CN101981421A - 设备不良情况的管理方法 - Google Patents
设备不良情况的管理方法 Download PDFInfo
- Publication number
- CN101981421A CN101981421A CN2009801111390A CN200980111139A CN101981421A CN 101981421 A CN101981421 A CN 101981421A CN 2009801111390 A CN2009801111390 A CN 2009801111390A CN 200980111139 A CN200980111139 A CN 200980111139A CN 101981421 A CN101981421 A CN 101981421A
- Authority
- CN
- China
- Prior art keywords
- equipment
- unfavorable condition
- data
- bayesian network
- poor prognostic
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0278—Qualitative, e.g. if-then rules; Fuzzy logic; Lookup tables; Symptomatic search; FMEA
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Manufacturing & Machinery (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种推断结果具有充分的精度,能够推测不良情况维修时的最佳维修时机及和某些不良情况同时发生或者以后可能发生的其他不良情况,对用于成套设备的大型机器可以采用的设备不良情况的管理方法。其通过监视装置监视设备的工作状态,将上述设备的不良情况发生时上述监视设备得到的与设备的运转状态相关的计测值的数据作为节点,通过推断装置推断设备的不良原因,其特征在于,从预先准备的多个声音数据中选择与由发生了上述不良情况的设备产生的声音最接近的声音数据,并且,从预先准备的多个形态数据中选择与发生上述不良情况的设备的形态最接近的形态数据,将上述被选择的声音数据及形态数据追加到上述节点,根据该节点,通过第一贝叶斯网络推断设备的不良原因。
Description
技术领域
本发明涉及设备不良情况的管理方法,特别涉及推理结果具有充分的精度且在成套设备中使用的燃气轮机等大型机器上可以采用的设备不良情况的管理方法。
背景技术
在燃气轮机复合循环发电(GCTT)设备、陆用锅炉设备、风力发电设备等中,在形成该成套设备的机器中产生异音或计测值的异常警报等不良情况的情况下,有必要推测其原因,采取与该推测的原因相应的维修等对策。
因此,在形成上述成套设备的机器中发生故障时,成套设备的操作员以过去的经验或该成套设备的过去的实绩为依据,推断不良原因,执行采取有可能能够解决原因的某动作的方法(现有技术1)。
另外,在形成上述成套设备的机器中发生故障时,也可执行采取如下动作的方法:成套设备操作员将上述不良情况的症状传达给设备制造商的维修专家,该设备制造商的维修专家根据设备制造商持有的不良情况数据库推测不良原因,将该推测结果传达给上述操作员,该操作员采取有可能能够解决上述推测的原因的动作(现有技术2)。
但是,在现有技术1中,为了推断该机器的故障原因,对于该机器持有足够的知识和技能的操作员是必不可少的,但是,短时间内难以实现这样的操作员的确保、培养,在不能确保拥有足够的知识和技能的操作员的情况下,存在采取错误的动作使上述故障的损害扩大的可能性。
再有,对于现有技术2也一样,为了推断该机器的故障原因,对于该机器拥有足够的知识和技能的设备制造商维修专家是必不可少的,但是,短时间内难以实现这样的设备制造商维修专家的确保、培养,在不能确保拥有足够的知识和技能的设备制造商维修专家的情况下,存在采取错误的动作使上述不良情况的损害扩大的可能性。
另外,不是成套设备中的机器,而是打印机的自动诊断的技术,专利文献1中开示有利用贝叶斯网络,概率推理不良原因,将有可能解决问题的动作按照其效果和成本向操作员提示的方法。
但是,在专利文献1所开示的技术中,虽然将对打印机具有足够的知识和技能的专家的知识进行贝叶斯网络化并收集,但是,在该贝叶斯网络中难以进行处于不良情况状态的打印机的量化,对于进行不良原因的推断而有用的声音、形态等信息有可能不被采用,推断结果不具有充分的精度。
另外,为成套设备等所使用的大型机器的情况下,停止一次机器的话,其费用是巨额的,因此,有必要持续进行尽量长时间的运转,是应该立即停止该机器并维修故障,还是可以运转到例如工作日以外的周末,再有,限制运转条件之后的运转能否持续到定期检修等信息非常重要,虽然专利文献1中公示了针对不良情况的具体的动作,但是,由于是有关小型设备即打印机的技术,因此,对于上述大型机器重要的停止时间的信息没有被提议。
再有,虽然公示了针对上述不良情况的具体的动作,但是,没有记载推断与采取了该动作的不良情况同时发生或者以后有可能发生的某些不良情况的劣化症状,且在下次定期检查时确认这些劣化状态的方法。
根据上述情况可知,在成套设备中使用的机器等大型机器中采用打印机的自动诊断的技术即专利文献1中开示的技术非常困难。
专利文献1:日本特开2001-75808号公报
发明内容
因此,本发明鉴于该现有技术的问题,目的在于提供一种推断结果具有充分的精度,能够推测不良情况维修的最佳维修时机及与某些不良情况同时或者以后可能发生的其他不良情况,在用于成套设备的大型机器中可以采用的设备不良情况的管理方法。
在用于解决上述课题的本发明中,提供一种设备不良情况的管理方法,其通过监视装置监视设备的工作状态,将所述设备不良情况发生时所述监视设备得到的与设备的运转状态相关的计测值的数据作为节点,通过推断装置推断设备的不良原因,其特征在于,从预先准备的多个声音数据中选择与从发生了所述不良情况的设备所产生的声音最接近的声音数据,并且,从预先准备的形态数据中选择与发生了所述不良情况的设备的形态最接近的形态数据,将所述被选择的声音数据及形态数据追加到所述节点,根据该节点,通过第一贝叶斯网络推断设备的不良原因。
