WO2018181020A1 - 予兆検知システム及び予兆検知方法 - Google Patents

予兆検知システム及び予兆検知方法 Download PDF

Info

Publication number
WO2018181020A1
WO2018181020A1 PCT/JP2018/011769 JP2018011769W WO2018181020A1 WO 2018181020 A1 WO2018181020 A1 WO 2018181020A1 JP 2018011769 W JP2018011769 W JP 2018011769W WO 2018181020 A1 WO2018181020 A1 WO 2018181020A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
parameter
operation history
unit
history data
Prior art date
Application number
PCT/JP2018/011769
Other languages
English (en)
French (fr)
Inventor
真人 岸
熊野　信太郎
安部　克彦
圭介 山本
由起彦 井上
瞬 新妻
Original Assignee
三菱重工業株式会社
三菱日立パワーシステムズ株式会社
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 三菱重工業株式会社, 三菱日立パワーシステムズ株式会社 filed Critical 三菱重工業株式会社
Priority to CN201880019110.9A priority Critical patent/CN110431502B/zh
Priority to US16/495,304 priority patent/US11048245B2/en
Priority to DE112018001684.6T priority patent/DE112018001684T5/de
Publication of WO2018181020A1 publication Critical patent/WO2018181020A1/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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling

Definitions

  • the present invention relates to a sign detection system and a sign detection method.
  • This application claims priority on March 29, 2017 based on Japanese Patent Application No. 2017-66125 filed in Japan, the contents of which are incorporated herein by reference.
  • a model such as ANN (Artificial Nural Network) may be used to monitor the operation state of equipment.
  • ANN Artificial Nural Network
  • the current state of equipment is simulated by the first ANN
  • the state of equipment during normal operation is simulated by the second ANN
  • the output data of the first ANN and the second ANN It is described that the presence or absence of a failure is determined from the difference.
  • a normal model constructed by learning a process value indicating a normal state is compared with a process value acquired in a monitored plant or the like, and actually In many cases, an abnormality is detected when the process value deviates from the normal model. In such a case, data used for construction of a normal model is generally past data. However, since an actual plant has a secular change, unless the normal model is updated, the normal model deviates from the normal state of the current plant, and the monitoring accuracy based on the normal model deteriorates.
  • the present invention provides a sign detection system and a sign detection method that can solve the above-described problems.
  • the sign detection system includes a data acquisition unit that acquires the operation data of the device and the operation history data indicating the operation history of the device, the operation data, and the operation history data. And an estimation model that estimates a value of the parameter at a time corresponding to the operation history data for a parameter to be monitored by the device, and an estimation unit that calculates a first estimated value of the parameter; A state evaluating unit that evaluates the state of the device based on a deviation between the first estimated value of the parameter and the measured value or second estimated value of the parameter included in the operation data acquired by the data acquiring unit; Is provided.
  • the operation history data may include at least one of the number of times of starting and stopping of the device.
  • the operation history data includes an operation time of the device, an operation time for each operation pattern of the device, an elapsed time since the introduction of the device, At least one of them may be included.
  • the operation history data includes a number of times that a maintenance / inspection operation has been performed on the device, and a progress since the maintenance / inspection operation has been performed on the device. At least one of the times may be included.
  • the operation history data may include an accumulated value of the output of the device.
  • the operation data may include at least one of alarm information and event information generated by a device that monitors the device.
  • the estimation model includes operation data and operation history of another device of the same type as the device in addition to the operation data and operation history data of the device. It may be constructed based on data.
  • the estimation model is constructed based on the operation history data and the operation data of the device at a time corresponding to the operation history data.
  • An estimation model construction unit may be further provided.
  • the state evaluation unit further acquires the operation history data, and is a parameter to be monitored according to the operation performance indicated by the operation history data
  • the state of the device may be evaluated based on the evaluation criteria.
  • the state evaluation unit is generated in the future based on the deviation and a correspondence relationship between the history of the deviation and an abnormality that has actually occurred. Anomalies may be predicted.
  • the sign detection system includes a data acquisition unit that acquires device operation data and operation history data indicating the device operation history, the operation data, and the device monitoring. Based on an estimation model for estimating a value of a target parameter, an estimation unit that calculates a first estimation value of the parameter, a first estimation value of the parameter by the estimation unit, and the data acquisition unit Based on the deviation from the measured value or the second estimated value of the parameter included in the operation data, and the evaluation criterion of the parameter to be monitored according to the operation result indicated by the operation history data, A state evaluation unit that evaluates the state.
  • the predictive detection system acquires the operation data of the device and the operation history data indicating the operation history of the device, the operation data, and the operation Calculating a first estimated value of the parameter based on history data and an estimation model for estimating a value of the parameter at a time corresponding to the operation history data for the parameter to be monitored by the device; And a step of evaluating the state of the device based on a deviation between the first estimated value and the measured value or the second estimated value of the parameter included in the operation data.
  • the sign detection system according to the first embodiment of the present invention will be described below with reference to FIGS. It is a figure which shows an example of the plant which monitors using the precursor detection system which concerns on this invention.
  • the gas turbine plant to be monitored shown in FIG. 1 includes a gas turbine 10, a generator 15, and a device 20 that controls and monitors the operation of the gas turbine 10.
  • the gas turbine 10 and the generator 15 are connected by a rotor 14.
  • the gas turbine 10 includes a compressor 11 that compresses air to generate compressed air, a combustor 12 that burns fuel gas in the compressed air to generate high-temperature combustion gas, a turbine 13 that is driven by the combustion gas, It has.
  • the combustor 12 is connected to each fuel supply device (not shown) for each of the systems A, B, and C that supply fuel to the combustor 12. Between the fuel supply device and the combustor 12, fuel flow rate adjusting valves 16A, 16B, and 16C for adjusting the flow rate of the fuel in each of the systems A to C are provided.
  • the device 20 is a control device composed of one or a plurality of computers. The device 20 adjusts the opening of an IGV (IGV: inlet guide vane) 17 and adjusts the flow rate of air flowing into the compressor 11 and the fuel gas to the combustor 12 by adjusting the opening of the fuel flow control valves 16A to 16C. Is controlled to drive the turbine 13 and operate the generator 15.
  • IGV inlet guide vane
  • the apparatus 20 acquires measurement data such as temperature and pressure from sensors provided at various locations of the gas turbine 10 and the generator 15.
  • the measurement data is taken into the gas turbine 10 and includes not only physical property data such as fuel gas and air used for actual operation but also ambient environment information such as the temperature of the operating environment.
  • the apparatus 20 generates a control signal for controlling the gas turbine 10 using the acquired measurement data.
  • the measurement data includes identification information of each sensor, measurement values, measurement times, and the like.
  • the control signal includes the time when the control signal is output.
  • the apparatus 20 inputs measurement data to a predetermined estimation model (for example, a calculation formula for calculating a certain state quantity of the gas turbine 10), and uses the estimated value calculated by the estimation model instead of the measurement data. Alternatively, it may be acquired in addition to the measurement data.
  • a predetermined estimation model for example, a calculation formula for calculating a certain state quantity of the gas turbine 10
  • This estimated value may be referred to as a second estimated value.
  • These measurement data (or the second estimated value) and the control signal are collectively referred to as process data.
  • the device 20 compares the acquired measurement data with a predetermined threshold value, and when the measurement data exceeds or falls below the threshold value, alarm information indicating that an abnormality has occurred in the gas turbine 10 or a state to which attention should be paid. Generate.
  • the apparatus 20 When the gas turbine 10 is started and stopped, the operation of the equipment provided in the gas turbine 10 (valve opening / closing, etc.), the operation state is changed, etc., the apparatus 20 generates event information indicating these occurrences.
  • the alarm information and the event information include time information at which each information is generated.
  • the apparatus 20 displays process data, alarm information, and event information on a display device (not shown), and an operator operates the gas turbine 10 by monitoring measurement data and alarm information displayed on the display device.
  • the apparatus 20 transmits process data, alarm information, and event information to the sign detection apparatus 30.
  • the apparatus 20 transmits the process data to the sign detection apparatus 30 when, for example, a predetermined change occurs in the value of the process data every time the process data is acquired.
  • the alarm information and the event information are transmitted from the apparatus 20 to the sign detection apparatus 30 every time the information is generated.
  • the device 20 includes a control device, a monitoring device, and the like necessary for the operation of the gas turbine 10.
  • the sign detection device 30 is installed for the purpose of detecting a sign of an abnormality that will occur in the gas turbine 10 in the future and notifying the operator of this. Process data, alarm information, and event information are collectively referred to as operation data.
  • FIG. 2 is a functional block diagram of the sign detection device according to the first embodiment of the present invention.
  • the sign detection device 30 includes a data acquisition unit 31, an estimation unit 32, a state evaluation unit 33, a control unit 34, an estimation model construction unit 35, an input / output unit 36, and a storage unit 37. And comprising.
  • the data acquisition unit 31 acquires device operation data and operation history data indicating the device operation history.
  • the operation history data is, for example, the accumulated operation time of the gas turbine 10, the operation time for each operation pattern, the elapsed time since the gas turbine 10 was introduced and installed, the number of times of start, the number of times of stop, and the number of times of start and stop.
  • the operation history data such as the cumulative value of the output performance of the gas turbine 10, the number of times the maintenance / inspection work has been performed on the gas turbine 10, and the maintenance history data such as the time elapsed since the maintenance / inspection work has been performed are included.
  • the data acquisition unit 31 records the acquired operation data in the storage unit 37.
  • the operation history data can be calculated by using process data indicating that the gas turbine 10 is in operation, for example, the output of the generator 15, the start command signal of the gas turbine 10, and the stop command signal. For example, if it is a cumulative operation time, the apparatus 20 calculates the operation time from one start to a stop using the above process data, and accumulates this to calculate the cumulative operation time. For example, if it is the number of start / stop times, the device 20 counts the number of start commands and stop commands output by itself, and accumulates these to calculate the number of start / stop times. The device 20 calculates the driving history data, and the data acquisition unit 31 acquires the driving history data from the device 20. The apparatus 20 stores information on past maintenance history performed on the gas turbine 10, and the apparatus 20 calculates the cumulative number of maintenance operations, the elapsed time since the maintenance operation is performed, and the like. The acquisition unit 31 acquires maintenance history data from the device 20.
  • the estimation unit 32 calculates the estimated value of the parameter based on the operation data, the operation history data, and the estimation model that estimates the value of the monitoring target parameter reflecting the secular change according to the operation performance indicated by the operation history data. calculate.
  • the state evaluation unit 33 includes the estimated value (first estimated value) of the monitoring target parameter by the estimating unit 32, the measured value or estimated value (second estimated value) of the monitored parameter of the gas turbine 10 acquired by the data acquiring unit 31, and The state of the gas turbine 10 indicated by the monitoring target parameter is evaluated based on the deviation. For example, when the deviation is equal to or greater than a predetermined threshold, it is evaluated that the monitored parameter indicates a sign of abnormality occurring in the gas turbine 10 or a part of the equipment.
  • the state evaluation unit 33 calculates abnormality information such as alarm information indicating that the sign of abnormality has been detected, an abnormality occurrence rate, and an abnormality occurrence location.
  • the control unit 34 performs various controls such as activation, stop, and execution of processing of the sign detection device 30.
  • the estimation model construction unit 35 learns the operation history data and the operation data during normal operation of the equipment (at the time when the operation indicated by the operation history data has passed) corresponding to the operation history data, and the gas turbine An estimation model for estimating the value of the monitoring target parameter during 10 normal operations is constructed.
  • the estimation model constructed by the estimation model construction unit 35 is a model that explicitly considers the secular change of the gas turbine 10.
  • the estimation model is a model based on various statistical methods such as a neural network such as ANN, various machine learning, deep learning, and multiple regression analysis.
  • the input / output unit 36 outputs the evaluation result by the state evaluation unit 33 and the calculation result of the abnormality information to a display, another device, or the like.
  • the input / output unit 36 accepts an input operation such as instruction information to the sign detection device 30 by a monitor.
  • the storage unit 37 stores various data such as operation data, for example.
  • FIG. 3 is a diagram for explaining the sign detection process in the first embodiment according to the present invention.
  • the estimation unit 32 has an estimation model M.
  • the estimation model M is based on past operation data in a normal state, and input parameters are atmospheric temperature, atmospheric pressure, relative humidity, fuel flow command value, fuel distribution ratio setting, rotation speed of the gas turbine 10, and fuel flow adjustment valve 16A.
  • Output parameters are gas turbine output, gas turbine efficiency, cabin pressure, manifold of each fuel system
  • a neural network model is used for the pressure, the combustion vibration value of each combustor, the exhaust gas temperature from the turbine 13, and the like.
  • the estimation unit 32 inputs, to the estimation model M, parameters (atmospheric temperature, atmospheric pressure, fuel flow command value, etc.) necessary for estimating the monitoring target parameters (such as the output of the gas turbine 10 and the cabin pressure) among the operation data. To do.
  • the estimation unit 32 inputs operation history data such as the accumulated operation time of the gas turbine 10 and the number of start / stops to the estimation model M.
