JP6116466B2 - プラントの診断装置及び診断方法 - Google Patents

Description

本発明は、プラントの診断装置及び診断方法に関する。

プラントの診断装置は、プラントに異常な過渡事象や事故等が生じた際に、プラントからの計測データを基にその異常や事故の発生を検知する。

特許文献１には、適応共鳴理論（Ａｄａｐｔｉｖｅ Ｒｅｓｏｎａｎｃｅ Ｔｈｅｏｒｙ：ＡＲＴ）を用いた診断装置が開示されている。ここで適応共鳴理論ＡＲＴとは、多次元のデータをその類似度に応じてカテゴリに分類する理論である。

特許文献１の技術においては、まず適応共鳴理論ＡＲＴを用いて正常時の計測データを複数のカテゴリ（正常カテゴリ）に分類する。次に、現在の計測データを適応共鳴理論ＡＲＴに入力してカテゴリに分類する。この計測データが正常カテゴリに分類できない時は、新しいカテゴリ（新規カテゴリ）を生成する。新規カテゴリの発生は、プラントの状態が変化したことを意味する。そこで、異常の発生を新規カテゴリの発生で判断することとし、新規カテゴリの発生率が閾値を越えた場合に異常と診断する。

しかし新規カテゴリは、現在の計測データが正常カテゴリに分類できないとき、すなわちプラントの状態が変化した時に生成する。

プラントの状態は、運転パターンが変化した時にも変化する。ここで運転パターンとは、プラントが設置されている場所の環境条件（大気温度、湿度など）や、オペレータの操作で決定する量（プラントで生成される発電量）など、機器特性と直接関係しない外的環境因子である。異常発生の有無に関わらず、運転パターンが変化すると各種計測データの値も変化する。

然るに運転パターン変化は異常ではないが、特許文献１の方法では異常と診断する可能性がある。正常状態を異常と診断することになり、結果として誤報が発生する原因となる。

この課題を解決するため、特許文献２の技術においては、運転パターン変化、異常を区別することで、誤報発生率を抑制する技術が開示されている。本技術では、運転パターンを決定する計測値を適応共鳴理論ＡＲＴで処理し新規カテゴリが発生したら運転パターンが変化したと判定する。

なお、調整パラメータの代表値と変動範囲（標準偏差）を推定する方法としてベイズ学習法が非特許文献１に記載されている

特開２００５−１６５３７５号公報 国際公表特許ＷＯ２０１１−１２５１３０号公報

統計科学のフロンティア１２、計算統計 ２００５年１０月２８日発行、伊庭幸人 ほか５名著 岩波書店 Ｐ２２２−Ｐ２３２

特許文献２の技術では運転パターンが変化したかどうかを判定するが、その運転パターンのもとで異常発生の有無を判定することはできない。また、全運転パターンの正常状態を学習するためには、長期間の運転データを必要とする。

本発明の目的は運転パターンに対応した診断を実施することで診断精度を向上させることと、短期間の運転データで診断することを可能とするプラントの診断装置及び診断方法を提供することにある。

以上のことから本発明の診断装置は、プラントの状態量を計測した計測信号を用いてプラントの運転状態を診断する検知部を備え、診断結果を画像表示装置に表示するプラントの診断装置であって、検知部は所定期間のデータで構築した診断モデルを用いて状態変化を検知する状態変化検知部と、状態変化を検知したときと同じ運転パターンのデータで構築した診断モデルを用いて異常発生有無を検知する異常検知部で構成することを特徴とする。

また本発明の診断方法は、プラントの状態量を計測した計測信号を用いてプラントの運転状態を診断し、診断結果を表示するプラントの診断方法であって、所定期間のデータで構築した診断モデルを用いて状態変化を検知し、状態変化を検知したときと同じ運転パターンのデータで構築した診断モデルを用いて異常発生有無を検知することを特徴とする。

さらに本発明の診断方法は、プラントの状態量を計測した計測信号を用いてプラントの運転状態を診断し、診断結果を表示するプラントの診断方法であって、所定期間のデータで構築した診断モデルを用いてカテゴリを求め、新規カテゴリが発生した場合はプラントの運転パターンの変化有無を確認し、新規カテゴリを検知した時刻と同じ運転パターンの期間を検索し、当該期間の運転パターンでの計測信号を用いて診断モデルを構築し、該診断モデルでの新規カテゴリ発生有無を評価して異常判定を行うことを特徴とする。

運転パターンに対応した診断を実施することで診断精度を向上できる。また、診断対象プラントの運転データは短期間で良いため、診断装置導入の時間を短縮できる。

本発明の第１の実施例である診断装置４００を説明するブロック図。 診断装置４００のモデル構築処理モードと診断モードを実行するタイミングを説明する図。 分類部７５０のデータ分類機能の構成を説明する図。 Ｆ０レイヤー６２１の構成を示すブロック図。 Ｆ１レイヤー６２２の構成を示すブロック図。 計測信号、もしくは疑似信号を分類した結果を説明する図。 カテゴリに分類した分類結果の一例を示す図。 診断装置４００の診断モードの動作フローチャート図である。 計測信号データベース５１０に保存されるデータの態様を説明する図。 プラントデータベース５２０に保存されるデータの態様を説明する図。 診断モデルデータベース５３０に保存されるデータの態様を説明する図。 疑似信号生成部７３０を説明するブロック図である。 パラメータデータ７３５に生成されたパラメータデータの例を表示画面状に表示した事例を示す図。 パラメータ推定部７３４を動作させた結果として得られるパラメータサンプル値を説明する図。 シミュレータ７３２で作成した疑似データの例を示す図。 パラメータを変化させた時の疑似データの２項目を表示した図。 平均値を用いて疑似データを作成した場合の疑似データの２項目を表示した図。 図５のフローチャートでの判定結果を表示する画面を示す図。 類似プラントの計測信号と疑似信号、疑似信号をカテゴリに分類した結果、および診断対象プラントと類似プラントの設計情報を表示する画面を示す図。 カテゴリの分類性能を決めるビジランスパラメータρを変更するのに用いる画面を示す図。 診断対象のプラント１００がガスタービンプラントである場合の構成を説明する図。 起動時の運転パターンのバリエーションを示す図。 診断対象のプラント１００がボイラプラントである場合の構成を説明する図。 ボイラプラントの運転パターンのバリエーションを示す図。 複数のサイトを診断する場合の構成を説明する図。

