Nothing Special   »   [go: up one dir, main page]

KR20180137513A - 감시 장치, 대상 장치의 감시 방법 및 프로그램 - Google Patents

감시 장치, 대상 장치의 감시 방법 및 프로그램 Download PDF

Info

Publication number
KR20180137513A
KR20180137513A KR1020187032722A KR20187032722A KR20180137513A KR 20180137513 A KR20180137513 A KR 20180137513A KR 1020187032722 A KR1020187032722 A KR 1020187032722A KR 20187032722 A KR20187032722 A KR 20187032722A KR 20180137513 A KR20180137513 A KR 20180137513A
Authority
KR
South Korea
Prior art keywords
occurrence
event
probability
unit
value
Prior art date
Application number
KR1020187032722A
Other languages
English (en)
Other versions
KR102202159B1 (ko
Inventor
이치로 나가노
구니아키 아오야마
마유미 사이토
신타로 구마노
가츠히코 아베
도루 다나카
다카히로 야마우치
Original Assignee
미츠비시 히타치 파워 시스템즈 가부시키가이샤
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 미츠비시 히타치 파워 시스템즈 가부시키가이샤 filed Critical 미츠비시 히타치 파워 시스템즈 가부시키가이샤
Publication of KR20180137513A publication Critical patent/KR20180137513A/ko
Application granted granted Critical
Publication of KR102202159B1 publication Critical patent/KR102202159B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D25/00—Component parts, details, or accessories, not provided for in, or of interest apart from, other groups
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D25/00—Component parts, details, or accessories, not provided for in, or of interest apart from, other groups
    • F01D25/08—Cooling; Heating; Heat-insulation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
    • F02C7/00—Features, components parts, details or accessories, not provided for in, or of interest apart form groups F02C1/00 - F02C6/00; Air intakes for jet-propulsion plants
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
    • F02C7/00—Features, components parts, details or accessories, not provided for in, or of interest apart form groups F02C1/00 - F02C6/00; Air intakes for jet-propulsion plants
    • F02C7/22—Fuel supply systems
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
    • G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics

Landscapes

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

Abstract

취득부는 대상 장치의 계측값을 취득한다. 가능성 산출부는 취득부가 취득한 계측값에 기초하여 대상 장치에 발생시킬 수 있는 복수의 사상 각각의 발생 가능성을 산출한다. 테이블 기억부는, 복수의 사상과, 대상 장치의 이상의 발생 요인을 관련지은 테이블을 기억한다. 추정부는 가능성과 테이블에 기초하여 발생 요인을 추정한다.

