KR20100113635A - 설비의 문제 관리 방법 - Google Patents

설비의 문제 관리 방법 Download PDF

Info

Publication number
KR20100113635A
KR20100113635A KR1020107020443A KR20107020443A KR20100113635A KR 20100113635 A KR20100113635 A KR 20100113635A KR 1020107020443 A KR1020107020443 A KR 1020107020443A KR 20107020443 A KR20107020443 A KR 20107020443A KR 20100113635 A KR20100113635 A KR 20100113635A
Authority
KR
South Korea
Prior art keywords
equipment
facility
data
cause
bayesian network
Prior art date
Application number
KR1020107020443A
Other languages
English (en)
Other versions
KR101216293B1 (ko
Inventor
노부히코 니시무라
후미토시 사카타
마유미 사이토
고우지 사타케
신타로 구마노
Original Assignee
미츠비시 쥬고교 가부시키가이샤
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 미츠비시 쥬고교 가부시키가이샤 filed Critical 미츠비시 쥬고교 가부시키가이샤
Publication of KR20100113635A publication Critical patent/KR20100113635A/ko
Application granted granted Critical
Publication of KR101216293B1 publication Critical patent/KR101216293B1/ko

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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0278—Qualitative, e.g. if-then rules; Fuzzy logic; Lookup tables; Symptomatic search; FMEA
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Manufacturing & Machinery (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

추론 결과가 충분한 정밀도를 갖고, 문제의 보수에 최적인 보수 시기나, 어떠한 문제와 동시 또는 이후에 발생할 수 있는 다른 문제를 추측할 수 있고, 플랜트에 사용되는 대형 기기에 채용할 수 있는 설비의 문제 관리 방법을 제공한다. 설비의 동작 상태를 감시 수단에 의해 감시하고, 상기 설비의 문제 발생시에 상기 감시 수단이 얻은 설비의 운전 상태에 관한 계측값의 데이타를 노드로 하여 추론 수단에 의해 설비의 문제 원인의 추론을 행하는 설비의 문제 관리 방법에 있어서, 미리 준비된 복수의 음향 데이타 중에서, 상기 문제가 발생한 설비로부터 발해지는 소리에 가장 가까운 음향 데이타를 선택함과 함께, 미리 준비된 복수의 형태 데이타 중에서, 상기 문제가 발생한 설비의 형태에 가장 가까운 형태 데이타를 선택하고, 상기 선택된 음향 데이타 및 형태 데이타를 상기 노드에 추가하고, 그 노드에 기초하여 제 1 베이지안 네트워크에 의해 설비의 문제 원인의 추론을 행한다.

