センサ診断方法およびセンサ診断装置
【課題】本発明の目的は、異常の種類を区別可能なセンサ診断方法および装置を提供することである。
【解決手段】本発明は、あらかじめ設定した正常データから異常状態のデータ分布を推定して異常データを作成しておき、入力した複数の前記診断データが前記正常データと前記異常データのいずれの分布に近いか判定するとともに、前記診断データの状態を判定し、前記診断データの状態と過去の診断データの状態に基づき、センサの異常の種類を判定することを特徴とする。
【解決手段】本発明は、あらかじめ設定した正常データから異常状態のデータ分布を推定して異常データを作成しておき、入力した複数の前記診断データが前記正常データと前記異常データのいずれの分布に近いか判定するとともに、前記診断データの状態を判定し、前記診断データの状態と過去の診断データの状態に基づき、センサの異常の種類を判定することを特徴とする。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、センサ診断方法およびセンサ診断装置に関する。
【背景技術】
【０００２】
原子力発電プラントにおけるセンサ，回転機，弁などの機器は、一定期間ごとに保守作業が行われている。保守作業は主に定期検査において行われる。定期検査における機器の校正，分解点検，取替えなどによる作業量は、膨大なものとなっている。
【０００３】
プラントを安全かつ効率的に稼動させることを目的として、これまでの一定期間ごとに保守作業を行う時間保全に代わり、機器の状態を監視して必要な時期に保守作業を行う状態監視保全が検討されている。また、機器の状態監視は、保守作業を効率的にするために、異常の有無を診断するだけではなく、異常の箇所や種類を特定することが求められている。
【０００４】
機器の状態監視は、主に各機器に取り付けられた温度や振動などのセンサによって行われる。そして、異常の箇所や種類を特定するには、最初に、計測しているセンサ自体の診断をしなければならない。すなわち、センサを通して計測したプロセス値に何らかの異常が認められた場合に、計測対象は正常でありセンサが異常なのか、センサは正常であり計測対象が異常なのかを区別する必要がある。
【０００５】
特許文献１は、プラント運転中のセンサの状態監視を開示する。特許文献１は、複数のセンサのプロセス値からニューラルネットを用いてドリフトのない真値を推定し、この真値と計測値の差からドリフトの有無を診断する方法である。
【０００６】
また、特許文献２には、ニューラルネットを用いた異常の区別方法として、正常データから異常データを模擬的に作成する方法を開示する。
【先行技術文献】
【特許文献】
【０００７】
【特許文献１】特開２００３−２０７３７３号公報
【特許文献２】特開平８−３２０２５１号公報
【発明の概要】
【発明が解決しようとする課題】
【０００８】
特許文献１の手法は、異常の種類を考慮していない。そのため、図４のようにセンサが故障して出力値が振り切れた場合でも、特許文献１の手法では大きなドリフトが発生したと判断し、ドリフトと故障を区別できない可能性がある。
【０００９】
また、特許文献２の方法では過去の異常の事例から異常を推定して作成する。但し、特許文献２による推定方法が適切でない場合、異常の区別精度が十分でない可能性がある。また、この方法では、異常の発生過程における状態の変化については考慮していない。例えば、センサのドリフトは徐々に発生するが、故障であれば突発的に発生することが多い。このような異常の発生過程の特徴を用いれば、異常を高い精度で区別できるが、このような方法はこれら特許文献には記載されていない。
【００１０】
本発明の目的は、異常の発生過程における状態の変化を考慮することにより異常の種類を区別可能なセンサ診断方法および装置を提供することである。
【課題を解決するための手段】
【００１１】
本発明は、あらかじめ設定した正常データから異常状態のデータ分布を推定して異常データを作成しておき、入力した複数の前記診断データが前記正常データと前記異常データのいずれの分布に近いか判定するとともに、前記診断データの状態を判定し、前記診断データの状態と過去の診断データの状態に基づき、センサの異常の種類を判定することを特徴とする。
【発明の効果】
【００１２】
本発明は、上記手段により構成されるため、複数のプロセス値を用いたセンサ診断において、異常の発生過程における状態の変化を考慮することにより異常の種類を区別できる。
【図面の簡単な説明】
【００１３】
【図１】実施例１のセンサ診断方法および装置の構成図である。
【図２】実施例１の手順を示すフローチャートである。
【図３】正常データと異常データの説明図である。
【図４】実施例１における異常時のプロセス値変化の説明図である。
【図５】正常データの例である。
【図６】実施例１における異常Ａの異常データの例である。
【図７】実施例１における異常Ａの状態履歴データの例である。
