperature Or Quantity Of Heat (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

　判定装置は、センサ検出値の基準モデルを作成するモデル作成部と、所定の時点から、前記基準モデルと前記センサ検出値との乖離度が閾値を超えるまでの時間が所定の時間よりも短いか否かを判定する判定部と、短いと判定された場合に異常に係る信号を出力する出力部と、を備える。

Description

判定装置、判定方法および判定プログラム
　本件は、判定装置、判定方法および判定プログラムに関する。
　異常を判定する技術が開発されている。例えば、モデルとの乖離度を判断基準に用いて異常を判定する技術（例えば、特許文献１参照）や、モデルとの差分の積分を判断基準に用いて異常を判定する技術（例えば、特許文献２参照）が開示されている。
国際公開第２０１０／０８２３２２号 特公平４－２５５６５号公報
　しかしながら、上記技術では、異常の予兆を判定することは困難である。
　本件は上記課題に鑑みなされたものであり、異常の予兆を判定することができる判定装置、判定方法および判定プログラムを提供することを目的とする。
　１つの態様では、判定装置は、センサ検出値の基準モデルを作成するモデル作成部と、所定の時点から、前記基準モデルと前記センサ検出値との乖離度が閾値を超えるまでの時間が所定の時間よりも短いか否かを判定する判定部と、短いと判定された場合に異常に係る信号を出力する出力部と、を備える。
　異常の予兆を判定することができる。
（ａ）および（ｂ）は光ファイバによる温度測定方式の例である。 目的変数および説明変数群の一例を例示する図である。 （ａ）は燃料種Ａを用いた場合の推定値と実測値との差を温度差として例示したイメージ図であり、（ｂ）は燃料種Ｂを用いた場合の推定値と実測値との差を温度差として例示したイメージ図である。 閾値と異常判定との関係を例示する図である。 （ａ）は第１実施形態に係る判定装置の概略図であり、（ｂ）は判定部のハードウェア構成を説明するためのブロック図である。 説明変数群を例示する。 目的変数の推定式の設定、ならびに乖離度および推定有効時間の閾値の設定の処理を例示するフローチャートである。 異常判定を行う際に実行されるフローチャートの一例である。 （ａ）は第２実施形態に係る判定装置の概略図であり、（ｂ）は温度センサの例である。 異常判定を行う際に実行されるフローチャートの一例である。 （ａ）は目的変数の実測値であり、（ｂ）は説明変数の実測値である。 （ａ）は推定誤差の瞬時値であり、（ｂ）は推定誤差の積算値であり、（ｃ）は推定有効時間である。 温度センサの例である。 （ａ）はマハラノビス距離であり、（ｂ）は推定有効時間である。 変形例２の判定システムを例示する図である。 （ａ）および（ｂ）はセンサ部および測定器を例示する図である。 （ａ）～（ｃ）はセンサ部を例示する図である。 無次元化手続きを表すフローチャートを例示する図である。 （ａ）および（ｂ）は異常予兆を例示する図である。 異常判定を行う際に実行されるフローチャートの一例である。 比較例を例示するフローチャートである。 比較例の結果を例示する図である。 図２０に記載の方法の結果を例示する図である。 比較例の結果を例示する図である。 図２０に記載の方法の結果を例示する図である。 異常判定を行う際に実行されるフローチャートの一例である。 異常判定の結果を例示する図である。 センシングデータの規格化値を例示する図である。
　まず、異常判定の概略について説明する。
　化学プラント、製油工場、火力発電所等において、腐食等に起因してガス漏れ等が生じることがある。そこで、早期に異常を判定できることが望まれている。例えば、主配管に枝配管が溶接された配管系に対して、温度センサを配置し、ガスや液体の漏洩を温度変化として早期に検出することが考えられる。または、冷却水の配管温度を監視することで、万が一の冷却不具合等が発生しても、火災になる前に早期の温度異常を検知することができる。なお、以下における異常の「予兆の検知」とは、「ある対象を監視する場合に、何らかの手段を用いてその動作の一部を可視化し、その可視化された状態が正常な状態と異なるのではないか、と判断される場合に異常の予兆を検知したとする」というものである。
　温度異常の検知に、例えば、ラマン散乱光を測定して温度情報とする光ファイバによる温度測定方式が挙げられる。例えば、図１（ａ）で例示するように、光ファイバを枝配管に敷設することで、漏えいを温度変化として早期に検出することができる。また、図１（ｂ）で例示するように、ボイラの冷却水配管に光ファイバを敷設することで、冷却水温度を監視することができる。それにより、冷却不具合等が発生しても、火災になるまえに早期の温度異常を検知することができる。
　しかしながら、設備管理としてより好適なのは「事故を最小限に食い止める異常の検知」ではなく、「異常となる兆候を予測することで事故を未然に防止すること」にある。そこで、種々の運転制御用のセンサデータ等のパラメータを説明変数とし、後付のセンサ情報を目的変数とした回帰分析を行ったり、後付のセンサ情報同士の相関分析を行い、問題のない状態か否かを統計的に判断する手法が採られるようになってきた。これは、運転制御用のセンサデータ等のパラメータを一括管理できる程度にネットワーク技術が向上してきたこと、コンピュータパワーの増加により、種々の回帰分析手法や相関分析手法をリアルタイムに適用できるようになってきたことに起因する。
　しかしながら、上記手法は、いかに「推定誤差」（推定値と実測値との差）を最小化するかにフォーカスされている。したがって、「推定誤差」がどの程度になると異常と判定するのかについては、実用的な議論がなされていない。例えば、火力発電所においては、油種、石炭種等はパターン分類されるものではなく、産出国やその混合量等により、毎回特性が変わる。したがって、特性が変わるたびに推定のための初期化作業を行う必要が生じる。しかしながら、その精度により「推定誤差」が影響を受けるため、たとえば、一定時間に「推定誤差」がどの程度変化したか等をもって異常と判断する、といった設定の簡単な方法のみが採用されやすくなる。その結果、あいまいな閾値が設定されて、非実用的なシステムになりやすい。
　図２は、目的変数および説明変数群の一例を例示する図である。図２の例では、目的変数１～３は、ボイラの外壁メタルの各箇所の温度である。説明変数群は、目的変数と相関を有するセンサの出力値である。目的変数１～３の実測値は、外壁メタルに設置された温度センサなどを用いて取得することができる。図２で例示されるように、目的変数１～３の推定式は、各説明変数の係数および定数を設定することによって得られる。これらの係数および定数については、過去の各説明変数および目的変数の実測値に基づいて、最小２乗回帰（Ordinary Least Mean Square)や主成分回帰（Principal Components Regression）、偏最小２乗回帰（Partial Least Squares)等により設定することができる。説明変数情報が収集されるたびに、推定式に対して説明変数が入力され、推定値が導出される。
　同時刻に取得された目的変数の実測値と推定式の推定値とを比較することによって、システムが正常なのか異常なのか判定することができる。推定式の係数および定数を設定するには、一定期間の直近の過去データが必要である。この直近の期間を「モデリング期間」と称する。これに対して、実際に推定値と実測値との比較を行う期間を「スコアリング期間」と称する。スコアリング期間において、「推定誤差」が一定の値を超えれば推定から外れている状況が発生していると考えられる。
　図３（ａ）は、燃料種Ａを用いた場合のスコアリング期間における目的変数１および目的変数２の推定値と実測値との差を温度差として例示したイメージ図である。図３（ｂ）は、燃料種Ｂを用いた場合のスコアリング期間における目的変数１および目的変数２の推定値と実測値との差を温度差として例示したイメージ図である。
　燃料種Ａの場合は、しきい値が３σで±０．３℃であるとする。燃料種Ｂの場合は、しきい値が３σで±０．９℃であるとする。しかしながら、この３σを超えた状態が直ちに異常といえるか否かの客観的な判断は難しい。なぜならば０．３％の確率でこの値を超える可能性があるからである。逆に４σを設定した場合、異常を見逃す可能性も考えられる。
　図４は、閾値と異常判定との関係を例示する図である。図４で例示するように、閾値を比較的大きい閾値１に設定した場合は、真に問題が発生した場合に対して遅れが生じてしまい、対策が遅れてしまう。閾値を閾値１よりも小さい閾値２に設定した場合には、真に問題が発生する状況とは異なる状況で異常と判定されてしまうため、こちらも予兆検知の機能を果たせない。つまり、「十分に高精度な推定を行い、かつ、目的変数ごとに有用な閾値を設定し、その閾値で異常判定を行う」ことが出来ないと、有用な予兆検知は困難である。定期点検や油種の割合変更などの閾値に影響を与える内容の更新ごとに適正な閾値を検討することは事業継続において現実的ではない。
　以下の実施形態では、異常の予兆を判定することができる判定装置、判定方法および判定プログラムについて説明する。
　（第１実施形態）
　図５（ａ）は、第１実施形態に係る判定装置１００のブロック図である。本実施形態においては、判定装置１００は、一例として石炭の燃焼サイクルを利用する火力発電設備に設置される。判定装置１００は、説明変数取得部１０、複数の温度センサ２０ａ～２０ｃ、判定部３０などを備える。判定部３０は、モデル作成部３１、閾値設定部３２、異常判定部３３および出力部３４を備える。
　図５（ｂ）は、判定部３０のハードウェア構成を説明するためのブロック図である。図５（ｂ）で例示するように、判定部３０は、ＣＰＵ１０１、ＲＡＭ１０２、記憶装置１０３、インタフェース１０４などを備える。これらの各機器は、バスなどによって接続されている。ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１０１は、中央演算処理装置である。ＣＰＵ１０１は、１以上のコアを含む。ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）１０２は、ＣＰＵ１０１が実行するプログラム、ＣＰＵ１０１が処理するデータなどを一時的に記憶する揮発性メモリである。記憶装置１０３は、不揮発性記憶装置である。記憶装置１０３として、例えば、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、フラッシュメモリなどのソリッド・ステート・ドライブ（ＳＳＤ）、ハードディスクドライブに駆動されるハードディスクなどを用いることができる。ＣＰＵ１０１が記憶装置１０３に記憶されている判定プログラムを実行することによって、判定部３０にモデル作成部３１、閾値設定部３２、異常判定部３３および出力部３４が実現される。なお、モデル作成部３１、閾値設定部３２、異常判定部３３および出力部３４は、専用の回路などのハードウェアであってもよい。
　説明変数取得部１０は、各説明変数を取得する。図６は、説明変数群を例示する。図６で例示するように、説明変数は、電力量、給炭量、内部温度１、内部温度２、空気流量、圧力１、圧力２、圧力３、通風口１、通風口２、運転回転数、運転率、運転振動数などを含む。各説明変数は、目的変数１～３（温度センサ２０ａ～２０ｃの検出温度）と相関を有している。また、各説明変数は、互いに独立とみなせる（多重共線性が低い）ことが好ましい。電力量は、火力発電によって得られる発電電力である。給炭量は、炉に供給される石炭量である。内部温度１，２は、例えば炉の内部のいずれかの箇所の温度である。空気流量は、炉に供給される空気の流量である。圧力１～３は、例えば炉に接続される配管内の圧力である。通風口１，２は、通風口の温度などである。運転回転数、運転率および運転振動数は、炉の運転回転数、運転率および運転振動数などである。これらの説明変数は、各センサの出力値である。
