JPH0652474A - プラント監視装置 - Google Patents
プラント監視装置Info
- Publication number
- JPH0652474A JPH0652474A JP4202581A JP20258192A JPH0652474A JP H0652474 A JPH0652474 A JP H0652474A JP 4202581 A JP4202581 A JP 4202581A JP 20258192 A JP20258192 A JP 20258192A JP H0652474 A JPH0652474 A JP H0652474A
- Authority
- JP
- Japan
- Prior art keywords
- signal
- normal
- time
- pattern
- 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.)
- Withdrawn
Links
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000005856 abnormality Effects 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 abstract description 16
- 210000002569 neuron Anatomy 0.000 abstract description 13
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000000034 method Methods 0.000 abstract description 4
- 238000005070 sampling Methods 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000010304 firing Methods 0.000 description 10
- 210000004205 output neuron Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G05B23/0224—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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Alarm Systems (AREA)
Abstract
(57)【要約】
【目的】 監視対象プラントの起動及び定常運転時の状
態を熟練者による経験的な前処理なしで監視できると共
に、異常初期時に見られる各パラメータ間の関係の正常
時とのずれを熟練者による経験的な判断なしで検出でき
るようにする。 【構成】 プラント１１の動作状態を示す時系列信号を
信号計測手段１２で計測し、信号入力手段１３によりデ
ジタル信号に変換して信号処理手段１４に入力する。信
号処理手段１４は、一定のサンプリング周期で時系列デ
ータを取り込んで処理する。正常パターン学習手段３１
は、各タイミング毎に自己組織型のニューラルネットワ
ークで学習し、２次元平面状に発火ニューロンの時系列
変化パターンを作成する。正常・異常判別手段３２は、
監視時のデータから得られる発火ニューロンの時系列変
化パターンと、正常パターン学習手段３１で得た正常時
のパターンを比較して正常か否かを判別し、その結果を
表示手段１９に表示する。
態を熟練者による経験的な前処理なしで監視できると共
に、異常初期時に見られる各パラメータ間の関係の正常
時とのずれを熟練者による経験的な判断なしで検出でき
るようにする。 【構成】 プラント１１の動作状態を示す時系列信号を
信号計測手段１２で計測し、信号入力手段１３によりデ
ジタル信号に変換して信号処理手段１４に入力する。信
号処理手段１４は、一定のサンプリング周期で時系列デ
ータを取り込んで処理する。正常パターン学習手段３１
は、各タイミング毎に自己組織型のニューラルネットワ
ークで学習し、２次元平面状に発火ニューロンの時系列
変化パターンを作成する。正常・異常判別手段３２は、
監視時のデータから得られる発火ニューロンの時系列変
化パターンと、正常パターン学習手段３１で得た正常時
のパターンを比較して正常か否かを判別し、その結果を
表示手段１９に表示する。
Description
【０００１】
【産業上の利用分野】本発明は、プラントの動作状態を
監視するプラント監視装置に関する。
監視するプラント監視装置に関する。
【０００２】
【従来の技術】従来、プラント監視装置は、図４に示す
ように構成されている。同図において１１は監視対象の
プラントで、その動作状態を示す１つまたは複数の時系
列信号が信号計測手段１２により計測され、アナログ信
号として取り出される。この信号計測手段１２により計
測された信号は、信号入力手段１３によりデジタル信号
に変換され、監視装置本体内の信号処理手段１４に入力
される。この信号処理手段１４は、ある一定のサンプリ
ング周期で時系列データを取り込み、データの変化傾向
に伴うブロック化、統計処理、データの圧縮処理等を行
なう。この信号処理手段１４により処理された信号は、
信号記録手段１５により記録されると共に、監視手段１
６に送られて処理される。
ように構成されている。同図において１１は監視対象の
プラントで、その動作状態を示す１つまたは複数の時系
列信号が信号計測手段１２により計測され、アナログ信
号として取り出される。この信号計測手段１２により計
測された信号は、信号入力手段１３によりデジタル信号
に変換され、監視装置本体内の信号処理手段１４に入力
される。この信号処理手段１４は、ある一定のサンプリ
ング周期で時系列データを取り込み、データの変化傾向
に伴うブロック化、統計処理、データの圧縮処理等を行
なう。この信号処理手段１４により処理された信号は、
信号記録手段１５により記録されると共に、監視手段１
６に送られて処理される。
【０００３】この監視手段１６は、信号解析手段１７及
び正常・異常判別手段１８からなり、信号処理手段１４
により処理された信号の解析、正常・異常の判別を行な
う。信号解析手段１７は、信号処理手段１４からの処理
後のデータに対し、統計処理、正規分布の判定を行な
う。正常・異常判別手段１８は、信号解析手段１７の解
析結果と、予め正常データを基に経験的に定めた正常の
基準値を比較し、正常・異常の判別を行なう。この正常
・異常判別手段１８の判別結果は、表示手段１９に送ら
れて表示されると共に、印刷手段２０に送られて印刷さ
れる。また、２１は、ユーザが上記した計測、処理、判
別、表示、印刷の機能を指定する際のインタフェースと
なる操作手段である。
び正常・異常判別手段１８からなり、信号処理手段１４
により処理された信号の解析、正常・異常の判別を行な
う。信号解析手段１７は、信号処理手段１４からの処理
後のデータに対し、統計処理、正規分布の判定を行な
う。正常・異常判別手段１８は、信号解析手段１７の解
析結果と、予め正常データを基に経験的に定めた正常の
基準値を比較し、正常・異常の判別を行なう。この正常
・異常判別手段１８の判別結果は、表示手段１９に送ら
れて表示されると共に、印刷手段２０に送られて印刷さ
れる。また、２１は、ユーザが上記した計測、処理、判
別、表示、印刷の機能を指定する際のインタフェースと
なる操作手段である。
【０００４】上記の構成において、信号計測手段１２に
より計測したプラント１１のある運転モードにおける時
系列データを信号入力手段１３を介して信号処理手段１
４に入力する。信号処理手段１４は、信号計測手段１２
からの時系列データを正常なものについて集め、正常規
範データ群とし、これらの各時系列てたについて、同じ
状態が続く時間帯を一つのブロックとしてまとめ、この
間のデータ群の平均値をそのブロックの代表値とし、圧
縮された時系列データを作る。そして、信号解析手段１
７により各ブロック毎に正常規範データの正規分布を調
べ、その性質の有無に応じた２種類の統計的手法によ
り、正常基準値を算出する。正常・異常判別手段１８
は、この正常基準値と検証したい時系列データの各ブロ
ック毎の代表値を比較し、全ブロックを通して１つでも
異常があれば、運転異常と判断する。このような手法に
より、プラント１１の監視が行なわれる。
より計測したプラント１１のある運転モードにおける時
系列データを信号入力手段１３を介して信号処理手段１
４に入力する。信号処理手段１４は、信号計測手段１２
からの時系列データを正常なものについて集め、正常規
範データ群とし、これらの各時系列てたについて、同じ
状態が続く時間帯を一つのブロックとしてまとめ、この
間のデータ群の平均値をそのブロックの代表値とし、圧
縮された時系列データを作る。そして、信号解析手段１
７により各ブロック毎に正常規範データの正規分布を調
べ、その性質の有無に応じた２種類の統計的手法によ
り、正常基準値を算出する。正常・異常判別手段１８
は、この正常基準値と検証したい時系列データの各ブロ
ック毎の代表値を比較し、全ブロックを通して１つでも
異常があれば、運転異常と判断する。このような手法に
より、プラント１１の監視が行なわれる。
【０００５】
【発明が解決しようとする課題】上記従来のプラント監
視装置は、時系列データをその変化傾向に従って経験的
にブロック化し、あるプラント運転モードにおける同じ
タイミング毎のデータ間で比較を行なっているので、こ
のブロック化に熟練者の知識と手間が必要である。
視装置は、時系列データをその変化傾向に従って経験的
にブロック化し、あるプラント運転モードにおける同じ
タイミング毎のデータ間で比較を行なっているので、こ
のブロック化に熟練者の知識と手間が必要である。
【０００６】また、時系列データのブロック毎、パラメ
ータ毎の異常検出は行なえるが、複数パラメータの全体
的な変化傾向のパターンの比較はできないので、異常の
早期検出に熟練者の経験が必要である。
ータ毎の異常検出は行なえるが、複数パラメータの全体
的な変化傾向のパターンの比較はできないので、異常の
早期検出に熟練者の経験が必要である。
【０００７】本発明は上記実情を考慮してなされたもの
で、監視対象プラントの起動から定常運転までの起動運
転、または定常運転の状態の監視を、熟練者による経験
的な前処理なしで行なうことができると共に、複数のパ
ラメータの組の変化傾向の学習により、異常初期時に見
られる各パラメータ間の関係の正常時とのずれを、熟練
者による経験的な判断なしで検出することができるプラ
ント監視装置を提供することを目的とする。
で、監視対象プラントの起動から定常運転までの起動運
転、または定常運転の状態の監視を、熟練者による経験
的な前処理なしで行なうことができると共に、複数のパ
ラメータの組の変化傾向の学習により、異常初期時に見
られる各パラメータ間の関係の正常時とのずれを、熟練
者による経験的な判断なしで検出することができるプラ
ント監視装置を提供することを目的とする。
【０００８】
【課題を解決するための手段】本発明に係るプラント監
視装置は、監視対象であるプラントからの信号を計測す
る信号計測手段と、この計測手段により計測された信号
を装置本体に入力する信号入力手段と、この手段により
入力された信号を圧縮する信号処理手段と、この手段に
より処理された信号を記録する信号記録手段と、上記信
号処理手段により処理された正常時の時系列信号パター
ンを１次元の入力層と２次元の出力層からなるネットワ
ークで教師データなしで学習する正常パターン学習手段
と、この正常パターン学習手段で学習したパターンを基
にして上記信号処理手段の出力信号からプラントの正常
・異常を判別する正常・異常判別手段と、ユーザとイン
タフェースする操作手段と、上記正常・異常判別手段の
判別結果を表示する表示手段とを備えたことを特徴とす
る。
視装置は、監視対象であるプラントからの信号を計測す
る信号計測手段と、この計測手段により計測された信号
を装置本体に入力する信号入力手段と、この手段により
入力された信号を圧縮する信号処理手段と、この手段に
より処理された信号を記録する信号記録手段と、上記信
号処理手段により処理された正常時の時系列信号パター
ンを１次元の入力層と２次元の出力層からなるネットワ
ークで教師データなしで学習する正常パターン学習手段
と、この正常パターン学習手段で学習したパターンを基
にして上記信号処理手段の出力信号からプラントの正常
・異常を判別する正常・異常判別手段と、ユーザとイン
タフェースする操作手段と、上記正常・異常判別手段の
判別結果を表示する表示手段とを備えたことを特徴とす
る。
【０００９】
【作用】信号処理手段は、正常運転時の一定間隔でサン
プリングした複数の時系列データを監視手段に設けた正
常パターン学習手段に入力する。正常パターン学習手段
は、各タイミング毎に自己組織型のニューラルネットワ
ークで学習し、２次元平面状に発火ニューロンの時系列
変化パターンを作成する。
プリングした複数の時系列データを監視手段に設けた正
常パターン学習手段に入力する。正常パターン学習手段
は、各タイミング毎に自己組織型のニューラルネットワ
ークで学習し、２次元平面状に発火ニューロンの時系列
変化パターンを作成する。
【００１０】正常・異常判別手段は、監視時のデータを
順次入力することで得られる発火ニューロンの時系列変
化パターンと、上記正常パターン学習手段で得た正常時
のパターンを比較することによって、正常か否かを判別
する。この正常・異常判別手段の判別結果は、表示手段
に送られて表示される。
順次入力することで得られる発火ニューロンの時系列変
化パターンと、上記正常パターン学習手段で得た正常時
のパターンを比較することによって、正常か否かを判別
する。この正常・異常判別手段の判別結果は、表示手段
に送られて表示される。
【００１１】
【実施例】以下、図面を参照して本発明の一実施例を説
明する。
明する。
【００１２】図１は本発明の一実施例に係るプラント監
視装置構成を示すブロック図である。図１における監視
対象のプラント１１、信号計測手段１２、信号入力手段
１３、信号処理手段１４、信号記録手段１５、表示手段
１９、印刷手段２０及び操作手段２１については、図４
に示した従来装置と同じであるので、詳細な説明は省略
する。
視装置構成を示すブロック図である。図１における監視
対象のプラント１１、信号計測手段１２、信号入力手段
１３、信号処理手段１４、信号記録手段１５、表示手段
１９、印刷手段２０及び操作手段２１については、図４
に示した従来装置と同じであるので、詳細な説明は省略
する。
【００１３】上記信号処理手段１４により処理されたデ
ータは、監視手段３０に送られる。この監視手段３０
は、信号処理手段１４による処理後の正常な時系列デー
タのパターンを学習する正常パターン学習手段３１及び
その学習結果を用いて正常、異常の判別を行なう正常・
異常判別手段３２により構成される。
ータは、監視手段３０に送られる。この監視手段３０
は、信号処理手段１４による処理後の正常な時系列デー
タのパターンを学習する正常パターン学習手段３１及び
その学習結果を用いて正常、異常の判別を行なう正常・
異常判別手段３２により構成される。
【００１４】正常パターン学習手段３１は、監視対象の
プラント１１が正常の時に、信号処理手段１４から送ら
れてくる一定間隔のサンプリングデータ（学習用デー
タ）３３の時系列変化パターンを学習する。正常・異常
判別手段３２は、監視時に一定間隔で計測・処理されて
信号処理手段１４から入力される判別用データ３４が正
常か否かを判別する。
プラント１１が正常の時に、信号処理手段１４から送ら
れてくる一定間隔のサンプリングデータ（学習用デー
タ）３３の時系列変化パターンを学習する。正常・異常
判別手段３２は、監視時に一定間隔で計測・処理されて
信号処理手段１４から入力される判別用データ３４が正
常か否かを判別する。
【００１５】図２（ａ），（ｂ）は、上記正常パターン
学習手段３１の説明図で、１次元の入力層４１と２次元
の出力層４２からなる２層のニューラルネットワーク構
造を有する。入力は、０〜１の範囲で規格化された５分
毎の複数パラメータのデータの組であり、６０分間の運
転時間に対して合計１３組ある。これらを自己組織化特
徴マッピング（Self Organizaion Feature Mapping）手
法により、教師なしで繰り返し学習することで、各入力
データを出力層４２のいずれかのニューロンに割り当
て、発火ニューロンの時系列変化パターンを求める。即
ち、正常パターン学習手段３１は、信号処理手段１４か
ら送られてくる学習用データ３３、つまり、正常運転時
の一定間隔でサンプリングされた複数の時系列データに
ついて、各タイミング毎に自己組織型のニューラルネッ
トワークで学習し、２次元平面状に発火ニューロンの時
系列変化パターンを作成する。
学習手段３１の説明図で、１次元の入力層４１と２次元
の出力層４２からなる２層のニューラルネットワーク構
造を有する。入力は、０〜１の範囲で規格化された５分
毎の複数パラメータのデータの組であり、６０分間の運
転時間に対して合計１３組ある。これらを自己組織化特
徴マッピング（Self Organizaion Feature Mapping）手
法により、教師なしで繰り返し学習することで、各入力
データを出力層４２のいずれかのニューロンに割り当
て、発火ニューロンの時系列変化パターンを求める。即
ち、正常パターン学習手段３１は、信号処理手段１４か
ら送られてくる学習用データ３３、つまり、正常運転時
の一定間隔でサンプリングされた複数の時系列データに
ついて、各タイミング毎に自己組織型のニューラルネッ
トワークで学習し、２次元平面状に発火ニューロンの時
系列変化パターンを作成する。
【００１６】上記１３組のデータについて更に詳細に説
明する。信号処理手段１４から図２（ａ）に示すように
Ａ，Ｂ，Ｃの３種類について、各々例えば０分〜６０分
の５分毎、計１３個の時系列データが出力される。この
各時刻の３種類のデータ（Ａ，Ｂ，Ｃ）を１組にして、
合計１３個のデータができる。正常パターン学習手段３
１は、この１３個のデータを図２（ｂ）に示すように入
力層４１から順に入力し、各データについて、出力層４
２における７×７個の出力ニューロンの中から対応する
ニューロンを１個決定する。
明する。信号処理手段１４から図２（ａ）に示すように
Ａ，Ｂ，Ｃの３種類について、各々例えば０分〜６０分
の５分毎、計１３個の時系列データが出力される。この
各時刻の３種類のデータ（Ａ，Ｂ，Ｃ）を１組にして、
合計１３個のデータができる。正常パターン学習手段３
１は、この１３個のデータを図２（ｂ）に示すように入
力層４１から順に入力し、各データについて、出力層４
２における７×７個の出力ニューロンの中から対応する
ニューロンを１個決定する。
【００１７】この対応する出力ニューロンの選択方法
は、以下のようにして行なわれる。３個の入力データを
３次元ベクトルとみなす。また、出力層４２における４
９個の各出力ニューロンから、入力層４１の３個の入力
ニューロンに至る３本のリンクの重み値のデータも、同
様に３次元のベクトルとみなす。これらは乱数として初
期値を与えられ、１３個の各入力ベクトルに対して、４
９個の重みベクトルとの距離を計算し、その距離の最小
となるものを対応する出力ニューロンとして決定する。
この距離が最小であるとして決定・選択されることを発
火するといい、選択されたニューロンを発火ニューロン
と呼ぶ。
は、以下のようにして行なわれる。３個の入力データを
３次元ベクトルとみなす。また、出力層４２における４
９個の各出力ニューロンから、入力層４１の３個の入力
ニューロンに至る３本のリンクの重み値のデータも、同
様に３次元のベクトルとみなす。これらは乱数として初
期値を与えられ、１３個の各入力ベクトルに対して、４
９個の重みベクトルとの距離を計算し、その距離の最小
となるものを対応する出力ニューロンとして決定する。
この距離が最小であるとして決定・選択されることを発
火するといい、選択されたニューロンを発火ニューロン
と呼ぶ。
【００１８】従って、１３個の入力ベクトルの中で、距
離の近いものがあれば、対応出力ニューロンが一致する
場合もある。このようにして１３個以下の対応出力ニュ
ーロンが決定され、入力順に発火していく様子をパター
ンとして表わしたのが、図３に示す出力ニューロンの発
火パターンである。
離の近いものがあれば、対応出力ニューロンが一致する
場合もある。このようにして１３個以下の対応出力ニュ
ーロンが決定され、入力順に発火していく様子をパター
ンとして表わしたのが、図３に示す出力ニューロンの発
火パターンである。
【００１９】図３において、Ｐ1 は正常運転データの学
習結果である発火ニューロンの時系列変化パターン、Ｐ
2 はこの学習済みのニューラルネットワークに異常運転
時のデータを認識させて得られた発火ニューロンの変化
パターンである。これは、異常時の変化パターンＰ2
が、正常時の変化パターンＰ2 から外れてきていること
を示している。
習結果である発火ニューロンの時系列変化パターン、Ｐ
2 はこの学習済みのニューラルネットワークに異常運転
時のデータを認識させて得られた発火ニューロンの変化
パターンである。これは、異常時の変化パターンＰ2
が、正常時の変化パターンＰ2 から外れてきていること
を示している。
【００２０】正常・異常判別手段３２は、上記正常パタ
ーン学習手段３１で得られた正常時のパターンと、監視
時の判別用データ３４を順次入力することで得られる発
火ニューロンの時系列変化パターンとを比較することに
よって、正常か否かを判別する。そして、上記正常・異
常判別手段３２により判別された結果は、表示手段１９
により表示され、また、必要に応じて印刷手段２０によ
り印刷される。
ーン学習手段３１で得られた正常時のパターンと、監視
時の判別用データ３４を順次入力することで得られる発
火ニューロンの時系列変化パターンとを比較することに
よって、正常か否かを判別する。そして、上記正常・異
常判別手段３２により判別された結果は、表示手段１９
により表示され、また、必要に応じて印刷手段２０によ
り印刷される。
【００２１】
【発明の効果】以上詳記したように本発明によれば、監
視対象プラントの起動から定常運転までの起動運転、又
は定常運転の状態の監視を、熟練者による経験的な前処
理なしで行なうことができる。更に、複数のパラメータ
の組の変化傾向の学習により、異常初期時に見られる各
パラメータ間の関係の正常時とのずれを、やはり熟練者
による経験的な判断なしで検出することができる。
視対象プラントの起動から定常運転までの起動運転、又
は定常運転の状態の監視を、熟練者による経験的な前処
理なしで行なうことができる。更に、複数のパラメータ
の組の変化傾向の学習により、異常初期時に見られる各
パラメータ間の関係の正常時とのずれを、やはり熟練者
による経験的な判断なしで検出することができる。
【図面の簡単な説明】
【図１】本発明の一実施例に係るプラント監視装置の構
成を示すブロック図。
成を示すブロック図。
【図２】同実施例における正常パターン学習手段の説明
図。
図。
【図３】同実施例における正常・異常判別手段の一例を
示す図。
示す図。
【図４】従来のプラント監視装置の構成を示す図。
１１…プラント、 １２…信号計測手段、
１３…信号入力手段、１４…信号処理手段、 １５
…信号記録手段、 １６…監視手段、１７…信号
解析手段、 １８…正常・異常判別手段、 １９…表
示手段、２０…印刷手段、 ２１…操作手段、
３０…監視手段、３１…正常パターン学習手
段、 ３２…正常・異常判別手段、３３…学習用データ
３４…判別用データ、 ４１…入力層、４
２…出力層。
１３…信号入力手段、１４…信号処理手段、 １５
…信号記録手段、 １６…監視手段、１７…信号
解析手段、 １８…正常・異常判別手段、 １９…表
示手段、２０…印刷手段、 ２１…操作手段、
３０…監視手段、３１…正常パターン学習手
段、 ３２…正常・異常判別手段、３３…学習用データ
３４…判別用データ、 ４１…入力層、４
２…出力層。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 矢口 誓児 兵庫県神戸市兵庫区和田崎町一丁目１番１ 号 三菱重工業株式会社神戸造船所内 (72)発明者 中山 博之 兵庫県高砂市荒井町新浜二丁目１番１号 三菱重工業株式会社高砂研究所内
Claims (1)
- 【請求項１】 監視対象であるプラントからの信号を計
測する信号計測手段と、この計測手段により計測された
信号を装置本体に入力する信号入力手段と、この手段に
より入力された信号を圧縮する信号処理手段と、この手
段により処理された信号を記録する信号記録手段と、上
記信号処理手段により処理された正常時の時系列信号パ
ターンを１次元の入力層と２次元の出力層からなるネッ
トワークで教師データなしで学習する正常パターン学習
手段と、この正常パターン学習手段で学習したパターン
を基にして上記信号処理手段の出力信号からプラントの
正常・異常を判別する正常・異常判別手段と、ユーザと
インタフェースする操作手段と、上記正常・異常判別手
段の判別結果を表示する表示手段とを具備したことを特
徴とするプラント監視装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4202581A JPH0652474A (ja) | 1992-07-29 | 1992-07-29 | プラント監視装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4202581A JPH0652474A (ja) | 1992-07-29 | 1992-07-29 | プラント監視装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0652474A true JPH0652474A (ja) | 1994-02-25 |
Family
ID=16459862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4202581A Withdrawn JPH0652474A (ja) | 1992-07-29 | 1992-07-29 | プラント監視装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0652474A (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007249997A (ja) * | 2000-07-15 | 2007-09-27 | Intevep Sa | 工業プロセスの監視方法及び監視システム |
| JP2008083865A (ja) * | 2006-09-26 | 2008-04-10 | Matsushita Electric Works Ltd | 異常監視装置 |
| JP2008097361A (ja) * | 2006-10-12 | 2008-04-24 | Matsushita Electric Works Ltd | 異常監視装置 |
| WO2018110259A1 (ja) * | 2016-12-14 | 2018-06-21 | オムロン株式会社 | 制御装置、制御プログラムおよび制御方法 |
| JP2018097662A (ja) * | 2016-12-14 | 2018-06-21 | オムロン株式会社 | 制御装置、制御プログラムおよび制御方法 |
-
1992
- 1992-07-29 JP JP4202581A patent/JPH0652474A/ja not_active Withdrawn
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007249997A (ja) * | 2000-07-15 | 2007-09-27 | Intevep Sa | 工業プロセスの監視方法及び監視システム |
| JP2008083865A (ja) * | 2006-09-26 | 2008-04-10 | Matsushita Electric Works Ltd | 異常監視装置 |
| JP2008097361A (ja) * | 2006-10-12 | 2008-04-24 | Matsushita Electric Works Ltd | 異常監視装置 |
| WO2018110259A1 (ja) * | 2016-12-14 | 2018-06-21 | オムロン株式会社 | 制御装置、制御プログラムおよび制御方法 |
| JP2018097662A (ja) * | 2016-12-14 | 2018-06-21 | オムロン株式会社 | 制御装置、制御プログラムおよび制御方法 |
| CN109983412A (zh) * | 2016-12-14 | 2019-07-05 | 欧姆龙株式会社 | 控制装置、控制程序以及控制方法 |
| US11009847B2 (en) | 2016-12-14 | 2021-05-18 | Omron Corporation | Controller, control program, and control method |
| US11036199B2 (en) | 2016-12-14 | 2021-06-15 | Omron Corporation | Control device, control program, and control method for anomaly detection |
| CN109983412B (zh) * | 2016-12-14 | 2022-09-16 | 欧姆龙株式会社 | 控制装置、计算机可读记录介质以及控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zorriassatine et al. | A review of neural networks for statistical process control | |
| EP0637739B1 (en) | Testing an internal combustion engine | |
| Samanta et al. | Artificial neural networks and genetic algorithm for bearing fault detection | |
| US8332337B2 (en) | Condition-based monitoring system for machinery and associated methods | |
| EP0583131A1 (en) | Flame detection method and apparatus | |
| US5854993A (en) | Component machine testing using neural network processed vibration data analysis | |
| CN109711682A (zh) | 一种数据驱动的船舶总体状态评估方法 | |
| CN109086876A (zh) | 设备的运行状态检测方法、装置、计算机设备和存储介质 | |
| CN111552243B (zh) | 一种智能纺纱打包生产线故障检测系统 | |
| EP4033219B1 (en) | Anomaly determination device and anomaly determination method | |
| JPH0652474A (ja) | プラント監視装置 | |
| JPH0793018A (ja) | 動作状態の診断方法及びシステム | |
| JPH06259678A (ja) | プラント監視装置 | |
| JPH07334479A (ja) | パターン分類装置及びこの装置を利用する状態監視システム | |
| CN120579114B (zh) | 一种给水泵故障诊断系统 | |
| US5845050A (en) | Method and apparatus for processing information and a method and apparatus for executing a work instruction | |
| US5237512A (en) | Signal recognition and classification for identifying a fire | |
| RU2134897C1 (ru) | Способ оперативного динамического анализа состояний многопараметрического объекта | |
| CN120038195B (zh) | 一种轧辊自适应测温系统及轧辊自适应预测算法 | |
| RU2156496C1 (ru) | Способ оперативного динамического анализа нечеткого состояния многопараметрического объекта или процесса | |
| JP7517586B2 (ja) | 学習装置、学習方法、検査装置、検査方法、及び、プログラム | |
| KR100197715B1 (ko) | 퍼지원리를 이용한 세정도 판별방법 | |
| Reuter et al. | A proposed method for representing the real-time behaviour of technical processes in neural nets | |
| EP4554171A1 (en) | A method and system for monitoring traffic in an industrial computer network | |
| CN121883351A (zh) | 基于多源检测的烩面自动生产线产品缺陷分析方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Withdrawal of application because of no request for examination |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 19991005 |