Description

감시 장치, 대상 장치의 감시 방법 및 프로그램
본 발명은 대상 장치(對象裝置, target device)를 감시하는 감시 장치, 대상 장치의 감시 방법 및 프로그램에 관한 것이다.
본원은 2016년6월1일에 일본에 출원된 특허출원 제2016-110336호에 대해 우선권을 주장하고, 그 내용을 여기에 원용한다.
플랜트에 이상(異常)이 발생했을 때, 이상의 발생 요인을 특정하는 방법으로서 FTA(Fault Tree Analysis)를 이용하는 수법이 알려져 있다(예를 들어, 특허문헌 1을 참조).
특허문헌 1: 일본 공개특허공보 제2009-176315호
그러나 FTA에 기초하는 이상의 발생 요인의 추정은 감시원의 경험에 의존하는 부분이 많기 때문에, 감시원마다 추정의 정밀도가 다르다. 또한 FTA에 기초하여 이상의 발생 요인을 추정하는 기능을 갖는 감시원의 수에는 한계가 있어, 플랜트에 이상이 발생했을 때, 발생 요인의 추정에 시간이 걸리는 경우가 있다.
본 발명의 목적은 감시원의 경험에 따르지 않고 이상의 발생 요인을 정밀도 좋게 추정할 수 있는 감시 장치, 대상 장치의 감시 방법 및 프로그램을 제공하는 것에 있다.
본 발명의 제1 양태에 의하면, 감시 장치는, 대상 장치의 계측값을 취득하는 취득부와, 상기 취득부가 취득한 상기 계측값에 기초하여 대상 장치에 발생시킬 수 있는 복수의 사상(事象, event) 각각의 발생 가능성(尤度, likelihood)을 산출하는 가능성 산출부와, 상기 복수의 사상과 상기 대상 장치의 이상의 발생 요인을 관련지은 테이블을 기억하는 테이블 기억부와, 상기 가능성과 상기 테이블에 기초하여 상기 발생 요인을 추정하는 추정부를 구비한다.
본 발명의 제2 양태에 의하면, 제1 양태에 관한 감시 장치는, 상기 테이블은, 상기 발생 요인과, 상기 사상과, 당해 발생 요인에 관한 이상이 발생했을 때, 당해 사상이 확인된 횟수를 관련지은 것으로서, 상기 추정부는 상기 발생 요인마다 상기 가능성과 상기 횟수와의 가중화(加重和)를 산출하고, 당해 가중화에 기초하여 상기 발생 요인을 추정하는 것이어도 좋다.
본 발명의 제3 양태에 의하면, 제1 양태에 관한 감시 장치는, 상기 테이블은, 상기 발생 요인과, 상기 사상과, 당해 발생 요인에 관한 이상이 발생했을 때, 당해 사상이 확인된 것인지 아닌지를 나타내는 값을 관련지은 것으로서, 상기 추정부는, 상기 가능성이 소정의 역치 이상의 상기 사상이며, 또한 상기 테이블에 있어서 발생한 것이 나타내져 있는 상기 사상의 수에 기초하여, 상기 발생 요인을 추정하는 것이어도 좋다.
본 발명의 제4 양태에 의하면, 제1 양태에 관한 감시 장치는, 상기 테이블은, 상기 발생 요인과, 상기 사상과, 당해 발생 요인에 관한 이상이 발생했을 때, 당해 사상이 발생하는 확률을 관련지은 것으로서, 상기 추정부는 상기 발생 요인마다 상기 가능성과 상기 확률과의 가중화를 산출하고, 당해 가중화에 기초하여 상기 발생 요인을 추정하는 것이어도 좋다.
본 발명의 제5 양태에 의하면, 제1부터 제4 양태 중 어느 하나의 양태에 관한 감시 장치는, 상기 취득부가 취득한 상기 계측값의 SN비(Signal-Noise Ratio)를 산출하는 SN비 산출부를 추가로 구비하고, 상기 가능성 산출부는, 상기 SN비 산출부가 산출한 상기 SN비에 기초하여, 상기 복수의 사상 각각의 가능성을 산출하는 것이어도 좋다.
본 발명의 제6 양태에 의하면, 제1부터 제5 양태 중 어느 하나의 양태에 관한 감시 장치는 상기 계측값에 기초하여 마하라노비스 거리(Mahalanobis distance)를 산출하는 거리 산출부를 추가로 구비하고, 상기 가능성 산출부는, 상기 마하라노비스 거리가 소정값 이상인 경우에, 상기 복수의 사상 각각의 가능성을 산출하는 것이어도 좋다.
본 발명의 제7 양태에 의하면, 제6 양태에 관한 감시 장치는 상기 계측값에 기초하는 열평형 계산에 의해 상기 계측값을 보정한 보정 계측값을 얻는 보정부를 추가로 구비하고, 상기 계측값은 적어도 상기 대상 장치에 입력되는 입력 유체의 온도 및 유량, 및 상기 대상 장치로부터 출력되는 출력 유체의 온도 및 유량을 포함하고, 상기 거리 산출부는 상기 보정 계측값을 제원(諸元)으로 하여 상기 마하라노비스 거리를 산출하는 것이어도 좋다.
본 발명의 제8 양태에 의하면, 대상 장치의 감시 방법은, 대상 장치의 계측값을 취득하는 것과, 취득한 상기 계측값에 기초하여 대상 장치에 발생할 수 있는 복수의 사상 각각의 발생 가능성을 산출하는 것과, 상기 복수의 사상과 상기 대상 장치의 이상의 발생 요인을 관련지은 테이블을 기억하는 테이블 기억부와 상기 가능성에 기초하여 상기 발생 요인을 추정하는 것을 포함한다.
본 발명의 제9 양태에 의하면, 제8 양태에 관한 대상 장치의 감시 방법은, 상기 테이블은, 상기 발생 요인과, 상기 사상과, 당해 발생 요인에 관한 이상이 발생했을 때, 당해 사상이 확인된 횟수를 관련지은 것으로서, 상기 발생 요인마다 상기 가능성과 상기 횟수와의 가중화를 산출하고, 당해 가중화에 기초하여 상기 발생 요인을 추정하는 것이어도 좋다.
본 발명의 제10 양태에 의하면, 제8 양태에 관한 대상 장치의 감시 방법은, 상기 테이블은, 상기 발생 요인과, 상기 사상과, 당해 발생 요인에 관한 이상이 발생했을 때, 당해 사상이 확인된 것인지 아닌지를 나타내는 값을 관련지은 것으로서, 상기 가능성이 소정의 역치 이상의 상기 사상이며, 또한 상기 테이블에 있어서 발생한 것이 나타내져 있는 상기 사상의 수에 기초하여, 상기 발생 요인을 추정하는 것이어도 좋다.
본 발명의 제11 양태에 의하면, 제8 양태에 관한 대상 장치의 감시 방법은, 상기 테이블은, 상기 발생 요인과, 상기 사상과, 당해 발생 요인에 관한 이상이 발생했을 때, 당해 사상이 발생하는 확률을 관련지은 것으로서, 상기 발생 요인마다 상기 가능성과 상기 확률과의 가중화를 산출하고, 당해 가중화에 기초하여 상기 발생 요인을 추정하는 것이어도 좋다.
본 발명의 제12 양태에 의하면, 프로그램은, 컴퓨터에, 대상 장치의 계측값을 취득하는 것과, 취득한 상기 계측값에 기초하여 대상 장치에 발생시킬 수 있는 복수의 사상 각각의 발생 가능성을 산출하는 것과, 상기 복수의 사상과 상기 대상 장치의 이상의 발생 요인을 관련지은 테이블을 기억하는 테이블 기억부와 상기 가능성에 기초하여 상기 발생 요인을 추정하는 것을 실행시킨다.
상기 양태 중 적어도 하나의 양태에 의하면, 감시 장치는, 대상 장치의 계측값에 기초하여 당해 대상 장치에 발생시킬 수 있는 복수의 사상 각각의 발생 가능성을 산출하고, 사상과 이상의 발생 요인을 관련지은 테이블을 이용하여 대상 장치에 발생한 이상의 발생 요인을 추정한다. 이에 의해, 감시 장치는 감시원의 경험에 따르지 않고 이상의 발생 요인을 정밀도 좋게 추정할 수 있다.
도 1은 대상 장치의 일례인 가스 터빈의 모식도이다.
도 2는 제1 실시형태에 관한 감시 장치의 구성을 나타내는 개략 블록도이다.
도 3은 제1 실시형태에 관한 감시 장치의 동작을 나타내는 플로 차트이다.
도 4는 제2 실시형태에 관한 감시 장치의 구성을 나타내는 개략 블록도이다.
도 5는 적어도 하나의 실시형태에 관한 컴퓨터의 구성을 나타내는 개략 블록도이다.
<제1 실시형태>
이하, 도면을 참조하면서 제1 실시형태에 대해 상세히 설명한다.
제1 실시형태에 관한 감시 장치(100)는 가스 터빈(T)의 이상 유무를 감시하여 이상의 발생 요인을 특정한다. 가스 터빈(T)은 대상 장치의 일례이다.
《대상 장치》
도 1은 대상 장치의 일례인 가스 터빈의 모식도이다.