对于具体的机器的不良情况,难以数值化,但是作为阐明所述故障的原因有用的数据,能够列举出包含自不良情况部位产生的声音、不良情况位置的颜色、燃烧状况等的形态。
对于与所述声音有关的信息,通过让实际听到了所述发生的声音的操作员选择发生的机器的声音与预先准备的发生原因不同的多个声音数据中的哪个声音数据接近,由此,能够尽量排除操作员的主观而收集与声音相关的信息。
另外,对于与所述形态相关的信息,通过让实际看到所述不良情况部位的机器的形态的操作员选择在不良情况部位的机器的形态与预先准备的发生原因不同的多个形态数据中的哪个形态数据接近,由此,能够尽量排除操作员的主观而收集与形态相关的信息。
这样操作,将尽量排除主观收集到的声音及形态的数据追加到观测节点,根据该声音、形态的数据及其他的所述监视装置得到的不良情况值,使用推断装置即贝叶斯网络推断设备的不良原因,由此,可以提高不良原因的推断精度。
另外,优选对于所述设备的过去的不良原因的推断结果、和针对该推断结果的设备的修复的实绩间的相关关系,构筑第二贝叶斯网络,通过该第二贝叶斯网络,对利用所述第一贝叶斯网络完成了不良原因的推断的设备,进行实施的可能性较高的设备的修复方法的推断。
例如设备生产商维修专家使用本发明的不良情况管理方法时,由包含具有不良情况的机器的成套设备的操作员,收集所述机器的不良情况的症状的信息,使用本发明推断不良原因,将该推断的原因与操作员进行联络。对于该成套设备,就构成成套设备的设备的过去的不良原因的推断结果和针对该推断结果的设备的修复的实绩间的相关关系,构建第二贝叶斯网络,通过使用该第二贝叶斯网络,能够针对构成成套设备的设备,推测实施的可能性较高的修复施工。
即,能够针对构成成套设备的每台设备,推测认为成套设备的用户潜在的打算实施的设备改善施工或修复施工,能够与不良原因的推断结果一起,将与该设备的改善施工或修复施工相关的信息提供给成套设备的用户。
据此,成套设备的用户,与不良原因的推断结果一起获得设备的改善施工或修复施工的信息,由此,能够对上述不良情况进行迅速的处理。
另外,设备生产商维修专家对于不良原因的推断结果和设备的改善施工或修复施工能够高精度地进行推测并将该推测的结果提供给成套设备用户,因此,对于成套设备用户能够实施获悉改善中必需的零件等、时机的市场营销。
另外,本发明的设备不良情况的管理方法,优选对于所述设备或者类似的设备中的过去的不良原因的推断结果,将维修未采取适当的措施的情况下发生的故障所需的成本和所述推断结果一起数据库化,使用所述数据库,并使用所述第一贝叶斯网络,对在将所述设备的不良情况搁置的情况下发生以该不良情况为原因的故障的概率进行推断,计算并提示将所述推断的概率和维修所述故障所需的所述成本相乘所得的风险。
据此,由于与在将所述设备的不良情况搁置的情况下所负担的成本有关的风险作为数值被提示,因此,在决定应该立即停止发生了不良情况的机器进行不良情况维修,还是运转到工作日以外的周末,或是持续运转到定期的检修等决定维修的时机时很有帮助。
另外,本发明的设备不良情况的管理方法,优选计算维修所述不良原因所必需的成本,且对所述成本和所述风险进行比较。
计算维修所述设备的不良原因所必需的成本,并和将所述设备的不良情况搁置的情况下所负担的风险进行比较,由此,是判断否应该尽早维修发生的不良情况变得容易,并且也能够进行定量地判断。
特别是在设备生产商的维修专家使用本发明的情况下,能够定量地向客户说明尽早修复所发生的不良情况在考虑设备的寿命周期成本时是否最适合,因此,设备生产商的维修专家的可靠性也提高。
另外,本发明的设备不良情况的管理方法,优选生成在所述设备中发生的不良原因的推断结果的时间序列数据,将该时间序列数据输入所述第一贝叶斯网络,对在所述设备中接下来发生概率较高的不良原因及其发生概率一起进行推断。
与所述推断结果的时间序列并列地生成时间序列数据,通过输入所述第一贝叶斯网络,能够推断在发生某种不良情况时接下来发生可能性高的不良情况。通过例如在定期维修时等对由此推断出来的不良情况是否可能发生进行检查,能够采取对策将不良情况防患于未然。因此,在发生某种不良情况后,能够推断接着容易发生的不良情况,由此,将定期检查时等的设备的检查项目设定为设备的不良情况的实绩中存在的项目,能够进行有效地检查。
根据如以上记载的本发明,能够提供一种推断结果具有充分的精度,能够推测不良情况修复时的最佳修复时机及与某些不良情况同时或者在以后可能发生的其他不良情况,在成套设备中使用的大型机器中可以采用的设备不良情况的管理方法。
附图说明
图1是用于实施本发明的设备不良情况的管理方法的远程管理系统的概率构成图。
图2是声音的数据输入的流程图。
图3是燃烧状况的数据输入的流程图。
图4是表示全部单元的不良情况和其后的设备维修实绩的数据库的输入和结果的输出的流程图。
图5是故障数据的输入和其活用的说明图。
图6是全部单元的不良情况的时间序列数据的活用的说明图。
具体实施方式
下面,参照附图以本发明的最佳实施例为例进行详细说明。但是,该实施例中记载的构成零件的尺寸、材质、形状、其相对的配置等,只要没有特别特定的记载,就不是将该发明的范围限定于此的意思,不过是简单的说明例而已。
实施例1
图1是用于实施本发明的设备不良情况的管理方法的远程管理系统的概率构成图。在本实施例中,例示说明利用远程管理对设备的不良情况进行管理的方法。具体地说,是对设备生产商维修专家在远离上述成套设备的位置对构成成套设备的设备的运转状态进行监视,在发生不良情况的情况下,推测其原因并向上述成套设备的用户(客户)提供信息的管理方法进行说明。
作为图1的远程管理系统的概略,利用在远程运转监视中的客户设备(以下称为成套设备)2内设置的远程监视用数据服务器,收集成套设备内计测仪器4的运转数据,利用通信线路将运转数据传送到远程监视室12,由此,在位于远离成套设备2的位置的远程监视室12对成套设备2的运转状态始终进行监视。另外,在构成成套设备2的机器上发生不良情况的情况下,将上述运转数据的各种信号的状态22作为节点,自远程监视室12的监视用终端20输入系统内具有贝叶斯网络的贝叶斯网络系统30,并且,利用后述的方法将不良情况部位的声音、形态的数据作为节点,自客户用终端32输入贝叶斯网络系统30,根据上述节点,通过贝叶斯网络推断上述成套设备2的不良原因。
再者,在远程监视室12中,通常进行多套成套设备的远程管理,但图1中仅图示了一套成套设备。
进行上述成套设备2的燃气轮机的远程监视的情况下,通过安装在该燃气轮机上的各计测仪器4,燃气轮机的转数、输出、控制信号、各部分的温度/流量、各部分的信号等数值组成的运转数据,首先被发送到设置在成套设备2内的远程监视用数据服务器6中。然后,被发送到远程监视用数据服务器6中的运转数据,作为实时数据经由路由器8、14通过专用线路(Virtual Private Network:VPN)10,实时传送到位于远离所述成套设备2的地点的远程检测室12内的远程监测服务器16,并且,以称为历史数据的形式在远程监视数据服务器16中以1秒为周期保存一定期限,该被保存的历史数据,被加工成以1分钟为周期的数据,通过上述路由器8、14、VPN10及远程监视用数据服务器16传送到远程监视室12内的数据保管用服务器18并被保管。
被传送到远程监视服务器16的实时数据,利用监视用终端20,驻守在远程监视室内的设备生产商维修专家能够时常进行确认。
另外,上述实时数据,管理值被设定,同时根据倾向监视推理,其值的变化的倾向被监视,在上述实时数据超出上述管理值、或通过上述倾向监视推理发现有产生规定以上的变化的倾向的情况下,警报器发出信号。
上述警报器一发出信号,上述实时数据就作为节点输入贝叶斯网络系统30。
再有,上述警报器一发出信号,驻守在远程监视室12内的设备生产商维修专家就将上述警报器的发出信号与成套设备2的操作员联络,一收到该联络,成套设备2的操作员就在客户终端32通过后述的方法输入声音、形态的数据。该输入的数据通过VNP33作为节点被输入贝叶斯网络系统30。
上述节点一被输入,在贝叶斯网络系统30中就通过贝叶斯网络推断并输出上述不良原因。
再者,上述警报器发出信号时的向设备2的操作员的联络,像上述那样由驻守在远程监视室12的设备生产商维修专家执行也可以,但通过专用线路等将警报器的发出信号自动地向操作员联络的话,从防止联络错误等人为误差的观点出发更优选。
对于上述声音数据的输入,使用图2进行说明。图2是声音的数据输入的流程图。
成套设备2的操作员收到上述警报器发出信号的意思联络后,启动设置在成套设备2附近的客户用终端32,按照图2的流程图,进行输入声音数据的准备。
上述操作员启动客户终端32且完成声音数据的输入准备后,在步骤S1中判断是否从运转中的燃气轮机发出异音且进行输入。
步骤S1为否定,即判断为没有异音的话,不用输入声音数据而结束。
在步骤S1为肯定,即判断为产生异音的话,进入步骤S2,在步骤S2选择产生异音的位置。
在步骤S2产生异音的位置被选择时,在步骤S3中,从预先准备的燃气轮机的各零件的异音的数据库中,参照位于上述选择的位置的零件的异音样本。
在步骤S3中参照异音的数据库时,在步骤S4中,在客户终端32上信息被显示为「请从样本中选择异音的种类」,并且,显示多个(本实施例中为5个)图标。步骤S3及步骤S4是在客户终端32内部进行的处理,步骤S2结束之后到步骤S4结束之前,操作员只要等待即可。
在步骤S4,上述的信息及图表被显示时,在步骤S5,操作员逐个点击上述图标。点击上述图标后,步骤S3中所参照的数据库内的异音的样本被分别重放,操作员逐个点击所显示的所有图标,聆听全部的异音样本,选择哪个异音样本和从燃气轮机发出的异音最接近。
在步骤S5,与从燃气轮机发出的异音最接近的异音样本被选择后,上述所选择的样本的数据通过图1所示的VPN33被传送到贝叶斯网络30。
上述异音样本的数据被传送后,在步骤S6,参照预先准备的各零件的异音的种类和故障原因间的因果关系的数据、其他的警报数据和故障原因的因果关系的数据及后述的各零件的燃烧形态和故障原因间的因果关系的数据,通过贝叶斯网络推断故障的原因,向客户终端32返发推断结果。
接着,使用图3对于上述形态数据的输入进行说明。再者,在此本实施例中的形态是指燃烧状况。图3是燃烧状况的数据输入的流程图。
成套设备2的操作员接到上述警报器发出的意思联络后,启动设置在成套设备2附近的客户用终端32,按照图3的流程图进行输入形态数据的准备。
上述操作员启动客户终端32且完成形态数据的输入准备后,在步骤S11判断在运转中的燃气轮机中能否观察燃烧状况并进行输入。
步骤S11为否定,即判断为不能观察燃烧状况时,不输入形态数据而结束。
步骤S11为肯定,即判断为能够观察燃烧状况时,进入步骤S12,在步骤S12选择能够观察燃烧状况的位置。
在步骤S12选择发生异音的位置后,在步骤S13,从预先准备的燃气轮机的各零件的燃烧焰的动画数据库中,参照位于上述所选择的位置的零件的燃烧焰的动画样本。
在步骤S13中参照燃烧焰的动画数据库后,在步骤S14在客户终端32上显示「请从样本中选择观察到的燃烧状况」的信息,并且,显示多个(本实施例中为5个)图标。步骤S13及步骤S14是在客户终端32内部进行的处理,从步骤S12结束之后到步骤S14结束之前,操作员只要等待即可。
在步骤S14显示上述的信息及图标,在步骤S15操作员逐个点击上述图标。点击上述图标后,在步骤S13中所参照的燃烧焰的动画数据库内的动画样本被分别重放,操作员逐个点击被显示的所有图标,查看全部的动画样本,选择哪个动画样本与在燃气轮机上观察到的燃烧状况最接近。
在步骤S15,与在燃气轮机中所观察到的燃烧状况最接近的动画样本被选择后,上述所选择的样本的数据通过图1所示的VPN33被发送到贝叶斯网络30。
上述燃烧焰的动画样本的数据被发送后,在步骤S16,参照预先准备的各零件的燃烧状况的种类和故障原因间的因果关系的数据、其他的警报数据和故障原因的因果关系的数据及各零件的异音和故障原因间的因果关系的数据,通过贝叶斯网络推断故障的原因,向客户终端32返发推断结果。
步骤S16和如图2所示的流程图中的步骤S6相同。
这样一来,通过准备异音样本及燃烧动画样本,并让操作员选择和实际的异音、燃烧状况接近的样本,虽然对具体的机器的不良情况难以数值化,但是能够尽量排除主观地收集有助于不良原因阐明的异音及燃烧状况的数据。
这样一来,将尽量排除主观地收集到的异音及燃烧状况的数据向节点追加,根据该异音、燃烧状况的数据及其他的上述监视装置得到的不良情况值,通过贝叶斯网络推断设备的不良原因,由此,可以提高不良原因的推断精度。
再有,在上述贝叶斯网络体系30中,输入全部单元的不良情况和其后的设备维修实绩的数据库34。在此所说的单元是指构成成套设备2内的燃气轮机的零件。
对于全部单元的不良情况和其后的设备维修实绩的数据库34,使用图4进行说明。图4是表示全部单元的不良情况和其后的设备维修实绩的数据库的输入和结果的输出的流程图。再有,图4中的流程图是全部在远程控制室12侧的步骤。
在步骤S21,向贝叶斯网络体系30输入在远程控制室12管理的多个成套设备中分别发生的不良现象的原因和其后在该成套设备中各成套设备用户实施的设备改善施工或维修施工的数据42,对于不良现象的原因和成套设备用户实施的设备改善施工或维修施工间的相关关系,构筑贝叶斯网络。再有,在此构筑的贝叶斯网络是在用于推断上述不良原因使用的贝叶斯网络之外另行构筑的网络,下面称为第二贝叶斯网络。
在远程管理室12中进行管理的成套设备(客户设备)中发生不良情况,且如图2、图3中说明的那样操作来推测上述不良原因后,在步骤S22将上述推测的不良原因输入第二贝叶斯网络。
在步骤S22中输入不良原因后,由该不良原因和在步骤S21中构筑的第二贝叶斯网络,对在步骤S23中产生不良情况的成套设备的用户以后实施的可能性较高的设备维修项目进行在概率上推断。
在步骤S23中完成在概率上推断后,在步骤S24,将今后实施的可能性较高的设备维修项目与不良原因的推断结果一起向成套设备用户提供,并对与上述维修施工相关的零件等集中地进行促销活动。
由此,成套设备用户与不良原因的推断结果一起得到与设备的改善施工或维修施工相关的信息,由此,能够对上述不良情况进行迅速地处理。
另外,实施远程管理的设备生产商能够与不良原因的推断结果一起对设备的改善施工、维修施工高精度地进行推测,并将该推测的结果提供给设备用户,因此,对于设备用户能够实施获得改善所必需的零件等、时机的市场运营。
此外,向上述贝叶斯网络系统30输入包含因事故造成的停止时间、修复内容的数据等的故障数据36。
对于故障数据36的输入和其活用,使用图5进行说明。
将计测值1,2...n的状态(它们是利用图1中的成套设备内计测仪器4测量的、通过远程监视用数据服务器6、远程监视服务器16向贝叶斯网络系统30发送的数据)、将使用图2说明的异音的状态、使用图3说明的燃烧状况的状态作为观测模式输入贝叶斯网络30后,如上述那样能够进行不良原因的推测,进而如以标号52表示的表格那样,推断所推测的不良原因Ci(i=1、2、3...)和发生Ci的概率P(Ci)(i=1、2、3...)。
另外,预先准备好在过去将上述不良原因Ci搁置的情况下用于修复的费用D(Ci)(i=1、2、3...)和用于修复的时间T(Ci)(i=1、2、3...)的数据,作为过去的不良情况数据库54。
根据上述贝叶斯网络系统30中的在概率上推断结果52和过去的不良情况数据库54,通过数1表示的数学式能够计算与将警报搁置的情况下所负担的成本有关的风险(Risk_cost)。
[数1]
计算为了维修上述不良情况所需的对策费用56,并与利用数1表示的公式计算的有关成本的风险(Risk_cost)进行比较,由此,判断是否应该对所发生的不良情况早期进行维修变得容易,并且能够进行定量地判断。
另外,根据上述贝叶斯网络系统30中的在概率上推断结果52和过去的不良情况数据库54,通过数2表示的数学式能够计算与将警报搁置的情况下所负担的有关修复时间有关的风险(Risk_period)。
[数2]
计算用于维修上述不良情况所必需的时间(修复时间),并与利用数1表示的数学式计算的与修复时间有关的风险(Risk_period)进行比较,由此,容易判断是否应该对所发生的不良情况早期进行维修,同时能够进行定量地判断。
由此,进行远程监视的设备生产商,能够定量地向客户说明对所发生的不良情况进行早期修复在考虑设备的寿命周期成本时是否最适合,因此,设备生产商的维修专家的可靠性也提高。
此外,全部单元的不良情况时间序列数据38与上述计测值1、2...n的状态、异音的状态及燃烧的状态一起,被输入上述贝叶斯网络。
对于全部单元的不良情况的时间序列数据,使用图6进行说明。
全部单元的不良情况的时间序列数据38是指在形成成套设备(客户设备)的各单元中,按时间序列排列地输入的过去发生的不良情况的数据。
通过将上述过去发生的不良情况按时间序列排列地输入贝叶斯网络,对于不良现象能够推测正在发生或者要发生的状态时接下来有可能发生的损伤因素。通过使用该推测结果,可以检查接下来有可能发生的不良现象是否要发生,能够尽早地采取对策。即,如果产生某不良现象,就可以推断接下来容易产生的不良现象,因此能够将定期检查时等的设备的检查项目设定为设备的不良情况的实绩中存在的项目,能够有效地进行检查。
此外,在定期检修等时,实际地调查上述不良原因,并将原因调查结果40输入贝叶斯网络系统30,以使用上述贝叶斯网络系统30推断的不良原因是否正确为依据,对该贝叶斯网络系统30的各节点间的带条件概率表的概率值进行更新时,贝叶斯网络的带条件概率表被更新,推断精度提高。
产业上的可利用性
能够用作推断结果具有充分的精度,能够推测不良情况修复的最佳修复时机及与某些不良情况同时发生或者在以后可能发生的其他不良情况,对于成套设备中使用的大型机器可采用的设备不良情况的管理方法。
Claims (5)
1.一种设备不良情况的管理方法,其通过监视装置监视设备的工作状态,将所述设备不良情况发生时所述监视设备得到的与设备的运转状态相关的计测值的数据作为节点,通过推断装置推断设备的不良原因,
其特征在于,从预先准备的多个声音数据中选择与从发生了所述不良情况的设备所产生的声音最接近的声音数据,
并且,从预先准备的形态数据中选择与发生了所述不良情况的设备的形态最接近的形态数据,
将所述被选择的声音数据及形态数据追加到所述节点,
根据该节点,通过第一贝叶斯网络推断设备的不良原因。
2.如权利要求1所述的设备不良情况的管理方法,其特征在于,对于所述设备过去的不良原因的推断结果和针对该推断结果的设备的修复实绩间的相关关系,构筑第二贝叶斯网络,通过该第二贝叶斯网络,对利用所述第一贝叶斯网络完成不良原因的推断的设备,进行实施的可能性较高的设备的修复方法的推断。
3.如权利要求1所述的设备不良情况的管理方法,其特征在于,关于所述设备或者类似的设备中的过去的不良原因的推断结果,将维修未采取适当的措施的情况下发生的故障所需的成本和所述推断结果一起数据库化,
使用所述数据库,并使用所述第一贝叶斯网络,对在将所述设备的不良情况搁置的情况下发生以该不良情况为原因的故障的概率进行推断,
计算并提示将所述推断的概率和维修所述故障所需的所述成本相乘所得的风险。
4.如权利要求3所述的设备不良情况的管理方法,其特征在于,计算维修所述不良原因所需的成本,并将该成本和所述风险进行比较。
5.如权利要求1所述的设备不良情况的管理方法,其特征在于,生成在所述设备中发生的不良原因的推断结果的时间序列数据,将该时间序列数据输入所述第一贝叶斯网络,对在所述设备中接下来发生概率较高的不良原因及其发生概率一起进行推断。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008-299451 | 2008-11-25 | ||
JP2008299451A JP5101465B2 (ja) | 2008-11-25 | 2008-11-25 | 設備の不具合管理方法 |
PCT/JP2009/065768 WO2010061681A1 (ja) | 2008-11-25 | 2009-09-09 | 設備の不具合管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101981421A true CN101981421A (zh) | 2011-02-23 |
CN101981421B CN101981421B (zh) | 2016-04-20 |
Family
ID=42225561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200980111139.0A Active CN101981421B (zh) | 2008-11-25 | 2009-09-09 | 设备不良情况的管理方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US9696718B2 (zh) |
JP (1) | JP5101465B2 (zh) |
KR (1) | KR101216293B1 (zh) |
CN (1) | CN101981421B (zh) |
GB (1) | GB2471805B (zh) |
MX (1) | MX2010010750A (zh) |
WO (1) | WO2010061681A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113014735A (zh) * | 2019-12-20 | 2021-06-22 | 东芝泰格有限公司 | 图像处理装置、信息处理方法以及记录介质 |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012003643A (ja) * | 2010-06-21 | 2012-01-05 | Mitsubishi Electric Corp | プラントの機器維持管理システム |
US8615686B2 (en) | 2010-07-02 | 2013-12-24 | At&T Intellectual Property I, L.P. | Method and system to prevent chronic network impairments |
US8751423B2 (en) * | 2010-11-30 | 2014-06-10 | General Electric Company | Turbine performance diagnostic system and methods |
US8996334B2 (en) * | 2011-03-02 | 2015-03-31 | General Electric Company | Method and system for analysis of turbomachinery |
US20130103356A1 (en) * | 2011-10-21 | 2013-04-25 | General Electric Company | Gas turbine monitoring system |
JP5819251B2 (ja) | 2012-05-14 | 2015-11-18 | 住友重機械工業株式会社 | 循環流動層ボイラの運転制御システム |
JP5925587B2 (ja) * | 2012-05-14 | 2016-05-25 | 住友重機械工業株式会社 | 循環流動層ボイラの運転診断方法及び運転診断装置 |
DE102012024392A1 (de) * | 2012-12-13 | 2014-06-18 | Heidelberger Druckmaschinen Ag | Vorrausschauende Servicebenachrichtigung |
JP5751496B2 (ja) * | 2012-12-27 | 2015-07-22 | 横河電機株式会社 | イベント解析装置およびコンピュータプログラム |
JP5816217B2 (ja) * | 2013-03-28 | 2015-11-18 | 本田技研工業株式会社 | 問診装置及び問診方法 |
US20150142677A1 (en) * | 2013-11-21 | 2015-05-21 | Cellco Partnership D/B/A Verizon Wireless | Method and apparatus for determining a metric for a predicted operational status of a product |
JP6415335B2 (ja) * | 2015-01-27 | 2018-10-31 | 三菱重工業株式会社 | 不具合診断方法及び不具合診断システム |
US9898001B2 (en) * | 2015-03-27 | 2018-02-20 | Rockwell Automation Technologies, Inc. | Systems and methods for enhancing monitoring of an industrial automation system |
DE102015008754B4 (de) * | 2015-07-06 | 2018-07-05 | Liebherr-Aerospace Lindenberg Gmbh | Zustandsüberwachung eines Stellantriebs in einem Fluggerät |
US10152394B2 (en) * | 2016-09-27 | 2018-12-11 | International Business Machines Corporation | Data center cost optimization using predictive analytics |
CN108764522A (zh) * | 2018-04-13 | 2018-11-06 | 华南理工大学 | 一种基于多变量输入的局部负荷预测方法 |
US10846184B2 (en) * | 2018-04-23 | 2020-11-24 | Dell Products, L.P. | System and method to predict and prevent power supply failures based on data center environmental behavior |
US10877539B2 (en) | 2018-04-23 | 2020-12-29 | Dell Products, L.P. | System and method to prevent power supply failures based on data center environmental behavior |
IT201800005091A1 (it) * | 2018-05-04 | 2019-11-04 | "Procedimento per monitorare lo stato di funzionamento di una stazione di lavorazione, relativo sistema di monitoraggio e prodotto informatico" | |
CN109508745A (zh) * | 2018-11-14 | 2019-03-22 | 上海交通大学 | 基于贝叶斯网络模型的燃气轮机气路故障的检测方法 |
KR102131941B1 (ko) | 2019-11-08 | 2020-07-08 | 농업회사법인 주식회사 고은 | 레일 이동형 작물 생육 측정장치 |
KR102337873B1 (ko) | 2021-08-31 | 2021-12-09 | 농업회사법인 주식회사 고은 | 빅데이터 수집을 위한 레일 이용형 작물 생육 측정장치 |
CN114139745A (zh) * | 2021-12-01 | 2022-03-04 | 北京磁浮有限公司 | 轨道交通供配电设施的信息处理与控制方法、装置及终端 |
CN115237098B (zh) * | 2022-08-04 | 2023-05-23 | 北京顺圆和合科技有限公司 | 一种智能网管安全型监控故障诊断系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6435237A (en) * | 1987-07-30 | 1989-02-06 | Anritsu Corp | Abnormality diagnosis for rotary machine |
US7113988B2 (en) * | 2000-06-29 | 2006-09-26 | International Business Machines Corporation | Proactive on-line diagnostics in a manageable network |
US20060241916A1 (en) * | 2003-12-31 | 2006-10-26 | Sieracki Jeffrey M | System and method for acoustic signature extraction, detection, discrimination, and localization |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6435238A (en) * | 1987-07-30 | 1989-02-06 | Anritsu Corp | Abnormality diagnosing apparatus for mechanical equipment |
JPH0534214Y2 (zh) * | 1987-08-27 | 1993-08-30 | ||
US5130936A (en) * | 1990-09-14 | 1992-07-14 | Arinc Research Corporation | Method and apparatus for diagnostic testing including a neural network for determining testing sufficiency |
JPH04299740A (ja) * | 1991-03-28 | 1992-10-22 | Ricoh Co Ltd | 知識情報処理装置 |
JPH06241956A (ja) * | 1993-02-23 | 1994-09-02 | Toshiba Corp | プラントリスク分析システム |
US5566092A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Machine fault diagnostics system and method |
US6535865B1 (en) | 1999-07-14 | 2003-03-18 | Hewlett Packard Company | Automated diagnosis of printer systems using Bayesian networks |
FR2814901B1 (fr) * | 2000-10-04 | 2003-01-31 | Jean Patrick Azpitarte | Systeme pour la gestion a distance de la maitenance d'un ensemble d 'equipements |
JP2003303244A (ja) * | 2002-02-07 | 2003-10-24 | Osaka Gas Co Ltd | 故障情報システム |
JP2003315213A (ja) | 2002-04-25 | 2003-11-06 | Toshiba Corp | 振動診断装置およびその方法 |
DE10222399B4 (de) * | 2002-05-21 | 2007-08-09 | Siemens Ag | Steuerungsverfahren und System zur automatischen Vorbearbeitung von Gerätestörungen |
CN1244801C (zh) | 2003-08-01 | 2006-03-08 | 重庆大学 | 旋转机械故障智能诊断方法与装置 |
US7260501B2 (en) * | 2004-04-21 | 2007-08-21 | University Of Connecticut | Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance |
JP2005309077A (ja) * | 2004-04-21 | 2005-11-04 | Fuji Xerox Co Ltd | 故障診断方法および故障診断装置、並びに搬送装置および画像形成装置、並びにプログラムおよび記憶媒体 |
JP4538845B2 (ja) * | 2004-04-21 | 2010-09-08 | 富士ゼロックス株式会社 | 故障診断方法および故障診断装置、画像形成装置、並びにプログラムおよび記憶媒体 |
DE102004043875A1 (de) | 2004-09-10 | 2006-03-16 | Frank Bechtold | Verfahren und System zur Optimierung der Erkennung oder der Erkennungssicherheit bei der Identifikation oder Verifikation von Prüfobjekten |
US9820658B2 (en) * | 2006-06-30 | 2017-11-21 | Bao Q. Tran | Systems and methods for providing interoperability among healthcare devices |
JP2006077938A (ja) * | 2004-09-13 | 2006-03-23 | Nsk Ltd | 異常診断装置 |
JP2007025878A (ja) * | 2005-07-13 | 2007-02-01 | Mitsubishi Heavy Ind Ltd | プラント用保全支援システム |
JP4710495B2 (ja) | 2005-09-06 | 2011-06-29 | 富士ゼロックス株式会社 | 故障診断システム、画像形成装置及び故障診断方法 |
JP4514154B2 (ja) * | 2006-01-13 | 2010-07-28 | 日本電信電話株式会社 | 類似状況検索システムおよび類似状況検索方法 |
CN100469138C (zh) | 2006-05-15 | 2009-03-11 | 华北电力大学(北京) | 基于视频监控与图像识别的电力变压器风机状态识别方法 |
CN1845605A (zh) | 2006-05-15 | 2006-10-11 | 华北电力大学(北京) | 电力高压断路器开关状态实时监测的图像处理与识别方法 |
JP2008224745A (ja) | 2007-03-08 | 2008-09-25 | Fuji Xerox Co Ltd | 画像処理装置、画像処理プログラム、故障診断装置、及び故障診断プログラム |
EP2031517A1 (en) * | 2007-08-28 | 2009-03-04 | Toyota Motor Europe NV | Methods and systems for data processing and their applications |
US8463641B2 (en) * | 2007-10-05 | 2013-06-11 | The Boeing Company | Method and system using linear programming for estimating test costs for bayesian diagnostic models |
-
2008
- 2008-11-25 JP JP2008299451A patent/JP5101465B2/ja active Active
-
2009
- 2009-09-09 GB GB1018260.8A patent/GB2471805B/en active Active
- 2009-09-09 WO PCT/JP2009/065768 patent/WO2010061681A1/ja active Application Filing
- 2009-09-09 US US12/921,494 patent/US9696718B2/en active Active
- 2009-09-09 CN CN200980111139.0A patent/CN101981421B/zh active Active
- 2009-09-09 KR KR1020107020443A patent/KR101216293B1/ko active IP Right Grant
- 2009-09-09 MX MX2010010750A patent/MX2010010750A/es active IP Right Grant
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6435237A (en) * | 1987-07-30 | 1989-02-06 | Anritsu Corp | Abnormality diagnosis for rotary machine |
US7113988B2 (en) * | 2000-06-29 | 2006-09-26 | International Business Machines Corporation | Proactive on-line diagnostics in a manageable network |
US20060241916A1 (en) * | 2003-12-31 | 2006-10-26 | Sieracki Jeffrey M | System and method for acoustic signature extraction, detection, discrimination, and localization |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113014735A (zh) * | 2019-12-20 | 2021-06-22 | 东芝泰格有限公司 | 图像处理装置、信息处理方法以及记录介质 |
Also Published As
Publication number | Publication date |
---|---|
GB2471805A (en) | 2011-01-12 |
KR20100113635A (ko) | 2010-10-21 |
CN101981421B (zh) | 2016-04-20 |
GB201018260D0 (en) | 2010-12-15 |
JP5101465B2 (ja) | 2012-12-19 |
MX2010010750A (es) | 2010-10-15 |
US9696718B2 (en) | 2017-07-04 |
JP2010128553A (ja) | 2010-06-10 |
WO2010061681A1 (ja) | 2010-06-03 |
GB2471805B (en) | 2015-06-10 |
KR101216293B1 (ko) | 2012-12-28 |
US20110046995A1 (en) | 2011-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101981421A (zh) | 设备不良情况的管理方法 | |
US11586193B2 (en) | Remote diagnostic systems and methods for predictive maintenance programs | |
CN109001649B (zh) | 一种电源智能诊断系统及保护方法 | |
US8126679B2 (en) | Automatic remote monitoring and diagnostics system | |
CA2889685C (en) | Method, device, and computer program for monitoring an industrial control system | |
US6834256B2 (en) | Method and system for determining motor reliability | |
CN1862278B (zh) | 预测电动机剩余寿命的方法和系统 | |
US9703754B2 (en) | Automatic remote monitoring and diagnosis system | |
EP2051086A2 (en) | Method and system for remotely predicting the remaining life of an AC motor system | |
JP2002006942A (ja) | 遠隔監視診断システム、及び遠隔監視診断方法 | |
US20040199573A1 (en) | System and method for remote diagnosis of distributed objects | |
CN109885978A (zh) | 一种遥感地面站故障诊断系统及方法 | |
JP5292182B2 (ja) | 水処理設備管理システム | |
Cho et al. | DeepALM: holistic optical network monitoring based on machine learning | |
WO2017048269A1 (en) | Method and apparatus for aligning central recommendations with local action intentions | |
CN117194188A (zh) | 服务器健康诊断的方法、系统、电子设备及存储介质 | |
CN117291578A (zh) | 一种基于桥边分析的图预想故障分析方法及装置 | |
CN115335790A (zh) | 用于诊断消息方法和系统 | |
CN116910615A (zh) | 一种核电厂故障溯源及辅助决策系统 | |
CN117030007A (zh) | 一种火电厂旋转机械振动监测方法及系统 | |
Akyamac et al. | Predicting home network problems using diverse data | |
CN111951944A (zh) | 一种辅助管理工程师的方法和平台 | |
WO2017039665A1 (en) | Method and apparatus for rating failure data structures |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |