WO2021251200A1 - プラント監視装置、プラント監視方法およびプログラム - Google Patents

プラント監視装置、プラント監視方法およびプログラム Download PDF

Info

Publication number
WO2021251200A1
WO2021251200A1 PCT/JP2021/020739 JP2021020739W WO2021251200A1 WO 2021251200 A1 WO2021251200 A1 WO 2021251200A1 JP 2021020739 W JP2021020739 W JP 2021020739W WO 2021251200 A1 WO2021251200 A1 WO 2021251200A1
Authority
WO
WIPO (PCT)
Prior art keywords
abnormality
value
plant
cause
sensor
Prior art date
Application number
PCT/JP2021/020739
Other languages
English (en)
French (fr)
Inventor
一郎 永野
真由美 斎藤
慶治 江口
邦明 青山
Original Assignee
三菱パワー株式会社
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 三菱パワー株式会社 filed Critical 三菱パワー株式会社
Priority to CN202180037578.2A priority Critical patent/CN115668085A/zh
Priority to DE112021003238.0T priority patent/DE112021003238T5/de
Priority to JP2022530478A priority patent/JP7399288B2/ja
Priority to US17/928,466 priority patent/US20230212980A1/en
Priority to KR1020227042070A priority patent/KR20230005951A/ko
Publication of WO2021251200A1 publication Critical patent/WO2021251200A1/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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D25/00—Component parts, details, or accessories, not provided for in, or of interest apart from, other groups
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
    • F02C7/00—Features, components parts, details or accessories, not provided for in, or of interest apart form groups F02C1/00 - F02C6/00; Air intakes for jet-propulsion plants
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0428—Safety, monitoring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2220/00—Application
    • F05D2220/30—Application in turbines
    • F05D2220/32—Application in turbines in gas turbines
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2260/00—Function
    • F05D2260/80—Diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2260/00—Function
    • F05D2260/83—Testing, e.g. methods, components or tools therefor
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/41—Servomotor, servo controller till figures
    • G05B2219/41108—Controlled parameter such as gas mass flow rate

