WO2017115814A1 - プラント異常監視方法およびプラント異常監視用のコンピュータプログラム - Google Patents

プラント異常監視方法およびプラント異常監視用のコンピュータプログラム Download PDF

Info

Publication number
WO2017115814A1
WO2017115814A1 PCT/JP2016/088967 JP2016088967W WO2017115814A1 WO 2017115814 A1 WO2017115814 A1 WO 2017115814A1 JP 2016088967 W JP2016088967 W JP 2016088967W WO 2017115814 A1 WO2017115814 A1 WO 2017115814A1
Authority
WO
WIPO (PCT)
Prior art keywords
value
plant
data
mahalanobis distance
reference data
Prior art date
Application number
PCT/JP2016/088967
Other languages
English (en)
French (fr)
Inventor
榎本　雅幸
一継 藤原
篤志 横尾
幸弘 小倉
Original Assignee
川崎重工業株式会社
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 川崎重工業株式会社 filed Critical 川崎重工業株式会社
Priority to CN201680076395.0A priority Critical patent/CN108475053A/zh
Priority to US16/066,345 priority patent/US20190018402A1/en
Priority to EP16881788.0A priority patent/EP3399376B1/en
Publication of WO2017115814A1 publication Critical patent/WO2017115814A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—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 based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Definitions

