JP2004234302A - Process management device - Google Patents

Abstract

<P>PROBLEM TO BE SOLVED: To provide a process management device for efficiently discriminating and estimating an operation state and a fault state from a limited sensor signal and easily performing maintenance management. <P>SOLUTION: The process management device is provided with a process simulation means 2 for previously simulating a normal state and various fault states of a process, a simulation data storage means 3 for storing these results as simulation data, a statistical analysis means 4 for analyzing the stored simulation data by a statistical analysis procedure, extracting a difference of characteristic values between a normal state and an abnormal state and generating fault knowledge data, a fault knowledge data storage means 5 for storing the fault knowledge data obtained by the statistical analysis means 4, a normality/abnormality determination means 6 for monitoring the transition of changes in the process measurement data, comparing the process measurement data with fault knowledge data and determining whether process measurement data is deviated from a normal state or not, and a process result data storage means 7 for storing process result data at normal time and process result data at the occurrence of a fault. <P>COPYRIGHT: (C)2004,JPO&NCIPI

Description

【０００１】
【発明の属する技術分野】
本発明は、プロセス管理装置に関し、特にビル等の故障検知・予知・診断を効果的に実行できるようにしたプロセス管理装置に関する。
【０００２】
【従来の技術】
ＢＥＭＳ（Ｂｕｉｌｄｉｎｇ ａｎｄ Ｅｎｅｒｇｙ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ：日本語ではビル・環境・エネルギー管理装置）は、事務所や店舗など業務用ビルの省エネ対策として重要なものになってきた。ＢＥＭＳは、ビル経営管理からエネルギー管理まで、複数あるいは単独ビルに関する全ての管理を一括して行うシステムである。
【０００３】
なお、故障診断支援を支援する装置の従来例として、特開平６−２０８５６８号公報に記載された“故障診断支援装置”がある。
【０００４】
【特許文献】
特開平６−２０８５６８号公報
【０００５】
【発明が解決しようとする課題】
しかしながら、現状のＢＥＭＳでは、故障予知や原因発見のための解析に必要なデータ数の不足（特に新築のビル）や、センサ信号が限られていることなどから、故障検知・予知・診断の自動化が困難であった。
【０００６】
例えば、空調制御ゾーンにセンサ項目が１つ増えると、大型の３０階建ての高層ビルで一階分に１０ゾーンあるとすると１０センサが必要となるので、全体では３００センサが必要となり、設備投資が膨大となる。また、建築されてから年数が十分経過していないと、故障発生時のデータがほとんど蓄積されていないので、故障診断を十分に行うことができなかった。
【０００７】
本発明は上記事情に鑑みてなされたもので、限られたセンサ信号から効率良く運転状態と故障状態を判別推定することにより、システムの性能検証や故障検知・予知・診断を行い、またエネルギー消費を削減し、保守費を低減させることができる、ＢＥＭＳ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】
上記目的を達成するために本発明は、請求項１では、システムの故障検知・予知・診断を行うプロセス管理装置であって、プロセスの正常状態と各種故障状態のシミュレーションを事前に行うプロセスシミュレーション手段と、これらの結果をシミュレーションデータとして蓄積するシミュレーションデータ蓄積手段と、蓄積されたシミュレーションデータを統計解析手法により解析し、正常状態と異常状態との特性値の差異を抽出して故障知識データを生成する統計解析手段と、この統計解析手段により得られた故障知識データを蓄積する故障知識データ蓄積手段と、プロセス実測データの変化の推移を監視し、前記故障知識データと比較して、プロセス実測データが正常な状態から逸脱しているか否かを判定する判定手段とを具備することを特徴としている。
【０００９】
請求項２では、請求項１に記載のプロセス管理装置において、正常時及び故障発生時のプロセス実績データを蓄積するプロセス実績データ蓄積手段を設け、運転期間が長くなり故障時の実績データが十分蓄積されてきたときには、前記シミュレーションデータ蓄積手段に蓄えられているシミュレーションデータに加えて、あるいは替えて正常状態と異常状態との特性値の差異を抽出する統計解析手段の統計解析に用いることを特徴としている。
【００１０】
請求項３では、請求項１または２に記載のプロセス管理装置において、前記統計解析手段は、主成分分析を用いることを特徴としている。
【００１１】
請求項４では、請求項３に記載のプロセス管理装置において、前記主成分分析では、プロセス変数結合の重みパラメータを、正常時＋故障時のシミュレーション区間のデータを用いて求めることを特徴としている。
【００１２】
請求項５では、請求項３に記載のプロセス管理装置において、前記主成分分析では、プロセス変数結合の重みパラメータを、正常時のシミュレーション区間のデータを用いて求めることを特徴としている。
【００１３】
請求項６では、請求項３に記載のプロセス管理装置において、前記主成分分析では、プロセス変数を結合してできる新しい変数をＺ_１，Ｚ_２，…，Ｚ_ｍとして、［（Ｚ_１の標準偏差）^２＋（Ｚ_２の標準偏差）^２＋…＋（Ｚ_ｍの標準偏差）^２］の平方根も特性値として用いることを特徴としている。
【００１４】
請求項７では、請求項３乃至６の何れかに記載のプロセス管理装置において、前記主成分分析に用いるプロセス変数のうちでセンサが設置されていないものについて、前記プロセスシミュレーション手段では、残りの計測されるプロセス変数を用いてオンラインにて演算し、前記判定手段では、この演算値と計測されるプロセス変数の値を用いて正常な状態から逸脱しているか否かを判定することを特徴としている。