　複数の温度センサ２０ａ～２０ｃは、例えば炉の外部の壁面の互いに異なる箇所に設置される。本実施形態においては、３箇所に温度センサが設置される。温度センサ２０ａ～２０ｃの温度測定方式は、例えば、光ファイバ内のラマン散乱光を用いた方式を用いることができる。例えば、正確な温度を測定するために、ほぼ同一の温度と見做すことができる小領域に２ｍ程度の長さの光ファイバを捲回する。このようにすることで、各捲回部がそれぞれ１つの温度センサとして機能する。本実施形態においては、温度センサ２０ａ～２０ｃが検出する壁面温度１～３を目的変数１～３の実測値として用いる。
　モデル作成部３１は、説明変数取得部１０が取得した説明変数および温度センサ２０ａ～２０ｃの検出値を用いて、目的変数１～３の推定式を作成する。この推定式は、目的変数１～３の基準モデルである。推定式は、図２で例示した推定式と同様に、各説明変数の係数および定数を設定することによって得られる。これらの係数および定数については、過去の各説明変数および温度センサ２０ａ～２０ｃの実測値に基づいて、最小２乗回帰、主成分回帰、偏最小２乗回帰等の回帰分析により設定することができる。
　閾値設定部３２は、基準モデルに対する目的変数の実測値の乖離度と推定有効時間とに閾値を設定する。基準モデルに対する目的変数の実測値の乖離度は、例えば、推定誤差＝（目的変数の実測値）－（目的変数の推定値）、推定誤差のデータ更新ごとの積算値、目的変数の実測値と目的変数の推定値の比などである。本実施形態においては、上記乖離度として、推定誤差、および推定誤差の積算値を用いる。目的変数の推定値は、推定式に説明変数を入力することによって得られる数値である。目的変数１に係る推定誤差は、（温度センサ２０ａの実測値）－（目的変数１の推定値）である。目的変数２に係る推定誤差は、（温度センサ２０ｂの実測値）－（目的変数２の推定値）である。目的変数３に係る推定誤差は、（温度センサ２０ｃの実測値）－（目的変数３の推定値）である。推定有効時間とは、基準モデルを用いたスコアリング期間において推定誤差の測定を開始してから上記いずれかの乖離度が閾値を超えるまでの時間である。異常判定部３３は、この推定有効時間が閾値を下回るか否かを判定することで、異常判定を行う。出力部３４は、異常判定部３３が異常の判定をした場合に、異常に係る信号を出力する。
　図７は、目的変数の推定式の設定、ならびに乖離度および推定有効時間の閾値の設定の処理を例示するフローチャートである。図７で例示するように、閾値設定部３２は、まず、初期条件更新フラグを検知する（ステップＳ１）。初期条件更新フラグは、目的変数の推定式、ならびに乖離度および推定有効時間の閾値の更新のトリガーとなるフラグである。次に、閾値設定部３２は、適当な許容値１，２を設定する（ステップＳ２）。許容値１は、推定誤差に対する閾値である。許容値２は、推定誤差の積算値に対する閾値である。
　次に、モデル作成部３１は、モデリング期間のデータセットを収集する（ステップＳ３）。このデータセットには、モデリング期間における所定の時間ごとの説明変数および温度センサ２０ａ～２０ｃの検出値（実測値）が含まれる。次に、モデル作成部３１は、ステップＳ３で収集したデータセットを用いて、目的変数１～３の推定式の係数および定数を決定する（ステップＳ４）。ステップＳ４の実行によって、目的変数１～３の推定式が設定される。
　次に、閾値設定部３２は、推定誤差の測定を開始し（スコアリング期間）、例えばスコアリング期間およびモデリング期間の最初の６０回（３０秒周期の測定の場合には３０分）の推定誤差の平均値および標準偏差を求める（ステップＳ５）。次に、閾値設定部３２は、平均値＋１σ値～３σ値を許容値１として再設定する。また、閾値設定部３２は、おおよそ推定有効時間が測定周期の６０～２４０倍（３０秒間隔の測定において３０分～２時間）程度になるように許容値２を再設定する（ステップＳ６）。ステップＳ６は、３０秒間隔の測定においてスコアリング期間が３０分になる前に再推定になるようならば、許容値１，２が小さいということなので、緩和することに相当する。
　次に、閾値設定部３２は、ステップＳ６の再設定後、推定有効時間の仮の閾値を設定し、推定誤差の仮測定を開始する（ステップＳ７）。次に、モデル作成部３１は、推定誤差が許容値１を超えるか推定誤差の積算値が許容値２を超えた場合に基準モデルの再作成を行うことを繰り返す。閾値設定部３２は、当該再作成が３０回行われる程度のデータが蓄積されたか否かを判定する（ステップＳ８）。ステップＳ８で「Ｎｏ」と判定された場合、ステップＳ８が再度実行される。ステップＳ８で「Ｙｅｓ」と判定された場合、閾値設定部３２は、ステップＳ８で得られた推定有効時間の平均値と標準偏差を求め、例えば３σ値を用いて推定有効時間の閾値を再設定する（ステップＳ９）。なお、ステップＳ６～ステップＳ９において、仮の有効時間でも、閾値を下回れば、出力部３４は異常に係る信号を出力する。
　許容値１，２および推定有効時間の閾値については、いったんデータを蓄積してしまえばあらかじめ組み込んだプログラムで過去にさかのぼって何度でも設定できるものである。したがって、許容値１，２を再設定したらそこから再度データ蓄積を行って検算する、同じく推定有効時間の閾値を再設定したらそこから再度データ蓄積を行って検算する、ということは不要である。したがって、定期点検や油種の割合変更などの後にシステムに対して、「変更がなされた」という情報のみを入力を行えばよいシステムが構築可能である。
　図８は、閾値設定部３２によって許容値１，２および推定有効時間の閾値が設定された後に異常判定部３３が異常判定を行う際に実行されるフローチャートの一例である。異常判定部３３は、閾値設定部３２によって許容値１，２および推定有効時間の閾値が設定された後のデータセットを収集する（ステップＳ１１）。次に、異常判定部３３は、推定誤差が許容値１を超えたか、または推定誤差の積算値が許容値２を超えたか否かを判定する（ステップＳ１２）。ステップＳ１２でいずれも超えていないと判定された場合、ステップＳ１２が再度実行される。ステップＳ１２でいずれかが超えたと判定された場合、異常判定部３３は、推定有効時間が所定の時間（例えば３０秒間隔での測定で１０分）より短いか否かを判定する（ステップＳ１３）。ステップＳ１３で「Ｙｅｓ」と判定された場合、出力部３４は、異常に係る信号を出力する（ステップＳ１４）。ステップＳ１３で「Ｎｏ」と判定された場合、異常判定部３３は、その時点からの過去データ（例えば３０秒間隔の測定で１時間）を用いて再度推定を行い、推定式の係数および定数を更新する（ステップＳ１５）。その後、ステップＳ１１から再度実行される。
　図８の例では、許容値１は推定誤差の閾値であり、許容値２は推定誤差のデータ更新ごとの積算値である。一定の推定が出来ていれば長期間で平均すれば推定誤差の平均値はほぼ０になるが、推定と異なる状況が生じてくると正負どちらかの値が大きくなり始める。この変化に対して設定された閾値が許容値２である。たとえ推定誤差の平均値がゼロ近傍になっていたとしても、突発的に生じ始めた事象の場合、推定誤差が大きくなるため、異常とみなすことができる。この場合の値が許容値１である。
　許容値１，２は、あいまいさを含んでいるため、測定される推定誤差が許容値1を超過し、または推定誤差の積算値が許容値２を超過することがある。しかしながら、モデル作成部３１は、その時点で再度推定を行い、推定式の係数および定数を更新し、その時点を推定開始時間としてカウントを再開する。次回に許容値１または許容値２を超過するまでの期間を「推定有効時間」とし、その「推定有効時間」に対して閾値を設定するのが図８の方式である。図８の例では許容値を２つ設定したが、１つでも構わないし、もっと多数の設定を行っても構わない。たとえば、１つないし複数個の許容値を超過したうえで、それとは別の１つないし複数個の許容値を超過した段階で「推定有効時間」を確定し、再度推定を行う、という方法でも構わない。
　本実施形態においては、閾値を超過する現象が頻繁に発生することが許容される。その代り、その頻度がどの程度の間隔で発生するのかが重要視される。発電所やプラント、その他の想定適用先においても、現象は徐々に変化する。したがって、基準モデルの作成後において推定誤差が小さくなる傾向にある。その状態で推定誤差が大きければそれは定式で考慮されない事象が発生しているということである。したがって、「推定有効時間」が短くなっているということは、閾値の設定や推定のあいまいさを考慮しても異常な状況が発生していると判断できるものである。すなわち、本実施形態によれば、異常の予兆を判定することができる。
　また、本実施形態によれば、基準モデルに対する温度センサ２０ａ～２０ｃの乖離度の閾値は、基準モデルの作成後の一定期間の乖離度を基に決定されることになる。この場合、乖離度の閾値の設定精度が向上する。また、本実施形態によれば、推定有効時間の閾値は、乖離度が閾値を超えるまでの時間のばらつきを基に決定される。この場合、推定有効時間の閾値の設定精度が向上する。
　（第２実施形態）
　第１実施形態においては、センサ検出値と、センサ検出値と相関を有する複数の他のセンサの検出値とを用いて基準モデルを作成したが、これに限られない。第２実施形態においては、複数のセンサの検出値同士の相関関係を用いて、センサ検出値の基準モデルを作成する。
　まず、複数の温度センサが検出する温度推移データの相関関係から、早期に異常の兆候を見出す予兆検知方法について検討してみる。この場合、対象とするデータ群の平均および分散共分散行列から算出するマハラノビス平方距離を求める方法、データの中心および拡がりをロバストに推定し、マハラノビス平方距離に相当する統計量を求めるＭＳＤ法などを用いることができる。
　これらは、「外れ値検出」と称されるものである。このマハラノビス平方距離を求める手続きを用いて具体的に早期に異常を見出す予兆検知を行う手順を、時刻ｔにおけるｎ個の温度データＴ１（ｔ），Ｔ２（t），Ｔ３（ｔ），…，Ｔｎ（t）として以下の（１）～（３）に示す。 
　（１）モデリング期間（現在時刻よりも古い、データが蓄積された一定期間）を設定し、その期間の各ｎ個の温度センサの温度データの平均および温度データ群の不偏分散共分散行列と逆行列を求める。
　（２）モデリング期間内の各時刻Ｔｍ（ｍ＝０，１，２，…）の温度データＴ１（ｍ）～Ｔｎ（Ｔｍ）に対して、（１）を用いて「モデリング期間のｎ個の温度センサの温度データ群」に対するマハラノビス平方距離を求める。それらの値の標準偏差（３σ等）から異常となる閾値を設定する。
　（３）新たな時刻ＴのデータセットＴ１（Ｔ）～Ｔｎ（Ｔ）が得られるたびに、この「モデリング期間のｎ個の温度センサの温度データ群」との間のマハラノビス平方距離を求め、それが閾値以下か否かを判定する。
　ＭＳＤ法を用いる場合も、モデリング期間を設定し、その期間から閾値を決定して、新たなデータセットと閾値とを逐次的に比較するという手順は同じである。つまり、各測定データ同士の相関を用いた「外れ値検出」による予兆検知においても、閾値の設定により、予兆検知の精度が決まってしまう。すなわち、「十分に高精度な推定を行い、かつ、有用な閾値を設定し、その閾値で異常判定を行う」ことが出来ないと、有用な予兆検知は困難である。そこで、第２実施形態においても、異常の予兆を判定することができる判定装置、判定方法および判定プログラムについて説明する。
