JP2005149137A - Remote supervisory system, method and program - Google Patents

Remote supervisory system, method and program Download PDF

Info

Publication number
JP2005149137A
JP2005149137A JP2003385725A JP2003385725A JP2005149137A JP 2005149137 A JP2005149137 A JP 2005149137A JP 2003385725 A JP2003385725 A JP 2003385725A JP 2003385725 A JP2003385725 A JP 2003385725A JP 2005149137 A JP2005149137 A JP 2005149137A
Authority
JP
Japan
Prior art keywords
failure
sensors
sensor value
remote monitoring
sensor
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
Application number
JP2003385725A
Other languages
Japanese (ja)
Inventor
Shinsuke Tsujita
伸介 辻田
Masayuki Tamura
雅之 田村
Original Assignee
Tokyo Gas Co Ltd
東京瓦斯株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tokyo Gas Co Ltd, 東京瓦斯株式会社 filed Critical Tokyo Gas Co Ltd
Priority to JP2003385725A priority Critical patent/JP2005149137A/en
Publication of JP2005149137A publication Critical patent/JP2005149137A/en
Pending legal-status Critical Current

Links

Images

Abstract

<P>PROBLEM TO BE SOLVED: To provide a remote supervisory system or the like for remotely supervising a plurality of facilities such as power facilities and capable of discovering the symptoms of failures of the facilities to be supervised at early stages and correctly locating failures, etc. <P>SOLUTION: The remote supervisory system 1 for remotely supervising a plurality of facilities 2 each having a plurality of sensors 21 includes a sensor value acquisition means 11 for constantly acquiring sensor measurements detected by the plurality of sensors 21 and sent from the facilities 2; a predictive model construction means 12 by which the relationship between the plurality of sensor measurements detected by the plurality of sensors 21 is determined on the basis of the sensor measurements detected by the plurality of sensors 21 and acquired by the sensor value acquisition means 11 while the facilities 2 are operating normally, to store the relationship as a predictive model; and a failure symptom detecting means 13 for determining the predictive sensor values of the plurality of sensors 21 on the basis of the sensor measurements acquired and the predictive model stored by the predictive model construction means 12 when the sensor value acquisition means 11 acquires the sensor measurements of the plurality of sensors 21 and for detecting the symptoms of failures of the facilities 2 according to the differences between the sensor measurements and the predictive sensor values. <P>COPYRIGHT: (C)2005,JPO&NCIPI