【００１５】
請求項８では、請求項３乃至７の何れかに記載のプロセス管理装置において、故障知識データ蓄積手段に、あらかじめシミュレーションによりシステム系統別の故障散布図パターンも分類して蓄積しておき、プロセス実測データの変化の推移を監視し前記判定手段で異常があると診断した時、前記記故障知識データ蓄積手段の故障散布図パターンと類似性を比較して、どのシステム系統に故障が発生しているかを推定することを特徴としている。
【００１６】
本発明は以上のような手段を講じたことにより、限られたセンサ信号から効率良く運転状態と故障状態を判別推定することにより、システムの性能検証や故障検知・予知・診断を精度良く自動で行い、またエネルギー消費を削減し、保守費を低減させることができる。
【００１７】
【発明の実施の形態】
以下、図面を参照して本発明の実施の形態について説明する。なお、本発明が一般的なプロセスに適用できることは明らかであるが、実施例では具体例として空調プロセスへ適用するビル・環境・エネルギー管理（ＢＥＭＳ）装置の故障検知・予知・診断機能について説明する。
【００１８】
図１は本発明によるビル空調プロセスに適用したプロセス管理装置の一実施の形態を示す全体構成図である。
【００１９】
同図に示すように、このプロセス管理装置１は、プロセスの正常状態と各種故障状態のシミュレーションを事前に行うプロセスシミュレーション手段２と、これらの結果をシミュレーションデータとして蓄積するシミュレーションデータ蓄積手段３と、蓄積されたシミュレーションデータを統計解析手法により解析し、正常状態と異常状態との特性値の差異を抽出して故障知識データを生成する統計解析手段４と、この統計解析手段４により得られた故障知識データを蓄積する故障知識データ蓄積手段５と、プロセス実測データの変化の推移を監視し、前記故障知識データと比較して、プロセス実測データが正常な状態から逸脱しているか否かを判定する正常・異常判定手段６と、正常時及び故障発生時のプロセス実績データを蓄積するプロセス実績データ蓄積手段７とを備え、このプロセス実績データは、事務所ビルやデパート、病院等の対象建物側に設置された計測監視制御手段８_１，８_２，…，８_ｎからネットワーク９を介してプロセス管理装置１の正常・異常判定手段６およびプロセス実績データ蓄積手段７に取り込まれるようになっている。
【００２０】
前記計測監視制御手段８_１，８_２，…，８_ｎは、各建物の設備の監視・制御を行うものであり、エネルギー消費設備のエネルギー消費量やその他のプロセス値（外気温、室温、室内湿度等）をセンサにより検出し監視すると共に、空調制御やエレベータ制御などの各設備の省エネ制御を行うものである。
【００２１】
プロセスシミュレーション手段２は、空調解析を行ってその正常状態と各種故障状態のシミュレーションを事前に行うシミュレータ（ソフトウェア）で構成されており、各種建物及び負荷条件を設定データを入力して正常状態シミュレーションおよびフォルト状態シミュレーションを実行する。図２はプロセスシミュレーション手段２で実行されるシミュレーションの処理手順を示すフローチャートである。
【００２２】
同図に示すように、初めに、対象の部屋の大きさ、熱容量、壁面積、壁の熱貫流率等のデータを設定する（ステップＳ１）。また、空調負荷に関連する気象要素である外気温、外気湿度、日射量を事前に設定する（ステップＳ２）。次いで、室内熱負荷データを設定する（ステップＳ３）。この熱負荷データの設定では、人の発熱量やＯＡ等の電気機器及び照明の発熱量を、人の在室率変化に応じてシミュレーション時間分だけ、予め計算して設定する。また、日射量を用いて窓ガラス面からの取得熱量も求めておく。シミュレータは、制御で用いるＤＤＣ（Ｄｉｒｅｃｔ Ｄｉｇｉｔａｌ Ｃｏｎｔｒｏｌｌｅｒ）も模擬しているので、サンプリング制御周期（シミュレータ計算周期の整数倍）が到来する度に、ＤＤＣ制御アルゴリズムを通過させるように制御する（ステップＳ４，Ｓ５）。ステップＳ５で実行されるＤＤＣ制御アルゴリズムは、主に室温設定値と室温の偏差及び湿度設定値と室内湿度の偏差に基づいて、ＰＩＤアルゴリズム（速度形）の演算を行う。
【００２３】
ステップＳ６では、空調機内での空気の各状態点（温度、湿度、エンタルピ等）を、冷却コイル、加熱コイル、加湿器の順で熱交換器の理論計算式や、空気線図の計算式を用いて求める。ステップＳ７の室内状態点計算では、ビル内の部屋の壁を外壁（窓あり）、床、内壁、天井の部分に分け、熱の収支を伝熱方程式で記述することにより、差分解法による室温と壁温の動特性変化を計算する。ステップＳ８では、再循環空気と導入外気の混合計算により空調機入口での空気の状態点を求める。
【００２４】
前記プロセスシミュレーション手段２により行ったプロセスの正常状態と各種故障状態のシミュレーション結果は、シミュレーションデータ蓄積手段３に蓄えられる。
【００２５】
統計解析手段４では、蓄積されたシミュレーションデータを統計解析手法を用いて、正常状態と異常状態の特性値の差異を抽出する。得られた情報は故障知識データとして故障知識データ蓄積手段５に蓄えられる。正常・異常判定手段６は各建物のプロセス実測データの変化の推移を監視し、前記故障知識データを用いて、正常な状態から逸脱しているか否かを判定・監視する。
【００２６】
プロセス実績データ蓄積手段７は、正常時及び故障発生時の実績データを蓄積し、運転期間が長くなり故障時の実績データが十分蓄積されてきた際には、統計解析手段４に供給され、シミュレーションデータ蓄積手段３に蓄えられているシミュレーションデータに加えて、あるいは替わって正常状態と異常状態の特性値の差異を抽出する統計解析のために使用される。これにより故障検知・予知の精度をさらに向上（一種の学習機能）させることができる。
【００２７】
図３、図４に前記（空調解析）プロセスシミュレーション手段２を用いて行った、正常状態と故障状態の夏の冷房時シミュレーション結果例を示す。
【００２８】
これは、１３時以降空調機の冷却コイルの効率を急減させて故障状態を模擬したものである。具体的には１３時に熱貫流率を正常な４７（Ｗ／ｍ^２・Ｋ）から１５（Ｗ／ｍ^２・Ｋ）に急減させた。なお、図３で室温が細かく変動しているのは、室温計測系のノイズも模擬しているためである。空調機は１９時に停止させたものである。
【００２９】
統計解析手段４では、蓄積されたシミュレーションデータおよび／またはプロセス実績データから、正常状態と異常状態との特性値の差異を抽出するが、その具体的な統計解析手法の一例として主成分分析を以下に説明する。
【００３０】
主成分分析（ＰＣＡ：Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔｓ Ａｎａｌｙｓｉｓ ）とは、多変量データを、情報の損失をできるだけ少なくして、少数個の総合特性値に要約する手法である。分析対象がどのような位置付けにあるのかを視覚的に把握できるようになる。
【００３１】
（１） 多数の指標を統合した総合的な指標を作成する
（２） 観測対象をグループ分けする
〈主成分分析の計算手順〉
変数の数がｐ個（ｘ_１，ｘ_２，…，ｘ_ｐ）、観測対象の数がｎ個の多変量データ
このデータをもとにｐ個より少ないｍ個の新しい変数（ｚ_１，ｚ_２，…，ｚ_ｍ）を作る
新しい変数（ｚ_１，ｚ_２，…，ｚ_ｍ）は、もとの変数（ｘ_１，ｘ_２，…，ｘ_ｐ）を結合した変数で、次のような式で表されるものとする。
【００３２】
【数１】

ここで、新しい変数は、次のような性質をもつものとする。
【００３３】
ｚ_１はｘ_１からｘ_ｐの情報が最大限集約されるようにする。
【００３４】
ｚ_２はｘ_１からｘ_ｐの情報がｚ_１の次に出来るだけ多く集約されるようにする。以下、ｚ_３からｚ_ｍまで同様に考える。
【００３５】
具体的には、以下の条件の下で、ａ_１１，ａ_１２，…，ａ_ｍｐを算出する。
【００３６】
分散Ｖａｒ（ Ｚ_ｉ ）は，
【数２】
Ｖａｒ （ Ｚ_１ ） ≧ Ｖａｒ （ Ｚ_２ ） ≧ … ≧ Ｖａｒ （ Ｚ_ｍ ） また、
ａ_ｉ１ ^２＋ａ_ｉ２ ^２＋……＋ａ_ｉＰ ^２＝１ （ｉ＝１，２，…，ｍ）
ここで、ｚ_１ はｚ_２ とは独立になるようにする。ｚ_３ はｚ_１ およびｚ_２ とは独立になるようにする。以下、ｚ_４ からｚ_ｍ まで同様に考える。
【００３７】
このような条件の下で、ａ_１１，ａ_１２，……，ａ_ｍｐを求めることは、ｘ_１，ｘ_２，…，ｘ_ｐ の分散共分散行列の固有値と固有ベクトルを計算することに帰着し、ａ_１１，ａ_１２，…，ａ_ｍｐは固有ベクトルに他ならない。
【００３８】
前記の正常状態と故障状態のシミュレーション結果例のデータ（１分間隔の８時から１９時まで）を用いて主成分分析を行った結果を以下に示す。変数の個数Ｐは６個で行った。具体的には、
ｘ_１：室温（計測ノイズ有）
ｘ_２：冷水操作弁ＭＶ
ｘ_３：室内湿度
ｘ_４：外気温度
ｘ_５：ＰＭＶ値
ｘ_６：冷水消費熱量
となる。各変数の単位が違うため、各変数毎にデータを正規化（標準化）してから主成分分析を行った。
【００３９】
すなわち、ｋ番目（ｋ＝１〜６）の変数の対象全データの平均値をＭ_ｋ、標準偏差をＳ_ｋとして、以下のように各変数を正規化した。
【００４０】
ｘ_ｋｊ → （ｘ_ｋｊ−Ｍ_ｋ）／Ｓ_ｋ
ここでｊ＝１〜ｎ（ｎはデータの個数）。
【００４１】
ｍを３として主成分分析で求めたプロセス変数結合の重みパラメータ、
ａ_１１，ａ_１２，…，ａ_ｍｐの値を表１に示す。
【００４２】
【表１】

図５にｚ_１とｚ_３の正常時間帯＋異常時間帯（８時から１９時）の散布図を示す。
【００４３】
主成分を新しい軸とした散布図を見ると、正常時のデータの分布と異常時のデータの分布が、はっきりと分離できていることがわかる。
【００４４】
なお、前述した実施形態では、正常状態と故障状態のシミュレーション結果のデータ（８時から１９時まで）を用いて主成分分析を行ったが、プロセス変数結合の重みパラメータを正常時の区間のデータのみを用いて求めても良い。以下にその実施形態例を示す。
【００４５】
先ず、主成分分析ＰＣＡのパラメータを正常シミュレーションのＮ１〜Ｎ６のデータから算出する。変数は通常計測可能な下記の５変数とする。
【００４６】
ｘ_１：室温（計測ノイズ有）
ｘ_２：冷水操作弁ＭＶ
ｘ_３：室内湿度
ｘ_４：外気温度
ｘ_５：外気湿度
ここで、ａ_１１，ａ_１２，…，ａ_ｍｐの値を表２に示す。
【００４７】
【表２】

正常シミュレーションの条件を以下のようにする。
【００４８】
Ｎ１
在室人数 １１０人 外気温度 ｍａｘ ３５．１１℃ 晴れ
Ｎ２
在室人数 １１０人 外気温度 ｍａｘ ３２．１１℃ 晴れ
Ｎ３
在室人数 １１０人 外気温度 ｍａｘ ２８．７℃ 雨
Ｎ４
在室人数 ７０人 外気温度 ｍａｘ ３２．１１℃ 晴れ
Ｎ５
在室人数 ７０人 外気温度 ｍａｘ ３５．１１℃ 晴れ
Ｎ６
在室人数 ７０人 外気温度 ｍａｘ ２８．７℃ 雨
また、故障シミュレーションの条件は以下のようにし、標準のＮ４の条件で以下の故障を発生させた。
【００４９】
Ｆ１
冷却コイル 故障
冷却コイル故障（効率低下 １１時以降）
熱貫流率（Ｗ／ｍ^２・Ｋ）
ＫＥＣ＝４７ から ＫＥＣ＝３０ （急減ではなく３０分の一次遅れ）
Ｆ１Ｂ
冷却コイル 故障
冷却コイル故障（効率低下 １１時以降）
熱貫流率（Ｗ／ｍ^２・Ｋ）
ＫＥＣ＝４７ から ＫＥＣ＝２６ （急減ではなく３０分の一次遅れ）
Ｆ２
給気ファン故障 （正常時はＧＤ＝７．０（ｋｇ／ｓ））
空調開始からＧＤ＝４．５（ｋｇ／ｓ）
Ｆ２Ｂ
給気ファン故障 （正常時はＧＤ＝７．０（ｋｇ／ｓ））
空調開始からＧＤ＝４．２（ｋｇ／ｓ）
Ｆ３
冷却水操作弁 遅れ（操作出力に対して）
遅れ時間 ５分 故障は空調開始から
図６に散布図の例として、Ｚ_２とＺ_３を軸とした正常時（Ｎ１〜Ｎ６）と故障Ｆ３の散布図を示す。正常時のデータの分布と異常時のデータの分布が、はっきりと分離できていることがわかる。
【００５０】
また、この図からもわかるように、空調負荷を広い範囲で変えた６日分（Ｎ１〜Ｎ６）の正常データ群に対して、故障データ（Ｆ３）は１日分のデータにもかかわらずバラツキがたいへん大きいことがわかる。
【００５１】
そこで、下記に示すようなバラツキ度を定義して、各シミュレーションケースについて計算したのが、表３である。
【００５２】
【表３】

