JP2013152655A - プラント又は設備の異常診断方法及びヘルスマネージメント方法 - Google Patents

Abstract

【課題】プラント又は設備の稼働率を維持・向上するため、センサデータ、稼働情報、イベント情報、設備負荷、作業報告書などから、異常度の進展を推測して、プラント又は設備の健康状態を把握し、稼働継続可能時間を推定する方法を提供する。
【解決手段】（１）非線形回帰手法であるガウシアンプロセスを用いた異常測度１の予測、（２）ｋ−ＮＮと言った認識手法を時系列データ７に適用した異常測度の予測、（３）時系列データ７を対象にダイナミクスをモデリングし状態空間モデルを得、粒子フィルタによる異常測度１の予測、（４）異常測度からＲＵＬの予測、（５）異常測度を対象に、これに稼働情報、イベント情報、設備負荷も併せて対象とし、ダイナミクスをモデリングし状態空間モデルを得、粒子フィルタによる稼働継続可能時間の予測などからなる高精度異常度予測、及び稼働継続可能時間予測方法を提供する。
【選択図】図１８

Description

本発明は、プラント又は設備の健康状態を把握し、稼働継続可能時間を診断する、プラント又は設備の異常診断方法及びヘルスマネージメント方法に関し、プラント又は設備に付加したセンサからのデータ、プラント又は設備の稼働情報、プラント又は設備の操作などを表すイベント情報、エンジン負荷などの設備負荷、過去の故障に関する作業報告書などから、プラント又は設備の異常度の進展を推測し、稼働継続可能時間を評価するものである。

建設機械、医療機器、風力・太陽光や火力などの発電設備、水処理、プラント等の設備において、設備異常による稼働率低下を未然に防止するため、定期保守が重要であるが、定期保守を実施していても、故障により設備ダウンすることは避けられず、設備に付加したセンサのデータに基づく異常の早期発見（予兆検知）、異常個所の早期特定（診断）が重要になってきている。

しかし、多くのセンサデータ、膨大な設備情報や保守履歴情報があるなかで、設備の健康状態を把握し、さらに、あとどれくらい故障しないで稼動可能なのか（設備の稼働継続可能時間）を予測することは、設計・現場の両知識と、多くのデータ解析を必要とし、難易度が高く困難を伴うものであった。

例えば、特許文献１には、プラントまたは設備の異常を早期に検知する異常検知方法であって、複数のセンサからデータを取得し、データ間の類似度に基づき、データ間で類似度が低いデータの場合は、そのデータの異常の有無を用いて、学習データへのデータの追加や削除を行うことにより、学習データを生成・更新し、あらたに取得した観測データと、学習データに含まれる個々のデータの乖離度に基づいて、観測データの異常を検知する異常検知方法が記載されている。

特許文献２には、プラントまたは設備の異常を早期に検知する異常検知方法であって、複数のセンサからデータを取得し、ほぼ正常データからなる学習データをモデル化し、モデル化した学習データを用いて取得データの異常測度を算出し、かつ、線形予測により上記取得データの時系列的振舞いをモデル化し、モデルからの予測誤差を算出し、異常測度と予測誤差の双方を用いて、異常の有無を検知する異常検知方法が記載されている。

また、非特許文献１には、リチウムイオンバッテリを対象に、残存耐用年数（Remaining Useful Life：ＲＵＬ）を評価する手法が提案されている。ここでは、非線形回帰手法であるガウシアンプロセスや、粒子（パーティクル）法が適用されているが、リチウムイオンバッテリでは、その劣化のメカニズムを比較的簡単な物理モデルで表現でき、そのパラメータはセンサデータから決められることから、そのＲＵＬを得ることに、大きな障害はない。

非特許文献２には、ハードディスクドライブの診断手法が提案されている。しかし、ハードディスクドライブは、リチウムイオンバッテリに比べ、多様な劣化のメカニズムが存在するため、上記のガウシアンプロセスの適用でなく、マハラノビス距離のような古典的な手法が適用されている。

ＰＨＭ（Prognostics and Health Management）では、ＲＵＬの算出が重要と言われており、非特許文献３には、航空機などを対象に、ＲＵＬと関連がある各種情報をリンクする形で、エージェントソフトを提供している。

上述した非特許文献１，２，３で定義されたＲＵＬは、設備が故障するまでの時間を表している。健康状態は、徐々に、単調に減少していくモデルである。本明細書では、健康状態は、保守作業により増減するというモデルである。

本出願で述べるＲＵＬは、増減する健康度のプラント又は設備に対する、プラント又は設備の稼働継続可能時間であり、次の診断時期まで運転可能であるということを意味するものである。短周期ＲＵＬとも言うべきものである。換言すれば、稼働継続可能時間は、次回の診断日時を決めるための指標であり、プラント又は設備のライフサイクル全般にわたって定義するものでなく、プラント又は設備ごとに、時刻ごとに、来歴ごとに、異なる値をもつものである。

