JP2006343063A - 設備機器の異常予知システム、設備機器の異常予知装置および設備機器の異常予知方法 - Google Patents

Abstract

【課題】設備機器における異常の発生を精度よく予知することができる設備機器の異常予知システム提供する。
【解決手段】正常モデル生成部４３は、記憶部４１に蓄積された過去の状態データのうち正常時の空気調和機の状態を示す正常データから、正常時の状態データを推定するための正常モデルを生成する。劣化モデル生成部４４は、記憶部４１に蓄積された過去の状態データのうち異常時の空気調和機の状態を示す劣化データから、異常時の状態データを推定するための劣化モデルを生成する。異常予知部４５は、実測された状態データである実測データと正常モデルによって導出された推定正常データとの乖離度合いと、劣化モデルによって導出された推定劣化データと実測データとの一致度合いとに基づいて、空気調和機における異常発生を予知する。
【選択図】図４

Description

本発明は、設備機器の異常予知システム、設備機器の異常予知装置および設備機器の異常予知方法に関する。

近年、空調設備や電気設備等の各種の設備機器における異常の発生を予知する異常予知システムが利用されている。この異常予知システムでは、設備機器の状態を示す状態データから設備機器における異常の発生を予知することができる。ここで予知される異常の内容としては、例えば、圧縮機の異常による故障予知や高圧上昇による故障予知がある。圧縮機の異常による故障予知では、圧縮機を起動する前の吐出管温度と圧縮機を起動してから所定時間が経過した後の吐出管温度とが比較される。そして、これらの温度の差が一定値以上の場合は、故障が生じうると判断される。また、高圧上昇による故障予知制御では、圧縮機の吐出側の圧力が所定時間以上連続して所定値以上である状態が続くと、故障が生じうると判断される（特許文献１参照）。
特開２００３−３４５４３３号公報

上記のような異常予知システムにより異常の発生を予知することができるが、全ての異常の予兆を十分に把握できるものではなく、より精度のよい異常予知システムが望まれている。
本発明の課題は、設備機器における異常の発生を精度よく予知することができる設備機器の異常予知システム、設備機器の異常予知装置および設備機器の異常予知方法を提供することにある。

第１発明にかかる設備機器の異常予知システムは、設備機器と、記憶部と、正常モデル生成部と、劣化モデル生成部と、異常予知部とを備える。記憶部は、設備機器の状態を示す状態データを記憶する。正常モデル生成部は、記憶部に蓄積された過去の状態データのうち正常時の設備機器の状態を示す正常データから、正常時の状態データを推定するための正常モデルを生成する。劣化モデル生成部は、記憶部に蓄積された過去の状態データのうち異常時の設備機器の状態を示す劣化データから、異常時の状態データを推定するための劣化モデルを生成する。異常予知部は、実測された状態データである実測データと正常モデルによって導出された推定正常データとの乖離度合いと、劣化モデルによって導出された推定劣化データと実測データとの一致度合いとに基づいて、設備機器における異常発生を予知する。

この設備機器の異常予知システムでは、正常モデルから導出された推定正常データと、劣化モデルから導出された推定劣化データとによって異常予知が行われる。このため、実測データが一定値を越えたか否かによって画一的に判断される場合よりも、精度よく異常予知を行うことができる。また、この設備機器の異常予知システムでは、推定正常データと実測データとの乖離度合いと、劣化データと実測データとの一致度合いとの両方によって異常発生の予知が行われる。このため、より精度よく異常予知を行うことができる。

第２発明にかかる設備機器の異常予知システムは、第１発明の設備機器の異常予知システムであって、複数の設備機器を備える。そして、正常モデル生成部は、設備機器毎に正常モデルを生成する。
この設備機器の異常予知システムでは、設備機器毎に正常モデルが生成されるため、設備機器の違いに適切に対応した異常予知を行うことができる。

第３発明にかかる設備機器の異常予知システムは、第２発明の設備機器の異常予知システムであって、記憶部は、設備機器の導入時の初期の状態データである機器導入初期データを設備機器毎に記憶している。そして、正常モデル生成部は、機器導入初期データによって補正された正常モデルを生成する。
この設備機器の異常予知システムでは、機器導入初期データによって補正された正常モデルが生成される。このため、設備機器の違いに対応した正常モデルを容易に生成することができる。

第４発明にかかる設備機器の異常予知システムは、第１発明の設備機器の異常予知システムであって、複数の設備機器を備える。そして、劣化モデル生成部は、設備機器毎に劣化モデルを生成する。
この設備機器の異常予知システムでは、設備機器毎に劣化モデルが生成されるため、設備機器の違いに適切に対応した異常予知を行うことができる。

第５発明にかかる設備機器の異常予知システムは、第４発明の設備機器の異常予知システムであって、記憶部は、設備機器が導入された初期の状態データである機器導入初期データを設備機器毎に記憶している。そして、劣化モデル生成部は、機器導入初期データによって補正された劣化モデルを生成する。
この設備機器の異常予知システムでは、機器導入初期データによって補正された劣化モデルが生成される。このため、設備機器の違いに対応した劣化モデルを容易に生成することができる。

第６発明にかかる設備機器の異常予知システムは、第１発明から第５発明のいずれかの設備機器の異常予知システムであって、劣化モデル生成部は、設備機器の故障原因毎に劣化モデルを生成する。
この設備機器の異常予知システムでは、設備機器の故障原因毎に劣化モデルが生成される。このため、故障原因の違いに適切に対応した異常予知を行うことができ、異常予知の精度を向上させることができる。

第７発明にかかる設備機器の異常予知システムは、第１発明から第６発明のいずれかの設備機器の異常予知システムであって、劣化モデルは、蓄積された劣化データによって更新される。
この設備機器の異常予知システムでは、蓄積された劣化データによって劣化モデルが更新されるため、劣化モデルの精度を向上させることができる。

