JP2013061695A - Power-generating plant diagnosis device, and power-generating plant diagnosis method - Google Patents
Power-generating plant diagnosis device, and power-generating plant diagnosis method Download PDFInfo
- Publication number
- JP2013061695A JP2013061695A JP2011197837A JP2011197837A JP2013061695A JP 2013061695 A JP2013061695 A JP 2013061695A JP 2011197837 A JP2011197837 A JP 2011197837A JP 2011197837 A JP2011197837 A JP 2011197837A JP 2013061695 A JP2013061695 A JP 2013061695A
- Authority
- JP
- Japan
- Prior art keywords
- power plant
- measurement signal
- model
- normalization
- condition
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
【課題】異常発生時に異常を検知できない失報を低減し、診断精度が高い診断装置を提供する。
【解決手段】発電プラントから状態量を計測した計測信号に基づいてプラントの運転状態を診断し、診断結果を画像表示装置に表示する発電プラントの診断装置において、発電プラントの診断装置に発電プラントの状態量を計測した計測信号を用いて診断に用いるモデルを構築するモデル構築手段７００と、前記モデルで診断する運転条件と計測信号の正規化方法を定義するモデル定義手段４００と、前記モデル構築手段で構築したモデルを用いて発電プラントの運転状態を診断する診断手段８００を備え、前記モデル定義手段に、発電プラントの運転条件を判定する運転条件判定部５００と、運転条件判定部で判定した運転条件毎にデータの正規化条件を決定する正規化条件決定部６００を備え、前記診断手段では、運転条件に合わせて診断モデルを切り替えて診断することを特徴とする。
【選択図】図１The present invention provides a diagnostic apparatus that reduces the number of missed reports in which an abnormality cannot be detected when an abnormality occurs and has high diagnostic accuracy.
A power plant diagnosis apparatus that diagnoses an operation state of a plant based on a measurement signal obtained by measuring a state quantity from a power plant and displays a diagnosis result on an image display device. Model construction means 700 for constructing a model to be used for diagnosis using a measurement signal obtained by measuring a state quantity, model definition means 400 for defining a driving condition to be diagnosed by the model and a measurement signal normalization method, and the model construction means Diagnosing means 800 for diagnosing the operating state of the power plant using the model constructed in (1), the operating condition determining section 500 for determining the operating condition of the power plant in the model defining means, and the operation determined by the operating condition determining section. A normalization condition determination unit 600 that determines data normalization conditions for each condition is provided, and the diagnosis means performs diagnosis according to the driving conditions. Wherein the switch the model to diagnose.
[Selection] Figure 1
Description
本発明は、発電プラントの診断装置、及び発電プラントの診断方法に関する。 The present invention relates to a power plant diagnostic apparatus and a power plant diagnostic method.
発電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信号を基にその異常や事故の発生を検知する。 A power plant diagnostic device detects the occurrence of an abnormality or accident based on a measurement signal from the plant when an abnormal transient or accident occurs in the plant.
公知例のプラントの診断装置として特開２００５−１６５３７５号公報には、適応共鳴理論（Adaptive Resonance Theory：ＡＲＴ）を用いたプラントの診断装置が開示されている。ここで、ＡＲＴとは、多次元のデータをその類似度に応じてカテゴリーに分類する技術である。 As a known example of a plant diagnostic apparatus, Japanese Patent Application Laid-Open No. 2005-165375 discloses a plant diagnostic apparatus using an adaptive resonance theory (ART). Here, ART is a technique for classifying multidimensional data into categories according to their similarity.
この特開２００５−１６５３７５号公報に記載されたプラントの診断装置の技術においては、まず、プラントの運転データを記録した過去の計測信号から、プラントの状態が正常と考えられる期間の計測信号をモデル構築用データとして抽出する。そして、ＡＲＴを用いて、モデル構築用データを複数のカテゴリー（正常カテゴリー）に分類して診断に用いる正常モデルを作成する。次に、プラントの現在の計測信号をＡＲＴでカテゴリーに分類する。この現在の計測信号が正常モデルと一致しない時、すなわち正常カテゴリーに分類できない時は、新しいカテゴリー（新規カテゴリー）が生成される。つまり、新規カテゴリーの発生は、計測信号の傾向が変化し、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ーの発生で判断することとし、新規カテゴリーの発生割合が閾値を越えた場合に異常と診断する技術である。 In the technique of the plant diagnosis apparatus described in Japanese Patent Laid-Open No. 2005-165375, first, a measurement signal of a period in which the state of the plant is considered normal is modeled from a past measurement signal in which operation data of the plant is recorded. Extract as construction data. Then, a normal model used for diagnosis is created by classifying data for model construction into a plurality of categories (normal categories) using ART. Next, the current measurement signal of the plant is classified into categories by ART. When the current measurement signal does not match the normal model, that is, when it cannot be classified into the normal category, a new category (new category) is generated. In other words, the occurrence of a new category means that the trend of the measurement signal has changed and the state of the plant has changed. Therefore, it is a technique for determining the occurrence of an abnormality based on the occurrence of a new category and diagnosing an abnormality when the occurrence rate of the new category exceeds a threshold value.
発電プラントは、起動、停止、一定負荷、負荷変化など、様々な条件で運転する。運転条件が異なると、計測信号の変化する範囲も異なる。 The power plant operates under various conditions such as starting, stopping, constant load, and load change. When the operating conditions are different, the range in which the measurement signal changes is also different.
また、診断に用いる計測信号の前処理として、正規化処理がある。正規化処理では、正規化の下限値が０、正規化の上限値が１になるように、計測信号を処理する。正規化の下限値、上限値は、事前に設定する必要がある。先行技術の診断装置では、運転条件に関わらず、同じ正規化条件で計測信号を処理する。そのため、正規化範囲は全ての運転条件における計測信号の変化範囲を包含するように、広く設定する必要がある。 Also, normalization processing is available as preprocessing of measurement signals used for diagnosis. In the normalization process, the measurement signal is processed so that the lower limit value of normalization is 0 and the upper limit value of normalization is 1. The lower limit value and upper limit value of normalization need to be set in advance. Prior art diagnostic devices process measurement signals under the same normalization conditions regardless of operating conditions. Therefore, it is necessary to set the normalization range widely so as to encompass the change range of the measurement signal under all operating conditions.
計測信号の変化範囲に比べて正規化範囲が広いと、計測信号を正規化した後の値の変化が小さくなる。そのため、異常発生時の計測信号の傾向変化をとらえることができず、異常発生時にも新規カテゴリーが発生しない場合があった。これは、失報の原因となる。 If the normalization range is wider than the change range of the measurement signal, the change in value after normalization of the measurement signal is small. Therefore, the trend change of the measurement signal at the time of occurrence of an abnormality cannot be captured, and a new category may not occur even when an abnormality occurs. This causes misreporting.
本発明の目的は、運転条件に合わせて正規化範囲を適切に決定することで失報を抑制し、診断精度を向上させた診断装置を提供することにある。 An object of the present invention is to provide a diagnostic device that suppresses misreporting by appropriately determining a normalization range according to operating conditions and improves diagnostic accuracy.
発電プラントから状態量を計測した計測信号に基づいてプラントの運転状態を診断し、診断結果を画像表示装置に表示する発電プラントの診断装置において、発電プラントの診断装置に発電プラントの状態量を計測した計測信号を用いて診断に用いるモデルを構築するモデル構築手段と、前記モデルで診断する運転条件と計測信号の正規化方法を定義するモデル定義手段と、前記モデル構築手段で構築したモデルを用いて発電プラントの運転状態を診断する診断手段を備え、前記モデル定義手段に、発電プラントの運転条件を判定する運転条件判定部と、運転条件判定部で判定した運転条件毎にデータの正規化条件を決定する正規化条件決定部を備え、前記診断手段では、運転条件に合わせて診断モデルを切り替えて診断することを特徴とする。 In the power plant diagnostic device that diagnoses the operating state of the plant based on the measurement signal obtained by measuring the state quantity from the power plant and displays the diagnosis result on the image display device, the power plant diagnostic device measures the power plant state quantity. A model construction means for constructing a model to be used for diagnosis using the measured signal, a model definition means for defining the operating condition to be diagnosed by the model and a normalization method of the measurement signal, and a model constructed by the model construction means. Diagnostic means for diagnosing the operating state of the power plant, and the model defining means includes an operating condition determining unit for determining the operating condition of the power plant, and a data normalization condition for each operating condition determined by the operating condition determining unit A normalizing condition determining unit for determining the diagnostic model, wherein the diagnosis means switches the diagnostic model in accordance with the operating condition and performs diagnosis. .
本発明の発電プラントの診断装置を用いることにより、異常発生時に異常を検知できない失報を低減し、診断精度を向上できる。また、正規化範囲を自動的に決定することができ、診断装置の調整期間を短縮できる。 By using the power plant diagnostic device of the present invention, it is possible to reduce the number of reports that cannot be detected when an abnormality occurs and to improve the accuracy of diagnosis. In addition, the normalization range can be automatically determined, and the adjustment period of the diagnostic apparatus can be shortened.
次に、本発明の実施例である発電プラントの診断装置について図面を参照して以下に説明する。 Next, a power plant diagnostic apparatus according to an embodiment of the present invention will be described below with reference to the drawings.
図１は、本発明の一実施例である発電プラントの診断装置を説明するブロック図である。図１に示した発電プラントの診断装置においては、プラント１００の状態を診断装置２００により診断する。 FIG. 1 is a block diagram illustrating a power plant diagnostic apparatus according to an embodiment of the present invention. In the power plant diagnostic apparatus shown in FIG. 1, the diagnostic apparatus 200 diagnoses the state of the plant 100.
診断装置２００は、診断装置２００を構成する演算装置として、モデル定義手段４００、モデル構築手段７００、及び診断手段８００を備えている。この診断装置２００は、データベースとして、計測信号データベース３１０、モデル定義データベース３２０、及び診断モデルデータベース３３０を備えている。なお、図１においては、データベースをＤＢと略記している。 The diagnostic device 200 includes a model definition unit 400, a model construction unit 700, and a diagnostic unit 800 as arithmetic units that constitute the diagnostic device 200. The diagnostic apparatus 200 includes a measurement signal database 310, a model definition database 320, and a diagnostic model database 330 as databases. In FIG. 1, the database is abbreviated as DB.
計測信号データベース３１０、モデル定義データベース３２０、及び診断モデルデータベース３３０のデータベースには、電子化された情報が記録されており、通常、電子ファイル（電子データ）と呼ばれる。 Computerized information is recorded in the measurement signal database 310, the model definition database 320, and the diagnostic model database 330, and is usually called an electronic file (electronic data).
モデル構築手段７００は、プラント１００の運転状態を計測した計測信号から、プラント１００の過去の運転状態の計測信号を蓄積した蓄積データを基に、プラントの正常状態を学習した診断モデルを作成する。 The model construction means 700 creates a diagnostic model that learns the normal state of the plant from the measurement signal obtained by measuring the operation state of the plant 100, based on the accumulated data obtained by accumulating the measurement signal of the past operation state of the plant 100.
モデル定義手段４００は、診断モデルで診断する運転条件と、モデル構築時における計測信号の正規化方法を定義する。 The model definition unit 400 defines an operation condition to be diagnosed by the diagnostic model and a method for normalizing the measurement signal at the time of model construction.