特開２０１０−１９１５５６号公報 特開２０１１−１４５８４６号公報

K.Goebel: Prognostics in Battery Health Management, IEEE Instrumentation And Measurement Magazine,Vol.11,4,pp33-40(2008) Yu Wang,Qiang Miao,Pecht,M.; Health monitoring of harddisk drive based on Mahalanobis distance ,Prognostics and System Health Management Conference (PHM-Shenzhen), 2011 Camci, F., Valentine, G.S., Navarra, K.: Methodologies forIntegration of PHM Systems with Maintenance Data, Aerospace Conference, 2007IEEE 学会報告「尾崎 晋作, 和田 俊和, 前田 俊二, 渋谷 久恵,『異常検出におけるSimilarity Based ModelingとGaussian Processesの関連に関して」,パターン認識・メディア理解研究会(PRMU),画像工学(IE),133-138(2011.5)』 樋口知之:粒子フィルタ、電子情報通信学会誌 Vol.88, No.12,2005

劣化のメカニズムを比較的簡単な物理モデルで表現できるリチウムイオンバッテリに対し、ハードディスクドライブでは、劣化のメカニズムが多様であるため、高度なガウシアンプロセスや粒子（パーティクル）法を適用することは困難である。

一般に、建設機械、医療機器、風力・太陽光や火力などの発電設備、プラント等の設備では、大規模システムであること、購入部品の素性まで含めて計算機モデルを構築するには、膨大な費用・長い時間も必要とすることから、劣化のメカニズムを高精度に表現可能なものの方が稀であり、そのため、異常検知自体が簡単な統計的モデリングに頼るケースが多く、このような事例では、プラント又は設備の稼働継続可能時間（ＲＵＬ）の算出は極めて困難な課題と言える。このため、次期診断時期も的確には指定できない。結局のところ、保守は、時間計画保全になっているのが実情である。

そこで、本発明の目的は、プラント又は設備の過去の履歴（病歴）、今までの稼動状態、負荷の状態も考慮した、現在の症状の統計的モデルを構築し、設備の健康状態を把握する。すなわち、センサデータから異常の度合い、進展を推定し、これに、稼働情報、イベント情報、設備負荷、作業報告書などの情報を加味して、プラント又は設備の健康状態を把握し、プラント又は設備の稼働継続可能時間（ＲＵＬ）を推定することである。

上記目的を達成するために、本発明は、プラント又は設備の健康状態を把握し、プラント又は設備の稼働継続可能時間を診断する方法を提供するものであり、センサデータ、稼働情報、イベント情報、設備負荷、作業報告書などから、異常度の進展を推測し、プラント又は設備の稼働継続可能時間を評価する。

具体的には、（１）非線形回帰手法であるガウシアンプロセスを用いた異常測度の予測、（２）ｋ−ＮＮ（ｋ個−Nearest Neibor)法と言った認識手法を時系列データに適用した異常測度の予測、（３）時系列データを対象にダイナミクスをモデリングし状態空間モデルを得、粒子フィルタによる異常測度の予測、（４）異常測度からＲＵＬの予測、（５）異常測度を対象に、これに稼働情報、イベント情報、設備負荷も併せて対象とし、ダイナミクスをモデリングし状態空間モデルを得、粒子フィルタによるＲＵＬの予測などからなる高精度異常度予測及びプラント又は設備の稼働継続可能時間予測方法を提供する。
プラント又は設備の稼働継続可能時間により、次期診断時期の決定などが可能となる。これらにより、プラント又は設備の安定稼動を実現することを可能とする。

本発明によれば、プラント又は設備の健康状態を的確に把握でき、プラント又は設備の異常度と稼働情報、イベント情報、設備負荷、作業報告書などから、プラント又は設備の稼働継続可能時間（ＲＵＬ）を推定でき、次期診断時期の決定など、的確な保守スケジューリングを立案、実行できる。これにより、状態監視に基づく保守計画を立案、修正、実行でき、時間計画保全から脱却できる。