Description

설비의 문제 관리 방법{METHOD FOR MANAGING FAILURE OF FACILITY}
본 발명은, 설비의 문제 관리 방법에 관한 것으로, 특히 추론 결과가 충분한 정밀도를 갖고, 플랜트에서 사용되는 가스 터빈 등의 대형 기기에 채용할 수 있는 설비의 문제 관리 방법에 관한 것이다.
가스 터빈 컴바인드 사이클 발전 (GCTT) 플랜트, 육지용 보일러 플랜트, 풍력 발전 플랜트 등에 있어서는, 당해 플랜트를 형성하는 기기에서 이음 (異音) 이나 계측값의 이상 경보가 발해지는 등의 문제가 발생한 경우, 그 원인을 추측하여, 그 추측한 원인에 대응하는 보수 등의 대책을 세울 필요가 있다.
그래서, 상기 플랜트를 형성하는 기기에서 문제가 발생한 경우, 플랜트의 오퍼레이터가 과거의 경험이나 당해 플랜트에 있어서의 과거의 실적을 기초로, 문제의 원인을 추정하여, 원인을 해결할 수 있을 가능성이 있는 액션을 취하는 방법이 행해지고 있다 (종래 기술 1).
또한, 상기 플랜트를 형성하는 기기에서 문제가 발생하면, 플랜트의 오퍼레이터가 상기 문제의 증상을 플랜트 메이커 보수 전문가에게 전달하고, 그 플랜트 메이커 보수 전문가는 플랜트 메이커가 갖는 문제의 데이타 베이스로부터 문제의 원인을 추측하여, 그 추측 결과를 상기 오퍼레이터에게 전달하고, 그 오퍼레이터가 상기 추측된 원인을 해결할 수 있을 가능성이 있는 액션을 취하는 방법도 행해지고 있다 (종래 기술 2).
그러나, 종래 기술 1 에 있어서는, 당해 기기의 고장 요인을 추정하기 위해서는, 당해 기기에 대해 충분한 지식과 기능을 가진 오퍼레이터가 필요 불가결한데, 이와 같은 오퍼레이터의 확보, 육성을 단시간에 실시하기는 어렵고, 충분한 지식과 기능을 가진 오퍼레이터를 확보할 수 없었던 경우에는 잘못된 액션을 취해 버려 상기 문제에 의한 손해를 확대시켜 버릴 가능성이 있다.
또한, 종래 기술 2 에 대해서도 마찬가지로서, 당해 기기의 고장 요인을 추정하기 위해서는, 당해 기기에 대해 충분한 지식과 기능을 가진 플랜트 메이커 보수 전문가가 필요 불가결한데, 이와 같은 플랜트 메이커 보수 전문가의 확보, 육성을 단시간에 실시하기는 어렵고, 충분한 지식과 기능을 가진 플랜트 메이커 보수 전문가를 확보할 수 없었던 경우에는 잘못된 액션을 취해 버려 상기 문제에 의한 손해를 확대시켜 버릴 가능성이 있다.
또한, 플랜트의 기기가 아니라, 프린터의 자동 진단의 기술인데, 특허문헌 1에는 베이지안 네트워크를 이용하여, 문제의 원인을 확률 추론하고, 이것을 해결할 수 있을 가능성이 있는 액션을 그 효과와 비용에 따라 오퍼레이터에게 제시하는 방법이 개시되어 있다.
그러나, 특허문헌 1 에 개시된 기술에 있어서는, 프린터에 대해 충분한 지식과 기능을 가진 전문가의 지식을 베이지안 네트워크화하여 수집하고 있는데, 그 베이지안 네트워크에는 문제 상태에 있는 프린터를 정량화하기 어렵지만, 문제 원인의 추론을 하기 위해서 유용한 음향, 형태 등의 정보에 대해서는 채용되어 있지 않아, 추론 결과가 충분한 정밀도를 갖지 않을 가능성이 있다.
또한, 플랜트 등에 사용되는 대형 기기의 경우에는, 한번 기기를 정지시키면 그 비용이 고액이 되기 때문에 가능한 한 장기간 계속 운전할 필요가 있어, 해당 기기를 즉석에서 정지시켜 문제를 보수해야 할지, 예를 들어 가동일 이외인 주말까지 운전 가능한지, 나아가서는 정기적인 오버홀까지 운전 조건을 제한한 후의 운전이 가능한지 등의 정보가 중요한데, 특허문헌 1 에는 문제에 대한 구체적인 액션은 나타나 있지만, 소형 기기인 프린터에 관한 기술이기 때문에, 상기 대형 기기에 있어서 중요한 정지 타이밍에 관한 정보에 대해서는 제안되어 있지 않다.
또한, 상기 문제에 대한 구체적인 액션은 나타나 있지만, 그 액션을 취한 문제와 동시 또는 이후에 발생할 가능성이 있는 문제에 이르는 열화 증상을 추론하고, 다음의 정기 검사시에 이들의 열화 상태를 확인하는 방법은 기재되어 있지 않다.
이상으로부터, 프린터의 자동 진단 기술인 특허문헌 1 에 개시된 기술을, 플랜트에 사용되는 기기 등의 대형 기기에 채용하기는 어렵다.
일본 공개특허공보 2001-75808호
따라서, 본 발명은 이러한 종래 기술의 문제를 감안하여, 추론 결과가 충분한 정밀도를 갖고, 문제의 보수에 최적인 보수 시기나, 어떠한 문제와 동시 또는 이후에 발생할 수 있는 다른 문제를 추측할 수 있고, 플랜트에 사용되는 대형 기기에 채용할 수 있는 설비의 문제 관리 방법을 제공하는 것을 목적으로 한다.
상기 과제를 해결하기 위한 본 발명에 있어서는, 설비의 동작 상태를 감시 수단에 의해 감시하고, 상기 설비의 문제 발생시에 상기 감시 수단이 얻은 설비의 운전 상태에 관한 계측값의 데이타를 노드로 하여 추론 수단에 의해 설비의 문제 원인의 추론을 행하는 설비의 문제 관리 방법에 있어서, 미리 준비된 복수의 음향 데이타 중에서, 상기 문제가 발생한 설비로부터 발해지는 소리에 가장 가까운 음향 데이타를 선택함과 함께, 미리 준비된 복수의 형태 데이타 중에서, 상기 문제가 발생한 설비의 형태에 가장 가까운 형태 데이타를 선택하고, 상기 선택된 음향 데이타 및 형태 데이타를 상기 노드에 추가하고, 그 노드에 기초하여 제 1 베이지안 네트워크에 의해 설비의 문제 원인의 추론을 행하는 것을 특징으로 한다.
구체적인 기기의 문제에 대해, 수치화하기 어렵지만 상기 문제의 원인을 해명하기 위해서 도움이 되는 데이타로서, 문제 지점으로부터 발해지는 소리, 문제 지점에 있어서의 색채, 연소 상황 등을 포함하는 형태를 들 수 있다.
상기 소리에 관한 정보에 대해, 발생하고 있는 기기의 소리가, 미리 준비된 발생 원인이 상이한 복수의 음향 데이타 중의 어떠한 음향 데이타에 가까운지를, 상기 발생하고 있는 소리를 실제로 들은 오퍼레이터에게 선택시킴으로써, 오퍼레이터의 주관을 최대한 배제하여 음향에 관한 정보를 수집할 수 있다.
또한, 상기 형태에 관한 정보에 대해, 문제 지점에 있어서의 기기의 형태가, 미리 준비된 발생 원인이 상이한 복수의 형태 데이타 중의 어떠한 형태 데이타에 가까운지를, 상기 문제 지점의 기기의 형태를 실제로 본 오퍼레이터에게 선택시킴으로써, 오퍼레이터의 주관을 최대한 배제하여 형태에 관한 정보를 수집할 수 있다.
이와 같이 하여, 주관을 최대한 배제하여 수집한 음향 및 형태의 데이타를 관측 노드에 추가하고, 그 음향, 형태의 데이타 및 그 밖의 상기 감시 수단이 얻은 문제값에 기초하여 추론 수단인 베이지안 네트워크를 이용하여 설비의 문제 원인의 추론을 행함으로써, 문제 원인의 추정 정밀도를 향상시킬 수 있게 된다.
또한, 상기 설비에 있어서의 과거의 문제 원인의 추론 결과와, 그 추론 결과에 대한 설비 개수 (改修) 의 실적의 상관에 대해 제 2 베이지안 네트워크를 구축하고, 그 제 2 베이지안 네트워크에 의해 상기 제 1 베이지안 네트워크에서 문제 원인의 추론이 이루어진 설비에 대해 실시할 가능성이 높은 설비 개수 방법의 추론을 행하는 것이 바람직하다.
예를 들어 본 발명에 의한 문제 관리 방법을 플랜트 메이커 보수 전문가가 사용하는 경우, 문제가 있던 기기를 포함하는 플랜트의 오퍼레이터로부터 상기 기기의 문제 증상의 정보를 수집하고, 본 발명을 이용하여 문제 원인을 추론하고, 그 추론한 원인을 오퍼레이터에게 연락하게 된다. 해당 플랜트에 대해, 플랜트를 구성하는 설비에 있어서의 과거의 문제 원인의 추론 결과와, 그 추론 결과에 대한 설비 개수의 실적의 상관에 대해 제 2 베이지안 네트워크를 구축하고, 그 제 2 베이지안 네트워크를 사용함으로써, 플랜트를 구성하는 설비에 대해 실시할 가능성이 높은 개수 공사를 추정할 수 있다.