本発明の実施例であるプラントの診断装置及び診断方法について、図面を参照して以下に説明する。

図１は、本発明の第１の実施例である診断装置４００を説明するブロック図である。診断装置４００を用いて、プラント１００を監視する。

診断装置４００は、演算装置として監視データ生成部７００、分類部７５０、検知部８００を備えている。監視データ生成部７００は、運転パターン評価部７１０、類似プラント選定部７２０、疑似信号生成部７３０で構成し、検知部８００は状態変化検知部８１０、異常検知部８２０で構成する。

また、診断装置４００はデータベースとして計測信号データベース５１０、プラントデータベース５２０、診断モデルデータベース５３０を備える。尚、図１においてはデータベースをＤＢと略記している。計測信号データベース５１０、プラントデータベース５２０、診断モデルデータベース５３０には、電子化された情報が保存されており、通常電子ファイル（電子データ）と呼ばれる形態で情報が保存される。

また、診断装置４００は、外部とのインターフェイスとして外部入力インターフェイス４１０及び外部出力インターフェイス４２０を備えている。

そして、外部入力インターフェイス４１０を介してプラント１００の運転状態である各種状態量を計測した計測信号１と、運転管理室９００に備えられているキーボード９２０及びマウス９３０で構成される外部入力装置９１０の操作で作成する外部入力信号２が診断装置４００に取り込まれる。また、外部出力インターフェイス４２０を介して、画像表示情報１１を運転管理室９００に備えられている画像表示装置９４０に出力する。

図１に示した診断装置４００において、プラント１００の各種状態量を計測した計測信号１は外部入力インターフェイス４１０を介して取り込まれる。診断装置４００に取り込まれた計測信号３は、計測信号データベース５１０に保存する。なお計測信号１の多くはアナログ量であるが、診断装置４００に取り込まれた計測信号３は時系列的なディジタル量であるため記号を区別している。

診断装置４００は、モデル構築処理と診断処理の二つの処理モードを持つ。モデル構築処理では、正常状態の計測信号を用いて、診断モデルを構築する。診断モデルはクラスタリング技術により構築され、正常状態の計測信号がいくつかのデータグループに分類される。診断処理では、診断する時刻の計測信号を処理する。計測信号が正常状態の時と同じ特性であれば、診断モデルのデータグループのいずれか１つに分類される。特性が異なる場合は、診断モデルのデータグループには属さないことになる。

プラント１００にて異常が発生すると、計測信号の特性が正常状態とは異なる。そのため、正常状態の計測信号を用いて構築した診断モデルのデータグループに、診断の計測信号が分類されない。この特性を利用して、先に述べた特許文献１では計測信号が診断モデルのデータグループに属さない場合に異常と診断する。

しかし、プラント１００の特性は、プラントの運転パターンに応じて変化する。ここで運転パターンとは、プラントが設置されている場所の環境条件（大気温度、湿度など）や、オペレータの操作で決定する値（プラントで生成する発電量の指令値）など、機器特性と直接関係しない外的環境因子である。

運転状態が正常であっても、運転パターンが異なると計測信号の傾向も変化する。そのため、特許文献１の技術を適用すると正常状態を異常と判定する誤報が発生する可能性がある。

そこで、本発明では状態変化の検知と異常の検知の２種類の検知方式を組み合わせて診断することで、誤報の発生を回避する。

まず、モデル構築処理モードの動作を述べる。モデル構築処理モードでは、状態変化の検知に用いる監視モデルを構築する。

まず、監視データ生成部７００では、予め定められたデータ項目について、所定期間の計測信号情報４を計測信号データベース５１０から抽出する。ここでの所定期間はプラント１００の運用サイクルに応じて任意に設定でき、ＤＳＳ（Ｄａｉｌｙ Ｓｔａｒｔ ａｎｄ Ｓｔｏｐ）運転の場合は１日、ＷＳＳ（Ｗｅｅｋｌｙ Ｓｔａｒｔ ａｎｄ Ｓｔｏｐ）運転の場合は１週間、ＭＳＳ（Ｍｏｎｔｈｌｙ Ｓｔａｒｔ ａｎｄ Ｓｔｏｐ）運転の場合は１か月などに設定する。監視データ生成部７００で抽出した計測信号情報４を含む監視データ情報６は分類部７５０に送信される。分類部７５０では、監視データ情報６をクラスタリング技術により分類する。分類結果である分類結果情報７は、診断モデルデータベース５３０に送信され、保存される。

次に、診断処理モードの動作を述べる。診断処理モードでは、まずモデル構築処理モードで構築した診断モデルを用いて状態変化検知部８１０にて状態変化有無を判定する。

状態変化を検知した場合は、同じ運転パターンのデータを用いて診断モデルを構築し、異常検知部８２０にて異常有無を判定する。もし同じ運転パターンのデータがない場合は、類似プラントの過去の運転データを活用して正常データの疑似データを作成し、疑似データを用いて構築した診断モデルで診断する。診断処理モードの詳細は、図５を用いて後述する。診断処理モードを動作させて得られる検知結果情報１０は、外部出力インターフェイス４２０に出力する。

