JP2014026327A - Device state diagnostic apparatus using actual operation data - Google Patents

Device state diagnostic apparatus using actual operation data Download PDF

Info

Publication number
JP2014026327A
JP2014026327A JP2012163936A JP2012163936A JP2014026327A JP 2014026327 A JP2014026327 A JP 2014026327A JP 2012163936 A JP2012163936 A JP 2012163936A JP 2012163936 A JP2012163936 A JP 2012163936A JP 2014026327 A JP2014026327 A JP 2014026327A
Authority
JP
Japan
Prior art keywords
diagnosis
data
state
actual
industry
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
JP2012163936A
Other languages
Japanese (ja)
Inventor
Yosuke Iida
洋介 飯田
Original Assignee
Azbil Corp
アズビル株式会社
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 Azbil Corp, アズビル株式会社 filed Critical Azbil Corp
Priority to JP2012163936A priority Critical patent/JP2014026327A/en
Publication of JP2014026327A publication Critical patent/JP2014026327A/en
Pending legal-status Critical Current

Links

Images

Abstract

PROBLEM TO BE SOLVED: To improve statistical reliability of a reference model and early know a symptom of abnormality in a device to be diagnosed.SOLUTION: The device state diagnostic apparatus generates a reference model (an industry model (a change characteristic I)) on the basis of actual operation data collected from multiple devices that are of the same type as a specified device to be diagnosed and are used in the same industry. The apparatus generates a diagnostic object model (a change characteristic V) on the basis of the actual operation data collected from the specified device to be diagnosed. The apparatus compares the diagnostic object model (the change characteristic V) with an acceptable range model (change characteristics II and III) to the industry model (the change characteristic I), and diagnoses a state of the device to be diagnosed, on the basis of a result of the comparison. Specifically, the apparatus obtains a model coefficient AX1 of the diagnostic object model, compares it with an acceptable range ±α to a coefficient AG1 in a model formula for the industry model G1, and determines that the device to be diagnosed is in a special state when the AX1 is outside the acceptable range ±α.