診断手段８００は、モデル構築手段７００で作成した診断モデルの値のデータと、計測したプラント１００の計測信号のデータとを比較する。計測信号が、正常状態を学習した診断モデルの値と一致すれば、プラントの状態を正常と判定し、一致しなければ異常と判定する。 The diagnosis unit 800 compares the value data of the diagnosis model created by the model construction unit 700 with the measured signal data of the plant 100 measured. If the measurement signal matches the value of the diagnostic model that has learned the normal state, the plant state is determined to be normal, and if it does not match, it is determined to be abnormal.
また、診断装置２００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２１０及び外部出力インターフェイス２２０を備えている。 The diagnostic apparatus 200 includes an external input interface 210 and an external output interface 220 as interfaces with the outside.
そして、外部入力インターフェイス２１０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２００に取り込まれる。また、外部出力インターフェイス２２０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。 And the measurement signal 1 which measured the various state quantities which are the operation states of the plant 100 via the external input interface 210, and the external input device 910 comprised of the keyboard 920 and the mouse 930 provided in the operation management room 900. The external input signal 2 created by the operation is taken into the diagnostic device 200. Further, the image display information 11 is output to the image display device 940 provided in the operation management room 900 via the external output interface 220.
なお、本実施例のプラントの診断装置においては、モデル定義手段４００、モデル構築手段７００、診断手段８００、計測信号データベース３１０、モデル定義データベース３２０、診断モデルデータベース３３０が診断装置２００の内部に備えられているが、これらの一部を診断装置２００の外部に配置し、データのみをこれらの装置の間で通信するようにしてもよい。 In the plant diagnosis apparatus of this embodiment, the model definition means 400, the model construction means 700, the diagnosis means 800, the measurement signal database 310, the model definition database 320, and the diagnosis model database 330 are provided inside the diagnosis apparatus 200. However, some of these may be arranged outside the diagnostic apparatus 200, and only data may be communicated between these apparatuses.
また、本実施例のプラントの診断装置において診断対象とするプラント１００は１基である場合を示しているが、１台の診断装置２００で複数基のプラント１００を診断することも可能である。 Moreover, although the case where the number of plants 100 to be diagnosed is one in the plant diagnostic apparatus of the present embodiment is shown, it is also possible to diagnose a plurality of plants 100 with one diagnostic apparatus 200.
次に、本実施例のプラントの診断装置に備えられた診断装置２００の動作を説明する。 Next, the operation of the diagnostic apparatus 200 provided in the plant diagnostic apparatus of this embodiment will be described.
図１に示した本実施例のプラントの診断装置において、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２１０を介して取り込まれる。計測信号３は、診断装置２００に設置された計測信号データベース３１０に保存される。 In the plant diagnostic apparatus of the present embodiment shown in FIG. 1, the measurement signal 1 obtained by measuring various state quantities of the plant 100 is taken in via the external input interface 210. The measurement signal 3 is stored in a measurement signal database 310 installed in the diagnostic apparatus 200.
モデル定義手段４００には、運転条件判定部５００、および正規化条件決定部６００がそれぞれ備えられている。モデル定義手段４００は、計測信号４の入力に対し、モデル定義情報５をモデル定義データベース３２０に出力する。 The model definition means 400 is provided with an operating condition determination unit 500 and a normalization condition determination unit 600, respectively. The model definition unit 400 outputs the model definition information 5 to the model definition database 320 in response to the input of the measurement signal 4.
発電プラントは出力を一定にして運転する一定負荷運転、プラントを起動する起動運転、プラントを停止する停止運転、出力を変化させる負荷変化運転がある。運転条件判定部５００では、計測信号データベース３１０に蓄積されているプラント１００の蓄積データを用いて、これらのデータを一定負荷運転中、起動運転中、停止運転中、負荷変化運転中の運転モードに分割する。また、それぞれの運転モードの特徴量を抽出する。この機能の詳細は、図６を用いて後述する。 The power plant has a constant load operation that operates with a constant output, a start operation that starts the plant, a stop operation that stops the plant, and a load change operation that changes the output. The operation condition determination unit 500 uses the accumulated data of the plant 100 accumulated in the measurement signal database 310 to change these data into operation modes during constant load operation, start operation, stop operation, and load change operation. To divide. Moreover, the feature-value of each driving mode is extracted. Details of this function will be described later with reference to FIG.
また、モデル構築手段７００では、モデルを構築するための前処理として、計測信号を正規化処理する。正規化条件決定部６００では、各運転モードに対して、適切な正規化条件を決定する。この機能の詳細は、図７〜図９を用いて後述する。前述のモデル定義情報５は、運転条件データと正規化条件データで構成される。 Further, the model construction unit 700 normalizes the measurement signal as preprocessing for constructing the model. The normalization condition determination unit 600 determines an appropriate normalization condition for each operation mode. Details of this function will be described later with reference to FIGS. The model definition information 5 described above is composed of operating condition data and normalized condition data.
モデル構築手段７００では、計測信号データベース３１０に蓄積されているプラント１００の計測信号４と、モデル定義データベース３２０に保存されているモデル定義情報６を用いて、診断に用いるモデルを構築する。モデル構築手段７００で作成したモデル情報８は、診断モデルデータベース３３０に保存する。 The model construction unit 700 constructs a model used for diagnosis using the measurement signal 4 of the plant 100 accumulated in the measurement signal database 310 and the model definition information 6 stored in the model definition database 320. The model information 8 created by the model construction unit 700 is stored in the diagnostic model database 330.
モデル構築手段７００を実装する技術として、適応共鳴理論、ベクトル量子化などのクラスタリング技術がある。また、診断に用いるモデルは上記のクラスタリング方法に限定されるわけではなく、物理式を用いたモデル、ニューラルネットワークなどの統計モデルを用いることもできる。 Techniques for implementing the model construction means 700 include clustering techniques such as adaptive resonance theory and vector quantization. The model used for diagnosis is not limited to the above-described clustering method, and a model using a physical formula or a statistical model such as a neural network can also be used.
前記診断装置２００に設置された診断手段８００では、計測信号４の入力に対して、モデル定義データベース３２０のモデル定義情報７と、診断モデルデータベース３３０のモデル情報９を参照することによってプラント１００の運転状態を診断し、その診断結果１０を出力する。 The diagnostic means 800 installed in the diagnostic apparatus 200 operates the plant 100 by referring to the model definition information 7 in the model definition database 320 and the model information 9 in the diagnostic model database 330 for the input of the measurement signal 4. The state is diagnosed and the diagnosis result 10 is output.
診断手段８００が診断したプラント１００の現在の運転状態に対する診断結果１０は、外部出力インターフェイス２２０を介して、画像表示情報１１として運転管理室９００に設置した画像表示装置９４０に送信され、表示される。これにより、運転管理室９００にいるオペレータに、プラント１００の運転状態に対する診断結果を通知する。 The diagnosis result 10 for the current operation state of the plant 100 diagnosed by the diagnosis unit 800 is transmitted to the image display device 940 installed in the operation management room 900 as the image display information 11 via the external output interface 220 and displayed. . As a result, the operator in the operation management room 900 is notified of the diagnosis result for the operation state of the plant 100.
このようにして、本実施例のプラントの診断装置２００では、プラントの状態が変化したことを、オペレータに通知する。 In this way, the plant diagnosis apparatus 200 of this embodiment notifies the operator that the state of the plant has changed.
また、診断装置２００に設置された計測信号データベース３１０、モデル定義データベース３２０、診断モデルデータベース３３０に保存されている診断装置情報５０は、任意に運転管理室９００の画像表示装置９４０に表示できるようになっている。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。 Further, the diagnostic device information 50 stored in the measurement signal database 310, the model definition database 320, and the diagnostic model database 330 installed in the diagnostic device 200 can be arbitrarily displayed on the image display device 940 of the operation management room 900. It has become. These pieces of information can be corrected by an external input signal 2 generated by operating an external input device 910 including a keyboard 920 and a mouse 930.
次に、本実施例のプラントの診断装置の動作について説明する。以下に診断装置２００の動作フローチャートを、図１に示したプラントの診断装置の基本動作を示すフローチャート図である図２（ａ）を用いて説明する。 Next, operation | movement of the diagnostic apparatus of the plant of a present Example is demonstrated. Hereinafter, an operation flowchart of the diagnosis apparatus 200 will be described with reference to FIG. 2A which is a flowchart showing the basic operation of the plant diagnosis apparatus shown in FIG.
図２（ａ）のフローチャート図に示すように、診断装置２００の基本動作はステップ２０１、２０２、２０３を組み合わせて実行する。 As shown in the flowchart of FIG. 2A, the basic operation of the diagnostic apparatus 200 is executed by combining steps 201, 202, and 203.
まず、ステップ２０１では診断装置２００の動作モードがモデル構築モードか診断モードかを判定する。そして、モデル構築モードの場合はステップ２０２に進み、診断モードの時はステップ２０３に進む。 First, in step 201, it is determined whether the operation mode of the diagnosis apparatus 200 is the model construction mode or the diagnosis mode. In the case of the model construction mode, the process proceeds to step 202. In the diagnosis mode, the process proceeds to step 203.
ステップ２０２を動作させると、モデル定義手段４００、モデル構築手段７００が動作する。その結果、モデル定義情報５とモデル情報８が生成され、作成した情報はそれぞれモデル定義データベース３２０、診断モデルデータベース３３０に保存される。モデル構築モードの動作の詳細は、図１０（ａ）を用いて後述する。 When step 202 is operated, the model definition unit 400 and the model construction unit 700 operate. As a result, model definition information 5 and model information 8 are generated, and the created information is stored in the model definition database 320 and the diagnostic model database 330, respectively. Details of the operation in the model construction mode will be described later with reference to FIG.
また、ステップ２０３を動作させると、診断手段８００にてプラント１００の運転状態を診断し、診断結果１０の含まれる画像表示情報１１を画像表示装置９４０送信することにより、プラント１００の運転状態を画像表示装置９４０に表示する。診断モードの動作の詳細は、図１０（ｂ）を用いて後述する。 Further, when step 203 is operated, the operation state of the plant 100 is diagnosed by the diagnosis unit 800, and the image display information 11 including the diagnosis result 10 is transmitted to the image display device 940, whereby the operation state of the plant 100 is imaged. The information is displayed on the display device 940. Details of the operation in the diagnosis mode will be described later with reference to FIG.
診断装置２００のモデル構築モードと診断モードを動作させるタイミングはオペレータによって任意に指定することができる。以下、図２（ｂ）〜（ｄ）を用いて、モデル構築モードと診断モードを動作させるタイミングの各種の実施例をそれぞれ説明する。 The timing for operating the model construction mode and the diagnostic mode of the diagnostic apparatus 200 can be arbitrarily designated by the operator. Hereinafter, various examples of timing for operating the model construction mode and the diagnosis mode will be described with reference to FIGS.
図２（ｂ）に示した実施例においては、計測信号のサンプリング周期毎にモデル構築モードと診断モードの両方を動作させて診断する。 In the embodiment shown in FIG. 2B, diagnosis is performed by operating both the model construction mode and the diagnostic mode for each sampling period of the measurement signal.
計測信号を取得する毎に診断モデルを更新することで、常に最新のモデルを用いた診断が可能である。 Diagnosis using the latest model is always possible by updating the diagnosis model every time the measurement signal is acquired.
