JP2017156811A - Method for predicting timing of performance reduction of device or machine system to be operated by motor - Google Patents
Method for predicting timing of performance reduction of device or machine system to be operated by motor Download PDFInfo
- Publication number
- JP2017156811A JP2017156811A JP2016036968A JP2016036968A JP2017156811A JP 2017156811 A JP2017156811 A JP 2017156811A JP 2016036968 A JP2016036968 A JP 2016036968A JP 2016036968 A JP2016036968 A JP 2016036968A JP 2017156811 A JP2017156811 A JP 2017156811A
- Authority
- JP
- Japan
- Prior art keywords
- data
- relevance
- future
- prime mover
- degree
- 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
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
Description
本発明は、原動機によって動作される装置又は機械システムにおいて原動機又は原動機に直接的もしくは間接的に連結された部分の性能低下が生じる未来の時期を予測する方法に関する。この方法により、原動機によって動作される装置又は機械システムのメンテナンスの適切な時期を知ることができ、著しい性能低下や故障の前に計画的なメンテナンスを実行することができる。 The present invention relates to a method for predicting a future time when a performance deterioration of a part directly or indirectly connected to a prime mover or a prime mover in an apparatus or a mechanical system operated by the prime mover occurs. By this method, it is possible to know the appropriate timing of maintenance of the apparatus or mechanical system operated by the prime mover, and it is possible to perform planned maintenance before significant performance degradation or failure.
現在社会のいたるところに、生産ライン、ロボット、物流、給排水システム、電気機器、計測機器、輸送システムなどの原動機によって動作される装置又は機械システムが存在しており、これらは、社会生産活動には不可欠な存在となっている。 At present, there are devices or mechanical systems that are operated by prime movers such as production lines, robots, logistics, water supply / drainage systems, electrical equipment, measuring instruments, and transportation systems. It has become indispensable.
これらの原動機によって動作される装置又は機械システムが著しく性能を低下したり、重大な故障に至った場合、これらのシステムを停止して原因となる部分を探し、それらの部分に対して修理・交換等の作業を行なうことが必要である。また、場合によっては、人間の生命と関わる重大な事故や多大な損害が既に発生している場合がある。このような事態に至らないようにするために、一般的には、これらのシステムにはその耐用年数や経験的な故障の発生割合などから一律の定期的なメンテナンスを行なっていた。 If a device or mechanical system operated by these prime movers significantly degrades performance or causes a serious failure, stop these systems to find the cause, and repair or replace those parts. It is necessary to perform such work. In some cases, serious accidents or great damages related to human life have already occurred. In order to prevent such a situation from occurring, generally, these systems have been subjected to uniform and regular maintenance based on their service life and empirical failure rate.
しかしながら、システムの性能低下や故障の原因は、機械的な原因、電気的な原因、そして外部要因、さらには初期設置時の要因など多岐にわたっており、従来の一律的な定期メンテナンスだけではこれらの原因の全てに対応した性能低下や故障を未然に防止することは極めて難しかった。 However, the causes of system performance degradation and failure are diverse, including mechanical causes, electrical causes, external factors, and initial installation factors. It was extremely difficult to prevent performance degradation and failure corresponding to all of the above.
例えば特許文献１の経年劣化故障兆候判定システムでは、プラントを構成するプラント機器の経年変化に伴うプロセス量の変化の予測値と、プラント機器のプロセス量の実測値とを定期的に比較し、比較時の経年に相当する予測値と比較時の実測値との違いが所定量以上であれば経年劣化による故障の兆候があるものと判定している。しかしながら、この特許文献１の判定システムでは、経験的な経年劣化のみに判定を依存しており、それ以外の多岐にわたる原因に基づく性能低下や故障に対してはその兆候を予測することは極めて難しかった。また、特許文献１の判定システムの故障兆候の判定は、現時点のものであって、未来の故障や性能低下が高まる時期を予測するようなものではない。 For example, in the aging degradation failure sign determination system disclosed in Patent Document 1, a predicted value of a change in process amount due to aging of plant equipment constituting a plant is periodically compared with an actual measurement value of the process amount of plant equipment. If the difference between the predicted value corresponding to the aging of the time and the actually measured value at the time of comparison is greater than or equal to a predetermined amount, it is determined that there is a sign of failure due to aging degradation. However, the determination system of Patent Document 1 relies only on empirical deterioration over time, and it is extremely difficult to predict the signs of performance degradation or failure based on various other causes. It was. Moreover, the determination of the failure sign of the determination system of Patent Document 1 is the current one, and is not intended to predict the time when a future failure or performance deterioration will increase.
その他、例えば特許文献２の時系列データ解析装置、特許文献３の異常診断システム、特許文献４のプラント制御システムなどで様々な故障や性能低下の予測手段が提案されているが、いずれも統計的手法に基づくものであり、様々な原因に基づく性能低下や故障の未来の時期の予測には向いていないものばかりである。また、これらのシステムは、複雑な解析装置を必要とし、設置に費用がかかる割に予測の精度があまり高くなかった。 In addition, for example, various failure and performance degradation prediction means have been proposed in the time-series data analysis device of Patent Document 2, the abnormality diagnosis system of Patent Document 3, the plant control system of Patent Document 4, and the like, all of which are statistical. It is based on a method and is not suitable for predicting the future timing of performance degradation or failure based on various causes. In addition, these systems require a complicated analysis device, and the accuracy of prediction is not so high although the installation is expensive.
出願人は、かかる従来技術の問題点を考慮し、特許文献５において、一時的な原因と永続的な原因による性能低下の傾向を持つ太陽光発電システムにおいて、特定の関連を有する予測対象と比較対象の間で取得した電流値または発電量のデータから現在のデータの関連度及び未来のデータの関連度を算出し、現在のデータの関連度から特定レベル以上低下した未来のデータの関連度を生じる未来の時期を示すことによって故障や性能低下に至る前に適切なメンテナンス時期を正確にアドバイスする方法を提案した。かかる方法は、従来の統計的な手法による問題を克服しており、画期的な効果をもたらしたが、太陽光発電システムのみに適応されているだけであり、他の装置又はシステムに対しては全く具体的な検討がなされていなかった。 In consideration of the problems of the prior art, the applicant, in Patent Document 5, compared with a prediction target having a specific relationship in a photovoltaic power generation system having a tendency of performance degradation due to a temporary cause and a permanent cause. Calculate the relevance of the current data and the relevance of the future data from the current value or power generation data acquired between the targets, and calculate the relevance of the future data that has fallen more than a specific level from the relevance of the current data A method to accurately advise the appropriate maintenance time before failure or performance degradation by suggesting the future time to occur is proposed. Such a method overcomes the problems of conventional statistical methods and has a breakthrough effect, but is only adapted to the photovoltaic system and is not suitable for other devices or systems. There was no specific consideration at all.
