技术领域
[0001] 本发明涉及诊断工厂设备(Plant)的状态异常的工厂设备诊断装置以及工厂设备诊断方法。
相关背景技术
[0002] 当在工厂设备中发生异常的瞬态现象或事故等的情况下，工厂设备诊断装置根据来自工厂设备的测量数据来检测该异常或事故的发生。
[0003] 专利文献1中公开了应用聚类(clustering)技术之一的自适应共振理论(Adaptive Resonance Theory(ART))的诊断设备。这里，所谓的ART是将多维的数据根据其相似度分类为不同的类别的理论。
[0004] 在上述技术中，首先利用ART将正常时的测量数据分类为多个类别(正常类别)。然后，将当前的测量数据输入到ART并将其分类为不同的类别。在该测量数据不能被分类到正常类别时，生成新的类别(新类别)。新类别的发生意味着工厂设备的状态发生了变化。因此，利用新类别的发生来判断异常的发生，在新类别的发生率超过阈值的情况下诊断为异常。
[0005] 【现有技术文献】
[0006] 【专利文献】
[0007] 专利文献1：日本特开2005-165375号公报
具体实施方式
[0035] 以下，参照附图说明适合本发明的实施的诊断装置。此外，下述内容仅仅是实施例，其宗旨并不意图将发明本身限定于下述具体内容。
[0036] 实施例1
[0037] 图1是说明作为本发明的第1个实施例的诊断装置的框图。诊断装置200与工厂设备100、图像显示装置800以及外部输入装置900连接，并对工厂设备100进行监视、诊断。另外，诊断装置200构成为以有线或无线的方式连接在各机器或装置之间执行通信的通信部、计算机和计算机服务器(CPU：Central Processing Unit：中央处理单元)、存储器以及各种数据库DB等。另外，外部输入装置900由键盘开关、鼠标等的指示装置、触摸面板以及声音指示装置等构成，图像显示装置800由液晶显示器等构成。
[0038] 诊断装置200具有作为运算装置的综合诊断单元400以及诊断单元500。诊断单元500具有多个且其数量可以任意设定。另外，诊断装置200具有作为数据库的测量信号数据库300、设备管理信息数据库310以及诊断结果数据库320。另外，在图1中将数据库简记为DB。
[0039] 在测量信号数据库300、设备管理信息数据库310以及诊断结果数据库320中保存有电子化的信息，并且以通常被称作电子文件(电子数据)的形式保存信息。
[0040] 另外，诊断装置200具有作为与外部的接口的外部输入接口210以及外部输出接口220。
[0041] 并且，经由外部输入接口210将测量作为检测工厂设备100的运行状态的各种状态量而得到的测量信号1和利用设置于外部输入装置900的键盘910及鼠标920的操作而制作的外部输入信号2取入到诊断装置200。另外，经由外部输出接口220将综合诊断结果信号12输出到图像显示装置800。
[0042] 在图1所示的诊断装置200中，经由外部输入接口210取入测量工厂设备100的各种状态量而得到的检测信号1。被取入到诊断装置200的测量信号3保存于测量信号数据库300。另外，在工厂设备100中产生的故障信息、维护信息等的工厂设备管理信息通过利用键盘910和鼠标920的操作而产生的外部输入信号2而被取入到诊断装置200。被取入到诊断装置200的设备管理信息信号4保存到设备管理信息数据库310。
[0043] 诊断装置200具有评估模式和诊断模式这两种处理模式。关于评估模式和诊断模式的流程以及综合诊断单元400、诊断单元500的动作，引用图1和图2进行说明。
[0044] 再者，在本实施例的诊断装置200中，虽然将综合诊断单元400、诊断单元500、测量信号数据库300、设备管理信息数据库310以及诊断结果数据库320配置于诊断装置200的内部，但是，也可以将这些中的一部分装置配置于诊断装置200的外部，在装置之间仅通信数据即可。