Description

この発明は、診断対象機器として指定された機器の状態をその機器からの実稼働データに基づいて診断する実稼働データによる機器の状態診断装置に関するものである。   The present invention relates to a device state diagnosis apparatus based on actual operation data for diagnosing the state of a device designated as a diagnosis target device based on actual operation data from the device.
従来より、この種の実稼働データによる機器の状態診断装置として、工場や建物などで使用される燃料電池発電装置の状態を診断する装置がある。   2. Description of the Related Art Conventionally, there is a device for diagnosing the state of a fuel cell power generator used in a factory or a building as a device state diagnosing device based on this type of actual operation data.
例えば、特許文献1に示された燃料電池発電装置の状態を診断する装置では、燃料ガスと酸化剤ガスとから電力を発生させる燃料電池セルの初期電圧をE0とし、積算発電時間をTとした場合、複数の積算発電時間Tnで計測されるセル電圧E(Tn)から、下記のモデル式((1)式)を用いて、初期電圧E0とモデル式の係数Aを計算し、モデル式の係数Aが所定の範囲を超えて変化すると、装置が適正な状態にないと判断するようにしている。
E(Tn)=E0−Aln(Tn) ・・・・(1)
For example, in the apparatus for diagnosing the state of the fuel cell power generator disclosed in Patent Document 1, the initial voltage of the fuel cell that generates power from the fuel gas and the oxidant gas is E0, and the integrated power generation time is T. In this case, the initial voltage E0 and the coefficient A of the model equation are calculated from the cell voltage E (Tn) measured at a plurality of accumulated power generation times Tn using the following model equation (Equation (1)). When the coefficient A changes beyond a predetermined range, it is determined that the apparatus is not in an appropriate state.
E (Tn) = E0−Aln (Tn) (1)
例えば、図6に示されたセル電圧の変化特性を用いて説明すると、積算発電時間がTn=1000時間のt1点では、E(Tn)=0.75Vとして電圧が計測されている。積算発電時間がTn=2000時間のt2点では、E(Tn)=0.745Vとして電圧が計測されている。これらの数値を上記(1)式に代入して計算すると、初期電圧E0は0.7998V、モデル式の係数Aは0.0072と計算される。   For example, using the change characteristic of the cell voltage shown in FIG. 6, the voltage is measured as E (Tn) = 0.75 V at the point t1 where the integrated power generation time is Tn = 1000 hours. At the point t2 where the integrated power generation time is Tn = 2000 hours, the voltage is measured as E (Tn) = 0.745V. When these numerical values are substituted into the above equation (1) and calculated, the initial voltage E0 is calculated to be 0.7998 V, and the coefficient A of the model equation is calculated to be 0.0072.
ここで、積算発電時間がTn=3000時間のt3点での電圧がE(Tn)=0.742Vであれば、Tn=1000時間の時の数値とTn=3000時間の時の数値とを用いて計算される初期電圧E0は0.8003V、モデル式の係数Aは0.0073となる。この場合、モデル式の係数Aは、Tn=2000時間の時に計算した値と殆ど変わらず、装置は適正な状態にある(正常な状態にある)と判断される。   Here, if the voltage at the point t3 when the integrated power generation time is Tn = 3000 hours is E (Tn) = 0.742 V, the numerical value when Tn = 1000 hours and the numerical value when Tn = 3000 hours are used. The initial voltage E0 calculated in this way is 0.8003V, and the coefficient A of the model formula is 0.0073. In this case, the coefficient A of the model formula is almost the same as the value calculated when Tn = 2000 hours, and it is determined that the apparatus is in an appropriate state (normal state).
これに対して、積算発電時間がTn=3000時間のt3点での電圧がE(Tn)=0.74Vであれば、Tn=1000時間の時の数値とTn=3000時間の時の数値とを用いて計算される初期電圧E0は0.8118V、モデル式の係数Aは0.0089となる。この場合、モデル式の係数Aは、Tn=2000時間の時に計算した値に対して大きく変化しており、装置は適正な状態にない(特殊な状態にある)と判断される。   On the other hand, if the voltage at the point t3 when the integrated power generation time is Tn = 3000 hours is E (Tn) = 0.74V, the numerical value when Tn = 1000 hours and the numerical value when Tn = 3000 hours The initial voltage E0 calculated using the above is 0.8118V, and the coefficient A of the model formula is 0.0089. In this case, the coefficient A of the model formula is greatly changed with respect to the value calculated when Tn = 2000 hours, and it is determined that the apparatus is not in an appropriate state (in a special state).
また、実稼働データによる機器の状態診断装置の別の例として、例えば特許文献2には、複数の装置を対象とした異常監視装置が示されている。この特許文献2に示された異常監視装置では、類似の複数(K+1)の装置(同タイプの装置)を処理対象として、装置毎の状態を複数のセンサで計測して得られる当該装置各々の複数のデータ項目に基づいて、複数(K+1)の装置のうち少なくとも1つの装置の状態の異常を監視する。複数(K+1)の装置のうち、1つの第1の装置が監視の対象となり、それと類似する他の複数の第2の装置が第1の装置の監視のための第1のモデルを生成するための対象となり、第1のステップで、複数(K)の第2の装置各々における正常時の複数のデータ項目に基づき作成される個別の第2の装置専用の複数(K)のモデルに基づき、第1の装置専用の第1のモデルを生成し、第2のステップで、所定時間単位で、第1の装置からの複数のデータ項目を入力し、第1のモデルを用いて、第1の装置の状態の異常を監視する。   Further, as another example of a device state diagnosis apparatus based on actual operation data, for example, Patent Document 2 discloses an abnormality monitoring apparatus for a plurality of apparatuses. In the abnormality monitoring device disclosed in Patent Document 2, a plurality of similar (K + 1) devices (devices of the same type) are processed, and each of the devices obtained by measuring the state of each device with a plurality of sensors is processed. Based on the plurality of data items, an abnormality in the state of at least one of the plurality (K + 1) devices is monitored. Among a plurality of (K + 1) devices, one first device is to be monitored, and other similar second devices generate a first model for monitoring the first device. Based on a plurality of (K) models dedicated to individual second devices created based on a plurality of normal data items in each of the plurality (K) of second devices in the first step, A first model dedicated to the first device is generated, and in the second step, a plurality of data items from the first device are input in a predetermined time unit, and the first model is used to Monitor device status abnormalities.
この異常監視装置において、第1のステップは、複数(K)の装置各々の複数のデータ項目を回帰分析における目的変数とそれ以外の1つ以上の説明変数とに統計的に分類するステップと、複数(K)の第2の装置各々の個別のモデルとしての複数(K)の回帰モデルを作成するステップと、複数(K)の回帰モデルの係数及び切片を当該装置各々の特徴項目値などから予測する類似装置共通のメタ予測モデルを作成するステップと、メタ予測モデルに第1の装置の特徴項目値などを入力して当該装置専用の第1のモデルとしての回帰モデルの係数及び切片を生成するステップとを有する。   In this abnormality monitoring apparatus, the first step is a step of statistically classifying a plurality of data items of each of the plurality of (K) apparatuses into an objective variable in regression analysis and one or more other explanatory variables; A step of creating a plurality of (K) regression models as individual models of each of the plurality (K) of second devices, and coefficients and intercepts of the plurality of (K) regression models from the feature item values of each of the devices. A step of creating a meta prediction model common to similar devices to be predicted, and a feature item value of the first device is input to the meta prediction model to generate coefficients and intercepts of a regression model as a first model dedicated to the device A step of performing.
第2のステップは、第1の装置専用の第1のモデルに第1の装置の複数のデータ項目における説明変数を入力して目的変数の予測値を計算するステップと、目的変数の実測値と当該予測値との間における乖離度を計算するステップと、乖離度としきい値とを比較することで第1の装置の異常を検知するステップとを有する。   The second step includes a step of inputting an explanatory variable in a plurality of data items of the first device to a first model dedicated to the first device to calculate a predicted value of the target variable, an actual value of the target variable, A step of calculating a deviation degree between the predicted value and a step of detecting an abnormality of the first device by comparing the deviation degree and a threshold value.
特開2008−98076号公報JP 2008-98076 A 特開2010−287011号公報JP 2010-287011 A
特許文献1に示された装置では、燃料電池発電装置を診断対象機器としているが、同様の診断手法を用いて熱源機器などの状態の診断も可能である。この場合も、燃料電池発電装置と同様、機器の状態の変化特性を示すモデル式の係数の変化から診断対象機器が特殊な状態にあるか否かを判断することにより、不可逆的なダメージを受ける前に早期に機器の異常を検出することができる。すなわち、機器の異常の兆候を早期に知ることができる。   In the device disclosed in Patent Document 1, the fuel cell power generation device is a diagnosis target device. However, it is possible to diagnose the state of a heat source device or the like using a similar diagnosis method. In this case as well, as with the fuel cell power generation device, irreversible damage is caused by determining whether or not the diagnosis target device is in a special state from the change in the coefficient of the model formula indicating the change characteristic of the device state. It is possible to detect an abnormality of the device at an early stage. That is, it is possible to know early signs of device abnormality.
