特開2015-179454(P2015-179454A)IP Force 特許公報掲載プロジェクト 2015.5.11 β版

知財求人 - 知財ポータルサイト「IP Force」

▶ 三菱日立パワーシステムズ株式会社の特許一覧
特開2015-179454予測システム、監視システム、運転支援システム、ガスタービン設備及び予測方法
<>
  • 特開2015179454-予測システム、監視システム、運転支援システム、ガスタービン設備及び予測方法 図000003
  • 特開2015179454-予測システム、監視システム、運転支援システム、ガスタービン設備及び予測方法 図000004
  • 特開2015179454-予測システム、監視システム、運転支援システム、ガスタービン設備及び予測方法 図000005
  • 特開2015179454-予測システム、監視システム、運転支援システム、ガスタービン設備及び予測方法 図000006
  • 特開2015179454-予測システム、監視システム、運転支援システム、ガスタービン設備及び予測方法 図000007
< >
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】特開2015-179454(P2015-179454A)
(43)【公開日】2015年10月8日
(54)【発明の名称】予測システム、監視システム、運転支援システム、ガスタービン設備及び予測方法
(51)【国際特許分類】
   G05B 23/02 20060101AFI20150911BHJP
【FI】
   G05B23/02 T
   G05B23/02 302V
【審査請求】未請求
【請求項の数】9
【出願形態】OL
【全頁数】15
(21)【出願番号】特願2014-57166(P2014-57166)
(22)【出願日】2014年3月19日
(71)【出願人】
【識別番号】514030104
【氏名又は名称】三菱日立パワーシステムズ株式会社
(74)【代理人】
【識別番号】100089118
【弁理士】
【氏名又は名称】酒井 宏明
(74)【代理人】
【識別番号】100118762
【弁理士】
【氏名又は名称】高村 順
(72)【発明者】
【氏名】野村 真澄
(72)【発明者】
【氏名】佐川 功
(72)【発明者】
【氏名】藤井 康文
【テーマコード(参考)】
3C223
【Fターム(参考)】
3C223AA02
3C223BA03
3C223CC02
3C223DD03
3C223EB01
3C223FF12
3C223FF23
3C223FF45
3C223GG01
3C223HH02
3C223HH22
(57)【要約】
【課題】設備に関する所定の物理量を精度良く予測することができる予測システム等を提供する。
【解決手段】予測システムは、プロセスデータを格納するデータベースと、プロセスデータに基づいて所定の物理量を予測値として算出する演算部とを備え、演算部は、データセットに含まれるプロセスデータを入力変数として、予測値を算出する予測モデルをそれぞれ構築し、構築した複数の予測モデルから予測値をそれぞれ算出し(S21)、構築した複数の予測モデルのそれぞれに対して、入力変数として用いられるプロセスデータD1の異常の有無を診断し(S22)、異常有りと診断したプロセスデータD1を入力変数として含む予測モデルを使用しないと設定し(S24)、予め設定された複数の予測モデルの優先度に応じて、予測モデルによって予測された予測値を選定する(S25)。
【選択図】図3
【特許請求の範囲】
【請求項1】
設備において取得可能な種々のプロセスデータを格納する記憶部と、
前記記憶部に格納された前記プロセスデータに基づいて、前記設備に関する予測される所定の物理量を予測値として算出する演算部と、を備え、
前記演算部は、
前記記憶部に格納された種々の前記プロセスデータのうち、予め選定された複数の前記プロセスデータを1組のデータセットとして、複数組分だけ取得し、
取得した各組の前記データセットに含まれる前記プロセスデータを入力変数として、前記予測値を算出する予測モデルをそれぞれ構築し、
構築した複数の前記予測モデルから前記予測値をそれぞれ算出し、
構築した複数の前記予測モデルのそれぞれに対して、前記入力変数として用いられる前記プロセスデータの異常の有無を診断し、
異常有りと診断した前記プロセスデータを前記入力変数として含む前記予測モデルを使用しないと設定し、
予め設定された複数の前記予測モデルの優先度に応じて、前記予測モデルによって予測された前記予測値を選定することを特徴とする予測システム。
【請求項2】
設備において取得可能な種々のプロセスデータを格納する記憶部と、
前記記憶部に格納された前記プロセスデータに基づいて、前記設備に関する予測される所定の物理量を予測値として算出する演算部と、を備え、
前記演算部は、
前記記憶部に格納された種々の前記プロセスデータのうち、予め選定された複数の前記プロセスデータを1組のデータセットとして取得し、
取得した前記データセットに含まれる前記プロセスデータの異常の有無を診断し、
異常有りと診断した前記プロセスデータを省いた、前記データセットに含まれる残りの前記プロセスデータを入力変数として、前記予測値を算出する予測モデルを構築し、