〈バラツキ度（３次元の標準偏差）の比較〉
【数３】
［（Ｚ_１の標準偏差）^２＋（Ｚ_２の標準偏差）^２＋（Ｚ_３の標準偏差）^２］の平方根
ここで、Ｎ１からＮ６の負荷（空調消費エネルギー）の大きさ順番は、Ｎ１＞Ｎ２ ＞Ｎ５＞Ｎ４＞Ｎ３＞Ｎ６であり表３のバラツキの大きさの順と一致している。
【００５３】
既に述べたように故障シミュレーションの負荷条件はすべてＮ４であるが、表３からわかるようにすべての故障のバラツキ度はＮ４よりも大きい。また、故障が大きくなるとバラツキ度が増加していることもわかる（Ｆ１→Ｆ１Ｂ、Ｆ２→Ｆ２Ｂ）。
【００５４】
以上の特性を用いて本発明の故障診断（予知）は、各空調制御ゾーン毎に計測できる５変数を用いて、一日毎の（Ｚ_１，Ｚ_２、Ｚ_３）の散布とバラツキ度（３次元の標準偏差）を監視し、故障が徐々に進行して行き、（Ｚ_１，Ｚ_２、Ｚ_３）の散布が正常領域の中にまだある場合でも、負荷（外気温等）が類似のバラツキ度と比較してバラツキ度が大きいと、あるいは大きくなっていく傾向にあるとそのゾーンの空調機が故障あるいは故障進行中と判断する。
【００５５】
さらに、故障が進行していくときの散布図パターンの分類により、その故障がどの空調システムの系統で発生しているかを推定する。例えば図６の散布図は冷却水操作弁が故障（Ｆ３）したときのパターンであるが、図７に示したのは冷却コイルが故障（Ｆ１Ｂ）したときのパターンである。
【００５６】
このようにして、あらかじめシミュレーションにより主な機器別の故障散布図パターンも故障知識データ蓄積手段５に分類して蓄積しておく。オンラインではプロセス実測データの変化の推移を監視し、正常・異常判定手段６で異常があると診断した時、実測の散布図パターンと類似なものをパターン認識により、前記故障知識データ蓄積手段５の中の故障散布図パターン分類から検索することにより、どの機器に故障が発生しているかを推定する。
【００５７】
ｘ_１からｘ_ｐまでのプロセス変数が、すべてセンサが設置されていて計測できる場合は、それらの実測データから前記の方法でｚ_１〜ｚ_ｍに変換して、正常・異常判定手段６により正常な状態から逸脱しているか否かを監視すれば良い。しかしｘ_１ からｘ_ｐの中で、例えばｘ_ｐのセンサが設置されていないため実測データが得られない場合は、ｘ_１からｘ_ｐ−１の実測データを用いて（空調解析）プロセスシミュレーション手段２によりｘ_ｐをオンラインで求め、このｘ_ｐとｘ_１〜ｘ_ｐ−１を用いてｚ_１〜ｚ_ｍに変換し、正常な状態から逸脱しているか否かを監視すれば良い。
【００５８】
以上説明したような構成とアルゴリズムにより、本発明の目的を達成することができる。
【００５９】
＜他の実施形態＞
なお、本願発明は上述した実施の形態に限定されるものではなく、その要旨を逸脱しない範囲で種々変形して実施できるものである。
【００６０】
例えば、上述した実施形態では、具体例として空調プロセスへ適用するビル・環境・エネルギー管理（ＢＥＭＳ）装置の故障検知・予知・診断機能を用いて説明したが、本発明が一般的なプロセスに適用できることは明らかである。
【００６１】
また上述した実施形態では複数の建物に対してのリモートのＢＥＭＳ装置についてのものであるが、もちろん同様のアルゴリズムを建物単独で実施しても良い。この場合はリモートでなく、その建物に本発明装置が設置される。
【００６２】
さらに、上述した実施形態では正常状態と異常状態の特性値の差異を抽出するのに統計解析手段４を用いたが、ファジィモデルやデータマイニング等を用いても良い。
【００６３】
また、各実施形態は可能な限り組合わせて実施することが可能であり、その場合には組合せによる効果が得られる。
【００６４】
【発明の効果】
以上説明したように本発明によれば、限られたセンサ信号から効率良く運転状態と故障状態を判別推定することにより、システムの性能検証や故障検知・予知・診断を精度良く自動で行い、またエネルギー消費を削減し、保守費を低減させることが可能となる。
【図面の簡単な説明】
【図１】本発明によるプロセス管理装置の一実施形態を示すビル・環境・エネルギー管理（ＢＥＭＳ）装置の全体構成図である。
【図２】図２はプロセスシミュレーション手段で実行される処理手順を示すフローチャートである。
【図３】プロセスシミュレーション手段を用いて行った冷房時シミュレーション結果例を示す説明図である。
【図４】プロセスシミュレーション手段を用いて行った冷房時シミュレーション結果例を示す説明図である。
【図５】６変数による主成分分析を行い、主成分を新しい軸とした散布図の例を示す説明図である。
【図６】５変数による主成分分析を行い、主成分を新しい軸とした散布図の例を示す説明図である。
【図７】５変数による主成分分析を行い、主成分を新しい軸とした散布図の例を示す説明図である。
【符号の説明】
１ プロセス管理装置
２ プロセスシミュレーション手段
３ シミュレーションデータ蓄積手段
４ 統計解析手段
５ 故障知識データ蓄積手段
６ 正常・異常判定手段
７ プロセス実績データ蓄積手段
８_１，８_２，…，８_ｎ 計測監視制御手段
９ ネットワーク[0001]
TECHNICAL FIELD OF THE INVENTION
The present invention relates to a process management device, and more particularly to a process management device capable of effectively executing failure detection, prediction, and diagnosis of a building or the like.
[0002]
[Prior art]
BEMS (Building and Energy Management System: a building, environment and energy management device in Japanese) has become important as an energy saving measure for business buildings such as offices and stores. BEMS is a system that collectively manages all or a plurality of buildings from building management to energy management.
[0003]
As a conventional example of a device that supports failure diagnosis support, there is a “failure diagnosis support device” described in Japanese Patent Laid-Open No. 6-208568.
[0004]
[Patent Document]
JP-A-6-208568 [0005]
[Problems to be solved by the invention]
However, with the current BEMS, there is a shortage of data required for analysis for failure prediction and cause finding (especially for new buildings), and sensor signals are limited, so automation of failure detection, prediction and diagnosis is required. Was difficult.
[0006]
For example, if one sensor item is added to the air-conditioning control zone, if a large 30-story high-rise building has 10 zones per floor, 10 sensors will be required. Becomes enormous. In addition, if the number of years has not passed since the building was constructed, the failure diagnosis could not be sufficiently performed because the data at the time of failure occurrence was hardly accumulated.
[0007]
The present invention has been made in view of the above circumstances, and performs system performance verification, failure detection, prediction, and diagnosis by efficiently discriminating and estimating an operating state and a failure state from a limited number of sensor signals. It is an object of the present invention to provide a BEMS device capable of reducing the cost and the maintenance cost.
[0008]
[Means for Solving the Problems]
In order to achieve the above object, according to the present invention, there is provided a process management apparatus for detecting, predicting, and diagnosing a failure of a system, comprising a process simulation means for simulating a normal state of a process and various failure states in advance. And a simulation data storage means for storing these results as simulation data, and analyzing the stored simulation data by a statistical analysis method to extract a difference in characteristic values between a normal state and an abnormal state to generate fault knowledge data. Statistical analysis means, and fault knowledge data accumulating means for accumulating fault knowledge data obtained by the statistical analysis means, monitoring changes in process actual measurement data, comparing with the fault knowledge data, Determining means for determining whether or not the vehicle deviates from a normal state. It is characterized in.
[0009]
According to a second aspect of the present invention, there is provided the process management apparatus according to the first aspect, further comprising a process result data storage unit for storing process result data in a normal state and when a failure occurs. When it has been performed, in addition to or instead of the simulation data stored in the simulation data storage unit, the simulation data is used for statistical analysis by a statistical analysis unit that extracts a difference between characteristic values between a normal state and an abnormal state. I have.
[0010]
According to a third aspect, in the process management device according to the first or second aspect, the statistical analysis unit uses principal component analysis.
[0011]
According to a fourth aspect of the present invention, in the process management device according to the third aspect, in the principal component analysis, a weight parameter of a process variable combination is obtained using data of a simulation section in a normal time + failure time.
[0012]
According to a fifth aspect of the present invention, in the process management apparatus according to the third aspect, in the principal component analysis, a weight parameter of a process variable combination is obtained using data of a normal simulation section.
[0013]
According to claim 6, in the process management apparatus according to claim 3, in the principal component analysis, Z ₁ a new variable that can bind a process _variable, Z 2, _..., as Z _m, [(Z ₁ standard Deviation) ² + (standard deviation of Z ₂ ) ² +... + (Standard deviation of Z _m ) ² ] is also used as the characteristic value.
[0014]
According to a seventh aspect of the present invention, in the process management apparatus according to any one of the third to sixth aspects, for a process variable used for the principal component analysis, in which a sensor is not installed, the process simulation means performs the remaining measurement. The calculation is performed online using the process variable to be performed, and the determination unit determines whether or not a deviation from a normal state is obtained using the calculated value and the value of the measured process variable. .
[0015]
According to an eighth aspect of the present invention, in the process management apparatus according to any one of the third to seventh aspects, the fault scatter diagram pattern for each system is classified and stored in advance in the fault knowledge data storage means by simulation, and the process actual measurement is performed. When the change of the data is monitored and the determination means diagnoses that there is an abnormality, the similarity with the failure scatter diagram pattern of the failure knowledge data storage means is compared to determine which system system has a failure. Is estimated.
[0016]
By taking the above measures, the present invention efficiently and accurately discriminates and estimates the operating state and the failure state from a limited number of sensor signals, thereby automatically and accurately performing system performance verification and failure detection, prediction, and diagnosis. And also reduce energy consumption and maintenance costs.
