JPH1020930A - Preventive maintenance method - Google Patents
Preventive maintenance methodInfo
- Publication number
- JPH1020930A JPH1020930A JP17456696A JP17456696A JPH1020930A JP H1020930 A JPH1020930 A JP H1020930A JP 17456696 A JP17456696 A JP 17456696A JP 17456696 A JP17456696 A JP 17456696A JP H1020930 A JPH1020930 A JP H1020930A
- Authority
- JP
- Japan
- Prior art keywords
- abnormality
- model
- equipment
- parameter
- unit
- 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
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
Description
【０００１】[0001]
【発明の属する技術分野】本発明は、プラント，発電設
備，通信設備などの機器設備の状態を測定または観測
し、その結果に基づいて対象機器の異常を検出する予防
保全方法及び装置に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a preventive maintenance method and apparatus for measuring or observing the state of equipment such as a plant, a power generation facility, and a communication facility, and detecting an abnormality of a target equipment based on the result.
【０００２】[0002]
【従来の技術】プラントあるいは機器をモデル化し、モ
デル出力値と計測値を比較して異常を判定する従来技術
に、「ファジィ理論を応用したごみ焼却プラント異常診
断システム」（日本機械学会論文集（Ｃ編）５８巻５５
０号１９９２）がある。この従来技術では、予防保全シ
ステムが持つごみ焼却プラントのプロセス定常モデルと
実測データから推定計算された理論値を、兆候検知対象
実測データと常時比較し、偏差が一定値以上になったと
き異常兆候発生と判断している。2. Description of the Related Art A conventional technology for modeling a plant or equipment and comparing the model output value with a measured value to determine an abnormality includes a "fuzzy incineration plant abnormality diagnosis system applying fuzzy theory" (Transactions of the Japan Society of Mechanical Engineers ( C edition) 58 55
0 No. 1992). In this conventional technology, the theoretical value estimated and calculated from the process steady model of the refuse incineration plant of the preventive maintenance system and the measured data is constantly compared with the measured data of the sign detection target, and when the deviation exceeds a certain value, an abnormal It is determined to have occurred.
【０００３】[0003]
【発明が解決しようとする課題】プラントあるいは機器
のモデル出力と実測値とを比較して異常を判定する場
合、用いるモデルが高精度であり、正常状態のプラント
の状態を完全に再現可能であれば、正常か異常かを高い
精度で判定可能である。しかし、通常、完全なモデルを
作成することは困難であり、モデルパラメータには誤差
を含むことが多い。したがって、モデルパラメータの若
干のずれが、ある時刻における計測値の値を大きく変化
させる場合（例えば、スイッチングにより計測値がステ
ップ状に変化する場合に、スイッチング時間が若干異な
るだけで、スイッチング時の計測値は大きく異なる）、
モデル誤差の範囲に含まれる程度の違いであっても有意
な偏差であると判断し、異常であると誤診する可能性が
ある。When an abnormality is determined by comparing the model output of a plant or equipment with an actually measured value, it is necessary that the model used is highly accurate and that the normal state of the plant can be completely reproduced. If this is the case, it can be determined with high accuracy whether it is normal or abnormal. However, it is usually difficult to create a complete model, and model parameters often include errors. Therefore, when a slight shift of the model parameter greatly changes the value of the measured value at a certain time (for example, when the measured value changes stepwise by switching, only the switching time is slightly different, and the measurement at the time of switching is not performed. Values vary greatly),
Even if the difference is within the range of the model error, the difference may be determined to be a significant deviation, and may be erroneously diagnosed as abnormal.
【０００４】また、モデル出力値と実測値を比較するこ
とにより、異常を検知することは可能であるが、異常の
原因を特定するための情報を得ることができない。[0004] Further, although it is possible to detect an abnormality by comparing the model output value with the actually measured value, it is not possible to obtain information for specifying the cause of the abnormality.
【０００５】[0005]
【課題を解決するための手段】上記課題を解決するため
には、少なくとも、機器設備の動作を再現するモデルと
モデルパラメータを同定するモデルパラメータ同定部と
を持ち、正常状態で同定したパラメータと異常状態で同
定したパラメータを比較する。In order to solve the above problems, at least a model for reproducing the operation of the equipment and a model parameter identification unit for identifying the model parameters are provided. Compare the parameters identified by state.
【０００６】このように、正常時に同定したパラメータ
と異常時に同定したパラメータを比較することにより、
モデル出力値と実測値の偏差が大きくなった原因となる
モデルパラメータを特定することが可能となる。したが
ってその結果から、異常と判定したことの妥当性を評価
することができる。また、特定したモデルパラメータ及
びその値は原因推定のための新たな情報となり、原因の
特定が可能となる。As described above, by comparing the parameters identified at the time of normal operation with the parameters identified at the time of abnormal operation,
It is possible to specify a model parameter that causes the deviation between the model output value and the actually measured value to increase. Therefore, the validity of the determination as abnormal can be evaluated from the result. Further, the specified model parameters and their values become new information for estimating the cause, and the cause can be specified.
