DE4012278C2 - Betriebszustand-Diagnosevorrichtung - Google Patents

Description

Die vorliegende Erfindung betrifft eine Betriebszustand-Diagnose­ vorrichtung gemäß dem Oberbegriff des Anspruchs 1. Ein solche Vorrichtung ist im Industrie-Anzeiger 29/1989, Seite 36-38 dargestellt.

Im allgemeinen wird eine Abnormalität, die bei einer An­ lage auftritt, oft in Form spezieller Schwingungen ermittelt, beispielsweise in Form außergewöhnlicher mechanischer Schwin­ gungen. Im Fall rotierender Maschinen erschei­ nen solche Abnormalitäten oft als Schwingungen ihrer Achse. Es wurde deswegen versucht, das Vorliegen oder die Abwesenheit von Abnormalitäten in einer rotierenden Maschine, insbesondere einer Dampfturbine durch Überwachen der Schwingungen, etwa der Achsschwingungen, zu bestimmen und ferner hierdurch deren Ursachen abzuschätzen.

Als erstes bekanntes Verfahren gibt es ein Verfahren, das in einer ASME-Veröffentlichung (81-JPGC-Pwr-28) erörtert ist. Gemäß diesem Verfahren wird die Wellenform aufgezeichneter Schwingungen einer Spektralanalyse unterzogen, und die Ursache der Abnormalität wird unter Verwendung einer logischen Diagnosetabelle abgeschätzt.

Ein zweites herkömmliches Verfahren ist zusätzlich in der Schrift mit dem Titel "Die Entwicklung und Anwendung von TURBOMAC, ein fortgeschrittenes Maschinendiagnosesystem" erörtert; diese Schrift ist dem EPRI-Seminar über fortge­ schrittene Systemanwendungen in "Kraftwerken", Boston, 27. 29. Mai 1987, erwähnt. Dieses Verfahren wird angewandt, um die Ursache einer jeden Abnormalität unter Verwendung bekannter Maschinenbauregeln abzuschätzen. Nach diesem Verfahren wird die Ursache einer Abnormalität dadurch bestimmt, daß man eine Recherche unter einer Anzahl diagnostischer Regeln vornimmt, die schon vorher erstellt wurden.

Die obigen herkömmlichen Vorgehensweisen sind jedoch von den folgenden Problemen begleitet:

Beim ersten Verfahren muß die Spektralanalyse in Echtzeit durchgeführt werden. Es ist deswegen unverzichtbar, einen spe­ ziellen Prozessor oder Hochleistungs-Computer zu diesem Zweck zu verwenden, wodurch das Diagnosesystem kostspielig wird. Ferner wird eine logische Diagnosetabelle von einem Experten oder Fachmann vorbereitet, der auf dem Gebiet abnormaler Er­ scheinungen der betreffenden Anlage versiert ist. Es ist deswegen viel Zeit erfor­ derlich, um eine solche logische Diagnosetabelle zu erstellen. Zusätzlich spiegeln die Diagnoseergebnisse individuelle Unter­ schiede der Person wider, die die logische Tabelle erstellt hat, so daß es an Objektivität fehlt.

Ferner wird weder das Ausmaß einer jeden Abnormalität (nachfolgend als "Abnormalitätspegel" bezeichnet), noch die Zuverlässigkeit der Diagnoseergebnisse (nachfolgend als "Ge­ wißheitsfaktor" bezeichnet) durch die logische Diagnosetabelle gezeigt, weswegen ein Benutzer (beispielsweise eine Bedie­ nungsperson) nicht weiß, inwieweit er sich auf Bedeutung und Zuverlässigkeit der Diagnoseergebnisse verlassen kann. Dement­ sprechend ist die Wertung der Diagnoseergebnisse ebenfalls in hohem Grade von der subjektiven Person des Benutzers abhängig. Die Verwendung einer solchen logischen Diagnosetabelle bringt deshalb Probleme hinsichtlich der Objektivität mit sich.

Beim zweiten Verfahren wird andererseits die Gruppe der Diagnoseregeln in Form eines großen Vergleichsbaums erstellt. Es ist deshalb viel Zeit für den Eingriff (die Recherche am Vergleichsbaum) erforderlich, so daß das zweite Verfahren als eine prozeßentkoppelte Diagnose ausgeführt wird. Um das zweite Verfahren in Echtzeit durchzuführen, ist ein Hochleistungs- Computer erforderlich. Ferner werden die Diagnoseregeln wie bei dem ersten herkömmlichen Verfahren durch einen Experten oder Fachmann erstellt, der auf dem Gebiet abnormaler Erschei­ nungen der betreffenden Anlage versiert ist. Es ist deshalb viel Zeit für ihre Erstellung erforderlich. Zusätzlich spie­ geln die Diagnoseergebnisse individuelle Unterschiede jener Person wider, die die Diagnoseregeln erstellt hat, und es fehlt ihnen an Objektivität. Ferner werden Grunddaten für Diagnosen durch den Benutzer aus einer großen Auswahl von Da­ ten auf der Grundlage der Anzeichen der Abnormalitäten ausge­ wählt und werden in ein Diagnosesystem eingegeben. Deshalb spiegeln die Diagnoseergebnisse unvermeidlich die indivi­ duellen Unterschiede des Benutzers wider. Als Ergebnis spie­ gelt der Gewißheitsfaktor auch den Ermessensgrad sowohl jener Person, die die Diagnoseregeln erstellt hat, als auch der Person wider, die die Grunddaten für die Diagnose angegeben hat. Der Gewißheitsfaktor hat deshalb keine Überzeugungskraft.

Wie oben beschrieben, werden die obigen herkömmlichen Vorgehensweisen von den Nachteilen begleitet, daß sie viel Zeit für die Erstellung einer logischen Diagnosetabelle er­ fordern und sie keine Verarbeitungsgeschwindigkeit liefern können, die schnell genug ist, um Echtzeit-Bearbeitung zu bieten, und die Diagnoseergebnisse haben wenig Objektivität.

Ein weiteres Betriebszustandsdiagnosesystem gemäß dem Oberbegriff des Anspruchs 1 ist in der US 4,380,172 dargestellt.

In der Technischen Rundschau 2/89, Seite 34-39 ist dar­ über hinaus ein neuronales Netz und seine verschiedenen An­ wendungsmöglichkeiten beschrieben. Ein Lernsystem auf der Ba­ sis eines neuronalen Netzes ist außerdem aus Electronic Ima­ ging 1988, Vol. 1, Seite 60-65, bekannt.

In der Technischen Rundschau 11/88, Seiten 58-65, und in Elektrisches Nachrichtenwesen, Bd. 60, Nr. 2, 1986, Seiten 100-108, werden weiterhin Expertensysteme Rund ihre Anwendungs­ möglichkeiten dargestellt.

Aufgabe der Erfindung ist es, eine Betriebszustandsdiagnosevor­ richtung zu schaffen, die baulich einfach sowie in der Verar­ beitung schnell ist und zuverlässige Diagnoseergebnisse er­ möglicht.

Diese Aufgabe wird bei einer gattungsgemäßen Betriebszustands­ diagnosevorrichtung durch die im kennzeichnenden Teil des An­ spruchs 1 angegebenen Maßnahmen gelöst. Vorteilhafte Ausfüh­ rungsformen sind in den Unteransprüchen angegeben.

Die vorliegende Erfindung wird anhand der nachfolgenden Beschrei­ bung und den beigefügten Zeichnungen näher erläutert. In den Zeichnungen zeigt:

Fig. 1 ein Blockschaltbild, das den Gesamtaufbau ei­ nes Diagnosesystems gemäß einem Ausführungsbeispiel der vor­ liegenden Erfindung zeigt,

Fig. 2 eine schematische Darstellung der Einzelheiten von Lernmustern,

Fig. 3 eine schematische Darstellung eines Einheitsmo­ dells, das ein neuronales Netzwerkmodell aufbaut.

Fig. 4 schematisch den Grundaufbau eines neuronalen Netz­ werkdiagramms und die Grundprozedur eines Lern-Algorithmus,

Fig. 5 schematisch die Einzelheiten der Prozedur des Lern-Algorithmus,

Fig. 6 schematisch ein Verfahren zum Festsetzen einer Lernprozedur,

Fig. 7 eine schematische Ansicht eines Verfahrens, um auf dem Bildschirm einer Kathodenstrahlröhre die Stärkevertei­ lung der Verbindung in einem neuronalen Netzwerk darzustellen,

Fig. 8 eine schematische Darstellung eines Verfahrens, um auf dem Bildschirm einer Kathodenstrahlröhre die syn­ aptischen Gewichts- bzw. Wertigkeitsverteilungen in einer Aus­ gangsschicht und einem Eingangsabschnitt einer verdeckten Ein­ heitsschicht anzuzeigen,

Fig. 9 ein Diagramm, das ein Verfahren zum Anzeigen der Energietendenzen im neuronalen Netzwerk auf dem Bildschirm einer Kathodenstrahlröhre zeigt,

Fig. 10 eine schematische Darstellung eines Verfahrens zum Anzeigen des Zustands der Wahrnehmung diagnostischer Er­ gebnisse einer Abnormalität in einem neuronalen Netzwerkmodell auf dem Bildschirm einer Kathodenstrahlröhre,

Fig. 11 eine schematische Ansicht eines Verfahrens zum Anzeigen von Diagnoseergebnissen als eine Anleitung für eine Bedienungsperson auf dem Bildschirm einer Kathodenstrahlröhre,

Fig. 12 ein Blockschaltbild, das den Aufbau eines Ausführungsbeispiels zeigt, das als mehrstufige Anordnung verkörpert ist, und

Fig. 13, 14 und 15 Blockschaltbilder, die jeweils ein anderes Ausführungsbeispiel der vorliegenden Erfindung zeigen.

Es wird zunächst auf Fig. 1 Bezug genommen; ein Abnorma­ litäts-Diagnosesystem gemäß einem Ausführungsbeispiel der vor­ liegenden Erfindung wird nun beschrieben. Das Diagnosesystem ist bei einer Dampfturbine in einem Kraftwerk angewandt.

Das System ist aus einem Prozessor 1000 zum Einlernen und Diagnostizieren einer abnormalen Erscheinung unter Verwendung eines Eingangs-Schwingungssignals 2, das durch einen Fühler (nicht gezeigt) für mechanische Schwingungen einer rotierenden Welle einer Dampfturbine 1 ermittelt wird, und einer Mensch- Maschinen-Schnittstelle 2000 aufgebaut, um die Diagnoseergebnisse einer Abnormalität der Lern-Kontrollinformation in Überein­ stimmung mit einer Abfrage von einer Bedienungsperson 3 her anzuzeigen.