　図９（ａ）は、第２実施形態に係る判定装置１００ａの概略図である。判定装置１００ａが第１実施形態の判定装置１００と異なる点は、説明変数取得部１０が設けられておらず、温度センサ２０ａ～２０ｃの代わりに温度センサ２０が設けられている点である。温度センサ２０は、温度値が互いに相関を有する複数個所の温度を検出する。例えば、図９（ｂ）で例示するように、温度センサ２０は、同一光ファイバの異なる長さ位置の後方散乱光によって得られる結果を基に各箇所の温度を検出する。図９（ｂ）の例では、各捲回部がそれぞれ個別の温度センサとして機能する。判定部３０の構成は第１実施形態と同様である。
　本実施形態においては、モデル作成部３１は、温度センサ２０が検出する各箇所の検出値の平均および分散共分散行列から算出するマハラノビス平方距離を求めることで、基準モデルを作成する。また、モデル作成部３１は、上記検出値の中心および拡がりをロバストに推定し、マハラノビス平方距離に相当する統計量を求めるＭＳＤ法などを用いることで、基準モデルを作成する。ここでの基準モデルは、複数の検出値同士の相関関係の大きさ（各２つのセンサ同士に注目すれば、方位）を反映したばらつきの中心である。
　閾値設定部３２は、基準モデルに対するセンサ検出値の実測値の乖離度と推定有効時間とに閾値を設定する。基準モデルに対する目的変数の実測値の乖離度は、マハラノビス平方距離、マハラノビス平方距離のデータ更新ごとの積算値などである。本実施形態においては、上記乖離度として、マハラノビス平方距離およびマハラノビス平方距離の積算値を用いる。推定有効時間とは、基準モデルの作成後のスコアリング期間においてマハラノビス平方距離の測定を開始してから上記いずれかの乖離度が閾値を超えるまでの時間である。異常判定部３３は、この推定有効時間が閾値を下回るか否かを判定することで、異常判定を行う。出力部３４は、異常判定部３３が異常の判定をした場合に、異常に係る信号を出力する。
　基準モデルの設定、ならびに乖離度および推定有効時間の閾値の設定については、図７と同様の処理によって行うことができる。なお、閾値設定部３２は、許容値１，２の他に、許容値３を予め設定しておく。図１０は、閾値設定部３２によって許容値１，２および推定有効時間の閾値が設定された後に異常判定部３３が異常判定を行う際に実行されるフローチャートの一例である。異常判定部３３は、閾値設定部３２によって許容値１，２および推定有効時間の閾値が設定された後のデータセットを収集する（ステップＳ２１）。このデータセットは、温度センサ２０の各箇所の検出値ごとに収集される。
　次に、異常判定部３３は、いずれかの箇所のマハラノビス平方距離が許容値１を超えたか、または当該箇所のマハラノビス平方距離の積算値が許容値２を超えたか否かを判定する（ステップＳ２２）。ステップＳ２２でいずれも超えていないと判定された場合、ステップＳ２２が再度実行される。ステップＳ２２でいずれかが超えたと判定された場合、異常判定部３３は、マハラノビス平方距離が許容値３を超えたか否かを判定する（ステップＳ２３）。
　ステップＳ２３で「Ｙｅｓ」と判定された場合、出力部３４は、異常に係る信号を出力する（ステップＳ２４）。ステップＳ２３で「Ｎｏ」と判定された場合、異常判定部３３は、推定有効時間が所定の時間（例えば３０秒間隔での測定で１０分）未満であるか否かを判定する（ステップＳ２５）。ステップＳ２５で「Ｙｅｓ」と判定された場合、出力部３４は、異常に係る信号を出力する（ステップＳ２６）。
　ステップＳ２５で「Ｎｏ」と判定された場合、異常判定部３３は、その時点から過去データ（例えば３０秒間隔の測定で１時間）を用いて再度マハラノビス平方距離やＭＳＤ法におけるマハラノビス平方距離に相当する統計量を導出するためのパラメータを求める（ステップＳ２７）。この場合のパラメータとして、温度センサ２０の各箇所における新規モデリング期間における平均値や不偏分散共分散行列および逆行列などが含まれる。その後、ステップＳ２１から再度実行される。
　図１０の例は、３つの許容値を設定し、マハラノビス平方距離が許容値１を超えるか積算値が許容値２を超えた場合は新しいデータ群を用いて再度推定を行うが、その前に、許容値３を超えていたら異常と判定する、という例である。たとえば、マハラノビス平方距離を導出する方法の場合、逐次求められるマハラノビス平方距離と許容値１とを比較し、そのマハラノビス平方距離の積算値と許容値２を比較する、といった方法が挙げられる。また、たとえば温度を複数点測定していて、その複数点の温度が揃って危険な温度に推移した場合などではマハラノビス平方距離は小さいが、異常状態と言える。このような状況を回避するために、許容値３を設定し、測定データそのものと比較する。許容値３は固定数値とせず、測定点数それぞれに対して固有の値を決めてもよい。許容値の設定数や設定方法は図１０の例に限られない。
　本実施形態においても、推定有効時間が短くなった場合に異常と判定されるため、異常の予兆を判定することができる。また、基準モデルに対する温度センサ２０の各検出値の乖離度の閾値は、基準モデルの作成後の一定期間の乖離度を基に決定されることになる。この場合、乖離度の閾値の設定精度が向上する。また、推定有効時間の閾値は、乖離度が閾値を超えるまでの時間のばらつきを基に決定される。この場合、推定有効時間の閾値の設定精度が向上する。
　上記実施形態に従い、具体的な実施例について説明する。実施例１においては、第１実施形態に従い、図６と同様の目的変数および説明変数を用いた。実施例１に係るシステムは、壁面温度１～３が適正な範囲に保たれているのかを説明変数群から予測し、最も効率的な状態で運転サイクルを回すことを目的としている。運転サイクルが高温・高圧になりすぎればボイラ以前の燃焼が発生し、低温になりすぎればボイラでの燃焼効率が低下する。最適な温度・圧力を、燃焼を回避してコントロールすることが求められる。
　これら説明変数に対して、図７の処理に従って、閾値を以下の通り設定した。本実施例においては、目的変数１～３に対して、同じ数値を用いた。
許容値１　　　　　　±２℃
許容値２　　　　　　±１０℃
有効時間の閾値　　　２０分未満
　毎回の推定毎のモデリング時間は１時間とし、推定には主成分回帰を用いた。主成分回帰の具体的な方法を以下に示す。
（１）モデリング期間の説明変数群と目的変数１の値を用いて１４行１４列の分散共分散行列を生成する。具体的には、目的変数１の分散が１４行１４列目になるように最後段に配置する。
（２）目的変数の行／列を除く、１３行１３列に対して、逆行列を生成する。
（３）（２）で求めた逆行列と（１）で求めた１４列目の１４行目の要素を除く積を求めて、１３個の数値を得て、これらを説明変数の各係数とする。
（４）モデリング期間の各説明変数の平均値を算出し、この各平均値に（３）で求めた係数を掛けてそれらの和を取る。
（５）モデリング期間の目的変数の平均値を算出してから（４）で求めた値を差し引き、これを推定式の定数とする。
　本実施例においては、システム異常をシステム運用停止で代用する。図１１（ａ）および図１１（ｂ）で例示するように、１７：２０前後からシステムの運転状態が変更されるが、特にそれに伴う異常は発生していないものの、１８：１８に各説明変数が急激に変動する。これはシステムの運用を停止したからである。この１８：１８のシステム運用停止を数分間でも早く推定できればシステムとして有効である。
　図１２（ａ）は、推定誤差の瞬時値である。図１２（ｂ）は、推定誤差の積算値である。図１２（ｃ）は、推定有効時間である。図１２（ｂ）で積算値がゼロにリセットされている位置と図１２（ｃ）のデータ位置とが同じである。これは、その時点で図１２（ａ）の瞬時値が許容値１を超えるか図１２（ｂ）の積算値が許容値２を超過し、再推定計算を行ったからである。図１２（ａ）を見ると、前述したとおり、再推定開始直後の推定誤差が小さくなっていることがわかる。また、図１１（ａ）、図１１（ｂ）および図１２（ｃ）を比較すると、推定有効時間が１８：１８に向かって徐々に低下し、１７：５５から１６分後の１８：１２時点で異常と判断できる条件を満たしているが、この異常の自動判定が合理的であるのがわかる。１８：１８よりも６分前に異常確認が出来たことになり、システムの速やかな停止指令が可能になる。
　実施例２は、第２実施形態に従った例である。図１３で例示するように、捲回部の集合を４つ作成し、炉の壁面にそれぞれ密着させた。これら４つの集合のそれぞれを温度センサとして用いた。図１３において、○で描かれた部分が捲回部であり、各捲回部は同一の光ファイバで結ばれている。また、網目模様を利用して温度分布が描かれている。粗い網目部分では温度が低く、細かい網目部分では温度が高くなっている。各機器の内部で部分的に過度な熱の蓄積がはじまれば、部分的に温度が上昇するので、それにより異常を検知することができる。
　本実施例では、各４つの捲回部集合からそれぞれ３か所の捲回部を抽出し、計１２個の捲回部の相関分析を行うことで異常の予兆検知を行う。具体的には、各捲回部集合の左下をローカル座標の基準原点（Ｘ，Ｚ）＝（０，０）として、各捲回部が含まれる座標を左下と右上の２点で付与することで領域を設定する。
つまり、
捲回部集合１　領域１　（Ｘ１ａ１，Ｚ１ａ１），（Ｘ１ａ２，Ｚ１ａ２）
　　　　　　　領域２　（Ｘ１ｂ１，Ｚ１ｂ１），（Ｘ１ｂ２，Ｚ１ｂ２）
　　　　　　　領域３　（Ｘ１ｃ１，Ｚ１ｃ１），（Ｘ１ｃ２，Ｚ１ｃ２）
捲回部集合２　領域１　（Ｘ２ａ１，Ｚ２ａ１），（Ｘ２ｂ２，Ｚ２ａ２）
　　　　　　　領域２　（Ｘ２ｂ１，Ｚ２ｂ１），（Ｘ２ｂ２，Ｚ２ｂ２）
といったように、領域を指定する。
　さらに、各領域に含まれる光ファイバの各位置の温度からそれらの平均値や最高値、最低値などをもとめ、それを各領域の温度データとする。本システムでは、これら１２個の温度に対してそれぞれ閾値を設け、これを許容値３とする。本実施例において、許容値３に相当する温度を超過することはなかったので、許容値１，２と有効時間閾値のみ設定した。
　許容値１は、新規データセットの、その時点で用いているモデリング期間のデータに対するマハラノビス平方距離の値に対して設定したものである。許容値２は、１サンプル前のマハラノビス平方距離と新規データセットのマハラノビス平方距離の平均値に対して設定したものである。
　積分値を用いないのは、以下の理由による。すなわち、マハラノビス平方距離は、新規データセットがモデリング期間のデータセットの重心に対してどれだけ離れているかを示すものである。マハラノビス平方距離は、どの方向にというベクトル的な成分も考慮して加算すれば重心のまわりで一定の距離をもって回転するようにデータセットが更新される場合と、重心を横切って異なる象限に移行するような場合を異なる数値で示すことができる。しかしながら、スカラー的な加算ではこれらは同じに見えてしまうと考えられるためである。
　そこで、少なくとも徐々にデータセットが外れてくれば近傍のデータは同じ方向に行くという仮定の下で、平均値を許容値２として採用することとした。
許容値１　　　　　　　６０
許容値２　　　　　　　５０
有効時間の閾値　　　　２０分未満
　マハラノビス平方距離の求め方は前述のとおりである。具体的に、マハラノビス平方距離を求めて予兆検知した結果を図１４（ａ）および図１４（ｂ）で例示する。図１４（ａ）で例示するように、スコアリング期間においてはモデリング期間直後が最もマハラノビス平方距離は小さくなる。当該マハラノビス距離は、時間が経過していくにしたがって増加するが、その増加傾向はそれぞれの時間帯で異なる。１７：０４の再推定では５０分となった推定有効時間は、その後短くなる一方となり、１７：５４の再推定の推定有効時間は１４分、１８：０８の再推定の推定有効時間は８分である。閾値２０分と比較すると１７：５４の１４分後の１８：０８に異常確認が出来たことになる。これは、システムが停止した１８：１８よりも１０分早い段階であり、本例ではシステム停止について記載したが、実際に何らかの事故の兆候が見られる場合に置いても、初動対応が可能な時間が確保できる可能性が見いだせたことになる。