  • the present invention relates to a plant abnormality monitoring method and a plant abnormality monitoring computer program for monitoring the operation state of a plant using the Mahalanobis distance, and more particularly to a determination process for determining whether or not reference data update processing is necessary in the plant abnormality monitoring method.
  • state quantities of many factors such as temperature, pressure, vibration, etc. generated in various facilities / equipment in the plant are detected, and the plant is operated normally based on these detected state quantities. It is determined whether or not there is.
  • a method has been proposed in which many state quantities detected in this manner are analyzed and abnormalities in the operating state of the plant are monitored using the Mahalanobis distance.
  • Patent Document 1 discloses a technique for monitoring the operating state of a refrigeration cycle apparatus by using a plurality of reference spaces (unit spaces) in accordance with annual seasonal variation using Mahalanobis distance.
  • Patent Document 2 describes whether or not the plant is operating normally even at start-up when the operating state is different from that at the rated load, and even when performance is lowered to an acceptable level due to aging of the equipment.
  • a plant state monitoring method for judging the above is disclosed.
  • a unit space that is a collection of data for a certain period serving as a reference for determination is created, and a Mahalanobis distance is obtained from the unit space. Whether the plant state is normal or not is determined by comparison with a predetermined threshold.
  • a normal distribution (unit space) serving as a criterion is constituted from normal data for a certain period, and the degree of deviation from the unit space is determined as Mahalanobis.
  • the plant abnormality was monitored by periodically calculating the distance and comparing the calculated Mahalanobis distance with a predetermined threshold.
  • the plant abnormality monitoring method of the present invention includes a step of forming a unit space as a reference for determining an operation state of a plant from reference data from a monitoring target in a reference period of the plant, Collecting measurement data from the monitoring target in the operating state of the plant; Calculating a Mahalanobis distance of the collection of the reference data and the collected measurement data based on the formed unit space; Calculating and comparing the respective variance values of the reference data in the reference period and the measurement data in the latest fixed period with respect to the calculated Mahalanobis distance for each fixed period; Updating the reference data when the ratio of the dispersion value of the reference data in the reference period to the dispersion value of the measurement data in the latest fixed period exceeds a determination reference value that is a threshold value.
  • the computer program for monitoring plant abnormality of the present invention is a procedure for forming a unit space as a reference for determining the operation state of a plant from reference data from a monitoring target in a reference period of the plant, A procedure for collecting measurement data from a monitoring target in the operation state of the plant, A procedure for calculating the Mahalanobis distance of the aggregate of the reference data and the collected measurement data based on the formed unit space; A procedure for calculating and comparing the respective variance values of the reference data in the reference period and the measurement data in the latest fixed period with respect to the calculated Mahalanobis distance for each fixed period; A step of updating the reference data when the ratio of the dispersion value of the reference data in the reference period to the dispersion value of the measurement data in the latest fixed period exceeds a determination reference value that is a threshold value.
  • the present invention even when the state of the plant changes due to maintenance or the like, it is possible to reliably detect the state change, and when necessary based on the detected state change, the reference data is appropriately used. It is possible to constantly monitor the abnormality with high accuracy for the plant.
  • the block diagram which showed typically the structure of the abnormality monitoring apparatus which monitors the gas turbine power plant in 1st Embodiment which concerns on this invention
  • a diagram conceptually showing the problems and solutions for anomaly monitoring methods
  • Graph showing the state when the measured data is rising abnormally
  • the figure which shows notionally the illustration of the measurement data after performing the removal process of a low frequency component with respect to the measurement data shown in FIG.
  • the figure which shows concrete 3 patterns of Mahalanobis distance data at the time of increase of the calculated Mahalanobis distance The figure which shows the flow which calculates the difference value in concrete Mahalanobis distance Flowchart of reference data update method in abnormality monitoring method of first embodiment
  • the plant abnormality monitoring method includes: Forming a unit space serving as a reference for determining the operation state of the plant from reference data from a monitoring target in the reference period of the plant; Collecting measurement data from a monitoring target in the operating state of the plant; Calculating a Mahalanobis distance of the aggregate of the reference data and the collected measurement data based on the formed unit space; Calculating and comparing the respective variance values of the reference data in the reference period and the latest measurement data in the latest fixed period with respect to the calculated Mahalanobis distance, and the variance of the measurement data in the latest fixed period Updating the reference data when a ratio of a variance value of the reference data in the reference period to a value exceeds a determination reference value which is a threshold value.
  • a plant abnormality monitoring method of the first aspect even when the state of the plant changes due to maintenance or the like, it is possible to reliably detect the state change, update the reference data appropriately, Anomaly monitoring with high accuracy for the plant can always be performed.
  • the plant abnormality monitoring method in the step of calculating and comparing the reference data and the dispersion value of the measurement data for each fixed period in the first aspect, After performing a low frequency component removal process on the reference data and the measurement data, the dispersion values of the reference data and the measurement data are calculated and compared at regular intervals.
  • the plant abnormality monitoring method it is possible to prevent erroneous execution of an undesired update process of reference data by erroneously determining that the variance value has increased during an abnormal trend.
  • the plant abnormality monitoring method is the first aspect or the second aspect described above.
  • a step of calculating a difference value between the Mahalanobis distances of a certain width in the Mahalanobis distance group for a certain period including the Mahalanobis distance exceeding the reference value and A step of notifying that the necessity for the update process of the reference data is high when the difference value exceeds a set value which is a threshold value.
  • a computer program for plant abnormality monitoring is provided.
  • a procedure for updating the reference data when a ratio of a variance value of the reference data in the reference period to a value exceeds a determination reference value that is a threshold value.
  • the computer program for plant abnormality monitoring according to the fifth aspect of the present invention is a procedure for calculating and comparing the reference data and the dispersion value of the measurement data at regular intervals in the fourth aspect, After the low frequency component is removed from the reference data and the measurement data, the dispersion values of the reference data and the measurement data are calculated and compared at regular intervals.
  • the computer program for plant abnormality monitoring provides the reference value when the calculated Mahalanobis distance of the fourth aspect or the fifth aspect exceeds a reference value that is a threshold value.
  • an abnormality monitoring method for a power plant using an industrial gas turbine will be described.
  • the present invention is not limited to a gas turbine power plant.
  • the present invention can be applied in energy plants including plants, manufacturing plants, chemical plants, and the like.
  • the numerical values, shapes, configurations, steps, order of steps, and the like shown in the following embodiments are merely examples, and do not limit the present invention.
  • constituent elements in the following embodiments constituent elements that are not described in the independent claims indicating the highest concept are described as optional constituent elements.
  • FIG. 1 is a block diagram schematically showing the configuration of an abnormality monitoring apparatus 10 that monitors the gas turbine power plant 1.
  • a gas turbine power plant 1 has each facility of a normal power plant, and includes major equipment such as a turbine 6, a compressor 7, a combustion chamber 8, and a generator 9 as a gas turbine. .
  • the abnormality monitoring device 10 of the first embodiment continuously monitors the operation of the gas turbine power plant 1 during operation.
  • Various types of measurement data from each facility / equipment that is a monitoring target in the gas turbine power plant 1 are sequentially transmitted to the abnormality monitoring apparatus 10 as state quantities.
  • various measurement data such as the position, temperature, pressure, and vibration of each factor in each facility / equipment of the gas turbine are input to the abnormality monitoring apparatus 10 as state quantities.
  • the abnormality monitoring device 10 has a configuration in which, for example, a plurality of state quantities from each device of the gas turbine are input to the control unit 2 and processed by an abnormality monitoring method to be described later, and an abnormal state in the gas turbine power plant 1 is detected. is there.
  • the control unit 2 is a computer system including, for example, a microprocessor, a ROM, a RAM, a hard disk unit, a display unit, a keyboard, a mouse, and the like.
  • the RAM or hard disk unit stores a computer program for the abnormality monitoring method in the present embodiment.
  • the abnormality monitoring device 10 includes a storage unit 5 for storing various data, a display unit 4 capable of displaying various data, and an operation unit 3 for a user to issue various commands to the control unit 2 and the like. And.
  • the operation unit 3 is provided with input means for inputting various commands, and the various commands that are input can be displayed on the display unit 4.
  • a Mahalanobis unit space is created based on state quantities obtained from data (reference data) in each facility / equipment during normal operation of the gas turbine power plant 1.
  • This unit space is a collection of data serving as a reference for determining whether or not the operation state of the gas turbine power plant 1 is normal operation.
  • the state quantity in the gas turbine power plant 1 includes the intake air temperature of the compressor 7, the output of the generator 9, the temperature of each part in the gas turbine such as the vibration of the main shaft that is the output shaft of the gas turbine, the pressure, the vibration, and the rotational speed. Many state quantities related to various devices such as are included.
  • a normal space (unit space) is formed from the reference data, and the Mahalanobis distance is calculated as an index of the degree of deviation of the latest measurement data from the unit space. It is determined that the greater the calculated Mahalanobis distance, the higher the degree of abnormality of the equipment of the gas turbine power plant that is the monitoring target.
  • the method of monitoring equipment abnormality using the Mahalanobis distance from the unit space formed from the reference data as described above has the following problems. For example, when a part of equipment is repaired or replaced during plant maintenance, etc., and the plant status changes, the equipment that is the monitoring target when the unit space created from the reference data is directly subject to the Mahalanobis distance There is a possibility that a large problem may occur that it is detected that the facility / device is abnormal even though the device is normal, or that the facility / device is not recognized as abnormal even if the facility / device is abnormal.
  • FIG. 2 is a diagram conceptually showing the above problem and its solution.
  • the upper and lower two diagrams in FIG. 2 (a) conceptually show problems when the Mahalanobis distance is calculated based on the reference data before the state change.
  • the upper graph shows temporal changes in measurement data (state quantities)
  • the lower graph shows Mahalanobis based on two measurement data (state quantities) shown on the vertical axis and the horizontal axis.
  • the unit space for calculating the distance is shown conceptually.
  • the measurement data (signal value) shown in the upper graph of FIG. 2 (a) shows that the fluctuation range is small due to maintenance or the like, but the signal value gradually increases and becomes abnormal. Yes.
  • a unit space is formed from the reference data of the reference period with a fixed period before the fluctuation width of the measurement data becomes small (before the state change) as the reference period. ing. For this reason, the unit space formed is an excessively enlarged unit space with respect to the state when the fluctuation width of the measurement data becomes small.
  • the unit space for calculating the Mahalanobis distance is large, so the Mahalanobis distance is large. It becomes a state that is not determined as an abnormal value.
  • the cause of the decrease in the sensitivity of abnormality detection is that if the dispersion of measurement data changes due to maintenance, etc., and the data dispersion becomes small, if the reference data before the dispersion change continues to be used, the dispersion change The unit space becomes excessively expanded with respect to the normal state later, and as a result, a great problem that the sensitivity of abnormality detection is lowered is caused.
  • the upper graph shows a temporal change in measurement data (state quantity).
  • a fixed period after the state change is set as a reference period, and measurement in the reference period after the state change is performed.
  • the case where a new space unit is formed using data as reference data is shown.
  • the lower graph of FIG. 2B shows a unit space for calculating the Mahalanobis distance based on two measurement data (state quantities) shown on the vertical axis and the horizontal axis.
  • the unit space (solid oval) shown in FIG. 2B is smaller than the unit space shown in FIG. 2A (dashed oval in FIG. 2B). For this reason, the abnormality detection data in the measurement data after the state change surely deviates from the unit space.
  • the problem shown in FIG. 2A is solved, and as shown in FIG. It is possible to update the reference data appropriately for the data, calculate the Mahalanobis distance, which is an indicator of the degree of deviation from the unit space, and reliably detect an abnormality in the facility.
  • the variance value of the reference data is compared with the variance value obtained from the latest measurement data for a certain period, and the comparison result The reference data is updated in response to the above.
  • the Mahalanobis distance calculated from the measurement data when the Mahalanobis distance calculated from the measurement data is increased, the Mahalanobis distance group for a certain period is constant.