Description

本発明は、空調機、発電機などの複数の設備を遠隔監視するシステム等に関し、特に、監視対象設備の故障兆候を早期に発見でき、故障部位等を正しく特定することのできる遠隔監視システム等に関する。   The present invention relates to a system for remotely monitoring a plurality of facilities such as an air conditioner, a generator, and the like, and in particular, a remote monitoring system that can detect a failure sign of a monitored facility at an early stage and correctly identify a failure site. About.
従来から動力設備などのメンテナンス方法として、事後保全や時間基準保全という考え方に基づいた方法が用いられてきた。しかしながら、故障の発生後に修理を行う事後保全では、修理のために設備の運転を長期間停止しなければならないという問題がある。また、定期的にメンテナンス作業を行う時間基準保全では、対象設備が健全な状態であってもメンテナンス作業を行うため、時間やコストの無駄が大きいという問題がある。   Conventionally, methods based on the concepts of post-maintenance and time-based maintenance have been used as maintenance methods for power equipment and the like. However, the post-maintenance that repairs after the occurrence of a failure has a problem that the operation of the facility must be stopped for a long time for the repair. Further, in the time-based maintenance in which the maintenance work is periodically performed, the maintenance work is performed even when the target equipment is in a healthy state, and thus there is a problem that time and cost are wasted.
そこで、対象設備の状態に基づいて適切なメンテナンスを行う状態基準保全という考え方があり、かかる方法では、設備に設けられた各種センサの値や設備の各部位の状態などを検査して、その結果に基づいてメンテナンス作業が決定される。しかし、メンテナンスの対象設備が複数あり、それらが離れた場所に点在しているような場合には、各設備の状態を作業員が現地で検査するのでは作業が大変であるので、それら複数の設備を遠隔から監視するシステムが提案されている。   Therefore, there is a concept of state-based maintenance that performs appropriate maintenance based on the state of the target equipment. In such a method, the values of various sensors provided in the equipment and the status of each part of the equipment are inspected, and the result Maintenance work is determined based on the above. However, if there are multiple equipment to be maintained and they are scattered in remote locations, it is difficult for the workers to check the status of each equipment at the site. A system for remotely monitoring the facilities has been proposed.
かかる遠隔監視システム(例えば、下記特許文献1、2、又は3に記載の装置)では、各設備に設けられたセンサの値を、設備から離れた場所に設けられた監視システムで受信し、当該システムがその値に基づいて設備の正常・異常を判断する。その判断方法は、概ね、前記システムが、受信した各センサの値が予め設定された閾値を越えたか否かということに基づいて各センサ毎に正常・異常を報知し、その報知に基づいて監視員などの人が、設備の故障発生や故障部位等を判断するというものである。また、システムが、所定のいくつかのセンサが異常な値となった時に設備故障であると判断するという方法等もある。
特開2001−41615号公報 特開2003−4281号公報 特開2001−21192号公報
In such a remote monitoring system (for example, the device described in Patent Literature 1, 2, or 3 below), the value of the sensor provided in each facility is received by the monitoring system provided in a place away from the facility, The system determines whether the equipment is normal or abnormal based on the value. In general, the determination method is that the system notifies each sensor of normality / abnormality based on whether or not the value of each received sensor exceeds a preset threshold value, and monitoring is performed based on the notification. A person such as a staff member judges the occurrence of a failure of a facility or a failure part. There is also a method in which the system determines that a facility failure occurs when some predetermined sensors have abnormal values.
JP 2001-41615 A JP 2003-4281 A JP 2001-21192 A
しかしながら、上記従来の方法では、多くの場合、監視対象の設備に設けられた各センサの値が異常値になったか否かという事実に基づいて対象設備の故障判断がなされるので、通常、実際に故障が発生したこと、あるいは異常の程度がかなり進んだ状態であることを検知することとなり、故障の兆候を早期に検知することは難しかった。また、同様に、主に各センサの値が異常値になったか否かという事実のみで故障部位や故障種別等が判断されるので、正確な故障部位等の特定が困難な場合があった。更に、前述のように人が故障発生や故障部位等を判断する場合には、熟練を要し、判断に個人差が出る場合もある。   However, in the above conventional methods, in many cases, the failure of the target equipment is determined based on the fact that the value of each sensor provided in the monitored equipment has become an abnormal value. It was difficult to detect signs of failure at an early stage because it was detected that a failure occurred or that the degree of abnormality was considerably advanced. Similarly, the failure part, the failure type, and the like are mainly determined based only on the fact that the value of each sensor has become an abnormal value. Therefore, it may be difficult to accurately identify the failure part. Further, as described above, when a person determines the occurrence of a failure, a failure part, etc., skill is required, and there may be individual differences in the determination.
そこで、本発明の目的は、動力設備などの複数の設備を遠隔監視するシステムであって、監視対象設備の故障兆候を早期に発見でき、故障部位等を正しく特定することのできる遠隔監視システム等を提供することである。   Therefore, an object of the present invention is a system for remotely monitoring a plurality of facilities such as power facilities, and can remotely detect a failure sign of a monitoring target facility at an early stage and correctly identify a failure site or the like. Is to provide.
上記の目的を達成するために、本発明の一つの側面は、各々が複数のセンサを備える複
数の設備を遠隔監視する遠隔監視システムが、前記設備から送信される、前記複数のセンサで検知された実測センサ値を、随時取得するセンサ値取得手段と、前記設備が正常運転をしている際に、前記複数のセンサで検知され前記センサ値取得手段で取得された実測センサ値に基づいて、前記複数のセンサで検知される複数の実測センサ値間の相関関係を求め、当該相関関係を予測モデルとして格納する予測モデル構築手段と、前記センサ値取得手段が前記複数のセンサの実測センサ値を取得した際に、当該取得した実測センサ値と前記予測モデル構築手段が格納する予測モデルとから当該複数のセンサの予測センサ値を求め、当該実測センサ値と予測センサ値との差異に基づいて、当該設備の故障兆候を検知する故障兆候検知手段とを有することである。従って、本発明によれば、複数のセンサ間の相関関係に着目して故障兆候の検知がなされるので、故障の早期発見が可能となる。また、それぞれ離れた場所に点在する複数の監視対象設備について、1箇所において監視できるので、設備の監視業務やメンテナンス作業における省力化を図ることができる。更に、故障診断がシステムにより自動的に行われるので、人が判断する場合のような熟練を必要とせず、個人差もなくなる。
In order to achieve the above object, one aspect of the present invention is that a remote monitoring system that remotely monitors a plurality of facilities each including a plurality of sensors is detected by the plurality of sensors transmitted from the facilities. Based on the measured sensor values acquired by the sensor values acquiring means, which are detected by the plurality of sensors when the equipment is operating normally, A prediction model construction unit that obtains a correlation between a plurality of actual sensor values detected by the plurality of sensors and stores the correlation as a prediction model; and the sensor value acquisition unit calculates the actual sensor values of the plurality of sensors. At the time of acquisition, predicted sensor values of the plurality of sensors are obtained from the acquired actual sensor values and the prediction model stored by the prediction model construction means, and the actual sensor values and the prediction sensors are obtained. Based on the difference between the service value is that it has a fault indication detecting means for detecting a failure indication of the equipment. Therefore, according to the present invention, failure signs are detected by paying attention to the correlation between a plurality of sensors, so that early detection of failures is possible. In addition, since a plurality of monitoring target facilities that are scattered at different locations can be monitored at one location, labor saving can be achieved in facility monitoring work and maintenance work. Further, since the failure diagnosis is automatically performed by the system, no skill is required as in the case where a person makes a judgment, and there is no individual difference.
更に、上記の発明において、その好ましい態様は、更に、前記設備の故障発生時における前記実測センサ値と予測センサ値との差異の傾向である故障モデルを、故障の種別毎に予め記憶した故障モデル記憶手段と、前記故障兆候検知手段が故障兆候を検知した際に、当該検知に用いられた前記実測センサ値と予測センサ値との差異の傾向と、前記故障モデル記憶手段が記憶する故障モデルとに基づいて、故障の種別を決定する故障種別決定手段とを有することを特徴とする。これにより、故障種別の特定をより正確に行うことができる。   Furthermore, in the above-described invention, a preferable aspect thereof is a failure model in which a failure model that is a tendency of a difference between the measured sensor value and the predicted sensor value at the time of failure of the facility is stored in advance for each type of failure. When a failure sign is detected by the storage means and the failure sign detection means, a tendency of a difference between the measured sensor value and the predicted sensor value used for the detection, and a failure model stored by the failure model storage means And failure type determining means for determining the type of failure based on the above. As a result, the failure type can be specified more accurately.
また、上記の発明において、好ましい態様は、前記予測モデル構築手段が求める相関関係が、主成分分析に基づいて求められ、前記実測センサ値と予測センサ値との差異が、各センサの実測センサ値と予測センサ値との差異を成分とする残差ベクトルで表されることを特徴とする。   In the above invention, a preferable aspect is that the correlation obtained by the prediction model construction means is obtained based on principal component analysis, and the difference between the measured sensor value and the predicted sensor value is the measured sensor value of each sensor. It is characterized by being expressed by a residual vector having a difference between a predicted sensor value and a component as a component.
また、上記の発明において、好ましい態様は、前記予測モデル構築手段が求める相関関係が、主成分分析に基づいて求められ、前記実測センサ値と予測センサ値との差異が、各センサの実測センサ値と予測センサ値との差異を成分とする残差ベクトルで表され、前記故障兆候検知手段が、前記残差ベクトルの長さに基づいて、前記故障兆候の検知を行い、前記故障種別決定手段が、前記残差ベクトルの方向に基づいて、前記故障種別の決定を行うことを特徴とする。   In the above invention, a preferable aspect is that the correlation obtained by the prediction model construction means is obtained based on principal component analysis, and the difference between the measured sensor value and the predicted sensor value is the measured sensor value of each sensor. The failure sign detection means detects the failure sign based on the length of the residual vector, and the failure type determination means The failure type is determined based on the direction of the residual vector.
上記の目的を達成するために、本発明の別の側面は、各々が複数のセンサを備える複数の設備を遠隔監視する遠隔監視システムにおける遠隔監視方法が、前記遠隔監視システムが、前記設備から送信される、前記複数のセンサで検知された実測センサ値を、随時取得する第1の工程と、前記遠隔監視システムが、前記設備が正常運転をしている際に、前記複数のセンサで検知され取得した実測センサ値に基づいて、前記複数のセンサで検知される複数の実測センサ値間の相関関係を求め、当該相関関係を予測モデルとして格納する第2の工程と、前記遠隔監視システムが、前記複数のセンサの実測センサ値を取得した際に、当該取得した実測センサ値と前記格納した予測モデルとから当該複数のセンサの予測センサ値を求め、当該実測センサ値と予測センサ値との差異に基づいて、当該設備の故障兆候を検知する第3の工程とを有することである。   In order to achieve the above object, another aspect of the present invention provides a remote monitoring method in a remote monitoring system for remotely monitoring a plurality of facilities each having a plurality of sensors, wherein the remote monitoring system transmits from the facilities. The first step of acquiring measured sensor values detected by the plurality of sensors as needed and the remote monitoring system are detected by the plurality of sensors when the facility is operating normally. A second step of obtaining a correlation between a plurality of actual sensor values detected by the plurality of sensors based on the acquired actual sensor values, and storing the correlation as a prediction model; and the remote monitoring system, When the actual sensor values of the plurality of sensors are acquired, predicted sensor values of the plurality of sensors are obtained from the acquired actual sensor values and the stored prediction model, and the actual sensor Based on the difference between the predicted sensor values and is to have a third step of detecting a failure indication of the equipment.