Der Prozessor 1000 weist die folgenden Funktion auf: eine Funktion 1100 zum Speichern einer Schwingungs-Wellenform, um als Schwingungswellenformdaten 1110 Schwingungssignale 2 wäh­ rend eines bestimmten Zeitraumes zu speichern, eine Daten-Um­ wandlungsfunktion 1200 zum Umwandeln der Schwingungswellen­ formdaten 1110, um Abnormalitäts-Überwachungsdaten 1210 und Lerndaten 1220 zu erzeugen, eine Lernmuster-Speicherfunktion 1300, um in einer vorbestimmten Form mehrere abnormale Er­ scheinungen als Lernmuster auf der Grundlage der Lerndaten 1220 zu speichern, eine Lern-Kontrollfunktion 1500, um ein unten beschriebenes neuronales Netzwerkmodell 1400 zu veranlas­ sen, die Anzahl von Lernmusterinformation 1310 einzulernen, die in der Lernmuster-Speicherfunktion 1300 gespeichert sind, und zwar durch eine vorgeschriebene Prozedur, das neuronale Netzwerkmodell 1400, um als Verknüpfungsstärke im Kreis die Lern-Eingangsdaten 1510 zu speichern, die von der Lern-Kon­ trollfunktion 1500 her eingegeben werden, und um auf der Grundlage der Verknüpfungsstärke im Kreis ein Wahrnehmungs­ signal 1410 auszugeben, wobei man die Abnormalitätsüberwa­ chungsdaten 1210 benutzt, die von der Daten-Umwandlungsfunk­ tion 1200 her eingegeben werden, und eine das Diagnoseergebnis anzeigende Funktion 1600, um die Diagnoseergebnisse 1610 in einer für die Bedienungsperson 3 ohne weiteres verständlichen Form auf der Grundlage des Wahrnehmungssignals 1410 anzuzei­ gen.

Der Prozessor 1000 dieses Systems kann einen Informa­ tionsprozessor umfassen, der eine arithmetische Einheit, eine Speichereinheit, eine Überwachungseinheit, eine Eingangs-/Aus­ gangseinheit usw. als Bauteile umfaßt. Die oben beschriebenen Funktionen werden durch diese Bauteile sowie durch zugeführte Programme durchgeführt.

Das neuronale Netzwerkmodell 1400 hat beispielsweise eine Funktion, um eine Eingangsschicht, eine verdeckte Einheits­ schicht, eine Ausgangsschicht, und einen Netzkreis hiervon in einem Raum zu definieren, eine arithmetische Funktion, die während des Lernvorgangs und der Diagnose verwendet wird, und eine Funktion zum Speichern und Halten der Stärkenverteilung der Verknüpfung im Kreis u. dgl. Diese Funktionen können durch Programme und einen Speicher durchgeführt werden. Die Anzahl, Anordnung u. dgl. der Eingangsschichten, der verdeckten Ein­ heitsschichten u. dgl. werden als strukturelle Parameter durch Anweisungen von außen her bestimmt.

Das neuronale Netzwerkmodell 1400 kann dadurch aufgebaut werden, daß man unabhängig eine Einrichtung zum Bilden einer Eingangsschicht, einer verborgenen Einheitsschicht u. dgl. vorsieht, um ein Netz für ein neuronales Netzwerk herzustellen, eine Einrichtung, um das somit hergestellte neuronale Netzwerk zu veranlassen, es zu lernen, eine Stärkeverteilung der Ver­ knüpfung im Kreis zu bilden, eine Einrichtung, um die Stärke­ verteilung der Verknüpfung im Kreis, die als Ergebnisse des Lernvorganges erhalte wurden, beizubehalten, und eine Diagno­ seeinrichtung. Das neuronale Netzwerkmodell kann dadurch aufge­ baut werden, daß man diese Einrichtungen teilweise oder gänz­ lich zu einer untrennbaren Einheit kombiniert.

Ferner kann das neuronale Netzwerkmodell 1400 dieses Aus­ führungsbeispiels dadurch gespeichert werden, daß man seine Funktionen als Programme und Daten speichert.

Wo der einmal eingelernte Zustand ein festliegender Zu­ stand ist, kann das neuronale Netzwerkmodell als Hardware-Bau­ teil ausgebildet werden, statt daß man solche Schaltelemente benutzt. Das neuronale Netzwerkmodell kann insbesondere als in­ tegrierte, neuronale Netzwerkmodellschaltung vorgesehen sein.

Die Lernmuster-Speicherfunktion 1300 ist beispielsweise aus einer Speichereinheit wie einer Magnetplatte, einer op­ tischen Platte oder einem Randomspeicher aufgebaut.

Obwohl in der Zeichnung nicht dargestellt, weist das Sy­ stem dieses Ausführungsbeispiels einen oder mehrere Fühler auf, um Schwingungsdaten an den Rechenprozessor 1000 und eine Schnittstelle hierfür zu liefern. Der oder die Meßfühler sind an Stellen der Dampfturbine 1 angeordnet, wo Schwingungen der Dampfturbine ermittelt werden können.

Beim vorliegenden Ausführungsbeispiel wird die Schwin­ gungsinformation in bestimmten Zeitabständen von der Dampf­ turbine 1 her als Anlage, auf die abgezielt wird, eingegeben. Es können Schwingungsdaten aber auch schon im voraus gemessen und gespeichert werden. Die Diagnose kann dann auf der Grund­ lage der so gespeicherten Daten durchgeführt werden.

Die die Diagnoseergebnisse anzeigende Funktion 1600 weist die Funktion, ein Wahrnehmungssignal, das vom neuronalen Netz­ werkmodell 1400 abgegeben wird, mit der entsprechenden Infor­ mation in Korrelation zu bringen, die von vorneherein abge­ speichert wurde, und die Diagnoseergebnisse bezeichnet, und auch die oben beschriebene Funktion zum Speichern der Diagnoseergebnisse auf.

Die Funktion zum Herstellen der Korrelation umfaßt auch eine Funktion, um Diagnoseergebnisse in Übereinstimmung mit den Größen der Muster der Eindruckssignale zu sortieren.

Als Diagnoseergebnisse werden Nachrichten, die Aussagen über die Einzelheiten abnormaler Erscheinungen und mögliche Ursachen solcher abnormaler Erscheinungen liefern, gespei­ chert, wie in Fig. 2 gezeigt, die nachfolgend beschrieben wird. Im übrigen können erforderlichenfalls auch andere Infor­ mationen hinzugefügt werden.

Wenn das System der vorliegenden Erfindung bei anderen, hier noch zu beschreibenden Ausführungen angewandt wird, wer­ den die den jeweiligen Ausführungsbeispielen inhärenten Bot­ schaften als Diagnoseergebnisse gespeichert.

Ferner können verschiedenartige Diagnoseergebnisse, die bei der Diagnoseergebnis-Anzeigefunktion 1600 bezeichnet sind, in der Speichereinheit gespeichert werden, welche die oben be­ schriebene Lernmuster-Speicherfunktion 1300 bildet.

Die Mensch-Maschinen-Schnittstelle 2000 des Diagnosesystems des vorliegenden Ausführungsbeispiels ist aus einer Anzeige 2001, etwa einer Kathodenstrahlröhre, gebildet, um verschiedenartige Informationen für die Bedienungsperson 3 abzugeben und anzuzeigen, sowie einer Eingangseinheit 2002, etwa einer Tastatur, mittels deren die Bedienungsperson 3 verschie­ denartige Anweisungen an das System eingibt.

Das System der vorliegenden Erfindung führt eine Diagnose auf die folgende Weise durch. Informationen über verschieden­ artige abnormale Schwingungen werden als Lernmuster dem neu­ ronalen Netzwerkmodell gelehrt bzw. in dieses eingegeben. Daten über die Schwingungswellenform, die aus der Schwingungswellen­ form-Speicherfunktion 1100 über die Daten-Umwandlungsfunktion eingegeben wurden, werden an das neuronale Netzwerkmodell einge­ geben, das so gelehrt bzw. programmiert wird. Eine Diagnose wird dann auf der Grundlage von Position und Pegel eines Wahr­ nehmugssignales durchgeführt, das am Ausgangsanschluß des neuronalen Netzwerkmodells aufgetreten ist. Nach der Anzeige der Diagnoseergebnisse werden ein entsprechendes Anzeigeformat und entsprechende Botschaften, die beide vorher gespeichert wur­ den, auf der Grundlage des Wahrnehmungssignals ausgewählt, werden an die Mensch-Maschinen-Schnittstelle 2000 abgegeben, und werden dort angezeigt.

Jede der obigen Funktionen wird nachfolgend im einzelnen mittels ihres Aufbaus und ihrer Funktion beschrieben.

Fig. 2 zeigt Einzelheiten von Lernproben, die in der Lernproben-Speicherfunktion 1300 gespeichert sind.

Zehn Arten von Proben, die in dieser Zeichnung gezeigt sind, bezeichnen Schwingungswellenformen, die charakteristisch sind für unterschiedliche abnormale Erscheinungen und ihre Ursachen. Die Schwingungswellenformen haben einen Wert (x), der bei der Daten-Umwandlungsfunktion 1200 normalisiert wurde. Der Bereich des Wertes ist 0 ≦ x ≦ 1. Die Normalisierung kann in Abhängigkeit von der Amplitude auch umgangen werden.

Lernmuster können erforderlichenfalls auch außerhalb vor­ gesehen sein, statt daß man sie speichert. Es erübrigt sich, darauf hinzuweisen, daß die Lernmuster-Speicherfunktion so aufgebaut sein kann, daß sie nicht nur Lernmuster speichert, sondern auch von außen her mit Daten versehen werden kann.

Als nächstes wird eine Beschreibung des neuronalen Netz­ werkmodells 1400 und der Lern-Kontrollfunktion 1500 vorgenom­ men.

Fig. 3 stellt eines der Einheitsmodelle 1420 dar, die das neuronale Netzwerkmodell 1400 bilden.

Es wird davon ausgegangen, daß Eingangssignale x₁, x₂, ..., x_n an das Einheitsmodell einen Bereich (0,1) ein­ nehmen, während synaptische Wertigkeiten (weights) w₁, w₂, ... w_n einen Bereich (-∞, +∞) einnehmen. Es wird auch unterstellt, daß ein Eingang u_i, der an das Einheitsmodell in Abhängigkeit vom i-ten Eingangssignal x_i übertragen wurde, durch die fol­ gende Formel ausgedrückt wird:

u_i = W_ix_i (1)

Dann wird der Gesamteingang U an das Einheitsmodell definiert durch:

Andererseits wird der Ausgang y der Einheit definiert durch:

wobei U_o eine Vorspannung (bias) ist.

Beim vorliegenden Ausführungsbeispiel sind die Einheits­ modelle 1420, von denen eines oben beschrieben wurde, in Schichten angeordnet, wie in Fig. 4 gezeigt. Das neuronale Netz­ werkmodell 1400 ist dadurch aufgebaut, daß man die individuel­ len Einheitsmodelle 1420 auf eine solche Weise kombiniert, daß ein Ausgangssignal aus jeder Einheit 1420 in einer Schicht als ein Eingangssignal an jede Einheit 1420 in der nächsten Schicht eingegeben wird.

Die Einheitsmodelle 1420 und das neuronale Netzwerkmodell 1400 werden im einzelnen in "The MIT Press, Neurocomputing Foundation of Research", S. 318-362 (1988) diskutiert.

In der obigen Schrift ist ein Lern-Algorithmus offenbart ("Rückwärtsverbreitung" ("back propagation") genannt), der, wenn ein Eingangssignalmuster 1430 zur Eingangsschicht einge­ geben wird, die Verknüpfungsstärke korrigiert, nämlich die synaptische Wertigkeit zum Eingangsabschnitt einer jeden Ein­ heit sowohl in der verdeckten Einheitsschicht als auch in den Ausgangsschichten in Übereinstimmung mit der Differenz aus einem Eingangssignalmuster 1440 von der Ausgangsschicht und einem gewünschten Signalmuster, nämlich dem Lehrer-Signal­ muster 1450, so daß das Ausgangssignalmuster 1440 das Lehrer- Signalmuster 1450 wird. Bei der Lern-Kontrollfunktion 1500 des vorliegenden Ausführungsbeispiels verwendet der Lernalgorith­ mus selbst die Rückwärtsverbreitung, die in der obigen Schrift offenbart ist.

