WO2020183766A1 - データ分類装置 - Google Patents

データ分類装置 Download PDF

Info

Publication number
WO2020183766A1
WO2020183766A1 PCT/JP2019/039757 JP2019039757W WO2020183766A1 WO 2020183766 A1 WO2020183766 A1 WO 2020183766A1 JP 2019039757 W JP2019039757 W JP 2019039757W WO 2020183766 A1 WO2020183766 A1 WO 2020183766A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
category
evaluation index
qualitative
classified
Prior art date
Application number
PCT/JP2019/039757
Other languages
English (en)
French (fr)
Inventor
嘉成 堀
孝朗 関合
義幸 黒羽
政幸 平塚
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 CN201980088720.9A priority Critical patent/CN113287104A/zh
Publication of WO2020183766A1 publication Critical patent/WO2020183766A1/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/904—Browsing; Visualisation therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Definitions

  • the present invention relates to a data classification device that classifies operating data such as temperature, pressure, and flow rate.
  • thermometers such as thermometers, pressure gauges, and flow meters are installed in power plants and chemical plants for the purpose of plant monitoring and control.
  • pressure gauges such as pressure sensors
  • flow meters are installed in power plants and chemical plants for the purpose of plant monitoring and control.
  • Patent Document 1 Japanese Patent Application Laid-Open No. 2018-49314
  • a data classification unit that classifies operation data into categories according to the degree of similarity
  • an evaluation index calculation unit that calculates an evaluation index of a category from the value of operation data
  • an operation data included in each category are used.
  • the representative value of the operation data is calculated for each category
  • the identification information of each category is mapped two-dimensionally according to the similarity of the representative value of the operation data
  • the identification information of the category is the first axis and the second.
  • a plant data display processing device including a classification result display processing unit that generates three-dimensional image data in which the evaluation index of the category obtained by the evaluation index calculation unit is represented on the third axis while being represented on a plane consisting of the axes of. Is described (see summary).
  • Patent Document 1 describes to visualize the relationship between the state of the plant and the evaluation index.
  • Patent Document 1 describes that the relationship between the state of the plant and the evaluation index is visualized by adding qualitative information of the plant, which does not change in conjunction with the fluctuation of the evaluation index. Not.
  • the present invention provides a data classification device that can be used for operation guidance by visualizing the relationship between the state of the plant and the evaluation index by adding qualitative information of the plant.
  • the data classification device of the present invention includes an operation data database that stores plant operation data, an evaluation index database that stores plant evaluation indexes, and a qualitative data database that stores qualitative data related to the plant.
  • Operation data is classified into categories using data clustering technology, and the classified categories are associated with evaluation indexes and qualitative data, and the data classification means for learning these relationships and the data classification means It is characterized by having a classification result display means for displaying the learned result on a three-dimensional graph.
  • a data classification device that can be used for operation guidance by visualizing the relationship between the state of the plant and the evaluation index by adding qualitative information of the plant.
  • FIG. 1 is a graph showing the relationship between the category number described in Patent Document 1 and the evaluation index.
  • the Z axis of this graph is an evaluation index, and the number displayed on the graph indicates the category number.
  • the evaluation index is high in the case of category number 1
  • the evaluation index is low in the case of category numbers 3, 5, and 8.
  • the position on the XY plane indicates the positional relationship between the category numbers, for example, it is visually that category number 5 is close to category number 8 and category number 1 and category number 7 are far from category number 8. It is confirmed.
  • the data classification device described in this embodiment takes into account such qualitative influences (information) of the plant, visualizes the relationship between the state of the plant and the evaluation index, and utilizes it for operation guidance.
  • FIG. 2 is an explanatory diagram showing a data classification device described in this embodiment.
  • the data classification device described in this embodiment includes an operation data database 3, an evaluation index database 4, a qualitative data database 5, a data classification means 6, and a classification result display means 7.
  • the "database” will be referred to as a "DB”.
  • the plant 1 and the control device 2 are connected to the data classification device described in this embodiment. Further, the data classification device, the plant 1, and the control device 2 constitute a plant control system.
  • Plant 1 has equipment, piping for connecting equipment, valves, and the like. Further, in order to monitor and control the state of the plant 1, sensors such as a thermometer, a pressure gauge and a flow meter are installed.
  • the control device 2 monitors and controls the state of the plant 1 by using measurement data such as temperature, pressure and flow rate measured by sensors such as a thermometer, a pressure gauge and a flow meter installed in the plant 1. Then, using these measurement data, the operation amount such as the opening degree of the valve is determined, and the plant 1 is monitored and controlled.
  • measurement data such as temperature, pressure and flow rate measured by sensors such as a thermometer, a pressure gauge and a flow meter installed in the plant 1. Then, using these measurement data, the operation amount such as the opening degree of the valve is determined, and the plant 1 is monitored and controlled.
  • the operation data DB 3 stores measurement data such as temperature, pressure and flow rate measured from the plant 1, operation amount data such as valve opening, and set value data for control as time series data.
  • measurement data such as temperature, pressure and flow rate measured from the plant 1
  • operation amount data such as valve opening
  • set value data for control as time series data.
  • operation data shows the state of the plant 1. That is, the operation data DB 3 stores the operation data of the plant 1.
  • the evaluation index DB4 stores an evaluation index indicating the performance evaluation of the plant 1.
  • the operational efficiency of the plant 1 (hereinafter, referred to as “plant efficiency”) required by the control device 2 is stored.
  • the plant efficiency (evaluation index) may be obtained from the operation data stored in the operation data DB3. Further, for example, the composition of raw materials, the performance of equipment, and the like may be analyzed offline, and the analysis result may be stored as an evaluation index.
  • the qualitative data DB 5 stores qualitative data (qualitative information of the plant 1 that does not become a numerical value) for the plant 1.
  • qualitative data information (inspection data) such as "valve A failure” and “reactor R4 deterioration” acquired by the inspection of the plant 1 is stored.
  • the data classification means 6 learns the relationship between the operation data stored in the operation data DB 3, the plant efficiency stored in the evaluation index DB 4, and the inspection data stored in the qualitative data DB 6. Specifically, multidimensional operation data is classified into categories using data clustering technology, and the classified categories are linked with plant efficiency (evaluation index) and inspection data (qualitative data). Learn these relationships.
  • the classification result display means 7 displays the results (learned results) classified by the data classification means 6 in a three-dimensional graph.
  • FIG. 3 is a graph showing the relationship between the category number described in this embodiment and the evaluation index.
  • Each axis of this three-dimensional graph is the same as in FIG. 1, the Z axis is an evaluation index (plant efficiency in this embodiment), and the XY plane is a plane showing the positional relationship of the categories in which the operation data is classified.
  • the category number is displayed as a legend in the representative value of each category, but in this embodiment, in addition to the category number, inspections such as "valve A failure" and “reactor R4 deterioration" are performed. Data (qualitative data) is displayed.
  • the representative value of each category is the average value or weighted average (center of gravity) of the operation data included in the category.
  • the predetermined axis indicates the evaluation index (plant efficiency), and the other two axes (for example, the XY plane) are in the classified category. It is a graph showing representative values, and the category number and the qualitative data (inspection data) of the category number are shown in the legend of each plotted point.
  • FIG. 4 is a system diagram of the plant described in this embodiment.
  • This system diagram is, for example, an electronic file created by CAD (computeraided design) software for creating a system diagram, and the system diagram includes equipment, piping for connecting equipment, valves, thermometers, pressure gauges, and flow meters. Sensors (measuring equipment) such as are described.
  • CAD computeraided design
  • the system diagram is also called a piping instrumentation diagram or P & ID (Piping & Instrument Flow Diagram). Information on equipment, pipes connecting equipment, valves, measuring equipment, etc. is described in the system diagram.
  • the measuring device is tagged with F1, P1, T1, or the like.
  • F is a flow meter
  • P is a pressure gauge
  • T is a thermometer.
  • R indicates a reactor.
  • 28 measuring instruments, four reactors (R1 to R4), and three valves (A to C) are installed.
  • FIG. 5 is an explanatory diagram showing operation data stored in the operation data database.
  • the operation data stored in the operation data DB 3 is time series data of flow rate, pressure, and temperature for each time.
  • each part (28 measuring instruments) of the system diagram (see FIG. 4) of the plant 1 such as the inlet flow rate T1 of the reactor R1, the inlet pressure P1 of the reactor R1, and the inlet flow rate F1 of the reactor R1).
  • the measurement data (operation data) measured in is stored, for example, at 1-minute intervals.
  • FIG. 6 is an explanatory diagram showing the evaluation index stored in the evaluation index database.
  • the evaluation index DB4 stores the plant efficiency indicating the performance evaluation of the plant 1 as an evaluation index.
  • the plant efficiency for each time (for example, 1 minute interval) required by the control device 2 is stored as time series data.
  • the plant efficiency and the operation data are recorded separately, but the plant efficiency may be recorded in the operation data shown in FIG.
  • FIG. 7 is an explanatory diagram showing qualitative data stored in the qualitative data database.
  • the qualitative data DB 5 stores qualitative data as qualitative information of the plant 1.
  • inspection data such as "valve A defect” and “reactor R4 deterioration” acquired by the inspection of the plant 1 are stored.