  • the estimation model M outputs an estimated value of the gas turbine output, an estimated value of the passenger compartment pressure, and the like reflecting the secular change of the gas turbine 10 indicated by the accumulated operation time up to now and the number of start / stop operations.
  • the estimation unit 32 outputs an estimated value based on the estimation model M to the state evaluation unit 33.
  • the state evaluation unit 33 acquires the estimated value of the monitoring target parameter such as the gas turbine output output by the estimation model M and the measured value such as the current gas turbine output acquired by the data acquisition unit 31.
  • the state evaluation unit 33 includes a subtracter S and an abnormality determination unit D.
  • the subtracter S calculates a deviation between the estimated value obtained by the acquired estimation model M and the measured value of the corresponding parameter. For example, the subtractor S calculates a deviation between the estimated value of the gas turbine output and the measured value of the gas turbine output.
  • the subtractor S calculates a deviation between the estimated value of the passenger compartment pressure and the measured value of the passenger compartment pressure.
  • the subtracter S outputs the calculated deviation between the estimated value of each parameter and the measured value to the abnormality determination unit D.
  • the abnormality determination unit D compares the deviation of each parameter with a deviation threshold value determined for each parameter, and determines the presence or absence of an abnormality sign. For example, the abnormality determination unit D compares the deviation of the gas turbine output with a threshold value for gas turbine output. If the deviation of the gas turbine output exceeds a predetermined threshold value, an abnormality sign is detected for the gas turbine output. Judge that there is. If the deviation of the gas turbine output is less than or equal to the threshold value, the abnormality determination unit D determines that there is no sign of abnormality in the gas turbine output.
  • the abnormality determination unit D has an abnormality information generation unit D1.
  • the abnormality information generation unit D1 generates abnormality information such as alarm information indicating that a sign of abnormality occurrence has been detected, an abnormality location, and an abnormality occurrence rate.
  • the alarm information includes information on the content of the abnormality and the time when it is determined that there is a sign of the abnormality.
  • the abnormality information generation unit D1 may estimate the magnitude, accuracy, severity, and the like of the abnormality according to the magnitude of the deviation between the estimated value and the measured value, and include the information in the abnormality information.
  • the abnormality information generation unit D1 determines in which part of the gas turbine 10 an abnormality occurs according to the type of the monitoring target parameter that exceeds the threshold, and estimates a place where the occurrence of the abnormality is expected.
  • the abnormality information generation unit D1 calculates the abnormality occurrence rate and the failure rate of the part where the sign of abnormality is detected based on the past abnormality occurrence results, failure results, and the like.
  • the storage unit 37 stores past failure record information.
  • the abnormality information generation unit D1 may generate abnormality information based on the values of a plurality of monitoring target parameters. For example, when both the monitoring target parameters of the gas turbine output and the passenger compartment pressure exceed the threshold, alarm information indicating that “abnormal X” is a sign may be generated.
  • Predictive detection based on conventional prediction models often does not take into account plant aging, so the value of the monitored parameter estimated by the prediction model deviates from the actual state of the plant after a certain period of operation. Often it has been.
  • the current output parameter value of the gas turbine 10 corresponding to the secular change is estimated based on a predetermined estimation model. Then, it is determined whether the estimated value is positive and the measured value of the output parameter of the gas turbine 10 is in a normal range. Since the abnormality is determined based on the threshold value corresponding to the current plant state, it is possible to detect the sign with high accuracy.
  • FIG. 4 is a flowchart showing an example of the estimation model construction process in the first embodiment according to the present invention.
  • the data acquisition unit 31 acquires operation history data corresponding to the operation data together with the operation data of the gas turbine 10 (step S11).
  • the operation history data corresponding to the operation data is, for example, the operation data such as the atmospheric temperature X, the fuel flow rate command value Y, the gas turbine 10 output Z, etc.
  • the operation data to be acquired is operation data during past normal operation collected in the gas turbine 10 to be monitored.
  • the operation time for each operation pattern in addition to the accumulated operation time and the number of start and stop times, the operation time for each operation pattern, the number of start times or the operation frequency, the elapsed time since the gas turbine 10 was installed, the gas turbine 10 after the introduction May include the accumulated value (MWh) of the output of, the number of times maintenance work has been performed, the time elapsed since the maintenance work has been performed, and the like.
  • the operation time for each operation pattern is, for example, the cumulative operation time in the rated operation, the cumulative operation time in the partial load operation, or the cumulative operation time when the load fluctuates.
  • the operation time for each operation pattern includes: hot start (for example, stop time within 8 hours), warm start (for example, stop time within 24 hours), cold start (for example, stop time over 24 hours)
  • hot start for example, stop time within 8 hours
  • warm start for example, stop time within 24 hours
  • cold start for example, stop time over 24 hours
  • the number of activations by operation pattern is the cumulative number of activations that have been hot-started, the cumulative number of activations that has been warm-started, or the cumulative number of activations that have been cold-started.
  • the operation frequency for each operation pattern is, for example, how many times a hot start, a warm start, and a cold start are executed within a predetermined period based on the operation data collection date.
  • the elapsed time after installing the gas turbine 10 is an elapsed time including all of the operation time and the stop time after the installation of the gas turbine 10.
  • the number of maintenance inspections is the total number of periodic inspections, part repairs and replacements, part upgrades, etc. that have been performed up to that point, based on the date of collection of the corresponding operation data. As for the number of times of performing the maintenance inspection work, the number of maintenance inspections for each inspection place or parts for which maintenance has been performed may be used.
  • the time that has elapsed since the maintenance inspection was performed is, for example, the time that has elapsed since the first or last periodic inspection, or if a part has been inspected or replaced several times, the part must be replaced last. This is the time that has elapsed since the trip.
  • the data acquisition unit 31 records the acquired operation data and operation history data in the correspondence relationship in association with the storage unit 37 (step S12).
  • the estimation model construction unit 35 determines whether or not operation data for a predetermined period necessary for construction of the estimation model has been accumulated in the storage unit 37 (step S13). If not accumulated (step S13; No), the processing from step S11 is repeated. When operation data for a predetermined period is accumulated (step S13; Yes), the estimated model construction unit 35 constructs an estimated model M (step S14).
  • the estimated model construction unit 35 includes input parameters (atmospheric temperature, atmospheric pressure, fuel flow command value, etc.) and operation history data (cumulative operation) among the operation data ⁇ .
  • input parameters atmospheric temperature, atmospheric pressure, fuel flow command value, etc.
  • operation history data cumulative operation
  • an estimation model that outputs monitoring target parameters (gas turbine output, cabin pressure, etc.) in the operation data is constructed by a technique such as ANN.
  • the estimated model construction unit 35 records the constructed estimated model M in the storage unit 37. Next, a flow of online sign detection processing using the constructed estimation model M will be described.
  • FIG. 5 is a flowchart showing an example of the sign detection process in the first embodiment according to the present invention.
  • the data acquisition unit 31 acquires operation data of the operating gas turbine 10 (step S21).
  • the data acquisition unit 31 acquires the latest measurement values (atmospheric temperature, atmospheric pressure, output of the gas turbine 10, cabin pressure, etc.) measured by various sensors via the device 20.
  • the data acquisition unit 31 acquires the latest control signal value (IGV opening, fuel flow command value, valve opening of each fuel system, etc.) instructed by the device 20 from the device 20.
  • the operation data acquired by the data acquisition unit 31 includes input parameters and monitoring target parameters (output parameters).
  • the data acquisition unit 31 acquires operation history data (cumulative operation time, number of start / stops, elapsed time after periodic inspection, etc.) corresponding to the acquired operation data from the device 20.
  • the data acquisition unit 31 outputs input parameters and operation history data among the acquired operation data to the estimation unit 32.
  • the data acquisition unit 31 outputs the monitoring target parameter in the acquired operation data to the state evaluation unit 33.
  • the estimation unit 32 reads the estimation model M from the storage unit 37, and inputs the operation data (input parameters) and the operation history data acquired from the data acquisition unit 31 to the read estimation model M.
  • the estimation model M calculates an estimated value of the monitoring target parameter using the input value (step S22).
  • the estimation unit 32 outputs the estimated value of the monitoring target parameter to the state evaluation unit 33.
  • the state evaluation unit 33 calculates a deviation between the estimated value of the monitoring target parameter acquired from the estimation unit 32 and the measured value of the monitoring target parameter acquired from the data acquisition unit 31 (step S23).
  • the subtractor S included in the state evaluation unit 33 subtracts the measured value of the gas turbine output from the estimated value of the gas turbine output.
  • the subtracter S outputs the calculated deviation to the abnormality determination unit D included in the state evaluation unit 33.
  • the subtractor S similarly calculates a deviation for the other monitoring target parameters, associates the monitoring target parameter identification information (for example, the name of the monitoring target parameter) with the deviation, and outputs it to the abnormality determination unit D.
  • the state evaluation unit 33 evaluates the monitoring target parameter based on the deviation between the estimated value and the measured value. For example, the abnormality determination unit D compares a predetermined threshold value determined for each monitoring target parameter with the deviation of the monitoring target parameter calculated by the subtracter S. The abnormality determination unit D determines that there is a sign of abnormality when the deviation exceeds the threshold, and determines that there is no sign of abnormality when the deviation is within the threshold.
  • the state evaluation unit 33 When it is determined that there is a sign of abnormality (step S26; Yes), the state evaluation unit 33 notifies that a sign of abnormality has been detected via the output unit 104 (step S27).
  • the abnormality information generation unit D1 generates alarm information including the name of the monitoring target parameter determined to have an abnormality sign, the abnormality occurrence time, and the like.
  • the abnormality information generation unit D1 specifies an abnormality occurrence location based on the monitoring target parameter, and generates information indicating the abnormality occurrence location.
  • the abnormality information generation unit D1 calculates the number of occurrences of the alarm based on the past alarm information, or the abnormality occurrence rate at the location of the abnormality based on the past abnormality information, and generates information indicating the abnormality occurrence rate. To do.
  • the state evaluation unit 33 may determine the presence or absence of an abnormality sign using a plurality of monitoring target parameters. For example, when the deviation for the monitoring target parameter K1 exceeds the threshold value, the state evaluation unit 33 determines that it is a sign of the abnormality K1 ′, and both the deviation for the monitoring target parameter K1 and the deviation for the monitoring target parameter K2 are both. When the threshold value is exceeded, the state evaluation unit 33 may determine that it is a sign of an abnormality K2 ′.
  • Information for associating the monitoring target parameter with an abnormality occurrence location, past alarm information, past abnormality information for each abnormality occurrence location, and the like are recorded in the storage unit 37.
  • the state evaluation unit 33 outputs the alarm information generated by the abnormality information generation unit D1, the abnormality occurrence rate, information on the abnormality occurrence point, and the like to the input / output unit 36.
  • the input / output unit 36 displays alarm information and the like on a display connected to the sign detection device 30.
  • step S28 determines the end of the sign detection process. For example, when the monitoring person inputs a process stop command to the sign detection device 30 via the input / output unit 36, the control unit 34 determines to end the sign detection process. When it determines with complete
  • the abnormality in which the sign is detected in step S24 is, for example, an event that may be determined by the apparatus 20 as an abnormality after several hours. Or it is an event that requires maintenance work after stopping operation in several months.
  • the sign detection device 30 of the present embodiment as the operation history data, for example, an estimation model is constructed by using the accumulated operation time, or an estimated value is calculated, so that the monitoring target parameter considering the secular change of the plant is taken into account. Can be estimated. It is conceivable that not only the cumulative operating time but also the operating load and operating conditions during that time will affect the deterioration of the equipment, but as the operation history data, for example, the cumulative value of gas turbine output, the operating time for each operating pattern, etc.
  • the estimation model and calculating the estimated value using it is possible to estimate the value of the parameter to be monitored that reflects the influence of the degree of the operational load of the plant.
  • As the operation history data for example, by using the number of start / stop times, operation frequency, number of maintenance work, elapsed time from maintenance work, etc.
  • the value of the parameter to be monitored in consideration can be estimated. That is, since the value of the monitoring target parameter is estimated by the estimation model M using various operation history data as parameters, it is possible to perform an estimation that more reflects the current state of the plant. Thereby, a highly accurate precursor detection becomes possible.
  • the estimation model M is used for predictive detection has been described as an example.
  • the state evaluation unit 33 not only determines the presence / absence of an abnormality sign, but also determines the probability of occurrence of an abnormality, or even if there is no abnormality sign, the operation state of the plant is “good”, “normal”, “somewhat” You may make it notify to a supervisor by evaluating according to steps, such as "the load is high.”
  • FIG. 6 is a diagram for explaining another example of the sign detection process in the first embodiment according to the present invention.