Fig. 5 stellt den Algorithmus der Rückwärtsverbreitung dar. In der Zeichnung ist, um das Verständnis des Algorithmus zu erleichtern, die Aufmerksamkeit auf das k-te Ausgangssignal y_3k in der Ausgangsschicht konzentriert, und es ist eine Korrekturprozedur einer synaptischen Wertigkeit dargestellt, um es zur Übereinstimmung mit einem Lehrersignal y_tk zu bringen.

Der in Tabelle 5 gezeigte Algorithmus wird nachfolgend im einzelnen beschrieben.

Als erstes wird die Differenz e_k zwischen dem k-ten Ausgangssignal y_3k und dem Lehrersignal y_tk ausgedrückt wie folgt:

e_k = Y_tk - Y_3k (4)

Wenn man davon ausgeht, daß das Ausmaß d_3k des Fehlerein­ flusses beim Operationspegel U_3k der Einheit d_3k beträgt, dann kann d_3k definiert werden durch:

d_3k = e_kf'_3k(U_3k) (5)

wobei

Dementsprechend ist das Korrekturmaß Δw_3k,2j(N + 1) für die synaptische Wertigkeit w_3k,2j bei dem j-ten Eingangs­ abschnitt der k-ten Einheit in der Ausgangsschicht gegeben durch die folgende Formel:

Δw_3k,2j(N + 1) = ηd_3ky_2j (7)

wobei N ein Symbol ist, das die vorangehende Zahl bezeichnet und η die "Lernkonstante" genannt wird. Ferner bezeichnet y_2j das j-te Ausgangssignal aus der verdeckten Einheits­ schicht. Um eine stabile Konvergenz herzustellen, wird das durch die Formel (7) erhaltene Korrekturmaß jedoch nicht be­ nutzt, wie es ist. Es wird durch das Verfahren modifiziert, das durch die unten beschriebene Formel (8) darstellt ist, wobei eine neue synaptische Wertigkeit w_3k,2j(N + 1) auf die folgende Weise erhalten wird:

w_3k,2j(N + 1) = w_3k,2j(N) + Δw_3k,2j(N + 1) + αΔw_3k,2j(N) (8)

wobei α ein "Glättungsfaktor" genannt ist.

Die Korrekturmethode einer jeden synaptischen Wertigkeit in jedem Eingangsabschnitt der Ausgangsschicht wurde oben be­ schrieben.

Es wird nun ein Verfähren zum Korrigieren jeder synapti­ schen Wertigkeit in einem jeden Eingangsabschnitt der verdeck­ ten Einheitsschicht beschrieben. In Fig. 5 ist die Aufmerksam­ keit auf diese Wertigkeit w_2j,1i im i-ten Eingangsabschnitt der j-ten Einheit in der inneren Schicht konzentriert, und eine Korrekturmethode der synaptischen Wertigkeit ist darge­ stellt.

In diesem Fall sollte der Beeinflussungsgrad d_2j der Differenz im Betriebspegel U_2j der Einheit dadurch bestimmt werden, daß man die Gesamtdifferenz der Ausgänge aus den gan­ zen Einheiten der Ausgangsschicht in Betracht zieht. Der Beeinflussungsgrad d_2j wird somit ausgedrückt wie folgt:

Dementsprechend ist der Korrekturgrad Δw_2j,1i(N + 1) für die synaptische Wertigkeit im i-ten Eingangsabschnitt der j-ten Einheit in der verdeckten Einheitsschicht gegeben durch:

Δw_2j,1j(N + 1) = ηd_2jy_1i (10)

wobei N ein Symbol ist, das die vorangehende Nummer bezeichnet und n eine "Lernkonstante" genannt wird. Ferner bezeichnet y_1i das i-te Ausgangssignal aus der Eingangsschicht. Ähnlich dem Fall der Ausgangsschicht wird zum Realisieren einer sta­ bilen Konvergenz der Korrekturgrad, der durch die Formel (10) erhalten wird, nicht so verwendet, wie er ist. Er wird durch die Methode modifiziert, die durch die unten beschriebene Formel dargestellt ist, wodurch eine neue synaptische Wertig­ keit w_2j,1i(N + 1) erhalten wird wie folgt:

W_2j,1j(N + 1) = W_2j,1i(N) + Δw_2j,1i(N + 1) + αΔw_2j,1i(N) (11)

wobei α ein "Glättungsfaktor" genannt ist.

Die Differenz e_k kann dadurch auf ein Mindestmaß redu­ ziert werden, daß man die arithmetischen Prozeduren der Formeln (4) bis (11) wiederholt. Es ist nämlich möglich, das Ausgangssignalmuster, das aus der Ausgangsschicht erhalten wird, zur Übereinstimmung mit dem Lehrer-Signalmuster zu brin­ gen. Als Ergebnis wurde das Eingangssignalmuster als eine synaptische Wertungsverteilung eingespeichert (gelernt) (d. h. eine Stärkeverteilung der Verknüpfung im Kreis), und zwar im neuronalen Netzwerkmodell.

Wenn ein anderes Eingangssignalmuster in die Eingangs­ schicht eingespeist wird, und entsprechend ein anderes Lehrer­ signalmuster vorgesehen wird, dann wird der obige Algorithmus betätigt, um eine neue synaptische Wertigkeitsverteilung ein­ zuspeichern (zu lernen).

Die Benutzung eines solchen Algorithmus ermöglicht es, mehrere Lernmuster im selben neuronalen Netzwerkmodell einzu­ speichern. Ferner ermöglicht es die Benutzung des neuronalen Netzwerks, das auf die oben beschriebene Weise Lernvorgänge durchgeführt hat, aus der Ausgangslage ein Ausgangssignal­ muster entsprechend dem nächstliegenden der bereits einge­ lernten Muster zu erhalten, selbst wenn ein noch nicht gelern­ tes Muster eingegeben wird.

Durch die oben beschriebene Methode wird das neuronale Netzwerkmodell 1400 veranlaßt, die Anzahl von Schwingungs­ wellenformen in Verbindung mit den entsprechenden abnormen Erscheinungen und Ursachen zu lernen, die alle in Fig. 2 ge­ zeigt sind.

Hier wird die Lern-Kontrollfunktion 1500 von der Bedie­ nungsperson 3 als Benutzer veranlaßt, die Kontrolle des Lernvorganges durch die Methode durchzuführen, die auf die in Fig. 6 gezeigte Weise ausgeführt wird, und zwar mittels des Anzeige-Bildschirms der Kathodenstrahlröhre der Mensch-Ma­ schine-Schnittstelle 2000.

In Fig. 6 steht "SP" für die Musternummer einer jeden Schwingungswellenform, die in Fig. 2 abgebildet ist, während "SQ" eine Folgenummer bedeutet, um festzusetzen, in welcher Reihenfolge das obige Muster gelernt ist. Der Ausdruck "Anzahl der Lernzyklen" bezeichnet die Anzahl der Wiederholungen eines Zyklus, in welchem alle Muster, die durch die obige Methode festgesetzt sind, gelernt sind.

Im Beispiel der Fig. 6 ist gezeigt, daß, wenn man die laufende Nummer 20 als einen Zyklus aufgreift, diese Folge für zehn Zyklen wiederholt wurde. Es ist jedoch für jedes Muster die Nummer der Beendigung der Wiederholungsberechnung getrennt bezeichnet.

Vor dem Einlernen werden die Anzahl der Schichten als Strukturparameter des neuronalen Netzwerkmodells 1400 und die Anzahl der Einheiten in jeder der Schichten durch die Mensch- Maschinen-Schnittstelle 2000 festgesetzt.

Ferner wird eine zufällige Stärkeverteilung der Verknüp­ fung im Kreis im neuronalen Netzwerkmodell 1400 festgesetzt. Dieses ermöglicht es, einen vorbelasteten Lernvorgang (biased learning) zu verhindern.

Fig. 7 stellt beispielsweise eine Stärkeverteilung der Verknüpfung im Kreis dar, welche im neuronalen Netzwerkmodell 1400 als Ergebnis des Einlernens auf die oben beschriebene Weise hergestellt wurde und auch im Schirm der Kathoden­ strahlröhre der Mensch-Maschine-Schnittstelle 2000 angezeigt wurde.

In Fig. 7 sind die Linien, die die Verknüpfungen zwischen den Einheiten bezeichnen, stufenweise in Farben in Überein­ stimmung mit der Größe der synaptischen Wertigkeit angezeigt, die bestimmt ist als Ergebnis des Lernvorganges. Obwohl in Fig. 7 keine Farbe gezeigt ist, sind die Linien in fünf Stufen rot, rosa, gelb, grün und blau in absteigender Reihenfolge der synaptischen Wertigkeiten angezeigt. Ferner kann einer jeder Farbe entsprechende Bereich synaptischer Wertigkeiten durch den Benutzer wunschgemäß festgesetzt werden. Wenn alle Ver­ knüpfungen angezeigt sind, kreuzen sich viele Linien und kön­ nen nicht mühelos gesehen werden. Es kann deshalb von den oben erwähnten fünf Farben im vorliegenden Ausführungsbeispiel jede Farbe ausgewählt werden.

Fig. 8 stellt eine Verknüpfungs-Stärkenverteilung ent­ sprechend den Größen der synaptischen Wertigkeiten an den Ein­ gangsabschnitten der Ausgangsschicht als Beispiel dar, ange­ zeigt auf einer ähnlichen Kathodenstrahlröhre wie jener, die in Fig. 7 abgebildet ist. In der Zeichnung bedeuten die zweite und dritte Schicht eine verdeckte Einheitsschicht bzw. eine Ausgangsschicht. Obwohl die Stärkenverteilung in Fig. 8 durch Rasterung gezeigt ist, ist sie tatsächlich farbig angezeigt. Wenn eine einfarbige Anzeige verwendet wird, dann kann die Stärkenverteilung durch Rasterung, Gradation o. dgl. angezeigt werden.

Wenn die in Fig. 8 gezeigte Verteilung eine zufällige Verteilung ist, dann wird davon ausgegangen, daß der Lernvor­ gang in ausreichender Weise durchgeführt wurde. Umgekehrt wird der Lernvorgang als ungenügend angesehen, wenn die Verteilung eine Tendenz zeigt. Auf der Grundlage der Verteilung ist es deshalb möglich, zu entscheiden, ob der Lernvorgang noch wei­ ter wiederholt werden sollte oder nicht.

Fig. 9 zeigt Energietendenzen im neuronalen Netzwerkmodell, welche auf dem Bildschirm einer Kathodenstrahlröhre ausgegeben wurden, um die Konvergenz beim Lernvorgang zu ermitteln.

In diesem Fall wird die Bezeichnung der Tendenzausgänge dadurch bewirkt, daß man die Anzahl der Lernzyklen und die Folgenummer festsetzt. Fünf Sätze von Energietendenzen sind in Fig. 10 dargestellt, wobei die Anzahl von Korrekturen durch Rückwärtsverbreitung längs der Achse der Abszisse aufgetragen ist. Die Energie E im neuronalen Modell wird definiert durch die folgende Formel:

wobei w jede synaptische Wertigkeit darstellt, y den Ausgang jeder Einheit, I die Nummer jeder Lage und J und JJ jede Ein­ heitsnummer in der I-ten bzw. I-1-ten Schicht.