　（変形例１）
　上記第１実施形態および第２実施形態において、複数の温度センサ２０ａ～２０ｃまたは温度センサ２０の温度測定方式は、光ファイバ内のラマン散乱光を用いた方式であるが、これに限られるものではない。例えば、温度センサ２０ａ～２０ｃまたは温度センサ２０として、熱電対、測温抵抗体、カメラ撮像タイプの赤外線サーモグラフィ等が用いられる。
　ただし、熱電対や測温抵抗体を用いる場合には、測定ポイント各１点につき、導線同士及び各導線と壁面との間の絶縁が保持された２本の導線が必要である。また、赤外線サーモグラフィを用いる場合には、測定する面の保温等がなされておらず、遮蔽物もない外側から撮像可能な状態となっていること、測定ポイントに該当する位置近傍の複数の温度データから平均化などで測定ポイント１点にまとめること、輝度から温度への正確な変換のために外壁面の放射率をあらかじめ得ておくこと、などが必要である。
　また、上記第１実施形態および実施例１では温度を目的変数とし、その他のセンシングデータを説明変数としたが、その他のセンシングデータから目的変数とするものを決めて、測定する温度もその他のセンシングデータとともに説明変数とするなどでも構わない。どのような値に注目するか、ということだけであるため、たとえば、電力量を目的変数として、異常予兆が検知されれば発電システムの効率の劣化が発生している、という使用方法でも構わない。これは、第２実施形態および第２実施例においてもいえることである。例えば、温度センサ２０ではなく、その他のセンシングデータ同士に対して上記実施形態を適用しても構わない。これに関しては、後述の実施例４で述べる。
　（変形例２）
　図１５は、変形例２の判定システムを例示する図である。実施形態２においては、判定部３０は、温度センサ２０から直接データを取得している。これに対して、変形例２の判定システムは、判定部の機能を有するサーバが、電気通信回線を通じて温度センサからデータを取得するものである。
　変形例２の判定システムは、温度センサ２０、サーバ２０２、監視サーバ２０３を含む。温度センサ２０は、測定対象物の温度データを取得するためのセンサ部２１と、センサ部２１から測定データを取得し温度データ生成する測定器２２とを有する。
　温度センサ２０は、インターネットなどの電気通信回線２０１を通じてサーバ２０２と接続された構成を有する。また、センサ部２１が設置された測定対象物を監視する監視サーバ２０３は、電気通信回線２０１に接続されている。サーバ２０２は、図５（ｂ）のＣＰＵ１０１、ＲＡＭ１０２、記憶装置１０３、インタフェース１０４などを備え、判定部３０としての機能を実現する。
　このような判定ステムにおいて、例えば、日本に設置されているサーバ２０２は、他国の発電所の石炭バンカで測定された測定データを受信し、石炭バンカにおける異常発熱の予兆を検知する。サーバ２０２から出力された結果が、監視サーバ２０３に送信される。
　本変形例は、実施形態１に適用することもできる。例えば、温度センサ２０の代わりに複数の温度センサ２０ａ～２０ｃを用いればよい。
　（変形例３）
　図１６（ａ）および図１６（ｂ）は、センサ部２１および測定器２２を例示する図である。図１６（ａ）で例示するように、センサ部２１は、例えば、石炭を砕いて微粉を製造するための微粉炭機のミル中間ハウジング部４０の外壁に取り付けられている。図１６（ａ）で例示するように、ミル中間ハウジング部４０は、石炭４１が落下して一時的に貯留される貯留部４２と、貯留部４２に貯留されている石炭４１を粉砕する粉砕リング４３およびローラ４４とを備える。粉砕によって得られた微粉炭４５は、一次空気室４６の空気によって上昇する。
　図１６（ｂ）で例示するように、測定器２２は、レーザ１１、ビームスプリッタ１２、光スイッチ１３、フィルタ１４、複数の検出器１５ａ，１５ｂ、演算部１６などを備える。レーザ１１は、半導体レーザなどの光源であり、所定の波長範囲のレーザ光を出射する。例えば、レーザ１１は、所定の時間間隔で光パルス（レーザパルス）を出射する。ビームスプリッタ１２は、レーザ１１が出射した光パルスを光スイッチ１３に入射する。光スイッチ１３は、入射された光パルスの出射先（チャネル）を切り替えるスイッチである。ダブルエンド方式では、光スイッチ１３は、センサ部２１の光ファイバ２３の第１端および第２端に一定周期で交互に光パルスを入射する。シングルエンド方式では、光スイッチ１３は、光ファイバ２３の第１端または第２端のいずれか一方に光パルスを入射する。光ファイバ２３は、温度測定対象の所定の経路に沿って配置されている。
　光ファイバ２３に入射した光パルスは、光ファイバ２３を伝搬する。光パルスは、伝搬方向に進行する前方散乱光および帰還方向に進行する後方散乱光（戻り光）を生成しながら徐々に減衰して光ファイバ２３内を伝搬する。後方散乱光は、光スイッチ１３を通過してビームスプリッタ１２に再度入射する。ビームスプリッタ１２に入射した後方散乱光は、フィルタ１４に対して出射される。フィルタ１４は、ＷＤＭカプラなどであり、後方散乱光を長波長成分（ストークス成分）と短波長成分（アンチストークス成分）とを抽出する。検出器１５ａ，１５ｂは、受光素子である。検出器１５ａは、後方散乱光の短波長成分の受光強度を電気信号に変換して演算部１６に送信する。検出器１５ｂは、後方散乱光の長波長成分の受光強度を電気信号に変換して演算部１６に送信する。演算部１６は、ストークス成分およびアンチストークス成分を用いて、光ファイバ２３の延伸方向の温度分布を測定する。
　図１７（ａ）は、センサ部２１の透過図であり、図１７（ｂ）のシート２４ｂを透過した図である。図１７（ｂ）は、図１７（ａ）のＡ－Ａ線断面図である。センサ部２１は、光ファイバ２３が所定の位置に配置されたファイバシートである。図１７（ａ）および図１７（ｂ）で例示するように、センサ部２１は、光ファイバ２３を挟んで保持する一対のシート２４ａ，２４ｂと、シート２４ａ，２４ｂ間の隙間を保つガラスクロステープ２５と、光ファイバ２３の捲回部２６の位置を大まかに決めるスリット入り金属管２７とを有する。
　光ファイバ２３は、複数回巻きまわされた状態でシート２４ａ，２４ｂに保持された捲回部２６ａ～２６ｈ（以下、捲回部２６と総称する）を有する。図１７（ｃ）は、光ファイバ２３が１重に巻きまわされた例を表す。捲回部２６ａ～２６ｈは、１本の光ファイバ２３により構成されるか、上段下段で各１本ずつ、計２本の光ファイバ２３で構成される。後者の場合、たとえば、図１７（ａ）における上段下段接続部で融着接続する。シート２４ａは測定対象に接している。シート２４ａには粘着テープ２８が設けられている。それにより、シート２４ａを温度測定対象物に貼り付けることができる。
　捲回部２６ａ～２６ｈは、それぞれ、例えば２～８回、巻き回されている。例えば４回巻き回された捲回部である場合を考えると、光ファイバ２３の直径は耐熱温度により異なるが、０．１６～０．４ｍｍであるので、金属管２７の内径は光ファイバ２３の直径の２倍以上の１～２ｍｍ程度が必要となる。金属管２７の板厚は０．５ｍｍ程度なので、シート２４ａから２４ｂに向かって２～３ｍｍ程度の厚みを持っている。
　第２実施形態において、各領域に含まれる光ファイバの各位置の温度からそれらの平均値や最高値、最低値などを求め、それを各領域の温度データとしているが、変形例３の捲回部２６は図１７（ｂ）のごとく厚みを持つ構成となっており、捲回部２６のうち、測定対象から離れた部分の温度は測定対象の実際の温度から大きく外れる場合がある。
　そこで、捲回部２６ａ～２６ｈに含まれる複数の測定点が示す温度値の中から、あらかじめ定められた数点、例えば、最も温度の高い値から順に５点を選択して平均値を求め、各圏回部に各捲回部に対応する領域の温度とする。これにより、測定される温度の精度が高まり、測定対象の温度の異常状態の予兆を更に精度よく検出することができる。
（第３実施形態）
　第２実施形態とは別の目的を保持する実施形態として、第３実施形態について説明する。図１０で例示した第２実施形態では、さまざまなセンシングデータを用いることを前提としていたものの、その具体的な方法は示していなかった。そこで、本実施形態ではまず、その方法の一例を示す。この方法自体は、特許第５３０８５０１号においても、確率変数への変換として開示されているものと同様で、通常の多変量解析では一般的な方法である。
　図１８は、時刻ｔにおけるＮ個のセンシングデータＳ１（ｔ）～ＳＮ（ｔ）を用いてモデリングをする場合の無次元化手続きを表すフローチャートを例示する図である。この無次元化手続きは、モデル作成部３１が図７のステップＳ３およびステップＳ４を実行する場合、異常判定部３３が図８のＳ１５または図１０のステップＳ２７を実行する場合に行われる。なお、Ｎ個のセンシングデータＳ１（ｔ）～ＳＮ（ｔ）は、各目的変数および各説明変数である。ここでは、モデル作成部３１を主体とする場合について説明する。
　モデル作成部３１は、現在の基準時刻ｔから所定の過去時間（モデリング期間）における各センシングデータの平均値と標準偏差を求める（ステップＳ３１）。時刻ｔにおけるＮ個の各センシングデータＳ１（ｔ）～ＳＮ（ｔ）のその時点ｔ０からの、モデリングに用いる所定の過去時間ΔＴ間の各平均値Ｓ１＿ａｖｅ～ＳＮ＿ａｖｅは、下記式で表される。
Ｓ１＿ａｖｅ＝Ａｖｅｒａｇｅ（Ｓ１（ｔ０），…，Ｓ１（ｔ０－ΔＴ）），
Ｓ２＿ａｖｅ＝Ａｖｅｒａｇｅ（Ｓ２（ｔ０），…，Ｓ２（ｔ０－ΔＴ）），
…
ＳＮ＿ａｖｅ＝Ａｖｅｒａｇｅ（ＳＮ（ｔ０），…，ＳＮ（ｔ０－ΔＴ））
標準偏差Ｓ１＿ｓｉｇｍａ～ＳＮ＿ｓｉｇｍａは、下記式で表される。
Ｓ１＿ｓｉｇｍａ＝Ｓｔａｎｄａｒｄ　Ｄｅｖｉａｔｉｏｎ（Ｓ１（ｔ０），…，Ｓ１（ｔ０－ΔＴ）），
Ｓ２＿ｓｉｇｍａ＝Ｓｔａｎｄａｒｄ　Ｄｅｖｉａｔｉｏｎ（Ｓ２（ｔ０），…，Ｓ２（ｔ０－ΔＴ）），
…
ＳＮ＿ｓｉｇｍａ＝Ｓｔａｎｄａｒｄ　Ｄｅｖｉａｔｉｏｎ（ＳＮ（ｔ０），…，ＳＮ（ｔ０－ΔＴ））
　次に、モデル作成部３１は、パラメータ導出の際にはまず各センシングデータ値から各平均値を差し引いてゼロ基準の値とし、さらに標準偏差値もしくはその数倍の値で割り算を行う（ステップＳ３２）。それにより、各センシングデータが無次元化される。異常判定部３３が無次元化手続きを行った場合には、図８のステップＳ１１または図１０のステップＳ２１を実行する際に、新しいデータ群に対して上記の無次元化処理を行う。
　上記無次元化処理によれば、各センシングデータはいずれもモデリング期間においては、平均値がゼロになり、また、値のばらつきも一様になる。値のばらつきは後のパラメータ導出の方法により是正可能なので、標準偏差値は用いずに、算出した各平均値で各センシングデータ値の割り算を行い、その結果得られた値でパラメータ導出してもよい。その場合は、モデリング期間における平均値は１になる。この無次元化手続きにより、図６で例示された壁面温度１～３、電力量、給炭量、圧力１～３等々の次元の異なるセンシングデータをたとえば図８や図１０の方法で扱うことが可能になる。
　ところで、プラントにおける異常予兆とは、ほとんどの場合、何らかの事象が１発だけ起きてすぐ収束するものではなく、図１９（ａ）で例示する石炭の自然発火現象や、図１９（ｂ）で例示する軸受劣化故障のように、じわじわと悪化してあるとき加速度的に頻発しはじめて、それが連続現象となって事故に至る、というものであり、実際の発電所・プラントなどでみられる、突発的にある短時間のみ何らかの異常が発生するが、その後すぐに正常に収まる、という場合などとは切り分けて考える必要がある。なお、図１９（ａ）においては、石炭種Ａ～Ｈのいずれにおいても、加速度的に自然発火現象が頻発することが表されている。