가스 터빈(T)은, 압축기(T1), 연소기(T2), 터빈(T3), 로터(T5), 추기관(抽氣管)(T4) 및 발전기(T6)를 구비한다. 압축기(T1), 터빈(T3) 및 발전기(T6)는 로터(T5)에 접합되어, 로터(T5)의 축 주변으로 회전한다. 압축기(T1)는 회전에 의해 공기 취입구로부터 공기를 취입하고, 취입한 공기를 압축하여 압축 공기를 생성한다. 연소기(T2)는, 압축기(T1)가 생성한 압축 공기에 연료를 분사함으로써, 고온이자 고압의 연소 가스를 발생시킨다. 또한, 연소기(T2)에는, 연소기(T2)의 냉각을 위해 냉각 증기가 분사된다. 터빈(T3)은, 연소기(T2)가 발생시킨 연소 가스의 열 에너지를 로터(T5)의 회전 에너지로 변환하여 구동력을 발생시킨다. 추기관(T4)은, 그 일단이 압축기(T1)에 접속되고, 그 타단이 터빈(T3)에 접속된다. 추기관(T4)은, 압축기(T1)가 생성하는 압축 공기의 일부를 추기하고, 추기한 압축 공기(냉각 공기)를 터빈(T3)에 공급함으로써, 터빈(T3)을 냉각한다. 발전기(T6)는 로터(T5)의 회전 에너지를 전기 에너지로 변환한다.
가스 터빈(T)에는 도시하지 않은 복수의 센서가 부착된다. 각 센서가 취득하는 센서값의 예로서는 대기압, 대기 온도, 대기의 상대 습도, 압축기(T1)의 입구 차압(差壓), 압축기(T1)의 출구 공기 온도, 압축기(T1)의 출구 공기 압력, 연료 압력, 연료 온도, 연료 발열량, 연료 조성, 연료 유량, 냉각 증기 압력, 냉각 증기 온도, 냉각 증기 유량, 냉각 공기의 온도, 냉각 공기의 유량, 배기 온도, 흡기 압력 손실, 배기압 손실, 발전기(T6)의 발전 효율, 발전 전력, 발전 전류, 발전 전압, 발전 주파수를 들 수 있다.
《구성》
감시 장치(100)의 구성에 대해 설명한다. 도 2는 제1 실시형태에 관한 감시 장치의 구성을 나타내는 개략 블록도이다.
감시 장치(100)는, 취득부(101), 특성치 산출부(102), 보정부(103), 단위 공간 기억부(104), 거리 산출부(105), 이상 판정부(106), SN비 산출부(107), 가능성 산출부(108), 테이블 기억부(109), 추정부(110), 출력부(111)를 구비한다.
취득부(101)는, 가스 터빈(T)에 설치된 센서가 취득한 센서값, 및 가스 터빈(T)의 제어 신호의 값(지령값)을 취득한다. 또한, 취득부(101)가 취득하는 센서값은, 상술한 바와 같이, 적어도 가스 터빈(T)에 입력되는 공기 및 연료(입력 유체)의 온도 및 가스 터빈(T)으로부터 출력되는 배기(출력 유체)의 온도를 포함한다. 센서값은 가스 터빈(T)의 계측값의 일례이다.
특성치 산출부(102)는, 취득부(101)가 취득한 센서값에 기초하여, 가스 터빈(T)의 특성을 나타내는 특성치를 산출한다. 특성치의 예로서는 열효율, 압축기 효율, 연소 효율, 터빈 효율, 압축기 동력, 터빈 출력, 가스 터빈 공기 유량, 가스 터빈 배기 유량, 압축기 압력비, 터빈(T3)의 입구 연소 가스 온도를 들 수 있다. 예를 들어, 특성치 산출부(102)는, 등엔트로피 변화(isoentropic change)에 있어서의 압축기 출구 엔탈피와 압축기 입구 엔탈피의 차이를 실제의 압축기 출구 엔탈피와 압축기 입구 엔탈피의 차이로 나눗셈함으로써, 압축기 효율(특성치)을 산출한다. 엔탈피는 센서값인 온도 및 압력을 이용하여 산출된다. 특성치는 가스 터빈(T)의 계측값의 일례이다. 또한, 특성치 산출부(102)가 산출하는 특성치는, 상술한 바와 같이, 적어도 가스 터빈(T)에 입력되는 공기의 유량 및 가스 터빈(T)으로부터 출력되는 배기의 유량을 포함한다.
보정부(103)는, 취득부(101)가 취득한 센서값 및 특성치 산출부(102)가 산출한 특성치를 가스 터빈(T)의 열평형 계산에 기초하여 보정함으로써, 보정 계측값을 얻는다. 구체적으로는, 보정부(103)는 이하의 순서로 계측값을 보정한다. 먼저 보정부(103)는 계측값을 가스 터빈(T)에 관한 열평균의 식에 대입하고, 당해 식이 성립하도록 각 계측값의 오차를 산출한다. 그리고 보정부(103)는, 계측값마다 산출한 오차의 총합, 또는 오차의 자승(二乘)의 총합을 구하고, 구해진 총합이 최소가 되는 계측값마다의 오차의 조합을 선택함으로써, 보정 계측값을 얻는다.
구체적으로는, 가스 터빈(T) 전체의 열평균은 이하의 식(1)에 의해 나타내진다. 압축기(T1)의 열평균은 이하의 식(2)에 의해 나타내진다. 연소기(T2)의 열평균은 이하의 식(3)에 의해 나타내진다. 터빈(T3)의 열평균은 이하의 식(4)에 의해 나타내진다. 이하의 식(1) - 식(4)에 있어서, 좌변은 입열량(入熱量)을 나타내고, 우변은 출열량(出熱量)을 나타낸다.
[수학식 1]
Figure pct00001
[수학식 2]
Figure pct00002
[수학식 3]
Figure pct00003
[수학식 4]
Figure pct00004
변수(G1)는 흡기 유량을 나타낸다. 변수(H1C)는 흡기 엔탈피를 나타낸다. 변수(G2)는 압축기(T1)의 출구 유량을 나타낸다. 변수(H2C)는 압축기(T1)의 출구 엔탈피를 나타낸다. 변수(Gf)는 연료 유량을 나타낸다. 변수(LHV)는 연료 발열량을 나타낸다. 변수(Gst)는 냉각 증기 유량을 나타낸다. 변수(Hst1)는 연소기(T2)에 공급되는 냉각 증기의 엔탈피를 나타낸다. 변수(Hst2)는 연소기(T2)로부터 배출되는 냉각 증기의 엔탈피를 나타낸다. 변수(Gc)는 냉각 공기량을 나타낸다. 변수(Hc)는 냉각 공기 엔탈피를 나타낸다. 변수(G4)는 터빈(T3)의 입구 유량을 나타낸다. 변수(H1T)는 터빈(T3)의 입구 엔탈피를 나타낸다. 변수(G8)는 배기 유량을 나타낸다. 변수(H2T)는 배기 엔탈피를 나타낸다. 변수(μGEN)는 발전 효율을 나타낸다. 변수(μBURN)는 연소 효율을 나타낸다. 변수(KWGEN)는 발전 전력을 나타낸다. 변수(KWC)는 압축기 동력을 나타낸다. 변수(KWT)는 터빈 출력을 나타낸다.
단위 공간 기억부(104)는, 가스 터빈(T)의 시동 기간(예를 들어, 신품 상태의 가스 터빈(T)의 운전 개시 시점 또는 정기 점검 완료 후의 가스 터빈(T)의 운전 개시 시점 중 최근의 시점으로부터 2주일의 기간)의 동안에 취득된, 가스 터빈(T)의 상태량(계측값, 보정 계측값 및 지령값)의 조합을 마하라노비스 거리의 단위 공간으로서 기억한다.
거리 산출부(105)는, 취득부(101)가 취득한 센서값 및 지령값, 특성치 산출부(102)가 산출한 특성치 및 보정부(103)가 보정한 보정 계측값을 제원으로 하고, 단위 공간 기억부(104)가 기억하는 단위 공간에 기초하여, 가스 터빈(T)의 상태를 나타내는 마하라노비스 거리를 산출한다. 마하라노비스 거리는 단위 공간으로서 나타내는 기준의 표본과 새롭게 얻어진 표본과의 차이의 크기를 나타내는 척도이다. 마하라노비스 거리의 산출 방법에 대해서는 후술한다.
이상 판정부(106)는, 거리 산출부(105)가 산출한 마하라노비스 거리에 기초하여 가스 터빈(T)에 이상이 발생하고 있는지 아닌지를 판정한다. 구체적으로는, 이상 판정부(106)는, 마하라노비스 거리가 소정의 역치(예를 들어, 3.5) 이상인 경우에, 가스 터빈(T)에 이상이 발생하고 있다고 판정한다. 역치에는, 통상 3 이상의 값이 설정된다.
SN비 산출부(107)는, 이상 판정부(106)가 가스 터빈(T)에 이상이 발생하고 있다고 판정한 경우에, 취득부(101)가 취득한 센서값 및 지령값, 특성치 산출부(102)가 산출한 특성치 및 보정부(103)가 보정한 보정 계측값에 기초하여, 다구치 메소드(Taguchi Method)에 관한 SN비를 산출한다. 즉, 가능성 산출부(108)는 직교표 분석(直交表分析)에 의한 항목 유무의 원하는 SN비를 구한다. SN비가 클수록 그 상태량(계측값, 지령값)의 항목에 이상이 있을 가능성이 높다고 판단할 수 있다.
