JP7297816B2 - 資産の予測健全性解析を実行するための方法およびコンピューティングシステム - Google Patents

資産の予測健全性解析を実行するための方法およびコンピューティングシステム Download PDF

Info

Publication number
JP7297816B2
JP7297816B2 JP2021094402A JP2021094402A JP7297816B2 JP 7297816 B2 JP7297816 B2 JP 7297816B2 JP 2021094402 A JP2021094402 A JP 2021094402A JP 2021094402 A JP2021094402 A JP 2021094402A JP 7297816 B2 JP7297816 B2 JP 7297816B2
Authority
JP
Japan
Prior art keywords
asset
state
assets
sensor measurements
simulation
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.)
Active
Application number
JP2021094402A
Other languages
English (en)
Other versions
JP2021193563A (ja
Inventor
パベル・スタノ
フランク・キルシュニック
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Energy Ltd
Original Assignee
Hitachi Energy Switzerland AG
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 Hitachi Energy Switzerland AG filed Critical Hitachi Energy Switzerland AG
Publication of JP2021193563A publication Critical patent/JP2021193563A/ja
Application granted granted Critical
Publication of JP7297816B2 publication Critical patent/JP7297816B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G01N15/0606—Investigating concentration of particle suspensions by collecting particles on a support
    • G01N15/0618—Investigating concentration of particle suspensions by collecting particles on a support of the filter type
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Automation & Control Theory (AREA)
  • Dispersion Chemistry (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)

