WO2017159016A1 - 異常診断システム - Google Patents

異常診断システム Download PDF

Info

Publication number
WO2017159016A1
WO2017159016A1 PCT/JP2017/000919 JP2017000919W WO2017159016A1 WO 2017159016 A1 WO2017159016 A1 WO 2017159016A1 JP 2017000919 W JP2017000919 W JP 2017000919W WO 2017159016 A1 WO2017159016 A1 WO 2017159016A1
Authority
WO
WIPO (PCT)
Prior art keywords
state
change
detection unit
detection
operation data
Prior art date
Application number
PCT/JP2017/000919
Other languages
English (en)
French (fr)
Inventor
晃治 陰山
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to MYPI2018702389A priority Critical patent/MY196229A/en
Priority to US16/068,054 priority patent/US10976731B2/en
Priority to CN201780004789.XA priority patent/CN108369416B/zh
Priority to JP2018505281A priority patent/JP6609689B2/ja
Publication of WO2017159016A1 publication Critical patent/WO2017159016A1/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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user

Definitions

  • the present invention relates to an abnormality diagnosis system that detects an abnormality during operation of an apparatus, facility, plant, or the like, and notifies / transmits the abnormality to a driver or an operation system.
  • operation data is obtained from measurement values measured by sensors attached to each device, and the abnormality of the facility is diagnosed based on the operation data.
  • Patent Document 1 when operation data is classified and recorded into a plurality of categories and operation data of a new category different from the data stored as operation data during normal operation is acquired, the operation stored so far An abnormality diagnosis method for determining that the operating state is different from the state is described. Based on this method, there is also described a method for discriminating abnormal parts of the equipment in consideration of the direction of material flow.
  • Patent Document 2 stores a physical quantity change correlation of the object to be processed between each point of the process for processing the object to be processed, and the object to be processed obtained from a plurality of specific points of the process.
  • an abnormality diagnosis method for detecting that a physical quantity has changed in a positive or negative direction from a reference value, and determining a failure point of the process based on a change direction of the detection status and a correlation of the physical quantity change A process abnormality diagnosis method that stores a time at which a physical quantity changes in the positive or negative direction from the reference point a plurality of times, and uses only those times that are not inconsistent with the progress of the abnormality spreading as candidate fault points. It is disclosed.
  • Patent Document 3 discloses a network model that describes a monitoring processing unit that detects a deviation from a normal range of a monitoring index calculated from a process signal observed in a plant as an abnormal sign, and influence propagation characteristics between the monitoring indexes.
  • Qualitative model database with registered, anomalous propagation path identification unit that identifies observed propagation patterns against network models by comparing observed symptom patterns, and symptom patterns of each monitoring index assumed for various abnormal causes
  • a plant monitoring and diagnosing device including an output display unit that outputs an influence propagation path is disclosed.
  • Patent Document 1 since the equipment in the facility is an evaluation target in a single unit, when the target equipment is very large or when the influence of one equipment abnormality is widespread. It was difficult to identify the causative device. Moreover, when the influence on the opposite side to the material flow is affected as in the case of pressure, the technique in the above literature may have a possibility of damaging the causal device.
  • Patent Document 2 it is necessary to store the physical quantity change correlation of the object to be processed between each point of the process, but in a large-scale facility, the correlation between measurement points such as temperature, pressure, and flow rate is It may be very complex and difficult to organize the correlation.
  • Patent Document 3 As in Patent Document 2, a network model that describes the effect propagation characteristics between monitoring indices is required. When the number of monitoring indices such as temperature and pressure increases, the network model can be constructed. It becomes difficult.
  • the purpose of the present invention is to provide an abnormality diagnosis system that can express the propagation relationship of influences between parts even when the equipment of the facility is very large, and easily distinguish the part that caused a state different from normal operation. There is to do.
  • the present invention employs the following means in order to solve the above problems.
  • the state change detection means for detecting a change in the state of the equipment and the state change detection means detect a change in the state, it has a cause estimation means for estimating the cause of the change and a display means for displaying the estimated cause.
  • the state change detection means is composed of a plurality of detection units set after the part of the equipment, the detection unit stores a relationship during normal operation of a plurality of operation data related to the target part, and a relation of the operation data State change is detected from the normal state, and the cause estimating means detects the state change detection result of each detection unit of the state change detection means and the propagation relationship of the influence between the parts of the equipment corresponding to the detection unit Based on the relation information between the detection units in which is stored, the part that causes the change in the state of the equipment is estimated.