[0017]
BEST MODE FOR CARRYING OUT THE INVENTION
Hereinafter, embodiments of the present invention will be described with reference to the drawings. Although it is obvious that the present invention can be applied to a general process, in the embodiment, a failure detection, prediction, and diagnosis function of a building, environment, and energy management (BEMS) device applied to an air conditioning process will be described as a specific example. .
[0018]
FIG. 1 is an overall configuration diagram showing an embodiment of a process management device applied to a building air conditioning process according to the present invention.
[0019]
As shown in FIG. 1, the process management device 1 includes a process simulation unit 2 that simulates a normal state of a process and various failure states in advance, a simulation data accumulation unit 3 that accumulates these results as simulation data, Statistical analysis means 4 for analyzing the accumulated simulation data by a statistical analysis method, extracting a difference in characteristic values between a normal state and an abnormal state and generating fault knowledge data, and a fault obtained by the statistical analysis means 4. Failure knowledge data storage means 5 for storing knowledge data, and monitoring changes in process actual measurement data and comparing with the failure knowledge data to determine whether the process actual measurement data deviates from a normal state. A normal / abnormality judging means 6 and a pro- And a scan result data storage unit 7, the process performance data, office buildings and department stores, measuring the monitor control unit ₈₁ installed in the target building side of the hospital or the _like, 8 2, _..., the network 9 from 8 _n Via the process management device 1, the normal / abnormal judgment means 6 and the process result data accumulation means 7 are taken in.
[0020]
The measurement monitoring control means 8 ₁ , 8 ₂ ,..., 8 _n monitor and control the equipment of each building, and measure the energy consumption of the energy consuming equipment and other process values (outside air temperature, room temperature, indoor temperature). Humidity, etc.) is detected and monitored by a sensor, and energy saving control of each facility such as air conditioning control and elevator control is performed.
[0021]
The process simulation means 2 is constituted by a simulator (software) that performs an air conditioning analysis and simulates a normal state and various failure states in advance and inputs setting data for various buildings and load conditions to perform a normal state simulation and a simulation. Perform a fault state simulation. FIG. 2 is a flowchart showing a processing procedure of a simulation executed by the process simulation means 2.
[0022]
As shown in the figure, first, data such as the size, heat capacity, wall area, and heat transfer coefficient of a wall of a target room are set (step S1). Further, the outside temperature, outside air humidity, and solar radiation, which are the weather elements related to the air conditioning load, are set in advance (step S2). Next, indoor heat load data is set (step S3). In the setting of the heat load data, the calorific value of a person, the calorific value of electrical equipment such as OA, and the calorific value of lighting are calculated and set in advance for the simulation time according to the change in the occupancy rate of the person. In addition, the amount of heat obtained from the surface of the window glass is obtained using the amount of solar radiation. Since the simulator also simulates a DDC (Direct Digital Controller) used in the control, the control is performed such that the DDC control algorithm is passed each time a sampling control cycle (an integer multiple of the simulator calculation cycle) arrives (step S4). S5). The DDC control algorithm executed in step S5 mainly performs a PID algorithm (speed type) calculation based on the deviation between the room temperature set value and the room temperature, and the deviation between the humidity set value and the room humidity.
[0023]
In step S6, each state point (temperature, humidity, enthalpy, etc.) of the air in the air conditioner is calculated in the order of the cooling coil, the heating coil, and the humidifier in the order of the theoretical calculation formula of the heat exchanger and the calculation formula of the air diagram. Determine using In the indoor state point calculation in step S7, the walls of the room in the building are divided into an outer wall (with windows), a floor, an inner wall, and a ceiling, and the heat balance is described by a heat transfer equation. Calculate the dynamic change in wall temperature. In step S8, a state point of air at the inlet of the air conditioner is obtained by calculating a mixture of the recirculated air and the introduced outside air.
[0024]
Simulation results of the process normal state and various failure states performed by the process simulation means 2 are stored in a simulation data storage means 3.
[0025]
The statistical analysis means 4 extracts the difference between the characteristic values of the normal state and the abnormal state from the accumulated simulation data by using a statistical analysis method. The obtained information is stored in the failure knowledge data storage means 5 as failure knowledge data. The normal / abnormal judging means 6 monitors the transition of the change of the process measurement data of each building, and judges and monitors whether or not it deviates from a normal state by using the failure knowledge data.
[0026]
The process result data accumulating means 7 accumulates the actual data at the time of normal operation and at the time of occurrence of a failure. When the operation period is extended and the actual result data at the time of the failure is sufficiently accumulated, the data is supplied to the statistical analysis means 4 and the simulation is performed. In addition to or instead of the simulation data stored in the data storage means 3, the data is used for statistical analysis for extracting a difference between characteristic values in a normal state and an abnormal state. As a result, the accuracy of failure detection and prediction can be further improved (a kind of learning function).
[0027]
FIG. 3 and FIG. 4 show examples of the results of the summer cooling simulation performed in the normal state and the failure state using the (air conditioning analysis) process simulation means 2.
[0028]
This simulates a failure state by rapidly reducing the efficiency of the cooling coil of the air conditioner after 13:00. Specifically, at 13:00, the heat transmission coefficient was rapidly reduced from the normal 47 (W / m ² · K) to 15 (W / m ² · K). The reason why the room temperature fluctuates finely in FIG. 3 is that the noise of the room temperature measurement system is also simulated. The air conditioner was stopped at 19:00.
[0029]
The statistical analysis unit 4 extracts the difference between the characteristic values of the normal state and the abnormal state from the accumulated simulation data and / or process performance data. Principal component analysis is described below as an example of a specific statistical analysis method. Will be described.
[0030]
Principal Components Analysis (PCA) is a method of summarizing multivariate data into a small number of total characteristic values with as little information loss as possible. It becomes possible to visually grasp the position of the analysis target.
[0031]
(1) Create a comprehensive index by integrating a large number of indices (2) Group observation targets <Calculation procedure of principal component analysis>
Multivariate data in which the number of variables is p (x ₁ , x ₂ ,..., X _p ) and the number of observation targets is n Based on this data, m new variables (z ₁ , z _{1) 2} ,..., Z _m ) are new variables (z ₁ , z ₂ ,..., Z _m ) that combine the original variables (x ₁ , x ₂ ,..., X _p ). It is assumed to be expressed by a simple formula.
[0032]
(Equation 1)