  • the time (start time) at which a defective valve A or deterioration of the reactor R4 is confirmed by inspection and the time (end time) at which the countermeasure is completed are stored.
  • inspection data (qualitative data) is input to the measurement data shown in FIG. It is necessary to convert to a data format for each time, such as (operation data) and plant efficiency (evaluation index) shown in FIG. Therefore, this inspection data (qualitative data) is converted into time series data.
  • FIG. 8 is an explanatory diagram showing qualitative data converted into time series data.
  • inspection data is also stored as time-series data at the same time (for example, 1 minute interval) as the measurement data (operation data) and the plant efficiency (evaluation index). ..
  • the inspection data is used as the qualitative data, but the information indicating the composition of the raw material such as the production area of the raw material may be used as the qualitative data.
  • the data classification means 6 will be described.
  • a learning type data clustering technique having teacher data is used to learn the relationship between multidimensional operation data and plant efficiency and inspection data.
  • the prerequisite data clustering technique will be described.
  • ART Adaptive Resonance Theory
  • the data clustering technique is not limited to ART, and other data clustering techniques may be used.
  • ART is a model that simulates a human pattern recognition algorithm, and multidimensional data can be classified into multiple categories based on its similarity. Since the structure of ART is known, the description thereof will be omitted, and the method of classifying data using ART will be described.
  • FIG. 9 is an explanatory diagram showing a method of classifying operation data using adaptive resonance theory (ART).
  • the horizontal axis shows the time and the vertical axis shows the operation data. Further, in the lower figure of FIG. 9, the horizontal axis shows the time and the vertical axis shows the category number (state of plant 1).
  • the operation data to be input to the ART is four-dimensional or more data, but here, when the data is simplified and the two-dimensional time series data (data 1 and data 2) shown in the upper figure of FIG. 9 are classified. Will be described.
  • the operation data for each time is two-dimensional time series data (input data) of data 1 and data 2.
  • two operation data of data 1 and data 2 are shown in the upper figure of FIG. 9, but in this embodiment, the measurement is measured by 28 measuring devices. Since it has data (operation data), the operation data of data 1 to data 28 will be described. That is, 28 operation data (corresponding to the measurement data (operation data) measured by the 28 measuring devices) are input to the ART as input data.
  • this two-dimensional time series data (operation data) is input to the ART as the data classification means 6, for example, the data in the region 1 in which the value of the data 1 is large and the value of the data 2 is small is in a certain category ( It is classified into category 1) (see the figure below in Fig. 9). Further, the data in the area 2 is classified into another category (category 2) because the relationship between the data in the area 1 and the data 1 and the data 2 is different (see the figure below in FIG. 9). Similarly, the data in the area 3 and the data in the area 4 are classified into different categories.
  • ART classifies the input data into a plurality of categories in chronological order based on the degree of similarity.
  • the category number (number) is used when classifying the categories, but the category number is not limited to the number (number).
  • " ⁇ " in the lower figure of FIG. 9 indicates the state of the plant 1 for each time (for example, 1 minute interval) in each category.
  • ART is an unsupervised learning type algorithm, it is difficult to learn these three relationships of driving data, evaluation index, and qualitative data.
  • a supervised learning algorithm is further used. Before showing the learning algorithm used in this embodiment, the concept of the learning algorithm will be described with reference to FIGS. 10 and 11.
  • FIG. 10 is a schematic diagram when two-dimensional operation data is classified by ART.
  • each point indicates the operation data, and the shade of color of the operation data indicates the evaluation index. The darker the color, the lower the evaluation index (plant efficiency), and the lighter the color, the higher the evaluation index (plant efficiency).
  • operation data is classified into four categories.
  • the operation data classified into each category contains a mixture of high evaluation index and low evaluation index, and it is not possible to associate the category with the evaluation index.
  • the operation data included in the category number 1 includes the data of the abnormality A and the data of the abnormality B, and the category and the qualitative data (inspection data) cannot be associated with each other.
  • "abnormality A” and “abnormality B” are types of inspection data, and indicate “valve A failure", “reactor R4 deterioration", and the like.
  • the range of categories (size: adjusted by the caution coefficient described later) is reduced, the driving data included in one category is reduced, and the range of the evaluation index (degree of variation described later) is set to a constant value.
  • the ratio of certain qualitative data (matching degree described later) is classified so as to be a certain value or more.
  • “the range of the evaluation index is set to a certain value or less” means that the range of the evaluation index is set to a certain ratio or less
  • the ratio of a certain qualitative data is set to a certain value or more
  • the ratio of the abnormality A (for example, the abnormality having the highest ratio) contained in is set to a certain value or more.
  • the data classification means 6 sets the ratio of the qualitative data having the highest ratio among the qualitative data associated with the operation data classified into each category to a certain value or more, and the operation is classified into each category. Classify so that the range of evaluation indexes associated with the data is below a certain value.
  • FIG. 11 is a schematic diagram when two-dimensional operation data is classified in consideration of qualitative data.
  • each point indicates the operation data, and the shade of color of the operation data indicates the evaluation index. The darker the color, the lower the evaluation index (plant efficiency), and the lighter the color, the higher the evaluation index (plant efficiency).
  • the operation data is classified into eight categories.
  • the operation data included in one category shown in FIG. 11 is less than the operation data included in one category shown in FIG.
  • the variation in the evaluation index of the driving data classified into each category becomes small.
  • category number 1 in FIG. 10 is a mixture of low to high evaluation indexes, but in FIG. 11, the operation data included in category number 1 in FIG. 10 is category numbers 1, 2, and 8.
  • Category number 1 is a category with a relatively low evaluation index
  • category number 2 is a category with a medium evaluation index
  • category number 8 is a category with a relatively high evaluation index. ..
  • the operation data included in the category number 1 of FIG. 10 is the category numbers 1 and 2.
  • 8 is classified into three categories, so that the category number 1 contains only the operation data of the abnormality A, and the category number 8 contains only the operation data of the abnormality B.
  • the driving data classified into category number 1 can be associated with the driving data, the evaluation index, and the qualitative data, such as "driving data having a low evaluation index and an abnormality A". That is, it is possible to learn the relationship between driving data, evaluation index, and qualitative data.
  • FIG. 12 is a flowchart showing a data classification algorithm.
  • step 1 the operation data, the evaluation index, and the qualitative data are read from the operation data DB3, the evaluation index DB4, and the qualitative data DB5. Since these data are time-series data for each time as shown in FIGS. 5, 6 and 8, the relationship between the operation data at a certain time and the evaluation index and the qualitative data is shown.
  • step 2 setting a warning coefficient p j for each category (a j).
  • the alert coefficient pj is a parameter that determines the range of the category, and takes a value between 0 and 1. The closer it is to 1, the smaller the category range, and the closer it is to 0, the larger the category range.
  • the alert coefficient pj is set for each category j, and the range of the category j is adjusted.
  • the alert coefficient pj is set by the operator as an initial value.
  • step 3 using the alert coefficient p j that is set in step 2, using the ART (cluster analysis techniques) shown in FIG. 9, classifies the operation data to each category.
  • ART cluster analysis techniques
  • step 4 the degree of matching of qualitative data and / or the degree of variation in the evaluation index are calculated for the operation data classified into each category.
  • Matching degree M j qualitative data in category j is defined by Equation (1) it is determined from equation (1).
  • N m is the number of the largest number (highest proportion) of qualitative data in the operation data (N j ), and N j is the number of operation data of the category j.
  • the number of operation data classified into category j is 100 (N j ), of which the number of operation data that was abnormal A is 70 (Nm), the number of normal operation data is 25, and the abnormality B.
  • N j the number of operation data that was abnormal A
  • Nm the number of normal operation data
  • M j the number of qualitative data having the highest ratio
  • the degree of variation V j of the evaluation index is 0.013. ..
  • step 5 M j and V j obtained in step 4 for each category j are compared with the set threshold value (set value), and it is determined whether or not the condition is satisfied.
  • the set value of the matching degree of the qualitative data is Mset
  • the matching degree M j of the qualitative data is larger than the set value Mset
  • the matching degree is high, and it is determined that the condition is satisfied.
  • the set value of the degree of variation of the evaluation index is Vset
  • the degree of variation V j of the evaluation index is smaller than the set value Vset, the degree of variation is low, and it is judged that the condition is satisfied.
  • the set value Mset is a "constant value” that determines the ratio of certain qualitative data
  • the set value Vset is a "constant value” that determines the range of the evaluation index.
  • the set value Mset and the set value Vset are set in advance by the operator according to the purpose of use of the graph.
  • step 6 since the alert coefficient p j is changed, the amount of change in the alert coefficient p j is calculated.
  • the alert coefficient p j before the change is p j (k)
  • the alert coefficient p j after the change is p j (k + 1).
  • equations (2) to (4) are used to obtain pj (k + 1).
  • pV j determined from the degree of variation in the evaluation index and pM j determined from the degree of matching of the qualitative data are obtained, and the larger of these is defined as p j (k + 1), and the changed alert coefficient p j.
  • pV j and pM j indicate the update value of the warning coefficient obtained according to the degree of "deviation" from each set value.
  • the maximum value of p is p max, and the larger the degree of variation of the evaluation index, the closer the pV j becomes to p max .
  • a V is the adjustment coefficient.
  • the maximum value of p is p max, and the smaller the matching degree of the qualitative data, the closer pM j becomes to p max .