Description

発明の分野
本発明は、資産の健全性を評価するための技術に関する。本発明は、特に、資産健全性の予測評価のための方法および装置に関する。
発明の背景
発電、送電および／または配電システムのような電力システム、ならびに産業システムは、資産（アセット）を含む。変圧器、発電機、および分散型エネルギーリソース（ＤＥＲ：distributed energy resource）ユニットは、このような資産の例である。この資産は運転中に劣化する。計画のため、保守管理または交換作業のスケジューリングのためには、少なくとも特定の将来の予測時間範囲にわたって予測的な資産健全性解析を、その時間に利用できるセンサ測定値がないときでも行うことが望ましい。
シミュレーション技術を用いて資産の時間発展をシミュレートすることができる。このようなシミュレーション技術のパラメータは、一群の資産について捕捉された履歴センサデータに基づくことができる。シミュレーションによって、資産の全体的な統計的発展についての明確な見通しが得られる。多数の資産については、劣化プロセスは、シミュレーションから得られた結果を統計的に模倣することになる。しかしながら、個々の資産は依然として、シミュレーション技術によって得られる予測から大きく逸脱し得る挙動を示し得る。
Sang-ri Yi and Junho Song, "Particle Filter Based Monitoring and Prediction of Spatiotemporal Corrosion Using Successive Measurements of Structural Responses", Sensors 2018, 18, 3909には、連続した間接的なノイズ測定値を用いて構造的劣化の時空間進行を監視および予測するフレームワークが記載されている。このフレームワークは、腐食進行モデルにおける腐食状態のリアルタイムの監視および予測のために、ならびに不確実なパラメータおよび／または時変パラメータの確率論的推論のために、粒子フィルタを採用している。
X. Si et al., "A General Stochastic Degradation Modeling Approach for Prognostics of Degrading Systems With Surviving and Uncertain Measurements", IEEE TRANSACTIONS ON RELIABILITY, IEEE SERVICE CENTER, PISCATAWAY, NJ, US, vol. 68, no. 3, 1 September 2019、１０８０～１１００頁には、残存耐用年数（ＲＵＬ：remaining useful life）を推定するための技術が開示されている。粒子フィルタリングおよび平滑法とともに期待値最大化アルゴリズムに基づいてモデルパラメータを求めるために、最尤推定フレームワークが設けられている。
J.Z. Sikorska et al., "Prognostic modelling options for remaining useful life estimation by industry", MECHANICAL SYSTEMS AND SIGNAL PROCESSING, vol. 25, no. 5, 1 July 2011、１８０３～１８３６頁には、主要な予測モデルクラスの長所と短所が記載されている。
概要
資産健全性の発展を監視するための向上した技術が必要である。特に、センサ測定値が利用できるようになるとその測定値を取り入れることができるようにしつつ、資産健全性の予測予想を行えるようにする技術が必要である。センサ測定値を用いて資産健全性状態の予測予想を更新することができる技術が必要である。
本発明の実施形態に従い、独立請求項に記載の方法およびシステムが提供される。従属請求項は好ましい実施形態を明確にする。
本発明の実施形態に従い、粒子フィルタ（ＰＦ：particle filter）技術を用いて、資産健全性状態の将来の発展をシミュレートすることによって得られる予測を更新する。
この将来の発展は、資産の性能劣化を予測するために用いられ得る離散マルコフ連鎖モデルに基づくことができる。マルコフ連鎖モンテカルロ（ＭＣＭＣ：Markov Chain Monte Carlo）法を使用することにより、多数のシミュレーションを実行することができる。マルコフ連鎖モデルは、資産のさまざまな健全性状態に対応する一組の離散状態を有し得る。
小さな状態空間および少数の遷移確率を使用するＭＣＭＣ技術により、予測資産健全性解析を、数年以上の場合もある時間範囲を含むさまざまな時間範囲にわたって行うことができる。
確率論的シミュレーションにおいて使用されるモデルを、２つまたは３つの遷移確率のみが状態間の遷移を左右するように、設定することができ、これは、健全資産状態、資産が依然として機能している劣化資産状態、および資産が故障した故障資産状態を示すことができる。本発明は、利用できる履歴データがほとんどまたは全くない場合に対しても適用することができる。そのとき、マルコフ連鎖モデルの遷移確率を熟練者が設定してもよい。
ＰＦを用いて、故障確率（ＰｏＦ：probability of failure）、残存耐用年数（ＲＵＬ）、または資産の健全性状態についてのその他の予想を更新することができる。
電力システム資産または産業資産である資産の予測健全性解析を実行する方法は、資産の資産健全性状態の将来の発展を求めることを含み、上記求めることは、確率論的シミュレーションを実行して、資産健全性状態の将来の発展の予測を得ることと、粒子フィルタ（ＰＦ）用いてセンサ測定値に基づいて予測を更新することとを繰り返すことを含む。上記方法は、計算した資産健全性状態の将来の発展に基づいて出力を生成することを含み得る。
上記方法はコンピュータによって実現される方法である。
更新するステップは、センサ測定値を読み取ることによってトリガされてもよい。
確率論的シミュレーションを実行することは、複数のシミュレーションを並列に実行することにより、資産健全性状態の確率分布を時間の関数として得ることを含み得る。
確率論的シミュレーションは、離散状態空間を有するモデル、特に離散マルコフ連鎖モデルを使用してもよい。
マルコフ連鎖は均質であってもよい。遷移確率は時間から独立したものであってもよい。
マルコフ連鎖は次数１を有し得る、すなわち、遷移は、マルコフ連鎖モデルの現在の状態に依存するがその状態への過去の遷移からは独立していてもよい。
マルコフ連鎖モデルは、単調に並べられた定性的解釈を状態が有するようなものであってもよい、すなわち、２つの状態を劣化の程度について比較することは常に可能であるようなものであってもよい。
状態空間の各状態は、状態空間のその他の最大１つの状態への、非ゼロ遷移確率を有し得るものであり、このことは劣化の程度がより大きいことを説明しており、自身への遷移確率は非ゼロ遷移確率である。
マルコフ連鎖モデルは、資産の故障に対応しない状態空間の状態が、状態空間のその他のたった１つの状態への、非ゼロ遷移確率を有するようなものであってもよい。
マルコフ連鎖モデルは、資産の故障に対応する状態空間の状態が、この状態以外の状態への非ゼロ遷移確率を有しないようなものであってもよい。
マルコフ連鎖モデルは、有限マルコフ連鎖モデルであってもよい。
状態空間はｎ個の状態で構成されてもよく（ｎは３、４、または５以上に等しい）、機能している資産に対応する状態空間のｎ－１個の状態について、状態空間の、他のただ１つの状態への遷移確率は非ゼロ遷移確率であり、故障した資産に対応する状態について、状態空間のその他任意の状態への遷移確率は非ゼロ遷移確率ではない。
確率論的シミュレーションはＭＣＭＣシミュレーションを含み得る。
離散状態空間は、３つの状態、４つの状態、または５つ以上の状態で構成されてもよい。
離散状態空間は、資産の動作が故障の悪影響を受けない少なくとも１つの状態を含み得る。
離散状態空間は、資産の動作が故障の悪影響を受けるが資産が動作を継続する少なくとも１つの状態を含み得る。
離散状態空間は、資産が故障が原因で機能しない状態を含み得る。
予測を更新することは、センサ測定値をスカラー関数にマッピングすることを含み得るものであり、スカラー関数の異なる範囲の値は離散状態空間の異なる状態に対応する。
スカラー関数を、センサ測定値を入力として用いスカラー関数を出力するヒューリスティックスを用いて計算してもよい。
予測を更新することは、予測に基づいて、センサ測定値に含まれている観察可能な量の期待値を計算することを含み得る。
予測を更新することは、期待値と、センサ測定値に含まれている観察可能な量との比較を実行することを含み得る。
予測を更新することは、比較に基づいて、確率論的シミュレーションのその後の繰り返しについて、更新された初期状態を計算することを含み得る。
予測を更新することは、センサ測定値の不確実性に依存し得る。
期待値を、離散状態空間における確率分布と、状態に依存するノイズパラメータとに基づいて計算してもよい。
状態に依存するノイズパラメータは、期待値を計算するために使用するノイズ項の分散に依存し得る。
状態に依存するノイズパラメータは、ガウシアンホワイトノイズの状態に依存する分散に依存し得る。
上記方法はさらに、センサ測定値を、周期的に、かつ確率論的シミュレーションの整数のシミュレーションステップの完了と同期して、読み取ることを含み得る。すなわち、連続したセンサ測定値間の間隔は、確率論的シミュレーションの予測周期の任意の整数倍とは異なっていてもよい。
上記方法はさらに、センサ測定値を、確率論的シミュレーションの任意の整数のシミュレーションステップの完了と非同期で読み取ることを含み得る。すなわち、連続したセンサ測定値間の間隔は、確率論的シミュレーションの予測周期の任意の整数倍とは異なっていてもよい。
予測を更新することは、ＰＦを呼び出す時点で予測に内在している不確実性に依存し得る。説明のために、状態空間のすべての状態にわたる分布をＰＦにおける入力として用いてもよく、更新してもよい。ＰＦを実行すると、予測シミュレーションに内在する不確実性が減少し得る。予測に内在する不確実性は変化し得る。
ＰＦを実行する時点で予測に内在している不確実性は、ＰＦを最後に実行したときから経過した間隔の関数として変化し得る。
上記方法はさらに、確率論的シミュレーションから予測資産健全性状態の発展の信頼度情報を計算することと、センサ測定値に基づいて信頼度情報を更新することとを含み得る。
出力はさらに、信頼度情報に基づいて生成されてもよい。
信頼度情報は、時間範囲にわたる信頼区間の将来の発展を含み得る。
上記方法はさらに、確率論的シミュレーションから予測資産健全性状態の発展についての分散情報を計算することと、センサ測定値に基づいて分散情報を更新することとを含み得る。
出力はさらに、分散情報に基づいて生成されてもよい。
分散情報は、時間範囲にわたる分散区間の将来の発展を含み得る。
信頼度または分散情報は、下限の将来の発展および上限の将来の発展を含み得る。
信頼度または分散情報を更新することは、センサ測定値に基づいて状態空間における確率分布を更新することと、状態空間における更新された確率分布を用いて、センサ測定の時点の後の時間について信頼度または分散情報を再計算することとを含み得る。
信頼度または分散情報を更新することは、ＰＦを実行することによって、上限と下限との差を小さくすることを含み得る。
確率論的シミュレーションを実行することは、整数ｋ個の時間発展ステップを実行することを含み得る。
ＰＦは、確率論的シミュレーションのｋ番目の時間発展ステップで得られた予測とセンサ測定値とを入力として受けてもよい。
ＰＦは、任意で、センサ測定値に対応付けられた不確実性を入力として受けてもよい。
ＰＦは、センサ測定値に基づく、かつ任意で、センサ測定値に対応付けられた不確実性に基づく、ｋ番目の時間発展ステップにおいて得られた予測に基づいて、更新された予測を計算してもよい。
ＰＦは、更新された予測を出力してもよい。更新された予測は、離散モデルの状態空間における更新された分布であってもよい。
更新された予測は、確率論的シミュレーションの次のｋ個の時間発展ステップの初期値として使用されてもよい。
出力は、資産健全性状態の将来の発展を表現したものを含み得る。
これに代えてまたはこれに加えて、出力は、資産健全性状態の将来の発展に基づいて生成されたアラームまたは警告を含み得る。
これに代えてまたはこれに加えて、出力は、資産健全性状態の将来の発展に基づいて資産の動作を制御するための制御信号を含み得る。
確率論的シミュレーションは、異なる周囲および／または動作シナリオについてのシミュレーションを含み得る。
確率論的シミュレーションは、並列に実行され得る複数のシミュレーションを含み得る。
確率論的シミュレーションは、同時に実行され得る複数のシミュレーションを含み得る。
上記方法は少なくとも１つの集積回路によって実行されてもよい。
上記方法は、分散型制御システムの中央コントローラの少なくとも１つの集積回路によって実行されてもよい。
上記方法は、分散型制御システムのローカルコントローラの少なくとも１つの集積回路によって実行されてもよい。
上記方法は、少なくとも１つの集積回路が、確率論的シミュレーションにおいて使用されるモデルの遷移確率についての情報を通信ネットワークを通して受信することを含み得る。
資産は、電力用変圧器、分散型エネルギーリソースＤＥＲユニット、または発電機であってもよい。
資産は、電力システムまたは産業システムに設置されてもよい。
電力システムまたは産業システムは、中央制御装置と、各々が電力システムまたは産業システムの資産に対応付けられた複数のローカルコントローラとを含む分散型制御システムを有し得る。
上記方法は、分散型制御システムのローカルコントローラによって実行されてもよい。
資産の運転および／または保守管理の方法は、ある実施形態に係る上記方法を用いて資産について予測資産健全性解析を実行することと、予測資産健全性解析に基づいて自動的に制御または出力動作を行うこととを含む。
制御または出力動作は、資産健全性状態の将来の発展に基づいてアラームまたは警告を生成すること、資産健全性状態の将来の発展に基づいて資産の動作を制御するための制御信号を生成すること、計算した資産健全性状態の将来の発展に基づいて資産のダウンタイムをスケジューリングすること、計算した資産健全性状態の将来の発展に基づいて保守管理または検査作業をスケジューリングすること、計算した資産健全性状態の将来の発展に基づいて交換作業をスケジューリングすること、計算した資産健全性状態の将来の発展に基づいて保守管理または検査間隔を変更すること、のうちの少なくとも１つを実行すること、を含み得る。
制御または出力動作は、動作時間の関数としての故障確率についての情報、スケジューリングされたもしくは再度スケジューリングされた保守管理作業間隔についての情報、または、スケジューリングされた交換作業間隔についての情報を、インターフェイスを介して出力すること、を含み得る。
電力システム資産または産業資産である資産について予測健全性解析を実行するように機能するコンピューティングシステムは、少なくとも１つの集積回路を含み、少なくとも１つの集積回路は、資産の資産健全性状態の将来の発展を計算するように機能し、上記計算することは、確率論的シミュレーションによって資産健全性状態の将来の発展の予測を得ることと、粒子フィルタ（ＰＦ）技術を用いて、センサ測定値に基づいて予測を更新することとを繰り返すことによって行われる。少なくとも１つの集積回路は、資産健全性状態の将来の発展に基づいて出力の生成を制御するように機能する。
上記コンピューティングシステムは、確率論的シミュレーションによって資産健全性状態の将来の発展の予測を得ることと、ＰＦを用いてセンサ測定値に基づいて予測を更新することとを繰り返すように機能する１つのまたは数個の集積回路（ＩＣ）を有するローカルコントローラを含み得る。１つのまたは数個のＩＣは、本明細書において詳述される動作を実行するように機能し得る。
上記コンピューティングシステムは、確率論的シミュレーションによって資産健全性状態の将来の発展の予測を得ることと、ＰＦを用いてセンサ測定値に基づいて予測を更新することとを繰り返すように機能する１つのまたは数個のＩＣを有する中央コントローラを含み得る。１つのまたは数個のＩＣは、本明細書において詳述される動作を実行するように機能し得る。
上記コンピューティングシステムは、更新がセンサ測定値を読み取ることによってトリガされてもよいように機能し得る。
上記コンピューティングシステムは、確率論的シミュレーションを実行することが、複数のシミュレーションを並列に実行することにより、資産健全性状態の確率分布を時間の関数として得ることを含み得るように機能し得る。
上記コンピューティングシステムは、確率論的シミュレーションが、離散状態空間を有するモデル、特に離散マルコフ連鎖モデルを使用するように機能し得る。
上記コンピューティングシステムは、マルコフ連鎖が均質であってもよいように機能し得る。遷移確率は時間から独立したものであってもよい。
上記コンピューティングシステムは、マルコフ連鎖は次数１を有し得る、すなわち、遷移は、マルコフ連鎖モデルの現在の状態に依存するがその状態への過去の遷移からは独立していてもよいように機能し得る。
上記コンピューティングシステムは、マルコフ連鎖モデルが、単調に並べられた定性的解釈を状態が有するようなものであってもよいように、すなわち、２つの状態を劣化の程度について比較することは常に可能であるようなものであってもよいように、機能し得る。
上記コンピューティングシステムは、状態空間の各状態が、状態空間のその他の最大１つの状態への、非ゼロ遷移確率を有し得るものであり、このことは劣化の程度がより大きいことを説明しており、自身への遷移確率は非ゼロ遷移確率であるように機能し得る。
上記コンピューティングシステムは、資産の故障に対応しない状態空間の状態は、状態空間のその他のたった１つの状態への、非ゼロ遷移確率を有するように機能し得る。
上記コンピューティングシステムは、資産の故障に対応する状態空間の状態が、この状態以外の状態への非ゼロ遷移確率を有しないように機能し得る。
上記コンピューティングシステムは、マルコフ連鎖モデルが有限マルコフ連鎖モデルであってもよいように機能し得る。
上記コンピューティングシステムは、状態空間はｎ個の状態で構成されてもよく（ｎは３、４、または５以上に等しい）、機能している資産に対応する状態空間のｎ－１個の状態について、状態空間の、他のただ１つの状態への遷移確率は非ゼロ遷移確率であり、故障した資産に対応する状態について、状態空間のその他任意の状態への遷移確率は非ゼロ遷移確率ではないように機能し得る。
上記コンピューティングシステムは、確率論的シミュレーションがＭＣＭＣシミュレーションを含み得るように機能し得る。
上記コンピューティングシステムは、離散状態空間が、３つの状態、４つの状態、または５つ以上の状態で構成されてもよいように機能し得る。
上記コンピューティングシステムは、離散状態空間が、資産の動作が故障の悪影響を受けない少なくとも１つの状態を含み得るように機能し得る。
上記コンピューティングシステムは、離散状態空間が、資産の動作が故障の悪影響を受けるが資産が動作を継続する少なくとも１つの状態を含み得るように機能し得る。
上記コンピューティングシステムは、離散状態空間が、資産が故障が原因で機能しない状態を含み得るように機能し得る。
上記コンピューティングシステムは、予測を更新することが、センサ測定値をスカラー関数にマッピングすることを含み得るものであり、スカラー関数の異なる範囲の値は離散状態空間の異なる状態に対応するように機能し得る。
上記コンピューティングシステムは、スカラー関数を、センサ測定値を入力として用いスカラー関数を出力するヒューリスティックスを用いて計算してもよいように機能し得る。
上記コンピューティングシステムは、予測を更新することが、予測に基づいて、センサ測定値に含まれている観察可能な量の期待値を計算することを含み得るように機能し得る。
上記コンピューティングシステムは、予測を更新することが、期待値と、センサ測定値に含まれている観察可能な量との比較を実行することを含み得るように機能し得る。
上記コンピューティングシステムは、予測を更新することが、比較に基づいて、確率論的シミュレーションのその後の繰り返しについて、更新された初期状態を計算することを含み得るように機能し得る。
上記コンピューティングシステムは、予測を更新することがセンサ測定値の不確実性に依存し得るように機能し得る。
上記コンピューティングシステムは、期待値を、離散状態空間における確率分布と、状態に依存するノイズパラメータとに基づいて計算してもよいように機能し得る。
上記コンピューティングシステムは、状態に依存するノイズパラメータが、期待値を計算するために使用するノイズ項の分散に依存し得るように機能し得る。
上記コンピューティングシステムは、状態に依存するノイズパラメータが、ガウシアンホワイトノイズの状態に依存する分散に依存し得るように機能し得る。
上記コンピューティングシステムは、センサ測定値を、周期的に、かつ確率論的シミュレーションの整数のシミュレーションステップの完了と同期して、読み取るように機能し得る。すなわち、連続したセンサ測定値間の間隔は、確率論的シミュレーションの予測周期の任意の整数倍とは異なっていてもよい。
上記コンピューティングシステムは、センサ測定値を、確率論的シミュレーションの任意の整数のシミュレーションステップの完了と非同期で読み取るように機能し得る。すなわち、連続したセンサ測定値間の間隔は、確率論的シミュレーションの予測周期の任意の整数倍とは異なっていてもよい。
上記コンピューティングシステムは、予測を更新することが、ＰＦを呼び出す時点で予測に内在している不確実性に依存し得るように機能し得る。説明のために、状態空間のすべての状態にわたる分布をＰＦにおける入力として用いてもよく、更新してもよい。ＰＦを実行すると、予測シミュレーションに内在する不確実性が減少し得る。
上記コンピューティングシステムは、予測に内在する不確実性が変化し得るように機能し得る。
上記コンピューティングシステムは、ＰＦを実行する時点で予測に内在している不確実性が、ＰＦを最後に実行したときから経過した間隔の関数として変化し得るように機能し得る。
上記コンピューティングシステムは、確率論的シミュレーションから予測資産健全性状態の発展の信頼度情報を計算し、センサ測定値に基づいて信頼度情報を更新するように機能し得る。
上記コンピューティングシステムは、出力がさらに、信頼度情報に基づいて生成されてもよいように機能し得る。
上記コンピューティングシステムは、信頼度情報が信頼区間の将来の発展を含み得るように機能し得る。
上記コンピューティングシステムは、確率論的シミュレーションから予測資産健全性状態の発展についての分散情報を計算し、センサ測定値に基づいて分散情報を更新するように機能し得る。
上記コンピューティングシステムは、出力がさらに、分散情報に基づいて生成されてもよいように機能し得る。
上記コンピューティングシステムは、分散情報が、時間範囲にわたる分散区間の将来の発展を含み得るように機能し得る。
上記コンピューティングシステムは、信頼度または分散情報が、下限の将来の発展および上限の将来の発展を含み得るように機能し得る。
上記コンピューティングシステムは、信頼度または分散情報を更新することが、センサ測定値に基づいて状態空間における確率分布を更新することと、状態空間における更新された確率分布を用いて、センサ測定時の後の時間についての信頼度または分散情報を再計算することとを含み得るように機能し得る。
上記コンピューティングシステムは、信頼度または分散情報を更新することが、ＰＦを実行することによって、上限と下限との差を小さくすることを含み得るように機能し得る。
上記コンピューティングシステムは、確率論的シミュレーションを実行することが、整数ｋ個の時間発展ステップを実行することを含み得るように機能し得る。
上記コンピューティングシステムは、ＰＦは、確率論的シミュレーションのｋ番目の時間発展ステップで得られた予測とセンサ測定値とを入力として受けてもよいように機能し得る。
上記コンピューティングシステムは、ＰＦが、任意で、センサ測定値に対応付けられた不確実性を入力として受けてもよいように機能し得る。
上記コンピューティングシステムは、ＰＦが、センサ測定値に基づく、かつ任意で、センサ測定値に対応付けられた不確実性に基づく、ｋ番目の時間発展ステップにおいて得られた予測に基づいて、更新された予測を計算してもよいように機能し得る。
上記コンピューティングシステムは、ＰＦが、更新された予測を出力してもよいように機能し得る。更新された予測は、離散モデルの状態空間における更新された分布であってもよい。
上記コンピューティングシステムは、更新された予測が、確率論的シミュレーションの次のｋ個の時間発展ステップの初期値として使用されてもよいように機能し得る。
上記コンピューティングシステムは、出力が、資産健全性状態の将来の発展を表現したものを含み得るように機能し得る。
これに代えてまたはこれに加えて、上記コンピューティングシステムは、出力が、資産健全性状態の将来の発展に基づいて生成されたアラームまたは警告を含み得るように機能し得る。
これに代えてまたはこれに加えて、上記コンピューティングシステムは、出力が、資産健全性状態の将来の発展に基づいて資産の動作を制御するための制御信号を含み得るように機能し得る。
上記コンピューティングシステムは、確率論的シミュレーションが、異なる周囲および／または動作シナリオについてのシミュレーションを含み得るように機能し得る。
上記コンピューティングシステムは、確率論的シミュレーションが、並列に実行され得る複数のシミュレーションを含み得るように機能し得る。
上記コンピューティングシステムは、確率論的シミュレーションが、同時に実行され得る複数のシミュレーションを含み得るように機能し得る。
上記コンピューティングシステムは、確率論的シミュレーションにおいて使用されるモデルの遷移確率についての情報を通信ネットワークを通して受信するインターフェイスを有し得る。
資産は、電力用変圧器、分散型エネルギーリソースＤＥＲユニット、または発電機であってもよい。
ある実施形態に係る電力システムまたは産業システムは、資産と、資産について予測資産健全性解析を実行する、ある実施形態に係るコンピューティングシステムとを含む。
上記コンピューティングシステムは、資産を制御するための電力システムまたは産業システムのローカルコントローラであってもよい。
上記コンピューティングシステムは、資産を運転および／または保守管理するように機能し得る。
上記コンピューティングシステムは、資産健全性状態の発展の予測に基づいて制御または出力動作を生成するように機能し得る。
上記コンピューティングシステムは、制御または出力動作が、資産健全性状態の将来の発展に基づいてアラームまたは警告を生成すること、資産健全性状態の将来の発展に基づいて資産の動作を制御するための制御信号を生成すること、計算した資産健全性状態の将来の発展に基づいて資産のダウンタイムをスケジューリングすること、計算した資産健全性状態の将来の発展に基づいて保守管理または検査作業をスケジューリングすること、計算した資産健全性状態の将来の発展に基づいて交換作業をスケジューリングすること、計算した資産健全性状態の将来の発展に基づいて保守管理または検査間隔を変更すること、のうちの少なくとも１つを実行すること、を含み得るように機能し得る。
上記コンピューティングシステムは、制御または出力動作が、動作時間の関数としての故障確率についての情報、スケジューリングされたもしくは再度スケジューリングされた保守管理作業間隔についての情報、または、スケジューリングされた交換作業間隔についての情報を、インターフェイスを介して出力すること、を含み得るように機能し得る。
さまざまな効果および利点が本発明に関連する。
本発明は、状態監視および故障予測に新たな測定値が利用できるようになると資産健全性予測を自動的に更新できるようにする、粒子フィルタ（ＰＦ）技術の新規な適用例を提供する。
