JP2021131310A - 配管劣化診断装置及び配管劣化診断システム - Google Patents
配管劣化診断装置及び配管劣化診断システム Download PDFInfo
- Publication number
- JP2021131310A JP2021131310A JP2020026823A JP2020026823A JP2021131310A JP 2021131310 A JP2021131310 A JP 2021131310A JP 2020026823 A JP2020026823 A JP 2020026823A JP 2020026823 A JP2020026823 A JP 2020026823A JP 2021131310 A JP2021131310 A JP 2021131310A
- Authority
- JP
- Japan
- Prior art keywords
- piping
- deterioration
- pipe
- deterioration diagnosis
- various parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000006866 deterioration Effects 0.000 title claims abstract description 164
- 238000003745 diagnosis Methods 0.000 title claims abstract description 97
- 238000010801 machine learning Methods 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 15
- 230000032683 aging Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 description 19
- 238000000034 method Methods 0.000 description 13
- 238000007689 inspection Methods 0.000 description 11
- 230000007423 decrease Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000001839 endoscopy Methods 0.000 description 3
- 239000011810 insulating material Substances 0.000 description 3
- 239000010865 sewage Substances 0.000 description 3
- 235000020681 well water Nutrition 0.000 description 3
- 239000002349 well water Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 229910000975 Carbon steel Inorganic materials 0.000 description 1
- 229910001018 Cast iron Inorganic materials 0.000 description 1
- 229910001141 Ductile iron Inorganic materials 0.000 description 1
- 102100024827 Dynamin-1-like protein Human genes 0.000 description 1
- 101000909218 Homo sapiens Dynamin-1-like protein Proteins 0.000 description 1
- 239000010962 carbon steel Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Landscapes
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
- Pipeline Systems (AREA)
Abstract
Description
過去に抜管検査された配管サンプルの劣化診断判定と、前記配管サンプルの配管に関する各種パラメータとの関係性の学習モデルを機械学習の手法を用いて作成する配管劣化モデル作成部と、
前記学習モデルと、劣化診断対象の配管に関する各種パラメータとに基づいて、前記劣化診断対象の配管の劣化状態を推定する配管劣化推定部と、
を有するようにした。
つまり、劣化診断対象となった配管に対して、X線検査、内視鏡検査、超音波検査などを行うことなく、その配管の劣化状態を推定して配管の更新時期・交換時期を検討することができる。
このような配管劣化診断装置であれば、より簡易に配管の劣化を診断することができる。
前記配管に関する各種パラメータには、配管の用途に関するパラメータと、配管の継手コアに関するパラメータと、配管の水源に関するパラメータと、配管の経年に関するパラメータのうち、少なくとも1つが含まれているようにした。