가능성 산출부(108)는, SN비 산출부(107)가 산출한 SN비에 기초하여, 가스 터빈(T)에 발생할 수 있는 복수의 사상(성능 열화) 각각의 발생 가능성을 산출한다. 사상의 예로서는 가스 터빈 출력의 저하, 가스 터빈 효율의 저하, 압축기 효율의 저하, 터빈 효율의 저하, 압축기 입구 공기량의 저하, 배기 온도의 상승, 압축기 압축 비율의 저하, 연소 효율의 저하, 터빈 입구 가스 온도의 상승, 배기 가스 압력 상승 등을 들 수 있다. 예를 들어, 가능성 산출부(108)는, 각 사상에 대해, 당해 사상의 발생 유무가 SN비의 증감을 지배적으로 관여하는 상태량과의 관계를 기억해 두고, 각 사상에 관련지어진 상태량 각각의 SN비의 가중화를 산출함으로써, 각 사상의 발생 가능성을 산출한다.
테이블 기억부(109)는 사상과 이상의 발생 요인과의 관계를 나타내는 테이블을 기억한다. 구체적으로는, 테이블 기억부(109)는, 각 사상 및 각 발생 요인에 대해, 당해 발생 요인에 의한 이상이 발생했을 때, 당해 사상이 확인된 횟수를 기억한다. 예를 들어, 과거에 배기 디퓨저의 손상(발생 요인)에 의한 이상이 발생했을 때, 블레이드 패스 온도(blade pass temperature)의 편차가 커지고 있는 상태(사상)가 확인된 것이 9도(度)였던 경우, 테이블 기억부(109)는, 「배기 디퓨저의 손상」이라는 발생 요인과 「블레이드 패스 온도의 편차가 큰 상태」라는 사상에 관련지어, 「9」라는 횟수를 기억한다. 테이블 기억부(109)가 기억하는 테이블은, 예를 들어 가스 터빈(T)의 운용 시에 정비 기사에 의해 생성된 FTA의 데이터(FT: Fault Tree)에 기초하여 생성할 수 있다.
추정부(110)는, 가능성 산출부(108)가 산출한 각 사상의 발생 가능성과 테이블 기억부(109)가 기억하는 테이블에 기초하여, 가스 터빈(T)의 이상의 발생 요인을 추정한다. 구체적으로는, 추정부(110)는, 각 사상의 발생 가능성을 요소로 하는 1행 M열의 벡터와 테이블의 값을 요소로 하는 M행 N열의 행렬과의 곱셈(乘算)을 행함으로써, 이상의 발생 요인의 가능성을 요소로 하는 N행 1열의 벡터를 얻는다. M은 사상의 수, N은 발생 요인의 수를 나타낸다. 그리고 추정부(110)는, 얻어진 N행 1열의 벡터 중 요소의 값이 큰 행에 관한 발생 요인이 가스 터빈(T)의 이상의 발생 요인이라고 추정할 수 있다. 즉, 추정부(110)는 이상의 발생 요인마다 각 사상의 발생 가능성과 그 사상의 발생 횟수와의 가중화를 산출하고, 당해 가중화에 기초하여 발생 요인을 추정한다.
출력부(111)는, 추정부(110)가 추정한 발생 요인을 가능성의 순서대로 출력한다. 출력의 예로서는 디스플레이로의 표시, 외부로의 데이터의 송신, 시트로의 인쇄, 음성 출력 등을 들 수 있다.
《마하라노비스 거리》
여기서, 일반적인 마하라노비스 거리(D)를 계산하기 위한 계산식에 대해 설명한다.
가스 터빈(T)의 상태를 나타내는 복수의 상태량(계측값, 지령값)의 항목의 수를 u로 한다. u는 2 이상의 정수이다. u 항목의 상태량을 각각 X1∼Xu로 한다. 감시 장치(100)는, 기준이 되는 가스 터빈(T)의 운전 상태(제1 실시형태에서는, 신품 상태의 가스 터빈(T)의 운전 개시 시점 또는 정기 점검 완료 후의 가스 터빈(T)의 운전 개시 시점 중 최근의 시점으로부터 2주일의 운전 상태)에 있어서, 각 항목의 상태량(X1∼Xu)을 각각 합계 v개(2 이상) 수집한다. 예를 들어, 각 항목의 상태량을 60개씩 취득하는 경우, v=60 이 된다. 운전 상태에 있어서 수집된 각 항목의 j개째의 상태량(X1∼Xu)을 X1j∼Xuj로 한다. j는 1∼v까지의 어느 하나의 값(정수)을 취하고, 각각의 상태량의 개수가 v개인 것을 의미한다. 즉, 감시 장치(100)는 상태량(X11∼Xuv)을 수집한다. 당해 상태량(X11∼Xuv)은 단위 공간 기억부(104)에 기억된다.
감시 장치(100)는 상태량(X11∼Xuv)의 항목마다의 평균치(Mi)및 표준 편차(σi)(기준 데이터의 편차(차이) 정도)를 식(5) 및 식(6)에 의해 구한다. i는 항목수(상태량의 수, 정수)이다. 여기서는 i는 1∼u 로 설정되고, 상태량(X1∼Xu)에 대응하는 값을 나타낸다. 여기서, 표준 편차란, 상태량과 그 평균치와의 차이를 자승(2乘)했지만 기대치의 제곱근(square root)으로 한다.
[수학식 5]
Figure pct00005
[수학식 6]
Figure pct00006
전술의 평균치(Mi)및 표준 편차(σi)는 특징을 나타내는 상태량이다. 감시 장치(100)는 연산된 평균치(Mi)및 표준 편차(σi)를 이용하여, 상태량(X11∼Xuv)을, 하기의 수식(7)에 의해, 기준화된 상태량(X11∼Xuv)으로 변환한다. 즉, 이상 감시 장치(10)는 가스 터빈(T)의 상태량(Xij)을 평균 0, 표준 편차 1의 확률 변수(xij)로 변환한다. 또한, 하기의 수식(7)에 있어서, j는 1∼v까지의 어느 하나의 값(정수)을 취한다. 이는, 항목마다의 상태량의 개수가 v개인 것을 의미한다.
[수학식 7]
Figure pct00007
변량(變量)을 평균 0, 분산 1에 표준화한 데이터로 분석을 행하기 위해, 감시 장치(100)는 상태량(X11∼Xuv)의 상관 관계를 특정한다. 즉, 감시 장치(100)는 변량 사이의 관련성을 나타내는 공분산 행렬(共分散行列)(상관 행렬(相關行列))(R) 및 공분산 행렬(상관 행렬)의 역행렬(R-1)을 하기의 수식(8)으로 정의한다. 또한, 하기의 수식(8)에 있어서, k는 항목수(상태량의 수)이다. 즉, k는 u와 동일하다. 또한, i 및 p는 각 상태량에서의 값을 나타내고, 여기서는 1∼u의 값을 취한다.
[수학식 8]
Figure pct00008
감시 장치(100)는, 이와 같은 연산 처리 후에, 특징을 나타내는 상태량인 마하라노비스 거리(D)를 하기의 수식(9)에 기초하여 구한다. 또한, 수식(9)에 있어서, j는 1∼v까지의 어느 하나의 값(정수)을 취한다. 이는, 항목마다의 상태량의 개수가 v개인 것을 의미한다. 또한, k는 항목수(상태량의 수)이다. 즉, k는 u와 동일하다. 또한, a11∼akk는 상술한 수식(8)에 나타내는 공분산 행렬(R)의 역행렬(R-1)의 계수이다.
[수학식 9]
Figure pct00009
마하라노비스 거리(D)는 기준 데이터이다. 단위 공간의 마하라노비스 거리(D)의 평균치는 1이 된다. 가스 터빈(T)의 상태량이 정상적인 상태에서는, 마하라노비스 거리(D)는 대략 3 이하에 들어간다. 그러나 가스 터빈(T)의 상태량이 비정상 상태에서는, 마하라노비스 거리(D)의 값은 대략 3보다 커진다. 이와 같이, 마하라노비스 거리(D)는 가스 터빈(T)의 상태량의 이상 정도(단위 공간으로부터의 떨어짐 정도)에 따라, 값이 커진다는 성질을 갖는다.
《가스 터빈의 감시 방법》
감시 장치(100)에 의한 가스 터빈의 감시 방법에 대해 설명한다. 도 3은 제1 실시형태에 관한 감시 장치의 동작을 나타내는 플로 차트이다.
감시 장치(100)는, 가스 터빈(T)의 시동 기간 동안, 가스 터빈(T)의 상태량을 수집하여 단위 공간 기억부(104)에 상태량의 조합을 축적한다. 즉, 감시 장치(100)는, 취득부(101)가 취득한 가스 터빈의 지령값 및 보정부(103)가 생성한 보정 계측값을 관련지어 단위 공간 기억부(104)에 기록한다. 감시 장치(100)는, 가스 터빈(T)의 시동 기간의 경과 후, 소정의 감시 타이밍(예를 들어, 1시간 간격의 타이밍)으로 이하에 나타내는 감시 동작을 실행한다. 감시 타이밍은 가스 터빈(T)의 운전 개시 시점으로부터 소정의 시동 기간이 경과한 후의 시점인 시동 후 시점의 일례이다.
