JP6274932B2 - 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 - Google Patents

Description

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。

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。

国際公開第２０１０／０９５３１４号

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。 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は、実施例３の異常診断に関するフローチャートである。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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）。

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。

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。

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。

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。

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。

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

Claims (9)

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。
2. 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に記載の予測システム。
3. 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不使用設定とし、不使用設定と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しており、
   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予測システム。
4. 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相関関係を有す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、相関関係を有する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３に記載の予測システム。
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。
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。
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。
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。
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不使用設定とし、不使用設定と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、
   前記予測モデル構築工程では、
   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、
   前記入力変数異常診断工程では、
   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予測方法。

Images