本発明の実施形態に係る方法およびシステムは、資産の予測時間範囲は長い（たとえば、１週間以上、１カ月以上、１年以上、２年以上、５年以上、１０年以上、１５年以上、２０年以上、２５年以上、３０年以上）が、資産健全性状態の予測はセンサ測定値を用いて間欠的に更新され得る、長短予測を提供する。これにより、長短予測が実現される。予測の更新は、可変であり得る間隔で行われてもよい。連続した更新間の間隔は、資産健全性状態を推定できるようにする新たなセンサ測定値が利用できることによって決まってもよい。
新たな測定値を用いる予測の自動更新は、測定値が不確実である場合でも行うことができ、この不確実さは、たとえばセンサの品質欠陥および／またはノイズに起因し得る。
健全性状態についての情報は、確率論的シミュレーションにおいて使用されるモデルに直接関連はしていないが健全性状態にマッピングすることができる測定信号から得られてもよい。資産健全性についての予測は、予測シミュレーションに内在する不確実性とセンサ測定値についての不確実性との均衡が保たれるように計算されてもよい。
予測は、非同期で、たとえばイベント駆動型のデータプロトコルを用いて、更新することができる。
本発明の主題について、添付の図面に示されている好ましい具体例としての実施形態を参照しながらより詳細に説明する。
ある実施形態に係るコンピューティングシステムを有する電力システムの概略図である。 ある実施形態に係るコンピューティングシステムを有する電力システムの概略図である。 ある実施形態に係る方法のフローチャートの図である。 ある実施形態に係る方法の動作を表す図である。 ある実施形態で使用されるマルコフ連鎖モデルの図である。 ある実施形態に係る方法およびコンピューティングシステムにより生成された具体例としての出力を示すグラフの図である。 予測資産健全性状態解析の結果を観察された資産健全性状態と組み合わせて示すグラフの図である。 予測資産健全性状態解析の結果を観察された資産健全性状態と組み合わせて示すグラフの図である。 予測資産健全性状態解析の結果を観察された資産健全性状態と組み合わせて示すグラフの図である。 ある実施形態に係る方法のフローチャートの図である。 ある実施形態に係る方法およびコンピューティングシステムにより生成された具体例としての出力を示すグラフの図である。 ある実施形態に係るコンピューティングシステムのブロック図である。 ある実施形態に係る方法およびコンピューティングシステムにおける処理を示すブロック図である。
実施形態の詳細な説明
本発明の具体例としての実施形態について、同一または同様の参照符号が同一または同様の構成要素を示す図面を参照しながら説明する。いくつかの実施形態については分散型エネルギーリソース（ＤＥＲ）ユニットまたは変圧器のような電力システムの資産の文脈で説明するが、実施形態はこれに限定されない。実施形態の特徴は、特に明記しない限り相互に組み合わせてもよい。
本発明の実施形態は概して、粒子フィルタ（ＰＦ）技術を用いて、センサ測定値に基づいて、確率論的シミュレーションによって得られた将来の資産健全性状態の発展の予測を更新する。確率論的シミュレーションは、資産健全性状態劣化について多数のシミュレーションを行うことにより、資産健全性状態の時間発展の確率分布を得ることを含み得る。
隠れ層マルコフモデルを、モンテカルロ法で生成された確率軌道の統計処理によってシステムの発展を推定する確率論的シミュレーションアプローチと組み合わせてもよい。確率論的シミュレーションアプローチによって求めた観察可能状態のマルコフ連鎖発展を、資産健全性予測を求める対象である資産の運転中に捕捉されたセンサ測定値と組み合わせてもよい。
マルコフ連鎖発展を、直接的には観察できない（隠れ層）根本的な動作不良についてのベイズ推定と組み合わせたものを、隠れ層マルコフモデルに使用してもよい。
以下により詳細に説明する技術は、以下を含み得る。
ａ） 確率論的シミュレーションの初期化。確率論的シミュレーションはマルコフ連鎖モンテカルロ（ＭＣＭＣ）技術であってもよい。この初期化は、資産健全性の発展を求める対象である資産についての情報（たとえばセンサデータ）に依存し得る。
ｂ） 確率論的シミュレーションを実行して、資産健全性状態の発展の予測を得る。これは、ＭＣＭＣのｋ個の時間発展ステップを周期的に繰り返すことを含み得る。
ｃ） ＰＦ技術を用いて、センサ測定値に基づいて予測を更新する。ＰＦは、センサ測定値の読み取りの前の最後の資産健全性状態の予測を、センサ測定値と組み合わせて用いることにより、更新された予測を求めてもよい。更新された予測は、マルコフモデルの状態について更新された確率分布であってもよい。
ｄ） 更新された予測を新たな確率論的シミュレーションのための入力として使用し、ステップｂおよびｃは終了判定基準が満たされるまで繰り返してもよい。
センサ測定値に基づく更新が実行される前にステップｂにおいて実行される時間発展ステップの数は、繰り返しごとに異なっていてもよい。説明のために、イベント駆動型の実装形態では、センサ測定値の読み取りはイベント駆動型であってもよい。予測の更新は、新たなセンサ測定値が利用できるときに実行されてもよい。予測の更新は、プッシュまたはプルメカニズムを介して読み取られ得る新たなセンサ測定値によってトリガされてもよい。
図１および図２は電力システム１０、１５の概略図である。電力システム１０、１５は複数の資産を含む。これらの資産は、分散型エネルギーリソース（ＤＥＲ）ユニット１１～１３、１６～１８等の発電機、変圧器、またはその他の電力システム資産を含み得る。
電力システム１０、１５は制御システムを含み、制御システムは、各々が資産に対応付けられているローカルコントローラ２１～２３を含む。制御システムは中央システム２０を含み得る。中央システム２０はローカルコントローラに対して通信可能に結合されてもよい。中央システム２０は、リモート（たとえばクラウドベースの）サーバシステム２４に対して通信可能に結合されてもよい。
以下でより詳細に説明するように、ローカルコントローラ２１～２３、中央システム２０、および／またはリモートサーバシステム２４は、ＰＦ技術と組み合わされたマルコフ連鎖モデルに基づく確率論的シミュレーションを用いて予測資産健全性解析を実行するように機能し得る。マルコフ連鎖モデルは、以下で説明するように固有の構成を有し得る。ローカルコントローラ２１～２３、中央システム２０、および／またはリモートサーバシステム２４は、独立した複数の確率論的シミュレーション、特にマルコフ連鎖モンテカルロ（ＭＣＭＣ）シミュレーションを実行することによって、資産健全性状態の発展の予測を求めるように機能し得る。資産健全性状態の発展の予測は、ＰＦを用いて、プッシュまたはプルメカニズムを介してセンサ１１１～１１３読み取られ得るセンサ測定値に基づいて更新される。
ＰＦが更新した予測資産健全性解析の結果を、ローカルコントローラ２１～２３、中央システム２０、および／またはリモートサーバシステム２４が、ダウンタイム、保守管理作業、交換作業をスケジューリングするために、または制御動作を自動的に実行するために、使用することができる。ローカルコントローラ２１～２３、中央システム２０、および／またはリモートサーバシステム２４は、制御または出力データを生成し出力するように機能し得る。出力を、ヒューマンマシンインターフェイス（ＨＭＩ）２６を介して提供してもよい。このＨＭＩは、インターネットまたは別のワイドエリアネットワーク（ＷＡＮ）を介してローカルコントローラ２１～２３、中央システム２０、および／またはリモートサーバシステム２４に結合することができる。
図３～図１１を参照しながらより詳細に説明するように、予測資産健全性解析は、資産の時間発展をシミュレートすることと、ＰＦを用いてセンサ測定値に基づいてシミュレーションを更新することとを含み得る。ＭＣＭＣシミュレーション、ＰＦを用いるセンサ測定値に基づく更新、およびＰＦが更新したＭＣＭＣ結果に対するさらに他の処理は、ローカルコントローラ２１～２３で実行することができる。そうすることで、予測資産健全性解析を更新するためにローカルセンサの測定値を取り入れるのが容易になる。
本明細書に記載の技術は、資産について利用できるセンサデータがまだないときに開始することができる。説明のために、残存耐用年数（ＲＵＬ）曲線またはその他の予測資産健全性予想は、利用できるセンサ測定値がまだない間でさえ、確率論的シミュレーションにおいて使用される状態モデルの離散状態間の遷移を規定する遷移確率を用いて、計算することができる。遷移確率は、熟練者が設定してもよく、または、予測資産健全性解析を実行中の資産と同一または同様のタイプの資産について捕捉された履歴データから導出してもよい。
以下で説明する技術は、電力システムまたは産業システムのいくつかの異なる資産１１～１３、１６～１８について並列かつ同時に実行できることが認識されるであろう。
説明のために、第１のコンピューティングデバイス（たとえばローカルコントローラ２１）は、確率論的シミュレーションを実行して第１の資産１１、１６の資産健全性状態の発展の予測を得て、第１の資産１１、１６について１つのまたは数個の第１のセンサ１１１によって得られたセンサ測定値に基づいて、ＰＦを用いて、その予測を更新することができる。
第２のコンピューティングデバイス（たとえばローカルコントローラ２２）は、確率論的シミュレーションを実行して第２の資産１２、１７の資産健全性状態の発展の予測を得て、第２の資産１２、１７について１つのまたは数個の第２のセンサ１１２によって得られたセンサ測定値に基づいて、ＰＦ技術を用いて、その予測を更新することができる。
第３のコンピューティングデバイス（たとえばローカルコントローラ２３）は、確率論的シミュレーションを実行して第３の資産１３、１８の資産健全性状態の発展の予測を得て、第３の資産１３、１８について１つのまたは数個の第３のセンサ１１３によって得られたセンサ測定値に基づいて、ＰＦ技術を用いて、その予測を更新することができる。
異なる確率論的シミュレーションは、資産１１～１３、１６～１８の初期の健全性状態に応じて、異なって初期化することができる。初期化は確率的であってもよい。説明のために、利用できる情報が、資産が確率論的シミュレーションにおいて使用される状態空間の第１の状態なのか第２の状態なのかについて決定的な情報ではなくこれらの状態のうちのいずれかの状態になる可能性が等しい場合は、ベイズの事前分布でシステムを初期化して資産が第１の状態になる可能性が５０％に等しく資産が第２の状態になる確率が５０％に等しくなるようにすればよい。状態がより多く確率が異なるその他の確率的初期化も可能であろう。
確率論的シミュレーションにおいて使用される状態空間の異なる状態間の遷移確率は、さまざまな資産１１～１３、１６～１８について同一であってもよく、または互いに異なっていてもよい。説明のために、第１の資産１１、１６および第２の資産１２、１７を異なる動作条件および／または周囲条件で運転する場合、シミュレーションにおいて使用される離散状態空間の状態間の遷移確率は互いに異なっていてもよい。
確率論的シミュレーションにおいて使用される状態空間は、さまざまな資産１１～１３、１６～１８について同一であってもよい。
さまざまな資産の予測が更新される間隔は異なっていてもよい。説明のために、第１の資産１１、１６の予測を更新するためにＰＦを連続的に実行する時間間隔は、第２の資産１２、１７の予測を更新するためにＰＦを連続的に実行する時間間隔、および／または第３の資産１３、１８の予測を更新するためにＰＦを連続的に実行する時間間隔とは異なっていてもよい。
図３は方法５０のフローチャートである。この方法５０は、ローカルコントローラ２１～２３、中央システム２０、および／またはリモートサーバシステム２４における１つまたは数個の集積回路（ＩＣ）によって自動的に実行されてもよい。
ステップ５１において、確率論的シミュレーションステップが実行され得る。確率論的シミュレーションステップは、状態空間の離散状態間の遷移確率を用いて、並列に実行される多数のシミュレーションの状態を更新することを含み得る。状態空間は、資産の劣化の程度の増加に対応する有限数の状態を有し得る。確率論的シミュレーションステップは、ＭＣＭＣ技術において並列に実行される多数のシミュレーションにおいて時間発展ステップを実行することを含み得る。
ステップ５２において、センサ測定値を利用できるか否かが判断される。センサ測定値はプッシュまたはプルメカニズムが受けてもよい。トリガイベントに応答してセンサ測定値を読み取るイベントベースの報告を用いてもよい。利用できるセンサ測定値がない場合、ステップ５１において次のシミュレーションステップが実行される。
ステップ５３において、センサ測定値を利用できる場合、ＰＦを用いて、確率論的シミュレーションによって得られた最新の予測を更新する。これは、測定値に基づいて確率論的シミュレーションにおいて得られた確率分布を更新すること、および／または、そこから導出した量（残存耐用年数（ＲＵＬ）、故障確率(ＰｏＦ)など）を更新することを含み得る。
ステップ５１～５３を繰り返す。ＰＦを用いる更新の前に実行される確率論的シミュレーションステップ５１の数は、繰り返しごとに異なっていてもよい。
確率論的シミュレーションは、資産が状態空間の複数の異なる状態のうちの１つの状態にある確率分布を提供することができる。センサ測定値に基づいてＰＦが更新した確率論的シミュレーションを用いて、資産健全性状態の発展を示すスカラー関数を導出することができる。スカラー関数は、資産が将来のある時点で致命的な故障状態にある確率を示すことができる。スカラー関数は、資産健全性の劣化を定量化する劣化指標であってもよく、これは、資産が状態空間の異なる状態にある確率から計算することができる。スカラー関数またはそこから導出した情報は、ＨＭＩ２６を介して出力することができ、または自動的な制御動作に使用することができる。
図４は、確率論的シミュレーションと、ＰＦを用いるセンサ測定値に基づく更新とを組み合わせた動作を示す。