勿論、配管の用途に関するパラメータと、配管の継手コアに関するパラメータと、配管の水源に関するパラメータと、配管の経年に関するパラメータの4つ全てが含まれているデータに基づいて作成された学習モデルであれば、より一層良好に配管の劣化を診断することができる。
前記配管劣化モデル作成部は、過去に抜管検査された全配管サンプルのうち、ランダムに抽出された所定数の配管サンプルの劣化診断判定と、それら抽出された配管サンプルの配管に関する各種パラメータとの関係性を機械学習することを複数回行って複数の予備モデルを作成し、その複数の予備モデルを平均化するなど最適化して前記学習モデルを作成するようにした。
過去に抜管検査された配管サンプルの劣化診断判定の情報を記憶する情報記憶手段と、
過去に抜管検査された配管サンプルの配管に関する各種パラメータのデータを記憶するパラメータ記憶手段と、
前記劣化診断判定の情報と、前記配管に関する各種パラメータのデータとの関係性の学習モデルを機械学習の手法を用いて作成する配管劣化モデル作成手段と、
前記学習モデルと、劣化診断対象の配管に関する各種パラメータとに基づいて、前記劣化診断対象の配管の劣化状態を推定する配管劣化推定手段と、
を有するようにした。
なお、本実施形態では配管のうち、市水や汚水等を流す給排水管を診断対象にしている。
配管劣化診断装置100は、例えば、図1に示すように、プログラムの実行によって、劣化診断判定情報記憶部10、配管パラメータ記憶部20、情報入力部30、配管劣化モデル作成部40、配管劣化推定部50、表示部60を備える装置として機能する。
劣化診断判定情報記憶部10は、過去に抜管検査された配管サンプルの劣化診断判定の情報を記憶し、配管パラメータ記憶部20は、過去に抜管検査された配管サンプルの配管に関する各種パラメータのデータを記憶する。
また、情報入力部30は、劣化診断対象の配管に関する各種パラメータのデータの入力を受け付ける。
また、情報入力部30は、例えば、各種プログラムを手動で起動したり終了させたりする場合や、表示部60による表示内容を切り替える場合などの操作部としても利用される。
この配管劣化モデル作成部40には、教師あり学習によって学習モデルを作成又は更新するための機械学習技術が適用される。例えば学習モデルの作成にはk近傍法(kNN)などの機械学習のアルゴリズムが適用される。
配管劣化モデル作成部40は、教師データに基づいて機械学習処理を行うことによって、配管サンプルの劣化診断判定の情報と、配管サンプルの配管に関する各種パラメータのデータとの関係性を学習する。具体的には、配管劣化モデル作成部40は、配管サンプルの劣化診断判定の情報と、配管サンプルの配管に関する各種パラメータのデータとの関係性を示す学習モデルを作成又は更新する。
そして、配管劣化モデル作成部40は、作成又は更新した学習モデルを配管劣化推定部50に出力する。
この配管劣化推定部50によって推定された、劣化診断対象の配管の劣化状態についての評価結果・診断結果は表示部60に出力される。
例えば、図3に示すように、本実施形態における配管サンプルの配管に関するパラメータには、「用途」「位置」「経年」「管種」「口径」「接続方法」「部位」「継手コア」「水源」「場所」「保温材」の11種のパラメータを設定した。
また、図3に示すように、本実施形態における配管サンプルの劣化診断判定の項目には「直管部」「接続部」「継手部」「閉塞率」「総合」の5つの項目を設定した。
なお、「直管部」は母材の減肉率から判定される劣化診断基準、「接続部」および「継手部」は直管と継手の接続箇所における母材の欠損割合(ネジ部の欠損割合)から判定される劣化診断基準、「閉塞率」は管の断面において管内部に付着する物質部分を除く空隙割合(管内部の空隙割合(管内部の閉塞割合)から判定される劣化診断基準、「総合」は「直管部」「接続部」「継手部」「閉塞率」でそれぞれ判定された結果の中で最も悪い判定の物をいう。
そして、情報入力部30を介して入力された、配管サンプルの配管に関する各種パラメータのデータは、劣化診断判定情報記憶部10に記憶されて蓄積される。
また、情報入力部30を介して入力された、配管サンプルの劣化診断判定の情報は、配管パラメータ記憶部20に記憶されて蓄積される。
そして、数百、数千、数万のサンプルのデータや情報が蓄積される。
なお、ここで示したパラメータや項目は、あくまで一例であり、これ以外のパラメータや項目を設定してもよく、また例示したパラメータや項目は必ずしも設定しなくてもよい。但し、配管に関する各種パラメータには、配管の「用途」に関するパラメータと、配管の「継手コア」に関するパラメータと、配管の「水源」に関するパラメータと、配管の「経年」に関するパラメータのうち、少なくとも1つが含まれているようにする。「用途」「継手コア」「水源」「経年」の4要素を除いて学習モデルを作成した場合、劣化判定の精度が低下することを確認したので、この4要素は劣化判定に必要な要素であると判断した。
例えば、この4要素のパラメータが含まれていない場合には、「直管部」では正答率が63%から50%に低下し、「接続部」では正答率が71%から46%に低下し、「継手部」では正答率が74%から53%に低下し、「閉塞率」では正答率が69%から55%に低下し、「総合」では正答率が70%から57%に低下した。なお、「正答率」とは、当該評価の判定結果と正解判定である総合評価判定が一致したサンプル数の率をいう。