Fig. 10 zeigt ein Anzeigebeispiel des Wahrnehmungszu­ standes im neuronalen Netzwerkmodell 1400, nämlich die Diagnose­ ergebnisse einer Abnormalität auf dem Bildschirm einer Katho­ denstrahlröhre, wenn die Abnormalitäts-Überwachungsdaten 1210 als Eingangssignale an die Eingangsschicht des neuronalen Netz­ werkmodells 1400 eingegeben sind, während die Dampfturbine 1 betrieben wird.

Die Linien, die die Eingangsschicht und die verdeckte Einheitsschicht verbinden, sowie jene, die die verdeckte Ein­ heitsschicht und die Ausgangsschicht verbinden, sind in abge­ stuften Farben dargestellt, welche wunschgemäß in Übereinstim­ mung mit den Signalstärken ausgebildet sein können. Die Stär­ ken der Eingangssignale und der Ausgangssignale sind jeweils durch Histogramme dargestellt. Es muß vermerkt werden, daß die Eingangssignale die Wellenform der mechanischen Schwingungen der Turbine wiedergeben, wenn die Probenentnahme unter be­ stimmten Intervallen vorgenommen wurde, und durch ein Histo­ gramm auf dem Schirmbild der Kathodenstrahlröhre gezeigt sind. Jede Einheit wird in abgestufen Farben dargestellt, die wunschgemäß in Übereinstimmung mit der Größe des Gesamtein­ gangs U ausgebildet sein können, der definiert ist durch die Formel (2).

Es ist bevorzugt, diese Anzeigen hinsichtlich der Sicht­ barkeit in Farben vorzunehmen. Es sind aber auch monochroma­ tische Anzeigen möglich. In diesem Fall werden die Anzeigen bewirkt, indem man eine Gradation, verschiedene Stricharten, Rasterdarstellung o. dgl. verwendet.

Die der Ausgangsschicht zugeteilten Eingangsnummern ent­ sprechen den Musternummern in Fig. 2. Es wird angezeigt, daß die Lage mit dem größten Ausgangssignal die größte Möglichkeit als Ursache der Abnormalität hat.

Fig. 11 bildet als ein Beispiel der vorangehenden Tätig­ keit die ausgegebenen Diagnoseergebnisse auf dem Bildschirm der Kathodenstrahlröhre als Leitlinie für die Bedienungsperson 3 ab.

In diesem Beispiel wird die dritte Erscheinung, d. h. Öl- oder Flüssigkeitsschaum, als wahrscheinlichste angesehen. Es wird darauf hingewiesen, daß der Grund die ungleichmäßige Stärke eines Ölfilms an einem Gleitlager oder eine Strömungs­ mittelkraft in einem wassergedichtetem Spielraum ist. Obwohl die Erscheinungen in abfallender Reihenfolge ihrer Möglichkeit angeordnet sind, d. h. Gewißheit, in anderen Worten, in der ab­ fallenden Reihe der Größen ihrer Ausgangssignale, erübrigt es sich, darauf hinzuweisen, daß sie auch in der umgekehrten Rei­ henfolge oder in chronologischer Reihenfolge der Erscheinun­ gen angeordnet sein können.

Hier wird der Gewißheitsfaktor durch den Pegel des Aus­ gangssignales bestimmt. Beim vorliegenden Ausführungsbeispiel wird der Pegel auf eine solche Weise festgesetzt, daß der Pe­ gel 1 einen Gewißheitsfaktor von 100% liefert.

Das vorliegende Ausführungsbeispiel ermöglicht es, auto­ matisch Schwingungswellenformen der Dampfturbine einzulernen, wobei die Schwingungswellenformen an einer tatsächlichen Dampfturbine erhalten werden, in Zuordnung zu ihren entspre­ chenden abnormalen Erscheinungen, so daß anders als bei dem herkömmlichen Verfahren nicht länger ein Experte oder Fach­ mann eine logische Diagnosetabelle unter großem Zeitaufwand erstellen muß. Wenn die Diagnose einer Abnormalität unter Ver­ wendung des eingelernten Inhalts des neuronalen Netzwerkmodells erstellt wird, dann kann die Umwandlung eines Eingangssignales lediglich durch eine einfache funktionelle Operation und eine Summierungsoperation bewirkt werden und erfordert nicht eine solche Spektralanalyse oder Vergleichsbaumrecherche, wie dies bei der herkömmlichen Methode erforderlich war. Deshalb kann die Verarbeitung mit außerordentlich hoher Geschwindigkeit durchgeführt werden. Dies ermöglicht es, eine Echtzeit-Analyse einer jeden Abnormalität durch einen wenig aufwendigen Com­ puter durchzuführen, ohne daß ein teurer Hochleistungscomputer oder eine spezielle Ausstattung erforderlich ist. Da die so erhaltenen Diagnoseresultate gemeinsam mit einem Gewißheits­ faktor in Übereinstimmung mit dem Ausmaß der Ähnlichkeit zwi­ schen den bereits eingelernten Mustern und den unter Diagnose befindlichen Mustern bezeichnet werden können, kann eine ob­ jektive Diagnose mit hoher Überzeugungskraft an die Bedie­ nungsperson abgegeben werden.

Ferner kann der Benutzer gemäß dem vorliegenden Ausfüh­ rungsbeispiel die strukturellen Parameter des neuronalen Netz­ werkmodells und die Lernprozedur wunschgemäß bezeichnen und die Verteilungsstärke der Verknüpfung im Kreis sowie eine Energietendenz können angezeigt werden. Es ist somit möglich, einen wirkungsvollen Lernvorgang zu erreichen, die Diagnose­ zeit zu verkürzen und auch die Diagnosegenauigkeit zu verbes­ sern.

Zusätzlich kann dieses Ausführungsbeispiel als Diagnose­ ergebnisse eine Signalpegelverteilung im neuronalen Netzwerk und eine Tabelle der Ursachen von Abnormalitäten der Bedienungs­ person anzeigen, die in abfallender Reihenfolge ihres Gewiß­ heitsgrades angeordnet sind, so daß es der Bedienungsperson ermöglicht wird, rasch die Situation zu überblicken und eine Gegenmaßnahme auf der Grundlage der objektiven Information im Falle des Auftretens einer Abnormalität zu ergreifen.

Bei der Beschreibung der vorliegenden Erfindung wurden zehn Schwingungstypen, die in Fig. 2 gezeigt sind, als Lern­ muster für abnormale Schwingungen benutzt. In der Praxis un­ terscheidet sich jedoch die Schwingungswellenform partiell selbst dann, wenn dieselbe abnormale Erscheinung stattfindet.

Um dies zu beherrschen, sind für jede abnormale Erscheinung mehrere Lernmuster vorgesehen, und alle werden vom neuronalen Netzwerkmodell 1400 eingelernt. Als Ergebnis ist die Flexibi­ lität der Diagnose von Abnormalitäten, in anderen Worten, die Vielseitigkeit der Bestimmung einer Wellenform, erhöht.

Die Fähigkeit zur Bestimmung verringert sich, wenn eine abnormale Erscheinung gegenüber ihrem entsprechenden Lern­ muster phasenverschoben ist, selbst wenn sie dieselbe Wellen­ form aufweisen. Als Maßnahme gegen dieses Problem ist es le­ diglich erforderlich, die Daten der Abnormalitätsüberwachung 1210 vorher mit einer Standardphase durch die Daten-Umwand­ lungsfunktion 1200 zur Übereinstimmung zu bringen. Die obige Phasenübereinstimmung ist dann nicht erforderlich, wenn Wel­ lenformen mit derselben Form, aber Schritt für Schritt phasen­ verschoben als Lernmuster von vornherein eingelernt sind.

Die in Fig. 10 gezeigten Lernsignale haben den Bereich (0,1). Diese Eingangssignale wurden dadurch erreicht, daß man den gesamten Bereich der Variationen normalisiert hat, während man die Mitte der Schwingungen bei 0,5 festgesetzt hat. In diesem Fall wird die größte der Amplituden aller Lernmuster als Standardwert für die Normalisierung benutzt. Es ist jedoch nicht unbedingt erforderlich, die Normalisierung auf die obige Weise zu bewirken. Die Ziele der vorliegenden Erfindung können voll erreicht werden, wenn eine Amplitude, die hinlänglich größer ist als diese der allgemein erwarteten abnormalen Schwingungen als Standardwert benutzt wird.

Es ist notwendig, die Wellenzahlen der Lernmuster und der Abnormalität-Überwachungsdaten 1210 gleich der Wellenzahl der Standardwelle zu machen, nämlich der Wellenzahl einer Wellen­ form, die jene Frequenz aufweist, welche durch die Drehzahl der Turbine bestimmt ist. Angesichts der Existenz einer sub­ harmonischen Resonanz wie das Lernmuster Nr. 7, das in Fig. 2 abgebildet ist, ist es erwünscht, als beabsichtigte Werte für den Eingang Wellenzahlen von 6 bis 9 als umgewandelte Wellen auf der Grundlage des Standardwertes zu wählen.

Obwohl zeitabhängige Schwingungs-Wellenformen als Abnor­ malitäts-Überwachungsdaten 1210 im vorliegenden Ausführungs­ beispiel gewählt sind, sind auch die Gesamtwerte der Schwin­ gungen als Funktion der Drehzahl wirksam für die Diagnose von Abnormalitäten im Falle rotierender Maschinen wie etwa Turbi­ nen. Dieses Verfahren ist speziell für die Diagnose abnorma­ ler Schwingungen wirksam, die auftreten, während die Drehzahl einer rotierenden Maschine wie etwa einer Turbine erhöht wird. Die Ursache für die Abnormalität kann dadurch bestimmt werden, daß man die Unterschiede in den Mustern unter den Gesamtwerten der Schwingungen überwacht, die auftreten, während die Dreh­ zahl einer rotierenden Maschine erhöht wird, weil die Reso­ nanzfrequenz in Abhängigkeit von der Ursache der Abnormalität unterschiedlich ist.

In diesem Fall sind Lernmuster für jeden bestimmten Bereich von Drehzahlen vorgesehen. Somit ist die Bestimmung des Grundes einer Abnormalität durchführbar, vorausgesetzt, daß die Abnormalitäts-Überwachungsdaten für die jeweiligen Bereiche im Verlauf einer Drehzahlzunahme einer drehenden Maschine wie etwa einer Turbine eingegeben sind.

Das vorliegende Ausführungsbeispiel wurde unter der An­ nahme beschrieben, daß es keine das Spektrum analysierende Funktion aufweist. Wo eine Spektrum-Analyseeinrichtung bereits in einer tatsächlichen Anlage eingebaut wurde, kann die Genau­ igkeit der Diagnose noch dadurch weiter verbessert werden, daß man als Überwachungsdaten verschiedenartige harmonische Wellen benutzt, die aus der Spektrum-Analyseeinrichtung erhalten wur­ den, beispielsweise R/3, R/2, R und 2R (R: Rotationskompo­ nente), resonante Frequenzanteile usw. Es erübrigt sich, dar­ auf hinzuweisen, daß es in diesem Fall auch notwendig ist, Lernmuster bezüglich der o. g. harmonischen Wellen vorzusehen und das neuronale Netzwerkmodell 1400 zu veranlassen, sie zu lernen.

Dort, wo eine tatsächliche Anlage bereits mit akustischen Fühlern versehen ist, können die Abnormalitäten unter Verwen­ dung akustischer Wellenformen diagnostiziert werden, die aus den Fühlern verfügbar sind. In diesem Fall ist eine akustische Wellenform als Lernmuster für jede abnormale Erscheinung vor­ gesehen, und das neuronale Netzwerkmodell 1400 wird veranlaßt, sie auf eine ähnliche Weise zu lernen.

In der obigen Beschreibung des vorliegenden Ausführungs­ beispiels wurde nichts hinsichtlich der Phase zwischen dem Drehwinkel der Turbine und dem Vektorwinkel der Schwingungen beschrieben, nämlich der Phase der Schwingungen. In Abhängig­ keit von der Anlage, die die Drehmaschinen wie etwa Turbinen enthält, ist es jedoch möglich, dadurch eine Abnormalität zu diagnostizieren, daß man der Tatsache Beachtung schenkt, daß die Phase der Schwingungen in einem abnormalen Zustand unter­ schiedlich wird, verglichen mit jener in einem normalen Zu­ stand. In diesem Fall ändert sich die Phase der Schwingungen beispielsweise in zweierlei Arten, nämlich die Schwingungs­ phase ändert sich gemeinsam mit dem Zeitablauf, während eine rotierende Maschine wie eine Turbine mit einer geschätzten Drehzahl betrieben wird, oder die Phase der Schwingungen än­ dert sich, wenn sich die Drehzahl ändert, während die Drehzahl erhöht wird.

Um die Diagnose einer Abnormalität unter diesen Umständen auszuführen, werden zeitabhängige Phasenveränderungen und Phasenveränderungen als Funktion der Drehzahl der Turbine als Lernmuster für die frühere Situation bzw. die spätere Situa­ tion vorgesehen. Es ist dann erforderlich, das neuronale Netz­ werkmodell zu veranlassen, diese zu lernen. Aus denselben Gründen, wie oben hinsichtlich der Wellenform der Schwingun­ gen beschrieben, ist es erforderlich, infolge des Erlernens und Überwachens einer Abnormalität einen Standardpunkt auf der Achse für die Zeit im erstgenannten Fall vorzusehen und die Umdrehungszahlen in bestimmte Bereiche aufzuteilen.

Bei diesem Ausführungsbeispiel werden andere Zustände, die den Betrieb der Turbine begleiten, nicht als Lernmuster oder Daten zur Überwachung der Abnormalität verwendet. Bei der vorliegenden Erfindung ist es möglich, eine Diagnose dadurch durchzuführen, daß man Gebrauch von den verschiedenartigen Begleitbedingungen macht, welche den Betriebszustand einer betrachteten Anlage anzeigen, inklusive den Fall einer Tur­ bine. Obwohl eine Diagnose auf der Grundlage von Begleitbedin­ gungen allein ausgeführt werden kann, sollte sie bevorzugt in Kombination mit der oben beschriebenen Diagnose durch Schwin­ gungen ausgeführt werden.

Beispielhafte, verschiedenartige Begleitbedingungen um­ fassen im Fall einer Turbine die Drehzahl, die Last, den Feld­ strom eines Generators, die Höhe des Unterdrucks eines Dampf­ kondensators, den Öldruck für die Lagerungen, die Öltemperatur für die Lagerungen, die vertikale Temperaturdifferenz in einem Turbinengehäuse usw. In diesem Fall können der Lernvorgang und die Diagnose dadurch ausgeführt weden, daß man die oben be­ schriebenen verschiedenartigen Begleitbedingungen, die unter Benutzung vorbestimmter Werte als Standardwerte jeweils norma­ lisiert wurden, jeder Einheit der Eingangsschicht im neuronalen Netzwerkmodell 1400 eingibt.

Als solche Begleitbedingungen ist es möglich "1"/"0" Signale, die eine Aussage über AN-/AUS-Zustände treffen, statt kontinuierlicher Werte einzugeben.

Es wird beispielsweise im Fall der Drehzahl der Turbine ein "1"/"0" Signal an die entsprechende Einheit in Abhängig­ keit davon eingegeben, ob die Drehzahl in einen bestimmten Bereich fällt oder nicht. Durch den Begriff "bestimmter Bereich", wie er hier verwendet wird, ist gemeint, ob sich die Drehzahl in einem gefährlichen Drehzahlbereich befindet oder unter oder über dem gefährlichen Drehzahlbereich liegt.

Was andererseits die Last angeht, bedeutet der Begriff "spezieller Bereich", ob sich die Last ändert oder sich in einem stabilen Zustand befindet, oder ob die Last in einem speziellen Lastbereich liegt oder nicht. Im Hinblick auf den Feldstrom des Generators kann der Feldstrom in Abhängigkeit davon verwendet werden, ob er sich im AUS-Zustand oder im AN-Zustand befindet. Was die Höhe des Unterdrucks im Dampf­ kondensator angeht, den Öldruck für die Lager, die Öltempera­ tur für die Lager und die vertikale Temperaturdifferenz im Turbinengehäuse, können diese Bedingungen verwendet werden in Abhängigkeit davon, ob sie oberhalb oder unterhalb bestimmter Werte liegen.

Die verschiedenartigen Überwachungsdaten, die oben be­ schrieben sind, können auch verwendet werden, indem man sie in jeweilige neuronale Netzwerkmodelle eingibt, die ausschließlich für die jeweiligen Bedingungen vorgesehen sind. Als Alterna­ tivlösung ist es aber auch möglich, verschiedene Arten von Abnormalitäts-Überwachungsdaten in Kombination in ein einziges neuronales Netzwerkmodell einzugeben. Es ist auch möglich, die beiden Methoden zu kombinieren.

Es wird als nächstes eine Beschreibung neuronaler Netzwerk­ modelle vorgenommen, von denen das eine als hierarchische Struktur und das andere als dezentralisierte Struktur aufge­ baut ist.

Als Diagnosesystem, das Verwendung eines mehrschichtigen neuronalen Netzwerkmodelles macht, sieht die vorliegende Erfin­ dung beispielsweise das folgende System vor:

Ein Zustand-Diagnosesystem für eine Einrichtung mit Ele­ menten, die in hierarchischer Struktur aufgebaut sind, wobei das System dazu eingerichtet ist, eine Information zu ermit­ teln, die eine Aussage über den Zustand liefert, der infolge des Betriebs der Einrichtung auftritt, und den Betriebszustand der Einrichtung auf der Grundlage der somit ermittelten Infor­ mation zu diagnostizieren, weist die folgenden Merkmale auf: neuronale Netzwerkmodelle, die imstande sind, Informa­ tionsmuster zu lernen, die eine Aussage verschiedenartiger Zustände liefern, und die Bestimmung des Vorliegens oder der Abwesenheit einer Abnormalität sowie Einzelheiten hiervon durchzuführen, und zwar auf der Grundlage eines Signals, das an einer Ausgangseinheit erscheint, wenn eine Überwachungs­ information an der Anlage eingegeben wird, wobei eines oder mehrere der genannten Netzwerkmodelle entsprechend jeder der Stufen vorgesehen ist und die neuronalen Netzwerkmodelle auf eine solche Weise verknüpft sind, daß jedes neuronale Netzwerk­ modell in einer relativ höheren Stufe eines oder mehrere neu­ ronale Netzwerkmodelle einer relativ niedrigeren Stufe ko­ ordiniert und das neuronale Netzwerkmodell in der relativ höhe­ ren Stufe als Information Diagnoseergebnisse aus den neuronalen Netzwerkmodellen in der relativ niedrigeren Stufe nutzt.

Infolge der Struktur kann eine Diagnose unabhängig von den neuronalen Netzwerkmodellen in jeder Stufe durchgeführt werden. Zusätzlich kann eine systematische Diagnose durch die neuronalen Netzwerkmodelle in einer höheren Stufe durchgeführt werden.

Ein Diagnosesystem mit einer solchen hierarchischen Struktur wird als nächstes noch näher beschrieben.

Es ist beispielsweise in Wärmekraftwerk im allgemeinen aus mehreren Krafterzeugungseinheiten zusammengesetzt, von denen jede in ein Kesselsystem, ein Turbinensystem und ein Hilfsanlagensystem unterteilt werden kann. Jedes solcher Systeme ist dann aus mehreren Anlagenteilen oder Elementen zusammengesetzt. Wenn die vorliegende Erfindung zum Überwachen und Diagnostizieren abnormaler Schwingungen einer Großanlage mit vielen Anlagenteilen angewandt wird, die in Stufen mit­ einander kombiniert sind, etwa eines Wärmekraftwerks, dann ist das wirksame Erlernen dadurch möglich, daß man ein neuronales Netzwerkmodell in einer hierarchischen Struktur, ähnlich einer vielstufigen Struktur, ausbildet, wie in Fig. 12 dargestellt.

Im Hinblick auf jede Stufe können geeignete Diagnose­ ergebnisse und eine Betriebsanleitung unabhängig der Bedie­ nungsperson angezeigt werden.

Bei dem Ausführungsbeispiel der Fig. 12 ist eine neuronale Netzwerkmodellgruppe 3000 auf Kraftwerkniveau in der höchsten Stufe angeordnet, nach unten gefolgt durch eine neuronale Netz­ werkmodellgruppe 3100 auf Niveau einer Einheit, eine neuronale Netzwerkmodellgruppe 3200 auf Systemniveau und eine neuronale Netzwerkmodellgruppe 3300 auf dem Niveau von Einrichtungen.

Die neuronale Netzwerkmodellgruppe 3100 auf Niveau einer Einheit ist zusammengesetzt aus einem neuronalen Netzwerkmodell 3101 mit #1, einem neuronalen Netzwerkmodell 3102 für die Einheit mit #2, ... und dem neuronalen Netzwerkmodell 310n für die Einheit mit #n, welche jeweils den individuellen Krafter­ zeugungseinheiten entsprechen.

Die neuronale Netzwerkmodellgruppe 3200 auf Systemniveau ist zusammengesetzt aus neuronalen Netzwerkmodellen, die jeweils dem Kesselsystem, dem Turbinensystem und dem Hilfsanlagen­ system entsprechen, welche in jeder der oben beschriebenen Einheiten enthalten sind. In Fig. 12 ist das neuronale Netzwerk­ modell 3211 für das Kesselsystem mit #1, das neuronale Netzwerk­ model 3212 für das Turbinensystem mit #1, das neuronale Netz­ werkmodell 3212 für das Hilfsanlagensystem mit #1, das neuronale Netzwerkmodell 3221 für das Kesselsystem mit #2, das neuronale Netzwerkmodell 3222 für das Turbinensystem mit #2, das neuronale Netzwerkmodell 3223 für das Hilfsanlagensystem mit #2, das neuronale Netzwerkmodell 32n1 für das Kesselsystem mit #n, das neuronale Netzwerkmodell 32n2 für das Turbinensystem mit #n und das neuronale Netzwerkmodell 32n3 für das Hilfsanlagensystem mit #n gezeigt.

In der neuronalen Netzwerkmodellgruppe 3300 auf Einrich­ tungsniveau sind neuronale Netzwerkmodelle entsprechend den individuellen Anlagenteilen vorgesehen, die die jeweiligen Systeme bilden. Bei dem in Fig. 12 gezeigten Ausführungs­ beispiel ist ein neuronales Netzwerkmodell 3321a für den Brenner mit #2, ein neuronales Netzwerkmodell 3321b für eine Dampftrom­ mel mit #2 und ein neuronales Netzwerkmodell 3321c für den Ofen mit #2 gezeigt, die alle vom neuronalen Netzwerkmodell 3221 für das Kesselsystem mit #2 abhängen, ein neuronales Netzwerkmodell 3322a für den Läufer mit #2, ein neuronales Netzwerkmodell 3322b für den Dampfregler mit #2 und ein neuronales Netzwerkmodell 3322c für die Ölpumpe mit #2, die alle vom neuronalen Netzwerk­ modell 3222 für das Turbinensystem mit #2 abhängen, und ein neuronales Netzwerkmodell 3323a für die Speisewasserpumpe mit #2, ein neuronales Netzwerkmodell 3323b für einen Lüfter mit #2 und ein neuronales Netzwerkmodell 3323c für den Speisewasser­ vorwärmer mit #2, die alle vom neuronalen Netzwerkmodell 3223 für das Hilfsanlagensystem mit #2 abhängen.

Bei dem oben beschriebenen Ausführungsbeispiel liegt das gesamte Diagnosesystem in hierarchischer Struktur, d. h. viel­ stufiger Struktur, vor. In den niedrigeren Stufen ist das Diagnosesystem systemweise oder einrichtungsweise unterteilt oder gruppiert.

In Abhängigkeit von der Zielrichtung der Diagnose kann das Diagnosesystem auch mit einer geteilten oder dezentrali­ sierten Struktur aufgebaut werden, statt daß man es in einer hierarchischen oder mehrstufigen Struktur aufbaut.

Wenn ein neuronales Netzwerkmodell in einer hierarchischen oder vielstufigen Struktur oder auch in einer geteilten oder dezentralisierten Struktur aufgebaut ist, wie oben beschrieben ist es möglich, das neuronale Netzwerkmodell zu veranlassen, den Erfordernissen entsprechend teilweise zu lernen, wobei die Durchführung eines effektiven Lernvorganges ermöglicht ist.

Das obige Ausführungsbeispiel der vorliegenden Erfindung wurde beschrieben, wobei man die Diagnose von Abnormalitäten einer Dampfturbine beispielsweise herangezogen hat. Die vor­ liegende Erfindung kann auf eine dem obigen Ausführungsbei­ spiel ähnliche Weise auch zur Diagnose des Betriebszustandes verschiedenartiger Objekte angewendet werden, vorausgesetzt, daß die Wellenformen mechanische Schwingungen, akustische Schwingungen oder Vibrationen oder elektromagnetische Schwin­ gungen oder Vibrationen, die den Abnormalitäten der Anlage inhärent sind, verwendet werden. Beispielsweise sind mecha­ nische, akustische und elektromagnetische Schwingungen und Vibrationen alle für Generatoren und Motoren nutzbar. Was Anlagen bzw. Einrichtungen angeht, wie etwa Pumpen, Lüfter, Brecher, Mahlwerke, Wärmeaustauscher, Gasturbinen, Verdichter, Klimaanlagen, Kühleinrichtungen, Zentrifugen, hydraulische Anlagen, Lager, Druckgehäuse, Kraftübertragungen, Gangschalt­ getriebe, Rührwerke, Dampftrommeln, Verteilerrohre, Heizein­ richtungen, Kohle-Zuführeinrichtungen, Brenner, Dampfrohre, Wasser-Speiserohre, Pipelines, Sammelrohre, Wärmeübertragungs­ leitungen, Ventile, Einspritzdüsen, Kupplungen, Verbindungen, Kohleschütter, Luftleitungen, Flammrohre, Luftdämpfer, Gasdäm­ pfer, Staubsammler, Abscheidetanks, Siebe, Druckverringerungs­ maschinen, hydraulische Turbinen, Windmühlen, Walzmaschinen, oszillierende Maschinen, Schrauben, Hubwerke, Aufzüge, Winden, Schwungräder, Radlader, Bandförderer und Jahrmarkt-Vergnü­ gungsfahrzeuge und -anlagen angeht, kann die Diagnose des Betriebszustandes, zusammen mit der Diagnose einer Abnormali­ tät, auf eine dem obigen Ausführungsbeispiel ähnliche Weise dadurch ausgeführt werden, daß man die Wellenformen mechani­ scher Schwingungen und jene akustischer Schwingungen und Vi­ brationen benutzt.

Bei dem Ausführungsbeispiel der vorliegenden Erfindung sind die Ursachen von Abnormalitäten als Diagnoseergebnisse in fallender Reihenfolge ihres Gewißheitsfaktors aufgelistet, wie in Fig. 11 gezeigt. Es kann mühelos realisiert werden, eine Anleitung für eine Gegenmaßnahme für jeden Grund einer Abnor­ malität anzuzeigen.

Es ist nämlich nur notwendig, Anleitungen für Gegenmaß­ nahmen in Zuordnung zu den entsprechenden Lernmustern in der Lernmuster-Speichereinheit 1300 einzuspeichern, die in Fig. 1 gezeigt ist. Dies ermöglicht es, eine Anleitung von Gegenmaß­ nahmen gemeinsam mit den entsprechenden Ursachen von Abnormalitäten als Diagnoseergebnisse auf dem Kathodenstrahlröhrenbildschirm der Mensch-Maschinen-Schnittstelle 2000 anzuzeigen. Die Bedienungsperson kann dann unverzüglich die Gegenmaßnahme bewirken, so daß die Anlage sicher betrieben werden kann.

Die vorliegende Erfindung benutzt als neue Lernmuster die Wellenform von Schwingungen und andere Hilfsbedingungen zum Zeitpunkt des Auftretens einer Abnormalität, so daß solche neuen Lernmuster gemeinsam mit den Diagnoseergebnissen in der Lernmuster-Speicherfunktion 1300 gespeichert werden können. Diese neuen Lernmuster können auf dem Bildschirm einer Katho­ denstrahlröhre in Übereinstimmung mit einer Abfrage durch die Bedienungsperson jedesmal, wenn erforderlich, angezeigt wer­ den. Bei diesem Ausführungsbeispiel werden die Diagnoseergeb­ nisse auf der Kathodenstrahlröhre angezeigt. Obwohl in Fig. 1 nicht gezeigt, können sie auch mühelos durch eine Alarmein­ richtung, eine Leuchtanzeige, eine akustische Anzeige und/oder dergleichen angezeigt werden, um es der Bedienungsperson zu ermöglichen, sich rasch ein Bild der Situation zu machen und im Fall des Auftretens einer Abnormalität eine Gegenmaßnahme zu bewirken.

Bei den oben beschriebenen Ausführungsbeispielen sind Schwingungsfühler (nicht gezeigt), die Schwingungswellenform- Speicherfunktionen 1100, die Daten-Umwandlungsfunktion 1200 und die neuronalen Netzwerkmodelle 1400 in einer 1 : 1-Zuordnung angeordnet, wie in Fig. 1 gezeigt. Es können jedoch die Schwingungswellenformen, die aus mehreren Meßfühlern erhalten werden, auch in Abhängigkeit vom Objekt der Überwachung ab­ normaler Schwingungen und der Diagnose benutzt werden. In einem solchen Fall kann die vorliegende Erfindung auch ohne Abwandlungen ihrer wesentlichen Merkmale dadurch angewandt werden, daß man irgendeine der unten zu beschreibenden Aufbau­ ten benutzt.

Ein Diagnosesystem eines ersten Aufbaus ist zusammenge­ setzt aus mehreren Daten-Umwandlungsfunktionen, um getrennt Schwingungs-Wellenformdaten, die jeweils durch eine gleiche Vielzahl von Meßfühlern ermittelt wurden, die an einer glei­ chen Vielzahl von Stellen an der Anlage angeordnet sind, umzu­ wandeln, und einer gleichen Vielzahl von neuronalen Netzwerkmo­ dellen, die entsprechend den einzelnen Anordnungsstellen der Meßfühler vorgesehen sind, wobei die neuronalen Netzwerkmodelle imstande sind, Muster verschiedenartiger abnormaler Schwin­ gungserscheinungen zu lernen und die Bestimmung der Anwesen­ heit oder Abwesenheit einer Abnormalität sowie die Einzel­ heiten dieser auf der Grundlage der Position eines Signals durchzuführen, das an einer Ausgangseinheit erscheint, wenn die die Abnormalität überwachenden Daten eingegeben werden.

Dieses System ist nämlich so aufgebaut, wie dies in Fig. 13 gezeigt ist, nämlich durch Versehen der Anlage 4000 zur Überwachung abnormaler Schwingungen und Diagnose mit mehreren Schwingungsmeßfühlern 4011, 4012, ... 401n und dann durch Vor­ sehen von Schwingungswellenform-Speicherfunktionen 4021, 4022, 402n, Datenumwandlungsfunktionen 4031, 4032, ... 403n und neuronalen Netzwerkmodellen 4041, 4042, ... 404n entsprechend diesen Meßfühlern 4011 bis 401n.

Die in Fig. 13 dargestellte Anordnung führt die Verarbei­ tung der Schwingungssignale von den individuellen Meßfühlern 4011 bis 401n zur Speicherung und Datenumwandlung unabhängig durch. Dieses Ausführungsbeispiel ist dort wirksam, wo sich die neuronalen Netzwerkmodelle voneinander nach Größe oder Ver­ wendungszweck unterscheiden. Ferner kann dieses Ausführungs­ beispiel als eine Anordnung mehrerer Diagnosesysteme angesehen werden. Ein solches System ist beispielsweise dann geeignet, wenn das Objekt in mehrere Bereiche unterteilt ist und diese Bereiche unabhängig kontrolliert werden.

Ein Diagnosesystem gemäß einem zweiten Aufbau ist aus einer Datenumwandlungsfunktion zum Umwandeln der Schwingungs­ wellenformdaten, die durch mehrere Meßfühler ermittelt wurden, die an einer gleichen Mehrzahl von Stellen an der Anlage ange­ ordnet sind, um Abnormalität-Überwachungsdaten im Time-Shar­ ing-Betrieb zu überwachen, und einer gleichen Vielzahl von neuronalen Netzwerkmodellen zusammengesetzt, die entsprechend den einzelnen Anordnungsstellen der Meßfühler vorgesehen sind, wobei die neuronalen Netzwerkmodelle imstande sind, Muster ver­ schiedenartiger abnormaler Schwingungserscheinungen zu erler­ nen und die Bestimmung der Anwesenheit oder Abwesenheit einer Abnormalität sowie deren Einzelheiten auf der Grundlage der Lage eines Signals durchzuführen, das an einer Ausgangseinheit auftritt, wenn die Abnormalität-Überwachungsdaten eingegeben werden.

Dieses System hat nämlich einen solchen Aufbau, daß, wie in Fig. 14 gezeigt, mehrere Meßfühler 4111, 4112, ... 411n vorgesehen sind, Schwingungssignale, die aus diesen Meßfühlern erhalten werden, unter Time-Sharing in einer Schwingungswellenform-Speicherfunktion 4121 und einer Datenumwandlungsfunktion 4131 verarbeitet werden und die Ausgänge der Daten-Umwandlungsfunktion 4131 dann unter Time-Sharing in mehrere neuronale Netzwerkmodelle 4141, 4142, ... 414n jeweils eingegeben werden.

Der in Fig. 14 dargestellte Aufbau kann die Speicherung und Datenumwandlung von Schwingungssignalen aus den einzelnen Meßfühlern 4111 bis 411n jeweils durch eine gemeinsame Methode durchführen. Dieses Ausführungsbeispiel ist beispielsweise zur Verwendung in einem solchen Fall geeignet, in welchem die neu­ ronalen Netzwerkmodelle gemeinsam die gesamten Daten oder einen Teil hiervon benutzen, obwohl die neuronalen Netzwerkmodelle nach Größe oder Verwendungszweck voneinander unterschiedlich sind.