  • alarm information and event information are input to the estimation model M ′ in addition to the input parameters described in FIG.
  • the estimation model construction unit 35 acquires input parameters including alarm information and event information, and constructs an estimation model.
  • RNN Recurrent Neural Network or the like
  • time-series process data, alarm information, and event information can be input as operation data.
  • the estimation model M ′ may be constructed by inputting alarm information or event information that occurred within a predetermined time.
  • the data acquisition unit 31 acquires alarm information and event information in addition to the input parameters described in FIG. 3, and the estimation unit 32 generates an alarm in addition to the accumulated operation time and the like.
  • Estimate the value of the monitoring target parameter that reflects the occurrence status of information and event information. For example, even if the values of the input parameters such as the atmospheric temperature, the fuel flow rate command value, and the cumulative operation time are the same, there is a possibility that the monitoring target parameter is greatly different between the situation where the alarm information is generated and the situation where it is not.
  • the operation (event information) of the seemingly irrelevant device has an indirect influence, and as a result, the value of the monitored parameter May also affect.
  • the estimation model M ′ illustrated in FIG. 6 it is possible to estimate the value of the monitoring target parameter including the relationship with alarm information and event information that have not been conscious of before. In the above description, both alarm information and event information are used, but only one of them may be used.
  • the learning data used for the construction of the estimation models M and M ′ is preferably large. Therefore, in addition to the operation data and operation history data collected at the monitored plant, the operation data and operation history data collected at the same kind of plant and equipment are added to the operation data of the monitored plant, and the estimated models M and M ′ Construction may be performed.
  • the sign detection device 30 includes the estimation model construction unit 35, but the estimation model construction unit 35 may be omitted.
  • the estimated model M is constructed by another computer, and the estimated model M is recorded in the storage unit 37.
  • the sign detection device 30 can also be used for future prediction of the plant state. For example, if a transition of a value indicated by a certain monitoring target parameter can be predicted, it can be used for estimation of the deterioration progress speed and replacement time of parts related to the monitoring target parameter, planning of a maintenance plan, and the like.
  • FIG. 7 is a diagram for explaining the prediction of the occurrence of an abnormality and its effect by the sign detection device in the first embodiment according to the present invention.
  • the vertical axis of the graph shown in FIG. 7 indicates the value of the monitoring target parameter Q related to the component P used in the gas turbine 10, and the horizontal axis indicates the accumulated operation time from the start of operation of the gas turbine 10.
  • the gas turbine 10 has an operation plan that keeps operating at a rated load.
  • the value of the operation data as an input parameter to the estimation model M in the future operation can be calculated from the past operation results.
  • the operation history data input to the estimation model M is the accumulated operation time.
  • the current accumulated operation time is T0, and the estimated value of the monitoring target parameter Q based on the estimation model M at this time is R0. It is defined that the component P must be replaced when the value of the monitoring target parameter Q is equal to or less than the threshold value R. It is assumed that the sign detection device 30 is configured to operate in an operation mode in which the trend prediction of the monitoring target parameter is performed in addition to the operation mode in which the sign detection is performed. In the operation mode in which the trend prediction is performed, the sign detection device 30 outputs an estimated value of the monitoring target parameter based on the estimation model M in a specified period (for example, specified by the cumulative operation time).
  • the maintenance planner can plan the replacement timing of the parts P as follows. For example, the planner inputs to the sign detection device 30 so as to operate in the operation mode in which the trend prediction of the monitoring target parameter Q is performed. Subsequently, the planner inputs the values of the input parameters (such as the atmospheric temperature) relating to the future operation based on the past operation results and the sign detection device 30 as a period for designating the accumulated operation time T0 to T3. Then, the control part 34 starts the trend prediction process of the monitoring object parameter. First, the input / output unit 36 receives input of these values, outputs the values of input parameters to the data acquisition unit 31, and outputs the accumulated operation times T 0 to T 3 to the control unit 34.
  • the input parameters such as the atmospheric temperature
  • the control unit 34 adds a predetermined period ⁇ T to the cumulative operation time T0, and outputs the cumulative operation time T0 + ⁇ T after the addition to the data acquisition unit 31.
  • the data acquisition unit 31 outputs the input parameters and the accumulated operation time T0 + ⁇ T to the estimation unit 32.
  • the estimation unit 32 calculates an estimated value of the monitoring target parameter Q in the cumulative operation time T0 + ⁇ T.
  • the control unit 34 outputs the cumulative operation time T0 + 2 ⁇ ⁇ T to the data acquisition unit 31.
  • the estimation unit 32 calculates an estimated value of the monitoring target parameter Q in the cumulative operation time T0 + 2 ⁇ ⁇ T.
  • the estimation unit 32 repeats the calculation of the estimated value of the monitoring target parameter Q until the cumulative operation time reaches T3 while increasing the cumulative operation time by ⁇ T.
  • a graph q1 is obtained by such processing.
  • the planner grasps from the graph q1 that when the cumulative operation time reaches T2, the monitoring target parameter Q reaches the threshold value R and the part P must be replaced. For example, if it is planned to perform periodic inspection when the cumulative operation time becomes T1, the planner can make a plan to replace the parts P at this timing.
  • the sign detection device 30 can also predict the value of the monitoring target parameter Q after replacement of the component P (graph q2).
  • the sign detection device 30A detects an abnormality sign by a method different from that of the first embodiment.
  • the estimation model M estimates the monitoring target parameter in consideration of the secular change of the plant.
  • the state evaluation unit 33A evaluates the monitoring target parameter by an evaluation method that takes into account the secular change of the plant.
  • FIG. 8 is a functional block diagram of the sign detection device according to the second embodiment of the present invention.
  • the sign detection device 30A includes a data acquisition unit 31, an estimation unit 32, a state evaluation unit 33A, a control unit 34, an estimation model construction unit 35, an input / output unit 36, a storage unit 37, The determination model construction part 38 and the abnormality performance data acquisition part 39 are provided.
  • the state evaluation unit 33A acquires the operation history data in addition to the estimated value and the measurement value of the monitoring target parameter, and evaluates the state of the device based on the evaluation standard corresponding to the operation performance indicated by the operation history data.
  • the determination model construction unit 38 learns the estimated and measured values of the monitoring target parameter including data at the time of occurrence of the abnormality and the driving history data at that time, and evaluates according to the driving performance indicated by the driving history data Build a decision model for calculating criteria.
  • the abnormality record data acquisition unit 39 includes the details (type and scale) of the abnormality, the location of the abnormality, the method for dealing with the abnormality, the estimated value and the measured value of the monitoring target parameter at the time of the abnormality, Information such as operation history data at that time is acquired.
  • FIG. 9 is a diagram illustrating the sign detection process in the second embodiment according to the present invention.
  • the estimation model M ′ and the subtracter S are the same as those described with reference to FIGS. That is, the estimation model M ′ is an estimation model that estimates the value of the monitoring target parameter according to the secular change based on past normal operation data.
  • the subtracter S calculates the deviation between the estimated value and the measured value of each monitoring target parameter and outputs the deviation to the abnormality determination unit D.
  • the abnormality determination unit D included in the state evaluation unit 33A of the present embodiment has a determination model N.
  • the determination model N calculates an evaluation criterion at the time when the driving indicated by the driving history data is performed. For example, it is assumed that it is appropriate to determine that a certain parameter to be monitored is an abnormal sign when the deviation between the estimated value and the measured value is “10” at the time when the operation years are short.
  • the operating years become long, for example, when the deviation between the estimated value and the measured value becomes “10”, the deviation rapidly increases after that, unlike when the operating years are short, which is considerably faster than when the operating years are short.
  • an abnormality occurs at the time.
  • the threshold value can be changed in accordance with the accumulated operation time (operation history data) irrespective of calculating the estimated value in consideration of the secular change of the monitoring target parameter using the estimation model M ′. It is considered appropriate.
  • the determination model N determines that there is an abnormal sign based on a threshold value (for example, “5”) corresponding to the accumulated operation time.
  • the determination model N a model in which operation data for a predetermined period is input instead of operation history data to determine an abnormal sign. For example, it is assumed that the abnormality to be generated differs depending on the deviation pattern (deviation history) of these three monitoring target parameters for the monitoring target parameters a1, a2, and a3.
  • the determination model N includes a history of deviation between an estimated value and a measured value of the estimated model M ′ for one or a plurality of monitoring target parameters (for example, each of the monitoring target parameters a1, a2, and a3), and a deviation of each deviation. Correspondences with abnormalities that actually occurred in the history are stored.
  • the subtracter S calculates each of one or a plurality of monitoring target parameters (for example, monitoring target parameters a1, a2, a3) for a predetermined period in the past with the current time recorded in the storage unit 37 as a reference. Enter the deviation time series information (deviation history).
  • the determination model N determines an abnormal sign based on the correspondence relationship according to the input history of deviation in a predetermined period. As a result, it is possible to detect an anomaly sign in consideration of changes in the monitoring target parameter over time.
  • the operation history data is included in the input parameter of the determination model N, but at least one of alarm information and event information may be included in the input parameter to determine the abnormality sign.
  • FIG. 10 is a flowchart showing an example of a determination model construction process according to the second embodiment of the present invention.
  • the data acquisition unit 31 acquires operation history data corresponding to deviation data between an estimated value and a measured value based on the estimated model M (or M ′) in a predetermined period from when the abnormality occurs to when the abnormality occurs (step S31). ).
  • the data acquisition unit 31 records the acquired deviation data and operation history data in the correspondence relationship in association with each other in the storage unit 37 (step S32).
  • the abnormality record data acquisition unit 39 acquires abnormality information (abnormality type, scale, occurrence location, coping method, etc.) corresponding to the deviation data at the time of abnormality acquired in step S31, and records it in the storage unit 37 (step S33). ).
  • the determination model construction unit 38 constructs a determination model N (step S34). For example, the determination model construction unit 38 calculates the relationship between the accumulated operation time and the magnitude of the deviation when an abnormality occurs, from the relationship between the history of deviation and the accumulated operation time for an abnormality that has actually occurred.
  • the determination model construction unit 38 calculates a deviation at a point in time before occurrence of an abnormality sign and a predetermined period before the abnormality sign detection time, and sets the value of the deviation as a threshold value for abnormality sign detection.
  • the determination model construction unit 38 calculates the cumulative operation time when the threshold is set.
  • the determination model construction unit 38 records the calculated accumulated operation time, threshold value, and abnormality information in the storage unit 37 as a set. Thereby, the threshold value according to the accumulated operation time of a plant can be set for every kind of abnormality.
  • FIG. 11 is a diagram for explaining another example of the sign detection process in the second embodiment according to the present invention.
  • no driving history data is input to the estimated model M ′′.
  • the determination model N operation history data and alarm information are input.
  • driving history data is input only for the abnormality sign determination process, and an evaluation standard corresponding to secular change is used. Based on this, an abnormality sign is determined. As a result, an abnormal symptom considering the secular change of the plant becomes possible.
  • the type of operation history data used for the construction of the determination model N and the abnormality sign determination is not limited to the accumulated operation time, and the operation history data of the type exemplified in the estimation model M (such as FIG. 3) of the first embodiment may be used. it can.
  • the sign detection device 30A illustrated in FIG. 2 the case where the sign detection device 30A includes the determination model construction unit 38 and the abnormality record data acquisition unit 39 is illustrated, but a configuration without these function units may be employed. is there.
  • the determination model N is constructed by another computer, and the determination model N is recorded in the storage unit 37.
  • an abnormality sign can be performed based on an evaluation standard according to aging of the plant, operating load, operating conditions, and the like. It can be changed together.
  • the sign detection is performed based on the deviation between the first estimated value and the measured value of the monitoring target parameter, but instead of the measured value of the monitoring target parameter.
  • the sign detection may be performed based on a deviation between the first estimated value and the second estimated value of the monitoring target parameter.
  • the sign detection devices 30 and 30A are examples of the sign detection system. Each process of the sign detection devices 30 and 30A is stored in a computer-readable recording medium in the form of a program, and the computer of the sign detection devices 30 and 30A reads and executes the program, thereby performing the above-described processing. Is done.
  • the computer-readable recording medium means a magnetic disk, a magneto-optical disk, a CD-ROM, a DVD-ROM, a semiconductor memory, or the like.
  • the computer program may be distributed to the computer via a communication line, and the computer that has received the distribution may execute the program.
  • the program may be for realizing a part of the functions described above. Furthermore, what can implement
  • the sign detection devices 30 and 30A may be configured by a single computer or may be configured by a plurality of computers connected so as to be communicable.