  • the increasing tendency of the Mahalanobis distance is determined based on the difference value calculated by the step size (constant width), and the reference data is updated according to the result.
  • FIG. 3 is a graph schematically showing a state when the measurement data is rising and in an abnormal trend.
  • the dispersion value of the measurement data rising in the predetermined determination period B shown on the right is larger than the dispersion value of the measurement data in the predetermined reference period A shown on the left. Shows the case.
  • the dispersion value of the measurement data in the determination period B is compared with the dispersion value of the reference data A, and the reference data is updated according to the comparison result, as shown in FIG.
  • the reference of the reference period A updates the evaluation data, which is measurement data in the determination period B, as reference data, and a unit space is formed by the updated reference data.
  • the unit space is formed by the updated reference data in this way, the unit space is enlarged, and the undesired update of the reference data is performed such that the Mahalanobis distance decreases despite an abnormal tendency. End up.
  • FIG. 4 conceptually shows an example of measurement data after the low-frequency component removal (HPF) processing is performed on the measurement data shown in FIG.
  • HPF high-pass filter
  • the measurement data (state quantity in the determination period B) is generated by the unit space formed based on the reference data of the previous reference period A. ), An appropriate Mahalanobis distance is calculated, and a highly accurate dispersion value comparison can be performed.
  • the Mahalanobis distance As described above, if the measurement data (detection signal: state quantity) changes greatly due to changes in the state of the equipment / equipment in the plant, the Mahalanobis distance to the unit space increases. For example, when a part of equipment / equipment is replaced due to maintenance or the like and the state changes greatly, the Mahalanobis distance suddenly changes greatly. In this way, when the Mahalanobis distance is not increased due to abnormal plant equipment, reference data that newly defines the normal unit space after the state change is set, and the Mahalanobis distance is calculated based on the normal unit space. There is a need to. Conversely, when the Mahalanobis distance is increased due to plant abnormality, it is necessary to notify the user of the facility abnormality immediately.
  • FIG. 5 shows three specific patterns of Mahalanobis distance data when the calculated Mahalanobis distance is increased. All the Mahalanobis distance data of the three patterns indicate a state in which the preset threshold value (reference value F indicated by a broken line in FIG. 5) is exceeded.
  • Pattern 1 shown in FIG. 5A shows a state where the calculated Mahalanobis distance data gradually increases and exceeds the threshold value.
  • Pattern 2 shown in FIG. 5B the calculated Mahalanobis distance data is rapidly increased and the state exceeding the threshold is maintained as it is.
  • Pattern 3 shown in (c) of FIG. 5 shows a state in which the calculated Mahalanobis distance data changes abruptly, the shake width increases, and the maximum value of the shake width exceeds the threshold value.
  • the difference value of the Mahalanobis distance in a certain period (extraction period C) from the time when the Mahalanobis distance exceeds the threshold value to the time point that goes back a predetermined period is calculated, and the plant Is determined to be abnormal or whether reference data needs to be updated.
  • the Mahalanobis distance group including a plurality of Mahalanobis distances in the extraction period C by using a difference value between Mahalanobis distances (MD values) having a constant step size (constant width), at least the Mahalanobis distance data of the pattern 1 and the pattern It is possible to distinguish between a few Mahalanobis distance data.
  • the extraction period C may be a fixed period from the time when the moving average value per unit time of the Mahalanobis distance exceeds the threshold to the time point that goes back a predetermined period.
  • the extraction period C may be a fixed period from the time when the Mahalanobis distance exceeds the threshold to the time after a predetermined time from the time after the fixed time.
  • FIG. 6 is a diagram showing a flow of calculating a difference value at a specific Mahalanobis distance.
  • FIG. 6A shows that a plurality of Mahalanobis distances are extracted in the extraction period C from a time point when the Mahalanobis distance (MD value) exceeds a preset threshold value (reference value F) to a time point that is traced back for a certain period. Show. It should be noted that a calculation period shorter than the extraction period C is set in advance, and the moving average value of the Mahalanobis distance in the calculation period is a plurality of times in the extraction period C from the time when it exceeds a preset threshold to the time point that is a certain period retroactive. The Mahalanobis distance may be extracted.
  • the difference value between the Mahalanobis distance (MD value) having a constant step in the Mahalanobis distance group extracted in the extraction period C is calculated.
  • the display unit 4 of the abnormality monitoring apparatus 10 notifies that the necessity for the update process of the reference data is high (FIG. 6). (C)).
  • the difference value of the Mahalanobis distance is large, which may be caused by maintenance of the plant.
  • the display unit 4 displays that there is a high possibility of requiring processing.
  • FIG. 7 is a flowchart of a method for determining whether or not reference data update processing is necessary in the abnormality monitoring method according to the first embodiment.
  • various measurement data from each facility / equipment that is a monitoring target in the gas turbine power plant 1 are sequentially collected and input.
  • measurement data (state quantities) that are sequentially input are collected and stored in the storage unit 4, and the Mahalanobis distance (MD value) is calculated (S101).
  • step S102 it is determined whether or not the Mahalanobis distance exceeds a threshold value (reference value F).
  • the Mahalanobis distance exceeds the reference value F
  • the Mahalanobis distance (MD value) having a certain step size of the Mahalanobis distance group in the extraction period C from the time when the Mahalanobis distance exceeds the reference value F to the time point that goes back a certain period. ) (I 1, 2, 3,..., N) and the maximum difference value dmax is extracted.
  • step S103 it is determined whether or not the extracted maximum difference value dmax exceeds a set value G that is a threshold value (maximum difference value dmax> set value G).
  • the maximum difference value dmax exceeds the set value G, there is a high possibility that the update process of the reference data is necessary, and the display unit 4 displays the result of determining whether or not the reference data needs to be updated (S104).
  • step S103 if the maximum difference value dmax does not exceed the set value G, it is not necessary to update the reference data, so that each facility / equipment based on the Mahalanobis distance based on the unit space based on the reference data as it is.
  • the abnormality monitoring is continued, and abnormality monitoring is performed based on the calculated Mahalanobis distance (S101).
  • step S102 when the Mahalanobis distance does not exceed the reference value F, the process proceeds to step S105.
  • step S105 low frequency component removal processing (HPF processing) is performed on the reference data and the latest measurement data. By performing HPF processing in this way, unnecessary reference data update processing due to misperception of variance value expansion at the Mahalanobis distance as described above is excluded.
  • HPF processing low frequency component removal processing
  • step S106 the Mahalanobis distance (MD value) is calculated again for the HPF-processed target data, and the variance value V1 of the Mahalanobis distance of the reference data in the reference period A and the determination period B performed at regular intervals.
  • the variance value V2 of the Mahalanobis distance of the latest measurement data is calculated.
  • the variance value V2 of the Mahalanobis distance in the judgment period B is smaller than the variance value V1 of the Mahalanobis distance of the reference data, and a judgment criterion in which the ratio (V1 / V2) of the variance value V1 to the variance value V2 is set in advance. If the value is larger than the value H, that is, if V1> V2 and V1 / V2> the determination reference value H, it is determined that the variance change in the Mahalanobis distance calculated in step S101 is large.
  • step S107 when it is determined in step S106 that the change in dispersion at the Mahalanobis distance is large, in step S107, the reference data is updated.
  • the reference data update process may be automatically performed, or the user may be notified that the reference data update process is necessary.
  • the reference data may be updated using the determination period B as a new reference period. Or you may set the reference period in the time of normal of a plant anew, and may perform the update process by using the data as reference data.
  • the abnormality monitoring method in which the update process of the reference data is performed, the abnormality monitoring of the power plant is continued, a unit space is formed based on the updated reference data, and the Mahalanobis distance is calculated from the unit space.
  • step S106 determines whether the change in variance in the Mahalanobis distance is large. If it is determined in step S106 that the change in variance in the Mahalanobis distance is not large, the reference data is maintained as it is, and the calculation of the Mahalanobis distance is continued using the previous unit space (S101).
  • the Mahalanobis distance increase determination method performed in steps S102 to S104 of the flowchart shown in FIG. A method of determining the difference value of the Mahalanobis distance will be specifically described.
  • FIG. 8 is an explanatory diagram schematically showing the Mahalanobis distance increase determination method and the Mahalanobis distance difference determination method from Step S102 to Step S104.
  • FIG. 8A shows that the Mahalanobis distance calculated in step S101 increases and exceeds the reference value F, which is a threshold value. That is, it indicates that the degree of abnormality of the monitored facility / equipment is high.
  • the Mahalanobis distance group in the extraction period C from the time when the Mahalanobis distance exceeds the reference value F to the time point that goes back for a certain period is extracted (see FIG. 8 (b)).
  • the maximum difference value dmax is extracted from It is determined whether or not the extracted maximum difference value dmax exceeds a preset setting value G (see (c) of FIG. 8).
  • the control unit 2 displays that fact on the display unit 4 so as to notify the user that the possibility that the reference data needs to be updated is high.
  • it may be configured to notify by sound and / or light in addition to displaying on the display unit 4.
  • FIG. 9 is an explanatory diagram schematically showing a signal processing method by high-pass filter (HPF) processing, which is low-frequency component removal processing, and a dispersion comparison method.
  • HPF high-pass filter
  • the signal processing by the HPF that removes the low frequency component is performed on the measurement data, and the reference data update processing by unfavorable dispersion value expansion in the Mahalanobis distance is performed. It is preventing. More specifically, signal processing by the HPF is performed on the measurement data in the determination period B from the time of measurement of the reference data and the latest measurement data to a point retroactive for a certain period, and after the signal processing by the HPF. And the latest measurement data in the determination period B are formed.
  • the Mahalanobis distance is calculated for the reference data after the signal processing by HPF and the latest measurement data in the determination period B, and the respective variance values are calculated.
  • a test statistic (V1 / V2, V1> V2) is calculated and compared with a predetermined criterion value H (see (c) of FIG. 9).
  • the unit space whose reference data is the measurement data of the determination period B is automatically updated (see FIG. 9 (d)).
  • the dispersion value comparison process between the reference data and the latest measurement data is executed at regular intervals, so that the power plant can always perform abnormality monitoring with high accuracy.
  • the Mahalanobis distance is calculated or whether the operating state of the plant is normal based on the calculated Mahalanobis distance.
  • the unit space that serves as a reference for determining the constant is formed from appropriate data (reference data) for a fixed period (reference period A) and includes the latest measurement data to evaluate the operating state of the plant. It is possible to perform highly accurate plant abnormality monitoring based on the Mahalanobis distance group of measurement data in the determination period B that goes back in the past by the period.
  • the present invention uses the abnormality monitoring method and the computer program for plant abnormality monitoring, as described with reference to the first embodiment, in the case where the state of the plant has changed due to maintenance or the like.
  • it is possible to reliably detect the state change, and appropriately update the reference data when necessary based on the detected state change, and always perform highly accurate abnormality monitoring. Become.
  • the present invention is not limited to the configuration of the first embodiment, and can be implemented in various other modes.
  • the dispersion value of the reference data is compared with the dispersion value calculated from the latest measurement data for a certain period, and the reference data is updated according to the comparison result (step S106).
  • the Mahalanobis distance increase tendency is determined by comparing the difference values calculated with a constant step size with respect to the Mahalanobis distance group for a certain period, and according to the result.
  • the abnormality monitoring method performs the process of updating the reference data (steps S102 to S104)
  • the present invention improves the accuracy of abnormality monitoring even if the abnormality monitoring method has one of the processes. This method is included in the present invention.
  • step S106 the dispersion value comparison process
  • step S107 instead of automatically performing the update process of the reference data, the user is notified that the necessity for the update process of the reference data is high. Also good.
  • a part or all of the abnormality monitoring apparatus of the present invention is specifically a computer system including a microprocessor, ROM, RAM, hard disk unit, display unit, keyboard, mouse and the like.
  • a computer program is stored in the RAM or hard disk unit.
  • the microprocessor operates according to the computer program, each control unit, operation unit, display unit, storage unit, and the like achieve their functions.
  • the computer program is configured by combining a plurality of instruction codes indicating instructions for the computer in order to achieve a predetermined function.
  • the abnormality monitoring method of the present invention can be applied to various plants, and can be used for highly accurate abnormality monitoring for the applied plant, and is a useful method that can maintain the reliability of the plant continuously at a high level. is there.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