しかし、モデル構築に用いるデータ量が多い時は、モデル構築に時間を要するため、サンプリング周期内に計算が終了しない可能性がある。 However, when the amount of data used for model construction is large, it takes time to construct the model, and thus the calculation may not be completed within the sampling period.
このような場合は、図２（ｃ）に示した実施例のように、所定の設定期間毎に正常状態モデル構築モードを動作させ、サンプリング周期毎に診断モードのみを動作させて診断することもできる。図２（ｂ）及び図２（ｃ）に示した実施例の方法では、サンプリング周期毎に診断モードが実行され、オンラインでプラントの状態を診断できる。 In such a case, as in the embodiment shown in FIG. 2 (c), the normal state model construction mode is operated every predetermined setting period, and only the diagnosis mode is operated every sampling period for diagnosis. it can. In the method of the embodiment shown in FIGS. 2B and 2C, the diagnosis mode is executed every sampling period, and the state of the plant can be diagnosed online.
また、図２（ｄ）に示した実施例のように、オペレータがモデル構築、診断を実施する外部入力信号２を診断装置２００に入力することで、任意のタイミングでモデル構築モードと診断モードを動作できる。つまり、色々な条件を変えてプラント１００の運転状態を診断することが可能となる。 Further, as in the embodiment shown in FIG. 2D, the operator inputs an external input signal 2 for executing model construction and diagnosis to the diagnosis device 200, so that the model construction mode and the diagnosis mode can be set at an arbitrary timing. Can work. That is, it becomes possible to diagnose the operation state of the plant 100 by changing various conditions.
次に、図３、図４を用いて本実施例のプラントの診断装置を構成する診断装置２００を構成するモデル構築手段７００、及び診断手段８００に備えた、プラント１００の計測信号４を分類する機能を説明する。 Next, using FIG. 3 and FIG. 4, the measurement signal 4 of the plant 100 provided in the model construction means 700 and the diagnosis means 800 constituting the diagnosis apparatus 200 constituting the diagnosis apparatus of the plant of this embodiment is classified. Explain the function.
本実施例のプラントの診断装置では、データ分類機能に適応共鳴理論（Adaptive Resonance Theory：ＡＲＴ）を適用した場合について述べる。尚、データ分類機能として、ベクトル量子化等、他のクラスタリング手法を用いることもできる。 In the plant diagnosis apparatus according to the present embodiment, a case where adaptive resonance theory (ART) is applied to the data classification function will be described. Note that other clustering methods such as vector quantization can be used as the data classification function.
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７１０とＡＲＴモジュール７２０で構成する。データ前処理装置７１０は、運転データをＡＲＴモジュール７２０の入力データに変換する。 As shown in FIG. 3A, the data classification function includes a data preprocessing device 710 and an ART module 720. The data preprocessing device 710 converts the operation data into input data for the ART module 720.
以下に、前記データ前処理装置７１０及びＡＲＴモジュール７２０によるそれらの手順（工程）について説明する。 Hereinafter, the procedures (processes) performed by the data preprocessing device 710 and the ART module 720 will be described.
まず、データ前処理装置７１０において、モデル定義データベース３２０に保存されている正規化条件の情報を用いて、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７２０に入力される。 First, the data preprocessing device 710 normalizes data for each measurement item using information on normalization conditions stored in the model definition database 320. Data including the data Nxi (n) obtained by normalizing the measurement signal and the complement CNxi (n) (= 1−Nxi (n)) of the normalized data is defined as input data Ii (n). This input data Ii (n) is input to the ART module 720.
ＡＲＴモジュール７２０においては、入力データであるプラント１００の計測信号４を複数のカテゴリーに分類する。 In the ART module 720, the measurement signal 4 of the plant 100 as input data is classified into a plurality of categories.
ＡＲＴモジュール７２０は、Ｆ０レイヤー７２１、Ｆ１レイヤー７２２、Ｆ２レイヤー７２３、メモリ７２４及び選択サブシステム７２５を備え、これらは相互に結合している。Ｆ１レイヤー７２２及びＦ２レイヤー７２３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ーのプロトタイプ（原型）を表している。ここで、プロトタイプとは、カテゴリーの代表値を表すものである。 The ART module 720 includes an F0 layer 721, an F1 layer 722, an F2 layer 723, a memory 724, and a selection subsystem 725, which are coupled to each other. The F1 layer 722 and the F2 layer 723 are coupled via a weighting factor. The weighting factor represents the prototype (prototype) of the category into which the input data is classified. Here, the prototype represents a representative value of the category.
次に、ＡＲＴモジュール７２０のアルゴリズムについて説明する。 Next, the algorithm of the ART module 720 will be described.
ＡＲＴモジュール７２０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。 The outline of the algorithm when input data is input to the ART module 720 is as shown in the following processing 1 to processing 5.
処理１：Ｆ０レイヤー７２１により入力ベクトルを正規化し、ノイズを除去する。 Process 1: The input vector is normalized by the F0 layer 721 to remove noise.
処理２：Ｆ１レイヤー７２２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ーの候補を選択する。 Process 2: A suitable category candidate is selected by comparing the input data input to the F1 layer 722 with a weighting factor.
処理３：選択サブシステム７２５で選択したカテゴリー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ーに分類され、処理４に進む。一方、妥当と判断されなければ、そのカテゴリーはリセットされ、他のカテゴリーからふさわしいカテゴリーの候補を選択する（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ー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。 Process 3: The validity of the category selected by the selection subsystem 725 is evaluated by the ratio with the parameter ρ. If it is determined to be valid, the input data is classified into the category, and the process proceeds to process 4. On the other hand, if it is not judged to be valid, the category is reset, and an appropriate category candidate is selected from the other categories (repeat processing 2). Increasing the value of parameter ρ makes the category classification finer, and decreasing the value of ρ makes the classification coarse. This parameter ρ is referred to as a vigilance parameter.
処理４：処理２において全ての既存のカテゴリーがリセットされると、入力データが新規カテゴリーに属すると判断され、新規カテゴリーのプロトタイプを表す新しい重み係数を生成する。 Process 4: When all the existing categories are reset in Process 2, it is determined that the input data belongs to the new category, and a new weighting factor representing the prototype of the new category is generated.
処理５：入力データがカテゴリーＪに分類されると、カテゴリー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）を用いて下記式（１）により更新される。 Process 5: When input data is classified into category J, weight coefficient WJ (new) corresponding to category J uses past weight coefficient WJ (old) and input data p (or data derived from input data). And updated by the following equation (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。 Here, Kw is a learning rate parameter (0 <Kw <1), and is a value that determines the degree to which the input vector is reflected in the new weighting factor.
尚、式（１）及び後述する式（２）乃至式（１２）の各演算式は前記ＡＲＴモジュール７２０に組み込まれている。 It should be noted that equations (1) and equations (2) to (12) described later are incorporated in the ART module 720.
ＡＲＴモジュール７２０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。 The characteristic of the data classification algorithm of the ART module 720 is in the processing 4 described above.
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。 In process 4, when input data different from the learned pattern is input, a new pattern can be recorded without changing the recorded pattern. Therefore, it is possible to record a new pattern while recording a pattern learned in the past.
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７２０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７２０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、新規カテゴリーに分類される。 As described above, when the operation data given in advance is given as input data, the ART module 720 learns the given pattern. Therefore, when new input data is input to the learned ART module 720, it is possible to determine which pattern in the past is close by the above algorithm. If the pattern has never been experienced before, it is classified into a new category.
図３（ｂ）は、Ｆ０レイヤー７２１の構成を示すブロック図である。Ｆ０レイヤー７２１では、入力データＩiを各時刻で再度正規化し、Ｆ１レイヤー７２１、及び選択サブシステム７２５に入力する正規化入力ベクトルｕi 0を作成する。 FIG. 3B is a block diagram showing the configuration of the F0 layer 721. In the F0 layer 721, the input data I i is normalized again at each time, and a normalized input vector u i 0 to be input to the F1 layer 721 and the selection subsystem 725 is created.
始めに、入力データＩiから、式（２）に従ってｗi 0を計算する。ここで、ａは定数である。 First, w i 0 is calculated from the input data I i according to equation (2). Here, a is a constant.
次に、ｗi 0を正規化したｘi 0を、式（３）を用いて計算する。ここで、‖・‖はノルムを表す記号である。 Next, x i 0 obtained by normalizing w i 0 is calculated using equation (3). Here, ‖ and ‖ are symbols representing the norm.
そして、式（４）を用いて、ｘi 0からノイズを除去したｖi 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。式（４）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。 Then, using equation (4), calculates the v i 0 obtained by removing noise from x i 0. However, θ is a constant for removing noise. Since the minute value becomes 0 by the calculation of Expression (4), noise of the input data is removed.
最後に、式（５）を用いて正規化入力ベクトルｕi 0を求める。ｕi 0はＦ１レイヤーの入力となる。 Finally, a normalized input vector u i 0 is obtained using Equation (5). u i 0 is input to the F1 layer.
図３（ｃ）は、Ｆ１レイヤー７２２の構成を示すブロック図である。Ｆ１レイヤー７２２では、式（５）で求めたｕi 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式（６）〜式（１２）に示す。ただし、ａ、ｂは定数、f（・）は式（４）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。 FIG. 3C is a block diagram showing the configuration of the F1 layer 722. As shown in FIG. In the F1 layer 722, u i 0 obtained by the equation (5) is held as a short-term memory, and p i input to the F2 layer 722 is calculated. Formulas for the F2 layer are collectively shown in Formulas (6) to (12). However, a and b are constants, f (·) is a function shown in Expression (4), and T j is a fitness calculated by the F2 layer 722.
ただし、 However,
次に、図４を用いて本実施例のプラントの診断装置を構成する診断装置２００を構成するモデル構築手段７００に備えた、プラント１００の計測信号４でモデルを構築する機能を説明する。 Next, the function of constructing a model with the measurement signal 4 of the plant 100 provided in the model construction means 700 constituting the diagnosis device 200 constituting the diagnosis device of the plant according to the present embodiment will be described with reference to FIG.
まず、図４（ａ）を用いてプラント１００の実施例を説明し、計測信号４に含まれる情報を述べる。次に、図４（ｂ）及び図４（ｃ）を用いて、計測信号４をカテゴリーに分類する様子を述べる。 First, an embodiment of the plant 100 will be described using FIG. 4A, and information included in the measurement signal 4 will be described. Next, how the measurement signals 4 are classified into categories will be described with reference to FIGS. 4B and 4C.
図４（ａ）は、プラント１００の実施例である火力発電プラントを示すブロック図である。 FIG. 4A is a block diagram showing a thermal power plant that is an embodiment of the plant 100.
図４（ａ）において、火力発電プラント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。 4A, the thermal power plant 100 includes a gas turbine generator 110, a control device 120, and a data transmission device 130. The gas turbine generator 110 includes a generator 111, a compressor 112, a combustor 113, and a turbine 114.
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。 At the time of power generation, the air sucked by the compressor 112 is compressed into compressed air, and this compressed air is sent to the combustor 113 and mixed with fuel and burned. The turbine 114 is rotated using the high-pressure gas generated by the combustion, and the generator 111 generates power.