なお、本実施例の診断装置４００においては、監視データ生成部７００、分類部７５０、検知部８００、計測信号データベース５１０、プラントデータベース５２０、診断モデルデータベース５３０が診断装置４００の内部に備えられているが、これらの一部の装置を診断装置４００の外部に配置し、データのみを装置間で通信するようにしてもよい。

また、図示していないが、診断装置４００に設置された計測信号データベース５１０、プラントデータベース５２０、診断モデルデータベース５３０に保存されている情報は、運転管理室９００とデータ通信できるようになっており、データベースの情報を画像表示装置９４０に表示できる。また、これらの情報は、キーボード９２０とマウス９３０で構成する外部入力装置９１０を操作して生成する外部入力信号２で修正できる。

また、本発明の実施形態として、診断装置４００を動作させて得られた情報を運転員に提供する情報提供サービス、診断装置４００を搭載した運転制御装置も含まれる。

図２は、診断装置４００のモデル構築処理モードと診断モードを実行するタイミングを説明する図である。所定の設定期間毎に正常状態学習モード（モデル構築処理モード）を動作させ、サンプリング周期毎に診断処理モードを動作させて診断する。

図３は、分類部７５０を説明する図である。本実施例では、信号を分類する技術として、適応共鳴理論（Ａｄａｐｔｉｖｅ Ｒｅｓｏｎａｎｃｅ Ｔｈｅｏｒｙ：ＡＲＴ）を適用した場合について述べる。尚、ベクトル量子化、サポートベクターマシン等、他のクラスタリング手法を用いることもできる。

図３（ａ）に示すように、データ分類機能はデータ前処理装置６１０とＡＲＴモジュール６２０で構成する。データ前処理装置６１０は、運転データをＡＲＴモジュール６２０の入力データに変換する。

以下に、前記データ前処理装置６１０及びＡＲＴモジュール６２０によるそれらの手順について説明する。

まず、データ前処理装置６１０において、計測項目毎にデータを正規化する。計測信号を正規化したデータＮｘｉ（ｎ）及び正規化したデータの補数ＣＮｘｉ（ｎ）（＝１−Ｎｘｉ（ｎ））を含むデータを入力データＩｉ（ｎ）とする。この入力データＩｉ（ｎ）が、ＡＲＴモジュール６２０に入力される。

ＡＲＴモジュール６２０においては、入力データである分類用データ信号７０２、もしくは検知用データ信号６を複数のカテゴリに分類する。

ＡＲＴモジュール６２０は、Ｆ０レイヤー６２１、Ｆ１レイヤー６２２、Ｆ２レイヤー６２３、メモリ６２４及び選択サブシステム６２５を備え、これらは相互に結合している。Ｆ１レイヤー６２２及びＦ２レイヤー６２３は、重み係数を介して結合している。重み係数は、入力データが分類されるカテゴリのプロトタイプ（原型）を表している。ここで、プロトタイプとは、カテゴリの代表値を表すものである。

次に、ＡＲＴモジュール６２０のアルゴリズムについて説明する。ＡＲＴモジュール６２０に入力データが入力された場合のアルゴリズムの概要は、下記の処理１〜処理５のようになる。

処理１：Ｆ０レイヤー６２１により入力ベクトルを正規化し、ノイズを除去する。

処理２：Ｆ１レイヤー６２２に入力された入力データと重み係数との比較により、ふさわしいカテゴリの候補を選択する。

処理３：選択サブシステム６２５で選択したカテゴリの妥当性がパラメータρとの比により評価される。妥当と判断されれば、入力データはそのカテゴリに分類され、処理４に進む。一方、妥当と判断されなければ、そのカテゴリはリセットされ、他のカテゴリからふさわしいカテゴリの候補を選択する（処理２を繰り返す）。パラメータρの値を大きくするとカテゴリの分類が細かくなり、ρの値を小さくすると分類が粗くなる。このパラメータρをビジランス（ｖｉｇｉｌａｎｃｅ）パラメータと呼ぶ。

処理４：処理２において全ての既存のカテゴリがリセットされると、入力データが新規カテゴリに属すると判断され、新規カテゴリのプロトタイプを表す新しい重み係数を生成する。

処理５：入力データがカテゴリＪに分類されると、カテゴリＪに対応する重み係数ＷＪ（ｎｅｗ）は、過去の重み係数ＷＪ（ｏｌｄ）及び入力データｐ（又は入力データから派生したデータ）を用いて下記（１）式により更新される。
ＷＪ（ｎｅｗ）＝Ｋｗ・ｐ＋（１−Ｋｗ）・ＷＪ（ｏｌｄ） ・・・（１）
ここで、Ｋｗは、学習率パラメータ（０＜Ｋｗ＜１）であり、入力ベクトルを新しい重み係数に反映させる度合いを決定する値である。

尚、（１）式及び後述する（２）式乃至（１２）式の各演算式は前記ＡＲＴモジュール６２０に組み込まれている。

ＡＲＴモジュール６２０のデータ分類アルゴリズムの特徴は、上記の処理４にある。つまり、処理４においては、学習した時のパターンと異なる入力データが入力された場合、記録されているパターンを変更せずに新しいパターンを記録することができる。このため、過去に学習したパターンを記録しながら、新たなパターンを記録することが可能となる。

このように、入力データとして予め与えた運転データを与えると、ＡＲＴモジュール６２０は与えられたパターンを学習する。したがって、学習済みのＡＲＴモジュール６２０に新たな入力データが入力されると、上記アルゴリズムにより、過去におけるどのパターンに近いかを判定することができる。また、過去に経験したことのないパターンであれば、新規カテゴリに分類される。

