JP2006276924A

JP2006276924A - 設備機器診断装置及び設備機器診断プログラム

Info

Publication number: JP2006276924A
Application number: JP2005090443A
Authority: JP
Inventors: Hideaki Suzuki; 英明鈴木; Toshimi Yokota; 登志美横田; Masahiko Saito; 雅彦齊藤; Tomotsune Taira; 友恒平; Akira Matsumura; 昭松村
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2005-03-28
Filing date: 2005-03-28
Publication date: 2006-10-12

Abstract

【課題】
設備機器の状態を分類し、分類に応じた異常コードの候補を出力することで、点検漏れの防止に寄与する。
【解決手段】
設備機器１０１から情報収集装置１０２，通信手段１０３を介して収集した状態値履歴に基づいて設備機器の状態を分類し、分類ごとに異常コードの統計を取ることで、入力された状態に対応する異常状態の候補を出力する。異常状態の候補を出力する際には、学習過程で最も異常の可能性が高いと思われるものから順に、異常の可能性の高さを示すスコアとともに表示する。
【選択図】図２

Description

本発明は、設備機器の状態診断を行う設備機器診断装置及び設備機器診断プログラムに関するものである。

空調機器などの設備機器は、それを制御するための制御コントローラとともに用いて運用されることが多い。制御コントローラは、設備の利用者の制御命令を設備機器に伝えるとともに、設備の状態を監視する機能を兼ね備え、これによって設備機器に異常が生じた場合に、設備の利用者に異常を知らせ、適切な保守対応が可能となる。

しかしながら、上記の制御コントローラによる通知だけでは設備の利用者にとっては、対処方法がすぐには分からず、設備機器を保守している保守員が状態を現場で確認して初めてどのような保守を行えばよいかが判明し、後日保守のための準備を行って保守を実施するという手間が掛かっていた。

この改善策として、近年インターネットに代表されるネットワーク技術を用いて、上記のような設備機器を遠隔から監視することにより、保守対応の効率を向上させる方法がある。この方法では、制御コントローラが設備機器の運転状態を監視し、予め設定された監視値になったときに異常兆候を判別し、予備信号をホストコントローラに送信する。これにより設備機器が故障に至る前に設備の異常を把握し、保守対応を行うことができるので、設備の故障停止を回避することができる。

特開平１０−１４３３４３号公報

従来の方法では、予め各運転状態に応じた監視値を設定しておく必要があるため煩雑であり、監視値自体の設定が難しく、監視値が適切でないと、異常を正常と判定したり、正常を異常と判定するといった誤診断が発生するといった課題があった。これを解決するために、機器の状態を学習アルゴリズムを用いて計算機を用いて学習させ、どのような異常状態にあるかを教師値として与えることで、機器の状態の判別および異常状態の判別を行おうとする手法があった。しかしながら、このような方法では機器のある状態に対して複数の異常状態が存在しうる場合（例えば、機器の複数の場所に異常が生じうる場合）、学習が安定しないという課題がある。

本発明の目的は、オペレータが設備機器の異常状態を正確に把握できる診断結果を出力できる設備機器診断装置及び設備機器診断プログラムを提供することである。

本発明は、設備機器の履歴情報に基づいて、機器の状態を判別し、機器の状態に応じて、複数の異常状態の候補を出力することを最も主要な特徴とする。

本発明の設備機器診断装置及びプログラムによれば、オペレータが設備機器の異常状態を正確に把握できる診断結果を出力できる。

以下、本発明の実施例を説明する。

図１は、本発明の一実施例の機器構成であって、１０１は設備機器、１０２は情報収集装置、１０３は通信手段、１０４は設備診断装置、１０５は表示装置、１０６は入力装置である。

情報収集装置１０２は、設備機器１０１の運転状態データを収集し、通信手段１０３を介して設備診断装置１０４に通知する。表示装置１０５は、設備診断装置１０４で診断した結果を表示する。図２は、設備診断装置１０４の構成図であって、２０１は設備機器履歴データベース（図ではデータベースをＤＢと省略）、２０２は異常モデルデータベース、２０３は異常状態統計データベース、２０４は異常モデル学習手段、２０５は異常状態推定手段である。