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。 In the control device 120, the output of the gas turbine generator 110 is controlled according to the power demand. The control device 120 uses the operation data 102 measured by a sensor (not shown) installed in the gas turbine generator 110 as input data. The operation data 102 is state quantities such as intake air temperature, fuel input amount, turbine exhaust gas temperature, turbine rotation speed, generator power generation amount, turbine shaft vibration, and the like, and is measured at each sampling period. It also measures weather information such as atmospheric temperature.
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。 In the control device 120, the control signal 101 for controlling the gas turbine generator 110 is calculated using these operation data 102. In addition, the control device 120 performs processing for generating an alarm when the value of the operation data 102 deviates from a preset range. The alarm signal is processed as a digital signal of “1” when the operation data 102 deviates from a preset range, and “0” when within the range. When the alarm signal is “1”, the operator is notified of the content of the alarm by sound or screen display.
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を診断装置２００に送信する。 The signal data transmission device 130 transmits the operation data 102 measured by the control device 120, the control signal 101 calculated by the control device 120, and the measurement signal 1 including the alarm signal to the diagnosis device 200.
図４（ｂ）は、プラント１００から取得した計測信号１を、カテゴリー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、カテゴリー番号である。図４（ｃ）は、プラント１００の計測信号１を、カテゴリーに分類した分類結果の一例を示す図である。 FIG. 4B is a diagram for explaining the result of classifying the measurement signal 1 acquired from the plant 100 into categories. The horizontal axis is time, and the vertical axis is measurement signal and category number. FIG. 4C is a diagram illustrating an example of a classification result obtained by classifying the measurement signal 1 of the plant 100 into a category.
図４（ｃ）は、一例として、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。 FIG. 4C shows, as an example, two items of the measurement signal, which are represented by a two-dimensional graph. In addition, the vertical axis and the horizontal axis indicate the measurement signals of the respective items normalized.
計測信号は、図３（ａ）のＡＲＴモジュール７２０によって複数のカテゴリー１０００（図４（ｃ）に示す円）に分割される。１つの円が、１つのカテゴリーに相当する。 The measurement signal is divided into a plurality of categories 1000 (circles shown in FIG. 4C) by the ART module 720 in FIG. One circle corresponds to one category.
本実施例では、計測信号は４つのカテゴリーに分類されている。カテゴリー番号１は、項目Ａの値が大きく、項目Ｂの値が小さいグループ、カテゴリー番号２は、項目Ａ、項目Ｂの値が共に小さいグループ、カテゴリー番号３は項目Ａの値が小さく、項目Ｂの値が大きいグループ、カテゴリー番号４は項目Ａ、項目Ｂの値が共に大きいグループである。 In this embodiment, measurement signals are classified into four categories. Category number 1 is a group in which item A has a large value and item B has a small value, category number 2 is a group in which both items A and B have small values, category number 3 has a small value in item A, and item B A group with a large value of, category number 4 is a group with a large value for both items A and B.
図４（ｂ）に示すように、診断開始前の正常期間のデータは、カテゴリー１〜３に分類された。診断開始後の前半のデータはカテゴリー２に分類されており、正常期間と同じカテゴリーである。この場合、データの傾向が正常期間と同じであることから、正常であると診断する。一方、診断開始後の後半のデータはカテゴリー４に分類されており、正常期間とは異なるカテゴリーである。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、異常が発生した可能性がある。この場合、本発明の診断装置２００では、プラントのオペレータに異常発生の可能性があることを画像表示装置９４０に表示し、オペレータに通知する。 As shown in FIG.4 (b), the data of the normal period before the diagnosis start were classified into the categories 1-3. Data in the first half after the start of diagnosis is classified into category 2, which is the same category as the normal period. In this case, since the data tendency is the same as the normal period, it is diagnosed as normal. On the other hand, data in the latter half after the start of diagnosis is classified into category 4, which is a category different from the normal period. Since the data trends are different, the state of the plant may have changed and an abnormality may have occurred. In this case, the diagnostic device 200 of the present invention displays on the image display device 940 that there is a possibility of an abnormality occurring in the plant operator and notifies the operator.
尚、本実施例においては、２項目の計測信号をカテゴリー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ーに分類することもできる。 In this embodiment, an example in which two items of measurement signals are classified into categories has been described. However, three or more items of measurement signals can be classified into categories using multidimensional coordinates.
図５は、図４（ａ）に示した発電プラントにおける起動モードとプロセス値の関係を説明する図であり、出力指令値とタービン機器温度の経時変化を示している。 FIG. 5 is a diagram for explaining the relationship between the startup mode and the process value in the power plant shown in FIG. 4A, and shows the change over time in the output command value and the turbine equipment temperature.
代表的な起動モードとして、ホットスタート、コールドスタートがある。タービンや圧縮機が熱い状態で再起動する場合をホットスタートと呼ぶ。また、比較的長期間停止し、タービン、圧縮機が冷えた状態で再起動する場合とコールドスタートと呼ぶ。図５（ｂ）に示すように、起動モードが異なると、起動開始時のタービン機器温度、負荷変化中の温度の変化範囲も異なる。 Typical start-up modes include hot start and cold start. The case where the turbine and the compressor are restarted in a hot state is called hot start. The case where the engine is stopped for a relatively long time and the turbine and the compressor are restarted in a cold state is called a cold start. As shown in FIG. 5B, when the startup mode is different, the turbine device temperature at the start of startup and the temperature change range during load change are also different.
従来の診断装置では、運転条件に関わらず１つの診断モデルを構築していたため、正規化の範囲はデータを包含するように決定する必要がある。すなわち、例えば、正規化範囲の上限値を１０１０、下限値を１０１１としていた。 In the conventional diagnostic apparatus, since one diagnostic model is constructed regardless of the operating conditions, the normalization range needs to be determined so as to include data. That is, for example, the upper limit value of the normalization range is 1010 and the lower limit value is 1011.
例えば、ホットスタートの低負荷時では、プロセス値が変化する範囲１０２０に比べて、正規化範囲１０２２が広くなる。 For example, the normalization range 1022 becomes wider than the range 1020 in which the process value changes when the load is hot start.
データの変化範囲に比べて正規化範囲が広いと、正規化後の値変化が小さくなる。そのため、異常発生時のデータの変化をとらえることができず、異常発生時にも新規カテゴリーが発生しない場合があった。これは、失報の原因となる。 If the normalization range is wider than the data change range, the value change after normalization becomes smaller. For this reason, changes in data when an abnormality occurs cannot be captured, and a new category may not occur even when an abnormality occurs. This causes misreporting.
本発明に備えられているモデル定義手段４００を用いることで、運転条件に合わせて正規化範囲を適切に決定する。本機能により、失報を抑制して診断精度を向上できる。以下、その具体的な方法について説明する。 By using the model definition means 400 provided in the present invention, the normalization range is appropriately determined according to the operating conditions. With this function, it is possible to suppress misreporting and improve diagnosis accuracy. The specific method will be described below.
図６は、モデル定義手段４００の構成要素である運転条件判定部５００の動作を説明するフローチャート図である。図６に示すように、本アルゴリズムはステップ５１０、５２０、５３０、５４０、５５０を組み合わせて実行する。 FIG. 6 is a flowchart for explaining the operation of the operating condition determination unit 500 that is a component of the model definition unit 400. As shown in FIG. 6, the present algorithm executes a combination of steps 510, 520, 530, 540, and 550.
まず、ステップ５１０では、計測信号４に蓄積されているデータを、一定負荷運転中、起動運転中、停止運転中、負荷変化運転中の期間毎に分割する。 First, in step 510, the data accumulated in the measurement signal 4 is divided for each period during constant load operation, start operation, stop operation, and load change operation.
出力が変化していない時、すなわち、出力の計測信号の変化率が小さい場合は、一定負荷運転中とする。また、発電プラントの計測信号に含まれている、起動中、停止中、負荷変化中を区別する信号を基に起動運転中、停止運転中、負荷変化運転中の期間に分割する。 When the output has not changed, that is, when the rate of change of the output measurement signal is small, it is assumed that a constant load operation is being performed. Further, based on a signal that is included in the measurement signal of the power plant and distinguishes between starting, stopping, and changing load, the period is divided into the starting operation, the stopping operation, and the load changing operation.
一定負荷運転中の場合はステップ５２０に、起動運転中の場合はステップ５３０に、停止運転中の場合はステップ５４０に、負荷変化運転中の場合はステップ５５０にそれぞれ進む。 When the constant load operation is being performed, the process proceeds to step 520, when the start operation is being performed, the process proceeds to step 530, when the stop operation is being performed, the process proceeds to step 540, and when the load change operation is being performed, the process proceeds to step 550.
ステップ５２０では、負荷帯に関する情報を抽出する。例えば、定格出力の０〜５０％を低出力、５０％〜１００％を高出力など、出力に応じて負荷帯を分類する。ステップ５３０では、起動モードの種類、起動中の負荷変化率に関する情報を抽出する。起動モードとしては、ホットスタートモード、コールドスタートモードなどがある。ステップ５４０では、停止モード、停止動作開始時出力に関する情報を抽出する。停止モードとしては、通常運用の中でプラントを停止するモード、異常発生時に緊急遮断するモードなどがある。ステップ５５０では、負荷変化率、負荷変化開始時出力、負荷変化終了時出力に関する情報を抽出する。 In step 520, information regarding the load band is extracted. For example, the load band is classified according to the output, such as 0 to 50% of the rated output is low output and 50% to 100% is high output. In step 530, information on the type of activation mode and the load change rate during activation is extracted. The start mode includes a hot start mode and a cold start mode. In step 540, information regarding the stop mode and the output at the start of the stop operation is extracted. The stop mode includes a mode in which the plant is stopped during normal operation, and a mode in which emergency shutdown is performed when an abnormality occurs. In step 550, information regarding the load change rate, the load change start output, and the load change end output is extracted.
尚、本実施例ではステップ５２０、５３０、５４０、５５０で、一定負荷運転中、起動運転中、停止運転中、負荷変化運転中の状態を区別するため、先に述べた情報を抽出しているが、この情報量を増やすことも可能である。例えば、タービン回転数、昇速率、プラントに供給する燃料の種類、大気温度など、プラント１００の計測信号を処理して得られる情報であれば、ステップ５２０、５３０、５４０、５５０で抽出する情報に追加してもよい。 In this embodiment, in steps 520, 530, 540, and 550, the information described above is extracted in order to distinguish the state during the constant load operation, the start operation, the stop operation, and the load change operation. However, it is possible to increase the amount of information. For example, if the information is obtained by processing the measurement signal of the plant 100 such as the turbine rotation speed, the speed increase rate, the type of fuel supplied to the plant, the atmospheric temperature, etc., the information extracted in steps 520, 530, 540, 550 May be added.
図６（ｂ）に示すように、同じ計測項目を用いた診断モデル７１０は、図６（ａ）で抽出した情報に基づいてサブ診断モデル７２０に分類したモデルの集合で構築する。サブ診断モデル毎に異なる正規化条件を定義して診断する。 As shown in FIG. 6B, a diagnosis model 710 using the same measurement item is constructed by a set of models classified into the sub diagnosis model 720 based on the information extracted in FIG. Diagnose by defining different normalization conditions for each sub-diagnostic model.
