JP2017016509A - 設備保全管理システムおよび設備保全管理方法 - Google Patents

Abstract

【課題】設備の推定劣化指標と異常イベント発生との関係を統計的に評価し、効率的な保全計画を立案できるようにする。【解決手段】設備に関するリアルタイムモニタリングデータを取得するモニタリングデータ取得部と、異常イベント情報を取得する設備異常イベント情報取得部と、設備モデルと取得したモニタリングデータから推定された設備の推定劣化指標を算出する劣化指標計算部と、推定劣化指標の時間変化を予測する時間変化予測部と、推定劣化指標と異常イベントとの関係を統計的に評価する関係評価部と、予測された推定劣化指標の時間変化と、推定劣化指標と異常イベントとの関係とに基づいて、異常イベントにより将来的に発生するコストを見積もるスケジューラ部とを備える設備保全管理システム。【選択図】図１

Description

本発明は、プラント等に配置された設備の保全管理を行なう設備保全管理システムおよび設備保全管理方法に関する。

プラント等では各種の設備が配置されているが、これらの設備を正常に稼働させるためにメンテナンスが必要となる。メンテナンスを行なうためには相応の工数や費用がかかるため、劣化が進行していない設備に対してメンテナンスを行なうことは非効率であり、一方で、劣化の進んだ設備のメンテナンスを怠ると頻繁に異常が発生したり、稼働不能となったりして円滑なプラント運営の障害となってしまう。このため、設備の劣化状況を予測して、効率的な保全計画を立案することが重要である。

設備の保全計画に関する技術として、例えば、特許文献１では、定期検査で得られる検査データを基に、劣化指標の時間変化モデルを決定し、設備の余寿命予測を行なうシステムが開示されている。

検査データではなく、対象設備の温度、流量、圧力、振動等のリアルタイムモニタリングデータを活用して設備の変化を推定する技術も提案されている。例えば、特許文献２では、主成分分析を利用し、設備の正常状態におけるモニタリングデータ間の関係をモデル化し、このモデル上でＴ２、Ｑ統計量と呼ばれる統計量を評価することで、正常状態からの乖離度を見出して設備の状態を監視することが開示されている。

特開２００６−３００７１２号公報 特開２０１４−５９９１０号公報

特許文献１に開示された技術では、定期検査で得られる検査データを基に、劣化指標の時間変化モデルを決定しているが、一般に、設備の定期検査は年単位等の長期的な間隔で実施されるため、リアルタイムでの設備の変化を見逃してしまうおそれがある。また、検査で得られる実測値に基づく劣化指標は必ずしも自明でなく、直接的な劣化モデルを構成できない場合がある。

特許文献２に開示された技術では、正常状態のモニタリングデータ間の関係をモデル化し、そのモデル上で正常状態からの乖離度を劣化指標の推定値として評価している。この方法では、設備の傾向の変化をリアルタイムで監視することは可能であるが、このようにして推定された劣化指標は設備自体の統計的な特性を表しているに過ぎず、必ずしも、設備の劣化との関係を表しているとはいえない。

そこで、本発明は、モニタリングデータから推定された設備の劣化指標である推定劣化指標と異常イベント発生との関係を統計的に評価することで、推定劣化指標の意味をより明らかなものとし、適切な保全計画を立案できるようにすることを目的とする。