Here, the new variable has the following properties.
[0033]
z ₁ ensures that the information from x ₁ to x _p is maximally aggregated.
[0034]
z ₂ is as information _{x p} are as many aggregate possible in the following _{z 1} from _{x 1.} Hereinafter, similarly considered from _{z 3} to _{z m.}
[0035]
Specifically, a ₁₁ , a ₁₂ ,..., And _amp are calculated under the following conditions.
[0036]
The variance Var (Z _i ) is
(Equation 2)
_{Var (Z 1) ≧ Var (} Z 2) ≧ ... ≧ Var (Z m) Also,
a _i1 ² + a _i2 ² +... + a _iP ² = 1 (i = 1, 2,..., m)
Here, _{z 1} is set to be independent of the _{z 2.} z ₃ is made independent of z ₁ and z ₂ . Hereinafter, similarly considered from _{z 4} to _{z m.}
[0037]
Under such _{conditions, a 11, a 12, ......} , to seek _{a mp is, x 1, x 2, ...} , resulting in calculating the eigenvalues and eigenvectors of the covariance matrix of _{x p} , A ₁₁ , a ₁₂ ,..., And _amp are all eigenvectors.
[0038]
The results of the principal component analysis performed using the data of the simulation result example of the normal state and the failure state (from 8:00 to 19:00 at one-minute intervals) are shown below. The number of variables P was six. In particular,
x ₁ : room temperature (with measurement noise)
x _2: cold water operation valve MV
x ₃ : indoor humidity x ₄ : outside air temperature x ₅ : PMV value x ₆ : cold water consumption calorie. Since each variable has a different unit, the principal component analysis was performed after normalizing (standardizing) the data for each variable.
[0039]
That is, each variable was normalized as follows, with the average value of all target data of the k-th (k = 1 to 6) variable being M _k and the standard deviation being S _k .
[0040]
x _kj → (x _kj −M _k ) / S _k
Here, j = 1 to n (n is the number of data).
[0041]
weight parameter of the process variable combination obtained by principal component analysis, where m is 3,
Table 1 shows the values of a ₁₁ , a ₁₂ ,..., and _amp .
[0042]
[Table 1]