第８発明にかかる設備機器の異常予知システムは、第１発明から第７発明のいずれかの設備機器の異常予知システムであって、異常予知部は、実測データと推定正常データとの差が所定範囲を越えた場合に異常の発生を予知する。
この設備機器の異常予知システムでは、実測データと推定正常データとの差が所定範囲を越えたか否かによって、実測データと推定正常データとの乖離度合いが判断される。

第９発明にかかる設備機器の異常予知システムは、第１発明から第８発明のいずれかの設備機器の異常予知システムであって、異常予知部は、実測データと推定劣化データとの差が所定範囲内となった場合に異常の発生を予知する。
この設備機器の異常予知システムでは、実測データと推定劣化データとの差が所定範囲内となったか否かによって、実測データと推定劣化データとの一致度合いが判断される。

第１０発明にかかる設備機器の異常予知システムは、第１発明から第９発明のいずれかの設備機器の異常予知システムであって、異常予知部は、実測データと推定劣化データとの差が所定段階連続して所定範囲内となった場合に異常の発生を予知する。
この設備機器の異常予知システムでは、実測データと推定劣化データとの差が所定段階連続して所定範囲内となった場合に異常の発生が予知される。このため、誤った異常発生の予知が行われることを抑えることができる。

第１１発明にかかる設備機器の異常予知システムは、第１発明から第１０発明のいずれかの設備機器の異常予知システムであって、異常予知部によって異常の発生が予知された場合に予知結果を出力する異常予知出力部をさらに備える。
この設備機器の異常予知システムでは、異常予知出力部によって予知結果が出力される。これにより、異常発生の予知結果を報知することができる。

第１２発明にかかる設備機器の異常予知システムは、第１１発明の設備機器の異常予知システムであって、異常予知出力部は、予め登録された通知先に通信回線を介して予知結果を送信する。
この設備機器の異常予知システムでは、予め登録された通知先に通信回線を介して予知結果が送信される。このため、異常発生の予知結果を通知先に速やかに報知することができる。

第１３発明にかかる設備機器の異常予知装置は、設備機器の異常を予知する異常予知装置であって、記憶部と、正常モデル生成部と、劣化モデル生成部と、異常予知部とを備える。記憶部は、設備機器の状態を示す状態データを記憶する。正常モデル生成部は、記憶部に蓄積された過去の状態データのうち正常時の設備機器の状態を示す正常データから、正常時の状態データを推定するための正常モデルを生成する。劣化モデル生成部は、記憶部に蓄積された過去の状態データのうち異常時の設備機器の状態を示す劣化データから、異常時の状態データを推定するための劣化モデルを生成する。異常予知部は、実測された状態データである実測データと正常モデルによって導出された推定正常データとの乖離度合いと、劣化モデルによって導出された推定劣化データと実測データとの一致度合いとに基づいて、設備機器における異常発生を予知する。

この設備機器の異常予知装置では、正常モデルから導出された推定正常データと、劣化モデルから導出された推定劣化データとによって異常予知が行われる。このため、実測データが一定値を越えたか否かによって画一的に判断される場合よりも、精度よく異常予知を行うことができる。また、この設備機器の異常予知装置では、推定正常データと実測データとの乖離度合いと、劣化データと実測データとの一致度合いとの両方によって異常発生の予知が行われる。このため、より精度よく異常予知を行うことができる。

第１４発明にかかる設備機器の異常予知方法は、設備機器における異常の発生を予知するための異常予知方法であって、状態データ記憶ステップと、正常モデル生成ステップと、劣化モデル生成ステップと、異常予知ステップとを備える。状態データ記憶ステップでは、設備機器の状態を示す状態データが記憶される。正常モデル生成ステップでは、蓄積された過去の状態データのうち正常時の設備機器の状態を示す正常データから、正常時の状態データを推定するための正常モデルが生成される。劣化モデル生成ステップでは、蓄積された過去の状態データのうち異常時の設備機器の状態を示す劣化データから、異常時の状態データを推定するための劣化モデルが生成される。異常予知ステップでは、実測された状態データである実測データと正常モデルによって導出された推定正常データとの乖離度合いと、劣化モデルによって導出された推定劣化データと実測データとの一致度合いとに基づいて、設備機器における異常発生が予知される。

この設備機器の異常予知方法では、正常モデルから導出された推定正常データと、劣化モデルから導出された推定劣化データとによって異常予知が行われる。このため、実測データが一定値を越えたか否かによって画一的に判断される場合よりも、精度よく異常予知を行うことができる。また、この設備機器の異常予知方法では、推定正常データと実測データとの乖離度合いと、劣化データと実測データとの一致度合いとの両方によって異常発生の予知が行われる。このため、より精度よく異常予知を行うことができる。

第１発明にかかる設備機器の異常予知システムでは、正常モデルから導出された推定正常データと、劣化モデルから導出された推定劣化データとによって異常予知が行われるため、実測データが一定値を越えたか否かによって画一的に判断される場合よりも、精度よく異常予知を行うことができる。
第２発明にかかる設備機器の異常予知システムでは、設備機器毎に正常モデルが生成されるため、設備機器の違いに適切に対応した異常予知を行うことができる。

第３発明にかかる設備機器の異常予知システムでは、機器導入初期データによって補正された正常モデルが生成されるため、設備機器の違いに対応した正常モデルを容易に生成することができる。
第４発明にかかる設備機器の異常予知システムでは、設備機器毎に劣化モデルが生成されるため、設備機器の違いに適切に対応した異常予知を行うことができる。