Definitions

  • the present disclosure relates to a plant monitoring device, a plant monitoring method and a program for monitoring the operating state of a plant.
  • This monitoring device has a function of identifying the cause of an abnormality when it is determined to be an abnormality.
  • a unit space composed of multiple bundles of state quantities which is a collection of state quantities for each of a plurality of sensors, is prepared in advance, and when a bundle of state quantities is obtained from a plant, the unit space is used as a reference. Then, the maharanobis distance (hereinafter referred to as MD distance) of this bundle of state quantities is obtained, and whether the operating state of the plant is normal depending on whether or not this maharanobis distance is within a predetermined threshold. Judge whether or not.
  • MD distance maharanobis distance
  • the MT method by calculating the desired signal-to-noise ratio for each sensor based on the Mahalanobis distance, it is possible to identify the sensor with an increased Mahalanobis distance.
  • the Mahalanobis distance increases regardless of whether the sensor has a high value or a low value, so that it is not possible to distinguish between high and low value abnormalities.
  • the purpose of the present disclosure is to add information on the causes of abnormalities that are likely to occur and abnormalities that are unlikely to occur at high / low values, and to create a more reliable database for estimating the failure site and to estimate the cause of the abnormality. Is to provide.
  • the plant monitoring device has a unit space composed of an acquisition unit that acquires a bundle of detection values for each of a plurality of sensor values related to the plant and a bundle of detection values for each of the plurality of sensor values.
  • the operating state of the plant is normal depending on whether or not the Mahalanobis distance is within a predetermined threshold and the distance calculation unit that obtains the Mahalanobis distance of the bundle of the detected values acquired by the acquisition unit as a reference. It has a determination unit for determining whether the sensor value is present or abnormal, and a determination unit for determining whether the desired SN ratio is generated by a high value or a low value for each sensor value.
  • a failure site estimation database whether a specific cause of abnormality is likely to occur due to a high sensor value abnormality or a low value abnormality, and an abnormality cause is due to an abnormality with a high sensor value. It is realized by adding information about whether it is difficult to occur or it is difficult to occur due to a low value abnormality.
  • a specific cause of abnormality is it easy for a specific cause of abnormality to occur due to an abnormality of a high / low value of a sensor as a distinction between a high value / a low value abnormality of a desired signal-to-noise ratio and a failure site estimation database of the present invention?
  • the plant monitoring device sets the information of the event that is less likely to cause the cause due to the abnormality of the sensor to a negative value, so that the root cause of the failure is more reliable. It can be estimated well.
  • FIG. 1 is a diagram for explaining an outline of the plant monitoring device 20 according to the first embodiment.
  • the plant monitoring device 20 according to the present embodiment is a device for monitoring the operating state of the plant 1 having a plurality of evaluation items.
  • the plant monitoring device 20 acquires a detection value indicating a state quantity for each evaluation item from a detector provided in each part of the plant 1. Then, the plant monitoring device 20 uses the Mahalanobis Taguchi method to determine whether the operating state of the plant 1 is normal or abnormal based on the acquired detection value.
  • the plant 1 is a gas turbine combined power generation plant, which includes a gas turbine 10, a gas turbine generator 11, an exhaust heat recovery boiler 12, a steam turbine 13, a steam turbine generator 14, and a control device. 40 and.
  • the plant 1 may be a gas turbine power plant, a nuclear power plant, or a chemical plant.
  • the gas turbine 10 includes a compressor 101, a combustor 102, and a turbine 103.
  • the compressor 101 compresses the air taken in from the intake port.
  • the compressor 101 is provided with temperature sensors 101A and 101B as detectors for detecting the temperature inside the vehicle interior of the compressor 101, which is one of the evaluation items.
  • the temperature sensor 101A may detect the temperature at the inlet of the passenger compartment (inlet air temperature) of the compressor 101
  • the temperature sensor 101B may detect the temperature at the outlet of the passenger compartment (outlet air temperature).
  • the combustor 102 mixes the fuel F with the compressed air introduced from the compressor 101 and burns the fuel F to generate combustion gas.
  • the combustor 102 is provided with a pressure sensor 102A as a detector for detecting the pressure of the fuel F, which is one of the evaluation items.
  • the turbine 103 is rotationally driven by the combustion gas supplied from the combustor 102.
  • the turbine 103 is provided with temperature sensors 103A and 103B as detectors for detecting the temperature inside the vehicle interior, which is one of the evaluation items.
  • the temperature sensor 103A may detect the temperature at the inlet of the vehicle interior of the turbine 103 (inlet combustion gas temperature)
  • the temperature sensor 103B may detect the temperature at the outlet of the vehicle interior (outlet combustion gas temperature).
  • the gas turbine generator 11 is connected to the rotor of the turbine 103 via the compressor 101, and generates electricity by the rotation of the rotor.
  • the gas turbine generator 11 is provided with a thermometer 11A as a detector for detecting the temperature of the lubricating oil, which is one of the evaluation items.
  • the exhaust heat recovery boiler 12 heats water with the combustion gas (exhaust gas) discharged from the turbine 103 to generate steam.
  • the exhaust heat recovery boiler 12 is provided with a level meter 12A as a detector for detecting the water level of the drum, which is one of the evaluation items.
  • the steam turbine 13 is driven by steam from the exhaust heat recovery boiler 12.
  • the steam turbine 13 is provided with a temperature sensor 13A as a detector for detecting the temperature in the vehicle interior, which is one of the evaluation items. Further, the steam discharged from the steam turbine 13 is returned to water by the condenser 132 and sent to the exhaust heat recovery boiler 12 via the water supply pump.
  • the steam turbine generator 14 is connected to the rotor 131 of the steam turbine 13 and generates electricity by the rotation of the rotor 131.
  • the steam turbine generator 14 is provided with a thermometer 14A as a detector for detecting the temperature of the lubricating oil, which is one of the evaluation items.
  • evaluation items are examples, and are not limited to these.
  • evaluation items of the plant for example, the output of the gas turbine generator 11, the pressure in the vehicle interior of the turbine 103, the rotation speed of the rotor of the turbine 103 or the steam turbine 13, vibration, and the like may be set.
  • a detector (not shown) for detecting the state quantity of these evaluation items is provided in each part of the plant 1.
  • the control device 40 is a device for controlling the operation of the plant 1. Further, when the plant monitoring device 20 determines that the operating state of the plant 1 is abnormal, the control device 40 may control the operation of each part of the plant 1 according to the control signal from the plant monitoring device 20. ..
  • FIG. 2 is a schematic block diagram showing a functional configuration of the plant monitoring device 20 according to the first embodiment.
  • the plant monitoring device 20 includes a sensor value acquisition unit 201, a unit space storage unit 202, an MD distance calculation unit 203, a plant abnormality determination unit 204, a desired size SN ratio calculation unit 205, an abnormality sensor extraction unit 206, and a high value abnormality /. It includes a low value abnormality determination unit 207, a failure site estimation database 208, an abnormality cause estimation unit 209, and an abnormality cause output display unit 210.
  • the sensor value acquisition unit 201 acquires detection values from each of the plurality of detectors provided in the plant 1. Each detector corresponds to each of a plurality of evaluation items. That is, the sensor value acquisition unit 201 acquires a bundle of detection values, which is a collection of detection values for each of a plurality of evaluation items. The sensor value acquisition unit 201 acquires a bundle of detection values every predetermined acquisition cycle (for example, 1 minute) and records it in the unit space storage unit.
  • the unit space storage unit 202 stores a combination of bundles of detected values acquired from a normal plant as a unit space of Mahalanobis distance.
  • the MD distance calculation unit 203 calculates the Mahalanobis distance indicating the state of the plant 1 based on the unit space stored in the unit space storage unit 202, using the bundle of detection values acquired by the sensor value acquisition unit 201 as the specification. Mahalanobis distance is a measure of the magnitude of the difference between a reference sample expressed as a unit space and a newly obtained sample.
  • the presence / absence determination unit 204 of the plant abnormality determines whether or not an abnormality has occurred in the plant 1 based on the Mahalanobis distance calculated by the MD distance calculation unit 203. Specifically, the plant abnormality presence / absence determination unit 204 determines that an abnormality has occurred in the plant 1 when the Mahalanobis distance is equal to or greater than a predetermined threshold value.
  • the threshold value is usually set to a value of 3 or more.
  • the Nozomidai SN ratio calculation unit 205 determines that an abnormality has occurred in the gas turbine T, the presence / absence determination unit 204 of the plant has Taguchi based on the bundle of detection values acquired by the sensor value acquisition unit 201. Calculate the signal-to-noise ratio (Signal-Noise Ratio) related to the method. For example, the desired size SN ratio calculation unit 205 obtains the desired size SN ratio with or without items by orthogonal array analysis. It can be determined that the larger the desired signal-to-noise ratio is, the higher the possibility that the evaluation item related to the detected value is abnormal.
  • the abnormality sensor extraction unit 206 extracts at least one abnormality sensor, which is a sensor value having a high contribution to the increase in the Mahalanobis distance, based on the desired signal-to-noise ratio calculated by the signal-to-noise ratio calculation unit 205.
  • the abnormality sensor extraction unit 206 may, for example, extract a predetermined number of higher sensor values having a high desired signal-to-noise ratio among a plurality of sensor values as abnormality sensors. Further, for example, the abnormality sensor extraction unit 206 may extract a sensor value having a desired signal-to-noise ratio equal to or higher than a predetermined threshold value among a plurality of sensor values as an abnormality sensor.
  • the high value abnormality / low value abnormality determination unit 207 determines that the abnormality generated for each of the plurality of sensor values is a high value abnormality due to a high detection value of the sensor value or an abnormality due to a low detection value. Identify a low value anomaly. That is, the high value abnormality / low value abnormality determination unit 207 identifies whether the increase in the Mahalanobis distance is caused by an increase in the detected value or a decrease in the detected value. Specifically, the high value abnormality / low value abnormality determination unit 207 calculates the Mahalanobis distance when the value of the bundle of detection values acquired by the sensor value acquisition unit 201 is increased or decreased for each sensor value.
  • the failure site estimation database 208 creates a failure site estimation database that shows the relationship between the evaluation items, the cause of the abnormality, and whether it is a high-value abnormality or a low-value abnormality.
