JP2022072229A - Equipment diagnostic system, equipment diagnostic method and program - Google Patents
Equipment diagnostic system, equipment diagnostic method and program Download PDFInfo
- Publication number
- JP2022072229A JP2022072229A JP2020181564A JP2020181564A JP2022072229A JP 2022072229 A JP2022072229 A JP 2022072229A JP 2020181564 A JP2020181564 A JP 2020181564A JP 2020181564 A JP2020181564 A JP 2020181564A JP 2022072229 A JP2022072229 A JP 2022072229A
- Authority
- JP
- Japan
- Prior art keywords
- failure
- abnormality
- probability
- time
- equipment
- 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
- 238000002405 diagnostic procedure Methods 0.000 title claims 2
- 230000005856 abnormality Effects 0.000 claims abstract description 220
- 238000001514 detection method Methods 0.000 claims abstract description 98
- 238000012423 maintenance Methods 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000005315 distribution function Methods 0.000 claims abstract description 35
- 230000008859 change Effects 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims description 80
- 238000003745 diagnosis Methods 0.000 claims description 33
- 230000001364 causal effect Effects 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 65
- 238000010586 diagram Methods 0.000 description 17
- 102000003712 Complement factor B Human genes 0.000 description 11
- 108090000056 Complement factor B Proteins 0.000 description 11
- 238000000605 extraction Methods 0.000 description 10
- 230000002547 anomalous effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Abstract
Description
本発明は、機器診断システム等に関する。 The present invention relates to a device diagnostic system and the like.
機器の保全業務に関する技術として、例えば、特許文献１に記載の技術が知られている。すなわち、特許文献１には、「・・・機器で測定される測定値の異常又は前記機器自体の異常を示す第１アラームを生成する第１アラーム生成部と、前記収集情報及び前記第１アラームの少なくとも一方の組み合わせから、推定される前記プラントの異常状態を示す第２アラームを生成する第２アラーム生成部と、」を備える状態監視装置について記載されている。
As a technique related to equipment maintenance work, for example, the technique described in
特許文献１に記載の技術では、前記したように、収集情報及び第１アラームの少なくとも一方に基づいて、プラントの異常状態を推定するようにしているが、異常状態を推定する際の不確実性をさらに低減する余地がある。また、機器の保全業務に関して有益な情報を管理者等に提供し、機器の保全業務を行いやすくすることが望まれている。
In the technique described in
そこで、本発明は、機器の保全業務を行いやすい機器診断システム等を提供することを課題とする。 Therefore, it is an object of the present invention to provide a device diagnosis system or the like that facilitates device maintenance work.
前記した課題を解決するために、本発明は、機器に設置されているセンサの検出値の異常を検知した場合、前記機器の故障確率を含むデータを表示装置に表示させる演算処理部を備え、前記演算処理部は、前記異常を検知した場合、前記機器の前回のメンテナンスの終了時から前記異常の検知までの前記機器の運転時間を算出し、前記前回のメンテナンスよりも過去のメンテナンスの終了時から前記運転時間が経過した後であって、当該過去のメンテナンスの次の回のメンテナンスが行われたときまでの前記機器の故障記録をそれぞれ抽出し、前記機器の故障の原因となり得る所定の異常要因の発生確率の時間的変化を示す確率分布関数、及び、前記故障記録に基づいて、前記検出値の前記異常が検知されたときの前記機器の故障確率と、前記故障確率が所定閾値に達するまでの時間の予測値と、を前記異常要因に対応付けて前記表示装置に表示させることを特徴とする。 In order to solve the above-mentioned problems, the present invention includes an arithmetic processing unit that displays data including a failure probability of the device on a display device when an abnormality in a detection value of a sensor installed in the device is detected. When the calculation processing unit detects the abnormality, the arithmetic processing unit calculates the operation time of the device from the end of the previous maintenance of the device to the detection of the abnormality, and at the end of the maintenance earlier than the previous maintenance. After the lapse of the operation time from 1 to the time when the next maintenance of the past maintenance is performed, the failure record of the device is extracted, and a predetermined abnormality that may cause the failure of the device is extracted. Based on the probability distribution function indicating the temporal change of the occurrence probability of the factor and the failure record, the failure probability of the device when the abnormality of the detected value is detected and the failure probability reach a predetermined threshold value. It is characterized in that the predicted value of the time until is displayed on the display device in association with the abnormality factor.
本発明によれば、機器の保全業務を行いやすい機器診断システム等を提供できる。 According to the present invention, it is possible to provide an equipment diagnosis system or the like that facilitates equipment maintenance work.
≪第１実施形態≫
＜機器診断システムの構成＞
図１は、第１実施形態に係る機器診断システム１００の構成を示す機能ブロック図である。
機器診断システム１００は、センサ（例えば、圧力センサ３１）の検出値に異常があった場合、機器（例えば、ポンプ２０）の故障に関して所定の診断を行うシステムである。ここで、センサの検出値の「異常」とは、センサの検出値が所定の正常範囲から逸脱していることを意味している。所定のセンサの検出値が「異常」である場合、機器の「故障」の前触れ（故障予兆）である可能性がある。なお、機器の「故障」とは、機器の正常な機能が損なわれることを意味している。
<< First Embodiment >>
<Configuration of device diagnostic system>
FIG. 1 is a functional block diagram showing a configuration of the device
The
ポンプ２０等が設けられるプラント２００は、例えば、発電プラントであってもよいし、化学プラントや製造プラント、水処理プラントであってもよい。図１に示すポンプ２０は、所定の流体を圧送する機器である。図１の例では、ポンプ２０に関する所定の状態量を検出するセンサとして、圧力センサ３１、温度センサ３２、及び流量センサ３３がポンプ２０の吐出側の配管Ｋ１に設けられている。
The
図１に示すように、圧力センサ３１の検出値は、配線４１を介して、検出値入力部１に出力される。同様に、温度センサ３２や流量センサ３３の検出値は、配線４２，４３を介して、検出値入力部１に出力される。以下では一例として、診断対象の機器がポンプ２０である場合について説明するが、機器の種類は、これに限定されるものではない。また、圧力センサ３１、温度センサ３２、及び流量センサ３３も一例であり、機器の状態量を検出するセンサの種類は、これに限定されるものではない。
As shown in FIG. 1, the detected value of the
＜機器診断システムの構成＞
図１に示すように、機器診断システム１００は、検出値入力部１と、正常時検出値データベース２と、異常検知部３と、機器故障記録データベース４と、条件付確率算出部５と、因果ツリーデータベース６と、を備えている。また、機器診断システム１００は、前記した構成の他に、物理モデル設定部７と、異常要因推定部８と、故障分布関数データベース９と、故障確率算出部１０と、閾値到達時間算出部１１と、出力部１２と、を備えている。
<Configuration of device diagnostic system>
As shown in FIG. 1, the
図１に示す演算処理部Ｇ１は、ポンプ２０（機器）に設置されているセンサの検出値の異常を検知した場合、ポンプ２０の故障確率を含むデータを表示装置５０に表示させる機能等を有している。このような所定の演算処理を行う演算処理部Ｇ１は、検出値入力部１と、異常検知部３と、条件付確率算出部５と、物理モデル設定部７と、異常要因推定部８と、故障確率算出部１０と、閾値到達時間算出部１１と、出力部１２と、を含んで構成される。
The arithmetic processing unit G1 shown in FIG. 1 has a function of displaying data including a failure probability of the
なお、機器診断システム１００は、１つの装置（サーバ等：図示せず）で構成されていてもよいし、また、信号線やネットワークを介して、複数の装置（図示せず）が所定に接続された構成であってもよい。前記した装置は、ハードウェア構成として、図示はしないが、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、各種インタフェース等の電子回路を含んで構成されている。そして、ＲＯＭに記憶されたプログラムを読み出してＲＡＭに展開し、ＣＰＵが各種処理を実行するようになっている。
The
図１に示す検出値入力部１は、ポンプ２０（機器）に関する複数の状態量（圧力・温度・流量）の検出値を各センサから取得する。具体的には、圧力センサ３１、温度センサ３２、及び流量センサ３３の各検出値と、これらの検出値を取得した日付・時刻と、センサの識別情報と、を含む所定のデータが検出値入力部１に入力される。
The detection
図２は、機器の検出値を含むデータの説明図である（適宜、図１を参照）。
図２に示す「日時」は、圧力センサ３１、温度センサ３２、及び流量センサ３３の検出値を検出値入力部１が取得した日付・時刻である。なお、図２では、検出値入力部１が、一日に一回、所定時刻（００：００）に各センサの検出値を取得する例を示しているが、検出値を取得する周期はこれに限定されるものではない。例えば、検出値入力部１が、各センサの検出値を数秒毎に取得するようにしてもよいし、また、数時間毎や数分毎の他、０．１秒毎に取得するようにしてもよい。
FIG. 2 is an explanatory diagram of data including detection values of the device (see FIG. 1 as appropriate).