図３（ｂ）は、Ｆ０レイヤー６２１の構成を示すブロック図である。Ｆ０レイヤー６２１では、入力データＩを各時刻で再度正規化し、Ｆ１レイヤー６２１、及び選択サブシステム６２５に入力する正規化入力ベクトルｕ^０を作成する。

始めに、入力データＩから、（２）式に従ってｗ^０を計算する。ここで、ａは定数である。なお図面や式中においてこれらの記号に下付小文字としてｉを付すことがあるが、これはｉ
番目のデータの処理であることを意味している。

次に、ｗ^０を正規化したｘ^０を、（３）式を用いて計算する。なお（３）式において、ｘ^０の両側の二重縦線はノルムを表す記号である。

そして、（４）式を用いて、ｘ^０からノイズを除去したｖ^０を計算する。ただし、θはノイズを除去するための定数である。（４）式の計算により、微小な値は０となるため、入力データのノイズが除去される。

最後に、（５）式を用いて正規化入力ベクトルｕ^０を求める。ｕ^０はＦ１レイヤーの入力となる。

図３（ｃ）は、Ｆ１レイヤー６２２の構成を示すブロック図である。Ｆ１レイヤー６２２では、式（５）で求めたｕ^０を短期記憶として保持し、Ｆ２レイヤー７２２に入力するｐｉを計算する。Ｆ２レイヤーの計算式をまとめて（６）式〜（１２）式に示す。ただし、ａ、ｂは定数、ｆは（４）式で示した関数、ＴｊはＦ２レイヤー７２２で計算する適合度である。

ただし、

図４は分類部７５０で監視データ情報６に含まれる計測信号、もしくは疑似信号を分類した結果を説明する図である。

図４（ａ）は、プラント１００から取得した計測信号１、もしくは疑似信号を、カテゴリに分類した結果を説明する図である。横軸は、時間、縦軸は計測信号、カテゴリ番号である。この結果によれば、正常期間において項目Ａ、Ｂはカテゴリー番号１に分類され、その後順次カテゴリー番号２、３に分類されるように時間変化している。また診断期間において、当初カテゴリー番号２に分類されていたものが、短時間でカテゴリー番号４に分類されるように状態が変化した。

図４（ｂ）は、分類部７５０にてカテゴリに分類した分類結果の一例を示す図である。この例では、計測信号のうちの２項目を表示したものであり、２次元のグラフで表記した。また、縦軸及び横軸は、それぞれの項目の計測信号を規格化して示した。この表示結果によれば、カテゴリー番号１は項目Ａが大きく項目Ｂが小さいグループ、カテゴリー番号２は項目Ａと項目Ｂが共に小さいグループ、カテゴリー番号３は項目Ｂが大きく項目Ａが小さいグループ、カテゴリー番号４は項目Ａと項目Ｂが共に大きいグループに分類したものであることが見て取れる。このように、計測信号は、図３（ａ）のＡＲＴモジュール６２０によって、複数のカテゴリ６３０（図４（ｂ）に示す円）に分割される。１つの円が、１つのカテゴリに相当する。

図４（ａ）に示すように、診断開始前の正常期間のデータは、カテゴリ１〜３に分類された。カテゴリ１〜３に分類されたデータがモデルデータである。これに対し、監視開始後の診断期間前半のデータはカテゴリ２に分類されており、モデルデータと同じカテゴリ１〜３に含まれるデータである。この場合、データの傾向が同じであることから、状態は変化していないと判断する。

一方、監視開始後の診断期間後半のデータはカテゴリ４に分類されており、モデルデータ（カテゴリ１〜３）と異なるカテゴリに分類されている。データの傾向が異なることから、プラントの状態が変化したと判断する。

尚、本実施例においては、２項目の計測信号Ａ、Ｂをカテゴリに分類する例を述べたが、３項目以上の計測信号について多次元の座標を用いてカテゴリに分類することもできる。

図５は、診断装置４００の診断モードの動作フローチャート図である。

本発明では状態変化検知部８１０で診断した結果として新規カテゴリが発生した時には、運転パターンが変化しているかどうかを判定する。運転パターンが変化している場合には異常検知部８２０で改めて診断する。本方式により、運転パターン変化を異常と診断する誤報の発生を回避すると同時に、正常状態の運転データを収集する期間を短縮できる。

図５の診断モードの動作フローチャートでは、まずステップ１０００において、状態変化検知部８１０を動作させて診断する。次にステップ１０１０では、ステップ１０００の診断結果を評価し、新規カテゴリが発生しなかった場合はステップ１１００（正常判定）に進み、新規カテゴリが発生した場合はステップ１０２０に進む。

ステップ１０２０では、運転パターン評価部７１０を動作させて運転パターンの変化有無を確認し、変化無しの場合はステップ１１１０（異常判定）へ進み、変化有りの場合は１０３０に進む。

ステップ１０３０では、図６（ａ）に例示する計測信号データベース５１０に対して現時刻（状態変化を検知した時刻）と同じ運転パターンの期間が存在するか否かを検索し、同じ運転パターンの期間が存在しない場合はステップ１０４０へ進み、同じ運転パターンの期間が存在する場合はステップ１０６０へ進む。なお図５のステップ１０３０では、現時刻と同じ運転パターンの期間が存在するか否かを、過去データ（現時刻と同じ運転パターンの期間における）の有無として表記している。例えば図６（ａ）に例示する計測信号データベース５１０について、時刻１０：０１が現時刻であるとして、同じ運転パターンを検索したときにこれが時刻１０：００であったとした場合に、この時の項目Ａ，Ｂ，Ｃについてのデータが過去データとして抽出されることになる。