【図８】実施例１における異常Ｂの状態履歴データの例である。
【図９】実施例２における異常時のプロセス値変化の説明図である。
【図１０】実施例２における異常Ａの異常データの例である。
【図１１】実施例２における異常Ａの状態履歴データの例である。
【図１２】実施例２における異常Ｂの状態履歴データの例である。
【発明を実施するための形態】
【００１４】
以下、各実施例を説明する。
【実施例１】
【００１５】
本実施例のセンサ診断により検出される異常の種類は、センサのドリフトを示す異常Ａ、ドリフト以外のセンサ故障を示す異常Ｂとする。そして、これらの異常を区別する例について説明する。図４は、センサのドリフト発生と故障によって計測されるプロセス値の変化の例を示す。縦軸はプロセス値を示し、横軸に時間を示す。
【００１６】
図１は、本実施例のセンサ診断方法および装置の全体構成である。本実施例のセンサ診断装置は、データ入力手段１，正常状態データベース２，異常データ作成手段３，異常状態データベース４，類似状態判定手段５，状態履歴データベース６，異常種類判定手段７，診断結果出力手段８を備える。
【００１７】
データ入力手段１は、複数の流量計，温度計，圧力計，レベル計，振動計が計測したプロセス値を、診断データとしてコンピュータに入力する。これら複数のプロセス値は、プラント運転によってプロセス値が変化する際に、互いに相関をもって変化する組み合わせである。例えば、冗長化されたセンサを組み合わせる。
【００１８】
正常状態データベース２には、あらかじめ用意された正常データが格納されている。図５は、各センサで計測したプロセス値の時系列データであり、正常データを示す。
【００１９】
異常データ作成手段３は、正常状態データベース２に格納された正常データから、異常状態のデータ分布を推定して、複数の異常データを作成する。作成した異常データは異常状態データベース４に格納される。
【００２０】
異常状態データベース４は、異常データ作成手段３で作成された異常データが格納されている。異常状態データベース４の例を図６に示す。
【００２１】
類似状態判定手段５は、データ入力手段１で入力した診断データが、正常状態データベース２から読み込んだ正常データと、異常状態データベース４から読み込んだ複数の異常データのうち、どの分布に近い状態にあるか判定する。
【００２２】
状態履歴データベース６は、類似状態判定手段５で判定された診断データの状態、及び、正常又は異常の判定結果が格納されている。図７および図８に状態履歴データベース６の例を示す。
【００２３】
異常種類判定手段７は、類似状態判定手段５で判定された診断データの状態と、状態履歴データベース６に格納された過去の診断データの状態をもとに、異常の種類を判定する。
【００２４】
診断結果出力手段８は、異常種類判定手段７で診断した結果をディスプレイなどに表示する。また、同手段は、異常と診断された場合に警報を鳴らす機能を備える。
【００２５】
図２は本実施例によるセンサ診断の手順を示すフローチャートである。
【００２６】
ステップ１０１では、異常データ作成手段３により、あらかじめ用意した正常データから異常データを作成する。この正常データは、例えば、プラント運転サイクルの初期に計測したデータである。
【００２７】
図３は、データ分布の例を示す。図３の横軸はプロセス値１を示し、縦軸はプロセス値２を示す。センサが計測するプロセス値１にドリフト（異常Ａ）が発生する場合、正常時のデータ分布に比べてプロセス値１が増加（または減少）する。したがって、正常データをもとに異常Ａのデータ分布を推定できる。図５の正常データをもとに、プロセス値１に０.５％のドリフトが発生した場合の異常データを作成すると、図６の異常データが得られる。この異常データは、例えば、プロセス値１について−０.５％から＋０.５％まで０.１％ステップで作成しておく。本実施例では、ドリフトがプロセス値１に発生した場合
のみについて説明する。但し、同様にプロセス値２，プロセス値３にドリフトが発生した場合についても異常データを作成してもよい。
【００２８】
ステップ１０２は、データ入力手段１が類似状態判定手段５に診断データを入力する。
【００２９】
ステップ１０３〜１０５は類似状態判定手段５により実施される。
【００３０】
ステップ１０３は、類似状態判定手段５が正常状態データベース２から正常データを読み込み、異常状態データベース４から異常データを読み込み、診断データと正常データとの距離，診断データと各異常データとの距離を計算する。距離の計算方法は、マハラノビス距離を用いることができる。一般に、多変数ベクトルｘ＝（ｘ1，…，ｘn）Tの平均をμ＝（μ1，…，μn）T、共分散行列Σとすると、マハラノビス距離Ｄは次の式で計算できる。具体的には、ｎはセンサの組み合わせ数、ｘi（ｉ＝１〜ｎ）はｉ番目のセンサのプロセス値である。なお、Ｔは転置行列を示す記号である。
【００３１】
【数１】
【００３２】