メンテナンスなどによりプラントの状態が変化した場合においても、その状態変化を確実に検出して、検出された状態変化に基づいて必要な場合には適切に基準データを更新し、常に精度の高い異常監視を行うことができる異常監視方法およびプラント異常監視用のコンピュータプログラムを提供するために、本発明においては、基準データおよび収集された計測データの集合体のマハラノビス距離を算出し、算出されたマハラノビス距離に関して、基準期間における基準データおよび最新の一定期間における計測データのそれぞれの分散値を一定周期毎に算出して比較し、その比較結果が閾値である判定基準を越えたとき、基準データを更新する。

Description

プラント異常監視方法およびプラント異常監視用のコンピュータプログラム
　本発明は、プラントの運転状態をマハラノビス距離を用いて監視するプラント異常監視方法およびプラント異常監視用のコンピュータプログラムに関し、特にプラント異常監視方法における基準データの更新処理要否の判定処理に関する。
　プラントの運転状態は、プラントにおける各種設備／機器において発生する温度、圧力、振動などの多くのファクターの状態量が検出されて、これらの検出された状態量に基づいてプラントが正常に運転されているか否かが判定されている。近年、このように検出された多くの状態量が解析されマハラノビス距離を用いて、プラントの運転状態における異常を監視する方法が提案されている。
　例えば、特許文献１には、マハラノビス距離を用いて、年間の季節変動などに応じて複数の基準空間（単位空間）を使い分けることにより、冷凍サイクル装置の運転状態を監視する技術が開示されている。また、特許文献２には、定格負荷時と運転状態が異なる起動時においても、また、機器の経年劣化による許容され得るレベルの性能低下時においても、当該プラントが正常に運転しているか否かを判定するプラント状態監視方法が開示されている。特許文献２に開示されたプラント状態監視方法においては、判定の基準となる一定期間のデータの集合体である単位空間が作成されて、その単位空間からマハラノビス距離を求め、求められたマハラノビス距離と所定の閾値との比較により、プラント状態が正常か否かの判定を行っている。
特開２００５－２０７６４４号公報 特開２０１２－０６７７５７号公報
　マハラノビス距離を用いた従来のプラント異常監視方法では、上記のように、一定期間の正常なデータから判定基準となる正常な分布（単位空間）を構成して、その単位空間からの逸脱度をマハラノビス距離により周期的に算出し、算出されたマハラノビス距離と所定の閾値との比較により、プラントの異常監視を行っていた。
　しかしながら、マハラノビス距離に基づく従来のプラント異常監視においては、メンテナンスなどによりプラントの状態が変化した場合であっても、状態変化前の基準データ（単位空間、所定の閾値などを含む）に基づいて判定を行っているときには、プラントの異常検出の感度の低下、即ち正常／異常の誤検出のおそれがあり、継続して精度の高い異常監視を行うことが難しいという課題を有していた。また、特許文献２における従来のプラント状態監視方法においては、基準データを過去の一定期間に基づいて周期的に自動更新しており、周期的に自動更新する監視方法では、異常時のデータに基づいて基準データを更新した場合には、異常検出の感度の低下を招く可能性があった。
　プラントの異常監視の分野においては、プラントにおける監視対象である設備／機器の状態変化を確実に検出することができ、必要な場合には基準データを適切に更新して、常に精度の高い異常監視を行うことができる異常監視方法を提供することが最重要課題である。
　本発明は、メンテナンスなどによりプラントの状態が変化した場合においても、その状態変化を確実に検出することが可能であり、検出された状態変化に基づいて必要な場合には適切に基準データを更新して、常に精度の高い異常監視を行うことができる異常監視方法およびプラント異常監視用のコンピュータプログラムを提供することを目的とする。
　本発明のプラント異常監視方法は、プラントの運転状態を判定するための基準となる単位空間を、前記プラントの基準期間における監視対象からの基準データから形成するステップと、
　前記プラントの運転状態における監視対象からの計測データを収集するステップと、
　形成された単位空間に基づいて、前記基準データおよび収集された計測データの集合体のマハラノビス距離を算出するステップと、
　算出されたマハラノビス距離に関する、前記基準期間における前記基準データおよび最新の一定期間における計測データのそれぞれの分散値を一定周期毎に算出し、比較するステップと、
　前記最新の一定期間における計測データの分散値に対する、前記基準期間における前記基準データの分散値の比率が閾値である判定基準値を越えたとき、前記基準データを更新するステップ、を含む。
　本発明のプラント異常監視用のコンピュータプログラムは、プラントの運転状態を判定するための基準となる単位空間を、前記プラントの基準期間における監視対象からの基準データから形成する手順と、
　前記プラントの運転状態における監視対象からの計測データを収集する手順と、
　形成された単位空間に基づいて、前記基準データおよび収集された計測データの集合体のマハラノビス距離を算出する手順と、
　算出されたマハラノビス距離に関する、前記基準期間における前記基準データおよび最新の一定期間における計測データのそれぞれの分散値を一定周期毎に算出し、比較する手順と、
　前記最新の一定期間における計測データの分散値に対する、前記基準期間における前記基準データの分散値の比率が閾値である判定基準値を越えたとき、前記基準データを更新する手順と、を備える。
　本発明によれば、メンテナンスなどによりプラントの状態が変化した場合においても、その状態変化を確実に検出することが可能であり、検出された状態変化に基づいて必要な場合には基準データを適切に更新して、プラントに対する常に精度の高い異常監視を行うことができる。
本発明に係る第１の実施の形態におけるガスタービン発電プラントを監視する異常監視装置の構成を模式的に示したブロック図 異常監視方法における問題点とその解決方法を観念的に示した図 計測データが上昇している異常傾向時の状態を示すグラフ 図３に示した計測データに対して低周波成分の除去処理を行った後の計測データの例示を観念的に示す図 算出されたマハラノビス距離の増大時における具体的な３パターンのマハラノビス距離データを示す図 具体的なマハラノビス距離における差分値を算出する流れを示す図 第１の実施の形態の異常監視方法における基準データの更新方法のフローチャート 第１の実施の形態の異常監視方法におけるマハラノビス距離の増大判定方法およびマハラノビス距離の差分値の判定方法を模式的に示した図 第１の実施の形態の異常監視方法における低周波成分の除去処理による信号処理方法および分散比較方法を模式的に示した図
　以下に、本発明に係る実施の形態を図面に基づいて詳細に説明する。なお、図面を参照して本発明に係る実施の形態を詳細に説明する前に、本発明の種々の態様について説明する。
　本発明に係る第１の態様のプラント異常監視方法は、
　プラントの運転状態を判定するための基準となる単位空間を、前記プラントの基準期間における監視対象からの基準データから形成するステップ、
　前記プラントの運転状態における監視対象からの計測データを収集するステップ、
　形成された単位空間に基づいて、前記基準データおよび収集された計測データの集合体のマハラノビス距離を算出するステップ、
　算出されたマハラノビス距離に関する、前記基準期間における前記基準データおよび最新の一定期間における計測データのそれぞれの分散値を一定周期毎に算出し、比較するステップ、および
　前記最新の一定期間における計測データの分散値に対する、前記基準期間における前記基準データの分散値の比率が閾値である判定基準値を越えたとき、前記基準データを更新するステップ、を含んでいる。
　このような第１の態様のプラント異常監視方法では、メンテナンスなどによりプラントの状態が変化した場合においても、その状態変化を確実に検出することが可能であり、基準データを適切に更新して、プラントに対する精度の高い異常監視を常に行うことができる。
　本発明に係る第２の態様のプラント異常監視方法は、前記の第１の態様における前記基準データおよび前記計測データの分散値を一定周期毎に算出し、比較するステップにおいて、
　前記基準データおよび前記計測データに対して低周波成分を除去処理を実行した後、当該基準データおよび当該計測データの分散値を一定周期毎に算出し、比較する。
　このような第２の態様のプラント異常監視方法においては、異常傾向時に分散値が増加したとして誤判定して、基準データの望ましくない更新処理が実行されることを防止することができる。
　本発明に係る第３の態様のプラント異常監視方法は、前記の第１の態様または第２の態様において、
　算出されたマハラノビス距離が閾値である基準値を越えたとき、前記基準値を超えたマハラノビス距離を含む一定期間のマハラノビス距離群における一定幅のマハラノビス距離間の差分値を算出するステップ、および
　算出された差分値が閾値である設定値を越えたとき、前記基準データの更新処理の必要性が高いことを通知するステップ、をさらに含んでいる。
　このような第３の態様のプラント異常監視方法においては、メンテナンスなどによりプラントの状態が変化した場合においても、その状態変化を差分値を用いて検出し、検出された状態変化に基づいて、基準データの更新処理の必要性が高いことを通知することができ、プラントに対する常に精度の高い異常監視を行うことができる。
　本発明に係る第４の態様のプラント異常監視用のコンピュータプログラムは、
　プラントの運転状態を判定するための基準となる単位空間を、前記プラントの基準期間における監視対象からの基準データから形成する手順、
　前記プラントの運転状態における監視対象からの計測データを収集する手順、
　形成された単位空間に基づいて、前記基準データおよび収集された計測データの集合体のマハラノビス距離を算出する手順、
　算出されたマハラノビス距離に関する、前記基準期間における前記基準データおよび最新の一定期間における計測データのそれぞれの分散値を一定周期毎に算出し、比較する手順、および
　前記最新の一定期間における計測データの分散値に対する、前記基準期間における前記基準データの分散値の比率が閾値である判定基準値を越えたとき、前記基準データを更新する手順、を備えている。
　このような第４の態様のプラント異常監視用のコンピュータプログラムを用いることにより、メンテナンスなどによりプラントの状態が変化した場合においても、その状態変化を確実に検出することが可能であり、基準データを適切に更新して、プラントに対する精度の高い異常監視を常に行うことが可能となる。
　本発明に係る第５の態様のプラント異常監視用のコンピュータプログラムは、前記の第４の態様における前記基準データおよび前記計測データの分散値を一定周期毎に算出し、比較する手順において、
　前記基準データおよび前記計測データに対して低周波成分を除去処理を実行した後、当該基準データおよび当該計測データの分散値を一定周期毎に算出し、比較している。
　このような第５の態様のプラント異常監視用のコンピュータプログラムを用いることにより、異常傾向時に分散値が増加したとして誤判定して、基準データの望ましくない更新処理が実行されることを防止することが可能となる。
　本発明に係る第６の態様のプラント異常監視用のコンピュータプログラムは、前記の第４の態様または第５の態様の算出されたマハラノビス距離が閾値である基準値を越えたとき、前記基準値を超えたマハラノビス距離を含む一定期間のマハラノビス距離群における一定幅のマハラノビス距離間の差分値を算出する手順、および
　算出された差分値が閾値である設定値を越えたとき、前記基準データの更新処理の必要性が高いことを通知する手順、を含んでいる。
　このような第６の態様のプラント異常監視用のコンピュータプログラムを用いることにより、メンテナンスなどによりプラントの状態が変化した場合においても、その状態変化を差分値を用いて検出し、検出された状態変化に基づいて、基準データの更新処理の必要性が高いことを通知することができ、プラントに対する常に精度の高い異常監視を行うことが可能となる。