　そこで、図２０の手順を本実施形態の１つの方法として開示する。装置構成は、実施形態２と同様である。異常判定部３３は、閾値設定部３２によって許容値１，２および推定有効時間の閾値が設定された後のデータセットを収集する（ステップＳ４１）。このデータセットは、温度センサ２０の各箇所の検出値ごとに収集される。
　次に、異常判定部３３は、いずれかの箇所のマハラノビス平方距離が許容値１を超え、かつ当該箇所のマハラノビス平方距離の積算値が許容値２を超えたか否かを判定する（ステップＳ４２）。ステップＳ４２で「Ｎｏ」と判定された場合、ステップＳ４１から再度実行される。ステップＳ４２で「Ｙｅｓ」と判定された場合、異常判定部３３は、マハラノビス平方距離が許容値３を超えたか否かを判定する（ステップＳ４３）。
　ステップＳ４３で「Ｙｅｓ」と判定された場合、出力部３４は、異常に係る信号を出力する（ステップＳ４４）。ステップＳ４３で「Ｎｏ」と判定された場合、異常判定部３３は、その時点から過去データ（例えば３０秒間隔の測定で１時間）を用いて再度マハラノビス平方距離やＭＳＤ法におけるマハラノビス平方距離に相当する統計量を導出するためのパラメータを求める（ステップＳ４５）。この場合のパラメータとして、温度センサ２０の各箇所における新規モデリング期間における平均値や不偏分散共分散行列および逆行列などが含まれる。
　次に、異常判定部３３は、ステップＳ４１で収集した現在のデータセットを用いて以下のステップＳ４７，Ｓ４８の外れ値検定を開始する（ステップＳ４６）。まず、異常判定部３３は、いずれかの箇所のマハラノビス平方距離が許容値１を超え、かつ当該箇所のマハラノビス平方距離の積算値が許容値２を超えたか否かを判定する（ステップＳ４７）。ステップＳ４７で「Ｎｏ」と判定された場合、異常判定部３３は、推定有効時間が所定の時間（例えば３０秒間隔での測定で１０分）未満であるか否かを判定する（ステップＳ４８）。ステップＳ４８で「Ｙｅｓ」と判定された場合、異常判定部３３は、異常に係る信号を出力する（ステップＳ４９）。
　ステップＳ４７で「Ｎｏ」と判定された場合、異常判定部３３は、推定有効時間を、所定の時間よりも大きな固定値にセットする（ステップＳ５０）。その後、ステップＳ４１から再度実行される。ステップＳ４８で「Ｎｏ」と判定された場合、異常判定部３３は、推定有効時間をゼロにリセットする（ステップＳ５１）。その後、ステップＳ４１から再度実行される。
　図２０の例では、図１０と異なり、モデリングの後に新しいデータセットを用いて外れ値検定を行うのではなく、現在のデータセットで再度外れ値検定を行い、その結果により推定有効時間をリセットするか否かを決めている。これは、モデリングが行われずに一定程度時間が経過している状態である時点で新しいデータセットで許容値１または許容値２を超えた場合に、それが実際に突発的な事象の発生に起因したものなのか、それとも、単純に炭種変更や出力指令変更に起因したものかを切り分けるためである。この技術思想は、実施形態１にも適用することができる。もしモデリング後に再度許容値１または許容値２を超過したとすればそれは前者に相当すると考えてよく、推定有効時間を評価できる状態にすることで、加速度的な状況に入っているのか否かを判断できるようになる。この方法を用いる際には、データセットの次元に関わらず、図１８に開示した方法、もしくは上述の通り、標準偏差で割り算するのではなく、平均値で割り算する方法を用いて無次元化を行うのがより好適である。なお、図２０のステップＳ４２およびステップＳ４７において、「ａｎｄ」判定を「ｏｒ」判定としてもよい。
　図２０で例示する第３実施形態と、特許第５３０８５０１号などでも使われている標準的なムービングウィンドウという、逐次的に外れ値検定の前段階で必ずモデリングを行う図２１の比較例とを比較し、第３実施形態の効果を明確化する。図２１の比較例では、セットされたデータ群を用いて（ステップＳ６１）、いずれかの箇所のマハラノビス距離が許容値１および許容値２を超えた場合（ステップＳ６２）に異常に係る信号が出力される（ステップＳ６３）。ステップＳ６２で「Ｎｏ」の場合にマハラノビス距離が許容値３を超えた場合（ステップＳ６４）にも異常に係る信号が出力される（ステップＳ６５）。ステップＳ６４で「Ｎｏ」の場合に、その時点から過去データ（例えば３０秒間隔の測定で１時間）を用いて再度マハラノビス平方距離やＭＳＤ法におけるマハラノビス平方距離に相当する統計量を導出するためのパラメータが求められる（ステップＳ６６）。
　図２０および図２１のいずれの例においても、図１８で例示した無次元化処理を行った。但し、ここでは上述に示したもう一つの方法である、標準偏差で割り算する方法ではなく平均値で割り算する方法を用いた。対象として第１実施形態に示した石炭の燃焼サイクルを利用する火力発電設備を例にする。図６の壁面温度１～３の代わりに、図９（ｂ）、図１３、図１７で示される、多数の捲回部を持つシート形状に加工したものを図１６のごとく設備の壁面に設置し、６４点の測定データを抽出し、それを測定毎のデータセットとして扱う。
　図２２に比較例の結果を例示する。瞬間値とは、新しいデータセットを用いて計算した外れ値距離であり、２点平均とは、前回計算した外れ値距離と今回計算した外れ値距離の２点平均値のことである。許容値１はモデル更新期間の瞬間値の平均値＋瞬間値の標準偏差の３倍（３σ）値とし、許容値２は２点平均値の平均値＋瞬間値の標準偏差の３倍（３σ）値とした。許容値３は瞬間値の平均値＋瞬間値の標準偏差の８倍（８σ）値とした。異常判定は、図２１で異常でない場合には０を出力し、異常確定の場合に１を出力するものである。図２２の例では、システムが停止した１８：１８よりも４分はやい１８：１４に異常判定が頻発している。しかしながら、図２２では午前０時から３回誤検知が発生しており、システムとしての信頼性が損なわれていることがわかる。
　図２３に図２０に記載の方法の結果を例示する。瞬間値、２点平均、異常判定、許容値１～３の定義は図２２と同じである。推定有効時間の閾値は４分とした。システムが停止した１８：１８よりも２分早いが図２１の方法よりも２分遅い１８：１６で異常判定が頻発している。しかしながら、図２２と異なり、誤検知がなく、異常判定の信頼度が保たれていることがわかる。
　図２２および図２３に対して、許容値１を瞬間値の平均値＋瞬間値の標準偏差の２倍（２σ）値とし、許容値２を２点平均の平均値＋瞬間値の標準偏差の２倍（２σ）値に変更したものを図２４および図２５に示す。いずれも異常判定が頻発し始める時刻は図２２および２３と変化はない。図２１に記載の方法ではさらに誤検知が頻発しているが、図２０の方法では誤検知が発生しておらず、異常判定の信頼度が保たれていることがわかる。
　すなわち、特許第５３０８５０１号にみられるようなムービングウィンドウ型の外れ値検定等とは異なる本実施形態を用いることで、許容値１，２について、平均値＋標準偏差の２倍（２σ）～標準偏差の３倍（３σ）というあいまいな幅で設定しても予兆検知を行うことが可能となるといえる。
　実施例４では、温度だけでなく、第１実施形態で例示した石炭の燃焼サイクルを利用する火力発電設備の様々なセンシングデータに対して図２６で例示する異常予兆の検知を実行する。具体的には、図６に示す石炭火力発電設備の目的変数１～３および説明変数群を合わせた１６個のセンシングデータの時系列データに対して、図２６で例示する処理を実施する。図１８で例示した方法を用いてまずは無次元化を行う。但し、ここでは、実施例３と同様に、標準偏差で割り算する方法ではなく平均値で割り算する方法を用いる。
　図２６の処理と図２０の処理との違いは、逐次的処理をしていく中で、一定の長期の時間を超えたら強制的に再度モデリングを行う点にある。具体的には、ステップＳ４１の実行後かつステップＳ４２の実行前に、異常判定部３３が、現時点が強制更新時間以内であるか否かを判定する（ステップＳ５２）点が異なる。ステップＳ５２で「Ｙｅｓ」と判定された場合にはステップＳ４２が実行される。ステップ５２で「Ｎｏ」と判定された場合にはステップＳ４５が実行される。ステップＳ５２を実行するのは、外れ値としては問題ない値で推移したとしても、一定時間が経過すると外れ値に寄与するデータが明確に変化するため、それを修正することがより好適であるためである。これを強制更新時間とした。強制更新時間は推定有効時間よりも数倍以上の長い時間で設定する。
　本実施例では、実施例３と同様に許容値１はモデル更新間の瞬間値の平均値＋瞬間値の標準偏差の３倍（３σ）値とし、許容値２は２点平均値の平均値＋瞬間値の標準偏差の３倍（３σ）値とした。許容値３は瞬間値の平均値＋瞬間値の標準偏差の８倍（８σ）値とした。推定有効時間は５分間、強制更新時間４０分とした。なお、各センシングデータは２分毎に収集している。
　図２７に結果を例示する。図２７において、システムが停止した１８:１８よりも１時間近く早い１７:２４の時点で異常が判定されている。また、その後一旦平常に戻り、再度１８：１０に異常が頻発している。そこで、各センシングデータを、同一日の０時～２時の各平均値を用いて規格化したものを図２８に例示する。このように固定値で規格化したのは、モデリング等を行っていないゆえに、同じ指標で比較したかったためである。
　図２８を参照すると、１７：２２から給炭量が減少し、それに伴い複数のセンシングデータが異なる推移を示し始めていることがわかる。現在の推定有効時間が５分であるため、１７：２７以降には異常が確定する可能性が高いが、給炭量を減らし始めたその次の測定の１７:２４の時点で異常となった。これは、給炭量を含むいくつかのデータはさらに減少が進んだが、その他のデータは明確な変化がなかったために平均値＋瞬間値の標準偏差の８倍（８σ）の値を超過したためである。給炭量の減少が緩和されて一旦落ち着いたが、再度１８：１０から給炭量を含む多くのパラメータが変化し始めるが、変化が急峻なので、その時点ですぐに判定結果は平均値＋瞬間値の標準偏差の８倍（８σ）の値を超過したため、異常判定がなされている。
　以上から、本発明を用いた予兆検知によれば、温度だけでなく、様々な次元をもつセンシングデータ同士の相関関係から、一定程度あいまいさを含む閾値を設定しても即応性が高くて正確な異常の予兆検知を行うことが可能であることがわかる。なお、図２６のステップＳ４２およびステップＳ４７において、「ａｎｄ」判定を「ｏｒ」判定としてもよい。
　以上、本発明の実施例について詳述したが、本発明は係る特定の実施例に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。例えば、上記各例においては推定有効時間に対する閾値を１つとしたが、当該第１の閾値よりも大きい第２の閾値をさらに設定してもよい。この場合、推定有効時間が第１の閾値よりも長く第２の閾値未満である場合に、異常警報よりも安全度が１段階高いが注意を促すものとして注意情報警報を出力するようにしてもよい。
　１０　説明変数取得部
　１１　レーザ
　１２　ビームスプリッタ
　１３　光スイッチ
　１４　フィルタ
　１５ａ，１５ｂ　検出器
　１６　演算部
　２０　温度センサ
　２１　センサ部
　２２　測定器
　３０　判定部
　３１　モデル作成部
　３２　閾値設定部
　３３　異常判定部
　３４　出力部
　４０　ミル中間ハウジング部
　４１　石炭
　４２　貯留部
　４３　粉砕リング
　４４　ローラ
　４５　微粉炭
　４６　一次空気室
　１００　判定装置