[0045] 另外，关于被保存在设置于诊断装置200的数据库的信息，能够将其所有的信息显示于图像显示装置100中，这些信息能够由操作外部输入装置900所生成的外部输入信号1进行修改。
[0046] 在本实施例中，虽然由键盘和鼠标构成外部输入装置900，但也可以是用于输入语音的麦克风、触摸屏等用于输入数据的装置。
[0047] 另外，作为本发明的实施方式，当然也能够作为诊断方法、提供使诊断装置200动作而得到的信息的信息提供服务来实施。
[0048] 图2是说明诊断装置200的评估模式和诊断模式下的综合诊断单元400的动作的流程图。
[0049] 图2的(a)是评估模式的流程图。
[0050] 首先，在步骤2000中，综合诊断单元400提取保存在测量信号数据库300的规定期间中的测量信号5。
[0051] 在步骤2010中，综合诊断单元400将测量信号9发送到诊断单元500。诊断单元500处理测量信号9并诊断工厂设备100的状态，将诊断结果10发送到综合诊断单元400。在综合诊断单元400中，汇总接收到的诊断结果10，将诊断结果数据库信息8发送到诊断结果数据库320并保存。
[0052] 在步骤2020中，综合诊断单元400提取保存在设备管理信息数据库310中的设备管理信息信号6。
[0053] 在步骤2030中，将保存在诊断结果数据库320中的诊断结果数据库信息7的各诊断单元的检测结果与在步骤2020中提取的设备管理信息信号6进行比较，计算准确度和平均前导时间。这里，准确度是用故障次数除以检测次数而求得的。另外，平均前导时间是指从根据阈值判定而检测到的时刻减去在相应的诊断单元中检测到的时刻而求得的时间，是表示提前多久检测到的时间。在步骤2030中求出的各诊断单元的准确度和平均前导时间保存在诊断结果数据库320中。
[0054] 在步骤2040中，综合诊断单元400提取保存在诊断结果数据库320中的诊断结果数据库信息7，作为综合诊断结果信号11而发送到外部输出接口220。综合诊断结果信号12被发送到图像显示装置800，并在图像显示装置800中显示。
[0055] 图2的(b)是说明诊断模式的动作的流程图。
[0056] 在步骤2100中，综合诊断单元400提取保存在测量信号数据库中的进行诊断的期间的运行数据5。
[0057] 在步骤2110中，综合诊断单元400将测量信号9发送给诊断单元500。诊断单元500处理测量信号9并诊断工厂设备100的状态，将诊断结果10发送给综合诊断单元400。在综合诊断单元400中，汇总接收到的诊断结果10，将诊断结果数据库信息8发送到诊断结果数据库320中并保存。
[0058] 在步骤2120中，评估有无异常检测，在存在检测到异常的诊断单元的情况下前进到步骤2130，在没有的情况下前进到步骤2160。
[0059] 在步骤2130中，综合诊断单元400提取保存在诊断结果数据库320中的诊断结果数据库信息7，掌握与在步骤2120中检测到异常的诊断单元有关的准确度的信息。
[0060] 在步骤2140中，综合诊断单元400提取保存在设备管理信息数据库310中的设备管理信息6，掌握故障导致的损失额。
[0061] 在步骤2150中，综合诊断单元400基于在步骤2130中提取的准确度以及在步骤2140中提取的损失额来计算损失预测额。关于损失预测额，当然有将准确度和损失额相乘、或者用预定的参数进行评价等的多种求出方法。
[0062] 在步骤2160中，在图像显示装置800中显示各诊断单元的检测结果，在存在检测到异常的诊断单元时，图像显示装置800中还显示在步骤2150计算出的损失预测额。
[0063] 如上所述，在本发明的诊断装置200中，在诊断单元500检测出异常时，显示损失预测额，由此，能够提供对判断是否对检测出的异常进行处理有用信息。
[0064] 图3是说明使评估模式和诊断模式动作的定时的图。