　以下の実施の形態においては、産業用ガスタービンを用いた発電プラントの異常監視方法などについて説明するが、本発明はガスタービン発電プラントに限定されるものではなく、各種プラント、例えば、その他の発電プラントを含むエネルギープラント、製造プラント、化学プラントなどにおいて適用することができる。なお、以下で説明する実施の形態は、いずれも本発明の一例を示すものである。以下の実施の形態において示される数値、形状、構成、ステップ、およびステップの順序などは、一例を示すものであり、本発明を限定するものではない。以下の実施の形態における構成要素のうち、最上位概念を示す独立請求項に記載されていない構成要素については、任意の構成要素として説明される。
《第１の実施の形態》
　以下、図面を参照して本発明に係る第１の実施の形態におけるプラント異常監視装置およびその異常監視方法について説明する。第１の実施の形態におけるマハラノビス距離に基づくプラント異常監視装置およびその異常監視方法は、産業用ガスタービンを用いた発電プラントに適用した例である。
　図１は、ガスタービン発電プラント１を監視する異常監視装置１０の構成を模式的に示したブロック図である。図１において、ガスタービン発電プラント１は、通常の発電プラントの各設備を有しており、タービン６、圧縮機７、燃焼室８および発電機９などの主要な機器をガスタービンとして備えている。
　第１の実施の形態の異常監視装置１０は、ガスタービン発電プラント１の運転中の動作を継続的に監視している。異常監視装置１０に対しては、ガスタービン発電プラント１における監視対象である各設備／機器からの各種計測データが状態量として逐次送信される。例えば、ガスタービンの各設備／機器における各ファクターの位置、温度、圧力および振動などの各種計測データが状態量として、異常監視装置１０に入力される。
　異常監視装置１０は、例えば、ガスタービンの各機器からの複数の状態量が制御部２に入力されて、後述する異常監視方法により処理され、ガスタービン発電プラント１における異常状態を検知する構成である。制御部２は、例えばマイクロプロセッサ、ＲＯＭ、ＲＡＭ、ハードディスクユニット、ディスプレイユニット、キーボード、マウスなどから構成されるコンピュータシステムである。前記ＲＡＭ又はハードディスクユニットには、本実施の形態における異常監視方法のコンピュータプログラムが記憶されている。
　また、異常監視装置１０には、各種データを格納する記憶部５と、各種データを表示することが可能な表示部４と、使用者が制御部２などに各種指令を発するための操作部３と、を備えている。操作部３においては、各種指令を入力するための入力手段が設けられており、入力された各種指令は表示部４において表示可能に構成されている。
（異常監視方法）
　次に、上記のように構成された第１の実施の形態における異常監視装置１０を用いた異常監視方法について説明する。異常監視装置１０においては、ガスタービン発電プラント１の正常運転時の各設備／機器におけるデータ（基準データ）から得られた状態量に基づいてマハラノビスの単位空間が作成される。この単位空間は、ガスタービン発電プラント１の運転状態が正常な運転か否かの判定を行うための基準となるデータの集合体である。ガスタービン発電プラント１における状態量としては、圧縮機７の吸入空気温度、発電機９の出力、ガスタービンの出力軸である主軸の振動などのガスタービンにおける各部の温度、圧力、振動、回転速度などの各種機器に関する多くの状態量が含まれる。
　マハラノビス距離に基づくプラント異常監視方法においては、基準データから正常な空間（単位空間）を形成して、その単位空間に対する最新の計測データの逸脱度の指標としてマハラノビス距離が算出される。算出されたマハラノビス距離が大きいほど、監視対象であるガスタービン発電プラントの設備の異常度が高いと判定される。
　但し、上記のように基準データから形成された単位空間からのマハラノビス距離を用いて、設備の異常を監視する方法においては、次のような問題を有している。
　例えば、プラントのメンテナンスなどで設備の一部を修理したり、または交換し、プラント状態が変化した場合、基準データから作成された単位空間をそのままマハラノビス距離の対象としたとき、監視対象である設備／機器が正常にもかかわらず設備／機器が異常であると検出したり、逆に設備／機器に異常が生じていても異常と認識しないという大きな問題を生じるおそれがある。
　図２は、上記の問題とその解決方法を観念的に示した図である。図２の（ａ）の上下の２つ図は、状態変化前の基準データに基づいてマハラノビス距離を算出した場合の問題点を観念的に示している。図２の（ａ）において、上のグラフは計測データ（状態量）の時間的変化を示しており、下のグラフは縦軸および横軸に示す２つの計測データ（状態量）に基づいてマハラノビス距離を算出する単位空間を観念的に示している。
　図２の（ａ）の上のグラフで示す計測データ（信号値）は、メンテナンスなどにより振れ幅が小さくなっているが、信号値が徐々に上昇して異常傾向となっていることを示している。図２の（ａ）に示す従来の異常監視方法においては、計測データの振れ幅が小さくなる前（状態変化前）の一定期間を基準期間として、その基準期間の基準データにより単位空間を形成している。このため、形成されている単位空間は、計測データの振れ幅が小さくなったときの状態に対しては、過剰に拡大した単位空間となっている。その結果、計測データの振れ幅が小さくなった状態変化後において、実際の計測データ（信号値）が異常値であるとしても、マハラノビス距離を算出するための単位空間が大きいため、マハラノビス距離が大きな値とならず異常値と判定されない状態となる。
　上記のように、異常検出の感度の低下の要因は、メンテナンスなどにより計測データの分散が変化して、データのばらつきが小さくなった場合、分散変化前の基準データを使用し続けると、分散変化後の正常状態に対して単位空間が過剰に拡大した状態となり、この結果、異常検出の感度が低下するという大きな問題を招くことになる。
　図２の（ｂ）において、上のグラフは計測データ（状態量）の時間的変化を示しており、状態変化後の一定期間を基準期間として設定して、この状態変化後の基準期間における計測データを基準データとして、新たな空間単位が形成した場合を示している。図２の（ｂ）の下のグラフは、縦軸と横軸に示す２つの計測データ（状態量）に基づいてくマハラノビス距離を算出する単位空間を示している。図２の（ｂ）に示す単位空間（実線の楕円）は、図２の（ａ）に示す単位空間（図２の（ｂ）における破線の楕円）に比べて小さくなっている。このため、状態変化後の計測データにおける異常検出時データは、確実に単位空間から逸脱した状態となる。
　本発明に係る第１の実施の形態の異常監視装置１０を用いた異常監視方法においては、図２の（ａ）に示した問題点を解決し、図２の（ｂ）示すように、計測データに対して、適切に基準データを更新して、単位空間からの逸脱度の指標であるマハラノビス距離を算出し、設備の異常を確実に検出することが可能である。
　本発明に係る第１の実施の形態の異常監視装置１０を用いた異常監視方法においては、基準データの分散値と最新の一定期間の計測データにより求めた分散値とを比較し、その比較結果に応じて基準データを更新するように構成されている。
　また、本発明に係る第１の実施の形態の異常監視装置１０を用いた異常監視方法においては、計測データから算出されたマハラノビス距離の増大時に、一定期間のマハラノビス距離群に対して、一定の刻み幅（一定幅）にて算出する差分値の大小によりマハラノビス距離の増大傾向を判定し、その結果に応じて基準データを更新している。
（計測データに対する低周波成分除去処理）
　以下、異常監視方法において、上記のように基準データの更新の判定を行う更新方法について説明する。基準データの更新の判定を行う場合において、所定の判定期間の計測データが上昇しているとき、その判定期間の計測データの分散値が増大しているように誤認される場合がある。
　図３は、計測データが上昇している異常傾向時の状態を模式的に示したグラフである。図３の計測データのグラフは、左に示す所定の基準期間Ａ内における計測データの分散値に比べて、右に示す所定の判定期間Ｂ内において上昇している計測データの分散値が大きくなっている場合を示している。前述のように判定期間Ｂの計測データの分散値が基準データＡの分散値と比較され、その比較結果に応じて基準データを更新するように構成されている場合においては、図３に示したように、判定期間Ｂにおいて分散値が大きく変化したと認識した場合には、例えば判定期間Ｂにおける分散値が予め設定された閾値を超えて変化したと認識した場合には、基準期間Ａの基準データが、判定期間Ｂにおける計測データである評価データを基準データとして更新し、その更新された基準データにより単位空間が形成される。このように更新された基準データにより単位空間が形成された場合には、単位空間が拡大し、マハラノビス距離が異常傾向時にもかかわらず減少してしまうという、好ましくない基準データの更新が行われてしまう。
　上記のような、好ましくない基準データの更新を防止するために、本実施の形態においては、計測データに対して、事前に低周波成分を除去するハイパスフィルター（ＨＰＦ）処理を行っている。図４は、図３に示した計測データに対して低周波成分の除去（ＨＰＦ）処理を行った後の計測データの例示を観念的に示している。図４の（ａ）に示すような異常傾向データの場合においても、低周波成分の除去処理を行うことにより、判定期間Ｂにおいて上昇する計測データに起因する分散値の変化がなくなり、上昇する計測データにおける分散値による基準データの不要な更新が防止される。この結果、上昇する計測データに起因して分散値が大きく変化する場合であっても、従前の基準期間Ａの基準データに基づいて形成された単位空間により、判定期間Ｂにおける計測データ（状態量）に関する適切なマハラノビス距離が算出され、精度の高い分散値比較を行うことができる。
（マハラノビス距離による判定）
　前述のように、プラントにおける設備／機器の状態が変化することによって、計測データ（検出信号：状態量）が大きく変化すると、単位空間に対するマハラノビス距離が増大する。例えば、メンテナンスなどにより設備／機器の一部が交換されて状態が大きく変化した場合には、突発的にマハラノビス距離が大きく変化する。このように、プラントの設備異常によるマハラノビス距離の増大ではない場合には、状態変化後の正常な単位空間を新たに定義する基準データを設定して、マハラノビス距離を正常な単位空間に基づいて算出する必要がある。逆に、プラントの設備異常によるマハラノビス距離の増大である場合には、至急に設備異常を使用者に通知する必要がある。
　図５は、算出されたマハラノビス距離の増大時における具体的な３パターンのマハラノビス距離データを示している。３パターンのいずれのマハラノビス距離データも予め設定された閾値（図５おいて破線にて示す基準値Ｆ）を超えた状態を示している。
　図５の（ａ）に示すパターン１は、算出されたマハラノビス距離データが徐々に上昇し、閾値を超えた状態を示している。図５の（ｂ）に示すパターン２は、算出されたマハラノビス距離データが急激に上昇し、閾値を超えた状態がそのまま維持されている。図５の（ｃ）に示すパターン３は、算出されたマハラノビス距離データが急激に変化し、振れ幅が大きくなり、振れ幅の最大値が閾値を超えた状態を示している。
　図５に示す３つのパターン１、２、３において、マハラノビス距離が閾値を超えた時点から所定期間遡った時点までの一定期間（抽出期間Ｃ）におけるマハラノビス距離の差分値が算出されて、当該プラントが異常傾向か否か、若しくは基準データの更新が必要か否かの判定が行われる。抽出期間Ｃにおける複数のマハラノビス距離を含むマハラノビス距離群において、一定刻み幅（一定幅）を持つマハラノビス距離（ＭＤ値）間の差分値を用いることにより、少なくとも、パターン１のマハラノビス距離データと、パターン２、３のマハラノビス距離データとを識別することが可能となる。
　なお、抽出期間Ｃとしては、マハラノビス距離の単位時間当たりの移動平均値が閾値を超えた時点から所定期間遡った時点までの一定期間としてもよい。または、抽出期間Ｃとして、マハラノビス距離が閾値を超えた時点から一定時間経過した後、その一定時間経過後の時点から所定期間遡った時点までの一定期間としてもよい。