Claims (15)

  1. 　センサ検出値の基準モデルを作成するモデル作成部と、
    　所定の時点から、前記基準モデルと前記センサ検出値との乖離度が閾値を超えるまでの時間が所定の時間よりも短いか否かを判定する判定部と、
    　短いと判定された場合に異常に係る信号を出力する出力部と、を備えることを特徴とする判定装置。
  2. 　前記モデル作成部は、前記センサ検出値と、前記センサ検出値と相関を有する複数の他のセンサの検出値とを用いて前記基準モデルを作成することを特徴とする請求項１記載の判定装置。
  3. 　前記モデル作成部は、前記センサ検出値と、前記複数の他のセンサの検出値とを用いて回帰分析により前記基準モデルを作成することを特徴とする請求項２記載の判定装置。
  4. 　前記モデル作成部は、前記基準モデルと前記センサ検出値との乖離度が閾値を超えると、その時点から一定の過去時間における前記複数の他のセンサの検出値および前記センサ検出値を用いて前記基準モデルを再作成することを特徴とする請求項２または３記載の判定装置。
  5. 　前記基準モデルと前記センサ検出値との乖離度は、前記基準モデルと前記センサ検出値との差であることを特徴とする請求項２～４のいずれか一項に記載の判定装置。
  6. 　前記モデル作成部は、複数のセンサの検出値の相関関係を用いて前記検出値の基準モデルを作成し、
    　前記判定部は、前記基準モデルと、前記複数のセンサのいずれかの検出値との乖離度が閾値を超えるまでの時間が所定の時間より短いか否かを判定することを特徴とする請求項１記載の判定装置。
  7. 　前記モデル作成部は、前記複数のセンサの検出値の相関関係の大きさを反映したばらつきの中心を用いて前記基準モデルを作成することを特徴とする請求項６記載の判定装置。
  8. 　前記モデル作成部は、前記乖離度が閾値を超えると、その時点から一定の過去時間における前記複数のセンサの検出値を用いて前記基準モデルを再作成することを特徴とする請求項６または７記載の判定装置。
  9. 　前記複数のセンサの検出値は、同一光ファイバの異なる長さ位置の後方散乱光によって得られる結果であることを特徴とする請求項６～８のいずれか一項に記載の判定装置。
  10. 　前記モデル作成部は、前記複数のセンサの検出値の平均値を用いた分散共分散行列を用いて前記基準モデルを作成することを特徴とする請求項６～９のいずれか一項に記載の判定装置。
  11. 　前記乖離度の閾値は、前記基準モデルの作成後の一定期間の前記乖離度を基に決定されることを特徴とする請求項１～１０のいずれか一項に記載の判定装置。
  12. 　前記所定の時間は、前記乖離度が前記閾値を超えるまでの時間のばらつきを基に決定されることを特徴とする請求項１～１１のいずれか一項に記載の判定装置。
  13. 　前記判定部は、前記基準モデルの再作成前の前記センサ検出値を用いて、所定の時点から、当該センサ検出値と前記再作成された前記基準モデルとの乖離度が前記閾値を超えるまでの時間が所定の時間よりも短いか否かを判定することを特徴とする請求項４または８記載の判定装置。
  14. 　モデル作成部が、センサ検出値の基準モデルを作成し、
    　判定部が、前記基準モデルの作成後の所定の時点から、前記基準モデルと前記センサ検出値との乖離度が閾値を超えるまでの時間が所定の時間よりも短いか否かを判定し、
    　短いと判定された場合に、出力部が異常に係る信号を出力する、ことを特徴とする判定方法。
  15. 　コンピュータに、
    　センサ検出値の基準モデルを作成する処理と、
    　前記基準モデルの作成後の所定の時点から、前記基準モデルと前記センサ検出値との乖離度が閾値を超えるまでの時間が所定の時間よりも短いか否かを判定する処理と、
    　短いと判定された場合に異常に係る信号を出力する処理と、を実行させることを特徴とする判定プログラム。
PCT/JP2016/054311 2015-02-17 2016-02-15 判定装置、判定方法および判定プログラム Ceased WO2016133049A1 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201680010341.4A CN107250936B (zh) 2015-02-17 2016-02-15 判定装置及判定方法
JP2017500667A JP6350736B2 (ja) 2015-02-17 2016-02-15 判定装置、判定方法および判定プログラム
AU2016220855A AU2016220855B2 (en) 2015-02-17 2016-02-15 Determination device, determination method, and determination program
CA2976620A CA2976620C (en) 2015-02-17 2016-02-15 Determination device, determination method, and determination program
MYPI2017702903A MY192904A (en) 2015-02-17 2016-02-15 Determination device, determination method, and determination program
US15/676,496 US11029218B2 (en) 2015-02-17 2017-08-14 Determination device, determination method, and non-transitory computer-readable recording medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015029057 2015-02-17
JP2015-029057 2015-02-17