[0065] 在图3的(a)所示方法中，在累积一定期间的运行数据后，使评估模式进行一次动作，使诊断模式按一定的周期进行动作。
[0066] 在图3的(b)所示的方法中，使评估模式按一定间隔进行动作，在更新保存于诊断结果数据库320的准确度、平均前导时间数据之后，使诊断模式进行动作。
[0067] 在图3的(c)所示的方法中，在从用户发出指令时，使评估模式动作。在任意的定时执行评估模式，并更新准确度和平均前导时间，使诊断模式动作。
[0068] 另外，除了在本实施例中陈述的定时以外，使评估模式和诊断模式进行动作的定时还可以任意地设定。
[0069] 图4是说明保存在测量信号数据库300和设备管理信息数据库310中的数据的情况的图。
[0070] 如图4的(a)所示，在测量信号数据库300中，针对每个采样周期(纵轴的时间)保存作为对工厂设备100测量到的运行数据的测量信号1(图中，记载有数据项目A、B、C)的值。
[0071] 通过使用在显示画面301中可纵横移动的滚动框302以及303，能够滚动地显示宽范围的数据。
[0072] 如图4的(b)所示，在设备管理信息数据库310中保存故障内容、对策费用、避免故障需要的前导时间、故障导致的停止天数以及因工厂设备停止而产生的机会损失额等的故障信息。
[0073] 另外，如图4的(c)所示，在设备管理信息数据库310中保存维护内容、维护所需的费用、维护所需的天数、维护导致的机会损失额等的维护信息。
[0074] 图5是说明保存在诊断结果数据库320中的数据的情况的图。
[0075] 如图5的(a)所示，在诊断结果数据库320中，针对每个采样周期(纵轴的时刻)保存有各诊断单元的检测结果(图中记载有诊断单元A、B、C)。
[0076] 通过使用在显示画面311中可纵横移动的滚动框312以及313，能够滚动地显示宽范围的数据。
[0077] 在诊断结果数据库320中保存各诊断单元中的检测结果，例如如异常判定时是1、正常判定时是0那样将诊断结果置换为数字信息进行保存。
[0078] 如图5的(b)所示，在诊断结果数据库中，针对每个诊断单元保存在评估模式中计算出的准确度和平均前导时间。
[0079] 图6描述了作为诊断单元500的实施例的应用自适应共振理论(ART)的情况。另外，还可以采用矢量量化、支持向量机等其他聚类方法。
[0080] 如图6的(a)所示，数据分类功能由数据预处理装置610以及ART模块620构成。数据预处理装置610将运行数据转换为ART模块620的输入数据。
[0081] 以下，对上述数据预处理装置610以及ART模块620实施的步骤进行说明。
[0082] 首先，在数据预处理装置610中，针对每个测量项目对数据进行归一化。将含有归一化测量信号得到的数据Nxi(n)和归一化的数据的补数CNxi(n)(＝1-Nxi(n))的数据作为输入数据Ii(n)。该输入数据Ii(n)被输入到ART模块620。
[0083] 在ART模块620中，将作为输入数据的测量信号10或者操作信号11分类为多个类别。
[0084] ART模块620具有F0层621、F1层622、F2层623、存储器624以及选择子系统625，它们相互结合。F1层622以及F2层623通过加权系数结合。加权系数表示输入数据被分类的类别的原始类型(原型)。这里，所谓原始类型表示类别的代表值。
[0085] 接着，对ART模块620的算法进行说明。
[0086] 在输入数据被输入到ART模块620的情况下，该算法的概要成为如下面的处理1～处理5。
[0087] 处理1:由F0层621将输入矢量进行归一化，消除噪声。
[0088] 处理2:通过输入到F1层622的输入数据与加权系数的比较，选择合适类别的候选。
[0089] 处理3:在选择子系统625中选择的类别的妥当性通过与参数ρ的比进行评估。如果判断为妥当，则输入数据被分类到该类别并前进到处理4。另一方面，如果判断为不妥当，则该类别被复位并从其他类别中选择合适的类别的候选(重复处理2)。若增大参数ρ的值，则类别的分类的变得更精细。即，类别尺寸变小。相反，若减小参数ρ的值，则类别的分类变得粗糙。类别尺寸变大。把这个参数ρ叫做警戒(vigilance)参数。