The “date and time” shown in FIG. 2 is the date and time when the detection
図２に示す「運転時間」は、前回（つまり、直近）のポンプ２０のメンテナンスの終了後、ポンプ２０の運転が開始されてから、各検出値が取得されるまでのポンプ２０の運転時間である。例えば、前回のメンテナンスから１日間が経過している２００１年１月１０日の０：００の各検出値については、ポンプ２０の運転時間の日数が「１」になっている。ちなみに、図２の例では、前回のメンテナンスの終了後にポンプ２０の運転が開始されたのは、「運転時間」の日数が「１」になっている２００１年１月１０日の前日（２００１年１月９日）である。
The "operation time" shown in FIG. 2 is the operation time of the
図２に示す「パラメータＸ」は、例えば、圧力センサ３１の検出値である。また、「パラメータＹ」や「パラメータＺ」は、例えば、温度センサ３２や流量センサ３３の検出値である。なお、「パラメータ」という文言は、圧力・温度・流量といった「状態量」と同義である。そして、各センサの検出値（つまり、パラメータ）が検出された「日時」や、直近のメンテナンスからの「運転時間」に、パラメータＸ，Ｙ，Ｚの各検出値が対応付けられた所定のデータが、検出値入力部１から異常検知部３に出力されるようになっている。
The “parameter X” shown in FIG. 2 is, for example, a detected value of the
図１に示す正常時検出値データベース２には、ポンプ２０（機器）が正常であることが既知である所定期間に取得された各センサの検出値等が格納されている。なお、正常時検出値データベース２のデータ構造は、図２と同様である。つまり、図示はしないが、ポンプ２０の正常時の検出値（パラメータＸ，Ｙ，Ｚの各検出値）が、「日時」や「運転時間」に対応付けて、正常時検出値データベース２に格納されている。
The normal
なお、パラメータＸ，Ｙ，Ｚのそれぞれの正常範囲が、正常時検出値データベース２に予め格納されるようにしてもよい。また、ポンプ２０の正常時に取得された各センサの検出値に基づいて、所定の機械学習が行われ、パラメータＸ，Ｙ，Ｚのそれぞれの正常範囲が算出されるようにしてもよい。
The normal range of each of the parameters X, Y, and Z may be stored in the normal
ちなみに、ポンプ２０と同様の型式であり、さらに、ポンプ２０と同様の条件下で使用されている他のポンプ（図示せず）が存在する場合には、当該他のポンプの正常時のデータもポンプ２０の正常時のデータとして用いるようにしてもよい。前記した他のポンプは、プラント２００に設けられていてもよいし、また、別のプラント（図示せず）に設けられていてもよい。
By the way, if there is another pump (not shown) that has the same model as the
図１に示す異常検知部３は、ポンプ２０（機器）に設置されているセンサの検出値の異常を検知する機能を有している。すなわち、異常検知部３は、ポンプ２０の正常時の検出値を正常時検出値データベース２から取得し、この正常時の検出値を基準として、各センサの検出値のうち少なくとも一つに異常なもの（「異常パラメータ」という）が含まれているか否かを判定する。このような異常検知部３の処理として、例えば、マハラノビス・タグチ法が用いられるが、これに限定されるものではない。
The
異常検知部３によって異常パラメータが検知された場合には、今後（例えば、数カ月後）、ポンプ２０の所定部位（モータ、軸受、羽根車等）で故障が生じる可能性がある。言い換えると、異常パラメータの検知は、ポンプ２０の故障の前触れである可能性がある。そこで、異常パラメータを検知した場合には、ポンプ２０の各部位の故障確率に関するデータを生成するために、異常検知部３から条件付確率算出部５、異常要因推定部８、及び閾値到達時間算出部１１に所定のデータが出力される。
When the abnormality parameter is detected by the
具体的には、異常検知部３は、ポンプ２０の前回（直近）のメンテナンスの終了時から異常パラメータの検知時までのポンプ２０の運転時間を含むデータを、条件付確率算出部５及び閾値到達時間算出部１１のそれぞれに出力する。また、異常検知部３は、異常パラメータを異常要因推定部８に出力する。
Specifically, the
図２を用いて具体的に説明すると、例えば、ポンプ２０の運転時間が７日間になったときに、異常検知部３が、パラメータＸ（例えば、圧力センサ３１の検出値）の異常を検知したとする。この場合、異常検知部３は、運転時間である「７」日間という情報を条件付確率算出部５及び閾値到達時間算出部１１のそれぞれに出力する。また、異常検知部３は、異常パラメータがパラメータ「Ｘ」であることを示す情報を異常要因推定部８に出力する。
More specifically with reference to FIG. 2, for example, when the operating time of the
なお、異常パラメータの具体的な数値（図２の例では、パラメータＸの検出値である７．２１）については、異常検知部３から異常要因推定部８に出力されてもよいし、また、出力されなくてもよい。異常要因推定部８では、パラメータＸ，Ｙ，Ｚのいずれが異常パラメータであったかという情報が用いられる一方、その検出値（数値）は特に必要ないからである。また、異常検知部３から異常要因推定部８に出力される異常パラメータとして、その異常パラメータを検出した所定のセンサの識別情報を用いることもできる。
The specific numerical value of the abnormality parameter (7.21 which is the detection value of the parameter X in the example of FIG. 2) may be output from the
一方、異常検知部３で異常パラメータが検知されていない場合、当面の間（例えば、今後数カ月）は、ポンプ２０の故障が生じる可能性は低い。したがって、このような場合、例えば、異常パラメータが無い旨の情報を異常検知部３が表示装置５０に出力するようにしてもよい。
図１に示す機器故障記録データベース４には、ポンプ２０（機器）の故障記録が格納されている。
On the other hand, when the abnormality parameter is not detected by the
The equipment
図３は、機器故障記録データベース４の説明図である。
図３に示すように、機器故障記録データベース４には、「故障時の運転時間」と、故障が生じた「機器」と、故障が生じた「部位」と、機器が故障した「要因」と、機器が故障したときの「異常パラメータ」と、が対応付けて格納されている。ここで、「故障時の運転時間」とは、機器の前回の（つまり、異常パラメータが検知された時点での直近の）メンテナンスの終了後、機器の運転が開始されてから異常パラメータが検知されるまでの機器の運転時間である。このような「故障時の運転時間」は、検出値入力部１で生成された運転時間（図２参照）のデータに基づいて特定される。
FIG. 3 is an explanatory diagram of the equipment
As shown in FIG. 3, in the device
なお、故障が生じた「機器」や「部位」の他、故障の「要因」については、作業員がタブレットやスマートフォン、ノートパソコン等を用いて、適宜に入力する。例えば、故障が生じた機器がポンプ２０であり、メンテナンスを行う作業員がポンプ２０を実際に分解して確認したところ、ポンプ２０の軸受（図示せず）が破損していた場合、作業員は、次のように入力する。すなわち、作業員は、故障した「機器」はポンプ２０であり、その「部位」は軸受であり、その「要因」は軸受の破損である旨を、保守記録（機器の故障記録）としてタブレット等に入力する。このように、故障が生じている「機器」や「部位」の他、その「要因」は、メンテナンス時に作業員によって判断される。
In addition to the "device" and "part" where the failure occurred, the worker inputs the "cause" of the failure as appropriate using a tablet, smartphone, notebook computer, or the like. For example, if the device in which the failure occurred is the
図３に示す「異常パラメータ」は、機器で実際に故障が生じたときに所定の正常範囲から逸脱しているパラメータ（センサの検出値）であり、前記したように、異常検知部３（図１参照）によって検知される。例えば、ポンプ２０の故障時に圧力センサ３１の検出値が所定の正常範囲から逸脱していた場合には、ポンプ２０の吐出圧力が「異常パラメータ」となる。
The "abnormality parameter" shown in FIG. 3 is a parameter (sensor detection value) that deviates from a predetermined normal range when a failure actually occurs in the device, and as described above, the abnormality detection unit 3 (FIG. 3). 1) is detected. For example, if the detected value of the
そして、前記した「機器」、「部位」、及び「要因」が、「故障時の運転時間」や「異常パラメータ」に対応付けて、機器故障記録データベース４に格納される。このようにして、機器故障記録データベース４に機器の故障記録が蓄積されていく。なお、タブレット等への入力に代えて、作業員が報告書に保守記録を書き込んだ後、この保守記録を所定にデータ化するようにしてもよい。
また、対象とする機器と同様の型式であり、さらに、対象とする機器と同様の条件下で使用されている他の機器が存在する場合には、当該他の機器の故障記録も機器故障記録データベース４に格納されるようにしてもよい。
Then, the above-mentioned "device", "part", and "factor" are stored in the device
In addition, if there is another device that has the same model as the target device and is used under the same conditions as the target device, the failure record of the other device is also the device failure record. It may be stored in the
図１に示す条件付確率算出部５は、所定の異常要因が生じた場合に所定のパラメータ（センサの検出値）の異常が生ずるという事象の条件付確率を算出する。なお、条件付確率とは、ある事象が発生した場合に、他の事象が発生する確率である。
The conditional
前記したように、異常パラメータ（異常な検出値）が検知された場合、前回のメンテナンスの終了時からのポンプ２０の運転時間Ｔを含むデータが、異常検知部３から条件付確率算出部５に出力される。この場合、条件付確率算出部５は、まず、機器故障記録データベース４を参照し、過去に行われた機器のメンテナンスの終了時から運転時間Ｔが経過した後の故障記録を抽出する。このような故障記録の抽出について、図４を用いて説明する。
As described above, when an abnormality parameter (abnormal detection value) is detected, data including the operation time T of the
図４は、機器の故障記録の抽出に関する説明図である（適宜、図１を参照）。
なお、図４の横軸は時刻（日時）であり、縦軸は機器の状態（運転／停止）を示している。図４の例では、時刻ｔ１～ｔ３の期間で機器が運転された後、時刻ｔ３～ｔ４の期間で機器がいったん停止され、メンテナンスが行われている。このメンテナンスは、定期的なメンテナンスであってもよいし、また、機器の故障に伴うメンテナンスであってもよい。なお、時刻ｔ１～ｔ２の時間の長さは、例えば、数カ月や数年である。また、時刻ｔ３～ｔ４のメンテナンスに要する時間の長さ、例えば、数時間や数日である。
FIG. 4 is an explanatory diagram relating to extraction of failure records of equipment (see FIG. 1 as appropriate).
The horizontal axis of FIG. 4 is the time (date and time), and the vertical axis shows the state (start / stop) of the device. In the example of FIG. 4, after the device is operated during the period from time t1 to t3, the device is temporarily stopped during the period from time t3 to t4, and maintenance is performed. This maintenance may be regular maintenance or may be maintenance due to equipment failure. The length of time t1 to t2 is, for example, several months or several years. Further, the length of time required for maintenance at times t3 to t4, for example, several hours or several days.
そして、時刻ｔ３～ｔ４のメンテナンスの終了後、再び機器の運転が開始される。このように、機器の運転が行われる期間が、所定のメンテナンスで区切られている。なお、メンテンナンスが行われた場合には、機器の運転時間がリセットされる。 Then, after the maintenance at times t3 to t4 is completed, the operation of the device is restarted. In this way, the period during which the equipment is operated is divided by predetermined maintenance. When maintenance is performed, the operating time of the device is reset.
図４に示すように、例えば、時刻ｔ１１において、異常検知部３が異常パラメータを検知（センサの検出値の異常を検知）したとする。このような場合、演算処理部Ｇ１（図１参照）は、条件付確率算出部５によって、機器の前回のメンテナンスの終了時（時刻ｔ１０）から異常パラメータの検知（時刻ｔ１１）までの機器の運転時間Ｔを算出する（第１処理）。そして、演算処理部Ｇ１は、条件付確率算出部５によって、前回のメンテナンスよりも過去のメンテナンスの終了時から運転時間Ｔが経過した後であって、当該過去のメンテナンスの次の回のメンテナンスが行われたときまでの機器の故障記録をそれぞれ抽出する（第２処理）。
As shown in FIG. 4, for example, it is assumed that the
例えば、現時点を図４の時刻ｔ１１として説明すると、過去の時刻ｔ１～ｔ３の期間で機器が運転された後、この機器のメンテナンスが行われている。また、時刻ｔ１を基準として、運転時間Ｔ（時刻ｔ１０～ｔ１１の時間に等しい長さ）が経過した時刻は、時刻ｔ２である。したがって、条件付確率算出部５は、時刻ｔ２～ｔ３までの期間（図４の斜線部分）の故障記録を、機器故障記録データベース４から抽出する。同様に、条件付確率算出部５は、時刻ｔ５～ｔ６，ｔ８～ｔ９の期間の故障記録を、それぞれ、機器故障記録データベース４から抽出する。
For example, if the current time is described as the time t11 in FIG. 4, the maintenance of the device is performed after the device has been operated in the past time t1 to t3. Further, the time at which the operation time T (the length equal to the time from time t10 to t11) has elapsed with respect to the time t1 is the time t2. Therefore, the conditional
このようにして抽出された故障記録は、時刻ｔ１１で異常パラメータが検知された場合において、将来、機器でどのような故障が起こり得るかの推定に用いられる。すなわち、条件付確率算出部５は、機器故障記録データベース４から抽出した故障記録（図３参照）に含まれる複数の異常要因のそれぞれについて、その異常要因が生じた場合に所定のパラメータが異常であるという事象の条件付確率を算出する。
The failure record extracted in this way is used to estimate what kind of failure may occur in the device in the future when the abnormality parameter is detected at time t11. That is, the conditional
例えば、条件付確率算出部５によって抽出された運転時間Ｔ以後の故障記録において、機器の故障の要因が所定の異常要因Ａであった回数が計１０回であり、そのうち５回はパラメータＸが異常であったとする。この場合、異常要因Ａに対するパラメータＸの条件付確率は、０．５となる。
For example, in the failure record after the operation time T extracted by the conditional
このように、演算処理部Ｇ１（図１参照）は、条件付確率算出部５によって、機器の故障記録に基づき、所定の異常要因が生じた場合に異常パラメータ（センサの異常な検出値）が検知される条件付確率を算出する。なお、過去の故障記録における異常パラメータや異常要因等のデータは、前記したように、機器故障記録データベース４に格納されている（図３参照）。
As described above, in the arithmetic processing unit G1 (see FIG. 1), the conditional
同様にして、条件付確率算出部５は、機器故障記録データベース４から抽出した故障記録（図４参照）に含まれる複数の部位（故障があった部位）のそれぞれについて、その部位が故障している場合に、その要因が所定の異常要因であるという事象の条件付確率を算出する。そして、条件付確率算出部５は、前記した条件付確率を、この条件付確率に関係するパラメータや異常要因等に対応付けて、物理モデル設定部７に出力する。
Similarly, the conditional
図５は、因果ツリーデータベースに格納されている因果ツリー６１の例を示す説明図である。
因果ツリーデータベース６（図１参照）には、図５に示すように、「機器」と、その機器の所定の「部位」と、「異常要因」と、「パラメータ」と、の因果関係をツリー状に連結してなる因果ツリー６１のデータが予め格納されている。図５に示す因果ツリー６１の例では、「機器」と「部位」とが所定のリンクを介して接続され、また、「部位」と「異常要因」とが所定のリンクを介して接続されている。また、「異常要因」と「パラメータ」とが所定のリンクを介して接続されている。
FIG. 5 is an explanatory diagram showing an example of the
As shown in FIG. 5, the causal tree database 6 (see FIG. 1) shows the causal relationship between the “device”, the predetermined “site” of the device, the “abnormal factor”, and the “parameter”. The data of the
なお、因果ツリー６１に含まれる「パラメータ」は、そのパラメータに異常があった場合に、所定の異常要因との間で因果関係がある所定のパラメータである。このような因果ツリーデータベース６は、過去の故障記録やデータ解析の他、実験やシミュレーションに基づいて、予め設定されている。
図１に示す物理モデル設定部７は、条件付確率算出部５から入力される条件付確率を因果ツリー６１（図５参照）において因果関係がある要素（ノード）の対に対応付けて、所定の物理モデル７１（図６参照）として設定する。
The "parameter" included in the
The physical
図６は、物理モデル設定部によって設定される物理モデル７１の例を示す説明図である。
図６に示す物理モデル７１は、異常要因及び異常パラメータ（図６に示す「パラメータ」）を要素として含む所定の因果ツリー６１（図５参照）に、前記した条件付確率が対応付けられた構成になっている。つまり、物理モデル７１は、所定の異常要因が生じた場合に異常パラメータ（センサの異常な検出値）が検知されるという事象の条件付確率が、因果ツリー６１（図５参照）に対応付けられたベイジアンネットワークとして構成されている。
FIG. 6 is an explanatory diagram showing an example of the
The
例えば、図６では、異常要因Ａが生じた場合にパラメータＸが異常であるという事象の条件付確率が０．４になっている。また、異常要因Ａが生じた場合にパラメータＹが異常であるという事象の条件付確率が０．６になっている。このように物理モデル設定部７（図１参照）によって設定された物理モデル７１は、異常要因推定部８（図１参照）に出力される。
For example, in FIG. 6, the conditional probability of the event that the parameter X is abnormal when the abnormality factor A occurs is 0.4. Further, the conditional probability of the event that the parameter Y is abnormal when the abnormality factor A occurs is 0.6. The
異常要因推定部８（図１参照）は、異常検知部３から入力される異常パラメータと、物理モデル設定部７から入力される物理モデル７１（図６参照）と、に基づいて、異常パラメータが検知されたときの所定の異常要因が機器の故障の原因となる確率を算出する。
The abnormality factor estimation unit 8 (see FIG. 1) determines the abnormality parameters based on the abnormality parameters input from the
図７は、機器診断システムにおける異常要因等の推定に関する説明図である。
例えば、図７に示す因果ツリー６１によれば、パラメータＹの異常が検知された場合、将来、機器αの部位ａで故障が生じ、その要因が異常要因Ａである可能性がある（図７のドット表示の部分）。また、前記したパラメータＹの異常が検知された場合、図７ではドット表示していないが、機器αの部位ｂで故障が生じ、その要因が異常要因Ｂである可能性もある。これらの異常要因に関する確率の算出は、いわゆるベイジアンネットワークの問題とみなすことができる。
FIG. 7 is an explanatory diagram relating to estimation of abnormal factors and the like in the device diagnosis system.
For example, according to the
異常要因推定部８（図１参照）は、異常検知部３から入力される所定の異常パラメータ（図７の例では、異常パラメータＹ）にリンクを介して連結されている各要素の発生確率を、物理モデル７１（図６参照）に基づいて算出する。これによって、あるパラメータの異常が検知された場合に、所定の異常要因が原因となる確率Ｐｉを定量的に算出できる。図７の例では、パラメータＹに異常があった場合、異常要因Ａの確率は６０％であり、異常要因Ｂの確率は４０％であり、異常要因Ｃの確率は０％になっている。これらは、例えば、周知のベイズの定理に基づいて算出される。
The anomaly factor estimation unit 8 (see FIG. 1) determines the probability of occurrence of each element connected to a predetermined anomaly parameter (abnormality parameter Y in the example of FIG. 7) input from the
このように、演算処理部Ｇ１（図１参照）は、物理モデル７１（図６参照）に基づいて、異常パラメータ（センサの検出値の異常）が検知された場合に所定の異常要因が機器の故障の原因となる確率を算出する。そして、異常要因推定部８は、この確率と異常要因とを対応付けたデータを故障確率算出部１０に出力する。
図１に示す故障分布関数データベース９には、それぞれの異常要因の故障分関数が格納されている。
In this way, the arithmetic processing unit G1 (see FIG. 1) causes the device to have a predetermined abnormality factor when an abnormality parameter (abnormality of the sensor detection value) is detected based on the physical model 71 (see FIG. 6). Calculate the probability of causing a failure. Then, the abnormality
The failure
図８は、機器診断システムにおける故障分布関数の説明図である。
なお、図８の横軸は、機器の前回のメンテナンスの終了時からの運転時間であり、縦軸は、機器の故障分布関数の値である。
図８に示す異常要因Ａ，Ｂ，Ｃの各曲線で表される故障分布関数Ｆｉ（ｔ）は、機器の故障の原因となり得る所定の異常要因Ａ，Ｂ，Ｃの発生確率の時間的変化を示す確率分布関数である。このような故障分布関数Ｆｉ（ｔ）は、過去の故障記録や所定の劣化モデルを用いた数値計算等に基づいて、機器診断システム１００の設計段階で作成される。故障分布関数Ｆｉ（ｔ）は、異常要因Ａ，Ｂ，Ｃに一対一で対応付けて、故障分布関数データベース９（図１参照）に予め格納されている。
FIG. 8 is an explanatory diagram of a failure distribution function in a device diagnostic system.