第５発明にかかる設備機器の異常予知システムでは、機器導入初期データによって補正された劣化モデルが生成されるため、設備機器の違いに対応した劣化モデルを容易に生成することができる。
第６発明にかかる設備機器の異常予知システムでは、故障原因の違いに適切に対応した異常予知を行うことができ、異常予知の精度を向上させることができる。

第７発明にかかる設備機器の異常予知システムでは、蓄積された劣化データによって劣化モデルが更新されるため、劣化モデルの精度を向上させることができる。
第８発明にかかる設備機器の異常予知システムでは、実測データと推定正常データとの差が所定範囲を越えたか否かによって、実測データと推定正常データとの乖離度合いが判断される。

第９発明にかかる設備機器の異常予知システムでは、実測データと推定劣化データとの差が所定範囲内となったか否かによって、実測データと推定劣化データとの一致度合いが判断される。
第１０発明にかかる設備機器の異常予知システムでは、実測データと推定劣化データとの差が所定期間連続して所定範囲内となった場合に異常の発生が予知される。このため、誤った異常発生の予知が行われることを抑えることができる。

第１１発明にかかる設備機器の異常予知システムでは、異常予知出力部によって予知結果が出力される。これにより、異常発生の予知結果を報知することができる。
第１２発明にかかる設備機器の異常予知システムでは、予め登録された通知先に通信回線を介して予知結果が送信されるため、異常発生の予知結果を通知先に速やかに報知することができる。

第１３発明にかかる設備機器の異常予知装置では、正常モデルから導出された推定正常データと、劣化モデルから導出された推定劣化データとによって異常予知が行われるため、実測データが一定値を越えたか否かによって画一的に判断される場合よりも、精度よく異常予知を行うことができる。
第１４発明にかかる設備機器の異常予知方法では、正常モデルから導出された推定正常データと、劣化モデルから導出された推定劣化データとによって異常予知が行われるため、実測データが一定値を越えたか否かによって画一的に判断される場合よりも、精度よく異常予知を行うことができる。

＜システム全体の構成＞
本発明の一実施形態にかかる設備機器管理システム１（設備機器の異常予知システム）の構成を表す図を図１に示す。
この設備機器管理システム１は、管理対象である物件Ａ，Ｂ，Ｃ内の空調を行う空気調和機２ａ，２ｂ，２ｃ（設備機器）を機器管理装置３ａ，３ｂ，３ｃでそれぞれ制御すると共に、空気調和機２ａ，２ｂ，２ｃを遠隔監視センタ内の集中管理装置４（異常予知装置）で遠隔から管理するシステムである。設備機器管理システム１は、主として、第１ローカル設備グループＧ１、第２ローカル設備グループＧ２、第３ローカル設備グループＧ３および集中管理装置４を備えている。

各ローカル設備グループＧ１−Ｇ３は、それぞれ物件Ａ、物件Ｂ、物件Ｃに配置されており、それぞれインターネットや一般電話回線等の通信回線網ＩＮを介して集中管理装置４に接続されている。第１ローカル設備グループＧ１は、第１空気調和機２ａと第１機器管理装置３ａとを有している。なお、第２ローカル設備グループＧ２および第３ローカル設備グループＧ３も第１ローカル設備グループＧ１と同様の構成であり、図１において、対応する構成には、同一の数字にローカル設備グループ毎に異なる英文字を組み合わせた符号を付している。

＜空気調和機の構成＞
空気調和機２ａ，２ｂ，２ｃは、ビルや工場等の物件に配置され室内の空気調和を行う。以下、第１ローカル設備グループＧ１の第１空気調和機２ａの構成について説明するが、第２ローカル設備グループＧ２の第２空気調和機２ｂおよび第３ローカル設備グループＧ３の第３空気調和機２ｃについても同様の構成である。

第１空気調和機２ａは、複数の室内機６ａ，９ａと第１室外機７ａとを有する。室内機６ａ，９ａには、第１室内機６ａと第２室内機９ａとがある。
第１室内機６ａは、図２に示すように、室内熱交換器６０ａ、室内ファン６１ａ、電動弁６２ａ、室内制御部６３ａ（図３参照）、等を有している。室内熱交換器６０ａは、電動弁６２ａや室外熱交換器７０等と共に冷媒回路を構成し、室内へと送られる空気と冷媒との間で熱交換を行う。室内ファン６１ａは、室内ファンモータ６４ａによって駆動され、室内へと送られる空気の流れを生成する。室内制御部６３ａは、室内ファンモータ６４ａ、電動弁６２ａ、室温サーミスタ６５ａ等の各種のセンサと接続されており、第１室内機６ａの制御を行う。

第２室内機９ａも同様に、室内熱交換器９０ａ、室内ファン９１ａ、電動弁９２ａ、室内制御部９３ａ（図３参照）、室内ファンモータ９４ａ、室温サーミスタ９５ａ等を有している。
第１室外機７ａは、室外熱交換器７０、アキュムレータ７１、圧縮機７２、四路切換弁７３等の冷媒回路構成部品、室外ファン７４、室外制御部７５（図３参照）等を有している。室外熱交換器７０は、アキュムレータ７１、圧縮機７２、四路切換弁７３等の冷媒回路構成部品と共に冷媒回路を構成し、室外の空気と冷媒との間で熱交換を行う。圧縮機７２等は、インバーター回路によって周波数可変に駆動され、冷媒を循環させる。室外ファン７４は、室外ファンモータ７６によって駆動され、室外から取り込まれ室外熱交換器７０を通る空気の流れを生成する。室外制御部７５は、圧縮機７２、四路切換弁７３、室外ファンモータ７６、室外温度サーミスタ７７、室外熱交温度センサ７８、吐出管温度センサ７９、吸入管温度センサ８０などの各種のセンサ類７７−８０と接続されており、第１室外機７ａの制御を行う。