[0090] 处理4:当在处理2中全部的现有类别被复位时，判断为输入数据属于新类别，生成表示新类别的原始类型的新加权系数。
[0091] 处理5:在输入数据被分类为不同的类别J时，与类别J对应的加权系数WJ(new)通过(公式1)用过去的加权系数WJ(old)以及输入数据p(或由输入数据派生出的数据)进行更新。
[0092] (公式1)
[0093] WJ(new)＝Kw·p+(1－Kw)·WJ(old)
[0094] 这里，Kw是学习率参数(0
[0095] 另外，公式1以及后面的公式2到公式12的各运算式被嵌入到所述ART模块620中。
[0096] ART模块620的数据分类算法的特征在于上述处理4。
[0097] 在处理4中，当被输入了与学习时的模式不同的输入数据时，能够不改变记录的模式而记录新的模式。因此，可以在记录过去学习到模式的同时记录新的模式。
[0098] 由此，当提供作为输入数据的预先提供的运行数据时，ART模块620学习所提供的模式。从而，当新的输入数据被输入到已学习完毕的ART模块620时，通过上述算法，能够确定是否与过去的某个模式接近。另外，如果是过去没有经历过的模式，则被分类为新类别。
[0099] 图6的(b)示出F0层621的结构的框图。在F0层621中，在各时刻再次将输入数据Ii归一化，制作输入到F1层621以及选择子系统625的归一化输入矢量
[0100] 首先，按照公式2，根据输入数据Ii计算 这里a是常数。
[0101] (公式1)
[0102]
[0103] 接着，使用公式3计算对 归一化而得到的 这里，||w0||表示w0的范数。
[0104] (公式2)
[0105]
[0106] 然后，使用公式4计算从 消除噪声的 其中，θ是用于消除噪声的常数。根据公式4的计算，微小的值成为0，因此，输入数据的噪声被消除。
[0107] (公式3)
[0108]
[0109] 最后，使用公式5求出归一化输入矢量 为F1层的输入。
[0110] (公式4)
[0111]
[0112] 图6的(c)是示出F1层622的结构的框图。在F1层622中，将由公式5求出的 保持为短期存储，计算输入到F2层722的Pi。将F2层的计算公式汇总示出为公式6至公式12。其中，a、b是常数，f(·)是由公式4表示的函数，Tj是由F2层623计算的拟合度。
[0113] (公式5)
[0114]
[0115] (公式6)
[0116]
[0117] (公式7)
[0118] vi＝f(xi)+bf(qi)
[0119] (公式8)
[0120]
[0121] (公式9)
[0122]
[0123] (公式10)
[0124]
[0125] 其中，(公式11)
[0126]
[0127] 图7示出将测量信号分类为不同的类别的结果示例的图。
[0128] 图7的(a)示出将工厂设备100的测量信号1分类为不同的类别的分类结果的一个示例的图。
[0129] 图7的(a)作为一个示例，显示了测量信号中的两个项目，并且用二维图形进行了标记。另外，纵轴和横轴标准化而示出各个项目测量信号。
[0130] 通过图3的(a)的ART模块620将测量信号分割为多个类别630(图4的(c)中所示的圆圈)。一个圆圈相当于一个类别。
[0131] 在本实施例中，将测量信号分类为四个类别。类别号1是项目A的值大、项目B的值小的组，类别号2是项目A、项目B的值都小的组，类别号3是项目A的值小、项目B的值大的组，类别号4项A、项目B的值都大的组。
[0132] 图7的(b)是说明将从工厂设备100获取的测量信号1分类为不同的类别的结果的图。横轴是时间，纵轴是测量信号、类别号。