上記課題を解決するため、本発明の設備保全管理システムは、設備に関するリアルタイムモニタリングデータを取得するモニタリングデータ取得部と、設備に発生した異常イベント情報を取得する設備異常イベント情報取得部と、正常状態における前記設備のリアルタイムモニタリングデータ間の関係をモデル化した設備モデルと取得したモニタリングデータから推定された前記設備の推定劣化指標を算出する劣化指標計算部と、前記推定劣化指標の時間変化を予測する時間変化予測部と、前記推定劣化指標と前記異常イベント発生確率との関係を統計的に評価する関係評価部と、予測された推定劣化指標の時間変化と、前記推定劣化指標と前記異常イベント発生確率との関係とに基づいて、異常イベントにより将来的に発生するコストを見積もるスケジューラ部とを備えることを特徴とする。
ここで、前記スケジューラ部は、設備メンテナンスを行なった場合のコスト推移をシミュレーションすることができる。
このとき、前記スケジューラ部は、前記コスト推移のシミュレーションに基づいて、設備メンテナンス実施時点の最適化を行なうことができる。
また、前記関係評価部は、前記設備に対するメンテナンスの有無を考慮して前記推定劣化指標と前記異常イベント発生確率との関係を統計的に評価することができる。
上記課題を解決するため、本発明の設備保全管理方法は、設備に関するリアルタイムモニタリングデータを取得するモニタリングデータ取得ステップと、設備に発生した異常イベント情報を取得する設備異常イベント情報取得ステップと、正常状態における前記設備のリアルタイムモニタリングデータ間の関係をモデル化した設備モデルと取得したモニタリングデータから推定された設備の推定劣化指標を算出する劣化指標計算ステップと、前記推定劣化指標の時間変化を予測する時間変化予測ステップと、前記推定劣化指標と前記異常イベント発生確率との関係を統計的に評価する関係評価ステップと、予測された推定劣化指標の時間変化と、前記推定劣化指標と前記異常イベント発生確率との関係とに基づいて、異常イベントにより将来的に発生するコストを見積もるステップと、を有することを特徴とする。

本発明によれば、モニタリングデータから推定された設備の劣化指標である推定劣化指標と異常イベント発生との関係を統計的に評価することで、推定劣化指標の意味をより明らかなものとし、適切な保全計画を立案できるようになる。

本実施形態に係る設備保全管理システムの概要を説明するためのブロック図である。 設備対応処理部を説明するためのブロック図である。 設備モデルを説明する図である。 異常イベント発生モデルの学習例について説明する図である。 曲線近似による異常イベント発生モデルの推定例を示す図である。 乖離度の時間変化モデルの例を示す図である。 メンテナンスの有無による乖離度の時間変化と異常イベント発生確率の時間変化を説明する図である。 メンテナンスの有無によるトータルコストの時間変化を示す予測コスト推移表を説明する図である。 設備保全管理システムの動作を説明するフローチャートである。

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、本実施形態に係る設備保全管理システム１００の概要を説明するためのブロック図である。

本図においてプラントには複数台の設備３００（設備Ｘ３００ｘ、設備Ｙ３００ｙ、設備３００ｚ、…）が配置されている。また、プラントには各種のフィールド機器２１０が設置されており、アクチュエータ等により設備３００を動作させたり、各種センサ等により設備３００に関する測定データを取得したりする。

フィールド機器２１０は、フィールドバス等で接続された制御システム２２０により制御される。また、制御システム２２０は、フィールド機器２１０が測定等したデータを設備のモニタリングデータとして収集する。

設備保全管理システム１００は、ＣＰＵ、メモリ、入出力装置を備えたＰＣ等の汎用的な情報処理装置等で構成することができ、モニタリングデータ取得部１１０、設備異常イベント情報取得部１２０、メンテナンス情報入力部１３０、設備対応処理部１４０、設備管理スケジューラ１５０を備えている。

モニタリングデータ取得部１１０は、制御システム２２０から設備３００のモニタリングデータをリアルタイムで取得する。モニタリングデータは、温度、流量、圧力、振動、電流値、電圧値、トルク、吸光スペクトル等とすることができる。

設備異常イベント情報取得部１２０は、設備３００で発生した異常イベントに関する情報を取得する。異常イベントは、アラーム、動作停止等とすることができ、例えば、制御システム２２０を介して取得することができる。保全記録システム等の他のシステムから取得したり、オペレータからの入力を受け付けるようにしてもよい。

メンテナンス情報入力部１３０は、設備３００に対して行なうメンテナンス情報の入力をオペレータ等から受け付ける。保全記録システム等の他のシステムから入力を受け付けるようにしてもよい。メンテナンス情報には、メンテナンス対象となる設備３００を特定する情報と、メンテナンス実施日の情報が含まれるものとする。