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US15/676,496 Continuation US11029218B2 (en) 2015-02-17 2017-08-14 Determination device, determination method, and non-transitory computer-readable recording medium

Publications (1)

Publication Number Publication Date
WO2016133049A1 true WO2016133049A1 (ja) 2016-08-25

Family

ID=56689337

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2016/054311 Ceased WO2016133049A1 (ja) 2015-02-17 2016-02-15 判定装置、判定方法および判定プログラム

Country Status (7)

Country Link
US (1) US11029218B2 (ja)
JP (2) JP6350736B2 (ja)
CN (1) CN107250936B (ja)
AU (1) AU2016220855B2 (ja)
CA (1) CA2976620C (ja)
MY (1) MY192904A (ja)
WO (1) WO2016133049A1 (ja)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018128995A (ja) * 2017-02-10 2018-08-16 三菱日立パワーシステムズ株式会社 試験計画装置及び試験計画方法
WO2018207526A1 (ja) * 2017-05-10 2018-11-15 コニカミノルタ株式会社 構造物異常検知装置
JP2019020036A (ja) * 2017-07-14 2019-02-07 アズビル株式会社 燃焼システム
JP2020155069A (ja) * 2019-03-22 2020-09-24 東芝情報システム株式会社 状態変動検出装置、状態変動検出システム及び状態変動検出用プログラム
JP2021144637A (ja) * 2020-03-13 2021-09-24 株式会社東芝 情報処理装置、情報処理方法およびプログラム
JP2023068781A (ja) * 2021-11-04 2023-05-18 株式会社日立製作所 異常検出装置、異常検出システム、及び異常検出方法

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6376287B2 (ja) * 2015-05-13 2018-08-22 富士通株式会社 温度測定装置、温度測定方法および温度測定プログラム
WO2016181541A1 (ja) * 2015-05-13 2016-11-17 富士通株式会社 温度測定装置、温度測定方法および温度測定プログラム
JP7206990B2 (ja) * 2019-02-15 2023-01-18 株式会社Ihi 伝熱管損傷検出装置、ボイラシステム及び伝熱管損傷検出方法
JP6758552B1 (ja) 2019-06-13 2020-09-23 三菱電機株式会社 加工不具合検出装置、レーザ切断加工装置および放電加工装置
JP7377637B2 (ja) 2019-06-28 2023-11-10 三菱重工業株式会社 異常検出装置、異常検出方法、及びプログラム
JP7371693B2 (ja) * 2019-09-30 2023-10-31 日本電気株式会社 検出システム、検出方法、及び検出装置
JP7392438B2 (ja) * 2019-12-05 2023-12-06 オムロン株式会社 センサシステム、マスタユニット、予測装置、及び予測方法
JP6874195B1 (ja) * 2020-07-07 2021-05-19 横河電機株式会社 監視装置、監視プログラム及び監視方法
JP7548670B2 (ja) * 2021-01-19 2024-09-10 東京エレクトロン株式会社 検査装置、制御方法及び制御プログラム
US12399044B2 (en) * 2022-11-11 2025-08-26 Analog Devices, Inc. Diagnostic coverage improvements in redundant sensor element fault detection architectures
CN119130937A (zh) * 2024-08-21 2024-12-13 湖大粤港澳大湾区创新研究院(广州增城) 一种木质复合材料表面缺陷判断方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH109974A (ja) * 1996-06-24 1998-01-16 Sumitomo Electric Ind Ltd 温度分布測定方法および温度分布測定システム
JP2000089801A (ja) * 1998-09-10 2000-03-31 Toshiba Corp 監視制御装置