Landscapes

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

Abstract

予兆検知システムは、機器の運転データと、機器の運転履歴を示す運転履歴データと、を取得するデータ取得部と、運転データと、運転履歴データと、機器の監視対象となるパラメータについて運転履歴データに対応する時点での当該パラメータの値を推定する推定モデルと、に基づいて、パラメータの推定値を算出する推定部と、推定部によるパラメータの推定値とデータ取得部が取得した運転データに含まれるパラメータの計測値または推定値との偏差に基づいて、機器の状態を評価する状態評価部と、を備える。

Description

予兆検知システム及び予兆検知方法
　本発明は、予兆検知システム及び予兆検知方法に関する。
　本願は、２０１７年３月２９日に、日本に出願された特願２０１７－６６１２５号に基づき優先権を主張し、その内容をここに援用する。
　発電プラント等の設備において、機器の動作の状態を監視するために、ＡＮＮ（Artificial Nural Network）等のモデルが用いられる場合がある。例えば、特許文献１では、第１のＡＮＮで現在の設備の状態を模擬し、第２のＡＮＮで正常運転時の設備の状態を模擬し、第１のＡＮＮ及び第２のＡＮＮの出力データの差から故障の発生の有無を判断することが記載されている。
米国特許出願公開第２０１３／０３１８０１８号明細書
　一般に特許文献１等に記載のモデルを用いた監視では、正常な状態を示すプロセス値などを学習して構築した正常モデルと、監視対象のプラント等で取得されたプロセス値とを比較し、実際のプロセス値が正常モデルから乖離している場合に異常を検知することが多い。このような場合に、正常モデルの構築に用いられるデータは、一般的に過去のデータである。しかしながら，実際のプラントには、経年変化があるため，正常モデルを更新しないと、正常モデルが現状のプラントの正常な状態と乖離してしまい、この正常モデルに基づく監視精度が劣化してしまう。
　本発明は、上述の課題を解決することのできる予兆検知システム及び予兆検知方法を提供する。
　本発明の第１の態様によれば予兆検知システムは、機器の運転データと、前記機器の運転履歴を示す運転履歴データと、を取得するデータ取得部と、前記運転データと、前記運転履歴データと、前記機器の監視対象となるパラメータについて前記運転履歴データに対応する時点での当該パラメータの値を推定する推定モデルと、に基づいて、前記パラメータの第１推定値を算出する推定部と、前記パラメータの第１推定値と前記データ取得部が取得した前記運転データに含まれる前記パラメータの計測値または第２推定値との偏差に基づいて、前記機器の状態を評価する状態評価部と、を備える。
　また、本発明の第２の態様によれば前記予兆検知システムであって、前記運転履歴データには、前記機器の起動回数及び停止回数のうち少なくとも１つが含まれてもよい。
　本発明の第３の態様によれば前記予兆検知システムであって、前記運転履歴データには、前記機器の運転時間、前記機器の運転パターン別の運転時間、前記機器の導入からの経過時間、のうち少なくとも１つが含まれてもよい。
　本発明の第４の態様によれば前記予兆検知システムであって、前記運転履歴データには、前記機器に対する保守点検作業を行った回数、前記機器に対して保守点検作業を行ってからの経過時間、のうち少なくとも１つが含まれてもよい。
　本発明の第５の態様によれば前記予兆検知システムであって、前記運転履歴データには、前記機器の出力の累積値が含まれてもよい。
　本発明の第６の態様によれば前記予兆検知システムであって、前記運転データには、前記機器を監視する装置が生成したアラーム情報及びイベント情報のうち少なくとも１つが含まれてもよい。
　本発明の第７の態様によれば前記予兆検知システムであって、前記推定モデルは、前記機器の運転データ及び運転履歴データに加え、前記機器と同じ種類の他の機器の運転データ及び運転履歴データに基づいて構築されていてもよい。
　本発明の第８の態様によれば前記予兆検知システムであって、前記運転履歴データと、その運転履歴データに対応する時点での前記機器の運転データと、に基づいて前記推定モデルを構築する推定モデル構築部、をさらに備えていてもよい。
　本発明の第９の態様によれば前記予兆検知システムであって、前記状態評価部は、さらに前記運転履歴データを取得し、前記運転履歴データが示す運転実績に応じた前記監視対象となるパラメータの評価基準に基づいて前記機器の状態を評価してもよい。
　本発明の第１０の態様によれば前記予兆検知システムであって、前記状態評価部は、前記偏差と、前記偏差の履歴と実際に生じた異常との対応関係と、に基づいて、将来発生する異常を予測してもよい。
　本発明の第１１の態様によれば予兆検知システムは、機器の運転データと、前記機器の運転履歴を示す運転履歴データと、を取得するデータ取得部と、前記運転データと、前記機器の監視対象となるパラメータの値を推定する推定モデルと、に基づいて、前記パラメータの第１推定値を算出する推定部と、前記推定部による前記パラメータの第１推定値と前記データ取得部が取得した前記運転データに含まれる前記パラメータの計測値または第２推定値との偏差と、前記運転履歴データが示す運転実績に応じた前記監視対象となるパラメータの評価基準と、に基づいて、前記機器の状態を評価する状態評価部と、を備える。
　本発明の第１２の態様によれば予兆検知方法は、予兆検知システムが機器の運転データと、前記機器の運転履歴を示す運転履歴データと、を取得するステップと、前記運転データと、前記運転履歴データと、前記機器の監視対象となるパラメータについて前記運転履歴データに対応する時点での当該パラメータの値を推定する推定モデルと、に基づいて、前記パラメータの第１推定値を算出するステップと、前記第１推定値と前記運転データに含まれる前記パラメータの計測値または第２推定値との偏差に基づいて、前記機器の状態を評価するステップと、を有する。
　上記した予兆検知システム及び予兆検知方法によれば、プラント等の経年変化を考慮した予兆検知が可能となる。
本発明に係る予兆検知システムを用いて監視を行うプラントの一例を示す図である。 本発明に係る第一実施形態における予兆検知装置の機能ブロック図である。 本発明に係る第一実施形態における予兆検知処理を説明する図である。 本発明に係る第一実施形態における推定モデルの構築処理の一例を示すフローチャートである。 本発明に係る第一実施形態における予兆検知処理の一例を示すフローチャートである。 本発明に係る第一実施形態における予兆検知処理の他の例について説明する図である。 本発明に係る第一実施形態における予兆検知装置による異常発生の予測とその効果について説明する図である。 本発明に係る第二実施形態における予兆検知装置の機能ブロック図である。 本発明に係る第二実施形態における予兆検知処理を説明する図である。 本発明に係る第二実施形態における判定モデルの構築処理の一例を示すフローチャートである。 本発明に係る第二実施形態における予兆検知処理の他の例について説明する図である。
＜第一実施形態＞
　以下、本発明の第一実施形態による予兆検知システムついて図１～図７を参照して説明する。
　本発明に係る予兆検知システムを用いて監視を行うプラントの一例を示す図である。
　図１に示す監視対象となるガスタービンプラントは、ガスタービン１０と、発電機１５と、ガスタービン１０の動作の制御や監視を行う装置２０と、を備えている。ガスタービン１０と発電機１５はロータ１４で連結されている。ガスタービン１０は、空気を圧縮して圧縮空気を生成する圧縮機１１と、圧縮空気中で燃料ガスを燃焼させ高温の燃焼ガスを生成する燃焼器１２と、燃焼ガスにより駆動するタービン１３と、を備えている。燃焼器１２は、燃焼器１２に燃料を供給する各系統Ａ、Ｂ，Ｃごとにそれぞれの燃料供給装置（図示せず）と接続されている。燃料供給装置と燃焼器１２の間には各系統Ａ～Ｃの燃料の流量を調節する燃料流量調整弁１６Ａ，１６Ｂ，１６Ｃが設けられている。装置２０は、１台又は複数台のコンピュータで構成された制御装置等である。装置２０は、ＩＧＶ（ＩＧＶ：inlet guide vane）１７の開度を調節して圧縮機１１に流入する空気の流量や、燃料流量調整弁１６Ａ～１６Ｃの開度調整による燃焼器１２への燃料ガスの供給量等を制御して、タービン１３を駆動し、発電機１５を稼働させる。
　装置２０は、ガスタービン１０や発電機１５の各所に設けられたセンサから温度、圧力などの計測データを取得する。計測データには、ガスタービン１０の内部に取り込まれ、実際の運転に用いられる燃料ガスや大気などの物性データだけでなく、運転環境の温度など周囲の環境情報が含まれる。装置２０は、取得した計測データを用いて、ガスタービン１０を制御するための制御信号を生成する。計測データには、各センサの識別情報、計測値、計測時刻等が含まれている。制御信号には、その制御信号が出力された時刻が含まれている。装置２０は、計測データを所定の推定モデル（例えば、ガスタービン１０のある状態量を算出するための計算式など）に入力して、その推定モデルによって算出された推定値を、計測データの代わりに、あるいは、計測データに加えて取得してもよい。この推定値を第２推定値と呼ぶ場合がある。これら計測データ（または第２推定値）と制御信号とを総称してプロセスデータと記載する。装置２０は、取得した計測データを所定の閾値と比較して、計測データが閾値を上回ったり下回ったりすると、ガスタービン１０に異常が生じたり、注意すべき状態となったことを示すアラーム情報を生成する。装置２０は、ガスタービン１０の起動停止、ガスタービン１０が備える機器の動作（弁の開閉など）、運転状態の変更等が発生するとそれらの発生を示すイベント情報を生成する。アラーム情報及びイベント情報には、各々の情報が生成された時刻情報が含まれている。装置２０は、プロセスデータ、アラーム情報、イベント情報を図示しない表示装置に表示させ、運転員は、その表示装置に表示された計測データやアラーム情報などを監視してガスタービン１０の運用を行う。
　装置２０は、プロセスデータ、アラーム情報、イベント情報を予兆検知装置３０へ送信する。プロセスデータについては、装置２０は、例えば、所定周期毎、プロセスデータを取得する毎、プロセスデータの値に所定の変化が発生した場合などに、予兆検知装置３０へ送信する。アラーム情報、イベント情報については、装置２０は、例えばそれらの情報を生成する度に予兆検知装置３０へ送信する。本実施形態において装置２０は、ガスタービン１０の運転に必要な制御装置、監視装置などを含んでいる。これに対し、予兆検知装置３０は、ガスタービン１０に将来発生する異常の予兆を検知し、これを運転員に通知する目的で設置される。プロセスデータ、アラーム情報、イベント情報を総称して運転データと記載する。
　予兆検知装置３０は、ガスタービン１０に生じる異常の予兆を検知する。特に本実施形態に係る予兆検知装置３０は、ガスタービン１０の経年変化を考慮した予測モデルを用いて予兆検知を行う。次に、予兆検知装置３０について説明する。
　図２は、本発明に係る第一実施形態における予兆検知装置の機能ブロック図である。
　図２に示すように予兆検知装置３０は、データ取得部３１と、推定部３２と、状態評価部３３と、制御部３４と、推定モデル構築部３５と、入出力部３６と、記憶部３７と、を備える。
　データ取得部３１は、機器の運転データと、機器の運転履歴を示す運転履歴データとを取得する。ここで、運転履歴データとは、例えば、ガスタービン１０の累積運転時間、運転パターン別の運転時間、ガスタービン１０を導入して設置してからの経過時間、起動回数、停止回数、起動停止回数、ガスタービン１０の出力実績の累積値などの運転履歴データ、ガスタービン１０に対する保守点検作業を行った回数、保守点検作業を行ってから経過した時間などの保守履歴データを含む。データ取得部３１は、取得した運転データを記憶部３７に記録する。
　運転履歴データは、ガスタービン１０が稼働状態にあることを示す、例えば、発電機１５の出力、ガスタービン１０の起動命令信号、停止命令信号などのプロセスデータを用いて算出することができる。例えば、累積運転時間であれば、装置２０が、上記のプロセスデータを用いて１回の起動から停止までの運転時間を計算し、これを累積して累積運転時間を算出する。例えば、起動停止回数であれば、装置２０が、自身が出力した起動命令、停止命令の回数をカウントして、これを累積して起動停止回数を算出する。装置２０は、これらの運転履歴データを算出し、データ取得部３１は、装置２０から運転履歴データを取得する。
　装置２０は、ガスタービン１０に対して行われた過去の保守履歴の情報を記憶していて、装置２０は、保守作業の累積回数、保守作業を行ってからの経過時間などを算出し、データ取得部３１は、装置２０から保守履歴データを取得する。
　推定部３２は、運転データと、運転履歴データと、運転履歴データが示す運転実績に応じた経年変化を反映した監視対象パラメータの値を推定する推定モデルと、に基づいて、パラメータの推定値を算出する。
　状態評価部３３は、推定部３２による監視対象パラメータの推定値（第１推定値）とデータ取得部３１が取得したガスタービン１０の監視対象パラメータの計測値または推定値（第２推定値）との偏差に基づいて、監視対象パラメータが示すガスタービン１０の状態を評価する。例えば、偏差が所定の閾値以上の場合、その監視対象パラメータがガスタービン１０又はその一部の機器に生じる異常の予兆を示していると評価する。状態評価部３３は、異常の予兆を検知すると、異常予兆を検知したことを示すアラーム情報、異常発生率、異常発生箇所などの異常情報を算出する。
　制御部３４は、予兆検知装置３０の起動、停止、処理実行などの各種制御を行う。
　推定モデル構築部３５は、運転履歴データと、その運転履歴データに対応する（その運転履歴データが示す運転を経た時点での）機器の正常動作時の運転データと、を学習して、ガスタービン１０の正常動作時における監視対象パラメータの値を推定する推定モデルを構築する。推定モデル構築部３５が構築する推定モデルとは、ガスタービン１０の経年変化を陽に考慮したモデルである。推定モデルとは、例えばＡＮＮなどのニューラルネットワーク、各種機械学習、深層学習、重回帰分析などの各種統計的手法によるモデルである。
　入出力部３６は、状態評価部３３による評価結果や異常情報の算出結果をディスプレイ、他の装置などへ出力する。入出力部３６は、監視員による予兆検知装置３０への指示情報等の入力操作を受け付ける。
　記憶部３７は、例えば、運転データなどの種々のデータを記憶する。
　図３は、本発明に係る第一実施形態における予兆検知処理を説明する図である。
　推定部３２は、推定モデルＭを有している。推定モデルＭは、正常時の過去の運転データに基づいて，入力パラメータを大気温度、大気圧力、相対湿度、燃料流量指令値、燃料分配比設定、ガスタービン１０の回転数、燃料流量調整弁１６Ａ～１６Ｃの弁開度、系統Ａ～Ｃ毎の燃料供給圧力、ＩＧＶ開度、運転時間、起動停止回数などとし、出力パラメータをガスタービン出力、ガスタービン効率、車室圧力、各燃料系統のマニホールド圧力、各燃焼器の燃焼振動値、タービン１３からの排ガス温度などとする、例えばニューラルネットワークモデルである。
　推定部３２は、運転データのうち、監視対象パラメータ（ガスタービン１０の出力、車室圧力など）の推定に必要なパラメータ（大気温度、大気圧力、燃料流量指令値など）を推定モデルＭに入力する。推定部３２は、ガスタービン１０の累積運転時間、起動停止回数などの運転履歴データを推定モデルＭに入力する。推定モデルＭは、現在までの累積運転時間や起動停止回数が示すガスタービン１０の経年変化を反映したガスタービン出力の推定値、車室圧力の推定値などを出力する。推定部３２は、推定モデルＭによる推定値を、状態評価部３３へ出力する。
　状態評価部３３は、推定モデルＭが出力したガスタービン出力等の監視対象パラメータの推定値と、データ取得部３１が取得した現在のガスタービン出力等の計測値と、を取得する。状態評価部３３は、減算器Ｓ、異常判定部Ｄを有している。減算器Ｓは、取得した推定モデルＭによる推定値と、対応するパラメータの計測値との偏差を算出する。例えば、減算器Ｓは、ガスタービン出力の推定値とガスタービン出力の計測値との偏差を算出する。減算器Ｓは、車室圧力の推定値と車室圧力の計測値との偏差を算出する。減算器Ｓは、算出した監視対象である各パラメータの推定値と計測値の偏差を、異常判定部Ｄへ出力する。異常判定部Ｄは、各パラメータの偏差と、パラメータごとに定められた偏差の閾値とを比較して、異常の予兆の有無を判定する。例えば、異常判定部Ｄは、ガスタービン出力の偏差と、ガスタービン出力用の閾値とを比較して、ガスタービン出力の偏差が所定の閾値を上回っていれば、ガスタービン出力について、異常の予兆があると判定する。ガスタービン出力の偏差が閾値以下であれば、異常判定部Ｄは、ガスタービン出力について異常の予兆が無いと判定する。
　異常判定部Ｄは、異常情報生成部Ｄ１を有している。異常情報生成部Ｄ１は、異常発生の予兆を検知したことを示すアラーム情報、異常個所、異常発生率などの異常情報を生成する。アラーム情報には、異常の内容、異常の予兆ありと判定した時刻の情報が含まれている。異常情報生成部Ｄ１は、推定値と計測値の偏差の大きさに応じて異常の規模、確度、重大さなどを推定し、それらの情報を異常情報へ含めてもよい。異常情報生成部Ｄ１は、閾値を上回った監視対象パラメータの種類に応じて、ガスタービン１０のどの部分に異常が発生するかを判定し、異常の発生が予想される箇所を推定する。異常情報生成部Ｄ１は、過去の異常発生実績、故障実績などに基づいて、異常の予兆を検知した部位の異常発生率や故障率を算出する。記憶部３７には過去の故障実績の情報が記録されている。異常情報生成部Ｄ１は、複数の監視対象パラメータの値に基づいて、異常情報を生成してもよい。例えば、ガスタービン出力と車室圧力の両方の監視対象パラメータが閾値を超えている場合、「異常Ｘ」の予兆であるとのアラーム情報を生成してもよい。
　従来の予測モデルに基づく予兆検知では、プラントの経年変化を考慮しないことが多く、その為、予測モデルが推定する監視対象パラメータの値が、ある期間の運転を経た実際のプラントの実態と乖離してしまっていることが多い。これに対し、本実施形態では、所定の推定モデルに基づいて、経年変化に応じた現在のガスタービン１０の出力パラメータの値を推定する。そして、この推定値を正として、ガスタービン１０の出力パラメータの計測値が正常な範囲の値であるかどうかを判定する。現在のプラントの状態に応じた閾値を基準として異常の判定を行うので、精度の高い予兆検知が可能となる。
　次に、本実施形態の推定モデルの構築処理について説明を行う。
　図４は、本発明に係る第一実施形態における推定モデルの構築処理の一例を示すフローチャートである。
　まず、データ取得部３１が、ガスタービン１０の運転データとともにその運転データに対応する運転履歴データを取得する（ステップＳ１１）。運転データに対応する運転履歴データとは、例えば、大気温度Ｘ、燃料流量指令値Ｙ、ガスタービン１０出力Ｚなどの運転データが、ＹＹＹＹ年ＭＭ月ＤＤ日ｈｈ時ｍｍ分ｓｓ秒にセンサによって計測または装置２０によって出力された運転データである場合、ＹＹＹＹ年ＭＭ月ＤＤ日ｈｈ時ｍｍ分ｓｓ秒（または、それを含む前後所定の期間）までの累積運転時間や起動停止回数のことである。取得する運転データは、監視対象となるガスタービン１０において採取された過去の正常運転時の運転データである。運転履歴データの例として、累積運転時間、起動停止回数の他に、運転パターン別の運転時間、起動回数または運転頻度、ガスタービン１０を設置してからの経過時間、導入後の当該ガスタービン１０による出力の累積値（ＭＷｈ）、保守点検作業を行った回数、保守点検作業を行ってから経過した時間などが含まれていてもよい。運転パターン別の運転時間とは、例えば、定格運転での累積運転時間、部分負荷運転での累積運転時間、負荷変動時の累積運転時間である。例えば、運転パターン別の運転時間とは、ホットスタート（例えば停止時間が８時間以内）、ウォームスタート（例えば停止時間が２４時間以内）、コールドスタート（例えば停止時間が２４時間超）と運転パターンを分類した場合、各パターンのスタート態様で運転を開始した場合の累積運転時間である。例えば、運転パターン別の起動回数とは、ホットスタートした累積起動回数、ウォームスタートした累積起動回数、コールドスタートした累積起動回数である。例えば、運転パターン別の運転頻度とは、例えば運転データの採取日を基準とする所定期間内に何回ホットスタート、ウォームスタート、コールドスタートの各々を実行したかである。ガスタービン１０を設置してからの経過時間とは、ガスタービン１０の設置後、運転時間及び停止時間の全て含んだ経過時間である。保守点検作業を行った回数とは、対応する運転データの採取日を基準としてそのときまでに行った定期点検、部品の補修や交換、部品のグレードアップなどの総回数である。保守点検作業を行った回数については、点検個所や保守を行った部品ごとの保守点検回数を用いてもよい。保守点検作業を行ってから経過した時間とは、例えば、最初又は最後に定期点検を行ってから経過した時間や、ある部品について複数回の点検や交換を行っている場合、最後に部品交換を行ってから経過した時間である。
　次に、データ取得部３１は、取得した対応関係にある運転データと運転履歴データとを記憶部３７に対応付けて記録する（ステップＳ１２）。
　次に、推定モデル構築部３５は、推定モデルの構築に必要な所定期間分の運転データ等が記憶部３７に蓄積されたかどうかを判定する（ステップＳ１３）。蓄積されていない場合（ステップＳ１３；Ｎｏ）、ステップＳ１１からの処理を繰り返す。所定期間分の運転データ等が蓄積された場合（ステップＳ１３；Ｙｅｓ）、推定モデル構築部３５は、推定モデルＭを構築する（ステップＳ１４）。例えば、推定モデル構築部３５は、ある運転データαと対応する運転履歴データβについて、運転データαのうち、入力パラメータ（大気温度、大気圧力、燃料流量指令値など）と運転履歴データ（累積運転時間、起動停止回数）とをそのモデルに入力すると、運転データのうち監視対象パラメータ（ガスタービン出力、車室圧力など）を出力するような推定モデルをＡＮＮ等の手法で構築する。推定モデル構築部３５は、構築した推定モデルＭを記憶部３７へ記録する。続いて、構築した推定モデルＭを用いたオンラインでの予兆検知処理の流れについて説明する。
　図５は、本発明に係る第一実施形態における予兆検知処理の一例を示すフローチャートである。
　まず、データ取得部３１が、稼働中のガスタービン１０の運転データを取得する（ステップＳ２１）。例えば、データ取得部３１は、装置２０を介して各種センサが計測した最新の計測値（大気温度、大気圧力、ガスタービン１０の出力、車室圧力など）を取得する。データ取得部３１は、装置２０から、装置２０が指示した最新の制御信号の値（ＩＧＶ開度、燃料流用指令値、各燃料系統の弁開度など）を取得する。これらデータ取得部３１が取得する運転データには、入力パラメータと、監視対象パラメータ（出力パラメータ）とが含まれる。データ取得部３１は、装置２０から、取得した運転データに対応する運転履歴データ（累積運転時間、起動停止回数、定期点検後の経過時間など）を取得する。
　データ取得部３１は、取得した運転データのうち入力パラメータ及び運転履歴データを推定部３２へ出力する。データ取得部３１は、取得した運転データのうち監視対象パラメータを状態評価部３３へ出力する。
　次に、推定部３２は、記憶部３７から推定モデルＭを読み出して、読み出した推定モデルＭに、データ取得部３１から取得した運転データ（入力パラメータ）と運転履歴データとを入力する。推定モデルＭは、入力された値を用いて監視対象パラメータの推定値を算出する（ステップＳ２２）。推定部３２は、監視対象パラメータの推定値を、状態評価部３３へ出力する。
　次に、状態評価部３３は、推定部３２から取得した監視対象パラメータの推定値と、データ取得部３１から取得した監視対象パラメータの計測値との偏差を算出する（ステップＳ２３）。例えば、状態評価部３３が備える減算器Ｓが、ガスタービン出力の推定値からガスタービン出力の計測値を減算する。減算器Ｓは、算出した偏差を、状態評価部３３が備える異常判定部Ｄに出力する。減算器Ｓは、他の監視対象パラメータについても同様に偏差を算出し、監視対象パラメータの識別情報（例えば監視対象パラメータの名称）と偏差を対応付けて、異常判定部Ｄに出力する。
　次に、状態評価部３３は、推定値と計測値との偏差に基づいて、監視対象パラメータの評価を行う。例えば、異常判定部Ｄは、監視対象パラメータごとに定められた所定の閾値と、減算器Ｓが算出した当該監視対象パラメータについての偏差を比較する。異常判定部Ｄは、偏差が閾値を上回っていた場合、異常の予兆ありと判定し、偏差が閾値以内の場合、異常の予兆なしと判定する。
　異常の予兆ありと判定した場合（ステップＳ２６；Ｙｅｓ）、状態評価部３３は、出力部１０４を介して異常の予兆を検知したことを通知する（ステップＳ２７）。例えば、異常情報生成部Ｄ１が、異常の予兆ありと判定された監視対象パラメータの名称、異常発生時刻などを含むアラーム情報を生成する。例えば、異常情報生成部Ｄ１は、監視対象パラメータに基づいて異常発生箇所を特定し、異常発生箇所を示す情報を生成する。例えば、異常情報生成部Ｄ１は、過去のアラーム情報に基づいて当該アラームの発生回数、あるいは過去の異常情報に基づいて異常発生箇所における異常発生率などを算出し、異常発生率を示す情報を生成する。状態評価部３３は、複数の監視対象パラメータを用いて、異常予兆の有無を判定してもよい。例えば、監視対象パラメータＫ１についての偏差が閾値を上回ったときには、状態評価部３３は異常Ｋ１´の予兆であると判定し、監視対象パラメータＫ１についての偏差と監視対象パラメータＫ２についての偏差が共にそれぞれの閾値を上回ったときには、状態評価部３３は異常Ｋ２´の予兆であると判定してもよい。監視対象パラメータと異常発生箇所を関連付ける情報や、過去のアラーム情報、異常発生箇所ごとの過去の異常情報などは記憶部３７に記録されている。状態評価部３３は、異常情報生成部Ｄ１が生成したアラーム情報、異常発生率、異常発生箇所の情報などを入出力部３６へ出力する。入出力部３６は、予兆検知装置３０に接続されたディスプレイにアラーム情報などを表示する。
　異常の予兆なしと判定した場合（ステップＳ２６；Ｎｏ）、予兆検知装置３０は、予兆検知処理の終了判定を行う（ステップＳ２８）。例えば、監視員が処理の停止命令を、入出力部３６を介して予兆検知装置３０へ入力した場合、制御部３４は、予兆検知処理を終了すると判定する。予兆検知処理を終了すると判定した場合（ステップＳ２８；Ｙｅｓ）、制御部３４は、予兆検知処理を停止する。この場合、本フローチャートを終了する。予兆検知処理を継続する場合（ステップＳ２８；Ｎｏ）、ステップＳ２１からの処理を繰り返す。
　ステップＳ２４で予兆が検知される異常とは、例えば、あと数時間後には、装置２０で異常発生として判断される可能性があるような事象である。あるいは、あと数か月後には、運転を停止しての保守作業が必要となるような事象である。本実施形態の予兆検知装置３０によれば、運転履歴データとして、例えば累積運転時間を用いて推定モデルを構築したり、推定値を算出したりすることでプラントの経年変化を考慮した監視対象パラメータの値を推定することができる。単に累積運転時間だけではなく、その間の運転負荷や運転条件なども、機器の劣化に影響することが考えられるが、運転履歴データとして、例えばガスタービン出力の累積値、運転パターンごとの運転時間などを用いて推定モデルの構築や推定値の算出を行うことで、プラントの稼働負荷の程度の影響を反映した監視対象パラメータの値を推定することができる。運転履歴データとして、例えば、起動停止回数、運転頻度、保守作業回数、保守作業からの経過時間などを用いて推定モデルの構築や推定値の算出を行うことで、プラントの劣化や疲労の程度を考慮した監視対象パラメータの値を推定することができる。つまり、様々な運転履歴データをパラメータとして用いた推定モデルＭによって、監視対象パラメータの値を推定するので、より現在のプラントの状況を反映した推定を行うことができる。これにより、精度の高い予兆検知が可能になる。上記の説明では、推定モデルＭを予兆検知に用いる場合を例に説明を行ったが、現在のプラントの運転データに対する異常判定に用いてもよい。状態評価部３３は、単に異常予兆の有無の判定だけでなく、異常の発生確率を判定したり、特に異常の予兆が無い場合でも、プラントの運転状態を「良好」、「普通」、「やや負荷が高い」など段階別に評価して監視員に通知したりするようにしてもよい。
　推定モデルＭへの入力パラメータとして、運転データには、プロセスデータ（計測データ及び制御信号）の他、装置２０が生成したアラーム情報やイベント情報を追加しても良い。
　図６は、本発明に係る第一実施形態における予兆検知処理の他の例について説明する図である。
　図６に示す第一実施形態の変形例では、推定モデルＭ´に図３で説明した入力パラメータに加え、アラーム情報とイベント情報とを入力している。推定モデル構築部３５は、アラーム情報、イベント情報を含む入力パラメータを取得し、推定モデルを構築する。このとき、過去の時系列の変化を学習する学習手法（ＲＮＮ：Recurrent Neural Networkなど）を用いる場合は、運転データとして、時系列のプロセスデータ、アラーム情報、イベント情報を入力することができる。時系列の変化を学習しないモデルの場合、例えば、所定時間内に発生したアラーム情報やイベント情報を入力して推定モデルＭ´を構築してもよい。
　図６の構成の場合、予兆検知処理では、データ取得部３１が、図３で説明した入力パラメータに加え、アラーム情報やイベント情報を取得し、推定部３２は、累積稼働時間などに加え、アラーム情報やイベント情報の発生状況を反映した監視対象パラメータの値を推定する。例えば、大気温度、燃料流量指令値、累積運転時間などの入力パラメータの値が同じでも、アラーム情報が発生している状況と、そうでない状況とでは、監視対象パラメータが大きく異なる可能性がある。大気温度、燃料流量指令値、累積運転時間などの入力パラメータの値が同じでも、一見関係がなさそうな機器の動作（イベント情報）が間接的に影響を与え、その結果、監視対象パラメータの値にも影響を及ぼす可能性がある。図６に例示した推定モデルＭ´であれば、これまで意識できていなかったアラーム情報やイベント情報との関係を含め監視対象パラメータの値を推定することができる。
　上記の説明では、アラーム情報とイベント情報の両方を用いることとしているが、どちらか１つだけを用いるようにしてもよい。
　推定モデルＭ、Ｍ´の構築に用いる学習データは、多い方が好ましい。従って、監視対象プラントで採取した運転データ、運転履歴データだけでなく、同種のプラント、機器で採取した運転データ、運転履歴データを、監視対象プラントの運転データに加えて推定モデルＭ、Ｍ´の構築を行ってもよい。
　図２に例示した予兆検知装置３０では、予兆検知装置３０が推定モデル構築部３５を備える場合を例示したが、推定モデル構築部３５を備えない構成とすることが可能である。この場合、例えば、他のコンピュータで推定モデルＭを構築し、その推定モデルＭを記憶部３７に記録するようにする。
　予兆検知装置３０は、プラント状態の未来予測に利用することもできる。例えば、ある監視対象パラメータが示す値の推移を予測することができれば、その監視対象パラメータに関係する部品の劣化の進行速度や交換時期の推定、保守計画の立案などに役立てることができる。
　図７は、本発明に係る第一実施形態における予兆検知装置による異常発生の予測とその効果について説明する図である。
　図７に示すグラフの縦軸はガスタービン１０に用いられている部品Ｐに関する監視対象パラメータＱの値を示し、横軸はガスタービン１０の稼働開始からの累積稼働時間を示している。例えば、ガスタービン１０は、定格負荷で運転し続ける運転計画が立てられているとする。この場合、将来の運転における推定モデルＭへの入力パラメータとなる運転データ（大気温度等）の値については、過去の運転実績から算出することができる。推定モデルＭに入力する運転履歴データは累積稼働時間であるとする。現在の累積稼働時間はＴ０、この時点での推定モデルＭによる監視対象パラメータＱの推定値はＲ０である。部品Ｐは、監視対象パラメータＱの値が閾値Ｒ以下となると交換しなければならないことが定められている。予兆検知装置３０は、予兆検知を行う動作モードの他に、監視対象パラメータのトレンド予測を行う動作モードで動作するよう構成してあるとする。トレンド予測を行う動作モードでは、予兆検知装置３０は、指定された期間（例えば累積運転時間によって指定する）における推定モデルＭによる監視対象パラメータの推定値を出力する。
　これらの条件の下、保守計画の立案者は、部品Ｐの交換時期を次のようにして計画することができる。例えば、立案者は、予兆検知装置３０へ、監視対象パラメータＱのトレンド予測を行う動作モードで動作するよう入力を行う。続いて、立案者は、過去の運転実績に基づく将来の運転に関する入力パラメータ（大気温度など）の値と、累積運転時間Ｔ０～Ｔ３を指定する期間として予兆検知装置３０へ入力する。
　すると、制御部３４は、監視対象パラメータのトレンド予測処理を開始する。まず、入出力部３６が、それらの値の入力を受け付け、入力パラメータの値をデータ取得部３１へ出力し、累積運転時間Ｔ０～Ｔ３を制御部３４へ出力する。すると、制御部３４は、累積運転時間Ｔ０に所定期間ΔＴを加算し、加算後の累積運転時間Ｔ０＋ΔＴをデータ取得部３１へ出力する。データ取得部３１は、入力パラメータと累積運転時間Ｔ０＋ΔＴを推定部３２に出力する。推定部３２は、累積運転時間Ｔ０＋ΔＴにおける監視対象パラメータＱの推定値を算出する。推定値の算出が完了すると、制御部３４は、累積運転時間Ｔ０＋２・ΔＴをデータ取得部３１へ出力する。推定部３２は、累積運転時間Ｔ０＋２・ΔＴにおける監視対象パラメータＱの推定値を算出する。以下、同様にして、推定部３２は、累積運転時間をΔＴずつ増加しながら累積運転時間がＴ３に至るまでの監視対象パラメータＱの推定値の算出を繰り返す。このような処理により、グラフｑ１が得られる。立案者は、グラフｑ１により、累積運転時間がＴ２となると、監視対象パラメータＱが閾値Ｒに至り、部品Ｐを交換しなければならないことを把握する。例えば、累積運転時間がＴ１となるときに定期点検を行うことが計画されていたとすると、立案者は、このタイミングで部品Ｐの交換を行う計画を立案することができる。予兆検知装置３０は、同様にして、部品Ｐ交換後の監視対象パラメータＱの値についても予測を行うことができる（グラフｑ２）。
＜第二実施形態＞
　以下、本発明の第二実施形態による予兆検知システムについて図８～図１１を参照して説明する。
　第二実施形態に係る予兆検知装置３０Ａについて説明を行う。予兆検知装置３０Ａは、第一実施形態と異なる方法で異常予兆の検知を行う。第一実施形態では、推定モデルＭがプラントの経年変化を考慮した監視対象パラメータの推定を行った。この第二実施形態では、状態評価部３３Ａが、プラントの経年変化を考慮した評価方法によって、監視対象パラメータの評価を行う。
　図８は、本発明に係る第二実施形態における予兆検知装置の機能ブロック図である。
　本発明の第二実施形態に係る構成のうち、第一実施形態に係る予兆検知装置３０を構成する機能部と同じ構成には同じ符号を付し、それぞれの説明を省略する。図示するように予兆検知装置３０Ａは、データ取得部３１と、推定部３２と、状態評価部３３Ａと、制御部３４と、推定モデル構築部３５と、入出力部３６と、記憶部３７と、判定モデル構築部３８と、異常実績データ取得部３９と、を備える。
　状態評価部３３Ａは、監視対象パラメータの推定値及び計測値に加え、運転履歴データを取得し、運転履歴データが示す運転実績に応じた評価基準に基づいて機器の状態を評価する。
　判定モデル構築部３８は、異常発生時のデータを含む監視対象パラメータの推定値及び計測値と、その時点での運転履歴データと、を学習して、運転履歴データが示す運転実績に応じた評価基準を算出するための判定モデルを構築する。
　異常実績データ取得部３９は、過去に生じた異常について、その異常の内容（種類、規模）、異常の発生箇所、異常への対処方法、異常発生時の監視対象パラメータの推定値及び計測値、その時点での運転履歴データ、などの情報を取得する。
　図９は、本発明に係る第二実施形態における予兆検知処理を説明する図である。
　推定モデルＭ´や減算器Ｓについては、図３、図６で説明したものと同様である。つまり、推定モデルＭ´は、過去の正常時の運転データに基づく、経年変化に応じた監視対象パラメータの値を推定する推定モデルである。減算器Ｓは、各監視対象パラメータの推定値と計測値の偏差を算出し、異常判定部Ｄへ出力する。
　本実施形態の状態評価部３３Ａが備える異常判定部Ｄは、判定モデルＮを有している。判定モデルＮは、運転履歴データが示す運転を経た時点における評価基準を算出する。例えば、ある監視対象パラメータについて、運転年数が短い時点では、推定値と計測値の偏差が「１０」だと異常予兆と判定するのが適切であるとする。一方、運転年数が長くなると、例えば推定値と計測値の偏差が「１０」となると、運転年数が短いときと違ってその後急速に偏差が大きくなり、運転年数が短いときと比較してかなり早い時期に異常が発生するとする。このような場合、推定モデルＭ´を用いて監視対象パラメータの経年変化を考慮した推定値を算出することとは関係なく、閾値についても累積運転時間（運転履歴データ）に応じて変更することが適切であると考えられる。このような場合、判定モデルＮは、累積運転時間に応じた閾値の値（例えば「５」）に基づいて、異常予兆ありと判定する。
　判定モデルＮの別の例として、運転履歴データの代わりに、所定期間分の運転データを入力して異常予兆の判定を行うモデルが考えられる。例えば、監視対象パラメータａ１，ａ２，ａ３を対象として、これら３つの監視対象パラメータの偏差のパターン（偏差の履歴）によって発生する異常が異なるとする。判定モデルＮは、１つ又は複数の監視対象パラメータ（例えば、監視対象パラメータａ１，ａ２，ａ３の各々）についての推定モデルＭ´による推定値と計測値との偏差の履歴と、それぞれの偏差の履歴に対して実際に生じた異常との対応関係を記憶している。このような場合、パラメータａ１，ａ２，ａ３について、推定モデルＭ´による推定値と実際の計測値との偏差の情報を所定期間分記憶部３７に記録しておくようにする。判定モデルＮには、記憶部３７に記録した現在を基準とする過去の所定期間分の１つまたは複数の監視対象パラメータ（例えば、監視対象パラメータａ１，ａ２，ａ３）それぞれについて減算器Ｓが算出した偏差の時系列の情報（偏差の履歴）を入力する。判定モデルＮは、入力された所定期間における偏差の履歴に応じて、上記の対応関係に基づいて異常予兆を判定する。これにより、監視対象パラメータの時間経過における変化を考慮した異常予兆の検知ができる。
　上記の例では、運転履歴データを判定モデルＮの入力パラメータに含めることとしたが、さらにアラーム情報及びイベント情報のうち少なくとも１つを入力パラメータに含めて異常予兆を判定するようにしてもよい。
　次に、本実施形態の判定モデルの構築処理の例について説明を行う。
　図１０は、本発明に係る第二実施形態における判定モデルの構築処理の一例を示すフローチャートである。
　前提として、ある異常について、どの監視対象パラメータに基づいて異常予兆の判定を行うか、異常が発生する前のどの時点を異常予兆検知時点とするかが、予め定められているとする。
　まず、データ取得部３１が、異常発生時と異常の発生までの所定期間における推定モデルＭ（またはＭ´）による推定値と計測値との偏差データと対応する運転履歴データを取得する（ステップＳ３１）。次に、データ取得部３１は、取得した対応関係にある異常時の偏差データと運転履歴データとを記憶部３７に対応付けて記録する（ステップＳ３２）。異常実績データ取得部３９が、ステップＳ３１で取得した異常時の偏差データに対応する異常情報（異常の種類、規模、発生箇所、対処方法など）を取得し、記憶部３７へ記録する（ステップＳ３３）。次に、判定モデル構築部３８は、判定モデルＮを構築する（ステップＳ３４）。例えば、判定モデル構築部３８は、実際に発生したある異常についての偏差の履歴と累積運転時間との関係から、累積運転時間と異常発生時の偏差の大きさの関係を算出する。判定モデル構築部３８は、異常発生から、異常予兆検知時点とすることが定められた所定期間前の時点での偏差を算出し、この偏差の値を異常予兆検知の閾値とする。判定モデル構築部３８は、閾値を設定した時点における累積運転時間を算出する。判定モデル構築部３８は、算出した累積運転時間と閾値と異常情報とを組にして記憶部３７に記録する。これにより、異常の種類ごとにプラントの累積運転時間に応じた閾値を設定することができる。
　図１１は、本発明に係る第二実施形態における予兆検知処理の他の例について説明する図である。
　図１１に示す例では、推定モデルＭ´´に運転履歴データを入力しない。これに対し、判定モデルＮについては、運転履歴データ、アラーム情報の入力を行っている。図１１に示すように、経年変化を考慮しない推定モデルを用いた一般的な異常予兆検知において、異常予兆の判定処理に対してのみ運転履歴データを入力して、経年変化に応じた評価基準に基づいて、異常予兆の判定を行う。これにより、プラントの経年変化を考慮した異常予兆が可能になる。
　判定モデルＮの構築や異常予兆判定に用いる運転履歴データの種類は、累積運転時間に限られず、第一実施形態の推定モデルＭ（図３など）で例示した種類の運転履歴データを用いることができる。
　図２に例示した予兆検知装置３０Ａでは、予兆検知装置３０Ａが判定モデル構築部３８、異常実績データ取得部３９を備える場合を例示したが、これらの機能部を備えない構成とすることが可能である。この場合、例えば、他のコンピュータで判定モデルＮを構築し、その判定モデルＮを記憶部３７に記録するようにする。
　本実施形態によれば、プラントの経年変化、稼働負荷、運転条件などに応じた評価基準に基づいて、異常予兆を行うことができる。合わせて変更することができる。
　上記の第一実施形態、第二実施形態において、第１推定値と監視対象パラメータの計測値との偏差に基づいて予兆検知をするとして説明を行ったが、監視対象パラメータの計測値に代えて第２推定値を用い、第１推定値と監視対象パラメータの第２推定値との偏差に基づいて予兆検知を行ってもよい。
　上記の予兆検知装置３０，３０Ａは予兆検知システムの一例である。予兆検知装置３０，３０Ａにおける各処理の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムを予兆検知装置３０，３０Ａのコンピュータが読み出して実行することによって、上記処理が行われる。ここでコンピュータ読み取り可能な記録媒体とは、磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリ等をいう。このコンピュータプログラムを通信回線によってコンピュータに配信し、この配信を受けたコンピュータが当該プログラムを実行するようにしてもよい。
　上記プログラムは、前述した機能の一部を実現するためのものであってもよい。
さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。
　予兆検知装置３０，３０Ａは、１台のコンピュータで構成されていても良いし、通信可能に接続された複数のコンピュータで構成されていてもよい。
　その他、本発明の趣旨を逸脱しない範囲で、上記した実施の形態における構成要素を周知の構成要素に置き換えることは適宜可能である。この発明の技術範囲は上記の実施形態に限られるものではなく、本発明の趣旨を逸脱しない範囲において種々の変更を加えることが可能である。
　上記した予兆検知システム及び予兆検知方法によれば、　本発明によれば、プラント等の経年変化を考慮した予兆検知が可能となる。
１０　　　ガスタービン
１５　　　発電機
２０　　　装置
１１　　　圧縮機
１２　　　燃焼器
１３　　　タービン
１４　　　ロータ
１６Ａ，１６Ｂ，１６Ｃ　　　燃料流量調整弁
１７　　　ＩＧＶ
３０，３０Ａ　　　予兆検知装置、
３１　　　データ取得部
３２　　　推定部
３３　　　状態評価部
３４　　　制御部
３５　　　推定モデル構築部
３６　　　入出力部
３７　　　記憶部
３８　　　判定モデル構築部、
３９　　　異常実績データ取得部、
Ａ、Ｂ，Ｃ　　　燃料系統、
Ｄ　　　異常判定部、
Ｍ、Ｍ´　　　推定モデル、
Ｐ　　　部品、
Ｑ　　　監視対象パラメータ

Claims (12)

  1. 　機器の運転データと、前記機器の運転履歴を示す運転履歴データと、を取得するデータ取得部と、
    　前記運転データと、前記運転履歴データと、前記機器の監視対象となるパラメータについて前記運転履歴データに対応する時点での当該パラメータの値を推定する推定モデルと、に基づいて、前記パラメータの第１推定値を算出する推定部と、
    　前記パラメータの第１推定値と前記データ取得部が取得した前記運転データに含まれる前記パラメータの計測値または第２推定値との偏差に基づいて、前記機器の状態を評価する状態評価部と、
    　を備える予兆検知システム。
  2. 　前記運転履歴データには、前記機器の起動回数及び停止回数のうち少なくとも１つが含まれる、
    　請求項１に記載の予兆検知システム。
  3. 　前記運転履歴データには、前記機器の運転時間、前記機器の運転パターン別の運転時間、前記機器の導入からの経過時間、のうち少なくとも１つが含まれる、
    　請求項１または請求項２に記載の予兆検知システム。
  4. 　前記運転履歴データには、前記機器に対する保守点検作業を行った回数、前記機器に対して保守点検作業を行ってからの経過時間、のうち少なくとも１つが含まれる、
    　請求項１から請求項３の何れか１項に記載の予兆検知システム。
  5. 　前記運転履歴データには、前記機器の出力の累積値が含まれる、
    　請求項１から請求項４の何れか１項に記載の予兆検知システム。
  6. 　前記運転データには、前記機器を監視する装置が生成したアラーム情報及びイベント情報のうち少なくとも１つが含まれる、
    　請求項１から請求項５の何れか１項に記載の予兆検知システム。
  7. 　前記推定モデルは、前記機器の運転データ及び運転履歴データに加え、前記機器と同じ種類の他の機器の運転データ及び運転履歴データに基づいて構築されている、
    　請求項１から請求項６の何れか１項に記載の予兆検知システム。
  8. 　前記運転履歴データと、その運転履歴データに対応する時点での前記機器の運転データと、に基づいて前記推定モデルを構築する推定モデル構築部、
    　をさらに備える請求項１から請求項７の何れか１項に記載の予兆検知システム。
  9. 　前記状態評価部は、さらに前記運転履歴データを取得し、前記運転履歴データが示す運転実績に応じた前記監視対象となるパラメータの評価基準に基づいて前記機器の状態を評価する、
    　請求項１から請求項８の何れか１項に記載の予兆検知システム。
  10. 　前記状態評価部は、前記偏差と、前記偏差の履歴と実際に生じた異常との対応関係と、に基づいて、将来発生する異常を予測する、
    　請求項１から請求項９の何れか１項に記載の予兆検知システム。
  11. 　機器の運転データと、前記機器の運転履歴を示す運転履歴データと、を取得するデータ取得部と、
    　前記運転データと、前記機器の監視対象となるパラメータの値を推定する推定モデルと、に基づいて、前記パラメータの第１推定値を算出する推定部と、
    　前記推定部による前記パラメータの第１推定値と前記データ取得部が取得した前記運転データに含まれる前記パラメータの計測値または第２推定値との偏差と、前記運転履歴データが示す運転実績に応じた前記監視対象となるパラメータの評価基準と、に基づいて、前記機器の状態を評価する状態評価部と、
    　を備える予兆検知システム。
  12. 　予兆検知システムが、
    　機器の運転データと、前記機器の運転履歴を示す運転履歴データと、を取得するステップと、
    　前記運転データと、前記運転履歴データと、前記機器の監視対象となるパラメータについて前記運転履歴データに対応する時点での当該パラメータの値を推定する推定モデルと、に基づいて、前記パラメータの第１推定値を算出するステップと、
    　前記第１推定値と前記運転データに含まれる前記パラメータの計測値または第２推定値との偏差に基づいて、前記機器の状態を評価するステップと、
    　を備える予兆検知方法。
PCT/JP2018/011769 2017-03-29 2018-03-23 予兆検知システム及び予兆検知方法 WO2018181020A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201880019110.9A CN110431502B (zh) 2017-03-29 2018-03-23 预兆检测系统以及预兆检测方法
US16/495,304 US11048245B2 (en) 2017-03-29 2018-03-23 Indicator detection system and indicator detection method
DE112018001684.6T DE112018001684T5 (de) 2017-03-29 2018-03-23 Indikatorerfassungssystem und Indikatorerfassungsverfahren