The horizontal axis of FIG. 8 is the operation time from the end of the previous maintenance of the device, and the vertical axis is the value of the failure distribution function of the device.
The failure distribution function Fi (t) represented by the curves of the abnormal factors A, B, and C shown in FIG. 8 is a temporal change in the probability of occurrence of predetermined abnormal factors A, B, and C that can cause equipment failure. It is a probability distribution function showing. Such a failure distribution function Fi (t) is created at the design stage of the device
詳細については後記するが、図８に示すように、故障分布関数Ｆｉ（ｔ）の値の変化の仕方が、異常要因Ａ，Ｂ，Ｃのそれぞれで異なっている。また、図８では、故障分布関数Ｆｉ（ｔ）を、いわゆる累積分布関数の形式で示しているが、それ以外の形式であってもよい。 Details will be described later, but as shown in FIG. 8, the way in which the value of the failure distribution function Fi (t) changes differs depending on the abnormal factors A, B, and C. Further, in FIG. 8, the failure distribution function Fi (t) is shown in the form of a so-called cumulative distribution function, but other forms may be used.
図１に示す故障確率算出部１０は、異常要因推定部８から入力される確率Ｐｉと、故障分布関数データベース９から読み込んだ故障分布関数Ｆｉ（ｔ）と、に基づいて、所定の異常要因が原因である確率を考慮した故障確率（Ｐｉ×Ｆｉ（ｔ））を算出する。ここで、異常要因推定部８から故障確率算出部１０に入力される確率Ｐｉは、前記したように、異常パラメータが検知された場合に、所定の異常要因が機器の故障の原因となる確率である。
The failure
例えば、図６に示すように、異常パラメータＹが検知された場合において、異常要因Ａが機器の故障の原因となる確率ＰＡが６０％であったとする。また、機器の前回（直近）のメンテナンスから異常パラメータＹが検知されるまでの機器の運転時間がＴｃであったとする。この場合、故障確率算出部１０は、まず、異常要因Ａに対応する故障分布関数ＦＡ（ｔ）に運転時間Ｔｃを代入した値ＦＡ（Ｔｃ）を算出する。
For example, as shown in FIG. 6, when the abnormality parameter Y is detected, it is assumed that the probability PA that the abnormality factor A causes the equipment failure is 60%. Further, it is assumed that the operation time of the device from the previous (most recent) maintenance of the device to the detection of the abnormality parameter Y is Tc. In this case, the failure
そして、故障確率算出部１０は、確率ＰＡと、値ＦＡ（Ｔｃ）と、を乗算することで、異常要因Ａが原因である確率ＰＡを考慮した故障確率（ＰＡ×ＦＡ（Ｔｃ））を算出する。すなわち、演算処理部Ｇ１（図１参照）は、異常パラメータが検知された場合に所定の異常要因が機器の故障の原因となる確率を算出し、当該確率と、所定の異常要因に対応する確率分布関数に機器の運転時間Ｔｃを代入した値と、を乗算することで、機器の故障確率を算出する。
図１に示す閾値到達時間算出部１１は、故障確率が所定の閾値に到達するまでの時間を算出する。この閾値到達時間算出部１１が実行する処理を、図９を用いて説明する。
Then, the failure
The threshold value arrival time calculation unit 11 shown in FIG. 1 calculates the time until the failure probability reaches a predetermined threshold value. The process executed by the threshold value arrival time calculation unit 11 will be described with reference to FIG.
図９は、故障確率が閾値Ｐ１に達するまでの時間ΔＴに関する説明図である。
なお、図９の横軸は、機器の前回のメンテナンスの終了時からの運転時間であり、縦軸は、所定の異常要因が原因である確率を考慮した故障確率（Ｐｉ×Ｆｉ（ｔ））である。また、図９では、説明をわかりやすくするために、異常要因Ａに関する故障確率（Ｐｉ×Ｆｉ（ｔ））の曲線のみを示しているが、実際には、異常要因Ｂ，Ｃのそれぞれに対応する故障確率（Ｐｉ×Ｆｉ（ｔ））も算出される。
FIG. 9 is an explanatory diagram regarding the time ΔT until the failure probability reaches the threshold value P1.
The horizontal axis of FIG. 9 is the operation time from the end of the previous maintenance of the device, and the vertical axis is the failure probability (Pi × Fi (t)) considering the probability that a predetermined abnormal factor is the cause. Is. Further, in FIG. 9, for the sake of clarity, only the curve of the failure probability (Pi × Fi (t)) relating to the abnormality factor A is shown, but in reality, it corresponds to each of the abnormality factors B and C. The failure probability (Pi × Fi (t)) is also calculated.
閾値到達時間算出部１１（図１参照）は、所定の異常要因に対応する故障確率（Ｐｉ×Ｆｉ（ｔ））が所定閾値Ｐ１に達するまでの機器の運転時間の予測値を算出する。なお、閾値Ｐ１は、故障確率（Ｐｉ×Ｆｉ（ｔ））において、機器のメンテナンスを行うべきか否かの判定基準となる閾値であり、予め設定されている。 The threshold value arrival time calculation unit 11 (see FIG. 1) calculates a predicted value of the operation time of the device until the failure probability (Pi × Fi (t)) corresponding to the predetermined abnormality factor reaches the predetermined threshold value P1. The threshold value P1 is a threshold value that serves as a criterion for determining whether or not maintenance of the device should be performed in the failure probability (Pi × Fi (t)), and is set in advance.
閾値到達時間算出部１１は、前回（直近）のメンテナンス後に機器の運転が開始されてから異常パラメータが検知されたときの運転時間Ｔｃと、故障確率（Ｐｉ×Ｆｉ（ｔ））が所定の閾値Ｐ１に達するときの機器の運転時間Ｔｓと、の差である時間ΔＴ（＝Ｔｓ－Ｔｃ）を算出する。この時間ΔＴは、異常要因Ａを考慮した場合の次回のメンテナンスまでの残り時間の予測値を表している。また、閾値到達時間算出部１１は、他の異常要因Ｂ、Ｃについても、次回のメンテナンスを行うべき時期までの時間の予測値をそれぞれ算出する。 The threshold value arrival time calculation unit 11 has a predetermined threshold value of the operation time Tc when an abnormal parameter is detected after the operation of the device is started after the previous (most recent) maintenance, and the failure probability (Pi × Fi (t)). The time ΔT (= Ts−Tc), which is the difference between the operating time Ts of the device when reaching P1, is calculated. This time ΔT represents a predicted value of the remaining time until the next maintenance when the abnormality factor A is taken into consideration. Further, the threshold value arrival time calculation unit 11 also calculates the predicted value of the time until the next maintenance should be performed for the other abnormal factors B and C, respectively.
図１に示す出力部１２は、前記した故障確率の値（Ｐｉ×Ｆｉ（Ｔｃ））と、故障確率が閾値Ｐ１に達するまでの時間ΔＴと、を異常要因及び故障の部位に対応付けて、表示装置５０に出力する。なお、異常要因と故障の部位との対応関係は、前記した因果ツリー６１（図５参照）に基づいて特定される。図１に示す表示装置５０は、例えば、ディスプレイであり、出力部１２から受信するデータに基づいて、所定の画像を表示させる。
The
すなわち、演算処理部Ｇ１（図１参照）は、機器の故障の原因となり得る所定の異常要因の発生確率の時間的変化を示す確率分布関数Ｆｉ（ｔ）、及び、機器の故障記録に基づいて、センサの検出値の異常が検知されたときの機器の故障確率と、この故障確率が所定閾値に達するまでの時間の予測値と、を異常要因に対応付けて表示装置５０に表示させる（第３処理）。
That is, the arithmetic processing unit G1 (see FIG. 1) is based on the probability distribution function Fi (t) indicating the temporal change in the probability of occurrence of a predetermined abnormal factor that may cause a failure of the device, and the failure record of the device. , The failure probability of the device when an abnormality in the detection value of the sensor is detected and the predicted value of the time until the failure probability reaches a predetermined threshold value are displayed on the
図１０は、機器診断システムにおける診断結果の表示例である。
図１０の例では、異常パラメータが検知された場合の異常要因と、機器において異常が生じ得る部位と、現在の故障確率と、故障確率が閾値となるまでの時間と、が異常要因毎に対応付けられ、表形式で表示されている。
FIG. 10 is an example of displaying the diagnosis result in the device diagnosis system.
In the example of FIG. 10, the abnormality factor when the abnormality parameter is detected, the part where the abnormality may occur in the device, the current failure probability, and the time until the failure probability reaches the threshold correspond to each abnormality factor. Attached and displayed in tabular format.
なお、演算処理部Ｇ１（図１参照）は、異常パラメータが検知されたときの機器の故障確率、及び、故障確率が所定閾値に達するまでの時間の予測値を表示装置５０（図１参照）に表示させるとともに、異常要因に対応付けられる機器の「部位」の名称を表示装置５０に表示させることが好ましい。これによって、管理者等は、今後、機器のどの部位に異常が生じる可能性が高いかを把握できるため、機器の保守作業計画を作成しやすくなる。
The arithmetic processing unit G1 (see FIG. 1) displays the failure probability of the device when an abnormal parameter is detected and the predicted value of the time until the failure probability reaches a predetermined threshold value (see FIG. 1). It is preferable to display the name of the "part" of the device associated with the abnormality factor on the
また、演算処理部Ｇ１は、異常パラメータ（つまり、センサの検出値の異常）が検知されるたびに、機器の故障確率、及び、故障確率が所定閾値に達するまでの時間の予測値を更新し、更新後の故障確率及び時間の予測値を表示装置５０に表示させることが好ましい。これによって、異常パラメータが検知されるたびに、その時点での機器の運転時間等に基づいて、各異常要因に対応する故障確率がそれぞれ更新されるため、管理者等が最新のデータを把握できる。
Further, the arithmetic processing unit G1 updates the failure probability of the device and the predicted value of the time until the failure probability reaches a predetermined threshold every time an abnormality parameter (that is, an abnormality of the sensor detection value) is detected. It is preferable to display the failure probability and the predicted value of the time after the update on the
＜効果＞
第１実施形態によれば、機器診断システム１００は、異常パラメータを検知した場合、所定の異常要因が原因である確率Ｐｉを算出し、この確率と故障分布関数Ｆｉ（ｔ）とを乗じることで、異常要因が原因となる確率を考慮した故障確率（Ｐｉ×Ｆｉ（ｔ））を算出する。これによって、故障確率（Ｐｉ×Ｆｉ（ｔ））が所定の閾値Ｐ１に達するまでの時間の予測値を算出できる。したがって、異常パラメータを検知してから故障で機器が本来の機能を果たせなくなるまでの時間（次回のメンテナンスまでに残された時間）を管理者等が把握できるため、管理者等が機器の保全業務を行いやすくなり、ひいては、機器の管理負担の軽減等において社会貢献できる。
<Effect>
According to the first embodiment, when the
図１１は、機器診断システムにおける故障分布関数において、各運転時間における故障分布関数の値の違いを示す説明図である。
なお、図１１は、図８のグラフに運転時間Ｔ１１，Ｔ１２を記載したものになっている。図１１に示す異常要因Ａ，Ｃにおいては、機器の運転時間が所定に経過した後、故障確率の曲線の傾きが大きくなっている。このような異常要因Ａ，Ｃの例として、軸受の摩耗が挙げられる。一方、異常要因Ｂにおいては、機器の運転初期に発生しやすいものの、運転時間が所定に経過した後は故障確率の曲線の傾きが略ゼロになっている。
FIG. 11 is an explanatory diagram showing the difference in the value of the failure distribution function at each operation time in the failure distribution function in the device diagnosis system.
In addition, FIG. 11 shows the operation times T11 and T12 in the graph of FIG. In the abnormal factors A and C shown in FIG. 11, the slope of the failure probability curve becomes large after a predetermined operation time of the device has elapsed. As an example of such anomalous factors A and C, bearing wear can be mentioned. On the other hand, in the abnormality factor B, although it tends to occur at the initial stage of operation of the device, the slope of the failure probability curve becomes substantially zero after the operation time has elapsed.
図１１に示す異常要因Ａ，Ｂ，Ｃのそれぞれの故障分布関数は、いわゆる累積分布関数であるため、曲線の傾きが大きいほど故障が発生しやすい。このように、機器の異常要因に関する故障確率は、機器の運転時間に依存して変化する。したがって、異常パラメータが検知されたときの機器の運転時間を考慮することは、異常要因を推定する際の不確実性の低減に特に有効である。 Since the failure distribution functions of the abnormal factors A, B, and C shown in FIG. 11 are so-called cumulative distribution functions, the larger the slope of the curve, the more likely it is that a failure will occur. In this way, the failure probability related to the abnormal factor of the device changes depending on the operating time of the device. Therefore, considering the operation time of the device when the abnormality parameter is detected is particularly effective in reducing the uncertainty when estimating the abnormality factor.
例えば、図１１の運転時間Ｔ１１において異常パラメータが検知された場合、運転時間Ｔ１１以後では異常要因Ａ，Ｂ，Ｃの故障分布関数の傾きがゼロよりも大きいため、３つの異常要因Ａ，Ｂ，Ｃがいずれも機器の故障の原因になり得る。一方、運転時間Ｔ１２以後では、異常要因Ｂの故障分布関数の傾きが略ゼロであるため、異常要因Ｂが運転時間Ｔ１２以降に発生する可能性が非常に低い。したがって、例えば、運転時間Ｔ２以後に異常パラメータが検知された場合、異常要因Ｂを除外して、異常要因の推定を行うことができる。 For example, when an abnormality parameter is detected during the operation time T11 in FIG. 11, since the slope of the failure distribution function of the abnormality factors A, B, and C is larger than zero after the operation time T11, the three abnormality factors A, B, Any C can cause equipment failure. On the other hand, after the operation time T12, the slope of the failure distribution function of the abnormality factor B is substantially zero, so that the possibility that the abnormality factor B occurs after the operation time T12 is very low. Therefore, for example, when the abnormality parameter is detected after the operation time T2, the abnormality factor B can be excluded and the abnormality factor can be estimated.
つまり、運転時間を考慮せずに過去の故障件数から異常要因を推定する場合に比べて、第１実施形態では、機器の異常要因の推定精度を高めることができる。また、機器の異常要因を推定する際の不確実性を考慮した故障確率（Ｐｉ×Ｆｉ（ｔ））を算出することで、異常要因毎の故障確率の精度を高めることができる。 That is, in the first embodiment, the estimation accuracy of the abnormality factor of the device can be improved as compared with the case where the abnormality factor is estimated from the number of past failures without considering the operation time. Further, by calculating the failure probability (Pi × Fi (t)) in consideration of the uncertainty when estimating the abnormality factor of the device, the accuracy of the failure probability for each abnormality factor can be improved.
≪第２実施形態≫
第２実施形態は、第１実施形態のような因果ツリー６１（図５参照）や物理モデル７１（図６参照）を特に使用せずに、故障記録における各異常要因の発生件数に基づいて、異常要因を推定する点が、第１実施形態とは異なっている。なお、その他については、第１実施形態と同様である。したがって、第１実施形態とは異なる部分について説明し、重複する部分については説明を省略する。
<< Second Embodiment >>
The second embodiment does not particularly use the causal tree 61 (see FIG. 5) or the physical model 71 (see FIG. 6) as in the first embodiment, and is based on the number of occurrences of each abnormal factor in the failure record. It differs from the first embodiment in that the anomalous factor is estimated. Others are the same as those in the first embodiment. Therefore, a part different from the first embodiment will be described, and a description of the overlapping part will be omitted.
図１２は、第２実施形態に係る機器診断システム１００Ａの構成を示す機能ブロック図である。
図１２に示すように、機器診断システム１００Ａは、検出値入力部１と、正常時検出値データベース２と、異常検知部３と、異常要因推定部８Ａと、故障分布関数データベース９と、故障確率算出部１０と、閾値到達時間算出部１１と、出力部１２と、故障件数データベース１３と、を備えている。
FIG. 12 is a functional block diagram showing the configuration of the device
As shown in FIG. 12, the
また、図１に示す演算処理部ＧＡ１は、検出値入力部１と、異常検知部３と、異常要因推定部８Ａと、故障確率算出部１０と、閾値到達時間算出部１１と、出力部１２と、を含んで構成される。なお、図１２に示す異常要因推定部８Ａ及び故障件数データベース１３以外の各構成については、第１実施形態（図１参照）と同様であるから、その説明を省略する。
故障件数データベース１３には、機器（例えば、ポンプ２０）の運転時間と、機器の異常要因ごとの故障発生件数と、が対応付けられたデータが格納されている。
Further, the arithmetic processing unit GA1 shown in FIG. 1 includes a detection
The
図１３は、機器診断システムが備える故障件数データベース１３の説明図である。
なお、図１３に示す「運転時間」は、機器（例えば、ポンプ２０）の前回のメンテナンスの終了後、機器の運転が開始されてから実際に故障が生じるまでの機器の運転時間（運転時間の積算値）である。また、例えば、異常要因Ａにおける故障発生件数とは、機器の故障の修理を行った作業員が、故障の原因は異常要因Ａであると判断したものの件数である（異常要因Ｂ，Ｃについても同様）。
FIG. 13 is an explanatory diagram of the
The "operation time" shown in FIG. 13 is the operation time (operation time of the equipment) from the start of operation of the equipment to the actual failure after the end of the previous maintenance of the equipment (for example, the pump 20). (Integrated value). Further, for example, the number of failures in the abnormality factor A is the number of cases in which the worker who repaired the failure of the device determines that the cause of the failure is the abnormality factor A (also for the abnormality factors B and C). Similarly).
そして、機器のメンテナンスを行った作業員が、例えば、タブレット等を用いて異常要因Ａ，Ｂ，Ｃの選択入力を行った場合、選択された異常要因に対応する故障発生件数が適宜にインクリメントされるようになっている。なお、タブレット等への入力に代えて、作業員が、報告書に保守記録を書き込んだ後、この保守記録を所定にデータ化するようにしてもよい。 Then, when the worker who performed the maintenance of the device inputs the selection of the abnormality factors A, B, and C using, for example, a tablet or the like, the number of failures corresponding to the selected abnormality factors is appropriately incremented. It has become so. Instead of inputting to the tablet or the like, the worker may write the maintenance record in the report and then convert the maintenance record into predetermined data.
図１２に示す異常要因推定部８Ａは、異常パラメータが検知された場合、故障件数データベース１３を参照し、それぞれの異常要因における機器の故障確率を算出する。具体的に説明すると、異常パラメータが検知された場合、この異常パラメータが検知されたことを示すデータと、異常パラメータが検知されたときの機器の運転時間と、が対応付けられて、異常要因推定部８Ａに出力される。前記した運転時間とは、機器の前回のメンテナンスの終了後、運転が開始されてから異常パラメータが検知されるまでの機器の運転時間である。
When the abnormality parameter is detected, the abnormality factor estimation unit 8A shown in FIG. 12 refers to the
なお、異常検知部３から異常要因推定部８Ａに出力されるデータには、異常パラメータを検出したセンサの識別情報が含まれていてもよいし、また、含まれていなくても特に問題はない。次に説明するように、異常パラメータが検知されたときの機器の運転時間に基づいて、故障件数データベース１３からデータが所定に抽出されるからである。
The data output from the
異常要因推定部８Ａは、故障件数データベース１３を参照し、異常パラメータが検知されたときの機器の運転時間Ｔに基づいて、この運転時間Ｔ以後に発生した故障発生件数の合計Ｓｉを各異常要因について算出する。
The abnormality factor estimation unit 8A refers to the
まず、異常要因推定部８Ａは、前回のメンテナンスよりも過去のメンテナンスの終了時から運転時間Ｔ（図４参照）が経過した後であって、当該過去のメンテナンスの次の回のメンテナンスが行われたときまでの機器の故障記録を故障件数データベース１３から抽出する。このように機器の運転時間Ｔに着目する点は、第１実施形態（図４参照）と同様である。
First, the abnormality factor estimation unit 8A performs the next maintenance of the past maintenance after the operation time T (see FIG. 4) has elapsed from the end of the past maintenance than the previous maintenance. The failure record of the device up to the time is extracted from the
そして、異常要因推定部８Ａは、運転時間Ｔの経過後に発生した機器の故障のうち、例えば、異常要因Ａに対応する故障発生件数の合計Ｓ（Ａ）を算出する。また、異常要因推定部８Ａは、異常要因Ｂ，Ｃについても同様の処理を行う。さらに、異常要因推定部８Ａは、異常要因Ａの故障発生件数の合計Ｓ（Ａ）、異常要因Ｂの故障発生件数の合計Ｓ（Ｂ）、及び、異常要因Ｃの故障発生件数の合計Ｓ（Ｃ）の総和Ｓａｌｌを算出する。つまり、異常要因推定部８Ａは、運転時間Ｔの経過後における故障発生件数の総和Ｓａｌｌを算出する。 Then, the abnormality factor estimation unit 8A calculates, for example, the total number S (A) of the number of failures corresponding to the abnormality factor A among the equipment failures that occurred after the operation time T has elapsed. Further, the abnormality factor estimation unit 8A performs the same processing for the abnormality factors B and C. Further, the abnormality factor estimation unit 8A has a total S (A) of the total number of failures of the abnormality factor A, a total S (B) of the total number of failures of the abnormality factor B, and a total S (B) of the total number of failures of the abnormality factor C. Calculate the total Sal of C). That is, the abnormality factor estimation unit 8A calculates the total number of failures occurring after the operation time T has elapsed.
そして、異常要因推定部８Ａは、例えば、その原因が異常要因Ａである故障発生件数の合計Ｓ（Ａ）を総和Ｓａｌｌで除することで、異常要因Ａが原因となる確率Ｐ（Ａ）を算出する（Ｐ（Ａ）＝Ｓ（Ａ）／Ｓａｌｌ）。同様にして、異常要因推定部８Ａは、異常要因Ｂが原因となる確率Ｐ（Ｂ）や、異常要因Ｃが原因となる確率Ｐ（Ｃ）を算出する。 Then, the abnormality factor estimation unit 8A determines the probability P (A) that the abnormality factor A is the cause by, for example, dividing the total S (A) of the number of failures whose cause is the abnormality factor A by the sum total. Calculate (P (A) = S (A) / All). Similarly, the abnormality factor estimation unit 8A calculates the probability P (B) caused by the abnormality factor B and the probability P (C) caused by the abnormality factor C.
このように、演算処理部ＧＡ１（図１２参照）は、故障記録に含まれる機器のそれぞれの異常要因Ａ，Ｂ，Ｃに対応付けられている故障発生件数に基づいて、異常要因毎に故障発生件数の合計Ｓ（Ａ）、Ｓ（Ｂ）、Ｓ（Ｃ）を算出するとともに、異常要因毎の合計の総和Ｓａｌｌを算出する。そして、演算処理部ＧＡ１は、それぞれの異常要因Ａ，Ｂ，Ｃについて、当該異常要因に対応する合計Ｓ（Ａ）、Ｓ（Ｂ）、Ｓ（Ｃ）を総和Ｓａｌｌで除することで、故障確率Ｐ（Ａ）、Ｐ（Ｂ）、Ｐ（Ｃ）を算出する In this way, the arithmetic processing unit GA1 (see FIG. 12) causes a failure for each abnormality factor based on the number of failures associated with the abnormality factors A, B, and C of the devices included in the failure record. The total number of cases S (A), S (B), S (C) is calculated, and the total total Sall for each abnormal factor is calculated. Then, the arithmetic processing unit GA1 causes a failure by dividing the totals S (A), S (B), and S (C) corresponding to the abnormal factors A, B, and C by the sum total Sal. Calculate the probabilities P (A), P (B), P (C)
異常要因推定部８Ａは、確率Ｐ（Ａ）を異常要因Ａに対応付けて、故障確率算出部１０に出力する。同様に、異常要因推定部８Ａは、確率Ｐ（Ｂ）を異常要因Ｂに対応付けるとともに、確率Ｐ（Ｃ）を異常要因Ｃに対応付けて、故障確率算出部１０に出力する。なお、故障確率算出部１０や閾値到達時間算出部１１、出力部１２等の処理は、第１実施形態（図１参照）と同様であるから、説明を省略する。
The abnormality factor estimation unit 8A associates the probability P (A) with the abnormality factor A and outputs the probability P (A) to the failure
＜効果＞
第２実施形態によれば、第１実施形態で説明した条件付確率算出部５（図１参照）や因果ツリーデータベース６（図１参照）、物理モデル設定部７（図１参照）といった構成が特に必要ない。したがって、機器の診断を行う処理の簡素化を図ることができ、また、システム設計に要する時間・コストを削減できる。このような第２実施形態の構成は、過去の故障記録のデータの蓄積量が比較的多い場合に特に有効である。
<Effect>
According to the second embodiment, the configuration includes the conditional probability calculation unit 5 (see FIG. 1), the causal tree database 6 (see FIG. 1), and the physical model setting unit 7 (see FIG. 1) described in the first embodiment. No particular need. Therefore, it is possible to simplify the process of diagnosing the device, and it is possible to reduce the time and cost required for system design. Such a configuration of the second embodiment is particularly effective when the amount of accumulated data of past failure records is relatively large.
≪第３実施形態≫
第３実施形態は、機器診断システム１００Ｂ（図１４Ａ参照）が、異常要因毎の故障確率の他、故障確率が所定の閾値に達するまでの時間を複数の機器の間で比較するように表示させる点が、第１実施形態とは異なっている。また、第３実施形態は、機器診断システム１００Ｂが、データ取得部１４（図１４Ａ参照）と、機器故障確率算出部１５（図１４Ｂ参照）と、最短時間抽出部１６（図１４Ｂ参照）と、を備えている点が、第１実施形態（図１参照）とは異なっている。なお、その他については、第１実施形態と同様である。したがって、第１実施形態とは異なる部分について説明し、重複する部分については説明を省略する。
<< Third Embodiment >>
In the third embodiment, the device
図１４Ａ、図１４Ｂは、第３実施形態に係る機器診断システム１００Ｂの構成を示す機能ブロック図である。
図１４Ａに示すように、機器診断システム１００Ｂは、３つの処理部Ｍ１，Ｍ２，Ｍ３を備えている。処理部Ｍ１は、プラントの機器（例えば、ポンプ）の故障に関する診断を行う。この処理部Ｍ１は、検出値入力部１と、正常時検出値データベース２と、異常検知部３と、機器故障記録データベース４と、条件付確率算出部５と、因果ツリーデータベース６と、を備えている。さらに、処理部Ｍ１は、前記した構成の他に、物理モデル設定部７と、異常要因推定部８と、故障分布関数データベース９と、故障確率算出部１０と、閾値到達時間算出部１１と、を備えている。これらの各構成については、第１実施形態（図１参照）で説明したものと同様であるから、その説明を省略する。
14A and 14B are functional block diagrams showing the configuration of the device
As shown in FIG. 14A, the device
別の処理部Ｍ２，Ｍ２は、それぞれ、プラントの別の機器（例えば、タービンや復水器：図示せず）の故障に関する診断を行う。なお、処理部Ｍ２，Ｍ３は、前記した処理部Ｍ１と同様の構成を備えている。 The different processing units M2 and M2 each make a diagnosis regarding the failure of another device (for example, a turbine or a condenser: not shown) in the plant. The processing units M2 and M3 have the same configuration as the processing unit M1 described above.
