JP2003015877A - 事例ベース推論方法および事例ベース推論装置 - Google Patents
事例ベース推論方法および事例ベース推論装置Info
- Publication number
- JP2003015877A JP2003015877A JP2001196378A JP2001196378A JP2003015877A JP 2003015877 A JP2003015877 A JP 2003015877A JP 2001196378 A JP2001196378 A JP 2001196378A JP 2001196378 A JP2001196378 A JP 2001196378A JP 2003015877 A JP2003015877 A JP 2003015877A
- Authority
- JP
- Japan
- Prior art keywords
- data
- similarity
- case
- cases
- process data
- 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 And Monitoring For Control Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【課題】 新規の不具合事例に類似する適切な過去の不
具合事例を自動的に抽出し、迅速な不具合発生原因の解
明および対処方法の決定を支援することができる事例ベ
ース推論方法および推論装置を提供する。 【解決手段】 監視対象から得られたプロセスデータを
定性化処理し、得られた定性化データと全事例の定性化
データとの類似度を算出し、前記全事例のうち一定の類
似度を有するものについて、類似度の高い順にその事例
データを抽出するものである。
具合事例を自動的に抽出し、迅速な不具合発生原因の解
明および対処方法の決定を支援することができる事例ベ
ース推論方法および推論装置を提供する。 【解決手段】 監視対象から得られたプロセスデータを
定性化処理し、得られた定性化データと全事例の定性化
データとの類似度を算出し、前記全事例のうち一定の類
似度を有するものについて、類似度の高い順にその事例
データを抽出するものである。
Description
【０００１】
【発明の属する技術分野】本発明は、事例ベース推論方
法および事例ベース推論装置に関する。さらに詳しく
は、監視対象や監視対象システムなどに不具合が発生し
たときにより適切な類似過去事例を抽出するための事例
ベース推論方法および事例ベース推論装置に関する。
法および事例ベース推論装置に関する。さらに詳しく
は、監視対象や監視対象システムなどに不具合が発生し
たときにより適切な類似過去事例を抽出するための事例
ベース推論方法および事例ベース推論装置に関する。
【０００２】
【従来の技術】一般に、発電施設などの各種プラント、
航空機、自動車、鉄道車両および船舶などの移動体、な
らびにロボットというような、悪環境下での連続運転が
要求されることが多い設備や機械においては、故障や不
具合（以下、単に不具合という）の発生は避けがたい。
したがって、このような設備や機械においては、操業停
止などによる損害を最小限に抑制するように、発生した
不具合に迅速に対処するためのメンテナンスが重要とさ
れる。
航空機、自動車、鉄道車両および船舶などの移動体、な
らびにロボットというような、悪環境下での連続運転が
要求されることが多い設備や機械においては、故障や不
具合（以下、単に不具合という）の発生は避けがたい。
したがって、このような設備や機械においては、操業停
止などによる損害を最小限に抑制するように、発生した
不具合に迅速に対処するためのメンテナンスが重要とさ
れる。
【０００３】そして、従来より、前掲のような各種設備
や機械において不具合が発生した際には、不具合発生の
原因を探究するために、あるいは発生した不具合への対
処方法を決定するため、過去の不具合事例が資料として
用いられるのが通常である。ところが、そのような資料
は、従来、書面として管理されることが多く、このよう
な場合、不具合の発生に即応して適切な事例を抽出する
ことは資料が膨大となるにつれて困難になっていく。
や機械において不具合が発生した際には、不具合発生の
原因を探究するために、あるいは発生した不具合への対
処方法を決定するため、過去の不具合事例が資料として
用いられるのが通常である。ところが、そのような資料
は、従来、書面として管理されることが多く、このよう
な場合、不具合の発生に即応して適切な事例を抽出する
ことは資料が膨大となるにつれて困難になっていく。
【０００４】また、このような書面の資料によるもの以
外に、不具合発生の際のメンテナンス実施態様としては
下記のようなものがある。
外に、不具合発生の際のメンテナンス実施態様としては
下記のようなものがある。
【０００５】（１）メンテナンスの対象となるシステム
や機械の各種運転データを公衆回線を介して遠隔監視装
置により常時収集し、不具合発生時のエラーメッセージ
および不具合発生直前の所定時間内における運転データ
に基づいて、保守要員や関連技術者（以下、両者を含め
て調整員と称する）が不具合発生の原因を探究する。
や機械の各種運転データを公衆回線を介して遠隔監視装
置により常時収集し、不具合発生時のエラーメッセージ
および不具合発生直前の所定時間内における運転データ
に基づいて、保守要員や関連技術者（以下、両者を含め
て調整員と称する）が不具合発生の原因を探究する。
【０００６】（２）調整員が対象システムや機械に対し
て、検査および調整のための運転を行い、過去の不具合
事例や自らの経験に基づき不具合発生の原因を探究す
る。
て、検査および調整のための運転を行い、過去の不具合
事例や自らの経験に基づき不具合発生の原因を探究す
る。
【０００７】（３）過去の不具合事例をコンピュータで
データベース化し、このデータベースの中から各調整員
がキーワード検索等によって適切な事例を見つけ出し、
不具合発生の原因を探究する。
データベース化し、このデータベースの中から各調整員
がキーワード検索等によって適切な事例を見つけ出し、
不具合発生の原因を探究する。
【０００８】ところが、前掲（１）の方法は、対象シス
テムがプラント施設などである場合は特に収集されるデ
ータ点数が多く、全てのデータを観察し、不具合発生の
原因を探究するのに膨大な時間を要するという問題があ
る。
テムがプラント施設などである場合は特に収集されるデ
ータ点数が多く、全てのデータを観察し、不具合発生の
原因を探究するのに膨大な時間を要するという問題があ
る。
【０００９】前掲（２）の方法は、調整員の経験や知識
などの調整員個人の能力によって不具合発生原因の探究
力が左右されることになり、安定性に欠けるという問題
がある。
などの調整員個人の能力によって不具合発生原因の探究
力が左右されることになり、安定性に欠けるという問題
がある。
【００１０】前掲（３）の方法は、データベースに過去
の不具合事例を蓄積することによって、調整員相互で経
験・知識を共有することができるという利点はある。と
ころが、事例が蓄積されるにつれてデータベースが膨大
となり、調整員が短時間で適切な事例を探索するのが困
難になるという問題がある。
の不具合事例を蓄積することによって、調整員相互で経
験・知識を共有することができるという利点はある。と
ころが、事例が蓄積されるにつれてデータベースが膨大
となり、調整員が短時間で適切な事例を探索するのが困
難になるという問題がある。
【００１１】そこで、調整員の個人的能力によらず適切
な事例を自動的に抽出するシステムが必要とされる。
な事例を自動的に抽出するシステムが必要とされる。
【００１２】このようなシステムとして、例えば、特開
平１０−２７５０８２号公報記載の事例ベース推論シス
テムは、新規に発生した不具合のエラーログおよび運転
データと過去の不具合事例のエラーログおよび運転デー
タとを比較して、各過去事例の新規事例との類似度を算
出し、算出された各類似度に基づき信頼度関数を作成し
て、ある閾値以上の類似度をもつ過去事例の中から信頼
度の高いものを順次抽出していくものとしている。
平１０−２７５０８２号公報記載の事例ベース推論シス
テムは、新規に発生した不具合のエラーログおよび運転
データと過去の不具合事例のエラーログおよび運転デー
タとを比較して、各過去事例の新規事例との類似度を算
出し、算出された各類似度に基づき信頼度関数を作成し
て、ある閾値以上の類似度をもつ過去事例の中から信頼
度の高いものを順次抽出していくものとしている。
【００１３】ところが、例えばプロセス制御が行われる
プラントなどの運転データ（以下、プロセスデータとい
う）は、外気環境などの各種要因に応じて各プロセスデ
ータ相互の関係が変化するとともに、不具合発生時にお
けるプロセスデータの挙動・変動の態様も大きく変化し
てしまう。このようないわゆる動的データにおいて、各
プロセスデータを定量的に比較して前掲の類似度を算出
するものとした場合、前掲の各種要因の影響を除去する
のは事実上不可能であることから、算出される類似度に
不可避的に無視し得ない誤差が含まれるのが通常であ
る。
プラントなどの運転データ（以下、プロセスデータとい
う）は、外気環境などの各種要因に応じて各プロセスデ
ータ相互の関係が変化するとともに、不具合発生時にお
けるプロセスデータの挙動・変動の態様も大きく変化し
てしまう。このようないわゆる動的データにおいて、各
プロセスデータを定量的に比較して前掲の類似度を算出
するものとした場合、前掲の各種要因の影響を除去する
のは事実上不可能であることから、算出される類似度に
不可避的に無視し得ない誤差が含まれるのが通常であ
る。
【００１４】また、信頼度関数は、各不具合事例の類似
度および不具合事例の種類との関係により作成されるた
め、この信頼度関数にも誤差が含まれることとなり、し
たがってこの信頼度関数を用いて演算される信頼度にも
誤差が含まれることになるため、このような定量的手法
により算出される類似度および信頼度を用いては、適切
な事例を選出することは困難であるといえる。
度および不具合事例の種類との関係により作成されるた
め、この信頼度関数にも誤差が含まれることとなり、し
たがってこの信頼度関数を用いて演算される信頼度にも
誤差が含まれることになるため、このような定量的手法
により算出される類似度および信頼度を用いては、適切
な事例を選出することは困難であるといえる。
【００１５】
【発明が解決しようとする課題】本発明はかかる従来技
術の課題に鑑みなされたものであって、従来の定量的手
法によらず定性的手法により不具合事例を分析するよう
にして、新規の不具合事例に類似する適切な過去の不具
合事例を自動的に抽出し、迅速な不具合発生原因の解明
および対処方法の決定を支援することができる事例ベー
ス推論方法および推論装置を提供することを主たる目的
とし、それらの事例ベース推論方法および推論装置を用
いた診断方法および診断装置を提供することをも目的と
している。
術の課題に鑑みなされたものであって、従来の定量的手
法によらず定性的手法により不具合事例を分析するよう
にして、新規の不具合事例に類似する適切な過去の不具
合事例を自動的に抽出し、迅速な不具合発生原因の解明
および対処方法の決定を支援することができる事例ベー
ス推論方法および推論装置を提供することを主たる目的
とし、それらの事例ベース推論方法および推論装置を用
いた診断方法および診断装置を提供することをも目的と
している。
【００１６】
【課題を解決するための手段】本発明の第１形態の第１
態様は、監視対象から得られたプロセスデータを定性化
処理し、得られた定性化データと全事例の定性化データ
との類似度を算出し、前記全事例のうち一定の類似度を
有するものについて、類似度の高い順にその事例データ
を抽出することを特徴とする事例ベース推論方法に関す
る。
態様は、監視対象から得られたプロセスデータを定性化
処理し、得られた定性化データと全事例の定性化データ
との類似度を算出し、前記全事例のうち一定の類似度を
有するものについて、類似度の高い順にその事例データ
を抽出することを特徴とする事例ベース推論方法に関す
る。
【００１７】本発明の第１形態の第２態様は、監視対象
から得られたプロセスデータを定性化処理し、得られた
定性化データと全事例の定性化データとの類似度を算出
し、前記全事例のうち一定の類似度を有するものについ
て、類似度の高い順にその事例データを抽出し、その抽
出された事例データに基づいて監視対象の診断をなすこ
とを特徴とする診断方法に関する。
から得られたプロセスデータを定性化処理し、得られた
定性化データと全事例の定性化データとの類似度を算出
し、前記全事例のうち一定の類似度を有するものについ
て、類似度の高い順にその事例データを抽出し、その抽
出された事例データに基づいて監視対象の診断をなすこ
とを特徴とする診断方法に関する。
【００１８】本発明の第１形態においては、プロセスデ
ータから波高率および変動率を算出し、得られた波高率
および変動率を閾値処理してパターン化することによ
り、前記プロセスデータが定性化処理されるのが好まし
い。
ータから波高率および変動率を算出し、得られた波高率
および変動率を閾値処理してパターン化することによ
り、前記プロセスデータが定性化処理されるのが好まし
い。
【００１９】さらに、本発明の第１形態においては、プ
ロセスデータおよび事例データに音響データおよび／ま
たは画像データが含まれているのが好ましい。
ロセスデータおよび事例データに音響データおよび／ま
たは画像データが含まれているのが好ましい。
【００２０】本発明の第２形態の第１態様は、監視対象
から得られたプロセスデータを定性化処理し、得られた
定性化データと全事例の定性化データとの類似度を算出
し、前記全事例のうち一定の類似度を有するものについ
て、類似度の高い順にその事例データを抽出するよう構
成されてなることを特徴とする事例ベース推論装置に関
する。
から得られたプロセスデータを定性化処理し、得られた
定性化データと全事例の定性化データとの類似度を算出
し、前記全事例のうち一定の類似度を有するものについ
て、類似度の高い順にその事例データを抽出するよう構
成されてなることを特徴とする事例ベース推論装置に関
する。
【００２１】本発明の第２形態の第２態様は、監視対象
から得られたプロセスデータを定性化処理し、得られた
定性化データと全事例の定性化データとの類似度を算出
し、前記全事例のうち一定の類似度を有するものについ
て、類似度の高い順にその事例データを抽出し、その抽
出された事例データに基づいて監視対象の診断をなすよ
う構成されてなることを特徴とする診断装置に関する。
から得られたプロセスデータを定性化処理し、得られた
定性化データと全事例の定性化データとの類似度を算出
し、前記全事例のうち一定の類似度を有するものについ
て、類似度の高い順にその事例データを抽出し、その抽
出された事例データに基づいて監視対象の診断をなすよ
う構成されてなることを特徴とする診断装置に関する。
【００２２】本発明の第２形態においては、プロセスデ
ータから波高率および変動率を算出し、得られた波高率
および変動率を閾値処理してパターン化することによ
り、前記プロセスデータが定性化処理されるのが好まし
い。
ータから波高率および変動率を算出し、得られた波高率
および変動率を閾値処理してパターン化することによ
り、前記プロセスデータが定性化処理されるのが好まし
い。
【００２３】さらに、本発明の第２形態においては、プ
ロセスデータおよび事例データに音響データおよび／ま
たは画像データが含まれているのが好ましい。
ロセスデータおよび事例データに音響データおよび／ま
たは画像データが含まれているのが好ましい。
【００２４】本発明の第３形態の第１態様は、コンピュ
ータに事例推論をなさしめるためのコンピュータプログ
ラムであって、監視対象から得られたプロセスデータを
定性化処理する手順と、得られた定性化データと全事例
の定性化データとの類似度を算出する手順と、前記全事
例のうち一定の類似度を有するものについて、類似度の
高い順にその事例データを抽出する手順とを含んでなる
ことを特徴とするコンピュータプログラムに関する。
ータに事例推論をなさしめるためのコンピュータプログ
ラムであって、監視対象から得られたプロセスデータを
定性化処理する手順と、得られた定性化データと全事例
の定性化データとの類似度を算出する手順と、前記全事
例のうち一定の類似度を有するものについて、類似度の
高い順にその事例データを抽出する手順とを含んでなる
ことを特徴とするコンピュータプログラムに関する。
【００２５】本発明の第３形態の第２態様は、コンピュ
ータに監視対象の診断をなさしめるためのコンピュータ
プログラムであって、監視対象から得られたプロセスデ
ータを定性化処理する手順と、得られた定性化データと
全事例の定性化データとの類似度を算出する手順と、前
記全事例のうち一定の類似度を有するものについて、類
似度の高い順にその事例データを抽出する手順と、その
抽出された事例データに基づいて監視対象の診断をなす
手順とを含んでなることを特徴とするコンピュータプロ
グラムに関する。
ータに監視対象の診断をなさしめるためのコンピュータ
プログラムであって、監視対象から得られたプロセスデ
ータを定性化処理する手順と、得られた定性化データと
全事例の定性化データとの類似度を算出する手順と、前
記全事例のうち一定の類似度を有するものについて、類
似度の高い順にその事例データを抽出する手順と、その
抽出された事例データに基づいて監視対象の診断をなす
手順とを含んでなることを特徴とするコンピュータプロ
グラムに関する。
【００２６】本発明の第３形態においては、定性化処理
する手順が、プロセスデータから波高率および変動率を
算出する手順と、得られた波高率および変動率を閾値処
理してパターン化する手順とを含んでなるのが好まし
い。
する手順が、プロセスデータから波高率および変動率を
算出する手順と、得られた波高率および変動率を閾値処
理してパターン化する手順とを含んでなるのが好まし
い。
【００２７】さらに、本発明の第３形態においては、プ
ロセスデータおよび事例データに音響データおよび／ま
たは画像データが含まれているのが好ましい。
ロセスデータおよび事例データに音響データおよび／ま
たは画像データが含まれているのが好ましい。
【００２８】しかして、本発明のコンピュータプログラ
ムは、記録媒体に格納される。
ムは、記録媒体に格納される。
【００２９】
【作用】本発明の事例推論方法および推論装置は、前記
の如く構成されているので、過去の全事例の中から類似
度の高い事例を迅速に推論することができる。また、本
発明の診断方法および診断装置は、前記の如く構成され
ているので、過去の事例に基づいて迅速に監視対象の不
具合の診断がなし得る。
の如く構成されているので、過去の全事例の中から類似
度の高い事例を迅速に推論することができる。また、本
発明の診断方法および診断装置は、前記の如く構成され
ているので、過去の事例に基づいて迅速に監視対象の不
具合の診断がなし得る。
【００３０】
【発明の実施の形態】以下、添付図面を参照しながら本
発明を実施形態に基づいて説明するが、本発明はかかる
実施形態のみに限定されるものではない。
発明を実施形態に基づいて説明するが、本発明はかかる
実施形態のみに限定されるものではない。
【００３１】図１に、本発明の一実施形態に係る事例ベ
ース推論方法が適用されるメンテナンスシステムの概略
構成を示し、このメンテナンスシステムＡは、例えば発
電プラントで用いられるガスタービンの運転状態を監視
し、このような監視対象システムＢに故障等の不具合が
発生したときに、過去の不具合事例の中から適切な不具
合事例を自動的に抽出するようにして、オペレータが迅
速に不具合発生の原因を解明しその対処方法を決定でき
るように支援するためのシステムとされる。
ース推論方法が適用されるメンテナンスシステムの概略
構成を示し、このメンテナンスシステムＡは、例えば発
電プラントで用いられるガスタービンの運転状態を監視
し、このような監視対象システムＢに故障等の不具合が
発生したときに、過去の不具合事例の中から適切な不具
合事例を自動的に抽出するようにして、オペレータが迅
速に不具合発生の原因を解明しその対処方法を決定でき
るように支援するためのシステムとされる。
【００３２】メンテナンスシステムＡは、具体的には、
データ収集部１０と、データ処理部２０と、推論部３０
と、推論結果を表示する表示部４０と、新規の不具合事
例に関するデータに所定の定性化処理を実施してデータ
ベースに登録する登録部５０とを主要構成要素として備
えてなるものとされる。
データ収集部１０と、データ処理部２０と、推論部３０
と、推論結果を表示する表示部４０と、新規の不具合事
例に関するデータに所定の定性化処理を実施してデータ
ベースに登録する登録部５０とを主要構成要素として備
えてなるものとされる。
【００３３】データ収集部１０は、監視対象システムＢ
のプロセスデータを収集する。
のプロセスデータを収集する。
【００３４】また、プロセスデータは、監視対象システ
ムＢの各部の状態を表すデータであって、例えばガスタ
ービンの排気温度、圧縮機の潤滑油圧力、排気ガス流量
および振動などの各種状態量の変化を時系列的に記録し
たデータとされる。
ムＢの各部の状態を表すデータであって、例えばガスタ
ービンの排気温度、圧縮機の潤滑油圧力、排気ガス流量
および振動などの各種状態量の変化を時系列的に記録し
たデータとされる。
【００３５】データ収集部１０で収集されるプロセスデ
ータは、その時点までの一定期間内のものがプロセスデ
ータ格納部１１に格納される。また、データ収集部１０
で収集される情報には、故障時に発生する異音などを記
録した音響情報および故障状態を視覚的に記録した画像
情報が含まれるものとされる。
ータは、その時点までの一定期間内のものがプロセスデ
ータ格納部１１に格納される。また、データ収集部１０
で収集される情報には、故障時に発生する異音などを記
録した音響情報および故障状態を視覚的に記録した画像
情報が含まれるものとされる。
【００３６】データ処理部２０は、データ収集部１０に
より収集されたプロセスデータに所定の定性化処理を実
施して定性化データを生成する。この定性化処理につい
ては後で詳しく説明する。このデータ処理部２０により
生成された定性化データは、定性化データ格納部２１に
格納される。
より収集されたプロセスデータに所定の定性化処理を実
施して定性化データを生成する。この定性化処理につい
ては後で詳しく説明する。このデータ処理部２０により
生成された定性化データは、定性化データ格納部２１に
格納される。
【００３７】推論部３０は、事例ベース推論の手法によ
って、新規に発生した不具合の定性化データを用いて事
例データベース５１に格納されている過去の不具合事例
の中から新規の不具合事例に類似する各事例を抽出する
ための推論処理を実施する。推論部３０が実施する推論
処理についても後で詳しく説明する。また、推論部３０
における推論結果は、推論結果格納部３１に格納され
る。
って、新規に発生した不具合の定性化データを用いて事
例データベース５１に格納されている過去の不具合事例
の中から新規の不具合事例に類似する各事例を抽出する
ための推論処理を実施する。推論部３０が実施する推論
処理についても後で詳しく説明する。また、推論部３０
における推論結果は、推論結果格納部３１に格納され
る。
【００３８】表示部４０は、推論結果格納部３１に格納
された各データを表示する。
された各データを表示する。
【００３９】登録部５０は、新規の不具合事例について
オペレータが事例データとして事例データベース５１に
登録するのが適当か否かを判断した判断結果に応じて、
新規の不具合に関するデータを事例データとして事例デ
ータベース５１に登録する。
オペレータが事例データとして事例データベース５１に
登録するのが適当か否かを判断した判断結果に応じて、
新規の不具合に関するデータを事例データとして事例デ
ータベース５１に登録する。
【００４０】図２に、事例データベース５１の構成例を
示す。この構成では、各事例毎の各項目に対応する情報
を記録する情報記録部３１ａと、データ収集部１０によ
り収集された前掲の音響情報および画像情報を記録する
音響・画像情報記録部３１ｂと、データ収集部１０を経
てデータ処理部２０により生成された定性化データを記
録する定性化データ記録部３１ｃとが設けられるものと
される。
示す。この構成では、各事例毎の各項目に対応する情報
を記録する情報記録部３１ａと、データ収集部１０によ
り収集された前掲の音響情報および画像情報を記録する
音響・画像情報記録部３１ｂと、データ収集部１０を経
てデータ処理部２０により生成された定性化データを記
録する定性化データ記録部３１ｃとが設けられるものと
される。
【００４１】以下、図３を参照して、メンテナンスシス
テムＡが実施する各処理を概略的に説明する。
テムＡが実施する各処理を概略的に説明する。
【００４２】ステップＳ１：新規の不具合についてプロ
セスデータを収集する。
セスデータを収集する。
【００４３】ステップＳ２：ステップＳ１で収集された
プロセスデータを用いて当該新規不具合について定性化
データを生成する定性化処理を実施する。以下、定性化
処理を具体的に説明する。
プロセスデータを用いて当該新規不具合について定性化
データを生成する定性化処理を実施する。以下、定性化
処理を具体的に説明する。
【００４４】例えば、図４のグラフ図に示されるよう
に、１つのプロセスデータＣ（例えば、ガスタービンの
排気温度）が不具合の発生時刻ｔ0の直前に突出部Ｄを
形成するように増加し、その後、時刻ｔ5までに急速に
減少するように変化した場合を考える。ここで、任意の
時刻ｔにおけるプロセスデータＣの値をｘ（ｔ）で表
し、時刻ｔ0とそれ以前の所定時刻ｔ2との期間を符号Ｔ
Ｓ1で表し、時刻ｔ0以前で時刻ｔ2以後の所定時刻ｔ
1と、時刻ｔ2以前の所定時刻ｔ3との期間を符号ＴＳ2で
表し、時刻ｔ1と、時刻ｔ3以前の所定時刻ｔ4との期間
を符号ＴＳ3で表すものとする。
に、１つのプロセスデータＣ（例えば、ガスタービンの
排気温度）が不具合の発生時刻ｔ0の直前に突出部Ｄを
形成するように増加し、その後、時刻ｔ5までに急速に
減少するように変化した場合を考える。ここで、任意の
時刻ｔにおけるプロセスデータＣの値をｘ（ｔ）で表
し、時刻ｔ0とそれ以前の所定時刻ｔ2との期間を符号Ｔ
Ｓ1で表し、時刻ｔ0以前で時刻ｔ2以後の所定時刻ｔ
1と、時刻ｔ2以前の所定時刻ｔ3との期間を符号ＴＳ2で
表し、時刻ｔ1と、時刻ｔ3以前の所定時刻ｔ4との期間
を符号ＴＳ3で表すものとする。
【００４５】そして、下記式（１）、（２）および
（３）により、各期間ＴＳ1，ＴＳ2，ＴＳ3毎の上方向
および下方向の各波高率αU，αDおよび変動率βを算出
する。
（３）により、各期間ＴＳ1，ＴＳ2，ＴＳ3毎の上方向
および下方向の各波高率αU，αDおよび変動率βを算出
する。
【００４６】
αU＝ｘmax（ＴＳn）÷ａｖｅ．ｘ（ＴＳn） （１）
αD＝ｘmin（ＴＳn）÷ａｖｅ．ｘ（ＴＳn） （２）
β＝σｘ（ＴＳn）÷ａｖｅ．ｘ（ＴＳn） （３）
【００４７】ここで、ｘmax（ＴＳn）：期間ＴＳ
n（ｎ：ｎ＝１、２、・・・）におけるｘ（ｔ）の最大
値、ｘmin（ＴＳn）：期間ＴＳnにおけるｘ（ｔ）の最
小値、ａｖｅ．ｘ（ＴＳn）：期間ＴＳnにおけるｘ
（ｔ）の平均値、σｘ（ＴＳn）：期間ＴＳnにおけるｘ
（ｔ）の偏差値をそれぞれ表すものとする。
n（ｎ：ｎ＝１、２、・・・）におけるｘ（ｔ）の最大
値、ｘmin（ＴＳn）：期間ＴＳnにおけるｘ（ｔ）の最
小値、ａｖｅ．ｘ（ＴＳn）：期間ＴＳnにおけるｘ
（ｔ）の平均値、σｘ（ＴＳn）：期間ＴＳnにおけるｘ
（ｔ）の偏差値をそれぞれ表すものとする。
【００４８】各波高率αU、αDは、プロセスデータＣ
が、突発的・一時的に変化する突出部（突辺）の有無を
判断するために用いる無次元量の指標であり、上方向波
高率α Uは、プロセスデータＣの上方向への突出部（突
辺）の有無を示す指標、下方向波高率αDは、プロセス
データＣの下方向への突辺の有無を示す指標として用い
られる。
が、突発的・一時的に変化する突出部（突辺）の有無を
判断するために用いる無次元量の指標であり、上方向波
高率α Uは、プロセスデータＣの上方向への突出部（突
辺）の有無を示す指標、下方向波高率αDは、プロセス
データＣの下方向への突辺の有無を示す指標として用い
られる。
【００４９】また、変動率βは、各期間ＴＳ1，ＴＳ2，
ＴＳ3内においてプロセスデータＣが変化する傾向を有
するか否かを判断するのに用いる指標である。また、プ
ロセスデータＣが変化していく方向は、下記式（４）に
より算出される方向指標γの符号により判断される。す
なわち、指標γが正であれがプロセスデータＣは増大す
る傾向を有するものと判断され、負であれば減少する傾
向を有するものと判断される。
ＴＳ3内においてプロセスデータＣが変化する傾向を有
するか否かを判断するのに用いる指標である。また、プ
ロセスデータＣが変化していく方向は、下記式（４）に
より算出される方向指標γの符号により判断される。す
なわち、指標γが正であれがプロセスデータＣは増大す
る傾向を有するものと判断され、負であれば減少する傾
向を有するものと判断される。
【００５０】
γ＝ｓｇｎ（ｘ（ｔn+1）−ｘ（ｔn）） （４）
【００５１】ここで、時刻ｔn+1は、期間ＴＳnの終了時
刻を示し、時刻ｔnは、期間ＴＳnの開始時刻を示す。
刻を示し、時刻ｔnは、期間ＴＳnの開始時刻を示す。
【００５２】各波高率αU，αDおよび変動率βに対して
は、それぞれ所定の閾値が定められており、データ処理
部２０は、各波高率αU，αDがその閾値を超えたときに
は、プロセスデータＣについて期間ＴＳn内に各波高率
αU，αDに対応する方向への突辺が発生したものと判断
し、変動率βがその閾値を超えたときには方向指標γに
より示される方向に変化する傾向があるものと判断す
る。
は、それぞれ所定の閾値が定められており、データ処理
部２０は、各波高率αU，αDがその閾値を超えたときに
は、プロセスデータＣについて期間ＴＳn内に各波高率
αU，αDに対応する方向への突辺が発生したものと判断
し、変動率βがその閾値を超えたときには方向指標γに
より示される方向に変化する傾向があるものと判断す
る。
【００５３】図５に、図４の例で定性化処理を行った結
果得られる定性化データを示す。図４に示すプロセスデ
ータＣにおいては、期間ＴＳ1に上方向への突辺がある
ものと判断され、その他の期間ＴＳ2，ＴＳ3については
突辺は発生しなかったものと判断される。
果得られる定性化データを示す。図４に示すプロセスデ
ータＣにおいては、期間ＴＳ1に上方向への突辺がある
ものと判断され、その他の期間ＴＳ2，ＴＳ3については
突辺は発生しなかったものと判断される。
【００５４】また、プロセスデータＣにおいては、期間
ＴＳ1、ＴＳ2、ＴＳ3を通じて上方向への変化傾向があ
ったものと判断される。
ＴＳ1、ＴＳ2、ＴＳ3を通じて上方向への変化傾向があ
ったものと判断される。
【００５５】このようにして、全てのプロセスデータＣ
毎の挙動・変動の様子が分析されて、新規不具合事例に
ついての定性化データが生成される。
毎の挙動・変動の様子が分析されて、新規不具合事例に
ついての定性化データが生成される。
【００５６】ステップＳ３：事例データベース５１か
ら、過去の各不具合事例の定性化データを読み出す。
ら、過去の各不具合事例の定性化データを読み出す。
【００５７】ステップＳ４：過去の全ての不具合事例に
ついて、新規の不具合事例との類似度を算出するための
推論処理を実施する。以下、推論処理を説明する。
ついて、新規の不具合事例との類似度を算出するための
推論処理を実施する。以下、推論処理を説明する。
【００５８】推論処理は、ｉｆ−ｔｈｅｎルールを用い
て過去の各不具合事例（以下、過去事例という）につい
て新規の不具合事例（以下、新規事例という）との類似
度を算出する処理で、具体的には、下記のようにして実
施される（図６参照）。
て過去の各不具合事例（以下、過去事例という）につい
て新規の不具合事例（以下、新規事例という）との類似
度を算出する処理で、具体的には、下記のようにして実
施される（図６参照）。
【００５９】（１）各過去事例について、各プロセスデ
ータＣの波高率αおよび変動率βの変化パターンが、新
規事例のプロセスデータＣの波高率αおよび変動率βの
変化パターンと一致するか否かを判定する。波高率αお
よび変動率βの変化のパターンが一致すれば当該プロセ
スデータＣの一致した数（以下、一致数という）を１増
加させる。
ータＣの波高率αおよび変動率βの変化パターンが、新
規事例のプロセスデータＣの波高率αおよび変動率βの
変化パターンと一致するか否かを判定する。波高率αお
よび変動率βの変化のパターンが一致すれば当該プロセ
スデータＣの一致した数（以下、一致数という）を１増
加させる。
【００６０】（２）各過去事例について、全てのプロセ
スデータＣの一致数を加算して、下記式（５）により当
該過去事例の新規事例に対する類似度を算出する。
スデータＣの一致数を加算して、下記式（５）により当
該過去事例の新規事例に対する類似度を算出する。
【００６１】
類似度＝一致数／全項目数 （５）
【００６２】（３）所定値以上の類似度を有する過去事
例を全て抽出する。
例を全て抽出する。
【００６３】（４）前掲の手順（３）で抽出された各過
去事例（以下、抽出過去事例という）の中で類似度の高
いものから順次、事例データベース５１に格納された各
データ（事例データ）を読み出す。
去事例（以下、抽出過去事例という）の中で類似度の高
いものから順次、事例データベース５１に格納された各
データ（事例データ）を読み出す。
【００６４】ステップＳ５：全ての抽出過去事例につい
て事例データベース５１から事例データの読み出しが行
われたか否かを判定する。読み出し未了の抽出過去事例
があればステップＳ４の手順（４）に戻る。全ての抽出
過去事例について事例データの読み出しが終了していれ
ば次のステップＳ６に進む。
て事例データベース５１から事例データの読み出しが行
われたか否かを判定する。読み出し未了の抽出過去事例
があればステップＳ４の手順（４）に戻る。全ての抽出
過去事例について事例データの読み出しが終了していれ
ば次のステップＳ６に進む。
【００６５】ステップＳ６：表示部４０に推論結果を表
示する。例えば、類似度の高い数例の事例データを表示
する。
示する。例えば、類似度の高い数例の事例データを表示
する。
【００６６】ステップＳ７：当該新規事例を過去事例と
して事例データベースに登録するのが適当か否かを判断
する。
して事例データベースに登録するのが適当か否かを判断
する。
【００６７】ステップＳ８：登録部５０が、前掲のステ
ップＳ７における判断の結果に応じて新規事例について
各種情報を事例データベース５１に格納し、処理を終了
する。
ップＳ７における判断の結果に応じて新規事例について
各種情報を事例データベース５１に格納し、処理を終了
する。
【００６８】このように、実施形態のメンテナンスシス
テムＡによれば、監視対象システムＢから収集されるプ
ロセスデータを定性的手法によって分析した定性化デー
タを用いて、新規事例と過去事例との類似度が算出され
るので、外気環境の変化などに起因する誤差の影響を排
除してより信頼性の高い態様で類似度を算出することが
可能となる。また、定性化データを用いて推論処理を行
うので、例えば監視対象システムＢに同一性がない場合
にも相似性のある同種のシステムにおいて、事例データ
ベース５１に蓄積された定性化データを用いて推論処理
を実施することが可能となる。
テムＡによれば、監視対象システムＢから収集されるプ
ロセスデータを定性的手法によって分析した定性化デー
タを用いて、新規事例と過去事例との類似度が算出され
るので、外気環境の変化などに起因する誤差の影響を排
除してより信頼性の高い態様で類似度を算出することが
可能となる。また、定性化データを用いて推論処理を行
うので、例えば監視対象システムＢに同一性がない場合
にも相似性のある同種のシステムにおいて、事例データ
ベース５１に蓄積された定性化データを用いて推論処理
を実施することが可能となる。
【００６９】また、計測された不具合データを類似度の
高い事例データに基づいて解析することにより、その監
視対象システムＢの不具合を原因を探ることができる。
つまり、監視対象システムＢの診断が可能となる。
高い事例データに基づいて解析することにより、その監
視対象システムＢの不具合を原因を探ることができる。
つまり、監視対象システムＢの診断が可能となる。
【００７０】さらに、定性化データは、各プロセスデー
タＣの時系列データとされるので、不具合発生の原因に
ついてより豊富な情報を得ることが可能となる。例え
ば、不具合発生の際には前もって兆候が現れるのが通常
であるから、不具合発生以前の適当な期間の各プロセス
データＣの挙動・変動を観察することによって故障や不
具合の発生を未然に防止することも可能となる。
タＣの時系列データとされるので、不具合発生の原因に
ついてより豊富な情報を得ることが可能となる。例え
ば、不具合発生の際には前もって兆候が現れるのが通常
であるから、不具合発生以前の適当な期間の各プロセス
データＣの挙動・変動を観察することによって故障や不
具合の発生を未然に防止することも可能となる。
【００７１】
【実施例】以下、本発明をより具体的な実施例により具
体的に説明する。
体的に説明する。
【００７２】実施例１
図７は、時刻ｔ0にあるガスタービンの排気温度センサ
に不具合が発生した事例において、不具合発生の所定時
間前の時刻ｔ1N-1から時刻ｔ0までの各期間ＴＳ1N、・
・・、ＴＳ13、ＴＳ12、ＴＳ11に計測された、排気平均
温度Ｃ1、吸気温度Ｃ2および軸振動Ｃ3の各プロセスデ
ータの変化の様子を示している。
に不具合が発生した事例において、不具合発生の所定時
間前の時刻ｔ1N-1から時刻ｔ0までの各期間ＴＳ1N、・
・・、ＴＳ13、ＴＳ12、ＴＳ11に計測された、排気平均
温度Ｃ1、吸気温度Ｃ2および軸振動Ｃ3の各プロセスデ
ータの変化の様子を示している。
【００７３】図８は、このときの各プロセスデータ
Ｃ1，Ｃ2，Ｃ3を定性化した定性化データを示す。
Ｃ1，Ｃ2，Ｃ3を定性化した定性化データを示す。
【００７４】図８に示すように、プロセスデータＣ1に
ついては、各期間ＴＳ11、ＴＳ12において下方向への突
辺の発生および下方向への変動があったものと分析さ
れ、それ以外の期間ＴＳ3〜ＴＳ1Nには突辺の発生およ
び変動はなかったものと分析される。
ついては、各期間ＴＳ11、ＴＳ12において下方向への突
辺の発生および下方向への変動があったものと分析さ
れ、それ以外の期間ＴＳ3〜ＴＳ1Nには突辺の発生およ
び変動はなかったものと分析される。
【００７５】プロセスデータＣ2については、全ての期
間ＴＳ1N〜ＴＳ11を通じて突辺の発生および変動はなか
ったものと分析される。
間ＴＳ1N〜ＴＳ11を通じて突辺の発生および変動はなか
ったものと分析される。
【００７６】プロセスデータＣ3については、全ての期
間ＴＳ1N〜ＴＳ11を通じて突辺の発生および変動はなか
ったものと分析される。
間ＴＳ1N〜ＴＳ11を通じて突辺の発生および変動はなか
ったものと分析される。
【００７７】このようにして、あるガスタービンの排気
温度センサに不具合が発生した事例についての定性化デ
ータが生成される。また、この事例データにより、かか
る定性化データが得られたガスタービンなどの監視対象
システムについては、排気温度センサに不具合があると
診断できる。
温度センサに不具合が発生した事例についての定性化デ
ータが生成される。また、この事例データにより、かか
る定性化データが得られたガスタービンなどの監視対象
システムについては、排気温度センサに不具合があると
診断できる。
【００７８】実施例２
図９は、時刻ｔ0にあるガスタービンに失火が発生した
事例において、不具合発生の所定時間前の時刻ｔ2N-1か
ら時刻ｔ0までの各期間ＴＳ2N、・・・、ＴＳ2 3、ＴＳ
22、ＴＳ21に計測された、３つの排気温度センサが出力
する温度Ｃ11、Ｃ12、Ｃ13の各プロセスデータの変化の
様子を示している。
事例において、不具合発生の所定時間前の時刻ｔ2N-1か
ら時刻ｔ0までの各期間ＴＳ2N、・・・、ＴＳ2 3、ＴＳ
22、ＴＳ21に計測された、３つの排気温度センサが出力
する温度Ｃ11、Ｃ12、Ｃ13の各プロセスデータの変化の
様子を示している。
【００７９】図１０は、このときの各プロセスデータＣ
11，Ｃ12，Ｃ13を定性化した定性化データを示す。
11，Ｃ12，Ｃ13を定性化した定性化データを示す。
【００８０】図１０に示すように、プロセスデータＣ11
については、全ての期間ＴＳ1N〜ＴＳ11を通じて突辺の
発生および変動はなかったものと分析される。
については、全ての期間ＴＳ1N〜ＴＳ11を通じて突辺の
発生および変動はなかったものと分析される。
【００８１】プロセスデータＣ12については、各期間Ｔ
Ｓ21、ＴＳ22、ＴＳ23において下方向への突辺の発生お
よび下方向への変動があったものと分析され、それ以外
の期間ＴＳ24〜ＴＳ2Nには突辺の発生および変動はなか
ったものと分析される。
Ｓ21、ＴＳ22、ＴＳ23において下方向への突辺の発生お
よび下方向への変動があったものと分析され、それ以外
の期間ＴＳ24〜ＴＳ2Nには突辺の発生および変動はなか
ったものと分析される。
【００８２】プロセスデータＣ13については、全ての期
間ＴＳ2N〜ＴＳ21を通じて突辺の発生および変動はなか
ったものと分析される。
間ＴＳ2N〜ＴＳ21を通じて突辺の発生および変動はなか
ったものと分析される。
【００８３】このようにして、あるガスタービンに失火
が発生した事例についての定性化データが生成される。
また、この事例データにより、かかる定性化データが得
られたガスタービンなどの監視対象システムについて
は、失火が発生したと診断できる。
が発生した事例についての定性化データが生成される。
また、この事例データにより、かかる定性化データが得
られたガスタービンなどの監視対象システムについて
は、失火が発生したと診断できる。
【００８４】実施例３
図１１は、時刻ｔ0にあるガスタービンのベアリング温
度センサに断線が発生した事例において、不具合発生の
所定時間前の時刻ｔ3N-1から時刻ｔ0までの各期間ＴＳ
4N、・・・、ＴＳ43、ＴＳ42、ＴＳ41に計測された、軸
振動Ｃ31、発電出力Ｃ32およびベアリング温度Ｃ33の各
プロセスデータの変化の様子を示している。
度センサに断線が発生した事例において、不具合発生の
所定時間前の時刻ｔ3N-1から時刻ｔ0までの各期間ＴＳ
4N、・・・、ＴＳ43、ＴＳ42、ＴＳ41に計測された、軸
振動Ｃ31、発電出力Ｃ32およびベアリング温度Ｃ33の各
プロセスデータの変化の様子を示している。
【００８５】図１２は、このときの各プロセスデータＣ
31，Ｃ32，Ｃ33を定性化した定性化データを示す。
31，Ｃ32，Ｃ33を定性化した定性化データを示す。
【００８６】図１２に示すように、プロセスデータＣ31
については、全ての期間ＴＳ4N〜ＴＳ41を通じて突辺の
発生および変動はなかったものと分析される。
については、全ての期間ＴＳ4N〜ＴＳ41を通じて突辺の
発生および変動はなかったものと分析される。
【００８７】プロセスデータＣ32については、全ての期
間ＴＳ4N〜ＴＳ41を通じて突辺の発生および変動はなか
ったものと分析される。
間ＴＳ4N〜ＴＳ41を通じて突辺の発生および変動はなか
ったものと分析される。
【００８８】プロセスデータＣ33については、期間ＴＳ
41に下方向への突辺の発生および上方向への変動があっ
たものと分析され、各期間ＴＳ42、ＴＳ43に上方向への
突辺の発生および上方向への変動があったものと分析さ
れ、それ以外の期間ＴＳ44〜ＴＳ4Nには突辺の発生およ
び変動はなかったものと分析される。
41に下方向への突辺の発生および上方向への変動があっ
たものと分析され、各期間ＴＳ42、ＴＳ43に上方向への
突辺の発生および上方向への変動があったものと分析さ
れ、それ以外の期間ＴＳ44〜ＴＳ4Nには突辺の発生およ
び変動はなかったものと分析される。
【００８９】このようにして、ベアリング温度センサに
断線が発生した事例についての定性化データが生成され
る。また、この事例データにより、かかる定性化データ
が得られたガスタービンなどの監視対象システムについ
ては、ベアリング温度センサに断線が発生したと診断で
きる。
断線が発生した事例についての定性化データが生成され
る。また、この事例データにより、かかる定性化データ
が得られたガスタービンなどの監視対象システムについ
ては、ベアリング温度センサに断線が発生したと診断で
きる。
【００９０】実施例４
図１３は、時刻ｔ0にあるガスタービンのガス圧縮機潤
滑油フィルタに異常が発生した事例において、不具合発
生の所定時間前の時刻ｔ5N-1から時刻ｔ0までの各期間
ＴＳ5N、・・・、ＴＳ53、ＴＳ52、ＴＳ51に計測され
た、圧縮機排ガス温度Ｃ41、ガス圧力Ｃ42および潤滑油
圧力Ｃ43の各プロセスデータの変化の様子を示してい
る。
滑油フィルタに異常が発生した事例において、不具合発
生の所定時間前の時刻ｔ5N-1から時刻ｔ0までの各期間
ＴＳ5N、・・・、ＴＳ53、ＴＳ52、ＴＳ51に計測され
た、圧縮機排ガス温度Ｃ41、ガス圧力Ｃ42および潤滑油
圧力Ｃ43の各プロセスデータの変化の様子を示してい
る。
【００９１】図１４は、このときの各プロセスデータＣ
41，Ｃ42，Ｃ43を定性化した定性化データを示す。
41，Ｃ42，Ｃ43を定性化した定性化データを示す。
【００９２】図１４に示すように、プロセスデータＣ41
については、全ての期間ＴＳ5N〜ＴＳ51を通じて突辺の
発生および変動はなかったものと分析される。
については、全ての期間ＴＳ5N〜ＴＳ51を通じて突辺の
発生および変動はなかったものと分析される。
【００９３】プロセスデータＣ42については、全ての期
間ＴＳ5N〜ＴＳ51を通じて突辺の発生および変動はなか
ったものと分析される。
間ＴＳ5N〜ＴＳ51を通じて突辺の発生および変動はなか
ったものと分析される。
【００９４】プロセスデータＣ43については、各期間Ｔ
Ｓ51、ＴＳ52に下方向への変動があったものと分析さ
れ、それ以外の各期間ＴＳ42に上方向への突辺の発生お
よび上方向への変動があったものと分析され、それ以外
の各期間ＴＳ5N〜ＴＳ53には変動はなかったものと分析
される。また、全ての期間ＴＳ5N〜ＴＳ51を通じて突辺
の発生はなかったものと分析される。
Ｓ51、ＴＳ52に下方向への変動があったものと分析さ
れ、それ以外の各期間ＴＳ42に上方向への突辺の発生お
よび上方向への変動があったものと分析され、それ以外
の各期間ＴＳ5N〜ＴＳ53には変動はなかったものと分析
される。また、全ての期間ＴＳ5N〜ＴＳ51を通じて突辺
の発生はなかったものと分析される。
【００９５】このようにして、ガス圧縮機潤滑油フィル
タに異常が発生した事例についての定性化データが生成
される。また、この事例データにより、かかる定性化デ
ータが得られたガスタービンなどの監視対象システムに
ついては、ガス圧縮機潤滑油フィルタに異常が発生した
と診断できる。
タに異常が発生した事例についての定性化データが生成
される。また、この事例データにより、かかる定性化デ
ータが得られたガスタービンなどの監視対象システムに
ついては、ガス圧縮機潤滑油フィルタに異常が発生した
と診断できる。
【００９６】実施例５
図１５は、時刻ｔ0にあるガスタービンの吸気フィルタ
が損傷した事例において、不具合発生の所定時間前の時
刻ｔ6N-1から時刻ｔ0までの各期間ＴＳ6N、・・・、Ｔ
Ｓ63、ＴＳ62、ＴＳ61に計測された、吸気温度Ｃ51、吸
気圧力Ｃ52およびフィルタ差圧Ｃ53の各プロセスデータ
の変化の様子を示している。
が損傷した事例において、不具合発生の所定時間前の時
刻ｔ6N-1から時刻ｔ0までの各期間ＴＳ6N、・・・、Ｔ
Ｓ63、ＴＳ62、ＴＳ61に計測された、吸気温度Ｃ51、吸
気圧力Ｃ52およびフィルタ差圧Ｃ53の各プロセスデータ
の変化の様子を示している。
【００９７】図１６は、このときの各プロセスデータＣ
51，Ｃ52，Ｃ53を定性化した定性化データを示す。
51，Ｃ52，Ｃ53を定性化した定性化データを示す。
【００９８】図１６に示すように、プロセスデータＣ51
については、全ての期間ＴＳ6N〜ＴＳ61を通じて突辺の
発生および変動はなかったものと分析される。
については、全ての期間ＴＳ6N〜ＴＳ61を通じて突辺の
発生および変動はなかったものと分析される。
【００９９】プロセスデータＣ52については、全ての期
間ＴＳ6N〜ＴＳ61を通じて突辺の発生および変動はなか
ったものと分析される。
間ＴＳ6N〜ＴＳ61を通じて突辺の発生および変動はなか
ったものと分析される。
【０１００】プロセスデータＣ53については、全ての期
間ＴＳ6N〜ＴＳ61を通じて上方向への突辺の発生および
上方向への変動があったものと分析される。
間ＴＳ6N〜ＴＳ61を通じて上方向への突辺の発生および
上方向への変動があったものと分析される。
【０１０１】このようにして、吸気フィルタが損傷した
事例についての定性化データが生成される。また、この
事例データによりかかる定性化データが得られたガスタ
ービンなどの監視対象システムについては、吸気フィル
タが損傷したと診断できる。
事例についての定性化データが生成される。また、この
事例データによりかかる定性化データが得られたガスタ
ービンなどの監視対象システムについては、吸気フィル
タが損傷したと診断できる。
【０１０２】以上、本発明を実施形態および実施例に基
いて説明してきたが、本発明はかかる実施形態および実
施例に限定されるものではなく、種々改変が可能であ
る。例えば、実施形態および実施例においては監視対象
システムを例に取り説明されていが、本発明の適用は監
視対象システムなどのシステムに限定されるものではな
く、単体機器であってもよい。
いて説明してきたが、本発明はかかる実施形態および実
施例に限定されるものではなく、種々改変が可能であ
る。例えば、実施形態および実施例においては監視対象
システムを例に取り説明されていが、本発明の適用は監
視対象システムなどのシステムに限定されるものではな
く、単体機器であってもよい。
【０１０３】また、実施形態および実施例においては、
プロセスデータ格納部に格納されたデータを逐次データ
処理部に送信して処理するようにしているが、航空機の
運航データのように、データ収集部で収集しプロセスデ
ータ格納部に格納した後にデータ処理部に逐次送信して
処理することができないプロセスデータについては、１
運航データごとにまとめてバッチ処理するようにしても
よい。
プロセスデータ格納部に格納されたデータを逐次データ
処理部に送信して処理するようにしているが、航空機の
運航データのように、データ収集部で収集しプロセスデ
ータ格納部に格納した後にデータ処理部に逐次送信して
処理することができないプロセスデータについては、１
運航データごとにまとめてバッチ処理するようにしても
よい。
【０１０４】
【発明の効果】以上詳述したように、本発明の事例推論
方法および推論装置によれば、過去の全事例の中から類
似度の高い事例を迅速に推論することができるという優
れた効果が得られる。
方法および推論装置によれば、過去の全事例の中から類
似度の高い事例を迅速に推論することができるという優
れた効果が得られる。
【０１０５】また、本発明の診断方法および診断装置に
よれば、過去の事例に基づいて迅速に監視対象の不具合
の診断がなし得るという優れた効果が得られる。
よれば、過去の事例に基づいて迅速に監視対象の不具合
の診断がなし得るという優れた効果が得られる。
【図１】本発明の一実施形態に係る事例ベース推論方法
が適用されるメンテナンスシステムの概略構成を示すブ
ロック図である。
が適用されるメンテナンスシステムの概略構成を示すブ
ロック図である。
【図２】同システムの事例データベース内に格納される
データ例を示すテーブル図である。
データ例を示すテーブル図である。
【図３】同システムにおける定性化処理および推論処理
の手順を示す流れ図である。
の手順を示す流れ図である。
【図４】不具合発生の際のプロセスデータの変動例を示
すグラフ図である。
すグラフ図である。
【図５】同プロセスデータを定性化処理した定性化デー
タを示す模式図である。
タを示す模式図である。
【図６】本発明の一実施形態に係る事例ベース推論方法
の説明図である。
の説明図である。
【図７】排気温度センサに不具合が発生した事例におけ
るプロセスデータの変動例を示すグラフ図である。
るプロセスデータの変動例を示すグラフ図である。
【図８】同プロセスデータを定性化処理した定性化デー
タを示すテーブル図である。
タを示すテーブル図である。
【図９】ガスタービンに失火が発生した事例におけるプ
ロセスデータの変動例を示すグラフ図である。
ロセスデータの変動例を示すグラフ図である。
【図１０】同プロセスデータを定性化処理した定性化デ
ータを示すテーブル図である。
ータを示すテーブル図である。
【図１１】ベアリング温度センサに不具合が発生した事
例におけるプロセスデータの変動例を示すグラフ図であ
る。
例におけるプロセスデータの変動例を示すグラフ図であ
る。
【図１２】同プロセスデータを定性化処理した定性化デ
ータを示すテーブル図である。
ータを示すテーブル図である。
【図１３】ガス圧縮機潤滑フィルタに不具合が発生した
事例におけるプロセスデータの変動例を示すグラフ図で
ある。
事例におけるプロセスデータの変動例を示すグラフ図で
ある。
【図１４】同プロセスデータを定性化処理した定性化デ
ータを示すテーブル図である。
ータを示すテーブル図である。
【図１５】吸気フィルタに損傷が発生した事例における
プロセスデータの変動例を示すグラフ図である。
プロセスデータの変動例を示すグラフ図である。
【図１６】同プロセスデータを定性化処理した定性化デ
ータを示すテーブル図である。
ータを示すテーブル図である。
Ａ メンテナンスシステム
Ｂ 監視対象システム
Ｃ プロセスデータ
１０ データ収集部
１１ プロセスデータ格納部
２０ データ処理部
２１ 定性化データ格納部
３０ 推論部
３１ 推論結果格納部
４０ 表示部
５０ 登録部
５１ 事例データベース
─────────────────────────────────────────────────────
フロントページの続き
(72)発明者 村上 昭二
明石市川崎町１番１号 川崎重工業株式会
社明石工場内
(72)発明者 尾崎 嘉彦
明石市川崎町１番１号 川崎重工業株式会
社明石工場内
(72)発明者 菅谷 厚文
明石市川崎町１番１号 川崎重工業株式会
社明石工場内
(72)発明者 永井 勝史
明石市川崎町１番１号 川崎重工業株式会
社明石工場内
(72)発明者 笠 正憲
明石市川崎町１番１号 川崎重工業株式会
社明石工場内
(72)発明者 佐藤 和憲
明石市川崎町１番１号 川崎重工業株式会
社明石工場内
Ｆターム(参考） 5B075 ND20 NK07 PR06 UU40
5H223 AA02 AA06 AA09 BB02 DD03
EE30 FF06
Claims (13)
- 【請求項１】 監視対象から得られたプロセスデータを
定性化処理し、得られた定性化データと全事例の定性化
データとの類似度を算出し、前記全事例のうち一定の類
似度を有するものについて、類似度の高い順にその事例
データを抽出することを特徴とする事例ベース推論方
法。 - 【請求項２】 監視対象から得られたプロセスデータを
定性化処理し、得られた定性化データと全事例の定性化
データとの類似度を算出し、前記全事例のうち一定の類
似度を有するものについて、類似度の高い順にその事例
データを抽出し、その抽出された事例データに基づいて
監視対象の診断をなすことを特徴とする診断方法。 - 【請求項３】 プロセスデータから波高率および変動率
を算出し、得られた波高率および変動率を閾値処理して
パターン化することにより、前記プロセスデータが定性
化処理されることを特徴とする請求項１または２記載の
方法。 - 【請求項４】 プロセスデータおよび事例データに音響
データおよび／または画像データが含まれていることを
特徴とする請求項１または２記載の方法。 - 【請求項５】 監視対象から得られたプロセスデータを
定性化処理し、得られた定性化データと全事例の定性化
データとの類似度を算出し、前記全事例のうち一定の類
似度を有するものについて、類似度の高い順にその事例
データを抽出するよう構成されてなることを特徴とする
事例ベース推論装置。 - 【請求項６】 監視対象から得られたプロセスデータを
定性化処理し、得られた定性化データと全事例の定性化
データとの類似度を算出し、前記全事例のうち一定の類
似度を有するものについて、類似度の高い順にその事例
データを抽出し、その抽出された事例データに基づいて
監視対象の診断をなすよう構成されてなることを特徴と
する診断装置。 - 【請求項７】 プロセスデータから波高率および変動率
を算出し、得られた波高率および変動率を閾値処理して
パターン化することにより、前記プロセスデータが定性
化処理されることを特徴とする請求項５または６記載の
装置。 - 【請求項８】 プロセスデータおよび事例データに音響
データおよび／または画像データが含まれていることを
特徴とする請求項５または６記載の装置。 - 【請求項９】 コンピュータに事例推論をなさしめるた
めのコンピュータプログラムであって、 監視対象から得られたプロセスデータを定性化処理する
手順と、 得られた定性化データと全事例の定性化データとの類似
度を算出する手順と、 前記全事例のうち一定の類似度を有するものについて、
類似度の高い順にその事例データを抽出する手順とを含
んでなることを特徴とするコンピュータプログラム。 - 【請求項１０】 コンピュータに監視対象の診断をなさ
しめるためのコンピュータプログラムであって、 監視対象から得られたプロセスデータを定性化処理する
手順と、 得られた定性化データと全事例の定性化データとの類似
度を算出する手順と、 前記全事例のうち一定の類似度を有するものについて、
類似度の高い順にその事例データを抽出する手順と、 その抽出された事例データに基づいて監視対象の診断を
なす手順とを含んでなることを特徴とするコンピュータ
プログラム。 - 【請求項１１】 定性化処理する手順が、プロセスデー
タから波高率および変動率を算出する手順と、得られた
波高率および変動率を閾値処理してパターン化する手順
とを含んでなることを特徴とする請求項９または１０記
載のコンピュータプログラム。 - 【請求項１２】 プロセスデータおよび事例データに音
響データおよび／または画像データが含まれていること
を特徴とする請求項９または１０記載のコンピュータプ
ログラム。 - 【請求項１３】 請求項９ないし請求項１２のいずれか
一項に記載のコンピュータプログラムが格納されてなる
ことを特徴とする記録媒体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001196378A JP2003015877A (ja) | 2001-06-28 | 2001-06-28 | 事例ベース推論方法および事例ベース推論装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001196378A JP2003015877A (ja) | 2001-06-28 | 2001-06-28 | 事例ベース推論方法および事例ベース推論装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2003015877A true JP2003015877A (ja) | 2003-01-17 |
Family
ID=19034200
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001196378A Pending JP2003015877A (ja) | 2001-06-28 | 2001-06-28 | 事例ベース推論方法および事例ベース推論装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2003015877A (ja) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005267350A (ja) * | 2004-03-19 | 2005-09-29 | Nippon Steel Corp | トラブル解決装置、トラブル解決方法、コンピュータプログラム及び記録媒体 |
| JP2012069106A (ja) * | 2010-09-23 | 2012-04-05 | Fisher-Rosemount Systems Inc | プロセス制御システムに検索サービスを提供するためのシステム、方法、および製品 |
| US8522078B2 (en) | 2008-03-27 | 2013-08-27 | Fujitsu Limited | Trouble coping method for information technology system |
| US8554403B2 (en) | 2008-12-10 | 2013-10-08 | Honda Motor Co., Ltd. | Vehicle failure diagnostic device |
| JP2014085343A (ja) * | 2012-10-18 | 2014-05-12 | Boeing Co | プラットフォーム健全性監視システム |
| WO2014174791A1 (ja) * | 2013-04-22 | 2014-10-30 | 株式会社デンソー | 車両修理支援システム、サーバ及びコンピュータプログラム |
| US9020942B2 (en) | 2010-06-08 | 2015-04-28 | Hitachi, Ltd. | Maintenance operation instance collection apparatus, maintenance operation instance collection method, and maintenance operation instance collection program |
| WO2015119225A1 (en) * | 2014-02-04 | 2015-08-13 | Kabushiki Kaisha Toshiba | Interaction apparatus and method |
| US9514280B2 (en) | 2012-07-27 | 2016-12-06 | Samsung Electronics Co., Ltd. | Method and apparatus for creating model of patient specified target organ based on blood vessel structure |
| WO2018142482A1 (ja) * | 2017-01-31 | 2018-08-09 | 本田技研工業株式会社 | 無人作業システム、管理サーバー、及び無人作業機 |
-
2001
- 2001-06-28 JP JP2001196378A patent/JP2003015877A/ja active Pending
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005267350A (ja) * | 2004-03-19 | 2005-09-29 | Nippon Steel Corp | トラブル解決装置、トラブル解決方法、コンピュータプログラム及び記録媒体 |
| US8522078B2 (en) | 2008-03-27 | 2013-08-27 | Fujitsu Limited | Trouble coping method for information technology system |
| US8554403B2 (en) | 2008-12-10 | 2013-10-08 | Honda Motor Co., Ltd. | Vehicle failure diagnostic device |
| US9020942B2 (en) | 2010-06-08 | 2015-04-28 | Hitachi, Ltd. | Maintenance operation instance collection apparatus, maintenance operation instance collection method, and maintenance operation instance collection program |
| JP2012069106A (ja) * | 2010-09-23 | 2012-04-05 | Fisher-Rosemount Systems Inc | プロセス制御システムに検索サービスを提供するためのシステム、方法、および製品 |
| US10083249B2 (en) | 2010-09-23 | 2018-09-25 | Fisher-Rosemount Systems, Inc. | Systems, methods and articles of manufacture to provide a search service to a process control system |
| US9514280B2 (en) | 2012-07-27 | 2016-12-06 | Samsung Electronics Co., Ltd. | Method and apparatus for creating model of patient specified target organ based on blood vessel structure |
| JP2014085343A (ja) * | 2012-10-18 | 2014-05-12 | Boeing Co | プラットフォーム健全性監視システム |
| WO2014174791A1 (ja) * | 2013-04-22 | 2014-10-30 | 株式会社デンソー | 車両修理支援システム、サーバ及びコンピュータプログラム |
| US10210264B2 (en) | 2013-04-22 | 2019-02-19 | Denso Corporation | Vehicle-repair support system, server, and computer program |
| WO2015119225A1 (en) * | 2014-02-04 | 2015-08-13 | Kabushiki Kaisha Toshiba | Interaction apparatus and method |
| WO2018142482A1 (ja) * | 2017-01-31 | 2018-08-09 | 本田技研工業株式会社 | 無人作業システム、管理サーバー、及び無人作業機 |
| JPWO2018142482A1 (ja) * | 2017-01-31 | 2019-11-07 | 本田技研工業株式会社 | 無人作業システム、管理サーバー、及び無人作業機 |
| US11145143B2 (en) | 2017-01-31 | 2021-10-12 | Honda Motor Co., Ltd. | Unmanned work system, management server, and unmanned work machine |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6947797B2 (en) | Method and system for diagnosing machine malfunctions | |
| US7225109B2 (en) | Method and apparatus to diagnose mechanical problems in machinery | |
| EP1097363B1 (en) | Bearing condition evaluation | |
| US6748341B2 (en) | Method and device for machinery diagnostics and prognostics | |
| JP6291161B2 (ja) | ロータ異常の検出 | |
| Wegerich | Similarity based modeling of time synchronous averaged vibration signals for machinery health monitoring | |
| JP2000259222A (ja) | 機器監視・予防保全システム | |
| CN111922095A (zh) | 一种冷轧机轧辊扭振故障异常的振动诊断方法 | |
| KR101843365B1 (ko) | 규칙 및 사례 기반 통합 진단 시스템 및 데이터베이스 | |
| JP2003015877A (ja) | 事例ベース推論方法および事例ベース推論装置 | |
| JP2017032567A (ja) | モータの監視装置および方法 | |
| JP2021022290A (ja) | 制御状態監視システムおよびプログラム | |
| JP4056032B2 (ja) | プラント機器管理装置 | |
| KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
| JP3568939B2 (ja) | 回転機械の軸振動解析による状態診断方法及び装置 | |
| JPH1020925A (ja) | プラント診断装置 | |
| CN117178122A (zh) | 用于监控风扇运行的方法、设备和风扇 | |
| JP2000214924A (ja) | プラント異常監視装置および異常発生箇所同定方法 | |
| JP2004279056A (ja) | 回転機械の診断方法及びそのプログラム | |
| JPH08226411A (ja) | 油圧回路の故障原因機器探索方法及びその装置 | |
| Chang et al. | Random forest-based multi-faults classification modeling and analysis for intelligent centrifugal pump system | |
| Saxena et al. | Predictive maintenance of planetary gearboxes using FFT and machine learning technique | |
| JPH0399234A (ja) | 回転機械の異常診断方法 | |
| JP7383367B1 (ja) | 回転機器の振動データ分析方法及び分析システム | |
| CN117672255B (zh) | 基于人工智能和设备运行声音的异常设备识别方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040113 |
|
| A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20040406 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040412 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040601 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040730 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20040914 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20041110 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20050104 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20050112 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20050215 |
|
| A912 | Re-examination (zenchi) completed and case transferred to appeal board |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20050311 |