  • the propagation relationship of the influence between the parts can be expressed, and the part causing the state different from the normal operation can be easily identified.
  • FIG. 6 is a diagram showing changes in operation data when the detection data is determined to be a new classification different from that in normal operation in detection units A2 and A4. It is the figure which showed an example of the relationship information between detection units. It is the figure which showed an example of the display means. It is the figure which showed the cause estimation result on the display means. It is the figure which showed the cause estimation result on the display means by another method. It is the figure which showed another example of the relationship information between detection units. It is the figure which showed the example of the relationship information between detection units different from FIG. In FIG. 9, it is the figure which showed the state by which the determination of the newly classified driving
  • FIG. 1 is a diagram for explaining an abnormality diagnosis system according to an embodiment of the present invention.
  • This embodiment includes an operation data database 1, state change detection means 2, inter-detection unit relationship information 3, cause estimation means 4, and display means 5.
  • the operation data database 1 is connected to the equipment control device and stores measurement data such as equipment temperature, pressure, and flow rate, operation amount data such as valve opening, and time series data of control set value data. Yes.
  • measurement data such as equipment temperature, pressure, and flow rate
  • operation amount data such as valve opening
  • time series data of control set value data.
  • the state change detection means 2 detects a change in the state of each part by a state detection unit set for each part of the equipment.
  • the state detection unit uses a plurality of operation data related to a target part and detects a state change from a change in the relationship between these operation data.
  • the inter-detection unit relation information 3 stores the propagation relation of the influence between the parts of the equipment corresponding to the detection unit. For example, there are detection units A1 and A2, and when detecting a change in state of the parts B1 and B2 of the equipment, if B1 is an upstream process of B2, the influence of B1 affects B1. In this case, information indicating that A1 is affected by A2 is stored in the relationship information between detection units.
  • the cause estimation means 4 estimates the part that caused the state change by using the information that the detection unit of the state change detection means 2 detects the state change and the relationship information 3 between the detection units.
  • the display means 5 displays the cause part estimated by the cause estimation means 4 on the screen.
  • This abnormality diagnosis system has a learning phase and a diagnosis phase.
  • the learning phase is a preparatory phase before operating the abnormality diagnosis system, and only the state change detection means 2 operates.
  • the diagnosis phase the equipment is diagnosed, and when the state change detecting means 2 detects a change in the state of the equipment, the cause estimating means 4 operates. Further, the diagnosis status in the diagnosis phase is displayed on the display means 4. First, the learning phase will be described.
  • the operation data stored in the operation database 1 is used in the normal state, and the state detection unit of the state change detection means is used to determine the relationship between the operation data of each part in the normal operation state.
  • Learning is performed using one adaptive resonance theory (Adaptive Resonance Theory, hereinafter referred to as ART).
  • ART Adaptive Resonance Theory
  • a plurality of operation data corresponding to each detection unit is input to the ART as multidimensional data.
  • the flow rate F1, the pressure P2, the temperatures T1, T2, and T3 are the operation data used for the state detection unit A2 corresponding to the part B2.
  • the operation data used for the state detection unit A4 corresponding to the part B4 are the flow rates F4, F7, the pressure P6, and the temperatures T4, T6, T7.
  • the input operation data is subjected to data preprocessing such as normalization processing and addition of complements, and is classified into a plurality of categories according to the similarity of the data.
  • data preprocessing such as normalization processing and addition of complements
  • the number of categories to be classified varies depending on parameters that determine the level of detail of classification, the number of dimensions of operation data, data variation, and the like, but the classified category is defined as a category representing a normal state.
  • categories 1 to 10 are normal categories.
  • the operation data (diagnosis data) to be diagnosed is input to the ART that has learned normal operation data.
  • data with high similarity to the learning data is classified into the same category as the learning phase.
  • the state detection unit can detect a change in the state of the equipment from the category classified by ART.
  • E indicates an input condition for the target part.
  • F1 and T1 are data depending on the part B1 on the upstream side of the equipment, and change regardless of the state of the part B2.
  • T2, P2, and T3 are operation data that varies depending on the upstream portion B1, but is also affected by the state of V1. In this way, the operation data that is the target of all the detection units can be distinguished based on whether or not the input condition is satisfied.
  • the state detection unit it is possible to detect which operation data has changed from the characteristics of the classified data at the same time as detecting whether or not the state of the facility part has changed. It can also be determined whether or not the changed operation data is an input condition.
  • the cause estimation means 4 the time when each detection unit detects the state change in the state change detection means 2, the operation data that caused the state change, and the influence between the parts of the equipment stored in the inter-detection unit relation information 3 The part that caused the abnormality is estimated from the propagation relationship of.
  • FIG. 4 shows the relationship between the detection units A1 to A5 corresponding to B1 to B5 shown in FIG.
  • the arrows between the detection units represent the influence propagation relationship. This is a propagation relationship determined from the movement of the substance at the corresponding site. For example, paying attention to B2 in FIG. 2, the substance flowing from B1 on the upstream side moves B3 and B4 via V1. Therefore, also in the detection unit, the influence propagates from A1 to A2 and from A2 to A3 and A4 as shown in FIG.
  • the relationship information 3 between detection units represents the relationship between the detection units which handle a plurality of driving data collectively, it is much easier to construct than the method of expressing the relationship between individual driving data. be able to.
  • Standard 1 Higher scores are given to detection units that have an upstream effect propagation relationship.
  • Standard 2 A detection unit with a faster detection time gives a higher score.
  • Standard 3 Scores are given to detection units that do not include input conditions in the operation data that caused the state change.
  • the reason is that the standard 1 is more likely to cause an abnormality as the influence propagation relationship is upstream, and the standard 2 is more likely to be a cause as a state change is detected earlier.
  • Reference 3 indicates that the state has changed despite the fact that the input condition of the operation data has not changed, and is likely to be the root cause.
  • Standard 1 100 points, 50 points, 30 points, 20 points, and 10 points are given in order from the upstream propagation relationship.
  • Standard 2 50 points, 40 points, 30 points, 20 points, and 10 points are given in order of detection time.
  • Standard 3 100 points are given to the operation data that does not include the input conditions.
  • the reason why a large score is not given to the detection time is that the state of another part may change first due to an abnormality of one part.
  • the method of assigning scores in this example is an example and does not limit the present invention.
  • the display means 5 is a diagram showing the relationship information 3 between detection units.
  • Detecting units that are gray in the figure are those that have been determined to have different operating data from normal operation.
  • the number on the upper right of the detection unit represents the time, indicating that a state change was detected at that time. That is, the state of the detection unit A2 changes at 8:30, the detection unit A3 detects the state change at 8:20, and the detection unit A5 detects the state change at 8:40.
  • the operation data that caused the state change of the detection unit A2 did not include the input condition, but the detection unit A3 and the detection unit A5 include the input condition. It was.
  • a detection unit that does not include an input condition in the operation data that causes a state change may be displayed in a color that is distinguished from a detection unit that is not. In that case, information on the three evaluation criteria is displayed on the display means 5.
  • the score given to each detection unit according to the evaluation criteria shown above is as follows.
  • the estimation result shown in FIG. 6 is displayed. Note that the “possibility” displayed in the rightmost column of FIG. 6 was evaluated from the ratio of the score of each detection unit to the total score of the detection units. Note that the screen when the cause estimation button is pressed may be displayed in shades of color or hue as shown in FIG.
  • the state change of the equipment can be detected, and the part of the equipment that causes the state change can be estimated.
  • the adaptive resonance theory is used as the clustering technique of the state change detection means 2, but other data clustering techniques such as vector quantization and k-means method may be used.
  • the propagation direction of the influence is one direction as shown in FIG. In that case, what is necessary is just to express with a bidirectional
  • the state estimation unit 4 detects a state change with the detection unit, a score is given depending on whether or not there is an input condition in the operation data that causes the state change.
  • the detection unit needs to include all input conditions. For example, if T4 that is the input condition of the detection unit A4 in FIG. 2 is not measured, even if F4 has not changed, T4 may have changed, and the input condition has not changed. That's not true. Therefore, in such a case, a score is not assigned according to the evaluation standard 3.
  • the operation data was judged to be different from the normal classification at two locations, B11 at 14:15 and D2 at 14:17.
  • the operation data different from normal was the pressure in any of the detection units.
  • the detection units D2 and D11 are far away from each other, and D11, whose operation data was first determined as a new classification, corresponds to the downstream side of D2 in consideration of the material flow. In some cases, it can be regarded as two independent events. However, if there is a change in pressure, the change is quickly transmitted through the fluid in the path, so that the pressure data can change without much separation between the two separate sensing units.
  • the direction is independent of the direction of material flow.
  • the measurement items related to the pressure need to consider the route separately from the material flow in the method of estimating the cause.
  • the causal site is estimated from the detection unit relationship information as shown in FIG.