ステップ１０４は、診断データまでのマハラノビス距離が最小となる正常データまたは異常データを特定する。この結果から、診断データのドリフト量を得ることができ、このドリフト量を診断データの状態量とする。例えば、ｔ＝１０４ｈの診断データが最も近いのは正常データであるので、状態量は０％となる。また、ｔ＝１０５ｈの診断データが最も近いのはドリフト０.１％の異常データであるので、状態量は０.１％となる。
【００３３】
ステップ１０５は、診断データが正常であるか異常であるかを判定する。ステップ１０４により、診断データとのマハラノビス距離が最小となるデータは異常データであり、かつ、診断データの状態量が、あらかじめ設定されたしきい値以上の状態にある場合、その診断データは異常と診断される。例えば、異常Ａの検出しきい値を状態量０.４％と設定した場合、状態量０.４％以上にあれば異常と判定する。正常と判定された場合は、ステップ１０２に戻り次の診断データを入力し、異常と判定された場合にはステップ１０６へ進む。
【００３４】
図７，図８は、ステップ１０５の判定結果を示す。図７は、図４においてドリフト発生の場合の判定結果であり、図８は、故障の場合の判定結果である。
【００３５】
ステップ１０６〜１０９は異常種類判定手段７により実施される。
【００３６】
ステップ１０６は、異常が発生した時刻から過去の状態を調べる。図４のように、ドリフトは徐々に増加（減少）していくので、診断データの状態量は連続的な変化として観測される。ドリフトの状態量は単調に増加（減少）するとは限らないが、例えば状態量０.４％に到達するまでに必ず中間状態である状態量０.２％を経由しているはずである。中間状態とは、正常状態から異常状態へ変化する途中の状態であり、正常状態にあった時刻から異常状態になった時刻までの間の任意の時刻に現れる。例えば、ｔ＝１０４ｈで正常状態の状態量が０％であり、ｔ＝１０８ｈで異常状態の状態量が０.４％であるとすると、これらの中間値である０.２％を中間状態の状態量と定義し、ｔ＝１０５〜１０７ｈのある時刻にこの中間状態にあると考えられる。なお、中間状態の状態量は０.１％，０.３％など、正常状態と異常状態の間の任意の値に定義してもよい。
【００３７】
一方、故障の場合、状態量の変化が急激であり、１ｈ間隔の計測では不連続に変化し、中間状態を見つけることはできない。この間隔は計測対象に応じてあらかじめ設定しておく。例えば、ドリフトは数ヶ月かけて発生するが、故障の場合１ｈ以下で発生することが多いので計測を１ｈ間隔とすればよい。
【００３８】
一方、故障の場合、状態量の変化が急激であり、計測している時間間隔において不連続である。なお、この時間間隔は計測対象に応じてあらかじめ設定しておく。
【００３９】
ステップ１０７は、このような異常発生過程で、診断データの状態量が中間状態を経由したかどうかを判定する。診断データが中間状態を経由した場合は異常Ａ（ステップ１０８）、経由しない場合は異常Ｂと判定する（ステップ１０９）。
【００４０】
図７の例では、ｔ＝１０８ｈで状態量０.４％を検出して異常と判定される。また、それ以前のｔ＝１０６ｈにおいて中間状態である状態量０.２％の状態を経由している。そのため、図７の診断データは、異常Ａと判定する。一方、図８の例では、ｔ＝１０５ｈで異常と判定される。但し、ｔ＝１０５ｈ以前に中間状態（例えば状態量−５％）を経由していないので、図８の診断データは故障である異常Ｂと判定する。したがって、異常Ａと異常Ｂを区別できる。異常種類が判定された診断データは、診断結果出力手段８に送信される。
【００４１】
ステップ１１０は、診断結果出力手段８により診断結果を出力する。
【００４２】
上記実施例により、複数のプロセス値を用いたセンサ診断において、センサの異常の種類としてドリフトとドリフト以外の故障とを区別できる。
【実施例２】
【００４３】
本実施例では、センサ診断により検出される異常について、プラント運転によりプロセス値が正常データの範囲外まで変化した場合を異常Ａ、センサ故障を異常Ｂとして、異常を区別する例について説明する。図９にプラント運転によるプロセス値の変化と故障によるプロセス値の変化の例を示す。
【００４４】
本実施例は実施例１と同様、図２のフローチャートの手順によって行う。
【００４５】
ステップ１０１では、異常データ作成手段３により、あらかじめ用意した正常データから推定可能な異常データを作成する。
【００４６】
図３にデータ分布の例を示す。プラント運転条件などの変化により、プロセス値そのものが変化する場合、各プロセス値は一定の関係（多くは線形）で同時に変化するので、図のように正常時のデータ分布から外挿して異常Ａのデータ分布を推定できる。図５の正常データ（出力８〜１２％）をもとに、プロセス値が出力１５〜１６％の領域まで変化した場合の異常データを作成すると、図１０の異常データが得られる。この異常データは、例えば、出力値について１３％から２０％まで１％ステップで作成しておく。
【００４７】
ステップ１０２〜１０４は、実施例１と同様である。