以下、図７〜図９を用いて、正規化条件を決定する正規化条件決定部６００の実施例を説明する。正規化条件決定部６００で決定した正規化条件の情報を用いて、データ前処理装置７１０で計測信号を正規化する。計測信号ｘｉのデータ項目数がＮ個でｎ番目の計測信号をｘ（ｎ）とする。正規化したデータＮxi（ｎ）は、下記式（１３）で表される。ただし、Ｎmin（ｎ）は正規化の下限値、Ｎmax（ｎ）は正規化の上限値である、 Hereinafter, an embodiment of the normalization condition determination unit 600 that determines the normalization condition will be described with reference to FIGS. The data pre-processing device 710 normalizes the measurement signal using the normalization condition information determined by the normalization condition determination unit 600. The number of data items of the measurement signal xi is N, and the nth measurement signal is x (n). The normalized data Nxi (n) is expressed by the following formula (13). However, Nmin (n) is a lower limit value of normalization, and Nmax (n) is an upper limit value of normalization.
正規化条件決定部６００では、（１３）式で示したＮmin（ｎ）、Ｎmax（ｎ）を決定する。 The normalization condition determination unit 600 determines Nmin (n) and Nmax (n) shown by the equation (13).
図７は、正規化条件決定部６００の第１の実施例の説明図である。 FIG. 7 is an explanatory diagram of the first embodiment of the normalization condition determination unit 600.
図７（ａ）は、正規化条件決定部６００の第１の実施例のフローチャート図である。図７（ａ）に示すように、本アルゴリズムはステップ６１１、６１２、６１３を組み合わせて実行する。 FIG. 7A is a flowchart of the first embodiment of the normalization condition determination unit 600. As shown in FIG. 7A, the present algorithm is executed by combining steps 611, 612, and 613.
まず、ステップ６１１では、運転条件毎にモデル構築用データを分割する。ステップ６１２では、運転条件毎に計測信号変化幅の情報を抽出する。 First, in step 611, model construction data is divided for each operating condition. In step 612, information on the measurement signal change width is extracted for each operation condition.
ステップ６１３では、正規化範囲の上限値Ｎmax１（ｎ）、正規化範囲の下限値Ｎmin１（ｎ）を決定する。 In step 613, the upper limit value Nmax1 (n) of the normalization range and the lower limit value Nmin1 (n) of the normalization range are determined.
一定負荷運転中の場合は、（１４）（１５）式を用いる。ここで、Ｄmax１（ｎ）は計測信号の最大値、Ｄmin１（ｎ）は最小値であり、α、βは定数である。 In the case of constant load operation, equations (14) and (15) are used. Here, Dmax1 (n) is the maximum value of the measurement signal, Dmin1 (n) is the minimum value, and α and β are constants.
負荷変化中、起動中、停止中の場合は、出力指令値に合わせて、式（１６）（１７）のように正規化範囲を決定する。 When the load is changing, starting, or stopping, the normalization range is determined as in Expressions (16) and (17) according to the output command value.
ここで、ＭＷは出力指令値であり、ａ、ｃは、負荷変化中の計測信号を１次近似した時の傾きである。また、ｂ、ｄは、式（１８）（１９）で計算する値である。 Here, MW is an output command value, and a and c are inclinations obtained by linearly approximating a measurement signal during load change. Further, b and d are values calculated by equations (18) and (19).
ここで、ｆは負荷変化中の計測信号を１次近似した時の切片であり、Ｄmax２は計測信号を１次近似した直線と計測信号との偏差の最大値、Ｄmin２は偏差の最小値である。 Here, f is an intercept when the measurement signal under load change is first-order approximated, Dmax2 is the maximum value of the deviation between the first-order approximation of the measurement signal and the measurement signal, and Dmin2 is the minimum value of the deviation. .
図７（ｂ）は、低出力から高出力に負荷変化した時の、出力と計測信号の経時変化を説明する図である。時刻Ｔ０ａまでは低出力、時刻Ｔ０ａから時刻Ｔ０ｂまでは負荷変化、時刻Ｔ０ｂ以降は高出力である。 FIG. 7B is a diagram for explaining the temporal change of the output and the measurement signal when the load changes from the low output to the high output. The output is low until time T0a, the load changes from time T0a to time T0b, and the output is high after time T0b.
図７（ａ）に示したフローチャートを動作させることにより、低出力時の正規化範囲の上限値は１０３０、下限値は１０４０、負荷変化中の正規化範囲の上限値は１０５０、下限値は１０６０、高出力時の正規化範囲の上限値は１０７０、下限値は１０８０に決定される。このように、本発明の正規化範囲は、運転条件に合わせて変化する。 By operating the flowchart shown in FIG. 7A, the upper limit value of the normalization range at low output is 1030, the lower limit value is 1040, the upper limit value of the normalization range during load change is 1050, and the lower limit value is 1060. The upper limit value of the normalization range at high output is determined to be 1070, and the lower limit value is determined to be 1080. Thus, the normalization range of the present invention changes according to the operating conditions.
図８は、正規化条件決定部６００の第２の実施例の説明図である。図８（ａ）に示すように、本アルゴリズムはステップ６３１、６３２、６３３を組み合わせて実行する。 FIG. 8 is an explanatory diagram of a second embodiment of the normalization condition determination unit 600. As shown in FIG. 8A, the present algorithm is executed by combining steps 631, 632, and 633.
ステップ６３１では、負荷変化モードのデータを抽出する。ステップ６３２では、データ項目毎に、無駄時間を推定する。プロセス信号を入出力データとしてインパルス応答によりむだ時間を推定する。具体的な計算方法として参考文献「制御のための上級システム同定」（東京電機大学出版局）に記載されている方法が挙げられる。ステップ６３３では、ステップ６３２で推定した無駄時間分データをシフトした後、データ項目毎に正規化範囲を決定する。 In step 631, load change mode data is extracted. In step 632, a dead time is estimated for each data item. The dead time is estimated by the impulse response using the process signal as input / output data. As a specific calculation method, there is a method described in a reference document “Advanced System Identification for Control” (Tokyo Denki University Press). In step 633, after the data corresponding to the dead time estimated in step 632 is shifted, a normalization range is determined for each data item.
この様子を、図８（ｂ）を用いて説明する。出力指令値が増加し始める時刻Ｔ１ａより、計測信号が変化し始める時刻が遅くなる。この時間が無駄時間である。データ項目Ａの無駄時間は（Ｔ２ａ−Ｔ１ａ）、データ項目Ｂの無駄時間は（Ｔ３ａ−Ｔ１ａ）である。 This state will be described with reference to FIG. The time at which the measurement signal starts changing is later than the time T1a at which the output command value starts to increase. This time is wasted time. The dead time of data item A is (T2a-T1a), and the dead time of data item B is (T3a-T1a).
図８（ａ）のフローチャートを用いて計測信号を無駄時間分ずらした後、図７のフローチャートを用いて正規化範囲を決定する。これにより、出力指令値に合わせて計測信号の正規化範囲を決定できる。 After shifting the measurement signal by the dead time using the flowchart of FIG. 8A, the normalization range is determined using the flowchart of FIG. Thereby, the normalization range of a measurement signal can be determined according to an output command value.
図９は、図１に示した発電プラントの診断装置における正規化条件決定部６００の第３の実施例の説明図である。 FIG. 9 is an explanatory diagram of a third embodiment of the normalization condition determination unit 600 in the power plant diagnostic apparatus shown in FIG.
計測信号の最大値、最小値付近での正規化範囲を広くして、最大値、最小値近傍での計測信号の変化を検知しやすくする。 The normalization range in the vicinity of the maximum value and minimum value of the measurement signal is widened so that changes in the measurement signal in the vicinity of the maximum value and minimum value can be easily detected.
尚、正規化条件決定部６００の正規化方法は上述した内容に限定されるものではなく、運転条件毎に正規化条件を決定するものであれば良い。たとえば、プラントの設計情報や計測器の仕様からデータ値が変化する範囲を推定し、その範囲を正規化範囲としてもよい。 In addition, the normalization method of the normalization condition determination part 600 is not limited to the content mentioned above, What is necessary is just to determine the normalization conditions for every driving | running condition. For example, a range in which a data value changes is estimated from plant design information and measurement instrument specifications, and the range may be used as a normalized range.
図１０は、図１に示した発電プラントの診断装置２００の動作モードを説明するフローチャート図である。図１０（ａ）は図２におけるモデル構築モードの動作フローチャートであり、図１０（ｂ）は診断モードの動作フローチャートである。 FIG. 10 is a flowchart for explaining an operation mode of the power plant diagnostic apparatus 200 shown in FIG. FIG. 10A is an operation flowchart of the model construction mode in FIG. 2, and FIG. 10B is an operation flowchart of the diagnosis mode.
図１０（ａ）に示すように、モデル構築モードは、ステップ１２００、１２１０、１２２０、１２３０を組み合わせて実行する。ステップ１２００では、計測信号データベース３１０からモデル構築に用いる期間のデータを抽出する。この期間は、プラント１００のオペレータにより任意に設定できる。次に、ステップ１２１０では運転条件判定部５００を動作させる。図６（ａ）に示したフローチャートが動作し、モデル構築に用いる期間のデータを、一定負荷運転中、起動運転中、停止運転中、負荷変化運転中の運転モード毎に分割し、さらにステップ５２０、５３０、５４０、５５０を動作させて各モードのデータを特徴ごとに分割する。次に、ステップ１２２０では正規化条件決定部６００を動作させる。図７（ａ）、図８（ａ）で説明したフローチャートを動作させ、ステップ１２１０で分割したグループ毎に正規化条件を決定する。ステップ１２１０、１２２０を動作させて得られたモデル定義情報５は、モデル定義データベース３２０に保存する。最後に、ステップ１２３０ではモデル構築手段７００を動作させる。ステップ１２１０で分割した各グループは、サブ診断モデル７２０（図６（ｂ）参照）として定義され、サブ診断モデル毎に定義されている正規化条件を用いて計測信号を処理し、図３で述べたＡＲＴを用いて診断モデルを構築する。 As shown in FIG. 10A, the model construction mode is executed by combining steps 1200, 1210, 1220, and 1230. In step 1200, data of a period used for model construction is extracted from the measurement signal database 310. This period can be arbitrarily set by the operator of the plant 100. Next, in step 1210, the operating condition determination unit 500 is operated. The flowchart shown in FIG. 6A is operated, and the data of the period used for model construction is divided for each operation mode during constant load operation, start-up operation, stop operation, and load change operation, and further, step 520 530, 540, and 550 are operated to divide the data in each mode into features. Next, in step 1220, the normalization condition determination unit 600 is operated. 7A and 8A is operated, and the normalization condition is determined for each group divided in step 1210. FIG. The model definition information 5 obtained by operating steps 1210 and 1220 is stored in the model definition database 320. Finally, in step 1230, the model construction unit 700 is operated. Each group divided in step 1210 is defined as a sub-diagnostic model 720 (see FIG. 6B), and the measurement signal is processed using the normalization condition defined for each sub-diagnostic model, and is described in FIG. A diagnostic model is constructed using the ART.