감시 장치(100)가 감시를 개시하면, 취득부(101)는 가스 터빈(T)에 설치된 센서가 취득한 센서값 및 가스 터빈(T)의 지령값을 취득한다(단계 S1). 다음에, 특성치 산출부(102)는, 취득부(101)가 취득한 센서값에 기초하여, 가스 터빈(T)의 특성을 나타내는 특성치를 산출한다(단계 S2). 다음에, 보정부(103)는 센서값 및 특성치를 가스 터빈(T)의 열평형 계산에 기초하여 보정함으로써, 보정 계측값을 얻는다(단계 S3).
다음에, 거리 산출부(105)는, 단계(S1)에서 취득한 센서값 및 지령값, 단계(S2)에서 산출한 특성치 및 단계(S3)에서 얻어진 보정 계측값을 제원으로 하고, 단위 공간 기억부(104)가 기억하는 단위 공간에 기초하여, 마하라노비스 거리를 산출한다(단계 S4). 다음에, 이상 판정부(106)는 산출된 마하라노비스 거리가 소정의 역치 이상인지 아닌지를 판정한다(단계 S5).
마하라노비스 거리가 역치 미만인 경우(단계 S5: 아니오), 이상 판정부(106)는 가스 터빈(T)에 이상이 발생하고 있지 않다고 판정하여 감시 처리를 종료하고, 다음번의 감시 타이밍을 대기한다.
한편, 마하라노비스 거리가 역치 이상인 경우(단계 S5: 예), 이상 판정부(106)는 가스 터빈(T)에 이상이 발생하고 있다고 판정한다.
이상 판정부(106)가 가스 터빈(T)에 이상이 발생하고 있다고 판정하면, SN비 산출부(107)는 단계(S1)에서 취득한 지령값 및 단계(S3)에서 얻어진 보정 계측값의 각각에 대해 다구치 메소드에 관한 SN비를 산출한다(단계 S6). 가능성 산출부(108)는 산출된 SN비에 기초하여 가스 터빈(T)에 발생할 수 있는 복수의 사상 각각의 발생 가능성을 산출한다(단계 S7).
다음에, 추정부(110)는, 가능성 산출부(108)가 산출한 각 사상의 가능성을 요소로 하는 벡터와 테이블 기억부(109)가 기억하는 테이블의 값을 요소로 하는 행렬과의 곱셈을 행함으로써, 이상의 발생 요인의 가능성을 요소로 하는 벡터를 얻는다(단계 S8). 다음에, 추정부(110)는 각 발생 요인을, 얻어진 벡터가 나타내는 가능성의 내림차순으로 분류한다(단계 S9). 그리고 출력부(111)는, 추정부(110)가 추정한 발생 요인을 분류된 순서대로 출력한다(단계 S10). 예를 들어, 출력부(111)는 가장 가능성이 높은 발생 요인을 디스플레이에 표시시키고, 이용자의 조작에 의해 다음 발생 요인의 표시 지령을 접수한 경우에, 다음으로 가능성이 높은 발생 요인을 디스플레이에 표시시킨다. 또한, 예를 들어 출력부(111)는 발생 요인의 리스트를 가능성의 내림차순으로 시트에 인쇄한다.
《작용·효과》
이와 같이, 제1 실시형태에 의하면, 감시 장치(100)는, 가스 터빈(T)에 발생할 수 있는 복수의 사상 각각의 발생 가능성을 산출하고, 사상과 이상의 발생 요인과의 관계를 나타내는 테이블과 당해 가능성에 기초하여, 이상의 발생 요인을 추정한다. 이에 의해, 감시 장치(100)는 관측된 사상에 기초하여 용이하게 이상의 발생 요인을 출력할 수 있다.
또한, 제1 실시형태에 관한 감시 장치(100)는, 각 사상의 발생 가능성을 요소로 하는 1행 M열의 벡터와 테이블의 값을 요소로 하는 M행 N열의 행렬과의 곱셈을 행함으로써, 이상의 발생 요인의 가능성을 요소로 하는 N행 1열의 벡터를 얻는다. 이에 의해, 감시 장치(100)는 간이한 계산에 의해 이상의 발생 요인마다의 가능성을 용이하게 특정할 수 있다. 또한, 다른 실시형태에서는 이에 한정되지 않는다. 예를 들어, 다른 실시형태에 관한 감시 장치(100)는, 각 사상의 발생 가능성을 요소로 하는 1행 M열의 벡터와 테이블의 값을 요소로 하는 M행 N열의 행렬의 각 행의 벡터와의 코사인(cosine) 유사도를 산출함으로써, 이상의 발생 요인의 가능성을 요소로 하는 N행 1열의 벡터를 얻어도 좋다. 또한, 코사인 유사도는, 벡터의 내적(內積)(각 사상의 발생 가능성과 당해 사상의 발생 횟수와의 가중화)을 각 벡터의 노름(norm)의 곱으로 나눈 값이다. 예를 들어, 다른 실시형태에 관한 감시 장치(100)는 행렬 계산에 따르지 않고, 이상의 발생 요인마다 각 사상의 발생 가능성과 당해 사상의 발생 횟수와의 가중화를 구해도 좋다.
또한, 제1 실시형태에 관한 감시 장치(100)는 가스 터빈(T)에 입력되는 공기 및 연료의 온도 및 유량 및 가스 터빈(T)으로부터 출력되는 배기의 온도 및 유량을 포함하는 계측값을 열평형 계산에 의해 보정하여 마하라노비스 거리를 산출한다. 이에 의해, 감시 장치(100)는 가스 터빈(T)에 설치되는 센서의 계측 오차를 저감하여 마하라노비스 거리를 산출할 수 있다. 또한, 다른 실시형태에서는 이에 한정되지 않는다. 예를 들어, 다른 실시형태에 관한 감시 장치(100)는 계측값을 보정하지 않고 마하라노비스 거리를 산출해도 좋다. 또한, 다른 실시형태에 관한 감시 장치(100)는 마하라노비스 거리에 기초하는 이상 판정 수법 이외의 수법에 기초하여 가스 터빈(T)의 이상 유무를 판정해도 좋다.
또한, 제1 실시형태에 의하면, 감시 장치(100)는, 가스 터빈(T)의 운전 개시 시점으로부터 소정의 시동 기간이 경과한 후의 시점인 시동 후 시점에 취득된 계측값을 제원으로 하고, 시동 기간 동안에 취득된 계측값을 단위 공간으로 하여, 마하라노비스 거리를 산출한다. 즉, 감시 장치(100)는, 감시 대상인 가스 터빈(T) 바로 그것이 정상적인 운전 상태를 단위 공간으로 하여 마하라노비스 거리를 산출한다. 종래는, 마하라노비스 거리의 단위 공간으로서, 시동 기간을 지나서 열화가 발생하고 있지만 이상이 발생하지 않고 있는 운전 상태 및 다른 가스 터빈(T)의 운전 상태도 포함하는 단위 공간에 기초하여 마하라노비스 거리를 산출하고 있었다. 한편, 제1 실시형태에 의하면, 감시 대상인 가스 터빈(T) 바로 그것의 운전 상태로서, 열화가 발생하기 이전의 운전 상태만을 포함하는 단위 공간에 기초하여, 마하라노비스 거리를 산출한다. 이에 의해, 감시 장치(100)는 감시 대상의 가스 터빈(T)에 대해 정밀도 좋게 이상의 검지를 행할 수 있다.
또한, 제1 실시형태에 관한 시동 기간은, 신품 상태의 운전 개시 시점 또는 정기 점검 완료 후의 운전 개시 시점 중 최근의 시점을 시작점(始点)으로 하는 기간이다. 즉, 정기 점검 때마다 마하라노비스 거리의 단위 공간이 갱신된다. 이에 의해, 가스 터빈(T)의 정기 점검 후가 정상적인 운전 상태(초회(初回)는 신품 상태에 있어서의 운전 상태)를 기준으로 하여, 가스 터빈(T)의 이상의 검지를 행할 수 있다. 신품 상태, 즉 무열화(無劣化)의 가스 터빈(T)의 운전 상태를 단위 공간으로 하는 경우, 정기 점검 후의 가스 터빈(T)의 운전 상태는 정상 상태라도, 마하라노비스 거리가 상대적으로 커진다. 이는, 가스 터빈(T)의 사용에 의한 열화를 정기 점검에 의해 완전히 수복하는 것이 곤란하기 때문이다. 따라서 가스 터빈(T)의 정기 점검 후가 정상적인 운전 상태를 기준으로 하여, 가스 터빈(T)의 이상의 검지를 행함으로써, 정밀도 좋게 운전 상태를 판정할 수 있다.
또한, 제1 실시형태에 의하면, 감시 장치(100)는 계측값, 보정 계측값 및 지령값을 제원으로 하여 마하라노비스 거리를 산출한다. 이에 의해, 가스 터빈(T)의 열화 등에 의해 입열량과 출열량의 평형이 무너지는 경우에도, 적절하게 가스 터빈(T)의 상태를 평가할 수 있다. 또한, 다른 실시형태의 구성은 이에 한정되지 않는다. 예를 들어, 다른 실시형태에 관한 감시 장치(100)는 계측값을 제원에 포함시키지 않고, 보정 계측값을 제원으로 하여 마하라노비스 거리를 산출해도 좋다. 또한, 다른 실시형태에 관한 감시 장치(100)는 지령값을 제원에 포함시키지 않고 마하라노비스 거리를 산출해도 좋다.
<제2 실시형태>
이하, 도면을 참조하면서 제2 실시형태에 대해 상세히 설명한다. 도 4는 제2 실시형태에 관한 감시 장치의 구성을 나타내는 개략 블록도이다.