  • a M is the adjustment coefficient.
  • step 7 the alert coefficient p j is changed by using the p j obtained in step 6.
  • the data classifying section 6 as obtains vigilance coefficient of categories p j, the matching degree M j qualitative data, the variation of V j metrics.
  • step 3 using the alert coefficient p j to be changed in step 7, classifying the operation data to each category.
  • the range is used as the degree of variation of the evaluation index, but the standard deviation or the variance may be used.
  • the classification result display means 7 displays (outputs) the results classified by the data classification means 6 in a three-dimensional graph.
  • the relationship between the operation data and the evaluation index and the qualitative data can be learned at the same time, and these relationships can be visualized. Therefore, the operation considering both the evaluation index and the qualitative data. Guidance can be provided.
  • FIG. 13 is a graph showing the relationship between the category numbers classified in consideration of qualitative data and the evaluation index.
  • FIG. 13 shows the classification result shown in FIG. 11 in a three-dimensional graph.
  • the Z axis of the 3D graph is the evaluation index (plant efficiency), and the XY plane is the plane showing the positional relationship of the categories in which the operation data is classified.
  • the operation data is three-dimensional or more, and in that case, the positional relationship of the categories cannot be reproduced exactly on the XY plane.
  • the positional relationship of data of three or more dimensions is simulated on a two-dimensional XY plane by the multidimensional scaling method.
  • the operation data is shown in two dimensions, and the positional relationship of each category is shown in two dimensions. Therefore, the positional relationship of each category in FIG. 11 shown in two dimensions is strictly shown in the XY plane of FIG.
  • inspection data such as "abnormal A” and "normal” are also displayed in the legend.
  • evaluation index plant efficiency
  • qualitative data inspection data
  • the classification result display means 7 displays the relationship between the operation data and the evaluation index by using a three-dimensional graph with the evaluation index as the Z axis, but plots based on the value of the evaluation index. You may use a two-dimensional graph in which the color of the point to be used is changed. Further, when the number of dimensions of the operation data is three or more, the positional relationship of the categories may be represented by a three-dimensional graph, and the color of the points to be plotted may be changed based on the value of the evaluation index.
  • the relationship between the plant state (for example, the category classified based on the operation data) and the evaluation index is visualized by adding the qualitative information (qualitative data) of the plant.
  • the evaluation index can be used for driving guidance.
  • Example 1 the relationship between the driving data acquired in advance and the evaluation index and qualitative data is learned and visualized and used for driving guidance. However, in this embodiment, only the driving data can be obtained and the evaluation index is used. And an example when the qualitative data is unknown.
  • the data classification device described in this embodiment learns the relationship between the operation data and the evaluation index and the qualitative data offline in advance, so that the evaluation index and the qualitative data are newly obtained. It estimates the data.
  • FIG. 14 is an explanatory diagram showing the data classification device described in the second embodiment.
  • the data classification device described in the present embodiment is the data classification device described in the first embodiment to which the unlearned data estimation means 8 is added.
  • the performance index and the qualitative data are estimated from the newly obtained driving data by the step of learning and visualizing the relationship between the driving data and the evaluation index and the qualitative data offline and the unlearned data estimation means 8. It consists of two steps. Since the former is as described in the first embodiment, the description thereof is omitted here. The latter unlearned data estimation means 8 will be described below.
  • the processing of the unlearned data estimation means 8 differs depending on the category in which the operation data is classified by the data classification means 6.
  • the classification result (learning category) of the driving data learned from the offline data (driving data, evaluation index, qualitative data) has the relationship shown in FIG. 11, new driving data (used in the learning category). If the non-driving data) is classified into any of the learning categories of category numbers 1 to 8, the evaluation index and qualitative data associated with the learning category can be estimated.
  • the unlearned data estimation means 8 when the learning category classified by the data classification means 6 includes the estimated estimation category, the evaluation index and the qualitative data associated with the classified learning category are displayed. Output as an estimated value.
  • the new driving data is not classified into any learning category and is classified into the new category number 9, since there is no evaluation index and qualitative data associated with the category number 9, the evaluation index and qualitative data are used. It cannot be estimated.
  • the unlearned data estimation means 8 uses the evaluation value and qualitative data of the learning category in the vicinity of the new category to obtain the evaluation index and qualitativeness of the new category. Estimate the data.
  • the representative value (estimated value) Z V (J + 1) of the evaluation index of the new (estimated) category (J + 1 ) is calculated by the equations (5) and (6).
  • d j is the distance from the new category (J + 1) to each learning category j in the same multidimensional space as the dimension of the driving data
  • f (x) is a function that decreases as x increases.
  • f (x) 1 / x (7) That is, the representative value of the evaluation index of the new category (J + 1) is obtained from the weighted average of the learning category at the time of learning. Then, the coefficient becomes a value inversely proportional to the distance. With this algorithm, the estimated value (representative value) of the evaluation index can be obtained even in a new category. Note that f (x) is not limited to the equation (7).
  • the value (estimated value) Z M (J + 1) of the qualitative data of the new (estimated) category (J + 1) has a probability P (estimated value) that the estimated value is Z M (J + 1) because the qualitative data is not a numerical value.
  • Z M (J + 1) ) is also calculated.
  • the number of categories in which the type of qualitative data is k (k 1,2, .. K) is Jk, and the probability P (k) is calculated by the equation (8).
  • f (x) uses the equation (7), and d j is the distance from the new category (J + 1) to each learning category j. Then, the coefficient becomes a value inversely proportional to the distance.
  • the value of the qualitative data of the new category (J + 1) is obtained from the weighted average of the frequency of the learning category at the time of learning. Then, this value is a probability that considers the distance from the new category (J + 1) to the frequency of the type k of the qualitative data.
  • the unlearned data estimation means 8 evaluates the new driving data associated with the category number 9 even if the new driving data is not classified into any of the learning categories and is classified into the new category number 9. Indicators and qualitative data can be estimated.
  • FIG. 15 is a schematic diagram showing unlearned data combined with a classification of two-dimensional operation data in consideration of qualitative data.
  • the representative value of the new driving data category is point A, it is close to learning category number 7 (abnormality B) and learning category number 8 (abnormality B), and then close to learning category number 1 (abnormality A). .. That is, in this case, the qualitative data is presumed to be abnormal B.
  • FIG. 16 is a graph showing the relationship between the category numbers classified by taking qualitative data into consideration and the evaluation index, together with the estimation results.
  • the coordinates on the three-dimensional graph are specified from the XY coordinates of the point A and the estimated value Z Vj of the evaluation index, and the estimated value Z M (J + 1) of the qualitative data and its probability are combined.
  • the XY coordinates of the point A were determined so that the coordinates of the representative values of the learning category on the XY plane were fixed and e (J + 1) in the equation (9 ) was minimized.
  • d' j is the distance on the XY plane from the representative value of the new category (J + 1) to the representative value of the learning category
  • d j is the representative value of the new category (J + 1) as described above.
  • the distance in multidimensional space to the representative value of the learning category As a result, the XY coordinates of the point A can be obtained without changing the XY coordinates of the representative value of the learning category.
  • all (J + 1) XY coordinates of the new category and the learning category may be obtained by the multidimensional scaling method.
  • the unlearned data estimation means 8 uses the weighted average of the evaluation indexes associated with the classified learning categories and the weighted average of the evaluation indexes associated with the classified learning categories when the learning categories classified by the data classification means 6 do not include the estimated estimation categories.
  • the weighted average of the frequency of the qualitative data is output as an estimated value.
  • the data classification means 6 classifies the operation data (measurement data) into categories by using the data clustering technique, and the classified categories and evaluation indexes ( By associating plant efficiency) and qualitative data (inspection data), the relationship between operation data and evaluation index and qualitative data is learned offline in advance, and newly obtained operation data based on the learned relationship. Estimate evaluation index (plant efficiency) and qualitative data (inspection data) for (measurement data).
  • classification result display means 7 displays the results learned by the data classification means 6 and the unlearned data estimation means 8 on a three-dimensional graph.
  • the state of the plant for example, the learning category classified based on the operation data
  • the qualitative information (qualitative data) of the plant obtained in advance offline is added.
  • newly obtained driving data can be visualized and used for driving guidance. Therefore, it can also be used for operation guidance when plant operation data is obtained in real time.
  • the present invention is not limited to the above-described embodiment, and includes various modifications.
  • the above-described embodiment is described in detail in order to explain the present invention in an easy-to-understand manner, and is not necessarily limited to those having all the configurations described.
  • a part of the configuration of one embodiment can be replaced with a part of the configuration of another embodiment, and the configuration of another embodiment can be added to the configuration of one embodiment.
  • Plant 2 Control device 3: Operation data database 4: Evaluation index database 5: Qualitative data database, 6: Data classification means, 7: Classification result display means, 8: Unlearned data estimation means