設備対応処理部１４０は、設備３００に対応した処理を行なうブロックである。図２は、設備対応処理部１４０を説明するためのブロック図である。本図に示すように設備対応処理部１４０は、各設備３００に対応した設備処理部１４１を備えている。設備処理部１４１は、プラント内に配置された設備３００ごとに用意される。

本図に示すように、設備処理部１４１は、乖離度計算部１４２、乖離度時間変化予測部１４３、乖離度・異常イベント関係評価部１４４を備えている。

乖離度計算部１４２は、設備モデルが定義されており、モニタリングデータ取得部１１０が取得した設備の時点ｔにおけるリアルタイムモニタリングデータｘ（ｔ）に対して、設備モデルを用いて乖離度ｅ（ｔ）を計算するブロックである。乖離度ｅ（ｔ）は、設備の推定劣化指標として用いられる。すなわち、本実施形態では、実測値から直接的に得られる劣化指標ではなく、設備モデルとモニタリングデータとから算出される乖離度を推定劣化指標としている。

ここで、設備モデルは、正常状態における設備３００の挙動を、モニタリングデータを用いた関係式で表したものである。例えば、図３にイメージを示すように、ある正常状態の設備３００についてモニタリングデータｘ１、ｘ２、ｘ３が取得される場合に、ｆ（ｘ１，ｘ２，ｘ３）＝０となるような関係式で表した確定的モデルや、ｐ（ｘ１，ｘ２，ｘ３）というようなデータのばらつきを許容する確率モデルを構築することができる。

確定的モデルの場合、重回帰分析、主成分分析などの線形関係式や、多項式回帰、カーネル回帰、ニューラルネットワークなどの非線形関係式、あるいは、その設備３００に関しての物理的な性質が判明している場合には、それらの知見に基づく物理モデルを利用して作成することができる。確率モデルの場合、確定的なモデルの出力を平均とし、ガウス型の観測雑音が加わったモデルなどを考えることができる。

乖離度ｅ（ｔ）は、設備モデルとして、例えば、ｆ（ｘ）＝０のような確定的なモデルを採用した場合、この関係式からの変動量である残差とすることができる。設備モデルの関係式が連立方程式として与えられている場合、残差は多次元のベクトルとなるため、残和の平方和等を乖離度ｅ（ｔ）として利用することができる。

また、設備モデルとして確率モデルｐ（ｘ）を採用した場合、乖離度ｅ（ｔ）はこの確率モデル上でのデータの尤度とすることができる。乖離度ｅ（ｔ）は、外乱等により、不規則な変動を示す可能性があるため、出力に対してローパスフィルタを通す等の平均化処理を行なってもよい。

乖離度・異常イベント関係評価部１４４は、乖離度計算部１４２が算出した乖離度ｅ（ｔ）と、設備異常イベント情報取得部１２０から取得したその設備に関する異常イベントｑ（ｔ）とを統計的に関係付ける確率的な異常イベント発生モデルｐ（ｑ｜ｅ）を学習により作成するブロックである。すなわち、推定劣化度指標として用いられる乖離度ｅ（ｔ）と設備の異常発生確率との統計的な関係がモデル化されることになる。異常イベント発生モデルｐ（ｑ｜ｅ）は逐次更新することができる。

開始時の異常イベント発生モデルｐ（ｑ｜ｅ）は所与かつ任意であり、更新手法も任意である。モデルとしては、例えば、ロジスティック回帰分析、ニューラルネットワークなどが利用できる。

更新には、例えば、（非線形）カルマンフィルタや、マルコフ連鎖モンテカルロ法・変分ベイズ法の逐次的適用など、各種の事後分布推定法を利用することができる。更新タイミングでは、別途構築した設備データベースを参照し、逐次更新ではなく、ヒストリカルデータに対してバッチ的に更新を行なってもよい。