更に、上記の発明において、その好ましい態様は、前記遠隔監視システムが、前記設備の故障発生時における前記実測センサ値と予測センサ値との差異の傾向である故障モデルを、故障の種別毎に予め記憶しており、更に、前記遠隔監視システムが、前記第3の工程で故障兆候を検知した際に、当該検知に用いられた前記実測センサ値と予測センサ値との差異の傾向と、前記記憶した故障モデルとに基づいて、故障の種別を決定する工程を有することを特徴とする。   Furthermore, in the above-mentioned invention, a preferable aspect thereof is that the remote monitoring system predetermines a failure model that has a tendency of a difference between the actually measured sensor value and the predicted sensor value at the time of failure of the facility for each type of failure. Further, when the remote monitoring system detects a failure sign in the third step, the tendency of the difference between the measured sensor value and the predicted sensor value used for the detection, and the storage And a step of determining a type of failure based on the failure model.
上記の目的を達成するために、本発明の更に別の側面は、各々が複数のセンサを備える複数の設備を遠隔監視する処理を、遠隔監視システムに実行させる遠隔監視プログラムが、前記設備から送信される、前記複数のセンサで検知された実測センサ値を、随時取得する第1の工程と、前記設備が正常運転をしている際に、前記複数のセンサで検知され取得した実測センサ値に基づいて、前記複数のセンサで検知される複数の実測センサ値間の相関関係を求め、当該相関関係を予測モデルとして格納する第2の工程と、前記複数のセンサの実測センサ値を取得した際に、当該取得した実測センサ値と前記格納した予測モデルとから当該複数のセンサの予測センサ値を求め、当該実測センサ値と予測センサ値との差異に基づいて、当該設備の故障兆候を検知する第3の工程とを前記遠隔監視システムに実行させることである。   In order to achieve the above object, according to still another aspect of the present invention, a remote monitoring program that causes a remote monitoring system to execute a process of remotely monitoring a plurality of facilities each having a plurality of sensors is transmitted from the facility. A first step of acquiring measured sensor values detected by the plurality of sensors as needed, and an actual sensor value detected and acquired by the plurality of sensors when the facility is operating normally. A second step of obtaining a correlation between a plurality of actual sensor values detected by the plurality of sensors, and storing the correlation as a prediction model, and when acquiring actual sensor values of the plurality of sensors In addition, a predicted sensor value of the plurality of sensors is obtained from the acquired measured sensor value and the stored predicted model, and a failure of the facility is determined based on a difference between the measured sensor value and the predicted sensor value. And a third step of detecting the weather is to be executed by the remote monitoring system.
更に、上記の発明において、その好ましい態様は、前記遠隔監視システムが、前記設備
の故障発生時における前記実測センサ値と予測センサ値との差異の傾向である故障モデルを、故障の種別毎に予め記憶しており、更に、前記第3の工程で故障兆候を検知した際に、当該検知に用いられた前記実測センサ値と予測センサ値との差異の傾向と、前記記憶した故障モデルとに基づいて、故障の種別を決定する工程を前記遠隔監視システムに実行させることを特徴とする。
Furthermore, in the above-mentioned invention, a preferable aspect thereof is that the remote monitoring system predetermines a failure model that has a tendency of a difference between the actually measured sensor value and the predicted sensor value at the time of failure of the facility for each type of failure. Further, when a failure sign is detected in the third step, based on the tendency of the difference between the measured sensor value and the predicted sensor value used for the detection and the stored failure model And causing the remote monitoring system to execute a step of determining the type of failure.
本発明の更なる目的及び、特徴は、以下に説明する発明の実施の形態から明らかになる。   Further objects and features of the present invention will become apparent from the embodiments of the invention described below.
以下、図面を参照して本発明の実施の形態例を説明する。しかしながら、かかる実施の形態例が、本発明の技術的範囲を限定するものではない。なお、図において、同一又は類似のものには同一の参照番号又は参照記号を付して説明する。   Embodiments of the present invention will be described below with reference to the drawings. However, such an embodiment does not limit the technical scope of the present invention. In the drawings, the same or similar elements are denoted by the same reference numerals or reference symbols.
図1は、本発明を適用した遠隔監視システムの実施の形態例に係る構成図である。図1に示す遠隔監視システム1が本実施の形態例に係る遠隔監視システムであり、複数箇所に設置された複数の動力設備2を遠隔から監視する。かかる遠隔監視システム1は、各動力設備2に取付けられた複数のセンサ21(21a、21b、21c、、、)の値の相関関係に基づいて、動力設備2における故障兆候を早期に検知し、その故障種別を適確に特定しようとするものである。   FIG. 1 is a configuration diagram according to an embodiment of a remote monitoring system to which the present invention is applied. A remote monitoring system 1 shown in FIG. 1 is a remote monitoring system according to this embodiment, and remotely monitors a plurality of power equipments 2 installed at a plurality of locations. The remote monitoring system 1 detects early signs of failure in the power equipment 2 based on the correlation of the values of the plurality of sensors 21 (21a, 21b, 21c,...) Attached to each power equipment 2, The failure type is to be specified accurately.
前述の通り、図1に示す動力設備2が本遠隔監視システム1の監視対象設備であり、各動力設備2には、複数のセンサ21が備えられている。動力設備2は、例えば、発電機やガスエンジンヒートポンプ型空調装置(GHP)であり、また、センサ21は、それら設備の各所に取付けられた、例えば、温度計、圧力計等である。また、図1に示す通信回線3は、前記各センサ21で検知された値(例えば、温度、圧力等)を遠隔監視システム1に送信するための回線であり、各動力設備2と遠隔監視システム1を繋いでいる。   As described above, the power facility 2 shown in FIG. 1 is a facility to be monitored by the remote monitoring system 1, and each power facility 2 includes a plurality of sensors 21. The power equipment 2 is, for example, a generator or a gas engine heat pump type air conditioner (GHP), and the sensor 21 is, for example, a thermometer, a pressure gauge, or the like attached to each place of the equipment. A communication line 3 shown in FIG. 1 is a line for transmitting values (for example, temperature, pressure, etc.) detected by the respective sensors 21 to the remote monitoring system 1, and each power equipment 2 and the remote monitoring system. 1 is connected.
本遠隔監視システム1は、図に示すように、センサ情報取得部11(センサ値取得手段)、予測モデル構築部12(予測モデル構築手段)、故障兆候検知部13(故障兆候検知手段)、故障種別特定部14(故障種別決定手段)、及び故障モデル記憶部15(故障モデル記憶手段)を有しており、CPU、メモリ、OS、アプリケーションプログラム等で構成される所謂コンピュータシステムで構築することができる。まず、センサ情報取得部11は、前記動力設備2とのインタフェースをなす部分であり、前記複数のセンサ21で定期的に検知され、送信される各センサ21の値を、通信回線3を介して順次受信し格納する。   As shown in the figure, the remote monitoring system 1 includes a sensor information acquisition unit 11 (sensor value acquisition unit), a prediction model construction unit 12 (prediction model construction unit), a failure sign detection unit 13 (failure sign detection means), a failure It has a type identification unit 14 (failure type determination unit) and a failure model storage unit 15 (failure model storage unit), and can be constructed by a so-called computer system including a CPU, a memory, an OS, an application program, and the like. it can. First, the sensor information acquisition unit 11 is a part that interfaces with the power equipment 2, and the values of the sensors 21 that are periodically detected and transmitted by the plurality of sensors 21 are transmitted via the communication line 3. Receive and store sequentially.
次に、予測モデル構築部12とは、動力設備2が正常運転をしている際に取得された前記複数のセンサ21の値から、当該複数のセンサ21の値の相関関係を構築して保持する部分である。なお、構築された前記相関関係を予測モデルと呼ぶこととする。この予測モデルの具体的な構築方法については後述するが、例えば、主成分分析などの多変量解析により、所定の複数のセンサ21間の相関関係が数式として構築される。例えば、図1に示す動力設備2の三つのセンサ21a、21b、及び21cが正常運転時に検知する値の相関関係が数式でモデル化され、この予測モデルにより当該三つのセンサ21a、21b、及び21cの値を予測することができる。なお、この予測モデル構築部12は、前記予測モデルの構築処理の手順を記述したプログラム、当該プログラムに従って処理を実行する制御装置、及び構築した予測モデルを格納するデータ記憶装置等で構成することができる。   Next, the prediction model construction unit 12 constructs and holds correlations between the values of the plurality of sensors 21 from the values of the plurality of sensors 21 acquired when the power equipment 2 is operating normally. It is a part to do. The constructed correlation is referred to as a prediction model. A specific method for constructing the prediction model will be described later. For example, a correlation between a plurality of predetermined sensors 21 is constructed as a mathematical expression by multivariate analysis such as principal component analysis. For example, the correlation of the values detected by the three sensors 21a, 21b, and 21c of the power facility 2 shown in FIG. 1 during normal operation is modeled by a mathematical formula, and the three sensors 21a, 21b, and 21c are modeled by this prediction model. Can be predicted. The prediction model construction unit 12 may be composed of a program that describes the procedure of construction processing of the prediction model, a control device that executes processing according to the program, a data storage device that stores the constructed prediction model, and the like. it can.
また、故障兆候検知部13は、動力設備2の実運転中に前記センサ情報取得部11が取得した当該動力設備2のセンサ値と前記予測モデル構築部12が当該動力設備2について構築した予測モデルとに基づいて、当該動力設備2の故障兆候を検知(判断)する部分である。かかる故障兆候の検知方法についての詳細は後述するが、上記予測モデルによる予測センサ値と実際にセンサ21で取得された実測センサ値との差異を求め、その差異に基づいて対象とする動力設備2が異常状態にあるか否かを判断する。なお、この故障兆候検知部13は、故障兆候の検知処理の手順を記述したプログラム、当該プログラムに従って処理を実行する制御装置等で構成することができる。   Further, the failure sign detection unit 13 includes the sensor value of the power equipment 2 acquired by the sensor information acquisition unit 11 during the actual operation of the power equipment 2 and the prediction model that the prediction model construction unit 12 has constructed for the power equipment 2. This is a part for detecting (judging) a failure sign of the power equipment 2. Although details of the failure sign detection method will be described later, the difference between the predicted sensor value based on the prediction model and the actually measured sensor value acquired by the sensor 21 is obtained, and the target power equipment 2 is based on the difference. It is determined whether or not is in an abnormal state. The failure sign detection unit 13 can be configured by a program describing a procedure of failure sign detection processing, a control device that executes processing according to the program, and the like.
次に、故障種別特定部14は、前記故障兆候検知部13が故障兆候を検知した際に、その故障の種別を特定する部分である。具体的には、後述する故障モデル記憶部15に記憶された故障モデルと、前記故障兆候検知部13が求めた予測センサ値と実測センサ値との差異を比較することにより、故障の種別を特定する。特定方法の詳細は後述するが、故障種別とは、故障部位、故障現象等、故障の内容を識別するための情報である。なお、この故障種別特定部14は、故障種別の特定処理の手順を記述したプログラム、当該プログラムに従って処理を実行する制御装置、及び特定の結果を遠隔監視システム1のユーザに報知するための出力装置(モニタ、プリンタ等)などで構成することができる。   Next, the failure type identification unit 14 is a part that identifies the type of failure when the failure sign detection unit 13 detects a failure sign. Specifically, the failure type is identified by comparing the difference between the failure model stored in the failure model storage unit 15 to be described later and the predicted sensor value obtained by the failure sign detection unit 13 and the measured sensor value. To do. Although the details of the specifying method will be described later, the failure type is information for identifying the content of the failure, such as a failure part and a failure phenomenon. The failure type specifying unit 14 includes a program describing a procedure for specifying a failure type, a control device that executes processing according to the program, and an output device for notifying a user of the remote monitoring system 1 of a specific result. (A monitor, a printer, etc.).