  • FIG. 3 is a diagram showing an example of a failure site estimation database according to the first embodiment. Specifically, in the failure site estimation database, when the cause of the abnormality occurs for each evaluation item (vertical axis in FIG. 3) and the cause of each abnormality (horizontal axis in FIG. 3) related to the high value abnormality and the low value abnormality. , Retain the amount of information about the associated anomalies in the endpoint.
  • I is the amount of information
  • x is the number of events that have occurred
  • w is the weighting coefficient based on the reliability of the data.
  • the weighting coefficient w when the cause of an abnormality actually occurs and the cause of the abnormality is identified based on the report or the like is the cause of the abnormality based on the FTA data (FT: Fault Tree) generated by the maintenance personnel. May be larger than the weighting factor w when is specified.
  • the weighting coefficient w when the cause of the abnormality is identified based on a method with higher accuracy than the report, such as offline analysis or simulation, is such that the cause of the abnormality actually occurs and the cause of the abnormality is based on the report or the like. May be larger than the weighting factor w when is specified.
  • the cause that is unlikely to occur when a sensor abnormality occurs is, for example, expressed by the following equation (2) and becomes a negative value.
  • the weight w used to calculate the amount of information related to the high-value anomaly or the low-value abnormality that has not actually occurred may be larger than the weight w used to calculate the amount of information related to the high-value anomaly or the low-value anomaly that actually occurred. ..
  • the abnormality cause estimation unit 209 generates a matrix of M * 2 rows and N columns from the failure site estimation database. (Here, the M * 2 part is doubled to distinguish between high and low value abnormalities.)
  • the failure site estimation database retains the amount of information associated with M evaluation items and high and low value abnormalities. ing. Therefore, the abnormality cause estimation unit 209 generates a matrix of M * 2 rows and N columns by reading the amount of information associated with the high value abnormality / low value abnormality determination unit 207 for each of the M evaluation items. do. Then, the abnormality cause estimation unit 209 performs an abnormality by multiplying the vector of 1 row M * 2 column whose element is the desired size SN ratio of each evaluation item and the generated matrix of M * 2 row N column.
  • the abnormality cause estimation unit 209 estimates that the abnormality cause related to the row having a large element value in the obtained N rows and 1 column vector is the abnormality cause generated in the plant 1. That is, the abnormality cause estimation unit 209 calculates the weighted sum of the desired signal-to-noise ratio of each evaluation item and the amount of information related to the abnormality of the item for each abnormality cause, and estimates the abnormality cause based on the weighted sum. ..
  • the abnormality cause output display unit 210 outputs the abnormality causes estimated by the abnormality cause estimation unit 209 in the order of certainty. Examples of output include display on a display, transmission of data to the outside, printing on a sheet, audio output, and the like.
  • FIG. 4 is a conceptual diagram showing the concept of Mahalanobis distance.
  • the sensor value acquisition unit 201 of the plant monitoring device 20 acquires the first detection value and the second detection value of the plant 1 as a bundle B of the detection values.
  • the first detected value is "gas turbine output” and the second detected value is "boiler water level”.
  • the data group which is an aggregate of the bundle B of a plurality of detected values is set as the unit space S which is the reference data group, and the Mahalanobis distance D of the bundle A of the detected values acquired at a certain time point is calculated.
  • the Mahalanobis distance D is a distance weighted according to the variance and correlation of the detected values in the unit space S, and the lower the similarity with the data group in the unit space S, the larger the value.
  • the average Mahalanobis distance of the bundle B of the detected values constituting the unit space S is 1, and when the operating state of the plant 1 is normal, the Mahalanobis distance D of the bundle A of the detected values is generally within 4.
  • the value of the Mahalanobis distance D increases according to the degree of the abnormality.
  • the MT method it is determined whether the operating state of the plant 1 is normal or abnormal depending on whether the Mahalanobis distance D is within the predetermined threshold value Dc. For example, since the Mahalanobis distance D1 of the bundle A1 of the detected values is equal to or less than the threshold value Dc, it is determined that the operating state of the plant 1 at the time when the bundle A1 of the detected values is acquired is normal. Further, since the Mahalanobis distance D2 of the bundle A2 of the detected values is larger than the threshold value Dc, it is determined that the operating state of the plant 1 at the time when the bundle A2 of the detected values is acquired is abnormal.
  • the threshold value Dc is set to a value larger than the maximum Mahalanobis distance among the Mahalanobis distances of each of the bundles B of the plurality of detected values constituting the unit space S, for example. At this time, it is preferable to set the threshold value Dc in consideration of the unique characteristics of the plant 1.
  • the threshold value Dc may be changed by the operator via the plant monitoring device 20.
  • the plant monitoring device 20 collects a bundle of detected values from the plant 1 and stores the bundle of detected values in the unit space storage unit 202 while the plant 1 is operating normally.
  • the plant monitoring device 20 may acquire a bundle of normally detected values of another plant 1 having the same configuration as that of the plant 1 to be monitored and record it in the unit space storage unit 202.
  • FIG. 6 is a flowchart showing a monitoring process of the plant 1 according to the first embodiment.
  • the sensor value acquisition unit 201 acquires a bundle of detected values from the plant 1 (step S31).
  • the MD distance calculation unit 203 calculates the Mahalanobis distance based on the unit space stored in the unit space storage unit 202 with the bundle of the detected values acquired in step S31 as the specification (step S32).
  • the plant abnormality presence / absence determination unit 204 determines whether or not an abnormality has occurred in the plant 1 based on the Mahalanobis distance calculated in step S32 (step S33).
  • the presence / absence determination unit 204 of the plant abnormality determines that no abnormality has occurred in the plant 1 (step S33: NO)
  • the plant monitoring device 20 ends the monitoring process and waits for the next monitoring timing.
  • step S33 determines that the plant 1 has an abnormality
  • step S34 the desired signal-to-noise ratio related to the Taguchi method is calculated for each evaluation item based on the Mahalanobis distance calculated in step S32 (step S34).
  • the plant monitoring device 20 selects evaluation items one by one, and performs the processing of steps S36 to S41 shown below for each evaluation item (step S35).
  • the high value abnormality / low value abnormality determination unit 207 increases the sensor value selected in step S35 by a predetermined amount from the bundle of detection values acquired in step S31 (step S36).
  • the MD distance calculation unit 203 calculates the Mahalanobis distance based on the unit space stored by the unit space storage unit 202, using the bundle of the detected values changed in step S36 as the specification (step S37).
  • the high value abnormality / low value abnormality determination unit 207 determines whether the Mahalanobis distance has increased, decreased, or has not changed due to the increase in the detection value related to the abnormality sensor (step S38). For example, the high value abnormality / low value abnormality determination unit 207 may determine that the Mahalanobis distance does not change when the difference between the Mahalanobis distances is equal to or less than a predetermined threshold value. When the Mahalanobis distance is increased (step S38: increase), the high value abnormality / low value abnormality determination unit 207 determines that the abnormality sensor extracted in step S35 has a high value abnormality (step S39).
  • step S38 decrease
  • step S40 the high value abnormality / low value abnormality determination unit 207 determines that it cannot be classified into the abnormality sensor extracted in step S35 (step S41).
  • the abnormality cause estimation unit 209 generates an M * 2 row / N column matrix using the failure site estimation database 208 (step S42).
  • the vector of 1 row M * 2 column which includes the desired signal-to-noise ratio of each evaluation item calculated in step S34 and whether it is a high value abnormality or a low value abnormality, and the abnormality cause estimation unit 209, M generated in step S42.
  • a vector of N rows and 1 column having the certainty of the cause of the abnormality as an element is obtained (step S43).
  • the item of the desired size SN ratio that cannot be classified is set to 0.
  • the abnormality cause estimation unit 209 sorts each abnormality cause in descending order of the certainty represented by the obtained vector (step S44).
  • the abnormality cause estimation unit 209 is set to a negative number when it is less likely to occur than usual. Then, the abnormality cause output display unit 210 outputs the abnormality causes estimated by the abnormality cause estimation unit 209 in the sorted order (step S45). For example, the abnormality cause output display unit 210 displays the abnormality cause with the highest probability on the display, and when the user operates to receive the display command for the next abnormality cause, the abnormality cause with the next highest probability is the next. Is displayed on the display. Further, for example, the abnormality cause output display unit 210 prints a list of abnormality causes on a sheet in descending order of certainty.
  • the plant monitoring device 20 determines that there is an abnormality based on the Mahalanobis distance, the abnormality of each sensor value and a plurality of causes of abnormality that may occur in the plant 1 are determined.
  • the cause of the abnormality is estimated based on the failure site estimation database that maintains the relationship with the plurality of sensor values for each abnormality.
  • the plant monitoring device 20 can estimate the cause of the abnormality by distinguishing whether each sensor value has an abnormality on the high value side or an abnormality on the low value side. Therefore, the plant monitoring device 20 can eliminate an event that is unlikely to occur in the estimation result of the cause of the abnormality.
  • the failure site estimation database associates the cause with the high / low value abnormality sensor, and holds an amount of information indicating an increase / decrease in the possibility of occurrence of the abnormality cause. Then, the plant monitoring device 20 is a value obtained by multiplying each of the plurality of sensor values by the amount of information associated with the abnormality specified for the sensor value in the failure site estimation database and the desired signal-to-noise ratio related to the sensor value. Is calculated, and the cause of the abnormality is estimated based on the sum of the obtained values.
  • the plant monitoring device 20 can eliminate an event that is unlikely to occur in the estimation result of the cause of the abnormality.
  • the plant monitoring device 20 has a vector of 1 row and M * 2 columns whose elements are the desired signal-to-noise ratio of each sensor value, and M * 2 rows whose elements are the values of the failure site estimation database.
  • an N-row, 1-column vector having the certainty of the cause of the abnormality as an element may be obtained.
  • the cosine similarity is a value obtained by dividing the inner product of the vectors (weighted sum of the signal-to-noise ratio of each desired size and the amount of information related to the cause of the abnormality) by the product of the norms of each vector.
  • the plant monitoring device 20 may obtain the weighted sum of the desired signal-to-noise ratio of each sensor value and the amount of information on the cause of the abnormality for each cause of the abnormality, regardless of the matrix calculation. ..
  • the failure site estimation database according to the first embodiment retains a positive amount of information in association with the cause of the abnormality and the abnormality of the sensor value that is likely to occur when the cause of the abnormality occurs.
  • the failure site estimation database according to the first embodiment retains a negative amount of information in association with an abnormality cause and an abnormality of a sensor value that is unlikely to occur when the abnormality cause occurs.
  • the plant monitoring device 20 can positively reduce the certainty of the cause of the abnormality that is unlikely to occur. Therefore, the plant monitoring device 20 can eliminate an event that is unlikely to occur in the estimation result of the cause of the abnormality.
  • the present invention is not limited to this.
  • the failure site estimation database may hold zero information amount in association with an abnormality cause and a sensor value abnormality that is unlikely to occur when the abnormality cause occurs. ..
  • the certainty of the cause of the abnormality does not decrease significantly compared to the case of having a negative amount of information, but by isolating the abnormality of each sensor value and estimating the cause of the abnormality, the estimation result of the cause of the abnormality can be obtained. Events that are unlikely to occur can be eliminated.
  • the plant monitoring device 20 increases the amount of information associated with the specified abnormality for each sensor value based on the bundle of the detected values when the cause of the abnormality occurs. Update the failure site estimation database to reduce the amount of information associated with unidentified anomalies. As a result, the plant monitoring device 20 can automatically generate a failure site estimation database having an amount of information related to the opposite direction. It should be noted that the present embodiment is not limited to this, and the negative information amount may be manually input by the worker.
  • the plant monitoring device 20 updates the amount of information for at least one abnormality sensor having a large desired signal-to-noise ratio among a plurality of sensor values. As a result, the plant monitoring device 20 can add a sharpness to the amount of information of each sensor value in the failure site estimation database.
  • FIG. 7 is a schematic block diagram showing the configuration of a computer according to at least one embodiment.
  • the computer 90 includes a processor 91, a main memory 92, a storage 93, and an interface 94.
  • the above-mentioned plant monitoring device 20 is mounted on a computer 90.
  • the operation of each of the above-mentioned processing units is stored in the storage 93 in the form of a program.
  • the processor 91 reads a program from the storage 93, expands it into the main memory 92, and executes the above processing according to the program. Further, the processor 91 secures a storage area corresponding to each of the above-mentioned storage units in the main memory 92 according to the program. Examples of the processor 91 include a CPU (Central Processing Unit), a GPU (Graphic Processing Unit), a microprocessor, and the like.
  • the program may be for realizing a part of the functions exerted by the computer 90.
  • the program may exert its function in combination with another program already stored in the storage or in combination with another program mounted on another device.
  • the computer 90 may include a custom LSI (Large Scale Integrated Circuit) such as a PLD (Programmable Logic Device) in addition to or in place of the above configuration.
  • PLDs include PAL (Programmable Array Logic), GAL (Generic Array Logic), CPLD (Complex Programmable Logic Device), and FPGA (Field Programmable Gate Array).
  • PLDs Programmable Integrated Circuit
  • PAL Programmable Array Logic
  • GAL Generic Array Logic
  • CPLD Complex Programmable Logic Device
  • FPGA Field Programmable Gate Array
  • Examples of the storage 93 include HDD (Hard Disk Drive), SSD (Solid State Drive), magnetic disk, optical magnetic disk, CD-ROM (Compact Disc Read Only Memory), DVD-ROM (Digital Versatile Disc Read Only Memory). , Semiconductor memory and the like.
  • the storage 93 may be an internal medium directly connected to the bus of the computer 90, or an external medium connected to the computer 90 via the interface 94 or a communication line. When this program is distributed to the computer 90 via a communication line, the distributed computer 90 may expand the program to the main memory 92 and execute the above processing.
  • the storage 93 is a non-temporary tangible storage medium.
  • the program may be for realizing a part of the above-mentioned functions. Further, the program may be a so-called difference file (difference program) that realizes the above-mentioned function in combination with another program already stored in the storage 93.
  • difference file difference program
  • the plant monitoring device 20 may be configured by a single computer 90, or the configuration of the plant monitoring device 20 is divided into a plurality of computers 90 and the plurality of computers 90 are arranged. It may function as a plant monitoring device 20 by cooperating with each other.
  • the plant monitoring device (20) includes a sensor value acquisition unit (201) that acquires a bundle of detection values for each of a plurality of sensor values related to the plant (1), and the plurality of sensors.
  • the distance calculation unit (203) for obtaining the Maharanobis distance of the bundle of detected values acquired by the sensor value acquisition unit (201) and the distance calculation unit (203) based on the unit space formed by collecting bundles of detected values for each value.
  • the plant abnormality presence / absence determination unit (204) for determining whether the operating state of the plant (1) is normal or abnormal, and the plant.
  • At least one sensor value presumed to be the cause in the bundle of detected values is either a high value abnormality due to a high detection value or an abnormality due to a low detection value.
  • a high-value abnormality / low-value abnormality determination unit (207) that identifies whether the value is a low-value abnormality, a low-value abnormality or a high-value abnormality for each of the at least one sensor value, and a plurality of abnormalities that can occur in the plant.
  • An abnormality cause estimation unit (209) that estimates the cause of an abnormality based on a failure site estimation database that maintains the relationship between the cause and the plurality of sensor values for each tendency, and an output unit that outputs the estimated cause of the abnormality. (210) and.
  • the plant monitoring device can estimate the cause of the abnormality by distinguishing whether each sensor value has an abnormality on the high value side or an abnormality on the low value side. Therefore, the plant monitoring device can eliminate events that are unlikely to occur in the estimation result of the cause of the abnormality.
  • To "acquire” is to obtain a new value. For example, “acquiring” includes receiving a value, accepting an input of a value, reading a value from a storage medium, calculating another value from one value, and the like.
  • To "specify” is to use the first value to determine a second value that can take a plurality of values.
  • "specify” means to calculate the second value from the first value, to read the second value corresponding to the first value by referring to the failure site estimation database, and to set the first value. It includes searching for a second value as a query, selecting a second value from a plurality of candidates based on the first value, and the like.
  • the plant monitoring device (20) calculates the desired signal-to-noise ratio of the plurality of sensor values based on the bundle of the detected values.
  • a ratio calculation unit (205) is provided, and the failure site estimation database retains an amount of information indicating an increase / decrease in the possibility of occurrence of an abnormality cause in association with an abnormality cause and a sensor value, and the abnormality cause estimation unit (the abnormality cause estimation unit (205) is provided.
  • a value obtained by multiplying the ratio by the ratio may be obtained, and the cause of the abnormality may be estimated based on the sum of the obtained values.
  • the probability of the cause of the abnormality having a large amount of information related to the sensor value having a high signal-to-noise ratio is high, and the probability of the cause of the abnormality having a small amount of information related to the sensor value having a high signal-to-noise ratio is low. Therefore, the plant monitoring device can eliminate events that are unlikely to occur in the estimation result of the cause of the abnormality.
  • the cause of the abnormality and the cause of the abnormality among the low value abnormality and the high value abnormality in the failure site estimation database, the cause of the abnormality and the cause of the abnormality among the low value abnormality and the high value abnormality.
  • the amount of positive information is associated with the one that is likely to occur when the problem occurs, and the cause of the abnormality and the low-value abnormality and the high-value abnormality that are likely not to occur when the cause of the abnormality occurs. May be associated with a negative amount of information.
  • the plant monitoring device can positively reduce the certainty of the cause of the abnormality that is unlikely to occur. Therefore, the plant monitoring device can eliminate events that are unlikely to occur in the estimation result of the cause of the abnormality.
  • the plant monitoring device in the plant monitoring device according to the third aspect, there is a possibility that it does not occur when the cause of the abnormality occurs in the failure site estimation database among the low value abnormality and the high value abnormality.
  • the absolute value of the amount of information associated with the higher one may be greater than the absolute value of the amount of information associated with the one most likely to occur when the cause of the anomaly occurs.
  • the program comprises a step of acquiring a bundle of detection values for each of a plurality of sensor values related to the plant and a bundle of detection values for each of the plurality of sensor values in a computer.
  • the operating state of the plant depends on the step of obtaining the maharanobis distance of the bundle of the detected values acquired by the acquisition unit and whether or not the maharanobis distance is within a predetermined threshold value based on the unit space to be detected.
  • the detection value is determined for the step of determining whether is normal or abnormal, and for at least one sensor value presumed to be the cause in the bundle of detection values when the operation state of the plant is determined to be abnormal.
  • the step of identifying whether it is a high value abnormality due to a high value or a low value abnormality due to a low detection value, and whether it is a low value abnormality or a high value abnormality for each of the at least one sensor value, the above-mentioned A step of estimating the cause of an abnormality and a step of outputting the estimated cause of the abnormality based on a failure site estimation database that maintains the relationship between a plurality of causes of abnormality that may occur in the plant and the plurality of sensor values. Let it run.
  • the plant monitoring device can estimate the true cause of the failure more reliably by setting the information of the event that is less likely to cause the cause due to the abnormality of the sensor to a negative value.
  • Plant 20 Plant monitoring device 201 Sensor value acquisition unit 202 Unit spatial storage unit 203 MD distance calculation unit 204 Plant abnormality presence / absence determination unit 205 Desired size SN ratio calculation unit 206 Abnormality sensor extraction unit 207 High value abnormality / low value abnormality determination Part 208 Failure part estimation database 209 Abnormality cause estimation part 210 Abnormality cause output display part