【０００７】[0007]
【発明の実施の形態】図１に本発明の実施例を示す。FIG. 1 shows an embodiment of the present invention.
【０００８】本実施例は航空機の安全な運行を管理する
ための運行管理システムに本発明を適用したものであ
る。In this embodiment, the present invention is applied to an operation management system for managing safe operation of an aircraft.
【０００９】運行管理システムは航空機の位置をレーダ
により検出するレーダサイト１ａ〜１ｎ，レーダサイト
１ａ〜１ｎより検出されたデータに基づいて航空機の運
行管理又はレーダサイト１ａ〜１ｎのレーダを制御する
中央監視センタ３から構成されている。そして、レーダ
サイト１ａ〜１ｎは通常、山頂や離島などの遠隔地に分
散して設置されているため、無人の施設が多い。そのた
め、機器の保守・点検用に使われる機器の運転状態を表
わすデータ、及び気温などの計測条件を表わすデータ
は、電話回線２を介して中央監視センタ３へ転送するよ
うになっている。中央監視センタ３では、分散設置され
た各レーダサイト１ａ〜１ｎの運転状態をモニタリング
し、通信装置を制御するとともに、中央監視センタ３の
中に設置された予防保全装置４でサイト内の機器のデー
タを統括管理し、機器の状態を判定する。レーダサイト
１ａ〜１ｎは航空機の安全な運行を保障するために必要
不可欠の設備である。よって、設備の異常による機能の
低下及び停止は重大事故を意味する。とりわけ、電力供
給の停止はダメージが大きいため、停電に対する安全対
策は重要である。従って、レーダサイト１ａ〜１ｎに
は、電波を発信または受信する通信機器の他に、停電時
の電源確保を目的に非常用発電機や無停電電源が設置さ
れている。本発明は、この非常用発電機の異常を検出す
るためのもので、中央監視センタ３に予防保全装置４を
備えたものである。The operation management system is a radar site 1a-1n for detecting the position of an aircraft by a radar, and a center for controlling the operation of the aircraft or controlling the radar of the radar sites 1a-1n based on data detected from the radar sites 1a-1n. It comprises a monitoring center 3. Since the radar sites 1a to 1n are usually installed in remote locations such as a mountaintop and a remote island, there are many unmanned facilities. Therefore, data representing the operating state of the equipment used for maintenance / inspection of the equipment and data representing measurement conditions such as air temperature are transferred to the central monitoring center 3 via the telephone line 2. The central monitoring center 3 monitors the operation status of each of the distributed radar sites 1a to 1n, controls the communication devices, and controls the equipment in the site by the preventive maintenance device 4 installed in the central monitoring center 3. It supervises and manages data and determines the status of devices. The radar sites 1a to 1n are indispensable facilities for ensuring safe operation of the aircraft. Therefore, a decrease or stoppage of the function due to an abnormality in the equipment means a serious accident. In particular, stopping power supply is very damaging, so safety measures against power outages are important. Therefore, in addition to communication devices that transmit or receive radio waves, emergency generators and uninterruptible power sources are installed at the radar sites 1a to 1n for the purpose of securing power during a power failure. The present invention is for detecting an abnormality of the emergency generator, and is provided with a preventive maintenance device 4 in the central monitoring center 3.
【００１０】予防保全装置４は、データ前処理部１０，
データベース２０，パラメータ同定部３０，判定部４
０，異常原因推定部５０から構成されている。The preventive maintenance device 4 includes a data pre-processing unit 10,
Database 20, parameter identification unit 30, determination unit 4
0, an abnormality cause estimating unit 50.
【００１１】データ前処理部１０では、オンラインで計
測されたデータに欠損データなど、計測，通信による異
常がないかを確認する。異常がある場合は「データ異
常」であることを知らせる。パラメータ同定部３０で
は、データ前処理部１０で異常がないことが確認された
オンラインデータを基に発電機モデルのモデルパラメー
タを同定する。データベース２０には、予め非常用発電
機が正常な状態を再現するモデルパラメータが格納され
ている。ただし、このパラメータはパラメータ同定部３
０で予め同定した値である。判定部４０では、オンライ
ンデータを基に同定したモデルパラメータと、データベ
ース２０に格納されているモデルパラメータを比較し、
非常用発電機の異常を検知する。異常原因推定部５０で
は、非常用発電機の異常が検知された場合、その原因を
推定する。The data pre-processing unit 10 confirms whether data measured online has no abnormality such as missing data due to measurement and communication. If there is an abnormality, it is notified that the data is abnormal. The parameter identification unit 30 identifies the model parameters of the generator model based on the online data confirmed by the data pre-processing unit 10 to be free from abnormalities. The database 20 stores in advance model parameters for reproducing the normal state of the emergency generator. However, this parameter is the parameter identification unit 3
0 is a value identified in advance. The determination unit 40 compares the model parameters identified based on the online data with the model parameters stored in the database 20,
Detects emergency generator abnormalities. When an abnormality of the emergency generator is detected, the abnormality cause estimating unit 50 estimates the cause.
【００１２】次に、本実施例の詳細を説明する。Next, the details of this embodiment will be described.