Shows a scatter plot of the normal time zone _{z 1} and _{z 3} + abnormality hours (19 o'clock 8) in FIG.
[0043]
Looking at the scatter plot with the main component as a new axis, it can be seen that the distribution of data at normal times and the distribution of data at abnormal times are clearly separated.
[0044]
In the above-described embodiment, the principal component analysis is performed using the data of the simulation results of the normal state and the failure state (from 8:00 to 19:00). It may be obtained by using only. The embodiment will be described below.
[0045]
First, the parameters of the principal component analysis PCA are calculated from the data of N1 to N6 of the normal simulation. The variables are usually the following five variables that can be measured.
[0046]
x ₁ : room temperature (with measurement noise)
x _2: cold water operation valve MV
x ₃ : indoor humidity x ₄ : outside air temperature x ₅ : outside air humidity Here, the values of a ₁₁ , a ₁₂ ,..., and _amp are shown in Table 2.
[0047]
[Table 2]

The conditions for the normal simulation are as follows.
[0048]
N1
Number of occupants 110 People Outdoor temperature max 35.11 ° C Sunny N2
Number of occupants 110 People Outside temperature max 32.11 ° C Sunny N3
Number of occupants 110 People Outside temperature max 28.7 ° C Rain N4
Number of occupants 70 people Outside air temperature max 32.11 ° C Sunny N5
Number of occupants 70 people Outside air temperature max 35.11 ° C Sunny N6
Number of occupants: 70 Outside air temperature: max 28.7 ° C. Rain Also, the conditions of the failure simulation were as follows, and the following failures were generated under standard N4 conditions.
[0049]
F1
Cooling coil failure Cooling coil failure (efficiency decrease after 11:00)
Heat flow rate (W / m ² · K)
KEC = 47 to KEC = 30 (30 minutes first-order lag instead of sharp drop)
F1B
Cooling coil failure Cooling coil failure (efficiency decrease after 11:00)
Heat flow rate (W / m ² · K)
KEC = 47 to KEC = 26
F2
Air supply fan failure (GD = 7.0 (kg / s) during normal operation)
GD = 4.5 (kg / s) from the start of air conditioning
F2B
Air supply fan failure (GD = 7.0 (kg / s) during normal operation)
GD = 4.2 (kg / s) from the start of air conditioning
F3
Cooling water operation valve delay (for operation output)
Delay time 5 minutes failure Examples of scatter plot in Figure 6 from the air conditioning start shows a scatter plot of Z ₂ and normal that the axis Z ₃ (N1 to N6) and failure F3. It can be seen that the distribution of normal data and the distribution of abnormal data are clearly separated.
[0050]
Further, as can be seen from this figure, the failure data (F3) is different from the normal data group for six days (N1 to N6) in which the air conditioning load is changed in a wide range, despite the data for one day. Is very large.
[0051]
Therefore, Table 3 shows a calculation for each simulation case with the following degree of variation defined.
[0052]
[Table 3]

<Comparison of variation (three-dimensional standard deviation)>
[Equation 3]
Here the square root of _[(Z standard deviation of ^₁₎ 2 + ² (standard deviation of _{Z ³⁾ (Z} standard deviation of ^₂₎ 2 +], the size order of load from N1 N6 (air conditioner consumes energy), N1 >N2>N5>N4>N3> N6, which is consistent with the order of variation in Table 3.
[0053]
As described above, the load conditions of the failure simulation are all N4, but as can be seen from Table 3, the degree of variation of all the failures is larger than N4. It can also be seen that as the failure increases, the degree of variation increases (F1 → F1B, F2 → F2B).
[0054]
Using the above characteristics, the failure diagnosis (prediction) of the present invention uses the five variables that can be measured for each air-conditioning control zone and distributes (Z ₁ , Z ₂ , Z ₃ ) and the degree of variation (3 (Standard deviation of the dimension), the failure progresses gradually, and even if the distribution of (Z ₁ , Z ₂ , Z ₃ ) is still in the normal region, the load (such as the outside temperature) is similar. If the degree of variation is greater than the degree of variation, or if the degree of variation is increasing, it is determined that the air conditioner in that zone has failed or is in the process of failure.
[0055]
Further, the classification of the scatter diagram pattern when the failure progresses is used to estimate in which air conditioning system the failure has occurred. For example, the scatter diagram in FIG. 6 shows a pattern when the cooling water operation valve fails (F3), whereas the scatter diagram in FIG. 7 shows a pattern when the cooling coil fails (F1B).
[0056]
In this way, the failure scatter diagram pattern for each main device is classified and stored in the failure knowledge data storage unit 5 in advance by simulation. On-line, the change of the process actual measurement data is monitored, and when the normal / abnormal judgment means 6 diagnoses that there is an abnormality, a pattern similar to the actually measured scatter diagram pattern is recognized by the pattern recognition, so that the fault knowledge data accumulation means 5 can be used. By searching from the fault scatter diagram pattern classification in the device, which device has a fault is estimated.
[0057]
x process variables from ₁ to x _p are all if the sensor can be measured have been installed, converts from their measured data to z ₁ to z _m by the above-normal by normal or abnormal determining means 6 It is only necessary to monitor whether or not the state deviates from the proper state. However in the x ₁ of x _p, for example if the sensor x _p is not measured data is obtained because not installed, from x ₁ by using the measured data of x _p-1 (air conditioning analysis) process simulation means 2, x _p is obtained online, converted into z ₁ to z _m using the x _p and x ₁ to x _p−1, and whether or not the state deviates from a normal state may be monitored.
[0058]
With the configuration and algorithm described above, the object of the present invention can be achieved.
[0059]
<Other embodiments>
It should be noted that the present invention is not limited to the above-described embodiment, and can be variously modified and implemented without departing from the gist thereof.
[0060]
For example, in the above-described embodiment, as a specific example, the failure detection, prediction, and diagnosis functions of a building, environment, and energy management (BEMS) device applied to an air conditioning process have been described. However, the present invention is applied to a general process. Clearly what you can do.
[0061]
In the above-described embodiment, the remote BEMS device is used for a plurality of buildings. However, it is needless to say that the same algorithm may be applied to a single building. In this case, the device of the present invention is installed not in the remote but in the building.
[0062]
Furthermore, in the above-described embodiment, the statistical analysis unit 4 is used to extract the difference between the characteristic values of the normal state and the abnormal state, but a fuzzy model, data mining, or the like may be used.
[0063]
Further, each embodiment can be implemented in combination as much as possible, and in that case, the effect of the combination can be obtained.
[0064]
【The invention's effect】
As described above, according to the present invention, by efficiently discriminating and estimating the operating state and the failure state from the limited sensor signals, the system performance verification and the failure detection, prediction, and diagnosis are automatically performed with high accuracy, and Energy consumption can be reduced and maintenance costs can be reduced.
[Brief description of the drawings]
FIG. 1 is an overall configuration diagram of a building / environment / energy management (BEMS) apparatus showing an embodiment of a process management apparatus according to the present invention.
FIG. 2 is a flowchart illustrating a processing procedure executed by a process simulation unit;
FIG. 3 is an explanatory view showing an example of a simulation result during cooling performed using a process simulation means.
FIG. 4 is an explanatory diagram showing an example of a cooling simulation result performed using a process simulation means.
FIG. 5 is an explanatory diagram illustrating an example of a scatter diagram in which principal component analysis is performed using six variables and the principal component is set as a new axis.
FIG. 6 is an explanatory diagram illustrating an example of a scatter diagram in which principal component analysis is performed using five variables and the principal component is set as a new axis.
FIG. 7 is an explanatory diagram illustrating an example of a scatter diagram in which principal component analysis is performed using five variables and the principal component is set as a new axis.
[Explanation of symbols]
DESCRIPTION OF SYMBOLS 1 Process management device 2 Process simulation means 3 Simulation data storage means 4 Statistical analysis means 5 Failure knowledge data storage means 6 Normal / abnormal judgment means 7 Process performance data storage means 8 ₁ , 8 ₂ ,..., 8 _n Measurement monitoring control means 9 network

