[go: up one dir, main page]

CN108475053A - 成套设备异常监视方法及用于监视成套设备异常的计算机程序 - Google Patents

成套设备异常监视方法及用于监视成套设备异常的计算机程序 Download PDF

Info

Publication number
CN108475053A
CN108475053A CN201680076395.0A CN201680076395A CN108475053A CN 108475053 A CN108475053 A CN 108475053A CN 201680076395 A CN201680076395 A CN 201680076395A CN 108475053 A CN108475053 A CN 108475053A
Authority
CN
China
Prior art keywords
data
reference data
value
plant
measurement data
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.)
Pending
Application number
CN201680076395.0A
Other languages
English (en)
Inventor
榎本雅幸
藤原继
藤原一继
横尾笃志
小仓幸弘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kawasaki Motors Ltd
Original Assignee
Kawasaki Jukogyo KK
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 Kawasaki Jukogyo KK filed Critical Kawasaki Jukogyo KK
Publication of CN108475053A publication Critical patent/CN108475053A/zh
Pending legal-status Critical Current

Links

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
    • G05B23/0243—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
    • G05B23/0254—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 quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • G05B23/0224—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

为了提供即使在成套设备的状态因维护等而变化的情况下，也能准确地检测出其状态变化，基于检测出的状态变化，在必要的情况下，适当地更新基准数据，可时常进行高精度的异常监视的异常监视方法及用于监视成套设备异常的计算机程序，在本发明中，计算基准数据及收集的计测数据的集合体的马氏距离，关于计算出的马氏距离，每固定周期计算基准期间中的基准数据及最新的固定期间中的计测数据的各自的分散值并进行比较，当该比较结果超过作为阈值的判定基准时，更新基准数据。

Description

成套设备异常监视方法及用于监视成套设备异常的计算机 程序
技术领域
本发明涉及使用马氏距离监视成套设备的运转状态的成套设备异常监视方法及用于监视成套设备异常的计算机程序，尤其涉及是否更新处理成套设备异常监视方法中的基准数据的判定处理。
背景技术
对于成套设备的运转状态，检测出成套设备中的各种设备/机器中产生的温度、压力、振动等多种因素的状态量，基于这些检测出的状态量判定成套设备是否正常运转。近年来，提出了对如此地检测出的多种状态量进行解析，使用马氏距离监视成套设备的运转状态中的异常的方法。
例如，专利文献1中公开了如下的技术：使用马氏距离，根据全年的季节变动等区分使用多个基准空间(单位空间)，由此，监视制冷循环装置的运转状态的技术。另外，专利文献2中公开了如下的方法：即使额定负载时和运转状态不同的启动时，以及因机器的经年劣化导致可允许的水平的性能降低时，判定该成套设备是否正常运转的成套设备状态监视方法。专利文献2中公开的成套设备状态监视方法中，制作成为判定的基准的固定期间的数据的集合体即单位空间，根据该单位空间求出马氏距离，根据比较求出的马氏距离与规定的阈值，进行成套设备状态是否正常的判定。
现有技术文献
专利文献
专利文献1：日本特开2005-207644号公报
专利文献2：日本特开2012-067757号公报
发明内容
发明要解决的问题
使用马氏距离的现有的成套设备异常监视方法中，如上所述地根据固定期间的正常的数据构成成为判定基准的正常的分布(单位空间)，通过马氏距离周期性地计算从该单位空间的偏离度，通过比较计算出的马氏距离与规定的阈值，进行成套设备的异常监视。
然而，基于马氏距离的现有的成套设备异常监视中，即使在成套设备的状态因维护等而变化的情况下，基于状态变化前的基准数据(包括单位空间、规定的阈值等)进行判定时，存在成套设备的异常检测出的灵敏度的降低、即正常/异常的错误检测出的隐患，存在难以继续进行精度高的异常监视的问题。另外，专利文献2中的现有的成套设备状态监视方法中，基于过去的固定期间周期性地自动更新基准数据，周期性地自动更新的监视方法中，当基于异常时的数据更新基准数据时，可能导致异常检测的灵敏度的降低。
其在成套设备的异常监视的领域中最重要课题是提供一种如下的异常监视方法：能准确地检测出成套设备中的监视对象即设备/机器的状态变化，在必要的情况下，适当地更新基准数据，可时常进行高精度的异常监视。
本发明的目的在于提供一种如下的异常监视方法及用于监视成套设备异常的计算机程序：该方法和计算机程序即使在成套设备的状态因维护等而变化的情况下，也能准确地检测出其状态变化，基于检测出的状态变化，在必要的情况下，适当地更新基准数据，可时常进行高精度的异常监视。
用于解决问题的方案
本发明的成套设备异常监视方法包括以下步骤：
根据来自成套设备的基准期间中的监视对象的基准数据，形成作为用于判定所述成套设备的运转状态的基准的单位空间；
收集来自所述成套设备的运转状态中的监视对象的计测数据；
基于形成的单位空间，计算所述基准数据及收集的计测数据的集合体的马氏距离；
每固定周期计算与计算出的马氏距离相关的、所述基准期间中的所述基准数据及最新的固定期间中的计测数据的各自的分散值并进行比较；以及
当所述基准期间中的所述基准数据的分散值相对于所述最新的固定期间中的计测数据的分散值的比率，超过作为阈值的判定基准值时，更新所述基准数据。
本发明的用于监视成套设备异常的计算机程序具备如下进程：
根据来自成套设备的基准期间中的监视对象的基准数据，形成作为用于判定所述成套设备的运转状态的基准的单位空间；
收集来自所述成套设备的运转状态中的监视对象的计测数据；
基于形成的单位空间，计算所述基准数据及收集的计测数据的集合体的马氏距离；
每固定周期计算与计算出的马氏距离相关的、所述基准期间中的所述基准数据及最新的固定期间中的计测数据的各自的分散值并进行比较；以及
当所述基准期间中的所述基准数据的分散值相对于所述最新的固定期间中的计测数据的分散值的比率，超过作为阈值的判定基准值时，更新所述基准数据。
发明效果
根据本发明，即使在成套设备的状态因维护等而变化的情况下，也能准确地检测出其状态变化，基于检测出的状态变化，在必要的情况下，适当地更新基准数据，可时常进行对成套设备的高精度的异常监视。
附图说明
图1是示意性地示出本发明的第一实施方式中的监视燃气轮机发电成套设备的异常监视装置的构成的框图。
图2是概念性地示出异常监视方法中的问题点及其解决方法的图。
图3是示出计测数据正在上升的异常倾向时的状态的图表。
图4是概念性地示出对图3中示出的计测数据进行了低频成分的除去处理后的计测数据的示例的图。
图5是示出计算出的马氏距离增大时的具体的三个模式的马氏距离数据的图。
图6是示出计算具体的马氏距离中的差分值的流程的图。
图7是第一实施方式的异常监视方法中的基准数据的更新方法的流程图。
图8是示意性地示出第一实施方式的异常监视方法中的马氏距离的增大判定方法及马氏距离的差分值的判定方法的图。
图9是示意性地示出第一实施方式的异常监视方法中的采用低频成分的除去处理的信号处理方法及分散比较方法的图。
具体实施方式
以下，基于附图对本发明的实施方式进行详细说明。需要说明的是，在参照附图对本发明的实施方式进行详细说明前，对本发明的各种方式进行说明。
本发明的第一方式的成套设备异常监视方法包括：
根据来自所述成套设备的基准期间中的监视对象的基准数据，形成用于判定成套设备的运转状态的基准的单位空间的步骤；
收集来自所述成套设备的运转状态中的监视对象的计测数据的步骤；
基于形成的单位空间，计算所述基准数据及收集的计测数据的集合体的马氏距离的步骤；
每固定周期计算与计算出的马氏距离相关的、所述基准期间中的所述基准数据及最新的固定期间中的计测数据的各自的分散值并进行比较的步骤；以及
当所述基准期间中的所述基准数据的分散值相对于所述最新的固定期间中的计测数据的分散值的比率，超过作为阈值的判定基准值时，更新所述基准数据的步骤。
在这样的第一方式的成套设备异常监视方法中，即使在成套设备的状态因维护等而变化的情况下，也能准确地检测出其状态变化，适当地更新基准数据，可时常进行对成套设备的精度高的异常监视。
本发明的第二方式的成套设备异常监视方法为，在第一方式中的在每固定周期计算所述基准数据及所述计测数据的分散值并进行比较的步骤中，
对所述基准数据及所述计测数据执行除去低频成分的处理，然后每固定周期计算该基准数据及该计测数据的分散值并进行比较。
在这样的第二方式的成套设备异常监视方法中，可防止异常倾向时错误判定为分散值增加、执行基准数据的不期望的更新处理。
本发明的第三方式的成套设备异常监视方法为，在所述的第一方式或第二方式中，进一步包括：
当计算出的马氏距离超过作为阈值的基准值时，计算包含超过所述基准值的马氏距离的固定期间的马氏距离组中的固定宽度的马氏距离之间的差分值的步骤；以及
当计算出的差分值超过作为阈值的设定值时，通知所述基准数据的更新处理的必要性高的步骤。
这样的第三方式的成套设备异常监视方法中，即使在成套设备的状态因维护等而变化的情况下，也可以使用差分值检测出其状态变化，基于检测出的状态变化，通知基准数据的更新处理的必要性高，可时常进行对成套设备的高精度的异常监视。
本发明的第四方式的用于监视成套设备异常的计算机程序具备：
根据来自所述成套设备的基准期间中的监视对象的基准数据，形成用于判定成套设备的运转状态的基准的单位空间的进程；
收集来自所述成套设备的运转状态中的监视对象的计测数据的进程；
基于形成的单位空间，计算所述基准数据及收集的计测数据的集合体的马氏距离的进程；
每固定周期计算与计算出的马氏距离相关的、所述基准期间中的所述基准数据及最新的固定期间中的计测数据的各自的分散值并进行比较的进程；以及
当所述基准期间中的所述基准数据的分散值相对于所述最新的固定期间中的计测数据的分散值的比率，超过作为阈值的判定基准值时，更新所述基准数据的进程。
通过使用这样的第四方式的用于监视成套设备异常的计算机程序，即使在成套设备的状态因维护等而变化的情况下，也能准确地检测出其状态变化，适当地更新基准数据，可时常进行对成套设备的精度高的异常监视。
本发明的第五方式的用于监视成套设备异常的计算机程序为，在第四方式中的在每固定周期计算所述基准数据及所述计测数据的分散值并进行比较的进程中，
对所述基准数据及所述计测数据执行除去低频成分的处理，然后每固定周期计算该基准数据及该计测数据的分散值并进行比较。
通过使用这样的第五方式的用于监视成套设备异常的计算机程序，能防止异常倾向时错误判定为分散值增加，执行基准数据的不期望的更新处理。
本发明的第六方式的用于监视成套设备异常的计算机程序为，在第四方式或第五方式中，包括：
当在计算出的马氏距离超过作为阈值的基准值时，计算包含超过所述基准值的马氏距离的固定期间的马氏距离组中的固定宽度的马氏距离之间的差分值的进程以；及
当计算出的差分值超过作为阈值的设定值时，通知所述基准数据的更新处理的必要性高的进程。
通过使用这样的第六方式的用于监视成套设备异常的计算机程序，即使在成套设备的状态因维护等而变化的情况下，也能够使用差分值检测出其状态变化，基于检测出的状态变化，通知基准数据的更新处理的必要性高，时常进行对成套设备的精度高的异常监视。
以下的实施方式中，对使用了工业用燃气轮机的发电成套设备的异常监视方法等进行说明，但本发明不限定于燃气轮机发电成套设备，也可以在各种成套设备、例如，包括其它发电成套设备的能量成套设备、制造成套设备、化学成套设备等中适用。需要说明的是，以下说明的实施方式都示出本发明的一例。在以下的实施方式中示出的数值、形状、构成、步骤、及步骤的顺序等示出一例，不限定本发明。以下的实施方式中的构成要素中，对示出最上位概念的独立权利要求中未记载的构成要素以任意的构成要素的形式说明。
《第一实施方式》
以下，参照附图对本发明的第一实施方式中的成套设备异常监视装置及其异常监视方法进行说明。第一实施方式中的基于马氏距离的成套设备异常监视装置及其异常监视方法是适用于使用了工业用燃气轮机的发电成套设备的示例。
图1是示意性地示出监视燃气轮机发电成套设备1的异常监视装置10的构成的框图。图1中，燃气轮机发电成套设备1具有通常的发电成套设备的各设备，作为燃气轮机具备汽轮机6、压缩机7、燃焼室8及发电机9等主要的机器。
第一实施方式的异常监视装置10持续性地监视燃气轮机发电成套设备1的运转中的动作。对于异常监视装置10，作为状态量依次发送来自燃气轮机发电成套设备1中的监视对象即各设备/机器的各种计测数据。例如，燃气轮机的各设备/机器中的各因素的位置、温度、压力及振动等各种计测数据作为状态量来输入到异常监视装置10。
例如，异常监视装置10为，将来自燃气轮机的各机器的多个状态量输入到控制部2，通过后述的异常监视方法处理，检测燃气轮机发电成套设备1中的异常状态的构成。控制部2是由例如微处理器、ROM、RAM、硬盘单元、显示单元、键盘、鼠标等构成的计算机系统。所述RAM或硬盘单元中存储有本实施方式中的异常监视方法的计算机程序。
并且，异常监视装置10具备储存各种数据的存储部5、能显示各种数据的显示部4、以及使用者用于向控制部2等发送各种指令的操作部3。操作部3被配置为，设置用于输入各种指令的输入机构，输入的各种指令能够在显示部4中显示。
(异常监视方法)
其次，对使用了如上所述地构成的第一实施方式中的异常监视装置10的异常监视方法进行说明。异常监视装置10中，基于从燃气轮机发电成套设备1的正常运转时的各设备/机器中的数据(基准数据)中得到的状态量，制作马氏的单位空间。该单位空间为，作为用于判定燃气轮机发电成套设备1的运转状态是否正常的运转的基准的数据的集合体。作为燃气轮机发电成套设备1中的状态量，包含压缩机7的吸入空气温度、发电机9的输出、燃气轮机的输出轴即主轴的振动等燃气轮机中的各部的温度、压力、振动、旋转速度等与各种机器相关的多种状态量。
在基于马氏距离的成套设备异常监视方法中，由基准数据形成正常的空间(单位空间)，计算马氏距离作为最新的计测数据相对于该单位空间的偏离度的指标。计算出的马氏距离越大，则判定为作为监视对象的燃气轮机发电成套设备的设备的异常度越高。
然而，如上所述的使用来自由基准数据形成的单位空间的马氏距离、并监视设备的异常的方法中，具有如下所述的问题。
例如，当通过成套设备的维护等对设备的一部分进行修理、或交换，成套设备状态变化时，将根据基准数据制作的单位空间直接作为马氏距离的对象时，存在作为监视对象的设备/机器即使正常，也检测出设备/机器异常，或相反地，即使设备/机器发生异常，也不能识别出异常的大的问题的隐患。
图2是概念性地示出上述的问题及其解决方法的图。图2的(a)的上下两个图概念性地示出基于状态变化前的基准数据计算马氏距离的情况下的问题。图2的(a)中，上图表示出计测数据(状态量)的时间的变化，下图表概念性地示出基于纵轴及横轴中所示的2个计测数据(状态量)计算马氏距离的单位空间。
图2的(a)的上图表所示的计测数据(信号值)由于维护等振幅变小，但信号值缓慢地上升，示出成为异常倾向。图2的(a)所示的现有的异常监视方法中，将计测数据的振幅变小前(状态变化前)的固定期间作为基准期间，通过其基准期间的基准数据形成单位空间。因此，形成的单位空间相对于计测数据的振幅变小时的状态，成为过度扩大的单位空间。其结果，计测数据的振幅变小的状态变化后，即使实际的计测数据(信号值)为异常值，用于计算马氏距离的单位空间大，因此，马氏距离不成为大的值，成为不判定为异常值的状态。
如上所述，异常检测出的灵敏度的降低的主要原因是：由于维护等导致计测数据的分散变化，数据的偏差变小时，如果继续使用分散变化前的基准数据，则单位空间相对于分散变化后的正常状态成为过度扩大的状态，其结果，导致异常检测出的灵敏度降低的大问题。
图2的(b)中，上图表示出计测数据(状态量)的时间的变化，将状态变化后的固定期间设定为基准期间，将该状态变化后的基准期间中的计测数据设为基准数据，示出形成了空间单位的情况。图2的(b)的下图表示出基于纵轴和横轴所示的2个计测数据(状态量)计算马氏距离的单位空间。图2的(b)所示的单位空间(实线的椭圆)与图2的(a)所示的单位空间(图2的(b)中的虚线的椭圆)相比更小。因此，状态变化后的计测数据中的异常检测出时数据成为准确地从单位空间偏离的状态。
在使用了本发明的第一实施方式的异常监视装置10的异常监视方法中，解决了图2的(a)中示出的问题，如图2的(b)所示，针对计测数据，适当地更新基准数据，计算作为从单位空间的偏离度的指标的马氏距离，能准确地检测出设备的异常。
在使用了本发明的第一实施方式的异常监视装置10的异常监视方法中，比较基准数据的分散值和由最新的固定期间的计测数据求出的分散值，根据该比较结果更新基准数据。
另外，在使用了本发明的第一实施方式的异常监视装置10的异常监视方法中，当根据计测数据计算出的马氏距离增大时，对于固定期间的马氏距离组，根据通过固定的节宽(固定宽度)计算出的差分值的大小判定马氏距离的增大倾向，根据其结果更新基准数据。
(对计测数据的低频成分除去处理)
以下，对异常监视方法中，对如上所述地进行基准数据的更新的判定的更新方法进行说明。判定进行基准数据的更新情况下，当规定的判定期间的计测数据正在上升时，存在误认为该判定期间的计测数据的分散值增大的情况。
图3是示意性地示出计测数据正在上升的异常倾向时的状态的图表。图3的计测数据的图表示出：与左侧所示的规定的基准期间A内的计测数据的分散值相比，右侧所示的规定的判定期间B内正在上升的计测数据的分散值更大的情况。如上所述，当比较判定期间B的计测数据的分散值和基准数据A的分散值，根据该比较结果更新基准数据而构成的情况下，如图3所示，识别到判定期间B中分散值大幅变化的情况下，例如识别到判定期间B中的分散值大于预设的阈值而变化的情况下，作为基准数据，将基准期间A的基准数据更新为判定期间B中的计测数据即评价数据，通过该更新的基准数据形成单位空间。如此地通过更新的基准数据形成单位空间的情况下，单位空间扩大，马氏距离尽管在异常倾向时也减少的、不期望的基准数据的更新进行。
为了防止如上所述的、不期望的基准数据的更新，在本实施方式中，对计测数据事先进行除去低频成分的高通滤波(HPF)处理。图4概念性地示出对图3中示出的计测数据进行了低频成分的除去(HPF)处理后的计测数据的示例。即使在图4的(a)所示那样的异常倾向数据的情况下，通过进行低频成分的除去处理，在判定期间B中起因于上升的计测数据引起的分散值的变化消失，防止上升的计测数据中的分散值导致的基准数据的不需要的更新。其结果，即使分散值起因于上升的计测数据而大幅变化是，通过基于以前的基准期间A的基准数据形成的单位空间，计算与判定期间B中的计测数据(状态量)相关的适宜的马氏距离，可进行精度高的分散值比较。
(采用马氏距离的判定)
如上所述，当由于成套设备中的设备/机器的状态变化，计测数据(检测出信号：状态量)大幅变化时，对单位空间的马氏距离增大。例如，当由于维护等将设备/机器的一部分交换，状态大幅变化的情况下，马氏距离突发地大幅变化。如此地，当不是因成套设备的设备异常导致的马氏距离的增大的情况下，需要设定重新定义状态变化后的正常的单位空间的基准数据，基于正常的单位空间计算马氏距离。相反地，由成套设备的设备异常导致马氏距离的增大的情况下，需要紧急向使用者通知设备异常。
图5示出计算出的马氏距离增大时的具体的三个模式的马氏距离数据。三个模式中的任一马氏距离数据都示出超过预设的阈值(图5中用虚线表示的基准值F)的状态。
图5的(a)所示的模式1示出计算出的马氏距离数据缓慢地上升、超过阈值的状态。图5的(b)所示的模式2中，计算出的马氏距离数据急剧上升，直接保持超过阈值的状态。图5的(c)所示的模式3示出计算出的马氏距离数据急剧变化、振幅变大、振幅的最大值超过阈值的状态。
图5所示的三个模式1、2、3中，计算从马氏距离超过阈值的时刻追溯到规定期间的时刻为止的固定期间(提取期间C)中的马氏距离的差分值，判定该成套设备是否异常倾向、或者是否需要基准数据的更新。通过使用提取期间C中的包含多个马氏距离的马氏距离组中保持固定节宽(固定宽度)的马氏距离(MD值)间的差分值，至少能识别模式1的马氏距离数据和模式2、3的马氏距离数据。
需要说明的是，作为提取期间C，也可以设为马氏距离的每单位时间的移动平均值从超过阈值的时刻追溯到规定期间的时刻为止的固定期间。或者，作为提取期间C，也可以设为从马氏距离超过阈值的时刻经过固定时间后、从该固定时间经过后的时刻追溯到规定期间的时刻为止的固定期间。
图6是示出计算具体的马氏距离中的差分值的流程的图。图6的(a)示出从马氏距离(MD值)超过预设的阈值(基准值F)的时刻追溯到固定期间的时刻为止的提取期间C内提取多个马氏距离。需要说明的是，预设相比提取期间C短的计算期间，该计算期间中的马氏距离的移动平均值也可以是，提取从超过预设的阈值的时刻追溯到固定期间的时刻为止的提取期间C中的多个马氏距离。
如图6的(b)中所示，计算提取期间C中提取的马氏距离组中的固定节宽的马氏距离(MD值)间的差分值。当计算出的差分值大于规定的阈值(设定值E)的情况下，以异常监视装置10的显示部显示基准数据的更新处理的必要性高的方式进行通知(图6的(c))。
如图6的流程中所示，通过计算提取期间C中的固定节宽的马氏距离(MD值)间的差分值，当在所述的图5的(a)所示的模式1的情况下，马氏距离的差分值小，直接保持采用以前的基准数据的单位空间。其结果，模式1的计算出的马氏距离超过阈值(基准值F)，因此假设该成套设备处于异常倾向。
另一方面，当图5的(b)、(c)所示的模式2、3的情况下，马氏距离的差分值大，认为起因于该成套设备的维护等，因此，在显示部4显示需要基准数据的更新处理的可能性高。
(与基准数据相关的是否更新处理的判定方法)
以下，更具体地说明第一实施方式的异常监视方法中的基准数据是否更新处理的判定方法。
图7是第一实施方式的异常监视方法中的基准数据是否更新处理的判定方法的流程图。在实施方式1中的异常监视装置10中，依次收集并输入来自作为燃气轮机发电成套设备1中的监视对象的各设备/机器的各种计测数据。在异常监视装置10中，收集要依次输入的计测数据(状态量)，储存于存储部4，同时计算马氏距离(MD值)(S101)。
在步骤S102中，判定马氏距离是否超过阈值(基准值F)。当马氏距离超过基准值F的情况下，计算从马氏距离超过基准值F的时刻追溯到固定期间的时刻为止的提取期间C中的马氏距离组的具有固定节宽的马氏距离(MD值)间的差分值di(i＝1，2，3，···，n)，提取该最大差分值d max。在步骤S103中，判定提取的最大差分值d max是否超过作为阈值的设定值G(最大差分值d max>设定值G)。当最大差分值d max超过设定值G的情况下，基准数据的更新处理的必要的可能性高，因此显示部4显示是否更新基准数据的判定结果(S104)。
另一方面，在步骤S103中，当在最大差分值d max不超过设定值G的情况下，不需要更新基准数据，因此，继续通过基于采用原来的基准数据的单位空间的马氏距离对各设备/机器进行异常监视，基于计算出的马氏距离进行异常监视(S101)。
在步骤S102中，当马氏距离不超过基准值F的情况下，转移至步骤S105。在步骤S105中，对基准数据及最新的计测数据进行低频成分的除去处理(HPF处理)。通过如此地进行HPF处理，如上所述地排除由马氏距离中的分散值扩大的错误认识导致的不需要的基准数据更新处理。
在步骤S106中，对经HPF处理的对象数据重新计算马氏距离(MD值)，计算基准期间A中的基准数据的马氏距离的分散值V1、和每固定周期进行的判定期间B中的最新的计测数据的马氏距离的分散值V2。其结果，当判定期间B中的马氏距离的分散值V2比基准数据的马氏距离的分散值V1小，分散值V1相对于分散值V2的比率(V1/V2)大于预设的判定基准值H的情况时、即V1>V2、V1/V2>判定基准值H时，判定为步骤S101中计算出的马氏距离中的分散的变化大。
如上所述，当在步骤S106中判定为马氏距离中的分散的变化大的情况下，在步骤S107中，进行基准数据的更新处理。需要说明的是，在步骤107中，可以自动进行基准数据的更新处理，但也可以配置为对使用者通知需要基准数据的更新处理。在进行基准数据的更新处理的情况下，也可以将判定期间B作为新的基准期间更新基准数据。或者也可以重新设定成套设备的正常时的基准期间，将该数据作为基准数据进行更新处理。以后，在进行了上述的基准数据的更新处理的异常监视方法中个，发电成套设备的异常监视继续，基于更新的基准数据形成单位空间，通过该单位空间计算马氏距离。
另一方面，当在步骤S106中，判定为马氏距离中的分散的变化不大时，直接保持基准数据，通过以前的单位空间继续计算马氏距离(S101)。
(步骤S102至S104的处理)
以下，对在上述的第一实施方式的异常监视方法中的基准数据是否更新处理的判定方法中，图7中示出的流程图的步骤S102至步骤S104中进行的马氏距离的增大判定方法、及马氏距离的差分值的判定方法进行具体说明。
图8是示意性地示出步骤S102至步骤S104中的马氏距离的增大判定方法及马氏距离的差分值的判定方法的说明图。图8的(a)示出步骤S101中计算出的马氏距离增大、超过作为阈值的基准值F。即，示出监视对象的设备/机器的异常度变高。图8的(a)所示的状況中，提取从马氏距离超过基准值F的时刻追溯到固定期间的时刻为止的提取期间C中的马氏距离组(参照图8的(b))。
计算提取的马氏距离组中的多个马氏距离中具有固定节宽(固定宽度)的马氏距离之间的差分值di(i＝1，···，n)，从该计算出的差分值di中提取最大差分值dmax。对提取的最大差分值dmax判定是否超过预设的设定值G(参照图8的(c))。当最大差分值dmax超过设定值G的情况下，即便马氏距离超过基准值F的情况下，也可能是非成套设备的设备异常，而是例如由于维护等设备的一部分的变更等所引起的情况。因此，以控制部2对使用者通知基准数据更新的必要的可能性高的方式将其主旨显示于显示部4。作为通知基准数据更新的必要的可能性高的方法，除在显示部4上显示以外，还可以设为通过声音、和/或光通知的构成。
(步骤S105至步骤S107的处理)
其次，对所述的图7中示出的流程图中，步骤S105至步骤S107中示出的基准数据与最新的计测数据的分散值比较处理进行说明。
图9是示意性地示出采用低频成分的除去处理即高通滤波(HPF)处理的信号处理方法、及分散比较方法。
如图9的(a)中所示，采用对计测数据除去低频成分的HPF进行信号处理，防止马氏距离中的因不期望的分散值扩大导致的基准数据更新处理。更具体而言，对计测基准数据、及从最新的计测数据追溯到固定期间的时刻为止的判定期间B中的计测数据，分别采用HPF进行信号处理，形成采用HPF进行了信号处理后的基准数据及判定期间B中的最新的计测数据。
其次，如图9的(b)所示，对采用HPF进行了信号处理后的基准数据及判定期间B中的最新的计测数据计算马氏距离，计算各自的分散值。
使用计算的分散值，计算检验统计量(V1/V2、V1>V2)，进行与预先确定的判定基准值H的大小比较(参照图9的(c))。
如上所述，当在计算的检验统计量比预先确定的判定基准值H大的情况下，基准数据被自动更新成判定期间B的计测数据作为基础数据的单位空间(图9的(d)参照)。每固定周期执行上述的基准数据和最新的计测数据的分散值比较处理，该发电成套设备可时常进行高精度的异常监视。
如此地，在第一实施方式的异常监视方法及用于监视成套设备异常的计算机程序中，计算马氏距离时，或者基于计算出的马氏距离判定成套设备的运转状态是否正常时成为基准的单位空间由固定期间(基准期间A)的适当的数据(基准数据)形成，同时，为了评价成套设备的运转状态，可基于包含最新的计测数据并追溯至固定期间的判定期间B中的计测数据的马氏距离组进行精度高的成套设备异常监视。
如上所述，如本发明使用第一实施方式所说明的那样，通过使用异常监视方法及用于监视成套设备异常的计算机程序，即使在成套设备的状态因维护等而变化的情况下，也能准确地检测出其状态变化，基于检测出的状态变化，在必要的情况下，适当地更新基准数据，能时常进行精度高的异常监视。
需要说明的是，本发明不限定于所述第一实施方式的构成，可以以其它各种方式实施。例如，在所述第一实施方式中，将基准数据的分散值和通过最新的固定期间的计测数据计算的分散值进行比较，根据该比较结果更新基准数据的处理(步骤S106至S107)、和通过比较在马氏距离增大时对固定期间的马氏距离组以固定的节宽计算出的差分值的大小，判定马氏距离的增大倾向，根据其结果更新基准数据进行处理(步骤S102至S104)的异常监视方法。但是，作为本发明，即使是具有任一种处理的异常监视方法，也能提高异常监视的精度，该方法包含于本发明。
另外，第一实施方式中以如下构成进行了说明：对基准数据及最新的计测数据进行低频成分的除去处理(步骤S105：HPF处理)，然后进行分散值的比较处理(步骤S106)。但是，本发明中，也可以不进行HPF处理而进行分散值的比较处理。如此地构成的情况下，在步骤S107中，也可以不自动进行基准数据的更新处理，而是以向使用者通知基准数据的更新处理的必要性高的方式构成。
另外，本发明的异常监视装置的一部分或全部而言，具体为由微处理器、ROM、RAM、硬盘单元、显示单元、键盘、鼠标等构成的计算机系统。所述RAM或硬盘单元中存储有计算机程序。所述微处理器随着所述计算机程序而动作，由此，各控制部、操作部、显示部、及存储部等能够达成其功能。在此，计算机程序为了达成规定的机能，以组合多个示出对计算机的指令的命令代码的方式构成。
工业实用性
本发明的异常监视方法能适用于各种成套设备，可对适用的成套设备进行精度高的异常监视，是能将成套设备的可靠性持续地维持在高水平的有用的方法。
附图标记说明
1 燃气轮机发电成套设备
2 控制部
3 操作部
4 显示部
5 存储部
6 汽轮机
7 压缩机
8 燃焼器
9 发电机
10 异常监视装置

Claims (6)

1.一种成套设备异常监视方法，包括以下步骤：
根据来自成套设备的基准期间中的监视对象的基准数据，形成作为用于判定所述成套设备的运转状态的基准的单位空间；
收集来自所述成套设备的运转状态中的监视对象的计测数据；
基于形成的单位空间，计算所述基准数据及收集的计测数据的集合体的马氏距离；
每固定周期计算与计算出的马氏距离相关的、所述基准期间中的所述基准数据及最新的固定期间中的计测数据的各自的分散值并进行比较；以及
当所述基准期间中的所述基准数据的分散值相对于所述最新的固定期间中的计测数据的分散值的比率，超过作为阈值的判定基准值时，更新所述基准数据。
2.根据权利要求1所述的成套设备异常监视方法，其中，
在每固定周期计算所述基准数据及所述计测数据的分散值并进行比较的步骤中，
对所述基准数据及所述计测数据执行除去低频成分的处理，然后每固定周期计算该基准数据及该计测数据的分散值并进行比较。
3.根据权利要求1或2所述的成套设备异常监视方法，其中，
包括以下步骤：
当计算出的马氏距离超过作为阈值的基准值时，计算包含超过所述基准值的马氏距离的固定期间的马氏距离组中的固定宽度的马氏距离之间的差分值；以及
当计算出的差分值超过作为阈值的设定值时，通知所述基准数据的更新处理的必要性高。
4.一种用于监视成套设备异常的计算机程序，包括以下进程：
根据来自成套设备的基准期间中的监视对象的基准数据，形成作为用于判定所述成套设备的运转状态的基准的单位空间；
收集来自所述成套设备的运转状态中的监视对象的计测数据；
基于形成的单位空间，计算所述基准数据及收集的计测数据的集合体的马氏距离；
每固定周期计算与计算出的马氏距离相关的、所述基准期间中的所述基准数据及最新的固定期间中的计测数据的各自的分散值并进行比较；以及
当所述基准期间中的所述基准数据的分散值相对于所述最新的固定期间中的计测数据的分散值的比率，超过作为阈值的判定基准值时，更新所述基准数据。
5.根据权利要求4所述的用于监视成套设备异常的计算机程序，其中，
在每固定周期计算所述基准数据及所述计测数据的分散值并进行比较的进程中，
对所述基准数据及所述计测数据执行除去低频成分的处理，然后每固定周期计算该基准数据及该计测数据的分散值并进行比较。
6.根据权利要求4或5所述的用于监视成套设备异常的计算机程序，其中，
包括以下进程：
当计算出的马氏距离超过作为阈值的基准值时，计算包含超过所述基准值的马氏距离的固定期间的马氏距离组中的固定宽度的马氏距离之间的差分值；以及
当计算出的差分值超过作为阈值的设定值时，通知所述基准数据的更新处理的必要性高。
CN201680076395.0A 2015-12-28 2016-12-27 成套设备异常监视方法及用于监视成套设备异常的计算机程序 Pending CN108475053A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2015256477A JP6770802B2 (ja) 2015-12-28 2015-12-28 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
JP2015-256477 2015-12-28
PCT/JP2016/088967 WO2017115814A1 (ja) 2015-12-28 2016-12-27 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

Publications (1)

Publication Number Publication Date
CN108475053A true CN108475053A (zh) 2018-08-31

Family

ID=59225300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680076395.0A Pending CN108475053A (zh) 2015-12-28 2016-12-27 成套设备异常监视方法及用于监视成套设备异常的计算机程序

Country Status (5)

Country Link
US (1) US20190018402A1 (zh)
EP (1) EP3399376B1 (zh)
JP (1) JP6770802B2 (zh)
CN (1) CN108475053A (zh)
WO (1) WO2017115814A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112740131A (zh) * 2018-11-02 2021-04-30 三菱动力株式会社 单位空间更新装置、单位空间更新方法及程序
CN114051581A (zh) * 2019-08-01 2022-02-15 三菱动力株式会社 成套设备监视装置、成套设备监视方法及程序
CN114253183A (zh) * 2021-11-25 2022-03-29 沈阳鼓风机集团股份有限公司 压缩机监控数据的处理方法以及装置
CN116662794A (zh) * 2023-08-02 2023-08-29 成都凯天电子股份有限公司 一种考虑数据分布更新的振动异常监测方法
CN116710858A (zh) * 2021-02-17 2023-09-05 三菱电机株式会社 数据核对装置、数据核对系统以及数据核对方法

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6432890B2 (ja) * 2016-06-01 2018-12-05 三菱日立パワーシステムズ株式会社 監視装置、対象装置の監視方法、およびプログラム
JP7172605B2 (ja) * 2017-02-15 2022-11-16 ソニーグループ株式会社 情報生成方法、情報生成装置、プログラム
KR102385100B1 (ko) * 2017-12-22 2022-04-13 삼성디스플레이 주식회사 인프라 설비 가동 데이터 자동분석방법 및 시스템
JP6871877B2 (ja) 2018-01-04 2021-05-19 株式会社東芝 情報処理装置、情報処理方法及びコンピュータプログラム
JP7074490B2 (ja) * 2018-02-08 2022-05-24 株式会社Ｓｃｒｅｅｎホールディングス データ処理方法、データ処理装置、データ処理システム、およびデータ処理プログラム
JP7075771B2 (ja) * 2018-02-08 2022-05-26 株式会社Ｓｃｒｅｅｎホールディングス データ処理方法、データ処理装置、データ処理システム、およびデータ処理プログラム
DE102018107233A1 (de) * 2018-03-27 2019-10-02 Kraussmaffei Technologies Gmbh Verfahren zur automatischen Prozessüberwachung und Prozessdiagnose eines stückbasierten Prozesses (batch-Fertigung), insbesondere eines Spritzgießprozesses und eine den Prozess durchführende Maschine oder ein den Prozess durchführender Maschinenpark
CN109344026A (zh) * 2018-07-27 2019-02-15 阿里巴巴集团控股有限公司 数据监控方法、装置、电子设备及计算机可读存储介质
JP7179663B2 (ja) * 2019-03-28 2022-11-29 三菱重工業株式会社 プラント監視装置、プラント監視方法、及びプログラム
JP7377637B2 (ja) 2019-06-28 2023-11-10 三菱重工業株式会社 異常検出装置、異常検出方法、及びプログラム
WO2021019760A1 (ja) * 2019-08-01 2021-02-04 三菱電機株式会社 異常診断方法、異常診断装置および異常診断プログラム
JP7437163B2 (ja) * 2020-01-06 2024-02-22 三菱重工業株式会社 診断装置、診断方法およびプログラム
US11782430B2 (en) 2020-04-27 2023-10-10 Mitsubishi Electric Corporation Abnormality diagnosis method, abnormality diagnosis device and non-transitory computer readable storage medium
JP7648362B2 (ja) 2020-10-19 2025-03-18 Ｉｈｉ運搬機械株式会社 異常診断装置及び異常診断方法
JP7509117B2 (ja) * 2021-10-29 2024-07-02 株式会社Sumco 監視方法、監視プログラム、監視装置、ウェーハの製造方法、及びウェーハ

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101779171A (zh) * 2008-02-27 2010-07-14 三菱重工业株式会社 工厂状态监视方法、工厂状态监视用计算机程序以及工厂状态监视装置
JP2010181188A (ja) * 2009-02-03 2010-08-19 Mitsubishi Heavy Ind Ltd プラント運転状態監視方法
JP2010191641A (ja) * 2009-02-17 2010-09-02 Mitsubishi Heavy Ind Ltd プラント監視用の方法、プログラム及び装置
JP2011090382A (ja) * 2009-10-20 2011-05-06 Mitsubishi Heavy Ind Ltd 監視システム
CN104823118A (zh) * 2012-10-25 2015-08-05 三菱日立电力系统株式会社 成套设备监视装置、成套设备监视程序及成套设备监视方法
CN105992977A (zh) * 2013-11-28 2016-10-05 株式会社日立制作所 成套设备的诊断装置和诊断方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7203431B2 (en) * 2003-12-26 2007-04-10 Ricoh Company, Ltd. Abnormality determining method, abnormality determining apparatus, and image forming apparatus
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
JP6038092B2 (ja) * 2014-10-14 2016-12-07 三菱重工業株式会社 サージ判定装置、サージ判定方法およびプログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101779171A (zh) * 2008-02-27 2010-07-14 三菱重工业株式会社 工厂状态监视方法、工厂状态监视用计算机程序以及工厂状态监视装置
JP2010181188A (ja) * 2009-02-03 2010-08-19 Mitsubishi Heavy Ind Ltd プラント運転状態監視方法
JP2010191641A (ja) * 2009-02-17 2010-09-02 Mitsubishi Heavy Ind Ltd プラント監視用の方法、プログラム及び装置
JP2011090382A (ja) * 2009-10-20 2011-05-06 Mitsubishi Heavy Ind Ltd 監視システム
CN104823118A (zh) * 2012-10-25 2015-08-05 三菱日立电力系统株式会社 成套设备监视装置、成套设备监视程序及成套设备监视方法
CN105992977A (zh) * 2013-11-28 2016-10-05 株式会社日立制作所 成套设备的诊断装置和诊断方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112740131A (zh) * 2018-11-02 2021-04-30 三菱动力株式会社 单位空间更新装置、单位空间更新方法及程序
CN112740131B (zh) * 2018-11-02 2024-05-14 三菱重工业株式会社 单位空间更新装置、单位空间更新方法及记录介质
CN114051581A (zh) * 2019-08-01 2022-02-15 三菱动力株式会社 成套设备监视装置、成套设备监视方法及程序
CN114051581B (zh) * 2019-08-01 2024-05-31 三菱重工业株式会社 成套设备监视装置、成套设备监视方法及存储介质
CN116710858A (zh) * 2021-02-17 2023-09-05 三菱电机株式会社 数据核对装置、数据核对系统以及数据核对方法
CN116710858B (zh) * 2021-02-17 2024-05-03 三菱电机株式会社 数据核对装置、数据核对系统以及数据核对方法
CN114253183A (zh) * 2021-11-25 2022-03-29 沈阳鼓风机集团股份有限公司 压缩机监控数据的处理方法以及装置
CN116662794A (zh) * 2023-08-02 2023-08-29 成都凯天电子股份有限公司 一种考虑数据分布更新的振动异常监测方法
CN116662794B (zh) * 2023-08-02 2023-11-10 成都凯天电子股份有限公司 一种考虑数据分布更新的振动异常监测方法

Also Published As

Publication number Publication date
WO2017115814A1 (ja) 2017-07-06
EP3399376A1 (en) 2018-11-07
EP3399376A4 (en) 2019-07-31
JP2017120504A (ja) 2017-07-06
EP3399376B1 (en) 2022-02-02
US20190018402A1 (en) 2019-01-17
JP6770802B2 (ja) 2020-10-21

Similar Documents

Publication Publication Date Title
CN108475053A (zh) 成套设备异常监视方法及用于监视成套设备异常的计算机程序
JP5091604B2 (ja) 分布の評価方法、製品の製造方法、分布の評価プログラム及び分布の評価システム
JP5975883B2 (ja) 故障している計器を検出する方法及び装置
US7742881B2 (en) System and method for detection of rotor eccentricity baseline shift
JP6906612B2 (ja) 異常検知装置、異常検知方法、およびプログラム
JP5610695B2 (ja) プラント監視用の方法、プログラム及び装置
JP5427107B2 (ja) 監視診断装置および監視診断方法
JP4850857B2 (ja) 予測状態監視における変化状態の適応モデリング
JP6151227B2 (ja) 異常検知システム及び半導体デバイスの製造方法
JP6291161B2 (ja) ロータ異常の検出
CN106017729B (zh) 一种基于统计过程控制的电机温度监控方法
SE536922C2 (sv) En metod och en apparat för att prediktera tillståndet hos en maskin eller en komponent hos maskinen
JP5538955B2 (ja) 半導体製造における装置異常の予兆検知方法およびシステム
JP2017010232A (ja) プラント診断装置及びプラント診断方法
JP2009009300A (ja) バッチプロセス解析システムおよびバッチプロセス解析方法
EP2631724B1 (en) Method for measuring health index of plant in which state of lower component is reflected, and computer-readable storage medium in which program for performing the method is stored
JP2006309570A (ja) 製油所監視システム
JP7236886B2 (ja) 異常検知装置、異常検知方法、及び異常検知システム
CN104731056B (zh) 快速判断化工生产装置的运行稳定性的方法
JP7646325B2 (ja) 過渡速度動作中の振動傾向を決定することによるロータ異常の検出
EP3950966B1 (en) Blast furnace abnormality assessment device, blast furnace abnormality assessment method, and blast furnace operation method
JP2013164720A (ja) プラント監視装置およびプラント監視方法
RU2794126C1 (ru) Устройство для определения неисправности доменной печи, способ определения неисправности доменной печи и способ эксплуатации доменной печи
KR101803971B1 (ko) 변동 계수의 통계적 분석에 의한 화학 공정의 이상 원인 분석 방법
JP2017182450A (ja) 管理装置、これを備える管理システム、及び、管理方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180831

WD01 Invention patent application deemed withdrawn after publication