　図６は、具体的なマハラノビス距離における差分値を算出する流れを示す図である。図６の（ａ）は、マハラノビス距離（ＭＤ値）が予め設定された閾値（基準値Ｆ）を超えた時点から一定期間遡った時点までの抽出期間Ｃにおいて複数のマハラノビス距離を抽出することを示している。なお、抽出期間Ｃより短い算出期間を予め設定して、その算出期間におけるマハラノビス距離の移動平均値が、予め設定された閾値を超えた時点から一定期間遡った時点までの抽出期間Ｃにおける複数のマハラノビス距離を抽出してもよい。
　図６の（ｂ）に示すように、抽出期間Ｃにおいて抽出されたマハラノビス距離群における一定刻み幅のマハラノビス距離（ＭＤ値）間の差分値が算出される。算出された差分値が所定の閾値（設定値Ｅ）より大きい場合には、基準データの更新処理の必要性が高いことを異常監視装置１０の表示部４が表示するよう通知する（図６の（ｃ））。
　図６のフローに示すように、抽出期間Ｃにおける一定刻み幅のマハラノビス距離（ＭＤ値）間の差分値を算出することにより、前述の図５の（ａ）に示すパターン１の場合は、マハラノビス距離の差分値が小さく、従前の基準データによる単位空間がそのまま維持される。その結果、パターン１の算出されたマハラノビス距離は、閾値（基準値Ｆ）を越えているため当該プラントが異常傾向にあると仮定される。
　一方、図５の（ｂ）、（ｃ）に示すパターン２、３の場合には、マハラノビス距離の差分値が大きく、当該プラントのメンテナンスなどに起因することが考えらるため、基準データの更新処理を必要とする可能性が高いことを表示部４に表示させる。
（基準データに関する更新処理要否の判定方法）
　以下、第１の実施の形態の異常監視方法における基準データの更新処理要否の判定方法について、より具体的に説明する。
　図７は、第１の実施の形態の異常監視方法における基準データの更新処理要否の判定方法のフローチャートである。実施の形態１における異常監視装置１０においては、ガスタービン発電プラント１における監視対象である各設備／機器からの各種計測データが順次収集され入力されている。異常監視装置１０においては、順次入力される計測データ（状態量）が収集されて記憶部４に格納されると共に、マハラノビス距離（ＭＤ値）が算出される（Ｓ１０１）。
　ステップＳ１０２においては、マハラノビス距離が閾値（基準値Ｆ）を越えているか否かが判定される。マハラノビス距離が基準値Ｆを越えている場合には、マハラノビス距離が基準値Ｆを越えた時点から一定期間遡った時点までの抽出期間Ｃにおけるマハラノビス距離群の一定刻み幅を有するマハラノビス距離（ＭＤ値）間の差分値ｄi（i＝１，２，３，・・・，ｎ）が算出され、その最大差分値ｄmaxが抽出される。ステップＳ１０３においては、抽出された最大差分値ｄmaxが閾値である設定値Ｇを越えるか否かが判定される（最大差分値ｄmax＞設定値Ｇ）。最大差分値ｄmaxが設定値Ｇを越えている場合には、基準データの更新処理の必要の可能性が高いため、基準データ更新の要否判定結果を表示部４が表示する（Ｓ１０４）。
　一方、ステップＳ１０３において、最大差分値ｄmaxが設定値Ｇを越えていない場合には、基準データを更新する必要がないため、そのままの基準データによる単位空間に基づいたマハラノビス距離による各設備／機器に対する異常監視が継続され、算出されたマハラノビス距離に基づいて異常監視が行われる（Ｓ１０１）。
　ステップＳ１０２において、マハラノビス距離が基準値Ｆを越えていない場合には、ステップＳ１０５に移行する。ステップＳ１０５においては、基準データおよび最新の計測データに対する低周波成分の除去処理（ＨＰＦ処理）が行われる。このようにＨＰＦ処理を行うことにより、前述のようにマハラノビス距離における分散値拡大の誤認による不要な基準データ更新処理を除外している。
　ステップＳ１０６においては、ＨＰＦ処理された対象データに対してマハラノビス距離（ＭＤ値）を改めて算出し、基準期間Ａにおける基準データのマハラノビス距離の分散値Ｖ１と、一定周期毎に行われる判定期間Ｂにおける最新の計測データのマハラノビス距離の分散値Ｖ２と、を算出する。その結果、判定期間Ｂにおけるマハラノビス距離の分散値Ｖ２が、基準データのマハラノビス距離の分散値Ｖ１に比べて小さく、分散値Ｖ２に対する分散値Ｖ１の比率（Ｖ１／Ｖ２）が予め設定された判定基準値Ｈより大きい場合、即ち、Ｖ１＞Ｖ２、であり、Ｖ１／Ｖ２＞判定基準値Ｈ、である場合には、ステップＳ１０１で算出されたマハラノビス距離における分散の変化が大きいと判定される。
　上記のように、ステップＳ１０６においてマハラノビス距離における分散の変化が大きいと判定されると、ステップＳ１０７において、基準データの更新処理が行われる。なお、ステップ１０７においては、基準データの更新処理を自動的に行ってもよいが、使用者に基準データの更新処理が必要であることを通知する構成としてもよい。基準データの更新処理を行う場合には、判定期間Ｂを新たな基準期間として基準データを更新してもよい。または、改めてプラントの正常時における基準期間を設定してそのデータを基準データとして更新処理を行ってもよい。以後、上記の基準データの更新処理が行われた異常監視方法においては発電プラントの異常監視が継続され、更新された基準データに基づいて単位空間が形成され、その単位空間によりマハラノビス距離が算出される。
　一方、ステップＳ１０６においてマハラノビス距離における分散の変化が大きくないと判定されると、基準データがそのまま維持されて、従前の単位空間によりマハラノビス距離の算出が継続される（Ｓ１０１）。
（ステップＳ１０２からＳ１０４の処理）
　以下、上記の第１の実施の形態の異常監視方法における基準データの更新処理要否の判定方法において、図７に示したフローチャートのステップＳ１０２からステップＳ１０４で行われるマハラノビス距離の増大判定方法、およびマハラノビス距離の差分値の判定方法について具体的に説明する。
　図８は、ステップＳ１０２からステップＳ１０４におけるマハラノビス距離の増大判定方法およびマハラノビス距離の差分値の判定方法を模式的に示した説明図である。図８の（ａ）は、ステップＳ１０１において算出されたマハラノビス距離が増大しており、閾値である基準値Ｆを越えていることを示している。即ち、監視対象の設備／機器の異常度が高くなっていることを示している。図８の（ａ）に示す状況において、マハラノビス距離が基準値Ｆを越えた時点から一定期間遡った時点までの抽出期間Ｃにおけるマハラノビス距離群が抽出される（図８の（ｂ）参照）。
　抽出されたマハラノビス距離群における複数のマハラノビス距離における一定刻み幅（一定幅）を有するマハラノビス距離間の差分値ｄi（i＝１，・・・，ｎ）が算出され、その算出された差分値ｄiから最大差分値ｄmaxが抽出される。抽出された最大差分値ｄmaxに対しては、予め設定された設定値Ｇを越えているか否かが判定される（図８の（ｃ）参照）。最大差分値ｄmaxが、設定値Ｇを越えている場合には、マハラノビス距離が基準値Ｆを越えている場合であっても、プラントの設備に異常があるのではなく、例えばメンテナンスなどにより設備の一部の変更などに起因する場合が考えられる。このため、制御部２は、使用者に対して基準データ更新の必要の可能性が高いことを通知するように、表示部４にその旨を表示させる。基準データ更新の必要の可能性が高いことを通知する手段としては、表示部４に表示する他、音、および／または光により通知する構成としてもよい。
（ステップＳ１０５からステップＳ１０７の処理）
　次に、前述の図７に示したフローチャートにおいて、ステップＳ１０５からステップＳ１０７に示した基準データと最新の計測データとの分散値比較処理について説明する。
　図９は、低周波成分の除去処理であるハイパスフィルター（ＨＰＦ）処理による信号処理方法、および分散比較方法を模式的に示した説明図である。
　図９の（ａ）に示すように、前述のように、計測データに対して低周波成分を除去するＨＰＦによる信号処理が行われて、マハラノビス距離における好ましくない分散値拡大による基準データ更新処理を防止している。より具体的には、基準データ、および最新の計測データの計測時から一定期間遡った時点までの判定期間Ｂにおける計測データに対して、それぞれＨＰＦによる信号処理が行われて、ＨＰＦによる信号処理後の基準データおよび判定期間Ｂにおける最新の計測データが形成される。
　次に、図９の（ｂ）示すように、ＨＰＦによる信号処理後の基準データおよび判定期間Ｂにおける最新の計測データに対して、マハラノビス距離が算出されて、それぞれの分散値が算出される。
　算出された分散値を用いて、検定統計量（Ｖ１／Ｖ２、Ｖ１＞Ｖ２）を算出し、予め定めた判定基準値Ｈとの大小比較が行われる（図９の（ｃ）参照）。
　上記のように、算出された検定統計量が予め定めた判定基準値Ｈより大きい場合には、基準データが判定期間Ｂの計測データを基準データとした単位空間が自動的に更新される（図９の（ｄ）参照）。上記の基準データと最新の計測データの分散値比較処理は、一定周期毎に実行されて、当該発電プラントが常に精度の高い異常監視を行うことができる。
　以上のように、第１の実施の形態の異常監視方法およびプラント異常監視用のコンピュータプログラムにおいては、マハラノビス距離を算出するとき、若しくは算出したマハラノビス距離に基づいてプラントの運転状態が正常か否かを判定するとき、の基準となる単位空間が、一定期間（基準期間Ａ）の適正なデータ（基準データ）から形成されるとともに、プラントの運転状態を評価するために最新の計測データを含む一定期間だけ過去に遡った判定期間Ｂにおける計測データのマハラノビス距離群に基づいて精度の高いプラント異常監視を行うことが可能である。
　上記のように、本発明は、第１の実施の形態を用いて説明したように、異常監視方法およびプラント異常監視用のコンピュータプログラムを用いることにより、メンテナンスなどによりプラントの状態が変化した場合においても、その状態変化を確実に検出することが可能であり、検出された状態変化に基づいて必要な場合には基準データを適切に更新して、常に精度の高い異常監視を行うことが可能となる。
　なお、本発明は前記第１の実施の形態の構成に限定されるものではなく、その他種々の態様で実施することができる。例えば、前記第１の実施の形態においては、基準データの分散値と最新の一定期間の計測データにより算出した分散値とを比較し、その比較結果に応じて基準データを更新する処理（ステップＳ１０６からＳ１０７）と、マハラノビス距離の増大時に、一定期間のマハラノビス距離群に対して一定の刻み幅にて算出する差分値の大小の比較により、マハラノビス距離の増大傾向を判定して、その結果に応じて基準データを更新する処理（ステップＳ１０２からＳ１０４）と、を行う異常監視方法であるが、本発明としては、いずれか一方の処理を有する異常監視方法であっても、異常監視の精度を高めることが可能であり、この方法は本発明に含まれるものである。
　また、第１の実施の形態においては、基準データおよび最新の計測データに対する低周波成分の除去処理（ステップＳ１０５：ＨＰＦ処理）が行った後、分散値の比較処理（ステップＳ１０６）を行う構成で説明したが、本発明においては、ＨＰＦ処理を行うことなく、分散値の比較処理を行う構成でもよい。このように構成した場合には、ステップＳ１０７においては、自動的に基準データの更新処理を行うのではなく、使用者に基準データの更新処理の必要性が高いことを通知するように構成してもよい。
　また、本発明の異常監視装置の一部又は全部は、具体的には、マイクロプロセッサ、ＲＯＭ、ＲＡＭ、ハードディスクユニット、ディスプレイユニット、キーボード、マウスなどから構成されるコンピュータシステムである。前記ＲＡＭ又はハードディスクユニットには、コンピュータプログラムが記憶されている。前記マイクロプロセッサが、前記コンピュータプログラムにしたがって動作することにより、各制御部、操作部、表示部、および記憶部などは、その機能を達成する。ここでコンピュータプログラムは、所定の機能を達成するために、コンピュータに対する指令を示す命令コードが複数個組み合わされて構成されたものである。
　本発明の異常監視方法は、各種プラントに適用可能であり、適用したプラントに対して精度の高い異常監視を行うことが可能となり、プラントの信頼性を継続的に高位に維持できる有用な方法である。
　　１　ガスタービン発電プラント
　　２　制御部
　　３　操作部
　　４　表示部
　　５　記憶部
　　６　タービン
　　７　圧縮機
　　８　燃焼器
　　９　発電機
　１０　異常監視装置