また、故障モデル記憶部15は、前述した故障種別特定部14で用いられる故障モデルを記憶しておく部分である。故障モデルとは、過去に経験した故障などその故障時における、前記予測センサ値と実測センサ値との差異のパターン(傾向)が判っている故障についての当該パターンのことを意味し、予め遠隔監視システム1に記憶させておく。かかる故障モデルの詳細は後述するが、動力設備2の故障種別毎にこの故障モデルは概ね決まっている。なお、この故障モデル記憶部15は、ハードディスク等の記憶装置などで構成することができる。   The failure model storage unit 15 is a part that stores a failure model used in the failure type identification unit 14 described above. The failure model means a failure pattern in which a difference pattern (trend) between the predicted sensor value and the measured sensor value at the time of the failure such as a failure experienced in the past is known, and is remotely monitored in advance. Stored in the system 1. Although details of such a failure model will be described later, this failure model is generally determined for each failure type of the power equipment 2. The failure model storage unit 15 can be composed of a storage device such as a hard disk.
図2は、本遠隔監視システム1における処理内容を例示したフローチャートである。以下、図2等に基づいて、監視対象の動力設備2が新規に設置された後、あるいは動力設備2の修理が完了した後の処理内容について説明する。なお、説明の便宜上、センサ21a、21b、21cを有する一つの動力設備2(例えば、図1の左上に示す動力設備2)に着目して説明する。   FIG. 2 is a flowchart illustrating the processing contents in the remote monitoring system 1. Hereinafter, based on FIG. 2 etc., the processing content after the monitoring target power equipment 2 is newly installed or after the repair of the power equipment 2 is completed will be described. For convenience of explanation, the description will be given focusing on one power equipment 2 having the sensors 21a, 21b, and 21c (for example, the power equipment 2 shown in the upper left of FIG. 1).
まず、監視対象の動力設備2を起動し、試運転を行って正常運転であることを確認する。その後、動力設備2に取付けられた複数のセンサ21で定期的(例えば、1時間毎)に検知を行い、検知されたセンサ値を通信回線3を介して遠隔監視システム1に順次送信する。   First, the power equipment 2 to be monitored is activated and a trial operation is performed to confirm that the operation is normal. Thereafter, detection is performed periodically (for example, every hour) by a plurality of sensors 21 attached to the power equipment 2, and the detected sensor values are sequentially transmitted to the remote monitoring system 1 via the communication line 3.
遠隔監視システム1では、センサ情報取得部11が、上記送信されるセンサ値を順次受信して、格納する(図2のステップS11)。図3は、センサ情報取得部11が取得、格納したセンサ値と予測モデルを説明するための図である。図3の(a)は、センサ情報取得部11が取得したセンサ値を時系列で例示しており、ここでは、一つの動力設備2が備える3つのセンサ21a、21b、21cのセンサ値a、b、cを示している。「データ取得No.」は、前記動力設備2の起動後、何回目に検知されたセンサ値かを示すものであり、例えば、“1”の右側の値“60、20、35”は、それぞれ起動後1回目(1時間後)に検知されたセンサ21a、21b、21cのセンサ値である。   In the remote monitoring system 1, the sensor information acquisition unit 11 sequentially receives and stores the transmitted sensor values (step S11 in FIG. 2). FIG. 3 is a diagram for explaining sensor values and prediction models acquired and stored by the sensor information acquisition unit 11. (A) of FIG. 3 has illustrated the sensor value which the sensor information acquisition part 11 acquired in time series, Here, sensor value a of three sensors 21a, 21b, 21c with which one power equipment 2 is provided, b and c are shown. “Data acquisition No.” indicates how many times the sensor value is detected after the power equipment 2 is started. For example, the values “60, 20, 35” on the right side of “1” are respectively The sensor values of the sensors 21a, 21b, and 21c detected at the first time (after one hour) after activation.
センサ情報取得部11は、継続してセンサ値の受信、格納を行うが、予め定めた数(回数)のセンサ値を取得した時点で、前述した予測モデル構築部12が予測モデルの構築処理を開始する(図2のステップS12及び13)。なお、上記予め定めた数とは、予測モデルを構築するのに必要な数、即ち、後述する統計的な処理を実施し所謂学習を行うのに十分な数のことであり、例えば、50という値に定められる。   The sensor information acquisition unit 11 continuously receives and stores sensor values. At the time of acquiring a predetermined number (number of times) of sensor values, the prediction model construction unit 12 described above performs the construction process of the prediction model. Start (steps S12 and S13 in FIG. 2). Note that the predetermined number is a number necessary for constructing a prediction model, that is, a number sufficient to perform statistical processing described later and perform so-called learning, for example, 50. Determined by value.
予測モデルの構築とは、前述の通り、複数のセンサ21における値の相関関係を定めることであり、予測モデル構築部12は、前記取得され格納された、予め定めた回数分のセンサ値を用いて、所謂統計的解析手法により、センサ値間の相関関係を定める数式等を求める。例えば、図3の(a)に示した例では、50回分のセンサ値a、b、c(図のAに示す部分のデータ)を用いて、例えば、主成分分析の手法によりセンサ値a、b、c間の関係を下記(1)式のように表す。   As described above, the construction of the prediction model is to determine the correlation between the values in the plurality of sensors 21, and the prediction model construction unit 12 uses the sensor values for the predetermined number of times acquired and stored. Thus, a mathematical formula or the like for determining the correlation between sensor values is obtained by a so-called statistical analysis method. For example, in the example shown in FIG. 3A, the sensor values a, b, and c (data of the portion shown in A in the figure) for 50 times are used, for example, by the principal component analysis technique. The relationship between b and c is expressed by the following equation (1).
t=ap1+bp2+cp3 (1)
ここで、tは、センサ値a、b、cからなる3次元空間で、前記使用した(取得した)センサ値から成る点が分布する空間の主成分方向を表す軸上の値である。また、p1、p2、p3は、その主成分方向を表す軸を規定する定数であり、予測モデル構築部12が行うモデル構築処理とは、例えば、これらp1、p2、p3の値を決定する処理である。図3の(b)は、上記(1)式に基づく予測モデルを例示した図である。図中のxで表される点など黒点が、前記取得されたセンサ値から成る点であり、(a,b,c)という成分を有している。例えば、図3の(a)におけるデータ取得No.“1”のセンサ値は、図3の(b)における3次元空間において(60,20,35)という点として表される。このように、予測モデル構築に使用する全てのデータについてa、b、cからなる3次元空間に点をプロットすると、通常、それらの点の分布にはある傾向が見られ、例えば、図3の(b)に示すような空間(図のs)を形成する。かかる空間sの長手方向を示す軸が前述した主成分方向を表す軸tである。前記(1)式に基づくモデル化とは、センサ21a、21b、21cで検知されるセンサ値a、b、cから成る点xは、a、b、cからなる3次元空間において、主成分方向を表す軸t上にプロットされる、と予測することである。
t = ap 1 + bp 2 + cp 3 (1)
Here, t is a three-dimensional space composed of sensor values a, b, and c, and is an axial value representing the principal component direction of the space in which the points composed of the used (acquired) sensor values are distributed. Further, p 1 , p 2 , and p 3 are constants that define the axis representing the principal component direction, and the model construction process performed by the prediction model construction unit 12 is, for example, p 1 , p 2 , p 3 Is a process for determining the value of. FIG. 3B is a diagram illustrating a prediction model based on the above equation (1). A black point such as a point represented by x in the figure is a point formed of the acquired sensor value, and has a component (a, b, c). For example, the data acquisition number in FIG. The sensor value “1” is represented as a point (60, 20, 35) in the three-dimensional space in FIG. In this way, when points are plotted in a three-dimensional space consisting of a, b, and c for all data used for constructing a prediction model, there is usually a tendency in the distribution of those points. For example, FIG. A space (s) is formed as shown in FIG. The axis indicating the longitudinal direction of the space s is the axis t indicating the principal component direction described above. The modeling based on the equation (1) means that a point x consisting of sensor values a, b, c detected by the sensors 21a, 21b, 21c is a principal component direction in a three-dimensional space consisting of a, b, c. To be plotted on the axis t representing
このように予測モデル構築部12は、動力設備2の正常運転時に取得されたセンサ値を用いて予測モデルを構築し、その構築した予測モデルを格納しておく。なお、前述の例では、予測モデル構築に採用した主成分分析において、tという1次元の軸でモデル化したが、2次元平面でモデル化してもよい。また、前記例では、3つのセンサ21の値を用いたが、センサ21の数は3つに限定されているものではなく、その数に応じて、上記主成分分析におけるモデル化の次数を変更してもよい。更に、複数のセンサ21間の相関関係を求められるものであれば、主成分分析に限らず回帰分析など他の手法を用いても良い。   In this way, the prediction model construction unit 12 constructs a prediction model using the sensor value acquired during normal operation of the power equipment 2, and stores the constructed prediction model. In the above-described example, in the principal component analysis adopted for the prediction model construction, modeling is performed with a one-dimensional axis t. However, modeling may be performed with a two-dimensional plane. In the above example, the values of the three sensors 21 are used. However, the number of the sensors 21 is not limited to three, and the modeling order in the principal component analysis is changed according to the number. May be. Furthermore, as long as the correlation between the plurality of sensors 21 can be obtained, other methods such as regression analysis may be used instead of the principal component analysis.
以上説明した処理が、本遠隔監視システム1における学習フェーズ(図2のS10)であり、次に、実際の監視処理である故障兆候検知フェーズ(図2のS20)に入る。前述のように、センサ情報取得部11は、順次動力設備2から送信されるセンサ値を受信、格納している(図2のステップS21)。図3の(a)に示す例では、Bに示す部分のデータを順次取得する。ここで、故障兆候検知部13は、センサ情報取得部11が新たなセンサ値を受信する度に、その受信したセンサ値について異常な値であるか否かを判断する。具体的には、前記予測モデル構築部12が構築した予測モデルと前記受信したセンサ値によりセンサ値の予測値を求め、当該予測値と前記受信したセンサ値(即ち、実測値)との差異を求め、この差異の大きさに基づいて異常であるか否かを判断する(図2のステップS22)。   The process described above is the learning phase (S10 in FIG. 2) in the remote monitoring system 1, and then enters the failure sign detection phase (S20 in FIG. 2) which is the actual monitoring process. As described above, the sensor information acquisition unit 11 sequentially receives and stores sensor values transmitted from the power equipment 2 (step S21 in FIG. 2). In the example shown in FIG. 3A, the data of the portion shown in B is sequentially acquired. Here, every time the sensor information acquisition unit 11 receives a new sensor value, the failure sign detection unit 13 determines whether or not the received sensor value is an abnormal value. Specifically, a predicted value of a sensor value is obtained from the predicted model constructed by the predicted model construction unit 12 and the received sensor value, and the difference between the predicted value and the received sensor value (ie, measured value) is calculated. Based on the magnitude of this difference, it is determined whether or not it is abnormal (step S22 in FIG. 2).