【００１３】レーダサイト１ａ〜１ｎは、停電となり商
用電力の供給が停止した場合、非常用発電機により電源
を確保するが、停電が起こってから非常用発電機が定常
運転に達するまでの間は電力供給ができない。そこで、
通信機器は常時無停電電源に接続されており、停電直後
は無停電電源より電力を得る。本実施例では、これらサ
イト内の機器の中で非常用発電機を対象として異常判定
を行った場合について説明する。The radar sites 1a to 1n secure power by an emergency generator when a power failure occurs and the supply of commercial power is stopped. Power cannot be supplied. Therefore,
The communication device is always connected to the uninterruptible power supply, and immediately receives power from the uninterruptible power supply immediately after the power outage. In the present embodiment, a case will be described in which an abnormality is determined for an emergency generator among the devices in these sites.
【００１４】まず、非常用発電機の概要について図２を
用いて説明する。First, an outline of the emergency power generator will be described with reference to FIG.
【００１５】この非常用発電機はディーゼルエンジン駆
動の三相交流発電機であり、ディーゼルエンジン１０
０，発電部１１０，蓄電池１２０，整流器１３０からな
る。ディーゼルエンジン１００は停電により商用電力が
停止した場合、及び中央監視センタ３からの起動信号を
受信した場合に起動する。This emergency generator is a three-phase AC generator driven by a diesel engine.
0, a power generation unit 110, a storage battery 120, and a rectifier 130. The diesel engine 100 starts when commercial power stops due to a power failure and when a start signal from the central monitoring center 3 is received.
【００１６】次に、この非常用発電機の起動時の動作に
ついて説明する。まず、圧縮空気を使用して、ディーゼ
ルエンジン１００に他力的に初期回転を与え、燃料に着
火させる。定格回転数の２０％に達すると自力回転が可
能となるため、起動装置を切り離す。以降は自力で速度
上昇し、調速機により定格速度に調整される。電機子１
１１はディーゼルエンジン１００と同じ速度で回転して
おり、界磁巻線１１２に界磁電流が供給されると発電が
開始される。発電した電力はスイッチ１４０を介して通
信機器１５０に送られる系統と、整流器１３０で直流に
変換されて蓄電池１２０に送られる系統がある。ただ
し、発電電圧が定格に達するまでの間は、スイッチ１４
０はオフであり、通信機器１５０に電力は供給されな
い。また、整流器１３０に接続された系統も、整流器か
ら出力される電圧が蓄電池１２０の電圧に達していない
間は蓄電池１２０に電力を供給できない。Next, the operation of the emergency generator at the time of startup will be described. First, the diesel engine 100 is given initial rotation by using compressed air to ignite the fuel. When the rotation speed reaches 20% of the rated rotation speed, rotation by itself becomes possible, so the starting device is disconnected. Thereafter, the speed increases by itself and is adjusted to the rated speed by the governor. Armature 1
Numeral 11 rotates at the same speed as the diesel engine 100, and when a field current is supplied to the field winding 112, power generation is started. There is a system in which the generated power is sent to the communication device 150 via the switch 140, and a system in which the rectifier 130 converts the power into DC and sends it to the storage battery 120. However, until the generated voltage reaches the rating, the switch 14
0 is off, and no power is supplied to the communication device 150. Also, the system connected to the rectifier 130 cannot supply power to the storage battery 120 while the voltage output from the rectifier does not reach the voltage of the storage battery 120.
【００１７】レーダサイト１ａ〜１ｎに設置されている
非常用発電機には、蓄電池電圧，発電機機関回転数，発
電機電圧，発電機電流，発電機界磁電流，蓄電池総電
圧、及び蓄電池液温及びレーダサイト内の気温，湿度を
計測するためのセンサが設置されている。これらセンサ
は計測レンジを設定することができ、計測値が計測レン
ジに入らない場合には“計測レンジオーバー”の信号を
発生するものである。尚、このように計測レンジが設定
できるセンサでなくとも予め計測値として使用する領域
を設定し、センサからの計測値がこの設定した領域を越
えている場合に“計測レンジオーバー”の信号を発生す
る装置をセンサに備えるようにしてもよい。また、各レ
ーダサイト１ａ〜１ｎは、それら各種センサからの計測
データを電話回線を介して中央監視センタ３の予防保全
装置４へ送る。尚、計測データを判定した結果、“計測
レンジオーバー”の信号が発生した場合には、この信号
を計測データに付加して中央監視センタ３の予防保全装
置４へ送る。The emergency generators installed at the radar sites 1a to 1n include a battery voltage, a generator engine speed, a generator voltage, a generator current, a generator field current, a total battery voltage, and a battery fluid. Sensors for measuring the temperature and the temperature and humidity inside the radar site are installed. These sensors can set the measurement range, and generate a "measurement range over" signal when the measured value does not fall within the measurement range. Even if the sensor is not a sensor whose measurement range can be set in this way, an area to be used as a measurement value is set in advance, and a "measurement range over" signal is generated when the measurement value from the sensor exceeds this set area. The device for performing the operation may be provided in the sensor. Further, each of the radar sites 1a to 1n sends measurement data from the various sensors to the preventive maintenance device 4 of the central monitoring center 3 via a telephone line. If a signal of "measurement range over" is generated as a result of the determination of the measurement data, this signal is added to the measurement data and sent to the preventive maintenance device 4 of the central monitoring center 3.
【００１８】次に、予防保全装置４の各処理部について
説明する。通常、非常用発電機は停止しているため、こ
れらのデータは、中央監視センタ３から起動命令をかけ
て、収集する時間と収集する間隔を指定して計測され
る。従って、例えば非常用発電機の起動時に０.１秒間
隔で６０秒とすると６００点，停止時に０.５秒間隔で
６０秒とすると１２０点，定常運転時に３０秒間隔で３
００秒とすると１０点といったように収集する計測デー
タ数が決定される。さらに、レーダサイト１ａ〜１ｎか
ら転送されてきた計測データはデータ前処理部１０によ
り計測データの異常及び欠損の有無がチェックされる。
計測データの異常の判定は、レーダサイト１ａ〜１ｎか
ら送られてくる計測データに“計測レンジオーバー”の
信号が付加されているか否かで判定し、計測データの欠
損については予め収集する時間と間隔を指定しているた
め収集するデータ数が決定されるので実際に転送されて
きた計測データの数と比較することにより判定できる。
このようにして異常か否かを判定し、異常であると判定
された計測データはデータベース２０の異常データ格納
ファイルに格納する。一方、異常と判定されない場合に
は計測データはパラメータ同定部３０に送られる。Next, each processing section of the preventive maintenance device 4 will be described. Usually, since the emergency power generator is stopped, these data are measured by applying a start-up command from the central monitoring center 3 and specifying a collection time and a collection interval. Therefore, for example, 600 points when the emergency generator is started at 60 seconds at intervals of 0.1 seconds, 120 points at 60 seconds at intervals of 0.5 seconds when the generator is stopped, and 3 points at intervals of 30 seconds during steady operation.
If it is 00 seconds, the number of measurement data to be collected is determined, such as 10 points. Further, the measurement data transferred from the radar sites 1a to 1n is checked by the data preprocessing unit 10 for the presence or absence of abnormality and loss of the measurement data.
The determination of the abnormality of the measurement data is made based on whether or not the signal of “measurement range over” is added to the measurement data sent from the radar sites 1a to 1n. Since the interval is specified, the number of data to be collected is determined, so that the determination can be made by comparing with the number of measurement data actually transferred.
In this way, it is determined whether or not there is an abnormality, and the measurement data determined to be abnormal is stored in the abnormal data storage file of the database 20. On the other hand, when it is not determined that there is an abnormality, the measurement data is sent to the parameter identification unit 30.
【００１９】パラメータ同定部では、正常な運転データ
を用いてモデルのパラメータを同定する。本実施例で
は、非常用ディーゼルエンジン発電機の機関回転数から
発電機電圧，発電機電流，界磁電圧，蓄電池電圧を出力
するモデルを用いた。ただし、簡略化のため、機関回転
数から発電機電圧を出力するモデルで説明する。本実施
例では、発電機モデルに自己回帰モデル（ＡＲＭＡモデ
ル）を用いた。自己回帰モデルは、「ロバスト適応制御
入門」（寺尾満監修，金井喜美雄著，オーム社，１９８
９）に記載されているように、数１で示した式で表わさ
れる。The parameter identification section identifies parameters of the model using normal operation data. In the present embodiment, a model that outputs a generator voltage, a generator current, a field voltage, and a storage battery voltage from the engine speed of the emergency diesel engine generator was used. However, for simplicity, a description will be given of a model in which the generator voltage is output from the engine speed. In this embodiment, an autoregressive model (ARMA model) is used as a generator model. The autoregressive model is described in "Introduction to Robust Adaptive Control" (Mitsuru Terao, Kimio Kanai, Ohmsha, 198)
As described in 9), it is represented by the equation shown in Equation 1.
【００２０】[0020]
【数１】 (Equation 1)
【００２１】本実施例では、入力ｕ(ｋ)は機関回転数及
び目標界磁電圧であり、出力ｙ(ｋ)は発電機電圧であ
る。In this embodiment, the input u (k) is the engine speed and the target field voltage, and the output y (k) is the generator voltage.
【００２２】入力ｕ(ｘ)と出力ｙ(ｘ)の時系列データが
与えられると、最小二乗法によりパラメータａ１〜ａ
ｎ，ｂ１〜ｂｎを同定することができる。パラメータ同
定方法については「ロバスト適応制御入門」（寺尾満監
修，金井喜美雄著，オーム社，１９８９）に記載されて
いるため、ここでは説明を省略する。Given time series data of an input u (x) and an output y (x), parameters a1 to a
n, b1 to bn can be identified. Since the parameter identification method is described in "Introduction to Robust Adaptive Control" (edited by Mitsuru Terao, Kimio Kanai, Ohmsha, 1989), the description is omitted here.
【００２３】判定部では、このようにして求めたパラメ
ータと正常時のパラメータを比較する。先に述べたよう
にパラメータは複数個存在するため、各パラメータ毎に
比較する。The determination section compares the parameters obtained in this way with the parameters in the normal state. As described above, since there are a plurality of parameters, comparison is made for each parameter.
【００２４】判定結果の一例を表１に示す。Table 1 shows an example of the judgment result.
【００２５】[0025]
【表１】 [Table 1]
【００２６】表中に示した値は、正常時の同定結果を１
とした場合の相対値である。本実施例では、同定したパ
ラメータと正常時のパラメータの誤差が±１０％に入っ
ていれば正常であるとした。すなわち、相対値が０.９
〜１.１の間であれば正常である。この例では、パラメ
ータａ１以外のパラメータは正常であるが、ａ１の値は
正常時のパラメータの約３倍の値となっている。したが
って、発電機になんらかの異常が生じていることがわか
る。The values shown in the table indicate that the identification result under normal conditions is 1
Is a relative value when In this embodiment, it is determined that the parameter is normal if the error between the identified parameter and the parameter at normal time is within ± 10%. That is, the relative value is 0.9.
If it is between ~ 1.1, it is normal. In this example, the parameters other than the parameter a1 are normal, but the value of a1 is about three times the value of the normal parameter. Therefore, it is understood that some abnormality has occurred in the generator.
【００２７】次に、異常原因診断部５０では、判定部４
０の結果を利用し、異常原因を特定する。Next, in the abnormality cause diagnosing section 50, the determination section 4
Using the result of 0, the cause of the abnormality is specified.
【００２８】ここでは、異常となったパラメータの種類
と原因との因果関係表を利用して異常原因を特定する。
先に述べた例では、パラメータａ１のみが正常時に比べ
て大きな値となっているため、因果関係を示す表２を参
照すると、原因Ａである可能性が高いことがわかる。Here, the cause of the abnormality is specified by using a causal relationship table between the type of the abnormal parameter and the cause.
In the example described above, only the parameter a1 has a larger value than in the normal state. Therefore, referring to Table 2 showing the causal relationship, it can be seen that the possibility of the cause A is high.
【００２９】[0029]
【表２】 [Table 2]
【００３０】このように、同定したパラメータをそれぞ
れ比較するために、モデル出力と実測値を比較していた
だけではわからなかった原因を特定することが可能とな
る。 （実施例２）以上のように第１の実施例では、異常を判
定する度にモデルパラメータを同定する必要がある。パ
ラメータの同定に要する時間が大きくなる機器設備の場
合、工夫が必要となる。As described above, in order to compare the identified parameters with each other, it is possible to specify the cause that could not be understood only by comparing the model output with the actually measured values. (Embodiment 2) As described above, in the first embodiment, it is necessary to identify a model parameter every time an abnormality is determined. In the case of equipment that requires a long time for parameter identification, some contrivance is required.
【００３１】次に第２の実施例を示す。Next, a second embodiment will be described.
【００３２】第２の実施例は、図５に示したように第１
の実施例にシミュレーション部６０が加わる。In the second embodiment, as shown in FIG.
A simulation unit 60 is added to the embodiment.
【００３３】以下にその相違点について説明する。The difference will be described below.
【００３４】第２の実施例では、データ前処理部１０で
通信に伴う異常が見つけられなかったオンラインデータ
は、シミュレーション部６０に送られる。シミュレーシ
ョン部６０では送られたデータのうち機関回転数を発電
機モデルに入力し、モデル出力として発電機電圧を出力
する。判定部４０では、シミュレーション部６０より出
力された値と、データ前処理部１０から送られる実測デ
ータとを比較して、両者の偏差が基準値以下であれば正
常，基準値を上回れば異常と判定する。判定部４０での
判定結果が異常であった場合、第１の実施例と同様にパ
ラメータ同定部３０でモデルパラメータの同定が行わ
れ、その結果は異常原因診断部５０に送られる。異常原
因診断部５０での診断方法も、実施例１と同様である。In the second embodiment, on-line data for which no abnormality associated with communication is found in the data pre-processing unit 10 is sent to the simulation unit 60. The simulation unit 60 inputs the engine speed of the transmitted data to the generator model, and outputs the generator voltage as a model output. The determination unit 40 compares the value output from the simulation unit 60 with the actually measured data sent from the data preprocessing unit 10, and determines that the two are normal if the difference between them is equal to or less than the reference value, and abnormal if the deviation exceeds the reference value. judge. If the result of the determination by the determination unit 40 is abnormal, the model parameters are identified by the parameter identification unit 30 as in the first embodiment, and the result is sent to the abnormality cause diagnosis unit 50. The diagnosis method in the abnormality cause diagnosis unit 50 is also the same as in the first embodiment.
【００３５】ただし、前述のように、モデル出力と実測
データの偏差が大きくなり、判定部４０で異常と判定し
た場合でも、モデル誤差による偏差の可能性がある。そ
の場合、モデルパラメータ自体は正常時のパラメータと
の偏差が小さい。したがって、本実施例ではパラメータ
同定部３０でモデルパラメータを同定し、正常時のパラ
メータと比較するため、モデル誤差によるものであるか
否かを判別することができる。However, as described above, even if the deviation between the model output and the actually measured data becomes large and the determination section 40 determines that the abnormality occurs, there is a possibility that the deviation is caused by a model error. In that case, the deviation of the model parameter itself from the normal parameter is small. Therefore, in the present embodiment, the model parameters are identified by the parameter identification unit 30 and compared with the parameters in the normal state, so that it is possible to determine whether or not this is due to a model error.
【００３６】[0036]
【発明の効果】本発明によれば同定したモデルパラメー
タと正常時のモデルパラメータを比較し、対象設備の異
常を判定することで、より高精度な異常判定が可能とな
る。また、異常原因推定のための情報も得ることが可能
となる。According to the present invention, the identified model parameters are compared with the model parameters in the normal state, and the abnormality of the target equipment is determined, so that the abnormality can be determined with higher accuracy. Also, information for estimating the cause of the abnormality can be obtained.
【図１】本発明の第１の実施例を表わすブロック図。FIG. 1 is a block diagram showing a first embodiment of the present invention.
【図２】発電機の概略を表わすブロック図。FIG. 2 is a block diagram schematically showing a generator.
【図３】本発明の第２の実施例を表わすブロック図。FIG. 3 is a block diagram showing a second embodiment of the present invention.
１…レーダサイト、２…商業回線、３…中央監視セン
タ、４…予防保全装置、１０…データ前処理部、２０…
データベース、３０…パラメータ同定部、４０…判定
部、５０…異常原因推定部。REFERENCE SIGNS LIST 1 radar site 2 commercial line 3 central monitoring center 4 preventive maintenance device 10 data preprocessing unit 20
Database, 30: Parameter identification unit, 40: Judgment unit, 50: Abnormal cause estimation unit.
Claims (6)
出する予防保全方法において、機器設備の動作を再現す
るモデルを持ち、前記モデルのモデルパラメータを同定
するパラメータ同定部と、前記パラメータ同定部で同定
した前記モデルパラメータと、正常時のモデルパラメー
タとを比較し、機器設備の異常を検出する判定部とを持
つことを特徴とする予防保全方法。In a preventive maintenance method for detecting an abnormality of an equipment from measurement data of the equipment, a parameter identification unit having a model for reproducing an operation of the equipment, identifying a model parameter of the model, and the parameter identification unit. A preventive maintenance method, comprising: a determination unit that compares the model parameter identified in (1) with a model parameter in a normal state and detects an abnormality in equipment.
出する予防保全方法において、機器設備をモデル化し、
機器設備の動作を再現するシミュレーション部と、前記
シミュレーション部のモデルパラメータを同定するモデ
ルパラメータ同定部と、前記シミュレーション部で出力
したモデル出力値と、実測値を比較しその偏差から機器
設備の異常を検出する判定部とを有し、前記判定部で異
常と判定された場合に、前記モデルパラメータ同定部に
より再度パラメータを同定することを特徴とする予防保
全方法。2. A preventive maintenance method for detecting an abnormality of an equipment from measurement data of the equipment, wherein the equipment is modeled,
A simulation unit that reproduces the operation of the equipment, a model parameter identification unit that identifies the model parameters of the simulation unit, and a model output value output by the simulation unit, compares the actually measured value, and determines an abnormality in the equipment from the deviation. A preventive maintenance method, further comprising: a determination unit for detecting, wherein when the determination unit determines that the abnormality is abnormal, the model parameter identification unit identifies the parameter again.
出する予防保全方法において、機器設備をモデル化し、
機器設備の動作を再現するシミュレーション部と、前記
シミュレーション部のモデルパラメータを同定するモデ
ルパラメータ同定部と、前記シミュレーション部で出力
したモデル出力値と、実測値を比較しその偏差から機器
設備の異常を判定する判定部とを有し、前記判定部で異
常と判定された場合に、前記パラメータ同定部により再
度パラメータを同定し、前記パラメータより再度異常を
判定する機能を有することを特徴とする予防保全方法。3. A preventive maintenance method for detecting an abnormality of a device from measurement data of the device, modeling the device,
A simulation unit that reproduces the operation of the equipment, a model parameter identification unit that identifies the model parameters of the simulation unit, and a model output value output by the simulation unit, compares the actually measured value, and determines an abnormality in the equipment from the deviation. Preventive maintenance, having a function of determining a parameter again by the parameter identification section when the determination section determines that the parameter is abnormal, and determining the parameter again from the parameter. Method.
出する予防保全方法において、機器設備をモデル化し、
機器設備の動作を再現するシミュレーション部と、前記
シミュレーション部のモデルパラメータを同定するモデ
ルパラメータ同定部と、前記シミュレーション部で出力
したモデル出力値と、実測値を比較しその偏差から機器
設備の異常を判定する判定部とを有し、前記判定部で異
常と判定された場合に、前記モデルパラメータ同定部に
より再度パラメータを同定し、前記パラメータより異常
原因を特定する異常原因特定機能を有することを特徴と
する予防保全方法。4. A preventive maintenance method for detecting an abnormality of an equipment from measurement data of the equipment, wherein the equipment is modeled,
A simulation unit that reproduces the operation of the equipment, a model parameter identification unit that identifies the model parameters of the simulation unit, and a model output value output by the simulation unit, compares the actually measured value, and determines an abnormality in the equipment from the deviation. A determination unit, and when the determination unit determines that the abnormality is abnormal, the model parameter identification unit identifies a parameter again, and has an abnormality cause identification function of identifying an abnormality cause from the parameter. And preventive maintenance methods.
出する予防保全方法において、機器設備の過渡状態を模
擬する動特性モデルを持ち、前記動特性モデルのモデル
パラメータを同定するパラメータ同定部と、前記パラメ
ータ同定部で同定したモデルパラメータと、正常時のモ
デルパラメータとを比較し、機器設備の異常を検出する
判定部とを持つことを特徴とする予防保全方法。5. A preventive maintenance method for detecting an abnormality of an equipment from measurement data of the equipment, wherein the parameter identification unit has a dynamic characteristic model simulating a transient state of the equipment, and identifies a model parameter of the dynamic characteristic model. A preventive maintenance method comprising comparing the model parameter identified by the parameter identification unit with the model parameter in a normal state, and detecting an abnormality of the equipment.
から機器の異常を検出する予防保全装置において、前記
遠隔地の機器の起動停止を行う遠隔操作手段と、前記遠
隔地の機器の計測データを通信により転送するデータ転
送手段と、前記機器設備の動作を模擬するモデルと、前
記モデルのモデルパラメータを同定するパラメータ同定
手段と、前記パラメータ同定手段で同定した前記モデル
パラメータと、正常時のモデルパラメータとを比較し、
前記機器設備の異常を検出する判定手段とを持つことを
特徴とする予防保全装置。6. A preventive maintenance device for detecting an abnormality of a device from measurement data of a device installed at a remote location, a remote control means for starting and stopping the remote device, and measuring the device at the remote location. A data transfer unit for transferring data by communication, a model simulating the operation of the equipment, a parameter identification unit for identifying a model parameter of the model, and the model parameter identified by the parameter identification unit; Compare with model parameters,
A preventive maintenance device comprising: a determination unit configured to detect an abnormality of the equipment.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP17456696A JPH1020930A (en) | 1996-07-04 | 1996-07-04 | Preventive maintenance method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP17456696A JPH1020930A (en) | 1996-07-04 | 1996-07-04 | Preventive maintenance method |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH1020930A true JPH1020930A (en) | 1998-01-23 |
Family
ID=15980811
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP17456696A Pending JPH1020930A (en) | 1996-07-04 | 1996-07-04 | Preventive maintenance method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH1020930A (en) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001090833A1 (en) * | 2000-05-26 | 2001-11-29 | Isuzu Motors Limited | Method and apparatus for identifying characteristic value |
| JP2005155948A (en) * | 2003-11-20 | 2005-06-16 | Sanyo Electric Co Ltd | Operating state management device, and database device |
| JP2009157550A (en) * | 2007-12-26 | 2009-07-16 | Yokogawa Electric Corp | Plant operation support system |
| JP2010262468A (en) * | 2009-05-07 | 2010-11-18 | Toho Gas Co Ltd | Remote monitoring system for power generation facility |
| JP2015078884A (en) * | 2013-10-16 | 2015-04-23 | 富士通株式会社 | Monitoring device, monitoring program, and monitoring method |
| JP2016529526A (en) * | 2013-09-09 | 2016-09-23 | エムティーエス システムズ コーポレイション | An off-line hybrid system assessment method for test monitoring and modification |
| JP2019028834A (en) * | 2017-08-01 | 2019-02-21 | 株式会社東芝 | Abnormal value diagnostic device, abnormal value diagnostic method, and program |
| JP2019096247A (en) * | 2017-11-28 | 2019-06-20 | 株式会社日立製作所 | Failure mode specifying system, failure mode specifying method, and program |
| JP2019128924A (en) * | 2018-01-26 | 2019-08-01 | 三菱電機株式会社 | Deterioration diagnosis device and deterioration diagnosis method |
| US10371601B2 (en) | 2013-09-09 | 2019-08-06 | Mts Systems Corporation | Methods and systems for testing coupled hybrid dynamic systems |
| WO2021024423A1 (en) * | 2019-08-07 | 2021-02-11 | 株式会社日立製作所 | Railway vehicle anomaly detection device |
| WO2023026879A1 (en) * | 2021-08-25 | 2023-03-02 | パナソニックＩｐマネジメント株式会社 | Diagnosis device, diagnosis system, and diagnosis method |
| WO2023243179A1 (en) * | 2022-06-16 | 2023-12-21 | 株式会社日立インダストリアルプロダクツ | Abnormality cause estimation device, abnormality cause estimation method, and abnormality cause estimation program |
-
1996
- 1996-07-04 JP JP17456696A patent/JPH1020930A/en active Pending
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001090833A1 (en) * | 2000-05-26 | 2001-11-29 | Isuzu Motors Limited | Method and apparatus for identifying characteristic value |
| US6920413B2 (en) | 2000-05-26 | 2005-07-19 | Isuzu Motors Limited | Method and apparatus for identifying characteristic value |
| JP2005155948A (en) * | 2003-11-20 | 2005-06-16 | Sanyo Electric Co Ltd | Operating state management device, and database device |
| JP2009157550A (en) * | 2007-12-26 | 2009-07-16 | Yokogawa Electric Corp | Plant operation support system |
| JP2010262468A (en) * | 2009-05-07 | 2010-11-18 | Toho Gas Co Ltd | Remote monitoring system for power generation facility |
| US10876930B2 (en) | 2013-09-09 | 2020-12-29 | Mts Systems Corporation | Methods and systems for testing coupled hybrid dynamic systems |
| JP2016529526A (en) * | 2013-09-09 | 2016-09-23 | エムティーエス システムズ コーポレイション | An off-line hybrid system assessment method for test monitoring and modification |
| US10061278B2 (en) | 2013-09-09 | 2018-08-28 | Mts Systems Corporation | Method of off-line hybrid system assessment for test monitoring and modification |
| US10371601B2 (en) | 2013-09-09 | 2019-08-06 | Mts Systems Corporation | Methods and systems for testing coupled hybrid dynamic systems |
| JP2015078884A (en) * | 2013-10-16 | 2015-04-23 | 富士通株式会社 | Monitoring device, monitoring program, and monitoring method |
| JP2019028834A (en) * | 2017-08-01 | 2019-02-21 | 株式会社東芝 | Abnormal value diagnostic device, abnormal value diagnostic method, and program |
| JP2019096247A (en) * | 2017-11-28 | 2019-06-20 | 株式会社日立製作所 | Failure mode specifying system, failure mode specifying method, and program |
| JP2019128924A (en) * | 2018-01-26 | 2019-08-01 | 三菱電機株式会社 | Deterioration diagnosis device and deterioration diagnosis method |
| WO2021024423A1 (en) * | 2019-08-07 | 2021-02-11 | 株式会社日立製作所 | Railway vehicle anomaly detection device |
| JPWO2021024423A1 (en) * | 2019-08-07 | 2021-09-13 | 株式会社日立製作所 | Rail vehicle abnormality detection device |
| WO2023026879A1 (en) * | 2021-08-25 | 2023-03-02 | パナソニックＩｐマネジメント株式会社 | Diagnosis device, diagnosis system, and diagnosis method |
| WO2023243179A1 (en) * | 2022-06-16 | 2023-12-21 | 株式会社日立インダストリアルプロダクツ | Abnormality cause estimation device, abnormality cause estimation method, and abnormality cause estimation program |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH1020930A (en) | Preventive maintenance method | |
| CN113167834A (en) | Heavy motor soundness analysis platform and analysis method using same | |
| EP3181898B1 (en) | Wind turbine diagnostic apparatus | |
| CN105980946A (en) | System and method of fault detection | |
| KR101209316B1 (en) | generator excitation control device and surrounding equipment diagnosis device and method using the same | |
| JP4024752B2 (en) | Improvements related to power transmission | |
| KR101103131B1 (en) | Monitoring device for standby diesel generator of nuclear power station and monitoring method thereof | |
| JP3624546B2 (en) | Preventive maintenance method and apparatus | |
| WO2020000362A1 (en) | Method for monitoring and identifying sensor failure in electric drive system | |
| CN109885019A (en) | A kind of fan condition automatic judging method | |
| JPS61177133A (en) | Centralized monitoring system for dynamotor | |
| Chantler et al. | The use of fault-recorder data for diagnosing timing and other related faults in electricity transmission networks | |
| JP3892547B2 (en) | Grid-connected distributed power system | |
| CN107102633B (en) | A kind of distribution terminal fault self-diagnosis method and system | |
| CN111997843B (en) | Backup power supply life health monitoring method and monitoring system | |
| CN105024595A (en) | Fault monitoring method and device for brushless DC motor | |
| US20050254548A1 (en) | Method and apparatus for monitoring a technical installation, especially for carrying out diagnosis | |
| WO2023063622A1 (en) | Digital twin-based apparatus for providing operation and maintenance management platform service for photovoltaic power generation system, and method for operating and maintaining photovoltaic power generation system by using same | |
| CN111509839A (en) | Trip event model analysis method based on alarm signal | |
| JPH05225474A (en) | Method and device for abnormality diagnosis of plant apparatus | |
| JPH10198420A (en) | Method and device for diagnosing abnormality | |
| Safonov et al. | Real-time diagnostic for the temperature sensors with linear resistance dependence via an artificial neural network | |
| CN111026097A (en) | Fault self-diagnosis and early-warning method for inspection robot | |
| WO2023135968A1 (en) | Plant monitoring system and plant monitoring device | |
| CN115013151B (en) | Cam bearing bush fault diagnosis method and system of diesel engine |