Claims (8)

システムの故障検知・予知・診断を行うプロセス管理装置であって、
プロセスの正常状態と各種故障状態のシミュレーションを事前に行うプロセスシミュレーション手段と、
これらの結果をシミュレーションデータとして蓄積するシミュレーションデータ蓄積手段と、
蓄積されたシミュレーションデータを統計解析手法により解析し、正常状態と異常状態との特性値の差異を抽出して故障知識データを生成する統計解析手段と、
この統計解析手段により得られた故障知識データを蓄積する故障知識データ蓄積手段と、
プロセス実測データの変化の推移を監視し、前記故障知識データと比較して、プロセス実測データが正常な状態から逸脱しているか否かを判定する判定手段と、
を具備することを特徴とするプロセス管理装置。A process management device that detects, predicts, and diagnoses system failures.
A process simulation means for simulating a normal state of the process and various failure states in advance;
Simulation data storage means for storing these results as simulation data,
Statistical analysis means for analyzing the accumulated simulation data by a statistical analysis method, extracting a difference in characteristic values between a normal state and an abnormal state and generating fault knowledge data,
Fault knowledge data storage means for storing fault knowledge data obtained by the statistical analysis means,
Monitoring means for monitoring a change in process actual measurement data, comparing with the failure knowledge data, and determining whether or not the process actual measurement data deviates from a normal state.
A process management device comprising: 請求項１に記載のプロセス管理装置において、
正常時及び故障発生時のプロセス実績データを蓄積するプロセス実績データ蓄積手段を設け、
運転期間が長くなり故障時の実績データが十分蓄積されてきたときには、前記シミュレーションデータ蓄積手段に蓄えられているシミュレーションデータに加えて、あるいは替えて正常状態と異常状態との特性値の差異を抽出する統計解析手段の統計解析に用いることを特徴とするプロセス管理装置。The process management device according to claim 1,
Provision of process result data storage means for storing process result data when normal and when a failure occurs,
When the operation period becomes longer and the actual data at the time of failure is sufficiently accumulated, the difference between the characteristic values of the normal state and the abnormal state is extracted in addition to or instead of the simulation data stored in the simulation data storage means. A process management apparatus characterized in that the process management apparatus is used for statistical analysis by a statistical analysis unit. 請求項１または２に記載のプロセス管理装置において、
前記統計解析手段は、主成分分析を用いることを特徴とするプロセス管理装置。The process management device according to claim 1, wherein
The statistical analysis means uses principal component analysis. 請求項３に記載のプロセス管理装置において、
前記主成分分析では、プロセス変数結合の重みパラメータを、正常時＋故障時のシミュレーション区間のデータを用いて求めることを特徴とするプロセス管理装置。The process management device according to claim 3,
In the principal component analysis, a weight parameter of a process variable combination is obtained by using data of a simulation section in a normal state + a failure state. 請求項３に記載のプロセス管理装置において、
前記主成分分析では、プロセス変数結合の重みパラメータを、正常時のシミュレーション区間のデータを用いて求めることを特徴とするプロセス管理装置。The process management device according to claim 3,
In the principal component analysis, a weight parameter of a process variable combination is obtained using data of a simulation section in a normal state. 請求項３に記載のプロセス管理装置において、
前記主成分分析では、プロセス変数を結合してできる新しい変数をＺ_１，Ｚ_２，…，Ｚ_ｍとして、［（Ｚ_１の標準偏差）^２＋（Ｚ_２の標準偏差）^２＋…＋（Ｚ_ｍの標準偏差）^２］の平方根も特性値として用いることを特徴とするプロセス管理装置。The process management device according to claim 3,
In the principal component analysis, new variables formed by combining the process variables are defined as Z ₁ , Z ₂ ,..., Z _m and [(standard deviation of Z ₁ ) ² + (standard deviation of Z ₂ ) ² +. A process management apparatus characterized in that the square root of Z _m ) ² ] is also used as a characteristic value. 請求項３乃至６の何れかに記載のプロセス管理装置において、
前記主成分分析に用いるプロセス変数のうちでセンサーが設置されていないものについて、前記プロセスシミュレーション手段では、残りの計測されるプロセス変数を用いてオンラインにて演算し、
前記判定手段では、この演算値と計測されるプロセス変数の値を用いて正常な状態から逸脱しているか否かを判定することを特徴とするプロセス管理装置。The process management device according to claim 3, wherein
Among the process variables used for the principal component analysis, for those for which a sensor is not installed, the process simulation means calculates online using the remaining measured process variables,
A process management device according to claim 1, wherein said determining means determines whether or not a normal state is deviated by using the calculated value and the value of the measured process variable. 請求項３乃至７の何れかに記載のプロセス管理装置において、
故障知識データ蓄積手段に、あらかじめシミュレーションによりシステム系統別の故障散布図パターンも分類して蓄積しておき、プロセス実測データの変化の推移を監視し前記判定手段で異常があると診断した時、前記記故障知識データ蓄積手段の故障散布図パターンと類似性を比較して、どのシステム系統に故障が発生しているかを推定することを特徴とするプロセス管理装置。The process management device according to any one of claims 3 to 7,
In the fault knowledge data storage means, a fault scatter diagram pattern for each system system is also classified and stored in advance by simulation, and the change in process measurement data is monitored and when the determination means diagnoses that there is an abnormality, A process management apparatus characterized by comparing a similarity with a failure scatter diagram pattern of the failure knowledge data storage means to estimate which system system has a failure.

Images