JP2019133360A - 保守支援装置 - Google Patents

Abstract

【課題】機器の異常による損失を適切に評価可能な保守支援装置を提供することである。【解決手段】機器から出力されるデータを収集する収集部と、収集部により収集されたデータから、当該データを出力した機器の異常の度合いを示す異常度を出力する異常診断部と、異常診断部によって出力された異常度から、異常な事象の発生に関する確率情報を生成する確率情報生成部と、確率情報生成部によって生成された確率情報から、異常な事象の発生パタンを生成するシナリオ生成部と、シナリオ生成部によって生成された前記発生パタンに基づき、機器の異常をシミュレーションするシミュレーション部と、シミュレーション部によるシミュレーション結果に基づき、機器の異常による損失を評価する評価部と、を備えた。【選択図】図１

Description

本発明の実施形態は、保守支援装置に関する。

ビルやプラントの設備を対象とした異常診断を行うシステムがある。こうしたシステムにおけるセンサ等の機器の異常を自動的に推定する方法がいくつか提案されている。これらの方法の１つとして、統計的なモデルやニューラルネットワークなどを用いた汎用的な機械学習モデルを用いる方法がある。この方法では、正常な状態を学習し、モデルからズレの程度でセンサや機器が異常か否かを判定する。

上記方法は、正常状態からはずれている兆候を検出することに対して有効である。しかし、上記方法では、異常の発生パタンの限定や原因の特定が難しい。そのため、この方法では、シミュレーション評価で異常の発生パタン毎の損失度を評価した上で適正に点検すべき機器やセンサを選定することが困難であった。

特開２０１６−１７７６８２号公報 特許第６２４００５０号公報 ＷＯ２０１７／１３４９０８

本発明が解決しようとする課題は、機器の異常による損失を適切に評価可能な保守支援装置を提供することである。

実施形態の保守支援装置は、収集部と、異常診断部と、確率情報生成部と、シナリオ生成部と、シミュレーション部と、評価部とを持つ。収集部は、機器から出力されるデータを収集する。異常診断部は、前記収集部により収集されたデータから、当該データを出力した機器の異常の度合いを示す異常度を出力する。確率情報生成部は、前記異常診断部によって出力された前記異常度から、異常な事象の発生に関する確率情報を生成する。シナリオ生成部は、前記確率情報生成部によって生成された前記確率情報から、異常な事象の発生パタンを生成する。シミュレーション部は、前記シナリオ生成部によって生成された前記発生パタンに基づき、前記機器の異常をシミュレーションする。評価部は、前記シミュレーション部によるシミュレーション結果に基づき、前記機器の異常による損失を評価する。

実施形態の保守支援装置１００の全体構成例を示す図。 センサの設置例を示す図。 パラメータ記憶部１１０が記憶しているデータの一例を示す図。 損失分布評価部１２０による損失度の表示例を示す図。 損失分布評価部１２０による損失度の表示例を示す図。 保守支援装置１００の処理の流れを示すフローチャート。 モデルキャリブレーション計算を行う場合の保守支援装置１００の全体構成例を示す図。

実施形態の保守支援装置では、機器の異常による損失を適切に評価可能となる。以下、実施形態の保守支援装置を、図面を参照して説明する。

図１は、実施形態の保守支援装置１００の全体構成例を示す図である。実施形態の保守支援装置１００は、機器の一例として空調設備で利用されるセンサを用いている。従って、保守支援装置１００は、空調設備におけるセンサの異常による損失を評価する。

保守支援装置１００は、センサ計測部１０２、センサ群１０４、異常診断部１０６、確率分布生成部１０８、パラメータ記憶部１１０、及びシナリオ生成部１１２を備える。保守支援装置１００は、シミュレーション部１１４、モデル定義記憶部１１６、運用条件記憶部１１８、損失分布評価部１２０、及び計画策定部１２２を備える。

このうち、センサ計測部１０２は、機器から出力されるデータを収集する収集部の一例である。異常診断部１０６は、収集部により収集されたデータから、当該データを出力した機器の異常の度合いを示す異常度を出力する異常診断部の一例である。確率分布生成部１０８は、異常診断部によって出力された前記異常度から、異常な事象の発生に関する確率情報を生成する確率情報生成部の一例である。シナリオ生成部１１２は、確率情報生成部によって生成された前記確率情報から、異常な事象の発生パタンを生成するシナリオ生成部の一例である。シミュレーション部１１４は、シナリオ生成部によって生成された前記発生パタンに基づき、前記機器の異常をシミュレーションするシミュレーション部の一例である。損失分布評価部１２０は、シミュレーション部によるシミュレーション結果に基づき、前記機器の異常による損失を評価する評価部の一例である。

センサ群１０４は、センサ群１〜センサ群Ｎの複数のセンサ群で構成される。本実施形態において、センサ群１〜センサ群Ｎの各々のセンサ群は、１つのセンサではなく、複数のセンサで構成されるユニットである。また、センサ群１〜センサ群Ｎは、それぞれ同種類の複数センサから構成されるセンサユニットである。

センサ群を構成する主なセンサとして、温度センサ、湿度センサ、流量センサ、及び差圧センサ等が挙げられる。こうした各種センサは、空調設備における、冷水温度、給気温度、室内温度、室内湿度、さらにはＣＯ２濃度、外気温度、外気湿度、冷水還温度、冷水流量、ポンプ回転数、ファン回転数等を検知する。

これらセンサ群を構成する各センサの設置例について説明する。図２は、外気を屋内に給気する機器である外調機周辺の設置例を示している。また、センサとして、温度センサ、湿度センサ、流量センサ、及び差圧センサが示されている。図２において、温度センサは「Ｔ」で示されている。湿度センサは「Ｈ」で示されている。流量センサは「Ｆ」で示されている。差圧センサは「Ｐ」で示されている。

図２において、外気に対するセンサとして、温度センサ及び湿度センサが設けられている。また、冷水、温水、冷却水に対するセンサとして、温度センサ及び流量センサが設けられている。さらに、外調機からの給気に対するセンサとして、温度センサが設けられている。これらの他にも屋内等に各種センサが設けられている。このように、一つの外調機を制御するために複数の異なる種類のセンサが設置されており、さらに通常のビルでは複数の同種の機器（本例では外調機）を備えているため、同じ種類のセンサから構成されるセンサ群が複数存在するのが普通である。センサの異常が発生した場合には、機器の制御系全体の振る舞いに影響を及ぼし比較的大きな損失が発生することが考えられる。センサの異常を早期に発見し損失を適切に評価可能であれば、損失を抑制することが可能となるが、このように多くのセンサが設けられている状態でセンサの異常が発生した場合には他のセンサの計測値にも影響を与えるため異常の早期発見も損失評価も難しい。

図１において、センサ群１〜センサ群Ｎが出力したデータは、センサ計測部１０２に出力される。センサ計測部１０２は、センサ群１〜センサ群Ｎが出力したデータを収集し、センサごとに一意に割り当てられた種別ＩＤと紐付けて異常診断部１０６に出力する。

異常診断部１０６は、センサ計測部１０２から出力されたデータから、異常度を確率分布生成部１０８に出力する。異常診断部１０６が診断する対象は、例えば消費電力や空調設備周りのセンサの定常的なズレ発生（ドリフト異常）、フィルタ目詰まりなどによる空調設備の性能変動等である。本実施形態では、センサのドリフト異常を例に説明する。また、本実施形態では、ドリフト量は正規分布に従って分布するものとする。

異常診断部１０６は、予めセンサ群１〜センサ群Ｎが正常時に出力したデータから正常状態の挙動モデルを学習する。異常診断部１０６は、正常状態の学習結果に基づき、センサ群１〜センサ群Ｎが出力したデータの変動を検知して、センサ群１〜センサ群Ｎごとに性能劣化や異常を診断する。異常診断部１０６は、診断結果として、異常度を出力する。この異常度は、異常の程度に応じて０以上の値をとる。異常度は、その値が大きいほど、センサ群の異常の程度が大きいことを示す。

本実施形態における異常診断部１０６は、正常時のデータを用いてブラックボックスモデルによる同定を行い、そこからの変動の度合いを異常度として出力する。なお、設備に対する異常診断方法としては、ニューラルネットワークやワンクラスＳＶＭなど様々な公知手法が提案されている。本実施形態の異常診断部１０６は、異常度を出力できればよいため、上記公知手法など他の方法を用いて異常度を出力するようにしてもよい。

確率分布生成部１０８は、異常診断部１０６から出力された異常度から、パラメータ記憶部１１０を参照して、確率情報として確率密度関数を生成する。生成された確率密度関数は、シナリオ生成部１１２に出力される。上述したように、正規分布に従ってドリフト量が分布することから、本実施形態では正規分布の確率密度関数が生成される。パラメータ記憶部１１０は、正規分布の確率密度関数を生成するためのパラメータとして、平均値と分散をセンサごとに記憶している。

図３は、パラメータ記憶部１１０が記憶しているデータの一例を示す図である。「種別ＩＤ」は、上述した各センサ群を構成するそれぞれのセンサの種類と設置位置を示す識別子である。例えば、図２の外調機の例であれば、５つの温度センサ、３つの流量センサ、湿度センサからなる計９つの種別ＩＤが存在する。「異常度」は、異常診断部１０６が出力した異常度である。「平均値」は、センサのドリフト平均値である。「分散」は、センサのドリフト分散である。図３に示されるように、異常度が大きい場合には、ドリフト量の絶対値と分散とが大きくなるように設定されている。センサの種類や設置場所に応じて異常度と確率分布の変動の間の関係が異なるため、種別ＩＤ毎に個別に定義を行う。また、同じ種類のセンサから構成されるセンサ群が複数存在する場合は、各センサ群に対して同じパラメータデータを使用する場合も、センサ群毎に異なるパラメータデータを使用する場合も、いずれの場合もあり得る。

確率分布生成部１０８は、異常診断部１０６から出力された異常度とセンサの種別ＩＤに対応する平均値と分散とをパラメータ記憶部１１０から取得する。確率分布生成部１０８は、確率密度関数における平均値と分散に、取得した平均値と分散とをセットすることで確率密度関数を生成する。例えば、異常診断部１０６から異常度として０．３、種別ＩＤとして１が出力された場合、確率分布生成部１０８は、平均値を０とし、分散を０．５とした確率密度関数を生成する。

確率分布生成部１０８は、上述したように、異常診断部１０６から出力された異常度に応じて確率密度関数を生成する。また、異常診断部１０６は、現在取得されたセンサのデータから異常度を出力する。従って、確率分布生成部１０８が生成する確率密度関数は、現在のセンサの状態が反映されたものである。よって、保守支援装置１００は、より正確に機器の異常による損失を評価可能となる。

シナリオ生成部１１２は、確率分布生成部１０８から出力された確率密度関数に基づき、ドリフト異常の発生パタンを複数回生成する。ここで、ドリフト異常の発生パタンとは、前記確率分布生成部１０８の生成した確率密度関数に従い決定した、各センサの具体的なドリフト値に対応する。シナリオ生成部１１２は、生成したドリフト異常の発生パタンをシミュレーション部１１４に出力する。

シミュレーション部１１４は、モンテカルロシミュレーションを行う。また、モデル定義記憶部１１６は、空調設備の物理モデル定義情報を記憶する。物理モデル定義情報には、例えば設備の性能係数などが含まれる。運用条件記憶部１１８は、変動しないシミュレーション条件を記憶する。シミュレーション条件は、例えば、設備を午前８時から午後６時まで気温２８度で運用するなど、運用に関する条件である。

シミュレーション部１１４は、シナリオ生成部１１２から出力されたドリフト異常の発生パタンを取得する。次いで、シミュレーション部１１４は、物理モデル定義情報及びシミュレーション条件を取得する。シミュレーション部１１４は、ドリフト異常の発生パタン、物理モデル定義情報、及びシミュレーション条件に基づき、モンテカルロシミュレーションを行う。シミュレーション部１１４は、モンテカルロシミュレーションの結果を集計して損失分布評価部１２０に出力する。

損失分布評価部１２０は、シミュレーション部１１４から出力された結果から、エネルギーロス、経済損失、快適性指標（ＰＭＶ）の低下などの損失度を定量的に算出する。損失分布評価部１２０は、算出した損失度を計画策定部１２２に出力する。計画策定部１２２は、計画策定部１２２から出力された損失度をディスプレイ等の表示部に表示する。また、計画策定部１２２は、利用者が保守点検計画案を設定または変更することが可能である。計画策定部１２２は、利用者が変更したドリフト異常の発生パタンを用いて、シミュレーション部１１４によって再度モンテカルロシミュレーションを行うことが可能である。この場合、損失分布評価部１２０は、再び損失度を算出し、算出された損失度は計画策定部１２２によって表示される。これにより、センサ群１〜センサ群Ｎのうち、優先的に点検対象となるセンサ群が選定され、また各センサ群の点検や保全時期が決定されることで、保守点検計画が策定される。

図４、図５は、損失分布評価部１２０による損失度の表示例を示す図である。図４、図５のいずれも２つのセンサ群Ａ、Ｂについてモンテカルロシミュレーションを行った結果を示している。図４、図５のいずれも、縦軸は損失度としてエネルギー損失（円）を示し、横軸は不快度を示している。不快度には、ＰＶＭの絶対値が用いられている。

図４は、センサ群Ａをセンサ群Ｂより先に点検した場合（以下、「シナリオ１」ともいう）のモンテカルロシミュレーションを１０回行った結果を示している。図５は、センサ群Ｂをセンサ群Ａより先に点検した場合（以下、「シナリオ２」ともいう）のモンテカルロシミュレーションを１０回行った結果を示している。なお、シナリオ１、シナリオ２の場合のいずれも、点検した際にドリフト異常があった場合には、そのドリフト異常は補正される。すなわち、図４には先に点検されたセンサのドリフト異常が補正された状態でのモンテカルロシミュレーションを行った結果が示されている。

シナリオ１、シナリオ２のモンテカルロシミュレーションを行った結果を比較すると、エネルギー費用損失の平均、及び最悪の損失のいずれもシナリオ２の方がシナリオ１より良好である。また、不快度の平均、及び最悪の不快度のいずれもシナリオ２の方がシナリオ１より良好である。従って、計画策定部１２２は、シナリオ２を点検計画案の候補として最も損失が少ないものとして選択する。計画策定部１２２は、点検計画案の候補を自動的に生成し、予め定められた評価基準のもとで行ったモンテカルロシミュレーションの結果に基づき多目的最適化するようにしてもよい。

上述した保守支援装置１００の処理の流れをフローチャートを用いて説明する。図６は、保守支援装置１００の処理の流れを示すフローチャートである。まず、センサ計測部１０２は、センサ群１〜センサ群Ｎが出力したデータを収集し、センサごとに一意に割り当てられた種別ＩＤと紐付けて異常診断部１０６に出力する（ステップＳ１０１）。異常診断部１０６は、センサ計測部１０２から出力されたデータから、異常度を確率分布生成部１０８に出力する（ステップＳ１０２）。確率分布生成部１０８は、異常診断部１０６から出力された異常度から、パラメータ記憶部１１０を参照して、確率密度関数を生成する（ステップＳ１０３）。

シナリオ生成部１１２は、確率分布生成部１０８から出力された確率密度関数に基づき、ドリフト異常の発生パタンを複数回生成する（ステップＳ１０４）。シミュレーション部１１４は、モンテカルロシミュレーションを行う（ステップＳ１０５）。損失分布評価部１２０は、シミュレーション部１１４から出力された結果から、エネルギーロス、経済損失、快適性指標の低下などの損失度を定量的に算出する（ステップＳ１０６）。

計画策定部１２２は、計画策定部１２２から出力された損失度をディスプレイ等の表示部に表示する。また上述したように、計画策定部１２２は、利用者が変更したドリフト異常の発生パタンを用いて、シミュレーション部１１４によって再度モンテカルロシミュレーションを行うことで、計画を策定する（ステップＳ１０７）。

以上説明した実施形態において、モデルキャリブレーション計算を行うようにしてもよい。モデルキャリブレーション計算を行う場合の保守支援装置１００の構成を図７に示す。キャリブレーション計算部１２４は、センサ１〜センサＮが出力し、センサ計測部１０２が収集したデータが入力される。キャリブレーション計算部１２４は、後述する内部パラメータの確率分布を逐次推定する。キャリブレーション計算部１２４は、推定した内部パラメータの確率分布をシミュレーション部１１４に出力する。

図６のフローチャートを用いて説明すると、キャリブレーション計算部１２４は、ステップＳ１０４の前に、センサが出力したデータから、シミュレーション部１１４の内部パラメータの確率分布を推定する。シミュレーション部１１４は、推定された確率分布に従い各内部パラメータを変動させる。これと同時に、シミュレーション部１１４は、異常パタンの発生確率分布に従い異常の発生パタンを生成させ、モンテカルロシミュレーションを行う。

上記内部パラメータとは、保守支援装置１００において数値演算を行う際に数値モデルの一部として使用する値（固定された係数）であり、診断対象の設備や機器から直接計測することができない値である。例えば、ビルの空調設備などをシミュレーション対象とする場合は、壁の断熱性能、空調機器の投入したエネルギーに対する冷暖房効率（ＣＯＰ）、 各部屋における人の想定発熱量などが推定対象パラメータの一つになり得る。確率分布生成部１０８は、パーティクルフィルタやマルコフ連鎖モンテカルロ法などの公知の方法を利用することにより、これらのパラメータのもっとも尤度の高い確率分布を推定する。シナリオ生成部１１２は、確率分布生成部１０８により推定された確率密度関数に基づき、ドリフト異常の発生パタンを複数回生成する。シミュレーション部１１４は、シナリオ生成部１１２から出力されたドリフト異常の発生パタン、及び、前記キャリブレーション計算部１２４の推定した内部パラメータの確率分布を用いてモンテカルロシミュレーションを行う。

以上説明した実施形態では、正規分布に従ってドリフト量が分布するため、確率情報として正規分布の確率密度関数が生成されたが、正規分布に限るものではない。確率情報として、機器から出力されるデータの確率分布に応じた確率密度関数を生成してもよい。また、各センサが他のセンサの影響を受けて異常が発生するなど、異常の発生について何らかの相関関係にある場合には、共分散行列を定義するようにしてもよい。ここで定義されるパラメータは、機器から出力されたデータが所定量蓄積するごとに更新されるようにしてもよい。

以上述べた実施形態の保守支援装置によれば、機器の異常による損失を適切に評価可能となる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１００…保守支援装置、１０２…センサ計測部、１０４…センサ、１０６…異常診断部、１０８…確率分布生成部、１１０…パラメータ記憶部、１１２…シナリオ生成部、１１４…シミュレーション部、１１６…モデル定義記憶部、１１８…運用条件記憶部、１２０…損失分布評価部、１２２…計画策定部

Claims (4)

1. 機器から出力されるデータを収集する収集部と、
   前記収集部により収集されたデータから、当該データを出力した機器の異常の度合いを示す異常度を出力する異常診断部と、
   前記異常診断部によって出力された前記異常度から、異常な事象の発生に関する確率情報を生成する確率情報生成部と、
   前記確率情報生成部によって生成された前記確率情報から、異常な事象の発生パタンを生成するシナリオ生成部と、
   前記シナリオ生成部によって生成された前記発生パタンに基づき、前記機器の異常をシミュレーションするシミュレーション部と、
   前記シミュレーション部によるシミュレーション結果に基づき、前記機器の異常による損失を評価する評価部と、
   を備えた保守支援装置。
2. 前記収集部により収集されたデータから、前記シミュレーション部がシミュレーションする際に用いる所定の係数の確率分布を推定する推定部を備え、
   前記シミュレーション部は、前記推定部によって推定された確率分布に従って変動させた前記所定の係数と、前記発生パタンに基づき、前記機器の異常をシミュレーションする請求項１に記載の保守支援装置。
3. 前記シナリオ生成部は、前記発生パタンを複数生成し、
   前記シミュレーション部は、複数生成された前記発生パタンごとに前記機器の異常をシミュレーションし、
   前記評価部は、前記シミュレーション部によるシミュレーション結果に基づき、複数生成された前記発生パタンごとに損失を評価し、
   前記評価部によって評価された損失のうち、最も損失が少ないものを選択する選択部を備えた請求項１または請求項２に記載の保守支援装置。
4. 前記機器はセンサである請求項１から請求項３のいずれか１項に記載の保守支援装置。

Images