この特許文献1に示された診断手法では、実験データに基づいて、機器の基本的な状態の変化特性を示す基準モデルを生成し、この基準モデルのモデル式の係数に対して許容範囲を定め、実稼働データから得られるモデル式の係数が基準モデルのモデル式の係数に対して定められた許容範囲にあるか否かにより、診断対象機器が特殊な状態にあるか否かを判断するようにしているものと考えられる。   In the diagnostic method disclosed in Patent Document 1, a reference model indicating a change characteristic of a basic state of a device is generated based on experimental data, and an allowable range is determined for a coefficient of a model formula of the reference model. Whether or not the device to be diagnosed is in a special state is determined based on whether or not the coefficient of the model formula obtained from the actual operation data is within an allowable range determined with respect to the coefficient of the model formula of the reference model It is considered that
しかしながら、工場や建物などで使用される燃料電池発電装置や熱源機器という設備機器のように、大型でかつ少量生産の機器は、実用環境に近い条件の実験環境を用意することが困難であり、また実験サンプル自体を豊富に用意することも困難である。このため、豊富な実験データを収集することができず、基準モデルの統計的信頼度を高めることができない。   However, large-scale and low-volume production equipment, such as fuel cell power generation equipment and heat source equipment used in factories and buildings, is difficult to prepare an experimental environment with conditions close to the practical environment. It is also difficult to prepare abundant experimental samples themselves. For this reason, abundant experimental data cannot be collected and the statistical reliability of the reference model cannot be increased.
また、特許文献1に示された診断手法は、バルブや発信器というようなフィールド機器へも適用することが可能であるが、このようなフィールド機器はもともと長期間(15年程度)使用されるものであり、劣化や故障による明確な異常の兆候が短期間では現れない。このたため、診断対象機器をフィールド機器とするような場合にも、限られた実験サンプルを使用し、短期間で、豊富な実験データを収集することが困難であり、基準モデルの統計的信頼度を高めることができない。   The diagnostic method disclosed in Patent Document 1 can also be applied to field devices such as valves and transmitters, but such field devices are originally used for a long period (about 15 years). Therefore, no clear signs of abnormality due to deterioration or failure appear in a short period of time. For this reason, even when the device to be diagnosed is a field device, it is difficult to collect abundant experimental data in a short period of time using limited experimental samples, and the statistical reliability of the reference model Can not increase.
また、特許文献2に示された装置では、複数(K+1)の装置のうち、1つの第1の装置を監視の対象(診断対象機器)とし、それと類似する他の複数の第2の装置を第1の装置の監視のための第1のモデルを生成するための対象とし、この対象からの正常時のデータから第1のモデルを生成している。すなわち、診断対象機器と類似する他の複数の機器からの正常時のデータから基準モデルを生成している。これにより、基準モデルを生成する際のデータ数が増大し、基準モデルの統計的信頼度が高められる。   Further, in the device disclosed in Patent Document 2, one of the plurality (K + 1) devices is set as a monitoring target (diagnosis target device), and a plurality of other second devices similar to the first device are used. The first model is generated from normal data from the target as a target for generating a first model for monitoring the first device. That is, the reference model is generated from normal data from a plurality of other devices similar to the diagnosis target device. This increases the number of data when generating the reference model and increases the statistical reliability of the reference model.
しかしながら、この特許文献2に示された装置では、基準モデルに診断対象機器の複数のデータ項目における説明変数を入力して目的変数の予測値を計算し、この計算した予測値と実測値との間における乖離度を計算し、この計算した乖離度としきい値とを比較することで診断対象機器の異常を検知するようにしている。このため、実測値を得た段階での異常の有無を検知することは可能であるが、異常の兆候を早期に知ることはできない。   However, in the apparatus disclosed in Patent Document 2, explanatory variables in a plurality of data items of a diagnosis target device are input to a reference model to calculate a predicted value of an objective variable, and the calculated predicted value and measured value are calculated. The degree of divergence is calculated, and an abnormality of the diagnosis target device is detected by comparing the calculated degree of divergence with a threshold value. For this reason, it is possible to detect the presence or absence of abnormality at the stage of obtaining the actual measurement value, but it is not possible to know the sign of abnormality early.
また、特許文献2に示された装置では、診断対象機器と類似する他の複数の機器からのデータから基準モデルを生成するようにしているが、診断対象機器と類似する他の複数の機器の使用条件については考慮されていない。すなわち、診断対象機器と類似する機器であっても、その機器が置かれる産業システムや設備が運用される業界の違いによって機器の稼働パターンが異なり、その稼働パターンの違いが生成される基準モデルに影響を及ぼすにも拘わらず、全ての類似する他の機器からのデータを使用して基準モデルを生成しているため、基準モデルの統計的信頼度が低下し、診断の精度が落ちる。   Moreover, in the apparatus shown in Patent Document 2, a reference model is generated from data from a plurality of other devices similar to the diagnosis target device. However, a plurality of other devices similar to the diagnosis target device are used. Usage conditions are not considered. In other words, even if the device is similar to the device to be diagnosed, the operation pattern of the device differs depending on the industrial system in which the device is placed and the industry in which the facility is operated. In spite of the influence, since the reference model is generated using data from all the other similar devices, the statistical reliability of the reference model is lowered, and the accuracy of diagnosis is lowered.
本発明は、このような課題を解決するためになされたもので、その目的とするところは、基準モデルの統計的信頼度を高めるとともに、診断対象機器の異常の兆候を早期に知ることが可能な実稼働データによる機器の状態診断装置を提供することにある。   The present invention has been made to solve such a problem, and the object of the present invention is to improve the statistical reliability of the reference model and to know early signs of abnormality of the diagnostic target device. Another object of the present invention is to provide a device state diagnosis apparatus based on actual operation data.
このような目的を達成するために本発明は、診断対象機器として指定された機器の状態をその機器からの実稼働データに基づいて診断する実稼働データによる機器の状態診断装置において、実稼働中の機器から実稼働データを収集する実稼働データ収集手段と、指定された診断対象機器と同タイプかつ同一業界で使用されている複数の機器から収集された実稼働データに基づいて診断対象機器と同タイプかつ同一業界の機器群の総合的な状態の変化特性を示す基準モデルを生成する基準モデル生成手段と、基準モデル生成手段によって生成された基準モデルに対して正常状態として許容される範囲を示す許容範囲モデルを生成する許容範囲モデル生成手段と、指定された診断対象機器から収集された実稼働データに基づいて当該診断対象機器の現在の状態の変化特性を示す診断対象モデルを生成する診断対象モデル生成手段と、診断対象モデル生成手段によって生成された診断対象モデルと許容範囲モデル生成手段によって生成された基準モデルに対する許容範囲モデルとを比較し、その比較結果に基づいて診断対象機器の状態を診断する機器状態診断手段とを備えることを特徴とする。   In order to achieve such an object, the present invention provides a device state diagnosis apparatus based on actual operation data for diagnosing the state of a device designated as a diagnosis target device based on actual operation data from the device. The actual data collected from multiple devices, and the device to be diagnosed based on the actual data collected from multiple devices of the same type and used in the same industry as the device to be diagnosed. A reference model generation unit that generates a reference model that indicates a change characteristic of an overall state of a device group of the same type and the same industry, and a range that is permitted as a normal state with respect to the reference model generated by the reference model generation unit Tolerance model generation means for generating the indicated tolerance model and the diagnosis target device based on the actual operation data collected from the specified diagnosis target device A diagnostic target model generating means for generating a diagnostic target model indicating a change characteristic of the current state, a diagnostic target model generated by the diagnostic target model generating means, and an allowable range model for the reference model generated by the allowable range model generating means; And device state diagnosis means for diagnosing the state of the device to be diagnosed based on the comparison result.
この発明によれば、指定された診断対象機器と同タイプかつ同一業界で使用されている複数の機器から収集された実稼働データに基づいて基準モデルが生成され、この基準モデルに対して許容範囲モデルが生成される。また、指定された診断対象機器から収集された実稼働データに基づいて診断対象モデルが生成される。そして、この生成された診断対象モデルと基準モデルに対する許容範囲モデルとが比較され、その比較結果に基づいて診断対象機器の状態が診断される。   According to the present invention, a reference model is generated based on actual operation data collected from a plurality of devices of the same type and used in the same industry as the designated diagnosis target device, and an allowable range for the reference model. A model is generated. In addition, a diagnosis target model is generated based on actual operation data collected from the designated diagnosis target device. Then, the generated diagnosis target model is compared with an allowable range model for the reference model, and the state of the diagnosis target device is diagnosed based on the comparison result.
