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
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 Download PDFInfo
- Publication number
- JP2006343063A JP2006343063A JP2005170829A JP2005170829A JP2006343063A JP 2006343063 A JP2006343063 A JP 2006343063A JP 2005170829 A JP2005170829 A JP 2005170829A JP 2005170829 A JP2005170829 A JP 2005170829A JP 2006343063 A JP2006343063 A JP 2006343063A
- Authority
- JP
- Japan
- Prior art keywords
- data
- abnormality
- equipment
- normal
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Air Conditioning Control Device (AREA)
- Testing And Monitoring For Control Systems (AREA)
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
【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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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、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。
(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。
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。
(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。
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。
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。
(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。
(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。
(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。
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。
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。
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)
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)
- 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)。 - 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)。 - 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)。 - 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)。 - 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)。 - 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)。 - 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)。 - 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)。 - 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)。 - 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)。 - 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)。 - 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)。 - 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)。 - 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005170829A JP2006343063A (ja) | 2005-06-10 | 2005-06-10 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005170829A JP2006343063A (ja) | 2005-06-10 | 2005-06-10 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2006343063A true JP2006343063A (ja) | 2006-12-21 |
Family
ID=37640153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2005170829A Pending JP2006343063A (ja) | 2005-06-10 | 2005-06-10 | 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 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2006343063A (ja) |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009168296A (ja) * | 2008-01-11 | 2009-07-30 | Daikin Ind Ltd | 空調機診断装置及び空調機診断方法 |
JP2010085000A (ja) * | 2008-09-30 | 2010-04-15 | Daikin Ind Ltd | 分析装置、及び冷凍装置 |
EP2239518A2 (en) | 2009-03-09 | 2010-10-13 | Mitsubishi Electric Corporation | Air-conditioning apparatus |
JP2011059790A (ja) * | 2009-09-07 | 2011-03-24 | Hitachi Ltd | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム |
JP2011163763A (ja) * | 2011-06-03 | 2011-08-25 | Mitsubishi Electric Corp | 空気調和システム |
JP2012089057A (ja) * | 2010-10-22 | 2012-05-10 | Hitachi Engineering & Services Co Ltd | 設備状態監視方法およびその装置並びに設備状態監視用プログラム |
JP2012523041A (ja) * | 2009-04-01 | 2012-09-27 | ハネウェル・インターナショナル・インコーポレーテッド | 生産実行システム用クラウドコンピューティング |
JP2012523040A (ja) * | 2009-04-01 | 2012-09-27 | ハネウェル・インターナショナル・インコーポレーテッド | 装置健全性監視サービス用ベースとしてのクラウドコンピューティング |
JP2013181662A (ja) * | 2012-02-29 | 2013-09-12 | Mitsubishi Heavy Ind Ltd | 推定装置、劣化判定装置、推定方法及び劣化判定方法 |
JP2013210703A (ja) * | 2012-03-30 | 2013-10-10 | Mitsubishi Electric Corp | プラント機器の経年劣化故障兆候判定システム |
JP2015018543A (ja) * | 2013-07-15 | 2015-01-29 | ザ・ボーイング・カンパニーTheBoeing Company | 故障の蓄積作用を評価するためのシステムと方法 |
CN104764595A (zh) * | 2014-01-08 | 2015-07-08 | 马尼托瓦克起重机有限责任公司 | 远程诊断系统 |
WO2015115137A1 (ja) * | 2014-01-29 | 2015-08-06 | 日本電気株式会社 | 監視装置、監視システム、監視方法、補正情報作成装置、補正情報作成方法及びプログラム |
JP2016509198A (ja) * | 2012-11-30 | 2016-03-24 | インペリアル イノベ−ションズ リミテッド | 流体搬送導管網をモニタリングするための装置、方法およびシステム |
JP2016192000A (ja) * | 2015-03-31 | 2016-11-10 | 横河電機株式会社 | 業務支援装置及び業務支援方法 |
WO2016195092A1 (ja) * | 2015-06-05 | 2016-12-08 | 株式会社日立製作所 | 異常検知装置 |
JP2017096531A (ja) * | 2015-11-20 | 2017-06-01 | 三菱重工業株式会社 | 空気調和システム、及びその制御方法並びにプログラム |
CN107250936A (zh) * | 2015-02-17 | 2017-10-13 | 富士通株式会社 | 判定装置、判定方法以及判定程序 |
JP2019060539A (ja) * | 2017-09-26 | 2019-04-18 | 株式会社富士通ゼネラル | 空気調和装置 |
JP2019060601A (ja) * | 2019-01-24 | 2019-04-18 | 三菱電機株式会社 | 異常検知システム、冷凍サイクル装置、及び異常検知方法 |
WO2019176496A1 (ja) * | 2018-03-12 | 2019-09-19 | オムロン株式会社 | 制御装置、制御システム、制御方法及び制御プログラム |
JP2019184093A (ja) * | 2018-04-04 | 2019-10-24 | 株式会社サトーキ | 空調機の診断方法及び診断装置 |
KR20200009077A (ko) * | 2017-06-30 | 2020-01-29 | 미쓰비시덴키 가부시키가이샤 | 비정상 검출 장치, 비정상 검출 시스템, 및 비정상 검출 방법 |
JP2020057144A (ja) * | 2018-10-01 | 2020-04-09 | 三菱電機株式会社 | 劣化検知システム |
JPWO2022123787A1 (ja) * | 2020-12-11 | 2022-06-16 | ||
WO2023013077A1 (ja) * | 2021-08-06 | 2023-02-09 | 三菱電機株式会社 | 空気調和システム、及び検査方法 |
WO2023148934A1 (ja) * | 2022-02-04 | 2023-08-10 | 三菱電機株式会社 | 故障診断装置、故障診断方法、及び故障診断プログラム |
WO2024058149A1 (ja) * | 2022-09-12 | 2024-03-21 | ダイキン工業株式会社 | 機器性能値予測方法、システム、およびプログラム |
CN118192352A (zh) * | 2024-03-28 | 2024-06-14 | 贵州山王果健康实业有限公司 | 一种5g智能监控工厂数据监控方法及系统 |
WO2024135664A1 (ja) * | 2022-12-22 | 2024-06-27 | ダイキン工業株式会社 | 機器性能予測方法、機器性能予測装置、およびプログラム |
WO2024154345A1 (ja) * | 2023-01-20 | 2024-07-25 | 三菱電機株式会社 | 空気調和システム、処理装置及び空気調和機の動作状態判定方法 |
US12099939B2 (en) | 2021-01-19 | 2024-09-24 | Mitsubishi Electric Corporation | Signal display control device and computer readable medium |
-
2005
- 2005-06-10 JP JP2005170829A patent/JP2006343063A/ja active Pending
Cited By (60)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009168296A (ja) * | 2008-01-11 | 2009-07-30 | Daikin Ind Ltd | 空調機診断装置及び空調機診断方法 |
JP2010085000A (ja) * | 2008-09-30 | 2010-04-15 | Daikin Ind Ltd | 分析装置、及び冷凍装置 |
EP2239518A2 (en) | 2009-03-09 | 2010-10-13 | Mitsubishi Electric Corporation | Air-conditioning apparatus |
JP2012523041A (ja) * | 2009-04-01 | 2012-09-27 | ハネウェル・インターナショナル・インコーポレーテッド | 生産実行システム用クラウドコンピューティング |
JP2012523040A (ja) * | 2009-04-01 | 2012-09-27 | ハネウェル・インターナショナル・インコーポレーテッド | 装置健全性監視サービス用ベースとしてのクラウドコンピューティング |
JP2011059790A (ja) * | 2009-09-07 | 2011-03-24 | Hitachi Ltd | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム |
US9483049B2 (en) | 2009-09-07 | 2016-11-01 | Hitachi, Ltd. | Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program |
JP2012089057A (ja) * | 2010-10-22 | 2012-05-10 | Hitachi Engineering & Services Co Ltd | 設備状態監視方法およびその装置並びに設備状態監視用プログラム |
JP2011163763A (ja) * | 2011-06-03 | 2011-08-25 | Mitsubishi Electric Corp | 空気調和システム |
JP2013181662A (ja) * | 2012-02-29 | 2013-09-12 | Mitsubishi Heavy Ind Ltd | 推定装置、劣化判定装置、推定方法及び劣化判定方法 |
JP2013210703A (ja) * | 2012-03-30 | 2013-10-10 | Mitsubishi Electric Corp | プラント機器の経年劣化故障兆候判定システム |
JP2016509198A (ja) * | 2012-11-30 | 2016-03-24 | インペリアル イノベ−ションズ リミテッド | 流体搬送導管網をモニタリングするための装置、方法およびシステム |
JP2015018543A (ja) * | 2013-07-15 | 2015-01-29 | ザ・ボーイング・カンパニーTheBoeing Company | 故障の蓄積作用を評価するためのシステムと方法 |
US10180995B2 (en) | 2013-07-15 | 2019-01-15 | The Boeing Company | System and method for assessing cumulative effects of a failure |
JP2015130175A (ja) * | 2014-01-08 | 2015-07-16 | マニタウォック クレイン カンパニーズ, エルエルシーManitowoc Crane Companies, Llc | 遠隔診断システム |
CN104764595A (zh) * | 2014-01-08 | 2015-07-08 | 马尼托瓦克起重机有限责任公司 | 远程诊断系统 |
WO2015115137A1 (ja) * | 2014-01-29 | 2015-08-06 | 日本電気株式会社 | 監視装置、監視システム、監視方法、補正情報作成装置、補正情報作成方法及びプログラム |
JPWO2015115137A1 (ja) * | 2014-01-29 | 2017-03-23 | 日本電気株式会社 | 監視装置、監視システム、監視方法、補正情報作成装置、補正情報作成方法及びプログラム |
US11067612B2 (en) | 2014-01-29 | 2021-07-20 | Nec Corporation | Monitoring device, monitoring system, monitoring method, correction information generation device, correction information generation method, and non-transitory storage medium |
US10495674B2 (en) | 2014-01-29 | 2019-12-03 | Nec Corporation | Monitoring device, monitoring system, monitoring method, correction information generation device, correction information generation method, and non-transitory storage medium |
CN107250936A (zh) * | 2015-02-17 | 2017-10-13 | 富士通株式会社 | 判定装置、判定方法以及判定程序 |
CN107250936B (zh) * | 2015-02-17 | 2019-09-20 | 富士通株式会社 | 判定装置及判定方法 |
JP2016192000A (ja) * | 2015-03-31 | 2016-11-10 | 横河電機株式会社 | 業務支援装置及び業務支援方法 |
WO2016195092A1 (ja) * | 2015-06-05 | 2016-12-08 | 株式会社日立製作所 | 異常検知装置 |
JPWO2016195092A1 (ja) * | 2015-06-05 | 2018-03-22 | 株式会社日立製作所 | 異常検知装置 |
JP2017096531A (ja) * | 2015-11-20 | 2017-06-01 | 三菱重工業株式会社 | 空気調和システム、及びその制御方法並びにプログラム |
KR20200009077A (ko) * | 2017-06-30 | 2020-01-29 | 미쓰비시덴키 가부시키가이샤 | 비정상 검출 장치, 비정상 검출 시스템, 및 비정상 검출 방법 |
US11493912B2 (en) | 2017-06-30 | 2022-11-08 | Mitsubishi Electric Corporation | Unsteadiness detection device, unsteadiness detection system and unsteadiness detection method |
CN110785716A (zh) * | 2017-06-30 | 2020-02-11 | 三菱电机株式会社 | 不稳定检测装置、不稳定检测系统以及不稳定检测方法 |
CN110785716B (zh) * | 2017-06-30 | 2023-03-31 | 三菱电机株式会社 | 不稳定检测装置、不稳定检测系统以及不稳定检测方法 |
KR102168736B1 (ko) * | 2017-06-30 | 2020-10-22 | 미쓰비시덴키 가부시키가이샤 | 비정상 검출 장치, 비정상 검출 시스템, 및 비정상 검출 방법 |
JP2019060539A (ja) * | 2017-09-26 | 2019-04-18 | 株式会社富士通ゼネラル | 空気調和装置 |
JP7047305B2 (ja) | 2017-09-26 | 2022-04-05 | 株式会社富士通ゼネラル | 空気調和装置 |
WO2019176496A1 (ja) * | 2018-03-12 | 2019-09-19 | オムロン株式会社 | 制御装置、制御システム、制御方法及び制御プログラム |
US11892819B2 (en) | 2018-03-12 | 2024-02-06 | Omron Corporation | Control device, control system, control method, and computer-readable storage medium |
CN111684367A (zh) * | 2018-03-12 | 2020-09-18 | 欧姆龙株式会社 | 控制装置、控制系统、控制方法以及控制程序 |
JP2019159669A (ja) * | 2018-03-12 | 2019-09-19 | オムロン株式会社 | 制御装置、制御システム、制御方法及び制御プログラム |
CN111684367B (zh) * | 2018-03-12 | 2023-01-17 | 欧姆龙株式会社 | 控制装置、控制系统、控制方法以及计算机可读存储介质 |
JP2019184093A (ja) * | 2018-04-04 | 2019-10-24 | 株式会社サトーキ | 空調機の診断方法及び診断装置 |
KR102495422B1 (ko) * | 2018-10-01 | 2023-02-06 | 미쓰비시덴키 가부시키가이샤 | 열화 검지 시스템 |
KR20210044862A (ko) * | 2018-10-01 | 2021-04-23 | 미쓰비시덴키 가부시키가이샤 | 열화 검지 시스템 |
JP7134051B2 (ja) | 2018-10-01 | 2022-09-09 | 三菱電機株式会社 | 劣化検知システム |
JP2020057144A (ja) * | 2018-10-01 | 2020-04-09 | 三菱電機株式会社 | 劣化検知システム |
US12079303B2 (en) | 2018-10-01 | 2024-09-03 | Mitsubishi Electric Corporation | Degradation detection system |
JP2019060601A (ja) * | 2019-01-24 | 2019-04-18 | 三菱電機株式会社 | 異常検知システム、冷凍サイクル装置、及び異常検知方法 |
WO2022123787A1 (ja) * | 2020-12-11 | 2022-06-16 | 三菱電機株式会社 | 空調システムの状態の学習装置および推論装置 |
JPWO2022123787A1 (ja) * | 2020-12-11 | 2022-06-16 | ||
JP7499880B2 (ja) | 2020-12-11 | 2024-06-14 | 三菱電機株式会社 | 空調システムの状態の学習装置および推論装置 |
EP4261470A4 (en) * | 2020-12-11 | 2024-04-03 | Mitsubishi Electric Corporation | LEARNING DEVICE AND INFERENCE DEVICE FOR THE STATE OF AN AIR CONDITIONING SYSTEM |
US12099939B2 (en) | 2021-01-19 | 2024-09-24 | Mitsubishi Electric Corporation | Signal display control device and computer readable medium |
JPWO2023013077A1 (ja) * | 2021-08-06 | 2023-02-09 | ||
JP7403720B2 (ja) | 2021-08-06 | 2023-12-22 | 三菱電機株式会社 | 空気調和システム、及び検査方法 |
WO2023013077A1 (ja) * | 2021-08-06 | 2023-02-09 | 三菱電機株式会社 | 空気調和システム、及び検査方法 |
JP7427140B2 (ja) | 2022-02-04 | 2024-02-02 | 三菱電機株式会社 | 故障診断装置、故障診断方法、及び故障診断プログラム |
WO2023148934A1 (ja) * | 2022-02-04 | 2023-08-10 | 三菱電機株式会社 | 故障診断装置、故障診断方法、及び故障診断プログラム |
WO2024058149A1 (ja) * | 2022-09-12 | 2024-03-21 | ダイキン工業株式会社 | 機器性能値予測方法、システム、およびプログラム |
WO2024135664A1 (ja) * | 2022-12-22 | 2024-06-27 | ダイキン工業株式会社 | 機器性能予測方法、機器性能予測装置、およびプログラム |
JP7545070B2 (ja) | 2022-12-22 | 2024-09-04 | ダイキン工業株式会社 | 機器性能予測方法、機器性能予測装置、およびプログラム |
WO2024154345A1 (ja) * | 2023-01-20 | 2024-07-25 | 三菱電機株式会社 | 空気調和システム、処理装置及び空気調和機の動作状態判定方法 |
CN118192352A (zh) * | 2024-03-28 | 2024-06-14 | 贵州山王果健康实业有限公司 | 一种5g智能监控工厂数据监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2006343063A (ja) | 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 | |
US20220163989A1 (en) | Controlling the setback and setback recovery of a power-consuming device | |
EP3607251B1 (en) | Air conditioning system and control method thereof | |
US20180323994A1 (en) | Intelligent equipment sequencing | |
JP2009002651A (ja) | 異常診断システム | |
KR20080085733A (ko) | 리모트 성능 감시 장치 및 리모트 성능 감시 방법 | |
US10866005B2 (en) | Air-conditioner system and control method, with first and second abnormality diagnosis | |
JP4290705B2 (ja) | 空気調和機の診断方法及び診断システム | |
JP6905960B2 (ja) | センサ状態判定装置、センサ状態判定方法およびプログラム | |
Wiggins et al. | HVAC fault detection | |
US11561019B2 (en) | Performance diagnosis device and performance diagnosis method for air conditioner | |
WO2018220760A1 (ja) | 空気調和機故障診断装置 | |
JP4281334B2 (ja) | 異常診断システム | |
JP2013127348A (ja) | 遠隔監視制御システムおよびその運転方法 | |
JP2010025475A (ja) | 冷凍サイクル機器に用いられる故障診断装置 | |
CN104246638A (zh) | 机械设备的管理系统 | |
JP5262122B2 (ja) | 空調機診断装置 | |
JP2019060539A (ja) | 空気調和装置 | |
JP2007212038A (ja) | デマンド制御装置、デマンド制御方法およびデマンド制御プログラム | |
JP2019143817A (ja) | 一体型空気調和装置の管理装置および管理プログラム | |
JP2009002650A (ja) | 異常診断システム | |
WO2016035353A1 (ja) | 省エネルギー支援装置、空調システム、及び空調ネットワークシステム | |
JP6990803B2 (ja) | 空気調和システム、運転管理方法及びプログラム | |
JP2006318357A (ja) | 部品保守支援装置、部品保守支援システム及び部品保守支援プログラム | |
CN111788598A (zh) | 利用bems数据的能量效率分析系统 |