Landscapes

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

Abstract

設備の機器が非常に多い場合でも、部位間の影響の伝播関係を表現でき、正常運転と異なる状態を起こさせた原因となる部位を容易に判別する異常診断システムを提供する。設備の部位毎に設定された複数の検知ユニットを持ち、各検知ユニットが対象となる部位に関する複数の運転データの関係の変化から状態変化を検知する状態変化検知手段を持ち、前記状態変化検知手段の各検知ユニットの状態変化検知結果と、検知ユニットに対応する設備の部位間の影響の伝播関係が格納されている検知ユニット間関係情報に基づき設備の状態変化の原因となる部位を推定する。

Description

異常診断システム
本発明は、装置、設備やプラント等の操業時における異常を検知し、それを運転者や運転システムに通知・伝達する異常診断システムに関する。
　複数の機器で構成される設備において、各機器に付属したセンサ類で計測される計測値により運転データを取得し、その運転データを基にして設備の異常診断を行う手法が知られている。
　例えば特許文献１には、運転データを複数のカテゴリに分類、記録して、正常運転時の運転データとして記憶したデータと異なる新たなカテゴリの運転データを取得した場合に、これまでに記憶した運転状態とは異なる運転状態であると判定する異常診断方法が記されている。またこの方法をもとに、物質流れの方向を考慮して設備の異常個所を判別する方法も述べられている。
　また特許文献２には、被処理体の処理を行なうプロセスの各点相互間における前記被処理体の物理量変化相関々係を記憶し、前記プロセスの特定な複数点から得た前記被処理体の物理量が基準値から正または負方向へ変化したことを検出し、該検出状況の変化方向および前記物理量変化相関々係に基づき前記プロセスの障害点を判断する異常診断方法において、前記被処理体の物理量が前記基準点から正または負方向へ変化した時刻を複数回記憶し、該記憶した各時刻が異常の波及する経過と矛盾しないもののみを前記障害点の候補として用いるプロセスの異常診断方法が開示されている。
　また特許文献３には、プラントで観測されるプロセス信号より算出される監視指標の正常範囲からの逸脱を異常徴候として検出する監視処理部と、各監視指標間の影響伝播特性を記述したネットワークモデルを登録した定性モデルデータベースと、観測された徴候パターンをネットワークモデルと照合し異常による影響伝播経路を同定する異常伝播経路同定部と、種々の異常原因に対して想定される各監視指標の徴候パターンを記述した因果表を登録した因果表データベースと、異常変化の起点と同定された監視指標の因果表と観測された徴候パターンとを照合して異常原因を同定する異常原因同定部と、同定された影響伝播経路を出力する出力表示部とを備えたプラント監視診断装置が開示されている。
特許第4430384号 特開昭63-316216号 特開平8-234832号
　しかしながら、特許文献１に示す技術では、設備の中における機器が単一のまとまりで評価対象となるため、対象とする機器が非常に多い場合や、一つの機器異常の影響が広範に及ぶ場合には、原因となる機器の特定が困難であった。また、圧力のように物質の流れと反対側にも影響が及ぶ場合に、前記文献の技術では原因機器をあやまる可能性も考えられた。
　また、特許文献２では、プロセスの各点相互間における被処理体の物理量変化相関々係を記憶する必要があるが、規模が大きい設備では、温度、圧力、流量といった計測点間の相関関係は非常に複雑となり相関関係の整理が困難な場合がある。
　また、特許文献３では、特許文献２と同様、各監視指標間の影響伝播特性を記述したネットワークモデルが必要であり、温度、圧力などの監視指標の数が増加した場合、ネットワークモデルの構築が困難となる。
　本発明の目的は、設備の機器が非常に多い場合でも、部位間の影響の伝播関係を表現でき、正常運転と異なる状態を起こさせた原因となる部位を容易に判別する異常診断システムを提供することにある。
　本発明は上記課題を解決するために、以下のような手段を採用した。
　設備の状態変化を検知する状態変化検知手段と状態変化検知手段が状態の変化を検知した場合に、その原因となる部位を推定する原因推定手段と、推定した原因を表示する表示手段を有し、前記状態変化検知手段が、設備の部位後に設定された複数の検知ユニットから構成され、該検知ユニットが対象となる部位に関する複数の運転データの正常運転時の関係を記憶し、運転データの関係が正常状態と変化したことから状態変化を検知し、前記原因推定手段が、前記状態変化検知手段の各検知ユニットの状態変化検知結果と、検知ユニットに対応する設備の部位間の影響の伝播関係が格納されている検知ユニット間関係情報に基づき設備の状態変化の原因となる部位を推定する。
　本発明によれば、設備の機器が非常に多い場合でも、部位間の影響の伝播関係を表現でき、正常運転と異なる状態を起こさせた原因となる部位を容易に判別できる。
本発明の異常診断システムの実施形態のひとつを説明する図である。 設備の構成の一例である。 検知ユニットA2とA4において、運転データが正常時と異なる新規な分類と判定された場合の、運転データの変化を示した図である。 検知ユニット間関係情報の一例を示した図である。 表示手段の一例を示した図である。 表示手段に原因推定結果を示した図である。 表示手段に原因推定結果を別の方法で示した図である。 検知ユニット間関係情報の別の例を示した図である。 図８と異なる検知ユニット間関係情報の例を示した図である 図９において、２つの検知ユニットで異なる時刻に正常運転時と異なる新規に分類された運転データの判定がなされた状態を示した図である。 図９に圧力に関する経路を加えた検知ユニット管関係情報である。
　以下、本発明の実施形態について添付図面を参照しながら説明する。
　図１は本発明の実施形態にかかる異常診断システムを説明する図である。本実施例は、運転データデータベース１、状態変化検知手段２、検知ユニット間関係情報３、原因推定手段４、及び表示手段５からなる。
　運転データデータベース１は、設備の制御装置と接続されており、設備の温度、圧力、流量などの計測データやバルブ開度などの操作量データや制御の設定値データの時系列データが格納されている。なお、以下、計測データ、操作量データ、設定値データを合わせて運転データと呼ぶ。