時間ｔ０において、確率論的シミュレーションＳを初期化する。確率論的シミュレーションを用いて、ｋステップ前の予測６２を得る。確率論的シミュレーションは、資産がｋ個のシミュレーションステップｘｔ０＋１，ｘｔ０＋２，…ｘｔ０＋ｋの各々について離散状態空間の状態にある確率分布を予測する。時間ｔ１においてセンサ測定値を利用できる場合、この予測は最新の測定値（ｙｔ１）でＰＦ６３によって訂正される。ステップ前の予測６２およびＰＦ６３を求める確率論的シミュレーションは、繰り返しプロセスの繰り返し６１を形成する。時間間隔ｔ１ーｔ０は、確率論的シミュレーションにおける１つの予測発展ステップに対応する時間間隔の整数倍であってもよいが、これである必要はない。
その後、プロセスを繰り返す。更新された予測を用いて、確率論的シミュレーションＳを初期化する。更新された予測は、ｋステップ前の予測ｘｔ０＋ｋおよびセンサ測定値ｙｔ１の両方に依存する。確率論的シミュレーションを用いて、ｋステップ前の予測６６を得る。確率論的シミュレーションは、資産がｋ個のシミュレーションステップｘｔ１＋１，ｘｔ１＋２，…ｘｔ１＋ｋ′の各々について離散状態空間の状態にある確率分布を予測する。時間ｔ２においてセンサ測定値を利用できる場合、この予測は最新の測定値（ｙｔ２）でＰＦ６７によって訂正される。ステップ前の予測６６およびＰＦ６７を求める確率論的シミュレーションは、繰り返しプロセスの繰り返し６５を形成する。時間間隔ｔ２ーｔ１は、確率論的シミュレーションにおける１つの予測発展ステップに対応する時間間隔の整数倍であってもよいが、これである必要はない。
繰り返し６５における予測ステップの数ｋ′は、繰り返し６１における予測ステップの数ｋとは異なっていてもよい。
ＰＦはノンパラメトリックベイズフィルタリング技術である。ＰＦは、隠れマルコフモデル（ＨＭＭ：Hidden Markov Model）によってモデル化されたプロセスに適用可能なモンテカルロ重要度サンプリングアプローチに基づくことができる。ＰＦを用いて、再帰的ベイズ推定によって観察量の測定値からシステムの隠れ状態の事後分布を推定することができる。この推定は、サンプルと呼ばれるタプルの集合｛粒子：重量｝の形態で得ることができ、これは、隠れＨＭＭ状態の真の事後分布を近似する経験的確率分布（ヒストグラム）を表す。
各フィルタリングステップにおいて、いわゆる重要度分布から複数のサンプルを取得して、動的システムの発展を予測する必要がある。ＨＭＭシステムの新たな観察結果が利用できるようになると、ベイズ推定によってサンプルを更新することができる。ＰＦは、予測－更新パラダイムに従う再帰的技術である。粒子の加重平均を計算することによって、サンプル（タプルの集合｛粒子：重量｝）からシステム状態の点推定値が得られる。
図５は、実施形態に係る方法およびコンピューティングシステムにおいて使用できるマルコフ連鎖モデルのグラフである。マルコフ連鎖モデルの状態空間は、ｎ個の状態Ｓ１，…，Ｓｎからなる一組の状態で構成されている。この場合はｎ＝４である。しかしながら、異なる数の状態（たとえばｎ＝３またはｎ＝５またはｎ＞５）を有する状態空間を代わりに使用することもできる。
状態空間の状態は、資産健全性の劣化の程度がＳ１からＳ２、Ｓ２からＳ３などのように増加するように並べてもよい。すなわち、マルコフ連鎖モデルの、最後の状態以外のすべての状態に、劣化の程度がより大きい別の状態が続くようにしてもよい。マルコフ連鎖モデルの最後の状態は、劣化の程度が最も大きい劣化を表すことができる。
マルコフ連鎖モデルは、１番目、２番目、…（ｎ－１）番目の状態４１～４３が、状態空間の、他のただ１つの状態への非ゼロ遷移確率ｐ１２、ｐ２３、ｐ３４を有するように、設定することができる。ｎ番目の状態４４は、この状態以外の状態への非ゼロ遷移確率を有しない。
説明のために、マルコフ連鎖モデルは、第１の状態４１から第２の状態４２へは有限遷移確率ｐ１２であるが第２の状態４２から第１の状態４１に戻るのはゼロ遷移確率であるモデルとすることができる。確率が１－ｐ１２である第１の状態４１は、確率論的シミュレーションの繰り返しにおいて維持される。
マルコフ連鎖モデルは、第２の状態４２から第３の状態４３へは有限遷移確率ｐ２３であるが第３の状態４３から第２の状態４２に戻るのはゼロ遷移確率であるモデルとすることができる。確率が１－ｐ２３である第２の状態４２は、確率論的シミュレーションの繰り返しにおいて維持される。
マルコフ連鎖モデルは、第３の状態４３から第４の状態４４へは有限遷移確率ｐ３４であるが第４の状態４４から第３の状態４３に戻るのはゼロ遷移確率であるモデルとすることができる。確率が１－ｐ３４である第３の状態４３は、確率論的シミュレーションの繰り返しにおいて維持される。
マルコフ連鎖モデルの最終状態４４は、資産がこれ以上機能しない程度まで故障している状態に対応し得る。
状態空間のその他の状態４１～４３は、程度が異なる劣化に対応し得る。
説明のために、第１の状態（「未知の」状態Ｓ１と呼ぶ場合もある）は、資産の動作に影響する、わかっている劣化が存在しない資産状態に対応し得る。説明のために、第１の状態４１は、故障が記録されていないまたは故障を記録できない状態に対応し得る。
第２の状態４２（「初期の」状態Ｓ２と呼ぶ場合もある）は、資産の性能に直ちに影響しないわずかな程度の、検出可能な故障に対応し得る。このような初期故障は、通常、平均修理時間（ＭＴＴＲ：Mean Time to Repair）が短いこと、修理コストが低いこと、および全体の性能に対する影響が小さいことによって、特徴付けられる。初期故障は、保守管理が適切に行われない場合、一層劣化した故障に発展する可能性がある。
第３の状態４３（「劣化」状態Ｓ３と呼ぶ場合もある）は、システムの性能を大幅に低下させるが資産を即時停止させることはない故障を説明するモードに対応し得る。通常、このような故障は構成部品の劣化によって生じる。この劣化は、対処されなければ最終的に致命的な故障になる。
第４の状態４４（「致命的」状態Ｓ４と呼ぶ場合もある）は、資産を即時かつ完全に停止させる最も重篤な故障モードに対応し得る。通常、これは、（全面的な生産損失により）長く高コストなＭＴＴＲによって特徴付けられる。
マルコフ連鎖モデルの遷移確率は、熟練者からユーザインターフェイスを介して受けてもよく、または、以下で説明するように履歴データを用いて求めてもよい。遷移確率ｐ１２、ｐ２３、ｐ３４の各種セットを用いることができる。説明のために、Ｎ＞１の、特にＮ＞２の、遷移確率ｐ１２、ｐ２３、ｐ３４の各種セットを用いることにより、異なる周囲および／または動作条件での資産健全性状態の発展をシミュレートすることができる。
資産健全性状態の発展の予測を得るために確率論的シミュレーションを初期化する際、確率論的シミュレーションの初期状態は、利用できる資産に関する情報に応じて選択することができる。利用できる資産に関する情報がない場合、シミュレーションはすべて、検出可能な故障に関する情報がない第１の状態４１から開始すればよい。資産に関する情報、たとえば設置後に収集されたセンサデータを利用できる場合、このセンサデータをシミュレーションの初期化のために使用することができる。各種ＭＣＭＣまたはその他の確率論的シミュレーションの初期状態の分布を、既に収集されているセンサデータが、資産の性能に影響する認識可能な故障がないことを示すか否か、または、資産の性能に影響する検出可能な問題があるか否かに応じて、選択することができる。
さらに、上記に説明したように、初期化は確率的であってもよい。
図６は、自動的に生成および出力可能な出力７１の概略図である。出力７１は、センサ測定値に基づいてＰＦを用いて更新されたマルコフ連鎖モデルが、機能しない資産に対応する致命的状態に発展する確率を示すことができる。出力７１は、マルコフ連鎖モデルが状態空間の致命的状態Ｓ４であるシミュレーションの割合を計算することで、求めることができる。
その他の出力または上記出力に代わる出力を生成してもよい。説明のために、ＲＵＬ曲線を、または資産の劣化を示すその他の情報を処理することにより、検査、保守管理または交換作業を自動的にスケジューリングし、スケジュール情報をオペレータに対して出力するおよび／またはダウンタイムを自動的にスケジューリングしてもよい。
これに代えてまたはこれに加えて、ＲＵＬ曲線を、または資産の劣化を示すその他の情報を、しきい値との比較またはその他のトリガを用いて処理することにより、アラーム、警告、またはその他の信号を、オペレータに対して出力すべきか否かおよびいつ出力するかを判断してもよい。
図６に示されるように、ＰＦによるセンサ測定値に基づく更新によって、ＭＣＭＣ、ＲＵＬ曲線、ＰｏＦ曲線、または資産健全性状態の発展を示すその他の情報の確率分布が急上昇し得る。
確率論的シミュレーション、たとえばＭＣＭＣによって、同一種類の大きな一組の資産の資産健全性の劣化ついての明確な見通しが得られるが、確率論的シミュレーションをＰＦと組み合わせて予測を更新することにより、予測資産健全性解析を資産特有の態様で改善することができる。
図７Ａ、図７Ｂおよび図７Ｃは資産健全性状態の時間発展を示す。
図７Ａ、図７Ｂおよび図７Ｃには、劣化を表すスカラー関数ｄ（ｔ）が示されている。スカラー関数ｄ（ｔ）は、ＰＦが更新した確率的論的シミュレーションによって求めた、マルコフ連鎖モデルが１番目、２番目、…ｎ番目の状態になるそれぞれの確率ｐ１，ｐ２，…，ｐｎのすべてに依存する。
説明のために、任意の時間ｊについて、スカラー関数
Figure 0007297816000001
を計算することができ、式中、ｐｉ（ｊ）は、確率論的シミュレーションによって求めた、マルコフ連鎖モデルが時間ｊにおいてｉ番目の状態になる確率を示し、ｍｉは、単調な、特に厳密に単調な、状態ラベルｉの関数であるスカラー値を示す。説明のために、すべてのｍｉを、ｍ１≦ｍ２≦…≦ｍｎ、特にｍ１＜ｍ２＜…ｍｎとなるように、ある区間から選択してもよい。
関数ｄ（ｊ）をまたはそこから導出した情報を出力することにより、結果としてＲＵＬの短縮につながる劣化を、たとえ資産が致命的状態Ｓ４に到達していなくても、より十分に反映させることができる。
関数ｄ（ｊ）は、劣化を示し、ｄ（ｊ）が０と１との間の値を取るという制約がある場合、ｈ（ｊ）＝１－ｄ（ｊ）により、健全性指標ｈ（ｊ）に関連付けることができる。
図７Ａ、図７Ｂおよび図７Ｃは、ｄ（ｔ）によって測定された、資産健全性状態の時間発展を示す。曲線８１は、確率論的シミュレーションを、ＰＦを用いた更新に基づくセンサ読み取りと組み合わせることによって、本発明者らが求めた時間発展に対応する。曲線８２はそれぞれの資産の実際の時間発展に対応する。曲線８２は、複数のセンサ測定値を処理して劣化関数８２にすることによって得られる。曲線８３は、ＰＦを用いた更新に基づくセンサ読み取りを使用せずに確率論的シミュレーションによって求めた時間発展に対応する。
図７Ａ、図７Ｂおよび図７Ｃでは、曲線８２を求めるためのデータは、劣化速度が平均よりもはるかに遅い資産について捕捉される。したがって、ＰＦを用いた更新に基づくセンサ読み取りを使用せずに確率論的シミュレーションによって得られた曲線８３と、実際の劣化を表す曲線８２とは顕著に異なる。
ＰＦを用いたセンサ測定値を予測に取り入れることによって、結果として生じる曲線８１は、資産健全性状態の実際の発展をはるかに忠実に模倣する。
確率論的シミュレーションが離散状態空間を有するモデルに基づいている場合、センサ測定値を確率論的シミュレーションと組み合わせて更新された予測を得ることは、連続的な観察量またはそこから導出した劣化指標ｄ（ｔ）と状態空間の離散状態との間の変換を含み得る。これはさまざまな態様で行うことができる。説明のために、劣化指標ｄ（ｔ）または健全性指標ｈ（ｔ）＝１－ｄ（ｔ）は、センサ測定値が利用できるようになるとこれらのセンサ測定値に基づいて計算することができる。センサ測定値から計算した劣化指標ｄ（ｔ）または健全性指標ｈ（ｔ）＝１－ｄ（ｔ）を、数個のしきい値ＴＨ１，…ＴＨｎ－１と比較することができる。しきい値ＴＨ１，…ＴＨｎ－１は、離散状態空間のさまざまな状態Ｓ１，…Ｓｎに対応付けられている劣化指標ｄ（ｔ）または健全性指標ｈ（ｔ）＝１－ｄ（ｔ）の区間の上限と下限とを定めることができる。資産の確率的シミュレーション、および／またはＰＦを用いる更新手続きの確率的シミュレーションを初期化する際に、しきい値ＴＨ１，…ＴＨｎ－１との比較を用いることができる。
センサ測定値についての追加情報を用いてもよい。説明のために、センサ測定値は不確実性に対応付けられてもよい。不確実性は、センサの品質欠陥および／またはノイズに起因し得る。ＰＦはこの情報を考慮に入れてもよい。説明のために、ＰＦは、測定データにおけるノイズを定量化する一組のパラメータを使用してもよいが、これに限定されない。このパラメータは、状態モデルのさまざま状態に依存してもよく、これらのさまざま状態について異なっていてもよい。このパラメータは、たとえば履歴センサデータに基づいて予め求めてもよく、ＰＦの寿命動作中に使用してもよい。
図８は方法９０のフローチャートである。この方法９０は、ローカルコントローラ２１～２３、中央システム２０、および／またはリモートサーバシステム２４における１つまたは数個の集積回路（ＩＣ）によって自動的に実行されてもよい。
ステップ９１において、測定データに対応付けられた不確実性定量化が実行され得る。これは、ＰＦを用いて資産健全性状態の発展の予測を更新する前の訓練段階で行われてもよい。
ステップ９２において、確率論的シミュレーションが実行され得、資産健全性状態の発展の予測が、ＰＦを用いてセンサ測定値に基づいて更新される。
ステップ９３において、予測出力、たとえば、ＲＵＬもしくはＰｏＦ曲線、アラーム、警告、またはＰＦを用いて更新された発展の予測に基づいて求めた制御信号が出力され得る。
限定ではなく説明のために、観察可能な量ｙの期待値は
Figure 0007297816000002
によってシミュレーションにおいて使用される離散状態空間の状態に関連付けることができ、式中、ｏ（ｉ）は連続値を有してもよく、ｉは離散状態モデルの状態を表す１，…ｎの整数であり、Ｎは標準偏差σｉを有するノイズ項である。このノイズ項Ｎは、標準偏差σｉを有する、０を中心とするガウシアンホワイトノイズであってもよい。この標準偏差は、状態モデルの状態に依存し得るパラメータである。
ステップ９１における訓練中に、離散状態空間のすべての状態について標準偏差σｉを計算することができる。これは、観察量ｙと期待値Ｅ（ｙ）との間の偏差が最小化されるように、または少なくともしきい値未満であるように、標準偏差σｉを選択することによって行うことができる。
説明のために、標準偏差σｉは
Figure 0007297816000003
が最小化されるように、またはしきい値未満であるように、訓練データに基づいて計算することができる。式（３）において、｜｜・｜｜は、Ｌ１ノルム、Ｌ２ノルム、または、さまざまな時間にわたって、測定データからの観察可能な量が利用できる対象であるそれぞれの予測状態について計算されたその他のノルムなどの、ノルムを表す。
式（３）に従って標準偏差σｉを求めることをより効率的にするために、すべてのσｉは、それらが有限セットの値から選択されるように制約されてもよい。これによって、ブルートフォースアプローチを用いて標準偏差σｉを求めることができる。
求めた標準偏差σｉはその後、更新手続きにおいてＰＦが使用してもよい。求めた標準偏差σｉは、ＰＦの寿命動作中に変更する必要はない。説明のために、ＰＦは、以前に求めた標準偏差σｉを更新手続きにおいて使用してもよい。いくつかの実装形態では、ＰＦは、標準偏差σｉを使用して、確率論的シミュレーションによって求めた最新の確率分布に対応する観察可能な量の期待値を計算することができ、この期待値をセンサ測定値から求めたそれぞれの観察量と比較することができ、この比較に基づいて更新を実行することができる。
ＭＣＭＣのような確率論的シミュレーションを実行すること、およびセンサ測定値に基づいてＰＦを用いて確率論的シミュレーションを更新することにより、資産の健全性状態の発展だけでなく、求めた発展に対応付けられた信頼性も、自動的に求めて出力することができる。
信頼性に関する情報は各種形態を取り得る。説明のために、曲線７１、８１の周辺の信頼区間の発展を、予測時間範囲にわたる時間の関数として求めてもよい。信頼区間の時間発展は、劣化指標ｄについて、または健全性指標ｈについて、致命的な故障の確率７１の下限および上限を示すことができる。上限および下限は、ＰＦが更新した確率論的シミュレーションのうちの少なくとも一定の割合（たとえば少なくとも７０％、８０％、９０％、または９５％）が、致命的故障の確率７１、劣化指標ｄ、または上限と下限との間の範囲内の健全性指標ｈとなるように、求めることができる。信頼区間の時間発展を示す具体例としての上限７２および下限７３は、図９に示されている。
これに代えてまたはこれに加えて、上限および下限７２、７３は、資産がその対象となり得る、動作および／または周囲条件における分散を、反映し得る。説明のために、曲線７１、７２、および７３の各々は、図５を参照しながら説明したものであるが遷移確率のセットが異なるマルコフ連鎖モデルを用いた複数回の確率論的シミュレーションを実行することによって得ることができる。
確率論的モデルの遷移確率はさまざまな方法で求めることができる。説明のために、遷移確率は、熟練者が設定してもよく、または履歴センサデータから導出してもよい。
履歴センサデータは、予測資産健全性解析を実行する対象である資産と同一種類の資産（たとえば特定の電力定格範囲を有する太陽光発電パネル、特定の電力定格範囲を有する風力発電機、特定区間の定格の変圧器）について得られてもよい。
履歴センサデータは、状態、たとえば状態Ｓ１～Ｓｎに関する情報を含むラベル付けされたセンサデータであってもよい。説明のために、センサデータの任意のセットに対し、このセンサデータをマルコフ連鎖モデルの状態Ｓ１，…，Ｓｎのうちの１つに対応付ける情報があってもよい。センサデータが故障シグナチャを含まない場合、このセンサデータをマルコフ連鎖モデルの状態Ｓ１，…，Ｓｎに割り当てる熟練者からの情報を受けてもよい。これに代えてまたはこれに加えて、資産群のうちのそれぞれの資産の劣化または健全性指標を表すスカラー関数をセンサデータから計算してもよい。スカラー関数を１つまたは数個のしきい値と比較することにより、履歴センサデータに基づいて、Ｓ１，…，Ｓｎ間の遷移が起こった時間を求めてもよい。
スカラー関数は、ヒューリスティックスを用いてセンサ測定値から計算してもよい。
スカラー関数は、さまざまな時点で捕捉されたセンサ測定値を入力として取り、これらの測定値を処理してスカラー関数にしてもよく、このスカラー関数は、健全性指数ｈまたは劣化指数ｄが反映する、観察された資産健全性の発展を表す。
離散状態間の遷移を特定するために使用するスカラー関数を計算するために、さまざまな技術を使用することができる。説明のために、センサ測定値を、ある範囲の動作値と比較してもよい。この範囲外の各センサ測定値に対し、ペナルティを課してもよい。センサ測定値の重み係数と、正常動作値範囲からのセンサ測定値の偏差に依存する値との積を組み合わせる、加重和またはその他の処理を用いてもよい。重み係数は、それぞれのセンサによって決まるものであり、資産健全性の測定値の重要度を示す。
回路遮断器、電池（リチウムイオン電池等）、または変圧器を含むがこれらに限定されない、広範囲にわたる資産について、センサ測定値から連続健全性または劣化関数へのマッピングを提供するツールが知られている。説明のために、エリプスＡＰＭまたはＲｅｌＣａｒｅツール等のツールは、センサ測定値を処理することにより、連続範囲に含まれる値を有し資産健全性を示す関数を提供する。正規化を用いることにより、健全性または劣化関数を、所望の範囲（０から１等）に正規化してもよい。
本明細書に開示される技術により、いかなる健全性または劣化関数も、任意の正規化およびしきい値比較を用いて、状態モデルの離散状態にマッピングすることができる。
マルコフ連鎖モデルの遷移確率は、センサデータおよび対応付けられた状態ラベルから自動的に求めてもよい。
ある具体例としての実装形態において、遷移確率は条件確率に基づいて求めてもよい。説明のために、時間ｊにおける、ｉ番目の状態から（ｉ＋１）番目の状態（１≦ｉ≦ｎ－１）への遷移の遷移確率は、次のように求めることができる。
Figure 0007297816000004
式（４）において、分子は、時間ｊの時点でｉ番目の状態であり時間ｊ＋１の時点で（ｉ＋１）番目の状態に遷移した資産の数を表す。分母は、時間ｊの時点でｉ番目の状態であった資産の数を表す。
遷移確率は、ユーザ入力に基づいて設定および／または調整してもよい。平均またはその他の処理を実施することにより、均質なマルコフ連鎖モデルの確率を得ることができる。
同一の種類の資産（たとえば特定の電力定格範囲を有する太陽光発電パネル、特定の電力定格範囲を有する風力発電機、特定区間の定格の変圧器）であるが動作条件および／または周囲条件が異なるさまざまなグループの資産についてセンサデータを利用できる場合、遷移確率は、これらのグループの各グループごとに独立して求めてもよい。
遷移確率はその後、得られた予測を更新するために、ＰＦと組み合わせられる確率論的シミュレーションにおいて使用されてもよい。
センサ測定値に基づいてＰＦが更新した、得られた予測を処理することにより、ＲＵＬ曲線、ＰｏＦ曲線、または１つもしくはいくつかの資産の、時間に依存する劣化の別の指標を求めてもよい。
ＰＦが更新した資産健全性状態の発展の予測の結果に基づいて、制御および／または出力動作を自動的に実行してもよい。
説明のために、ＲＵＬ曲線を出力してもよい。信頼区間または分散の時間発展に関する情報を同時に出力してもよい。
これに代えてまたはこれに加えて、資産の動作点を、この資産に対応付けられたローカルコントローラ２１～２３によって自動的に調整してもよい。
これに代えてまたはこれに加えて、検査、保守管理、および／または交換作業を自動的にスケジューリングしてもよい。
これに代えてまたはこれに加えて、検査、保守管理、および／または交換作業のダウンタイムを自動的にスケジューリングしてもよい。
これに代えてまたはこれに加えて、ＲＵＬ曲線またはその他の予測資産健全性状態の発展に応じて、アラーム、警告、またはその他の出力を、ＨＭＩを介して出力するために生成してもよい。
図１０は、コンピューティングシステム１００の概略図である。コンピューティングシステム１００は、１つまたはいくつかのＩＣ１０３を含み得る。ＩＣは、特定用途向け集積回路（ＡＳＩＣ）、プロセッサ、コントローラ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、または複数のこのような集積回路を組み合わせたものであってもよい。
ＩＣ１０３は、中央システム２０にあってもよく、ローカルコントローラ２１～２３のうちの１つにあってもよく、サーバシステム２４にあってもよく、または、これらのエンティティに分散していてもよい。
ＩＣ１０３は、確率論的シミュレーションエンジン１０４を実行することにより、マルコフ連鎖モデルの時間に依存する発展をシミュレートするように機能してもよい。確率論的シミュレーションエンジン１０４は、ＭＣＭＣシミュレーションを実行するように適合させてもよい。
確率論的シミュレーションエンジン１０４が使用するマルコフ連鎖モデルの遷移確率は、インターフェイス１０１を介して受けることができる（たとえば、ＩＣ１０３がローカルコントローラ２１～２３のうちの１つにあり中央システム２０が遷移確率を計算する場合）。遷移確率を、ＩＣ１０３が、予測資産健全性解析の実行対象である資産と同じ種類の資産からなる資産群の履歴センサデータに基づいて計算してもよい。履歴センサデータは、インターフェイス１０１を介して受けることができる、または、データ記憶装置１０２にローカル保存することができる。
ＩＣ１０３は、ＰＦ更新エンジン１０５を実行することにより、センサ測定値に基づいて、確率論的シミュレーションエンジン１０４によって得られた予測を更新するように機能してもよい。センサ測定値は、センサ１１０、ゲートウェイ（ＧＷ）デバイス、またはマージングユニット（ＭＵ）などの別のエンティティから、インターフェイス１０１において受けてもよい。
ＩＣ１０３は、予測エンジン１０６を実行するように機能してもよい。予測エンジン１０６は、ＰＦ更新エンジン１０５が更新した、確率論的シミュレーションエンジン１０４が実行したシミュレーションの結果に基づいて、ＲＵＬ曲線、ＰｏＦ曲線、または、資産健全性状態の発展に対応付けられたその他の予測情報を、計算してもよい。
ＩＣ１０３は、出力エンジン１０７を実行するように機能してもよい。出力エンジン１０７は、ＨＭＩを制御するための、および／または資産もしくは資産が使用されているシステムに対する制御動作を実現するための、出力データまたは出力信号を生成してもよい。説明のために、出力エンジン１０７は、ＲＵＬ曲線またはＰｏＦ曲線が出力されるように、データを生成してＨＭＩに出力するように機能してもよい。出力エンジン１０７は、信頼区間または分散の時間発展に関する情報を同時に出力できるように、データを生成してＨＭＩに出力するように機能してもよい。
これに代えてまたはこれに加えて、出力エンジン１０７は、ＰＦ更新エンジン１０５が更新した、確率論的シミュレーションエンジン１０４が実行したシミュレーションの結果に応答して、資産の動作点を自動的に調整するように機能してもよい。
これに代えてまたはこれに加えて、出力エンジン１０７は、検査、保守管理および／または交換作業に関する情報を自動的に生成して出力するように機能してもよい。
これに代えてまたはこれに加えて、出力エンジン１０７は、検査、保守管理、および／または交換作業のダウンタイムを自動的にスケジューリングできるように、このダウンタイムに関する情報を自動的に生成して出力するように機能してもよい。
これに代えてまたはこれに加えて、出力エンジン１０７は、ＲＵＬ曲線またはその他の予測資産健全性状態の発展に応じて、アラーム、警告、またはその他の出力を、ＨＭＩを介して出力するために、自動的に生成して出力するように機能してもよい。
図１１は、ある実施形態に係る方法およびコンピューティングシステムの動作を示す概略ブロック図である。時間ｔｉにおいて資産健全性状態（状態空間のいくつかの状態にわたる確率分布であってもよい）の初期値ｘｔｉから開始して、ｋ個の確率論的シミュレーションステップ１２２を実行することにより、資産健全性状態のｋステップ前の予測ｘｔｉ＋ｋを求める。
時間ｔｉ+１（ｔｉ＋ｋに等しくてもよく、またはそうでなければｔｉ＋ｋ≦ｔｉ+１＜ｔｉ＋ｋ＋１を満たしてもよい）においてセンサ測定値１２１が利用できるようになると、ＰＦ１２３はｋステップ前の予測ｘｔｉ＋ｋおよびセンサ測定値を組み合わせて用いて、更新された予測を計算することができる。この更新された予測は、ｋステップ前の予測の次回の計算に供給されてもよい。
さまざまな効果および利点が本発明に関連する。本発明は、状態監視および故障予測に新たな測定値が利用できるようになると資産健全性予測を自動的に更新できるようにする、粒子フィルタ（ＰＦ）技術の新規な適用例を提供する。これにより、資産健全性状態の長短予測を得ることができる。予測の更新は、可変であり得る間隔で行われてもよい。新たな測定値を用いる予測の自動更新は、測定値が不確実である場合でも行うことができ、この不確実さは、たとえばセンサの品質欠陥および／またはノイズに起因し得る。
本発明に係る方法およびシステムは、発電、配電、および／もしくは送電システムの資産等の電力システム資産、または産業システムの資産に関連して使用することができるが、これらに限定される訳ではない。
本発明について図面およびこれまでの記載において詳細に説明してきたが、このような説明は、例示または具体例と考えられるべきものであって限定ではない。クレームされている発明を実施する当業者は、図面、開示、および添付の請求項の検討を通じて、開示されている実施形態の変形を理解し実施することができる。請求項において、「備える／含む（comprising）」という単語は、その他の要素またはステップを除外しないものであり、不定冠詞「ａ」または「ａｎ」は、複数を除外しない。特定の要素またはステップが別個の請求項に記載されているからといって、それだけでこれらの要素またはステップの組合せを有利に使用できないことを示す訳ではなく、具体的には、実際の請求項の従属に加えて、任意のさらに重要な請求項の組み合わせが開示されているとみなされねばならない。

Claims (15)

  1. 電力システム資産または産業資産である資産（１１～１３；１６～１８）について予測健全性解析を実行する方法であって、前記方法は少なくとも１つの集積回路によって実行され、前記方法は、
    前記資産（１１～１３；１６～１８）の資産健全性状態の将来の発展を求めることを備え、前記求めることは、
    確率論的シミュレーションを実行して、前記資産健全性状態の将来の発展の予測を得ることを含み、前記確率論的シミュレーションは、離散状態空間（４１～４４）を有するモデルを使用し、前記離散状態空間は、前記資産の動作が故障の悪影響を受けない少なくとも１つの状態（４１）と、前記資産の動作が故障の悪影響を受けるが前記資産が動作を継続する少なくとも１つの状態（４２、４３）と、前記資産が故障のために機能しない状態（４３）とを含み、前記求めることはさらに、
    粒子フィルタＰＦを用いて、センサ測定値に基づいて前記予測を更新することとを繰り返すことを含み、前記方法はさらに、
    計算した前記資産健全性状態の将来の発展に基づいて出力（７１；７１～７３；８１）を生成することを備える、方法。
  2. 前記更新するステップは、前記センサ測定値を読み取ることによってトリガされる、請求項１に記載の方法。
  3. 前記モデルは、離散マルコフ連鎖モデルを使用する、請求項１または２に記載の方法。
  4. 前記確率論的シミュレーションはマルコフ連鎖モンテカルロＭＣＭＣシミュレーションを含む、請求項３に記載の方法。
  5. 前記予測を更新することは、前記センサ測定値をスカラー関数にマッピングすることを含み、前記スカラー関数の異なる範囲の値は前記離散状態空間の異なる状態（４１～４４）に対応する、請求項３または４に記載の方法。
  6. 前記予測を更新することは、
    前記予測に基づいて、前記センサ測定値に含まれている観察可能な量の期待値を計算することと、
    前記期待値と、前記センサ測定値に含まれている前記観察可能な量との比較を実行することと、
    前記比較に基づいて、前記確率論的シミュレーションのその後の繰り返しについて、更新された初期状態を計算することとを含む、請求項３～５のいずれか１項に記載の方法。
  7. 前記期待値は、前記離散状態空間（４１～４４）における確率分布と、状態に依存するノイズパラメータとに基づいて計算され、任意で、前記状態に依存するノイズパラメータは、前記期待値を計算するために使用するノイズ項の分散に依存し、任意で、前記状態に依存するノイズパラメータは、ガウシアンホワイトノイズの状態に依存する分散に依存する、請求項６に記載の方法。
  8. 前記確率論的シミュレーションから、予測資産健全性状態の発展の信頼度または分散情報を計算することと、前記センサ測定値に基づいて前記信頼度または分散情報を更新することとをさらに備え、前記出力はさらに、前記信頼度または分散情報に基づいて生成される、請求項１～７のいずれか１項に記載の方法。
  9. 前記センサ測定値を、周期的に、かつ前記確率論的シミュレーションの複数のシミュレーションステップの完了と同期して、読み取ることをさらに備える、請求項１～８のいずれか１項に記載の方法。
  10. 前記センサ測定値を、前記確率論的シミュレーションの整数のシミュレーションステップの完了と非同期で読み取ることをさらに備える、請求項１～８のいずれか１項に記載の方法。
  11. 前記出力は、
    前記資産健全性状態の将来の発展を表現したもの（７１；７１～７３；８１）、
    前記資産健全性状態の将来の発展に基づいて生成されたアラームまたは警告、
    前記資産健全性状態の将来の発展に基づいて前記資産の動作を制御するための制御信号、のうちの少なくとも１つを含む、請求項１～１０のいずれか１項に記載の方法。
  12. 前記資産（１１～１３；１６～１８）は電力システム（１０；１５）または産業システムに設置され、前記電力システムまたは産業システムは、中央制御装置（２０）と、各々が前記電力システムまたは産業システムの資産に対応付けられた複数のローカルコントローラ（２１～２３）とを含む分散型制御システムを有し、前記方法は、前記分散型制御システムのローカルコントローラ（２１～２３）の少なくとも１つの集積回路によって実行される、請求項１～１１のいずれか１項に記載の方法。
  13. 電力システム資産または産業資産である資産（１１～１３；１６～１８）の運転および／または保守管理の方法であって、
    請求項１～１２のいずれか１項に記載の方法を用いて、前記資産（１１～１３；１６～１８）について予測資産健全性解析を実行することと、
    計算した資産健全性状態の将来の発展に基づいて前記資産のダウンタイムをスケジューリングすること、計算した資産健全性状態の将来の発展に基づいて保守管理または検査作業をスケジューリングすること、計算した資産健全性状態の将来の発展に基づいて交換作業をスケジューリングすること、計算した資産健全性状態の将来の発展に基づいて保守管理または検査間隔を変更すること、のうちの少なくとも１つを自動的に実行することとを備える、方法。
  14. 電力システム資産または産業資産である資産（１１～１３；１６～１８）について予測健全性解析を実行するように機能するコンピューティングシステムであって、前記コンピューティングシステムは少なくとも１つの集積回路（１０３）を含み、前記少なくとも１つの集積回路は、
    前記資産の資産健全性状態の将来の発展を計算するように機能し、前記計算することは、
    確率論的シミュレーションによって前記資産健全性状態の将来の発展の予測を得ることを含み、前記確率論的シミュレーションは、離散状態空間（４１～４４）を有するモデルを使用し、前記離散状態空間は、前記資産の動作が故障の悪影響を受けない少なくとも１つの状態（４１）と、前記資産の動作が故障の悪影響を受けるが前記資産が動作を継続する少なくとも１つの状態（４２、４３）と、前記資産が故障のために機能しない状態（４３）とを含み、前記計算することはさらに、
    粒子フィルタＰＦを用いて、センサ測定値に基づいて前記予測を更新することとを繰り返すことによって行われ、前記少なくとも１つの集積回路はさらに、
    前記資産健全性状態の将来の発展に基づいて出力（７１；７１～７３；８１）の生成を制御するように機能する、コンピューティングシステム。
  15. 電力システムまたは産業システム（１０；１５）であって、
    資産（１１～１３；１６～１８）と、 前記資産（１１～１３；１６～１８）について予測資産健全性解析を実行する、請求項１４に記載のコンピューティングシステム（２０～２４；１００）とを備え、任意で、前記コンピューティングシステムは、前記資産を制御するための前記電力システムまたは産業システムのコントローラである、電力システムまたは産業システム。
JP2021094402A 2020-06-08 2021-06-04 資産の予測健全性解析を実行するための方法およびコンピューティングシステム Active JP7297816B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP20178840.3A EP3923213A1 (en) 2020-06-08 2020-06-08 Method and computing system for performing a prognostic health analysis for an asset
EP20178840 2020-06-08

Publications (2)

Publication Number Publication Date
JP2021193563A JP2021193563A (ja) 2021-12-23
JP7297816B2 true JP7297816B2 (ja) 2023-06-26

Family

ID=71078430

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021094402A Active JP7297816B2 (ja) 2020-06-08 2021-06-04 資産の予測健全性解析を実行するための方法およびコンピューティングシステム

Country Status (4)

Country Link
US (1) US20210382447A1 (ja)
EP (1) EP3923213A1 (ja)
JP (1) JP7297816B2 (ja)
CN (1) CN113837427A (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114861739B (zh) * 2022-07-06 2022-09-23 广东工业大学 一种特征通道可选择的多组件系统退化预测方法及系统
CN116342088B (zh) * 2023-03-29 2023-10-13 中建三局集团有限公司 一种基于智慧运维平台的高效过滤器更换策略方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013152655A (ja) 2012-01-26 2013-08-08 Hitachi Ltd プラント又は設備の異常診断方法及びヘルスマネージメント方法
CN106844952A (zh) 2017-01-20 2017-06-13 河海大学 基于无迹粒子滤波理论的发电机动态状态估计方法
US20170236064A1 (en) 2014-08-20 2017-08-17 Cassantec Ag Configuration of malfunction prediction for components and units of technical entities
JP2018500709A (ja) 2014-12-01 2018-01-11 アップテイク テクノロジーズ、インコーポレイテッド 資産健全性スコアおよびそれらの使用
WO2020020548A1 (de) 2018-07-25 2020-01-30 Robert Bosch Gmbh Verfahren zur überwachung einer energieversorgung in einem kraftfahrzeug
JP2020076744A (ja) 2018-10-10 2020-05-21 パロ アルト リサーチ センター インコーポレイテッド 劣化測定からの制約付き凸回帰を使用する、残存耐用年数の適応的推定方法
WO2021249943A1 (en) 2020-06-08 2021-12-16 Hitachi Energy Switzerland Ag Method and computing system for performing a prognostic health analysis for an asset

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE602005008706D1 (de) * 2005-03-24 2008-09-18 Abb Research Ltd Abschätzen der Zustandparameter oder Erscheinung eines alternden Systems
US7788205B2 (en) * 2006-05-12 2010-08-31 International Business Machines Corporation Using stochastic models to diagnose and predict complex system problems
US11055450B2 (en) * 2013-06-10 2021-07-06 Abb Power Grids Switzerland Ag Industrial asset health model update
US10067038B2 (en) * 2015-03-24 2018-09-04 Accenture Global Services Limited Analyzing equipment degradation for maintaining equipment
US11039748B2 (en) * 2016-07-20 2021-06-22 Synchronous Health, Inc. System and method for predictive modeling and adjustment of behavioral health
CN108803323A (zh) * 2018-06-05 2018-11-13 中国民航大学 一种基于改进权值生成方式的粒子滤波舵机状态预测方法
US11232368B2 (en) * 2019-02-20 2022-01-25 Accenture Global Solutions Limited System for predicting equipment failure events and optimizing manufacturing operations

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013152655A (ja) 2012-01-26 2013-08-08 Hitachi Ltd プラント又は設備の異常診断方法及びヘルスマネージメント方法
US20170236064A1 (en) 2014-08-20 2017-08-17 Cassantec Ag Configuration of malfunction prediction for components and units of technical entities
JP2018500709A (ja) 2014-12-01 2018-01-11 アップテイク テクノロジーズ、インコーポレイテッド 資産健全性スコアおよびそれらの使用
CN106844952A (zh) 2017-01-20 2017-06-13 河海大学 基于无迹粒子滤波理论的发电机动态状态估计方法
WO2020020548A1 (de) 2018-07-25 2020-01-30 Robert Bosch Gmbh Verfahren zur überwachung einer energieversorgung in einem kraftfahrzeug
JP2020076744A (ja) 2018-10-10 2020-05-21 パロ アルト リサーチ センター インコーポレイテッド 劣化測定からの制約付き凸回帰を使用する、残存耐用年数の適応的推定方法
WO2021249943A1 (en) 2020-06-08 2021-12-16 Hitachi Energy Switzerland Ag Method and computing system for performing a prognostic health analysis for an asset

Also Published As

Publication number Publication date
JP2021193563A (ja) 2021-12-23
US20210382447A1 (en) 2021-12-09
CN113837427A (zh) 2021-12-24
EP3923213A1 (en) 2021-12-15

Similar Documents

Publication Publication Date Title
US10261485B2 (en) Systems and methods for detecting changes in energy usage in a building
US10521490B2 (en) Equipment maintenance management system and equipment maintenance management method
Wan et al. Probabilistic forecasting of wind power generation using extreme learning machine
JP7297816B2 (ja) 資産の予測健全性解析を実行するための方法およびコンピューティングシステム
Orchard et al. A particle filtering-based framework for real-time fault diagnosis and failure prognosis in a turbine engine
US10520937B2 (en) Sensing and computing control system for shaping precise temporal physical states
US8676727B2 (en) Abnormality diagnosis filter generator
Baraldi et al. Maintenance policy performance assessment in presence of imprecision based on Dempster–Shafer Theory of Evidence
US11796992B2 (en) Condition-based method for malfunction prediction
JP4694984B2 (ja) 電力負荷予測方法、及び電力負荷予測処理プログラム
WO2021005943A1 (ja) 故障確率評価システムおよびその方法
US11416007B2 (en) Computer-implemented method and system for evaluating uncertainty in trajectory prediction
CN113919545A (zh) 一种多数据模型融合的光伏发电功率预测方法和系统
JP2021193557A5 (ja)
Goebel et al. Introduction to prognostics
US20230221694A1 (en) Method and computing system for performing a prognostic health analysis for an asset
Dong et al. Prognostics 102: efficient Bayesian-based prognostics algorithm in Matlab
CN116613086A (zh) 半导体工厂中预测等待时间的方法
Lin et al. Hpt-rl: Calibrating power system models based on hierarchical parameter tuning and reinforcement learning
EP3413153A1 (en) Method and distributed control system for carrying out an automated industrial process
Faizin et al. IMPLEMENTATION OF THE STEP FUNCTION INTERVENTION AND EXTREME LEARNING MACHINE FOR FORECASTING THE PASSENGER’S AIRPORT IN SORONG
Fasanghari et al. Predicting the Success of Projects Using Evolutionary Hybrid Fuzzy Neural Network Method in Early Stages.
Phipps et al. Potential of ensemble copula coupling for wind power forecasting
CN115204441A (zh) 针对制造系统中的多变量时间序列数据的预测方法和系统
Polo et al. Failure Mode Prediction and Energy Forecasting of PV Plants to Assist

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210825

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210825

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221101

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230130

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: 20230516

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230614

R150 Certificate of patent or registration of utility model

Ref document number: 7297816

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S111 Request for change of ownership or part of ownership

Free format text: JAPANESE INTERMEDIATE CODE: R313111

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350