例えば、本発明において、基準モデル生成手段は、基準モデルのモデル式の係数を生成し、許容範囲モデル生成手段は、基準モデルのモデル式の係数に対する許容範囲を生成し、診断対象モデル生成手段は、診断対象モデルのモデル式の係数を生成し、機器状態診断手段は、診断対象モデル生成手段によって生成された診断対象モデルのモデル式の係数と許容範囲モデル生成手段によって生成された基準モデルのモデル式の係数に対する許容範囲とを比較し、その比較結果に基づいて診断対象機器の状態を診断する。   For example, in the present invention, the reference model generation means generates a coefficient of the model expression of the reference model, the allowable range model generation means generates an allowable range for the coefficient of the model expression of the reference model, and the diagnosis target model generation means The model condition coefficient of the diagnosis target model is generated, and the device state diagnosis means generates the model expression coefficient of the diagnosis target model generated by the diagnosis target model generation means and the model of the reference model generated by the allowable range model generation means. The allowable range for the coefficient of the equation is compared, and the state of the diagnosis target device is diagnosed based on the comparison result.
本発明によれば、診断対象機器と同タイプかつ同一業界で使用されている複数の機器から収集された実稼働データに基づいて基準モデルが生成されるので、稼働パターンが類似する実稼働データから基準モデルが生成されるものとなり、基準モデルの統計的信頼度が高められる。
また、本発明によれば、診断対象モデルと基準モデルに対する許容範囲モデルとを比較することにより、診断対象モデルのモデル式の係数が基準モデルのモデル式の係数に対する許容範囲から外れていれば特殊な状態にあると判断するなどして、診断対象機器の異常の兆候を早期に知ることが可能となる。
According to the present invention, since the reference model is generated based on the actual operation data collected from a plurality of devices of the same type and used in the same industry as the diagnosis target device, the operation pattern is similar from the operation data. A reference model is generated, and the statistical reliability of the reference model is increased.
Further, according to the present invention, by comparing the diagnosis target model with the tolerance model for the reference model, if the coefficient of the model expression of the diagnosis object model is out of the tolerance for the coefficient of the model equation of the reference model, a special It is possible to know at an early stage a sign of abnormality of the diagnosis target device, for example, by determining that it is in a proper state.
本発明に係る実稼働データによる機器の状態診断装置を用いた診断システムの一実施の形態の要部を示す図である。It is a figure which shows the principal part of one Embodiment of the diagnostic system using the apparatus state diagnostic apparatus by the actual operation data which concerns on this invention. この診断システムにおける実稼働データによる機器の状態診断装置(機器状態診断装置)の機能ブロック図である。It is a functional block diagram of a device state diagnosis device (device state diagnosis device) based on actual operation data in this diagnosis system. 機器X2,X3の実稼働データから生成された業界モデルG1(変化特性I)およびこの業界モデルG1に対する許容範囲モデル(変化特性II,III)を例示する図である。It is a figure which illustrates the industry model G1 (change characteristic I) produced | generated from the actual operation data of apparatus X2, X3, and the tolerance | permissible_range model (change characteristics II, III) with respect to this industry model G1. 診断対象機器X1の積算発電時間Tnが700時間に達した時点の診断対象モデル(変化特性IV)を例示する図である。It is a figure which illustrates the diagnostic object model (change characteristic IV) at the time of the integrated electric power generation time Tn of the diagnostic object apparatus X1 having reached 700 hours. 診断対象機器X1の積算発電時間Tnが1500時間に達した時点の診断対象モデル(変化特性V)を例示する図である。It is a figure which illustrates the diagnostic object model (change characteristic V) at the time of the integrated electric power generation time Tn of the diagnostic object apparatus X1 reaching 1500 hours. 特許文献1における燃料電池発電装置の状態の診断手法を説明する図である。It is a figure explaining the diagnostic method of the state of the fuel cell electric power generating apparatus in patent document 1. FIG.
以下、本発明の実施の形態を図面に基づいて詳細に説明する。図1はこの発明に係る実稼働データによる機器の状態診断装置を用いた診断システムの一実施の形態の要部を示す図である。   Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings. FIG. 1 is a diagram showing a main part of an embodiment of a diagnosis system using an apparatus state diagnosis apparatus based on actual operation data according to the present invention.
図1において、100は本発明に係る実稼働データによる機器の状態診断装置(以下、機器状態診断装置と呼ぶ)、200は機器状態診断装置100によって診断される機器である。機器200はネットワーク300を介して機器状態診断装置100に接続されている。   In FIG. 1, reference numeral 100 denotes a device state diagnosis device (hereinafter referred to as a device state diagnosis device) based on actual operation data according to the present invention, and 200 denotes a device diagnosed by the device state diagnosis device 100. The device 200 is connected to the device state diagnosis apparatus 100 via the network 300.
なお、図1において、機器200は同一タイプの機器であるものとする。この実施の形態では、機器200を燃料電池発電装置とし、全てその型番が同じであるものとする。また、図1には機器200として機器X1〜X6しか示していないが、実際にはさらに多くの機器Xが存在する。   In FIG. 1, the device 200 is assumed to be the same type of device. In this embodiment, it is assumed that the device 200 is a fuel cell power generator and the model numbers are all the same. 1 shows only the devices X1 to X6 as the device 200, but there are actually more devices X.
また、この実施の形態では、説明を簡単とするために、業界G1を半導体業界、業界G2を商業ビル業界とし、業界G1において機器X1,X2,X3が使用され、業界G2において機器X4,X5,X6が使用されているものとする。この例では、業界G1として半導体業界、業界G2として商業ビル業界を挙げたが、他にも公共設備業界などさらに多くの業界Gが存在する。   In this embodiment, for the sake of simplicity, the industry G1 is the semiconductor industry, the industry G2 is the commercial building industry, the devices X1, X2, and X3 are used in the industry G1, and the devices X4 and X5 are used in the industry G2. , X6 are used. In this example, the semiconductor industry is cited as the industry G1, and the commercial building industry is cited as the industry G2. However, there are many more industries G such as the public equipment industry.
機器状態診断装置100は、プロセッサや記憶装置からなるハードウェアと、これらのハードウェアと協働して各種機能を実現させるプログラムとによって実現される。このプログラムは、例えばCD−ROMなどの記録媒体に記録された状態で提供され、この記録媒体から読み出されてハードディスクなどの記憶装置にインストールされている。   The device state diagnosis apparatus 100 is realized by hardware including a processor and a storage device, and a program that realizes various functions in cooperation with the hardware. The program is provided in a state where it is recorded on a recording medium such as a CD-ROM, and is read from the recording medium and installed in a storage device such as a hard disk.
図2に機器状態診断装置100の機能ブロック図を示す。機器状態診断装置100は、実稼働データ収集部1と、基準モデル生成部2と、許容範囲モデル生成部3と、診断対象モデル生成部4と、機器状態診断部5と、データベース部6とを備えている。   FIG. 2 shows a functional block diagram of the device state diagnosis apparatus 100. The device state diagnosis apparatus 100 includes an actual operation data collection unit 1, a reference model generation unit 2, an allowable range model generation unit 3, a diagnosis target model generation unit 4, a device state diagnosis unit 5, and a database unit 6. I have.
この機器状態診断装置100において、実稼働データ収集部1は、ネットワーク300を介して、実稼働中の機器200から実稼働データを定期的に収集し、データベース部6に格納する。この例では、機器200の実稼働データとして積算発電時間Tnとセル電圧E(Tn)を収集し、業界別に分類してデータベース部6に格納する。   In the device state diagnosis apparatus 100, the actual operation data collection unit 1 periodically collects actual operation data from the devices 200 that are actually in operation via the network 300 and stores them in the database unit 6. In this example, the accumulated power generation time Tn and the cell voltage E (Tn) are collected as the actual operation data of the device 200, and are classified by industry and stored in the database unit 6.
基準モデル生成部2は、データベース部6にアクセスし、指定された診断対象機器と同タイプかつ同一業界で使用されている複数の機器200から収集された実稼働データに基づいて、診断対象機器と同タイプかつ同一業界の機器群の総合的な状態の変化特性を示す基準モデルを生成する。   The reference model generation unit 2 accesses the database unit 6 and, based on actual operation data collected from a plurality of devices 200 of the same type and used in the same industry as the specified diagnosis target device, Generate a reference model that shows the overall state change characteristics of devices of the same type and industry.
許容範囲モデル生成部3は、基準モデル生成部2によって生成された基準モデルに対して正常状態として許容される範囲を示す許容範囲モデルを生成する。
診断対象モデル生成部4は、データベース部6にアクセスし、指定された診断対象機器から収集された実稼働データに基づいて当該診断対象機器の現在の状態の変化特性を示す診断対象モデルを生成する。
The allowable range model generation unit 3 generates an allowable range model indicating a range that is allowed as a normal state with respect to the reference model generated by the reference model generation unit 2.
The diagnosis target model generation unit 4 accesses the database unit 6 and generates a diagnosis target model indicating the change characteristics of the current state of the diagnosis target device based on the actual operation data collected from the designated diagnosis target device. .
