JP3624546B2 - 予防保全方法及び装置 - Google Patents
予防保全方法及び装置 Download PDFInfo
- Publication number
- JP3624546B2 JP3624546B2 JP12305096A JP12305096A JP3624546B2 JP 3624546 B2 JP3624546 B2 JP 3624546B2 JP 12305096 A JP12305096 A JP 12305096A JP 12305096 A JP12305096 A JP 12305096A JP 3624546 B2 JP3624546 B2 JP 3624546B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- determination target
- target data
- equipment
- measurement data
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Alarm Systems (AREA)
- Feedback Control In General (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、プラント，発電設備，通信設備などの機器設備の状態を測定または観測し、その結果に基づいて対象機器の異常を検出する予防保全方法及び装置に関する。
【０００２】
【従来の技術】
機器の異常状態を検出したり、事前に異常状態を予測したりする予防保全方法では、機器設備の電圧、電流、温度などの判定対象データを各々センサーで測定し、各々の値が予め定めた値（この基準値をしきい値と称する）と比較して、その大小関係により「正常」か「異常」かを判定する。
【０００３】
【発明が解決しようとする課題】
しかしながら、機器設備の特性は製造メーカー及びその型式によって異なることがほとんどである。また、同じ機器を対象とした場合でも、動作条件や経年変化などのため、正常状態であっても、機器設備の電圧、電流、温度などの判定対象データが変化する場合がある。（ここで、これら判定対象データに影響を及ぼす因子を「影響因子」と称する。）
従来技術では、動作条件、経年変化などに応じて、しきい値を決定する方法はとられておらず、そのため、判定精度が低下する場合があった。
【０００４】
本発明では、異常の判定の対象となる計測データとその計測データが正常である場合の周囲の環境（影響因子）との相関に基づいて、異常の判定を行うためのしきい値を決定するようにし、異常の判定を高精度に行う予防保全装置並びに方法を提供することを目的としている。
【０００６】
【課題を解決するための手段】
上記目的は、機器設備の計測データから機器の異常を検出する予防保全方法において、
予め測定した計測データから、前記機器設備の異常を判定する為の判定対象データと該判定対象データに影響を及ぼす影響因子データとの関係を学習する段階と、
前記機器設備から新たな計測データを計測する段階と、
前記新たな計測データの影響因子データの予め定められた範囲に対応する前記予め測定した計測データについての前記判定対象データである第１の判定対象データを抽出する段階と、
前記学習した結果に基づいて、前記新たな計測データの影響因子データに対する推定値である第２の判定対象データと、前記新たな計測データの影響因子データの予め定められた範囲に対する推定値である第３の判定対象データとを推定する段階と、
前記抽出した第１の判定対象データと該推定した第３の判定対象データから偏差を決定する段階と、
該決定された偏差と該推定された第２の判定対象データからしきい値の上限値及び下限値を求める段階と、
該求めた上限値及び下限値により前記新たな計測データについての判定対象データの異常を判定する段階とを具備することにより達成することができる。
【０００８】
また上記目的は
機器設備の計測データから機器の異常を検出する予防保全装置において、
前記機器設備から計測される複数種類の計測データを記憶する記憶手段と、
予め測定した計測データから、前記機器設備の異常を判定する為の判定対象データと該判定対象データに影響を及ぼす影響因子データとの関係を学習する相関関係学習手段と、
前記機器設備から新たな計測データを収集する手段と、
前記新たな計測データの影響因子データの予め定められた範囲に対応した前記予め測定した計測データについての前記判定対象データである第１の判定対象データを抽出する近傍データ抽出手段と、
前記学習した結果に基づいて、前記新たな計測データの影響因子データに対する推定値である第２の判定対象データと、前記新たな計測データの影響因子データの予め定められた範囲に対する推定値である第３の判定対象データとを推定する推定手段と、
前記近傍データ抽出手段により抽出された第１の判定対象データと該推定された第３の判定対象データとから偏差を決定する手段と、
該決定された偏差と該推定された第２の判定対象データから上限値及び下限値を決定する手段と、
該決定された上限値及び下限値により前記新たな計測データについての判定対象データの異常を判定する判定手段とを備えたことにより達成することができる。
【０００９】
【発明の実施の形態】
本発明では、相関関係学習部により、判定対象データと影響因子との正常時の相関関係を学習し、その学習結果に基づいて、正常値推定部で判定対象データの正常値を推定する。状態判定のためのしきい値は、この推定値を基準として決定する。従って、判定対象データの正常値が運転条件によって変化する場合でも、運転条件を影響因子として正常値との関係を相関関係学習部で学習しておけば、判定時の運転条件に応じた正常値を推定することができる。また、機器特性の経年変化によって正常値が変化した場合でも、最近のデータを用いて学習し直すことで対応できる。
【００１０】
すなわち、本発明によれば、運転条件や機器特性の経年変化によって判定対象データの正常値が変化しても、その場合に応じたしきい値を適切に決定することができ、判定精度が向上する。
【００１１】
また、前記しきい値幅決定部では、学習に用いたデータ数及び学習した相関関係と、学習データとの偏差（学習誤差）に基づいて推定値の信頼性を評価する。この信頼性が高い場合、すなわち推定値の確からしさが大きい場合は、しきい値間隔を小さく設定し、信頼性が低い場合には、しきい値間隔を大きくするように、しきい値を決定する。
【００１２】
これにより、学習状態の良否に応じて、しきい値間隔を設定するので誤判定を少なくすることができる。
【００１３】
（実施例１）
以下、図面に従って説明する。
【００１４】
航空機の安全な運行を管理するための運行管理システムに本発明を適用したものを図１に示す。
【００１５】
運行管理システムは航空機の位置をレーダにより検出するレーダサイト１ａ〜１ｎ、レーダサイト１ａ〜１ｎより検出されたデータに基づいて航空機の運行管理又はレーダサイト１ａ〜１ｎのレーダを制御する中央監視センター３から構成されている。そして、レーダサイト１ａ〜１ｎは通常、山頂や離島などの遠隔地に分散して設置されているため、無人の施設が多い。そのため、機器の保守・点検用に使われる機器の運転状態を表わすデータ、及び気温などの計測条件を表わすデータは、電話回線２を介して中央監視センタ３へ転送するようになっている。中央監視センタ３では、分散設置された各レーダサイト１ａ〜１ｎの運転状態をモニタリングし、通信装置の制御を行うとともに、中央監視センタ３の中に設置された予防保全装置４でサイト内の機器のデータを統括管理し、機器の状態を判定する。レーダサイト１ａ〜１ｎは航空機の安全な運行を保障するために必要不可欠の設備である。よって、設備の異常による機能の低下及び停止は重大事故を意味する。とりわけ、電力供給の停止はダメージが大きいため、停電に対する安全対策は重要である。従って、レーダサイト１ａ〜１ｎには、電波を発信または受信する通信機器の他に、停電時の電源確保のために非常用発電機や無停電電源が設置されている。本発明では、この非常用発電機の異常を検出するためのもので、中央監視センター３に予防保全装置４を備えたものである。予防保全装置４では予め非常用発電機のデータを収集しておき、非常用発電機が実際に起動した際のデータと比較して異常の有無を判定するものである。そこで、予防保全装置４ではデータを収集する立ち上げモード、収集したデータから判定を行うための基準を生成する学習モード、実際に起動しているデータを収集して異常の有無を判定する判定モードの３通りの運転モードがある。具体的に説明すると立ち上げモードとは学習モードにて学習を行う際に使用するデータを収集するためのモードである。レーダサイト１ａ〜１ｎより、送られてきた計測データは、データ前処理部１０にて、センサーの故障または通信時のエラーなどによる異常なデータであるか否かを判定する。そして異常なデータと判断した場合には運転実績データベース２０中の異常データ格納ファイルに格納する。一方、異常なデータとして判断されない、つまり正常なデータに対しては正常データ格納ファイルに格納する。
【００１６】
学習モードでは、相関関係学習部３０で、運転実績データベース２０の正常データ格納ファイルに、蓄積された計測データを取り込み、対象とする機器の状態を表すデータと、その影響因子（対象とする機器に影響を与える温度，湿度等のデータ）との相関関係をニューラルネットで学習し、正常値推定部４０へ学習したニューラルネットワークを移す。
【００１７】
判定モードでは、正常値推定部４０で、計測データとから、判定対象データの正常値を推定し、しきい値決定部５０で、正常値推定部４０で求めた推定値を基準として、正常範囲の上・下限値、すなわちしきい値を決定する。そして、判定部６０で、しきい値決定部５０で決定したしきい値と計測データを比較し、しきい値の範囲内であれば「正常」、範囲外であれば「異常」と判定する。判定結果は中央監視センタ３のモニタ画面に表示される。
【００１８】
次に、本実施例の詳細を説明する。
【００１９】
レーダサイト１ａ〜１ｎは、停電となり商用電力の供給が停止した場合、非常用発電機により電源を確保するが、停電が起こってから非常用発電機が定常運転に達するまでの間は電力供給ができない。そこで、通信機器は常時無停電電源に接続されており、停電直後は無停電電源より電力を得る。本実施例では、これらサイト内の機器の中で非常用発電機を対象として異常判定を行った場合について説明する。
【００２０】
まず、非常用発電機の概要について図２を用いて説明する。
【００２１】
この非常用発電機はディーゼルエンジン駆動の３相交流発電機であり、ディーゼルエンジン１００，発電部１１０，蓄電池１２０，整流器１３０，起動装置
１４０からなる。そして停電により商用電力が停止した場合、及び中央監視センター３からの起動信号を受信した場合に起動装置１４０により、ディーゼルエンジン１００を起動する。
【００２２】
次に、この非常用発電機による電圧の供給過程について説明する。起動指令があると、起動装置１４０中のスイッチ１４１がオンとなり、起動用蓄電池１４３からセルモータ１４２に電力が供給され、セルモータが駆動する。セルモータ
１４２により初期回転を与えられると、ディーゼルエンジン１００は燃料に着火させることが可能となる。定格回転数の２０％に達すると自力回転が可能となるため、起動装置１４０を切り離す。以降は自力で速度上昇し、調速機により定格速度に調整される。電機子１１１は、ディーゼルエンジン１００と同じ回転数で回転しており、ディーゼルエンジン１００の起動と同時に、界磁用蓄電池１２０から界磁巻線１１２に界磁電流が供給され、発電が開始され、ディーゼルエンジン１００の回転数の上昇と共に発電電圧は上昇する。発電した電力はスイッチ
１５０を介して通信機器１６０に送られる系統と、整流器１３０で直流に変換されて蓄電池１２０及び起動用蓄電池１４３に送られる系統がある。ただし、発電電圧が定格に達するまでの間は、スイッチ１５０はオフであり、通信機器１６０に電力は供給されない。
【００２３】
このような非常用発電機では、ディーゼルエンジン１００が起動しないことが一番重大な故障となる。したがって起動装置１４０の電源部である起動用蓄電池１４３の電圧を計測し、起動用蓄電池が正常であるか否かを判定している。以下に蓄電池電圧を判定対象データとした例について説明する。
【００２４】
レーダサイト１ａ〜１ｎに設置されている非常用発電機には、蓄電池電圧，発電機機関回転数，発電機電圧，発電機電流，発電機界磁電流，蓄電池総電圧、及び蓄電池液温及びレーダサイト内の気温，湿度を計測するためのセンサーが設置されている。これらセンサーは計測レンジを設定することができ、計測値が計測レンジに入らない場合には“計測レンジオーバー”の信号を発生するものである。尚、このように計測レンジが設定できるセンサーでなくとも予め計測値として使用する領域を設定し、センサーからの計測値がこの設定した領域を越えている場合に“計測レンジオーバー”の信号を発生する装置をセンサーに備えるようにしてもよい。そして各レーダサイト１ａ〜１ｎは、それら各種センサーからの計測データを電話回線を介して中央監視センタ３の予防保全装置４へ送る。尚、計測データを判定した結果、“計測レンジオーバー”の信号が発生した場合には、この信号を計測データに付加して中央監視センタ３の予防保全装置４へ送る。
【００２５】
次に、予防保全装置４の各処理部について説明する。
【００２６】
先に説明したように予防保全装置４は立ち上げモード，学習モード，判定モードの３通りの運転モードが存在する。
【００２７】
まず、立ち上げモードについて説明する。立ち上げモードでは、学習モードで使用する正常データをレーダサイト１ａ〜１ｎから収集し蓄えるための処理を行う。通常、非常用発電機は停止しているため、これらの計測は、中央監視センタ３から起動命令をかけて、収集する時間と収集する間隔を指定して行う。従って、例えば非常用発電機の起動時に０．１ 秒間隔で６０秒とすると６００点、停止時に０．５ 秒間隔で６０秒とすると１２０点、定常運転時に３０秒間隔で３００秒とすると１０点といったように収集する計測データ数が決定する。そしてレーダサイト１ａ〜１ｎから転送されてきた計測データはデータ前処理部１０により計測データの異常及び欠損をチェックする。計測データの異常の判定は、レーダサイト１ａ〜１ｎから送られてくる計測データに“計測レンジオーバー”の信号が付加されているか否かで判定を行い、計測データの欠損については予め収集する時間と間隔を指定しているため収集するデータ数が決定されるので実際に転送されてきた計測データの数と比較することにより行う。このようにして異常か否かを判定し、異常であると判定された計測データは運転実績データベース２０の異常データ格納ファイルに格納する。一方、異常と判定されない場合には運転実績データベース２０の正常データ格納ファイルに格納する。そして、次に時系列に収集した計測データから異常の判定を行うための特徴量を抽出する。
【００２８】
本実施例では、非常用発電機の起動用蓄電池の電圧降下率を判定の対象とし、この場合には図３に示すように、運転実績データベース２０の正常データ格納ファイルに格納した蓄電池の電圧の時系列データから「電圧降下率」を特徴量として抽出する。
【００２９】
ここで、「電圧降下率」とは初期電圧をＶｓ、最低電圧をＶｍｉｎ とすると、
【００３０】
【数１】
電圧降下率＝（Ｖｓ−Ｖｍｉｎ）／Ｖｒ …（１）
により与えられる。そして、この抽出した特徴量を運転実績データベース２０の正常データ格納ファイルに格納する。尚、計測データの収集時間，間隔の設定，特徴量の決定については入力部から運転員が設定することができる。
【００３１】
次に学習モードについて説明する。学習モードでは、相関関係学習部３０によって計測データ間の相関関係を学習する。相関関係学習部３０について、図４を用いて説明する。相関関係学習部３０では、まず、学習項目選定部３１０で、判定の対象となる計測データと相関関係があると考えられる影響因子を選定し、それを学習項目とする。次に学習データ選定部３２０で蓄積された学習データの中から学習に用いるデータを選定する。最後に学習部３３０で選択したデータの相関関係を学習する。
【００３２】
学習項目選定部３１０が起動されると図５に示すように正常，異常の判定に利用するデータ項目をモニターに表示する。図５に示した項目は、一例でありその他の計測可能なデータとして、「発電機機関回転数」，「発電機電圧」，「発電機電流」，「発電機界磁電流」，「蓄電池総電圧」，「蓄電池液温」，レーダサイト内の「室温」，「湿度」等がある。また、「蓄電池の電圧降下率」のように計測データから求めるものについは、その計算式と共に項目名を登録することによりモニターに表示することができる。
【００３３】
そしてオペレータはモニターを見ながら異常の判定を行う判定対象データとこの判定対象データに影響を及ぼすと考えられる、つまり相関関係がある影響因子データを決定する。本実施例の場合では、オペレータは判定対象データとして
「蓄電池の電圧降下率」を、そして「蓄電池の電圧降下率」と相関関係がある項目として「蓄電池液温」を選択する。
【００３４】
尚、このように項目の選択をオペレータに単に任せるとした場合、熟練したオペレータであれば問題ないが、経験がない場合には適切な項目を選択することができない場合が生ずる。そこで、全てのデータ項目の中から、（システム／情報／制御，ｖｏｌ．３９，Ｎｏ４，ｐｐ．１８５〜１９０，１９９５）に記載されているデータマイニング技術によって相関関係がある項目を選択し、そこで選択した項目をオペレータがチェックし、必要な項目を選択する方法をとってもよい。データマイニング技術は、データ間の隠れた相関関係を見つける方法であり、一般にデータ項目の物理的な意味を考慮せず、単なる数値としてデータ間の相関を見つける方法である。従って、オペレータが気がつかないようなデータ間の相関関係を見つけることが可能である。しかし、反面、物理的には全く関係がないと考えられるデータ項目に、偶然相関関係があった場合、誤ってその項目を選択する恐れがある。そこで、データマイニングで見つけた相関関係のなかから、妥当であると考えられる項目をオペレータが選択する方法をとる。
【００３５】
次に、学習データ選定部３２０では、十分蓄積された学習データの中からデータ項目選定部３１０に基づいて学習に用いるデータを選定する。
【００３６】
尚、以上では判定対象データとそれに対応する影響因子により学習を行ったが、学習データ選定部３２０では、判定時の影響因子と類似した影響因子をもつデータを抽出し、学習データとする方法をとってもよい。判定時の影響因子と類似している条件を「蓄電池液温」の場合、±５度として類似データを選択する。したがって、判定時の影響因子である「蓄電池液温」が２５度であると、「蓄電池液温」２０度〜３０度という条件を満足するデータのみを抽出し学習データとする。
【００３７】
学習部３３０では学習項目選定部３１０，学習データ選択部３２０で選択した学習データから判定対象データと影響因子との相関関係を学習する。学習には入力層，中間層，出力層の３層からなるラメールハート型のニューラルネットワークを使った。各層のノード数は入力層：１つ，中間層：３つ，出力層：１つである。学習方法は、パックプロパゲーション法で行った。これは、影響因子である「蓄電池液温」の値を入力層のノード与え、出力層の出力が「蓄電池の電圧降下率」の値に等しくなるように、ニューラルネットワークの内部の「重み係数」を調整する方法である。なお、バックプロパゲーション法による学習については、文献「Ｌｅａｒｎｉｎｇ ｉｎｔｅｒｎａｔｉｏｎａｌ ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｂｙ ｅｒｒｏｒ ｐｒｏｐａｇａｔｉｏｎ」， Ｐａｒａｌｌｅｌ Ｄｉｓｔｒｉｂｕｔｅｄ Ｐｒｏｃｅｓｓｉｎｇ：Ｅｘｐｌｏｒａｔｉｏｎｓ ｉｎ ｔｈｅ Ｍｉｃｒｏｓｔｒｕｃｔｕｒｅｓ ｏｆ Ｃｏｎｇｎｉｔｉｏｎ，Ｖｏｌ．１，Ｄ．Ｅ．Ｒｕｍｅｌｈａｒｔ ａｎｄ Ｊ．Ｌ．ＭｃＣｌｅｌｌａｎｄ（Ｅｄｓ．） ，Ｃａｍｂｒｉｄｇｅ， ＭＡ， ：ＭＩＴ Ｐｒｅｓｓ，ｐｐ３１８−３６２に記載されている。学習データとして、影響因子と判定対象データを１組として、複数組のデータを与え、学習を繰り返すと、相関関係はニューロ内部の「重み係数」に記憶される。学習が終了すると、学習部３３０と同一の形式のニューラルネットを有する正常値推定部へ重み係数を移す。
【００３８】
これにより学習部３３０と正常値推定部４０は同一のニューラルネットワークとなる。また、本実施例では相関関係の学習にニューロを利用したが、判定対象データを影響因子の線形結合で近似し、その係数に相関関係を学習させる方法を利用してもよい。
【００３９】
次に、判定モードについて説明する。判定モードではレーダサイト１ａ〜１ｎから送られてくる計測データを収集して非常用発電機の異常を判定する。レーダサイト１ａ〜１ｎから送られてきた計測データは、データ前処理部１０により特徴抽出が行われる。そして、「蓄電池の電圧降下率」を判定部６０へ送り、影響因子データ「蓄電池液温」を正常値推定部４０へ送る。正常値推定部４０では、影響因子データ「蓄電池液温」により判定の対象となるデータ「蓄電池の電圧降下率」の推定値をニューラルネットワークにより決定する。決定された「蓄電池の電圧降下率」の推定値は、しきい値決定部５０により正常状態の範囲を決定する値Ｃ（定数）から次式に従ってしきい値を決定する。
【００４０】
【数２】
しきい値＝推定値±Ｃ …（２）
そして判定部６０では、しきい値決定部５０で決定したしきい値と計測データである「蓄電池の電圧降下率」とを比較し、この「蓄電池の電圧降下率」がしきい値の間に入っていれば「正常」、範囲外であれば「異常」と判定する。判定が「異常」であった場合には、中央監視センタ３のモニタ画面に「蓄電池異常」の表示を行う。
【００４１】
（実施例２）
次に第１の実施例に加えて近傍データ抽出部７０と、しきい値幅決定部８０を追加したものを図６に示す。これら近傍データ抽出部７０，しきい値幅決定部
８０は、判定モードで動作するものである。
【００４２】
近傍データ抽出部７０では、データ前処理部１０から送られてくる影響因子データに基づいて近傍の影響因子データと、相関関係学習部３０でこの近傍の影響因子データと対にして学習に使用した判定対象データ（以下、「近傍の判定対象データ」という。）を抽出する。例えば、先と同様に判定対象データを「蓄電池電圧降下率」、影響因子データを「蓄電池液温」とした場合に、データ前処理部１０から影響因子データとして「蓄電池液温」２０度が送られてくると、「蓄電池液温」２０度の近傍の蓄電池液温とこれに対応して学習に利用した「蓄電池電圧降下率」を抽出する。そして、抽出した「蓄電池液温」を正常値推定部４０に渡し、抽出した「蓄電池の電圧降下率」をしきい値幅決定部８０に渡す。ここで、近傍データの決定について説明する。近傍データの決定は、影響因子データｘとすると、ｘの最大値、最小値をｘmax，ｘmin、とし、
｛ｘ−βΔｘL≦ｘ≦ｘ＋βΔｘL｝
の範囲とする。
【００４３】
ただし、
ΔｘＬ＝ｘｍａｘ−ｘｍｉｎ
で与え、近傍データ数が、予め定めた数となるようβを決定する。
【００４４】
例えば、図７に示したように学習データの蓄電池液温の範囲が（１０〜３５）、判定時入力データが、図７の黒点で示したように、蓄電池液温：２０度であるとする。このとき、近傍データ数が３０になるように近傍の幅を決定するとβは０．２ となる。
【００４５】
正常値推定部４０では、データ前処理部１０より受けた影響因子データに基づいて判定対象データを推定すると共に、近傍データ抽出部７０から受け取った近傍の影響因子データに基づいて判定対象データを推定する（以下、「推定した近傍の判定対象データ」という。）。そして、正常値推定部４０は、影響因子データに基づいて推定した判定対象データをしきい値決定部５０へ、近傍の影響因子データに基づいて推定した近傍の判定対象データをしきい値幅決定部８０へそれぞれ渡す。
【００４６】
しきい値幅決定部８０では、近傍データ抽出部７０から得た判定対象データと正常値推定部４０から得た推定した近傍の判定対象データから後述する方法でしきい値の幅である偏差±ασを決定する。σは近傍データから求めた標準偏差、αはしきい値幅決定係数である。
【００４７】
そしてしきい値決定部５０では、正常値推定部４０から得た判定対象データとしきい値幅決定部８０から得た偏差により、判定の基準となる判定対象データの上限値と下限値を決定し判定部６０へ渡す。
【００４８】
判定部６０では、データ前処理部１０から得た判定対象データがしきい値決定部５０から得た上限値と下限値の範囲内にある場合には正常と判定し、上限値，下限値の範囲外にある場合には異常と判定する。
【００４９】
ここで、しきい値幅決定部８０での偏差±ασの決定について説明する。近傍データ抽出部７０で抽出された近傍データの数をｍ、近傍データ抽出部７０で抽出された近傍の判定対象データをｚｉ、正常値推定部４０で推定した近傍の判定対象データをｚｉ ＊とすると、標準偏差σは次式により決定される。
【００５０】
【数３】
σ＝Σ（ｚｉ−ｚｉ ＊）２／ｍ …（３）また、αは近傍データ数と所望の判定精度（正常データを異常と誤診する確率）から求める。所望の判定精度となるようにαを決定する方法を以下に述べる。
【００５１】
本実施例では、推定した近傍の判定対象データｚｉ ＊と近傍の判定対象データ
ｚｉとの誤差の分布は正規分布になると仮定して、上記誤診率（正常データの誤診率）としきい値幅決定係数αとの関係を導出する。
【００５２】
一般に、データｘの発生確率が正規分布Ｎ（ｍ，σ２）に従う場合、データｘが
【００５３】
【数４】
ｍ−ασ≦ｘ≦ｍ＋ασ …（４）の範囲から逸脱する確率はαの関数として求められる。例えば、α＝３とした場合、その確率は、０．３％ 以下となる。
【００５４】
ただし、σが既知でなく、与えられたｎ個のデータから算出する場合、算出したσｎ は、選んだデータによってばらつきが生じる。すなわち、算出するσｎ は分布をもつ。また、この分布はデータ数ｎによって異なり、ｎが大きいほど分布の幅は狭くなる。したがって、ｎ個のデータで算出したσｎで決定する。
【００５５】
【数５】
ｍ−ασｎ≦ｘ≦ｍ＋ασｎ …（５）の範囲から、データが逸脱する確率はデータ数ｎとαの関数となる。
【００５６】
以下にその確率Ｐｎ （α）の導出について説明する。
【００５７】
母集団が平均：０，標準偏差：１の正規分布に従う場合、この母集団より取り，出された標本編量ｘ１，ｘ２，ｘ３，…，ｘｎについて、それらの２乗和は自由度ｎのχ２ 分布に従う。ただし、χ２ 分布は式（５）に示した確率分布に従う分布である。
【００５８】
【数６】
【００５９】
ただし、
【００６０】
【数７】
【００６１】
そして、計測値ｘを異常であると判定する確率は
σ≦（ｘ／α）である時；１
（ｘ／α）≦σである時；０
である。従って、計測値ｘを異常であると誤診する確率はσ≦（ｘ／α）である確率と等しくなる。
【００６２】
その確率をＰｎ（σ≦ｘ／α）、とすると、
【００６３】
【数８】
【００６４】
ただし、（ａ，０，ｚ）は第一種不完全ガンマ関数であり、
【００６５】
【数９】
【００６６】
また、ｔはｘの２乗和をデータ数ｎで除したもの（分散）である。
【００６７】
計測値ｘは正規分布Ｎ（１，０）に従うため、値がｘとなる確率Ｑ（ｘ）は、
【００６８】
【数１０】
【００６９】
となる。よって、データ数がｎであった場合の誤診率Ｐ（ｎ）は、計測値がｘとなり、かつその計測値ｘを異常と判定する確率を全てのｘについて積分すれば良い。すなわち
【００７０】
【数１１】
【００７１】
で求めることができる。
【００７２】
式（１１）を数値積分し、データ数ｎと誤診率Ｐ（ｎ，α）の関係を求めることができる。
【００７３】
この誤診率は、近傍データ数ｎとαの関数として表わされることがわかる（Ｐ（ｎ，α）とする）。一例としてデータ数３０のＰ（ｎ，α）とαの関係を図８に示す。図８に示したように、データ数が多いほうが誤診率は小さく、またαが大きくなるにしたがい、誤診率は小さくなる。したがって、所望の判定精度（誤診率）を与えるとこの関係を利用し、しきい値幅決定係数αを求めることができる。例えば、誤診率が０．３０％となるようにαを求めると、α＝３．３２となる。このようにしてしきい値幅を求めると、σの値が判定データ近傍のデータの分布状態によって異なるため、分布状態に合わせた判定が可能となる。
【００７４】
以上、実施例１及び２により説明してきたが、実施例１で説明した内容と実施例２で説明した内容は全く異なったものではなく、例えば予防保全装置４は実施例１と実施例２との両方の機能を持っており、それぞれ切り替えて利用できるようにしてもよく、また並列に利用できるようにしてもよい。
【００７５】
【発明の効果】
以上のように、相関関係学習手段により、判定対象データと影響因子との相関関係を学習し、正常値推定手段で、学習結果に基づき、データ計測時の影響因子から判定対象データの正常値を推定し、その推定値を基準としてしきい値を決定すると、運転条件や、経年変化に応じて、適切にしきい値を決定することができる。
【００７６】
また、運転条件によって学習データのバラツキが異なり、その結果、推定値の信頼性が異なる場合であっても、しきい値決定部により最適なしきい値幅を決定するため、判定精度が向上する。
【図面の簡単な説明】
【図１】本発明の第１の実施例を表す図。
【図２】非常用発電機の概略を表す図。
【図３】時間と蓄電池電圧の特性を表わす図。
【図４】相関関係学習部を表す図。
【図５】学習項目選定部の表示内容を表す図。
【図６】本発明の第２の実施例を表す図。
【図７】近傍データを説明するための図。
【図８】誤診率を説明するための図。
【符号の説明】
１ａ，１ｂ，１ｎ…レーダサイト、２…電話回線、３…中央監視センタ、４…予防保全装置、１０…データ前処理部、２０…運転実績データベース、３０…相関関係学習部、４０…正常値推定部、５０…しきい値決定部、６０…判定部、
７０…近傍データ抽出部、８０…しきい値幅決定部。
【発明の属する技術分野】
本発明は、プラント，発電設備，通信設備などの機器設備の状態を測定または観測し、その結果に基づいて対象機器の異常を検出する予防保全方法及び装置に関する。
【０００２】
【従来の技術】
機器の異常状態を検出したり、事前に異常状態を予測したりする予防保全方法では、機器設備の電圧、電流、温度などの判定対象データを各々センサーで測定し、各々の値が予め定めた値（この基準値をしきい値と称する）と比較して、その大小関係により「正常」か「異常」かを判定する。
【０００３】
【発明が解決しようとする課題】
しかしながら、機器設備の特性は製造メーカー及びその型式によって異なることがほとんどである。また、同じ機器を対象とした場合でも、動作条件や経年変化などのため、正常状態であっても、機器設備の電圧、電流、温度などの判定対象データが変化する場合がある。（ここで、これら判定対象データに影響を及ぼす因子を「影響因子」と称する。）
従来技術では、動作条件、経年変化などに応じて、しきい値を決定する方法はとられておらず、そのため、判定精度が低下する場合があった。
【０００４】
本発明では、異常の判定の対象となる計測データとその計測データが正常である場合の周囲の環境（影響因子）との相関に基づいて、異常の判定を行うためのしきい値を決定するようにし、異常の判定を高精度に行う予防保全装置並びに方法を提供することを目的としている。
【０００６】
【課題を解決するための手段】
上記目的は、機器設備の計測データから機器の異常を検出する予防保全方法において、
予め測定した計測データから、前記機器設備の異常を判定する為の判定対象データと該判定対象データに影響を及ぼす影響因子データとの関係を学習する段階と、
前記機器設備から新たな計測データを計測する段階と、
前記新たな計測データの影響因子データの予め定められた範囲に対応する前記予め測定した計測データについての前記判定対象データである第１の判定対象データを抽出する段階と、
前記学習した結果に基づいて、前記新たな計測データの影響因子データに対する推定値である第２の判定対象データと、前記新たな計測データの影響因子データの予め定められた範囲に対する推定値である第３の判定対象データとを推定する段階と、
前記抽出した第１の判定対象データと該推定した第３の判定対象データから偏差を決定する段階と、
該決定された偏差と該推定された第２の判定対象データからしきい値の上限値及び下限値を求める段階と、
該求めた上限値及び下限値により前記新たな計測データについての判定対象データの異常を判定する段階とを具備することにより達成することができる。
【０００８】
また上記目的は
機器設備の計測データから機器の異常を検出する予防保全装置において、
前記機器設備から計測される複数種類の計測データを記憶する記憶手段と、
予め測定した計測データから、前記機器設備の異常を判定する為の判定対象データと該判定対象データに影響を及ぼす影響因子データとの関係を学習する相関関係学習手段と、
前記機器設備から新たな計測データを収集する手段と、
前記新たな計測データの影響因子データの予め定められた範囲に対応した前記予め測定した計測データについての前記判定対象データである第１の判定対象データを抽出する近傍データ抽出手段と、
前記学習した結果に基づいて、前記新たな計測データの影響因子データに対する推定値である第２の判定対象データと、前記新たな計測データの影響因子データの予め定められた範囲に対する推定値である第３の判定対象データとを推定する推定手段と、
前記近傍データ抽出手段により抽出された第１の判定対象データと該推定された第３の判定対象データとから偏差を決定する手段と、
該決定された偏差と該推定された第２の判定対象データから上限値及び下限値を決定する手段と、
該決定された上限値及び下限値により前記新たな計測データについての判定対象データの異常を判定する判定手段とを備えたことにより達成することができる。
【０００９】
【発明の実施の形態】
本発明では、相関関係学習部により、判定対象データと影響因子との正常時の相関関係を学習し、その学習結果に基づいて、正常値推定部で判定対象データの正常値を推定する。状態判定のためのしきい値は、この推定値を基準として決定する。従って、判定対象データの正常値が運転条件によって変化する場合でも、運転条件を影響因子として正常値との関係を相関関係学習部で学習しておけば、判定時の運転条件に応じた正常値を推定することができる。また、機器特性の経年変化によって正常値が変化した場合でも、最近のデータを用いて学習し直すことで対応できる。
【００１０】
すなわち、本発明によれば、運転条件や機器特性の経年変化によって判定対象データの正常値が変化しても、その場合に応じたしきい値を適切に決定することができ、判定精度が向上する。
【００１１】
また、前記しきい値幅決定部では、学習に用いたデータ数及び学習した相関関係と、学習データとの偏差（学習誤差）に基づいて推定値の信頼性を評価する。この信頼性が高い場合、すなわち推定値の確からしさが大きい場合は、しきい値間隔を小さく設定し、信頼性が低い場合には、しきい値間隔を大きくするように、しきい値を決定する。
【００１２】
これにより、学習状態の良否に応じて、しきい値間隔を設定するので誤判定を少なくすることができる。
【００１３】
（実施例１）
以下、図面に従って説明する。
【００１４】
航空機の安全な運行を管理するための運行管理システムに本発明を適用したものを図１に示す。
【００１５】
運行管理システムは航空機の位置をレーダにより検出するレーダサイト１ａ〜１ｎ、レーダサイト１ａ〜１ｎより検出されたデータに基づいて航空機の運行管理又はレーダサイト１ａ〜１ｎのレーダを制御する中央監視センター３から構成されている。そして、レーダサイト１ａ〜１ｎは通常、山頂や離島などの遠隔地に分散して設置されているため、無人の施設が多い。そのため、機器の保守・点検用に使われる機器の運転状態を表わすデータ、及び気温などの計測条件を表わすデータは、電話回線２を介して中央監視センタ３へ転送するようになっている。中央監視センタ３では、分散設置された各レーダサイト１ａ〜１ｎの運転状態をモニタリングし、通信装置の制御を行うとともに、中央監視センタ３の中に設置された予防保全装置４でサイト内の機器のデータを統括管理し、機器の状態を判定する。レーダサイト１ａ〜１ｎは航空機の安全な運行を保障するために必要不可欠の設備である。よって、設備の異常による機能の低下及び停止は重大事故を意味する。とりわけ、電力供給の停止はダメージが大きいため、停電に対する安全対策は重要である。従って、レーダサイト１ａ〜１ｎには、電波を発信または受信する通信機器の他に、停電時の電源確保のために非常用発電機や無停電電源が設置されている。本発明では、この非常用発電機の異常を検出するためのもので、中央監視センター３に予防保全装置４を備えたものである。予防保全装置４では予め非常用発電機のデータを収集しておき、非常用発電機が実際に起動した際のデータと比較して異常の有無を判定するものである。そこで、予防保全装置４ではデータを収集する立ち上げモード、収集したデータから判定を行うための基準を生成する学習モード、実際に起動しているデータを収集して異常の有無を判定する判定モードの３通りの運転モードがある。具体的に説明すると立ち上げモードとは学習モードにて学習を行う際に使用するデータを収集するためのモードである。レーダサイト１ａ〜１ｎより、送られてきた計測データは、データ前処理部１０にて、センサーの故障または通信時のエラーなどによる異常なデータであるか否かを判定する。そして異常なデータと判断した場合には運転実績データベース２０中の異常データ格納ファイルに格納する。一方、異常なデータとして判断されない、つまり正常なデータに対しては正常データ格納ファイルに格納する。
【００１６】
学習モードでは、相関関係学習部３０で、運転実績データベース２０の正常データ格納ファイルに、蓄積された計測データを取り込み、対象とする機器の状態を表すデータと、その影響因子（対象とする機器に影響を与える温度，湿度等のデータ）との相関関係をニューラルネットで学習し、正常値推定部４０へ学習したニューラルネットワークを移す。
【００１７】
判定モードでは、正常値推定部４０で、計測データとから、判定対象データの正常値を推定し、しきい値決定部５０で、正常値推定部４０で求めた推定値を基準として、正常範囲の上・下限値、すなわちしきい値を決定する。そして、判定部６０で、しきい値決定部５０で決定したしきい値と計測データを比較し、しきい値の範囲内であれば「正常」、範囲外であれば「異常」と判定する。判定結果は中央監視センタ３のモニタ画面に表示される。
【００１８】
次に、本実施例の詳細を説明する。
【００１９】
レーダサイト１ａ〜１ｎは、停電となり商用電力の供給が停止した場合、非常用発電機により電源を確保するが、停電が起こってから非常用発電機が定常運転に達するまでの間は電力供給ができない。そこで、通信機器は常時無停電電源に接続されており、停電直後は無停電電源より電力を得る。本実施例では、これらサイト内の機器の中で非常用発電機を対象として異常判定を行った場合について説明する。
【００２０】
まず、非常用発電機の概要について図２を用いて説明する。
【００２１】
この非常用発電機はディーゼルエンジン駆動の３相交流発電機であり、ディーゼルエンジン１００，発電部１１０，蓄電池１２０，整流器１３０，起動装置
１４０からなる。そして停電により商用電力が停止した場合、及び中央監視センター３からの起動信号を受信した場合に起動装置１４０により、ディーゼルエンジン１００を起動する。
【００２２】
次に、この非常用発電機による電圧の供給過程について説明する。起動指令があると、起動装置１４０中のスイッチ１４１がオンとなり、起動用蓄電池１４３からセルモータ１４２に電力が供給され、セルモータが駆動する。セルモータ
１４２により初期回転を与えられると、ディーゼルエンジン１００は燃料に着火させることが可能となる。定格回転数の２０％に達すると自力回転が可能となるため、起動装置１４０を切り離す。以降は自力で速度上昇し、調速機により定格速度に調整される。電機子１１１は、ディーゼルエンジン１００と同じ回転数で回転しており、ディーゼルエンジン１００の起動と同時に、界磁用蓄電池１２０から界磁巻線１１２に界磁電流が供給され、発電が開始され、ディーゼルエンジン１００の回転数の上昇と共に発電電圧は上昇する。発電した電力はスイッチ
１５０を介して通信機器１６０に送られる系統と、整流器１３０で直流に変換されて蓄電池１２０及び起動用蓄電池１４３に送られる系統がある。ただし、発電電圧が定格に達するまでの間は、スイッチ１５０はオフであり、通信機器１６０に電力は供給されない。
【００２３】
このような非常用発電機では、ディーゼルエンジン１００が起動しないことが一番重大な故障となる。したがって起動装置１４０の電源部である起動用蓄電池１４３の電圧を計測し、起動用蓄電池が正常であるか否かを判定している。以下に蓄電池電圧を判定対象データとした例について説明する。
【００２４】
レーダサイト１ａ〜１ｎに設置されている非常用発電機には、蓄電池電圧，発電機機関回転数，発電機電圧，発電機電流，発電機界磁電流，蓄電池総電圧、及び蓄電池液温及びレーダサイト内の気温，湿度を計測するためのセンサーが設置されている。これらセンサーは計測レンジを設定することができ、計測値が計測レンジに入らない場合には“計測レンジオーバー”の信号を発生するものである。尚、このように計測レンジが設定できるセンサーでなくとも予め計測値として使用する領域を設定し、センサーからの計測値がこの設定した領域を越えている場合に“計測レンジオーバー”の信号を発生する装置をセンサーに備えるようにしてもよい。そして各レーダサイト１ａ〜１ｎは、それら各種センサーからの計測データを電話回線を介して中央監視センタ３の予防保全装置４へ送る。尚、計測データを判定した結果、“計測レンジオーバー”の信号が発生した場合には、この信号を計測データに付加して中央監視センタ３の予防保全装置４へ送る。
【００２５】
次に、予防保全装置４の各処理部について説明する。
【００２６】
先に説明したように予防保全装置４は立ち上げモード，学習モード，判定モードの３通りの運転モードが存在する。
【００２７】
まず、立ち上げモードについて説明する。立ち上げモードでは、学習モードで使用する正常データをレーダサイト１ａ〜１ｎから収集し蓄えるための処理を行う。通常、非常用発電機は停止しているため、これらの計測は、中央監視センタ３から起動命令をかけて、収集する時間と収集する間隔を指定して行う。従って、例えば非常用発電機の起動時に０．１ 秒間隔で６０秒とすると６００点、停止時に０．５ 秒間隔で６０秒とすると１２０点、定常運転時に３０秒間隔で３００秒とすると１０点といったように収集する計測データ数が決定する。そしてレーダサイト１ａ〜１ｎから転送されてきた計測データはデータ前処理部１０により計測データの異常及び欠損をチェックする。計測データの異常の判定は、レーダサイト１ａ〜１ｎから送られてくる計測データに“計測レンジオーバー”の信号が付加されているか否かで判定を行い、計測データの欠損については予め収集する時間と間隔を指定しているため収集するデータ数が決定されるので実際に転送されてきた計測データの数と比較することにより行う。このようにして異常か否かを判定し、異常であると判定された計測データは運転実績データベース２０の異常データ格納ファイルに格納する。一方、異常と判定されない場合には運転実績データベース２０の正常データ格納ファイルに格納する。そして、次に時系列に収集した計測データから異常の判定を行うための特徴量を抽出する。
【００２８】
本実施例では、非常用発電機の起動用蓄電池の電圧降下率を判定の対象とし、この場合には図３に示すように、運転実績データベース２０の正常データ格納ファイルに格納した蓄電池の電圧の時系列データから「電圧降下率」を特徴量として抽出する。
【００２９】
ここで、「電圧降下率」とは初期電圧をＶｓ、最低電圧をＶｍｉｎ とすると、
【００３０】
【数１】
電圧降下率＝（Ｖｓ−Ｖｍｉｎ）／Ｖｒ …（１）
により与えられる。そして、この抽出した特徴量を運転実績データベース２０の正常データ格納ファイルに格納する。尚、計測データの収集時間，間隔の設定，特徴量の決定については入力部から運転員が設定することができる。
【００３１】
次に学習モードについて説明する。学習モードでは、相関関係学習部３０によって計測データ間の相関関係を学習する。相関関係学習部３０について、図４を用いて説明する。相関関係学習部３０では、まず、学習項目選定部３１０で、判定の対象となる計測データと相関関係があると考えられる影響因子を選定し、それを学習項目とする。次に学習データ選定部３２０で蓄積された学習データの中から学習に用いるデータを選定する。最後に学習部３３０で選択したデータの相関関係を学習する。
【００３２】
学習項目選定部３１０が起動されると図５に示すように正常，異常の判定に利用するデータ項目をモニターに表示する。図５に示した項目は、一例でありその他の計測可能なデータとして、「発電機機関回転数」，「発電機電圧」，「発電機電流」，「発電機界磁電流」，「蓄電池総電圧」，「蓄電池液温」，レーダサイト内の「室温」，「湿度」等がある。また、「蓄電池の電圧降下率」のように計測データから求めるものについは、その計算式と共に項目名を登録することによりモニターに表示することができる。
【００３３】
そしてオペレータはモニターを見ながら異常の判定を行う判定対象データとこの判定対象データに影響を及ぼすと考えられる、つまり相関関係がある影響因子データを決定する。本実施例の場合では、オペレータは判定対象データとして
「蓄電池の電圧降下率」を、そして「蓄電池の電圧降下率」と相関関係がある項目として「蓄電池液温」を選択する。
【００３４】
尚、このように項目の選択をオペレータに単に任せるとした場合、熟練したオペレータであれば問題ないが、経験がない場合には適切な項目を選択することができない場合が生ずる。そこで、全てのデータ項目の中から、（システム／情報／制御，ｖｏｌ．３９，Ｎｏ４，ｐｐ．１８５〜１９０，１９９５）に記載されているデータマイニング技術によって相関関係がある項目を選択し、そこで選択した項目をオペレータがチェックし、必要な項目を選択する方法をとってもよい。データマイニング技術は、データ間の隠れた相関関係を見つける方法であり、一般にデータ項目の物理的な意味を考慮せず、単なる数値としてデータ間の相関を見つける方法である。従って、オペレータが気がつかないようなデータ間の相関関係を見つけることが可能である。しかし、反面、物理的には全く関係がないと考えられるデータ項目に、偶然相関関係があった場合、誤ってその項目を選択する恐れがある。そこで、データマイニングで見つけた相関関係のなかから、妥当であると考えられる項目をオペレータが選択する方法をとる。
【００３５】
次に、学習データ選定部３２０では、十分蓄積された学習データの中からデータ項目選定部３１０に基づいて学習に用いるデータを選定する。
【００３６】
尚、以上では判定対象データとそれに対応する影響因子により学習を行ったが、学習データ選定部３２０では、判定時の影響因子と類似した影響因子をもつデータを抽出し、学習データとする方法をとってもよい。判定時の影響因子と類似している条件を「蓄電池液温」の場合、±５度として類似データを選択する。したがって、判定時の影響因子である「蓄電池液温」が２５度であると、「蓄電池液温」２０度〜３０度という条件を満足するデータのみを抽出し学習データとする。
【００３７】
学習部３３０では学習項目選定部３１０，学習データ選択部３２０で選択した学習データから判定対象データと影響因子との相関関係を学習する。学習には入力層，中間層，出力層の３層からなるラメールハート型のニューラルネットワークを使った。各層のノード数は入力層：１つ，中間層：３つ，出力層：１つである。学習方法は、パックプロパゲーション法で行った。これは、影響因子である「蓄電池液温」の値を入力層のノード与え、出力層の出力が「蓄電池の電圧降下率」の値に等しくなるように、ニューラルネットワークの内部の「重み係数」を調整する方法である。なお、バックプロパゲーション法による学習については、文献「Ｌｅａｒｎｉｎｇ ｉｎｔｅｒｎａｔｉｏｎａｌ ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｂｙ ｅｒｒｏｒ ｐｒｏｐａｇａｔｉｏｎ」， Ｐａｒａｌｌｅｌ Ｄｉｓｔｒｉｂｕｔｅｄ Ｐｒｏｃｅｓｓｉｎｇ：Ｅｘｐｌｏｒａｔｉｏｎｓ ｉｎ ｔｈｅ Ｍｉｃｒｏｓｔｒｕｃｔｕｒｅｓ ｏｆ Ｃｏｎｇｎｉｔｉｏｎ，Ｖｏｌ．１，Ｄ．Ｅ．Ｒｕｍｅｌｈａｒｔ ａｎｄ Ｊ．Ｌ．ＭｃＣｌｅｌｌａｎｄ（Ｅｄｓ．） ，Ｃａｍｂｒｉｄｇｅ， ＭＡ， ：ＭＩＴ Ｐｒｅｓｓ，ｐｐ３１８−３６２に記載されている。学習データとして、影響因子と判定対象データを１組として、複数組のデータを与え、学習を繰り返すと、相関関係はニューロ内部の「重み係数」に記憶される。学習が終了すると、学習部３３０と同一の形式のニューラルネットを有する正常値推定部へ重み係数を移す。
【００３８】
これにより学習部３３０と正常値推定部４０は同一のニューラルネットワークとなる。また、本実施例では相関関係の学習にニューロを利用したが、判定対象データを影響因子の線形結合で近似し、その係数に相関関係を学習させる方法を利用してもよい。
【００３９】
次に、判定モードについて説明する。判定モードではレーダサイト１ａ〜１ｎから送られてくる計測データを収集して非常用発電機の異常を判定する。レーダサイト１ａ〜１ｎから送られてきた計測データは、データ前処理部１０により特徴抽出が行われる。そして、「蓄電池の電圧降下率」を判定部６０へ送り、影響因子データ「蓄電池液温」を正常値推定部４０へ送る。正常値推定部４０では、影響因子データ「蓄電池液温」により判定の対象となるデータ「蓄電池の電圧降下率」の推定値をニューラルネットワークにより決定する。決定された「蓄電池の電圧降下率」の推定値は、しきい値決定部５０により正常状態の範囲を決定する値Ｃ（定数）から次式に従ってしきい値を決定する。
【００４０】
【数２】
しきい値＝推定値±Ｃ …（２）
そして判定部６０では、しきい値決定部５０で決定したしきい値と計測データである「蓄電池の電圧降下率」とを比較し、この「蓄電池の電圧降下率」がしきい値の間に入っていれば「正常」、範囲外であれば「異常」と判定する。判定が「異常」であった場合には、中央監視センタ３のモニタ画面に「蓄電池異常」の表示を行う。
【００４１】
（実施例２）
次に第１の実施例に加えて近傍データ抽出部７０と、しきい値幅決定部８０を追加したものを図６に示す。これら近傍データ抽出部７０，しきい値幅決定部
８０は、判定モードで動作するものである。
【００４２】
近傍データ抽出部７０では、データ前処理部１０から送られてくる影響因子データに基づいて近傍の影響因子データと、相関関係学習部３０でこの近傍の影響因子データと対にして学習に使用した判定対象データ（以下、「近傍の判定対象データ」という。）を抽出する。例えば、先と同様に判定対象データを「蓄電池電圧降下率」、影響因子データを「蓄電池液温」とした場合に、データ前処理部１０から影響因子データとして「蓄電池液温」２０度が送られてくると、「蓄電池液温」２０度の近傍の蓄電池液温とこれに対応して学習に利用した「蓄電池電圧降下率」を抽出する。そして、抽出した「蓄電池液温」を正常値推定部４０に渡し、抽出した「蓄電池の電圧降下率」をしきい値幅決定部８０に渡す。ここで、近傍データの決定について説明する。近傍データの決定は、影響因子データｘとすると、ｘの最大値、最小値をｘmax，ｘmin、とし、
｛ｘ−βΔｘL≦ｘ≦ｘ＋βΔｘL｝
の範囲とする。
【００４３】
ただし、
ΔｘＬ＝ｘｍａｘ−ｘｍｉｎ
で与え、近傍データ数が、予め定めた数となるようβを決定する。
【００４４】
例えば、図７に示したように学習データの蓄電池液温の範囲が（１０〜３５）、判定時入力データが、図７の黒点で示したように、蓄電池液温：２０度であるとする。このとき、近傍データ数が３０になるように近傍の幅を決定するとβは０．２ となる。
【００４５】
正常値推定部４０では、データ前処理部１０より受けた影響因子データに基づいて判定対象データを推定すると共に、近傍データ抽出部７０から受け取った近傍の影響因子データに基づいて判定対象データを推定する（以下、「推定した近傍の判定対象データ」という。）。そして、正常値推定部４０は、影響因子データに基づいて推定した判定対象データをしきい値決定部５０へ、近傍の影響因子データに基づいて推定した近傍の判定対象データをしきい値幅決定部８０へそれぞれ渡す。
【００４６】
しきい値幅決定部８０では、近傍データ抽出部７０から得た判定対象データと正常値推定部４０から得た推定した近傍の判定対象データから後述する方法でしきい値の幅である偏差±ασを決定する。σは近傍データから求めた標準偏差、αはしきい値幅決定係数である。
【００４７】
そしてしきい値決定部５０では、正常値推定部４０から得た判定対象データとしきい値幅決定部８０から得た偏差により、判定の基準となる判定対象データの上限値と下限値を決定し判定部６０へ渡す。
【００４８】
判定部６０では、データ前処理部１０から得た判定対象データがしきい値決定部５０から得た上限値と下限値の範囲内にある場合には正常と判定し、上限値，下限値の範囲外にある場合には異常と判定する。
【００４９】
ここで、しきい値幅決定部８０での偏差±ασの決定について説明する。近傍データ抽出部７０で抽出された近傍データの数をｍ、近傍データ抽出部７０で抽出された近傍の判定対象データをｚｉ、正常値推定部４０で推定した近傍の判定対象データをｚｉ ＊とすると、標準偏差σは次式により決定される。
【００５０】
【数３】
σ＝Σ（ｚｉ−ｚｉ ＊）２／ｍ …（３）また、αは近傍データ数と所望の判定精度（正常データを異常と誤診する確率）から求める。所望の判定精度となるようにαを決定する方法を以下に述べる。
【００５１】
本実施例では、推定した近傍の判定対象データｚｉ ＊と近傍の判定対象データ
ｚｉとの誤差の分布は正規分布になると仮定して、上記誤診率（正常データの誤診率）としきい値幅決定係数αとの関係を導出する。
【００５２】
一般に、データｘの発生確率が正規分布Ｎ（ｍ，σ２）に従う場合、データｘが
【００５３】
【数４】
ｍ−ασ≦ｘ≦ｍ＋ασ …（４）の範囲から逸脱する確率はαの関数として求められる。例えば、α＝３とした場合、その確率は、０．３％ 以下となる。
【００５４】
ただし、σが既知でなく、与えられたｎ個のデータから算出する場合、算出したσｎ は、選んだデータによってばらつきが生じる。すなわち、算出するσｎ は分布をもつ。また、この分布はデータ数ｎによって異なり、ｎが大きいほど分布の幅は狭くなる。したがって、ｎ個のデータで算出したσｎで決定する。
【００５５】
【数５】
ｍ−ασｎ≦ｘ≦ｍ＋ασｎ …（５）の範囲から、データが逸脱する確率はデータ数ｎとαの関数となる。
【００５６】
以下にその確率Ｐｎ （α）の導出について説明する。
【００５７】
母集団が平均：０，標準偏差：１の正規分布に従う場合、この母集団より取り，出された標本編量ｘ１，ｘ２，ｘ３，…，ｘｎについて、それらの２乗和は自由度ｎのχ２ 分布に従う。ただし、χ２ 分布は式（５）に示した確率分布に従う分布である。
【００５８】
【数６】
ただし、
【００６０】
【数７】
そして、計測値ｘを異常であると判定する確率は
σ≦（ｘ／α）である時；１
（ｘ／α）≦σである時；０
である。従って、計測値ｘを異常であると誤診する確率はσ≦（ｘ／α）である確率と等しくなる。
【００６２】
その確率をＰｎ（σ≦ｘ／α）、とすると、
【００６３】
【数８】
ただし、（ａ，０，ｚ）は第一種不完全ガンマ関数であり、
【００６５】
【数９】
また、ｔはｘの２乗和をデータ数ｎで除したもの（分散）である。
【００６７】
計測値ｘは正規分布Ｎ（１，０）に従うため、値がｘとなる確率Ｑ（ｘ）は、
【００６８】
【数１０】
となる。よって、データ数がｎであった場合の誤診率Ｐ（ｎ）は、計測値がｘとなり、かつその計測値ｘを異常と判定する確率を全てのｘについて積分すれば良い。すなわち
【００７０】
【数１１】
で求めることができる。
【００７２】
式（１１）を数値積分し、データ数ｎと誤診率Ｐ（ｎ，α）の関係を求めることができる。
【００７３】
この誤診率は、近傍データ数ｎとαの関数として表わされることがわかる（Ｐ（ｎ，α）とする）。一例としてデータ数３０のＰ（ｎ，α）とαの関係を図８に示す。図８に示したように、データ数が多いほうが誤診率は小さく、またαが大きくなるにしたがい、誤診率は小さくなる。したがって、所望の判定精度（誤診率）を与えるとこの関係を利用し、しきい値幅決定係数αを求めることができる。例えば、誤診率が０．３０％となるようにαを求めると、α＝３．３２となる。このようにしてしきい値幅を求めると、σの値が判定データ近傍のデータの分布状態によって異なるため、分布状態に合わせた判定が可能となる。
【００７４】
以上、実施例１及び２により説明してきたが、実施例１で説明した内容と実施例２で説明した内容は全く異なったものではなく、例えば予防保全装置４は実施例１と実施例２との両方の機能を持っており、それぞれ切り替えて利用できるようにしてもよく、また並列に利用できるようにしてもよい。
【００７５】
【発明の効果】
以上のように、相関関係学習手段により、判定対象データと影響因子との相関関係を学習し、正常値推定手段で、学習結果に基づき、データ計測時の影響因子から判定対象データの正常値を推定し、その推定値を基準としてしきい値を決定すると、運転条件や、経年変化に応じて、適切にしきい値を決定することができる。
【００７６】
また、運転条件によって学習データのバラツキが異なり、その結果、推定値の信頼性が異なる場合であっても、しきい値決定部により最適なしきい値幅を決定するため、判定精度が向上する。
【図面の簡単な説明】
【図１】本発明の第１の実施例を表す図。
【図２】非常用発電機の概略を表す図。
【図３】時間と蓄電池電圧の特性を表わす図。
【図４】相関関係学習部を表す図。
【図５】学習項目選定部の表示内容を表す図。
【図６】本発明の第２の実施例を表す図。
【図７】近傍データを説明するための図。
【図８】誤診率を説明するための図。
【符号の説明】
１ａ，１ｂ，１ｎ…レーダサイト、２…電話回線、３…中央監視センタ、４…予防保全装置、１０…データ前処理部、２０…運転実績データベース、３０…相関関係学習部、４０…正常値推定部、５０…しきい値決定部、６０…判定部、
７０…近傍データ抽出部、８０…しきい値幅決定部。
Claims (2)
- 機器設備の計測データから機器の異常を検出する予防保全方法において、
予め測定した計測データから、前記機器設備の異常を判定する為の判定対象データと該判定対象データに影響を及ぼす影響因子データとの関係を学習する段階と、
前記機器設備から新たな計測データを収集する段階と、
前記新たな計測データの影響因子データの予め定められた範囲に対応する前記予め測定した計測データについての前記判定対象データである第１の判定対象データを抽出する段階と、
前記学習した結果に基づいて、前記新たな計測データの影響因子データに対する推定値である第２の判定対象データと、前記新たな計測データの影響因子データの予め定められた範囲に対する推定値である第３の判定対象データとを推定する段階と、
前記抽出した第１の判定対象データと該推定した第３の判定対象データから偏差を決定する段階と、
該決定された偏差と該推定された第２の判定対象データからしきい値の上限値及び下限値を求める段階と、
該求めた上限値及び下限値により該機器設備から計測された判定対象データの異常を判定する段階とを具備することを特徴とする予防保全方法。 - 機器設備の計測データから機器の異常を検出する予防保全装置において、
前記機器設備から計測される複数種類の計測データを記憶する記憶手段と、
予め測定した計測データから、前記機器設備の異常を判定する為の判定対象データと該判定対象データに影響を及ぼす影響因子データとの関係を学習する相関関係学習手段と、
前記機器設備から新たな計測データを収集する手段と、
前記新たな計測データの影響因子データの予め定められた範囲に対応した前記予め測定した計測データについての前記判定対象データである第１の判定対象データを抽出する近傍データ抽出手段と、
前記学習した結果に基づいて、前記新たな計測データの影響因子データに対する推定値である第２の判定対象データと、前記新たな計測データの影響因子データの予め定められた範囲に対する推定値である第３の判定対象データとを推定する推定手段と、
前記近傍データ抽出手段により抽出された第１の判定対象データと該推定された第３の判定対象データとから偏差を決定する手段と、
該決定された偏差と該推定された第２の判定対象データから上限値及び下限値を決定する手段と、
該決定された上限値及び下限値により前記新たな計測データについての判定対象データの異常を判定する判定手段とを備えたことを特徴とする予防保全装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP12305096A JP3624546B2 (ja) | 1996-05-17 | 1996-05-17 | 予防保全方法及び装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP12305096A JP3624546B2 (ja) | 1996-05-17 | 1996-05-17 | 予防保全方法及び装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH09305224A JPH09305224A (ja) | 1997-11-28 |
| JP3624546B2 true JP3624546B2 (ja) | 2005-03-02 |
Family
ID=14850969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP12305096A Expired - Fee Related JP3624546B2 (ja) | 1996-05-17 | 1996-05-17 | 予防保全方法及び装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3624546B2 (ja) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003173206A (ja) * | 2001-12-05 | 2003-06-20 | Hitachi Ltd | 発電設備の遠隔運用支援方法及び発電設備の遠隔運用支援システム |
| JP4494098B2 (ja) * | 2003-11-14 | 2010-06-30 | 株式会社リコー | 異常判定方法、並びにこれを用いる異常判定装置及び画像形成装置。 |
| JP4434795B2 (ja) * | 2004-03-18 | 2010-03-17 | 株式会社東芝 | 運転データ管理装置および運転データ管理方法 |
| JP4738309B2 (ja) * | 2006-10-11 | 2011-08-03 | 株式会社東芝 | プラント運転データ監視装置 |
| JP5290026B2 (ja) * | 2009-03-31 | 2013-09-18 | 日立建機株式会社 | 作業機械の学習診断システム、状態診断装置及び状態学習装置 |
| JP5331774B2 (ja) * | 2010-10-22 | 2013-10-30 | 株式会社日立パワーソリューションズ | 設備状態監視方法およびその装置並びに設備状態監視用プログラム |
| CN102928690B (zh) * | 2012-09-28 | 2015-11-25 | 珠海德百祺科技有限公司 | 用于电子器件的异常检测方法 |
| FR3019592B1 (fr) * | 2014-04-03 | 2016-04-22 | Snecma | Procede et dispositif de surveillance d'un parametre d'un moteur de fusee |
| JP6301791B2 (ja) * | 2014-09-17 | 2018-03-28 | 株式会社東芝 | 配電網の故障予兆診断システムおよびその方法 |
| JP6772454B2 (ja) * | 2015-12-04 | 2020-10-21 | 株式会社Ihi | 異常診断装置、異常診断方法、及び、異常診断プログラム |
| JP6620290B2 (ja) * | 2017-07-26 | 2019-12-18 | 株式会社Ｉｈｉ原動機 | 振動音響解析方法及び装置と機器異常部位推定方法及び装置 |
| KR102316630B1 (ko) * | 2018-05-10 | 2021-10-25 | 에이에스티인터내셔널 주식회사 | 설비의 결함을 예측하는 모듈형 예지 보전 장치 및 방법 |
| WO2020202567A1 (ja) * | 2019-04-05 | 2020-10-08 | 株式会社Ｉｈｉ原動機 | 振動音響解析方法及び装置と機器異常部位推定方法及び装置 |
| JP7086297B2 (ja) * | 2019-07-09 | 2022-06-17 | 三菱電機株式会社 | 制御プログラム改良装置、制御プログラム改良方法及び制御プログラム改良システム |
| KR102136141B1 (ko) * | 2019-10-29 | 2020-07-22 | 에너젠(주) | 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기 |
| WO2021100160A1 (ja) * | 2019-11-20 | 2021-05-27 | 三菱電機株式会社 | 異常兆候検出装置、異常兆候検出システム、異常兆候検出方法、および異常兆候検出プログラム |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3321487B2 (ja) * | 1993-10-20 | 2002-09-03 | 株式会社日立製作所 | 機器／設備診断方法およびシステム |
-
1996
- 1996-05-17 JP JP12305096A patent/JP3624546B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH09305224A (ja) | 1997-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3624546B2 (ja) | 予防保全方法及び装置 | |
| KR102544901B1 (ko) | 리튬 이온 배터리 안전성 감시 | |
| CN111823952B (zh) | 电芯温度的诊断方法、存储介质和电子设备 | |
| KR102368324B1 (ko) | 충전케이블의 온도값을 이용한 전기자동차 충전기 이상상태 모니터링 장치 | |
| JP2002543754A (ja) | 自動車用車両のためのエネルギ管理システム | |
| JP2007123007A (ja) | 燃料電池システムの診断方法および診断装置 | |
| WO2014098837A1 (en) | Battery voltage profile monitoring during generator start | |
| KR102632629B1 (ko) | 배터리 셀 진단 장치 및 방법 | |
| WO2020000362A1 (zh) | 用于监测和识别电驱动系统中的传感器故障的方法 | |
| US20220187376A1 (en) | Method and Device for Predicting a State of Health of an Energy Storage System | |
| JPH11212637A (ja) | 予防保全方法及び装置 | |
| KR20200009203A (ko) | 무정전 전원 장치의 배터리 보호 시스템 및 그 방법 | |
| CN113745672B (zh) | 电池自加热控制方法、电池自加热装置、系统和车辆 | |
| WO2014098835A2 (en) | Multi-phase power meter configured for monitoring generator battery voltage | |
| US11733309B2 (en) | Method and system for self-discharge prognostics for vehicle battery cells with an internal short circuit | |
| US11573271B1 (en) | Battery fault detection | |
| JPH1020930A (ja) | 予防保全方法 | |
| US20230280406A1 (en) | Verfahren und Vorrichtung zum Erkennen einer kritischen Anomalie in einer Gerätebatterie basierend auf maschinellen Lernverfahren | |
| CN116488578A (zh) | 一种基于ai视觉辅助的光伏设备分析方法 | |
| JPH10198420A (ja) | 異常診断方法及びその装置 | |
| US20240248138A1 (en) | Method and Apparatus for Predictive Diagnosis of a Device Battery of a Technical Device Using a Trace Graph Model | |
| JPH07107667A (ja) | 電力系統監視装置 | |
| Nair et al. | Artificial Neural Network Based Fault Identification and Monitoring for Brushless Direct Current Motors | |
| JPH0814955A (ja) | 設備異常診断装置およびその方法 | |
| AU2003200919B2 (en) | Energy management system for automotive vehicle |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20040519 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040525 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040726 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20041109 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20041122 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071210 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081210 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081210 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091210 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101210 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101210 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111210 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111210 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121210 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131210 Year of fee payment: 9 |
|
| LAPS | Cancellation because of no payment of annual fees |