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

取得部は、プラントに関する複数のセンサー値毎の検出値の束を取得する。距離算出部は、複数のセンサー値毎の検出値の束が集まって構成される単位空間を基準にして、取得部が取得した検出値の束のマハラノビス距離を求める。判定部は、マハラノビス距離が所定の閾値以内であるか否かに応じて、プラントの運転状態が正常であるか異常であるかを判定する。傾向特定部は、少なくとも１つのセンサー値について傾向を特定する。異常原因推定部は、少なくとも１つのセンサー値ごとの傾向と、プラントに生じ得る複数の異常原因と傾向別の複数のセンサー値との関係を保持する故障部位推定データベースとに基づいて、異常原因を推定する。

Description

プラント監視装置、プラント監視方法およびプログラム
　本開示は、プラントの運転状態を監視するプラント監視装置、プラント監視方法およびプログラムに関する。
　本願は、２０２０年６月１２日に、日本に出願された特願２０２０－１０２３９５号に基づき優先権を主張し、その内容をここに援用する。
　ガスタービン発電プラントや原子力発電プラント、あるいは化学プラントといった各種のプラントでは、プラントが正常に運転されていることを監視するため、温度や圧力といったプラントの各センサーの状態量を取得し、これらの状態量に基づきプラントの運転状態を監視しているが、異常が発生した場合には原因推定機能が求められる。
　例えば、以下の特許文献１の監視装置は、該当プラントのコンピュータから、そのプラントの各センサーの状態量をオンラインで取得し、マハラノビス－タグチ法（以下、ＭＴ法とする）などを用いて異常か否かを判定する。この監視装置は、異常と判定すると、異常の原因を特定する機能を有している。
　ＭＴ法では、複数のセンサーごとの状態量の集まりである状態量の束が複数集まって構成される単位空間を予め準備しておき、プラントから状態量の束を取得すると、単位空間を基準にして、この状態量の束のマハラノビス距離（以下、ＭＤ距離とする）を求め、このマハラノビス距離が予め定められた閾値以内であるか否かに応じて、プラントの運転状態等が正常であるか否かを判定する。
特開２０１７－２１５８６３号公報
　ＭＴ法によれば、マハラノビス距離に基づいてセンサーごとの望大ＳＮ比を算出することで、マハラノビス距離が増大したセンサーを特定することができる。従来のＭＴ法はあるセンサーに着目した場合、当該センサーが高値である場合にも、低値である場合にも、マハラノビス距離は増大するため、高値／低値の異常を区別ができない。
　本開示の目的は、高値／低値とで、発生し易くなる異常と発生し難くなる異常の原因の情報を付加し、より信頼性がある故障部位推定用のデータベース作成方法および異常原因推定方法を提供するものである。
　一態様によれば、プラント監視装置は、プラントに関する複数のセンサー値毎の検出値の束を取得する取得部と、前記複数のセンサー値毎の検出値の束が集まって構成される単位空間を基準にして、前記取得部が取得した前記検出値の束のマハラノビス距離を求める距離演算部と、前記マハラノビス距離が所定の閾値以内であるか否かに応じて、前記プラントの運転状態が正常であるか異常であるかを判定する判定部と、各センサー値について望大ＳＮ比が高値または低値により発生しているかの判定部と、を有する。
　一態様によれば、故障部位推定データベースとして、特定の異常原因がセンサーの高値異常により発生し易くなるか、低値異常により発生し易くなるか、および、異常原因がセンサー値が高値の異常により発生し難くなるか、低値の異常により発生し難くなるかについての情報を付加することで実現する。
　一態様によれば、望大ＳＮ比の高値／低値異常の区別、および、本発明の故障部位推定データベースとして、特定の異常原因がセンサー値が高値／低値の異常により発生し易くなるか発生し難くなるかの情報を組合せて、より信頼性がある異常原因を推定が可能となる。
　上記態様のうち少なくとも１つの態様によれば、プラント監視装置は、センサの異常により原因が発生する可能性が低くなる事象の情報を負値に設定することで、故障の真因をより信頼性良く推定できる。
第１の実施形態に係るプラント監視装置の概要を説明するための図である。 第１の実施形態に係るプラント監視装置の機能構成を示す概略ブロック図である。 第１の実施形態に係る故障部位推定データベースの一例を示す図である。 マハラノビス距離の概念を示す概念図である。 第１の実施形態に係る故障部位推定データベースの更新方法を示すフローチャートである。 第１の実施形態に係るプラントの監視処理を示すフローチャートである。 少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
〈第１の実施形態〉
　図１は、第１の実施形態に係るプラント監視装置２０の概要を説明するための図である。
　本実施形態に係るプラント監視装置２０は、複数の評価項目があるプラント１の運転状態を監視するための装置である。プラント監視装置２０は、プラント１の各部に設けられた検出器から評価項目ごとの状態量を示す検出値を取得する。そして、プラント監視装置２０は、マハラノビス・タグチ法を利用し、取得した検出値に基づいてプラント１の運転状態が正常であるか異常であるかを判定する。
《プラントの構成》
　本実施形態に係るプラント１は、ガスタービン複合発電プラントであり、ガスタービン１０と、ガスタービン発電機１１と、排熱回収ボイラ１２と、蒸気タービン１３と、蒸気タービン発電機１４と、制御装置４０と、を備える。なお、他の実施形態では、プラント１は、ガスタービン発電プラント、原子力発電プラント、化学プラントであってもよい。
　ガスタービン１０は、圧縮機１０１と、燃焼器１０２と、タービン１０３とを備える。
　圧縮機１０１は、吸気口から取り込んだ空気を圧縮する。圧縮機１０１には、評価項目の一つである圧縮機１０１の車室内の温度を検出するための検出器として、温度センサ１０１Ａ、１０１Ｂが設けられている。例えば、温度センサ１０１Ａは圧縮機１０１の車室入口の温度（入口空気温度）を検出し、温度センサ１０１Ｂは車室出口の温度（出口空気温度）を検出するようにしてもよい。
　燃焼器１０２は、圧縮機１０１から導入された圧縮空気に燃料Ｆを混合して燃焼させ、燃焼ガスを生成する。燃焼器１０２には、評価項目の一つである燃料Ｆの圧力を検出するための検出器として、圧力センサ１０２Ａが設けられている。
　タービン１０３は、燃焼器１０２から供給された燃焼ガスにより回転駆動する。タービン１０３には、評価項目の一つである車室内の温度を検出するための検出器として、温度センサ１０３Ａ、１０３Ｂが設けられている。例えば、温度センサ１０３Ａはタービン１０３の車室入口の温度（入口燃焼ガス温度）を検出し、温度センサ１０３Ｂは車室出口の温度（出口燃焼ガス温度）を検出するようにしてもよい。
　ガスタービン発電機１１は、タービン１０３のロータと、圧縮機１０１を介して連結され、ロータの回転により発電する。ガスタービン発電機１１には、評価項目の一つである潤滑油の温度を検出するための検出器として、温度計１１Ａが設けられている。
　排熱回収ボイラ１２は、タービン１０３から排出された燃焼ガス（排ガス）で水を加熱して、蒸気を生成する。排熱回収ボイラ１２には、評価項目の一つであるドラムの水位レベルを検出するための検出器として、レベル計１２Ａが設けられている。
　蒸気タービン１３は、排熱回収ボイラ１２からの蒸気で駆動する。蒸気タービン１３には、評価項目の一つである車室内の温度を検出するための検出器として、温度センサ１３Ａが設けられている。また、蒸気タービン１３から排出される蒸気は、復水器１３２で水に戻されて、給水ポンプを介して排熱回収ボイラ１２に送られる。
　蒸気タービン発電機１４は、蒸気タービン１３のロータ１３１と連結され、ロータ１３１の回転により発電する。蒸気タービン発電機１４には、評価項目の一つである潤滑油の温度を検出するための検出器として、温度計１４Ａが設けられている。
　なお、上述の評価項目は一例であり、これに限られることはない。プラント１の他の評価項目として、例えばガスタービン発電機１１の出力、タービン１０３の車室内の圧力、タービン１０３または蒸気タービン１３のロータの回転速度、振動等が設定されていてもよい。この場合、これら評価項目の状態量を検出する図示しない検出器がプラント１の各部に設けられる。
　制御装置４０は、プラント１の動作を制御するための装置である。また、制御装置４０は、プラント監視装置２０によりプラント１の運転状態が異常であると判定された場合、プラント監視装置２０からの制御信号に従って、プラント１各部の動作を制御するようにしてもよい。
《構成》
　図２は、第１の実施形態に係るプラント監視装置２０の機能構成を示す概略ブロック図である。
　プラント監視装置２０は、センサー値取得部２０１、単位空間記憶部２０２、ＭＤ距離算出部２０３、プラントの異常の有無判定部２０４、望大ＳＮ比算出部２０５、異常センサー抽出部２０６、高値異常／低値異常の判定部２０７、故障部位推定データベース２０８、異常原因推定部２０９、異常原因出力表示部２１０を備える。
　センサー値取得部２０１は、プラント１に設けられた複数の検出器それぞれから検出値を取得する。各検出器は複数の評価項目のそれぞれに対応している。すなわち、センサー値取得部２０１は、複数の評価項目ごとの検出値の集まりである検出値の束を取得する。センサー値取得部２０１は、所定の取得周期（例えば１分）ごとに検出値の束を取得して、単位空間記憶部に記録する。
　単位空間記憶部２０２は、正常なプラントから取得された検出値の束の組み合わせを、マハラノビス距離の単位空間として記憶する。
　ＭＤ距離算出部２０３は、センサー値取得部２０１が取得した検出値の束を諸元として、単位空間記憶部２０２が記憶する単位空間に基づいて、プラント１の状態を示すマハラノビス距離を算出する。マハラノビス距離は、単位空間として表される基準の標本と新たに得られた標本との違いの大きさを表す尺度である。
　プラントの異常の有無判定部２０４は、ＭＤ距離算出部２０３が算出したマハラノビス距離に基づいてプラント１に異常が生じているか否かを判定する。具体的には、プラントの異常の有無判定部２０４は、マハラノビス距離が所定の閾値以上である場合に、プラント１に異常が生じていると判定する。閾値には、通常３以上の値が設定される。
　望大ＳＮ比算出部２０５は、プラントの異常の有無判定部２０４がガスタービンＴに異常が生じていると判定した場合に、センサー値取得部２０１が取得した検出値の束に基づいて、タグチメソッドに係る望大ＳＮ比（Signal-Noise Ratio）を算出する。例えば、望大ＳＮ比算出部２０５は、直交表分析による項目有無の望大ＳＮ比を求める。望大ＳＮ比が大きいほど、その検出値に係る評価項目に異常がある可能性が高いと判断できる。
　異常センサー抽出部２０６は、望大ＳＮ比算出部２０５が算出した望大ＳＮ比に基づいて、マハラノビス距離の増大への寄与が高いセンサー値である少なくとも１つの異常センサーを抽出する。異常センサー抽出部２０６は、例えば、複数のセンサー値のうち望大ＳＮ比が高い上位の所定数のセンサー値を異常センサーとして抽出してよい。また例えば、異常センサー抽出部２０６は、複数のセンサー値のうち望大ＳＮ比が所定の閾値以上であるセンサー値を異常センサーとして抽出してよい。
　高値異常／低値異常の判定部２０７は、複数のセンサー値のそれぞれについて、発生した異常が、当該センサー値の検出値が高いことによる異常である高値異常か、検出値が低いことによる異常である低値異常かを特定する。つまり高値異常／低値異常の判定部２０７は、マハラノビス距離の増大が検出値の増加により生じるのか、減少により生じるのかを特定する。具体的には、高値異常／低値異常の判定部２０７は、センサー値取得部２０１が取得した検出値の束の値をセンサー値ごとに増加または減少させたときのマハラノビス距離を算出し、当該値の変化によるマハラノビス距離の増減に基づいて、高値異常か低値異常かの別を特定する。検出値の増加によりマハラノビス距離の増大が生じる場合、当該センサー値が高値異常であることが分かり、検出値の減少によりマハラノビス距離の増大が生じる場合、当該センサー値が低値異常であることが分かる。（特願2019-063575）