제2 실시형태에 관한 감시 장치(100)는 제1 실시형태의 구성에 더하여 사상 추출부(112)를 구비하고, 제1 실시형태와 추정부(110)의 동작이 다르다. 사상 추출부(112)는, 가스 터빈(T)에 발생시킬 수 있는 복수의 사상으로부터, 가능성 산출부(108)가 산출한 가능성이 소정의 역치 이상인 것을 추출한다. 추정부(110)는, 테이블 기억부(109)가 기억하는 테이블에 있어서, 사상 추출부(112)가 추출한 사상 중 발생 횟수가 1 이상인 것의 수를 계수한다. 추정부(110)는, 복수의 발생 요인 중 계수된 발생 횟수의 수가 상대적으로 많은 것이 가스 터빈(T)의 이상의 발생 요인이라고 추정한다. 구체적으로는, 추정부(110)는 발생 횟수의 수의 내림차순으로 각 발생 요인을 분류하여 출력부(111)에 출력한다.
상기 구성을 가짐으로써, 감시 장치(100)는 제1 실시형태보다 더욱 간이한 구성으로, 관측된 사상에 기초하여 용이하게 이상의 발생 요인을 출력할 수 있다.
또한, 제2 실시형태에 관한 테이블 기억부(109)는, 제1 실시형태와 마찬가지로, 각 사상 및 각 발생 요인에 대해, 당해 발생 요인에 의한 이상이 발생했을 때, 당해 사상이 확인된 횟수를 기억하지만, 이에 한정되지 않는다. 예를 들어, 다른 실시형태에 관한 테이블 기억부(109)는, 각 사상 및 각 발생 요인에 대해, 당해 발생 요인에 의한 이상이 발생했을 때, 당해 사상이 확인된 경우가 있는지 아닌지를 나타내는 부울값(Boolean value)을 관련지어 기억해도 좋다. 이 경우, 추정부(110)는, 테이블 기억부(109)가 기억하는 테이블에 있어서, 사상 추출부(112)가 추출한 사상 중 부울값이 참(True)을 나타내는 것의 수를 계수한다. 추정부(110)는, 복수의 발생 요인 중 계수된 부울값의 수가 상대적으로 많은 것이 가스 터빈(T)의 이상의 발생 요인이라고 추정한다.
<제3 실시형태>
이하, 도 2를 참조하면서 제3 실시형태에 대해 상세히 설명한다.
제3 실시형태에 관한 감시 장치(100)는, 제1 실시형태와 테이블 기억부(109)가 기억하는 정보가 다르다. 제3 실시형태에 관한 테이블 기억부(109)는, 각 사상 및 각 발생 요인에 대해, 당해 발생 요인에 의한 이상이 발생했을 때, 당해 사상이 확인되는 확률을 관련지어 기억한다. 당해 테이블은, 예를 들어 가스 터빈(T)의 운용 시에 정비 기사에 의해 생성된 FTA의 데이터(FT)에 기초하여 생성할 수 있다. FT는 톱(top) 사상을 최상위 사상(루트)으로 하고, 상위 사상의 요인이 되는 하위 사상을 노드(node)로 하는 트리 구조이다. 각 노드에는, 당해 노드가 나타내는 하위 사상에 의해 당해 노드의 바로 위의 노드에 관한 상위 사상이 발생하는 확률이 관련지어진다. 당해 FT 중, 각 사상을 나타내는 노드에 관련지은 확률을 테이블에 격납함으로써, 테이블 기억부(109)의 테이블이 생성된다.
이에 의해, 추정부(110)는, 가능성 산출부(108)가 산출한 각 사상의 발생 가능성과 그 사상의 발생 확률과의 가중화를 산출하고, 당해 가중화에 기초하여 발생 요인을 추정한다. 구체적으로는, 추정부(110)는 가능성과 발생 확률과 가중화의 내림차순으로 각 발생 요인을 분류하여 출력부(111)에 출력한다. 즉, 추정부(110)는, 사상의 사전 확률(테이블에 격납된 확률)과 사상의 관측 결과(사상의 발생 가능성)에 기초하여 베이지안 갱신(Bayesian update)을 행하여, 사후 확률(事後確率)로서 발생 요인의 발생 확률을 구하는 것이다.
이와 같이, 본 실시형태에 의하면, 제1 실시형태 또는 제2 실시형태와 비교하여 더욱더 정밀도 좋게 관측된 사상에 기초하여 용이하게 이상의 발생 요인을 출력할 수 있다.
또한, 제3 실시형태에 관한 감시 장치(100)는, 각 사상 및 각 발생 요인에 대해, FT에 기초하여 결정된 확률을 관련지어 기억하지만, 이에 한정되지 않는다. 예를 들어, 다른 실시형태에 관한 테이블에 기억되는 확률은 과거의 가스 터빈(T)의 운용에 있어서 산출된 각 사상의 발생 가능성의 합이어도 좋다.
또한, 제3 실시형태에 관한 감시 장치(100)는, 각 사상의 발생 가능성과 확률의 가중화를 발생 요인의 가능성으로서 이용하지만, 이에 한정되지 않는다. 예를 들어, 다른 실시형태에 관한 감시 장치(100)는, 각 사상의 발생 가능성을 요소로 하는 1행 M열의 벡터와 테이블의 값을 요소로 하는 M행 N열의 행렬의 각 행 벡터와의 코사인 유사도를 산출함으로써, 이상의 발생 요인의 가능성을 요소로 하는 N행 1열의 벡터를 얻어도 좋다.
이상, 도면을 참조하여 일 실시형태에 대해 상세히 설명했지만, 구체적인 구성은 상술한 바에 한정되는 것은 아니며, 여러 가지 설계 변경 등을 하는 것이 가능하다.
예를 들어, 상술한 실시형태에 관한 대상 장치는 가스 터빈(T)이지만, 다른 실시형태에서는 이에 한정되지 않는다. 예를 들어, 다른 실시형태에 관한 대상 장치는 증기 터빈, 엔진, 또는 열적인 수지(收支)가 있는 다른 장치라도 좋다.
또한, 상술한 실시형태에 관한 감시 장치(100)의 가능성 산출부(108)는 마하라노비스 거리에 관한 SN비에 기초하여 각 사상의 발생 가능성을 추구하지만, 이에 한정되지 않는다. 예를 들어, 다른 실시형태에 관한 가능성 산출부(108)는, 취득부(101)가 취득한 계측값을 입력으로 하는 베이지안 네트워크를 이용하여 각 사상의 발생 가능성을 산출해도 좋다.
도 5는 적어도 하나의 실시형태에 관한 컴퓨터의 구성을 나타내는 개략 블록도이다.
컴퓨터(900)는, CPU(901), 주 기억 장치(902), 보조 기억 장치(903), 인터페이스(904)를 구비한다.
상술의 감시 장치(100)는 컴퓨터(900)를 구비한다. 그리고 상술한 각 처리부의 동작은 프로그램의 형식으로 보조 기억 장치(903)에 기억되어 있다. CPU(901)는 프로그램을 보조 기억 장치(903)로부터 읽어내어 주 기억 장치(902)에 전개하고, 당해 프로그램에 따라 상기 처리를 실행한다. 또한, CPU(901)는 프로그램에 따라, 상술한 각 기억부에 대응하는 기억 영역을 주 기억 장치(902)에 확보한다.
또한, 적어도 하나의 실시형태에 있어서, 보조 기억 장치(903)는 일시적이지 않은 유형의 매체의 일례이다. 일시적이지 않은 유형의 매체의 다른 예로서는 인터페이스(904)를 통해 접속되는 자기 디스크, 광자기 디스크, 광 디스크, 반도체 메모리 등을 들 수 있다. 또한, 이 프로그램이 통신 회선에 의해 컴퓨터(900)에 전송되는 경우, 전송을 받은 컴퓨터(900)가 당해 프로그램을 주 기억 장치(902)에 전개하여 상기 처리를 실행해도 좋다.
또한, 당해 프로그램은 전술한 기능의 일부를 실현하기 위한 것이어도 좋다. 또한, 당해 프로그램은 전술한 기능을 보조 기억 장치(903)에 이미 기억되어 있는 다른 프로그램과의 조합으로 실현하는 것, 소위 차분 파일(차분 프로그램)이어도 좋다.
산업상 이용 가능성
상기 양태 중 적어도 하나의 양태에 의하면, 감시 장치는, 대상 장치의 계측값에 기초하여 당해 대상 장치에 발생시킬 수 있는 복수의 사상 각각의 발생 가능성을 산출하고, 사상과 이상의 발생 요인을 관련지은 테이블을 이용하여 대상 장치에 발생한 이상의 발생 요인을 추정한다. 이에 의해, 감시 장치는 감시원의 경험에 따르지 않고 이상의 발생 요인을 정밀도 좋게 추정할 수 있다.
100: 감시 장치
101: 취득부
102: 특성치 산출부
103: 보정부
104: 단위 공간 기억부
105: 거리 산출부
106: 이상 판정부
107: SN비 산출부
108: 가능성 산출부
109: 테이블 기억부
110: 추정부
111: 출력부
112: 사상 추출부
T: 가스 터빈