図4は、前記予測値と実測値との差異を説明するための図である。図4には、前記(1)式及び図3に基づいて説明した例の場合について示されており、センサ値a、b、cから成る3次元空間と主成分方向の軸tは、図3の(b)と同じである。例えば、センサ情報取得部11が受信したセンサ値が図4のx(a1,b1,c1)に位置する場合には、故障兆候検知部13は、このxの値(a1,b1,c1)を前記(1)式に代入しt1を求める。このt1は、主成分方向の軸t上の値であり、図4のxtで示す位置、即ち、xから軸tに投影した位置を表している。このxtで示す点もa、b、cから成る3次元空間の点であり、(at1,bt1,ct1)という成分を有している。この(at1,bt1,ct1)が、前記故障兆候検知部13が求めるセンサ値の予測値である。そして、前述した故障兆候検知部13が求める予測値と実測値の差異が、この予測値xt(at1,bt1,ct1)と実測値x(a1,b1,c1)との差異であり、図4のeで示す残差ベクトルである。この例において、故障兆候検知部13は、この残差ベクトルeの大きさに基づいて実測値x(a1,b1,c1)が異常であるか否かを判断する。例えば、上記残差ベクトルeの長さの二乗(以下、SPE(二乗予測誤差)値と称す)が95%信頼限界値を越えた場合にはセンサ値(実測値x)が異常であると判断する。なお、この95%信頼限界値とは、統計解析において通常用いられる値であり、95%の確率でこの値を越えないという値を意味する。本実施の形態例の場合、この値は前述した学習フェースで求めておく。 FIG. 4 is a diagram for explaining a difference between the predicted value and the actually measured value. FIG. 4 shows the case of the example described based on the equation (1) and FIG. 3, and the three-dimensional space composed of sensor values a, b, and c and the axis t in the principal component direction are shown in FIG. The same as (b). For example, when the sensor value received by the sensor information acquisition unit 11 is located at x (a1, b1, c1) in FIG. 4, the failure sign detection unit 13 sets the value (a1, b1, c1) of x. Substituting into the equation (1), t1 is obtained. This t1 is a value on the axis t in the principal component direction, and represents the position indicated by xt in FIG. 4, that is, the position projected from x to the axis t. The x t a well point indicated by, b, a point in the three-dimensional space consisting of c, and a component that (a t 1, b t 1 , c t 1). The (a t 1, b t 1 , c t 1) is the predicted value of the sensor value which the fault indications detection unit 13 obtains. Then, the difference of the measured and predicted values of the failure sign detection unit 13 described above finding is, this predicted value x t (a t 1, b t 1, c t 1) and the measured value x (a1, b1, c1) This is a residual vector indicated by e in FIG. In this example, the failure sign detection unit 13 determines whether or not the actual measurement value x (a1, b1, c1) is abnormal based on the magnitude of the residual vector e. For example, if the square of the length of the residual vector e (hereinafter referred to as SPE (square prediction error) value) exceeds a 95% confidence limit value, it is determined that the sensor value (actual measurement value x) is abnormal. To do. The 95% confidence limit value is a value usually used in statistical analysis, and means a value that does not exceed this value with a probability of 95%. In the case of this embodiment, this value is obtained by the learning face described above.
以上説明したように、取得したセンサ値に対して異常であるか否かを判断すると(図2のステップS22)、故障兆候検知部13は、今回取得したセンサ値に対する上記判断結果と過去に取得したセンサ値に対する異常値であるか否かの判断結果に基づいて、対象とする動力設備2に故障の兆候が有るか否かを判断する(図2のステップS23)。具体的には、所定の回数連続して、取得したセンサ値が異常であるという判断がなされた場合に、動力設備2に故障の兆候が有ると判断する。これは、動力設備2に故障がなく正常運転の際にも単発的にはセンサ値が異常な値を示す場合があり得るからである。例えば、前述した例において、図2のステップS22における処理で、SPE値が連続して10回、95%信頼限界値を越えた場合には、故障兆候を検知したと判断する。   As described above, when it is determined whether or not the acquired sensor value is abnormal (step S22 in FIG. 2), the failure sign detection unit 13 acquires the determination result for the sensor value acquired this time and the past. Based on the determination result of whether or not the sensor value is an abnormal value, it is determined whether or not there is a sign of failure in the target power equipment 2 (step S23 in FIG. 2). Specifically, when it is determined that the acquired sensor value is abnormal continuously for a predetermined number of times, it is determined that the power equipment 2 has a sign of failure. This is because there may be a case where the sensor value shows an abnormal value on a one-off basis even during normal operation without any failure in the power equipment 2. For example, in the above-described example, if the SPE value exceeds the 95% confidence limit value 10 times continuously in the process in step S22 of FIG. 2, it is determined that a failure sign has been detected.
図5は、前記SPE値を時系列で例示した図である。図の「観測日数」が“0”の位置が、動力設備2を起動させた時点であり、それ以降、センサ21で値が検知される度に求められる前記SPE値が順次右側へプロットされている。また、図に示すCの期間が、前述した学習フェーズに当たる期間であり、それ以降の期間に対して、前述した故障兆候の検知が行われる。また、図のEに示すラインは、前述した95%信頼限界値を示すラインであり、このラインを越えるSPE値が求められた場合には、前述の如く、その時のセンサ値は異常であると判断される。   FIG. 5 is a diagram illustrating the SPE values in time series. The position where the “observation days” in the figure is “0” is the time when the power equipment 2 is started, and thereafter, the SPE values obtained each time the value is detected by the sensor 21 are sequentially plotted on the right side. Yes. Further, the period C shown in the figure is a period corresponding to the learning phase described above, and the above-described failure signs are detected in the subsequent period. In addition, the line shown by E in the figure is the line showing the above-mentioned 95% confidence limit value, and when the SPE value exceeding this line is obtained, the sensor value at that time is abnormal as described above. To be judged.
図5に示す例では、学習期間後、SPE値がEのラインを越えることが度々あるが、観測日数が50日の辺りまでは、前述した所定の回数(例えば、10回)連続して越えることがないので、故障兆候が有るとは判断されない。しかし、図5のDに示す期間に至ると、SPE値が所定の回数連続してEのラインを越えており、この時点で、故障兆候検知部13は、動力設備2に故障兆候が有ると判断する。   In the example shown in FIG. 5, the SPE value often exceeds the E line after the learning period, but the observation days exceed the predetermined number of times (for example, 10 times) continuously until around 50 days. It is not determined that there is a sign of failure. However, when the period shown in D of FIG. 5 is reached, the SPE value exceeds the E line for a predetermined number of times, and at this point, the failure sign detection unit 13 determines that the power equipment 2 has a failure sign. to decide.
なお、ここでは、取得したセンサ値が複数回連続して異常であると判断された場合に、動力設備2に故障兆候が有ると判断したが、監視対象の設備やセンサによっては、複数のセンサ21(例えば、センサ21a、21b、21c)の1回の取得値に基づいて、動力設備2の故障兆候を判断するようにしてもよい。   Here, when it is determined that the acquired sensor value is abnormal continuously several times, it is determined that the power equipment 2 has a failure sign. However, depending on the equipment and sensors to be monitored, a plurality of sensors A failure sign of the power equipment 2 may be determined based on a single acquired value of 21 (for example, the sensors 21a, 21b, and 21c).
このような故障兆候検知部13における故障兆候の検知の結果、故障兆候を検知しなかった場合には(図2のステップS23のNo)、監視対象の動力設備2を停止するなどの、本遠隔監視システム1による監視を終了する事由がない限り(図2のステップS24のNo)、前述した図2のステップS21からの処理を繰り返し実行する。上記監視を終了する事由が有れば(図2のステップS24のYes)、監視を終了する。   If no failure sign is detected as a result of the failure sign detection in the failure sign detection unit 13 (No in step S23 in FIG. 2), the remote power facility 2 to be monitored is stopped. As long as there is no reason to end the monitoring by the monitoring system 1 (No in step S24 in FIG. 2), the processing from step S21 in FIG. 2 described above is repeatedly executed. If there is a reason for terminating the monitoring (Yes in step S24 in FIG. 2), the monitoring is terminated.
一方、前記故障兆候の検知の結果、故障兆候を検知した場合には(図2のステップS23のYes)、当該兆候を検知した故障についてその種別の特定処理に移行する(図2のS20→S30)。   On the other hand, if a failure sign is detected as a result of the detection of the failure sign (Yes in step S23 in FIG. 2), the process proceeds to the type specific processing for the failure in which the sign is detected (S20 → S30 in FIG. 2). ).
以上説明したような処理により、故障兆候検知フェーズ(S20)が終了するが、前述のように、本遠隔監視システム1では、同じ動力設備2に取付けられた複数のセンサ21の値には相互に何らかの関係があるであろうことに着目し、正常運転時におけるそれらの関係、即ち、前記予測モデルに基づいて故障兆候の検知を行う。従って、各センサ21のそれぞれの値のみに基づいて故障を判断する従来法よりも正確かつ早期な故障兆候の検知が可能である。   By the processing as described above, the failure sign detection phase (S20) is completed. As described above, in the remote monitoring system 1, the values of the plurality of sensors 21 attached to the same power facility 2 are mutually different. Focusing on the fact that there will be some relationship, failure signs are detected based on those relationships during normal operation, that is, based on the prediction model. Therefore, it is possible to detect a failure sign more accurately and earlier than the conventional method of determining a failure based only on the value of each sensor 21.
図6は、かかる本遠隔監視システム1の効果を説明するための図である。図6に示す2つのグラフは、同じ動力設備2に取付けられたセンサ21aとセンサ21bで検知される値a、bを時系列にそれぞれプロットしたものである。当該グラフにおいて、実線が、動力設備2が正常に運転されている場合の値であり、前述の通り、aとbにはある相関関係があるので、例えば、bの値が図のFで示す部分のような動きをすれば、この相関関係がくずれることとなる。通常、このような場合には、動力設備2に何らかの問題があると言える。本遠隔監視システム1では、前述の通り、この相関関係に基づいて故障兆候の検知を判断するので、上記Fで示す部分のような値が検知された時点で、動力設備2に故障の兆候があると判断できる。一方、従来の方法では、通常、a、bのそれぞれが予め定められた値(例えば、図6の閾値)を越えた場合にはじめて動力設備2が故障であると判断する。従って、上記Fで示す部分のような値が検知された場合でも、それらの値が閾値を越えていないため、故障であるとは判断しない。従って、不具合を早期に発見することができない。   FIG. 6 is a diagram for explaining the effect of the remote monitoring system 1. The two graphs shown in FIG. 6 are obtained by plotting values a and b detected by the sensor 21a and the sensor 21b attached to the same power equipment 2 in time series. In this graph, the solid line is the value when the power equipment 2 is operating normally, and as described above, there is a correlation between a and b. For example, the value of b is indicated by F in the figure. If it moves like a part, this correlation will be broken. Usually, in such a case, it can be said that there is some problem in the power equipment 2. Since the remote monitoring system 1 determines the detection of a failure sign based on this correlation as described above, when a value such as the portion indicated by F is detected, there is a failure sign in the power equipment 2. It can be judged that there is. On the other hand, in the conventional method, it is usually determined that the power equipment 2 is faulty only when each of a and b exceeds a predetermined value (for example, the threshold value in FIG. 6). Therefore, even if values such as the portion indicated by F are detected, these values do not exceed the threshold value, so that it is not determined that there is a failure. Therefore, it is not possible to find a defect at an early stage.
次に、図2に戻って、前記故障兆候検知フェーズ(図2のS20)で兆候を検知した場合には、前述の通り、遠隔監視システム1は、当該故障についてその種別の特定を行う(図2のS30)。図7は、この故障種別特定処理を説明するための図である。まず、遠隔監視システム1の故障種別特定部14は、前記故障兆候検知部13が求めたセンサ値の予測値と実測値との差異を解析する(図2のステップS31)。具体的には、例えば、前記図3及び図4に基づいて説明した例の場合には、故障兆候検知部13が求めた残差ベクトルeの成分(ea,eb,ec)値を取り出す。取り出された残差ベクトルeの成分(ea,eb,ec)値は、例えば、図7の(b)において、「実測値のパターン」として示されているものである。   Next, returning to FIG. 2, when a sign is detected in the failure sign detection phase (S20 in FIG. 2), as described above, the remote monitoring system 1 identifies the type of the failure (see FIG. 2). 2 S30). FIG. 7 is a diagram for explaining the failure type identification process. First, the failure type identification unit 14 of the remote monitoring system 1 analyzes the difference between the predicted value of the sensor value obtained by the failure sign detection unit 13 and the actual measurement value (step S31 in FIG. 2). Specifically, for example, in the case of the example described with reference to FIGS. 3 and 4, the component (ea, eb, ec) value of the residual vector e obtained by the failure sign detection unit 13 is extracted. The component (ea, eb, ec) value of the extracted residual vector e is, for example, shown as “actual value pattern” in FIG. 7B.
次に、故障種別特定部14は、前記予測値と実測値との差異と、前述した故障モデル記憶部15に記憶された故障モデルとを照合し、今回検知された故障の種別を特定する(図2のステップS32)。具体的には、故障種別毎に記憶されている故障モデルの中から、今回得られた予測値と実測値との差異とパターン(傾向)が一致する、あるいは極めて類似する故障モデルを選出し、その選出された故障モデルの故障種別を、今回検知された故障の種別であると特定する。これは、故障の種別が同じであれば、前記予測値と実測値との差異のパターン(傾向)がほぼ同一となり、故障の種別が異なれば、前記パターン(傾向)が異なったものとなることが、実験的に知られているからである。   Next, the failure type identification unit 14 compares the difference between the predicted value and the actual measurement value with the failure model stored in the failure model storage unit 15 described above, and identifies the type of failure detected this time ( Step S32 in FIG. Specifically, from the failure models stored for each failure type, a failure model in which the difference between the predicted value obtained this time and the actual measurement value and the pattern (trend) match or is very similar is selected, The failure type of the selected failure model is specified as the type of failure detected this time. This is because if the failure type is the same, the difference pattern (trend) between the predicted value and the actual measurement value is almost the same, and if the failure type is different, the pattern (trend) is different. This is because it is known experimentally.