Claims (6)

  1. 　プラントの運転状態を判定するための基準となる単位空間を、前記プラントの基準期間における監視対象からの基準データから形成するステップ、
    　前記プラントの運転状態における監視対象からの計測データを収集するステップ、
    　形成された単位空間に基づいて、前記基準データおよび収集された計測データの集合体のマハラノビス距離を算出するステップ、
    　算出されたマハラノビス距離に関する、前記基準期間における前記基準データおよび最新の一定期間における計測データのそれぞれの分散値を一定周期毎に算出し、比較するステップ、および
    　前記最新の一定期間における計測データの分散値に対する、前記基準期間における前記基準データの分散値の比率が閾値である判定基準値を越えたとき、前記基準データを更新するステップ、
    を含むプラント異常監視方法。
  2. 　前記基準データおよび前記計測データの分散値を一定周期毎に算出し、比較するステップにおいて、
    　前記基準データおよび前記計測データに対して低周波成分を除去処理を実行した後、当該基準データおよび当該計測データの分散値を一定周期毎に算出し、比較する、請求項１に記載のプラント異常監視方法。
  3. 　算出されたマハラノビス距離が閾値である基準値を越えたとき、前記基準値を超えたマハラノビス距離を含む一定期間のマハラノビス距離群における一定幅のマハラノビス距離間の差分値を算出するステップ、および
    　算出された差分値が閾値である設定値を越えたとき、前記基準データの更新処理の必要性が高いことを通知するステップ、を含む請求項１または２に記載のプラント異常監視方法。
  4. 　プラントの運転状態を判定するための基準となる単位空間を、前記プラントの基準期間における監視対象からの基準データから形成する手順、
    　前記プラントの運転状態における監視対象からの計測データを収集する手順、
    　形成された単位空間に基づいて、前記基準データおよび収集された計測データの集合体のマハラノビス距離を算出する手順、
    　算出されたマハラノビス距離に関する、前記基準期間における前記基準データおよび最新の一定期間における計測データのそれぞれの分散値を一定周期毎に算出し、比較する手順、および
    　前記最新の一定期間における計測データの分散値に対する、前記基準期間における前記基準データの分散値の比率が閾値である判定基準値を越えたとき、前記基準データを更新する手順、
    を備えるプラント異常監視用のコンピュータプログラム。
  5. 　前記基準データおよび前記計測データの分散値を一定周期毎に算出し、比較する手順において、
    　前記基準データおよび前記計測データに対して低周波成分を除去処理を実行した後、当該基準データおよび当該計測データの分散値を一定周期毎に算出し、比較する、請求項４に記載のプラント異常監視用のコンピュータプログラム。
  6. 　算出されたマハラノビス距離が閾値である基準値を越えたとき、前記基準値を超えたマハラノビス距離を含む一定期間のマハラノビス距離群における一定幅のマハラノビス距離間の差分値を算出する手順、および
    　算出された差分値が閾値である設定値を越えたとき、前記基準データの更新処理の必要性が高いことを通知する手順、を含む請求項４または５に記載のプラント異常監視用のコンピュータプログラム。
PCT/JP2016/088967 2015-12-28 2016-12-27 プラント異常監視方法およびプラント異常監視用のコンピュータプログラム WO2017115814A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201680076395.0A CN108475053A (zh) 2015-12-28 2016-12-27 成套设备异常监视方法及用于监视成套设备异常的计算机程序
US16/066,345 US20190018402A1 (en) 2015-12-28 2016-12-27 Plant-abnormality-monitoring method and computer program for plant abnormality monitoring
EP16881788.0A EP3399376B1 (en) 2015-12-28 2016-12-27 Plant-abnormality-monitoring method and computer program for plant abnormality monitoring

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015256477A JP6770802B2 (ja) 2015-12-28 2015-12-28 プラント異常監視方法およびプラント異常監視用のコンピュータプログラム
JP2015-256477 2015-12-28

Publications (1)