機器状態診断部5は、オペレータからの診断対象機器の指定を受け、その指定された診断対象機器を基準モデル生成部2および診断対象モデル生成部4に伝えるともに、診断対象モデル生成部4によって生成された診断対象モデルと許容範囲モデル生成部3によって生成された基準モデルに対する許容範囲モデルとを比較し、その比較結果に基づいて診断対象機器の状態を診断する。   The device state diagnosis unit 5 receives the specification of the diagnosis target device from the operator, transmits the specified diagnosis target device to the reference model generation unit 2 and the diagnosis target model generation unit 4, and generates the diagnosis target model generation unit 4. The diagnosis target model is compared with an allowable range model for the reference model generated by the allowable range model generation unit 3, and the state of the diagnosis target device is diagnosed based on the comparison result.
次に、基準モデル生成部2、許容範囲モデル生成部3、診断対象モデル生成部4および機器状態診断部5の詳細な機能について、具体例を挙げて説明する。   Next, detailed functions of the reference model generation unit 2, the allowable range model generation unit 3, the diagnosis target model generation unit 4, and the device state diagnosis unit 5 will be described with specific examples.
機器状態診断部5は、例えば診断対象機器をX1として、オペレータからの指定を受けると、この指定された診断対象機器X1を基準モデル生成部2および診断対象モデル生成部4に伝える。   For example, when the device condition diagnosis unit 5 receives a designation from the operator with the diagnosis target device as X1, the device state diagnosis unit 5 transmits the designated diagnosis target device X1 to the reference model generation unit 2 and the diagnosis target model generation unit 4.
基準モデル生成部2は、機器状態診断部5からの診断対象機器X1の指定を受けると、データベース部6にアクセスし、診断対象機器X1が属する業界G1の診断対象機器X1を除く他の機器200の実稼働データを取得する。この例では、機器X2,X3の実稼働データを取得する。   When receiving the designation of the diagnosis target device X1 from the device state diagnosis unit 5, the reference model generation unit 2 accesses the database unit 6 and other devices 200 excluding the diagnosis target device X1 of the industry G1 to which the diagnosis target device X1 belongs. Get actual production data. In this example, actual operation data of the devices X2 and X3 is acquired.
そして、基準モデル生成部2は、その取得した機器X2,X3の実稼働データから診断対象機器X1と同タイプかつ同一業界の機器群の総合的な状態の変化特性を示す基準モデルを生成する。この例では、機器X2,X3の実稼働データとして取得した複数の積算発電時間Tnとセル電圧E(Tn)から、前述した(1)式で示されるモデル式を作成し、この作成したモデル式を基準モデルのモデル式とし、このモデル式の係数AをAG1として求める。以下、機器X2,X3の実稼働データから生成された基準モデルを業界モデルG1と呼ぶ。   Then, the reference model generation unit 2 generates a reference model indicating the change characteristics of the overall state of the device group of the same type and the same industry as the diagnosis target device X1 from the acquired actual operation data of the devices X2 and X3. In this example, a model formula represented by the above-described formula (1) is created from a plurality of accumulated power generation times Tn and cell voltages E (Tn) acquired as actual operation data of the devices X2 and X3, and the created model formula Is the model equation of the reference model, and the coefficient A of this model equation is obtained as AG1. Hereinafter, the reference model generated from the actual operation data of the devices X2 and X3 is referred to as an industry model G1.
図3に機器X2,X3の実稼働データから生成された業界モデルG1(変化特性I)を例示する。機器X2の実稼働データは比較的短期間蓄積されており、機器X3の実稼働データは比較的長期間蓄積されている。機器X2,X3は機器X1と同一の業界G1に属しており、その実稼働データは稼働パターンが類似している。この類似する実稼働データを基準モデルの元データとして利用して統計処理することにより、蓄積期間の不足やデータのばらつきの影響を改善し、基準モデルの統計的信頼度を高め、正確な診断を行うことが可能となる。   FIG. 3 illustrates an industry model G1 (change characteristics I) generated from actual operation data of the devices X2 and X3. The actual operation data of the device X2 is accumulated for a relatively short period of time, and the actual operation data of the device X3 is accumulated for a relatively long period of time. The devices X2 and X3 belong to the same industry G1 as the device X1, and the actual operation data has similar operation patterns. By using this similar operational data as the original data of the reference model and performing statistical processing, the effects of lack of accumulation period and data variation are improved, the statistical reliability of the reference model is increased, and accurate diagnosis is performed. Can be done.
基準モデル生成部2で生成された業界モデルG1のモデル式の係数AG1は許容範囲モデル生成部3に送られる。許容範囲モデル生成部3は、基準モデル生成部2からの業界モデルG1のモデル式の係数AG1より、業界モデルG1に対して正常状態として許容される許容範囲を示す許容範囲モデルを生成する。この例では、業界モデルG1のモデル式の係数AG1に対して、許容範囲±αを定める。図3に業界モデルG1に対して生成される許容範囲モデル(変化特性II,III)を例示する。この業界モデルG1のモデル式の係数AG1および許容範囲±αは機器状態診断部5へ送られる。   The coefficient AG1 of the model formula of the industry model G1 generated by the reference model generation unit 2 is sent to the allowable range model generation unit 3. Based on the coefficient AG1 of the model formula of the industry model G1 from the reference model generation unit 2, the allowable range model generation unit 3 generates an allowable range model indicating an allowable range allowed as a normal state with respect to the industry model G1. In this example, an allowable range ± α is determined for the coefficient AG1 of the model formula of the industry model G1. FIG. 3 illustrates an allowable range model (change characteristics II and III) generated for the industry model G1. The coefficient AG1 and the allowable range ± α of the model formula of this industry model G1 are sent to the device state diagnosis unit 5.
診断対象モデル生成部4は、機器状態診断部5からの診断対象機器X1の指定を受けると、データベース部6にアクセスし、診断対象機器X1の実稼働データを取得し、この取得した診断対象機器X1の実稼働データから診断対象機器X1の現在の状態の変化特性を示す診断対象モデルを生成する。この例では、機器X1の実稼働データとして取得した複数の積算発電時間Tnとセル電圧E(Tn)から、前述した(1)式で示されるモデル式を作成し、この作成したモデル式を診断対象モデルのモデル式とし、このモデル式の係数AをAX1として求める。この診断対象モデルのモデル式の係数AX1は機器状態診断部5へ送られる。   When receiving the designation of the diagnosis target device X1 from the device state diagnosis unit 5, the diagnosis target model generation unit 4 accesses the database unit 6, acquires the actual operation data of the diagnosis target device X1, and acquires the acquired diagnosis target device. A diagnosis target model indicating a change characteristic of the current state of the diagnosis target device X1 is generated from the actual operation data of X1. In this example, a model formula shown by the above-mentioned formula (1) is created from a plurality of accumulated power generation times Tn and cell voltage E (Tn) acquired as actual operation data of the device X1, and the created model formula is diagnosed. The model formula of the target model is used, and the coefficient A of this model formula is obtained as AX1. The coefficient AX1 of the model formula of this diagnosis target model is sent to the device state diagnosis unit 5.
機器状態診断部5は、診断対象モデル生成部4からの診断対象モデルのモデル式の係数AX1と許容範囲モデル生成部3からの業界モデルG1のモデル式の係数AG1および許容範囲±αを入力とし、診断対象モデルのモデル式の係数AX1と業界モデルG1のモデル式の係数AG1に対する許容範囲±αとを比較する。   The device state diagnosis unit 5 receives the coefficient AX1 of the model formula of the diagnosis target model from the diagnosis target model generation unit 4, the coefficient AG1 of the model formula of the industry model G1 from the allowable range model generation unit 3 and the allowable range ± α. The coefficient AX1 of the model formula of the diagnosis target model is compared with the allowable range ± α for the coefficient AG1 of the model formula of the industry model G1.
ここで、診断対象モデルのモデル式の係数AX1が業界モデルG1のモデル式の係数AG1に対する許容範囲±αの間にあれば、機器状態診断部5は、診断対象機器X1は正常な状態にあると判断し、その判断結果(診断結果)を出力する。これに対し、診断対象モデルのモデル式の係数AX1が業界モデルG1のモデル式の係数AG1に対する許容範囲±αから外れていれば、機器状態診断部5は、診断対象機器X1が正常な状態以外の特殊な状態(劣化、破損など)にあると判断し、その判断結果(診断結果)を出力する。   Here, if the coefficient AX1 of the model formula of the diagnosis target model is within an allowable range ± α with respect to the coefficient AG1 of the model formula of the industry model G1, the device state diagnosis unit 5 is in a normal state of the diagnosis target device X1. And the determination result (diagnosis result) is output. On the other hand, if the coefficient AX1 of the model formula of the diagnosis target model is out of the allowable range ± α with respect to the coefficient AG1 of the model formula of the industry model G1, the device state diagnosis unit 5 determines that the diagnosis target device X1 is not in a normal state. Is judged to be in a special state (deterioration, damage, etc.), and the judgment result (diagnosis result) is output.
図4に診断対象機器X1の積算発電時間Tnが700時間に達した時点の診断対象モデル(変化特性IV)を示す。この診断対象モデル(変化特性IV)は業界モデルG1に対する許容範囲モデル(変化特性II,III)の範囲内(信頼区間内)にあるので、診断対象モデルのモデル式の係数AX1が業界モデルG1のモデル式の係数AG1に対する許容範囲±αの間に入り、正常な状態にあると判断される。   FIG. 4 shows a diagnosis target model (change characteristic IV) when the accumulated power generation time Tn of the diagnosis target device X1 reaches 700 hours. Since this diagnosis target model (change characteristic IV) is within the range (confidence interval) of the tolerance model (change characteristics II and III) for the industry model G1, the coefficient AX1 of the model expression of the diagnosis target model is the industry model G1. It falls within the allowable range ± α for the coefficient AG1 of the model formula, and is determined to be in a normal state.