また、図3に示したサンプルNo.1〜No.3における各パラメータや各項目に入力されているデータや情報は、本実施形態を説明するためのものであり、実際のデータとは異なる。
また、「位置」のデータの入力については、例えば図4に示すように、上流;0、中流;1、下流;2、不明;3と、予め定められた数値の入力にて行うようにした。
また、「経年」のデータについては、配管の使用年数の値を入力するようにした。
また、「管種」のデータの入力については、例えば図4に示すように、VP(塩ビ管);0、VLP(塩ビライニング鋼管);1、DVLP(硬質塩ビライニング鋼管);2、CIP(鋳鉄管);3、DCIP(ダクタイル鋳鉄管);4、SGP(炭素鋼鋼管);5、MD(可とう継手);6、SUS304(ステンレス鋼管);7,HIVP(耐衝撃性塩ビ管);8と、予め定められた数値の入力にて行うようにした。
また、「口径」のデータについては、配管の口径の値を入力するようにした。
また、「接続方法」のデータの入力については、例えば図4に示すように、ネジ;0、溶接;1、メカニカルor差込;2、接着;3と、予め定められた数値の入力にて行うようにした。
また、「部位」のデータの入力については、例えば図4に示すように、横引き部;0、縦管部;1、継手部;2、弁類接続部;3、継手部+弁類接続部;4と、予め定められた数値の入力にて行うようにした。
また、「継手コア」のデータの入力については、例えば図4に示すように、なし;0、管端;1、全面;2と、予め定められた数値の入力にて行うようにした。
また、「水源」のデータの入力については、例えば図4に示すように、市水;0、井水(処理後);1、市水+井水;2、井水(処理前);3、汚水;4、厨房排水;5、排水;6と、予め定められた数値の入力にて行うようにした。
また、「場所」のデータの入力については、例えば図4に示すように、屋内;0、屋外;1、暗渠;2、土中;3、不明;999と、予め定められた数値の入力にて行うようにした。
また、「保温材」のデータの入力については、例えば図4に示すように、あり;0、なし;1、不明;999と、予め定められた数値の入力にて行うようにした。
なお、機械学習では入力データには、何らかの数字を設定する必要があるため、不明な場合でも数字を入力しなければならない。数字の差異から特徴を抽出し学習する機会学習では、不明を「999」などとすることで、他の入力データと2桁異なるため外れ値(特異点)として学習させることが可能であり、学習結果への影響を低減することが可能である。
「直管部」には、例えば減肉率についての診断、「接続部」には、例えばネジ部腐食状態についての診断、「継手部」には、例えば減肉率についての診断、「閉塞率」については、例えば管内の閉塞状態についての診断、「総合」には総合評価について診断し、それぞれ4段階評価を行った。
なお、「直管部」とは直線状の配管部分、「継手部」とは「直管部」を繋ぐL字状の配管部分、「接続部」とは「直管部」や「継手部」の端部の接続部分である。
なお、劣化診断対象となった配管に関する各種パラメータは、学習モデルの作成のために蓄積した配管に関する各種パラメータと同様のものであり、その劣化診断対象となった配管に関する各種パラメータのデータは事前に取得されている。
ここでは(図5では)、劣化診断対象の配管No.1についての各種パラメータのデータとして「用途;0」「位置;1」「経年;25」「管種;1」「口径;32」「接続方法;0」「部位;2」「継手コア;0」「水源;0」「場所;0」「保温材;0」が入力された結果、その劣化診断対象の配管No.1における劣化推定結果として「接続部;C」「継手部;C」「閉塞率;D」「総合;C」という評価が出力された態様を示している。
なお、劣化推定結果における「評価D」は「現状は継続利用可能」との評価、「評価C」は「定期的な診断を推奨」との評価、「評価B」は「3〜5年後が配管更新時期」との評価、「評価A」は「配管更新時期(直ちに配管を更新すべき)」との評価である。
つまり、劣化診断対象となった配管に対して、X線検査、内視鏡検査、超音波検査などを行うことなく、その配管の劣化状態を推定して配管の更新時期を検討することができる。その結果、配管の維持管理にかかるコストを抑えることができる。
以上のように、この配管劣化診断装置100であれば、より簡易に配管の劣化を診断することができる。
この結果は、現行の目視検査と比較して、精度面で優位性があるといえる。
「一致」とは、当該評価の判定結果と正解判定である総合評価判定が一致したサンプルの数をいう。
「不一致(安全)」とは、誤答の場合でも安全側へ判定(良いものを悪く判定)したサンプル数をいう。
「不一致(危険)」とは、誤答の場合でも危険側へ判定(悪いものを良く判定)したサンプル数をいう。
「正答率」とは、当該評価の判定結果と正解判定である総合評価判定が一致したサンプル数の率をいう。
「誤答率(安全)」とは、誤答の場合でも安全側への判定(良いものを悪く判定)する率をいう。
「誤答率(危険)」とは、誤答の場合でも危険側への判定(悪いものを良く判定)する率をいう。
配管劣化診断装置100の配管劣化モデル作成部40は、過去に抜管検査された全配管サンプルのうち、ランダムに抽出された所定数の配管サンプルの劣化診断判定の情報と、それら抽出された配管サンプルの配管に関する各種パラメータのデータとの関係性を機械学習することを複数回行って複数の予備モデルを作成し、その複数の予備モデルを平均化して学習モデルを作成するようにしてもよい。
そして、配管劣化モデル作成部40は、5つのパターンのランダム抽出によって作成した5つの予備モデルによって最適化処理された学習モデルを作成する。
なお、最適化処理は、予備モデルの平均化、機械学習アルゴリズムのパラメータチューニング、正答率の最も高い入力パラメータ組合せの抽出など、種々の方法が取り得る。
また、学習に用いるサンプルデータは、標準化または正規化による0から1の数字に変換する前処理を行ってもよい。
20 配管パラメータ記憶部
30 情報入力部
40 配管劣化モデル作成部
50 配管劣化推定部
60 表示部
100 配管劣化診断装置
Claims (4)
- 過去に抜管検査された配管サンプルの劣化診断判定と、前記配管サンプルの配管に関する各種パラメータとの関係性の学習モデルを機械学習の手法を用いて作成する配管劣化モデル作成部と、
前記学習モデルと、劣化診断対象の配管に関する各種パラメータとに基づいて、前記劣化診断対象の配管の劣化状態を推定する配管劣化推定部と、
を有することを特徴とする配管劣化診断装置。 - 前記配管に関する各種パラメータには、配管の用途に関するパラメータと、配管の継手コアに関するパラメータと、配管の水源に関するパラメータと、配管の経年に関するパラメータのうち、少なくとも1つが含まれていることを特徴とする請求項1に記載の配管劣化診断装置。
- 前記配管劣化モデル作成部は、過去に抜管検査された全配管サンプルのうち、ランダムに抽出された所定数の配管サンプルの劣化診断判定と、それら抽出された配管サンプルの配管に関する各種パラメータとの関係性を機械学習することを複数回行って複数の予備モデルを作成し、その複数の予備モデルを最適化して前記学習モデルを作成することを特徴とする請求項1又は2に記載の配管劣化診断装置。
- 過去に抜管検査された配管サンプルの劣化診断判定の情報を記憶する情報記憶手段と、
過去に抜管検査された配管サンプルの配管に関する各種パラメータのデータを記憶するパラメータ記憶手段と、
前記劣化診断判定の情報と、前記配管に関する各種パラメータのデータとの関係性の学習モデルを機械学習の手法を用いて作成する配管劣化モデル作成手段と、
前記学習モデルと、劣化診断対象の配管に関する各種パラメータとに基づいて、前記劣化診断対象の配管の劣化状態を推定する配管劣化推定手段と、
を有することを特徴とする配管劣化診断システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020026823A JP2021131310A (ja) | 2020-02-20 | 2020-02-20 | 配管劣化診断装置及び配管劣化診断システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020026823A JP2021131310A (ja) | 2020-02-20 | 2020-02-20 | 配管劣化診断装置及び配管劣化診断システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021131310A true JP2021131310A (ja) | 2021-09-09 |
Family
ID=77552163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020026823A Pending JP2021131310A (ja) | 2020-02-20 | 2020-02-20 | 配管劣化診断装置及び配管劣化診断システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021131310A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7468951B1 (ja) | 2023-10-12 | 2024-04-16 | フジ地中情報株式会社 | 更新最適化システム、更新最適化方法及び更新最適化プログラム |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014016691A (ja) * | 2012-07-06 | 2014-01-30 | Hitachi Ltd | 設備維持管理業務支援システム、およびその方法 |
JP2019197549A (ja) * | 2013-06-24 | 2019-11-14 | サイランス・インコーポレイテッドCylance Inc. | 機械学習を使用した生成的マルチモデルマルチクラス分類および類似度分析のための自動システム |
-
2020
- 2020-02-20 JP JP2020026823A patent/JP2021131310A/ja active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014016691A (ja) * | 2012-07-06 | 2014-01-30 | Hitachi Ltd | 設備維持管理業務支援システム、およびその方法 |