図１０（ｂ）に示すように、診断モードは、ステップ１３００、１３１０、１３２０を組み合わせて実行する。ステップ１３００では、計測信号データベース３１０から診断する期間のデータを抽出する。次に、ステップ１３１０では、診断期間のデータを運転条件判定部５００で処理する。モデル構築モードで構築した複数のサブ診断モデルから、運転条件が一致するサブ診断モデルを抽出する。最後に、ステップ１３２０では診断手段８００を動作させる。診断手段８００では、モデル定義データベース３２０からステップ１３３０で抽出したサブ診断モデル情報を抽出する。サブ診断モデルのカテゴリー番号と、診断期間のデータをＡＲＴで分類して得られたカテゴリー番号を比較する。モデル構築モードを動作させた時と同じカテゴリーの時は正常と診断し、異なるカテゴリー番号が発生していた時は異常と診断する。診断結果１０を外部出力インターフェイス２２０に出力する。 As shown in FIG. 10B, the diagnosis mode is executed by combining steps 1300, 1310, and 1320. In step 1300, data for a period to be diagnosed is extracted from the measurement signal database 310. Next, in step 1310, the diagnosis condition data is processed by the operation condition determination unit 500. A sub-diagnostic model with matching operating conditions is extracted from a plurality of sub-diagnostic models constructed in the model construction mode. Finally, in step 1320, the diagnostic means 800 is operated. The diagnosis unit 800 extracts the sub diagnosis model information extracted in step 1330 from the model definition database 320. The category number of the sub diagnosis model is compared with the category number obtained by classifying the data of the diagnosis period with ART. When it is in the same category as when the model construction mode is operated, it is diagnosed as normal, and when a different category number is generated, it is diagnosed as abnormal. The diagnosis result 10 is output to the external output interface 220.
図１１は、本発明のデータベースに保存されているデータの態様を説明する図である。 FIG. 11 is a diagram for explaining an aspect of data stored in the database of the present invention.
図１１（ａ）に示すように、計測信号データベース３１０には、プラント１００に対して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。 As shown in FIG. 11A, in the measurement signal database 310, the value of the measurement signal 1 (data items A, B, and C are shown in the figure), which is operation data measured for the plant 100, is sampled. Stored for each period (time on the vertical axis).
表示画面３１１において縦横に移動可能なスクロールボックス３１２及び３１３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。 By using scroll boxes 312 and 313 that can be moved vertically and horizontally on the display screen 311, a wide range of data can be scroll-displayed.
モデル定義データベース３２０には、図１１（ｂ）に示すように、運転条件と正規化範囲の情報が対応付けられて保存される。 In the model definition database 320, as shown in FIG. 11B, the operating conditions and the information on the normalized range are stored in association with each other.
診断モデルデータベースには、図１１（ｃ）に示すように、カテゴリー番号と重み係数の関係が保存されている。ここで、重み係数とは、カテゴリーの中心座標のことである。 In the diagnostic model database, as shown in FIG. 11C, the relationship between the category number and the weighting coefficient is stored. Here, the weighting factor is the center coordinate of the category.
図１２は、図１に示した発電プラントの診断装置の適用効果を説明する図である。 FIG. 12 is a diagram for explaining the application effect of the power plant diagnostic apparatus shown in FIG.
時刻Ｔ４で負荷変化を開始し、時刻Ｔ５で負荷変化を終了した。負荷変化終了後、時刻Ｔ６で異常が発生した。 The load change was started at time T4, and the load change was ended at time T5. After the load change was completed, an abnormality occurred at time T6.
図１２は、出力指令値と、タービン温度の関係をカテゴリー番号と、温度の計測信号の関係も合わせて図示してある。異常発生に伴い温度が上昇したが、カテゴリー４の範囲内であるため正常状態と同じカテゴリーに分類された。従来方式では、正規化範囲が広く、異常発生に伴う温度上昇をとらえることができず、異常を検知できなかった。 FIG. 12 also illustrates the relationship between the output command value and the turbine temperature, the category number, and the relationship between the temperature measurement signals. Although the temperature rose with the occurrence of abnormality, it was classified into the same category as the normal state because it was within the category 4 range. In the conventional method, the normalization range is wide, the temperature rise accompanying the occurrence of an abnormality cannot be detected, and the abnormality cannot be detected.
本発明では、運転条件に合わせて診断モデルが切り替わる。本実施例では、時刻Ｔ４までは運転条件１診断モデル（一定負荷運転中、低出力モデル）、時刻Ｔ４〜Ｔ５の間は運転条件２診断モデル（負荷変化運転中）、時刻Ｔ５以降は運転条件３診断モデル（一定負荷運転中、高出力モデル）で診断するように切り替わる。 In the present invention, the diagnostic model is switched according to the operating conditions. In this embodiment, the driving condition 1 diagnostic model (during constant load operation, low output model) until time T4, the driving condition 2 diagnostic model (during load change operation) from time T4 to T5, and the driving condition after time T5. It switches so that it may diagnose with 3 diagnostic models (high output model during constant load operation).
運転条件３診断モデルにおいて、正常状態はカテゴリー番号１〜５に分類されている。異常発生前は正常状態と同じカテゴリーに分類されているが、異常発生後のデータはカテゴリー番号６の新規カテゴリーに分類され、異常を検知できた。すなわち、従来方式よりも状態を細かく分類できるので、異常を検知できない失報を抑制できた。 In the driving condition 3 diagnostic model, the normal state is classified into category numbers 1-5. Before the occurrence of an abnormality, the data was classified into the same category as the normal state, but the data after the occurrence of the abnormality was classified into a new category of category number 6, and the abnormality was detected. That is, since the state can be classified more finely than the conventional method, it is possible to suppress the misreporting that cannot detect an abnormality.
図１３は、図１に示した発電プラントの診断装置２００における画像表示装置９４０に表示される画面を説明する図である。 FIG. 13 is a diagram for explaining a screen displayed on the image display device 940 in the power plant diagnostic apparatus 200 shown in FIG. 1.
カーソル９５１をマウス９３０で操作して、正規化範囲の上限値（９５４、９５６、９５８）、正規化範囲の下限値（９５５、９５７、９５９）、運転条件の境界時刻（９５２、９５３）を任意に調整できる。調整した結果をモデルに反映するには、図１３の画面上で実行ボタン９６０をクリックする。この操作により、図１０（ｂ）に示したモデル定義データベースの運転条件と正規化範囲の情報が変更され、調整結果をモデル構築、及び診断動作に反映できる。 Operating the cursor 951 with the mouse 930, arbitrarily specifying the upper limit value (954, 956, 958) of the normalization range, the lower limit value (955, 957, 959) of the normalization range, and the boundary time (952, 953) of the operating conditions Can be adjusted. In order to reflect the adjusted result in the model, the execution button 960 is clicked on the screen of FIG. By this operation, the operating condition and normalization range information of the model definition database shown in FIG. 10B is changed, and the adjustment result can be reflected in the model construction and the diagnostic operation.
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わかりやすく説明するために詳細に記載したものであり、必ずしも説明したすべての構成を備えるものに限定されるものではない。 In addition, this invention is not limited to an above-described Example, Various modifications are included. For example, the above-described embodiments are described in detail for easy understanding of the present invention, and are not necessarily limited to those having all the configurations described.
また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を集積回路で設計する等によりハードウェアで実現してもよい。また上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行するソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル、計測信号、算出情報等の情報は、メモリやハードディスク等の記憶装置、またはＩＣカード、ＳＤカード、ＤＶＤ等の記憶媒体に置くことができる。よって、各処理、各構成は処理ユニットやプログラムモジュールとして実現可能である。 Each of the above-described configurations, functions, processing units, processing means, and the like may be realized by hardware by designing a part or all of them with an integrated circuit. Each of the above-described configurations, functions, and the like may be realized by software that interprets and executes a program that realizes each function. Information such as programs, tables, files, measurement signals, and calculation information for realizing each function can be stored in a storage device such as a memory or a hard disk, or a storage medium such as an IC card, an SD card, or a DVD. Therefore, each process and each configuration can be realized as a processing unit or a program module.
また、情報線は説明上必要と考えられるものを示しており、製品上必ずしもすべての制御線や情報線を示しているとは限らない。実際には、ほとんど全ての構成が相互に接続されていると考えてもよい。 In addition, information lines indicate what is considered necessary for the explanation, and not all control lines and information lines on the product are necessarily shown. In practice, it may be considered that almost all the components are connected to each other.
本実施例によれば、発電プラントの異常を高精度で検知する発電プラントの診断装置及びプラントの診断方法が得られる。 According to the present embodiment, a power plant diagnostic device and a plant diagnostic method for detecting a power plant abnormality with high accuracy can be obtained.
本発明は、プラントの診断装置及びプラントの診断方法として各種プラント等に広く適用可能である。 The present invention is widely applicable to various plants and the like as a plant diagnosis apparatus and a plant diagnosis method.
１、３、４ 計測信号
２ 外部入力信号
５、６、７ モデル定義情報
８、９ モデル情報
１０ 診断結果
１１ 画面表示情報
５０ 診断装置情報
１００ プラント
２００ 診断装置
２１０ 外部入力インターフェイス
２２０ 外部出力インターフェイス
３１０ 計測信号データベース
３２０ モデル定義データベース
３３０ 診断モデルデータベース
４００ モデル定義手段
５００ 運転条件判定部
６００ 正規化条件決定部
７００ モデル構築手段
８００ 診断手段
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
1, 3, 4 Measurement signal 2 External input signal 5, 6, 7 Model definition information 8, 9 Model information 10 Diagnosis result 11 Screen display information 50 Diagnosis device information 100 Plant 200 Diagnosis device 210 External input interface 220 External output interface 310 Measurement Signal database 320 Model definition database 330 Diagnostic model database 400 Model definition means 500 Operating condition determination section 600 Normalization condition determination section 700 Model construction means 800 Diagnosis means 900 Operation management room 910 External input device 920 Keyboard 930 Mouse 940 Image display device
Claims (14)
発電プラントの診断装置に発電プラントの状態量を計測した計測信号を用いて診断に用いるモデルを構築するモデル構築手段と、前記モデルで診断する運転条件と計測信号の正規化方法を定義するモデル定義手段と、前記モデル構築手段で構築したモデルを用いて発電プラントの運転状態を診断する診断手段を備え、
前記モデル定義手段に、発電プラントの運転条件を判定する運転条件判定部と、運転条件判定部で判定した運転条件毎に計測信号の正規化条件を決定する正規化条件決定部を備え、
前記診断手段では、運転条件に合わせて診断モデルを切り替えて診断することを特徴とする発電プラントの診断装置。 In the power plant diagnostic device that diagnoses the operating state of the plant based on the measurement signal obtained by measuring the state quantity from the power plant, and displays the diagnosis result on the image display device,
Model definition for defining a model for use in diagnosis using a measurement signal obtained by measuring a power plant state quantity in a power plant diagnosis device, and a model definition for defining an operation condition to be diagnosed by the model and a measurement signal normalization method Means, and diagnostic means for diagnosing the operating state of the power plant using the model constructed by the model construction means,
The model defining means includes an operation condition determination unit that determines an operation condition of the power plant, and a normalization condition determination unit that determines a normalization condition of the measurement signal for each operation condition determined by the operation condition determination unit,
A diagnostic apparatus for a power plant characterized in that the diagnostic means performs diagnosis by switching a diagnostic model in accordance with an operating condition.