図１は、本発明の異常測度の変化とＲＵＬ（Remaining Useful Life）を説明する図である。 図２は、本発明の設備の遠隔監視を説明する図である。 図３は、本発明の実施例１にかかる設備に付加したセンサから得られるセンサデータや設備の操作などを表すイベントデータを用いて異常測度を算出する異常予測と、ＲＵＬの予測の方法を説明するブロック図である。 図４は、本発明の実施例１の多次元時系列センサデータ、イベントデータの一例を示す図である。 図５は、本発明の実施例１の時系列センサデータの一例を表す図である。 図６は、本発明の実施例１の設備の日々の稼働時間とそれを累積した累積稼働時間の一例を示す図である。 図７は、本発明の実施例１の設備に搭載されたエンジンの負荷率の一例を説明する図である。 図８は、本発明の実施例１のデータの回帰動作を説明する図である。 図９は、本発明の実施例１のガウシアンプロセスの動作を説明する図である。 図１０は、本発明の実施例１にかかる過去の時系列センサデータ（あるいは異常測度データ）から、未来のセンサデータ（あるいは異常測度データ）を予測する状況を説明する図である。 図１１は、本発明の実施例１にかかる過去の時系列センサデータ（あるいは異常測度データ）から、未来のセンサデータ（あるいは異常測度データ）を予測する状況を説明する図である。 図１２は、本発明の実施例２にかかる設備に付加したセンサから得られるセンサデータや設備の操作などを表すイベントデータを用いて異常測度を算出する異常予測と、ＲＵＬの予測の方法を説明するブロック図である。 図１３は、本発明の実施例２の識別器による予測動作を説明するブロック図である。 図１４は、本発明の実施例２の識別器による予測動作を説明する図である。 図１５は、本発明の実施例３にかかる設備に付加したセンサから得られるセンサデータや設備の操作などを表すイベントデータを用いて異常測度を算出する異常予測と、ＲＵＬの予測の方法を説明するブロック図である。 図１６は、本発明の実施例３の状態モデルを説明する図である。 図１７は本発明の実施例３の粒子（パーティクル）フィルタの概念を説明する図である。 図１８は、本発明の実施例４にかかる設備に付加したセンサから得られるセンサデータや設備の操作などを表すイベントデータを用いて異常測度を算出する異常予測と、ＲＵＬの予測の方法を説明するブロック図である。 図１９は、本発明の実施例４の状態モデルにおける致命度変換の関数を説明する図である。 図２０は、本発明の実施例４の状態モデルにおける稼働データの影響を表す成分モデルを示す図である。 図２１は、本発明の実施例４の状態モデルにおける累積負荷データの影響を示す成分モデルを示す図である。 図２２は、本発明の実施例４の局所部分空間法の概念を説明する図である。 図２３は、本発明の実施例４で提唱する設備の稼働継続可能時間の概念を説明する図である。 図２４は、本発明の実施例５にかかる設備に付加したセンサから得られるセンサデータや設備の操作などを表すイベントデータを用いて、保守作業にほぼ同期して異常測度を算出する異常予測と、保守作業にほぼ同期してＲＵＬを予測する方法を説明するブロック図である。 図２５は、本発明の実施例５の保守作業に伴う状態変化、およびそれに伴う異常測度の変動を説明する図である。 図２６は、本発明の実施例５による定期検査の間隔の違いの効果を説明する図である。 図２７は、本発明の実施例５による設備の稼働継続可能時間の推定値の更新状況を説明する図である。

本発明は、プラント又は設備の稼働率を維持・向上するため、プラント又は設備の健康状態を把握し、設備の稼働継続可能時間を診断する方法を提供するものであり、センサデータ、稼働情報、イベント情報、設備負荷、作業報告書などから、異常度の進展を推測し、プラント又は設備の稼働継続可能時間を評価する。

このため、センサデータ、イベント情報はもちろんのこと、稼働情報、設備負荷といった時系列データも用いる。また、過去の故障事例からなる作業報告書も扱う。

そして、具体的には、（１）非線形回帰手法であるガウシアンプロセスを用いた異常測度の予測、（２）ｋ−ＮＮと言った認識手法を時系列データに適用した異常測度の予測、（３）時系列データを対象にダイナミクスをモデリングし状態空間モデルを得、粒子フィルタによる異常測度の予測、（４）異常測度からＲＵＬの予測、（５）異常測度を対象に、これに稼働情報、イベント情報、設備負荷も併せて対象とし、ダイナミクスをモデリングし状態空間モデルを得、粒子フィルタによるＲＵＬの予測などからなる高精度異常度予測及びプラント又は設備の稼働継続可能時間の予測方法を提供する。

以下に、本発明の実施の形態について、図面を参照して説明する。図１は本発明が対象とするプラント又は設備におけるセンサデータから求めた異常測度１の時系列データを示す。異常測度１は後述する方法で求める。異常測度１は、時間の経過とともに徐々に増加している。同図のしきい値２は、異常測度１に対して設定したもので、プラント又は設備が故障する限界を示す。このしきい値２を異常測度１が超えると、プラント又は設備の状態は正常でない。

このしきい値２を超える故障発生時期３までの残された時間が、ＲＵＬ４と一般に呼ばれている値である。ここでは、ＲＵＬ４はRemaining Useful Lifeの頭文字である。本実施例では、異常測度１およびＲＵＬ４を予測する方法について説明する。

図２は、遠隔監視の対象となる対象設備５の一例を示すものである。ＭＲＩ（核磁気共鳴イメージング）やＸ線ＣＴ（コンピュータ断層装置）などの医療診断装置５ａ、ガスエンジン・ガスタービンなどの発電設備５ｂ、ショベルやダンプトラックなどの建設機械５ｃ、風力発電や太陽光発電などの発電設備５ｄなど、多くのプラント又は設備が遠隔監視の対象になる。図示していないが、鉄道、飛行機、艦船なども遠隔監視の対象になる。これらのプラントや設備・機械は、複数のセンサを装備しており、センサデータを分析することにより、２４時間体制で、プラント又は設備に異常予兆が発生していないか監視されている。

図３に、本発明にかかる過去のセンサデータに関わる時系列データから、未来の異常予兆を予測する方法を説明するブロック図を示す。現在の時系列センサデータ１０が、上記対象設備５から得られる。これは、時系列データベース１１に取得のたびに毎回蓄積され、過去の情報として活用できる形態になっている。この時系列データベース１１には、センサデータ１２、イベントデータ１３、稼動データ１４、負荷データ１５などがある。これらは、対象設備５の置かれた環境を強く表すもので、環境データと名づける。

イベントデータ１３は、起動や停止など設備の運転パターンなどの設備状態を表す。稼動データ１４は、設備の運転時間やその累積を表す。たとえば、ショベルなどでは、走行時間や旋回動作の時間など、動作の詳細時間が該当する。負荷データ１５は、たとえばエンジンにかかる負荷の状況を表す。異常の状態の予測時には、異常予測部１６にて、時系列データベース１１に格納されているデータを参照して、類似時系列データ選択部１７と回帰エンジンによる識別１８により、異常測度１の予測がなされる。類似時系列データ選択部１７は、現在の時系列センサデータ１０と類似する過去の時系列センサデータを選択する。選択された過去の時系列センサデータに対し、回帰式により異常測度１の予測を行う。

回帰の方法は、あとで図８〜図１１を用いて説明する。そして、得られた異常測度データ１９からＲＵＬ予測２０にてＲＵＬ４の予測を行う。表示部２１は、センサデータ１２の表示や異常測度１の波形を表示し、出力するものである。また、上位システムであるＡＨＭ（asset health management）やＡＥＭ（enterprise asset management）に表示データを送信する。

以下、図４から図７を用いて、データの一例を説明する。図４に、センサデータ１２とイベントデータ１３の例を示す。対象設備５である発電設備５ｂ、建設機械５ｃを対象に、時系列データ取得部６にて、センサデータ１２、イベントデータ１３を取得する。稼動データ１４、負荷データ１５も取得対象である。センサデータ１２は、冷却水やオイルの温度、オイルの圧力、電圧などである。一定のサンプリング間隔で、これらのデータが取得される。イベントデータ１３は、設備の起動、停止、そのほかの操作を表すデータである。警報などが含まれる場合もある。

図５に、ガスエンジンのセンサデータ１２の例を示す。運転ＯＮ，ＯＦＦの繰り返しをしている例である。

図６に、稼動データ１４の例を示す。図６の上段が、日々の稼動時間を秒単位で表示したものである。図６の下段が、ある期間内を対象に、２台の装置の累積稼動時間である設備（１）の稼働データ１４−１，設備（２）の稼働データ１４−２を示したものである。この場合、時系列データ７は、設備の年齢に相当する。

図７に、負荷データ１５の例を示す。ここでは、エンジン負荷率を表している。この場合、時系列データ７は、設備が使われている環境を示している。
次に、異常測度１の予測の方法を図８〜図１１を用いて説明する。図８は、ガウシアンプロセス等の非線形回帰手法や予測手法による推定を説明する図である。図８には、学習データ２３と回帰関数２２が描かれている。ここで、学習データ２３が、現在の時系列センサデータ１０と類似したとされる過去の時系列センサデータである。

図９に、回帰としてガウシアンプロセスの例を示す。ガウシアンプロセスの解説記事は多いが、ここでは、非特許文献４を参照している。ガウシアンプロセスの特徴は、学習データと類似したデータを選択出力し、かつその信頼性も分散として出力可能なことである。図９に示した方法で、出力ｔ_ｅｓｔが予測値として得られる。

なお、非特許文献５には、Ｌｉ−ｉｏｎ蓄電池を対象に、ガウシアンプロセスや後述の粒子（パーティクル）フィルタを用いた蓄電池のRemaining-useful-life（ＲＵＬ）を推定する技術が紹介されている。本実施例と上記文献の技術的な相違点のひとつは、上記文献では、故障までの期間をＲＵＬと定義している点にあり、さらなる相違点は、Ｌｉ−ｉｏｎ蓄電池では、抵抗やキャパシタンスからなる回路物理モデルを仮定でき、それに基づきＲＵＬを求めている点である。

本実施例では、ＲＵＬ４を次の診断までのプラント又は設備の稼働継続可能時間と定義している。すなわち短周期のＲＵＬ４を定義し、これを時刻ごとに、あるいは診断毎に更新するようにした。

また、多くの対象設備では、物理モデルを仮定することはコストがかかり、また精度を確保しようとすると、ますます膨大なコストがかかるというデメリットがある。これを考慮して、本実施例では、精度の高い物理モデルを必ずしも準備できなくても、対応可能とした。

ここでは、さらに、精度を確保すべく、過去にできるだけ遡ることや、データの時間刻み（サンプリング）を細かくすると、いずれも容量の増大を招く。このような膨大な類似時系列データ７を、事前に、逐一選択する点であり、これにより、図９に示した計算、特に逆行列計算の負荷が減り、短期（短時間での）予測を可能にしている。

図１０に、ガウシアンプロセスによる異常測度１の予測の例を示す。同図において、現時点までの異常測度１が表示されている。ここまでは、設備の状態も含めて、既知と仮定している。同図において、四角で囲んだ部分が、現時点までの時系列異常測度１のデータである。この期間のデータを予測に利用する。期間は、一ヶ月などと定める。もちろん、長い方がいろいろな現象を網羅でき、高い精度を期待できる。時系列での異常測度１の波形を、ベクトルとしてまとめ、Ｘと表記している。

図１１に、予測の段階を示す。四角で囲んだ波形から、ガウシアンプロセスによる異常測度１の予測結果を○印で示す。四角で囲んだ波形より右のデータが、のちに、実際に得られることになる。ここで、時刻の刻みをｔとしている。

次に、異常測度１の予測の別の方法を図１２〜図１４を用いて説明する。図１２に、認識エンジンによる識別２４の例を示す。動作ブロックを図１３に示す。認識エンジンによるセンサデータ１２、イベントデータ１３、稼動データ１４、負荷データ１５を入力し、過去の時系列データをデータベース１１から読み出し、認識する。過去のデータは、学習データとして使用する。

図１４に認識エンジンによる識別２４の例を示す。ここでは、ｋ−ＮＮ法を挙げているが、時系列データ７に適用する意味で、時間軌跡を対象にする。過去の時系列データ７に対し、定めた期間についてこれをベクトル化する。未知パターンとして、現時点までの定めた期間について時系列データ７をベクトル化し、これと、過去の時系列データ７のベクトルからの距離を求め、この距離の大小により、未知パターンに近い過去時系列データ７のベクトルを複数選ぶものである。

図１４では、クラスＡ、Ｂがあるが、クラスＡが過去の正常データに対応する。クラスＢは存在しなくてもよい。たとえば、選んだ複数の５個の過去時系列データ７のベクトル（クラスＡに属している）から、時間的に数ステップ先のデータ（未知パターンに対応する）を５個読み出し、これらの重心間の距離などを、異常測度１の予測値とする。なお、５個という数値は一例に過ぎない。

次に、異常測度１の予測の別の方法を図１５〜図１７を用いて説明する。図１５に、粒子フィルタによる識別２２の例を示す。数式１に、時系列異常測度１データの予測のためのモデルを示す。数式２、３は、成分モデルである。数式２はトレンドモデルであり、２階差分で表している。数式３は、ノイズ項である。

図１６は、粒子フィルタの状態モデルの概念、図１７には粒子フィルタの動作を示す。粒子（パーティクル）フィルタ自体の詳細は、非特許文献５に詳しい。異常測度１に即したダイナミクスを反映したモデルを検討することが重要であるが、ここでは数式２，３のように簡単化して説明した。

次に、上記を拡張し、プラント又は設備の稼働継続可能時間を予測する方法を説明する。図１８に、粒子（パーティクル）フィルタによるＲＵＬ予測２０を用いたブロック構成図を示す。数式１に、時系列での設備の稼働継続可能時間データの予測のためのモデルを示す。数式５から８に、成分モデルを示し、数式４では、部位ごとの致命度を加算している。

図１９に、部位ｊの異常測度１の予測値に基づき、致命度を換算して求めるための関数を示す。数式５に対応している。異常測度１の予測値は、異常測度１の算出時にある程度の部位を特定できるため、その情報を用いる。また、致命度は、ここではプラント又は設備の稼働継続可能時間の逆数とした。もちろん、非線形の関数を仮定してもよい。数式４では、部位ごとの上記致命度を加算している。

図２０に、稼動データの影響を表す成分モデルを示す。数式６に対応している。プラント又は設備の稼動時間が長くなるにつれ、致命度が増すことを意味している。

ここでは、部品交換を考慮し、部位ごとの稼動時間とした。図２１には累積負荷データの影響を表す成分モデルを示す。プラント又は設備の累積負荷が蓄積されるにつれ、致命度が増すことを意味している。

なお、数式７と数式８は、トレンド成分と別な揺らぎを示すモデルである。２階差分で表したが、何階 差分でもよい。ξはノイズ項である。これらのモデル化により、結果的には、図１１に示すような予測結果が得られる。

上述した実施例において、ガウシアンプロセス、認識エンジン、粒子（パーティクル）フィルタなどを用いて説明したが、これらは組合せて使用してもよい。たとえば、予測時刻の最も早い時刻、遅い時刻、平均時刻など、瞬発性、信頼性、いろいろな視点で出力を加工できる。

さらには、図１４に、認識エンジンによる識別２４の例を示したが、たとえば、特許文献１（特開２０１０−１９１５５６号公報）に記載の部分空間法などが使える。

図２２にその方法を示す。センサデータ間の類似度に着目し、正常事例からなるコンパクトな学習データを生成し、生成した学習データを部分空間法（ＬＳＣ：Local Subspace Classifier）でモデル化し、観測したセンサデータ１２と部分空間の距離関係に基づき、観測したセンサデータの乖離度、すなわち異常測度１を求め、観測したセンサデータ１２から、設備の健康状態を判断する。保守作業データ４６の扱いは、後で説明する。

次に、図２３に、次の診断までのプラント又は設備の稼働継続可能時間、ＲＵＬを説明する。図２３では、設備の健康状態を縦軸に、横軸に時間をとっている。健康状態は、たとえば、今までに説明した異常測度１の逆数や、異常測度１のある関数形式で与えられる。同図では、時間の経過とともに、設備の健康状態は低下している。途中で、保守作業５１が入り、健康状態はやや回復し、現在に至る。５８は途中で発生したアラームである。５９は負荷率や稼働率である（この場合は、縦軸は健康状態ではない）。５６は保守作業の効果を示している。

図２３において、５７ａは、保守前の健康状態の減衰度合いを示す傾きであり、５７ｂは、保守後の健康状態の減衰度合いを示す傾きである。このように、表示すると（図１８の表示部２１にて表示する。）、プラント又は設備の健康状態や、保守作業との関係、稼動時間や設備に加わる負荷の状況などが、分かり易くなる。プラント又は設備の稼働継続可能時間５４は、健康状態がしきい値２を下回るまでの、残された時間を表す。この時期までは、稼動継続性が確保されているという意味である。従って、保守スケジューリングは、このプラント又は設備の稼働継続可能時間５４に基づいて行うことができる。

ちなみに、Ｌｉイオン電池やハードディスクドライブなどでは、多くの場合、保守作業が入らないため、このように健康状態が増減することはなく、単調に減少することを基本とする。したがって、保守作業により、設備の健康状態に増減を伴う設備において、本実施例は特に効果を発揮することになる。

なお、保守後の健康状態の減衰度合いを示す傾き５７ｂは、保守前と比べることにより、前回算出したＲＵＬ５４が今度はどうなるか把握することもできる。保守作業の効果５６は、保守のたびに完全には元に復元できず、徐々に健康状態の回復が困難になることが予想されるため、保守のたびに、その前後の健康状態を計測し、回復できない度合いを評価していけば、健康劣化が分かり易い。

注意すべきは、保守作業５１の後を始点として、稼働継続可能時間５４を計測している点である。保守すべき、次の時期が、この図から判断できる。

図２４は、上記を実現するため、図１８に保守作業５１の情報を加えたものである。異常測度１や健康状態を算出し、この保守作業５１のタイミングとほぼ同期して、異常測度１や健康状態を表示する。表示部２１では、異常測度１、健康状態、プラント又は設備の稼働継続可能時間５４の時系列データ７を表示する。また、保守前後の健康状態の減衰度合いを示す傾きを表す時系列データ７や、後述する部分空間の重心の時系列データ７も表示する。

図２５に、プラント又は設備の劣化や保守作業に伴って発生する状態の変化、それに伴って変動する異常測度１の例を示す。保守による状態変化前後の学習データ、その部分空間（ここでは、線分で表現）、観測データが入力されたときの異常測度１をそれぞれ表している。

観測データは、センサデータなどの時系列データ７であり、ある時刻のスナップショットである。プラント又は設備の劣化および保守作業に伴って、状態が変化したため、学習データ自体が変化している。異常測度１として、異常測度Ａを採用するのか、異常測度Ｂを採用するのか、どのように考えるかが問題となる。たとえば、図２３のアラーム５８は、異常測度１がしきい値２を超えたため発生したのであるが、比較的健康な設備状態にある。したがって、プラント又は設備の本質的な健康状態を把握した上で、保守作業を実施することが望ましい。

すなわち、健康状態が悪い状態で、異常測度１がしきい値２を超えた場合は、保守作業も十分な診断と対処が必要と言える。このように考えると、学習データ自体の健康状態を評価することが重要であることが分かる。ここでは、部分空間が特徴空間のどこに位置しているか、調整や部品交換によって、どのように変位するのかを定量化しておくことが重要となる。

そこで、図２２に示すように、保守作業データ４６を入力し、学習データの部分空間がどのように変位するかを、学習データ蓄積・変位評価４２にて評価する。保守作業のたびに、部分空間法４５では、特徴空間内で部分空間が動き、たとえば、部分空間を重心などの代表クラスタで表現すれば、その点列が得られることになる。そして、この点列は、正常状態から劣化し、保守によって若干若返り、また劣化が進むというサイクルを繰り返す。

単位時間あたりの移動量も考慮すれば、健康状態の変化の速度、すなわち図２３に示した、保守後の健康状態の減衰度合いを示す傾き５７ｂを知ることもできる。この軌跡も、時系列データ７であることから、これを成分モデルとして数式化し（たとえば数式７のように表現。２階差分とは限らない）、図２４の粒子フィルタによるＲＵＬ予測２０にて使用する。稼働継続可能時間５４の観点で、保守作業５１の効果を精度良く捉えることは、従来実現できていなかったと考えられ、その意味で大きな成果になる。

ここで、部分空間を重心などの代表クラスタで表現するとしたが、発明者らの特許文献２（特開２０１１−１４５８４６号公報）では、局所部分空間への残差ベクトルの始点の活用を示している。この始点の軌跡が、設備の状態を表す時系列データ７になる。図２２では、始点ｂがそれに該当する。あるいは、観測データから遠いものも含めて、安定性を増すため、局所部分空間のｋ近傍（観測データに近いものから、選択する学習データの個数ｋ）を拡大解釈し、ｋを大きくとって部分空間を形成し、その始点を代表点としてもよい。

いずれにせよ、代表点の選び方は、代表性をどのようにとるかによって、従来技術により選ぶものとする。

本実施例により、時間計画保全で決まっている時期を、稼働継続可能時間５４で前後することができるようになる。この様子を図２６に示す。同図下段では、この場合、定期検査（設備を停止して実施する検査のため、停止中検査と呼ぶ。定期検査以外の時間は状態監視保全で設備を検査しており、運転中検査となる）時期をうしろにずらすことができている。さらに、運転中検査にて健康状態を把握できているため、検査項目を削減でき、時間計画保全で決まっている作業時間を短縮することができ、設備ダウンタイムを削減できる。図２６の下段では、結果的に、状態監視保全と時間計画保全が組み合わされている。

図２７に、プラント又は設備の稼働継続可能時間の推定値が徐々に確からしさが増す様子を示す。６０は設備故障の確率（確率密度関数：Probability Density Function：PDF）である。図２４の粒子フィルタによるＲＵＬ予測２０にて、この確率を算出する。算出した、この設備故障の確率から、定期検査時期を決定する。

副次的効果として、これらにより、保守作業５１自体の効果を、事前に見積もることも可能となる。

上記具体例において、効果が見られるものとしては、たとえば、港湾を出ると保守が困難な艦船が当てはまる。艦船の航海計画において、その稼働継続可能時間の把握は最も重要である。従って、本実施例で求められた稼働継続可能時間をよりどころに寄港までのスケジュールや、準備すべき保守部品などを決めることができる。このような例は、艦船のみならず、飛行機、鉄道などにも当てはまる。

本発明は、プラント又は設備の診断、短周期ＲＵＬに基づく保守スケジューリングに利用することが出来る。

１ 異常測度
２ しきい値
３ 故障発生時期
４ ＲＵＬ
５ 対象設備
５ａ 医療診断装置
５ｂ 発電設備
５ｃ 建設機械
５ｄ 発電設備
６ 時系列データ取得部
７ 時系列データ
１０ 現在の時系列センサデータ
１１ 時系列データベース
１２ センサデータ
１２−１ 信号１のセンサデータ
１２−２ 信号２のセンサデータ
１２−３ 信号３のセンサデータ
１２−４ 信号４のセンサデータ
１３ イベントデータ
１４ 稼動データ
１４−１ 設備（１）の稼動データ
１４−１ 設備（２）の稼動データ
１５ 負荷データ
１６ 異常予測部
１７ 類似時系列データ選択部
１８ 回帰エンジンによる識別
１９ 異常測度データ
２０ 粒子フィルタによるＲＵＬ予測
２１ 表示部
２２ 回帰関数
２３ 学習データ
２４ 認識エンジンによる識別
２５ 粒子フィルタによる識別
４１ 特徴抽出・選択・変換
４２ 学習データ蓄積・変位評価部
４３ 識別器
４５ 部分空間法
４６ 保守作業データ
５０ 健康状態
５１ 保守作業
５２ 診断推奨時期
５４ 稼働継続可能時間
５５ しきい値
５６ 保守作業の効果
５８ アラーム
５９ 負荷率や稼動率
６０ 設備故障の確率

Claims (11)

1. プラント又は設備の健康状態に基づき、保守スケジューリングを決定するプラント又は設備のヘルスマネージメント方法であって、
   前記プラント又は設備に装着した複数のセンサから取得したセンサデータ、および／あるいは設備の置かれた状態を表す環境データを対象に、前記プラント又は設備の健康状態を把握し、前記プラント又は設備の稼働継続可能時間を推定することにより、保守のスケジューリングを実施するために必要な情報を出力することを特徴とするプラント又は設備のヘルスマネージメント方法。
2. 前記環境データは、前記プラント又は設備の運転状態を表すイベントデータ、および／あるいは運転時間や操作時間などの稼動データ、および／あるいは前記プラント又は設備の負荷状態を表すデータ、および／あるいは過去の故障内容、部品交換などの作業履歴を表す保守履歴データであることを特徴とする請求項１に記載のプラント又は設備のヘルスマネージメント方法。
3. 前記稼働継続可能時間は、次に前記プラント又は設備の診断を実施するまで、前記プラント又は設備が稼動可能な時間を表すものであり、前記プラント又は設備の健康状態からこの前記プラント又は設備の稼働継続可能時間を推定することを特徴とする請求項１又は２に記載のプラント又は設備のヘルスマネージメント方法。
4. 前記プラント又は設備に装着した複数のセンサから取得したセンサデータから、前記プラント又は設備の異常測度を算出し、この異常測度を、前記プラント又は設備の健康状態を決定することに用いることを特徴とする請求項１ないし３に記載の前記プラント又は設備のヘルスマネージメント方法。
5. 前記プラント又は設備に装着した複数のセンサから取得したセンサデータから、前記プラント又は設備の異常測度を算出する際、ガウシアンプロセスなどの回帰手法、および／あるいはｋ−ＮＮと言った認識手法、および／あるいは状態空間モデルを適用し、粒子フィルタを用いることを特徴とする請求項４に記載のプラント又は設備のヘルスマネージメント方法。
6. 保守作業のタイミングにほぼ同期して前記プラント又は設備の稼働継続可能時間を推定することを特徴とする請求項１ないし５に記載のプラント又は設備のヘルスマネージメント方法。
7. 前記稼働継続可能時間を用いて、次期診断時期を決定することを特徴とする請求項１ないし６に記載のプラント又は設備のヘルスマネージメント方法。
8. 実施した保守作業の効果、あるいは／および着手予定の保守作業の効果を見積もることを特徴とする請求項１ないし７に記載のプラント又は設備のヘルスマネージメント方法。
9. 保守作業の前後で、健康状況の劣化度合いをモニタすることにより、前記プラント又は設備の稼働継続可能時間を更新することを特徴とする請求項１ないし８に記載のプラント又は設備のヘルスマネージメント方法。
10. プラント又は設備の異常診断方法であって、
    前記プラント又は設備に装着した複数のセンサから取得したセンサデータ、および／あるいは前記プラント又は設備の運転状態を表すイベントデータ、および／あるいは運転時間や操作時間などの稼動データ、および／あるいは前記プラント又は設備の負荷状態を表すデータ、および／あるいは過去の故障内容、部品交換などの作業履歴を表す保守履歴データを対象に、前記プラント又は設備の異常測度を評価し、これから、前記プラント又は設備の稼働継続可能時間を推定することを特徴とするプラント又は設備の異常診断方法。
11. プラント又は設備の異常診断方法であって、
    前記プラント又は設備に装着した複数のセンサから取得したセンサデータ、および／あるいは前記プラント又は設備の運転状態を表すイベントデータ、および／あるいは運転時間や操作時間などの稼動データ、および／あるいは前記プラント又は設備の負荷状態を表すデータ、および／あるいは過去の故障内容、部品交換などの作業履歴を表す保守履歴データを対象に、運転中に前記プラント又は設備の上記データ群を取得し、点検時や設備休止時にデータを取得することを極力廃し、これにより点検のための前記プラント又は設備の停止期間を短くすることを特徴とするプラント又は設備の異常診断方法。

Images