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
【課題】より簡易に配管の劣化を診断することができる配管劣化診断装置及び配管劣化診断システムを実現する。【解決手段】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４０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５０と、を有する配管劣化診断装置１００であれば、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とに基づき、それらの関係性を示す学習モデルを作成し、その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のデータとに基づいて、劣化診断対象の配管の劣化状態を推定することができる。【選択図】図１
Description
本発明は、配管の劣化状況を診断する配管劣化診断装置及び配管劣化診断システムに関する。
従来、腐食や減肉などといった配管の劣化状況を評価する方法として、予備調査によって設備の特性等を把握したうえで配管の各部から検査対象となる部位を選別し、その選別した部位毎にＸ線検査、内視鏡検査、超音波検査、水質分析、肉眼観察などから適切な検査方式を選定して、所定の検査を実施する技術が知られている（例えば、特許文献１参照。）。
しかしながら、上記特許文献１の技術の場合、検査中の配管に水が流れないように検査対象設備の一部を停止して作業を行わなければならず、また検査方式毎にそれぞれの検査用機器を準備しなければならないので、その検査は比較的大掛かりなものになってしまうという問題があった。
本発明の目的は、より簡易に配管の劣化を診断することができる配管劣化診断装置及び配管劣化診断システムを提供することである。
上記目的を達成するため、この発明は、配管劣化診断装置であって、
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。
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。
かかる構成の配管劣化診断装置であれば、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とに基づき、それらの関係性を示す学習モデルを作成し、その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のデータとに基づいて、劣化診断対象の配管の劣化状態を推定することができる。
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・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。
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。
また、望ましくは、
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。
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。
このようなパラメータのデータに基づいて作成された学習モデルを利用すれば、より好適に配管の劣化を診断することができる。
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。
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。
また、望ましくは、
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。
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。
こうすることで、過去に抜管検査された配管サンプルに偶然のパターンによる偏りがある場合でも、その偏りの影響を抑えた学習モデルを作成することができる。
また、上記目的を達成するため、この発明は、配管劣化診断システムあって、
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。
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。
かかる構成の配管劣化診断システムであれば、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とに基づき、それらの関係性を示す学習モデルを作成し、その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のデータとに基づいて、劣化診断対象の配管の劣化状態を推定することができる。そして、より簡易に配管の劣化を診断することができる。
本発明によれば、より簡易に配管の劣化を診断することができる。
以下、図面を参照して、本発明に係る配管劣化診断装置及び配管劣化診断システムの実施形態について詳細に説明する。但し、以下に述べる実施形態には、本発明を実施するために技術的に好ましい種々の限定が付されているが、本発明の範囲を以下の実施形態及び図示例に限定するものではない。
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。
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。
図１は、本実施形態の配管劣化診断装置１００の機能構成の具体例を示すブロック図である。この配管劣化診断装置１００は、バスで接続されたＣＰＵ（Central Processing Unit）やメモリや補助記憶装置などを備え、プログラムを実行する。
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。
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。
なお、配管劣化診断装置１００の各機能の全て又は一部は、ＡＳＩＣ（Application Specific Integrated Circuit）やＰＬＤ（Programmable Logic Device）やＦＰＧＡ（Field Programmable Gate Array）等のハードウェアを用いて実現されてもよい。プログラムは、コンピュータ読み取り可能な記録媒体に記録されてもよい。コンピュータ読み取り可能な記録媒体とは、例えばフレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置である。プログラムは、電気通信回線を介して送信されてもよい。
劣化診断判定情報記憶部１０及び配管パラメータ記憶部２０は、磁気ハードディスク装置や半導体記憶装置などの記憶装置を用いて構成される。
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。
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。
情報入力部３０は、キーボード、タッチパネルなどといったポインティングデバイスなどを有し、外部からの入力操作を受け付ける。入力された情報やデータは、それぞれ劣化診断判定情報記憶部１０や配管パラメータ記憶部２０に記憶される。
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。
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。
配管劣化モデル作成部４０は、劣化診断判定情報記憶部１０に蓄積されている、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と、配管パラメータ記憶部２０に蓄積されている、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と、を教師データとして機械学習処理を行う。
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。
配管劣化推定部５０は、配管劣化モデル作成部４０によって作成又は更新した学習モデルと、劣化診断対象の配管に関する各種パラメータのデータとに基づいて、その劣化診断対象の配管の劣化状態を推定する。
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。
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。
表示部６０は、液晶ディスプレイ、有機ＥＬディスプレイなどといった表示デバイスを有し、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・診断結果を表示する。
次に、本実施形態の配管劣化診断装置１００の動作例について、図２のフローチャートに基づき説明する。
まず、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とを蓄積する（ステップＳ１）。
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。
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。
配管に関する各種パラメータのデータの入力であって、「用途」のデータの入力については、例えば図４に示すように、給水；０、汚水；１、厨房排水；２、排水；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、「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。
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。
また、配管サンプルの劣化診断判定の情報の入力については、Ａ（最悪）〜E（最良）の５段階評価を情報として入力するようにした。
「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。
「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。
次いで、配管劣化モデル作成部４０が、劣化診断判定情報記憶部１０に記憶されている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、配管パラメータ記憶部２０に記憶されている配管サンプルの劣化診断判定の情報との関係性を機械学習し（図３参照）、その関係性を示す学習モデルを作成する（ステップＳ２）。
そして、学習モデル（配管の劣化診断用の学習モデル）を作成した後、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（ステップＳ３）。
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。
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。
そして、ユーザによって、劣化診断対象の配管に関する各種パラメータのデータが情報入力部３０を介して入力されると、例えば、図５に示すように、配管劣化推定部５０が、その入力された各種パラメータのデータと学習モデルとに基づいて、劣化診断対象の配管の劣化状態を推定し、その配管に対する劣化推定結果を表示部６０に表示するなどして出力する（ステップＳ４）。
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。
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。
このように、本実施形態の配管劣化診断装置１００によれば、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とに基づき、それらの関係性を示す学習モデルを作成し、その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のデータとに基づいて、劣化診断対象の配管の劣化状態を推定することができる。
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。
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。
例えば、以下の表Iに示すように、本実施形態の配管劣化診断装置１００による劣化評価モデルの正答率は、総合において７０％の精度となった。誤答の場合でも危険側への判定（悪いものを良く判定してしまう）は７％の精度となった。
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。
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。
表Iにおいて、「サンプル数」とは、当該評価を実施した配管サンプルの数をいう。
「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。
「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。
なお、本発明は上記実施形態に限られるものではない。
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。
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。
例えば、図６に示すように、過去に抜管検査した全配管サンプルからランダムに三分の二の配管サンプルを抽出し、その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に基づき、ランダム抽出した配管サンプルの関係性を示す予備モデルを作成する。作成にあたっては過学習を防止するため、抽出データセットを５つに分割し、それぞれを教師データとして、予備の機械学習を５回行って５つの予備モデルを作成している。なお、予備の機械学習は５回に限定されるものではなく、学習に用いるデータ数によって適宜変更してもよい。過学習とは、未知の配管サンプルデータが考慮されておらず、保有する配管サンプルデータに過剰に合致させる学習をいう。
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。
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。
このような手法の機械学習によって学習モデルを作成するようにすれば、過去に抜管検査した配管サンプルに偶然のパターンによる偏りがある場合でも、その偏りの影響を抑えた学習モデルを作成することができる。
なお、本発明の適用は上述した実施形態に限定されることなく、本発明の趣旨を逸脱しない範囲で適宜変更可能であり、評価指標やパラメータは追加・変更してもよい。
１０ 劣化診断判定情報記憶部
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
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 |