ステップ１０４０では、運転員によりあらかじめ設定された条件に基づいて疑似信号作成の有無を決定し、疑似信号を作成する場合はステップ１０５０へ進み、作成しない場合はステップ１１２０（予兆判定）へ進む。ここで予兆判定とは、プラントの運転状態が変化しているが異常が発生しているとは限らない状態のことであり、異常発生の最終判断は運転員が実施する。

ステップ１０５０では、まず類似プラント選定部７２０を動作させて、診断対象のプラント１００と類似したプラントをプラントデータベース５２０から抽出する。類似プラント選定部７２０では、診断対象のプラントの設計情報と、プラントデータベース５２０に保存されているプラントの設計情報を比較し、以下の（１３）式の評価関数Ｆが最小となるプラントを抽出する。但し（１３）式においてＣｉは（１４）式で表される。ここで、すでに述べたようにＰはＦ２レイヤー７２２の入力であり、ｗは（２）式で求めた値である。

Ｆ ＝ Σｗｉ×Ｃｉ ・・・（１３）
Ｃｉ ＝ （Ｐ１ｉ/Ｐ２ｉ）＾２ ・・・（１４）
次に疑似信号生成部７３０にて疑似信号を作成し、ステップ１０６０へ進む。尚、疑似
信号生成部７３０の詳細は図７を用いて後述する。

ステップ１０６０では、計測信号データベース５１０から抽出した同一の運転パターンの計測信号、もしくはステップ１０５０で生成した疑似信号を用いて診断モデルを構築し、本診断モデルを用いて異常検知部８２０にて診断する。ステップ１０７０では、ステップ１０６０での新規カテゴリ発生有無を評価し、発生しなかった場合はステップ１１３０（正常判定）に進み、発生した場合はステップ１１４０（異常判定）に進む。

ステップ１１００、１１１０、１１２０、１１３０、１１４０を実行した後、ステップ１０８０にて終了判定を実施する。プラント運転員から診断システムの停止要請があった場合はシステムを終了させ、それ以外の場合はステップ１０００に戻る。

図５に一連の処理フローを示す本発明の診断装置では、ステップ１０６０にて同一の運転パターンの計測信号を用いた診断モデルを用いて診断を実行することで、ステップ１０１０で診断する場合と比較して運転パターン変更に伴う誤報の発生を抑制し、診断精度を向上できる。また、診断対象プラントの同一運転データがない場合はステップ１０５０にて疑似信号を生成して診断モデルを構築できる。従って、診断対象プラントの運転データは短期間で良いため、診断装置導入の時間を短縮する効果が得られる。

図６は、計測信号データベース５１０、プラントデータベース５２０、診断モデルデータベース５３０に保存されるデータの態様を説明する図である。なおここではモニタ画面上にこれらのデータを表記した状態を示している。従って、モニタ画面上で、適宜左右、上下方向のスクロールにより、表示範囲以上のデータを参照可能である。またタブにより複数の監視グループを選択することも可能である。

図６（ａ）は、計測信号データベース５１０に保存されるデータの態様を示している。ここには、プラント１００で計測した運転データである計測信号１（図では、データ項目Ａ、Ｂ、Ｃを記載）の値が、サンプリング周期（縦軸の時刻）毎に保存される。また表示画面５１１において縦横に移動可能なスクロールボックス５１２及び５１３を用いることにより、広範囲のデータをスクロール表示することができる。

図６（ｂ）は、プラントデータベース５２０に保存されるデータの態様を示している。ここには、プラント名、出力、蒸気圧力、蒸気温度など、各種プラントの設計値が保存される。また、プラントデータベース５２０には、各種プラントの過去の運転データが、図６（ａ）に示したフォーマットで保存される。さらにプラントデータベース５２０には、センサの配置位置や計測点数などのセンサ設置情報、大気温度や湿度などの環境情報が保存される。

図６（ｃ）は、診断モデルデータベース５３０に保存されるデータの態様を示している。ここには、カテゴリ番号と重み係数との関係が診断モデル毎（監視グループのタブ選択により選択）に保存される。ここで、重み係数とは、カテゴリの中心座標のことである。

図７（ａ）は、疑似信号生成部７３０を説明するブロック図である。疑似信号生成部７３０は、演算装置としてシミュレータ７３２、パラメータ推定部７３４を備え、メモリとしてパラメータデータ７３５を備える。尚、メモリはデータベースの形態としても良い。

シミュレータ７３２では、計測信号データベース５１０とプラントデータベース５２０に保存されている情報を用いて、正常状態の計測信号の疑似データを以下のモデル式（１５）で計算する。

ｄｘ／ｄｔ ＝ ｆ（ｘ、α、β） ・・・（１５）
上記の式において、ｘはプラント１００の状態量、αは類似プラントの計測データで調整する調整パラメータ、βはプラントデータベース５２０に保存されているプラントの設計値で決定する固定パラメータである。

調整パラメータαはパラメータ推定部７３４で推定する。本発明は、パラメータの推定方法に限定されるものではなく、各種の推定アルゴリズムを用いて良い。

モデル式（１５）とプラント特性には誤差があり、これをモデル化誤差と呼ぶ。本発明ではモデル化誤差を、調整パラメータαが一定範囲で変動することを仮定することにより模擬する。本実施例では、調整パラメータαの代表値と変動範囲（標準偏差）を推定する方法としてベイズ学習法を用いる。

ベイズ学習法は、非特許文献１に記載されているため、以下ではアルゴリズムの詳細は省略し、パラメータ推定部７３４とシミュレータ７３２の動作結果を説明する。

図７（ｂ）は、パラメータデータ７３５に生成されたパラメータデータの例を表示画面状に表示した事例を示している。属性の欄では、類似プラントの計測データで調整する調整パラメータαと、プラントデータベース５２０に保存されているプラントの設計値で決定する固定パラメータβとを区分して表記し、これらパラメータの名称と共に、代表値と標準偏差を表示（記憶）している。

図８は、パラメータ推定部７３４とシミュレータ７３２の動作結果を説明する図である。このうち、図８（ａ）は、パラメータ推定部７３４を動作させた結果として得られるパラメータサンプル値を説明する図である。ベイズ推定法のマルコフ連鎖モンテカルロ法ではパラメータの推定サンプル値を逐次発生させる。パラメータのサンプル値は、サンプリング回数が少ない場合は変化が大きいが、サンプリング回数が多くなるに従って変化が小さくなる。サンプリング回数が一定値以上の区間を評価区間とし、評価区間のパラメータのサンプル値から平均値、標準偏差を計算する。

図８（ｂ）は、シミュレータ７３２で作成した疑似データの例である。調整パラメータをそのサンプル値の平均値に設定してシミュレータを動作させたときの値を実線で、標準偏差の範囲で変化させてシミュレータを動作させた時の値の範囲を点線で示している。この例では項目Ａは、ほぼ一定の上下限値の範囲内でほぼ一定とを保つ傾向を示し、項目Ｂは周期変動する上下限値の範囲内で同様に周期変動する傾向を示す疑似データであることが理解できる。

図８（ｃ）（ｄ）は、疑似データの２項目を表示したものであり、２次元のグラフで表記した。図８（ｃ）はパラメータを変化させた時、図８（ｄ）は平均値を用いて疑似データを作成した場合のグラフである。

パラメータを変化させることにより、モデル誤差を考慮し、計測信号の値のとりうる範囲を網羅した疑似信号を生成できる。この疑似信号を用いて診断モデルを構築することにより、モデル誤差に起因する誤報発生を抑制できる。また、平均値で作成した疑似データを分類して構築した診断モデルと、パラメータを変動させた時の疑似データを分類して構築した診断モデルの２つの診断モデルを用いて診断し、それぞれの診断結果を出力するようにしても良い。

図９は、画像表示装置９４０に表示する画面の実施例を説明する図である。このうち図９（ａ）は図５のフローチャートでの判定結果を表示する画面であり、監視グループ毎の診断結果（正常判定、異常判定、予兆判定のいずれか）を表示する。

図９（ｂ）は類似プラントの計測信号と疑似信号、疑似信号をカテゴリに分類した結果、および診断対象プラントと類似プラントの設計情報を表示する。本画面により、類似プラント選定部７２０、疑似信号生成部７３０の動作結果を確認できる。この表示画面によれば、診断対象プラントＡＡＡＡの出力、蒸気圧力、蒸気温度がそれぞれ１００、２５、５００であるとき、類似プラントＢＢＢＢのそれは９０、２５、５２０であることが対比表示されている。

図９（ｃ）はカテゴリの分類性能を決めるビジランスパラメータρを変更するのに用いる画面である。図９（ｃ）でρを変更したことの影響を、図９（ｂ）で評価できる。評価結果に基づき、ρを適正な値に設定できる。

図１０はプラント１００がガスタービンプラントであるときの実施形態を示した図である。図１０（ａ）は診断対象のプラント１００がガスタービンプラントである場合の構成を説明する図である。プラント１００は、ガスタービン発電機１１０、制御装置１２０及びデータ送信装置１３０を含む。ガスタービン発電機１１０は、発電機１１１、圧縮機１１２、燃焼器１１３及びタービン１１４を含む。

発電に際しては、圧縮機１１２にて吸い込んだ空気を圧縮して圧縮空気とし、この圧縮空気を燃焼器１１３に送り、燃料と混合して燃焼する。燃焼により発生した高圧ガスを用いてタービン１１４を回転させ、発電機１１１により発電を行う。

制御装置１２０においては、電力需要に応じてガスタービン発電機１１０の出力を制御する。また、制御装置１２０は、ガスタービン発電機１１０に設置されたセンサ（図示せず）で計測した運転データ１０２を入力データとしている。運転データ１０２は、吸気温度、燃料投入量、タービン排ガス温度、タービン回転数、発電機発電量、タービン軸振動などの状態量であり、サンプリング周期毎に計測している。また、大気温度などの気象情報も計測している。

制御装置１２０においては、これらの運転データ１０２を用いて、ガスタービン発電機１１０を制御するための制御信号１０１を算出する。また、制御装置１２０では、運転データ１０２の値が予め設定した範囲を逸脱した時に警報を発生させる処理を実施している。警報信号は、運転データ１０２が予め設定した範囲を逸脱した時に１、範囲内の時は０のデジタル信号として処理する。警報信号が１の時は、音や画面表示などで、警報の内容をオペレータに通知する。

信号データ送信装置１３０は、制御装置１２０で計測した運転データ１０２、及び制御装置１２０で算出した制御信号１０１、および警報信号を含む計測信号１をプラント状態監視装置２００に送信する。

図１０（ｂ）に示すように、本プラントにおける起動時の運転パターンのバリエーションとして、起動モードＡ、制御モードＢがある。起動モードＡとは、機器の保温状態に応じた起動方法であり、ホットスタート、ウォームスタート、コールドスタートなどのモードがある。また、制御モードＢとは制御目的に応じて決定する制御方法であり、起動時間最短制御、寿命消費量最小制御、起動中発電量最大制御などのモードがある。

本発明を実現する場合に、図１の運転パターン評価部７１０では、起動モードＡと制御モードＢのそれぞれが属するモードに応じて、運転パターンを区別するのがよい。尚、本発明を実施するに当たり、モードの種類、各モードの内容についての制限はないことは言うまでもない。

図１１はプラント１００がボイラプラントであるときの実施形態を示した図である。図１１（ａ）は、診断対象のプラント１００がボイラプラントである場合の構成を示す図である。このプラントは、ボイラ２００、ボイラ２００で発生させた蒸気により駆動する蒸気タービン３００を主構成要素とする火力発電プラントである（発電機は図示していない）。ボイラプラント１００は、負荷要求指令に基づいて、指定された負荷（発電出力）に制御する。蒸気加減弁２９０の弁開度を調節することで、タービン３００へ導かれる蒸気流量２６１が変化し発電出力が変化する。

その他にも水・蒸気系統には、蒸気タービン３００から出た蒸気を冷却して液体にする復水器３１０、復水器３１０で冷却された水をボイラ給水として再びボイラ２００へ送り込む給水ポンプ３２０がある。また、図示していないが、実際のプラントには蒸気タービン３００の途中段から抜き出した一部の蒸気を加熱源としてボイラ給水を予熱する給水加熱器もある。

一方、ボイラから排出される燃焼ガス２０１の系統には、排ガスを浄化するための排ガス処理装置３３０、浄化したガス３３１を放出する煙突３４０がある。

燃料である石炭３８１は燃料供給量調整弁３８０を介して、石炭粉砕機（ミル）３５０に送られる。また、石炭搬送と燃焼調整にもちいる空気３８２は空気量調整弁３７０を介して、石炭粉砕機３５０とバーナ３１０に供給される。石炭粉砕機３５０で粉末（微粉炭）となった石炭は、空気で搬送されてバーナ２１０に供給される。バーナ２１０の上部にはアフタエアポート２２０が配置され、アフタエアポート２２０には空気３８３が空気量調整弁３６０を介して供給される。

次にボイラ２００の構成について説明する。燃料を燃焼させるバーナ２１０がある火炉は炉内が高温になるため、壁面全体を冷却すると共に燃焼ガスの熱を回収する水壁２３０と呼ばれる冷却壁がある。ボイラ２００内には他にも節炭器２８０、１次過熱器２７０、２次過熱器２４０、３次過熱器２５０、４次過熱器２６０からなる熱交換器があり、これらによって燃焼ガスの熱を回収して高温蒸気を生成する。

尚、図中には記載していないが、プラントには、ガスの組成、温度、圧力や、蒸気の温度、圧力、熱交換器のメタル温度などを計測するためのセンサーが多数配置されており、この計測結果はデータ送信装置３９０から計測情報１としてボイラチューブリーク検出装置４００に送信される。また、図示していないが、ボイラのバーナ２１０は火炉前後に水平方向に複数本、高さ方向に複数段設置し、アフタエアポートは、火炉前後に水平方向に複数本配置するのが一般的である。

図１１（ｂ）に示すように、本プラントにおける運転パターンのバリエーションとして、バーナパターン、燃料種類モード、制御モードがある。

ボイラのバーナ２１０は火炉前後に水平方向に複数本、高さ方向に複数段設置されており、プラントの出力に応じて点火するバーナの本数を決定する。点火するバーナの位置は任意に設定できるため、点火バーナの組み合わせパターンは複数ある。また、ボイラにて使用する石炭の銘柄により、石炭の成分が異なる。バーナパターン、燃料種類が異なると火炉の熱吸収特性が変化するため、蒸気温度等のプラント特性に影響する。また、制御モードとは制御目的に応じて決定する制御方法であり、燃料消費量最小制御、ＮＯｘ最小制御などのモードがある。

本発明を実現する場合に、図１の運転パターン評価部７１０では、バーナパターンモードＡ、燃料種類モードＢ、制御モードＣに応じて運転パターンを区別する。尚、本発明を実施するに当たり、モードの種類、各モードの内容についての制限はないことは言うまでもない。

図１２は、本発明の第４の実施例を説明するブロック図である。

本実施例では、データ監視センタ９５０、サイト９７０が、情報通信ネットワーク９６０で相互に接続されている。発電所９７０は複数あり、本実施例では３つのサイトを記載したが、任意の数のサイトを接続するように構成してもよい。サイト間で通信する通信情報２０には、モデル式、及び調整パラメータαの情報が含まれる。データ監視センタ９５０では、通信情報２０にプラントの設計情報、及び計測信号が含まれていないことを確認する。

実施例１で述べた診断装置４００に備えられているプラントデータベース５２０には、診断対象のプラント設計情報に加えて、他プラントの設計情報、及び計測信号が保存されている。しかし、他プラントの設計情報、計測信号を入手することは一般に難しい。また、これらの情報の管理には情報セキュリティ事故防止のために多大なコストが必要となる。

本実施例では、図示していないが診断装置４００ａ−４００ｃに備えられているプラントデータベース５２０には診断対象のプラント設計情報を保存し、他プラントの設計情報、及び計測信号は保存しない。疑似信号は、サイト間で通信する通信情報１２に含まれるモデル式、調整パラメータ値を用いて、式（４）で計算する。

本実施例では、プラントの設計情報、及び計測信号の情報を他サイトに提供することなく、各サイトで診断装置を動作させることが可能となり、情報セキュリティを強化する効果が得られる。

本発明は、診断装置として、火力発電プラント、原子力発電プラントなど、各種プラントに適用可能である。

１：計測信号
２：外部入力信号
３：計測信号
４：計測信号
５：プラントデータベース情報
６：監視データ情報
７：分類結果情報
８：診断モデルデータベース情報
９：診断モデルデータベース情報
１０：検知結果情報
１１：画像表示情報
１００：プラント
４００：診断装置
４１０：外部入力インターフェイス
４２０：外部出力インターフェイス
５１０：計測信号データベース
５２０：プラントデータベース
５３０：診断モデルデータベース
７００：監視データ生成部
７１０：運転パターン評価部
７２０：類似プラント選定部
７３０：疑似信号生成部
８００：検知部
８１０：状態変化検知部
８２０：異常検知部
９００：運転管理室
９１０：外部入力装置
９２０：キーボード
９３０：マウス
９４０：画像表示装置