　状態変化検知手段２は、設備の部位毎に設定された状態検知ユニットにより、各部位の状態の変化を検知する。ここで、状態検知ユニットとは、対象となる部位に関する複数の運転データを利用し、これらの運転データの関係の変化から状態変化を検知するものである。
　検知ユニット間関係情報３は、検知ユニットに対応する設備の部位間の影響の伝播関係が格納されている。例えば、検知ユニットA１とA2があり、それぞれ設備の部位B1及びB2の状態変化を検知するときに、B１がB2の上流プロセスであった場合、B１の影響がB1に及ぶ。この場合、検知ユニット間関係情報には、A1からA2に影響が及ぶという情報が格納されている。
　原因推定手段４では、状態変化検知手段２の検知ユニットが状態変化を検知した情報と検知ユニット間関係情報３を用いて状態変化を引き起こした原因となる部位を推定する。
　表示手段５では、原因推定手段４で推定した原因部位を画面上に表示する。
　次にこれらの動作について説明する。
　本異常診断システムには、学習フェーズと診断フェーズがある。学習フェーズは、異常診断システムを稼動させる前の準備段階のフェーズであり、状態変化検知手段２のみが動作する。診断フェーズでは、設備の診断を実施し、状態変化検知手段２で、設備の状態変化を検知すると原因推定手段４が動作する。また、診断フェーズでの診断状況は、表示手段４に表示される。まず、学習フェーズについて説明する。
　学習フェーズでは、運転データベース１に格納された設備が正常な状態の運転データを用い、状態変化検知手段の各状態検知ユニットにより、正常な運転状態における各部位の運転データの関係をデータクラスタリング技術の１つである適応共鳴理論（Adaptive Resonance Theory、以下、ARTと称す）を用いて学習する。
　具体的には、それぞれの検知ユニットに対応する複数の運転データを、多次元データとしてARTに入力する。
　運転データの具体例について示す。例えば、図２に示した設備の部位B2の場合、流量F1、圧力P2、温度T1、T2、T3が、部位B2に対応する状態検知ユニットA2に用いられる運転データとなる。同様に、部位B4に対応する状態検知ユニットA4に用いられる運転データは、流量F4、F7、圧力P6、温度T4、T6、T7である。
　入力された運転データは、正規化処理や補数の追加などのデータの前処理を経て、データの類似度に応じて、複数のカテゴリーに分類される。分類されるカテゴリーの数は、分類の詳細度を決めるパラメータ、運転データの次元数、データのばらつきなどによって異なるが、分類されたカテゴリーが正常状態を表すカテゴリーと定義される。
　例えば、運転データがカテゴリー１からカテゴリー１０の１０個のカテゴリーに分かれたとすると、１から１０のカテゴリーが正常な状態のカテゴリーとなる。
　診断フェーズでは、正常な運転データを学習したARTに診断したい運転データ（診断データ）を入力する。その結果、学習データとの類似度が高いデータは、学習フェーズと同じカテゴリーに分類される。しかし、設備になんらかの異常が生じ、データの傾向が変わった場合には、学習データとは異なるカテゴリー（新規カテゴリー）に分類される。このように、状態検知ユニットでは、ARTにより分類されたカテゴリーから設備の状態変化を検知することができる。
　診断フェーズで新規カテゴリーが発生した場合について詳細に説明する。
　ここでは検知ユニットA2とA4で新規カテゴリーが発生し、状態変化を検知した場合について記載する。その際の検知ユニットA2およびA4の各計測項目の値の変化を図３に示す。横軸が運転データの項目であり、縦軸が規格化された測定値である。破線で示したものが、検知ユニットA2が状態変化を検知する直前のデータの特性であり、実線が新規カテゴリーになったデータの特性を示している。検知ユニットA2ではP2とT3で正常運転時と異なる値が計測されており、これが新たな分類となった要因となっている。同様に、状態検知ユニットA4ではT4、T6、F7、T7の４つの運転データで正常時と異なる値が計測されており、これが機器ブロックA4の運転データが新たな分類と判定された要因である。
　なお、図３の運転データの下に”E”と示してあるものは、対象とした部位に対し、入力条件となるものを示している。例えば、図２の検知ユニットA2の例では、F1、T1は設備の上流側の部位B1に依存するデータであり、部位B2の状態に関係なく変化するものである。一方、T2、P2、T3は、上流側の部位B1によっても変化するが、V1の状態によっても影響を受ける運転データである。このように、全ての検知ユニットで対象となる運転データは、入力条件となるか否かで区別することができる。
　すなわち、状態検知ユニットでは、設備の部位の状態が変化したか否かを検知すると同時に、分類されたデータの特性から、どの運転データが変化したかについても、検出することができる。また、変化した運転データが入力条件か否かについても判定することができる。
　次に、原因推定手段４の動作について説明する。原因推定手段４では、状態変化検知手段２で各検知ユニットが状態変化を検知した時間と状態変化の原因となった運転データと、検知ユニット間関係情報３に格納された設備の部位間の影響の伝播関係から異常の原因となった部位を推定する。
　まず、検知ユニット間関係情報３の具体例について図４に示す。図４では図２に示したB1～B5に対応する検知ユニットA1～A5の関係が示されている。各検知ユニット間の矢印が影響の伝播関係を表している。これは、対応する部位の物質の移動から決まる伝播関係である。例えば、図２のB2に着目すると、上流側のB1から流入した物質が、V1を経由して、B3とB4移動する。そのため、検知ユニットにおいても、図４に示したようにA1からA2、A2からA3とA4に影響が伝播する。このように、検知ユニット間関係情報３は、複数の運転データを一括して扱う検知ユニットの間の関係を表すため、個別の運転データ間の関係を表す方法に比べて格段に容易に構築することができる。
　原因推定手段４では、これらの影響の伝播関係と、状態変化検知手段２で各検知ユニットが状態変化を検知した時間及び状態変化の原因となった運転データから総合的に異常の原因となった部位を推定する。
　本実施例では、以下の３つの評価基準で、状態変化を検知した検知ユニットに得点を与え、総合得点の高い順に異常の原因である可能性が高い部位であると推定した。
