JP2022546771A - ユーティリティシステム資産の効率的なｒｕｌ解析を促進するための無関係フィルタの使用 - Google Patents

ユーティリティシステム資産の効率的なｒｕｌ解析を促進するための無関係フィルタの使用 Download PDF

Info

Publication number
JP2022546771A
JP2022546771A JP2022514593A JP2022514593A JP2022546771A JP 2022546771 A JP2022546771 A JP 2022546771A JP 2022514593 A JP2022514593 A JP 2022514593A JP 2022514593 A JP2022514593 A JP 2022514593A JP 2022546771 A JP2022546771 A JP 2022546771A
Authority
JP
Japan
Prior art keywords
utility system
sprt
rul
alarms
assets
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
JP2022514593A
Other languages
English (en)
Other versions
JPWO2021045835A5 (ja
Inventor
ウェザービー，エドワード・アール
グロス，ケニー・シィ
Original Assignee
オラクル・インターナショナル・コーポレイション
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 オラクル・インターナショナル・コーポレイション filed Critical オラクル・インターナショナル・コーポレイション
Publication of JP2022546771A publication Critical patent/JP2022546771A/ja
Publication of JPWO2021045835A5 publication Critical patent/JPWO2021045835A5/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)

Abstract

動作中、システムは、ユーティリティシステム資産内のセンサから収集された時系列信号を受信する。次に、システムは、推論モデルを使用して時系列信号の推定値を生成し、実際の値と時系列信号の推定値とのペアワイズ差分演算を実行して残差を生成する。次に、システムは、残差に対して逐次確率比検定(ＳＰＲＴ)を実行してＳＰＲＴアラームを生成する。次に、システムは、無関係フィルタをＳＰＲＴアラームに適用してフィルタリングされたＳＰＲＴアラームを生成し、無関係フィルタは、類似のユーティリティシステム資産の以前の故障と相関しない信号に対するＳＰＲＴアラームを除去する。次に、システムは、ロジスティック回帰モデルを使用してフィルタリングされたＳＰＲＴアラームに基づいてユーティリティシステム資産のＲＵＬベースのリスク指標を計算する。リスク指標が閾値を超えるとき、システムは、ユーティリティシステム資産を交換する必要があることを示す通知を生成する。

Description

分野
開示される実施形態は、概して、電気的なユーティリティシステムの信頼性を改善するための技術に関する。より具体的には、開示される実施形態は、無関係フィルタを使用して、効率的な残存耐用年数（ＲＵＬ: Remaining Useful Life）分析を促進し、現場におけるユーティリティシステム資産の信頼性を向上させる技術に関する。
関連技術
電力変圧器などのユーティリティシステム資産は、発電施設から配電網内の消費者への中断のない電力送達を確実にするために重要である。発電所が故障する場合はいつでも、通常、消費者の需要を満たすために、配電網を通して交換電力を引き出すことができるので、配電網は、一般的に、発電資産の損失に関して「耐障害性」である。対照的に、電力変圧器の故障は、一般的に「停電」につながり、これは、少数のブロックを含む小さいエリア内の消費者に影響を及ぼす可能性があり、また、場合によっては、複数の平方マイルを含む大きいサービス領域全体にわたる消費者に影響を及ぼす可能性がある。また、単一の変圧器の故障は、潜在的に、非常に大きな電圧スパイクを配電網全体に伝搬させる可能性があり、これは、他の変圧器を故障させる可能性があり、数百平方マイルに影響が及ぶ大規模な地域的停電につながる可能性がある。変圧器爆発はまた、火災を引き起こす可能性があり、これは、かなりの資産の損傷、および命の損失をもたらす可能性がある。したがって、電力変圧器が故障する前に劣化した変圧器を特定するために、可能な限り、電力変圧器の運用の健全性を監視することができることが望ましい。
電力変圧器監視のための現在の技術水準は、溶存ガス分析（ＤＧＡ： Dissolved Gas Analysis）である。ＤＧＡは、変圧器巻線を浸すことに使用されるオイル内の溶解炭化水素ガスの存在を検出することによって動作する。炭化水素ガスを発生させるほど変圧器内の部品が高温になると、変圧器内の熱関連問題を表す。ＤＧＡの問題は、変圧器からオイルのサンプルを定期的に抽出し、炭化水素ガスの存在を検出するための化学分析が必要であることである。このプロセスは、時間がかかり、かつ高価であり、これは、ＤＧＡがたとえば年に１回などの低頻度で実行されることを意味する。さらに、ＤＧＡは、炭化水素ガスを「ベークアウト」するのに十分なホットスポットを生じさせる問題が発生した後に、問題の下流の症状を検出するので、本質的に「反応性」であって「予測」ではない。
いくつかの研究者は、電力変圧器によって生成される時系列のセンサ信号を分析する予測監視技術を使用して、電力変圧器の残存耐用年数（ＲＵＬ）を決定する可能性を調査している。（たとえば、参照として本明細書に組み込まれる２０１９年３月７日に出願された発明者Kenny C. Grossらによる「Estimating THE Remaining Useful Life of ａ Power Transformer based on Real-Time Sensor Data and Periodic Dissolved GAS Analyses」という名称の米国特許出願第１６／２９５，６１３号を参照されたい）。しかしながら、これらの予測監視技術のために対処される必要がある１つの課題は、ユーティリティシステム資産が低頻度でしか故障しない傾向があることである。これは、センサ信号の異常なパターンが、切迫した故障を示すもであるのか、または、単に、切迫した故障とは関連しないセンサ信号の新しいパターンであるのかを決定するために、十分な故障履歴データが存在しない可能性があることを意味する。この故障履歴データの欠如は、予測監視技術が、高い頻度の誤ったアラームを生成する可能性が高く、不必要な保守作業の原因となり、ユーティリティシステム資産が時期尚早に交換される原因となり得ることを意味する。
したがって、必要とされるのは、既存の技術の上述の欠点なしに、ユーティリティシステム資産の運用の健全性および残存耐用年数を評価するための技術である。
概要
開示された実施形態は、ユーティリティシステム資産の残存耐用年数（ＲＵＬ）を推定するシステムを提供する。監視モード中、システムは、以下の動作を反復して実行する。
第１に、システムは、ユーティリティシステム資産内のセンサから収集された現在の時系列信号のセットを受信する。次に、システムは、推論モデルを使用して現在の時系列信号のセットの推定値を生成し、実際の値と現在の時系列信号のセットの推定値との間のペアワイズ差分演算を実行して、残差を生成する。次に、システムは、残差に対して逐次確率比検定（ＳＰＲＴ： Sequential Probability Ratio Test）を実行してＳＰＲＴアラームを生成する。次に、システムは、ＳＰＲＴアラームに無関係フィルタを適用してフィルタリングされたＳＰＲＴアラームを生成し、無関係フィルタは、類似のユーティリティシステム資産の以前の故障と相関しない信号に対するＳＰＲＴアラームを除去する。システムは、ロジスティック回帰モデルを使用してフィルタリングされたＳＰＲＴアラームに基づいてユーティリティシステム資産のＲＵＬベースのリスク指標を計算する。最後に、リスク指標がリスク指標閾値を超えるとき、システムは、ユーティリティシステム資産を交換する必要があることを示す通知を生成する。
いくつかの実施形態では、システムは、故障した追加のユーティリティシステム資産からの時系列信号に基づいてロジスティック回帰モデルおよび無関係フィルタを定期的に更新する。
いくつかの実施形態では、計算作業負荷を低減するために、ＲＵＬベースの指標は、先行する時間間隔中に閾値の数を超えるフィルタリングされたＳＰＲＴアラームが生成されたときのみ、ユーティリティシステム資産について計算される。
いくつかの実施形態では、監視モードに先行する推論トレーニングモード中に、システムは、通常の故障なしの動作中にユーティリティシステム資産内のセンサから収集された時系列信号の推論トレーニングセットを受信する。次に、システムは、推論トレーニングセットに基づいて時系列信号の値を予測するために推論モデルをトレーニングする。
いくつかの実施形態では、監視モードに先行するＲＵＬトレーニングモード中に、システムは、類似のユーティリティシステム資産が故障するまで稼働している間に、類似のユーティリティシステム資産内のセンサから収集された時系列信号を含むＲＵＬトレーニングセットを受信する。システムは、また、類似のユーティリティシステム資産に関する関連する故障時間を受信する。次に、システムは、推論モデルを使用して時系列信号のＲＵＬトレーニングセットの推定値を生成する。次に、システムは、時系列信号のＲＵＬトレーニングセットの実際の値と推定値との間のペアワイズ差分演算を実行して残差を生成する。次に、システムは、残差に対してＳＰＲＴを実行して関連するトリッピング周波数を有するＳＰＲＴアラームを生成する。最後に、システムは、ＳＰＲＴアラームのトリッピング周波数と類似のユーティリティシステム資産の故障時間との間の相関関係に基づいてユーティリティシステム資産のＲＵＬを予測するためにロジスティック回帰モデルをトレーニングする。
いくつかの実施形態では、ＲＵＬトレーニングモード中に、システムは、また、無関係フィルタを構成する。このプロセス中、システムは、ユーティリティシステム資産が故障する前の時間間隔中に生成された関連するＳＰＲＴアラームを識別し、かつ、無関係フィルタを構成して関連しないＳＰＲＴアラームを除去する。
いくつかの実施形態では、ユーティリティシステム資産のＲＵＬを予測するためにロジスティック回帰モデルをトレーニング中に、システムは、関連するＳＰＲＴアラームに紐付くＳＰＲＴアラームのトリッピング周波数のみを考慮する。
いくつかの実施形態では、ユーティリティシステム資産内のセンサから収集された時系列信号は、温度、電流、電圧、抵抗、キャパシタンス、振動、溶存ガス測定基準、冷却システムパラメータ、および制御信号のうちの１つまたは複数を指定する信号を含む。
いくつかの実施形態では、推論モデルは、多変量状態推定技術（ＭＳＥＴ： Multivariate State Estimation Technique）モデルを含む。
いくつかの実施形態では、ユーティリティシステム資産は電力変圧器を備える。
開示される実施形態によるユーティリティシステム資産のための例示的な予測監視システムを示す図である。 開示される実施形態によるユーティリティシステム資産のＲＵＬを推定するプロセスのフローチャートである。 開示される実施形態によるユーティリティシステム資産のための推論モデルをトレーニングするためのプロセスを示すフローチャートである。 開示される実施形態による、ロジスティック回帰モデルをトレーニングしてユーティリティシステム資産のＲＵＬを予測し、関連する無関係フィルタを構成するためのプロセスを示すフローチャートである。
詳細な説明
以下の説明は、あらゆる当業者が本実施形態を作製および使用することを可能にするために提示され、特定の用途およびその要件との関連において提供される。開示された実施形態に対する様々な修正は、当業者には容易に明らかであり、本明細書で定義された一般的な原理は、本実施形態の精神および範囲から逸脱することなく他の実施形態および用途に適用され得る。したがって、本実施形態は、示される実施形態に限定されず、本明細書で開示される原理および特徴と整合する最も広い範囲を与えられるべきである。
この詳細な説明で説明されるデータ構造およびコードは、典型的には、コンピュータシステムによって使用されるためのコードおよび／またはデータを記憶することができる任意のデバイスまたは媒体であり得る、コンピュータ可読記憶媒体上に記憶される。コンピュータ可読記憶媒体は、揮発性メモリ、不揮発性メモリ、磁気および光学記憶デバイス（ディスクドライブ、磁気テープ、ＣＤ（コンパクトディスク）、ＤＶＤ（デジタル多用途ディスクまたはデジタルビデオディスク）など）、または現在知られているか、もしくは後に開発されるコンピュータ可読媒体を格納することが可能な他の媒体を含み得るが、これらに限定されない。
詳細な説明の節で説明される方法およびプロセスは、コードおよび／またはデータとして具現化され得、これらは、上述のようにコンピュータ可読記憶媒体に記憶され得る。コンピュータシステムが、コンピュータ可読記憶媒体に記憶されたコードおよび／またはデータを読み取り、および実行するとき、コンピュータシステムは、データ構造およびコードとして具現化され、コンピュータ可読記憶媒体内に記憶された方法およびプロセスを実行する。さらに、以下で説明される方法およびプロセスは、ハードウェアモジュールに含まれ得る。たとえば、ハードウェアモジュールは、特定用途向け集積回路（ＡＳＩＣ）チップ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、および現在知られる、または後に開発される他のプログラマブルロジックデバイスを含み得るが、これらに限定されない。ハードウェアモジュールが起動されると、ハードウェアモジュールは、ハードウェアモジュール内に含まれる方法およびプロセスを実行する。
概要
開示される実施形態は、ヒト脳の基底核の機能性を模倣し、特に高電圧変圧器などの大きな集合のハイコストのユーティリティグリッド資産のためにＲＵＬ予測判定の改善を促進する、新規の「無関係フィルタ」を利用する。現在、多くの産業は、自然の最良のアイデアを分析し、かつそれらを工学的ユースケースに適合させる「生物模倣」と呼ばれる新しい科学から恩恵を受けている。本明細書に開示される発明は、生体模倣の例を提供する。
ヒトの脳に対してＭＲＩ研究を行うスウェーデンの研究者らは、基底核が、ヒトの記憶および認知において重要な役割を果たす「無関係フィルタ」として作用することを発見した。もし人間の脳が感覚を通じて入ってくる全ての入力を処理して記憶しようと試みれば、脳は圧倒されるだろう。基底核は、不要な情報を除外し、それによって、たとえば、食物の獲得、危険の回避、種の繁殖、そして、基本的なニーズが満たされることの保証などの種の生存に寄与する記憶を形成するために不可欠な詳細のみを残す。最良の記憶を有するヒトは、高度に活性な基底核を有することが示されている。
この基底核パラダイムは、特定のタイプのエンジニアリング関連タスクを促進するために有用であり得る。たとえば、研究者らは、保守作業のスケジューリングを容易にするために、ユーティリティシステム資産内のセンサから取得された時系列信号の監視に基づく機械学習（ＭＬ：Machine Learning）を使用する可能性を探索し始めている。ＭＬパターン認識技術は、資産が障害なしで動作していると見なされるときに生成されるセンサ信号を使用して訓練することができ、さらに、その資産の異常信号パターンを検出するために使用することができ、これは、異常信号パターンの根底にある原因を修正する予測保守をスケジュールするために使用することができることが実証されている。
潜在的な問題についての早期警告を含むアラームを資産オペレータが受信することは極めて有益であることに留意されたい。これは、異常信号の根本原因を迅速に診断するために、資産をできるだけ早くサービスから外すことを可能にする。しかしながら、大きな集合の類似の資産が存在するとき、より有益なものは、破壊的故障の確率が臨界閾値（たとえば、故障の確率が９５％）に到達する前に、その資産が安全に動作することができるであろう時間の推定を提供する、ＲＵＬ推定である。たとえば、ユーティリティグリッド内の２つの変圧器は、両方とも早期警告アラームを発することができる。しかしながら、もしサービス組織が、第１の変圧器が２ヶ月のＲＵＬ推定値を有するが、第２の変圧器が次の７２時間で故障する可能性が高いことを知っている場合、第２の変圧器に対する緊急修復動作をスケジュールし、第１の変圧器を修復するために「便利な保守ウィンドウ」を待つことがより有益である。
しかしながら、頻繁には故障しない高コストかつ高信頼性のユーティリティ資産については、既存のＲＵＬ推定技術は、少数の資産だけしか運転中に実際に故障しないため、うまく機能しない場合がある。これは、ＭＬ技術が資産の障害と相関する異常信号パターンを検出できるために十分なトレーニングデータが存在しない場合があることを意味する。たとえば、所与の資産は、資産上で以前には見られなかった異常な時系列信号パターンを生成する場合があり、これは、結果としてアラームを生成するであろう。しかしながら、そのような異常なパターンは、同一のパターンが、数年間、事故なしに動作した他の健全な資産において以前に見られていた場合、「無関係」と見なされ得る。これは、多くの予測監視アラームが誤ったアラームとなることを意味している。たとえば、時系列信号の異常な（しかし無害な）パターンは、比較的新しい資産、温度変動が大きい環境で動作する資産、または、（たとえば、人口の変化またはユーティリティグリッドの再構成からの）電気フローの大きな変動を有する環境で動作する資産と紐付けられる。そのようなアラームは、個々の資産の時系列データの新しいパターンによって引き起こされ得るが、健全予測上の重要性を有さない場合がある。
したがって、必要とされるのは、故障まで実行されたユーティリティシステム資産のための時系列信号を処理し、関連するＲＵＬ方法論のための最適な重み付け係数を生成する「無関係フィルタ」である。これは、ヒトの脳のための基底核「フィルタ」の機能性に類似し、これは、５つの主要な感覚と紐付けられる神経「信号」の大きいストリームを受信し、危険、生存、または種の繁殖機会に直接的に関連するパターンをヒトに定期的に「アラート」することに留意されたい。
我々の新しいＭＬベースの技術は、データヒストリアンファイルを処理することによって動作する。より具体的には、高電圧変圧器などのユーティリティシステム資産の集合が監視されるとき、時系列テレメトリ信号は、データヒストリアンファイルに連続的に記憶され、監視される資産ごとに１つの（論理的）データヒストリアンファイルが存在する。これらのデータヒストリアンファイルは、連続的に「収集」され（たとえば、１～１５分単位で）、大規模データベースに追加され得、そこで、傾向、異常、環境の問題、および他の初期問題を発見するために処理される。
我々の異常発見プロセスは、「逐次確率比検定」（ＳＰＲＴ: Sequential Probability Ratio Test）と呼ばれる系統的バイナリ仮説技術を、大量の時系列信号のための無関係フィルタとして使用し、異常検出を容易にするためにさらなるパターン認識分析を保証する時系列信号の小さなサブセットを識別する。したがって、我々の新しい技術は、ＲＵＬ分析動作が、初期故障状態に紐付けられる可能性が高い「関連する」シグネチャパターンについてのみ実行されるように、個々のユーティリティシステム資産のために生成された異常アラームを系統的かつ安全にフィルタリングすることによって、ＲＵＬ分析コストを実質的に低減する。
我々の新しいＲＵＬ推定技術の動作をさらに説明する前に、我々はまず、新しい技術が動作する例示的な予測監視システムを説明する。
予測監視システム
図１は、開示される実施形態による例示的な予測監視システム１００を示す。図１に示すように、予測監視システム１００は、電力変圧器などのユーティリティシステム資産１０２内のセンサから取得された時系列センサ信号１０４のセットに対して動作する。時系列信号１０４は、ユーティリティシステム資産１０２内の構成要素に位置し得る任意のタイプのセンサ、たとえば、電圧センサ、電流センサ、圧力センサ、回転速度センサ、および振動センサに由来し得ることに留意されたい。これらの時系列センサ信号を
Figure 2022546771000002
と表し、ここで
Figure 2022546771000003
は時間ｔにおける時系列センサ信号の値である。
予測監視システム１００の動作中、時系列信号１０４は、その後の分析のために時系列信号１０４を記憶する時系列データベース１０６に供給される。次に、時系列信号１０４は、ユーティリティシステム資産１０２から直接、または時系列データベース１０６から非線形ノンパラメトリック（ＮＬＮＰ：Non-Linear, Non-Parametric）回帰モデル１０８に供給される。時系列センサ信号１０４を受信すると、ＮＬＮＰ回帰モデル１０８は、（「現在のサンプル」を含む）サンプルに対して非線形ノンパラメトリック回帰分析を実行する。分析が完了すると、ＮＬＮＰ回帰モデル１０８は推定信号値１１０を出力する。
本発明の一実施形態では、ＮＬＮＰ回帰モデル１０８は、多変量状態推定技術（ＭＳＥＴ：Multivariate State Estimation Technique）を使用して回帰分析を実行する。本明細書で使用されるＭＳＥＴという用語は、パターン認識技術のクラスを大まかに表す技術を指すことに留意されたい。（たとえば、［Gribok］"Use of Kernel Based Techniques For Sensor Validation in Nuclear Power Plants," by Andrei V. Gribok, J. Wesley Hines, and Robert E. Uhrig, THE Third American Nuclear Society International Topical Meeting on Nuclear PLANT Instrumentation and Control and Human-Machine Interface Technologies， Washington DC， November 13-17， 2000を参照されたい。）したがって、本明細書で使用される「ＭＳＥＴ」という用語は、［Gribok］で言及される任意の概要技術を指すことができ、これには、通常最小二乗法（OLS: Ordinary Least Squares）、サポートベクターマシン（SVM: Support Vector Machines）、人工ニューラルネットワーク（ANNs: Artificial Neural Networks）、ＭＳＥＴ、または標準化ＭＳＥＴ（RMSET: Regularized MSET）が含まれる。パターン認識目的のためにＭＳＥＴを使用することは有利であるが、開示される実施形態は、概して、ニューラルネットワーク、サポートベクターマシン（SVM）、自動関連付けカーネル回帰（AAKR: auto-associative kernel regression）、および単純線形回帰（LR: Linear Regression）さえも含む、非線形ノンパラメトリック（NLNP）回帰と呼ばれる、汎用クラスのパターン認識技術のうちのいずれか１つを使用することができる。
システムを監視するためにＭＳＥＴが使用される前に、モデルが構築され、モデルからシステムの正しい動作状態の推定が行われる。モデルは、予想される正常動作条件下での実際のシステム上でのトレーニング段階中に行われた観察から経験的に導出される。信号間の関係は、訓練段階中に学習され、これらの関係は、システム状態の推定値を計算するためにアルゴリズムの監視段階において使用される。
システム状態の観察は、長さｎのベクトル
Figure 2022546771000004
によって表され、ここでｎはシステム内の信号の数である。状態ベクトル要素は線形独立である必要はないが、要素値間には、ある程度の相関（必ずしも線形ではない）が存在しなければならない。
トレーニング段階中に収集された状態ベクトルは、ｍ個の列ベクトルを有する状態行列に配置され、各列ベクトルは、トレーニング段階中の特定の時点におけるすべての信号の値を記憶する長さｎの状態ベクトルである。ＭＳＥＴ監視フェーズ中に生成される推定値の品質は、ｍ個の状態ベクトルのサブセットがトレーニングフェーズ中に観察されるシステムの予想される挙動をどの程度良好に表すかに依存する。
より形式的には、状態ベクトル
Figure 2022546771000005
は以下のように定義される。
Figure 2022546771000006
ここで、
Figure 2022546771000007
は時間
Figure 2022546771000008
における信号
Figure 2022546771000009
からの測定値である。次いで、状態行列
Figure 2022546771000010
は、
Figure 2022546771000011
として定義することができる。
ＭＳＥＴがその監視段階における劣化についてシステムを監視しているとき、状態行列
Figure 2022546771000012
は、信号値が推定されるシステムの固定モデルとして作用する。さしあたり、信号測定値が線形相関現象を表すと仮定する。そして、
Figure 2022546771000013
がシステムの動作空間に十分に及ぶと仮定して、状態行列
Figure 2022546771000014
に記憶された列ベクトルの線形結合として状態ベクトルを表すことができる。推定状態ベクトル
Figure 2022546771000015
と実際の状態ベクトル
Figure 2022546771000016
との間のユークリッドノルムを最小化すると、以下の
Figure 2022546771000017
の線形最適推定が得られる。
Figure 2022546771000018
しかしながら、現実のシステムは、ほとんど線形ではない。（最も重要なことは、推定状態ベクトルを、現在の状態ベクトルと学習状態ベクトルの履歴との両方の関数として表現する概念である）式１中の線形アプローチの形式を、非線形のシステムへと拡張することが望ましい。式１中の一般形式に固着することは、
Figure 2022546771000019
に新たな状態ベクトルを追加することでモデルを拡張できるという観点からも魅力的である。これらの利益を念頭に置いて、線形行列演算子のいくつかを非線形行列演算子
Figure 2022546771000020
で置き換えながら、線形推定方程式の形式を維持することができる。
Figure 2022546771000021
式２で与えられる
Figure 2022546771000022
の値は、観測
Figure 2022546771000023
のためのＭＳＥＴ推定と称される。非線形演算子
Figure 2022546771000024
は、以下の特性を保存しなければならない。
１．行列
Figure 2022546771000025
は、非特異的でなければならない。
２.推定ベクトル
Figure 2022546771000026
は、
Figure 2022546771000027
のいくつかの要素が
Figure 2022546771000028
（すなわち、観測された信号値がトレーニング段階中に観測された信号の最小値よりも小さいかまたは最大値よりも大きいときである）の同じ要素の範囲外にあっても最適な推定を表わさなければならない。
３.観測ベクトル
Figure 2022546771000029
が
Figure 2022546771000030
の列ベクトルの１つと同一である場合、推定ベクトル
Figure 2022546771000031
は
Figure 2022546771000032
と同一でなければならない。
４.
Figure 2022546771000033
と
Figure 2022546771000034
との差は最小限に抑えなければならない。
これらの条件を満たす非線形演算子が存在し、実際のシステムを監視することに成功していることが示されている。
図１に戻り、ＮＬＮＰ回帰モデル１０８は、時系列信号１０４間の相関パターンを学習するために「訓練される」。この訓練プロセスは、異常を含まない蓄積データを用いてオフラインで実行される、１回の計算集中的な計算を含む。次いで、パターン認識システムは、「リアルタイム監視モード」に置かれ、訓練されたＮＬＮＰ回帰モデル１０８は、他の相関変数に基づいて、各信号が何であるべきかを予測する。これが図１に示す「推定信号値」１１０である。次に、システムは、差分モジュール１１２を使用して、実際の信号値と推定された信号値との間のペアワイズ差分演算を実行して、ＳＰＲＴモジュール１１６に渡される残差１１４を生成する。ＭＳＥＴ回帰分析を使用する本発明の実施形態では、残差は、以下の式を使用して計算することができる。
Figure 2022546771000035
次いで、ＳＰＲＴモジュール１１６は、異常を検出し、できる限りＳＰＲＴアラーム１１８を生成するため、残差１１４に対して「検出動作」を実行する。ＳＰＲＴモジュールは、Ｗａｌｄによって提案された逐次確率比検定（ＳＰＲＴ）を使用して、可能な限り最も早い時に定常的なノイズの多い観測シーケンスにおける微妙な統計的変化を検出する。(Wald,Abraham,June 1945，"Sequential Tests of Statistical Hypotheses, "Annals of Mathematical Statistics,16(2)：117-186を参照されたい。）ＳＰＲＴの詳細を明らかにする目的で、監視されるプロセス信号
Figure 2022546771000036
は、通常、平均ゼロおよび標準偏差σ（非ゼロ平均μを有するプロセスは、各観察から
Figure 2022546771000037
を減算することによってゼロ平均プロセスに変換することができる）で分布すると仮定する。プロセス信号
Figure 2022546771000038
は、
Figure 2022546771000039
に対して行われた観察が、平均ゼロではなく正規（ガウス）分布を有する平均
Figure 2022546771000040
に関して分布しているように見える場合、劣化していると言われ、ここで、
Figure 2022546771000041
は所定のシステム外乱の大きさである。
ＳＰＲＴは、信号劣化のこの概念に関連する２つの仮説の間で決定するための定量的フレームワークを提供する。
（１）
Figure 2022546771000042
：
Figure 2022546771000043
の観察は、平均ゼロおよび標準偏差σを有する正規分布から引き出される。および
（２）
Figure 2022546771000044
：
Figure 2022546771000045
の観察は、平均
Figure 2022546771000046
および標準偏差σを有する正規分布から引かれる。
Figure 2022546771000047
または
Figure 2022546771000048
が真である場合、それぞれ確率（１－α）または（１－β）で
Figure 2022546771000049
または
Figure 2022546771000050
を決定することを望み、ここでαおよびβは誤り識別確率（したがって、０≦α、β≦１である）を表すと仮定する。言い換えれば、αは、
Figure 2022546771000051
が真であるときに
Figure 2022546771000052
を受け入れる確率である誤りアラーム確率であり、βは、
Figure 2022546771000053
が真であるときに
Figure 2022546771000054
を受け入れる確率である欠落アラーム確率である。
Figure 2022546771000055
は、
Figure 2022546771000056
が真であると仮定してシーケンス
Figure 2022546771000057
を観測する確率であるとして、尤度比
Figure 2022546771000058
は、
Figure 2022546771000059
のｎ個の観測
Figure 2022546771000060
を
Figure 2022546771000061
とした後に計算することができる。尤度比の自然対数をとり、独立した観測が
Figure 2022546771000062
を生成すると仮定する。サンプリング
Figure 2022546771000063
は
Figure 2022546771000064
である限り継続するというＷａｌｄの理論は、ここで、ＡおよびＢは誤り誤識別確率αおよびβに関連する許容閾値である。
Figure 2022546771000065
我々は
Figure 2022546771000066
になるとサンプリング
Figure 2022546771000067
をすぐに停止して
Figure 2022546771000068
を決定し、我々は
Figure 2022546771000069
になるとサンプリングをすぐに停止して
Figure 2022546771000070
を決定する。システムを連続的に監視するために、ＳＰＲＴアルゴリズムは、決定がなされるとすぐにそれ自体をリセットすることに留意されたい。たとえば、もし尤度比が閾値Ａを超え、プロセス信号がその時点で劣化していないことを示す場合、次のサンプルは、観察の新しいシーケンスにおいて第１のサンプル（式３によるｎ＝１）として扱われる。
Figure 2022546771000071
の観測値
Figure 2022546771000072
が正常に分布していると仮定すると、（式３）に関して特にコンパクトな式が得られる。
Figure 2022546771000073
Ｗａｌｄの逐次分析に続いて、ＳＰＲＴに基づく決定試験が最適な特性を有することが示されている。すなわち、所与の確率αおよびβについて、少なくともＳＰＲＴと同じくらい低いエラー確率または予想されるリスクを有し、長さ平均サンプリング時間が短い他の手順は存在しない。ＳＰＲＴが定常ガウスランダムプロセスを監視するために人気があるのは、この特性および式（２）の固有の単純さのためである。
なお、上記のＳＰＲＴはパラメトリック試験であり、確率密度関数と関連するパラメータとは、ＳＰＲＴを適用する前に知られていなければならないことを意味している。式４は、プロセス信号
Figure 2022546771000074
の正規分布観測について導出される。他の分布（たとえば、指数関数的、ポアソン、二項）の式を導出することもできる。しかしながら、実際のコンピューティングシステムでは、以下を仮定するのが困難であり得る。
１.プロセス信号の分布は予め分かっている。
２.プロセス信号の分布は経時的に変化しない。
３.分布のパラメータは経時的に変化しない。
ノンパラメトリック逐次検出試験が存在するが、それらの背後にある数学は、パラメトリックＳＰＲＴについて上に提示されるものよりもかなり複雑である。アプリオリ分布が既知であっても、第３の仮定は、多くの場合、実際のコンピューティングシステムにおいて違反される。名目上定常的なガウスランダムプロセスは、刺激からの影響に応じて、新しい動作レジメ（異なる平均値または異なるより高い瞬間によって特徴付けられる）に入り得る。コンピューティングシステムを実行する際、たとえば、突然の作業負荷の変化は、監視される電圧または電流信号がその公称値において上向きまたは下向きのステップ変化を有することを引き起こし得る。観察結果はもはや元の
Figure 2022546771000075
仮説に適合する分布から引き出されているようには見えないので、ＳＰＲＴはそのようなステップ変化を劣化信号として認識する。
図１を参照すると、ＮＬＮＰ回帰モデル１０８および差分モジュール１１２は、システムが良好な状態にあるとき、残差
Figure 2022546771000076
が定常ランダムプロセスであるように、信号
Figure 2022546771000077
におけるダイナミクスを除去（フィルタリング）するように協働する。システムが故障メカニズムにより老化または劣化すると、残差の統計的特性が変化する。この変化は、対応するＳＰＲＴアラーム１１８を生成するＳＰＲＴモジュール１１６によって検出される。
動作中、ＳＰＲＴモジュール１１６は、逐次確率比検定を残差に適用し、１つまたはいくつかの残差がシステムの未劣化状態に対応する残差と統計的に異なったときにアラームを生成する。
ＳＰＲＴアラーム１１８は、次いで、フィルタリングされたＳＰＲＴアラーム１２４を生成するために、類似のユーティリティシステム資産の以前の故障と相関しない信号のためにＳＰＲＴアラームを除去する、無関係フィルタ１２０を通して送られる。フィルタリングされたＳＰＲＴアラーム１２４は、ロジスティック回帰モデル１２６に供給され、ロジスティック回帰モデルは、ＲＵＬ推定１２８を生成し、ＲＵＬ推定１２８は、以下でより詳細に説明するように、「定量的リスク指標」として表すことができる。
ＲＵＬ推定１２８を計算しながら、ロジスティック回帰モデル１２６は、フィルタリングされたＳＰＲＴアラーム１２４に各インスタンスのアラームを記録し、これらのインスタンスを使用して現在のアラームのトリッピング周波数を決定する。劣化が進行するにつれて、フィルタリングされたアラームのトリッピング周波数が増加する。我々は、これらのアラームのトリッピング周波数を
Figure 2022546771000078
と表し、ここで、
Figure 2022546771000079
は、時間ｔにおける予測パラメータの値である。したがって、時間ｔにおいて、
Figure 2022546771000080
である。
次いで、ロジスティック回帰モデル１２６は、以下のようにユーティリティシステム資産１０２のＲＵＬを計算する。我々は、現在のＳＰＲＴアラームのトリッピング周波数Ｆによって決定された現在の条件を仮定して、次のＴ時間以内にシステムＳが故障する確率をｐ（Ｔ，Ｆ）と表す。ｐと現在の条件Ｆとの間の関係は、線形ロジスティック回帰モデルを使用してモデル化される。
Figure 2022546771000081
であり、
Figure 2022546771000082
および
Figure 2022546771000083
は、システムの履歴故障データまたは実験故障データから推定される。トリッピング周波数は、この計算を簡略化するために０と１との間の値を有するように正規化されることに留意されたい。
ＲＵＬ推定技術
図２は、開示される実施形態によるユーティリティシステム資産のＲＵＬを推定するプロセスのフローチャートを示す。監視モード中、システムは、以下の動作を反復して実行する。まず、システムは、ユーティリティシステム資産内のセンサから収集された現在の時系列信号のセットを受信する（ステップ２０２）。次に、システムは、推論モデルを使用して現在の時系列信号のセットの推定値を生成し（ステップ２０４）、また、実際の値と現在の時系列信号のセットのための推定値との間のペアワイズ差分演算を実行して残差を生成する（ステップ２０６）。次いで、システムは、残差に対して逐次確率比検定（ＳＰＲＴ）を実行してＳＰＲＴアラームを生成する（ステップ２０８）。次に、システムは、ＳＰＲＴアラームに無関係フィルタを適用してフィルタリングされたＳＰＲＴアラームを生成し、無関係フィルタは、類似のユーティリティシステム資産の以前の故障と相関しない信号に対するＳＰＲＴアラームを除去する（ステップ２１０）。次いで、システムは、ロジスティック回帰モデルを使用してフィルタリングされたＳＰＲＴアラームのトリッピング周波数に基づいて、ユーティリティシステム資産のためのＲＵＬベースのリスク指標を計算する（ステップ２１２）。リスク指標がリスク指標閾値を超える場合、システムは、ユーティリティシステム資産を交換する必要があることを示す通知を生成する（ステップ２１４）。最後に、システムは、故障した追加のユーティリティシステム資産からの時系列信号に基づいてロジスティック回帰モデルおよび無関係フィルタを定期的に更新する（ステップ２１６）。
図３は、開示される実施形態による推論モデルをトレーニングするためのプロセスを示すフローチャートである。監視モードに先行する推論トレーニングモード中に、システムは、通常の故障なしの動作中にユーティリティシステム資産内のセンサから収集された時系列信号の推論トレーニングセットを受信する（ステップ３０２）。次いで、システムは、推論モデルをトレーニングして、推論トレーニングセットに基づいて時系列信号の値を予測する（ステップ３０４）。
図４は、開示される実施形態による、ロジスティック回帰モデルをトレーニングして資産のためのＲＵＬを予測し、関連する無関係フィルタを構成するためのプロセスを示すフローチャートである。監視モードに先行するＲＵＬトレーニングモード中に、システムは、類似のユーティリティシステム資産が故障するまで走っている間に、類似のユーティリティシステム資産内のセンサから収集された時系列信号を含むＲＵＬトレーニングセットを受信する（ステップ４０２）。システムはまた、類似のユーティリティシステム資産に関する故障時間を受信する（ステップ４０４）。（どのユーティリティシステム資産が類似しているかを決定するためのプロセスは、資産を自動的にクラスタ化して、資産のメーカ／モデルのリストから、または内部センサの数およびタイプに基づいて経験的に、「同様のメーカ／モデル」を含むクラスタを形成することを含むことができることに留意されたい。同様のメーカ／モデルのクラスタは、トランスデューサの異なるバンクおよびセンサの異なる数を有し得るが、ＲＵＬ推定の目的に関連するものは、これらの時系列信号における一般的なパターンであることに留意されたい。）
次に、システムは、推論モデルを使用して時系列信号のＲＵＬトレーニングセットの推定値を生成する（ステップ４０６）。次いで、システムは、実際の値と時系列信号のＲＵＬトレーニングセットの推定値との間のペアワイズ差分演算を実行して残差を生成する（ステップ４０８）。次に、システムは、残差に対してＳＰＲＴを実行して、関連するトリッピング周波数を有するＳＰＲＴアラームを生成する（ステップ４１０）。次いで、システムは、ＳＰＲＴアラームのトリッピング周波数と類似のユーティリティシステム資産の故障時間との間の相関に基づいてユーティリティシステム資産のためのＲＵＬを予測するためにロジスティック回帰モデルをトレーニングする（ステップ４１２）。次に、無関係フィルタを構成するために、システムは、ユーティリティシステム資産が故障する前の時間間隔中に生成された関連するＳＰＲＴアラームを識別し（ステップ４１４）、次いで、無関係フィルタを構成して関連しないＳＰＲＴアラームを除去する（ステップ４１６）。
開示された実施形態に対する様々な修正は、当業者には容易に明らかであり、本明細書で定義された一般的な原理は、本発明の精神および範囲から逸脱することなく他の実施形態および用途に適用され得る。したがって、本発明は、示される実施形態に限定されず、本明細書で開示される原理および特徴に合致する最も広い範囲を与えられるべきである。
実施形態の前述の説明は、例示および説明のみを目的として提示されている。これらは、網羅的であること、または本説明を開示された形態に限定することを意図するものではない。したがって、多くの修正および変形が当業者には明らかであろう。加えて、上記の開示は、本説明を限定することを意図するものではない。本説明の範囲は、添付の特許請求の範囲によって定義される。

Claims (20)

  1. ユーティリティシステム資産の残存耐用年数（ＲＵＬ）を推定するための方法であって、前記方法は、監視モード中に以下の動作を反復的に実行することを含み、前記以下の動作は、
    前記ユーティリティシステム資産内のセンサから収集された現在の時系列信号のセットを受信することと、
    推論モデルを使用して前記現在の時系列信号のセットの推定値を生成することと、
    前記現在の時系列信号のセットの実際の値と前記推定値との間のペアワイズ差分演算を実行して残差を生成することと、
    前記残差に対して逐次確率比検定（ＳＰＲＴ）を実行してＳＰＲＴアラームを生成することと、
    無関係フィルタを前記ＳＰＲＴアラームに適用してフィルタリングされたＳＰＲＴアラームを生成することとを含み、前記無関係フィルタは、類似のユーティリティシステム資産の以前の故障と相関しない信号に対するＳＰＲＴアラームを除去し、前記以下の動作は、
    ロジスティック回帰モデルを使用して前記フィルタリングされたＳＰＲＴアラームに基づいて前記ユーティリティシステム資産のＲＵＬベースのリスク指標を計算することと、
    前記リスク指標がリスク指標閾値を超えるとき、前記ユーティリティシステム資産を交換する必要があることを示す通知を生成することとを含む、方法。
  2. 故障した追加のユーティリティシステム資産からの時系列信号に基づいて前記ロジスティック回帰モデルおよび前記無関係フィルタを定期的に更新することをさらに含む、請求項１に記載の方法。
  3. 計算作業負荷を低減するために、前記ＲＵＬベースの指標は、先行する時間間隔中に閾値の数を超えるフィルタリングされたＳＰＲＴアラームが生成されたときのみ、ユーティリティシステム資産について計算される、請求項１に記載の方法。
  4. 前記監視モードに先行する推論トレーニングモード中に、
    通常の故障なしの動作中に前記ユーティリティシステム資産内のセンサから収集された時系列信号の推論トレーニングセットを受信することと、
    前記推論トレーニングセットに基づいて前記時系列信号の値を予測するために前記推論モデルをトレーニングすることとをさらに含む、請求項１に記載の方法。
  5. 前記監視モードに先行するＲＵＬトレーニングモード中に、
    類似のユーティリティシステム資産が故障するまで稼働している間に、前記類似のユーティリティシステム資産内のセンサから収集された時系列信号を含むＲＵＬトレーニングセットを受信することと、
    前記類似のユーティリティシステム資産に関する関連する故障時間を受信することと、
    前記推論モデルを使用して時系列信号のＲＵＬトレーニングセットの推定値を生成することと、
    時系列信号の前記ＲＵＬトレーニングセットの実際の値と前記推定値との間のペアワイズ差分演算を実行して残差を生成することと、
    前記残差に対してＳＰＲＴを実行して関連するトリッピング周波数を有するＳＰＲＴアラームを生成することと、
    前記ＳＰＲＴアラームのトリッピング周波数と前記類似のユーティリティシステム資産の前記故障時間との間の相関関係に基づいて前記ユーティリティシステム資産のＲＵＬを予測するために前記ロジスティック回帰モデルをトレーニングすることとを含む、請求項１に記載の方法。
  6. 前記方法は、前記ＲＵＬトレーニングモード中に、以下の動作によって前記無関係フィルタを追加的に構成し、前記以下の動作は、
    ユーティリティシステム資産が故障する前の時間間隔中に生成された関連するＳＰＲＴアラームを識別することと、
    前記無関係フィルタを構成して関連しないＳＰＲＴアラームを除去することとを含む、請求項５に記載の方法。
  7. 前記ユーティリティシステム資産の前記ＲＵＬを予測するために前記ロジスティック回帰モデルをトレーニング中に、前記方法は、
    関連するＳＰＲＴアラームに紐付くＳＰＲＴアラームのトリッピング周波数のみを考慮する、請求項６に記載の方法。
  8. 前記ユーティリティシステム資産内のセンサから収集された前記時系列信号は、温度、電流、電圧、抵抗、キャパシタンス、振動、溶存ガス測定基準、冷却システムパラメータおよび制御信号のうちの１つまたは複数を指定する信号を含む、請求項１に記載の方法。
  9. 前記推論モデルは、多変量状態推定技術（ＭＳＥＴ）モデルを含む、請求項１に記載の方法。
  10. 前記ユーティリティシステム資産は、電力変圧器を備える、請求項１に記載の方法。
  11. コンピュータによって実行されたときに、前記コンピュータにユーティリティシステム資産の残存耐用期間（ＲＵＬ）を推定するための方法を実行させる命令を記憶する、非一時的コンピュータ可読記憶媒体であって、前記方法は、監視モード中に以下の動作を反復的に実行することを含み、前記以下の動作は、
    前記ユーティリティシステム資産内のセンサから収集された現在の時系列信号のセットを受信することと、
    推論モデルを使用して前記現在の時系列信号のセットの推定値を生成することと、
    前記現在の時系列信号のセットの実際の値と前記推定値との間のペアワイズ差分演算を実行して残差を生成することと、
    前記残差に対して逐次確率比検定(ＳＰＲＴ)を実行してＳＰＲＴアラームを生成することと、
    無関係フィルタを前記ＳＰＲＴアラームに適用してフィルタリングされたＳＰＲＴアラームを生成することとを含み、前記無関係フィルタは、類似のユーティリティシステム資産の以前の故障と相関しない信号に対するＳＰＲＴアラームを除去し、前記以下の動作は、
    ロジスティック回帰モデルを使用して前記フィルタリングされたＳＰＲＴアラームに基づいて前記ユーティリティシステム資産のＲＵＬベースのリスク指標を計算することと、
    前記リスク指標がリスク指標閾値を超えるとき、前記ユーティリティシステム資産を交換する必要があることを示す通知を生成することとを含む、非一時的コンピュータ可読記憶媒体。
  12. 前記方法は、故障した追加のユーティリティシステム資産からの時系列信号に基づいて前記ロジスティック回帰モデルおよび前記無関係フィルタを定期的に更新することをさらに含む、請求項１１に記載の非一時的コンピュータ可読記憶媒体。
  13. 計算作業負荷を低減するために、前記ＲＵＬベースの指標は、先行する時間間隔中に閾値の数を超えるフィルタリングされたＳＰＲＴアラームが生成されたときのみ、ユーティリティシステム資産について計算される、請求項１１に記載の非一時的コンピュータ可読記憶媒体。
  14. 前記方法は、
    前記監視モードに先行する推論トレーニングモード中に、
    通常の故障なしの動作中に前記ユーティリティシステム資産内のセンサから収集された時系列信号の推論トレーニングセットを受信することと、
    前記推論トレーニングセットに基づいて前記時系列信号の値を予測するために推論モデルをトレーニングすることとを含む、請求項１１に記載の非一時的コンピュータ可読記憶媒体。
  15. 前記方法は、
    前記監視モードに先行するＲＵＬトレーニングモード中に、
    類似のユーティリティシステム資産が故障するまで稼働している間に、前記類似のユーティリティシステム資産内のセンサから収集された時系列信号を含むＲＵＬトレーニングセットを受信することと、
    前記類似のユーティリティシステム資産に関する関連する故障時間を受信することと、
    前記推論モデルを使用して時系列信号の前記ＲＵＬトレーニングセットの推定値を生成することと、
    時系列信号の前記ＲＵＬトレーニングセットの実際の値と前記推定値との間のペアワイズ差分演算を実行して残差を生成することと、
    前記残差に対してＳＰＲＴを実行して関連するトリッピング周波数を有するＳＰＲＴアラームを生成することと、
    前記ＳＰＲＴアラームのトリッピング周波数と前記類似のユーティリティシステム資産の前記故障時間との間の相関関係に基づいて前記ユーティリティシステム資産のＲＵＬを予測するように前記ロジスティック回帰モデルをトレーニングすることとを含む、請求項１１に記載の非一時的コンピュータ可読記憶媒体。
  16. 前記方法は、
    前記ＲＵＬトレーニングモード中に、以下の動作によって前記無関係フィルタを追加的に構成し、前記以下の動作は、
    ユーティリティシステム資産が故障する前の時間間隔中に生成された関連するＳＰＲＴアラームを識別することと、
    前記無関係フィルタを構成して関連しないＳＰＲＴアラームを除去することとを含む、請求項１５に記載の非一時的コンピュータ可読記憶媒体。
  17. 前記方法は、
    前記ユーティリティシステム資産の前記ＲＵＬを予測するために前記ロジスティック回帰モデルをトレーニング中に、
    関連するＳＰＲＴアラームに紐付くＳＰＲＴアラームのトリッピング周波数のみを考慮する、請求項１６に記載の非一時的コンピュータ可読記憶媒体。
  18. ユーティリティシステム資産の残存耐用年数（ＲＵＬ）を推定するシステムであって、
    少なくとも１つのプロセッサおよび少なくとも１つの紐付けられたメモリと、
    前記少なくとも１つのプロセッサ上で実行する通知メカニズムと、を含み、
    前記通知メカニズムは、監視モード中に、
    前記ユーティリティシステム資産内のセンサから収集された現在の時系列信号のセットを受信し、
    推論モデルを使用して前記現在の時系列信号のセットの推定値を生成し、
    前記現在の時系列信号のセットの実際の値と前記推定値との間のペアワイズ差分演算を実行して残差を生成し、
    前記残差に対して逐次確率比検定(ＳＰＲＴ)を実行してＳＰＲＴアラームを生成し、
    無関係フィルタを前記ＳＰＲＴアラームに適用してフィルタリングされたＳＰＲＴアラームを生成し、前記無関係フィルタは、類似のユーティリティシステム資産の以前の故障と相関しない信号に対するＳＰＲＴアラームを除去し、
    ロジスティック回帰モデルを使用して前記フィルタリングされたＳＰＲＴアラームに基づいて前記ユーティリティシステム資産のＲＵＬベースのリスク指標を計算し、
    前記リスク指標がリスク指標閾値を超えるとき、前記ユーティリティシステム資産を交換する必要があることを示す通知を生成する、システム。
  19. 前記監視モードに先行するＲＵＬトレーニングモードの間、
    前記通知メカニズムは、
    類似のユーティリティシステム資産が故障するまで稼働している間に、前記類似のユーティリティシステム資産内のセンサから収集された時系列信号を含むＲＵＬトレーニングセットを受信し、
    前記類似のユーティリティシステム資産に関する関連する故障時間を受信し、
    前記推論モデルを使用して時系列信号の前記ＲＵＬトレーニングセットの推定値を生成し、
    時系列信号の前記ＲＵＬトレーニングセットの実際の値と前記推定値との間のペアワイズ差分演算を実行して残差を生成し、
    前記残差に対してＳＰＲＴを実行して関連するトリッピング周波数を有するＳＰＲＴアラームを生成し、
    前記ＳＰＲＴアラームのトリッピング周波数と前記類似のユーティリティシステム資産の前記故障時間との間の相関に基づいて前記ユーティリティシステム資産のＲＵＬを予測するために前記ロジスティック回帰モデルをトレーニングする、請求項１８に記載のシステム。
  20. 前記ＲＵＬトレーニングモード中に、
    前記通知メカニズムはさらに前記無関係フィルタを構成し、構成プロセス中に、前記通知メカニズムは、
    ユーティリティシステム資産が故障する前の時間間隔中に生成された関連するＳＰＲＴアラームを識別し、
    前記無関係フィルタを構成して関連しないＳＰＲＴアラームを除去する、請求項１９に記載のシステム。
JP2022514593A 2019-09-04 2020-06-25 ユーティリティシステム資産の効率的なｒｕｌ解析を促進するための無関係フィルタの使用 Pending JP2022546771A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/560,629 US11341588B2 (en) 2019-09-04 2019-09-04 Using an irrelevance filter to facilitate efficient RUL analyses for utility system assets
US16/560,629 2019-09-04
PCT/US2020/039630 WO2021045835A1 (en) 2019-09-04 2020-06-25 Using an irrelevance filter to facilitate efficient rul analyses for utility system assets

Publications (2)

Publication Number Publication Date
JP2022546771A true JP2022546771A (ja) 2022-11-08
JPWO2021045835A5 JPWO2021045835A5 (ja) 2023-06-30

Family

ID=71728879

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022514593A Pending JP2022546771A (ja) 2019-09-04 2020-06-25 ユーティリティシステム資産の効率的なｒｕｌ解析を促進するための無関係フィルタの使用

Country Status (5)

Country Link
US (2) US11341588B2 (ja)
EP (1) EP4026024A1 (ja)
JP (1) JP2022546771A (ja)
CN (1) CN114175072A (ja)
WO (1) WO2021045835A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11099219B2 (en) * 2018-03-26 2021-08-24 Oracle International Corporation Estimating the remaining useful life of a power transformer based on real-time sensor data and periodic dissolved gas analyses
US11921848B2 (en) * 2020-11-02 2024-03-05 Oracle International Corporation Characterizing susceptibility of a machine-learning model to follow signal degradation and evaluating possible mitigation strategies
CN114476457B (zh) * 2022-01-21 2023-09-12 四川中烟工业有限责任公司 一种机台辅料智能配送系统及其工作方法

Family Cites Families (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3544251B2 (ja) * 1995-08-03 2004-07-21 高砂熱学工業株式会社 回転機器の軸受部の診断方法、回転機器の軸受部の余寿命推定方法及び回転機器の軸受部の診断システム
JPH10313034A (ja) * 1997-05-12 1998-11-24 Toshiba Corp 電子装置の劣化・寿命診断方法および装置
JP3352411B2 (ja) * 1998-03-05 2002-12-03 株式会社東芝 制御システム、電力系統保護制御システムおよびプログラムを記憶した記憶媒体
JP3400362B2 (ja) * 1998-10-20 2003-04-28 株式会社東芝 電子装置の寿命診断方法及び装置
US7020802B2 (en) 2002-10-17 2006-03-28 Sun Microsystems, Inc. Method and apparatus for monitoring and recording computer system performance parameters
US7281112B1 (en) 2005-02-28 2007-10-09 Sun Microsystems, Inc. Method for storing long-term performance data in a computer system with finite storage space
US7702485B2 (en) 2006-12-06 2010-04-20 Oracle America, Inc. Method and apparatus for predicting remaining useful life for a computer system
US7613576B2 (en) 2007-04-12 2009-11-03 Sun Microsystems, Inc. Using EMI signals to facilitate proactive fault monitoring in computer systems
US7613580B2 (en) 2007-04-12 2009-11-03 Sun Microsystems, Inc. Method and apparatus for generating an EMI fingerprint for a computer system
US7680624B2 (en) * 2007-04-16 2010-03-16 Sun Microsystems, Inc. Method and apparatus for performing a real-time root-cause analysis by analyzing degrading telemetry signals
US8069490B2 (en) 2007-10-16 2011-11-29 Oracle America, Inc. Detecting counterfeit electronic components using EMI telemetric fingerprints
US8055594B2 (en) 2007-11-13 2011-11-08 Oracle America, Inc. Proactive detection of metal whiskers in computer systems
US8457913B2 (en) 2008-06-04 2013-06-04 Oracle America, Inc. Computer system with integrated electromagnetic-interference detectors
US20100023282A1 (en) 2008-07-22 2010-01-28 Sun Microsystem, Inc. Characterizing a computer system using radiating electromagnetic signals monitored through an interface
US7869977B2 (en) 2008-08-08 2011-01-11 Oracle America, Inc. Using multiple antennas to characterize a computer system based on electromagnetic signals
US8255341B2 (en) * 2008-12-19 2012-08-28 Oracle America, Inc. Analyzing a target electromagnetic signal radiating from a computer system
JP4843693B2 (ja) * 2009-03-30 2011-12-21 株式会社東芝 記憶装置
US8275738B2 (en) 2009-05-27 2012-09-25 Oracle America, Inc. Radio frequency microscope for amplifying and analyzing electromagnetic signals by positioning the monitored system at a locus of an ellipsoidal surface
US8543346B2 (en) 2009-05-29 2013-09-24 Oracle America, Inc. Near-isotropic antenna for monitoring electromagnetic signals
CN102072829B (zh) * 2010-11-04 2013-09-04 同济大学 一种面向钢铁连铸设备的故障预测方法及装置
JP6185927B2 (ja) 2011-12-13 2017-08-23 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 電磁的トラッキング補正、検出及びエラー訂正のための歪みフィンガープリンティング
JP5530020B1 (ja) * 2013-11-01 2014-06-25 株式会社日立パワーソリューションズ 異常診断システム及び異常診断方法
US10395032B2 (en) * 2014-10-03 2019-08-27 Nokomis, Inc. Detection of malicious software, firmware, IP cores and circuitry via unintended emissions
US9613523B2 (en) * 2014-12-09 2017-04-04 Unilectric, Llc Integrated hazard risk management and mitigation system
EP3256650B1 (en) * 2015-02-13 2023-06-28 ESCO Group LLC Monitoring ground-engaging products for earth working equipment
JP6706034B2 (ja) * 2015-07-14 2020-06-03 中国電力株式会社 故障予兆シミュレーション装置、故障予兆シミュレーション方法、故障予兆シミュレーションシステム、及びプログラム
US10116675B2 (en) * 2015-12-08 2018-10-30 Vmware, Inc. Methods and systems to detect anomalies in computer system behavior based on log-file sampling
US10859609B2 (en) 2016-07-06 2020-12-08 Power Fingerprinting Inc. Methods and apparatuses for characteristic management with side-channel signature analysis
JP6715740B2 (ja) * 2016-10-13 2020-07-01 株式会社日立製作所 電力系統の潮流監視装置、電力系統安定化装置および電力系統の潮流監視方法
US10896064B2 (en) 2017-03-27 2021-01-19 International Business Machines Corporation Coordinated, topology-aware CPU-GPU-memory scheduling for containerized workloads
JP2018195945A (ja) * 2017-05-16 2018-12-06 日本電気株式会社 監視装置、無線通信システム、障害要因推定方法およびプログラム
US10817803B2 (en) 2017-06-02 2020-10-27 Oracle International Corporation Data driven methods and systems for what if analysis
US10699040B2 (en) * 2017-08-07 2020-06-30 The Boeing Company System and method for remaining useful life determination
US10452510B2 (en) 2017-10-25 2019-10-22 Oracle International Corporation Hybrid clustering-partitioning techniques that optimizes accuracy and compute cost for prognostic surveillance of sensor data
US11348018B2 (en) * 2017-12-19 2022-05-31 Aspen Technology, Inc. Computer system and method for building and deploying models predicting plant asset failure
US10565185B2 (en) 2017-12-21 2020-02-18 Oracle International Corporation MSET-based process for certifying provenance of time-series data in a time-series database
CN108344564B (zh) * 2017-12-25 2019-10-18 北京信息科技大学 一种基于深度学习的主轴特性试验台状态识别及预测方法
US10977110B2 (en) 2017-12-27 2021-04-13 Palo Alto Research Center Incorporated System and method for facilitating prediction data for device based on synthetic data with uncertainties
US11147459B2 (en) * 2018-01-05 2021-10-19 CareBand Inc. Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health
US11392850B2 (en) 2018-02-02 2022-07-19 Oracle International Corporation Synthesizing high-fidelity time-series sensor signals to facilitate machine-learning innovations
US10740310B2 (en) 2018-03-19 2020-08-11 Oracle International Corporation Intelligent preprocessing of multi-dimensional time-series data
US10496084B2 (en) 2018-04-06 2019-12-03 Oracle International Corporation Dequantizing low-resolution IoT signals to produce high-accuracy prognostic indicators
US10635095B2 (en) * 2018-04-24 2020-04-28 Uptake Technologies, Inc. Computer system and method for creating a supervised failure model
US11775873B2 (en) 2018-06-11 2023-10-03 Oracle International Corporation Missing value imputation technique to facilitate prognostic analysis of time-series sensor data
US11188691B2 (en) * 2018-12-21 2021-11-30 Utopus Insights, Inc. Scalable system and method for forecasting wind turbine failure using SCADA alarm and event logs
US11409992B2 (en) 2019-06-10 2022-08-09 International Business Machines Corporation Data slicing for machine learning performance testing and improvement
US11797882B2 (en) 2019-11-21 2023-10-24 Oracle International Corporation Prognostic-surveillance technique that dynamically adapts to evolving characteristics of a monitored asset
US11367018B2 (en) 2019-12-04 2022-06-21 Oracle International Corporation Autonomous cloud-node scoping framework for big-data machine learning use cases

Also Published As

Publication number Publication date
EP4026024A1 (en) 2022-07-13
US20210065316A1 (en) 2021-03-04
US11341588B2 (en) 2022-05-24
CN114175072A (zh) 2022-03-11
US20220270189A1 (en) 2022-08-25
WO2021045835A1 (en) 2021-03-11

Similar Documents

Publication Publication Date Title
US20210334656A1 (en) Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance
KR101713985B1 (ko) 예지 정비 방법 및 장치
JP5306902B2 (ja) 資産システムの高性能条件監視のためのシステムおよび方法
JP2022546771A (ja) ユーティリティシステム資産の効率的なｒｕｌ解析を促進するための無関係フィルタの使用
US11487598B2 (en) Adaptive, self-tuning virtual sensing system for cyber-attack neutralization
Cheng et al. Multivariate state estimation technique for remaining useful life prediction of electronic products
US20170161963A1 (en) Method of identifying anomalies
JP2012150820A (ja) 予測的状態監視のための診断システムおよび方法
Chaves et al. Banhfap: A bayesian network based failure prediction approach for hard disk drives
Mathew et al. Regression kernel for prognostics with support vector machines
US11411983B2 (en) Dynamic, resilient sensing system for automatic cyber-attack neutralization
Alvarez Real-time fault detection and diagnosis using intelligent monitoring and supervision systems
US11099219B2 (en) Estimating the remaining useful life of a power transformer based on real-time sensor data and periodic dissolved gas analyses
Kefalas et al. Automated machine learning for remaining useful life estimation of aircraft engines
Wang Key techniques in intelligent predictive maintenance (IPdM)–a framework of intelligent faults diagnosis and prognosis system (IFDaPS)
Felsberger et al. Explainable deep learning for fault prognostics in complex systems: A particle accelerator use-case
Saranya et al. Data-driven prognostics for run-to-failure data employing machine learning models
WO2020253950A1 (en) Monitoring method, predicting method, monitoring system and computer program
CA3173398A1 (en) Data processing for industrial machine learning
JP7062505B2 (ja) 設備管理支援システム
WO2023155967A1 (en) Thermal anomaly management
Gross et al. AI decision support prognostics for IOT asset health monitoring, failure prediction, time to failure
Gross et al. Machine Learning Innovation for High Accuracy Remaining Useful Life (RUL) Estimation for Critical Assets in IoT Infrastructures
Das et al. Prolego: Time-Series Analysis for Predicting Failures in Complex Systems
Wigren A Study on Condition-Based Maintenance with Applications to Industrial Vehicles

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230622

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230622

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240425

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240507