Claims (12)

  1. 대상 장치의 계측값을 취득하는 취득부와,
    상기 취득부가 취득한 상기 계측값에 기초하여 대상 장치에 발생시킬 수 있는 복수의 사상 각각의 발생 가능성을 산출하는 가능성 산출부와,
    상기 복수의 사상과 상기 대상 장치의 이상의 발생 요인을 관련지은 테이블을 기억하는 테이블 기억부와,
    상기 가능성과 상기 테이블에 기초하여 상기 발생 요인을 추정하는 추정부
    를 구비하는 감시 장치.
  2. 제1항에 있어서,
    상기 테이블은, 상기 발생 요인과, 상기 사상과, 당해 발생 요인에 관한 이상이 발생했을 때, 당해 사상이 확인된 횟수를 관련지은 것으로서,
    상기 추정부는 상기 발생 요인마다 상기 가능성과 상기 횟수와의 가중화를 산출하고, 당해 가중화에 기초하여 상기 발생 요인을 추정하는
    감시 장치.
  3. 제1항에 있어서,
    상기 테이블은, 상기 발생 요인과, 상기 사상과, 당해 발생 요인에 관한 이상이 발생했을 때, 당해 사상이 확인된 것인지 아닌지를 나타내는 값을 관련지은 것으로서,
    상기 추정부는, 상기 가능성이 소정의 역치 이상의 상기 사상이며, 또한 상기 테이블에 있어서 발생한 것이 나타내져 있는 상기 사상의 수에 기초하여, 상기 발생 요인을 추정하는
    감시 장치.
  4. 제1항에 있어서,
    상기 테이블은, 상기 발생 요인과, 상기 사상과, 당해 발생 요인에 관한 이상이 발생했을 때, 당해 사상이 발생하는 확률을 관련지은 것으로서,
    상기 추정부는 상기 발생 요인마다 상기 가능성과 상기 확률과의 가중화를 산출하고, 당해 가중화에 기초하여 상기 발생 요인을 추정하는
    감시 장치.
  5. 제1항 내지 제4항 중 어느 한 항에 있어서,
    상기 취득부가 취득한 상기 계측값의 SN비를 산출하는 SN비 산출부를 추가로 구비하고,
    상기 가능성 산출부는, 상기 SN비 산출부가 산출한 상기 SN비에 기초하여 상기 복수의 사상 각각의 가능성을 산출하는
    감시 장치.
  6. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 계측값에 기초하여 마하라노비스 거리를 산출하는 거리 산출부를 추가로 구비하고,
    상기 가능성 산출부는, 상기 마하라노비스 거리가 소정값 이상인 경우에, 상기 복수의 사상 각각의 가능성을 산출하는
    감시 장치.
  7. 제6항에 있어서,
    상기 계측값에 기초하는 열평형 계산에 의해 상기 계측값을 보정한 보정 계측값을 얻는 보정부를 추가로 구비하고,
    상기 계측값은 적어도 상기 대상 장치에 입력되는 입력 유체의 온도 및 유량, 및 상기 대상 장치로부터 출력되는 출력 유체의 온도 및 유량을 포함하고,
    상기 거리 산출부는 상기 보정 계측값을 제원으로 하여 상기 마하라노비스 거리를 산출하는
    감시 장치.
  8. 대상 장치의 계측값을 취득하는 것과,
    취득한 상기 계측값에 기초하여 대상 장치에 발생시킬 수 있는 복수의 사상 각각의 발생 가능성을 산출하는 것과,
    상기 복수의 사상과 상기 대상 장치의 이상의 발생 요인을 관련지은 테이블을 기억하는 테이블 기억부와 상기 가능성에 기초하여 상기 발생 요인을 추정하는 것
    을 포함하는 대상 장치의 감시 방법.
  9. 제8항에 있어서,
    상기 테이블은, 상기 발생 요인과, 상기 사상과, 당해 발생 요인에 관한 이상이 발생했을 때, 당해 사상이 확인된 횟수를 관련지은 것으로서,
    상기 발생 요인마다 상기 가능성과 상기 횟수와의 가중화를 산출하고, 당해 가중화에 기초하여 상기 발생 요인을 추정하는
    대상 장치의 감시 방법.
  10. 제8항에 있어서,
    상기 테이블은, 상기 발생 요인과, 상기 사상과, 당해 발생 요인에 관한 이상이 발생했을 때, 당해 사상이 확인된 것인지 아닌지를 나타내는 값을 관련지은 것으로서,
    상기 가능성이 소정의 역치 이상의 상기 사상이며, 또한 상기 테이블에 있어서 발생한 것이 나타내져 있는 상기 사상의 수에 기초하여, 상기 발생 요인을 추정하는
    대상 장치의 감시 방법.
  11. 제8항에 있어서,
    상기 테이블은, 상기 발생 요인과, 상기 사상과, 당해 발생 요인에 관한 이상이 발생했을 때, 당해 사상이 발생하는 확률을 관련지은 것으로서,
    상기 발생 요인마다 상기 가능성과 상기 확률과의 가중화를 산출하고, 당해 가중화에 기초하여 상기 발생 요인을 추정하는
    대상 장치의 감시 방법.
  12. 컴퓨터에,
    대상 장치의 계측값을 취득하는 것과,
    취득한 상기 계측값에 기초하여 대상 장치에 발생시킬 수 있는 복수의 사상 각각의 발생 가능성을 산출하는 것과,
    상기 복수의 사상과 상기 대상 장치의 이상의 발생 요인을 관련지은 테이블을 기억하는 테이블 기억부와 상기 가능성에 기초하여 상기 발생 요인을 추정하는 것
    을 실행시키기 위한 프로그램.
KR1020187032722A 2016-06-01 2017-05-31 감시 장치, 대상 장치의 감시 방법 및 프로그램 KR102202159B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2016110336A JP6432890B2 (ja) 2016-06-01 2016-06-01 監視装置、対象装置の監視方法、およびプログラム
JPJP-P-2016-110336 2016-06-01
PCT/JP2017/020200 WO2017209167A1 (ja) 2016-06-01 2017-05-31 監視装置、対象装置の監視方法、およびプログラム