　基準１：影響の伝播関係が上流側にある検知ユニットほど高い得点を与える。
　基準２：検知時間が早い検知ユニットほど高い得点を与える。
　基準３：状態変化の原因となった運転データに入力条件が含まれていない検知ユニットに得点を与える。
　基準１は、影響の伝播関係が上流にあるものほど異常の原因である可能性が高いためであり、基準２は、早期に状態変化を検知したものほど原因の可能性が高いためである。また、基準３は、運転データのうち入力条件が変化していないにもかかわらず、状態が変化したことを示すものであり、根本的な原因である可能性が高いためである。
　具体的な得点の与え方は以下の通りである。
　基準１：伝播関係が上流のものから順に、100点、50点30点、20点、10点を与える。
　基準２：検知時間が早い順に50点、40点、30点、20点、10点を与える。
　基準３：状態変化の原因となった運転データに入力条件が含まれていないものに100点を与える。
　ここで、検知時間に対して大きな得点を与えなかった理由は、ある部位の異常が原因となって別の部位の状態が先に変化することもあるためである。ただし、本実施例の得点の付与方法は一例であり、本発明を限定するものではない。
　次に、表示手段５の例と、これらの評価基準で実際に原因を推定した例について以下に示す。表示手段５の例を図５に示す。表示手段５には、検知ユニット間関係情報３を表す図が図示されている。
　図中で灰色になっている検知ユニットは正常運転時と異なる分類の運転データが生じたと判定されたものである。検知ユニットの右上の数字は時刻を表し、その時刻で状態変化を検知したことを表わしている。すなわち検知ユニットA2は8時30分に状態が変化し、検知ユニットA3は、8時20分に、検知ユニットA5は8時40分にそれぞれ状態変化を検知している。
　また、この例では、検知ユニットA2の状態変化の原因となった運転データには、入力条件が含まれていなかったが、検知ユニットA3及び検知ユニットA5には、入力条件となるものが含まれていた。なお、図５には図示していないが、状態変化の原因となった運転データに入力条件が含まれていない検知ユニットは、そうでない検知ユニットと区別した色で表示してもよい。その場合、３つの評価基準との情報が表示手段５に表示されることになる。
　これらの条件に基づき、上記に示した評価基準で各検知ユニットに得点を付与すると、以下のようになる。
　基準１：検知ユニットA2:100点、A3:50点、A5：30点
　基準２：検知ユニットA2:40点、A3:50点、A5：20点
　基準３：検知ユニットA2:100点、A3:0点、A5：0点
　したがって、総合得点は、ユニットA2:240点、A3:100点、A5：50点となり、異常の原因となった部位は、検知ユニットA2の可能性が高いと推定できる。
　本実施例では、図５に示す原因推定ボタンを押下すると図６に示す推定結果を表示する。なお、図６の右端の列に表示された"可能性"は、検知ユニットの合計得点に対する各検知ユニットの得点の割合から評価した。なお、原因推定ボタンを押下した場合の画面は、図７に示すように色の濃淡や色相で示しても良い。
　以上に示したように、本実施例では、設備の状態変化を検知でき、状態変化を引き起こした原因となる設備の部位を推定することができる。
　なお、本実施例では、状態変化検知手段２のクラスタリング技術として、適応共鳴理論を持いたが、ベクトル量子化、k-means法など、他のデータクラスタリング技術を用いても良い。
　また、本実施例で示した検知ユニット間関係情報３の例は、図４のように影響の伝播方向が１方向であったが、双方向に影響を及ぼす場合もある。その場合、図８のC2とC3に示すように双方向の矢印で表現すればよい。
　また、本実施例では、原因推定手段４において、検知ユニットで状態変化を検知した際に、状態変化の原因となった運転データに入力条件があるか否かで得点を付与するが、前提として、検知ユニットに全ての入力条件が含まれている必要がある。例えば、図２の検知ユニットA4の入力条件であるT4が計測されていなかった場合、F4が変化していなかったとしても、T4が変化している可能性があり、入力条件が変化していないとはいえない。したがって、このようなケースでは、評価基準３による得点の付与は、実施しない。
　次ぎに本発明の第2の実施例について述べる。本実施例では、ある検知ユニットにおいて、運転データが正常時と異なる新規の分類の原因となる計測項目が圧力である場合を考える。配管に弁が存在しない場合には、圧力は配管内の流体を通じて迅速に伝達し得る。またその場合、流量、温度といった計測項目と異なり、物質流れと反対向きにも伝達する。
　そのような状態を図９と図１０で説明する。設備の検知ユニットD1～D12が図９のような接続関係にある場合について示す。なお、この系の流路には弁が含まれていない。このとき設備の圧力伝送器が、検知ユニットD2に含まれるP8と検知ユニットD11に含まれるP9の２台のみである。
　この接続において図１０のように、14時15分にB11で、また14時17分にD2で、合わせて２箇所で運転データが正常時と異なる分類と判例された。この時通常と異なる運転データはいずれの検知ユニットでも圧力であった。この場合、検知ユニットD2とD11は遠く離れており、また最初に運転データが新規分類と判定されたD11は物質流れを考慮するとD2より下流側に相当するため、流量や温度に変化があった場合には、独立した２つの事象と捉えることも可能である。しかし圧力に変化があった場合には経路内の流体を介してその変化が迅速に伝達するため、２つの離れた検知ユニットでそれほど間隔をおかないで圧力データが変わり得る。また、その方向は物質流れの方向と無関係である。
　このとき、実際にはD2とD11を結ぶ経路にある各検知ユニット（例えばD6、D7、D10）でも圧力の変化が生じているが、そこには圧力を計測する手段が存在していないので図１０ではそれらの運転データは正常時と変わらない判定となっている。
　このように運転データが正常時と異なる分類となることを基に、その原因となる部位を推定する手法において、圧力に関する計測項目は物質流れと別途に経路を考慮する必要がある。図９のような接続関係の場合は、圧力の経路を別途設けた図１１のような検知ユニット間関係情報を用いて、そこから原因となる部位を推定する。
１：運転データデータベース
２：状態変化検知手段
３：検知ユニット間関係情報
４：原因推定手段
５：表示手段

Claims (6)

  1. 　設備の状態変化を検知する状態変化検知手段と前記状態変化検知手段が状態の変化を検知した場合に、その原因となる部位を推定する原因推定手段と、推定した原因を表示する表示手段を有する異常診断システムにおいて、
    　前記状態変化検知手段が、設備の部位後に設定された複数の検知ユニットから構成され、該検知ユニットが対象となる部位に関する複数の運転データの正常運転時の関係を記憶し、運転データの関係が正常状態と変化したことから状態変化を検知し、
    　前記原因推定手段が、前記状態変化検知手段の各検知ユニットの状態変化検知結果と、
    　検知ユニットに対応する設備の部位間の影響の伝播関係が格納されている検知ユニット間関係情報に基づき設備の状態変化の原因となる部位を推定することを特徴とする異常診断システム。
  2. 　設備の状態変化を検知する状態変化検知手段と前記状態変化検知手段が状態の変化を検知した場合に、その原因となる部位を推定する原因推定手段と、推定した原因を表示する表示手段を有する異常診断システムにおいて、
    　前記状態変化検知手段が、設備の部位後に設定された複数の検知ユニットから構成され、該検知ユニットが対象となる部位に関する複数の運転データの正常運転時の関係を記憶し、運転データの関係が正常状態と変化したことから状態変化を検知し、
    　前記原因推定手段が、前記状態変化検知手段の各検知ユニットが状態変化を検知した時間と、各検知ユニットにおける状態変化の原因となった運転データが該検知ユニットに対応する部位の入力条件になっているか否かと、
    　検知ユニットに対応する設備の部位間の影響の伝播関係が格納されている検知ユニット間関係情報において、影響の伝播関係が上流側にあるか否かに基づき設備の状態変化の原因となる部位を推定することを特徴とする異常診断システム。
  3. 請求項１または２において、推定した原因を表示する表示手段が、推定した原因の可能性が高い順に複数表示することを特徴とする異常診断システム。
  4. 請求項１または２において、推定した原因を表示する表示手段が、検知ユニット間関係情報を各検知ユニットの影響の伝播関係が接続関係図として表示し、前記接続関係図において各検知ユニットが正常運転時に分類されているか否かの区別がつき、時間の経過に従って表示が更新され、一つまたは複数の検知ユニットが対応する部位の状態変化を検知した場合に、異常診断システムの使用者の要求に応じてそのような分類となった原因が生じた検知ユニットが判別可能な表示を行うことを特徴とする異常診断システム。
  5. 　請求項１乃至４のいずれかにおいて、各々の検知ユニットの入力に関わる運転データに前記検知ユニットの運転状態が変化したか否かの判断に必要な運転データが全ては含まれない場合、当該検知ユニットにおいて入力条件が変化していないとは判定しないことを特徴とする異常診断システム。
  6. 　請求項１乃至４のいずれかにおいて、圧力の計測項目の場合には物質流れと異なる経路を別途考慮することを特徴とする異常診断システム。
PCT/JP2017/000919 2016-03-15 2017-01-13 異常診断システム WO2017159016A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
MYPI2018702389A MY196229A (en) 2016-03-15 2017-01-13 Abnormality Diagnostic System
US16/068,054 US10976731B2 (en) 2016-03-15 2017-01-13 Abnormality diagnostic system
CN201780004789.XA CN108369416B (zh) 2016-03-15 2017-01-13 异常诊断系统
JP2018505281A JP6609689B2 (ja) 2016-03-15 2017-01-13 異常診断システム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016-050393 2016-03-15
JP2016050393 2016-03-15

Publications (1)

Publication Number Publication Date
WO2017159016A1 true WO2017159016A1 (ja) 2017-09-21

Family

ID=59851221

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/000919 WO2017159016A1 (ja) 2016-03-15 2017-01-13 異常診断システム

Country Status (5)

Country Link
US (1) US10976731B2 (ja)
JP (1) JP6609689B2 (ja)
CN (1) CN108369416B (ja)
MY (1) MY196229A (ja)
WO (1) WO2017159016A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2020148838A1 (ja) * 2019-01-16 2021-11-04 日本電気株式会社 推定装置、推定方法、及びプログラム
JPWO2020136859A1 (ja) * 2018-12-28 2021-11-11 日本電気株式会社 推定装置、推定方法、及びプログラム
JP7476920B2 (ja) 2022-03-30 2024-05-01 横河電機株式会社 情報処理装置、情報出力方法及び情報出力プログラム

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020152741A1 (ja) * 2019-01-21 2020-07-30 三菱電機株式会社 異常要因推定装置、異常要因推定方法、及びプログラム
CN109784512A (zh) * 2019-02-13 2019-05-21 上海大学 一种交通基础设施缺陷成因追溯的方法
US20210325842A1 (en) * 2020-04-15 2021-10-21 Kabushiki Kaisha Toshiba Process monitoring device, process monitoring method, and program