本発明は、かかる従来技術の現状に鑑み創案されたものであり、その目的は、原動機によって動作される装置又は機械システムにおいて原動機又はそれに連結された部分から測定される物理的特性値から特定レベル以上の性能低下又は故障を生じる未来の時期を予測するための簡単で高精度な方法を提供することにある。特に、本発明は、原動機によって動作される装置又は機械システムの著しい性能低下や故障が発生する前にこの事前予測に従ってシステムの適切なメンテナンス時期を個別に正確にアドバイスしようとするものである。 The present invention has been developed in view of the current state of the prior art, and its purpose is to specify a specific level from a physical characteristic value measured from a prime mover or a portion connected to the prime mover in a device or mechanical system operated by the prime mover. An object of the present invention is to provide a simple and highly accurate method for predicting the future time when the above performance degradation or failure occurs. In particular, the present invention seeks to individually and accurately advise the appropriate maintenance time of the system according to this advance prediction before significant performance degradation or failure of the device or mechanical system operated by the prime mover occurs.
本発明者は、かかる目的を達成するために鋭意検討した結果、予測対象の装置又は機械システムとそれと同一の構造を有する比較対象の装置又は機械システムとの間のシステム内の原動機又はそれに連結された部分の物理的特性値のデータの相互の関連性、及び予測対象の装置又は機械システム自体の現在と過去との間のシステム内の原動機又はそれに連結された部分の物理的特性値のデータの相互の関連性に着目し、これらのデータを取得し、取得したデータに対してグレーシステム予測理論を利用して、具体的には取得したデータからグレー絶対関連度（Ａｂｓｏｌｕｔｅ Ｄｅｇｒｅｅ Ｇｒｅｙ Ｉｎｃｉｄｅｎｃｅ）を算出し、さらに算出したグレー絶対関連度からデジタルグレー予測モデル（Ｄｉｇｉｔａｌ Ｇｒｅｙ Ｐｒｅｄｉｃｔｉｖｅ Ｍｏｄｅｌ）を用いて、予測対象と比較対象の間で現在のデータの関連度を算出するか、又は予測対象自体の過去のデータと現在のデータの間で現在のデータの関連度を算出し、さらにそれぞれの未来のデータの関連度を算出し、現在のデータの関連度から特定レベル以上低下した未来のデータの関連度を生じる未来の時期を示すことによって、重度の故障や著しい性能低下に至る前に予測対象の適切なメンテナンスの時期を正確にアドバイスできることを見出し、本発明の完成に至った。 As a result of intensive studies to achieve such an object, the present inventor is connected to a prime mover in a system or a motor or a mechanical system in a system between a target device or a mechanical system to be predicted and a comparative device or a mechanical system having the same structure. Of the physical property values of the selected parts and the data of the physical property values of the prime mover in the system between the present and the past of the device or mechanical system itself to be predicted Paying attention to the mutual relationship, acquire these data, use the gray system prediction theory for the acquired data, specifically calculate the absolute degree of gray degree (Absolute Degree Gray Incidence) from the acquired data Further, a digital gray prediction model (Digital Gray Predi) is calculated from the calculated absolute gray relevance. ctive Model), the current data relevance between the prediction target and the comparison target is calculated, or the current data relevance is calculated between the past data of the prediction target itself and the current data. Furthermore, by calculating the relevance level of each future data and indicating the future time when the relevance level of the future data that is lower than the specific level from the relevance level of the current data will be indicated, it is possible to prevent severe failure or significant performance degradation. The present inventors have found that it is possible to accurately advise the appropriate maintenance time to be predicted before reaching the completion of the present invention.
即ち、本発明は、以下の（１）〜（４）の構成を有するものである。
（１）原動機によって動作される装置又は機械システムにおいて原動機又は原動機に直接的もしくは間接的に連結された部分の性能低下が生じる未来の時期を予測する方法であって、予測対象の装置又は機械システムの原動機又は原動機に直接的もしくは間接的に連結された部分の物理的特性値のデータを過去から現在の特定の期間にわたって取得し、予測対象と同一の構造を有する別の比較対象の装置又は機械システムの原動機又は原動機に直接的もしくは間接的に連結された部分の物理的特性値のデータを同じ特定の期間にわたって取得し、これらの取得したデータからグレー絶対関連度を算出し、算出したグレー絶対関連度からデジタルグレー予測モデルを用いて予測対象と比較対象の間で現在のデータの関連度を算出し、さらに未来のデータの関連度を算出し、予測対象において比較対象との間で現在のデータの関連度から特定レベル以上低下した未来のデータの関連度が生じる未来の時期を示すことを特徴とする方法。
（２）原動機によって動作される装置又は機械システムにおいて原動機又は原動機に直接的もしくは間接的に連結された部分の性能低下が生じる未来の時期を予測する方法であって、予測対象の装置又は機械システムの原動機又は原動機に直接的もしくは間接的に連結された部分の物理的特性値のデータを過去から現在の特定期間にわたって取得し、これらの取得したデータからグレー絶対関連度を算出し、算出したグレー絶対関連度からデジタルグレー予測モデルを用いて予測対象の過去のデータと現在のデータの間で現在のデータの関連度を算出し、さらに未来のデータの関連度を算出し、予測対象において過去のデータとの間で現在のデータの関連度から特定レベル以上低下した未来のデータの関連度が生じる未来の時期を示すことを特徴とする方法。
（３）取得したデータに対して特定の一定時間で平均化する処理を行なうことを特徴とする（１）又は（２）に記載の方法。
（４）現在から一定期間先の未来までにおいて特定レベル以上低下した未来のデータの関連度を持つ予測対象を示し、必要により前記予測対象を画面表示、電子メール通信、または警告音で知らせることを特徴とする（１）〜（３）のいずれかに記載の方法。
That is, the present invention has the following configurations (1) to (4).
(1) A method for predicting a future time when performance degradation of a part directly or indirectly connected to a prime mover or a prime mover in a device or a mechanical system operated by a prime mover, the prediction target device or mechanical system Another comparison target device or machine having the same structure as the target of prediction, and acquiring data of physical characteristic values of the motor directly or indirectly connected to the motor for a specific period from the past Data on physical characteristics of the system's prime mover or parts directly or indirectly connected to the prime mover are acquired over the same specific period, and the gray absolute relevance is calculated from these acquired data. Calculate the relevance of the current data between the prediction target and the comparison target using the digital gray prediction model from the relevance, and further in the future How to calculate the relevance of the data, characterized in that indicating the timing of future degrees of correlation future data decreased by more than a specific level from the relevance of the current data occurs between the comparison in the prediction target.
(2) A method for predicting a future time when performance degradation of a part directly or indirectly connected to a prime mover or a prime mover in a device or mechanical system operated by a prime mover, the prediction target device or mechanical system Data of the physical characteristics of the prime mover or parts directly or indirectly connected to the prime mover over the specified period from the past, and the gray absolute relevance is calculated from these acquired data, and the calculated gray Calculate the relevance of the current data between the past data of the prediction target and the current data using the digital gray prediction model from the absolute relevance, and further calculate the relevance of the future data. Indicate the future time when the degree of relevance of the future data that falls below a certain level from the degree of relevance of the current data with the data How to butterflies.
(3) The method according to (1) or (2), wherein the acquired data is averaged over a specific period of time.
(4) A prediction target having a degree of relevance of future data that has fallen more than a specific level from the present to the future in a certain period of time is indicated, and if necessary, the prediction target is notified by screen display, e-mail communication, or warning sound The method according to any one of (1) to (3), which is characterized.