設備診断装置１０４において、情報収集装置１０２から通信手段１０３を介して受け取った運転状態データは、設備機器履歴データベース２０１に保存される。設備機器履歴データベース２０１のうち、機器の運転状態に関するデータは、図３に示すような状態値データベース３０１の中に設備機器ごとに、テーブル３１１のような形で、記録用のレコード番号（図では「ＩＤ」と表記），機器ごとの番号，日付を付与されて、温度，電流，圧力などの状態値パラメータと一緒に保存される。温度，電流，圧力などの状態値パラメータは、機器ごとにその種別が異なるが、ここでは煩雑になるため上記のパラメータを例として取り上げる。また、設備機器履歴データベース２０１のうち、機器の異常状態に関するデータ（ここではアラーム情報を例として扱う）は、図４に示すようなアラームデータベース４０１の中に設備機器ごとに、テーブル４１２のような形で、記録用のレコード番号（図では「ＩＤ」と表記），機器ごとの番号，日付を付与されて、異常コードと一緒に保存される。異常コードは、機器自体が発生させた情報を記録したものであるが、これ以外にも機器の保守員が点検した結果の点検記録などでもよく、機器に異常があった場合の状態の分類に識別子が付与されていれば良い。

図８に示した手順に従って、異常モデル学習手段２０４の動作を説明する。入力装置
１０６を介して、オペレータ（図では省略）からの指示を受けた（Ｓ８１１）異常モデル学習手段２０４は、設備機器履歴データベース２０１の状態値データベース３０１のうちオペレータが指定した状態値情報を読み込む（Ｓ８１２）。オペレータは、例えば、対象とする設備機器や日付の範囲を指定する。次に、オペレータは、読み込んだ状態値情報をいくつに分類するのか分類数の上限を指定する（Ｓ８１３）。異常モデル学習手段２０４は、例えばベクトル量子化のような手法を用いて、温度，電流，圧力などの状態値パラメータの１つのレコード（図３では、状態値データベース３０１の１行に相当）をセットとして、似たデータ同士を集めて指定された上限の中で分類する。ベクトル量子化手段では、「似たデータ」と判定するために、データ間の距離を計算し、この距離が小さいものを「似たデータ」として扱う。例えば、状態パラメータのセットそれぞれをＸ＝（ｘ₁，ｘ₂，Λ，ｘ_n），Ｙ＝（ｙ₁，ｙ₂，Λ，ｙ_n）とすれば、２つのデータＸとＹについての距離Ｌは、

として算出される。入力装置１０６を介して、オペレータが分類する数を指定することで、その数の範囲で似たデータのクラスタ（固まり）を計算する。その結果、状態値データベース３０１に記録されているデータのうち、指定された状態値情報は、データのクラスタに分類される。図６のテーブル６１１に示すように、クラスタには分類番号が付与され、例えばクラスタごとに、温度，電流，圧力などの状態パラメータの平均値（重心）を代表値として計算され、異常モデルデータベース２０２に保存される（Ｓ８１４）。異常モデルデータベース２０２には、例えばどの状態値データを元に代表値を算出したか等を知るため、上記の各クラスタの代表値の他に、元の状態値データベース３０１の状態値データへの参照も記録される（図では「ＩＤ参照」と表記）。

次に、異常モデル学習手段２０４は、設備機器履歴データベース２０１の状態値データベース４０１のうちオペレータが指定した異常コードを読み込む。オペレータは、例えば、対象とする設備機器，日付の範囲，異常コードの種別などを指定する。異常モデル学習手段２０４は、異常コードを読み込むと、指定された異常コードが記録されている日付，機器番号が同一のデータを状態値データベース３０１から検索する。例えば、図５のテーブル４１１のデータについては、機器番号「０００１」について、異常コード「８８８」とい「７７７」が記録されており、日付は「４／２」となっている。この場合、異常モデル学習手段２０４は、状態値データベース３０１から、機器番号「０００１」で日付「４／２」の状態値データを検索し、温度「１２０」電流「２７」圧力「２.４」のデータを見つけ、そのレコード番号（ＩＤ）「０００２」を保持する。次に、レコード番号
「０００２」を参照しているクラスタをテーブル６１１の中から検索し、分類番号「２」を保持する。最後に、図７の異常状態統計データベース２０２のテーブル７１１に示すように、分類番号ごとにどの異常コードが何件発生しているかという内容を更新する。ここでは、異常コード「８８８」「７７７」についてそれぞれ加算されることになる。以上の手続きを読み込んだすべての異常コードについて繰り返す（Ｓ８１５）。上記手順のうち、日付をキーとして状態値データベース３０１から状態値データを検索する手順においては、あらかじめオペレータの指定した日付だけずらして検索できる。例えば、上述の例では、「４／２」をキーとして検索するが、あらかじめ「１日前」という指定をオペレータが行っていれば、異常モデル学習手段２０４は、「４／１」をキーとして状態値データベース３０１を検索するようになる。