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS63316216A (ja) * 1987-06-19 1988-12-23 Yamatake Honeywell Co Ltd プロセスの異常診断方法
JPH08234832A (ja) * 1995-02-24 1996-09-13 Toshiba Corp プラント監視診断装置および方法
JP2000214924A (ja) * 1999-01-27 2000-08-04 Toshiba Corp プラント異常監視装置および異常発生箇所同定方法
JP2007193457A (ja) * 2006-01-17 2007-08-02 Omron Corp 要因推定装置、要因推定プログラム、要因推定プログラムを記録した記録媒体、および要因推定方法
JP4430384B2 (ja) * 2003-11-28 2010-03-10 株式会社日立製作所 設備の診断装置及び診断方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100538563B1 (ko) 2004-11-22 2005-12-27 대광전기공업(주) 전력계통 모의시험 시스템 및 그 방법
JP2007148890A (ja) 2005-11-29 2007-06-14 Hitachi Ltd 機器診断装置
JP5292477B2 (ja) 2010-01-22 2013-09-18 株式会社日立製作所 診断装置及び診断方法
WO2011104760A1 (ja) 2010-02-26 2011-09-01 株式会社 日立製作所 故障原因診断システムおよびその方法
CN102870057B (zh) 2010-04-08 2015-01-28 株式会社日立制作所 机械设备的诊断装置、诊断方法及诊断程序

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS63316216A (ja) * 1987-06-19 1988-12-23 Yamatake Honeywell Co Ltd プロセスの異常診断方法
JPH08234832A (ja) * 1995-02-24 1996-09-13 Toshiba Corp プラント監視診断装置および方法
JP2000214924A (ja) * 1999-01-27 2000-08-04 Toshiba Corp プラント異常監視装置および異常発生箇所同定方法
JP4430384B2 (ja) * 2003-11-28 2010-03-10 株式会社日立製作所 設備の診断装置及び診断方法
JP2007193457A (ja) * 2006-01-17 2007-08-02 Omron Corp 要因推定装置、要因推定プログラム、要因推定プログラムを記録した記録媒体、および要因推定方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2020136859A1 (ja) * 2018-12-28 2021-11-11 日本電気株式会社 推定装置、推定方法、及びプログラム
JP7283485B2 (ja) 2018-12-28 2023-05-30 日本電気株式会社 推定装置、推定方法、及びプログラム
JPWO2020148838A1 (ja) * 2019-01-16 2021-11-04 日本電気株式会社 推定装置、推定方法、及びプログラム
JP7180692B2 (ja) 2019-01-16 2022-11-30 日本電気株式会社 推定装置、推定方法、及びプログラム
US11983072B2 (en) 2019-01-16 2024-05-14 Nec Corporation Estimation apparatus, estimation method, and computer-readable storage medium
JP7476920B2 (ja) 2022-03-30 2024-05-01 横河電機株式会社 情報処理装置、情報出力方法及び情報出力プログラム

Also Published As

Publication number Publication date
JP6609689B2 (ja) 2019-11-20
MY196229A (en) 2023-03-24
CN108369416B (zh) 2021-07-16
US20200278670A1 (en) 2020-09-03
JPWO2017159016A1 (ja) 2018-09-06
US10976731B2 (en) 2021-04-13
CN108369416A (zh) 2018-08-03

Similar Documents

Publication Publication Date Title
JP6609689B2 (ja) 異常診断システム
JP5179086B2 (ja) 工業プロセスの監視方法及び監視システム
CN109641602A (zh) 异常检测设备、异常检测方法和非临时性计算机可读介质
CN110032490A (zh) 用于检测系统异常的方法及其装置
CN104915568A (zh) 基于dtw的卫星遥测数据异常检测方法
JP6200833B2 (ja) プラントと制御装置の診断装置
US20210116331A1 (en) Anomaly analysis method, program, and system
KR20190025474A (ko) 플랜트 데이터 예측 장치 및 방법
JP2017097712A (ja) 機器診断装置及びシステム及び方法
JPH08234832A (ja) プラント監視診断装置および方法
WO2021241580A1 (ja) 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム
WO2016114736A1 (en) A real-time data verification and data reconciliation system for petroleum refineries
CN105425739B (zh) 使用plc日志数据来预测异常发生的系统
EP3469434B1 (en) Automatic visual and acoustic analytics for event detection
WO2021241578A1 (ja) 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム
JP2010276339A (ja) センサ診断方法およびセンサ診断装置
KR20210071438A (ko) 설비상태 감지를 위한 데이터 분석 방법
JP6953812B2 (ja) 異常検出装置及び異常検出システム
JP6640765B2 (ja) 状態分析装置、状態分析方法及び状態分析プログラム
JP2019113970A (ja) プロセスの状態診断方法及び状態診断装置
WO2020183781A1 (ja) 異常診断装置
KR20160053977A (ko) 모델 적응을 위한 장치 및 방법
Galotto et al. Data based tools for sensors continuous monitoring in industry applications
JP2022173848A (ja) 異常診断システム、異常診断方法、及び異常診断プログラム
WO2019092997A1 (ja) データ分類装置

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2018505281

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

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

Ref document number: 17766024

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 17766024

Country of ref document: EP

Kind code of ref document: A1