Family Cites Families (54)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4509110A (en) 1982-06-07 1985-04-02 United Technologies Corporation Method and apparatus for detecting failures in a control system
GB8520827D0 (en) 1985-08-20 1985-09-25 York Ventures & Special Optica Fibre-optic sensing devices
JP2709834B2 (ja) 1988-10-31 1998-02-04 株式会社フジクラ 火災検知用光ファイバ
JPH0450723A (ja) 1990-06-19 1992-02-19 Toshiba Corp 機器特性診断システム
JPH0712655A (ja) 1993-06-29 1995-01-17 Toshiba Corp 測定システム
US6560220B2 (en) * 1997-06-20 2003-05-06 Telefonaktiebolaget L M Ericsson (Publ) Network access device and telecommunications signaling
AU2001247336B2 (en) * 2000-03-10 2006-02-02 Smiths Detection, Inc. Control for an industrial process using one or more multidimensional variables
JP2001356818A (ja) * 2000-06-12 2001-12-26 Mitsubishi Heavy Ind Ltd プラント内検出器のオンラインメインテナンス装置
JP2002267242A (ja) 2001-03-09 2002-09-18 Shinko Kogyo Co Ltd 空気調和機の中央管理システム
GB2374147A (en) 2001-04-03 2002-10-09 Planned Maintenance Engineerin Method for monitoring the performance of an electromechanical machine
JP2003014554A (ja) 2001-07-02 2003-01-15 Mitsubishi Cable Ind Ltd 温度測定システム
JP2003057126A (ja) 2001-08-10 2003-02-26 Fujikura Ltd 光ファイバ式分布型温度測定装置
US6620630B2 (en) 2001-09-24 2003-09-16 Extraction Systems, Inc. System and method for determining and controlling contamination
US7113890B2 (en) * 2003-10-16 2006-09-26 Abb Inc. Method and apparatus for detecting faults in steam generator system components and other continuous processes
FR2869412B1 (fr) 2004-04-27 2006-07-14 Centre Nat Rech Scient Cnrse Determination d'une fonction d'autocorrelation
US7567887B2 (en) 2004-09-10 2009-07-28 Exxonmobil Research And Engineering Company Application of abnormal event detection technology to fluidized catalytic cracking unit
US20060074598A1 (en) 2004-09-10 2006-04-06 Emigholz Kenneth F Application of abnormal event detection technology to hydrocracking units
JP4520819B2 (ja) * 2004-10-25 2010-08-11 大陽日酸株式会社 プラントの故障予測方法
JP2006323538A (ja) 2005-05-17 2006-11-30 Yokogawa Electric Corp 異常監視システムおよび異常監視方法
JP2006343063A (ja) * 2005-06-10 2006-12-21 Daikin Ind Ltd 設備機器の異常予知システム、設備機器の異常予知装置および設備機器の異常予知方法
JP4479640B2 (ja) * 2005-10-20 2010-06-09 トヨタ自動車株式会社 ブレーキ制御装置
JP4440898B2 (ja) * 2006-03-31 2010-03-24 株式会社山武 状態判定装置および状態判定方法
JP4898544B2 (ja) 2007-05-07 2012-03-14 日本特殊陶業株式会社 センサ制御装置
KR101109914B1 (ko) 2008-02-27 2012-02-29 미츠비시 쥬고교 가부시키가이샤 플랜트 상태 감시 방법, 플랜트 상태 감시용 프로그램을 기록한 컴퓨터로 판독가능한 기록 매체 및 플랜트 상태 감시 장치
JP5228798B2 (ja) 2008-04-02 2013-07-03 富士通株式会社 温度計測システム及び温度計測方法
GB0807775D0 (en) * 2008-04-29 2008-06-04 Romax Technology Ltd Methods for model-based diagnosis of gearbox
CN101299004B (zh) * 2008-06-24 2010-09-01 华南理工大学 一种基于确定学习理论的振动故障诊断方法
JP2010015205A (ja) * 2008-07-01 2010-01-21 Meidensha Corp 半導体製造装置の異常診断システムおよび方法
US8515719B2 (en) 2009-01-14 2013-08-20 Hitachi, Ltd. Apparatus anomaly monitoring method and system
JP5260343B2 (ja) * 2009-02-03 2013-08-14 三菱重工業株式会社 プラント運転状態監視方法
JP5610695B2 (ja) 2009-02-17 2014-10-22 三菱重工業株式会社 プラント監視用の方法、プログラム及び装置
JP5297272B2 (ja) * 2009-06-11 2013-09-25 株式会社日立製作所 装置異常監視方法及びシステム
JP5167237B2 (ja) 2009-12-24 2013-03-21 トヨタ自動車株式会社 回転センサの異常判定装置
JP5712936B2 (ja) * 2010-01-21 2015-05-07 日本電気株式会社 故障予測装置及び故障予測方法ならびに故障予測プログラム
CN101799320B (zh) * 2010-01-27 2011-05-25 北京信息科技大学 一种旋转设备故障预测方法及其装置
WO2011121726A1 (ja) 2010-03-30 2011-10-06 株式会社 東芝 異常検出装置
US8880203B2 (en) 2010-05-21 2014-11-04 Fisher-Rosemount Systems, Inc. On-line alignment of a process analytical model with actual process operation
JP5501903B2 (ja) * 2010-09-07 2014-05-28 株式会社日立製作所 異常検知方法及びそのシステム
JP5218526B2 (ja) 2010-11-11 2013-06-26 トヨタ自動車株式会社 水温センサ異常判定装置
JP2012141241A (ja) 2011-01-05 2012-07-26 Fujitsu Ltd 温度測定システム
CN102324034B (zh) * 2011-05-25 2012-08-15 北京理工大学 基于最小二乘支持向量机在线预测的传感器故障诊断方法
JP5707230B2 (ja) 2011-05-25 2015-04-22 新日鉄住金エンジニアリング株式会社 プロセスの状態予測方法
US9110452B2 (en) * 2011-09-19 2015-08-18 Fisher-Rosemount Systems, Inc. Inferential process modeling, quality prediction and fault detection using multi-stage data segregation
CN103064340B (zh) * 2011-10-21 2014-12-03 沈阳高精数控技术有限公司 一种面向数控机床的故障预测方法
JP5928104B2 (ja) * 2012-03-31 2016-06-01 日本電気株式会社 性能監視装置、性能監視方法、及びそのプログラム
US9134713B2 (en) * 2012-05-11 2015-09-15 Siemens Corporation System and method for fault prognostics enhanced MPC framework
JP5949135B2 (ja) 2012-05-18 2016-07-06 株式会社Ihi 異常診断方法及び異常診断装置
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
US9778115B2 (en) 2013-03-28 2017-10-03 Exxonmobil Research And Engineering Company Method and system for detecting deposits in a vessel
CN103322416B (zh) * 2013-06-24 2015-06-17 东北大学 管道微弱泄漏检测装置及基于模糊双曲混沌模型检测方法
JP2015026252A (ja) * 2013-07-26 2015-02-05 株式会社豊田中央研究所 異常検知装置及びプログラム
CN103743563B (zh) * 2013-08-13 2016-01-06 华北电力大学（保定） 一种基于温度数据的风机齿轮箱子空间故障预测方法
JP6151227B2 (ja) * 2014-08-25 2017-06-21 株式会社東芝 異常検知システム及び半導体デバイスの製造方法
CN104200396B (zh) * 2014-08-26 2017-08-11 燕山大学 一种风力发电机部件故障预警方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH109974A (ja) * 1996-06-24 1998-01-16 Sumitomo Electric Ind Ltd 温度分布測定方法および温度分布測定システム
JP2000089801A (ja) * 1998-09-10 2000-03-31 Toshiba Corp 監視制御装置

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018128995A (ja) * 2017-02-10 2018-08-16 三菱日立パワーシステムズ株式会社 試験計画装置及び試験計画方法
WO2018147239A1 (ja) * 2017-02-10 2018-08-16 三菱日立パワーシステムズ株式会社 試験計画装置及び試験計画方法
TWI668583B (zh) * 2017-02-10 2019-08-11 日商三菱日立電力系統股份有限公司 Test plan device and test plan method
WO2018207526A1 (ja) * 2017-05-10 2018-11-15 コニカミノルタ株式会社 構造物異常検知装置
JP2019020036A (ja) * 2017-07-14 2019-02-07 アズビル株式会社 燃焼システム
JP2020155069A (ja) * 2019-03-22 2020-09-24 東芝情報システム株式会社 状態変動検出装置、状態変動検出システム及び状態変動検出用プログラム
JP2021144637A (ja) * 2020-03-13 2021-09-24 株式会社東芝 情報処理装置、情報処理方法およびプログラム
JP7293156B2 (ja) 2020-03-13 2023-06-19 株式会社東芝 情報処理装置、情報処理方法およびプログラム
JP2023068781A (ja) * 2021-11-04 2023-05-18 株式会社日立製作所 異常検出装置、異常検出システム、及び異常検出方法
JP7649730B2 (ja) 2021-11-04 2025-03-21 株式会社日立製作所 異常検出装置、異常検出システム、及び異常検出方法

Also Published As

Publication number Publication date
AU2016220855B2 (en) 2019-03-07
CA2976620A1 (en) 2016-08-25
JPWO2016133049A1 (ja) 2017-11-24
MY192904A (en) 2022-09-14
CA2976620C (en) 2022-02-08
US11029218B2 (en) 2021-06-08
CN107250936A (zh) 2017-10-13
JP6350736B2 (ja) 2018-07-04
US20180031428A1 (en) 2018-02-01
CN107250936B (zh) 2019-09-20
JP6690670B2 (ja) 2020-04-28
AU2016220855A1 (en) 2017-08-31
JP2018190428A (ja) 2018-11-29

Similar Documents

Publication Publication Date Title
JP6350736B2 (ja) 判定装置、判定方法および判定プログラム
KR101859309B1 (ko) 전열관 수명 추정 시스템
CN107121216B (zh) 光纤温度分布测量系统和光纤温度分布测量方法
CN106462126A (zh) 外壳诊断和控制系统
US10088342B2 (en) Abnormality detection system and abnormality detection method
CN104019923A (zh) 电伴热系统在线监测管理方案
US11215574B2 (en) Monitoring of heated tubes
EP3217093B1 (en) Steam generator and method for regulating condensation of flue gas in a steam generator
EP3739699B1 (en) Life prediction method and life prediction device for optical modules
JP6257539B2 (ja) 光ファイバ水位計測装置及び水位計測方法
JP5191297B2 (ja) 余寿命計測システム
JP7192626B2 (ja) 温度測定装置、温度測定方法、および温度測定プログラム
JP2008267351A (ja) 発電装置の監視方法及びシステム
JP5922190B2 (ja) 取放水温度差管理装置および取放水温度差管理方法
JP2019090696A (ja) 温度測定システムおよび温度測定方法
JP2021145479A (ja) 電気盤の温度異常監視方法
JP6688961B2 (ja) 発熱検知装置、発熱検知方法、発熱検知プログラムおよび発熱検知システム
JPS61207804A (ja) 蒸気タ−ビンの動翼浸食防止装置
JPH09257597A (ja) プラント異常監視装置
HK1241456A1 (en) Optical fiber temperature distribution measurement system and optical fiber temperature distribution measurement method
CN120445460A (zh) 一种电缆的高温预警方法及装置
CN118604633A (zh) 一种用于检测电池短路情况的检测方法
JP5131976B2 (ja) 流量計測装置
HK1241456B (zh) 光纤温度分布测量系统和光纤温度分布测量方法
JP2011141056A (ja) ボイラ効率変動原因推定システムおよび推定方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16752435

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2017500667

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2976620

Country of ref document: CA

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2016220855

Country of ref document: AU

Date of ref document: 20160215

Kind code of ref document: A

122 Ep: pct application non-entry in european phase

Ref document number: 16752435

Country of ref document: EP

Kind code of ref document: A1