[0133] 如图7的(b)所示，诊断开始之前的正常期间的数据被分类为不同的类别1～3。开始监视后的前半段的数据被分类为类别2且为与模型数据相同的类别。在这种情况下，由于数据的趋势相同，所以判断为状态未变化。另一方面，开始监视的后半段的数据被分类为类别4，被分类为与模型数据不同的类别。由于数据的趋势不同，所以判断为工厂设备的状态发生了变化。
[0134] 由此，在应用了聚类技术的诊断技术中，具有检测数据趋势变化的特征。
[0135] 图8是说明类别的尺寸与检测定时、准确度、损失预测额的关系的图。
[0136] 如图8的(a)所示，在将决定分辨率的参数ρ设定得大、减小类别尺寸时，即使是微小的变化也会检测到。能提前检测。相反，因为检测到测量噪声等微小的变化，所以准确度降低。
[0137] 另一方面，在将参数ρ值设定得小、类别尺寸增大时，在与正常状态的背离较大时出现新的类别。
[0138] 远离正常状态，是异常的准确度变高。另一方面，检测的定时会变晚。
[0139] 这样，在分类尺寸变大时准确度变高。由于准确度高时损失预测额也会随之提高，所以分类尺寸与损失预测额如图8的(b)所示为指数函数性的关系。
[0140] 在图2的步骤2030中，综合诊断单元400分析过去的数据，求出图8的(b)的关系并保存在诊断结果数据库320中，也可以在步骤2040中在图像显示装置800中显示图8的(b)的关系。
[0141] 图9是说明各诊断单元的检测结果和损失预测额的经时变化的图。
[0142] 诊断单元A、B、C由不同类别尺寸的3种ART构成。在时刻2200，诊断单元A检测，在时刻2210诊断单元B检测，在时刻2220，诊断单元C检测。另外，对进行检测的诊断单元的准确度的最大值乘以损失额(本实施例中为1000万日元)，计算损失预测额。
[0143] 这样，在时刻2200–2210的期间，为测量值的变化很小、至故障发生所需的时间长的状态，准确度低且损失预测值也低。随着时间的流逝，测量值的变化变大，由准确度高的诊断单元检测异常，损失预测额也增大。
[0144] 如上所述，根据本发明的诊断装置200，能够根据各时刻的损失预测额，获得用于判断是否对异常进行处理的信息。
[0145] 图10是说明准确度的修正方法的图。
[0146] 根据故障的程度、内容，造成损害的可能性发生变化。
[0147] 例如，关于与机器损坏、跳闸相关的故障，提高准确度并对损失预测额进行提高修正；关于直到定期检查时还没有注意到的轻微故障，降低准确度并对损失预测额进行降低修正。
[0148] 这样，根据故障内容的影响度来修正准确度，从而能够更准确地估计损失预测额。
[0149] 图11是说明在图像显示装置800中显示的画面的实施例的图。
[0150] 图11的(a)是说明执行诊断模式时显示在图像显示装置800中的画面的实施例图。在画面上显示检测到异常的诊断单元和损失预测额。由此，通过在画面显示装置中显示损失预测额，从而能够提供用于判断是否进行处理的信息。
[0151] 图11的(b)是说明执行评估模式时显示在图像显示装置800中的画面的实施例的图。假定比前导时间更早检测到的故障是能够通过导入诊断方案防止的故障，将这些故障的损失额加起来显示为费用优点。显示计算出的费用优点和诊断方案服务价格，能够判断是否购买该服务。
[0152] 图12是说明在图像显示装置800中显示的图像的实施例的图。
[0153] 假设在检测到故障时实施维护，推荐采用相对于维护成本目标值损失预测额最小的诊断方案。如果根据检测准确度低的检测结果实施维护，则损失预测额(风险)能够降低，但维护次数变多，维护成本变高。
[0154] 相对于输入维护成本的目标值(每年使用的维护成本的目标值)，输出适合的诊断方案。这样，也能够灵活运用为相对于输入维护成本的目标值，推荐损失预测额最小的诊断方案。
[0155] 实施例2