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本発明は、プラントの定性的な情報を加味して、プラントの状態と評価指標との関係を可視化し、運転ガイダンスに活用できるデータ分類装置を提供する。本発明のデータ分類装置は、プラントの運転データを格納する運転データデータベースと、プラントの評価指標を格納する評価指標データベースと、プラントに関する定性データを格納する定性データデータベースと、運転データを、データクラスタリング技術を使用して、カテゴリーに分類し、分類されたカテゴリーと評価指標及び定性データとを紐付けて、これらの関係を学習するデータ分類手段と、データ分類手段にて学習された結果を３次元グラフに表示する分類結果表示手段と、を有することを特徴とする。

Description

データ分類装置
　本発明は、温度、圧力、流量などの運転データを分類するデータ分類装置に関する。
　発電プラントや化学プラントなどには、プラントの監視や制御を目的として、温度計、圧力計、流量計などの多くのセンサーが設置されている。近年、これらのセンサーの計測データを活用し、プラントの運用効率やプラントで生産する製品の収率などを向上させたいという要求が高まっている。
　プラントの運用効率や製品の収率などの評価指標を向上させるためには、プラントの状態と評価指標との関係をモデル化する必要がある。
　こうした本技術分野の背景技術として、例えば、特開２０１８－４９３１４号公報（特許文献１）がある。この特許文献１には、運転データを類似度に応じたカテゴリーに分類するデータ分類部と、運転データの値からカテゴリーの評価指標を計算する評価指標計算部と、各カテゴリーに含まれる運転データから、カテゴリー毎に運転データの代表値を計算し、運転データの代表値の類似度に応じて、各カテゴリーの識別情報を２次元にマッピングし、そのカテゴリーの識別情報を第１の軸及び第２の軸からなる平面に表すと共に、評価指標計算部で求めたカテゴリーの評価指標を第３の軸に表した３次元の画像データを生成する分類結果表示処理部と、を備えるプラントデータ表示処理装置が記載されている（要約参照）。
特開２０１８－４９３１４号公報
　特許文献１には、プラントの状態と評価指標との関係を可視化することが記載されている。
　しかし、特許文献１には、評価指標の変動と連動して変化するものではない、プラントの定性的な情報を加味して、プラントの状態と評価指標との関係を可視化することについては記載されていない。
　そこで、本発明は、プラントの定性的な情報を加味して、プラントの状態と評価指標との関係を可視化し、運転ガイダンスに活用できるデータ分類装置を提供する。
　上記課題を解決するため、本発明のデータ分類装置は、プラントの運転データを格納する運転データデータベースと、プラントの評価指標を格納する評価指標データベースと、プラントに関する定性データを格納する定性データデータベースと、運転データを、データクラスタリング技術を使用して、カテゴリーに分類し、分類されたカテゴリーと評価指標及び定性データとを紐付けて、これらの関係を学習するデータ分類手段と、データ分類手段にて学習された結果を３次元グラフに表示する分類結果表示手段と、を有することを特徴とする。
　本発明によれば、プラントの定性的な情報を加味して、プラントの状態と評価指標との関係を可視化し、運転ガイダンスに活用できるデータ分類装置を提供することができる。
　なお、上記した以外の課題、構成及び効果は、下記の実施例の説明により明らかにされる。
特許文献１に記載されたカテゴリー番号と評価指標との関係を示すグラフである。 本実施例に記載するデータ分類装置を示す説明図である。 本実施例に記載するカテゴリー番号と評価指標との関係を示すグラフである。 本実施例に記載するプラントの系統図である。 運転データデータベースに格納される運転データを示す説明図である。 評価指標データベースに格納される評価指標を示す説明図である。 定性データデータベースに格納される定性データを示す説明図である。 時系列データに変換された定性データを示す説明図である。 適応共鳴理論（ＡＲＴ）を使用する運転データの分類方法を示す説明図である。 ＡＲＴにて２次元の運転データを分類した場合の模式図である。 定性データを加味して２次元の運転データを分類した場合の模式図である。 データ分類アルゴリズムを示すフローチャートである。 定性データを加味して分類されたカテゴリー番号と評価指標との関係を示すグラフである。 実施例２に記載するデータ分類装置を示す説明図である。 定性データを加味して２次元の運転データを分類したものに、未学習データを合わせて示す模式図である。 定性データを加味して分類されたカテゴリー番号と評価指標との関係に、推定結果を合わせて示すグラフである。
　以下、本発明の実施例を、図面を使用して説明する。なお、同一又は類似の構成には同一の符号を付し、説明が重複する場合には、その説明を省略する場合がある。
　まず、本発明の実施例を説明する前に、特許文献１に記載されたグラフについて説明する。
　図１は、特許文献１に記載されたカテゴリー番号と評価指標との関係を示すグラフである。
　このグラフのＺ軸は、評価指標であり、グラフ上に表示された番号は、カテゴリー番号を示す。図１では、カテゴリー番号１の場合に評価指標が高く、カテゴリー番号３、５、８の場合に評価指標が低いことを示す。また、ＸＹ平面上の位置は、カテゴリー番号の間の位置関係を示すため、例えば、カテゴリー番号５はカテゴリー番号８に近く、カテゴリー番号１やカテゴリー番号７はカテゴリー番号８に遠いことが視覚的に確認される。
　このため、これらの情報を使用することにより、例えば、現在のプラントの状態がカテゴリー番号３であった場合、評価指標が高く、かつ、位置が近いカテゴリー番号１をめざせば良いなどの、運転ガイダンスに活用できる。
　しかし、このように運転ガイダンスに活用する場合、例えば、評価指標が同じ程度に低くなった場合であっても、その原因は、原料の組成が変化した影響や機器の性能が劣化した影響など、プラントの定性的な影響も考えられる場合がある。このようなプラントの定性的な影響（情報）は、評価指標の変動と連動して変化するものではなく、このグラフに単純に情報を付加することができない。
　そこで、本実施例に記載するデータ分類装置は、こうしたプラントの定性的な影響（情報）を加味して、プラントの状態と評価指標との関係を可視化し、運転ガイダンスに活用するものである。
　図２は、本実施例に記載するデータ分類装置を示す説明図である。
　本実施例に記載するデータ分類装置は、運転データデータベース３、評価指標データベース４、定性データデータベース５、データ分類手段６、分類結果表示手段７を有する。
なお、以下「データベース」を「ＤＢ」と称して説明する。
　そして、本実施例に記載するデータ分類装置には、プラント１、制御装置２が接続される。さらに、データ分類装置、プラント１、制御装置２は、プラント制御システムを構成する。
　プラント１は、機器、機器を接続する配管、バルブなどを有する。また、プラント１の状態を監視及び制御するため、温度計、圧力計及び流量計などのセンサーが設置される。
　制御装置２は、プラント１に設置される温度計、圧力計及び流量計などのセンサーが計測する温度、圧力及び流量などの計測データを使用して、プラント１の状態を監視及び制御する。そして、これら計測データを使用して、バルブの開度などの操作量を決定し、プラント１を監視及び制御する。
　運転データＤＢ３には、プラント１から計測される温度、圧力及び流量などの計測データ、バルブの開度などの操作量データ、制御のための設定値データが、時系列データとして格納される。なお、以下「計測データ、操作量データ、設定値データ」を「運転データ」と称して説明する。そして、この運転データは、プラント１の状態を示す。つまり、運転データＤＢ３は、プラント１の運転データを格納する。
　評価指標ＤＢ４には、プラント１の性能評価を示す評価指標が格納される。本実施例では、プラント１の性能評価として、制御装置２にて求められるプラント１の運用効率（以下、「プラント効率」と称して説明する）が格納される。なお、このプラント効率（評価指標）は、運転データＤＢ３に格納される運転データから求めても良い。また、例えば、原料の組成や機器の性能などをオフライン分析し、その分析結果を評価指標として格納しても良い。
　定性データＤＢ５には、プラント１に関して、定性データ（数値にならないプラント１の定性的な情報）が格納される。本実施例では、定性データとして、プラント１の点検により取得される「バルブＡ不良」や「反応器Ｒ４劣化」などの情報（点検データ）が格納される。
　データ分類手段６は、運転データＤＢ３に格納される運転データ、評価指標ＤＢ４に格納されるプラント効率、定性データＤＢ６に格納される点検データの関係を学習する。具体的には、多次元の運転データを、データクラスタリング技術を使用してカテゴリーに分類し、分類されたカテゴリーと、プラント効率（評価指標）及び点検データ（定性データ）と、を紐付けて、これらの関係を学習する。
　分類結果表示手段７は、データ分類手段６にて分類した結果（学習された結果）を、３次元グラフにて表示する。
　図３は、本実施例に記載するカテゴリー番号と評価指標との関係を示すグラフである。
　この３次元グラフの各軸は、図１と同様であり、Ｚ軸が評価指標（本実施例ではプラント効率）であり、ＸＹ平面が運転データを分類したカテゴリーの位置関係を示す平面である。
　ただし、図１では、各カテゴリーの代表値には、凡例として、カテゴリー番号が表示されたが、本実施例では、カテゴリー番号に加え、「バルブＡ不良」や「反応器Ｒ４劣化」などの点検データ（定性データ）が表示される。なお、各カテゴリーの代表値とは、そのカテゴリーに含まれる運転データの平均値や加重平均（重心）である。
　つまり、本実施例で示した３次元グラフは、所定の軸（例えば、Ｚ軸）が、評価指標（プラント効率）を示し、他の２軸（例えば、ＸＹ平面）が、分類されたカテゴリーの代表値を示したグラフであり、プロットされた各点の凡例には、カテゴリー番号及びそのカテゴリー番号の定性データ（点検データ）が示される。
　このように、本実施例では、例えば、カテゴリー番号３、５、８の場合、プラント効率が低下しているという情報と共に、その原因となるプラント１の定性的な情報（「バルブＡ不良」や「反応器Ｒ４劣化」などの点検データ）も表示される。これにより、運転ガイダンスに有用な情報を可視化することができる。
　図４は、本実施例に記載するプラントの系統図である。
　この系統図は、例えば、系統図作成用ＣＡＤ（computer aided design）ソフトで作成される電子ファイルであり、系統図には、機器、機器を接続する配管、バルブ、温度計、圧力計及び流量計などのセンサー（計測機器）が記載される。
　系統図は、配管計装線図、又は、Ｐ＆ＩＤ（Piping & Instrument Flow Diagram）とも呼称される。系統図には、機器、機器を接続する配管、バルブ、計測機器などの情報が記載される。なお、図４において、計測機器にはＦ１、Ｐ１、Ｔ１などのタグが付されている。本実施例では、Ｆが流量計、Ｐが圧力計、Ｔが温度計を示す。また、Ｒは反応器を示す。なお、本実施例では、２８個の計測機器、４つの反応器（Ｒ１～Ｒ４）、３つのバルブ（Ａ～Ｃ）が設置されている。
　図５は、運転データデータベースに格納される運転データを示す説明図である。
　運転データＤＢ３に格納される運転データは、時刻毎の流量、圧力、温度の時系列データである。本実施例では、反応器Ｒ１の入口流量Ｔ１、反応器Ｒ１の入口圧力Ｐ１、反応器Ｒ１の入口流量Ｆ１など、プラント１の系統図（図４参照）の各部位（２８個の計測機器）にて計測される計測データ（運転データ）が、例えば、１分間隔で格納される。
　図６は、評価指標データベースに格納される評価指標を示す説明図である。
　評価指標ＤＢ４には、評価指標としてプラント１の性能評価を示すプラント効率が格納される。本実施例では、制御装置２にて求められる時刻毎（例えば、１分間隔）のプラント効率が時系列データとして格納される。なお、本実施例では、プラント効率と運転データとは別々に記録されるが、図５に示す運転データに、プラント効率が記録されても良い。
　図７は、定性データデータベースに格納される定性データを示す説明図である。