構築した前記予測モデルから前記予測値を算出することを特徴とする予測システム。
【請求項3】
前記記憶部は、所定の前記プロセスデータと、所定の前記プロセスデータの代替となる代替プロセスデータとを関連付けた代替情報を格納しており、
前記演算部は、
異常有りと診断した前記プロセスデータがある場合、前記代替情報に基づいて、異常有りと診断した前記プロセスデータを前記代替プロセスデータに代替し、代替した前記代替プロセスデータを含む前記プロセスデータを入力変数として、前記予測モデルを構築することを特徴とする請求項2に記載の予測システム。
【請求項4】
前記演算部は、
前記プロセスデータの異常の有無を診断する場合、前記データセットに含まれる複数の前記プロセスデータのうち、異なる組み合わせとなる複数の前記プロセスデータを入力変数として、前記予測値を算出する前記予測モデルを組み合わせの数に応じて複数構築し、
複数の前記予測モデルの予測精度の誤差をそれぞれ算出し、
算出した複数の前記誤差のうち、予め設定した設定誤差以上の前記誤差となる前記予測モデルに含まれる複数の前記プロセスデータの中から、異常がある前記プロセスデータを特定することを特徴とする請求項1から3のいずれか1項に記載の予測システム。
【請求項5】
請求項1から4のいずれか1項に記載の予測システムと、
前記予測システムによって算出される前記予測値を用いて、前記設備を監視する監視装置と、を備えることを特徴とする監視システム。
【請求項6】
請求項1から4のいずれか1項に記載の予測システムと、
前記予測システムによって算出される前記予測値を用いて、前記設備の運転を支援する運転支援装置と、を備えることを特徴とする運転支援システム。
【請求項7】
請求項1から4のいずれか1項に記載の予測システム、請求項5に記載の監視システム及び請求項6に記載の運転支援システムの少なくとも1つのシステムと、
前記設備としてのガスタービンと、を備えることを特徴とするガスタービン設備。
【請求項8】
設備において取得可能な種々のプロセスデータに基づいて、前記設備に関する所定の物理量を予測値として導出する予測方法であって、
種々の前記プロセスデータのうち、予め選定された複数の前記プロセスデータを1組のデータセットとして、複数組分だけ取得するデータセット取得工程と、
取得した各組の前記データセットに含まれる前記プロセスデータを入力変数として、前記予測値を算出する予測モデルをそれぞれ構築する予測モデル構築工程と、
構築した複数の前記予測モデルから前記予測値をそれぞれ算出する予測値算出工程と、
構築した複数の前記予測モデルのそれぞれに対して、前記入力変数として用いられる前記プロセスデータの異常の有無を診断する入力変数異常診断工程と、
異常有りと診断した前記プロセスデータを前記入力変数として含む前記予測モデルを使用しないと設定するモデル不使用設定工程と、
予め設定された複数の前記予測モデルの優先度に応じて、前記予測モデルによって予測された前記予測値を選定する予測値選定工程と、を備えることを特徴とする予測方法。
【請求項9】
設備において取得可能な種々のプロセスデータに基づいて、前記設備に関する所定の物理量を予測値として導出する予測方法であって、
種々の前記プロセスデータのうち、予め選定された複数の前記プロセスデータを1組のデータセットとして取得するデータセット取得工程と、
取得した前記データセットに含まれる前記プロセスデータの異常の有無を診断する入力変数異常診断工程と、
異常有りと診断した前記プロセスデータを省いた、前記データセットに含まれる残りの前記プロセスデータを入力変数として、前記予測値を算出する予測モデルを構築する予測モデル構築工程と、
構築した前記予測モデルから前記予測値を算出する予測値算出工程と、を備えることを特徴とする予測方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、設備に関する所定の物理量を予測する予測システム、監視システム、運転支援システム、ガスタービン設備及び予測方法に関するものである。
【背景技術】
【0002】
従来、観測データ、学習データを用いて、異常を検知する異常検知システムが知られている(例えば、特許文献1参照)。この異常検知システムは、観測データと学習データとのかい離度に基づいて、観測データの異常を検知している。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】国際公開第2010/095314号
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかしながら、特許文献1に記載の異常検知システムは、観測センサデータから、複数の識別器を用いて、異常の有無を2値化して検知することから、定量的な検知を行うことができない。このとき、設備に関する所定の物理量を定量的に予測すべく、設備から取得可能な種々のプロセスデータを入力変数として、予測モデルを作成し、作成した予測モデルを用いて、所定の物理量を予測値として定量的に算出することが考えられる。この場合、プロセスデータに異常がある場合、異常があるプロセスデータを入力変数として、予測モデルを構築すると、予測モデルの予測精度が低下する可能性がある。
【0005】
そこで、本発明は、設備に関する所定の物理量を精度良く予測することができる予測システム、監視システム、運転支援システム、ガスタービン設備及び予測方法を提供することを課題とする。
【課題を解決するための手段】
【0006】
本発明の予測システムは、設備において取得可能な種々のプロセスデータを格納する記憶部と、前記記憶部に格納された前記プロセスデータに基づいて、前記設備に関する予測される所定の物理量を予測値として算出する演算部と、を備え、前記演算部は、前記記憶部に格納された種々の前記プロセスデータのうち、予め選定された複数の前記プロセスデータを1組のデータセットとして、複数組分だけ取得し、取得した各組の前記データセットに含まれる前記プロセスデータを入力変数として、前記予測値を算出する予測モデルをそれぞれ構築し、構築した複数の前記予測モデルから前記予測値をそれぞれ算出し、構築した複数の前記予測モデルのそれぞれに対して、前記入力変数として用いられる前記プロセスデータの異常の有無を診断し、異常有りと診断した前記プロセスデータを前記入力変数として含む前記予測モデルを使用しないと設定し、予め設定された複数の前記予測モデルの優先度に応じて、前記予測モデルによって予測された前記予測値を選定することを特徴とする。
【0007】
また、本発明の予測方法は、設備において取得可能な種々のプロセスデータに基づいて、前記設備に関する所定の物理量を予測値として導出する予測方法であって、種々の前記プロセスデータのうち、予め選定された複数の前記プロセスデータを1組のデータセットとして、複数組分だけ取得するデータセット取得工程と、取得した各組の前記データセットに含まれる前記プロセスデータを入力変数として、前記予測値を算出する予測モデルをそれぞれ構築する予測モデル構築工程と、構築した複数の前記予測モデルから前記予測値をそれぞれ算出する予測値算出工程と、構築した複数の前記予測モデルのそれぞれに対して、前記入力変数として用いられる前記プロセスデータの異常の有無を診断する入力変数異常診断工程と、異常有りと診断した前記プロセスデータを前記入力変数として含む前記予測モデルを使用しないと設定するモデル不使用設定工程と、予め設定された複数の前記予測モデルの優先度に応じて、前記予測モデルによって予測された前記予測値を選定する予測値選定工程と、を備えることを特徴とする。
【0008】
この構成によれば、異常有りと診断されたプロセスデータを入力変数として含む予測モデルを不使用状態にすることができる。このため、複数の予測モデルから算出された予測値を選定する場合、異常のない適切なプロセスデータを入力変数とする予測モデルにより算出される精度の良い予測値を選定することができる。なお、設備に関する所定の物理量としては、例えば、設備の所定の部位(ガスタービン設備であれば圧縮機、燃焼器、タービンやその内部流体等)における温度、圧力、流量、振動等であり、特に限定されない。
【0009】
本発明の他の予測システムは、設備において取得可能な種々のプロセスデータを格納する記憶部と、前記記憶部に格納された前記プロセスデータに基づいて、前記設備に関する予測される所定の物理量を予測値として算出する演算部と、を備え、前記演算部は、前記記憶部に格納された種々の前記プロセスデータのうち、予め選定された複数の前記プロセスデータを1組のデータセットとして取得し、取得した前記データセットに含まれる前記プロセスデータの異常の有無を診断し、異常有りと診断した前記プロセスデータを省いた、前記データセットに含まれる残りの前記プロセスデータを入力変数として、前記予測値を算出する予測モデルを構築し、構築した前記予測モデルから前記予測値を算出することを特徴とする。
【0010】
また、本発明の他の予測方法は、設備において取得可能な種々のプロセスデータに基づいて、前記設備に関する所定の物理量を予測値として導出する予測方法であって、種々の前記プロセスデータのうち、予め選定された複数の前記プロセスデータを1組のデータセットとして取得するデータセット取得工程と、取得した前記データセットに含まれる前記プロセスデータの異常の有無を診断する入力変数異常診断工程と、異常有りと診断した前記プロセスデータを省いた、前記データセットに含まれる残りの前記プロセスデータを入力変数として、前記予測値を算出する予測モデルを構築する予測モデル構築工程と、構築した前記予測モデルから前記予測値を算出する予測値算出工程と、を備えることを特徴とする。
【0011】
この構成によれば、異常有りと診断されたプロセスデータを省き、残りのプロセスデータを入力変数として、予測モデルを構築することができる。このため、異常のない適切なプロセスデータを入力変数とする予測モデルにより、精度の良い予測値を算出することができる。
【0012】
この場合、前記記憶部は、所定の前記プロセスデータと、所定の前記プロセスデータの代替となる代替プロセスデータとを関連付けた代替情報を格納しており、前記演算部は、異常有りと診断した前記プロセスデータがある場合、前記代替情報に基づいて、異常有りと診断した前記プロセスデータを前記代替プロセスデータに代替し、代替した前記代替プロセスデータを含む前記プロセスデータを入力変数として、前記予測モデルを構築することが好ましい。
【0013】
この構成によれば、異常有りと診断されたプロセスデータに代えて、代替プロセスデータを用いることができる。そして、異常有りと診断されたプロセスデータを省き、代替プロセスデータと残りのプロセスデータとを入力変数として、予測モデルを構築することができる。このため、異常のない適切なプロセスデータを入力変数とする予測モデルにより、精度の良い予測値を算出することができる。
【0014】
この場合、前記演算部は、前記プロセスデータの異常の有無を診断する場合、前記データセットに含まれる複数の前記プロセスデータのうち、異なる組み合わせとなる複数の前記プロセスデータを入力変数として、前記予測値を算出する前記予測モデルを組み合わせの数に応じて複数構築し、複数の前記予測モデルの予測精度の誤差をそれぞれ算出し、算出した複数の前記誤差のうち、予め設定した設定誤差以上の前記誤差となる前記予測モデルに含まれる複数の前記プロセスデータの中から、異常がある前記プロセスデータを特定することが好ましい。
【0015】
この構成によれば、演算部は、誤差が大きい予測モデルに含まれるプロセスデータの中から、異常があるプロセスデータを特定することができるため、プロセスデータの異常の有無を精度良く診断することができる。
【0016】
本発明の監視システムは、上記の予測システムと、前記予測システムによって算出される前記予測値を用いて、前記設備を監視する監視装置と、を備えることを特徴とする。
【0017】
この構成によれば、監視装置は、予測システムによって算出される精度の良い予測値を用いて、設備を監視することができる。このため、監視装置は、予測値が異常のしきい値となる場合、実測値がしきい値になる前に、オペレータに対して警告等を発することができる。このため、監視装置は、設備の挙動を予測しながら監視することができる。
【0018】
本発明の運転支援システムは、上記の予測システムと、前記予測システムによって算出される前記予測値を用いて、前記設備の運転を支援する運転支援装置と、を備えることを特徴とする。
【0019】
この構成によれば、運転支援装置は、予測システムによって算出される精度の良い予測値を用いて、設備の運転を支援することができる。このため、運転支援装置は、予測値に基づいて、設備が効率の良い運転となるように支援することができる。
【0020】
本発明のガスタービン設備は、上記の予測システム、上記の監視システム及び上記の運転支援システムの少なくとも1つのシステムと、前記設備としてのガスタービンと、を備えることを特徴とする。
【0021】
この構成によれば、ガスタービンに関する所定の物理量を予測したり、ガスタービンの挙動を予測しながら監視したり、ガスタービンが効率の良い運転となるように支援したりすることができる。
【図面の簡単な説明】
【0022】
図1図1は、実施例1に係るガスタービン設備の概略構成図である。
図2図2は、実施例1の予測モデルの構築に関するフローチャートである。
図3図3は、実施例1の異常診断に関するフローチャートである。
図4図4は、実施例2の予測モデルの構築及び異常診断に関するフローチャートである。
図5図5は、実施例3の異常診断に関するフローチャートである。
【発明を実施するための形態】
【0023】
以下に、本発明に係る実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。また、下記実施例における構成要素には、当業者が置換可能かつ容易なもの、あるいは実質的に同一のものが含まれる。さらに、以下に記載した構成要素は適宜組み合わせることが可能であり、また、実施例が複数ある場合には、各実施例を組み合わせることも可能である。
【実施例1】
【0024】
図1は、実施例1に係るガスタービン設備の概略構成図である。図2は、実施例1の予測モデルの構築に関するフローチャートである。図3は、実施例1の異常診断に関するフローチャートである。
【0025】
図1に示すように、実施例1に係る予測システム20は、例えば、ガスタービン発電プラント等のガスタービン設備1に組み込まれており、ガスタービン設備1に関する所定の物理量を予測するシステムとなっている。先ず、予測システム20の説明に先立ち、ガスタービン設備1について説明する。
【0026】
ガスタービン設備1は、ガスタービン(設備)10と、予測システム20と、監視システム30と、運転支援システム40とを備える。このとき、監視システム30は、上記の予測システム20と、監視装置31とを含んで構成され、また、運転支援システム40は、上記の予測システム20と、運転支援装置41とを含んで構成されている。
【0027】
ガスタービン10は、図示しない圧縮機、燃焼器及びタービンを有しており、圧縮機とタービンは、回転軸により一体回転可能に連結されている。圧縮機は、取り込んだ空気を圧縮し、圧縮した圧縮空気を燃焼器へ向けて供給する。燃焼器は、圧縮機から供給された圧縮空気と、燃料とを混合して燃焼する。タービンは、燃焼器から供給された燃焼ガスにより回転する。
【0028】
このガスタービン10には、ガスタービン10の運転状況を検知するための各種センサが設けられている。各種センサとしては、例えば、ガスタービン10を構成する圧縮機、燃焼器、タービン内の圧力を検出する圧力センサ11、同温度を検出する温度センサ12等がある。これら各種センサ11,12によって検出されたデータは、プロセスデータD1として、データベース22に入力される。また、ガスタービン10には、燃料流量を調整する弁13、圧縮機に取り込む空気を調整する案内翼14等が設けられている。弁13の開度、案内翼14の角度等に関するデータは、プロセスデータD1として、データベース22に入力される。ここで、データベース22には、各種センサ11,12によって取得したデータ、弁13及び案内翼14に関するデータの他、ガスタービン10を運転するにあたってオペレータにより入力されたデータが、プロセスデータD1として入力される。つまり、データベース22に入力されるプロセスデータD1は、ガスタービン10に関するデータであれば、特に限定されない。
【0029】
次に、予測システム20について説明する。予測システム20は、予測装置21と、プロセスデータD1を格納する上記のデータベース(記憶部)22とを含んで構成されている。予測装置21は、データベース22に格納されたプロセスデータD1に基づいて、ガスタービン10に関する所定の物理量を予測している。所定の物理量としては、例えば、ガスタービン10を構成する圧縮機、燃焼器、タービンやその内部流体等における温度、圧力、流量、振動等である。なお、所定の物理量は、ガスタービン10に関する物理量であれば、特に限定されない。
【0030】
予測装置21は、データベース22と接続されており、予測される所定の物理量を予測値として算出する演算部25を有している。演算部25は、集積回路を含んで構成され、所定のプログラムを実行することで、各種演算を実行する。具体的に、演算部25は、予測プログラムを実行することで、データベース22に格納されたプロセスデータD1に基づいて、ガスタービン10に関する予測される所定の物理量を予測値として算出する。なお、予測装置21による予測値の算出については後述する。
【0031】
データベース22は、ガスタービン10から入力される種々のプロセスデータD1を格納している。このデータベース22には、所定のサンプリング周期でプロセスデータD1が蓄積される。データベース22は、予測装置21と接続されており、予測装置21の要求に応じて、所定のプロセスデータD1を予測装置21へ向けて出力する。
【0032】
監視装置31は、予測システム20に接続されており、予測システム20で予測された予測値を用いて、ガスタービン10の運転状況を監視している。この監視装置31は、例えば、オペレータに対し所定の情報を報知する警報機、ランプ及び表示装置等の報知装置を有している。監視装置31は、予測システム20で予測された予測値が、予め設定されたしきい値を超えた場合、オペレータに対して報知装置による異常報知を実行する。このように、監視装置31は、実測値が異常のしきい値となる前に、ガスタービン10の異常を予見する。
【0033】
運転支援装置41は、予測システム20に接続されており、予測システム20で予測された予測値を用いて、ガスタービン10の運転を支援している。この運転支援装置41は、例えば、予測システム20で予測された予測値が、ガスタービン10が効率の良い運転となる所定の物理量となるように、ガスタービン10の運転に関する支援をオペレータに対して行う。
【0034】
次に、予測装置21の演算部25による予測値の演算制御について説明する。予測装置21の演算部25は、予測値を算出するにあたって、データ抽出制御と、予測モデル構築制御と、データ診断制御と、予測値算出制御と、予測値選定制御とを実行している。
【0035】
演算部25は、データ抽出制御を実行することで、データベース22に格納された種々のプロセスデータD1のうち、複数のプロセスデータD1を1組のデータセットとして、複数組分だけを抽出(取得)する。抽出される複数組のデータセットは、含まれるプロセスデータD1の数または種別等が異なるものとなっている。また、データセットは、予測する物理量に応じて適宜用意されている。なお、データセットに含まれるプロセスデータD1は、予め決定されたものを取得している。ここで、演算部25は、データセットに含まれるプロセスデータD1を自動で選定する場合、例えば、予測値として算出する物理量に対して相関係数の高いプロセスデータD1を選定してもよいし、プロセスデータD1をランダムに選定してもよいし、予めオペレータにより選択されたプロセスデータD1を選定してもよい。また、変数減少法またはステップワイズ法等の統計的手法を用いて、プロセスデータD1を選定してもよいし、総当たりでプロセスデータD1を選定してもよい。
【0036】
また、演算部25は、予測モデル構築制御を実行することで、抽出したデータセットに基づいて予測モデルを構築する。予測モデルとしては、例えば、複数のプロセスデータD1を入力変数として、所定のプロセスデータD1を出力変数とする多変量解析モデルがある。なお、予測モデルは、多変量解析モデルに限定されず、他の解析モデルや非線形のニューラルネットワークを適用してもよく、複数のプロセスデータD1を入力変数として、所定のプロセスデータD1を出力変数とする予測モデルであれば、いずれの予測モデルであってもよい。多変量解析モデルとして構築される予測モデルは、定量的な予測値を算出可能な予測モデルとなっている。予測モデル構築制御では、1つのデータセットに対して、1つの予測モデルが構築されることから、データ抽出制御において抽出された複数組のデータセットに対して、複数の予測モデルが構築される。
【0037】
さらに、演算部25は、データ診断制御を実行することで、構築した複数の予測モデルのそれぞれに対して、入力変数として用いられるプロセスデータD1の異常の有無を診断する。プロセスデータD1の異常の診断は、例えば、予め上限値及び下限値を設定し、設定した上限値と下限値との範囲内に収まっている場合、プロセスデータD1の異常がないと判定する一方で、設定した上限値と下限値との範囲内に収まっていない場合、プロセスデータD1の異常があると判定する。なお、プロセスデータD1の異常の診断は、上記の構成に限定されない。
【0038】
また、演算部25は、予測値算出制御を実行することで、構築された複数の予測モデルを用いて予測値をそれぞれ算出する。
【0039】
さらに、演算部25は、予測値選定制御を実行することで、モデル優先度に基づいて、算出した複数の予測値の中から、優先度の高い予測値を選定する。ここで、モデル優先度は、予測モデルによって予測された予測値を選定するための優先度となっており、データベース22に記憶されている。このモデル優先度は、予めユーザによって設定されてもよいし、あるいは、予測モデルの予測精度の誤差に基づいて設定されてもよい。なお、モデル優先度は、上記の構成に限定されず、AIC(赤池情報量基準)やBIC(ベイス情報量基準)に基づいて設定されてもよい。
【0040】
次に、図2及び図3を参照して、予測システム20によって、ガスタービン10に関する所定の物理量を予測する予測方法について説明する。先ず、図2を参照して、予測システム20において予測モデルを構築する制御動作について説明する。ガスタービン10において取得される種々のプロセスデータD1が、データベース22に入力される(ステップS11)と、入力されたプロセスデータD1は、データベース22に格納される(ステップS12)。予測装置21の演算部25は、予測モデルを構築する場合、先ず、データ抽出制御を実行することで、データベース22から複数組のデータセットを抽出する(ステップS13:データセット取得工程)。この後、演算部25は、予測モデル構築制御を実行することで、抽出した複数組のデータセットから、複数の予測モデルを構築(作成)する(ステップS14:予測モデル構築工程)。そして、演算部25は、予測モデルを構築する制御動作を終了する。
【0041】
次に、図3を参照して、予測装置21の演算部25によってプロセスデータD1の異常の有無を診断して、異常診断結果に基づいて予測値を算出する制御動作について説明する。予測装置21の演算部25は、複数の予測モデルから予測値を算出する場合、予測値算出制御を実行することで、構築した複数の予測モデルから予測値をそれぞれ算出する(ステップS21:予測値算出工程)。この後、演算部25は、データ診断制御を実行することで、構築した複数の予測モデルのそれぞれに対して、入力変数として用いられるプロセスデータD1の異常の有無を診断する(ステップS22:入力変数異常診断工程)。続いて、演算部25は、データ診断制御を実行した結果に基づいて、プロセスデータD1に異常があるか否かを判定する(ステップS23)。演算部25は、プロセスデータD1に異常があると判定すると(ステップS23:Yes)、異常有りと診断したプロセスデータD1を入力変数として含む予測モデルを使用しないと設定する(ステップS24:モデル不使用設定工程)。そして、演算部25は、予測値選定制御を実行することで、モデル優先度に基づいて、算出した複数の予測値の中から、優先度の高い予測値を選定する。このとき、演算部25は、不使用設定となった予測モデルによって予測される予測値を省いた上で、算出した複数の予測値の中から、優先度の高い予測値を選定する(ステップS25:予測値選定工程)。一方で、演算部25は、ステップS23において、プロセスデータD1に異常がないと判定すると(ステップS23:No)、ステップS24を実行せずに、ステップS25を実行する。そして、演算部25は、ステップS25において選定した予測値を、最終的な予測値として導出して、予測値を算出する制御動作を終了する。
【0042】
以上のように、実施例1によれば、異常有りと診断されたプロセスデータD1を入力変数として含む予測モデルを不使用状態にすることができる。このため、複数の予測モデルから算出された予測値を選定する場合、異常のない適切なプロセスデータD1を入力変数とする予測モデルにより算出される精度の良い予測値を選定することができる。
【0043】
また、実施例1によれば、監視システム30において、監視装置31は、予測システム20によって算出される精度の良い予測値を用いて、ガスタービン10を監視することができる。このため、監視装置31は、ガスタービン10の挙動を予測しながら監視することができる。
【0044】
また、実施例1によれば、運転支援システム40において、運転支援装置41は、予測システム20によって算出される精度の良い予測値を用いて、ガスタービン10の運転を支援することができる。このため、運転支援装置41は、予測値に基づいて、ガスタービン10が効率の良い運転となるように支援することができる。
【実施例2】
【0045】
次に、図4を参照して、実施例2に係る予測システム20及び予測方法について説明する。図4は、実施例2の予測モデルの構築及び異常診断に関するフローチャートである。なお、実施例2では、重複した記載を避けるべく、実施例1と異なる部分について説明し、実施例1と同様の構成である部分については、同じ符号を付す。実施例1に係る予測システム20は、予測モデルの構築後に、プロセスデータD1の異常の有無を診断したが、実施例2に係る予測システム20は、プロセスデータD1の異常の有無の診断後に、予測モデルを構築している。以下、実施例2に係る予測システム20について説明する。
【0046】
実施例2の予測システム20において、データベース22には、実施例1と同様に、プロセスデータD1が、所定のサンプリング周期で蓄積される。また、このデータベース22には、代替情報が格納されている。代替情報は、所定のプロセスデータD1の代替となり得る相関の高いプロセスデータD1を代替プロセスデータとして用いるための情報であり、所定のプロセスデータD1と代替プロセスデータとを関連付けた情報となっている。
【0047】
次に、予測装置21の演算部25による予測値の演算制御について説明する。予測装置21の演算部25は、予測値を算出するにあたって、データ抽出制御と、データ診断制御と、予測モデル構築制御と、予測値算出制御と、予測値選定制御とを実行している。なお、データ抽出制御、予測モデル構築制御、予測値算出制御及び予測値選定制御は、実施例1と同様であるため、説明を省略する。
【0048】
演算部25は、データ診断制御を実行することで、データ抽出制御において取得した複数組のデータセットのそれぞれに対して、含まれるプロセスデータD1の異常の有無を診断する。なお、プロセスデータD1の異常の診断は、実施例1と同様であるため、説明を省略する。
【0049】
次に、図4を参照して、予測システム20において予測モデルを構築する制御動作について説明する。なお、ステップS31からステップS33は、実施例1のステップS11からステップS13と同様であるため、説明を省略する。ステップS33の後、演算部25は、データ診断制御を実行することで、データ抽出制御において取得した複数組のデータセットのそれぞれに対して、含まれるプロセスデータD1の異常の有無を診断する(ステップS34:入力変数異常診断工程)。続いて、演算部25は、データ診断制御を実行した結果に基づいて、プロセスデータD1に異常があるか否かを判定する(ステップS35)。演算部25は、プロセスデータD1に異常があると判定すると(ステップS35:Yes)、異常有りと診断したプロセスデータD1を使用しないと設定する(ステップS36)。この後、演算部25は、代替情報に基づいて、不使用設定したプロセスデータD1の代替となり得る代替プロセスデータを、不使用設定したプロセスデータD1に代えて使用すると設定する(ステップS37)。そして、演算部25は、予測モデル構築制御を実行することで、抽出した複数組のデータセットに基づいて、複数の予測モデルを構築(作成)する(ステップS38:予測モデル構築工程)。このとき、演算部25は、不使用設定したプロセスデータD1を省いた、データセットに含まれるプロセスデータD1と、不使用設定したプロセスデータD1に代えて使用する代替プロセスデータとを入力変数として、所定のプロセスデータD1を出力変数とする予測モデルを構築する。なお、演算部25は、ステップS35において、プロセスデータD1に異常がないと判定すると(ステップS35:No)、ステップS36及びステップS37を実行せずに、ステップS38に進む。
【0050】
この後、演算部25は、実施例1と同様に、予測値算出制御を実行することで、構築した複数の予測モデルから予測値をそれぞれ算出する(予測値算出工程)。そして、演算部25は、予測値選定制御を実行することで、モデル優先度に基づいて、算出した複数の予測値の中から、優先度の高い予測値を選定する。この後、演算部25は、選定した予測値を、最終的な予測値として導出して、予測値を算出する制御動作を終了する。
【0051】
以上のように、実施例2によれば、異常有りと診断されたプロセスデータD1を省き、残りのプロセスデータD1を入力変数として、予測モデルを構築することができる。このため、異常のない適切なプロセスデータD1を入力変数とする予測モデルにより、精度の良い予測値を算出することができる。
【0052】
また、実施例2によれば、異常有りと診断されたプロセスデータD1に代えて、代替プロセスデータを用いることができる。そして、異常有りと診断されたプロセスデータD1を省き、代替プロセスデータと残りのプロセスデータD1とを入力変数として、予測モデルを構築することができる。このため、異常のない適切なプロセスデータD1を入力変数とする予測モデルにより、精度の良い予測値を算出することができる。
【0053】
なお、実施例2では、不使用設定されたプロセスデータD1を、代替プロセスデータに代えて、予測モデルを構築したが、この構成に限定されず、不使用設定されたプロセスデータD1を省いて、残りのプロセスデータD1を用いて、予測モデルを構築してもよい。
【0054】
また、実施例2では、データ抽出制御において、複数種のデータセットを取得したが、この構成に限定されず、1つのデータセットを取得してもよい。この場合、1つのデータセットから構築される予測モデルは1つであり、また、1つの予測モデルから予測される予測値は1つであるため、モデル優先度に基づく予測値の選定を実行せずともよい。
【0055】
また、実施例2では、データ抽出制御において、データセットに含まれるプロセスデータD1を、演算部25により自動で選定して取得してもよく、例えば、予測値として算出する物理量に対して相関係数の高いプロセスデータD1を選定してもよいし、プロセスデータD1をランダムに選定してもよいし、予めオペレータにより選択されたプロセスデータD1を選定してもよい。また、変数減少法またはステップワイズ法等の統計的手法を用いて、プロセスデータD1を選定してもよいし、総当たりでプロセスデータD1を選定してもよい。
【実施例3】
【0056】
次に、図5を参照して、実施例3に係る予測システム20及び予測方法について説明する。図5は、実施例3の異常診断に関するフローチャートである。なお、実施例3でも、重複した記載を避けるべく、実施例1及び実施例2と異なる部分について説明し、実施例1及び実施例2と同様の構成である部分については、同じ符号を付す。実施例3に係る予測システム20は、プロセスデータD1の異常の有無の診断を、実施例1及び実施例2とは異なる手法で行っている。以下、実施例3に係る予測システム20について説明する。
【0057】
演算部25は、データ診断制御を実行することで、図5に示す制御動作によって、構築した複数の予測モデルのそれぞれに対して、入力変数として用いられるプロセスデータD1の異常の有無を診断する。図5に示すように、演算部25は、所定のデータセットに含まれる複数のプロセスデータD1のうち、異なる組み合わせとなる複数のプロセスデータD1を選定して抽出する。そして、演算部25は、異なる組み合わせとなる複数のプロセスデータD1を入力変数として、所定のプロセスデータD1を出力変数とする予測モデルを、組み合わせの数に応じて複数構築する(ステップS41)。
【0058】
この後、演算部25は、構築した複数の予測モデルの予測精度の誤差をそれぞれ算出する(ステップS42)。ここで、予測モデルの予測精度の誤差は、予測モデルにより予測される所定の物理量に関する予測値と、所定の物理量に関する計測された真値としてのプロセスデータD1とを比較することで、取得可能となっている。
【0059】
続いて、演算部25は、複数の予測モデルの誤差を算出すると、算出した複数の誤差のうち、予め設定した設定誤差以上の誤差となる予測モデルがあるか否かを判定する(ステップS43)。演算部25は、設定誤差以上となる予測モデルがある場合(ステップS43:Yes)、設定誤差以上の誤差となる予測モデルに含まれる複数のプロセスデータD1の中から、異常があるプロセスデータD1を特定する(ステップS44)。具体的に、設定誤差以上の誤差となる予測モデルに含まれる複数のプロセスデータD1として、プロセスデータD1a、D1b、D1cがある。一方で、設定誤差よりも小さい誤差となる予測モデルに含まれる複数のプロセスデータD1として、プロセスデータD1a、D1b、D1dがある。このとき、演算部25は、複数の予測モデルに含まれるプロセスデータD1を比較して、設定誤差以上の誤差となる予測モデルに含まれるプロセスデータD1a、D1b、D1cに対して、設定誤差よりも小さい誤差となる予測モデルに含まれていないプロセスデータD1cを特定する。
【0060】
そして、演算部25は、異常であるプロセスデータD1cを特定すると、プロセスデータD1cが異常であると判定する(ステップS45)。一方で、演算部25は、ステップS43において、設定誤差以上となる予測モデルがない場合(ステップS43:No)、プロセスデータD1に異常がないと判定する(ステップS46)。そして、演算部25は、データ診断制御に関する制御動作を終了する。
【0061】
以上のように、実施例3によれば、演算部25は、誤差が大きい予測モデルに含まれるプロセスデータD1の中から、異常があるプロセスデータD1を特定することができるため、プロセスデータD1の異常の有無を精度良く診断することができる。
【0062】
なお、実施例1から実施例3において、予測システム20は、ガスタービン10に関する所定の物理量を予測したが、ガスタービン10に限定されず、他の設備であってもよい。
【符号の説明】
【0063】
1 ガスタービン設備
10 ガスタービン
11 圧力センサ
12 温度センサ
13 弁
20 予測システム
21 予測装置
22 データベース
25 演算部
30 監視システム
31 監視装置
40 運転支援システム
41 運転支援装置
D1 プロセスデータ
図1
図2
図3
図4
図5