[0156] 在本发明的实施例2中，说明作为诊断技术500应用模型诊断和聚类的情况。关于聚类应用在实施例1中叙述的技术。
[0157] 图13是说明模型诊断的图。在模型诊断中，使用模拟构成工厂设备100的机器的特性的机器模型。作为模拟工厂设备100的模式的构筑方法，有使用质量守恒的公式、传热公式等物理公式的物理模型以及神经网络等统计模型，作为公开技术有日本特开2006-57595号公报。
[0158] 将构成工厂设备100的机器的输入/输出信息分别测量为信号A和信号B。在机器模型中，输出相对于信号A的输入的信号B的预测值。在模型诊断技术中，当信号B的模型预测值与实测值的误差超过阈值时，检测为异常。
[0159] 图14是说明并用聚类技术和模型诊断得到的效果的图。
[0160] 工厂设备与机器A和机器B连接。在诊断机器B的聚类技术(ART)诊断中，将数据B和数据C作为对ART的输入数据，检测数据趋势变化。在模型诊断中，相对于将数据B作为输入，输出数据C的预测值，当数据C的预测值和实测值的误差超过阈值时检测为异常。
[0161] 在本事例中，在时刻2300，在机器A中发生了不至于工厂设备停止的故障。因机器A中发生故障的影响，从机器A向机器B的流量、压力、温度变化且信号B变化。在时刻2300和时刻2310之间，机器B正常动作。在时刻2310，由于在机器B中流过的流量、压力、温度发生了变化，所以机器B发生了故障。
[0162] 在这种情况下，由于在ART诊断中检测到信号B的变化，所以在时刻2300的定时ART诊断检测到异常。另一方面，由于机器B为正常状态，在模型诊断中未检测出异常。
[0163] 在机器B发生故障的时刻2310的定时，模型诊断检测到异常。
[0164] 这样，ART诊断比模型诊断更早地检测出异常。另外，当在ART中检测到异常时机器B并没有发生故障，在模型诊断检测到异常时机器B发生了故障。也就是说，模型诊断中检测到异常时检测的准确度高，并且在本发明的诊断装置200中，考虑该准确度而将损失预测额计算得较高。
[0165] 通过根据使用如聚类技术、模型诊断那样检测定时、准确度不同的诊断单元得到的诊断结果计算损失预测额并显示，从而能够提供对判断是否对检测出的异常进行处理有用信息。
[0166] 实施例3
[0167] 说明将本发明的诊断装置200应用于C/C工厂设备时的效果。
[0168] 图15是示出作为工厂设备1000的实施例的C/C工厂设备的机器构成的图。燃气轮机1080由压缩机1010、膨胀机1020以及燃烧器1030构成。在燃气轮机1080中，压缩机1010吸入空气并压缩，然后，燃烧器1030吸入压缩空气和燃料并生成燃烧气体，使膨胀机1020吸入燃烧气体并获得动力。燃气轮机1080的输出是膨胀机1020输出的动力和压缩器1010使用的动力之差。在废热回收锅炉1050中配置有热交换器1060，使用来自燃气轮机1080的高温排气产生高温蒸汽。在蒸汽轮机1070中，吸入废热回收锅炉1050生成的高温蒸汽并获得动力。在冷凝器1090中，吸入蒸汽轮机1070的排气，通过与冷却水的热交换，使蒸汽冷凝成水。在发电机1040中，使用燃气轮机1080和蒸汽轮机1070的输出来发电。
[0169] 在本工厂设备中，控制燃料流量以使得排气温度成为目标值。
[0170] 作为本工厂设备中发生的异常现象，可以例举出膨胀机1020叶片的用于流过冷却空气的孔(叶片表面冷却孔)变大这一现象。在发生该异常现象时，导致冷却空气变多，排气温度降低，燃烧器1030的燃料流量增加。因燃料流量增加的影响，燃烧温度上升而损坏燃烧器1030。这样，膨胀机1020的异常波及到燃烧器1030。
[0171] 异常现象波及的情况下，如实施例2中所述，基于使用检测定时和准确度不同的诊断单元得到的诊断结果来计算损失预测额并显示，由此，能够提供对判断是否对检测出的异常进行处理有用信息。
[0172] 产业上的可用性
[0173] 本发明能够广泛应用为工厂设备的诊断装置。