図９に示した手順に従って、異常状態推定手段２０５の動作を説明する。入力装置106を介して、オペレータからの指示を受けた（Ｓ９１１）異常状態推定手段２０５は、設備機器履歴データベース２０１の状態値データベース３０１のうちオペレータが指定した状態値情報を読み込む（Ｓ９１２）。オペレータは、診断対象とする設備機器や日付の範囲などを指定する。次に、異常状態推定手段２０５は、異常モデルデータベース２０４から異常モデル情報を読み込み、各クラスタの代表値と入力された診断対象の状態値情報を比較し、最も距離の近いと判断できるクラスタを検索し、そのクラスタの分類番号を保持する（Ｓ９１４）。距離の計算には、(式１)を用いる。次に、検索した分類番号をキーとして、異常状態統計データベース２０３から該当する異常コードの候補を検索する。例えば、図７のテーブル７１１を例として説明すると、最も近いと判定された分類番号が「２」であるとすれば、異常状態推定手段２０５は、テーブル７１１から分類番号「２」の異常コードを検索する。テーブル７１１では、分類番号「２」では、異常コード「７７７」が１件、「８８８」が５件、「９９９」が１０件と記録されている。結果として、最も件数の多い「９９９」を第一候補として出力し、以下「８８８」「７７７」の順で出力する。このとき、最初に指定された診断対象とする設備機器や日付の範囲に従って、スコアが算出される。出力は、指定された日付の範囲に従って、設備機器ごとに算出され、例えば、指定された日付の範囲で、どの設備機器にどの異常コードが何回候補として出力されたかの累計を取ることによって算出される。結果として、異常コードの候補及びスコアが設備機器ごとに集計されて、図１０に示すような画面１００１を表示装置１０５に表示する
（Ｓ９１６）。図１０では、候補が１０１１、スコアが１０１２として図示してある。本実施例によれば、機器の状態をクラスタに分類し、分類されたクラスタに応じて機器の異常状態を推定することにより、正確に機器の異常状態を把握することができる。

実際に設備機器を運用した場合、設備機器の運用履歴情報に、入力データ１に対して原因Ａ及び入力データ１に対して原因Ｂという異なるパターンのデータセットが存在する場合がある。特許文献１の技術では、このような場合、入力データと原因との学習の過程で学習が収束しないか、もしくは収束しても正しいセットとして学習できないという課題がある。そこで、本実施例では原因推定部分をうまく分離する形で学習方法を工夫することで、この課題を回避している。つまり、上記実施例によれば、このような場合の出力結果として、入力データ１に対して推定原因候補Ａ，Ｂを出力することができる。候補の順序は、上述した通り、学習過程で最も可能性の高い候補から出力する。

図１１は、実施例１に示した設備診断装置１０４を構成する異常モデル学習手段２０４の別構成であり、異常モデル学習手段２０４に学習パラメータ調整手段１１０２を新たに付加した異常モデル２０４ａを示したものである。

実施例１において、「似たデータ」を判定するために、状態パラメータのセットを用いてデータ間の距離を（式１）で算出するとした。異常モデル２０４ａでは、このデータ間の距離を以下のような（式２）を用いて算出する。状態パラメータのセットそれぞれを
Ｘ′＝（ｘ′₁，ｘ′₂，Λ，ｘ′_n），Ｙ′＝（ｙ′₁，ｙ′₂，Λ，ｙ′_n）とすれば、２つのデータＸ′とＹ′についての距離Ｌ′は、

として算出される。ここで、Ａ＝（ａ₁，ａ₂，Λ，ａ_n）は、各状態パラメータごとの重み係数であり、数値が大きいものほど重要なパラメータとして扱われる。学習パラメータ調整手段１１０２は、このＡを調整することで、学習結果が良好になるようにする。具体的には、例えば、遺伝的アルゴリズムなどの手法によって最適なＡを算出し、異常モデルデータベース２０２に保持する。異常状態推定手段２０５では、異常モデルデータベースからＡを読み出し、データの距離の計算を（式２）に従って行う。Ａの各パラメータがすべて「１」に等しい場合、（式２）は（式１）と等しくなる。Ａの各パラメータは、０や負の数を含んでよく、パラメータが０となる場合には、該当する状態値のパラメータは学習には寄与しないものとして扱われることになる。