　定性データＤＢ５には、プラント１の定性的な情報として定性データが格納される。本実施例では、定性データとして、プラント１の点検により取得される「バルブＡ不良」や「反応器Ｒ４劣化」などの点検データが格納される。そして、本実施例では、点検によりバルブＡ不良や反応器Ｒ４劣化が確認された時刻（開始時刻）とその対策が終了した時刻（終了時刻）が格納される。
　ただし、データ分類手段６に、これら計測データ（運転データ）、プラント効率（評価指標）、点検データ（定性データ）を、入力する場合、点検データ（定性データ）を、図５に示す計測データ（運転データ）や図６に示すプラント効率（評価指標）のように、時刻毎のデータフォーマットに変換する必要がある。このため、この点検データ（定性データ）を時系列データに変換する。
　図８は、時系列データに変換された定性データを示す説明図である。
　本実施例では、例えば、「バルブＡ不良」の場合については、2018/3/10　10：01：00～2018/3/10　15：15：00は「バルブＡ不良」が格納され、2018/3/10　15：16：00～2018/4/1　20：00：00は「正常」が格納される。このように、点検データ（定性データ）も、計測データ（運転データ）やプラント効率（評価指標）と同様に、これらと同一の時刻毎（例えば、１分間隔）の時系列データとして格納される。
　なお、本実施例では、定性データとして点検データを使用するが、原料の生産地など、原料の組成を表す情報を定性データとして使用しても良い。
　次に、データ分類手段６について説明する。データ分類手段６では、教師データを有する学習型のデータクラスタリング技術を使用して、多次元の運転データとプラント効率及び点検データとの関係を学習する。この学習アルゴリズムを説明する前に、前提となるデータクラスタリング技術について説明する。
　本実施例では、データクラスタリング技術として、教師なし学習の１つである適応共鳴理論（Adaptive Resonance　Theory：ＡＲＴ）を使用する。なお、データクラスタリング技術として、ＡＲＴに限定されるものではなく、他のデータクラスタリング技術を使用しても良い。
　ＡＲＴは、人間のパターン認識アルゴリズムを模擬したモデルであり、多次元のデータをその類似度に基づいて、複数のカテゴリーに分類することができる。ＡＲＴの構成については、公知であるため説明を割愛し、ＡＲＴを使用するデータの分類方法について説明する。
　図９は、適応共鳴理論（ＡＲＴ）を使用する運転データの分類方法を示す説明図である。
　図９上図は、横軸に時刻、縦軸に運転データを示す。また、図９下図は、横軸に時刻、縦軸にカテゴリー番号（プラント１の状態）を示す。
　一般に、ＡＲＴに入力する運転データは、４次元以上のデータであるが、ここでは、データを単純化し、図９上図に示す２次元の時系列データ（データ１及びデータ２）を分類する場合について説明する。この時刻毎の運転データは、データ１及びデータ２の２次元の時系列データ（入力データ）となる。なお、ここでは、説明の都合上、図９上図には、データ１及びデータ２の２つ運転データが記載されているが、本実施例では、２８個の計測機器にて計測される計測データ（運転データ）を有するため、データ１～データ２８の運転データが記載されることになる。つまり、２８個の運転データ（２８個の計測機器が計測する計測データ（運転データ）に対応）が、入力データとして、ＡＲＴに入力される。
　この２次元の時系列データ（運転データ）を、データ分類手段６としてのＡＲＴに入力すると、例えば、データ１の値が大きく、かつ、データ２の値が小さい領域１のデータは、あるカテゴリー（カテゴリー１）に分類される（図９下図参照）。また、領域２のデータは、領域１のデータと、データ１とデータ２との関係が異なるため、別のカテゴリー（カテゴリー２）に分類される（図９下図参照）。同様に、領域３のデータ、領域４のデータは、それぞれ別のカテゴリーに分類される。
　このように、ＡＲＴは、入力データを類似度に基づいて、時系列に、複数のカテゴリーに分類する。なお、本実施例では、カテゴリーの分類に際して、カテゴリー番号（数字）を使用するが、番号（数字）に限定されるものではない。なお、図９下図における「〇」は、各カテゴリーにおける時刻毎（例えば、１分間隔）のプラント１の状態を示す。
　ただし、ＡＲＴは、教師なし学習型のアルゴリズムであるため、運転データ、評価指標、定性データのこれら３つ関係を学習することは困難である。
　そこで、本実施例では、更に、教師あり学習型のアルゴリズムを使用する。本実施例で使用する学習アルゴリズムを示す前に、学習アルゴリズムの考え方について、図１０及び図１１を使用して説明する。
　図１０は、ＡＲＴにて２次元の運転データを分類した場合の模式図である。
　図１０においては、各点が運転データを示し、運転データの色の濃淡が評価指標を示す。色が濃い程、評価指標（プラント効率）が低く、色が淡い程、評価指標（プラント効率）が高いことを示す。
　図１０では、運転データが４つのカテゴリーに分類される。ただし、各カテゴリーに分類された運転データには、評価指標が高いものと評価指標が低いものとが混在しており、カテゴリーと評価指標との対応付けをすることができない。また、カテゴリー番号１に含まれる運転データには、異常Ａのデータと異常Ｂのデータとが含まれており、カテゴリーと定性データ（点検データ）との対応付けをすることができない。なお、ここで「異常Ａ」や「異常Ｂ」は、点検データの種類であり、「バルブＡ不良」や「反応器Ｒ４劣化」などを示すものである。
　そこで、本実施例では、カテゴリーの範囲（大きさ：後述の警戒係数で調整）を小さくし、１つのカテゴリーに含まれる運転データを少なくし、評価指標の範囲（後述のバラつき度）を一定値以下とし、ある定性データの割合（後述のマッチング度）を一定値以上とするように分類する。なお、「評価指標の範囲を一定値以下とする」とは、評価指標の範囲を一定の割合以下とすることであり、「ある定性データの割合を一定値以上」とは、例えば、あるカテゴリーに含まれる異常Ａ（例えば、最も割合が高い異常）の割合を一定値以上とすることである。
　つまり、本実施例では、データ分類手段６は、各カテゴリーに分類された運転データに紐付く定性データのうち、最も割合が高い定性データの割合を一定値以上とし、各カテゴリーに分類された運転データに紐付く評価指標の範囲を一定値以下とするように、分類する。
　図１１は、定性データを加味して２次元の運転データを分類した場合の模式図である。
　図１１においても、各点が運転データを示し、運転データの色の濃淡が評価指標を示す。色が濃い程、評価指標（プラント効率）が低く、色が淡い程、評価指標（プラント効率）が高いことを示す。
　図１１では、運転データが８つのカテゴリーに分類される。図１１に示す１つのカテゴリーに含まれる運転データは、図１０に示す１つのカテゴリーに含まれる運転データよりも少なくなっている。その結果、各カテゴリーに分類される運転データの評価指標のバラつきは小さくなる。例えば、図１０のカテゴリー番号１には、評価指標が低いものから高いものまで混在しているが、図１１では、図１０のカテゴリー番号１に含まれる運転データが、カテゴリー番号１、２、８の３つのカテゴリーに分類され、カテゴリー番号１が、評価指標が比較的低いカテゴリー、カテゴリー番号２が、評価指標が中程度のカテゴリー、カテゴリー番号８が、評価指標が比較的高いカテゴリーとなっている。
　また、図１０のカテゴリー番号１には、異常Ａのデータと異常Ｂのデータとが混在しているが、図１１では、図１０のカテゴリー番号１に含まれる運転データが、カテゴリー番号１、２、８の３つのカテゴリーに分類されるため、カテゴリー番号１には、異常Ａの運転データのみが含まれ、カテゴリー番号８には、異常Ｂの運転データのみが含まれる。これにより、例えば、カテゴリー番号１に分類される運転データは「評価指標が低く、異常Ａであった運転データ」のように、運転データと評価指標及び定性データとを紐付けることができる。つまり、運転データ、評価指標、定性データの関係を学習することができることになる。
　ここで、このような分類を可能とするデータ分類アルゴリズムの詳細を説明する。
　図１２は、データ分類アルゴリズムを示すフローチャートである。
　ステップ１では、運転データＤＢ３、評価指標ＤＢ４、定性データＤＢ５から、運転データ、評価指標、定性データを読み込む。これらのデータは、図５、図６、図８に示したように時刻毎の時系列データであるため、ある時刻の運転データと評価指標及び定性データとの関係が示される。
　ステップ２では、各カテゴリー（ｊとする）の警戒係数ｐｊを設定する。ここで、警戒係数ｐｊは、カテゴリーの範囲を決定するパラメータであり、０～１の間の値をとる。１に近ければ近いほど、カテゴリーの範囲は小さくなり、０に近ければ近いほど、カテゴリーの範囲は大きくなる。本実施例では、カテゴリーｊ毎に警戒係数ｐｊを設定し、カテゴリーｊの範囲を調整する。なお、警戒係数ｐｊは、オペレータが初期値として設定する。
　ステップ３では、ステップ２にて設定される警戒係数ｐｊを使用し、図９に示すＡＲＴ（データクラスタリング技術）を使用して、運転データを各カテゴリーに分類する。
　ステップ４では、各カテゴリーに分類された運転データについて、定性データのマッチング度、及び／又は、評価指標のバラつき度を計算する。
　カテゴリーｊにおける定性データのマッチング度Mjは、式（１）で定義され、式（１）から求められる。
　　　Mj＝Nm／Nj　　（１）
　ここで、Nmは、運転データ（Nj）中で、最も多数の（最も割合が高い）定性データの数、Njは、カテゴリーｊの運転データ数である。
　例えば、カテゴリーｊに分類される運転データ数が１００（Nj）であり、この内、異常Ａであった運転データ数が７０（Nm）、正常であった運転データ数が２５、異常Ｂであった運転データ数が５であった場合、最も割合が高い定性データは、異常Ａであるため、定性データの数は７０となり、定性データのマッチング度Mjは０．７となる。
　また、評価指標のバラつき度Vjは、評価指標をＺとすると、評価指標のバラつき度Vjは、カテゴリーjに分類される評価指標Ｚの最大値－最小値（以下、「レンジ」と称して説明する）から求められる。
　例えば、カテゴリーｊに分類される運転データの評価指標（プラント効率）Ｚの最大値を0.954、評価指標（プラント効率）Ｚの最小値を0.941とすると、評価指標のバラつき度Vjは0.013となる。
　ステップ５では、カテゴリーj毎にステップ４で求められるMj及びVjと、設定される閾値（設定値）と、を比較し、条件を満足するか否かを判定する。
　具体的には、定性データのマッチング度の設定値をMsetとすると、定性データのマッチング度Mjが設定値Msetよりも大きい場合には、マッチング度が高いため、条件を満足すると判定する。また、評価指標のバラつき度の設定値をVsetとすると、評価指標のバラつき度Vjが設定値Vsetよりも小さい場合には、バラつき度が低いため、条件を満足すると判定する。
　ここで、設定値Msetは、ある定性データの割合を決定する「一定値」であり、設定値Vsetは、評価指標の範囲を決定する「一定値」である。なお、設定値Msetや設定値Vsetは、オペレータがグラフの使用目的に応じて予め設定する。
　マッチング度及びバラつき度の両方の条件を満足する場合（YES）は、図１１に示す状態であり、カテゴリー（運転データ）と評価指標及び定性データとの関係が学習できているため、ステップ８に進む。
　一方、マッチング度及びバラつき度のいずれか一方の条件が満足しない場合（NO）は、図１０に示す状態であるため、警戒係数ｐｊを変更する必要があり、ステップ６に進む。
　ステップ６では、警戒係数ｐｊを変更するため、警戒係数ｐｊの変更量を計算する。
　ここでは、変更前の警戒係数ｐｊをｐｊ(k)、変更後の警戒係数ｐｊをｐｊ(k+1)とする。本実施例では、式（２）～式（４）を使用して、ｐｊ(k+1)を求める。
　　　ｐｊ(k+1)　＝　max(ｐVｊ・ｐMｊ)　　（２）
Figure JPOXMLDOC01-appb-M000001
Figure JPOXMLDOC01-appb-M000002