機器診断システム１００Ｂは、処理部Ｍ１，Ｍ２，Ｍ３の他に、図１４Ａに示すデータ取得部１４と、図１４Ｂに示す機器故障確率算出部１５と、最短時間抽出部１６と、出力部１２Ｂと、を備えている。
データ取得部１４は、処理部Ｍ１，Ｍ２，Ｍ３から所定のデータを取得する。具体的には、データ取得部１４は、複数の異常要因に関するそれぞれの故障確率（第１実施形態で説明した故障確率（Ｐｉ×Ｆｉ（Ｔｃ））を、処理部Ｍ１の故障確率算出部１０から取得する。また、データ取得部１４は、前記した故障確率が所定の閾値に達するまでの時間を、処理部Ｍ１の閾値到達時間算出部１１から取得する。同様にして、データ取得部１４は、異常要因毎の故障確率や、この故障確率が所定の閾値に達するまでの時間を処理部Ｍ２，Ｍ３のそれぞれから取得する。
In addition to the processing units M1, M2, and M3, the
The
図１４Ｂに示す機器故障確率算出部１５は、データ取得部１４によって取得されたデータに含まれる各異常要因について、それぞれの異常要因に対応する故障確率の総和を機器ごとに算出する。この故障確率の総和は、複数の異常要因の全てを想定した場合の機器の故障確率である。
The device failure
所定の機器に関する異常要因Ａ，Ｂ，Ｃについて、例えば、図１０に示すように、異常要因Ａにおける故障確率が３０％であり、また、異常要因Ｂにおける故障確率が１０％であり、異常要因Ｃにおける故障確率が０％であったとする。このような場合、機器故障確率算出部１５は、異常要因Ａ，Ｂ，Ｃの故障確率の総和（＝４０％）を算出する。この故障確率の総和は、所定の機器に関する複数の異常要因Ａ，Ｂ，Ｃの少なくとも一つが生じる確率を表している。また、機器故障確率算出部１５は、残り２つの機器についても同様の処理を行う。このようにして算出された故障確率の総和は、それぞれ、機器故障確率算出部１５から出力部１２に出力される。
Regarding the abnormal factors A, B, and C related to the predetermined device, for example, as shown in FIG. 10, the failure probability of the abnormal factor A is 30%, and the failure probability of the abnormal factor B is 10%. It is assumed that the failure probability in C is 0%. In such a case, the device failure
図１４Ｂに示す最短時間抽出部１６は、所定の機器について、各異常要因に関する機器の故障確率が所定閾値に達するまでの時間のうち、最も短い時間を抽出する。例えば、機器の故障確率が所定閾値に達するまでの時間が、図１０に示すように、異常要因Ａでは４０日であり、異常要因Ｂでは１００日であったとする。また、異常要因Ｃが原因となる故障が発生する可能性はほとんどなかったとする。このような場合、最短時間抽出部１６は、異常要因Ａ，Ｂ，Ｃのうち、故障確率が所定閾値に達するまでの時間が最も短いもの（図１０の例では、４０日）を抽出する。このようにして抽出された最短時間のデータは、最短時間抽出部１６から出力部１２に出力される。なお、他の２つの機器についても同様である。
The shortest
このように、演算処理部ＧＢ１（図１４Ａ、図１４Ｂ）は、所定のプラント（設備）に設けられる複数の機器のそれぞれについて、センサの検出値の異常が検知されたときの機器の故障確率、及び、故障確率が所定閾値に達するまでの時間の予測値を異常要因毎に算出する。そして、演算処理部ＧＢ１は、所定の機器に関する複数の異常要因の少なくとも一つが生じる確率と、複数の異常要因に一対一で対応している時間の予測値の中の最短時間と、を機器毎に表示装置５０に表示させる。
In this way, the arithmetic processing unit GB1 (FIGS. 14A and 14B) determines the probability of failure of the equipment when an abnormality in the detection value of the sensor is detected for each of the plurality of equipments provided in the predetermined plant (equipment). In addition, the predicted value of the time until the failure probability reaches a predetermined threshold value is calculated for each abnormal factor. Then, the arithmetic processing unit GB1 determines the probability that at least one of a plurality of abnormal factors related to a predetermined device will occur and the shortest time among the predicted values of the time corresponding to the plurality of abnormal factors on a one-to-one basis for each device. Is displayed on the
なお、前記した演算処理部ＧＢ１は、図１４Ａに示す検出値入力部１と、異常検知部３と、条件付確率算出部５と、物理モデル設定部７と、異常要因推定部８と、故障確率算出部１０と、閾値到達時間算出部１１と、データ取得部１４と、を備えるとともに、図１４Ｂに示す機器故障確率算出部１５と、最短時間抽出部１６と、出力部１２と、を含んで構成される。
The arithmetic processing unit GB1 described above includes a detection
図１５は、機器診断システムにおける診断結果の表示例である。
図１５の例では、機器と、現在の故障確率（機器の各異常要因に対応する故障確率の総和）と、故障確率が閾値となるまでの最短時間と、が対応付けられ、表示装置５０に表示される。これによって、管理者等は、現在の故障確率の他、故障確率が閾値に達するまでの最短時間を複数の機器の間で比較できる。したがって、保全業務を優先的に行うべき機器を管理者が把握しやすくなるため、保守作業計画を立てやすくなる。
FIG. 15 is an example of displaying the diagnosis result in the device diagnosis system.
In the example of FIG. 15, the device, the current failure probability (sum of failure probabilities corresponding to each abnormality factor of the device), and the shortest time until the failure probability reaches the threshold are associated with each other, and the
なお、演算処理部ＧＢ１は、複数の機器のうち少なくとも一つで異常が検知されるたびに、複数の異常要因の少なくとも一つが生じる確率、及び、故障確率が所定閾値に達するまでの時間の予測値の最短時間を更新し、更新後の確率及び最短時間を表示装置５０に表示させることが好ましい。これによって、管理者等は、保全業務を優先的に行うべき機器を特定する際、故障確率等に関する最新のデータを用いることができる。
The arithmetic processing unit GB1 predicts the probability that at least one of the plurality of abnormality factors will occur each time an abnormality is detected in at least one of the plurality of devices, and the time until the failure probability reaches a predetermined threshold value. It is preferable to update the shortest time of the value and display the probability after the update and the shortest time on the
また、図１５のデータに加えて、故障確率が所定閾値に達するまでの最短時間に対応する異常要因（図１０の例では、最短時間の４０日に対応する異常要因Ａ）や、この異常要因に対応する機器の部位（図１０の例では、部位ａ）も併せて、表示装置５０に表示させるようにしてもよい。これによって、管理者等が機器の保守作業計画を立てやすくなる。
Further, in addition to the data of FIG. 15, an abnormal factor corresponding to the shortest time until the failure probability reaches a predetermined threshold value (in the example of FIG. 10, the abnormal factor A corresponding to the shortest time of 40 days) and this abnormal factor. The part of the device corresponding to the above (part a in the example of FIG. 10) may also be displayed on the
＜効果＞
第３実施形態によれば、現在の故障確率と、故障確率が所定閾値となるまでの最短時間と、を機器に対応付けて、出力部１２が表示装置５０に表示させる。これによって、管理者等が保全対象の機器を選定しやすくなり、ひいては、保全業務を行いやすくなる。
<Effect>
According to the third embodiment, the
≪変形例≫
以上、本発明に係る機器診断システム１００について各実施形態で説明したが、本発明はこれらの記載に限定されるものではなく、種々の変更を行うことができる。
例えば、各実施形態では、機器診断システム１００（図１参照）においてベイジアンネットワークが用いられる場合について説明したが、これに限らない。すなわち、異常要因の確率を算出できる枠組みがあればよく、ベイジアンネットワークに代えて、例えば、ニューラルネットワークやサポートベクタマシンといった手法が用いられてもよい。
≪Variation example≫
Although the device
For example, in each embodiment, the case where the Bayesian network is used in the device diagnostic system 100 (see FIG. 1) has been described, but the present invention is not limited to this. That is, it suffices if there is a framework that can calculate the probability of anomalous factors, and a method such as a neural network or a support vector machine may be used instead of the Bayesian network.
また、各実施形態を適宜に組み合わせてもよい。例えば、第２実施形態と第３実施形態とを組み合わせ、演算処理部Ｇ１が、機器の故障発生件数に基づいて、故障確率等を算出し（第２実施形態）、各異常要因おける故障確率の総和と、故障確率が閾値に達するまでの最短時間と、を機器毎に表示させるようにしてもよい。 Moreover, each embodiment may be combined appropriately. For example, by combining the second embodiment and the third embodiment, the arithmetic processing unit G1 calculates the failure probability and the like based on the number of device failures (second embodiment), and determines the failure probability for each abnormality factor. The total and the shortest time until the failure probability reaches the threshold may be displayed for each device.
また、第１実施形態で説明した因果ツリー６１において、複数の異常要因がリンクを介して連鎖的に接続されている場合にも、第１実施形態を適用できる。なお、第３実施形態についても同様である。
Further, in the
また、各実施形態では、メンテンスの終了後から次回のメンテナンスまで機器の運転が継続される場合について説明したが、これに限らない。すなわち、所定の停止期間を挟んで、機器が断続的に運転される場合にも、各実施形態を適用できる。このような場合、機器の運転が行われた時間を積算する（和をとる）ことで、機器の運転時間が算出される。 Further, in each embodiment, the case where the operation of the device is continued from the end of the maintenance to the next maintenance has been described, but the present invention is not limited to this. That is, each embodiment can be applied even when the device is operated intermittently with a predetermined stop period in between. In such a case, the operating time of the device is calculated by accumulating (summing) the time during which the device has been operated.
また、各実施形態では、プラント２００が発電設備である場合について説明したが、これに限らない。すなわち、保全対象となる機器が設けられる設備（又は装置）は、空調設備や冷凍設備の他、鉄道車両、航空機、配電設備、医療機器、検査装置、通信設備等であってもよい。
Further, in each embodiment, the case where the
また、機器診断システム１００等が実行する処理が、コンピュータの所定のプログラムとして実行されてもよい。前記したプログラムは、通信線を介して提供することもできるし、ＣＤ－ＲＯＭ等の記録媒体に書き込んで配布することも可能である。
Further, the process executed by the
また、各実施形態は本発明を分かりやすく説明するために詳細に記載したものであり、必ずしも説明した全ての構成を備えるものに限定されない。また、実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。また、前記した機構や構成は説明上必要と考えられるものを示しており、製品上必ずしも全ての機構や構成を示しているとは限らない。 Further, each embodiment is described in detail in order to explain the present invention in an easy-to-understand manner, and is not necessarily limited to the one including all the configurations described. Further, it is possible to add / delete / replace a part of the configuration of the embodiment with another configuration. In addition, the above-mentioned mechanism and configuration show what is considered necessary for explanation, and do not necessarily show all the mechanisms and configurations in the product.
１ 検出値入力部
２ 正常時検出値データベース
３ 異常検知部
４ 機器故障記録データベース
５ 条件付確率算出部
６ 因果ツリーデータベース
７ 物理モデル設定部
８，８Ａ 異常要因推定部
９ 故障分布関数データベース
１０ 故障確率算出部
１１ 閾値到達時間算出部
１２，１２Ｂ 出力部
１３ 故障件数データベース
１４ データ取得部
１５ 機器故障確率算出部
１６ 最短時間抽出部
２０ ポンプ（機器）
３１ 圧力センサ（センサ）
３２ 温度センサ（センサ）
３３ 流量センサ（センサ）
１００ 機器診断システム
５０ 表示装置
６１ 因果ツリー
７１ 物理モデル
１００，１００Ａ，１００Ｂ 機器診断システム
２００ プラント（設備）
Ｇ１，ＧＡ１，ＧＢ１ 演算処理部
Ｍ１，Ｍ２，Ｍ３ 処理部
1 Detection
31 Pressure sensor (sensor)
32 Temperature sensor (sensor)
33 Flow sensor (sensor)
100
G1, GA1, GB1 arithmetic processing unit M1, M2, M3 processing unit
Claims (10)
前記演算処理部は、
前記異常を検知した場合、前記機器の前回のメンテナンスの終了時から前記異常の検知までの前記機器の運転時間を算出し、
前記前回のメンテナンスよりも過去のメンテナンスの終了時から前記運転時間が経過した後であって、当該過去のメンテナンスの次の回のメンテナンスが行われたときまでの前記機器の故障記録をそれぞれ抽出し、
前記機器の故障の原因となり得る所定の異常要因の発生確率の時間的変化を示す確率分布関数、及び、前記故障記録に基づいて、前記検出値の前記異常が検知されたときの前記機器の故障確率と、前記故障確率が所定閾値に達するまでの時間の予測値と、を前記異常要因に対応付けて前記表示装置に表示させること
を特徴とする機器診断システム。 It is equipped with an arithmetic processing unit that displays data including the failure probability of the device on the display device when an abnormality in the detection value of the sensor installed in the device is detected.
The arithmetic processing unit is
When the abnormality is detected, the operation time of the equipment from the end of the previous maintenance of the equipment to the detection of the abnormality is calculated.
The failure records of the equipment from the end of the previous maintenance to the time when the next maintenance of the past maintenance is performed after the operation time has elapsed from the end of the previous maintenance are extracted. ,
A failure of the device when the abnormality of the detected value is detected based on a probability distribution function showing a temporal change in the probability of occurrence of a predetermined abnormality factor that can cause the failure of the device and the failure record. A device diagnostic system characterized in that a probability and a predicted value of the time until the failure probability reaches a predetermined threshold are displayed on the display device in association with the abnormality factor.
を特徴とする請求項１に記載の機器診断システム。 The claim is characterized in that the arithmetic processing unit displays the failure probability and the predicted value of the time on the display device, and displays the name of a part of the device associated with the abnormality factor on the display device. Item 1. The device diagnostic system according to item 1.
を特徴とする請求項１に記載の機器診断システム。 The arithmetic processing unit updates the failure probability and the predicted value of the time each time the abnormality is detected, and displays the updated failure probability and the predicted value of the time on the display device. The device diagnostic system according to claim 1.
を特徴とする請求項１に記載の機器診断システム。 Based on the failure record, the arithmetic processing unit calculates a conditional probability that an abnormal parameter, which is an abnormal detection value of the sensor, is detected when a predetermined abnormal factor occurs, and the abnormal factor and the said. Based on a physical model in which the conditional probability is associated with a predetermined causal tree containing an abnormality parameter as an element, the probability that the predetermined abnormal factor causes the failure of the device when the abnormality is detected is determined. The first aspect of claim 1 is to calculate the failure probability by multiplying the probability by a value obtained by substituting the operation time into the probability distribution function corresponding to the predetermined abnormal factor. The device diagnostic system described.
を特徴とする請求項４に記載の機器診断システム。 The device diagnostic system according to claim 4, wherein the physical model in which the conditional probability is associated with the causal tree is configured as a Bayesian network.
を特徴とする請求項１に記載の機器診断システム。 The arithmetic processing unit calculates the total number of failures for each of the abnormal factors based on the number of failures associated with the abnormal factors of each of the devices included in the failure record, and also calculates the total number of failures. Claim 1 is characterized in that the failure probability is calculated by calculating the total sum of the abnormal factors and dividing the total corresponding to the abnormal factors by the total for each abnormal factor. The device diagnostic system described in.
所定の機器に関する複数の前記異常要因の少なくとも一つが生じる確率と、複数の前記異常要因に一対一で対応している前記時間の予測値の中の最短時間と、を前記機器毎に前記表示装置に表示させること
を特徴とする請求項１に記載の機器診断システム。 The arithmetic processing unit calculates the failure probability and the predicted value of the time for each of the plurality of the devices provided in the predetermined equipment for each of the abnormal factors.
The display device for each device indicates the probability that at least one of the plurality of abnormal factors related to a predetermined device will occur and the shortest time among the predicted values of the time corresponding to the plurality of abnormal factors on a one-to-one basis. The device diagnostic system according to claim 1, wherein the device is displayed on the screen.
を特徴とする請求項７に記載の機器診断システム。 The arithmetic processing unit updates the probability and the shortest time each time at least one of the plurality of devices detects the abnormality, and displays the updated probability and the shortest time on the display device. The device diagnostic system according to claim 7, wherein the device is to be used.
前記演算処理では、
前記異常を検知した場合、前記機器の前回のメンテナンスの終了時から前記異常の検知までの前記機器の運転時間を算出する第１処理と、
前記前回のメンテナンスよりも過去のメンテナンスの終了時から前記運転時間が経過した後であって、当該過去のメンテナンスの次の回のメンテナンスが行われたときまでの前記機器の故障記録をそれぞれ抽出する第２処理と、
前記機器の故障の原因となり得る所定の異常要因の発生確率の時間的変化を示す確率分布関数、及び、前記故障記録に基づいて、前記検出値の前記異常が検知されたときの前記機器の故障確率と、前記故障確率が所定閾値に達するまでの時間の予測値と、を前記異常要因に対応付けて前記表示装置に表示させる第３処理と、が順次に実行されること
を特徴とする機器診断方法。 When an abnormality in the detection value of the sensor installed in the device is detected, it includes an arithmetic process for displaying data including the failure probability of the device on the display device.
In the above arithmetic processing,
When the abnormality is detected, the first process of calculating the operation time of the equipment from the end of the previous maintenance of the equipment to the detection of the abnormality, and
Extract the failure records of the equipment from the end of the previous maintenance to the time when the next maintenance of the past maintenance is performed after the operation time has elapsed from the end of the previous maintenance. Second processing and
A failure of the device when the abnormality of the detected value is detected based on a probability distribution function showing a temporal change in the probability of occurrence of a predetermined abnormality factor that can cause the failure of the device and the failure record. A device characterized in that a third process of associating a probability with a predicted value of time until the failure probability reaches a predetermined threshold value and displaying it on the display device is sequentially executed. Diagnostic method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020181564A JP2022072229A (en) | 2020-10-29 | 2020-10-29 | Equipment diagnostic system, equipment diagnostic method and program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020181564A JP2022072229A (en) | 2020-10-29 | 2020-10-29 | Equipment diagnostic system, equipment diagnostic method and program |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2022072229A true JP2022072229A (en) | 2022-05-17 |
Family
ID=81604423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020181564A Pending JP2022072229A (en) | 2020-10-29 | 2020-10-29 | Equipment diagnostic system, equipment diagnostic method and program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2022072229A (en) |
-
2020
- 2020-10-29 JP JP2020181564A patent/JP2022072229A/en active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10621545B2 (en) | Inventory management system having functions of performing inventory management and preventive maintenance | |
| JP3968656B2 (en) | Maintenance support device for plant equipment | |
| JP6813522B2 (en) | Methods and systems for soundness monitoring and fault characterization | |
| EP2277778A2 (en) | Vehicle health management systems and methods with predicted diagnostic indicators | |
| EP2221698B1 (en) | Method for computing the relative likelihood of failures | |
| TW201823896A (en) | Diagnostic device, diagnostic method, and program | |
| JP6781594B2 (en) | Plant monitoring equipment and plant monitoring method | |
| US20180165941A1 (en) | Method and apparatus for providing environmental management using smart alarms | |
| JP2018190245A (en) | Facility equipment abnormality diagnosis system | |
| JP5193533B2 (en) | Remote monitoring system and remote monitoring method | |
| WO2017138238A1 (en) | Monitoring device, and method for controlling monitoring device | |
| JP6523815B2 (en) | Plant diagnostic device and plant diagnostic method | |
| JP2014148294A (en) | Diagnostic device | |
| JP2019045905A (en) | Behavior predicting system and behavior predicting method | |
| JP6517991B1 (en) | Abnormality sign diagnosis system, management device, and abnormality sign diagnosis method | |
| JP6482743B1 (en) | Risk assessment device, risk assessment system, risk assessment method, and risk assessment program | |
| JP6509001B2 (en) | Failure diagnosis system | |
| JP6574533B2 (en) | Risk assessment device, risk assessment system, risk assessment method, and risk assessment program | |
| JP2019053537A (en) | Process monitoring device | |
| WO2017138239A1 (en) | Monitoring device, and method for controlling monitoring device | |
| JP6875199B2 (en) | Equipment diagnostic system | |
| JP2022072229A (en) | Equipment diagnostic system, equipment diagnostic method and program | |
| Escobet et al. | A methodology for incipient fault detection | |
| Davari et al. | Fault forecasting using data-driven modeling: a case study for metro do Porto data set | |
| JP7026012B2 (en) | Equipment status monitoring system and equipment status monitoring method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230803 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240315 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240402 |