異常イベント発生モデルｐ（ｑ｜ｅ）の学習例について説明する。図４（ａ）に示すような、各時点ｔにおける乖離度ｅ（ｔ）と、図４（ｂ）に示すような異常イベントｑ（ｔ）が取得されているものとする。なお、図４（ｂ）において×が異常イベントｑ（ｔ）の発生を示し、○がメンテナンス実施を示している。

ここで、例えば、図４（ａ）（ｂ）内の点線によって仕切られているような、時間セグメントを考えることで、乖離度の区間平均値とその区間における単位時間あたりの異常イベント発生確率のサンプルを得ることができるようになる。これらのサンプルを基に、例えば、図５のように曲線近似を行なうことで、異常イベント発生モデルｐ（ｑ｜ｅ）を作成することが可能である。

乖離度時間変化予測部１４３は、乖離度ｅ（ｔ）の履歴に基づいて、乖離度ｅ（ｔ）の確率的な時間変化モデルｐ（ｅ｜ｔ，ｍ）を学習により作成するブロックである。確率的な時間変化モデルｐ（ｅ｜ｔ，ｍ）は逐次更新することができる。乖離度ｅ（ｔ）の確率的な時間変化モデルｐ（ｅ｜ｔ，ｍ）を用いることで、乖離度ｅ（ｔ）の将来的な時間変化を予測することができる。

この際、設備３００へのメンテナンスが設備３００の劣化指標に関する特性を不連続に変化させる可能性があるため、設備３００のメンテナンス情報ｍ（ｔ）を解析に利用してもよい。例えば、図４（ｂ）に示した例では、○で示すメンテナンスによる設備補修の後に明らかに乖離度ｅ（ｔ）が低下しているが、メンテナンス情報ｍ（ｔ）を参照することによって、こういった変化の要因を特定でき、モデル期間を分割する等により、正確な時間変化モデルを構築できるようになる。

学習開始時の時間変化モデルｐ（ｅ｜ｔ，ｍ）は所与かつ任意であり、更新手法も任意である。モデルとしては、例えば、時間に対して単調的に増加し続ける線形モデル、時間に対して変化が飽和するロジスティックモデル、故障率のモデルとしてよく知られているワイブル分布の利用などが考えられる。特性の不連続変化をモデル化するために、隠れマルコフモデルなどの時間に対する区分モデルを利用することもできる。

更新には、例えば、乖離度・異常イベント関係評価部１４４と同様に、（非線形）カルマンフィルタや、マルコフ連鎖モンテカルロ法・変分ベイズ法の逐次的適用など、各種の事後分布推定法を利用することができる。更新タイミングでは、別途構築した設備データベースを参照し、逐次更新ではなく、ヒストリカルデータに対してバッチ的に更新を行なってもよい。

設備３００のメンテナンス情報ｍ（ｔ）の表現方法は任意であるが、設備３００に対して実施した処置を系統化し符号化してもよいし、修理を行なった／行なっていないを二値で表すような符号化でもよい。

図６は、乖離度の時間変化モデルｐ（ｅ｜ｔ，ｍ）の一例を示した図である。横軸は時間、縦軸は乖離度を表している。ここで、縦線の入った２００時点目が現在時刻であるとする。縦線右側の実線は本ブロックにより推定された時間変化モデルｐ（ｅ｜ｔ，ｍ）による予測値の期待値を示し、点線は未来における予測の信頼区間を示している。
以上、図２〜図６を参照して、設備対応処理部１４０について説明した。

図１の説明に戻って、設備管理スケジューラ１５０は、乖離度の時間変化モデルｐ（ｅ｜ｔ，ｍ）、異常イベント発生モデルｐ（ｑ｜ｅ）、異常発生時に発生するコストやメンテナンス費用、現時点における拘束条件等を入力として、設備３００の予測コスト推移表を作成するブロックである。拘束条件は、オペレータ等が入力する。異常発生時に発生するコストやメンテナンス費用は、その設備３００に関する標準的な金額とすることができる。