【００４８】
ステップ１０５では、診断データが正常であるか異常であるかを判定する。なお、本実施例では、診断データの状態量として、プラントの出力値を使用する。例えば、異常Ａの検出しきい値を出力１６％と設定した場合、１６％以上の状態にあれば異常と判定する。
正常と判定された場合は、ステップ１０２に戻り次の診断データを入力し、異常と判定された場合にはステップ１０６へ進む。
【００４９】
プラント運転によるプロセス値の変化を判定した結果を図１１に、故障の場合の判定結果を図１２に示す。
【００５０】
ステップ１０６では、異常が発生した時刻から過去の状態を調べる。図９のようにプロセス変化は、連続的な変化として観測され、例えば出力１２％から変化して出力１６％に到達するまでに必ず中間状態である１４％を経由しているはずである。一方、故障の場合は変化が急激であり、計測している時間間隔において不連続である。なお、この時間間隔は計測対象に応じてあらかじめ設定しておく。
【００５１】
ステップ１０７では、このような異常発生過程で中間状態を経由したかどうかを判定し、中間状態を経由した場合は異常Ａ（ステップ１０８）、経由しない場合は異常Ｂと判定する（ステップ１０９）。
【００５２】
図１１の例では、ｔ＝１０８ｈで出力１６％を検出して異常と判定され、それ以前のｔ＝１０６ｈにおいて中間状態である出力１４％の状態を経由しているので、異常Ａと判定する。一方、図１２の例では、ｔ＝１０５ｈで異常と判定されるが、それ以前に中間状態（例えば出力４％）を経由していないので、故障である異常Ｂと判定する。したがって、異常Ａと異常Ｂを区別できる。
【００５３】
ステップ１１０では、診断結果出力手段８により診断結果を出力する。
【００５４】
上記実施例により、複数のプロセス値を用いたセンサ診断において、センサの異常ではなくプロセスの変化であるか、センサの故障であるかを区別できる。
【産業上の利用可能性】
【００５５】
複数のプロセス値を用いたセンサ診断において、センサ自体の異常の有無がわかるので、異常の箇所を特定するのに役立つ。また、センサの異常の種類を区別することにより保守作業の必要性を知ることができる。その結果、保守作業量およびコストを削減できる。
【符号の説明】
【００５６】
１ データ入力手段
２ 正常状態データベース
３ 異常データ作成手段
４ 異常状態データベース
５ 類似状態判定手段
６ 状態履歴データベース
７ 異常種類判定手段
８ 診断結果出力手段
【技術分野】
【０００１】
本発明は、センサ診断方法およびセンサ診断装置に関する。
【背景技術】
【０００２】
原子力発電プラントにおけるセンサ，回転機，弁などの機器は、一定期間ごとに保守作業が行われている。保守作業は主に定期検査において行われる。定期検査における機器の校正，分解点検，取替えなどによる作業量は、膨大なものとなっている。
【０００３】
プラントを安全かつ効率的に稼動させることを目的として、これまでの一定期間ごとに保守作業を行う時間保全に代わり、機器の状態を監視して必要な時期に保守作業を行う状態監視保全が検討されている。また、機器の状態監視は、保守作業を効率的にするために、異常の有無を診断するだけではなく、異常の箇所や種類を特定することが求められている。
【０００４】
機器の状態監視は、主に各機器に取り付けられた温度や振動などのセンサによって行われる。そして、異常の箇所や種類を特定するには、最初に、計測しているセンサ自体の診断をしなければならない。すなわち、センサを通して計測したプロセス値に何らかの異常が認められた場合に、計測対象は正常でありセンサが異常なのか、センサは正常であり計測対象が異常なのかを区別する必要がある。
【０００５】
特許文献１は、プラント運転中のセンサの状態監視を開示する。特許文献１は、複数のセンサのプロセス値からニューラルネットを用いてドリフトのない真値を推定し、この真値と計測値の差からドリフトの有無を診断する方法である。
【０００６】
また、特許文献２には、ニューラルネットを用いた異常の区別方法として、正常データから異常データを模擬的に作成する方法を開示する。
【先行技術文献】
【特許文献】
【０００７】
【特許文献１】特開２００３−２０７３７３号公報
【特許文献２】特開平８−３２０２５１号公報
【発明の概要】
【発明が解決しようとする課題】
【０００８】
特許文献１の手法は、異常の種類を考慮していない。そのため、図４のようにセンサが故障して出力値が振り切れた場合でも、特許文献１の手法では大きなドリフトが発生したと判断し、ドリフトと故障を区別できない可能性がある。
【０００９】
また、特許文献２の方法では過去の異常の事例から異常を推定して作成する。但し、特許文献２による推定方法が適切でない場合、異常の区別精度が十分でない可能性がある。また、この方法では、異常の発生過程における状態の変化については考慮していない。例えば、センサのドリフトは徐々に発生するが、故障であれば突発的に発生することが多い。このような異常の発生過程の特徴を用いれば、異常を高い精度で区別できるが、このような方法はこれら特許文献には記載されていない。