前記運転条件判定部は、発電プラントの運転条件を一定負荷運転中、起動運転中、停止運転中、負荷変化運転中のいずれかに分類する演算装置と、運転条件が一定負荷運転中の場合は負荷帯を抽出する演算装置と、運転条件が起動運転中の場合は起動モードの種類と負荷変化率を抽出する演算装置と、停止運転中の時は停止モードの種類と停止動作開始出力を抽出する演算装置と、負荷変化運転中の時は負荷変化率、負荷変化開始時の出力、負荷変化終了時の出力を抽出する演算装置を備えることを特徴とする発電プラントの診断装置。 In the power plant diagnostic apparatus according to claim 1,
The operation condition determination unit is configured to classify the operation condition of the power plant as one of constant load operation, start operation, stop operation, load change operation, and when the operation condition is constant load operation. An arithmetic unit that extracts the load band, an arithmetic unit that extracts the type of start mode and load change rate when the operating condition is in the start operation, and a stop mode type and stop operation start output that are extracted during the stop operation A power plant diagnostic apparatus comprising: an arithmetic unit that extracts a load change rate, an output at the start of load change, and an output at the end of load change when the load change operation is being performed.
前記正規化条件決定部では、前記運転条件判定部で判定した運転条件毎にモデル構築用データを分割する演算装置と、運転条件毎のデータ変化幅の情報を抽出する演算装置と、前記データ変化幅の情報に基づいて正規化範囲を決定する演算装置を備えることを特徴とする発電プラントの診断装置。 In the power plant diagnostic apparatus according to claim 1,
In the normalization condition determination unit, an arithmetic device that divides the data for model construction for each operation condition determined by the operation condition determination unit, an arithmetic device that extracts data change width information for each operation condition, and the data change A power plant diagnostic apparatus, comprising: an arithmetic unit that determines a normalization range based on width information.
負荷変化中における計測信号の正規化範囲は、出力指令値の関数とする演算装置を備えることを特徴とする発電プラントの診断装置。 In the power plant diagnostic apparatus according to claim 3,
A power plant diagnostic apparatus, wherein a normalization range of a measurement signal during a load change includes an arithmetic unit that functions as a function of an output command value.
前記正規化条件決定部では、負荷変化中の計測信号について無駄時間を推定する演算装置と、推定した無駄時間分計測信号をシフトさせる演算装置を動作させた後、
請求項３に記載した演算装置を動作させることを特徴とする発電プラントの診断装置。 In the power plant diagnostic apparatus according to claim 3,
In the normalization condition determination unit, after operating the arithmetic device that estimates the dead time for the measurement signal during the load change and the arithmetic device that shifts the measurement signal for the estimated dead time,
A diagnostic apparatus for a power plant that operates the arithmetic device according to claim 3.
前記正規化条件決定部では、計測信号の最大値、最小値付近での正規化範囲を広くする演算装置を備えたことを特徴とする発電プラントの診断装置。 In the power plant diagnostic apparatus according to claim 3,
The power plant diagnostic apparatus, wherein the normalization condition determination unit includes an arithmetic unit that widens a normalization range near the maximum value and the minimum value of the measurement signal.
計測信号の経時変化を示すトレンドグラフと、前記運転条件判定手段で判定した運転条件が切り替わる時刻と、前記正規化条件決定手段で決定した正規化範囲を重ねて表示させ、
前記運転条件が切り替わる時刻と、前記正規化範囲を任意に変更するための画面表示装置を備えたことを特徴とする発電プラントの診断装置。 In the power plant diagnostic apparatus according to claim 1,
The trend graph showing the change over time of the measurement signal, the time when the operating condition determined by the operating condition determining means is switched, and the normalization range determined by the normalizing condition determining means are displayed in an overlapping manner,
A power plant diagnostic apparatus, comprising: a time at which the operating conditions are switched, and a screen display device for arbitrarily changing the normalization range.
発電プラントの運転条件を判定するステップと、運転条件判定部で判定した運転条件毎に計測信号の正規化条件を決定するステップと、発電プラントの診断装置に発電プラントの状態量を計測した計測信号を用いて診断に用いるモデルを構築するステップと、前記モデルで診断する運転条件と計測信号の正規化方法を定義するステップと、運転条件に合わせて診断モデルを切り替えて診断するステップを備えたことを特徴とする発電プラントの診断方法。 In the power plant diagnostic method for diagnosing the operation state of the plant based on the measurement signal obtained by measuring the state quantity from the power plant, and displaying the diagnosis result on the image display device,
A step of determining the operating condition of the power plant, a step of determining a normalization condition of the measurement signal for each operating condition determined by the operating condition determining unit, and a measurement signal obtained by measuring the state quantity of the power plant in the power plant diagnostic device A step of constructing a model to be used for diagnosis using, a step of defining a normalization method of operating conditions and measurement signals to be diagnosed by the model, and a step of diagnosing by switching the diagnostic model according to the operating conditions A power plant diagnostic method characterized by the above.
前記発電プラントの運転条件を判定するステップは、発電プラントの運転条件を一定負荷運転中、起動運転中、停止運転中、負荷変化運転中のいずれかに分類するステップと、運転条件が一定負荷運転中の場合は負荷帯を抽出するステップと、運転条件が起動運転中の場合は起動モードの種類と負荷変化率を抽出するステップと、停止運転中の時は停止モードの種類と停止動作開始出力を抽出するステップと、負荷変化運転中の時は負荷変化率、負荷変化開始時の出力、負荷変化終了時の出力を抽出するステップを備えることを特徴とする発電プラントの診断方法。 In the power plant diagnosis method according to claim 8,
The step of determining the operating condition of the power plant includes the step of classifying the operating condition of the power plant as one of a constant load operation, a start operation, a stop operation, and a load change operation, and the operation condition is a constant load operation. The step of extracting the load zone when the operation is in progress, the step of extracting the type of the start mode and the load change rate when the operation condition is the start operation, and the type of the stop mode and the stop operation start output when the operation is in the stop operation And a step of extracting the load change rate, the output at the start of the load change, and the output at the end of the load change during the load change operation.
前記正規化条件を決定するステップでは、前記運転条件判定部で判定した運転条件毎にモデル構築用データを分割するステップと、運転条件毎のデータ変化幅の情報を抽出するステップと、前記データ変化幅の情報に基づいて正規化範囲を決定するステップを備えることを特徴とする発電プラントの診断方法。 In the power plant diagnosis method according to claim 8,
In the step of determining the normalization condition, the step of dividing the data for model construction for each operation condition determined by the operation condition determination unit, the step of extracting data change width information for each operation condition, and the data change A method for diagnosing a power plant, comprising a step of determining a normalization range based on width information.
負荷変化中における計測信号の正規化範囲は、出力指令値の関数とするステップを備えることを特徴とする発電プラントの診断方法。 In the power plant diagnostic method according to claim 10,
A method for diagnosing a power plant, characterized in that a normalized range of a measurement signal during a load change includes a step of using a function of an output command value.
前記正規化条件を決定するステップでは、負荷変化中の計測信号について無駄時間を推定するステップと、推定した無駄時間分計測信号をシフトさせるステップを実行した後、請求項１０に記載したステップを実行することを特徴とする発電プラントの診断方法。 In the power plant diagnostic method according to claim 10,
The step of determining the normalization condition includes performing a step of estimating a dead time for a measurement signal during a load change and a step of shifting the measurement signal by the estimated dead time, and then executing the steps according to claim 10 A method for diagnosing a power plant, comprising:
前記正規化条件を決定するステップでは、計測信号の最大値、最小値付近での正規化範囲を広くするステップを備えたことを特徴とする発電プラントの診断方法。 In the power plant diagnosis method according to claim 10 to claim 12,
The power plant diagnostic method characterized in that the step of determining the normalization condition includes a step of widening a normalization range near the maximum value and the minimum value of the measurement signal.
計測信号の経時変化を示すトレンドグラフと、前記運転条件判定手段で判定した運転条件が切り替わる時刻と、前記正規化条件決定手段で決定した正規化範囲を重ねて表示させ、
前記運転条件が切り替わる時刻と、前記正規化範囲を任意に変更できることを特徴とする発電プラントの診断方法。 In the power plant diagnosis method according to claim 8,
The trend graph showing the change over time of the measurement signal, the time when the operating condition determined by the operating condition determining means is switched, and the normalization range determined by the normalizing condition determining means are displayed in an overlapping manner,
A power plant diagnosis method characterized by being able to arbitrarily change the time at which the operating conditions are switched and the normalization range.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2011197837A JP5337853B2 (en) | 2011-09-12 | 2011-09-12 | Power plant diagnostic device and power plant diagnostic method |
| CN201210288454.4A CN102999038B (en) | 2011-09-12 | 2012-08-07 | Power generation facility diagnostic device and power generation facility diagnostic method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2011197837A JP5337853B2 (en) | 2011-09-12 | 2011-09-12 | Power plant diagnostic device and power plant diagnostic method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2013061695A true JP2013061695A (en) | 2013-04-04 |
| JP5337853B2 JP5337853B2 (en) | 2013-11-06 |
Family
ID=47927732
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2011197837A Active JP5337853B2 (en) | 2011-09-12 | 2011-09-12 | Power plant diagnostic device and power plant diagnostic method |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP5337853B2 (en) |
| CN (1) | CN102999038B (en) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015103218A (en) * | 2013-11-28 | 2015-06-04 | 株式会社日立製作所 | Plant diagnostic apparatus and plant diagnostic method |
| WO2015152317A1 (en) * | 2014-04-01 | 2015-10-08 | 株式会社テイエルブイ | Risk evaluation system for process system, risk evaluation program, and risk evaluation method |
| JPWO2016117021A1 (en) * | 2015-01-20 | 2017-07-13 | 株式会社日立製作所 | Machine diagnostic device and machine diagnostic method |
| JP2017187820A (en) * | 2016-03-31 | 2017-10-12 | 株式会社東芝 | Process diagnostic apparatus, process diagnostic method, and computer program |
| JPWO2016170574A1 (en) * | 2015-04-20 | 2017-12-21 | 株式会社日立製作所 | Operation management system and operation management method |
| JP2018055636A (en) * | 2016-09-30 | 2018-04-05 | メタウォーター株式会社 | Valve operation monitoring method and valve operation abnormality sign detection method |
| CN108983744A (en) * | 2017-06-05 | 2018-12-11 | 丰田自动车株式会社 | Abnormality diagnosis apparatus and abnormality diagnostic method |
| WO2019003703A1 (en) * | 2017-06-28 | 2019-01-03 | 株式会社日立製作所 | Diagnostic device and diagnostic method |
| JP2019121299A (en) * | 2018-01-11 | 2019-07-22 | 三菱電機株式会社 | Soundness evaluation apparatus, power generating system, and soundness evaluation method |
| JP2020035107A (en) * | 2018-08-28 | 2020-03-05 | 株式会社日立製作所 | Plant data analysis system |
| JP2020067953A (en) * | 2018-10-26 | 2020-04-30 | 富士電機株式会社 | Abnormality detecting apparatus and abnormality detecting method |
| JP2020107072A (en) * | 2018-12-27 | 2020-07-09 | 株式会社クボタ | Mechanical equipment diagnostic method and mechanical equipment diagnostic apparatus |
| WO2020152741A1 (en) * | 2019-01-21 | 2020-07-30 | 三菱電機株式会社 | Abnormality cause estimation device, abnormality cause estimation method, and program |