즉, 플랜트를 구성하는 설비마다, 플랜트의 사용자가 잠재적으로 실시하고자 하는 설비 개선 공사나 개수 공사를 추정할 수 있어, 문제 원인의 추론 결과와 함께 당해 설비의 개선 공사나 개수 공사에 관한 정보를 플랜트 사용자에게 제공할 수 있다.
이로써, 플랜트의 사용자는, 문제 원인의 추론 결과와 함께 설비의 개선 공사나 개수 공사에 관한 정보를 입수함으로써, 상기 문제에 대해 신속한 처치를 실시할 수 있다.
또한, 플랜트 메이커 보수 전문가는, 문제 원인의 추론 결과와 함께 설비의 개선 공사나 개수 공사에 대해 양호한 정밀도로 추측하고, 그 추측의 결과를 플랜트 사용자에게 제공할 수 있기 때문에, 플랜트 사용자에 대해 개선에 필요한 부품 등, 시기를 얻은 마케팅을 실시할 수 있다.
또한, 상기 설비 또는 유사한 설비에 있어서의 과거의 문제 원인의 추론 결과에 관하여, 적절한 처치를 실시하지 않은 경우에 발생한 고장을 보수하기 위해서 필요한 비용을 상기 추론 결과와 함께 데이타 베이스화하고, 상기 데이타 베이스를 이용하여, 상기 설비의 문제를 방치한 경우에 그 문제가 원인이 되어 고장이 발생할 확률을 상기 제 1 베이지안 네트워크를 이용하여 추론하고, 상기 추론된 확률과 상기 고장을 보수하기 위해서 필요한 상기 비용을 곱한 리스크를 계산하여 제시하는 것이 바람직하다.
이로써, 상기 설비의 문제를 방치한 경우에 떠맡을 비용에 관한 리스크가 수치로서 제시되기 때문에, 문제가 발생한 기기를 즉석에서 정지시켜 문제를 보수해야 할지, 가동일 이외인 주말까지 운전할지, 정기적인 오버홀까지 운전을 계속할지 등, 보수의 타이밍을 결정할 때의 도움이 된다.
또한, 상기 문제 원인을 보수하기 위해서 필요한 비용을 계산하여, 그 비용과 상기 리스크를 비교하는 것이 바람직하다.
상기 설비의 문제 원인을 보수하기 위해서 필요한 비용을 계산하여, 상기 설비의 문제를 방치한 경우에 떠맡을 리스크와 비교함으로써, 발생하고 있는 문제를 조기에 보수해야 할지 여부의 판단이 용이해짐과 함께 정량적으로 판단할 수 있다.
특히, 본 발명을 플랜트 메이커의 보수 전문가가 사용하는 경우에 있어서는, 발생하고 있는 문제를 조기에 보수하는 것이 설비의 라이프 사이클 비용을 생각하면 최적인지 여부를 정량적으로 고객에게 설명할 수 있기 때문에, 플랜트 메이커의 보수 전문가의 신뢰성도 향상된다.
또한, 상기 설비에 있어서 발생한 문제 원인의 추론 결과의 시계열 데이타를 작성하고, 그 시계열 데이타를 상기 제 1 베이지안 네트워크에 입력하고, 상기 설비에 있어서 다음으로 발생할 확률이 높은 문제 원인을 그 발생 확률과 함께 추론하는 것이 바람직하다.
상기 추론 결과의 시계열로 정렬하여 시계열 데이타를 작성하고, 상기 제 1 베이지안 네트워크에 입력함으로써, 어떠한 문제가 발생했을 때에 다음으로 발생할 가능성이 높은 문제 사상을 추론할 수 있다. 이로써 추론된 문제가 발생할 것 같은지 여부를 예를 들어 정수시 (定修時) 등에 검사함으로써, 문제에 대한 미연의 대책을 세울 수 있다. 따라서, 어떠한 문제 사상이 발생하면, 다음으로 발생하기 쉬운 문제 사상을 추론할 수 있기 때문에, 정기 검사시 등에 있어서의 설비의 검사 항목을 설비의 문제의 실적에 있던 것으로 할 수 있어, 효율적으로 검사를 실시할 수 있다.
이상 기재된 바와 같이 본 발명에 의하면, 추론 결과가 충분한 정밀도를 갖고, 문제의 보수에 최적인 보수 시기나, 어떠한 문제와 동시 또는 이후에 발생할 수 있는 다른 문제를 추측할 수 있어, 플랜트에 사용되는 대형 기기에 채용할 수 있는 설비의 문제 관리 방법을 제공할 수 있다.
도 1 은 본 발명이 되는 설비의 문제 관리 방법을 실시하기 위한 원격 관리 시스템의 개략 구성도이다.
도 2 는 음성 데이타 입력의 플로우 차트이다.
도 3 은 연소 상황의 데이타 입력의 플로우 차트이다.
도 4 는 전체 유닛의 문제와 그 후의 설비 개수 실적의 데이타 베이스의 입력과 결과의 출력을 나타내는 플로우 차트이다.
도 5 는 사고 데이타의 입력과 그 활용의 설명도이다.
도 6 은 전체 유닛의 문제의 시계열 데이타의 활용의 설명도이다.
발명을 실시하기 위한 형태
이하, 도면을 참조하여 본 발명의 바람직한 실시예를 예시적으로 상세하게 설명한다. 단 이 실시예에 기재되어 있는 구성 부품의 치수, 재질, 형상, 그 상대적 배치 등은 특별히 특정적인 기재가 없는 한은, 이 발명의 범위를 그것에 한정하는 취지가 아니고, 단순한 설명예에 불과하다.
실시예 1
도 1 은, 본 발명이 되는 설비의 문제 관리 방법을 실시하기 위한 원격 관리 시스템의 개략 구성도이다. 본 실시예에 있어서는, 설비를 원격 관리에 의해 문제를 관리하는 방법을 예시하여 설명한다. 구체적으로는, 플랜트 메이커 보수 전문가가, 플랜트를 구성하는 설비의 운전 상태를 상기 플랜트와는 떨어진 장소에서 감시하고, 문제가 발생한 경우에 그 원인을 추측하여 상기 플랜트의 사용자 (고객) 에게 정보를 제공하는 관리 방법에 대해 설명한다.
도 1 의 원격 관리 시스템의 개략으로서, 원격 운전 감시 중의 고객 설비 (이하 플랜트라고 한다 ; 2) 내에 설치된 원격 감시용 데이타 서버에서 플랜트 내 계기류 (4) 의 운전 데이타를 수집하고, 통신 회선을 이용하여 운전 데이타를 원격 감시실 (12) 에 송신함으로써, 플랜트 (2) 의 운전 상태를 플랜트 (2) 로부터 떨어진 장소에 있는 원격 관리실 (12) 에서 상시 감시한다. 또한, 플랜트 (2) 를 구성하는 기기에 문제가 발생한 경우에 원격 감시실 (12) 의 감시용 단말 (20) 로부터 상기 운전 데이타의 각종 신호 상태 (22) 를 베이지안 네트워크를 시스템 내에 갖는 베이지안 네트워크 시스템 (30) 에 노드로서 입력함과 함께, 고객용 단말 (32) 로부터 후술하는 방법으로 문제 지점의 음성, 형태의 데이타를 베이지안 네트워크 시스템 (30) 에 노드로서 입력하고, 상기 노드에 기초하여 베이지안 네트워크에 의해 상기 플랜트 (2) 의 문제의 원인을 추론하는 것이다.
또한, 원격 관리실 (12) 에서는, 통상 복수의 플랜트의 원격 관리를 실시하지만, 도 1 에 있어서는 1 개의 플랜트만을 도시하고 있다.
상기 플랜트 (2) 내의 가스 터빈의 원격 감시를 실시하는 경우, 그 가스 터빈에 장착된 각 계기류 (4) 로부터, 가스 터빈의 회전 수, 출력, 제어 신호, 각 부의 온도·유량, 각 부의 신호 등의 수치에 의한 운전 데이타는, 먼저 플랜트 (2) 내에 설치된 원격 감시용 데이타 서버 (6) 에 송신된다. 그리고, 상기 원격 감시용 데이타 서버 (6) 에 송신된 운전 데이타는, 실시간 데이타로서, 라우터 (8, 14) 를 개재하여 전용 회선 (Virtual Private Network : VPN ; 10) 을 통과하여, 상기 플랜트 (2) 와는 떨어진 장소에 있는 원격 감시실 (12) 내의 원격 감시 서버 (16) 에 실시간으로 보내짐과 함께, 히스토리컬 데이타라는 형태로 원격 감시용 데이타 서버 (6) 에 1 초 주기로 일정 기간 보존되고, 그 보존된 히스토리컬 데이타는, 1 분 주기의 데이타로 가공되어, 상기 라우터 (8, 14), VPN (10) 및 원격 감시용 데이타 서버 (6) 를 개재하여 원격 감시실 (12) 내의 데이타 보관용 서버 (18) 에 송신되어 보관된다.