Publication Number Publication Date
WO2017115814A1 true WO2017115814A1 (ja) 2017-07-06

Family

ID=59225300

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2016/088967 WO2017115814A1 (ja) 2015-12-28 2016-12-27 プラント異常監視方法およびプラント異常監視用のコンピュータプログラム

Country Status (5)

Country Link
US (1) US20190018402A1 (ja)
EP (1) EP3399376B1 (ja)
JP (1) JP6770802B2 (ja)
CN (1) CN108475053A (ja)
WO (1) WO2017115814A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020071824A (ja) * 2018-11-02 2020-05-07 三菱日立パワーシステムズ株式会社 単位空間更新装置、単位空間更新方法、及びプログラム
CN113348420A (zh) * 2019-03-28 2021-09-03 三菱动力株式会社 成套设备监视装置、成套设备监视方法及程序

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6432890B2 (ja) * 2016-06-01 2018-12-05 三菱日立パワーシステムズ株式会社 監視装置、対象装置の監視方法、およびプログラム
AU2017399173A1 (en) * 2017-02-15 2019-08-22 Sony Corporation Information generation method, information generation device, and program
KR102385100B1 (ko) * 2017-12-22 2022-04-13 삼성디스플레이 주식회사 인프라 설비 가동 데이터 자동분석방법 및 시스템
JP6871877B2 (ja) * 2018-01-04 2021-05-19 株式会社東芝 情報処理装置、情報処理方法及びコンピュータプログラム
JP7075771B2 (ja) * 2018-02-08 2022-05-26 株式会社Ｓｃｒｅｅｎホールディングス データ処理方法、データ処理装置、データ処理システム、およびデータ処理プログラム
JP7074490B2 (ja) * 2018-02-08 2022-05-24 株式会社Ｓｃｒｅｅｎホールディングス データ処理方法、データ処理装置、データ処理システム、およびデータ処理プログラム
DE102018107233A1 (de) * 2018-03-27 2019-10-02 Kraussmaffei Technologies Gmbh Verfahren zur automatischen Prozessüberwachung und Prozessdiagnose eines stückbasierten Prozesses (batch-Fertigung), insbesondere eines Spritzgießprozesses und eine den Prozess durchführende Maschine oder ein den Prozess durchführender Maschinenpark
CN109344026A (zh) * 2018-07-27 2019-02-15 阿里巴巴集团控股有限公司 数据监控方法、装置、电子设备及计算机可读存储介质
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
WO2021019760A1 (ja) * 2019-08-01 2021-02-04 三菱電機株式会社 異常診断方法、異常診断装置および異常診断プログラム
JP7387325B2 (ja) * 2019-08-01 2023-11-28 三菱重工業株式会社 プラント監視装置、プラント監視方法、及びプログラム
JP7437163B2 (ja) * 2020-01-06 2024-02-22 三菱重工業株式会社 診断装置、診断方法およびプログラム
DE112020007131T5 (de) 2020-04-27 2023-03-09 Mitsubishi Electric Corporation Anomalie-diagnoseverfahren, anomalie-diagnosevorrichtung und anomalie-diagnoseprogramm
JP7113988B1 (ja) * 2021-02-17 2022-08-05 三菱電機株式会社 データ照合装置、データ照合システム、及びデータ照合方法
JP7509117B2 (ja) * 2021-10-29 2024-07-02 株式会社Sumco 監視方法、監視プログラム、監視装置、ウェーハの製造方法、及びウェーハ
CN114253183B (zh) * 2021-11-25 2024-09-13 沈鼓集团股份有限公司 压缩机监控数据的处理方法以及装置
CN116662794B (zh) * 2023-08-02 2023-11-10 成都凯天电子股份有限公司 一种考虑数据分布更新的振动异常监测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005207644A (ja) 2004-01-21 2005-08-04 Mitsubishi Electric Corp 機器診断装置、冷凍サイクル装置、流体回路診断方法、機器監視システム、冷凍サイクル監視システム
JP2010181188A (ja) * 2009-02-03 2010-08-19 Mitsubishi Heavy Ind Ltd プラント運転状態監視方法
JP2011090382A (ja) * 2009-10-20 2011-05-06 Mitsubishi Heavy Ind Ltd 監視システム
JP2012067757A (ja) 2008-02-27 2012-04-05 Mitsubishi Heavy Ind Ltd プラント状態監視方法、プラント状態監視用コンピュータプログラム、及びプラント状態監視装置
WO2014064816A1 (ja) * 2012-10-25 2014-05-01 三菱重工業株式会社 プラント監視装置、プラント監視プログラム及びプラント監視方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7203431B2 (en) * 2003-12-26 2007-04-10 Ricoh Company, Ltd. Abnormality determining method, abnormality determining apparatus, and image forming apparatus
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
JP6116466B2 (ja) * 2013-11-28 2017-04-19 株式会社日立製作所 プラントの診断装置及び診断方法
JP6038092B2 (ja) * 2014-10-14 2016-12-07 三菱重工業株式会社 サージ判定装置、サージ判定方法およびプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005207644A (ja) 2004-01-21 2005-08-04 Mitsubishi Electric Corp 機器診断装置、冷凍サイクル装置、流体回路診断方法、機器監視システム、冷凍サイクル監視システム
JP2012067757A (ja) 2008-02-27 2012-04-05 Mitsubishi Heavy Ind Ltd プラント状態監視方法、プラント状態監視用コンピュータプログラム、及びプラント状態監視装置
JP2010181188A (ja) * 2009-02-03 2010-08-19 Mitsubishi Heavy Ind Ltd プラント運転状態監視方法
JP2011090382A (ja) * 2009-10-20 2011-05-06 Mitsubishi Heavy Ind Ltd 監視システム
WO2014064816A1 (ja) * 2012-10-25 2014-05-01 三菱重工業株式会社 プラント監視装置、プラント監視プログラム及びプラント監視方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3399376A4

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020071824A (ja) * 2018-11-02 2020-05-07 三菱日立パワーシステムズ株式会社 単位空間更新装置、単位空間更新方法、及びプログラム
WO2020091077A1 (ja) * 2018-11-02 2020-05-07 三菱日立パワーシステムズ株式会社 単位空間更新装置、単位空間更新方法、及びプログラム
US11703819B2 (en) 2018-11-02 2023-07-18 Mitsubishi Heavy Industries, Ltd. Unit space update device, unit space update method, and program
JP7406915B2 (ja) 2018-11-02 2023-12-28 三菱重工業株式会社 単位空間更新装置、単位空間更新方法、及びプログラム
CN113348420A (zh) * 2019-03-28 2021-09-03 三菱动力株式会社 成套设备监视装置、成套设备监视方法及程序

Also Published As

Publication number Publication date
EP3399376B1 (en) 2022-02-02
JP2017120504A (ja) 2017-07-06
CN108475053A (zh) 2018-08-31
US20190018402A1 (en) 2019-01-17
JP6770802B2 (ja) 2020-10-21
EP3399376A4 (en) 2019-07-31
EP3399376A1 (en) 2018-11-07

Similar Documents

Publication Publication Date Title
WO2017115814A1 (ja) プラント異常監視方法およびプラント異常監視用のコンピュータプログラム
JP5610695B2 (ja) プラント監視用の方法、プログラム及び装置
JP5975883B2 (ja) 故障している計器を検出する方法及び装置
JP4801452B2 (ja) ガスタービンにおける異常監視方法及び装置
KR101066973B1 (ko) 플라즈마처리장치
WO2018230645A1 (ja) 異常検知装置、異常検知方法、およびプログラム
KR101893745B1 (ko) 구동부의 정밀 예지 보전방법
JP6151227B2 (ja) 異常検知システム及び半導体デバイスの製造方法
JP2009080612A (ja) 分布の評価方法、製品の製造方法、分布の評価プログラム及び分布の評価システム
KR20190030763A (ko) 구동부의 정밀 예지 보전방법
JP2010283000A (ja) 半導体製造における装置異常の予兆検知方法
JP2006146459A (ja) 半導体デバイスの製造方法および製造システム
JP5538955B2 (ja) 半導体製造における装置異常の予兆検知方法およびシステム
JP2010015205A (ja) 半導体製造装置の異常診断システムおよび方法
JP2005315564A (ja) 空調機の異常検知装置及び異常検知方法
KR20190077137A (ko) 인프라 설비 가동 데이터 자동분석방법 및 시스템
EP2631724B1 (en) Method for measuring health index of plant in which state of lower component is reflected, and computer-readable storage medium in which program for performing the method is stored
JP5281674B2 (ja) ガスタービンにおける異常監視方法及び装置
US10018999B2 (en) System and method for measuring a health index of a plant
JP6648747B2 (ja) 異常原因特定方法および異常原因特定装置
JP2019040272A (ja) 品質監視システム及びプログラム
EP3950966B1 (en) Blast furnace abnormality assessment device, blast furnace abnormality assessment method, and blast furnace operation method
JP2021076597A (ja) 過渡速度動作中の振動傾向を決定することによるロータ異常の検出
JP2018159111A (ja) 高炉炉況状態判定装置及び高炉の操業方法
RU2794126C1 (ru) Устройство для определения неисправности доменной печи, способ определения неисправности доменной печи и способ эксплуатации доменной печи

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: 16881788

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2016881788

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2016881788

Country of ref document: EP

Effective date: 20180730