【００１０】
本発明の目的は、異常の発生過程における状態の変化を考慮することにより異常の種類を区別可能なセンサ診断方法および装置を提供することである。
【課題を解決するための手段】
【００１１】
本発明は、あらかじめ設定した正常データから異常状態のデータ分布を推定して異常データを作成しておき、入力した複数の前記診断データが前記正常データと前記異常データのいずれの分布に近いか判定するとともに、前記診断データの状態を判定し、前記診断データの状態と過去の診断データの状態に基づき、センサの異常の種類を判定することを特徴とする。
【発明の効果】
【００１２】
本発明は、上記手段により構成されるため、複数のプロセス値を用いたセンサ診断において、異常の発生過程における状態の変化を考慮することにより異常の種類を区別できる。
【図面の簡単な説明】
【００１３】
【図１】実施例１のセンサ診断方法および装置の構成図である。
【図２】実施例１の手順を示すフローチャートである。
【図３】正常データと異常データの説明図である。
【図４】実施例１における異常時のプロセス値変化の説明図である。
【図５】正常データの例である。
【図６】実施例１における異常Ａの異常データの例である。
【図７】実施例１における異常Ａの状態履歴データの例である。
【図８】実施例１における異常Ｂの状態履歴データの例である。
【図９】実施例２における異常時のプロセス値変化の説明図である。
【図１０】実施例２における異常Ａの異常データの例である。
【図１１】実施例２における異常Ａの状態履歴データの例である。
【図１２】実施例２における異常Ｂの状態履歴データの例である。
【発明を実施するための形態】
【００１４】
以下、各実施例を説明する。
【実施例１】
【００１５】
本実施例のセンサ診断により検出される異常の種類は、センサのドリフトを示す異常Ａ、ドリフト以外のセンサ故障を示す異常Ｂとする。そして、これらの異常を区別する例について説明する。図４は、センサのドリフト発生と故障によって計測されるプロセス値の変化の例を示す。縦軸はプロセス値を示し、横軸に時間を示す。
【００１６】
図１は、本実施例のセンサ診断方法および装置の全体構成である。本実施例のセンサ診断装置は、データ入力手段１，正常状態データベース２，異常データ作成手段３，異常状態データベース４，類似状態判定手段５，状態履歴データベース６，異常種類判定手段７，診断結果出力手段８を備える。
【００１７】
データ入力手段１は、複数の流量計，温度計，圧力計，レベル計，振動計が計測したプロセス値を、診断データとしてコンピュータに入力する。これら複数のプロセス値は、プラント運転によってプロセス値が変化する際に、互いに相関をもって変化する組み合わせである。例えば、冗長化されたセンサを組み合わせる。
【００１８】
正常状態データベース２には、あらかじめ用意された正常データが格納されている。図５は、各センサで計測したプロセス値の時系列データであり、正常データを示す。
【００１９】
異常データ作成手段３は、正常状態データベース２に格納された正常データから、異常状態のデータ分布を推定して、複数の異常データを作成する。作成した異常データは異常状態データベース４に格納される。
【００２０】
異常状態データベース４は、異常データ作成手段３で作成された異常データが格納されている。異常状態データベース４の例を図６に示す。
【００２１】
類似状態判定手段５は、データ入力手段１で入力した診断データが、正常状態データベース２から読み込んだ正常データと、異常状態データベース４から読み込んだ複数の異常データのうち、どの分布に近い状態にあるか判定する。
【００２２】
状態履歴データベース６は、類似状態判定手段５で判定された診断データの状態、及び、正常又は異常の判定結果が格納されている。図７および図８に状態履歴データベース６の例を示す。
【００２３】
異常種類判定手段７は、類似状態判定手段５で判定された診断データの状態と、状態履歴データベース６に格納された過去の診断データの状態をもとに、異常の種類を判定する。
【００２４】
診断結果出力手段８は、異常種類判定手段７で診断した結果をディスプレイなどに表示する。また、同手段は、異常と診断された場合に警報を鳴らす機能を備える。
【００２５】
図２は本実施例によるセンサ診断の手順を示すフローチャートである。
【００２６】
ステップ１０１では、異常データ作成手段３により、あらかじめ用意した正常データから異常データを作成する。この正常データは、例えば、プラント運転サイクルの初期に計測したデータである。
【００２７】
図３は、データ分布の例を示す。図３の横軸はプロセス値１を示し、縦軸はプロセス値２を示す。センサが計測するプロセス値１にドリフト（異常Ａ）が発生する場合、正常時のデータ分布に比べてプロセス値１が増加（または減少）する。したがって、正常データをもとに異常Ａのデータ分布を推定できる。図５の正常データをもとに、プロセス値１に０.５％のドリフトが発生した場合の異常データを作成すると、図６の異常データが得られる。この異常データは、例えば、プロセス値１について−０.５％から＋０.５％まで０.１％ステップで作成しておく。本実施例では、ドリフトがプロセス値１に発生した場合
のみについて説明する。但し、同様にプロセス値２，プロセス値３にドリフトが発生した場合についても異常データを作成してもよい。
【００２８】
ステップ１０２は、データ入力手段１が類似状態判定手段５に診断データを入力する。
【００２９】
ステップ１０３〜１０５は類似状態判定手段５により実施される。
【００３０】
ステップ１０３は、類似状態判定手段５が正常状態データベース２から正常データを読み込み、異常状態データベース４から異常データを読み込み、診断データと正常データとの距離，診断データと各異常データとの距離を計算する。距離の計算方法は、マハラノビス距離を用いることができる。一般に、多変数ベクトルｘ＝（ｘ1，…，ｘn）Tの平均をμ＝（μ1，…，μn）T、共分散行列Σとすると、マハラノビス距離Ｄは次の式で計算できる。具体的には、ｎはセンサの組み合わせ数、ｘi（ｉ＝１〜ｎ）はｉ番目のセンサのプロセス値である。なお、Ｔは転置行列を示す記号である。
【００３１】
【数１】
【００３２】
ステップ１０４は、診断データまでのマハラノビス距離が最小となる正常データまたは異常データを特定する。この結果から、診断データのドリフト量を得ることができ、このドリフト量を診断データの状態量とする。例えば、ｔ＝１０４ｈの診断データが最も近いのは正常データであるので、状態量は０％となる。また、ｔ＝１０５ｈの診断データが最も近いのはドリフト０.１％の異常データであるので、状態量は０.１％となる。
【００３３】
ステップ１０５は、診断データが正常であるか異常であるかを判定する。ステップ１０４により、診断データとのマハラノビス距離が最小となるデータは異常データであり、かつ、診断データの状態量が、あらかじめ設定されたしきい値以上の状態にある場合、その診断データは異常と診断される。例えば、異常Ａの検出しきい値を状態量０.４％と設定した場合、状態量０.４％以上にあれば異常と判定する。正常と判定された場合は、ステップ１０２に戻り次の診断データを入力し、異常と判定された場合にはステップ１０６へ進む。
【００３４】
図７，図８は、ステップ１０５の判定結果を示す。図７は、図４においてドリフト発生の場合の判定結果であり、図８は、故障の場合の判定結果である。
【００３５】
ステップ１０６〜１０９は異常種類判定手段７により実施される。
【００３６】
ステップ１０６は、異常が発生した時刻から過去の状態を調べる。図４のように、ドリフトは徐々に増加（減少）していくので、診断データの状態量は連続的な変化として観測される。ドリフトの状態量は単調に増加（減少）するとは限らないが、例えば状態量０.４％に到達するまでに必ず中間状態である状態量０.２％を経由しているはずである。中間状態とは、正常状態から異常状態へ変化する途中の状態であり、正常状態にあった時刻から異常状態になった時刻までの間の任意の時刻に現れる。例えば、ｔ＝１０４ｈで正常状態の状態量が０％であり、ｔ＝１０８ｈで異常状態の状態量が０.４％であるとすると、これらの中間値である０.２％を中間状態の状態量と定義し、ｔ＝１０５〜１０７ｈのある時刻にこの中間状態にあると考えられる。なお、中間状態の状態量は０.１％，０.３％など、正常状態と異常状態の間の任意の値に定義してもよい。
【００３７】
一方、故障の場合、状態量の変化が急激であり、１ｈ間隔の計測では不連続に変化し、中間状態を見つけることはできない。この間隔は計測対象に応じてあらかじめ設定しておく。例えば、ドリフトは数ヶ月かけて発生するが、故障の場合１ｈ以下で発生することが多いので計測を１ｈ間隔とすればよい。
【００３８】
一方、故障の場合、状態量の変化が急激であり、計測している時間間隔において不連続である。なお、この時間間隔は計測対象に応じてあらかじめ設定しておく。
【００３９】
ステップ１０７は、このような異常発生過程で、診断データの状態量が中間状態を経由したかどうかを判定する。診断データが中間状態を経由した場合は異常Ａ（ステップ１０８）、経由しない場合は異常Ｂと判定する（ステップ１０９）。
【００４０】
図７の例では、ｔ＝１０８ｈで状態量０.４％を検出して異常と判定される。また、それ以前のｔ＝１０６ｈにおいて中間状態である状態量０.２％の状態を経由している。そのため、図７の診断データは、異常Ａと判定する。一方、図８の例では、ｔ＝１０５ｈで異常と判定される。但し、ｔ＝１０５ｈ以前に中間状態（例えば状態量−５％）を経由していないので、図８の診断データは故障である異常Ｂと判定する。したがって、異常Ａと異常Ｂを区別できる。異常種類が判定された診断データは、診断結果出力手段８に送信される。
【００４１】
ステップ１１０は、診断結果出力手段８により診断結果を出力する。
【００４２】
上記実施例により、複数のプロセス値を用いたセンサ診断において、センサの異常の種類としてドリフトとドリフト以外の故障とを区別できる。
【実施例２】
【００４３】
本実施例では、センサ診断により検出される異常について、プラント運転によりプロセス値が正常データの範囲外まで変化した場合を異常Ａ、センサ故障を異常Ｂとして、異常を区別する例について説明する。図９にプラント運転によるプロセス値の変化と故障によるプロセス値の変化の例を示す。
【００４４】
本実施例は実施例１と同様、図２のフローチャートの手順によって行う。
【００４５】
ステップ１０１では、異常データ作成手段３により、あらかじめ用意した正常データから推定可能な異常データを作成する。
【００４６】
図３にデータ分布の例を示す。プラント運転条件などの変化により、プロセス値そのものが変化する場合、各プロセス値は一定の関係（多くは線形）で同時に変化するので、図のように正常時のデータ分布から外挿して異常Ａのデータ分布を推定できる。図５の正常データ（出力８〜１２％）をもとに、プロセス値が出力１５〜１６％の領域まで変化した場合の異常データを作成すると、図１０の異常データが得られる。この異常データは、例えば、出力値について１３％から２０％まで１％ステップで作成しておく。
【００４７】
ステップ１０２〜１０４は、実施例１と同様である。
【００４８】
ステップ１０５では、診断データが正常であるか異常であるかを判定する。なお、本実施例では、診断データの状態量として、プラントの出力値を使用する。例えば、異常Ａの検出しきい値を出力１６％と設定した場合、１６％以上の状態にあれば異常と判定する。
正常と判定された場合は、ステップ１０２に戻り次の診断データを入力し、異常と判定された場合にはステップ１０６へ進む。
【００４９】
プラント運転によるプロセス値の変化を判定した結果を図１１に、故障の場合の判定結果を図１２に示す。
【００５０】
ステップ１０６では、異常が発生した時刻から過去の状態を調べる。図９のようにプロセス変化は、連続的な変化として観測され、例えば出力１２％から変化して出力１６％に到達するまでに必ず中間状態である１４％を経由しているはずである。一方、故障の場合は変化が急激であり、計測している時間間隔において不連続である。なお、この時間間隔は計測対象に応じてあらかじめ設定しておく。
【００５１】
ステップ１０７では、このような異常発生過程で中間状態を経由したかどうかを判定し、中間状態を経由した場合は異常Ａ（ステップ１０８）、経由しない場合は異常Ｂと判定する（ステップ１０９）。
【００５２】
図１１の例では、ｔ＝１０８ｈで出力１６％を検出して異常と判定され、それ以前のｔ＝１０６ｈにおいて中間状態である出力１４％の状態を経由しているので、異常Ａと判定する。一方、図１２の例では、ｔ＝１０５ｈで異常と判定されるが、それ以前に中間状態（例えば出力４％）を経由していないので、故障である異常Ｂと判定する。したがって、異常Ａと異常Ｂを区別できる。
【００５３】
ステップ１１０では、診断結果出力手段８により診断結果を出力する。
【００５４】
上記実施例により、複数のプロセス値を用いたセンサ診断において、センサの異常ではなくプロセスの変化であるか、センサの故障であるかを区別できる。
【産業上の利用可能性】
【００５５】
複数のプロセス値を用いたセンサ診断において、センサ自体の異常の有無がわかるので、異常の箇所を特定するのに役立つ。また、センサの異常の種類を区別することにより保守作業の必要性を知ることができる。その結果、保守作業量およびコストを削減できる。
【符号の説明】
【００５６】
１ データ入力手段
２ 正常状態データベース
３ 異常データ作成手段
４ 異常状態データベース
５ 類似状態判定手段
６ 状態履歴データベース
７ 異常種類判定手段
８ 診断結果出力手段
【特許請求の範囲】
【請求項１】
複数のプロセス値である診断データからセンサの状態を診断するセンサ診断方法において、
あらかじめ設定した正常データから異常状態のデータ分布を推定して異常データを作成しておき、入力した複数の前記診断データが前記正常データと前記異常データのいずれの分布に近いか判定するとともに、前記診断データの状態を判定し、前記診断データの状態と過去の診断データの状態に基づき、センサの異常の種類を判定することを特徴とするセンサ診断方法。
【請求項２】
請求項１に記載のセンサ診断方法において、前記プロセス値は、流量，温度，圧力，レベル，振動の変位であることを特徴とするセンサ診断方法。
【請求項３】
請求項１または請求項２に記載のセンサ診断方法において、前記異常状態は、１つまたは複数のセンサに生じるドリフトにより、センサ出力値が正しい値からずれた状態であることを特徴とするセンサ診断方法。
【請求項４】
請求項１または請求項２に記載のセンサ診断方法において、前記異常状態は、１つまたは複数のセンサ出力値が、センサ診断のために用いる正常データの範囲外にある状態であることを特徴とするセンサ診断方法。
【請求項５】
複数のプロセス値である診断データからセンサの状態を診断するセンサ診断装置において、
あらかじめ設定した正常データを格納する正常状態データベースと、
前記正常データから異常状態のデータ分布を推定して異常データを作成する異常データ作成手段と、
前記異常データ作成手段で作成した前記異常データを格納する異常状態データベースと、
入力された複数の前記診断データが正常であるか異常であるか判定するとともに、前記診断データの状態を判定する類似状態判定手段と、
前記類似状態判定手段で判定した状態を格納する状態履歴データベースと、
前記診断データの状態と過去の診断データの状態に基づき、前記センサの異常の種類を判定する異常種類判定手段とを備えることを特徴とするセンサ診断装置。
【請求項６】
請求項５に記載のセンサ診断装置において、前記プロセス値は、流量，温度，圧力，レベル，振動の変位であることを特徴とするセンサ診断装置。
【請求項７】
請求項５または請求項６に記載のセンサ診断装置において、前記異常状態は、１つまたは複数のセンサに生じるドリフトにより、センサ出力値が正しい値からずれた状態であることを特徴とするセンサ診断装置。
【請求項８】
請求項５または請求項６に記載のセンサ診断装置において、前記異常状態は、１つまたは複数のセンサ出力値が、センサ診断のために用いる正常データの範囲外にある状態であることを特徴とするセンサ診断装置。
【請求項１】
複数のプロセス値である診断データからセンサの状態を診断するセンサ診断方法において、
あらかじめ設定した正常データから異常状態のデータ分布を推定して異常データを作成しておき、入力した複数の前記診断データが前記正常データと前記異常データのいずれの分布に近いか判定するとともに、前記診断データの状態を判定し、前記診断データの状態と過去の診断データの状態に基づき、センサの異常の種類を判定することを特徴とするセンサ診断方法。
【請求項２】
請求項１に記載のセンサ診断方法において、前記プロセス値は、流量，温度，圧力，レベル，振動の変位であることを特徴とするセンサ診断方法。
【請求項３】
請求項１または請求項２に記載のセンサ診断方法において、前記異常状態は、１つまたは複数のセンサに生じるドリフトにより、センサ出力値が正しい値からずれた状態であることを特徴とするセンサ診断方法。
【請求項４】
請求項１または請求項２に記載のセンサ診断方法において、前記異常状態は、１つまたは複数のセンサ出力値が、センサ診断のために用いる正常データの範囲外にある状態であることを特徴とするセンサ診断方法。
【請求項５】
複数のプロセス値である診断データからセンサの状態を診断するセンサ診断装置において、
あらかじめ設定した正常データを格納する正常状態データベースと、
前記正常データから異常状態のデータ分布を推定して異常データを作成する異常データ作成手段と、
前記異常データ作成手段で作成した前記異常データを格納する異常状態データベースと、
入力された複数の前記診断データが正常であるか異常であるか判定するとともに、前記診断データの状態を判定する類似状態判定手段と、
前記類似状態判定手段で判定した状態を格納する状態履歴データベースと、
前記診断データの状態と過去の診断データの状態に基づき、前記センサの異常の種類を判定する異常種類判定手段とを備えることを特徴とするセンサ診断装置。
【請求項６】
請求項５に記載のセンサ診断装置において、前記プロセス値は、流量，温度，圧力，レベル，振動の変位であることを特徴とするセンサ診断装置。
【請求項７】
請求項５または請求項６に記載のセンサ診断装置において、前記異常状態は、１つまたは複数のセンサに生じるドリフトにより、センサ出力値が正しい値からずれた状態であることを特徴とするセンサ診断装置。
【請求項８】
請求項５または請求項６に記載のセンサ診断装置において、前記異常状態は、１つまたは複数のセンサ出力値が、センサ診断のために用いる正常データの範囲外にある状態であることを特徴とするセンサ診断装置。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【公開番号】特開２０１０−２７６３３９（Ｐ２０１０−２７６３３９Ａ）
【公開日】平成２２年１２月９日（２０１０．１２．９）
【国際特許分類】
【出願番号】特願２００９−１２５９５１（Ｐ２００９−１２５９５１）
【出願日】平成２１年５月２６日（２００９．５．２６）
【出願人】（５０７２５０４２７）日立ＧＥニュークリア・エナジー株式会社 (858)
【Ｆターム（参考）】
【公開日】平成２２年１２月９日（２０１０．１２．９）
【国際特許分類】
【出願日】平成２１年５月２６日（２００９．５．２６）
【出願人】（５０７２５０４２７）日立ＧＥニュークリア・エナジー株式会社 (858)
【Ｆターム（参考）】
[ Back to top ]