図5に診断対象機器X1の積算発電時間Tnが1500時間に達した時点の診断対象モデル(変化特性V)を示す。この診断対象モデル(変化特性V)は業界モデルG1に対する許容範囲モデル(変化特性II,III)の範囲外(信頼区間外)にあるので、診断対象モデルのモデル式の係数AX1が業界モデルG1のモデル式の係数AG1に対する許容範囲±αから外れ、劣化や破損などの虞がある特殊な状態であると判断される。   FIG. 5 shows a diagnosis target model (change characteristic V) when the accumulated power generation time Tn of the diagnosis target device X1 reaches 1500 hours. Since this diagnosis target model (change characteristic V) is outside the allowable range model (change characteristics II and III) for the industry model G1 (outside the confidence interval), the coefficient AX1 of the model expression of the diagnosis target model is the industry model G1. It is determined that this is a special state that is out of the allowable range ± α with respect to the coefficient AG1 of the model formula and may be deteriorated or damaged.
このようにして、本実施の形態では、モデル式の係数Aを用いて特殊な状態であるか否かを診断することにより、不可逆的なダメージを受ける前に、診断対象機器X1の異常の兆候を知ることが可能となる。   In this manner, in the present embodiment, by diagnosing whether or not the state is a special state using the coefficient A of the model formula, an abnormality sign of the diagnosis target device X1 is obtained before irreversible damage. It becomes possible to know.
なお、参考として、図4および図5中に、業界G2で使用される機器X5,X6の実稼働データから生成される業界モデルG2(変化特性VI)を示す。業界G1とG2とでは同一タイプの機器200でも使用条件が異なるため、その実稼働データから生成される基準モデル、すなわち業界モデルG1,G2は異なるものとなる。業界G2における機器X4を診断対象機器とする場合には、この業界モデルG2(変化特性VI)に対して定められる許容範囲モデルを用いて、上述した業界G1における機器X1と同様にして診断が行われる。   For reference, FIGS. 4 and 5 show an industry model G2 (change characteristic VI) generated from actual operation data of the devices X5 and X6 used in the industry G2. The industry G1 and G2 have different use conditions even in the same type of device 200, and therefore, the reference models generated from the actual operation data, that is, the industry models G1 and G2, are different. When the device X4 in the industry G2 is the device to be diagnosed, diagnosis is performed in the same manner as the device X1 in the industry G1 described above, using the tolerance range model defined for the industry model G2 (change characteristic VI). Is called.
なお、上述した実施の形態では、機器200を燃料電池発電装置としたが、バルブや発信器というようなフィールド機器や熱源機器などの設備機器を機器200としてもよい。このような機器は、設備保全の対象として遠隔監視システムが普及し始めている。遠隔監視のオペレータはフィールド機器や設備機器のユーザではなく、ユーザ企業から見れば外部組織に相当する企業のオペレータであるケースが多い。この背景として、設備機器は半導体製造装置のようなメインプロセス装置ではなく、またフィールド機器は設備機器に付属するケースが多く、運用データの営業機密性が高くないという特徴がある。また、異なる多くの企業で使用されている多くの機器を対象に、一定の遠隔監視者が一定のアルゴリズムによってデータ収集できるので、統計的信頼度を高めるだけの豊富なデータを収集することが可能である。このようなフィールド機器や設備機器などの特徴を利用し、遠隔間監視データを活用することにより、基準モデルを生成する際のデータ数が増大させて、基準モデルの統計的信頼度を高めることができる。   In the above-described embodiment, the device 200 is a fuel cell power generator, but a facility device such as a field device such as a valve or a transmitter or a heat source device may be used as the device 200. For such devices, remote monitoring systems are beginning to become popular as equipment maintenance targets. In many cases, the remote monitoring operator is not a user of a field device or facility device, but is an operator of a company corresponding to an external organization from the viewpoint of a user company. As a background to this, equipment is not a main process equipment such as a semiconductor manufacturing apparatus, and field equipment is often attached to equipment, so that operational confidentiality of operation data is not high. In addition, because a certain remote supervisor can collect data using a certain algorithm for many devices used by many different companies, it is possible to collect abundant data that only increases the statistical reliability. It is. By utilizing such features of field devices and equipment and utilizing remote monitoring data, the number of data when generating a reference model can be increased and the statistical reliability of the reference model can be increased. it can.
また、異なる多くの企業で使用されている機器は、全てがほゞ同等の条件で使用されているとは限らない。しかし、営業機密性が高くないというフィールド機器や設備機器の特徴に関連して、これらの機器は個々の企業に固有の条件,状態で使用されるということは少なく、業界毎に分類すれば概ね同等の条件に整いやすい。例えば、景気の影響を受けて稼働率が上下する傾向や、設備の使用目的(用途、対象)は、いわゆる「業界標準」が基本になる。したがって、同じタイプの機器であっても、運用データを業界別に分類して、業界別に統計解析的手法のデータとして活用することで、基準モデルの統計的信頼度を高めることができる。例えば、フィールド機器であれば、石油、化学、鉄鋼、水(浄水場)などのような分類がある。例えば、設備機器であれば、半導体、食品、プラスチック、医薬品などの分類がある。   In addition, not all devices used by many different companies are used under almost the same conditions. However, in relation to the characteristics of field devices and equipment that are not highly confidential, these devices are rarely used under conditions and conditions unique to individual companies. Easily adjusted to equivalent conditions. For example, the so-called “industry standard” is basically used for the tendency of the operating rate to rise and fall under the influence of the economy, and the purpose of use (use and target) of equipment. Therefore, even if the devices are of the same type, the statistical reliability of the reference model can be increased by classifying operation data by industry and using the data as statistical analysis method data by industry. For example, in the case of field equipment, there are classifications such as petroleum, chemical, steel, and water (water purification plant). For example, in the case of equipment, there are classifications such as semiconductors, foods, plastics, and pharmaceuticals.
また、上述した実施の形態では、例えば、業界モデルG1のモデル式の係数AG1を求め、この業界モデルG1のモデル式の係数AG1に対する許容範囲±αを定め、診断対象モデルのモデル式の係数AX1を求め、診断対象モデルのモデル式の係数AX1と業界モデルG1のモデル式の係数AG1に対する許容範囲±αとを比較することによって、診断対象機器X1の状態を診断するようにしたが、必ずしもこのようなモデル式の係数を用いる方法をとらなくてもよい。すなわち、業界モデルG1に対する許容範囲モデル(変化特性II,III)と診断対象モデルの変化特性(変化特性IV,V)とを画面上で比較するなどして、診断対象機器X1の状態を診断するようにしてもよい。   In the above-described embodiment, for example, the coefficient AG1 of the model equation of the industry model G1 is obtained, the allowable range ± α for the coefficient AG1 of the model equation of the industry model G1 is determined, and the coefficient AX1 of the model equation of the model to be diagnosed The condition of the diagnosis target device X1 is diagnosed by comparing the allowable value ± α with respect to the coefficient AX1 of the model formula of the diagnosis target model and the coefficient AG1 of the model formula of the industry model G1. It is not necessary to take a method using such a coefficient of the model formula. That is, the state of the diagnosis target device X1 is diagnosed by comparing on the screen the tolerance range model (change characteristics II and III) for the industry model G1 and the change characteristics (change characteristics IV and V) of the diagnosis target model. You may do it.
また、上述した実施の形態では、機器状態診断部5に対して診断対象機器のみを指定するようにしたが、診断対象機器と合わせて業界についても指定するようにしてもよい。   In the above-described embodiment, only the diagnosis target device is specified to the device state diagnosis unit 5, but the industry may be specified together with the diagnosis target device.
〔実施の形態の拡張〕
以上、実施の形態を参照して本発明を説明したが、本発明は上記の実施の形態に限定されるものではない。本発明の構成や詳細には、本発明の技術思想の範囲内で当業者が理解し得る様々な変更をすることができる。また、各実施の形態については、矛盾しない範囲で任意に組み合わせて実施することができる。
[Extension of the embodiment]
The present invention has been described above with reference to the embodiment. However, the present invention is not limited to the above embodiment. Various changes that can be understood by those skilled in the art can be made to the configuration and details of the present invention within the scope of the technical idea of the present invention. Each embodiment can be implemented in any combination within a consistent range.
1…実稼働データ収集部、2…基準モデル生成部、3…許容範囲モデル生成部、4…診断対象モデル生成部、5…機器状態診断部、100…実稼働データによる機器の状態診断装置(機器状態診断装置)、200(X1〜X6)…機器、300…ネットワーク。   DESCRIPTION OF SYMBOLS 1 ... Actual operation data collection part, 2 ... Reference | standard model production | generation part, 3 ... Permissible range model production | generation part, 4 ... Diagnosis object model production | generation part, 5 ... Device state diagnosis part, 100 ... Device state diagnosis apparatus by operation data ( Device state diagnosis apparatus), 200 (X1 to X6)... Device, 300.