上記実施例１及び実施例２によれば、監視機器に予め監視値を設定することなく設備機器の異常兆候を監視できるため、設備機器の監視が容易になり、異常兆候を判別した場合に、複数の異常状態の候補を把握できるので、事前の点検漏れなどを防止することができるという利点がある。また、予め設備機器の種別に応じた監視値の設定を行う必要がなく、複数の異常状態に対して適切に対処できるようになる。

本発明の実施形態としては、上記手順をプログラムによってコンピュータに実行させてもよい。

設備診断装置を含む設備診断システムの１構成例を示した説明図である。（実施例１）設備診断装置の１構成例を示した説明図である。（実施例１）設備機器履歴データベースの１例を示した説明図である。（実施例１）設備機器履歴データベースの１例を示した説明図である。（実施例１）設備機器履歴データベースの１例を示した説明図である。（実施例１）異常モデルデータベースの１例を示した説明図である。（実施例１）異常状態統計データベースの１例を示した説明図である。（実施例１）異常モデル学習の手順を示した説明図である。（実施例１）異常モデルによる診断手順を示した説明図である。（実施例１）診断結果の画面出力の１例を示した説明図である。（実施例１）異常モデル学習装置の別構成の一例を示した説明図である。（実施例２）

符号の説明

１０１…設備機器、１０２…情報収集装置、１０３…通信手段、１０４…設備診断装置、１０５…表示装置、１０６…入力装置、２０１…設備機器履歴データベース、２０２…異常状態統計データベース、２０３…異常状態統計データベース、２０４…異常モデル学習手段、２０５…異常状態推定手段。

Claims

設備機器の状態値の履歴を保存する設備機器履歴データベースと設備機器の異常状態の種類に関する情報を保存する異常状態履歴データベースと設備機器の状態値を保存する設備機器診断用データベースを備え、前記設備機器履歴データベースから読み出した設備機器の状態値、前記異常状態履歴データベースから読み出した設備機器の異常状態に関する情報及び前記設備機器診断用データベースから読み出した前記設備機器の状態値を用いて前記設備機器の異常状態の候補を出力する異常状態推定手段とを備えることを特徴とする設備診断装置。
請求項１において、前記異常状態推定手段は前記設備機器履歴データベースから読み出した設備機器の状態値の履歴を用いて前記設備機器の状態値の履歴の分類値を算出する設備機器履歴分類値算出手段と、前記設備機器履歴分類値算出手段が算出した設備機器の状態値の分類値および前記異常状態履歴データベースから読み出した異常状態の種類に関する情報を用いて前記分類値算出手段が算出した設備機器の状態値の分類値に対応する前記異常状態の種類ごとの発生回数を算出する異常状態統計作成手段と前記異常状態統計作成手段が作成した設備機器の状態値の分類値に対応する前記異常状態の種類ごとの発生回数及び前記設備機器診断用データベースから読み出した設備機器の状態値を用いて設備機器の異常状態の種類の候補を算出することを特徴とする設備診断装置。
設備機器の履歴情報を用いて前記設備機器の状態診断を行う診断装置であって、前記履歴情報から異常モデル情報と異常状態統計情報を生成する異常モデル学習手段を備えたことを特徴とする設備診断装置。
請求項３において、前記異常モデル情報と異常状態統計情報を用いて前記設備機器の異常状態の候補を出力する異常状態推定手段を備えたことを特徴とする設備診断装置。
請求項３において、前記異常モデル情報を前記設備機器の履歴情報をベクトル量子化することにより算出すること特徴とする設備診断装置。
請求項３において、前記異常モデル学習手段は異常モデル情報を生成する際に前記履歴情報の各入力パラメータの重み付けを変更することを特徴とする設備診断装置。
コンピュータに、設備機器の状態値の履歴を保存する設備機器履歴データ保存手順と、設備機器の異常状態の種類に関する情報を保存する異常状態履歴データ保存手順と、設備機器の状態値を保存する設備機器診断用データ保存手順と、前記設備機器履歴データベースから読み出した設備機器の状態値、前記異常状態履歴データベースから読み出した設備機器の異常状態に関する情報及び前記設備機器診断用データベースから読み出した前記設備機器の状態値を用いて前記設備機器の異常状態の候補を出力する異常状態推定手順とを実行させることを特徴とする設備診断プログラム。