원격 감시 서버 (16) 에 보내진 리얼타임 데이타는, 감시용 단말 (20) 에서 원격 감시실 내에 주재 (駐在) 하고 있는 플랜트 메이커 보수 전문가가 상시 확인할 수 있게 되어 있다.
또한, 상기 리얼타임 데이타는, 관리값이 설정됨과 함께, 경향 감시 로직에 의해 그 값의 변화 경향이 감시되고 있고, 상기 리얼타임 데이타가 상기 관리값을 초과하거나, 상기 경향 감시 로직에 의해 규정 이상의 변화 경향이 있던 경우에는 알람이 발신된다.
상기 알람이 발신되면, 상기 실시간 데이타는, 노드로서 베이지안 네트워크 시스템 (30) 에 입력된다.
또한, 알람이 발신되면, 원격 감시실 (12) 에 주재하고 있는 플랜트 메이커 보수 전문가는, 상기 알람의 발신을 플랜트 (2) 의 오퍼레이터에게 연락하고, 그 연락을 받으면 플랜트 (2) 의 오퍼레이터는 고객 단말 (32) 에 후술하는 방법에 의해 음성, 형태의 데이타를 입력한다. 그 입력된 데이타는, VNP (33) 에 의해, 노드로서 베이지안 네트워크 시스템 (30) 에 입력된다.
상기 노드가 입력되면, 베이지안 네트워크 시스템 (30) 에서는 베이지안 네트워크에 의해 상기 문제의 원인을 추론하여 출력한다.
또한, 상기 알람이 발신되었을 때의 설비 (2) 의 오퍼레이터에 대한 연락은, 전술한 바와 같이 원격 감시실 (12) 에 주재하고 있는 플랜트 메이커 보수 전문가가 실시해도 되는데, 전용 회선 등을 통해서 알람의 발신을 자동적으로 오퍼레이터에게 연락하도록 해 두면, 연락 미스 등의 휴먼 에러 방지의 관점에서 바람직하다.
상기 음성 데이타의 입력에 대해, 도 2 를 이용하여 설명한다. 도 2 는 음성 데이타 입력의 플로우 차트이다.
플랜트 (2) 의 오퍼레이터는, 상기 알람이 발신된 사실의 연락을 받으면, 플랜트 (2) 부근에 설치되어 있는 고객용 단말 (32) 을 기동시켜, 도 2 의 플로우 차트에 따라 음성 데이타를 입력할 준비를 한다.
상기 오퍼레이터는, 고객 단말 (32) 을 기동시켜 음성 데이타의 입력 준비가 완료되면, 단계 S1 에서 운전 중인 가스 터빈으로부터 이음이 나는지 여부를 판단하여 입력한다.
단계 S1 에서 아니오, 즉 이음이 나지 않는 것으로 판단되면 음성 데이타는 입력하지 않고 종료된다.
단계 S1 에서 예, 즉 이음이 나는 것으로 판단되면 단계 S2 로 진행하여, 단계 S2 에서 이음이 나는 장소를 선택한다.
단계 S2 에서 이음이 나는 장소가 선택되면, 단계 S3 에서, 미리 준비한 가스 터빈의 각 부품마다의 이음의 데이타 베이스로부터, 상기 선택한 장소에 있는 부품에 있어서의 이음 샘플을 참조한다.
단계 S3 에서 이음의 데이타 베이스가 참조되면, 단계 S4 에서 「이음의 종류를 샘플에서 선택해 주세요」라고, 고객 단말 (32) 상에 메세지가 표시됨과 함께, 복수 (본 실시예에 있어서는 5 개) 의 아이콘이 표시된다. 또한 단계 S3 및 단계 S4 는 고객 단말 (32) 내부에서 실시되는 처리로서, 단계 S2 가 종료되고 나서 단계 4 가 종료될 때까지 오퍼레이터는 기다리고 있으면 된다.
단계 S4 에서 상기 메세지 및 아이콘이 표시되면, 단계 S5 에서 오퍼레이터는 1 개씩 상기 아이콘을 클릭한다. 상기 아이콘은 클릭하면 각각 단계 S3 에서 참조한 데이타 베이스 내의 이음의 샘플이 재생되게 되어 있어, 오퍼레이터는 표시된 모든 아이콘을 1 개씩 클릭하여 모든 이음의 샘플을 듣고, 어떠한 이음 샘플이 가스 터빈으로부터 발생되고 있는 이음과 가장 가까운지 선택한다.
단계 S5 에서 가스 터빈으로부터 발생되고 있는 이음과 가장 가까운 이음 샘플이 선택되면, 상기 선택된 샘플의 데이타가 도 1 에 나타낸 VPN (33) 을 통해 베이지안 네트워크 (30) 에 송신된다.
상기 이음 샘플의 데이타가 송신되면, 단계 S6 에서, 미리 준비한 각 부품의 이음의 종류와 고장 원인의 인과 관계의 데이타, 그 밖의 경보 데이타와 고장 원인의 인과 관계의 데이타 및 후술하는 각 부품의 연소 형태와 고장 원인의 인과 관계의 데이타를 참조하여, 베이지안 네트워크에 의해 고장의 원인을 추정하고, 고객 단말 (32) 에 추정 결과를 다시 송신한다.
다음으로, 상기 형태의 데이타의 입력에 대해, 도 3 을 이용하여 설명한다. 또한 여기서 본 실시예에 있어서의 형태란 연소 상황을 말한다. 도 3 은 연소 상황의 데이타 입력의 플로우 차트이다.
플랜트 (2) 의 오퍼레이터는, 상기 알람이 발신된 사실의 연락을 받으면, 플랜트 (2) 부근에 설치되어 있는 고객용 단말 (32) 을 기동시켜, 도 3 의 플로우 차트에 따라 형태 데이타를 입력할 준비를 실시한다.
상기 오퍼레이터는, 고객 단말 (32) 을 기동시켜 형태 데이타의 입력 준비가 완료되면, 단계 S11 에서 운전 중인 가스 터빈에서 연소 상황을 관찰할 수 있는지 여부를 판단하여 입력한다.
단계 S11 에서 아니오, 즉 연소 상황을 관찰할 수 없는 것으로 판단되면 형태 데이타는 입력하지 않고 종료된다.
단계 S11 에서 예, 즉 연소 상황을 관찰할 수 있는 것으로 판단되면 단계 S12 로 진행하여, 단계 S12 에서 연소 상황을 관찰할 수 있는 장소를 선택한다.
단계 S12 에서 이음이 나는 장소가 선택되면, 단계 S13 에서, 미리 준비한 가스 터빈의 각 부품마다의 연소염의 동영상 데이타 베이스로부터, 상기 선택한 장소에 있는 부품에 있어서의 연소염의 동영상 샘플을 참조한다.
단계 S13 에서 연소염의 동영상 데이타 베이스가 참조되면, 단계 S14 에서 「관찰되는 연소 상황을 샘플에서 선택해 주세요」라고, 고객 단말 (32) 상에 메세지가 표시됨과 함께, 복수 (본 실시예에 있어서는 5 개) 의 아이콘이 표시된다. 또한 단계 S13 및 단계 S14 는 고객 단말 (32) 내부에서 실시되는 처리로서, 단계 S12 가 종료되고 나서 단계 14 가 종료될 때까지 오퍼레이터는 기다리고 있으면 된다.
단계 S14 에서 상기 메세지 및 아이콘이 표시되면, 단계 S15 에서 오퍼레이터는 1 개씩 상기 아이콘을 클릭한다. 상기 아이콘은 클릭하면 각각 단계 S13 에서 참조한 연소염의 동영상 데이타 베이스 내의 동영상 샘플이 재생되게 되어 있어, 오퍼레이터는 표시된 모든 아이콘을 1 개씩 클릭하여 모든 동영상 샘플을 보고, 어떠한 동영상 샘플이 가스 터빈에서 관찰되는 연소 상황과 가장 가까운지 선택한다.
단계 S15 에서 가스 터빈에서 관찰되는 연소 상황과 가장 가까운 동영상 샘플이 선택되면, 상기 선택된 샘플의 데이타가 도 1 에 나타낸 VPN (33) 을 통해 베이지안 네트워크 (30) 에 송신된다.
상기 연소염의 동영상 샘플의 데이타가 송신되면, 단계 S16 에서, 미리 준비한 각 부품의 연소 상황의 종류와 고장 원인의 인과 관계의 데이타, 그 밖의 경보 데이타와 고장 원인의 인과 관계의 데이타, 및 각 부품의 이음의 종류와 고장 원인의 인과 관계의 데이타를 참조하고, 베이지안 네트워크에 의해 고장의 원인을 추정하여, 고객 단말 (32) 에 추정 결과를 다시 송신한다.
또한, 단계 S16 은 도 2 에 나타낸 플로우 차트에 있어서의 단계 S6 과 공통이다.
이와 같이 하여, 이음 샘플이나 연소 동영상 샘플을 준비하고, 실제의 이음이나 연소 상황과 가까운 샘플을 오퍼레이터에게 선택시킴으로써, 구체적인 기기의 문제에 대해 수치화하기 어렵지만 문제 원인 해명을 위해서 도움이 되는 이음이나 연소 상황의 데이타를, 주관을 최대한 배제하여 수집할 수 있다.
이와 같이 하여, 주관을 최대한 배제하여 수집한 이음 및 연소 상황의 데이타를 노드에 추가하고, 그 이음, 연소 상황의 데이타 및 그 밖의 상기 감시 수단이 얻은 문제값에 기초하여 베이지안 네트워크에 의해 설비의 문제 원인의 추론을 행함으로써, 문제 원인의 추정 정밀도를 향상시킬 수 있게 된다.
또한, 상기 베이지안 네트워크 시스템 (30) 에는, 전체 유닛의 문제와 그 후의 설비 개수 실적의 데이타 베이스 (34) 가 입력된다. 여기서 말하는 유닛이란 플랜트 (2) 내의 가스 터빈을 구성하는 부품을 가리키고 있다.
전체 유닛의 문제와 그 후의 설비 개수 실적의 데이타 베이스 (34) 에 대해 도 4 를 이용하여 설명한다. 도 4 는, 전체 유닛의 문제와 그 후의 설비 개수 실적의 데이타 베이스의 입력과 결과의 출력을 나타내는 플로우 차트이다. 또한, 도 4 에 있어서의 플로우 차트는 모두 원격 관리실 (12) 측에 있어서의 순서이다.
단계 S21 에서, 베이지안 네트워크 시스템 (30) 에, 원격 관리실 (12) 에서 관리하는 복수의 플랜트 각각에서 발생한 문제 사상의 원인과, 그 후 당해 플랜트에서 각 플랜트 사용자가 실시한 설비 개선 공사나 개수 공사의 데이타 (42) 를 입력하여, 문제 사상의 원인과, 플랜트 사용자가 실시한 개선 공사나 설비 개수의 상관에 대해 베이지안 네트워크를 구축해 둔다. 또한, 여기서 구축하는 베이지안 네트워크는, 상기 문제 원인을 추론하기 위해서 사용한 베이지안 네트워크와는 별도로 구축하는 것으로, 이후에서는 제 2 베이지안 네트워크라고 한다.
원격 관리실 (12) 에서 관리하는 플랜트 (고객 설비) 에서 문제가 발생하여, 도 2, 도 3 에서 설명한 바와 같이 하여 상기 문제의 원인이 추측되면, 단계 S22 에서 상기 추측된 문제 원인을 제 2 베이지안 네트워크에 입력한다.
단계 S22 에서 문제의 원인이 입력되면, 그 문제 원인과 단계 S21 에서 구축한 제 2 베이지안 네트워크로부터, 단계 S23 에서 문제가 발생한 플랜트의 사용자가 향후 실시할 가능성이 높은 설비 개수 항목을 확률 추론한다.
단계 S23 에서 확률 추론이 이루어지면, 단계 S24 에서 문제 원인의 추론 결과와 함께 향후 실시할 가능성이 높은 설비 개수 항목을 플랜트 사용자에게 제공하여, 상기 개수 공사에 관한 부품 등을 집중적으로 판매 촉진 활동을 실시한다.
이로써, 플랜트 사용자는, 문제 원인의 추론 결과와 함께 설비의 개선 공사나 개수 공사에 관한 정보를 입수함으로써, 상기 문제에 대해 신속한 처치를 실시할 수 있다.
또한, 원격 관리를 실시하는 플랜트 메이커는, 문제 원인의 추론 결과와 함께 설비의 개선 공사나 개수 공사에 대해 양호한 정밀도로 추측하고, 그 추측의 결과를 플랜트 사용자에게 제공할 수 있기 때문에, 플랜트 사용자에 대해 개선에 필요한 부품 등, 시기를 얻은 마케팅을 실시할 수 있다.
또한, 상기 베이지안 네트워크 시스템 (30) 에는, 사고에 의한 정지 기간, 복구 내용의 데이타 등을 포함하는 사고 데이타 (36) 가 입력된다.
사고 데이타 (36) 의 입력과 그 활용에 대해 도 5 를 이용하여 설명한다.
계측값 1, 2 … n 의 상태 (이것은 도 1 에 있어서의 플랜트 내 계기류 (4) 에 의해 계측되고, 원격 감시용 데이타 서버 (6), 원격 감시 서버 (16) 등을 통해 베이지안 네트워크 시스템 (30) 에 송신되는 데이타이다), 도 2 를 이용하여 설명한 이음의 상태, 도 3 을 이용하여 설명한 연소 상황의 상태를 베이지안 네트워크 시스템 (30) 에 관측 모드로서 입력하면, 전술한 바와 같이 문제의 원인을 추측할 수 있고, 또한 부호 52 로 나타낸 표와 같이 추측되는 문제의 원인 Ci (i = 1, 2, 3 …) 와 Ci 가 발생할 확률 P (Ci) (i = 1, 2, 3 …) 가 추론된다.
또한, 과거에 상기 문제의 원인 Ci 를 방치한 경우에 복구에 든 비용 D (Ci) (i = 1, 2, 3 …) 와 복구에 걸린 기간 T (Ci) (i = 1, 2, 3 …) 의 데이타를 과거의 문제 데이타 베이스 (54) 로서 미리 준비해 둔다.
상기 베이지안 네트워크 시스템 (30) 에서의 확률 추론 결과 (52) 와, 과거의 문제 데이타 베이스 (54) 로부터 경보를 방치한 경우에 떠맡을 비용에 관한 리스크 (Risk_cost) 를 수학식 1 에 나타낸 수식에 의해 계산할 수 있다.
Figure pct00001
상기 문제를 보수하기 위해서 필요한 대책비 (56) 를 계산하고, 수학식 1 에 나타낸 수식으로 계산되는 비용에 관한 리스크 (Risk_cost) 와 비교함으로써, 발생하고 있는 문제를 조기에 보수해야 할지 여부의 판단이 용이해짐과 함께 정량적으로 판단할 수 있다.
또한, 상기 베이지안 네트워크 시스템 (30) 에서의 확률 추론 결과 (52) 와, 과거의 문제 데이타 베이스 (54) 로부터 경보를 방치한 경우에 떠맡을 복구 기간에 관한 리스크 (Risk_period) 를 수학식 2 에 나타낸 수식에 의해 계산할 수 있다.
Figure pct00002
상기 문제를 보수하기 위해서 필요한 기간 (복구 기간) 을 계산하고, 수학식 1 에 나타낸 수식으로 계산되는 복구 기간에 관한 리스크 (Risk_period) 와 비교함으로써, 발생하고 있는 문제를 조기에 보수해야 할지 여부의 판단이 용이해짐과 함께 정량적으로 판단할 수 있다.
이로써 원격 감시를 실시하는 플랜트 메이커는, 발생하고 있는 문제를 조기에 보수하는 것이 설비의 라이프 사이클 비용을 생각하면 최적인지 여부를 정량적으로 고객에게 설명할 수 있기 때문에, 플랜트 메이커의 보수 전문가의 신뢰성도 향상된다.
또한, 상기 베이지안 네트워크에는, 상기 계측값 1, 2 … n 의 상태, 이음의 상태 및 연소의 상태와 함께, 전체 유닛의 문제의 시계열 데이타 (38) 가 입력된다.
전체 유닛의 문제의 시계열 데이타에 대해 도 6 을 이용하여 설명한다.
전체 유닛의 문제의 시계열 데이타 (38) 란, 플랜트 (고객 설비) 를 형성하는 각 유닛에서 과거에 발생한 문제를 시계열로 정렬하여 입력한 데이타를 말한다.
상기 과거에 발생한 문제를 시계열로 정렬하여 베이지안 네트워크에 입력함으로써, 문제 사상에 대해, 발생하고 있거나 혹은 발생할 것 같은 상태가 되면 다음으로 발생할 가능성이 있는 손상 요인이 추측된다. 그 추측 결과를 이용함으로써, 다음으로 발생할 가능성이 있는 문제 사상이 발생할 것 같은지 여부를 검사하고, 빨리 대책을 세울 수 있다. 즉, 어떠한 문제 사상이 발생하면, 다음으로 발생하기 쉬운 문제 사상을 추론할 수 있기 때문에, 정기 검사시 등에 있어서의 설비의 검사 항목을 설비의 문제의 실적에 있던 것으로 할 수 있어, 효율적으로 검사를 실시할 수 있다.
또한, 정수시 등에 실제로 상기 문제의 원인을 조사하여 원인 조사 결과 (40) 를 베이지안 네트워크 시스템 (30) 에 입력하여, 상기 베이지안 네트워크 시스템 (30) 을 이용하여 추론한 문제 원인이 정확했는지 여부를 바탕으로, 그 베이지안 네트워크 시스템 (30) 의 각 노드 간의 조건부 확률표의 확률값을 업데이트하면, 베이지안 네트워크의 조건부 확률표가 업데이트되어 추론 정밀도가 향상된다.
산업상 이용가능성
추론 결과가 충분한 정밀도를 갖고, 문제의 보수에 최적인 보수 시기나, 어떠한 문제와 동시 또는 이후에 발생할 수 있는 다른 문제를 추측할 수 있어, 플랜트에 사용되는 대형 기기에 채용할 수 있는 설비의 문제 관리 방법으로서 이용할 수 있다.

Claims (5)

  1. 설비의 동작 상태를 감시 수단에 의해 감시하고, 상기 설비의 문제 발생시에 상기 감시 수단이 얻은 설비의 운전 상태에 관한 계측값의 데이타를 노드로 하여 추론 수단에 의해 설비의 문제 원인의 추론을 행하는 설비의 문제 관리 방법에 있어서,
    미리 준비된 복수의 음향 데이타 중에서, 상기 문제가 발생한 설비로부터 발해지는 소리에 가장 가까운 음향 데이타를 선택함과 함께,
    미리 준비된 복수의 형태 데이타 중에서, 상기 문제가 발생한 설비의 형태에 가장 가까운 형태 데이타를 선택하고,
    상기 선택된 음향 데이타 및 형태 데이타를 상기 노드에 추가하고,
    그 노드에 기초하여 제 1 베이지안 네트워크에 의해 설비의 문제 원인의 추론을 행하는 것을 특징으로 하는 설비의 문제 관리 방법.
  2. 제 1 항에 있어서,
    상기 설비에 있어서의 과거의 문제 원인의 추론 결과와, 그 추론 결과에 대한 설비 개수(改修)의 실적의 상관에 대해 제 2 베이지안 네트워크를 구축하고, 그 제 2 베이지안 네트워크에 의해 상기 제 1 베이지안 네트워크에서 문제 원인의 추론이 이루어진 설비에 대해 실시할 가능성이 높은 설비 개수 방법의 추론을 행하는 것을 특징으로 하는 설비의 문제 관리 방법.
  3. 제 1 항에 있어서,
    상기 설비 또는 유사한 설비에 있어서의 과거의 문제 원인의 추론 결과에 관하여, 적절한 처치를 실시하지 않은 경우에 발생한 고장을 보수하기 위해서 필요한 비용을 상기 추론 결과와 함께 데이타 베이스화하고,
    상기 데이타 베이스를 이용하여, 상기 설비의 문제를 방치한 경우에 그 문제가 원인이 되어 고장이 발생할 확률을 상기 제 1 베이지안 네트워크를 이용하여 추론하고,
    상기 추론된 확률과 상기 고장을 보수하기 위해서 필요한 상기 비용을 곱한 리스크를 계산하여 제시하는 것을 특징으로 하는 설비의 문제 관리 방법.
  4. 제 3 항에 있어서,
    상기 문제 원인을 보수하기 위해서 필요한 비용을 계산하고, 그 비용과 상기 리스크를 비교하는 것을 특징으로 하는 설비의 문제 관리 방법.
  5. 제 1 항에 있어서,
    상기 설비에 있어서 발생한 문제 원인의 추론 결과의 시계열 데이타를 작성하고, 그 시계열 데이타를 상기 제 1 베이지안 네트워크에 입력하고, 상기 설비에 있어서 다음으로 발생할 확률이 높은 문제 원인을 그 발생 확률과 함께 추론하는 것을 특징으로 하는 설비의 문제 관리 방법.
KR1020107020443A 2008-11-25 2009-09-09 설비의 문제 관리 방법 KR101216293B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2008299451A JP5101465B2 (ja) 2008-11-25 2008-11-25 設備の不具合管理方法
JPJP-P-2008-299451 2008-11-25

Publications (2)

Publication Number Publication Date
KR20100113635A true KR20100113635A (ko) 2010-10-21
KR101216293B1 KR101216293B1 (ko) 2012-12-28

Family

ID=42225561

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020107020443A KR101216293B1 (ko) 2008-11-25 2009-09-09 설비의 문제 관리 방법

Country Status (7)

Country Link
US (1) US9696718B2 (ko)
JP (1) JP5101465B2 (ko)
KR (1) KR101216293B1 (ko)
CN (1) CN101981421B (ko)
GB (1) GB2471805B (ko)
MX (1) MX2010010750A (ko)
WO (1) WO2010061681A1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508745A (zh) * 2018-11-14 2019-03-22 上海交通大学 基于贝叶斯网络模型的燃气轮机气路故障的检测方法
KR102131941B1 (ko) 2019-11-08 2020-07-08 농업회사법인 주식회사 고은 레일 이동형 작물 생육 측정장치
KR102337873B1 (ko) 2021-08-31 2021-12-09 농업회사법인 주식회사 고은 빅데이터 수집을 위한 레일 이용형 작물 생육 측정장치

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012003643A (ja) * 2010-06-21 2012-01-05 Mitsubishi Electric Corp プラントの機器維持管理システム
US8615686B2 (en) 2010-07-02 2013-12-24 At&T Intellectual Property I, L.P. Method and system to prevent chronic network impairments
US8751423B2 (en) * 2010-11-30 2014-06-10 General Electric Company Turbine performance diagnostic system and methods
US8996334B2 (en) * 2011-03-02 2015-03-31 General Electric Company Method and system for analysis of turbomachinery
US20130103356A1 (en) * 2011-10-21 2013-04-25 General Electric Company Gas turbine monitoring system
JP5819251B2 (ja) * 2012-05-14 2015-11-18 住友重機械工業株式会社 循環流動層ボイラの運転制御システム
JP5925587B2 (ja) 2012-05-14 2016-05-25 住友重機械工業株式会社 循環流動層ボイラの運転診断方法及び運転診断装置
DE102012024392A1 (de) * 2012-12-13 2014-06-18 Heidelberger Druckmaschinen Ag Vorrausschauende Servicebenachrichtigung
JP5751496B2 (ja) * 2012-12-27 2015-07-22 横河電機株式会社 イベント解析装置およびコンピュータプログラム
JP5816217B2 (ja) * 2013-03-28 2015-11-18 本田技研工業株式会社 問診装置及び問診方法
US20150142677A1 (en) * 2013-11-21 2015-05-21 Cellco Partnership D/B/A Verizon Wireless Method and apparatus for determining a metric for a predicted operational status of a product
JP6415335B2 (ja) * 2015-01-27 2018-10-31 三菱重工業株式会社 不具合診断方法及び不具合診断システム
US9971344B2 (en) * 2015-03-27 2018-05-15 Rockwell Automation Technologies, Inc. Systems and methods for assessing a quality of an industrial enterprise
DE102015008754B4 (de) * 2015-07-06 2018-07-05 Liebherr-Aerospace Lindenberg Gmbh Zustandsüberwachung eines Stellantriebs in einem Fluggerät
US10152394B2 (en) * 2016-09-27 2018-12-11 International Business Machines Corporation Data center cost optimization using predictive analytics
CN108764522A (zh) * 2018-04-13 2018-11-06 华南理工大学 一种基于多变量输入的局部负荷预测方法
US10877539B2 (en) 2018-04-23 2020-12-29 Dell Products, L.P. System and method to prevent power supply failures based on data center environmental behavior
US10846184B2 (en) * 2018-04-23 2020-11-24 Dell Products, L.P. System and method to predict and prevent power supply failures based on data center environmental behavior
IT201800005091A1 (it) * 2018-05-04 2019-11-04 "Procedimento per monitorare lo stato di funzionamento di una stazione di lavorazione, relativo sistema di monitoraggio e prodotto informatico"
US11070702B2 (en) * 2019-12-20 2021-07-20 Toshiba Tec Kabushiki Kaisha Image processing apparatus, information processing method, and non-transitory computer readable storage medium
JP7559709B2 (ja) 2021-08-27 2024-10-02 トヨタ自動車株式会社 異音診断支援システム
CN114139745A (zh) * 2021-12-01 2022-03-04 北京磁浮有限公司 轨道交通供配电设施的信息处理与控制方法、装置及终端
CN115237098B (zh) * 2022-08-04 2023-05-23 北京顺圆和合科技有限公司 一种智能网管安全型监控故障诊断系统

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6435238A (en) * 1987-07-30 1989-02-06 Anritsu Corp Abnormality diagnosing apparatus for mechanical equipment
JPS6435237A (en) * 1987-07-30 1989-02-06 Anritsu Corp Abnormality diagnosis for rotary machine
JPH0534214Y2 (ko) * 1987-08-27 1993-08-30
US5130936A (en) * 1990-09-14 1992-07-14 Arinc Research Corporation Method and apparatus for diagnostic testing including a neural network for determining testing sufficiency
JPH04299740A (ja) * 1991-03-28 1992-10-22 Ricoh Co Ltd 知識情報処理装置
JPH06241956A (ja) * 1993-02-23 1994-09-02 Toshiba Corp プラントリスク分析システム
US5566092A (en) * 1993-12-30 1996-10-15 Caterpillar Inc. Machine fault diagnostics system and method
US6535865B1 (en) 1999-07-14 2003-03-18 Hewlett Packard Company Automated diagnosis of printer systems using Bayesian networks
US7113988B2 (en) * 2000-06-29 2006-09-26 International Business Machines Corporation Proactive on-line diagnostics in a manageable network
FR2814901B1 (fr) * 2000-10-04 2003-01-31 Jean Patrick Azpitarte Systeme pour la gestion a distance de la maitenance d'un ensemble d 'equipements
JP2003303244A (ja) 2002-02-07 2003-10-24 Osaka Gas Co Ltd 故障情報システム
JP2003315213A (ja) * 2002-04-25 2003-11-06 Toshiba Corp 振動診断装置およびその方法
DE10222399B4 (de) 2002-05-21 2007-08-09 Siemens Ag Steuerungsverfahren und System zur automatischen Vorbearbeitung von Gerätestörungen
CN1244801C (zh) 2003-08-01 2006-03-08 重庆大学 旋转机械故障智能诊断方法与装置
US8271200B2 (en) * 2003-12-31 2012-09-18 Sieracki Jeffrey M System and method for acoustic signature extraction, detection, discrimination, and localization
JP4538845B2 (ja) * 2004-04-21 2010-09-08 富士ゼロックス株式会社 故障診断方法および故障診断装置、画像形成装置、並びにプログラムおよび記憶媒体
US7260501B2 (en) * 2004-04-21 2007-08-21 University Of Connecticut Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance
JP2005309077A (ja) * 2004-04-21 2005-11-04 Fuji Xerox Co Ltd 故障診断方法および故障診断装置、並びに搬送装置および画像形成装置、並びにプログラムおよび記憶媒体
DE102004043875A1 (de) 2004-09-10 2006-03-16 Frank Bechtold Verfahren und System zur Optimierung der Erkennung oder der Erkennungssicherheit bei der Identifikation oder Verifikation von Prüfobjekten
US9820658B2 (en) * 2006-06-30 2017-11-21 Bao Q. Tran Systems and methods for providing interoperability among healthcare devices
JP2006077938A (ja) * 2004-09-13 2006-03-23 Nsk Ltd 異常診断装置
JP2007025878A (ja) * 2005-07-13 2007-02-01 Mitsubishi Heavy Ind Ltd プラント用保全支援システム
JP4710495B2 (ja) * 2005-09-06 2011-06-29 富士ゼロックス株式会社 故障診断システム、画像形成装置及び故障診断方法
JP4514154B2 (ja) * 2006-01-13 2010-07-28 日本電信電話株式会社 類似状況検索システムおよび類似状況検索方法
CN100469138C (zh) 2006-05-15 2009-03-11 华北电力大学（北京） 基于视频监控与图像识别的电力变压器风机状态识别方法
CN1845605A (zh) 2006-05-15 2006-10-11 华北电力大学（北京） 电力高压断路器开关状态实时监测的图像处理与识别方法
JP2008224745A (ja) 2007-03-08 2008-09-25 Fuji Xerox Co Ltd 画像処理装置、画像処理プログラム、故障診断装置、及び故障診断プログラム
EP2031517A1 (en) * 2007-08-28 2009-03-04 Toyota Motor Europe NV Methods and systems for data processing and their applications
US8463641B2 (en) * 2007-10-05 2013-06-11 The Boeing Company Method and system using linear programming for estimating test costs for bayesian diagnostic models

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508745A (zh) * 2018-11-14 2019-03-22 上海交通大学 基于贝叶斯网络模型的燃气轮机气路故障的检测方法
KR102131941B1 (ko) 2019-11-08 2020-07-08 농업회사법인 주식회사 고은 레일 이동형 작물 생육 측정장치
KR102337873B1 (ko) 2021-08-31 2021-12-09 농업회사법인 주식회사 고은 빅데이터 수집을 위한 레일 이용형 작물 생육 측정장치

Also Published As

Publication number Publication date
GB201018260D0 (en) 2010-12-15
CN101981421A (zh) 2011-02-23
KR101216293B1 (ko) 2012-12-28
US9696718B2 (en) 2017-07-04
MX2010010750A (es) 2010-10-15
CN101981421B (zh) 2016-04-20
GB2471805B (en) 2015-06-10
WO2010061681A1 (ja) 2010-06-03
JP2010128553A (ja) 2010-06-10
JP5101465B2 (ja) 2012-12-19
US20110046995A1 (en) 2011-02-24
GB2471805A (en) 2011-01-12

Similar Documents

Publication Publication Date Title
KR101216293B1 (ko) 설비의 문제 관리 방법
US11586193B2 (en) Remote diagnostic systems and methods for predictive maintenance programs
CA2338006C (en) Remote monitoring diagnostic system and method thereof
US6834256B2 (en) Method and system for determining motor reliability
US20090096405A1 (en) Method and system for remotely predicting the remaining life of an ac motor system
US7873581B2 (en) Method and system for determining the reliability of a DC motor system
JP4911080B2 (ja) 品質改善システム
JP5061374B2 (ja) 機器保守システムおよび機器保守方法、障害推定装置
JP2004211587A (ja) 発電プラントの運用支援システム
US7996337B2 (en) Method and system for remotely determining the reliability of a DC motor system
JP3512494B2 (ja) プラント運転支援装置
US9019124B2 (en) System and method for monitoring and alerting on equipment errors
JP4648961B2 (ja) 装置メンテナンスシステム、方法および情報処理装置
EP2026159A2 (en) A method and system for automatically evaluating the performance of a power plant machine
JP2002323922A (ja) 発電設備の保守支援システム
JP6667664B2 (ja) プラント管理装置、プラント管理方法、およびプログラム
JP5951726B2 (ja) プラント管理支援システム
JP2010277157A (ja) 水処理設備管理方法及びシステム
JP2005157608A (ja) プラント設備の予防保全支援装置
JP2005071200A (ja) 製造情報管理プログラム
Cho et al. DeepALM: holistic optical network monitoring based on machine learning
JP2014235674A (ja) 保守管理システム及び保守管理システムの保守管理方法
JP3858887B2 (ja) 故障判定システムとその判定方法
JP2005107687A (ja) プラント監視制御装置
CN118037211A (zh) 基于终端的轨道交通故障工单处理方法及装置

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20151118

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20161122

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20171120

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20181129

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20191202

Year of fee payment: 8