Claims (2)

  1. 診断対象機器として指定された機器の状態をその機器からの実稼働データに基づいて診断する実稼働データによる機器の状態診断装置において、
    実稼働中の機器から実稼働データを収集する実稼働データ収集手段と、
    前記指定された診断対象機器と同タイプかつ同一業界で使用されている複数の機器から収集された実稼働データに基づいて前記診断対象機器と同タイプかつ同一業界の機器群の総合的な状態の変化特性を示す基準モデルを生成する基準モデル生成手段と、
    前記基準モデル生成手段によって生成された基準モデルに対して正常状態として許容される範囲を示す許容範囲モデルを生成する許容範囲モデル生成手段と、
    前記指定された診断対象機器から収集された実稼働データに基づいて当該診断対象機器の現在の状態の変化特性を示す診断対象モデルを生成する診断対象モデル生成手段と、
    前記診断対象モデル生成手段によって生成された診断対象モデルと前記許容範囲モデル生成手段によって生成された前記基準モデルに対する許容範囲モデルとを比較し、その比較結果に基づいて前記診断対象機器の状態を診断する機器状態診断手段と
    を備えることを特徴とする実稼働データによる機器の状態診断装置。
    In the device status diagnosis device based on the actual operation data for diagnosing the status of the device designated as the diagnosis target device based on the actual operation data from the device,
    Production data collection means for collecting production data from devices in production;
    Based on the operation data collected from a plurality of devices of the same type and used in the same industry as the designated device to be diagnosed, the overall state of the device group of the same type and the same industry as the device to be diagnosed A reference model generation means for generating a reference model indicating a change characteristic;
    An allowable range model generating means for generating an allowable range model indicating a range allowed as a normal state with respect to the reference model generated by the reference model generating means;
    A diagnostic target model generating means for generating a diagnostic target model indicating a change characteristic of a current state of the diagnostic target device based on actual operation data collected from the specified diagnostic target device;
    The diagnosis object model generated by the diagnosis object model generation means is compared with the tolerance model for the reference model generated by the tolerance range model generation means, and the state of the diagnosis object device is diagnosed based on the comparison result A device state diagnosis device using actual operation data.
  2. 請求項1に記載された実稼働データによる機器の状態診断装置において、
    前記基準モデル生成手段は、
    前記基準モデルのモデル式の係数を生成し、
    前記許容範囲モデル生成手段は、
    前記基準モデルのモデル式の係数に対する許容範囲を生成し、
    前記診断対象モデル生成手段は、
    前記診断対象モデルのモデル式の係数を生成し、
    前記機器状態診断手段は、
    前記診断対象モデル生成手段によって生成された診断対象モデルのモデル式の係数と前記許容範囲モデル生成手段によって生成された前記基準モデルのモデル式の係数に対する許容範囲とを比較し、その比較結果に基づいて前記診断対象機器の状態を診断する
    ことを特徴とする実稼働データによる機器の状態診断装置。
    In the device status diagnosis apparatus according to the operation data according to claim 1,
    The reference model generation means includes
    Generating a coefficient of a model formula of the reference model;
    The tolerance model generation means includes:
    Generating tolerances for the coefficients of the model equation of the reference model;
    The diagnostic object model generation means includes
    Generating a coefficient of a model formula of the model to be diagnosed;
    The device status diagnosis means
    The coefficient of the model expression of the diagnosis target model generated by the diagnosis target model generation means is compared with the allowable range for the coefficient of the model expression of the reference model generated by the allowable range model generation means, and based on the comparison result And diagnosing the status of the device to be diagnosed.
JP2012163936A 2012-07-24 2012-07-24 Device state diagnostic apparatus using actual operation data Pending JP2014026327A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2012163936A JP2014026327A (en) 2012-07-24 2012-07-24 Device state diagnostic apparatus using actual operation data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2012163936A JP2014026327A (en) 2012-07-24 2012-07-24 Device state diagnostic apparatus using actual operation data

Publications (1)

Publication Number Publication Date
JP2014026327A true JP2014026327A (en) 2014-02-06

Family

ID=50199941

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2012163936A Pending JP2014026327A (en) 2012-07-24 2012-07-24 Device state diagnostic apparatus using actual operation data

Country Status (1)

Country Link
JP (1) JP2014026327A (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016067852A1 (en) * 2014-10-29 2016-05-06 株式会社日立製作所 Diagnostic job generating system, diagnostic job generating method, and diagnostic job generating display method
WO2016157950A1 (en) * 2015-03-31 2016-10-06 株式会社日立製作所 Statistical model creation device, statistical model creation method, and statistical model creation program
JP2017088314A (en) * 2015-11-10 2017-05-25 株式会社日立ビルシステム Equipment diagnostic apparatus, equipment diagnostic method, and equipment diagnostic system

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH064789A (en) * 1992-06-22 1994-01-14 Hitachi Ltd Method and device for monitoring abnormality of equipment
JP2002156395A (en) * 2000-11-17 2002-05-31 Osaka Gas Co Ltd Energy consumption diagnostic system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH064789A (en) * 1992-06-22 1994-01-14 Hitachi Ltd Method and device for monitoring abnormality of equipment
JP2002156395A (en) * 2000-11-17 2002-05-31 Osaka Gas Co Ltd Energy consumption diagnostic system

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016067852A1 (en) * 2014-10-29 2016-05-06 株式会社日立製作所 Diagnostic job generating system, diagnostic job generating method, and diagnostic job generating display method
JP2016091043A (en) * 2014-10-29 2016-05-23 株式会社日立製作所 Diagnostic job generating system, diagnostic job generating method, and diagnostic job generation displaying method
WO2016157950A1 (en) * 2015-03-31 2016-10-06 株式会社日立製作所 Statistical model creation device, statistical model creation method, and statistical model creation program
JP2016192034A (en) * 2015-03-31 2016-11-10 株式会社日立製作所 Statistical model creation device, statistical model creation method, and statistical model creation program
JP2017088314A (en) * 2015-11-10 2017-05-25 株式会社日立ビルシステム Equipment diagnostic apparatus, equipment diagnostic method, and equipment diagnostic system

Similar Documents

Publication Publication Date Title
JP5297272B2 (en) Device abnormality monitoring method and system
Zhang et al. A wavelet-based approach to abrupt fault detection and diagnosis of sensors
US9483049B2 (en) Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program
JP6777069B2 (en) Information processing equipment, information processing methods, and programs
US20120316835A1 (en) Anomaly detection method and anomaly detection system
CN107111311B (en) Gas turbine sensor fault detection using sparse coding methods
US7096159B2 (en) System and method for detecting and excluding outlier sensors in sensor-based monitoring
JPWO2014091952A1 (en) SENSOR MONITORING DEVICE, SENSOR MONITORING METHOD, AND SENSOR MONITORING PROGRAM
US20190310979A1 (en) Anomaly data priority assessment device and anomaly data priority assessment method
WO2016147657A1 (en) Information processing device, information processing method, and recording medium
US20210241544A1 (en) Platform for analyzing health of heavy electric machine and analysis method using the same
Borchersen et al. Model‐based fault detection for generator cooling system in wind turbines using SCADA data
Pedregal et al. State space models for condition monitoring: a case study
JP2014026327A (en) Device state diagnostic apparatus using actual operation data
JP6523815B2 (en) Plant diagnostic device and plant diagnostic method
JP5771317B1 (en) Abnormality diagnosis apparatus and abnormality diagnosis method
Turnbull et al. Combining SCADA and vibration data into a single anomaly detection model to predict wind turbine component failure
KR20180024333A (en) Device abnormality presensing method and system using thereof
RU2724075C1 (en) System and method for determining anomaly source in cyber-physical system having certain characteristics
Galotto et al. Data based tools for sensors continuous monitoring in industry applications
Qin et al. A study of fault detection and diagnosis for PLC controlled manufacturing system
EP2618231A2 (en) System and method for monitoring, diagnostics, and prognostics
JP2013205048A (en) Method for diagnosing soundness of rotary machine
Bae et al. Study on condition based maintenance using on-line monitoring and prognostics suitable to a research reactor
Suzuki et al. An anomaly detection system for advanced maintenance services

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20150325

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20160216

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20160816