Claims (11)

1. プラントの状態量を計測した計測信号を用いてプラントの運転状態を診断する検知部を備え、診断結果を画像表示装置に表示するプラントの診断装置であって、
   診断対象プラントの状態量を計測した計測信号を記憶する計測信号データベースと、
   各種プラントの過去の運転データを記憶するプラントデータベースを備え、
   前記検知部は、
   所定期間のデータで構築した診断モデルを用いて状態変化を検知する状態変化検知部と、
   機器特性と直接関係しない外的環境因子である運転パターンについて、状態変化を検知したときと同じ運転パターンのデータで構築した診断モデルを用いて異常発生有無を検知する異常検知部と、
   前記同じ運転パターンのデータは、前記計測信号データベースに記憶された前記診断対象プラントの計測信号を使用し、もしくは前記計測信号データベースに記憶された前記診断対象プラントの計測信号を使用できない場合は、前記診断対象プラント以外のプラントの中から選択した類似プラントの過去の運転データから計算する疑似信号生成部を備えたことを特徴とするプラントの診断装置。
2. 請求項１に記載のプラントの診断装置であって、
   前記疑似信号生成部は、調整パラメータと固定パラメータを用いて、診断対象プラントの特性を模擬する疑似信号を生成するモデルであるシミュレータと、類似プラントの運転データを用いて前記調整パラメータを決定する機能と、診断対象プラントの設計情報に基づいて前記固定パラメータを決定するパラメータ推定部を備えたことを特徴とする診断装置。
3. 請求項２に記載のプラントの診断装置であって、
   前記パラメータ推定部は、前記調整パラメータに関して、パラメータ値の代表値と標準偏差を推定し、前記シミュレータでは、前記調整パラメータを標準偏差の範囲内で変動させて疑似信号を生成することを特徴とするプラントの診断装置。
4. 請求項１から請求項３のいずれか１項に記載のプラントの診断装置であって、
   前記状態変化検知部において、前記所定期間のデータで構築した診断モデルを使用するに際し、前記所定期間は前記プラントの運用サイクルに応じて定められることを特徴とするプラントの診断装置。
5. 請求項２に記載のプラントの診断装置であって、
   前記類似プラントの計測信号と疑似信号、疑似信号をカテゴリに分類した結果、および診断対象プラントと類似プラントの設計情報を表示する画像表示装置を備えたことを特徴とするプラントの診断装置。
6. 請求項１から請求項５のいずれか１項に記載のプラントの診断装置であって、
   前記プラントはガスタービンプラントであって、前記運転パターンはガスタービンの保温状態に応じた起動モードあるいは制御目的に応じて決定される制御モードで定まるものであることを特徴とするプラントの診断装置。
7. 請求項１から請求項５のいずれか１項に記載のプラントの診断装置であって、
   前記プラントはボイラを含む火力発電プラントであって、前記運転パターンはボイラのバーナパターンあるいは燃料種類モードあるいは制御モードで定まるものであることを特徴とするプラントの診断装置。
8. 請求項２または請求項３に記載のプラントの診断装置であって、
   前記調整パラメータの値は、ネットワークを介して送受信することを特徴とするプラントの診断装置。
9. プラントの状態量を計測した計測信号を用いてプラントの運転状態を診断し、診断結果を表示するプラントの診断方法であって、
   診断対象プラントの状態量を計測した計測信号を記憶し、
   各種プラントの過去の運転データを記憶し、
   所定期間のデータで構築した診断モデルを用いて状態変化を検知し、
   機器特性と直接関係しない外的環境因子である運転パターンについて、状態変化を検知したときと同じ運転パターンのデータで構築した診断モデルを用いて異常発生有無を検知するとともに、
   前記同じ運転パターンのデータは、記憶された前記診断対象プラントの計測信号を使用し、もしくは記憶された前記診断対象プラントの計測信号を使用できない場合は、前記診断対象プラント以外のプラントの中から選択した類似プラントの過去の運転データから求めることを特徴とするプラントの診断方法。
10. プラントの状態量を計測した計測信号を用いてプラントの運転状態を診断し、診断結果を表示するプラントの診断方法であって、
    所定期間のデータで構築した診断モデルを用いて前記計測信号のカテゴリを求め、新規カテゴリが発生した場合はプラントの、機器特性と直接関係しない外的環境因子である運転パターンの変化有無を確認し、新規カテゴリを検知した時刻と同じ運転パターンの期間が存在するか否かを確認し、前記同じ運転パターンの期間が存在するときには当該期間の運転パターンでの計測信号を用いて診断モデルを構築し、該診断モデルでの新規カテゴリ発生有無を評価して異常判定を行うとともに、
    前記同じ運転パターンの期間が存在しない時、診断対象のプラントと類似したプラントの設計情報を用いて作成した疑似信号を用いて診断モデルを構築し、該診断モデルでの新規カテゴリ発生有無を評価して異常判定を行うことを特徴とするプラントの診断方法。
11. 請求項１０に記載のプラントの診断方法であって、
    前記疑似信号は、調整パラメータと固定パラメータを用いて、診断対象のプラントの特性を模擬する疑似信号を生成するモデルであるシミュレータを用いて計算し、類似プラントの運転データを用いて前記調整パラメータを決定し、診断対象のプラントの設計情報に基づいて前記固定パラメータを決定することを特徴とするプラントの診断方法。

Images