　すなわち、評価指標のバラつき度から決定されるｐVｊと定性データのマッチング度から決定されるｐMｊとを求め、これらの大きい方をｐｊ(k+1)とし、変更後の警戒係数ｐｊとする。つまり、ｐVｊやｐMｊは、それぞれの設定値からの「ずれ」の程度に応じて求めた警戒係数の更新値を示すものである。
　なお、式（３）では、ｐの最大値をｐmaxとし、評価指標のバラつき度がより大きいほど、ｐVｊは、ｐmaxに近い値となる。なお、aVは、その調整係数である。
　同様に、式（４）では、ｐの最大値をｐmaxとし、定性データのマッチング度が小さいほど、ｐMｊは、ｐmaxに近い値となる。なお、aMは、その調整係数である。
　ステップ７では、ステップ６で求められるｐｊを使用して、警戒係数ｐｊを変更する。
　このようにデータ分類手段６は、カテゴリーの警戒係数ｐｊ、定性データのマッチング度Mj、評価指標のバラつき度Vjを求める。
　そして、ステップ３に戻り、ステップ３では、ステップ７にて変更される警戒係数ｐｊを使用し、運転データを各カテゴリーに分類する。
　以上のステップを繰り返すことにより、多次元の運転データと評価指標及び定性データとの関係を学習することができる。なお、本実施例では、評価指標のバラつき度として、レンジを使用するが、標準偏差や分散などを使用しても良い。
　最後に、分類結果表示手段７について説明する。分類結果表示手段７では、データ分類手段６にて分類された結果を３次元グラフで表示（出力）する。
　このように本実施例によれば、運転データと、評価指標及び定性データとの関係を同時に学習し、これらの関係を可視化することができるため、評価指標と定性データとの両方を考慮した運転ガイダンスを提供することができる。
　図１３は、定性データを加味して分類されたカテゴリー番号と評価指標との関係を示すグラフである。図１３は、図１１に示す分類結果を３次元グラフで示すものである。
　３次元グラフのＺ軸が評価指標（プラント効率）であり、ＸＹ平面が運転データを分類したカテゴリーの位置関係を示す平面である。
　なお、一般に、運転データは３次元以上であり、その場合、カテゴリーの位置関係を厳密にＸＹ平面上に再現することはできない。本実施例では、多次元尺度法により、３次元以上のデータの位置関係を疑似的に２次元のＸＹ平面上に表現した。
　なお、図１１の例では、説明を簡単にするため、運転データは２次元とし、各カテゴリーの位置関係は２次元で示されている。そのため、２次元で示されている図１１の各カテゴリーの位置関係は、厳密に図１３のＸＹ平面に示されている。
　また、凡例には、カテゴリー番号１～８に加え、「異常Ａ」や「正常」のような点検データも表示される。このように、各カテゴリー番号に対応する評価指標（プラント効率）、定性データ（点検データ）が表示されることにより、プラント１の状態が、より明確に可視化され、より明確な運転ガイダンスに活用することができる。
　なお、本実施例では、分類結果表示手段７では、評価指標をＺ軸とする３次元グラフを使用して、運転データと評価指標との関係を表示したが、評価指標の値に基づいてプロットする点の色を変更した２次元グラフを使用しても良い。また、運転データの次元数が３次元以上であった場合、カテゴリーの位置関係を３次元グラフで表現し、評価指標の値に基づいてプロットする点の色を変更しても良い。
　このように、本実施例によれば、プラントの定性的な情報（定性データ）を加味して、プラントの状態（例えば、運転データに基づいて分類されるカテゴリー）と評価指標との関係を可視化し、運転ガイダンスに活用することができる。
　実施例１では、予め取得した運転データと、評価指標及び定性データの関係を学習、可視化して運転ガイダンスに活用する例を示したが、本実施例では、運転データのみが入手でき、評価指標や定性データが不明な場合の例を示す。
　つまり、本実施例に記載するデータ分類装置は、予めオフラインにて、運転データと評価指標及び定性データとの関係を学習することにより、新たに入手される運転データに対して、評価指標や定性データを推定するものである。
　図１４は、実施例２に記載するデータ分類装置を示す説明図である。
　本実施例に記載するデータ分類装置は、実施例１に記載するデータ分類装置に、未学習データ推定手段８が加えられるものである。
　本実施例は、オフラインにて、運転データと評価指標及び定性データとの関係を学習、可視化するステップと、未学習データ推定手段８により、新たに入手した運転データから性能指標と定性データを推定するステップの２つのステップからなる。前者は、実施例１に記載した通りであるため、ここでは、説明を割愛する。以下に、後者の未学習データ推定手段８について説明する。
　未学習データ推定手段８の処理は、データ分類手段６により運転データが分類されたカテゴリーにより異なる。
　まず、入手される運転データが、学習された際に分類されたカテゴリーの、いずれかのカテゴリーに分類された場合について説明する。
　例えば、オフラインのデータ（運転データ、評価指標、定性データ）から学習された運転データの分類結果（学習カテゴリー）が、図１１に示す関係を有する場合、新たな運転データ（学習カテゴリーに使用されていない運転データ）が、カテゴリー番号１～８のいずれかの学習カテゴリーに分類されれば、その学習カテゴリーに紐付く評価指標及び定性データを推定することができる。
　つまり、未学習データ推定手段８では、データ分類手段６にて分類された学習カテゴリーに、推定された推定カテゴリーが含まれる場合には、分類された学習カテゴリーに紐づく評価指標及び定性データを、推定値として出力する。
　次に、新たな運転データが学習カテゴリーにはない、新たなカテゴリーに分類された場合について説明する。
　例えば、新たな運転データが、いずれの学習カテゴリーにも分類されず、新たなカテゴリー番号９に分類される場合、カテゴリー番号９に紐付く評価指標及び定性データがないため、評価指標及び定性データを推定することはできない。
　そこで、未学習データ推定手段８は、新たな運転データが、いずれの学習カテゴリーにも分類されない場合に、新規カテゴリーの近傍にある学習カテゴリーの評価値および定性データから、新規カテゴリーの評価指標及び定性データを推定する。
　以下に、具体的なアルゴリズムについて説明する。学習された際に分類されたカテゴリー数をJとし、学習カテゴリーj（j=1,2,..,J）の運転データの代表値（運転データの平均値）をxj、評価指標の代表値をZVj、定性データの値をZMjとする。
　新規（推定）カテゴリー（J＋１）の評価指標の代表値（推定値）ZV(J+1)は、式（５）及び（６）にて計算される。
Figure JPOXMLDOC01-appb-M000003
Figure JPOXMLDOC01-appb-M000004
　なお、djは、運転データの次元と同じ多次元空間上での新規カテゴリー（J＋１）から各学習カテゴリーjまでの距離であり、f(x)は、ｘが増加するに従い、減少する関数であり、本実施例では、式（７）を利用する。
　　　f(x) = １／ｘ　　（７）
　つまり、新規カテゴリー（J＋１）の評価指標の代表値は、学習された際の学習カテゴリーの加重平均から求められる。そして、その係数は距離に反比例した値となる。このアルゴリズムにより、新規カテゴリーであっても評価指標の推定値（代表値）を求めることができる。なお、f(x)は、式（７）に限定されるものではない。
　また、新規（推定）カテゴリー（J＋１）の定性データの値（推定値）ZM(J+1)は、定性データが数値でないため、推定値がZM(J+1)となる確率P(ZM(J+1))も求める。本実施例では、定性データの種類がk（k = 1,2,..K）であるカテゴリー数をJkとし、確率P(k)を式（８）にて計算する。
Figure JPOXMLDOC01-appb-M000005
　ここで、f(x)は、式（７）を使用し、djは、新規カテゴリー（J＋１）から各学習カテゴリーjまでの距離である。そして、係数は距離に反比例した値となる。
　つまり、新規カテゴリー（J＋１）の定性データの値は、学習された際の学習カテゴリーの頻度の加重平均から求められる。そして、この値は、定性データの種類ｋの頻度に、新規カテゴリー（J＋１）からの距離を考慮した確率となる。
　このように、未学習データ推定手段８は、新たな運転データが、いずれの学習カテゴリーにも分類されず、新たなカテゴリー番号９に分類される場合であっても、カテゴリー番号９に紐付く評価指標及び定性データを推定することができる。
　図１５は、定性データを加味して２次元の運転データを分類したものに、未学習データを合わせて示す模式図である。
　例えば、新たな運転データのカテゴリーの代表値が、点Ａの場合、学習カテゴリー番号７（異常B）及び学習カテゴリー番号８（異常B）に近く、次に学習カテゴリー番号１（異常A）に近い。つまり、この場合は、定性データは異常Bと推定される。
　図１６は、定性データを加味して分類されたカテゴリー番号と評価指標との関係に、推定結果を合わせて示すグラフである。
　図１６に示すように、点ＡのＸＹ座標と評価指標の推定値ZVjとから、３次元グラフ上の座標を特定し、合わせて定性データの推定値ZM(J+1)とその確率P(ZM(J+1))を表示する。
　このように、新たな運転データが、いずれの学習カテゴリーにも分類されず、新たなカテゴリー番号９に分類される場合であっても、評価指標及び定性データを推定し、可視化することができる。
　なお、点ＡのＸＹ座標は、学習カテゴリーの代表値のＸＹ平面上の座標は固定し、式（９）のe(J+1)が最小となるように求めた。
Figure JPOXMLDOC01-appb-M000006
　ここで、d’jは、新規カテゴリー（J＋１）の代表値から学習カテゴリーの代表値までのＸＹ平面上での距離であり、djは、前述したとおり、新規カテゴリー（J＋１）の代表値から学習カテゴリーの代表値までの多次元空間上での距離である。これにより、学習カテゴリーの代表値のＸＹ座標が変化することなく、点ＡのＸＹ座標を求めることができる。
　なお、本実施例では、新規カテゴリーが１つ発生した場合について説明したが、複数の運転データを分類し、複数の新規カテゴリーが発生した場合の処理についても、同様にして、学習カテゴリーの代表値のＸＹ座標が変化しないように求めることができる。
　また、学習カテゴリーの代表値のＸＹ座標が変化しても良い場合は、新規カテゴリーと学習カテゴリーを合わせた（J＋１）個のＸＹ座標の全てを多次元尺度法で求めても良い。
　このように未学習データ推定手段８は、データ分類手段６にて分類された学習カテゴリーに、推定された推定カテゴリーが含まれない場合に、分類された学習カテゴリーに紐づく評価指標の加重平均及び定性データの頻度の加重平均を、推定値として出力する。
　つまり、本実施例に記載するデータ分類装置は、特に、データ分類手段６が、運転データ（計測データ）を、データクラスタリング技術を使用して、カテゴリーに分類し、分類されたカテゴリーと評価指標（プラント効率）及び定性データ（点検データ）とを紐付けて、予めオフラインにて、運転データと評価指標及び定性データとの関係を学習し、学習した関係に基づいて、新たに入手される運転データ（計測データ）に対して、評価指標（プラント効率）や定性データ（点検データ）を推定する。
　さらに、分類結果表示手段７は、データ分類手段６及び未学習データ推定手段８にて学習された結果を３次元グラフに表示する。
　このように、本実施例によれば、予めオフラインにて入手されたプラントの定性的な情報（定性データ）が加味された、プラントの状態（例えば、運転データに基づいて分類される学習カテゴリー）と評価指標との関係に基づいて、新たに入手される運転データを可視化し、運転ガイダンスに活用することができる。したがって、リアルタイムにプラントの運転データが入手された場合の運転ガイダンスにも活用可能である。
　なお、本発明は、上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は、本発明を分かりやすく説明するために詳細に記載したものであり、必ずしも説明した全ての構成を有するものに限定されるものではない。また、一つの実施例の構成の一部を他の実施例の構成の一部に置き換えることができ、また、一つの実施例の構成に他の実施例の構成を加えることもできる。
１：プラント、２：制御装置、３：運転データデータベース、４：評価指標データベース、５：定性データデータベース、６：データ分類手段、７：分類結果表示手段、８：未学習データ推定手段