| WO2020166468A1 (en) * | 2019-02-15 | 2020-08-20 | パナソニックＩｐマネジメント株式会社 | Playback system, recording system, playback method, program for playback, recording method, and program for recording |
| JP2021096492A (en) * | 2019-12-13 | 2021-06-24 | 三菱電機株式会社 | Diagnostic device, power generation facility, data creation method, and diagnostic program |
| WO2021171654A1 (en) * | 2020-02-26 | 2021-09-02 | 株式会社日立製作所 | Operation improvement assistance system, operation improvement assistance method, and operation improvement assistance program |
| WO2021235041A1 (en) * | 2020-05-20 | 2021-11-25 | オムロン株式会社 | Screw tightening defect determination device |
| JP2023149013A (en) * | 2022-03-30 | 2023-10-13 | 横河電機株式会社 | Data processing device, data processing method, and program |
| JP7688320B1 (en) * | 2023-07-24 | 2025-06-04 | 日本製鉄株式会社 | Anomaly detection device, plant system, characteristic information generation device, anomaly detection method, characteristic information generation method, and program |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7239354B2 (en) * | 2019-03-12 | 2023-03-14 | 株式会社日立製作所 | data classifier |
| CN115981283B (en) * | 2022-12-29 | 2025-07-15 | 杭州和利时自动化有限公司 | Industrial system status monitoring method, device, equipment and storage medium |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04153802A (en) * | 1990-10-18 | 1992-05-27 | Toshiba Corp | Process input value generation device for plant |
| JP2006029240A (en) * | 2004-07-16 | 2006-02-02 | Yanmar Co Ltd | Monitoring/diagnosis system |
| JP2010244149A (en) * | 2009-04-02 | 2010-10-28 | Hitachi Ltd | Data classification method, data classification device, diagnostic method, diagnostic device |
| JP2011070635A (en) * | 2009-08-28 | 2011-04-07 | Hitachi Ltd | Method and device for monitoring state of facility |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11161327A (en) * | 1997-11-28 | 1999-06-18 | Mitsubishi Chemical Corp | Process abnormality diagnosis method and apparatus |
| CN102129013B (en) * | 2011-01-21 | 2013-11-27 | 昆明理工大学 | A distribution network fault location method using natural frequency and artificial neural network |
-
2011
- 2011-09-12 JP JP2011197837A patent/JP5337853B2/en active Active
-
2012
- 2012-08-07 CN CN201210288454.4A patent/CN102999038B/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04153802A (en) * | 1990-10-18 | 1992-05-27 | Toshiba Corp | Process input value generation device for plant |
| JP2006029240A (en) * | 2004-07-16 | 2006-02-02 | Yanmar Co Ltd | Monitoring/diagnosis system |
| JP2010244149A (en) * | 2009-04-02 | 2010-10-28 | Hitachi Ltd | Data classification method, data classification device, diagnostic method, diagnostic device |
| JP2011070635A (en) * | 2009-08-28 | 2011-04-07 | Hitachi Ltd | Method and device for monitoring state of facility |
Cited By (38)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015079766A1 (en) * | 2013-11-28 | 2015-06-04 | 株式会社日立製作所 | Diagnostic device and diagnostic method for plant |
| JP2015103218A (en) * | 2013-11-28 | 2015-06-04 | 株式会社日立製作所 | Plant diagnostic apparatus and plant diagnostic method |
| US10025658B2 (en) | 2014-04-01 | 2018-07-17 | Tlv Co., Ltd. | Risk evaluation system for process system, risk evaluation program and risk evaluation method |
| WO2015152317A1 (en) * | 2014-04-01 | 2015-10-08 | 株式会社テイエルブイ | Risk evaluation system for process system, risk evaluation program, and risk evaluation method |
| JP5884000B1 (en) * | 2014-04-01 | 2016-03-15 | 株式会社テイエルブイ | Risk assessment system for process system, risk assessment program, and risk assessment method |
| KR20160137621A (en) * | 2014-04-01 | 2016-11-30 | 가부시키가이샤 티엘브이 | Risk evaluation system for process system, risk evaluation program, and risk evaluation method |
| AU2015242885B2 (en) * | 2014-04-01 | 2017-09-14 | Tlv Co., Ltd. | Risk evaluation system for process system, risk evaluation program and risk evaluation method |
| JPWO2016117021A1 (en) * | 2015-01-20 | 2017-07-13 | 株式会社日立製作所 | Machine diagnostic device and machine diagnostic method |
| US10295995B2 (en) | 2015-01-20 | 2019-05-21 | Hitachi, Ltd. | Machine diagnostic apparatus and machine diagnostic method |
| JPWO2016170574A1 (en) * | 2015-04-20 | 2017-12-21 | 株式会社日立製作所 | Operation management system and operation management method |
| JP2017187820A (en) * | 2016-03-31 | 2017-10-12 | 株式会社東芝 | Process diagnostic apparatus, process diagnostic method, and computer program |
| JP2018055636A (en) * | 2016-09-30 | 2018-04-05 | メタウォーター株式会社 | Valve operation monitoring method and valve operation abnormality sign detection method |
| CN108983744A (en) * | 2017-06-05 | 2018-12-11 | 丰田自动车株式会社 | Abnormality diagnosis apparatus and abnormality diagnostic method |
| CN108983744B (en) * | 2017-06-05 | 2021-05-14 | 丰田自动车株式会社 | Abnormality diagnosis apparatus and abnormality diagnosis method |
| WO2019003703A1 (en) * | 2017-06-28 | 2019-01-03 | 株式会社日立製作所 | Diagnostic device and diagnostic method |
| JP2019008681A (en) * | 2017-06-28 | 2019-01-17 | 株式会社日立製作所 | Diagnostic apparatus and diagnostic method |
| JP7138441B2 (en) | 2018-01-11 | 2022-09-16 | 三菱電機株式会社 | Soundness evaluation device and power generation system |
| JP2019121299A (en) * | 2018-01-11 | 2019-07-22 | 三菱電機株式会社 | Soundness evaluation apparatus, power generating system, and soundness evaluation method |
| JP2020035107A (en) * | 2018-08-28 | 2020-03-05 | 株式会社日立製作所 | Plant data analysis system |
| JP2020067953A (en) * | 2018-10-26 | 2020-04-30 | 富士電機株式会社 | Abnormality detecting apparatus and abnormality detecting method |
| JP7408911B2 (en) | 2018-10-26 | 2024-01-09 | 富士電機株式会社 | Anomaly detection device and anomaly detection method |
| JP2020107072A (en) * | 2018-12-27 | 2020-07-09 | 株式会社クボタ | Mechanical equipment diagnostic method and mechanical equipment diagnostic apparatus |
| WO2020152741A1 (en) * | 2019-01-21 | 2020-07-30 | 三菱電機株式会社 | Abnormality cause estimation device, abnormality cause estimation method, and program |
| US12247752B2 (en) | 2019-01-21 | 2025-03-11 | Mitsubishi Electric Corporation | Abnormality cause estimation device, abnormality cause estimation method, and medium |
| DE112019006255B4 (en) | 2019-01-21 | 2024-07-04 | Mitsubishi Electric Corporation | ANOMALY CAUSE ESTIMATION DEVICE, ANOMALY CAUSE ESTIMATION METHOD AND MEDIUM |
| WO2020166468A1 (en) * | 2019-02-15 | 2020-08-20 | パナソニックＩｐマネジメント株式会社 | Playback system, recording system, playback method, program for playback, recording method, and program for recording |
| JP2021096492A (en) * | 2019-12-13 | 2021-06-24 | 三菱電機株式会社 | Diagnostic device, power generation facility, data creation method, and diagnostic program |
| JP2021135637A (en) * | 2020-02-26 | 2021-09-13 | 株式会社日立製作所 | Operation improvement support system, operation improvement support method and operation improvement support program |
| WO2021171654A1 (en) * | 2020-02-26 | 2021-09-02 | 株式会社日立製作所 | Operation improvement assistance system, operation improvement assistance method, and operation improvement assistance program |
| JP2021181145A (en) * | 2020-05-20 | 2021-11-25 | オムロン株式会社 | Screw tightening failure determination device |
| CN115397620A (en) * | 2020-05-20 | 2022-11-25 | 欧姆龙株式会社 | Screw fixation failure determination device |
| WO2021235041A1 (en) * | 2020-05-20 | 2021-11-25 | オムロン株式会社 | Screw tightening defect determination device |
| JP7600542B2 (en) | 2020-05-20 | 2024-12-17 | オムロン株式会社 | Screw tightening defect detection device |
| US12220777B2 (en) | 2020-05-20 | 2025-02-11 | Omron Corporation | Screw tightening defect determination device and learning device |
| JP2023149013A (en) * | 2022-03-30 | 2023-10-13 | 横河電機株式会社 | Data processing device, data processing method, and program |
| JP7552643B2 (en) | 2022-03-30 | 2024-09-18 | 横河電機株式会社 | DATA PROCESSING APPARATUS, DATA PROCESSING METHOD, AND PROGRAM |
| US12487985B2 (en) | 2022-03-30 | 2025-12-02 | Yokogawa Electric Corporation | Data processing apparatus, data processing method, and recording medium |
| JP7688320B1 (en) * | 2023-07-24 | 2025-06-04 | 日本製鉄株式会社 | Anomaly detection device, plant system, characteristic information generation device, anomaly detection method, characteristic information generation method, and program |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102999038A (en) | 2013-03-27 |
| JP5337853B2 (en) | 2013-11-06 |
| CN102999038B (en) | 2015-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5337853B2 (en) | Power plant diagnostic device and power plant diagnostic method | |
| CN102713777B (en) | Diagnostic device and diagnostic method | |
| JP5544418B2 (en) | Plant diagnostic device, diagnostic method, and diagnostic program | |
| KR101955305B1 (en) | Gas turbine sensor failure detection utilizing a sparse coding methodology | |
| US9483049B2 (en) | Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program | |
| US20210140851A1 (en) | System and method for automatic diagnosis of power generation facility | |
| US9818242B2 (en) | Gas turbine engine anomaly detections and fault identifications | |
| US20120041575A1 (en) | Anomaly Detection Method and Anomaly Detection System | |
| CN102576227B (en) | Equipment diagnosis device | |
| CN117980707A (en) | Autonomous discrimination of operational vibration signals | |
| CN107710089B (en) | Plant equipment diagnosis device and plant equipment diagnosis method | |
| EP3260703A1 (en) | Predicting a surge event in a compressor of a turbomachine | |
| CN116593811A (en) | An integrated frequency converter operating state monitoring system and monitoring method | |
| JP5150590B2 (en) | Abnormality diagnosis apparatus and abnormality diagnosis method | |
| JP6830414B2 (en) | Diagnostic device and diagnostic method | |
| US20230046709A1 (en) | Prediction apparatus, prediction method, and program | |
| CN120101174B (en) | A method and device for rapid detection of combustion oscillation faults | |
| JP5647626B2 (en) | Plant state monitoring device and plant state monitoring method | |
| JP6685124B2 (en) | Diagnostic device and diagnostic method | |
| CN113095540A (en) | Data integration method and data integration system | |
| JP6676508B2 (en) | Security diagnosis device and security diagnosis method | |
| Mosallam et al. | Unsupervised trend extraction for prognostics and condition assessment | |
| JP2024034459A (en) | Sign detection system and sign detection method | |
| JP2025030701A (en) | Diagnostic device, diagnostic method, and diagnostic system | |
| Qiu et al. | Research on analytical methods for fault symptom in aircraft electrical system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20130226 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20130703 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20130709 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130805 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 5337853 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |