工厂运转数据监视装置及方法与流程

1.本发明涉及一种工厂运转数据监视装置以及方法，对来自构成工厂的设备的运转数据进行监视，能够早期检测异常的发生。


背景技术：

2.在各种工厂中广泛进行以下动作：对来自构成工厂的设备的运转数据进行监视，早期检测异常的发生
3.这些方法大多是监视运转数据或使用了运转数据的推定数据脱离预定阈值或预定阈值范围来作为异常，或者利用运转数据之间的物理相关性，以相关关系不成立作为异常。
4.作为为此的具体的实现方法的一个例子，已知有专利文献1的“设备的劣化状态判定系统以及设备的劣化状态判定方法”。
5.专利文献1：日本专利第06474564号
6.专利文献1所例示的使用了与其他运转数据的关联性的方法在运转数据间的物理相关性高的情况下可以说是有效的方法。
7.另一方面，对于运转数据间的物理相关性低(物理、工程学上的关联性低)、独立性高(从属性低)的运转数据，由于难以通过与其他运转数据的关联进行判断，所以期望一种仅根据自身运转数据来判断异常或异常的预兆的方法。


技术实现要素：

8.鉴于以上情况，在本发明中，其目的在于提供一种特别适合于以物理相关性低独立性高的运转数据为对象的工厂运转数据监视装置及方法。
9.本发明是一种工厂运转数据监视装置，其由计算机构成，该计算机具备：用于输入工厂的运转数据的输入部；存储所输入的运转数据的数据库；以及执行程序的运算部，运算部将所输入的运转数据按时间序列存储在第一数据库，根据所存储的运转数据的峰值分为正负求出运转数据的斜率，并按时间序列存储在每个正负的第二数据库，针对各个正负的斜率决定用于进行异常判定的阈值，将各个正负的斜率区分为正常值和异常值并追加存储在每个正负的第二数据库。
10.另外，本发明是一种工厂运转数据监视方法，输入工厂的运转数据，使用所输入的运转数据来监视工厂的异常，按时间序列存储所输入的运转数据，根据所存储的运转数据的峰值分为正负求出运转数据的斜率并按时间序列进行存储，针对各个正负的斜率决定用于进行异常判定的阈值，将各个正负的斜率区分为正常值和异常值并按照每个正负进行存储。
11.根据本发明，能够提供一种特别适合于以物理相关性低独立性高的运转数据为对象的工厂运转数据监视装置及方法。
附图说明
12.图1表示作为本发明的具体的应用对象的一例的火力发电厂的设备结构例。
13.图2表示一般的工厂运转数据监视装置的结构例。
14.图3表示所输入的运转数据的时间变化例。
15.图4表示在数据库db中存储的运转数据的加工存储事例(正侧)。
16.图5表示在数据库db中存储的运转数据的加工存储事例(负侧)。
17.图6表示处理程序pg的处理内容。
18.图7表示判别是否保存在斜率为正的数据库dbb 中还是保存在斜率为负的数据库dbb
‑
中的处理内容。
19.图8进一步记述了处理程序pg中特别是处理步骤s4的处理内容。
具体实施方式
20.以下，使用附图对本发明的实施例进行说明。
21.【实施例】
22.图1表示作为本实施例的工厂运转数据监视装置的具体的应用对象的一例的火力发电厂的设备结构例。
23.图1所例示的火力发电厂若大致区分其结构设备，则能够说是由发电机g、涡轮t、锅炉b构成。这些被称为所谓的主机。与此相对，以维持这些主机的功能的目的而设置的设备、设备群被称为辅机，在图的例子中，除了发电机辅机ga、涡轮辅机ta、锅炉辅机ba以外，有时也将冷凝器c、发电机励磁电路g1作为辅机。
24.工厂通常由这样的许多结构设备的组合构成，在本实施例中，着眼于这样的工厂结构设备的运转数据，适当地经由传感器、通信部、输入部等取入计算机内。为此的结构可以是通常公知的结构。
25.图2表示一般的工厂运转数据监视装置的结构例，由计算机构成的工厂运转数据监视装置1从设置在工厂设备2的未图示的传感器适当地经由通信部、输入部等向计算机内取入工厂的运转数据d。此时的运转数据d有时将运转数据间的物理相关性低(物理、工程学上关联性低)的运转数据作为对象，能够与其他运转数据的取入周期无关地设为在任意周期的取入。另外，作为运转数据间的物理相关性低(物理、工程学上关联性低)的独立性高的运转数据，例示了发电机的定子冷却水的电导率、发电机的密封氢浓度、氢纯度、氢压力等。
26.在计算机1内，在内部的数据库db中按时间序列存储运转数据d。在该情况下，初始阶段的存储形式如数据库dba所例示的那样，至少将数据采集时刻和运转数据的名称、值相互关联起来按时间序列进行存储。
27.另外，在计算机1内保存有对所输入的运转数据d进行处理的处理顺序即处理程序pg，按照处理程序pg对取入的运转数据逐次执行处理。
28.在图6所例示的对运转数据进行处理的处理顺序即处理程序pg中，将按时间序列存储的运转数据加工成按斜率进行评价的运转数据，变更存储形式来重新存储。
29.图3表示所输入的运转数据d的时间变化例。图3的上部在纵轴表示运转数据d的大小，在横轴表示时间，是表示了在偶数编号的时刻t0、t2、t4
……
转为增加，在奇数编号的时刻t1、t3、t5
……
转为减少的趋势的事例。在此，到达各时刻的上下的峰值在图3的前半部分
(从时刻t0到时刻t8)由a1到a4表示，在后半部分(从时刻t9到时刻t17)由b1到b4表示。另外，在此为了区分各峰值的目的，对各峰值冠以通称。这些是上峰值a1、a、a3、下峰值a1、a、a3的情况。
30.在本实施例中，关于按时间序列存储在数据库dba的运转数据d，着眼于该数据是图3上部所例示那样的按时间序列反复增减的运转数据d这一点。在图3下部例示了运转数据d的增减在各时间段内的变化率(在图示中标记为斜率)。另外，在此设为前半部分(从时刻t0到时刻t8)的期间表示正常时的变动期间，该正常期间的增加变化率dn1和减少变化率dn2分别表示预定的固定值或预定的一定幅度内的值。
31.与此相对，后半部分的期间(从时刻t9到时刻t17)意味着异常时的变动期间，该异常期间的增加变化率da1和减少变化率da2一般可以成为不约束为正常值的任意的值。在图示的例子中，如t8～t9间的例子所示，异常时的增加变化率da1成为与正常期间的增加变化率dn1相比非常大的值，或者如t10～t11间的例子所示，异常时的增加变化率da1成为与正常期间的增加变化率dn1相比非常小的值。另外，同样地在图示的例子中，如t11
‑
t12间的例子所示，异常时的减少变化率da2成为与正常期间的减少变化率dn2相比非常大的值，或者如t9～t10之间的例子所示，异常时的减少变化率da2成为与正常期间的减少变化率dn2相比非常小的值。能够认为这些增减方向的变化率的变动都表示出能够预知、类推工厂结构设备中的某些异常的倾向。
32.在图6的处理程序pg中，从斜率的观点对存储在数据库dba中的时间序列的运转数据d进行评价和加工，从而变更为数据库dbb的存储形式。在计算机1内部的运算部对处理程序pg进行处理。
33.在图2的计算机1内部的数据库db中的dba中首先与数据采集时刻信息一起存储运转数据d。与此相对，处理步骤s1中的加工后的存储信息包含运转数据的斜率的信息，根据需要适当地评价其斜率，然后按照正常时的运转数据和异常时的运转数据进行划分以及划分存储区域，适当地进行加工整理并存储。
34.图4、图5表示存储在数据库dbb中的运转数据d的加工存储事例。图4和图5表示了将处理的运转数据d分为斜率为正(增加变化率da1和dn1)时的数据组和斜率为负(减少变化率da2和dn2)时的数据组，划分数据库db的区域进行了存储。在这些图中，存储的数据包含峰值通称d11、运转数据的值d12、斜率d13、判定结果(异常、正常的区分)d14。另外，这些数据也可以适当地包含时刻信息。
35.在图6的处理中，在处理步骤s1中使用关注的1个运转数据d的时间序列，检测连续的极大值和极小值的重复。对于该连续的极大值和极小值的组合，在以后的处理中依次计算并存储成为上下峰值(极大值、极小值)的时刻、值以及该期间的增减方向的斜率。
36.在处理步骤s2中，依次调取连续的上下峰值来作为一组，在处理步骤s3中根据该期间的时间和峰值的差来计算斜率。另外，在处理步骤s4中，使用过去计算出的很多斜率的数据和从此导出的阈值来判别本次计算出的斜率是正常时的斜率还是异常时的斜率，对每个斜率进行判别结果的标记。并且，如果被标记了判别结果的斜率数据各自的斜率为正，则保存在图4的斜率正的数据库dbb 中，如果斜率为负，则保存在图5的斜率负的数据库dbb
‑
中。
37.对于特定的运转数据的全部连续的极大值和极小值的组合依次执行这些处理。另
外，也对其他的运转数据逐次执行这些处理。这样，作为图4、图5所例示的加工后的斜率数据，依次扩展并形成数据库dbb。
38.图7例示了处理程序pg中特别是对存储在斜率正的数据库dbb 中还是存储在斜率负的数据库dbb
‑
中进行判别的处理部分的具体结构例。在该处理中，在处理步骤s10中，判别所取出的连续的上下峰值的组是按照上峰值、下峰值的顺序产生，还是相反地按照下峰值、上峰值的顺序产生。基于该判别结果，在处理步骤s11中将前者存储在斜率负的数据库dbb
‑
中，将后者存储在斜率正的数据库dbb 中。
39.图8更具体地记述了处理程序pg中特别是处理步骤s4的处理内容。在此，在识别为正常值和异常值时，进行与用于识别正常值和异常值的阈值设定相关的处理。另外在该阈值的设定方法中考虑了几个方法，在此表示其一例。
40.首先，在处理步骤s21的处理阶段，设为图4、图5的峰值一览表直到斜率d13为止形成了峰值通称d11、运转数据的值d12、斜率d13的数据，没有存储有关各个峰值的判定结果(异常、正常的区分)d14。在处理步骤s21中，例如着眼于图4的斜率正峰值。另外，在该一系列处理结束后，着眼于图5的斜率负峰值。
41.在处理步骤s22中，在图4的斜率正峰值所包含的多个斜率中例如着眼于表示从平均值离散的值的斜率。并且，根据离散程度，例如将表示大20％左右以上的值的斜率、表示小20％左右的值的斜率判断为明显的异常值，将从平均值偏离正负20％设定为异常判定的阈值。在该阈值决定中能够使用各种概率论、统计学的方法。例如，也可以将标准偏差σ作为基准来设定阈值，也可以取标准偏差σ的4倍将正负4σ设定为异常判定的阈值。
42.在上述说明中，叙述了用于判定异常的阈值设定的想法，但同样地，理所当然能够根据排除了异常数据的正常数据的数据组来设定用于识别正常值的阈值。另外，也能够根据明显的异常数据来导出阈值。另外，关于工厂数据的异常发生，有时瞬间大幅变化，但通常大多表示出随着时间经过异常程度发展的预兆倾向。如果考虑表示出预兆倾向的情况，则阈值不是设为1级，而是设定多级，设定为能够看到直至异常为止的预兆阶段。
43.在图3的下部所示的运转数据的斜率中，标记了正常时的值dn1、dn2和异常时的值da1、da2。并且，关于用于识别异常时的值da1、da2的阈值，表示了按照每个斜率的正、负相对于斜率的上限阈值和下限阈值，设定为各3级的阈值。因此，在确认了表示出在超过了第一级阈值后超过更大阈值的第二级阈值的时间倾向时，是异常不断发展的状况，能够掌握为异常的预兆。
44.在处理步骤s23中，基于所设定的阈值，对于正常、异常的判定标志d14未设定的斜率数据进行评价。在处理步骤s24中，特别是对于设为异常的斜率数据标记异常或异常预知阶段，构建图4、图5的数据库。然后，对图5的斜率负峰值执行同样的处理。
45.根据上述一连串的处理，针对斜率为正和斜率为负分别形成数据库，并且对各个数据组按照斜率为正和斜率为负单独决定不同值的阈值，决定异常、异常预兆水平，并进行数据分类。另外，样本数越是增加，越能够高精度地进行异常、正常的阈值设定，因此可以以适当的周期反复执行图8的处理。
46.根据本实施例，例如关于发电机定子冷却水的导电度是运转数据的情况，能够单独地监视正的斜率超过下限的情况和负的斜率超过上限的情况。另外，在前者的情况下，作为导电度的斜率超过下限的原因，可以设想离子交换树脂的劣化、经过离子交换树脂的线
路的堵塞、定子冷却水线路的回水部部件的离子化等，在后者的情况下，作为导电度的斜率超过上限的原因，可以想到离子交换树脂的过度添加(过剩投入)、不通过离子交换树脂的线路的堵塞等。
47.并且，例如关于密封在发电机中的氢气的纯度，在正的斜率超过下限的情况下，有可能氢气干燥器的硅胶劣化。另外，关于氢气纯度，在斜率为正时和为负时，各有2个(上下限)阈值的情况下，在正斜率超过下限的情况下，有可能氢气干燥器的硅胶劣化，在正斜率超过上限的情况下，有可能氢气干燥器内的加热器的热或鼓风机的风为比通常过剩的异常状态。另外，通常这些发生事项中的阈值不同，因此还能够有助于确定异常预兆的发生原因。
48.根据以上详细叙述的实施例，对于工厂结构设备的运转数据检测上下限峰值，计算其斜率(正/负)，对该斜率进行过程监视，由此能够执行可靠性高的设备劣化和/或异常预兆和/或异常的检测。结果，能够期待工厂结构设备的可靠性提高，有助于工厂结构设备的预防维护。
49.另外，通过区分斜率为正的情况和斜率为负的情况来进行异常判定，能够在斜率为正的情况和为负的情况下分别设定适当的阈值。具体而言，能够设定斜率为正时的上限值以及下限值、斜率为负时的上限值以及下限值。而且，也可以将各上限值和下限值设置为多个等级。并且，在斜率为正的情况以及为负的情况下，能够通过上限值和下限值检测分别不同的异常预兆、异常。例如，能够通过下限检测与通过正斜率时的上限可检测出的异常预兆、异常不同的现象。
50.附图标记说明
51.1：工厂运转数据监视装置(计算机)
52.2：工厂设备
53.g：发电机
54.t：涡轮
55.b：锅炉
56.ga：发电机辅机ta：涡轮辅机
57.ba：锅炉辅机
58.c：冷凝器
59.g1：发电机励磁电路。