Applications Claiming Priority (2)

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

Publications (1)

Publication Number Publication Date
WO2018181020A1 true WO2018181020A1 (ja) 2018-10-04

Family

ID=63675718

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/011769 WO2018181020A1 (ja) 2017-03-29 2018-03-23 予兆検知システム及び予兆検知方法

Country Status (6)

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

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111199901A (zh) * 2018-11-20 2020-05-26 东京毅力科创株式会社 搬送单元的监视方法、监视装置、监视用模型及存储介质
WO2020235061A1 (ja) * 2019-05-22 2020-11-26 日本電気株式会社 動作規則決定装置、動作規則決定方法および記録媒体
WO2022091399A1 (ja) * 2020-11-02 2022-05-05 三菱電機株式会社 保険料率算出装置および保険料率算出方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6763629B2 (ja) * 2016-12-15 2020-09-30 三菱パワー株式会社 ガスタービン制御装置、ガスタービン制御方法
JP2021005261A (ja) * 2019-06-27 2021-01-14 東洋エンジニアリング株式会社 処理システム監視装置、処理システム監視方法、及びプログラム
JP7483341B2 (ja) * 2019-09-26 2024-05-15 キヤノン株式会社 情報処理方法、情報処理装置、機械設備、物品の製造方法、プログラム、記録媒体
DE102019217055A1 (de) * 2019-11-06 2021-05-06 Robert Bosch Gmbh Verfahren zum Ermitteln einer unzulässigen Abweichung des Systemverhaltens einer technischen Einrichtung von einem Normwertebereich
JPWO2022080104A1 (ja) * 2020-10-14 2022-04-21
JP7414704B2 (ja) * 2020-12-14 2024-01-16 株式会社東芝 異常検出装置、異常検出方法、およびプログラム
JP2022157180A (ja) * 2021-03-31 2022-10-14 三菱重工業株式会社 装置、遠隔監視システム、装置の制御方法、及び、遠隔監視システムの制御方法
TWI805041B (zh) * 2021-10-22 2023-06-11 智影顧問股份有限公司 機台異常標註與異常預測系統
CN114186738A (zh) * 2021-12-10 2022-03-15 北京百度网讯科技有限公司 一种故障预警方法、装置、电子设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06167591A (ja) * 1992-11-30 1994-06-14 Hitachi Ltd プラントの異常検知方法及びその装置
JPH07281714A (ja) * 1994-04-06 1995-10-27 Kawasaki Heavy Ind Ltd シミュレーション方法およびそれに用いる装置
JP2006318414A (ja) * 2005-05-16 2006-11-24 Fujitsu Ltd 遠隔監視制御システムの子局装置
JP2010527089A (ja) * 2007-05-14 2010-08-05 ボルボ テクノロジー コーポレイション 遠隔診断モデリング
US20130318018A1 (en) * 2012-05-23 2013-11-28 General Electric Company Neural network-based turbine monitoring system
JP2016126728A (ja) * 2015-01-08 2016-07-11 三菱重工業株式会社 稼動率予測装置及び稼動率予測方法
WO2016147696A1 (ja) * 2015-03-13 2016-09-22 株式会社 日立産機システム 配管ネットワーク診断装置

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7065471B2 (en) * 2001-06-18 2006-06-20 Hitachi, Ltd. Method and system for diagnosing state of gas turbine
JP2003114294A (ja) * 2001-10-04 2003-04-18 Toshiba Corp 発電プラントの監視・診断・検査・保全システム
US6868760B1 (en) * 2003-02-12 2005-03-22 Pratt-Read Corporation Tool locking mechanism
US7620523B2 (en) * 2007-04-30 2009-11-17 Integrien Corporation Nonparametric method for determination of anomalous event states in complex systems exhibiting non-stationarity
FR2939924B1 (fr) * 2008-12-15 2012-10-12 Snecma Identification de defaillances dans un moteur d'aeronef
US20120283988A1 (en) * 2011-05-03 2012-11-08 General Electric Company Automated system and method for implementing unit and collective level benchmarking of power plant operations
JP2013152655A (ja) * 2012-01-26 2013-08-08 Hitachi Ltd プラント又は設備の異常診断方法及びヘルスマネージメント方法
JP6053487B2 (ja) * 2012-12-06 2016-12-27 三菱電機株式会社 時系列データ処理装置、時系列データ処理方法及び時系列データ処理プログラム
JP6167591B2 (ja) 2013-03-22 2017-07-26 カシオ計算機株式会社 単語表示制御装置、単語表示制御方法及び単語表示制御プログラム
US9892238B2 (en) * 2013-06-07 2018-02-13 Scientific Design Company, Inc. System and method for monitoring a process
JP6109320B2 (ja) * 2013-09-06 2017-04-05 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 検出装置、検出方法、およびプログラム
JP2015059924A (ja) * 2013-09-20 2015-03-30 株式会社東芝 蓄電池性能評価装置およびその方法
US20150184549A1 (en) * 2013-12-31 2015-07-02 General Electric Company Methods and systems for enhancing control of power plant generating units
JP2015209841A (ja) 2014-04-30 2015-11-24 三菱日立パワーシステムズ株式会社 ガスタービンの異常検出方法、ガスタービンの異常対処方法、これらの方法を実行する装置、及びガスタービン設備
JP6344158B2 (ja) * 2014-09-01 2018-06-20 株式会社Ihi 故障検出装置
US10626748B2 (en) * 2014-12-08 2020-04-21 General Electric Company System and method for predicting and managing life consumption of gas turbine parts
JP6610987B2 (ja) * 2015-02-18 2019-11-27 株式会社Ｉｈｉ 異常診断方法及び異常診断システム
JP5875726B1 (ja) * 2015-06-22 2016-03-02 株式会社日立パワーソリューションズ 異常予兆診断装置のプリプロセッサ及びその処理方法
JP2017066125A (ja) 2015-09-30 2017-04-06 律子 朽木 爪強化剤
US10534328B2 (en) * 2016-06-21 2020-01-14 General Electric Company Methods and systems for enhancing control of power plant generating units
US10678912B2 (en) * 2016-11-15 2020-06-09 General Electric Company Dynamic normalization of monitoring node data for threat detection in industrial asset control system
US10671039B2 (en) * 2017-05-03 2020-06-02 Uptake Technologies, Inc. Computer system and method for predicting an abnormal event at a wind turbine in a cluster

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06167591A (ja) * 1992-11-30 1994-06-14 Hitachi Ltd プラントの異常検知方法及びその装置
JPH07281714A (ja) * 1994-04-06 1995-10-27 Kawasaki Heavy Ind Ltd シミュレーション方法およびそれに用いる装置
JP2006318414A (ja) * 2005-05-16 2006-11-24 Fujitsu Ltd 遠隔監視制御システムの子局装置
JP2010527089A (ja) * 2007-05-14 2010-08-05 ボルボ テクノロジー コーポレイション 遠隔診断モデリング
US20130318018A1 (en) * 2012-05-23 2013-11-28 General Electric Company Neural network-based turbine monitoring system
JP2016126728A (ja) * 2015-01-08 2016-07-11 三菱重工業株式会社 稼動率予測装置及び稼動率予測方法
WO2016147696A1 (ja) * 2015-03-13 2016-09-22 株式会社 日立産機システム 配管ネットワーク診断装置

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111199901A (zh) * 2018-11-20 2020-05-26 东京毅力科创株式会社 搬送单元的监视方法、监视装置、监视用模型及存储介质
JP2020086694A (ja) * 2018-11-20 2020-06-04 東京エレクトロン株式会社 搬送ユニットの監視方法及び監視装置並びに監視用モデル
JP7233201B2 (ja) 2018-11-20 2023-03-06 東京エレクトロン株式会社 搬送ユニットの監視方法及び監視装置並びに監視用モデル
CN111199901B (zh) * 2018-11-20 2024-09-06 东京毅力科创株式会社 搬送单元的监视方法、监视装置、监视用模型及存储介质
WO2020235061A1 (ja) * 2019-05-22 2020-11-26 日本電気株式会社 動作規則決定装置、動作規則決定方法および記録媒体
JPWO2020235061A1 (ja) * 2019-05-22 2020-11-26
JP7173317B2 (ja) 2019-05-22 2022-11-16 日本電気株式会社 動作規則決定装置、動作規則決定方法およびプログラム
US12093001B2 (en) 2019-05-22 2024-09-17 Nec Corporation Operation rule determination device, method, and recording medium using frequency of a cumulative reward calculated for series of operations
WO2022091399A1 (ja) * 2020-11-02 2022-05-05 三菱電機株式会社 保険料率算出装置および保険料率算出方法

Also Published As

Publication number Publication date
US20200103883A1 (en) 2020-04-02
DE112018001684T5 (de) 2019-12-19
US11048245B2 (en) 2021-06-29
TW201901428A (zh) 2019-01-01
JP7179444B2 (ja) 2022-11-29
CN110431502B (zh) 2023-06-27
TWI684858B (zh) 2020-02-11
CN110431502A (zh) 2019-11-08
JP2018169769A (ja) 2018-11-01

Similar Documents

Publication Publication Date Title
WO2018181020A1 (ja) 予兆検知システム及び予兆検知方法
EP1811133B1 (en) Control system with sensor diagnostics using a quality parameter model
EP2241726A2 (en) A method for the repair of an engine and corresponding systems for monitoring this engine
US7062370B2 (en) Model-based detection, diagnosis of turbine engine faults
US8972067B2 (en) System and method for optimizing plant operations
EP2740916B1 (en) Operations support systems and methods for calculating and evaluating turbine temperatures and health
JP4468282B2 (ja) ガスタービンの性能診断方法及び診断システム
US20080201104A1 (en) Monitoring a degrading system
CN102889992A (zh) 用于个性化的设备退化预测的基于模型的途径
JP2013206466A (ja) 信頼性が改善されたオペレーションのためのシステム及び方法
JP4760823B2 (ja) ガスタービンの監視・診断装置
EP2887168B1 (en) Turbine operational flexibility
JP2009053938A (ja) 複数モデルに基づく設備診断システム及びその設備診断方法
US20130318018A1 (en) Neural network-based turbine monitoring system
JP2013045325A (ja) 制御システムの制御装置及びエレベータシステム
US9188021B2 (en) Steam turbine blade vibration monitor backpressure limiting system and method
JP6523815B2 (ja) プラント診断装置及びプラント診断方法
US20090120111A1 (en) Remote Diagnostics and Prognostics for Refrigerant Systems
JP2006057595A (ja) ガスタービンの性能診断システム及び性能診断方法
JP2003173206A (ja) 発電設備の遠隔運用支援方法及び発電設備の遠隔運用支援システム
US10706361B1 (en) Hybrid feature selection for performance prediction of fluid control valves
EP3627261B1 (en) Diagnosis system and method using parallel analysis paths
WO2015175181A1 (en) System and method for evaluating opportunities to extend operating durations
JP2005248848A (ja) ガスタービン診断方法及び装置
JP4491228B2 (ja) 発電設備の遠隔運用支援方法及び発電設備の遠隔運用支援システム

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: 18777416

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 18777416

Country of ref document: EP

Kind code of ref document: A1