JP2019197549A (ja) * | 2013-06-24 | 2019-11-14 | サイランス・インコーポレイテッドCylance Inc. | 機械学習を使用した生成的マルチモデルマルチクラス分類および類似度分析のための自動システム |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7468951B1 (ja) | 2023-10-12 | 2024-04-16 | フジ地中情報株式会社 | 更新最適化システム、更新最適化方法及び更新最適化プログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5640286B2 (ja) | 配管評価方法 | |
US9568453B2 (en) | Apparatus and method for determining the internal cleanliness of a tube | |
CN105051527A (zh) | 疲劳破坏预测和结构完整性评定的无损检测的嵌入式缺陷的概率建模和尺寸测定 | |
JPH06187030A (ja) | 時系列モデルによる制御系異常診断方法、及び表示方法 | |
CN108776694A (zh) | 一种时间序列异常点检测方法及装置 | |
US20170261972A1 (en) | Monitoring means and monitoring method for monitoring at least one step of a process run on an industrial site | |
JP2007293489A (ja) | 設備機器用故障診断装置および設備機器用故障診断方法 | |
WO2022222026A1 (zh) | 医疗诊断缺失数据补全方法及补全装置、电子设备、介质 | |
CN112581719B (zh) | 基于时序生成对抗网络的半导体封装过程预警方法和装置 | |
JP6053574B2 (ja) | 視野検査支援装置 | |
JP2021131310A (ja) | 配管劣化診断装置及び配管劣化診断システム | |
JP3790527B2 (ja) | 設備診断用集計システムの動作方法、並びに、設備診断用集計システム | |
CN112380206A (zh) | 一种交通时序数据的诊断和修复方法 | |
JP6214979B2 (ja) | 配水管網の情報システム | |
CN111860184B (zh) | 一种自动扶梯机械故障诊断方法和*** | |
US6532829B1 (en) | Fluid flow measurement | |
WO2023084630A1 (ja) | 流量推定システム | |
JP2024024219A (ja) | 流量推定システム | |
JP2003065500A (ja) | 配水管網維持管理装置 | |
US20230297090A1 (en) | Method and Apparatus for Monitoring a Condition of a Component of a Processing Engineering Plant | |
JP7353536B1 (ja) | き裂の進展予測装置、き裂の検査システムおよびき裂の進展予測方法 | |
KR102385534B1 (ko) | 데이터 간 상호 유사도에 기반한 가상수명데이터 생성장치 및 방법 | |
Tahtinen | ANALYSIS OF DATA FROM A STUDY TO IDENTIFY POTENTIAL BIOMARKERS TO INDICATE RENAL INJURY | |
JP2001312543A (ja) | 建築設備劣化診断システム | |
Rocha et al. | Markoff chain modelling of NDI techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20200313 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230125 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230927 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231003 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231120 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231219 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240201 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20240402 |