Publications (2)

Publication Number Publication Date
KR20180137513A true KR20180137513A (ko) 2018-12-27
KR102202159B1 KR102202159B1 (ko) 2021-01-12

Family

ID=60478560

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020187032722A KR102202159B1 (ko) 2016-06-01 2017-05-31 감시 장치, 대상 장치의 감시 방법 및 프로그램

Country Status (8)

Country Link
US (1) US11442443B2 (ko)
JP (1) JP6432890B2 (ko)
KR (1) KR102202159B1 (ko)
CN (1) CN109154810B (ko)
DE (1) DE112017002780T5 (ko)
MX (1) MX2018013672A (ko)
PH (1) PH12018502379A1 (ko)
WO (1) WO2017209167A1 (ko)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019183674A (ja) * 2018-04-03 2019-10-24 いすゞ自動車株式会社 内燃機関の診断装置
JP7132021B2 (ja) * 2018-08-07 2022-09-06 三菱重工業株式会社 通知装置、通知方法及びプログラム
JP6684038B1 (ja) * 2019-04-03 2020-04-22 株式会社日立パワーソリューションズ 予兆保全設備、予兆保全方法及び予兆保全プログラム
GB2594219A (en) * 2019-09-11 2021-10-20 Jgc Corp Plant maintenance management method and maintenance management system
DE112021003238T5 (de) * 2020-06-12 2023-04-20 Mitsubishi Heavy Industries, Ltd. Anlagenüberwachungsvorrichtung, anlagenüberwachungsverfahren und programm
JP7449803B2 (ja) * 2020-07-22 2024-03-14 三菱重工業株式会社 異常要因推定方法、異常要因推定装置、及びプログラム
JP7454775B2 (ja) * 2020-07-31 2024-03-25 三菱重工サーマルシステムズ株式会社 異常診断装置、異常診断方法、及びプログラム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3110060B2 (ja) * 1991-03-04 2000-11-20 バブコック日立株式会社 異常事故原因診断方法
JP2009176315A (ja) 2009-03-25 2009-08-06 Toshiba Corp リスクモニターを有する工程管理システム及びリスク表示機能を有する工程管理方法
JP2011090382A (ja) * 2009-10-20 2011-05-06 Mitsubishi Heavy Ind Ltd 監視システム

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0572004A (ja) * 1991-09-10 1993-03-23 Mitsubishi Heavy Ind Ltd プラントの異常診断装置
JPH0713617A (ja) * 1993-06-29 1995-01-17 Ishikawajima Harima Heavy Ind Co Ltd 不具合事象の原因推定方法
JPH11119823A (ja) * 1997-10-21 1999-04-30 Yaskawa Electric Corp 故障診断装置
JP2003310564A (ja) * 2002-04-22 2003-11-05 Fuji Xerox Co Ltd 脳波自動解析装置および方法
GB0216858D0 (en) * 2002-07-19 2002-08-28 Bae Systems Plc Fault diagnosis system
US20050096759A1 (en) * 2003-10-31 2005-05-05 General Electric Company Distributed power generation plant automated event assessment and mitigation plan determination process
JP4396286B2 (ja) * 2004-01-21 2010-01-13 三菱電機株式会社 機器診断装置および機器監視システム
JP2005293169A (ja) * 2004-03-31 2005-10-20 Toshiba Corp プラント運転状態計算装置、プラントシミュレーション計算装置、プラント運用最適化システムと方法、プログラム
JP4032045B2 (ja) * 2004-08-13 2008-01-16 新キャタピラー三菱株式会社 データ処理方法及びデータ処理装置、並びに診断方法及び診断装置
JP4480019B2 (ja) 2005-04-28 2010-06-16 財団法人石油産業活性化センター 製油所監視システム
CN101779171B (zh) * 2008-02-27 2013-03-20 三菱重工业株式会社 工厂状态监视方法以及工厂状态监视装置
FR2939924B1 (fr) * 2008-12-15 2012-10-12 Snecma Identification de defaillances dans un moteur d'aeronef
US9753455B2 (en) * 2009-06-22 2017-09-05 Johnson Controls Technology Company Building management system with fault analysis
US8996334B2 (en) * 2011-03-02 2015-03-31 General Electric Company Method and system for analysis of turbomachinery
JP6278845B2 (ja) * 2014-06-20 2018-02-14 三菱日立パワーシステムズ株式会社 プラント監視装置、プラント監視プログラム及びプラント監視方法
WO2015198213A1 (en) * 2014-06-26 2015-12-30 Bombardier Inc. Methods and apparatus for assisting in the maintenance of aircraft and other mobile platforms
JP6079761B2 (ja) 2014-12-04 2017-02-15 トヨタ自動車株式会社 運転支援装置、運転支援方法および運転支援プログラム
JP6770802B2 (ja) * 2015-12-28 2020-10-21 川崎重工業株式会社 プラント異常監視方法およびプラント異常監視用のコンピュータプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3110060B2 (ja) * 1991-03-04 2000-11-20 バブコック日立株式会社 異常事故原因診断方法
JP2009176315A (ja) 2009-03-25 2009-08-06 Toshiba Corp リスクモニターを有する工程管理システム及びリスク表示機能を有する工程管理方法
JP2011090382A (ja) * 2009-10-20 2011-05-06 Mitsubishi Heavy Ind Ltd 監視システム

Also Published As

Publication number Publication date
WO2017209167A1 (ja) 2017-12-07
JP2017215863A (ja) 2017-12-07
US11442443B2 (en) 2022-09-13
DE112017002780T5 (de) 2019-02-14
KR102202159B1 (ko) 2021-01-12
US20190187676A1 (en) 2019-06-20
CN109154810B (zh) 2021-04-16
PH12018502379A1 (en) 2019-04-08
CN109154810A (zh) 2019-01-04
MX2018013672A (es) 2019-04-25
JP6432890B2 (ja) 2018-12-05

Similar Documents

Publication Publication Date Title
KR102202161B1 (ko) 감시 장치, 대상 장치의 감시 방법 및 프로그램
KR102202159B1 (ko) 감시 장치, 대상 장치의 감시 방법 및 프로그램
JP2011090382A (ja) 監視システム
EP3584657B1 (en) Risk assessment device, risk assessment method, and risk assessment program
EP3584656B1 (en) Risk assessment device, risk assessment method, and risk assessment program
WO2016208315A1 (ja) プラント診断装置及びプラント診断方法
JP5621967B2 (ja) 異常データ分析システム
US20160365735A1 (en) Systems and Methods for Power Plant Data Reconciliation
JP6803788B2 (ja) 情報処理装置、情報処理方法およびプログラム
WO2019124367A1 (ja) 単位空間生成装置、プラント診断システム、単位空間生成方法、プラント診断方法、及びプログラム
JP7450238B2 (ja) エンジンの異常診断方法、エンジンの異常診断プログラム、及びエンジンの異常診断システム
US11378943B2 (en) Information processing device, information processing method, and program
CN117869285A (zh) 空压机能耗监测方法、装置、设备及存储介质
JP7399288B2 (ja) プラント監視装置、プラント監視方法およびプログラム
US12174623B2 (en) Plant monitoring device, method and program using a corrected Mahalanobis distance to determine plant abnormality
JP7487412B2 (ja) プラント監視方法、プラント監視装置及びプラント監視プログラム

Legal Events

Date Code Title Description
A201 Request for examination
PA0105 International application

Patent event date: 20181112

Patent event code: PA01051R01D

Comment text: International Patent Application

PA0201 Request for examination
PG1501 Laying open of application
E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20200325

Patent event code: PE09021S01D

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20201013

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20210107

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20210107

End annual number: 3

Start annual number: 1

PG1601 Publication of registration
PR1001 Payment of annual fee

Payment date: 20231221

Start annual number: 4

End annual number: 4

PR1001 Payment of annual fee

Payment date: 20241218

Start annual number: 5

End annual number: 5