Ein Diagnosesystem mit einem dritten Aufbau ist zusammen­ gesetzt aus einer Datenumwandlungsfunktion zum Umwandeln der Schwingungswellenformdaten, die durch mehrere Meßfühler ermit­ telt wurden, die an einer gleichen Vielzahl von Stellen an der Anlage angeordnet sind, in Abnormalitäts-Überwachungsdaten unter Time-Sharing, sowie einer gleichen Vielzahl von neuronalen Netzwerkmodellen, die entsprechend den einzelnen Anordnungs­ stellen der Meßfühler vorgesehen sind, wobei die neuronalen Netzwerkmodelle imstande sind, Muster verschiedenartiger ab­ normaler Schwingungserscheinungen zu erlernen und unter Time- Sharing die Bestimmung der Anwesenheit oder Abwesenheit einer Abnormalität sowie deren Einzelheiten auf der Grundlage der Lage eines Signals durchzuführen, das an einer Ausgangseinheit auftritt, wenn die Abnormalitäts-Überwachungsdaten eingegeben werden.

Bei diesem System sind, wie in Fig. 15 dargestellt, meh­ rere Meßfühler 4211, 4212, ... 421n vorgesehen, die aus diesen Meßfühlern erhaltenen Schwingungssignale werden unter Time- Sharing bei einer Schwingungswellenform-Speicherfunktion 4221 und Daten-Umwandlungsfunktion 4231 verarbeitet, und die Aus­ gänge dieser Daten-Umwandlungsfunktion 4231 werden unter Time- Sharing in ein einziges neuronales Netzwerkmodell 4241 eingege­ ben, um gemeinsam das neuronale Netzwerkmodell 4241 zu benutzen.

Die in Fig. 15 gezeigte Anordnung kann die Speicherung und Datenumwandlung von Schwingungssignalen aus den einzelnen Meßfühlern durch ein gemeinsames Vorgehen durchführen und ist auf eine solche Weise wirksam, daß die Daten aus den einzelnen Meßfühlern eine ähnliche Größe aufweisen und für ähnliche Zwecke verwendet werden.

Das Ausführungsbeispiel wurde als Diagnosesystem be­ schrieben, das sowohl mit einer Lernfunktion als auch einer Diagnosefunktion für abnormale Schwingungserscheinungen eines unter Diagnose stehenden Objekts ausgestattet ist. Die vorlie­ gende Erfindung kann jedoch auch dadurch realisiert werden, daß man diese Funktionen als getrennte Systeme verkörpert. In diesem Fall ist das erste als ein für den Lernvorgang be­ stimmtes System ausgebildet, während das letzte als ein für die Diagnose bestimmte System verkörpert ist.

Wenn es als ein für die Diagnose bestimmtes System ver­ körpert wird, dann speichert die Lernmuster-Speicherfunktion 1300 die Muster verschiedenartiger Schwingungserscheinungen, die während des Betriebs der zugeordneten Anlage und einer anderen, ähnlichen Anlage ermittelt werden, zum Zwecke des Lernens. Die Lern-Kontrollfunktion 1500 veranlaßt das neuronale Netzwerkmodell 1400, diese Muster einzulernen.

Im Fall eines für die Diagnose bestimmten Systems werden die Informationen im Inneren des neuronalen Netzwerkmodells, die einen mittels des für den Lernvorgang bestimmten Systems ver­ vollständigten Lerninhalt aufweist, nämlich Information der Stärkenverteilung der Verknüpfung im Kreis, eingegeben und bilden ein eigenes neuronales Netzwerkmodell, wobei die Diagno­ sefunktion wirksam ist.

Die Diagnosefunktion des für die Diagnose bestimmten Systems kann dadurch erhalten werden, daß man dem für den Lernvorgang bestimmten System das neuronale Netzwerkmodell ent­ leiht, an welches die Stärkeverteilung der Verknüpfung im Kreis abgegeben wurde.

Beim vorliegenden Ausführungsbeispiel wurde die vorlie­ gende Erfindung als ein Abnormalitäts-Diagnosesystem beschrie­ ben. Diese Erfindung kann aber auch als ein System zum Vorher­ sehen bzw. Vorhersagen einer Abnormalität ausgebildet sein. In diesem Fall ist es lediglich erforderlich, eine Information, welche eine Aussage über Anzeichen zum Zeitpunkt des Auftre­ tens der Abnormalitäten enthält, als Muster zu benutzen, die vom neuronalen Netzwerkmodell 1400 einzulernen sind.

Beispielsweise kann das Abnormalitäts-Vorhersehsystem bzw. -Vorhersagesystem mit einer Datenumwandlungsfunktion aus­ gebildet sein, um Schwingungsinformation, welche von einem Meßfühler ermittelt wurde, in die Abnormalität überwachende Daten umzuwandeln, einem neuronalen Netzwerkmodell zum Lernen von Mustern verschiedenartiger abnormaler Vibrationserschei­ nungen, wobei das neuronale Netzwerkmodell imstande ist, die Anwesenheit oder Abwesenheit einer Abnormalität und ihre Einzelheiten in Übereinstimmung mit der Lage eines Signals vorherzusehen bzw. vorauszusagen, das an der Ausgangseinheit infolge der Eingabe der die Abnormalität überwachende Daten erscheint, und einer diagnostischen Mensch-Maschine-Schnittstelle, um einen Benutzer mit den Ergebnissen der Voraussicht bzw. Vorhersage als Ausgangsinformation aus dem neuronalen Netzwerk­ modell zu versehen.

Dieses System zum Vorhersehen/Vorhersagen der Abnormali­ tät kann grundsätzlich auf dem oben beschriebenen Ausführungs­ beispiel des diagnostischen Systems auf ähnliche Weise auf­ gebaut sein. Dies ist auch hinsichtlich der bevorzugten Aus­ führungsbeispiele anwendbar. Beispielsweise können die Ergeb­ nisse der Voraussicht/Vorhersage ausgegeben werden wie folgt:

• 1. als Ergebnisse der Voraussicht/Vorhersage die Anzeige am Bildschirm einer Kathodenstrahlröhre mindestens einer In­ formation, die die Erscheinung beschreibt, einer Information, die die Ursache beschreibt, und einer Information über eine Anleitung zu einer Gegenmaßnahme,
• 2. als Ergebnisse der Voraussicht/Vorhersage die Anzeige auf dem Bildschirm einer Kathodenstrahlröhre möglicher Ursa­ chen gemeinsam mit ihren jeweiligen Gewißheitsfaktoren, die bestimmt sind durch die Pegel der entsprechenden Ausgänge aus dem neuronalen Netzwerkmodell, und
• 3. die Information des Benutzers über die Ergebnisse der Voraussicht/Vorhersage durch mindestens eines der Mittel Alarm, Lichtanzeige und akustische Ansage.

Es ist aus der Natur der vorliegenden Erfindung her deut­ lich, daß eine mechanische, akustische und elektromagnetische Meßeinrichtung entweder einzeln oder in jeder gewünschten Kom­ bination als Vibrations- oder Schwingungsmeßfühler im Diagno­ sesystem der vorliegenden Erfindung benutzt werden kann.

Es ist ferner möglich, die Lernmuster-Speicherfunktion 1300 oder eine Magnet-Diskette oder ein Magnetband - ein Auf­ zeichnungsmedium der Speicherfunktion - selbst als externe Einheit oder als von außen her versorgte Datenbasis für das Diagnosesystem vorzusehen. Das Grundprinzip der Erfindung wird durch eine solche Modifizierung nicht geändert.

Das Grundprinzip der Erfindung wird auch dann nicht ge­ ändert, wenn das Diagnosesystem dadurch aufgebaut wird, daß man die Datenumwandlungsfunktion 1200 als externe Einheit des Diagnosesystems einbezieht, nämlich als Datenwandler.

Als noch weitere Ausführungsbeispiele der vorliegenden Erfindung sind ein Diagnose-Trainingssystem und ein Betriebs- Trainingssystem bekannt. Diese Systeme können dadurch aufge­ baut werden, daß man einfach eine Funktion zum Erzeugen einer angenommenen Abnormalität dem bereits oben beschriebenen Ab­ normalitäts-Diagnosesystem hinzufügt.

Das Diagnose-Trainingssystem kann beispielsweise aus einem neuronalen Netzwerkmodell aufgebaut sein, das imstande ist, die Anwesenheit oder Abwesenheit einer Abnormalität sowie deren Einzelheiten auf der Grundlage der Lage eines Signals zu bestimmen, das an einer Ausgangseinheit infolge der Eingabe von Abnormalitäts-Überwachungsdaten über eine Schwingungser­ scheinung einer Anlage als Objekt des Trainings der Diagnose erscheint, einer eine angenommene Abnormalität erzeugenden Funktion, um als Abnormalitäts-Überwachungsdaten eine Infor­ mation festzusetzen, die verschiedenartigen angenommenen Ab­ normalitätsursachen entspricht, und zwar an einem Eingangsab­ schnitt des neuronalen Netzwerkmodells, und einer Mensch-Ma­ schine-Schnittstelle, um einem Benutzer Diagnoseergebnisse anzu­ zeigen, die an der Ausgangseinheit erscheinen, wenn die von der Funktion zum Erzeugen einer angenommenen Abnormalität erzeugten Daten in das neuronale Netzwerkmodell eingegeben wurden.

Das Diagnose-Trainingssystem dieses Ausführungsbeispiels und das Betriebs-Trainingssystem des nächsten Ausführungsbei­ spiels können beide so aufgebaut sein, daß man das Diagnose­ system benutzt, das in Fig. 1 gezeigt ist. Sie sind nämlich durch den Rechenprozessor 1000 und die Mensch-Maschinen- Schnittstelle 2000 aufgebaut. Obwohl die Funktion zum Erzeugen einer angenommenen Abnormalität nicht dargestellt ist, kann sie als eine Funktion des Rechenprozessors 1000 vorgesehen sein oder kann extern eingerichtet und angeschlossen sein.

Das Diagnose-Trainingssystem ist wirksam, das Training für die Verbesserung der Diagnosetechniken durch Anzeige von Diagnoseergebnissen zu gestatten, welche an der Ausgangsein­ heit erscheinen, wenn Daten, die jeweiligen verschiedenartigen angenommenen Abnormalitätsursachen entsprechen, für den Ein­ gangsabschnitt des neuronalen Netzwerkmodells 1400 von der Funk­ tion zum Erzeugen einer angenommenen Abnormalität her festge­ setzt werden, und zwar für eine zu trainierende Person mittels Bildschirms der Kathodenstrahlröhre der Mensch-Maschine- Schnittstelle 2000.

Andererseits kann das Betriebstrainingssystem beispiels­ weise aus einem neuronalen Netzwerkmodell aufgebaut sein, das imstande ist, die Anwesenheit oder Abwesenheit einer Abnorma­ lität und deren Details auf der Grundlage der Lage eines Sig­ nals zu bestimmen, das an einer Ausgangseinheit infolge der Eingabe von Abnormalitätsüberwachungsdaten über eine Schwin­ gungserscheinung einer Anlage erscheint, die das Objekt des Betriebstrainings bildet, einer Funktion zum Erzeugen einer angenommenen Abnormalität, um als Abnormalitäts-Überwachungs­ daten Daten an einem Eingangsabschnitt des neuronalen Netzwerk­ modells festzusetzen, die verschiedenartigen angenommenen Abnormalitätsursachen entsprechen und einer Mensch-Maschi­ nen-Schnittstelle um einem Benutzer eine Anleitung für eine Gegen­ maßnahme anzuzeigen, die auf den Diagnoseresultaten beruht, die an der Ausgangseinheit erscheinen, wenn die aus der Funk­ tion zum Erzeugen einer angenommenen Abnormalität erzeugten Daten in das neurale Netzwerkmodell eingegeben wurden.

Das Betriebstrainingssystem bewirkt, daß das Training für die Verbesserung von Betriebstechniken durch Anzeige einer Anleitung für eine Gegenmaßnahme auf der Grundlage von Diagno­ seergebnissen gestattet wird, welche an der Ausgangseinheit dann erscheinen, wenn Daten entsprechend jeweiligen verschie­ denartigen angenommenen Abnormalitätsursachen für den Ein­ gangsabschnitt des neuronalen Netzwerkmodells 1400 von der Funk­ tion zum Erzeugen einer angenommenen Abnormalität der festge­ setzt werden, und zwar für einen Trainierenden und mittels des Bildschirms einer Kathodenstrahlröhre.

Als noch andere Ausführungsbeispiele der vorliegenden Erfindung liegt ein System zum Beitragen zum Abschätzen der Betriebslebensdauer für eine Anlage und ein die Wartung un­ terstützendes System für eine Anlage vor. Das erste schätzt die Betriebslebensdauer einer Anlage durch Gebrauch der Tat­ sache, daß die Stärke oder Wellenform von Schwingungen sich dann ändert, wenn die Betriebslebensdauer einer Anlage aufge­ braucht ist, und zeigt die somit gesetzte Betriebslebensdauer der Bedienungsperson an. Andererseits erstellt das letztge­ nannte System ein Wartungsprogramm für eine Anlage auf der Grundlage der Abnormalitätsursache, die durch das System zur Überwachung abnormaler Schwingung und Diagnose angezeigt wird, das bereits oben beschrieben ist, oder auf der Grundlage der Information über die Betriebslebensdauer der Anlage, welche aus dem oben beschriebenen System zum Beitragen zum Abschätzen der Betriebslebensdauer erhalten wurde, und bietet es der Bedienungsperson oder der Wartungsmannschaft an.

Diese Systeme können in dem bereits oben beschriebenen diagnostischen System in ähnlicher Weise aufgebaut sein. Deshalb werden sie nachfolgend unter Bezug auf Fig. 1 be­ schrieben.

Das System zum Unterstützen des Abschätzens der Betriebs­ lebensdauer kann dadurch eingerichtet werden, daß man als Lernmuster verschiedenartige Daten vorsieht, bei denen die Schwingungsstärken oder Schwingungswellenformen der Anlage den entsprechenden Betriebslebensdauer-Verbrauchswerten zugeordnet werden, und man dann das neuronale Netzwerkmodell 1400 veran­ laßt, sie im vorhinein zu lernen.

Dieses System zum Beitragen zur Abschätzung der Betriebs­ lebensdauer kann aufgebaut sein aus einer Datenumwandlungs­ funktion zum Umwandeln der Schwingungswellenformdaten, die von Meßfühlern gemessen wurden, in Daten zum Abschätzen der Be­ triebslebensdauer, einem neuronalen Netzwerkmodell zum Einlernen von Mustern verschiedenartiger Schwingungserscheinungen, wobei das neuronale Netzwerkmodell imstande ist, die Betriebslebens­ dauer der Anlage auf der Grundlage der Größe eines Signals ab­ zuschätzen, das in einer Ausgangseinheit infolge der Eingabe der Betriebslebensdauer Schätzdaten erscheint, und einer Mensch-Maschinenen-Schnittstelle für die Abschätzung der Betriebsle­ bensdauer, die einen Benutzer mit den Ergebnissen der Schät­ zung der Betriebslebensdauer als Ausgangsinformation aus dem neuronalen Netzwerkmodell versieht.

Das System zum Beitragen zum Abschätzen der Betriebslebensdauer ermöglicht es, aus einer Information über Schwingungen die Betriebslebensdauer der Anlage beim Betrieb abzuschätzen. Es ist somit möglich, Unfälle zu vermeiden, um die Erleichterung der Überwachung der Betriebslebensdauer der Anlage nicht zu erwähnen.

Das die Wartung unterstützende System kann dadurch einge­ richtet werden, daß man als Lernmuster Informationen über In­ standhaltungsprogramme vorsieht, nämlich Plätze und Zeiten der Instandsetzung, Arbeitsvorgänge usw. in Zuordnung zu ihren entsprechenden Abnormalitätsursachen oder zur Information über die Betriebslebensdauer einer Anlage, und daß man dann das neuronale Netzwerkmodell 1400 veranlaßt, diese im voraus einzu­ lernen.

Dieses System zum Unterstützen der Wartung kann aus einem neuronalen Netzwerkmodell aufgebaut sein, um als Muster Instand­ haltungsprogramme gemeinsam mit verschiedenartigen Abnormali­ tätsursachen und/oder Informationen über die Betriebslebens­ dauer einzulernen, wobei das neuronale Netzwerkmodell imstande ist, jedes der Instandhaltungsprogramme dann auszugeben, wenn seine entsprechende Abnormalitätsursache und/oder Informa­ tionen über die Betriebslebensdauer eingegeben werden, und einer Mensch-Maschinen-Schnittstelle für die Instandhaltung, um einen Benutzer mit dem Instandhaltungsprogramm als Ausgangsinforma­ tion aus dem neuronalen Netzwerkmodell zu versehen.

Das die Instandhaltung unterstützende System kann ein geeignetes Instandhaltungsprogramm in jenem Fall vorsehen, daß eine Abnormalität auftritt, oder entsprechend einer Anfrage von einer Bedienungsperson her. Es ist möglich, Unfälle zu vermeiden, und außerdem die Instandhaltungsarbeit einer Anlage effektiver zu machen und ihre Kosten zu verringern.

Bei jedem der obigen Ausführungsbeispiele ist das neuronale Netzwerkmodell als Rechenprozessor aufgebaut. Er kann aber auch durch eine spezielle Einrichtung bzw. Hardware gebildet werden. In diesem Fall kann ein analoger integrierter Schalt­ kreis, digitaler integrierter Schaltkreis o. dgl. verwendet werden.

Bei jedem der obigen Ausführungsbeispiele ist eine Kathodenstrahlröhre als Anzeige verwendet. Es kann aber auch eine andere Anzeige wie eine Flüssigkristallanzeige, Plasma­ anzeige oder Elektrolumineszenzanzeige benutzt werden.

Das System eines jeden obigen Ausführungsbeispiels kann aus einem tragbaren Informationsprozessor, beispielsweise einem Laptop-Computer, aufgebaut sein, wobei man ein tragbares Diagnosesystem vorsieht.

Ferner kann das Diagnosesystem der vorliegenden Erfindung das System eines jeden der obigen Ausführungsbeispiele erfor­ derlichenfalls dadurch aufbauen, daß man Informationen oder Daten vorsieht, welche jenen Informationen entsprechen, die als Stadium des Lernens oder als Diagnoseresultate vom neurona­ len Netzwerkmodell vorzusehen sind. Außerdem können mehrere Arten von Systemen durch eine einzige Hardware bereitgestellt werden, wenn mehrere Arten solcher Information oder Daten vorgesehen sind.

Bei dem obigen Ausführungsbeispiel wird der Zustand durch Verwendung einer Information auf der Grundlage von Schwingun­ gen diagnostiziert. Es ist die Diagnose aber auch durch Ver­ wendung anderer Information möglich.

Es ist ein Zustands-Diagnosesystem für eine Anlage offen­ bart. Das System ist aus einem neuronalen Netzwerkmodell aufge­ baut, um eine oder mehrere Informationsmuster über Schwingun­ gen im vorhinein zu erlernen, die in einem speziellen Be­ triebszustand der Anlage erzeugt werden, und zwar in Zuordnung zum entsprechenden Betriebszustand, und zum Erhalten eines Ausgangssignals, das den Ergebnissen des Lernvorgangs ent­ spricht, wenn eine Information über Schwingungen, die infolge des Betriebs der Anlage erzeugt werden, eingegeben wird, aus einer Eingangseinheit zum Eingeben der Information über Schwingungen, die infolge des Betriebs der Anlage erzeugt werden, in das neuronale Netzwerkmodell, und aus einer Ausgangs­ einheit zum Abgeben des Ausgangssignals aus dem neuralen Netz­ werkmodell als Diagnoseresultat an den Benutzer. Es sind auch Zustands-Diagnoseverfahren, ein Lernsystem, ein System zum Vorausschauen bzw. zur Vorhersage, ein Diagnose-Trainings­ system, ein System zum Beitragen zum Abschätzen der Betriebs­ lebensdauer und ein System zum Unterstützen der Wartung offen­ bart.

Claims (3)

1. Betriebszustand-Diagnosevorrichtung für eine rotierende Maschine, die
eine Betriebszustand-Diagnoseeinheit zur Diagnostizie­ rung der rotierenden Maschine,
Mittel (1100) zur Ermittlung von zeitabhängigen Schwin­ gungsformen durch Aufzeichnen zumindest einer Schwingungsin­ formation über die Schwingungen, die beim Betrieb der rotie­ renden Maschine erzeugt werden,
eine Datenumwandlungsvorrichtung (1200) zur Umwandlung, nämlich zur Normierung der aufgezeichneten Schwingungsformda­ ten, sowie
eine Ausgabeeinheit (1600) zur Ausgabe eines Betriebs­ zustand-Diagnoseergebnisses umfaßt,
dadurch gekennzeichnet, daß
die rotierende Maschine eine Dampfturbine ist und
die Betriebszustand-Diagnoseeinheit ein neuronales Netz (1400) sowie eine Lerneinheit (1300) umfaßt.

2. Betriebszustand-Diagnosevorrichtung nach Anspruch 1, da­ durch gekennzeichnet, daß die Lerneinheit (1300)
einen Lernmuster-Speicher (1300), um zu Lernzwecken Mu­ ster verschiedenartiger abnormaler Schwingungserscheinungen zu speichern, die während des Betriebs der Dampfturbine er­ mittelt wurden, aufweist,
wobei die zeitabhängigen Schwingungen eines je­ den der Muster der verschiedenartigen abnormalen Schwingungs­ erscheinungen kombiniert mit einer Information über die Anwe­ senheit oder Abwesenheit einer Abnormalität und deren Einzel­ heiten vom neuronalen Netz (1400) gelernt werden, wenn das Muster eingegeben wird, und
eine Lern-Kontrollvorrichtung (1500), um das neuronale Netz zu veranlassen, die im Lernmuster-Speicher gespeicherte Information zu lernen,
vorgesehen ist.

3. Betriebszustand-Diagnosevorrichtung nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß
die Datenumwandlungsvorrichtung (1200) zum Umwandeln der ermittelten Schwingungsinformation in Abnormalitäts-Überwa­ chungsdaten vorgesehen ist,
das neuronale Netz (1400) zum Einlernen von Mustern ver­ schiedenartiger abnormaler Schwingungserscheinungen verwendet wird, wobei das neuronale Netz imstande ist, eine Abnormali­ tät in Übereinstimmung mit der Position eines Signals voraus­ zusehen bzw. vorherzusagen, das an der Ausgangseinheit (1600) infolge des Eingangs der Abnormalitäts-Überwachungsdaten er­ scheint, und
eine Mensch-Maschinen-Schnittstelle (2000) vorgesehen ist, um einen Benutzer mit den Resultaten der Vorschau bzw. Vorhersage als Ausgangsinformation aus dem neuronalen Netz zu versehen.