Claims (11)

  1. 　プラントの運転データを格納する運転データデータベースと、
    　前記プラントの評価指標を格納する評価指標データベースと、
    　前記プラントに関する定性データを格納する定性データデータベースと、
    　前記運転データを、データクラスタリング技術を使用して、カテゴリーに分類し、分類されたカテゴリーと前記評価指標及び前記定性データとを紐付けて、これらの関係を学習するデータ分類手段と、
    　前記データ分類手段にて学習された結果をグラフに表示する分類結果表示手段と、を有することを特徴とするデータ分類装置。
  2. 　前記グラフは、所定の軸に、前記評価指標が示され、他の２軸に、分類されたカテゴリーの代表値の位置関係を示す３次元グラフであり、カテゴリー番号及び前記カテゴリー番号の定性データが示されることを特徴とする請求項１に記載のデータ分類装置。
  3. 　前記グラフは、分類されたカテゴリーの代表値の位置関係を示し、かつ、評価指標の値に基づいてプロットされた点の色を変更した２次元グラフまたは３次元グラフであり、カテゴリー番号及び前記カテゴリー番号の定性データが示されることを特徴とする請求項１に記載のデータ分類装置。
  4. 　前記定性データは、前記運転データ及び前記評価指標と同一の時刻毎の時系列データとして、格納されることを特徴とする請求項１に記載のデータ分類装置。
  5. 　前記データクラスタリング技術が、適応共鳴理論であることを特徴とする請求項１に記載のデータ分類装置。
  6. 　前記データ分類手段は、各カテゴリーに分類された運転データに紐付く定性データのうち、最も割合が高い定性データの割合を一定値以上とし、各カテゴリーに分類された運転データに紐付く評価指標の範囲を一定値以下とするように、分類することを特徴とする請求項１に記載のデータ分類装置。
  7. 　前記データ分類手段は、カテゴリーの警戒係数、定性データのマッチング度、評価指標のバラつき度を求めることを特徴とする請求項１に記載のデータ分類装置。
  8. 　プラントの運転データを格納する運転データデータベースと、
    　前記プラントの評価指標を格納する評価指標データベースと、
    　前記プラントに関する定性データを格納する定性データデータベースと、
    　前記運転データを、データクラスタリング技術を使用して、カテゴリーに分類し、分類されたカテゴリーと前記評価指標及び前記定性データとを紐付けて、予めオフラインにて、運転データと評価指標及び定性データとの関係を学習するデータ分類手段と、
    　予めオフラインにて、学習された運転データと評価指標及び定性データとの関係に基づいて、新たに入手される運転データから、評価指標や定性データを推定する未学習データ推定手段と、
    　前記データ分類手段及び前記未学習データ推定手段にて学習された結果をグラフに表示する分類結果表示手段と、を有することを特徴とするデータ分類装置。
  9. 　前記未学習データ推定手段は、リアルタイムに入手される運転データのカテゴリーを推定することを特徴とする請求項８に記載のデータ分類装置。
  10. 　前記未学習データ推定手段は、前記データ分類手段にて分類されたカテゴリーに、推定されたカテゴリーが含まれる場合には、分類されたカテゴリーに紐づく評価指標及び定性データを、推定値として出力することを特徴とする請求項９に記載のデータ分類装置。
  11. 　前記未学習データ推定手段は、前記データ分類手段にて分類されたカテゴリーに、推定されたカテゴリーが含まれない場合には、分類されたカテゴリーに紐づく評価指標の加重平均及び定性データの頻度の加重平均を、推定値として出力することを特徴とする請求項８に記載のデータ分類装置。
PCT/JP2019/039757 2019-03-12 2019-10-09 データ分類装置 WO2020183766A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201980088720.9A CN113287104A (zh) 2019-03-12 2019-10-09 数据分类装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-044476 2019-03-12
JP2019044476A JP7239354B2 (ja) 2019-03-12 2019-03-12 データ分類装置

Publications (1)

Publication Number Publication Date
WO2020183766A1 true WO2020183766A1 (ja) 2020-09-17

Family

ID=72427412

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/039757 WO2020183766A1 (ja) 2019-03-12 2019-10-09 データ分類装置

Country Status (3)

Country Link
JP (1) JP7239354B2 (ja)
CN (1) CN113287104A (ja)
WO (1) WO2020183766A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7094431B1 (ja) 2021-10-29 2022-07-01 西日本技術開発株式会社 プラント性能管理方法、プラント性能管理装置、及びプラント性能管理プログラム
JP7240564B1 (ja) * 2022-01-14 2023-03-15 中国電力株式会社 評価装置及び評価システム

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6976392B1 (ja) 2020-09-04 2021-12-08 住友化学株式会社 リチウム金属複合酸化物、リチウム二次電池用正極及びリチウム二次電池
JP7218338B2 (ja) * 2020-09-28 2023-02-06 横河電機株式会社 データ処理システム、データ処理方法、および、データ処理プログラム
WO2022113274A1 (ja) * 2020-11-27 2022-06-02 日本電信電話株式会社 時系列データ分析装置、時系列データ分析方法、及び時系列データ分析プログラム

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018051568A1 (ja) * 2016-09-15 2018-03-22 株式会社日立製作所 プラント異常診断装置及びプラント異常診断システム
JP2018049314A (ja) * 2016-09-20 2018-03-29 株式会社日立製作所 プラントデータ表示処理装置及びプラント制御システム

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3432612B2 (ja) * 1994-09-30 2003-08-04 バブコック日立株式会社 プラントの運転制御装置
JP5097739B2 (ja) * 2009-03-31 2012-12-12 株式会社日立製作所 プラントの異常診断装置及び異常診断方法
JP5251938B2 (ja) * 2010-08-31 2013-07-31 株式会社日立製作所 プラントの制御装置及び火力発電プラントの制御装置
JP5484591B2 (ja) * 2010-12-02 2014-05-07 株式会社日立製作所 プラントの診断装置及びプラントの診断方法
JP5337853B2 (ja) * 2011-09-12 2013-11-06 株式会社日立製作所 発電プラントの診断装置、及び発電プラントの診断方法
CN102881125B (zh) * 2012-09-25 2014-06-18 杭州立高科技有限公司 基于多信息融合集中处理平台的报警监控系统
JP6116466B2 (ja) * 2013-11-28 2017-04-19 株式会社日立製作所 プラントの診断装置及び診断方法
WO2015134665A1 (en) * 2014-03-04 2015-09-11 SignalSense, Inc. Classifying data with deep learning neural records incrementally refined through expert input
CN105511750B (zh) * 2014-09-26 2020-01-31 联想(北京)有限公司 一种切换方法及电子设备
KR101858121B1 (ko) * 2016-06-13 2018-05-15 두산중공업 주식회사 발전소 상태 판단 장치 및 방법
CN107025514A (zh) * 2016-12-27 2017-08-08 贵州电网有限责任公司电力科学研究院 一种动态评估变压器设备状态的评价方法及输变电设备
JP2018106432A (ja) * 2016-12-27 2018-07-05 株式会社日立製作所 オンライン監視装置、及びオンライン監視方法
JP6723944B2 (ja) 2017-03-08 2020-07-15 株式会社日立製作所 プラントデータ分類装置、プラントデータ表示処理装置及びプラント制御システム
JP6875179B2 (ja) * 2017-04-07 2021-05-19 株式会社日立製作所 システム分析装置、及びシステム分析方法
CN108665007B (zh) * 2018-05-22 2020-03-17 阿里巴巴集团控股有限公司 一种基于多分类器的推荐方法、装置及电子设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018051568A1 (ja) * 2016-09-15 2018-03-22 株式会社日立製作所 プラント異常診断装置及びプラント異常診断システム
JP2018049314A (ja) * 2016-09-20 2018-03-29 株式会社日立製作所 プラントデータ表示処理装置及びプラント制御システム

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7094431B1 (ja) 2021-10-29 2022-07-01 西日本技術開発株式会社 プラント性能管理方法、プラント性能管理装置、及びプラント性能管理プログラム
JP2023067203A (ja) * 2021-10-29 2023-05-16 西日本技術開発株式会社 プラント性能管理方法、プラント性能管理装置、及びプラント性能管理プログラム
JP7240564B1 (ja) * 2022-01-14 2023-03-15 中国電力株式会社 評価装置及び評価システム
WO2023135769A1 (ja) * 2022-01-14 2023-07-20 中国電力株式会社 評価装置及び評価システム

Also Published As

Publication number Publication date
JP7239354B2 (ja) 2023-03-14
CN113287104A (zh) 2021-08-20
JP2020149181A (ja) 2020-09-17

Similar Documents

Publication Publication Date Title
WO2020183766A1 (ja) データ分類装置
JP5946573B1 (ja) 異常予兆診断システム及び異常予兆診断方法
US7827006B2 (en) Heat exchanger fouling detection
JP5538597B2 (ja) 異常検知方法及び異常検知システム
US7853431B2 (en) On-line monitoring and diagnostics of a process using multivariate statistical analysis
JP6723944B2 (ja) プラントデータ分類装置、プラントデータ表示処理装置及びプラント制御システム
TW201717144A (zh) 監測製造裝置的方法、裝置、系統與非暫存電腦可讀儲存媒介
JP2007249997A (ja) 工業プロセスの監視方法及び監視システム
WO2022038804A1 (ja) 診断装置及びパラメータ調整方法
WO2021253550A1 (zh) 一种基于双核t分布随机近邻嵌入的过程监测可视化方法
EP4100808A1 (en) Industrial plant monitoring
WO2008042739A2 (en) On-line monitoring and diagnostics of a process using multivariate statistical analysis
JP7233258B2 (ja) 異常診断装置
JP2022092419A (ja) データ解析装置、方法およびシステム
JP7052914B1 (ja) 異常診断システム、異常診断装置、異常診断方法、及びプログラム
JP7502096B2 (ja) 解析装置、解析方法及びコンピュータプログラム
Wang et al. An intelligent process fault diagnosis system integrating Andrews plot, PCA and neural networks
Sheriff Novel Data-Based and Model-Based Algorithms for Process Monitoring and Equipment Degradation Tracking
Hori et al. Plant O&M Support System Based on Supervised Data-Clustering Technology
Nizamuddin Fault Diagnosis & Field Measurement Prediction Techniques for a Gas Metering System

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: 19919327

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19919327

Country of ref document: EP

Kind code of ref document: A1