例えば、図７（ａ）に示すように、乖離度ｅ（ｔ）の時間変化モデルｐ（ｅ｜ｔ，ｍ）を用いることで、ある時点でメンテナンスをしなかった場合（図７（ａ）中の実線）と、メンテナンスをした場合（図７（ａ）中の破線）で、乖離度ｅ（ｔ）がどう変化していくかを予測できるようになる。なお、メンテナンスをした場合には、乖離度ｅ（ｔ）が過去の最低レベルに変化するものとしている。

ここで、乖離度ｅ（ｔ）と異常イベント発生確率との関係を示す異常イベント発生モデルｐ（ｑ｜ｅ）を用いることで、図７（ｂ）に示すように、乖離度ｅ（ｔ）の時間変化予測に対応した異常イベント発生確率の時間変化が同時に予測できることになる。

さらに、拘束条件として入力された異常発生時に発生するコストを異常イベント発生確率に乗じて累積和の計算を行なうことで、未来のある時点での異常イベントに対する期待コストが見積もれるようになる。

この結果に、拘束条件として入力されたメンテナンス費用を加えることで、図８に示す予測コスト推移表のように、メンテナンスをしなかった場合（図８中の実線）とある時点でメンテナンスをした場合（図８中の破線）で、各設備３００あたりにかかるトータルコストがどのように変化していくかを予測できるようになる。

本図の例では、時点２８０でメンテナンスを行なうと、メンテナンス費用により一時的にトータルコストが上昇するが、その後の設備３００の異常イベント発生が抑えられるためトータルコストが低くなることが示されている。このとき、メンテナンスを行なう時点を変化させることで、トータルコストの推移も変化することなる。

このような予測を各設備３００に対して行なうことで、各設備３００のメンテナンスのタイミングをいつにとれば、拘束条件の下で、全体として効果的な設備群の維持が可能になるのかのスケジューリングを計算できるようになる。

スケジューリングには、線形計画法等の数理計画法や、遺伝的アルゴリズム等のヒューリスティクスを利用することができる。また、最適化の目的関数としては、乖離度ｅ（ｔ）の時間的変動の最小化などをとることも考えられる。

次に、上記構成の設備保全管理システム１００の動作について、図９のフローチャートを参照して説明する。

モニタリングデータ取得部１１０は、制御システム２２０から時点ｔにおけるモニタリングデータをリアルタイムで取得する（Ｓ１０１）。取得する間隔は任意に定めることができる。また、設備３００で異常イベントが発生した場合（Ｓ１０２：Ｙｅｓ）は、異常イベント情報を取得する（Ｓ１０３）。設備３００のメンテナンス情報がある場合には（Ｓ１０４：Ｙｅｓ）、メンテナンス情報を入力する（Ｓ１０５）。

保全管理処理は、例えば、定期的に実行したり、オペレータからの要求により実行することができる。保全管理処理を実行しない場合には（Ｓ１０６：Ｎｏ）、モニタリングデータの収集を繰り返す（Ｓ１０１）。

保全管理処理を実行する場合には（Ｓ１０６：Ｙｅｓ）、乖離度計算部１４２が設備モデルとモニタリングデータを用いて各時点における乖離度を算出する（Ｓ１０７）。ただし、乖離度は、モニタリングデータの取得毎に算出するようにしてもよい。

乖離度時間変化予測部１４３が、算出された乖離度に基づいて乖離度時間変化モデルｐ（ｅ｜ｔ，ｍ）を更新して、乖離度の時間変化を予測する（Ｓ１０８）。更新した乖離度時間変化モデルｐ（ｅ｜ｔ，ｍ）による予測値は、例えば、グラフ形式で表示してもよいし、外部出力してもよい。これにより、乖離度の時間変化を可視化することができる。

乖離度・異常イベント関係評価部１４４が、算出された乖離度と異常イベント情報とを用いて異常イベント発生モデルｐ（ｑ｜ｅ）を更新する（Ｓ１０９）。これにより、乖離度と異常イベント発生との関係を統計的に評価することができる。更新した異常イベント発生モデルｐ（ｑ｜ｅ）は、例えば、グラフ形式で表示してもよいし、外部出力してもよい。

そして、設備管理スケジューラ１５０が、乖離度ｅ（ｔ）の予測値と異常イベント発生モデルとから異常イベントの発生確率の予測を行ない、拘束条件を用いて予測コスト推移表を作成する（Ｓ１１０）。作成した予測コスト推移表は、グラフ形式で表示してもよいし、外部出力してもよい。このとき、所与の時点でメンテナンスを行なった場合のコスト変化を含めてもよい。これにより、メンテナンス実施による効果をシミュレーションすることができるようになる。予測コスト推移表は各設備３００について作成することが好ましい。

さらに、予測コスト推移表においてどの時点でどの設備３００においてメンテナンスを行なえばトータルコストを削減することができるかの最適化処理を行ない、設備管理スケジュールを作成して出力する（Ｓ１１１）。

以上説明したように、本実施形態の設備保全管理システムによれば、設備モデルとリアルタイムモニタリングデータとから推定された乖離度を推定劣化指標として用い、乖離度の予測時間変化と、乖離度と異常イベント発生との関係の統計的な評価に基づいて設備保全に関するコスト推移を予測するため、効率的な保全計画を立案できるようになる。

なお、上述の例では、設備の推定劣化指標として乖離度を用いた場合を説明したが、設備の推定劣化指標は、乖離度に限られず、異常イベント発生確率と相関関係を持った指標であれば推定劣化指標として用いることができる。

１００…設備保全管理システム、１１０…モニタリングデータ取得部、１２０…設備異常イベント情報取得部、１３０…メンテナンス情報入力部、１４０…設備対応処理部、１４１…設備処理部、１４２…乖離度計算部、１４３…乖離度時間変化予測部、１４４…乖離度・異常イベント関係評価部、１５０…設備管理スケジューラ、２１０…フィールド機器、２２０…制御システム、３００…設備

Claims (5)

1. 設備に関するリアルタイムモニタリングデータを取得するモニタリングデータ取得部と、
   設備に発生した異常イベント情報を取得する設備異常イベント情報取得部と、
   正常状態における前記設備のリアルタイムモニタリングデータ間の関係をモデル化した設備モデルと取得したモニタリングデータから推定された設備の推定劣化指標を算出する劣化指標計算部と、
   前記推定劣化指標の時間変化を予測する時間変化予測部と、
   前記推定劣化指標と前記異常イベント発生確率との関係を統計的に評価する関係評価部と、
   予測された推定劣化指標の時間変化と、前記推定劣化指標と前記異常イベント発生確率との関係とに基づいて、異常イベントにより将来的に発生するコストを見積もるスケジューラ部と、
   を備えることを特徴とする設備保全管理システム。
2. 前記スケジューラ部は、
   設備メンテナンスを行なった場合のコスト推移をシミュレーションすることを特徴とする請求項１に記載の設備保全管理システム。
3. 前記スケジューラ部は、
   前記コスト推移のシミュレーションに基づいて、設備メンテナンス実施時点の最適化を行なうことを特徴とする請求項２に記載の設備保全管理システム。
4. 前記関係評価部は、前記設備に対するメンテナンスの有無を考慮して前記推定劣化指標と前記異常イベント発生確率との関係を統計的に評価することを特徴とする請求項１〜３のいずれか１項に記載の設備保全管理システム。
5. 設備に関するリアルタイムモニタリングデータを取得するモニタリングデータ取得ステップと、
   設備に発生した異常イベント情報を取得する設備異常イベント情報取得ステップと、
   正常状態における前記設備のリアルタイムモニタリングデータ間の関係をモデル化した設備モデルと取得したモニタリングデータから推定された設備の推定劣化指標を算出する劣化指標計算ステップと、
   前記推定劣化指標の時間変化を予測する時間変化予測ステップと、
   前記推定劣化指標と前記異常イベント発生確率との関係を統計的に評価する関係評価ステップと、
   予測された推定劣化指標の時間変化と、前記推定劣化指標と前記異常イベント発生確率との関係とに基づいて、異常イベントにより将来的に発生するコストを見積もるステップと、
   を有することを特徴とする設備保全管理方法。