　故障部位推定データベース２０８は、評価項目と異常原因と高値異常か低値異常かの別との関係を表す故障部位推定データベースを作成する。図３は、第１の実施形態に係る故障部位推定データベースの一例を示す図である。具体的には、故障部位推定データベースは、高値異常および低値異常に係る各評価項目（図３の縦軸）および各異常原因（図３の横軸）について、当該異常原因が生じたときに、当該評価項目において関連付けられた異常がみられることについての情報量を保持する。情報量の値が大きいほど、関連付けられた評価項目において同様の異常がみられるときに、故障部位推定データベース２０８が記憶する情報量のうち、実際に発生した高値異常または低値異常に係る情報量は、例えば以下の式（１）によって表される。
Figure JPOXMLDOC01-appb-M000001
　ここで、Ｉは情報量、ｘは事象の発生件数、ｗはデータの信頼度に基づく重み係数を示す。
　例えば、異常原因が現実に発生し、その報告書等に基づいて異常原因が特定されたときの重み係数ｗは、保守員によって生成されたＦＴＡのデータ（ＦＴ：Fault Tree）に基づいて異常原因が特定されたときの重み係数ｗより大きくてよい。また、例えば、オフライン解析やシミュレーションなど、報告書より精度が高い手法に基づいて異常原因が特定されたときの重み係数ｗは、異常原因が現実に発生し、その報告書等に基づいて異常原因が特定されたときの重み係数ｗより大きくてよい。
　他方、センサー異常発生時に起こり難くなる原因は、例えば以下の式（２）によって表され負値となる。
Figure JPOXMLDOC01-appb-M000002
　実際に発生していない高値異常または低値異常に係る情報量の算出に用いられる重みｗは、実際に発生した高値異常または低値異常に係る情報量の算出に用いられる重みｗより大きくてよい。
　異常原因推定部２０９は、故障部位推定データベースから、Ｍ＊２行Ｎ列の行列を生成する。（ここでＭ＊２の部分は高値／低値異常の区別のため２倍になる）故障部位推定データベースは、Ｍ個の評価項目と高値異常および低値異常とに関連付けて情報量を保持している。そのため、異常原因推定部２０９は、Ｍ個の評価項目のそれぞれについて、高値異常／低値異常の判定部２０７にて関連付けられた情報量を読み出すことで、Ｍ＊２行Ｎ列の行列を生成する。そして、異常原因推定部２０９は、各評価項目の望大ＳＮ比を要素とする１行Ｍ＊２列のベクトルと、生成したＭ＊２行Ｎ列の行列との乗算を行うことで、異常原因の確からしさを要素とするＮ行１列のベクトルを得る。そして、異常原因推定部２０９は、得られたＮ行１列のベクトルのうち要素の値が大きい行に係る異常原因が、プラント１に発生した異常原因であると推定する。つまり、異常原因推定部２０９は、異常原因ごとに、各評価項目の望大ＳＮ比とその項目の異常に係る情報量との加重和を算出し、当該加重和に基づいて異常原因を推定する。
　異常原因出力表示部２１０は、異常原因推定部２０９が推定した異常原因を確からしさの順に出力する。出力の例としては、ディスプレイへの表示、外部へのデータの送信、シートへの印刷、音声出力などが挙げられる。
《ＭＴ法について》
　図４は、マハラノビス距離の概念を示す概念図である。
　まず、ＭＴ法によるプラント監視方法の概要について、図４を用いて説明する。
　図４に示すように、プラント監視装置２０のセンサー値取得部２０１が、プラント１の第１検出値および第２検出値を検出値の束Ｂとして取得すると仮定する。例えば、第１検出値は「ガスタービン出力」、第２検出値は「ボイラ水位」である。ＭＴ法では、複数の検出値の束Ｂの集合体であるデータ群を、基準データ群である単位空間Ｓとし、ある時点で取得された検出値の束Ａのマハラノビス距離Ｄを算出する。
　マハラノビス距離Ｄは、単位空間Ｓにおける検出値の分散や相関に応じて重み付けがなされた距離であり、単位空間Ｓにおけるデータ群との類似度が低いほど大きい値となる。ここで、単位空間Ｓを構成する検出値の束Ｂのマハラノビス距離の平均は１となり、プラント１の運転状態が正常である場合、検出値の束Ａのマハラノビス距離Ｄは概ね４以下に収まる。しかしながら、プラント１の運転状態が異常となると、異常の程度に応じてマハラノビス距離Ｄの値は大きくなる。
　このため、ＭＴ法では、マハラノビス距離Ｄが、予め定められた閾値Ｄｃ以内であるか否かに応じで、プラント１の運転状態が正常であるか異常であるかを判定する。例えば、検出値の束Ａ１のマハラノビス距離Ｄ１は、閾値Ｄｃ以下であるため、この検出値の束Ａ１を取得した時点におけるプラント１の運転状態は正常であると判定される。また、検出値の束Ａ２のマハラノビス距離Ｄ２は、閾値Ｄｃよりも大きいため、この検出値の束Ａ２を取得した時点におけるプラント１の運転状態は異常であると判定される。
　なお、閾値Ｄｃは、例えば単位空間Ｓを構成する複数の検出値の束Ｂそれぞれのマハラノビス距離のうち、最大のマハラノビス距離よりも大きい値に設定することが好ましい。また、このとき、プラント１の固有の特性等を考慮して、閾値Ｄｃを定めることが好ましい。閾値Ｄｃは、作業者によりプラント監視装置２０を介して変更できるようにしてもよい。
《プラント監視装置２０の動作》
　以下、プラント監視装置２０の動作について説明する。
　プラント監視装置２０は、監視処理を開始する前に、プラント１が正常に運転している間、プラント１から検出値の束を収集して単位空間記憶部２０２に検出値の束を蓄積する。なお、プラント監視装置２０は、監視対象のプラント１と同様の構成を有する他のプラント１の正常時の検出値の束を取得し、単位空間記憶部２０２に記録してもよい。
（プラント１の監視処理）
　単位空間記憶部２０２に単位空間が記録され、また故障部位推定データベース２０８に故障部位推定データベースが記録されると、プラント監視装置２０は、所定の監視タイミング（例えば、１時間おきのタイミング）で、以下に示す監視処理を実行する。
　図６は、第１の実施形態に係るプラント１の監視処理を示すフローチャートである。
　プラント監視装置２０が監視処理を開始すると、センサー値取得部２０１は、プラント１から検出値の束を取得する（ステップＳ３１）。ＭＤ距離算出部２０３は、ステップＳ３１で取得された検出値の束を諸元として、単位空間記憶部２０２が記憶する単位空間に基づいて、マハラノビス距離を算出する（ステップＳ３２）。
　次に、プラントの異常の有無判定部２０４は、ステップＳ３２で算出したマハラノビス距離に基づいてプラント１に異常が生じているか否かを判定する（ステップＳ３３）。プラントの異常の有無判定部２０４がプラント１に異常が生じていないと判定した場合（ステップＳ３３：ＮＯ）、プラント監視装置２０は、監視処理を終了し、次回の監視タイミングを待機する。
　他方、プラントの異常の有無判定部２０４がプラント１に異常が生じていると判定した場合（ステップＳ３３：ＹＥＳ）、望大ＳＮ比算出部２０５は、ステップＳ３１で取得された検出値の束と、ステップＳ３２で算出されたマハラノビス距離とに基づいて、各評価項目についてタグチメソッドに係る望大ＳＮ比を算出する（ステップＳ３４）。
　次に、プラント監視装置２０は、評価項目を１つずつ選択し、各評価項目について以下に示すステップＳ３６からステップＳ４１の処理を行う（ステップＳ３５）。
　まず、高値異常／低値異常の判定部２０７は、ステップＳ３１で取得した検出値の束のうち、ステップＳ３５で選択されたセンサー値を所定量増加させる（ステップＳ３６）。次に、ＭＤ距離算出部２０３は、ステップＳ３６で変化させた検出値の束を諸元として、単位空間記憶部２０２が記憶する単位空間に基づいて、マハラノビス距離を算出する（ステップＳ３７）。
　高値異常／低値異常の判定部２０７は、異常センサーに係る検出値の増加によってマハラノビス距離が増大したか、減少したか、変化しないかを判定する（ステップＳ３８）。例えば、高値異常／低値異常の判定部２０７は、マハラノビス距離の差分が所定の閾値以下である場合に、マハラノビス距離が変化しないと判定してよい。
　マハラノビス距離が増大した場合（ステップＳ３８：増大）、高値異常／低値異常の判定部２０７は、ステップＳ３５で抽出された異常センサーに高値異常があると判定する（ステップＳ３９）。他方、マハラノビス距離が減少した場合（ステップＳ３８：減少）、高値異常／低値異常の判定部２０７は、ステップＳ３５で抽出された異常センサーに低値異常があると判定する（ステップＳ４０）。マハラノビス距離が変化しない場合（ステップＳ３８：不変）、高値異常／低値異常の判定部２０７は、ステップＳ３５で抽出された異常センサーに分類できないと判定する（ステップＳ４１）。
　異常原因推定部２０９は、故障部位推定データベース２０８を用いてＭ＊２行Ｎ列の行列を生成する（ステップＳ４２）。ステップＳ３４で算出された各評価項目の望大ＳＮ比と高値異常か低値異常かの別を加えた、１行Ｍ＊２列のベクトルと、異常原因推定部２０９、ステップＳ４２で生成したＭ＊２行Ｎ列の行列との乗算を行うことで、異常原因の確からしさを要素とするＮ行１列のベクトルを得る（ステップＳ４３）。なお、分類できないとされた望大ＳＮ比の項目は０とする。次に、異常原因推定部２０９は、各異常原因を、得られたベクトルが表す確からしさの降順にソートする（ステップＳ４４）。このとき、異常原因推定部２０９は、通常より発生し難くなる場合は負数とする。そして、異常原因出力表示部２１０は、異常原因推定部２０９が推定した異常原因を、ソートされた順に出力する（ステップＳ４５）。例えば、異常原因出力表示部２１０は、最も確からしさが高い異常原因をディスプレイに表示させ、利用者の操作により、次の異常原因の表示指令を受け付けた場合に、次に確からしさが高い異常原因をディスプレイに表示させる。また例えば、異常原因出力表示部２１０は、異常原因のリストを、確からしさの降順にシートに印刷する。
《作用・効果》
　このように、第１の実施形態によれば、プラント監視装置２０は、マハラノビス距離に基づいて異常があると判定した場合に、各センサー値の異常と、プラント１に生じ得る複数の異常原因と異常別の前記複数のセンサー値との関係を保持する故障部位推定データベースとに基づいて異常原因を推定する。
　これにより、プラント監視装置２０は、各センサー値に高値側の異常があるか低値側の異常があるかで切り分けて異常原因の推定を行うことができる。したがって、プラント監視装置２０は、異常原因の推定結果に発生する可能性が低い事象を除去することができる。
　また、第１の実施形態に係る故障部位推定データベースは、原因と高値／低値の異常センサーとに関連付け、当該異常原因の発生可能性の増加・減少を示す情報量を保持する。そして、プラント監視装置２０は、複数のセンサー値ごとに、故障部位推定データベースにおいて当該センサー値について特定された異常に関連付けられた情報量と、当該センサー値に係る望大ＳＮ比とを乗算した値を求め、求めた値の総和に基づいて異常原因を推定する。これにより、望大ＳＮ比が高いセンサー値に係る情報量が大きい異常原因の確からしさが高くなり、望大ＳＮ比が高いセンサー値に係る情報量が小さい異常原因の確からしさが低くなる。したがって、プラント監視装置２０は、異常原因の推定結果に発生する可能性が低い事象を除去することができる。
　なお、他の実施形態ではこれに限られない。例えば、他の実施形態に係るプラント監視装置２０は、各センサー値の望大ＳＮ比を要素とする１行Ｍ＊２列のベクトルと、故障部位推定データベースの値を要素とするＭ＊２行Ｎ列の行列の各行ベクトルとのコサイン類似度を算出することにより、異常の異常原因の確からしさを要素とするＮ行１列のベクトルを得てもよい。なお、コサイン類似度は、ベクトルの内積（各望大ＳＮ比と異常原因に係る情報量との加重和）を各ベクトルのノルムの積で除算した値である。例えば、他の実施形態に係るプラント監視装置２０は、行列計算によらず、異常の異常原因ごとに、各センサー値の望大ＳＮ比と異常原因の情報量との加重和を求めてもよい。