本発明の方法によれば、予測対象の装置又は機械システムと、同様の物理的特性値の傾向を示す同一構造の装置又は機械システムとの間でシステム内の原動機又はそれに連結された部分の物理的特性値のデータに関して現在のデータの関連度を算出し、さらに未来のデータの関連度を算出し、現在から未来のデータの関連度の低下推移を見ることによって、又は予測対象の装置又は機械システムの原動機及びそれに連結された部分の物理的特性値の過去のデータと現在のデータ間で現在のデータの関連度を算出し、さらに未来のデータの関連度を算出し、現在から未来のデータの関連度の低下推移を見ることによって、未来の許容できない異常発生時期の予測を行なうことができ、これにより重大な故障や著しい性能低下の発生前に原動機で動作される装置又は機械システムの適切なメンテナンス時期を事前に正確にアドバイスすることが可能である。また、本発明の方法は、グレーシステム予測理論を使用して予測しているので、原動機で動作される装置又は機械システムの未来の許容できない異常発生時期の予測の精度が極めて高く、しかも予測が極めて簡単である。 According to the method of the present invention, the physicality of the prime mover in the system or a portion connected to the motor or the mechanical system in the system between the device or mechanical system to be predicted and the device or mechanical system having the same structure exhibiting the tendency of similar physical characteristic values. The degree of relevance of the current data with respect to the characteristic characteristic value data, the degree of relevance of the future data, and the transition of the degree of relevance of the future data from the present, or the device or machine to be predicted Calculate the relevance of the current data between the past data and the current data of the physical characteristics value of the system prime mover and its connected parts, and further calculate the relevance of the future data. By looking at the transition of the degree of relevance of the future, it is possible to predict the future occurrence of unacceptable abnormalities, so that the prime mover can It is possible to advance accurately advise the appropriate maintenance timing of work is the device or machine system. In addition, since the method of the present invention predicts using the gray system prediction theory, the accuracy of the prediction of the future unacceptable abnormality occurrence time of the device or mechanical system operated by the prime mover is extremely high, and the prediction is It is extremely simple.
以下、本発明の原動機によって動作される装置又は機械システムの性能低下が生じる未来の時期を予測する方法について説明するが、本発明はこれらに限定されるものではない。また、ここで挙げたグレー絶対関連度の算出及びデジタルグレー予測モデルの適用は、一例にすぎず、これらに限定されない。 Hereinafter, although the method to predict the future time when the performance degradation of the apparatus or mechanical system operated by the motor | power_engine of this invention arises is demonstrated, this invention is not limited to these. The calculation of the gray absolute relevance and the application of the digital gray prediction model described here are merely examples, and are not limited to these.
本発明の方法の対象となる装置又は機械システムは、原動機によって動作されるものであれば特に限定されない。原動機は、自然界に存在する様々なエネルギーを機械的な仕事（力学的エネルギー）に変換する機械・装置の総称であり、本発明では広義の意味で解釈される。 The apparatus or mechanical system that is the object of the method of the present invention is not particularly limited as long as it is operated by a prime mover. A prime mover is a general term for machines and devices that convert various kinds of energy existing in nature into mechanical work (mechanical energy), and is interpreted in a broad sense in the present invention.
原動機としては、熱機関、電動機、流体機械があり、熱機関としては、蒸気タービン、蒸気機関、スターリング機関などの外燃機関、火花点火機関、オットー機関、圧縮着火機関、ディーゼル機関、ガスタービン機関などの内燃機関が挙げられ、電動機としては、永久磁石界磁形整流子電動機、電磁石界磁形整流子電動機、交流整流子電動機などの整流子電動機、三相誘導電動機、単相誘導電動機などの誘導電動機、電磁石同期電動機、永久磁石同期電動機などの同期電動機が挙げられ、流体機械としては、風力原動機、風車、空気モーター、空気エンジンなどの気体を使用したもの、水力タービン、水車、油圧シリンダ、油圧モーターなどの液体を使用したものが挙げられる。 There are heat engines, electric motors, and fluid machines as prime movers. External heat engines such as steam turbines, steam engines, and Stirling engines, spark ignition engines, Otto engines, compression ignition engines, diesel engines, and gas turbine engines. Examples of electric motors include permanent magnet field commutator motors, electromagnetic field commutator motors, commutator motors such as AC commutator motors, three-phase induction motors, and single-phase induction motors. Synchronous motors such as induction motors, electromagnet synchronous motors, permanent magnet synchronous motors, etc. are mentioned, and fluid machines include those using gas such as wind power generators, windmills, air motors, air engines, hydro turbines, turbines, hydraulic cylinders, The thing using liquids, such as a hydraulic motor, is mentioned.
原動機によって動作される装置又は機械としては、自動車、航空機、船舶などの輸送システム、発電機械、工作機械、ロボット、計測機器、試験装置、生産設備、電気機器、制御機器、給排水システム、空調機器、処理装置、物流システムなどが挙げられるが、特に限定されない。 As a device or machine operated by a prime mover, transportation systems such as automobiles, airplanes and ships, power generation machines, machine tools, robots, measuring instruments, test equipment, production equipment, electrical equipment, control equipment, water supply / drainage systems, air conditioning equipment, Although a processing apparatus, a distribution system, etc. are mentioned, it is not specifically limited.
原動機で動作する装置又は機械システムの性能低下又は故障の原因は、システム内の原動機又はそれに直接的もしくは間欠的に連結された部分の構成部品の経年劣化だけでなく、そこに供給される電気やガスなどのエネルギーの不安定、設置時のミス、異物混入などの外的要因、接続部分の不良など様々なものが存在する。本発明の方法は、これらの原因に個別に対応するのではなく、いずれの原因による性能低下や故障であっても、それが発生する確率が高まる前にその兆候が表われる未来の時期を示そうというものである。 The cause of the performance degradation or failure of the machine or mechanical system operating on the prime mover is not only the aging of the components of the prime mover in the system or the part directly or intermittently connected thereto, but also the electricity supplied to it. There are various things such as instability of energy such as gas, mistakes during installation, external factors such as foreign matter contamination, and defective connections. The method of the present invention does not deal with each of these causes individually, but indicates a future time when any performance degradation or failure due to any cause will appear before the probability of that occurrence increases. That's right.
本発明者は、原動機で動作する装置又は機械システム（予測対象）は、（ｉ）同一構造を有する装置又は機械システム（比較対象）との間でシステム内の原動機又はそれに連結された部分の物理的特性値の測定データに関して過去、現在の値だけでなく未来の値においても同様の数値傾向を持つこと、また（ｉｉ）原動機で動作する装置又は機械システム（予測対象）自体の原動機又はそれに連結された部分の物理的特性値の測定データに関して過去のデータと現在のデータの間だけでなく過去のデータと未来のデータの間においても同様の数値傾向を持つことを見出した。そして、これらの物理的特性値のデータに対してグレー絶対関連度の算出、次いでデジタルグレー予測モデルの適用を行なうことにより、（ｉ）の場合は予測対象と比較対象の間で現在のデータの関連度と未来の関連度を算出し、（ｉｉ）の場合は予測対象において過去のデータと現在のデータの間で現在のデータの関連度、さらに未来のデータの関連度を算出し、現在のデータの関連度から特定レベル以上低下した未来のデータの関連度が生じる未来の時期を抽出することにより、未来の重大な異常や著しい性能低下が発生する可能性が高い時期やかかる重大な異常や著しい性能低下にまで至らない未来の最長時期を正確に精度良く示すことができることを見出した。本発明は、これらの知見に基づいて創案されたものであり、抽出する関連度の低下レベルを設定するだけで原因の種類にほとんど関係なく故障や性能低下が著しくなる前に原動機で動作する機械又は装置システムの適切なメンテナンス時期の計画を個別に正確にアドバイスすることが可能である。 The present inventor believes that a device or a mechanical system (predicted object) that operates on a prime mover is (i) a physical unit of a prime mover in the system or a part connected to the same or a device or mechanical system (comparative object) having the same structure. The measurement data of the characteristic characteristic value has the same numerical tendency not only in the past and present values but also in the future values, and (ii) the apparatus operating on the prime mover or the mechanical system (prediction target) itself or the motor connected thereto It was found that the measured data of the physical property values of the selected part has the same numerical tendency not only between past data and current data but also between past data and future data. Then, by calculating the gray absolute relevance to the data of these physical characteristic values and then applying the digital gray prediction model, in the case of (i), the current data between the prediction target and the comparison target In the case of (ii), the degree of relevance of the current data and the degree of relevance of the future data are calculated between the past data and the current data. By extracting the future time when the relevance of future data that has dropped below a certain level from the relevance level of the data is extracted, the time when there is a high possibility of serious future abnormalities and significant performance degradation, It was found that the longest time in the future that does not lead to significant performance degradation can be accurately and accurately indicated. The present invention was devised based on these findings, and it is a machine that operates on a prime mover before a failure or performance decrease becomes significant regardless of the type of cause by simply setting a level of decrease in relevance to be extracted. Alternatively, it is possible to accurately and individually advise a plan for an appropriate maintenance time of the device system.
本発明の方法では、まず物理的特性値のデータが取得される予測対象の機械又は装置システムが選択される。このとき、関連度を算出するために関連付けられるものは、（ｉ）予測対象の物理的特性値のデータと、それと同一構造を有する比較対象との物理的特性値のデータであるか、又は（ｉｉ）予測対象の過去の物理的特性値のデータと、現在（未来）の物理的特性値のデータである。関連付けられる対象は、単数であっても複数であってもよく、複数の場合はデータを平均化してもよい。また、取得される物理的特性値の種類は、単数であっても複数であってもよい。また、（ｉ）の同一構造とは、原動機又はそれに連結された部分だけでなく、システムが機能を果たすために必要な部分も同一の材料及び構造を有しているものを言う。 In the method of the present invention, first, a prediction target machine or device system from which physical characteristic value data is acquired is selected. At this time, what is associated in order to calculate the degree of association is (i) data of the physical characteristic value of the prediction target and data of the physical characteristic value of the comparison target having the same structure as that (or ii) data of past physical characteristic values to be predicted and data of current (future) physical characteristic values. The target to be associated may be singular or plural, and in the case of plural, the data may be averaged. Further, the number of physical characteristic values acquired may be singular or plural. Moreover, the same structure of (i) means that not only the prime mover or a part connected to it but also a part necessary for the function of the system to have the same material and structure.
データが取得される物理的特性値は、システム内の原動機又はそれに連結された部分の物理的性質を示す値であり、力学的性質、電気的性質、磁気的性質、熱的性質、光学的性質などを表わすものとして国際的に認められた単位で表示され、数値として測定可能な値である。物理的特性値としては、例えば速度、加速度、回転数、距離、力、温度、密度、電流値、電圧、抵抗値、誘電率、導電率、弾性率、光度、照度などが挙げられ、特に限定されない。測定方法や測定装置は、それぞれの物理的特性値で標準的に採用される方法や装置を使用すればよく、特に限定されない。物理的特性値のデータの取得は、連続的であっても間欠的であってもよい。また、取得したデータに対して特定の一定期間（例えば分単位、時間単位、日単位、月単位、年単位）で平均化する処理を行なってもよい。また、物理的特性値が取得される部分は、原動機そのものからだけでなく原動機に連結された部分を含み、その連結は直接的な連結だけでなく間接的な連結も含む。 The physical property value from which data is acquired is a value that indicates the physical properties of the prime mover in the system or the parts connected to it, and the mechanical properties, electrical properties, magnetic properties, thermal properties, optical properties This is a value that can be measured as a numerical value. Examples of physical characteristic values include speed, acceleration, rotation speed, distance, force, temperature, density, current value, voltage, resistance value, dielectric constant, conductivity, elastic modulus, luminous intensity, illuminance, etc. Not. The measurement method and the measurement apparatus are not particularly limited as long as a standard method or apparatus adopted for each physical characteristic value is used. The acquisition of physical property value data may be continuous or intermittent. Moreover, you may perform the process which averages with respect to the acquired data for a specific fixed period (for example, a minute unit, a time unit, a day unit, a month unit, a year unit). Further, the portion from which the physical characteristic value is acquired includes not only the prime mover itself but also a portion connected to the prime mover, and the connection includes not only direct connection but also indirect connection.
本発明の方法の上記（ｉ）の場合では、上述のように予測対象と関連性を有する同一の構造の比較対象の装置又は機械システムを抽出した後、予測対象の装置又は機械システムの原動機又はそれに連結される部分の物理的特性値を過去から現在の特定期間にわたって取得し、比較対象の装置又は機械システムの原動機又はそれに連結される部分の物理的特性値のデータを同じ特定期間にわたって取得し、これらの取得データに対してグレーシステム予測理論に基づいてグレー絶対関連度の算出、次いでデジタルグレー予測モデルの適用を行なうことにより、予測対象と比較対象の間の現在のデータの関連度を算出し、さらに未来のデータの関連度を算出する。一つの予測対象に対して複数の比較対象が存在する場合は、複数の比較対象の各々のデータに対してそれぞれ関連度を算出するか、または、複数の比較対象の各々のデータの平均値に対して関連度を算出することができる。 In the case of the method (i) of the method of the present invention, after extracting the comparison target device or the mechanical system having the same structure that is related to the prediction target as described above, the prediction target device or the mechanical system motor or Obtain physical property values of the parts connected to it from the past over the current specified period, and acquire data of physical characteristics values of the prime mover of the comparison target device or mechanical system or parts connected to it over the same specified period. Calculating the absolute gray relevance of these acquired data based on gray system prediction theory, and then applying the digital gray prediction model to calculate the relevance of the current data between the prediction target and the comparison target In addition, the relevance of future data is calculated. If there are multiple comparison targets for a single prediction target, calculate the relevance for each of the multiple comparison target data, or use the average value of each of the multiple comparison target data. The degree of relevance can be calculated.
本発明の方法の上記（ｉｉ）の場合では、上述のように予測対象以外に比較対象となる装置又は機械システムを用意せず、予測対象自身の原動機又はそれに連結される部分の物理的特性値のデータを過去から現在の特定期間にわたって取得し、これらの取得データに対してグレーシステム予測理論に基づいてグレー絶対関連度の算出、次いでデジタルグレー予測モデルの適用を行なうことにより、予測対象の過去のデータと現在のデータの間での関連度を算出し、さらに過去のデータと現在のデータの間の関連度から未来のデータの関連度を算出する。 In the case of (ii) of the method of the present invention, as described above, a device or mechanical system to be compared is not prepared in addition to the prediction target, and the physical characteristic value of the prime mover of the prediction target itself or a part connected thereto Data from the past over the current specific period, the gray absolute relevance is calculated based on the gray system prediction theory, and then the digital gray prediction model is applied to the acquired data. The degree of association between the current data and the current data is calculated, and the degree of association of the future data is calculated from the degree of association between the past data and the current data.
グレー絶対関連度の算出及びデジタルグレー予測モデルの適用の方法は、従来公知であり、基本的には以下のような数式でグレー絶対関連度ε１ｉを求め、次いでε＝Ｘとしてデジタルグレー予測モデルＤＧＭ（１，１）の数式を用いて、本発明の方法の上記（ｉ）の場合は予測対象と比較対象の間のデータの現在の関連度と未来の関連度を算出し、上記（ｉｉ）の場合は予測対象自身の過去のデータと現在のデータの間の現在の関連度、そして未来の関連度を算出し、次いで現在の関連度からの未来の関連度の低下割合を算出する。そして、この低下割合が特定レベル以上になる未来の時期を示す。あるいは、さらに現在から一定期間先の未来までにおいて、この低下割合が特定レベル以上低下した予測対象を示し、必要により、前記予測対象をモニター等の画面表示、電子メール通信、または警告音で知らせる。 Methods of calculating the gray absolute relevance and applying the digital gray prediction model are conventionally known. Basically, the gray absolute relevance ε 1i is obtained by the following mathematical formula, and then the digital gray prediction model is set as ε = X. In the case of (i) in the method of the present invention, the current relevance level and the future relevance level of the data between the prediction target and the comparison target are calculated using the formula of DGM (1, 1), and the above (ii) ), The current degree of association between the past data and the current data of the prediction target itself, and the degree of future relation are calculated, and then the rate of decrease in the degree of future relation from the current degree of association is calculated. And the future time when this decline rate becomes more than a specific level is shown. Alternatively, it indicates a prediction target in which the rate of decrease has decreased more than a specific level from the present to the future in a certain period of time, and the prediction target is notified by a screen display such as a monitor, e-mail communication, or a warning sound if necessary.
グレー絶対関連度（Ａｂｓｏｌｕｔｅ Ｄｅｇｒｅｅ Ｇｒｅｙ Ｉｎｃｉｄｅｎｃｅ）は、以下の２集合ｓ１，ｓｉのグレー絶対関連度ε１ｉの定義を用いて算出する：
ここで本発明の方法の上記（ｉ）の場合は、ｓ１は予測対象のデータ、ｓｉは比較対象のデータであり、上記（ｉｉ）の場合は、ｓ１は予測対象の現在のデータ、ｓｉは予測対象の過去のデータである。
The absolute degree of gray relevance (Absolute Degree Gray Incidence) is calculated using the definition of the gray absolute degree of relevance ε 1i of the following two sets s 1 and s i :
Here, in the case (i) of the method of the present invention, s 1 is the data to be predicted, s i is the data to be compared, and in the case (ii), s 1 is the current data to be predicted. , S i are past data to be predicted.
次に、上記のグレー絶対関連度及びデジタルグレー予測モデルを用いて現在の関連度及び未来の関連度を算出した具体例を示す。例えば原動機として電気モーターを使用した扇風機において予測対象と同一構造の比較対象を用意する。上記（ｉ）の場合では、予測対象と比較対象の羽根の回転数（最高風力設定時）に関して過去から現在までのデータを取得し、縦軸を回転数、横軸を過去から現在までの時間として図１に表わすと、予測対象１０１と比較対象１０２のデータの経時的推移は互いに極めて類似することがわかる。比較対象を用意しない上記（ｉｉ）の場合でも、これは、当てはまり、予測対象の過去のデータと現在のデータの間でも同様に互いに極めて類似する。 Next, a specific example in which the current relevance level and the future relevance level are calculated using the gray absolute relevance level and the digital gray prediction model will be described. For example, in a fan using an electric motor as a prime mover, a comparison target having the same structure as the prediction target is prepared. In the case of (i) above, data from the past to the present is acquired regarding the rotation speed of the blades to be predicted and compared (when the maximum wind power is set), the vertical axis represents the rotation speed, and the horizontal axis represents the time from the past to the present. As shown in FIG. 1, it can be seen that the temporal changes in the data of the prediction target 101 and the comparison target 102 are very similar to each other. Even in the case of the above (ii) in which no comparison target is prepared, this is also true, and the past data and the current data to be predicted are similarly very similar to each other.
これらのデータを利用して上記のグレー絶対関連度を算出する。例えば（ｉ）の場合はｋ時点の予測対象の回転数をｓ１（ｋ）、比較対象の回転数をｓｉ（ｋ）とすると、また、（ｉｉ）の場合は現在（ｋ時点）の予測対象の回転数をｓ１（ｋ）、過去の予測対象の回転数をｓｉ（ｋ）とすると、ｋ時点の関連度ε１ｉ（ｋ）は以下の式より求められる：
The above gray absolute relevance is calculated using these data. For example, in the case of (i), if the rotation speed of the prediction target at time k is s 1 (k) and the rotation speed of the comparison target is s i (k), the rotation speed of (ii) is the current (time k). Assuming that the number of revolutions to be predicted is s 1 (k) and the number of revolutions to be predicted in the past is s i (k), the degree of association ε 1i (k) at time k can be obtained from the following equation:
図２は、図１の扇風機の電気モーターの物理的特性値（最高風力設定時の回転数）のデータを用いて算出された予測対象と比較対象の間の測定回転数の過去、現在、未来の関連度を示したものであり、図中、縦軸は関連度であり、完全に一致した関連度の場合に１を示し、横軸は時間であり、２０１が現在のデータの関連度であり、２０２がそれ以前の過去のデータの関連度であり、２０４が未来のデータの関連度である。２０３は、現在のデータの関連度から１５％低下した関連度を持つ未来のデータが生じる未来の時期を示す。図２からわかるように、データの関連度は、現在から未来に進むに従って低下する傾向を有し、未来のデータの関連度が現在のデータの関連度から特定レベル以上低下すると、許容できない重大な故障や顕著な性能低下を生じる可能性が高まる。従って、この現在のデータの関連度からの未来のデータの関連度の低下レベルを問題が生じないか又は問題が少ないレベルに予め設定し、この低下レベルを生じる未来の時期を示すことによって、扇風機の未来の適切なメンテナンス時期を現時点で正確に示すことができる。このように未来の時期を示す場合の現在のデータの関連度からの未来のデータの関連度の低下レベルは１％以上、さらには２％以上、さらには３％以上、さらには４％以上、さらには５％以上、さらには６％以上、さらには７％以上、さらには８％以上、さらには９％以上、さらには１０％以上、さらには１２％以上、さらには１５％以上、さらには２０％以上に設定することができる。例えば、低下レベルを１５％以上に設定すると、２０３が示す未来の時期が扇風機の未来の適切なメンテナンス時期であるとアドバイスすることができる。 FIG. 2 shows the past, present, and future of the measured rotational speed between the prediction target and the comparison target calculated using the data of the physical characteristic values (the rotational speed at the maximum wind setting) of the electric motor of the electric fan of FIG. In the figure, the vertical axis is the relevance level, 1 is shown when the relevance level is completely matched, the horizontal axis is time, and 201 is the relevance level of the current data. Yes, 202 is the degree of relevance of the past data, and 204 is the degree of relevance of the future data. Reference numeral 203 denotes a future time when future data having a relevance level that is 15% lower than the relevance level of the current data is generated. As can be seen from FIG. 2, the relevance of data has a tendency to decrease as it progresses from the present to the future, and if the relevance of the future data decreases by more than a certain level from the relevance of the current data, it is unacceptably significant. There is an increased likelihood of failure and significant performance degradation. Therefore, by setting the lowering level of the relevance level of the future data from the relevance level of the current data to a level where there is no problem or less problem and indicating the future time when the lowering level occurs, It is possible to accurately indicate the appropriate maintenance time in the future. In this way, when the future time is indicated, the level of decrease in the relevance level of the future data from the relevance level of the current data is 1% or higher, 2% or higher, 3% or higher, 4% or higher, Furthermore, 5% or more, further 6% or more, further 7% or more, further 8% or more, further 9% or more, further 10% or more, further 12% or more, further 15% or more, It can be set to 20% or more. For example, if the lowering level is set to 15% or more, it can be advised that the future time indicated by 203 is the appropriate future maintenance time of the fan.
次に、ある生産ラインに使用されるベルトコンベヤシステムを例にして本発明の方法の上記の（ｉ）の場合を説明する。図３は、ベルトコンベヤシステムの原動機の部分の説明図であり、３０１はコンベヤベルト、３０２はそれを駆動する電気モーター、３０３はシャフトカップリング、３０４はベアリングである。モーター３０２は通常２４時間動作し、常に一定の負荷で動作される。図４は、図３の原動機のベルトコンベヤシステムにおける配置図であり、４０１，４０２，４０３は全て同一構造のモーターである。各モーターは、電流値（３相）が測定されており、モーターが正常の場合、３相電流値は一定である。 Next, the case (i) of the method of the present invention will be described by taking a belt conveyor system used for a certain production line as an example. FIG. 3 is an explanatory diagram of the motor part of the belt conveyor system, in which 301 is a conveyor belt, 302 is an electric motor that drives the conveyor belt, 303 is a shaft coupling, and 304 is a bearing. The motor 302 normally operates for 24 hours and is always operated with a constant load. FIG. 4 is a layout view of the prime mover belt conveyor system of FIG. 3, and 401, 402, and 403 are all motors having the same structure. Each motor has a current value (three-phase) measured, and when the motor is normal, the three-phase current value is constant.
このベルトコンベヤシステムでは、原動機は、電気モーターであり、予測対象は、図４の４０１の電気モーター、比較対象は、それと同一構造を有する４０２の電気モーターであり、測定される物理的特性値は、電気モーターの３相電流値である。比較対象は、４０２の電気モーターの代わりに４０３の電気モーターであってもよいし、このベルトコンベヤシステムに組み込まれていない同一構造のモーターであってもよい。また、比較対象を４０２と４０３のように複数にしてそれらの測定値の平均値で対応してもよい。 In this belt conveyor system, the prime mover is an electric motor, the prediction object is the electric motor 401 in FIG. 4, the comparison object is the 402 electric motor having the same structure, and the measured physical characteristic value is The three-phase current value of the electric motor. The comparison object may be an electric motor of 403 instead of the electric motor of 402, or may be a motor of the same structure that is not incorporated in the belt conveyor system. Further, a plurality of comparison targets such as 402 and 403 may be used, and the average value of these measured values may be used.
まず予測対象と比較対象の電気モーターに対して一定時間（１０分）毎に電流値データの平均値を取得し、それを一定期間（１日）続ける。一定期間データが蓄積された時点でこれらのデータからグレー絶対関連度を算出し、算出したグレー絶対関連度からデジタルグレー予測モデルを用いて予測対象と比較対象の間で現在のデータの関連度を算出し、さらに未来のデータの関連度を算出する。 First, the average value of the current value data is acquired every predetermined time (10 minutes) for the electric motor to be predicted and the comparison target, and this is continued for a certain period (one day). When the data is accumulated for a certain period of time, the gray absolute relevance is calculated from these data, and the relevance of the current data between the prediction target and the comparison target is calculated from the calculated gray absolute relevance using the digital gray prediction model. Calculate the relevance of future data.
図５は、予測対象の電気モーターの測定電流値の経時的な推移を示すが、５０１の時点まではほぼ一定値を継続してきたが、５０１の時点から微小な電流値上昇が記録された。但し、この上昇はまだ正常範囲内であり、実際に目立った性能低下や故障には至っていない。一方、図６は、予測対象と比較対象の間の測定電流値の過去、現在、未来の関連度を算出してグラフにしたものである。図６中、６０１は現在の関連度であり、６０２はそれより５％低下した未来の関連度である。この５％は、故障や性能低下が顕著になる将来の時点を示すものとして予め設定したレベルである。実際に６０２の時点でベルトコンベヤシステムを検査したところ、予測対象の電気モーターの固定子巻線の絶縁が少し低下しており、そのため出力を維持するために電流値が少し高くなり、固定子巻線の温度も上昇していることが判明した。そのまま放置すると、火災等の重大事故につながる可能性があったが、その前に電気モーターの巻線の絶縁回復処理を行い、そのような事態になるのを防ぐことができた。 FIG. 5 shows the time-dependent transition of the measured current value of the electric motor to be predicted. The constant current value was maintained until the time point 501, but a slight current value increase was recorded from the time point 501. However, this increase is still within the normal range, and no actual noticeable performance degradation or failure has occurred. On the other hand, FIG. 6 is a graph obtained by calculating past, present, and future relevance levels of measured current values between a prediction target and a comparison target. In FIG. 6, 601 is the current relevance level, and 602 is the future relevance level 5% lower than that. This 5% is a level set in advance as indicating a future time point at which a failure or performance degradation becomes remarkable. In fact, when the belt conveyor system was inspected at the time of 602, the insulation of the stator winding of the electric motor to be predicted was slightly lowered, so that the current value was slightly increased to maintain the output, and the stator winding It was found that the temperature of the wire was also rising. If left as it was, there was a possibility of causing a serious accident such as a fire, but before that, we performed insulation recovery processing of the windings of the electric motor to prevent such a situation.
次に、船舶に使用されるディーゼルエンジン駆動システムを例にして本発明の方法の上記（ｉｉ）の場合を説明する。図７は、ディーゼルエンジン駆動システムの説明図であり、７０１はディーゼルエンジン、７０２はベアリング、７０３はギアボックス、７０４はプロペラである。船舶は、ディーゼルエンジン７０１を出力として駆動系を経てプロペラ７０４を回転させて推進する。 Next, the case (ii) of the method of the present invention will be described by taking a diesel engine drive system used for a ship as an example. FIG. 7 is an explanatory diagram of a diesel engine drive system, in which 701 is a diesel engine, 702 is a bearing, 703 is a gear box, and 704 is a propeller. The marine vessel is propelled by rotating the propeller 704 through the drive system with the diesel engine 701 as an output.
このシステムでは、原動機は、ディーゼルエンジンであり、予測対象はこのシステム自身であり、別の比較対象のシステムはない。測定される物理的特性値は、ディーゼルエンジンに連結された軸にあるベアリング７０２の加速度値の振幅である。正常時では、図８に示すように、加速度値は、ｘｙ方向に同じ振幅であり、かつ一定の範囲内で動いているが、異常時には図９に示すように振幅が大きくずれる。 In this system, the prime mover is a diesel engine, the prediction target is the system itself, and there is no other comparison target system. The measured physical property value is the amplitude of the acceleration value of the bearing 702 on the shaft connected to the diesel engine. In normal times, as shown in FIG. 8, the acceleration values have the same amplitude in the xy direction and move within a certain range. However, when abnormal, the amplitudes deviate greatly as shown in FIG.
まず一定速度推進時の予測対象の船舶のベアリングの加速度振幅値のデータを毎日測定してデータの平均値を取得し、それを一定期間（３０日）続ける。一定期間が蓄積された時点でこれらのデータからグレー絶対関連度を算出し、算出したグレー絶対関連度からデジタルグレー予測モデルを用いて予測対象の過去（最も古い３０日前）の加速度振幅値と現在（測定最終日）の加速度振幅値との間で現在のデータの関連度を算出し、さらに未来のデータの関連度を算出する。 First, the data of the acceleration amplitude value of the bearing of the ship to be predicted at the time of constant speed propulsion is measured every day to obtain the average value of the data, and this is continued for a certain period (30 days). When a certain period is accumulated, the gray absolute relevance is calculated from these data, and the acceleration amplitude value of the past (the oldest 30 days ago) of the prediction target using the digital gray prediction model from the calculated gray absolute relevance and the current The relevance level of the current data is calculated with respect to the acceleration amplitude value of (measurement last day), and the relevance level of future data is further calculated.
図１０は、予測対象のベアリングの加速度振幅値の経時的な推移を示すが、１００１の時点まではほぼ一定値を継続してきたが、１００１の時点から明らかな加速度振幅値の上昇が記録された。但し、この上昇はまだ正常範囲内であり、実際に目立った性能低下や故障には至っていない。一方、図１１は、予測対象の加速度振幅値について過去と現在の間の関連度を算出し、さらに未来の関連度を算出して現在から未来にわたって関連度をグラフにしたものである。図１１中、１１０１は現在の関連度、１１０２はそれより１０％低下した未来の関連度である。この１０％は、故障や性能低下が顕著になる将来の時点を示すものとして予め設定したレベルである。実際に１１０２の時点でディーゼルエンジン駆動システムを検査したところ、ベアリングの球の摩耗が一部に見受けられ、軸受の負担が少し増大していることが判明した。その後、船舶の計画保守時にベアリングを交換することによって加速度値の振幅は正常に戻り、重大な故障や使用不能に至るのを免れた。 FIG. 10 shows the time-dependent transition of the acceleration amplitude value of the bearing to be predicted, which has remained almost constant until the time point 1001, but a clear increase in the acceleration amplitude value was recorded from the time point 1001. . However, this increase is still within the normal range, and no actual noticeable performance degradation or failure has occurred. On the other hand, FIG. 11 is a graph in which the degree of association between the past and the present is calculated for the acceleration amplitude value to be predicted, the degree of association in the future is calculated, and the degree of association from the present to the future is graphed. In FIG. 11, 1101 is the current relevance level, and 1102 is the future relevance level that is 10% lower than that. This 10% is a level set in advance as indicating a future time point at which a failure or performance degradation becomes remarkable. When the diesel engine drive system was actually inspected at 1102, it was found that the wear of the ball of the bearing was partially observed and the load on the bearing was slightly increased. Later, when the bearings were replaced during planned maintenance of the ship, the amplitude of the acceleration value returned to normal, thus avoiding a serious failure or inability to use.
本発明の方法は、原動機で動作する装置又は機械システムにおいて未来の重度の故障や著しい性能低下の前に適切なメンテナンス時期を個別にアドバイスすることができるので、これらのシステムの効率的な使用、保守及び運用が可能である。 The method of the present invention can individually advise the appropriate maintenance time before a future serious failure or significant performance degradation in the machine or mechanical system operating on the prime mover, so that the efficient use of these systems, Maintenance and operation are possible.
１０１ 予測対象
１０２ 比較対象
２０１ 現在の関連度
２０２ 過去の関連度
２０３ 現在の関連度より１５％低下した未来の時期
２０４ 未来の関連度
３０１ コンベヤベルト
３０２ 電気モーター
３０３ シャフトカップリング
３０４ ベアリング
４０１ 電気モーター
４０２ 電気モーター
４０３ 電気モーター
５０１ 電流値上昇が記録された時点
６０１ 現在の関連度
６０２ 現在の関連度より５％低下した未来の時期
７０１ ディーゼルエンジン
７０２ ベアリング
７０３ ギアボックス
７０４ プロペラ
１００１ 加速度振幅値の上昇が記録された時点
１１０１ 現在の関連度
１１０２ 現在の関連度より１０％低下した未来の時期
101 Prediction object 102 Comparison object 201 Current relevance 202 Past relevance 203 Future time of 15% lower than current relevance 204 Future relevance 301 Conveyor belt 302 Electric motor 303 Shaft coupling 304 Bearing 401 Electric motor 402 Electric motor 403 Electric motor 501 Time when current value increase is recorded 601 Current relevance 602 Future time 701 when 5% lower than current relevance 701 Diesel engine 702 Bearing 703 Gear box 704 Propeller 1001 Increase in acceleration amplitude value is recorded 1101 Current relevance 1102 Future period 10% lower than current relevance
即ち、本発明は、以下の（１）〜（２）の構成を有するものである。
（１）原動機によって動作される装置又は機械システムにおいて原動機又は原動機に直接的もしくは間接的に連結された部分の性能低下が生じる未来の時期を予測する方法であって、予測対象の装置又は機械システムの原動機又は原動機に直接的もしくは間接的に連結された部分の物理的特性値のデータを過去から現在の特定期間にわたって取得し、これらの取得したデータからグレー絶対関連度を算出し、算出したグレー絶対関連度からデジタルグレー予測モデルを用いて予測対象の過去のデータと現在のデータの間で現在のデータの関連度を算出し、さらに未来のデータの関連度を算出し、予測対象において過去のデータとの間で現在のデータの関連度から特定レベル以上低下した未来のデータの関連度が生じる未来の時期を示すことを特徴とする方法。
（２）現在から一定期間先の未来までにおいて特定レベル以上低下した未来のデータの関連度を持つ予測対象を示し、必要により前記予測対象を画面表示、電子メール通信、または警告音で知らせることを特徴とする（１）に記載の方法。
That is, the present invention has the following configurations (1) to ( 2 ).
( 1 ) A method for predicting a future time when the performance of a portion directly or indirectly connected to a prime mover or a prime mover in a device or mechanical system operated by a prime mover is predicted, and the prediction target device or mechanical system Data of the physical characteristics of the prime mover or parts directly or indirectly connected to the prime mover over the specified period from the past, and the gray absolute relevance is calculated from these acquired data, and the calculated gray Calculate the relevance of the current data between the past data of the prediction target and the current data using the digital gray prediction model from the absolute relevance, and further calculate the relevance of the future data. Indicate the future time when the degree of relevance of the future data that falls below a certain level from the degree of relevance of the current data with the data will occur Wherein.
( 2 ) A prediction target having a degree of relevance of future data that has fallen more than a specific level from the present to the future ahead for a certain period of time is indicated, and if necessary, the prediction target is notified by screen display, e-mail communication, or warning sound. The method according to ( 1 ), which is characterized.
Claims (4)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2016036968A JP2017156811A (en) | 2016-02-29 | 2016-02-29 | Method for predicting timing of performance reduction of device or machine system to be operated by motor |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2016036968A JP2017156811A (en) | 2016-02-29 | 2016-02-29 | Method for predicting timing of performance reduction of device or machine system to be operated by motor |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2017156811A true JP2017156811A (en) | 2017-09-07 |
Family
ID=59809685
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2016036968A Pending JP2017156811A (en) | 2016-02-29 | 2016-02-29 | Method for predicting timing of performance reduction of device or machine system to be operated by motor |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2017156811A (en) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019095822A (en) * | 2017-11-17 | 2019-06-20 | 株式会社日立製作所 | Parameter setting method, data analysis device, data analysis system, and program |
| CN111626360A (en) * | 2020-05-28 | 2020-09-04 | 新智数字科技有限公司 | Method, device, equipment and storage medium for detecting fault type of boiler |
| CN111929579A (en) * | 2020-09-22 | 2020-11-13 | 北京京能能源技术研究有限责任公司 | Generator online fault diagnosis method and device and computer device |
| CN112462734A (en) * | 2020-11-03 | 2021-03-09 | 贵州江南航天信息网络通信有限公司 | Industrial production equipment fault prediction analysis method and model |
| CN113281024A (en) * | 2021-05-13 | 2021-08-20 | 广西防城港核电有限公司 | Off-line detection method for hydraulic jigger of steam turbine |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011145846A (en) * | 2010-01-14 | 2011-07-28 | Hitachi Ltd | Anomaly detection method, anomaly detection system and anomaly detection program |
| JP2015088154A (en) * | 2014-02-10 | 2015-05-07 | 株式会社日立パワーソリューションズ | Health management system and method |
| JP5736530B1 (en) * | 2015-02-17 | 2015-06-17 | オーナンバ株式会社 | A method of predicting the future current value or the amount of power generation decline of a photovoltaic power generation system |
-
2016
- 2016-02-29 JP JP2016036968A patent/JP2017156811A/en active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011145846A (en) * | 2010-01-14 | 2011-07-28 | Hitachi Ltd | Anomaly detection method, anomaly detection system and anomaly detection program |
| JP2015088154A (en) * | 2014-02-10 | 2015-05-07 | 株式会社日立パワーソリューションズ | Health management system and method |
| JP5736530B1 (en) * | 2015-02-17 | 2015-06-17 | オーナンバ株式会社 | A method of predicting the future current value or the amount of power generation decline of a photovoltaic power generation system |
Non-Patent Citations (1)
| Title |
|---|
| 森田 博信 HIRONOBU MORITA: "Ｇｒｅｙ Ｓｙｓｔｅｍ理論を用いた長期需要想定 Long Term Load Forecasting Using Grey System Theory", 電気学会論文誌Ｂ ＶＯＬ．１１３−Ｂ ＮＯ．１２ THE TRANSACTIONS OF THE INSTITUTE OF ELECTRICAL EN, vol. 第113-B巻, JPN6016031450, 28 December 1993 (1993-12-28), JP, pages 1431 - 1438, ISSN: 0003380194 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019095822A (en) * | 2017-11-17 | 2019-06-20 | 株式会社日立製作所 | Parameter setting method, data analysis device, data analysis system, and program |
| US11115288B2 (en) | 2017-11-17 | 2021-09-07 | Hitachi, Ltd. | Parameter setting method, data analysis device and data analysis system |
| CN111626360A (en) * | 2020-05-28 | 2020-09-04 | 新智数字科技有限公司 | Method, device, equipment and storage medium for detecting fault type of boiler |
| CN111626360B (en) * | 2020-05-28 | 2023-11-17 | 新奥新智科技有限公司 | Method, apparatus, device and storage medium for detecting boiler fault type |
| CN111929579A (en) * | 2020-09-22 | 2020-11-13 | 北京京能能源技术研究有限责任公司 | Generator online fault diagnosis method and device and computer device |
| CN111929579B (en) * | 2020-09-22 | 2021-02-09 | 北京京能能源技术研究有限责任公司 | Generator online fault diagnosis method and device and computer device |
| CN112462734A (en) * | 2020-11-03 | 2021-03-09 | 贵州江南航天信息网络通信有限公司 | Industrial production equipment fault prediction analysis method and model |
| CN112462734B (en) * | 2020-11-03 | 2022-06-17 | 贵州江南航天信息网络通信有限公司 | Industrial production equipment fault prediction analysis method and model |
| CN113281024A (en) * | 2021-05-13 | 2021-08-20 | 广西防城港核电有限公司 | Off-line detection method for hydraulic jigger of steam turbine |
| CN113281024B (en) * | 2021-05-13 | 2022-09-02 | 广西防城港核电有限公司 | Off-line detection method for hydraulic jigger of steam turbine |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Qiao et al. | A survey on wind turbine condition monitoring and fault diagnosis—Part I: Components and subsystems | |
| Amirat et al. | A brief status on condition monitoring and fault diagnosis in wind energy conversion systems | |
| JP2017156811A (en) | Method for predicting timing of performance reduction of device or machine system to be operated by motor | |
| US20210018542A1 (en) | System and method for monitoring an operating condition of an electrical device when in operation | |
| Artigao et al. | In-service wind turbine DFIG diagnosis using current signature analysis | |
| EP3181900B1 (en) | Methods and systems for real-time monitoring of the insulation state of wind-powered generator windings | |
| US20150134189A1 (en) | Systems and methods for remaining useful life predictions in drivetrains | |
| He et al. | Remote monitoring and diagnostics of pitch-bearing defects in an MW-scale wind turbine using pitch symmetrical-component analysis | |
| CN102759449A (en) | Fault diagnosis device for transmission system of wind turbine generator and simulation method | |
| Goyal et al. | Condition monitoring of rotating machines: a review | |
| Carroll et al. | Drivetrain availability in offshore wind turbines | |
| Jun et al. | An overview of condition monitoring and fault diagnostic for wind energy conversion system | |
| Irfan et al. | Development of an intelligent condition monitoring system for AC induction motors using PLC | |
| Dao | Condition monitoring of wind turbines based on cointegration analysis of gearbox and generator temperature data | |
| Tchakoua et al. | New trends and future challenges for wind turbines condition monitoring | |
| Domingues | Industry 4.0 in maintenance: Using condition monitoring in electric machines | |
| CN102025231A (en) | Motor preventive maintenance device and motor preventive maintenance method | |
| Carroll et al. | Availability improvements from condition monitoring systems and performance based maintenance contracts | |
| CN115929569B (en) | Wind turbine generator system variable pitch system fault diagnosis method | |
| CN107218180B (en) | A kind of wind power generating set driving unit fault alarm method based on vibration acceleration measurement | |
| Sahnoun et al. | Modelling of maintenance strategy of offshore wind farms based multi-agent system | |
| Chang et al. | Lifetime prediction for bearings in induction motor | |
| Zhang et al. | Electrical signature analysis based condition monitoring and diagnostics techniques for wind turbines | |
| Kuseyri | Condition monitoring of wind turbines: Challenges and opportunities | |
| EP2448107A2 (en) | Prediction system and method for electric machines fed by an exciter |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20160816 |