＜機器管理装置の構成＞
機器管理装置３ａ，３ｂ，３ｃは、空気調和機２ａ，２ｂ，２ｃと通信線によりそれぞれ接続され、空気調和機２ａ，２ｂ，２ｃの制御や管理を行う。機器管理装置３ａ，３ｂ，３ｃは、遠隔監視センタ内の集中管理装置４と制御信号の送受信を行う。以下、第１ローカル設備グループＧ１の第１機器管理装置３ａについて説明するが、第２ローカル設備グループＧ２の第２機器管理装置３ｂおよび第３ローカル設備グループＧ３の第３機器管理装置３ｃについても同様の構成である。

第１機器管理装置３ａは、第１空気調和機２ａと接続されており、複数の室内機６ａ，９ａおよび第１室外機７ａを制御・管理する。第１機器管理装置３ａは、第１空気調和機２ａが配置されている物件Ａ内の管理室などに配置されている。第１機器管理装置３ａは、図３に示すように、記憶部３０ａ、通信部３１ａ、第１制御部３２ａを有する。
記憶部３０ａは、一定時間毎、例えば１０分毎に第１空気調和機２ａから検出された状態データを記憶する。この状態データは、第１空気調和機２ａの室内機６ａ，９ａおよび第１室外機７ａの状態を示すデータであり、運転時間や運転回数、圧縮機の周波数、室外温度、室内温度、室内熱交換器温度、室外熱交換器温度、吐出管温度、吸入管温度、高圧、低圧などのデータである。また、第１空気調和機２ａで実行された制御内容、第１空気調和機２ａの消費電力なども状態データとして記憶され、集中管理装置４から送信された第１空気調和機２ａの制御内容も記憶される。

通信部３１ａは、集中管理装置４の通信部４０とデータ信号の送受信を行う部分である。通信部３１ａは、集中管理装置４と通信回線網ＩＮを介して接続されており、第１空気調和機２ａの状態データを通信回線網ＩＮを介して集中管理装置４へと送信する。また、通信部３１ａは、集中管理装置４から送信された第１空気調和機２ａの制御内容を受信する。

第１制御部３２ａは、集中管理装置４から送信された制御内容に基づいて、第１空気調和機２ａの室外制御部７５や室内制御部６３ａ，９３ａへと制御信号を送信することにより、第１空気調和機２ａの集中制御を行う。また、第１制御部３２ａは、記憶部３０ａに蓄積された状態データを一定時間毎に、例えば１日毎にまとめて通信部３１ａから集中管理装置４へと送信する。

＜集中管理装置の構成＞
集中管理装置４は、図１に示すように、機器管理装置３ａ，３ｂ，３ｃに接続された空気調和機２ａ，２ｂ，２ｃの管理を行う装置であり、空気調和機２ａ，２ｂ，２ｃが配置された物件から離れた遠隔監視センタ内に配置される。集中管理装置４が行う管理の内容としては、異常監視、異常予知、最適自動制御、報告書自動作成等がある。異常監視は、機器管理装置３ａ，３ｂ，３ｃから送られる空気調和機２ａ，２ｂ，２ｃの状態データから空気調和機２ａ，２ｂ，２ｃに異常が発生しているか否かを判断し、異常が発生している場合には異常発報を行って物件の管理者等に通知するという管理内容である。異常予知は、空気調和機２ａ，２ｂ，２ｃにおける異常発生を予知する。異常予知については後に詳細に説明する。

最適自動制御は、種々の条件で空気調和機２ａ，２ｂ，２ｃを最適に制御するものであり、省エネ制御やデマンド制御がある。省エネ制御は、一定量の消費電力が削減されるように空気調和機２ａ，２ｂ，２ｃに対して省エネルギ制御を自動的に行うという制御である。電力デマンド制御は、空気調和機２ａ，２ｂ，２ｃの最大需要電力を契約電力あるいは管理目標電力に抑える制御である。報告書自動作成は、最適自動制御の運用効果などをまとめた報告書を自動的に作成し定期的に物件の所有者や管理者等に送るという管理内容である。

集中管理装置４は、図３に示すように、主として通信部４０、記憶部４１、集中制御部４２を有している。
通信部４０は、第１機器管理装置３ａの通信部３１ａや第２機器管理装置３ｂ、第３機器管理装置３ｃの通信部等とのデータ信号の送受信を行い、状態データなどの空気調和機２ａ，２ｂ，２ｃに関する情報を取得する。通信部４０は、所定時間ごとに機器管理装置３ａ，３ｂ，３ｃから送信される状態データ等を通信回線網ＩＮを介して受信する。また、通信部４０は、集中制御部４２が作成した空気調和機２ａ，２ｂ，２ｃの制御内容を機器管理装置３ａ，３ｂ，３ｃへと送信する。

記憶部４１は、機器管理装置３ａ，３ｂ，３ｃから送信された空気調和機２ａ，２ｂ，２ｃの状態データを記憶する。状態データは、機器管理装置３ａ，３ｂ，３ｃから一定期間ごとに送信され、記憶部４１に記憶・蓄積される。なお、状態データのうち、空気調和機２ａ，２ｂ，２ｃの物件Ａ，Ｂ，Ｃへの導入時の初期の状態データは機器導入初期データとして記憶されている。また、過去の状態データのうち正常時の空気調和機２ａ，２ｂ，２ｃの状態を示す状態データは正常データとして記憶され、異常時の空気調和機２ａ，２ｂ，２ｃの状態を示す状態データは劣化データとして記憶されている。また、状態データのうち最近の状態データは実測データとして記憶される。

集中制御部４２は、機器管理装置３ａ，３ｂ，３ｃから送られる状態データに基づいて、空気調和機２ａ，２ｂ，２ｃに関する異常監視、最適自動制御、報告書自動作成等の管理を行う。また、集中制御部４２は、空気調和機２ａ，２ｂ，２ｃにおける異常発生を予知することができる。集中制御部４２は、図４に示すように、正常モデル生成部４３と、劣化モデル生成部４４と、異常予知部４５と、異常予知出力部４６を有する。

正常モデル生成部４３は、記憶部４１に蓄積された正常データから正常モデルを生成する。正常モデルは、正常時の状態データを推定するためのモデルであり、状態データの１または複数の変数から正常時の他の変数の推定値を算出することができる。正常モデル生成部４３は、正常データから複数の空気調和機２ａ，２ｂ，２ｃに共通する汎用正常モデルを作成する。この汎用正常モデルは、最低限の機器分類毎に作成され、記憶部４１に記憶される。そして、正常モデル生成部４３は、汎用正常モデルに、空気調和機２ａ，２ｂ，２ｃ毎の機器導入初期データによる補正を加えることによって、空気調和機２ａ，２ｂ，２ｃ毎の正常モデルを生成する。

劣化モデル生成部４４は、記憶部４１に蓄積された劣化データから劣化モデルを生成する。劣化モデルは、異常時の状態データを推定するためのモデルであり、１または複数の変数から異常時の他の変数の推定値を算出することが可能である。この劣化モデルは、故障原因毎に作成され、記憶部４１に記憶される。また、劣化モデルは、劣化データの蓄積によって更新される。

異常予知部４５は、実測データと、正常モデルによって導出された推定正常データとの乖離度合いと、劣化モデルによって導出された推定劣化データと実測データとの一致度合いとに基づいて、空気調和機２ａ，２ｂ，２ｃにおける異常発生を予知する。
異常予知出力部４６は、異常予知部４５によって異常の発生が予知された場合に予知結果を出力する。異常予知出力部４６は、予め登録された物件Ａ，Ｂ，Ｃの管理者や空気調和機２ａ，２ｂ，２ｃのメンテナンス会社のＦＡＸ番号やＥメールアドレスに空気調和機２ａ，２ｂ，２ｃの異常予知結果を送信する。

＜異常予知の制御フロー＞
次に、異常予知の制御フローについて図５および図６に基づいて説明する。
［機器管理装置における制御フロー］
第１機器管理装置３ａにおける制御フローを図５に示す。なお、他の機器管理装置３ｂ、３ｃにおいても同様の制御フローが実行される。

まず、第１ステップＳ１において、状態データの受信が行われる。ここでは、第１機器管理装置３ａは第１空気調和機２ａから状態データを受信する。この状態データの受信は、所定時間毎に行われ、例えば１０分毎に行われる。
次に、第２ステップＳ２において、状態データの蓄積が行われる。ここでは、第１ステップＳ１において受信された状態データが第１機器管理装置３ａに記憶され、繰り返し送信されてくる状態データが蓄積される。
そして、第３ステップＳ３において、状態データの送信が行われる。ここでは、第１機器管理装置３ａに蓄積された状態データが所定時間に一括して集中管理装置４に送信される。

［集中管理装置における制御フロー］
集中管理装置４における制御フローを図６に示す。

まず、第１１ステップＳ１１において、状態データの受信が行われる。ここでは、集中管理装置４が機器管理装置３ａ，３ｂ，３ｃから送信された状態データを受信する。なお、この状態データの受信は各物件Ａ，Ｂ，Ｃの機器管理装置３ａ，３ｂ，３ｃ毎に行われ、所定期間毎に繰り返し行われる。
次に、第１２ステップＳ１２（状態データ記憶ステップ）において、状態データの蓄積が行われる。ここでは、受信された状態データが集中管理装置４に記憶され蓄積される。

次に、第１３ステップＳ１３（正常モデル生成ステップ）において、正常モデルの生成が行われる。ここでは、蓄積された状態データの中から正常データに基づいて汎用正常モデルが生成され、さらに空気調和機２ａ，２ｂ，２ｃ毎の導入初期データによる補正が行われることによって空気調和機２ａ，２ｂ，２ｃ毎の正常モデルが生成される。
次に、第１４ステップＳ１４（劣化モデル生成ステップ）において、劣化モデルの生成が行われる。ここでは、蓄積された状態データの中から劣化データに基づいて劣化モデルが生成される。この劣化モデルは故障原因毎に生成される。

次に、第１５ステップＳ１５において、推定正常データの算出が行われる。ここでは、異常予知のための判断の対象となる変数（以下「出力変数」）の正常時の推定値が推定正常データとして算出される。具体的には、実測データのうち出力変数の算出に必要な変数（以下「入力変数」）が正常モデルに入力され、推定正常データとして出力変数が出力される。なお、実測データは異常予知の対象となっている空気調和機２ａ，２ｂ，２ｃの最近の状態データである。

次に、第１６ステップＳ１６において、推定劣化データの算出が行われる。ここでは、出力変数の異常時の推定値が推定劣化データとして算出される。具体的には、実測データのうち出力変数の算出に必要な入力変数が劣化モデルに入力され、推定劣化データとして出力変数が出力される。
次に、第１７ステップＳ１７（異常予知ステップ）において、乖離判定が行われる。ここでは、実測データと推定正常データとの乖離度合いが判定され、実測データと推定正常データとの差が所定範囲を越えた場合に異常が発生する可能性があると判断される。

次に、第１８ステップＳ１８（異常予知ステップ）において、一致判定が行われる。ここでは、推定劣化データと実測データとの一致度合いが判定され、実測データと推定劣化データとの差が所定期間連続して所定範囲内となった場合に異常が発生する可能性があると判断される。
次に、第１９ステップＳ１９において、予知結果の出力が行われる。ここでは、第１７ステップＳ１７および第１８ステップＳ１８のいずれかにおいて異常が発生する可能性があると判断された場合に、異常発生を予知した旨の出力が行われる。
なお、上記のような異常予知の制御フローが集中管理装置４において随時行われる。

＜モデル化および予知判定の具体例＞
次に、正常モデル及び劣化モデルの生成から乖離判定および一致判定までの制御フローについて、物件Ｂの高圧圧力異常の異常予知を具体例として説明する。

［正常モデルの生成および乖離判定］
まず、物件Ａにおける正常データから汎用正常モデルが生成される。物件Ａは過去に故障歴のない物件であり、物件Ｂの第２空気調和機２ｂの汎用正常モデルを生成するために物件Ａの第１空気調和機２ａの正常データが用いられる。この正常データは、図７に示すように、圧縮機のインバーター周波数、室外温度、室外熱交換器温度、吐出管温度、吸入管温度、低圧圧力、高圧圧力であり、いずれも過去の所定期間における正常状態の状態データである。正常データから生成された汎用正常モデルでの入力変数は、圧縮機のインバーター周波数、室外温度、熱交換器温度、吐出管温度、吸入管温度、低圧圧力であり、出力変数は高圧圧力である。
次に、物件Ｂの機器導入初期データによる補正が加えられた正常モデルが生成される。この機器導入初期データは、第２空気調和機２ｂを物件Ｂに導入した初期の状態データであり、正常データと同様に、圧縮機のインバーター周波数、室外温度、熱交換器温度、吐出管温度、吸入管温度、低圧圧力、高圧圧力である。
そして、物件Ｂの最近の状態データから上記の入力変数が正常モデルに入力され、出力変数として高圧圧力が推定正常データとして算出される。算出された高圧圧力の推定正常データと、高圧圧力の実測データとの誤差率を示すグラフを図８に示す。このグラフでは、横軸が期間を示し、縦軸が誤差率（％）を示している。

次に、図９に示すように、誤差率の積分値が算出される。図９では、横軸が期間を示し、縦軸が誤差率の積分値を示している。また、図９の直線Ｌ１は、誤差率の積分値のグラフから求められた誤差率の積分値モデルであり、その傾きは誤差率のオフセット値を示している。
そして、図１０に示すように誤差率の積分値と積分値モデルとの差が算出される。図１０では、横軸が期間を示し、縦軸が誤差率の積分値と積分値モデルとの差を示している。そして、誤差率の積分値と積分値モデルとの差が所定の閾値を越えたか否かを判定することによって、正常モデルと実測データとの乖離度合いが判定される。誤差率の積分値と積分値モデルとの差が所定の閾値を越えた場合には、高圧圧力の異常発生の可能性があると予知される。

［劣化モデルのモデル化および一致判定］
次に、劣化モデルのモデル化および一致判定について説明する。
まず、図１１に示すような物件Ｃにおける劣化データから劣化モデルが生成される。物件Ｃは、過去に高圧圧力異常が発生した物件であり、物件Ｂの第２空気調和機２ｂの劣化モデルを生成するために、物件Ｃの第３空気調和機２ｃの異常発生前後の状態データが劣化データとして用いられる。ここでは、物件Ｃにおける劣化データと、物件Ｃにおける推測正常データとの誤差率が求められ、上記の正常モデルの手法と同様にして、図１２に示すような誤差率の積分値と積分値モデルとの差が算出される。物件Ｃでは実際に高圧圧力異常が発生した物件であり、図１２のグラフにおいてＰ１で示す時点で異常発報が行われたとする。図１２のグラフを解析すると、異常発生時Ｐ１の前には異常発生に至る傾向が現れており、異常発生の傾向が現れた部分Ｌ２を一次直線化あるいは二次曲線化することによって劣化モデルが得られる。

次に、上記の正常モデルの生成および乖離判定において求められた物件Ｂにおける誤差率の積分値と積分値モデルとの差を表すグラフに当てはめが可能なように劣化モデルが修正され、推定劣化データが求められる。この推定劣化データを示すグラフＬ３を図１３に示す。図１３においては、推定劣化データと誤差率の積分値と積分値モデルとの差を表すグラフと、推定劣化データを示すグラフＬ３とが重ね合わされており、これらのグラフの差が所定範囲内にある状態が所定段階連続して生じているか否かを判定することによって、劣化モデルと実測データとの一致度合いが判定される。なお、所定段階とは、期間を複数段階に区切ったものでもよく、また、誤差率の積分値と積分値モデルとの差の値を複数段階に区切ったものでもよい。推定劣化データと、誤差率の積分値と積分値モデルとの差のグラフとの差が一致または所定範囲内にある状態が所定段階連続して生じた場合は、高圧圧力の異常発生の可能性があると判断される。

＜特徴＞
（１）
この設備機器管理システム１では、空気調和機２ａ，２ｂ，２ｃの正常時からの異常を多次元的なデータにより事前に予知することができる。すなわち、上記の例では、異常予知対象の物件Ｂの第２空気調和機２ｂに関する状態データだけではなく、集中管理装置４に集められた他の物件Ａ，Ｃの空気調和機２ａ，２ｃに関する状態データも含めたより豊富なデータに基づいて異常予知を行うことができる。

また、正常モデルは各物件Ａ，Ｂ，Ｃの導入初期データによって空気調和機２ａ，２ｂ，２ｃ毎に補正されているため、各空気調和機２ａ，２ｂ，２ｃの推定正常データをより精度よく算出することができる。
さらに、劣化モデルは空気調和機２ａ，２ｂ，２ｃの故障原因毎に生成されるため、故障原因の違いに対応した適切な異常予知を行うことができる。

以上により、この設備機器管理システム１では、異常予知の精度が向上している。
（２）
この設備機器管理システム１では、正常モデルからの乖離判定だけではなく、劣化モデルの一致判定が同時に実行される。このため、正常モデルのみによる異常予知よりもより精度の高い異常予知を行うことができると共に、より事前に異常を予知することができる。
また、集中管理装置４には毎日大量の状態データが収集され、蓄積された劣化データによって劣化モデルが更新される。このため、さらに精度の高い劣化モデルを生成することが可能である。

（３）
この設備機器管理システム１では、最低限の機器分類で汎用正常モデルが生成され、機器管理装置３ａ，３ｂ，３ｃ毎の正常モデルは、汎用正常モデルを補正することによって生成される。このため、生成される汎用正常モデルの数を抑えることができると共に正常モデルの生成が容易である。

（４）
この設備機器管理システム１では、異常発生が予知された場合には、予め登録された物件Ａ，Ｂ，Ｃの管理者や空気調和機２ａ，２ｂ，２ｃのメンテナンス会社のＦＡＸ番号やＥメールアドレスに空気調和機２ａ，２ｂ，２ｃの異常予知結果が送信される。このため、異常発生の予知結果を迅速に物件の管理者等に報知することができる。

＜他の実施形態＞
（１）
設備機器管理システム１を構成する空気調和機２ａ，２ｂ，２ｃおよび機器管理装置３ａ，３ｂ，３ｃの数は上記のものに限られない。また、設備機器管理システム１は、照明装置や給湯装置などの空気調和機２ａ，２ｂ，２ｃ以外の設備機器を備えるものであってもよい。

また、空気調和機２ａ，２ｂ，２ｃを構成する室内機や室外機の数は上記のものに限られず、より多く又はより少ない室内機や室外機によって構成されてもよい。
（２）
劣化モデルは、比較的機種に因らず汎用性が高いため、上記の実施形態では空気調和機２ａ，２ｂ，２ｃ毎の劣化モデルは生成されていないが、劣化モデル生成部４４が、空気調和機２ａ，２ｂ，２ｃ毎に劣化モデルを生成してもよい。これにより劣化モデルの精度をより向上させることができる。

この場合、劣化モデル生成部４４は、正常モデルと同様に、機器導入初期データによって補正された劣化モデルを生成してもよい。
（３）
上記の実施形態では、実際に運転を行っている空気調和機２ａ，２ｂ，２ｃの状態データが正常データとして利用されているが、試験データが状態データと共に正常データとして利用されてもよい。この試験データは、空気調和機２ａ，２ｂ，２ｃの正常状態の状態データを試験により求めたものである。これによって、より精度のよい正常モデルを生成することができる。

（４）
機器導入初期データは、空気調和機２ａ，２ｂ，２ｃが物件Ａ，Ｂ，Ｃに設置された後の１年間の状態データが望ましいが、より短い期間、例えば３ヶ月間の状態データであってもよい。また、機器導入初期データとして、実際に使用が開始された後の状態データではなく、設置当初の試験運転中の状態データが記憶されていてもよい。

（５）
上記の実施形態では、正常モデルと劣化モデルとの生成および異常予知の判定が集中管理装置４において行われているが、各物件Ａ，Ｂ，Ｃの機器管理装置３ａ，３ｂ，３ｃにおいてそれぞれ行われてもよい。また、正常モデルと劣化モデルとの生成が集中管理装置４で行われ、異常予知の判定が機器管理装置３ａ，３ｂ，３ｃで行われてもよい。

本発明は、設備機器における異常の発生を精度よく予知することができる効果を有し、設備機器の異常予知システム、設備機器の異常予知装置および設備機器の異常予知方法として有用である。

設備機器管理システムの構成を表す模式図。 空気調和機の冷媒回路および構成を示す図。 設備機器管理システムの構成を表す制御ブロック図。 集中管理装置の構成を示す制御ブロック図。 機器管理装置における制御フローを示すフローチャート。 集中管理装置における制御フローを示すフローチャート。 正常データの一例を示す表。 推定正常データと実測データとの誤差率を示すグラフ。 誤差率の積分値を示すグラフ。 誤差率の積分値と積分値モデルとの差を示すグラフ。 劣化データの一例を示す表。 劣化モデルの一例を示すグラフ。 誤差率の積分値と積分値モデルとの差を表すグラフ。

符号の説明

１ 設備機器管理システム（設備機器の異常予知システム）
２ａ，２ｂ，２ｃ 空気調和機（設備機器）
４ 集中管理装置（異常予知装置）
４１ 記憶部
４３ 正常モデル生成部
４４ 劣化モデル生成部
４５ 異常予知部
４６ 異常予知出力部
Ｓ１２ 第１２ステップ（状態データ記憶ステップ）
Ｓ１３ 第１３ステップ（正常モデル生成ステップ）
Ｓ１４ 第１４ステップ（劣化モデル生成ステップ）
Ｓ１７ 第１７ステップ（異常予知ステップ）
Ｓ１８ 第１８ステップ（異常予知ステップ）

Claims (14)

1. 設備機器（２ａ，２ｂ，２ｃ）と、
   前記設備機器（２ａ，２ｂ，２ｃ）の状態を示す状態データを記憶する記憶部（４１）と、
   前記記憶部（４１）に蓄積された過去の前記状態データのうち正常時の前記設備機器（２ａ，２ｂ，２ｃ）の状態を示す正常データから、正常時の前記状態データを推定するための正常モデルを生成する正常モデル生成部（４３）と、
   前記記憶部（４１）に蓄積された過去の前記状態データのうち異常時の前記設備機器（２ａ，２ｂ，２ｃ）の状態を示す劣化データから、異常時の前記状態データを推定するための劣化モデルを生成する劣化モデル生成部（４４）と、
   実測された前記状態データである実測データと前記正常モデルによって導出された推定正常データとの乖離度合いと、前記劣化モデルによって導出された推定劣化データと前記実測データとの一致度合いとに基づいて、前記設備機器（２ａ，２ｂ，２ｃ）における異常発生を予知する異常予知部（４５）と、
   を備える設備機器の異常予知システム（１）。
2. 複数の前記設備機器（２ａ，２ｂ，２ｃ）を備え、
   前記正常モデル生成部（４３）は、前記設備機器（２ａ，２ｂ，２ｃ）毎に前記正常モデルを生成する、
   請求項１に記載の設備機器の異常予知システム（１）。
3. 前記記憶部（４１）は、前記設備機器（２ａ，２ｂ，２ｃ）の導入時の初期の前記状態データである機器導入初期データを前記設備機器（２ａ，２ｂ，２ｃ）毎に記憶し、
   前記正常モデル生成部（４３）は、前記機器導入初期データによって補正された前記正常モデルを生成する、
   請求項２に記載の設備機器の異常予知システム（１）。
4. 複数の前記設備機器（２ａ，２ｂ，２ｃ）を備え、
   前記劣化モデル生成部（４４）は、前記設備機器（２ａ，２ｂ，２ｃ）毎に前記劣化モデルを生成する、
   請求項１に記載の設備機器の異常予知システム（１）。
5. 前記記憶部（４１）は、前記設備機器（２ａ，２ｂ，２ｃ）が導入された初期の前記状態データである機器導入初期データを前記設備機器（２ａ，２ｂ，２ｃ）毎に記憶しており、
   前記劣化モデル生成部（４４）は、前記機器導入初期データによって補正された前記劣化モデルを生成する、
   請求項４に記載の設備機器の異常予知システム（１）。
6. 前記劣化モデル生成部（４４）は、前記設備機器（２ａ，２ｂ，２ｃ）の故障原因毎に前記劣化モデルを生成する、
   請求項１から５のいずれかに記載の設備機器の異常予知システム（１）。
7. 前記劣化モデルは、蓄積された前記劣化データによって更新される、
   請求項１から６のいずれかに記載の設備機器の異常予知システム（１）。
8. 前記異常予知部（４５）は、前記実測データと前記推定正常データとの差が所定範囲を越えた場合に異常の発生を予知する、
   請求項１から７のいずれかに記載の設備機器の異常予知システム（１）。
9. 前記異常予知部（４５）は、前記実測データと前記推定劣化データとの差が所定範囲内となった場合に異常の発生を予知する、
   請求項１から８のいずれかに記載の設備機器の異常予知システム（１）。
10. 前記異常予知部（４５）は、前記実測データと前記推定劣化データとの差が所定段階連続して所定範囲内となった場合に異常の発生を予知する、
    請求項１から９のいずれかに記載の設備機器の異常予知システム（１）。
11. 前記異常予知部（４５）によって異常の発生が予知された場合に予知結果を出力する異常予知出力部（４６）をさらに備える、
    請求項１から１０のいずれかに記載の設備機器の異常予知システム（１）。
12. 前記異常予知出力部（４６）は、予め登録された通知先に通信回線を介して前記予知結果を送信する、
    請求項１１に記載の設備機器の異常予知システム（１）。
13. 設備機器（２ａ，２ｂ，２ｃ）の異常を予知する異常予知装置であって、
    前記設備機器（２ａ，２ｂ，２ｃ）の状態を示す状態データを記憶する記憶部（４１）と、
    前記記憶部（４１）に蓄積された過去の前記状態データのうち正常時の前記設備機器（２ａ，２ｂ，２ｃ）の状態を示す正常データから、正常時の前記状態データを推定するための正常モデルを生成する正常モデル生成部（４３）と、
    前記記憶部（４１）に蓄積された過去の前記状態データのうち異常時の前記設備機器（２ａ，２ｂ，２ｃ）の状態を示す劣化データから、異常時の前記状態データを推定するための劣化モデルを生成する劣化モデル生成部（４４）と、
    実測された前記状態データである実測データと前記正常モデルによって導出された推定正常データとの乖離度合いと、前記劣化モデルによって導出された推定劣化データと前記実測データとの一致度合いとに基づいて、前記設備機器（２ａ，２ｂ，２ｃ）における異常発生を予知する異常予知部（４５）と、
    を備える設備機器の異常予知装置（４）。
14. 設備機器（２ａ，２ｂ，２ｃ）における異常の発生を予知するための異常予知方法であって、
    設備機器（２ａ，２ｂ，２ｃ）の状態を示す状態データが記憶される状態データ記憶ステップ（Ｓ１２）と、
    蓄積された過去の前記状態データのうち正常時の前記設備機器（２ａ，２ｂ，２ｃ）の状態を示す正常データから、正常時の前記状態データを推定するための正常モデルが生成される正常モデル生成ステップ（Ｓ１３）と、
    蓄積された過去の前記状態データのうち異常時の前記設備機器（２ａ，２ｂ，２ｃ）の状態を示す劣化データから、異常時の前記状態データを推定するための劣化モデルが生成される劣化モデル生成ステップ（Ｓ１４）と、
    実測された前記状態データである実測データと前記正常モデルによって導出された推定正常データとの乖離度合いと、前記劣化モデルによって導出された推定劣化データと前記実測データとの一致度合いとに基づいて、前記設備機器（２ａ，２ｂ，２ｃ）における異常発生が予知される異常予知ステップ（Ｓ１７，Ｓ１８）と、
    を備える設備機器の異常予知方法。

Images