図7の(a)は、前記図3及び図4に基づいて説明した例において、3つの残差ベクトルを例示したものである。図のx1、x2、及びx3がセンサ値の3つの実測値であり、e1、e2、及びe3がそれらに対応する残差ベクトルである。前述の通り、予測値と実測値との差異のパターン(傾向)、この例の場合には残差ベクトルの各成分のパターン、即ち、残差ベクトルの方向は、故障種別毎にほぼ同じものとなる。従って、図7の(a)において、残差ベクトルe1とe3の方向がほぼ同じことから、実測値x1とx3に係る故障種別は同じであると判断でき、残差ベクトルの方向が異なる実測値x2に係る故障種別はこれらとは別のものであると判断することができる。   FIG. 7A illustrates three residual vectors in the example described with reference to FIGS. In the figure, x1, x2, and x3 are three actually measured values of sensor values, and e1, e2, and e3 are residual vectors corresponding to them. As described above, the pattern (trend) of the difference between the predicted value and the actually measured value, in this case, the pattern of each component of the residual vector, that is, the direction of the residual vector is substantially the same for each failure type. Become. Accordingly, in FIG. 7A, since the directions of the residual vectors e1 and e3 are substantially the same, it can be determined that the failure types relating to the actual measurement values x1 and x3 are the same, and the actual measurement values having different residual vector directions. It can be determined that the failure type related to x2 is different from these.
図8は、実験によって得られた残差ベクトルの各成分を示した図である。図8の例は、電気ヒートポンプに備えられた12のセンサで検知された値から求められた残差ベクトルの成分であり、横軸が12の成分を示し、縦軸がそれらの成分値を示している。図の(a)及び(b)は、電気ヒートポンプが「熱交換器目詰まり」という故障を起した時の異なる日時のデータであり、また、図の(c)及び(d)は、「冷媒漏れ」という故障を起した時の異なる日時のデータである。そして、これら4つの残差ベクトルの相関係数を計算すると、同じ故障種別である(a)及び(b)と、(c)及び(d)はそれぞれ高い値となり、異なる故障種別間では低い値となる。従って、この実験からも残差ベクトルの成分パターンにより故障種別の特定を行うことができることがわかる。   FIG. 8 is a diagram showing each component of the residual vector obtained by the experiment. The example of FIG. 8 shows the components of the residual vector obtained from the values detected by the 12 sensors provided in the electric heat pump, the horizontal axis indicates 12 components, and the vertical axis indicates those component values. ing. (A) and (b) in the figure are data at different dates and times when the electric heat pump has a failure "clogged heat exchanger", and (c) and (d) in the figure are "refrigerant" Data of different date and time when the failure "leakage" occurs. When the correlation coefficients of these four residual vectors are calculated, (a) and (b), (c) and (d), which are the same failure types, have high values, and low values between different failure types. It becomes. Therefore, it can be seen from this experiment that the failure type can be specified by the component pattern of the residual vector.
図7の(b)は、上記故障種別の特定を、より具体的に例示した図である。これも前記図3及び図4に基づいて説明した例と同じ条件によるものである。図の左側に示されているものが、故障モデル記憶部15に記憶されている故障モデルの例であり、複数の故障種別(種別イ、種別ロ、種別ハなど)についてそれぞれ対応する残差ベクトルの成分(パターン)が納められている。故障種別には、例えば、上記電気ヒートポンプにおける「熱交換器目詰まり」、「冷媒漏れ」や故障部位を示すものなどがある。また、これら故障モデルは、過去に経験した故障の際に実際に得られたセンサ値から求めた残差ベクトルなどが用いられる。   FIG. 7B is a diagram illustrating more specifically the specification of the failure type. This is also due to the same conditions as the example described with reference to FIGS. What is shown on the left side of the figure is an example of a failure model stored in the failure model storage unit 15, and corresponding residual vectors for a plurality of failure types (type A, type B, type C, etc.). The component (pattern) of is stored. The failure type includes, for example, “heat exchanger clogged”, “refrigerant leak”, and a failure part in the electric heat pump. Further, for these failure models, residual vectors obtained from sensor values actually obtained in the case of failures experienced in the past are used.
図の右側に示す「実測値のパターン」は、前述の通り、今回得られた残差ベクトルの成分を示しており、このパターンが上記各故障モデルのパターンと照合される。図に示す例では、実測値のパターンが種別ロの故障モデルと類似するので、この場合には、兆候を示している故障は種別ロであると特定する。上記類似するとの判断においては、例えば、実測値に係る残差ベクトルの単位ベクトルと各故障モデルに係る残差ベクトルの単位ベクトルとの内積を計算し、その結果が1に近ければ類似と判断する。即ち、前述の通り、残差ベクトルの方向がほぼ同じであれば、同一の故障種別であると判断する。   As described above, the “measured value pattern” shown on the right side of the figure indicates the residual vector component obtained this time, and this pattern is collated with the pattern of each failure model. In the example shown in the figure, since the pattern of the actual measurement value is similar to the failure model of type B, in this case, the failure indicating the sign is specified as type B. In the determination of similarity, for example, the inner product of the unit vector of the residual vector related to the actual measurement value and the unit vector of the residual vector related to each failure model is calculated, and if the result is close to 1, it is determined to be similar . That is, as described above, if the directions of the residual vectors are almost the same, it is determined that the failure types are the same.
以上説明したように、故障種別の特定を終了すると、故障種別特定部14は、故障情報を当該遠隔監視システム1のユーザに報知する(図2のステップS33)。故障情報の内容は、例えば、故障兆候を検知した動力設備2とその故障種別などである。また、報知の手段は、モニタへの表示やプリンタによる紙への印刷などである。その後、遠隔監視システム1は、当該検知した故障兆候により動力設備2を停止すべき場合など監視処理を終了する事由があれば(図2のステップS24のYes)、監視を終了する。そして、必要に応じて故障兆候が検知された動力設備2の点検、修理等がなされる。一方、監視処理を終了する事由がなければ(図2のステップS24のNo)、監視処理を継続し、前述した図2のステップS21からの処理を繰り返し実行する。   As described above, when the identification of the failure type is completed, the failure type identification unit 14 notifies the failure information to the user of the remote monitoring system 1 (step S33 in FIG. 2). The content of the failure information is, for example, the power equipment 2 that has detected the failure sign and its failure type. Further, the notification means includes display on a monitor and printing on paper by a printer. Thereafter, the remote monitoring system 1 ends the monitoring if there is a reason to end the monitoring process such as when the power facility 2 should be stopped due to the detected failure sign (Yes in step S24 in FIG. 2). Then, inspection, repair, and the like of the power equipment 2 in which the failure sign is detected are performed as necessary. On the other hand, if there is no reason to end the monitoring process (No in step S24 in FIG. 2), the monitoring process is continued, and the process from step S21 in FIG. 2 described above is repeatedly executed.
以上説明した処理により、故障種別特定フェーズ(S30)の処理が終了するが、本遠隔監視システム1では、故障を精度よく識別可能な、前述したセンサ値の予測値と実測値との差異の傾向に基づいて、故障種別の特定がなされるので、従来よりも正確な故障種別の特定、故障診断が可能となる。なお、故障種別特定フェーズ(S30)の具体的な説明においても主成分分析に基づく内容で説明したが、前述した予測モデルの構築からの処理において、回帰分析などの他の多変量解析の手法を用いることもできる。   Although the processing of the failure type identification phase (S30) is completed by the processing described above, in the remote monitoring system 1, the tendency of the difference between the above-described predicted value of the sensor value and the actual measurement value that can accurately identify the failure. Therefore, the failure type can be specified based on the above, so that the failure type can be specified and diagnosed more accurately than in the past. In the specific description of the failure type identification phase (S30), the description is based on the content based on the principal component analysis. However, other multivariate analysis methods such as regression analysis are used in the processing from the construction of the prediction model described above. It can also be used.
このように本実施の形態例に係る遠隔監視システム1によれば、複数のセンサ21で検知される値に対する多変量解析により、前記複数のセンサ21間の相関関係に着目した故障検知及び故障種別の特定がなされ、故障の早期発見及び正確な故障診断が可能となる。また、それぞれ離れた場所に点在する複数の監視対象(動力設備2)について、1箇所において監視できるので、設備の監視業務やメンテナンス作業における省力化を図ることができる。更に、故障診断がシステムにより自動的に行われるので、人が判断する場合のような熟練を必要とせず、個人差もなくなる。   As described above, according to the remote monitoring system 1 according to the present embodiment, failure detection and failure type focusing on the correlation between the plurality of sensors 21 by multivariate analysis on the values detected by the plurality of sensors 21. Thus, it is possible to detect failures early and accurately diagnose failures. In addition, since a plurality of monitoring objects (power equipment 2) scattered at different locations can be monitored at one place, labor saving in equipment monitoring work and maintenance work can be achieved. Further, since the failure diagnosis is automatically performed by the system, no skill is required as in the case where a person makes a judgment, and there is no individual difference.
なお、本実施の形態例においては、動力設備2が遠隔監視システム1の監視対象であったが、監視対象は動力設備に限らず、センサ値を取得できる設備であれば他のものでも良い。   In the present embodiment, the power facility 2 is the monitoring target of the remote monitoring system 1, but the monitoring target is not limited to the power facility, and any other device may be used as long as it can acquire a sensor value.
本発明の保護範囲は、上記の実施の形態に限定されず、特許請求の範囲に記載された発明とその均等物に及ぶものである。   The protection scope of the present invention is not limited to the above-described embodiment, but covers the invention described in the claims and equivalents thereof.
本発明を適用した遠隔監視システムの実施の形態例に係る構成図である。1 is a configuration diagram according to an embodiment of a remote monitoring system to which the present invention is applied. 本遠隔監視システム1における処理内容を例示したフローチャートである。3 is a flowchart illustrating processing contents in the remote monitoring system 1; センサ情報取得部11が取得、格納したセンサ値と予測モデルを説明するための図である。It is a figure for demonstrating the sensor value and prediction model which the sensor information acquisition part 11 acquired and stored. センサ値の予測値と実測値との差異を説明するための図である。It is a figure for demonstrating the difference of the predicted value and actual value of a sensor value. SPE値を時系列で例示した図である。It is the figure which illustrated SPE value in time series. 本遠隔監視システム1の効果を説明するための図である。It is a figure for demonstrating the effect of this remote monitoring system. 故障種別特定処理を説明するための図である。It is a figure for demonstrating failure classification specific processing. 実験によって得られた残差ベクトルの各成分を示した図である。It is the figure which showed each component of the residual vector obtained by experiment.
符号の説明Explanation of symbols
1 遠隔監視システム
2 動力設備
3 通信回線
11 センサ情報取得部(センサ値取得手段)
12 予測モデル構築部(予測モデル構築手段)
13 故障兆候検知部(故障兆候検知手段)
14 故障種別特定部(故障種別決定手段)
15 故障モデル記憶部(故障モデル記憶手段)
21、21a、21b、21c センサ
DESCRIPTION OF SYMBOLS 1 Remote monitoring system 2 Power equipment 3 Communication line 11 Sensor information acquisition part (sensor value acquisition means)
12 Prediction model construction part (prediction model construction means)
13 Failure sign detection unit (failure sign detection means)
14 Failure type identification part (failure type determination means)
15 Failure model storage unit (failure model storage means)
21, 21a, 21b, 21c sensor

Claims (8)

  1. 各々が複数のセンサを備える複数の設備を遠隔監視する遠隔監視システム であって、
    前記設備から送信される、前記複数のセンサで検知された実測センサ値を、随時取得 するセンサ値取得手段と、
    前記設備が正常運転をしている際に、前記複数のセンサで検知され前記センサ値取得 手段で取得された実測センサ値に基づいて、前記複数のセンサで検知される複数の実測 センサ値間の相関関係を求め、当該相関関係を予測モデルとして格納する予測モデル構 築手段と、
    前記センサ値取得手段が前記複数のセンサの実測センサ値を取得した際に、当該取得 した実測センサ値と前記予測モデル構築手段が格納する予測モデルとから当該複数のセ ンサの予測センサ値を求め、当該実測センサ値と予測センサ値との差異に基づいて、当 該設備の故障兆候を検知する故障兆候検知手段とを有する
    ことを特徴とする遠隔監視システム。
    A remote monitoring system for remotely monitoring a plurality of facilities each having a plurality of sensors,
    Sensor value acquisition means for acquiring, as needed, measured sensor values detected by the plurality of sensors transmitted from the facility;
    When the equipment is in normal operation, based on the actual sensor values detected by the plurality of sensors and acquired by the sensor value acquisition means, between the actual sensor values detected by the plurality of sensors. A prediction model building means for obtaining a correlation and storing the correlation as a prediction model;
    When the sensor value acquisition unit acquires the measured sensor values of the plurality of sensors, the predicted sensor values of the plurality of sensors are obtained from the acquired actual sensor values and the prediction model stored by the prediction model construction unit. And a failure sign detection means for detecting a failure sign of the equipment based on the difference between the measured sensor value and the predicted sensor value.
  2. 請求項1において、更に、
    前記設備の故障発生時における前記実測センサ値と予測センサ値との差異の傾向であ る故障モデルを、故障の種別毎に予め記憶した故障モデル記憶手段と、
    前記故障兆候検知手段が故障兆候を検知した際に、当該検知に用いられた前記実測セ ンサ値と予測センサ値との差異の傾向と、前記故障モデル記憶手段が記憶する故障モデ ルとに基づいて、故障の種別を決定する故障種別決定手段とを有する
    ことを特徴とする遠隔監視システム。
    In claim 1, further comprising:
    A failure model storage means for storing in advance a failure model that is a tendency of a difference between the measured sensor value and the predicted sensor value at the time of failure of the facility for each type of failure;
    When the failure sign detection means detects a failure sign, based on the tendency of the difference between the measured sensor value and the predicted sensor value used for the detection and the failure model stored in the failure model storage means. And a failure type determination means for determining the type of failure.
  3. 請求項1あるいは2において、
    前記予測モデル構築手段が求める相関関係が、主成分分析に基づいて求められ、
    前記実測センサ値と予測センサ値との差異が、各センサの実測センサ値と予測センサ 値との差異を成分とする残差ベクトルで表される
    ことを特徴とする遠隔監視システム。
    In claim 1 or 2,
    Correlation obtained by the prediction model construction means is obtained based on principal component analysis,
    The remote monitoring system, wherein the difference between the actual sensor value and the predicted sensor value is represented by a residual vector whose component is the difference between the actual sensor value and the predicted sensor value of each sensor.
  4. 請求項2において、
    前記予測モデル構築手段が求める相関関係が、主成分分析に基づいて求められ、
    前記実測センサ値と予測センサ値との差異が、各センサの実測センサ値と予測センサ 値との差異を成分とする残差ベクトルで表され、
    前記故障兆候検知手段が、前記残差ベクトルの長さに基づいて、前記故障兆候の検知 を行い、
    前記故障種別決定手段が、前記残差ベクトルの方向に基づいて、前記故障種別の決定 を行う
    ことを特徴とする遠隔監視システム。
    In claim 2,
    Correlation obtained by the prediction model construction means is obtained based on principal component analysis,
    The difference between the measured sensor value and the predicted sensor value is represented by a residual vector whose component is the difference between the measured sensor value and the predicted sensor value of each sensor,
    The failure sign detection means detects the failure sign based on the length of the residual vector;
    The remote monitoring system, wherein the failure type determination means determines the failure type based on a direction of the residual vector.
  5. 各々が複数のセンサを備える複数の設備を遠隔監視する遠隔監視システム における遠隔監視方法であって、
    前記遠隔監視システムが、前記設備から送信される、前記複数のセンサで検知された 実測センサ値を、随時取得する第1の工程と、
    前記遠隔監視システムが、前記設備が正常運転をしている際に、前記複数のセンサで 検知され取得した実測センサ値に基づいて、前記複数のセンサで検知される複数の実測 センサ値間の相関関係を求め、当該相関関係を予測モデルとして格納する第2の工程と 、
    前記遠隔監視システムが、前記複数のセンサの実測センサ値を取得した際に、当該取 得した実測センサ値と前記格納した予測モデルとから当該複数のセンサの予測センサ値 を求め、当該実測センサ値と予測センサ値との差異に基づいて、当該設備の故障兆候を 検知する第3の工程とを有する
    ことを特徴とする遠隔監視方法。
    A remote monitoring method in a remote monitoring system for remotely monitoring a plurality of facilities each having a plurality of sensors,
    A first step in which the remote monitoring system acquires, as needed, measured sensor values detected by the plurality of sensors, transmitted from the facility;
    Correlation between the plurality of actual sensor values detected by the plurality of sensors based on the actual sensor values detected and acquired by the plurality of sensors when the remote monitoring system is operating normally. A second step of obtaining a relationship and storing the correlation as a prediction model;
    When the remote monitoring system acquires measured sensor values of the plurality of sensors, the remote monitoring system obtains predicted sensor values of the plurality of sensors from the acquired measured sensor values and the stored predicted model, and And a third step of detecting a failure sign of the equipment based on a difference between the predicted sensor value and the predicted sensor value.
  6. 請求項5において、
    前記遠隔監視システムが、前記設備の故障発生時における前記実測センサ値と予測センサ値との差異の傾向である故障モデルを、故障の種別毎に予め記憶しており、
    更に、前記遠隔監視システムが、前記第3の工程で故障兆候を検知した際に、当該検 知に用いられた前記実測センサ値と予測センサ値との差異の傾向と、前記記憶した故障 モデルとに基づいて、故障の種別を決定する工程を有する
    ことを特徴とする遠隔監視方法。
    In claim 5,
    The remote monitoring system stores in advance a failure model that is a tendency of a difference between the measured sensor value and the predicted sensor value at the time of failure of the facility for each type of failure,
    Furthermore, when the remote monitoring system detects a failure sign in the third step, the tendency of the difference between the actual sensor value and the predicted sensor value used for the detection, the stored failure model, and A remote monitoring method comprising a step of determining a type of failure based on the method.
  7. 各々が複数のセンサを備える複数の設備を遠隔監視する処理を、遠隔監視 システムに実行させる遠隔監視プログラムであって、
    前記設備から送信される、前記複数のセンサで検知された実測センサ値を、随時取得 する第1の工程と、
    前記設備が正常運転をしている際に、前記複数のセンサで検知され取得した実測セン サ値に基づいて、前記複数のセンサで検知される複数の実測センサ値間の相関関係を求 め、当該相関関係を予測モデルとして格納する第2の工程と、
    前記複数のセンサの実測センサ値を取得した際に、当該取得した実測センサ値と前記 格納した予測モデルとから当該複数のセンサの予測センサ値を求め、当該実測センサ値 と予測センサ値との差異に基づいて、当該設備の故障兆候を検知する第3の工程とを前 記遠隔監視システムに実行させる
    ことを特徴とする遠隔監視プログラム。
    A remote monitoring program for causing a remote monitoring system to execute a process of remotely monitoring a plurality of facilities each having a plurality of sensors,
    A first step of acquiring, as needed, measured sensor values detected by the plurality of sensors, transmitted from the facility;
    When the equipment is in normal operation, a correlation between a plurality of measured sensor values detected by the plurality of sensors is obtained based on measured sensor values detected and acquired by the plurality of sensors. A second step of storing the correlation as a prediction model;
    When the measured sensor values of the plurality of sensors are acquired, a predicted sensor value of the plurality of sensors is obtained from the acquired measured sensor value and the stored prediction model, and a difference between the measured sensor value and the predicted sensor value is obtained. A remote monitoring program for causing the remote monitoring system to execute a third step of detecting a failure sign of the equipment based on the above.
  8. 請求項7において、
    前記遠隔監視システムが、前記設備の故障発生時における前記実測センサ値と予測センサ値との差異の傾向である故障モデルを、故障の種別毎に予め記憶しており、
    更に、前記第3の工程で故障兆候を検知した際に、当該検知に用いられた前記実測セ ンサ値と予測センサ値との差異の傾向と、前記記憶した故障モデルとに基づいて、故障 の種別を決定する工程を前記遠隔監視システムに実行させる
    ことを特徴とする遠隔監視プログラム。
    In claim 7,
    The remote monitoring system stores in advance a failure model that is a tendency of a difference between the measured sensor value and the predicted sensor value at the time of failure of the facility for each type of failure,
    Further, when a failure sign is detected in the third step, the failure is determined based on the tendency of the difference between the measured sensor value and the predicted sensor value used for the detection and the stored failure model. A remote monitoring program that causes the remote monitoring system to execute a step of determining a type.
JP2003385725A 2003-11-14 2003-11-14 Remote supervisory system, method and program Pending JP2005149137A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2003385725A JP2005149137A (en) 2003-11-14 2003-11-14 Remote supervisory system, method and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2003385725A JP2005149137A (en) 2003-11-14 2003-11-14 Remote supervisory system, method and program

Publications (1)

Publication Number Publication Date
JP2005149137A true JP2005149137A (en) 2005-06-09

Family

ID=34693691

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2003385725A Pending JP2005149137A (en) 2003-11-14 2003-11-14 Remote supervisory system, method and program

Country Status (1)

Country Link
JP (1) JP2005149137A (en)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008276537A (en) * 2007-04-27 2008-11-13 Omron Corp Combined-information processing apparatus, method for processing combined-information, program, and recording medium
JP2010504501A (en) * 2006-09-19 2010-02-12 スマートシグナル・コーポレーション Kernel-based method for detecting boiler tube leaks
JP2010072868A (en) * 2008-09-17 2010-04-02 Nippon Steel Corp Apparatus, method and program for diagnosing plant control
WO2011086805A1 (en) * 2010-01-14 2011-07-21 株式会社日立製作所 Anomaly detection method and anomaly detection system
WO2014091956A1 (en) * 2012-12-14 2014-06-19 日本電気株式会社 Monitoring device, monitoring method, and program
JP2015170121A (en) * 2014-03-06 2015-09-28 株式会社豊田中央研究所 Abnormality diagnosis device and program
JP2016003876A (en) * 2014-06-13 2016-01-12 日本電気株式会社 Misalignment detection apparatus, method and program
JP2016003875A (en) * 2014-06-13 2016-01-12 日本電気株式会社 Motor abnormality detecting system, motor abnormality detecting method, and motor abnormality detecting program
CN105243180A (en) * 2015-09-01 2016-01-13 珠海格力电器股份有限公司 Electromechanical device fault early warning method and system
WO2016143337A1 (en) * 2015-03-11 2016-09-15 日本電気株式会社 Information processing device, information processing method, and recording medium
JP2017130041A (en) * 2016-01-20 2017-07-27 富士通株式会社 Information processing device, control method and control program
JP2018173815A (en) * 2017-03-31 2018-11-08 エスペック株式会社 Test device management system and management device

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010504501A (en) * 2006-09-19 2010-02-12 スマートシグナル・コーポレーション Kernel-based method for detecting boiler tube leaks
JP2008276537A (en) * 2007-04-27 2008-11-13 Omron Corp Combined-information processing apparatus, method for processing combined-information, program, and recording medium
JP2010072868A (en) * 2008-09-17 2010-04-02 Nippon Steel Corp Apparatus, method and program for diagnosing plant control
WO2011086805A1 (en) * 2010-01-14 2011-07-21 株式会社日立製作所 Anomaly detection method and anomaly detection system
JP2011145846A (en) * 2010-01-14 2011-07-28 Hitachi Ltd Anomaly detection method, anomaly detection system and anomaly detection program
US20120316835A1 (en) * 2010-01-14 2012-12-13 Shunji Maeda Anomaly detection method and anomaly detection system
JPWO2014091956A1 (en) * 2012-12-14 2017-01-05 日本電気株式会社 Monitoring device, monitoring method, and program
WO2014091956A1 (en) * 2012-12-14 2014-06-19 日本電気株式会社 Monitoring device, monitoring method, and program
JP2015170121A (en) * 2014-03-06 2015-09-28 株式会社豊田中央研究所 Abnormality diagnosis device and program
JP2016003875A (en) * 2014-06-13 2016-01-12 日本電気株式会社 Motor abnormality detecting system, motor abnormality detecting method, and motor abnormality detecting program
JP2016003876A (en) * 2014-06-13 2016-01-12 日本電気株式会社 Misalignment detection apparatus, method and program
WO2016143337A1 (en) * 2015-03-11 2016-09-15 日本電気株式会社 Information processing device, information processing method, and recording medium
US10733331B2 (en) 2015-03-11 2020-08-04 Nec Corporation Information processing apparatus, information processing method, and recording medium
CN105243180A (en) * 2015-09-01 2016-01-13 珠海格力电器股份有限公司 Electromechanical device fault early warning method and system
JP2017130041A (en) * 2016-01-20 2017-07-27 富士通株式会社 Information processing device, control method and control program
JP2018173815A (en) * 2017-03-31 2018-11-08 エスペック株式会社 Test device management system and management device

Similar Documents

Publication Publication Date Title
JP2005149137A (en) Remote supervisory system, method and program
JP2006135412A (en) Remote supervisory system
JP5306902B2 (en) System and method for high performance condition monitoring of asset systems
JP2005339558A (en) Method for developing unified quality assessment and providing automated fault diagnostic tool for turbine machine systems and the like
JP2004211587A (en) Operational support system for power generation plant
US8494807B2 (en) Prognostics and health management implementation for self cognizant electronic products
EP1538503A1 (en) Distributed power generation plant automated event assessment and mitigation plan determination process
JP6304767B2 (en) SENSOR MONITORING DEVICE, SENSOR MONITORING METHOD, AND SENSOR MONITORING PROGRAM
EP1538502B1 (en) Plant apparatus operation support device
JP6610987B2 (en) Abnormality diagnosis method and abnormality diagnosis system
JP2002288781A (en) Sensor abnormally detection method and sensor abnormally detector
WO2017083141A1 (en) Electric submersible pump health assessment
CN108027611B (en) Decision assistance system and method for machine maintenance using expert opinion supervised decision mode learning
JP2016139274A (en) Malfunction diagnosis method and malfunction diagnosis system
WO2017051562A1 (en) Abnormality diagnosis system
JP2010218301A (en) Failure diagnosis apparatus, failure diagnosis method, and failure diagnosis program
EP3584657B1 (en) Risk assessment device, risk assessment method, and risk assessment program
JP2018190245A (en) Facility equipment abnormality diagnosis system
CN108604085B (en) Temperature sensor fault detection in a turbine system
JP6540531B2 (en) Monitoring device and control method of monitoring device
JP4695638B2 (en) Failure pattern estimation method, failure pattern estimation device, and program
JP2011107760A (en) Device of detecting plant abnormality
JP6648747B2 (en) Error cause identification method and error cause identification device
JP2019159786A (en) Information processing device, information processing method, and program
JP2010276339A (en) Method and device for diagnosis sensor