　また、第１の実施形態に係る故障部位推定データベースは、異常原因と、当該異常原因が生じたときに発生する可能性が高いセンサー値の異常とに関連付けて、正の情報量を保持する。他方、第１の実施形態に係る故障部位推定データベースは、異常原因と、当該異常原因が生じたときに発生しない可能性が高いセンサー値の異常とに関連付けて、負の情報量を保持する。これにより、プラント監視装置２０は、発生しない可能性が高い異常原因の確からしさを積極的に下げることができる。したがって、プラント監視装置２０は、異常原因の推定結果に発生する可能性が低い事象を除去することができる。
　なお、他の実施形態においては、これに限られない。例えば、他の実施形態に係る故障部位推定データベースは、異常原因と、当該異常原因が生じたときに発生しない可能性が高いセンサー値の異常とに関連付けて、情報量ゼロを保持してもよい。この場合にも、負の情報量を有する場合と比較して異常原因の確からしさは大きく下がらないものの、各センサー値の異常を切り分けて異常原因の推定を行うことで、異常原因の推定結果に発生する可能性が低い事象を除去することができる。
　また、第１の実施形態に係るプラント監視装置２０は、異常原因が生じたときの前記検出値の束に基づいて、各センサー値について、特定された異常に関連付けられた情報量を増加させ、特定されなかった異常に関連付けられた情報量を減少させるように、故障部位推定データベースを更新する。これにより、プラント監視装置２０は、自動的に逆の方向に係る情報量を有する故障部位推定データベースを生成することができる。なお、他の実施形態においてはこれに限られず、負の情報量は、作業員によって手動で入力されてもよい。
　また、第１の実施形態に係るプラント監視装置２０は、複数のセンサー値のうち望大ＳＮ比が大きい少なくとも１つの異常センサーについて、情報量を更新する。これにより、プラント監視装置２０は、故障部位推定データベースにおいて各センサー値の情報量にメリハリをつけることができる。
　以上、図面を参照して一実施形態について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、様々な設計変更等をすることが可能である。すなわち、他の実施形態においては、上述の処理の順序が適宜変更されてもよい。また、一部の処理が並列に実行されてもよい。
〈コンピュータ構成〉
　図７は、少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
　コンピュータ９０は、プロセッサ９１、メインメモリ９２、ストレージ９３、インタフェース９４を備える。
　上述のプラント監視装置２０は、コンピュータ９０に実装される。そして、上述した各処理部の動作は、プログラムの形式でストレージ９３に記憶されている。プロセッサ９１は、プログラムをストレージ９３から読み出してメインメモリ９２に展開し、当該プログラムに従って上記処理を実行する。また、プロセッサ９１は、プログラムに従って、上述した各記憶部に対応する記憶領域をメインメモリ９２に確保する。プロセッサ９１の例としては、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphic Processing Unit）、マイクロプロセッサなどが挙げられる。
　プログラムは、コンピュータ９０に発揮させる機能の一部を実現するためのものであってもよい。例えば、プログラムは、ストレージに既に記憶されている他のプログラムとの組み合わせ、または他の装置に実装された他のプログラムとの組み合わせによって機能を発揮させるものであってもよい。なお、他の実施形態においては、コンピュータ９０は、上記構成に加えて、または上記構成に代えてＰＬＤ（Programmable Logic Device）などのカスタムＬＳＩ（Large Scale Integrated Circuit）を備えてもよい。ＰＬＤの例としては、ＰＡＬ(Programmable Array Logic)、ＧＡＬ(Generic Array Logic)、ＣＰＬＤ(Complex Programmable Logic Device)、ＦＰＧＡ（Field Programmable Gate Array）が挙げられる。この場合、プロセッサ９１によって実現される機能の一部または全部が当該集積回路によって実現されてよい。このような集積回路も、プロセッサの一例に含まれる。
　ストレージ９３の例としては、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＤＶＤ－ＲＯＭ（Digital Versatile Disc Read Only Memory）、半導体メモリ等が挙げられる。ストレージ９３は、コンピュータ９０のバスに直接接続された内部メディアであってもよいし、インタフェース９４または通信回線を介してコンピュータ９０に接続される外部メディアであってもよい。また、このプログラムが通信回線によってコンピュータ９０に配信される場合、配信を受けたコンピュータ９０が当該プログラムをメインメモリ９２に展開し、上記処理を実行してもよい。少なくとも１つの実施形態において、ストレージ９３は、一時的でない有形の記憶媒体である。
　また、当該プログラムは、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、当該プログラムは、前述した機能をストレージ９３に既に記憶されている他のプログラムとの組み合わせで実現するもの、いわゆる差分ファイル（差分プログラム）であってもよい。
　上述した実施形態に係るプラント監視装置２０は、単独のコンピュータ９０によって構成されるものであってもよいし、プラント監視装置２０の構成を複数のコンピュータ９０に分けて配置し、複数のコンピュータ９０が互いに協働することでプラント監視装置２０として機能するものであってもよい。
〈付記〉
　各実施形態に記載のプラント監視装置、プラント監視方法およびプログラムは、例えば以下のように把握され得る。
（１）第１の態様によれば、プラント監視装置（２０）は、プラント（１）に関する複数のセンサー値毎の検出値の束を取得するセンサー値取得部（２０１）と、前記複数のセンサー値毎の検出値の束が集まって構成される単位空間を基準にして、前記センサー値取得部（２０１）が取得した前記検出値の束のマハラノビス距離を求める距離算出部（２０３）と、前記マハラノビス距離が所定の閾値以内であるか否かに応じて、前記プラント（１）の運転状態が正常であるか異常であるかを判定するプラントの異常の有無判定部（２０４）と、前記プラントの運転状態が異常と判定された場合、前記検出値の束のうち原因と推定される少なくとも１つのセンサー値について、検出値が高いことによる異常である高値異常か、検出値が低いことによる異常である低値異常かを特定する高値異常／低値異常判定部（２０７）と、前記少なくとも１つのセンサー値ごとに、低値異常か高値異常かの別と、前記プラントに生じ得る複数の異常原因と傾向別の前記複数のセンサー値との関係を保持する故障部位推定データベースとに基づいて、異常原因を推定する異常原因推定部（２０９）と、推定された前記異常原因を出力する出力部（２１０）と、を有する。
　これにより、プラント監視装置は、各センサー値に高値側の異常があるか低値側の異常があるかで切り分けて異常原因の推定を行うことができる。したがって、プラント監視装置は、異常原因の推定結果に発生する可能性が低い事象を除去することができる。
　「取得する」とは、新たに値を得ることである。例えば、「取得する」は、値を受信すること、値の入力を受け付けること、記憶媒体から値を読み出すこと、ある値から他の値を算出することなどを含む。
　「特定する」とは、第１の値を用いて複数の値を取り得る第２の値を定めることである。例えば、「特定する」は、第１の値から第２の値を算出すること、故障部位推定データベースを参照して第１の値に対応する第２の値を読み出すこと、第１の値をクエリとして第２の値を検索すること、第１の値に基づいて複数の候補の中から第２の値を選択することなどを含む。
（２）第２の態様によれば、第１の態様に係るプラント監視装置（２０）が、前記検出値の束に基づいて、前記複数のセンサー値の望大ＳＮ比を算出する望大ＳＮ比算出部（２０５）を備え、前記故障部位推定データベースは、異常原因とセンサー値とに関連付けて、異常原因の発生可能性の増加・減少を示す情報量を保持し、前記異常原因推定部（２０９）は、前記複数のセンサー値ごとに、前記故障部位推定データベースにおいて当該センサー値について特定された低値異常か高値異常かの別に関連付けられた情報量と、当該センサー値に係る前記望大ＳＮ比とを乗算した値を求め、求めた前記値の総和に基づいて前記異常原因を推定するものであってよい。
　これにより、望大ＳＮ比が高いセンサー値に係る情報量が大きい異常原因の確からしさが高くなり、望大ＳＮ比が高いセンサー値に係る情報量が小さい異常原因の確からしさが低くなる。したがって、プラント監視装置は、異常原因の推定結果に発生する可能性が低い事象を除去することができる。
（３）第３の態様によれば、第１または第２の態様に係るプラント監視装置（２０）において、前記故障部位推定データベースにおいて、異常原因と、低値異常および高値異常のうち当該異常原因が生じたときに発生する可能性が高いものとに、正の情報量が関連付けられ、異常原因と、低値異常および高値異常のうち当該異常原因が生じたときに発生しない可能性が高いものに、負の情報量が関連付けられるものであってよい。
　これにより、プラント監視装置は、発生しない可能性が高い異常原因の確からしさを積極的に下げることができる。したがって、プラント監視装置は、異常原因の推定結果に発生する可能性が低い事象を除去することができる。
（４）第４の態様によれば、第３の態様に係るプラント監視装置において、低値異常および高値異常のうち前記故障部位推定データベースにおいて、前記異常原因が生じたときに発生しない可能性が高いものに関連付けられた情報量の絶対値は、当該異常原因が生じたときに発生する可能性が高いものに関連付けられた情報量の絶対値より大きいものであってよい。
（５）第５の態様によれば、プログラムは、コンピュータに、プラントに関する複数のセンサー値毎の検出値の束を取得するステップと、前記複数のセンサー値毎の検出値の束が集まって構成される単位空間を基準にして、前記取得部が取得した前記検出値の束のマハラノビス距離を求めるステップと、前記マハラノビス距離が所定の閾値以内であるか否かに応じて、前記プラントの運転状態が正常であるか異常であるかを判定するステップと、前記プラントの運転状態が異常と判定された場合、前記検出値の束のうち原因と推定される少なくとも１つのセンサー値について、検出値が高いことによる異常である高値異常か、検出値が低いことによる異常である低値異常かを特定するステップと、前記少なくとも１つのセンサー値ごとに、低値異常か高値異常かの別と、前記プラントに生じ得る複数の異常原因と前記複数のセンサー値との関係を保持する故障部位推定データベースとに基づいて、異常原因を推定するステップと、推定された前記異常原因を出力するステップと、を実行させる。
　プラント監視装置は、センサの異常により原因が発生する可能性が低くなる事象の情報を負値に設定することで、故障の真因をより信頼性良く推定できる。
１　プラント
２０　プラント監視装置
２０１　センサー値取得部
２０２　単位空間記憶部
２０３　ＭＤ距離算出部
２０４　プラントの異常の有無判定部
２０５　望大ＳＮ比算出部
２０６　異常センサー抽出部
２０７　高値異常／低値異常の判定部
２０８　故障部位推定データベース
２０９　異常原因推定部
２１０　異常原因出力表示部

Claims (5)

  1. 　プラントに関する複数のセンサー値毎の検出値の束を取得するセンサー値取得部と、
    　前記複数のセンサー値毎の検出値の束が集まって構成される単位空間を基準にして、取得した前記検出値の束のマハラノビス距離を求める距離演算部と、
    　前記マハラノビス距離が所定の閾値以内であるか否かに応じて、前記プラントの運転状態が正常であるか異常であるかを判定するプラントの異常の有無判定部と、
    　前記プラントの運転状態が異常と判定された場合、前記検出値の束のうち原因と推定される少なくとも１つのセンサー値について、検出値が高いことによる異常である高値異常か、検出値が低いことによる異常である低値異常かを特定する高値異常／低値異常判定部と、
    　前記少なくとも１つのセンサー値ごとに、低値異常か高値異常かの別と、前記プラントに生じ得る複数の異常原因と前記複数のセンサー値との関係を保持する故障部位推定データベースとに基づいて、異常原因を推定する異常原因推定部と、
    　推定された前記異常原因を出力する出力部と、
    　を有するプラント監視装置。
  2. 　前記検出値の束に基づいて、前記複数のセンサー値のＳＮ比を算出するＳＮ比算出部を備え、
    　前記故障部位推定データベースは、異常原因とセンサー値とに関連付けて、異常原因の発生可能性の増加・減少を示す情報量を保持し、
    　前記異常原因推定部は、前記複数のセンサー値ごとに、前記故障部位推定データベースにおいて当該センサー値について特定された低値異常か高値異常かの別に関連付けられた情報量と、当該センサー値に係る望大ＳＮ比とを乗算した値を求め、求めた前記値の総和に基づいて前記異常原因を推定する
    　請求項１に記載のプラント監視装置。
  3. 　前記故障部位推定データベースにおいて、高値異常／低値異常が発生した際、通常より異常原因が発生し易くなるものには正の情報量、通常より異常原因が発生し難くなる可能性があるものには負の情報量が関連付けられている
    　請求項１または請求項２に記載のプラント監視装置。
  4. 　プラントに関する複数のセンサー値毎の検出値の束を取得するステップと、
    　前記複数のセンサー値毎の検出値の束が集まって構成される単位空間を基準にして、取得した前記検出値の束のマハラノビス距離を求めるステップと、
    　前記マハラノビス距離が所定の閾値以内であるか否かに応じて、前記プラントの運転状態が正常であるか異常であるかを判定するステップと、
    　前記プラントの運転状態が異常と判定された場合、前記検出値の束のうち原因と推定される少なくとも１つのセンサー値について、検出値が高いことによる異常である高値異常か、検出値が低いことによる異常である低値異常かを特定するステップと、
    　前記少なくとも１つのセンサー値ごとに、低値異常か高値異常かの別と、前記プラントに生じ得る複数の異常原因と前記複数のセンサー値との関係を保持する故障部位推定データベースとに基づいて、異常原因を推定するステップと、
    　推定された前記異常原因を出力するステップと、
    　を有するプラント監視方法。
  5. 　コンピュータに、
    　プラントに関する複数のセンサー値毎の検出値の束を取得するステップと、
    　前記複数のセンサー値毎の検出値の束が集まって構成される単位空間を基準にして、取得した前記検出値の束のマハラノビス距離を求めるステップと、
    　前記マハラノビス距離が所定の閾値以内であるか否かに応じて、前記プラントの運転状態が正常であるか異常であるかを判定するステップと、
    　前記プラントの運転状態が異常と判定された場合、前記検出値の束のうち原因と推定される少なくとも１つのセンサー値について、検出値が高いことによる異常である高値異常か、検出値が低いことによる異常である低値異常かを特定するステップと、
    　前記少なくとも１つのセンサー値ごとに、低値異常か高値異常かの別と、前記プラントに生じ得る複数の異常原因と前記複数のセンサー値との関係を保持する故障部位推定データベースとに基づいて、異常原因を推定するステップと、
    　推定された前記異常原因を出力するステップと、
    　を実行させるためのプログラム。
PCT/JP2021/020739 2020-06-12 2021-05-31 プラント監視装置、プラント監視方法およびプログラム WO2021251200A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202180037578.2A CN115668085A (zh) 2020-06-12 2021-05-31 成套设备监视装置、成套设备监视方法及程序
DE112021003238.0T DE112021003238T5 (de) 2020-06-12 2021-05-31 Anlagenüberwachungsvorrichtung, anlagenüberwachungsverfahren und programm
JP2022530478A JP7399288B2 (ja) 2020-06-12 2021-05-31 プラント監視装置、プラント監視方法およびプログラム
US17/928,466 US20230212980A1 (en) 2020-06-12 2021-05-31 Plant monitoring device, plant monitoring method, and program
KR1020227042070A KR20230005951A (ko) 2020-06-12 2021-05-31 플랜트 감시 장치, 플랜트 감시 방법 및 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-102395 2020-06-12
JP2020102395 2020-06-12

Publications (1)

Publication Number Publication Date
WO2021251200A1 true WO2021251200A1 (ja) 2021-12-16

Family

ID=78845666

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/020739 WO2021251200A1 (ja) 2020-06-12 2021-05-31 プラント監視装置、プラント監視方法およびプログラム

Country Status (6)

Country Link
US (1) US20230212980A1 (ja)
JP (1) JP7399288B2 (ja)
KR (1) KR20230005951A (ja)
CN (1) CN115668085A (ja)
DE (1) DE112021003238T5 (ja)
WO (1) WO2021251200A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017215863A (ja) * 2016-06-01 2017-12-07 三菱日立パワーシステムズ株式会社 監視装置、対象装置の監視方法、およびプログラム
JP2018173948A (ja) * 2017-03-31 2018-11-08 西日本電信電話株式会社 故障診断装置、故障診断方法、及びコンピュータプログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019063575A (ja) 2018-12-21 2019-04-25 株式会社大都技研 遊技台
JP7114454B2 (ja) 2018-12-25 2022-08-08 昭和フロント株式会社 照明装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017215863A (ja) * 2016-06-01 2017-12-07 三菱日立パワーシステムズ株式会社 監視装置、対象装置の監視方法、およびプログラム
JP2018173948A (ja) * 2017-03-31 2018-11-08 西日本電信電話株式会社 故障診断装置、故障診断方法、及びコンピュータプログラム

Also Published As

Publication number Publication date
CN115668085A (zh) 2023-01-31
JP7399288B2 (ja) 2023-12-15
US20230212980A1 (en) 2023-07-06
DE112021003238T5 (de) 2023-04-20
KR20230005951A (ko) 2023-01-10
JPWO2021251200A1 (ja) 2021-12-16

Similar Documents

Publication Publication Date Title
JP5405587B2 (ja) 航空エンジンを監視するために使用されるデータの標準化
JP6511702B2 (ja) 監視装置、対象装置の監視方法、およびプログラム
JP6088131B2 (ja) タービン性能診断システム及び方法
CN104756029B (zh) 一种监控设备的部件组的系统
JP2020091561A (ja) 異常診断装置及び異常診断方法
Tsalavoutas et al. Combining advanced data analysis methods for the constitution of an integrated gas turbine condition monitoring and diagnostic system
KR20180137513A (ko) 감시 장치, 대상 장치의 감시 방법 및 프로그램
US11555757B2 (en) Monitoring device, monitoring method, method of creating shaft vibration determination model, and program
KR102603020B1 (ko) 플랜트 감시 장치, 플랜트 감시 방법, 및 프로그램
KR20200085817A (ko) 단위 공간 생성 장치, 플랜트 진단 시스템, 단위 공간 생성 방법, 플랜트 진단 방법, 및 프로그램
WO2021251200A1 (ja) プラント監視装置、プラント監視方法およびプログラム
CN108629077B (zh) 故障诊断装置、监视装置、故障诊断方法以及记录介质
JP7387325B2 (ja) プラント監視装置、プラント監視方法、及びプログラム
JP2012108708A (ja) 障害検知装置、情報処理方法、およびプログラム
JP7453049B2 (ja) 異常予兆監視システム、異常予兆監視方法、及びプログラム
WO2018003028A1 (ja) ボイラーの故障判定装置、故障判定方法およびサービス方法
JP2022067759A (ja) 要因推定装置、要因推定方法及びプログラム
JP7487412B2 (ja) プラント監視方法、プラント監視装置及びプラント監視プログラム
WO2021131403A1 (ja) プラント監視装置、プラント監視方法、及びプログラム
WO2021229815A1 (ja) 情報処理装置、評価方法、および評価プログラム
JP3923773B2 (ja) プラント異常事象診断装置とその診断方法、ならびに記録媒体
WO2019135351A1 (ja) センサ選択装置およびセンサ選択方法
CN115235749A (zh) 一种机器设备故障诊断方法及装置

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: 21821914

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022530478

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 20227042070

Country of ref document: KR

Kind code of ref document: A

122 Ep: pct application non-entry in european phase

Ref document number: 21821914

Country of ref document: EP

Kind code of ref document: A1